APP下载

基于快速设定决策阈值的大范围作物种植分布的遥感监测研究*

2019-07-20徐飞飞褚煜琴

中国农业资源与区划 2019年6期
关键词:时相样点阈值

罗 明,陆 洲※,徐飞飞,梁 爽,褚煜琴,郭 晗

(1.中国科学院地理科学与资源研究所,北京 100101;2.苏州科技大学,江苏苏州 215009 )

0 引言

大面积作物信息的获取,对于我国优化粮食生产布局、调整种植结构都具有重要的战略意义[1]。特别是作物的快速识别是作物面积获取、长势监测及产量评估的基础。

遥感技术以其信息感测的大尺度、高效率和多谱段,为当前作物监测提供了重要手段和极其丰富的数据支持[2,3]。在作物的遥感识别方面,众多的学者利用不同的图像分类方法做了大量的研究,主要有基于像元的监督分类、基于像元的非监督分类和面向对象的分类方法等[4]。但是,受影像时相限制,大尺度下,特别是在种植条件复杂的地区,分类精度有待进一步提升[5,6]。多时相的遥感分析[7,8]手段,即借助作物的季相生长特征,利用多时相影像叠加判别的方法,构建多时相特征阈值判别模型,弥补了图像分类法在地物复杂地区作物识别精度低的不足,成为目前区域尺度提高作物识别精度的重要途径之一[9]。

如何快速地确定多时相阈值或实现阈值的自动化计算,是当前实现遥感快速识别作物的关键。黄青等[10]构建NDVI时序曲线,利用野外实测数据的迭代修正来确定阈值,取得了不错的效果; 同样,许玉萍等[11]利用傅立叶形状描述子计算NDVI时序曲线与标准的水稻时序曲线形状相似性距离,通过样例数据探测未知像元与样本的相似性距离阈值,从而判别双季水稻种植区域,识别效果较理想。于子凡等[12]提出一种二叉决策树的自动生成方法,并引入特征数组完成阈值的设定。程彬等[13]基于ASTER数据上地物范履职大小关系设定决策树模型阈值,实现了对不同地物类型的分类。孙宇翼等[14]选用WEKA J48算法筛选最优参数建立模型分类规则,分类精度明显提升。此外,有学者通过多时相遥感影像上光谱标准差取值差异[15]的方法确定分割阈值提取作物的分布,同样取得了不错的分类精度。还有借助异源数据的融合分析[16,17]提取阈值,效果显著。基于当前的阈值设定方法的多时相判别手段,能够实现水稻、小麦、玉米和棉花等大宗作物分布的遥感识别,但是阈值提取的方法过于复杂,在具体分析过程中农学人员难以参与其中,专业要求较高,阈值的提取通常使用SPSS 或者Excel等软件进行半自动化计算,大范围尺度上的定量化分析难以推广; 反复迭代阈值参数,从而获得相对满意的结果,耗时较长,难以适应农业生产上快速应用的需求。

文章在总结前人工作的基础上,以江苏省水稻、小麦和玉米为研究对象,并以行政区县为基础的作业单元进行区域划分及阈值设定,提出了一种基于少量样本投射的阈值快速设定的方法,较好地提取多时相判别模型的阈值参数,提高了模型阈值的区域适用性,实现大范围作物分布的快速识别。

1 研究路线

该研究借助多时相的GF1遥感影像,以行政区县为基础的作业单元进行影像的预处理,按作业单元进行NDVI特征的转换,并获取NDVI特征影像的值域; 然后通过野外采样或目视解译选取少量作物的样点,获取对应时期监测影像该样点的NDVI值。并提出一种多期阈值快速设定的方法,将少量样点投射到影像值域上获取阈值区间,完成每一个作业单元一种作物的阈值设定。在多期阈值确定的基础上,构建多时相决策模型,进行多期阈值的叠加决策判别识别作物,最后进行精度评价。研究技术路线见图1。

图1 研究技术路线 图2 研究区区位

2 研究区及数据处理

2.1 研究区概况

江苏省地处于中国东部沿海地区,位于长江、淮河下游,经纬度介于东经116°18′~121°57′,北纬30°45′~35°20′,地理上跨越南北,属于温带向亚热带的过渡性气候。全省气候温和,四季分明,气候资源丰富。多年平均气温13~16℃,雨量适中,年均降水量800~1 200mm。地形以平原为主,是我国水稻的优势产区,常年种植水稻、小麦和玉米等粮食作物。

