周雨石

（河南大學環(huán)境與規(guī)劃學院，河南　開封　475004）

?

基于特征時相的河南地區(qū)小麥種植面積遙感估算

周雨石

（河南大學環(huán)境與規(guī)劃學院，河南開封475004）

［摘要］截至2015年12月，河南省糧食產(chǎn)量占全國總產(chǎn)量的9.76%，是全國糧食產(chǎn)量第二大省。小麥作為河南省主要的糧食作物，其生產(chǎn)對我國糧食安全和社會穩(wěn)定有著至關(guān)重要的作用?；诖?，利用2014年MODIS MYD13Q1的16d產(chǎn)品，結(jié)合2015年8月和12月河南省全省野外采樣點，提取出全年EVI指數(shù)變化曲線，再通過頻率分布計算并取值，得出各時間段每類地物EVI指數(shù)取值的高頻區(qū)間，從而計算更合理的EVI指數(shù)曲線。然后通過對比各類地物的EVI曲線，獲得耕地特征時相并加以提取。最終結(jié)果表明，利用特征時相對種植小麥區(qū)域面積識別的精度達到96.62%。該方法為植被信息的獲取提供了一種新的思路，對各類植被環(huán)境的快速提取有重要的參考價值。

［關(guān)鍵詞］冬小麥；增強型植被指數(shù)；作物識別；特征時相；河南省

我國是農(nóng)業(yè)大國、人口大國，糧食產(chǎn)量對我國的社會經(jīng)濟發(fā)展有十分重要的作用。小麥作為世界上最重要的糧食作物，及時、準確、大范圍對小麥產(chǎn)量進行監(jiān)測預(yù)報，對農(nóng)學經(jīng)濟發(fā)展和糧食政策制定有極其重要的意義［1］。截至2015年3月，河南省小麥產(chǎn)量約為3 329萬t，占全國總產(chǎn)量的26.39%。由此可見，河南省小麥產(chǎn)量占全國總產(chǎn)量的比重較大。所以，針對河南省小麥種植面積進行估算是非常必要的。

目前，基于遙感信息的小麥種植面積提取多采用連續(xù)的植被指數(shù)進行土地利用類型分類。作為地球科學的發(fā)展前沿，遙感技術(shù)可以快速、有效地獲取較大面積的土地覆被信息。李曉東等［2］利用NDVI、NDWI等指數(shù)，針對多時相的遙感數(shù)據(jù)對吉林省西部地區(qū)實現(xiàn)農(nóng)田分類提?。粡埾餐龋?］用Landsat TM影像結(jié)合MODIS NDVI時間序列，建立像元分解模型，實現(xiàn)了伊洛河流域冬小麥種植區(qū)域的空間分布；李軍玲等［1］利用ArcGIS和ENVI提取純小麥像元，并提取純小麥像元對應(yīng)的NDVI、NPP和LAI，獲取分縣NDVI、NPP和LAI均值，利用統(tǒng)計軟件對產(chǎn)量數(shù)據(jù)和分縣遙感參數(shù)均值進行數(shù)據(jù)整理和分析，建立了河南省冬小麥產(chǎn)量估算模型。王學［4］等基于MODIS EVI時間序列數(shù)據(jù)和兩景TM影像，建立華北平原冬小麥時序波譜曲線庫，并結(jié)合農(nóng)作物物候歷制訂統(tǒng)一規(guī)則，獲取華北平原2001—2011年冬小麥播種面積時空變化信息。

總體來看，上述方法需要建立連續(xù)的植被指數(shù)曲線，并通過建立分類規(guī)則提取信息。提取研究所需要數(shù)據(jù)量龐大并需要建立大量規(guī)則，計算量龐雜且不易尋找規(guī)律，不利于進行小麥種植快速面積估算。基于此目的，該文嘗試利用研究區(qū)各植被覆被地類增強型植被指數(shù)（EVI）曲線作對比，獲得小麥的增強型植被指數(shù)特征時相，并由此通過建立識別規(guī)則嘗試獲取2014年河南省全省小麥種植空間分布情況，以期減少小麥種植區(qū)域提取工作數(shù)據(jù)量，找到簡單、迅速識別目標地物的方法，實現(xiàn)快速有效的河南省小麥種植面積信息提取。

