烏蘭吐雅，于利峰，包珺瑋，許洪滔，烏云德吉，任婷婷，趙佳樂，敦惠霞，于偉卓

（1.內(nèi)蒙古自治區(qū)農(nóng)牧業(yè)科學院農(nóng)牧業(yè)經(jīng)濟與信息研究所，內(nèi)蒙古呼和浩特 010031；2.內(nèi)蒙古自治區(qū)農(nóng)業(yè)遙感工程技術(shù)研究中心，內(nèi)蒙古呼和浩特 010031）

區(qū)域尺度上提取作物面積信息是農(nóng)情遙感監(jiān)測的重要內(nèi)容之一。實時、準確地獲取農(nóng)作物類型分布信息對糧食安全、社會經(jīng)濟、政策制定及生態(tài)功能評價等都有重要的影響[1]。隨著貿(mào)易的全球化，快速提取大尺度的農(nóng)作物信息引起更多關(guān)注[2-10]。遙感技術(shù)以其信息監(jiān)測獲取的快效率、大尺度和多譜段，成為當前大尺度農(nóng)作物種植結(jié)構(gòu)研究及農(nóng)業(yè)信息化服務主要的研究途徑[6]。然而，遙感提取農(nóng)作物面積信息受到遙感影像軌道號、遙感衛(wèi)星周期、天氣、農(nóng)作物物候特征等多種因素影響。中高分辨率的遙感影像雖然對于農(nóng)作物類別提取的精度較高，但因其重訪周期長、幅寬窄，無法滿足農(nóng)作物關(guān)鍵生育時期的要求，只能受限于地塊尺度的研究[1]。

大尺度上提取農(nóng)作物遙感識別及提取農(nóng)作物種植面積的研究主要有：遙感數(shù)據(jù)源上應用OLI數(shù)據(jù)[3，11]、GF-1WFV影像[12]、TM影像[13]等中等分辨率遙感影像。中分辨率遙感影像提取農(nóng)作物種植面積，比起低分辨率遙感影像，混合像素相對少，提取精度高。但由于受到衛(wèi)星軌道周期及云雨等氣象條件的影響，大尺度上應用主要在我國西部新疆、甘肅等干旱地區(qū)。利用多時相MODIS 衛(wèi)星數(shù)據(jù)提取大尺度農(nóng)作物種植面積的研究最多[1，4，5，8，10，14-16]。MODIS影像雖然空間分辨率較低，但時間分辨率較高，結(jié)合農(nóng)作物物候特征能提取大尺度的作物空間分布。大尺度信息提取技術(shù)方法概括起來有以下幾種：隨著大數(shù)據(jù)的發(fā)展，海量數(shù)據(jù)中如何提取作物種植面積也成熱門研究，DONG 等[3]利用Landsat 8影像研究亞洲東北部水稻繪制，用云計算方法，使用Google Earth Engine（GEE）平臺處理2014年所有可用的Landsat 8 圖像，提取研究區(qū)水稻種植面積；考慮時間分辨率和空間分辨率的優(yōu)勢，基于多源數(shù)據(jù)融合技術(shù)提取大尺度農(nóng)作物面積種植。劉文斌等[9]以湖北江漢平原和湖南洞庭湖平原為例，基于人工神經(jīng)網(wǎng)絡多源數(shù)據(jù)融合技術(shù)提取冬油菜面積。吳峰云[17]使用GF-1 和MODIS數(shù)據(jù)融合技術(shù)提取的鄱陽湖區(qū)域水稻空間分布?？紤]不同農(nóng)作物物候特點，用多時相或時間序列遙感數(shù)據(jù)提取農(nóng)作物種植面積的研究較多。孫華生[4]利用多時相MODIS數(shù)據(jù)提取我國水稻種植面積和長勢信息，侯玉印[5]基于MODIS NDVI時間序列數(shù)據(jù)提取的肯尼亞玉米種植面積，鄧帆等[10]基于多時相遙感影像監(jiān)測江漢平原油菜種植面積，平躍鵬[18]基于MODIS時間序列地表物候特征分析農(nóng)作物分類，呂婷婷等[19]、張健康等[20]、郝衛(wèi)平等[21]用多時相遙感數(shù)據(jù)提取柬埔寨、我國的黑龍港地區(qū)、東北三省農(nóng)作物信息，取得了較好的精度；考慮到遙感影像的混合像元問題，蔡薇等[22]分解像元提取小麥種植面積，RMS 均值小于0.009 6。王利民等[23]綜合NDVI時序特征的基礎(chǔ)上對混合像元分解，提取冬小麥種植面積，相對誤差率為7.11%。王凱等[24]使用GF-1數(shù)據(jù)，用決策樹與混合像元分解模型早期估算冬小麥種植面積，精度達到90.00%。

