王利民 劉 佳 楊福剛 楊玲波 姚保民 王小龍

?

基于GF-1衛(wèi)星遙感數(shù)據(jù)識別京津冀冬小麥面積

王利民*劉 佳 楊福剛 楊玲波 姚保民 王小龍

中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所, 北京 100081

省級尺度冬小麥面積的精準獲取技術(shù)是農(nóng)作物面積遙感監(jiān)測研究的主要內(nèi)容之一。為了獲取省級尺度的冬小麥種植面積, 該文以北京市(京)、天津市(津)和河北省(冀) 3個省域范圍為例, 以國家標準地形圖分幅為分類的圖幅單元, 利用國產(chǎn)GF-1/WFV數(shù)據(jù), 構(gòu)建冬小麥面積指數(shù), 實現(xiàn)了省級尺度冬小麥面積的識別。本文以冬小麥全部9個月生育期的984景影像作為數(shù)據(jù)源, 依次經(jīng)過數(shù)據(jù)預(yù)處理、標準圖幅單元的NDVI合成、樣本點選擇、冬小麥面積指數(shù)構(gòu)建、冬小麥作物類型確認、省域范圍制圖及精度驗證等步驟完成研究區(qū)域內(nèi)冬小麥面積的提取。采用區(qū)域網(wǎng)平差和6S大氣校正算法對數(shù)據(jù)源預(yù)處理, 以中國1︰10萬標準地形圖分幅為分類圖幅單元構(gòu)建冬小麥面積指數(shù), 將冬小麥面積指數(shù)按照1%的比例等分, 并將面積指數(shù)從0到100%分割為101個提取節(jié)點, 將提取節(jié)點的NDVI值依次與類型確認樣本比較, 精度最高的則確認為冬小麥面積提取閾值, 同時將該閾值應(yīng)用于圖幅單元內(nèi)冬小麥面積指數(shù)影像, 獲取冬小麥種植分布。最后冬小麥面積識別的精度表明, 以標準地圖分幅作為計算單元, 在GF-1影像基礎(chǔ)上, 利用冬小麥面積指數(shù)能夠顯著提高冬小麥與其他地物類型的波譜差異, 且冬小麥的總體識別精度達到89.6%, 用戶精度達到89.8%, 制圖精度96.5%, Kappa系數(shù)0.72。在典型區(qū)域, 本文算法與監(jiān)督分類算法精度結(jié)果較為一致, 除制圖精度相差4.77%外, 總體精度與用戶精度差都在1.00%以內(nèi), 說明本文算法具有精度高、運行效率高、分類單元識別結(jié)果一致性強的特點, 能夠滿足省級尺度農(nóng)情遙感業(yè)務(wù)監(jiān)測的需要。

GF-1衛(wèi)星; 區(qū)域尺度; 冬小麥; 面積指數(shù); 遙感監(jiān)測

大宗農(nóng)作物的播種面積空間分布數(shù)據(jù)的準確獲取是國家、省級政府制定糧食政策, 保證糧食安全的重要依據(jù)[1]。北京市(京)、天津市(津)、河北省(冀)冬小麥面積占全國冬小麥總面積的10.3%[2], 其變化對中國冬小麥生產(chǎn)形勢具有顯著影響。采用遙感技術(shù)在省級尺度上開展冬小麥面積的全覆蓋監(jiān)測, 是中國農(nóng)情遙感監(jiān)測的主要目標之一[3]。

按照遙感數(shù)據(jù)使用時相的差別、重要性程度來劃分, 農(nóng)作物面積遙感監(jiān)測研究可以區(qū)分為基于單時相數(shù)據(jù)分類技術(shù)研究、多時相數(shù)據(jù)分類技術(shù)研究以及遙感數(shù)據(jù)輔助的遙感抽樣技術(shù)研究3類。單一時相法主要通過選取作物關(guān)鍵物候期的單景遙感影像, 利用目視解譯[4]、監(jiān)督分類[5]、非監(jiān)督分類[6]、面向?qū)ο蠓诸怺7]、人工神經(jīng)網(wǎng)絡(luò)分類[8]、基于專家知識的圖像分類[9]、混合像元分解[10]等方法, 基于地物的光譜、紋理特征等信息, 對目標作物進行識別及面積提取, 其優(yōu)勢是處理數(shù)據(jù)量小、效率高、時效性強, 相比多時相方法, 無需作物完整物候期的所有遙感影像即可進行, 便于提取當年度作物即時播種面積等[11-12]。Chellasamy等[13]利用WorldView-2衛(wèi)星1.8 m分辨率的多光譜影像, 使用自動選擇訓練樣本的方法, 研究丹麥Vennebjerg地區(qū)650 hm2農(nóng)田的作物分類, 對油菜、冬小麥和果樹的分類精度分別達91.2%、88.4%和96.5%。一般認為, 不同分辨率的遙感影像進行作物面積識別, 空間分辨率越高則更容易獲得更高的分類精度[14]。多時相數(shù)據(jù)能夠覆蓋作物發(fā)育的關(guān)鍵時期, 可以基于不同發(fā)育時期波譜差異對作物類型進行有效識別, 因而在農(nóng)作物面積提取研究方面得到廣泛應(yīng)用[15-17]。中低空間分辨率的多時相遙感數(shù)據(jù)相對容易獲取, 這類研究以NOAA/AVHRR和EOS/MODIS等類似數(shù)據(jù)研究較多, 如Brian等[18]利用MODIS的250 m分辨率影像制作NDVI (Normalized Difference Vegetation Index)時序影像數(shù)據(jù)進行美國中央大平原大范圍作物面積制圖研究, 其精度達80%以上。隨著中高空間分辨率遙感數(shù)據(jù)的增多, 以LandSat、HJ、SPOT和Rapideye衛(wèi)星數(shù)據(jù)的研究逐漸增多, 如Zheng等[19]利用Landsat/TM衛(wèi)星30 m分辨率的數(shù)據(jù)制作NDVI時序影像, 并用支持向量機的方法對美國鳳凰城的各種作物類型進行識別, 分類總體精度達到86%以上; 劉佳等[20]基于HJ-1A/B衛(wèi)星時間序列數(shù)據(jù), 針對河北省衡水市冬小麥、夏玉米、春玉米、棉花、花生、大豆等主要作物類型進行決策樹分類識別研究, 總體分類總體精度達到90.9%; Suzuki等[21]利用RapidEye的5 m分辨率影像制作時序NDVI數(shù)據(jù), 對日本北海道平原小麥、馬鈴薯、甜菜、紅小豆等旱地作物識別的總體精度達到90%以上。

