薛雨 姚金明 盧慶輝 楊忍

摘? 要：冬小麥是我國重要的糧食作物之一，準確提取冬小麥種植區(qū)域范圍對保證糧食安全具有重要意義。文章以山東省威海乳山市為研究區(qū)域，使用GF-1C、GF-6、ZY-3多源影像數(shù)據(jù)，提取乳山市冬小麥種植范圍。根據(jù)乳山市冬小麥種植及生長情況，選取4月中旬至5月上旬最佳時期的衛(wèi)星影像；用計算NDVI作為新波段替代紅光波段與綠、藍波段進行合成，更加突出植被信息；利用深度學習訓練冬小麥提取模型，實現(xiàn)冬小麥種植范圍的自動提取，提取精度為94.39%，效果較好。

關鍵詞：冬小麥；NDVI；深度學習；多源影像

中圖分類號：TP18? ? 文獻標識碼：A 文章編號：2096-4706（2023）02-0120-03

Research on Winter Wheat Extraction from Multi-Source Images Based on NDVI and Deep Learning

XUE Yu， YAO Jinming， LU Qinghui， YANG Ren

（Shandong Provincial Institute of Land Surveying and Mapping， Jinan? 250013， China）

Abstract： Winter wheat is one of the important food crops in China. It is great significance to extract the range of planting area of winter wheat accurately for ensuring food security. In this paper， we take Rushan City， Weihai City， Shandong Province as the research area， and use GF-1C， GF-6， ZY-3 multi-source image data to extract the planting range of winter wheat in Rushan City. According to the planting and growth of winter wheat in Rushan city， satellite images of the best period from mid-April to early May are selected; calculate NDVI as a new band to replace the red band and the green and blue band to synthesize， more prominent vegetation information; deep learning is used to train the winter wheat extraction model to realize automatic extraction of the planting range of winter wheat with an extraction accuracy of 94.39%， it has a good effect.

Keywords： winter wheat; NDVI; deep learning; multi-source image

0? 引? 言

習近平總書記指出：“我國是人口眾多的大國，解決好吃飯問題，始終是治國理政的頭等大事”。估算糧食產(chǎn)量對于制定國家社會經(jīng)濟發(fā)展規(guī)劃、確保國家糧食安全和社會穩(wěn)定、指導和宏觀調控種植結構具有重要意義[1]。我國是世界上小麥總產(chǎn)量最高，消費量最大的國家，其種植面積和產(chǎn)量在全國糧食生產(chǎn)中占有舉足輕重的地位[2]。傳統(tǒng)的農業(yè)統(tǒng)計和調查方法，耗費巨大的人力物力，且容易出現(xiàn)漏提的現(xiàn)象；而遙感技術的發(fā)展，為大區(qū)域冬小麥種植區(qū)域監(jiān)測和糧食產(chǎn)量的預估，提供了更便捷、更高效的方式。

國內外眾多學者對基于遙感影像的冬小麥自動提取開展了廣泛研究，主要方法歸納為：

（1）基于圖像分割和NDVI的冬小麥種植區(qū)域提?。和醣糖绲萚3]構建了基于NDVI時間序列的冬小麥識別模型，利用圖像分割的方法獲取地塊邊界信息，提高目標識別的準確性，總體分類精度達98.74%。

（2）基于多特征提取和優(yōu)選的冬小麥面積提?。簵钷ビ畹萚1]基于多時相光譜、植被指數(shù)和紋理特征計算特征變量并構建特征變量組合，然后基于隨機森林分類器對優(yōu)選后的特征組合進一步分類，總體精度達到96.3%。

（3）王曉曉等基于Sentinel-2和Landset8兩種數(shù)據(jù)源的光譜特征、紋理特征、植被指數(shù)特征組合數(shù)據(jù)，利用隨機森林與支持向量機對冬小麥進行提取[4]。

（4）周亮等利用MODIS類型數(shù)據(jù)建立了基于卷積神經(jīng)網(wǎng)絡的冬小麥種植估產(chǎn)模型，對北方小麥區(qū)域的平原區(qū)估產(chǎn)，精度較高[5]。

