秦慧杰 王宗偉 陳成 歐陽曉

摘要 隨著遙感技術(shù)的發(fā)展，利用遙感技術(shù)提取農(nóng)作物成為常用的統(tǒng)計農(nóng)作物面積的方法?；谛蛄杏跋裉崛|臺市水稻、玉米和大豆3種秋季農(nóng)作物并統(tǒng)計面積，為東臺市農(nóng)業(yè)結(jié)構(gòu)調(diào)整及耕地優(yōu)化利用提供技術(shù)支撐。利用時序影像，結(jié)合紅邊波段、短波紅外波段和指數(shù)特征，通過實地采樣選取閾值，建立決策樹提取水稻、玉米和大豆。提取結(jié)果顯示，東臺市水稻、玉米和大豆的種植面積分別為49.21×103、36.45×103和7.73×103 hm2，通過查閱相關(guān)統(tǒng)計數(shù)據(jù)，計算得出3種農(nóng)作物的提取精度均達(dá)到80%以上，說明利用該水稻、玉米和大豆提取方法可行，提取結(jié)果可以作為估算農(nóng)作物面積的參考。

關(guān)鍵詞 特征提取;紅邊指數(shù);農(nóng)作物;決策樹

中圖分類號 S 127 ?文獻(xiàn)標(biāo)識碼 A

文章編號 0517-6611（2021）15-0227-05

Abstract With the development of remote sensing technology， the use of remote sensing technology to extract crops has become a common method of crop area statistics. In this research， three autumn crops of rice， corn and soybean in Dongtai City were extracted based on the sequence image， and the area was counted， which provided technical support for the adjustment of agricultural structure and the optimal use of cultivated land in Dongtai City.By using time series image， we combined with red edge band， short wave infrared band and index characteristics. Through field sampling threshold selection， decision tree was established to extract rice， corn and soybean. The extraction results showed that the planting areas of rice， corn and soybean in Dongtai City were 49.21×103， 36.45×103 and 7.73×103 hm2， respectively. Through consulting the relevant statistical data， the extraction accuracy of the three crops was more than 80%， which indicated that the method of extracting rice， corn and soybean was feasible， and the extraction results could be used as a reference for estimating the crop area.

Key words Feature extraction;Red edge index;Crops;Decision tree

基金項目 2020年度江蘇省自然資源科技計劃項目（2020045）;2020年江蘇省測繪工程院地理信息科研項目（SCYKY202013）;江蘇省環(huán)?？蒲姓n題（2019010）;2020年江蘇省測繪工程院地理信息科研項目（SCYKY202014）。

作者簡介 秦慧杰（1985—），女，河南周口人，高級工程師，碩士，從事GIS與遙感應(yīng)用研究。

收稿日期 2021-01-12

耕地作為我國最重要的土地資源，是人類賴以生存的最重要的生產(chǎn)資料，因此開展農(nóng)作物遙感提取技術(shù)研究是掌握耕地資源利用狀況、服務(wù)自然資源管理的重要技術(shù)手段。近年來，耕地“非糧化”現(xiàn)象層出不窮，國務(wù)院也出臺相關(guān)政策嚴(yán)防耕地“非糧化”，利用遙感技術(shù)提取糧食作物成為估計糧食作物面積的重要手段。隨著遙感技術(shù)的發(fā)展，遙感影像獲取的空間分辨率、時間分辨率和光譜分辨率越來越高，同時遙感影像又具有客觀性和可視性的特點，逐步與傳統(tǒng)的統(tǒng)計調(diào)查技術(shù)相融合，在農(nóng)作物種植面積監(jiān)測中發(fā)揮著越來越重要的作用，逐步成為農(nóng)作物面積信息獲取的重要途徑[1-6]。

