張 陽，屠乃美，陳舜堯，謝會雅，傅雪平，鄧瀏平

1. 湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，長沙市芙蓉區(qū)農(nóng)大路1 號 410128

2. 湖南省煙草公司株洲市公司，湖南省株洲市蘆淞區(qū)太子路1377 號 412002

3. 湖南省煙草公司茶陵縣公司，湖南省株洲市茶陵縣炎帝中路 412400

遙感以其快速、簡便、宏觀、無損以及客觀等優(yōu)點，在快速獲取作物長勢信息、種植面積、產(chǎn)量估測及災(zāi)害調(diào)查等方面得到了廣泛應(yīng)用［1-3］。劉佳等［4］以 GF-1 衛(wèi)星 WFV 影像數(shù)據(jù)，構(gòu)建了全國14 個?。ㄊ?、區(qū)）的1 180 個分類單元的NDVI 加權(quán)指數(shù)，繪制出2014 年全國主產(chǎn)區(qū)冬小麥種植區(qū)的空間分布圖；潘學(xué)鵬等［5］運用Terra/MODIS 13Q1 NDVI 遙感數(shù)據(jù)，并基于MCI 和NDVI 時序數(shù)據(jù)，通過CART 算法數(shù)值建模，進(jìn)行了華北平原主要耗水作物冬小麥種植面積的提取分類，結(jié)果表明近13 年的遙感監(jiān)測冬小麥種植面積與實際統(tǒng)計面積的相關(guān)系數(shù)達(dá)0.94；李丹等［6］采用HJ-1A/B CCD1/CCD2 影像，結(jié)合S-G 濾波算法、波段最大化的光譜角目標(biāo)探測器、閾值分割等方法進(jìn)行新鄉(xiāng)市冬小麥種植面積、小麥長勢和收割進(jìn)度等遙感監(jiān)測，精度驗證表明各縣市冬小麥種植面積提取的相對誤差在10%以內(nèi)。這些研究選取的衛(wèi)星數(shù)據(jù)通常是國內(nèi)高分衛(wèi)星、環(huán)境衛(wèi)星系列和Landsat 系列的光譜數(shù)據(jù)，能夠獲取數(shù)據(jù)的分辨率在15 m 以上［7-9］，主要應(yīng)用于大范圍的作物面積監(jiān)測，但其精度不能滿足縣域尺度下的生產(chǎn)應(yīng)用。而Sentinel-2A 衛(wèi)星能夠免費共享10 d 重訪周期和最高10 m 空間分辨率的多光譜數(shù)據(jù)，可涵蓋可見光、近紅外和短波紅外范圍的13 個光譜波段［10-11］，因此 Sentinel-2A 數(shù)據(jù)比 Landsat8_OLI 影像、高分一號等光學(xué)影像分辨率更高［11］，其數(shù)據(jù)免費分發(fā)后得到了廣泛應(yīng)用。Laurent 等［12］利用Sentinel-2 數(shù)據(jù)及基于貝葉斯對象的算法可對遙感測定的葉面積指數(shù)和葉綠素含量進(jìn)行評估；Hill等［13］利用 Sentinel-2A 衛(wèi)星采集的數(shù)據(jù)監(jiān)測了熱帶草原植被的變化。目前國內(nèi)Sentinel-2A 衛(wèi)星數(shù)據(jù)評估植被變化的研究在水稻、小麥、玉米等農(nóng)作物 上 已 得 到 較 多 應(yīng) 用［14］，易 秋 香［15］分 析 了Sentinel-2 多光譜反射率及3 類常用植被指數(shù)隨棉花生育進(jìn)程的變化規(guī)律發(fā)現(xiàn)，棉花的增強植被指數(shù)、歸一化植被指數(shù)以及土壤調(diào)節(jié)植被指數(shù)的歸一化值具有相似的變化趨勢，從現(xiàn)蕾期到開花盛期逐漸增大，進(jìn)入吐絮初期開始減小。趙曉晴等［16］利用時序 Sentinel-2 影像，分析了 7 種典型地物的時序光譜與歸一化植被指數(shù)（NDVA）的變化，確定了茶園的14 個提取特征，分類精度較高的前3個特征分別為SR-SWIR2-NIR-May、SD-NIRSWIR2-May和 SR-NDVI-May＆Dec，總 體 精 度 依 次 為96.71%、94.24%和 93.43%。郭文婷等［17］基于多時相的Sentinel-2 遙感影像，選取NDVI 時間序列、最佳時相的Sentinel-2 數(shù)據(jù)中10 個波段的光譜反射率特征和主成分分析前3 個分量的紋理特征作為分類特征，使研究區(qū)內(nèi)的植被的分類總體精度達(dá)87.64%，Kappa 系數(shù)為0.85?？緹熓且环N重要的經(jīng)濟(jì)作物，其種植面積的準(zhǔn)確測定是年度煙葉生產(chǎn)、經(jīng)營和管理的依據(jù)，對于有效控制煙葉總量、促進(jìn)煙農(nóng)增收具有重要意義。前人應(yīng)用遙感、GIS 等技術(shù)監(jiān)測烤煙的種植面積，曾取得了一定的效果［18-20］，但基于 Sentinel-2A 數(shù)據(jù)提取烤煙種植信息方面還鮮見報道。因此，選取湖南省茶陵縣為研究區(qū)域，對Sentinel-2A 數(shù)據(jù)進(jìn)行預(yù)處理后，分析提取烤煙種植區(qū)域，旨在為準(zhǔn)確監(jiān)測烤煙種植面積提供參考。

