趙 成 梁盈盈 馮 浩 王 釗 于 強(qiáng)3, 何建強(qiáng)1,

(1.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點(diǎn)實(shí)驗(yàn)室, 陜西楊凌 712100;2.西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院, 陜西楊凌 712100;3.中國科學(xué)院水利部水土保持研究所黃土高原土壤侵蝕與旱地農(nóng)業(yè)國家重點(diǎn)實(shí)驗(yàn)室, 陜西楊凌 712100;4.陜西省氣象局秦嶺和黃土高原生態(tài)環(huán)境氣象重點(diǎn)實(shí)驗(yàn)室, 西安 710016)

0 引言

黃土高原是我國北方典型的旱作農(nóng)業(yè)區(qū)[1]。然而該地區(qū)干旱少雨、降水時(shí)空分布不均勻,使得該地區(qū)水資源嚴(yán)重匱乏[2]。地膜覆蓋技術(shù)能夠有效地減少土壤水分蒸發(fā)、提高土壤耕層溫度和促進(jìn)作物生長發(fā)育,因此該技術(shù)在黃土高原地區(qū)得到了廣泛應(yīng)用[3]。然而,隨著地膜的大量使用,土壤中地膜殘留量的增加會(huì)對(duì)作物的生長發(fā)育帶來嚴(yán)重的負(fù)面影響[4-5]。此外,農(nóng)用地膜作為人工合成的高分子化合物,其在耕地中的殘留部分在自然條件下難以降解,由此帶來的地膜微塑料污染問題近年來也成為環(huán)境和農(nóng)業(yè)領(lǐng)域研究的熱點(diǎn)[6-8]。因此,及時(shí)、準(zhǔn)確地獲取黃土高原覆膜農(nóng)田的空間分布信息,將有助于相關(guān)部門科學(xué)合理地規(guī)劃農(nóng)業(yè)生產(chǎn),充分發(fā)揮地膜覆蓋技術(shù)的積極作用,同時(shí)降低地膜殘留對(duì)環(huán)境造成的污染。

遙感技術(shù)具有速度快、覆蓋面積廣和數(shù)據(jù)時(shí)效性強(qiáng)的特點(diǎn),因此被廣泛應(yīng)用于土地利用分類和農(nóng)作物信息提取等研究[9-11]。特別地,歐洲航天局(European Space Agency,ESA)哥白尼計(jì)劃中發(fā)射的第2組衛(wèi)星(Sentinel-2)為地物遙感識(shí)別提供了高時(shí)空分辨率(5 d,10 m)的衛(wèi)星數(shù)據(jù)[12]。相比于目前廣泛使用的30 m空間分辨率的Landsat系列衛(wèi)星數(shù)據(jù),Sentinel-2衛(wèi)星數(shù)據(jù)能夠更為準(zhǔn)確地刻畫小面積農(nóng)田的空間分布特征[13],從而為黃土高原覆膜農(nóng)田的遙感識(shí)別提供了理想數(shù)據(jù)源。

目前,已有部分學(xué)者基于中低分辨率遙感影像開展了覆膜農(nóng)田遙感識(shí)別研究。LU等[14]基于1998、2007、2011年Landsat-5 TM遙感影像的光譜特征,通過構(gòu)建決策樹分類器提取了新疆的覆膜棉花種植區(qū),總體精度達(dá)到90%以上;隨后,LU等[15]基于MODIS衛(wèi)星影像的NDVI時(shí)間序列數(shù)據(jù),通過閾值法對(duì)新疆地區(qū)的覆膜棉田再次進(jìn)行識(shí)別,總體精度在80%以上。然而,相比于新疆等作物種植面積較大、種植結(jié)構(gòu)相對(duì)均一的地區(qū),黃土高原地區(qū)種植結(jié)構(gòu)復(fù)雜、地塊形狀不規(guī)則且分布破碎凌亂,導(dǎo)致覆膜農(nóng)田的識(shí)別更加困難。針對(duì)黃土高原地區(qū),鄭文慧等[16]利用作物播期的Landsat-8單時(shí)相影像對(duì)甘肅省定西市安定區(qū)團(tuán)結(jié)鎮(zhèn)的覆膜農(nóng)田進(jìn)行識(shí)別,總體精度大于95%。此外,羅琪等[17]利用NNDiffuse Pan Sharpening方法融合了Sentinel-2多光譜影像和GF-1全色影像,并基于該單時(shí)相融合影像,識(shí)別了河北省邯鄲市邱縣的覆膜農(nóng)田。雖然這些研究使用了較高空間分辨率的衛(wèi)星影像識(shí)別覆膜農(nóng)田,但所使用的影像均為作物播期的單時(shí)相遙感影像,因此識(shí)別結(jié)果中存在較為嚴(yán)重的錯(cuò)分和漏分現(xiàn)象。針對(duì)此問題,HASITUYA等[18]基于多時(shí)相Landsat-8影像和隨機(jī)森林算法提取了河北省衡水市冀州區(qū)的覆膜農(nóng)田,總體精度高達(dá)97%。然而對(duì)于黃土高原覆膜農(nóng)田的準(zhǔn)確識(shí)別,Landsat-8影像的空間分辨率明顯偏低,識(shí)別結(jié)果中混合像元較多、無法準(zhǔn)確反映當(dāng)?shù)馗材まr(nóng)田的細(xì)節(jié)信息。

