基于地塊尺度多時相遙感影像的冬小麥種植面積提取

鄧劉洋，沈占鋒※，柯映明，許澤宇

?

基于地塊尺度多時相遙感影像的冬小麥種植面積提取

鄧劉洋1,2，沈占鋒1,2※，柯映明1,2，許澤宇1,2

（1. 中國科學院 遙感與數字地球研究所, 北京 100101；2. 中國科學院大學，北京 100049）

針對僅利用單一遙感影像數據獲取農作物信息精度不夠問題，該文選擇冬小麥主產地河南省蘭考縣鄉鎮作為研究區，以2017年多時相中分辨率Landsat8 OLI影像和Google earth上下載的亞米級高分影像為遙感數據源，結合光譜差異和農田地塊信息實現冬小麥的精確提取。該算法首先構建不同時相決策樹模型，分別實現2個時相的冬小麥區域初步提??；其次通過將對高分影像多尺度分割產生的地塊信息分別與2個時相冬小麥播種面積初步區域相互疊加，完成地塊單元控制下的冬小麥播種面積分地塊統計，并通過設定不同統計閾值，分析落在每一地塊單元下的冬小麥區域，生成基于地塊單元的冬小麥播種面積分布圖；最后通過多時相交叉驗證，獲取最終冬小麥播種區域。結果表明：該方法能更加準確提取冬小麥種植面積，保持較低的誤判率（1.3%）水平下，得到較高的提取正確率（95.9%），較通過對比單一Google earth高分辨率影像獲取冬小麥精度（85.6%）高，該研究對通過融合多源多時相影像數據獲取農作物提供參考。

遙感；作物；監測；冬小麥；播種面積；地塊分類

0 引 言

小麥是全世界范圍內大量種植的三大谷類作物之一，及時、準確地獲取冬小麥作物種植信息是國家制定糧食政策和經濟發展計劃的重要依據[1-3]。遙感是一種對地觀測綜合性技術，具有宏觀性、經濟性和時效性等優點，其迅猛快速的發展為冬小麥快速準確獲取提供了有效手段[4-8]，特別是農業遙感領域，對當前精細農業發展、農業監測等應用有著重要的意義[9-11]。國際上開展農作物種植面積提取的研究工作比較早，20世紀70年代，美國研究人員進行了大面積小麥種植面積和產量的預估，之后又進行了“農業資源空間遙感調查”，對全球主要農作物的長勢和總產量進行了預估[12]。國內研究始于20世紀80年代，主要研究對象是小麥[13-14]，大致上可以分為以下3個部分：1）基于低空間分辨率的MODIS數據，利用此類數據的高時間分辨率等特征，采用農作物物候信息獲取MODIS-NDVI時間序列，對小麥面積進行了提取[15-17]。如趙晶晶等通過NDVI閾值構建決策樹模型，基于獲取的MODIS-NDVI時間序列對冬小麥播種面積完成提取[18]；鄒金秋等以MODIS-EVI數據為數據源，結合不同時相數據和非監督分類方法，實現冬小麥種植面積提取[19]；許文波等利用MODIS遙感影像實現對冬小麥種植面積的監測[20]；劉旭攏基于MODIS數據采用混合像元分解提取冬小麥種植面積[21]。高時間分辨影像往往具有較低的空間分辨率，受到背景干擾信息的影響，很難僅依靠光譜信息將冬小麥準確分開。2）基于較高空間分辨率，根據面向對象思想，結合光譜、紋理等特征實現對象級作物信息提取。如王啟田等利用面向對象的方法進行冬小麥種植面積提取研究[22]；范磊等對遙感影像進行多尺度分割，提取冬小麥種植面積的空間分布[23]。面向對象的思想很好地避免了一般像素級分類中的“椒鹽”現象，但若能很好控制影像的分割尺度，提取的精度精將得到進一步提高。3）基于較高空間分辨率和高時間分辨率的不同數據源進行農作物提取研究，如融合Landsat TM和MODIS影像提取冬小麥種植面積[24]。此類方法根據小麥物候特征獲取影像數據，時間跨度較大，數據處理繁瑣。結合TM數據，也難免忽視因MODIS低空間分辨率混合像元帶來的提取誤差。加之冬小麥地塊瑣碎，田間道路縱橫交錯，很難高精度獲取目標作物種植面積。一般認為，基于地塊的作物分類思想是在地塊邊界控制下，將中分辨率遙感影像分割成代表某種地物類型的特征基元，利用特征基元內的光譜特征、植被指數及紋理特征等組合不同的特征向量，根據特征向量進行地物分類。如朱長明等[25]引入“地塊”概念，將農作物的種植信息規范在矢量地塊基元內，其方法首先基于地塊分割方法（即：在地塊基元下，對多景ETM+影像分割，獲取同樣形狀的地塊特征基元），進而實現地塊特征下光譜特征規則集作物提取。由于地塊的邊界獲取受到影像分辨率的影響，以地塊為邊界對多時相影像分割時，很容易出現“過分割、欠分割”現象。并且由于細小地塊的“破碎現象”，很難將破碎地塊進行分離。

