Sentinel-2数据县域尺度大豆种植信息提取研究

辛 蕊

(黑龙江省农业科学院农业遥感与信息研究所，黑龙江 哈尔滨 150086)

引言

农作物种植信息能够反映该地区农业生产布局情况，因此，及时、准确地获取农作物种植信息对把握区域农作物生产情况、种植结构调整等具有重大战略意义[1-5]。大豆作为植物油与蛋白质的重要来源，在国际粮食贸易交易中占有重要地位。大豆是我国重要的粮食作物和油料作物，中国是世界上最大的大豆进口国，大豆对外依存度较高，因此，掌握地区大豆种植信息，了解大豆种植演变规律等能够为政府决策提供数据支撑，具有重要意义[6-10]。

传统的农作物播种面积和种植结构调查的方法依赖于基于人工调查的统计方法等，存在工作效率低、调查形式粗放等不足[11-16]。遥感技术因其高时效、宽范围和低成本的优点，为大区域快速获取农作物种植结构及其变化信息提供了新的技术手段，为不同时空尺度下的作物种植结构提取发挥了重要作用，无论在理论方法，还是在田间实践等方面都取得了长足的进展，并被广泛应用于农作物种植结构的提取研究及种植管理应用中[17-20]。

许志龙[21]利用高分影像、哨兵影像等多源遥感数据进行浙江省杭州市昌化镇农作物种植信息反演研究，对比eCogniton与U-Net深度学习2种分类器，得出深度学习模型提取精度超过80%，Kappa系数为0.8845，取得良好效果，能够应用于多源卫星影像的农作物种植信息提取研究。陈卓等[22]将SPOT/VGT数据结合SPAM-China模型重构了1980—2010年华北地区玉米种植空间分布信息，识别并划分了华北地区春、夏玉米的主要种植类型区并分析不同类型区内玉米空间动态类型的变化特征，为大区域、长时间序列种植信息获取提供了新方法和新思路。陈雨思等[23]利用MODIS遥感影像的地表反射数据、植被指数数据和分类数据，融合包括阈值法、分层分类、纹理特征、监督分类、指数时间序列等多种方法建立决策树分类模型，依次识别2003—2018年黑龙江省的森林、水体、城镇、草甸等土地利用方式，识别精度在85%以上。游炯等[24]采用矩阵分解和距离空间转换等数学工具设计了改进多元纹理信息提取模型，对安徽省濉溪县冬小麦种植面积利用GF-1 WFV遥感影像进行提取，根据冬小麦物候特征，选取出苗期和越冬期2期遥感影像的蓝光波段、绿光波段、红光波段和近红外波段进行分析，在较大区域冬小麦面积提取一致性的精度超过97%，得出在冬小麦越冬期能够采用基于GF-1 WFV影像的改进多元纹理与光谱信息融合识别方法达到最佳识别效果。

海伦市位于黑龙江省中部，是黑龙江省内重要的大豆生产大县，中国优质大豆之乡，有“中国大豆看龙江，龙江大豆看海伦”美誉[25]，该地区种植结构较复杂。本文以海伦市为研究区域，通过Sentinel-2卫星影像数据，采用监督分类算法对研究区大豆信息进行提取，分析该方法在复杂种植结构、县域尺度大豆种植信息提取的可行性，为农作物种植面积提取提供方法参考。

1 材料与方法

1.1 研究区概况

海伦市隶属于黑龙江省绥化市，地处松嫩平原东部、小兴安岭西侧山前冲积洪积台地，位于N46°58′～47°52′，E126°14′～127°45′。总面积4667km2，耕地面积3100km2，占黑龙江省耕地总面积的2%左右，是全国重点商品粮基地县市。海伦市属温带大陆性季风气候，冬季漫长寒冷，夏季短促温润，无霜期130d左右，年降水量为500～600mm。

