高分1号冬小麦解译面积核算方法研究*

王利军，贺 佳，郭 燕，王利民，刘 佳，王来刚，武喜红，程永政，张红利

(1.河南省农业科学院农业经济与信息研究所，郑州 450002； 2.中国农业科学院农业资源与农业区划研究所，北京 100081)

0 引言

冬小麦是我国主要粮食作物之一，监测其播种面积是保障国家粮食安全的关键环节[1， 2]。随着遥感技术发展和我国北斗卫星对地观测航天技术体系的建设，高分辨率卫星遥感影像在获取时间和精度方面都有了很大保障。高分遥感影像包含丰富的地物细节信息，为区域农作物精准识别特别是作物种类、种植面积、长势及产量评估提供了重要的基础数据源，是区域内农作物信息空间格局分布、农业资源调查、灾害监测和农业保险的重要保障。

近年来，区域尺度下多源中高分辨率遥感影像与地面样方、样点等实测数据的结合使用成为农作物分类和面积提取的发展趋势[3-5]。然而，受卫星遥感影像空间分辨率、同物异谱和同谱异物等因素的影响[6]，农作物分类提取计算机解译过程会出现错分、漏分等问题，包括无法识别的零星地物(如林地、坟地、小片荒地、水面等)、不能以图斑解译的线性地物(如田间小路、支渠、林带等)、细碎图斑、锯齿边界等。虽然目前国内外针对提高遥感影像解译分类精度以及线性地物[7](特别是道路)的提取开展了大量研究，包括高分辨率影像法、图像融合法、抽样调查法、数理分析法等，但在数据统计和实际应用中都有其局限性[8-11]。土地利用现状数据是在传统土地利用现状调查的基础上，按照国家或地方土地利用现状调查和相关测绘标准生成[12]。土地利用现状图用不同的图斑和空间方式表达一定区域内的当前土地利用类型分布、面积及土地利用结构的专题地图，具有集合目标类型单一和多边形地块在空间分布上全覆盖、无缝隙、无重叠的特点[13]，为各级政府部门制定区域规划、农业区划和国土整治提供基础数据。

文章以永城市冬小麦为目标农作物，基于高分1号(GF-1)融合2m空间分辨率遥感影像和1： 1万土地利用现状数据，实现县域尺度下冬小麦种植面积提取与精准核算。通过将土地利用现状数据进行图斑重分类以及提取加密线性地物和零星地物图层，在GF-1遥感影像冬小麦解译结果聚类处理的基础上，用遥感解译与GIS空间运算相结合的方法进行边界处理、线性地物面积和零星地物面积扣除，对比分析了基于布设抽样样方和土地利用现状零星地物图层两种不同零星地物面积扣除方法，进而实现研究区冬小麦解译面积的精准核算，并对研究区不同乡镇在耕地与非耕地中冬小麦提取面积进行了核算与误差分析，以期为研究区冬小麦解译面积核算提供技术方法，最后对核算过程中出现的误差和存在的问题进行总结说明，为具有类似条件的农作物种植面积提取提供方法借鉴。

1 研究区与数据处理

1.1 研究区概况与样方分布

永城市位于黄淮平原腹地，河南省最东部，地处豫、鲁、苏、皖4省接合部，115°58′E～116°39′E，33°42′N～34°18′N，全境形状近似矩形，地势由西北向东南微倾，高差9m，平均海拔31.9m，大部分为平原地区，全市总面积为20.21万hm2，全境属湿润的暖温带季风气候，冬季寒冷干燥，夏季炎热多雨，四季分明，光照充足。研究区内冬季作物种类以冬小麦种植为主，田块比较规整。该市下辖29个乡镇，针对其地理概况，在研究区设立15个约0.5km×0.5km的样方，采用亚米级差分GPS进行样方内冬小麦实地种植面积测量，并对无法提取的田间线性地物和零星地物进行差分GPS定位测量其宽度和面积。为弥补地面样方数量不足的问题，部分乡镇采用2016年高分2号1m分辨率遥感影像和Google Earth影像[15]，通过人工目视解译的方法选取了12个面积不等的样方，并对其面积进行计算处理，与地面样方一起用于冬小麦样分类面积核算。其行政区划与27个样方空间位置分布如图1所示。

