基于多時相Sentinel-2A的縣域農(nóng)作物分類

吳 靜 呂玉娜 李純斌 李全紅

(1.甘肅農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院， 蘭州 730070； 2.甘肅農(nóng)業(yè)大學(xué)管理學(xué)院， 蘭州 730070)

0 引言

農(nóng)作物種植種類、面積和產(chǎn)量估算是國家糧食生產(chǎn)安全和經(jīng)濟(jì)運行的重要監(jiān)測指標(biāo)。遙感技術(shù)由于能快速獲取作物類型和分布，已成為大尺度范圍農(nóng)作物監(jiān)測的主要手段之一[1]。農(nóng)作物的遙感精細(xì)分類是精確估產(chǎn)的前提，是目前農(nóng)業(yè)遙感的研究熱點之一[2-5]。

充分利用農(nóng)作物的典型反射光譜特征和季相節(jié)律特征是區(qū)分不同作物的關(guān)鍵理論依據(jù)[6]，也是利用光學(xué)遙感手段進(jìn)行農(nóng)作物分類的主要著力點。國內(nèi)外相關(guān)研究多采用農(nóng)作物生長發(fā)育過程中多時相的光學(xué)遙感數(shù)據(jù)提取時間序列的植被指數(shù)曲線來分類。采用的遙感數(shù)據(jù)包括MODIS[7-11]、Landsat[2-3,12-14]、HJ衛(wèi)星[15-17]、GF-1[18-20]等以及多元數(shù)據(jù)融合[21-24]，計算的植被指數(shù)包括NDVI、EVI等；提取的農(nóng)作物信息包括單一種類農(nóng)作物識別及分布信息[3-4,7,14,17]，以及多種農(nóng)作物種植結(jié)構(gòu)[18-27]。

圖1 景泰縣地理位置和行政區(qū)劃Fig.1 Location and administrative zoning map of Jingtai County

近年來，國內(nèi)對多種農(nóng)作物分類的研究主要集中于影響因素可控的小區(qū)域(如農(nóng)場)[1,15-16,21]或地勢平坦的東北平原[7-10,19,22,24]，在地形較復(fù)雜的縣域尺度上進(jìn)行農(nóng)作物分類有一定的挑戰(zhàn)性，因為可能遇到地塊較為破碎，分布比較零散、作物種植結(jié)構(gòu)相對復(fù)雜等問題。

Sentinel-2A衛(wèi)星能夠提供10 d重訪周期和最高10 m空間分辨率的多光譜數(shù)據(jù)，尤其是其紅邊波段數(shù)據(jù)為農(nóng)作物類型識別和產(chǎn)量監(jiān)測提供了強有力的數(shù)據(jù)支持[26]。目前對于利用Sentinel-2A數(shù)據(jù)的時空優(yōu)勢及其時序特征實現(xiàn)農(nóng)作物提取的相關(guān)研究正在陸續(xù)展開[1,26-28]。然而農(nóng)作物種植結(jié)構(gòu)具有強烈的區(qū)域性，不同的區(qū)域地形地貌、氣候、水文特征不同，農(nóng)作物的種類、分布、物候特征也不同，Sentinel-2A數(shù)據(jù)的全面應(yīng)用需要以實際案例研究為基礎(chǔ)，探討其在具體區(qū)域農(nóng)作物分類方面的能力和應(yīng)用潛力。本文以西北內(nèi)陸溫帶干旱區(qū)的景泰縣為研究區(qū)，在實地調(diào)查研究區(qū)主要作物及分布的基礎(chǔ)上，結(jié)合農(nóng)作物物候信息、土地變更調(diào)查數(shù)據(jù)，利用2018年多時相Sentinel-2A數(shù)據(jù)，計算時序NDVI和RENDVI指數(shù)及其組合為特征參數(shù)，采用隨機森林法對研究區(qū)的主要農(nóng)作物進(jìn)行分類，并結(jié)合實地調(diào)查選取驗證數(shù)據(jù)進(jìn)行結(jié)果驗證，對比分析不同特征參數(shù)提取作物信息的精度，以探討多時相Sentinel數(shù)據(jù)的不同特征參數(shù)應(yīng)用于干旱區(qū)縣域農(nóng)作物分類研究的可行性，以期為當(dāng)?shù)剞r(nóng)作物種植結(jié)構(gòu)信息的提取提供新思路。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

