陰海明， 王立輝， 董明霞， 李曉冬， 黃進(jìn)良

(1.中國科學(xué)院精密測量科學(xué)與技術(shù)創(chuàng)新研究院，湖北 武漢430077；2.中國科學(xué)院大學(xué)，北京100049；3.湖北省環(huán)境與災(zāi)害監(jiān)測評估重點實驗室，湖北 武漢430077)

我國是農(nóng)業(yè)大國，擁有水稻、小麥等多種優(yōu)勢農(nóng)作物.江漢平原位于湖北省中南部，是長江中下游平原的重要組成部分，是全國重要的商品糧生產(chǎn)基地.因此，對江漢平原農(nóng)作物種植面積進(jìn)行準(zhǔn)確有效的監(jiān)測，具有十分重要的意義[1].傳統(tǒng)的農(nóng)作物面積統(tǒng)計方法需要耗費巨大的人物、物力、財力，且統(tǒng)計結(jié)果缺乏時效性，而遙感技術(shù)以其覆蓋范圍廣、重訪周期短、時效性強、數(shù)據(jù)和方法豐富等特點，廣泛應(yīng)用在農(nóng)業(yè)生產(chǎn)中[2].

利用歸一化植被指數(shù)(normalized difference vegetation index， NDVI)時序數(shù)據(jù)對農(nóng)作物種植信息進(jìn)行提取，在時間上呈現(xiàn)植被物候特征以及周期性變化特征，反映季節(jié)和人為活動對地表植被的影響等，在農(nóng)作物動態(tài)監(jiān)測中有著十分重要的地位[3-4].目前，一些學(xué)者采用時序影像數(shù)據(jù)植被指數(shù)分析方法進(jìn)行農(nóng)作物識別[5].張煦等[6]基于MODIS NDVI 時序數(shù)據(jù)提取了江漢平原2002—2014 年油菜種植面積與變化趨勢，得到油菜種植面積的增長態(tài)勢，總體精度達(dá)到92.5%；Brain et al[7]基于MODIS NDVI 時序數(shù)據(jù)分析了不同作物時序光譜曲線，通過增強植被指數(shù)(enhanced vegetation index， EVI)和NDVI 提取了美國中部平原多種作物的種植結(jié)構(gòu)；劉明月等[8]基于MODIS NDVI 時序數(shù)據(jù)，并結(jié)合Landsat8 OLI 影像，采用面向?qū)ο蟮姆诸惙椒▽邶埥卑彩修r(nóng)作物進(jìn)行分類，分類精度為90.7%.僅利用光譜特征進(jìn)行提取造成的“同物異譜”或“同譜異物”問題以及分類結(jié)果中明顯的“椒鹽現(xiàn)象”仍無法解決[9-10].

隨著遙感技術(shù)的發(fā)展，遙感影像的“時空矛盾”逐漸被克服.遙感影像空間分辨率不斷提升的同時，衛(wèi)星的重訪周期也在不斷縮短，同一地區(qū)能夠獲得更高分辨率的時序影像.歐洲航天局的多光譜衛(wèi)星Sentinel-2 擁有10 m 的空間分辨率，通過相位相差180°的2A/2B 兩顆衛(wèi)星聯(lián)合工作，將時間分辨率縮短為5 d，陸地監(jiān)測水平大大提高[11].Sentinel-2 時序影像應(yīng)用于農(nóng)作物識別，克服了以往時序數(shù)據(jù)難以獲取、影像空間分辨率低等難題，為農(nóng)作物精細(xì)尺度識別提供了更好的解決辦法[12].郭文婷等[13]根據(jù)植被生長旺盛期Sentinel-2 影像計算NDVI，并結(jié)合光譜特征對內(nèi)蒙古赤峰市耕地和林地進(jìn)行了提取，總體精度達(dá)87.64%；何云等[14]應(yīng)用Sentinel-2A 遙感數(shù)據(jù)豐富的光譜和紋理信息對中南半島典型地區(qū)進(jìn)行了土地利用分類，總體分類精度達(dá)87.53%；Griffiths et al[15]利用Sentinel-2 MSI 和Landsat-8 OLI 合成的以10 d 為間隔的時序影像對德國草地進(jìn)行監(jiān)測.但有關(guān)Sentinel-2 進(jìn)行多種農(nóng)作物的精細(xì)尺度識別研究較少.

