金正婷, 李衛(wèi)國, 景元書
(1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院,江蘇 南京 210044;2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟與信息研究所,江蘇 南京210014)
近年來,衛(wèi)星遙感技術(shù)的迅猛發(fā)展,極大提升了傳統(tǒng)農(nóng)業(yè)生產(chǎn)管理的信息化程度,特別是以TERRA/MODIS[1]、Landsat5/TM[2]、Landsat7/ETM+[3]、Landsat8/ OLI[4]、CBERS/CCD[5]、HJ-1A/CCD[6]和SPOT/CCD[7]等為主的衛(wèi)星遙感研究,很大程度實現(xiàn)了對冬小麥種植面積、長勢、產(chǎn)量、品質(zhì)以及病蟲害等遙感監(jiān)測。前人研究多數(shù)是利用單景或單時相遙感影像進行,雖然它們具有能夠快速獲取、適合大范圍獲取的優(yōu)點,但是在高精度和動態(tài)監(jiān)測農(nóng)作物方面稍顯不足。為增強遙感監(jiān)測的精準性和動態(tài)性,有人利用多源遙感影像開展作物遙感監(jiān)測,如鄔明權(quán)等[8]利用TERRA/MODIS時序數(shù)據(jù)與HJ-1/CCD提取大范圍水稻種植面積,精度達到93.3%;顧曉鶴等[9]運用TERRA/MODIS時序影像與Landsat5/TM影像通過小波融合估算玉米種植面積;李衛(wèi)國等[10]通過融合Landsat5/TM影像和ERS/SAR影像,采用面向?qū)ο蠓诸惙ㄌ崛《←湻N植面積,精度達到94.16%。多源遙感數(shù)據(jù)是同一區(qū)域內(nèi)大量不同時間、不同尺度、不同光譜的遙感影像數(shù)據(jù),與單源數(shù)據(jù)相比具有較好的互補性和合作性。
多源遙感影像來自于不同的傳感器,它們的成像機理和工作環(huán)境各有不同,可以減少或抑制單一遙感影像對被感知對象或環(huán)境解釋中可能存在的多義性、不完全性、不確定性和誤差,最大限度地利用各種遙感影像提供的信息,從而大大提高在特征提取、分類等方面的有效性。將不同平臺遙感數(shù)據(jù)融合起來應(yīng)用是遙感向縱深領(lǐng)域發(fā)展的必然趨勢。
本研究在將GF-1全色影像進行8 m和16 m重采樣的基礎(chǔ)上,分別將2 m、8 m和16 m GF-1全色波段影像與HJ-1衛(wèi)星30 m的多光譜影像融合,生成不同尺度的融合影像,通過融合質(zhì)量評價及光譜特征比較,研究不同遙感影像尺度對區(qū)域(江蘇省)冬小麥的田塊特征的適宜性,探索冬小麥種植面積遙感提取的適宜尺度,旨在為區(qū)域農(nóng)作物種植面積的準確提取提供方法參考。
研究區(qū)域(經(jīng)緯度分別為120.417~120.790° E,32.757 1~33.156 2°N)為東臺市東北部及大豐市東南部交界處,位于江蘇省中部沿海,屬北亞熱帶季風氣候,四季分明,雨量充沛,全年無霜期220 d左右,作物一年兩熟,是典型的稻麥連作區(qū)。該區(qū)域雖地勢平坦,但河網(wǎng)密布,田塊破碎,對冬小麥面積的遙感提取造成一定的困難,這種地理狀況在江蘇省中部具有普遍性。