內(nèi)蒙古是我國13個糧食主產(chǎn)區(qū)之一，也是2019年僅剩5個糧食凈調(diào)出省份之一[25]。內(nèi)蒙古東西跨度大，東部到西部降水量、氣溫、積溫及生活方式大不同，不同區(qū)域種植農(nóng)作物也不同，本研究選擇內(nèi)蒙古東部呼倫貝爾市和興安盟，基于遙感地理特征曲線，分區(qū)域建模型提取研究區(qū)主要農(nóng)作物種植面積，為自治區(qū)農(nóng)作物種植結(jié)構(gòu)研究及農(nóng)業(yè)信息化管理提供科學思路。

1 材料和方法

1.1 研究區(qū)概況

呼倫貝爾市和興安盟地處44°05′～53°10′N，115°01′～126°36′E，位于內(nèi)蒙古東部。東西630 km、南北975 km，總面積31.258 3 萬km2，占內(nèi)蒙古自治區(qū)面積的26.42%，南部與通遼市相連，東部以嫩江為界與黑龍江省為鄰，北和西北部以額爾古納河為界與俄羅斯接壤，西北與蒙古國交界，西南與錫林郭勒盟相連。大興安嶺以東北——西南走向縱貫研究區(qū)，海拔700～1 700 m，以林區(qū)為主。西北為海拔550～1 000 m，為呼倫貝爾大草原，以牧區(qū)為主。在林區(qū)與牧區(qū)間零星分布著一些農(nóng)場，種植春小麥、油菜等作物。大興安嶺東麓，東北平原——松嫩平原邊緣，海拔200～500 m，以種植業(yè)為主，主要種植玉米、大豆、水稻、雜糧等。研究區(qū)北部位于溫帶北部，大陸性氣候顯著，氣候特點是冬季寒冷漫長，夏季溫涼短促，春季干燥風大，秋季氣溫驟降霜凍早；熱量不足，晝夜溫差大，有效積溫利用率高，無霜期短，日照豐富，降水量差異大，降水期多集中在7—8月。南部屬溫帶半干旱季風氣候，四季分明。無霜期95～145 d，大部分地區(qū)110～130 d。年降水量平均為400～450 mm，雨熱同期，種植一季作物。大部分地區(qū)日照2 800～3 100 h，中南部地區(qū)10℃以上積溫2 200～3 100℃。從北向南氣溫、積溫、光照、無霜期遞增，而降水量、相對濕度遞減。

1.2 空間數(shù)據(jù)處理及特征數(shù)據(jù)集的構(gòu)建

美國NASA 網(wǎng)（http：//edcimswww.cr.usgs.gov）下載2018年46期184 景8 d 反射率（MOD09Q1）數(shù)據(jù)，在ENVI 軟件里通過投影轉(zhuǎn)換、鑲嵌、裁剪、波段運算，再經(jīng)過降噪濾波器（Noise Reduction Filter，NRF）處理，去噪去云，得到研究區(qū)時間序列NDVI數(shù)據(jù)集，并計算5月的NDVI最低值。計算公式

