基于遥感影像的县域冬小麦种植信息提取—以陕西省武功县为例

王建兴,车自力

(咸阳师范学院资源环境与历史文化学院，陕西 咸阳 712000)

粮食作物产量的稳定是经济社会发展的基础[1]，近年来，随着种植结构的调整，经济作物的种植面积逐年增加，粮食作物尤其是小麦的种植面积相应减少[2]。在当前单位面积产量稳定的情况下，足量的种植面积是粮食安全的重要保障[3]。相比传统的调查方法，使用卫星遥感影像监测农作物种植信息具有快速、客观、省时省力等优势，可以作为提取冬小麦种植面积和空间位置信息的有效手段[4]。潘耀忠等使用多源遥感影像数据建立基于特征物候期植被指数的冬小麦种植面积估算模型，提高了冬小麦种植面积遥感估算的精度和稳定性[5]。王庆林等选用拔节期和抽穗期的国产环境卫星影像数据，使用NDVI阈值划分技术提取了2013年大丰市冬小麦种植面积[6]；田海峰等选取与2014年冬小麦分蘖期、越冬期、拔节期共3个生育期对应的3期OLI影像，对当年虞城县冬小麦种植面积进行估算[7]；王连喜等综合运用MODIS和Landsat影像数据，使用决策树分类和混合像元分解等技术提取了2014年江苏省冬小麦种植面积[8]。

关中地区是陕西省重要的粮食生产区域，其中武功县作为国家商品粮基地县，是该地区小麦主产区之一[9]。本研究使用Landsat OLI遥感影像，提取2017年武功县冬小麦种植面积和空间分布，以期为农业部门掌握农田种植结构信息、指导农业生产提供参考。

1 材料与方法

1.1 研究区概况

武功县地处关中平原西部，东临兴平，西接扶风县和杨凌农业高新技术产业示范区，南部与周至县隔河相望，北部与乾县接壤。下辖8个镇，土地面积397.8 km2。地势平坦而微有起伏，主要由河谷冲积阶地、黄土台塬、河漫滩和山前洪积扇前缘地带几种类型构成。属大陆性季风半湿润气候，四季分明，雨热同期，光照充足。全年总日照数2163小时左右，年平均气温12.9℃, 无霜期227天左右, 总降水量552.6～663.9 mm。耕作制度以一年两熟为主，主要农作物为冬小麦和夏玉米，其中冬小麦常年种植面积为2.15万hm2。

1.2 数据获取

本研究选用美国Landsat 8卫星搭载的运营性陆地成像仪(Operational Land Imager，OLI)获取的影像作为数据源[10]。Landsat 8为近极点太阳轨道卫星，轨道高度705 km，重访周期16天。OLI影像为9波段多光谱影像，光谱范围覆盖430～2 290 nm；空间分辨率在全色影像上为15 m，多光谱影像上为30 m；成像范围为185 km×185 km。

图1 武功县地理位置与行政区划图Fig.1 Location and administrative divisions of Wugong County

本研究区冬小麦10月上旬播种，10月中旬出苗，10月下旬至11月中旬分蘖，随后随着气温的降低停止生长并进入越冬阶段，次年3月份随气温上升恢复生长。在冬小麦越冬期间，研究区遥感影像上保持绿色植物的光谱特征的地表主要植被为冬小麦，另外还有少量冬油菜分布，二者不易区分；花期的冬油菜在影像上具有独特的特征，与其它农作物有着显著的区别(图2)。根据这一特点，选择2017年2月12日、2017年4月17日共2期OLI影像(L1T级)用于冬小麦种植信息提取，2期影像云层覆盖率均小于1%。

图2 不同时期影像上的冬小麦与冬油菜Fig.2 Winter wheat and winter rape in different periods

于2017年1月和4月，在研究区境内选取不同盖度的农田样区10个，其中小麦田6个，油菜田4个。每个样区面积大于300 m×300 m，以确保在OLI影像上有足量的像元与之对应。样区之间间隔在1 km以上。用Garmin eTrex20手持GPS记录各样区四角坐标，并根据坐标信息，在ArcGIS 10.2软件中绘制出各样区的多边形矢量图，得到10个样区在武功县境内的分布，如图3所示。

图3 调查样本的空间分布Fig.3 Spatial distribution of the investigated sample

1.3 数据预处理

OLI影像L1T级产品已经过辐射校正和几何精校正[11]。在遥感影像处理软件ENVI5.1中，首先使用Radiometric Calibration工具对影像进行辐射定标；再使用FLAASH Atmospheric Correction工具对辐射定标得到的数据进行大气校正，得到地表反射率数据；然后使用Gram-Schmit Pan Sharpening工具将多光谱反射率数据与全色数据融合，得到15 m×15 m空间分辨率的地表反射率影像；进而使用1∶400万武功县行政边界矢量图对影像进行裁切得到研究区各时期的影像。

