田欣媛，張永紅，劉睿，2，魏鉅杰

1.中國測繪科學(xué)研究院北京 100036;

2.山東科技大學(xué)測繪與空間信息學(xué)院,青島 266590

1 引言

冬小麥種植面積超過全國耕地總面積的1/5，是中國重要的糧食作物之一（吳炳方等，2004）。隨著節(jié)水農(nóng)業(yè)與農(nóng)業(yè)種植結(jié)構(gòu)調(diào)整，冬小麥種植面積出現(xiàn)較大的年際變化。及時準確掌握冬小麥種植面積變化有利于國家和相關(guān)部門科學(xué)決策，并為冬小麥產(chǎn)量估算提供重要依據(jù)（吳風(fēng)華等，2019）。遙感技術(shù)具有寬視場、多時相等優(yōu)勢，是大范圍冬小麥種植面積準確、快速獲取的最有效方法（趙英時，2013；吳風(fēng)華等，2019；張莎等，2018）。

由于冬小麥物候特征在大范圍區(qū)域內(nèi)存在差異，單一時相難以滿足大范圍冬小麥的提取，因此多時相法被廣泛使用（郭昱杉等，2017；張錦水等，2020）。已有研究中，基于多時相遙感的大范圍冬小麥識別主要利用中低分辨率的MODIS數(shù)據(jù)，如基于MODIS-NDVI（Normalized Difference Vegetation Index）產(chǎn)品的2017年京津冀冬小麥種植面積提?。▍秋L(fēng)華等，2019）、基于MODISEVI（Enhanced Vegetation Index）的2010年黃淮海平原冬小麥種植面積提?。◤埳龋?018）以及基于MODIS的2001年—2007年美國各州作物分類（Massey等，2017）。這些成果的精度多在70%—80%，對精度有更高要求的應(yīng)用略顯不足。Sentinel-2A、-2B衛(wèi)星是歐洲航天局ESA（European Space Agency）哥白尼計劃（Copernicus Program）的重要組成部分，分別于2015年6月23日、2017年3月7日發(fā)射，可覆蓋13個波譜段，各波段主要參數(shù)信息見表1。雙星互補重訪周期僅為5 d，是目前為止唯一一個在紅邊范圍含有3個波段（對應(yīng)表1中的5、6、7波段）的光學(xué)衛(wèi)星遙感數(shù)據(jù)，在冬小麥的季相節(jié)律特征提取及識別中具有巨大潛力（岳楨干，2015；田穎等，2019；Drusch等，2012）?；赟entinel-2數(shù)據(jù)的冬小麥提取多集中在小范圍研究區(qū)，如基于Sentinel-2抽穗期的安徽省北部和中部冬小麥面積提取（甄曉菊等，2019）、基于Sentinel-2A時序NDVI（Normalized Difference Vegetation Index）的河北省辛集市冬小麥面積提?。╖hang等，2019）。這些成果的精度有所提升，但其在大范圍冬小麥提取中的適用性未知。已有利用Sentinel-2數(shù)據(jù)進行冬小麥提取的研究基本上可分為兩類：一類是利用單一時相構(gòu)建多特征集，再利用SVM（Support Vector Machine）、隨機森林等分類器進行分類（Saini和Ghosh，2018；Hunt等，2019；王蓉等，2019）；另一類是利用多時相單一特征（NDVI、EVI等）時序曲線的物候信息，利用決策樹法、積分法等提取冬小麥面積（Nasrallah等，2018；杜保佳等，2019；畢愷藝等，2017）。目前，很少有人在Sentinel-2數(shù)據(jù)集上將多時相和多特征結(jié)合用于冬小麥提取，且大范圍冬小麥提取方法的研究較少。

