摘要：為準確、快速獲得縣域冬小麥的種植信息，針對多時相方法存在的成本高、效率低、過程復雜等問題，以安徽省固鎮(zhèn)縣為研究區(qū)，提出基于單時相GF-6 WFV影像主成分分析特征與原始光譜波段歸一化融合、并使用K-最近鄰算法進行土地覆蓋物分類的有效面積提取方法。結果表明，所提出方法優(yōu)于RAW和PDR這2種基準方法，且降維維度參數(shù)為3時效果最好，總體精度和Kappa系數(shù)分別為89.71%和0.87，實際冬小麥提取面積精度達98.49%，相對誤差僅為1.51%。

關鍵詞： 遙感； 冬小麥； 種植面積提取； 主成分分析特征； GF-6 WFV影像； 固鎮(zhèn)縣

中圖分類號：S127；TP79" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0201-08

DOI：10.14088/j.cnki.issn0439-8114.2024.08.034 開放科學（資源服務）標識碼（OSID）：

Extraction of winter wheat planting area in county regions based on principal component analysis features fused with GF-6 WFV image

ZHANG Meng1， XU Jian-peng1， ZHOU Lu-yang1， WANG Jie1， WANG Zhuang2， YUE Wei1

（1.Anhui Rural Comprehensive Economic Information Center， Hefei" 230031， China；

2. Anhui Institute of Meteorological Sciences， Hefei" 230031， China）

Abstract： In order to obtain the planting information of winter wheat at county level accurately and quickly， Guzhen County of Anhui Province was selected as the research area， aiming at the problems of high cost， low efficiency and complex process of multi-temporal methods. An effective area extraction method based on single temporal GF-6 WFV image principal component analysis and original spectral band normalization fusion was proposed， and K-nearest neighbor algorithm was used for land cover classification. The results showed that the proposed method was superior to the other two benchmark methods of RAW and PDR， and the best effect was achieved when the dimensionality reduction parameter was 3. The overall accuracy and Kappa coefficient were 89.71% and 0.87， respectively. The actual accuracy of the winter wheat extraction area was 98.49%， with a relative error of only 1.51%.

Key words： remote sensing； winter wheat； planting area extraction； principal component analysis feature； GF-6 WFV image； Guzhen County

小麥作為中國主要糧食作物之一，其生產種植在國民經濟發(fā)展特別是農業(yè)農村經濟發(fā)展中起著重要作用［1-3］。按照播種季節(jié)的不同，可以將小麥劃分為冬小麥與春小麥2種種植類型。其中，冬小麥是占有主導地位的小麥種植類型，其產量和品質均高于春小麥。據(jù)統(tǒng)計，中國大部分小麥產地以種植冬小麥為主，其種植面積和產量均占全國小麥的85%以上［4-6］。及時、準確地獲得冬小麥的種植面積信息，可以為相關部門因地制宜制定農業(yè)政策和發(fā)展規(guī)劃、優(yōu)化調整區(qū)域種植產業(yè)結構提供有效參考，對促進農業(yè)農村經濟發(fā)展、保障國家糧食供給安全具有重要意義［7-9］。

傳統(tǒng)的冬小麥種植面積信息獲取和更新主要依靠調查人員到田間地頭進行實地考察測量。這種方式耗時費力，容易受到人為、地形等因素的干擾而產生一些無法預料的錯誤，不利于及時有效獲取和更新冬小麥種植面積情況［10-12］。20世紀60年代以來，衛(wèi)星遙感技術的誕生與發(fā)展揭開了土地利用調查新的篇章。衛(wèi)星遙感技術具有大面積同步觀測、獲取資料速度快、不受地理條件限制、數(shù)據(jù)客觀真實可回溯等特點，具備克服傳統(tǒng)實地調查方式缺點的先天優(yōu)勢，可為及時、準確、大范圍地獲取土地利用信息提供良好的數(shù)據(jù)條件［13］。

利用衛(wèi)星遙感數(shù)據(jù)開展土地覆蓋物的識別和提取，已成為獲取冬小麥種植面積信息的重要手段［14］。此外，結合機器學習、模式識別、計算機視覺、圖像處理、大數(shù)據(jù)、云計算等新興技術，可對衛(wèi)星遙感數(shù)據(jù)進行計算機智能化、自動化、海量化處理，是當前遙感應用研究的熱點［15，16］。這說明使用衛(wèi)星遙感數(shù)據(jù)開展土地利用信息提取與傳統(tǒng)方式截然不同，具有劃時代的重要意義。已有眾多學者基于Landsat、MODIS、Sentinel等國外衛(wèi)星遙感數(shù)據(jù)開展了冬小麥的識別和提取研究，取得了較好的結果，表明衛(wèi)星遙感數(shù)據(jù)在冬小麥種植面積提取上的可靠性和有效性［17-19］。