高分一號(GF-1)衛(wèi)星和環(huán)境一號(HJ-1)衛(wèi)星都是中國研制發(fā)射的衛(wèi)星。高分一號是中國高分辨率對地觀測系統(tǒng)的第1顆衛(wèi)星,于2013年4月26日發(fā)射,同年12月30日正式投入使用,它搭載了2臺2 m空間分辨率全色/8 m空間分辨率多光譜相機(PMS傳感器)以及4臺16 m空間分辨率多光譜相機(WFV傳感器),2臺PMS相機組合幅寬為60 km,重訪周期僅為4 d,具有高空間分辨率、高時間分辨率、多光譜與寬覆蓋等優(yōu)點。環(huán)境一號衛(wèi)星全稱為中國環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星星座,發(fā)射于2008年9月6日,搭載2顆光學(xué)衛(wèi)星(HJ-1A衛(wèi)星和HJ-1B衛(wèi)星),其中,HJ-1A衛(wèi)星上搭載有CCD多光譜相機(空間分辨率30 m)和高光譜成像光譜儀(HSI,空間分辨率100 m),HJ-1B衛(wèi)星上搭載有CCD(空間分辨率30 m)相機和紅外多光譜儀(IRS,近紅外和遠紅外空間分辨率分別為150 m和300 m)。兩星組網(wǎng)后重訪周期為2 d,幅寬達700 km(單景幅寬360 km),覆蓋區(qū)域大。
本研究選用2014年3月16日GF-1空間分辨率為2 m的全色波段影像和8 m多光譜影像,HJ-1選用同年同月21日空間分辨率為30 m的多光譜影像。由于數(shù)據(jù)獲取期間天氣晴好,成像質(zhì)量佳且成像時間相近,區(qū)域性地物的變化不明顯,可減少小麥面積提取的誤差。
1.3.1 幾何校正 在ERDAS軟件中,采用窗口采點模式分別對三景影像進行幾何粗校正,即在2個Viewer窗口中分別打開需要校正的影像和作為地理參考的校正過的環(huán)境星影像,運用多項式幾何校正模型,依據(jù)采集地面控制點校正。校正誤差控制在0.5個像元內(nèi)。
1.3.2 裁剪 基于GF-1全色影像制作研究區(qū)域的AOI文件,分別裁剪HJ-1多光譜影像和GF-1多光譜影像,得到相同研究區(qū)域的遙感影像,為下一步影像融合做準備。
1.3.3 影像融合 在ERDAS平臺下利用正射校正以及雙線性插值(Bilinear interpolation)對GF-1全色波段影像重采樣,形成空間分辨率為8 m和16 m的全色影像。通過主成分變換法,將3景全色波段影像分別與HJ-1多光譜影像進行融合,得到2 m×2 m、8 m×8 m、16 m×16 m的多光譜融合影像,利用融合影像質(zhì)量評價法比較研究區(qū)域不同尺度對江蘇省小麥田塊尺度特征的適宜性。另外,用相同融合方法將GF-1空間分辨率為2 m的全色波段影像與8 m多光譜影像進行融合得到2 m×2 m的多光譜影像,用于研究區(qū)域冬小麥種植面積提取精度的驗證參考。
遙感融合影像質(zhì)量評價有2種方法。一種是主觀評價法,它是通過判讀人員運用目視方法對影像的質(zhì)量進行評價,簡單直觀,可以方便、快捷地評價影像信息;另一種是客觀評價法,通常采用統(tǒng)計學(xué)方法,建立一定的評價指標和準則,對融合影像和方法做出科學(xué)合理的評價,它能夠克服主觀評價的片面性及人為因素的影響,常用的客觀評價指標有平均值、標準差、平均梯度、交叉熵及相關(guān)系數(shù)等[11]。
為減少客觀評價指標的運算量以及更直觀的目視解譯,在2 m×2 m、8 m×8 m、16 m×16 m的多光譜融合影像中選取相同的影像區(qū)域進行比較,如圖1所示,圖1a是GF-1空間分辨率2 m的全色影像,圖1b是2 m×2 m多光譜融合影像,圖1c是8 m×8 m多光譜融合影像,圖1d是16 m×16 m多光譜融合影像,圖1e是HJ-1空間分辨率30 m多光譜影像。整體來看,圖1b、圖1c和圖1d三景融合影像的信息量豐富程度、紋理特征、地物清晰度都明顯好于圖1e。三景融合影像中,圖1c較圖1 b邊界稍顯模糊,但房屋、橋梁等小型地物仍清晰可辨;圖1d較圖1c清晰度明顯遜色,紋理信息減少,橋梁、房屋只能隱約可見,但田塊的邊界以及田埂尚能識別。目視結(jié)果表明,三景融合影像都能識別區(qū)域小麥種植田塊。
