基于地块尺度多时相遥感影像的冬小麦种植面积提取

邓刘洋，沈占锋※，柯映明，许泽宇



基于地块尺度多时相遥感影像的冬小麦种植面积提取

邓刘洋1,2，沈占锋1,2※，柯映明1,2，许泽宇1,2

（1. 中国科学院 遥感与数字地球研究所, 北京 100101；2. 中国科学院大学，北京 100049）

针对仅利用单一遥感影像数据获取农作物信息精度不够问题，该文选择冬小麦主产地河南省兰考县乡镇作为研究区，以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源，结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型，分别实现2个时相的冬小麦区域初步提取；其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加，完成地块单元控制下的冬小麦播种面积分地块统计，并通过设定不同统计阈值，分析落在每一地块单元下的冬小麦区域，生成基于地块单元的冬小麦播种面积分布图；最后通过多时相交叉验证，获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积，保持较低的误判率（1.3%）水平下，得到较高的提取正确率（95.9%），较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高，该研究对通过融合多源多时相影像数据获取农作物提供参考。

遥感；作物；监测；冬小麦；播种面积；地块分类

0 引 言

小麦是全世界范围内大量种植的三大谷类作物之一，及时、准确地获取冬小麦作物种植信息是国家制定粮食政策和经济发展计划的重要依据[1-3]。遥感是一种对地观测综合性技术，具有宏观性、经济性和时效性等优点，其迅猛快速的发展为冬小麦快速准确获取提供了有效手段[4-8]，特别是农业遥感领域，对当前精细农业发展、农业监测等应用有着重要的意义[9-11]。国际上开展农作物种植面积提取的研究工作比较早，20世纪70年代，美国研究人员进行了大面积小麦种植面积和产量的预估，之后又进行了“农业资源空间遥感调查”，对全球主要农作物的长势和总产量进行了预估[12]。国内研究始于20世纪80年代，主要研究对象是小麦[13-14]，大致上可以分为以下3个部分：1）基于低空间分辨率的MODIS数据，利用此类数据的高时间分辨率等特征，采用农作物物候信息获取MODIS-NDVI时间序列，对小麦面积进行了提取[15-17]。如赵晶晶等通过NDVI阈值构建决策树模型，基于获取的MODIS-NDVI时间序列对冬小麦播种面积完成提取[18]；邹金秋等以MODIS-EVI数据为数据源，结合不同时相数据和非监督分类方法，实现冬小麦种植面积提取[19]；许文波等利用MODIS遥感影像实现对冬小麦种植面积的监测[20]；刘旭拢基于MODIS数据采用混合像元分解提取冬小麦种植面积[21]。高时间分辨影像往往具有较低的空间分辨率，受到背景干扰信息的影响，很难仅依靠光谱信息将冬小麦准确分开。2）基于较高空间分辨率，根据面向对象思想，结合光谱、纹理等特征实现对象级作物信息提取。如王启田等利用面向对象的方法进行冬小麦种植面积提取研究[22]；范磊等对遥感影像进行多尺度分割，提取冬小麦种植面积的空间分布[23]。面向对象的思想很好地避免了一般像素级分类中的“椒盐”现象，但若能很好控制影像的分割尺度，提取的精度精将得到进一步提高。3）基于较高空间分辨率和高时间分辨率的不同数据源进行农作物提取研究，如融合Landsat TM和MODIS影像提取冬小麦种植面积[24]。此类方法根据小麦物候特征获取影像数据，时间跨度较大，数据处理繁琐。结合TM数据，也难免忽视因MODIS低空间分辨率混合像元带来的提取误差。加之冬小麦地块琐碎，田间道路纵横交错，很难高精度获取目标作物种植面积。一般认为，基于地块的作物分类思想是在地块边界控制下，将中分辨率遥感影像分割成代表某种地物类型的特征基元，利用特征基元内的光谱特征、植被指数及纹理特征等组合不同的特征向量，根据特征向量进行地物分类。如朱长明等[25]引入“地块”概念，将农作物的种植信息规范在矢量地块基元内，其方法首先基于地块分割方法（即：在地块基元下，对多景ETM+影像分割，获取同样形状的地块特征基元），进而实现地块特征下光谱特征规则集作物提取。由于地块的边界获取受到影像分辨率的影响，以地块为边界对多时相影像分割时，很容易出现“过分割、欠分割”现象。并且由于细小地块的“破碎现象”，很难将破碎地块进行分离。

