基于影像融合的冬小麥種植面積提取適宜尺度研究

金正婷， 李衛國， 景元書

(1.南京信息工程大學應用氣象學院，江蘇 南京 210044;2.江蘇省農業科學院農業經濟與信息研究所，江蘇 南京210014)

近年來，衛星遙感技術的迅猛發展，極大提升了傳統農業生產管理的信息化程度，特別是以TERRA/MODIS［1］、Landsat5/TM［2］、Landsat7/ETM+［3］、Landsat8/ OLI［4］、CBERS/CCD［5］、HJ-1A/CCD［6］和SPOT/CCD［7］等為主的衛星遙感研究，很大程度實現了對冬小麥種植面積、長勢、產量、品質以及病蟲害等遙感監測。前人研究多數是利用單景或單時相遙感影像進行，雖然它們具有能夠快速獲取、適合大范圍獲取的優點，但是在高精度和動態監測農作物方面稍顯不足。為增強遙感監測的精準性和動態性，有人利用多源遙感影像開展作物遙感監測，如鄔明權等［8］利用TERRA/MODIS時序數據與HJ-1/CCD提取大范圍水稻種植面積，精度達到93.3%;顧曉鶴等［9］運用TERRA/MODIS時序影像與Landsat5/TM影像通過小波融合估算玉米種植面積;李衛國等［10］通過融合Landsat5/TM影像和ERS/SAR影像，采用面向對象分類法提取冬小麥種植面積，精度達到94.16%。多源遙感數據是同一區域內大量不同時間、不同尺度、不同光譜的遙感影像數據，與單源數據相比具有較好的互補性和合作性。

多源遙感影像來自于不同的傳感器，它們的成像機理和工作環境各有不同，可以減少或抑制單一遙感影像對被感知對象或環境解釋中可能存在的多義性、不完全性、不確定性和誤差，最大限度地利用各種遙感影像提供的信息，從而大大提高在特征提取、分類等方面的有效性。將不同平臺遙感數據融合起來應用是遙感向縱深領域發展的必然趨勢。

本研究在將GF-1全色影像進行8 m和16 m重采樣的基礎上，分別將2 m、8 m和16 m GF-1全色波段影像與HJ-1衛星30 m的多光譜影像融合，生成不同尺度的融合影像，通過融合質量評價及光譜特征比較，研究不同遙感影像尺度對區域(江蘇省)冬小麥的田塊特征的適宜性，探索冬小麥種植面積遙感提取的適宜尺度，旨在為區域農作物種植面積的準確提取提供方法參考。

1 遙感數據與預處理

1.1 研究區域概況

研究區域(經緯度分別為120.417～120.790° E，32.757 1～33.156 2°N)為東臺市東北部及大豐市東南部交界處，位于江蘇省中部沿海，屬北亞熱帶季風氣候，四季分明，雨量充沛，全年無霜期220 d左右，作物一年兩熟，是典型的稻麥連作區。該區域雖地勢平坦，但河網密布，田塊破碎，對冬小麥面積的遙感提取造成一定的困難，這種地理狀況在江蘇省中部具有普遍性。

1.2 遙感數據

高分一號(GF-1)衛星和環境一號(HJ-1)衛星都是中國研制發射的衛星。高分一號是中國高分辨率對地觀測系統的第1顆衛星，于2013年4月26日發射，同年12月30日正式投入使用，它搭載了2臺2 m空間分辨率全色/8 m空間分辨率多光譜相機(PMS傳感器)以及4臺16 m空間分辨率多光譜相機(WFV傳感器)，2臺PMS相機組合幅寬為60 km，重訪周期僅為4 d，具有高空間分辨率、高時間分辨率、多光譜與寬覆蓋等優點。環境一號衛星全稱為中國環境與災害監測預報小衛星星座，發射于2008年9月6日，搭載2顆光學衛星(HJ-1A衛星和HJ-1B衛星)，其中，HJ-1A衛星上搭載有CCD多光譜相機(空間分辨率30 m)和高光譜成像光譜儀(HSI，空間分辨率100 m)，HJ-1B衛星上搭載有CCD(空間分辨率30 m)相機和紅外多光譜儀(IRS，近紅外和遠紅外空間分辨率分別為150 m和300 m)。兩星組網后重訪周期為2 d，幅寬達700 km(單景幅寬360 km)，覆蓋區域大。

本研究選用2014年3月16日GF-1空間分辨率為2 m的全色波段影像和8 m多光譜影像，HJ-1選用同年同月21日空間分辨率為30 m的多光譜影像。由于數據獲取期間天氣晴好，成像質量佳且成像時間相近，區域性地物的變化不明顯，可減少小麥面積提取的誤差。