景泰縣位于甘肅省中部(103°33′～104°43′E，36°43′～37°38′N)，河西走廊東端，甘、寧、蒙三省(區(qū))交界處，是黃土高原與騰格里沙漠過渡地帶，如圖1所示。全縣面積5 483 km2，境內(nèi)海拔1 276～3 321 m，地勢由西南向東北傾斜，地貌類型以傾斜平原為主，地勢相對平坦。景泰縣屬于溫帶干旱型大陸氣候，年均降水量185 mm，年均蒸發(fā)量3 038 mm；年日照時數(shù)2 652 h，日照百分率60%，年平均太陽輻射量619 kJ/cm2，年均溫度8.2℃，大于等于0℃年活動積溫3 614.8℃，大于等于10℃年有效積溫3 038℃，無霜期191 d，適宜一年一季的農(nóng)業(yè)生產(chǎn)[29]。黃河流經(jīng)縣境110 km，境內(nèi)有被譽為“中華之最”的景電一、二期高揚程提灌工程，農(nóng)業(yè)生產(chǎn)條件較為便利，是《全國新增1 000億斤糧食生產(chǎn)能力規(guī)劃(2009―2020年)》中確定的甘肅省7個產(chǎn)糧大縣之一。

本研究為減少其他地類的干擾、提高作物分類精度，首先提取出耕地信息，然后在耕地范圍內(nèi)提取作物信息。農(nóng)作物主要有春小麥、玉米、水稻、秋油葵、胡麻、洋蔥、大棚作物、馬鈴薯、砂田瓜果9種類型，其中，春小麥-秋油葵是景泰縣傳統(tǒng)輪作模式，除此之外，其他作物種植都屬于一年一季。各種作物物候期見表1。

表1 景泰縣主要農(nóng)作物物候期Tab.1 Crops development period of Jingtai County

注：表中數(shù)據(jù)來源于實地走訪調(diào)查及參考中國氣象數(shù)據(jù)網(wǎng)(http://data.cma.cn/)

1.2 遙感數(shù)據(jù)及預(yù)處理

Sentinel-2A攜帶一臺多光譜成像儀(MSI)，幅寬達(dá)290 km，重訪周期10 d。從可見光和近紅外到短波紅外可覆蓋13個光譜波段，最高空間分辨率為10 m，在光學(xué)遙感數(shù)據(jù)中，Sentinel-2A數(shù)據(jù)是唯一在紅邊范圍含3個波段(中心波長分別為560、665、705 nm)的數(shù)據(jù)，為細(xì)致地監(jiān)測植被生長情況提供了更多可能性。

通過實地走訪調(diào)查和物候期分析，選取2018年4個時期的Sentinel-2A衛(wèi)星遙感影像(成像時間為5月15日、7月24日、8月23日和9月22日，產(chǎn)品級別為Level-1C)。數(shù)據(jù)來源于Copernicus Open Access Hub(https:∥scihub.copernicus.eu)。覆蓋研究區(qū)的圖像包括4景，編號分別為48SUG、48SVG、48SUF、48SVF。為保證數(shù)據(jù)質(zhì)量，在進(jìn)行作物精細(xì)分類前，利用Sen2cor軟件包對Sentinel-2A影像進(jìn)行大氣校正；利用SNAP軟件將校正結(jié)果重采樣為ENVI格式，在ENVI軟件中選取藍(lán)綠紅3個可見光波段、紅邊波段1和近紅外波段(編號分別為2、3、4、5、8波段，其中第5波段空間分辨率為20 m，其他波段空間分辨率為10 m)進(jìn)行波段疊加、影像拼接及裁剪，得到包含5個波段的研究區(qū)影像圖。根據(jù)土地利用變更數(shù)據(jù)，掩膜獲取耕地分布信息。

1.3 農(nóng)作物訓(xùn)練樣本及驗證數(shù)據(jù)集

2018年7月底對研究區(qū)開展野外實地考察，并記錄所到之處的地理位置和作物種類。利用實地調(diào)查數(shù)據(jù)，結(jié)合農(nóng)事歷，對影像進(jìn)行目視解譯，選取8 760個樣本點，包括水稻、玉米、春小麥、春小麥+秋油葵、胡麻、洋蔥、大棚作物、馬鈴薯和砂田瓜果9種作物類型。樣本點分布較為均勻，其中2/3作為訓(xùn)練樣本，1/3作為驗證數(shù)據(jù)。

2 研究方法

2.1 研究思路

影像預(yù)處理之后，首先計算各個時期遙感影像的植被指數(shù)，構(gòu)建特征參數(shù)數(shù)據(jù)集，分析不同作物不同指數(shù)的時序變化曲線；然后采用隨機森林分類法進(jìn)行農(nóng)作物識別得到分類結(jié)果，最后根據(jù)驗證樣本進(jìn)行精度評價。具體流程如圖2所示。

圖2 技術(shù)流程圖Fig.2 Flowchart of technical route

2.2 NDVI和RENDVI計算及時序變化曲線提取

NDVI和RENDVI是農(nóng)作物監(jiān)測中常用的光譜指數(shù)，計算式為

(1)