隨著中國衛(wèi)星遙感事業(yè)的快速發(fā)展，各類優(yōu)質的國產衛(wèi)星遙感數(shù)據(jù)源不斷涌現(xiàn)，為冬小麥種植面積提取提供了新的機遇和挑戰(zhàn)。已有學者利用高分系列（GF）、環(huán)境系列（HJ）、中巴地球資源系列（China amp; Brazil Earth Resource Satellite，CBERS）等國產衛(wèi)星的遙感數(shù)據(jù)開展了冬小麥種植面積提取的研究。游炯等［20］利用2期GF-1 WFV影像，基于改進多元紋理信息模型，以安徽省濉溪縣為試驗區(qū)，開展了縣域尺度上冬小麥種植面積提取的研究。李峰等［21］利用多時相的HJ-1 CCD遙感影像，采用決策樹分類方法，在山東省土地利用類型中的林地數(shù)據(jù)和野外地面調查數(shù)據(jù)的輔助下，通過分區(qū)解譯成功提取了山東省冬小麥種植面積。趙麗花等［22］基于多時相HJ衛(wèi)星遙感數(shù)據(jù)，按照冬小麥的物候規(guī)律和季相節(jié)律的差異性，綜合利用監(jiān)督分類和非監(jiān)督分類法，提取江蘇省姜堰市冬小麥種植面積。李衛(wèi)國等［23］利用2景CBERS-02衛(wèi)星遙感影像，基于ISODATA方法和NDVI灰度圖疊加，采用人機交互式判讀解譯，提取了江蘇省泰興市冬小麥種植面積，并對冬小麥的產量進行了估算。齊臘等［24］利用2006—2007年多時相的CBERS-02衛(wèi)星遙感影像，基于可分性距離的計算和最大似然分類方法，提取了北京市部分地區(qū)早期冬小麥的種植面積。鑒于大田冬小麥在生長發(fā)育過程中，其反射光譜特征的變化具有獨特性，通過積累同一地區(qū)多個時間節(jié)點的衛(wèi)星遙感數(shù)據(jù)，進行光譜特征時序分析，可將冬小麥與其他土地覆蓋物進行更有效的區(qū)分［25］。上述研究大多使用了多時相方法，取得了不錯的提取效果，然而，多時相對于影像獲取的要求較高，受制于氣象條件、衛(wèi)星重訪周期等因素，時間序列衛(wèi)星遙感數(shù)據(jù)的構建過程相對復雜，且容易受輻射差異的影響［26］。此外，因衛(wèi)星遙感監(jiān)測區(qū)域跨度較大、地域生態(tài)氣候環(huán)境不同，各地方的冬小麥生長發(fā)育以及其他同期土地覆蓋物的類型都存在差異。在縣域范圍內，冬小麥的生長物候期基本一致，其他土地覆蓋物的類型也具有相對簡單性，同時，縣域作為行政區(qū)劃中承上啟下的關鍵環(huán)節(jié)，研究其主要農作物的種植面積提取，對推動鄉(xiāng)村振興、建設農業(yè)強國具有現(xiàn)實意義［27，28］。

高分六號（GF-6）衛(wèi)星于2018年6月2日成功發(fā)射，是中國首顆用于精準農業(yè)觀測的高分辨率衛(wèi)星，主要增加了可以提升農作物識別能力的紅邊波段，對于開展精細化的農作物種植面積提取和長勢監(jiān)測能夠起到關鍵作用［29］。目前，利用單時相GF-6影像數(shù)據(jù)進行大田冬小麥種植面積提取的相關研究仍較為鮮見。已有文獻通?；诙鄷r相的GF-6影像數(shù)據(jù)進行農作物種植面積的遙感提取研究，但很少考慮多時相影像數(shù)據(jù)的獲取成本高、構建過程相對復雜、易受輻射差異影響、分類效率較低等情況［30］。

綜上所述，針對常見多時相提取方法存在的問題，本文以淮河流域的安徽省固鎮(zhèn)縣為研究區(qū)，提出一種利用單時相GF-6衛(wèi)星遙感影像主成分分析特征進行數(shù)據(jù)融合和土地覆蓋物分類，在此基礎上提取縣域冬小麥種植面積的方法。通過結合同期Google Earth高分辨率影像目視解譯獲得的地面樣本點數(shù)據(jù)設計和開展一系列相關的試驗，對所提出方法的分類識別和提取效果進行精度驗證，并與2種基準方法展開對比分析，從而檢驗了該方法的有效性，同時確定最佳的降維維度參數(shù)，以期為縣域冬小麥種植面積的提取提供準確、快速、有效的技術方法，為保障糧食生產安全、推動鄉(xiāng)村振興提供應用基礎與技術支撐。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