遙感四波段影像由于波段較少，農(nóng)作物類的光譜差異容易被隱藏，所以四波段影像在進(jìn)行農(nóng)作物識別方面受到了較大的局限，同時采用多時相和增加敏感波段的方法在農(nóng)作物識別中應(yīng)用的越來越廣泛。王利民等[7]利用Landsat8 OLI數(shù)據(jù)研究了短波紅外波段對玉米大豆種植面積識別精度的影響，發(fā)現(xiàn)短波紅外的引入能夠提高玉米和大豆的識別精度;魏鵬飛等[8]采用多時相的高分一號數(shù)據(jù)，基于時序植被指數(shù)建立決策樹，對安徽潁上縣提取玉米、水稻、大豆和甘薯，取得了較好的結(jié)果。烏云德吉等[9]利用RapidEye衛(wèi)星影像加入紅邊波段對實驗區(qū)進(jìn)行農(nóng)作物精細(xì)識別，發(fā)現(xiàn)加入紅邊波段后，識別精度提高了5%左右。林文鵬等[10]基于光譜分析技術(shù)，利用多時相MODIS數(shù)據(jù)對北京地區(qū)主要秋季作物進(jìn)行提取，提取精度達(dá)86%，可為農(nóng)業(yè)決策部門提供信息服務(wù)。

鑒于此，筆者利用多時相哨兵2號影像，結(jié)合紅邊波段和短波紅外波段，提出利用紅邊指數(shù)對東臺市秋季作物水稻、玉米和大豆進(jìn)行提取，通過實地勘查采集樣本，分析以上幾類農(nóng)作物在哨兵2號影像上的光譜特征，確定可利用的關(guān)鍵特征，在此基礎(chǔ)上建立決策樹進(jìn)行農(nóng)作物提取，最后根據(jù)采集的樣本和統(tǒng)計數(shù)據(jù)進(jìn)行精度驗證，為東臺市掌握耕地利用狀況和農(nóng)作物面積估產(chǎn)提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

東臺市是江蘇省轄縣級市，由鹽城市代管，地處江蘇省沿海中部，長江三角洲北翼（120°07′～120°53′E，32°33′～32°57′N），東與黃海相連，南與南通市海安市接壤，西與泰州市興化市毗鄰，北與鹽城市大豐區(qū)交界，市域總面積約3 176 km2。東臺市境內(nèi)地勢平坦，地面高程1.4～5.1 m，大部分地區(qū)在2.6～4.6 m，范公堤貫穿南北，將東臺市分成堤東、堤西兩大地塊，堤西屬蘇北里下河碟形洼地東部碟緣平原，東北高平，西南低洼，為著名的時溱洼地;堤東地區(qū)為黃河奪淮后泥沙淤積形成的濱海平原[11]。

東臺市屬亞熱帶季風(fēng)海洋性氣候，四季分明，雨量適中，雨熱同季，冬冷夏熱，春溫多變，秋高氣爽，日照充足。常年平均氣溫15.2 ℃，日照2 130.5 h，無霜期達(dá)220 d，年均降雨量1 061.2 mm，適宜農(nóng)作物生長。東臺市水稻、玉米和大豆的物候期按播種期、分蘗期、開花期和成熟期4個生長期，其時間分別為：①播種期：水稻和玉米5月中上旬，大豆5月下旬和6月上旬。②分蘗期：水稻6月上旬和7月上旬;玉米6月中上旬;大豆7月中上旬。③開花期：水稻8月中下旬，玉米7月中下旬，大豆8月中上旬。④成熟期：水稻10月中上旬，玉米9月中下旬，大豆9月下旬和10月上旬。

1.2 數(shù)據(jù)獲取與處理

采用哨兵2號影像，下載于歐空局?jǐn)?shù)據(jù)中心，產(chǎn)品等級為1C級。哨兵2號影像有13個波段，從可見光、近紅外到短波紅外具有不同的空間分辨率，在紅邊范圍內(nèi)含有3個波段，對監(jiān)測植被信息非常有效。根據(jù)東臺市水稻、玉米和大豆的物候期，選擇時序影像的時間分別為2020年6月2日、7月7日、8月1日、 8月16日、9月5日和9月20日，利用SNAP 7.0軟件對哨兵2號影像數(shù)據(jù)進(jìn)行輻射定標(biāo)和大氣校正，并將可見光、近紅外波段、紅邊波段和短波紅外波段全部重采樣為10 m，在ENVI 5.1軟件下將所有波段進(jìn)行融合。

