地理國情普查數據在糧食補貼中的應用

張艷娜

（1.山東省遙感技術應用中心，山東 濟南 250013）

地理國情普查數據在糧食補貼中的應用

張艷娜1

（1.山東省遙感技術應用中心，山東 濟南 250013）

結合實際生產項目，探討了地理國情普查數據在糧食補貼中的應用。通過快速遙感監測花官鎮當季冬小麥種植面積，并與實測面積進行了對比分析，證明了地表覆蓋數據和正射影像的應用大大縮減了影像分析范圍，提高了工作效率和結果精度，可以為政府決策提供更可靠的科學依據。

地理國情普查；地表覆蓋數據；糧食直補；冬小麥；快速遙感監測

地理國情監測是綜合利用現代測繪技術，對地表形態、地表覆蓋要素、地理國情要素進行動態、定量化和空間化的監測，形成反映各類資源、環境、生態、經濟要素的空間分布及其發展變化規律的監測數據、地圖圖形和研究報告等，反映了地表自然和人文地理要素的空間分布、特征及其相互關系[1-2]。地理國情普查結果數據采集依據“自然、現狀優先”的原則，客觀、準確地反映各種地表的基本信息，地表變化及其相互關系，以地理國情信息為數據基線，整合、集成各類數據信息，可提升管理決策的科學化水平[3]。

山東省是全國小麥主要產區，為確保實現糧食直補政策初衷，山東省堅持以小麥為糧食直補補貼品種，以每年實際小麥種植面積為補貼依據。目前，山東省小麥種植面積的申報核實程序主要是農戶誠信申報、村鎮兩級公示、逐級核實上報。糧食直補工作操作成本高、工作量大、開支大是各地干部普遍反映的問題[4-5]。對于冬小麥種植面積遙感測量方面的研究，從最初的目視解譯到結合地面樣點監督分類[6]、分層抽樣提取[7]等統計分類方法，到多時相分類方法和多源數據結合的方法[8-9]，再到綠度識別方法、神經元網絡方法、模糊數學方法[10]、混合像元分解[11]、支持向量機[12]等多種分類方法均取得了一定的成果。但已有研究在應用的深度與廣度上仍存在差距，使用的影像數據源分辨率較低，監測尺度大，成果現勢性不高，難以滿足政府部門精細化管理的要求。山東省財政廳創新工作思路，首次在全國采用衛星遙感同步監測小麥種植面積，通過對當季遙感影像的分析快速得到監測區小麥種植面積，再將監測結果與各地統計匯總結果進行對比，以快速準確地獲取當年小麥種植面積，旨在遏制糧食直補面積非正常增長勢頭，維護種糧農民利益，避免財政資金被侵占和補貼標準攤薄。鑒于此，本文基于地理國情普查數據與當季遙感影像，探討了地理國情普查數據在快速提取冬小麥種植面積中的應用，以促進地理國情普查數據在糧食補貼中的應用。

1 研究區概況及數據源

本文選取廣饒縣花官鎮為研究區，花官鎮位于廣饒縣城以北，地處泰沂山北麓山前沖積平原和黃河沖淤積平原的交迭地帶，地勢由西南傾向東北，地處暖溫帶，屬季風型氣候；總面積為116．8 km2。花官鎮糧食作物主要有小麥、玉米、大豆、谷子等；經濟作物有大蒜、蒜薹、棉花、花生等；蔬菜有大白菜、蘿卜、茄子、辣椒、黃瓜、韭菜、大蔥、芹菜、西紅柿等。

