基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

欧阳玲，毛德华，王宗明，李慧颖，满卫东,5，贾明明，刘明月,5，张 淼，刘焕军

（1. 赤峰学院资源与环境科学学院，赤峰 024000；2. 中国科学院东北地理与农业生态研究所中国科学院湿地生态与环境重点实验室，长春 130102；3. 吉林大学地球科学学院，长春 130000；4. 中国科学院遥感与数字地球研究所，北京 100049；5. 中国科学院大学，北京 100049）

·农业信息与电气技术·

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

欧阳玲1,2,5，毛德华2※，王宗明2，李慧颖3，满卫东2,5，贾明明2，刘明月2,5，张 淼4，刘焕军2

（1. 赤峰学院资源与环境科学学院，赤峰 024000；2. 中国科学院东北地理与农业生态研究所中国科学院湿地生态与环境重点实验室，长春 130102；3. 吉林大学地球科学学院，长春 130000；4. 中国科学院遥感与数字地球研究所，北京 100049；5. 中国科学院大学，北京 100049）

作物种植结构监测和估产是精准农业遥感的重点领域，其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区，以2015年的Landsat8 OLI和多时相GF-1为遥感数据源，基于物候信息和光谱特征确定的农作物识别关键时期和特征参数，构建面向对象的决策树分类模型，开展作物种植结构监测研究；综合植被光谱指数和地面采样数据，采用逐步回归方法建立产量遥感估算模型。结果表明：多源与多时相的遥感数据可以反映不同农作物的季相特征，应用本文所构建的决策树分类模型，作物分类效果较好，总体精度达87.54%，Kappa系数为0.8115；2015年，北安市的主要作物类型为大豆、玉米、水稻和小麦，面积分别为2204、1955、122和19 km2，其中大豆的种植面积最大，占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型（R2=0.823 7，均方根误差 135.45 g/m2，精度80.55%）；北安市玉米高产区集中分布在西部，大豆的高产区主要分布在东部；2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm2，总产量分别为16.93×108、6.27×108kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构，构建的产量估算多元回归模型，为精准农业科学发展提供参考。

遥感；作物；提取；多源/多时相影像；面向对象；种植结构；作物产量

0 引 言

农作物种植结构是农作物空间格局的重要组成部分，包括区域作物类型、面积、布局等多项农业信息的综合，即主要农作物类型和其空间分布[1]。准确高效的获取作物种植结构和主要作物产量信息可为农业精准管理提供重要的参考依据。为确保国家的粮食安全、调控和指导种植业结构、提高农业生产管理、推进政策性农业保险等均具有十分重要的意义[2]。

随着空间技术的不断发展，各种遥感数据源广泛应用于农作物种植结构提取、农作物产量估算等方面。国内外学者在作物种植结构提取方面开展了大量的研究，如杨闫君等[3-7]基于GF-1影像，对作物分类、农作物种植面积提取方法、遥感抽样调查方法等进行研究；Chen等[8-11]主要基于多时相Landsat8 OLI影像、雷达及Modis等遥感数据源对作物种植结构进行提取。目前多数研究都是基于单一遥感数据源、单一时相遥感影像、利用像元分类方法提取农作物种植结构[12]，并未考虑农作物的季相差异，使分类结果难以满足精度要求。在作物遥感估产方面的研究，如欧文浩等[13-15]利用HJ-1为遥感影像数据源对水稻、玉米、大豆和冬小麦进行遥感估产最佳时相选择和定量反演进行研究；赵静等[16]联合HJ-1和Landsat8 OLI数据构建多传感器观测数据集，对叶面积指数进行反演；Song等[17-20]以 Landsat TM/ETM+/OLI为主要数据源，对小麦、大豆、水稻等作物的产量进行遥感估算。农作物产量估算的研究也多是基于同一光谱植被指数对不同作物类型产量的拟合。当前，对于探讨多种光谱植被指数对作物产量的敏感性研究而建立遥感估产模型尚不多见。因此，基于多时相较高空间分辨率与多源遥感影像相结合，进行作物种植结构空间分布信息提取，比较不同光谱植被指数对作物的敏感性，选择多种植被指数进行大豆和玉米遥感估产的工作十分必要。

多源遥感影像结合的主要方式为不同种类的较高空间分辨率数据与多光谱分辨率数据进行耦合。利用较高空间分辨率数据等提高地面解译精度，多光谱分辨率数据则用于对不同作物种类加以区分。多源遥感数据在耦合过程中能够起到取长补短的作用。本文采用面向对象的分类方法构建决策树分类模型，充分利用GF-1卫星影像的较高空间分辨率和Landsat8 OLI多光谱影像数据，以多时相影像为遥感数据源，提取北安市主要农作物种植结构，以遥感影像分类结果作为遥感估产数据源，采用逐步回归方法建立农作物产量遥感估算模型，以期为研究区政府及农业部门及时了解农作物种植结构及产量丰欠的变化趋势，制定和调整农作物种植结构宏观调控政策提供科学依据。

2 数据与方法

2.1 研究区概况

北安市位于黑龙江省北部，介于126°16′E～127°53′E和47°35′N～48°33′N之间，隶属于黑龙江省黑河市，东与绥棱逊克县接壤，西与拜泉、克东县毗邻，北与五大连池市交界，南隔通肯河与海伦市相望，总土地面积为7131 km2（图1）。

