基于Landsat 8 影像提取豫中地区冬小麦和夏玉米分布信息的最佳时相选择

赵荣荣 丛 楠 赵 闯

1 中国科学院地理科学与资源研究所拉萨高原生态试验站, 北京 100101; 2 中国农业大学资源与环境学院, 北京 100193

豫中地区地势平坦, 是我国重要的粮食生产基地, 冬小麦-夏玉米一年两熟轮作制度是该地区的主要种植模式[1]。据统计, 2020 年中国小麦和玉米产量约占粮食总产量的59.9%, 是保障中国粮食安全的重要基石[2]。因此, 及时、准确地获取冬小麦-夏玉米种植面积及其空间分布情况, 是保障作物增产和粮食安全的重要环节之一。

遥感探测能在较短的时间内, 从空中乃至宇宙空间对大范围地区进行对地观测, 并从中获取有价值的遥感数据, 可见光遥感通过近地面、航空、航天等方式进行对地观测, 获取的数据能反映景观、区域甚至全球尺度的地表信息, 并且具有较高的实效性, 为准确和快速获取农作物种植面积信息提供了可行的手段[3-4]。在信息提取的过程中, 特征变量的选择是关系农作物遥感分类是否成功的决定性因素之一[5], 成像遥感的工作基础是传感器接收地物电磁波谱反射, 地物由于自身的特性对太阳光的反射和吸收呈现独特的反射特征, 从而特征光谱能够用来鉴别地物类型[6]。农作物在不同波长的光谱特性随着作物的种类差异及其生育期进程的不同而呈现不同的特征[7-8], 同种地物在不同时相的遥感影像中, 由于光照、温度、湿度等自然因素不同,其辐射波谱特性会发生改变, 以至于分类结果互有偏差[9]。

在遥感分类中最佳时相的选择是农作物监测和估产中的关键环节之一[10], 因此分析由于影像不同时相的差异对光谱特征变化以及分类结果的影响,是提高农作物遥感分类精度的关键问题。关于植被遥感最佳时相的选择, 千怀隧[11]通过研究遥感时相等因素对作物识别和单产模拟产生的影响, 分析了农作物遥感估产最佳时相的选择依据; 邢东兴等[12]利用光谱比较、光谱指数辨识分析、影像复合与多指数联用分析等方法, 寻求石榴树最佳辨识时相;齐腊等[13]通过光谱可分性距离对植被物候差异和光谱进行分析, 确定了北京地区小麦监测最佳时相。与此同时, 分类方法的选择也对地物分类精度具有重要影响。决策树(Decision trees, DTs)是一类高效的光谱分类方法[14], 其计算速度快, 能够处理不同尺度的数据[15], 在地物分类中得到了广泛的应用, 如黄健熙等[16]以多时序GF-1 卫星影像构建基于植被指数的决策树, 对作物种植信息进行提取, 并表明利用决策树方法分类的精度高于最大似然法的分类精度; 马丽等[17]利用不同时相的TM 和SPOT 卫星遥感影像, 根据归一化植被指数的时间谱图像以及光谱特征, 设计决策树分类算法, 并成功提取黑龙江友谊农场作物的种植信息; 李亚妮等[18]认为基于Sentinel-2 卫星影像数据, 对大尺度复杂区域采用决策树的方法提取高分辨率作物种植面积具有可行性。本研究区域范围较大、地形复杂, 细小破碎的零散地块和形态规整的平原地块皆有一定数量分布,决策树方法较为适合本研究面临的大尺度复杂区域作物分类。

本研究从冬小麦-夏玉米生长过程中不同时相的光谱特征规律展开分析, 以冬小麦-夏玉米生长期6 个关键时相的Landsat 8 影像为数据源, 选用决策树算法, 通过区分冬小麦-夏玉米与其他地物在光谱特征和归一化植被指数(Normalized Deviation Vegetation Index, NDVI)上的差异选取分类阈值, 得出冬小麦-夏玉米种植分布的特征, 并分析不同时相的遥感影像对夏玉米和冬小麦提取精度的影响, 以及冬小麦-夏玉米种植面积的变化。