2.2 数据源及预处理

该研究选用国产GF1卫星影像数据,其所搭载的4个16m分辨率多光谱传感器(WFV,Wide Field of View),重访周期为4d,每个传感器包含蓝(0.45~0.52μm)、绿(0.52~0.59μm)、红(0.63~0.69μm)和近红外(0.77~0.89μm)4个波段。

由中国资源卫星应用中心(http://www.cresda.com/CN/)获取16m分辨率遥感影像,并采用影像处理机(Image Process Machine,IPM)[18]技术批量完成影像的几何精校正、辐射定标、以行政区县为单元的裁剪等预处理。

2.3 特征影像转换

不同作物因季相生长特征的不同,在遥感影像上呈现不同的光谱特征值。利用多光谱遥感影像不同通道光谱值组合成新的指数,是遥感影像上识别作物的重要依据。NDVI(Normalized difference vegetation index,归一化差值植被指数)是应用最广泛的植被指数,多时相NDVI的特征限定是不同植被提取的有效方法之一,其计算公式为:

NDVI=(Nir-Red)/(Nir+Red)

(1)

式(1)中,Nir、Red分别表示近红外波段和红波段。

3 基于少量样本投射的阈值快速设定方法

该文提出一种基于少量样本投射的阈值快速设定的方法,即利用少量实地采样或目视解译的作物样点(20~30个)获取该时相作物NDVI的范围,并对该时相的遥感特征影像按照NDVI值域以一定的步长均分,由样点获取的NDVI范围“投射”对应影像NDVI值域上最邻近的步长区间,即为作物单一时相的NDVI阈值,以此获取多时相的NDVI阈值。

3.1 样本NDVI值范围的确定

(2)

式(2)中,μi为样本NDVI值的平均数,δi2为样本NDVI值的方差。

3.2 阈值的“投射”对应

图3 “投射”获取阈值区间示意

利用关键时相NDVI特征影像,获取影像的NDVI值域Di的最小值(min),并以步长(s)递增(以最小值为起始值,最后一级可能不满足步长要求,因不影响阈值故不讨论),直至min+sc×s≥max(sc为步数,max为影像的NDVI值域Di的最大值)。将Xi投射到分级区间Di上,寻找Xi落入Di分级重叠最多且相邻最近的区间Ti,则Xi∈Ti,Xi∈Di,Ti∈Di,

(3)

式(3)中,a=μi-1.96δi2,b=μi+1.96δi2,k=s×fix((a-min)/s),f=s×fix((b-min)/s),fix为取整函数。

3.3 时相判别决策提取模型

确定了每一时相的相阈值区间,即Ci左≤Ti≤Ci右,见表1。构建多期阈值区间的决策提取计算模型,模型计算是基于空间叠加决策的方式,以影像的像元为基本单位,叠加同一位置相交的像元,排除不相交的像元。各期阈值条件是并的关系,综合各期生长特征影像的阈值界定范围,并将符合条件重新赋值给已经创建新的影像N,初始N(j,c)=1,即:

表1 多期阈值区间

(4)

式(4)中,c为影像的行号,j为影像的列号。

4 结果与分析

4.1 监测时相及单元

江苏省主要种植水稻、小麦和玉米三大粮食作物,其中水稻和玉米处于同一个生长季。选取典型植被的样点绘制一年内NDVI变化曲线图,见图3。水稻播种或移栽后,将处于相当长一段时间的泡田期,这也是水稻区别于其他作物的典型特征。随着分蘖的增多,特别是完全封行后,生长量的扩大,NDVI值逐渐增大,到抽穗期时达到峰值,明显高于其他植被,且高于同期生长的玉米; 之后随着籽粒的成熟,叶绿素含量下降,NDVI值逐渐降低。玉米于6月中下旬播种出苗,从拔节开始,NDVI值逐渐上升,到抽穗期生长最旺盛,NDVI值最大,且峰值出现略早于水稻,之后伴随叶子的枯萎,NDVI值逐渐下降。小麦于10月底播种,次年6月初收获。拔节期前未封行,受裸露土壤的影响,NDVI一直处于低值; 拔节后,小麦生物量逐渐增加,抽穗时叶面积指数达到最大值,NDVI处于峰值阶段,高于生育期接近的油菜等植被,之后伴随成熟的推进,物质向籽粒运输,NDVI值随之降低。根据三大作物及其他植被的生长特征,选取监测时相,见表2。