由于农作物种植类型复杂，仅依靠光谱特征很难准确地将冬小麦与其他干扰地物分开来。而高空间分辨率影像，尤其是亚米级的高分影像，由于其数据量大、光谱信息弱，且时间分辨率低，大量获取农作物种植信息难度较大。结合高分与中分辨率影像的各自优势，面向农田地块单元，充分表达农作物的地块属性，将农作物种植区域很好地控制在地块单元内。文中由于高分遥感影像系列不易获取，并考虑到Google earth影像具有几何精度高、云少且可免费获得，满足农田地块边界的获取要求，因此本文选择从Google earth上免费抓取高分影像，获取农田地块信息，然后叠加多时相OLI影像冬小麦种植区域，最终获取精确冬小麦种植区域。结合以上分析，本文建立地块尺度的冬小麦分布遥感提取方法：1）利用光谱信息构建决策树分别提取多时相OLI影像冬小麦初步区域；2）基于高分Google影像，分割、提取农田地块矢量边界数据获取；3）统计分析每一地块单元下的初步冬小麦区域，建立农田地块尺度下冬小麦遥感识别与提取方法。

1 试验区概况与数据

1.1 研究区概况

豫中东地区为河南省东中部平原，是全省冬小麦主产区。该地区水、光、热水条件均衡，小麦越冬期间光照充足，为小麦培育壮苗健康发展提供了良好的气候环境。兰考县，为河南省直管县，总面积1 116 km2，辖14个乡镇、3个街道办事处，全县451个行政村，农业人口达到68万人。作为冬小麦主产地之一，兰考县现有耕地面积7万hm2，主要耕地类型为冬小麦、玉米、棉花等。本文研究区首先选取兰考县张君墓镇，分析冬小麦提取结果，进而扩展到整个兰考县以验证方法的适用性。

1.2 数据源选择及预处理

农作物在生长发育阶段会展现不同的物候特征，即表现为遥感影像上的光谱差异，并且这种季相规律在不同农作物类型之间存在差异[26]。冬小麦从播种至收获，经历秋末、冬、春和初夏4个时节，生长发育期为230 d左右。试验原理是根据季节变化规律寻求光谱信息差异最大的时期，有利于排除其他地物的干扰，实现遥感作物的识别。田海峰等[27]根据归一化差异水体指数、归一化植被指数等光谱参数，并结合实地调查识别出河南省县域内冬小麦实际种植面积，表明华北豫中东地区冬小麦分蘖期至拔节期是遥感监测冬小麦的最佳时期，且在该时期内一期高质量的OLI影像即可较为精确地获得冬小麦种植面积。3月，冬小麦处于返青、拔节期，植被指数开始增加；5月至6月，冬小麦逐渐达到成熟，NDVI达到最值，此时玉米处于播种季节，植被指数不明显，棉花处于生长期，NDVI等植被指数快速增加阶段（表1）。

表1 河南省主要作物生育期及冬小麦种植提取最佳时相

根据冬小麦最佳时相分析，选出豫中东地区的河南省兰考县2017年3月4日和2017年5月7日2个时期高质量OLI影像（空间分辨率30 m），其数据来源为美国USGS官网上下载得到。以及从Google earth上下载的空间分辨率为0.49 m（18级）的高分影像（2017年5月28日）。通过对OLI影像进行辐射定标、大气校正得到影像反射率数据。参照Google earth高分影像，完成几何校正以及相互之间的配准。本文研究中选择河南省兰考县张君墓镇（现更名为考城镇）为试验研究区，并叠加农业部门获取的乡村级矢量行政边界图，Google earth高分影像图如图1所示。

图1 兰考县张君墓镇研究区高分Google earth影像图

2 研究方法

充分考虑Google earth上的影像高空间分辨率（低光谱和时间分辨率）和OLI影像较高的光谱和时间分辨率（空间分辨率相对较低），首先通过基于光谱植被指数构建2个时相冬小麦提取规则集，得到2个时相的冬小麦区域初步提取结果；然后在高分辨率Google earth影像上提取农田地块单元；通过农田地块专题图分别与两个时相的冬小麦初步提取结果相叠加，分析统计落在每一地块单元下的冬小麦初步区域，获取以地块为基础的冬小麦区域；最后通过两个时相的相互修正，得到最终的精确冬小麦播种面积分布图。并在此基础上推广到兰考县县域范围，进行方法验证。具体技术流程如图2所示。

