基于時序影像及關鍵物候特征的江蘇省夏收農作物提取

王宗偉，盧 剛，秦慧杰，張 汛，陳剛強，黃博超

（1.江蘇省測繪工程院，南京 210013；2.自然資源部國土衛星遙感應用重點實驗室，南京 210013）

農作物空間分布是開展農作物長勢分析、農作物估產、災害評估的數據基礎，對于掌握農業種植情況、制定農業產業政策、指導農業生產與優化農業種植結構等具有重要的參考價值［1］。農作物常規調查方法人力和物力成本極高，調查統計周期長。隨著衛星遙感現代化技術的快速發展，因其現勢性強、覆蓋范圍廣、獲取成本低，被廣泛應用于自然資源、測繪、水利、農業、環保等諸多行業中［2-6］。

利用衛星遙感技術獲取農作物種植范圍通常是基于單期影像，采用最大似然法、人工神經網絡法、支持向量機、隨機森林等遙感影像分類方法進行提取［7-11］。隨著生物量的不斷累積，農作物在不同的生長周期內，其形態結構存在一定的差異，但表現出的冠層反射率光譜往往存在“同物異譜、同譜異物”的現象［12］，不同農作物在同一期遙感影像上可能表現出相似的光譜特征。因此，在單期遙感影像上難以有效區分不同農作物的種植區域。

江蘇省不僅是工業大省，也是全國13 個糧食主產省之一。江蘇省處在亞熱帶和暖溫帶的氣候過渡地帶，主要種植“一年兩熟”作物，分為夏收農作物和秋收農作物，其中夏收農作物主要是油菜和小麥，秋收農作物主要是水稻、玉米和大豆［13］。目前，對江蘇省夏收農作物的提取研究較少。本研究以宜興市作為研究區，基于不同農作物在生長發育過程中的差異性特征，結合農作物的物候信息，采用表達作物每個生長期階段特征的相關時間序列數據，通過光譜特征分析，優選其關鍵物候特征，利用時序遙感影像構建關鍵物候特征量化參數，建立不同農作物的提取規則，實現江蘇省主要夏收農作物的提取。

1 研究區概況

宜興市屬于江蘇省縣級市，歸無錫市代管，位于江蘇省西南部（N31°07′—31°37′，E119°31′—120°03′），與浙江省、安徽省接壤，東臨太湖，西與常州溧陽市、金壇區相傍，北接常州武進區，南向宣城廣德市和湖州市長興縣，除南部地區，其他區域地勢較為平坦；該地氣候溫潤，屬北亞熱帶季風氣候，境內水系發達、縱橫交叉，東部太湖瀆區、北部平原區和西部低洼圩區特別適合種植各種農作物，是江蘇省經濟發達的農業大市［14］。宜興市所處地理位置如圖1所示。

圖1 宜興市地理位置

2 技術流程

首先，獲取時序遙感影像，經過大氣校正、正射校正等遙感影像預處理后，進行影像分割，分割結果作為農作物提取的最小單元。其次，通過時序光譜特征分析和時序指數特征分析，構建關鍵物候特征，然后，根據關鍵物候特征建立農作物的提取規則，最后，實現研究區夏收主要農作物的提取。具體技術流程如圖2 所示。

圖2 技術流程

2.1 時序遙感影像

在選取時序遙感影像時，不同時相影像上能突出農作物的關鍵物候信息，宜興市夏收主要農作物的關鍵物候期如表1 所示，其中小麥是10 月中下旬播種，第2 年5 月下旬至6 月上旬收割，油菜是9 月中下旬播種，第2 年5 月中下旬收獲。

表1 小麥和油菜物候信息

在自然資源衛星遙感云服務平臺查詢國產衛星遙感影像，根據宜興市主要農作物關鍵物候期，選取的時序遙感影像數據源如表2 所示，使用ENVI 5.3軟件對時序遙感影像進行大氣校正和幾何校正。

表2 時序遙感影像數據源

2.2 影像分割

影像分割是為了獲取農作物提取的最小處理單元，目前常用的影像分割方法有Mean Shift［15］和多尺度分割算法［16］。本研究以宜興市“第三次全國國土調查”成果中的耕地范圍作為輔助數據，選用多尺度分割算法對遙感影像進行分割。不同的分割尺度，其分割效果不同，對本研究所列的2 m 級遙感影像選用不同的分割尺度，其分割效果如圖3 所示。

由圖3 可以看出，分割尺度設為10 時，分割圖斑太過破碎，會將相近光譜特征的農作物分割開來。分割尺度設為50 時，分割效果最佳，既可以區分不同光譜農作物，又可以滿足相近光譜農作物圖斑的完整性。而分割尺度設為100 時，不同光譜特征的農作物，特別是零碎的油菜會被分割到其他圖斑內，不能滿足提取要求。經過反復試驗，本研究遙感影像多尺度分割尺度閾值設為50。