本文利用高時空分辨率的Sentinel-2 影像，將時序NDVI 和面向?qū)ο蠓诸愊嘟Y(jié)合，并以多云雨、難以獲取植被生長期影像的全國重要產(chǎn)糧基地江漢平原為研究區(qū)，進(jìn)行精細(xì)尺度農(nóng)作物提取研究；利用研究區(qū)作物生長期多時相Sentinel-2 影像與構(gòu)建的NDVI 時序數(shù)據(jù)，結(jié)合研究區(qū)不同作物物候特征，探討提取江漢平原農(nóng)作物種植信息的最佳方法，為江漢平原作物種植面積監(jiān)測及農(nóng)業(yè)現(xiàn)代化信息提取提供依據(jù).

1 研究區(qū)概況

潛江市地處江漢平原腹地，東經(jīng)112°29′39″—133°01′27″，北緯30°04′53″—30°38′53″，北隔漢水，與天門市接壤；南與江陵、監(jiān)利縣為鄰；東接仙桃；西聯(lián)沙洋縣和荊州市沙市區(qū)，土地總面積約2 000 km2.境內(nèi)地勢平坦，河渠縱橫交錯，湖泊星羅棋布，屬亞熱帶季風(fēng)性濕潤氣候，年平均氣溫16 ℃，熱量、雨量較為充足，是江漢平原種植模式的典型代表[17-18].

圖1 潛江市在江漢平原的位置及潛江市Sentinel-2 影像Fig.1 Location of Qianjiang City in Jianghan Plain and Sentinel-2 image

研究區(qū)的主要夏收作物為油菜、冬小麥和早稻，主要秋收作物為中稻、棉花、晚稻.種植模式為油菜—中稻、油菜—棉花、冬小麥—棉花、早稻—雙季晚稻和一季晚稻[18].江漢平原主要夏收農(nóng)作物生長周期如表1 所示.

表1 江漢平原主要夏收農(nóng)作物的生長周期Table 1 Growth cycle of main summer crops in Jianghan Plain

2 研究方法

2.1 遙感數(shù)據(jù)及其預(yù)處理

影像數(shù)據(jù)來自歐洲航天局(https:/ /sentinel.esa.int/web/sentinel/home)，選取2017 年9 月至2018 年6月研究區(qū)夏收作物一個完整生長周期的12 幅云量覆蓋低于10%的Sentinel-2 影像，影像獲取時間和云量相關(guān)數(shù)據(jù)見表2.

表2 潛江市Sentinel-2 數(shù)據(jù)Table 2 List of Sentinel-2 data of Qianjiang City

獲取的Sentinel-2 Level-1C 數(shù)據(jù)為經(jīng)正射校正和亞像元級幾何精校正后的大氣表觀反射率產(chǎn)品[19]，通過Sen2cor 對影像進(jìn)行大氣校正，得到L2A 產(chǎn)品；然后在ESA snap 中對影像數(shù)據(jù)進(jìn)行重采樣、波段提取以及柵格輸出.提取空間分辨率為10 m 的R、G、B 和NIR 波段，計算各時相影像的NDVI，最后合成多波段NDVI 時序影像.

2.2 野外實地數(shù)據(jù)采集

野外實地調(diào)查數(shù)據(jù)為2018 年3 月下旬在研究區(qū)采集的地物樣本點數(shù)據(jù)，包括作物類型、物候期以及經(jīng)緯度信息.共采集有效樣本點數(shù)據(jù)5 993 個，其中油菜1 719 個，冬小麥1 303 個，林草地1 102 個，非植被1 869 個，按照1 ∶1 的比例隨機分成訓(xùn)練樣本和驗證樣本.

2.3 研究技術(shù)路線

基于多時相遙感影像進(jìn)行農(nóng)作物面積提取，根據(jù)作物生長周期不同時期農(nóng)作物光譜特征的差異來提取作物種植信息.以潛江市作物生長周期的12 幅Sentinel-2 影像構(gòu)建時序NDVI，結(jié)合最佳時相多光譜影像進(jìn)行基于對象的多尺度分割，基于農(nóng)田實測數(shù)據(jù)和NDVI 時序數(shù)據(jù)進(jìn)行訓(xùn)練并構(gòu)建決策樹分類模型，對作物進(jìn)行提取.研究技術(shù)路線如圖2 所示.