由于農作物種植類型復雜，僅依靠光譜特征很難準確地將冬小麥與其他干擾地物分開來。而高空間分辨率影像，尤其是亞米級的高分影像，由于其數據量大、光譜信息弱，且時間分辨率低，大量獲取農作物種植信息難度較大。結合高分與中分辨率影像的各自優勢，面向農田地塊單元，充分表達農作物的地塊屬性，將農作物種植區域很好地控制在地塊單元內。文中由于高分遙感影像系列不易獲取，并考慮到Google earth影像具有幾何精度高、云少且可免費獲得，滿足農田地塊邊界的獲取要求，因此本文選擇從Google earth上免費抓取高分影像，獲取農田地塊信息，然后疊加多時相OLI影像冬小麥種植區域，最終獲取精確冬小麥種植區域。結合以上分析，本文建立地塊尺度的冬小麥分布遙感提取方法：1）利用光譜信息構建決策樹分別提取多時相OLI影像冬小麥初步區域；2）基于高分Google影像，分割、提取農田地塊矢量邊界數據獲取；3）統計分析每一地塊單元下的初步冬小麥區域，建立農田地塊尺度下冬小麥遙感識別與提取方法。

1 試驗區概況與數據

1.1 研究區概況

豫中東地區為河南省東中部平原，是全省冬小麥主產區。該地區水、光、熱水條件均衡，小麥越冬期間光照充足，為小麥培育壯苗健康發展提供了良好的氣候環境。蘭考縣，為河南省直管縣，總面積1 116 km2，轄14個鄉鎮、3個街道辦事處，全縣451個行政村，農業人口達到68萬人。作為冬小麥主產地之一，蘭考縣現有耕地面積7萬hm2，主要耕地類型為冬小麥、玉米、棉花等。本文研究區首先選取蘭考縣張君墓鎮，分析冬小麥提取結果，進而擴展到整個蘭考縣以驗證方法的適用性。

1.2 數據源選擇及預處理

農作物在生長發育階段會展現不同的物候特征，即表現為遙感影像上的光譜差異，并且這種季相規律在不同農作物類型之間存在差異[26]。冬小麥從播種至收獲，經歷秋末、冬、春和初夏4個時節，生長發育期為230 d左右。試驗原理是根據季節變化規律尋求光譜信息差異最大的時期，有利于排除其他地物的干擾，實現遙感作物的識別。田海峰等[27]根據歸一化差異水體指數、歸一化植被指數等光譜參數，并結合實地調查識別出河南省縣域內冬小麥實際種植面積，表明華北豫中東地區冬小麥分蘗期至拔節期是遙感監測冬小麥的最佳時期，且在該時期內一期高質量的OLI影像即可較為精確地獲得冬小麥種植面積。3月，冬小麥處于返青、拔節期，植被指數開始增加；5月至6月，冬小麥逐漸達到成熟，NDVI達到最值，此時玉米處于播種季節，植被指數不明顯，棉花處于生長期，NDVI等植被指數快速增加階段（表1）。

表1 河南省主要作物生育期及冬小麥種植提取最佳時相

根據冬小麥最佳時相分析，選出豫中東地區的河南省蘭考縣2017年3月4日和2017年5月7日2個時期高質量OLI影像（空間分辨率30 m），其數據來源為美國USGS官網上下載得到。以及從Google earth上下載的空間分辨率為0.49 m（18級）的高分影像（2017年5月28日）。通過對OLI影像進行輻射定標、大氣校正得到影像反射率數據。參照Google earth高分影像，完成幾何校正以及相互之間的配準。本文研究中選擇河南省蘭考縣張君墓鎮（現更名為考城鎮）為試驗研究區，并疊加農業部門獲取的鄉村級矢量行政邊界圖，Google earth高分影像圖如圖1所示。

