魏浩東，楊靖雅，蔡志文，陳云坪，張馨予，徐保東，3，胡瓊

1.華中農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院 宏觀農(nóng)業(yè)研究院,武漢 430070;2.華中農(nóng)業(yè)大學(xué) 植物科學(xué)技術(shù)學(xué)院,武漢 430070;3.中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100101;4.華中師范大學(xué) 城市與環(huán)境科學(xué)學(xué)院,武漢 430079

1 引 言

稻蝦共作是一種將水稻種植和小龍蝦養(yǎng)殖結(jié)合在一起的高效生態(tài)農(nóng)業(yè)模式（秦尊文，2016）。一片稻蝦田通常是由水稻田以及在其周圍挖建的面積不超過田塊總面積10%的環(huán)形小龍蝦養(yǎng)殖圍溝組成（陳松文等，2020）。一方面，這種互利共生的種養(yǎng)模式可以獲取良好的生態(tài)效益，例如：（1）提高土壤肥力；（2）減肥減藥，提高水體養(yǎng)分含量；（3）減輕蟲害（曹湊貴等，2017）。另一方面，稻蝦共作模式下可每年收獲一季優(yōu)質(zhì)稻米和兩季小龍蝦，大幅提升了經(jīng)營者的經(jīng)濟(jì)收益。正是這種突出的生態(tài)、經(jīng)濟(jì)雙重效益，使得近十年間中國的稻蝦田種植面積迅猛擴(kuò)張。統(tǒng)計(jì)數(shù)據(jù)顯示，2017年全國稻蝦共作面積為5.67×103km2（農(nóng)業(yè)農(nóng)村部漁業(yè)漁政管理局等，2018），到2019年為1.1×104km2（農(nóng)業(yè)農(nóng)村部漁業(yè)漁政管理局等，2020），兩年之間增幅接近95%，其中湖北省稻蝦田分布面積最大，接近全國稻蝦分布總面積的50%。對于稻蝦共作這種新興的農(nóng)業(yè)模式，準(zhǔn)確獲取其空間分布信息對于水稻長勢監(jiān)測、種植結(jié)構(gòu)調(diào)整、產(chǎn)量估算以及水資源管理等具有重要意義（L?w 等，2013；Wu 等，2014）。但目前稻蝦模式的相關(guān)研究多側(cè)重于小尺度的田間生態(tài)系統(tǒng)研究（Liu 等，2019），區(qū)域尺度稻蝦模式空間分布信息提取的研究不足。

遙感技術(shù)是大尺度農(nóng)作物空間分布信息監(jiān)測最有效的手段（Liu 等，2014；胡瓊 等，2015；Hu等，2016），基于不同衛(wèi)星遙感數(shù)據(jù)進(jìn)行水稻空間分布信息提取的研究已取得較大進(jìn)展。大量研究表明，水稻水淹移栽期獨(dú)特的物候特征（LSWI＞NDVI 或EVI）是水稻最敏感的識(shí)別特征，基于該特征和閾值法是識(shí)別水稻田的一種簡便且可靠的手段（Xiao 等，2005；Dong 和Xiao，2016）。此外，為削弱不同區(qū)域、不同氣候節(jié)律導(dǎo)致移栽期時(shí)間的不確定性，可以利用MODIS 溫度產(chǎn)品（MYD11A2）輔助確定移栽期的起始時(shí)間（SOT）和結(jié)束時(shí) 間（EOT）（Dong 等，2016；Yin 等，2019），再通過捕獲移栽期水淹信號來進(jìn)行水稻分類（Dong 等，2015；Zhang 等，2017）。為減少因云雨天氣導(dǎo)致的水稻關(guān)鍵期影像缺失的問題，越來越多研究者通過協(xié)同“中和低”空間分辨率（謝登峰 等，2015；Liu 等，2018；Ding等，2020）或者“中和中”空間分辨率影像（Mansaray 等，2020）捕獲水稻的關(guān)鍵物候期，從而高精度提取水稻空間分布。

稻蝦共作是水稻的一種特殊種植模式，也擁有典型的水淹移栽物候特征。然而，僅僅依靠該物候期特征只能區(qū)分水稻和其他作物，無法區(qū)分普通水稻田和稻蝦田。由于小龍蝦幼苗的生長繁育離不開水體環(huán)境，稻蝦田在一年中的1—5月以及11—12月休耕期需要進(jìn)行灌水泡田（曹湊貴等，2017），這是它與普通水稻田最主要的區(qū)別。這意味著相比普通水稻田，稻蝦共作模式在一年內(nèi)會(huì)表現(xiàn)出獨(dú)特的“水淹—作物生長—水淹”的周期性物候特征。因此，如何基于遙感影像表達(dá)這種物候特征成為了高精度提取稻蝦田空間分布信息的關(guān)鍵所在。