图1 北安市的地理位置及作物采样点分布图Fig.1 Location and crop sampling sites in Beian

该地区气候属于温带大陆性半干旱季风气候，冬季寒冷，夏季炎热多雨，春秋两季多风少雨；年平均气温1～3 ℃，年降雨量在400～600 mm之间，主要集中于6－9月。北安市地处松嫩平原向兴安山地过渡的中间地带，东部山区属于小兴安岭余脉，西部地区属于平原，土壤肥沃，属世界珍贵的三大黑土带之一。东部山区森林广袤，森林覆盖率为36.35%，低洼处有沼泽湿地分布，中东部地区主要为耕地，主要农作物类型有大豆、玉米、水稻、小麦等，是农作物主产区，也是高油脂和高蛋白大豆的重要生产基地和绿色作物生产基地，2015年耕地面积为4 300 km2，占全市面积的60.25%。是黑龙江省粮食主产区。

2.2 数据获取与处理

2.2.1 遥感影像获取与处理

GF-1号卫星是中国2013年4月26日发射的高分辨率对地观测系统遥感卫星。GF-1号卫星配置了4台16 m分辨率多光谱宽幅相机（WFV1-WFV4），每台相机4个波段（450～890 nm），组合起来可以达到800 km的幅宽，重访周期为4 d。2台2 m分辨率全色8m分辨率多光谱相机（PMS）。GF-1号卫星数据具有分辨率高、幅宽大和回返周期短的特点，可以广泛应用于农业遥感、环境监测等领域。本文选取了GF-1 WFV影像数据6景，可视性良好（数据来源，影像来自于卫星应用中心）。

Landsat8 OLI影像来源于美国地质勘查局网站（USGS, http://glovis.usgs.gov/），本文选取同一区域的OLI遥感影像2景，应用其多光谱波段，即2～7波段，具体参数见表1。

表1 多源遥感影像数据Table 1 Multi-source remote sensing images

利用ENVI 5.1软件对多时相的GF-1和OLI影像进行辐射定标，得出大气上行辐射亮度值，并选取FLAASH模型进行大气校正，将其转换为地面真实反射率数据。通过研究区矢量边界对多时相影像进行拼接和裁剪，得到研究区影像。投影选择WGS_84_UTM_ZONE_52N 坐标系，保证不同传感器与多时相影像投影相一致。几何精校正以Landsat8 OLI数据为基准，选取控制点对GF-1数据进行精校正，纠正过程中均方根误差控制在0.5像元以内，可以满足多传感器多时相遥感影像农作物分类所需的精度要求。

为了比较2种传感器中相同地物光谱反射率的异同，本文随机选取研究区中典型地物类型（大豆、玉米、水稻、小麦等）6 812个像元，分别对GF-1和OLI影像的蓝、绿、红和近红外波段反射率进行回归分析[21]，分析结果如图2所示。两类传感器的波段线性回归方程R2分别为0.78、0.74、0.72和0.68，说明2类传感器对相同地物光谱反射率具有一致性，并且变化趋势相同[22-23]，所以本文可以将GF-1和Landsat8 OLI数据联合用于研究区作物种植结构的提取。

图2 两类传感器对应波段光谱反射率回归分析Fig.2 Regressive analysis between reflectance of band from two sensors

本研究参考国内外农作物产量反演的相关文献[24-28]和作物自身光谱特性选择光谱植被指数，结合研究区特点，选取OLI 4个波段和9种较强普适性的光谱植被指数作为构建遥感估产模型的入选自变量（表2）。

表2 植被指数的计算公式Table 2 Computational formulas of vegetation indices

2.2.2 野外采样数据获取与处理

农作物分类遥感解译精度的野外验证数据来源于2014－2015年4－10月的地面调查和Google Earth高空间分辨率遥感影像，共获得2015年有效土地覆被类型样点1 120个，其中253个采样点参与地物感兴趣区的建立，作为解译标志点，867个采样点作为农作物分类精度的验证点，较为均匀地覆盖整个研究区，其中，玉米332个、大豆368个、水稻25个、小麦28个和其他地物114个，其分布如图3所示。

图3 北安市作物分类野外验证点Fig.3 Validation points for crop classification in Beian

根据北安市预设采样点，2015年9月23日至9月28日对北安市玉米和大豆的收获期进行产量样本采集，因研究区水稻和小麦的种植面积相对较少，没有对其进行采样。具体方法为：每块样地设3个采样点，共计75个采样点（图1）。采样时，每块样地需进入田地50 m后设第一个采样点，采样点之间的间隔是50 m，每个玉米采样点的范围是3 m×5 m、大豆采样点的范围是3 m×3 m，采样点范围内随机采取3株样品，并查清本范围内的植株总数量。每个采样点位置均利用手持GPS定位获取地理信息，记录采样点的经度、纬度、高程、植被类型等。样品带回实验室的处理过程为：自然风干1 d后，放置于65 ℃温度下烘干至恒质量，玉米烘干的时间为84 h，大豆的烘干时间为36 h，并以精度为0.02 g的电子秤称重。

玉米单产测量每样点每次随机采样3株，分别测量每株的结穗数、每穗籽粒数和百粒重。玉米单产（g/m2）=植株密度(株/m2)×单株结穗率×每穗平均籽粒数(粒)×百粒质量(g)/100。大豆单产测量每样点每次随机采样3株，测量3株的总分支数、总荚数和总豆粒数。大豆单产（g/m2）=植株密度(株/m2)×每株有效分支数×每分支荚数×每荚实粒数×平均粒质量[14]。

