基于Sentinel-2A 數據的縣域烤煙種植面積提取分析

張 陽，屠乃美，陳舜堯，謝會雅，傅雪平，鄧瀏平

1. 湖南農業大學農學院，長沙市芙蓉區農大路1 號 410128

2. 湖南省煙草公司株洲市公司，湖南省株洲市蘆淞區太子路1377 號 412002

3. 湖南省煙草公司茶陵縣公司，湖南省株洲市茶陵縣炎帝中路 412400

遙感以其快速、簡便、宏觀、無損以及客觀等優點，在快速獲取作物長勢信息、種植面積、產量估測及災害調查等方面得到了廣泛應用［1-3］。劉佳等［4］以 GF-1 衛星 WFV 影像數據，構建了全國14 個省（市、區）的1 180 個分類單元的NDVI 加權指數，繪制出2014 年全國主產區冬小麥種植區的空間分布圖；潘學鵬等［5］運用Terra/MODIS 13Q1 NDVI 遙感數據，并基于MCI 和NDVI 時序數據，通過CART 算法數值建模，進行了華北平原主要耗水作物冬小麥種植面積的提取分類，結果表明近13 年的遙感監測冬小麥種植面積與實際統計面積的相關系數達0.94；李丹等［6］采用HJ-1A/B CCD1/CCD2 影像，結合S-G 濾波算法、波段最大化的光譜角目標探測器、閾值分割等方法進行新鄉市冬小麥種植面積、小麥長勢和收割進度等遙感監測，精度驗證表明各縣市冬小麥種植面積提取的相對誤差在10%以內。這些研究選取的衛星數據通常是國內高分衛星、環境衛星系列和Landsat 系列的光譜數據，能夠獲取數據的分辨率在15 m 以上［7-9］，主要應用于大范圍的作物面積監測，但其精度不能滿足縣域尺度下的生產應用。而Sentinel-2A 衛星能夠免費共享10 d 重訪周期和最高10 m 空間分辨率的多光譜數據，可涵蓋可見光、近紅外和短波紅外范圍的13 個光譜波段［10-11］，因此 Sentinel-2A 數據比 Landsat8_OLI 影像、高分一號等光學影像分辨率更高［11］，其數據免費分發后得到了廣泛應用。Laurent 等［12］利用Sentinel-2 數據及基于貝葉斯對象的算法可對遙感測定的葉面積指數和葉綠素含量進行評估；Hill等［13］利用 Sentinel-2A 衛星采集的數據監測了熱帶草原植被的變化。目前國內Sentinel-2A 衛星數據評估植被變化的研究在水稻、小麥、玉米等農作物 上 已 得 到 較 多 應 用［14］，易 秋 香［15］分 析 了Sentinel-2 多光譜反射率及3 類常用植被指數隨棉花生育進程的變化規律發現，棉花的增強植被指數、歸一化植被指數以及土壤調節植被指數的歸一化值具有相似的變化趨勢，從現蕾期到開花盛期逐漸增大，進入吐絮初期開始減小。趙曉晴等［16］利用時序 Sentinel-2 影像，分析了 7 種典型地物的時序光譜與歸一化植被指數（NDVA）的變化，確定了茶園的14 個提取特征，分類精度較高的前3個特征分別為SR-SWIR2-NIR-May、SD-NIRSWIR2-May和 SR-NDVI-May＆Dec，總 體 精 度 依 次 為96.71%、94.24%和 93.43%。郭文婷等［17］基于多時相的Sentinel-2 遙感影像，選取NDVI 時間序列、最佳時相的Sentinel-2 數據中10 個波段的光譜反射率特征和主成分分析前3 個分量的紋理特征作為分類特征，使研究區內的植被的分類總體精度達87.64%，Kappa 系數為0.85。烤煙是一種重要的經濟作物，其種植面積的準確測定是年度煙葉生產、經營和管理的依據，對于有效控制煙葉總量、促進煙農增收具有重要意義。前人應用遙感、GIS 等技術監測烤煙的種植面積，曾取得了一定的效果［18-20］，但基于 Sentinel-2A 數據提取烤煙種植信息方面還鮮見報道。因此，選取湖南省茶陵縣為研究區域，對Sentinel-2A 數據進行預處理后，分析提取烤煙種植區域，旨在為準確監測烤煙種植面積提供參考。