1.2 卫星影像数据

Sentinel-2卫星包括A和B 2颗卫星，均为高分辨率多光谱成像卫星，可用于陆地、植被、土壤、水覆盖及海岸区域等监测，幅宽度达290km，共有13个光谱波段。数据空间分辨率最高可达10m，每5d可以获取1次影像，具有影像质量高、时空分辨率高且免费的特点，是近年来应用较多的遥感影像。海伦市处于高纬度地区，适合提取旱地作物种植信息的窗口期较短，因此，选择具有更高时间及空间分辨率的Sentinel-2卫星数据更加适合。Sentinel-2数据来源为欧空局数据中心(https：//dataspace.copernicus.eu/)，选择已经完成几何校正及辐射校正的2A级产品，叠加其原始波段的红光波段、近红外波段、短波红外波段2进行分析。覆盖海伦市的Sentinel-2卫星遥感数据轨道号为51TYN和52TCT，时相为2023年8月6日。

1.3 研究方法

监督分类算法又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。在此方法中，分析者在图像上对某一类别选取一定数量的训练区，计算机按分类算法统计训练区的特征或信息，再将每个像元与训练区作比较，最终达到将图像分类的目的[26]。监督分类可以根据分类者的目的及研究区域，重复利用先验知识，有选择地决定分类，避免出现不必要的分类，也可以控制训练样区的选择，通过反复检验训练样本类提高分类精度，避免出现严重的分类错误。研究采用的监督分类算法为最大似然法。利用统计方法建立一个判别函数集，根据这个判别函数计算各待分类样本的归属概率，样本属于哪一类的概率最大就判别其属于哪一类即为最大似然法。最大似然法可以同时定量地考虑2个以上不同的波段和类别，是根据计算训练区的样本均值和方差来评价待分类像元与训练区间的最大似然性，以此制定有效的决策规则来决定待分类对象的归属。

1.4 精度评价

采用基于误差矩阵的Kappa系数检验法。Kappa系数是一种衡量分类精度的指标，其通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，除以总像元数的平方减去某一类地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。Kappa计算结果通常在0～1区间，其中超过0.6即为一致性较好。

用户精度为被正确解译的目标作物精度验证点个数与目标作物精度验证点总数比值，公式：

2 结果与分析

2.1 种植信息提取

将外业采集的232个大豆样区分为2类，将地块形状规则、面积较大且不能为狭长形、长势较好、影像反应与其他作物反差更明显的86个样区作为训练样区，其他146个大豆样区和33个其他作物样区作为精度验证点。利用监督分类最大似然法得出海伦市2023年大豆种植信息，其种植面积为959.51km2，分布情况见图1。

图1 研究区位置及大豆种植信息分布图

2.2 精度验证

共采集精度验证点179个，其中146个为大豆验证点，33个为其他作物验证点。有137个大豆验证点被正确识别，有4个其他作物验证点被误识别为大豆，最终Kappa系数为0.772，用户精度为0.938，与实际情况高度一致。

表1 误差矩阵分布

3 结论

本文基于高时空分辨率遥感影像数据Sentinel-2开展基于县域尺度大豆种植信息提取研究，研究区域为黑龙江省复杂种植区海伦市，目标作物为大豆。利用监督分类的最大似然研究法对2023年8月6日，轨道号为51TYN和52TCT的2景影像数据开展种植信息提取研究，最终获取到2023年海伦市大豆种植信息分布图，海伦市大豆种植面积为959.51km2，用户精度为0.938，Kappa系数为0.772，与实际情况高度一致。说明基于Sentinel-2影像数据的最大似然法监督分类能够应用于县域尺度农作物信息提取，并将其应用到种植结构调整，农作物长势监测及估产等环节中，为制定农业政策、保障粮食安全等提供数据支持。

4 讨论

本文利用Sentinel-2遥感影像和监督分类的最大似然法对黑龙江省海伦市大豆种植信息进行提取，2023年度海伦市大豆种植面积为959.51km2，用户精度为0.938，Kappa系数为0.772，能够满足实际应用。在研究中，仅对大豆一种农作物开展了此类研究，并未同时拓展到多种农作物及地区。并且，研究未进行多种分类器及分类方法横向对比研究，在后续研究中，将对多种作物和分类器进行深入研究，以期提高农作物种植信息提取的精度和效率。