基于HJ—1 CCD影像的冬小麦种植面积提取研究

2015-10-21李峰等

山东农业科学 2015年5期

李峰等

摘要：针对目前省域冬小麦种植面积遥感监测业务化运行中所存在的监测精度与成本之间相互制约的问题，本研究选取冬小麦主产区——山东省为研究区域，利用HJ-1卫星提供的CCD遥感影像，采用决策树分类法，同时以山东省土地利用类型之林地数据和野外地面调查数据作为辅助，通过分区解译提取出山东省冬小麦种植面积和分布区域。研究表明：利用HJ-1 CCD影像进行山东省冬小麦种植面积提取是可行的，位置精度和面积总量精度分别达到93.0%和96.8%，对国产卫星的推广应用具有良好的示范作用。

关键词：HJ-1 CCD影像；山东省；冬小麦；决策树分类

中图分类号：S127文献标识号：A文章编号：1001-4942（2015）05-0109-06

Study on Winter Wheat Planting Area

Extraction Based on HJ-1 CCD Images

Li Feng1， Zhao Hong1， Zhao Yujin1， Shang Lin1， Cao Zhangchi2

（1.Shandong Provincial Climate Center， Jinan 250031， China； 2.Linyi Meteorological Bureau， Linyi 276004， China）

AbstractOn account of the mutual restricting problems among the accuracy and cost in the measurement of winter wheat planting area at provincial scale， it was studied to extract its planting and distribution areas using the HJ-1 CCD images in this paper. Shandong Province as the main production area of winter wheat was selected for this research. Using the decision tree classification and partition interpretation methods， which solved the spectral difference problems caused by growth period， species and farming， the winter wheat planting and distribution areas were extracted with the forest land data and the field survey data as assist. The results showed that the position accuracy and total area accuracy were up to 93.0% and 96.8% respectively， which preferably reflected the winter wheat planting area and distribution in Shandong Province. It was also a good model for the promotion and application of domestic satellites.

Key wordsHJ-1 CCD images； Shandong Province； Winter wheat； Decision tree classification

山东是我国冬小麦生产大省，占全国总产量的20%以上。及时、准确地获取其冬小麦种植面积及空间分布状况信息，对于准确估计和预测产量，加强生产管理，优化种植空间格局，确保山东省乃至全国粮食安全都具有重要意义。

目前，中国法定发布的农作物种植面积数据一直采用两种传统的方式进行统计，一种是按行政单元逐级统计并层层上报的全面统计，另一种是抽样调查。多年来，这两种方式发挥了重要作用，但也存在着很大的局限性。层层上报受人为因素干扰严重，且费时费力，准确性差，难以达到理想精度。抽样调查方法虽然人为干扰小、准确性高，但工作量大，人力、物力、财力投入大，且只适用于省级以上大范围农作物种植面积监测，难以获得区县级别的小区域作物种植面积。此外，这两种方法都无法提供农作物种植的空间分布状况，因此已经不适应社会发展的新要求。

20世纪80年代以来，遥感技术以其宏观、客观、快速、经济和信息量大等特点，被国内外广泛应用于作物长势监测和面积估算。能用于作物信息提取的遥感数据种类较多，各有其优缺点。低分辨率卫星数据（如NOAA/AVHRR、EOS/MODIS和FY-3/MERSI）重访周期短，在作物整个发育期中可获得多时相晴空数据，但由于空间分辨率低，其解译精度难以保证；而中高分辨率遥感数据（如TM和SPOT）空间分辨率高，估算精度高，但其访问周期长，扫描较窄，受天气影响大，获取作物关键生育期的全覆盖数据困难且获取费用昂贵，难以进行业务化推广。因此，空间分辨率与时间分辨率的矛盾成了影响作物种植面积遥感监测与估算的关键因素。