2.1 基于OLI数据冬小麦种植区域初步提取

结合不同时相的OLI影像数据光谱特征差异，构建不同时相冬小麦信息提取模型。植被与土壤背景的反射在可见光与近红外波段存在较大差异，并且光谱植被指数随着时间的变化，与植被物候信息呈现一定的规律[28]。归一化植被指数（normalization difference vegetable index，NDVI）和绿度指数（green vegetable index，GVI）能够很好反映这一光谱特征。本文根据NDVI、GVI以及绿波段反射率（Green），构建决策树信息提取模型。

式中NIR影像近红外波段反射率，为红色波段反射率。

图2 基于地块尺度多时相遥感影像的冬小麦种植面积提取流程图

2.2 农田地块专题图获取

地块信息具有明显的边界和内部结构的相对稳定性，以此为基准提取农作物信息能有效改善边界混合像元引起的错分、漏分地块域[29-30]。亚米级高分辨影像上，地块边界清晰，基于易康（eCognition）软件多尺度分割算法，实现对Google earth高分辨率影像分割，为了使分割结果与地块边界吻合，经过多次试验选取最佳尺度为200，形状因子设置为0.5，空间紧凑度为0.5时达到最佳分割效果。通过提取分割后的矢量信息，人工目视时去除非地块信息，选取农田地块数据。获取的农田地块排除了非农作物植干扰信息的影响，将提取范围控制在农田地块内。并且地块边界长期稳定，获取农田地块也具有较高复用性，农田地块的分布信息如图3所示。

图3 研究区农田地块信息分布图

2.3 基于地块单元的冬小麦种植区域分地块统计

农田地块边界具有相对较长期的稳定性，在地块内部一定程度上降低了光谱差异和混合像元的复杂度[31]，将获取的冬小麦初步区域叠加在高分影像获得的农田地块上，以地块为边界获取高分影像上冬小麦地块区域。

考虑在初步获取的冬小麦区域分布图中，由于分辨率等因素，在地块边界处有大量干扰地物的存在，使得获取的冬小麦区域精度较低，并且获得的初步冬小麦区域与矢量农田地块边界叠加之后，边界不吻合。因此本文尝试基于矢量农田地块区域，叠加冬小麦的初步提取结果，提出地块控制下的冬小麦分地块统计方法，具体的方法为：以每一个矢量地块单元为分地块单元，统计落在分地块单元内的小麦区域占该单元的百分比，即分地块统计比值（以落在每个地块内像元个数为统计单位）；根据设定的不同阈值，分析同一个阈值下的正确率和误判率，使得正确率和误判率达到最优，从而获取冬小麦区域的最佳提取结果。

2.4 OLI影像多时相分析

农作物物候差异有助于遥感影像上地物的识别。充分利用冬小麦季节物候特征，将其加入到地块为基础的空间位置信息中进行作物识别，可较大程度提高农作物识别精度[32]。本研究基于最佳时相分析，充分利用冬小麦物候特征，根据分地块统计提取结果，选择最优阈值（即正确率、误判率达到最优），将在高分影像上获取的两个时相冬小麦分布区域结果相互融合交叉验证，纠正错误提取的区域，获得更高的精度。

2.5 构建精度评价体系

提取的精度需要以某一标准结果为参考，遥感影像分类精度通常是构建各种统计量，最终给出总体和基于各种地物类型的分类精度。本研究以获取的高分影像农田地块为基准，目视识别冬小麦地块属性信息，以及参照获取的该地区农业专题图为准真值，对分地块统计获得的不同提取结果进行精度分析。试验中从单一时相冬小麦播种识别精度、总面积精度，及2个时相冬小麦提取结果交叉验证这2个方面构建评价体系。

2.5.1 识别精度

识别精度是指与准真值作为比较，被误判为冬小麦、及漏判的冬小麦区域的一个精度评价指标方法，通过选择验证点，计算误判率和正确率2个指标。其中误判率是指，落在错误识别为小麦区域的验证点的个数与全部落在非小麦区域的验证点个数比值；正确率指落在正确识别为小麦区域的验证点个数与全部落在小麦区域的验证点个数比值。为了保证评价的验证点代表性，本试验基于GIS软件，从研究区中随机选取175个验证点，均匀分布在小麦和非小麦区域。