2.2.3 作物种植结构遥感提取

根据研究区作物种植结构特点将农作物分为玉米、大豆、小麦和水稻，其他农作物分布面积较少，本文忽略。在此基础上，建立农作物类型遥感解译标志，应用面向对象分类方法基于eCognition 8.64 软件对GF-1和OLI遥感影像进行信息提取。主要过程包括对遥感影像进行分割、对象特征选取和农作物分类。

本文采用多尺度图像分割方法，不同的分割尺度，生成的对象多边形大小不同，尺度越大则多边形越大，不同地物类别的提取需要选择不同尺度[29]，对于高分辨率数据进行大尺度分割也不会损失像元信息，低分辨率数据进行小尺度分割也不能识别敏感信息[30]，最优分割尺度的选择一般通过训练的方法获取，因此，根据影像的分辨率及研究区地物本身特征，经过多次试验选择适宜分割尺度GF-1为50，记为Level 1，OLI为100，记为Level 2，形状因子和紧密度分别为0.2和0.5，分割效果如图4。

图4 GF-1与OLI影像不同分割尺度分割效果对比Fig.4 Comparison of multi-scale segmentation results of different scales of GF-1 and Landsat OLI

根据经验及用户知识确定特征参量，对分割对象的光谱特征、纹理特征和形状特征进行计算，选择归一化植被指数（Normalized difference vegetation index ,NDVI）、归一化差值水体指数（Normalized difference water index, NDWI）、比值植被指数（Ratio vegetation index , RVI）、亮度（Brightness, BI）、矩形相似度（Rectangular Fit, RF）和纹理（Texture, T）等特征。NDVI是植被生长状态最佳指示因子，对植被有较强的反映能力。NDWI可以突出水体信息，由于水体的反射从可见光到中红外波段逐渐降低，到近红外范围内几乎无反射，而植被一般在近红外波段的反射率最强，因此NDWI可很好地区分水田和旱田。RVI在一定程度上可以克服饱和性的问题，随生物量的增加而不断增加，对生长旺盛的高植被覆盖区具有很好的识别能力，适用于区分农田和林地、湿地。根据建筑用地的高反射亮度特性，可通过Brightness阈值的设定提取建筑用地。矩形相似度反映分割对象几何形状与规范矩形间的接近程度，用于农田的提取效果较好。纹理特征用于区分乡村公路（建筑用地）和农田。

通过多时相GF-1和OLI影像得到上述特征信息，结合农作物的物候信息特征和光谱信息特征，确定不同地物类型的阈值范围，通过不同的特征值建立决策树（图6），获得研究区作物分类结果。

根据作物样本实地考察总结出研究区不同农作物的关键物候期，如表3所示。基于农作物物候特性和特征参数的选取构建决策树，采用决策树的形式组织分类规则集，逐层进行分类，提取农作物的种植结构。为了区分植被与非植被覆盖区选择2015-06-14的GF-1卫星影像，此时的小麦生长比较茂盛，进入拔节期，与大豆、玉米和水稻的长势（拔节期）差异较大，如图5a所示，规则的红色区域为小麦，灰色区域为水田、旱田等其他地物类型，可以通过NDVI的阈值区分为植被覆盖区与非植被覆盖区，植被覆盖区主要植被类型为林地、湿地、小麦、草地等，其光谱特征很相似，非植被覆盖区主要为建筑用地、大豆、玉米和水稻。因在不同的传感器、不同季节和不同地域区分植被与非植被覆盖区的NDVI阈值不同，本文选取植被覆盖区的阈值为NDVI≥0.40。

表3 北安市农作物关键物候期Table 3 Phenological phases of crops in Bei’an

图5 GF-1与Landsat8 OLI不同物候期影像图（R/G/B:4/3/2）Fig.5 GF-1 and Landsat8 OLI images of different phonological period (R/G/B: 4/3/2)

为了区分林地、湿地和农田，选择2015-05-20 GF-1卫星影像（图5b），根据物候信息，此时农作物只有小麦和水稻处于出苗期，农田呈暗灰色，粉红色的区域为林地和湿地，通过RVI特征值能够很好地区分林地、湿地和农田，设置参数RVI≥9.1，分出林地和湿地；9月份小麦收割后，光谱特征与6月份的影像差异很大，并且几何特征有明显的区别，本文选择成像时间为09-03的GF-1卫星影像，如图5c所示，红色区域为植被覆盖区，几何形状明显、边界清晰的深灰色区域是小麦种植区，根据地物的光谱特征，建立规则集，选取阈值为0≤NDVI≤0.33和Rectangular Fit≥0.63提取小麦的分布。

非植被覆盖区内，建筑用地与其他地物亮度差距最大，纹理特征明显，利用2015-05-20日GF-1卫星影像，通过亮度和纹理提取建筑用地，选取的阈值为BR≥92.35和Texture≥119.52；耕地类型分为水田和旱田，6月份水田里有水，与旱田的含水量差异很大，水稻由出苗期向拔节期过度，其NDVI值明显低于旱田，选择GF-1卫星影像时间为6月14日，设定阈值为0.20≤NDVI＜0.48和0.04≤NDWI≤0.31提取出水田，农作物类型为水稻。为了区分旱田中的主要农作物玉米和大豆，选择2015-09-20 OLI卫星影像（图5d），在9月份的时候玉米长势最好，由抽穗期向成熟期过渡，其NDVI值明显高于处于成熟期的大豆，如图5d所示，几何特征明显的粉红色地块是玉米，浅绿色的是大豆种植区，玉米的阈值选取NDVI≥0.605，大豆的阈值选择0.48≤NDVI≤0.605，分出玉米和大豆。

