利用高空间分辨率遥感数据的农作物种植结构提取*

刘克宝，刘述彬※，陆忠军，宋 茜，，刘艳霞，张冬梅，吴文斌

(1．黑龙江省农业科学院遥感技术中心，哈尔滨 150086;2．中国农业科学院农业资源与农业区划研究所，北京 100081)

农作物种植结构反映了人类农业生产在空间范围内利用农业生产资源的状况，是弄清农作物种类、数量结构和空间分布特征的重要信息，也是进行农作物结构调整与优化的依据［1］。农作物种植结构信息获取较常用的方法是统计汇总，即通过获取某一较小行政单元的农作物种植结构信息，然后逐层汇总统计得到区域层次的农作物种植结构。该方法的优势是可以获取农作物种植结构及其变化的详细信息，但该方法用于大范围农作物种植结构信息获取时耗费人力、物力和财力，同时由于对统计汇总的过度依赖，表现为时间上的滞后［2］。

随着遥感技术的快速发展，因其高时效、宽范围和低成本的优点，遥感为大区域快速获取农作物种植结构及其变化信息提供了新的技术手段。遥感已经在不同时空尺度下的农作物种植结构提取中发挥了重要作用，无论在理论和方法方面，还是在实践方面都取得了长足的进展［3］。然而，从国内外已有的研究进展看，目前农作物空间分布和种植结构遥感提取多利用TM、SPOT等中分辨率数据或NOAA、MODIS等低空间分辨率的遥感数据［4-9］。中低分辨率的遥感数据混合像元现象严重，光谱识别度有限，影响了农作物种植结构提取精度。随着新型卫星传感器的不断出现，越来越多的米级高分辨率遥感数据成为可能，如QuickBird、IKONOS、RapidEye等。高空间分辨率数据能够提供不同地物丰富的纹理、色调、形状和几何结构等特征信息，地物内部细节信息明显，边缘突出，具有较高的分辨精度与目标识别可靠性，为农作物种植结构高精度提取提供了新的发展空间［10］。虽然很多高空间分辨率数据已经广泛用于作物信息提取中［11-14］，但多数仅针对单一作物开展制图，利用高空间分辨率遥感数据提取农作物种植结构的研究并不多见。基于此，该文以5m分辨率的RapidEye为遥感影像，探索基于高空间分辨率遥感数据提取农作物种植结构。

1 研究区域和数据

1.1 研究区域

该研究选择黑龙江省的肇东市为研究区域。肇东市是我国的重要粮食基地，地处黑龙江省西南部，松花江北岸，属松嫩平原，市境略呈长方形，南北纵长103km，东西横宽76km，土地总面积为4 338km2。地理坐标为东经 125°22＇～126°22＇，北纬 45°10＇～46°20＇。海拔高度为 120 ～230m，自西北向东南逐步倾斜，坡降大约在1/1000～2/1000。研究区属寒温带大陆性季风气候，年平均气温为4．8℃左右，平均积温2 774℃。农作物以玉米、大豆、水稻为主，瓜菜、无公害马铃薯、葵花和烤烟等作物为辅。

肇东市农作物种植结构特点是东部以玉米为主，部分玉米与烤烟混种;县城以西，沿G301方向到昌五镇，种植结构复杂，呈玉米、香瓜、蔬菜以及经济作物混种的种植结构特点;沿松花江南部以玉米为主，水稻为辅;在安民乡附近，主要种植玉米和豆类;北部四方山农场，种植结构相对单一，呈现以种植玉米为主的种植结构特点。

图1 研究区域地面样方分布

1.2 数据来源

该研究以2011年9月上旬3景无云RapidEye卫星影像为遥感数据。RapidEye数据空间分辨率为5m，幅宽为77km，包括蓝、绿、红、红边和近红外等5个波段，拥有红边波段是该数据的独特特征。原始RapidEye数据进行了几何校正、投影转换、图像镶嵌和裁剪，得到了覆盖研究区域的高空间分辨率图像数据，用于农作物种植结构提取。

为了辅助农作物种植结构提取和计算细小地物扣除系数，在研究区域从南到北均匀布设了10个1km×1km的地面样方，样方分布如图1所示。2011年6月开展了地面样方数据调查，调查内容包括样方内作物种植的类型、分布和种植结构，利用亚米级的差分GPS(Trimble4600型差分定位仪)获取了精确的地理坐标。同时，对于样方内各种田间道、田埂、沟渠等线状地物的尺寸利用差分GPS进行了记录，对于较窄的线状地物则采用钢卷尺测量其宽度，最小采集宽度为1m。

此外，耕地空间分布数据和2011年黑龙江省主要粮食农作物本地调查数据等辅助数据，耕地空间分布数据为农作物种植结构提取提供耕地掩膜，剔除非耕地区域;农作物本地调查数据为该区域的农作物种植结构遥感提取的精度验证提供参考数据。