2008年9月6日中国成功发射了“环境与减灾监测预报小卫星星座系统”A、B星（简称HJ-1A/B），它是全球第一个专门用于环境与灾害监测预报的小卫星星座，分别装载2台中分辨率多光谱CCD相机。相对于气象卫星以及针对环境观测的其他卫星传感器，其获取的影像具有空间分辨率较高（30 m）、扫幅宽（单台CCD为360 km）、重访周期短（1A/1B双星协同为2 d）且数据可以免费下载的特点，这些特点使HJ-1A/B成为作物种植面积信息提取较好的遥感数据源。endprint

目前国内许多研究人员已利用HJ-1A/B CCD影像在作物面积提取方面开展了相关的研究，取得较好效果。其中郭伟等利用多时相HJ-1 CCD影像，采用决策树分类模型，对吉林省长春市的玉米种植面积信息进行提取，面积总量提取精度为92.57%。王来刚等利用HJ-1 CCD影像，得出了2009/2010年度河南省冬小麦种植面积年际变化率，结合冬小麦地面样方的监测精度达到了96.7%。梁益同等利用不同时期的HJ-1A/B CCD影像，采取最大似然分类法提取湖北省冬小麦和油菜分布信息，精度达95.48%。余凌翔等利用HJ-1 CCD遥感影像，根据橡胶林特有的影像特征，通过监督分类方法对西双版纳橡胶种植分布区信息进行提取，解译精度达到97.6%。钟仕全等利用HJ-1B CCD影像，采用决策树分类方法对广西宾阳县水稻作物信息进行了提取研究，总精度为94.9%。丁美花等利用多时相HJ-1 CCD卫星数据，采用监督分类、决策树分类和逐步剔除相结合的遥感方法，提取南宁市甘蔗种植信息，分类精度达到92.3%。李莉等利用多时相HJ-1 CCD卫星影像，采用监督分类、决策树分类和逐步剔除相结合的遥感方法，准确提取了广西甘蔗种植信息。赵丽花等利用HJ-1 CCD卫星影像，借鉴分层信息提取法原理，综合利用监督分类和非监督分类法，结合人机交互目视解译和实地定位调查等资料提取了姜堰市的冬小麦种植面积，总体面积提取精度达到90.22%。这些研究成果为本研究提供了丰富的方法技术借鉴。本文以山东省范围内的冬小麦为研究对象，探讨研究利用HJ-1 CCD影像，采用决策树分类法，结合山东省土地利用类型和野外地面调查数据，通过分区解译，提取了全省冬小麦种植面积信息，为山东省冬小麦种植产业区划、气象灾害监测和估产提供参考依据，同时对促进国产卫星遥感数据在地方经济建设中的示范应用具有重要的实际意义。

1研究区概况及数据来源

1.1研究区概况

山东省地处中国东部沿海、黄河下游，东临黄海，北滨渤海，全省包括半岛和内陆两部分。地理位置介于114°47′E～122°43′E、34°22′N～38°24′N之间，总面积15.71万平方千米。境内中部山地突起，西南、西北低洼平坦，东部缓丘起伏，形成以山地丘陵为骨架、平原盆地交错环列其间的地形大势，地表类型的多样化是大宗作物面积遥感提取需要解决的一个关键问题。

山东省属于典型的暖温带季风气候，降水集中，雨热同季，春秋短暂，冬夏较长。年平均气温11～14℃，年平均日照时数2 200～2 800 h，年平均降水量600～750 mm。冬小麦是山东省最主要的粮食作物，全省冬小麦播种面积、总产量均居全国第二位。

1.2HJ-1 CCD影像的获取及处理

HJ-1卫星是中国第一个多星多载荷民用对地观测系统。其中HJ-1A光学卫星搭载了2台宽覆盖多光谱相机（简称CCD）和1台超光谱成像仪（简称HIS）；HJ-1B光学卫星搭载了2台宽覆盖多光谱相机和1台红外相机（简称IRS）。CCD相机技术指标见表1，其影像数据具有宽幅、中高分辨率的特点，适用于区域的大范围中尺度覆盖监测，是日常监测较好的数据源，能够满足大尺度冬小麦种植面积业务化监测对光谱信息的要求。

