吴煜心,操震洲,姜林燕

(1. 南京工业大学测绘科学与技术学院，江苏 南京 211816;2. 江苏省金威遥感数据工程有限公司,江苏 南京 210000 )

0 引 言

自20世纪70年代以来，遥感技术在农作物种植面积测量、产量预测等方面发挥着重要作用。及时获取农作物种植面积和空间分布等信息有助于政府及时调整农业种植结构，提高农作物产量[1]。随着GF-1卫星的成功发射，贾玉秋等[2]在农业遥感长势监测领域对GF-1与 Landsat-8 影像数据进行了对比研究，得出GF-1卫星的高时间、高空间分辨率特征，这使其成为农业遥感领域的重要数据源。在传统方法中，遥感影像分类过程中“同谱异物、同物异谱”及“混合像元”等现象严重，难以保证农作物遥感识别的精度。而通过将遥感数据与其他辅助数据相结合可 有效提高农作物种植面积识别精度，如光谱数据[3]、植被纹理信息[4]等。根据研究区的地貌特征采取不同的分类方法可以有效提高影像的分类精度，最常见的有最大似然法[5]、面向对象分类法[6]等。张锦水等提出了将二维影像数据与统计抽样相结合方式进行农作物面积测量，在一定程度上解决了“混合像元”问题[7-10]。

上述研究初步评价了农作物遥感测量中的数据源、分类方法及与其他辅助数据相结合的应用潜力，但鲜有研究从高精度无人机遥感测量角度深入研究其农业应用价值。本文以宿迁市泗洪县为研究区，冬小麦为研究对象，充分利用GF-1号卫星数据优势，提出一种新的冬小麦种植面积估算模型：该模型首先采用最大似然法对遥感影像进行监督分类，然后利用耕地矢量数据对分类结果进行优化，结合高分辨率的样本村数据进行面积拟合估算，最后得到目标农作物的种植面积。

1 研究区与数据概况

以宿迁市泗洪县为研究区，泗洪县位于江苏省西北部，淮河中游，地理坐标为北纬33°08′-33°44′，东经117°56′-118°46′。泗洪县冬小麦种植规模大，地块整齐，在冬小麦成熟期，与油菜籽的光谱特征存在明显差异，便于进行遥感分类研究。GF-1 卫星搭载了4台WFV多光谱相机，空间分辨率为16 m，重访周期为4 d，所含波段分别为：蓝波段(波长450～520 nm)、绿波段(波长520～590 nm)、红波段(波长630～690 nm)和近红外波段(波长 770 ～890 nm)，为农作物空间分类提供了数据保障。由于植被在可见光波段反射率差异小，而在近红外波段差异明显，故本文采用近红外/红/绿波段组合，突出显示植被光谱特征，提高影像解译精度。根据泗洪县冬小麦物候历信息等数据，选取2景GF-1遥感影像进行研究，时间分别为2016年12月31日、2017年4月29日。首先将影像进行标准预处理，主要包括几何纠正、正射校正、全色和多光谱波段融合等步骤，然后根据研究区边界进行影像裁剪，获得县级中分辨率卫星影像，如图1所示。

在耕地范围内进行遥感识别可降低其他地物的干扰。耕地矢量数据采用经人工目视解译的2017年米级影像，其边界地块由林地、道路、建筑物等组成，精度约为10 m。地块数据主要有2个用途：① 宏观控制冬小麦种植面积的空间分布，减少其它相似光谱信息地物的干扰，如林地、草地等。② 建立面积抽样框，根据统计抽样理论地块大小在200 m×200 m左右，利用PDA等设备进行野外实地普查，为样本村的绘制提供数据基础。

样本村数据用于农作物面积拟合，按照分层两阶段进行抽样，在全县范围内，以行政村为最小抽样单元进行统计抽样，并根据历史统计数据对样本村的合理性进行判别，以获得含有目标农作物的样本村空间分布数据。结合泗洪县行政村矢量数据，以GF-1卫星遥感分类结果为基础，按照分层两阶段进行抽样。首先根据研究区地形及主要农作物的种植强度等辅助信息进行分层抽样，第一阶段采用PPS抽样调查法( Probability Proportionate to Size Sampling)，以耕地面积规模为基础，按比例抽选样本村；第二阶段采用简单随机抽样方法抽选样本网格(200 m×200 m)，并按照网格位置，以网格内的地块作为调查对象进行PDA野外实地调绘。样本村与样本网格分布如图3所示。