優(yōu)質(zhì)遙感影像的數(shù)量以及時(shí)間連續(xù)性是準(zhǔn)確反映農(nóng)作物季相節(jié)律特征的主要限制因素（Wang等，2015）。尤其是在云雨頻發(fā)的南方地區(qū)，優(yōu)質(zhì)中高分辨率影像的獲取更加受限。越來越多研究者通過協(xié)同中空間分辨率影像識(shí)別水稻田。例如，Zhang 等（2018a）通過協(xié)同Landsat 8 OLI 和Sentinel-2 MSI 影像加密時(shí)間序列，充分捕捉水稻獨(dú)特的物候特征。然而，已有的研究多針對傳統(tǒng)水稻田，如何協(xié)同多源中高分辨率數(shù)據(jù)捕獲稻蝦田關(guān)鍵物候特征則鮮見報(bào)道。GEE（Google Earth Engine）是一個(gè)集數(shù)據(jù)獲取、影像處理以及可視化于一體的云計(jì)算平臺(tái)（Gorelick 等，2017），已被廣泛應(yīng)用于農(nóng)作物分類研究（Xiong 等，2017；You 和Dong，2020）。憑借強(qiáng)大的計(jì)算能力以及集成的海量開源遙感數(shù)據(jù)，GEE 為協(xié)同多源數(shù)據(jù)的土地利用分類研究提供了便捷的數(shù)據(jù)處理平臺(tái)。

本文以“小龍蝦之鄉(xiāng)”——湖北省潛江市為研究區(qū)，以捕獲稻蝦田一年內(nèi)多次灌水泡田的物候特征為突破口，基于GEE 云計(jì)算平臺(tái)協(xié)同Landsat 7 ETM+、Landsat 8 OLI 以及Sentinel-2 MSI 影像構(gòu)建特征指數(shù)，捕獲稻蝦田關(guān)鍵物候特征，從而準(zhǔn)確提取稻蝦田空間分布信息。具體的研究目標(biāo)有：（1）識(shí)別稻蝦田的關(guān)鍵物候窗口及分類特征；（2）提出一套基于物候窗口特征和GEE 云平臺(tái)提取稻蝦共作區(qū)域的方法，并評估該方法的潛力。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

本文研究區(qū)為湖北省潛江市，全市國土總面積為2000 km2，所處緯度范圍是30°04′N—30°39′N，經(jīng)度范圍是112°29′E—113°01′E（圖1）。潛江市地處江漢平原腹地，屬北亞熱帶季風(fēng)性濕潤氣候，四季分明，雨熱充沛。年平均氣溫為16.1 ℃，年平均日照時(shí)數(shù)為1949—1988 h，全年無霜期約為250 d，有著優(yōu)良的農(nóng)作物耕作氣候。該區(qū)域的農(nóng)作物種植結(jié)構(gòu)復(fù)雜，主要農(nóng)作物類型包括水稻、油菜（主要為油菜—水稻輪作）、小麥（主要為小麥—水稻輪作）以及稻蝦共作田。潛江市小龍蝦產(chǎn)業(yè)發(fā)展快速，已形成龐大且完善的產(chǎn)業(yè)鏈，因此潛江市也被譽(yù)為“小龍蝦之鄉(xiāng)”。作為長江中下游稻蝦綜合種養(yǎng)模式的發(fā)源地，近年來潛江市稻蝦模式面積擴(kuò)張迅猛。2010年潛江市稻蝦共作面積只有667 hm2，2013年已增加10 倍（約6670 hm2），2016年底面積已增至2.11×104hm2（曹湊貴 等，2017）。

圖1 湖北省潛江市及實(shí)地作物樣本（Sentinel-2影像，紅：波段8，綠：波段4，藍(lán)：波段3）Fig.1 Location of Qianjiang City in Hubei Province and crop field samples（Sentinel-2 image，Red：Band 8，Green：Band 4，Blue：Band 3）

2.2 數(shù)據(jù)及預(yù)處理

2.2.1 多源遙感數(shù)據(jù)

本研究協(xié)同使用2019年Landsat 7 ETM+，Landsat 8 OLI和Sentinel-2 MSI影像數(shù)據(jù)來提取潛江市稻蝦共作區(qū)域。Landsat 7/8 空間分辨率為30 m，重訪周期為16 d。Sentinel-2（包含Sentinel-2A 和Sentinel-2B）空間分辨率為10 m，重訪周期為5 d。Landsat 和Sentinel 影像的預(yù)處理主要包含兩個(gè)方面：（1）去除低質(zhì)量觀測；（2）反射率標(biāo)準(zhǔn)化。

