基于TM数据耕地面积提取方法研究

王国芳

（山西农业大学资源与环境学院，山西太谷030801）

近年来，农业种植结构的面积、产量因市场变化而逐年波动较大。客观形势要求及时准确地获取区域作物种植面积信息及其空间分布状况，对于准确估计和预测作物产量、加强作物生产管理、优化作物种植空间格局、确保中国粮食安全具有重要意义[1]。掌握粮食播种信息，为国民经济宏观决策提供科学依据。

传统的作物面积、产量估算主要是采用统计方法或常规的地面调查方法，不仅费时费力且受人为因素影响较大，难以适应现势性信息的需求。随着遥感技术的发展应用，遥感信息具有覆盖面积大、探测周期短、资料丰富、现势性强、费用低等特点，为作物种植面积的提取提供了新的技术手段[2]。

1 研究区概况

本研究区选择山西省昔阳县，该县位于山西省东部，太行山脉西麓，地处东经113°19′～114°08′，北纬 37°20′～37°43′，全县东西长约70 km，南北宽约38 km，国土总面积195 600 hm2。昔阳县境内整个地势呈西高东低、南高北低，东南山坡较陡，西北山坡较缓，属于半干旱大陆性气候。全县地形多样，自然条件复杂，植物种类繁多，形成的土壤类型特征各异、形态不一，以夏玉米种植为主。

2 数据源选择与资料收集

2.1 遥感数据

作为提取耕地面积所需的信息源，结合该地的物候特征，本研究选择了该地6月份的TM影像，6月正处于季春，能较好地体现本研究区的耕地信息。同时，为了更好进行研究区的目视解译，还选用了研究区SPOT影像作为参考。

2.2 资料数据

收集了研究区1∶50 000地形图，用于几何校正。1∶50 000土地利用图，1∶50 000行政区划图，1∶50 000分等基础信息、分等结果、分等重要参数专题图，用于辅助解译。外业调查标准样地数据共24个，用于分类结果的精度检验。专题图的地理坐标与遥感影像一致，用于与影像数据进行比较，叠加分析。

3 研究方法

农作物种植面积的遥感提取是在收集分析不同农作物光谱特征的基础上，通过遥感影像记录地表信息，识别农作物的类型，统计农作物的种植面积。农作物的识别主要是利用绿色植物独特的波谱反射特征，将植被（农作物）与其他地物区分开[3]。

3.1 光谱分析

为了对耕地进行面积提取，必须对地面不同介质的光谱特征有所认识。土壤的光谱随着波长的增加，其反射率呈上升趋势，而绿色植被在可见光波段内具有吸收峰，在近红外波段内具有强反射。水的光谱在可见光波段内的反射率总体上比较低，随着波长的增大逐渐降低。不同地物在可见光和近红外波段的反射率特征正是进行作物光谱识别的理论依据[4]。

农作物生长过程中，不同阶段的农作物群体有着不同的光谱特征和色调，对太阳光辐射的吸收和反射有着明显的光谱差异。而不同种类的农作物由于其形状和构造不同，光谱反映也各不相同。这是由其叶片具有不同的叶绿素和水分含量直接影响作物对太阳光的吸收和反射所致[5]。

本研究采用的TM数据的7个波段光谱图像中，一般第5个波段包含的地物信息最丰富。3个可见光波段（即第 1，2，3波段）之间，2个中红外波段（即第5，7波段）之间相关性很高，表明这些波段的信息中有相当大的重复性或者冗余性。第4，6波段较特殊，尤其是第4波段与其他波段的相关性很低，表明这个波段信息有很大的独立性。由此可见，由1个可见光波段、1个中红外波段及第4波段组合而成的彩色合成图像一般具有最丰富的地物信息，其中又常以4，5，3或4，5，1波段的组合为最佳。按赋色原则，采取4，5，3波段分别赋红、绿、蓝色合成的图像，色彩反差明显，层次丰富，而且各类地物的色彩显示规律与常规合成片相似。为此，在本研究中采用了 4，5，3 波段的组合。在该 4，5，3 波段合成的图像中，裸地表现为青绿色调，植被表现为黄绿色调，草地表现为浅红色调，林地表现为红色调，水体表现为深蓝色调，县中心表现为蓝色调。

