李 冰，梁燕華，李丹丹，賀 佳，郭 燕，王來剛※

(1.河南省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所，鄭州 450002； 2.鄭州澍青醫(yī)學高等專科學校，河南鄭州 450000； 3.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081)

·技術方法·

多時相GF-1衛(wèi)星PMS影像提取農(nóng)作物種植結構*

李 冰1， 2，梁燕華2，李丹丹3，賀 佳1，郭 燕1，王來剛1※

(1.河南省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所，鄭州 450002； 2.鄭州澍青醫(yī)學高等?？茖W校，河南鄭州 450000； 3.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081)

目的及時準確獲取農(nóng)作物種植結構信息，對農(nóng)作物種植結構調整具有重要意義。方法文章以多期GF-1衛(wèi)星PMS影像為主要數(shù)據(jù)源，通過分層分類方法成功提取了朱仙鎮(zhèn)一個種植年內秋播蔬菜、冬小麥、春花生、早熟西瓜、夏玉米、夏花生等農(nóng)作物，并通過疊加分析得到朱仙鎮(zhèn)的農(nóng)作物種植模式。結果朱仙鎮(zhèn)有10種種植模式，以一年兩熟的冬小麥-夏玉米為主要倒茬模式，占比49.7%，其他9種種植模式所占比例之和接近50%； 從整體景觀的角度對朱仙鎮(zhèn)的主要作物種植模式進行衡量，斑塊豐富度PR達到9.0，香農(nóng)多樣性指數(shù)SHDI達到1.483 6，說明朱仙鎮(zhèn)種植模式多樣，有利于多元農(nóng)業(yè)種植結構發(fā)展； 分層分類的方法能夠延續(xù)最優(yōu)提取結果的精度，各類作物提取精度均達到了80%以上。結論PMS影像的高分辨率能夠清晰的表達地塊邊界，一定程度上呈現(xiàn)了非大宗作物的空間分布，GF-1衛(wèi)星PMS為多尺度的農(nóng)業(yè)監(jiān)測提供了更多的選擇。

GF-1 種植結構 遙感 多時相 層次分類 種植結構

0 引言

農(nóng)作物種植結構信息是對農(nóng)業(yè)生態(tài)服務評價及農(nóng)業(yè)生產(chǎn)適應市場經(jīng)濟調控的基礎信息，對耕地資源的有效生產(chǎn)和管理有著重要意義[1]。遙感技術提取農(nóng)作物種植結構相比傳統(tǒng)的逐級統(tǒng)計和抽樣調查方法更能快速高效的掌握作物的空間布局。MODIS、Landsat等中低分辨率的遙感衛(wèi)星在國家級、省級、市縣級大宗作物的監(jiān)測中一直發(fā)揮著重要作用，孫華生等[2]利用MODIS監(jiān)測全國的水稻種植，郝衛(wèi)平等[3]利用MODIS和Lansat結合對東北三省的多種作物進行了空間提取。鄉(xiāng)鎮(zhèn)級別更精確的作物種植結構提取則需要更高分辨率的遙感影像，劉京寶等[4]采用高空間分辨率遙感影像提取農(nóng)作物種植結構有了成功的實驗。以往農(nóng)業(yè)遙感應用以國外衛(wèi)星為主，我國自主研發(fā)衛(wèi)星影像HJ-1A、HJ-1B、ZY-3和GF-1的突出表現(xiàn)為自主衛(wèi)星的應用和推廣增強了信心。其中，GF-1衛(wèi)星PMS傳感器的8米分辨率影像屬于高分辨率影像，劉國棟[5]曾采用該影像輔助農(nóng)作物的遙感抽樣調查。雖然該影像具有回歸周期長、幅寬較窄等缺點，但以該影像為主數(shù)據(jù)對鄉(xiāng)鎮(zhèn)尺度種植結構提取仍可以滿足應用需求。

