陳 亮，楊 陽，宋 偉，盧 欣，申 源

（黃河水利委員會信息中心，河南 鄭州 450004）

掌握灌區(qū)種植結構是灌區(qū)用水精細化管理的基礎，準確、快速獲取作物面積和分布信息，精確計算作物需水量，可為合理編制灌區(qū)用水計劃和優(yōu)化配置水資源提供科學支撐。 傳統(tǒng)的種植結構調查主要依靠地方逐級上報和實地抽樣調查，費時費力，且數(shù)據(jù)可靠性難以保證［1-3］。 遙感技術已逐漸成為灌區(qū)種植結構調查的重要手段。 目前，常用的灌區(qū)作物面積提取方法包括監(jiān)督分類法和非監(jiān)督分類法，監(jiān)督分類法分為最大似然法、決策樹分類、支持向量機、隨機森林分類和面向對象分類等，非監(jiān)督分類法分為 IsoData 法、K-Means 法等［4-5］。在實際分類過程中有時會根據(jù)遙感影像數(shù)據(jù)源和作物實際情況，結合多種方法進行作物提?。?］。

基于面向對象分類的灌區(qū)作物提取采用的主要遙感數(shù)據(jù)源包括高空間分辨率的單一時相影像、高重訪周期的多時相影像。 高空間分辨率的單一時相影像可以準確反映地塊空間結構，減小低分辨率混合像元造成的提取誤差，提高作物地塊邊界信息提取的準確性。蔡耀君等［7］利用5 m 空間分辨率的Rapid Eye 影像進行了喀斯特地區(qū)洼地作物面向對象的信息提取規(guī)則研究。 單治彬等［8］基于面向對象分類技術，利用國產GF-1 PMS遙感影像進行寧夏特色作物遙感調查方法研究。 但是在大范圍作物提取時，由于作物種類較多，單一時相影像常常無法準確獲取各類作物最佳識別期，導致提取效果不佳［9］。 利用多時相影像構建時序遙感數(shù)據(jù)，可以反映不同時期作物的物候變化特征，克服單一時相影像作物提取存在同物異譜、同譜異物的現(xiàn)象，提高提取精度。 MODIS、HJ-1A／B、Landsat TM／OLI、GF-1 WFV、Sentinel -2 等具有較高重訪周期的影像是進行多時相作物提取的主要數(shù)據(jù)源，均取得了較好分類結果［10-15］。 近年來，一些學者嘗試采用單一時相高空間分辨率影像進行地塊圖斑分割，再利用多時相影像進行作物分類識別［4，16］，該方法在影像分割和分類過程中分別采用不同數(shù)據(jù)源，未能在分類中充分利用高空間分辨率影像和多時相影像的優(yōu)勢。 本文利用時空影像融合技術，對2 m 空間分辨率高分系列衛(wèi)星影像和經時相優(yōu)選的10 m 空間分辨率Sentinel-2 多時相衛(wèi)星影像進行融合，基于融合影像進行面向對象的分類圖斑分割和作物類型識別，以期為河套灌區(qū)水資源高效管理提供可靠的種植結構數(shù)據(jù)。

1 數(shù)據(jù)獲取

河套灌區(qū)位于內蒙古自治區(qū)西部，是全國3 個特大型灌區(qū)之一，是國家重要的商品糧、油生產基地。 灌區(qū)設計灌溉面積為73.3 萬hm2，有效灌溉面積57.4 萬hm2，包括一干灌域、解放閘灌域、永濟灌域、義長灌域、烏拉特灌域。 灌區(qū)屬于溫帶大陸性氣候區(qū)，多年平均降水量、水面蒸發(fā)量分別為160、2 240 mm，主要依靠引取黃河水灌溉農田。 灌區(qū)主要作物類型有小麥、玉米、葵花、蔬菜等。

