王宗偉，盧 剛，秦慧杰，張 汛，陳剛強，黃博超

（1.江蘇省測繪工程院，南京 210013；2.自然資源部國土衛(wèi)星遙感應(yīng)用重點實驗室，南京 210013）

農(nóng)作物空間分布是開展農(nóng)作物長勢分析、農(nóng)作物估產(chǎn)、災(zāi)害評估的數(shù)據(jù)基礎(chǔ)，對于掌握農(nóng)業(yè)種植情況、制定農(nóng)業(yè)產(chǎn)業(yè)政策、指導(dǎo)農(nóng)業(yè)生產(chǎn)與優(yōu)化農(nóng)業(yè)種植結(jié)構(gòu)等具有重要的參考價值［1］。農(nóng)作物常規(guī)調(diào)查方法人力和物力成本極高，調(diào)查統(tǒng)計周期長。隨著衛(wèi)星遙感現(xiàn)代化技術(shù)的快速發(fā)展，因其現(xiàn)勢性強、覆蓋范圍廣、獲取成本低，被廣泛應(yīng)用于自然資源、測繪、水利、農(nóng)業(yè)、環(huán)保等諸多行業(yè)中［2-6］。

利用衛(wèi)星遙感技術(shù)獲取農(nóng)作物種植范圍通常是基于單期影像，采用最大似然法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機、隨機森林等遙感影像分類方法進行提?。?-11］。隨著生物量的不斷累積，農(nóng)作物在不同的生長周期內(nèi)，其形態(tài)結(jié)構(gòu)存在一定的差異，但表現(xiàn)出的冠層反射率光譜往往存在“同物異譜、同譜異物”的現(xiàn)象［12］，不同農(nóng)作物在同一期遙感影像上可能表現(xiàn)出相似的光譜特征。因此，在單期遙感影像上難以有效區(qū)分不同農(nóng)作物的種植區(qū)域。

江蘇省不僅是工業(yè)大省，也是全國13 個糧食主產(chǎn)省之一。江蘇省處在亞熱帶和暖溫帶的氣候過渡地帶，主要種植“一年兩熟”作物，分為夏收農(nóng)作物和秋收農(nóng)作物，其中夏收農(nóng)作物主要是油菜和小麥，秋收農(nóng)作物主要是水稻、玉米和大豆［13］。目前，對江蘇省夏收農(nóng)作物的提取研究較少。本研究以宜興市作為研究區(qū)，基于不同農(nóng)作物在生長發(fā)育過程中的差異性特征，結(jié)合農(nóng)作物的物候信息，采用表達(dá)作物每個生長期階段特征的相關(guān)時間序列數(shù)據(jù)，通過光譜特征分析，優(yōu)選其關(guān)鍵物候特征，利用時序遙感影像構(gòu)建關(guān)鍵物候特征量化參數(shù)，建立不同農(nóng)作物的提取規(guī)則，實現(xiàn)江蘇省主要夏收農(nóng)作物的提取。

1 研究區(qū)概況

宜興市屬于江蘇省縣級市，歸無錫市代管，位于江蘇省西南部（N31°07′—31°37′，E119°31′—120°03′），與浙江省、安徽省接壤，東臨太湖，西與常州溧陽市、金壇區(qū)相傍，北接常州武進區(qū)，南向宣城廣德市和湖州市長興縣，除南部地區(qū)，其他區(qū)域地勢較為平坦；該地氣候溫潤，屬北亞熱帶季風(fēng)氣候，境內(nèi)水系發(fā)達(dá)、縱橫交叉，東部太湖瀆區(qū)、北部平原區(qū)和西部低洼圩區(qū)特別適合種植各種農(nóng)作物，是江蘇省經(jīng)濟發(fā)達(dá)的農(nóng)業(yè)大市［14］。宜興市所處地理位置如圖1所示。

圖1 宜興市地理位置

2 技術(shù)流程

首先，獲取時序遙感影像，經(jīng)過大氣校正、正射校正等遙感影像預(yù)處理后，進行影像分割，分割結(jié)果作為農(nóng)作物提取的最小單元。其次，通過時序光譜特征分析和時序指數(shù)特征分析，構(gòu)建關(guān)鍵物候特征，然后，根據(jù)關(guān)鍵物候特征建立農(nóng)作物的提取規(guī)則，最后，實現(xiàn)研究區(qū)夏收主要農(nóng)作物的提取。具體技術(shù)流程如圖2 所示。

