基于特征时相的河南地区小麦种植面积遥感估算

周雨石

（河南大学环境与规划学院，河南　开封　475004）



基于特征时相的河南地区小麦种植面积遥感估算

周雨石

（河南大学环境与规划学院，河南开封475004）

［摘要］截至2015年12月，河南省粮食产量占全国总产量的9.76%，是全国粮食产量第二大省。小麦作为河南省主要的粮食作物，其生产对我国粮食安全和社会稳定有着至关重要的作用。基于此，利用2014年MODIS MYD13Q1的16d产品，结合2015年8月和12月河南省全省野外采样点，提取出全年EVI指数变化曲线，再通过频率分布计算并取值，得出各时间段每类地物EVI指数取值的高频区间，从而计算更合理的EVI指数曲线。然后通过对比各类地物的EVI曲线，获得耕地特征时相并加以提取。最终结果表明，利用特征时相对种植小麦区域面积识别的精度达到96.62%。该方法为植被信息的获取提供了一种新的思路，对各类植被环境的快速提取有重要的参考价值。

［关键词］冬小麦；增强型植被指数；作物识别；特征时相；河南省

我国是农业大国、人口大国，粮食产量对我国的社会经济发展有十分重要的作用。小麦作为世界上最重要的粮食作物，及时、准确、大范围对小麦产量进行监测预报，对农学经济发展和粮食政策制定有极其重要的意义［1］。截至2015年3月，河南省小麦产量约为3 329万t，占全国总产量的26.39%。由此可见，河南省小麦产量占全国总产量的比重较大。所以，针对河南省小麦种植面积进行估算是非常必要的。

目前，基于遥感信息的小麦种植面积提取多采用连续的植被指数进行土地利用类型分类。作为地球科学的发展前沿，遥感技术可以快速、有效地获取较大面积的土地覆被信息。李晓东等［2］利用NDVI、NDWI等指数，针对多时相的遥感数据对吉林省西部地区实现农田分类提取；张喜旺等［3］用Landsat TM影像结合MODIS NDVI时间序列，建立像元分解模型，实现了伊洛河流域冬小麦种植区域的空间分布；李军玲等［1］利用ArcGIS和ENVI提取纯小麦像元，并提取纯小麦像元对应的NDVI、NPP和LAI，获取分县NDVI、NPP和LAI均值，利用统计软件对产量数据和分县遥感参数均值进行数据整理和分析，建立了河南省冬小麦产量估算模型。王学［4］等基于MODIS EVI时间序列数据和两景TM影像，建立华北平原冬小麦时序波谱曲线库，并结合农作物物候历制订统一规则，获取华北平原2001—2011年冬小麦播种面积时空变化信息。

总体来看，上述方法需要建立连续的植被指数曲线，并通过建立分类规则提取信息。提取研究所需要数据量庞大并需要建立大量规则，计算量庞杂且不易寻找规律，不利于进行小麦种植快速面积估算。基于此目的，该文尝试利用研究区各植被覆被地类增强型植被指数（EVI）曲线作对比，获得小麦的增强型植被指数特征时相，并由此通过建立识别规则尝试获取2014年河南省全省小麦种植空间分布情况，以期减少小麦种植区域提取工作数据量，找到简单、迅速识别目标地物的方法，实现快速有效的河南省小麦种植面积信息提取。

1　研究区概况及数据来源

1.1研究区概况

河南省位于中国中东部、黄河中下游，界于北纬31°23′～36°22′，东经110°21'～116°39'，东接安徽、山东，北接河北、山西，西连陕西，南临湖北。全省总面积16.7万km2，居全国各省区市第17位，占全国总面积的1.73%。全省由南向北年平均气温为15.7～12.1℃，年均降水量1 380.6～532.5 mm，降雨以6—8月份最多，年均日照时间1 848.0～2 488.7 h，全年无霜期189～240 d，适宜多种农作物生长。地跨长江、淮河、黄河、海河四大流域。耕地面积约819.2万hm2，主要粮食作物有小麦、玉米、水稻等。

冬小麦为研究区区域内主要农作物，其生长周期一般从前一年9月下旬左右播种发芽开始，至第2年6月中旬收获结束。大片集中种植分布在河南省北部、东部平原，其他地区零散分布。随着海拔高度增加，小麦种植耕地面积减少，区域破碎。

