基于時空遙感影像融合的河套灌區作物提取

陳 亮，楊 陽，宋 偉，盧 欣，申 源

（黃河水利委員會信息中心，河南 鄭州 450004）

掌握灌區種植結構是灌區用水精細化管理的基礎，準確、快速獲取作物面積和分布信息，精確計算作物需水量，可為合理編制灌區用水計劃和優化配置水資源提供科學支撐。 傳統的種植結構調查主要依靠地方逐級上報和實地抽樣調查，費時費力，且數據可靠性難以保證［1-3］。 遙感技術已逐漸成為灌區種植結構調查的重要手段。 目前，常用的灌區作物面積提取方法包括監督分類法和非監督分類法，監督分類法分為最大似然法、決策樹分類、支持向量機、隨機森林分類和面向對象分類等，非監督分類法分為 IsoData 法、K-Means 法等［4-5］。在實際分類過程中有時會根據遙感影像數據源和作物實際情況，結合多種方法進行作物提取［6］。

基于面向對象分類的灌區作物提取采用的主要遙感數據源包括高空間分辨率的單一時相影像、高重訪周期的多時相影像。 高空間分辨率的單一時相影像可以準確反映地塊空間結構，減小低分辨率混合像元造成的提取誤差，提高作物地塊邊界信息提取的準確性。蔡耀君等［7］利用5 m 空間分辨率的Rapid Eye 影像進行了喀斯特地區洼地作物面向對象的信息提取規則研究。 單治彬等［8］基于面向對象分類技術，利用國產GF-1 PMS遙感影像進行寧夏特色作物遙感調查方法研究。 但是在大范圍作物提取時，由于作物種類較多，單一時相影像常常無法準確獲取各類作物最佳識別期，導致提取效果不佳［9］。 利用多時相影像構建時序遙感數據，可以反映不同時期作物的物候變化特征，克服單一時相影像作物提取存在同物異譜、同譜異物的現象，提高提取精度。 MODIS、HJ-1A／B、Landsat TM／OLI、GF-1 WFV、Sentinel -2 等具有較高重訪周期的影像是進行多時相作物提取的主要數據源，均取得了較好分類結果［10-15］。 近年來，一些學者嘗試采用單一時相高空間分辨率影像進行地塊圖斑分割，再利用多時相影像進行作物分類識別［4，16］，該方法在影像分割和分類過程中分別采用不同數據源，未能在分類中充分利用高空間分辨率影像和多時相影像的優勢。 本文利用時空影像融合技術，對2 m 空間分辨率高分系列衛星影像和經時相優選的10 m 空間分辨率Sentinel-2 多時相衛星影像進行融合，基于融合影像進行面向對象的分類圖斑分割和作物類型識別，以期為河套灌區水資源高效管理提供可靠的種植結構數據。

1 數據獲取

河套灌區位于內蒙古自治區西部，是全國3 個特大型灌區之一，是國家重要的商品糧、油生產基地。 灌區設計灌溉面積為73.3 萬hm2，有效灌溉面積57.4 萬hm2，包括一干灌域、解放閘灌域、永濟灌域、義長灌域、烏拉特灌域。 灌區屬于溫帶大陸性氣候區，多年平均降水量、水面蒸發量分別為160、2 240 mm，主要依靠引取黃河水灌溉農田。 灌區主要作物類型有小麥、玉米、葵花、蔬菜等。

本文以2 m 高空間分辨率和10 m 空間分辨率多時相衛星遙感影像為數據源。 2 m 高空間分辨率遙感影像采用中國資源衛星應用中心的GF-1B、GF-1D、GF-6 高分系列衛星的全色影像，采集了2019年7月12 日、8月 18 日、8月 30 日 GF-6 影像 4 景，7月 26 日GF-1B 影像 2 景，4月 1 日、7月 25 日、8月 2 日、8月6 日 GF-1D 影像 4 景，其中 4月 1 日 GF-1D 影像用于灌區局部邊緣區域補縫。 10 m 空間分辨率多時相遙感影像采用Sentinel-2 多光譜影像，從歐空局數據中心下載，影像拍攝時間基本覆蓋作物主要生長期，具體日期為 2019年 5月 2 日、5月 22 日、6月 1 日、6月 16日、6月 29 日、7月 31 日、8月 15 日、8月 24 日、9月29 日。

