基于多時相Sentinel-2 遙感影像的江漢平原夏收作物提取方法

陰海明， 王立輝， 董明霞， 李曉冬， 黃進良

(1.中國科學院精密測量科學與技術創新研究院，湖北 武漢430077；2.中國科學院大學，北京100049；3.湖北省環境與災害監測評估重點實驗室，湖北 武漢430077)

我國是農業大國，擁有水稻、小麥等多種優勢農作物.江漢平原位于湖北省中南部，是長江中下游平原的重要組成部分，是全國重要的商品糧生產基地.因此，對江漢平原農作物種植面積進行準確有效的監測，具有十分重要的意義[1].傳統的農作物面積統計方法需要耗費巨大的人物、物力、財力，且統計結果缺乏時效性，而遙感技術以其覆蓋范圍廣、重訪周期短、時效性強、數據和方法豐富等特點，廣泛應用在農業生產中[2].

利用歸一化植被指數(normalized difference vegetation index， NDVI)時序數據對農作物種植信息進行提取，在時間上呈現植被物候特征以及周期性變化特征，反映季節和人為活動對地表植被的影響等，在農作物動態監測中有著十分重要的地位[3-4].目前，一些學者采用時序影像數據植被指數分析方法進行農作物識別[5].張煦等[6]基于MODIS NDVI 時序數據提取了江漢平原2002—2014 年油菜種植面積與變化趨勢，得到油菜種植面積的增長態勢，總體精度達到92.5%；Brain et al[7]基于MODIS NDVI 時序數據分析了不同作物時序光譜曲線，通過增強植被指數(enhanced vegetation index， EVI)和NDVI 提取了美國中部平原多種作物的種植結構；劉明月等[8]基于MODIS NDVI 時序數據，并結合Landsat8 OLI 影像，采用面向對象的分類方法對黑龍江北安市農作物進行分類，分類精度為90.7%.僅利用光譜特征進行提取造成的“同物異譜”或“同譜異物”問題以及分類結果中明顯的“椒鹽現象”仍無法解決[9-10].

隨著遙感技術的發展，遙感影像的“時空矛盾”逐漸被克服.遙感影像空間分辨率不斷提升的同時，衛星的重訪周期也在不斷縮短，同一地區能夠獲得更高分辨率的時序影像.歐洲航天局的多光譜衛星Sentinel-2 擁有10 m 的空間分辨率，通過相位相差180°的2A/2B 兩顆衛星聯合工作，將時間分辨率縮短為5 d，陸地監測水平大大提高[11].Sentinel-2 時序影像應用于農作物識別，克服了以往時序數據難以獲取、影像空間分辨率低等難題，為農作物精細尺度識別提供了更好的解決辦法[12].郭文婷等[13]根據植被生長旺盛期Sentinel-2 影像計算NDVI，并結合光譜特征對內蒙古赤峰市耕地和林地進行了提取，總體精度達87.64%；何云等[14]應用Sentinel-2A 遙感數據豐富的光譜和紋理信息對中南半島典型地區進行了土地利用分類，總體分類精度達87.53%；Griffiths et al[15]利用Sentinel-2 MSI 和Landsat-8 OLI 合成的以10 d 為間隔的時序影像對德國草地進行監測.但有關Sentinel-2 進行多種農作物的精細尺度識別研究較少.

本文利用高時空分辨率的Sentinel-2 影像，將時序NDVI 和面向對象分類相結合，并以多云雨、難以獲取植被生長期影像的全國重要產糧基地江漢平原為研究區，進行精細尺度農作物提取研究；利用研究區作物生長期多時相Sentinel-2 影像與構建的NDVI 時序數據，結合研究區不同作物物候特征，探討提取江漢平原農作物種植信息的最佳方法，為江漢平原作物種植面積監測及農業現代化信息提取提供依據.

1 研究區概況

潛江市地處江漢平原腹地，東經112°29′39″—133°01′27″，北緯30°04′53″—30°38′53″，北隔漢水，與天門市接壤；南與江陵、監利縣為鄰；東接仙桃；西聯沙洋縣和荊州市沙市區，土地總面積約2 000 km2.境內地勢平坦，河渠縱橫交錯，湖泊星羅棋布，屬亞熱帶季風性濕潤氣候，年平均氣溫16 ℃，熱量、雨量較為充足，是江漢平原種植模式的典型代表[17-18].

