基于Sentinel-1和...的河南省冬小麦种植面积提取_叶智燕.pdf

第 46 卷 第 6 期2023 年 6 月测绘与空间地理信息GEOMATICS SPATIAL INFOMATION TECHNOLOGYVol 46，No 6Jun，2023收稿日期:20211213基金项目:国家自然科学基金面上基金项目(42171325)资助作者简介:叶智燕(1996)，女，福建福州人，测绘工程专业硕士研究生，主要研究方向为农业遥感。基于 Sentinel1 和 Sentinel2 的河南省冬小麦种植面积提取叶智燕1，2(1 福州大学 福建省空间信息工程研究中心空间数据挖掘与信息共享教育部重点实验室，福建 福州 350116;2 福州大学 数字中国研究院(福建)，福建 福州 350116)摘要:冬小麦是我国主要粮食作物之一，及时准确地获取冬小麦种植面积，对保障粮食安全具有重大意义。本文以河南省为研究区，利用 Sentinel1 的后向散射系数 VV 和 Sentinel2 构建的植被指数 EVI2，基于冬小麦拔节到成熟期的特征，设计 WI 指标，提取 2020 年河南省冬小麦空间分布。结果表明:河南省冬小麦种植面积为56 130 km2，总体分类精度为 94 70%，Kappa 系数为 0 89;与单一光学影像数据相比，结合雷达影像数据的冬小麦提取方法，能同时结合作物在光学及微波方面的特征，在光学影像质量较差的区域提高了分类精度。关键词:Sentinel1;Sentinel2;冬小麦中图分类号:P208文献标识码:A文章编号:16725867(2023)06004904Extraction of Winter Wheat Planting Area Based onSentinel1 and Sentinel2YE Zhiyan1，2(1 Key Laboratory of Spatial Data Mining Information Sharing of Ministry of Education，National Engineeringesearch Center of Geospatial Information Technology，Fuzhou University，Fuzhou 350116，China;2 The Academy of Digital China，Fuzhou University，Fuzhou 350116，China)Abstract:Winter wheat is one of the main food crops，timely and accurate acquisition of winter wheat planting area is of great signifi-cance to ensure food security Based on the characteristics of winter wheat from elongation to maturity，WI index is designed to extractthe spatial distribution of winter wheat in Henan province in 2020 by using the backscattering coefficient VV of Sentinel1 and vegeta-tion index EVI2 constructed by Sentinel2 The results show that the planting area of winter wheat in Henan province is 56 130 km2，the overall classification accuracy is 94 70%，and the Kappa coefficient is 0 89 Compared with single optical image data，the winterwheat extraction method combined with radar image data can improve the classification accuracy in areas with poor optical image quali-ty by combining the optical and microwave characteristics of crops simultaneouslyKey words:Sentinel1;Sentinel2;winter wheat0引言小麦是我国第三大粮食作物，仅次于水稻和玉米，同时也是种植最广泛的作物之一。