作物耕作節律與多時相遙感結合的山地耕地信息提取方法探索

武英潔，房世波

(中國氣象科學研究院，中國氣象局遙感與氣候信息開放實驗室，北京 100081)

【研究意義】山地是指在陸地表面高度較大，同時坡度較陡，呈隆起性的地貌，由于山地環境較為復雜且異質性較大，植被類型復雜多樣，山地耕地分布比例小、地塊小、破碎度大、斑塊化分布特征明顯。由于地塊破碎，植被類型復雜多樣，采用20～30 m中分辨率的遙感數據進行耕地分布和面積提取存在一些困難。而耕地是人類生存必不可少的基本資源，是社會發展的基礎，準確掌握耕地面積及其變化具有重要意義，當前中分辨率的Landsat系列、中巴資源衛星等由于歷史數據豐富和數據質量穩定而被廣泛應用到耕地面積及其變化的應用中，但如何提高應用中分辨率遙感影像提取復雜山地區耕地的精度是亟需研究的問題。【前人研究進展】目前應用遙感數據進行耕地提取的方法大致可以分為兩類[1-7]：一類是應用單景遙感影像，以耕地光譜特征為基礎，直接提取耕地信息，這類方法操作簡單，但由于不同植物的光譜特征相似，在多光譜分類中常存在同譜異物的問題，導致分類精度不高，無法適應地塊破碎、植被類型復雜多樣的復雜山地的耕地信息提取；另一類是應用多時相遙感影像，基于耕地作物的植被蓋度或植被指數的時間變化特征提取耕地信息或作物類型信息，但是復雜山區由于高程、坡度和坡向差異造成氣溫和降水空間變異質性大，導致氣候類型多樣，植被類型復雜多樣，且不同高程的作物物候也存在一定差異，加上山區地塊破碎，這增加了多時相遙感方法在復雜山地區應用的難度。【本研究切入點】作物耕作是基于當地氣候特征多年實踐的結果，每種農作物都有一定的農耕季節和耕作時間，且這種耕作農時在一定時期存在每年重復的特征，即每年差不多在固定的時令，在裸地上進行播種，而播種后每種作物在差不多固定的時令開花、結果、成熟和收割，這種規律性的耕作節律導致每種作物在植被蓋度和植被指數上都有自己周期性的曲線，如何將這種作物耕作節律與多時相遙感結合，進行復雜山地區的耕地信息提取是一個需要進一步研究的問題。另外，這種結合耕作節律和多時相遙感的多源信息能在多大程度上提高復雜山地區的耕地分布的提取精度，須要通過實例來具體分析。【擬解決的關鍵問題】本文在前人研究的基礎上，以植被覆蓋率較高的復雜山區四川省會理縣為研究區，首先分析了該地區主要作物的耕作節律特征，然后在此基礎上結合影像數據的云量情況選擇可區分各類作物的典型時間的Landsat影像，并分析各時間的地表覆被情況，最后基于地表覆被NDVI的時間序列變化特征，采用監督分類的方法成功提取了研究區的耕地信息，并對分類結果進行了精度評價和簡要分析。

1 研究區概況

四川省會理縣(26°5′～27°12′N，101°52′～102°38′E)位處四川省西南，位于四川省涼山彝族自治州最南端，總面積4509 km2。會理縣境內山巒起伏，河流縱橫，溝谷相間，地勢北高南低，屬中亞熱帶西部半濕潤氣候區，森林覆蓋面積廣，約占總面積的38 %，地形以山地、丘陵、平壩為主，其中山地約占幅員面積的40 %，是復雜山區的典型代表。

2 研究方法

2.1 研究區作物耕作節律分析

通過綜合分析2017年四川省西昌、冕寧和昭覺農業氣象觀測站站點觀測的作物發育期數據，可以得到四川省作物生長發育的一般規律。從表1可以看出，四川省主要種植作物為小麥、大麥、玉米、水稻、馬鈴薯、煙草，隨季節的變化耕地種植作物及其生育期變化顯著。

2.2 多時相遙感數據選擇及其預處理

根據上面的作物生長及其耕作信息的季節變化和時間節律，進行遙感數據時相的確定，時相選擇原則是通過幾個時相的變化差異，可以準確的區分耕地和非耕地信息。根據這一原則，最終確定以Landsat 8多光譜圖像為數據源，選用2016年4月3日、6月6日及8月25日3期影像，單景影像平均云量均小于30 %。該數據為L1T標準地形糾正產品，經過系統輻射校正和地面控制點幾何校正，并且通過DEM進行了地形校正，地圖投影為UTM-WGS84 6°分帶投影坐標系。此外，本文應用了會理縣行政邊界數據及部分研究區2016年5月8日GF-2衛星1A數據。對于選取的Landsat 8多光譜圖像首先采用FLAASH的方法進行大氣校正，然后將Landsat 8數據和GF-2數據進行配準。

表2 地物圖像特征

耕地的遙感圖像特征與種植的農作物及其耕作和季節變化密切相關，因此耕地遙感圖像隨季節的變化非常顯著。四川省會理縣耕地多種植一季稻，部分耕地為冬小麥、大麥-玉米或冬小、大麥-煙草輪作，研究區內除耕地外的主要地物類型有：水體、建筑物、林地和裸巖等低植被覆蓋地。從表2可以看出，耕地與非耕地的差異信息明顯，3個典型時相可以多次將多個類型不同植被覆蓋的地物區分開，從而提高了分類的精度，減少了誤分的可能。

