烏云德吉，于利峰，承 昊，包珺瑋，許洪滔，趙佳樂，烏蘭吐雅

（1.內(nèi)蒙古自治區(qū)農(nóng)牧業(yè)科學(xué)院農(nóng)牧業(yè)經(jīng)濟與信息研究所，內(nèi)蒙古呼和浩特 010031；2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點實驗室，北京 100081）

農(nóng)田作物信息的快速獲取與解析是開展精準(zhǔn)農(nóng)業(yè)實踐的前提和基礎(chǔ)，在農(nóng)作物識別和農(nóng)情信息提取上，遙感技術(shù)優(yōu)勢明顯[1]。作物種類復(fù)雜多樣，不同作物之間存在明顯的光譜重疊，利用單一時相的影像進行農(nóng)作物分類時容易出現(xiàn)“錯分、漏分”現(xiàn)象，很難達到理想的精度[2]。因此，采用多時相數(shù)據(jù)構(gòu)成時間序列逐步監(jiān)測[3-5]是提高分類精度的一個主要方法，其中基于植被指數(shù)的時間序列能夠有效地減少影像上“同譜異物”和“同物異譜”現(xiàn)象，補充單時相影像的不足，可在農(nóng)業(yè)資源調(diào)查和農(nóng)情評價中發(fā)揮重要作用[6]。

國內(nèi)外許多專家、學(xué)者針對農(nóng)作物精準(zhǔn)識別方法做了不同程度的研究，在低分辨率遙感影像應(yīng)用于農(nóng)作物識別方面：林文鵬等[7]利用TERRA/MODIS數(shù)據(jù)，采用波譜分析方法，構(gòu)建了一種基于遙感影像全覆蓋秋季作物類型自動提取方法，對北京地區(qū)主要秋季作物進行了遙感自動識別，精度達到了86%以上。JAKUBAUSKAS 等[8]利用傅里葉變換后的AVHRR 數(shù)據(jù)提取了美國堪薩斯州芬尼縣的玉米、大豆和苜蓿3 種作物類型，變換后振幅、相位與作物類型的對應(yīng)性更強，能夠更為準(zhǔn)確地提取作物類型。在中高分辨率遙感影像方面，楊閆君等[2]利用GF-1/WFV 16 m寬覆蓋影像，構(gòu)建了16 m 分辨率的NDVI 時間序列，對河北唐山南部地區(qū)的主要農(nóng)作物進行分類研究，支持向量分類方法精度達到了96.33%。劉佳[9]等利用國產(chǎn)環(huán)境星CCD 數(shù)據(jù)月度NDVI 時間序列數(shù)據(jù)對河北省衡水市完整的行政單元內(nèi)的冬小麥、夏玉米、春玉米、棉花、花生和大豆等主要農(nóng)作物進行了分類，在全生育期波譜特征曲線分析基礎(chǔ)上，提取了主要農(nóng)作物的曲線特征，分類總體精度達到了90.9%。SOLBERG 等[10]將ERS-1/SAR（Earth observation satellite-1/Synthetic aperture radar） 雷達影像與TM-（Thematic mapper）全色圖像相結(jié)合進行農(nóng)作物的分類提取工作，結(jié)果表明，其他輔助空間數(shù)據(jù)（高程、坡度、坡向等）的引入能夠顯著地改善分類精度。TURNER 等[11]利用3 個時相的SPOT-XS 20 m分辨率影像，采用非監(jiān)督分類與監(jiān)督分類相結(jié)合的方法，獲取了較高精度的非洲半干旱地區(qū)水稻分布圖。

遙感數(shù)據(jù)具有時效性高、客觀性強和可視性好等特點，但是遙感數(shù)據(jù)在獲取處理分析過程會產(chǎn)生誤差，因此，非遙感的GIS 和GPS 輔助數(shù)據(jù)在微觀和中觀領(lǐng)域，特別是高精度的遙感監(jiān)測中非常有價值，輔助數(shù)據(jù)不僅用于對遙感數(shù)據(jù)的補充與糾正，而且用于對遙感最終結(jié)果的分析與精度評價，外業(yè)采集和實地調(diào)查是輔助數(shù)據(jù)的主要來源之一[12]。