最后，再根据光谱、形状（耕地形状规则）、结构等特征，结合野外调查数据，用人工解译的方法进一步修改分类结果，最终得到研究区作物种植结构分类结果。

图6 基于面向对象的分类决策树Fig.6 Classification decision tree based on object-oriented method

2.2.4 作物产量建模与分析

以遥感影像分类结果作为遥感估产数据源，并结合种植面积较多的大豆和玉米生长收获期产量实测数据，根据黑龙江省作物物候历，玉米和大豆在9月中旬至下旬为乳熟期，本研究选取与产量关系更为密切的乳熟期作为关键生育期来构建估产模型[31]。采用9月20日OLI数据进行大豆和玉米植被指数反演，利用地理信息系统、植被指数与作物实测产量数据的相关分析和回归分析法，建立农作物遥感估算模型。结合表2所列的植被指数，利用ENVI和ArcGIS软件提取对应GPS定位采样点周围3×3个像元的不同植被指数的平均值，并对异常值进行剔除，对数据进行自然对数转换后符合正态分布，达到建模要求。本文利用交叉验证法评价模型的精度，从植被指数数据和采样点实测产量数据所组成的样本序列中随机选择建模点和验证点（共75个采样点）进行分组。交叉验证法在采样数据较少的情况下，能够充分利用采样数据和选择精度较高的模型。交叉验证法包括去一法交叉验证和k折交叉验证2种方法[32]，本文选择3折交叉验证法，验证过程是：将植被指数数据平均分成3个子集，其中2个子集用于训练，1个子集作为验证集，利用拟合得到的模型对验证集进行验证，如上所述循环往复，直到采样数据全部得到验证。利用SPSS19.0对植被指数与作物实测产量数据进行相关分析和回归分析，得到以各植被指数为自变量的农作物遥感估算多元回归模型，并进行精度验证。模型的选择、稳定性和预测精度的评价采用相关系数、决定系数（determination coefficient，R2）、均方根误差（root mean square error, RMSE）和估算精度（Accuracy）对模型进行精度分析，对3次精度检验的R2、RMSE和Accuracy进行平均，来检验产量反演模型的拟合效果。计算公式如下

式中y为农作物产量实测值，yi为农作物产量预测值，n为样点数。R2取值越接近于1，表明模型拟合程度越好。RMSE值越小，Accuracy值越大表明模型预测能力强，稳定性好且精度高。研究过程中运用eCognition、ArcGIS、SPSS、ENVI等软件完成面向对象分类及相关地学分析。

3 结果与分析

3.1 农作物种植结构

利用野外采集的验证点与提取的分类信息建立混淆矩阵进行分析（表4），结果显示，北安市农作物分类的总体精度为87.54%，Kappa系数达0.81，制图精度均达80%以上，农作物提取结果较好，能满足本研究的需要。

表4 农作物分类结果的混淆矩阵Table 4 Confusion matrix of crop classification results

通过以上步骤，获得北安市农作物分类结果，见图7。北安市农作物的种植面积为4 300 km2，其中，大豆的种植面积为2 204 km2，占农作物种植面积的51.24%，集中分布在北安市的东部，西部与玉米交替分布；玉米的种植面积为1 955 km2，占45.47%，主要分布在研究区的西部；水稻的种植面积为122 km2，占2.85%，主要分布在通肯河和乌裕尔河的两侧；小麦的种植面积最少，为19 km2，占0.44%，仅分布在中部地区。

图7 北安市2015年农作物空间分布Fig.7 Distribution of different crop types in 2015 in Beian

3.2 作物产量反演模型构建与评价

3.2.1 不同光谱植被指数对农作物产量的敏感性分析

因研究区中水稻和小麦的种植面积仅占农作物种植面积的3.29%，所以没有做产量估算。通过对不同光谱植被指数与农作物的实测产量进行相关分析，其中大豆样本25个，玉米样本25个，结果显示：农作物的实测产量与同期的9种植被指数均显著相关（P<0.05）（表5），但不同的植被指数与实测产量之间的相关程度不同，即不同的植被指数对实测产量变化表现出不同的敏感性。其中RVI、GNDVI、NDVI、OSAVI和EVI与农作物的实测产量间的相关系数均达0.85以上，P值均小于0.001，表明5种植被指数对农作物的产量敏感性较强，呈显著相关[24]。9种植被指数敏感性由大到小依次为：NDVI＞GNDVI＞OSAVI＞EVI＞RVI＞NRI＞SAVI＞SIPI＞DVI，说明选择合适的植被指数可用于农作物产量遥感模型地构建。本文通过拟合进一步分析相关性较高的5种植被指数GNDVI、RVI、NDVI、EVI、OSAVI与农作物实测产量之间的关系，如图8所示，发现拟合的模型均达到较好的拟合效果，因此，选择5种植被指数作为构建农作物产量反演模型的变量因子。

表5 不同植被指数与农作物产量的相关系数Table 5 Correlation coefficient between different vegetation indices and crop yields

图8 植被指数与实际产量的拟合分析图8 Fitting analysis of vegetation indices and crop yields

3.2.2 农作物产量估算模型构建及精度评价

不同的植被指数在作物生长不同周期具有不同的敏感度，如NDVI在植被高覆盖区易饱和，作物成熟期监测的灵敏度相对下降，而EVI则针对NDVI的缺点进行了改进，提高了对植被季节性变化的敏感度[33-34]，并成功地应用到作物的估产中[35]。为了克服不同植被指数的缺点，本文利用多种遥感指标，在相关性分析的基础上，通过构建多元回归模型对农作物产量进行估算。采用的多元线性回归方法为逐步回归，以此构建多种遥感指标的遥感估产综合模型。