(2)

式中NIR、R、VRE——Sentinel-2A數(shù)據(jù)的波段8、4、5的反射率

分別計算4個時期的兩種指數(shù)圖像，再進(jìn)行組合。

由于不同指數(shù)特征或其組合對分類結(jié)果的精度影響及貢獻(xiàn)程度不同[30]，本文設(shè)計了3種特征指數(shù)構(gòu)建方案(表2)，共提取了5種特征指數(shù)作為分類特征：NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI和NDVI&RENDVI(即NDVI和RENDVI通過layer stack組合)。

利用不同時期指數(shù)圖，統(tǒng)計分析不同作物的特征指數(shù)時序變化曲線，反映不同作物類型的物候差異，分析不同作物類別的可分性以及時相選擇的合理性。

2.3 多種特征的隨機森林分類

隨機森林分類是組合多棵決策樹的預(yù)算結(jié)果，然后進(jìn)行投票判斷，預(yù)測準(zhǔn)確率高，是多種遙感分類方法中精度較高的一種方法[31]。

本文將5種特征指數(shù)圖像與訓(xùn)練樣本一起輸入到隨機森林分類器，得到5種分類結(jié)果。

2.4 精度驗證

本文利用混淆矩陣進(jìn)行分類結(jié)果的精度驗證?；诨煜仃?，可以計算總體分類精度、Kappa系數(shù)、每一類別的制圖精度和用戶精度。

表2 特征指數(shù)構(gòu)建方案Tab.2 Scheme of feature parameters

總體分類精度是指所有被正確分類的像元數(shù)量與總像元數(shù)量的比值，計算式為

(3)

Kappa系數(shù)計算式為

(4)

式中k——混淆矩陣行列數(shù)，代表分類的類別數(shù)量

xii——混淆矩陣中對角線上的值，代表正確分類的像元數(shù)

N——驗證的像元總數(shù)

xi+——混淆矩陣第i行元素相加之和

x+i——混淆矩陣第i列元素相加之和

3 結(jié)果與分析

3.1 不同作物指數(shù)特征的時間變化分析

基于訓(xùn)練樣本數(shù)據(jù)，統(tǒng)計各種農(nóng)作物的時序植被指數(shù)特征(NDVI、RENDVI)均值，時序植被指數(shù)變化曲線如圖3所示。

圖3 不同農(nóng)作物的特征指數(shù)時序變化曲線Fig.3 VI curves of different crops

從圖3中可以看出，春小麥-秋油葵的特征曲線有2個峰，為一年兩熟的種植模式，而其他作物的特征曲線都只有1個峰，為一年一熟的種植模式；在各種特征曲線上，洋蔥、大棚作物、砂田瓜果3種作物都表現(xiàn)出較低值，并且生長期內(nèi)起伏不大，尤其是砂田瓜果能與其他作物明顯區(qū)分。

根據(jù)圖3所示特征，9種作物大致可分為3種類型：高值型(水稻、玉米、胡麻、馬鈴薯)，曲線形態(tài)表現(xiàn)為鐘型，5月特征值較低且比較集中，7月達(dá)到峰值，8月略有下降，9月特征值分散下降。低值型(洋蔥、大棚作物、砂田瓜果)，曲線形態(tài)表現(xiàn)為比較平緩，全年特征值較低，7月有一小峰值。開口型(春小麥、春小麥-秋油葵)，曲線形態(tài)表現(xiàn)為開口型，即5月已有較高的特征值，9月仍處于較高值。

可以看出，5月是區(qū)分開口型和其他類型的最佳時期，7、8月是區(qū)分高值型和低值型的最佳時期。開口型春小麥、春小麥-秋油葵在5月中旬表現(xiàn)出較高的特征值，與其他類型作物的特征參數(shù)差異較大，可以明顯區(qū)分；高值型、低值型作物在5月下旬的特征參數(shù)比較接近，難以區(qū)分。從農(nóng)事歷來看，大部分作物在5月處于苗期，植被指數(shù)值較低；到7月下旬，兩種類型的差異明顯分化，并保持到8月下旬；到9月下旬，大部分作物已成熟收割，高值型和低值型作物的植被指數(shù)值降低，兩種類型的分異趨緩。

高值型的4種作物在5、7月影像上指數(shù)值都比較接近，難以區(qū)分，根據(jù)農(nóng)事歷，利用表現(xiàn)出成熟期時差的8、9月影像可以區(qū)分：馬鈴薯與胡麻成熟得較早，而水稻和玉米還處于生育期末期，因此馬鈴薯與胡麻的特征值低于水稻和玉米；低值型的砂田瓜果全年的特征值都低于其他作物，洋蔥和大棚作物彼此之間的差異也是顯著可見，洋蔥的特征值全年高于大棚作物；開口型的春小麥和春小麥-秋油葵的特征參數(shù)到8月下旬秋油葵長勢旺盛期可以明顯區(qū)分。