2.5.2 总面积精度

区域总面积精度是指一定范围的行政或自然单元内冬小麦识别总面积与准真值总量的对比结果，见式（3）。

式中A是整个研究区内本文方法提取的冬小麦播种面积总量；0表示目视解释得出的冬小麦总面积准真值。

2.5.3 交叉验证

大量干扰地物信息的存在，对从单一时相中提取农作物信息有更高的要求。为了进一步提高分类精度，充分利用时间谱信息，采用两个时相分别提取冬小麦并进行交叉验证。即在第一个时相上判断为冬小麦的地块图斑，也同样满足第二个时相上冬小麦的识别结果，反之亦然。交叉验证是基于两个实相农田地块的识别结果，可通过目视判别，纠正误判的植被类型信息。

3 结果与分析

3.1 冬小麦初步区域获取结果

以地面获取样本点为基准，经过多次试验构建如下模型；3月4日兰考地区冬小麦处于拔节期，计算得出的归一化植被指数较低，绿波段反射率较高，且其他植被作物光谱特征不明显，构建决策树模型R1：{NDVI≥0.4；GVI>1；Green≤0.14}。而5月7日冬小麦处于拔节至抽穗成熟期，植被光谱特征明显，冬小麦区域NDVI达到0.7~0.9，处于峰值。并考虑到5月到6月其他作物（棉花）处于快速增长，为了便于区别，设定较大阈值（NDVI≥0.75）去除其他作物的影响，构建决策树模型R2：{ NDVI≥0.75；GVI>1；Green≤0.09}。通过构建的2个时相决策树模型，分别获取试验区内冬小麦的初步提取结果，如图4所示。

图4 不同时相冬小麦初步提取结果

3.2 分地块统计结果分析

根据在Google earth影像上获取农田地块，分别叠加2个时相OLI影像冬小麦初步区域，以地块为基准，统计获取高分影像上的冬小麦地块。

结合分地块统计分析，由图5可以直观看到不同统计阈值，获取的不同冬小麦提取结果，展现出冬小麦的误判、漏提现象（图中矩形框内）。基于构建的精度评价体系，以随机验证点获取出2个时相的提取精度（误判率、正确率、总面积精度）结果（图6），其中横坐标代表的含义是指大于等于分地块统计比值时（阈值）所得的误判率、正确率及总面积精度。

注：矩形框内表示误判、漏提取现象。

图6 不同时相冬小麦分地块统计精度分析

从图中（图5、图6）分析（以时相1为例），当分地块统计比值的阈值设置为≥0.02时，正确率达到94.9%、误判率为9.1%，如图5a，出现大量误判现象（矩形框内）；当阈值设置为0.05时，正确率没有变化，误判率降低了2.6%。当阈值设置为0.10时，误判率继续降低，正确率也随之下降，如图5b，误判现象有所下降；当阈值达到0.25时，误判率为0，但此时出现大量的冬小麦地块漏提现象，导致正确率会急剧下降，如图5c和5d所示，随着阈值提高，出现大量漏提现象。从总面积精度的角度来看，在分地块统计阈值为0.15到0.20时，面积精度达到最高，由于冬小麦农田地块存在漏提与多提现象，其总面积精度变化不大；但阈值到0.25以后，总面积精度大幅度下降。

3.3 多时相遥感冬小麦分布取结果

在2个时相数据获得的高分冬小麦地块区域的基础上，结合以上分析，选取时相1分地块统计比值阈值为0.20（相对将高的正确率91.8%、较低的误判率）的冬小麦识别结果和时相2阈值为0.30（正确率93.8%）的识别结果进行交叉验证，通过目视判别错误的植被信息得到最终的冬小麦分布图，叠加高分Google earth影像作为底图，得到结果如图7所示。

图7 冬小麦播种面积分布图

为了验证最终获得的冬小麦区域，同样采用随机验证点的方法，以识别精度和总面积估算精度2个方面进行精度评价，见表2所示。冬小麦识别正确率为95.9%，分别高于时相1和时相2的91.8%、93.8%，并且误判率处于较低水平，总体识别精度得到了提高。经过纠正后，冬小麦提取的总面积精度达到99.0%。

