祁向前,孫德浩,賈連星

(1.龍巖學院 資源工程學院，福建 龍巖 364012;2.中國礦業(yè)大學 環(huán)境與測繪學院,江蘇 徐州 221116;3. 黑龍江科技大學 礦業(yè)工程學院,哈爾濱 150022)

以往對農(nóng)作物的監(jiān)測(分類、面積變化等)大多靠人工現(xiàn)場采集信息，既耗時又費力，近年來隨著現(xiàn)代化腳步的加快，多種類的衛(wèi)星可以滿足不同的監(jiān)測需求，分辨率的提高也保障了監(jiān)測信息的準確性，衛(wèi)星用于監(jiān)測農(nóng)業(yè)生產(chǎn)，能夠體現(xiàn)其快速、客觀、準確的特點，有利于及時掌握農(nóng)情基本信息，進行宏觀調控。國內外學者研究表明，利用多時相遙感影像植被指數(shù)和不同作物的物候特征結合進行作物識別與監(jiān)測是一種行之有效的方法。例如Jakubauskas等[1]采用諧波算法對NOAA/AVHRR-NDVI時序數(shù)據(jù)進行研究，得到作物分類信息。Moody[2]等利用歸一化差值植被指數(shù)(Normailized Difference Vegetation Index,NDVI )時間序列的Fourier變換來劃分土地的覆蓋類型等。Lanjeri[3]等利用多時相掩膜法成功提取了葡萄園的種植面積。競霞等[4]利用多時相Landsat TM數(shù)據(jù)，提取冬小麥不同時相的作物波譜信息，成功監(jiān)測了北京地區(qū)的冬小麥種植結構調整情況。Young和[5]Running[6]通過分析研究區(qū)植被類型的年NDVI變化情況，并結合作物的物候特征對植被類型進行分類。Conese等[7]對遙感數(shù)據(jù)進行了單時相和多時相的研究，發(fā)現(xiàn)多時相數(shù)據(jù)能夠極大改善分類精度。賈樹海等[8]針對3個不同時期的遙感影像，結合不同作物的物候特征提取其NDVI植被指數(shù)，采用監(jiān)督分類的方法，較好地提取了花生的種植面積并制圖。

哨兵2號是由兩顆極軌衛(wèi)星組成的星座，具有高分辨率多光譜成像的特點，一顆衛(wèi)星的重訪周期為10 d，兩顆互補，重訪周期為5 d，在紅邊范圍內有較多波段，有利于對植被的監(jiān)測。國內外均有學者利用單時相哨兵2號數(shù)據(jù)實現(xiàn)了作物識別[9-10]。NDVI作為一種植被指數(shù)，被廣泛應用于反映作物在不同季節(jié)、不同生育期表現(xiàn)出來的生理特征，也有效的應用于土地利用覆蓋監(jiān)測、植被覆蓋密度評價、作物識別和作物產(chǎn)量預報等[11-13]。哨兵數(shù)據(jù)的波段最高分辨率為10 m，單純依靠目視解譯對作物進行分類較為困難，因此構建多時相NDVI植被指數(shù)來研究就能夠很好地提高分類精度[14-16]。

上述文獻主要是針對不同種類農(nóng)作物進行分類或者是對單一農(nóng)作物進行面積提取，涉及到的農(nóng)作物精細分類(例如夏玉米、春玉米、山地夏玉米等)及多種農(nóng)作物種植面積變化研究還很少。文中以河北省石家莊市靈壽縣的多種作物及地貌類型為例，采用多時相決策樹分類法，利用所建立的作物及地貌樣本點不同時期內監(jiān)測到的NDVI值建立時序NDVI曲線，并在具有明顯區(qū)分特征的月份確定閾值，對研究區(qū)域內的多種作物及地貌類型進行分類研究。

1 研究區(qū)與數(shù)據(jù)處理

1.1 研究區(qū)

靈壽縣(113°45′E～114°28′E，38°16′N～38°48′N)位于河北省西部，太行山東側，在省會石家莊西北35 km處，東南與正定縣毗連，南與鹿泉區(qū)隔滹沱河相望，西同平山縣接壤，西北隅與平山縣、阜平縣及山西省五臺縣接境(圖1)。全境呈西北—東南走向，寬15～20 km，長約100 km，靈壽縣屬北溫帶亞濕潤氣候，處于半干旱、半濕潤季風區(qū)。年平均氣溫13.7 ℃，無霜期190 d左右，年平均降雨量417 mm。全縣總面積1 066.2 km2，耕地面積521.12 km2，約占全縣總面積的48.87%，主要分布在中南部區(qū)域，雙熟制耕地主要有冬小麥-花生和冬小麥-玉米大豆，單熟制耕地主要有春玉米、夏玉米、山地夏玉米，縣域的北邊多為山區(qū)林地，其他的植被及地貌類型有雜草、河流湖泊和居民地道路裸地等。土壤有黏土、沙壤等多種類型土質，河流主要有滹沱河、慈河、松陽河、衛(wèi)水河等。