圖1 潛江市在江漢平原的位置及潛江市Sentinel-2 影像Fig.1 Location of Qianjiang City in Jianghan Plain and Sentinel-2 image

研究區的主要夏收作物為油菜、冬小麥和早稻，主要秋收作物為中稻、棉花、晚稻.種植模式為油菜—中稻、油菜—棉花、冬小麥—棉花、早稻—雙季晚稻和一季晚稻[18].江漢平原主要夏收農作物生長周期如表1 所示.

表1 江漢平原主要夏收農作物的生長周期Table 1 Growth cycle of main summer crops in Jianghan Plain

2 研究方法

2.1 遙感數據及其預處理

影像數據來自歐洲航天局(https:/ /sentinel.esa.int/web/sentinel/home)，選取2017 年9 月至2018 年6月研究區夏收作物一個完整生長周期的12 幅云量覆蓋低于10%的Sentinel-2 影像，影像獲取時間和云量相關數據見表2.

表2 潛江市Sentinel-2 數據Table 2 List of Sentinel-2 data of Qianjiang City

獲取的Sentinel-2 Level-1C 數據為經正射校正和亞像元級幾何精校正后的大氣表觀反射率產品[19]，通過Sen2cor 對影像進行大氣校正，得到L2A 產品；然后在ESA snap 中對影像數據進行重采樣、波段提取以及柵格輸出.提取空間分辨率為10 m 的R、G、B 和NIR 波段，計算各時相影像的NDVI，最后合成多波段NDVI 時序影像.

2.2 野外實地數據采集

野外實地調查數據為2018 年3 月下旬在研究區采集的地物樣本點數據，包括作物類型、物候期以及經緯度信息.共采集有效樣本點數據5 993 個，其中油菜1 719 個，冬小麥1 303 個，林草地1 102 個，非植被1 869 個，按照1 ∶1 的比例隨機分成訓練樣本和驗證樣本.

2.3 研究技術路線

基于多時相遙感影像進行農作物面積提取，根據作物生長周期不同時期農作物光譜特征的差異來提取作物種植信息.以潛江市作物生長周期的12 幅Sentinel-2 影像構建時序NDVI，結合最佳時相多光譜影像進行基于對象的多尺度分割，基于農田實測數據和NDVI 時序數據進行訓練并構建決策樹分類模型，對作物進行提取.研究技術路線如圖2 所示.

圖2 技術路線圖Fig.2 Technology roadmap of the paper

2.4 研究區主要地類NDVI 曲線分析方法

NDVI 計算公式為:

研究區主要地表類型的時序NDVI 曲線分析方法如圖3 所示.

根據研究區作物物候，將預處理的最佳時相Sentinel-2 多光譜影像及合成的NDVI 時序影像以野外實測的樣本點進行訓練，建立決策樹分類模型；并對影像進行面向對象分類，分類決策樹模型如圖4 所示，對研究區農作物進行提取.

3 結果與分析

3.1 影像分類

基于Sentinel-2 時序NDVI 的面向對象決策樹分類方法對江漢平原潛江市2018 年主要夏收作物(油菜、冬小麥)進行提取，分類結果如圖5 所示.

對照原始影像和圖5 可以看出，研究區冬小麥空間分布較為集中，主要分布在潛江市北部鄉鎮以及東荊河兩岸；油菜種植面積相對較小且較為分散，主要分布在潛江南部以及西南部.冬小麥和油菜在北部穿插種植，少部分零星分布在東荊河兩岸.竹根灘鎮位于潛江市東北部，夏收農作物種植面積較大，不同算法分類結果差異較為明顯(圖6).

圖5 潛江市不同分類算法的分類結果Fig.5 Classification results of different classification algorithms in Qianjiang City

3.2 精度驗證

為探討江漢平原農作物種植信息提取的最佳方法，驗證本文中多種分類方法的準確程度，基于統計數據和實地調查數據進行精度驗證.

圖6 竹根灘鎮不同分類算法分類結果Fig.6 Classification results of different classification algorithms in Zhugentan Town

基于統計數據的精度驗證，計算研究區各種農作物提取的相對精度:

潛江市油菜的播種面積為209.93 km2，冬小麥的種植面積為366.47 km2[18]，分類結果的相對精度如表3 所示.

