?基于GF-1衛星影像的青島市冬小麥種植面積變化動態監測?

摘要：為準確獲取青島市冬小麥種植面積及空間分布變化特點，幫助相關部門優化種植結構，合理安排農業生產，研究利用GF-1 WFV衛星遙感影像，選擇青島市2014—2021年冬小麥種植面積遙感提取的最佳時相，采用圖像監督分類法提取冬小麥的種植面積，并通過分類后比較法分析小麥種植面積的動態變化。結果表明：2014—2021年青島市冬小麥的種植面積為21.7萬～24.8萬hm2，2016年小麥種植面積最大，2020年最小，每年冬小麥種植面積波動范圍為0.3萬～2.7萬hm2；遙感提取的種植面積與統計部門提供的種植面積誤差較小，誤差百分率不超過6.5%；小麥與其他地物類型之間相互轉換的差異很小，2014—2021年逐年小麥轉為其他地物的面積變化范圍為8.0萬～10.9萬hm2，其他地物轉為小麥的面積變化范圍為7.9萬～

11.4萬hm2。

關鍵詞：GF-1衛星影像；青島市；冬小麥；種植面積；動態監測；監督分類

中圖分類號：S512.11; S127 文獻標識碼：A 文章編號：1006-060X（2024）07-0074-07

Dynamic Monitoring of Winter Wheat Planting Area Changes in Qingdao Based on GF-1 Satellite Imagery

LIU Xue-gang1，LI Feng2，WANG Qian3

（1. Qingdao Ecology and Agricultural Meteorological Center， Qingdao 266003， PRC; 2. Climate Center of Shandong Province， Jinan 250031， PRC; 3. Qingdao Meteorological Observatory， Qingdao 266003， PRC）

Abstract： This study monitored the winter wheat planting area and its dynamics in Qingdao， aiming to help relevant departments optimize the planting structure and rationally arrange agricultural production. The GF-1 WFV satellite remote sensing images of the optimal phase were used for extracting the winter wheat planting areas in Qingdao from 2014 to 2021 by the supervised classification method. The post-classification comparison method was employed to analyze the dynamic changes in winter wheat planting area. The results showed that the winter wheat planting area in Qingdao ranged from 217 thousand to 248 thousand hectares during 2014–2021， with the largest area in 2016， the smallest area in 2020， and the annual fluctuations ranging from 3 thousand to 27 thousand hectares. The planting area extracted by remote sensing showed small differences （no more than 6.5%） from that provided by the statistical department. The difference in conversion between wheat and other ground features was small. During 2014–2021， the area of wheat that converted to other ground features ranged from 80 thousand to 109 thousand hectares every year， while the area of other ground features that converted to wheat ranged from 79 thousand to 114 thousand hectares.

Key words： GF-1 satellite imagery; Qingdao; winter wheat; planting area; dynamic monitoring; supervised classification

引用格式：劉學剛，李峰，王倩. 基于GF-1衛星影像的青島市冬小麥種植面積變化動態監測[J]. 湖南農業科學，2024（7）：74-80，86.

DOI：10.16498/j.cnki.hnnykx.2024.007.016

收稿日期：2023-12-28

基金項目：山東省自然科學基金面上項目（ZR2020MF130）；2022年青島市氣象臺科研項目（2022qxtxm03）

作者簡介：劉學剛（1970—），男，安徽滁州市人，高級工程師，主要從事農業氣象研究工作。

農作物的種類、面積和產量等信息是國家制定糧食政策和經濟計劃的重要依據，準確快速獲取農作物的播種面積、分析作物種植面積空間分布格局及動態變化特征，對持續穩定發展農業生產和保障國家糧食安全具有重大意義。作為一個農業大國，如何高精度地提取作物種植面積和進行長勢監測一直是農業遙感研究關注的熱點問題[1]。隨著遙感技術與應用的快速發展，基于遙感影像的農作物信息提取技術已日趨成熟[2]。衛星遙感監測具有視點高、視域廣、數據采集快和重復連續的特點，可以在短期內連續獲取大范圍的地面信息，實現農業信息的快速收集和定量分析，且避免了人為因素的干擾，節省了人力、物力、財力，為農作物種植面積的提取、長勢監測和估產提供了簡單易行的方法[3-8]。

