摘 要：從天山北坡經(jīng)濟帶主要農(nóng)作物綜合多特征的分類策略中提取棉花種植空間分布信息。利用谷歌地球引擎、遙感數(shù)據(jù)源為Landsat-8衛(wèi)星影像資源，利用中國土地覆蓋數(shù)據(jù)集對研究區(qū)進行耕地覆膜，提取出研究區(qū)的耕地，構(gòu)建包含NDVI時序和棉花最佳識別月份的反射率特征多特征的影像；利用支持向量機分類器識別棉花種植面積空間分布信息。研究表明，基于Landsat-8數(shù)據(jù)的多特征的分類策略的棉花制圖精度0.95、用戶精度0.94，為天山北坡主要作物的識別和提取研究提供了參考。

關(guān)鍵詞：Lansat-8衛(wèi)星數(shù)據(jù)；多特征；支持向量機；棉花種植

中圖分類號：S562 文獻標志碼：B 文章編號：2095–3305（2024）08–00-03

棉花種植歷史悠久，是我國重要的農(nóng)業(yè)經(jīng)濟作物。棉花與人們?nèi)粘Ｉ钕⑾⑾嚓P(guān)，并且在國家經(jīng)濟發(fā)展中占據(jù)至關(guān)重要的地位，尤其是對于新疆維吾爾自治區(qū)而言。2020年新疆棉花種植面積達到250.190萬hm2，農(nóng)作物種植面積628.261萬hm2，棉花種植面積接近新疆維吾爾自治區(qū)全部種植物播種面積的1/2。種植面積和產(chǎn)量估算屬于農(nóng)情監(jiān)測信息，有效地整合和利用作物的農(nóng)情信息對提高農(nóng)業(yè)生產(chǎn)效率和管理水平至關(guān)重要。

新疆地區(qū)不少學者開展了相關(guān)遙感研究，曹衛(wèi)彬[1]

細致地研究了新疆維吾爾自治區(qū)的棉花監(jiān)測現(xiàn)狀，并就新疆維吾爾自治區(qū)棉花種植面積監(jiān)測提出了系統(tǒng)性的措施和方法。郝鵬宇等[2]利用長時間周期的MODIS數(shù)據(jù)，提取新疆維吾爾自治區(qū)博樂市的棉花種植信息。

國內(nèi)外許多學者針對棉花種植信息的提取，嘗試了很多方法。龍翔[3]等研究了棉花處于不同生長時期的各波段上的反射率特征，研究其時間序列上的反射光譜變化趨勢并結(jié)合實地調(diào)查作物監(jiān)測長勢，總結(jié)棉花整個生長期的光譜規(guī)律，為后續(xù)進行作物光譜研究奠定了基礎(chǔ)。陽旭[4]的研究對象為棉花，應(yīng)用LiDAR技術(shù)獲取棉花生長周期內(nèi)的多個時間段的點云數(shù)據(jù)，利用算法提取棉花主干的幾何信息；在此基礎(chǔ)上，完成對植株體積、葉面積指數(shù)、葉寬等性狀參數(shù)的估計。王霄煜[5]等利用測量工具實際測量真實地物的光譜信息，利用GF-1衛(wèi)星數(shù)據(jù)資源，設(shè)置合適的植被指數(shù)，將棉花與其他作物分開，也驗證了監(jiān)督分類策略和非監(jiān)督分類策略對識別棉花面積的有效性。

在新疆維吾爾自治區(qū)的天山北坡經(jīng)濟帶，利用多時相的Landsat-8衛(wèi)星數(shù)據(jù)，采用綜合NDVI時間序列和棉花最佳識別月份的反射率多特征進行棉花識別，在GEE平臺實現(xiàn)天山北坡經(jīng)濟帶的棉花識別和面積提取，最后查閱新疆維吾爾自治區(qū)2020年的棉花種植面積統(tǒng)計年鑒數(shù)據(jù)，對識別的棉花種植結(jié)果進行統(tǒng)計驗證，從而為應(yīng)用衛(wèi)星快速統(tǒng)計農(nóng)作物面積提供技術(shù)支撐。

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

天山北坡經(jīng)濟帶位于新疆維吾爾自治區(qū)北面，南面是天山山脈，北面是阿勒泰地區(qū)，是北疆重要的經(jīng)濟地區(qū)，地處79°～98°E、42°～48°N，面積占新疆維吾爾自治區(qū)總面積5.7%（圖1）。據(jù)李瑞雪[6]研究，天山北坡屬于典型的中溫帶大陸性干旱氣候，冬季寒冷干燥，夏季炎熱少雨，春秋季時間短。天山北坡經(jīng)濟帶河流眾多，為當?shù)貛碡S富的水資源，許多農(nóng)業(yè)生產(chǎn)基地都是建在河流水源附近。