本文以2 m 高空間分辨率和10 m 空間分辨率多時相衛(wèi)星遙感影像為數(shù)據(jù)源。 2 m 高空間分辨率遙感影像采用中國資源衛(wèi)星應用中心的GF-1B、GF-1D、GF-6 高分系列衛(wèi)星的全色影像，采集了2019年7月12 日、8月 18 日、8月 30 日 GF-6 影像 4 景，7月 26 日GF-1B 影像 2 景，4月 1 日、7月 25 日、8月 2 日、8月6 日 GF-1D 影像 4 景，其中 4月 1 日 GF-1D 影像用于灌區(qū)局部邊緣區(qū)域補縫。 10 m 空間分辨率多時相遙感影像采用Sentinel-2 多光譜影像，從歐空局數(shù)據(jù)中心下載，影像拍攝時間基本覆蓋作物主要生長期，具體日期為 2019年 5月 2 日、5月 22 日、6月 1 日、6月 16日、6月 29 日、7月 31 日、8月 15 日、8月 24 日、9月29 日。

采用ENVI 軟件Flaash 大氣校正模塊對高分系列衛(wèi)星的全色影像進行大氣校正，采用歐空局Snap 軟件對Sentinel-2 多光譜影像進行大氣校正。 在大氣校正基礎上，對全色影像進行正射校正，校正誤差控制在1 個像元以內。 正射影像采用UTM WGS84 投影坐標系統(tǒng)，與Sentinel-2 影像相一致。

2 研究方法

2.1 灌區(qū)主要作物物候特征

河套灌區(qū)主要作物生育期為4月上旬至9月下旬，不同區(qū)域生育期稍有差異。 本文主要對小麥、玉米、葵花和蔬菜的生育期進行分析，其中蔬菜以典型西葫蘆為例，河套灌區(qū)主要作物物候期見表1。 各作物的播種期、生長關鍵期、成熟期時間節(jié)點及長短存在差異，其中小麥最早播種、最早成熟，葵花最晚播種、最晚成熟；玉米生育期最長，蔬菜生育期最短；作物物候期差異為多時相遙感作物提取奠定了基礎。

表1 河套灌區(qū)主要作物物候期

2.2 作物NDVI 時序變化特征分析

作物生長過程可以采用NDVI時序數(shù)據(jù)反映。 利用Sentinel-2 影像計算作物生長期NDVI，結合野外查勘資料選取小麥、玉米、葵花、蔬菜等作物，以及林地、草地（天然）、建筑（含裸地）、水體等其他地物典型樣本進行NDVI時序變化特征分析（見圖1）。

圖1 作物及其他地物NDVI 時序變化情況

作物生長期主要作物NDVI時序變化特征明顯，各類作物都具有明顯的NDVI峰值（為0.8 左右）。 小麥5月初NDVI值較小，5月下旬至6月底達到峰值，7月大幅降低。 玉米5月NDVI值較低，6月初開始顯著增大，6月底接近峰值，8月中旬達到峰值，8月下旬開始下降，9月大幅下降。 葵花5月初至6月中旬NDVI值較低，6月下旬開始上升，7月底接近峰值，9月大幅下降。 蔬菜5月NDVI值較低，6月快速增大至峰值，7月NDVI值大幅降低。

非作物類型表現(xiàn)出與作物不同的時序變化特征。水體NDVI值都為負值，建筑NDVI值變化不大且保持在 0.05 左右。 草地 5月至 6月NDVI值緩慢上升，8月至9月緩慢減小，NDVI峰值為0.4 左右。 林地NDVI值整體變化趨勢與草地基本一致，但較草地大，峰值為0.7 左右。

根據(jù)各類地物NDVI時序變化特征分析，選取NDVI值差異較大的 5月 22 日、6月 29 日和 8月 15 日3 期遙感影像組合進行作物提取。

2.3 時空影像融合

影像融合常用于高空間分辨率遙感影像與多光譜影像，充分結合高空間分辨率遙感影像的空間細節(jié)信息和多光譜影像的波譜信息獲取高空間分辨率多光譜影像。 Gram-Schmidt 方法生成的融合影像不僅具有高空間分辨率，而且保持了低空間分辨率影像的光譜特性，且信息失真小，能夠較好地平衡空間分辨率和光譜分辨率［17-18］。 本文采用 Gram-Schmidt 方法，將時相優(yōu)選的 5月 22 日、6月 29 日、8月 15 日 3 期Sentinel-2影像分別與2 m 高空間分辨率遙感影像進行融合，見圖2。 利用融合影像計算高空間分辨率NDVI，并將3期NDVI值進行波段疊加，生成時空融合影像，如圖2（e）所示。 時空融合影像的高空間分辨率可以準確反映地塊空間結構，提高種植類型多樣和田塊破碎地區(qū)的作物地塊邊界信息提取的準確性；同時融合了多時相物候信息，不同作物類型在影像上具有不同的顏色，顯著增強了作物區(qū)分能力。

