地理国情普查数据在粮食补贴中的应用

2016-12-28张艳娜

地理空间信息 2016年9期

关键词：国情冬小麦普查

张艳娜

（1.山东省遥感技术应用中心，山东济南 250013）

地理国情普查数据在粮食补贴中的应用

张艳娜1

（1.山东省遥感技术应用中心，山东济南 250013）

结合实际生产项目，探讨了地理国情普查数据在粮食补贴中的应用。通过快速遥感监测花官镇当季冬小麦种植面积，并与实测面积进行了对比分析，证明了地表覆盖数据和正射影像的应用大大缩减了影像分析范围，提高了工作效率和结果精度，可以为政府决策提供更可靠的科学依据。

地理国情普查；地表覆盖数据；粮食直补；冬小麦；快速遥感监测

地理国情监测是综合利用现代测绘技术，对地表形态、地表覆盖要素、地理国情要素进行动态、定量化和空间化的监测，形成反映各类资源、环境、生态、经济要素的空间分布及其发展变化规律的监测数据、地图图形和研究报告等，反映了地表自然和人文地理要素的空间分布、特征及其相互关系[1-2]。地理国情普查结果数据采集依据“自然、现状优先”的原则，客观、准确地反映各种地表的基本信息，地表变化及其相互关系，以地理国情信息为数据基线，整合、集成各类数据信息，可提升管理决策的科学化水平[3]。

山东省是全国小麦主要产区，为确保实现粮食直补政策初衷，山东省坚持以小麦为粮食直补补贴品种，以每年实际小麦种植面积为补贴依据。目前，山东省小麦种植面积的申报核实程序主要是农户诚信申报、村镇两级公示、逐级核实上报。粮食直补工作操作成本高、工作量大、开支大是各地干部普遍反映的问题[4-5]。对于冬小麦种植面积遥感测量方面的研究，从最初的目视解译到结合地面样点监督分类[6]、分层抽样提取[7]等统计分类方法，到多时相分类方法和多源数据结合的方法[8-9]，再到绿度识别方法、神经元网络方法、模糊数学方法[10]、混合像元分解[11]、支持向量机[12]等多种分类方法均取得了一定的成果。但已有研究在应用的深度与广度上仍存在差距，使用的影像数据源分辨率较低，监测尺度大，成果现势性不高，难以满足政府部门精细化管理的要求。山东省财政厅创新工作思路，首次在全国采用卫星遥感同步监测小麦种植面积，通过对当季遥感影像的分析快速得到监测区小麦种植面积，再将监测结果与各地统计汇总结果进行对比，以快速准确地获取当年小麦种植面积，旨在遏制粮食直补面积非正常增长势头，维护种粮农民利益，避免财政资金被侵占和补贴标准摊薄。鉴于此，本文基于地理国情普查数据与当季遥感影像，探讨了地理国情普查数据在快速提取冬小麦种植面积中的应用，以促进地理国情普查数据在粮食补贴中的应用。

1 研究区概况及数据源

本文选取广饶县花官镇为研究区，花官镇位于广饶县城以北，地处泰沂山北麓山前冲积平原和黄河冲淤积平原的交迭地带，地势由西南倾向东北，地处暖温带，属季风型气候；总面积为116．8 km2。花官镇粮食作物主要有小麦、玉米、大豆、谷子等；经济作物有大蒜、蒜薹、棉花、花生等；蔬菜有大白菜、萝卜、茄子、辣椒、黄瓜、韭菜、大葱、芹菜、西红柿等。

2015年度花官镇冬季粮食作物以小麦为主，经济作物以大蒜、蒜薹为主，菜地零星种植，其中北部、西南部种植小麦较多，大蒜间隙种植，东部以大蒜为主，小麦间隙种植。

通过分析各种作物物候期可以看到：10月农作物种类很少，冬小麦刚刚播种，耕地基本呈现为纹理较细腻的裸土，有少量青菜种植；11月～次年1月小麦出苗，青菜收割，没有其他作物生长，冬小麦具有一定的可分性，但是种植较晚或出苗较晚的小麦与裸地没有可分性；2月下旬～3月上旬，冬小麦快速返青，覆盖度迅速增加，而此时基本无其他农作物生长，与其他农作物的可分性很好，但草地会对其产生干扰；6 月下旬，冬小麦基本收割，而其他作物长势较好，因此冬小麦与其他植被的可分性好，但这时由于小麦收割，影像呈裸土特征，与裸露地表类型的地物的可分性较差。另外，山东省土豆8月播种，10月底～11月初收获；春季4月底～5月上旬播种，地膜春花生9月上旬收获，麦套、夏直播花生9月下旬、10月上旬收获。因此，考虑到监测结果需要实地核实验证，当季冬小麦遥感监测的最佳影像时相为3月下旬～ 5月上旬。