3.2 分类方法的选取

分类方法的选取将直接影响到种植面积提取的精度。目前，种植面积提取方法有：（1）目视解译。其主要应用于遥感估产的早期，计算机自动处理程度不高的情况。（2）监督分类法。它是计算机自动提取农作物种植面积的起源。（3）多时相分析方法。其主要应用于雷达遥感和高时间分辨率的多光谱遥感影像。另外，还有多源数据结合的方法、神经网络方法、模糊数学方法等[6-7]。采用多源数据和多种分类方法的综合分析，会提高农作物种植面积提取的精度。由于数据有限，本文采用结合地面样点的最大似然法的监督分类方法。

最大似然分类法假设类别在特征空间上的分布服从正态分布，然后通过计算待分像元对各类别的归属概率，将待分像元划归至属概率最大的一组类别[8]。可以通过先验概率来提高最大似然分类法的精度。但由于在分类前无法确切知道各类别占总面积的比例，因此，分类过程中各类别先验概率都取1。不考虑先验概率的最大似然分类法的判别函数为：

gi（X）=P（X/ωi）

式中，ωi代表类别i，gi（X）代表ωi类的判别函数，X为待分类的特征向量，P（X/ωi）为ωi类的密度概率函数。

3.3 训练样区选取

为了保证分类的精度，除了采用最大似然法的监督分类外，还有很关键的一点就是训练样区的选取，训练样区应在目标地物面积较大的中心选取。采用最大似然法进行分类，还要求各变量正态分布。由于TM数据分辨率的原因，可能会造成同物异谱、同谱异物的现象，从而影响分类精度。为此，选取训练样本前，先对TM数据的4，5，3波段合成图像进行了投影变化、几何配准、特征变换、光谱增强等处理，并与土地利用现状图、行政区划等专题图件进行套合，结合空间分布和地理界线，参考高分辨率SPOT影像图，并结合耕地在TM中的光谱特征进行训练样区选取。对于难以确定的地块，通过野外调查获取。

4 结果与分析

利用TM数据，采用最大似然分类法提取的昔阳县耕地面积结果如图1所示。提取的耕地面积为29 242.1 hm2。根据昔阳县当年的上报面积（31 316.6 hm2），其精度达到 93.3%。

5 结论

实践证明，以TM遥感数据为主要信息源，以土地利用现状图、行政区划等专题图件为辅助信息源，采用GIS技术、图象处理技术及光谱知识提取耕地面积的方法可行、可靠。

本研究仅对TM遥感影像进行了探讨，可以推广应用到更高或更低分辨率遥感影像，但其结果精度还需要进行验证分析。

遥感技术在耕地面积的调查方面具有省时省力的特点，使决策者能够比较准确地掌握耕地面积，以便制定出相应的政策。另外，其可为利用气象因子、土壤墒情和遥感监测进行作物估产提供较为精确的基础数据，具有很高的经济效益和社会效益。

［1］ 杜培林，田丽萍，薛林，等.遥感在作物估产中的应用[J].安徽农业科学，2007，35（3）：936-938.

［2］ 程永政.混种区作物面积遥感监测方法 [J].河南农业科学，2009（6）：147-150.

［3］ 周成虎，骆剑承.遥感影像地学理解与分析[M].北京：科学出版社，1999.

［4］ 侯学曾，肖淑招.小麦反射光谱特性及其估产[J].华北农学报，1986，1（1）：92-96.

［5］ 梅安新，彭望琭.遥感导论[M].北京：高等教育出版社，2001.

［6］ 林艳.NOAA卫星玉米遥感估产方法的研究 [J].华北农学报，1996，11（4）：93-98.

［7］ 王国芳.遥感图像计算机分类方法的研究 [J].山西农业科学，2009，37（10）：39-41.

［8］ 郑明国.一种新的土地覆盖类别面积估计方法及其在最大似然分类法中的应用[J].资源科学，2007，29（3）：214-220.