針對區(qū)域尺度上全覆蓋遙感影像獲取困難、分類技術(shù)難以標準化的現(xiàn)狀, 樣方內(nèi)作物類型遙感識別輔助的空間抽樣研究成為大尺度農(nóng)作物數(shù)量獲取的主要方法[22]。焦險峰等[23]利用分層抽樣的方法對中國水稻種植面積進行遙感調(diào)查, 以1∶5萬比例尺標準地形圖圖幅為抽樣單元, 設(shè)計了中國水稻種植面積抽樣框架。但是, 分層抽樣方法同傳統(tǒng)的統(tǒng)計調(diào)查方法一樣, 都無法獲取作物的空間分布, 因而無法得到廣泛的應(yīng)用。

與利用單景影像識別作物容易出現(xiàn)異物同譜及同物異譜現(xiàn)象相比, 利用多時相影像識別作物可結(jié)合作物物候特征分類, 具有明顯優(yōu)勢。然而, 受限于數(shù)據(jù)預(yù)處理能力、云霧遮擋, 以及缺乏自動化程度高的識別技術(shù), 目前基于多時相、中高分辨率影像開展區(qū)域農(nóng)作物遙感識別的研究還比較少。GF-1衛(wèi)星是中國2013年4月成功發(fā)射的高分系列衛(wèi)星, 其所攜帶的WFV (wide field view)傳感器空間分辨率為16 m, 觀測幅寬達800 km, 標稱回訪周期為4 d, 觀測能力大幅度提升, 對區(qū)域農(nóng)作物面積遙感監(jiān)測具有獨特優(yōu)勢。本文基于GF-1/WFV數(shù)據(jù), 通過獲取小麥生長期內(nèi)每月1期晴空NDVI數(shù)據(jù), 在冬小麥分類單元劃分與面積指數(shù)(winter wheat area index, WWAI)構(gòu)建基礎(chǔ)上, 設(shè)計了自動化運行能力較高的省級冬小麥遙感監(jiān)測技術(shù), 建立適合于時間序列影像的快速、直觀的分類方法, 以提高業(yè)務(wù)運行效率。實現(xiàn)了京津冀范圍內(nèi)的年度冬小麥種植面積提取, 并在中國農(nóng)情遙感監(jiān)測業(yè)務(wù)中得到應(yīng)用。

1 研究區(qū)域

京津冀地處華北平原北部(36°05′~42°40′ N, 113°27′~119°50′ E), 總面積21.7萬公頃。地貌復(fù)雜多樣, 高原、山地、丘陵、盆地、平原類型完整, 地勢由西北向東南傾斜。其中, 中南部平原區(qū)是冬小麥適宜種植區(qū), 按其成因可分為山前沖洪積平原、中部湖積平原區(qū)和濱海平原區(qū)3種地貌類型, 占京津冀區(qū)域總面積的43.4%。該區(qū)跨中溫帶和南溫帶, 屬溫帶大陸性季風氣候, 四季分明。年日照時數(shù)2303.1 h, 無霜期81~204 d; 年均降水量484.5 mm, 分布不均, 呈東南多、西北少的趨勢, 且夏季降水多, 占全年降水量的65%~80%。1月平均氣溫低于3℃, 7月平均氣溫18~27℃, 年平均氣溫由北向南逐漸升高。

中南部平原區(qū)≥0℃積溫在3000~4800℃之間, 能夠滿足農(nóng)作物一年二熟的需要。該區(qū)耕地面積938.82萬公頃, 占全區(qū)總土地面積的43.2%, 糧食播種面積占耕地總面積的72.4%以上, 是中國重要糧棉產(chǎn)區(qū)。主要糧食作物有小麥、玉米、高粱、谷子、薯類等, 經(jīng)濟作物以油料作物為主, 與棉花、麻類、甜菜、煙葉并稱本區(qū)五大經(jīng)濟作物。京津冀地區(qū)冬小麥總播種面積占全國第4位, 占全國總播種面積的10.1%[2], 分為北部春麥區(qū)、北部冬麥區(qū)和黃淮冬麥區(qū)(圖1)。

