李 賓，荊 華，張殷欽，王利書

（1.河北工程大學(xué)河北省智慧水利重點(diǎn)實(shí)驗(yàn)室，河北 邯鄲 056038；2.邯鄲市漳滏河灌溉供水管理處，河北 邯鄲 056001）

我國耕地總面積位列世界第三，不僅耕地面積大，種植作物結(jié)構(gòu)也復(fù)雜多樣，在開展農(nóng)業(yè)精細(xì)化水資源管理過程中，急需對(duì)不同作物分布情況進(jìn)行精確監(jiān)測。但截至目前，我國大多數(shù)地區(qū)還是以實(shí)地調(diào)查并逐級(jí)匯總上報(bào)的形式進(jìn)行統(tǒng)計(jì)[1]，組織人力去實(shí)地調(diào)研勘察冬小麥種植面積，不僅監(jiān)測范圍有限，還費(fèi)時(shí)費(fèi)力，若利用遙感技術(shù)則可高效獲取大面積耕地影像分布數(shù)據(jù)，對(duì)農(nóng)業(yè)管理與水資源管理具有重要意義。當(dāng)前，國內(nèi)外眾多學(xué)者對(duì)此開展了大量的研究。姚玉梅等[2]基于遙感技術(shù)對(duì)邯鄲市館陶縣實(shí)現(xiàn)了高精度、大面積的農(nóng)作物水分消耗監(jiān)測，為農(nóng)業(yè)節(jié)水管理提供了依據(jù)；馮權(quán)瀧等[3]運(yùn)用機(jī)器學(xué)習(xí)方法和深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，獲取了冬小麥空間分布特征，提取精度達(dá)0.93 以上；吳及[4]在1999—2010年Landsat4-5TM 衛(wèi)星遙感數(shù)據(jù)的基礎(chǔ)上，通過最大似然分類法提取出三峽庫區(qū)的四類土地利用，得到了三峽庫區(qū)各土地類型規(guī)模占比與變化速率；劉煥軍等[5]使用最大似然法基于多時(shí)相遙感數(shù)據(jù)對(duì)土壤進(jìn)行分類，精度達(dá)91%，為土壤精細(xì)制圖提供了依據(jù)；李振今等[6]使用最大似然法監(jiān)測濟(jì)南市林業(yè)變化結(jié)果，總體精度達(dá)98%以上；孫坤等[7]對(duì)比監(jiān)督分類法中的6 種分類器的分類精度及計(jì)算效率，得出最大似然分類法效果幾乎具備各分類器的全部優(yōu)點(diǎn)且計(jì)算時(shí)間相對(duì)較短，適合在中低空間分辨率多光譜遙感影像的分類研究中應(yīng)用。

邯鄲市永年區(qū)作為河北省多樣蔬菜種植基地和全國糧食生產(chǎn)的先進(jìn)縣，作物結(jié)構(gòu)復(fù)雜多樣，冬小麥種植范圍大，本文以邯鄲市永年區(qū)為例，針對(duì)區(qū)域現(xiàn)狀，詳細(xì)闡述了基于ENVI（The Environment for Visualizing Images）遙感操作平臺(tái)，使用該方法獲取冬小麥分布影像的流程，可為農(nóng)業(yè)遙感監(jiān)測提供借鑒。

1 數(shù)據(jù)獲取和預(yù)處理

1.1 數(shù)據(jù)獲取

本文以歐洲航空局Sentinel-2 光學(xué)衛(wèi)星影像為數(shù)據(jù)源，選取與地面觀測時(shí)間同步目標(biāo)影像。該衛(wèi)星2015年成功發(fā)射，空間分辨率可見光10 m，近紅外20 m，短波紅外60 m，其多光譜儀器每10 d 就可以提供全球從北緯83°到南緯56°的多光譜圖像，時(shí)效性較高。