图2 永城市卫星影像覆盖范围(R/G/B： 4/3/2)

1.2 数据源与研究思路

该文选取了2016年2月24日至5月4日间GF-1卫星PSM的7景影像，如表1所示，其覆盖范围如图2所示。首先，对获取数据分别进行多光谱、全色正射校正、图像融合和几何校正，其中图像融合为2m分辨率遥感影像，采用非监督分类方法进行冬小麦面积提取，并对提取结果进行聚类处理和人工辅助编辑。其次，方法a，利用融合的2m影像和其他高分辨遥感影像，对2015年土地利用现状数据中线性数据进行人工矢量化加密处理，生成新的线性地物缓冲区图层数据，利用该数据和提取的零星地物数据对修改后冬小麦提取结果分别进行空间处理，对比面积变化获取线性地物和零星地物面积扣除比例。方法b，对比分析地面样方调查数据和修改后的样方内冬小麦面积提取数据，获得零星地物面积平均扣除系数。最后，对比分析两种方法中线性地物和零星地物面积扣除比例方法，实现永城市区域冬小麦面积提取核算。其研究思路如图3所示。

表1 永城市GF-1卫星PMS影像

序号影像传感器与轨道号获取时间1GF1_PMS2_E116.2_N34.4_20160504_L1A00015619362016-05-042GF1_PMS2_E116.2_N34.1_20160504_L1A00015619432016-05-043GF1_PMS2_E116.1_N33.8_20160504_L1A00015619412016-05-044GF1_PMS1_E116.7_N34.4_20160413_L1A00015218852016-04-135GF1_PMS1_E116.5_N33.9_20160413_L1A00015218862016-04-136GF1_PMS1_E116.6_N34.1_20160413_L1A00015218792016-04-137GF1_PMS2_E116.5_N34.1_20160224_L1A00014307662016-02-24

图3 永城市冬小麦提取面积核算研究思路

1.3 数据处理

1.3.1 高分1号遥感影像处理

该文以融合2m遥感影像为数据源，在ENVI软件中进行预处理，校正误差控制在0.5个像元内，选择Albers等面积割圆锥为投影坐标系，得到覆盖整个研究区域的影像数据，建立试验区分类系统，并结合外业实地调查建立影像解译标志数据库，用于指导影像自动分类和人工解译精度，对比分析最大似然和支撑向量机两种分类结果和精度的基础上，并采用聚类处理对分类结果中的细碎图斑进行后处理。

1.3.2 土地利用现状数据处理

国家土地利用现状分类标准包括12个一级类和57个二级类，该文根据我国耕地定义(耕地二级分类为水田、水浇地和旱地)和数据处理需求[14]，将2015年10月永城市土地利用现状数据分为耕地(包括旱地和水浇地)和非耕地(包括果园、裸地等其他用地类型)两种类型，其数据重分类、线性地物和零星地物分布效果如图4所示，经统计，耕地面积占全市面积71.11%，非耕地面积占全市面积28.89%。

图4 永城市土地利用现状数据分类

由于1： 1万土地利用现状数据中的线性地物图层(共8.681 4万条记录，最小实测宽度为2m，精确到0.1m)缺少2m以下宽度的线性地物数据。为最大限度地扣除线性地物在冬小麦统计面积中存在的误差，结合2016年高分2号1m、资源3号2.1m和Google Earth影像，参考国家基础地理信息1： 25万交通图和水系图，对影像中可识别的道路、水系、支渠等线性地物采用人机交互的方式进行判读，在ArcMap 10.2中量测其宽度并进行属性标注，最终共提取线性地物12.781 9万条，然后依照均匀、随机抽样的原则，对研究区内4 725条线性地物进行了实地宽度测量。零星地物则直接提取土地利用现状数据中的零星地物图层。

图5 聚类处理结果图

图6 冬小麦解译结果与耕地/非耕地空间相交处理

2 研究方法

2.1 细碎图斑处理

随着遥感影像空间分辨率的提高，同种地物光谱变异较大，同一地物类别内部出现较多的纯像元，内部异质性增大，分类结果中会出现细碎图斑，即“椒盐现象”[16]。聚类处理(clump)是运用数学形态学算子(腐蚀和膨胀)，将临近的类似分类区域聚类并进行合并，避免了低通滤波平滑处理时类别信息会被临近类别编码干扰的问题[17， 18]，其在ENVI软件中处理前后结果如图5所示。