圖2 技術(shù)路線圖Fig.2 Technology roadmap of the paper

2.4 研究區(qū)主要地類NDVI 曲線分析方法

NDVI 計算公式為:

研究區(qū)主要地表類型的時序NDVI 曲線分析方法如圖3 所示.

根據(jù)研究區(qū)作物物候，將預(yù)處理的最佳時相Sentinel-2 多光譜影像及合成的NDVI 時序影像以野外實測的樣本點進(jìn)行訓(xùn)練，建立決策樹分類模型；并對影像進(jìn)行面向?qū)ο蠓诸悾诸悰Q策樹模型如圖4 所示，對研究區(qū)農(nóng)作物進(jìn)行提取.

3 結(jié)果與分析

3.1 影像分類

基于Sentinel-2 時序NDVI 的面向?qū)ο鬀Q策樹分類方法對江漢平原潛江市2018 年主要夏收作物(油菜、冬小麥)進(jìn)行提取，分類結(jié)果如圖5 所示.

對照原始影像和圖5 可以看出，研究區(qū)冬小麥空間分布較為集中，主要分布在潛江市北部鄉(xiāng)鎮(zhèn)以及東荊河兩岸；油菜種植面積相對較小且較為分散，主要分布在潛江南部以及西南部.冬小麥和油菜在北部穿插種植，少部分零星分布在東荊河兩岸.竹根灘鎮(zhèn)位于潛江市東北部，夏收農(nóng)作物種植面積較大，不同算法分類結(jié)果差異較為明顯(圖6).

圖5 潛江市不同分類算法的分類結(jié)果Fig.5 Classification results of different classification algorithms in Qianjiang City

3.2 精度驗證

為探討江漢平原農(nóng)作物種植信息提取的最佳方法，驗證本文中多種分類方法的準(zhǔn)確程度，基于統(tǒng)計數(shù)據(jù)和實地調(diào)查數(shù)據(jù)進(jìn)行精度驗證.

圖6 竹根灘鎮(zhèn)不同分類算法分類結(jié)果Fig.6 Classification results of different classification algorithms in Zhugentan Town

基于統(tǒng)計數(shù)據(jù)的精度驗證，計算研究區(qū)各種農(nóng)作物提取的相對精度:

潛江市油菜的播種面積為209.93 km2，冬小麥的種植面積為366.47 km2[18]，分類結(jié)果的相對精度如表3 所示.

由表3 可知，基于Sentinel-2 NDVI 時序提取的潛江市主要夏收作物種植面積與實際統(tǒng)計結(jié)果相符，油菜和小麥的相對精度分別是98.54%和98.62%.此外，利用隨機選擇的實地驗證點，通過對研究區(qū)不同分類方法的分類結(jié)果計算混淆矩陣，對分類結(jié)果進(jìn)行精度驗證，驗證結(jié)果如表4 所示.基于Sentinel-2 NDVI 時序提取潛江市主要夏收作物種植面積在各個地類的識別精度，結(jié)果表明，油菜的用戶精度為92.20%，冬小麥的用戶精度為97.57%，林草地的用戶精度為97.65%，分類的總體精度為96.47%，Kappa 系數(shù)為0.9518.總體上，各種作物類型的分類結(jié)果均較為準(zhǔn)確，分類精度較高.

表3 遙感分類結(jié)果精度的比較Table 3 Comparison of the accuracies of classification results and statistical data

表4 不同分類方法混淆矩陣精度的驗證結(jié)果Table 4 Accuracy verification results of confounding matrices under different classification methods

為進(jìn)一步探討基于Sentinel-2 時序NDVI 的面向?qū)ο鬀Q策樹分類方法提取農(nóng)作物的有效性，利用研究區(qū)夏收作物最佳時相的多光譜影像，采用面向?qū)ο笈c基于像元的隨機森林算法分類結(jié)果進(jìn)行比較分析.