不同農(nóng)作物有著特定的光、熱、水、土等生長要素，表現(xiàn)在季節(jié)性的播種、長勢的優(yōu)劣等，這些特征被遙感影像以色調、紋理形式捕捉，充分利用作物的物候節(jié)律特征，選取作物全生長期的多時相影像提取作物種植結構可以最大限度地保證作物提取的精確度[6]。遙感影像多時相提取作物的研究已有很多，如張健康等[7]使用多時相的TM/ETM+和時間序列MODIS EVI結合，使用了多層次決策樹識別黑龍港地區(qū)的主要作物，分類精度高達91.3%； 劉吉凱等[8]使用Landsat8多期影像結合多種作物物候歷提取溫宿縣多種作物種植結構，相比單時相的監(jiān)督分類精度提高7.9%。文章以四大名鎮(zhèn)之一——朱仙鎮(zhèn)為研究區(qū)，采用多時相GF-1衛(wèi)星PMS遙感影像，針對對象分層分類提取多種作物種植結構及種植模式，為小尺度農(nóng)作物種植結構提取提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

朱仙鎮(zhèn)隸屬于河南省開封市祥符區(qū)，界于北緯34°31′～34°41′、東經(jīng)114°12′～114°20′之間。地處黃淮平原，屬暖溫帶大陸性季風氣候。春季干旱多風、夏季炎熱多雨、秋季涼爽、冬季寒冷少雪，四季分明； 年平均氣溫14℃，最高月平均氣溫27.1℃，絕對最高氣溫42.9℃，最低月平均氣溫-0.5℃，絕對最低氣溫-10℃； ≥10℃的作物旺盛生長期210～220d； 年濕潤系數(shù)0.7～1.0，年均日照時數(shù)為2330h，年平均降雨量637.21mm，夏季降水量占全年降水量的50%以上，無霜期187d。朱仙鎮(zhèn)適播作物種類豐富，以冬小麥、玉米、西瓜、花生、蔬菜種植為主。由于蔬菜類型繁多，種植茬次多樣及生育期短，該文僅提取種植范圍較大的秋播蔬菜。

圖1 研究區(qū)地理位置

1.2 影像選取與處理

GF-1衛(wèi)星搭載了2臺2m分辨率全色/8m分辨率多光譜的PMS相機，多光譜彩色相機包含藍(0.45～0.52)、綠(0.52～0.59)、紅(0.63～0.69)、近紅外(0.77～0.89)4個波段，幅寬60km，重訪周期4天。該文選擇全年作物生長周期內5個相時的GF-1 衛(wèi)星PMS影像(中國資源衛(wèi)星應用中心)[9]，影像時相分別為2014年11月14日、2015年2月8日、2015年5月5日、2015年6月19日、2015年8月28日。影像的預處理過程包括輻射定標、大氣校正、幾何校正、影像裁剪等。首先采用2015年GF-1衛(wèi)星最新定標參數(shù)對5景影像進行輻射定標、大氣校正。其次，以Landsat 8 OLI為基準對影像進行幾何校正，誤差小于0.5個像元。最后，采用朱仙鎮(zhèn)矢量行政邊界對影像進行裁剪得到研究區(qū)域。

2 種植結構提取

利用遙感方法準確地提取區(qū)域種植結構，不僅取決于遙感方法的選擇，更取決于要提取的農(nóng)作物對象的生長習性。該文充分分析了朱仙鎮(zhèn)主要農(nóng)作物種植習慣，以此為依據(jù)選擇PMS影像時相并分析影像特征，結合農(nóng)作物地面物候信息和影像特征逐層提取農(nóng)作物，并進一步生成朱仙鎮(zhèn)的種植結構，具體方法如下。

2.1 耕地提取及主要農(nóng)作物

2.1.1 耕地提取

我國對耕地資源有嚴格的保護政策，短時間內耕地面積保持不變。為了減少多期遙感影像作物提取過程中異物同譜的影響，該文預先提取朱仙鎮(zhèn)耕地并以此作為多期影像的掩膜。朱仙鎮(zhèn)的耕地范圍通過2015年2月8日影像提取，該時期影像包含了耕地(冬小麥和其他作物耕地、休耕地)、林地、居民點、水體、道路等土地利用類型，結合非監(jiān)督分類的方法并通過人工后期修正提取耕地范圍。該文研究重點在于單位種植周期內作物的種植結構，多年生的果園等農(nóng)用地未列入其中。