2.2 解译结果边界处理

由于影像中存在混合像元，从而引起分类结果图斑边界出现锯齿状，其范围往往与土地利用现状中耕地边界不相符。土地利用现状数据边界为实地测量数据，符合相关测量标准和边界平滑的特点，以土地利用现状数据中耕地、非耕地图层边界为主，将冬小麦解译结果边界与土地利用重分类边界进行GIS空间叠加处理，其中解译结果与耕地、非耕地边界处理如图6所示，其中浅灰色为冬小麦解译结果，深色部分为土地利用现状图斑及其边界。

2.3 线性地物面积处理

将图3中线性地物要素在ArcGIS进行检查，并根据其宽度属性生成缓冲区面状矢量图层数据，与冬小麦解译结果进行空间掩膜处理，其处理流程及结果如图7所示。由于线性地物进行缓冲区生成后边界为直线段，也能有效地消除分类结果中存在的锯齿状边界问题。

图7 冬小麦遥感影像分类结果、叠加线性地物缓冲区数据、空间掩膜处理结果

2.4 零星地物面积处理

在扣除线性地物面积后，零星地物面积扣除是主要包括两种方法：一是基于土地利用现状数据中提取的零星地物点图层，将其与冬小麦分类结果进行属性空间关联，获取各个图斑内部所包含的零星地物个数及其面积之和，即可进行面积扣除。一是利用地面样方数据中零星地物面积平均扣除系数进行零星地物面积扣除，其计算公式为

(1)

式(1)中ζ为零星地物面积在样方中平均扣除系数，Sji为扣除线性地物后样方内冬小麦解译面积，Sri为实地测量和人工解译样方的冬小麦实际种植面积，n为研究区内样方总数量。

3 结果分析

3.1 冬小麦提取面积初步处理

图8 永城市冬小麦提取结果初步处理及空间种植分布

经实地调查将实验区的分类系统确定为冬小麦、其他作物、温室大棚、林地、休闲耕地、建筑(房屋与道路)、水体7类，经人工目视解译生成训练样本点，以光谱、纹理、形状等分类特征，采用支持向量机和最大似然分类方法进行信息分类提取，运用混淆矩阵法得到不同分类方法的用户精度和Kappa系数，其中支持向量机冬小麦分类用户精度达到了98.63%，Kappa系数达到了0.80。经方法2.1与2.2处理后，初步得到研究区耕地与非耕地中冬小麦种植空间分布如图8所示，其面积总计为12.33万hm2。

3.2 线性地物面积扣除分析

采用2.3中线性地物处理方法将3.1中初步修正结果和线性地物缓冲区图层进行掩膜处理后，经统计，永城市共有66.13km2的线性地物被解译为冬小麦种植面积，占整个研究区冬小麦解译面积(在扣除零星地物面积之前)的5.36%，其中耕地中占95.62%，非耕地占5.38%。由此可见，受影像空间分辨率和混合像元等因素影响，大量的线性地物被解译为冬小麦种植面积，增大了冬小麦实际种植面积。

图9 样方中零星地物扣除系数

图10 零星地物与图斑空间关系

3.3 零星地物面积扣除分析

3.3.1 利用地面样方数据扣除零星地物

在3.2中扣除线性地物面积后，将27个地面样方在ArcMap中生成与融合2m遥感影像相同投影的矢量数据，然后进行零星地物面积扣除，其扣除系数如图9所示。可以看出，编号为YF05的零星地物扣除系数最大为7.50%，其次为YF16和YF08，分别为6.50%和6.10%，最小的为YF06，扣除系数为0.90%，扣除系数范围分布在0.90%～7.50%之间。总体来看，研究区零星地物扣除系数整体较小，平均扣除系数为3.32%，基于该平均扣除系数可得全市应扣除零星地物面积为3 875.22hm2。