1.4 冬小麦种植信息提取方法

归一化植被指数(normal difference vegetation index，NDVI)是指示地表绿色植被覆盖状况的敏感指标，取值范围在-1～1之间，NDVI值越接近于1，表明地表植被特征越明显[12]。本研究内没有大面积常绿乔灌的分布，果园、林地、草地等地表植被在冬季均呈现出枯黄状态，失去植被特征，对应影像上的NDVI值与裸地和建筑用地类似，都远小于1且接近于0值；水体的NDVI表现为负值。同时期地表大面积呈现出绿色植被特征的只有种植冬小麦和冬油菜的地块，因此可以通过这一时期的NDVI影像提取小麦和油菜的种植区域。在ENVI5.1中使用Band math工具计算2017年2月12日和4月17日2期OLI影像的归一化植被指数NDVI，计算公式为：NDVI = (b1-b2)/(b1+b2)，其中b1为近红外波段，b2为红光波段。

为了得到纯冬小麦种植区域，需要将冬油菜从上述提取结果中去除。遥感影像上，油菜在花期与同期其它植被有着显著的区别。使用ENVI5.1软件，结合Google earth高分辨率卫星影像和实地调查，通过目视解译，在4月17日影像上识别油菜、小麦、林地、果园及草地等植被覆盖区域，并提取对应区域的光谱反射率，如图4所示。与其它植被相比，冬油菜冠层光谱在花期具有鲜明的特征，主要表现为在562 nm、655 nm和865 nm三个波段上的反射率显著高于其它植被。根据冬油菜的这一光谱特征，可以使用花期的影像提取出冬油菜种植区域。

1.5 精度检验

为了保证结果的准确性和可信度，需要对从遥感影像上提取的冬小麦种植面积数据进行检验，本研究使用地面实测冬小麦样方面积检验影像中提取得到的农作物种植面积，计算公式为[13]：

A=(1-|(S0-S)/S|)× 100%

(1)

式中，A为提取精度，S0为影像上提取得到的农作物种植面积，S为地面样方实测面积。

图4 4月17日影像上不同植被光谱反射率Fig.4 Spectral reflectance of different vegetation in April 17th

2 结果与分析

2.1 冬小麦种植区域提取

在2月12日影像上，调查样区位置对应的冬小麦地块的NDVI值范围为0.55～0.78，油菜地块的NDVI值范围为0.56～0.73，通过目视解译对影像上植被覆盖区域的NDVI值进行多次判断，最终选用0.53作为阈值，区分影像上植被与非植被区域。使用决策树分类法对2月12日NDVI影像进行监督分类，判定NDVI值大于0.53的区域为冬小麦与冬油菜种植区域。在4月17日影像上，通过目视解译选取油菜地块的感兴趣区(region of interest，ROI)，使用基于光谱角匹配的目标侦测法(Target Detection)，结合油菜地块ROI光谱信息提取油菜种植区域，结果如图5所示，可以看出，武功县油菜种植十分零散，斑块单元面积较小，只是在武功镇东北部和苏坊镇局部有小范围的连片种植区，由ArcGIS 10.2统计得到全县油菜种植面只有162.63 hm2。使用油菜种植区域图像作为掩膜，从冬小麦与冬油菜种植区域图中去除油菜种植区域，最终得到冬小麦种植区域图，结果如图6所示，可以看出，冬小麦在武功县种植面积大，分布广泛，是该地区的主要农作物，各乡镇都有大量种植。

2.2 精度检验

在ArcGIS 10.2软件中分别查询10个调查样区多边形的面积，作为地面样区的实际面积(S)；将冬小麦种植区域提取结果导入ArcGIS 10.2软件中，使用区域统计工具计算各调查样区多边形内小麦种植区域面积(S0)。

图5 武功县2017年油菜种植区域分布图Fig.5 Distribution map of oil rape planting area inWugong County in 2017

图6 武功县2017年冬小麦种植区域分布图Fig.6 Distribution map of winter wheat planting area inWugong County in 2017

将S和S0代入精度计算公式(1)中计算各调查样区农作物种植面积的提取精度，结果如表1所示，4个油菜样区提取精度最高为96.83%，精度最低的为91.26%，平均值为 93.33%；6个小麦样区提取精度最高的为99.51%，精度最低的为93.26%，平均值为97.32%。精度检验结果表明从OLI影像提取得到的冬小麦种植面积与实际面积高度接近，具有很高的精度。