通过实地踏勘，本文采用的实验数据为RapidEye卫星的多光谱影像，花官镇数据采集于2015-04-15。影像有5个光谱段，分别为蓝（440～510 nm）、绿（520～590 nm）、红（630～685 nm）、红边（690～730 nm）和近红外（760～850 nm）波段。RapidEye拥有5颗卫星，地面采样间隔为 6．5 m，正射影像空间分辨率为5 m，幅宽为77 km，重访周期为每天。影像数据为3A级正射产品，即经过辐射校正和传感器校正产品。

2 研究方法

本文研究方法为：①搜集整理监测区相关资料，实地踏勘，确定影像获取时间；②遥感影像预处理；③人机交互解译并确定外业核查疑问图斑；④野外实地核查验证；⑤结果修正，编辑整理，汇总统计（图1）。

图1 技术流程图

2.1 资料搜集和实地踏勘

搜集监测区相关资料，了解作业区域的自然地理、人文、经济、作物结构及有关的统计数据和其他文献资料。实地踏勘花官镇冬小麦长势，返青苗情况，小麦普遍长势较好（麦苗20 cm以上）则可进行影像拍摄，确定影像拍摄时间。实地踏勘过程中遇到特殊样例标本需要采集解译标志，整理花官镇地理国情普查影像数据、地表覆盖层数据，提取耕地、林地、园地、草地层，并进行坐标转换、格式转换等。

2.2 影像预处理

为尽量减少影像信息损失，3A级数据直接生产5 波段16 bit产品，再进行几何纠正和裁切。

1）几何纠正。基于广饶县的0．3 m正射影像数据和1∶5万DEM对广饶县多光谱数据进行几何纠正。选取了15个控制点，主要分布在道路交叉点、围墙角或水系转折点，且在待纠正影像上均匀分布。本文采取三阶多项式校正，利用邻近域方法重采样，选取15 个检查点对纠正后影像进行精度评价，得出数据的内部几何误差小于1个像元，满足实验要求。

2）影像裁切。利用花官镇的行政区划对影像进行裁切。花官镇镇界采用地理国情普查数据——行政单元乡镇层。裁切后花官镇影像如图2所示。

图2 花官镇2015-04-15影像图

2.3 影像解译

2.3.1 自动提取

本文采用eCognition进行影像自动解译。花官镇的冬小麦多是大面积种植，在部分地区与经济作物大蒜、菜地、棉花等间隙种植，有部分空地、撂荒长草或收割后玉米地。首先以地理国情普查地表覆盖层数据作为主要专题矢量数据参与影像分割，通过地块的边界将遥感影像分割成许多个基本地块单元；再按照地表覆盖数据属性值将其合并为5大类：耕地、林地、园地、草地和其他；然后在大类中依次分割影像，分析各地物影像特征，利用地物光谱信息及函数组合依次分小类；最终提取出冬小麦地块（图3）。

花官镇大面积冬小麦地块多存在于耕地层中，林地、园地、草地和其他类中小麦多以零星小面积地块或窄条状地块出现。经过多次试验，对比了多种阈值得到的同质对象与地块轮廓边界后，本文耕地层分割尺度采用60，形状因子为0．2，紧致度因子为0．3，蓝、绿、红、红边、近红外波段权重依次为：1、0、2、4、4。利用小麦绿色植被特点NDVI＞0提取小麦地块，提取出来的地块可能包含其他绿色植被，如菜地、大蒜、大棚、撂荒草地、空地等；再采用垂直植被指数（DVI）＞2 100、蓝波段值＞6 100、近红外波段值＞4 800和土壤指数值（SIOL）＞0．08、红波段值＜4 300、NDVI＜0．15等把非小麦地块去除；并用DVI＞500和红波段值＜3 000提取疑似小麦地块。耕地中大面积植被主要是小麦和大蒜，由于大蒜是覆地膜种植，因此采用地块之间的DVI指数邻近关系值加蓝波段值区分大蒜和小麦。林地层分割尺度采用40，形状因子为0．4，紧致度因子为0．6，蓝、绿、红、红边、近红外波段权重依次为：1、0、2、1、4。利用近红外值Layer5＞4 350和蓝波段值＜6 200提取小麦；并用红边波段值＞4 250和亮度值＞5 000提取疑似小麦地块。最后处理园地层、草地层和其他层，在此基础上，可以得到较好的同质对象（图4）。

图3 影像自动提取流程图

图4 花官镇影像解译图

2.3.2 内业编辑

本文内业编辑主要是精化图斑，进行分块阈值增删。小麦图斑中会存在小麦地块中间的细条，可能是空地、菜地或其他经济作物，需要删除。遗漏的小麦图斑多为宽度在1～3个像素的长势较差的细条小麦，菜地、大蒜、大棚或其他作物中间细条小麦和居民点周围的自留地种植总面积较小的小麦地块，需要手工添加此类图斑。同时需要利用2014年度土地变更调查数据中线状地物删除麦田中宽度大于2 m的沟渠和农村道路。遵循“5 m定性，高分定边”的原则，使用地理国情普查正射影像修正小麦地块准确的边界，减少由5 m分辨率混合像元带来的较大误差，编辑剩余小量的“同物异谱”、“异物同谱”地块，帮助零星地块的解译，如大蒜地块之间的宽度为2～7 m的细条小麦或小麦地块之间细条大蒜等。同时以道路顺畅为原则，选择需要实地核查的图斑。内业产生的疑问图斑不能全部一一核实，需要按照类别核实疑问图斑，并依据野外实地核查情况进行修正。