3.3.2 利用土地利用现状数据扣除零星地物

在3.2中扣除线性地物面积后，将分类结果与零星地物图层(土地利用现状数据提取)在ArcGIS中进行属性Join关联，得到各个图斑内部零星地物个数和零星地物面积之和，经统计得到全市零星地物扣除面积为2 103.44hm2，小于基于样方零星地物平均扣除系数得到的零星地物总面积，其中各样方中零星地物扣除面积也低于实际应扣除的零星地物面积。

3.3.3 零星地物面积比例扣除误差分析

其误差原因可能包括： (1)是土地利用现状数据未进行现势性更新； (2)是地图数据缩编时受最小上图图斑面积影响造成的； (3)是由于零星地物与分类图斑空间位置关系所造成的，如图10所示，会出现扣除零星地物面积或多或少的情况。由此可见，采用样方零星地物平均扣除系数能较好地减少冬小麦种植面积统计数据误差。

3.4 冬小麦面积核算分析

针对27个样方而言，在进行用地分类边界处理、扣除线性地物后，所有样方在扣除零星地物之前遥感影像冬小麦解译面积误差在0.08%～4.13%之间，平均误差绝对值为1.87%； 所有样方零星地物按照平均扣除系数3.32%扣除后，其误差绝对值在0.05%～3.24%之间，平均误差绝对值为1.59%，其数据处理结果如表2所示。可见，在样方尺度上，全部样方扣除零星地物面积平均误差绝对值差异为0.26%，差异结果并不明显，但若以平均扣除系数对扣除系数较小的样方进行面积扣除时，其冬小麦解译解译面积还存在一定差异。

表2 样方中冬小麦面积核算对比

样方编号解译面积(m2)修正面积(m2)实地面积(m2)解译误差绝对值(%)扣除前扣除后YF01645250.75623828.43634007.501.77-1.61YF021179330.501140176.731153062.202.28-1.12YF031047950.651013158.691006350.104.130.68YF04570221.40551290.05562970.201.29-2.07YF05670650.20648384.61665732.500.74-2.61YF061592240.301539377.921552237.582.58-0.83YF071240525.601199340.151223560.901.39-1.98YF081038560.351004080.151026650.701.16-2.20YF09982358.20949743.91950605.403.34-0.09YF10615622.70595184.03604115.801.90-1.48YF11590305.85570707.70585650.580.79-2.55YF121382053.801336169.611335550.603.480.05YF13655261.40633506.72644855.601.61-1.76YF14570725.40551777.32557625.302.35-1.05YF15600861.20580912.61595652.800.87-2.47YF161385514.801339515.711363320.401.63-1.75YF171325862.401281843.771302553.101.79-1.59YF181075586.501039877.031066580.400.84-2.50YF19608087.90587899.38607599.300.08-3.24YF20625758.60604983.41613558.551.99-1.40YF211525589.701474940.121475520.253.39-0.04YF22610583.20590311.84598655.481.99-1.39YF23692549.60669556.95677522.652.22-1.18YF24651705.10630068.49645557.800.95-2.40YF25623520.40602819.52612258.701.84-1.54YF261298860.701255738.521252230.603.720.28YF27590350.80570751.15588725.300.28-3.05平均值903551.41 873553.50 885285.57 1.87-1.51

针对全市分类结果经上述处理后进行统计，永城市冬小麦分类结果种植面积共11.29万hm2，耕地和非耕地分别分布11.10万hm2和1 954hm2，共有6 613.08hm2和3 875.22hm2的线性地物和零星地物被解译为冬小麦面积。根据永城市统计资料显示，永城市2016年冬小麦种植面积为10.81万hm2[19]。若以该统计值为真值情况下，冬小麦解译初步分类结果与统计面积差1.53万hm2，该文进行所有处理后，冬小麦解译分类面积与真实面积差4 820.33hm2。由此可见，在县市级区域尺度下，根据土地利用类型和相关误差处理，冬小麦解译面积误差绝对值由14.12%降低至4.46%，冬小麦解译面积精度有较大提高，总体相对误差和各乡镇冬小麦提取面积比例如表3所示，其中不同用地类型冬小麦提取比例是指该乡镇耕地和非耕地提取小麦面积分别占该乡镇耕地和非耕地面积的比例。