表2 不同方法冬小麦提取精度对比

3.4 提取结果分析评价

3.4.1 验证评价

本文使用高分Google earth影像提供的矢量地块边界和多时相OLI影像进行融合叠加，为了验证本文方法的可靠性，基于Google earth影像进行分割、分类提取冬小麦区域，并与之进行对比。试验中，基于同样的分割尺度（尺度为200，形状因子设置为0.5，空间紧凑度为0.5），获取对象基元。考虑到决策模型的一致性，采用与Google影像时间相近的R2决策树模型（2017年5月7日），获取冬小麦区域。并同样基于随机验证点方法，获取提取精度。如图8所示。通过精度对比，仅基于Google earth影像获取的冬小麦（表2），有较多漏提现象（如图8矩形框内），精度为85.6%。可见融合高分矢量地块与中分光谱信息综合提取冬小麦，有较大改进。

图8 Google earth提取冬小麦播种面积

3.4.2 县域内方法验证

进一步验证本文方法的有效性和适用性，尝试将本文算法运用到整个兰考县，验证冬小麦提取的准确性。试验使用单景OLI影像（2017年5月7日）和同样基于2017年5月28日高分Google earth（空间分辨率0.49 m）提取出的农田地块数据，获得不同分地块比值下的冬小麦地块分布图，如图9所示。误差分析如图10所示。

图9 兰考县冬小麦分地块比值分布图

图10 纯地块与混合地块冬小麦分布图

当分地块比值在0到0.20间内（即初步获取的冬小麦占地块单元为0~0.20），为非冬小麦区域（未种植的地块），这是由于初步获取的冬小麦混合像元引起；比值大于0.20时，为大量冬小麦区域。因此该区域可将分地块阈值设定为0.20，作为最终的冬小麦区域。同样采用随机验证点的方法（175个随机验证点），以识别精度和总面积估算2个方面进行精度评价，见表3所示。冬小麦识别正确率为91.5%，但出现11.1%的误判率。由于县域范围内，提取的农田地块较为琐碎，出现较多误判现象，需要针对性的对细小地块以及提取地块的精度作进一步分析。

表3 兰考县冬小麦提取精度

通常种植结构单一、且农田地块连片区域冬小麦较易识别，而在地块破碎区域由于地块内光谱变异和边界光谱混合现象严重识别精度较低。在地块分类中，冬小麦错分与漏分情况大多发生在破碎地块，并且由于受到地块分割尺度的影响，导致地块未能完全按照单一作物类型分割，出现混合地块。本文通过控制分地块统计阈值来区分纯地块冬小麦和混合地块冬小麦分布区域，以此提供进一步的误差分析基础。对于识别出的混合地块冬小麦区域（单一地块内混合作物），需要进一步地做分解地块处理，本文不再讨论。在得到的冬小麦播种区域基础上，结合实地调查数据并结合以上分析：当分地块统计比值为0到0.20时为非小麦区域；0.50到0.70为纯地块冬小麦区域；0.20到0.50及0.70到1.00的地块则 为识别精度较低的混合、破碎地块冬小麦区域。如图10所示。

4 结论与建议

本文实际上构建了多源分辨率影像上冬小麦提取模型，充分利用中空间分辨率的光谱、时间特征，结合高空间分辨影像的空间特征，以地块数据作为媒介，实现不同影像分辨率数据的衔接。1）本文的指导思想即是一个从“图”到“谱”，由“谱”聚“图”，“图谱耦合”的遥感认知深入过程。2）本文实际上利用了影像地物的“图”信息，通过加入农田地块信息控制农作物边界，有效避免非感兴趣区地物的干扰；增加遥感影像的时间信息，充分利用农作物物候特征构建不同时相的决策树提取模型，相互验证更正错误信息，提高识别的准确性。

基于地块的作物分类方法对地块边界光谱与地块内部光谱变异混合问题得到很好的控制，有效解决像元分类的“椒盐”现象。并且将矢量地块边界信息与遥感影像通过位置关系有机地结合在一起，使得影像上的地块与地面实际地块相对应，丰富影像分类中具有实物意义的地理信息，能实现对影像地块内地理信息的空间位置、几何关系和景观特征等准确表达，更加符合人类对影像地物的认识。本文在最终的信息提取过程中，通过分析比较不同的分地块统计阈值产生的不同识别精度，获得冬小麦播种区域，获取最终95.9%的正确率。相比于基于单一Google earth影像获取的结果（85.6%）更能符合应用需求。通过比较落在地块边界内不同比例的作物信息，能更进一步分析不同程度的混合像元所造的分类精度问题，在保持较低误判率情况下，实现较高的提取正确率。从影像的识别精度角度来看，有更大的选择空间。

