基于GF-1與Landsat8 OLI影像的作物種植結構提取

信會男 武紅旗 朱磊 董通 寇排行 楊強軍

摘要：作物種植結構監測和估產是精準農業遙感應用的重點領域，其研究對于指導作物種植結構和制定農業政策具有重要意義。本文以新疆阿克蘇地區為研究區，以2016年多時相Landsat8 OLI和GF-1影像為數據源，基于物候信息、時相特征、積溫和光譜特征確定農作物識別關鍵時期和特征參數，構建決策樹分類模型，開展作物種植結構監測研究。結果表明：多源與多時相遙感數據可以反映不同農作物的季相特征，研究中所構建的決策樹分類模型能夠在大區域范圍內高精度地實現作物分類，總體精度達83%，Kappa 系數為0.77。與統計數據對比，棉花面積精度在85%以上，玉米為81%，小麥為80%以上，水稻達80%以上。因此，利用Landsat 8和GF-1影像在大區域提取農作種植結構是可行的，為今后遙感在農業上的應用提供一個廣闊前景。

關鍵詞：Landsat8; GF-1;作物種植結構;決策樹分類

中圖分類號：S127文獻標識號：A文章編號：1001-4942（2019）07-0143-09

農作物種植結構最直接的表達就是在哪里種什么，包括熟制及種植方式。了解和掌握農作物種植結構可以反映出農業生產在空間范圍內利用農業生產資源的實際狀況，同時也是進行農作物種植結構調整及優化的依據。快速準確獲取作物種植結構可以為農業精準管理提供重要的參考依據，對推進農業保險也有重要意義[1，2]。

隨著技術的發展，作物種植結構獲取已由原來的人工實際調查發展到現在的利用遙感數據提取，準確率和效率不斷提高。國內外學者在利用遙感技術提取作物種植結構方面已進行了大量研究，如基于GF-1影像對作物分類、農作物種植面積提取方法、遙感抽樣調查方法等進行研究[3-7]，主要基于多時相Landsat8 OLI影像、雷達等遙感數據源對作物種植結構進行提取[8-11]。但多數研究都是基于單一遙感數據源、單一時相遙感影像、利用像元分類方法提取農作物種植結構[12]，并未考慮農作物的季相差異，使分類結果難以滿足精度要求。因此，基于多時相較高空間分辨率與多源遙感影像相結合，進行作物種植結構空間分布信息提取，比較不同光譜植被指數對作物的敏感性，對于多種作物種植地區進行遙感估產十分必要[13-20]。

多源遙感影像結合的主要方式為不同種類的較高空間分辨率數據與多光譜分辨率數據進行融合，可以利用較高空間分辨率數據提高地面解譯精度，而多光譜分辨率數據則用于對不同作物種類加以區分，兩者在融合過程中取長補短。本文采用決策樹分類模型，以新疆阿克蘇地區為研究區，充分利用GF-1衛星影像的較高空間分辨率和Landsat8 OLI多光譜影像數據，以多時相影像為數據源，提取大區域多種農作物種植結構，以期提高分類精度，為今后農業遙感統計、制定和調整農作物種植結構提供科學依據[21]。

1 數據來源與研究方法

1.1 研究區概況

阿克蘇地區隸屬于新疆維吾爾自治區，地理坐標E 78°1′～84°5′，N 39°28′～42°38′，位于天山山脈以南，塔里木盆地以北，中國最長的內陸河——塔里木河流經此地后流入塔克拉瑪干沙漠。總面積為12.71×104 km2，耕地面積6 149.43 km2[22]。阿克蘇地區下轄八縣一市。東面與巴音郭楞蒙古自治州毗鄰，西面與喀什地區接壤，南面為塔克拉瑪干沙漠，北面為伊犁地區。

該地區處于亞歐大陸深處，距離海洋過遠，是典型的暖溫帶大陸性干旱氣候。年降水量53.2～120.6 mm;日照時間長，年日照時數為2 670～3 022 h，太陽總輻射量為5 340～6 220 MJ/m2，光照充足，光熱資源較豐富;氣溫年較差及晝夜溫差大，無霜期長，全年為168～250 d。該地區主要以兩片綠洲為主，東邊綠洲包括庫車縣、沙雅縣、新和縣、拜城縣，西面綠洲包括阿克蘇市、阿瓦提縣、溫宿縣、柯坪縣、烏什縣。以種植棉花為主，小麥和玉米為主要糧食作物，部分地區有水稻種植。