選取安徽省蚌埠市固鎮(zhèn)縣作為研究區(qū)域。固鎮(zhèn)縣（117°02′E—117°36′E，33°10′N—33°30′N）地處安徽省東北部、淮河中游北岸，水系發(fā)達，土地肥沃，總面積1 363 km2，全境地勢平坦，海拔在16.0～22.5 m，屬于典型的平原地區(qū)（圖1）。固鎮(zhèn)縣年平均氣溫14.7 ℃，年平均降水量871.7 mm，年平均日照總時數(shù)2 170 h，平均無霜期215 d，屬亞熱帶季風氣候向溫帶季風氣候過渡的氣候類型，四季分明，氣候溫和，雨量適中，日照充足，有利于植物光合產物積累。固鎮(zhèn)縣是傳統(tǒng)農業(yè)大縣，國家重要的商品糧生產基地，主要種植小麥、玉米、花生、棉花等作物。其中，冬小麥是固鎮(zhèn)縣種植最普遍的越冬作物，其物候期如表1所示。固鎮(zhèn)縣只有少量的油菜種植，因此是研究冬小麥種植面積提取的理想研究區(qū)。

1.2 數(shù)據(jù)選取與預處理

1.2.1 數(shù)據(jù)選取 使用的GF-6衛(wèi)星寬幅影像（Wide field of view，WFV）L1A級遙感數(shù)據(jù)可通過中國資源衛(wèi)星應用中心網站（https：//www.cresda.com/zgzywxyyzx/）下載。GF-6 WFV影像傳感器的重訪周期為4 d，空間分辨率為16 m，共有8個波段，除了傳統(tǒng)的可見光（藍、綠、紅）和近紅外波段外，還增加了2個紅邊波段、1個紫波段以及1個黃波段共4個新波段，具體波段信息見表2。

選擇不同日期的冬小麥遙感影像作為數(shù)據(jù)源對最終的結果產生一定的影響，為確認所提出方法的可靠性和有效性，有必要對物候因素加以考量。處在拔節(jié)期、抽穗期的冬小麥生長較其他時期更為旺盛，光譜信息顯著，同時，此時間段內其他植被生長緩慢，尚未進入生長旺季，因而有利于識別冬小麥［12］。因此，結合研究區(qū)冬小麥具體生長情況以及遙感影像云覆蓋狀況，最終選取了2022年3月28日過境的一期影像，景號523797，影像中心經緯度117.1°E、33.6°N，此時固鎮(zhèn)縣正處于冬小麥拔節(jié)期，影像質量良好，云覆蓋量小于6%。

1.2.2 數(shù)據(jù)預處理 在ENVI 5.3環(huán)境下對選取的GF-6 WFV影像進行數(shù)據(jù)預處理，主要包括輻射定標、大氣校正、正射校正、影像裁剪等步驟。輻射定標是將影像的數(shù)字量化值轉換為輻射亮度值的過程，所采用的定標公式如下。

[L=Gain×DN+Bias]" " " " " " （1）

式中，[L]為輻射亮度值[[W/（m2?sr?μm）]]；[Gain]為定標系數(shù)增益；[DN]為影像的數(shù)字量化值；[Bias]為偏移量；[Gain]和[Bias]的具體數(shù)值可在中國資源衛(wèi)星中心網站獲取。輻射定標后采用FLAASH大氣校正工具進行校正，以消除大氣吸收、折散射和光照變化等因素引起的輻射誤差。正射校正在無控制點的條件下，基于衛(wèi)星影像自帶的有理多項式系數(shù)（Rational polynomial coefficient，RPC）文件進行，糾正因一般系統(tǒng)因素、地形起伏影響產生的幾何畸變，從而可以滿足影像分類的精度要求。最后，通過固鎮(zhèn)縣行政區(qū)劃Shapefile矢量文件對正射影像進行裁剪。

1.3 樣本點構建

由統(tǒng)計年鑒中研究區(qū)主要農作物種植情況的內容發(fā)現(xiàn)，固鎮(zhèn)縣僅有少量的油菜分布，因此本研究不單獨將油菜列為所要識別的土地覆蓋物類型。結合同期Google Earth高分辨率影像進行目視解譯，將研究區(qū)內土地覆蓋物類型分為5類，包括冬小麥、水體（河流、湖泊等）、建筑（建筑物、公路等）、裸土（荒地、工業(yè)裸地等）、其他植被（林地、草地、其他農作物等），采取人工交互的方式隨機選取樣本點1 000個，包括200個冬小麥樣本點，300個水體樣本點，100個建筑樣本點，200個裸土樣本點，200個其他植被樣本點，具體分布情況如圖1所示。

