基于ArcGIS Engine和IDL的冬小麦生长动态监测系统

李 霞, 王 泓, 鲁立江

(安徽科技学院 资源与环境学院,安徽 凤阳 233100)

小麦是中国主要粮食作物之一,其播种面积约占粮食作物播种总面积的五分之一,其中冬小麦产量约占小麦总产量的80%,在中国北方地区,小麦生产占有更重要的地位,其播种面积占总播种面积的二分之一,因此小麦在中国粮食生产中有着重要的地位。随着中国粮食生产的市场化,农作物的种植面积呈现年际变化大的特点,及时、准确获取小麦种植面积、空间分布、长势及产量估算信息,可为政府有关部门合理、快速地制定农业生产管理措施、粮食估产等提供基础数据,已经成为政府及各级管理部门的迫切需求。在全球经济化时代,农业基础信息不仅关系到中国农业耕地资源的合理利用、农村产业结构的战略调整及农民生产收入的提高,还关系到粮食生产安全和社会可持续发展问题。

传统的抽样调查、逐级统计上报的工作方法时效性较差、经济成本较高且获取的结果存在较大不确定性。遥感技术是近些年发展起来的新技术,可以在较短时间内获取较大区域内的地物信息,快速且较为准确地获取小麦种植各生育期数据。随着遥感数据种类和数量的丰富,它已经成为提取各种作物种植面积及长势信息的有效手段之一。但是,当前在利用多源遥感数据对小麦进行综合监测和管理的工作仍存在不足[1-4]:遥感数据量较大,依靠人工手段进行数据处理效率较低;由于操作人员理论基础和实践经验不同,基于多人协作方式的遥感数据处理标准和规范不能得到有效执行,最终得到的数据处理结果在质量上存在差异;遥感数据处理流程专业性要求高,非遥感专业人员进行遥感数据处理和实际应用存在困难,缺乏简单、便捷且自动化程度高的方式。

本研究基于ArcGIS Engine组件和IDL函数库,设计并开发了自动化程度较高、操作较为简捷的冬小麦监测综合管理系统,开发了冬小麦作物识别、种植面积提取、作物长势信息反演、作物产量估算等模型和算法,实现了冬小麦管理的若干模块,并在蚌埠地区进行了应用验证和分析。总体而言,本系统可以有效提高冬小麦种植各环节的数字化管理,并为管理人员提供数据和决策支持。

1 系统设计思路

1.1 ArcGIS Engine和IDL集成开发

Interactive Data Language(IDL)是ENVI软件平台下的交互式开发语言,该语言拥有丰富的、面向矩阵预算的数据分析工具,在图像处理与分析方面具有天然的优势,已广泛应用于地理学、医学、信号学等诸多领域。IDL语言具有较好的耦合性,对外提供内置函数及功能的COM开发组件,可快速实现与其他语言和组件的集成开发[5-6]。

ArcGIS Engine是ArcInfo软件平台提供的GIS组件库,基于此组件库开发的GIS软件可完全脱离ArcGIS Desktop独立运行在其他环境下。ArcGIS Engine组件包含若干组件和功能类库,可实现对各种空间数据的处理、存储、显示和分析[7-8]。

本系统基于IDL COM组件和ArcGIS Engine COM组件进行集成开发,该方法可明显减少系统开发的工作量和周期,为RS和GIS的集成开发提供了最优的解决方案(图1)。系统整体上由主程序和控件组成,利用C#.NET构建程序的基本界面,通过标准的COM接口耦合ArcGIS Engine和IDL控件[9-10]。其中ArcGIS Engine负责空间数据入库、显示、存储及分析等,IDL负责实现遥感数据的处理和栅格运算[11],所有开发工作在Visual Studio 2012开发环境中进行。

图1 ArcGIS Engine和IDL集成开发Fig.1 Integrated development of ArcGIS Engine and IDL图2 系统基本框架Fig.2 The framework of the system

1.2 系统框架

本系统采用3层架构,即应用层、逻辑业务层和数据层。其中,数据层主要负责空间数据和属性数据的输入输出处理;逻辑业务层主要负责具体业务的逻辑处理,如冬小麦空间分布识别、作物长势反演、冬小麦产量估算、数据裁剪、拓扑检查、统计输出等业务;应用层针对具体功能和流程设计与用户的交互界面。总体上的框架设计如图2所示。

