張 彥，劉 婷，包卓雅，王來剛，賀 佳，郭 燕，張紅利，楊秀忠

(1.河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，河南 鄭州 450002; 2.新鄉(xiāng)醫(yī)學(xué)院，河南 新鄉(xiāng) 453007)

花生是重要的經(jīng)濟(jì)作物，也是我國主要油料作物之一。花生不僅可以滿足國內(nèi)市場對油料作物的需求，還可為畜牧業(yè)的可持續(xù)發(fā)展提供有力支撐，對農(nóng)村經(jīng)濟(jì)的發(fā)展有著重要作用。河南是我國花生生產(chǎn)第一大省，近年來種植面積和產(chǎn)量均穩(wěn)步增加。2018年，河南花生種植總面積為1 203.18×103hm2，產(chǎn)量為572.44×104t[1]，均居全國首位。在河南，花生是繼小麥、玉米之后的第三大作物。因此，快速精準(zhǔn)地獲得花生種植面積及空間分布信息，對于各級部門指導(dǎo)花生生產(chǎn)，促進(jìn)農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革具有重要的意義。

相比于傳統(tǒng)的農(nóng)作物種植面積監(jiān)測手段，遙感技術(shù)具有快速、客觀、低成本、大面積同步觀測等特點(diǎn)，為準(zhǔn)確、快速提取花生種植面積提供了重要的技術(shù)支撐。目前，基于SPOT[2]、RapidEye[3-4]、Sentinel-2[5]、Landsat系列[6]、國產(chǎn)高分系列[7-9]等中高空間分辨率影像對農(nóng)作物面積和長勢進(jìn)行估算已成為農(nóng)業(yè)遙感監(jiān)測的研究熱點(diǎn)。近年來，Sentinel-2數(shù)據(jù)在作物分類[10]、病蟲害監(jiān)測[11]中得到廣泛應(yīng)用，已有研究通過Sentinel-2數(shù)據(jù)，提取了小麥[12]、水稻[13]、油菜[14]、大豆[15]和花生[16]等作物種植面積，均取得較高的識別精度；黃林生等[17]利用Sentinel-2影像反演了小麥條銹病相關(guān)的植被指數(shù)，基于BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建小麥條銹病嚴(yán)重度監(jiān)測模型，有效提高了小麥條銹病監(jiān)測模型精度。紅邊波段可有效反映作物的光譜特征，是監(jiān)測作物生長狀況的敏感波段[18-20]，國產(chǎn)高分六號(簡稱GF-6)衛(wèi)星首次設(shè)置了2個紅邊波段，已在林地分類[21]，油菜[22]和中草藥[23]種植面積提取中表現(xiàn)出較好的應(yīng)用潛力。

Sentinel-2與GF-6數(shù)據(jù)在作物分類中具備較高的精度，均可用于大范圍業(yè)務(wù)化工作。然而，目前國內(nèi)外有關(guān)采用Sentinel-2與GF-6 WFV數(shù)據(jù)對作物識別的精度對比研究較少，尤其是沒有以花生種植面積為提取對象的研究。為此，選取地塊細(xì)碎、種植結(jié)構(gòu)復(fù)雜的河南省許昌市榆林鄉(xiāng)為研究區(qū)，在2019年花生種植面積提取最佳時期各選取1景Sentinel-2與GF-6 WFV影像，采用面向?qū)ο蟮腒鄰近法和基于像元的最大似然法提取花生種植面積，通過精度評價及誤差分析，對比2種數(shù)據(jù)提取細(xì)碎地塊、種植結(jié)構(gòu)復(fù)雜的小尺度地區(qū)花生種植面積的能力，以期為更多作物識別研究在選擇數(shù)據(jù)源時提供參考。

1 材料和方法

1.1 研究區(qū)概況

許昌市榆林鄉(xiāng)地理位置處于東經(jīng)113°03′～114°19′，北緯33°42′～34°24′(圖1a)，氣候?qū)俦迸瘻貛Ъ撅L(fēng)氣候區(qū)，熱量資源豐富，雨量充沛，陽光充足，無霜期長。全鄉(xiāng)總面積73.76 km2，交通發(fā)達(dá)，地勢平坦，水資源豐富，適合小麥、玉米、花生、谷子、辣椒等農(nóng)作物生長，其中該區(qū)花生因優(yōu)良的品質(zhì)獲得過國家農(nóng)業(yè)博覽會金獎，是許昌土特產(chǎn)之一。榆林鄉(xiāng)花生播種方式以夏直播為主，播種期為每年6月中上旬，收獲期為9月下旬，生育期為110 d左右[24]。