河南作为农业大省，大面积种植冬小麦，是我国主要的小麦主产区之一。及时、准确地获取河南冬小麦种植区域、种植面积对保障国家粮食安全、有效供给等具有重要意义。遥感技术具有大范围、高时效、及时准确地获取地表信息的能力，已被广泛应用于冬小麦的提取。早期的研究主要采用 MODIS 数据对冬小麦种植面积进行提取，但MODIS 影像分辨率较低，无法解决混合像元的问题，难以满足精细提取的要求13。随后出现的 Landsat 影像4 和HJ 星数据56 具有更高的空间分辨率，为农作物精细制图奠定了数据基础。近年来，Sentinel 数据可免费获取，具有更高空间分辨率以及时间分辨率。Sentinel1 为雷达成像系统，不受云雨等环境的影响，能够实现全天时、全天候的地表遥感监测。Sentinel2 影像可同时覆盖 13 个光谱波段，增加了红边波段，更有利于农作物的识别提取。因此，Sentinel 影像成为区域农作物高精度监测极具优势的数据源。目前，已有不少学者基于 Sentinel 影像数据实现农作物自动提取，并获得了较高的精度78。在冬小麦种植区域提取研究中，现有的方法主要包括混合像元分解法1、光谱突变法9、监督分类与非监督分类6、决策树分类10 等方法，这些方法需要的先验知识较少，但需要有大量的样本支撑，提取精度在一定程度上取决于样本量。基于时间序列的冬小麦种植区域提取在遥感影像分类中应用广泛，该类方法结合不同时相的影像信息与作物物候的关系，取得了较好的成果11。综合上述分析，本文以河南省为研究区域，对研究区域内的冬小麦进行提取。基于 Sentinel2 的光谱数据计算植被指数，确定农作物生长关键物候期，根据 Sentinel1 提供的雷达信号组成时间序列，寻找冬小麦的特征，结合特征设计冬小麦提取特征指标，基于指标得到研究区域内的冬小麦分布结果，并结合河南省实地调研点位数据对提取结果进行精度评价分析。通过结合 Sentinel 系列遥感影像数据在冬小麦提取研究中的应用，为实现高精度长时序大尺度农作物制图提供一定的技术支持，这对农业发展意义深远。1研究区概况及数据源1 1研究区概况河南省位于我国中部地区，大部分位于暖温带，南部跨亚热带，属于北亚热带向暖温带过渡的大陆性季风气候。地势西高东低，由平原、盆地、山地、丘陵构成，其中平原占主导地位。研究区地势平坦、土壤肥沃，有河流和灌溉水源，适宜冬小麦生长。1 2数据源1)遥感影像数据。Sentinel1 是 1 个基于 C 波段的全天时、全天候雷达成像系统，重返周期为 12 d，包括 4 种成像模式，分别为条带成像(SM，Stripmap)、干涉宽幅(IW，Interferometric Wide swath)、超幅宽(EW，Extra Wideswath)和波浪模式(Wave mode)。干涉宽幅模式被当作陆地覆盖的默认模式12，该模式包括 4 种极化方式，分别为 VV、HH、HH+HV、VH+VV。Sentinel2 是高分辨率多光谱成像卫星，携带多光谱成像仪(MSI)，可覆盖 13 个光谱波段。Sentinel2 包括 2A 和 2B 2 颗卫星，双星互补，重返周期为 5 d，空间分辨率包括 10 m、20 m、60 m。本文采用研究区内 2020 年 Google Earth Engine 平台提供的 Senti-nel1 和 Sentinel2 数据，其中 Sentinel1 数据选取干涉宽幅模式下的 Level1 地距影像产品(GD，Ground angeDetected)，该产品是校准处理后的正射校正产品，空间分辨率为 10 m。2)野外调查数据。本文的训练点位和验证点位数据来源于地面实地调研，主要在 2020 年和 2021 年的 45月份使用 MG858 手持式 GPS 接收器或 GPS 工具箱对河南省进行地面调查，主要包括研究区内农作物的位置信息、物候信息、种植模式等。