1.2 數(shù)據(jù)預(yù)處理

歐洲航空局的SNAP 哨兵數(shù)據(jù)應(yīng)用平臺(tái)是所有Sentinel-2工具箱的基礎(chǔ)平臺(tái)，具有可以處理更大規(guī)模的業(yè)務(wù)、更簡單地從某一環(huán)境轉(zhuǎn)移到另一環(huán)境下與將復(fù)雜系統(tǒng)分解為更好的可管理模塊的界面。對(duì)影像的處理通過SNAP（Sentinel Applications Platform）軟件窗口（Geometric）中重采樣（Resampling）工具對(duì)Sentinel-2數(shù)據(jù)進(jìn)行波段重新采集至10 m×10 m的空間分辨率。

由于重采樣的波段文件較多、空間儲(chǔ)存較大，通過ENVI5.3 可合并所有波段，也可根據(jù)需要合并部分波段。以B2、B3及B4波段為例，使用圖層合并工具Layer Stacking將3個(gè)波段合成為真彩色影像。

2 影像提取方法

2.1 ROI建立

ROI（Region of Interest）即為樣本區(qū)域的選取，也稱為訓(xùn)練樣本或檢驗(yàn)樣本，可使用點(diǎn)、線、面進(jìn)行繪制，主要是為遙感影像分類做基礎(chǔ)準(zhǔn)備。通過ROI 可完成圖像的掩膜提取、裁剪以及對(duì)影像進(jìn)行局部統(tǒng)計(jì)的相關(guān)操作。

訓(xùn)練樣本分離性的差異程度也可利用Jeffries-Matusita 距離參數(shù)確定，取任意2 種樣本類別之間的檢驗(yàn)區(qū)Jeffries-Matusita 距離作為衡量標(biāo)準(zhǔn)[8]，根據(jù)式（1）計(jì)算Jeffries-Matusita距離，由此來確定任意2個(gè)訓(xùn)練樣本間的相似性和可分離度的一致性是否符合要求。Jeffries-Matusita 距離參數(shù)是依據(jù)不同波段反射率內(nèi)的每個(gè)訓(xùn)練樣本計(jì)算而來，其值域[9]為0～2，若Jeffries-Matusita值超過1.8，則說明選取的2個(gè)樣本差異性明顯，兩者分離性較強(qiáng)；若該參數(shù)為1.4～1.8，則說明2個(gè)樣本差異性降低，兩者分離性較弱；若該參數(shù)小于1.4，則說明2個(gè)樣本差異性不大，需對(duì)2個(gè)樣本重新劃分取樣；若該參數(shù)小于1，則說明2 個(gè)樣本可能為同一種土地利用類型，應(yīng)合并為同一類，合并后還需重新進(jìn)行樣本分離度計(jì)算并驗(yàn)證其是否符合精度要求。

式中：Jmn指檢驗(yàn)區(qū)Jeffries-Matusita 距離；指在影像中任意像元x出現(xiàn)在m類中的條件概率；指圖像中任意像元x出現(xiàn)在n類中的條件概率。

監(jiān)督分類前，在下載的Sentinel-2 影像基礎(chǔ)上，根據(jù)野外收集調(diào)查整理的資料，可通過室內(nèi)目視解譯的方法，對(duì)不同土地利用類型進(jìn)行劃分，并在不同用地類型上選取一定量的樣本作為訓(xùn)練樣本。在此基礎(chǔ)上，選取的每個(gè)訓(xùn)練樣本與整個(gè)影像上的像元作比較，在ENVI 平臺(tái)操作最大似然分類工具，將所要提取影像的像元?jiǎng)澐值脚c選取樣本最相近的類別中，以此完成對(duì)整個(gè)遙感影像的分類[10]。ROI 建立流程，如圖1所示。

圖1 ROI建立流程

2.2 分類方法選擇

遙感圖像方法因具有觀測覆蓋面廣、信息提取速度快的特性，已應(yīng)用于冬小麥的信息收集。當(dāng)下的遙感方法中，監(jiān)督分類法中主要使用的方法有最小距離法、平行六面體法和最大似然分類法等[11]。

