馮美臣,楊武德

(山西農(nóng)業(yè)大學(xué) 農(nóng)學(xué)院,山西 太谷030801)

隨著遙感技術(shù)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估測(cè)上的應(yīng)用越來(lái)越廣泛,估測(cè)精度的提高成為了研究重點(diǎn),其中農(nóng)作物種植面積的提取成為產(chǎn)量估測(cè)研究的關(guān)鍵。農(nóng)作物種植面積的提取是在收集分析不同農(nóng)作物光譜特征的基礎(chǔ)上,進(jìn)行農(nóng)作物類(lèi)型的遙感識(shí)別,統(tǒng)計(jì)農(nóng)作物的種植面積。農(nóng)作物的識(shí)別主要是利用綠色植物獨(dú)特的波譜反射特征,將農(nóng)作物與其它地物區(qū)分開(kāi)[1]。并通過(guò)建立統(tǒng)計(jì)模型,來(lái)估測(cè)冬小麥面積。

王乃斌、陳仲新等利用Landsat數(shù)據(jù)進(jìn)行了冬小麥、玉米、水稻等作物面積的提取[2～5]。Lau等利用多時(shí)相SPOT-XS影像進(jìn)行作物的識(shí)別和種植面積的提取[6～8]。Lenngton等[9]首先利用陸地衛(wèi)星數(shù)據(jù)的混合像元分解進(jìn)行了作物種植面積提取的實(shí)驗(yàn)。Mahesh等[10]利用決策樹(shù)分類(lèi)方法結(jié)合Boosting算法提取農(nóng)作物種植面積,分類(lèi)精度可以達(dá)到84.5%。Giorgio等[11]把統(tǒng)計(jì)方法和神經(jīng)網(wǎng)絡(luò)法結(jié)合起來(lái)提取農(nóng)作物種植面積,研究表明與單一分類(lèi)器相比,此方法能較好地提高分類(lèi)精度。Hoekman等[12]采用一種新的偏振測(cè)定分類(lèi)方法從不同的作物中提取小麥,提取精度達(dá)到96%。Murthy等[13]利用多種分類(lèi)方法用多時(shí)相遙感衛(wèi)星影像來(lái)提取小麥種植面積,提取結(jié)果表明仿真神經(jīng)網(wǎng)絡(luò)方法明顯優(yōu)于其它分類(lèi)方法。

本研究側(cè)重于不同方法的比較分析,利用多種方法對(duì)遙感圖像增強(qiáng),分析冬小麥面積提取的最佳時(shí)相,采用多分類(lèi)器比較的方法提取研究區(qū)冬小麥種植面積及空間分布,并結(jié)合GIS進(jìn)行二次目視解譯,消除分類(lèi)時(shí)出現(xiàn)的多分和漏分現(xiàn)象,以期為大范圍冬小麥種植面積的提取和監(jiān)測(cè)打下基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)域自然概況

本研究以山西省晉中市、臨汾市和運(yùn)城市三個(gè)地區(qū)為研究對(duì)象。整個(gè)研究區(qū)位于山西省的中南部 ,北緯 35°02′～ 38°06′,東經(jīng) 110°23′～ 114°05′之間。種植的農(nóng)作物主要有冬小麥、玉米、棉花、大豆等,其中晉中地區(qū)冬小麥主要分布在西部平原區(qū)縣,臨汾、運(yùn)城地區(qū)冬小麥主要分布在臨汾、運(yùn)城盆地,部分冬小麥分布于丘陵和垣臺(tái)地區(qū),為山西省冬小麥重點(diǎn)產(chǎn)區(qū)。

1.2 TM數(shù)據(jù)預(yù)處理

利用ENVI軟件提供的地理坐標(biāo)定位的Mosaicking方法進(jìn)行圖像鑲嵌處理,并利用Feathering功能進(jìn)行邊緣羽化。TM遙感影像的大氣校正采用大氣校正模塊FLAASH進(jìn)行處理。利用研究區(qū)1∶100 000地形圖進(jìn)行TM 遙感影像幾何校正(最鄰近點(diǎn)法),然后利用地面實(shí)測(cè)的地面控制點(diǎn)(利用手持式Tato108 GPS型定位導(dǎo)航儀測(cè)定)對(duì)圖像采用三次卷積內(nèi)插法進(jìn)行重采樣幾何精校正,確保其誤差小于一個(gè)像元。并利用研究區(qū)矢量圖進(jìn)行圖像裁剪。

