摘要：該研究基于Sentinel-2遙感影像數(shù)據(jù)，結(jié)合歸一化差分黃度指數(shù)（NDYI）、增強(qiáng)型植被指數(shù)（EVI）和耕地?cái)?shù)據(jù)提取了2022年3月臨澧縣花期油菜種植面積。結(jié)合NDYI和EVI進(jìn)行油菜種植面積提取，生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)分別為87.83%、85.17%、91.19%和0.82；結(jié)合NDYI、EVI以及耕地?cái)?shù)據(jù)進(jìn)行提取，生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)分別提升至91.21%、92.17%、98.13%和0.91。提取結(jié)果顯示：2022年3月臨澧縣油菜種植面積為82.75 km2，其中四新崗鎮(zhèn)的種植面積最大（13.07 km2），望城街道種植面積最?。?.86 km2），臨澧縣油菜種植主要集中在以合口鎮(zhèn)、新安鎮(zhèn)和刻木山鄉(xiāng)為主的平原地區(qū)。

關(guān)鍵詞：Sentinel-2遙感影像；植被指數(shù)；油菜種植區(qū)；自動(dòng)提??；臨澧縣

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-060X（2025）02-0095-06

Extraction of Rapeseed Planting Area in Hilly Regions of Southern China Based on Sentinel-2 Images： Taking Linli County of Hunan Province as an Example

CHEN Zhu1，2，3，XU Yi-fan1，2，3，XU Si-yuan1，2，3，WANG Jun-fei4，QIN Wei1，2，3

（1. The Second Surveying and Mapping Institute of Hunan Province， Changsha 410100， PRC; 2. Natural Resources

Hunan Satellite Application Technology Center， Changsha 410100， PRC; 3. Key Laboratory of Natural Resources

Monitoring and Supervision in Southern Hilly Region， Ministry of Natural Resources， Changsha 410100， PRC;

4. School of Land Science and Space Planning， Hebei GEO University， Shijiazhuang 050031， PRC）

Abstract： The normalized difference yellowness index （NDYI）， enhanced vegetation index （EVI）， and farmland data were adopted to extract the rapeseed planting area in Linli County， Hunan Province in March 2022 based on Sentinel-2 images. The extraction based on the combination of NDYI and EVI achieved the producer accuracy， user accuracy， overall accuracy， and Kappa coefficient of 87.83%， 85.17%， 91.19%， and 0.82， respectively. The extraction based on NDYI， EVI， and farmland data achieved the producer accuracy， user accuracy， total accuracy， and Kappa coefficient of 91.21%， 92.17%， 98.13%， and 0.91， respectively. The extraction results showed that the total rapeseed planting area in Linli County was 82.75 km2 in March 2022. Specifically， the planting area was the largest （13.07 km2） in Sixingang Town and the smallest （3.86 km2） in Wangcheng Subdistrict. The rapeseed planting in Linli County was concentrated in the plain regions including Hekou Town， Xin'an Town， and Kemushan Township.

Key words： Sentinel-2 images; vegetation index; rapeseed planting area; automatic extraction; Linli County

油菜作為我國(guó)主要的油料作物，在保障國(guó)家糧油安全與促進(jìn)地方經(jīng)濟(jì)發(fā)展方面發(fā)揮著不可替代的作用[1]。因此，如何對(duì)油菜種植進(jìn)行科學(xué)有效的監(jiān)測(cè)一直是農(nóng)業(yè)統(tǒng)計(jì)部門和研究學(xué)者關(guān)注的課題。遙感技術(shù)作為一種先進(jìn)的監(jiān)測(cè)手段[2]，具有監(jiān)測(cè)面積大、時(shí)效性強(qiáng)和成本低等優(yōu)點(diǎn)[3]，被廣泛應(yīng)用于農(nóng)作物長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)和產(chǎn)量估算。近年來，哨兵二號(hào)（簡(jiǎn)稱Sentinel-2）遙感影像數(shù)據(jù)因數(shù)據(jù)開源且具有高空間分辨率和時(shí)間分辨率被廣泛應(yīng)用于農(nóng)作物監(jiān)測(cè)、災(zāi)害監(jiān)測(cè)、森林覆蓋度提取和植被信息提取[4-6]。