2 方法

2.1 主成分分析PCA

PCA是常見的用于數(shù)據(jù)降維和特征提取的機器學習算法。通過遵循最大可分性或最近重構性原則，PCA利用投影變換將樣本數(shù)據(jù)從高維度原始空間降維至低維度特征空間［31］。假設有[m]個[d]維的原始樣本數(shù)據(jù)，計算式如下。

[X=（X1，X2，…，Xi，…，Xm）]" " " " " （2）

利用PCA將其降至[s]維（[s≤d]）的流程如下。

1）數(shù)據(jù)預處理。包括歸一化和中心化。歸一化采用Min-Max方法將數(shù)據(jù)映射至［0， 1］，消除數(shù)據(jù)間的量綱差異［32］。中心化將樣本的中心移至原點，以便于后續(xù)計算。

[Xi←Xi-1mi=1mXi]" " " " " "（3）

2）計算協(xié)方差矩陣。采用協(xié)方差矩陣（[C]）度量樣本數(shù)據(jù)各屬性維度間的關系。

[C=XXT]" " " " " " " " "（4）

該矩陣為對稱矩陣，主對角線上元素是各屬性自身的方差，非主對角線元素是不同屬性間的協(xié)方差。

3）投影。對[C]進行對角化和特征值分解，取最大的[s]個特征值所對應的特征向量構成投影矩陣[W]，基于投影矩陣將原始樣本數(shù)據(jù)降維，得到主成分分析特征。

[Y=WTX]" " " " " " " "（5）

[Y]的各個屬性維度又稱為主成分，分別表示為[PC1]，[PC2]，…，[PCs]。

按照方差貢獻率的大小可對主成分的重要性進行排序，方差貢獻率越大，表明該主成分越重要。

[F（PCk）=λki=1sλi]" " " " " " " "（6）

式中，[F（PCk）]表示第[k]個主成分[PCk]的方差貢獻率（[k≤s]）；[λk]是第[k]個主成分的方差；[λi]是第i個主成分的方差。由方差貢獻率可計算累計方差貢獻率。

[T（PCk）=i=1kλii=1sλi] " " " " " "（7）

式中，[T（PCk）]表示前[k]個主成分的累計方差貢獻率。

2.2 土地覆蓋物分類與冬小麥種植面積提取

假設經過數(shù)據(jù)預處理后的GF-6 WFV影像表示為[M∈Ru×8]，其中，[u]是影像中樣本（像素點）的個數(shù)，數(shù)字8為固定值，表示影像的光譜維度。利用單時相GF-6 WFV影像進行土地覆蓋物分類、提取縣域冬小麥種植面積的過程如下。

1）GF-6 WFV影像主成分分析特征提取。按照PCA算法步驟流程對影像[M]進行降維，得到降維后的數(shù)據(jù)特征[D∈Ru×v]，[v]為降維后的維度（[v≤8]）。

2）數(shù)據(jù)融合?？紤]到GF-6 WFV影像[M]可以提供更多的土地覆蓋物原始光譜信息，因此將其加入到主成分分析特征[D]中，以彌補[D]中原始光譜信息的缺失。融合過程先將[M]與[D]進行簡單的屬性維度疊加，得到疊加數(shù)據(jù)，再對疊加數(shù)據(jù)進行Min-Max歸一化處理，消除數(shù)據(jù)間的量綱差異，得到最終的融合數(shù)據(jù)[F∈Ru×t]，其中[t=v+8]，為融合數(shù)據(jù)的維度。

3）分類和種植面積提取。對融合數(shù)據(jù)[F]，利用簡潔、有效、易于實現(xiàn)的K-最近鄰算法（K-Nearest Neighbor，KNN）進行土地覆蓋物分類，依據(jù)分類結果，提取得到冬小麥類別的種植面積和分布［33］。其中，KNN使用了歐式距離作為相似性度量的依據(jù)，公式如下。

[dist（X，Y）=i=1t（Xi-Yi）]" " " " " （8）

主要計算步驟：首先，計算訓練集中各個訓練樣本與測試集中待測樣本之間的距離，然后，按照數(shù)值的大小關系對這些距離進行遞增排序，最后，選取距離最小的前[k]個訓練樣本點進行投票，返回投票數(shù)最高的類別作為待測樣本的預測類別。

4）精度驗證。為確認土地覆蓋物分類的識別效果，采用基于混淆矩陣（Confusion matrix，CM）計算的總體精度（Overall accuracy，OA）、Kappa系數(shù)對分類結果進行定量化的驗證評估。混淆矩陣的形式如下。