共收集到 1 619 个调研点位，其中训练点位 449 个，验证点位 1 170 个，见表 1。表 1训练点位以及验证点位的选取Tab 1Selection of training points andverification points油菜向日葵玉米冬小麦总计训练1128598154449验证3341972164231 1703)土地利用数据。采用 2010 年的 GlobalLand 30 土地利用数据，用于确定耕地区域，空间分辨率为 30 m(ht-tp:/www globallandcover com/)。4)基础地理数据。研究区域的行政边界等矢量数据来源于 国家基础地理信息系统 1 4 000 000 数据，下载地址为:http:/www resdc cn/data aspx?DATAID=201。2研究方法2 1数据预处理在 Google Earth Engine 平台上筛选出研究区内 2020年 1 月 1 日至 2020 年 12 月 31 日的所有 Sentinel1 影像。对 Sentinel1 影像逐像元将每 10 d 内的遥感影像数据进行叠加，选取这些数据的中值作为该像元的值，得到每10 d 为一期的年际时序曲线。由于卫星需要一定的重返周期，因此，有些像元中的某一期可能会存在数据缺失现象，针对这个问题，需要使用线性插值的方法对空值进行插值处理，得到连续的数据。同样，在 Google Earth Engine 平台上筛选出研究区内2020 年 1 月 1 日至 2020 年 12 月 31 日的所有 Sentinel2影像。由于 Sentinel2 光谱影像会受云等影响，因此需要根据 QA60 波段进行云识别，对受云干扰的像元赋为空值，剔除云的影响。然后对去云后的 Sentinel2 影像逐像元将每 10 d 内的影像进行叠加，选取中值作为该像元的值，得到每 10 d 为一期的年际时序曲线，由于去云等原因会造成数据，即部分像元的某一期可能没有值，因此，需要使用线性插值的方法对空值进行插值处理，得到连续的数据。获取 Sentinel1 影像的极化方式为 VV 的后向散射系数，得到 VV 后向散射指数的年际时间序列数据集，空间分辨率为 10 m。根据处理后的 Sentinel2 数据计算EVI2 指数，得到 EVI2 时间序列数据集，并进行 WS 平滑处理。EVI2=2 5 (NIed)/(NI+2 4ed+1)(1)式中，NI，ed分别为近红外波段(785899 nm)和红波段(650680 nm)，空间分辨率为 10 m。2 2冬小麦提取方法植被指数 EVI2 时间序列能够很好地反映作物播种、05测绘与空间地理信息2023 年出苗、返青、抽穗、成熟的生长过程，已被多数学者广泛应用于确定作物物候期的研究中。植被指数 EVI2 从播种开始随着作物的生长不断上升，直到抽穗/开花期达到顶峰，随后作物进入成熟期，EVI2 开始缓慢下降，作物收割后，曲线平稳。不同作物的后向散射系数时序曲线差异较大，其中冬小麦从拔节到抽穗期间 VV 急剧下降，而抽穗到成熟 VV 快速上升;油菜在花薹期到开花期 VV 轻微下降，开花期到成熟期轻微上升，整体变化幅度小，并且VV 的数值较大，如图 1 所示。玉米和向日葵在 VV 上的变化较小，生长期内时序曲线没有明显的起伏。图 1冬小麦提取指标设计图Fig 1Design drawing of winter wheat extraction index冬小麦在 VV 时序曲线上与其他作物有明显的差异，造成这类现象的原因是:冬小麦有明显的垂直结构，是由垂直茎干组成的谷类作物。冬小麦从播种到拔节之前对地表覆盖度低，雷达接收到的信号主要由冬小麦茎叶和土壤一起散射混合生成;拔节到抽穗期间，冬小麦的茎叶完全覆盖地表，信号由冬小麦的茎叶散射生成;冬小麦抽穗后，麦穗不断发育生长，冠层结构产生较大变化，此时由冠层的散射占据主导地位。相对于冬小麦而言，其他作物在生长过程中表现为向四周扩散生长，如随着玉米不断生长，叶片面积不断增大，叶子向周围扩张。研究区内冬小麦的生长期主要在上半年，7 月之前完成冬小麦的收割，因此，本文采取 2020 年 1 月 1 日到 2020年 6 月 30 日的时序曲线数据集。