農作物種植面積遙感估算的影響因素研究

王 鑫

(三和數碼測繪地理信息技術有限公司，甘肅 天水 741000)

引言

隨著我國科學技術的快速發展，在農作物種植產量估算方面已經開始使用遙感技術。為了提高我國對農作物種植產量估計的準確度，相關部門將遙感技術引入其中，對農作物種植面積以及產量等進行估算，這樣不僅可以使相關工作效率得到提升，還可以使數據的精準度得到提升。但也存在對農作物種植面積遙感估算產生一定影響的因素。本文對遙感估算的影響因素進行全面探究，對豐富農作物種植面積遙感估算方面的知識具有理論性意義。

1 農作物種植面積遙感估算技術的研究方法

1.1 利用遙感技術進行農作物種植面積估算的工作流程

利用相關軟件來完成數據分類工作，并有效提取農作物的種植基地，將其當作實驗室研究數據，同時，將農作物種植面積的提取結果作為主要依據，來對每個樣區農作物種植數量或相關指標進行計算，并在農作物種植面積的基礎上，完成相應的估算工作，對影響農作物種植的主要因素進行全面分析，從而可以有效分析農作物種植面積與分辨率之間的關系。從相關研究中可知，農作物種植面積的遙感估算技術可能會出現一定的誤差現象，產生這樣現象的因素有許多，不僅包括種植的成數、種植的破碎度，還包括種植地塊的形狀指數以及空間分辨率[1]。

1.2 提取農作物種植地塊

在RapidEye影像得到有效利用的前提下，對相應的種植區域進行提取，并根據實地調查法，對農作物種植數據進行科學有效的分析，同時可以利用支持向量機、人工神經網絡等方法對農作物種植地塊的數據信息進行全面了解和掌握，以此來對種植面積的大概數據進行合理估算。除此之外，通過野外實測的方式，可以對相關樣本信息進行獲取，對該類信息進行分類，并完成相應的精度驗證等操作，從驗證結果中可知，支持向量機中探測的結果屬于最高的分類信息[2]。當數據的精準性相對較高時，可以為農作物種植面積之后的分析研究提供重要的數據支撐。

1.3 獲取多分辨率的影像序列

利用RapidEye影像可以獲取農作物種植面積的分布數據，通過相應的尺度拓展法，可以使數據采樣工作有效完成，還可以對不同分辨影響序列進行獲取。在開展估算工作時，需要合理化利用尺度拓展法。該種方法的內容十分豐富且完整，不僅包括中心像元法，還包括相應的雙線性內插法等，這些方法都是在遙感估算技術的基礎上，完成相應的發展和應用。在農作物種植面積估算工作中，應用頻率相對較高的方式有雙線內插法和最近鄰法，該類方法不僅便于操作，還可以使工作效率得到明顯的提升[3]。但需注意的是，該類方法在進行實際應用時，需要對尺度因子進行科學有效的控制，最好將其數值控制在5的范圍之內，同時，不可以將影像從高分辨率向低分辨率進行轉換，這樣才可以使該類技術的作用或價值得到充分發揮，以保證相關農作物產量估算工作得到順利完成。

2 農作物種植面積遙感技術估算的影響因素

2.1 農作物種植破碎度的影響

農作物種植破碎度指的就是集聚程度，我國國土面積相對較大，并且東西之間的跨度也很大，各個地區之間的地形地貌以及環境等都存在一定的差異性，這使得農作物種植狀況也存在明顯的不同。當某個地區的地形具有一定的復雜性，其農作物種植也相對復雜，這樣不僅使農作物種植工作的開展遇到較大的困難，還會嚴重影響農作物產量估算工作。對地勢平坦的地區來講，在開展農作物種植以及產量估算工作時，都比復雜地形區域容易得多。從相關研究人員的分析統計中可知，農作物種植破碎度和農作物產量估算精確度之間存在一定的關聯性，當該地區的農作物種植破碎度相對較低時，該區域的土地分布具有明顯的集聚性，這樣就會使農作物產量大幅度提升，從而使該區域的農作物產量估算精確度高于其它地區。反之，當該地區的地形具有明顯復雜性時，其在土地集聚方面會呈現明顯的降低，這就說明該土地種植破碎度相對較高，但該地區農作物產量估算精確度卻相對較低[4]。

2.2 農作物種植成數影響

將農作物種植破碎度和農作物種植成數相比可知，兩者之間存在明顯的不同，前者與農作物產量估算精確度之間存在反比例的關系，后者與農作物產量估算精確度之間存在正比例的關系。簡言之，當某個地區的農作物種植成數相對較高時，該地區的土地分布具有突出的集聚性，并且其地形具有簡單性，通常以平原為主，在這樣的條件下，該地區的農作物種植產量的估算精確度就會隨之提高。反之，當農作物成數相對較低時，該地區的地形就會相對復雜，并且土地分布非常分散，在這樣的條件下，該地區農作物種植產量的估算精確度就會出現明顯的降低[5]。

2.3 地塊形狀指數的影響

由于我國國土面積廣闊，我國的地形地貌千姿百態，各個地區的地形都不同。研究發現，一個地區的地塊形狀指數越高，這個地區農作物種植產量估計的精確度越低?？梢院唵蔚乩斫鉃榈貕K形狀指數與農作物種植產量估計精確度呈反比例關系。