根据山东省冬小麦的物候特征及遥感影像质量，该研究所需的2014年6景HJ-1 CCD遥感影像从中国资源卫星应用中心网站（http：//www.cresda.com/n16/index.html）下载，影像时间选择在3月下旬～4月上旬。该时期山东省的冬小麦处于返青期或拔节期，土壤背景影响较小，其余绿色植被除大蒜和山区常绿植被外均处于枯萎状态，非常适合冬小麦种植面积的提取，并且也符合政府决策的时间范围。在进行冬小麦种植区提取前，首先对遥感影像进行辐射校正，然后利用山东省1∶5万基础地理信息数据作为几何校正参照，以河流交叉点、道路交叉点等明显地物作为影像参考点，应用多项式校正模型和最近邻距离重采样模型对原始图像进行几何精校正，校正误差控制在1个像元左右。对各个时段的遥感影像进行镶嵌处理，获得山东省HJ-1 CCD影像拼图，最后利用矢量边界精确裁剪出山东省HJ-1 CCD影像图。

1.3地理背景资料

地理背景资料主要包括山东省1∶25万土地利用类型数据，由TM数据分类而得。山东省各县（市、区）行政边界1∶5万矢量数据，来自国家测绘局。

1.4野外调查数据

研究期间携带GPS赴山东省冬小麦和大蒜主要产区进行野外考察，获取了比较准确详细的样区地物特征数据和样点经纬度资料，便于了解各冬小麦和大蒜主要产区的地形地貌、冬小麦和大蒜种植情况，以用于处理遥感影像时的识别和验证。

2结果与分析

2.1冬小麦遥感监测分区

由于山东省东西范围跨度较大，气候条件差异显著，尤其是东部沿海地区与西部内陆地区，冬小麦发育期最大相差近20天，而且各地种植制度和方式也有很大不同。此外山东省山地、丘陵、平原和盆地等地貌类型多样，土壤类型丰富，遥感数据的同物异谱与异物同谱现象严重，直接影响冬小麦面积的解译精度。因此在利用基于NDVI的决策树分类方法提取冬小麦种植面积时，必须对全省进行分区，否则，达不到理想的效果。根据全省农业气候区划的结果，综合考虑作物发育期、地貌、气候条件、种植制度等要素，在原始遥感影像背景下，通过目视分析和实地调查，将全省划为6个区域，详见表2。

2.2冬小麦种植信息提取

山东省冬小麦一般在每年的10月上中旬播种，来年的6月上中旬收获。3月下旬～4月上旬，冬小麦处于返青和拔节期，作物长势较好，光谱特征较稳定，NDVI值较高，易于识别。同时，山东也是大蒜的主产地，大蒜一般于每年的9月下旬至10月上旬播种，来年的5月中下旬收获，冬、春季的生长状态与冬小麦极为相似，是冬小麦种植信息提取的重要障碍因素。此外，调查发现山区常绿植被（柏树和松树）也会影响冬小麦的提取精度。endprint

为了排除大蒜和山区常绿植被等地物的干扰，本研究基于山东省HJ-1 CCD影像镶嵌图，利用不同地物在不同波段、不同时相与其他地物明显的差异，采用决策树分类法，通过设定决策树节点阈值，建立分层决策树判别模型，同时以山东省土地利用类型数据和野外调查数据作为辅助，进行冬小麦种植面积提取，技术流程见图1。

具体步骤为：

（1）首先将HJ-1 CCD全省镶嵌影像通过叠加山东省土地利用类型数据——林地信息，剔除研究区内的山区常绿植被，获取冬小麦可能种植区域。

（2）在利用决策树分类法进行冬小麦的提取过程中，由于需要进行归一化植被指数（NDVI）的分析，因而本研究在对HJ-1 CCD影像进行几何校正和辐射校正得到对应的反射率影像后，首先计算归一化植被指数NDVI，即