1 材料与方法

1.1 研究区域概况

研究区位于河南豫中地区(中心位置34°4′9.11′′N,113°44′6.50′′E, 中心城区为魏都区, 图1)。河南省属于温带季风气候, 具有雨热同期、四季分明等特点,年平均气温在10.5～16.7 ℃, 整体上呈现东高西低、南高北低的温度分布特点, 年平均降水量在407.7～1295.8 mm, 年平均日照时数为1285.7～2292.9 h[19]。豫中地区是我国粮食主产区之一, 农业生产模式为冬小麦-夏玉米轮作[20-21]。夏玉米一般在冬小麦收割后的6 月中下旬开始播种, 7 月份进入拔节期, 8 月经历抽穗、乳熟, 9 月下旬开始收获, 生长季为4 个月左右; 冬小麦在夏玉米收获之后播种, 从总体上看播种时间为10 月份, 11 月初出苗, 1 月份进入越冬期,3 月左右开始拔节, 之后冬小麦慢慢成熟直到5 月下旬冬小麦开始收获, 6 月中旬以前基本收割完毕[22-23]。根据2021 年的河南统计年鉴, 种植的其他作物主要包括花生、大豆、蔬菜和花卉等[24]。

图1 2020 年1 月1 日的研究区影像图Fig. 1 Landsat 8 OLI Image of the study area on January 1,2020

1.2 遥感数据来源

本研究使用的Landsat 8 影像, 行列号(Path/Row)为124/36。根据豫中地区主粮作物冬小麦和夏玉米的生长期并结合影像质量状况, 对Landsat 8 影像的时相进行选择: 由于气象条件等因素限制, 难以获取夏玉米全生育期的Landsat 8 影像, 故选取成像时间为2020 年8 月26 日、2020 年9 月11 日、2020年9 月30 日的影像进行夏玉米分类研究; 选取成像时间为2021 年1 月1 日、2021 年3 月22 日、2021年5 月9 日的影像进行冬小麦的分类研究。并通过裁剪去掉有云覆盖区域, 保留无云的影像子集来去除云噪声对作物信息提取造成的影响。Landsat 8 上携带有OLI 和TIRS 两个传感器, OLI 数据主要为可见光到短波红外波段, TIRS 为热红外波段。本研究主要使用Landsat 8 的OLI 数据(参数见表1), OLI 传感器设置9 个波段, 包括8 个分辨率为30 m 的多光谱波段和1 个分辨率为15 m 的全色波段, 成像幅宽为185 km × 185 km。

表1 Landsat 8 的OLI 数据参数Table 1 Landsat 8 OLI data parameters

本研究所使用的OLI 数据已进行了几何校正,使用软件ENVI 5.3 的Radiometric Calibration 模块进行辐射定标, FLAASH Atmospheric Correction 模块进行大气校正, 该模块要求的辐亮度单位是μW m-2sr-1nm-1, 而经过定标后的辐亮度(辐射率)单位是W m-2sr-1nm-1, 且W m-2sr-1nm-1= 0.1 μW cm-2sr-1nm-1, 所以在FLAASH 中设置辐射参数因子10。为了节省储存空间以提高运算效率, 把校正后的反射率乘以10,000, 使用整数类型进行数据存储[25]。大气校正通过消除由于大气的吸收、散射等过程对传感器成像造成的影响, 使研究区影像的辐射信息尽可能地接近地物真实反射率[26-27]。

