基于Landsat 8 OLI数据的华北平原农作物种植结构遥感解译研究

卢辉雄， 田言亮， 董双发， 汪 冰， 李名松， 牛海威， 张 恩， 薛 庆， 章新益， 程思思

(1.核工业航测遥感中心，石家庄 050002；2.东华理工大学 地球科学学院，南昌 330013； 3.中国地质科学院水文地质环境地质研究所，石家庄 050061)

基于Landsat 8 OLI数据的华北平原农作物种植结构遥感解译研究

卢辉雄1,2， 田言亮3， 董双发1， 汪 冰1， 李名松1， 牛海威1， 张 恩1,2， 薛 庆1,2， 章新益1， 程思思1

(1.核工业航测遥感中心，石家庄 050002；2.东华理工大学 地球科学学院，南昌 330013； 3.中国地质科学院水文地质环境地质研究所，石家庄 050061)

利用华北平原2013年65景Landsat 8 OLI数据，通过ENVI软件对影像进行预处理，采用面向对象的信息提取和人机交互式解译方法，对华北平原小麦、玉米、水稻、大豆等主要作物分布及种植结构进行了系统的解译，划分了研究区小麦玉米两熟区、小麦水稻两熟区、水稻两熟区、小麦大豆两熟区、玉米一熟区、水稻一熟区分布范围，并分析了研究区农作物种植结构影响因素。结果表明，基于Landsat 8 OLI数据对大区域主要作物种植面积及种植结构遥感解译的技术和方法是可行的，能为研究农作物种植结构提供有效方法。

种植结构； 遥感解译； Landsat8 OLI； 华北平原

0 前言

在当前市场经济及技术条件下，利用遥感技术可以在短期内连续获取大范围的地面信息，能够实现对粮食作物种植面积快速、客观监测。但由于不同作物物候历不同，且不同作物具有交错、插花种植等现象，对于大面积不同作物种植结构区，如何利用快速、经济可行的遥感解译技术准确获取不同作物面积已成为热点和难点[1-5]。

目前,随着传感器空间分辨率地提高，利用SPOT、TM等数据提取作物播种面积的研究开展较多，但这些数据因价格、分辨率等因素，多用于小空间尺度地研究[6-8]；适用于大尺度范围农作物信息提取研究的 NOAA AVHRR、MODIS等具有低空间分辨率、高时间分辨率的遥感影像又很难保证提取结果的准确性[9-15]。高分辨率的遥感影像可以精确地提取不同作物信息，但是其覆盖面积小，遥感解译的工作量大，费时费力，并且重访周期长，不能及时监测；低分辨率遥感影像具有覆盖面积大，重访周期短的优点，但是精度低，容易导致提取信息的不准确。

利用Landsat8 数据进行遥感解译研究，主要应用在耕地信息提取或单一作物的大面积提取中[16]，针对大尺度多类型的作物解译应用较少。笔者在前人的研究的基础上，针对华北平原研究区，利用Landsat8 OLI数据，使用面向对象的信息提取和人机交互式解译相结合的方法，对华北平原不同类型作物的面积及其种植结构进行了系统解译，旨在探讨Landsat8 OLI数据在大区域作物解译中的应用。

1 研究区概况

研究区位于华北平原平原区，包括北京、天津、河北、河南、江苏、山东、山西、安徽8个省，79个地级市，位于113°00′E～121°30′E，32°00N′～40°30′N之间，总面积约32×104km2。

研究区三面环山呈簸箕状倾向渤海、黄海，平原区地势平坦，海拔大部分在 50 m以下，从南到北贯穿有淮海、黄河、海河三大水系；属暖温带半湿润、湿润季风气候，年平均降水量400 mm～1 200 mm，具有从南到北逐渐减少趋势。研究区农作物主要以冬小麦、玉米为主，其次为大豆、水稻、棉花、油料等，是“北粮南调”的重要的农产品基地，也是保障我国未来食物安全的主要区域。

研究区作物主要为一年两熟、其次为一年一熟。粮食作物主要以冬小麦、玉米、水稻、大豆为主，各类作物的生长期及解译时相见表1。

表1 研究区内各类作物的生长期

2 数据与方法

2.1 数据源与数据预处理

根据研究区作物的生长期及最佳解译时相，同时考虑到研究区面积较大，本次研究选取了两期Landsat8影像，共65景数据。其中第一期影像时相的选择为夏季农作物最佳解译时相，成像时间主要集中在2013年3月-5月；第二期影像的选择为秋季农作物最佳解译时相，成像时间主要集中在2013年6月-9月。通过两期时相的综合对比，能够有效确定各类作物的解译特征。