2.3 不同地物植被信息在3個時相的差異及其特征提取

對于植被的研究，目前應用最廣泛的植被指數是歸一化植被指數(NDVI)[8]，它是表征地表植被特征的重要手段，在植被分類、區域土地覆蓋分類及其變化、作物長勢檢測及物候檢測、自然災害監測等方面都得到了廣泛的應用[9]。由于地表地物的植被覆蓋情況在時間序列上有著明顯的變化規律，則其對應遙感影像計算所得的NDVI隨時間的變化情況也具有明顯的規律性，圖1為研究區域分類的主要土地覆蓋類型的NDVI時間序列示例。根據地物覆蓋在時間序列覆蓋的特征規律，為表2中所展示的每種土地覆蓋地物類型選擇10個純像素，并根據GF-2影像驗證其土地覆蓋類型。從圖中可以看出不同地物的NDVI時間變化序列相差較大，整體而言，耕地的NDVI值變化較大，而其他地物變化較平緩。其中，水體的NDVI值為負值，林地全年的NDVI值都偏高，未利用地和建筑物的NDVI值均在0.3以下。耕地由于不同時間地表覆蓋地物有所不同，NDVI變化較大。因此可以利用耕地與其他地物之間NDVI變化的差異，采用目視解譯與監督分類相結合的方法提取出研究區的土地利用類型信息。

圖1 研究區域分類的主要土地覆蓋類型的NDVI時間序列示例

圖2 訓練集與測試集分布情況

2.4 耕地信息提取

由于Landsat 8數據分辨率比較低，造成了地物識別的困難，因此通過目視解譯GF-2數據，來判別地物的類型，提高所構選的感興趣區域的準確性，進而提高分類的精度。本文共勾選樣本84個，其中耕地的樣本有49個，各類型地物勾選的樣本均為純凈像元，如圖2所示。利用選取的各類地物的樣本，應用支持向量機的方法監督分類4月3日、6月6日及8月25日3個時期的NDVI合成圖，從而得到該區域的土地利用類型信息。

3 結果與分析

3.1 精度評價

通過目視解譯GF-2影像選擇檢驗樣本對分類結果進行精度評定，共勾選驗證樣本97個，驗證樣本的分布情況如圖2中所示。從表3可知，冬小麥、大麥-煙草輪作耕地的生產者精度最高為95.45 %，種植一季稻的耕地分類結果的生產者精度最低為79.63 %，種植一季稻的用戶精度最高為87.76 %，部分地區種植未知作物的耕地用戶精度最低為53.85 %。整體而言，生產者精度大于用戶精度，由此說明各類耕地分類基本已被全部分出，但由于受到云等其他因素的影響，致使將其他地物類型錯分為耕地。

將提取的耕地同高分二號影像數據進行對比，由圖3可見，耕地集中分布區域和零散分布區域提取結果均較為準確。但是由于Landsat8數據分辨率為30 m，遠低于高分二號影像數據，所以提取結果在邊緣處會存在一些誤差。在耕地集中分布地區混合像元中耕地所占比例較大，會將一些居民地錯分為耕地，在耕地零散分布區域，混合像元中耕地所占比例較小，會漏分部分耕地。總體而言，耕地提取結果與實際情況基本吻合，分類效果較好。

表3 各耕地類型分類精度

圖3 結果驗證對比

3.2 耕地信息提取結果

根據不同地物NDVI的時序特征，將四川省會理縣耕地提取出來，具體分布情況如圖4所示。由于會理縣地處山區，耕地分布較為零散，圖4很好的體現這一特點。統計得出四川省會理縣耕地各類型用地面積(表4)，該縣耕地總面積為1371.21 km2，約占該縣總面積的30 %。其中，種植一季稻的耕地面積最大，為749.21 km2，占耕地面積的54 %。冬小麥、大麥-玉米和冬小麥、大麥-煙草輪作的耕地面積接近。2016年陳傳華等應用Landsat影像采用基于規則的面向對象分類的方法分析統計了2000-2015年會理縣的地表覆蓋情況，統計得知2015年會理縣耕地總面積約為1250 km2 [10]，與本文所得結果與之接近，由此說明了本文耕地信息提取效果良好。

表4 各耕地類型面積統計

圖4 2016年四川省會理縣耕地分類

4 結論與討論

本文根據耕地與其他地物在植被覆蓋時間序列變化上的區別，基于多時相遙感影像，提出了一種作物耕作節律與多時相遙感結合的耕地信息遙感提取方法。為驗證提取精度，本文應用該方法，結合多時相Landsat 8中分辨率遙感影像和GF-2高分辨率影像，采用監督分類的方法，對四川省會理縣進行分類，成功提取了該地區的耕地。并對提取耕地進行了面積和空間兩方面的驗證，結果表明耕地提取結果與實際情況基本吻合，由此說明該方法應用于復雜山區中耕地的提取是可行的。運用作物耕作節律與多時相遙感結合的方法提取耕地信息速度快，且結果具有一定的現勢性和較高的準確性，可以滿足耕地利用及管理中對耕地信息適時獲取的要求，可以應用于對歷史耕地矢量數據中地塊錯分進行修正、更新漏分問題等。

耕地上的植被覆蓋是一個變化的過程，采用單一影像提取耕地的不確定性較大[11]。同時由于氣候原因，很難獲得完全無云的遙感圖像數據[12]。四川省多云天氣尤為多，這成為獲取適宜遙感數據源的瓶頸。本研究以作物耕作節律為基礎，結合一年中關鍵時期的多幅遙感影像來提取耕地，在受到云的影響下分類結果整體精度較高，也存在部分地物錯分為耕地的情況，后期可以考慮結合前后兩年的遙感影像進行分析以降低云所產生的影響[13]。北方地區相對而言晴朗天氣較多，可以獲取到更多適合時期的遙感影像，構成邏輯性更強的NDVI時間序列，應用本文所提出的方法可以提取得到分類精度更高且更詳細的耕地分布，為耕地的管理及合理利用提供更大的幫助。