高時間頻率的中高空間分辨率遙感影像可以提供更為準(zhǔn)確的作物面積分布數(shù)據(jù)，但國外提供的中高分辨率遙感影像回訪周期較長，如LandSat8 號衛(wèi)星的OLI（Operational land image）傳感器回訪周期為16 d，其他更高分辨率的衛(wèi)星影像也大于這個周期，加之獲取途徑、價格等因素的影響，在作物生長周期內(nèi)可以獲得有效數(shù)據(jù)更少，大大限制了中高分辨率時間序列數(shù)據(jù)的應(yīng)用。但是國產(chǎn)高分衛(wèi)星的發(fā)射和衛(wèi)星圖像的開放應(yīng)用填補了這個空白。

目前，國產(chǎn)GF-1/WFV 數(shù)據(jù)具有16 m 的空間分辨率及4 d 的重訪周期，只需利用單一數(shù)據(jù)源就能有效地構(gòu)建高空間分辨率NDVI 時間序列，對時間序列數(shù)據(jù)作物分類識別研究具有重要意義，在遙感技術(shù)應(yīng)用農(nóng)業(yè)資源基礎(chǔ)調(diào)查方面有著廣闊的應(yīng)用前景。

本研究用2017年4月19日—10月20日9 個時相的GF-1/WFV 數(shù)據(jù)構(gòu)建了NDVI 時間序列，分析了臨河區(qū)春小麥、玉米、向日葵和蔬菜（西葫蘆、番茄）農(nóng)作物在歸一化植被指數(shù)（NDVI）時間序列上的變化特征，提取了變化曲線，通過5 種農(nóng)作物NDVI時間序列曲線來確定閾值進而構(gòu)建了分類決策樹模型，獲取了研究區(qū)主要農(nóng)作物種植面積。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)西部，黃河北岸，陰山南麓，河套平原中部，南臨黃河，故名“臨河”。地理坐標(biāo)為東經(jīng)107°6′～107°44′，北緯40°34′～41°17′。臨河區(qū)全境為黃河沖積平原，地面開闊平坦，地勢從西南向東北微度傾斜，海拔高度為1 209～1 045 m。臨河區(qū)屬于典型的溫帶大陸性氣候，全年日照時數(shù)高達3 211～3 306 h，年平均氣溫6.1～7.6 ℃，≥10 ℃的積溫2 876～3 221 ℃。得天獨厚的氣候和灌溉條件，適宜各類農(nóng)作物生長。但是由于近年來水資源的過度浪費、農(nóng)膜和化肥農(nóng)藥的大量使用，巴彥淖爾河套灌區(qū)在農(nóng)業(yè)資源可持續(xù)利用水平分級中被劃分為農(nóng)業(yè)資源可持續(xù)利用3 級區(qū)域（共4 級，1 級為最優(yōu)）[13]。

1.2 研究區(qū)數(shù)據(jù)獲取與分析

1.2.1 遙感數(shù)據(jù)獲取 本研究所利用的GF-1 數(shù)據(jù)均下載自：中國資源衛(wèi)星應(yīng)用中心http：//www.cresda.com/CN/。

GF-1/WFV 重訪周期短，對研究范圍為縣級尺度來說，能夠獲取與地面數(shù)據(jù)相匹配關(guān)鍵期的遙感數(shù)據(jù)。本研究下載了覆蓋研究區(qū)5 種農(nóng)作物生長周期內(nèi)能夠獲取的少云或無云的數(shù)據(jù)。數(shù)據(jù)獲取情況見表1。

表1 臨河區(qū)2017年GF-1 衛(wèi)星WFV 影像清單

數(shù)據(jù)預(yù)處理在ENVI5.3 平臺下進行，對GF-1/WFV數(shù)據(jù)進行幾何精校正、輻射定標(biāo)、大氣校正等操作，在預(yù)處理基礎(chǔ)上，分別計算了2017年4月19日—10月20日的9 景影像的NDVI 值，計算公式為：

式中，Ref4 和Ref3 分別對應(yīng)GF-1/WFV 第三和第四波段的反射率。

1.2.2 輔助數(shù)據(jù)獲取

地面解譯點數(shù)據(jù)。在采集外業(yè)數(shù)據(jù)時，以手持GPS 為采集設(shè)備，平均每5 km 一個春小麥解譯點，解譯點選擇在3.33 hm2以上較大地塊，區(qū)域包括平原、丘陵等地形，將點定位地塊中央，以“點代面”充分體現(xiàn)地塊信息，在種植結(jié)構(gòu)復(fù)雜，大量出現(xiàn)間種、套種耕作模式地區(qū)，集中打點，不同農(nóng)作物解譯點間隔＞45 m。在臨河區(qū)均勻采集了33 個春小麥點、38 個玉米點、9 個向日葵點、21 個蔬菜（西葫蘆、番茄）點作為提取5 種農(nóng)作物感興區(qū)的依據(jù)。