表3 各乡镇冬小麦提取面积比例和相对误差

乡镇名称占全县冬小麦提取面积比例(%)不同用地类型冬小麦提取比例(%)乡镇名称占全县冬小麦提取面积比例(%)不同用地类型冬小麦提取比例(%)耕地非耕地耕地非耕地陈官庄乡1.4570.202.46苗桥乡2.1876.260.35陈集镇3.1870.1212.26裴桥镇7.4685.810.63城关镇0.1020.950.36十八里镇2.5985.881.27城厢乡2.2864.534.25双桥乡4.6481.840.38高庄镇2.9068.891.49顺和乡2.5574.302.17侯岭乡3.6453.833.42太邱乡2.3278.190.73黄口乡4.1780.464.54条河乡3.0073.071.16茴村乡2.0869.361.83王集乡3.1479.336.83蒋口镇4.4085.747.01卧龙乡2.9073.023.38李寨乡4.4885.772.45新桥乡4.6787.824.36刘河乡3.2375.532.33薛湖镇6.1576.447.35龙岗乡4.0377.123.66演集镇1.1842.433.12马牧乡3.3684.641.05酂城镇4.5188.143.05马桥镇6.4286.711.27酂阳乡4.0885.713.99芒山镇2.8972.612.90统计上报面积为10.81万hm2;该文解译面积为11.29万hm2;相对误差为4.46%

4 讨论

从遥感影像本身来看，受空间分辨率、地形地貌、阴影等因素影响，大量零星地物遥感光谱信息难以解译，导致冬小麦解译面积出现偏差，图像在识别线性地物边界时也因混合像元等因素导致其边界模糊，与冬小麦实际种植边界难以区分和匹配，对农作物面积解译精度会产生不同程度的影响[20-22]。因此，准确处理解译结果边界、线性地物和零星地物可以校正农作物面积解译结果，有效去除分类结果在居民地、道路、工矿用地等地类中的分布。

在该研究中，线性地物与零星地物是冬小麦面积核算过程中两种重要的特征地物，但在土地利用现状数据中受成图比例尺的影响，部分地物难以表示。采用人机交互的方式对多源数据中几乎全部的线性地物进行了提取、实地抽样测量与纠正，虽然能较好地剔除线性地物面积对解译结果的影响，但其工作量较大，如何实现计算机辅助线性地物信息的高精度自动提取还有待进一步研究。此外，样方的空间分布、代表性和数量等均会对解译结果产生一定的影响，这说明零星地物面积扣除系数可能存在一定的区域差异或尺度效应，其具体影响有待进一步分析。

5 结语

该文以河南省永城市为研究对象，在分析不同遥感影像分类方法和聚类处理的基础上，结合土地利用现状数据中耕地与非耕地数据对冬小麦分类结果进行GIS处理，基于线性地物缓冲区图层和样方零星地物面积扣除系数分别对耕地和非耕地中线性地物和零星地物进行面积扣除，进而对遥感影像分类冬小麦面积核算进行了研究，得到如下结论。

(1)永城市冬小麦遥感影像解译面积为11.29万hm2，耕地与非耕地区域内冬小麦解译面积分别占耕地与非耕地面积比例为77.21%和3.35%，冬小麦种植面积除市区外其余乡镇分布较为均匀，其中裴桥镇耕地面积和冬小麦解译面积数值最大分别为9 803.95hm2和8 412.77hm2，占耕地面积比例的85.81%，城关镇冬小麦种植面积最小。

(2)受影像空间分辨率、线性地物提取精度等因素影响，永城市共有6 613.08hm2线性地物被解译为冬小麦，占整个研究区冬小麦最终解译面积的5.86%。

(3)永城市27个样方中零星地物面积扣除系数在0.9%～7.5%之间，平均扣除系数为3.32%，按此比例进行扣除后，永城市冬小麦解译面积中有3 875.22hm2的零星地物被解译为冬小麦。

(4)扣除线性地物和零星地物面积后，永城市冬小麦遥感影像最终解译面积与上报数据差值为4 820.33hm2，解译误差绝对值由14.12%降低至4.41%。剩余部分误差原因可能包括遥感影像分类如阴影区域误差、套种面积比例误差、线性地物人工提取不完全、线性地物宽度量测误差、零星地物面积平均扣除系数以及上报数据本身误差等，其面积精准核算方法还需进一步研究和完善。