2013年發射的高分一號（以下簡稱“GF-1”）衛星是國家高分辨率對地觀測系統重大專項的首發星，突破了高空間分辨率、多光譜與高時間分辨率結合的光學遙感技術，實現了在同一顆衛星上高分辨率和寬幅成像能力的結合。GF-1衛星搭載了2臺2 m分辨率全色/8 m分辨率多光譜相機（PMS）和4臺16 m分辨率多光譜寬幅相機（WFV），組合幅寬達到800 km，為國際同類衛星觀測幅寬的最高水平，重訪周期為4 d左右。基于GF-1數據進行作物監測已成為獲取大范圍作物面積、長勢及估產的有效手段[9-11]。王利軍等[12]利用GF-1 C等遙感影像研究

冬小麥的種植空間分布，提出了一種冬小麥遙感估產模型構建方法；王樂等[13]通過高分遙感影像結合地理探測器對冬小麥進行了長勢監測與驅動因子分析；楊云濤等[14]基于GF-1衛星影像建立了相應的估產模型，實現了高精度的縣域尺度小麥遙感估產。

冬小麥是僅次于水稻的第二大優勢作物，在我國農業經濟中占有舉足輕重的地位[15]。利用GF-1衛星提取冬小麥種植面積及年際變化監測，已成為農業遙感和農業統計領域的熱點[16-20]。冬小麥也是青島市主要的糧食作物之一，占全市糧食種植面積的50%左右。及時、準確地獲取青島市冬小麥種植面積及空間分布變化特點，可為相關部門規劃農業生產、調整種植結構、災害監測、加強田間生產管理等提供重要依據[21]。劉學剛等[22]以GF-1 16 m衛星影像為主要數據源，以GF-2 1 m衛星影像為輔助數據源，構建了冬小麥種植信息識別模型，實現了2017年青島市冬小麥種植面積的準確提取，遙感解譯總精度為94.3%，Kappa系數為0.857，但研究僅獲取了青島市冬小麥的種植面積信息，對于其空間變化方面的研究尚未開展。該研究利用GF-1 WFV衛星遙感影像，在前述研究基礎上，選取2014—2021年間青島市冬小麥種植面積遙感提取的最佳時相，提取冬小麥的種植面積開展冬小麥種植面積的動態變化監測研究，以期為青島市冬小麥種植空間布局的優化調整和可持續發展提供決策支撐。

1 研究區概況與影像數據處理

1.1 研究區概況

青島市是中國沿海重要中心城市和濱海度假旅游城市，位于山東半島東南部，屬半濕潤溫帶季風氣候，雨熱同季，四季較為分明。自西北到東南沿海地區，海洋性氣候特點愈加顯著。年平均降水量664.4 mm，年平均氣溫12.8℃，年平均蒸發量1 546 mm，

年平均日照時數2 435 h。主要大田作物為冬小麥和夏玉米等，其中冬小麥種植面積超過22.67萬hm2，總產超過130萬t，單產超過390 kg，整個生長發育期為每年的10月上旬至次年的6月中旬。

1.2 影像數據來源

選取2014—2021年GF-1 WFV影像數據進行研究，GF-1 WFV數據空間分辨率為16 m，在衛星不側擺時重訪周期可達4 d，幅寬為800 km，包括0.45～0.52、0.52～0.59、0.63～0.69和0.77～0.89 μm這4個光譜波段。該研究所需的GF-1衛星遙感影像從中國資源衛星應用中心官方網站（https：//www.cresda.com/zgzywxyyzx/index.html）下載。

1.3 最佳時相選擇

冬小麥遙感影像最佳時相的選擇是作物面積信息提取的關鍵環節之一，應選擇作物各個發育期與其他地物的光譜差異最顯著的時相作為最佳時相。

1.4 影像數據處理

根據下載的GF-1 WFV衛星圖像，利用ENVI衛星遙感圖像處理軟件，主要根據圖像預處理、圖像裁減、圖像監督分類、分類后處理、精度驗證、分類統計等步驟對冬小麥種植面積進行提取。其中圖像監督分類即根據不同作物的物候期，對圖像中的地物進行區分判別，分別建立樣本，再對所有分類樣本進行可分離性檢驗。樣本可分離性檢驗有Jeffries-Matusita（J-M距離）和Transformed Divergence（離

