秦景逸，鄭逢令，阿斯婭·曼力克*，艾尼玩·艾買爾

（1.新疆畜牧科學院草業(yè)研究所 3S技術(shù)應(yīng)用實驗室，烏魯木齊 830000；2.新疆畜牧科學院工程咨詢中心，烏魯木齊 830000）

近幾年來，新疆的畜牧業(yè)逐步由傳統(tǒng)放牧向舍飼、半舍飼放牧轉(zhuǎn)變，但是隨著天然草地的持續(xù)退化，導致產(chǎn)草量下降、載畜量超標等一系列問題，制約畜牧業(yè)發(fā)展總體水平。為減輕天然草地的放牧壓力，必須要大力發(fā)展人工草地，苜蓿被稱為飼草之王，其產(chǎn)量高、營養(yǎng)豐富、易消化的特征備受重視。從2011年開始，全疆大部分地區(qū)種植苜蓿面積達到了26.67萬hm2左右，及時、準確的獲取苜蓿分布情況和提取種植面積對人工草地宏觀管理具有重要的實踐價值。然而提取苜蓿面積的遙感衛(wèi)星在實際操作中也存在一定的問題，時間分辨率高的衛(wèi)星[7]其空間分辨率較低；空間分辨率高的衛(wèi)星受天氣影響大且重訪周期長，導致提取精度難以保證。想要獲取同一區(qū)域，同一時相，精度較高無云干擾的遙感圖像比較困難。

利用多時相遙感影像監(jiān)測草地資源面積及動態(tài)演變規(guī)律已成為近年來國內(nèi)外眾多學者研究的熱點問題。李春干[1]等人在2007年到2008年利用多時相ALOS PRISM/AVNIP-2的數(shù)據(jù)生成相應(yīng)的植被指數(shù)序列獲取紅樹林的空間分布。李曉東[2]等人設(shè)計了農(nóng)田分類提取方案，對2013年1月到12月的衛(wèi)星數(shù)據(jù)集的植被指數(shù)、水體指數(shù)和土壤指數(shù)進行數(shù)學方法運算，得到具有明確物理意義和物候信息的指標因子，自動分類提取不同農(nóng)田類型。Hong G[3]等人將衛(wèi)星與雷達數(shù)據(jù)融合，利用更豐富的衛(wèi)星遙感信息源提高了加拿大草原苜蓿人工草地信息提取的精度。Nidamanuri[4]等人利用航空成像光譜儀所得圖像對5種不同的作物信息進行提取研究，精度均達到80%以上。李敏[5]等人基于兩種不同的衛(wèi)星圖像，采用決策樹的分類方法提取鄉(xiāng)鎮(zhèn)級的棉花種植面積，精度達到90%以上。陳家琪[6]等人利用多時相的兩種不同的衛(wèi)星數(shù)據(jù)源，對甘肅省定西縣2000年到2001年土地利用和土地覆蓋進行遙感調(diào)查，采用多時相多數(shù)據(jù)源的組合相互補充，增加信息量，根據(jù)不同作物不同時相的光譜特征進行精確的作物面積劃分，從而明確了該縣土地利用結(jié)構(gòu)，耕地退耕還林、還草的變化狀況，實現(xiàn)了對該區(qū)域生態(tài)環(huán)境變化的動態(tài)監(jiān)測。分析不同作物的生長發(fā)育規(guī)律在遙感影像上表現(xiàn)出的時相變化特征，從而利用作物波譜時間效應(yīng)特征實現(xiàn)作物面積提取的分類精度。NDVI時間序列數(shù)據(jù)可以有效解決遙感反演遇到“同物異譜，同譜異物”問題。可以利用不同時間序列遙感圖像生成NDVI時間序列數(shù)據(jù)，從而達到作物分類繼而提取作物面積的目的。

本文選擇全疆范圍內(nèi)3個不同緯度的試驗地，分別是阿勒泰市640臺地農(nóng)業(yè)產(chǎn)業(yè)化示范園、塔城市鐵斯克塔斯鄉(xiāng)、齊巴爾吉迭鄉(xiāng)和呼圖壁縣種牛場畜牧隊，通過2015年至2017年三年的Landsat 8衛(wèi)星、高分遙感和哨兵遙感數(shù)據(jù)結(jié)合的方式，共獲取36景遙感影像，分析研究區(qū)苜蓿與其他農(nóng)作物之間的差異，運用專家知識決策樹（CART）分類法，結(jié)合實地定位調(diào)查，為當?shù)貐^(qū)域苜蓿分類信息高精度提取提供一定的參考。

1 研究區(qū)及觀測數(shù)據(jù)

1.1 樣地選擇與定位

試驗區(qū)分別選擇在自治區(qū)2015年實施的“草牧業(yè)發(fā)展試驗試點項目”區(qū)阿勒泰市、塔城市和呼圖壁縣。阿勒泰市數(shù)據(jù)采集區(qū)布局在640臺地農(nóng)業(yè)產(chǎn)業(yè)化示范園區(qū)內(nèi)，塔城市的布局在鐵斯克塔斯鄉(xiāng)和齊巴爾吉迭鄉(xiāng)，呼圖壁縣的布局在種牛場畜牧隊，覆蓋了北疆大部分地區(qū)大面積連片種植人工草地即苜蓿地。

