“高分一号”卫星数据在冬小麦种植结构调整实施效果评估中的应用——以河北省冀州市为例

刘跃辰，王 飞，焦为杰，王海军，韩 雪

(农业部耕地利用遥感重点实验室/农业部规划设计研究院，北京 100125)

·研究报告·

“高分一号”卫星数据在冬小麦种植结构调整实施效果评估中的应用
——以河北省冀州市为例

刘跃辰，王 飞※，焦为杰，王海军，韩 雪

(农业部耕地利用遥感重点实验室/农业部规划设计研究院，北京 100125)

[目的]在农业部“控制农业用水总量”的明确要求下，河北省试点实施了冬小麦种植结构调整，减少冬小麦种植面积。为快速监测与评估结构调整政策的实施效果，解决大尺度冬小麦种植结构变化监测中精度与成本相互制约的问题。[方法]该研究以河北省冀州市为例，利用国产高分一号卫星(以下简称“GF-1”)2m全色、8m和16m多光谱卫星数据，对全市冬小麦种植面积及种植结构变化情况进行监测，并结合高分辨率卫星数据(0.5m分辨率Pleiades数据)计算关于GF-1数据监测结果的修正系数，从而提高监测精度。[结果]研究认为，与2m/8m分辨率的GF-1融合数据相比，系数修正后的16m分辨率GF-1数据在冬小麦种植结构监测与评价业务化运行工作中更具优势。基于16m GF-1数据的监测结果显示， 2015年冀州市冬小麦种植结构与2014年相比变化明显，种植面积总体呈增长趋势。[结论]种植结构空间变化具有异质性，其中，冀州市北部冬小麦种植面积保持基本稳定，中部地区呈集中减少趋势，南部地区呈集中增加趋势。冬小麦种植结构变化的主要原因是受到棉花种植面积减少，以及种植习惯、种植模式变化等因素的影响。

遥感 高分一号 冬小麦 种植结构变化监测 修正系数

0 引言

冬小麦是我国华北平原重要的口粮作物，冬小麦的生产季较长，在生育期内的有效降水量远低于实际需水量，较大灌溉用水量和蒸散发量被认为是华北平原地下水过度开采的主要诱因[1-4]。同时，华北平原也是世界上水资源短缺形势最为严峻的地区之一[5-9]，长期的漫灌造成华北平原地下水位快速下降，形成了世界上最大的复合型地下水降落漏斗区[10-13]。在深层地下水超采严重且替代水源紧缺的背景下，农业部提出了“一控、两减、三基本”的任务目标，其中，“一控”即“控制农业用水总量”。为此，财政部会同农业、水利等多部门，于2014年研究提出在河北省试点开展调整冬小麦种植结构，减少冬小麦种植面积。在实施效果评价层面，快速、准确地监测该地区冬小麦种植面积和空间分布是该项工作的基础，可为水资源优化管理、地下水资源可持续利用和国家粮食安全等政策制定提供科学依据。

随着遥感技术的迅速发展，不同尺度的遥感数据在农作物种植面积遥感监测中广泛应用，遥感技术可客观、及时地获取大范围的地面信息，一定程度上满足了农业部门对农作物种植面积监测的多层次需求[14-16]。刘克宝等[17]利用高分辨率遥感影像RapidEye结合地面调查，精细提取农作物种植结构，通过计算扣除系数，降低线状地物和小地物对作物种植结构提取结果的影响。王迪等[18]以SPOT 4影像为基础数据，通过传统抽样方法与遥感技术相结合，优化作物面积空间抽样框架和抽样基础要素，获得冬小麦种植面积变化情况。陈仲新等[19]根据我国冬小麦生产的特点，采用分层抽样方法，建立全国冬小麦面积变化遥感监测抽样外推模型，提出了一种适用于业务化运行的大尺度冬小麦面积变化遥感监测方法。王来刚等[20]利用30m分辨率HJ-1卫星CCD免费数据全面监测河南冬小麦面积变化，消除了抽样外推过程中产生的误差。郝虑远等[21]基于MODIS数据通过优化的N-FINDR算法进行线性混合像元分解，提取了2009年华北平原冬小麦的种植面积，并利用同期多时相的HJ-1卫星分类数据作为参考值，验证混合象元分解结果，为利用低分辨率遥感数据提取冬小麦种植面积提供了思路。