根据植被指数 EVI2 的峰值日期确定为抽穗期，峰值日期向前推 40 d 为拔节期，向后推 40 d 为成熟期，通过锁定冬小麦拔节期到成熟期期间 VV 的变化，发现冬小麦的 VV 最大值比其他作物低，而最小值也较其他作物低，如图 1 所示，基于这个特征，本文设计了冬小麦指数(Wheat Index，WI):WI=VVmax VVmin(2)式中，VVmax是 EVI2 峰值日期向前、后各推40 d，共80d 内的 VV 时序曲线的最大值，VVmin是对应时间段内 VV时序曲线的最小值。3结果与分析3 1提取结果分析通过计算所选 449 个训练样本点位的 WI 值，进而确定冬小麦分离阈值。冬小麦的 WI 值明显高于其他作物，这是因为农作物在后向散射系数 VV 上的值域分布为 5，20，而冬小麦在特定时间的最大值和最小值比其他作物都要小，因此，得到的 WI 值要比其他作物大，如图2 所示。可以看出，冬小麦在 WI 值等于 150 处与其他作物具有较好的分离度，当 WI150 时识别为冬小麦。图 2WI 指标阈值设置Fig 2WI indicator threshold setting利用该方法，获得河南省 2020 年冬小麦的空间分布图，从空间分布结果可以看出，河南省冬小麦种植范围分布广泛。其中，濮阳市、新乡市、商丘市、周口市、驻马店市等区域种植最为密集，而三门峡市、洛阳市、郑州市等冬小麦种植较少。3 2精度验证本次验证共使用验证点位 1 170 个，其中冬小麦点位423 个，非冬小麦点位 747 个，对 2020 年冬小麦空间分布结果进行验证，冬小麦识别总体精度高达 94 70%，Kappa系数可达 0 8 以上，说明本实验所设计的方法对冬小麦具有良好的识别效果。3 3河南省冬小麦种植面积空间分析对 2020 年冬小麦提取结果以及研究区土地利用数据进行数理统计，结果表明，研究区内冬小麦种植面积为56 130 km2，占研究区内耕地面积的比例高达 52 91%，说明冬小麦是该研究区主要的农作物。研究区内冬小麦种植区域具有明显的空间分布规律，从冬小麦种植面积空间分布图可以看出，冬小麦种植面积从北到南、从西到东呈现出递增的趋势，向东南方向聚拢。造成此现象的原因可能是:在研究区内，东部主要为平原，灌溉条件好、交通便利、机械化水平发达，有利于冬小麦大面积种植。相对于东部而言，西部主要为丘陵和山地，交通、机械化水平不高，所以冬小麦种植较少。南部地区靠近亚热带，水热条件较北部充足，更适宜冬小麦生长。通过面积统计，发现驻马店市、周口市、南阳市、商丘市冬小麦种植面积较大，为 27 630 km2，约占研究区域内冬小麦总种植面积的 1/2，比例高达 49 22%。其中，驻马店市冬小麦种植面积最大，为 7 797 74 km2，占研究区冬小麦总种植面积的 13 89%;其次为周口市，其冬小麦种植面积为 7 398 27 km2，占研究区冬小麦总种植面积的 13 18%;排名第三的是南阳市，冬小麦种植面积为6 623 22 km2，占 11 80%，排名第四的是商丘市，冬小麦种植面积为 5 810 62 km2，占 10 35%。根据统计，河南省约有 2/3 的城市其冬小麦种植面积超过耕地面积的一半，表现最为明显的是漯河市、周口市、鹤壁市、商丘市以及新乡市，冬小麦种植面积分别为1 686 34 km2，7 398 27 km2，1 027 91 km2，5 810 62 km2，4 145 72 km2，均占耕地面积的 70%以上，具有很大的优势，见表 3。15第 6 期叶智燕:基于 Sentinel1 和 Sentinel2 的河南省冬小麦种植面积提取表 3河南省各市冬小麦种植面积和耕地面积以及冬小麦占耕地面积的比例Tab 3Winter wheat planting area and arable land areain each city of Henan province and theproportion of winter wheat inarable land area城市冬小麦面积(km2)耕地面积(km2)比例(%)漯河市1 686 342 139 4078 82周口市7 398 279 407 7278 64鹤壁市1 027 911434 9271 64商丘市5 810 628184 1071 00新乡市4 145 725 871 