基于多时相Sentinel-2 遥感影像的江汉平原夏收作物提取方法

阴海明， 王立辉， 董明霞， 李晓冬， 黄进良

(1.中国科学院精密测量科学与技术创新研究院，湖北 武汉430077；2.中国科学院大学，北京100049；3.湖北省环境与灾害监测评估重点实验室，湖北 武汉430077)

我国是农业大国，拥有水稻、小麦等多种优势农作物.江汉平原位于湖北省中南部，是长江中下游平原的重要组成部分，是全国重要的商品粮生产基地.因此，对江汉平原农作物种植面积进行准确有效的监测，具有十分重要的意义[1].传统的农作物面积统计方法需要耗费巨大的人物、物力、财力，且统计结果缺乏时效性，而遥感技术以其覆盖范围广、重访周期短、时效性强、数据和方法丰富等特点，广泛应用在农业生产中[2].

利用归一化植被指数(normalized difference vegetation index， NDVI)时序数据对农作物种植信息进行提取，在时间上呈现植被物候特征以及周期性变化特征，反映季节和人为活动对地表植被的影响等，在农作物动态监测中有着十分重要的地位[3-4].目前，一些学者采用时序影像数据植被指数分析方法进行农作物识别[5].张煦等[6]基于MODIS NDVI 时序数据提取了江汉平原2002—2014 年油菜种植面积与变化趋势，得到油菜种植面积的增长态势，总体精度达到92.5%；Brain et al[7]基于MODIS NDVI 时序数据分析了不同作物时序光谱曲线，通过增强植被指数(enhanced vegetation index， EVI)和NDVI 提取了美国中部平原多种作物的种植结构；刘明月等[8]基于MODIS NDVI 时序数据，并结合Landsat8 OLI 影像，采用面向对象的分类方法对黑龙江北安市农作物进行分类，分类精度为90.7%.仅利用光谱特征进行提取造成的“同物异谱”或“同谱异物”问题以及分类结果中明显的“椒盐现象”仍无法解决[9-10].

随着遥感技术的发展，遥感影像的“时空矛盾”逐渐被克服.遥感影像空间分辨率不断提升的同时，卫星的重访周期也在不断缩短，同一地区能够获得更高分辨率的时序影像.欧洲航天局的多光谱卫星Sentinel-2 拥有10 m 的空间分辨率，通过相位相差180°的2A/2B 两颗卫星联合工作，将时间分辨率缩短为5 d，陆地监测水平大大提高[11].Sentinel-2 时序影像应用于农作物识别，克服了以往时序数据难以获取、影像空间分辨率低等难题，为农作物精细尺度识别提供了更好的解决办法[12].郭文婷等[13]根据植被生长旺盛期Sentinel-2 影像计算NDVI，并结合光谱特征对内蒙古赤峰市耕地和林地进行了提取，总体精度达87.64%；何云等[14]应用Sentinel-2A 遥感数据丰富的光谱和纹理信息对中南半岛典型地区进行了土地利用分类，总体分类精度达87.53%；Griffiths et al[15]利用Sentinel-2 MSI 和Landsat-8 OLI 合成的以10 d 为间隔的时序影像对德国草地进行监测.但有关Sentinel-2 进行多种农作物的精细尺度识别研究较少.

本文利用高时空分辨率的Sentinel-2 影像，将时序NDVI 和面向对象分类相结合，并以多云雨、难以获取植被生长期影像的全国重要产粮基地江汉平原为研究区，进行精细尺度农作物提取研究；利用研究区作物生长期多时相Sentinel-2 影像与构建的NDVI 时序数据，结合研究区不同作物物候特征，探讨提取江汉平原农作物种植信息的最佳方法，为江汉平原作物种植面积监测及农业现代化信息提取提供依据.

1 研究区概况

潜江市地处江汉平原腹地，东经112°29′39″—133°01′27″，北纬30°04′53″—30°38′53″，北隔汉水，与天门市接壤；南与江陵、监利县为邻；东接仙桃；西联沙洋县和荆州市沙市区，土地总面积约2 000 km2.境内地势平坦，河渠纵横交错，湖泊星罗棋布，属亚热带季风性湿润气候，年平均气温16 ℃，热量、雨量较为充足，是江汉平原种植模式的典型代表[17-18].