1 材料與方法

1.1 研究區(qū)概況及數(shù)據(jù)來源

茶陵縣隸屬株洲市，位于湖南省東部。地處東經(jīng) 113°20′～113°65′，北緯 26°30′～27°7′之間，總面積2 500 km2。地貌類型以山地為主，丘陵次之，崗、平具備。茶陵縣屬于亞熱帶季風(fēng)氣候區(qū)，氣候溫和，雨量充沛，冬寒期短。年平均氣溫17.9 ℃，1 月最低，平均 5.9 ℃；7 月最高，平均29.2 ℃；穩(wěn)定通過10 ℃的天數(shù)有233 d，活動積溫5 509 ℃，無霜期294 d，年日照時數(shù)1 744.7 h，平均年雨量1 423 mm，常年種植烤煙1 667 hm2。

1.2 數(shù)據(jù)選取與預(yù)處理

為提高作物分類精度，首先了解研究區(qū)的先驗知識，結(jié)合GPS 地面實測資料，確定研究區(qū)內(nèi)的主要地物類型為烤煙、水稻、油菜、林地、建筑用地、道路、水體和灌木草地等，根據(jù)主要作物的農(nóng)事歷，確定4～7 月之間烤煙與其他地物之間有較大差異，衛(wèi)星數(shù)據(jù)的選擇在 4～7 月之間［21-22］。通過 ESA SciHub 網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home），經(jīng) 篩 選 ，選 取 S2A_MSIL1C_20190604T025551_N0207_R032_T49RGK_2019060 4T063216 數(shù)據(jù)，影像獲取時間 2019 年 6 月 4 日，研究區(qū)內(nèi)云量極少，圖像質(zhì)量好。

1.3 數(shù)據(jù)處理

使用ENVI 5.1 及SNAP 軟件為遙感影像處理軟件。處理流程：選擇數(shù)據(jù)→Sen2cor 大氣校正→SNAP 軟件重采樣→輻射定標(biāo)→裁剪行政區(qū)域→決策樹分類→精度驗證［23-26］。在處理時對多光譜遙感數(shù)據(jù)進(jìn)行對比分析和組合運算，同時尋求能增強煙草自身信息的特殊波段，進(jìn)而排除其他物種對煙草的干擾。本研究中選取了歸一化植被指數(shù)、比值植被指數(shù)，差值植被指數(shù)、增強植被指數(shù)、氮反應(yīng)指數(shù)和綠度歸一化植被指數(shù)6 種常見的植被指數(shù)［15，27］用以輔助煙草信息的識別提取，計算公式：

式中：NIR 表示紅外波段；R 表示紅色波段；BLUE 表示藍(lán)色波段；GREEN 表示綠色波段。

2 結(jié)果與分析

2.1 解譯標(biāo)志

解譯標(biāo)志是選取訓(xùn)練樣本以及后期處理對比的重要依據(jù)，因植被分類尚無統(tǒng)一標(biāo)準(zhǔn)［28］，本研究中參考地理國情普查內(nèi)容與指標(biāo)［29］中設(shè)置的土地利用類型分類標(biāo)準(zhǔn)，將煙草納入植被類型當(dāng)中，依據(jù)研究需要與實地勘測結(jié)果，將茶陵縣6 月份主要地物類型劃分為水域、植被、其他3 種類型，其中植被主要為歸一化植被指數(shù)較高的植被區(qū)域，又分為烤煙、林地、灌木3 類，其他類型主要是道路，居住地等非植被區(qū)域，而監(jiān)測期間水稻及一些草地，通過歸一化植被指數(shù)可以明顯與需要研究的植被區(qū)分開，因此將其納入其他類型當(dāng)中。土地利用類型的目視解譯與分析，依據(jù)野外調(diào)查數(shù)據(jù)及輔助資料建立了基于研究區(qū)4、3、2 波段組合影像的遙感解譯標(biāo)志。由表1 可知，水域顏色整體呈深藍(lán)偏黑色，與其他地物類型區(qū)分明顯；其他類型因包括的地物較多，顏色較為雜亂，整體偏淺色；低矮的灌木呈深綠色，與水體的顏色相近，可能是土壤水分較大的背景色；烤煙顏色為綠色，表現(xiàn)均勻；林木區(qū)域顏色為綠色，但較烤煙區(qū)域的顏色更深，部分與灌木區(qū)域相似，表明部分區(qū)域林木與灌木交織在一起。