遙感數(shù)據(jù)從單一影像發(fā)展到了時(shí)間序列影像，農(nóng)作物的提取方法也經(jīng)歷了基于單一影像的非監(jiān)督分類、最大似然法、決策樹分類、支持向量機(jī)（SVM）分類等傳統(tǒng)分類方法，到基于時(shí)間序列影像的增強(qiáng)型植被指數(shù)（EVI）、歸一化植被指數(shù)（NDVI）和閾值法等單一特征參量或多特征參量的提取方法以及以卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等為框架的深度學(xué)習(xí)分類方法的發(fā)展[7-11]。目前，農(nóng)作物的自動(dòng)識(shí)別與提取研究已取得了一些成果。田海峰[12]論證了Sentinel影像在中國(guó)冬小麥遙感識(shí)別研究中具有明顯優(yōu)勢(shì)。唐文瀾等[13]根據(jù)開花期的油菜在影像中紅、綠、藍(lán)3個(gè)波段上的反射率明顯大于其他“純綠色”植被，以及其在光譜特征和NDVI指數(shù)等方面和非植被區(qū)有顯著的可分離性等特點(diǎn)，得出了油菜開花期為最佳遙感監(jiān)測(cè)時(shí)相的結(jié)論。韓濤等[8]基于Sentinel-2A與Landsat-8影像利用不同分類方法對(duì)南京市高淳區(qū)的油菜面積進(jìn)行了提取。但這些針對(duì)油菜自動(dòng)提取的研究多側(cè)重于理論，在實(shí)際大面積應(yīng)用中還未形成成熟的技術(shù)流程。因此，該研究以湖南臨澧縣為研究區(qū)域，基于Sentinel-2遙感影像數(shù)據(jù)，結(jié)合歸一化差分黃度指數(shù)（NDYI）、增強(qiáng)型植被指數(shù)和耕地?cái)?shù)據(jù)進(jìn)行油菜自動(dòng)識(shí)別與提取，以期為實(shí)際應(yīng)用中的油菜自動(dòng)提取工作提供思路和方法。

1 區(qū)域概況

臨澧縣（111°24′—111°49′E，29°17′—29°46′N）隸屬于湖南省常德市，位于湖南省西北部，地處武陵山余脈與洞庭湖盆地過渡地帶，是國(guó)家商品糧、棉、油基地縣。臨澧縣地形地貌以丘陵和平原為主，間有山岳，地勢(shì)由西部山丘向洞庭湖盆地傾斜。該縣主要農(nóng)作物有黃金硒柚、臍橙、水稻、油菜和油茶等，作物種植結(jié)構(gòu)復(fù)雜、地塊細(xì)碎，具有南方丘陵區(qū)的典型特征。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源與預(yù)處理

耕地?cái)?shù)據(jù)為臨澧縣2021年度國(guó)土變更調(diào)查數(shù)據(jù)。在歐空局（https：//browser.dataspace.copernicus.eu/）下載Sentinel-2多光譜數(shù)據(jù)，對(duì)比研究區(qū)域油菜在2021年11月（苗期）、2021年12月（越冬期）、2022年2月（萌芽期）、2022年3月（開花期）、2022年4月（角果期）和2022年5月（成熟期）的影像數(shù)據(jù)，最終確定油菜開花期為最佳提取時(shí)相，選取2022年3月13日的Sentinel-2 L1C級(jí)產(chǎn)品數(shù)據(jù)作為基礎(chǔ)研究數(shù)據(jù)源。對(duì)遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、重采樣和格式轉(zhuǎn)換，對(duì)各個(gè)波段進(jìn)行合成和裁剪等預(yù)處理。其中Sentinel-2 L1C數(shù)據(jù)主要多光譜波段信息見表1[14]。

2.2 研究方法

2.2.1 技術(shù)路線圖 基于Sentinel-2遙感影像進(jìn)行臨澧縣油菜面積提取，主要包括資料收集與整理、遙感數(shù)據(jù)預(yù)處理、油菜提取以及結(jié)果整理與分析4個(gè)部分，總體技術(shù)路線圖見圖1。

2.2.2 油菜識(shí)別模型 植被指數(shù)通常是2個(gè)或多個(gè)波段的光譜反射率的比值、線性或非線性組合，將高光譜和多光譜的重要光譜信息壓縮到1個(gè)植被指數(shù)通道，能在一定條件下定量反映植物的生產(chǎn)狀況[15]。

植物葉面在可見光紅光波段的強(qiáng)吸收特性和在近紅外波段的強(qiáng)反射特性是植被遙感監(jiān)測(cè)的物理基礎(chǔ)，通過這2個(gè)波段組合得到的植被指數(shù)的應(yīng)用最為廣泛和深入。比值植被指數(shù)（RVI）[16-17]、差值植被指數(shù)（DVI）[18-19]和歸一化植被指數(shù)[20-21]適用于綠色植被的提取，但對(duì)油菜的識(shí)別沒有針對(duì)性，因而在實(shí)際提取工作中容易將油菜和其他綠色植被混淆。因此，該研究針對(duì)油菜花期呈金黃色這一特性，采用基于綠波段和藍(lán)波段的歸一化差分黃度指數(shù)（NDYI）進(jìn)行油菜提取，其計(jì)算方法見公式（1）。