在以往的研究中，学者们利用多种遥感数据源(如RapidEye、SPOT、TM、HJ-1 CCD、MODIS等)在不同尺度上对冬小麦种植面积进行了监测研究[22-28]。利用低分辨率遥感影像可以有效的提高时间分辨率、减低成本，但低分辨率遥感数据中混合像元数量众多，光谱识别度有限，影响了农作物种植结构提取精度。相比之下，利用中高分辨率遥感影像提取农作物种植面积，能够获得更多的纹理、色调、形状等特征信息，目标地物的识别度更高，但受重访周期和客观天气影响，可获得数据量和数据覆盖范围受限较大，且数据成本较高，对于农作物种植结构动态监测业务化运行工作的适用性不高。高分一号卫星(以下简称“GF-1”)于2013年4月26日发射，GF-1数据设置有蓝、绿、红、近红外4个波段，在空间分辨率、重访周期和数据幅宽等方面具有综合优势，且农业部作为该卫星的主用户单位可以免费获取全部数据，能够在快速、大范围获取数据的同时提高识别度，降低动态监测成本，但由于卫星发射时间较短，其用于监测农作物监测的研究仍鲜见报道。

该研究以河北省冀州市为例，以GF-1数据为基础提取冬小麦种植结构，利用高分辨率影像数据(Pleiades)计算修正系数，提高监测结果精度，从而解决GF-1数据提取冬小麦种植面积的精度与成本相互制约的问题，快速评估种植结构调整实施效果，为开展大范围业务化监测运行工作提供科学依据。

图1 冀州市区域位置

1 研究区域和数据

1.1 研究区域选择

冀州市处于北半球暖温带地区，大陆季风气候特点显著，年均降水量510.3mm，年均光照时数为2571.2h； 冀州地势平坦，耕地面积较大，土壤质地适中，适宜种植粮食、棉花等作物。作物熟制基本属于一年两熟和两年三熟，夏粮、秋粮并重。主要种植小麦和玉米，根据河北省种植结构调整规划2014年试点调整要求，冀州市调减冬小麦种植面积相对较大，计划改种低耗水作物和非农替代作物。冀州市区位情况见图1。

1.2 数据获取与预处理

1.2.1 遥感数据获取

GF-1搭载2台2m分辨率全色/8m分辨率多光谱相机，以及4台16m分辨率多光谱相机。2m/8m分辨率影像幅宽最大为60km，重访周期41d； 16m分辨率影像幅宽最大为800km，重访周期4d。波段的光谱设置与美国LandSat、法国Spot等系列卫星数据的光谱范围相似。数据光谱特征及其应用领域见表1[29-32]。

表1 GF-1数据光谱特征及应用领域

光谱波段波段光谱范围(μm)主要应用领域全色0.45～0.90—蓝波段0.45～0.52水体绿波段0.52～0.59植被红波段0.63～0.69叶绿素、水中悬浮泥沙、陆地近红外波段0.77～0.89植物识别、水陆边界、土壤湿度

图2 冀州市GF-1数据覆盖情况

越冬期冬小麦生物量相对稳定，在卫星影像上显现的光谱特征明显，且冬季植被较少，有利于冬小麦种植面积的提取，是遥感监测的最佳时期。根据冀州市冬小麦种植的物候特征，选择2014年、2015年冬小麦种植季的GF-1数据作为该文的主要数据源。在目视预判冀州市农作物种植情况的基础上，在种植结构相对复杂的区域覆盖一定范围对应时相的高分辨率遥感数据，用于冬小麦面积提取精度验证和结果修正。遥感数据获取情况见表2。

表2 遥感数据获取情况

数据类型空间分辨率(m)数据幅宽(km)数据数量(景)数据时相GF-1(多光谱)1620022013.12.292014.12.25GF-1(全色/多光谱)2/84082013.12.27～2014.6.72014.11.18～2015.1.2PLEIADES0.51012014.3.1