2.2 地物光譜分析

Sentinel-2A 數(shù)據(jù)包括 13 個光譜波段，B1 為深藍(lán)波段，中心波段443 nm；B2 為藍(lán)光波段，中心波段490 nm；B3 為綠光波段，中心波段560 nm；B4為紅光波段，中心波段665 nm；B5、B6、B7 為植被紅邊波段，中心波段分別為705 nm、740 nm 和783 nm；B8 為近紅外波段，中心波段842 nm；B8a為窄紅外波段，中心波段865 nm；B9 為水蒸氣波段，中心波段945 nm；B10 為卷云波段，中心波段1 375 nm；B11、B12 為短波紅外波段，中心波段分別為 1 610 nm 和 2 190 nm［30］。根據(jù)不同地物在各波段的反射率可知，6 月份茶陵縣主要地物的光譜響應(yīng)曲線，見圖1，水域在B5～B9 的反射率明顯低于其他地物，表明在近紅外波段水體的吸收率大于其他地物，根據(jù)這一特點，結(jié)合歸一化植被指數(shù)可將水域與其他地物區(qū)分開來；其他類型的地物在B2～B5 波段均與水域、植被有顯著區(qū)別，可以明顯區(qū)分；煙草、林木和灌木3 種植被的光譜曲線較為接近，但煙草、林木在B6～B8a 之間的反射率明顯大于灌木，也可以將灌木進(jìn)行區(qū)分，林木與煙草在各波段的反射率雖有不同，部分煙草、林木存在同譜異物的現(xiàn)象，但進(jìn)一步分析發(fā)現(xiàn)，林木與煙草在B1 波段有較大的差異。

表1 基于Sentinel-2A 真彩色合成影像的茶陵縣土地利用類型解譯標(biāo)志Tab.1 Chaling land use type and signature interpretation based on true color composite images of Sentinel-2A

圖1 典型地物光譜特征分析Fig.1 Spectral characteristic analysis of typical ground objects

2.3 地物植被指數(shù)分析

植被指數(shù)根據(jù)綠色植被在紅光波段具有低反射率、在近紅外波段具有高反射率的特性，可反映植被蓋度、葉綠素含量等生物物理參數(shù)，不同的植被具有不同的植被指數(shù)［31-32］，通常可用來區(qū)分植被區(qū)域。由表2 可知，6 月份茶陵縣烤煙、林木、灌木的歸一化植被指數(shù)（NDVI）分別為0.723 2、0.744 2 和0.692 4，表明3 種植物的覆蓋程度均較高，其中林木與灌木之間存在顯著差異，烤煙與二者之間的差異均不顯著?？緹煹谋戎抵脖恢笖?shù)（RVI）低于林木而高于灌木，但是差異均不顯著，灌木的比值植被指數(shù)最低，顯著低于林木的比值植被指數(shù)?？緹煹牟钪抵脖恢笖?shù)（DVI）最高，顯著高于灌木，但與林木差異不顯著，而林木的差值植被指數(shù)也顯著高于灌木?？緹煹脑鰪娭脖恢笖?shù)（EVI）最高，顯著高于灌木，但與林木間差異不顯著，而林木的差值植被指數(shù)也顯著高于灌木?？緹煹臍w一化差異綠度指數(shù)（NDGI）顯著低于林木，與灌木差異不顯著。因此通過植被指數(shù)的組合能夠較好地將3 種植被提取出來，但要更好地區(qū)分煙草與林木，還需要引入高程及相關(guān)地形指標(biāo)。

