基于Sentinel-2与GF-6 WFV数据的花生种植面积提取差异分析

张 彦，刘 婷，包卓雅，王来刚，贺 佳，郭 燕，张红利，杨秀忠

(1.河南省农业科学院 农业经济与信息研究所，河南 郑州 450002; 2.新乡医学院，河南 新乡 453007)

花生是重要的经济作物，也是我国主要油料作物之一。花生不仅可以满足国内市场对油料作物的需求，还可为畜牧业的可持续发展提供有力支撑，对农村经济的发展有着重要作用。河南是我国花生生产第一大省，近年来种植面积和产量均稳步增加。2018年，河南花生种植总面积为1 203.18×103hm2，产量为572.44×104t[1]，均居全国首位。在河南，花生是继小麦、玉米之后的第三大作物。因此，快速精准地获得花生种植面积及空间分布信息，对于各级部门指导花生生产，促进农业供给侧结构性改革具有重要的意义。

相比于传统的农作物种植面积监测手段，遥感技术具有快速、客观、低成本、大面积同步观测等特点，为准确、快速提取花生种植面积提供了重要的技术支撑。目前，基于SPOT[2]、RapidEye[3-4]、Sentinel-2[5]、Landsat系列[6]、国产高分系列[7-9]等中高空间分辨率影像对农作物面积和长势进行估算已成为农业遥感监测的研究热点。近年来，Sentinel-2数据在作物分类[10]、病虫害监测[11]中得到广泛应用，已有研究通过Sentinel-2数据，提取了小麦[12]、水稻[13]、油菜[14]、大豆[15]和花生[16]等作物种植面积，均取得较高的识别精度；黄林生等[17]利用Sentinel-2影像反演了小麦条锈病相关的植被指数，基于BP神经网络算法构建小麦条锈病严重度监测模型，有效提高了小麦条锈病监测模型精度。红边波段可有效反映作物的光谱特征，是监测作物生长状况的敏感波段[18-20]，国产高分六号(简称GF-6)卫星首次设置了2个红边波段，已在林地分类[21]，油菜[22]和中草药[23]种植面积提取中表现出较好的应用潜力。

Sentinel-2与GF-6数据在作物分类中具备较高的精度，均可用于大范围业务化工作。然而，目前国内外有关采用Sentinel-2与GF-6 WFV数据对作物识别的精度对比研究较少，尤其是没有以花生种植面积为提取对象的研究。为此，选取地块细碎、种植结构复杂的河南省许昌市榆林乡为研究区，在2019年花生种植面积提取最佳时期各选取1景Sentinel-2与GF-6 WFV影像，采用面向对象的K邻近法和基于像元的最大似然法提取花生种植面积，通过精度评价及误差分析，对比2种数据提取细碎地块、种植结构复杂的小尺度地区花生种植面积的能力，以期为更多作物识别研究在选择数据源时提供参考。

1 材料和方法

1.1 研究区概况

许昌市榆林乡地理位置处于东经113°03′～114°19′，北纬33°42′～34°24′(图1a)，气候属北暖温带季风气候区，热量资源丰富，雨量充沛，阳光充足，无霜期长。全乡总面积73.76 km2，交通发达，地势平坦，水资源丰富，适合小麦、玉米、花生、谷子、辣椒等农作物生长，其中该区花生因优良的品质获得过国家农业博览会金奖，是许昌土特产之一。榆林乡花生播种方式以夏直播为主，播种期为每年6月中上旬，收获期为9月下旬，生育期为110 d左右[24]。

1.2 数据获取与处理

1.2.1 遥感数据及处理 根据数据可获得性，选用研究区相同时相(2019年8月16日)的Sentinel-2(图1b)与GF-6 WFV(图1c)数据各1景进行花生种植面积提取，该时相为花生旺盛生长期，云量均低于5%，影像质量较好。遥感数据分别来自ESA数据共享网站(https://scihub.copernicus.eu/)和中国资源卫星应用中心(http://www.cresda.com/CN/)，相关参数如表1所示。Sentinel-2数据是经过几何精校正的大气表观反射率数据，在预处理过程中，仅需对其进行大气校正，得到地表反射率。本研究利用欧洲航天局的SNAP软件对Sentinel-2数据进行大气校正[25]。GF-6 WFV数据是通过ENVI5.3软件进行辐射定标和大气校正，然后以Sentinel-2影像为参考影像进行几何校正，误差控制在0.5个像元内。最后利用榆林乡的边界矢量数据裁剪Sentinel-2和GF-6 WFV数据。为比较基于不同数据对花生种植面积提取的差异，本研究通过波段筛选，保留2种数据源相同波段参与分类，即蓝、绿、红、近红外、红边1和红边2。