山東是糧食生產(chǎn)大省，是保障全國糧源供應的重要“根據(jù)地”和“大糧倉”[6]。本研究基于GF1、GF6、ZY3等多源衛(wèi)星影像數(shù)據(jù)，提取2022年威海乳山市冬小麥空間分布，便于為區(qū)域作物相關研究提供支撐，為大面積農作物提取提供新思路和方法。

1? 研究區(qū)域和數(shù)據(jù)

1.1? 研究區(qū)概況

乳山市隸屬于山東威海市，因“大乳山”在境內而得名。乳山地處北緯36°41′—37°08′，東經(jīng)121°11′—121°51′之間，東西60千米，南北48千米，總面積1 665平方千米，海岸線長199.27千米，位于青島、威海、煙臺三市銜接腹地，南邊瀕臨黃海，與韓國、日本隔海相望[5]。乳山地處暖溫帶季風型大陸性氣候區(qū)，四季分明，季風進退較明顯，具有雨水豐沛、氣候溫和、光照充足、無霜期長的特點[6]，非常適合糧食作物生長，2021年糧食種植面積55.1萬畝，選擇該區(qū)域進行研究具有一定代表性，乳山市具體位置如圖1所示。

1.2? 數(shù)據(jù)情況

本研究方法對影像質量要求較高，云彩壓蓋、天氣等因素都對影像質量有所影響，影像質量越高，提取效果越好。并且根據(jù)歷年研究區(qū)域內冬小麥發(fā)育期統(tǒng)計，乳山冬小麥返青期為每年3月中旬以后，但是在影像上體現(xiàn)較為明顯的是4月中旬至5月上旬，根據(jù)自然資源部定期下發(fā)的影像，我們篩選出GF-1C、GF-6、ZY-3三種類型影像。光學衛(wèi)星GF-1B、C、D星座2018年3月31日成功發(fā)射，是中國第一個民用的高分辨率星座，由狀態(tài)一致、性能相同的3顆業(yè)務衛(wèi)星組成，空間分辨率為多光譜優(yōu)于8米、全色2米，單星成像幅寬大于60千米[7]，在開展自然資源全覆蓋、全要素、全天候實時監(jiān)測和調查方面發(fā)揮至關重要的作用。GF-6衛(wèi)星是一顆低軌光學遙感衛(wèi)星，采用CAST 2000平臺，其攜帶的寬幅相機（wide field view， WFV）共有8個波段，相比于GF-1號衛(wèi)星4個波段，新增了紅邊1、紅邊2、紫和黃4個波段[8]。我國自主研發(fā)的高分辨率民用立體測圖衛(wèi)星資源三號（ZY-3）于2016年發(fā)射成功，它實現(xiàn)了長期、穩(wěn)定、連續(xù)獲取高分辨率立體影像，同時具備獲取多光譜影像的能力，廣泛應用于基礎設施建設、國土資源調查及檢測、自然災害防治等領域，成為我國測繪事業(yè)長期發(fā)展的有力支撐[9]。

2? 研究方法

2.1? 技術路線

本研究技術路線如圖2所示，首先對影像進行校正和裁剪、樣本區(qū)域選擇、勾畫冬小麥樣本等處理，然后計算影像的NDVI值、影像分割、模型訓練、影像預測、精度評價。

2.2? 影像處理

由于影像成像過程中受到氣溶膠等因素的影響，導致影像質量不高，從而影響樣本的勾畫及深度學習的模型訓練。為了獲取真實地表反射率以準確的計算植被指數(shù)，采用FLAASH模型對研究區(qū)域內的影像進行了大氣校正；利用DEM數(shù)據(jù)，對影像進行正射校正，使冬小麥的位置能夠準確匹配，最終將影像數(shù)據(jù)統(tǒng)一為GCS-WGS-1984坐標系。