圖1 京津冀地區(qū)小麥區(qū)劃

2 數(shù)據(jù)獲取與數(shù)據(jù)處理

2.1 衛(wèi)星影像預(yù)處理

GF-1衛(wèi)星搭載有4個WFV傳感器WFV1、WFV2、WFV3和WFV4, 單傳感器幅寬200 km, 同時成像時幅寬可達800 km。影像具備藍(0.45~0.52 μm)、綠(0.52~0.59 μm)、紅(0.63~0.69 μm)和近紅外(0.77~0.89 μm) 4個波段, 重訪周期4 d, 空間分辨率16 m。采用云量低于10%的GF-1衛(wèi)星WFV影像984景進行京津冀地區(qū)冬小麥種植面積提取研究, 2013年10月至2014年6月每月依次使用118、123、145、148、104、81、92、92和81景, 保證冬小麥生長期內(nèi)每月至少獲取一次晴空合成影像。

經(jīng)過系統(tǒng)幾何和輻射校正的WFV影像1級產(chǎn)品由中國資源衛(wèi)星中心提供。在此基礎(chǔ)上, 采用6S模型對所有影像進行大氣校正; 以同期Landsat8 OLI 15 m數(shù)據(jù)作為參考影像, 利用影像的RPC (rational polynomial coefficient)參數(shù)和ASTER GDEM高程數(shù)據(jù), 對影像進行區(qū)域網(wǎng)平差和幾何精校正; 分別計算影像的歸一化植被指數(shù)NDVI, 作為冬小麥面積指數(shù)構(gòu)建的基礎(chǔ)。

式中, Ref3和Ref4分別是WFV影像紅光波段和近紅外波段的反射率。

2.2 基于圖幅單元的NDVI合成

采用國家標準的1∶10萬地形圖圖幅框作為基本分類單元, 按照1∶10萬標準分幅對監(jiān)測區(qū)進行裁切分割, 每幅的經(jīng)度差為30′, 緯度差為20′, 每個分類單元的平均面積為16.3萬公頃, 本研究區(qū)域內(nèi)共179個圖幅單元, 其中98個屬于冬小麥分布區(qū), 是進行冬小麥識別與面積提取的區(qū)域。將研究區(qū)域劃分為標準單元進行分類, 有利于編程實現(xiàn); 單元內(nèi)冬小麥發(fā)育時期更趨于一致, 可以保證算法參數(shù)相對一致。在標準圖幅框?qū)DVI影像裁切基礎(chǔ)上, 對每個圖幅框單元逐月最大值合成, 獲取每月NDVI最大值影像, 以去除云、霧霾等的干擾。圖2是研究區(qū)冬小麥遙感監(jiān)測圖幅單元分布, 以及廊坊市所在單元的放大圖。

2.3 樣本點的選擇與獲取

提取冬小麥面積時包括訓練樣本和驗證樣本兩類樣本, 訓練樣本又包括權(quán)值構(gòu)建和類型確認兩種樣本數(shù)據(jù), 驗證樣本也包括規(guī)則樣本和隨機樣本兩種。所選擇的樣本點類型是否為冬小麥, 是根據(jù)目視解譯、專家知識判斷及地面調(diào)查實際驗證等方式確認的。訓練樣本的選擇是在每個圖幅單元內(nèi)制作10×10個網(wǎng)格, 在研究區(qū)內(nèi)格網(wǎng)大小平均為4 km × 4 km, 每個網(wǎng)格再劃分為4個子格網(wǎng), 以100個左上角的子網(wǎng)格中心點作為權(quán)值構(gòu)建樣本, 以100個右下角的子網(wǎng)格中心點作為類型確認樣本。本研究區(qū)內(nèi)共有19 600個訓練樣本點。規(guī)則驗證樣本點的選擇是在冬小麥初步提取結(jié)果基礎(chǔ)上疊加5 km × 5 km網(wǎng)格, 共獲取1159個網(wǎng)格中心點作為規(guī)則驗證樣本, 其中1027個樣本位于冬小麥種植區(qū), 132個樣本位于非冬小麥種植區(qū), 該類驗證點主要分布在冬小麥種植區(qū)域內(nèi)。隨機驗證樣本點是在冬小麥圖幅單元中按照等距原則隨機選擇320個點, 其中43個樣本是冬小麥, 277個是非冬小麥, 該類樣本主要以非冬小麥類型為主。采用上述方案進行樣本點選擇, 具有樣點分布隨機性、區(qū)域覆蓋均勻性、冬小麥樣本率高的特點。圖3為研究區(qū)內(nèi)各類樣本點的分布, 以及位于保定市內(nèi)J50D004004圖幅框的放大顯示。

圖2 研究區(qū)冬小麥遙感監(jiān)測圖幅單元分布及高分影像示例

A: 京津冀WFV晴空影像及圖幅單元分布; B: 廊坊市所在圖幅單元WFV晴空影像; C: 廊坊市所在圖幅單元4月份NDVI最大值合成

A: Beijing-Tianjin-Hebei WFV clear sky image and image unit distribution; B: WFV clear sky images of Langfang city; C: NDVI maximum value composition of Langfang image unit of April.