由表3 可知，基于Sentinel-2 NDVI 時序提取的潛江市主要夏收作物種植面積與實際統計結果相符，油菜和小麥的相對精度分別是98.54%和98.62%.此外，利用隨機選擇的實地驗證點，通過對研究區不同分類方法的分類結果計算混淆矩陣，對分類結果進行精度驗證，驗證結果如表4 所示.基于Sentinel-2 NDVI 時序提取潛江市主要夏收作物種植面積在各個地類的識別精度，結果表明，油菜的用戶精度為92.20%，冬小麥的用戶精度為97.57%，林草地的用戶精度為97.65%，分類的總體精度為96.47%，Kappa 系數為0.9518.總體上，各種作物類型的分類結果均較為準確，分類精度較高.

表3 遙感分類結果精度的比較Table 3 Comparison of the accuracies of classification results and statistical data

表4 不同分類方法混淆矩陣精度的驗證結果Table 4 Accuracy verification results of confounding matrices under different classification methods

為進一步探討基于Sentinel-2 時序NDVI 的面向對象決策樹分類方法提取農作物的有效性，利用研究區夏收作物最佳時相的多光譜影像，采用面向對象與基于像元的隨機森林算法分類結果進行比較分析.

從表4 和圖5 可以看出，基于NDVI 時間序列數據對研究區進行面向對象提取的農作物提取結果精度最高，總體精度達到了96.47%，Kappa 系數為0.951 8.河流兩岸的防護林帶、居住地旁邊的樹木以及冬小麥種植區域中零散種植的油菜均比較符合研究區實際情況，并且能夠將油菜和冬小麥區分開來.采用面向對象分類算法，從基于最佳時相多光譜數據得到的分類結果中也能夠得到較為完整的地塊，總體的分類精度為88.67%，Kappa 系數為0.818 5.但是基于最佳時相多光譜數據的面向對象分類結果在林草地的識別上精度較低，河道水渠兩側的林草地被錯分為農作物，穿插種植的冬小麥無法完整地提取出來，局部地塊被錯分成油菜.在大多數多光譜影像中，由于油菜和冬小麥的生長期較為類似，以致兩者在某些影像中存在差別不大的光譜特征，僅使用單景的多光譜數據的特征閾值無法對其進行有效的區分，局部地區地塊錯分漏分.從分類結果對比可以看出，基于Sentinel-2 NDVI 時序數據的面向對象決策樹分類方法將總體分類精度提升了7.80%，Kappa 系數提升了0.133 3.

基于像元的隨機森林算法適用于小樣本、高維度、非線性遙感影像信息的提取，但是在地物光譜信息較為相似的情況下難以準確識別地物，“同物異譜”或“異物同譜”問題無法解決.從分類結果可以看出，分類結果存在錯分和明顯的“椒鹽現象”，整體分類精度相對較低，總體精度為88.58%，Kappa 系數為0.728 8.

4 小結與討論

本文利用2017 年9 月至2018 年6 月的多時相Sentinel-2 衛星遙感影像，結合研究區農作物生長物候信息，基于面向對象的決策樹分類方法提取潛江市2018 年主要夏收農作物種植面積以及空間分布，與最佳時相基于面向對象和基于像元的多光譜分類方法進行比較，并以統計數據和野外實測數據進行精度驗證，得到以下結論:(1)利用研究區主要夏收作物的生長期時序Sentinel-2 遙感影像，基于面向對象分類方法進行農作物提取，能夠準確地識別作物的發育特征，配合決策樹分類方法能夠監測研究區農作物種植面積及空間分布.分類結果表明:油菜和冬小麥分類精度分別達到了92.20%和97.57%，分類總體精度為96.47%，Kappa 系數為0.951 8.表明該分類方法對農作物的識別能力較強，分類精度較高，能夠滿足精準農業遙感監測的需要.(2)研究區作物種植破碎化程度較高，插花種植現象比較普遍，這影響了作物的提取精度.本文結合高時空分辨率遙感影像構建的NDVI 時序和面向對象的決策樹分類方法，在提高分類精度的同時，避免了“同物異譜”、“異物同譜”和“椒鹽現象”.10 m 的空間分辨率既保證了精細尺度上的提取精度，也保證了作物整體空間分布上的準確性，分類結果的準確度和實用性有較大的提升.(3)Sentinel-2 衛星具有10 m 的高空間分辨率、5 d 的短重訪周期以及免費獲取的優勢，致使其廣泛應用在作物識別上.魏夢凡[20]在Sentinel-2 結合植被物候信息進行作物提取的領域進行了較為系統的研究，但單一作物的提取研究無法滿足實際應用的需求.本文研究根據研究區的作物種植規律與物候信息，對研究區主要的夏收作物進行了提取分析，得到作物種植面積與空間分布，滿足了作物監測的需求.