基于高分1号卫星数据的农作物面积遥感测量

李 杰，谭荣建

(昆明理工大学 国土资源工程学院，云南 昆明 650093)

遥感技术可以在短期内连续获取大范围的地面信息，实现农业信息的快速收集和定量分析，是目前最有效的对地观测技术和信息获取手段[1-2]。自20世纪70—80年代开始，遥感技术被大量用于农作物长势监视、种植面积监测，以及产量预测等方面[3-5]。统计抽样调查法作为另外一种广泛用于监测农作物面积的传统方法，具有工作量小、监测范围广、精度好的特点。然而，在实际应用中，农作物面积遥感测量和统计抽样调查方法均存在一定的缺点[6-7]：基于低空间分辨率卫星数据的农作物种植面积提取难以获得高精度的小区域数据[8-9]；抽样调查需要耗费大量的人力物力，经济效益低。将遥感与抽样技术相结合，估算作物种植面积，是一种行之有效的方法，且已得到广泛的应用[10-11]。很长一段时间以来，农作物面积监测精度研究常常受到分辨率的限制。国内常用的数据源主要是国外的MODIS、Landsat、SPOT、Geo Eye等中等分辨率卫星数据[12]，数据成本较高，严重制约了应用。随着高分1号(GF-1)卫星的成功发射，农作物遥感监测应用有了较充足稳定的数据源。本文综合利用遥感技术和统计抽样调查方法，扬长避短，提出一种农作物面积的测量方法及流程。总结报道如下。

1 研究区概况和数据预处理

1.1 研究区概况

以辽宁省义县为研究区，地理坐标120°52′～121°44′E，42°17′～41°48′N。研究区东靠北镇市，北邻阜新蒙古自治县，西界北票市，南连凌海市。义县地处北温带的中温带，属大陆性季风型气候，四季分明，年均气温7.8 ℃，年均降水量530 mm[13]。主要的农作物为高粱、玉米、大豆等。

1.2 数据来源和数据处理

1.2.1 数据来源

高分1号卫星是我国2013年4月26日发射的，搭载了2台2 m分辨率全色/8 m分辨率多光谱相机和4台16 m分辨率多光谱相机，实现了在同一颗卫星上进行高分辨率和宽幅度成像的结合[14]，提高了国内遥感数据的精度和高分辨率数据自给率。

1.2.2 数据预处理

遥感数据预处理主要包括几何精纠正、正射校正、全色和多光谱波段融合、影像裁剪，最终得到标准化的遥感数据产品。本研究所采用的数据为多期义县GF-1卫星16 m分辨率影像，这些影像都经过了数据预处理，并添加区县行政边界，得到县级中分辨率卫星影像，如图1所示为其中一期的影像。

图1 义县2015年8月GF-1卫星的影像

1.3 测量方法

提出的农作物种植面积测量方法是在县级中分辨率卫星影像农作物分类图的基础上进行抽样单元的设计与构建，以提高抽样基础数据的精度和准确度。主要包括4个步骤。

1)基于县级中分辨率卫星影像底图，提取耕地图斑，再在耕地的基础上进行作物的遥感识别，提取目标作物(本研究中为玉米)。

2)在全县范围内，以村为单元，构建含有目标作物的抽样总体。以遥感分类结果为基础，结合义县行政村矢量图进行分层随机抽样，抽选野外调查样本。

3)在有关部门的支持下，得到义县野外调查相关数据，同时采集研究区无人机遥感影像光谱信息点辅助遥感分类，结合一定数量的地块调查结果，辅以人工目视解译，获得准确的样方调查结果。

4)根据遥感识别结果及野外调查结果，采用比估计方法反推义县测量结果，并进行精度评价。总体技术流程如图2所示。

图2 作物(玉米)面积推算的流程

2 结果与分析

2.1 县级农作物面积遥感提取

不同农作物在同一期遥感影像中所呈现出来的光谱特征差异不明显，这对县级目标作物面积遥感提取有不利影响。不同作物的物候历存在差异，因此主要根据不同农作物在物候历上的特征差异，选择农作物识别关键期的多时相遥感影像进行作物类型识别[15]。根据辽宁省义县物候历，义县水稻、小麦、玉米的物候差异主要体现在4月、5月和9月：4月时水稻和小麦已经播种，而玉米未到播种期；5月时小麦处于中苗期，水稻处于生长前期，此时玉米刚开始播种；9月时小麦完成收割，而玉米和水稻处于成熟期。据此选取这3个时段的影像数据进行目标作物面积提取。

以县为单元，按先耕地后作物的步骤进行玉米地识别。首先利用地块、作物物候信息、作物种植结构等信息，构建县级遥感识别解译标志；然后利用多期遥感图像进行耕地提取，在此基础上利用高分辨率无人机数据、16 m GF-1卫星数据在耕地范围内进行作物分类，提取出目标农作物的空间分布信息，并统计出全县玉米作物面积。如图3所示。