2.4 遙感影像分辨率

當前，我國在開展農作物產量估算工作時，使用最為普遍的技術之一就是遙感技術，在利用該技術進行產量估算時，需要對遙感影像進行應用。對遙感影像進行仔細的觀察分析，可以使研究人員對各個區域農作物分布狀況進行了解和掌握，并可以對產量進行相應的簡單估算，通過實地調查的方式對相關數據進行獲取，將簡單估算和實地調查的數據進行對比，這樣兩者之間的不同可以清晰呈現，從而可以科學有效地修改簡單估算結果。遙感影像具有明顯的清晰性，這樣更容易讓研究人員進行觀察，從而使研究人員能夠對各個區域之間農作物分布情況的不同產生清晰認知[6]。當遙感影像的清晰度較低時，不僅會讓研究人員產生不良觀感，而且還會對農作物估算與分析工作產生一定的阻礙作用。由此可知，遙感影像分辨率和農作物產量估算之間存在密切的關系，兩者之間總體呈現正比例的關系，即當遙感影像分辨率不斷提高時，利用遙感技術來進行農作物產量估算時，估算精確度也會隨之提高。

2.5 多因素綜合影響

除了上述因素會對農作物種植面積遙感估算產生影響之外，還存在其它因素對農作物產量估算精確度產生影響。同時，影響因素之間還會相互影響，利用多因素回歸分析的方式來對其進行分析，可以獲得不同的影響模型，因此，在進行農作物產量估算工作時，還會受到多種因素的影響，相關研究人員不僅要對農作物種植破碎度、種植成數等因素進行重點分析，還要對其它綜合因素的影響進行全面考量，以此使遙感技術在農作物產量估算中的精確度得到大幅度的提升[7]。

3 實際案例分析

3.1 實驗區概況和數據源

3.1.1 實驗區概況

本文以某實驗區為例進行分析，該實驗區的中心位置地理坐標為E112°39′20″，N29°48′36″。該區域的氣候條件以亞熱帶濕潤氣候為主，年降水量大約在1300mm，四季的溫差比較明顯，年平均溫度在17℃左右。該區域的農作物以水稻和棉花為主，水稻作為主要糧食作物，按照種植結構可以分為2種，單季稻，其通常在6月進行種植，在9月份進行收割；雙季稻，早稻的生長期為5—7月，晚稻的生長期為7—11月。

3.1.2 數據源

在實驗區主要農作物種類以及遙感影像質量等基礎上，對相關的RapidEye影像進行選取，該段影像具有良好的清晰度，并且可以對實驗區的面積進行覆蓋，同時，該段影像中包含5段波譜范圍，第4段屬于紅邊波段。在成像時，雙季早稻處于抽穗期，單季稻處于移栽期，此時對早稻信息進行提取相對適宜[8]。

在對RapidEye影像進行處理時，采用的方式有以下幾種。輻射定標，該種方式的原理是對影像DN值進行轉變，使其不斷向大氣頂歸一化光譜反射率進行轉化，同時利用相關的FLAASH進行輔助，以此來使大氣校正工作有效完成。幾何糾正，其對實驗區影像進行分析和參考，并在此基礎上，對二次多項式方法進行應用，從而使RapidEye影像得到有效的幾何糾正。對相關的地面控制點進行選擇，使糾正誤差控制在合理范圍之內。除此之外，在對早稻進行提取時，可以對國土資源二調土地數據進行有效應用，也可以將野外樣方數據進行應用。

3.2 研究方法

3.2.1 技術路線

在RapidEye數據分類的基礎上，有效提取實驗區早稻種植地塊，將其當作實驗研究過程中的近似真值。將提取的早稻結果當作基礎，在尺度擴展的方式下，對不同分辨率的影像序列進行構建，同時將實驗區創設成1km×1km樣區，并對各個樣區中早稻相關指標進行計算，如種植成數等。對面積估算精確度和標準差進行統計，對影響作物的主要因素進行分析，同時需要對不同影響因素和農作物面積估算精確度之間的規律進行全面研究。對影像空間分辨率、主要影響因素以及農作物面積估算精確度之間的綜合影響模型進行構建，總體的技術路線如圖1所示。

圖1 各影響因素分析技術流程

3.2.2 獲取多分辨率影像序列

將尺度擴展法運用到RapidEye影像之中，使早稻種植地塊的分布數據得到重新的采樣，以此來對不同的分辨率影像序列進行獲取。使用頻率相對較高的尺度擴展方法有雙線性內插法、最近鄰法等，但是需要對尺度轉換因子和分辨率進行合理化控制。

3.3 結果與分析

3.3.1 種植成數影響

從實際研究中可知，當種植成數不斷升高時，種植面積的估算精確度也隨之升高，同時精確度也慢慢趨于穩定。當種植成數>60%時，相關估算精確度可以穩定在80%以上。但需注意的是，當種植成數<10%時，想要使面積估算精確度達到80%以上，不僅要使估算標準差無限接近于0，還要對分辨率>10m的遙感數據源進行應用。

3.3.2 種植破碎度的影響

當農作物種植破碎度處于較高狀態時，面積估算精確度會出現逐漸分散并且精確度不斷降低等現象，簡言之，當種植破碎度不斷降低時，面積估算精確度會慢慢變得更加穩定，當農作物種植不斷分散時，面積估算誤差會不斷的增加，當種植破碎度>0.8時，面積估算精確度幾乎都會<85%，此時如果想對估算精確度進行不斷提升，需要使估算標準差趨于0，并對空間分辨率>20m的遙感數據進行應用。當種植破碎度在1.2左右時，利用10m分辨率的數據也無法使面積估算精確度超過60%，這時要想對其估算精確度進行提升，需要對其它技術進行應用。

4 結論

從本文的論述中可得，由于技術水平的不斷提升，遙感技術開始逐漸應用于農作物種植產量估算工作之中，為了使估算精確度得到明顯提升，研究人員要對遙感技術以及遙感影像進行應用，并在此基礎上，對相關的種植產量進行估算。與此同時，還需要對相應的影響因素進行全面分析，使其對結果的影響不斷減弱，從而使農作物產量估算工作能夠順利的實施。