均值和平均梯度從不同角度反映影像的空間質(zhì)量。一般情況下,均值適中,則融合影像質(zhì)量較好;平均梯度值越大,影像越清晰,細節(jié)信息表現(xiàn)越好。3種尺度(2 m×2 m、8 m×8 m、16 m×16 m)融合影像的客觀評價指標見表1,從表1可看出,3種尺度影像融合的均值分別為81.20、79.26和79.44,三者之間相差不大,說明這三幅融合影像的平均亮度相近。3種融合尺度的平均梯度值排序為16 m× 16 m(6.74)>8 m×8 m(4.55)>2 m×2 m (1.97),說明16 m×16 m融合影像清晰度最好,細節(jié)表現(xiàn)力最強。標準差作為衡量信息豐富程度的重要指標,其值越大,反差就越大,視覺信息就越明顯。由表1可知,3種尺度融合影像的平均標準差值排序為16 m×16 m(19.93)>8 m×8 m(17.79)>2 m×2 m(15.95),說明16 m×16 m融合影像的信息量更多。綜合主觀評價和客觀評價,16 m×16 m融合影像較適合江蘇省冬小麥種植的田塊分布特征。
圖1 融合前后影像特征比較Fig.1 Comparison of the features before or after image fusion
表1 不同尺度融合影像客觀評價指標Table 1 Evaluation indices of different scale fusion images
利用ENVI遙感軟件在三景融合影像中通過建立ROI感興趣點隨機提取88個小麥種植樣點,形成小麥樣點的光譜信息數(shù)據(jù),然后計算NDVI(歸一化差異植被指數(shù))、RVI(比值植被指數(shù))、TVI(轉(zhuǎn)換型植被指數(shù))和RDVI(重歸一化植被指數(shù))4種植被指數(shù)[12-15]。
以88個小麥種植樣點數(shù)作為橫坐標,4種植被指數(shù)分別作為縱坐標,依次生成散點圖(圖2)。圖2a、圖2b、圖2c和圖2d分別是88個樣點所對應(yīng)的NDVI、RVI、TVI和RDVI值,每幅圖包含2 m×2 m、8 m×8 m、16 m×16 m 3種尺度融合影像的樣點光譜信息,為了更直觀地展現(xiàn)3種不同尺度融合影像的植被指數(shù)的差異,在4幅圖中添加線性趨勢線,輔以說明融合影像的植被指數(shù)的變化特征。從圖2a可以看出冬小麥的NDVI處于0.19~0.54,樣點間NDVI存在明顯差異,不同田塊小麥的長勢不盡相同,說明選取的樣點具有代表性。大部分樣點的NDVI集中在 0.30~0.43,結(jié)合線性趨勢線看,16 m×16 m融合影像的NDVI值明顯高于2 m× 2 m、8 m×8 m融合影像,說明16 m×16 m融合影像光譜信息量更豐富。圖2b中RVI介于 1.49~3.45,密集分布于2.3左右,趨勢線也表明16 m× 16 m融合影像所含光譜信息量多于2 m×2 m和 8 m×8 m融合影像,融合影像光譜信息增加,有利于小麥的識別。圖2c中TVI最小值為0.84,最大值為1.02,集中分布在0.94左右,圖2d中RDVI分布于0.54~1.37,平均分布在0.95左右,從擬合的趨勢線可看出16 m×16 m融合影像所含的光譜信息量較大。圖2a、圖2b、圖2c和圖2d中擬合的趨勢線的走勢相同,峰(谷)值都出現(xiàn)在相同的樣點位置,說明三景融合影像在融合后沒有出現(xiàn)極端變異情形。
通過對不同植被指數(shù)的比較分析,可得出16 m×16 m融合影像光譜信息量比 2 m×2 m、8 m×8 m融合影像更豐富,更有利于田塊尺度的冬小麥識別。
融合影像質(zhì)量的改善和光譜信息的增強,有利于提高冬小麥種植面積提取精度?;诜潜O(jiān)督分類法,結(jié)合江蘇冬小麥田間生長特征,將三景融合影像的地物簡單分成水體、道路房屋、樹木、蔬菜、小麥這5類,并通過分類重編碼整合提取各類地物的面積。建立2個近似5 000 m×5 000 m樣方,樣方中包含房屋、道路、水體、小麥、非小麥的其他植被等地物,通過制作AOI分別對三景融合影像樣方中冬小麥種植田塊進行統(tǒng)計,得到樣方冬小麥的種植面積。