式中，b2為近紅外反射率，b1為紅波段反射率，分別是MOD09Q1數(shù)據(jù)的第2波段和第1波段。

式中，b1、b2、b3、b4分別為5月1日、9日、17日、25日的NDVI值。

本研究為了制圖更直觀，NDVI值乘以10 000。下載2018年5月的4期16景（MOD09A1）數(shù)據(jù)，在ENVI 里通過波段運算，計算地表水分指數(shù)（LSWI）空間分布，并計算5月最高值。

式中，b2為近紅外反射率，b6為短波紅外反射率，分別是MOD09A1數(shù)據(jù)的第2波段和第6波段。

式中，b1、b2、b3、b4分別為5月1日、9日、17日、25日的LSWI值。

下載研究區(qū)DEM數(shù)據(jù)，在Arcgis 里投影轉(zhuǎn)換，鑲嵌剪切，并計算坡度空間分布圖。將以上50個數(shù)據(jù)集成新的數(shù)據(jù)集，作為特征曲線數(shù)據(jù)集，為提取研究區(qū)主要農(nóng)作物種植面積數(shù)據(jù)（圖1）。

圖1 特征曲線數(shù)據(jù)集RGB 合成

1.3 建立解譯標志及驗證數(shù)據(jù)

2018年7月18—30日，項目組在呼倫貝爾市和興安盟用北斗手持機和奧維互動地圖軟件打點，建立解譯標志和驗證數(shù)據(jù)，共打點2 210個，其中，玉米539個、大豆303個、水稻84個、春小麥331個、油菜398個，其他555個。打點數(shù)據(jù)與研究區(qū)Rapid Eye影像疊加，確認農(nóng)作物空間分布面積，保留農(nóng)作物種植面積大于25 hm2地塊的打點數(shù)據(jù)，作為本次研究的解譯標志和驗證數(shù)據(jù)，有效打點數(shù)據(jù)1 827個，其中1 188個作為建立模型的感興趣數(shù)據(jù)，639個數(shù)據(jù)作為驗證數(shù)據(jù)（圖2）。

圖2 解譯點和驗證點空間分布

1.4 研究方法

1.4.1 按農(nóng)業(yè)資源區(qū)劃特點，分區(qū)提取農(nóng)作物面積信息

1.4.1.1 大興安嶺東麓丘陵平原農(nóng)業(yè)區(qū) 包括阿榮旗、莫力達瓦達斡爾族自治旗、扎蘭屯市、突泉縣、科右中旗、烏蘭浩特市、科爾沁右翼前旗等旗縣市。這些區(qū)域氣溫較高，無霜期較長，降水量較多，雨熱同期，水資源豐富，土壤肥沃，腐殖質(zhì)含量高，適宜種植玉米、大豆、水稻等。

1.4.1.2 大興安嶺山地林業(yè)區(qū)及大興安嶺西麓呼倫貝爾高平原牧業(yè)區(qū) 大興安嶺山地林業(yè)區(qū)包括呼倫貝爾市的額爾古納市、根河市、牙克石市、鄂倫春旗及興安盟的阿爾山市，從北到西南貫穿整個研究區(qū)；這些區(qū)域海拔比較高，土壤肥沃但土層較薄，氣候寒冷，無霜期較短，天然林占主導地位。呼倫貝爾市高平原牧業(yè)區(qū)，包括新巴爾虎左旗、新巴爾虎右旗、陳巴爾虎旗、鄂溫克旗、海拉爾區(qū)、滿洲里市；氣溫較低，降水量較少，光照充足，風大；草場面積大，草質(zhì)優(yōu)良，發(fā)展畜牧業(yè)潛力大。這兩個區(qū)域零星分布著一些農(nóng)場，主要種植小麥和油菜等生育期較短的作物。

1.4.2 降噪濾波（NRF），減少誤差 降噪濾波是從衛(wèi)星圖像中提取植被的季節(jié)變化和年際變化時，為去除隨機生成的云和云陰影、灰塵、煙霧等影響植被長勢的外界因素為目的而開發(fā)的噪聲消除濾波。該時間序列數(shù)據(jù)處理模型，能夠很好地糾正原始NDVI時間序列曲線中的突變噪聲，消除曲線的“突增”和“突降”的噪聲。曲線不僅有較好的平滑度，也保留了真實的細節(jié)信息，且平滑曲線符合植被生長規(guī)律，有利于植被物候期的高精度信息提取（圖3）。