1.3 系统功能设计

针对冬小麦在不同生育期的特点和主要关注的问题,本系统设计了7个核心功能模块。

数据入库:主要功能是导入各类遥感影像数据、统计数据及样点数据,并将其按照行政区划裁剪、存储到空间数据库中,同时将属性数据存入到属性数据库中。数据可用性分析:根据用户选择的研究区域及数据质量要求,在数据库中检索数据是否覆盖研究区域、数据质量是否达到要求(如云量占比)及样点数据是否已录入等,并给出分析结果和文字报告。识别及面积统计:在数据可用性已完成的情况下,根据研究区域内冬小麦各生育期的波谱特征,对数据库中的遥感数据进行波段计算,提取用户指定区域内的冬小麦图斑,利用野外实地采样数据对识别结果进行精度验证和分析,并自动生成分析结果和文字报告。长势信息提取:在数据可用的条件下,提取研究时段内冬小麦的NDVI指数,与近5年提取的NDVI指数和长势参数相对比,最终得到用户指定区域内的冬小麦长势信息,并自动生成分析结果和文字报告。产量估算:在统计数据可用的条件下,通过提取的GDVI值和经验模型,计算研究区域内冬小麦的产量,利用研究区域冬小麦产量统计数据对估算结果进行精度验证和分析,并自动生成分析结果和文字报告。统计分析:结合冬小麦种植面积、长势信息及冬小麦产量估算结果,给出统计结果和分析决策建议。成果输出:将分析结果输出为图或表,并打印为纸质材料。系统总体功能模块流程如图3所示。

图3 主要功能模块流程图Fig.3 Main modules in the system and the overall flowchart

1.4 数据库设计

数据库设计主要包括空间数据库和属性数据库,空间数据库主要存储具有空间信息的矢量和遥感数据,属性数据库主要包含遥感影像元数据(表1)、统计信息(表2)和物候信息(表3)等。

表1 遥感影像元数据Table 1 The metadata of remote sensing dataset

表2 年度冬小麦统计信息Table 1 The annual statistics of winter wheat

遥感影像元数据主要描述数据库中遥感数据的基本信息,为数据可用性分析模块提供基本信息,提取研究区域内遥感影像数据覆盖度、质量等信息,判断数据是否满足下一步操作要求。

年度冬小麦统计信息主要为近5年冬小麦的年鉴数据,包括冬小麦播种面积、长势及产量统计等信息,这部分数据主要用于构建冬小麦长势及产量估算模型。

物候信息主要用于存储研究区域冬小麦各生育期的起始时间,该数据主要用于冬小麦播种面积及分布提取分析。由于不同区域冬小麦各生育期的时段存在明显差异,在进行分析时应根据当地的物候信息相应调整冬小麦返青期、成熟期等对应的时段。

2 系统核心算法

归一化植被指数(Normalized Difference Vegetation Index,NDVI)是衡量地表覆盖情况及植被生长情况的重要指标,已经被广泛用于地表植被分类、环境监测及农作物识别等领域。在本系统中,冬小麦作物识别、长势信息提取及产量估算等核心模块都用到了该指数,其计算方法如式(1):

(1)

其中,ρNIR和ρRED分别表示近红外波段和红光波段的反射率。

2.1 冬小麦识别算法

小麦不同生育期内NDVI会不断变化,因此NDVI可很好地反应植被的覆盖区域、生长状况及物候信息。本系统采用MODIS时序数据,通过提取冬小麦在出苗、分蘖、返青、成熟等生育期的NDVI,获取冬小麦种植面积、分布区域及生长状况等信息。通过对MODIS-NDVI时间序列曲线的特征分析,对地表覆盖类型及植被生长情况进行监测和统计[12]。

由于受前期数据处理过程的影响,NDVI中包含一定的噪音,造成MODIS-NDVI时间序列曲线出现异常波动,影响冬小麦物候信息的提取[13-14]。本系统在利用NDVI提取冬小麦相关信息时,采用Savitzky-Golay滤波方法对冬小麦时间序列曲线进行了预处理,滤波后的时间序列曲线不仅去除了噪声的干扰,而且保留着曲线原有的基本形状,使得曲线的形状特征更加突出。

2.2 冬小麦长势信息提取算法

基于上述模型提取冬小麦种植面积及空间分布后,可进行冬小麦长势监测分析。本系统利用NDVI年际差值模型提取冬小麦长势信息[15-16]。具体而言,主要包括以下几个步骤:首先,在冬小麦不同生育期,求取近5年同一时段NDVI均值;然后利用年际差值模型,用当前年度同一时段的NDVI值减去前5年NDVI均值。计算方法如式(2):

G=NDVInow-NDVI5mean

(2)

其中,NDVInow为当前年度不同生育期提取的NDVI值,NDVI5mean为前5年求取的同一生育期内冬小麦NDVI均值。获取所有生育期G值后,对求取结果进行重新分类,将较前5年冬小麦长势分为“好于”“持平”“差于”等3个等级,最终实现对当前冬小麦长势的评价。