各種作物的RENDVI曲線總體形態(tài)與NDVI曲線相似，但曲線起伏趨緩，高值型的作物在生長旺盛期(7月)的特征值分異比NDVI更加明顯。

3.2 不同特征指數(shù)分類的精度對比

為了評估不同指數(shù)及其組合特征對分類精度的影響，本文采用隨機森林算法對NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI、NDVI&RENDVI 5種特征指數(shù)分別進(jìn)行分類，并利用混淆矩陣進(jìn)行分類精度驗證，結(jié)果如表3所示。

5種分類結(jié)果中，采用NDVI&RENDVI特征組合分類的總體精度最高，其次是NDVI，最后是NDVI-RENDVI，NDVI&RENDVI分類精度比NDVI分類精度提高了約4個百分點，比NDVI-RENDVI分類精度高出約10個百分點。并且NDVI&RENDVI分類結(jié)果與驗證數(shù)據(jù)取得了較好的一致性，Kappa系數(shù)為0.83，NDVI次之，Kappa系數(shù)為0.78，最低的是NDVI-RENDVI，Kappa系數(shù)為0.71。

表3 各種分類結(jié)果總體精度及Kappa系數(shù)Tab.3 Overall accuracy and Kappa coefficient of different classifications

NDVI-RENDVI分類結(jié)果精度最低。從算法原理上分析，NDVI和RENDVI兩值相減將共同的紅波段消除而用近紅外與紅邊波段相減，削弱了植被由吸收谷紅光波段到反射峰近紅外的反射陡坎效應(yīng)，導(dǎo)致NDVI-RENDVI分類的精度最低。

單獨利用RENDVI分類的精度較低，但是將RENDVI特征與NDVI特征組合到一起的精度有明顯提高。

從NDVI&RENDVI分類結(jié)果來看，春小麥、春小麥-秋油葵、砂田瓜果、馬鈴薯的分類效果最好(用戶精度大于90%)，胡麻、洋蔥、大棚作物分類效果相對較差(用戶精度小于80%)，被誤分為馬鈴薯、砂田瓜果的概率較高；在NDVI特征分類結(jié)果中，玉米、水稻、大棚作物3類的精度較低，而在NDVI&RENDVI特征組合分類結(jié)果中，這3類作物的用戶精度有了顯著提高，從而提高了總體的分類精度(提高了4.06個百分點)。

3.3 研究區(qū)作物種植結(jié)構(gòu)與分布

景泰縣2018年農(nóng)作物NDVI&RENDVI分類結(jié)果如圖4所示。

圖4 2018年景泰縣作物類型空間分布圖Fig.4 Spatial distribution of crops in Jingtai County in 2018

由圖4可以看出，具有干旱區(qū)特色的砂田瓜果(包括小金瓜、籽瓜等)播種面積最大，主要分布在海拔較高、氣溫偏低的正路鎮(zhèn)、寺灘鄉(xiāng)和喜泉鎮(zhèn)；大棚種植方式在景泰縣比較普遍，廣泛分布于全縣；玉米、洋蔥、馬鈴薯、胡麻是景泰縣重要的農(nóng)作物，主要分布在北部和中部比較平坦的地區(qū)，紅水鎮(zhèn)、漫水灘鎮(zhèn)、條山鎮(zhèn)、草窩灘鎮(zhèn)等地；水稻面積較小，主要分布在水源條件較好的五佛鄉(xiāng)。 2018年景泰縣作物種植結(jié)構(gòu)如表4所示。

4 結(jié)論

(1)特征曲線分析表明，根據(jù)作物物候期選擇的4個時期圖像可以較好地表現(xiàn)研究區(qū)作物的生長期差異，能有效區(qū)分不同作物類型。

(2)特征選取對分類精度有明顯的影響，NDVI-RENDVI分類精度較差，采用NDVI&RENDVI特征組合分類精度最高，較NDVI特征分類的總體精度高4.06個百分點，比RNDVI-RENDVI特征分類精度高10.56個百分點，說明這種特征組合的方式能有效提高分類精度。

表4 2018年景泰縣作物種植結(jié)構(gòu)Tab.4 Crops structure of Jingtai County in 2018

(3)RENDVI特征輔助NDVI可以提高分類精度，單獨利用RENDVI分類精度不高，將NDVI和RENDVI組合在一起能夠明顯提高分類精度，說明Sentinel-2A特有的紅邊波段數(shù)據(jù)及其較高的空間分辨率在農(nóng)作物精細(xì)分類上具有很大的潛力。