1.3 研究方法

通过对研究区影像观察可知, 研究区大部分地区地势平坦, 地物类型全面, 农田分布集中且分布面积较大。ENVI 5.3 软件可以对遥感图像中各类地物的光谱信息和空间信息进行分析, 寻找合适的特征作为分类的依据, 并将图像中的各个像元划入到不同类别[28]。本研究使用的决策树分类是建立在光谱反射特性的多级分类器, 用于将像元归属到相应的类别。计算时利用每个像元的波段特征进行二叉决策树构建, 进而得到该像元表达式, 并将该像元分类到不同的类别之中。根据研究区情况, 本研究对冬小麦-夏玉米农田分布信息提取方法的技术流程主要包括5 个步骤, ①利用遥感数据波段反射特征, 通过目视解译划分地物类别、选取各地类训练样本和验证样本; ②通过分析不同地类的光谱特征曲线, 确定各地类的光谱特征阈值; ③依据不同时期的植被指数特征, 确定NDVI 分类阈值; ④综合考虑阈值选取并确定分类规则, 建立研究区冬小麦-夏玉米分类决策树; ⑤评价不同时相的冬小麦(或夏玉米)信息提取的精度。

1.3.1 样本选取 以区分冬小麦-夏玉米为目标并结合土地类型分布情况, 将研究区地物类型分为冬小麦(或夏玉米)农田、林地(包括林草交错带)、建设用地、水体及裸地5 大类别。判别多光谱图像的常规方法是将几个波段进行波段组合[29], 通过观察不同波段组合下不同地物在影像中的特点, 采用如下试探性方法对不同地类样本进行选取, 筛选出各地类面积大于或等于30 m×30 m 的纯净样本各100份, 每个样本都是包含一个或多个像元的小区域,其中冬小麦(或夏玉米)农田样本包括100 个像元、林地(包括林草交错带)样本包括100 个像元、建设用地样本包括4483 个像元、水体样本包括4498 个像元,裸地样本包括370 个像元, 以1∶1 的比例将这些样本分为训练样本和验证样本, 构建样本数据集。

1) 针对易于判别的建设用地、水体及裸地, 采用红(R)、绿(G)、蓝(B)真彩色或近红外(Nr)、红(R)、绿(G)假彩色组合的方式进行目视解译, 以勾画感兴趣区域(region of interesting, ROI)的方式选取各地类纯净的样本, 并尽可能保证样本在整景研究区中接近均匀分布; 2) 针对在山区容易混淆的冬小麦(或夏玉米)农田和林地, 则是在波段组合的基础上结合Google Earth 高清影像和已知冬小麦-夏玉米轮作区的坐标点来进行判别及样本选取。研究区地类解译标志如表2 及图2 所示, 其中冬小麦和夏玉米在目视解译的差异细微, 但考虑到在研究区域多数地区存在冬小麦和夏玉米同一地块轮作, 2 种作物在同一景影像上极少出现同时分布, 其时序变化特征差异明显, 因此可以根据生育期不同的先验知识来辅助区分2 种作物。

图2 不同波段组合下的地类Landsat 8 影像Fig. 2 Ground objects in Landsat 8 images based on different bands combination

表2 地类解译标志Table 2 Interpretation symbols of land-use types

1.3.2 光谱特征分析 地物在多波段图像上特有的波谱响应是地物光谱特征的判读标志, 可以通过曲线形状及某一波段上地物反射率均值的大小, 判断不同地物的可分性[29]。本研究通过ENVI 5.3 软件统计不同时相影像中上述5 类地物在不同波段的光谱反射率, 探究不同地类间光谱特征的差异。

1.3.3 植被指数特征分析 植被指数分析是遥感应用研究中的常用方法之一, 植被指数是一种无量纲指数, 通常是2 个或多个波段的光谱反射率的比值、线性或非线性组合, 其中, 由红波段和近红外波段组合的植被指数应用最广泛, 研究最深入[30]。本研究选用的归一化植被指数NDVI 是植被遥感分类中广泛应用的植被指数之一[31], 其计算公式如下:

式中,ρNIR为近红外波段(Band5)反射率;ρRed为红波段(Band4)反射率。

1.3.4 决策树分类法 决策树作为数据挖掘的一种方法, 具有灵活、直观、运算效率高等特点, 其基本思想是通过一些判断条件对原始数据集逐步进行二分和细化。其中, 每一个分叉点代表一个决策判断条件, 每个分叉点下有2 个叶节点, 分别代表满足和不满足条件的类别[32]。本研究使用此方法, 通过区分冬小麦-夏玉米与其他地类光谱特征、NDVI指数的差异, 确立冬小麦-夏玉米作物决策树分类规则。

1.3.5 精度验证 混淆矩阵(Confusion Matrix)是分类结果定量化评价的常用方法[33], 通过将每个测量像元的位置和分类与参考图像中相应的位置和分类像元进行计算和比较。混淆矩阵的每一列表示一个预测类别, 列的总数表示为该类别预测的数据数。每行表示数据所属的实际类别, 行的总数表示该类中的数据实例的数量。每列中的值表示实际数据被分类到的类的数量[34]。本文以野外定位采样点和Google Earth 高分辨率影像选取的验证样本为参考, 对研究区冬小麦-夏玉米的决策树分类结果进行精度评价, 通过基于混淆矩阵计算出的总体精度、生产者精度、用户精度及Kappa 系数表述精度验证结果。

总体精度是分类正确的样本数与样本总数的比值。生产者精度指正确分为A 类的像元数与A 类真实参考总数的比率。用户精度是指正确分到A 类的像元总数与分类器将整个影像的像元分为A 类的像元总数(混淆矩阵中A 类行的总和)的比率[35]。Kappa系数可以表示检测结果的内部一致性[36], 相较于总体精度只用到了位于对角线上的像元数量, Kappa系数则既考虑了对角线上被正确分类的像元, 又考虑了不在对角线上的各种漏分和错分误差[33]。Kappa系数的大小可以反映分类结果与真实参考的一致性[37], 当Kappa 系数小于0.40 时, 说明分类质量一般;当Kappa 系数介于0.40～0.60 时, 说明分类质量较好;当Kappa 系数大于0.60 时, 说明分类质量很好[38]。

2 结果与分析

2.1 光谱特征分析

健康绿色植物具有其基本的光谱特性, 从光谱曲线上看, 可见光波段(400～700 μm)是植物叶片的强吸收波段, 其中包括2 个吸收谷(0.45 μm 的蓝光与0.65 μm 的红光附近)和1 个反射峰(0.55 μm 绿光附近), 而近红外波段(0.7～1.3 μm)是植物叶片的强反射波段[39-40]。虽然典型植物光谱曲线形态变化具有一定的相似性, 但不同的植物类别因其叶片色素含量、细胞结构、含水量的不同, 其光谱反射率存在着一定差异[41]。图3 统计了6 个时期不同地类在7 个波段上反射率的平均值。由图可见, 在2020 年8 月26 日、9 月11 日、9 月30 日和2021 年5 月9日, 夏玉米(或冬小麦)和林地的光谱响应曲线的形态具有一定相似性, 在可见光波段(Band1～Band4)的反射率低, 而在近红外波段(Band5)的反射率显著高于可见光波段, 符合绿色植被的基本光谱特征规律,与裸地、建设用地和水体的光谱响应曲线的形态存在着显著差异; 而在2021 年1 月1 日和3 月22 日,由于林地(包括林草交错带)植被覆盖度低, 其光谱响应曲线的走势与裸地相近, 且各波段反射率显著低于裸地。

图3 不同时相冬小麦-夏玉米光谱特征的变化Fig. 3 Spectral characteristic changes of winter wheat and summer maize in different phases

