李 煜，王惠敏，金 航

（西安煤航遙感信息有限公司，陜西 西安 710199）

我國是世界上水稻生產(chǎn)和消費大國之一，糧食安全是國家安全的重要基礎。為保障我國糧食安全，開展實時獲取水稻種植信息工作，具有重要現(xiàn)實意義[1]。我國一直高度關(guān)注糧食安全保障，近年來陸續(xù)出臺了多項政策，耕地保護政策相繼完善出臺，嚴格規(guī)定耕地保護紅線，堅決遏制耕地“非農(nóng)化”“非糧化”。全國開展高標準農(nóng)田規(guī)劃建設，強化耕地梳理、質(zhì)量、生態(tài)三位一體的保護理念。在我國主要糧食作物中，水稻由于其高耗水的特性和獨特的種植形式，能夠進行水資源管理與評價[2-3]。目前，獲取水稻種植面積主要依靠傳統(tǒng)的農(nóng)業(yè)統(tǒng)計方法，從地方開始進行統(tǒng)計上報，層層遞進，全盤計量，這樣的統(tǒng)計方法略顯粗放，并且缺少空間分布信息，每次開展需耗費大量人力物力，難以實現(xiàn)長時間動態(tài)監(jiān)測。近年來我國商業(yè)衛(wèi)星遙感產(chǎn)業(yè)蓬勃發(fā)展，遙感技術(shù)可實現(xiàn)大范圍地表信息的連續(xù)動態(tài)觀測，在國土空間規(guī)劃、土地利用和植被監(jiān)測方面已經(jīng)有了廣泛應用，這也為開展耕地遙感監(jiān)測，高效精確的提取水稻種植空間分布信息提供了可能。國內(nèi)外在利用遙感技術(shù)進行水稻提取方面研究已經(jīng)有相關(guān)研究。在河南省原陽縣利用Landsat 8 OLI 影像數(shù)據(jù)獲取了水稻田分布信息[4]；利用單時相Sentinel-1A 合成孔徑雷達影像數(shù)據(jù)，提取廣東省五華縣的水稻空間分布[5];綜合合成孔徑雷達影像和SPOT-6光譜影像融合數(shù)據(jù)，得到四川省峨眉市水稻種植面積[6]。我國土地遼闊，受制于遙感衛(wèi)星重訪周期和影像數(shù)據(jù)獲取質(zhì)量，已有水稻提取研究主要集中在小區(qū)域范圍的提取實驗上[7-8]，大范圍的水稻提取應用研究仍較為缺乏。本研究長時序的多光譜高分辨率遙感影像，使用隨機森林算法進行水稻種植范圍提取，研究結(jié)果可為天津市農(nóng)業(yè)管理部門制定相關(guān)決策提供科學參考與數(shù)據(jù)支撐。

1 研究區(qū)、數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

天津市 (38°34'N - 40°15'N，116°43'E -118°04'E)位于北部華北平原，其境界內(nèi)陸地界線長為1 137 km，海岸線總長度為153 km，天津市地勢由西北山區(qū)向東南逐漸降低。93%的區(qū)域為平原，屬暖溫帶半濕潤季風氣候。主要農(nóng)作物為小麥、玉米和水稻，天津市獨有的地理位置、氣候、土壤和灌溉水源等生態(tài)條件，使得它適宜生產(chǎn)優(yōu)質(zhì)稻米，其中小站稻最為著名。

1.2 數(shù)據(jù)來源與預處理

1.2.1 遙感影像

Sentinel-2 衛(wèi)星攜帶一枚多光譜成像儀（MSI），高度為786 km，覆蓋13 個光譜波段（表1），幅寬達290 km，有2A 和2B 兩顆衛(wèi)星。一顆衛(wèi)星的重訪周期為10 d，兩顆互補，重訪周期為5 d[9]。研究過程中，Sentinel-2 遙感影像均在GEE 云平臺中調(diào)用、處理[10-11]。Sentinel-2 波段參數(shù)見表1。

表1 Sentinel-2 波段參數(shù)

1.2.2 地面調(diào)查數(shù)據(jù)

分類結(jié)果精度受到訓練樣本的數(shù)量和代表性影響較大，實地調(diào)查獲取樣本數(shù)據(jù)能夠增加分類精度。野外調(diào)查時間為2021 年9 月，本研究參考相關(guān)資料及天津?qū)嶋H情況制定分類系統(tǒng)，各類別解譯標準見表2，谷歌地球影像及哨兵2影像數(shù)據(jù)均為真彩色合成顯示。