2.1.2 主要農(nóng)作物

朱仙鎮(zhèn)主要農(nóng)作物以夏收作物冬小麥、春花生、早熟西瓜和秋收作物夏玉米、夏花生及秋播蔬菜為主，各類作物生育期簡介如下：

(1)冬小麥：生長周期最長， 10月上旬播種， 5月下旬、6月上旬成熟，歷時230d左右。

(2)春花生： 4月上旬播種， 7月底收獲，歷時100d左右。

(3)早熟西瓜： 2月中旬播種， 5月底收獲，歷時100d左右。

(4)夏玉米： 6月中旬播種， 10月初收獲，歷時100d左右。

(5)夏花生： 6月中旬播種， 10月初收獲，生長周期與夏玉米相近。

(6)秋播蔬菜：秋播蔬菜種類較多，種植面積小，生長周期長短各異，朱仙鎮(zhèn)地區(qū)種植白菜、菠菜、蘿卜、大蒜等多種蔬菜類型，文中以可以遙感識別的蔬菜類型統(tǒng)一劃分為秋播蔬菜。

2.2 影像時相分析

作物生長在影像中的直觀反映通過影像的時相及NDVI直方圖的分布可知。

(1)2014年11月14日影像中，該時期地表覆蓋植被以冬小麥和秋播蔬菜為主。冬小麥處于生長初期，植被覆蓋度低，生長旺盛的秋播蔬菜有著更高的植被覆蓋度和NDVI值。影像整體的NDVI值呈現(xiàn)單峰狀態(tài)，NDVI值集中在0.2～0.4之間，該時期是區(qū)分冬小麥與秋播蔬菜的關鍵時期。

(2)2015年2月8日，此時作物類型單一，冬小麥處于越冬期，其他春播作物還未播種。地表覆蓋以冬小麥和休耕地為主，因此，NDVI值呈現(xiàn)兩極分化的雙峰狀態(tài)，冬小麥與休耕地有著更好的可分性，此時是提取冬小麥的最佳時期。

(3)隨著時間的推移，春播作物不斷豐富， 2015年5月5日，冬小麥處于抽穗期，并伴有早熟西瓜與春花生，由于春花生生長緩慢，影像中新增的植被覆蓋以早熟西瓜為主。此時早熟西瓜與冬小麥不易從光譜上進行區(qū)分，提取早熟西瓜需結合2015年2月8日影像提取的冬小麥和2015年6月19日提取的春花生的掩膜約束。由于這期影像有薄云的影響，NDVI值整體偏低。

(4)2015年6月19日冬小麥已全部收割，此時夏玉米剛完成播種，作物以處于生長旺季的春花生為主，其NDVI值的雙峰狀態(tài)說明此時期是提取春花生的最佳時期。

(5)到2015年8月28日，生長作物以夏玉米和夏花生為主，春花生等春季作物均已收獲，NDVI直方圖的雙峰狀態(tài)說明該時期是區(qū)分作物與休耕地的最佳狀態(tài)，夏玉米與夏花生的區(qū)分仍需要其他資料輔助。

圖2 影像相時及NDVI直方

2.3 層次分類

2.3.1 關鍵物候期NDVI閾值確定

歸一化差值植被指數(shù)NDVI在農(nóng)業(yè)遙感中有著廣泛的應用，徐涵秋等對PMS傳感器NDVI的評測表明該傳感器的NDVI對植被有較強的指示作用[10]。在關鍵物候期，NDVI直方圖的雙峰狀態(tài)，是區(qū)分作物與休耕地的關鍵時期，依據(jù)灰度直方圖雙峰估值法，波峰之間波谷處的最小值是分割的最佳閾值[11]。背景地物的不均勻一導致的直方圖鋸齒狀波動對最小值的定位造成影響。因此，在波谷附近通過反復試驗結合人工判讀確定最佳分割閾值。