2 結(jié)果與分析

2.1 冬小麥種植面積提取最佳時(shí)相選擇

種植面積提取的最佳時(shí)相遙感圖像的選擇是農(nóng)作物估產(chǎn)中的關(guān)鍵環(huán)節(jié)之一[14]。冬小麥種植區(qū)光譜信息與其他地物的最大區(qū)別是冬小麥種植面積遙感估算的依據(jù)。因此,農(nóng)作物物候歷的種間差異成為進(jìn)行作物識(shí)別最佳時(shí)相選擇的常用依據(jù)。在選擇最佳時(shí)相時(shí),必須了解各種作物的物候期,通過(guò)對(duì)同一地點(diǎn)不同作物物候歷的比較,即可確定該地識(shí)別作物的最佳時(shí)相。

根據(jù)本試驗(yàn)的設(shè)計(jì)要求,時(shí)相的選擇必須考慮山西省晉中、晉南地區(qū)主要種植作物的物候歷(如表1)對(duì)不同作物加以區(qū)別,將冬小麥與其他作物的光譜差異最大的時(shí)期定義為冬小麥種植面積估算的最佳時(shí)相。因此通過(guò)分析比較冬小麥生長(zhǎng)期間的物候歷,確定冬小麥面積遙感估算的最佳時(shí)相。

從表1可以看出,從3月下旬到4月中旬研究區(qū)冬小麥處于拔節(jié)-孕穗期,生長(zhǎng)旺盛,而玉米、大豆、棉花等作物此時(shí)剛播種完或還未播種,油菜處于開(kāi)花期,對(duì)冬小麥光譜不會(huì)造成影響。同時(shí)考慮遙感影像的質(zhì)量,選擇2007年4月8日作為本研究種植面積提取最佳時(shí)相。

表1 研究區(qū)主要農(nóng)作物物候歷Table 1 Phenology of main crops in study area

2.2 冬小麥種植面積提取結(jié)果

為了對(duì)冬小麥種植面積監(jiān)測(cè)取得最理想的效果,因此必須采用多種手段、多種方法,以求得滿(mǎn)意的效果。各種分類(lèi)方法所選用的參數(shù)分別如下:Mahalanobis Distance(最大距離誤差為3),Spectral Angle Mapper(最大角度為0.1),Maximum Likelihood(可能的閾值為25),Minimum Distance(最大距離誤差為3,距平最大距離為3),Parallelepiped,Isodate(最大距離誤差為20,距平最大距離為20),K-Means(最大距離誤差為20,距平最大距離為20)。將分類(lèi)后的結(jié)果利用計(jì)算混淆矩陣與地面真實(shí)感興趣區(qū)(ROI)進(jìn)行比較分析,結(jié)果如表2所示。從表中可以看出各種分類(lèi)方法均無(wú)多分現(xiàn)象,其中Minimum Distance分類(lèi)法分類(lèi)效果最差,在257個(gè)像元中僅有26個(gè)像元被分類(lèi)為冬小麥,漏分率達(dá)到了89.88%。Mahalanobis Distance分類(lèi)法分類(lèi)效果比較理想,漏分率僅為4.28%。

表2 多種分類(lèi)方法混淆矩陣比較Table2 Confusion matrix comparative analysis of many classification methods