1　研究區(qū)概況及數(shù)據(jù)來源

1.1研究區(qū)概況

河南省位于中國中東部、黃河中下游，界于北緯31°23′～36°22′，東經(jīng)110°21'～116°39'，東接安徽、山東，北接河北、山西，西連陜西，南臨湖北。全省總面積16.7萬km2，居全國各省區(qū)市第17位，占全國總面積的1.73%。全省由南向北年平均氣溫為15.7～12.1℃，年均降水量1 380.6～532.5 mm，降雨以6—8月份最多，年均日照時間1 848.0～2 488.7 h，全年無霜期189～240 d，適宜多種農(nóng)作物生長。地跨長江、淮河、黃河、海河四大流域。耕地面積約819.2萬hm2，主要糧食作物有小麥、玉米、水稻等。

冬小麥為研究區(qū)區(qū)域內(nèi)主要農(nóng)作物，其生長周期一般從前一年9月下旬左右播種發(fā)芽開始，至第2年6月中旬收獲結(jié)束。大片集中種植分布在河南省北部、東部平原，其他地區(qū)零散分布。隨著海拔高度增加，小麥種植耕地面積減少，區(qū)域破碎。

1.2數(shù)據(jù)來源及預(yù)處理

1.2.1EVI時間序列。增強型植被指數(shù)（Enhanced Vegetation Index，EVI）作為重要的植被指數(shù)，根據(jù)藍光和紅光通過氣溶膠的差別，補償了殘留氣溶膠對紅光的吸收，綜合采用“抗大氣植被指數(shù)”和“抗土壤植被指數(shù)”，相比NDVI（植被覆蓋指數(shù)），克服了土壤背景的影響和刀叮在植被高覆蓋區(qū)易飽和、植被低覆蓋區(qū)受土壤植被影響較大、對大氣衰減去除不徹底等缺點。其公式為：EVI=2.5×（ρNIR-ρRED）/（ρNIR+6.0ρRED-7.5ρBLUE+1）。其中，ρNIR代表近紅外波段值，ρRED代表紅波段值，ρBLUE代表藍波段值。

圖1　2014年第009日荒草地采樣點取值頻率曲線

該文采用NASA免費提供的（http://reverb.echo. nasa.gov/）的MODIS MYD13Q1植被指數(shù)產(chǎn)品，為250 m分辨率的16 d合成數(shù)據(jù)，以此為基礎(chǔ)分析各類土地覆被類型的變化趨勢。

1.2.2野外采樣點數(shù)據(jù)。該文使用的采樣點數(shù)據(jù)來自于2015年8月和12月2次河南省土地覆被解譯工作外業(yè)采樣點，利用GPS手持終端數(shù)據(jù)結(jié)合高分辨率影像數(shù)據(jù)采樣。由于MODIS影像像元大小為250 m，同實地采樣數(shù)據(jù)之間存在尺度效應(yīng)影響，該實驗使用前先在ArcGIS軟件支持下生成同遙感影像完全匹配的點圖層數(shù)據(jù)，然后通過算法生成250 m點圖層緩沖范圍，計算點緩沖范圍圖層所覆蓋像元值值差是否小于20%，取值為“真”者保留，否則舍棄樣本點。此算法可以保證每個采樣點所落區(qū)域的覆被純度。

篩選后統(tǒng)計，該實驗共使用野外采樣點數(shù)據(jù)1 348個，其中耕地566個，荒草地111個，居民地269個，闊葉林245個，針葉林157個。

1.2.3投影處理。該文所使用的全部圖層數(shù)據(jù)均采用UTM_Zone_49N投影。

2　研究方法

根據(jù)研究區(qū)河南省全省土地覆被的情況，將分類類別主要分為耕地、荒草地、居民地、闊葉林和針葉林五大類。其中，耕地樣點全部為小麥種植耕地采樣點，其余耕地類型由于面積等因素不做考慮；省內(nèi)其他覆被類型如水體、裸露地表等限于MODIS影像250 m分辨率因素占比重較小，因此也舍棄此類樣本點不做考慮。