[CM=cm11cm12…cm1ncm21cm22…cm2n……" "……cmn1cmn2…cmnn]" " " "（9）

式中，第[k]行[h]列的元素[cm]是一個整數(shù)，實際是[k]類型的土地覆蓋物被分類為[h]類型的土地覆蓋物的數(shù)量；[n]表示總的類別個數(shù)。OA是所有分類正確的樣本個數(shù)與總樣本個數(shù)的比值，主要利用混淆矩陣主對角線元素的信息。Kappa系數(shù)一般用于一致性檢驗，也可以衡量分類精度，主要利用混淆矩陣非主對角線元素的信息。由混淆矩陣計算OA、Kappa系數(shù)（κ）的公式如下。

[OA=k=1ncmkkk=1nh=1ncmkh] " " " " " "（10）

[κ=Nk=1ncmkk-k=1n（cmk+×cm+k）N2-k=1n（cmk+×cm+k）] （11）

式中，[N]表示混淆矩陣所有元素之和；[cmk+]表示混淆矩陣第[k]行元素之和；[cm+k]表示混淆矩陣第[k]列元素之和；[cmkk]表示混淆矩陣主對角線上的元素。

3 結果與分析

3.1 降維維度與數(shù)據(jù)融合對提取精度的影響分析

降維維度是PCA算法中的重要可變參數(shù)，其數(shù)值大小、變化與提取得到的主成分分析特征的維度保持一致。為分析所提方法中降維維度與數(shù)據(jù)融合對提取精度的影響，利用選取的地面樣本點進行了一系列相關的土地覆蓋物分類試驗。在不同的降維維度（范圍在1～8，8表示不進行末位特征舍棄、保留所有成分）條件下，分別開展包括冬小麥在內的5種土地覆蓋物的分類，研究降維維度變化對地物識別的作用和影響，確定提取冬小麥種植面積的最佳降維維度。同時，使用其他2種基準方法與所提出的融合主成分分析特征的方法進行對比，以檢驗該方法的有效性。對所有的方法，在提取過程中采用參數(shù)一致的KNN分類器（[k=1]），以便能對這些方法的有效性進行更好的判斷。為避免數(shù)據(jù)劃分對試驗結果造成影響，重復開展20次，每次隨機選取30%的樣本點作為訓練集，其余樣本點作為測試集。采用OA和Kappa系數(shù)對各方法的識別效果進行定量評價。所用方法的英文縮寫及對應含義概述如下。

1）RAW。直接采用只經過數(shù)據(jù)預處理的原始GF-6 WFV影像為地面樣本點提供進行土地覆蓋物分類所需要的屬性信息。使用該方法作為與本研究所提方法進行對比的基準。

2）PDR。在經過數(shù)據(jù)預處理的原始GF-6 WFV影像基礎上，僅使用PCA算法對其進行降維處理，提取其主成分分析特征，代替原始GF-6 WFV影像光譜波段為地面樣本點提供屬性信息。使用該方法作為與本研究所提方法進行對比的基準。

3）RPCA。即本研究提出的土地覆蓋物分類方法。

圖2、圖3分別展示了在不同方法下OA與Kappa系數(shù)隨降維維度的變化。從圖中可以看出，PDR方法和RPCA方法受到了降維維度條件的顯著影響，在圖像上表現(xiàn)為折線；而RAW方法由于直接采用原始影像數(shù)據(jù)，沒有經歷降維過程，故OA和Kappa系數(shù)保持不變，在圖像上表現(xiàn)為直線。對比3種方法的OA、Kappa系數(shù)圖像可以發(fā)現(xiàn)，在圖2和圖3中，RPCA方法的圖像整體上都位于RAW和PDR方法的上方，RAW方法的圖像均位于PDR方法的上方，說明在土地覆蓋物的分類表現(xiàn)上RPCAgt;RAWgt;PDR，即RPCA方法具有最佳的地物識別效果，RAW方法次之，PDR方法表現(xiàn)最差。造成這些現(xiàn)象的可能原因是，PDR方法在降維過程中雖然提取了影像的特征，但是不可避免有光譜信息的損失，導致分類精度不高，呈弱于RAW方法的結果；RPCA方法在PDR方法的基礎上通過數(shù)據(jù)融合彌補了這部分損失的光譜信息，結果顯示RPCA方法不僅強于PDR方法，對比RAW方法也有較為明顯的提升。上述試驗結果及有關分析表明將原始GF-6 WFV影像與其主成分分析特征進行數(shù)據(jù)融合是必要的，具有提升分類器土地覆蓋物識別能力的重要作用。