圖1 蘭考縣張君墓鎮研究區高分Google earth影像圖

2 研究方法

充分考慮Google earth上的影像高空間分辨率（低光譜和時間分辨率）和OLI影像較高的光譜和時間分辨率（空間分辨率相對較低），首先通過基于光譜植被指數構建2個時相冬小麥提取規則集，得到2個時相的冬小麥區域初步提取結果；然后在高分辨率Google earth影像上提取農田地塊單元；通過農田地塊專題圖分別與兩個時相的冬小麥初步提取結果相疊加，分析統計落在每一地塊單元下的冬小麥初步區域，獲取以地塊為基礎的冬小麥區域；最后通過兩個時相的相互修正，得到最終的精確冬小麥播種面積分布圖。并在此基礎上推廣到蘭考縣縣域范圍，進行方法驗證。具體技術流程如圖2所示。

2.1 基于OLI數據冬小麥種植區域初步提取

結合不同時相的OLI影像數據光譜特征差異，構建不同時相冬小麥信息提取模型。植被與土壤背景的反射在可見光與近紅外波段存在較大差異，并且光譜植被指數隨著時間的變化，與植被物候信息呈現一定的規律[28]。歸一化植被指數（normalization difference vegetable index，NDVI）和綠度指數（green vegetable index，GVI）能夠很好反映這一光譜特征。本文根據NDVI、GVI以及綠波段反射率（Green），構建決策樹信息提取模型。

式中NIR影像近紅外波段反射率，為紅色波段反射率。

圖2 基于地塊尺度多時相遙感影像的冬小麥種植面積提取流程圖

2.2 農田地塊專題圖獲取

地塊信息具有明顯的邊界和內部結構的相對穩定性，以此為基準提取農作物信息能有效改善邊界混合像元引起的錯分、漏分地塊域[29-30]。亞米級高分辨影像上，地塊邊界清晰，基于易康（eCognition）軟件多尺度分割算法，實現對Google earth高分辨率影像分割，為了使分割結果與地塊邊界吻合，經過多次試驗選取最佳尺度為200，形狀因子設置為0.5，空間緊湊度為0.5時達到最佳分割效果。通過提取分割后的矢量信息，人工目視時去除非地塊信息，選取農田地塊數據。獲取的農田地塊排除了非農作物植干擾信息的影響，將提取范圍控制在農田地塊內。并且地塊邊界長期穩定，獲取農田地塊也具有較高復用性，農田地塊的分布信息如圖3所示。

圖3 研究區農田地塊信息分布圖

2.3 基于地塊單元的冬小麥種植區域分地塊統計

農田地塊邊界具有相對較長期的穩定性，在地塊內部一定程度上降低了光譜差異和混合像元的復雜度[31]，將獲取的冬小麥初步區域疊加在高分影像獲得的農田地塊上，以地塊為邊界獲取高分影像上冬小麥地塊區域。

考慮在初步獲取的冬小麥區域分布圖中，由于分辨率等因素，在地塊邊界處有大量干擾地物的存在，使得獲取的冬小麥區域精度較低，并且獲得的初步冬小麥區域與矢量農田地塊邊界疊加之后，邊界不吻合。因此本文嘗試基于矢量農田地塊區域，疊加冬小麥的初步提取結果，提出地塊控制下的冬小麥分地塊統計方法，具體的方法為：以每一個矢量地塊單元為分地塊單元，統計落在分地塊單元內的小麥區域占該單元的百分比，即分地塊統計比值（以落在每個地塊內像元個數為統計單位）；根據設定的不同閾值，分析同一個閾值下的正確率和誤判率，使得正確率和誤判率達到最優，從而獲取冬小麥區域的最佳提取結果。

2.4 OLI影像多時相分析

農作物物候差異有助于遙感影像上地物的識別。充分利用冬小麥季節物候特征，將其加入到地塊為基礎的空間位置信息中進行作物識別，可較大程度提高農作物識別精度[32]。本研究基于最佳時相分析，充分利用冬小麥物候特征，根據分地塊統計提取結果，選擇最優閾值（即正確率、誤判率達到最優），將在高分影像上獲取的兩個時相冬小麥分布區域結果相互融合交叉驗證，糾正錯誤提取的區域，獲得更高的精度。

2.5 構建精度評價體系

提取的精度需要以某一標準結果為參考，遙感影像分類精度通常是構建各種統計量，最終給出總體和基于各種地物類型的分類精度。本研究以獲取的高分影像農田地塊為基準，目視識別冬小麥地塊屬性信息，以及參照獲取的該地區農業專題圖為準真值，對分地塊統計獲得的不同提取結果進行精度分析。試驗中從單一時相冬小麥播種識別精度、總面積精度，及2個時相冬小麥提取結果交叉驗證這2個方面構建評價體系。