將5種分類的樣本點分別建立圖層，同時結(jié)合2014 年MODIS MYD13Q1的16 d EVI指數(shù)影像取值，獲得采樣點取值表。但是，由于遙感圖像空間分辨率越低，一個像元內(nèi)包含多類不同種類地物的概率越大，混合像元越多，且采樣點數(shù)據(jù)在MODIS影像中體現(xiàn)存在不準確性。所以，需要提純所獲取的像元值，以計算目標時刻的合理EVI取值。這里采用的是計算頻率分布區(qū)間的取值方法。頻率分布計算獲得柱狀圖如圖1所示。

圖1中橫軸為荒草地采樣點EVI指數(shù)取值區(qū)間，縱軸為頻率分布。由圖1可以準確看出每時相樣點EVI指數(shù)取值概率分布情況。詳細的計算方法為：首先確定全部取值的兩極值，計算極差；然后通過數(shù)據(jù)數(shù)量的平方根值確定分組組數(shù)，并計算每分組取值區(qū)間；最后通過Excel表格FREQUENCY函數(shù)計算每組取值區(qū)間點數(shù)的概率分布，用圖表顯示。通過圖表確定需要舍棄和保留的EVI指數(shù)取值區(qū)間，求取保留區(qū)間的平均值作為目標時刻增強型植被指數(shù)值。

通過統(tǒng)計，各類增強型植被指數(shù)2014年全年時間序列曲線如圖2所示。

由圖2可以看出，2014年全省小麥耕地EVI曲線在第137日以前、201—249日以及329日至年末取值明顯高于其他地類，由此可以選取第025、089、217、345日建立特征時相，建立識別規(guī)則：

｛EVI025＞0.3 and EVI089＞0.5 and EVI217＞0.5 and 0.3＞EVI345＞0.2｝

使用基于特征時相建立的河南省小麥種植區(qū)識別規(guī)則，提取出025、089、217、345這4個特征時相中準小麥種植區(qū)像元并分別賦值為1，其余像元賦值為0。將四副像元數(shù)據(jù)進行疊置分析，求取交集，獲得最終成果，即為河南省2014年小麥種植區(qū)分布，結(jié)果如圖3所示。

3　精度分析及結(jié)論

3.1精度分析

統(tǒng)計小麥種植區(qū)像元面積得出，使用特征時相估算方法進行提取的小麥種植面積約為372.61萬hm2。利用2015年全國統(tǒng)計年鑒中小麥種植面積統(tǒng)計數(shù)據(jù)（360.45萬hm2）對比得出，利用特征時相估算方法提取小麥面積的相對誤差約為3.375%（相對誤差=估算誤差/統(tǒng)計年鑒面積，其中估算誤差值為利用特征時相提取的小麥面積與統(tǒng)計年鑒面積的差值），識別精度約為96.620%。

圖2　研究區(qū)各類植被NDVI時間序列曲線

圖3　2014年河南省小麥種植區(qū)分布

通過分析發(fā)現(xiàn)，主要識別誤差來源于部分非小麥種植區(qū)像元由于像元混合、波段干擾等因素，增強型植被指數(shù)值恰好符合識別規(guī)則，被判定為小麥種植區(qū)。同時，也存在部分像元受大氣輻射影響，像元計算出EVI值偏離，未能有效識別。

3.2結(jié)論

河南省全省2014年小麥種植區(qū)域主要集中在豫北東部平原，省中東部平原，豫西南南陽盆地平原，太行山區(qū)、嵩山地區(qū)及南部大別山區(qū)有少量分布。從海拔上，小麥種植面積和海拔高度呈反比；從氣候差異上，信陽秦嶺-淮河線以南幾乎沒有大規(guī)模小麥種植，像元數(shù)稀少。

從識別效果看，識別誤差主要集中在小麥種植區(qū)破碎、識別像元分散的地區(qū)，尤其是河南省西部、南部山區(qū)、北部太行山部分地區(qū)。小麥平原產(chǎn)區(qū)種植面積集中，作物覆蓋密集，受其他因素影響較小，識別精度較高。但在邊緣交界地區(qū)混合像元多，識別精度有所下降?？傮w說來，此方法識別精度主要受提取目標的植被純度及種植區(qū)域大小有關(guān)，同時也與下墊面氣候、邊界混合像元相關(guān)。