2.3.2 層次分類技術路線

依據(jù)多時相影像的光譜特征變化量提取農(nóng)作物技術已經(jīng)比較成熟，但是多時期影像質量的不一致甚至同一時期作物長勢的差異對最終作物提取精度有誤差累積的影響。在選取的多期影像當中，勢必存在某一期影像對提取某一種作物有更準確的可分性。該文嚴格根據(jù)作物的物候期，通過選取處于作物的關鍵物候期的影像時間序列，結合作物生長特征與影像特征先提取影像中可分性最強的關鍵作物，保證關鍵作物提取的準確性，并以此為掩膜應用到其他時期影像中提取相近生長季的作物類型。這種單要素分層掩膜分類方法，即逐次完成單一地類的提取，并作為掩膜進行下一類地物的提取，有利于減少同時期其他不相關地物對目標地物提取的影響[12]。通過影像的相時分析， 2015年2月8日影像是提取冬小麥的關鍵時期，NDVI大于0.34的像元可確定為冬小麥像元； 2014年11月14日影像中，NDVI大于0.35的像元包含了冬小麥像元和秋播蔬菜像元，需要以2015年2月8日影像中提取的冬小麥像元為掩膜才能更為準確的提取秋播蔬菜。2015年6月19日影像是提取春花生的關鍵時期，通過NDVI大于0.32的閾值提取春花生，在2015年5月5日影像中，包含了春花生、冬小麥、早熟西瓜等多種作物，因此以春花生和冬小麥為掩膜才能在NDVI大于0.32的像元中提取早熟西瓜。2015年8月28日農(nóng)作物以夏玉米和夏花生為主，通過NDVI閾值及這兩種作物在綠光波段(B2)的反射率差異方能進行夏玉米和夏花生的區(qū)分。完成各類作物的提取之后，對各類作物進行疊加分析生成全年的作物種植結構。

圖3 種植結構提取技術路線

3 結果與分析

3.1 朱仙鎮(zhèn)種植結構分析

經(jīng)過多期GF-1衛(wèi)星PMS影像提取的朱仙鎮(zhèn)種植結構的空間分布見圖4。朱仙鎮(zhèn)農(nóng)作物收獲期主要集中在夏季和秋季兩個時段(圖4a、4b)，夏收作物以冬小麥、春花生、早熟西瓜為主，分別占該文提取耕地面積的55.86%、24.15%、6.53%； 主要秋收作物夏玉米和夏花生分別占該文提取耕地面積的59.66%、21.19%。冬小麥作為重要的糧食作物，在國民經(jīng)濟中的地位較為穩(wěn)定，但是夏玉米在秋收作物中的高比例與近年來國家對農(nóng)業(yè)經(jīng)濟結構的調整有一定的差距，高精度的監(jiān)測對政府和農(nóng)戶進行種植結構的調整參考價值非常大。

朱仙鎮(zhèn)處于中緯度的平原地帶，較好的生產(chǎn)條件能夠滿足多種作物復種的模式。春花生、夏花生、冬小麥、夏玉米、早熟西瓜、秋播蔬菜等主要作物在以年為周期的時長內有序播種，充分利用光照和土地，形成多樣的種植結構。由圖4c可知，朱仙鎮(zhèn)作物種植結構主要形成了10種種植模式：春花生-夏花生、春花生-夏玉米、冬小麥-夏花生、冬小麥-夏玉米、早熟西瓜-夏花生、早熟西瓜-夏玉米、秋播蔬菜-春花生-夏花生、秋播蔬菜-春花生-夏玉米、秋播蔬菜-早熟西瓜-夏花生、秋播蔬菜-早熟西瓜-夏玉米。10種種植模式以一年兩熟的冬小麥-夏玉米為主要倒茬模式，占比49.7%，其他9種種植模式所占比例之和僅接近50%。秋播蔬菜輪作的一年三熟的種植模式占比較少，僅為8%左右，在較低分辨率的遙感影像當中很容易被忽略，但是在PMS影像的分辨率優(yōu)勢下能夠展示這種高經(jīng)濟收益的種植制度說明了該遙感影像在小區(qū)域農(nóng)業(yè)遙感應用中有很重要的價值。