NDVI=ρ4-ρ3ρ4+ρ3

式中，ρ3和ρ4分别为CCD相机第3（红外）和第4（近红外）波段的反射率。

根据野外调查采集的典型地物样本点信息，计算研究区（以济宁和枣庄市为例）主要地物类型的NDVI值，发现，居民地、水域、盐碱地等植被指数值均在0.22以下，冬小麦、大蒜的NDVI值域范围分别为0.31～0.58和0.33～0.50，二者存在部分重叠，但是与居民地、水域和盐碱地等差异较大，因此，利用NDVI值可剔除居民地、水体和盐碱地等区域。将影像进行掩膜处理后，得出冬小麦、大蒜分布范围。通过采用上述决策树分类法，设置NDVI阈值T，分别得到各分区内的冬小麦和大蒜分布范围后，再利用ArcGIS将各分区的分类图拼接在一起，得到全省范围内的冬小麦和大蒜种植分布区域。

（3）依据山东省大蒜栽培习惯，为了增加大蒜产量，大蒜播种后需要覆膜，其出苗期内（10月中下旬）的植被指数低于正值出苗期的冬小麦植被指数，因此本研究又下载了一景10月中下旬（2013-10-22）能覆盖山东省大蒜主产区的HJ-1 CCD影像，把大蒜和冬小麦的野外采集点数据导入该影像，发现大蒜的NDVI值域范围为0.05～0.11，冬小麦的NDVI值域范围为0.17～0.26。因此，利用步骤2中获取的冬小麦和大蒜区域对2013-10-22的影像进行掩膜，获取冬小麦和大蒜种植区域，再设置NDVI阈值剔除研究区内冬小麦信息，获取该影像内的大蒜种植区域。

（4）最后将步骤3获取的大蒜区域对步骤2中获得的冬小麦和大蒜区域范围进行掩膜，剔除研究区内的大蒜信息，最终获得基于HJ-1 CCD影像提取的山东省冬小麦种植空间分布示意图，图中绿色为冬小麦（图2）。与隋学艳等利用MODIS影像提取的山东省冬小麦种植面积和分布区域相比，冬小麦的主产区尤其是鲁西北和鲁西南地区发生了很大变化，鲁西北地区随着棉花种植面积的逐年减小，冬小麦种植面积在不断扩大。而鲁西南地区随着大蒜种植面积的逐年增大，冬小麦种植面积却在不断减小。而且文献[18]中只给出了山东省冬小麦总的种植面积，未能给出每个地市的种植面积，无法开展进一步的精度分析工作。

2.3冬小麦种植区提取精度

冬小麦种植区提取的精度结果必须从位置精度和面积总量精度两个方面进行评价。位置精度评价通常是通过研究区样本像素的分类结果与参照数据的比较而实现的。在ArcGIS平台下，利用野外调查的357个冬小麦种植区GPS定位点数据与冬小麦解译结果进行空间叠加分析，如表3所示，占93.0%（332个）的定位点位于所解译的冬小麦区域里，仅7.0%（25个）未在所解译的冬小麦区域里，出现漏判的主要原因为漏判点位于冬小麦和大蒜的混种区域或冬小麦比较稀疏的区域，不具备冬小麦光谱特征或光谱特征不明显。

最后，在ArcGIS平台下，将冬小麦分类结果与山东省矢量数据进行叠加处理，得到基于HJ-1 CCD影像提取的全省及17地市冬小麦种植面积，并与统计部门提供的面积数据进行了比较。结果（表4）表明：在山东省平原地区，基于HJ-1 CCD影像提取的种植面积与统计部门提供的面积之间相差较小；而山地丘陵地区两类数据之间的差异较大。除青岛、东营、威海、日照和莱芜外，其他地市冬小麦种植面积均被高估。