圖2 技術(shù)流程

2.1 時序遙感影像

在選取時序遙感影像時，不同時相影像上能突出農(nóng)作物的關(guān)鍵物候信息，宜興市夏收主要農(nóng)作物的關(guān)鍵物候期如表1 所示，其中小麥?zhǔn)?0 月中下旬播種，第2 年5 月下旬至6 月上旬收割，油菜是9 月中下旬播種，第2 年5 月中下旬收獲。

表1 小麥和油菜物候信息

在自然資源衛(wèi)星遙感云服務(wù)平臺查詢國產(chǎn)衛(wèi)星遙感影像，根據(jù)宜興市主要農(nóng)作物關(guān)鍵物候期，選取的時序遙感影像數(shù)據(jù)源如表2 所示，使用ENVI 5.3軟件對時序遙感影像進行大氣校正和幾何校正。

表2 時序遙感影像數(shù)據(jù)源

2.2 影像分割

影像分割是為了獲取農(nóng)作物提取的最小處理單元，目前常用的影像分割方法有Mean Shift［15］和多尺度分割算法［16］。本研究以宜興市“第三次全國國土調(diào)查”成果中的耕地范圍作為輔助數(shù)據(jù)，選用多尺度分割算法對遙感影像進行分割。不同的分割尺度，其分割效果不同，對本研究所列的2 m 級遙感影像選用不同的分割尺度，其分割效果如圖3 所示。

由圖3 可以看出，分割尺度設(shè)為10 時，分割圖斑太過破碎，會將相近光譜特征的農(nóng)作物分割開來。分割尺度設(shè)為50 時，分割效果最佳，既可以區(qū)分不同光譜農(nóng)作物，又可以滿足相近光譜農(nóng)作物圖斑的完整性。而分割尺度設(shè)為100 時，不同光譜特征的農(nóng)作物，特別是零碎的油菜會被分割到其他圖斑內(nèi)，不能滿足提取要求。經(jīng)過反復(fù)試驗，本研究遙感影像多尺度分割尺度閾值設(shè)為50。

圖3 不同分割尺度下多尺度分割效果

2.3 關(guān)鍵物候特征分析

野外實地采集了10 個小麥和10 個油菜點位，并展點到遙感影像上，分析其時序平均光譜特征，確定其關(guān)鍵優(yōu)選特征，并形成量化參數(shù)，用于后期農(nóng)作物提取。

2.3.1 時序波段光譜特征 由圖4 可知，小麥在整個生長周期內(nèi)光譜反射率的變化主要體現(xiàn)在近紅外波段，2019 年12 月至2020 年2 月，小麥處于播種-越冬期，近紅外光譜值稍有下降，2—4 月隨著小麥返青-開花期的到來，近紅外波段反射率上升。

圖4 小麥時序光譜反射率特征

由圖5 可知，油菜近紅外波段光譜變化與小麥類似，主要特征體現(xiàn)在2020 年4 月7 日左右油菜開花期，開花期的油菜在影像上表現(xiàn)為黃色，在綠光波段與紅光波段反射率有明顯上升，所以，可以利用綠波段和紅波段組合作為提取油菜的關(guān)鍵特征。

圖5 油菜時序光譜反射率特征

2.3.2 時序指數(shù)特征 由于小麥和油菜在綠光和近紅外波段的變化特征相似，為進一步區(qū)分小麥和油菜，結(jié)合光譜特征分析結(jié)果，選擇歸一化植被指數(shù)NDVI，并構(gòu)建黃光波段合成指數(shù)YVI進行分析，進而確定提取小麥和油菜的關(guān)鍵時序特征。

NDVI計算公式如下［17］。

式中，NIR為近紅外波段；Red為紅光波段。

小麥和油菜的歸一化植被指數(shù)曲線如圖6 所示，可以發(fā)現(xiàn)小麥的植被指數(shù)在12 月至2 月份較為平穩(wěn)，3 月份至4 月份呈現(xiàn)上升的趨勢，5 月底小麥趨于成熟，植被指數(shù)下降。油菜的植被指數(shù)在3 月之前趨于平穩(wěn)，而在4 月7 日開花期有明顯的下降，至5 月份趨于平緩。對比小麥與油菜的歸一化植被指數(shù)，可以發(fā)現(xiàn)油菜在開花期的歸一化植被指數(shù)呈明顯下降趨勢，這一明顯的下降趨勢特征可以用于提取小麥和油菜。