本文对5个备选植被指数作为变量进行逐步回归分析，最后确定3个自变量构成回归模型：

式中Y为农作物产量预测值，kg，x1为EVI的值，x2为NDVI的值，x3为GNDVI的值。

研究发现，引入的变量越多模型精度并不一定最好，在逐步回归模型中，一般随着模型中变量的增加，R2会不断增加，但调整后的R2则不受变量个数的影响，该模型在3个变量的时候修正后的R2达到最高为0.811，说明模型的拟合度最优。

根据交叉验证的方法对模型进行精度验证，通过决定系数、预测误差（均方根误差）和预测精度（估算精度）进行精度评价。结果显示，基于NDVI、EVI和GNDVI植被指数对农作物实测产量的敏感程度，构建多元回归模型达到较高的估算精度，实测值与估算值对比结果为：决定系数达0.823 7、预测误差为135.45 g/m2、预测精度达80.55%。估算产量与实测产量之间具有很高的拟合度（图9），模型可应用于北安市农作物产量的遥感定量估算。

图9 农作物估算与实测产量拟合精度验证Fig.9 Fitting accuracy validation of crop estimated and measured yields

3.3 农作物产量遥感估算及分布格局

基于上述构建的多元回归遥感估产模型，利用2015-09-20 OLI影像，结合农作物分类矢量数据，对北安市农作物产量进行估算，达到大豆与玉米产量统计结果，北安市2015年玉米总产量为16.93×108kg，单位面积产量为8 659 kg/hm2，区域内最大值与最小值的变幅为11 351 kg/hm2，大豆总产量为6.27×108kg，单位面积产量为2 846 kg/hm2，变幅为2432kg/hm2。该结果与收获期外业调查及当地农技部门提供的分布情况一致[36-37]，进一步说明利用遥感反演模型估测区域大豆与玉米的产量是可靠的。北安市大豆和玉米的产量空间分布如图10，可以发现，研究区玉米的高产区主要集中在北安市的西部，大豆的高产区主要分布在东部地区。

图10 大豆和玉米产量空间分布Fig.10 Spatial distribution of soybean yields and maize yields

4 讨 论

Landsat8 OLI影像与GF-1影像是近几年新出现的高质量较高分辨率卫星遥感影像，作为新型遥感数据源在各行各业中应用较为广泛，为区域性作物种植结构和遥感估产提供了便捷的数据平台。由于秋粮作物生长季节云雨天气偏多，受影像获取能力和空间分辨率的限制，Landsat8 OLI数据不足以较精确地区分小尺度的作物种类，GF-1影像波段较少，可利用的影像光谱信息受限。根据作物的物候特征、作物生长季遥感影像的质量等情况，基于某一种遥感数据源所获取多时相的影像质量难以保证。所以本文综合运用多时相多源遥感数据，根据作物生长的关键物候期和特征参数，构建面向对象的决策树分类模型，以不同时空和光谱分辨率的影像为基础提取研究区农作物种植结构信息，成功地分离出主要作物的种植结构，能够更加精准的展现地物的光谱信息，丰富了物候信息，为作物种植结构的准确提取及产量预测提供了可能。

这种较高空间分辨率数据融合多光谱分辨率数据的面向对象决策树分类方法在作物分类中有巨大的应用潜力。但本研究仍存在不足，多源多时相遥感数据的前提是精确的物候关键期和特征参量，但是，由于人类活动和环境的变化，同一作物的物候具有时空差异，因此不能完全精准地提取不同作物，如果能获取更多的高时空分辨率遥感数据以捕获农作物动态的物候节律特征，会提高分类精度；由于2种影像空间分辨率不同，进行多尺度分割过程中如何确定最优尺度，最大程度地保留空间信息还有待研究；多源遥感影像具有不同的光谱特征，特征参量的选择过程中可能会导致某些关键光谱信息的遗漏，在未来的研究中可以尝试采用自主学习能力强的分类方算法，如随机森林、支持向量机等，突破有效特征参量不足的限制。

本研究利用作物成熟期的多光谱影像，采用逐步回归建立产量与植被指数之间的回归模型，并根据预测的实际单产进行不同等级的空间分布，可以分区域统计大豆和玉米的产量及所占的比重，能够为区域的作物布局和生产提供及时可靠的产量信息。但本研究仍存在不足，在建模思路上仅选择作物乳熟期的光谱数据用于估产，不一定能获得最好的预测结果，应与抽穗期、开花期等数据的预测结果进行比较建立遥感估测模型，精度才更加可靠，扩大模型的应用范围，满足精准农业的需求。

北安市作物种植结构的提取和作物产量遥感估产为国家和地方政府制定农业及区域发展相关政策提供科学依据。2015年11月《农业部关于“镰刀弯”地区玉米结构调整的指导意见》指出东北冷凉区减少玉米种植面积，发挥东北地区种植大豆的传统优势。2016年4月《全国种植业结构调整规划（2016－2020年）》提出目前粮食总量问题不大，最大的问题是结构性问题，中国大豆缺口很大，玉米增产超过了需求增长，东北地区是玉米结构调整的重点地区，调减玉米面积，扩种大豆。2016年4月《关于促进大豆生产发展的指导意见》提出力争到2020年大豆面积达到9.33×106hm2，“镰刀弯”地区调减非优势区玉米种植，推行玉米与大豆轮作，强化大豆政策扶持等。通过本研究提出的方法，实现作物种植结构高精度提取和产量估测，该方法可以推广到其他地区。

