基于Sentinel-2遥感影像的黄土高原覆膜农田识别

赵 成 梁盈盈 冯 浩 王 钊 于 强3, 何建强1,

(1.西北农林科技大学旱区农业水土工程教育部重点实验室, 陕西杨凌 712100;2.西北农林科技大学中国旱区节水农业研究院, 陕西杨凌 712100;3.中国科学院水利部水土保持研究所黄土高原土壤侵蚀与旱地农业国家重点实验室, 陕西杨凌 712100;4.陕西省气象局秦岭和黄土高原生态环境气象重点实验室, 西安 710016)

0 引言

黄土高原是我国北方典型的旱作农业区[1]。然而该地区干旱少雨、降水时空分布不均匀,使得该地区水资源严重匮乏[2]。地膜覆盖技术能够有效地减少土壤水分蒸发、提高土壤耕层温度和促进作物生长发育,因此该技术在黄土高原地区得到了广泛应用[3]。然而,随着地膜的大量使用,土壤中地膜残留量的增加会对作物的生长发育带来严重的负面影响[4-5]。此外,农用地膜作为人工合成的高分子化合物,其在耕地中的残留部分在自然条件下难以降解,由此带来的地膜微塑料污染问题近年来也成为环境和农业领域研究的热点[6-8]。因此,及时、准确地获取黄土高原覆膜农田的空间分布信息,将有助于相关部门科学合理地规划农业生产,充分发挥地膜覆盖技术的积极作用,同时降低地膜残留对环境造成的污染。

遥感技术具有速度快、覆盖面积广和数据时效性强的特点,因此被广泛应用于土地利用分类和农作物信息提取等研究[9-11]。特别地,欧洲航天局(European Space Agency,ESA)哥白尼计划中发射的第2组卫星(Sentinel-2)为地物遥感识别提供了高时空分辨率(5 d,10 m)的卫星数据[12]。相比于目前广泛使用的30 m空间分辨率的Landsat系列卫星数据,Sentinel-2卫星数据能够更为准确地刻画小面积农田的空间分布特征[13],从而为黄土高原覆膜农田的遥感识别提供了理想数据源。

目前,已有部分学者基于中低分辨率遥感影像开展了覆膜农田遥感识别研究。LU等[14]基于1998、2007、2011年Landsat-5 TM遥感影像的光谱特征,通过构建决策树分类器提取了新疆的覆膜棉花种植区,总体精度达到90%以上;随后,LU等[15]基于MODIS卫星影像的NDVI时间序列数据,通过阈值法对新疆地区的覆膜棉田再次进行识别,总体精度在80%以上。然而,相比于新疆等作物种植面积较大、种植结构相对均一的地区,黄土高原地区种植结构复杂、地块形状不规则且分布破碎凌乱,导致覆膜农田的识别更加困难。针对黄土高原地区,郑文慧等[16]利用作物播期的Landsat-8单时相影像对甘肃省定西市安定区团结镇的覆膜农田进行识别,总体精度大于95%。此外,罗琪等[17]利用NNDiffuse Pan Sharpening方法融合了Sentinel-2多光谱影像和GF-1全色影像,并基于该单时相融合影像,识别了河北省邯郸市邱县的覆膜农田。虽然这些研究使用了较高空间分辨率的卫星影像识别覆膜农田,但所使用的影像均为作物播期的单时相遥感影像,因此识别结果中存在较为严重的错分和漏分现象。针对此问题,HASITUYA等[18]基于多时相Landsat-8影像和随机森林算法提取了河北省衡水市冀州区的覆膜农田,总体精度高达97%。然而对于黄土高原覆膜农田的准确识别,Landsat-8影像的空间分辨率明显偏低,识别结果中混合像元较多、无法准确反映当地覆膜农田的细节信息。

综上所述,以往的研究大多集中在地膜连片分布的某一典型研究区,基于中低分辨率的单时相卫星遥感影像进行覆膜农田识别,对于利用Sentinel-2遥感影像和机器学习算法识别地块破碎的黄土高原覆膜农田鲜有报道,且缺少可参考的有效特征变量和时相选择。因此,本研究选择甘肃省临夏县、宁夏回族自治区彭阳县和山西省山阴县作为测试区,探索适用于黄土高原覆膜农田识别的特征集组合与多时相组合,并且以陕西省旬邑县作为验证区,验证方法的可行性。