本文通过在县域内试验该方法，通过对比验证，说明该方法有一定普适性。但相比于乡镇试验区，由于县域内农作物种植结构较为复杂，且农田地块数据的精度低，导致提取精度有所下降，说明本文方法在小范围内实现农作物精确提取更加突显优势。

本文在进一步的研究中可以从以下几个方面探讨：1）农田地块的获取是基于面向对象的多尺度分割，一般最优的分割精度是满足分割的对象具有实际意义的特征对象，每一个基元代表一种地物类型，并且在种植结构复杂区域，要注重细碎地块的分割；2）本文获取的冬小麦初步区域是基于Landsat OLI影像，实际上对冬小麦区域的初步获取提出了一定要求。进一步可以考虑使用时间分辨更高的MODIS等影像数据，突显农作物的时间物候特征；3）对分类器的进一步改进，建立更加合理的分类体系，提高冬小麦初步区域提取精度，对后续的分地块统计分析提取提供更有力数据的保障；4）本文需要进一步试验该算法的适用性，在更大范围和种植结构复杂区域内进一步提高算法精度。

[1] Organization A. Agricultural commodities: Profiles and relevant WTO negotiating issues. Background document for the Consultation on Agricultural Commodity Price Problems[EB/OL]. [2018-08-29]. https://eurekamag.com/ research/003/636/003636078.php

[2] Macdonald R B, Hall F G. Global crop forecasting[J]. Science, 1980, 208(4445): 670－679.

[3] Wittwer S H. Food, climate, and carbon dioxide: The global environment and world food production[J]. Journal of Environmental Quality, 1995, 26(1): 321.

[4] Zwart S J, Bastiaanssen W G M, Fraiture C D. WATPRO: A remote sensing based model for mapping water productivity of wheat[J]. Agricultural Water Management, 2010, 97(10): 1628－1636.

[5] Beckerreshef I, Vermote E, Lindeman M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312－1323

[6] Johnson D M. An assessment of pre- and within-season remotely sensed variables for forecasting corn and soybean yields in the United States[J]. International Statistical Review, 2014, 73(3): 389－404.

[7] Carfagna E, Gallego F J. Using remote sensing for agricultural statistics[J]. International Statistical Review, 2005, 73(3): 389－404.

[8] Manjunath K R, Potdar M B, Purohit N L. Large area operational wheat yield model development and validation based on spectral and meteorological data[J]. International Journal of Remote Sensing, 2002, 23: 3023−3038.

[9] Esch T, Metz A, Marconcini M, et al. Combined use of multi-seasonal high and medium resolution satellite imagery for parcel-related mapping of cropland and grassland[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 28(28): 230－237.

[10] Bban S M J, Luke C. Mapping agricultural land use using retrospective ground referenced data, satellite sensor imagery and GIS[J]. International Journal of Remote Sensing, 2000, 21(8): 1757－1762.

[11] Mauro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geo Spatial Engineering, 2001, 3(2): 127－134.

[12] 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. Chen Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166－171. (in Chinese with English abstract)

[13] 刘海启，金敏毓，龚维鹏. 美国农业遥感技术应用状况概述[J]. 中国农业资源与区划，1999，20(2)：56－60. Liu Haiqi, Jin Minyu, Gong Weipeng. Applications of remote sensing agriculture in the United States. Journal of China Agricultural[J] Resources and Regional Planning, 1999, 20(2): 56－60. (in Chinese with English abstract)

[14] 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[J]. 遥感学报，2004，8(6)：551－569 Wu Bingfang, Li Qiangzi. Crop acreage estimation using two individual sampling frameworks with stratification[J]. Journal of Remote Sensing, 2004, 8(6): 551－569. (in Chinese with English abstract)

[15] Tao Jianbin, Wu Wenbin, Zhou Yong, et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture, 2017, 16(2): 348－359.