1.2 數據獲取與處理

1.2.1 遙感影像的獲取與處理 中國于2013年4月26日發射高分辨率對地觀測遙感衛星高分一號（GF-1），其上配置4臺多光譜寬幅WFV相機，四臺相機組合可達到800 km成像幅寬，多光譜相機回訪周期為4 d;另有兩臺2 m全色和8 m多光譜PMS相機，2 m高分辨率相機實現大于60 km成像幅寬。GF-1的多種空間分辨率組合可以滿足不同應用要求。該衛星在無地面控制點下可實現50 m圖像定位精度，數據傳輸能力達到2×450 Mbp，其精度以及數據傳輸能力都達國內衛星最高水平。本研究選取2015、2016年GF-1阿克蘇地區WFV影像數據10景進行分析（數據來源于衛星應用中心，http：//www.cresda.com/CN/）。

Landsat8 OLI影像來源于美國地質勘查局網站（USGS，http：//glovis.usgs.gov/），本研究選取阿克蘇地區的OLI遙感影像10景，應用其2～7波段，即多光譜波段，具體影像參數及成像時間見表1。

運用ENVI 5.3遙感軟件對Landsat8和GF-1影像進行輻射定標，得到大氣上行輻射亮度值，并選取FLAASH模型進行大氣校正，得到真實地表反射率產品;由于兩種產品存在一定的地理偏差，需要進行幾何精校正，本研究以從BIGEMAP下載的研究區1 m分辨率的WorldView系列衛星全色影像為參照進行幾何精校正，使兩者影像誤差控制在半個像元以內。投影選擇WGS_84_UTM_ZONE_44N坐標系，保證多時相影像保持坐標一致性。

前人對GF-1和Landsat8 OLI影像的藍、綠、紅和近紅外波段反射率進行回歸分析，結果表明兩類傳感器對相同地物光譜反射率具有一致性，并且變化趨勢相同，因此，本研究以GF-1和Landsat8 OLI數據結合用于研究區作物種植結構的提取。

1.2.2 野外數據獲取與處理 野外調查工作于2016年7月和8月進行，詳細記錄各地塊作物類型、長勢、面積、位置等信息。調查的674個樣點中，棉花335個，小麥16個，玉米75個，水稻52個，其他作物196個。具體調查樣點分布見圖2。

利用ArcGIS 10.2軟件，以校正過的GF-1 2 m數據為底圖，按照調查點地塊邊界進行矢量化，建立研究區分布的訓練樣本及驗證樣本數據，盡量使得訓練樣本分布均勻。

1.2.3 土地利用現狀圖更新及積溫數據獲取

為充分利用現有資料，減少影像提取面積，提高識別效率和精度，需要從研究區的土地利用現狀圖中提取耕地邊界。本研究利用國土部門提供的土地利用類型圖提取耕地掩膜，在2014年原有土地利用類型數據基礎上，利用2016年GF-1 2 m數據運用人工解譯的方法進行土地利用類型數據更新，并依據全國第二次土地調查分類標準，根據調查點對更新的土地利用類型數據進行屬性信息更新及檢查（圖3）。

積溫數據選擇≥10℃積溫柵格數據，來源于中國氣象數據共享網（http：//data.cma.cn/）。

2 作物種植結構的提取

2.1 NDVI獲取分析

植被歸一化指數（normalized difference vegetation index，NDVI）是反映植被覆蓋的一個重要參數，計算方法見公式1。

其中，NIR為近紅外波段，即Landsat8第5波段、GF-1第4波段;R為紅色波段，即Landsat8第4波段、GF-1第3波段。ρ為反射值。

NDVI是植被生長狀態最佳指示因子，對植被有較強的反映能力，是目前已有數十種植被指數中應用最廣泛的一種[23，24]。可以通過獲取作物關鍵物候期影像計算NDVI。

2.1.1 作物物候期獲取

通過對阿克蘇地區的實際調查，并結合往年數據資料，得到阿克蘇地區小麥、玉米、棉花、水稻的關鍵物候期，見表2。阿克蘇地區玉米以春玉米為主，物候期與棉花、水稻較為接近;小麥的關鍵物候期與其他作物差異較大。

2.1.2 獲取關鍵物候期NDVI

利用預處理后的Landsat8和GF-1影像數據計算得到阿克蘇地區種植作物的NDVI數據（圖4），可以看出，4月，小麥可以與其他作物區分開;7—8月，棉花、玉米、水稻可以與核桃、蘋果、棗樹很好地區分開。