2015年度花官鎮冬季糧食作物以小麥為主，經濟作物以大蒜、蒜薹為主，菜地零星種植，其中北部、西南部種植小麥較多，大蒜間隙種植，東部以大蒜為主，小麥間隙種植。

通過分析各種作物物候期可以看到：10月農作物種類很少，冬小麥剛剛播種，耕地基本呈現為紋理較細膩的裸土，有少量青菜種植；11月～次年1月小麥出苗，青菜收割，沒有其他作物生長，冬小麥具有一定的可分性，但是種植較晚或出苗較晚的小麥與裸地沒有可分性；2月下旬～3月上旬，冬小麥快速返青，覆蓋度迅速增加，而此時基本無其他農作物生長，與其他農作物的可分性很好，但草地會對其產生干擾；6 月下旬，冬小麥基本收割，而其他作物長勢較好，因此冬小麥與其他植被的可分性好，但這時由于小麥收割，影像呈裸土特征，與裸露地表類型的地物的可分性較差。另外，山東省土豆8月播種，10月底～11月初收獲；春季4月底～5月上旬播種，地膜春花生9月上旬收獲，麥套、夏直播花生9月下旬、10月上旬收獲。因此，考慮到監測結果需要實地核實驗證，當季冬小麥遙感監測的最佳影像時相為3月下旬～ 5月上旬。

通過實地踏勘，本文采用的實驗數據為RapidEye衛星的多光譜影像，花官鎮數據采集于2015-04-15。影像有5個光譜段，分別為藍（440～510 nm）、綠（520～590 nm）、紅（630～685 nm）、紅邊（690～730 nm）和近紅外（760～850 nm）波段。RapidEye擁有5顆衛星，地面采樣間隔為 6．5 m，正射影像空間分辨率為5 m，幅寬為77 km，重訪周期為每天。影像數據為3A級正射產品，即經過輻射校正和傳感器校正產品。

2 研究方法

本文研究方法為：①搜集整理監測區相關資料，實地踏勘，確定影像獲取時間；②遙感影像預處理；③人機交互解譯并確定外業核查疑問圖斑；④野外實地核查驗證；⑤結果修正，編輯整理，匯總統計（圖1）。

圖1 技術流程圖

2.1 資料搜集和實地踏勘

搜集監測區相關資料，了解作業區域的自然地理、人文、經濟、作物結構及有關的統計數據和其他文獻資料。實地踏勘花官鎮冬小麥長勢，返青苗情況，小麥普遍長勢較好（麥苗20 cm以上）則可進行影像拍攝，確定影像拍攝時間。實地踏勘過程中遇到特殊樣例標本需要采集解譯標志，整理花官鎮地理國情普查影像數據、地表覆蓋層數據，提取耕地、林地、園地、草地層，并進行坐標轉換、格式轉換等。

2.2 影像預處理

為盡量減少影像信息損失，3A級數據直接生產5 波段16 bit產品，再進行幾何糾正和裁切。

1）幾何糾正。基于廣饒縣的0．3 m正射影像數據和1∶5萬DEM對廣饒縣多光譜數據進行幾何糾正。選取了15個控制點，主要分布在道路交叉點、圍墻角或水系轉折點，且在待糾正影像上均勻分布。本文采取三階多項式校正，利用鄰近域方法重采樣，選取15 個檢查點對糾正后影像進行精度評價，得出數據的內部幾何誤差小于1個像元，滿足實驗要求。

2）影像裁切。利用花官鎮的行政區劃對影像進行裁切。花官鎮鎮界采用地理國情普查數據——行政單元鄉鎮層。裁切后花官鎮影像如圖2所示。

圖2 花官鎮2015-04-15影像圖

2.3 影像解譯

2.3.1 自動提取

本文采用eCognition進行影像自動解譯。花官鎮的冬小麥多是大面積種植，在部分地區與經濟作物大蒜、菜地、棉花等間隙種植，有部分空地、撂荒長草或收割后玉米地。首先以地理國情普查地表覆蓋層數據作為主要專題矢量數據參與影像分割，通過地塊的邊界將遙感影像分割成許多個基本地塊單元；再按照地表覆蓋數據屬性值將其合并為5大類：耕地、林地、園地、草地和其他；然后在大類中依次分割影像，分析各地物影像特征，利用地物光譜信息及函數組合依次分小類；最終提取出冬小麥地塊（圖3）。

