基于Sentinel-2遥感影像的作物信息提取与需水量分析研究

钱 鑫，李培显，2，谢宏全，郜薇薇，王 杨，刘付程

（1.江苏海洋大学海洋技术与测绘学院，江苏连云港 222005；2.山东金田测绘地理信息有限公司，济南 250000）

0 引 言

作物种植结构信息是农业灌溉用水预测、农业产量估算、农业补贴定损和区域水资源分配的重要参考指标。自从18 世纪开始，英美等国采用田测法与筒测法等原始方法进行预测农作物需水的研究。随后世界各国开始进行小面积农业试验田的需水量研究[1]，当时认定太阳辐射是影响蒸发的主要因子。1948年Penman 基于太阳辐射因子对裸土水面牧草等提出了其蒸发估算公式[2]，1963年Monieith 将地表阻力作为影响因子，提出了Penman-Monteith(P-M)公式[3]。1970年M.E.Jensen通过观测对比实际蒸发蒸腾量与潜在蒸发蒸腾量之间联系，提出了土壤水分修正系数[4]。1972年Priestley 和Talylor 首先提出了蒸散发在湿润气候条件下的估算公式[5]。自20世纪后期以来，随着计算机技术的不断发展与更新换代，GIS、遥感等现代地理技术进入农业测量领域，大大推动了作物需水量研究的进程[6-9]。Kumar 利用Penman-Monteith 公式以及印度比哈尔邦Sabour 区和Patna 区的水稻、玉米、小麦、绿豆的作物系数估算了各作物在两区的需水量，并根据作物在生育期的有效降雨量估算了不同作物的灌溉用水量[10]。王景雷等将主成分分析（PCA）及地理加权回归（GWR）方法结合一起对华北地区的冬小麦作物需水量空间分布进行了估算，结果表明该方法可以分析出不同位置不同影响因子对农作物需水量的影响[11]。李志新等基于GA-Elman 神经网络模型在对逐日参考作物需水量预测时有良好的精度性能及稳定性，而且随机选取进行测试后，其相对误差绝对值均值为7.24%[12]。随着空间技术的不断发展，多传感器、多时间分辨率和多空间分辨率的遥感数据已广泛应用于农作物种植结构遥感提取，无论是在理论和技术方法方面，还是在实践方面都取得了长足的进展[13]。国内外学者发展了许多不同的方法来提高基于遥感识别农作物的精度，为政府相关部门了解农作物种植情况提供了大量的参考与辅助信息[14,15]。由于遥感数据繁杂、分类方法多样、尺度敏感性等问题，使得农作物种植结构遥感提取研究尚未系统地梳理，难以开展普适性研究和广泛应用。遥感技术在农业研究中具有广阔的前景，与此同时，遥感农作物识别方法也存在着一些不足：①相关研究者在进行遥感影像地物识别分类过程中，根据研究的重点在实际操作过程中对其数据处理的相关理论和方法不尽相同；使用的源数据影像、分类算法模型和处理软件也是有所区别；处理结果的精度也有所差异。②由于误差因素的存在，在研究过程中对其数据误差与精度评价方面需要系统性分析和进一步的完善。③由于数据空间分辨率的限制，部分较小的地块或者相邻分布的作物无法区分，分类精度很难提高。

本文研究的空间尺度较大、时间跨度较长，如果使用高空间分辨率影像和高光谱分辨率影像作为遥感数据源，可以获取整个流域种植信息较丰富的镶嵌影像；同时黑河流域耕地地块破碎、农作物种植结构复杂，如果以MODIS、SPOT 等影像作为遥感数据源，其伴随的混合像元现象会严重影响分类精度。因此，根据本研究的特点，最后选定的高分辨遥感数据源如哨兵数据（Sentinel）。针对这些问题，本文基于遥感多光谱影像利用多种分类方法相结合的思路，利用Google Earth Engine（GEE）对黑河流域的农作物识别利用多种分类方法，克服混合像元的影响，确保分类精度，探究适合该区域的分类方法，加入TEM 数据与日照时序数据，更好的分析影像分类结果，对祁连山内陆河中的黑河流域农作物信息进行遥感识别及需水量预测分析。