將GF-1空間分辨率為2 m全色影像和8 m多光譜影像融合,再進行非監(jiān)督分類,與上述三景融合影像方法類似,對相同樣方小麥種植面積進行提取,統(tǒng)計樣方小麥種植面積作為計算面積精度的參考面積。
通過公式A=(1-|SR-SGF|/SGF)[6]計算融合影像的小麥種植面積精度,其中SR代表融合影像樣方小麥種植面積,SGF作為參考影像的樣方小麥種植面積,計算結(jié)果見表2。從表2可以看出,2 m×2 m、8 m×8 m和16 m×16 m融合影像的小麥種植面積精度存在差異,其中,8 m×8 m和16 m×16 m融合影像小麥種植面積提取精度較為接近,且均高于2 m×2 m融合影像,8 m×8 m融合影像精度為96.41%,16 m×16 m融合影像精度96.73%,整體來看,16 m×16 m融合影像小麥種植面積提取精度最高。說明,16 m×16 m融合影像適合江蘇省冬小麥種植的田塊分布特征,有利于冬小麥種植面積的遙感準確提取。
圖2 不同尺度融合影像植被指數(shù)散點分布特征Fig.2 Distribution characteristics of vegetation indices scattered points in different scale fusion images
表2 不同尺度融合影像面積精度Table 2 Accuracy of different scale fusion images
近年來,關(guān)于遙感影像融合方法的研究有很多,但不同空間尺度影像融合卻不多,尤其是基于中國自主研發(fā)的GF-1衛(wèi)星和HJ衛(wèi)星影像的融合在作物監(jiān)測中少有報道。本研究通過對GF-1空間分辨率2 m全色影像重采樣,生成8 m×8 m和16 m× 16 m全色影像,將此三景全色影像分別與HJ-1空間分辨率30 m多光譜影像進行主成分變換融合,生成2 m×2 m、8 m×8 m、16 m×16 m 3種不同尺度的多光譜影像,并進行融合質(zhì)量評價以及光譜特征值和基于非監(jiān)督分類的面積精度比較。結(jié)果表明,3種尺度融合影像均值差異不大,分別為81.20、79.26和79.44。平均梯度值和標準差差異明顯,其中16 m×16 m融合影像最為顯著,其值分別為6.74和19.93,融合影像質(zhì)量較原始多光譜影像質(zhì)量發(fā)生明顯改善,突出了豐富的植被光譜信息,有利于冬小麥種植面積的提取。從3種融合影像冬小麥種植面積提取精度可以看出,16 m×16 m融合影像冬小麥種植面積的提取精度最理想,精度為96.73%。綜上所述,16 m×16 m空間分辨率的遙感影像比較適合江蘇省田塊分布特征,有利于冬小麥種植面積遙感準確提取。
本研究選用GF-1空間分辨率2 m全色影像與8 m多光譜影像進行融合,作為研究區(qū)域冬小麥種植面積提取精度的驗證參考,即運用高分辨率影像作為識別標志,代替?zhèn)鹘y(tǒng)人工田間調(diào)查方法,在滿足精度要求的情況下,節(jié)省了大量人力物力。本研究利用非監(jiān)督分類方法提取冬小麥種植面積信息,其他分類方法(如監(jiān)督分類等)是否適合本研究,將在下一步研究中進行探索。雖然GF-1影像覆蓋度較同等高分辨率衛(wèi)星影像幅寬較大,但用于大范圍農(nóng)作物面積、長勢以及產(chǎn)量等監(jiān)測預(yù)報研究時,較難實現(xiàn)縣級區(qū)域全覆蓋,有必要考慮利用多源高空間分辨率影像數(shù)據(jù)?;诒狙芯康难芯拷Y(jié)果,空間分辨率16 m×16 m的衛(wèi)星遙感影像比較適合江蘇省冬小麥種植田塊的分布特征,在今后的研究中可以考慮使用相同空間分辨率的遙感影像數(shù)據(jù),比如使用空間分辨率為15 m×15 m的Landsat8/OLI影像或空間分辨率為19 m×19 m的Spot4/CCD影像等,可以在滿足區(qū)域作物遙感監(jiān)測要求的情況下,大大降低影像購買成本,使衛(wèi)星遙感監(jiān)測技術(shù)更好地服務(wù)于縣級農(nóng)業(yè)管理的信息需求。