1.2 數(shù)據(jù)獲取與處理

1.2.1 遙感數(shù)據(jù)及處理 根據(jù)數(shù)據(jù)可獲得性，選用研究區(qū)相同時相(2019年8月16日)的Sentinel-2(圖1b)與GF-6 WFV(圖1c)數(shù)據(jù)各1景進(jìn)行花生種植面積提取，該時相為花生旺盛生長期，云量均低于5%，影像質(zhì)量較好。遙感數(shù)據(jù)分別來自ESA數(shù)據(jù)共享網(wǎng)站(https://scihub.copernicus.eu/)和中國資源衛(wèi)星應(yīng)用中心(http://www.cresda.com/CN/)，相關(guān)參數(shù)如表1所示。Sentinel-2數(shù)據(jù)是經(jīng)過幾何精校正的大氣表觀反射率數(shù)據(jù)，在預(yù)處理過程中，僅需對其進(jìn)行大氣校正，得到地表反射率。本研究利用歐洲航天局的SNAP軟件對Sentinel-2數(shù)據(jù)進(jìn)行大氣校正[25]。GF-6 WFV數(shù)據(jù)是通過ENVI5.3軟件進(jìn)行輻射定標(biāo)和大氣校正，然后以Sentinel-2影像為參考影像進(jìn)行幾何校正，誤差控制在0.5個像元內(nèi)。最后利用榆林鄉(xiāng)的邊界矢量數(shù)據(jù)裁剪Sentinel-2和GF-6 WFV數(shù)據(jù)。為比較基于不同數(shù)據(jù)對花生種植面積提取的差異，本研究通過波段篩選，保留2種數(shù)據(jù)源相同波段參與分類，即藍(lán)、綠、紅、近紅外、紅邊1和紅邊2。

a.研究區(qū)地理位置；b.研究區(qū)Sentinel-2影像(RGB:4,3,2);c.研究區(qū)GF-6 WFV影像(RGB:3,2,1)

表1 Sentinel-2數(shù)據(jù)與GF-6 WFV數(shù)據(jù)的主要參數(shù)

1.2.2 野外調(diào)查數(shù)據(jù)

1.2.2.1 地面樣本點(diǎn)數(shù)據(jù) 2019年7月23日、2019年8月18日在研究區(qū)開展野外調(diào)查，樣本點(diǎn)分為6種類型，分別為花生、其他作物、裸地、林地、水體和建設(shè)用地。利用手持GPS(Global positioning system)獲得樣本點(diǎn)1 407個，空間分布如圖1b所示，其中50%作為訓(xùn)練樣本，50%作為驗證樣本，用于各地類的識別和分類后精度評價。

1.2.2.2 地面樣方數(shù)據(jù) 在研究區(qū)內(nèi)布設(shè)地面樣方4個，用于花生種植面積提取的誤差分析，空間分布如圖1b所示。樣方實測總面積為91.77 hm2，其中，花生、其他作物、林地、建筑用地占比分別為50.08%、38.29%、7.50%和4.13%。

1.3 研究方法

本研究采用面向?qū)ο蟮腒鄰近法和基于像元的最大似然法對Sentinel-2與GF-6 WFV數(shù)據(jù)進(jìn)行花生種植面積提取。

1.3.1 K鄰近法 K鄰近法(K nearest neighbor，KNN)在N維空間的歐幾里德距離中，依據(jù)待分類的數(shù)據(jù)和訓(xùn)練區(qū)的訓(xùn)練樣本元素對圖像進(jìn)行分類，N由分類時目標(biāo)物的屬性數(shù)目來確定。相對于傳統(tǒng)的最鄰近方法而言，K鄰近法能產(chǎn)生更小的敏感異常和噪聲數(shù)據(jù)集，繼而得到更準(zhǔn)確的分類結(jié)果[26]。其公式如下：

