吳煜心,操震洲,姜林燕

(1. 南京工業(yè)大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，江蘇 南京 211816;2. 江蘇省金威遙感數(shù)據(jù)工程有限公司,江蘇 南京 210000 )

0 引 言

自20世紀(jì)70年代以來(lái)，遙感技術(shù)在農(nóng)作物種植面積測(cè)量、產(chǎn)量預(yù)測(cè)等方面發(fā)揮著重要作用。及時(shí)獲取農(nóng)作物種植面積和空間分布等信息有助于政府及時(shí)調(diào)整農(nóng)業(yè)種植結(jié)構(gòu)，提高農(nóng)作物產(chǎn)量[1]。隨著GF-1衛(wèi)星的成功發(fā)射，賈玉秋等[2]在農(nóng)業(yè)遙感長(zhǎng)勢(shì)監(jiān)測(cè)領(lǐng)域?qū)F-1與 Landsat-8 影像數(shù)據(jù)進(jìn)行了對(duì)比研究，得出GF-1衛(wèi)星的高時(shí)間、高空間分辨率特征，這使其成為農(nóng)業(yè)遙感領(lǐng)域的重要數(shù)據(jù)源。在傳統(tǒng)方法中，遙感影像分類過(guò)程中“同譜異物、同物異譜”及“混合像元”等現(xiàn)象嚴(yán)重，難以保證農(nóng)作物遙感識(shí)別的精度。而通過(guò)將遙感數(shù)據(jù)與其他輔助數(shù)據(jù)相結(jié)合可 有效提高農(nóng)作物種植面積識(shí)別精度，如光譜數(shù)據(jù)[3]、植被紋理信息[4]等。根據(jù)研究區(qū)的地貌特征采取不同的分類方法可以有效提高影像的分類精度，最常見的有最大似然法[5]、面向?qū)ο蠓诸惙╗6]等。張錦水等提出了將二維影像數(shù)據(jù)與統(tǒng)計(jì)抽樣相結(jié)合方式進(jìn)行農(nóng)作物面積測(cè)量，在一定程度上解決了“混合像元”問(wèn)題[7-10]。

上述研究初步評(píng)價(jià)了農(nóng)作物遙感測(cè)量中的數(shù)據(jù)源、分類方法及與其他輔助數(shù)據(jù)相結(jié)合的應(yīng)用潛力，但鮮有研究從高精度無(wú)人機(jī)遙感測(cè)量角度深入研究其農(nóng)業(yè)應(yīng)用價(jià)值。本文以宿遷市泗洪縣為研究區(qū)，冬小麥為研究對(duì)象，充分利用GF-1號(hào)衛(wèi)星數(shù)據(jù)優(yōu)勢(shì)，提出一種新的冬小麥種植面積估算模型：該模型首先采用最大似然法對(duì)遙感影像進(jìn)行監(jiān)督分類，然后利用耕地矢量數(shù)據(jù)對(duì)分類結(jié)果進(jìn)行優(yōu)化，結(jié)合高分辨率的樣本村數(shù)據(jù)進(jìn)行面積擬合估算，最后得到目標(biāo)農(nóng)作物的種植面積。