表2 江苏省水稻、小麦和玉米监测影像数据表所用阈值数量

以江苏省行政区县为基础,对少量有作物种植且面积较小的区县合并为一个作业单元,共有64个作业单元,如图4。根据监测时相及作业单元,选取2016年3—11月遥感影像,保证覆盖提取单元作物关键生育期的3~4个时相,共使用96景无云遥感影像。按照一个作业单元,一种作物,一套阈值,利用少量样本投射快速设定阈值的方法共产生150套阈值。江苏省水稻、小麦和玉米监测所用影像如表2。

图3 江苏省典型值被NDVI变化 图4 作业单元及统计种植情况

4.2 结果及验证

对水稻、小麦和玉米按照作业单元分别提取,提取结果如图5。从提取结果看,水稻和小麦种植在全省都有分布,主要集中在长江以北的江苏中部及北部地区; 玉米种植主要集中在苏北灌溉总渠以北以及盐城和南通部分地区。采用面积对比验证和定位验证的方式对提取结果进行精度评价。利用与统计年鉴的对比验证表明,提取结果面积与统计面积误差在10%以内,如图6和表3; 利用样点的空间定位验证精度优于0.88,如图7和表3。

图5 江苏省三大作物提取结果

图6 面积验证 图7 空间定位验证

表3 随机抽样验证和统计年鉴对比结果

5 讨论与结论

5.1 讨论

该研究的主要数据源为GF1卫星的WFV影像,该影像的空间分辨率16m,重访周期4d,平衡了空间分辨率和时间分辨率的问题。相较以往的遥感影像源如MODIS、NOAA/AVHRR、ALOS、IKONOS、SPOT和HJ-1 CCD等,能够更好地满足作物生产的需求。因为定位验证选用大范围种植的地块样点,所以小麦的定位精度高; 但小麦的面积对比上相对误差超过10%,经实地查验,是受小麦地块附近少量种植的油菜影响。玉米的种植较分散,其定位精度较低,但面积对比误差相对较小,可能存在错分的情况。为进一步提升精度,对生育期相近的两种作物,如冬小麦和油菜,冬小麦和大蒜的识别区分上效果不理想,下一步将引入同一尺度的GF6卫星的红边波段数据,提升作物区分的精度。该研究利用作物样本数据服从正态分布的特征,将少量样本的范围“投射”到特征影像的值域上,来获取阈值区间。这种简单的阈值设定方法能够快速响应农业生产的要求,且在实例应用中效果理想。相较利用迭代方法的阈值提取方法[10],更容易为农业从业人员所接受。在大范围区域的处理上,以行政区县为基础的作业单元的区域划分及阈值设定,保证了模型阈值的区域适用性。但对于大范围作物的监测按作业单元分区作业仍有一定的工作量,如何利用已有数据进行训练样点的自动选取确定阈值,有待进一步研究。

5.2 结论

该研究以江苏省水稻、小麦和玉米为研究对象,通过基于少量样本投射的阈值快速设定方法,构建遥感时相判别决策提取模型,并以行政区县为基础的作业单元,实现了大范围作物种植分布的快速遥感监测,所得如下结论。

(1)所选用的16m分辨率影像数据,能够适用于区县尺度及大范围的遥感监测的应用需求。

(2)以区县为基础的作业单元的阈值具有较强的区域代表性。一个作业单元、一种作物适用一套阈值,可有效提升作物种植分布遥感监测的精度。

(3)江苏省水稻、小麦和玉米种植分布的面积相对误差在11%以内,定位精度优于88%,均满足应用化需求,证明利用基于少量样本数据确定模型阈值的方法,具备一定的可操作性和实用性。

猜你喜欢

时相样点阈值
小麦条锈病田间为害损失的初步分析
基于空间模拟退火算法的最优土壤采样尺度选择研究①
采用红细胞沉降率和C-反应蛋白作为假体周围感染的阈值
农田灌溉用水量统计工作中的样点灌区选取方法研究
小波阈值去噪在深小孔钻削声发射信号处理中的应用
滑冰式滑雪动作体系的建构
血清白细胞介素及急性时相反应蛋白在细菌性痢疾患者中的变化研究
养猪发酵床垫料微生物类群结构特性分析
3D VOI 技术在SPECT三时相骨显像对股骨头坏死早期诊断的应用
基于迟滞比较器的双阈值稳压供电控制电路