基于sentinel-1和sentinel-2数据的衡水市冬小麦越冬前面积提取

刘馨 江亚军

摘要：以9月上旬至12月下旬sentinel-1A GRD为主要数据，提取小麦等不同地物后向散射系数变化曲线，根据当地种植制度和农事活动分析其后向散射系数曲线变化特点，结合11月下旬NDVI通过基于专家知识的决策树分类法进行冬小麦越冬前面积提取。经过精度验证，分类精度88.52%，Kappa 系数为 0.81。结果表明，该方法可在目标区冬小麦进入分蘖期后较准确地提取种植面积，为越冬期相关服务提供基础。

关键词：sentinel-1A  冬小麦面积提取决策树

中图分类号：P237文献标识码：A        文章编号：1672-3791（2021）11（c）-0000-00

Abstract： Taking sentinel-1a GRD from early September to late December as the main data， the backscattering coefficient change curves of different ground objects such as wheat are extracted. The variation characteristics of backscattering coefficient curve are analyzed according to local planting system and agricultural activities. Combined with NDVI in late November， the area of winter wheat before overwintering is extracted by decision tree classification based on expert knowledge. After accuracy verification， the classification accuracy is 88.52%， and the kappa coefficient is 0.81. The results show that this method can accurately extract the planting area after the winter wheat enters the tillering stage in the target area， and provide the basis for relevant services in the overwintering period.

KeyWords：Sentinel-1a; Winter wheat; Area extraction; Decision tree

冬小麦是衡水市主要农作物之一，其种植面积占全市粮食播种面积一半以上，在当地农业生产中占有重要比重[1]。近年来，随着气候变化和极端天气增加，给冬小麦气象服务带来严峻挑战，准确估算冬小麦种植面积是做好相关气象服务的基础。目前遥感技术已被广泛应用于农作物监测领域，与传统地面观测手段相比，遥感技术可大范围地获取地面信息，已成为一种有效的大面积农作物监测方法[2]。

在冬小麦面积遥感监测中通常采用光学卫星在拔节期进行反演，其余时段则由于其他绿色植被干扰难以有效地进行面积提取，这给冬小麦拔节期之前状态监测带来不便，而冬小麦在越冬期前生长状态决定其能否安全越冬，因此在越冬期前获取冬小麦种植范围信息对做好冬季相关农业气象服务具有重要意义。

在遥感监测中光学遥感容易受到云的影响，对于冬小麦来说最佳面积提取时间在3月下旬至4月上旬之间，时间窗口小。而合成孔径雷达（SAR）能穿透云层，具有全天候工作能力，利用不同地物后向散射特征来进行识别[3]。该文利用2019年9～12月sentinel-1A数据结合冬小麦分蘖期的NDVI，通过农事活动定义分类规则，采用决策树方法提取冬小麦越冬前种植面积信息。

1研究区概况

衡水市位于河北省东南部，是京津重要的农副产品加工供应基地。冬小麦是主要的夏粮作物，种植制度为和夏播作物（主要为夏玉米）轮作，于10月上旬至下旬期间秋粮收获后播种，12月中旬进入越冬期，次年6月收获。除冬小麦外，当地越冬作物还有少量的油菜，油菜播种时间早于冬小麦。

2数据源及预处理

2.1 Sentinel-1A SAR影像预处理

Sentinel-1卫星是由欧洲航天局（ESA）发射的極轨双星星座卫星，包括Sentinel-1A和Sentinel-1B两颗卫星。该研究选取Sentinel-1ALevel-1级别的地距（GRD）IW模式的双极化影像，时间周期12天，包括VV、VH两种极化方式。为更好地结合当地农事特点获取地物后向散射时序变化信息，选取2019年9月7日至12月24日sentinel-1A 影像，该时段涵盖秋粮作物果实成熟期-秋收期-冬小麦播种-分蘖期等几个作物生长和农事阶段，共计10个时次。

预处理流程包括多视、图像配准（以9月7日数据为基准影像）、滤波、地理编码、辐射定标。最后输出空间分辨率为10 m的标准后向散射系数（dB）灰度图。

2.2 Sentinel-2A光学影像预处理

Sentinel-2卫星由Sentinel-2A和Sentinel-2B两颗卫星组成，成像时间为当地时间上午11点10分左右，该系统由可见光、近红外到短波红外共13个波段组成[4]。