從表4 和圖5 可以看出，基于NDVI 時間序列數(shù)據(jù)對研究區(qū)進(jìn)行面向?qū)ο筇崛〉霓r(nóng)作物提取結(jié)果精度最高，總體精度達(dá)到了96.47%，Kappa 系數(shù)為0.951 8.河流兩岸的防護(hù)林帶、居住地旁邊的樹木以及冬小麥種植區(qū)域中零散種植的油菜均比較符合研究區(qū)實際情況，并且能夠?qū)⒂筒撕投←渽^(qū)分開來.采用面向?qū)ο蠓诸愃惴?，從基于最佳時相多光譜數(shù)據(jù)得到的分類結(jié)果中也能夠得到較為完整的地塊，總體的分類精度為88.67%，Kappa 系數(shù)為0.818 5.但是基于最佳時相多光譜數(shù)據(jù)的面向?qū)ο蠓诸惤Y(jié)果在林草地的識別上精度較低，河道水渠兩側(cè)的林草地被錯分為農(nóng)作物，穿插種植的冬小麥無法完整地提取出來，局部地塊被錯分成油菜.在大多數(shù)多光譜影像中，由于油菜和冬小麥的生長期較為類似，以致兩者在某些影像中存在差別不大的光譜特征，僅使用單景的多光譜數(shù)據(jù)的特征閾值無法對其進(jìn)行有效的區(qū)分，局部地區(qū)地塊錯分漏分.從分類結(jié)果對比可以看出，基于Sentinel-2 NDVI 時序數(shù)據(jù)的面向?qū)ο鬀Q策樹分類方法將總體分類精度提升了7.80%，Kappa 系數(shù)提升了0.133 3.

基于像元的隨機森林算法適用于小樣本、高維度、非線性遙感影像信息的提取，但是在地物光譜信息較為相似的情況下難以準(zhǔn)確識別地物，“同物異譜”或“異物同譜”問題無法解決.從分類結(jié)果可以看出，分類結(jié)果存在錯分和明顯的“椒鹽現(xiàn)象”，整體分類精度相對較低，總體精度為88.58%，Kappa 系數(shù)為0.728 8.

4 小結(jié)與討論

本文利用2017 年9 月至2018 年6 月的多時相Sentinel-2 衛(wèi)星遙感影像，結(jié)合研究區(qū)農(nóng)作物生長物候信息，基于面向?qū)ο蟮臎Q策樹分類方法提取潛江市2018 年主要夏收農(nóng)作物種植面積以及空間分布，與最佳時相基于面向?qū)ο蠛突谙裨亩喙庾V分類方法進(jìn)行比較，并以統(tǒng)計數(shù)據(jù)和野外實測數(shù)據(jù)進(jìn)行精度驗證，得到以下結(jié)論:(1)利用研究區(qū)主要夏收作物的生長期時序Sentinel-2 遙感影像，基于面向?qū)ο蠓诸惙椒ㄟM(jìn)行農(nóng)作物提取，能夠準(zhǔn)確地識別作物的發(fā)育特征，配合決策樹分類方法能夠監(jiān)測研究區(qū)農(nóng)作物種植面積及空間分布.分類結(jié)果表明:油菜和冬小麥分類精度分別達(dá)到了92.20%和97.57%，分類總體精度為96.47%，Kappa 系數(shù)為0.951 8.表明該分類方法對農(nóng)作物的識別能力較強，分類精度較高，能夠滿足精準(zhǔn)農(nóng)業(yè)遙感監(jiān)測的需要.(2)研究區(qū)作物種植破碎化程度較高，插花種植現(xiàn)象比較普遍，這影響了作物的提取精度.本文結(jié)合高時空分辨率遙感影像構(gòu)建的NDVI 時序和面向?qū)ο蟮臎Q策樹分類方法，在提高分類精度的同時，避免了“同物異譜”、“異物同譜”和“椒鹽現(xiàn)象”.10 m 的空間分辨率既保證了精細(xì)尺度上的提取精度，也保證了作物整體空間分布上的準(zhǔn)確性，分類結(jié)果的準(zhǔn)確度和實用性有較大的提升.(3)Sentinel-2 衛(wèi)星具有10 m 的高空間分辨率、5 d 的短重訪周期以及免費獲取的優(yōu)勢，致使其廣泛應(yīng)用在作物識別上.魏夢凡[20]在Sentinel-2 結(jié)合植被物候信息進(jìn)行作物提取的領(lǐng)域進(jìn)行了較為系統(tǒng)的研究，但單一作物的提取研究無法滿足實際應(yīng)用的需求.本文研究根據(jù)研究區(qū)的作物種植規(guī)律與物候信息，對研究區(qū)主要的夏收作物進(jìn)行了提取分析，得到作物種植面積與空間分布，滿足了作物監(jiān)測的需求.