黃啟廳 曾志康 謝國(guó)雪 駱劍承 覃澤林 蘭宗寶

摘要：【目的】充分發(fā)掘遙感影像的空間、時(shí)間和光譜等特征譜信息，探索地塊基元支持下的多源遙感數(shù)據(jù)作物種植信息自動(dòng)識(shí)別方法，為作物種植結(jié)構(gòu)信息的快速、精細(xì)化調(diào)查提供借鑒?！痉椒ā恳詮V西扶綏縣為研究區(qū)，通過(guò)對(duì)高空間分辨率影像的多尺度分割和對(duì)象廓線編輯，提取精細(xì)農(nóng)田地塊信息；以地塊為基元獲取覆蓋作物生育期內(nèi)的時(shí)序光譜特征；基于時(shí)序光譜及其變化定義與作物長(zhǎng)勢(shì)狀況相關(guān)的描述參量，形成靜態(tài)光譜與動(dòng)態(tài)過(guò)程特征結(jié)合的多維特征空間，結(jié)合作物的物候節(jié)律特征構(gòu)建作物種植信息提取模型，實(shí)現(xiàn)主要農(nóng)作物種植結(jié)構(gòu)信息的提取?！窘Y(jié)果】依據(jù)上述方法繪制出廣西扶綏縣甘蔗、水稻和其他作物農(nóng)田及草地、林地、水體、城鎮(zhèn)建設(shè)用地等的精細(xì)地塊圖，其中，提取廣西扶綏縣甘蔗和水稻作物的總面積分別為82420.01和6806.67 ha，作物提取的總體分類(lèi)精度為86.8%，Kappa系數(shù)為0.84?！窘Y(jié)論】提取的廣西扶綏縣作物種植結(jié)構(gòu)的成果滿(mǎn)足使用精度要求，可為精準(zhǔn)農(nóng)業(yè)補(bǔ)貼投放、農(nóng)業(yè)災(zāi)害定損等政策制定提供依據(jù)，而技術(shù)方法對(duì)于作物種植結(jié)構(gòu)信息的快速、精細(xì)化調(diào)查具有借鑒意義。

關(guān)鍵詞： 種植結(jié)構(gòu)；高時(shí)空分辨率；時(shí)間序列；精細(xì)地塊；遙感數(shù)據(jù)協(xié)同

中圖分類(lèi)號(hào)： S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-1191（2017）03-0552-09

0 引言

【研究意義】作物種植結(jié)構(gòu)反映一個(gè)地區(qū)的主要糧食和經(jīng)濟(jì)作物種植面積及布局情況，是土地資源利用科學(xué)性與合理性的指標(biāo)之一。因此，快速、及時(shí)、準(zhǔn)確掌握作物的種植結(jié)構(gòu)，并依據(jù)科學(xué)理論和技術(shù)進(jìn)行調(diào)整優(yōu)化，對(duì)于促進(jìn)資源的合理配置及可持續(xù)利用具有重要意義。遙感技術(shù)憑借宏觀性、時(shí)空一致性及可重復(fù)觀測(cè)的優(yōu)勢(shì)，已成為大區(qū)域作物種植結(jié)構(gòu)及其變化信息獲取的重要手段，其在理論方法和實(shí)際應(yīng)用方面均已得到長(zhǎng)足發(fā)展（唐華俊，1999；邢素麗和張廣錄，2003；閆慧敏等，2005b）。利用遙感技術(shù)調(diào)查作物種植結(jié)構(gòu)能夠提供準(zhǔn)確的種植信息，為有關(guān)部門(mén)指導(dǎo)農(nóng)林生產(chǎn)及調(diào)整作物布局提供參考依據(jù)?！厩叭搜芯窟M(jìn)展】運(yùn)用遙感技術(shù)調(diào)查作物結(jié)構(gòu)在國(guó)內(nèi)外已得到廣泛研究和應(yīng)用。大范圍的作物結(jié)構(gòu)調(diào)查更多采用SPOT、TM等中分?jǐn)?shù)據(jù)或NOAA、MODIS等低分辨率遙感數(shù)據(jù)（顧曉鶴等，2007；熊勤學(xué)和黃敬峰，2009；黃振國(guó)等，2013；王琳等，2013；王磊等，2013；張莉等，2013），并主要依靠多時(shí)相分析或遙感分類(lèi)與地面抽樣調(diào)查相結(jié)合的統(tǒng)計(jì)方法來(lái)進(jìn)行作物類(lèi)型及其長(zhǎng)勢(shì)信息的估算（閆慧敏等，2005a；鹿琳琳和郭華東，2009；苗翠翠等，2011），如美國(guó)農(nóng)業(yè)與資源空間遙感調(diào)查計(jì)劃（劉海啟等，1999）、歐盟農(nóng)業(yè)遙感監(jiān)測(cè)計(jì)劃（周清波，2004）及我國(guó)的農(nóng)情速報(bào)系統(tǒng)（吳炳方，2004）。由于中、低空間分辨率影像存在混合像元的因素，其分類(lèi)識(shí)別精度難以進(jìn)一步提升，因此更適用于全球、全國(guó)或省級(jí)區(qū)域的大尺度農(nóng)情估測(cè)。隨著高空間分辨率數(shù)據(jù)源的日益豐富，已有學(xué)者開(kāi)展了基于單期高空間分辨率數(shù)據(jù)作物種植結(jié)構(gòu)提取的探索研究（Mathur and Foody，2008；劉克寶等，2014），也有不少研究通過(guò)引入數(shù)據(jù)同化方法，將單一時(shí)相的高空間分辨率影像（如SPOT、ASTER等）和時(shí)序中低分辨率影像（如MODIS、HJ-1A/B）進(jìn)行融合獲取高空間分辨率時(shí)序數(shù)據(jù)，對(duì)作物種植信息進(jìn)行提取（萬(wàn)華偉等，2006；蒙繼華等，2011；王來(lái)剛等，2012）?！颈狙芯壳腥朦c(diǎn)】雖然上述方法在幾何和分類(lèi)精度上有所提升，但總體而言，其作物種植結(jié)構(gòu)信息仍停留在“片區(qū)”級(jí)尺度水平，難以滿(mǎn)足更精細(xì)的中小區(qū)域應(yīng)用需求；現(xiàn)代農(nóng)業(yè)的定量化管理、農(nóng)業(yè)補(bǔ)貼的精準(zhǔn)投放及農(nóng)業(yè)保險(xiǎn)的災(zāi)后定損等領(lǐng)域應(yīng)用的發(fā)展，迫切需要農(nóng)田地塊尺度的作物種植結(jié)構(gòu)信息的支持?！緮M解決的關(guān)鍵問(wèn)題】以廣西扶綏縣為研究區(qū)，在遙感圖譜認(rèn)知理論支持下，通過(guò)對(duì)高空間和高時(shí)間分辨率遙感數(shù)據(jù)的協(xié)同利用，從米級(jí)分辨率影像上提取農(nóng)田地塊結(jié)構(gòu)的圖信息，結(jié)合多時(shí)相中分辨率影像的光譜及其變化特征，以地塊為基元構(gòu)建地塊支持下的歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）時(shí)間序列數(shù)據(jù)，充分發(fā)掘遙感影像的空間、時(shí)間和光譜等特征譜信息，經(jīng)由遙感信息圖譜協(xié)同認(rèn)知方式，探索地塊基元支持下的多源遙感數(shù)據(jù)作物種植信息自動(dòng)識(shí)別方法，為作物種植結(jié)構(gòu)信息的快速、精細(xì)化調(diào)查提供借鑒。