2.1.1 从单一时相的角度探究冬小麦-夏玉米与其他地类的光谱特征差异 由图3-A、B 可知, 2020年8 月26 日和9 月11 日在近红外波段(Band5)夏玉米与包括林地在内的其他地物差异最大, 在红波段(Band4)夏玉米与建设用地的反射率存在较大差异;在9 月30 日(图3-C)夏玉米在近红外波段(Band5)的反射率虽仍高于其他地物, 但与林地的光谱曲线更加接近, 难以利用单一波段对两者进行区分; 图3-D、E 显示, 2021 年1 月1 日和3 月22 日冬小麦与林地的光谱曲线有明显差异, 在近红外波段(Band5),冬小麦反射率远高于其他地类的反射率; 在5 月9日(图3-F), 冬小麦与林地在近红外波段(Band5)的光谱差异较前2 个时相有所减小, 但在短波红外波段(Band6)反射率的差异增大。

2.1.2 从不同时相的角度探究冬小麦-夏玉米光谱曲线的变化特征

1) 从图3-A、B、C 观察到, 从2020 年8 月26日到 2020 年 9 月 30 日, 夏玉米在可见光波段(Band1～ Band4)的反射率呈先减小后增大的趋势,在近红外波段(Band5)的反射率呈明显减小的趋势,这可能是因为夏玉米在乳熟前期, 其叶绿素含量仍存在上升的态势[42], 因而对可见光区的红光吸收增强, 导致反射率下降。到了乳熟后期, 夏玉米植株开始衰老, 叶片由绿逐渐变黄[43], 对红光的吸收也逐渐减弱, 故反射率有增加的趋势, 而近红外波段的反射率也在这一过程中逐渐下降。

2) 由图3-D 和E 对比可知, 从2021 年1 月1日到 2021 年 3 月 22 日, 冬小麦在可见光波段(Band1～Band4)的反射率呈减小的趋势, 鉴于冬小麦叶片可见光波段的光谱特征可能与其叶绿素含量有关[44], 故推测其可见光波段反射率减小的原因可能是冬小麦在经历越冬到拔节的生长过程中, 随着叶绿素含量的升高, 冬小麦群体的光合能力不断增强,对可见光的吸收也增强, 进而反射率减小; 在近红外波段(Band5)冬小麦的反射率变化不大, 其细胞结构是控制该波段反射率强弱的主要因素[45]; 在短波近红外波段(Band6 和Band7)冬小麦的反射率显著减小, 这可能与冬小麦含水量的增加有关[46]。

3) 图3-E、F 显示, 从2021 年3 月21 到2021年5 月9 日, 冬小麦可见光波段中的蓝紫光(Band1和Band2)的反射率呈减小的趋势, 绿光(Band3)和红光(Band4)的反射率呈增加的趋势, 可能由于叶绿素a吸收红光(Band4)的能力比叶绿素b强, 而叶绿素b吸收蓝紫光(Band1 和Band2)的能力比叶绿素a强[30],故冬小麦在经历拔节到成熟的生长过程中, 其可见光波段反射率的变化可能与叶片中的叶绿素等光合色素含量的变化有关, 如叶绿素a与叶绿素b含量的比值减小; 在近红外波段(Band5)冬小麦的反射率变化不大; 在短波近红外波段(Band6 和Band7)其反射率有所增大。

4) 通过对比图3-C 与E、F, 可以发现夏玉米在2020 年9 月30 日处于成熟期时, 与冬小麦在2021年3 月22 日和2021 年5 月9 日处于拔节期和成熟期时相比, 在绿波段(Band3)的反射率上表现出较高的数值。这种光谱特征差异使得夏玉米和冬小麦能够被区分开来。根据前述分析, 这种差异可能与它们在不同生长阶段的叶绿素含量有关[44-47]。

2.2 植被指数特征分析

为了分析研究区内不同地类在不同时相上的NDVI 变化情况, 我们对波段进行运算得到典型地类的平均NDVI (图4)。对图4-A 进行分析可以发现:1) 从2020 年8 月26 日到2020 年9 月11 日, 夏玉米经历了从乳熟到成熟的发育阶段, NDVI 呈缓慢的下降趋势; 2) 从2020 年9 月11 日到2020 年9 月30日, 夏玉米成熟, 进入收获期, NDVI 值呈下降趋势,与林地的NDVI 值更为接近。