紅邊波段反射率大幅升高是綠色植被區(qū)別于其他地物最突出的光譜特征（梁繼等，2020）。紅邊位置指數(shù)REPI（Red-Edge Position Index）根據(jù)相鄰紅邊波段的線性4點插值得出，反映了地物紅邊光譜的變化信息（Frampton等，2013）。由于REPI對植被葉綠素含量非常敏感，出現(xiàn)了很多利用手持高光譜儀數(shù)據(jù)計算的REPI進行冬小麥生物物理參數(shù)反演的研究，如Tavakoli等（2014）利用REPI反演葉面積指數(shù)，指出REPI與冬小麥葉面積指數(shù)呈良好的對數(shù)相關(guān)關(guān)系，且飽和效應(yīng)小于NDVI；郭宇龍等（2020）利用REPI和XGBoost模型進行了冬小麥葉綠素濃度估算；Zhao等（2012）發(fā)現(xiàn)REPI對冬小麥葉片中的氮濃度有良好的指示作用；肖璐潔等（2020）發(fā)現(xiàn)REPI可以判斷冬小麥植被冠層的成熟程度和健康狀況，隨著冬小麥生育期的推進，REPI先紅移后藍移。利用REPI指數(shù)反演植被的生物物理參數(shù)顯然是以對紅邊波段反射率的精細測量為基礎(chǔ)的，因此這些研究使用的都是地基高光譜數(shù)據(jù)。衛(wèi)星獲取的紅邊反射率信息雖然無法達到地基高光譜那樣的精度，但是作為唯一具有3個植被紅邊波段、能夠計算REPI的光學(xué)遙感數(shù)據(jù)（岳楨干，2015；田穎等，2019），Sentinel-2影像應(yīng)該在冬小麥監(jiān)測方面擁有巨大潛力。然而，目前還沒有見到將Sentinel-2紅邊位置信息應(yīng)用于大范圍冬小麥提取的相關(guān)研究。鑒于此，本文首先基于多時相Sentinel-2數(shù)據(jù)提取時序REPI和NDVI指數(shù)，然后研究了區(qū)分冬小麥的關(guān)鍵時相，分析提出了區(qū)分冬小麥的特征知識，并在此基礎(chǔ)上構(gòu)建了基于時序REPI和NDVI特征的決策樹規(guī)則集，最后以京津冀為試驗區(qū)進行了2020年冬小麥面積提取的實驗驗證。

2 數(shù)據(jù)源和研究區(qū)

Sentinel-2影像可從歐洲航天局的數(shù)據(jù)共享網(wǎng)站（https://scihub.copernicus.eu/dhus/#/home[2020-10-21]）下載。為獲取區(qū)分冬小麥的關(guān)鍵時相，下載了軌道號為50SLH的單景覆蓋區(qū)20期云量少于30%的Sentinel-2A/B時間序列影像，獲取時段為2019年10月—2020年9月，完全覆蓋了冬小麥的整個生命周期，用于繪制主要農(nóng)作物的時序特征變化曲線，研究區(qū)分冬小麥的關(guān)鍵時相與特征。

對于整個京津冀地區(qū)，下載了覆蓋北京市、天津市以及河北省平原地區(qū)的5個關(guān)鍵時相的Sentinel-2影像，一共85景（17景×5期）。研究區(qū)及Sentinel-2影像覆蓋情況如圖1所示。下載的Sentinel-2 L1C級產(chǎn)品為經(jīng)過正射校正和幾何精校正的大氣表觀反射率數(shù)據(jù)，使用ESA提供的Sen2Cor（Sentinel-2 Level-2A Atmospheric Correction Processor）（Main-Knorn等，2015）對影像進行大氣校正，得到了反射率數(shù)據(jù)。后續(xù)分析均基于反射率數(shù)據(jù)，利用SNAP（Sentinel Application platform）將紅邊波段重采樣為10 m。

圖1 研究區(qū)影像覆蓋情況及解譯樣本分布圖Fig.1 Image coverage of the study area and distribution map of interpreted samples