1 材料與方法

1. 1 研究區(qū)概況

以廣西崇左市扶綏縣為研究區(qū)，該地區(qū)處于廣西西南部，位于東經(jīng)107°3′～108°6′、北緯22°11′～22°57′，西鄰崇左市江洲區(qū)，南接防城市上思縣，北靠南寧市隆安縣，西南與崇左市寧明縣交界，區(qū)域總面積約2836 km2。扶綏縣地貌以中部的丘陵和臺(tái)地平原為主，南、北部為山區(qū)，耕地主要分布于中部丘陵和臺(tái)地平原地區(qū)，南、北部山區(qū)耕地較少。該地區(qū)屬南亞熱帶季風(fēng)氣候區(qū)，常年多云雨天氣，年均溫21.3～22.8 ℃，年降水量1050～1300 mm。扶綏縣傳統(tǒng)產(chǎn)業(yè)包括蔗糖、糧食、水果和蔬菜產(chǎn)業(yè)，其中甘蔗和水稻分別是主要的經(jīng)濟(jì)和糧食作物（劉巽浩和陳阜，2005），甘蔗常年種植面積8萬(wàn)ha左右，是廣西甘蔗種植重點(diǎn)縣。研究區(qū)的氣候、耕地和作物種植狀況具有我國(guó)南方地區(qū)的典型特征，對(duì)遙感影像的時(shí)空分辨率及數(shù)據(jù)源獲取提出了較高要求。

1. 2 數(shù)據(jù)來(lái)源

以國(guó)產(chǎn)衛(wèi)星影像為主要數(shù)據(jù)源，采用8景高空間分辨率ZY-3影像及19景高時(shí)間分辨率的HJ-1、GF-WFV和Landsat 8影像。其中，ZY-3影像包括覆蓋研究區(qū)的全色和多光譜各4景，兩者融合后分辨率達(dá)2.1 m，能清晰分辨農(nóng)田邊界，且保留了大部分光譜特征，為地塊邊界的分割提取提供保障；中分辨率數(shù)據(jù)為2012年9月～2014年2月的多源多時(shí)相影像數(shù)據(jù)集，其在時(shí)間跨度上覆蓋了大多數(shù)作物的生長(zhǎng)周期；HJ-1A和HJ-1B光學(xué)衛(wèi)星分別搭載了2臺(tái)CCD相機(jī)，其分辨率均為30 m，重訪周期達(dá)到2 d；GF-WFV采用4臺(tái)傳感器并列成像，可獲得16 m分辨率的影像，重訪周期為4 d；由于2013年5月的HJ-1和GF-WFV均無(wú)可用數(shù)據(jù)，因此選用一期Landsat 8影像。所有選用影像如表1所示。