2.3 冬小麦产量估算算法

叶绿素含量及变化是衡量冬小麦光合作用强度的重要标志,准确提取叶绿素含量及变化信息是冬小麦遥感估产的关键。在光谱特征分析中,叶绿素a、叶绿素b在近红外和绿光波段反射率有2个突出的峰值,本系统基于上述2个波段构建了冬小麦产量估算模型[17-18]。具体而言,首先求取GDVI值,具体计算方法如式(3):

(3)

其中,RNR为近红外波段;RG为绿光波段。然后利用张智韬等[19]获取的GDVI与小麦产量之间的线性关系,以小麦产量作为因变量,最终得到冬小麦产量,二者之间的关系如式(4):

y=1 494.5x-385.66

(4)

其中,x为求取的GDVI值;y为单位面积冬小麦产量(kg/hm2)。

3 系统实现与应用

3.1 系统实现

主要包括交互界面的设计和功能模块的开发,为了实现了更好的用户交互体验,本系统采用第三方组件DotNetBar对系统界面进行了统一和美化,系统统一采用Office 2007界面风格。

系统主要包括任务管理、数据处理、小麦管理、成果输出和系统维护等五组功能菜单。其中任务管理主要实现对不同分析任务的综合管理,如加载、修改、删除分析任务等;数据处理主要实现各种数据入库、数据质量检查等功能,通过该功能最终构建影像、样本和统计数据库;小麦管理是本系统的核心功能,实现了对小麦空间分布、长势及产量的分析,在进行各项分析之前首先需要设置研究区域内物候、样本等数据路径(图4);成果输出主要实现各种输出功能,将过程数据或分析结果以图片和表格的形式导出;系统维护实现各项运行环境的配置,如系统风格、阈值等参数设置。

图4 物候参数配置Fig.4 Configuration of the phenological information

3.2 案例应用

本研究以蚌埠市为研究区域,利用该系统对冬小麦种植面积提取、长势评估及产量估测进行了应用研究。由于不同地区冬小麦各生长周期阶段存在明显差异,因此在进行实际分析前首先需明确研究区域内冬小麦的具体物候信息[20-22]。野外实地调研分析表明,蚌埠市一般在每年10上中旬开始播种冬小麦,11月上旬出苗,从第2年2月进入返青期并开始快速生长,5月达到完全成熟。在不同生育期内,冬小麦光谱特征呈现出不同的特征,本研究采集了不同生育期内冬小麦的光谱数据NDVI,结果表明蚌埠市冬小麦从11月开始NDVI值缓慢上升,到次年2月达到较高值并维持稳定状态,此时其他植被大多处于枯黄状态。4—5月间,该地区冬小麦NDVI值再次出现明显增长,到6月初收割后NDVI值降低至最低点。

根据上述对蚌埠市冬小麦光谱特征的分析,仅依靠单个时段提取冬小麦分布区域存在较大不确定性,因此需要结合多个时段内冬小麦光谱数据开展识别提取工作。该地区光谱数据具有以下几个特征:(1)12月初冬小麦NDVI值明显大于11月初。(2)冬小麦在2月中旬NDVI值明显大于其他地物,其值一般大于0.525。(3)3月下旬—4月上旬NDVI值明显大于1月中下旬。因此,可利用不同时段光谱数据的特征在整个区域做并运算,这样可明显提高提取结果的精度。

在本案例分析中,首先在系统内设置蚌埠市冬小麦不同生育期的起始时间(图4),然后根据不同生育期NDVI值之间的关系提取了蚌埠市2021年冬小麦分布数据(图5)。系统分析结果表明,2021年蚌埠市冬小麦播种面积为24.09 hm2,与统计年鉴数据(25.12 hm2)相比准确度为95.9%;2021年冬小麦长势良好,但整体上比前5年差;根据估产模型估算,2021年冬小麦总产量为1.358 3×106t,与统计年鉴数据(1.489 4×106t)相比准确度为91.2%。

4 结论与讨论

本系统基于ArcGIS Engine和IDL构建冬小麦综合监测分析系统,实现了对冬小麦播种面积、长势及产量估算的各项功能模块。通过实际案例可以得到以下结论:

(1)利用MODIS数据提取冬小麦种植面积及分布区域是可行的,由于MODIS数据具有较高的时效性和覆盖度,基于MODIS数据的分析方法在不同区域具有较好的适用性。充足、准确的数据是获取精确分析结果的基础和保证,MODIS数据具有时效优势但分辨率较低,获取较高分辨率冬小麦空间分布信息存在一定困难。

(2)采用经过实际应用验证的经验模型,结合研究区域的历史数据,可以较为准确地对冬小麦长势情况进行评估、对冬小麦产量进行估算,但在使用经验模型时应与实际研究区域的地形、气候及其他特征相匹配。

(3)采用经过实际应用验证的经验模型,结合研究区域的历史统计数据和现势数据,可以较为准确地对冬小麦长势情况进行评估、对冬小麦产量进行估算。