图1 潜江市在江汉平原的位置及潜江市Sentinel-2 影像Fig.1 Location of Qianjiang City in Jianghan Plain and Sentinel-2 image

研究区的主要夏收作物为油菜、冬小麦和早稻，主要秋收作物为中稻、棉花、晚稻.种植模式为油菜—中稻、油菜—棉花、冬小麦—棉花、早稻—双季晚稻和一季晚稻[18].江汉平原主要夏收农作物生长周期如表1 所示.

表1 江汉平原主要夏收农作物的生长周期Table 1 Growth cycle of main summer crops in Jianghan Plain

2 研究方法

2.1 遥感数据及其预处理

影像数据来自欧洲航天局(https:/ /sentinel.esa.int/web/sentinel/home)，选取2017 年9 月至2018 年6月研究区夏收作物一个完整生长周期的12 幅云量覆盖低于10%的Sentinel-2 影像，影像获取时间和云量相关数据见表2.

表2 潜江市Sentinel-2 数据Table 2 List of Sentinel-2 data of Qianjiang City

获取的Sentinel-2 Level-1C 数据为经正射校正和亚像元级几何精校正后的大气表观反射率产品[19]，通过Sen2cor 对影像进行大气校正，得到L2A 产品；然后在ESA snap 中对影像数据进行重采样、波段提取以及栅格输出.提取空间分辨率为10 m 的R、G、B 和NIR 波段，计算各时相影像的NDVI，最后合成多波段NDVI 时序影像.

2.2 野外实地数据采集

野外实地调查数据为2018 年3 月下旬在研究区采集的地物样本点数据，包括作物类型、物候期以及经纬度信息.共采集有效样本点数据5 993 个，其中油菜1 719 个，冬小麦1 303 个，林草地1 102 个，非植被1 869 个，按照1 ∶1 的比例随机分成训练样本和验证样本.

2.3 研究技术路线

基于多时相遥感影像进行农作物面积提取，根据作物生长周期不同时期农作物光谱特征的差异来提取作物种植信息.以潜江市作物生长周期的12 幅Sentinel-2 影像构建时序NDVI，结合最佳时相多光谱影像进行基于对象的多尺度分割，基于农田实测数据和NDVI 时序数据进行训练并构建决策树分类模型，对作物进行提取.研究技术路线如图2 所示.

图2 技术路线图Fig.2 Technology roadmap of the paper

2.4 研究区主要地类NDVI 曲线分析方法

NDVI 计算公式为:

研究区主要地表类型的时序NDVI 曲线分析方法如图3 所示.

根据研究区作物物候，将预处理的最佳时相Sentinel-2 多光谱影像及合成的NDVI 时序影像以野外实测的样本点进行训练，建立决策树分类模型；并对影像进行面向对象分类，分类决策树模型如图4 所示，对研究区农作物进行提取.

3 结果与分析

3.1 影像分类

基于Sentinel-2 时序NDVI 的面向对象决策树分类方法对江汉平原潜江市2018 年主要夏收作物(油菜、冬小麦)进行提取，分类结果如图5 所示.

对照原始影像和图5 可以看出，研究区冬小麦空间分布较为集中，主要分布在潜江市北部乡镇以及东荆河两岸；油菜种植面积相对较小且较为分散，主要分布在潜江南部以及西南部.冬小麦和油菜在北部穿插种植，少部分零星分布在东荆河两岸.竹根滩镇位于潜江市东北部，夏收农作物种植面积较大，不同算法分类结果差异较为明显(图6).

图5 潜江市不同分类算法的分类结果Fig.5 Classification results of different classification algorithms in Qianjiang City

3.2 精度验证

为探讨江汉平原农作物种植信息提取的最佳方法，验证本文中多种分类方法的准确程度，基于统计数据和实地调查数据进行精度验证.

图6 竹根滩镇不同分类算法分类结果Fig.6 Classification results of different classification algorithms in Zhugentan Town

基于统计数据的精度验证，计算研究区各种农作物提取的相对精度:

潜江市油菜的播种面积为209.93 km2，冬小麦的种植面积为366.47 km2[18]，分类结果的相对精度如表3 所示.