5 结 论

本文利用多源多时相遥感影像，基于面向对象决策树分类方法实现了作物分布信息的精确提取；利用Landsat8 OLI遥感影像和野外实测数据，通过植被指数与产量的密切相关，采用逐步回归方法构建大豆和玉米产量遥感估算模型并进行遥感反演。主要结论如下：

1）多源多时相遥感数据和面向对象分类方法提取研究区作物种植结构分布信息，结合作物的物候信息，基于归一化差值水体指数、比值植被指数、亮度、矩形相似度和纹理等特征参量构建的决策树，可实现作物种植结构的高精度提取。

2）基于OLI多光谱数据源计算的5种植被指数与大豆和玉米实测产量之间的相关系数均达0.85以上，呈显著相关，但不同植被指数对产量的敏感程度不同。基于NDVI、EVI、和GNDVI植被指数构建的遥感估算多元回归模型具有较稳定、较高的预测能力，表明利用多种植被指数对大豆和玉米的产量进行遥感反演可以达到较为理想的效果。

3）作物遥感估产和反演的空间分布格局表明，北安市大豆和玉米的总产量分别为6.27×108和16.93× 108kg，单产分别为2 846和8 659 kg/hm2。大豆和玉米的平均产量存在明显的空间差异，研究区玉米的高产区主要集中在北安市的西部，大豆的高产区主要分布在东部地区。

以上结果说明，根据作物的关键物候期，基于多源多时相遥感影像数据，采用面向对象的决策树分类方法提取作物种植结构信息，能够有效提高分类精度，本研究提出的方法可以扩展到其他地区应用；利用多种植被指数构建的多元回归模型开展的作物估产与研究区生产实际相符合，为加强多种遥感指标的遥感估产综合模型研究和提高区域性作物遥感估产精度提供参考。

[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[J]. 中国农业科学，2010，43(14)：2879－2888. Tang Huajun, Wu Wenbin, Yang Peng, et al. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies[J]. Scientia Agricultura Sinica, 2010, 43(14): 2879－2888. (in Chinese with English abstract)

[2] 许青云，杨贵军，龙慧灵，等. 基于MODIS NDVI多年时序数据的农作物种植识别[J]. 农业工程学报，2014，30(11)：134－144. Xu Qingyun, Yang Guijun, Long Huiling, et al. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[3] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFVNDVI时间序列数据的作物分类[J]. 农业工程学报，2015，31(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[4] Hao P, Wang L, Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification: case study in Xinjiang Uygur Autonomous Region, China[J]. Journal of Applied Remote Sensing, 2015, 9(1): 1－33.

[5] 王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31(11)：194－201. Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[6] 游炯，裴志远，王飞，等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J]. 农业工程学报，2016，32(13)：131－139. You Jiong, Pei Zhiyuan, Wang Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with English abstract)

[7] 刘国栋，邬明权，牛铮，等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报，2015，31(5)：160－166. Liu Guodong, Wu Mingquan, Niu Zheng, et al. Investigation method for crop area using remote sensing sampling based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 160－166. (in Chinese with English abstract)

[8] Chen S, Li D, Huang S, et al. Establishment of remote sensing monitoring method and standard on winter planting crops: A case study in Leizhou Peninsula of south China[C]//Earth Observation and Remote Sensing Applications (EORSA), 2016 4th International Workshop on, IEEE, 2016: 447－451.

[9] Pena M A, Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile[J]. Remote Sensing of Environment, 2015, 171: 234－244.

[10] 谢登峰，张锦水，潘耀忠，等. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报，2015，5：791－805. Xie Dengfeng, Zhang Jinshui, Pan Yaozhong, et al. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 5: 791－805. (in Chinese with English abstract)

[11] Skakun S, Kussul N, Shelestov A Y, et al. Efficiency assessment of multitemporal C-Band radarsat-2 intensity and landsat-8 surface reflectance satellite imagery for crop classification in ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, PP(3): 1－8.

[12] 胡琼，吴文斌，宋茜，等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学，2015(10)：1900－1914. Hu Qiong, Wu Wenbin, Song Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015(10): 1900－1914. (in Chinese with English abstract)

[13] 欧文浩，苏伟，薛文振，等. 基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]. 农业工程学报，2010，26(11)：176－182. Ou Wenhao, Su Wei, Xue Wenzhen, et al. Selection of optimum phase for yield estimation of three major crops based on HJ-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 176－182. (in Chinese with English abstract)

[14] 谭昌伟，杨昕，罗明，等. 以HJ-CCD影像为基础的冬小麦孕穗期关键苗情参数遥感定量反演[J]. 中国农业科学，2015（13）：2518－2527. Tan Changwei, Yang Xin, Luo Ming, et al. Quantitative inversion of key seedling condition parameters in winter wheat at booting stage using remote sensing based on HJ-CCD Images[J]. Scientia Agricultura Sinica, 2015（13）: 2518－2527. (in Chinese with English abstract)

[15] 谭昌伟，罗明，杨昕，等. 运用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量[J]. 中国农业科学，2015(20)：4033－4041. Tan Changwei, Luo Ming, Yang Xin, et al. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images[J]. Scientia Agricultura Sinica, 2015(20): 4033－4041. (in Chinese with English abstract)

[16] 赵静，李静，柳钦火，等. 联合HJ-1/CCD和Landsat 8/OLI数据反演黑河中游叶面积指数[J]. 遥感学报，2015，5：733－749. Zhao Jing, Li Jing, Liu Qinhuo, et al. Leaf area index inversion combining with HJ-1 /CCD and Landsat 8 /OLI data in the middle reach of the Heihe River basin[J]. Journal of Remote Sensing, 2015, 5: 733－749. (in Chinese with English abstract)

[17] Song R, Cheng T, Yao X, et al. Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat[C]//Geoscience and Remote Sensing Symposium (IGARSS), 2016 IEEE International. IEEE, 2016: 6300－6303.