基于HJ-1 CCD影像提取的面积结果和统计部门提供的数据之间有所区别，其原因可能有如下几个方面：（1）本研究中使用的山东省土地利用类型——林地数据信息是基于TM数据获得的，解译精度会对山地、丘陵地区冬小麦面积提取产生影响。（2）在实际种植冬小麦时，为了便于田间管理，会留有田间道路，但在本文中未对此信息进行剔除。（3）本研究只考虑了对冬小麦遥感提取影响最大的常绿植被和大蒜种植信息，并未考虑同期其他田间作物对冬小麦提取精度的影响。

3结论与讨论

本研究利用多时相HJ-1 CCD影像，采用决策树分类法，以山东省土地利用类型数据和野外调查数据作为辅助，通过分区解译获取了较为准确的山东省冬小麦种植面积和分布范围，得到以下主要结论：

（1）HJ-1 CCD影像分辨率高，重访时间短，可以有效解决作物种植信息遥感测量业务运行的时、空分辨率的矛盾。

（2）考虑到冬小麦发育期、地貌、气候条件、种植制度等要素对冬小麦光谱信息的影响，将全省分成6个冬小麦种植区域，提高了冬小麦面积遥感解译精度。

（3）通过分析研究区主要作物关键生育期特点，利用大蒜出苗期需要地膜覆盖的特点，选取10月下旬一景HJ-1 CCD影像参与分类，有效解决了冬小麦和大蒜发育期混淆的问题，提高了分类精度。

基于以上研究成果，以HJ-1 CCD影像为数据源，将多源信息引入决策树分层分类模型进行冬小麦种植面积遥感估算业务运行的方法是可行的；同时，将环境卫星应用于该研究对于其他国产卫星的推广应用具有很好的示范作用。

但是，本文的研究方法仍存在一些问题有待解决。经检验，误判的像元主要位于各类作物交界处。这主要是由于HJ-1 CCD影像的分辨率虽然为30 m，但仍容易形成混合像元，通过目视解译也很难区分，这也在很大程度上限制了提取精度的进一步提高。因此，下一步研究的重点是在现有的基础上融合更高分辨率的遥感影像来提高提取精度。endprint

参考文献：

[1]陈仲新，刘海启，周清波，等.全国冬小麦面积变化遥感监测抽样外推方法的研究[J].农业工程学报，2000，16（5）：126-129.

[2]焦险峰，杨邦杰，裴志远.基于分层抽样的中国水稻种植面积遥感调查方法研究[J].农业工程学报，2006，22（5）：105-110.

[3]国家统计局农调总队.多目标复合抽样方法与实例[R].2003-09.

[4]马强，闵小平，徐晓青.卫星遥感技术在农业调查中的初步应用[J].中国农业资源与区划，2003，24（2）： 14-16.

[5]王茂新，裴志远，吴全，等.用NOAA图像监测冬小麦面积的方法研究[J].农业工程学报，1998，14（3）： 84-88.

[6]景毅刚.利用EOS/MODIS信息提取陕西冬小麦种植面积研究[J].陕西农业科学，2008（2）：95-98.

[7]许文波，张国平，范锦龙，等.利用MODIS遥感数据监测冬小麦种植面积[J].农业工程学报，2007，23（12）： 144-149.

[8]李剑萍，郑有飞.气象卫星混合像元分解研究综述[J].中国农业气象，2000，21（2）：44-47.

[9]郑长春，王秀珍，黄敬峰.基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究[J].遥感技术与应用，2008，23（3）：294-299.

[10]郭伟，赵春江，顾晓鹤，等.乡镇尺度的玉米种植面积遥感监测[J].农业工程学报，2011，27（9）： 69-74.

[11]王来刚，郑国清，陈怀亮，等.基于HJ-CCD影像的河南省冬小麦种植面积变化全覆盖监测[J].中国农业资源与区划，2011，32（2）： 100-103.