2.2.3 精度評(píng)價(jià)指標(biāo) 混淆矩陣是用于評(píng)估分類模型

性能的N×N矩陣，其中N是目標(biāo)類別的數(shù)量[24-25]。

首先套合與Sentinel-2數(shù)據(jù)相同時(shí)相的“吉林一號(hào)”（融合分辨率為0.75 m）遙感影像對(duì)自動(dòng)提取結(jié)果進(jìn)行人工整理和糾正，以修正結(jié)果作為驗(yàn)證樣本，將該結(jié)果與不同方法的油菜提取結(jié)果相對(duì)應(yīng)，計(jì)算其混淆矩陣。在建立混淆矩陣的基礎(chǔ)上計(jì)算生產(chǎn)者精度（PA）、用戶精度（UA）、總體精度（OA）和Kappa系數(shù)[26-29]，開展精度評(píng)價(jià)工作。

3 結(jié)果與分析

3.1 地類光譜特征分析

為分析油菜與其他地類的光譜特征差異，驗(yàn)證NDYI指數(shù)在油菜提取上的適用性，該研究將研究區(qū)域分為油菜、房屋建筑、道路、其他耕地、林地、水域和裸地7種典型地類，然后在Sentinel-2遙感影像上進(jìn)行采樣，并計(jì)算采樣數(shù)據(jù)在綠波段和藍(lán)波段上的光譜平均值以及NDYI的最大值和最小值，統(tǒng)計(jì)結(jié)果見表2。

由表2可知，油菜在綠波段的光譜平均值均明顯高于其他耕地、林地和水域，在藍(lán)波段的光譜平均值明顯低于房屋建筑和道路；油菜NDYI的取值區(qū)間為[0.12，0.25]，該區(qū)間與裸地取值區(qū)間[0.07，0.14]有部分重疊，與房屋建筑取值區(qū)間[-0.21，0.13]和道路取值區(qū)間[-0.03，0.12]有極少數(shù)重疊，與其他地類NDYI取值范圍均不重疊。因此，NDYI可以較好地區(qū)分油菜和其他地類。

3.2 基于NDYI指數(shù)的油菜提取

首先利用波段運(yùn)算工具計(jì)算研究區(qū)域的NDYI值，再采用灰度分割法進(jìn)行密度分割，經(jīng)過反復(fù)試驗(yàn)，確定油菜的灰度分割區(qū)間為[0.12，0.30]。為了更直觀地檢驗(yàn)提取效果，將提取結(jié)果套合在相同時(shí)相的0.75 m高分辨率影像上進(jìn)行對(duì)比。由圖2可知，該指數(shù)對(duì)油菜的提取效果良好，能夠提取絕大部分油菜種植區(qū)，但仍存在一些裸地錯(cuò)分和漏分現(xiàn)象，直接影響提取結(jié)果的精度。

3.3 基于EVI植被指數(shù)的處理與糾正

首先計(jì)算EVI值，再提取灰度分割區(qū)間為[0.35，0.80]的植被地類，提取結(jié)果見圖3。由圖3可知，利用該方法提取的結(jié)果中包含油菜、其他綠色植被和錯(cuò)分的部分建筑物，無法達(dá)到單獨(dú)提取油菜的目的，但提取結(jié)果中包含油菜卻剔除了裸地這一特征正好可以解決NDYI油菜提取結(jié)果中的裸地錯(cuò)分問題，因此，該研究結(jié)合NDYI和EVI這2個(gè)指數(shù)的優(yōu)勢(shì)，利用空間分析工具將兩者的提取結(jié)果進(jìn)行疊加處理，處理結(jié)果見圖4。

3.4 基于耕地?cái)?shù)據(jù)的處理與糾正

結(jié)合NDYI和EVI進(jìn)行提取雖然在一定程度上解決了裸地錯(cuò)分問題，但仍存在一些地類錯(cuò)分、圖斑碎片化和圖斑漏洞問題，影響整體結(jié)果的提取精度。因此，該研究將2021年度國(guó)土變更調(diào)查數(shù)據(jù)中的耕地?cái)?shù)據(jù)與結(jié)合NDYI和EVI提取的油菜結(jié)果數(shù)據(jù)進(jìn)行疊加分析，去除非耕地地類中的錯(cuò)分圖斑，同時(shí)對(duì)圖斑碎片和漏洞進(jìn)行處理與糾正，處理結(jié)果見圖5。

