烏蘭吐雅，于利峰，包珺瑋，許洪滔，烏云德吉，任婷婷，趙佳樂(lè)，敦惠霞，于偉卓

（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(jì)與信息研究所，內(nèi)蒙古呼和浩特 010031；2.內(nèi)蒙古自治區(qū)農(nóng)業(yè)遙感工程技術(shù)研究中心，內(nèi)蒙古呼和浩特 010031）

區(qū)域尺度上提取作物面積信息是農(nóng)情遙感監(jiān)測(cè)的重要內(nèi)容之一。實(shí)時(shí)、準(zhǔn)確地獲取農(nóng)作物類型分布信息對(duì)糧食安全、社會(huì)經(jīng)濟(jì)、政策制定及生態(tài)功能評(píng)價(jià)等都有重要的影響[1]。隨著貿(mào)易的全球化，快速提取大尺度的農(nóng)作物信息引起更多關(guān)注[2-10]。遙感技術(shù)以其信息監(jiān)測(cè)獲取的快效率、大尺度和多譜段，成為當(dāng)前大尺度農(nóng)作物種植結(jié)構(gòu)研究及農(nóng)業(yè)信息化服務(wù)主要的研究途徑[6]。然而，遙感提取農(nóng)作物面積信息受到遙感影像軌道號(hào)、遙感衛(wèi)星周期、天氣、農(nóng)作物物候特征等多種因素影響。中高分辨率的遙感影像雖然對(duì)于農(nóng)作物類別提取的精度較高，但因其重訪周期長(zhǎng)、幅寬窄，無(wú)法滿足農(nóng)作物關(guān)鍵生育時(shí)期的要求，只能受限于地塊尺度的研究[1]。

大尺度上提取農(nóng)作物遙感識(shí)別及提取農(nóng)作物種植面積的研究主要有：遙感數(shù)據(jù)源上應(yīng)用OLI數(shù)據(jù)[3，11]、GF-1WFV影像[12]、TM影像[13]等中等分辨率遙感影像。中分辨率遙感影像提取農(nóng)作物種植面積，比起低分辨率遙感影像，混合像素相對(duì)少，提取精度高。但由于受到衛(wèi)星軌道周期及云雨等氣象條件的影響，大尺度上應(yīng)用主要在我國(guó)西部新疆、甘肅等干旱地區(qū)。利用多時(shí)相MODIS 衛(wèi)星數(shù)據(jù)提取大尺度農(nóng)作物種植面積的研究最多[1，4，5，8，10，14-16]。MODIS影像雖然空間分辨率較低，但時(shí)間分辨率較高，結(jié)合農(nóng)作物物候特征能提取大尺度的作物空間分布。大尺度信息提取技術(shù)方法概括起來(lái)有以下幾種：隨著大數(shù)據(jù)的發(fā)展，海量數(shù)據(jù)中如何提取作物種植面積也成熱門研究，DONG 等[3]利用Landsat 8影像研究亞洲東北部水稻繪制，用云計(jì)算方法，使用Google Earth Engine（GEE）平臺(tái)處理2014年所有可用的Landsat 8 圖像，提取研究區(qū)水稻種植面積；考慮時(shí)間分辨率和空間分辨率的優(yōu)勢(shì)，基于多源數(shù)據(jù)融合技術(shù)提取大尺度農(nóng)作物面積種植。劉文斌等[9]以湖北江漢平原和湖南洞庭湖平原為例，基于人工神經(jīng)網(wǎng)絡(luò)多源數(shù)據(jù)融合技術(shù)提取冬油菜面積。吳峰云[17]使用GF-1 和MODIS數(shù)據(jù)融合技術(shù)提取的鄱陽(yáng)湖區(qū)域水稻空間分布?？紤]不同農(nóng)作物物候特點(diǎn)，用多時(shí)相或時(shí)間序列遙感數(shù)據(jù)提取農(nóng)作物種植面積的研究較多。孫華生[4]利用多時(shí)相MODIS數(shù)據(jù)提取我國(guó)水稻種植面積和長(zhǎng)勢(shì)信息，侯玉印[5]基于MODIS NDVI時(shí)間序列數(shù)據(jù)提取的肯尼亞玉米種植面積，鄧帆等[10]基于多時(shí)相遙感影像監(jiān)測(cè)江漢平原油菜種植面積，平躍鵬[18]基于MODIS時(shí)間序列地表物候特征分析農(nóng)作物分類，呂婷婷等[19]、張健康等[20]、郝衛(wèi)平等[21]用多時(shí)相遙感數(shù)據(jù)提取柬埔寨、我國(guó)的黑龍港地區(qū)、東北三省農(nóng)作物信息，取得了較好的精度；考慮到遙感影像的混合像元問(wèn)題，蔡薇等[22]分解像元提取小麥種植面積，RMS 均值小于0.009 6。王利民等[23]綜合NDVI時(shí)序特征的基礎(chǔ)上對(duì)混合像元分解，提取冬小麥種植面積，相對(duì)誤差率為7.11%。王凱等[24]使用GF-1數(shù)據(jù)，用決策樹(shù)與混合像元分解模型早期估算冬小麥種植面積，精度達(dá)到90.00%。