1.2.2 地面调查数据获取

利用差分GPS采集监测区内农作物、休闲耕地、苗木等主要地物的解译标志点，调查监测区内农作物生产情况信息，为该区域的冬小麦种植结构遥感提取和精度验证提供依据。

1.2.3 数据预处理

对2m/8m GF-1数据进行融合，得到8景2m分辨率GF-1融合数据(以下简称“GF-12m”)。对16m分辨率GF-1数据(以下简称“GF-116m”)及GF-12m进行了几何校正、投影转换、图像镶嵌和裁剪； 对PEIADES数据进行校正、投影转换。GF-1数据源数据覆盖情况见图2； Pleiades覆盖，以及地面解译标志点采集情况见图3。

2 研究方法

利用计算机自动分类和人工目视解译相结合的方法，以实地采集的解译标志为基础，分别提取冀州市全覆盖的2014年、2015年的GF-116m和GF-12m数据，以及高分辨率Pleiades数据(0.5m)中的冬小麦种植面积； 利用Pleiades数据的提取结果，评估GF-1 2种数据的冬小麦面积提取精度； 根据Pleiades数据和GF-1数据计算关于GF-1 2种数据中冬小麦种植面的积修正系数，修正冬小麦种植面积并进行对比分析结果差距，同时，对比分析两种GF-1数据在冬小麦种植面积变化率上的差距，进而评估数据在业务化运行中应用的可行性； 分析冀州市冬小麦种植结构变化情况及影响其变化的原因。冀州市冬小麦种植结构调整监测技术流程见图4。

图3 Pleiades数据和解译标志点空间分布

图4 冬小麦种植结构调整监测技术流程

2.1 解译标志建立

为更准确地从影像中提取冬小麦，在野外调查的基础上，分析影像色调、轮廓大小、阴影、图案、纹理、布局等多方面因素，建立GF-1影像和Pleiades影像上冬小麦及其他地物的目视判读解译标志，根据解译标志特征可以确定目标地物的空间分布。GF-1和Pleiades数据的波段组合均设定为4、3、2(近红外、红、绿)，在不同的数据类型上，地物显示的颜色有所不同，如： 2014年和2015年GF-116m影像数据中，冬小麦整体分别呈现橘红色和深红色，夹杂浅灰色，块状规整度和边界清晰度较低，质地略显粗糙； 休闲耕地整体分别呈现浅橘黄色和天蓝色； 林地整体分别呈现浅红棕色和黑紫色。2014年和2015年GF-12m影像数据中，冬小麦整体分别呈现红色和粉红色，夹杂暗红色，地块规整，边界清晰，质地较均匀； 休闲耕地整体分别呈现灰蓝色和灰绿色； 林地整体分别呈现条状天蓝色与淡红色相间和紫色与淡粉红色相间。2014年0.5m分辨率Pleiades影像数据中，冬小麦整体呈现红色，地块规整，边界清晰，质地均匀，色调平滑； 休闲耕地呈现灰蓝色，夹杂白色条纹； 林地呈现蓝黑色，夹杂灰蓝色条纹。冀州市重点地物解译标志见表3。

表3 冀州市重点地物解译标志

地物类型2014年GF-116m2015年GF-116m2014年GF-12m2015年GF-12m2014年Pleiades(0.5m)冬小麦休闲耕地林地

2.2 修正系数计算

利用Pleiades数据冬小麦面积解译结果，以及与Pleiades数据年份相同的GF-116m和GF-12m2种影像数据对应区域的冬小麦解译结果，分别计算面积修正系数。通过卫星影像数据和实地调查相结合的方法进行预判，同一类型的GF-1影像数据所提取的不同年份的冬小麦种植面积结果，均采用与其数据类型相对应的同一个修正系数(假设1年内同一区域内的道路、沟渠等线性地物未发生变化)，修正系数的计算方法如公式(1)所示。

