Sentinel-2數據縣域尺度大豆種植信息提取研究

辛 蕊

(黑龍江省農業科學院農業遙感與信息研究所，黑龍江 哈爾濱 150086)

引言

農作物種植信息能夠反映該地區農業生產布局情況，因此，及時、準確地獲取農作物種植信息對把握區域農作物生產情況、種植結構調整等具有重大戰略意義[1-5]。大豆作為植物油與蛋白質的重要來源，在國際糧食貿易交易中占有重要地位。大豆是我國重要的糧食作物和油料作物，中國是世界上最大的大豆進口國，大豆對外依存度較高，因此，掌握地區大豆種植信息，了解大豆種植演變規律等能夠為政府決策提供數據支撐，具有重要意義[6-10]。

傳統的農作物播種面積和種植結構調查的方法依賴于基于人工調查的統計方法等，存在工作效率低、調查形式粗放等不足[11-16]。遙感技術因其高時效、寬范圍和低成本的優點，為大區域快速獲取農作物種植結構及其變化信息提供了新的技術手段，為不同時空尺度下的作物種植結構提取發揮了重要作用，無論在理論方法，還是在田間實踐等方面都取得了長足的進展，并被廣泛應用于農作物種植結構的提取研究及種植管理應用中[17-20]。

許志龍[21]利用高分影像、哨兵影像等多源遙感數據進行浙江省杭州市昌化鎮農作物種植信息反演研究，對比eCogniton與U-Net深度學習2種分類器，得出深度學習模型提取精度超過80%，Kappa系數為0.8845，取得良好效果，能夠應用于多源衛星影像的農作物種植信息提取研究。陳卓等[22]將SPOT/VGT數據結合SPAM-China模型重構了1980—2010年華北地區玉米種植空間分布信息，識別并劃分了華北地區春、夏玉米的主要種植類型區并分析不同類型區內玉米空間動態類型的變化特征，為大區域、長時間序列種植信息獲取提供了新方法和新思路。陳雨思等[23]利用MODIS遙感影像的地表反射數據、植被指數數據和分類數據，融合包括閾值法、分層分類、紋理特征、監督分類、指數時間序列等多種方法建立決策樹分類模型，依次識別2003—2018年黑龍江省的森林、水體、城鎮、草甸等土地利用方式，識別精度在85%以上。游炯等[24]采用矩陣分解和距離空間轉換等數學工具設計了改進多元紋理信息提取模型，對安徽省濉溪縣冬小麥種植面積利用GF-1 WFV遙感影像進行提取，根據冬小麥物候特征，選取出苗期和越冬期2期遙感影像的藍光波段、綠光波段、紅光波段和近紅外波段進行分析，在較大區域冬小麥面積提取一致性的精度超過97%，得出在冬小麥越冬期能夠采用基于GF-1 WFV影像的改進多元紋理與光譜信息融合識別方法達到最佳識別效果。

海倫市位于黑龍江省中部，是黑龍江省內重要的大豆生產大縣，中國優質大豆之鄉，有“中國大豆看龍江，龍江大豆看海倫”美譽[25]，該地區種植結構較復雜。本文以海倫市為研究區域，通過Sentinel-2衛星影像數據，采用監督分類算法對研究區大豆信息進行提取，分析該方法在復雜種植結構、縣域尺度大豆種植信息提取的可行性，為農作物種植面積提取提供方法參考。

1 材料與方法

1.1 研究區概況

海倫市隸屬于黑龍江省綏化市，地處松嫩平原東部、小興安嶺西側山前沖積洪積臺地，位于N46°58′～47°52′，E126°14′～127°45′。總面積4667km2，耕地面積3100km2，占黑龍江省耕地總面積的2%左右，是全國重點商品糧基地縣市。海倫市屬溫帶大陸性季風氣候，冬季漫長寒冷，夏季短促溫潤，無霜期130d左右，年降水量為500～600mm。