1 研究区概况与数据源

1.1 研究区概况

黑河流域是我国境内深居西北地区的第二大内陆河流域，其经纬度范围介于97°30′～102°5′E，37°44′～42°41′N 之间，横跨青海省、甘肃省及内蒙古自治区以及我国重要的国防科研基地东风场区[16]。黑河流域地处欧亚大陆西北要地，且周围多高山环绕，致使附近海域的湿润气流长时间无法到达，属于典型温带大陆性干旱气候[17]。上游祁连山地区山高林密，降水多，年降水量大致为250～500 mm，大部分的水源都来自于上游。中游河西走廊地区属于温带干旱区，全年降水稀少，仅有100～250 mm[18]。下游地区主要是内蒙古的荒漠区，属于极端干旱区，年降水量少之又少，只有不到50 mm[19]。

1.2 数据源

(1)Sentinel-2 影像数据。“哨兵”（Sentinel）系列卫星是欧空局为满足欧洲安全需求专门为实现哥白尼计划而设计的一组卫星群。高分辨率的Sentinel-2A/B 双星搭载多光谱成像装备，主要监测土地环境。其特点具有覆盖面积广、重访周期短等观测优势[20]。该卫星设备涵盖了可见光、近红外到短波红外等13 个波谱，其波谱范围在0.4～2.4µm 之间，且在红边范围处含有3 个波段，分别为B5、B6、B7 波段。此外，哨兵影像还有QA10、QA20、QA603 个质量波段，而QA60 波段广泛应用于影像去云[21]。

(2)DEM 数据。本文的DEM 数据来源于GEE 平台中30 m空间分辨率的全球数字高程。该数据集是Farr 等依靠航天飞机雷达地形项目而生产制作的数字高程数据[22]。利用GEE 重采样函数将其转换成10 m 分辨率的高程数据，然后按照黑河流域的边界进行裁剪获取数据。

(3)其他数据。栅格数据是2011-2015年黑河流域的作物分类结果[23,24]。样本点数据是基于高分辨率影像的作物分类情况，目视解译选取样本点得到矢量数据图层，其数量为大麦256 个、小麦200 个、玉米307 个、油菜96 个、林地296 个、草地246个、水体243个、人工建筑物407个、裸地418个。

2 研究方法

2.1 决策特征构建

(1)光谱特征。通过前期数据准备及预处理，得到黑河流域的Sentinel-2 影像，其中包括13 个原始光谱波段信息，在GEE 平台中利用遥感专题指数计算的公式编写代码，完成陆地表面水分指数（Land Surface Water Index，LSWI）、归一化差异水体指数（Normalized Difference Water Index，NDWI）和归一化建筑指数（Normalized Difference Built-up Index，NDBI）。所得的指数作为独立的波谱加入原始影像中，与13个原始波段作为特征构建中的基础元素。

(2)纹理特征。由于种植结构和种植密度以及影像同谱异物现象，仅利用光谱特征进行作物分类会造成混分，因此选择加入遥感影像的纹理特征。灰度共生矩阵是对图像纹理特征统计使用最频繁的方法[25,26]，针对图像中的一些具有某种空间位置关系的像素亮度值不同组合的概率分布。本文利用Sentinel-2 影像的图像亮度值通过遥感云计算纹理特征的glcmTexture(size)函数，得到18个因子[27]。

在纹理特征计算前，需将RGB影像转换成Gray影像。参考彩色转灰度的心理学公式，本文中所使用得转换公式为：

式中：Gray表示灰度值，值域范围为0～255；R表示红光波段；G表示绿光波段；B表示蓝光波段。

(3)地形特征。由于不同时空分辨率及多源影像，在遥感分类过程中针对不同数据源选择地形特征作为分类依据之一，添加地形属性参数对作物遥感识别的分类结果精度的提高有至关重要的作用。利用GEE 平台中的ee.Algorithms.Terrain(srtm)函数获得海拔高度、坡度、坡向和山体阴影等属性信息，再对数据进行重采样，输出地形特征。

2.2 基于CROPWAT模型的作物需水量分析

作物需水量计算原理是基于作物系数与参考作物蒸散量的乘积进行确定的。而潜在蒸发量的计算是利用P-M[4]（Penman-Monteith）公式计算得到，其公式为：

式中：ET0表示参考作物蒸散量；G表示土壤热通量，逐日计算G的取值为0；Rn表示植物的净辐射；T表示平均气温；γ表示温度表常数；Δ表示曲线斜率；U2表示高于地表2m 处的风速；es表示饱和水气压；ea表示实际监测的水气压。