圖1 2020年研究區(qū)域

1.2 數(shù)據(jù)獲取與預處理

根據(jù)作物的物候特征了解到作物有明顯植被指數(shù)區(qū)分度的月份為4月、6月、8月和10月，后續(xù)用所監(jiān)測樣本點的時序植被指數(shù)變化分析也驗證了該想法，并且考慮到云量會對影像分類精度造成影響，因此通過綜合比較各期影像云量覆蓋率，分別選取2019—2020年兩年的8期影像，每年4期，分別是4月、6月、8月和10月(表1)，涵蓋了全部農(nóng)作物的主要生長季(其中4月、6月、10月影像無云量覆蓋，8月影像云量覆蓋度為0.8%)。8期影像數(shù)據(jù)均來自歐洲航天局(ESA)(https://scihub.copernicus.eu/dhus/#/home)，哨兵2號由哨兵2A和哨兵2B兩顆衛(wèi)星組成，重訪周期為5 d，共由13個波段組成，其中較多的紅外波段有利于植被的監(jiān)測，分辨率有10 m、20 m、60 m，經(jīng)過處理后可達到10 m。網(wǎng)站的影像數(shù)據(jù)出現(xiàn)離線狀態(tài)時將其收藏并發(fā)送下載請求，過半個至一個工作日即可下載。

表1 影像清單及各農(nóng)作物發(fā)育期

從歐空局下載下來的數(shù)據(jù)是L1C級，無需進行輻射定標，經(jīng)過大氣校正后進行重采樣(10 m)，進行波段融合，剔除掉不需要的海岸/氣溶膠波段(band.1)和水蒸氣波段(band.9)。經(jīng)過裁剪和空間配準，得到處理后的影像數(shù)據(jù)。

圖2 技術流程圖

2 方法研究

2.1 技術路線

研究技術路線如圖2所示，在2019年3月通過外業(yè)GPS定位點來建立樣本點監(jiān)測NDVI值的變化(圖3)，從北至南分別為雜草、林地、山地-夏玉米、河流、湖泊、春玉米、夏玉米、冬小麥-花生、居民地、道路、裸地，冬小麥-玉米大豆，監(jiān)測時間持續(xù)到10月底所有作物收割結束(或正在收割)的NDVI值的變化情況，繪制NDVI時間序列曲線。了解農(nóng)作物的物候特征，選取具有代表性的8期多時相遙感數(shù)據(jù)，預處理后計算每幅影像的歸一化植被指數(shù)NDVI，NDVI算式如式(1)。根據(jù)農(nóng)作物多時相NDVI變化情況建立分類判別規(guī)則，確定相應的閾值將各種作物及其他植被和地貌進行分類并進行分類統(tǒng)計，得到兩年以來各種作物的種植面積的變化情況。為了驗證分類結果的準確性，于2019年8月及2020年8月到現(xiàn)場勘察，采集多個樣本點建立驗證樣本集，對當年的作物及其他地貌分類通過混淆矩陣進行精度評價來驗證分類的準確性。

(1)

式中:BNIR為哨兵2號近紅外波段(第八波段)的地表反射率;BRED為哨兵2號紅光波段(第四波段)的地表反射率。

圖3 樣本點位置

2.2 植被指數(shù)曲線及可分性

本研究區(qū)域內典型的地表類型有雙熟制耕地(冬小麥-花生、冬小麥-玉米大豆)，單熟制耕地(春玉米、夏玉米、山地-夏玉米)，林草類(林地、雜草)，非植被地表(居民地道路裸地、河流湖泊)。其中非植被地表的居民地道路裸地的植被指數(shù)常年較低，在0～0.1附近，河流湖泊的植被指數(shù)全年低于0，在-0.1～0之間。雙熟制耕地NDVI曲線具有雙峰，根據(jù)4月影像可以與單熟制作物區(qū)分開，10月底具有較低植被指數(shù)可與林地做區(qū)分，花生收割時間相比大豆較早，10月底花生收割完(植被指數(shù)低于0.20)，大豆正在收割(植被指數(shù)大于0.20)。單熟制耕地中，春玉米4月份播種，6月與其它兩種玉米相比有較高的植被指數(shù)，夏玉米和山地-夏玉米6月播種，此時植被指數(shù)很低，三者在8月植被指數(shù)到達峰值，其中山地-夏玉米由于多種植在山地丘陵地區(qū)，自然條件惡劣且密度低，植被指數(shù)不超過0.6。林草類植被由于不是人工種植，在8月后植被指數(shù)并不會出現(xiàn)大降幅，其中林地常年較高，雜草多出現(xiàn)在道路兩旁及山區(qū)，植被指數(shù)在8月到達峰值時低于作物的峰值(圖4)。