[18] Song X P. Soybean area and yield estimation using modis and landsat data in the conterminous united states[C]//AGU Fall Meeting. Agu, 2015.

[19] Rudorff B F T, Batista G T. Wheat yield estimation at the farm level using Landsat TM and agrometeorological data[J]. Title Remote Sensing, 1991, 12(12): 2477－2484.

[20] Siyal A A, Dempewolf J, Becker-Reshef I. Rice yield estimation using Landsat ETM+ Data[J]. Journal of Applied Remote Sensing, 2015, 9(1): 095986.

[21] Zhong B, Zhang Y, Du T, et al. Cross-Calibration of HJ-1/CCD Over a Desert Site Using Landsat ETM $+ $ Imagery and ASTER GDEM Product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7247－7263.

[22] 贾玉秋，李冰，程永政，等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J]. 农业工程学报，2015，31(9)：173－179. Jia Yuqiu, Li Bing, Cheng Yongzheng, et al. Comparison between GF-1 images and Landsat-8 images in monitoring maize LAI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 173－179. (in Chinese with English abstract)

[23] 宋军伟，张友静，李鑫川，等. 基于GF-1与Landsat-8影像的土地覆盖分类比较[J]. 地理科学进展，2016(2)：255－263. Song Junwei, Zhang Youjing, Li Xinchuan, et al. Comparison between GF-1 and Landsat-8 images in land cover classification[J]. Progress in Geography, 2016(2): 255－263. (in Chinese with English abstract)

[24] Mao D H, Wang Z M, Li L, et al. Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China[J]. Ecological Indicators, 2014, 41(6): 40－48.

[25] 任建强，陈仲新，周清波，等. MODIS植被指数的美国玉米单产遥感估测[J]. 遥感学报，2015，19（4）：568－577. Ren Jianqiang, Chen Zhongxin, Zhou Qingbo, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing, 2015, 19（4）: 568－577. (in Chinese with English abstract)

[26] Lu D, Chen Q, Wang G, et al. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems[J]. International Journal of Digital Earth, 2014, 9(13): 1－43.

[27] Zhang G, Ganguly S, Nemani R R, et al. Estimation of forest aboveground biomass in California using canopy height and leaf area index estimated from satellite data[J]. Remote Sensing of Environment, 2014, 151(8): 44－56.

[28] Rondeaux G, Steven M, Baret F. Optimization of soil adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95－107.

[29] Costa H, Foody G M, Boyd D S. Using mixed objects in the training of object-based image classifications[J]. Remote Sensing of Environment, 2017, 190: 188－197.

[30] 黄慧萍, 吴炳方. 地物大小、对象尺度、影像分辨率的关系分析[J]. 遥感技术与应用，2006(3)：243－248. Huang Huiping, Wu Bingfang. Analysis to the relationship of feature size, objects scales, image resolution[J]. Remote Sensing Technology and Application, 2006(3): 243－248. (in Chinese with English abstract)

[31] 顾晓鹤，何馨，郭伟，等. 基于MODIS与TM时序插补的省域尺度玉米遥感估产[J]. 农业工程学报，2010，26(增刊2)：53－58. Gu Xiaohe, He Xin, Guo Wei, et al. Maize yield estimation at province scale by interpolation of TM and MODIS time-series images[J]. Transactions of the Chinese Society ofAgricultural Engineering (Transactions of the CSAE), 2010, 26(S2): 53－58. (in Chinese with English abstract)

[32] 任哲，陈怀亮，王连喜，等. 利用交叉验证的小麦LAI反演模型研究[J]. 国土资源遥感，2015(4)：34－40. Ren Zhe, Chen Huailiang, Wang Lianxi, et al. Research on inversion model of wheat LAI using cross-validation[J]. Remote sensing for land & Resources, 2015(4): 34－40. (in Chinese with English abstract)

[33] 董玉红，刘世梁，安南南，等. 基于景观指数和空间自相关的吉林大安市景观格局动态研究[J]. 自然资源学报，2015(11)：1860－1871. Dong Yuhong, Liu Shiliang, An Nannan, et al. Landscape pattern in da’an city of jilin province based on landscape indices and local spatial autocorrelation analysis[J]. 2015(11): 1860－1871. (in Chinese with English abstract)

[34] 冯艾琳，何洪林，刘利民，等. 基于多源数据的禹城农田生态系统冬小麦生育期识别方法比较研究[J]. 遥感技术与应用，2016(5)：958－965. Feng Ailin, He Honglin, Liu Limin, et al. A comparison of multiple phenology data sources for estimating the main phonological phases of winter wheat in Yucheng station[J]. Remote Sensing Technology and Application, 2016(5): 958－965. (in Chinese with English abstract)

[35] Dong J, Xiao X, Wagle P, et al. Comparison of four EVI-based models for estimating gross primary production of maize and soybean croplands and tallgrass prairie under severe drought[J]. Remote Sensing of Environment, 2015, 162: 154－168.