数据预处理主要包括辐射校正、大气校正、影像融合、彩色合成处理、信息增强处理等。影像融合经过多次对比试验，确定Gram-Schmidt融合处理方法，通过对遥感全色数据与多光谱数据进行融合，形成兼具高空间分辨率空间信息和多光谱彩色信息的融合影像。在此基础上，利用7(短波红外)、5(近红外)、4(红)波段进行了彩色合成处理。同时，为了突出主要粮食作物(小麦、玉米、水稻等)信息，运用了线性及非线性拉伸，对比度拉伸、饱和度拉伸等方法对影像进行了增强处理，最后获取了空间分辨率为15 m的影像。

2.2 解译方法

2.2.1 面向对象的信息提取

面向对象的遥感影像分类技术是以像元为基本单元进行遥感信息提取，采用决策支持的模糊分类方法，建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特征、形状特征、纹理特征、上下文关系特征和相邻关系特征，通过对影像对象定义多种特征并指定模糊化函数，给出每个对象隶属于某一类的概率，建立分类标准，最终按照最大概率产生确定分类结果。采用面向对象方法提取主要作物的流程如图1所示。

图1 面向对向信息提取流程图Fig.1 Oriented to the flow chart of information extraction

1)影像分割。影像分割分两个步骤：①对整个影像进行尺度空间的构建，即根据所预设的尺度分割参数，将影像中的像元划分为不同亮度值的区域；②根据其他的分割参数提取出不同的对象多边形。本次采用多尺度分割方法，根据研究区影像纹理特征与农作物实际生长特征，采用不同尺度进行分割，根据分割结果对比分析( 图2)，最终确立的研究区的最优分割尺度(Scale:60；Color:0.9)。

图2 多尺度分割效果对比图Fig.2 Multiscale segmentation comparison chart(a)Scale:60;Color:0.6；(b)Scale:60;Color:0.9； (c)Scale:100;Color:0.6；(d)Scale:100;Color:0.9

2)信息提取。信息提取，即基于分割结果，对某一类的典型特征或条件进行描述，影像对象按照是否满足这些属性进行分类，本次采用最邻近分类方法进行信息提取。

最邻近分类，主要包括定义特征空间、定义分类体系、选择典型样本、执行分类四个步骤。①通过对研究区目标地物进行特征分析，选择多维的典型特征作为特征空间；②接着通过目视判读，结合其他相关资料，定义分类体系，选择典型的样本对象；③在特征空间中，按照公式寻找最近的样本对象，如果某一对象与某类地物距离最近，则将其分为该类。通过该方法，对研究区多尺度分割的影像进行了信息提取，获得了各类作物分类结果，分类效果见图3～图4。

2.2.2 人机交互式解译

利用研究区信息提取结果，根据建立的解译标志，进行人机交互式解译，对提取的每一类图斑赋属性，对信息提取中局部存在错分、漏分的图斑进行完善，最终形成解译成果。

图3 多尺度分割效果图Fig.3 Signal multi-scale segmentation effect

图4 信息提取效果示意图Fig.4 Information extraction effect diagram

3 结果及分析

3.1 研究区作物空间分布特征

研究区解译作物主要以冬小麦、玉米为主，其次为水稻、大豆、果园、蔬菜及其他类作物(棉花、花生等)，其空间分布见图5～图6。

3.2 研究区作物种植结构特征

通过两期解译，研究区解译作物总播面积为37.86×104km2，其中冬小麦种植面积为14.41×104km2，占解译作物总播面积的38.06%；玉米种植面积为12.15×104km2，占解译作物总播面积的32.10%；水稻种植面积为3.51×104km2，占解译作物总播面积的9.27%；大豆种植面积为1.14×104km2，占解译作物总播面积的3.01%；果园种植面积为0.44×104km2，占解译作物总播面积的1.17%；蔬菜种植面积为3.67×104km2万亩，占解译作物总播面积的9.70%；其他作物种植面积为2.53×104km2，占解译作物总播面积的6.69%，解译的其他类作物主要以棉花为主。解译的各类作物结构见图7。