沿河北省平原地區(qū)冬小麥種植區(qū)（邯鄲市、邢臺市、衡水市、滄州市及保定市）由南向北，每個地市選1—3個外業(yè)點，從2020年5月25日起進行了為期一周的實地調(diào)查，調(diào)查路線如圖1的路線所示，序號對應(yīng)表2中的地點。調(diào)查點主要農(nóng)作物包括冬小麥-夏玉米、瓜果蔬菜大棚、油料作物（花生、大豆），還有各種類型的林地，見圖2部分外業(yè)點照片。在野外調(diào)查數(shù)據(jù)基礎(chǔ)上，借助Google Earth高分辨率光學(xué)影像的目視解譯，參考統(tǒng)計年鑒中主要農(nóng)作物播種面積構(gòu)成提取了京津冀地區(qū)主要植被地類包括冬小麥、春玉米、花生、棉花、蔬菜和林地共6類的訓(xùn)練樣本。其中，冬小麥樣本100個，其他植被地類樣本每類30個，合計250個，每個訓(xùn)練樣本的大小為20—400個像素，樣本分布情況如圖1所示。

圖2 部分外業(yè)點照片F(xiàn)ig.2 Part of the field point photos

表2 外業(yè)點信息表Table 2 Field point information sheet

3 研究方法

本研究先對軌道號為50SLH的20景Sentinel-2影像生成了REPI、NDVI時序數(shù)據(jù)集，然后構(gòu)建了250個訓(xùn)練樣本的各類植被地類時序特征曲線，分析得出了區(qū)分冬小麥的5個關(guān)鍵時相，總結(jié)了各植被類別的REPI及NDVI時相特征；在此基礎(chǔ)上提出了區(qū)分冬小麥的特征知識并建立相應(yīng)的決策樹提取規(guī)則；最后完成了整個京津冀平原的冬小麥分布提取，并采用公開的冬小麥面積統(tǒng)計數(shù)據(jù)和10個均勻分布的、經(jīng)Google Earth影像解譯的驗證樣本對提取結(jié)果進行了精度驗證。本文的冬小麥提取流程圖如圖3所示。

圖3 冬小麥提取流程圖Fig.3 Extraction process of winter wheat

3.1 REPI、NDVI時序數(shù)據(jù)集的構(gòu)建

3.1.1 REPI時序數(shù)據(jù)集

由于葉片與冠層的散射，植被紅邊范圍（680—780 nm）的反射率隨波長增加大幅升高（趙英時，2013）。紅邊附近的反射率對作物葉綠素含量、氮含量很敏感。

REPI對應(yīng)著綠色植被在紅邊范圍內(nèi)反射率隨著波長增加反射率增長最快的波長位置（郭宇龍等，2020；Majasalmi和Rautiainen，2016；鄒紅玉和鄭紅平，2010）。與存在飽和問題的NDVI相比，REPI對葉面積指數(shù)和葉綠素濃度的響應(yīng)更顯著（郭云開等，2021）。REPI指數(shù)基于Guyot和Baret（1988）提出的線性插值理論，由Sentinel-2影像的4（665 nm）、5（705 nm）、6（740 nm）、7（783 nm）波段（分別由B4、B5、B6、B7表示）計算得到（Majasalmi和Rautiainen，2016）：

動漫旅游的核心競爭力是動漫游藝作品帶給觀眾的體驗和心靈的感受，動漫在旅游中能夠讓人們找到與動漫人物的共鳴，進行深度的體驗，因此動漫IP在整個動漫旅游中為最重要的一環(huán)，如何打造一個成功的動漫IP，才是第一步要做的。打造動漫IP有幾種形式：

3.1.2 NDVI時序數(shù)據(jù)集

NDVI是作物分類研究中應(yīng)用最廣泛的植被指數(shù)，時序NDVI可以反映作物的生長狀況及植被覆蓋度的動態(tài)變化（Wei等，2020）。NDVI計算公式如下：

式中，ρR、ρNIR分別為紅光波段和近紅外波段的反射率，對應(yīng)Sentinel-2數(shù)據(jù)的4、8波段。

3.2 關(guān)鍵時相研究

不同農(nóng)作物因生長周期的長短不同，在同一時段植被指數(shù)會呈現(xiàn)不同的特征（Zhang等，2019；甄曉菊等，2019；楊閆君等，2015）。因此研究作物生長周期內(nèi)的顯著物候特征或者說確定有顯著區(qū)分性的時相對于識別不同的農(nóng)作物有重要作用。