1.2数据来源及预处理

1.2.1EVI时间序列。增强型植被指数（Enhanced Vegetation Index，EVI）作为重要的植被指数，根据蓝光和红光通过气溶胶的差别，补偿了残留气溶胶对红光的吸收，综合采用“抗大气植被指数”和“抗土壤植被指数”，相比NDVI（植被覆盖指数），克服了土壤背景的影响和刀叮在植被高覆盖区易饱和、植被低覆盖区受土壤植被影响较大、对大气衰减去除不彻底等缺点。其公式为：EVI=2.5×（ρNIR-ρRED）/（ρNIR+6.0ρRED-7.5ρBLUE+1）。其中，ρNIR代表近红外波段值，ρRED代表红波段值，ρBLUE代表蓝波段值。

图1　2014年第009日荒草地采样点取值频率曲线

该文采用NASA免费提供的（http://reverb.echo. nasa.gov/）的MODIS MYD13Q1植被指数产品，为250 m分辨率的16 d合成数据，以此为基础分析各类土地覆被类型的变化趋势。

1.2.2野外采样点数据。该文使用的采样点数据来自于2015年8月和12月2次河南省土地覆被解译工作外业采样点，利用GPS手持终端数据结合高分辨率影像数据采样。由于MODIS影像像元大小为250 m，同实地采样数据之间存在尺度效应影响，该实验使用前先在ArcGIS软件支持下生成同遥感影像完全匹配的点图层数据，然后通过算法生成250 m点图层缓冲范围，计算点缓冲范围图层所覆盖像元值值差是否小于20%，取值为“真”者保留，否则舍弃样本点。此算法可以保证每个采样点所落区域的覆被纯度。

筛选后统计，该实验共使用野外采样点数据1 348个，其中耕地566个，荒草地111个，居民地269个，阔叶林245个，针叶林157个。

1.2.3投影处理。该文所使用的全部图层数据均采用UTM_Zone_49N投影。

2　研究方法

根据研究区河南省全省土地覆被的情况，将分类类别主要分为耕地、荒草地、居民地、阔叶林和针叶林五大类。其中，耕地样点全部为小麦种植耕地采样点，其余耕地类型由于面积等因素不做考虑；省内其他覆被类型如水体、裸露地表等限于MODIS影像250 m分辨率因素占比重较小，因此也舍弃此类样本点不做考虑。

将5种分类的样本点分别建立图层，同时结合2014 年MODIS MYD13Q1的16 d EVI指数影像取值，获得采样点取值表。但是，由于遥感图像空间分辨率越低，一个像元内包含多类不同种类地物的概率越大，混合像元越多，且采样点数据在MODIS影像中体现存在不准确性。所以，需要提纯所获取的像元值，以计算目标时刻的合理EVI取值。这里采用的是计算频率分布区间的取值方法。频率分布计算获得柱状图如图1所示。

图1中横轴为荒草地采样点EVI指数取值区间，纵轴为频率分布。由图1可以准确看出每时相样点EVI指数取值概率分布情况。详细的计算方法为：首先确定全部取值的两极值，计算极差；然后通过数据数量的平方根值确定分组组数，并计算每分组取值区间；最后通过Excel表格FREQUENCY函数计算每组取值区间点数的概率分布，用图表显示。通过图表确定需要舍弃和保留的EVI指数取值区间，求取保留区间的平均值作为目标时刻增强型植被指数值。

通过统计，各类增强型植被指数2014年全年时间序列曲线如图2所示。

由图2可以看出，2014年全省小麦耕地EVI曲线在第137日以前、201—249日以及329日至年末取值明显高于其他地类，由此可以选取第025、089、217、345日建立特征时相，建立识别规则：

｛EVI025＞0.3 and EVI089＞0.5 and EVI217＞0.5 and 0.3＞EVI345＞0.2｝

使用基于特征时相建立的河南省小麦种植区识别规则，提取出025、089、217、345这4个特征时相中准小麦种植区像元并分别赋值为1，其余像元赋值为0。将四副像元数据进行叠置分析，求取交集，获得最终成果，即为河南省2014年小麦种植区分布，结果如图3所示。

3　精度分析及结论

3.1精度分析

统计小麦种植区像元面积得出，使用特征时相估算方法进行提取的小麦种植面积约为372.61万hm2。利用2015年全国统计年鉴中小麦种植面积统计数据（360.45万hm2）对比得出，利用特征时相估算方法提取小麦面积的相对误差约为3.375%（相对误差=估算误差/统计年鉴面积，其中估算误差值为利用特征时相提取的小麦面积与统计年鉴面积的差值），识别精度约为96.620%。