通过对研究区解译的主要作物进行路线效验、实验区调查工作，小麦、玉米等大面积种植类作物解译精度在90%以上，水稻、棉花等种植面积较小、具有插花种植特征的作物解译进度在70%～80%之间。研究区各种作物总体解译精度为86.01%(表2)，对大区域作物解译而言，精度满足需要。

图5 研究区夏季农作物布局结构解译分布图Fig.5 Summer crops in the study area layout structure interpretation map

图6 研究区秋季农作物布局结构分布解译图Fig.6 Autumn crops in the study area layout structure interpretation map

序号 效验目的图斑效验图斑数正确图斑数准确率/%1冬小麦12211090．22玉米13512290．33水稻4030754棉花171270．65裸地蔬菜423071．46设施蔬菜(大棚)343191．27果园393487．2合计42936986．01

图7 研究区解译作物结构图Fig.7 The structure interpretation of crops

3.3 研究区作物种植结构划分

根据研究区解译结果，对研究区内解译的小麦、玉米、水稻、大豆进行种植结构划分。按作物耕作制度研究区内作物可划分为小麦玉米两熟区、小麦水稻两熟区、水稻两熟区、小麦大豆两熟区、玉米一熟区、水稻一熟区(图8)。

1)小麦玉米两熟区，主要分布地有：①研究区河北省清苑县至邯郸县、大名县北部至吴桥；②山东省乐棱市—禹城县—东明县一带；③河南省南乐县至卫辉市、开封县南部至淮阳县、宁棱县至夏邑县一带；④安徽省利辛县东部至宿县南部一带。

2)小麦水稻两熟区，主要集中分布在3个区域：①黄河沿线，主要分布在延津县南部至东明县东部一带；②淮海沿线，主要位于阜南县南部至寿县一带；③主要位于江苏省境内，主要位于淮安市北部至东海县南部一带。

3)水稻两熟区，主要分布在黄河与淮河之间，集中分布在3片区域：①淮河沿线固始县及寿县北东部一带；②江苏省境内的宿迁市至泗洪县一带；③江苏省滨海县一带。

图8 研究区种植结构区划图Fig.8 Planting structure zoning map in the study area

4)小麦大豆两熟区，主要集中分布在安徽省界首市至涡阳县一带。

5)玉米一熟区，主要集中在黄河以北区域，在河北省献县至文安县一带、河北省滦县至辽宁省绥中县一带、山东省利津县一带分布较为广泛。

6)水稻一熟区，主要分布在河北省唐海县至天津市静海县一带。

3.4 研究区作物种植结构影响因素分析

研究区地形地貌、气候、地下水资源存在区域不均衡性，对作物种植具有较大的影响。本次在解译的基础上，综合分析了研究区作物种植结构的影响因素。

研究区山前洪积—冲积扇形平原主要以冬小麦—玉米为主，具有一年两熟特征；冲积平原主要为小麦玉米一年两熟、小麦水稻两熟，其次为玉米一年一熟、水稻一年两熟、小麦大豆一年两熟。海积平原具有棉花和玉米一年一熟的种植结构(图9)。

研究区面积较大，气温、降水等气候因素在该区不同地域具有较大差异，其中降水量因子对农作物的种植结构影响较大。纵向上，因降水量因素影响，南北区域农作物种植类型不同。研究区黄河以北区域，年均降水量为400 mm～600 mm，主要为小麦玉米一年两熟，局部存在棉花一年一熟的种植结构(图10)。横向上，滨海平原区至山前冲洪积平原区，因降水量不同，作物种植存在差异。滨海平原区年降水在650 mm以上，除河北省唐海县至天津市静海县以种植水稻为主，其他区域主要种植棉花为主；在研究区西部山前冲洪积平原区，降水量较少，降水量年均约为500 mm，该区域以种植小麦玉米为主。

研究区不同的地下水资源类型区，作物种植结构存在差异。研究区微咸水分布区域，以小麦、玉米种植为主，具有小麦玉米两熟特征；半咸水分布区域，土壤盐碱化较强烈，以种植棉花为主；南部淮河流域松散岩类孔隙水补给较高区域，主要以水稻种植为主，其次为小麦，水稻具有一年两熟特征。