綜上所述,以往的研究大多集中在地膜連片分布的某一典型研究區(qū),基于中低分辨率的單時(shí)相衛(wèi)星遙感影像進(jìn)行覆膜農(nóng)田識(shí)別,對(duì)于利用Sentinel-2遙感影像和機(jī)器學(xué)習(xí)算法識(shí)別地塊破碎的黃土高原覆膜農(nóng)田鮮有報(bào)道,且缺少可參考的有效特征變量和時(shí)相選擇。因此,本研究選擇甘肅省臨夏縣、寧夏回族自治區(qū)彭陽縣和山西省山陰縣作為測(cè)試區(qū),探索適用于黃土高原覆膜農(nóng)田識(shí)別的特征集組合與多時(shí)相組合,并且以陜西省旬邑縣作為驗(yàn)證區(qū),驗(yàn)證方法的可行性。

1 材料和方法

1.1 研究區(qū)概況

黃土高原位于黃河流域中部,面積約為6.4×105km2,地形復(fù)雜,農(nóng)業(yè)景觀破碎。該地區(qū)降水少且時(shí)空分布不均勻,年均降水量為400～600 mm,年均蒸發(fā)量大于1 400 mm,屬于典型的大陸性季風(fēng)氣候區(qū)[19],地膜覆蓋技術(shù)以其節(jié)水保墑的特點(diǎn)而在該地區(qū)得到了廣泛應(yīng)用。本研究參考中國農(nóng)業(yè)資源環(huán)境分區(qū)[20]并結(jié)合Google Earth街景圖是否可獲得高分辨率覆膜影像的實(shí)際情況,由南到北選擇了位于地形復(fù)雜、地塊破碎的黃土高原溝壑區(qū)和晉豫土石山區(qū)的4個(gè)代表縣開展覆膜農(nóng)田識(shí)別研究。其中,甘肅省臨夏回族自治州臨夏縣(102°41′～103°40′E、34°57′～36°12′N,1 212 km2)、寧夏回族自治區(qū)固原市彭陽縣(106°32′～106°58′E、35°41′～36°17′N,2 533 km2)、山西省朔州市山陰縣(112°25′～113°04′E、39°11′～39°47′N,1 651 km2)作為測(cè)試區(qū),而陜西省咸陽市旬邑縣(108°08′～108°52′E、34°57′～35°33′N,1 811 km2)因其具有覆膜農(nóng)田面積的統(tǒng)計(jì)值,因此選擇該縣作為驗(yàn)證區(qū)(圖1)。研究區(qū)主要的覆膜作物為春玉米、春油菜和馬鈴薯,播期集中在4月中旬至5月上旬[21-23](圖2)。所選區(qū)域以白色地膜為主要地膜類型,因此本研究僅針對(duì)白色地膜開展遙感識(shí)別方法研究。

圖2 研究區(qū)主要作物的物候歷Fig.2 Phenological calendars of main crops in study areas

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1遙感數(shù)據(jù)采集與預(yù)處理

本研究所使用的Sentinel-2衛(wèi)星遙感影像來源于Google Earth Engine(GEE)云平臺(tái)(https:∥earthengine.google.com)中2020年的Level-2A地表反射率(Surface reflectance,SR)產(chǎn)品。Sentinel-2由Sentinel-2A和Sentinel-2B兩顆衛(wèi)星組成,在赤道地區(qū)的重訪周期為5 d,在中緯度地區(qū)為2～3 d。其搭載的多光譜成像儀包含由可見光到近紅外再到短波紅外的13個(gè)光譜波段,空間分辨率包括10、20、60 m。其較高的時(shí)空分辨率為全球土地變化監(jiān)測(cè)、氣候變化監(jiān)測(cè)和災(zāi)害監(jiān)測(cè)提供了高質(zhì)量的免費(fèi)遙感數(shù)據(jù)[12,24]。

隨機(jī)選取彭陽縣一典型小區(qū)(35°44′02″N,106°26′46″E),分析各類地物在歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)上的光譜反射率(圖3b),可知在播期(4月中旬—5月上旬)覆膜農(nóng)田不受作物冠層影響,NDVI反射率呈現(xiàn)低值,且接近不透水層和裸土的NDVI反射率;在生長旺盛期(6月上旬—8月上旬),隨著覆膜作物的快速生長,NDVI反射率快速上升,到達(dá)峰值;在收獲期(9月上旬—10月上旬),隨著作物收獲,地塊呈現(xiàn)出裸土、殘茬和殘膜的混合光譜信息,NDVI反射率迅速下降。相比于其他地物,覆膜農(nóng)田的NDVI反射率隨著覆膜作物的生長而發(fā)生劇烈變化。因此,本研究根據(jù)覆膜農(nóng)田的光譜反射率變化特點(diǎn),分別選取各研究區(qū)2020年播期、生長旺盛期和收獲期的3景影像構(gòu)成多時(shí)相數(shù)據(jù)(表1)。對(duì)于云污染較重的影像,首先在GEE中利用去云函數(shù)去除云和云陰影,然后利用該影像前后5 d內(nèi)去云區(qū)域的無云影像進(jìn)行鑲嵌拼接,最后由研究區(qū)的行政邊界矢量裁剪出符合條件的研究區(qū)無云影像。