1 材料和方法

1.1 研究区概况

黄土高原位于黄河流域中部,面积约为6.4×105km2,地形复杂,农业景观破碎。该地区降水少且时空分布不均匀,年均降水量为400～600 mm,年均蒸发量大于1 400 mm,属于典型的大陆性季风气候区[19],地膜覆盖技术以其节水保墒的特点而在该地区得到了广泛应用。本研究参考中国农业资源环境分区[20]并结合Google Earth街景图是否可获得高分辨率覆膜影像的实际情况,由南到北选择了位于地形复杂、地块破碎的黄土高原沟壑区和晋豫土石山区的4个代表县开展覆膜农田识别研究。其中,甘肃省临夏回族自治州临夏县(102°41′～103°40′E、34°57′～36°12′N,1 212 km2)、宁夏回族自治区固原市彭阳县(106°32′～106°58′E、35°41′～36°17′N,2 533 km2)、山西省朔州市山阴县(112°25′～113°04′E、39°11′～39°47′N,1 651 km2)作为测试区,而陕西省咸阳市旬邑县(108°08′～108°52′E、34°57′～35°33′N,1 811 km2)因其具有覆膜农田面积的统计值,因此选择该县作为验证区(图1)。研究区主要的覆膜作物为春玉米、春油菜和马铃薯,播期集中在4月中旬至5月上旬[21-23](图2)。所选区域以白色地膜为主要地膜类型,因此本研究仅针对白色地膜开展遥感识别方法研究。

图2 研究区主要作物的物候历Fig.2 Phenological calendars of main crops in study areas

1.2 数据来源与预处理

1.2.1遥感数据采集与预处理

本研究所使用的Sentinel-2卫星遥感影像来源于Google Earth Engine(GEE)云平台(https:∥earthengine.google.com)中2020年的Level-2A地表反射率(Surface reflectance,SR)产品。Sentinel-2由Sentinel-2A和Sentinel-2B两颗卫星组成,在赤道地区的重访周期为5 d,在中纬度地区为2～3 d。其搭载的多光谱成像仪包含由可见光到近红外再到短波红外的13个光谱波段,空间分辨率包括10、20、60 m。其较高的时空分辨率为全球土地变化监测、气候变化监测和灾害监测提供了高质量的免费遥感数据[12,24]。

随机选取彭阳县一典型小区(35°44′02″N,106°26′46″E),分析各类地物在归一化植被指数(Normalized difference vegetation index,NDVI)上的光谱反射率(图3b),可知在播期(4月中旬—5月上旬)覆膜农田不受作物冠层影响,NDVI反射率呈现低值,且接近不透水层和裸土的NDVI反射率;在生长旺盛期(6月上旬—8月上旬),随着覆膜作物的快速生长,NDVI反射率快速上升,到达峰值;在收获期(9月上旬—10月上旬),随着作物收获,地块呈现出裸土、残茬和残膜的混合光谱信息,NDVI反射率迅速下降。相比于其他地物,覆膜农田的NDVI反射率随着覆膜作物的生长而发生剧烈变化。因此,本研究根据覆膜农田的光谱反射率变化特点,分别选取各研究区2020年播期、生长旺盛期和收获期的3景影像构成多时相数据(表1)。对于云污染较重的影像,首先在GEE中利用去云函数去除云和云阴影,然后利用该影像前后5 d内去云区域的无云影像进行镶嵌拼接,最后由研究区的行政边界矢量裁剪出符合条件的研究区无云影像。

表1 2020年4个典型研究区内3个不同作物生育期的Sentinel-2遥感影像选择Tab.1 Selection of Sentinel-2 images at three different crop growth stages at four representative areas in 2020

图3 彭阳县一典型小区各类地物的NDVI时间序列曲线Fig.3 NDVI time series curves of different land cover types at a typical area in Pengyang County