本文依据作物不同阶段的作物系数计算需水量，公式为：

式中：ET0表示参考作物蒸散量；Kc表示作物系数；ETc表示作物需水量。

3 作物分类与分析

3.1 一级土地分类

在GEE 平台中计算敏感性，基于随机森林特征优选，计算出每个特征的敏感性强度值并完成特征敏感性的排序并获取前15个特征（图1）。

图1 一级分类特征重要性Fig.1 Importance of primary classification features

通过样本集数据训练及验证，选择特征重要性最大的15个分类特征作为分类依据，其中13个光谱特征、1个纹理特征和1个地形特征。利用随机森林分类器完成对研究区内土地一级地类解译，获取得到黑河流域的土地利用情况。

3.2 二级耕地分类

在一级土地分类的基础上细化耕地，分为玉米、小麦、大麦和油菜4个二级类。通过GEE计算分析的二级分类特征重要性（图2）。基于逆序排序函数筛选出前15 个特征重要性大的特征，其中光谱特征8个、纹理特征6个和地形特征1个。

图2 二级分类特征重要性Fig.2 Importance of secondary classification features

特征优选结束后，分别进行支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）的单一和多种分类器的分类算法。通过对比随机森林、决策树与支持向量机对作物分类的敏感性获取分类精度，从而评价不同分类器的分类效果。

3.3 分类结果分析

利用GEE 平台中计算并输出各种评价指标，即不同分类器分类结果的总体精度、Kappa 系数、用户精度和制图精度结果（表1）。从表1可以得出：利用RF 分类器对油菜及玉米的识别精度较好，尤其是油菜的制图精度，其制图与用户精度均高于其余分类器，但该算法对大麦与小麦的识别精度不是很高。采用DT 分类器，利用回归决策树原理，改变了对大麦小麦的识别效果，使其精度比RF 分类算法高，而且对玉米油菜的识别精度也较高，总体精度在多种分类器对比中也达到了最高。

表1 精度验证结果Tab.1 Accuracy verification results

4 需水估算与分析

4.1 数据处理

利用搜集到的黑河流域的相关数据估算出当地主要农作物的ET0和CWR。首先，完成第一模块ET0数据的获取，即气象数据相关参数的导入，包括气象数据五大参数，通过CROPWAT8.0 软件计算得到净辐射（Rad）与ET0值，并获取其平均值。

完成ET0的计算分析后，点开第二模块Rain，将逐月降雨量数值依次输入对应月份的降雨量。在Crop 模块中依次输入农作物名称、初播日期、作物系数Kc及各个生长周期天数等数据，其中分为初始生育期、快速发育期、生育中期、成熟期。通过CROPWAT模型结合各种数据计算分析得出玉米、大麦、小麦、油菜的作物需水量。

4.2 ETc估算

在对ETc分析计算过程中主要考虑气候条件的影响，因此通过CROPWAT模型计算站点的数据，获得站点的各种作物的需水量。

4.2.1 不同区域作物的需水量分析

通过CROPWAT 模型计算出的数据确定4 个作物生长期的需水量，并分别绘制成图（图3），作物主要以小麦为例分析各个站点的ETc变化特征。依据图3可知：各站点小麦的需水量差异性不大，生长中期差值最大，约为100 mm；生长初期差值最小，约为3 mm。综合考虑小麦各阶段的ETc大致为：生长初期各站点的值相近，约为21 mm。随着幼苗长大，在生长发育期ETc约在85～100 mm 范围内，均值为91.3 mm。作物到达生长中期需水量达到最大，约为343.1 mm。成熟期需水量逐渐减少，约为190.6 mm。

图3 作物各站点需水量Fig.3 Water demand of crop stations

通过对作物的需水计算，获得作物不同生育阶段的ETc。基于作物生长周期分析了不同作物、不同周期需水量情况，从总体情况分析可知：玉米各个周期内的需水量区别较大，其生长中期的需水量大于其他3个阶段总的需水量；小麦和大麦的各阶段需水量整体相似，需水量均为生长中期骤增；油菜在周期内的需水量差异性较小，对水的需求量平滑过渡。