表1 2020年4個(gè)典型研究區(qū)內(nèi)3個(gè)不同作物生育期的Sentinel-2遙感影像選擇Tab.1 Selection of Sentinel-2 images at three different crop growth stages at four representative areas in 2020

圖3 彭陽縣一典型小區(qū)各類地物的NDVI時(shí)間序列曲線Fig.3 NDVI time series curves of different land cover types at a typical area in Pengyang County

1.2.2地面樣本數(shù)據(jù)采集與預(yù)處理

樣本點(diǎn)的數(shù)量、空間分布狀況和代表性都會(huì)影響地物遙感識(shí)別的精度。本研究根據(jù)研究區(qū)的實(shí)際狀況,將臨夏縣和彭陽縣的地物類型劃分為5類(不透水層、裸地、覆膜農(nóng)田、植被、水體)。由于山陰縣和旬邑縣的水體面積占總區(qū)域面積的比例不足5%,因此將這兩個(gè)地區(qū)的地物類型劃分為4類(不透水層、裸地、覆膜農(nóng)田、植被)。本研究綜合2020年ESA全球10 m土地利用數(shù)據(jù)集(ESA WorldCover 10 m v100)、Google Earth高分辨率街景圖和多時(shí)相Sentinel-2遙感影像進(jìn)行目視解譯獲取樣本點(diǎn),取樣時(shí)遵循隨機(jī)、均勻的原則使各類樣本點(diǎn)在研究區(qū)內(nèi)隨機(jī)均勻分布(圖1)。最終在臨夏縣、彭陽縣、山陰縣和旬邑縣分別選取1 205、1 687、1 353、1 155個(gè)樣本點(diǎn)(表2),并在GEE平臺(tái)中按照7∶3的比例將各類樣本點(diǎn)隨機(jī)劃分為訓(xùn)練樣本和驗(yàn)證樣本。

表2 黃土高原4個(gè)典型研究區(qū)各類樣本點(diǎn)的數(shù)量Tab.2 Number of different types of sampling points at the four representative areas in Loess Plateau

1.3 基于Sentinel-2遙感影像的覆膜農(nóng)田識(shí)別方案

1.3.1覆膜農(nóng)田遙感識(shí)別的主要步驟

基于Sentinel-2遙感影像識(shí)別黃土高原覆膜農(nóng)田的主要步驟包括:①對(duì)研究區(qū)多時(shí)相Sentinel-2遙感影像進(jìn)行預(yù)處理,構(gòu)建遙感影像的光譜特征集、指數(shù)特征集,以及第一主成分與第二主成分的紋理特征集。②通過隨機(jī)森林算法評(píng)價(jià)上述3類特征集中各個(gè)特征因子的重要性,并進(jìn)行特征因子優(yōu)選,然后利用優(yōu)選的3類特征集構(gòu)建7種不同的覆膜農(nóng)田識(shí)別特征集組合方案。③基于上述7種不同的特征集組合方案和隨機(jī)森林算法,對(duì)不同作物生育期(播期、生長旺盛期、收獲期)的覆膜農(nóng)田進(jìn)行識(shí)別,優(yōu)選出不同作物生育期的最優(yōu)特征集組合方案。④基于所選的最優(yōu)特征集組合方案,利用不同作物生育期的遙感影像組合進(jìn)行覆膜農(nóng)田識(shí)別,篩選最優(yōu)多時(shí)相組合方案,最后利用陜西省旬邑縣驗(yàn)證最優(yōu)特征集組合與多時(shí)相組合識(shí)別覆膜農(nóng)田的有效性(圖4)。

圖4 基于Sentinel-2遙感影像的覆膜農(nóng)田遙感識(shí)別技術(shù)路線圖Fig.4 Technology roadmap for remote sensing recognition of plastic-mulched farmlands in Loess Plateau based on Sentinel-2 images

1.3.2覆膜農(nóng)田遙感識(shí)別特征集構(gòu)建

針對(duì)每一個(gè)典型研究區(qū)的各3景Sentinel-2遙感影像,分別提取了光譜、指數(shù)和紋理3種特征集作為覆膜農(nóng)田遙感識(shí)別的輸入特征變量,其中包括10種光譜特征因子、9種指數(shù)特征因子和28種紋理特征因子(表3)。在構(gòu)建紋理特征集的過程中,首先對(duì)原始影像進(jìn)行主成分分析,分析結(jié)果顯示4個(gè)典型研究區(qū)每一景影像的第一與第二主成分的累積貢獻(xiàn)率均在90%以上。因此,為提高紋理特征因子的提取效率,本研究在GEE平臺(tái)中對(duì)第一與第二主成分利用灰度共生矩陣(Gray-level co-occurrence matrix,GLCM)[25]分別提取14種紋理特征因子(共計(jì)14×2=28種)作為紋理特征集。

表3 黃土高原覆膜農(nóng)田識(shí)別所需的Sentinel-2遙感影像特征變量Tab.3 Feature parameters of Sentinel-2 images used in recognition of plastic-mulched farmlands in Loess Plateau