根據野外調查樣點數據，并結合四種主要作物的關鍵物候期（表2），通過ArcGIS 10.2軟件，提取4種主要作物不同生長時期的NDVI值，見圖5。可以看出，4月份小麥返青，4月底5月初達到茂盛時期，而其他作物處于苗期或者剛出苗階段，此時小麥的NDVI值明顯高于其他三種作物，最易與其他三種作物區分開;玉米在7月份與其他作物的NDVI值相差較大，此時處于開花期;棉花、水稻在7—9月份間NDVI值也存在一定差異，且7月份棉花進入開花結鈴期，水稻則進入開花抽穗期，兩者紋理差距較大（見圖6），易于區分。

綜上確定4種主要作物易于區分的月份，并得到相關月份的NDVI閾值，見表3。結合實際調查情況，最終選取2016年4月25日的影像區分小麥，選取2016年7月8日的影像區分棉花、玉米、水稻。

2.2 構建決策樹

采用決策樹分類方法，利用土地利用類型、積溫、NDVI、光譜信息數據構建決策樹模型，對作物種植結構進行提取。具體流程見圖7。

首先選用土地利用現狀圖提取耕地掩膜數據，將耕地與非耕地區域區分開來。通過文獻查閱，積溫在3 000℃以上可以種植棉花[25]，在2 000℃以上可以種植玉米、小麥、水稻[26，27]。用ArcGIS 10.2軟件將積溫數據進行重分類后轉為矢量文件，加入ENVI 5.3轉為掩膜，獲得四種作物的積溫掩膜。將得到的耕地掩膜與積溫掩膜數據進行處理得到耕地-積溫數據，可以更加準確地獲取作物種植位置。耕地掩膜的使用剔除了非耕地植被的影響，可以減少三分之二的計算量，從而提高分類效率和分類結果的精度。

根據影像數據計算得到四種作物的NDVI閾值，通過與積溫掩膜數據相交，可以更好地區分四種作物。同時，利用訓練樣本對遙感影像進行監督分類，結合分類結果，綜合上述分析，最終提取出作物種植結構。

2.3 驗證方法

2.3.1 混淆矩陣評估

混淆矩陣大多用于判斷分類工具的好壞，適合于分類型的數據模型，例如分類樹（Classification Tree）、邏輯回歸（Logistic Regression）、線性判別分析（Linear Discriminant Analysis）等方法。混淆矩陣中含有總體分類精度、Kappa系數、錯分及漏分誤差、制圖精度、用戶精度6種指標。本研究主要采用總體分類精度、Kappa系數、制圖精度、用戶精度4項指標對分類結果的精度進行評價。

2.3.2 面積總量精度

以研究區內統計獲得的目標作物種植面積總量為基準值，將同區域提取的目標作物種植面積總量與統計面積進行對比，獲取區域內整體提取精度，即面積總量精度。計算公式如下：

3 結果與分析

3.1 提取精度驗證

利用混淆矩陣對提取結果進行驗證，結果表明，阿克蘇地區作物分類的總體精度為83%，Kappa系數為0.77，用戶精度都在72%以上，制圖精度在74%以上，分類結果較好。

將各縣市的提取面積與實際統計面積進行比較，結果（表4）顯示，整體提取精度較高，各縣市面積總量精度達到80%以上，其中，棉花的面積總量精度平均達到89%以上（除烏什縣外），小麥在84%以上，玉米在80%以上，水稻也達80%以上（柯坪縣除外，因統計結果為無種植，而本研究分類有少量種植，其精度無法計算）。表明，利用本研究方法提取阿克蘇地區種植結構的整體精度較好。但也存在提取精度較低的縣市，如烏什縣的棉花整體提取精度為-450%，小麥和玉米整體提取精度分別為62.1%和61.4%;沙雅縣的棉花、溫宿縣的玉米、阿克蘇市的水稻整體提取精度也都低于70%。

3.2 作物種植結構

3.2.1 根據遙感影像數據解譯的作物種植結構

統計遙感提取結果，阿克蘇地區耕地面積為6 149.4 km2。其中，棉花種植面積為4 362.8 km2，玉米種植面積為1 136.5 km2，小麥種植面積為1 639.4 km2，水稻種植面積為184.5 km2（表5）。除拜城縣，棉花各縣市均有種植，以阿瓦提縣、庫車縣面積較大;小麥、玉米各縣市均有種植，均以拜城縣種植面積為最大;水稻種植面積最少，主要分布于阿克蘇地區的西面，靠近河流。