3.5 精度評(píng)價(jià)結(jié)果

由表3可知，單一使用NDYI指數(shù)提取油菜，整體提取效果良好，生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)分別為86.07%、84.26%、90.32%和0.80。在NDYI提取結(jié)果基礎(chǔ)上使用EVI指數(shù)進(jìn)行處理，4項(xiàng)指標(biāo)均有小幅度提升。結(jié)合NDYI、EVI和耕地?cái)?shù)據(jù)進(jìn)行油菜提取，極大地提升了處理結(jié)果的精度，其生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)分別提升至91.21%、92.17%、98.13%和0.91。

3.6 臨澧縣2022年油菜種植分布情況

結(jié)合NDYI和EVI指數(shù)識(shí)別花期油菜，對(duì)油菜種植區(qū)進(jìn)行自動(dòng)提取，再利用耕地?cái)?shù)據(jù)進(jìn)行輔助修正，得到了2022年3月臨澧縣各鄉(xiāng)鎮(zhèn)（街道）油菜種植面積。由表4可知，臨澧縣油菜種植的總面積為82.75 km2，其中，四新崗鎮(zhèn)的種植面積最大（13.07 km2），其次是佘市橋鎮(zhèn)（11.81 km2），望城街道種植面積最?。?.86 km2）。從種植空間分布情況來看，臨澧縣油菜種植主要集中在以合口鎮(zhèn)、新安鎮(zhèn)和刻木山鄉(xiāng)為主的平原地區(qū)，其次是停弦渡鎮(zhèn)西北部和東部以及佘市橋鎮(zhèn)中部。

4 結(jié)論

該研究基于Sentinel-2遙感影像數(shù)據(jù)，結(jié)合NDYI指數(shù)、EVI指數(shù)和耕地?cái)?shù)據(jù)對(duì)湖南臨澧縣花期油菜種植面積進(jìn)行提取，極大地提升了提取精度，其中生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)分別為91.21%、92.17%、98.13%和0.91；在沒有耕地?cái)?shù)據(jù)輔助的情況下，其總體精度也能達(dá)到91.19%。這種方法操作簡(jiǎn)單且提取精度高，在有合適數(shù)據(jù)源的情況下，可用于南方丘陵區(qū)復(fù)雜地形地貌的油菜種植面積提取與估算工作。油菜自動(dòng)提取模型的精度的高低很大程度上取決于影像數(shù)據(jù)質(zhì)量的好壞，在采用NDYI指數(shù)提取油菜時(shí)，需要選取時(shí)相為開花期且無云的影像數(shù)據(jù)，否則難以保證油菜的提取精度。在后續(xù)的研究中，將利用不同傳感器、不同分辨率、不同時(shí)相和不同區(qū)域的遙感影像數(shù)據(jù)對(duì)油菜識(shí)別模型進(jìn)行改進(jìn)和優(yōu)化。

參考文獻(xiàn)：

[1] 蔣意如，葉江，謝璋琳，等. 基于時(shí)序Sentinel-2影像物候特征分析的油菜種植范圍提取研究[J/OL]. 成都理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2024-03-08[2024-05-17]. http：//kns.cnki.net/kcms/detail/51.1634.n.20240305.1440.008.html.

[2] 劉雅婷，龔龑，段博，等. 多時(shí)相NDVI與豐度綜合分析的油菜無人機(jī)遙感長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020，45（2）：265-272.

[3] 史舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（2）：247-260.

[4] 王剛，丁華祥. Sentinel-2A數(shù)據(jù)支持下的雷州半島植被類型識(shí)別[J]. 測(cè)繪通報(bào)，2022（3）：76-82.

[5] 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取[J]. 測(cè)繪通報(bào)，2022（3）：111-115.

[6] 吳青云，高飛，李振軒，等. Sentinel-2A與Landsat 8數(shù)據(jù)在植被覆蓋度遙感估算中的比較[J]. 測(cè)繪通報(bào)，2021（S1）：104-108，113.

[7] 肖善才. 基于生長(zhǎng)氣候分區(qū)的土地利用農(nóng)作物種植面積快速提取研究：以南京市油菜種植面積提取為例[J]. 上海國(guó)土資源，2018，39（1）：50-56.