2.3 冬小麦种植面积与空间分布

在ArcGIS 10.2软件中，使用区域统计工具计算武功县各乡镇冬小麦种植面积，结果如表2所示，2017年全县冬小麦种植面积为21 181.97 hm2，比往年种植面积略低。由图6和表2可知，武功县冬小麦种植分布的空间格局是：北部地区种植集中，南部地区种植分散，主要分布于黄土台塬区。武功县北部的黄土台塬地区，地势高，光照资源丰富，耕地数量大，非常适宜冬小麦种植，该区的冬小麦种植面积占到了全县总面积的75.68%，南部三镇土地面积占全县土地总面积的比例超过了35%，但是冬小麦的种植面积只占全县总种植面积的24.32%。按冬小麦种植面积分镇进行排序，贞元镇冬小麦种植面积最大，达到了5076.56hm2，占全县总种植面积的23.97%；紧随其后的是长宁镇，种植面积为4 017.56 hm2，占全县总种植面积的18.97%；仅这两个镇的冬小麦总面积就占了全县冬小麦总种植面积的40%以上；北部的武功镇、游凤镇和苏坊镇冬小麦种植面积位居第3至第5名，分别达到了2 488.70 hm2、2 354.35 hm2和2 093.29 hm2，共占全县总面积的32.74%；南部的大庄镇、普集镇和小村镇冬小麦种植面积相对较小，三镇的冬小麦总种植面积只有5151.51hm2，是全县种植比例最低的乡镇。这主要是因为：(1)南部三镇位于陇海铁路和连霍高速两条交通干线两侧，工业较为发达，建筑用地较多，且随着工业化进程的推进还在逐年增加，耕地面积占比较少；(2)三镇的南部为渭河河漫滩和河流阶地，具备较好的水热条件，调查中发现，该区果园、苗木、蔬菜等经济效益更高的作物种植较多，且种植面积有逐年增加的趋势，冬小麦种植面积受到挤压，相应减少。

表1各样区实测面积与影像提取面积精度检验

Table 1 Accuracy of image extraction area in different samples

样方编号Sample number作物类型Crop type实测面积/m2Measured area影像提取面积/m2Image extraction area精度/%Accuracy1油菜 Oil rape92702.0286092.3692.872油菜 Oil rape91632.5299641.2091.263油菜 Oil rape92186.9989264.6596.834油菜 Oil rape90395.3497319.6392.345小麦 Wheat95123.1698604.6796.346小麦 Wheat94603.9890091.3795.237小麦 Wheat93405.5287717.1193.918小麦 Wheat92570.0798809.2993.269小麦 Wheat91458.7193690.2997.5610小麦 Wheat92813.5792358.7899.51

表2 各乡镇冬小麦种植面积统计

3 结论与讨论

3.1 结 论

本研究利用两个时点的Landsat OLI数据提取陕西省武功县2017年冬小麦种植面积和空间分布信息，取得了良好的效果，主要结论有：

(1)在有多种越冬作物种植的地区，从单期卫星遥感影像上难以精确提取冬小麦种植信息；多生育期影像数据结合能够排除其它作物干扰，有效提取冬小麦。在本研究区，冬小麦越冬期结合油菜开花期是利用遥感影像提取冬小麦种植信息的最佳时期组合，可以有效排除同时期油菜地块，得到冬小麦种植区域；

(2)NDVI阈值分割法和决策树分类结合是从多光谱分辨率卫星影像上提取农作物种植信息的有效方法，应用此方法提取武功县冬小麦的精度达到93%以上。

(3)从OLI影像上提取到的武功县2017年小麦种植面积为21 181.97 hm2，与常年播种面积接近。冬小麦种植分布的空间格局是：北部地区种植集中，南部地区种植分散，主要分布于黄土台塬区。分乡镇看，贞元镇冬小麦种植面积最大，长宁镇紧随其后，两镇总种植面积占全县面积的42.94%，南部各乡镇冬小麦种植面积较小。

3.2 讨 论

Landsat系列影像获取便利，地面分辨率和重访周期都适合大面积农作物监测，是县域尺度农业遥感监测的理想数据源。通过与实地调查情况对比，本研究中冬小麦提取效果较好，对于武功镇东北部区域连片种植的油菜提取精度也较高；但对于其它区域零星种植的油菜地块提取效果较差。这主要是由于OLI影像的多光谱分辨率为30m，小片种植的油菜地块往往在影像上不足一个像元，与周边其它农作物构成的混合像元无法有效识别。张荣群[14]等人在使用中等分辨率卫星影像提取农作物种植信息的研究中也发现，对连片种植的大宗农作物提取精度较高；而对分散种植，地块较为破碎的农作物提取精度较低。

使用卫星遥感影像提取农作物种植信息，农作物物候期的选取很重要，往往不能从单期影像直接提取农作物。本研究中同期影像上小麦与油菜易混淆，需要结合油菜花期的影像提取油菜种植区域并进行排除。此外，卫星平台的遥感传感器受天气因素影响较大，不能保证在每个重访周期内都获取到所需范围内地表影像数据，其应用也有一定的局限性，在实际应用中，需要根据农作物的物候特征灵活选取影像和分析方法。刘佳[4]、王庆林[6]、田海峰[7]等人的研究也表明，根据农作物物候期的特点选用多期影像是提取农作物空间信息的有效途径。