最大似然分類法采用了遙感衛(wèi)星的多頻帶數(shù)據(jù)分布中的多維正態(tài)分布，并以此建立了訓(xùn)練樣本判定識(shí)別的分類方法[12]，即為每一種像元在同一類別中的占比將相對(duì)應(yīng)的像元分配在該類型中，其步驟如圖2所示。其主要原理為貝葉斯公式，即：

圖2 最大似然分類法步驟

式中：gi(x)為分類函數(shù)；P(ωi|x)屬于ωi的概率；P(x|ωi)為似然概率；P(ωi)表示ωi這一類中出現(xiàn)像元x的概率；P(x)為變量x與樣本類別沒有相互關(guān)聯(lián)下出現(xiàn)的概率。這表示在不同類別之間的判斷中，利用統(tǒng)計(jì)的方法建立非線性的判別函數(shù)集。

2.3 精度評(píng)價(jià)

精度評(píng)價(jià)是指將實(shí)地勘察數(shù)據(jù)與遙感分類結(jié)果相比較，從而判斷分類結(jié)果的精確度及可靠性?；贓NVI 平臺(tái)，利用混淆矩陣工具評(píng)價(jià)分類精度。混淆矩陣是將實(shí)測的像元個(gè)數(shù)與分類提取的像元個(gè)數(shù)相對(duì)比形成的陣列關(guān)系，以n×n的矩陣表示，是一種最常用的影像分類結(jié)果評(píng)價(jià)的計(jì)算工具[13]，其步驟如圖3所示。

圖3 混淆矩陣流程

整體影像分類完成后，由混淆矩陣精度計(jì)算工具計(jì)算Kappa 系數(shù)、總體精度（Overall Accuracy），并分別計(jì)算樣本點(diǎn)正確分類為要求類別的比率、地面真實(shí)參考數(shù)據(jù)被正確分類的概率、錯(cuò)誤分類的概率以及被遺漏的誤差[14]。其中，Kappa系數(shù)是基于ENVI平臺(tái)對(duì)分類精度進(jìn)行評(píng)價(jià)的一個(gè)指標(biāo)[15]，如式（3）所示。Kappa系數(shù)的評(píng)價(jià)指標(biāo)通常在0～1，用來表示分類前后的一致性：Kappa系數(shù)的值若小于0.2，則表示分類結(jié)果精度弱；若在0.2～0.4，則表示分類結(jié)果精確度微弱；若在0.4～0.6，則表示分類結(jié)果前后一致性中等，即樣本劃分結(jié)果精確度中等；若在0.6～0.8，則表示分類結(jié)果前后一致性高，即樣本劃分結(jié)果精確度顯著；若超過0.8，則表明分類結(jié)果前后幾乎完全一致，即樣本劃分結(jié)果精確度最高[16]。

式中：Kappa系數(shù)表示精確度評(píng)價(jià)指標(biāo)；M為感興趣區(qū)提取的樣本總數(shù)；n代表劃分的土地利用類型總數(shù)，i表示數(shù)量（i=0，1，2，…，n）；Xii代表混淆矩陣對(duì)角線上的值；Xi+和X+i分別表示混淆矩陣中劃分類別列和行的和。

3 區(qū)域示例

河北省邯鄲市永年區(qū)位于東經(jīng)114°20′～114°52′、北緯36°35′～36°56′，地處半濕潤半干旱地區(qū)，總面積760.72 km2，是全國糧食生產(chǎn)先進(jìn)縣和全國蔬菜產(chǎn)業(yè)十強(qiáng)縣，主要農(nóng)作物為輪作冬小麥、夏玉米，兼種大蒜、溫室大棚蔬菜等其他作物，種植結(jié)構(gòu)較復(fù)雜，具有顯著多樣性。

按上述方法，通過Sentinel-2 影像預(yù)覽邯鄲市永年區(qū)，最終選取云層覆蓋度較低、經(jīng)重采樣后空間分辨率為10 m 的遙感數(shù)據(jù)，成像時(shí)間為2019年5月4日。原始影像如圖4 所示，地理位置如圖5所示。