內(nèi)蒙古是我國(guó)13個(gè)糧食主產(chǎn)區(qū)之一，也是2019年僅剩5個(gè)糧食凈調(diào)出省份之一[25]。內(nèi)蒙古東西跨度大，東部到西部降水量、氣溫、積溫及生活方式大不同，不同區(qū)域種植農(nóng)作物也不同，本研究選擇內(nèi)蒙古東部呼倫貝爾市和興安盟，基于遙感地理特征曲線，分區(qū)域建模型提取研究區(qū)主要農(nóng)作物種植面積，為自治區(qū)農(nóng)作物種植結(jié)構(gòu)研究及農(nóng)業(yè)信息化管理提供科學(xué)思路。

1 材料和方法

1.1 研究區(qū)概況

呼倫貝爾市和興安盟地處44°05′～53°10′N，115°01′～126°36′E，位于內(nèi)蒙古東部。東西630 km、南北975 km，總面積31.258 3 萬(wàn)km2，占內(nèi)蒙古自治區(qū)面積的26.42%，南部與通遼市相連，東部以嫩江為界與黑龍江省為鄰，北和西北部以額爾古納河為界與俄羅斯接壤，西北與蒙古國(guó)交界，西南與錫林郭勒盟相連。大興安嶺以東北——西南走向縱貫研究區(qū)，海拔700～1 700 m，以林區(qū)為主。西北為海拔550～1 000 m，為呼倫貝爾大草原，以牧區(qū)為主。在林區(qū)與牧區(qū)間零星分布著一些農(nóng)場(chǎng)，種植春小麥、油菜等作物。大興安嶺東麓，東北平原——松嫩平原邊緣，海拔200～500 m，以種植業(yè)為主，主要種植玉米、大豆、水稻、雜糧等。研究區(qū)北部位于溫帶北部，大陸性氣候顯著，氣候特點(diǎn)是冬季寒冷漫長(zhǎng)，夏季溫涼短促，春季干燥風(fēng)大，秋季氣溫驟降霜凍早；熱量不足，晝夜溫差大，有效積溫利用率高，無(wú)霜期短，日照豐富，降水量差異大，降水期多集中在7—8月。南部屬溫帶半干旱季風(fēng)氣候，四季分明。無(wú)霜期95～145 d，大部分地區(qū)110～130 d。年降水量平均為400～450 mm，雨熱同期，種植一季作物。大部分地區(qū)日照2 800～3 100 h，中南部地區(qū)10℃以上積溫2 200～3 100℃。從北向南氣溫、積溫、光照、無(wú)霜期遞增，而降水量、相對(duì)濕度遞減。

1.2 空間數(shù)據(jù)處理及特征數(shù)據(jù)集的構(gòu)建

美國(guó)NASA 網(wǎng)（http：//edcimswww.cr.usgs.gov）下載2018年46期184 景8 d 反射率（MOD09Q1）數(shù)據(jù)，在ENVI 軟件里通過(guò)投影轉(zhuǎn)換、鑲嵌、裁剪、波段運(yùn)算，再經(jīng)過(guò)降噪濾波器（Noise Reduction Filter，NRF）處理，去噪去云，得到研究區(qū)時(shí)間序列NDVI數(shù)據(jù)集，并計(jì)算5月的NDVI最低值。計(jì)算公式

式中，b2為近紅外反射率，b1為紅波段反射率，分別是MOD09Q1數(shù)據(jù)的第2波段和第1波段。

式中，b1、b2、b3、b4分別為5月1日、9日、17日、25日的NDVI值。

本研究為了制圖更直觀，NDVI值乘以10 000。下載2018年5月的4期16景（MOD09A1）數(shù)據(jù)，在ENVI 里通過(guò)波段運(yùn)算，計(jì)算地表水分指數(shù)（LSWI）空間分布，并計(jì)算5月最高值。