1 材料與方法

1.1 研究區概況及數據來源

茶陵縣隸屬株洲市，位于湖南省東部。地處東經 113°20′～113°65′，北緯 26°30′～27°7′之間，總面積2 500 km2。地貌類型以山地為主，丘陵次之，崗、平具備。茶陵縣屬于亞熱帶季風氣候區，氣候溫和，雨量充沛，冬寒期短。年平均氣溫17.9 ℃，1 月最低，平均 5.9 ℃；7 月最高，平均29.2 ℃；穩定通過10 ℃的天數有233 d，活動積溫5 509 ℃，無霜期294 d，年日照時數1 744.7 h，平均年雨量1 423 mm，常年種植烤煙1 667 hm2。

1.2 數據選取與預處理

為提高作物分類精度，首先了解研究區的先驗知識，結合GPS 地面實測資料，確定研究區內的主要地物類型為烤煙、水稻、油菜、林地、建筑用地、道路、水體和灌木草地等，根據主要作物的農事歷，確定4～7 月之間烤煙與其他地物之間有較大差異，衛星數據的選擇在 4～7 月之間［21-22］。通過 ESA SciHub 網站（https：//scihub.copernicus.eu/dhus/#/home），經 篩 選 ，選 取 S2A_MSIL1C_20190604T025551_N0207_R032_T49RGK_2019060 4T063216 數據，影像獲取時間 2019 年 6 月 4 日，研究區內云量極少，圖像質量好。

1.3 數據處理

使用ENVI 5.1 及SNAP 軟件為遙感影像處理軟件。處理流程：選擇數據→Sen2cor 大氣校正→SNAP 軟件重采樣→輻射定標→裁剪行政區域→決策樹分類→精度驗證［23-26］。在處理時對多光譜遙感數據進行對比分析和組合運算，同時尋求能增強煙草自身信息的特殊波段，進而排除其他物種對煙草的干擾。本研究中選取了歸一化植被指數、比值植被指數，差值植被指數、增強植被指數、氮反應指數和綠度歸一化植被指數6 種常見的植被指數［15，27］用以輔助煙草信息的識別提取，計算公式：

式中：NIR 表示紅外波段；R 表示紅色波段；BLUE 表示藍色波段；GREEN 表示綠色波段。

2 結果與分析

2.1 解譯標志

解譯標志是選取訓練樣本以及后期處理對比的重要依據，因植被分類尚無統一標準［28］，本研究中參考地理國情普查內容與指標［29］中設置的土地利用類型分類標準，將煙草納入植被類型當中，依據研究需要與實地勘測結果，將茶陵縣6 月份主要地物類型劃分為水域、植被、其他3 種類型，其中植被主要為歸一化植被指數較高的植被區域，又分為烤煙、林地、灌木3 類，其他類型主要是道路，居住地等非植被區域，而監測期間水稻及一些草地，通過歸一化植被指數可以明顯與需要研究的植被區分開，因此將其納入其他類型當中。土地利用類型的目視解譯與分析，依據野外調查數據及輔助資料建立了基于研究區4、3、2 波段組合影像的遙感解譯標志。由表1 可知，水域顏色整體呈深藍偏黑色，與其他地物類型區分明顯；其他類型因包括的地物較多，顏色較為雜亂，整體偏淺色；低矮的灌木呈深綠色，與水體的顏色相近，可能是土壤水分較大的背景色；烤煙顏色為綠色，表現均勻；林木區域顏色為綠色，但較烤煙區域的顏色更深，部分與灌木區域相似，表明部分區域林木與灌木交織在一起。