1.3.3分類方法與特征因子優(yōu)選

采用隨機(jī)森林算法(Random forest,RF)[35]對(duì)覆膜農(nóng)田進(jìn)行遙感識(shí)別。RF算法作為一種集成算法,其泛化性好、運(yùn)算速度快、精度高并且對(duì)異常值和噪聲具有較好的容忍性,因此在地物分類、農(nóng)作物空間分布制圖和水體識(shí)別等領(lǐng)域被廣泛利用[36-37]。在GEE平臺(tái)中調(diào)用RF算法進(jìn)行分類前需要對(duì)算法中決策樹的數(shù)量T和節(jié)點(diǎn)分裂特征個(gè)數(shù)M這兩個(gè)參數(shù)進(jìn)行優(yōu)化。根據(jù)多次測(cè)試,本研究將參數(shù)T設(shè)置為500,M默認(rèn)為每次分類時(shí)輸入特征因子數(shù)量的平方根。

多時(shí)相數(shù)據(jù)和多特征變量參與分類會(huì)使輸入算法的數(shù)據(jù)量劇增,可能會(huì)造成數(shù)據(jù)冗余和“維度災(zāi)難”。因此為提高算法的識(shí)別精度和運(yùn)算效率,本研究以RF算法的基尼系數(shù)(Gini index)為評(píng)價(jià)指標(biāo),分別對(duì)每一個(gè)典型研究區(qū)3景影像中的光譜、指數(shù)和紋理特征因子進(jìn)行重要性分析,然后計(jì)算每一個(gè)特征因子在3景影像中的累積重要性得分[38]作為該特征因子的最終重要性得分,最后按照特征因子重要性由大到小的順序分別逐一添加光譜、指數(shù)和紋理特征因子進(jìn)行覆膜農(nóng)田識(shí)別,以F1值(F1-score)作為評(píng)價(jià)指標(biāo)優(yōu)選各類特征因子,并構(gòu)建優(yōu)選特征集。

1.3.4覆膜農(nóng)田識(shí)別特征集組合方案與多時(shí)相組合方案

為了評(píng)價(jià)在3個(gè)不同的作物生育期中采用不同特征集組合進(jìn)行覆膜農(nóng)田識(shí)別的有效性,基于優(yōu)選的特征集構(gòu)建7種特征集組合方案,其中包括3種單一特征集方案:光譜特征集方案(方案S)、指數(shù)特征集方案(方案I)、紋理特征集方案(方案T);4種組合特征集方案:光譜+指數(shù)特征集方案(方案S+I)、光譜+紋理特征集方案(方案S+T)、指數(shù)+紋理特征集方案(方案I+T)、光譜+指數(shù)+紋理特征集方案(方案S+I+T)。針對(duì)每一個(gè)典型研究區(qū),基于上述7種特征集組合方案構(gòu)建3個(gè)不同作物生育期的覆膜農(nóng)田識(shí)別RF算法模型,并以覆膜農(nóng)田識(shí)別的F1值作為評(píng)價(jià)指標(biāo)優(yōu)選不同作物生育期的最優(yōu)特征集組合方案。

同時(shí),考慮到覆膜農(nóng)田的光譜反射率隨著作物冠層的生長發(fā)育而變化,為了評(píng)價(jià)不同作物生育期遙感影像組合用于覆膜農(nóng)田識(shí)別的有效性,本研究基于3個(gè)不同作物生育期的遙感影像及其對(duì)應(yīng)的最優(yōu)特征集組合構(gòu)建了4種多時(shí)相組合識(shí)別方案,分別為:播期+生長旺盛期組合方案、播期+收獲期組合方案、生長旺盛期+收獲期組合方案、播期+生長旺盛期+收獲期組合方案?；谏鲜?種不同的多時(shí)相組合方案開展覆膜農(nóng)田遙感識(shí)別,并以識(shí)別精度為評(píng)價(jià)指標(biāo)來確定黃土高原覆膜農(nóng)田遙感識(shí)別的最優(yōu)多時(shí)相組合方案。

1.4 覆膜農(nóng)田識(shí)別精度評(píng)價(jià)指標(biāo)

基于驗(yàn)證樣本點(diǎn),利用混淆矩陣對(duì)覆膜農(nóng)田識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià),所使用的精度評(píng)價(jià)指標(biāo)包括制圖精度(PA)、用戶精度(UA)[39]和F1值。

2 結(jié)果與分析

2.1 特征因子優(yōu)選結(jié)果

2.1.1光譜特征因子優(yōu)選

由光譜特征因子的重要性評(píng)價(jià)結(jié)果(圖5)可知,在不同測(cè)試區(qū),Sentinel-2遙感影像的可見光波段(B2、B3和B4)和短波紅外波段(B11和B12)重要性較高。此外,利用3個(gè)測(cè)試區(qū)的不同作物生育期遙感影像識(shí)別覆膜農(nóng)田時(shí),隨著光譜特征因子數(shù)量的增加,F1值均呈現(xiàn)先快速上升后趨于平緩的趨勢(shì),且在可見光和短波紅外波段的基礎(chǔ)上繼續(xù)添加其他光譜特征因子進(jìn)行覆膜農(nóng)田識(shí)別,F1值沒有明顯提升。因此,本研究確定B2、B3、B4、B11和B12為黃土高原覆膜農(nóng)田遙感識(shí)別的優(yōu)選光譜特征因子。