式中，b2為近紅外反射率，b6為短波紅外反射率，分別是MOD09A1數(shù)據(jù)的第2波段和第6波段。

式中，b1、b2、b3、b4分別為5月1日、9日、17日、25日的LSWI值。

下載研究區(qū)DEM數(shù)據(jù)，在Arcgis 里投影轉(zhuǎn)換，鑲嵌剪切，并計(jì)算坡度空間分布圖。將以上50個(gè)數(shù)據(jù)集成新的數(shù)據(jù)集，作為特征曲線數(shù)據(jù)集，為提取研究區(qū)主要農(nóng)作物種植面積數(shù)據(jù)（圖1）。

圖1 特征曲線數(shù)據(jù)集RGB 合成

1.3 建立解譯標(biāo)志及驗(yàn)證數(shù)據(jù)

2018年7月18—30日，項(xiàng)目組在呼倫貝爾市和興安盟用北斗手持機(jī)和奧維互動(dòng)地圖軟件打點(diǎn)，建立解譯標(biāo)志和驗(yàn)證數(shù)據(jù)，共打點(diǎn)2 210個(gè)，其中，玉米539個(gè)、大豆303個(gè)、水稻84個(gè)、春小麥331個(gè)、油菜398個(gè)，其他555個(gè)。打點(diǎn)數(shù)據(jù)與研究區(qū)Rapid Eye影像疊加，確認(rèn)農(nóng)作物空間分布面積，保留農(nóng)作物種植面積大于25 hm2地塊的打點(diǎn)數(shù)據(jù)，作為本次研究的解譯標(biāo)志和驗(yàn)證數(shù)據(jù)，有效打點(diǎn)數(shù)據(jù)1 827個(gè)，其中1 188個(gè)作為建立模型的感興趣數(shù)據(jù)，639個(gè)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)（圖2）。

圖2 解譯點(diǎn)和驗(yàn)證點(diǎn)空間分布

1.4 研究方法

1.4.1 按農(nóng)業(yè)資源區(qū)劃特點(diǎn)，分區(qū)提取農(nóng)作物面積信息

1.4.1.1 大興安嶺東麓丘陵平原農(nóng)業(yè)區(qū) 包括阿榮旗、莫力達(dá)瓦達(dá)斡爾族自治旗、扎蘭屯市、突泉縣、科右中旗、烏蘭浩特市、科爾沁右翼前旗等旗縣市。這些區(qū)域氣溫較高，無(wú)霜期較長(zhǎng)，降水量較多，雨熱同期，水資源豐富，土壤肥沃，腐殖質(zhì)含量高，適宜種植玉米、大豆、水稻等。

1.4.1.2 大興安嶺山地林業(yè)區(qū)及大興安嶺西麓呼倫貝爾高平原牧業(yè)區(qū) 大興安嶺山地林業(yè)區(qū)包括呼倫貝爾市的額爾古納市、根河市、牙克石市、鄂倫春旗及興安盟的阿爾山市，從北到西南貫穿整個(gè)研究區(qū)；這些區(qū)域海拔比較高，土壤肥沃但土層較薄，氣候寒冷，無(wú)霜期較短，天然林占主導(dǎo)地位。呼倫貝爾市高平原牧業(yè)區(qū)，包括新巴爾虎左旗、新巴爾虎右旗、陳巴爾虎旗、鄂溫克旗、海拉爾區(qū)、滿洲里市；氣溫較低，降水量較少，光照充足，風(fēng)大；草場(chǎng)面積大，草質(zhì)優(yōu)良，發(fā)展畜牧業(yè)潛力大。這兩個(gè)區(qū)域零星分布著一些農(nóng)場(chǎng)，主要種植小麥和油菜等生育期較短的作物。

1.4.2 降噪濾波（NRF），減少誤差 降噪濾波是從衛(wèi)星圖像中提取植被的季節(jié)變化和年際變化時(shí)，為去除隨機(jī)生成的云和云陰影、灰塵、煙霧等影響植被長(zhǎng)勢(shì)的外界因素為目的而開(kāi)發(fā)的噪聲消除濾波。該時(shí)間序列數(shù)據(jù)處理模型，能夠很好地糾正原始NDVI時(shí)間序列曲線中的突變?cè)肼?，消除曲線的“突增”和“突降”的噪聲。曲線不僅有較好的平滑度，也保留了真實(shí)的細(xì)節(jié)信息，且平滑曲線符合植被生長(zhǎng)規(guī)律，有利于植被物候期的高精度信息提取（圖3）。