根據(jù)已選定的250個樣本，繪制了6類作物（冬小麥、春玉米、花生、棉花、越冬蔬菜和林地）的REPI、NDVI時序曲線，如圖4和圖5所示。隨著冬小麥生長期的變化，其REPI、NDVI時序曲線會呈現(xiàn)出明顯的變化規(guī)律，見表3物候特征。

表3 冬小麥物候期及物候特征表Table 3 Phenological period and characteristics of winter wheat

圖4 主要農(nóng)作物NDVI變化曲線Fig.4 NDVI curve of main crops

圖5 主要農(nóng)作物REPI變化曲線Fig.5 REPI curve of main crops

已有研究表明，JM（Jeffries-Matusita）距離是遙感分類中評價訓(xùn)練樣本可分性的有效度量（Koukoulas和Blackburn，2001）。利用JM距離計算冬小麥與其他土地覆被類型在各時相特征層（NDVI+REPI）上的可分性，如表4所示。JM距離范圍在0（低可分性）和2（高可分性）之間，JM>1.8表示兩個樣本之間具備可分性（鄧書斌，2014）。

表4 冬小麥與主要農(nóng)作物的JM距離Table 4 JM distance between winter wheat and main crops

對于大范圍的冬小麥提取，選擇有顯著區(qū)分性的關(guān)鍵時相可以極大減少處理的數(shù)據(jù)量（Tian等，2020）。根據(jù)表4選擇樣本可分性較好（JM均值>1.8）的特征層，共有5個關(guān)鍵時相：

（1）播種期（10月30日）與出苗期（11月19日）。京津冀地區(qū)冬小麥是秋種夏收，而其他農(nóng)作物都是春種秋收，冬小麥區(qū)別于其他農(nóng)作物的顯著特征為10月份至11月份中旬的出苗分蘗期，在10月份播種出苗后REPI、NDVI都呈增長趨勢，值在11月中旬都會增長至一個小峰值，與同期非越冬作物的植被指數(shù)（持平或下降趨勢）差異較大，通過｛REPI11.19-REPI10.30｝、｛NDVI11.19-NDVI10.30｝區(qū)分冬小麥。

（3）成熟期（6月17日）。冬小麥在成熟期6月份的NDVI曲線表現(xiàn)為波谷，REPI也靠近短波方向。秋收作物、林地在6月份正處于生長期，NDVI與REPI增加，與冬小麥差異明顯，可以通過冬小麥抽穗期與成熟期特征差值區(qū)分冬小麥。因此選擇6月17日作為冬小麥提取的一個關(guān)鍵時相。

3.3 特征分析與特征知識建立

為了探索REPI與NDVI對于冬小麥的區(qū)分能力，將樣本區(qū)加載到各個特征層中，對樣本可分性進行統(tǒng)計分析，提出關(guān)鍵時相區(qū)分冬小麥與其他各類農(nóng)作物的特征知識。

單時相NDVI與NDVI差值都不能很好地區(qū)分冬小麥和林地，如圖6所示，抽穗期（5.3）REPI對冬小麥和林地有更好的區(qū)分能力，REPI會隨著葉綠素濃度的增加而向長波方向移動（Wang等，2017），冬小麥在4—5月份葉綠素濃度最高，REPI達到冬小麥生長期的最大值。而林地在7—8月份葉綠素濃度才會達到峰值，冬小麥在抽穗期REPI值明顯高于同時期的林地。因此選擇冬小麥抽穗期REPI設(shè)置最低閾值可以區(qū)分冬小麥與林地。