圖5 黃土高原3個(gè)測(cè)試區(qū)光譜特征因子重要性與不同作物生育期的覆膜農(nóng)田識(shí)別精度Fig.5 Importance of spectral feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.1.2指數(shù)特征因子優(yōu)選

分析3個(gè)測(cè)試區(qū)不同指數(shù)特征因子的重要性評(píng)價(jià)結(jié)果(圖6),可知指數(shù)特征因子NDBBI、NDWI、BSI、NDBI、MNDWI的重要性較高,而其余指數(shù)特征因子的重要性較低。在上述5種指數(shù)特征因子的基礎(chǔ)上繼續(xù)添加其他指數(shù)特征因子,在不同作物生育期識(shí)別3個(gè)測(cè)試區(qū)覆膜農(nóng)田的F1值趨于平緩,且無明顯提升。因此,本研究確定NDBBI、NDWI、BSI、NDBI和MNDWI為黃土高原覆膜農(nóng)田遙感識(shí)別的優(yōu)選指數(shù)特征因子。

圖6 黃土高原3個(gè)測(cè)試區(qū)指數(shù)特征因子重要性與不同作物生育期的覆膜農(nóng)田識(shí)別精度Fig.6 Importance of index feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.1.3紋理特征因子優(yōu)選

由3個(gè)測(cè)試區(qū)排名前10位的紋理特征因子重要性評(píng)價(jià)結(jié)果(圖7)可知,紋理特征因子中和平均的重要性最高,其次是相關(guān)性,而其余紋理特征因子的重要性普遍較低。在pc1_savg、pc2_savg和pc2_corr的基礎(chǔ)上添加其他紋理特征因子,識(shí)別3個(gè)測(cè)試區(qū)不同作物生育期的覆膜農(nóng)田的F1值呈現(xiàn)緩慢下降的趨勢(shì)。因此,本研究確定pc1_savg、pc2_savg和pc2_corr為黃土高原覆膜農(nóng)田遙感識(shí)別的優(yōu)選紋理特征因子。

圖7 黃土高原3個(gè)測(cè)試區(qū)紋理特征因子重要性與不同作物生育期的覆膜農(nóng)田識(shí)別精度Fig.7 Importance of textural feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.2 不同作物生育期的優(yōu)選特征集組合

利用上述3種單一特征集方案(方案S、方案I、方案T)和4種組合特征集方案(方案S+I、方案S+T、方案I+T、方案S+I+T)構(gòu)建不同作物生育期的覆膜農(nóng)田識(shí)別RF算法模型,通過驗(yàn)證樣本和混淆矩陣計(jì)算覆膜農(nóng)田識(shí)別的F1值(表4)。結(jié)果表明,基于播期影像識(shí)別3個(gè)測(cè)試區(qū)的覆膜農(nóng)田,組合特征集方案的F1值均值在87.49%～89.80%之間,比單一特征集方案的F1值均值高0.91～12.45個(gè)百分點(diǎn)。相似地,基于生長旺盛期和收獲期影像識(shí)別3個(gè)測(cè)試區(qū)的覆膜農(nóng)田,組合特征集方案的F1值均值分別在74.51%～76.68%和65.16%～67.49%之間,比單一特征集方案的F1值均值分別高 3.43～13.78個(gè)百分點(diǎn)和1.45～14.74個(gè)百分點(diǎn),這表明利用多特征集組合識(shí)別覆膜農(nóng)田的效果優(yōu)于單一特征集。此外,基于播期影像識(shí)別3個(gè)測(cè)試區(qū)覆膜農(nóng)田的F1值均值為86.27%,比基于生長旺盛期和收獲期影像識(shí)別覆膜農(nóng)田的F1值均值分別高14.49、22.19個(gè)百分點(diǎn),這表明隨著覆膜作物的生長發(fā)育,覆膜農(nóng)田的識(shí)別難度增大,識(shí)別精度大幅度降低。

表4 基于不同特征集組合方案在不同作物生育期進(jìn)行3個(gè)測(cè)試區(qū)覆膜農(nóng)田識(shí)別的F1值Tab.4 F1-scores of plastic-mulched farmland recognition based on different combinations of feature set at different crop growth stages at three testing areas %

在播期和收獲期,基于方案S+I在3個(gè)測(cè)試區(qū)進(jìn)行覆膜農(nóng)田識(shí)別的精度普遍高于其他方案,F1值均值分別為89.80%和67.49%。但對(duì)于生長旺盛期,基于方案S+I+T的覆膜農(nóng)田識(shí)別精度最高,在3個(gè)測(cè)試區(qū)識(shí)別覆膜農(nóng)田的F1值均值為76.68%。因此,本研究最終確定方案S+I為播期和收獲期的優(yōu)選特征集組合方案,方案S+I+T為生長旺盛期的優(yōu)選特征集組合方案。

