基于Sentinel-2多時相遙感影像的冬小麥種植面積監測

收稿日期：2023-11-15

作者簡介：于天祥（2000-），男，內蒙古巴彥淖爾人，碩士研究生，主要從事農業遙感方面的研究。（E-mail）1224745953@qq.com

通訊作者：樊 紅，（E-mail）hfan3@whu.edu.cn

摘要： 針對農業保險精準理賠對農作物真實種植面積的數據需求，提出1種快速有效提取冬小麥分布與種植面積的方法。以湖北省荊州市荊州區作為研究區，選取2019-2020年的Sentinel-2影像，計算多時相紅邊植被指數與黃度值，并將其作為特征用于優化分類模型，利用隨機森林法、支持向量機算法提取冬小麥的分布圖，對比分析不同方法的分類結果。結果表明，包括紅邊指數在內的多時相植被指數的加入可以有效提高小麥地塊分類的完整度；相比于支持向量機，用隨機森林法提取的小麥地塊邊界更清晰、完整且準確性更高；基于多時相特征的隨機森林法分類結果的總精度、Kappa系數分別為 97.49%、0.968 6；不同分類方法提取的分類小麥面積與統計年鑒記錄的小麥面積的比值為91.28%。由研究結果可以看出，歸一化植被指數（NDVI）、歸一化紅邊指數（NDre1）、新型倒紅邊葉綠素指數（IRECI）和黃度值是隨機森林模型中重要性較高的分類特征。

關鍵詞： 冬小麥分布圖提??；紅邊植被指數；Sentinel-2；隨機森林；支持向量機

中圖分類號： TP79"" 文獻標識碼： A"" 文章編號： 000-4440（2024）09-1653-09

Remote sensing monitoring of winter wheat planting area based on multi-temporal Sentinel-2 imagery

YU Tianxiang， FAN Hong

（State Key Laboratory of Information Engineering in Surveying， Mapping and Remote Sensing， Wuhan University， Wuhan 430079， China）

Abstract： Aiming at the data demand of the real planting area of crops in the accurate claims of agricultural insurance， a fast and efficient method for crop classification was proposed in this study. Taking Jingzhou District of Jingzhou City， Hubei province as the research area， Sentinel-2 images from 2019 to 2020 were selected to calculate multi-temporal red-edge vegetation index and yellowness value for feature optimization. Random forest and support vector machine algorithms were used to extract the distribution images of winter wheat. The results showed that adding multi-temporal vegetation index as a classification feature could effectively improve the integrity of wheat plot classification. Compared with support vetcor machine （SVM）， the wheat boundary extracted by random forest was clearer， more complete and more accurate. The total accuracy and Kappa coefficient of the classification results of the random forest method based on multi-temporal features were 97.49% and 0.968 6， respectively. The ratio of the wheat area extracted by different classification methods to the wheat area recorded in the statistical yearbook was 91.28%. Normalized difference vegetation index （NDVI）， normalized difference red-edge （NDre1）， novel inverted red-edge chlorophyll index （IRECI） and yellowness value were the most important classification features in random forest models.

Key words： extraction of winter wheat distribution image;red-edged vegetation index;Sentinel-2;random forest;support vector machine

在農業保險相關領域，快速、準確地獲取作物的真實播種面積與分布情況是實現精準理賠的關鍵[1-2]。小麥是中國重要的糧食作物之一，據統計，2021年中國小麥播種面積占糧食作物播種面積的20.03%，占農作物播種面積的13.97%[3]，小麥投保面積大且區域分散。統計傳統農作物面積需要通過大量實地調查，費時費力，時效性差，且無法獲取作物的空間信息，存在很大局限性，難以為農業保險提供數據支持。遙感技術具有大范圍重復監測的能力，已被廣泛應用于農作物面積估算中[4-5]。