图2 耕地地块数据

图3 样本村与样方数据

2 冬小麦种植面积估算模型

采用GF-1卫星数据与统计抽样相结合的方法进行冬小麦面积估算研究，共分为3个阶段：基于最大似然法进行监督分类、耕地遥感识别范围提取、结合样本村数据进行面积拟合(图4)。

图4 冬小麦种植面积估算模型

2.1 基于最大似然法进行监督分类

采用最大似然法对遥感影像进行监督分类，根据各类地物的光谱特征进行遥感识别与分类，提取目标作物。首先根据研究区的地面情况，随机均匀地选择训练样本；其次根据各类地物训练样本的图像数据计算其先验概率和后验概率：假设A为待分类像元，在每个类别都服从正态分布，B1，B2…为各类地物的训练样本，则A伴随B出现，计算得出它们分别发生的先验概率P(Bi),i=1,2…及A的条件概率P(A|Bi)，根据贝叶斯理论(公式1)可计算得出A的后验概率P(Bi|A)；最后将训练区 外的所有像元依次代入公式，计算后验概率，选取最大值作为其分类类别；若分类结果不符合精度要求，则重新选择训练样本，重复以上步骤，直至满足精度要求为止。

P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

(1)

进行最大似然法监督分类时，遥感影像的“混合像元”效应、“同物异谱”及“同谱异物”等现象不可避免，需充分利用农作物的典型季相节律特征，这是区分目标农作物与其他农作物、目标农作物与其他绿色植被的关键性理论基础。根据泗洪县作物物候信息，11 月初至 12月底期间，冬小麦处于播种或出苗的生长阶段，此时遥感影像的光谱信息为裸地和少量植被，同期生长的作物较少，但仍存在一些其他作物进行干扰，比如林地、玉米、油菜籽等。因此采用单期影像进行分类测量会导致作物种植面积偏大，本文采用2期 GF-1卫星数据进行冬小麦种植面积的提取，在一定程度上降低了影像混合像元带来的误差。

冬小麦在11月底至12月期间光谱信息呈现为裸地，植被覆盖指数偏低，4月光谱信息呈现为植被，植被覆盖指数偏高，因此将冬小麦面积提取规则设定为：12月底裸地空间分布与4月农作物空间分布的交集，如式(2)所示：

Rw=Rt1∩Rt2

(2)

其中，Rw为冬小麦面积初步遥感分类结果，Rt1为12月底时期裸地空间分布范围，Rt2为4月份农作物空间分布范围。

2.2 耕地遥感识别范围提取

耕地矢量数据采用米级正射影像为底图，采用人机交互测量的方式进行农作物地块的划分。地块边界一般由道路、河流、沟渠、田埂等线状地物构成，当其边界宽度大于10 m时，进行单独勾绘，形成独立的道路、水域等面状图斑，重点对耕地地块进行矢量化勾勒，其余地物进行简单勾绘以保证研究区内耕地地块不重不漏，如林地、草地、水域、建筑物、道路等。图斑勾画要求闭合，公共边不重复勾画，层内要素不存在自相交、重叠、空隙等情况。数据采集、编辑完成之后，应使线条光滑、严格相接，不存在多余悬挂线。

利用耕地矢量数据对研究区冬小麦初步遥感分类成果进行优化。因冬小麦面积初步遥感分类成果中存在大量的图像噪声，且冬小麦中混入了大量的林地、草地、园艺果树等地物，“同谱异物”现象严重，故采用耕地矢量数据对其进行裁剪，进一步优化冬小麦的空间分布成果，具体规则如公式(3)所示：

Rs=Rw∩Rf

(3)

其中，Rs为冬小麦面积优化结果，Rf为耕地空间分布范围。

2.3 结合样本村数据进行面积拟合

根据耕地矢量数据对研究区行政村进行统计抽样，在选取的样本村内进行高精度的冬小麦种植面积测量。在样本村内以无人机遥感影像为底图进行图斑勾绘，图斑勾绘原则同耕地矢量数据，并在此基础上提高图斑勾绘精度：当种植区地块边界为宽度大于等于0.5 m的道路、沟渠等线状地物时，应单独勾绘，最小上图图斑为0.1亩。