表1歸納了天山北坡經(jīng)濟帶主要農(nóng)作物的物候信息，農(nóng)作物生長狀態(tài)隨時間變化而變化。

1.2 數(shù)據(jù)源

1.2.1 Landsat-8影像數(shù)據(jù)

選用的Landsat-8遙感衛(wèi)星數(shù)據(jù)來源于GEE上的數(shù)據(jù)集Landsat/LC08/C01/T1_SR，選取了研究區(qū)新疆維吾爾自治區(qū)天山北坡經(jīng)濟帶內(nèi)棉花生長期內(nèi)4—10月逐月的Landsat-8影像，采用中值合成方式，得到1個月1幅影像，共7幅影像。全部數(shù)據(jù)源覆蓋了棉花的整個生長時期，從棉花種植期到棉花拔稈期。

1.2.2 CLCD 30 m土地覆蓋類型數(shù)據(jù)

武漢大學遙感院黃昕教授、李佳藝教授團隊基于Google Earth Engine上335，709景Landsat數(shù)據(jù)，制作了全國年度土地覆蓋類型數(shù)據(jù)集（CLCD），數(shù)據(jù)時間跨度為1985—2020年。CLCD的總體準確率達79.31%，CLCD的總體準確性高于同類產(chǎn)品中的MCD12Q1、ESACCI_LC、FROM_GLC和GlobaLand30。

1.2.3 樣本點選擇

查閱2020年《新疆統(tǒng)計年鑒》，新疆維吾爾自治區(qū)主要種植棉花、玉米、小麥和其他類的農(nóng)作物，采取其他方法選取樣本點。選取樣本點時借助Google Earth（谷歌地球）高分辨率的影像，目視解譯方式在研究區(qū)選取了棉花樣本點572個，小麥樣本點496個，玉米樣本點582個，其他農(nóng)作物樣本點284個。

1.3 遙感數(shù)據(jù)預(yù)處理

調(diào)用GEE平臺上的Landsat-8遙感數(shù)據(jù)集內(nèi)的數(shù)據(jù)，拼接合成影像覆蓋整個研究區(qū)，對影像進行輻射定標和大氣校正，減少輻射傳輸過程中傳感器和大氣層對成像的影響，得到地物真實的反射率。使用GEE官方自帶的去云函數(shù)對研究區(qū)進行去云處理，函數(shù)能準確識別云和陰影，設(shè)置云量構(gòu)建掩膜圖層，以達到去除云和陰影的目的。利用中國年度土地覆蓋數(shù)據(jù)集中的2020年中國土地覆蓋類型數(shù)據(jù)，數(shù)據(jù)的分辨率是30 m，對研究區(qū)域進行耕地覆膜，提取出Landsat-8影像上土地類型為耕地的區(qū)域，為進一步提取棉花種植信息作準備。剔除水體、裸地、林地等其他地物類型，為后續(xù)樣本點選取奠定基礎(chǔ)，就可以在耕地圖層上選取后續(xù)選擇樣本點，減輕目視解譯負擔[7]。

2 棉花種植面積的遙感識別

2.1 利用Landsat-8數(shù)據(jù)和多特征的棉花種植面積識別

2.1.1 特征提取

NDVI植被指數(shù)反映地物在紅光波段與近紅外波段上的差異，該指數(shù)可有效提取出研究區(qū)內(nèi)植被。利用公式（1）分別計算得到4—10月逐月的NDVI數(shù)據(jù)，構(gòu)建NDVI時間序列影像。

NDVI=（1）

式（1）中，為ρNIR近紅外（NIR）波段的反射率，ρRed為紅波段（Red）的反射率。除逐月的NDVII值外，還計算了NDVI最大值、最小值及均值，合成為3幅影像。

不同農(nóng)作物除NDVI時間序列存在差異外，不同地物在不同波段上的反射率也是存在差異的，這是依靠反射率特征識別地物類型的基礎(chǔ)。9月棉花處于吐絮期，屬生長旺盛期，植株繁茂，植被光譜特征明顯，植被“紅邊”特征明顯，在Landsat-8的B5波段反射率很高。9月初，開始收割玉米，在Landsat-8的B5上反射率特征不如棉花明顯；6月就已經(jīng)收割小麥，此時不具有植被特征，在Landsat-8的B5波段上的反射率特征也不如棉花明顯。因此，選擇提取出棉花最佳識別月份9月的各波段上反射率特征作為分類的特征向量，利用各波段反射率特征區(qū)分棉花與其他地物[8]。

綜上所述，共選取16個特征，NDVI時間序列特征，

4—10月每月的NDVI，以及NDVI最大值、最小值及均值、棉花最佳識別月份反射率特征Landsat-8的B2～B7共6個波段。

2.1.2 利用Landsat-8數(shù)據(jù)和多特征的棉花提取

采用監(jiān)督分類中支持向量機分類器，利用共16個特征進行分類。選取在耕地掩膜后的基礎(chǔ)上，選取棉花、小麥、玉米及其他農(nóng)作物，共4種訓(xùn)練樣本，約束條件為NDVI時間序列和棉花最佳識別月份的反射率特征（圖2），共計16個特征向量，對研究區(qū)主要農(nóng)作物進行分類。最終得到分類結(jié)果，總體精度為0.90，Kappa系數(shù)0.84，其中棉花制圖精度為0.95，用戶精度為0.94。