圖4 朱仙鎮(zhèn)主要農(nóng)作物種植結構

圖5 隨機驗證點空間分布

表1 朱仙鎮(zhèn)主要作物種植結構比例 %

表2 朱仙鎮(zhèn)主要作物的景觀格局指數(shù)

農(nóng)作物類型CALPILSICOHESIONAI秋播蔬菜1766741451487237321冬小麥285131706547498969194早熟西瓜75136124954690517232春花生1232363257701898588419夏玉米3044783565575899769178夏花生1082311339922695717774

景觀格局指數(shù)對種植景觀在空間布局上的合理性和可比性定量描述增加了科學依據(jù)，并廣泛應用于農(nóng)業(yè)景觀生態(tài)學的研究中[13-15]。景觀格局指數(shù)具有斑塊、類型、景觀等多種尺度水平，該文選擇斑塊總面積CA，最大斑塊指數(shù)LPI，景觀形狀指數(shù)LSI，斑塊聚合度COHESION，聚集度AI等類型水平的格局指數(shù)及景觀水平的斑塊豐富度PR，香農(nóng)多樣性指數(shù)SHDI分析朱仙鎮(zhèn)主要作物的種植結構的布局特點。類型水平格局指數(shù)結果見表2。斑塊總面積CA、最大斑塊指數(shù)LPI表明，冬小麥、春花生、夏玉米等大宗作物更為集中連片，景觀優(yōu)勢度非常強； 景觀形狀指數(shù)LSI說明早熟西瓜、夏花生等作物地塊非常的規(guī)則，早熟西瓜需要精細化管理，這與西瓜的種植管理的實際相一致； COHESION、AI等進一步表明秋播蔬菜、西瓜等面積較少的作物種植分散，地塊破碎，與大宗作物相比景觀優(yōu)勢度弱。從整體景觀的角度對朱仙鎮(zhèn)的主要作物種植模式進行衡量，斑塊豐富度PR達到9.0，香農(nóng)多樣性指數(shù)SHDI達到1.483 6，說明朱仙鎮(zhèn)種植模式多樣，有利于多元農(nóng)業(yè)種植結構發(fā)展。

3.2 分類精度評價

該文對農(nóng)作物提取精度的評價主要針對秋播蔬菜、冬小麥、春花生、夏玉米、夏花生等進行，由于早熟西瓜與冬小麥在2015年5月5日影像中難以目視解譯，未對早熟西瓜進行驗證。利用Arcgis10.3生產(chǎn)100個隨機驗證點，其空間分布見圖5。冬小麥、春花生、夏玉米、秋播蔬菜是從不同時相的遙感影像提取，因此其精度驗證是分別進行的，驗證結果見表3?？傮w來看， 4期影像對5類作物的總體平均分類精度達到89.5%，冬小麥、春花生等夏收作物的分類精度顯著高于夏玉米、夏花生等秋收作物的提取精度。冬小麥、春花生作為提取其他地物的掩膜約束條件，只有保證掩膜作物的提取精度才能保證其他作物的提取精度。二者所處影像時相的物候特征可分性較高，且種植面積大、分布集中，故能取得較高的分類精度，分別達到97%、89%； 秋播蔬菜與冬小麥的光譜特征差異同樣顯著，并有冬小麥高精度的保證，分類精度達到90%。夏玉米和夏花生均處于生長旺盛期，夏玉米植株相較于夏花生高出許多，相鄰地塊間的光譜值混淆嚴重，對于該時期的影像提取多類農(nóng)作物，PMS較少的光譜波段仍有很大的限制。