1.2.2地面样本数据采集与预处理

样本点的数量、空间分布状况和代表性都会影响地物遥感识别的精度。本研究根据研究区的实际状况,将临夏县和彭阳县的地物类型划分为5类(不透水层、裸地、覆膜农田、植被、水体)。由于山阴县和旬邑县的水体面积占总区域面积的比例不足5%,因此将这两个地区的地物类型划分为4类(不透水层、裸地、覆膜农田、植被)。本研究综合2020年ESA全球10 m土地利用数据集(ESA WorldCover 10 m v100)、Google Earth高分辨率街景图和多时相Sentinel-2遥感影像进行目视解译获取样本点,取样时遵循随机、均匀的原则使各类样本点在研究区内随机均匀分布(图1)。最终在临夏县、彭阳县、山阴县和旬邑县分别选取1 205、1 687、1 353、1 155个样本点(表2),并在GEE平台中按照7∶3的比例将各类样本点随机划分为训练样本和验证样本。

表2 黄土高原4个典型研究区各类样本点的数量Tab.2 Number of different types of sampling points at the four representative areas in Loess Plateau

1.3 基于Sentinel-2遥感影像的覆膜农田识别方案

1.3.1覆膜农田遥感识别的主要步骤

基于Sentinel-2遥感影像识别黄土高原覆膜农田的主要步骤包括:①对研究区多时相Sentinel-2遥感影像进行预处理,构建遥感影像的光谱特征集、指数特征集,以及第一主成分与第二主成分的纹理特征集。②通过随机森林算法评价上述3类特征集中各个特征因子的重要性,并进行特征因子优选,然后利用优选的3类特征集构建7种不同的覆膜农田识别特征集组合方案。③基于上述7种不同的特征集组合方案和随机森林算法,对不同作物生育期(播期、生长旺盛期、收获期)的覆膜农田进行识别,优选出不同作物生育期的最优特征集组合方案。④基于所选的最优特征集组合方案,利用不同作物生育期的遥感影像组合进行覆膜农田识别,筛选最优多时相组合方案,最后利用陕西省旬邑县验证最优特征集组合与多时相组合识别覆膜农田的有效性(图4)。

图4 基于Sentinel-2遥感影像的覆膜农田遥感识别技术路线图Fig.4 Technology roadmap for remote sensing recognition of plastic-mulched farmlands in Loess Plateau based on Sentinel-2 images

1.3.2覆膜农田遥感识别特征集构建

针对每一个典型研究区的各3景Sentinel-2遥感影像,分别提取了光谱、指数和纹理3种特征集作为覆膜农田遥感识别的输入特征变量,其中包括10种光谱特征因子、9种指数特征因子和28种纹理特征因子(表3)。在构建纹理特征集的过程中,首先对原始影像进行主成分分析,分析结果显示4个典型研究区每一景影像的第一与第二主成分的累积贡献率均在90%以上。因此,为提高纹理特征因子的提取效率,本研究在GEE平台中对第一与第二主成分利用灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)[25]分别提取14种纹理特征因子(共计14×2=28种)作为纹理特征集。

表3 黄土高原覆膜农田识别所需的Sentinel-2遥感影像特征变量Tab.3 Feature parameters of Sentinel-2 images used in recognition of plastic-mulched farmlands in Loess Plateau

1.3.3分类方法与特征因子优选

采用随机森林算法(Random forest,RF)[35]对覆膜农田进行遥感识别。RF算法作为一种集成算法,其泛化性好、运算速度快、精度高并且对异常值和噪声具有较好的容忍性,因此在地物分类、农作物空间分布制图和水体识别等领域被广泛利用[36-37]。在GEE平台中调用RF算法进行分类前需要对算法中决策树的数量T和节点分裂特征个数M这两个参数进行优化。根据多次测试,本研究将参数T设置为500,M默认为每次分类时输入特征因子数量的平方根。

多时相数据和多特征变量参与分类会使输入算法的数据量剧增,可能会造成数据冗余和“维度灾难”。因此为提高算法的识别精度和运算效率,本研究以RF算法的基尼系数(Gini index)为评价指标,分别对每一个典型研究区3景影像中的光谱、指数和纹理特征因子进行重要性分析,然后计算每一个特征因子在3景影像中的累积重要性得分[38]作为该特征因子的最终重要性得分,最后按照特征因子重要性由大到小的顺序分别逐一添加光谱、指数和纹理特征因子进行覆膜农田识别,以F1值(F1-score)作为评价指标优选各类特征因子,并构建优选特征集。