圖3 不同分割尺度下多尺度分割效果

2.3 關鍵物候特征分析

野外實地采集了10 個小麥和10 個油菜點位，并展點到遙感影像上，分析其時序平均光譜特征，確定其關鍵優選特征，并形成量化參數，用于后期農作物提取。

2.3.1 時序波段光譜特征 由圖4 可知，小麥在整個生長周期內光譜反射率的變化主要體現在近紅外波段，2019 年12 月至2020 年2 月，小麥處于播種-越冬期，近紅外光譜值稍有下降，2—4 月隨著小麥返青-開花期的到來，近紅外波段反射率上升。

圖4 小麥時序光譜反射率特征

由圖5 可知，油菜近紅外波段光譜變化與小麥類似，主要特征體現在2020 年4 月7 日左右油菜開花期，開花期的油菜在影像上表現為黃色，在綠光波段與紅光波段反射率有明顯上升，所以，可以利用綠波段和紅波段組合作為提取油菜的關鍵特征。

圖5 油菜時序光譜反射率特征

2.3.2 時序指數特征 由于小麥和油菜在綠光和近紅外波段的變化特征相似，為進一步區分小麥和油菜，結合光譜特征分析結果，選擇歸一化植被指數NDVI，并構建黃光波段合成指數YVI進行分析，進而確定提取小麥和油菜的關鍵時序特征。

NDVI計算公式如下［17］。

式中，NIR為近紅外波段；Red為紅光波段。

小麥和油菜的歸一化植被指數曲線如圖6 所示，可以發現小麥的植被指數在12 月至2 月份較為平穩，3 月份至4 月份呈現上升的趨勢，5 月底小麥趨于成熟，植被指數下降。油菜的植被指數在3 月之前趨于平穩，而在4 月7 日開花期有明顯的下降，至5 月份趨于平緩。對比小麥與油菜的歸一化植被指數，可以發現油菜在開花期的歸一化植被指數呈明顯下降趨勢，這一明顯的下降趨勢特征可以用于提取小麥和油菜。

圖6 小麥與油菜NDVI時序特征

為了更精準地提取小麥和油菜，受時序波段光譜特征分析啟發，本研究構建了黃光波段合成指數YVI，其計算公式如下。

式中，Red為紅光波段；Green為綠光波段。

小麥和油菜的黃光波段合成指數曲線如圖7 所示，可以發現小麥基本保持平穩，4 月份略高，而油菜在4 月份開花期黃光波段合成指數有明顯上升趨勢，所以黃光波段合成指數也可作為提取小麥和油菜的關鍵特征。

圖7 小麥與油菜黃光波段合成指數時序特征

2.4 夏收農作物提取

通過以上分析，選用2019-12-03、2020-02-18、2020-04-07 和2020-05-24 這4 期時序遙感影像，分別對應夏收農作物越冬、返青、開花和成熟4 個關鍵物候特征，采用歸一化植被指數（NDVI）和黃光波段合成指數（YVI）2 個量化參數提取2020 年宜興市夏收農作物。

eCognition 軟件相比于傳統商業軟件，提出面向對象的分類方法，參考編程采用規則集的方式，既提高了分類精度又具有一定的靈活性，廣泛應用于遙感解譯領域［18］，利用eCognition 軟件構建宜興市夏收農作物規則集模型如圖8 所示，提取成果（局部）如圖9 所示，提取成果圖中黃色區域為油菜，綠色區域為小麥。

圖8 夏收農作物eCognition 提取規則集模型

圖9 夏收農作物提取規則成果（局部）

3 精度評價

為了驗證宜興市2020 年夏收農作物的提取精度，采用統計年鑒和野外實測點分別進行精度評價。

3.1 統計年鑒對比

經查詢《2021 年無錫統計年鑒》［19］，小麥的提取精度為85.6%，油菜的提取精度為86.5%，具體統計信息如表3 所示。

表3 提取成果與統計年鑒對比

3.2 野外實測點驗證

野外實地采集了272 個點位，分別為小麥、油菜和其他地類，野外實測點位分布如圖10 所示。

圖10 宜興市野外實地采集點位分布

遙感解譯精度通常采用總體精度、Kappa 系數、每一類的制圖精度和用戶精度［20］等評價因子進行評價。其中，總體精度是指被正確分類的單元與全部待分類單元的比值，Kappa 系數是基于混淆矩陣計算的，其值為-1～1，Kappa 系數越大，說明分類結果越好。經計算，宜興市2020 年小麥和油菜的總體提取精度為92.65%，Kappa 系數為0.86，具體驗證結果如表4 所示。

表4 小麥與油菜遙感分類精度

4 結論

針對江蘇省主要夏收農作物快速、準確提取的難題，通過分析不同農作物在生長發育過程中差異性特征，結合農作物物候信息，優選其關鍵物候特征，利用時序遙感影像對宜興市夏收農作物進行提取，有效解決了農作物提取時“同物異譜、同譜異物”的影響，通過野外實測采集點進行驗證，總體精度為92.65%，Kappa 系數為0.86，達到了很好的提取效果，宜興市作為江蘇省經濟發達的農業大市，本研究可為江蘇省夏收農作物的提取提供參考，有效服務于耕地“非糧化”監測和農作物精細化監測，促進“強富美高”新江蘇建設。