本研究采用質(zhì)量標(biāo)識(shí)波段（Roy 等，2014）去除Landsat影像數(shù)據(jù)云、陰影以及SLC-off條帶。云和云陰影標(biāo)識(shí)有4 種情況存在，包括“不確定”、“不是”（0—33%置信度）、“可能”（34%—66%置信度）以及“是”（67%—100%置信度），結(jié)合相關(guān)參考研究（Scaramuzza 等，2012；Dong 等，2016）以及潛江市去云效果目視分析，本研究選擇67%—100%置信度去除Landsat影像中云和云陰影。對于Sentinel-2 影像，本文基于GEE 平臺(tái)，運(yùn)用Simple Cloud Score算法（Housman等，2018）去除云覆蓋區(qū)。該算法使用藍(lán)、綠、紅、近紅外、短波紅外1、短波紅外2 以及歸一化雪體指數(shù)NDSI，綜合計(jì)算得到云分?jǐn)?shù)。像元的云分?jǐn)?shù)表示此像元為云污染像元的可能性，本文選擇云分?jǐn)?shù)閾值為30%進(jìn)行Sentinel-2影像去云處理。

ETM+、OLI 以及MSI 傳感器之間存在波段范圍及光譜反射率的差異。為了協(xié)同使用它們并獲得具有可比性的時(shí)間序列影像，需要對不同傳感器的反射率做標(biāo)準(zhǔn)化處理。本文使用Roy 等（2016）和Zhang 等（2018b）基于普通最小二乘回歸計(jì)算得到的轉(zhuǎn)化系數(shù)，以O(shè)LI 影像為參考，將ETM+和MSI 影像光譜波段進(jìn)行轉(zhuǎn)化，轉(zhuǎn)化公式見表1。此外，最終的分類統(tǒng)一到30 m 的空間分辨率進(jìn)行?；贕EE 平臺(tái)對2019年優(yōu)質(zhì)Landsat、Sentinel-2 觀測數(shù)量進(jìn)行像素尺度統(tǒng)計(jì)，結(jié)果如圖2所示。

圖2 像素尺度的優(yōu)質(zhì)Landsat 7/8以及Sentinel-2影像數(shù)量統(tǒng)計(jì)Fig.2 Pixel-level counts of good-quality Landsat 7/8 and Sentinel-2 images

表1 ETM+、MSI影像與OLI影像之間光譜波段反射率轉(zhuǎn)化公式Table 1 Reflectance sensor transformation functions（ETM+and MSI to OLI）

2.2.2 農(nóng)作物樣本及輔助數(shù)據(jù)

本研究獲取了2019年3月及5月采集的實(shí)地農(nóng)作物樣本共1626 個(gè)，其中稻蝦田樣本541 個(gè)，水稻樣本221 個(gè)，稻—麥輪作樣本454 個(gè)，稻—油輪作樣本310 個(gè)以及其他作物樣本100 個(gè)（包含蓮藕16 個(gè)，大棚66 個(gè)，菜地18 個(gè)），樣本分布見圖1。提取總樣本的60%（976 個(gè)）作為訓(xùn)練樣本，剩下40%（650個(gè)）作為驗(yàn)證樣本。

此外，本研究使用了2020年GlobeLand30地表覆蓋產(chǎn)品（Chen 等，2014）進(jìn)行非耕地掩膜，去除了潛江區(qū)域的人造地表、水體、森林等非耕地類型，基于耕地圖層進(jìn)行稻蝦田面積提取。同時(shí)，截取研究區(qū)域部分2019年Google Earth 衛(wèi)星影像用作評估分類效果的參考數(shù)據(jù)。

3 研究方法

稻蝦田在一年內(nèi)有2 個(gè)灌溉泡田階段和1 次中稻種植階段，基于該耕作特征，本研究提出了基于物候窗口特征的稻蝦田提取方法。該方法具體包含以下3個(gè)步驟：首先，通過分析稻蝦田的年內(nèi)光譜動(dòng)態(tài)變化曲線，構(gòu)建時(shí)序NDVI、EVI 和LSWI植被指數(shù)，獲取稻蝦田遙感識(shí)別的關(guān)鍵時(shí)相窗口及光譜特征。其次，基于關(guān)鍵物候特征構(gòu)建規(guī)則集決策模型提取稻蝦田。最后，驗(yàn)證基于物候窗口特征方法的精度以及評估它的潛力。完整的技術(shù)流程如圖3 所示。PW1、PW2、PW3分別代表物候窗口1、物候窗口2、物候窗口3；FSF 和VSF 分別代表水淹信號（藍(lán)色方格）頻率和植被信號（綠色方格）頻率；Freq1、Freq2、Freq3分別代表稻蝦田分類物候窗口1 中水淹信號頻率閾值、物候窗口2 中植被信號頻率閾值、物候窗口3中水淹信號頻率閾值。