1.3.4覆膜农田识别特征集组合方案与多时相组合方案

为了评价在3个不同的作物生育期中采用不同特征集组合进行覆膜农田识别的有效性,基于优选的特征集构建7种特征集组合方案,其中包括3种单一特征集方案:光谱特征集方案(方案S)、指数特征集方案(方案I)、纹理特征集方案(方案T);4种组合特征集方案:光谱+指数特征集方案(方案S+I)、光谱+纹理特征集方案(方案S+T)、指数+纹理特征集方案(方案I+T)、光谱+指数+纹理特征集方案(方案S+I+T)。针对每一个典型研究区,基于上述7种特征集组合方案构建3个不同作物生育期的覆膜农田识别RF算法模型,并以覆膜农田识别的F1值作为评价指标优选不同作物生育期的最优特征集组合方案。

同时,考虑到覆膜农田的光谱反射率随着作物冠层的生长发育而变化,为了评价不同作物生育期遥感影像组合用于覆膜农田识别的有效性,本研究基于3个不同作物生育期的遥感影像及其对应的最优特征集组合构建了4种多时相组合识别方案,分别为:播期+生长旺盛期组合方案、播期+收获期组合方案、生长旺盛期+收获期组合方案、播期+生长旺盛期+收获期组合方案。基于上述4种不同的多时相组合方案开展覆膜农田遥感识别,并以识别精度为评价指标来确定黄土高原覆膜农田遥感识别的最优多时相组合方案。

1.4 覆膜农田识别精度评价指标

基于验证样本点,利用混淆矩阵对覆膜农田识别结果进行精度评价,所使用的精度评价指标包括制图精度(PA)、用户精度(UA)[39]和F1值。

2 结果与分析

2.1 特征因子优选结果

2.1.1光谱特征因子优选

由光谱特征因子的重要性评价结果(图5)可知,在不同测试区,Sentinel-2遥感影像的可见光波段(B2、B3和B4)和短波红外波段(B11和B12)重要性较高。此外,利用3个测试区的不同作物生育期遥感影像识别覆膜农田时,随着光谱特征因子数量的增加,F1值均呈现先快速上升后趋于平缓的趋势,且在可见光和短波红外波段的基础上继续添加其他光谱特征因子进行覆膜农田识别,F1值没有明显提升。因此,本研究确定B2、B3、B4、B11和B12为黄土高原覆膜农田遥感识别的优选光谱特征因子。

图5 黄土高原3个测试区光谱特征因子重要性与不同作物生育期的覆膜农田识别精度Fig.5 Importance of spectral feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.1.2指数特征因子优选

分析3个测试区不同指数特征因子的重要性评价结果(图6),可知指数特征因子NDBBI、NDWI、BSI、NDBI、MNDWI的重要性较高,而其余指数特征因子的重要性较低。在上述5种指数特征因子的基础上继续添加其他指数特征因子,在不同作物生育期识别3个测试区覆膜农田的F1值趋于平缓,且无明显提升。因此,本研究确定NDBBI、NDWI、BSI、NDBI和MNDWI为黄土高原覆膜农田遥感识别的优选指数特征因子。

图6 黄土高原3个测试区指数特征因子重要性与不同作物生育期的覆膜农田识别精度Fig.6 Importance of index feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.1.3纹理特征因子优选

由3个测试区排名前10位的纹理特征因子重要性评价结果(图7)可知,纹理特征因子中和平均的重要性最高,其次是相关性,而其余纹理特征因子的重要性普遍较低。在pc1_savg、pc2_savg和pc2_corr的基础上添加其他纹理特征因子,识别3个测试区不同作物生育期的覆膜农田的F1值呈现缓慢下降的趋势。因此,本研究确定pc1_savg、pc2_savg和pc2_corr为黄土高原覆膜农田遥感识别的优选纹理特征因子。

图7 黄土高原3个测试区纹理特征因子重要性与不同作物生育期的覆膜农田识别精度Fig.7 Importance of textural feature factors and recognition accuracy of plastic-mulched farmlands at different crop growth stages at three testing areas in Loess Plateau