[16] 张霞，帅通，杨杭，等. 基于MODIS EVI图像时间序列的冬小麦面积提取[J]. 农业工程学报，2010，26(增刊1)：220－224). Zhang Xia, Shuai Tong, Yang Hang, et al. Winter wheat planting area extraction based on MODIS EVI image time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.1): 220－224. (in Chinese with English abstract)

[17] Liu Z, Wu C, Liu Y, et al. Spring green-up date derived from GIMMS3g and SPOT-VGT NDVI of winter wheat cropland in the North China plain[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 130: 81－91. (DOI: 10. 1016/j. isprsjprs. 2017. 05. 015)

[18] 赵晶晶，刘良云，徐自为，等. 华北平原冬小麦总初级生 产力的遥感监测[J]. 农业工程学报，2011，27(增刊1)： 346－351. Zhao Jingjing, Liu Liangyun, Xu Ziwei, et al. Monitoring winter wheat GPP in Huabei Plain using remote sensing and flux tower[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(Supp.1): 346－351. (in Chinese with English abstract)

[19] 邹金秋，陈佑启，Satoshi Uchida，等. 利用Terra/MODIS数据提取冬小麦面积及精度分析[J]. 农业工程学报，2007，23(11)：195－200. Zou Jinqiu, Chen Youqi, Satoshi Uchida, et al. Method for extracting winter wheat area using Terra/MODIS data and its accuracy analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 195－200. (in Chinese with English abstract)

[20] 许文波，张国平，范锦龙，等. 利用MODIS遥感数据监测冬小麦种植面积[J]. 农业工程学报，2007，23(12)：144－149. Xu Wenbo, Zhang Guoping, Fan Jinlong, et al. Remote sensing monitoring of winter wheat areas using MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(12): 144－149. (in Chinese with English abstract)

[21] 刘旭拢. 基于MODIS混合像元分解的冬小麦种植面积提取方法研究[D]. 北京：北京师范大学，2006. Liu Xulong. Extraction of Winter Wheat Area From Unmixing of Time Series of MODIS Data[D]. Beijing: Beijing Normal University, 2006. (in Chinese with English abstract)

[22] 王启田，林祥国，王志军，等. 利用面向对象分类方法提取冬小麦种植面积的研究[J]. 测绘科学，2008，33(2)： 143－146. Wang Qitian, Lin Xiangguo, Wang Zhijun, et al. Extraction of winter wheat planting area by object-oriented classification method[J]. Science of Surveying And Mapping, 2008, 33(2): 143－146. (in Chinese with English abstract)

[23] 范磊，程永政，王来刚，等. 基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J]. 中国农业资源与区划，2010，31(6)：44－51. Fan Lei, Chen Yongzheng, Wang Laigang, et al. Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation[J]. Journal of China Agricultural Resources and Regional Planning, 2010, 31(6): 44－51. (in Chinese with English abstract)

[24] Dong T, Liu J, Qian B, et al. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data[J]. International Journal of Applied Earth Observations & Geoinformation, 2016, 49: 63－74.

[25] 朱长明，骆剑承，沈占锋，等. 基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取[J].农业工程学报，2011，27(9):94－99.

Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al. Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 94‒99.(in Chinese with English abstract)

[26] Zhang Y, Xu W, Wang H, et al. Progress in genetic improvement of grain yield and related physiological traits of Chinese wheat in Henan Province[J]. Field Crops Research, 2016, 199: 117－128.

[27] 田海峰，王力，牛铮. 基于OLI影像的县域冬小麦种植面积提取[J]. 河南农业科学，2015，44(6)：156－160. Tian Haifeng, Wang Li, Niu Zheng. Study on planting area extraction of winter wheat based on oli images at county level[J]. Journal of Henan Agricultural Sciences, 2015, 44(6): 156－160. (in Chinese with English abstract)

[28] Friedl M A, Brodley C E. Decision tree classification of land cover from remotely sensed data[J]. Remote Sensing of Environment, 1997, 61(3): 399－409. (DOI: 10.1016/S0034- 4257(97)00049-7)

[29] Oetter D R, Cohen W B, Berterretche M, et al. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data[J]. Remote Sensing of Environment, 2001, 76(2): 139－155

[30] Qiu B, Luo Y, Tang Z, et al. Winter wheat mapping combining variations before and after estimated heading dates[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 123: 35－46