圖4 農(nóng)作物及林草類NDVI時序曲線

在構建的NDVI時序曲線中，非植被地表由于全年低植被指數(shù)因此有著極高的識別度；雙熟制耕地作物及林地特征差異明顯，識別度較高；3種玉米具有相同的植被指數(shù)變化趨勢，在起伏及峰值上有差異，也較容易識別；雜草種類多樣，密度低，分布不集中，不能獲得全部種類雜草的植被指數(shù)變化情況，只能得到一個大致變化范圍，識別度一般。綜上所述，利用NDVI植被指數(shù)來對作物及其他地表類型進行識別分類具有較好的可行性。

2.3 決策樹方法用于作物及地貌識別

決策樹作為一種分類方法，具有靈活、直觀、運算效率高的優(yōu)點。它是一種從無次序、無規(guī)則的樣本數(shù)據(jù)集中推理出決策樹表示形式的分類規(guī)則方法，采用自頂向下的遞歸方式，在決策樹的內部節(jié)點進行屬性值的比較并根據(jù)不同的屬性值判斷從該節(jié)點向下的分支，在決策樹的葉節(jié)點得到結論。該方法在遙感影像分類和信息提取中已得到廣泛應用。文中根據(jù)上述分析，設定不同的閾值來構建決策樹對作物及地貌進行分類研究。

閾值的設置必須滿足具有明顯區(qū)分度的要求，才能保證較高精度的分類。分別將4月、6月、8月、10月影像的NDVI值設為B1、B2、B3、B4。根據(jù)參考時序曲線以及多次改進閾值可以得到，當B2大于0.6且B4大于0.5時可以提取林地區(qū)域。其余地貌類型都滿足B2小于0.6，在此基礎上，當B1大于0.35時可將冬小麥-花生和冬小麥-玉米大豆和其他作物和地貌類型做區(qū)分，根據(jù)B4大于0.20可以提取冬小麥-玉米大豆，B4小于0.20可以提取冬小麥-花生。其余作物和地貌類型滿足B1小于0.35，在此基礎上當B3大于0.65時可將夏玉米和春玉米提取出來，此時當B2大于0.45可提取春玉米，B2小于0.45可提取夏玉米。剩下兩種植被類型山地-夏玉米和雜草都滿足B3大于0.41且小于0.65，再根據(jù)B4大于0.20提取雜草，B4小于0.20提取山地-夏玉米。最后的地貌類型為非植被地表，在上述基礎上，B1大于0可提取居民地道路裸地，B1小于0可提取河流湖泊。

3 結果分析與精度驗證

3.1 分類結果及分析

根據(jù)多時相遙感數(shù)據(jù)獲取的NDVI確定的最佳分類閾值，采用決策樹分類方法得到2019年和2020年9種地貌類型的分類結果如表2所示。

表2 2019年和2020年各地表類型分類占比 %

決策樹分類結果如圖5、圖6所示。

圖5 2019年決策樹分類結果

圖6 2020年決策樹分類結果

根據(jù)分類結果可知，與2019年相比，2020年林地面積增加了1.6%，造成略微增加的原因是2019年8月影像西北地區(qū)存在部分云，導致西北部分林地未分類(黑色區(qū)域)；河流湖泊下降0.2%，造成差異的原因是部分河流湖泊表面漂浮植被和藻類，使得少部分錯分為植被；冬小麥-花生增加了4.2%，冬小麥-玉米大豆減少了3.8%，第一年雙熟制耕地大部分種植冬小麥-玉米大豆導致土壤中的磷元素過度消耗，為了避免連作對土壤造成傷害(土壤板結、土壤團粒結構破壞、土壤疏松度下降)，因此第二年雙熟制耕地大部分改種植冬小麥-花生；同理，春玉米增加了17.4%，夏玉米減少了19.6%也是為了降低對土壤的破壞；山地-夏玉米由于多種植在丘陵山區(qū)且密度較低，對土壤的傷害可忽略不計，所以種植面積基本無變化(增加了0.06%)；居民地道路裸地增加了2.8%，主要是城鎮(zhèn)化水平的提高導致居民地面積的增加；雜草減少了3.9%，雜草種類多密度低分散廣較難區(qū)分，每年的面積大致維持在10%左右。