1 研究區(qū)與數(shù)據(jù)概況

以宿遷市泗洪縣為研究區(qū)，泗洪縣位于江蘇省西北部，淮河中游，地理坐標(biāo)為北緯33°08′-33°44′，東經(jīng)117°56′-118°46′。泗洪縣冬小麥種植規(guī)模大，地塊整齊，在冬小麥成熟期，與油菜籽的光譜特征存在明顯差異，便于進(jìn)行遙感分類研究。GF-1 衛(wèi)星搭載了4臺(tái)WFV多光譜相機(jī)，空間分辨率為16 m，重訪周期為4 d，所含波段分別為：藍(lán)波段(波長(zhǎng)450～520 nm)、綠波段(波長(zhǎng)520～590 nm)、紅波段(波長(zhǎng)630～690 nm)和近紅外波段(波長(zhǎng) 770 ～890 nm)，為農(nóng)作物空間分類提供了數(shù)據(jù)保障。由于植被在可見光波段反射率差異小，而在近紅外波段差異明顯，故本文采用近紅外/紅/綠波段組合，突出顯示植被光譜特征，提高影像解譯精度。根據(jù)泗洪縣冬小麥物候歷信息等數(shù)據(jù)，選取2景GF-1遙感影像進(jìn)行研究，時(shí)間分別為2016年12月31日、2017年4月29日。首先將影像進(jìn)行標(biāo)準(zhǔn)預(yù)處理，主要包括幾何糾正、正射校正、全色和多光譜波段融合等步驟，然后根據(jù)研究區(qū)邊界進(jìn)行影像裁剪，獲得縣級(jí)中分辨率衛(wèi)星影像，如圖1所示。

在耕地范圍內(nèi)進(jìn)行遙感識(shí)別可降低其他地物的干擾。耕地矢量數(shù)據(jù)采用經(jīng)人工目視解譯的2017年米級(jí)影像，其邊界地塊由林地、道路、建筑物等組成，精度約為10 m。地塊數(shù)據(jù)主要有2個(gè)用途：① 宏觀控制冬小麥種植面積的空間分布，減少其它相似光譜信息地物的干擾，如林地、草地等。② 建立面積抽樣框，根據(jù)統(tǒng)計(jì)抽樣理論地塊大小在200 m×200 m左右，利用PDA等設(shè)備進(jìn)行野外實(shí)地普查，為樣本村的繪制提供數(shù)據(jù)基礎(chǔ)。

樣本村數(shù)據(jù)用于農(nóng)作物面積擬合，按照分層兩階段進(jìn)行抽樣，在全縣范圍內(nèi)，以行政村為最小抽樣單元進(jìn)行統(tǒng)計(jì)抽樣，并根據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)對(duì)樣本村的合理性進(jìn)行判別，以獲得含有目標(biāo)農(nóng)作物的樣本村空間分布數(shù)據(jù)。結(jié)合泗洪縣行政村矢量數(shù)據(jù)，以GF-1衛(wèi)星遙感分類結(jié)果為基礎(chǔ)，按照分層兩階段進(jìn)行抽樣。首先根據(jù)研究區(qū)地形及主要農(nóng)作物的種植強(qiáng)度等輔助信息進(jìn)行分層抽樣，第一階段采用PPS抽樣調(diào)查法( Probability Proportionate to Size Sampling)，以耕地面積規(guī)模為基礎(chǔ)，按比例抽選樣本村；第二階段采用簡(jiǎn)單隨機(jī)抽樣方法抽選樣本網(wǎng)格(200 m×200 m)，并按照網(wǎng)格位置，以網(wǎng)格內(nèi)的地塊作為調(diào)查對(duì)象進(jìn)行PDA野外實(shí)地調(diào)繪。樣本村與樣本網(wǎng)格分布如圖3所示。

圖2 耕地地塊數(shù)據(jù)

圖3 樣本村與樣方數(shù)據(jù)

2 冬小麥種植面積估算模型

采用GF-1衛(wèi)星數(shù)據(jù)與統(tǒng)計(jì)抽樣相結(jié)合的方法進(jìn)行冬小麥面積估算研究，共分為3個(gè)階段：基于最大似然法進(jìn)行監(jiān)督分類、耕地遙感識(shí)別范圍提取、結(jié)合樣本村數(shù)據(jù)進(jìn)行面積擬合(圖4)。