散度）2個檢驗指標，這2個指標的數值范圍為0～2，數值大于1.9說明分類樣本之間具有良好的可分離性；如果有一個指標數值小于1.8，說明樣本的可分離性不佳，需要對指標數值較小的樣本進行編輯或重新選擇，直到每個樣本的指標數值都達到1.9以上；如果數值小于1，說明這2類樣本屬于同類樣本，需要進行合并。按照分類樣本選擇、建立的方法，新建驗證樣本，以便對分類結果進行精度驗證。小麥種植面積的遙感動態變化監測則主要采取分類后比較法，須保證前后2幅分類后的圖像的分類名稱保持一致，且分類順序一一對應，才能輸出變化監測結果。

2 結果與分析

2.1 2014—2021年青島市冬小麥最佳時相選擇

3月中旬至4月期間，青島市的冬小麥處于返青—拔節期，除大蒜和常綠植被外的其余植被均處于枯萎或萌芽狀態，因此冬小麥與其他地物的可分離性較高，非常適合冬小麥種植信息的提取。經過衛星影像篩選，在2014—2021年期間共選取了2014年4月5日、2015年4月9日、2016年4月8日、2017年4月12日、2018年4月15日、2019年3月14日、2020年4月23日和2021年3月21日的8幅GF-1 WFV衛星影像用于提取青島市冬小麥種植面積。

2.2 2014—2021年青島市小麥面積提取

2.2.1 圖像預處理 根據青島市冬小麥種植面積提取的最佳時相，分別選取了2014—2021年逐年共8幅GF-1 WFV衛星影像，經過正射校正、輻射定標、大氣校正等一系列圖像預處理過程，得到預處理后的圖像如圖1所示。

2.2.2 圖像裁減 鑒于主要研究對象為青島市冬小麥種植面積變化情況，而GF-1衛星影像的覆蓋范圍很大，因此采用不規則圖像裁減方法，通過外部矢量來確定裁減區域，對青島市之外的區域進行裁減。裁減后的圖像如圖2所示。

2.2.3 圖像監督分類 利用目視解譯的方法，人工定義出6種地物類別：小麥、蔬菜、山地、裸地、建筑、水體，分類為6類樣本，對所有分類樣本進行可分離性檢驗。采用支持向量機監督分類方法，進行圖像分類，將原始圖像中的小麥、蔬菜、山地、裸地、建筑和水體，按照不同顏色區分開來。對監督分類圖像采取小斑塊去除處理，得到的圖像如圖3所示。

2.2.4 分類結果精度驗證 采用混淆矩陣對2014—2021年小麥監督分類后的結果進行精度驗證。如表1所示：圖像分類總精度為90.7%～99.9%，均達到90%以上；Kappa系數為0.847 9～0.998 0，除2021年外，其他年份均超過0.9；小麥錯分誤差為0～5.93%，2014、2015、2017和2021年錯分誤差為0，2018年錯分誤差稍大；小麥漏分誤差為0～1.16%，2014、2016和2017年漏分誤差為0，2021年漏分誤差略大；分類制圖精度為98.84%～100%，2014、2016和2017年分類制圖精度均達到100%；用戶精度為94.07%～100%，2014、2015、2017和2021年用戶精度均達100%。通過精度驗證結果可知，小麥分類精度較高，分類效果好。

2.2.5 分類統計 冬小麥種植面積即衛星圖像中監測區域內被判定為冬小麥的所有單個像元面積的總和。對分類處理后圖像中的所有小麥信息進行提取，2014—2021年冬小麥種植面積信息提取結果如圖4所示。青島市冬小麥種植區域主要分布在平度、萊西、即墨北部、膠州北部和南部、黃島西部以及城陽局部地區，青島市區、嶗山區及其他區市的建成區無小麥種植。