2.2 棉花面積提取驗證

對比統(tǒng)計年鑒，基于Landsa-8數(shù)據(jù)天山北坡經(jīng)濟帶的棉花面積信息，采用多特征的分類策略識別棉花面積誤差為0.077（表2）。參考各個縣，不同縣的提取面積誤差有所不同，其中誤差較大的地區(qū)包括托里縣誤差為0.15、霍爾果斯市誤差為0.14。其中，托里縣位于塔城地區(qū)，當?shù)氐匚镱愋蛷?fù)雜是造成誤差過大的主要原因?；魻柟故形挥谝晾绻_克自治州，在選取樣本點時，伊犁哈薩克自治州樣本數(shù)量選取較少，樣本特征不夠明晰，這是造成誤差的主要原因[9-11]。

3 結(jié)論與展望

3.1 結(jié)論

利用2020年4—10月的Landsat-8遙感影像，結(jié)合CLCD中國土地覆蓋類型數(shù)據(jù)集掩膜數(shù)據(jù)，對研究區(qū)耕地進行提取，選取NDVI時間序列特征和棉花最佳識別月份的反射率特征，利用監(jiān)督分類中的支持向量機分類器，對天山北坡研究區(qū)主要農(nóng)作物進行分類。最終結(jié)合統(tǒng)計年鑒數(shù)據(jù)，采用多特征的Landsat-8對整個天山北坡經(jīng)濟帶棉花面積提取的誤差為0.077，面積提取精度較高。

3.2 展望

（1）特征選取時只考慮光譜特征，遙感影像除光譜特征外，還有其他特征，如樣本紋理特征，不同農(nóng)作物植株的幾何結(jié)構(gòu)特征不同，可以利用該差異。此外，可加入DEM數(shù)據(jù)地形特征，DEM數(shù)據(jù)開源，獲取方便，是很好的研究材料。后續(xù)研究進行作物分類時可考慮紋理特征和地形特征，有利于提高識別精度。

（2）選用的用于分類的特征數(shù)量為16個，在特征向量選取時未進行特征向量選取，依據(jù)訓(xùn)練樣本和約束條件，部分向量未能有效區(qū)分樣本，選擇出區(qū)分度大的特征，減少總特征數(shù)量，提高單個特征質(zhì)量。

參考文獻

[1] 曹衛(wèi)彬，楊邦杰，裴志遠，等.我國農(nóng)情信息需求調(diào)查與分析[J].農(nóng)業(yè)工程學報，2004（1）：147-151.

[2] 郝鵬宇，牛錚，王力，等.基于時序MODISEVI匹配的棉花信息提取：以新疆博樂市為例[J].遙感技術(shù)與應(yīng)用，2013， 28（2）：309-314.

[3] 龍翔，趙慶展，王學文，等.基于機載高光譜端元提取分析棉花生長期光譜變化[J].新疆農(nóng)業(yè)科學，2021，58（7）：1207-1216.

[4] 陽旭，胡松濤，王應(yīng)華，等.利用多時序激光點云數(shù)據(jù)提取棉花表型參數(shù)方法[J].智慧農(nóng)業(yè)（中英文），2021，3（1）：51-62.

[5] 王霄煜，雷鈞.基于高分一號衛(wèi)星數(shù)據(jù)的新疆棉花種植面積信息提取研究[J].新疆農(nóng)業(yè)科技，2021（1）：23-26.

[6] 李瑞雪.中國天山山區(qū)氣候變化的時空分布特征[D].蘭州：西北師范大學，2010.

[7] 呂紹倫，趙陽，陳萬基，等.基于遙感云計算的阿拉爾市棉花種植面積提取[J].棉花科學，2022，44（4）：19-25.

[8] 王匯涵，張澤，康孝巖，等.基于Sentinel-2A的棉花種植面積提取及產(chǎn)量預(yù)測[J].農(nóng)業(yè)工程學報，2022，38（9）：205-214.

[9] 李路曼，郭鵬，張國順，等.基于無人機可見光遙感的棉花面積信息提取[J].新疆農(nóng)業(yè)科學，2018，55（3）：548-555.

[10] 田野，張清，李希燦，等.基于多時相影像的棉花種植信息提取方法研究[J].干旱區(qū)研究，2017，34（2）：423-430.

[11] 劉曉晨，買買提阿依甫.基于Landsat8遙感數(shù)據(jù)的新疆精河縣棉花種植空間分布信息提取研究[J].新疆農(nóng)業(yè)科技， 2015（5）：5.