不同農作物具有不同的物候特征，而多時相的遙感分析可以充分利用地物在不同時段的特征，因此其在農作物監測中的應用廣泛。中分辨率成像光譜儀（MODIS）具有重返周期短的特點，非常適合用于作物生長周期的時間序列監測。許青云等[6]基于多年MODIS NDVI序列，利用動態閾值法對陜西省主要農作物進行分類。Zhang等[7]基于MODIS數據構建了增強植被指數時間序列曲線用于監測華北地區的冬小麥，并提取了物候期。但是，由于受到空間分辨率的限制，MODIS難以滿足小區域作物分類的需求。隨著衛星技術的發展，Landsat 8等中分辨率影像開始在農作物分類中得到應用。Cai等[8]基于多時相Landsat8數據，利用基于深度神經網絡的機器學習模型對玉米、大豆進行分類。謝登峰等[9]融合Landsat 8和MODIS影像數據，采用支持向量機識別秋糧作物，獲得了較高的識別精度。但是，由于Landsat 8的重返周期較長，當受到云層干擾時，難以獲取作物完整生長周期的時序影像。Sentinel-2衛星具有最高10 m的空間分辨率和5 d的重返周期，解決了以往影像時空分辨率不足的問題，為精細農業監測提供了數據支持。王利軍等[10]采用Sentinel-2A影像數據，結合決策樹與支持向量機（SVM）對河南省濮陽縣的秋季作物進行了分類，分類總體精度、Kappa系數分別為92.3%、0.886。Johann等[11]采用多時相Sentinel-2影像，應用機器學習算法對美國愛荷華州、內布拉斯加州的玉米產量進行預測。Sentinel-2在紅邊范圍內有3個波段，能夠提供豐富的光譜信息，但是目前的作物分類研究大多利用Sentinel-2高時空分辨率的特點，利用紅邊波段構建紅邊植被指數，將多時相植被指數應用于農作物分類的相關研究較少。

綜上，本研究擬以湖北省荊州市荊州區作為研究區，選取2019-2020年的Sentinel-2 影像數據，對多時相紅邊植被指數與黃度值進行特征優化，利用隨機森林法、支持向量機算法提取冬小麥的分布影像，對比不同分類方法的結果，探究多時相特征與不同分類算法對小麥影像提取精度的影響，以期為農業保險精準理賠提供數據依據和方法參考。

1 研究區概況

本研究選擇湖北省荊州市荊州區作為研究區，荊州區位于湖北省中南部，地理位置為30°04′N～30°35′N，112°55′E～113°38′E。該地區地形以平原、丘陵、山地為主，主要海拔為200～500 m；屬亞熱帶季風氣候區，氣候溫和濕潤，四季分明，夏季較熱，冬季較冷，研究區的遙感影像如圖1所示。

研究區的主要夏收作物為小麥、油菜，這2類作物的混種在研究區比較普遍，容易在分類中造成混淆。小麥與油菜對應的生育期見表1。

2 數據概況

2.1 影像數據及預處理

Sentinel-2衛星星座是歐洲空間局發射的Sentinel系列衛星中重要的遙感平臺，其搭載的多光譜成像儀有13個光譜波段，涵蓋可見光、近紅外光和短波紅外光，最高空間分辨率可達10 m。Sentinel-2由Sentinel-2A、Sentinel-2B 2顆衛星組成，單顆衛星的重返周期為10 d，在雙星系統下，重返周期可達5 d。

本研究使用的Setintine-2影像產品等級為L2A級，已經過輻射定標與大氣校正。為了保證影像質量，篩選2019年11月1日至2020年6月30日間云覆蓋量小于30%的19景影像，并對其進行裁剪與月度均值的合成。

2.2 樣本數據

本研究在實地調查的基礎上，結合Google Earth高分辨率影像和特定日期的Sentinel-2影像進行目視解譯，共標注1 237個樣本點，包括6類地物，其中小麥地物262個，油菜地物204個，不透水面地物278個，水體地物89個，林草地地物323個，其他作物地物81個。將樣本點按照6∶4的比例劃分為訓練集與驗證集，樣本點的分布情況見圖2。

3 研究方法

3.1 技術路線

圖3是本研究的技術路線，首先進行影像的篩選與預處理，然后通過分析不同特征指數的時序變化，選取最佳時期，構建分類特征。利用隨機森林與支持向量機模型進行分類，從驗證集與統計年鑒數據2個方面開展分類結果的評價與分析。