當降維維度從1到3時，RPCA方法和PDR方法的分類精度逐漸上升，至降維維度為3時到達最高位，當降維維度gt;3后，分類精度不再呈穩(wěn)步增長的變化趨勢，而是在高位附近上下波動，說明隨著降維維度的增加，主成分分析特征所能提供給分類器的差異信息量趨于飽和，且PCA算法根據(jù)貢獻率大小依序提取影像特征，所以新增的維度對分類精度提高的作用效果越來越小，當降維維度增加到某個確切數(shù)值，亦即主成分分析特征的維度累積到一定數(shù)量時，分類精度達到峰值，此時若繼續(xù)增加維度，則主成分分析特征可能會形成冗余，干擾分類，從而影響精度的進一步提升或導致分類精度下降。通過計算GF-6 WFV影像的主成分累計方差貢獻率（表3）也驗證了這一點。當主成分數(shù)（即降維維度）為3時，方差累計貢獻率已達99.329%，再進一步提高維度并不會提供更多有用信息。綜上，在降維維度為3時采用RPCA方法，于所有的土地覆蓋物分類試驗中取得了最好的結果，表明RPCA方法的有效性，并確定最佳的降維維度參數(shù)是3。

如表4所示，當降維維度為3時，使用3種方法得到每種地物的分類精度均值、標準差（Standard Deviation，STD）以及OA、Kappa系數(shù)。其中，冬小麥、水體、建筑、裸土、其他植被的最優(yōu)分類精度均值分別為93.57%、97.61%、65.71%、87.26%、88.57%，并且除裸土外，其余地物的最優(yōu)分類精度均在所提出的RPCA方法下取得。因此，RPCA方法比其他方法表現(xiàn)更好，在冬小麥、水體、建筑和其他植被4種土地覆蓋物的識別上都取得了最優(yōu)的結果，同時，依據(jù)式（10）、式（11），其多次試驗的OA均值達89.71%，Kappa系數(shù)均值達0.87，也為所有方法中最優(yōu)。

3.2 固鎮(zhèn)縣冬小麥種植面積提取結果

在最佳的降維維度參數(shù)條件下，基于一般的RAW方法、PDR方法以及本研究提出的RPCA方法分別對固鎮(zhèn)縣的土地覆蓋物分類識別，提取其冬小麥種植分布與面積，并通過蚌埠市統(tǒng)計年鑒得到2022年固鎮(zhèn)縣冬小麥實際種植面積。不同方法所提取固鎮(zhèn)縣冬小麥的種植面積及相對誤差如圖4所示，其中，相對誤差值大于0，表示提取過程中存在較多其他地物類別錯分為冬小麥類別的現(xiàn)象，小于0表示存在較多冬小麥類別被漏分的現(xiàn)象。結果表明，RPCA方法的提取效果最好，面積精度為98.49%，其相對誤差最小，為1.51%，部分地區(qū)存在錯分現(xiàn)象。PDR方法的提取效果最差，面積精度為87.53%，其相對誤差最大，為-12.47%，漏分現(xiàn)象較為明顯。

根據(jù)上述不同方法的土地覆蓋物分類及冬小麥種植提取的結果和分析，選擇總體精度與面積精度最高的方法繪制冬小麥種植分布。通過將PCA算法的降維維度設置為最佳參數(shù)（取[v=3]），以選取的地面樣本點為訓練集，采用本研究的融合GF-6 WFV影像主成分分析特征的RPCA方法，獲得了2022年固鎮(zhèn)縣的冬小麥種植分布（圖5）。

從圖5可以看出，固鎮(zhèn)縣冬小麥種植范圍廣泛，普遍分布于該縣各個地區(qū)，是境內最主要的夏收作物。以縣城為中心，固鎮(zhèn)縣冬小麥的種植空間整體呈散射狀。其中，城鎮(zhèn)附近及懷洪新河沿岸一帶的種植地塊比較零散，廣大農村地區(qū)的種植地塊則連片密集，分布均勻，與實際情況相符合。

4 小結

本文以安徽省固鎮(zhèn)縣為研究區(qū)域，結合當?shù)刈魑镂锖?，利用冬小麥拔?jié)期內的單景 GF-6 WFV影像，采用PCA算法提取潛在的主成分分析特征，并與原始的光譜信息合理融合，在此基礎上構建識別冬小麥、水體等多種土地覆蓋物的K-最近鄰分類模型，實現(xiàn)了基于單時相遙感數(shù)據(jù)的高精度縣域冬小麥種植面積提取，從中得出以下結論。