图4 不同时相冬小麦-夏玉米NDVI 的变化Fig. 4 NDVI changes of winter wheat and summer maize at different stages

对图4-B 进行分析可以发现: 1) 从2021 年1月1 日到2021 年3 月22 日, 冬小麦开始苏醒、返青、拨节, NDVI 值显著上升, 而林地NDVI 值虽有上升, 但在数值上明显小于冬小麦; 2) 到2021 年5月9 日, 冬小麦进入成熟和收割期, NDVI 值呈逐渐下降趋势, 而林地的NDVI 值则呈显著上升趋势,与冬小麦的NDVI 值接近。由于NDVI 主要反映植被的特征, 对非植被地物不敏感, 不具备典型的特征指示作用。图4 中建筑用地、裸地、水体变化不明显, 且NDVI 值趋近于0 或小于0, 符合NDVI对非植被类型的表征, 因此佐证了NDVI 计算的可行性, 但其对非植被地物指示作用不大, 本文不再做进一步分析评价。

2.3 冬小麦-夏玉米的决策树规则建立

基于研究区Landsat 8 影像, 通过反复试验、计算、统计和分析各地类训练样本特征值, 采用决策树分类方法进行冬小麦-夏玉米面积识别, 流程如图5, 其中Band4 反射率为0 的区域设置为背景值, 在流程图中没有专门画出, 具体流程:

图5 决策树方法提取作物种植信息流程图Fig. 5 Flow chart of planting information using a decision tree to extract

首先, 根据训练样本获取的冬小麦-夏玉米NDVI 阈值进行分层, 将冬小麦-夏玉米与裸地水体等地类进行初步划分, 阈值设置见图 5; 接下来,通过对不同地类训练样本的光谱数据进行统计分析, 采用单波段阈值法探究不同时相下冬小麦-夏玉米与其他地类在各个波段的表征[33], 得到冬小麦-夏玉米区别于其他地类的特征样本值信息。对于2020 年8 月26 日、2020 年9 月1 日、2021 年1月1 日的Landsat 8 影像, 不同地类在Band5 的反射率出现较大的差异, 具有较好的可分性, 故选取 Band5 的反射率对不同地类进行分类, 获得相应的决策树规则; 对于2021 年5 月9 日的Landsat 8 影像, 选用Band6 的反射率来区分冬小麦和林地;对于2020 年9 月30 日的Landsat 8 影像, 由于没有能够使夏玉米与其他地类完全区分的单波段阈值, 故尝试选取多个阈值以期所有夏玉米训练样本都被正确识别。最后, 通过以上方法定义决策树分类规则, 利用ENVI 中的决策树分类器构建和执行决策树, 提取不同时相的冬小麦-夏玉米空间分布情况。

2.4 精度验证及结果

我们根据研究区样本点和Google Earth 高分辨率影像对研究区不同时相的冬小麦-夏玉米提取结果进行精度分析, 表3 给出了精度分析结果。对于夏玉米而言, 其在2020 年8 月26 日的总体精度最高, 为83.60%, Kappa 系数为0.72, 分类质量很好,而在2020 年9 月30 日的总体精度最低, 仅为72.60%,Kappa 系数为0.65, 这可能是由于夏季植被茂盛, 夏玉米的光谱特征曲线和NDVI 值与林地等植被更加接近, 导致一些其他地物被错分为夏玉米类别; 对于冬小麦而言, 其在2021 年1 月1 日的总体分类精度最高, 为92.36%, Kappa 系数为0.81, 信息提取效果很好, 原因是这一时期的冬小麦处于分蘖后的越冬期, 不仅与非越冬作物的生长期不交叉, 而且与越冬作物具有较大的光谱种间差异。由此可见, 处于乳熟时期的夏玉米的提取效果要优于之后的时期,在本研究中影像成像时间为2020 年8 月26 日(图6-A); 而冬小麦的最佳识别时期则处于冬小麦的越冬期, 在本研究中影像成像时间为2021 年1 月1 日(图6-D)。。