表2 天津市耕地遙感分類解譯標志

2 水稻分類提取

2.1 水稻分類方法

基于遙感數(shù)據(jù)進行分類的基本理念是通過多時相遙感影像成像時間、光譜信息與地面實測樣點的變化特征，完成特征地物提取。天津水稻為單季稻田，本研究使用了多時相Sentinel-2 遙感影像數(shù)據(jù)，全面覆蓋了水稻田在收獲后的保養(yǎng)期到種植水稻后的水稻全生長周期的影像數(shù)據(jù)，對天津水稻具有的變化特征進行提取，以期獲得良好的水稻種植信息提取效果。此外，蓮藕種植周期與水稻相似，本研究使用土地利用和地形數(shù)據(jù)作為輔助。將所有數(shù)據(jù)進行同一整理，用于隨機森林算法分類[14]。需要大量運算、存儲資源的操作，如數(shù)據(jù)預處理、特征檢測在云端實現(xiàn)；結(jié)果判讀、驗證等工作在本地進行。

2.2 分類指標

對多時相遙感影像分布計算光譜特征、多種植被指數(shù)、水體指數(shù)、紋理特征。其中包括：如表3 所示的歸一化植被指數(shù)（NDVI）、增強型植被指數(shù)（EVI）以及歸一化水體指數(shù)（NDWI）。計算結(jié)果也在云端存放。Sentinel-2 的光學波段以及坡度、坡向等指標[12-13]。所有數(shù)據(jù)具有相同的空間分辨率與投影，整編成一個時間-空間-光譜的多維數(shù)組，進入分類器。

表3 遙感地表參數(shù)計算公式

2.3 精度評價方法

遙感影像分類精度評價常使用混淆矩陣（confusion matrix）。作為遙感分類精度評價的一種標準格式，表示為n 行n 列的矩陣形式[14]。具體評價指標包括總體精度、制圖精度、用戶精度等，這些指標從不同方面反映了遙感圖像分類的精度。

3 水稻提取結(jié)果與分析

使用隨機森林分類算法，將光譜特征優(yōu)選結(jié)果、紋理特征優(yōu)選結(jié)果作為輸入數(shù)據(jù)，對天津市的水稻進行多次提取試驗，精度驗證采用交叉驗證思想[15]，在GEE 上實現(xiàn)。

混淆矩陣中用于驗證的水稻樣點共2 198 個，其中錯分26 個。用于其他地類驗證的樣點共951 個，錯分80 個，總體精度為95.4%，Kappa 系數(shù)為0.886。結(jié)果表明：本研究能夠有效區(qū)分水稻與水體、旱作農(nóng)田等相似地類，快速準確提取天津市水稻種植空間分布信息；同時，分類特征提取無需人工干預，完全在云端計算分析，本方法滿足工程化自動運行的條件。選取寶坻區(qū)與寧河區(qū)2 個典型水稻功能區(qū)域的水稻提取結(jié)果與政府規(guī)劃的生產(chǎn)功能區(qū)水稻矢量和原始影像作對比，見圖1，水稻生產(chǎn)功能區(qū)矢量數(shù)據(jù)雖然有明顯的鋸齒狀紋理，但與10 m 分辨率Sentinel-2 數(shù)據(jù)相吻合；常規(guī)水稻面積統(tǒng)計更多依賴結(jié)合地籍數(shù)據(jù)的填圖，地塊分割的過程中可能包含部分田埂、防護林等，基于遙感數(shù)據(jù)的分類結(jié)果與地表實際狀況符合程度更高。

圖1 天津市水稻分類結(jié)果及局部結(jié)果對比

4 討論與結(jié)論

本研究基于Google Earth Engine 平臺，使用多時相Sentinel-2 影像數(shù)據(jù)，繪制天津市10 m 空間分辨率2021 年水稻種植區(qū)域分布圖。采用多時相高分辨率遙感影像，基于光譜特征、四類不同指數(shù)、坡度坡向等多種特征因子，使用隨機森林算法進行天津市水稻種植信息提取，相比較于傳統(tǒng)單期影像的非監(jiān)督學習方式，具備更高的科學性與精確性。遙感提取水稻的總體精度為95.4%，提取效果良好?？臻g精細度、準確性都能夠滿足實際生產(chǎn)需要，能夠契合天津地區(qū)不規(guī)則的地塊、地類邊界，且對于光學影像易產(chǎn)生混淆的地類區(qū)分度較高。該分類策略能夠有效提取農(nóng)作物種植信息，且無需額外的人工干預，在少量樣本的情況下也能夠得到穩(wěn)定的數(shù)據(jù)結(jié)果，云端-本地結(jié)合的方式也使其具備大規(guī)模推廣的條件?？傮w上看，基于該方法得到的分類結(jié)果可以滿足進一步應用的需求。