表2 主要植物植被指數(shù)分析①Tab.2 Vegetation indices of main plants

2.4 決策樹分類及分類精度評價

決策樹分類是一種快速且高效的遙感影像分類方法［33］。處理遙感圖像后，提取圖像上的主要地物指標(biāo)，再結(jié)合當(dāng)?shù)貙嶋H生產(chǎn)及其他專家知識進(jìn)行統(tǒng)計、歸納后形成所需的分類規(guī)則進(jìn)行遙感分類［34］。分類規(guī)則的定義需考慮研究區(qū)地物的基本組成情況，根據(jù)自上向下的遞歸方式，從根節(jié)點向下分支來選取不同的屬性值，終級葉結(jié)點類別按要求分出后則結(jié)束［22］。一個分類樹結(jié)構(gòu)由根結(jié)點與終級葉結(jié)點組成，進(jìn)一步的詳細(xì)分類是按分類樹的每一分叉結(jié)點處都有一個或多個分類規(guī)則［27］。本研究中主要采用歸一化植被指數(shù)（NDVI）、各波段不同地物反射率、地形因子等數(shù)據(jù)作為決策樹分類的分類規(guī)則，根據(jù)不同地物之間的植被指數(shù)分析，NDVI＞0.65 以上為需要研究的植被；根據(jù)光譜曲線分析可知，GREEN＞0.1 &Deep Blue＞0.125 為所需植被；由于部分林地與烤煙存在異物同譜的現(xiàn)象，研究運用地形因子進(jìn)行分類，DEM＜200 & SLOP＜10 為烤煙，見圖2。建立分類模型形成初步結(jié)果后，通過聚類、過濾、剔除等處理［35］，最終生成2019 年茶陵縣烤煙種植區(qū)域圖，見圖3。

圖2 決策樹分類規(guī)則Fig.2 Decision tree classification rules

借助 ENVI 軟件進(jìn)行精度檢驗［36］，由表 3 可知，總像元數(shù)為1 092 個，被正確分類的像元數(shù)目沿著混淆矩陣的對角線分布，總和為986，則總體分類精度（986/1 092）達(dá)90.29%。烤煙的制圖精度和用戶精度分別為90.23%和90.94%。

由表4 可知，利用ENVI 統(tǒng)計工具，計算得出茶陵縣烤煙種植區(qū)所占的像元總數(shù)為154 992 個，與每個像元所代表的實地面積［10×10=100（m2）］相乘，最終提取得到烤煙種植面積是（154 992×100）÷10 000 = 1 549.2 hm2，與年度實際統(tǒng)計數(shù)據(jù)1 494 hm2相比，誤差為3.7%。

圖3 基于Sentinel-2A 數(shù)據(jù)的2019 年茶陵縣烤煙種植區(qū)域圖Fig.3 Flue-cured tobacco planting area in Chaling County in 2019 based on Sentinel-2A data

表3 Sentinel-2A 數(shù)據(jù)的分類混淆矩陣Tab.3 Confusion matrix for Sentinel-2A data

表4 2019 年茶陵縣烤煙種植面積Tab.4 Flue-cured tobacco planting area in Chaling Country in 2019

3 討論

衛(wèi)星數(shù)據(jù)易受觀測區(qū)域植被分布的影響，在實際中異物同譜現(xiàn)象普遍存在，前人研究常以NDVI 作為植物生長狀態(tài)以及植被空間分布密度的最佳指示因子［37］，本研究也表明6 月份烤煙與部分林木存在異物同譜現(xiàn)象。對6 種主要植被指數(shù)分析表明，烤煙的NDVI 與其他2 種植被差異均不顯著，NDVI 在單時像衛(wèi)星數(shù)據(jù)提取烤煙面積時不適用，這可能是因為烤煙成熟期葉面積指數(shù)較大，而NDVI 在高植被覆蓋區(qū)容易出現(xiàn)飽和現(xiàn)象［38］，導(dǎo)致烤煙與部分林木不易區(qū)分。進(jìn)一步研究發(fā)現(xiàn)，灌木的 NDVI、RVI、DVI、EVI、NDGI 均顯著低于林木，烤煙和灌木的NDGI 也顯著低于林木，表明NDGI 可用于烤煙面積信息的提取，而其他5 種植被指數(shù)則不能區(qū)分烤煙與林木。本研究中通過增加坡度、海拔等地形因子的閾值并構(gòu)建決策樹模型，總體分類精度90%以上，滿足縣域尺度下作物的可靠識別精度要求［39］，但在以下方面有待進(jìn)一步研究：一是衛(wèi)星數(shù)據(jù)時像選擇在煙葉成熟期，時效性不足；其次是多波段、多植被指數(shù)組合研究不夠。因此在后續(xù)的研究中應(yīng)提高烤煙種植信息的識別精度，進(jìn)一步研究如何使用多時相雷達(dá)孔徑數(shù)據(jù)來提取烤煙種植面積及生長數(shù)據(jù)［40-42］，以避免因陰雨天氣影響而不能及時獲取數(shù)據(jù)。

4 結(jié)論

采用歸一化植被指數(shù)（NDVI）、各波段不同地物反射率、地形因子等數(shù)據(jù)作為構(gòu)建決策樹模型的分類規(guī)則，根據(jù)不同地物之間的植被指數(shù)分析，形成初步結(jié)果后，通過聚類、過濾、剔除等處理，最終提取湖南省茶陵縣烤煙種植區(qū)域面積。ENVI軟件精度檢驗表明，總體分類精度為90.29%，與實際調(diào)查的年度種植面積相比，誤差為3.7%，可滿足烤煙生產(chǎn)管理的實際需求。