根据冬小麦生育期和云层覆盖情况选用2019年11月14日sentinel-2A L2A级影像数据，该数据为经过大气校正后的产品。此时冬小麦已普遍进入分蘖期，在影像上具有明显的植被特征，利用B4和B8波段计算NDVI。

3研究方法

3.1极化方式的选择

经实地调查，冬前地表物体可分为五大类：林地（含低矮灌木）、建筑用地、耕地、裸土、水体。秋收秋种期农事活动特点为在9月下旬至10月中旬期间进行收获，收获后或种植越冬作物或休耕。

9月上旬夏季作物处于果实形成期，在SAR影像上呈现高反射率，进入10月，夏季作物收获，同时播种小麦，此时SAR影像反射率降低，至11月下旬冬小麦分蘖后反射率又略有增高。因此可通过这一时段多时相SAR图像提取秋播耕作地信息[5]。

根据11月下旬实地调查结果，分别绘制VV和VH极化下不同地物后向散射系数变化曲线。

两组曲线中城镇和水体dB变化不大，林地因落叶呈小幅降低趋势，小麦、油菜、裸地因秋季作物收获和植被枯萎其dB曲线下降幅度明显大于前三者。进入11月中旬后，小麦和油菜因植株低矮具有和裸地相似的反射率，该时期的裸地可用NDVI阈值分割去除;油菜播种时间早于小麦，同时油菜地段前茬作物收获时间也比小麦早，表现在dB曲线图上为在9月19日至10月1日期间油菜地段dB值小于小麦地段。

分别取VH和VV极化下9月19日和11月18日小麦和油菜dB值计算斜率（k）：k小麦VH=-0.94，k油菜VH=-0.17;k小麦VV=-0.52，k小麦VV=-0.14。

由计算结果可见VH极化下冬小麦和油菜的斜率变化比VV极化明显，因此选用VH极化时序组合，结合11月14日sentinel-2A影像计算的NDVI进行分类规则定义。

3.2基于专家知识的决策树分类

基于知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单数学统计和归纳方法等，获得分类规则并进行遥感分类。主要分为四步：知识（规则）定义、规则输入、决策树运行和分类后处理[6]。

根据上部分分析和通过对影像判别可做如下分类规则：

（1）秋收地块class1：-0.84<k1<-0.56 （k1：9月7日至11月18日斜率）;

（2）冬季种植区class2：NDVI>0.18;

（3）小麦种植区class3：k2<-0.63（k2：10月1日至11月18日斜率）。

3.3精度验证

该研究中的精度评价采用调查野外样本与可见光影像判别相结合的方法，通过目视解译判断像元是否属于麦田。以2020年4月12日sentinel-2A小麦分类影像作对比，分类精度88.52%，Kappa 系数为 0.81。

4结语

该研究以 Sentinel-1A GRD 为主要数据源，以sentinel-2A为辅助数据，通过研究当地作物物候和农事活动利用SAR影像后向散射系数时序变化差异和越冬前NDVI设定分类条件进行冬小麦面积提取。与常用的光学影像分类相比增加了选择影像的时间窗口，降低了云雾的干扰，该方法在理想状态下可将冬小麦种植面积提取时间提前至11月中旬，为冬小麦冬季服务提供了便利。

参考文献

[1] 衡水市统计局，国家统计局衡水调查队.衡水市2019年国民经济和社会发展统计公报[N].衡水日报，2020-03-20（A3）.

[2] 伊長瑞.遥感技术在农业中的应用与发展[J].种子科技，2019，37（2）：14.

[3] 欧阳伦曦，李新情，惠凤鸣，张宝钢，程晓.哨兵卫星Sentinel-1A数据特性及应用潜力分析[J].极地研究，2017，29（2）：286-295.

[4] 田颖，陈卓奇，惠凤鸣，程晓，欧阳伦曦.欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析[J].北京师范大学学报：自然科学版，2019，55（1）：57-65.

[5] 古丽努尔·依沙克. 基于多时相SAR数据的作物识别及种植面积提取研究[D].乌鲁木齐：新疆大学，2020.

[6] 贺佳伟，裴亮，李景爱.基于专家知识的决策树分类[J].测绘与空间地理信息，2017，40（5）：91-94.