1. 3 研究方法

1. 3. 1 衛(wèi)星影像預(yù)處理 衛(wèi)星影像的預(yù)處理主要包括幾何校正、云影檢測(cè)、輻射校正和無(wú)云NDVI時(shí)序影像獲取。（1）幾何校正：以1∶10000地形圖選取控制點(diǎn)，利用PCI Geomatics 2013對(duì)ZY-3的全色和多光譜影像進(jìn)行正射和融合處理；以糾正后的2.1 m ZY-3融合影像為參考底圖，對(duì)GF-WFV、HJ-1和Landsat8影像進(jìn)行幾何糾正，使得中、高空間分辨率數(shù)據(jù)間及中分?jǐn)?shù)據(jù)間的幾何誤差小于1個(gè)GF-WFV像元（16 m）。（2）云影檢測(cè)：利用研究區(qū)邊界矢量對(duì)影像分別進(jìn)行裁切，生成坐標(biāo)投影及范圍一致的影像數(shù)據(jù)集；利用周偉等（2012）研究的云影檢測(cè)方法對(duì)中分影像進(jìn)行云影識(shí)別，檢測(cè)結(jié)果經(jīng)人工檢查和修訂后最終獲得對(duì)應(yīng)的云影掩膜數(shù)據(jù)集。（3）輻射校正：基于PCI Geomatics的ATCOR大氣校正模型，根據(jù)影像頭文件的定標(biāo)系數(shù)、成像時(shí)間和太陽(yáng)高度角等信息對(duì)中分影像數(shù)據(jù)集進(jìn)行輻射定標(biāo)和大氣校正，將DN值轉(zhuǎn)化為地表反射率，恢復(fù)影像的物理屬性，為后期NDVI的計(jì)算和分類(lèi)識(shí)別提供準(zhǔn)確的輻射信息。（4）無(wú)云NDVI時(shí)序影像獲取：根據(jù)公式（1）對(duì)19景輻射校正后的中分辨率影像計(jì)算NDVI，生成NDVI影像并與對(duì)應(yīng)的云影柵格數(shù)據(jù)做掩膜處理，獲取無(wú)云NDVI時(shí)間序列數(shù)據(jù)集。

式中，ρNIR為近紅外波段反射率，ρRED為紅波段反射率。

1. 3. 2 作物結(jié)構(gòu)信息提取 針對(duì)多云雨氣候條件下單一衛(wèi)星傳感器數(shù)據(jù)獲取能力的不足，以及日益精細(xì)化農(nóng)業(yè)應(yīng)用的需求，本研究基于高時(shí)空分辨率多源遙感數(shù)據(jù)協(xié)同，在地塊邊界約束下，結(jié)合作物物候歷和地物光譜、NDVI時(shí)序變化等多維特征，提取田地塊尺度下作物種植結(jié)構(gòu)信息。如圖1所示，作物結(jié)構(gòu)信息提取主要由以下3個(gè)步驟組成：①基于高空間分辨率ZY-3影像的多尺度分割與分類(lèi)提取耕地范圍，并在耕地基礎(chǔ)上進(jìn)行再分割和邊界編輯，獲得精細(xì)地塊矢量；②基于高時(shí)間分辨率NDVI影像數(shù)據(jù)集，以地塊為單元提取NDVI時(shí)間序列，對(duì)其平滑去噪，然后根據(jù)譜線量值和形態(tài)定義反映作物生育關(guān)鍵期變化特點(diǎn)的特征系列，形成支持后繼分類(lèi)識(shí)別的多維特征空間；③對(duì)研究區(qū)主要作物物候歷和植被變化規(guī)律進(jìn)行分析，并結(jié)合特征空間進(jìn)行地物樣本統(tǒng)計(jì)和閾值選取，構(gòu)建基于決策樹(shù)的作物遙感分類(lèi)模型，最終獲得研究區(qū)主要作物種植結(jié)構(gòu)信息。

2 結(jié)果與分析

2. 1 高空間分辨率的地塊邊界提取

ZY-3融合影像的空間分辨率為2.1 m，其獲取的地塊輪廓清晰且地塊內(nèi)部具有較好的光譜均質(zhì)性，能夠?yàn)榈貕K邊界的計(jì)算機(jī)提取提供良好基礎(chǔ)。由于水體、城鎮(zhèn)建設(shè)用地、林地和裸地等地塊類(lèi)型在高分影像上表現(xiàn)出明顯異于耕地的亮度、色調(diào)和紋理特征，因此，首先采用面向?qū)ο蠹夹g(shù)對(duì)影像進(jìn)行多尺度分割，然后選取各地塊類(lèi)型的典型樣本進(jìn)行基于支持向量機(jī)（Support vector machine，SVM）的監(jiān)督分類(lèi)，以獲得各地塊類(lèi)型的分布范圍。在耕地范圍內(nèi)進(jìn)行參數(shù)優(yōu)化再分割，并輔以人工邊界編輯和平滑處理，即可得到地塊的完整邊界矢量。經(jīng)對(duì)比實(shí)驗(yàn)選取的最佳分割尺度和形狀因子分別為60和0.3，顏色因子和空間緊致度設(shè)置為0.8和0.4，最終的分割提取效果如圖2所示。需要說(shuō)明的是，由于草地和某些耕地作物在單一時(shí)相ZY-3影像中難以有效區(qū)分，因此在初次分類(lèi)中將草地歸為耕地共同參與地塊的分割提?。煌瑫r(shí)，提取的結(jié)果地塊中也包含了少量分布于耕地當(dāng)中的小塊林地和園地，這些非目標(biāo)地類(lèi)可通過(guò)后期結(jié)合時(shí)序NDVI的多時(shí)相特征分析加以區(qū)分和歸類(lèi)。

2. 2 高時(shí)間分辨率的地塊特征提取

由于不同月份的NDVI影像在頻率和時(shí)間間隔上均不相同，加之農(nóng)作物的覆被狀況因翻耕、收割等人為因素在短期內(nèi)可能發(fā)生較大變化，因此，直接利用原始序列值或采用最大值合成進(jìn)行特征計(jì)算，難以反映作物覆被變化的真實(shí)狀況，可能會(huì)影響特征表達(dá)的準(zhǔn)確性及可比性。三次樣條插值函數(shù)（Cubic spline interpolation）是一類(lèi)分段光滑、并且在各段交接處也有一定光滑性的函數(shù)，屬于樣條函數(shù)的一種，已廣泛應(yīng)用到逼近論、數(shù)據(jù)擬合和計(jì)算機(jī)輔助設(shè)計(jì)領(lǐng)域。本研究采用三次樣條插值對(duì)初始時(shí)序值進(jìn)行曲線擬合，并從2012年3月1日～11月30日以旬為單位進(jìn)行NDVI曲線插值計(jì)算，獲取等時(shí)間間隔序列，效果如圖3所示。