冬小麦-夏玉米分类结果见图6, 通过统计可知,2020 年8 月26 日、2020 年9 月11 日、2020 年9月 30 日研究区夏玉米种植面积分别为 4102.9、2872.6 和 1066.6 km2, 分别占研究区总面积的41.3%、28.9%、10.7%, 随着夏玉米乳熟到成熟逐步生长的过程, 监测到面积逐渐减小; 2021 年1 月1日、2021 年3 月2 日、2021 年5 月9 日研究区冬小麦种植面积分别为2819.6、2931.2 和3417.0 km2, 分别占研究区总面积的28.4%、29.5%和34.4%, 随着冬小麦越冬到成熟逐步生长的过程, 监测到面积逐渐增大。由图6 也可以看出, 冬小麦、夏玉米分布的位置相对集中, 空间分布具有一致性。检测到的作物面积比例随着2 种作物生长发育过程存在线性变化的特征, 除了作物本身的体积、冠层随着生长发育在各个阶段有所变化, 遥感分类会受到不同时期的光谱特征等信息的影响, 从而影响分类精度。

3 讨论

2020 年8 月26 日、2020 年9 月11 日、2020年9 月30 日这3 个时期, 夏玉米的发育经历了从乳熟到成熟[48], 夏玉米面积在生长过程中呈现的减少趋势符合夏玉米收获的实际情况。其中在2020 年9月11 日, 处于乳熟期的夏玉米, 相较于上一时相面积减少了1/3 以上。2 个时相的种植面积差异很大的原因可能是, 河南省具有完备的青储饲料产业链[49],2020 年8 月20 日到2020 年9 月11 日, 大量夏玉米经历乳熟期后可能作为青储饲料被立即收获, 故2个时相的种植面积存在明显差异。通过各时相影像的分类精度分析可以发现, 随着夏玉米逐渐成熟并收获的过程中, 分类面积减小的同时分类精度也下降了, 根据前述的光谱特征和植被指数特征分析,这可能是由于夏玉米的光谱特征曲线和NDVI 值与林地更为接近(图3-C 和图4-A), 容易造成混淆, 故可分性变差, 从而使分类精度降低。

在2021 年1 月1 日、2021 年3 月22 日、2021年5 月9 日这3 个时期, 冬小麦的物候期分别对应越冬期、拔节期、成熟期。分类结果显示的冬小麦面积逐渐增大但分类精度却下降。由前述的光谱特征和植被指数特征分析可知, 在5 月9 日冬小麦与林地的NDVI 值更加接近(图4-B), 虽然冬小麦光谱曲线的短波红外波段(Band6)反射率与其他地类仍有差异(图3-F), 但由于受地面众多错综复杂的地物组合影响及异物同谱现象的存在[12], 其他地类像元易与林地像元混合而被错分为冬小麦。

通过将2021 年1 月1 日、2021 年3 月22 日、2021 年5 月9 日的冬小麦分类结果分别与分类精度相对较高的2020 年8 月26 日的夏玉米分类结果进行叠加、目视解译, 发现夏玉米的分布区域基本可以覆盖冬小麦分布区域, 夏玉米较冬小麦多出的分布面积主要集中在研究区东部的鄢陵县以及研究区西部山区。鄢陵县境内分布有大面积木本与草本植物间作的植被, 是北方最大的花卉苗木生产基地,夏绿的特征较为突出[50]。因此林地像元可能与其他地类像元混合而错分入夏玉米的分类结果中, 导致夏玉米分类面积多于冬小麦而分类精度小于冬小麦。