[1] 許文波,張國平,范錦龍,等.利用MODIS遙感數(shù)據(jù)監(jiān)測冬小麥種植面積[J].農(nóng)業(yè)工程學(xué)報,2007,23(12):144-149.
[2] 李衛(wèi)國,李正金,王紀華,等.基于ISODATA的冬小麥籽粒蛋白質(zhì)含量遙感分級監(jiān)測[J].江蘇農(nóng)業(yè)學(xué)報,2009,25(6): 1247-1253.
[3] 張建國,李憲文,吳延磊,等.面向?qū)ο蟮亩←湻N植面積遙感估算研究[J].農(nóng)業(yè)工程學(xué)報,2008,24(5):156-160.
[4] 田海峰,王 力,牛 錚,等.基于新遙感數(shù)據(jù)源的冬小麥種植面積提?。跩].中國農(nóng)學(xué)通報,2015,31(5):220-227.
[5] 李衛(wèi)國,李正金.基于CBERS衛(wèi)星遙感的冬小麥產(chǎn)量估測研究[J].麥類作物學(xué)報,2010,30(5):915-919.
[6] 葛廣秀,李衛(wèi)國,景元書.基于NDVI密度分割的冬小麥種植面積提取[J].麥類作物學(xué)報,2014,34(7):997-1002.
[7] 王備戰(zhàn),馮 曉,溫 暖,等.基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測[J].中國農(nóng)業(yè)科學(xué),2012,45(15): 3049-3057.
[8] 鄔明權(quán),王長耀,牛 錚.利用多源時序遙感數(shù)據(jù)提取大范圍水稻種植面積[J].農(nóng)業(yè)工程學(xué)報,2010,26(7):240-244.
[9] 顧曉鶴,韓立建,王紀華,等.中低分辨率小波融合的玉米種植面積遙感估算[J].農(nóng)業(yè)工程學(xué)報,2012,28(3):203-209.
[10]李衛(wèi)國,蔣 楠.基于面向?qū)ο蠓诸惖亩←湻N植面積提?。跩].麥類作物學(xué)報,2012,32(4):701-705.
[11]趙麗花.基于遙感數(shù)據(jù)的小麥長勢空間變異監(jiān)測研究[D].徐州:中國礦業(yè)大學(xué),2011.
[12]DEERING D W,ROUSE J W,HAAS R H,et al.Measuring forage production of grazingunits from Landsat MSS data[J].Proceedings of the 10thInternational Symposium on Remote Sensing of Environment,1975,2:1169-1178.
[13]BIRTH G S,MCVEY G.Measuring the color of growing turf with a reflectance spectr-oradiometer[J].Agronomy Journal,1968,60: 640-643.
[14]ROUSE J W,HAAS R H,SCHELL J A,et al.Monitoring the vernal advancement of ret-rogradation of natural vegetation[M].USA: National Aeronautics and Space Administration,Goddard Space Flight Center(NASA/GSFC),1974.
[15]ROUJEAN J L,BREON F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J].Remote Sensing of Environment,1995,51:375-384.