2.3 2014—2021年小麥種植面積遙感提取結果與統計部門比較

該研究所選取的GF-1 WFV衛星影像的分辨率為16 m，單個像元的面積為256 m2，提取的冬小麥種植面積為像元數乘以256 m2。由表2可知，2014—

2021年，青島市冬小麥的種植面積在21.7萬～24.8萬hm2間波動，2016年小麥種植面積最大，2020年最小；小麥年平均種植面積23萬hm2左右，種植面積逐年變化不大，變化范圍為0.3萬～2.7萬hm2。遙感提取的種植面積與統計部門提供的逐年種植面積誤差很小，提取誤差不超過1.5萬hm2，誤差百分

率不超過6.5%。提取的小麥面積與小麥實際種植面積

相近，表明該技術完全可以應用于大范圍的小麥面積估測，不僅可以減少野外工作量、提高效率，而且

為冬小麥的實時動態監測提供了較好的數據源保障。

2.4 2014—2021年小麥種植面積動態變化監測分析

利用ENVI中的動態變化監測工具，勾選青島市土地類型發生變化的項，得到逐年小麥、蔬菜、山地、裸地、建筑和水體這6種地物之間的變化圖。分別勾選小麥轉成蔬菜、山地、裸地、建筑和水體的項，得到由小麥轉為其他地物的變化區域圖（圖5）；分別勾選蔬菜、山地、裸地、建筑和水體轉成小麥的項，得到由其他地物轉為小麥的變化區域圖（圖6）。

從衛星遙感監測的青島市小麥種植面積變化結果（圖7）可知，2014—2021年，小麥轉為其他地物的面積為11.2萬hm2，其他地物轉為小麥的面積為

10.7萬hm2，僅相差0.5萬hm2，地物類型沒有發生變

化的面積為48.4萬hm2。2014—2021年期間每年青島市的小麥種植面積呈現波動性變化，逐年小麥轉為

其他地物的面積變化范圍為8.0萬～10.9萬hm2，其他

地物轉為小麥的面積變化范圍為7.9萬～11.4萬hm2，

相互轉換的差異很小，因此青島市小麥的種植面積每年基本穩定在23萬hm2左右。

3 討論與結論

利用GF-1 WFV衛星遙感影像，提取青島市2014

—2021年冬小麥的種植面積，并分析小麥種植面積的空間分布動態變化，得到如下結論：（1）青島市冬小麥種植區域主要分布在平度、萊西大部、即墨北部、膠州北部和南部、黃島西部以及城陽局部地區，青島市區、嶗山區及其他區市的建成區無小麥種植。（2）2014—2021年，青島市冬小麥的種植面積為21.7萬～24.8萬hm2，小麥年平均種植面積23萬hm2左右，2016年小麥種植面積最大，2020年最小；種植面積逐年變化不大，變化范圍為0.3萬～2.7萬hm2；且遙感提取的種植面積與統計部門提供的逐年種植面積誤差很小，誤差百分率不超過6.5%，表明衛星遙感信息提取技術完全可以應用于大范圍的小麥面積估測，能為冬小麥的實時動態監測提供較好的數據源保障。（3）2014—2021年青島市小麥種植面積基本穩定在23萬hm2左右，逐年小麥轉為其他地物的面積變化范圍為8.0萬～10.9萬hm2，其他地物轉為小麥的面積變化范圍為7.9萬～11.4萬hm2，相互轉換的差異很小。

雖然衛星遙感提取的青島市小麥種植面積誤差很小，但該研究在衛星數據源獲取和提取方法上還存在一些問題。由于GF-1 WFV衛星影像只有可見光和近紅外4個波段，導致分類時經常出現混分現象。在種植結構相對簡單的區域使用GF-1衛星影像開展農作物面積提取，效果能夠得到保證，但在種植結構相對復雜的區域，如丘陵和山地種植區域，僅采用單一的GF-1衛星影像就難以滿足監測需求，需要采用帶有對農作物的生理特征更敏感的短波紅外波段的其他衛星影像才能有效提高監測精度。而且，GF-1衛星重訪周期為4 d，而天氣復雜多變，經常會碰到衛星經過研究區域上空時為多云或陰雨天氣，從而影響影像的質量。另外，衛星到訪時也不能保證完全覆蓋研究區域，有時可能會缺點邊角。研究利用目視解譯方法人工定義地物類別，并在選擇分類樣本和驗證樣本時手動選取感興趣區，容易造成地物分類不夠準確，分類樣本提取不夠純凈。以上原因都給精準提取冬小麥面積增加了難度。

參考文獻：

[1] 徐新剛，李強子，周萬村，等. 應用高分辨率遙感影像提取作物種植面積[J]. 遙感技術與應用，2008，23（1）：17-23，122.