2.2 地物光譜分析

Sentinel-2A 數據包括 13 個光譜波段，B1 為深藍波段，中心波段443 nm；B2 為藍光波段，中心波段490 nm；B3 為綠光波段，中心波段560 nm；B4為紅光波段，中心波段665 nm；B5、B6、B7 為植被紅邊波段，中心波段分別為705 nm、740 nm 和783 nm；B8 為近紅外波段，中心波段842 nm；B8a為窄紅外波段，中心波段865 nm；B9 為水蒸氣波段，中心波段945 nm；B10 為卷云波段，中心波段1 375 nm；B11、B12 為短波紅外波段，中心波段分別為 1 610 nm 和 2 190 nm［30］。根據不同地物在各波段的反射率可知，6 月份茶陵縣主要地物的光譜響應曲線，見圖1，水域在B5～B9 的反射率明顯低于其他地物，表明在近紅外波段水體的吸收率大于其他地物，根據這一特點，結合歸一化植被指數可將水域與其他地物區分開來；其他類型的地物在B2～B5 波段均與水域、植被有顯著區別，可以明顯區分；煙草、林木和灌木3 種植被的光譜曲線較為接近，但煙草、林木在B6～B8a 之間的反射率明顯大于灌木，也可以將灌木進行區分，林木與煙草在各波段的反射率雖有不同，部分煙草、林木存在同譜異物的現象，但進一步分析發現，林木與煙草在B1 波段有較大的差異。

表1 基于Sentinel-2A 真彩色合成影像的茶陵縣土地利用類型解譯標志Tab.1 Chaling land use type and signature interpretation based on true color composite images of Sentinel-2A

圖1 典型地物光譜特征分析Fig.1 Spectral characteristic analysis of typical ground objects

2.3 地物植被指數分析

植被指數根據綠色植被在紅光波段具有低反射率、在近紅外波段具有高反射率的特性，可反映植被蓋度、葉綠素含量等生物物理參數，不同的植被具有不同的植被指數［31-32］，通常可用來區分植被區域。由表2 可知，6 月份茶陵縣烤煙、林木、灌木的歸一化植被指數（NDVI）分別為0.723 2、0.744 2 和0.692 4，表明3 種植物的覆蓋程度均較高，其中林木與灌木之間存在顯著差異，烤煙與二者之間的差異均不顯著。烤煙的比值植被指數（RVI）低于林木而高于灌木，但是差異均不顯著，灌木的比值植被指數最低，顯著低于林木的比值植被指數。烤煙的差值植被指數（DVI）最高，顯著高于灌木，但與林木差異不顯著，而林木的差值植被指數也顯著高于灌木。烤煙的增強植被指數（EVI）最高，顯著高于灌木，但與林木間差異不顯著，而林木的差值植被指數也顯著高于灌木。烤煙的歸一化差異綠度指數（NDGI）顯著低于林木，與灌木差異不顯著。因此通過植被指數的組合能夠較好地將3 種植被提取出來，但要更好地區分煙草與林木，還需要引入高程及相關地形指標。