圖3 基于物候窗口和多源中高分辨率影像的稻蝦田提取方法Fig.3 Method of rice-crayfish mapping based on phenology windows and multi-source medium-/high-resolution images

3.1 稻蝦田物候特征

3.1.1 稻蝦田耕作特征分析

一片稻蝦田只種植一季中稻，養(yǎng)殖兩季小龍蝦（曹湊貴等，2017）。稻蝦田的構(gòu)造通常是在稻田周圍開挖2—4 m寬，0.8—1.5 m深的圍溝（圍溝面積不超過田塊總面積的10%）。稻蝦共作過程可以分為水稻種植和灌水泡田兩個(gè)階段（圖4）。水稻種植從每年的5月底6月初整田插秧開始，到10月份水稻收獲完畢而結(jié)束。稻蝦田與普通水稻田最主要的差異就在于稻田休耕期要灌水泡田，也即11月至次年5月稻田中要保證一定的水量，為小龍蝦的生長繁育提供優(yōu)良空間（魏妍冰等，2019）。因此，從耕作周期來看，可以將稻蝦田的物候狀態(tài)變化總結(jié)為：水體覆蓋（1—5月）—植被覆蓋（7—9月）—水體覆蓋（11—12月）。

圖4 稻蝦共作種養(yǎng)周期Fig.4 Farming phases of rice-crayfish co-culture

3.1.2 時(shí)序光譜特征分析

本文基于Landsat 7/8 和Sentinel-2 數(shù)據(jù)計(jì)算歸一化差值植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）和陸表水分指數(shù)（LSWI）分析稻蝦田光譜年內(nèi)動(dòng)態(tài)變化特征。這3個(gè)植被指數(shù)在已有研究中被廣泛用于識(shí)別傳統(tǒng)水稻田，具體計(jì)算公式如下：

式 中，ρBlue、ρRed、ρNIR、ρSWIR分別代表Landsat 和Sentinel-2數(shù)據(jù)的藍(lán)、紅、近紅外以及短波紅外的光譜反射率?；贕EE平臺(tái)和2019全年的Landsat 7/8和Sentinel-2 影像，選取主要作物稻蝦共作、水稻、稻—麥輪作和稻—油輪作代表性訓(xùn)練樣本提取時(shí)間序列植被指數(shù)，繪制植被指數(shù)時(shí)序變化曲線，為了整體趨勢分析以及圖形表達(dá)效果進(jìn)行了15 d影像中值合成，如圖5所示。從儒略日第30天到第150天，由于稻田需要保證一定的水量為小龍蝦生長繁育提供空間，所以稻蝦共作區(qū)域表現(xiàn)出較高的LSWI 值，并且LSWI 整體大于NDVI 或者EVI，表現(xiàn)出明顯的水淹信號（Xiao 等，2005）。儒略日第150 天—180 天，是水稻種植的灌水移栽期，同樣表現(xiàn)出水淹信號。移栽期過后直到水稻收獲期，也即儒略日第195 天—300 天，由于水稻的生長，使得稻蝦田呈現(xiàn)高NDVI 和高EVI 值，表現(xiàn)出植被信號（NDVI 或EVI＞LSWI），并且在儒略日第240 天也即8月底出現(xiàn)生長峰值。在水稻收割過后，稻蝦田仍需要進(jìn)行一定的水量灌溉，保障越冬期間龍蝦幼苗的生長發(fā)育條件，所以在第330 天之后，也會(huì)出現(xiàn)明顯的水淹信號。普通水稻田雖然在灌水移栽期也出現(xiàn)水淹信號（第165天），在生長季呈現(xiàn)高NDVI 和EVI 值，但是在休耕期（150 天之前以及300 天之后）普通水稻田不需要進(jìn)行灌溉泡田，所以極少會(huì)出現(xiàn)水淹信號，絕大多數(shù)休耕時(shí)間里，NDVI和EVI遠(yuǎn)大于LSWI。對于稻—麥和稻—油輪作，二者植被指數(shù)時(shí)序變化較為接近，都呈現(xiàn)出明顯的生長“雙峰”特征。但這兩種耕作方式均不需要在種植過程中保障水量，因此，在整個(gè)生長周期中，除去輪種水稻時(shí)的灌水移栽期，其他時(shí)間段都極少出現(xiàn)水淹信號。