花官鎮大面積冬小麥地塊多存在于耕地層中，林地、園地、草地和其他類中小麥多以零星小面積地塊或窄條狀地塊出現。經過多次試驗，對比了多種閾值得到的同質對象與地塊輪廓邊界后，本文耕地層分割尺度采用60，形狀因子為0．2，緊致度因子為0．3，藍、綠、紅、紅邊、近紅外波段權重依次為：1、0、2、4、4。利用小麥綠色植被特點NDVI＞0提取小麥地塊，提取出來的地塊可能包含其他綠色植被，如菜地、大蒜、大棚、撂荒草地、空地等；再采用垂直植被指數（DVI）＞2 100、藍波段值＞6 100、近紅外波段值＞4 800和土壤指數值（SIOL）＞0．08、紅波段值＜4 300、NDVI＜0．15等把非小麥地塊去除；并用DVI＞500和紅波段值＜3 000提取疑似小麥地塊。耕地中大面積植被主要是小麥和大蒜，由于大蒜是覆地膜種植，因此采用地塊之間的DVI指數鄰近關系值加藍波段值區分大蒜和小麥。林地層分割尺度采用40，形狀因子為0．4，緊致度因子為0．6，藍、綠、紅、紅邊、近紅外波段權重依次為：1、0、2、1、4。利用近紅外值Layer5＞4 350和藍波段值＜6 200提取小麥；并用紅邊波段值＞4 250和亮度值＞5 000提取疑似小麥地塊。最后處理園地層、草地層和其他層，在此基礎上，可以得到較好的同質對象（圖4）。

圖3 影像自動提取流程圖

圖4 花官鎮影像解譯圖

2.3.2 內業編輯

本文內業編輯主要是精化圖斑，進行分塊閾值增刪。小麥圖斑中會存在小麥地塊中間的細條，可能是空地、菜地或其他經濟作物，需要刪除。遺漏的小麥圖斑多為寬度在1～3個像素的長勢較差的細條小麥，菜地、大蒜、大棚或其他作物中間細條小麥和居民點周圍的自留地種植總面積較小的小麥地塊，需要手工添加此類圖斑。同時需要利用2014年度土地變更調查數據中線狀地物刪除麥田中寬度大于2 m的溝渠和農村道路。遵循“5 m定性，高分定邊”的原則，使用地理國情普查正射影像修正小麥地塊準確的邊界，減少由5 m分辨率混合像元帶來的較大誤差，編輯剩余小量的“同物異譜”、“異物同譜”地塊，幫助零星地塊的解譯，如大蒜地塊之間的寬度為2～7 m的細條小麥或小麥地塊之間細條大蒜等。同時以道路順暢為原則，選擇需要實地核查的圖斑。內業產生的疑問圖斑不能全部一一核實，需要按照類別核實疑問圖斑，并依據野外實地核查情況進行修正。

3 結果分析及精度評價

本文利用地理國情普查數據，通過影像解譯、外業核查及編輯，得到花官鎮2015年度遙感監測冬小麥種植面積為48．8 km2。在2015年1月前對花官鎮冬小麥種植面積進行了實地測量，結果見表1，遙感監測精度為95．78%，精度較高，可滿足政府決策需要。