2.3 覆膜農(nóng)田識(shí)別的最優(yōu)多時(shí)相組合

基于不同作物生育期的遙感影像及其對(duì)應(yīng)的最優(yōu)特征集組合方案,構(gòu)建多時(shí)相組合覆膜農(nóng)田識(shí)別方案,通過驗(yàn)證樣本和混淆矩陣計(jì)算PA、UA和F1值,評(píng)價(jià)利用不同多時(shí)相組合方案識(shí)別覆膜農(nóng)田的有效性,進(jìn)而篩選出適用于黃土高原覆膜農(nóng)田識(shí)別的最優(yōu)方案。分析不同多時(shí)相組合下的覆膜農(nóng)田識(shí)別精度(表5),可知除生長旺盛期+收獲期多時(shí)相組合外,其余多時(shí)相組合方案的識(shí)別精度均大于單時(shí)相影像中識(shí)別精度最高的播期影像的識(shí)別精度。這說明相比于單時(shí)相影像,多時(shí)相影像組合能夠更有效地識(shí)別覆膜農(nóng)田。

表5 不同多時(shí)相組合下覆膜農(nóng)田識(shí)別的精度Tab.5 Accuracy of plastic-mulched farmland recognition under different temporal combinations %

對(duì)于臨夏縣,基于播期+收獲期多時(shí)相組合識(shí)別覆膜農(nóng)田的精度最高,PA、UA和F1值分別為92.86%、93.69%和93.27%。對(duì)于彭陽縣,基于播期+生長旺盛期多時(shí)相組合識(shí)別覆膜農(nóng)田的精度最高,PA、UA和F1值分別為94.89%、96.53%和95.70%。對(duì)于山陰縣,基于播期+生長旺盛期以及播期+生長旺盛期+收獲期多時(shí)相組合識(shí)別覆膜農(nóng)田的精度相等且為最高精度,PA、UA和F1值分別為97.96%、93.20%和95.52%。值得注意的是,對(duì)于臨夏縣和彭陽縣,基于播期+生長旺盛期+收獲期多時(shí)相組合識(shí)別覆膜農(nóng)田的F1值僅比上述各自精度最高的多時(shí)相組合分別低0.35、0.63個(gè)百分點(diǎn),而比其余多時(shí)相組合的F1值分別高0.81～11.11個(gè)百分點(diǎn)和4.47～9.90個(gè)百分點(diǎn)。這表明在研究區(qū)基于播期+生長旺盛期+收獲期多時(shí)相組合在識(shí)別覆膜農(nóng)田時(shí)不僅能獲得較高的精度,而且表現(xiàn)更加穩(wěn)定。

因此,綜合考慮不同多時(shí)相組合方案在不同測(cè)試區(qū)識(shí)別覆膜農(nóng)田的精度和穩(wěn)定性,本研究最終確定播期+生長旺盛期+收獲期多時(shí)相組合為黃土高原覆膜農(nóng)田識(shí)別的優(yōu)選多時(shí)相組合。

2.4 驗(yàn)證區(qū)的覆膜農(nóng)田識(shí)別結(jié)果

基于上述不同作物生育期的優(yōu)選特征集組合方案以及多時(shí)相組合方案,以旬邑縣為驗(yàn)證區(qū)進(jìn)行覆膜農(nóng)田識(shí)別。經(jīng)計(jì)算可得,基于該地區(qū)播期、生長旺盛期和收獲期優(yōu)選特征集組合方案識(shí)別覆膜農(nóng)田的F1值分別為87.86%、85.31%和69.86%,基于播期+生長旺盛期+收獲期多時(shí)相組合識(shí)別覆膜農(nóng)田的PA、UA和F1值分別為93.20%、96.00%和94.58%,這表明驗(yàn)證區(qū)的識(shí)別精度與3個(gè)測(cè)試區(qū)基本一致。此外,旬邑縣遙感識(shí)別覆膜農(nóng)田的面積為13 013 hm2,與統(tǒng)計(jì)面積14 133 hm2[40]之間的誤差約為7.92%,說明本研究優(yōu)選的特征集組合方案和多時(shí)相組合方案對(duì)于黃土高原覆膜農(nóng)田的識(shí)別具有較好的效果。

總體而言,對(duì)于上述4個(gè)研究區(qū),在播期和收獲期,基于方案S+I識(shí)別覆膜農(nóng)田的F1值分別大于87%和57%,在生長旺盛期,基于方案S+I+T識(shí)別覆膜農(nóng)田的F1值均大于71%。此外,基于播期+生長旺盛期+收獲期多時(shí)相組合方案識(shí)別覆膜農(nóng)田的F1值均大于92%。

2.5 各研究區(qū)的覆膜農(nóng)田識(shí)別結(jié)果

基于上述優(yōu)選的特征集組合方案和多時(shí)相組合方案,對(duì)4個(gè)研究區(qū)的覆膜農(nóng)田進(jìn)行識(shí)別,并繪制覆膜農(nóng)田空間分布圖(圖8c、8d、8i、8j)?？芍材まr(nóng)田主要分布在各研究區(qū)內(nèi)地形平坦的區(qū)域,較少分布于海拔較高的山區(qū)。具體而言,2020年臨夏縣覆膜農(nóng)田主要分布在東北部地區(qū)(圖8c),遙感估計(jì)覆膜面積約為10 240 hm2;彭陽縣覆膜農(nóng)田主要分布在中部和南部地區(qū)(圖8d),遙感估計(jì)覆膜面積約為28 579 hm2;山陰縣覆膜農(nóng)田主要分布在東南部地區(qū)(圖8i),遙感估計(jì)覆膜面積約為24 250 hm2;旬邑縣覆膜農(nóng)田主要分布在西南部地區(qū)(圖8j),遙感估計(jì)覆膜面積約為13 013 hm2。由于缺乏其余3個(gè)測(cè)試區(qū)的覆膜農(nóng)田統(tǒng)計(jì)面積,本研究僅在2.4節(jié)中對(duì)比驗(yàn)證區(qū)旬邑縣的覆膜農(nóng)田遙感估計(jì)面積和實(shí)測(cè)統(tǒng)計(jì)面積。

