基于多时相遥感数据和HSV变换的 越冬前冬小麦面积提取

赵 叶，李存军，周静平，竞 霞，荆伟斌

（1. 北京农业信息技术研究中心，北京100097；2. 西安科技大学，陕西西安710054）

0 引言

冬小麦是我国主要粮食作物之一，冬小麦种植面积监测是国家和政府部门十分关心的问题，监测冬小麦种植面积不仅对我国小麦产业的发展有着重要意义，也是保障国家粮食安全的关键环节［1-3］。传统地面调查速度慢、精度低、耗费大量人力物力财力，且受人为因素影响大，难以满足政府部门宏观指导和科学决策的需求。遥感技术可以在短期内连续获取大范围的地面信息［4］，实现农业信息的快速收集和定量分析，是目前对地观测和信息获取的有效手段［5］。

已有的农作物种植面积提取方法通常是利用小麦生长后期或全生育期时间序列影像，通过选定关键物候期的植被指数阈值建立识别模型，提取作物分布面积。张喜旺等［6］通过2010年河南省冬小麦全生育期MODIS时间序列特征结合冬小麦季相节律信息提取了当地冬小麦面积及空间分布信息；刘剑锋等［7］利用2010—2011年MODIS数据，根据地面调查样点提取冬小麦NDVI时间序列曲线，构建识别模型并提取了开封市2010—2011年冬小麦面积信息；姜涛等［8］利用2014—2015年MODIS数据构建冬小麦全生育期时间序列曲线，在物候分析基础上选择冬小麦识别特征，构建了一种抗时序数据噪声的冬小麦识别方法。但是利用全年时间序列影像的方法对时间序列数据质量要求较高，由于受大气环境等因素的影响，有时无法保证全年数据都具有较高质量，且该方法在小麦生长后期（孕穗期）才能达到精度要求，无法满足生产部门冬季小麦生长管理及提前估产的需求。作物面积监测具有较强的时效性，尽早监测评估是目前亟待解决的 问题。

针对小麦生长前期长势稀疏，光谱信息易受土壤背景影响的问题，文章借鉴Pekel等［9］利用MIR、NIR、RED波段提取转换荒漠稀疏植被的方法，提出一种将MIR、NIR、RED波段转换成HSV阈值划分方法。将MIR波段作为NIR和RED波段的补充，MIR波段对土壤与植被中的含水量反应更为灵敏［10］，能提高植被与裸土可区分性，获得更加可靠的稀疏植被提取。该方法基于长势较弱的稀疏小麦与其他地物在“H-NDVI空间”上的差异建立稀疏小麦阈值提取规则，以期实现冬小麦面积的早期检测。

1 数据与方法

1.1 研究区概况

该文以河北省中南部小麦主产区为研究区域（图1），包括石家庄市、邢台市和邯郸市的正定县、栾城区、高邑县等26个县区，位于北纬36°05′～42°40′，东经113°27′～119°50′。河北省是全国三大小麦集中产区之一，河北省小麦总产量一般占到全省粮食产量的1/3以上。地处我国第二大平原华北平原腹地，地势低平，土层深厚，土壤肥沃，大部分地区适宜小麦生长。河北省西北区域地势高，不适合种植冬小麦；中南部区域地势平坦，水肥等自然条件良好，更适宜冬小麦种植。研究区内冬小麦通常每年的9月底至11月播种，次年6月收获。

图1 研究区概况Fig.1 Overview of the study area

1.2 数据源

该文采用的数据包括Landsat8 OLI影像、2017年河北省土地利用类型分布数据、地面小麦种植田块调查数据和河北省各县小麦种植面积统计年鉴数据。

冬小麦在生长发育阶段会表现不同的物候特征，在遥感影像上呈现光谱差异，该文选择30 m空间分辨率的Landsat8 OLI影像作为数据源，根据研究区冬小麦的物候特征，在USGS网站［11］下载2017年11月21日（分蘖期）和2017年12月24日两景影像。

NDVI采用ENVI5.3软件计算，公式为：

式（1）中，NIR为近红外波段的反射值，R为红光波段的反射值。

2017年河北省土地利用类型分布图在地理国情监测云平台下载［12］，根据其属性将土地利用类型分为耕地和非耕地。根据实地调察，河北省中南部冬季作物均为冬小 麦［13］。

1.3 HSV空间色彩变换法

为了提高Landsat影像小麦种植区域的识别效果，用HSV色彩空间替换RGB色彩，HSV是一种直观的颜色模型［14］，色调H是用角度度量不同颜色，取值范围为0～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°；饱和度S表示颜色接近光谱色的程度。任何一种颜色可以看成是某种光谱色与白色混合的结果，其中光谱色所占比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。明度V表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关。对于物体色，该值和物体的透射比或反射比有关，通常取值范围为0%（黑）～100%（白）。

MIR、NIR和RED波段分别作为RGB通道，采用HSV色彩变换法将Landsat影像MIR、NIR、RED波段从RGB色彩空间转换至HSV色彩空间，以分离出色调、饱和度和亮度值。

1.4 冬小麦面积提取方法

冬小麦面积提取算法流程如图2所示。对遥感影像进行预处理，并采用HSV色彩空间变换法将RGB转换至HSV色彩空间，通过小麦和非小麦地物在H-NDVI空间上的差异，采用HSV阈值法初步识别冬小麦疑似区域，再对疑似区域的色彩饱和度S变化值进行统计分析，去除土壤等易混淆地物，最终得到小麦种植区域。因MIR、NIR、RED波段值为DN值，其取值范围与RGB图像不同，所以在进行图像色彩转换之前要先将其DN值按比例缩放至RGB图像像素值范围（1～255），再进行色彩转换。