1.3 影像預處理

1.3.1 幾何校正 在ERDAS軟件中，采用窗口采點模式分別對三景影像進行幾何粗校正，即在2個Viewer窗口中分別打開需要校正的影像和作為地理參考的校正過的環境星影像，運用多項式幾何校正模型，依據采集地面控制點校正。校正誤差控制在0.5個像元內。

1.3.2 裁剪 基于GF-1全色影像制作研究區域的AOI文件，分別裁剪HJ-1多光譜影像和GF-1多光譜影像，得到相同研究區域的遙感影像，為下一步影像融合做準備。

1.3.3 影像融合 在ERDAS平臺下利用正射校正以及雙線性插值(Bilinear interpolation)對GF-1全色波段影像重采樣，形成空間分辨率為8 m和16 m的全色影像。通過主成分變換法，將3景全色波段影像分別與HJ-1多光譜影像進行融合，得到2 m×2 m、8 m×8 m、16 m×16 m的多光譜融合影像，利用融合影像質量評價法比較研究區域不同尺度對江蘇省小麥田塊尺度特征的適宜性。另外，用相同融合方法將GF-1空間分辨率為2 m的全色波段影像與8 m多光譜影像進行融合得到2 m×2 m的多光譜影像，用于研究區域冬小麥種植面積提取精度的驗證參考。

2 結果與分析

2.1 不同尺度融合影像質量評價

遙感融合影像質量評價有2種方法。一種是主觀評價法，它是通過判讀人員運用目視方法對影像的質量進行評價，簡單直觀，可以方便、快捷地評價影像信息;另一種是客觀評價法，通常采用統計學方法，建立一定的評價指標和準則，對融合影像和方法做出科學合理的評價，它能夠克服主觀評價的片面性及人為因素的影響，常用的客觀評價指標有平均值、標準差、平均梯度、交叉熵及相關系數等［11］。

為減少客觀評價指標的運算量以及更直觀的目視解譯，在2 m×2 m、8 m×8 m、16 m×16 m的多光譜融合影像中選取相同的影像區域進行比較，如圖1所示，圖1a是GF-1空間分辨率2 m的全色影像，圖1b是2 m×2 m多光譜融合影像，圖1c是8 m×8 m多光譜融合影像，圖1d是16 m×16 m多光譜融合影像，圖1e是HJ-1空間分辨率30 m多光譜影像。整體來看，圖1b、圖1c和圖1d三景融合影像的信息量豐富程度、紋理特征、地物清晰度都明顯好于圖1e。三景融合影像中，圖1c較圖1 b邊界稍顯模糊，但房屋、橋梁等小型地物仍清晰可辨;圖1d較圖1c清晰度明顯遜色，紋理信息減少，橋梁、房屋只能隱約可見，但田塊的邊界以及田埂尚能識別。目視結果表明，三景融合影像都能識別區域小麥種植田塊。

均值和平均梯度從不同角度反映影像的空間質量。一般情況下，均值適中，則融合影像質量較好;平均梯度值越大，影像越清晰，細節信息表現越好。3種尺度(2 m×2 m、8 m×8 m、16 m×16 m)融合影像的客觀評價指標見表1，從表1可看出，3種尺度影像融合的均值分別為81.20、79.26和79.44，三者之間相差不大，說明這三幅融合影像的平均亮度相近。3種融合尺度的平均梯度值排序為16 m× 16 m(6.74)＞8 m×8 m(4.55)＞2 m×2 m (1.97)，說明16 m×16 m融合影像清晰度最好，細節表現力最強。標準差作為衡量信息豐富程度的重要指標，其值越大，反差就越大，視覺信息就越明顯。由表1可知，3種尺度融合影像的平均標準差值排序為16 m×16 m(19.93)＞8 m×8 m(17.79)＞2 m×2 m(15.95)，說明16 m×16 m融合影像的信息量更多。綜合主觀評價和客觀評價，16 m×16 m融合影像較適合江蘇省冬小麥種植的田塊分布特征。

圖1 融合前后影像特征比較Fig.1 Comparison of the features before or after image fusion

表1 不同尺度融合影像客觀評價指標Table 1 Evaluation indices of different scale fusion images

2.2 不同尺度融合遙感影像光譜特征比較

利用ENVI遙感軟件在三景融合影像中通過建立ROI感興趣點隨機提取88個小麥種植樣點，形成小麥樣點的光譜信息數據，然后計算NDVI(歸一化差異植被指數)、RVI(比值植被指數)、TVI(轉換型植被指數)和RDVI(重歸一化植被指數)4種植被指數［12-15］。