1）PCA算法能夠對GF-6 WFV影像進行有效降噪去冗，提取得到類別顯著性較強的主成分分析特征。本研究表明，GF-6 WFV影像的主成分分析特征與其原始光譜信息互補，與單純使用原始影像數(shù)據(jù)或主成分分析特征開展分類相比，采用歸一化方法合理融合二者能夠增強土地覆蓋物的識別性能，具有最佳的冬小麥提取效果。

2）結合K-最近鄰分類器開展土地覆蓋物分類試驗，與2種基準方法相比，本研究融合主成分分析特征的RPCA方法的識別效果整體最優(yōu)，且具體結果對PCA降維維度參數(shù)較為敏感。當維度參數(shù)為3時，RPCA方法在所有情況下分類精度最高，總體精度達89.71%，Kappa系數(shù)達0.87。

3）在降維維度為3的最佳參數(shù)條件下采用RPCA方法開展縣域冬小麥種植面積提取，得到固鎮(zhèn)縣冬小麥的種植面積為569.02 km2，與官方面積相比，面積精度為98.49%，相對誤差僅為1.51%，種植分布情況與實際相符，對比其他方法提取效果最好，證明該方法能夠有效減少錯分和漏分冬小麥的現(xiàn)象，具有較好的推廣和使用價值。

本研究基于單時相GF-6 WFV遙感影像，利用在原始光譜信息中融入主成分分析特征，采用K-最近鄰分類器提取了2022年固鎮(zhèn)縣冬小麥種植面積和空間分布，對比一般方法，成功提高了識別的精度。然而，影像16 m的空間分辨率導致小尺度的土地覆蓋物容易產生混合像元現(xiàn)象，依舊是影響分類精度的重要原因。此外，主成分分析特征僅是眾多圖像數(shù)據(jù)特征中的1種。下一步可將GF-6 WFV遙感影像與高分辨率遙感影像相結合，并進一步提取紋理、空間關系、植被指數(shù)等多種特征，綜合運用混合像元分解和數(shù)據(jù)融合算法進行作物種植面積提取，以滿足更精細化的應用需求場景。

參考文獻：

［1］ 周 珂，柳 樂，張儼娜，等.GEE支持下的河南省冬小麥面積提取及長勢監(jiān)測［J］.中國農業(yè)科學，2021，54（11）：2302-2318.

［2］ 劉合兵，王 壘，王一飛，等.基于PSO-SVR模型的河南省小麥產量預測方法［J］.江蘇農業(yè)科學，2023，51（8）：157-163.

［3］ 解 毅，王佳楠，劉 鈺.基于Sentinel-1/2數(shù)據(jù)特征優(yōu)選的冬小麥種植區(qū)識別方法研究［J］.農業(yè)機械學報，2024，55（2）：231-241.

［4］ 慕臣英，楊曉光，楊 婕，等.黃淮海地區(qū)不同冬春性小麥抗凍能力及凍害指標I.隆冬期不同冬春性小麥抗凍能力比較［J］.應用生態(tài)學報，2015，26（10）：3119-3125.

［5］ 鄭冬曉.不同冬春性小麥低溫災害指標和可種植界限變化研究［D］.北京：中國農業(yè)大學，2019.

［6］ 霍治國，李美萱，張海燕，等.中國冬小麥霜凍災害研究進展［J］.中國農業(yè)資源與區(qū)劃，2023，44（6）：16-31.

［7］ 趙 亮，劉 莉，司麗麗，等.基于GEE平臺和自動統(tǒng)計分配算法的大范圍冬小麥提?。跩］.湖北農業(yè)科學，2022，61（19）：132-140.

［8］ 范宇琛，陳朝陽，金永貴，等.2010—2019年山西省小麥播種面積和產量時空格局變化［J］.山西農業(yè)科學，2022，50（6）：878-884.

［9］ 劉勝威，彭代亮，陳俊杰，等.基于Sentinel-2影像的冬小麥收獲面積測算［J］.遙感技術與應用，2023，38（3）：544-557.

［10］ 王 凱，趙 軍，朱國鋒，等.基于GF-1遙感數(shù)據(jù)決策樹與混合像元分解模型的冬小麥種植面積早期估算［J］.遙感技術與應用，2018，33（1）：158-167.

［11］ 邱鵬勛，汪小欽，茶明星，等.基于TWDTW的時間序列GF-1 WFV農作物分類［J］.中國農業(yè)科學，2019，52（17）：2951-2961.

［12］ 張科謙，程 鋼，吳 微，等.融合主被動遙感影像的冬小麥種植面積提取研究［J］.河南農業(yè)科學，2023，52（6）：160-171.