2.2 不同作物生育期的优选特征集组合

利用上述3种单一特征集方案(方案S、方案I、方案T)和4种组合特征集方案(方案S+I、方案S+T、方案I+T、方案S+I+T)构建不同作物生育期的覆膜农田识别RF算法模型,通过验证样本和混淆矩阵计算覆膜农田识别的F1值(表4)。结果表明,基于播期影像识别3个测试区的覆膜农田,组合特征集方案的F1值均值在87.49%～89.80%之间,比单一特征集方案的F1值均值高0.91～12.45个百分点。相似地,基于生长旺盛期和收获期影像识别3个测试区的覆膜农田,组合特征集方案的F1值均值分别在74.51%～76.68%和65.16%～67.49%之间,比单一特征集方案的F1值均值分别高 3.43～13.78个百分点和1.45～14.74个百分点,这表明利用多特征集组合识别覆膜农田的效果优于单一特征集。此外,基于播期影像识别3个测试区覆膜农田的F1值均值为86.27%,比基于生长旺盛期和收获期影像识别覆膜农田的F1值均值分别高14.49、22.19个百分点,这表明随着覆膜作物的生长发育,覆膜农田的识别难度增大,识别精度大幅度降低。

表4 基于不同特征集组合方案在不同作物生育期进行3个测试区覆膜农田识别的F1值Tab.4 F1-scores of plastic-mulched farmland recognition based on different combinations of feature set at different crop growth stages at three testing areas %

在播期和收获期,基于方案S+I在3个测试区进行覆膜农田识别的精度普遍高于其他方案,F1值均值分别为89.80%和67.49%。但对于生长旺盛期,基于方案S+I+T的覆膜农田识别精度最高,在3个测试区识别覆膜农田的F1值均值为76.68%。因此,本研究最终确定方案S+I为播期和收获期的优选特征集组合方案,方案S+I+T为生长旺盛期的优选特征集组合方案。

2.3 覆膜农田识别的最优多时相组合

基于不同作物生育期的遥感影像及其对应的最优特征集组合方案,构建多时相组合覆膜农田识别方案,通过验证样本和混淆矩阵计算PA、UA和F1值,评价利用不同多时相组合方案识别覆膜农田的有效性,进而筛选出适用于黄土高原覆膜农田识别的最优方案。分析不同多时相组合下的覆膜农田识别精度(表5),可知除生长旺盛期+收获期多时相组合外,其余多时相组合方案的识别精度均大于单时相影像中识别精度最高的播期影像的识别精度。这说明相比于单时相影像,多时相影像组合能够更有效地识别覆膜农田。

表5 不同多时相组合下覆膜农田识别的精度Tab.5 Accuracy of plastic-mulched farmland recognition under different temporal combinations %

对于临夏县,基于播期+收获期多时相组合识别覆膜农田的精度最高,PA、UA和F1值分别为92.86%、93.69%和93.27%。对于彭阳县,基于播期+生长旺盛期多时相组合识别覆膜农田的精度最高,PA、UA和F1值分别为94.89%、96.53%和95.70%。对于山阴县,基于播期+生长旺盛期以及播期+生长旺盛期+收获期多时相组合识别覆膜农田的精度相等且为最高精度,PA、UA和F1值分别为97.96%、93.20%和95.52%。值得注意的是,对于临夏县和彭阳县,基于播期+生长旺盛期+收获期多时相组合识别覆膜农田的F1值仅比上述各自精度最高的多时相组合分别低0.35、0.63个百分点,而比其余多时相组合的F1值分别高0.81～11.11个百分点和4.47～9.90个百分点。这表明在研究区基于播期+生长旺盛期+收获期多时相组合在识别覆膜农田时不仅能获得较高的精度,而且表现更加稳定。

因此,综合考虑不同多时相组合方案在不同测试区识别覆膜农田的精度和稳定性,本研究最终确定播期+生长旺盛期+收获期多时相组合为黄土高原覆膜农田识别的优选多时相组合。

2.4 验证区的覆膜农田识别结果

基于上述不同作物生育期的优选特征集组合方案以及多时相组合方案,以旬邑县为验证区进行覆膜农田识别。经计算可得,基于该地区播期、生长旺盛期和收获期优选特征集组合方案识别覆膜农田的F1值分别为87.86%、85.31%和69.86%,基于播期+生长旺盛期+收获期多时相组合识别覆膜农田的PA、UA和F1值分别为93.20%、96.00%和94.58%,这表明验证区的识别精度与3个测试区基本一致。此外,旬邑县遥感识别覆膜农田的面积为13 013 hm2,与统计面积14 133 hm2[40]之间的误差约为7.92%,说明本研究优选的特征集组合方案和多时相组合方案对于黄土高原覆膜农田的识别具有较好的效果。