圖6 冬小麥與林地的區(qū)分Fig.6 Distinguish between winter wheat and woodland

大部分蔬菜生長周期短、時序特征變化明顯，利用多時相特征較容易與冬小麥區(qū)分。部分越冬蔬菜與冬小麥時序NDVI曲線趨勢一致，原因是該區(qū)域先后種植過兩季蔬菜，因此兩個NDVI峰值（11.19和5.03）相近；而冬小麥出穗期NDVI、REPI都要比出苗期更高，可用兩個時相差值區(qū)分冬小麥與越冬蔬菜。由圖7可以看出REPI差值比NDVI差值對冬小麥與越冬蔬菜的區(qū)分能力更好。因此，利用出苗期、抽穗期REPI差值區(qū)分冬小麥與越冬蔬菜。

圖7 冬小麥與越冬蔬菜的區(qū)分Fig.7 Distinguish between winter wheat and winter vegetables

如圖8所示，冬小麥與秋收作物（棉花、花生、春玉米）的混分現(xiàn)象較少，僅用NDVI就可以較好區(qū)分。單時相NDVI僅能區(qū)分冬小麥與春玉米，利用抽穗期和成熟期兩個時相NDVI差值可以更好區(qū)分冬小麥和棉花、花生，因此利用抽穗期NDVI最低閾值、抽穗期與成熟期的NDVI差值區(qū)分冬小麥與秋收作物。

圖8 冬小麥與秋收作物的區(qū)分Fig.8 Distinguish between winter wheat and autumn harvest crops

基于以上分析發(fā)現(xiàn)：（1）兩個時相的特征差值比單時相特征更穩(wěn)定；（2）特征集之間存在互補性，REPI對于冬小麥與林地、越冬蔬菜的區(qū)分能力強于NDVI，而NDVI對于冬小麥與秋收作物的區(qū)分能力較好。

3.4 決策樹規(guī)則建立

決策樹分類因運算速度快、分類效率高等特點，廣泛應(yīng)用于遙感影像農(nóng)作物分類（胡瓊等，2015）。精確的分類規(guī)則可以提高決策樹分類的精度，但過于精確的閾值設(shè)定導(dǎo)致其難以在大區(qū)域范圍內(nèi)進行推廣。在大范圍冬小麥提取任務(wù)中，單一時相或單一特征不能完全剔除某一類的影響，例如從圖7中可發(fā)現(xiàn)僅用雙時相REPI差值并不能完全區(qū)分冬小麥和越冬蔬菜，但是，借助多時相多特征能將其他地類逐步剔除，不斷對冬小麥提取結(jié)果精化，最終實現(xiàn)冬小麥準確提取。這也是決策樹分類器的優(yōu)勢之一。因此，本文根據(jù)前面分析的特征知識，綜合多時相NDVI和REPI特征設(shè)置提取閾值，利用各特征集之間的互補性，建立了適應(yīng)大范圍物候差異的冬小麥提取的決策樹規(guī)則（圖9）。

圖9 決策樹分類規(guī)則Fig.9 Classification tree decision rules

4 提取結(jié)果及精度評價

提取的整個京津冀地區(qū)的冬小麥種植區(qū)域如圖10所示，其中種植面積超過3000 km2的有6個市，如圖11所示。首先使用2020年各省農(nóng)村統(tǒng)計年鑒提供的2020年冬小麥播種面積與提取結(jié)果進行了對比（表5）。2020年京津冀種植冬小麥面積合計23602.13 km2，本文提取出的京津冀冬小麥面積為22995.20 km2，誤差為-2.57%，遠低于吳風(fēng)華等（2019）2017年京津冀冬小麥提取誤差（-8.16%）。這能在一定程度上表明本文提取的冬小麥面積的精度。

表5 各市冬小麥播種面積提取誤差Table 5 Error of winter wheat sown area extraction

圖10 京津冀2020年冬小麥提取結(jié)果（紅色圓圈為驗證區(qū)域位置標示，序號與表6對應(yīng)）Fig.10 Winter wheat extraction results in Beijing-Tianjin-Hebei in 2020（The red circle indicates the location of the validation area with the serial number listed in Table 6）