［13］ 陳 岳，寇衛(wèi)利，李 瑩，等.農作物遙感災損評估研究進展［J］.江蘇農業(yè)科學，2022，50（16）：12-20.

［14］ 張 宏，李衛(wèi)國，張曉東，等.基于HJ-1星和GF-1號影像融合特征提取冬小麥種植面積［J］.中國農業(yè)科技導報，2024，26（2）：109-119.

［15］ 陳仲新，任建強，唐華俊，等.農業(yè)遙感研究應用進展與展望［J］.遙感學報，2016，20（5）：748-767.

［16］ 賴積保，康旭東，魯續(xù)坤，等.新一代人工智能驅動的陸地觀測衛(wèi)星遙感應用技術綜述［J］.遙感學報，2022，26（8）：1530-1546.

［17］ 石 濤，張 麗，楊元建.基于Landsat-8和LSMM的冬小麥面積提取研究——以皖北為例［J］.麥類作物學報，2015，35（12）：1727-1732.

［18］ 楊 歡，鄧 帆，張佳華，等.基于MODIS EVI的江漢平原油菜和冬小麥種植信息提取研究［J］.國土資源遙感，2020，32（3）：208-215.

［19］ 王曉曉，韓留生，楊 驥，等.Sentinel-2與Landsat 8數(shù)據(jù)組合下的多特征冬小麥面積提?。跩］.測繪通報，2022（3）：111-115.

［20］ 游 炯，裴志遠，王 飛，等.基于改進多元紋理信息模型和GF-1影像的縣域冬小麥面積提?。跩］.農業(yè)工程學報， 2016，" 32（13）：131-139.

［21］ 李 峰，趙 紅，趙玉金，等.基于HJ-1CCD影像的冬小麥種植面積提取研究［J］.山東農業(yè)科學，2015，47（5）：109-114.

［22］ 趙麗花，李衛(wèi)國，杜培軍.基于多時相HJ衛(wèi)星的冬小麥面積提?。跩］.遙感信息，2011（2）：41-45，50.

［23］ 李衛(wèi)國，李正金.基于CBERS衛(wèi)星遙感的冬小麥產量估測研究［J］.麥類作物學報，2010，30（5）：915-919.

［24］ 齊 臘，趙春江，李存軍，等.基于多時相中巴資源衛(wèi)星影像的冬小麥分類精度［J］.應用生態(tài)學報，2008，19（10）：2201-2208.

［25］ 張榮群，王盛安，高萬林，等.基于時序植被指數(shù)的縣域作物遙感分類方法研究［J］.農業(yè)機械學報，2015，46（S1）：246-252.

［26］ 黃啟廳，覃澤林，曾志康.多源多時相遙感影像相對輻射歸一化方法研究［J］.地球信息科學學報，2016，18（5）：606-614.

［27］ 吳 靜，呂玉娜，李純斌，等.基于多時相Sentinel-2A的縣域農作物分類［J］.農業(yè)機械學報，2019，50（9）：194-200.

［28］ 孫慶松，張曉楠，陳利東，等.基于Sentinel-2時序諧波特征的縣域農作物分類［J］.江蘇農業(yè)學報，2022，38（4）：967-975.

［29］ 段金饋，李 峰，秦 泉，等.高分六號紅邊波段對夏玉米種植區(qū)識別的影響［J］.海洋氣象學報，2023，43（3）：104-112.

［30］ 張悅琦，任鴻瑞.融合特征優(yōu)選與隨機森林算法的GF-6影像東北一季稻遙感提?。跩］.遙感學報，2023，27（9）：2153-2164.

［31］ 胡會強，位云朋，徐華興，等.基于高光譜成像技術和主成分分析對粉葛年限的鑒別［J］.光譜學與光譜分析，2023，43（6）：1953-1960.

［32］ 楊寒雨，趙曉永，王 磊.數(shù)據(jù)歸一化方法綜述［J］.計算機工程與應用，2023，59（3）：13-22.

［33］ 趙晉陵，胡 磊，嚴 豪，等.聯(lián)合局部二值模式與K-最近鄰算法的高光譜圖像分類方法［J］.紅外與毫米波學報，2021，40（3）：400-412.

基金項目：安徽省自然科學基金“江淮氣象”聯(lián)合基金項目（2208085UQ04）；安徽省科技重大專項（2023n06020017）

作者簡介：張 萌（1993-），男，安徽合肥人，助理工程師，碩士，主要從事農業(yè)生態(tài)遙感研究，（電話）0551-62290356（電子信箱）3103387872@qq.com；通信作者，徐建鵬（1979-），男，安徽安慶人，高級工程師，主要從事農村信息化、農業(yè)氣象研究，（電話）0551-62290195（電子信箱）20333800@qq.com。