图2　研究区各类植被NDVI时间序列曲线

图3　2014年河南省小麦种植区分布

通过分析发现，主要识别误差来源于部分非小麦种植区像元由于像元混合、波段干扰等因素，增强型植被指数值恰好符合识别规则，被判定为小麦种植区。同时，也存在部分像元受大气辐射影响，像元计算出EVI值偏离，未能有效识别。

3.2结论

河南省全省2014年小麦种植区域主要集中在豫北东部平原，省中东部平原，豫西南南阳盆地平原，太行山区、嵩山地区及南部大别山区有少量分布。从海拔上，小麦种植面积和海拔高度呈反比；从气候差异上，信阳秦岭-淮河线以南几乎没有大规模小麦种植，像元数稀少。

从识别效果看，识别误差主要集中在小麦种植区破碎、识别像元分散的地区，尤其是河南省西部、南部山区、北部太行山部分地区。小麦平原产区种植面积集中，作物覆盖密集，受其他因素影响较小，识别精度较高。但在边缘交界地区混合像元多，识别精度有所下降。总体说来，此方法识别精度主要受提取目标的植被纯度及种植区域大小有关，同时也与下垫面气候、边界混合像元相关。

4　结语

归一化植被指数（NDVI）时序数据对地表植被的生长和覆盖信息具有有效的指示作用，可以为区域植被研究提供许多重要信息，同时经过比值处理后NDVI指数可以有效消除如观测角、地面大气条件等的影响，因此被大量运用于植被识别模型当中。但是，归一化植被指数由于对高值的抑制作用，易产生饱和现象，同时受植被土壤背景影响较大。相比之下，增强型植被指数（EVI）可以有效规避上述影响，同时与归一化植被指数对比也可以体现出同样的植被物候特征。

相比其他遥感影像数据产品，低分辨率影像（如MODIS）能够不受天气、气候等的影响，可以获得有效的无云影像产品（单景影像或合成产品）且不易受到价格和数据质量的影响，适合做短时相的长期大面积观测。

低分辨率影像像元易受时空效应影响，数据不精确，杂糅外界信息过多。同时，由于野外采样工作结果体现在低分辨率影像中易受空间和时间尺度效应影响，信息表达出现偏差，易使采样点数值提取产生较大误差。所以，在提取和计算遥感影像信息过程中，有效的精度提纯和数据统计方法可以显著提高所得信息的精度。

该文利用MODIS影像和增强型植被指数（EVI）的数据优势，结合经过筛选的外业采样数据，用数理统计方法提取出较为准确的全年各覆被类型增强型植被指数变化曲线，并提炼出基于特征时相的河南省冬小麦识别规则，获得识别结果。实验中获得的河南省小麦种植区面积识别精度约为96.620%。相比其他方式，利用特征时相方法提取地物信息速度更快、计算规则少；在掌握全年植被指数规律之后，使用特征时间影像信息计算即可提取全年植被覆盖信息，不需要大量数据且在全年当季收获季前即可完成信息统计分析。此方法为我国农业研究提供了一种新的思路。

总体来说，利用特征时相识别目标地物分布特征方法为遥感影像覆被信息提取提供了新的参考，也为未来的农业遥感估产和面积计算提供了思路。需要注意的是，在计算过程中大规模的样点数据采集择选和采样数据的提取过程尤为重要。同时，针对不同分辨率和不同时空尺度的数据，在识别目标地物过程中，同样可以使用影像数据获得植被指数提取特征时相识别规则的方法。

感谢国家地球系统数据共享平台-黄河下游科学数据（http://henu.geodata.cn）提供数据支撑。

参考文献

［1］李军玲，郭其乐，彭记永.基于MODIS数据的河南省冬小麦产量遥感估算模型［J］.生态环境学报，2012 （10）：1665-1669.

［2］李晓东，姜琦刚.基于多时相遥感数据的农田分类提取［J］.农业工程学报，2015（7）：145-150.

［3］张喜旺，秦耀辰，秦奋.综合季相节律和特征光谱的冬小麦种植面积遥感估算［J］.农业工程学报，2013（8）：154-163.

［4］王学，李秀彬，谈明宏，等.华北平原2001-2011年冬小麦播种面积变化遥感监测［J］.农业工程学报，2015 （8）：190-199.

［中图分类号］S127；TP79

［文献标识码］A

［文章编号］1674-7909（2016）02-50-4

作者简介：周雨石（1993-），女，硕士，研究方向：环境遥感。