圖3 農(nóng)作物NRF 濾波前后NDVI時(shí)間序列變化對(duì)比

1.5 主要農(nóng)作物標(biāo)準(zhǔn)生長(zhǎng)曲線的建立

根據(jù)林區(qū)和牧區(qū)的農(nóng)作物種植情況，野外定位的解譯標(biāo)志點(diǎn)與該區(qū)域特征集數(shù)據(jù)疊加，提取春小麥和油菜特征曲線，作為這兩種作物分類的標(biāo)準(zhǔn)曲線。同樣的方法，農(nóng)區(qū)提取玉米、大豆、水稻的特征曲線，作為這3種作物分類的標(biāo)準(zhǔn)曲線。從特征曲線上看，不同農(nóng)作物特征曲線相互之間確實(shí)存在差異，用特征曲線分類是可行的（圖4、圖5）。

圖4 小麥、油菜的特征曲線

圖5 玉米、大豆、水稻的特征曲線

1.6 CART 決策樹(shù)分類方法

CART 決策樹(shù)是在1984年由Breman 提出的一種二叉樹(shù)分類方法，它能夠充分利用空間輔助信息，對(duì)影像的多個(gè)特征變量進(jìn)行選擇性組合，識(shí)別繁多有效信息，從而實(shí)現(xiàn)對(duì)未知數(shù)據(jù)的分類、預(yù)測(cè)和挖掘。該方法在研究區(qū)有足夠樣本數(shù)量的情況下，采用GiNi 系數(shù)作為最佳測(cè)試變量和分割閾值的準(zhǔn)則。公式為

由于每次分割都只將樣本集劃分為兩個(gè)子集，最終生成的決策樹(shù)是一個(gè)二叉樹(shù)，結(jié)構(gòu)簡(jiǎn)潔明了，使用的分割規(guī)則清晰易懂，整個(gè)過(guò)程也比較符合人們一般的思維習(xí)慣。

2 結(jié)果與分析

2.1 研究區(qū)主要作物特征曲線特征分析

2.1.1 大興安嶺山地林業(yè)區(qū)及大興安嶺西麓主要農(nóng)作物遙感地理特征曲線分析 小麥和油菜分布于大興安嶺林業(yè)區(qū)和山地至高原過(guò)渡帶，這些區(qū)域土壤肥沃，但氣溫偏低，無(wú)霜期短。從小麥和油菜的特征曲線上看，都有兩個(gè)峰值，小峰值幾乎完全重疊；第一個(gè)峰值的特征，小麥的峰值出現(xiàn)時(shí)間比油菜出現(xiàn)早，油菜7月20日左右達(dá)到峰值，小麥7月12日左右達(dá)到峰值，7月20日之前小麥的NDVI值高于油菜，之后油菜NDVI值高于小麥。

2.1.2 大興安嶺東麓主要農(nóng)作物玉米、大豆、水稻遙感地理特征曲線分析 大興安嶺東麓丘陵和平原地區(qū)的主要農(nóng)作物玉米、大豆、水稻的特征曲線（圖4）。從3種農(nóng)作物特征曲線的分布來(lái)看，水稻特征明顯，較好區(qū)分。3種作物均有兩個(gè)峰值，第1個(gè)峰值特點(diǎn)是水稻出現(xiàn)的峰值時(shí)間比玉米、大豆早，7月28日達(dá)到峰值，而玉米和大豆8月5日達(dá)到峰值；第2個(gè)峰值中，水稻特征特別明顯，特征波段49中，水稻值低于2.50，而玉米和大豆值在5.28 以上；特征波段48中，水稻值185.42，而大豆值390.00，玉米值480.82；特征波段47中，水稻值在2 018.00 以下，大豆值2 903.00，玉米值2 582.00。

2.2 構(gòu)建基于遙感地理特征曲線的主要作物分類的決策樹(shù)模型

根據(jù)研究區(qū)的農(nóng)業(yè)資源區(qū)劃特點(diǎn)，把建好的遙感地理特征數(shù)據(jù)集分為林、牧區(qū)特征數(shù)據(jù)集和農(nóng)區(qū)特征數(shù)據(jù)集。根據(jù)兩個(gè)區(qū)域的自然特征及農(nóng)作物特征標(biāo)準(zhǔn)曲線差別分別建立主要農(nóng)作物提取模型（圖6）。用野外定位的解譯標(biāo)志點(diǎn)作為感興趣區(qū)域，提取特征值，用CART 決策樹(shù)分類方法林、牧區(qū)分為水域、林地、草地、小麥、油菜、甜菜、玉米、大豆等種類，同樣的道理農(nóng)區(qū)用CART 決策樹(shù)分類方法分為林地、草地、玉米、大豆、水稻、其他作物，其他作物包括高粱、藥材、甜菜、向日葵、馬鈴薯、小麥等，分類結(jié)果見(jiàn)圖7。