a.研究区地理位置；b.研究区Sentinel-2影像(RGB:4,3,2);c.研究区GF-6 WFV影像(RGB:3,2,1)

表1 Sentinel-2数据与GF-6 WFV数据的主要参数

1.2.2 野外调查数据

1.2.2.1 地面样本点数据 2019年7月23日、2019年8月18日在研究区开展野外调查，样本点分为6种类型，分别为花生、其他作物、裸地、林地、水体和建设用地。利用手持GPS(Global positioning system)获得样本点1 407个，空间分布如图1b所示，其中50%作为训练样本，50%作为验证样本，用于各地类的识别和分类后精度评价。

1.2.2.2 地面样方数据 在研究区内布设地面样方4个，用于花生种植面积提取的误差分析，空间分布如图1b所示。样方实测总面积为91.77 hm2，其中，花生、其他作物、林地、建筑用地占比分别为50.08%、38.29%、7.50%和4.13%。

1.3 研究方法

本研究采用面向对象的K邻近法和基于像元的最大似然法对Sentinel-2与GF-6 WFV数据进行花生种植面积提取。

1.3.1 K邻近法 K邻近法(K nearest neighbor，KNN)在N维空间的欧几里德距离中，依据待分类的数据和训练区的训练样本元素对图像进行分类，N由分类时目标物的属性数目来确定。相对于传统的最邻近方法而言，K邻近法能产生更小的敏感异常和噪声数据集，继而得到更准确的分类结果[26]。其公式如下：

1.3.2 最大似然法 最大似然法(Maximum likelihood classification，MLC)是监督分类方法中使用较多的分类方法之一。与其他非参数方法相比较，它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。该算法通过对遥感影像多个波段像元统计分析，假定各类地物均符合正态分布，通过训练样本，根据判决准则构建非线性判别函数，通过判定每个像元对各类别的归属度，把各像元分配到相应地物中[27]。

1.3.3 精度验证 分类结果精度验证采用基于样本点的混淆矩阵法，研究选取野外调查采集的703个样本点数据对分类结果进行精度评价，包括制图精度、用户精度、总体精度和Kappa系数4个指标。

花生种植面积提取误差分析通过计算样方内花生种植面积提取结果与样方内花生种植面积实测结果之间的相对误差，研究花生种植面积提取结果与实际情况的差异。

2 结果与分析

2.1 分类结果精度评价

在ENVI5.3中构建混淆矩阵，精度评价结果如表2所示。基于最大似然法对Sentinel-2和GF-6 WFV的地类信息提取总体精度分别为86.36%和87.01%，Kappa系数分别为0.83和0.84；花生种植面积提取的制图精度分别为93.44%和94.61%，用户精度分别为85.28%和86.56%。基于K邻近法对Sentinel-2和GF-6 WFV的地类信息提取总体精度分别为96.10%和94.81%，Kappa系数分别为0.95和0.94；花生种植面积提取的制图精度分别为97.48%和95.91%，用户精度分别为94.10%和91.77%。2种方法对2种数据源提取的总体精度和Kappa系数均超过85%和0.8，花生种植面积提取的制图精度和用户精度均优于85%，说明分类结果整体较好，能够满足实际研究需要。

表2 2种分类方法的分类精度评价结果

2.2 花生种植面积提取结果误差分析

地面样方内花生种植面积提取结果与花生种植面积实测结果的相对误差如表3所示。从表3可以看出，采用K邻近法提取Sentinel-2影像所得花生种植面积的相对误差值最小，为2.22%；而采用最大似然法提取该影像所得花生种植面积的相对误差值最大，为7.69%。