4.2.2 不同作物的逐月需水量分析

由于每月的气温、降雨量不同，致使作物生长周期中的每月需水量分布差异明显，见表2和图4。结合表2和图4以小麦为例进行分析各个站点的逐月ETc变化特征。

图4 不同站点作物逐月需水量Fig.4 Monthly water demand of crops at different stations

表2 作物的ETc逐月百分比%Tab.2 Monthly percentage of ETc of crops

小麦三月为播种期，ETc是最低值，在20.1～23.0 mm 之间，平均值为21.4 mm；4月份为苗期，小麦的ETc逐渐增长到85 mm以上；5月份是拔节期，ETc迅速增长到180 mm；6月份是抽穗期，ETc增长至200 mm 左右，该时段ETc达到最高值；7月份是成熟期，平均值为118.0 mm，ETc需求逐渐下降。因此了解作物的整周期的逐月需水量变化情况，为保证作物的正常生长，在每月农田旱情时，加大灌溉力度及次数。

4.3 CWR估算

利用CWR（Crop Water Requirements）模块结合各要素对灌溉用水量（图5）进行估算。图5展现了针对各个站点其附近不同作物的灌溉需求。依据中游区域气象数据估算出的ETc和逐日采集的降雨量获取灌溉用水量。当地农业发展历史为灌溉农业型，一年中作物的生育所需的水大部分来源于农业灌溉，而大气降雨属于辅助补给水源，因此可以认为灌溉用水量为作物需水量与大气降水量的差值，从而获取有效降雨量就能得出灌溉用水量。

图5 灌溉用水量Fig.5 Irrigation water demand

为使作物在生长周期得到应有的水分滋养，以10 d 为一个时段。对作物各时段灌溉用水量分析，小麦自3月中旬4月初（假设3月10日开始）播种算起，到7月底8月初收割（本文假设定为7月27 为收获日），共计15 个时段，将4 种作物各时段所需灌溉水量、作物需水量及作物系数变化情况绘制成图（图6）。本文以小麦为例，图6可以看出小麦整周期分为15 个时段，在8～12 时段，Kc曲线平滑成直线，而灌溉用水量几乎每个时段达到最多，这是小麦拔节到灌浆期，ETc也相应达到最大值，CWR 大约每时段需要55 mm 左右，因此在此时段加大农业用水灌溉力度，保证其自身的生长发展。最终基于CROPWAT 分析各个作物CWR，估算作物全周期的用水量。其中大麦、小麦、玉米与油菜的每公顷灌溉用水量为4 500～6 000、4 500～6 750、6 000～7 500、3 000～4 500 m3。

图6 小麦、玉米、大麦和油菜逐时段灌溉需求Fig.6 Irrigation demand of wheat，corn，barley and rape period by period

4.4 结果分析

通过估算作物的ETc，分别从作物生长周期及月度需水量进行了分析，发现不同作物之间，在不同发育期需水量存在很大的差异性。其表现在整个作物生长过程中，前期水需求量较小，中间阶段需水量达到顶峰，后期需水量逐渐减少。生长发育时期，一般是在作物的需水临界期间，对水的需求程度较高，事关作物产量。例如在作物的抽穗期，对田地间的缺水性问题敏感程度最高，特别是拔节到乳熟阶段。若该时段作物很大程度上缺水，对作物的生长极为不利，造成大幅度减产，因此根据天气原因，确保水分的供给。

5 结 论

本文利用遥感云计算平台对黑河流域的作物进行识别提取，并选用CROPWAT模型完成作物需水量分析，得到的主要研究成果如下：从气候影响因子、模型等方面总结了作物需水量分析的研究，表明在我国选用CROPWAT模型对作物需水量进行研究的适用性较强；基于RF、DT 及Ensemble3 种分类算法对作物识别提取，通过对比分析发现基于DT 分类精度较高；基于CROPWAT模型，依据降水量估算出大麦、小麦、玉米与油菜的全周期每公顷地灌溉用水量分别为4 500～6 000、4 500～6 750、6 000～7 500、3 000～4 500 m3，依据当地旱情及灌溉条件，为当地农作物需水量提供有效的数据支撑。