1.3 提取方法與思路

地面植物具有明顯的光譜反射特征，不同于土壤、水體和其他的典型地物，植被對電磁波的響應(yīng)是由其化學(xué)和形態(tài)學(xué)特征決定的，這種特征與植被的發(fā)育、健康狀況以及生長條件密切相關(guān)[12]。不同的植物類別由于組織結(jié)構(gòu)不同、季節(jié)不同、生態(tài)條件不同而具有不同的光譜特征、形態(tài)特征和環(huán)境特征。哨兵2號影像具有植被特有的紅邊波段，紅邊特征可以有效反應(yīng)植被的生長狀況。首先分析不同作物的光譜特征，再分析指數(shù)特征，從而提取有效的關(guān)鍵特征，建立決策樹對不同的作物進(jìn)行識別。

1.3.1 樣本點光譜曲線分析。

哨兵2號影像有13個波段，其中2、3、4波段為可見光藍(lán)、綠、紅波段，5、6、7波段和8a波段為紅邊波段，第8波段為近紅外波段，第11和12波段為短波紅外波段。由于哨兵2號影像的波段具有不同的分辨率，將所用波段均重采樣為10 m再進(jìn)行融合。根據(jù)實測采樣點，將采樣點展到哨兵2號影像上，提取對應(yīng)的光譜值。根據(jù)不同的生長期，選擇6月2日、7月7日、8月1日、8月16日、9月5日和9月20日六期影像進(jìn)行光譜特征分析。圖1為水稻、玉米和大豆3種農(nóng)作物不同生長期的光譜曲線。

從水稻、玉米和大豆的光譜曲線圖可以看出，3種農(nóng)作物的光譜曲線走勢基本一致，都呈現(xiàn)植被特有的光譜特征。6月2日夏收農(nóng)作物剛剛收割，水稻、玉米和大豆剛剛播種或還未播種，植被特征不明顯，所以可用6月2日影像將林地和其他植被排除。除6月2日影像外，其余影像在短波紅外B11和B12波段中水稻均區(qū)別于其他2種農(nóng)作物，所以可用短波紅外波段作為識別水稻的關(guān)鍵特征。8月16日影像中，玉米在B7、B8、B8a共3個波段與其他2種農(nóng)作物有差異。9月5、20日影像中，大豆和玉米在近紅外波段和紅邊波段的光譜值差異較大。通過以上光譜分析可以確定3種農(nóng)作物在紅邊波段和短波紅外波段具有可分性，為了更為準(zhǔn)確地區(qū)分3種農(nóng)作物，以紅邊波段、近紅外波段和短波紅外波段為基礎(chǔ)，結(jié)合3種農(nóng)作物的生長特征，建立和選取指數(shù)特征，從而更為精確地識別3種農(nóng)作物。

1.3.2 特征提取和分析。

通過多次試驗驗證，選取歸一化植被指數(shù)、水體指數(shù)，并建立紅邊指數(shù)3個特征作為關(guān)鍵特征對東臺市水稻、玉米和大豆進(jìn)行識別。

NDVI（Normalized Difference Vegetation Index，歸一化植被指數(shù)）可以反映作物的長勢和作物光合作用有效輻射吸收能力，是常被用于作物分類的植被指數(shù)。基于哨兵2號影像數(shù)據(jù)，利用紅光波段（Band 4）和近紅外波段（Band 8）計算NDVI，計算公式為：

NDVI=Band 8-Band 4Band 8+Band 4

NDWI（Normalized Difference Water Index）為歸一化水體指數(shù)，水體反射從可見光到中紅外波段逐漸減弱，在近紅外和中紅外波長范圍內(nèi)吸收性最強(qiáng)[13-14]，所以NDWI可以弱化影像中的非水體信息，突出水體信息。哨兵2號影像NDWI的計算公式為：