2.4 樣方數(shù)據(jù)選擇與獲取

選取研究區(qū)1∶10萬地形圖圖幅框中編號J50D006006作為樣方數(shù)據(jù)選取的范圍, 將圖幅單元再分成15′15個格網(wǎng)作為樣方數(shù)據(jù)的基本單元, 將單元格網(wǎng)內(nèi)作物面積比例作為抽樣參數(shù), 采用等概率原則進行地面樣方抽樣。覆蓋圖幅單元的網(wǎng)格共225個?；诒O(jiān)督分類方法獲得圖幅單元內(nèi)冬小麥初步分類結(jié)果, 計算每個網(wǎng)格中的冬小麥面積, 從小到大排序, 最小為0, 最大98.6%, 按10%的級差分級, 統(tǒng)計每個級別中的頻數(shù), 等概率抽取10個網(wǎng)格作為監(jiān)督分類的訓練樣方、抽取10個網(wǎng)格作為監(jiān)督分類結(jié)果的驗證樣方。結(jié)合研究區(qū)地面調(diào)查獲取的解譯標志, 采用目視解譯的方法獲得20個樣方內(nèi)冬小麥及其他2種類別分布結(jié)果, 訓練及驗證樣方如圖4所示。

3 技術(shù)路線及算法原理

3.1 技術(shù)路線

本研究區(qū)冬小麥面積空間制圖包括數(shù)據(jù)預(yù)處理、標準分類單元的NDVI合成、樣本點選擇、WWAI構(gòu)建、冬小麥作物類型確認、省域范圍制圖及精度驗證等7項內(nèi)容(圖5)。本文對98個有冬小麥分布的單元依次進行NDVI合成、樣本點選擇、WWAI指數(shù)構(gòu)建、冬小麥類型確認等過程, 獲取每個分類單元的冬小麥面積空間分布, 并對提取結(jié)果進行拼接, 拼接結(jié)果就是研究區(qū)內(nèi)的冬小麥空間分布結(jié)果, 最后利用混淆矩陣方法進行精度驗證。WWAI構(gòu)建是該項技術(shù)的核心, 主要思路是根據(jù)冬小麥種植期間與其他在田作物的物候特征差異, 在各時相賦予NDVI不同權(quán)重的方式, 擴大冬小麥指數(shù)與其他地物的差異, 達到準確提取冬小麥種植面積的目的。

圖3 研究區(qū)樣本點及示例圖幅的分布

A: 權(quán)值構(gòu)建樣本; B: 類型確認樣本; C: 規(guī)則驗證樣本; D: 隨機驗證樣本。

A: weights build samples; B: type confirmation samples; C: rule verification samples; D: random verification samples.

圖4 監(jiān)督分類方案實施區(qū)域(圖幅編號J50D006006)與樣本分布

圖5 冬小麥面積提取處理流程

3.2 基于NDVI時序的冬小麥識別原理

本研究區(qū)內(nèi)冬小麥的生育期從每年10月到次年6月, 經(jīng)歷播種、出苗、分蘗、越冬、返青、起身、拔節(jié)、挑旗、抽穗、開花、灌漿、成熟12個階段, 南北、東西不同地理位置冬小麥物候會有10~15 d的差異。選取10月初至次年6月底的衛(wèi)星影像, 可以覆蓋研究區(qū)內(nèi)不同區(qū)域的全冬小麥生育期。分別選擇位于河北省唐山市、保定市、滄州市、邢臺市、邯鄲市的5個圖幅單元J50D002010、J50D003004、J50D006006、J50D008002、J50D011002作為示例, 統(tǒng)計5個圖幅單元內(nèi)冬小麥和其他地物以月為時間節(jié)點的NDVI平均值譜曲線(圖6-A)。利用ASD FieldSpec地物光譜儀, 于2013年10月30日、11月4日、12月28日以及2014年3月4日、4月12日、4月21日、5月12日、5月20日、6月10日和6月23日進行10期地面觀測, 得到冬小麥和其他兩種地物NDVI變化曲線(圖6-B), 以進一步明確NDVI對物候的直觀反映。

盡管本研究區(qū)內(nèi)冬小麥物候有一定的差異, 但是從影像獲取或者地面光譜觀測的NDVI譜曲線表現(xiàn)是類似的, 即10月上旬播種期最低, 11月上旬出苗后開始逐步增加, 11月末至12月中旬達到冬前的最大值, 12月下旬進入越冬期后明顯下降, 2月下旬返青后開始快速增長, 至4月下旬達到最大值, 5月下旬乳熟后逐漸下降, 6月下旬收獲后, 隨著玉米等其他作物的出苗, NDVI又開始上升(圖6-A, B)。這主要是由于NDVI月度合成將掩蓋物候的差異, 是該技術(shù)能夠在不同種植區(qū)域應(yīng)用的前提。

3.3 冬小麥面積指數(shù)構(gòu)建及閾值確定

針對每個圖幅單元, 提取權(quán)值構(gòu)建樣本點的各期NDVI值, 計算冬小麥、非冬小麥樣本點的NDVI均值; 若當期冬小麥NDVI平均值大于其他地物NDVI平均值, 則判定該時期為冬小麥生長優(yōu)勢期, 其權(quán)值設(shè)定為1; 若當期冬小麥NDVI平均值小于其他地物的NDVI平均值, 則判定該時期為冬小麥生長劣勢期, 其權(quán)值設(shè)定為-1。各期的NDVI值與權(quán)值相乘得到該期NDVI影像加權(quán)值, 各時相NDVI加權(quán)值相加并除以影像期數(shù), 得到的結(jié)果即為“冬小麥面積指數(shù)WWAI”影像。

式中,為權(quán)值,表示第期影像, 下標w表示冬小麥, 下標O表示其他。確定WWAI閾值是類型識別的基礎(chǔ), 是根據(jù)類型確定樣本判定的。具體是將冬小麥面積指數(shù)以1%的比例等分, 從0開始至100%結(jié)束, 循環(huán)迭代101次, 以各比例節(jié)點的WWAI值為閾值, 將所有101個冬小麥面積提取結(jié)果依次與類型確定樣本比較, 正確率最高的閾值即為最優(yōu)的WWAI提取閾值。該方法的優(yōu)勢是無需人工干預(yù), 最大程度降低了人為誤差, 只要樣本點的冬小麥識別結(jié)果準確, 即可獲取一致的冬小麥面積識別閾值。