1.2 衛星影像數據

Sentinel-2衛星包括A和B 2顆衛星，均為高分辨率多光譜成像衛星，可用于陸地、植被、土壤、水覆蓋及海岸區域等監測，幅寬度達290km，共有13個光譜波段。數據空間分辨率最高可達10m，每5d可以獲取1次影像，具有影像質量高、時空分辨率高且免費的特點，是近年來應用較多的遙感影像。海倫市處于高緯度地區，適合提取旱地作物種植信息的窗口期較短，因此，選擇具有更高時間及空間分辨率的Sentinel-2衛星數據更加適合。Sentinel-2數據來源為歐空局數據中心(https：//dataspace.copernicus.eu/)，選擇已經完成幾何校正及輻射校正的2A級產品，疊加其原始波段的紅光波段、近紅外波段、短波紅外波段2進行分析。覆蓋海倫市的Sentinel-2衛星遙感數據軌道號為51TYN和52TCT，時相為2023年8月6日。

1.3 研究方法

監督分類算法又稱訓練分類法，即用被確認類別的樣本像元去識別其他未知類別像元的過程。在此方法中，分析者在圖像上對某一類別選取一定數量的訓練區，計算機按分類算法統計訓練區的特征或信息，再將每個像元與訓練區作比較，最終達到將圖像分類的目的[26]。監督分類可以根據分類者的目的及研究區域，重復利用先驗知識，有選擇地決定分類，避免出現不必要的分類，也可以控制訓練樣區的選擇，通過反復檢驗訓練樣本類提高分類精度，避免出現嚴重的分類錯誤。研究采用的監督分類算法為最大似然法。利用統計方法建立一個判別函數集，根據這個判別函數計算各待分類樣本的歸屬概率，樣本屬于哪一類的概率最大就判別其屬于哪一類即為最大似然法。最大似然法可以同時定量地考慮2個以上不同的波段和類別，是根據計算訓練區的樣本均值和方差來評價待分類像元與訓練區間的最大似然性，以此制定有效的決策規則來決定待分類對象的歸屬。

1.4 精度評價

采用基于誤差矩陣的Kappa系數檢驗法。Kappa系數是一種衡量分類精度的指標，其通過把所有地表真實分類中的像元總數乘以混淆矩陣對角線的和，再減去某一類地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果，除以總像元數的平方減去某一類地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果所得到的。Kappa計算結果通常在0～1區間，其中超過0.6即為一致性較好。

用戶精度為被正確解譯的目標作物精度驗證點個數與目標作物精度驗證點總數比值，公式：

2 結果與分析

2.1 種植信息提取

將外業采集的232個大豆樣區分為2類，將地塊形狀規則、面積較大且不能為狹長形、長勢較好、影像反應與其他作物反差更明顯的86個樣區作為訓練樣區，其他146個大豆樣區和33個其他作物樣區作為精度驗證點。利用監督分類最大似然法得出海倫市2023年大豆種植信息，其種植面積為959.51km2，分布情況見圖1。

圖1 研究區位置及大豆種植信息分布圖

2.2 精度驗證

共采集精度驗證點179個，其中146個為大豆驗證點，33個為其他作物驗證點。有137個大豆驗證點被正確識別，有4個其他作物驗證點被誤識別為大豆，最終Kappa系數為0.772，用戶精度為0.938，與實際情況高度一致。

表1 誤差矩陣分布

3 結論

本文基于高時空分辨率遙感影像數據Sentinel-2開展基于縣域尺度大豆種植信息提取研究，研究區域為黑龍江省復雜種植區海倫市，目標作物為大豆。利用監督分類的最大似然研究法對2023年8月6日，軌道號為51TYN和52TCT的2景影像數據開展種植信息提取研究，最終獲取到2023年海倫市大豆種植信息分布圖，海倫市大豆種植面積為959.51km2，用戶精度為0.938，Kappa系數為0.772，與實際情況高度一致。說明基于Sentinel-2影像數據的最大似然法監督分類能夠應用于縣域尺度農作物信息提取，并將其應用到種植結構調整，農作物長勢監測及估產等環節中，為制定農業政策、保障糧食安全等提供數據支持。

4 討論

本文利用Sentinel-2遙感影像和監督分類的最大似然法對黑龍江省海倫市大豆種植信息進行提取，2023年度海倫市大豆種植面積為959.51km2，用戶精度為0.938，Kappa系數為0.772，能夠滿足實際應用。在研究中，僅對大豆一種農作物開展了此類研究，并未同時拓展到多種農作物及地區。并且，研究未進行多種分類器及分類方法橫向對比研究，在后續研究中，將對多種作物和分類器進行深入研究，以期提高農作物種植信息提取的精度和效率。