以88個小麥種植樣點數作為橫坐標，4種植被指數分別作為縱坐標，依次生成散點圖(圖2)。圖2a、圖2b、圖2c和圖2d分別是88個樣點所對應的NDVI、RVI、TVI和RDVI值，每幅圖包含2 m×2 m、8 m×8 m、16 m×16 m 3種尺度融合影像的樣點光譜信息，為了更直觀地展現3種不同尺度融合影像的植被指數的差異，在4幅圖中添加線性趨勢線，輔以說明融合影像的植被指數的變化特征。從圖2a可以看出冬小麥的NDVI處于0.19～0.54，樣點間NDVI存在明顯差異，不同田塊小麥的長勢不盡相同，說明選取的樣點具有代表性。大部分樣點的NDVI集中在 0.30～0.43，結合線性趨勢線看，16 m×16 m融合影像的NDVI值明顯高于2 m× 2 m、8 m×8 m融合影像，說明16 m×16 m融合影像光譜信息量更豐富。圖2b中RVI介于 1.49～3.45，密集分布于2.3左右，趨勢線也表明16 m× 16 m融合影像所含光譜信息量多于2 m×2 m和 8 m×8 m融合影像，融合影像光譜信息增加，有利于小麥的識別。圖2c中TVI最小值為0.84，最大值為1.02，集中分布在0.94左右，圖2d中RDVI分布于0.54～1.37，平均分布在0.95左右，從擬合的趨勢線可看出16 m×16 m融合影像所含的光譜信息量較大。圖2a、圖2b、圖2c和圖2d中擬合的趨勢線的走勢相同，峰(谷)值都出現在相同的樣點位置，說明三景融合影像在融合后沒有出現極端變異情形。

通過對不同植被指數的比較分析，可得出16 m×16 m融合影像光譜信息量比 2 m×2 m、8 m×8 m融合影像更豐富，更有利于田塊尺度的冬小麥識別。

2.3 不同尺度融合遙感影像小麥種植面積提取精度

融合影像質量的改善和光譜信息的增強，有利于提高冬小麥種植面積提取精度。基于非監督分類法，結合江蘇冬小麥田間生長特征，將三景融合影像的地物簡單分成水體、道路房屋、樹木、蔬菜、小麥這5類，并通過分類重編碼整合提取各類地物的面積。建立2個近似5 000 m×5 000 m樣方，樣方中包含房屋、道路、水體、小麥、非小麥的其他植被等地物，通過制作AOI分別對三景融合影像樣方中冬小麥種植田塊進行統計，得到樣方冬小麥的種植面積。

將GF-1空間分辨率為2 m全色影像和8 m多光譜影像融合，再進行非監督分類，與上述三景融合影像方法類似，對相同樣方小麥種植面積進行提取，統計樣方小麥種植面積作為計算面積精度的參考面積。

通過公式A=(1－|SR－SGF|/SGF)［6］計算融合影像的小麥種植面積精度，其中SR代表融合影像樣方小麥種植面積，SGF作為參考影像的樣方小麥種植面積，計算結果見表2。從表2可以看出，2 m×2 m、8 m×8 m和16 m×16 m融合影像的小麥種植面積精度存在差異，其中，8 m×8 m和16 m×16 m融合影像小麥種植面積提取精度較為接近，且均高于2 m×2 m融合影像，8 m×8 m融合影像精度為96.41%，16 m×16 m融合影像精度96.73%，整體來看，16 m×16 m融合影像小麥種植面積提取精度最高。說明，16 m×16 m融合影像適合江蘇省冬小麥種植的田塊分布特征，有利于冬小麥種植面積的遙感準確提取。

圖2 不同尺度融合影像植被指數散點分布特征Fig.2 Distribution characteristics of vegetation indices scattered points in different scale fusion images