2.3? 冬小麥樣本勾畫

根據(jù)乳山市的地形及冬小麥的種植情況，我們選取了12個樣本區(qū)域。樣本區(qū)域的選擇需要遵循以下兩個原則：

（1）樣本有正樣本和負樣本之分，并且一定數(shù)量的負樣本有利于提高預測的準確性。在保證充足的冬小麥樣本時，盡可能選取該研究區(qū)域典型的負樣本，例如與冬小麥相似的韭菜、大蒜等。

（2）根據(jù)影像上冬小麥的分布特點選取，劃分類型為較少、較多、很多等，用來減少人工標注的工作量。利用ArcMap軟件對樣本區(qū)域的冬小麥樣本進行勾畫，如圖3所示。正樣本即為冬小麥，我們在class字段中標注為“1”。負樣本即不是冬小麥的樣本，包括樣本區(qū)域內的其他植被、居民地、水系、道路等類型數(shù)據(jù)，我們在class字段中標注為“0”。

2.4? NDVI波段合成

植被指數(shù)是遙感技術在實際應用范疇中反映地表植被各類信息的來源，它在定性和定量評估植被覆蓋度方面已經(jīng)得到普遍應用。當前有多種植被指數(shù)：歸一化植被指數(shù)（NDVI）、陰影植被指數(shù)（SVI）、增強型植被指數(shù)（EVI）等，其中NDVI為判別植被狀況的重要指標。NDVI值如式（1）所示：

NDVI=（ρNIR-ρR）/（ρNIR+ρR）

式中，ρNIR為近紅外光波段的反射率，ρR為紅光波段的反射率。利用ArcGIS中的Raster Calculator工具計算NDVI值，然后用NDVI值波段作為新的波段替代紅光波段，與綠光和藍光波段進行合成，這樣處理能夠讓冬小麥等植被信息更加突出，便于精準識別。

2.5? 影像分割

深度學習需要大量的樣本作為訓練基礎。本研究基于圖像塊樣本中需要將影像和樣本一一對應，且位置、面積也需要完全對應，這就需要對影像進行分割。首先將樣本按照樣本區(qū)域mask進行裁剪，然后將矢量樣本轉換成柵格，同樣將影像進行裁剪，影像和樣本的名稱完全對應。由于選取的單個樣本區(qū)域面積在5平方千米左右，不符合深度學習的模型訓練，利用軟件將樣本和影像裁剪成512×512像素的小影像。如圖4所示。

2.6? 模型訓練

深度學習可以利用卷積神經(jīng)網(wǎng)絡具備的學習性，在數(shù)據(jù)累積的情況下成長為預測冬小麥種植面積的模型。本研究中的模型訓練是根據(jù)現(xiàn)有的樣本數(shù)據(jù)及影像，利用卷積神經(jīng)網(wǎng)絡對影像數(shù)據(jù)和樣本數(shù)據(jù)進行擬合。本研究的樣本共129組數(shù)據(jù)，其中訓練集117組，驗證集12組，驗證集占比為10%。由于樣本數(shù)量不大，筆者將模型訓練的輪回數(shù)epoch設置較高，每次學習前向和反向傳播使用的圖像數(shù)量（batch size）設置為4，以確保模型充分學習特征，達到較好的效果。由于影像類型不同，表現(xiàn)的色彩形態(tài)也不同，本研究根據(jù)影像類型訓練了3種模型。

2.7? 結果分析

模型訓練完成后，對研究區(qū)域范圍內的影像進行預測。預測的結果同樣是柵格數(shù)據(jù)，最終轉換為shp格式，以便于分析處理。本次冬小麥預測結果如圖5所示，結果表明，2022年乳山市冬小麥種植面積為135.66萬平方千米，合20.35萬畝，與2022年公布的乳山市冬小麥種植面積21.56萬畝對比，精度為94.39%。乳山市內岠嵎山、昆崳山、垛山、馬石山、大乳山、多福山等分布在乳山西南部、東北部、西北部、南部等區(qū)域，冬小麥則均勻分布在山地以外的地方，主要集中在乳山市的中部和北部以及東南部的午極鎮(zhèn)、下初鎮(zhèn)、夏村鎮(zhèn)、育黎鎮(zhèn)等，符合乳山市的地形分布情況，總體結果比較理想。