图3 2015年义县测量结果的空间分布

2.2 样本村抽取

在全县范围内，以村为单元，以国土耕地空间分布数据及当年现势或者上一年的主要农作物中分辨率遥感测量结果为基础构建抽样框，以历史统计数据作为构建抽样框的重要辅助数据，对抽样样本的合理性进行辅助判别，以此构建含有目标作物的抽样总体。结合义县行政村矢量图文件，以义县耕地分类结果为基础，按行政村耕地面积大小进行分层抽样。对于分类结果为0的行政村归为0层；对于分类结果不为0的行政村，按最优分层法分为3层，所有行政村共分为4层。根据经验值并结合实际测算抽取合适的总样本数。各层样本量按各层分类面积占总分类面积的比重进行分配，在各层按照随机抽样的原则抽选样本。根据上述抽样原则，抽取出义县15个行政村作为样本村。义县分层结果及样本数量见表1。

2.3 样方设计及解译

抽取出样本行政村以后，基于解译知识库对现势GF-1影像采用目视解译的方式，对选择的15个样本村进行玉米面积的精细测量。对于地表条件较复杂或影像较难获取的区域，采用无人机航拍的方式获取影像数据。在每个行政村内采用简单随机抽样方法抽选5个网格作为样方，每个网格的大小为200 m×200 m。采用无人机与PDA相结合的野外调查方式对解译结果进行评价，其中无人机调查数据采集后进行解译，并对前期分类解译结果进行修正。利用野外无线终端PDA进行调查时，对前期解译结果有偏差的样方现场进行更改，并确定最终的样本区的遥感解译结果。

2.4 推算及精度评价

采用分层比估计对义县玉米种植面积进行推算，以中分影像分类统计结果作为总体推断过程中的辅助变量。全县玉米种植面积计算公式：

表1 义县2015年玉米种植面积遥感测量推算成果

3 小结与讨论

以高分1号(GF-1)卫星遥感影像为数据基础，提出一种将遥感技术与统计学方法相结合的农作物面积测量方法。运用该方法对义县玉米种植面积进行推算，结果可满足测量需求。本研究所提出的将统计与遥感相结合的测量方式充分利用遥感与计算机科学优势，结合统计相关知识，在农作物面积测量中具有很大的优势，在节省成本的前提下，确保了农作物面积调查的精度。在针对作物种植结构和地形复杂的区域进行目标作物种植面积测算时，采用无人机高分辨率航拍影像作为目标解译的基础数据，提高了农作物种植面积获取的精度。但本研究仅在县级区域进行试验，该方法是否适用于省级等更大尺度范围还有待研究。

[1] 李小文.遥感原理与应用[M]. 北京:科学出版社, 2008: 1-8.

[2] 蒋怡. 基于遥感信息技术在农业中的运用方式[J]. 农业与技术, 2013, 33(11):21-22.

[3] 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.

[4] 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[J]. 中国农业资源与区划, 2011, 32(2):58-62.

[5] 黄青, 李丹丹, 陈仲新,等. 基于MODIS数据的冬小麦种植面积快速提取与长势监测[J]. 农业机械学报, 2012, 43(7):163-167.

[6] 焦险峰, 杨邦杰, 裴志远. 基于分层抽样的中国水稻种植面积遥感调查方法研究[J]. 农业工程学报, 2006, 22(5):105-110.

[7] 朱爽, 张锦水. 面向省级农作物种植面积遥感估算的分层方法[J]. 农业工程学报, 2013, 29(2):184-191.

[8] 赵文亮, 贺振, 贺俊平,等. 基于MODIS-NDVI的河南省冬小麦产量遥感估测[J]. 地理研究, 2012, 31(12):2310-2320.

[9] 欧文浩, 苏伟, 薛文振,等. 基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]. 农业工程学报, 2010, 26(11):176-182.

[10] 许文波, 张国平, 范锦龙,等. 利用MODIS遥感数据监测冬小麦种植面积[J]. 农业工程学报, 2007, 23(12):144-149.

[11] 张锦水, 潘耀忠, 胡潭高,等. 冬小麦种植面积空间抽样效率影响因子分析[J]. 农业工程学报, 2009, 25(8):169-173.

[12] 赵兵兵. 新时代 新民居 新设计:义县新民居设计研究[J]. 建筑与文化, 2015(1):131-133.

[13] 彭望禄.遥感导论[M].北京：高等教育出版社, 2002:233.

[14] 李方琦. 高分一号首批遥感影像发布,幅宽达国际先进水平[J]. 卫星应用, 2013(5):62-63.

[15] 邬明权, 杨良闯, 于博,等. 基于遥感与多变量概率抽样调查的作物种植面积测量[J]. 农业工程学报, 2014, 30(2):146-152.