圖6 基于影像數(shù)據(jù)(A)和地面觀測數(shù)據(jù)(B)的冬小麥和其他地物類型NDVI曲線

在獲取各圖幅單元最優(yōu)冬小麥面積指數(shù)提取閾值后, 應(yīng)用到整幅WWAI影像中, 就是各單元內(nèi)冬小麥作物種植分布結(jié)果。將研究區(qū)內(nèi)所有圖幅單元分類成果拼接修正, 即可獲取研究區(qū)內(nèi)監(jiān)測年度的冬小麥種植面積。

3.4 監(jiān)督分類算法

最大似然分類算法(maximum likelihood, ML)是一種具有理論性的點估計法, 最大似然分類法是最常用的監(jiān)督分類方案, 算法假設(shè)每個波段中各類數(shù)據(jù)分布為高斯分布, 各個波峰則可能代表唯一的類別。采用訓練樣本的方式獲取正態(tài)分布的統(tǒng)計量, 然后計算每個像元屬于不同正態(tài)分布的概率(距離), 像元將歸屬于概率最大的類別。該算法的分類結(jié)果具穩(wěn)定可靠、精度較高的優(yōu)勢[24]。本文以GF-1多時相反射率數(shù)據(jù)作為輸入, 采用上述的10個格網(wǎng)單元作為訓練樣本, 以最大似然分類算法進行分類, 獲取冬小麥、其他兩種地物類型的空間分布。

3.5 精度驗證

基于驗證樣本點對應(yīng)的冬小麥識別結(jié)果, 采用混淆矩陣、Kappa系數(shù)、總體分類精度、制圖精度、用戶精度5種方式, 對研究區(qū)域內(nèi)冬小麥面積遙感監(jiān)測結(jié)果進行精度驗證?？傮w分類精度指的是所有被正確分類的像元總和除以總像元數(shù)。制圖精度指正確分為A類的像元數(shù)與A類真實參考總數(shù)的比率。用戶精度是指正確分到A類的像元總數(shù)與分類器將整個影像的像元分為A類的像元總數(shù)(混淆矩陣中A類的總和)比率。

4 結(jié)果與分析

4.1 基于面積指數(shù)的識別結(jié)果

根據(jù)中國小麥種植區(qū)劃, 研究區(qū)內(nèi)包括北部春麥區(qū)、北部冬麥區(qū)和黃淮冬麥區(qū)3個區(qū)域, 冬小麥分布的北部邊界在燕山山脈與平原的交匯處, 冬小麥的實際分布也是如此(圖1)。研究中將這一邊界與1︰10萬標準圖幅單元疊加, 去除沒有冬小麥分布的北部春麥區(qū)的圖幅單元, 僅對有冬小麥分布的98個圖幅單元進行冬小麥面積的識別與提取, 以避免數(shù)據(jù)冗余。為便于敘述, 以冬小麥生長和生產(chǎn)代表性較強的河北省保定市(J50D003004)、滄州市(J50D006006)、邯鄲市(J50D011002)、唐山市(J50D002010)、邢臺市(J50D008002)的5個圖幅單元為例, 基于本文提出的WWAI提取技術(shù), 分別提取這5個圖幅單元的冬小麥種植面積。

根據(jù)冬小麥面積指數(shù)影像計算流程, 統(tǒng)計研究區(qū)每一時期影像所有網(wǎng)格左上中心點的NDVI值, 并結(jié)合該點目視分類結(jié)果, 分別統(tǒng)計冬小麥地類和其他地類的平均NDVI值, 若冬小麥NDVI平均值大于其他地類, 則將其NDVI乘以權(quán)值1, 否則就乘以權(quán)值–1, 并將各期影像NDVI加權(quán)值疊加并除以影像的期數(shù), 即可得到最終的冬小麥面積指數(shù)影像(圖7-A)。在獲取得到冬小麥面積指數(shù)影像后, 通過最優(yōu)WWAI提取閾值自適應(yīng)確定方法, 設(shè)置最合適的WWAI提取閾值, 提取冬小麥種植區(qū)域。在本研究區(qū), 冬小麥面積指數(shù)提取閾值設(shè)定為0.16時, 樣本點具有最高的總體識別精度94.0%, 其中冬小麥的識別精度為95.5%。利用自適應(yīng)選取的冬小麥面積指數(shù)提取閾值, 進行冬小麥分類工作, 提取結(jié)果如圖7-B所示。分別統(tǒng)計左上樣本點冬小麥WWAI值、NDVI均值及非冬小麥區(qū)域的WWAI、NDVI均值(表1), 可見WWAI值相比NDVI均值指數(shù), 顯著擴大了冬小麥地類和非冬小麥地類之間的差異, 差異絕對值從0.1626增加到0.2191, 差異倍數(shù)更是從1.62增加到2.69, 相比傳統(tǒng)的NDVI閾值法, 利用冬小麥面積指數(shù)將更有利于進行冬小麥的面積提取工作。

由實際分布結(jié)果(圖7)和統(tǒng)計值(表1)可以看出, 通過設(shè)定正負權(quán)值, 擴大了冬小麥優(yōu)勢期NDVI值, 縮小了非冬小麥優(yōu)勢期NDVI值, 可以使冬小麥類別像元WWAI值最大化, 能夠直觀地通過設(shè)定WWAI提取閾值的方式, 剔除掉非冬小麥區(qū)域。另外, 冬小麥種植區(qū)域的WWAI值顯著大于非冬小麥區(qū)域(圖7)。

A1B1: 保定市(J50D003004); A2B2: 滄州市(J50D006006); A3B3: 邯鄲市(J50D011002); A4B4: 唐山市(J50D002010); A5B5: 邢臺市(J50D008002)。

A1B1: Baoding city (J50D003004); A2B2: Cangzhou city (J50D006006); A3B3: Handan city (J50D011002); A4B4: Tangshan city (J50D002010); A5B5: Xingtai city (J50D008002).