3.2 精度驗證

圖7 驗證樣本點位置

分別在2019年8月和2020年8月(植被最茂盛期)進行實地調查，再結合哨兵影像目視判讀等方式解譯出地表類型，以一個像元為基本單位建立驗證樣本集，由于各地表類型所占面積差異過大，因此針對占比大的地貌類型選取較多驗證樣本點，占比少的地貌類型選取較少驗證樣本點(圖7)，以kappa系數(shù)、制圖精度和用戶精度對兩年的分類結果進行驗證。兩年的kappa系數(shù)分別為0.885 8和0.910 0，總體分類精度分別為90.76%和92.54%，9種植被類型的制圖精度和用戶精度如表3所示。根據(jù)kappa系數(shù)的判別原則：0～0.40(不含0.40)分類一致性差，0.40～0.80(不含0.80)分類中度一致，0.80～1分類高度一致，可知文中9種植被類型的遙感分類總體在精度上達到了高度一致。其中，各地貌類型樣本點被正確分類個數(shù)及占比如表4所示。

通過精度驗證可知，林地、居民地道路裸地、河流湖泊面積大、地塊連片分布，有著明顯且易區(qū)分的NDVI值，面積估算精度很高，大致在95%左右；冬小麥-花生和冬小麥-玉米大豆和其他作物相比有著獨特的雙峰特性，面積估算精度較高，大致在90%～95%之間；春玉米、夏玉米、山地-夏玉米單熟制作物種植較分散，NDVI變化曲線一致，根據(jù)峰值特性進行區(qū)分，面積估算精度一般，大致在80%左右；雜草由于其野生性，分布極其分散，很多雜草區(qū)域長寬小于10 m，小于哨兵2號最小像元面積，會與周圍地物形成混合像元，因此面積估算精度較差，大致在70%左右。

表3 2019年和2020年9種植被類型分類的制圖精度和用戶精度 %

表4 2019年和2020年各地貌類型驗證樣本點個數(shù)及正確分類個數(shù)

4 結束語

文中研究了基于2019年所監(jiān)測的多時相NDVI曲線來構建閾值，根據(jù)2019年和2020年4月、6月、8月、10月共8期影像，利用決策樹方法將耕地類、林草類以及非植被地表類共9種植被類型進行了分類，最后根據(jù)驗證樣本集利用混淆矩陣對分類結果進行精度驗證，結果表明：

1)該方法較好地提取了河北省靈壽縣2019年和2020年兩年9種不同的植被信息，其中包括3種不同品種的玉米，該技術方法不但可以對不同作物及植被類型進行分類，而且可以較好地進行精細分類(3種玉米的分類)，同時監(jiān)測作物的時空變化規(guī)律，可以對來年的作物種植趨勢進行預測，在一定程度上為政府部門的行政決策提供依據(jù)。

2)采用哨兵2號多波段構建NDVI值，并結合植被的多時相NDVI構建決策樹進行分類，與傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類相比，該方法更加注重挖掘和分析不同植被的光譜信息差異，增加了植被類型可分性的信息量，分類識別的針對性更強，顯著提升了分類精度。

3)基于哨兵2號時序植被指數(shù)的作物精細分類及時空監(jiān)測上還有很多方面需要改進。8月份的影像大多含有云層，云層的存在極大降低了分類精度；部分河流湖泊邊緣表面漂浮著植被，會將該部分水體錯分為植被；玉米雜草分布不規(guī)則，混合像元較多，對面積提取的精度造成一定的影響。

針對上述問題今后可以將研究工作轉向哨兵1號影像的分類，利用哨兵1號雷達數(shù)據(jù)具有穿透性的特點，可以避免云層的影響，同時構建雷達反射系數(shù)對植被類型進行分類，將兩種分類結果進行比較以提高整體分類精度。其次通過上述研究可知作物的種植成數(shù)(即面積比例)和地貌的形狀指數(shù)對分類結果影響較大，作物所種植的區(qū)域越集中越齊整，面積提取的精度也就越高，因此也可以將研究重心放在農(nóng)作物的地塊特征上。