2.5.1 識別精度

識別精度是指與準真值作為比較，被誤判為冬小麥、及漏判的冬小麥區域的一個精度評價指標方法，通過選擇驗證點，計算誤判率和正確率2個指標。其中誤判率是指，落在錯誤識別為小麥區域的驗證點的個數與全部落在非小麥區域的驗證點個數比值；正確率指落在正確識別為小麥區域的驗證點個數與全部落在小麥區域的驗證點個數比值。為了保證評價的驗證點代表性，本試驗基于GIS軟件，從研究區中隨機選取175個驗證點，均勻分布在小麥和非小麥區域。

2.5.2 總面積精度

區域總面積精度是指一定范圍的行政或自然單元內冬小麥識別總面積與準真值總量的對比結果，見式（3）。

式中A是整個研究區內本文方法提取的冬小麥播種面積總量；0表示目視解釋得出的冬小麥總面積準真值。

2.5.3 交叉驗證

大量干擾地物信息的存在，對從單一時相中提取農作物信息有更高的要求。為了進一步提高分類精度，充分利用時間譜信息，采用兩個時相分別提取冬小麥并進行交叉驗證。即在第一個時相上判斷為冬小麥的地塊圖斑，也同樣滿足第二個時相上冬小麥的識別結果，反之亦然。交叉驗證是基于兩個實相農田地塊的識別結果，可通過目視判別，糾正誤判的植被類型信息。

3 結果與分析

3.1 冬小麥初步區域獲取結果

以地面獲取樣本點為基準，經過多次試驗構建如下模型；3月4日蘭考地區冬小麥處于拔節期，計算得出的歸一化植被指數較低，綠波段反射率較高，且其他植被作物光譜特征不明顯，構建決策樹模型R1：{NDVI≥0.4；GVI>1；Green≤0.14}。而5月7日冬小麥處于拔節至抽穗成熟期，植被光譜特征明顯，冬小麥區域NDVI達到0.7~0.9，處于峰值。并考慮到5月到6月其他作物（棉花）處于快速增長，為了便于區別，設定較大閾值（NDVI≥0.75）去除其他作物的影響，構建決策樹模型R2：{ NDVI≥0.75；GVI>1；Green≤0.09}。通過構建的2個時相決策樹模型，分別獲取試驗區內冬小麥的初步提取結果，如圖4所示。

圖4 不同時相冬小麥初步提取結果

3.2 分地塊統計結果分析

根據在Google earth影像上獲取農田地塊，分別疊加2個時相OLI影像冬小麥初步區域，以地塊為基準，統計獲取高分影像上的冬小麥地塊。

結合分地塊統計分析，由圖5可以直觀看到不同統計閾值，獲取的不同冬小麥提取結果，展現出冬小麥的誤判、漏提現象（圖中矩形框內）。基于構建的精度評價體系，以隨機驗證點獲取出2個時相的提取精度（誤判率、正確率、總面積精度）結果（圖6），其中橫坐標代表的含義是指大于等于分地塊統計比值時（閾值）所得的誤判率、正確率及總面積精度。

注：矩形框內表示誤判、漏提取現象。

圖6 不同時相冬小麥分地塊統計精度分析

從圖中（圖5、圖6）分析（以時相1為例），當分地塊統計比值的閾值設置為≥0.02時，正確率達到94.9%、誤判率為9.1%，如圖5a，出現大量誤判現象（矩形框內）；當閾值設置為0.05時，正確率沒有變化，誤判率降低了2.6%。當閾值設置為0.10時，誤判率繼續降低，正確率也隨之下降，如圖5b，誤判現象有所下降；當閾值達到0.25時，誤判率為0，但此時出現大量的冬小麥地塊漏提現象，導致正確率會急劇下降，如圖5c和5d所示，隨著閾值提高，出現大量漏提現象。從總面積精度的角度來看，在分地塊統計閾值為0.15到0.20時，面積精度達到最高，由于冬小麥農田地塊存在漏提與多提現象，其總面積精度變化不大；但閾值到0.25以后，總面積精度大幅度下降。

3.3 多時相遙感冬小麥分布取結果

在2個時相數據獲得的高分冬小麥地塊區域的基礎上，結合以上分析，選取時相1分地塊統計比值閾值為0.20（相對將高的正確率91.8%、較低的誤判率）的冬小麥識別結果和時相2閾值為0.30（正確率93.8%）的識別結果進行交叉驗證，通過目視判別錯誤的植被信息得到最終的冬小麥分布圖，疊加高分Google earth影像作為底圖，得到結果如圖7所示。

圖7 冬小麥播種面積分布圖

為了驗證最終獲得的冬小麥區域，同樣采用隨機驗證點的方法，以識別精度和總面積估算精度2個方面進行精度評價，見表2所示。冬小麥識別正確率為95.9%，分別高于時相1和時相2的91.8%、93.8%，并且誤判率處于較低水平，總體識別精度得到了提高。經過糾正后，冬小麥提取的總面積精度達到99.0%。