3.2.2 根據數據資料統計的作物結構

通過查閱6年來的統計數據[22]，棉花仍是該地區的主要經濟作物，種植面積占比一直處于各作物的最高位;2014—2015年有一個急速增長的過程，經查閱資料，2014年的棉花價格為6年來最高，這導致了2014—2015年棉花種植面積的大幅增長。小麥種植面積較為平穩，2015年后庫車縣的種植面積出現較大幅度增加。水稻種植面積雖有波動，但2017年與2012年相比，基本不變。拜城縣、庫車縣、沙雅縣的玉米種植面積波動較大，2015—2016年增長幅度較大，而2016—2017年又大幅下降。

3.2.3 根據遙感影像解譯的阿克蘇地區作物分布

阿克蘇地區光熱資源豐富，是長絨棉和陸地棉的主產區之一，主要分布于兩片綠洲核心區域。小麥是該地區主要的糧食作物，主要用于糧食補給、耕地倒茬以及解決飼草料問題。玉米主要以飼用玉米為主，分布于畜牧業發展較好區域，為畜牧業提供基礎飼料。阿克蘇地區還是傳統水稻種植重點區域之一，主要分布于河道及地下水埋深較淺區域（圖9）。

4 討論與結論

4.1 討論

本研究采用決策樹分類法，分類精度最高為83%，高于前人用監督分類方法提取作物類型的整體精度（78%）[28]，說明本研究方法在提高分類精度上具有一定優勢。相較于前人研究大多采用單一數據源，本研究采用Landsat8和GF-1兩種影像數據，這在獲取NDVI時序時可防止由于影像缺失造成時間序列的斷裂，從而做到影像的相互補充，減少由于數據缺失造成的誤差[24]。在進行精度驗證時，本研究在前人研究基礎上[29-33]，采用混淆矩陣與面積總量精度相結合的方法，提高了方法的可靠性。

4.2 結論

本研究選用Landsat8和GF-1兩類衛星的多時相影像數據，利用積溫、土地利用現狀數據、NDVI、光譜特征等特征參數構建決策樹，對阿克蘇地區的作物種植結構進行分類提取，并采用混淆矩陣和面積總量精度進行驗證，結果顯示，分類總體精度為83%，Kappa系數為0.77，用戶精度都在72%以上，制圖精度在74%以上，面積總量精度平均都在80%以上，表明可以利用本研究方法在大區域對多種農作物進行分類。

阿克蘇地區南面光熱條件好，以種植棉花為主;北面水資源條件較優，主要種植玉米、小麥和水稻。該地區的作物種植充分利用了現有自然資源，布局合理。

4.3 展望

本研究中選用的是兩種中高分辨率的衛星影像數據，而隨著遙感技術的發展以及無人機技術的成熟，可以為研究者們提供更高分辨率的遙感數據，通過加入紋理、高度等植被信息，可以在進行分類研究時識別更多的農作物及更復雜的作物分布區域。

另外，在對分類結果進行驗證時，采用一定區域內實際調查獲得的作物面積信息，而不是通過統計資料獲得的數據進行比對，可以使精度驗證結果更加準確可靠。

參 考 文 獻：

[1]唐華俊，吳文斌，楊鵬，等. 農作物空間格局遙感監測研究進展[J]. 中國農業科學， 2010， 43（14）： 2879-2888.

[2]許青云，楊貴軍，龍慧靈，等. 基于 MODIS NDVI 多年時序數據的農作物種植識別[J]. 農業工程學報， 2014， 30（11）： 134-144.

[3]楊閆君，占玉林，田慶久，等. 基于 GF-1/WFV NDVI 時間序列數據的作物分類[J]. 農業工程學報， 2015， 31（24）： 155-161.

[4]Hao P， Wang L，Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification： case study in Xinjiang Uygur Autonomous Region， China [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 1-33.

[5]王利民，劉佳，楊福剛，等. 基于GF-1衛星遙感的冬小麥面積早期識別[J]. 農業工程學報， 2015， 31（11）： 194-201.

[6]游炯，裴志遠，王飛，等. 基于改進多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J].農業工程學報， 2016， 32（13）： 131-139.

[7]劉國棟，鄔明權，牛錚，等. 基于GF-1衛星數據的農作物種植面積遙感抽樣調查方法[J]. 農業工程學報， 2015， 31（5）： 160-166.

[8]Chen S， Li D， Huang S， et al. Establishment of remote sensing monitoring method and standard on winter planting crops：a case study in Leizhou Peninsula of south China[C]// The 4th International Workshop on Earth Observation and Remote Sensing Applications （EORSA）， IEEE， 2016：447-451.