為了精度驗證的需求，研究利用2017年8月9日的5 m 分辨率RapidEye 影像，覆蓋研究區(qū)行政區(qū)劃面積達52.54%。本研究在設(shè)計分類精度驗證時因影像覆蓋區(qū)耕地分布較為平均，所以選取了種植結(jié)構(gòu)較為規(guī)整的10 個樣方，結(jié)合地面數(shù)據(jù)用人工目視解譯的方法，將10 個樣地進行了精細的勾繪。圖1給出了局部樣方的RapidEye 影像圖和樣方內(nèi)的作物種植情況。RapidEye 影像對該地區(qū)農(nóng)作物分類具有較大的優(yōu)勢，用紋理特征和顏色就能較好地分辨出待分類的幾種農(nóng)作物[14]，尤其本研究所用的8月影像上玉米、春小麥和向日葵的光譜特征差異較大。為保證GF-1 和RapidEye 影像位置的精確配準(zhǔn)，所有野外調(diào)查數(shù)據(jù)和影像均以2017年8月TM 影像為基準(zhǔn)，進行了幾何精校正，誤差控制在1 個像元以內(nèi)。

12 個地面樣方總面積為509.29 hm2，其中，春小麥88.47 hm2、玉米107.97 hm2、向日葵153.72 hm2、蔬菜151.85 hm2、林地7.20 hm2，分別占樣方總面積的17.4%，21.2%，30.2%，29.8%，其他地物占1.4%。

圖1 驗證樣方影像與樣方內(nèi)作物類型

在研究區(qū)，春小麥、玉米、向日葵和蔬菜（包括西葫蘆、番茄）5 種作物中，春小麥最先播種，3月下旬播種，4月上旬出苗，6月中旬抽穗，7月中旬成熟，7月下旬基本收割完畢。因河套灌區(qū)春小麥?zhǔn)崭钶^早，收割后溫度適宜，且灌溉條件好，所以農(nóng)戶在收割后的部分春小麥地上重新種植其他農(nóng)作物，例如白菜等越冬蔬菜，所以在本研究數(shù)據(jù)處理過程中小麥地的NDVI 值在9月影像上有小幅上升，達到了另1 份波峰。2017年研究區(qū)的玉米因輪作相關(guān)政策的約束，玉米種植面積有所下調(diào)，通常在5月上旬播種，5月末開始出苗，6月下旬進入拔節(jié)期，10月成熟收獲，生長季近180 d，是單季農(nóng)作物。

向日葵主要生長時期有幼苗期、現(xiàn)蕾期、開花期和成熟期；5月中旬播種，6月中旬處于幼苗期、7月下旬進入現(xiàn)蕾期，8月開花，進入生長最茂盛時期。向日葵是河套灌區(qū)最晚收割的大宗農(nóng)作物。

研究區(qū)蔬菜種類較為多樣，但大面積種植的蔬菜以西葫蘆和番茄為主，且生育期和生長周期基本相近，光譜特征和紋理特征也類似，在時間序列影像上難以區(qū)分，所以合并為一類，生育期以西葫蘆為例說明：西葫蘆生長周期大致可以分為發(fā)芽期、幼苗期、初花期和結(jié)瓜期4 個時期。河套灌區(qū)西葫蘆一般4月中旬播種，5月上旬發(fā)芽，5月中旬進入幼苗期。6月上旬進入初花期，7月中旬結(jié)瓜（表2）。

表2 主要農(nóng)作物生長周期

分類過程中本研究結(jié)合地面解譯點數(shù)據(jù)，基于9 期GF-1/WFV NDVI 時間序列，在ENVI 5.3 中畫出了每種農(nóng)作物的典型樣本，提取了5 種農(nóng)作物的NDVI 變化曲線，使用最大值、最小值、平均值、峰值、峰值出現(xiàn)時間等5 個特征閾值作為典型特征，構(gòu)建了5 級決策樹，將其他地區(qū)、背景和5 種農(nóng)作物逐層提取出來。結(jié)合地面解譯點文件，在解譯點輻射10 個像元內(nèi)畫出感興區(qū)，依照此標(biāo)準(zhǔn)劃定了57 個玉米感興區(qū)、45 個春小麥感興區(qū)、37 個向日葵感興區(qū)、24 個蔬菜感興區(qū)和17 個林地感興區(qū)。