表2 不同方法冬小麥提取精度對比

3.4 提取結果分析評價

3.4.1 驗證評價

本文使用高分Google earth影像提供的矢量地塊邊界和多時相OLI影像進行融合疊加，為了驗證本文方法的可靠性，基于Google earth影像進行分割、分類提取冬小麥區域，并與之進行對比。試驗中，基于同樣的分割尺度（尺度為200，形狀因子設置為0.5，空間緊湊度為0.5），獲取對象基元?？紤]到決策模型的一致性，采用與Google影像時間相近的R2決策樹模型（2017年5月7日），獲取冬小麥區域。并同樣基于隨機驗證點方法，獲取提取精度。如圖8所示。通過精度對比，僅基于Google earth影像獲取的冬小麥（表2），有較多漏提現象（如圖8矩形框內），精度為85.6%?？梢娙诤细叻质噶康貕K與中分光譜信息綜合提取冬小麥，有較大改進。

圖8 Google earth提取冬小麥播種面積

3.4.2 縣域內方法驗證

進一步驗證本文方法的有效性和適用性，嘗試將本文算法運用到整個蘭考縣，驗證冬小麥提取的準確性。試驗使用單景OLI影像（2017年5月7日）和同樣基于2017年5月28日高分Google earth（空間分辨率0.49 m）提取出的農田地塊數據，獲得不同分地塊比值下的冬小麥地塊分布圖，如圖9所示。誤差分析如圖10所示。

圖9 蘭考縣冬小麥分地塊比值分布圖

圖10 純地塊與混合地塊冬小麥分布圖

當分地塊比值在0到0.20間內（即初步獲取的冬小麥占地塊單元為0~0.20），為非冬小麥區域（未種植的地塊），這是由于初步獲取的冬小麥混合像元引起；比值大于0.20時，為大量冬小麥區域。因此該區域可將分地塊閾值設定為0.20，作為最終的冬小麥區域。同樣采用隨機驗證點的方法（175個隨機驗證點），以識別精度和總面積估算2個方面進行精度評價，見表3所示。冬小麥識別正確率為91.5%，但出現11.1%的誤判率。由于縣域范圍內，提取的農田地塊較為瑣碎，出現較多誤判現象，需要針對性的對細小地塊以及提取地塊的精度作進一步分析。

表3 蘭考縣冬小麥提取精度

通常種植結構單一、且農田地塊連片區域冬小麥較易識別，而在地塊破碎區域由于地塊內光譜變異和邊界光譜混合現象嚴重識別精度較低。在地塊分類中，冬小麥錯分與漏分情況大多發生在破碎地塊，并且由于受到地塊分割尺度的影響，導致地塊未能完全按照單一作物類型分割，出現混合地塊。本文通過控制分地塊統計閾值來區分純地塊冬小麥和混合地塊冬小麥分布區域，以此提供進一步的誤差分析基礎。對于識別出的混合地塊冬小麥區域（單一地塊內混合作物），需要進一步地做分解地塊處理，本文不再討論。在得到的冬小麥播種區域基礎上，結合實地調查數據并結合以上分析：當分地塊統計比值為0到0.20時為非小麥區域；0.50到0.70為純地塊冬小麥區域；0.20到0.50及0.70到1.00的地塊則 為識別精度較低的混合、破碎地塊冬小麥區域。如圖10所示。

4 結論與建議

本文實際上構建了多源分辨率影像上冬小麥提取模型，充分利用中空間分辨率的光譜、時間特征，結合高空間分辨影像的空間特征，以地塊數據作為媒介，實現不同影像分辨率數據的銜接。1）本文的指導思想即是一個從“圖”到“譜”，由“譜”聚“圖”，“圖譜耦合”的遙感認知深入過程。2）本文實際上利用了影像地物的“圖”信息，通過加入農田地塊信息控制農作物邊界，有效避免非感興趣區地物的干擾；增加遙感影像的時間信息，充分利用農作物物候特征構建不同時相的決策樹提取模型，相互驗證更正錯誤信息，提高識別的準確性。