圖5 不同農(nóng)作物的植被指數(shù)時(shí)序曲線（為了整體趨勢分析以及圖形表達(dá)效果進(jìn)行了15 d影像合成）Fig.5 Time series curves of vegetation indices of different crop types（15-day image composite was carried out for better overall trend analysis and graphic expression effect）

結(jié)合稻蝦田耕作特點(diǎn)以及對應(yīng)的光譜年內(nèi)動(dòng)態(tài)變化曲線特征，可以總結(jié)出稻蝦田獨(dú)特的物候特征為：1月—5月表現(xiàn)出水淹信號（LSWI＞NDVI或LSWI＞EVI），7月—9月表現(xiàn)出植被信號（NDVI＞LSWI或EVI＞LSWI），11月—12月表現(xiàn)出水淹信號。

3.2 基于規(guī)則集模型的稻蝦田提取

確定了稻蝦田獨(dú)特的水淹和植被信號變化規(guī)律之后，需構(gòu)建規(guī)則集模型提取稻蝦田分布。本文首先采用2020年GlobeLand30地表覆蓋產(chǎn)品進(jìn)行非耕地區(qū)域的掩膜，生成耕地圖層，在耕地圖層上提取稻蝦田的空間分布信息。

通過時(shí)序光譜特征分析，可以得知稻蝦共作獨(dú)特的“三段式”光譜變化。通過實(shí)地調(diào)研得知，不同區(qū)域稻蝦田的耕作節(jié)點(diǎn)有所區(qū)別。例如有些區(qū)域在5月中下旬即進(jìn)行整田移栽，而有些區(qū)域到6月上旬或中旬才進(jìn)行水稻移栽。移栽期雖然也會(huì)出現(xiàn)一定的水淹信號，但不同區(qū)域及不同耕作方式都會(huì)導(dǎo)致水淹信號減弱或者消失。因此，本文將稻蝦田上半年休耕期出現(xiàn)水淹信號用以提取稻蝦田的物候窗口定為1月1日—4月30日PW1（Phenology Window 1）。稻蝦田中水稻生長季，出現(xiàn)明顯植被信號的物候窗口定為7月15日—9月30日（PW2）?？紤]到影像數(shù)量的充足性以及水稻收割時(shí)間的區(qū)域差異，將下半年休耕期出現(xiàn)水淹信號的物候窗口定為11月10日—12月31日（PW3）。將所有訓(xùn)練樣本在PW1和PW3時(shí)間段進(jìn)行植被指數(shù)及植被指數(shù)差值的均值提取并繪制相應(yīng)的二維散點(diǎn)分布圖（圖6），可以看出絕大多數(shù)稻蝦田樣點(diǎn)都表現(xiàn)出明顯的水淹信號（LSWI-EVI＞0 或LSWI-NDVI＞0），且這一特征在其他作物上很少出現(xiàn)，具有非常強(qiáng)的特征分離性。

圖6 不同農(nóng)作物類型植被指數(shù)和植被指數(shù)差值的二維散點(diǎn)圖Fig.6 Two-dimensional scatter plot of vegetation indices and vegetation index differences of different crop types

一些特殊的農(nóng)作物類型（例如菜地、蓮藕等）也可能存在偶然的水淹信號以及植被信號。由于稻蝦田的這些光譜特征具有一定時(shí)間段內(nèi)的連續(xù)性，為了避免錯(cuò)分情況，本文引入頻率閾值的概念。也即PW1中水淹信號出現(xiàn)頻率FSFPW1（Flooding signal frequency in PW1，式（4））要大于一個(gè)閾值Freq1，PW2中植被信號出現(xiàn)頻率VSFPW2（Vegetation signal frequency in PW2，式（5））要大于閾值Freq2，PW3中水淹信號出現(xiàn)頻率FSFPW3（Flooding signal frequency in PW3，式（6））要大于閾值Freq3，滿足以上3 個(gè)條件的像素才被分類為稻蝦田，具體閾值規(guī)則集見式（7）。

式 中，NfloodinginPW1、NvegetationinPW2和NfloodinginPW3分別指的是某一像素在物候窗口1 內(nèi)出現(xiàn)水淹信號的次數(shù)、物候窗口2 內(nèi)出現(xiàn)植被信號的次數(shù)和物候窗口3 內(nèi)出現(xiàn)水淹信號的次數(shù)；NtotalinPW1、NtotalinPW2和NtotalinPW3分別指的是物候窗口1、2 和3 內(nèi)覆蓋某一像素的優(yōu)質(zhì)影像總數(shù)量。

