辛 蕊

(黑龍江省農業(yè)科學院農業(yè)遙感與信息研究所，黑龍江 哈爾濱 150086)

引言

農作物種植信息能夠反映該地區(qū)農業(yè)生產布局情況，因此，及時、準確地獲取農作物種植信息對把握區(qū)域農作物生產情況、種植結構調整等具有重大戰(zhàn)略意義[1-5]。大豆作為植物油與蛋白質的重要來源，在國際糧食貿易交易中占有重要地位。大豆是我國重要的糧食作物和油料作物，中國是世界上最大的大豆進口國，大豆對外依存度較高，因此，掌握地區(qū)大豆種植信息，了解大豆種植演變規(guī)律等能夠為政府決策提供數(shù)據(jù)支撐，具有重要意義[6-10]。

傳統(tǒng)的農作物播種面積和種植結構調查的方法依賴于基于人工調查的統(tǒng)計方法等，存在工作效率低、調查形式粗放等不足[11-16]。遙感技術因其高時效、寬范圍和低成本的優(yōu)點，為大區(qū)域快速獲取農作物種植結構及其變化信息提供了新的技術手段，為不同時空尺度下的作物種植結構提取發(fā)揮了重要作用，無論在理論方法，還是在田間實踐等方面都取得了長足的進展，并被廣泛應用于農作物種植結構的提取研究及種植管理應用中[17-20]。

許志龍[21]利用高分影像、哨兵影像等多源遙感數(shù)據(jù)進行浙江省杭州市昌化鎮(zhèn)農作物種植信息反演研究，對比eCogniton與U-Net深度學習2種分類器，得出深度學習模型提取精度超過80%，Kappa系數(shù)為0.8845，取得良好效果，能夠應用于多源衛(wèi)星影像的農作物種植信息提取研究。陳卓等[22]將SPOT/VGT數(shù)據(jù)結合SPAM-China模型重構了1980—2010年華北地區(qū)玉米種植空間分布信息，識別并劃分了華北地區(qū)春、夏玉米的主要種植類型區(qū)并分析不同類型區(qū)內玉米空間動態(tài)類型的變化特征，為大區(qū)域、長時間序列種植信息獲取提供了新方法和新思路。陳雨思等[23]利用MODIS遙感影像的地表反射數(shù)據(jù)、植被指數(shù)數(shù)據(jù)和分類數(shù)據(jù)，融合包括閾值法、分層分類、紋理特征、監(jiān)督分類、指數(shù)時間序列等多種方法建立決策樹分類模型，依次識別2003—2018年黑龍江省的森林、水體、城鎮(zhèn)、草甸等土地利用方式，識別精度在85%以上。游炯等[24]采用矩陣分解和距離空間轉換等數(shù)學工具設計了改進多元紋理信息提取模型，對安徽省濉溪縣冬小麥種植面積利用GF-1 WFV遙感影像進行提取，根據(jù)冬小麥物候特征，選取出苗期和越冬期2期遙感影像的藍光波段、綠光波段、紅光波段和近紅外波段進行分析，在較大區(qū)域冬小麥面積提取一致性的精度超過97%，得出在冬小麥越冬期能夠采用基于GF-1 WFV影像的改進多元紋理與光譜信息融合識別方法達到最佳識別效果。

海倫市位于黑龍江省中部，是黑龍江省內重要的大豆生產大縣，中國優(yōu)質大豆之鄉(xiāng)，有“中國大豆看龍江，龍江大豆看海倫”美譽[25]，該地區(qū)種植結構較復雜。本文以海倫市為研究區(qū)域，通過Sentinel-2衛(wèi)星影像數(shù)據(jù)，采用監(jiān)督分類算法對研究區(qū)大豆信息進行提取，分析該方法在復雜種植結構、縣域尺度大豆種植信息提取的可行性，為農作物種植面積提取提供方法參考。

1 材料與方法

1.1 研究區(qū)概況

海倫市隸屬于黑龍江省綏化市，地處松嫩平原東部、小興安嶺西側山前沖積洪積臺地，位于N46°58′～47°52′，E126°14′～127°45′?？偯娣e4667km2，耕地面積3100km2，占黑龍江省耕地總面積的2%左右，是全國重點商品糧基地縣市。海倫市屬溫帶大陸性季風氣候，冬季漫長寒冷，夏季短促溫潤，無霜期130d左右，年降水量為500～600mm。

1.2 衛(wèi)星影像數(shù)據(jù)