[31] 李乐，张锦水，朱文泉，等. 地块支持下MODIS-NDVI时间序列冬小麦种植面积测量研究[J]. 光谱学与光谱分析，2011，31(5)：1379－1383. Li Le, Zhang Jinshui, Zhu Wenquan, et al. Winter wheat area estimation with MODIS-NDVI time series based on parcel[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1379－1383. (in Chinese with English abstract)

[32] Gu X H, Pan Y Z, Zhu X F, et al. Consistency study between MODIS and TM on winter wheat plant area monitoring: A case in small area[J]. Journal of Remote Sensing, 2007, 11(3): 350－358. (DOI:10.3321/j.issn:1007- 4619.2007.03.009)

Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel

Deng Liuyang1,2, Shen Zhanfeng1,2※, Ke Yingming1,2, Xu Zeyu1,2

(1.100101,; 2.100049,)

Theestimation of winter wheat area based on remote sensing images is one of important contents in filed of agriculture information monitoring. However, it is difficult to solve the problems of spectrum heterogeneity in the same farmland and spectra similarity between different farmlands timely and accurately using mid-resolution images. In order to maximally avoid problems metioned above and accurately map the planting area of winter wheat, a object-parcel classification method was developed in the study area of Lankao Cunty, Henan Province. An improved identification procedure for geo-parcel based winter wheat identification was presented, combining fine-resolution image and multi-temporal medium-resolution images. Combined spectrum and filed parcel information, precisely extraction of winter wheat planting area was realized from multi-temporal OLI images and Google earth high-resolution images (resolution of 0.49 m) through the following several steps. 1) Constructing winter wheat decision tree extraction models to extract the simplified winter wheat area based on spectral feature. Crops performed different phenological characteristics during the growth and development stage, which displayed spectral differences on remote sensing images. And to obtain the optimum temporal phases to extract winter wheat planting area, temporal phase among typical crops in study area was analyzed based on the phenological characteristics; 2) The field parcel information generated from high-resolution imagery by multi-scale segmentation algorithm. And then, according to the field parcels obtained on the high-resolution images, the two simplified OLI images of winter wheat were superimposed on the parcel respectively. Partition statistics ratio (proportion of simplified winter wheat in each field parcels) was calculated, and then the winter wheat parcels on the high-resolution images were obtained based on partition statistics ratios. Finally, analyzing the extraction accuracy under different statistics ratio threshold, then generating high-resolution winter wheat plots based on the parcel; 3) Through cross validation, the winter wheat planting area was extracted. Identification results of the winter wheat with the parcel statistics ratio threshold of 0.20 in the phase-1 (OLI image on 2017-03-04, with higher extraction correctness ratio and lower misjudgment ratio) and the recognition result with the phase-2(OLI image on 2017-05-07) threshold of 0.30 were selected for cross-validation. The experiment result showed that the method could recognize winter wheat area accurately. The higher recognition accuracy (95.9%) was obtained under the lower misjudgment ratio (1.3%). Last but not least, an application of proposal method in Lankao County was performed to verify the accuracy of winter wheat extraction with the correctness ratio of 91.5%. And the accuracy of winter wheat recognition could be expected higher in regions with simple planting structure or less fragmental parcels. The omission of winter wheat extraction based on per-parcel classification mostly happened in the fragmental parcels, coupled with the accuracy of segmentation, because the parcels were not completely segmented according to the single crop type. Finally the performance of partition statistics ratio analysis in distinguishing pure winter wheat parcels and mixed winter wheat parcels was tested by controlling the partition statistics threshold. The identification results indicated that the integration of high spatial-temporal resolution imagery is promising for crop identification based on geo-parcel .

remote sensing; crops; monitoring; winter wheat; planting area;object-parcel classification

10.11975/j.issn.1002-6819.2018.21.019

S512.11

A

1002-6819(2018)-21-0157-08

2018-07-16

2018-09-19

国家重点研发计划项目（编号：2017YFB0504204，2016YFB0502502）

邓刘洋，研究方向为遥感信息计算。Email：dengly@radi.ac.cn

沈占锋，研究员，研究方向为高分辨遥感影像信息提取。Email：shenzf@radi.ac.cn

邓刘洋，沈占锋，柯映明，许泽宇.基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 农业工程学报，2018，34(21)：157－164. doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org

Deng Liuyang, Shen Zhanfeng, Ke Yingming, Xu Zeyu.Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157－164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org