3? 結? 論

本文以威海乳山市為研究區(qū)域，利用GF-1C、GF-6、ZY-3多源影像數(shù)據(jù)，基于NDVI和深度學習方法，對冬小麥種植面積進行提取，精度為94.39%，得出以下結論：

（1）本研究基于NDVI的冬小麥提取，將計算的NDVI值替換紅光波段，然后進行影像合成，更加突出包括冬小麥在內的植被信息，有利于提高信息提取的準確性。

（2）深度學習技術的發(fā)展，為快速影像解譯提供了可能。本文以威海乳山市為研究區(qū)域進行研究，樣本量相對偏少，但是深度學習訓練模型具有成長性，隨著樣本量的不斷增加以及深度學習迭代次數(shù)的增多，模型的學習效果會越來越好，提取精度也會隨之提高。

（3）為滿足研究區(qū)域內影像質量和覆蓋范圍的要求，選取3種類型的影像進行提取，有利于提升預測結果的準確性。多源影像豐富了模型的類型，在預測過程中具有相互的促進作用。

同時文中研究還存在一些不足，下一步可以從以下幾個方面進行深入研究：

（1）本研究冬小麥提取結果總體精度較好，但是在丘陵、梯田等區(qū)域的零星地塊，提取結果不太理想，主要是因為破碎地塊與周邊非冬小麥地塊構成的混合地塊無法有效識別。

（2）由于韭菜和大蒜在影像上的狀態(tài)與冬小麥類似，雖然勾畫樣本我們將其剔除，但是在預測結果中仍然出現(xiàn)誤提現(xiàn)象，需要進一步進行改善，將誤提的圖斑進行剔除。

（3）在本研究的基礎上，后期可以探索大區(qū)域、海量樣本、多源影像的冬小麥提取。

參考文獻：

[1] 楊蕙宇，王征強，白建軍，等.基于多特征提取與優(yōu)選的冬小麥面積提取 [J].陜西師范大學學報：自然科學版，2020，48（1）：40-49.

[2] 楊閆君，占玉林，田慶久，等.利用時序數(shù)據(jù)構建冬小麥識別矢量分析模型 [J].遙感信息，2016，31（5）：53-59.

[3] 王碧晴，韓文泉，許馳.基于圖像分割和NDVI時間序列曲線分類模型的冬小麥種植區(qū)域識別與提取 [J].國土資源遙感，2020，32（2）：219-225.

[4] 王曉曉，韓留生，楊驥，等.Sentinel-2與Landsat8數(shù)據(jù)組合下的多特征冬小麥面積提取 [J].測繪通報，2022（3）：111-115.

[5] 周亮，慕號偉，馬海姣，等.基于卷積神經(jīng)網(wǎng)絡的中國北方冬小麥遙感估產(chǎn) [J].農業(yè)工程學報，2019，35（15）：119-128.

[6] 中國乳山網(wǎng).乳山概況 [EB/OL].[2022-08-01]. http：//www.rushan.gov.cn/col/col51333/index.html.

[7] 陳文志，許調娟，童英良.GF-1B、C、D星數(shù)據(jù)在國土資源調查監(jiān)測領域的應用研究[J].浙江國土資源，2022（3）：40-43.

[8] 趙鴻飛，路釗，伊洋，等.基于GF-6的植被覆蓋度遙感估測研究 [J].測繪與空間地理信息，2022，45（3）：19-23.

[9] 鄭冬梅，王海賓，夏朝宗，等.基于ZY-3衛(wèi)星多光譜影像估算浙江省喬木林地上碳密度 [J].北京林業(yè)大學學報，2020，42（1）：65-74.

作者簡介：薛雨（1992—），女，漢族，山東濟寧人，工程師，碩士，研究方向：遙感影像智能解譯及地理信息數(shù)據(jù)處理。

收稿日期：2022-08-24