為了準(zhǔn)確提取出稻蝦田分布區(qū)域，還需確定這3 個(gè)信號出現(xiàn)頻率的閾值（最小值），從而避免季節(jié)性短暫出現(xiàn)的水淹信號或者植被信號導(dǎo)致錯(cuò)分情況。本研究基于稻蝦田樣本進(jìn)行水淹信號及植被信號頻率分布直方圖統(tǒng)計(jì)，對累計(jì)百分比進(jìn)行分析，尋找超過95%的樣點(diǎn)所處的頻率區(qū)間的臨界值，以此值作為該物候窗口內(nèi)分類信號頻率的閾值。

3.3 稻蝦田提取方法表現(xiàn)評估

本研究采用混淆矩陣以及計(jì)算制圖精度、用戶精度、總體精度和Kappa系數(shù)對稻蝦田提取進(jìn)行精度評定。根據(jù)按分層面積比例的樣本設(shè)置原則，參與驗(yàn)證的稻蝦田樣本共216個(gè)，非稻蝦田樣本共434個(gè)。

另外，為了進(jìn)一步分析基于物候窗口特征提取稻蝦田方法的潛力，評估和比較其與另外兩種稻蝦田提取方法：（1）隨機(jī)森林分類；（2）基于水體季相差異（魏妍冰等，2019）。隨機(jī)森林分類同樣在GEE環(huán)境下進(jìn)行，輸入影像的時(shí)相以及輸入分類的植被指數(shù)特征與本文提出的方法保持一致。輸入隨機(jī)森林的影像是月度中值合成的NDVI、EVI和LSWI，包含1月、3月、4月、7—9月、11月以及12月（2月份云量過多，影像缺失），共計(jì)24景植被指數(shù)特征影像?；谒w季相差異的稻蝦田提取方法，選取水稻生長季和休耕期影像各一景，用自動(dòng)水域提取指數(shù)AWEI 分別提取水體（魏妍冰等，2019）。兩類方法均采用與本研究相同的訓(xùn)練樣本和驗(yàn)證樣本進(jìn)行訓(xùn)練和驗(yàn)證，最后比較3類方法產(chǎn)生的稻蝦田的用戶精度和制圖精度。

4 結(jié)果與分析

4.1 稻蝦田識(shí)別結(jié)果

圖7 展示的是基于325 個(gè)稻蝦田樣本計(jì)算的水淹信號及植被信號頻率統(tǒng)計(jì)直方圖和累計(jì)百分比。該圖表明超過95%樣本點(diǎn)所處的FSFPW1，VSFPW2，F(xiàn)SFPW3閾值分別為0.6，0.1和0.1。也即是說，同時(shí)滿足FSFPW1＞0.6，VSFPW2＞0.1 和FSFPW3＞0.1 這3 個(gè)條件的像素將被分類為稻蝦田。

圖7 稻蝦田水淹信號和植被信號的頻率閾值統(tǒng)計(jì)結(jié)果Fig.7 Statistical results of frequency thresholds for flooding signals and vegetation signals in rice-crayfish field

基于構(gòu)建的規(guī)則集模型提取的2019年潛江市稻蝦田空間分布信息結(jié)果如圖8所示。從空間分布趨勢上看，潛江市稻蝦田主要集中在西南部，東南部也有少許分布?；谠摲植紙D計(jì)算得到2019年潛江稻蝦共作區(qū)域總面積為575.58 km2。其中，浩口鎮(zhèn)、龍灣鎮(zhèn)和老新鎮(zhèn)是稻蝦田分布面積前三位的鄉(xiāng)鎮(zhèn)，分別為80.47 km2、79.39 km2和77.36 km2，這些區(qū)域的稻蝦田分布密集并且地塊較大。然而，楊市街道、高石碑鎮(zhèn)以及王場鎮(zhèn)這些位于東部或北部的鄉(xiāng)鎮(zhèn)，稻蝦共作面積都較?。ň∮?0 km2）且分布較零散。

圖8 基于物候窗口和多源中高分辨率影像提取的2019年潛江市稻蝦田空間分布Fig.8 Spatial distribution of rice-crayfish in Qianjiang City based on the phenology windows and multi-source medium-/high-resolution images in 2019

4.2 稻蝦田提取精度評價(jià)