獲取地塊NDVI序列之后，根據(jù)NDVI曲線量值和形態(tài)定義一系列物候和光譜統(tǒng)計(jì)特征，構(gòu)建多維特征空間。作物物候參數(shù)的提取采用動(dòng)態(tài)閾值法（Jonsson and Eklunndh，2002），該方法是一種動(dòng)態(tài)比值形式，即給定像元（地塊）和時(shí)間點(diǎn)的植被指數(shù)（Vegetation index，IV）值與VI（波動(dòng)頻率）之比。李治等（2013）研究表明，比值閾值可減少背景因素的影響，比絕對(duì)閾值或差值閾值具有更好的適用性。本研究中定義的物候特征包括：①基底值，即曲線左側(cè)最小值與右側(cè)最小值的均值；②曲線峰數(shù)，即一次導(dǎo)數(shù)為0的高值頂點(diǎn)數(shù)；③生長(zhǎng)季長(zhǎng)度，即曲線值高于振幅20%的時(shí)長(zhǎng)；④峰值，即一次導(dǎo)數(shù)為0的頂點(diǎn)值；⑤凋零速率，即NDVI從頂點(diǎn)峰值降至當(dāng)年振幅20%的降低速率。以上特征可有效反映作物的熟制、生長(zhǎng)周期、鼎盛期和收割期的植被覆蓋變化和物候節(jié)律特點(diǎn)，由這些動(dòng)態(tài)過(guò)程的物候特征及NDVI月均值、NDVI年均值等靜態(tài)光譜特征構(gòu)成的特征空間豐富了信息提取的可辨識(shí)維度，使得地物的遙感識(shí)別準(zhǔn)確度進(jìn)一步提高。

2. 3 作物種植結(jié)構(gòu)信息遙感反演

針對(duì)地塊是多維特征有效載體的特點(diǎn)，本研究采用決策樹(shù)分類(lèi)算法進(jìn)行地塊作物的遙感分類(lèi)。與常規(guī)分類(lèi)方法相比，決策樹(shù)分類(lèi)方法無(wú)需假設(shè)樣本先驗(yàn)概率分布，其非參數(shù)化和樹(shù)結(jié)構(gòu)特征具有更高的靈活性和魯棒性，不僅可以處理光譜、空間和高程等多源數(shù)據(jù)，還能有效處理大量高維數(shù)據(jù)和非線性關(guān)系（李治等，2013）。常規(guī)遙感分類(lèi)方法基于單一時(shí)相影像信息，因地物“同譜異物”和“同物異譜”現(xiàn)象的影響導(dǎo)致分類(lèi)精度難以有效提升，因此借助多源輔助信息來(lái)提高遙感識(shí)別精度成為新趨勢(shì)，其中對(duì)地物變化過(guò)程特征的挖掘和利用是重要方向之一。植被的生長(zhǎng)發(fā)育具有明顯的物候節(jié)律性，表2顯示了研究區(qū)（扶綏縣）主要農(nóng)作物的物候歷，將研究區(qū)物候知識(shí)與多時(shí)相遙感光譜信息有機(jī)融合，能有效提高作物分類(lèi)精度。

本研究將研究區(qū)耕地植被分為甘蔗、水稻、其他作物、草地和林地5種類(lèi)型，其他作物包括玉米、花生、蔬菜等小規(guī)模作物，草地包含自然草地和撂荒地，林地主要包括高分影像中漏分的小塊林地和園地。本研究主要對(duì)甘蔗、水稻兩大類(lèi)農(nóng)作物進(jìn)行遙感識(shí)別。在作物生長(zhǎng)期間進(jìn)行野外調(diào)查，沿境域內(nèi)主要道路獲取每個(gè)土地類(lèi)型不少于20個(gè)GPS定位數(shù)據(jù)用以閾值統(tǒng)計(jì)；另外，部分區(qū)域結(jié)合2013年7月的WorldoView-2 0.5 m分辨率影像隨機(jī)選取300個(gè)樣點(diǎn)進(jìn)行目視解譯，以解譯結(jié)果作為驗(yàn)證樣點(diǎn)。將GPS點(diǎn)位疊加到地塊矢量上，以點(diǎn)位對(duì)應(yīng)的地物類(lèi)別作為點(diǎn)位所在地塊樣本，通過(guò)對(duì)地物隨時(shí)間的變化特征分析從多維特征空間選取參與分類(lèi)的屬性子集，并基于樣本統(tǒng)計(jì)獲取各地類(lèi)的分類(lèi)特征閾值，構(gòu)建決策樹(shù)遙感分類(lèi)模型從而實(shí)現(xiàn)分類(lèi)。

2. 3. 1 非作物地塊識(shí)別 自然植被的生長(zhǎng)是一個(gè)漸變過(guò)程，其N(xiāo)DVI時(shí)序表現(xiàn)為平緩的曲線。農(nóng)作物一般生育周期較短，且由于收割、復(fù)種等人為干預(yù)導(dǎo)致植被覆蓋狀況在短期內(nèi)可發(fā)生較大變化，其變化在NDVI時(shí)序曲線上表現(xiàn)為曲線斜率在某一時(shí)刻的突然降低，通過(guò)對(duì)曲線陡變點(diǎn)的檢測(cè)可區(qū)分農(nóng)田作物與林草地等自然植被。曲線陡變點(diǎn)可用凋零速率來(lái)描述，凋零速率越小表示植被覆蓋變化越強(qiáng)烈。在自然植被中，由于林地的NDVI整體比草地高，因此通過(guò)NDVI均值的比較可將兩者進(jìn)一步區(qū)分。經(jīng)樣本統(tǒng)計(jì)，自然植被的凋零速率一般大于-0.5，其中林地NDVI均值通常大于0.42，草地則反之，因此分別得到林地和草地的識(shí)別模型：