圖3 農(nóng)作物NRF 濾波前后NDVI時間序列變化對比

1.5 主要農(nóng)作物標準生長曲線的建立

根據(jù)林區(qū)和牧區(qū)的農(nóng)作物種植情況，野外定位的解譯標志點與該區(qū)域特征集數(shù)據(jù)疊加，提取春小麥和油菜特征曲線，作為這兩種作物分類的標準曲線。同樣的方法，農(nóng)區(qū)提取玉米、大豆、水稻的特征曲線，作為這3種作物分類的標準曲線。從特征曲線上看，不同農(nóng)作物特征曲線相互之間確實存在差異，用特征曲線分類是可行的（圖4、圖5）。

圖4 小麥、油菜的特征曲線

圖5 玉米、大豆、水稻的特征曲線

1.6 CART 決策樹分類方法

CART 決策樹是在1984年由Breman 提出的一種二叉樹分類方法，它能夠充分利用空間輔助信息，對影像的多個特征變量進行選擇性組合，識別繁多有效信息，從而實現(xiàn)對未知數(shù)據(jù)的分類、預測和挖掘。該方法在研究區(qū)有足夠樣本數(shù)量的情況下，采用GiNi 系數(shù)作為最佳測試變量和分割閾值的準則。公式為

由于每次分割都只將樣本集劃分為兩個子集，最終生成的決策樹是一個二叉樹，結(jié)構(gòu)簡潔明了，使用的分割規(guī)則清晰易懂，整個過程也比較符合人們一般的思維習慣。

2 結(jié)果與分析

2.1 研究區(qū)主要作物特征曲線特征分析

2.1.1 大興安嶺山地林業(yè)區(qū)及大興安嶺西麓主要農(nóng)作物遙感地理特征曲線分析 小麥和油菜分布于大興安嶺林業(yè)區(qū)和山地至高原過渡帶，這些區(qū)域土壤肥沃，但氣溫偏低，無霜期短。從小麥和油菜的特征曲線上看，都有兩個峰值，小峰值幾乎完全重疊；第一個峰值的特征，小麥的峰值出現(xiàn)時間比油菜出現(xiàn)早，油菜7月20日左右達到峰值，小麥7月12日左右達到峰值，7月20日之前小麥的NDVI值高于油菜，之后油菜NDVI值高于小麥。

2.1.2 大興安嶺東麓主要農(nóng)作物玉米、大豆、水稻遙感地理特征曲線分析 大興安嶺東麓丘陵和平原地區(qū)的主要農(nóng)作物玉米、大豆、水稻的特征曲線（圖4）。從3種農(nóng)作物特征曲線的分布來看，水稻特征明顯，較好區(qū)分。3種作物均有兩個峰值，第1個峰值特點是水稻出現(xiàn)的峰值時間比玉米、大豆早，7月28日達到峰值，而玉米和大豆8月5日達到峰值；第2個峰值中，水稻特征特別明顯，特征波段49中，水稻值低于2.50，而玉米和大豆值在5.28 以上；特征波段48中，水稻值185.42，而大豆值390.00，玉米值480.82；特征波段47中，水稻值在2 018.00 以下，大豆值2 903.00，玉米值2 582.00。

2.2 構(gòu)建基于遙感地理特征曲線的主要作物分類的決策樹模型

根據(jù)研究區(qū)的農(nóng)業(yè)資源區(qū)劃特點，把建好的遙感地理特征數(shù)據(jù)集分為林、牧區(qū)特征數(shù)據(jù)集和農(nóng)區(qū)特征數(shù)據(jù)集。根據(jù)兩個區(qū)域的自然特征及農(nóng)作物特征標準曲線差別分別建立主要農(nóng)作物提取模型（圖6）。用野外定位的解譯標志點作為感興趣區(qū)域，提取特征值，用CART 決策樹分類方法林、牧區(qū)分為水域、林地、草地、小麥、油菜、甜菜、玉米、大豆等種類，同樣的道理農(nóng)區(qū)用CART 決策樹分類方法分為林地、草地、玉米、大豆、水稻、其他作物，其他作物包括高粱、藥材、甜菜、向日葵、馬鈴薯、小麥等，分類結(jié)果見圖7。