表1 NDVI均值結(jié)果與冬小麥面積指數(shù)的比較

4.2 研究區(qū)冬小麥面積制圖精度

省域范圍內(nèi)的制圖是將上述方法逐一應(yīng)用于98個圖幅單元, 每個圖幅單元建立1 km的緩沖區(qū), 并對提取結(jié)果拼接, 拼接結(jié)果就是研究區(qū)內(nèi)的冬小麥空間分布結(jié)果, 最終得到2013—2014年度的研究區(qū)冬小麥種植范圍(圖8)。利用在研究區(qū)獲取的1479驗證樣本點對區(qū)域內(nèi)的冬小麥空間分布精度進行驗證, 可以看出, 總體識別精度達到89.6%, 用戶精度達到89.8%, 制圖精度96.5%, Kappa系數(shù)0.72 (表2)。這表明使用冬小麥面積指數(shù)方法進行京津冀區(qū)域冬小麥種植范圍提取具有較高的精確性, 該方法是切實可行的。

本研究區(qū)域內(nèi)冬小麥主要有3個集中分布區(qū)域, 即北部、中部與南部集中分布區(qū), 北部集中分布區(qū)包括北京市、天津市、河北省唐山市行政區(qū)域, 中部集中分布區(qū)包括河北省保定市、廊坊市、滄州市行政區(qū)域, 南部的石家莊市、衡水市、邢臺市和邯鄲市行政區(qū)域(圖8)?？傮w上空間分布結(jié)果與實際相符。

表2 冬小麥提取結(jié)果驗證樣本點混淆矩陣

圖8 本研究區(qū)2013–2014年度冬小麥種植空間分布

4.3 基于監(jiān)督分類的提取結(jié)果

采用基于最大似然分類器的監(jiān)督分類方法, 利用10個訓練樣方對研究區(qū)中編號J50D006006的圖幅單元進行冬小麥面積識別(圖9)。采用混淆矩陣的方式, 通過10個驗證樣方對監(jiān)督分類結(jié)果進行精度評價, 與通過冬小麥面積指數(shù)提取的結(jié)果精度進行對比(表3)。監(jiān)督分類和WWAI冬小麥提取的總體精度分別為91.46%和90.64%, Kappa系數(shù)分別為0.83和0.81, 用戶精度分別為87.88%和87.35%, 制圖精度分別為95.11%和90.34%, 除制圖精度相差4.77%以外, 其他都在1.00%以內(nèi)。WWAI冬小麥識別效果與常規(guī)監(jiān)督分類方法具有較高的一致性, 同時也具有較高的精度, 考慮到監(jiān)督分類需要大量的樣方, 在實際區(qū)域應(yīng)用中具有實際的不可操作性, 顯然WWAI指數(shù)算法更加簡潔高效, 人為干預(yù)少, 具有更強的區(qū)域適用性。

圖9 圖幅編號J50D006006區(qū)域冬小麥監(jiān)督結(jié)果

表3 監(jiān)督分類方案與WWAI算法精度比較

5 討論

標準化的分類單元構(gòu)建、規(guī)范化的樣本選擇技術(shù), 以及機理明確的算法選擇, 是區(qū)域尺度農(nóng)作物面積遙感自動識別精度與效率的主要影響因素。當前的研究重點更為注重算法選擇[25], 而對標準化分類單元的構(gòu)建、規(guī)范化的樣本選擇技術(shù)研究關(guān)注不足, 但這兩個因素恰恰是區(qū)域性業(yè)務(wù)監(jiān)測研究能夠順利進行的保證。該文將軌道覆蓋范圍變化較大的GF-1/WFV影像重新標準化到地形圖分幅單元中, 等同于對WFV數(shù)據(jù)進行標準化分幅處理, 便于后續(xù)的業(yè)務(wù)分工、軟件編程等研究工作的開展。采用規(guī)則化格網(wǎng)結(jié)合隨機選擇的方式獲取訓練和驗證樣本, 實現(xiàn)了樣本選擇可操作性, 也增強了樣方的選擇均勻性, 避免了由于樣本選擇聚集性帶來的精度誤差。

從農(nóng)作物面積識別的研究方法來分析, 多時相數(shù)據(jù)一維壓縮的算法已經(jīng)開始得到重視, 如王利民等[26]基于WFV數(shù)據(jù), 采用與WWAI指數(shù)類似的權(quán)重值被指數(shù)算法開展了冬小麥識別研究; Bargiel[27]基于VV和VH極化的Sentinel-1A數(shù)據(jù), 以每種作物在6個時相中出現(xiàn)概率的累加值作為參數(shù), 實現(xiàn)了多源數(shù)據(jù)的一維壓縮, 提取了玉米、冬小麥、馬鈴薯、甜菜等8種作物識別。更多研究的重點仍然是決策樹原理的多維影像數(shù)據(jù)的多層次識別[28], 這雖然完善了遙感影像作物識別能力的研究, 但仍需進行深入研究才能在區(qū)域范圍內(nèi)推廣應(yīng)用。該文提出的WWAI以NDVI時序數(shù)據(jù)為基礎(chǔ), 能夠充分利用每一個時期的NDVI, 增加冬小麥識別優(yōu)勢期NDVI的比重, 降低非優(yōu)勢期NDVI的影響, 實現(xiàn)冬小麥與非冬小麥種植區(qū)的區(qū)分, 是降維算法在省級尺度農(nóng)情遙感監(jiān)測業(yè)務(wù)運行中的具體應(yīng)用。