3.2 分類特征的選擇

分類特征直接影響著模型的分類效果，因此選取有效的分類特征十分重要。本研究在Sentinel-2的12個原始波段的基礎上，加入歸一化水體指數（NDWI）、裸土指數（BSI）、歸一化植被指數（NDVI）、黃度值、歸一化紅邊指數（NDre1）、新型倒紅邊葉綠素指數（IRECI）6個遙感指數。表2列出了本研究選取的18個特征。其中，NDWI可突出影像中的水體信息，區分水體和非水體[12]；BSI可增強裸土地的亮度值[13]；NDVI可反映不同作物的長勢。

開花期的油菜在真彩色影像中呈現黃色，此時油菜的黃度值與小麥差異明顯，可用此特征對小麥與油菜進行區分[14]。黃度值按公式（1）進行計算：

Y=DNG-DNB（1）

式中，DNG、DNB分別為綠光波段、藍光波段的光譜值。

Sentinel-2包含3個紅邊波段，為紅邊指數的應用提供了重要的基礎[15]。本研究加入了2個紅邊植被指數作為分類特征。NDre1分別用紅邊的峰、谷來代替傳統NDVI中的紅光、近紅外波段，可用于估算植物葉面積指數、葉綠素含量[16]，其計算方法如公式（2）所示：

NDre1=βred2-βred1βred2+βred1（2）

式中，βred1、βred2分別對應Sentinel-2的紅邊波段1（B5）、紅邊波段2（B6）。

IRECI與植物冠層葉綠素含量、葉面積指數有很好的相關性，可用于定量表征植物的葉綠素含量[17]，其計算方法如公式（3）所示：

IRECI=β783-β665β705/β740（3）

式中，β783、β665、β705、β740分別對應Sentinel-2的紅邊波段3（B7）、紅波段（B4）、B5、B6。

3.3 分類時相選取

圖4為研究區內小麥、油菜和林草地樣本點的黃度值、NDVI及NDre1月均值的時間序列。3月份開始小麥先后進入返青期、拔節期，在此期間NDVI、NDre1會快速升高，達到生長周期中的峰值（圖4a、圖4b）；油菜則進入開花期，黃度值、NDVI和NDre1均有所下降，降幅最大的是黃度值（圖4c），與小麥、林草地間表現出明顯差異。6月份油菜與小麥均已成熟并收獲，此時2類作物樣本點的NDVI、NDre1均出現大幅度下降，林草地的NDVI、NDre1卻達到峰值（圖4a、圖4b）。由此可見，3月是區分小麥與油菜的最佳時期，6月是區分小麥、油菜與林草地的最佳時期。本研究選擇3月份的影像來構建分類特征，同時還補充加入用6月份影像計算得到的NDVI、NDre1、IRECI，進行特征優化。

3.4 分類算法

分別采用隨機森林（RF）法和支持向量機（SVM）算法對研究區內的作物進行分類，并比較用2類模型提取冬小麥影像的精度。

RF法是通過組合多個決策樹分類器，并采用投票方式確定測試樣本類別的機器學習算法。該算法不需要過多人工干預，能容忍一定的噪聲和異常值，能并行化處理高維海量數據，運算效率較高[18]。RF最重要的參數是決策樹的數量，本研究將決策樹數量設置為1 000，以充分發揮GEE的計算能力。

SVM法通過構造核函數，將低維空間向量集映射到高維空間，增大其可分離性，提升了分類器的泛化能力，能夠處理復雜數據的分類問題[19-22]。

3.5 精度評價方法

從驗證樣本數據、統計年鑒數據2個方面展開精度評價。首先，根據驗證數據構建混淆矩陣，計算用戶精度（UA）、生產者精度（PA）、總精度（OA）及Kappa系數。然后，通過提取的冬小麥面積與統計年鑒中記錄的實際播種面積的比值來衡量分類的正確性，比值越接近1，說明分類面積與真實播種面積越接近。

4 結果與分析

4.1 不同分類方法精度的對比

4.1.1 驗證集精度的評價 為了探究多時相特征及不同分類算法對小麥提取精度的影響，本研究對3種分類方法的精度進行對比。如表3所示，基于單時相特征的RF模型的精度較低，基于多時相特征的RF模型的精度最高，用戶精度和生產者精度均達98.00%以上，總精度為97.49%，Kappa系數為0.968 6。