[36] 陆欣春，韩晓增，邹文秀，等. 减量化施肥对大豆和玉米产量及效益影响[J]. 土壤与作物，2016(4)：240－247. Lu Xinchun, Han Xiaozeng, Zou Wenxiu, et al. Effects of reduced fertilization on yield and economic benefit in soybean and maize[J]. Soils and Crops, 2016(4): 240－247. (in Chinese with English abstract)

[37] 任传军，韩松涛. 高产创建活动对北安管理局玉米产量及效益的影响[J]. 现代化农业，2015(2)：13－14.

Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images

Ouyang Ling1,2,5, Mao Dehua2※, Wang Zongming2, Li Huiying3, Man Weidong2,5, Jia Mingming2, Liu Mingyue2,5, Zhang Miao4,Liu Huanjun2
(1. School of Resource and Environmental Sciences, Chifeng University, Chifeng 024000, China; 2. Northeast Institute of Geography and Agroecology, Key Laboratory of Wetland Ecology and Environment, Chinese Academy of Sciences, Changchun 130102, China; 3. College of Earth Science, Jilin University, Changchun 130000, China; 4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100049, China; 5. University of Chinese Academy of Sciences, Beijing 100049, China)

Crop classification and yield estimation are key research in remote sensing-based precision agriculture, which have important significance in making agricultural policies. To improve the accuracy of classification based on single-source and single-season images, multi-temporal, multi-source and high spatial resolution image data were used to extract information of crops. Multi-source remote sensing data can play an important role in the coupling process. Multi-spectral data are used to distinguish between different crop species. Based on Landsat8 OLI (operational land imager) and GF-1 images, crop structure was mapped and yield was estimated for Beian County, Heilongjiang Province. According to phonology information and spectral characteristics, the critical period of crop identification and the characteristic parameters were determined, and the model of object-oriented decision-tree classification was built and crop structure was explored. Meanwhile, compositing multi-spectral images of crop maturation period and yield crop data, vegetation indexes were selected. Using correlation analysis, stepwise regression analysis and one-way ANOVA (analysis of variance), the correlation was explored and the model was built between yields of maize and soybeans and vegetation indices, which included NDVI (normalized differential vegetation index), EVI (enhanced vegetation index), GNDVI (green normalized difference vegetation index), OSAVI (optimal soil adjusted vegetation index), RVI (ratio vegetation index), SIPI (structure intensive pigment index), SAVI (soil adjusted vegetation index), NRI (nitrogen reflectance index) and DVI (difference vegetation index). Results show that the multi-source and multi-temporal remote sensing data can be used to show seasonal characteristics of different crops. Characteristic parameters of crops (including NDVI, NDWI, RVI, brightness, rectangular fit and texture) can be used to identify crop characteristics in landsat8 OLI and GF-1 images. After verified by ground investigation, the results of classification were accurate. The overall accuracy and Kappa coefficient were 87.54% and 0.811 5, respectively. The soybean had the largest area (2 204 km2) and the areas of maize, rice and wheat were 1 955, 122 and 19 km2, respectively. The high-yield maize was concentrated in the western area and the high-yield soybean was distributed in the east of study area. Correlation coefficients between crop yields and vegetation indices were more than 0.85 (P<0.001), which indicated that vegetation indices (including NDVI, EVI, GNDVI, OSAV and RVI) were closely related with the production of maize and soybean. Meanwhile, the sensibility of each vegetation index was different (NDVI>GNDVI>OSAVI>EVI>RVI>NRI>SAVI>SIPI>DVI). After cross validation for the yield-estimation model, the NDVI, EVI and GNDVI model can be used to estimate accurately the yield of maize and soybean, and the yield estimation was significantly correlated to the actual production (R2=0.823 7, RMSE=135.45 g/m2, accuracy was 80.55%) based on regression analysis which indicated these vegetation indices can be used for crop yields estimation with the yield-estimation model. Total yields of maize and soybean were estimated to be 16.93×108and 6.27×108kg, with per unit area yields of 8 659 and 2 846 kg/hm2, respectively. Crop planting structure can be mapped accurately and efficiently using crop key phonological phase, multi-source and multi-temporal remote sensing data. The results provide the reference for the study on remote sensing indicators and the scientific and technological support for the development of precision agriculture science.

remote sensing; crops; extraction；multi-source/temporal images; object-oriented image; plant structure; crop yields

10.11975/j.issn.1002-6819.2017.11.019

TP79

A

1002-6819(2017)-11-0147-10

欧阳玲，毛德华，王宗明，李慧颖，满卫东，贾明明，刘明月，张 淼，刘焕军. 基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析[J]. 农业工程学报，2017，33(11)：147－156.

10.11975/j.issn.1002-6819.2017.11.019 http://www.tcsae.org

Ouyang Ling, Mao Dehua, Wang Zongming, Li Huiying, Man Weidong, Jia Mingming, Liu Mingyue, Zhang Miao, Liu Huanjun. Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 147－156. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.11.019 http://www.tcsae.org

2016-12-29

2017-04-05

中国科学院野外站联盟项目（KFJ-SW-YW026），国家重点研发计划子课题（2016YFC0500201-03）

欧阳玲，女（蒙古族），内蒙古自治区赤峰市人，副教授，博士生，主要从事资源环境遥感方面研究。长春 中国科学院东北地理与农业生态研究所，130102。Email：lingouyang@iga.ac.cn

※通信作者：毛德华，男，山东沂水人，副研究员，主要从事生态遥感研究。长春 中国科学院东北地理与农业生态研究所，130102。

Email：maodehua@iga.ac.cn