表2 主要植物植被指數分析①Tab.2 Vegetation indices of main plants

2.4 決策樹分類及分類精度評價

決策樹分類是一種快速且高效的遙感影像分類方法［33］。處理遙感圖像后，提取圖像上的主要地物指標，再結合當地實際生產及其他專家知識進行統計、歸納后形成所需的分類規則進行遙感分類［34］。分類規則的定義需考慮研究區地物的基本組成情況，根據自上向下的遞歸方式，從根節點向下分支來選取不同的屬性值，終級葉結點類別按要求分出后則結束［22］。一個分類樹結構由根結點與終級葉結點組成，進一步的詳細分類是按分類樹的每一分叉結點處都有一個或多個分類規則［27］。本研究中主要采用歸一化植被指數（NDVI）、各波段不同地物反射率、地形因子等數據作為決策樹分類的分類規則，根據不同地物之間的植被指數分析，NDVI＞0.65 以上為需要研究的植被；根據光譜曲線分析可知，GREEN＞0.1 &Deep Blue＞0.125 為所需植被；由于部分林地與烤煙存在異物同譜的現象，研究運用地形因子進行分類，DEM＜200 & SLOP＜10 為烤煙，見圖2。建立分類模型形成初步結果后，通過聚類、過濾、剔除等處理［35］，最終生成2019 年茶陵縣烤煙種植區域圖，見圖3。

圖2 決策樹分類規則Fig.2 Decision tree classification rules

借助 ENVI 軟件進行精度檢驗［36］，由表 3 可知，總像元數為1 092 個，被正確分類的像元數目沿著混淆矩陣的對角線分布，總和為986，則總體分類精度（986/1 092）達90.29%。烤煙的制圖精度和用戶精度分別為90.23%和90.94%。

由表4 可知，利用ENVI 統計工具，計算得出茶陵縣烤煙種植區所占的像元總數為154 992 個，與每個像元所代表的實地面積［10×10=100（m2）］相乘，最終提取得到烤煙種植面積是（154 992×100）÷10 000 = 1 549.2 hm2，與年度實際統計數據1 494 hm2相比，誤差為3.7%。

圖3 基于Sentinel-2A 數據的2019 年茶陵縣烤煙種植區域圖Fig.3 Flue-cured tobacco planting area in Chaling County in 2019 based on Sentinel-2A data

表3 Sentinel-2A 數據的分類混淆矩陣Tab.3 Confusion matrix for Sentinel-2A data

表4 2019 年茶陵縣烤煙種植面積Tab.4 Flue-cured tobacco planting area in Chaling Country in 2019

3 討論

衛星數據易受觀測區域植被分布的影響，在實際中異物同譜現象普遍存在，前人研究常以NDVI 作為植物生長狀態以及植被空間分布密度的最佳指示因子［37］，本研究也表明6 月份烤煙與部分林木存在異物同譜現象。對6 種主要植被指數分析表明，烤煙的NDVI 與其他2 種植被差異均不顯著，NDVI 在單時像衛星數據提取烤煙面積時不適用，這可能是因為烤煙成熟期葉面積指數較大，而NDVI 在高植被覆蓋區容易出現飽和現象［38］，導致烤煙與部分林木不易區分。進一步研究發現，灌木的 NDVI、RVI、DVI、EVI、NDGI 均顯著低于林木，烤煙和灌木的NDGI 也顯著低于林木，表明NDGI 可用于烤煙面積信息的提取，而其他5 種植被指數則不能區分烤煙與林木。本研究中通過增加坡度、海拔等地形因子的閾值并構建決策樹模型，總體分類精度90%以上，滿足縣域尺度下作物的可靠識別精度要求［39］，但在以下方面有待進一步研究：一是衛星數據時像選擇在煙葉成熟期，時效性不足；其次是多波段、多植被指數組合研究不夠。因此在后續的研究中應提高烤煙種植信息的識別精度，進一步研究如何使用多時相雷達孔徑數據來提取烤煙種植面積及生長數據［40-42］，以避免因陰雨天氣影響而不能及時獲取數據。

4 結論

采用歸一化植被指數（NDVI）、各波段不同地物反射率、地形因子等數據作為構建決策樹模型的分類規則，根據不同地物之間的植被指數分析，形成初步結果后，通過聚類、過濾、剔除等處理，最終提取湖南省茶陵縣烤煙種植區域面積。ENVI軟件精度檢驗表明，總體分類精度為90.29%，與實際調查的年度種植面積相比，誤差為3.7%，可滿足烤煙生產管理的實際需求。