式中，△NDVIMin為NDVI曲線的凋零速率，NDVIMean為全年的NDVI均值。

2. 3. 2 甘蔗識(shí)別 由表2可知，研究區(qū)7～8月雙季稻和玉米均處于第一季收割、第二季剛播種雙季交替階段，NDVI處于低值狀態(tài)，而此時(shí)甘蔗正處于生長(zhǎng)盛期而呈現(xiàn)較高的NDVI；甘蔗為單熟作物，從2～4月開(kāi)始長(zhǎng)葉抽節(jié)直至11月后開(kāi)始收割，生育周期長(zhǎng)達(dá)8個(gè)月以上，物候上與其他作物存在明顯差異。綜合以上特征及樣本統(tǒng)計(jì)結(jié)果可得到甘蔗的識(shí)別模型為：

式中，NDVI（7）、NDVI（8）為7、8月的NDVI均值；NumPeak為NDVI時(shí)序曲線的波峰數(shù)，反映了作物的熟制或田塊復(fù)種程度；△NDVIMin為NDVI最小值；GrowPeriod為生長(zhǎng)季長(zhǎng)度。

2. 3. 3 水稻識(shí)別 由表2可看出，研究區(qū)雙季稻第一季（早稻）從4月開(kāi)始播種至7月中下旬收割，第二季（晚稻）8月初播種至11月上旬收割，每一季的周期一般為3～4個(gè)月，NDVI在7～8月有較大回落，表現(xiàn)明顯的雙峰特征，因此，雙季稻識(shí)別模型為：

式中，NDVI（6）、NDVI（8）、NDVI（9）為6、8、9月的NDVI均值；NumPeak為NDVI時(shí)序曲線的波峰數(shù)，反映作物的熟制或田塊復(fù)種程度；△NDVIMin為NDVI最小值；GrowPeriod為生長(zhǎng)季長(zhǎng)度。

2. 3. 4 其他作物歸類(lèi) 研究區(qū)的玉米、花生和蔬菜等作物種植規(guī)模較小，分布零散，因此在地塊中不再一一進(jìn)行細(xì)分。將除了甘蔗、水稻之外的地塊均歸為其他作物類(lèi)別，得到其他作物的面積和分布。

2. 3. 5 作物種植結(jié)構(gòu)提取 利用上述構(gòu)建的決策樹(shù)遙感分類(lèi)模型提取研究區(qū)作物種植結(jié)構(gòu)信息，提取的效果如圖4所示。

2. 4 分類(lèi)精度評(píng)價(jià)

為了檢驗(yàn)本研究技術(shù)方法的效果，利用驗(yàn)證樣本對(duì)所有土地類(lèi)型均進(jìn)行驗(yàn)證和分類(lèi)精度評(píng)價(jià)。由表3可知，所有土地類(lèi)型的總體分類(lèi)精度為86.8%，Kappa系數(shù)為0.84，整體分類(lèi)效果良好。（1）雖然研究區(qū)的水體和城鎮(zhèn)建設(shè)用地基于單時(shí)相高分影像進(jìn)行分類(lèi)，但這兩類(lèi)地物的光譜特征與其他土地類(lèi)型具有明顯差異且隨時(shí)間變化小，因此仍取得了很好的分類(lèi)效果，其中，水體全部得到正確劃分，而城鎮(zhèn)建設(shè)用地的制圖精度與用戶(hù)精度也達(dá)到85.19%和95.83%。（2）在植被型土地類(lèi)型中，林地由于常年保持較高NDVI且經(jīng)過(guò)兩次分類(lèi)純化過(guò)程，因此分類(lèi)精度最高；甘蔗和水稻也達(dá)到較高的識(shí)別精度，甘蔗地塊的制圖精度和用戶(hù)精度分別可達(dá)92.11%和90.91%，水稻分別為88.89%和90.91%。研究還發(fā)現(xiàn)，同樣以利用植被在時(shí)間維的變化信息為主，水稻分類(lèi)精度比甘蔗的低，其原因可能是：一是水稻地塊普遍比甘蔗地塊小，破碎程度更高，多期影像間的配準(zhǔn)誤差對(duì)水稻地塊的影響更加明顯：二是在種植方式上，有些農(nóng)戶(hù)早稻收割后輪種其他作物或撂荒，在地塊年變化曲線上表現(xiàn)出與玉米、草地等相似的特點(diǎn)從而造成漏分；草地和其他作物類(lèi)別的精度依次居于水稻之后，主要是因?yàn)楦刈魑镏械钠渌魑镱?lèi)別包括了除甘蔗和水稻之外的所有作物，土地類(lèi)型復(fù)雜，易與草地和水稻混淆而導(dǎo)致錯(cuò)分和漏分，該類(lèi)別不是研究關(guān)注對(duì)象，其分類(lèi)精度并不影響本研究所使用方法的有效性。結(jié)果表明，高分?jǐn)?shù)據(jù)對(duì)于水體和城鎮(zhèn)建設(shè)用地等具有相對(duì)時(shí)空穩(wěn)定性的非植被型土地類(lèi)型具有較好的分類(lèi)精度；對(duì)于作物而言，在高精度地塊的約束下，利用多時(shí)相NDVI序列結(jié)合物候特征進(jìn)行作物類(lèi)型信息提取能夠取得較滿(mǎn)意的識(shí)別分類(lèi)效果，同時(shí)，作物種植結(jié)構(gòu)信息的幾何精度也有較大改善。