圖11 冬小麥提取結(jié)果圖（市級）Fig.11 Winter wheat extraction results（Municipal）

為了更準確地對本文結(jié)果進行精度評價，選擇均勻分布在研究區(qū)內(nèi)的10個采自Google Earth高分辨率光學(xué)遙感影像的驗證樣本，其分布如圖10中紅色圓圈位置標示。每個驗證樣本大小為100×100像素，其中的冬小麥種植區(qū)通過對光學(xué)影像進行人工解譯得到。10個驗證樣本的冬小麥提取精度如表6所示，圖12分別展示了3個驗證樣本的冬小麥提取結(jié)果、人工解譯結(jié)果與對應(yīng)的Google Earth高分辨率光學(xué)影像。由提取結(jié)果來看，冬小麥種植區(qū)域基本都能夠被識別，部分區(qū)域存在錯分樣本。錯分樣本主要存在于冬小麥種植區(qū)域內(nèi)的細小田埂等地塊，由于Google Earth光學(xué)影像分辨率（約為1 m）高于Sentinel-2數(shù)據(jù)，Google Earth中能夠被解譯的部分田埂在Sentinel-2影像上僅為1個或低于1個像素寬，其地物光譜特征會受到周圍冬小麥的影響以致于被誤分為冬小麥。經(jīng)過對10個驗證樣本進行統(tǒng)計，紅邊特征REPI參與的京津冀冬小麥提取總體精度為94.24%，Kappa系數(shù)為0.88，僅NDVI參與的冬小麥提取總體精度為88.45%、Kappa系數(shù)為0.73；且與王利民等（2018）在2014年京津冀冬小麥提取結(jié)果（總體精度和Kappa系數(shù)分別為89.8%、0.72）相比，精度有明顯提升。

圖12 3個驗證樣本的冬小麥提取結(jié)果，人工解譯結(jié)果及對應(yīng)的Google Earth光學(xué)影像Fig.12 Results of winter wheat extraction from 3 validated samples，result of manual interpretation，the corresponding Google Earth optical image

表6 驗證樣本冬小麥提取精度Table 6 Accuracy of winter wheat planting area extraction of validation samples

5 結(jié)論

Sentinel-2是唯一一個在紅邊范圍內(nèi)含有3個波段、能夠計算REPI的光學(xué)遙感數(shù)據(jù)，本文提出一種綜合多時相Sentinel-2 REPI、NDVI的大范圍冬小麥提取方法，并將其應(yīng)用于2020年京津冀地區(qū)的冬小麥種植區(qū)提取，得到如下結(jié)論；

（1）REPI會隨著冬小麥生長期葉綠素濃度的變化而發(fā)生變化，REPI在冬小麥播種期小于710 nm；隨冬小麥幼苗增長REPI也逐漸增長，直至在出苗期（11月）達到第一個峰值（722 nm左右）；隨越冬期冬小麥停長REPI值跌落至715 nm以下；從返青期后，REPI隨冬小麥的快速增長向長波方向移動，在抽穗期（4—5月）達到第二個峰值，對應(yīng)值大于730 nm；成熟期REPI值降至720 nm以下。研究表明，抽穗期REPI明顯高于同時期其他作物，對冬小麥和林地有更好的區(qū)分能力。

（2）在大范圍冬小麥提取任務(wù)中，單一時相或單一特征不能完全剔除某一類的影響。REPI與NDVI針對冬小麥與特定農(nóng)作物的區(qū)分具有各自的優(yōu)勢，借助多時相多特征能夠?qū)⑵渌仡愔鸩教蕹?，且建立的決策樹規(guī)則能夠利用各特征集之間的互補性從而適應(yīng)大范圍冬小麥物候差異，實現(xiàn)大范圍冬小麥的精確提取。研究證明，綜合多時相Sentinel-2 REPI、NDVI的冬小麥提取方法能夠滿足大范圍冬小麥提取的任務(wù)需求，京津冀冬小麥提取總體精度和Kappa系數(shù)分別為94.24%和0.88。