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。

1 遙感數(shù)據(jù)與預(yù)處理

1.1 研究區(qū)域概況

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。

1.2 遙感數(shù)據(jù)

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 影像預(yù)處理

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。

2 結(jié)果與分析

2.1 不同尺度融合影像質(zhì)量評價

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

2.2 不同尺度融合遙感影像光譜特征比較

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。

2.3 不同尺度融合遙感影像小麥種植面積提取精度

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

3 討論

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.