本研究基于驗證樣方目視解譯分類結(jié)果，以總體分類精度、Kappa 系數(shù)、用戶精度和制圖精度4 個指標(biāo)表示分類精度[15-16]。

2 結(jié)果與分析

2.1 不同農(nóng)作物NDVI 值時間特征分析

不同農(nóng)作物在不同生長季節(jié)、生育時期具有不同的生理特征，并在某些方面（如群體特征）通過NDVI值來反應(yīng)[17]。因此，基于多時相遙感數(shù)據(jù)的NDVI 時間序列數(shù)據(jù)能表現(xiàn)不同植被在生育期內(nèi)的差異。

由表3可知，林地的NDVI 值4—10月一直大于0.2；春小麥的NDVI 值從4月19日至5月30日持續(xù)上升，在5月30日達到峰值，與研究區(qū)的春小麥生長實際情況吻合。8月玉米和向日葵生長旺季時春小麥已經(jīng)收獲完畢，春小麥NDVI 值處于最低值，但9月有小幅上升，造成這種情況的原因是河套地區(qū)積溫較高，且灌溉條件較好，春小麥地在收割后復(fù)種白菜等小日期蔬菜，但并非所有小麥地都復(fù)種。由表3可以看出，向日葵的生長旺季出現(xiàn)在8月下旬至9月上旬，而玉米的生長旺季出現(xiàn)在7月上旬至8月下旬，區(qū)分的關(guān)鍵閾值出現(xiàn)在7月上旬，二者NDVI 值有較大的差距；而蔬菜的生長旺季出現(xiàn)在7月上旬，但8月部分蔬菜成熟收獲，所以從7—8月，NDVI 值有較大幅度的下降，這是蔬菜與玉米、向日葵區(qū)分的關(guān)鍵。

2.2 基于NDVI 值的農(nóng)作物類別區(qū)分過程

在分析研究區(qū)目標(biāo)農(nóng)作物的時間序列NDVI 值特征的基礎(chǔ)上，從全生育期時間覆蓋的角度上，提取了5 種農(nóng)作物的NDVI 值變化曲線，使用最大值、最小值、平均值、峰值、峰值出現(xiàn)時間5 個特征閾值作為典型特征，用于構(gòu)建決策樹的模型。其中主要農(nóng)作物的NDVI 平均值在決策樹構(gòu)建中發(fā)揮了最主要的作用，是用于確定區(qū)分農(nóng)作物種類的關(guān)鍵閾值。峰值和峰值出現(xiàn)時間是區(qū)分春小麥和其他作物的關(guān)鍵，并且根據(jù)峰值出現(xiàn)的時間，大致判斷出關(guān)鍵生育時期并用關(guān)鍵生育時期，NDVI 值區(qū)分玉米、向日葵和蔬菜。在ENVI 5.3 軟件平臺中按照圖2所示的決策樹分類模型進行分類，采用了12 個樣方對結(jié)果進行了精度驗證，當(dāng)精度驗證結(jié)果較低時，重新調(diào)試閾值進行分類，當(dāng)精度改善不大時停止調(diào)試，接收目前的分類結(jié)果。

表3 臨河區(qū)主要作物歸一化植被指數(shù)NDVI 值變化特征

圖2 基于NDVI 閾值分割的決策樹分類模型

在分類過程中，首先判斷背景和非植被區(qū)域，一般認為7—9月NDVI 值大于0.2 是植被，否則是非植被，但是河套灌區(qū)春小麥和部分蔬菜收割較早，地面裸露，NDVI 值趨于0，所以經(jīng)過反復(fù)調(diào)試閾值，滿足7月10日NDVI 值大于0.2 并且8—9月NDVI值大于0.1 的是植被覆蓋區(qū)域，否則是背景或非植被。林地的NDVI 值始終大于0.2，且7月的NDVI最小值也大于0.5，所以4—10月的NDVI 值均大于等于0.2，且7月NDVI 值大于等于0.5 為林地，沒有滿足上述條件的則是農(nóng)作物。春小麥?zhǔn)亲钕炔シN的農(nóng)作物，最早達到生長旺季，并且最先收獲，所以如果滿足5月末至6月初的NDVI 值大于等于0.2，且8月NDVI 值減去6月NDVI 值小于0，則判定為春小麥，否則就是其他作物。蔬菜的生長旺季僅次于春小麥，在7—8月NDVI 值有較大地下降，滿足8月NDVI 值減去7月NDVI 值大于0.1，否則是玉米或向日葵。玉米的播種比向日葵早，生長旺季也明顯早于向日葵，在7月玉米的NDVI 值大于向日葵，而9月初的玉米NDVI 值有明顯的下降趨勢，且比向日葵小。所以，決策樹最后一層，本研究用8月NDVI 值減去7月NDVI 值大于0，且6月NDVI 值小于等于0.15 的為玉米，否則為向日葵。