圖2 原始影像及時空融合影像

2.4 信息提取

面向對象分類方法以多尺度分割為基礎，根據(jù)分割生成圖斑對象的屬性信息，采用模糊邏輯分類方法實現(xiàn)類別信息的自動提取，有效克服了基于像元分類中產生的椒鹽現(xiàn)象［19］。

2.4.1 影像分割

本文選用分水嶺分割算法對時空融合影像進行分割，主要分割參數(shù)設置如下：合并規(guī)則為 Color-Texture，形狀因子權重為0.99，邊界強度為1，緊致度權重為0.3，合并尺寸為50。 通過多次試驗，反復對比，確定最優(yōu)影像分割尺度為85。 時空融合影像分割圖斑結果見圖2（f）。

2.4.2 作物提取

基于時空融合影像多尺度分割和作物NDVI時序變化特征分析結果，構建分類決策樹，結合灌區(qū)用水管理需求將作物分為小麥、玉米、葵花、蔬菜、林地及其他5 種類型。 分類決策樹構建過程如下：

第一層，通過對 5月 22 日、6月 29 日、8月 15 日 3期影像NDVI設置閾值，將耕地與天然草地、水體、建筑、裸地等區(qū)分開，提取耕地。

第二層，利用小麥生長關鍵期5月22 日NDVI明顯高于其他作物、8月15 日收割后NDVI明顯降低的峰谷特點，將小麥從耕地中提取出來。

第三層，8月15 日玉米和葵花NDVI都接近峰值，而5月22 日NDVI都處于較低值，利用兩期NDVI差值和峰值特征將玉米和葵花從非小麥中提取出來。

第四層，6月 29 日玉米處于拔節(jié)期，其NDVI較大，而葵花處于出苗期、NDVI較小，設定閾值將兩者分開；蔬菜在6月下旬NDVI出現(xiàn)峰值，而林地生長期NDVI相對比較平穩(wěn)，根據(jù)蔬菜NDVI峰值特征將其提取出來。

河套灌區(qū)作物提取具體分類規(guī)則見圖3。

圖3 作物分類決策樹

3 結果與分析

3.1 精度評價

根據(jù)野外查勘點結合作物多時序遙感影像人工目視解譯產生的400 個樣本點對分類結果進行精度評價，結果見表2。 總體精度可以衡量遙感分類整體評價效果，總體精度為94.8%，Kappa 系數(shù)為0.921。 分類結果中，由于玉米和葵花物候特征十分相近，部分長勢較差的玉米與長勢較好的葵花產生混分。 蔬菜、林地及其他的地塊相對破碎，部分圖斑無法得到有效分割，產生了一些漏分和誤分。

表2 分類結果混淆矩陣

3.2 種植結構分析

根據(jù)作物提取結果（見圖4），2019年河套灌區(qū)小麥、玉米、葵花、蔬菜、林地及其他的面積占比分別為4.3%、26.3%、50.3%、9.2%、9.9%。 小麥大部分分布在解放閘灌域中西部、永濟灌域中部和義長灌域北部；玉米主要分布在黃河沿岸和義長灌域北部；葵花幾乎遍布整個灌區(qū)；蔬菜和林地零散分布在灌區(qū)內。

圖4 2019年河套灌區(qū)作物提取結果

4 結 論

本文在對河套灌區(qū)作物NDVI時序變化特征進行分析的基礎上，選取最佳時相影像進行時空影像融合并進行作物提取，得到如下結論。

（1）通過灌區(qū)主要作物物候及其Sentinel-2 多時相NDVI時序數(shù)據(jù)特征分析，選取典型作物物候特征差異大的時相組合，利用Gram-Schmidt 方法進行時空影像融合，融合影像能夠有效增強作物的區(qū)分能力。

（2）基于時空影像融合成果進行圖斑分割，結合作物物候差異構建決策樹分類規(guī)則進行灌區(qū)作物提取，分類總體精度為94.8%，Kappa 系數(shù)為0.921。

（3）2019年河套灌區(qū)各類作物中，葵花種植面積最大，約占灌區(qū)種植面積的1／2；小麥種植面積最小，僅占灌區(qū)種植面積的4.3%。