為了更進(jìn)一步研究Mahalanobis Distance分類(lèi)法,本研究進(jìn)行了對(duì)比試驗(yàn),發(fā)現(xiàn)最大距離誤差(閾值)為2.9時(shí)分類(lèi)效果最佳。但也存在小部分漏分或多分,因此需要對(duì)分類(lèi)后圖像進(jìn)行進(jìn)一步的目視解譯,這一過(guò)程主要是利用分類(lèi)結(jié)果生成的冬小麥種植面積矢量圖層在ArcGIS中疊加TM遙感圖像來(lái)實(shí)現(xiàn),逐個(gè)圖斑交互地目視修正解譯的結(jié)果。對(duì)不屬于冬小麥的圖斑通過(guò)鼠標(biāo)操作從分布圖中刪除,對(duì)沒(méi)有分出的部分則目視繪出其圖斑界線(xiàn),生成最終的面積矢量圖,在ENVI中制作成掩膜,對(duì)TM 圖像進(jìn)行裁剪,從而得到冬小麥空間分布圖,如圖1所示。利用分類(lèi)后提取的冬小麥種植面積統(tǒng)計(jì)其所占像元數(shù),乘以每一像元所代表的實(shí)地面積,得到2007年研究區(qū)域冬小麥遙感監(jiān)測(cè)面積為560 650 hm2。

2.3 遙感監(jiān)測(cè)冬小麥種植面積精度檢驗(yàn)

為了驗(yàn)證本研究的分類(lèi)結(jié)果精度,利用山西省農(nóng)業(yè)推廣站提供的2007年冬小麥種植面積統(tǒng)計(jì)數(shù)據(jù)分別進(jìn)行三個(gè)地區(qū)冬小麥種植面積提取精度檢驗(yàn),檢驗(yàn)結(jié)果如表3所示。

圖1 冬小麥空間分布圖Fig.1 Spacial distribution image of winter wheat in study area

從表中可以看出,研究區(qū)域2007年冬小麥遙感監(jiān)測(cè)的播種面積為560 650 hm2,其中晉中播種面積為28 951 hm2,臨汾為234 778 hm2,運(yùn)城為296 921 hm2。因此利用遙感監(jiān)測(cè)冬小麥的總種植面積精度達(dá)到了95.23%。晉中地區(qū)冬小麥提取精度最低,僅為 83.19%,遠(yuǎn)小于臨汾和運(yùn)城地區(qū)。這主要是由于晉中冬小麥多分布于平川地區(qū),部分旱地分布于丘陵地區(qū),同時(shí)多分散種植,呈條帶狀,少有較大面積分布。因此在面積提取的過(guò)程中難免會(huì)出現(xiàn)“混合像元”、“同物異譜”的問(wèn)題,最終導(dǎo)致該地區(qū)水地冬小麥面積提取精度最低。因此導(dǎo)致了其種植面積精度遠(yuǎn)小于其它兩個(gè)地區(qū)。臨汾和運(yùn)城地區(qū)冬小麥總種植面積提取精度都達(dá)到91%以上,運(yùn)城地區(qū)更達(dá)到了97.55%。

表3 冬小麥種植面積及精度檢驗(yàn)/hm2Table 3 Planting area and precision of winter wheat

冬小麥實(shí)際分布位置的準(zhǔn)確性用空間精度來(lái)進(jìn)行檢測(cè)[15],利用GPS采樣點(diǎn)制成的點(diǎn)圖層與冬小麥空間分布圖和校正后的TM遙感圖像疊加進(jìn)行空間分布精度檢驗(yàn),結(jié)果表明冬小麥空間分布與TM遙感圖像所顯示的基本一致。冬小麥種植面積提取精度基本能滿(mǎn)足本研究的需求,由此可以表明上述遙感影像的處理是比較準(zhǔn)確的。

3 結(jié)論與討論

本文探討了利用最佳時(shí)相的TM數(shù)據(jù)進(jìn)行冬小麥面積提取,在利用計(jì)算機(jī)自動(dòng)提取過(guò)程中借助GIS平臺(tái)進(jìn)行目視解譯,引入判讀人員的知識(shí),提取前進(jìn)行初步目視解譯,得到冬小麥可能種植區(qū)域圖像,再應(yīng)用分類(lèi)器進(jìn)行分類(lèi),可以極大地減少工作量,提高分類(lèi)效率。通過(guò)多種分類(lèi)器進(jìn)行分類(lèi)比較,發(fā)現(xiàn)Mahalanobis Distance分類(lèi)法分類(lèi)效果較好,當(dāng)閾值(最大誤差距離)為2.9時(shí)分類(lèi)效果最佳,漏分率僅為4.28%。人機(jī)交互提取方法可以借助于實(shí)況信息的支持,充分利用專(zhuān)家經(jīng)驗(yàn)、人工智能,從而使提取結(jié)果具有較好的精度保障。