修正系数=GF-1解译的冬小麦面积/Pleiades解译的冬小麦面积

(1)

其中，GF-1解译的冬小麦面积是指，与Pleiades数据覆盖范围相对应区域内的GF-1解译结果。当修正系数>1时，说明存在多解译现象，且修正值越大，对应的GF-1数据解译精度越低； 当修正系数<1时，说明存在漏解译现象，且修正系数越接近于0，对应的GF-1数据解译精度越低； 修正系数越接近于1，GF-1数据的解译精度越高。

3 冬小麦种植面积监测结果与分析

3.1 种植面积修正系数计算

受影像数据空间分辨率差异的影像，GF-1 2种分辨率数据对于冬小麦种植面积提取结果精确度存在差异。如表4所示，Pleiades数据覆盖区域内冬小麦面积为3655.95hm2，对应区域内GF-116m和GF-12m2种数据解译冬小麦面积分别为4623.54hm2和3746.17hm2。修正前，GF-12m提取的冬小麦面积精度约为98%，GF-116m影像数据提取精度约为79%。根据公式(1)计算对应GF-116m和GF-12m2种数据的修正系数分别为1.26和1.02。图5分别截取了Pleiades、GF-116m和GF-12m相同区域的部分解译结果。

图5 Pleiades数据及GF-1数据冬小麦解译效果对比

从图5中可以看出，与GF-116m数据相比，GF-12m数据对于冬小麦种植地块的提取和线性地物的扣除更细致，与高分辨率影像Pleiades的解译效果更加接近。

表4 冀州市冬小麦种植面积遥感监测结果精度验证及修正系数计算

年份空间分辨率Pleiades解译冬小麦面积(hm2)GF-1解译冬小麦面积(hm2)解译精度(%)修正系数201416m3655.954623.5479.071.262m3746.1797.591.02

表5 GF-116m 与GF-12m 数据解译冀州市冬小麦面积结果对比

数据类型冬小麦面积(万hm2)修正前年度面积变化修正系数修正后小麦面积(万hm2)修正后年度面积变化修正前16m与2m数据相比的面积解译准确度(%)修正后16m与2m数据相比的面积解译准确度(%)修正前16m与2m数据相比面积变化率准确度(%)修正后16m与2m数据相比面积变化率准确度(%)20142015变化量(万hm2)变化率(%)20142015变化量(万hm2)变化率(%)201420152014201520142015GF-116m2.9953.4810.48616.231.262.3682.7520.38416.22GF-12m2.5152.9330.41816.621.022.4552.8620.40716.5980.9481.3196.4696.1697.6597.77

3.2 种植面积监测结果对比分析

通过Pleiades数据对GF-1 2种类型的冬小麦解译结果验证及解译效果对比，可以看出2m分辨率数据的冬小麦面积提取能力远高于16m分辨率数据，为此，采用系数修正的方法对2类数据进行精细化处理，如表5所示，GF-116m数据的冬小麦种植面积提取结果经过系数修正后，其提取结果的准确度大幅度提升近15%，与GF-12m数据冬小麦面积提取结果的修正数接近， 2014年和2015年面积提取的准确度可分别达到96.46%和96.16%。

利用相同数据源，针对年际间的冬小麦种植结构变化情况开展监测，能够在一定程度上消除面积解译过程中出现的共同误差，提高监测精度，在实际应用中比监测作物种植的总面积可信度更高。GF-116m数据与GF-12m数据相比，在冀州市冬小麦种植面积年际变化率监测方面，修正前，监测结果的相近性可达到97.65%； 修正后，监测结果的相近性更高，可达到97.77%。由此可见，在面积变化率监测中采用修正后的GF-116m数据可以满足监测需求。