基于地塊的作物分類方法對地塊邊界光譜與地塊內部光譜變異混合問題得到很好的控制，有效解決像元分類的“椒鹽”現象。并且將矢量地塊邊界信息與遙感影像通過位置關系有機地結合在一起，使得影像上的地塊與地面實際地塊相對應，豐富影像分類中具有實物意義的地理信息，能實現對影像地塊內地理信息的空間位置、幾何關系和景觀特征等準確表達，更加符合人類對影像地物的認識。本文在最終的信息提取過程中，通過分析比較不同的分地塊統計閾值產生的不同識別精度，獲得冬小麥播種區域，獲取最終95.9%的正確率。相比于基于單一Google earth影像獲取的結果（85.6%）更能符合應用需求。通過比較落在地塊邊界內不同比例的作物信息，能更進一步分析不同程度的混合像元所造的分類精度問題，在保持較低誤判率情況下，實現較高的提取正確率。從影像的識別精度角度來看，有更大的選擇空間。

本文通過在縣域內試驗該方法，通過對比驗證，說明該方法有一定普適性。但相比于鄉鎮試驗區，由于縣域內農作物種植結構較為復雜，且農田地塊數據的精度低，導致提取精度有所下降，說明本文方法在小范圍內實現農作物精確提取更加突顯優勢。

本文在進一步的研究中可以從以下幾個方面探討：1）農田地塊的獲取是基于面向對象的多尺度分割，一般最優的分割精度是滿足分割的對象具有實際意義的特征對象，每一個基元代表一種地物類型，并且在種植結構復雜區域，要注重細碎地塊的分割；2）本文獲取的冬小麥初步區域是基于Landsat OLI影像，實際上對冬小麥區域的初步獲取提出了一定要求。進一步可以考慮使用時間分辨更高的MODIS等影像數據，突顯農作物的時間物候特征；3）對分類器的進一步改進，建立更加合理的分類體系，提高冬小麥初步區域提取精度，對后續的分地塊統計分析提取提供更有力數據的保障；4）本文需要進一步試驗該算法的適用性，在更大范圍和種植結構復雜區域內進一步提高算法精度。

[1] Organization A. Agricultural commodities: Profiles and relevant WTO negotiating issues. Background document for the Consultation on Agricultural Commodity Price Problems[EB/OL]. [2018-08-29]. https://eurekamag.com/ research/003/636/003636078.php

[2] Macdonald R B, Hall F G. Global crop forecasting[J]. Science, 1980, 208(4445): 670－679.

[3] Wittwer S H. Food, climate, and carbon dioxide: The global environment and world food production[J]. Journal of Environmental Quality, 1995, 26(1): 321.

[4] Zwart S J, Bastiaanssen W G M, Fraiture C D. WATPRO: A remote sensing based model for mapping water productivity of wheat[J]. Agricultural Water Management, 2010, 97(10): 1628－1636.

[5] Beckerreshef I, Vermote E, Lindeman M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312－1323

[6] Johnson D M. An assessment of pre- and within-season remotely sensed variables for forecasting corn and soybean yields in the United States[J]. International Statistical Review, 2014, 73(3): 389－404.

[7] Carfagna E, Gallego F J. Using remote sensing for agricultural statistics[J]. International Statistical Review, 2005, 73(3): 389－404.

[8] Manjunath K R, Potdar M B, Purohit N L. Large area operational wheat yield model development and validation based on spectral and meteorological data[J]. International Journal of Remote Sensing, 2002, 23: 3023?3038.

[9] Esch T, Metz A, Marconcini M, et al. Combined use of multi-seasonal high and medium resolution satellite imagery for parcel-related mapping of cropland and grassland[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 28(28): 230－237.

[10] Bban S M J, Luke C. Mapping agricultural land use using retrospective ground referenced data, satellite sensor imagery and GIS[J]. International Journal of Remote Sensing, 2000, 21(8): 1757－1762.

[11] Mauro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geo Spatial Engineering, 2001, 3(2): 127－134.

[12] 陳水森，柳欽火，陳良富，等. 糧食作物播種面積遙感監測研究進展. 農業工程學報，2005，21(6)：166－171. Chen Shuisen, Liu Qinhuo, Chen Liangfu, et al. Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(6): 166－171. (in Chinese with English abstract)

[13] 劉海啟，金敏毓，龔維鵬. 美國農業遙感技術應用狀況概述[J]. 中國農業資源與區劃，1999，20(2)：56－60. Liu Haiqi, Jin Minyu, Gong Weipeng. Applications of remote sensing agriculture in the United States. Journal of China Agricultural[J] Resources and Regional Planning, 1999, 20(2): 56－60. (in Chinese with English abstract)

[14] 吳炳方，李強子. 基于兩個獨立抽樣框架的農作物種植面積遙感估算方法[J]. 遙感學報，2004，8(6)：551－569 Wu Bingfang, Li Qiangzi. Crop acreage estimation using two individual sampling frameworks with stratification[J]. Journal of Remote Sensing, 2004, 8(6): 551－569. (in Chinese with English abstract)

[15] Tao Jianbin, Wu Wenbin, Zhou Yong, et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture, 2017, 16(2): 348－359.