2. 5 提取結(jié)果分析

本研究采用高時(shí)空分辨率遙感數(shù)據(jù)協(xié)同提取廣西扶綏縣主要農(nóng)作物種植面積，其中，提取的甘蔗種植面積為82420.01 ha，水稻種植面積為6806.67 ha。2013年廣西崇左市農(nóng)業(yè)信息網(wǎng)公布的甘蔗和晚稻種植面積分別為83346.67和7900.00 ha，以統(tǒng)計(jì)數(shù)據(jù)為面積精度評(píng)價(jià)標(biāo)準(zhǔn)，甘蔗種植面積提取誤差為-1.12%，水稻種植面積提取誤差為-13.82%，甘蔗提取精度高于水稻提取精度，與分類(lèi)精度評(píng)價(jià)結(jié)果一致，甘蔗提取面積與實(shí)際情況較吻合，存在較小的偏差是由于甘蔗種植區(qū)域坡地占了相當(dāng)比重，因缺少高精度坡度數(shù)據(jù)，本研究以平面投影面積代替實(shí)際坡面面積而導(dǎo)致面積總數(shù)的減少。經(jīng)過(guò)對(duì)比分析顯示總體上提取的甘蔗和水稻作物種植面積與實(shí)際情況較接近，提取成果對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)和規(guī)劃具有重要意義。

本研究將提取作物種植結(jié)構(gòu)成果以專(zhuān)題圖顯示（圖4），能夠直觀反映其地理位置分布情況，從圖4-A可知，研究區(qū)甘蔗種植面積廣闊，主要分布于中部的平坦及緩坡丘陵地帶，北部和南部山區(qū)由于山高坡陡而甘蔗分布較少，主要以林地和草地為地表覆蓋類(lèi)型；水稻種植面積相較于甘蔗少很多，且總體分布較為零散，主要集中于中部及偏北部的城鎮(zhèn)建設(shè)用地周邊，南部靠近山區(qū)的水稻分布破碎程度更高，常見(jiàn)于山谷的低洼地帶；其他作物零碎分布在甘蔗地塊之間，規(guī)模較小。由圖4-B可知，本研究方法可在農(nóng)田地塊尺度上對(duì)作物類(lèi)型及其面積進(jìn)行精細(xì)識(shí)別和計(jì)算，其結(jié)果不僅指示了每一塊農(nóng)田的作物類(lèi)型，還避免了像素級(jí)分類(lèi)中的“椒鹽”現(xiàn)象，為精準(zhǔn)農(nóng)業(yè)補(bǔ)貼投放、農(nóng)業(yè)災(zāi)害定損等應(yīng)用提供基礎(chǔ)依據(jù)。

3 討論

本研究在遙感圖譜認(rèn)知理論支持下，綜合利用高空間分辨率和高時(shí)間分辨率的多源衛(wèi)星遙感數(shù)據(jù)，通過(guò)時(shí)空信息耦合的圖譜協(xié)同方式對(duì)縣級(jí)區(qū)域的作物種植信息進(jìn)行提取研究，獲得了農(nóng)田地塊尺度下的作物種植結(jié)構(gòu)信息。胡瓊等（2015）指出使用單期影像提取作物結(jié)構(gòu)存在弊端，提出使用最佳物候期的多時(shí)相影像，根據(jù)光譜和空間特征提取作物是提高分類(lèi)精度的關(guān)鍵，本研究的技術(shù)方法與其觀點(diǎn)一致。因此，基于國(guó)產(chǎn)衛(wèi)星多星協(xié)同的數(shù)據(jù)源獲取方案，彌補(bǔ)了以往單一衛(wèi)星數(shù)據(jù)源存在的欠缺，顯著提高了數(shù)據(jù)有效時(shí)空覆蓋度，為我國(guó)南方多云雨地區(qū)遙感數(shù)據(jù)的獲取及滿(mǎn)足作物長(zhǎng)勢(shì)監(jiān)測(cè)所需的多時(shí)相遙感數(shù)據(jù)提供有力支撐。同時(shí)，綜合高空間分辨率數(shù)據(jù)的圖信息和高時(shí)間分辨率數(shù)據(jù)的譜信息，以農(nóng)田地塊為基本單元構(gòu)建以空間碎片化、時(shí)間序列化為特點(diǎn)的時(shí)間序列多特征集，結(jié)合作物物候特點(diǎn)構(gòu)建合適的作物遙感分類(lèi)模型，可以實(shí)現(xiàn)對(duì)作物類(lèi)型的準(zhǔn)確判別。利用高分辨率數(shù)據(jù)提取地塊單元，并以地塊為基元進(jìn)行作物識(shí)別，不但可以減輕多期影像配準(zhǔn)中少量偏差帶來(lái)的計(jì)算誤差，避免象素級(jí)分類(lèi)中的“椒鹽”現(xiàn)象，而且精準(zhǔn)的地塊邊界比傳統(tǒng)面向?qū)ο蠓诸?lèi)的不規(guī)則圖斑更具有自然和社會(huì)屬性意義，可進(jìn)一步應(yīng)用于土地確權(quán)、農(nóng)業(yè)補(bǔ)貼、災(zāi)害定損等領(lǐng)域。此外，由于農(nóng)田地塊邊界的相對(duì)穩(wěn)定性，由高分影像獲取的地塊邊界數(shù)據(jù)可以一次提取、多次利用，可實(shí)現(xiàn)多年農(nóng)作物種植信息的自動(dòng)、快速更新。