圖4 冬小麥種植面積估算模型

2.1 基于最大似然法進(jìn)行監(jiān)督分類

采用最大似然法對(duì)遙感影像進(jìn)行監(jiān)督分類，根據(jù)各類地物的光譜特征進(jìn)行遙感識(shí)別與分類，提取目標(biāo)作物。首先根據(jù)研究區(qū)的地面情況，隨機(jī)均勻地選擇訓(xùn)練樣本；其次根據(jù)各類地物訓(xùn)練樣本的圖像數(shù)據(jù)計(jì)算其先驗(yàn)概率和后驗(yàn)概率：假設(shè)A為待分類像元，在每個(gè)類別都服從正態(tài)分布，B1，B2…為各類地物的訓(xùn)練樣本，則A伴隨B出現(xiàn)，計(jì)算得出它們分別發(fā)生的先驗(yàn)概率P(Bi),i=1,2…及A的條件概率P(A|Bi)，根據(jù)貝葉斯理論(公式1)可計(jì)算得出A的后驗(yàn)概率P(Bi|A)；最后將訓(xùn)練區(qū) 外的所有像元依次代入公式，計(jì)算后驗(yàn)概率，選取最大值作為其分類類別；若分類結(jié)果不符合精度要求，則重新選擇訓(xùn)練樣本，重復(fù)以上步驟，直至滿足精度要求為止。

P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

(1)

進(jìn)行最大似然法監(jiān)督分類時(shí)，遙感影像的“混合像元”效應(yīng)、“同物異譜”及“同譜異物”等現(xiàn)象不可避免，需充分利用農(nóng)作物的典型季相節(jié)律特征，這是區(qū)分目標(biāo)農(nóng)作物與其他農(nóng)作物、目標(biāo)農(nóng)作物與其他綠色植被的關(guān)鍵性理論基礎(chǔ)。根據(jù)泗洪縣作物物候信息，11 月初至 12月底期間，冬小麥處于播種或出苗的生長(zhǎng)階段，此時(shí)遙感影像的光譜信息為裸地和少量植被，同期生長(zhǎng)的作物較少，但仍存在一些其他作物進(jìn)行干擾，比如林地、玉米、油菜籽等。因此采用單期影像進(jìn)行分類測(cè)量會(huì)導(dǎo)致作物種植面積偏大，本文采用2期 GF-1衛(wèi)星數(shù)據(jù)進(jìn)行冬小麥種植面積的提取，在一定程度上降低了影像混合像元帶來(lái)的誤差。

冬小麥在11月底至12月期間光譜信息呈現(xiàn)為裸地，植被覆蓋指數(shù)偏低，4月光譜信息呈現(xiàn)為植被，植被覆蓋指數(shù)偏高，因此將冬小麥面積提取規(guī)則設(shè)定為：12月底裸地空間分布與4月農(nóng)作物空間分布的交集，如式(2)所示：

Rw=Rt1∩Rt2

(2)

其中，Rw為冬小麥面積初步遙感分類結(jié)果，Rt1為12月底時(shí)期裸地空間分布范圍，Rt2為4月份農(nóng)作物空間分布范圍。

2.2 耕地遙感識(shí)別范圍提取

耕地矢量數(shù)據(jù)采用米級(jí)正射影像為底圖，采用人機(jī)交互測(cè)量的方式進(jìn)行農(nóng)作物地塊的劃分。地塊邊界一般由道路、河流、溝渠、田埂等線狀地物構(gòu)成，當(dāng)其邊界寬度大于10 m時(shí)，進(jìn)行單獨(dú)勾繪，形成獨(dú)立的道路、水域等面狀圖斑，重點(diǎn)對(duì)耕地地塊進(jìn)行矢量化勾勒，其余地物進(jìn)行簡(jiǎn)單勾繪以保證研究區(qū)內(nèi)耕地地塊不重不漏，如林地、草地、水域、建筑物、道路等。圖斑勾畫要求閉合，公共邊不重復(fù)勾畫，層內(nèi)要素不存在自相交、重疊、空隙等情況。數(shù)據(jù)采集、編輯完成之后，應(yīng)使線條光滑、嚴(yán)格相接，不存在多余懸掛線。