[16] 張霞，帥通，楊杭，等. 基于MODIS EVI圖像時間序列的冬小麥面積提取[J]. 農業工程學報，2010，26(增刊1)：220－224). Zhang Xia, Shuai Tong, Yang Hang, et al. Winter wheat planting area extraction based on MODIS EVI image time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.1): 220－224. (in Chinese with English abstract)

[17] Liu Z, Wu C, Liu Y, et al. Spring green-up date derived from GIMMS3g and SPOT-VGT NDVI of winter wheat cropland in the North China plain[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 130: 81－91. (DOI: 10. 1016/j. isprsjprs. 2017. 05. 015)

[18] 趙晶晶，劉良云，徐自為，等. 華北平原冬小麥總初級生 產力的遙感監測[J]. 農業工程學報，2011，27(增刊1)： 346－351. Zhao Jingjing, Liu Liangyun, Xu Ziwei, et al. Monitoring winter wheat GPP in Huabei Plain using remote sensing and flux tower[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(Supp.1): 346－351. (in Chinese with English abstract)

[19] 鄒金秋，陳佑啟，Satoshi Uchida，等. 利用Terra/MODIS數據提取冬小麥面積及精度分析[J]. 農業工程學報，2007，23(11)：195－200. Zou Jinqiu, Chen Youqi, Satoshi Uchida, et al. Method for extracting winter wheat area using Terra/MODIS data and its accuracy analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 195－200. (in Chinese with English abstract)

[20] 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. Xu Wenbo, Zhang Guoping, Fan Jinlong, et al. Remote sensing monitoring of winter wheat areas using MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(12): 144－149. (in Chinese with English abstract)

[21] 劉旭攏. 基于MODIS混合像元分解的冬小麥種植面積提取方法研究[D]. 北京：北京師范大學，2006. Liu Xulong. Extraction of Winter Wheat Area From Unmixing of Time Series of MODIS Data[D]. Beijing: Beijing Normal University, 2006. (in Chinese with English abstract)

[22] 王啟田，林祥國，王志軍，等. 利用面向對象分類方法提取冬小麥種植面積的研究[J]. 測繪科學，2008，33(2)： 143－146. Wang Qitian, Lin Xiangguo, Wang Zhijun, et al. Extraction of winter wheat planting area by object-oriented classification method[J]. Science of Surveying And Mapping, 2008, 33(2): 143－146. (in Chinese with English abstract)

[23] 范磊，程永政，王來剛，等. 基于多尺度分割的面向對象分類方法提取冬小麥種植面積[J]. 中國農業資源與區劃，2010，31(6)：44－51. Fan Lei, Chen Yongzheng, Wang Laigang, et al. Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation[J]. Journal of China Agricultural Resources and Regional Planning, 2010, 31(6): 44－51. (in Chinese with English abstract)

[24] Dong T, Liu J, Qian B, et al. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data[J]. International Journal of Applied Earth Observations & Geoinformation, 2016, 49: 63－74.

[25] 朱長明，駱劍承，沈占鋒，等. 基于地塊特征基元與多時相遙感數據的冬小麥播種面積快速提取[J].農業工程學報，2011，27(9):94－99.

Zhu Changming, Luo Jiancheng, Shen Zhanfeng, et al. Winter wheat planting area extraction using multi-temporal remote sensing data based on field parcel characteristic[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(9): 94?99.(in Chinese with English abstract)

[26] Zhang Y, Xu W, Wang H, et al. Progress in genetic improvement of grain yield and related physiological traits of Chinese wheat in Henan Province[J]. Field Crops Research, 2016, 199: 117－128.

[27] 田海峰，王力，牛錚. 基于OLI影像的縣域冬小麥種植面積提取[J]. 河南農業科學，2015，44(6)：156－160. Tian Haifeng, Wang Li, Niu Zheng. Study on planting area extraction of winter wheat based on oli images at county level[J]. Journal of Henan Agricultural Sciences, 2015, 44(6): 156－160. (in Chinese with English abstract)

[28] Friedl M A, Brodley C E. Decision tree classification of land cover from remotely sensed data[J]. Remote Sensing of Environment, 1997, 61(3): 399－409. (DOI: 10.1016/S0034- 4257(97)00049-7)

[29] Oetter D R, Cohen W B, Berterretche M, et al. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data[J]. Remote Sensing of Environment, 2001, 76(2): 139－155

[30] Qiu B, Luo Y, Tang Z, et al. Winter wheat mapping combining variations before and after estimated heading dates[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 123: 35－46