但本研究也存在不少需要改進(jìn)之處，如基于高分影像的農(nóng)田地塊邊界獲取目前仍需要較多的人工編輯工作，如何改進(jìn)現(xiàn)有的影像分割算法，使得機(jī)器分割效果與地塊實(shí)際邊界吻合，從而最大程度減輕人工工作量是開(kāi)展大范圍區(qū)域應(yīng)用必須考慮的問(wèn)題。此外，由于不同作物立地條件不一致，農(nóng)作物種植信息提取過(guò)程中仍需考慮地形等因素，引入高程和坡度等多源信息，進(jìn)一步提高作物面積提取精度。本研究主要開(kāi)展了縣級(jí)區(qū)域的小范圍應(yīng)用試驗(yàn)，以甘蔗和水稻為對(duì)象進(jìn)行作物的分類(lèi)識(shí)別。我國(guó)各地氣候、地形和耕種模式復(fù)雜多樣，采用固定的分類(lèi)判別模型必然會(huì)增加分類(lèi)結(jié)果的不準(zhǔn)確性。因此，結(jié)合當(dāng)?shù)馗髦贫群妥魑锷L(zhǎng)模型等先驗(yàn)知識(shí)，探討復(fù)雜條件下作物種植結(jié)構(gòu)信息的智能化提取將是今后研究的重要方向。

4 結(jié)論

本研究提取的廣西扶綏縣作物種植結(jié)構(gòu)的成果滿(mǎn)足使用精度要求，可為精準(zhǔn)農(nóng)業(yè)補(bǔ)貼投放、農(nóng)業(yè)災(zāi)害定損等政策制定提供依據(jù)，而技術(shù)方法對(duì)于作物種植結(jié)構(gòu)信息的快速、精細(xì)化調(diào)查具有借鑒意義。

參考文獻(xiàn)：

顧曉鶴，潘耀忠，朱秀芳，張錦水，韓立建，王雙. 2007. MODIS與TM冬小麥種植面積遙感測(cè)量一致性研究——小區(qū)域?qū)嶒?yàn)研究[J]. 遙感學(xué)報(bào)，11（5）： 350-358.

Gu X H， Pan Y Z， Zhu X F， Zhang J S， Han L J， Wang S. 2007. Consistency study between MODIS and TM on winter wheat plant area monitoring——A case in small area[J]. Journal of Remote Sensing， 11（5）： 350-358.

胡瓊，吳文斌，宋茜，余強(qiáng)毅，楊鵬，唐華俊. 2015. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 48（10）： 1900-1914.

Hu Q， Wu W B， Song Q， Yu Q Y， Yang P， Tang H J. 2015. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica， 48（10）： 1900-1914.

黃振國(guó)，陳仲新，劉芳清，劉軍. 2013. 基于HJ-1影像的大棚菜地遙感監(jiān)測(cè)技術(shù)研究——以山東壽光市為例[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 34（5）： 102-106.

Huang Z G， Chen Z X， Liu F Q， Liu J. 2013. Monitoring of greenhouse vegetables land using HJ-1 remotely-sensed imagery[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（5）： 102-106.

李治，楊曉梅，夢(mèng)樊，范文義. 2013. 物候特征輔助下的隨機(jī)森林宏觀尺度土地覆蓋分類(lèi)方法研究[J]. 遙感信息， 28（6）： 48-55.

Li Z， Yang X M， Meng F， Fan W Y. 2013. LULC classification based on random forest with the aid of phenological features[J]. Remote Sensing Information， 28（6）： 48-55.

劉海啟，金敏毓， 龔維鵬. 1999. 美國(guó)農(nóng)業(yè)遙感技術(shù)應(yīng)用狀況概述[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 20（2）： 56-60.

Liu H Q， Jin M Y， Gong W P. 1999. Applications of remote sensing in agriculture in the United States[J]. Chinese Journal of Agricultural Resources and Regional Planning， 20（2）： 56-60.

劉克寶，劉述彬，陸忠軍，宋茜，劉艷霞，張冬梅，吳文斌. 2014.利用高空間分辨率遙感數(shù)據(jù)的農(nóng)作物種植結(jié)構(gòu)提取[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃， 35（1）： 21-26.

Liu K B， Liu S B， Lu Z J， Song Q， Liu Y X， Zhang D M， Wu W B. 2014. Extraction on cropping structure based on high spatial resolution remote sensing data[J]. Chinese Journal of Agricultural Resources and Regional Planning， 35（1）： 21-26.

劉巽浩，陳阜. 2005. 中國(guó)農(nóng)作制[M]. 北京：中國(guó)農(nóng)業(yè)出版社： 95-106.

Liu X H， Chen F. 2005. Farming System in China[M]. Beijing： China Agriculture Press： 95-106.

鹿琳琳，郭華東. 2009. 基于SPOT/VEGETATION時(shí)間序列的冬小麥物候提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 25（6）： 174-179.

Lu L L， Guo H D. 2009. Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data[J]. Transactions of the Chinese Society Agricultural Engineer-

ing， 25（6）： 174-179.

蒙繼華，吳炳方，杜鑫，張飛飛. 2011. 高時(shí)空分辨率NDVI數(shù)據(jù)集構(gòu)建方法[J]. 遙感學(xué)報(bào)， 15（1）： 44-59.

Meng J H， Wu B F， Du X， Zhang F F. 2011. Method to construct high spatial and temporal resolution NDVI DataSet-STAVFM[J]. Journal of Remote Sensing， 15（1）： 44-59.

苗翠翠，江南，彭世揆，呂恒，李揚(yáng)，張瑜，王妮，李軍. 2011. 基于NDVI時(shí)序數(shù)據(jù)的水稻種植面積遙感監(jiān)測(cè)分析——以江蘇省為例[J]. 地球信息科學(xué)學(xué)報(bào)， 13（2）： 273-280.

Miao C C， Jiang N， Peng S K， Lü H， Li Y， Zhang Y， Wang N， Li J. 2011. Extraction of paddy land area based on NDVI time-series data： Taking Jiangsu province as an example[J]. Journal of Geo-Information Science， 13（2）： 273-280.