本研究提取的稻蝦田制圖精度為90.74%，用戶精度為94.69%，總體分類精度為95.23%，Kappa系數(shù)為0.89（表2）。整體上，本研究提取的稻蝦田只存在5.31%的錯(cuò)分情況。該精度表明物候窗口PW1（1月1日—4月30日）的水淹信號、物候窗口PW2（7月15日—9月30日）的植被信號以及物候窗口PW3（11月10日—12月31日）的水淹信號是稻蝦田區(qū)別于其他農(nóng)作物的獨(dú)特物候特征。

表2 本研究稻蝦田提取精度評價(jià)Table 2 Accuracy assessment of rice-crayfish mapping in this study

稻蝦田的制圖精度相比于用戶精度稍低，表明提取結(jié)果存在一定的漏分情況。已有相關(guān)研究及報(bào)道表明：隨著稻蝦模式的迅猛擴(kuò)張，“重蝦輕稻”以及種養(yǎng)技術(shù)不合規(guī)范的問題近些年越來越突出（陳松文等，2020）。也即是說，很多經(jīng)營者更看重小龍蝦的經(jīng)濟(jì)效益而選擇不種植水稻或者種植管理較粗糙。這樣就會(huì)導(dǎo)致一些稻蝦田只表現(xiàn)出泡田時(shí)的水淹信號，而不會(huì)表現(xiàn)出生長季的植被信號。另外，由于種養(yǎng)技術(shù)不合規(guī)范，也有可能導(dǎo)致上半年或者下半年灌水泡田時(shí)期的水淹信號較為微弱。由于這些因素的影響，使得基于該方法提取的稻蝦田出現(xiàn)了一定的漏分現(xiàn)象。

4.3 不同方法提取稻蝦田表現(xiàn)對比

對比3 種方法的精度結(jié)果（圖9）可發(fā)現(xiàn)：本文基于物候窗口特征方法與隨機(jī)森林相比稻蝦田的制圖精度差異較小，但用戶精度顯著高出5%，即基于物候特征提取稻蝦田的錯(cuò)分誤差更少。基于水體季相差異的方法提取稻蝦共作的制圖精度只有81.48%，用戶精度為91.67%，均低于本文提出的方法，其中制圖精度與基于物候窗口特征方法相差10%，即基于水體季相差異方法存在較嚴(yán)重的漏分誤差。稻蝦田進(jìn)行水淹泡田時(shí)，本身與開放水體的特征存在一定的差別，依靠單一水體指數(shù)提取水域的方法具有一定的不確定性。另外，基于水體季相方法只采取了兩景典型時(shí)相（一景水稻生長季，一景休耕泡田期）的優(yōu)質(zhì)影像進(jìn)行分類，而稻蝦田在休耕期中要進(jìn)行多次的泡田、換水、再泡田的耕作管理。因此，休耕泡田期的影像很有可能出現(xiàn)水體覆蓋信息不明顯導(dǎo)致稻蝦田水域提取不完整的情況，從而導(dǎo)致最終的漏分誤差。相比之下，本文提出的方法基于一年完整時(shí)序影像分析，充分利用了3個(gè)關(guān)鍵物候窗口，既考慮了兩段休耕期的水淹信號，同時(shí)考慮了水稻生長季的植被信號，大大減少了錯(cuò)分漏分情況。

圖9 不同方法提取稻蝦田的精度對比Fig.9 Comparison of rice-crayfish mapping accuracies derived by different methods

圖10 為本研究提出的基于物候窗口特征方法與隨機(jī)森林、水體季相差異方法的比對結(jié)果。從空間分布趨勢來看，隨機(jī)森林和水體季相差異方法提取的稻蝦田區(qū)域都集中在西南部地區(qū)。相比本研究的方法，隨機(jī)森林提取的稻蝦空間分布面積更大，基于水體季相差異方法提取的稻蝦分布面積略小。圖11 為選取的4 個(gè)典型的小區(qū)域結(jié)果對比。以2019年3月的Google Earth 衛(wèi)星數(shù)據(jù)為參考，對比l 號和2 號區(qū)域的結(jié)果可發(fā)現(xiàn)隨機(jī)森林將部分水稻田錯(cuò)分為稻蝦田；3 號和4 號區(qū)域的結(jié)果對比顯示基于水體季相差異的方法漏分了部分稻蝦田。

圖10 3種方法提取稻蝦田的結(jié)果對比Fig.10 Comparison of rice-crayfish maps derived from the three methods