[8] 韓濤，潘劍君，張培育，等. Sentinel-2A與Landsat-8影像在油菜識(shí)別中的差異性研究[J]. 遙感技術(shù)與應(yīng)用，2018，33（5）：890-899.

[9] 陳濤，周世健，陶歡，等. 基于MODIS時(shí)序影像的湖南省油菜種植面積遙感監(jiān)測(cè)分析[J]. 北京測(cè)繪，2021，35（2）：198-203.

[10] 楊澤宇，張洪艷，明金，等. 深度學(xué)習(xí)在高分辨率遙感影像冬油菜提取中的應(yīng)用[J]. 測(cè)繪通報(bào)，2020（9）：110-113.

[11] ZHONG L H，HU L N，ZHOU H. Deep learning based multi-temporal crop classification[J]. Remote Sensing of Environment，2019，221：430-443.

[12] 田海峰. 基于Sentinel-1amp;2衛(wèi)星影像的中國(guó)主產(chǎn)區(qū)冬小麥遙感識(shí)別研究[D]. 北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院遙感與數(shù)字地球研究所），2019.

[13] 唐文瀾，王曉燕，汪權(quán)方，等. 湖北省油菜種植面積的遙感監(jiān)測(cè)方法探討[J]. 安徽農(nóng)業(yè)科學(xué)，2019，47（7）：238-241，245.

[14] 王克曉，周蕊，歐毅，等. 基于光學(xué)與雷達(dá)遙感的山地油菜分布提取研究[J]. 西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，43（6）：139-146.

[15] 劉良云. 植被定量遙感原理與應(yīng)用[M]. 北京：科學(xué)出版社，2014.

[16] 許童羽，楊佳欣，白駒馳，等. 基于無人機(jī)偏振遙感的水稻冠層

氮素含量反演模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（10）：171-178.

[17] 楊野，楊德昌，孫紅，等. 基于無人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)算法的南疆棉花生物量估算[J]. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：179-187.

[18] 何爽，張森，田家，等. 結(jié)合多模態(tài)數(shù)據(jù)的濱海濕地堿蓬葉面積

指數(shù)無人機(jī)高光譜反演[J]. 遙感學(xué)報(bào)，2023，27（6）：1441-1453.

[19] 崔賓閣，吳景，李心慧，等. 結(jié)合深度學(xué)習(xí)和植被指數(shù)的濱海濕地高分二號(hào)遙感影像信息提取[J]. 遙感學(xué)報(bào)，2023，27（6）：1376-1386.

[20] 鄧書斌. ENVI遙感圖像處理方法[M]. 北京：高等教育出版社，2014.

[21] 周昊強(qiáng)，包剛，徐自為，等. 基于CO2通量和遙感融合數(shù)據(jù)的亞高山草甸關(guān)鍵物候參數(shù)提取研究[J]. 遙感技術(shù)與應(yīng)用，2023，38（3）：624-639.

[22] 王正興，劉闖，陳文波，等. MODIS增強(qiáng)型植被指數(shù)EVI與NDVI初步比較[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2006，31（5）：407-410，427.

[23] 尤慧，蘇榮瑞，肖瑋鈺，等. 基于MODIS EVI時(shí)序數(shù)據(jù)的江漢平原油菜種植分布信息提取[J]. 國(guó)土資源遙感，2018，30（1）：173-179.

[24] 徐逸，甄佳寧，蔣俠朋，等. 無人機(jī)遙感與XGBoost的紅樹林物種分類[J]. 遙感學(xué)報(bào)，2021，25（3）：737-752.

[25] 范慧穎，董武，康寶生，等. 基于遙感圖像的山地冰川識(shí)別方法對(duì)比[J]. 水利水電技術(shù)，2020，51（5）：47-58.

[26] 孟浩然，李存軍，鄭翔宇，等. 綜合光譜紋理和時(shí)序信息的油茶

遙感提取研究[J]. 光譜學(xué)與光譜分析，2023，43（5）：1589-1597.

[27] 汪濤，陳亞梅，廖詠梅，等. 1990—2020年西藏天然林分布與景觀格局的動(dòng)態(tài)變化[J]. 山地學(xué)報(bào)，2022，40（5）：682-693.

[28] 崔雯卓，林晨，陳曦，等. 半城市化地區(qū)不透水面遙感提取優(yōu)化方法研究[J]. 地理與地理信息科學(xué)，2022，38（5）：31-39.

[29] 楊光，喬學(xué)瑾，石建初，等. 2000—2020年瑪納斯河流域的作物種植結(jié)構(gòu)與需水滿足度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（18）：156-166.

（責(zé)任編輯：王婷）