总体而言,对于上述4个研究区,在播期和收获期,基于方案S+I识别覆膜农田的F1值分别大于87%和57%,在生长旺盛期,基于方案S+I+T识别覆膜农田的F1值均大于71%。此外,基于播期+生长旺盛期+收获期多时相组合方案识别覆膜农田的F1值均大于92%。

2.5 各研究区的覆膜农田识别结果

基于上述优选的特征集组合方案和多时相组合方案,对4个研究区的覆膜农田进行识别,并绘制覆膜农田空间分布图(图8c、8d、8i、8j)。可知覆膜农田主要分布在各研究区内地形平坦的区域,较少分布于海拔较高的山区。具体而言,2020年临夏县覆膜农田主要分布在东北部地区(图8c),遥感估计覆膜面积约为10 240 hm2;彭阳县覆膜农田主要分布在中部和南部地区(图8d),遥感估计覆膜面积约为28 579 hm2;山阴县覆膜农田主要分布在东南部地区(图8i),遥感估计覆膜面积约为24 250 hm2;旬邑县覆膜农田主要分布在西南部地区(图8j),遥感估计覆膜面积约为13 013 hm2。由于缺乏其余3个测试区的覆膜农田统计面积,本研究仅在2.4节中对比验证区旬邑县的覆膜农田遥感估计面积和实测统计面积。

图8 黄土高原4个典型研究区的覆膜农田识别结果Fig.8 Recognition results of plastic-mulched farmlands at four representative study areas in Loess Plateau

此外,分别对4个研究区局部区域的Sentinel-2真彩色(R:B4、G:B3、B:B2)合成影像进行目视解译,将覆膜农田空间分布状况和遥感识别结果进行比较,可知对于地形平坦、地块形状规则的区域(图8g、8k)以及地形复杂、地块形状不规则的区域(图8a、8e),本研究的识别结果均能较好地刻画覆膜农田的空间分布信息(图8b、8f、8h、8l),且识别结果的地块轮廓边缘清晰。

3 讨论

3.1 不同特征集组合方案对识别结果的影响分析

分类器和分类特征变量的选择是影响作物识别和土地利用分类精度的关键因素[41],对于黄土高原覆膜农田的遥感识别,郑文慧等[16]发现随机森林算法比支持向量机、决策树和最小距离分类算法的效果更好,然而对于覆膜农田遥感识别特征变量的选择,已有研究大多针对单一研究区的播期影像进行优选[16-17,42],导致优选的特征变量缺乏时空代表性。已有研究[41]表明,针对某一特定地物,优选特征会随着区域、同一区域的不同时间以及地物空间分布的不同而有所差异。因此,本研究为获得更具代表性的黄土高原覆膜农田遥感识别特征变量,选取了临夏县、彭阳县和山阴县作为测试区,确定不同作物生育期的优选特征集组合方案,然后利用优选的特征变量和多时相数据对验证区旬邑县的覆膜农田进行识别,所得F1值为94.58%,说明本研究针对不同作物生育期构建的特征集组合方案结合多时相数据能够较为准确地识别黄土高原的覆膜农田。此外,在本研究中基于播期影像的光谱+指数+纹理方案同样能获得较高的识别精度,这与郑文慧等[16]的研究结果一致,但本研究在其研究的基础上针对不同的作物生育期均构建了优选特征集组合方案,可进一步为利用不同时期的遥感影像识别覆膜农田提供参考。

3.2 不同多时相组合方案对识别结果的影响分析

覆膜农田的光谱反射率随着覆膜作物冠层的生长而发生变化[43],因此以往的研究大多基于地膜光谱反射率最强的播期影像开展覆膜农田识别。相似地,本研究利用播期影像进行覆膜农田识别的F1值比利用生长旺盛期和收获期影像进行识别的F1值分别高14.49、22.19个百分点,而对于缺少播期影像的生长旺盛期+收获期多时相组合,其F1值远低于其它含有播期影像的方案,这与前人的研究结果[14,16,18]基本一致。本研究再次证明了播期影像在识别覆膜农田中的重要性。