2.3 分類結(jié)果與精度評價

采用研究中構(gòu)建的決策樹分類模型對內(nèi)蒙古巴彥淖爾市臨河區(qū)2017年春小麥、玉米、向日葵和蔬菜進行了識別分類。圖3給出了5 種農(nóng)作物的空間分布。基于分類結(jié)果統(tǒng)計出了研究區(qū)5 種農(nóng)作物的總面積為20.28 萬hm2，春小麥、玉米、向日葵和蔬菜面積分別為0.97 萬，6.52 萬，9.65 萬，3.14 萬hm2，分別占農(nóng)作物總面積的4.8%，32.1%，47.6%，15.5%。

圖3 農(nóng)作物種植分類結(jié)果

由圖3可以看出，向日葵主要分布在臨河區(qū)北部區(qū)域，北部區(qū)域土壤鹽堿化程度高，適宜向日葵種植；而玉米大面積種植區(qū)域主要在南部黃河沖積平原一帶，灌溉條件好，地力等級較高，種植意愿更傾向于玉米；春小麥種植面積小，且地塊破碎，連片種植較少，中部有一片春小麥連片種植區(qū)域為臨河農(nóng)場，春小麥實際種植面積要遠低于統(tǒng)計數(shù)據(jù)；蔬菜（西葫蘆、番茄）分布較為均勻，且面積大于春小麥，這與實地調(diào)查中了解到的情況基本一致。

在精度評價結(jié)果分析時，文章采用了10 個地面樣方對基于決策樹的分類結(jié)果進行了精度驗證，表4給出了驗證結(jié)果混淆矩陣。由表4可知，總體精度為76.29%，Kappa 系數(shù)為0.652 9，達到了高度一致性。從用戶精度和制圖精度上，春小麥分類精度最高，向日葵次之，蔬菜的分類精度最低。造成分類精度未能達到80.00%以上的原因有：（1）獲取圖像質(zhì)量問題，7月10日影像和8月24日影像上有部分云遮擋；（2）作物長勢情況不均衡，從實際情況來看，玉米和向日葵錯分的情況較為突出，北部干旱、南部水利條件較好，長勢差的玉米有可能被錯分為向日葵和蔬菜；（3）蔬菜分類精度較低，臨河區(qū)蔬菜種類較多，種植面積較廣泛的是西葫蘆、番茄，但是還有其他經(jīng)濟類的蔬菜和小部分瓜地，因反射率差異較小，未能全部分類，分類當(dāng)中產(chǎn)生了相混淆的情況；（4）研究區(qū)地塊較為破碎，分類難度較大。

表4 分類結(jié)果誤差矩陣（基于像元）

3 結(jié)論

本研究采用的方法試圖在縣級尺度上建立快速、簡單、操作性強的主要農(nóng)作物分類識別方法。該方法初步探索了研究區(qū)5 種作物在GF-1/WFV 原始光譜影像上難以識別的問題，研究結(jié)果證明，蔬菜的解譯精度未能達到以往文獻中報道的平均水平，但在局部區(qū)域取得了較好的分類效果，這證明基于植被指數(shù)時間序列的決策樹分類方法在識別北方地區(qū)春小麥、玉米、向日葵和蔬菜上的適用性較強。

通過決策樹分類模型發(fā)現(xiàn)春小麥識別影像窗口期為5—6月和8月春小麥?zhǔn)崭钪?，識別玉米和向日葵的影像窗口期在8月末至9月，蔬菜的窗口期在7月中旬。

本研究的結(jié)果表明，該方法的進一步完善和細化應(yīng)側(cè)重原始光譜信息的深入分析和挖掘，達到針對性更強的目的，進一步提高分類精度。