1.3.2 最大似然法 最大似然法(Maximum likelihood classification，MLC)是監(jiān)督分類方法中使用較多的分類方法之一。與其他非參數(shù)方法相比較，它具有清晰的參數(shù)解釋能力、易于與先驗知識融合和算法簡單而易于實施等優(yōu)點(diǎn)。該算法通過對遙感影像多個波段像元統(tǒng)計分析，假定各類地物均符合正態(tài)分布，通過訓(xùn)練樣本，根據(jù)判決準(zhǔn)則構(gòu)建非線性判別函數(shù)，通過判定每個像元對各類別的歸屬度，把各像元分配到相應(yīng)地物中[27]。

1.3.3 精度驗證 分類結(jié)果精度驗證采用基于樣本點(diǎn)的混淆矩陣法，研究選取野外調(diào)查采集的703個樣本點(diǎn)數(shù)據(jù)對分類結(jié)果進(jìn)行精度評價，包括制圖精度、用戶精度、總體精度和Kappa系數(shù)4個指標(biāo)。

花生種植面積提取誤差分析通過計算樣方內(nèi)花生種植面積提取結(jié)果與樣方內(nèi)花生種植面積實測結(jié)果之間的相對誤差，研究花生種植面積提取結(jié)果與實際情況的差異。

2 結(jié)果與分析

2.1 分類結(jié)果精度評價

在ENVI5.3中構(gòu)建混淆矩陣，精度評價結(jié)果如表2所示。基于最大似然法對Sentinel-2和GF-6 WFV的地類信息提取總體精度分別為86.36%和87.01%，Kappa系數(shù)分別為0.83和0.84；花生種植面積提取的制圖精度分別為93.44%和94.61%，用戶精度分別為85.28%和86.56%?；贙鄰近法對Sentinel-2和GF-6 WFV的地類信息提取總體精度分別為96.10%和94.81%，Kappa系數(shù)分別為0.95和0.94；花生種植面積提取的制圖精度分別為97.48%和95.91%，用戶精度分別為94.10%和91.77%。2種方法對2種數(shù)據(jù)源提取的總體精度和Kappa系數(shù)均超過85%和0.8，花生種植面積提取的制圖精度和用戶精度均優(yōu)于85%，說明分類結(jié)果整體較好，能夠滿足實際研究需要。

表2 2種分類方法的分類精度評價結(jié)果

2.2 花生種植面積提取結(jié)果誤差分析

地面樣方內(nèi)花生種植面積提取結(jié)果與花生種植面積實測結(jié)果的相對誤差如表3所示。從表3可以看出，采用K鄰近法提取Sentinel-2影像所得花生種植面積的相對誤差值最小，為2.22%；而采用最大似然法提取該影像所得花生種植面積的相對誤差值最大，為7.69%。

表3 花生種植面積提取相對誤差統(tǒng)計

2種分類方法提取的花生種植面積相對誤差均小于10%，說明提取效果較好?；谙裨淖畲笏迫环ㄌ崛〉幕ㄉN植面積相對誤差較大，說明錯分現(xiàn)象明顯，可能由于研究區(qū)內(nèi)秋季作物種植結(jié)構(gòu)復(fù)雜，影響了提取精度；而面向?qū)ο蟮腒近鄰法分類結(jié)果相對誤差較小，說明錯分現(xiàn)象較少，相對于最大似然法，該法提取精度更高，這得益于面向?qū)ο蠓椒ǔ浞掷昧硕喙庾V影像的地物光譜特征及紋理特征。

2.3 數(shù)據(jù)源差異分析

對比表2、表3中采用同方法不同數(shù)據(jù)源得到的花生種植面積提取精度，發(fā)現(xiàn)采用基于像元的最大似然法時，GF-6 WFV數(shù)據(jù)的提取精度稍高于Sentinel-2數(shù)據(jù)，而采用面向?qū)ο蟮腒鄰近法時，GF-6 WFV數(shù)據(jù)的提取精度則不如Sentinel-2數(shù)據(jù)。其中，采用最大似然法時，GF-6 WFV數(shù)據(jù)的制圖精度、用戶精度高于Sentinel-2，且相對誤差低于Sentinel-2，其差值分別為1.17、1.28、1.63個百分點(diǎn)。采用K鄰近法提取花生種植面積時，GF-6 WFV數(shù)據(jù)的制圖精度、用戶精度低于Sentinel-2，且相對誤差高于Sentinel-2，其差值分別為1.57、2.33、1.73個百分點(diǎn)。這可能由于波段數(shù)相同情況下，GF-6 WFV的空間分辨率為16 m，低于10 m的Sentinel-2融合數(shù)據(jù)，在對花生地塊的形狀、紋理、大小等特征上的表現(xiàn)有一定的局限性。