4 结论

1)本次利用Landsat 8 OLI数据对华北平原小麦、玉米、水稻、大豆等主要作物进行了解译，通过效验，总体解译精度达到86.01%，对大区域作物解译而言，精度基本满足需要。

图9 研究区不同地形地貌区作物种植结构图Fig.9 The structure of crops planting structure in different areas of the study area

图10 研究区不同降水量区作物种植结构图Fig.10 The crop planting structure in different rainfall areas in the study area

2)利用Landsat 8 OLI数据在大区域开展遥感解译，相比于高空间分辨率遥感数据，更经济、快速。

3)基于解译结果，能够有效划分研究区作物种植结构区划图，获得大区域作物种植结构特征，并通过分析影响农作物种植结构的主要因素，进一步阐述解译结果的吻合性。

4)研究表明，利用Landsat 8 OLI数据，采用面向对象信息提取和人机交互式解译方法，能高效快速获取大区域主要作物的种植结构特征，该方法具有可行性。

[1] 屈宝香，张华，李刚. 中国粮食生产布局与结构区域演变分析[J].中国农业资源与区划，2011，32(1) : 1-6. QU B X, ZHANG H, LI G. Analysis on regional development of China's grain production distribution and structure [J]. China Agricultural Resources and Regional Planning, 2011,32 (1): 1-6.(In Chinese)

[2] 李正国，唐华俊，扬鹏. 植被物候特征的遥感提取与农业应用综述[J].中国农业资源与区划，2012，33(5) : 20-28. LI Z G, TANG H J, YANG P. Remote sensing extraction and agricultural application of vegetation phenology [J]. China Agricultural Resources and Regional Planning, 2012, 33 (5): 20-28. (In Chinese)

[3] 李强子，吴炳方.作物种植成数的遥感监测精度评价[J].遥感学报，2004，8(6) : 581-587. LI Q Z, WU B F. Precision evaluation of remote sensing monitoring of crop planting [J]. Journal of Remote Sensing, 2004, 8 (6): 581-587. (In Chinese)

[4] 吴炳方，范锦龙，田亦陈,等.全国作物种植结构快速调查技术与应用[J].遥感学报，2004，8(6) : 618-627. WU B F, FAN J L, TIAN Y C,et al. Rapid survey technology and application of crop planting structure in China [J]. Journal of RemoteSensing, 2004, 8 (6): 618-627. (In Chinese)

[5] 曾澜，张勇，张雪，等.基于遥感估产和农业统计的粮食供需平衡模型研究[J].遥感学报，2004，8(6) : 645-654. ZENG L, ZHANG Y, ZHANG X, et al. Based on yield estimation by remote sensing and the agricultural statistics of grain supply and demand equilibrium model [J]. Journal of remote sensing, 2004, 8 (6): 645-654. (In Chinese)

[6] 郑长春,王秀珍,黄敬峰.基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究[J].遥感技术与应用,2008,23(3):294-299. ZHENG C C, WANG X Z, HUANG J F. Research on automatic rice area information extraction based on characteristic band SPOT-5 [J]. Remote Sensing Technology and Application, 2008,23 (3): 294-299. (In Chinese)

[7] 邓劲松，王坷.基于特征波段的spot5卫星影像耕地信息自动提取的方法研究[J].农业工程学报,2004，20(6):145-147. DENG J S, WANG K. Research on the automatic extraction of cultivated land information based on the SPOT5 satellite image in the feature band [J]. Journal of Agricultural Engineering,2004, 20 (6): 145-147. (In Chinese)

[8] 祝民强，周万蓬，吴仁贵，等.赣中丘陵区TM影像的耕地信息提取模型研究[J].遥感技术与应用，2004，19(3):173-176. ZHU M Q, Z W P, WU R G,et al.TM images of the hill region in central Jiangxi province cultivated land information extraction model [J]. Remote Sensing Technology and Application, 2004, 19 (3): 173-176. (In Chinese)

[9] 林忠辉，莫兴国.NDVI时间序列谐波分析与地表物候信息获取[J].农业工程学报，2006，22(12):138-144. LIN Z H, MO X G. The harmonic analysis of the.NDVI time series and the land surface phenology information acquisition [J]. Journal of Agricultural Engineering, 2006, 22 (12): 138-144. (In Chinese)