圖6 小麥與油菜NDVI時序特征

為了更精準(zhǔn)地提取小麥和油菜，受時序波段光譜特征分析啟發(fā)，本研究構(gòu)建了黃光波段合成指數(shù)YVI，其計算公式如下。

式中，Red為紅光波段；Green為綠光波段。

小麥和油菜的黃光波段合成指數(shù)曲線如圖7 所示，可以發(fā)現(xiàn)小麥基本保持平穩(wěn)，4 月份略高，而油菜在4 月份開花期黃光波段合成指數(shù)有明顯上升趨勢，所以黃光波段合成指數(shù)也可作為提取小麥和油菜的關(guān)鍵特征。

圖7 小麥與油菜黃光波段合成指數(shù)時序特征

2.4 夏收農(nóng)作物提取

通過以上分析，選用2019-12-03、2020-02-18、2020-04-07 和2020-05-24 這4 期時序遙感影像，分別對應(yīng)夏收農(nóng)作物越冬、返青、開花和成熟4 個關(guān)鍵物候特征，采用歸一化植被指數(shù)（NDVI）和黃光波段合成指數(shù)（YVI）2 個量化參數(shù)提取2020 年宜興市夏收農(nóng)作物。

eCognition 軟件相比于傳統(tǒng)商業(yè)軟件，提出面向?qū)ο蟮姆诸惙椒?，參考編程采用?guī)則集的方式，既提高了分類精度又具有一定的靈活性，廣泛應(yīng)用于遙感解譯領(lǐng)域［18］，利用eCognition 軟件構(gòu)建宜興市夏收農(nóng)作物規(guī)則集模型如圖8 所示，提取成果（局部）如圖9 所示，提取成果圖中黃色區(qū)域為油菜，綠色區(qū)域為小麥。

圖8 夏收農(nóng)作物eCognition 提取規(guī)則集模型

圖9 夏收農(nóng)作物提取規(guī)則成果（局部）

3 精度評價

為了驗證宜興市2020 年夏收農(nóng)作物的提取精度，采用統(tǒng)計年鑒和野外實測點分別進行精度評價。

3.1 統(tǒng)計年鑒對比

經(jīng)查詢《2021 年無錫統(tǒng)計年鑒》［19］，小麥的提取精度為85.6%，油菜的提取精度為86.5%，具體統(tǒng)計信息如表3 所示。

表3 提取成果與統(tǒng)計年鑒對比

3.2 野外實測點驗證

野外實地采集了272 個點位，分別為小麥、油菜和其他地類，野外實測點位分布如圖10 所示。

圖10 宜興市野外實地采集點位分布

遙感解譯精度通常采用總體精度、Kappa 系數(shù)、每一類的制圖精度和用戶精度［20］等評價因子進行評價。其中，總體精度是指被正確分類的單元與全部待分類單元的比值，Kappa 系數(shù)是基于混淆矩陣計算的，其值為-1～1，Kappa 系數(shù)越大，說明分類結(jié)果越好。經(jīng)計算，宜興市2020 年小麥和油菜的總體提取精度為92.65%，Kappa 系數(shù)為0.86，具體驗證結(jié)果如表4 所示。

表4 小麥與油菜遙感分類精度

4 結(jié)論

針對江蘇省主要夏收農(nóng)作物快速、準(zhǔn)確提取的難題，通過分析不同農(nóng)作物在生長發(fā)育過程中差異性特征，結(jié)合農(nóng)作物物候信息，優(yōu)選其關(guān)鍵物候特征，利用時序遙感影像對宜興市夏收農(nóng)作物進行提取，有效解決了農(nóng)作物提取時“同物異譜、同譜異物”的影響，通過野外實測采集點進行驗證，總體精度為92.65%，Kappa 系數(shù)為0.86，達(dá)到了很好的提取效果，宜興市作為江蘇省經(jīng)濟發(fā)達(dá)的農(nóng)業(yè)大市，本研究可為江蘇省夏收農(nóng)作物的提取提供參考，有效服務(wù)于耕地“非糧化”監(jiān)測和農(nóng)作物精細(xì)化監(jiān)測，促進“強富美高”新江蘇建設(shè)。