2.4 分類方法差異分析

從表2、表3可以看出，Sentinel-2與GF-6 WFV數(shù)據(jù)利用K鄰近法得到的分類精度均高于最大似然法。對于Sentinel-2數(shù)據(jù)，K鄰近法提取花生種植面積的制圖精度、用戶精度比最大似然法分別高4.04、8.82個百分點(diǎn)，相對誤差低5.47個百分點(diǎn)；對于GF-6 WFV數(shù)據(jù)，采用K鄰近法提取花生種植面積的制圖精度、用戶精度比最大似然法分別高1.30、5.21個百分點(diǎn)，相對誤差低2.11個百分點(diǎn)。

2.5 花生種植面積空間分布

本研究所提取的花生種植面積精度較高，可滿足實際需要，故對分類結(jié)果做進(jìn)一步分析，根據(jù)花生種植面積提取結(jié)果得到空間分布圖(圖2)。其中，西北部和東南部地區(qū)土壤肥沃，耕地集中連片，適宜花生種植，花生種植面積分布較為集中；東北部地區(qū)為城鎮(zhèn)所在地，耕地較少，花生種植面積也少；西南部地區(qū)作物種植結(jié)構(gòu)復(fù)雜，花生并非主要農(nóng)作物，花生種植面積較少且分布零星。

圖2 花生種植面積空間分布

3 結(jié)論與討論

在作物識別過程中，加入紅邊波段可提高分類精度[28]。GF-6衛(wèi)星作為我國首顆設(shè)置紅邊譜段的多光譜遙感衛(wèi)星[29]，與在軌的高分一號衛(wèi)星組網(wǎng)運(yùn)行可大幅提高農(nóng)情監(jiān)測能力，為農(nóng)業(yè)農(nóng)村發(fā)展、生態(tài)文明建設(shè)等重大需求提供有力的遙感數(shù)據(jù)支撐[30]。Sentinel-2與GF-6 WFV數(shù)據(jù)具有分辨率高、免費(fèi)、易獲取的特點(diǎn)，為比較2種數(shù)據(jù)對作物面積提取的差異，本研究以Sentinel-2和GF-6 WFV影像為遙感數(shù)據(jù)源，采用K鄰近法和最大似然法提取2019年許昌市榆林鄉(xiāng)花生種植面積，得出以下結(jié)論。

利用K鄰近法和最大似然法對Sentinel-2和GF-6 WFV進(jìn)行小尺度的作物信息提取，總體分類精度均超過85%?；ㄉN植面積的制圖精度和用戶精度均大于85%，相對誤差小于10%；對比2種方法的分類精度，發(fā)現(xiàn)采用面向?qū)ο蟮腒鄰近法在總體精度、Kappa系數(shù)以及花生種植面積的制圖精度、用戶精度和相對誤差等方面，均優(yōu)于傳統(tǒng)基于像元的最大似然法；在2種數(shù)據(jù)參與分類的波段數(shù)相同的情況下，由于Sentinel-2數(shù)據(jù)融合后的空間分辨率為10 m，高于空間分辨率為16 m的GF-6 WFV數(shù)據(jù)，對細(xì)節(jié)的表達(dá)效果更佳；最大似然法對Sentinel-2的花生種植面積提取精度低于GF-6 WFV，K鄰近法對Sentinel-2的花生種植面積提取精度高于GF-6 WFV。

利用Sentinel-2與GF-6 WFV數(shù)據(jù)提取的花生種植面積精度較高，能夠滿足小尺度作物種植面積提取的實際需要，但也存在一定局限性。紅邊波段作為Sentinel-2與GF-6 WFV的特色波段，本研究未對紅邊波段相關(guān)的植被指數(shù)進(jìn)行研究，下一步將考慮紅邊植被指數(shù)，結(jié)合作物在不同時期的光譜差異進(jìn)行作物種植面積提取。