[10]陈水森，柳钦火，陈良富，等.粮食作物播种面积遥感监测研究进展[J].农业工程学报，2005，21(6):166-171. CHEN S S, LIU Q H,CHEN L F, et al. Research progress on remote sensing monitoring of sown area of grain crops [J]. Journal of Agricultural Engineering, 2005, 21 (6): 166-171. (In Chinese)

[11]张莉，吴文斌，左丽君，等.基于 EOS/MODIS 数据的南方水稻面积提取技术[J].中国农业资源与区划，2011，32(4):39-44. ZHANG L, WU W B, ZUO L J, et al. Rice area extraction technology based on EOS/MODIS data [J]. China Agricultural Resources and Regional Planning, 2011, 32 (4): 39-44. (In Chinese)

[12]胡宗辰.基于MODIS的中国主要粮食作物种植时空分布信息提取方法研究[D].成都:电子科技大学，2013:1-10. HU Z C. Based on the spatial temporal distribution information extraction method of main grain crops in China [D]. Chengdu:Electronic Science and Technology University, 2013:1-10. (In Chinese)

[13]吕婷婷,刘闯.基于MODIS数据的泰国耕地信息提取[J].农业工程学报,2010,26(2):244-250. LV T T, LIU C. Information extraction of cultivated land in Thailand based on MODIS data [J]. Journal of agricultural engineering, 2010,26 (2): 244-250. (In Chinese)

[14]左丽君,董婷婷,汪潇,等.基于MODIS/EVI的中国北方耕地复种指数提取[J].农业工程学报,2009,25(8):141-146. ZUO L J,DONG T T,WANG X, et al. Transactions of the CSAE evi in northern China for multiple cropping index of arable land extraction based on MODIS/EVI [J]. Journal of Agricultural Engineering, 2009,25 (8): 141-146. (In Chinese)

[15]TOMITA A, INOUE Y, OGAWA S, et al. Vegetation patterns in the ChaoPhraya Delta, 1997 dry season using satellite image data[A].Proceedings of the international conference: The Chao PhrayaDelta: Historical development, dynamics and challenges of Thailandrice boel[C]. Thailand,2000:35-38.

[16]牛鲁燕，张晓艳，郑继业，等.基于Landsat8 OLI数据的山东省耕地信息提取研究[J].中国农学通报,2014,30(34):264-269. NIU LUYAN,ZHANG XIAOYAN, ZHENG JIYE et al. Extraction of cultivated land lnformation in Shandong province based on Landsat8 OLI Data[J]. Chinese Agricultural Science Bulletin,2014,30(34):264-269. (In Chinese)

Interpretation study of crop planting structure in north China plain based on landsat 8 OLI data

LU Huixiong1,2, TIAN Yanliang3, DONG Shuangfa1,WANG Bin1,LI Mingsong1, NIU Haiwei1, ZHANG En1,2, XUE Qin1,2， ZHANG Xinyi1, CHENG Sisi1

(1.Airborne Survey and RemoteSensing Center of Nuclear Industry，Shijiazhuang 050002， China； 2.Faculty of Earth Sciences，East China Institute of Technology，Nanchang 330013， China; 3.The Institute of Hydrogeology and Environmental Geology ，Shijiazhuang 050061， China)

The use of the north China plain in 2013 65 king Landsat 8 OLI data, by ENVI software image preprocessing, sampling object-oriented man-machine interactive information extraction and interpretation methods, the north China plain (including wheat, corn, rice, soybeans distribution) and planting of crops and other major structures were interpreted system, the division of the study area of wheat and corn cropping area, wheat rice cropping area of rice cropping area, wheat soy cropping area, a ripe area corn, rice and a cooked zone distribution, and analysis of the impact of crop planting structure factors in the study area. The results show that the techniques and methods based on Landsat 8 OLI data for major crop acreage and planting large areas of remote sensing interpretation structure is feasible. It can provide an effective method for the study of crop planting structure.

planting structure; remote sensing interpretation; Landsat8 OLI; north China plain

2016-07-01 改回日期：2016-07-21

中国地质调查局资助项目(1212011220941)

卢辉雄(1988-)，男，硕士，工程师，主要从事矿产资源调查评价、遥感技术应用研究等工作，E-mail：1551310706@qq.com。

1001-1749(2017)03-0416-09

S 127

A

10.3969/j.issn.1001-1749.2017.03.19