圖8 黃土高原4個(gè)典型研究區(qū)的覆膜農(nóng)田識(shí)別結(jié)果Fig.8 Recognition results of plastic-mulched farmlands at four representative study areas in Loess Plateau

此外,分別對(duì)4個(gè)研究區(qū)局部區(qū)域的Sentinel-2真彩色(R:B4、G:B3、B:B2)合成影像進(jìn)行目視解譯,將覆膜農(nóng)田空間分布狀況和遙感識(shí)別結(jié)果進(jìn)行比較,可知對(duì)于地形平坦、地塊形狀規(guī)則的區(qū)域(圖8g、8k)以及地形復(fù)雜、地塊形狀不規(guī)則的區(qū)域(圖8a、8e),本研究的識(shí)別結(jié)果均能較好地刻畫覆膜農(nóng)田的空間分布信息(圖8b、8f、8h、8l),且識(shí)別結(jié)果的地塊輪廓邊緣清晰。

3 討論

3.1 不同特征集組合方案對(duì)識(shí)別結(jié)果的影響分析

分類器和分類特征變量的選擇是影響作物識(shí)別和土地利用分類精度的關(guān)鍵因素[41],對(duì)于黃土高原覆膜農(nóng)田的遙感識(shí)別,鄭文慧等[16]發(fā)現(xiàn)隨機(jī)森林算法比支持向量機(jī)、決策樹和最小距離分類算法的效果更好,然而對(duì)于覆膜農(nóng)田遙感識(shí)別特征變量的選擇,已有研究大多針對(duì)單一研究區(qū)的播期影像進(jìn)行優(yōu)選[16-17,42],導(dǎo)致優(yōu)選的特征變量缺乏時(shí)空代表性。已有研究[41]表明,針對(duì)某一特定地物,優(yōu)選特征會(huì)隨著區(qū)域、同一區(qū)域的不同時(shí)間以及地物空間分布的不同而有所差異。因此,本研究為獲得更具代表性的黃土高原覆膜農(nóng)田遙感識(shí)別特征變量,選取了臨夏縣、彭陽縣和山陰縣作為測(cè)試區(qū),確定不同作物生育期的優(yōu)選特征集組合方案,然后利用優(yōu)選的特征變量和多時(shí)相數(shù)據(jù)對(duì)驗(yàn)證區(qū)旬邑縣的覆膜農(nóng)田進(jìn)行識(shí)別,所得F1值為94.58%,說明本研究針對(duì)不同作物生育期構(gòu)建的特征集組合方案結(jié)合多時(shí)相數(shù)據(jù)能夠較為準(zhǔn)確地識(shí)別黃土高原的覆膜農(nóng)田。此外,在本研究中基于播期影像的光譜+指數(shù)+紋理方案同樣能獲得較高的識(shí)別精度,這與鄭文慧等[16]的研究結(jié)果一致,但本研究在其研究的基礎(chǔ)上針對(duì)不同的作物生育期均構(gòu)建了優(yōu)選特征集組合方案,可進(jìn)一步為利用不同時(shí)期的遙感影像識(shí)別覆膜農(nóng)田提供參考。

3.2 不同多時(shí)相組合方案對(duì)識(shí)別結(jié)果的影響分析

覆膜農(nóng)田的光譜反射率隨著覆膜作物冠層的生長而發(fā)生變化[43],因此以往的研究大多基于地膜光譜反射率最強(qiáng)的播期影像開展覆膜農(nóng)田識(shí)別。相似地,本研究利用播期影像進(jìn)行覆膜農(nóng)田識(shí)別的F1值比利用生長旺盛期和收獲期影像進(jìn)行識(shí)別的F1值分別高14.49、22.19個(gè)百分點(diǎn),而對(duì)于缺少播期影像的生長旺盛期+收獲期多時(shí)相組合,其F1值遠(yuǎn)低于其它含有播期影像的方案,這與前人的研究結(jié)果[14,16,18]基本一致。本研究再次證明了播期影像在識(shí)別覆膜農(nóng)田中的重要性。

利用單時(shí)相遙感影像進(jìn)行地物識(shí)別時(shí)容易導(dǎo)致“同物異譜”和“同譜異物”的問題,而多時(shí)相遙感影像往往包含地物光譜反射率變化的相關(guān)信息,該信息可以作為地物識(shí)別的重要信息補(bǔ)充[44-46]。在本研究中,通過分析發(fā)現(xiàn)覆膜農(nóng)田的NDVI反射率在作物的播期、生長旺盛期和收獲期呈現(xiàn)出 “低值-峰值-低值”的變化趨勢(shì),且變化幅度比其它地物類型更大。因此,本研究選取播期、生長旺盛期和收獲期的3景影像構(gòu)建4種多時(shí)相組合方案識(shí)別覆膜農(nóng)田。雖然在不同測(cè)試區(qū),優(yōu)選的播期+生長旺盛期+收獲期多時(shí)相組合方案未能獲得最高精度,但其精度僅次于識(shí)別精度最高的方案,而遠(yuǎn)大于其他多時(shí)相組合方案。因此,該方案對(duì)于覆膜農(nóng)田的識(shí)別具有較高的穩(wěn)定性,能夠滿足實(shí)際識(shí)別的需要。