采用ENVI 軟件Flaash 大氣校正模塊對高分系列衛星的全色影像進行大氣校正，采用歐空局Snap 軟件對Sentinel-2 多光譜影像進行大氣校正。 在大氣校正基礎上，對全色影像進行正射校正，校正誤差控制在1 個像元以內。 正射影像采用UTM WGS84 投影坐標系統，與Sentinel-2 影像相一致。

2 研究方法

2.1 灌區主要作物物候特征

河套灌區主要作物生育期為4月上旬至9月下旬，不同區域生育期稍有差異。 本文主要對小麥、玉米、葵花和蔬菜的生育期進行分析，其中蔬菜以典型西葫蘆為例，河套灌區主要作物物候期見表1。 各作物的播種期、生長關鍵期、成熟期時間節點及長短存在差異，其中小麥最早播種、最早成熟，葵花最晚播種、最晚成熟；玉米生育期最長，蔬菜生育期最短；作物物候期差異為多時相遙感作物提取奠定了基礎。

表1 河套灌區主要作物物候期

2.2 作物NDVI 時序變化特征分析

作物生長過程可以采用NDVI時序數據反映。 利用Sentinel-2 影像計算作物生長期NDVI，結合野外查勘資料選取小麥、玉米、葵花、蔬菜等作物，以及林地、草地（天然）、建筑（含裸地）、水體等其他地物典型樣本進行NDVI時序變化特征分析（見圖1）。

圖1 作物及其他地物NDVI 時序變化情況

作物生長期主要作物NDVI時序變化特征明顯，各類作物都具有明顯的NDVI峰值（為0.8 左右）。 小麥5月初NDVI值較小，5月下旬至6月底達到峰值，7月大幅降低。 玉米5月NDVI值較低，6月初開始顯著增大，6月底接近峰值，8月中旬達到峰值，8月下旬開始下降，9月大幅下降。 葵花5月初至6月中旬NDVI值較低，6月下旬開始上升，7月底接近峰值，9月大幅下降。 蔬菜5月NDVI值較低，6月快速增大至峰值，7月NDVI值大幅降低。

非作物類型表現出與作物不同的時序變化特征。水體NDVI值都為負值，建筑NDVI值變化不大且保持在 0.05 左右。 草地 5月至 6月NDVI值緩慢上升，8月至9月緩慢減小，NDVI峰值為0.4 左右。 林地NDVI值整體變化趨勢與草地基本一致，但較草地大，峰值為0.7 左右。

根據各類地物NDVI時序變化特征分析，選取NDVI值差異較大的 5月 22 日、6月 29 日和 8月 15 日3 期遙感影像組合進行作物提取。

2.3 時空影像融合

影像融合常用于高空間分辨率遙感影像與多光譜影像，充分結合高空間分辨率遙感影像的空間細節信息和多光譜影像的波譜信息獲取高空間分辨率多光譜影像。 Gram-Schmidt 方法生成的融合影像不僅具有高空間分辨率，而且保持了低空間分辨率影像的光譜特性，且信息失真小，能夠較好地平衡空間分辨率和光譜分辨率［17-18］。 本文采用 Gram-Schmidt 方法，將時相優選的 5月 22 日、6月 29 日、8月 15 日 3 期Sentinel-2影像分別與2 m 高空間分辨率遙感影像進行融合，見圖2。 利用融合影像計算高空間分辨率NDVI，并將3期NDVI值進行波段疊加，生成時空融合影像，如圖2（e）所示。 時空融合影像的高空間分辨率可以準確反映地塊空間結構，提高種植類型多樣和田塊破碎地區的作物地塊邊界信息提取的準確性；同時融合了多時相物候信息，不同作物類型在影像上具有不同的顏色，顯著增強了作物區分能力。