图6 2014和2015年度冀州市冬小麦种植结构变化

3.3 冬小麦种植结构变化分析

如表5所示，GF-116m与GF-12m解译结果显示，冀州市冬小麦种植面积总体呈增长趋势，与2014年相比， 2015年分别增加0.384和0.407万hm2，增幅分别为16.22%和16.59%。根据修正后的GF-116m数据冬小麦种植面积解译结果，结合野外实地验证对GF-116m数据的冬小麦种植空间分布结果进行修正，以GF-116m数据的解译结果为基础，分析冀州市冬小麦种植结构。如图6所示，2年间冀州市西北部和东部部分区域冬小麦种植面积保持基本稳定，且种植规模较大； 种植面积减少主要集中在中部地区，北部和南部局部区域减少情况呈零星分布； 南部地区冬小麦种植面积增加明显，且增加面积较大。

3.4 冀州市冬小麦种植结构变化的驱动力分析

河北省冀州市冬小麦种植结构调整目标为冬小麦种植面积减少0.2万hm2，但从监测结果来看，冀州市冬小麦种植面积总体呈增加趋势。从种植结构来看，部分区域出现了集中减少的现象。为此，通过实地调查和走访农户对种植结构变化的原因进行了深入了解。其中，冀州市西北部和东部部分区域冬小麦保持大规模稳定种植的主要原因是：小麦、玉米等粮食作物价格相对稳定，在多年种植习惯的影响下，农民不愿轻易改变“冬小麦-夏玉米”的种植模式。冀州市南部地区冬小麦种植面积增长明显的主要原因是：该区域是传统的棉花种植区，近年来棉花价格持续走低，种植成本增加，致使棉花种植面积不断减少； 同时，与棉花种植相比，小麦、玉米的田间管理更加简单，机械化程度更高，且收储价格相对稳定，农民多以“冬小麦-夏玉米”的种植模式替代棉花种植。冀州市中部地区是冬小麦种植面积减少相对明显区域，主要呈现集中减少趋势，主要原因是受调减冬小麦种植面积政策的影响，农户大多放弃种植冬小麦，改种果树、苗木等其他低耗水作物或变为休闲耕地。

从冀州市冬小麦种植结构空间变化情况上看，在距离冀州市城区较近的中部地区，冬小麦种植面积的调减政策发挥作用更为明显，因此建议在制定行之有效的低耗水作物种植鼓励政策的同时，加大政策宣传力度，切实保护农民的利益，从而加快改变农民的种植习惯和种植意向，以期又好又快地完成冬小麦种植面积调减的目标，改变冬小麦种植结构。

4 讨论与结论

该研究以GF-1数据为基础数据获取河北省冀州市2014年、2015年的冬小麦种植面积，并结合高分辨率卫星影像(Pleiades)计算修正系数，从而提高面积监测精度。GF-12m数据空间分辨率为2m，影像色调、轮廓大小、纹理、布局等相对清晰，提取精度上具有明显优势(从系数修正前的种植面积提取结果上看，与GF-116m数据相比，精度相差约20%)。但GF-12m数据的重访周期较长(41d)，单景影像幅宽较小(60km)，在满足农业时效性的要求上存在一定不足。

对比分析GF-12m和GF-116m2种数据监测结果发现，GF-116m数据面积提取结果经过修正后，在提取精度方面能够达到与GF-12m数据相近的效果。同时，GF-116m数据比GF-12m数据的重访周期更短，覆盖范围更大，能够在有限的农作物生长期内更好的规避受天气影响所带来的数据获取问题，获取更多数量的影像数据，从而满足遥感监测业务化运行对于同时获取高时间分辨率、高空间分辨率，以及覆盖范围大的需求。GF-116m数据单景幅宽较大，减少了影像拼接等数据预处理工作内容，且数据空间分辨率的降低大大降低了遥感影像解译工作强度。

通过分析基于GF-116m数据的冬小麦种植面积结果和冬小麦种植结构空间变化可知，与2014年相比， 2015年冀州市冬小麦种植面积总体呈增加趋势，中部地区种植面积出现集中减少现象，冬小麦种植结构调减政策在冀州市部分区域发挥了作用。从业务化运行工作角度来看，GF-116m数据监测结果通过一定方法的修正后，能够更加快速、有效地评价冬小麦种植结构调整政策的实施效果。