表3 花生种植面积提取相对误差统计

2种分类方法提取的花生种植面积相对误差均小于10%，说明提取效果较好。基于像元的最大似然法提取的花生种植面积相对误差较大，说明错分现象明显，可能由于研究区内秋季作物种植结构复杂，影响了提取精度；而面向对象的K近邻法分类结果相对误差较小，说明错分现象较少，相对于最大似然法，该法提取精度更高，这得益于面向对象方法充分利用了多光谱影像的地物光谱特征及纹理特征。

2.3 数据源差异分析

对比表2、表3中采用同方法不同数据源得到的花生种植面积提取精度，发现采用基于像元的最大似然法时，GF-6 WFV数据的提取精度稍高于Sentinel-2数据，而采用面向对象的K邻近法时，GF-6 WFV数据的提取精度则不如Sentinel-2数据。其中，采用最大似然法时，GF-6 WFV数据的制图精度、用户精度高于Sentinel-2，且相对误差低于Sentinel-2，其差值分别为1.17、1.28、1.63个百分点。采用K邻近法提取花生种植面积时，GF-6 WFV数据的制图精度、用户精度低于Sentinel-2，且相对误差高于Sentinel-2，其差值分别为1.57、2.33、1.73个百分点。这可能由于波段数相同情况下，GF-6 WFV的空间分辨率为16 m，低于10 m的Sentinel-2融合数据，在对花生地块的形状、纹理、大小等特征上的表现有一定的局限性。

2.4 分类方法差异分析

从表2、表3可以看出，Sentinel-2与GF-6 WFV数据利用K邻近法得到的分类精度均高于最大似然法。对于Sentinel-2数据，K邻近法提取花生种植面积的制图精度、用户精度比最大似然法分别高4.04、8.82个百分点，相对误差低5.47个百分点；对于GF-6 WFV数据，采用K邻近法提取花生种植面积的制图精度、用户精度比最大似然法分别高1.30、5.21个百分点，相对误差低2.11个百分点。

2.5 花生种植面积空间分布

本研究所提取的花生种植面积精度较高，可满足实际需要，故对分类结果做进一步分析，根据花生种植面积提取结果得到空间分布图(图2)。其中，西北部和东南部地区土壤肥沃，耕地集中连片，适宜花生种植，花生种植面积分布较为集中；东北部地区为城镇所在地，耕地较少，花生种植面积也少；西南部地区作物种植结构复杂，花生并非主要农作物，花生种植面积较少且分布零星。

图2 花生种植面积空间分布

3 结论与讨论

在作物识别过程中，加入红边波段可提高分类精度[28]。GF-6卫星作为我国首颗设置红边谱段的多光谱遥感卫星[29]，与在轨的高分一号卫星组网运行可大幅提高农情监测能力，为农业农村发展、生态文明建设等重大需求提供有力的遥感数据支撑[30]。Sentinel-2与GF-6 WFV数据具有分辨率高、免费、易获取的特点，为比较2种数据对作物面积提取的差异，本研究以Sentinel-2和GF-6 WFV影像为遥感数据源，采用K邻近法和最大似然法提取2019年许昌市榆林乡花生种植面积，得出以下结论。

利用K邻近法和最大似然法对Sentinel-2和GF-6 WFV进行小尺度的作物信息提取，总体分类精度均超过85%。花生种植面积的制图精度和用户精度均大于85%，相对误差小于10%；对比2种方法的分类精度，发现采用面向对象的K邻近法在总体精度、Kappa系数以及花生种植面积的制图精度、用户精度和相对误差等方面，均优于传统基于像元的最大似然法；在2种数据参与分类的波段数相同的情况下，由于Sentinel-2数据融合后的空间分辨率为10 m，高于空间分辨率为16 m的GF-6 WFV数据，对细节的表达效果更佳；最大似然法对Sentinel-2的花生种植面积提取精度低于GF-6 WFV，K邻近法对Sentinel-2的花生种植面积提取精度高于GF-6 WFV。

利用Sentinel-2与GF-6 WFV数据提取的花生种植面积精度较高，能够满足小尺度作物种植面积提取的实际需要，但也存在一定局限性。红边波段作为Sentinel-2与GF-6 WFV的特色波段，本研究未对红边波段相关的植被指数进行研究，下一步将考虑红边植被指数，结合作物在不同时期的光谱差异进行作物种植面积提取。