地块图斑勾绘完成后，在各个样本村内随机布设3个样方，利用PDA等设备进行野外实地调绘。分析实地调查地块作物的类型数据，形成研究区典型地物解译特征。根据该解译特征，进行样本村的二次测量以保证其精度，最后进行样本村内冬小麦种植面积的计算统计。

在样本村范围内，取图斑勾绘结果为冬小麦实际面积(y)，冬小麦遥感分类面积为辅助数据(x)建立线性回归模型用于改进区域面积估算结果，具体如式(4)所示：

y=ax+b

(4)

3 实验与分析

取泗洪县为实验区，以经过标准预处理后的GF-1卫星影像数据为基础，采用最大似然法进行监督分类。训练样本可分为冬小麦、油菜籽、裸地、其他农作物、林地、水域、建筑物7个部分。为降低其他地物的干扰，可将冬小麦的训练样本光谱阈值范围适当放宽。最后取得20161231期影像的裸地空间分布与20170429期影像的冬小麦空间分布，通过公式(2)取得2017年泗洪县冬小麦种植面积初步分类结果(图5)。

在冬小麦初步分类结果中随机布设300个点，利用混淆矩阵进行精度评价(表1)。从混淆矩阵中可以看出，冬小麦用户精度为91.84%，生产者精度为90%，kappa系数为0.865，表明采用最大似然法对GF-1卫星数据进行监督分类能较准确地估计冬小麦种植面积。

表 1. 根据式(3)将冬小麦遥感分类结果与耕地矢量数据求交集，去除混入的林地，田埂线等其他地物如下所示(图6)。

参照NASS-USDA统计抽样原则，选取泗洪县18个行政村作为样本村，根据无人机影像和PDA野外实地调绘数据进行人机交互测量，获得样本村冬小麦的实际空间分布。以样本村冬小麦实际面积(样本目标总体y)和遥感分类面积(辅助变量x)为基础建立回归分析进行面积拟合。该拟合方法以小范围的冬小麦实际面积与遥感分类面积为基础，推导出两者之间的拟合方程。将此拟合进一步推广到大范围的冬小麦面积测量中，在一定程度上优化了冬小麦面积测量的精度。

图5 冬小麦初步遥感识别空间分布

被评价图参考图目视解译真实值其他地类冬小麦其他农作物总数遥感分类结果其他地类9253100冬小麦7903100其他农作物6391100总数1059897300生产者精度其他地类92.00%冬小麦90.00%其他农作物91.00%用户精度其他地类87.62%冬小麦91.84%其他农作物93.81%

图6 冬小麦种植面积优化前后对比

采用上述方法对泗洪县冬小麦种植面积进行拟合，图7给出了冬小麦拟合方程，可以看出，样本村冬小麦的实际面积与遥感分类面积的拟合方程为y=1.142 8x+412.63，相关系数为0.88，说明以耕地矢量数据作为分层抽样基础是有效的。从图7可以看出，泗洪县的冬小麦遥感分类面积明显低于野外实测面积，这是由于冬小麦的播种时间略有差异，在遥感影像上呈现出不同的光谱特征。该研究区冬小麦遥感实际测量面积为96.8万亩，基于样本村进行面积拟合后的面积为110.7万亩，统计局实际统计面积为117.75万亩，区域总量精度达94%。采用此模型进行冬小麦面积估算，修正了遥感测量结果，降低了“同物异谱”、“同谱异物”及“混合像元”所带来的分类误差，保证了冬小麦区域总量面积计算的准确性。

图7 冬小麦面积回归估计散点图

4 结 语

本文以GF-1卫星影像数据为基础，针对目前遥感分类技术的不足提出一种冬小麦种植面积估算模型。并用该模型对泗洪县冬小麦种植面积进行估算。结果表明，实验区域总量精度达94%，满足测量要求，验证了模型的有效性。但该模型较适用于农作物种植规模大、结构整齐的区域，如何对农作物种植结构破碎、地形复杂的区域进行高精度的农作物遥感测量仍有待研究。