按照試驗需求苜蓿分布區(qū)域布設(shè)監(jiān)測樣地，樣地數(shù)量200個苜蓿樣地。具體試驗區(qū)包括阿勒泰市（54個），塔城市（52個），呼圖壁縣（94個）。于2015年4月5日-6月28日進行外業(yè)工作，獲取野外地面數(shù)據(jù)。進行實地調(diào)查時，通過當?shù)夭菰ぷ鞑块T提供的初始信息，通過遙感圖像和地形圖規(guī)劃調(diào)查路線。通過GPS標定樣地的位置。見圖1。

圖1 研究區(qū)位置圖

1.2 實地觀測數(shù)據(jù)

在試驗區(qū)開展野外實地考察，利用手持GPS采集研究區(qū)苜蓿作物樣本，結(jié)合理論知識和實地觀測獲取不同作物的物候期[10]。見表1。

表1研究區(qū)4種主要作物物候期

2 數(shù)據(jù)來源和處理方法

2.1 數(shù)據(jù)來源

Landsat 8衛(wèi)星數(shù)據(jù)和高分遙感圖像數(shù)據(jù)從美國地質(zhì)勘查局網(wǎng)站 （http://glovis.usgs.gov.）下載，哨兵遙感圖像數(shù)據(jù)從歐盟衛(wèi)星數(shù)據(jù)服務(wù)平臺（http://scibub.copernicus.eu.）下載。用手持GPS，2016年5月-10月每個月1次共6次，2017年5月-10月每個月6次重復采集200個樣點數(shù)據(jù)，并對苜蓿分布區(qū)域進行統(tǒng)計。

2.2 衛(wèi)星圖像的預處理

圖像預處理是遙感信息處理中一個十分重要的環(huán)節(jié)，它直接關(guān)系到信息提取的精度與實用程度[11]。利用2016年4月-10月和2017年4月-10月的影像為基準，利用ENVI5.1軟件進行常規(guī)的遙感數(shù)字圖像處理，包括幾何校正、大氣校正、裁剪、鑲嵌等。

2.3 光譜數(shù)據(jù)采集

2015年開始野外調(diào)查，按照計劃好的樣地分布情況，用GPS定位打點、拍照片、做記錄。通過Unispec光譜分析儀對試驗區(qū)周邊農(nóng)作物和苜蓿分別進行光譜數(shù)據(jù)采集。2016年進行第二次野外調(diào)查，對第一年的分類結(jié)果進行初步驗證，對發(fā)現(xiàn)的問題進行分析調(diào)整。2017年進行第三次野外調(diào)查，通過之前兩年的分類結(jié)果，分析導致影響精度的因素，改進分類方案進一步提高分類精度。

2.4 技術(shù)路線

通過2016年對研究區(qū)的實地調(diào)查，結(jié)合遙感影像反演試驗區(qū)苜蓿面積及空間分布情況，總結(jié)苜蓿不同物候期的光譜特征，制定決策樹分類規(guī)則，在ENVI中利用決策樹分類提取2016、2017年苜蓿面積，最后利用已知的樣地數(shù)據(jù)進行分類精度驗證。見圖2。

圖2 研究技術(shù)線路圖

3 試驗區(qū)苜蓿遙感分類結(jié)果

3.1 遙感解譯的思路

苜蓿遙感分類的基本思路就是先根據(jù)實地采集的樣地資料和多時相的遙感數(shù)據(jù)，歸納出苜蓿區(qū)別其他地類的多時相光譜特征，然后總結(jié)出分類規(guī)則。本次研究以決策樹算法為主，其他分類方法為輔。

3.2 遙感影像數(shù)據(jù)源

采用Landsat 8影像數(shù)據(jù)作為主要的遙感數(shù)據(jù)信息源，由于云量的影響，一般不能獲取整個苜蓿生長期的光學圖像數(shù)據(jù)，所以選用與Landsat 8特點相似的哨兵多光譜數(shù)據(jù)作為補充，構(gòu)建苜蓿生長季完整的時間序列數(shù)據(jù)。遙感數(shù)據(jù)在ENVI中進行輻射校正、大氣校正和幾何校正，進而獲得反射率數(shù)據(jù)和植被指數(shù)時間序列。

除了使用遙感數(shù)據(jù)源之外，還需要用到其他數(shù)據(jù)。主要包括：（1）新疆各個縣及市的行政界線圖；（2）與試驗區(qū)相關(guān)的數(shù)據(jù)統(tǒng)計資料。