NDWI=Band 3-Band 8Band 3+Band 8

S_VRE（Sum of Vegetation Red Edge）為紅邊指數(shù)，為了充分發(fā)揮哨兵2號影像紅邊波段的優(yōu)勢，論文提出1個新的指數(shù)，即紅邊指數(shù)來對農(nóng)作物進(jìn)行更為精確的識別，紅邊指數(shù)即哨兵2號影像第6波段至8a波段的和，計算公式為：

S_VRE=Band 6+Band 6+Band 7+Band 8+Band 8a

圖2是水稻、玉米和大豆基于時間序列的NDVI指數(shù)、NDWI指數(shù)、S_VRE指數(shù)的曲線圖，以及B_SWIR（哨兵2號第11波段（短波紅外波段1））的序列值。

從序列指數(shù)值上可以看出，3種農(nóng)作物的NDVI值在整個生長期內(nèi)高低交叉，玉米的NDVI值在9月20日有較多的下降，這是由于該時期的玉米趨于成熟，綠色植被特征逐漸減弱，而大豆和水稻還具有綠色植被特征，所以可用9月20日的NDVI值來識別玉米。從3種農(nóng)作物的NDWI指數(shù)可以看出，在7月7日水稻的水體指數(shù)遠(yuǎn)高于玉米和大豆，水稻在該時期處于灌水期，水體特征較明顯，可以該時間的水體指數(shù)來識別水稻。從S_VRE序列值可以看出，在9月5和20日，大豆的值遠(yuǎn)高于玉米和水稻，9月20日差異更大，所以可利用9月20日影像來識別玉米和大豆。在B_SWIR序列值上可以看出，水稻和玉米、大豆的值在7月7日之后差異均較大，所以可用該波段輔助水體指數(shù)識別水稻。

從以上分析可以得出識別各種地物的關(guān)鍵特征，如表1所示。圖3為各關(guān)鍵特征的影像圖。

2 結(jié)果與分析

2.1 水稻、玉米、大豆提取

根據(jù)以上光譜和特征分析，在ENVI 5.1軟件下建立決策樹，首先根據(jù)8月中旬影像的NDVI提取植被，將非植被排除;其次，利用6月2日夏收農(nóng)作物剛收割，秋季農(nóng)作物還未播種或未出芽，無植被特征的特點，可利用6月2日的NDVI排除非農(nóng)作物;再次，根據(jù)水稻的灌水特征，利用7月7日影像的NDWI可提取水稻，為了更精確地提取水稻，根據(jù)光譜特征可用8月16日短波紅外波段進(jìn)一步優(yōu)化水稻提取;最后，利用9月20日的S_VRE提取玉米和大豆，同時利用7月7日的NDVI排除大豆中的其他作物。最后保留水稻、玉米和大豆3類農(nóng)作物。決策樹及閾值如圖4所示。提取結(jié)果如圖5所示。

從提取的水稻、玉米和大豆的結(jié)果來看，東臺市水稻、玉米和大豆的空間分布特征較為明顯，水稻主要分布在西部和東北部，西部的水稻地塊較為零散、面積較小，和玉米交叉種植;而東北部水稻種植面積較大，多為相連的較大地塊。玉米在全東臺市均有分布，主要集中在中北部。大豆總體種植面積較少，在中部和東部零星分布。

在ENVI 5.1中，利用Class Statistics功能進(jìn)行面積統(tǒng)計和換算。經(jīng)統(tǒng)計，提取的水稻面積為49.21×103 hm2，玉米面積為36.45×103 hm2，大豆面積為7.73×103 hm2。

2.2 精度驗證

為了驗證提取精度，野外采集了242個樣本點進(jìn)行精度驗證。經(jīng)計算，水稻、玉米和大豆的體提取精度為86.78%，Kappa系數(shù)為0.8。具體驗證結(jié)果如表2所示。

為了進(jìn)一步驗證提取精度，在東臺市統(tǒng)計局官網(wǎng)查詢到東臺市水稻、玉米和大豆的種植面積分別為44.49×103、31.85×103和8.33×103 hm2。經(jīng)計算，得到東臺市水稻、玉米和大豆提取的精度分別為89.4%、85.6%和83.8%，具體面積和精度驗證如表3所示。