圖4 永年區(qū)原始影像

圖5 永年區(qū)地理位置

3.1 樣本提取

本文將遙感影像數(shù)據(jù)劃分為冬小麥、建筑物、其他耕地、荒地4 類樣本數(shù)據(jù)。選取不規(guī)則邊框劃分樣本邊界，以避免在取樣時(shí)選取到其他土地利用類型。根據(jù)樣本分離度計(jì)算結(jié)果，冬小麥與荒地、荒地與建筑物、冬小麥與建筑物、建筑物與其他耕地及荒地與其他耕地的分離度均大于1.8，屬于樣本分離性最強(qiáng)、差異性較好類型。由于選取試驗(yàn)區(qū)種植結(jié)構(gòu)較為復(fù)雜，其他耕地區(qū)域在選取影像時(shí)間段內(nèi)種有大蒜等農(nóng)作物，其中大蒜在目視解譯過程中與冬小麥差異性相差較小，但其種植密度較低，進(jìn)而導(dǎo)致冬小麥與其他耕地分離度在1.4～1.8，分離度較弱。綜上，樣本分離度符合差異性評(píng)價(jià)要求，樣本選取合格。感興趣區(qū)分離度評(píng)價(jià)，如圖6所示。

圖6 感興趣區(qū)分離度評(píng)價(jià)

3.2 分類結(jié)果

根據(jù)《邯鄲統(tǒng)計(jì)年鑒2020》，永年區(qū)冬小麥實(shí)際占地面積330.21 km2，約占總面積的43.4%。基于目視解譯的4 種土地利用類型，為直觀了解其分布情況，通過最大似然分類法使其可視化，如圖7 所示。去除其他3 種土地利用類型后，清晰展示了冬小麥分布情況，如圖8 所示，冬小麥主要分布在劉營鄉(xiāng)、劉漢鄉(xiāng)、講武鄉(xiāng)、大北汪鎮(zhèn)、曲陌鄉(xiāng)與正西鄉(xiāng)東北區(qū)域，永年西部及南部地區(qū)以種植大蒜等蔬菜為主，與實(shí)際情況較為符合。

圖7 土地利用類型

圖8 冬小麥分布

基于ENVI 平臺(tái)中的分類統(tǒng)計(jì)工具，計(jì)算各土地利用類型像元數(shù)量，像元總數(shù)即永年區(qū)整體占地面積。以計(jì)算冬小麥占總體像元數(shù)量的百分比作為本次分類面積與實(shí)際面積的精度驗(yàn)證。通過最大似然分類法的像元數(shù)量分析，提取的冬小麥像元數(shù)為3025316 個(gè)，約占總面積像元數(shù)量的40.01%，與實(shí)際占地面積相差僅為3.09%。像元分布數(shù)量，如圖9所示。

圖9 像元分布數(shù)量

經(jīng)過ENVI 平臺(tái)中的混淆矩陣工具的精度驗(yàn)證結(jié)果，如圖10 所示，影像提取總精度達(dá)95.9%，Kappa系數(shù)為0.94，表示分類結(jié)果幾乎一致，分類精度最佳，錯(cuò)分誤差及漏分誤差都在0.08 以下，生產(chǎn)者精度與用戶精度達(dá)0.92 以上，因此可認(rèn)為分類精度較高。

圖10 精度驗(yàn)證結(jié)果

4 結(jié)論

以河北省邯鄲市永年區(qū)為示例，使用最大似然分類法在作物種植較為復(fù)雜的情況下，實(shí)現(xiàn)了對(duì)冬小麥空間分布和種植面積的快捷、準(zhǔn)確獲取，其中冬小麥遙感提取面積為304.33 km2，與實(shí)際統(tǒng)計(jì)面積相差僅為3.09%，誤差較小，識(shí)別的總精度及Kappa系數(shù)分別達(dá)0.95 與0.94，準(zhǔn)確度較高。由此可以看出，最大似然分類法在實(shí)際應(yīng)用中有較強(qiáng)的適應(yīng)性，不僅可實(shí)現(xiàn)種植情況的提取，也可對(duì)建筑物以及林地覆蓋范圍進(jìn)行識(shí)別等，應(yīng)用領(lǐng)域較廣。