在圖像處理過(guò)程中,數(shù)據(jù)量十分龐大,既包括各種地理基礎(chǔ)地圖,土地利用圖,TM、MODIS遙感圖像,又有通過(guò)各種處理手段獲取的新的信息、數(shù)據(jù)和圖像,數(shù)據(jù)量是以GB為單位的。因此,利用ENVI作為圖像數(shù)據(jù)變換的平臺(tái),運(yùn)用GIS作為數(shù)據(jù)處理和分析的中樞,可以有效地管理、支持各種來(lái)源的海量數(shù)據(jù)的交換和運(yùn)算,提高工作效率。

[1]周成虎,駱劍承,劉慶生,等.遙感影像地學(xué)理解與分析[M].北京:科學(xué)出版社,1999,44-47.

[2]王乃斌,覃平,周迎春.應(yīng)用TM圖像采用模式識(shí)別技術(shù)自動(dòng)提取冬小麥播種面積的研究[J].遙感技術(shù)與應(yīng)用,1993,8(4):1-7.

[3]陳仲新,劉海啟,周清波,等.全國(guó)冬小麥面積變化遙感監(jiān)測(cè)抽樣外推方法的研究[J].農(nóng)業(yè)工程學(xué)報(bào),2000,16(5):126-129.

[4]Chen Zhongxin,Stato S U.Estimating winter wheat acreage using remotely sensed imagery with sub-pixel classification algorithm[R].Nippon Shashin Sokuryo Gakkai Gakujutsu Koenkai Happyo Ronbunshu.2000,19-22.

[5]Baban SM,Luke C.Mapping agricultural land useusing retro spectiveground referenced data,satellite sensor imagery and GIS[J].International Journal of Remote Sensing,2000,21(8):1757-1762.

[6]Lau C S,Kao H.Combined use of SPOT and GIS data to detect rice paddies[C].ACRS,1998,195-196.

[7]Turner M D,Congalton RG.Classification of multitemp oral SPOT-XS satellite data for mapping rice field s on a West African flood plain[J].International Journal of Remote Sensing,1998,19(1):21-41.

[8]Murakami T,Ogawa S,Ishitsuka M,et al.Crop discrimination with multitemporal SPOT/HRV datain the Saga Plains,Japan[J].International Journal of Remote Sensing,22(7):1335-1348.

[9]Lenngton RK,Ctsorensen,Rpheydorna.Mix ture Model Approach for Estimating Crop Areas from Land sat Data[J].Remote Sensing of Environment.1984,14:197-206.

[10]Mahesh P,Paul M.Decision tree based classification of remotely sensed data[C].Proceedings of the22nd Asian Conference of Remote Sensing,Singapore,November 2001,5-9.

[11]Giacinto G,Roli F and D'A rmi P.Ensembles of neural network s for soft classification of remote sensing images[C].Proceedings of the European Symposium on Intelligent Techniques,Bari,Italy,1997,166-170.

[12]Hoekman D H,Vissers M A M.A new polarimetric classification app roach evaluated for agricultural crops[J].IEEE Trans.Geosciences and Remote Sensing,2003,41(12):2881-2889.

[13]Murthy C S,Raju PV,Badrinath K V S.Classification of wheat crop with multi-temporal images:performance of maximum likelihood and artificial neural network s[J].International Journal of Remote Sensing,2003,24(23):4871-4890.

[14]楊武德,宋艷暾,宋曉彥,等.基于3S和實(shí)測(cè)相結(jié)合的冬小麥估產(chǎn)研究[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(2):131-135.

[15]趙庚星,田文新,張銀輝,等.墾利縣冬小麥面積的衛(wèi)星遙感與分布動(dòng)態(tài)監(jiān)測(cè)技術(shù)[J].農(nóng)業(yè)工程學(xué)報(bào),2001,17(4):135-139.