3 結(jié)論

該研究利用哨兵2號影像，結(jié)合紅邊波段和短波紅外波段，并引入新的紅邊指數(shù)，建立決策樹提取水稻、玉米和大豆。通過2種方式驗證提取精度，總體精度均在80%以上，說明該方法可為東臺市農(nóng)作物精細(xì)提取提供技術(shù)支撐。從提取結(jié)果也可看出，東臺市水稻和玉米均有大面積種植，空間分布特征也較為明顯，大豆的種植面積較少，集中分中于東臺市的中部和東部，提取結(jié)果可為東臺市農(nóng)業(yè)結(jié)構(gòu)調(diào)整提供參考。

該研究還存在一些需要改進(jìn)和繼續(xù)研究的方面，閾值選取方法還可進(jìn)行進(jìn)一步研究，該閾值選取方法是根據(jù)實地采樣點進(jìn)行選擇，工作量大，閾值受采樣點的影響較大。在今后的研究中，可考慮自動確定閾值的方法，以增加方法的魯棒性。

參考文獻(xiàn)

[1] 徐新剛，李強(qiáng)子，周萬村，等.應(yīng)用高分辨率遙感影像提取作物種植面積[J].遙感技術(shù)與應(yīng)用，2008，23（1）：17-23.

[2] YAO X，WANG N，LIU Y，et al.Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery[J].Remote sensing，2017，9（12）：1-14.

[3] JIA K，WU B F，LI Q Z.Crop classification using HJ satellite multispectral data in the North China Plain[J].Journal of applied remote sensing，2013，7：573-576.

[4] 湯斌，王福民，周柳萍，等.基于地級市的區(qū)域水稻遙感估產(chǎn)與空間化研究[J].江蘇農(nóng)業(yè)科學(xué)，2015，43（11）：525-528.

[5] 陶青山，黃飛，雷帆，等.湖南省中稻種植面積遙感監(jiān)測方法研究[J].安徽農(nóng)業(yè)科學(xué)，2016，44（4）：309-313.

[6] 劉佳，王利民，楊福剛，等.基于HJ時間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J].農(nóng)業(yè)工程學(xué)報，2015，31（3）：199-206.

[7] 王利民，劉佳，楊玲波，等.短波紅外波段對玉米大豆種植面積識別精度的影響[J].農(nóng)業(yè)工程學(xué)報，2016，32（19）：169-178.

[8] 魏鵬飛，徐新剛，楊貴軍，等.基于多時相影像植被指數(shù)變化特征的作物遙感分類[J].中國農(nóng)業(yè)科技導(dǎo)報，2019，21（2）：54-61.

[9] 烏云德吉，于利峰，包珺瑋，等.RapidEye衛(wèi)星紅邊波段對主要農(nóng)作物識別能力的影響研究[J].北方農(nóng)業(yè)學(xué)報，2017，45（6）：118-123.

[10] 林文鵬，王長耀，儲德平，等.基于光譜特征分析的主要秋季作物類型提取研究[J].農(nóng)業(yè)工程學(xué)報，2006，22（9）：128-132.

[11] 金雯暉，楊勁松，王相平.灘涂土壤有機(jī)碳空間分布與圍墾年限相關(guān)性分析[J].農(nóng)業(yè)工程學(xué)報，2013，29（5）：89-94，294.

[12] 馬東輝，柯長青.南京冬季典型植被光譜特征分析[J].遙感技術(shù)與應(yīng)用，2016，31（4）：702-708.

[13] 邸蘇闖，李卓蔓，潘興瑤，等.永定河生態(tài)補(bǔ)水面積及河勢演變規(guī)律遙感監(jiān)測分析[J].北京水務(wù)，2020（4）：13-17.

[14] 常小燕.采煤塌陷區(qū)景觀格局演變及生態(tài)風(fēng)險評價研究[D].泰安：山東農(nóng)業(yè)大學(xué)，2019.