4970 61驻马店市7 797 7411 593 5367 26濮阳市2 266 573 518 5664 42安阳市2 933 084 833 5660 68许昌市2 225 553 787 6358 76焦作市1 488 272 574 9357 80平顶山市2 505 454 686 0553 47开封市2 338 005 029 2846 49南阳市6 623 2214 784 9644 80省直辖县级行政单位248 64700 3735 50洛阳市2 198 596 466 4434 00信阳市3 536 4313 297 0326 60郑州市1 247 244 802 0525 97三门峡市652 392 972 2021 954结束语本文分析冬小麦的生长过程，探讨该过程与后向散射系数 VV 年际时序曲线之间的关系，实现冬小麦的种植面积提取。利用 Sentinel2 影像数据计算植被指数 EVI2的时序曲线，根据曲线特征，锁定冬小麦的关键物候期，并结合 Sentinel1 影像，极化方式为 VV 的后向散射系数在冬小麦关键物候期的特征，设计了提取冬小麦的指标。研究结果表明:1)冬小麦从拔节期到成熟期的后向散射系数 VV 时序曲线变化明显，拔节期到抽穗期 VV 急剧下降，抽穗期到成熟期 VV 快速上升。在相同时期，冬小麦与其他农作物差异大，可以有效区分，为冬小麦种植提取提供依据。2)本文将 Sentinel1 雷达影像和 Sentinel2 光学影像数据有效结合，实现 2020 年河南省冬小麦种植面积提取，总面积为 56 130 km2，分类总体精度达 94 70%，Kappa系数为 0 885 7。3)河南省冬小麦种植面积从北到南、从西到东呈现出递增的趋势，向东南方向聚拢。其中，驻马店市冬小麦种植面积最大，为 7 798 km2。此外，河南省约有三分之二城市的冬小麦种植面积超过耕地面积的一半。地物多样性使光学遥感分类存在复杂的类间相似性及类内异质性问题，对遥感地物分类带来困难。仅依靠光学遥感数据的农作物分类方法比较适用于影像数据质量较好的区域，如我国北方地区。而南方地区，多为云雨天气，遥感数据质量差，单一光学数据遥感分类精度低。雷达数据不仅能免受云雨影响，数据量充足，并且能够反映作物在结构方面的特征。结合光学和微波数据的遥感地物分类，能够同时兼顾作物在不同物候期及结构方面的特征，进而提高分类精度。参考文献:1蔡薇，郭洪海，隋学艳，等 基于混合像元分解提取小麦种植面积的技术与方法研究J 山东农业科学，2009(5):1216 2石宁卓 基于 MODISNDVI 时间序列小麦面积提取方法研究 D 西安:西安科技大学，2015 3黄青，李丹丹，陈仲新，等 基于 MODIS 数据的冬小麦种植面积快速提取与长势监测J 农业机械学报，2012，43(7):163167 4巫明焱，董光，税丽，等 基于 Landsat 8 影像的济宁市春季主要作物种植面积变化监测J 江苏农业学报，2018，34(3):559569 5权文婷，周辉 HJ 星数据在关中冬小麦种植面积遥感监测中的应用J 遥感技术与应用，2014，29(6):930934 6赵丽花，李卫国，杜培军 基于多时相 HJ 卫星的冬小麦面积提取 J 遥感信息，2011(2):4145，50 7王蓉，冯美臣，杨武德，等 基于 Sentinel2A 影像的县域冬小麦种植面积遥感监测 J 山西农业科学，2019，47(5):854860 8王彦敏，陈成 基于时序 Sentinel2 卫星影像数据的苏北地区小麦种植面积遥感提取研究C/2019 年江苏省测绘地理信息学会学术年会，南京:江苏省测绘地理信息学会，2019 9王云峰，沈润平，田国珍 基于 MODIS 数据光谱突变法提取冬小麦种植面积研究J 内蒙古气象，2009(6):1821 10陈晓停，曹兰杰，汪金花 基于决策树的县域冬小麦种植面积提取J 地理空间信息，2018，16(9):8586，98 11杨欢，邓帆，张佳华，等 基于 MODIS EVI 的江汉平原油菜和冬小麦种植信息提取研究J 国土资源遥感，2020，32(3):208215 12杨魁，杨建兵，江冰茹 Sentinel1 卫星综述J 城市勘测，2015(2):2427 编辑:刘莉鑫25测绘与空间地理信息2023 年