利用耕地矢量數(shù)據(jù)對(duì)研究區(qū)冬小麥初步遙感分類成果進(jìn)行優(yōu)化。因冬小麥面積初步遙感分類成果中存在大量的圖像噪聲，且冬小麥中混入了大量的林地、草地、園藝果樹等地物，“同譜異物”現(xiàn)象嚴(yán)重，故采用耕地矢量數(shù)據(jù)對(duì)其進(jìn)行裁剪，進(jìn)一步優(yōu)化冬小麥的空間分布成果，具體規(guī)則如公式(3)所示：

Rs=Rw∩Rf

(3)

其中，Rs為冬小麥面積優(yōu)化結(jié)果，Rf為耕地空間分布范圍。

2.3 結(jié)合樣本村數(shù)據(jù)進(jìn)行面積擬合

根據(jù)耕地矢量數(shù)據(jù)對(duì)研究區(qū)行政村進(jìn)行統(tǒng)計(jì)抽樣，在選取的樣本村內(nèi)進(jìn)行高精度的冬小麥種植面積測(cè)量。在樣本村內(nèi)以無(wú)人機(jī)遙感影像為底圖進(jìn)行圖斑勾繪，圖斑勾繪原則同耕地矢量數(shù)據(jù)，并在此基礎(chǔ)上提高圖斑勾繪精度：當(dāng)種植區(qū)地塊邊界為寬度大于等于0.5 m的道路、溝渠等線狀地物時(shí)，應(yīng)單獨(dú)勾繪，最小上圖圖斑為0.1畝。

地塊圖斑勾繪完成后，在各個(gè)樣本村內(nèi)隨機(jī)布設(shè)3個(gè)樣方，利用PDA等設(shè)備進(jìn)行野外實(shí)地調(diào)繪。分析實(shí)地調(diào)查地塊作物的類型數(shù)據(jù)，形成研究區(qū)典型地物解譯特征。根據(jù)該解譯特征，進(jìn)行樣本村的二次測(cè)量以保證其精度，最后進(jìn)行樣本村內(nèi)冬小麥種植面積的計(jì)算統(tǒng)計(jì)。

在樣本村范圍內(nèi)，取圖斑勾繪結(jié)果為冬小麥實(shí)際面積(y)，冬小麥遙感分類面積為輔助數(shù)據(jù)(x)建立線性回歸模型用于改進(jìn)區(qū)域面積估算結(jié)果，具體如式(4)所示：

y=ax+b

(4)

3 實(shí)驗(yàn)與分析

取泗洪縣為實(shí)驗(yàn)區(qū)，以經(jīng)過(guò)標(biāo)準(zhǔn)預(yù)處理后的GF-1衛(wèi)星影像數(shù)據(jù)為基礎(chǔ)，采用最大似然法進(jìn)行監(jiān)督分類。訓(xùn)練樣本可分為冬小麥、油菜籽、裸地、其他農(nóng)作物、林地、水域、建筑物7個(gè)部分。為降低其他地物的干擾，可將冬小麥的訓(xùn)練樣本光譜閾值范圍適當(dāng)放寬。最后取得20161231期影像的裸地空間分布與20170429期影像的冬小麥空間分布，通過(guò)公式(2)取得2017年泗洪縣冬小麥種植面積初步分類結(jié)果(圖5)。

在冬小麥初步分類結(jié)果中隨機(jī)布設(shè)300個(gè)點(diǎn)，利用混淆矩陣進(jìn)行精度評(píng)價(jià)(表1)。從混淆矩陣中可以看出，冬小麥用戶精度為91.84%，生產(chǎn)者精度為90%，kappa系數(shù)為0.865，表明采用最大似然法對(duì)GF-1衛(wèi)星數(shù)據(jù)進(jìn)行監(jiān)督分類能較準(zhǔn)確地估計(jì)冬小麥種植面積。