2 结果与分析

2.1 阈值设置

将H波段影像、NDVI影像进行掩膜处理，分离出小麦种植区与非小麦种植区，分别转换成ASCII格式，并按小麦种植区域与非小麦种植区域分别导入EXCEL中，从中随机选取部分样本点建立H-NDVI空间散点云图（图3）。

图2 冬小麦面积提取算法流程Fig.2 Area extraction algorithm flow of winter wheat

根据H值的分布规律将样本点分为3个区间，非小麦区、小麦区和混淆区。在生长前期，冬小麦苗株稀疏，长势较弱，在色彩上易与土壤其他地物类型混淆，由图3可知小麦和非小麦地物类型NDVI普遍较小，非小麦地物NDVI与H没有明显关联，H值在非小麦地物NDVI范围内波动；而小麦地物随H值增大，NDVI值有增高趋势，小麦的H值相对于非小麦地物而言整体偏大，该研究按照H值差别设置初步阈值，但是由于在小麦生长初期，苗株稀疏，长势微弱，易与土壤等背景混淆，导致单用一景影像无法准确区分开来，H值在45～75°之间既存在小麦种植区也存在土壤背景等非小麦地物，所以仅靠H值尚不能完全区分开。

在冬小麦分蘖期前期利用H值对小麦和非小麦地物进行初步区分，设置H＞75°为小麦种植区域，H＜45°为非小麦区域，45°≤H≤75°为小麦与非小麦混淆区。在ENVI5.3中利用H≥45°建立掩膜，去除非小麦区域，留下小麦种植区和混淆区等待下一步 区分。

图3 H-NDVI空间散点图Fig.3 H-NDVI space scatter diagram

随着冬小麦生长，其色彩饱和度S逐步增大，而其他地物随着气温降低，饱和度S不变或略有降低，因为S值是一个定性指标，可以独立于观测条件等外界因素来识别冬小麦。根据该特征，该研究用掩膜后的2017年12月24日HSV影像S波段减去2017年11月21日掩膜后HSV影像S波段，得到的即为饱和度S的变化值（以下简称S-slope），将S-slope进行掩膜处理，分离出小麦种植区与非小麦种植区。

分别从小麦和非小麦地物S-slope值中随机选取5 500个样本并统计各个数值出现的频率直方图。如图4所示，频率值为在特定S-slope值的样本个数，也就是某个S-slope值出现的次数，根据频率值建立正态分布曲线，用以观察小麦和非小麦区域S-slope值分布情况。

图4 小麦和非小麦地物的S-slope值分布Fig.4 S-slope value distribution of wheat and non-wheat features

由图4可知，非小麦地物的S-slope值总体偏小，产生该现象的原因为非小麦地物色彩饱和度变化较小甚至不变，而小麦的S-slope值聚集在0.1附近，其原因为S值对颜色的微小变化反应灵敏，小麦生长过程中颜色逐渐加深，饱和度变化明显，S值发生了较大的变化。根据该特征，设置阈值S-slope＞0.03%作为小麦和非小麦的区分。

2.2 冬小麦面积提取

按照H≥45°的阈值规则掩膜，对2017年12月24日影像（图5a）进行第一次掩膜处理，去除非小麦地物，留下小麦与混淆地物图像（图5b）；按照S-slope＞0.03%的阈值规则进行第二次掩膜，去除混淆区域中非小麦地物，得到最终小麦种植区域（图5c）。

图5 冬小麦面积遥感提取Fig.5 Remote sensing extraction of winter wheat area

2.3 结果验证

利用县界分县统计图5中各县冬小麦面积，与2018年小麦面积统计年鉴数据对比，制作散点图（图6）。图6中实线代表1∶1线，虚线代表提取面积与统计年鉴数据拟合直线。图中拟合直线接近1∶1线，且提取面积与统计年鉴数据呈现极显著相关关系（R2=0.922 5）。表明利用多时相遥感数据冬小麦种植面积，与县区统计年鉴数据有较高的一致性。

图6 冬小麦遥感提取面积与统计年鉴数据散点图Fig.6 Scatter map of remote sensing extraction area of winter wheat and statistical yearbook data

3 结论

该研究采用HSV色彩空间变换法将Landsat8 OLI影像中MIR、NIR、RED波段从RGB转换至HSV色彩空间。通过分析Landsat8 OLI影像中小麦种植区和非小麦种植区在“H-NDVI”上的空间分布差异，采取阈值法初步排除非小麦区域，进而通过S-slope上的差异排除非小麦区域，最终得到小麦种植区域面积。

（1）传统植被监测多用NIR和RED波段，该研究加入MIR波段，因其对土壤与植被中的含水量反应更为灵敏，提高了植被与裸土的可区分性。

（2）该研究使用2017年11月21日（分蘖期）和2017年12月24日前后两景进行小麦种植区提取，在冬小麦分蘖后期可实现冬小麦面积监测，基本实现冬小麦面积早期监测。

（3）利用多时相遥感数据中NDVI、H和S差别提取的试验区冬小麦种植面积，与地面调查、县区统计年鉴数据有较高的一致性。

该研究中一些小麦田块小，影像本身分辨率及质量对面积监测影响较大，未来可以考虑使用分辨率更高的国产影像，得到更为精确的面积数据，并在更多区域对该方法进行实验和验证。