4.1.2 不同分類方法提取的小麥面積精度評價 由表4可以看出，基于單時相特征的RF模型的提取面積少于實際面積，基于多時相特征的RF模型的提取面積更接近實際面積，方法1、方法2提取的面積少于實際面積，方法3提取的面積多于實際面積。

圖5是同一小麥地塊的影像在3種方法中的分布提取對比結果，圖5a是該地塊的原始影像，左右兩部分深色區域代表小麥，圖5b～圖5d中的淺灰色區域代表各方法提取出的小麥分布情況。加入多時相特征后，提取的小麥地塊完整度有了明顯提高，更接近實際面積（圖5b、圖5d）。與SVM模型相比，用RF模型提取的地塊邊界更清晰完整且沒有內部空洞（圖5c、圖5d）。為了保證樣本數據的正確性，采樣多在易辨識的田塊內部進行，這是3種方法在驗證集上的精度評價接近，而在統計年鑒面積對比評價中差距明顯的原因。

4.1.3 RF模型與SVM模型的對比 除了上述差異外，SVM模型提取的小麥地塊影像中存在大量椒鹽噪聲，不僅將其他地物像元錯分為小麥，還存在將部分零散種植的油菜錯分為小麥的情況。因此，SVM模型提取的小麥地塊影像完整度雖不如RF模型，分類面積卻更多。相比之下，RF對于小麥與其他地物的區分度更高，沒有出現SVM模型錯分油菜和小麥的情況，椒鹽噪聲也明顯減少。

4.2 特征重要性分析

由表5可以看出，RF模型分類特征中重要性較高的特征是6月的NDVI、IRECI、NDre1及3月的NDre1、B5、黃度值，其中B5是Sentinel-2的第1個紅邊波段，其中心波長為703.9 nm，該波段有助于區分形態相似的作物間的細微差異。由此可見，加入紅邊指數特征及多時相植被指數，對提高小麥地塊影像的提取精度是十分有效的。重要性較低的是B1、B9，B1是海岸氣溶膠波段，主要用于監測近岸水體、大氣中的氣溶膠，B9是水蒸氣波段，這2個波段在作物分類中的作用不顯著。

4.3 提取小麥的空間分布

不同分類方法提取的小麥分布情況如圖6所示，冬小麥主要分布于荊州區西部的菱角湖管理區、太湖港管理區和南部的彌市鎮、李埠鎮。

5 結論

本研究選取2019-2020年多時相Sentinel-2影像數據，計算多時相紅邊植被指數與黃度值，并將其作為特征用于優化分類模型，利用隨機森林法、支持向量機算法提取湖北省荊州市荊州區冬小麥的分布情況，對比不同分類方法的結果，得出以下結論：（1）包括紅邊指數在內的多時相植被指數的加入可以有效地提高小麥地塊分類的完整度，更好地進行農作物種植面積監測。（2）相比于SVM模型，用RF模型提取的小麥地塊邊界更清晰完整，且與其他地物間的區分度更高，椒鹽噪聲顯著減少?；诙鄷r相特征的隨機森林分類結果的總精度、Kappa系數分別為97.49%、0.968 6，分類面積與統計年鑒中面積的比值為91.28%，該方法能夠滿足冬小麥面積監測的精度要求。（3）6月的NDVI、NDre1、IRECI和3月的NDre1、B5和黃度值是RF模型中重要性較高的分類特征，驗證了包括紅邊指數在內的多時相植被指數及黃度值特征在作物分類中的有效性。（4）冬小麥主要分布于研究區西部的菱角湖管理區、太湖港管理區和南部的彌市鎮、李埠鎮。

本研究存在下列不足，需要進一步開展研究：（1）Sentinel-2的雙星系統使得重返周期達5 d，但是仍無法避免受到云污染的影響，如1月受云層影響無法篩選出有效影像，在繪制特征時間序列曲線時缺少1月的數據。在后續研究中，可以嘗試融合多源影像或不同預處理方法以減少云的影響。（2）Sentinel-2最高的空間分辨率可達10 m， 在地物的邊緣存在混合像元，且在同類地物內部可能也存在“同物異譜”現象。由于本研究使用的方法本質上是基于像元的分類， 將不可避免地導致椒鹽噪聲的出現。目前， 深度學習算法在地物分類和識別方面表現出優越性能，后續可以嘗試使用高分辨率影像結合深度學習的方法進行更精細化的作物分類。

參考文獻：

[1] 潘 力，夏浩銘，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物種植面積制圖[J]. 農業工程學報，2021，37（18）：211-218.