该研究利用高分辨率卫星影像(Pleiades)对监测精度进行验证并计算面积修正系数，受成本投入等因素制约，高分辨率影像覆盖范围较小，研究区范围内能够选取的覆盖位置数量有限，一定程度上影响了修正系数的准确性。无人机技术已日渐成熟，且在农业中已有较多应用，在监测区域内均匀布设一定数量的样地，利用轻便无人机采集样地内的作物种植信息，提取目标作物种植面积，以加权平均的方法计算关于GF-116m数据的修正系数，能够在降低成本的同时提高面积监测精度，具有良好的应用前景。

[1] Li J M，Inanaga S，Li Z H，et al.Optimizing irrigation scheduling for winter wheat in the North China Plain.Agricultural Water Management， 2005, 76(1): 8～23

[2] Li H J，Zheng L，Lei Y P，et al.Estimation of water consumption and crop water productivity of winter wheat in North China Plain using remote sensing technology.Agricultural Water Management， 2008, 95(11): 1271～1278

[3] 张兆吉， 费宇红，陈宗宇.华北平原地下水可持续利用调查评价.北京：地质出版社， 2009： 1～9

[4] Chen J Y，Tang C Y，Shen Y J，et al.Use of water balance calculation and tritium to examine the dropdown of groundwater table in the piedmont of the North China Plain(NCP).Environmental Geology， 2003， 44： 564～571

[5] Sun H Y，Shen Y J，Yu Q，et al.Effect of precipitation change on water balance and WUe of the winter wheat-summer maize rotation in the North China Plain.Agricultural Water Management， 2010, 97(8): 1139～1145

[6] Gleeson T，Wada Y，Bierkens M F，et al.Water balance of global aquifers revealed by groundwater footprint.Nature， 2012，488(7410)： 197～200

[7] 胡春胜， 程一松.中国生态系统定位观测与研究数据集：农田生态系统卷，河北栾城站(1998- 2008).北京：中国农业出版社，2011： 137～149

[8] 许月卿. 土地利用对地下水位下降的影响：以河北平原为例.地理研究， 2005, 24(2): 222～228

[9] 李春强， 李保国，洪克勤.河北省近35 年农作物需水量变化趋势分析.中国生态农业学报， 2009, 17(2): 359～363

[10]De Graaf I E M，Van Beek L P H，Wada Y，et al.Dynamic attribution of global water demand to surface water and groundwater resources：Effects of abstractions and return flows on river discharges.Advances in Water Resources， 2014， 64： 21～33

[11]张光辉， 刘中培，费宇红，等.华北平原区域水资源特征与作物布局结构适应性研究.地球学报， 2010, 31(1): 17～22

[12]程维新. 农田蒸发与作物耗水量研究.北京：气象出版社， 1994： 82～127

[13]陈超， 于强，王恩利，等.华北平原作物水分生产力区域分异规律模拟.资源科学， 2009, 31(9): 1477～1485

[14]Portmann F T，Siebert S，DöllP.MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000：A new high-resolution data set for agricultural and hydrologicalmodeling.GlobalBiogeochemical Cycles， 2010， 24(1)：GB1011

[15]刘海启， 金敏毓，龚维鹏.美国农业遥感技术应用状况概述.中国农业资源与区划， 1999, 20(2): 56～60

[16]许文波， 田亦陈.作物种植面积遥感提取方法的研究进展.云南农业大学学报， 2005, 20(1): 94～98

[17]刘克宝， 刘述彬，陆忠军,等.利用高空间分辨率遥感数据的农作物种植结构提取.中国农业资源与区划， 2014， 35(1)： 21～26

[18]王迪， 周清波，刘佳.作物面积空间抽样框架及抽样基础要素优化设计研究.中国农业资源与区划， 2008, 29(4): 9～15

[19]陈仲新， 刘海启，周清波，等.全国冬小麦面积变化遥感监测抽样外推方法的研究.农业工程学报， 2000, 16(5): 12～129

[20]王来刚， 郑国清，陈怀亮，等.基于HJ-CCD影像的河南省冬小麦种植面积变化全覆盖监测.中国农业资源与区划， 2001， 32(2)： 58～62

[21]郝虑远， 孙睿，谢东辉，等.基于改进 N-FINDR 算法的华北平原冬小麦面积提取.农业工程学报， 2013， 29(15)： 153～161

[22]许青云， 杨贵军，龙慧灵，等.基于MODIS NDVI多年时序数据的农作物种植识别.农业工程学报， 2014, 30(11): 134～144

[23]BabanSMJ，LukeC.Mapping agricultural land using retrospective ground referenced data，satellites sensor imagery and GIS International Journal of Remote Sensing， 2000， 21(8)： 175～1762