6 結(jié)論

利用GF-1/WFV遙感數(shù)據(jù), 基于時序NDVI物候權(quán)重不同的原理, 結(jié)合標準化地圖分幅單元構(gòu)建、格網(wǎng)化樣本選擇技術(shù), 開發(fā)了區(qū)域尺度冬小麥遙感識別算法, 實現(xiàn)了京津冀地區(qū)2013—2014年度冬小麥種植區(qū)的空間分布制圖, 總體精度達到89.6%, 是大范圍冬小麥面積監(jiān)測業(yè)務(wù)化運行較為可行的方法。

[1] 吳炳方. 中國農(nóng)情遙感速報系統(tǒng). 遙感學報, 2004, 8: 481–497 Wu B F. China crop watch system with remote sensing., 2004, 8: 481–497 (in Chinese with English abstract)

[2] 中華人民共和國統(tǒng)計局. 中國統(tǒng)計年鑒2017 (12-8 農(nóng)作物播種面積). 北京: 中國統(tǒng)計出版社, 2017 National Bureau of Statistics of the People’s Republic of China. China Statistical Yearbook 2017 (12-8 Sown areas of farm crops). Beijing: China Statistics Press, 2017 (in Chinese with English abstract)

[3] 楊邦杰, 裴志遠. 國家級農(nóng)情遙感監(jiān)測系統(tǒng)的研究開發(fā)與運行. 農(nóng)業(yè)工程學報, 2003, 19(增刊): 11–14 Yang B J, Pei Z Y. National agricultural condition monitoring system based on satellite remote sensing: development, application and improvement., 2003, 19(suppl): 11–14 (in Chinese with English abstract)

[4] Tarko A, De Bruin S, Fasbender D, Bregt A. Users’ assessment of orthoimage photometric quality for visual interpretation of agricultural fields., 2015, 7: 4919–4936

[5] Khatami R, mountrakis G, Stehman S V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: general guidelines for practitioners and future research., 2016, 177: 89–100

[6] L?w F, Duveiller G. Determining suitable image resolutions for accurate supervised crop classification using remote sensing data. In: Proceedings of the SPIE, Vol. 8893: Earth Resources and Environmental Remote Sensing/GIS Applications IV, Dresden, Germany, 2013. pp 909–927

[7] Lewiński S A. Object-oriented classification of Landsat ETM+ satellite image., 2007, 10: 91–106

[8] Kumar P, Gupta D K, Mishra V N, Prasad R. Comparison of support vector machine, artificial neural network, and spectral angle mapper algorithms for crop classification using LISS IV data., 2015, 36: 1604–1617

[9] Li J, Zhao G X, Yang P G. Knowledge-based land use/cover classification of remote sensing image in Kenli, Shandong Province, China., 2006, 51: 218–224

[10] 李霞, 王飛, 徐德斌, 劉清旺. 基于混合像元分解提取大豆種植面積的應(yīng)用探討. 農(nóng)業(yè)工程學報, 2008, 24(1): 213–217 Li X, Wang F, Xu D B, Liu Q W. Application research on the method for extracting soybean covered areas based on the pixel unmixing., 2008, 24(1): 213–217 (in Chinese with English abstract)

[11] 張建國, 李憲文, 吳延磊. 面向?qū)ο蟮亩←湻N植面積遙感估算研究. 農(nóng)業(yè)工程學報, 2008, 24(5): 156–160 Zhang J G, Li X W, Wu Y L. Object oriented estimation of winter wheat planting area using remote sensing data., 2008, 24(5): 156–160 (in Chinese with English abstract)

[12] Lennington R K, Sorensen C T, Heydorn R P. A mixture model approach for estimating crop areas from Landsat data., 1984, 14: 197–206

[13] Chellasamy M, Ferré T P A, Greeve M H. Automatic training sample selection for a multi-evidence based crop classification approach. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives, 7th edn., Vol. 40, 2014. pp 63–69

[14] 王利民, 劉佳, 高建孟, 楊玲波, 楊福剛, 王小龍. 冬小麥面積遙感識別精度與空間分辨率關(guān)系. 農(nóng)業(yè)工程學報, 2016, 32(23): 152–160 Wang L M, Liu J, Gao J M, Yang L B, Yang F G, Wang X L. Relationship between accuracy of winter wheat area remote sensing identification and spatial resolution., 2016, 32(23): 152–160 (in Chinese with English abstract)

[15] 李穎, 陳秀萬, 段紅偉, 沈陽. 多源多時相遙感數(shù)據(jù)在冬小麥識別中的應(yīng)用研究. 地理與地理信息科學, 2010, 26(4): 47–49 Li Y, Chen X W, Duan H W, Shen Y. Application of multi-source and multi-temporal remote sensing data in winter wheat identification., 2010, 26(4): 47–49 (in Chinese with English abstract)

[16] Conese C, Maselli F. Use of multi-temporal information to improve classification performance of TM scenes in complex terrain., 1991, 46: 187–197