2 研究方法

该研究利用高空间分辨率提取农作物种植结构的技术流程如图2所示。首先利用研究区域的耕地矢量数据剔除非耕地区域，根据地面样方获取训练样本，对经过预处理的高空间分辨率数据进行监督分类，通过分类后处理获取了农作物种植结构的空间分布，并得到不同作物的面积数量;然后利用10个样方数据，计算线状及细小地物扣除系数，进而得到农作物种植面积总量的精确结果;最后利用本底数据对遥感提取的农作物种植结构进行精度评价。

2.1 农作物识别

该研究主要对研究区域的玉米、水稻和大豆等3大农作物进行遥感识别。结合地面样方调查数据建立了作物解译标志，在综合考虑作物本身受光照、地形和植被覆盖等因素影响基础上，从RapidEye图像中选择了有具有一定数量的典型训练样本，其中玉米训练样本数量为96个，水稻训练样本为70个，大豆训练样本为52个。该研究采用了最大似然监督分类法作为农作物种植结构提取的分类器。由于监督分类主要基于地物的光谱特征，对于“同谱异物”和“同物异谱”现象无法识别，会产生一定的分类误差。为了充分发挥高分数据的优势，提高分类精度，该研究在监督分类基础上进行了部分人工修改，对一些明显的漏分或错分的地物进行了单独处理。

图2 基于高空间分辨率提取农作物种植结构的流程

2.2 线状及细小地物扣除系数计算和面积校正

线状或者面状的细小地物在中低分辨率遥感影像上往往无法识别，但在这类地物在高分辨率遥感影像会表现的比较突出，需要从高分影像上作为线状或者面状的细小地物独立分离出来［15-16］。在该研究中，利用ArcGIS平台建立了10个地面样方的矢量数据库，生成与RapidEye高分遥感数据地理坐标、投影、地理位置匹配的样方矢量数据，图3列出了玉米样方、水稻样方和玉米、大豆混合样方的种植结构图。

为了提高利用高空间数据提取农作物种植面积的精度，需要对线状地物及细小地物扣除系数进行计算，并应用扣除系数对高分辨率影像提取的面积进行校正。该研究首先分别统计10个地面样方内农作物种植的面积，然后统计线状及细小的道路、沟渠、田埂、林带、居民点等地物的面积。用线状及细小地物面积除以地面样方耕地面积，得到线状及细小地物扣除系数，以百分数的形式表示。所有样方的线状及细小样本扣除系数计算完成后，其平均值则为该研究区域的线性地物及细小地物的扣除系数。

利用样方的线状及面状细小地物扣除系数，分别对样方的遥感提取的农作物种植面积进行校正，得到样方内农作物种植精细面积;然后用全区域的平均扣除系数校正整个研究区的遥感提取农作物种植面积。

图3 典型代表性地面样方的种植结构(ZD07:玉米样方;ZD09:水稻样方;ZD04:玉米、大豆混合样方)

3 结果与分析

3.1 作物种植结构遥感提取结果

图4是基于RapidEye高分数据提取的肇东市农作物种植结构图。可以得出，玉米在肇东市农作物种植中占主体地位，约占全区域作物种植面积的88．19%，且空间分布相对集中，零星玉米田块呈现不完整态，主要与香瓜、蔬菜以及经济作物混种;水稻主要沿松花江分布在南部和东南部区域，种植总面积占总区域11．22%;大豆种植比较分布分散，种植面积较少，仅占0．59%，呈现与玉米混种的种植结构特点。

3.2 线状及细小地物扣除系数

表1列出了10个典型地面样区的线状及细小地物扣除系数。可以看出，地处肇东市中部的ZD01和 ZD07两个样方，其线状及细小地物扣除系数分别为0．15%和0．23%，稳定在0．2%左右;肇东市南部地区的ZD05和ZD08样方扣除系数分别为0．36%和0．59%，相差大约0．2%;ZD04地处肇东市北部农场区域，其扣除系数为0．55%。然而，在ZD02和ZD06两个地面样方内，玉米和豆类以及其他经济作物混合种植，其线状与细小地物复杂多样，除道路和井房外，还零星分布墓地、油井。因此，这两个样方的线状及细小地物扣除系数较大，超过1%。此外，两水稻样方的扣除系数较大，在1%以上。通过计算10个典型地面样方的扣除系数平均值，得出肇东市线性及细小地物扣除系数为0．71%。

图4 基于RapidEye遥感影像获取的2011年农作物种植结构

3.3 农作物种植面积精细计算

利用表1中的线状及细小地物扣除系数，对10个样方遥感提取的农作物种植面积进行修正，然后和地面调查获取的作物种植面积进行比对，计算线状及细小地物扣除前后的农作物种植面积提取误差率，表2描述了有关对比分析。从表2中可以看出，经过线状及细小地物扣除后，作物种植面积遥感提取误差率总体上下降了0．73%，尤其对于样方zd04、zd06、zd08、zd09和zd10，精度明显得到提高。这表明线状地物及细小地物的提取和扣除，可以有效发挥高分辨率遥感影像的优势，提高农作物种植面积的精细提取。