[2] 陳 岳，寇衛利，李 瑩，等. 農作物遙感災損評估研究進展[J]. 江蘇農業科學，2022，50（16）：12-20.

[3] 吳炳方，范錦龍，田亦陳，等. 全國作物種植結構快速調查技術與應用[J]. 遙感學報，2004，8（6）：618-627.

[4] DHUMAL R K， VIBHUTE A D， NAGNE A D， et al. Advances in classification of crops using remote sensing data[J]. International Journal of Advanced Remote Sensing and GIS，2015，4（1）：1410-1418.

[5] 史 舟，梁宗正，楊媛媛，等. 農業遙感研究現狀與展望[J]. 農業機械學報，2015，46（2）：247-260.

[6] 許青云，楊貴軍，龍慧靈，等. 基于MODISNDVI多年時序數據的農作物種植識別[J]. 農業工程學報，2014，30（11）：134-144.

[7] ZHANG M W， FAN J L， ZHU X X， et al. Monitoring winter-wheat phenology in North China using time-series MODIS EVI[C]//SPIE. SPIE Remote Sensing 2009. Zhangjiajie：SPIE，2009：232-242.

[8] CAI Y P， GUAN K Y， PENG J， et al. A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach[J]. Remote Sensing of Environment，2018，210：35-47.

[9] 謝登峰，張錦水，潘耀忠，等. Landsat 8和MODIS融合構建高時空分辨率數據識別秋糧作物[J]. 遙感學報，2015，19（5）：791-805.

[10]王利軍，郭 燕，賀 佳，等. 基于決策樹和SVM的Sentinel-2A影像作物提取方法[J]. 農業機械學報，2018，49（9）：146-153.

[11]JOHANN D， DINO I， ANTOINE B. Out-of-year corn yield prediction at field-scale using Sentinel-2 satellite imagery and machine learning methods[J]. Computers and Electronics in Agriculture，2023，209：107807.

[12]王志輝，易善楨. 不同指數模型法在水體遙感提取中的比較研究[J]. 科學技術與工程，2007，7（4）：534-537.

[13]林建平，鄧愛珍，朱 青，等. 基于BP神經網絡模型的南方離子型稀土礦區開采遙感監測研究[J]. 中國稀土學報，2022，40（2）：339-350.

[14]李亞妮，曹建君，楊樹文，等. 基于決策樹的大尺度復雜地區夏收作物遙感提取與分析[J]. 江蘇農業學報，2022，38（5）：1257-1264.

[15]方燦瑩，王 琳，徐涵秋. 不同植被紅邊指數在城市草地健康判別中的對比研究[J]. 地球信息科學學報，2017，19（10）：1382-1392.

[16]GITELSON A， MERZLYAK M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology，1994，143（3）：286-292.

[17]FRAMPTON W J， DASH J， WATMOUGH G， et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，82：83-92.

[18]龍亦凡，喬雯鈺，孫 靜. 基于SVM的大屯礦區遙感影像變化檢測[J]. 測繪與空間地理信息，2020，43（12）：107-110，115.

[19]江遠東，李新國，楊 涵. 基于連續小波變換的表層土壤有機碳含量的高光譜估算[J]. 江蘇農業學報，2023，39（1）：118-125.

[20]路 陽，楊化龍，陳 宇，等. 基于TSDPSO-SVM的水稻稻瘟病圖像識別[J]. 江蘇農業科學，2022，50（23）：164-170.

[21]何 云，黃 翀，李 賀，等. 基于Sentinel-2A影像特征優選的隨機森林土地覆蓋分類[J]. 資源科學，2019，41（5）：992-1001.

[22]黃靖舒，高心丹，景維鵬. 基于BOVW和SVM的城市土地類型遙感變化監測研究[J]. 南京林業大學學報（自然科學版），2023，47（3）：37-44.

（責任編輯：徐 艷）