[2] 劉沼輝，柳林，郭慧，等. 基于GF1-NDVI時序影像對春小麥進行提取研究[J]. 北京測繪，2018，32（6）：643-646.

[3] 馮雪力，劉廷璽，吳世新. 基于遙感抽樣的新疆農區耕地利用率

及其空間分異特征[J]. 江蘇農業科學，2017，45（12）：205-208.

[4] 巫明焱，董光，稅麗，等. 基于Landsat 8影像的濟寧市春季主要作物種植面積變化監測[J]. 江蘇農業學報，2018，34（3）：559-569.

[5] 全璟，王淵，王新生，等. 用遙感影像提取大別山區水稻種植面積：以Landsat 8為例[J]. 中國農學通報，2019，35（1）：104-111.

[6] 孫玲，王晶晶，邱琳，等. 江蘇省水稻主產區水稻種植面積時空動態變化分析[J]. 中國農業信息，2020，32（2）：45-55.

[7] 楊歡，鄧帆，付含聰，等. 基于EVI相似性分區的冬小麥面積提取及其動態監測[J]. 長江流域資源與環境，2020，29（10）：2296-2306.

[8] 張曉春，曹澤群，楊聃，等. 基于HJ-1 CCD的縣域農作物種植結

構提取和時空分析[J]. 農業工程學報，2021，37（6）：168-181.

[9] 李杰，譚榮建. 基于高分1號衛星數據的農作物面積遙感測量[J]. 浙江農業科學，2018，59（3）：414-416，419.

[10] 錢可峰，尹亮，彭凱，等. 2018—2019年度湖北省冬小麥主產區冬至苗期遙感監測分析報告[J]. 湖北農業科學，2019，58（4）：132-139.

[11] 高浩，符瑜. 基于GF-1時間序列影像的引黃灌區農作物種植結構監測[J]. 氣象科技進展，2022，12（5）：144-150.

[12] 王利軍，郭燕，賀佳，等. 基于地塊單元的冬小麥遙感估產方法研究[J]. 中國農業資源與區劃，2021，42（7）：243-253.

[13] 王樂，樊彥國，樊博文，等. 基于高分衛星的冬小麥長勢監測及驅動因素分析[J]. 灌溉排水學報，2023，42（5）：24-32，51.

[14] 楊云濤，劉法軍，厲彥玲，等. 縣域尺度的小麥高分辨率遙感估產[J]. 農業與技術，2023，43（16）：1-4.

[15] 吳炳方. 中國農情遙感速報系統[J]. 遙感學報，2004，8（6）：481-497.

[16] 鄔明權，楊良闖，于博，等. 基于遙感與多變量概率抽樣調查的作物種植面積測量[J]. 農業工程學報，2014，30（2）：146-152.

[17] 田海峰，鄔明權，牛錚，等. 基于Radarsat-2影像的復雜種植結

構下旱地作物識別[J]. 農業工程學報，2015，31（23）：154-159.

[18] 王利民，劉佳，楊福剛，等. 基于GF-1衛星遙感的冬小麥面積早期識別[J]. 農業工程學報，2015，31（11）：194-201.

[19] 李峰，謝磊，王昊，等. 基于GF-1影像的冬小麥面積提取及年際變化動態監測[J]. 山東農業科學，2017，49（8）：139-144.

[20] 左憲禹，韓林果，葛強，等. 基于GF-1衛星的縣域冬小麥面積提取及年際變化監測[J]. 河南大學學報（自然科學版），2019，49（1）：69-77.

[21] 王冬利，張安兵，趙安周，等. 非監督分類的冬小麥種植信息提取模型[J]. 測繪通報，2019（8）：68-71，77.

[22] 劉學剛，李峰，郭麗娜. 基于高分衛星影像的青島市冬小麥種植信息提取[J]. 中國農學通報，2020，36（11）：118-123.

（責任編輯：王婷）