由表3 可知，基于Sentinel-2 NDVI 时序提取的潜江市主要夏收作物种植面积与实际统计结果相符，油菜和小麦的相对精度分别是98.54%和98.62%.此外，利用随机选择的实地验证点，通过对研究区不同分类方法的分类结果计算混淆矩阵，对分类结果进行精度验证，验证结果如表4 所示.基于Sentinel-2 NDVI 时序提取潜江市主要夏收作物种植面积在各个地类的识别精度，结果表明，油菜的用户精度为92.20%，冬小麦的用户精度为97.57%，林草地的用户精度为97.65%，分类的总体精度为96.47%，Kappa 系数为0.9518.总体上，各种作物类型的分类结果均较为准确，分类精度较高.

表3 遥感分类结果精度的比较Table 3 Comparison of the accuracies of classification results and statistical data

表4 不同分类方法混淆矩阵精度的验证结果Table 4 Accuracy verification results of confounding matrices under different classification methods

为进一步探讨基于Sentinel-2 时序NDVI 的面向对象决策树分类方法提取农作物的有效性，利用研究区夏收作物最佳时相的多光谱影像，采用面向对象与基于像元的随机森林算法分类结果进行比较分析.

从表4 和图5 可以看出，基于NDVI 时间序列数据对研究区进行面向对象提取的农作物提取结果精度最高，总体精度达到了96.47%，Kappa 系数为0.951 8.河流两岸的防护林带、居住地旁边的树木以及冬小麦种植区域中零散种植的油菜均比较符合研究区实际情况，并且能够将油菜和冬小麦区分开来.采用面向对象分类算法，从基于最佳时相多光谱数据得到的分类结果中也能够得到较为完整的地块，总体的分类精度为88.67%，Kappa 系数为0.818 5.但是基于最佳时相多光谱数据的面向对象分类结果在林草地的识别上精度较低，河道水渠两侧的林草地被错分为农作物，穿插种植的冬小麦无法完整地提取出来，局部地块被错分成油菜.在大多数多光谱影像中，由于油菜和冬小麦的生长期较为类似，以致两者在某些影像中存在差别不大的光谱特征，仅使用单景的多光谱数据的特征阈值无法对其进行有效的区分，局部地区地块错分漏分.从分类结果对比可以看出，基于Sentinel-2 NDVI 时序数据的面向对象决策树分类方法将总体分类精度提升了7.80%，Kappa 系数提升了0.133 3.

基于像元的随机森林算法适用于小样本、高维度、非线性遥感影像信息的提取，但是在地物光谱信息较为相似的情况下难以准确识别地物，“同物异谱”或“异物同谱”问题无法解决.从分类结果可以看出，分类结果存在错分和明显的“椒盐现象”，整体分类精度相对较低，总体精度为88.58%，Kappa 系数为0.728 8.

4 小结与讨论

本文利用2017 年9 月至2018 年6 月的多时相Sentinel-2 卫星遥感影像，结合研究区农作物生长物候信息，基于面向对象的决策树分类方法提取潜江市2018 年主要夏收农作物种植面积以及空间分布，与最佳时相基于面向对象和基于像元的多光谱分类方法进行比较，并以统计数据和野外实测数据进行精度验证，得到以下结论:(1)利用研究区主要夏收作物的生长期时序Sentinel-2 遥感影像，基于面向对象分类方法进行农作物提取，能够准确地识别作物的发育特征，配合决策树分类方法能够监测研究区农作物种植面积及空间分布.分类结果表明:油菜和冬小麦分类精度分别达到了92.20%和97.57%，分类总体精度为96.47%，Kappa 系数为0.951 8.表明该分类方法对农作物的识别能力较强，分类精度较高，能够满足精准农业遥感监测的需要.(2)研究区作物种植破碎化程度较高，插花种植现象比较普遍，这影响了作物的提取精度.本文结合高时空分辨率遥感影像构建的NDVI 时序和面向对象的决策树分类方法，在提高分类精度的同时，避免了“同物异谱”、“异物同谱”和“椒盐现象”.10 m 的空间分辨率既保证了精细尺度上的提取精度，也保证了作物整体空间分布上的准确性，分类结果的准确度和实用性有较大的提升.(3)Sentinel-2 卫星具有10 m 的高空间分辨率、5 d 的短重访周期以及免费获取的优势，致使其广泛应用在作物识别上.魏梦凡[20]在Sentinel-2 结合植被物候信息进行作物提取的领域进行了较为系统的研究，但单一作物的提取研究无法满足实际应用的需求.本文研究根据研究区的作物种植规律与物候信息，对研究区主要的夏收作物进行了提取分析，得到作物种植面积与空间分布，满足了作物监测的需求.