[17] 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. 農(nóng)業(yè)工程學報, 2013, 29(8): 154–163 Zhang X W, Qin Y C, Qin F. Remote sensing estimation of planting area for winter wheat by integrating seasonal rhythms and spectral characteristics., 2013, 29(8): 154–163 (in Chinese with English abstract)

[18] Wardlow B D, Egbert S L. Large-area crop mapping using time- series MODIS 250m NDVI data: an assessment for the U.S. Central Great Plains., 2008, 112: 1096–1116

[19] Zheng B, Myint S W, Thenkabail P S, Aggarwal R M. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data., 2015, 34: 103–112

[20] 劉佳, 王利民, 楊福剛, 楊玲波, 王小龍. 基于HJ時間序列數(shù)據(jù)的農(nóng)作物種植面積估算. 農(nóng)業(yè)工程學報, 2015, 31(3): 199–206 Liu J, Wang L M, Yang F G, Yang L B, Wang X L. Remote sensing estimation of crop planting area based on HJ time-series images., 2015, 31(3): 199–206 (in Chinese with English abstract)

[21] Suzuki K, Takeuchi T. Classification of upland crops using multi-temporal RapidEye data., 2015, 31: 1–10

[22] Carfagna E, Gallego F J. Using remote sensing for agricultural statistics., 2005, 73: 389–404

[23] 焦險峰, 楊邦杰, 裴志遠. 基于分層抽樣的中國水稻種植面積遙感調(diào)查方法研究. 農(nóng)業(yè)工程學報, 2006, 22(5): 105–110 Jiao X F, Yang B J, Pei Z Y. Paddy rice area estimation using a stratified sampling method with remote sensing in China., 2006, 22(5): 105–110 (in Chinese with English abstract)

[24] 王增林, 朱大明. 基于遙感影像的最大似然分類算法的探討. 河南科學, 2010, 28: 1458–1461 Wang Z L, Zhu D M. A study of maximum likelihood classification algorithm based on remote sensing image., 2010, 28: 1458–1461 (in Chinese with English abstract)

[25] Mosleh M K, Hassan Q K, Chowdhury E H. Application of remote sensors in mapping rice area and forecasting its production: a review., 2015, 15: 769–791

[26] 王利民, 劉佳, 楊玲波, 楊福剛, 滕飛, 王小龍. 基于 NDVI 加權(quán)指數(shù)的冬小麥種植面積遙感監(jiān)測. 農(nóng)業(yè)工程學報, 2016, 32(17): 127–135 Wang L M, Liu J, Yang L B, Yang F G, Teng F, Wang X L. Remote sensing monitoring winter wheat area based on weighted NDVI index., 2016, 32(17): 127–135 (in Chinese with English abstract)

[27] Bargiel D. A new method for crop classification combining time series of radar images and crop phenology information., 2017, 198: 369–383

[28] Massey R, Sankey T T, Congalton R G, Yadav K, Thenkabail P S, Ozdogan M, Meador A J S. MODIS phenology-derived, multi-year distribution of conterminous U.S. crop types., 2017, 198: 490–503

Acguisition of Winter Wheat Area in the Beijing-Tianjin-Hebei Region with GF-1 Satellite Data

WANG Li-Min*, LIU Jia, YANG Fu-Gang, YANG Ling-Bo, YAO Bao-Min, and WANG Xiao-Long

Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China

Winter wheat area accurate acquisition at provincial scale is an important aspect in remote-sensing monitoring of crop area. This study aimed at estimating winter wheat area in Beijing, Tianjin, and Hebei at provincial scale using classification map units from the national standard topographic map and the winter wheat area index (WWAI) created from the wide field view (WFV) data of GF-1 satellite. A total of 984 satellite monitoring images between October 1, 2013 and June 30, 2014 were used as data sources. The major process steps were data preprocessing, NDVI synthesis of standard map units, selection of samples, creation of winter wheat area index, confirmation of winter wheat crop type, provincial scale mapping, and accuracy verification. Multi-temporal GF-1/WFV data were preprocessed and NDVI value of images were calculated by using block adjustment and 6S atmospheric correction algorithm. By means of the 1:100 000 national standard topographic map framings of China, as the classification map units, WWAI was equally divided at a proportion of 1 percent into 101 extraction nodes from 0 to 100%. The NDVI values of extraction nodes were compared with type confirmation samples, and the most accurate NDVI was adopted as the extraction threshold value of winter wheat area. This threshold was then used into WWAI image in the map units to obtain winter wheat planting distribution. The identification result showed that, by taking standard map framing as calculation units and based on the creation of WWAI of GF-1 images, we remarkably improved the wave spectrum difference between winter wheat and other ground objects, with the overall accuracy of 89.6%, user accuracy of 89.8%, mapping accuracy of 96.5%, and Kappa coefficient of 0.72. In a typical region, the algorithm proposed had a similar accuracy with supervised classification algorithm. Except for 4.77% of the difference in mapping accuracy, the differences in overall accuracy and user accuracy were less than 1.00%. These results indicate that the used in this study is of algorithm high accuracy, efficiency and consistency in classification unit identification and applicable in agricultural monitoring at provincial level.

GF-1 satellite; region scale; winter wheat; area index; remote sensing

2017-06-14;

2018-01-08;

2018-01-26.

10.3724/SP.J.1006.2018.00762

本研究由國家重點研發(fā)計劃項目(2016YFD0300603)資助。

This study was supported by the National Key Research and Development Program of China (2016YFD0300603).

王利民, E-mail: wanglimin01@caas.cn

http://kns.cnki.net/kcms/detail/11.1809.S.20180125.1755.006.html