[9]Pena M A， Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley，Chile[J]. Remote Sensing of Environment， 2015， 171： 234-244.

[10]謝登峰，張錦水，潘耀忠，等. Landsat8和MODIS融合構建高時空分辨率數據識別秋糧作物[J]. 遙感學報， 2015， 19（5）： 791-805.

[11]Skakun S， Kussul N， Shelestov A Y， et al.Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2016， 9（8）： 3712-3719.

[12]胡瓊，吳文斌，宋茜，等. 農作物種植結構遙感提取研究進展[J]. 中國農業科學， 2015， 48（10）： 1900-1914.

[13]歐文浩，蘇偉，薛文振，等. 基于HJ-1衛星影像的三大農作物估產最佳時相選擇[J]. 農業工程學報， 2010， 26（11）： 176-182.

[14]譚昌偉，楊昕，羅明，等. 以HJ-CCD影像為基礎的冬小麥孕穗期關鍵苗情參數遙感定量反演[J]. 中國農業科學， 2015， 48（13）： 2518-2527.

[15]譚昌偉，羅明，楊昕，等. 運用PLS算法由HJ-1A/1B遙感影像估測區域冬小麥理論產量[J]. 中國農業科學， 2015， 48（20）： 4033-4041.

[16]趙靜，李靜，柳欽火，等. 聯合HJ-1/CCD和Landsat8/OLI數據反演黑河中游葉面積指數[J]. 遙感學報， 2015， 19（5）： 733-749.

[17]Song R Z， Cheng T， Yao X， et al.Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat [C]// 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， IEEE， 2016： 6300-6303.

[18]Song X P， Hansen M， Potapov P， et al.Soybean area and yield estimation using MODIS and Landsat data in the Conterminous United States[C]//AGU Fall Meeting. 2015.

[19]Rudorff B F T， Batista G T. Wheat yield estimation at the farm level using Landsat TM andagrometeorological data [J]. Title Remote Sensing， 1991， 12（12）： 2477-2484.

[20]Siyal AA， Dempewolf J， Becker-Reshef I. Rice yield estimation using Landsat ETM+data [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 095986.

[21]歐陽玲，毛德華，王宗明，等. 基于GF-1與Landsat 8 OLI影像的作物種植結構與產量分析[J]. 農業工程學報， 2017， 33（11）： 147-156.

[22]新疆維吾爾自治區統計局.2017年新疆維吾爾自治區統計年鑒[M]. 北京：中國統計出版社，2017.

[23]張永紅，李星敏，葛徽衍，等. 基于GIS的棉花氣候適宜性區劃[J]. 陜西氣象， 2013（5）： 29-32.

[24]張淮棟，陳爭光，張成龍.基于高分二號-NDVI的大豆遙感估產的時相選擇[J].湖北農業科學，2018，57（6）：103-108.

[25]劉頊，張新華，王德錦，等. 基于積溫的山東省東阿縣夏玉米精細化農業氣候區劃[J]. 農業災害研究， 2016， 6（7）： 32-34.

[26]王森，張山清，王雪姣，等. 冬前積溫對新疆冬小麥適宜播期的影響[J]. 新疆農業科技， 2016（5）： 1-2.

[27]王秋菊，張玉龍，劉峰. 黑龍江省水稻品種跨積溫區種植的產量和品質變化[J]. 應用生態學報， 2013， 24（5）： 1381-1386.

[28]王利民，劉佳，楊福剛，等.冬小麥非監督分類結果的類別選擇研究[J].中國農學通報，2019，35（6）： 134-142.

[29]張煥雪，曹新，李強子，等.基于多時相環境衛星 NDVI 時間序列的農作物分類研究[J].遙感技術與應用，2015，30（2）：304-311.

[30]田海峰，鄔明權，牛錚，等.基于Radarsat-2 影像的復雜種植結構下旱地作物識別[J].農業工程學報，2015，31（23）：154-159.

[31]蘇偉，姜方方，朱德海，等.基于決策樹和混合像元分解的玉米種植面積提取方法[J].農業機械學報，2015，46（9）：289-295，301.

[32]馬麗，顧曉鶴，徐新剛，等.地塊數據支持下的玉米種植面積遙感測量方法[J].農業工程學報，2009，25（8）：147-151.

[33]許青云，楊貴軍，龍慧靈，等.基于MODIS NDVI多年時序數據的農作物種植識別[J].農業工程學報，2014，30（11）：134-144.