[24]徐新刚， 李强子，周万村，等.应用高分辨率遥感影像提取作物种植面积.遥感技术与应用， 2008, 23(1): 81～86

[25]Cohen Y，Shoshany M.Anational knowledge-based crop recognition in Mediterranean environment.International Journal of Applied Earth Observation and Geo-information， 2002， 4： 75～87

[26]邹金秋， 陈佑启，Uchida S，等.利用Terra/MODIS 数据提取冬小麦面积及其精度分析.农业工程学报， 2007， 23(11)： 195～200

[27]熊勤学， 黄敬峰.利用NDVI指数时序特征监测秋收作物种植面积.农业工程学报， 2009, 25(1): 144～148

[28]Xiao X，Boles S，Liu J，et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images.Remote Sensing of Environment， 2005， 95： 480～492

[29]刘锟， 付晶莹，李飞.高分一号卫星4种融合方法评价.遥感技术与应用， 2015, 30(5): 980～986

[30]李粉玲， 常庆瑞，申健，等.基于GF-1卫星数据的冬小麦叶片氮含量遥感估算.农业工程学报， 2016, 3(29): 157～164

[31]汤兴， 易维宁，杜丽丽，等.高分一号卫星多光谱遥感图像邻近效应校正研究.光学学报， 2016， 36(2)： 0228003-1～0228003-7

[32]白照广. 高分一号卫星的技术特点.中国航天， 2013， 8： 5～9

APPLICATION OF "GAOFEN-1" SATELLITE DATA IN THE EVALUATION OF EFFECT OF PLANTING PATTERN ADJUSTMENT ON WINTER WHEAT——A CASE IN JIZHOU OF HEBEI PROVINCE

Liu Yuechen，Wang Fei※，Jiao Weijie，Wang Haijun，Han Xue

(Key Laboratory of Cultivated Land Use, Ministry of Agriculture, P. R. China/Chinese Academy of Agricultural Engineering，Beijing 100125， China)

According to the claim of "controlling the total amount of agricultural water" by Ministry of Agriculture, Hebei province carried on a work of adjusting planting pattern of winter wheat to reduce its planting area. Based on the data of "GaoFen-1" 2 m panchromatic, 8 m and 16 m multispectral satellite, this paper monitored the changes of winter wheat planting pattern in Jizhou, Hebei province, and calculated the area correction coefficient of the monitoring results to improve the accuracy. The results showed that: "Gaofen-1" 16 m resolution data was better than the fusion data of 2 m and 8 m resolution in monitoring the changes of winter wheat planting pattern. Compared with 2014, the planting area showed an increasing trend in Jizhou in 2015, but the spatial variation of the planting pattern was different in different areas. The planting area of winter wheat in the northern part of Jizhou remained basically stable, which showed a trend of decrease in the central region, and a trend of increase in the southern region. The factors, such as the decrease of cotton planting area and the change of cropping habit and cropping system, etc., resulted in the change of the planting pattern of winter wheat.

remote sensing; "Gaofen-1" satellite; winter wheat; planting patternmonitoring; correction coefficient

10.7621/cjarrp.1005-9121.20170201

2016-03-16 作者简介：刘跃辰(1983—)，男，北京人，工程师。研究方向：农业遥感技术研究和推广应用。※通讯作者：王飞(1973—)，男，山西太原人，高级工程师。研究方向：农业遥感技术研究和推广应用。Email：wangfei@agri.gov.cn

S512.1+1; S127

A

1005-9121[2017]02001-10