3.3 基于Sentinel-2遙感影像進(jìn)行黃土高原覆膜農(nóng)田識(shí)別的可行性

Sentinel-2遙感影像可為黃土高原覆膜農(nóng)田的識(shí)別提供可靠數(shù)據(jù)源。相比于LU等[15]使用的MODIS遙感影像以及鄭文慧等[16]、HASITUYA等[18,42]使用的Landsat遙感影像,本研究使用的Sentinel-2遙感影像可以識(shí)別的最小地塊面積為100 m2(10 m×10 m=100 m2),且在不同研究區(qū)識(shí)別的F1值均大于90%。由于黃土高原地區(qū)地形復(fù)雜、地塊面積較小、覆膜農(nóng)田分布較為破碎凌亂,因此相比于其他衛(wèi)星遙感影像,基于Sentinel-2衛(wèi)星遙感影像進(jìn)行遙感識(shí)別所獲得的覆膜農(nóng)田空間分布與實(shí)際分布狀況更為相符。此外,Sentinel-2衛(wèi)星遙感影像5 d的時(shí)間分辨率提供了高頻率的對(duì)地觀測(cè)數(shù)據(jù),相比于時(shí)間分辨率為16 d的Landsat系列衛(wèi)星遙感影像,Sentinel-2能夠在作物播期獲得更多的觀測(cè)數(shù)據(jù)。因此,Sentinel-2遙感影像極大地增強(qiáng)了本研究提出的基于經(jīng)過特征優(yōu)選的播期+生長旺盛期+收獲期多時(shí)相影像組合方法識(shí)別覆膜農(nóng)田的可行性。

本研究探討了基于多時(shí)相Sentinel-2遙感影像識(shí)別黃土高原覆膜農(nóng)田的有效性,并獲得了不同作物生育期覆膜農(nóng)田識(shí)別的最優(yōu)特征集組合方案和最優(yōu)多時(shí)相組合方案。但黃土高原不同地區(qū)的地形、氣候和環(huán)境差異較大,本研究所建立的覆膜農(nóng)田識(shí)別方法在黃土高原全域范圍內(nèi)的普適性還有待進(jìn)一步研究。此外,本研究僅利用Sentinel-2光學(xué)遙感影像開展覆膜農(nóng)田遙感識(shí)別,然而光學(xué)影像容易受云雨天氣的影響,在黃土高原的其他地區(qū)可能會(huì)缺失部分識(shí)別時(shí)期的遙感影像,因此后續(xù)的研究中可以進(jìn)一步考慮結(jié)合Sentinel-1雷達(dá)影像進(jìn)行覆膜農(nóng)田識(shí)別研究。

4 結(jié)論

(1)在黃土高原覆膜農(nóng)田識(shí)別的過程中,相比于其他特征因子,Sentinel-2遙感影像光譜特征集中的可見光波段(B2、B3和B4)和短波紅外波段(B11和B12),指數(shù)特征集中的歸一化差值裸地與建筑用地指數(shù)(NDBBI)、歸一化水體指數(shù)(NDWI)、裸土指數(shù)(BSI)、歸一化建筑物指數(shù)(NDBI)和改進(jìn)的歸一化水體指數(shù)(MNDWI),紋理特征集中的和平均(savg)和相關(guān)性(corr)可以作為覆膜農(nóng)田識(shí)別的優(yōu)選輸入特征變量。

(2)在播期和收獲期,光譜+指數(shù)方案為優(yōu)選特征集組合方案,該方案在這兩個(gè)時(shí)期識(shí)別4個(gè)研究區(qū)覆膜農(nóng)田的F1值分別大于87%和57%。對(duì)于生長旺盛期,光譜+指數(shù)+紋理方案為優(yōu)選特征集組合方案,其在4個(gè)研究區(qū)識(shí)別覆膜農(nóng)田的F1值均大于71%。

(3)基于多時(shí)相遙感影像的覆膜農(nóng)田識(shí)別精度高于僅基于單時(shí)相遙感影像的識(shí)別精度,其中播期+生長旺盛期+收獲期多時(shí)相組合方案可作為黃土高原覆膜農(nóng)田遙感識(shí)別的優(yōu)選方案。該方案在4個(gè)研究區(qū)識(shí)別覆膜農(nóng)田的F1值均大于92%,且不同研究區(qū)覆膜農(nóng)田制圖結(jié)果與實(shí)際情況基本吻合,能夠滿足實(shí)際制圖的需要。

(4)相較于其他衛(wèi)星遙感數(shù)據(jù),基于Sentinel-2多時(shí)相遙感影像能夠較為精準(zhǔn)地識(shí)別黃土高原地形復(fù)雜區(qū)地塊形狀不規(guī)則的覆膜農(nóng)田,但對(duì)于可能缺少播期遙感影像的區(qū)域,則需要進(jìn)一步探索其他更有效的識(shí)別方法。