研究区西部山区的分类结果冬小麦识别面积少于夏玉米的现象则可能与山区的水热条件有关。由于河南省属于雨热同季的气候特征, 夏玉米生育期间(6 月至9 月)降水资源较为丰富且与夏玉米需水关键期较吻合, 绝大部分地区的水热条件可以满足多数玉米品种的生长需求[51]。相对而言, 冬小麦生长季内(10 月至次年6 月)降水较少, 每年约有64%的灌溉水来自地下水[52-53], 同时河南省较高海拔的山区冬季温度更低, 因此冬小麦可能由于越冬冻害而无法种植或生长[54], 且冬季休耕也可以有效避开冬季冻害和干旱等气象的影响[55]。因此, 本研究分类结果中西部山区的冬小麦识别面积小于夏玉米识别面积的现象, 也可能是由于山区对冬小麦水热条件的限制及夏玉米的种植优势等因素导致。邓荣鑫等[56]在河南省冬小麦种植面积变化的研究过程中发现,冬小麦更适宜在地势相对平坦, 农业耕作条件良好的地区种植, 而河南部分山地受到地形因素影响,局地小气候不适宜冬小麦生长, 故而分布较少, 这也与本研究区域西部山区冬小麦种植面积少于夏玉米原因的猜测较为一致。

冬小麦-夏玉米一年两熟轮作制度虽然是本研究区的主要种植模式, 但也发现其中的少部分区域未完全严格按照该轮作制度进行农业生产, 一方面可能是因为影像空间分辨率低及混合像元等因素导致的错分; 另一方面可能由于目前华北平原水资源紧缺, 而玉米作为饲料粮和主粮, 市场需求量急剧增大、且对地下水灌溉依赖小[57], 存在冬小麦-夏玉轮作区根据现实情况灵活调整种植制度的情况。

遥感技术能够大规模、高效地获取农作物的空间分布信息, 对人类生存空间进行多层次、多视角、多领域的立体观测, 为土地利用、覆被变化研究奠定了基础[58]。面对实测数据少的问题, 如何利用遥感影像从范围广泛且种植结构复杂的区域提取冬小麦-夏玉米的种植信息; 同时影像空间分辨率低、由于气象因素导致的作物生长期范围内的高质量无云影像少, 如何从有限的遥感数据找到冬小麦-夏玉米遥感监测最佳时相; 冬小麦-夏玉米轮作这种常见的种植制度是否在农业生产实践中灵活多变, 是本文研究过程中关注的问题。在探寻这些问题的过程中,我们利用Landsat 8 遥感影像基于特征波段及NDVI的决策树分类方法, 通过比较不同时相的影像对提取冬小麦-夏玉米种植面积的影响, 依据不同地类的光谱差异, 在引入判读人员知识的基础上, 通过一定的规则将相应数据和知识借助决策树方法进行表达, 成功提取了研究区冬小麦-夏玉米的种植分类信息。传统的监督分类和非监督分类, 都是基于像元单个或多个波段的DN 值, 通过最大似然、最小距离等邻近算法将DN 值相似的像元进行分类, 因此, 基于图像电子数值的归类只限于表面的分类, 分类精度往往较低[9]。我们基于决策树分类的方法, 则深入到遥感成像的机理属性——电磁波谱, 从地物自身的物理属性分析归类, 有效提高了分类精度。

4 结论

从遥感基础信息-地物电磁波谱数据分析入手,利用地物本身的光谱特性分析地物间的差异, 并实现从Landsat 8-OLI 数据提取冬小麦-夏玉米信息,有助于我们从宏观上对作物分布及生长状况作出及时有效地掌握和判断, 同时对农业监测, 特别是对轮作农田的信息管理和作物物候、种植面积等研究,提供了一个理想的监测手段。进一步准确地从各种土地类型中识别提取目标作物的光谱信息, 可能需要根据农作物遥感分类中不同的分类目标、空间尺度、时间尺度、分类精度等需求, 增加适宜的光谱特征、空间特征、时相特征等的辅助特征变量, 这也是我们未来将继续加强的研究工作。