表1 實地測量與影像解譯結果

表2為地表覆蓋面積與實地測量面積、遙感監測面積的比較，從表中可以看出：①花官鎮耕地面積占鄉鎮面積的70%，說明該鎮是農業主體鄉鎮。②耕地中小麥種植面積占花官鎮耕地面積的61．08%，說明該鎮是非小麥主產區，耕地中種植了其他作物，受中國家庭聯產承包制影響，作物混種較嚴重，增加了遙感監測難度。③旱地中小麥種植比重最高達98．23%，說明旱地是影像解譯的重要分析目標。其他地表覆蓋區小麥種植面積較少，可根據鄉鎮具體情況選擇影像解譯手段。④草地中小麥種植比重次之。花官鎮草地面積占鄉鎮面積的9．27%，受黃河三角洲地理位置影響，存在一定面積的鹽堿地，鹽堿地中草地與小麥種植互換度較高，因此鹽堿地區草地是影像解譯第二主要分析目標。另草地中遙感監測精度誤差較大，說明高密度草地與小麥影像解譯分類難度較大。⑤林地中小麥遙感監測誤差為9．14%，比園地、草地中小麥誤差低，說明林地較園地和草地易與小麥區分。⑥由于地理國情普查地表覆蓋數據采集時限制圖斑最小上圖面積，小面積圖斑采用就近歸并原則，糧食直補則采取“種糧則補，不種不補”原則，不存在最小上圖面積，除耕地外地表覆蓋層中小麥種植對總體小麥面積誤差有一定的影響，故在利用地理國情普查數據時需要對所有地表覆蓋數據層進行分析。

表2 地表覆蓋面積、實測小麥面積與遙感監測冬小麥面積統計

4 結 語

本文主要得到以下結論：①地表覆蓋層數據作為自動解譯信息提取時控制邊界的數據，縮小了冬小麥提取作業范圍，提高了小麥種植面積遙感監測的準確性，減少了外業工作量，提高了作業效率；②地理國情普查正射影像分辨率為0．5 m，小麥面積遙感監測數據源為5 m分辨率，使用地理國情普查正射影像既有助于找到小麥地塊的準確邊界，減少由于5 m分辨率混合像元帶來的誤差，又可減少“同物異譜”、“異物同譜”現象帶來的誤差，幫助零星地塊的解譯。隨著地理國情普查工作的深入和地理國情監測的開展，地理國情普查成果將會在糧食直補工作中發揮越來越大的作用。

[1] 國發[2013]9號．國務院關于開展第一次全國地理國情普查的通知[S]．北京∶ 國務院辦公廳,2013

[2] GDPJ 01-2013．地理國情普查內容與指標[S]．北京∶國務院第一次全國地理國情普查領導小組辦公室,2013

[3] 李德仁,邵振峰,丁霖．地國情理信息的多極網絡化表達[J]．地理空間信息,2014,12(1)∶1-5

[4] 韓喜平,蔄荔．我國糧食直補政策的經濟學分析[J]．農業技術經濟,2007(3)∶80-84

[5] 黃季焜,王曉兵,智華勇,等．糧食直補和農資綜合補貼對農業生產的影響[J]．農業技術經濟,2011(1)∶4-12

[6] 吳炳方．全國農情監測與估產的運行化遙感方法[J]．地理學報,2000,55(1)∶25-35

[7] 王乃斌．中國小麥遙感監測與估產[M]．北京∶中國科學出版社,1996

[8] 龐新華．基于決策樹和混合像元分解的P6 AWiFS遙感影像小麥播種面積測量方法研究[D]．北京∶北京師范大學,2008

[9] 劉婷,任銀玲,楊春華．3S技術在河南省冬小麥遙感估產中的應用研究[J]．河南科學,2001,19(4)∶429-432

[10] 尤淑撐,張瑋,嚴泰來．模糊分類技術在作物類型識別中的應用[J]．國土資源遙感,2000(1)∶39-43

[11] 徐希孺,周蓮芳,朱曉紅．混合像元的因子分析方法及其在大范圍冬小麥播種面積估算中的應用探討[J]．科學通報,1989,34(12)∶946-949

[12] 張錦水,何春陽,潘耀忠,等． 基于SVM的多源信息復合的高空間分辨率遙感數據分類研究[J]．遙感學報,2006,10(1)∶49-57

P237

B

1672-4623（2016）09-0043-04

10.3969/j.issn.1672-4623.2016.09.014

張艷娜，碩士，工程師，主要研究方向為遙感技術應用、國土資源監測、地理信息系統工程。

2016-03-08。