[31] 李樂，張錦水，朱文泉，等. 地塊支持下MODIS-NDVI時間序列冬小麥種植面積測量研究[J]. 光譜學與光譜分析，2011，31(5)：1379－1383. Li Le, Zhang Jinshui, Zhu Wenquan, et al. Winter wheat area estimation with MODIS-NDVI time series based on parcel[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1379－1383. (in Chinese with English abstract)

[32] Gu X H, Pan Y Z, Zhu X F, et al. Consistency study between MODIS and TM on winter wheat plant area monitoring: A case in small area[J]. Journal of Remote Sensing, 2007, 11(3): 350－358. (DOI:10.3321/j.issn:1007- 4619.2007.03.009)

Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel

Deng Liuyang1,2, Shen Zhanfeng1,2※, Ke Yingming1,2, Xu Zeyu1,2

(1.100101,; 2.100049,)

Theestimation of winter wheat area based on remote sensing images is one of important contents in filed of agriculture information monitoring. However, it is difficult to solve the problems of spectrum heterogeneity in the same farmland and spectra similarity between different farmlands timely and accurately using mid-resolution images. In order to maximally avoid problems metioned above and accurately map the planting area of winter wheat, a object-parcel classification method was developed in the study area of Lankao Cunty, Henan Province. An improved identification procedure for geo-parcel based winter wheat identification was presented, combining fine-resolution image and multi-temporal medium-resolution images. Combined spectrum and filed parcel information, precisely extraction of winter wheat planting area was realized from multi-temporal OLI images and Google earth high-resolution images (resolution of 0.49 m) through the following several steps. 1) Constructing winter wheat decision tree extraction models to extract the simplified winter wheat area based on spectral feature. Crops performed different phenological characteristics during the growth and development stage, which displayed spectral differences on remote sensing images. And to obtain the optimum temporal phases to extract winter wheat planting area, temporal phase among typical crops in study area was analyzed based on the phenological characteristics; 2) The field parcel information generated from high-resolution imagery by multi-scale segmentation algorithm. And then, according to the field parcels obtained on the high-resolution images, the two simplified OLI images of winter wheat were superimposed on the parcel respectively. Partition statistics ratio (proportion of simplified winter wheat in each field parcels) was calculated, and then the winter wheat parcels on the high-resolution images were obtained based on partition statistics ratios. Finally, analyzing the extraction accuracy under different statistics ratio threshold, then generating high-resolution winter wheat plots based on the parcel; 3) Through cross validation, the winter wheat planting area was extracted. Identification results of the winter wheat with the parcel statistics ratio threshold of 0.20 in the phase-1 (OLI image on 2017-03-04, with higher extraction correctness ratio and lower misjudgment ratio) and the recognition result with the phase-2(OLI image on 2017-05-07) threshold of 0.30 were selected for cross-validation. The experiment result showed that the method could recognize winter wheat area accurately. The higher recognition accuracy (95.9%) was obtained under the lower misjudgment ratio (1.3%). Last but not least, an application of proposal method in Lankao County was performed to verify the accuracy of winter wheat extraction with the correctness ratio of 91.5%. And the accuracy of winter wheat recognition could be expected higher in regions with simple planting structure or less fragmental parcels. The omission of winter wheat extraction based on per-parcel classification mostly happened in the fragmental parcels, coupled with the accuracy of segmentation, because the parcels were not completely segmented according to the single crop type. Finally the performance of partition statistics ratio analysis in distinguishing pure winter wheat parcels and mixed winter wheat parcels was tested by controlling the partition statistics threshold. The identification results indicated that the integration of high spatial-temporal resolution imagery is promising for crop identification based on geo-parcel .

remote sensing; crops; monitoring; winter wheat; planting area;object-parcel classification

10.11975/j.issn.1002-6819.2018.21.019

S512.11

A

1002-6819(2018)-21-0157-08

2018-07-16

2018-09-19

國家重點研發計劃項目（編號：2017YFB0504204，2016YFB0502502）

鄧劉洋，研究方向為遙感信息計算。Email：dengly@radi.ac.cn

沈占鋒，研究員，研究方向為高分辨遙感影像信息提取。Email：shenzf@radi.ac.cn

鄧劉洋，沈占鋒，柯映明，許澤宇.基于地塊尺度多時相遙感影像的冬小麥種植面積提取[J]. 農業工程學報，2018，34(21)：157－164. doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org

Deng Liuyang, Shen Zhanfeng, Ke Yingming, Xu Zeyu.Winter wheat planting area extraction using multi-temporal remote sensing images based on field parcel [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157－164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.019 http://www.tcsae.org