圖6 主要農(nóng)作物遙感識別流程

研究區(qū)地勢從西北到東南逐漸降低，山地、丘陵到平原，植被類型多，林地、草地、耕地，相互交錯分布。農(nóng)區(qū)南部科爾沁右翼中旗分布著科爾沁沙地、鹽堿地、退化草地、零星林地、低濕地，玉米、大豆、多種雜糧。不同植物類型衛(wèi)星遙感影像上的反射率差別大，加上地塊破碎，農(nóng)區(qū)的主要農(nóng)作物提取過程很復雜，CART 決策樹模型共分為747個節(jié)點（圖8），由于過程過于復雜，決策樹模型沒有顯示。

2.3 分類結(jié)果與精度分類

用決策樹分類模型執(zhí)行后，對結(jié)果進行更改分類顏色、分類統(tǒng)計分析、小斑點處理、柵格轉(zhuǎn)矢量、制圖等操作，結(jié)果見圖9。以實地調(diào)查數(shù)據(jù)為標準，對模型提取的5種農(nóng)作物進行精度檢驗，并進行評價。正確分類的玉米、大豆、水稻、春小麥、油菜的樣本點分別為168、142、70、117、81個，相對精度分別為85.71%、70.65%、83.33%、75.48%、73.64%，農(nóng)作物平均相對精度在77.48%左右，滿足大尺度應用需求（表1）。

圖7 林、牧區(qū)主要農(nóng)作物遙感識別決策樹

圖8 農(nóng)區(qū)主要農(nóng)作物CART 分類運行

3 結(jié)論與討論

以MODIS NDVI數(shù)據(jù)、DEM數(shù)據(jù)、坡度數(shù)據(jù)、LSWI數(shù)據(jù)構(gòu)建的特征數(shù)據(jù)集，根據(jù)不同農(nóng)作物的特征曲線及農(nóng)業(yè)區(qū)劃，在不同區(qū)域構(gòu)建不同分類模型，并對結(jié)果進行精度評價，得到如下結(jié)果：

圖9 牧、林區(qū)和農(nóng)區(qū)農(nóng)作物分類

表1 研究區(qū)農(nóng)作物樣本點提取精度與實地調(diào)查數(shù)據(jù)對比統(tǒng)計

大尺度上應用遙感地理特征曲線區(qū)分不同作物，快速提取主要農(nóng)作物的種植面積是可行的。本研究總體相對精度達到77.48%左右，能夠滿足大尺度業(yè)務化監(jiān)測需求，但沒有達到周思等[8]的基于MODIS的黑龍江省農(nóng)作物種植結(jié)構(gòu)提取研究中的精度80%以上，原因在于本研究區(qū)南部處于科爾沁沙地北部邊緣，比起北部地物景觀破碎度大，用MODIS衛(wèi)星數(shù)據(jù)混合像素較多，作物信息提取誤差比北部大。今后大尺度作物信息提取研究中，更加細化研究區(qū)區(qū)劃，地物景觀破碎度大的區(qū)域用空間分辨率高的衛(wèi)星遙感數(shù)據(jù)。根據(jù)地面實際情況采用衛(wèi)星遙感數(shù)據(jù)源和信息提取方法，提高大尺度作物信息提取精度。

CART 決策樹分類方法是一種監(jiān)督分類方法，樣本的數(shù)量及空間分布對分類精度至關(guān)重要。樣本數(shù)量多，分布均勻，能提高分類精度。MODIS 衛(wèi)星遙感數(shù)據(jù)，適合地塊較大的區(qū)域的信息提??；地塊破碎，作物種植復雜的區(qū)域誤差較大。