圖2 原始影像及時空融合影像

2.4 信息提取

面向對象分類方法以多尺度分割為基礎，根據分割生成圖斑對象的屬性信息，采用模糊邏輯分類方法實現類別信息的自動提取，有效克服了基于像元分類中產生的椒鹽現象［19］。

2.4.1 影像分割

本文選用分水嶺分割算法對時空融合影像進行分割，主要分割參數設置如下：合并規則為 Color-Texture，形狀因子權重為0.99，邊界強度為1，緊致度權重為0.3，合并尺寸為50。 通過多次試驗，反復對比，確定最優影像分割尺度為85。 時空融合影像分割圖斑結果見圖2（f）。

2.4.2 作物提取

基于時空融合影像多尺度分割和作物NDVI時序變化特征分析結果，構建分類決策樹，結合灌區用水管理需求將作物分為小麥、玉米、葵花、蔬菜、林地及其他5 種類型。 分類決策樹構建過程如下：

第一層，通過對 5月 22 日、6月 29 日、8月 15 日 3期影像NDVI設置閾值，將耕地與天然草地、水體、建筑、裸地等區分開，提取耕地。

第二層，利用小麥生長關鍵期5月22 日NDVI明顯高于其他作物、8月15 日收割后NDVI明顯降低的峰谷特點，將小麥從耕地中提取出來。

第三層，8月15 日玉米和葵花NDVI都接近峰值，而5月22 日NDVI都處于較低值，利用兩期NDVI差值和峰值特征將玉米和葵花從非小麥中提取出來。

第四層，6月 29 日玉米處于拔節期，其NDVI較大，而葵花處于出苗期、NDVI較小，設定閾值將兩者分開；蔬菜在6月下旬NDVI出現峰值，而林地生長期NDVI相對比較平穩，根據蔬菜NDVI峰值特征將其提取出來。

河套灌區作物提取具體分類規則見圖3。

圖3 作物分類決策樹

3 結果與分析

3.1 精度評價

根據野外查勘點結合作物多時序遙感影像人工目視解譯產生的400 個樣本點對分類結果進行精度評價，結果見表2。 總體精度可以衡量遙感分類整體評價效果，總體精度為94.8%，Kappa 系數為0.921。 分類結果中，由于玉米和葵花物候特征十分相近，部分長勢較差的玉米與長勢較好的葵花產生混分。 蔬菜、林地及其他的地塊相對破碎，部分圖斑無法得到有效分割，產生了一些漏分和誤分。

表2 分類結果混淆矩陣

3.2 種植結構分析

根據作物提取結果（見圖4），2019年河套灌區小麥、玉米、葵花、蔬菜、林地及其他的面積占比分別為4.3%、26.3%、50.3%、9.2%、9.9%。 小麥大部分分布在解放閘灌域中西部、永濟灌域中部和義長灌域北部；玉米主要分布在黃河沿岸和義長灌域北部；葵花幾乎遍布整個灌區；蔬菜和林地零散分布在灌區內。

圖4 2019年河套灌區作物提取結果

4 結 論

本文在對河套灌區作物NDVI時序變化特征進行分析的基礎上，選取最佳時相影像進行時空影像融合并進行作物提取，得到如下結論。

（1）通過灌區主要作物物候及其Sentinel-2 多時相NDVI時序數據特征分析，選取典型作物物候特征差異大的時相組合，利用Gram-Schmidt 方法進行時空影像融合，融合影像能夠有效增強作物的區分能力。

（2）基于時空影像融合成果進行圖斑分割，結合作物物候差異構建決策樹分類規則進行灌區作物提取，分類總體精度為94.8%，Kappa 系數為0.921。

（3）2019年河套灌區各類作物中，葵花種植面積最大，約占灌區種植面積的1／2；小麥種植面積最小，僅占灌區種植面積的4.3%。