3 结果分析及精度评价

本文利用地理国情普查数据，通过影像解译、外业核查及编辑，得到花官镇2015年度遥感监测冬小麦种植面积为48．8 km2。在2015年1月前对花官镇冬小麦种植面积进行了实地测量，结果见表1，遥感监测精度为95．78%，精度较高，可满足政府决策需要。

表1 实地测量与影像解译结果

表2为地表覆盖面积与实地测量面积、遥感监测面积的比较，从表中可以看出：①花官镇耕地面积占乡镇面积的70%，说明该镇是农业主体乡镇。②耕地中小麦种植面积占花官镇耕地面积的61．08%，说明该镇是非小麦主产区，耕地中种植了其他作物，受中国家庭联产承包制影响，作物混种较严重，增加了遥感监测难度。③旱地中小麦种植比重最高达98．23%，说明旱地是影像解译的重要分析目标。其他地表覆盖区小麦种植面积较少，可根据乡镇具体情况选择影像解译手段。④草地中小麦种植比重次之。花官镇草地面积占乡镇面积的9．27%，受黄河三角洲地理位置影响，存在一定面积的盐碱地，盐碱地中草地与小麦种植互换度较高，因此盐碱地区草地是影像解译第二主要分析目标。另草地中遥感监测精度误差较大，说明高密度草地与小麦影像解译分类难度较大。⑤林地中小麦遥感监测误差为9．14%，比园地、草地中小麦误差低，说明林地较园地和草地易与小麦区分。⑥由于地理国情普查地表覆盖数据采集时限制图斑最小上图面积，小面积图斑采用就近归并原则，粮食直补则采取“种粮则补，不种不补”原则，不存在最小上图面积，除耕地外地表覆盖层中小麦种植对总体小麦面积误差有一定的影响，故在利用地理国情普查数据时需要对所有地表覆盖数据层进行分析。

表2 地表覆盖面积、实测小麦面积与遥感监测冬小麦面积统计

4 结语

本文主要得到以下结论：①地表覆盖层数据作为自动解译信息提取时控制边界的数据，缩小了冬小麦提取作业范围，提高了小麦种植面积遥感监测的准确性，减少了外业工作量，提高了作业效率；②地理国情普查正射影像分辨率为0．5 m，小麦面积遥感监测数据源为5 m分辨率，使用地理国情普查正射影像既有助于找到小麦地块的准确边界，减少由于5 m分辨率混合像元带来的误差，又可减少“同物异谱”、“异物同谱”现象带来的误差，帮助零星地块的解译。随着地理国情普查工作的深入和地理国情监测的开展，地理国情普查成果将会在粮食直补工作中发挥越来越大的作用。

[1] 国发[2013]9号．国务院关于开展第一次全国地理国情普查的通知[S]．北京∶ 国务院办公厅,2013

[2] GDPJ 01-2013．地理国情普查内容与指标[S]．北京∶国务院第一次全国地理国情普查领导小组办公室,2013

[3] 李德仁,邵振峰,丁霖．地国情理信息的多极网络化表达[J]．地理空间信息,2014,12(1)∶1-5

[4] 韩喜平,蔄荔．我国粮食直补政策的经济学分析[J]．农业技术经济,2007(3)∶80-84

[5] 黄季焜,王晓兵,智华勇,等．粮食直补和农资综合补贴对农业生产的影响[J]．农业技术经济,2011(1)∶4-12

[6] 吴炳方．全国农情监测与估产的运行化遥感方法[J]．地理学报,2000,55(1)∶25-35

[7] 王乃斌．中国小麦遥感监测与估产[M]．北京∶中国科学出版社,1996

[8] 庞新华．基于决策树和混合像元分解的P6 AWiFS遥感影像小麦播种面积测量方法研究[D]．北京∶北京师范大学,2008

[9] 刘婷,任银玲,杨春华．3S技术在河南省冬小麦遥感估产中的应用研究[J]．河南科学,2001,19(4)∶429-432

[10] 尤淑撑,张玮,严泰来．模糊分类技术在作物类型识别中的应用[J]．国土资源遥感,2000(1)∶39-43

[11] 徐希孺,周莲芳,朱晓红．混合像元的因子分析方法及其在大范围冬小麦播种面积估算中的应用探讨[J]．科学通报,1989,34(12)∶946-949

[12] 张锦水,何春阳,潘耀忠,等．基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]．遥感学报,2006,10(1)∶49-57