表2 不同样方农作物种植面积精细提取及误差率

3.3 农作物种植结构提取精度评价

利用全区域的线性及细小地物扣除系数0．71%，对遥感提取的2011年肇东市农作物种植面积进行了修正，然后和2011年的农作物种植面积本底调查数据进行比对，分析遥感提取的面积数量精度，其结果见表3。可以看出，整个肇东市市农作物种植面积精细提取精度达到97．00%。其中水稻种植面积提取精度最高，为97．68%，其次是玉米，达到为96．28%，大豆种植面积提取精度为91．2%。

表3 2011年肇东市农作物种植面积遥感提取精度

同时，利用地面调查获取的样点数据，对高空间分辨率数据提取的肇东市农作物种植结构的空间位置精度进行了验证，总体精度为96．15%，Kappa系数是0．88，这表明农作物遥感提取的位置精度总体效果较好。

4 结论与讨论

该研究以黑龙江肇东市为研究区域，开展了基于高空间分辨率遥感影像提取农作物种植结构的小区域试验。具体地，以高空间分辨率RapidEye影像为遥感数据，利用最大似然法提取了2011年肇东市农作物种植结构，利用地面样方调查数据进行了线状及细小地物扣除系数计算，实现了遥感提取的农作物种植面积的精细提取，然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价。研究结果表明:高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力，线状及细小地物扣除系数可以有效减小线状及细小地物对高分提取的农作物种植结构的精度。

该研究中农作物种植结构遥感提取也存在一些误差。一方面，与RapidEye数据的5个波段设置有关，其波谱分辨率一般，基于光谱特征的最大似然基于监督分类没有丰富的光谱信息作为支撑。另一方面，肇东市旱田主要种植玉米，与豆类、瓜地、蔬菜、烤烟等其他作物混种，在进行作物面积提取时，玉米训练样本的选取无法将所有类别一一学习;水稻种植结构简单，但选择的时相并不是水稻提取的最佳时相;大豆种植分散，训练样本的选择有一定的不足，这些都会对作物识别结果带来一定的影响。

［1］唐华俊，吴文斌，杨鹏，等．农作物空间格局遥感监测研究进展．中国农业科学，2010，43(14):2879～2888

［2］张莉，吴文斌，杨鹏，等．黑龙江省宾县农作物格局时空变化特征分析．中国农业科学，2013，46(15):3227～3237

［3］陈水森，柳钦火，陈良富，等．粮食作物播种面积遥感监测研究进展．农业工程学报，2005，21(6):166～171

［4］张莉，吴文斌，左丽君，等．基于EOS/MODIS数据的南方水稻面积提取技术．中国农业资源与区划，2013，32(4):39～44

［5］王磊，王贺，卢艳丽，等．NDVI在农作物监测中的研究与应用．中国农业资源与区划，2013，34(4):43～50

［6］熊勤学，黄敬峰．利用NDVI指数时序特征监测秋收作物种植面积．农业工程学报，2009，25(1):144～148

［7］顾晓鹤，潘耀忠，朱秀芳，等．MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究．遥感学报，2007，11(5):350～358

［8］王琳，景元书，杨沈斌．基于多时相遥感数据提取水稻种植面积的研究．中国农业资源与区划，2013，34(2):20～25

［9］黄振国，陈仲新，刘芳清，等．基于HJ-1影像的大棚菜地遥感监测技术研究——以山东寿光市为例．中国农业资源与区划，2013，34(5):102～106

［10］宫鹏，黎夏，徐冰，等．高分辨率影像解译理论与应用方法中的一些研究问题．遥感学报，2006，10(1):1～5

［11］姜淑芳，常勇，宋清泉．利用RapidEye数据提取冬小麦面积及精度评估研究．鲁东大学学报 (自然科学版)，2012，28(1):63～66

［12］李敏，崔世勇，李成名，等．面向对象的高分辨率遥感影像信息提取——以耕地提取为例．遥感信息，2008，6:63～66

［13］徐新刚，李强子，周万村，等．应用高分辨率遥感影像提取作物种植面积．遥感技术与应用，2008，23(1):17～23

［14］Mcnairn H，Ellis J，Van Der Sanden J J et al．Providing crop information using RADARSAT-1 and satellite optical imagery．International Journal of Remote Sensing．2002，23(5):851～870

［15］毛富仁．TM遥感影像解译数据中线状及细小地物的扣除．青海环境，2010，20(002):81～85

［16］吴炳方，李强子．基于两个独立抽样框架的农作物种植面积遥感估算方法．遥感学报，2004，8(6):551～569