表3 基于隨機點的PMS影像解譯精度評價

秋播蔬菜非秋播蔬菜制圖精度用戶精度總體分類精度2014-11-14秋播蔬菜23274%92%90%非秋播蔬菜86797%89%冬小麥非冬小麥制圖精度用戶精度總體分類精度2015-02-08冬小麥68299%97%97%非冬小麥12994%97%春花生非春花生制圖精度用戶精度總體分類精度2015-06-19春花生36178%97%89%非春花生105398%84%夏玉米夏花生其他制圖精度用戶精度總體分類精度2015-08-28夏玉米543389%90%82%夏花生512060%71%其他251684%70%

4 結論與討論

該文以多期GF-1衛(wèi)星 PMS影像為主要數(shù)據(jù)源，通過分層分類方法成功提取了朱仙鎮(zhèn)一個種植年內秋播蔬菜、冬小麥、春花生、早熟西瓜、夏玉米、夏花生等農(nóng)作物，并通過疊加分析得到朱仙鎮(zhèn)的農(nóng)作物種植模式，直觀的反映了朱仙鎮(zhèn)的農(nóng)業(yè)種植格局，為其種植結構調整提供依據(jù)。遙感影像的質量差異存在很多不確定性，分層分類方法能夠保證時間序列影像中最優(yōu)提取結果的使用和準確的作物種植結構。該文提取的10種種植模式以一年兩熟的種植制度為主，冬小麥-夏玉米的輪作為主要倒茬模式，占比49.7%。進一步的景觀格局指數(shù)同樣表明朱仙鎮(zhèn)多種作物的空間布局仍以冬小麥、夏玉米、春花生、夏花生等大宗作物為主，種植結構和模式的調整有很大的發(fā)展空間，尤其對玉米種植的控制和其他秋季作物的鼓勵種植。

農(nóng)業(yè)種植農(nóng)作物的多樣性，種植茬次的多樣性，套種、間種等模式的多樣性是非常復雜的，遙感監(jiān)測是一定程度上的綜合和簡化，這就突出了高分辨率衛(wèi)星的重要性。PMS影像對秋收作物的識別受到光譜分辨率的限制并沒有取得非常高的精度，但是對夏收作物的識別能力非常強，同時其分辨率優(yōu)勢能夠清晰的表達地塊邊界。因此，GF-1衛(wèi)星 PMS影像能夠支撐多尺度的農(nóng)業(yè)監(jiān)測。

[1] 胡瓊，吳文斌，宋茜，等.農(nóng)作物種植結構遙感提取研究進展.中國農(nóng)業(yè)科學， 2015, 48(10): 1900～1914

[2] 孫華生． 利用多時相MODIS數(shù)據(jù)提取中國水稻種植面積和長勢信息.杭州：浙江大學， 2009

[3] 郝衛(wèi)平， 梅旭榮，蔡學良，等.基于多時相遙感影像的東北三省作物分布信息提取.農(nóng)業(yè)工程學報， 2011， 27(1)： 201～207， 393

[4] 劉克寶， 劉述彬，陸忠軍，等.利用高空間分辨率遙感數(shù)據(jù)的農(nóng)作物種植結構提取.中國農(nóng)業(yè)資源與區(qū)劃， 2014, 35(1): 21～26

[5] 劉國棟， 鄔明權，牛錚，等.基于GF-1號衛(wèi)星數(shù)據(jù)的農(nóng)作物種植面積遙感抽樣調查方法.農(nóng)業(yè)工程學報， 2015, 31(5): 160～166

[6] 王琳， 景元書，楊沈斌.基于多時相遙感數(shù)據(jù)提取水稻種植面積的研究.中國農(nóng)業(yè)資源與區(qū)劃， 2013, 34(2): 20～25

[7] 張健康， 程彥培，張發(fā)旺，等.基于多時相遙感影像的作物種植信息提取.農(nóng)業(yè)工程學報， 2012, 28(2): 134～141

[8] 劉吉凱， 鐘仕全，梁文海.基于多時相Landsat 8 OLI影像的作物種植結構提取.遙感技術與應用， 2015, 30(4): 775～783

[9] 中國資源衛(wèi)星應用中心.2015年國產(chǎn)陸地觀測衛(wèi)星絕對輻射定標系數(shù)(CBERS-04，GF-2，GF-1，ZY-3，ZY-102C，SJ-9A，HJ-1A/1B).(2015-10- 14)http：//www.cresda.com/CN/Downloads/dbcs/6709.shtml