唐華俊. 1999.遙感技術(shù)在農(nóng)業(yè)資源區(qū)劃中的應(yīng)用與展望[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃， 20（4）： 22-26.

Tang H J. 1999. The application and prospect of the remote sensing technology in the regional planning of the agricultural resources[J]. Chinese Journal of Agricultural Resources and Regional Planning， 20（4）： 22-26.

萬(wàn)華偉，王錦地，肖志強(qiáng)，李麗. 2006. 融合MODIS與ASTER數(shù)據(jù)生成高空間分辨率時(shí)間序列LAI方法研究[J]. 北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 43（3）： 303-308.

Wan H W， Wang J D， Xiao Z Q， Li L. 2006. Generating the high spatial and temporal resolution LAI by fusing MODIS and ASTER[J]. Journal of Beijing Normal University（Natu-

ral Science）， 43（3）： 303-308.

王琳，景元書(shū)，楊沈斌. 2013. 基于多時(shí)相遙感數(shù)據(jù)提取水稻種植面積的研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 34（2）： 20-25.

Wang L， Jing Y S， Yang S B. 2013. Study on extraction of rice cropping area using multi-temporal remote sensing date[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（2）： 20-25.

王磊，王賀，盧艷麗，白由路，楊俐蘋(píng). 2013. NDVI在農(nóng)作物監(jiān)測(cè)中的研究與應(yīng)用[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 34（4）： 43-50.

Wang L， Wang H， Lu Y L， Bai Y L， Yang L P. 2013. The research and application of NDVI in crop monitoring[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（4）： 43-50.

王來(lái)剛，田永超，朱艷， 姚霞， 鄭國(guó)清， 曹衛(wèi)星. 2012. 不同時(shí)空分辨率遙感數(shù)據(jù)融合估算冬小麥葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 28（17）： 117-124.

Wang L G， Tian Y C， Zhu Y， Yao X， Zheng G Q， Cao W X. 2012. Estimation of winter wheat leaf area index by fusing different spatial and temporal resolution remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering， 28（17）： 117-124.

吳炳方. 2004. 中國(guó)農(nóng)情遙感速報(bào)系統(tǒng)[J]. 遙感學(xué)報(bào)， 8（6）： 481-497.

Wu B F. 2004. China crop watch system with remote sensing[J]. Journal of Remote Sensing， 8（6）： 481-497.

邢素麗，張廣錄. 2003. 我國(guó)農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 19（6）： 174-178.

Xing S L， Zhang G L. 2003. Application status quo and prospect of agriculture remote sensing in China[J]. Transactions of the Chinese Society Agricultural Engineering， 19（6）： 174-178.

熊勤學(xué)，黃敬峰. 2009. 利用NDVI指數(shù)時(shí)序特征監(jiān)測(cè)秋收作物種植面積[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 25（1）： 144-148.

Xiong Q X， Huang J F. 2009. Estimation of autumn harvest crop planting area based on NDVI sequential characteristics[J]. Transactions of the Chinese Society Agricultural Engineering， 25（1）： 144-148.

閆慧敏，曹明奎，劉紀(jì)遠(yuǎn)，莊大方，郭建坤，劉明亮. 2005a. 基于多時(shí)相遙感信息的中國(guó)農(nóng)業(yè)種植制度空間格局研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 21（4）： 85-90.

Yan H M， Cao M K， Liu J Y， Zhuang D F， Guo J K， Liu M L. 2005a. Characterizing spatial patterns of multiple cropping system in China from multi-temporal remote sensing images[J]. Transactions of the Chinese Society Agricultural Engineering， 21（4）： 85-90.

閆慧敏，劉紀(jì)遠(yuǎn)，曹明奎. 2005b. 近20年中國(guó)耕地復(fù)種指數(shù)的時(shí)空變化[J]. 地理學(xué)報(bào)， 60（4）： 559-566.

Yan H M， Liu J Y， Cao M K. 2005b. Remotely sensed multiple cropping index variations in China during 1981-2000[J]. Acta Geographica Sinica， 60（4）： 559-566.

張莉，吳文斌，左麗君，周清波. 2013. 基于EOS/MODIS數(shù)據(jù)的南方水稻面積提取技術(shù)[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃， 32（4）： 39-44.

Zhang L， Wu W B， Zuo L J， Zhou Q B. 2013. Extracting plan-

ting of paddy rice in southern China by EOS/MODIS data[J]. Chinese Journal of Agricultural Resources and Regional Planning， 32（4）： 39-44.

周清波. 2004. 國(guó)內(nèi)外農(nóng)情遙感現(xiàn)狀與發(fā)展趨勢(shì)[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 25（5）： 9-14.

Zhou Q B. 2004. Status and tendency for development in remote sensing of agriculture situation[J]. Chinese Journal of Agricultural Resources and Regional Planning，25（5）：9-14.

周偉，關(guān)鍵，姜濤，何友. 2012. 多光譜遙感影像中云影區(qū)域的檢測(cè)與修復(fù)[J]. 遙感學(xué)報(bào)， 16（1）： 132-142.

Zhou W， Guan J， Jiang T， He Y. 2012. Automatic detection and repairing of cloud and shadow regions in multi-spectral remote sensing images[J]. Journal of Remote Sensing，16（1）： 132-142.

Jonsson P， Eklunndh L. 2002. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. IEEE Transac-

tions on Geoscience and Remote Sensing， 40（8）：1824-1832.

Mathur A， Foody G M. 2008. Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International Journal of Remote Sensing， 29（8）： 2227-2240.

（責(zé)任編輯 鄧慧靈）