利用单时相遥感影像进行地物识别时容易导致“同物异谱”和“同谱异物”的问题,而多时相遥感影像往往包含地物光谱反射率变化的相关信息,该信息可以作为地物识别的重要信息补充[44-46]。在本研究中,通过分析发现覆膜农田的NDVI反射率在作物的播期、生长旺盛期和收获期呈现出 “低值-峰值-低值”的变化趋势,且变化幅度比其它地物类型更大。因此,本研究选取播期、生长旺盛期和收获期的3景影像构建4种多时相组合方案识别覆膜农田。虽然在不同测试区,优选的播期+生长旺盛期+收获期多时相组合方案未能获得最高精度,但其精度仅次于识别精度最高的方案,而远大于其他多时相组合方案。因此,该方案对于覆膜农田的识别具有较高的稳定性,能够满足实际识别的需要。

3.3 基于Sentinel-2遥感影像进行黄土高原覆膜农田识别的可行性

Sentinel-2遥感影像可为黄土高原覆膜农田的识别提供可靠数据源。相比于LU等[15]使用的MODIS遥感影像以及郑文慧等[16]、HASITUYA等[18,42]使用的Landsat遥感影像,本研究使用的Sentinel-2遥感影像可以识别的最小地块面积为100 m2(10 m×10 m=100 m2),且在不同研究区识别的F1值均大于90%。由于黄土高原地区地形复杂、地块面积较小、覆膜农田分布较为破碎凌乱,因此相比于其他卫星遥感影像,基于Sentinel-2卫星遥感影像进行遥感识别所获得的覆膜农田空间分布与实际分布状况更为相符。此外,Sentinel-2卫星遥感影像5 d的时间分辨率提供了高频率的对地观测数据,相比于时间分辨率为16 d的Landsat系列卫星遥感影像,Sentinel-2能够在作物播期获得更多的观测数据。因此,Sentinel-2遥感影像极大地增强了本研究提出的基于经过特征优选的播期+生长旺盛期+收获期多时相影像组合方法识别覆膜农田的可行性。

本研究探讨了基于多时相Sentinel-2遥感影像识别黄土高原覆膜农田的有效性,并获得了不同作物生育期覆膜农田识别的最优特征集组合方案和最优多时相组合方案。但黄土高原不同地区的地形、气候和环境差异较大,本研究所建立的覆膜农田识别方法在黄土高原全域范围内的普适性还有待进一步研究。此外,本研究仅利用Sentinel-2光学遥感影像开展覆膜农田遥感识别,然而光学影像容易受云雨天气的影响,在黄土高原的其他地区可能会缺失部分识别时期的遥感影像,因此后续的研究中可以进一步考虑结合Sentinel-1雷达影像进行覆膜农田识别研究。

4 结论

(1)在黄土高原覆膜农田识别的过程中,相比于其他特征因子,Sentinel-2遥感影像光谱特征集中的可见光波段(B2、B3和B4)和短波红外波段(B11和B12),指数特征集中的归一化差值裸地与建筑用地指数(NDBBI)、归一化水体指数(NDWI)、裸土指数(BSI)、归一化建筑物指数(NDBI)和改进的归一化水体指数(MNDWI),纹理特征集中的和平均(savg)和相关性(corr)可以作为覆膜农田识别的优选输入特征变量。

(2)在播期和收获期,光谱+指数方案为优选特征集组合方案,该方案在这两个时期识别4个研究区覆膜农田的F1值分别大于87%和57%。对于生长旺盛期,光谱+指数+纹理方案为优选特征集组合方案,其在4个研究区识别覆膜农田的F1值均大于71%。

(3)基于多时相遥感影像的覆膜农田识别精度高于仅基于单时相遥感影像的识别精度,其中播期+生长旺盛期+收获期多时相组合方案可作为黄土高原覆膜农田遥感识别的优选方案。该方案在4个研究区识别覆膜农田的F1值均大于92%,且不同研究区覆膜农田制图结果与实际情况基本吻合,能够满足实际制图的需要。

(4)相较于其他卫星遥感数据,基于Sentinel-2多时相遥感影像能够较为精准地识别黄土高原地形复杂区地块形状不规则的覆膜农田,但对于可能缺少播期遥感影像的区域,则需要进一步探索其他更有效的识别方法。