4　結(jié)語

歸一化植被指數(shù)（NDVI）時序數(shù)據(jù)對地表植被的生長和覆蓋信息具有有效的指示作用，可以為區(qū)域植被研究提供許多重要信息，同時經(jīng)過比值處理后NDVI指數(shù)可以有效消除如觀測角、地面大氣條件等的影響，因此被大量運用于植被識別模型當中。但是，歸一化植被指數(shù)由于對高值的抑制作用，易產(chǎn)生飽和現(xiàn)象，同時受植被土壤背景影響較大。相比之下，增強型植被指數(shù)（EVI）可以有效規(guī)避上述影響，同時與歸一化植被指數(shù)對比也可以體現(xiàn)出同樣的植被物候特征。

相比其他遙感影像數(shù)據(jù)產(chǎn)品，低分辨率影像（如MODIS）能夠不受天氣、氣候等的影響，可以獲得有效的無云影像產(chǎn)品（單景影像或合成產(chǎn)品）且不易受到價格和數(shù)據(jù)質(zhì)量的影響，適合做短時相的長期大面積觀測。

低分辨率影像像元易受時空效應(yīng)影響，數(shù)據(jù)不精確，雜糅外界信息過多。同時，由于野外采樣工作結(jié)果體現(xiàn)在低分辨率影像中易受空間和時間尺度效應(yīng)影響，信息表達出現(xiàn)偏差，易使采樣點數(shù)值提取產(chǎn)生較大誤差。所以，在提取和計算遙感影像信息過程中，有效的精度提純和數(shù)據(jù)統(tǒng)計方法可以顯著提高所得信息的精度。

該文利用MODIS影像和增強型植被指數(shù)（EVI）的數(shù)據(jù)優(yōu)勢，結(jié)合經(jīng)過篩選的外業(yè)采樣數(shù)據(jù)，用數(shù)理統(tǒng)計方法提取出較為準確的全年各覆被類型增強型植被指數(shù)變化曲線，并提煉出基于特征時相的河南省冬小麥識別規(guī)則，獲得識別結(jié)果。實驗中獲得的河南省小麥種植區(qū)面積識別精度約為96.620%。相比其他方式，利用特征時相方法提取地物信息速度更快、計算規(guī)則少；在掌握全年植被指數(shù)規(guī)律之后，使用特征時間影像信息計算即可提取全年植被覆蓋信息，不需要大量數(shù)據(jù)且在全年當季收獲季前即可完成信息統(tǒng)計分析。此方法為我國農(nóng)業(yè)研究提供了一種新的思路。

總體來說，利用特征時相識別目標地物分布特征方法為遙感影像覆被信息提取提供了新的參考，也為未來的農(nóng)業(yè)遙感估產(chǎn)和面積計算提供了思路。需要注意的是，在計算過程中大規(guī)模的樣點數(shù)據(jù)采集擇選和采樣數(shù)據(jù)的提取過程尤為重要。同時，針對不同分辨率和不同時空尺度的數(shù)據(jù)，在識別目標地物過程中，同樣可以使用影像數(shù)據(jù)獲得植被指數(shù)提取特征時相識別規(guī)則的方法。

感謝國家地球系統(tǒng)數(shù)據(jù)共享平臺-黃河下游科學數(shù)據(jù)（http://henu.geodata.cn）提供數(shù)據(jù)支撐。

參考文獻

［1］李軍玲，郭其樂，彭記永.基于MODIS數(shù)據(jù)的河南省冬小麥產(chǎn)量遙感估算模型［J］.生態(tài)環(huán)境學報，2012 （10）：1665-1669.

［2］李曉東，姜琦剛.基于多時相遙感數(shù)據(jù)的農(nóng)田分類提?。跩］.農(nóng)業(yè)工程學報，2015（7）：145-150.

［3］張喜旺，秦耀辰，秦奮.綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算［J］.農(nóng)業(yè)工程學報，2013（8）：154-163.

［4］王學，李秀彬，談明宏，等.華北平原2001-2011年冬小麥播種面積變化遙感監(jiān)測［J］.農(nóng)業(yè)工程學報，2015 （8）：190-199.

［中圖分類號］S127；TP79

［文獻標識碼］A

［文章編號］1674-7909（2016）02-50-4

作者簡介：周雨石（1993-），女，碩士，研究方向：環(huán)境遙感。