表2 不同尺度融合影像面積精度Table 2 Accuracy of different scale fusion images

3 討論

近年來，關于遙感影像融合方法的研究有很多，但不同空間尺度影像融合卻不多，尤其是基于中國自主研發的GF-1衛星和HJ衛星影像的融合在作物監測中少有報道。本研究通過對GF-1空間分辨率2 m全色影像重采樣，生成8 m×8 m和16 m× 16 m全色影像，將此三景全色影像分別與HJ-1空間分辨率30 m多光譜影像進行主成分變換融合，生成2 m×2 m、8 m×8 m、16 m×16 m 3種不同尺度的多光譜影像，并進行融合質量評價以及光譜特征值和基于非監督分類的面積精度比較。結果表明，3種尺度融合影像均值差異不大，分別為81.20、79.26和79.44。平均梯度值和標準差差異明顯，其中16 m×16 m融合影像最為顯著，其值分別為6.74和19.93，融合影像質量較原始多光譜影像質量發生明顯改善，突出了豐富的植被光譜信息，有利于冬小麥種植面積的提取。從3種融合影像冬小麥種植面積提取精度可以看出，16 m×16 m融合影像冬小麥種植面積的提取精度最理想，精度為96.73%。綜上所述，16 m×16 m空間分辨率的遙感影像比較適合江蘇省田塊分布特征，有利于冬小麥種植面積遙感準確提取。

本研究選用GF-1空間分辨率2 m全色影像與8 m多光譜影像進行融合，作為研究區域冬小麥種植面積提取精度的驗證參考，即運用高分辨率影像作為識別標志，代替傳統人工田間調查方法，在滿足精度要求的情況下，節省了大量人力物力。本研究利用非監督分類方法提取冬小麥種植面積信息，其他分類方法(如監督分類等)是否適合本研究，將在下一步研究中進行探索。雖然GF-1影像覆蓋度較同等高分辨率衛星影像幅寬較大，但用于大范圍農作物面積、長勢以及產量等監測預報研究時，較難實現縣級區域全覆蓋，有必要考慮利用多源高空間分辨率影像數據。基于本研究的研究結果，空間分辨率16 m×16 m的衛星遙感影像比較適合江蘇省冬小麥種植田塊的分布特征，在今后的研究中可以考慮使用相同空間分辨率的遙感影像數據，比如使用空間分辨率為15 m×15 m的Landsat8/OLI影像或空間分辨率為19 m×19 m的Spot4/CCD影像等，可以在滿足區域作物遙感監測要求的情況下，大大降低影像購買成本，使衛星遙感監測技術更好地服務于縣級農業管理的信息需求。

［1］ 許文波，張國平，范錦龍，等.利用MODIS遙感數據監測冬小麥種植面積［J］.農業工程學報，2007，23(12):144-149.

［2］ 李衛國，李正金，王紀華，等.基于ISODATA的冬小麥籽粒蛋白質含量遙感分級監測［J］.江蘇農業學報，2009，25(6): 1247-1253.

［3］ 張建國，李憲文，吳延磊，等.面向對象的冬小麥種植面積遙感估算研究［J］.農業工程學報，2008，24(5):156-160.

［4］ 田海峰，王 力，牛 錚，等.基于新遙感數據源的冬小麥種植面積提取［J］.中國農學通報，2015，31(5):220-227.

［5］ 李衛國，李正金.基于CBERS衛星遙感的冬小麥產量估測研究［J］.麥類作物學報，2010，30(5):915-919.

［6］ 葛廣秀，李衛國，景元書.基于NDVI密度分割的冬小麥種植面積提取［J］.麥類作物學報，2014，34(7):997-1002.

［7］ 王備戰，馮 曉，溫 暖，等.基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測［J］.中國農業科學，2012，45(15): 3049-3057.

［8］ 鄔明權，王長耀，牛 錚.利用多源時序遙感數據提取大范圍水稻種植面積［J］.農業工程學報，2010，26(7):240-244.

［9］ 顧曉鶴，韓立建，王紀華，等.中低分辨率小波融合的玉米種植面積遙感估算［J］.農業工程學報，2012，28(3):203-209.

［10］李衛國，蔣 楠.基于面向對象分類的冬小麥種植面積提取［J］.麥類作物學報，2012，32(4):701-705.

［11］趙麗花.基于遙感數據的小麥長勢空間變異監測研究［D］.徐州:中國礦業大學，2011.

［12］DEERING D W，ROUSE J W，HAAS R H，et al.Measuring forage production of grazingunits from Landsat MSS data［J］.Proceedings of the 10thInternational Symposium on Remote Sensing of Environment，1975，2:1169-1178.

［13］BIRTH G S，MCVEY G.Measuring the color of growing turf with a reflectance spectr-oradiometer［J］.Agronomy Journal，1968，60: 640-643.

［14］ROUSE J W，HAAS R H，SCHELL J A，et al.Monitoring the vernal advancement of ret-rogradation of natural vegetation［M］.USA: National Aeronautics and Space Administration，Goddard Space Flight Center(NASA/GSFC)，1974.

［15］ROUJEAN J L，BREON F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］.Remote Sensing of Environment，1995，51:375-384.