3.3 運用決策樹分類法應(yīng)用于苜蓿分類

決策樹分類法[12]是監(jiān)督分類的一種方法，具有簡單、高效、直觀、分類過程符合人類認知過程的特點。為從背景中分離出目標地物，需要專家經(jīng)驗總結(jié)、簡單數(shù)學統(tǒng)計和歸納方法等獲得分類規(guī)則并進行遙感分類。專家知識決策樹分類的步驟大體上可分為四步：知識（規(guī)則）定義、規(guī)則輸入、決策樹運行和分類后處理，其中最重要的是獲取分類規(guī)則，本研究中規(guī)則的獲取來自統(tǒng)計與經(jīng)驗總結(jié)，是根據(jù)樣本所對應(yīng)的像元的NDVI時間序列統(tǒng)計特征總結(jié)出閾值范圍，然后進行分類。

3.4 閾值選取和分類流程

通過2016年和2017年野外調(diào)查數(shù)據(jù)，根據(jù)獲取的樣地數(shù)據(jù)統(tǒng)計苜蓿、其他作物、天然草地像元的NDVI特征，以多時相NDVI數(shù)據(jù)為基礎(chǔ)構(gòu)建決策樹模型。主要思路為：在不同月份影像數(shù)據(jù)中獲取NDVI系列特征，統(tǒng)計苜蓿樣地NDVI值的高頻分布區(qū)域，總結(jié)出閾值范圍，分類時通過不停的調(diào)整參數(shù)范圍，獲取高精度的分類結(jié)果。

本研究通過分析試驗區(qū)苜蓿種植區(qū)域的植被指數(shù)，對苜蓿特征進行精確描述，由此產(chǎn)生分類規(guī)則，然后再由專家知識構(gòu)建的分類器進行分類，得到分類結(jié)果。其主要步驟:①遙感圖像處理；②獲取NDVI；③構(gòu)建分類規(guī)則并進行分類，主要流程如圖3所示。

圖3 決策樹流程圖

3.5 分類精度分析

本研究使用混淆矩陣進行圖像分類精度分析，本文使用混淆矩陣的總體分類精度、制圖精度和用戶精度等三項評價指標。見表2。

表2 決策樹混淆矩陣結(jié)果

從制圖精度方面而言，能達到比較高的精確度，但有個別分類出現(xiàn)錯誤的地方，如苜蓿和林地，苜蓿和冬小麥?？赡苁怯蓛煞矫娴脑蛟斐傻?（1）苜蓿和冬小麥閾值相似導致自動判別后的點大部分處在較相近區(qū)域；（2）兩者的綠度在相同時間區(qū)域內(nèi)較為相似。結(jié)合NDVI植被指數(shù)4月、5月和9月、10月的閾值進行分析，確保分類結(jié)果的準確性。

3.6 專題圖的制作

將分類結(jié)果導入Arc GIS中形成一個分類結(jié)果圖層，根據(jù)遙感影像目視解譯出研究區(qū)的道路，居民區(qū)，水系等地類，然后進行整飾制作專題圖，最后進行苜蓿面積統(tǒng)計。見圖4。

圖4 專題圖制作流程圖

4 結(jié)論與討論

以北疆3個不同區(qū)域農(nóng)區(qū)苜蓿集中連片種植范圍為研究對象，借助于光譜特征曲線和物候特征，利用地面調(diào)查數(shù)據(jù)和遙感技術(shù)結(jié)合在一起，通過決策樹分類方法對研究區(qū)苜蓿進行分類，應(yīng)用混淆矩陣進行精度評價，結(jié)論如下:

（1）基于時間序列遙感數(shù)據(jù)，使用的決策樹分類在苜蓿方面分類精度較高，說明決策樹分類方法在苜蓿遙感識別中有很高的可靠性；本次研究的總體精度達到99.27%，總Kappa系數(shù)為0.78；

（2）通過研究發(fā)現(xiàn)在遙感分類中與苜蓿容易混淆的農(nóng)作物有冬小麥、苗圃、天然草地中的低矮灌木、隱域性草甸。

（3）通過分類識別出3個地區(qū)的苜蓿面積，其中阿勒泰市640臺地的苜蓿面積為3 688 hm2、呼圖壁縣種牛場畜牧隊苜蓿面積為1 888 hm2、塔城市鐵斯克塔斯苜蓿面積為1 493 hm2、塔城市齊巴爾吉迭苜蓿面積為3 740 hm2。

通過多源、多時相遙感數(shù)據(jù)構(gòu)建不同物候期苜蓿的NDVI時間序列，統(tǒng)計總結(jié)出苜蓿光譜特征變化規(guī)律，構(gòu)建分類規(guī)則，再結(jié)合決策樹的分類方法實現(xiàn)苜蓿面積的提取，且這種分類方法達到了較高的精度，實現(xiàn)了北疆地區(qū)三個典型苜蓿種植區(qū)的面積變化動態(tài)監(jiān)測。但是，本研究在數(shù)據(jù)采集、遙感圖像源的選擇、時間序列完整性等方面存在一些不足，有待今后研究中加以改進?，F(xiàn)階段只在北疆3個試驗區(qū)進行了苜蓿面積的分類，將來有意推廣至全疆范圍內(nèi)，通過遙感數(shù)據(jù)的獲取進一步研究人工草地產(chǎn)草量、病蟲害等其他領(lǐng)域。