Sentinel-2衛(wèi)星包括A和B 2顆衛(wèi)星，均為高分辨率多光譜成像衛(wèi)星，可用于陸地、植被、土壤、水覆蓋及海岸區(qū)域等監(jiān)測，幅寬度達290km，共有13個光譜波段。數(shù)據(jù)空間分辨率最高可達10m，每5d可以獲取1次影像，具有影像質量高、時空分辨率高且免費的特點，是近年來應用較多的遙感影像。海倫市處于高緯度地區(qū)，適合提取旱地作物種植信息的窗口期較短，因此，選擇具有更高時間及空間分辨率的Sentinel-2衛(wèi)星數(shù)據(jù)更加適合。Sentinel-2數(shù)據(jù)來源為歐空局數(shù)據(jù)中心(https：//dataspace.copernicus.eu/)，選擇已經完成幾何校正及輻射校正的2A級產品，疊加其原始波段的紅光波段、近紅外波段、短波紅外波段2進行分析。覆蓋海倫市的Sentinel-2衛(wèi)星遙感數(shù)據(jù)軌道號為51TYN和52TCT，時相為2023年8月6日。

1.3 研究方法

監(jiān)督分類算法又稱訓練分類法，即用被確認類別的樣本像元去識別其他未知類別像元的過程。在此方法中，分析者在圖像上對某一類別選取一定數(shù)量的訓練區(qū)，計算機按分類算法統(tǒng)計訓練區(qū)的特征或信息，再將每個像元與訓練區(qū)作比較，最終達到將圖像分類的目的[26]。監(jiān)督分類可以根據(jù)分類者的目的及研究區(qū)域，重復利用先驗知識，有選擇地決定分類，避免出現(xiàn)不必要的分類，也可以控制訓練樣區(qū)的選擇，通過反復檢驗訓練樣本類提高分類精度，避免出現(xiàn)嚴重的分類錯誤。研究采用的監(jiān)督分類算法為最大似然法。利用統(tǒng)計方法建立一個判別函數(shù)集，根據(jù)這個判別函數(shù)計算各待分類樣本的歸屬概率，樣本屬于哪一類的概率最大就判別其屬于哪一類即為最大似然法。最大似然法可以同時定量地考慮2個以上不同的波段和類別，是根據(jù)計算訓練區(qū)的樣本均值和方差來評價待分類像元與訓練區(qū)間的最大似然性，以此制定有效的決策規(guī)則來決定待分類對象的歸屬。

1.4 精度評價

采用基于誤差矩陣的Kappa系數(shù)檢驗法。Kappa系數(shù)是一種衡量分類精度的指標，其通過把所有地表真實分類中的像元總數(shù)乘以混淆矩陣對角線的和，再減去某一類地表真實像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結果，除以總像元數(shù)的平方減去某一類地表真實像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結果所得到的。Kappa計算結果通常在0～1區(qū)間，其中超過0.6即為一致性較好。

用戶精度為被正確解譯的目標作物精度驗證點個數(shù)與目標作物精度驗證點總數(shù)比值，公式：

2 結果與分析

2.1 種植信息提取

將外業(yè)采集的232個大豆樣區(qū)分為2類，將地塊形狀規(guī)則、面積較大且不能為狹長形、長勢較好、影像反應與其他作物反差更明顯的86個樣區(qū)作為訓練樣區(qū)，其他146個大豆樣區(qū)和33個其他作物樣區(qū)作為精度驗證點。利用監(jiān)督分類最大似然法得出海倫市2023年大豆種植信息，其種植面積為959.51km2，分布情況見圖1。

圖1 研究區(qū)位置及大豆種植信息分布圖

2.2 精度驗證

共采集精度驗證點179個，其中146個為大豆驗證點，33個為其他作物驗證點。有137個大豆驗證點被正確識別，有4個其他作物驗證點被誤識別為大豆，最終Kappa系數(shù)為0.772，用戶精度為0.938，與實際情況高度一致。

表1 誤差矩陣分布

3 結論

本文基于高時空分辨率遙感影像數(shù)據(jù)Sentinel-2開展基于縣域尺度大豆種植信息提取研究，研究區(qū)域為黑龍江省復雜種植區(qū)海倫市，目標作物為大豆。利用監(jiān)督分類的最大似然研究法對2023年8月6日，軌道號為51TYN和52TCT的2景影像數(shù)據(jù)開展種植信息提取研究，最終獲取到2023年海倫市大豆種植信息分布圖，海倫市大豆種植面積為959.51km2，用戶精度為0.938，Kappa系數(shù)為0.772，與實際情況高度一致。說明基于Sentinel-2影像數(shù)據(jù)的最大似然法監(jiān)督分類能夠應用于縣域尺度農作物信息提取，并將其應用到種植結構調整，農作物長勢監(jiān)測及估產等環(huán)節(jié)中，為制定農業(yè)政策、保障糧食安全等提供數(shù)據(jù)支持。

4 討論

本文利用Sentinel-2遙感影像和監(jiān)督分類的最大似然法對黑龍江省海倫市大豆種植信息進行提取，2023年度海倫市大豆種植面積為959.51km2，用戶精度為0.938，Kappa系數(shù)為0.772，能夠滿足實際應用。在研究中，僅對大豆一種農作物開展了此類研究，并未同時拓展到多種農作物及地區(qū)。并且，研究未進行多種分類器及分類方法橫向對比研究，在后續(xù)研究中，將對多種作物和分類器進行深入研究，以期提高農作物種植信息提取的精度和效率。