表 1. 根據(jù)式(3)將冬小麥遙感分類結(jié)果與耕地矢量數(shù)據(jù)求交集，去除混入的林地，田埂線等其他地物如下所示(圖6)。

參照NASS-USDA統(tǒng)計(jì)抽樣原則，選取泗洪縣18個(gè)行政村作為樣本村，根據(jù)無(wú)人機(jī)影像和PDA野外實(shí)地調(diào)繪數(shù)據(jù)進(jìn)行人機(jī)交互測(cè)量，獲得樣本村冬小麥的實(shí)際空間分布。以樣本村冬小麥實(shí)際面積(樣本目標(biāo)總體y)和遙感分類面積(輔助變量x)為基礎(chǔ)建立回歸分析進(jìn)行面積擬合。該擬合方法以小范圍的冬小麥實(shí)際面積與遙感分類面積為基礎(chǔ)，推導(dǎo)出兩者之間的擬合方程。將此擬合進(jìn)一步推廣到大范圍的冬小麥面積測(cè)量中，在一定程度上優(yōu)化了冬小麥面積測(cè)量的精度。

圖5 冬小麥初步遙感識(shí)別空間分布

被評(píng)價(jià)圖參考圖目視解譯真實(shí)值其他地類冬小麥其他農(nóng)作物總數(shù)遙感分類結(jié)果其他地類9253100冬小麥7903100其他農(nóng)作物6391100總數(shù)1059897300生產(chǎn)者精度其他地類92.00%冬小麥90.00%其他農(nóng)作物91.00%用戶精度其他地類87.62%冬小麥91.84%其他農(nóng)作物93.81%

圖6 冬小麥種植面積優(yōu)化前后對(duì)比

采用上述方法對(duì)泗洪縣冬小麥種植面積進(jìn)行擬合，圖7給出了冬小麥擬合方程，可以看出，樣本村冬小麥的實(shí)際面積與遙感分類面積的擬合方程為y=1.142 8x+412.63，相關(guān)系數(shù)為0.88，說(shuō)明以耕地矢量數(shù)據(jù)作為分層抽樣基礎(chǔ)是有效的。從圖7可以看出，泗洪縣的冬小麥遙感分類面積明顯低于野外實(shí)測(cè)面積，這是由于冬小麥的播種時(shí)間略有差異，在遙感影像上呈現(xiàn)出不同的光譜特征。該研究區(qū)冬小麥遙感實(shí)際測(cè)量面積為96.8萬(wàn)畝，基于樣本村進(jìn)行面積擬合后的面積為110.7萬(wàn)畝，統(tǒng)計(jì)局實(shí)際統(tǒng)計(jì)面積為117.75萬(wàn)畝，區(qū)域總量精度達(dá)94%。采用此模型進(jìn)行冬小麥面積估算，修正了遙感測(cè)量結(jié)果，降低了“同物異譜”、“同譜異物”及“混合像元”所帶來(lái)的分類誤差，保證了冬小麥區(qū)域總量面積計(jì)算的準(zhǔn)確性。

圖7 冬小麥面積回歸估計(jì)散點(diǎn)圖

4 結(jié) 語(yǔ)

本文以GF-1衛(wèi)星影像數(shù)據(jù)為基礎(chǔ)，針對(duì)目前遙感分類技術(shù)的不足提出一種冬小麥種植面積估算模型。并用該模型對(duì)泗洪縣冬小麥種植面積進(jìn)行估算。結(jié)果表明，實(shí)驗(yàn)區(qū)域總量精度達(dá)94%，滿足測(cè)量要求，驗(yàn)證了模型的有效性。但該模型較適用于農(nóng)作物種植規(guī)模大、結(jié)構(gòu)整齊的區(qū)域，如何對(duì)農(nóng)作物種植結(jié)構(gòu)破碎、地形復(fù)雜的區(qū)域進(jìn)行高精度的農(nóng)作物遙感測(cè)量仍有待研究。