圖6 主要農(nóng)作物遙感識(shí)別流程

研究區(qū)地勢(shì)從西北到東南逐漸降低，山地、丘陵到平原，植被類型多，林地、草地、耕地，相互交錯(cuò)分布。農(nóng)區(qū)南部科爾沁右翼中旗分布著科爾沁沙地、鹽堿地、退化草地、零星林地、低濕地，玉米、大豆、多種雜糧。不同植物類型衛(wèi)星遙感影像上的反射率差別大，加上地塊破碎，農(nóng)區(qū)的主要農(nóng)作物提取過(guò)程很復(fù)雜，CART 決策樹(shù)模型共分為747個(gè)節(jié)點(diǎn)（圖8），由于過(guò)程過(guò)于復(fù)雜，決策樹(shù)模型沒(méi)有顯示。

2.3 分類結(jié)果與精度分類

用決策樹(shù)分類模型執(zhí)行后，對(duì)結(jié)果進(jìn)行更改分類顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處理、柵格轉(zhuǎn)矢量、制圖等操作，結(jié)果見(jiàn)圖9。以實(shí)地調(diào)查數(shù)據(jù)為標(biāo)準(zhǔn)，對(duì)模型提取的5種農(nóng)作物進(jìn)行精度檢驗(yàn)，并進(jìn)行評(píng)價(jià)。正確分類的玉米、大豆、水稻、春小麥、油菜的樣本點(diǎn)分別為168、142、70、117、81個(gè)，相對(duì)精度分別為85.71%、70.65%、83.33%、75.48%、73.64%，農(nóng)作物平均相對(duì)精度在77.48%左右，滿足大尺度應(yīng)用需求（表1）。

圖7 林、牧區(qū)主要農(nóng)作物遙感識(shí)別決策樹(shù)

圖8 農(nóng)區(qū)主要農(nóng)作物CART 分類運(yùn)行

3 結(jié)論與討論

以MODIS NDVI數(shù)據(jù)、DEM數(shù)據(jù)、坡度數(shù)據(jù)、LSWI數(shù)據(jù)構(gòu)建的特征數(shù)據(jù)集，根據(jù)不同農(nóng)作物的特征曲線及農(nóng)業(yè)區(qū)劃，在不同區(qū)域構(gòu)建不同分類模型，并對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)，得到如下結(jié)果：

圖9 牧、林區(qū)和農(nóng)區(qū)農(nóng)作物分類

表1 研究區(qū)農(nóng)作物樣本點(diǎn)提取精度與實(shí)地調(diào)查數(shù)據(jù)對(duì)比統(tǒng)計(jì)

大尺度上應(yīng)用遙感地理特征曲線區(qū)分不同作物，快速提取主要農(nóng)作物的種植面積是可行的。本研究總體相對(duì)精度達(dá)到77.48%左右，能夠滿足大尺度業(yè)務(wù)化監(jiān)測(cè)需求，但沒(méi)有達(dá)到周思等[8]的基于MODIS的黑龍江省農(nóng)作物種植結(jié)構(gòu)提取研究中的精度80%以上，原因在于本研究區(qū)南部處于科爾沁沙地北部邊緣，比起北部地物景觀破碎度大，用MODIS衛(wèi)星數(shù)據(jù)混合像素較多，作物信息提取誤差比北部大。今后大尺度作物信息提取研究中，更加細(xì)化研究區(qū)區(qū)劃，地物景觀破碎度大的區(qū)域用空間分辨率高的衛(wèi)星遙感數(shù)據(jù)。根據(jù)地面實(shí)際情況采用衛(wèi)星遙感數(shù)據(jù)源和信息提取方法，提高大尺度作物信息提取精度。

CART 決策樹(shù)分類方法是一種監(jiān)督分類方法，樣本的數(shù)量及空間分布對(duì)分類精度至關(guān)重要。樣本數(shù)量多，分布均勻，能提高分類精度。MODIS 衛(wèi)星遙感數(shù)據(jù)，適合地塊較大的區(qū)域的信息提取；地塊破碎，作物種植復(fù)雜的區(qū)域誤差較大。