圖11 典型區(qū)域3種分類方法效果對比（1號和2號區(qū)域用于基于物候窗口方法與隨機(jī)森林對比，3號和4號區(qū)域用于基于物候窗口方法與基于水體季相差異方法對比）Fig.11 Comparison of three classification methods in rice-crayfish classification details in typical sites（No.1 and No.2 sites are used to compare the performances between the phenology window method and random forest，and No.3 and No.4 sites are used to compare performances between the phenology window method and the method based on water body seasonal difference）

5 結(jié) 論

本研究以小龍蝦之鄉(xiāng)—湖北省潛江市為測試區(qū)域，協(xié)同Landsat 7/8 和Sentinel-2 衛(wèi)星影像數(shù)據(jù)，基于Google Earth Engine 平臺(tái)，提出了基于物候窗口特征的稻蝦田提取方法。采用實(shí)地農(nóng)作物樣本對稻蝦田提取結(jié)果進(jìn)行精度評定，同時(shí)比較和評估它與另外兩種方法的表現(xiàn)差異。主要結(jié)論如下：

（1）稻蝦田提取的關(guān)鍵物候窗口及特征為：PW1（1月1日—4月30日）的水淹信號（LSWI＞EVI 或NDVI）、PW2（7月15日—9月30日）的植被信號（NDVI 或EVI＞LSWI）、PW3（11月10日—12月31日）的水淹信號。

（2）構(gòu)建了基于關(guān)鍵物候窗口特征和頻率閾值的稻蝦田提取方法。當(dāng)像素滿足：PW1內(nèi)水淹信號頻率FSFPW1＞0.6，PW2內(nèi)植被信號頻率VSFPW2＞0.1，PW3內(nèi)水淹信號頻率FSFPW3＞0.1 即被分類為稻蝦田。該方法獲取的稻蝦田制圖精度為90.74%，用戶精度為94.69%，總體精度達(dá)到95.23%。

（3）與隨機(jī)森林分類結(jié)果相比，本文構(gòu)建的基于關(guān)鍵物候窗口特征的方法具有更小的錯(cuò)分誤差。與基于水體季相差異的方法相比，該方法表現(xiàn)更小的漏分誤差。另外，相比這兩類方法，本研究的方法具有最高的稻蝦田提取總體精度。

基于關(guān)鍵物候窗口特征的稻蝦田提取方法具有較強(qiáng)的泛化能力，選取的關(guān)鍵特征具有很強(qiáng)的物理解釋性。相比傳統(tǒng)機(jī)器學(xué)習(xí)算法（例如：隨機(jī)森林），該方法對樣本的依賴性較低，易于在更大的空間尺度和時(shí)間尺度進(jìn)行推廣應(yīng)用。此外，該方法也能泛化應(yīng)用到其他多源中高分辨率影像（例如：國產(chǎn)高分一號和六號衛(wèi)星影像），即只要獲得覆蓋稻蝦田關(guān)鍵物候窗口和對應(yīng)光譜波段（藍(lán)、紅、近紅和短波紅外）的影像數(shù)據(jù)，則能提取較優(yōu)精度的稻蝦田空間分布。因此，本研究提出的基于物候窗口的方法能夠?qū)崿F(xiàn)中國南方地區(qū)稻蝦田空間分布快速、大面積提取。

此外，本研究也存在一些不足有待進(jìn)一步的完善。首先，基于像素分類的方法不可避免存在一定的“椒鹽噪聲”現(xiàn)象，在田塊分類細(xì)節(jié)上可能表現(xiàn)得比較零碎。在后續(xù)的研究中，可考慮在對象或地塊尺度上提取稻蝦田，提高分類結(jié)果的精度以及結(jié)果的實(shí)際應(yīng)用價(jià)值。其次，本研究使用了2020年GlobeLand30地表覆蓋分類產(chǎn)品進(jìn)行非耕地類別的掩膜去除。地表覆蓋產(chǎn)品本身不可避免的存在一定的分類誤差，使稻蝦田提取結(jié)果具有較大不確定性。不同地區(qū)具有不同的氣候以及種植管理方式，因此稻蝦共作模式也可能存在種植節(jié)點(diǎn)上的細(xì)微差異。例如：稻田水淹頻率以及中稻移栽期的差異也會(huì)給稻蝦田精確提取帶來不確定性，因此，需在更多典型種植區(qū)域?qū)Φ疚r模式物候特征進(jìn)行提取分析。未來研究中將進(jìn)一步優(yōu)化算法，研制大區(qū)域長時(shí)間序列稻蝦田空間分布圖，揭示中國稻蝦田時(shí)空變化規(guī)律，為水稻生產(chǎn)和小龍蝦產(chǎn)業(yè)布局提供重要的信息支撐。