[10]徐涵秋， 劉智才，郭燕濱.GF-1 PMS1與ZY-3 MUX傳感器NDVI數(shù)據(jù)的對比分析.農(nóng)業(yè)工程學報， 2016, 32(8): 148～154

[11]張浩彬， 李俊生，向南平，等.基于MODIS地表反射率數(shù)據(jù)的水體自動提取研究.遙感技術與應用， 2015, 30(6): 1160～1167

[12]陳軍， 陳晉，廖安平，等.全球30 m地表覆蓋遙感制圖的總體技術.測繪學報， 2014, 43(6): 551～557

[13]梁國付， 田莉，丁圣彥.城市化過程中開封市郊區(qū)農(nóng)業(yè)景觀變化過程分析.地理科學進展， 2010, 29(1): 117～122

[14]王云， 周忠學.城市化對都市農(nóng)業(yè)景觀的影響——以西安市長安區(qū)為例.中國生態(tài)農(nóng)業(yè)學報， 2014, 22(5): 610～617

[15]YangS，ChenS.The evolvement of rural-urban fringe and land use structure of rapidly urbanized area：A case study of Wuxi.GeographicalResearch， 2009, 28(5): 1255～1263

Vol.38，No.9，pp63-71

CROPPLANTINGSTRUCTUREEXTRACTIONBASEDONMULTI-TEMPORALGF-1PMSREMOTESENSINGIMAGES*

LiBing1， 2，LiangYanhua2，LiDandan3，HeJia1，GuoYan1，WangLaigang1※

(1. Institute of Agricultural Economics and Information, Henan Academy of Agricultural Sciences, Zhengzhou 450002, China; 2. Zhengzhou Shuqing Medical College, Zhengzhou 450000, China; 3. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China)

Timely and accurately obtaining crop planting structure is crucial for crop planting structure adjustment. This paper used Multi-temporal GF-1 PMS images to extract crop planting structure, interpreted winter wheat, spring peanut, early-maturing watermelon, summer corn, summer peanut by the hierarchical classification method, and analyzed crop planting patterns by overlay analysis in Zhuxian township during a vegetable planting year. The results showed that (1) There were 10 kinds of planting patterns in Zhuxian town, of which winter wheat summer maize was a major crop model, accounting for 49.7%. (2)The patch richness of PR reached 9, the Shannon diversity index SHDI reached 1.483 6, which indicated that the town planting pattern was multiple variety agricultural planting structure.(3) The hierarchical classification method can improve the extract accuracy of each crop, which can reach more than 80%. PMS high resolution image can clearly define express parcel boundaries and show the spatial distribution of the non staple crops. GF-1 PMS provided more choices on multiple scales of agricultural monitoring.

GF-1; planting structure; remote sensing; multi-temporal; hierarchical classification

10.7621/cjarrp.1005-9121.20170909

2016-11-02

李冰(1980—)，女，河南開封人，碩士、講師。研究方向：遙感圖像自動分類 ※通訊作者：王來剛(1979—)，男，河南輝縣人，博士、副研究員。研究方向：農(nóng)業(yè)遙感應用。Email：wlaigang@sina.com *資助項目：河南省科技攻關重點項目“基于‘互聯(lián)網(wǎng)+’的農(nóng)情遙感監(jiān)測與服務研究”(172102110090)； 國家自然科學基金項目“利用遙感與高光譜技術進行土壤有機碳的制圖與不確定性研究”(41601213);河南省農(nóng)業(yè)科學院自主創(chuàng)新專項基金“基于多源遙感的河南省小麥面積提取研究”(2017ZC60)

S127

A

1005-9121[2017]09056-07