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*

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。