基于Landsat 8 影像提取豫中地區冬小麥和夏玉米分布信息的最佳時相選擇

趙榮榮 叢 楠 趙 闖

1 中國科學院地理科學與資源研究所拉薩高原生態試驗站, 北京 100101; 2 中國農業大學資源與環境學院, 北京 100193

豫中地區地勢平坦, 是我國重要的糧食生產基地, 冬小麥-夏玉米一年兩熟輪作制度是該地區的主要種植模式[1]。據統計, 2020 年中國小麥和玉米產量約占糧食總產量的59.9%, 是保障中國糧食安全的重要基石[2]。因此, 及時、準確地獲取冬小麥-夏玉米種植面積及其空間分布情況, 是保障作物增產和糧食安全的重要環節之一。

遙感探測能在較短的時間內, 從空中乃至宇宙空間對大范圍地區進行對地觀測, 并從中獲取有價值的遙感數據, 可見光遙感通過近地面、航空、航天等方式進行對地觀測, 獲取的數據能反映景觀、區域甚至全球尺度的地表信息, 并且具有較高的實效性, 為準確和快速獲取農作物種植面積信息提供了可行的手段[3-4]。在信息提取的過程中, 特征變量的選擇是關系農作物遙感分類是否成功的決定性因素之一[5], 成像遙感的工作基礎是傳感器接收地物電磁波譜反射, 地物由于自身的特性對太陽光的反射和吸收呈現獨特的反射特征, 從而特征光譜能夠用來鑒別地物類型[6]。農作物在不同波長的光譜特性隨著作物的種類差異及其生育期進程的不同而呈現不同的特征[7-8], 同種地物在不同時相的遙感影像中, 由于光照、溫度、濕度等自然因素不同,其輻射波譜特性會發生改變, 以至于分類結果互有偏差[9]。

在遙感分類中最佳時相的選擇是農作物監測和估產中的關鍵環節之一[10], 因此分析由于影像不同時相的差異對光譜特征變化以及分類結果的影響,是提高農作物遙感分類精度的關鍵問題。關于植被遙感最佳時相的選擇, 千懷隧[11]通過研究遙感時相等因素對作物識別和單產模擬產生的影響, 分析了農作物遙感估產最佳時相的選擇依據; 邢東興等[12]利用光譜比較、光譜指數辨識分析、影像復合與多指數聯用分析等方法, 尋求石榴樹最佳辨識時相;齊臘等[13]通過光譜可分性距離對植被物候差異和光譜進行分析, 確定了北京地區小麥監測最佳時相。與此同時, 分類方法的選擇也對地物分類精度具有重要影響。決策樹(Decision trees, DTs)是一類高效的光譜分類方法[14], 其計算速度快, 能夠處理不同尺度的數據[15], 在地物分類中得到了廣泛的應用, 如黃健熙等[16]以多時序GF-1 衛星影像構建基于植被指數的決策樹, 對作物種植信息進行提取, 并表明利用決策樹方法分類的精度高于最大似然法的分類精度; 馬麗等[17]利用不同時相的TM 和SPOT 衛星遙感影像, 根據歸一化植被指數的時間譜圖像以及光譜特征, 設計決策樹分類算法, 并成功提取黑龍江友誼農場作物的種植信息; 李亞妮等[18]認為基于Sentinel-2 衛星影像數據, 對大尺度復雜區域采用決策樹的方法提取高分辨率作物種植面積具有可行性。本研究區域范圍較大、地形復雜, 細小破碎的零散地塊和形態規整的平原地塊皆有一定數量分布,決策樹方法較為適合本研究面臨的大尺度復雜區域作物分類。

本研究從冬小麥-夏玉米生長過程中不同時相的光譜特征規律展開分析, 以冬小麥-夏玉米生長期6 個關鍵時相的Landsat 8 影像為數據源, 選用決策樹算法, 通過區分冬小麥-夏玉米與其他地物在光譜特征和歸一化植被指數(Normalized Deviation Vegetation Index, NDVI)上的差異選取分類閾值, 得出冬小麥-夏玉米種植分布的特征, 并分析不同時相的遙感影像對夏玉米和冬小麥提取精度的影響, 以及冬小麥-夏玉米種植面積的變化。

1 材料與方法

1.1 研究區域概況

研究區位于河南豫中地區(中心位置34°4′9.11′′N,113°44′6.50′′E, 中心城區為魏都區, 圖1)。河南省屬于溫帶季風氣候, 具有雨熱同期、四季分明等特點,年平均氣溫在10.5～16.7 ℃, 整體上呈現東高西低、南高北低的溫度分布特點, 年平均降水量在407.7～1295.8 mm, 年平均日照時數為1285.7～2292.9 h[19]。豫中地區是我國糧食主產區之一, 農業生產模式為冬小麥-夏玉米輪作[20-21]。夏玉米一般在冬小麥收割后的6 月中下旬開始播種, 7 月份進入拔節期, 8 月經歷抽穗、乳熟, 9 月下旬開始收獲, 生長季為4 個月左右; 冬小麥在夏玉米收獲之后播種, 從總體上看播種時間為10 月份, 11 月初出苗, 1 月份進入越冬期,3 月左右開始拔節, 之后冬小麥慢慢成熟直到5 月下旬冬小麥開始收獲, 6 月中旬以前基本收割完畢[22-23]。根據2021 年的河南統計年鑒, 種植的其他作物主要包括花生、大豆、蔬菜和花卉等[24]。

圖1 2020 年1 月1 日的研究區影像圖Fig. 1 Landsat 8 OLI Image of the study area on January 1,2020

1.2 遙感數據來源

本研究使用的Landsat 8 影像, 行列號(Path/Row)為124/36。根據豫中地區主糧作物冬小麥和夏玉米的生長期并結合影像質量狀況, 對Landsat 8 影像的時相進行選擇: 由于氣象條件等因素限制, 難以獲取夏玉米全生育期的Landsat 8 影像, 故選取成像時間為2020 年8 月26 日、2020 年9 月11 日、2020年9 月30 日的影像進行夏玉米分類研究; 選取成像時間為2021 年1 月1 日、2021 年3 月22 日、2021年5 月9 日的影像進行冬小麥的分類研究。并通過裁剪去掉有云覆蓋區域, 保留無云的影像子集來去除云噪聲對作物信息提取造成的影響。Landsat 8 上攜帶有OLI 和TIRS 兩個傳感器, OLI 數據主要為可見光到短波紅外波段, TIRS 為熱紅外波段。本研究主要使用Landsat 8 的OLI 數據(參數見表1), OLI 傳感器設置9 個波段, 包括8 個分辨率為30 m 的多光譜波段和1 個分辨率為15 m 的全色波段, 成像幅寬為185 km × 185 km。

表1 Landsat 8 的OLI 數據參數Table 1 Landsat 8 OLI data parameters

本研究所使用的OLI 數據已進行了幾何校正,使用軟件ENVI 5.3 的Radiometric Calibration 模塊進行輻射定標, FLAASH Atmospheric Correction 模塊進行大氣校正, 該模塊要求的輻亮度單位是μW m-2sr-1nm-1, 而經過定標后的輻亮度(輻射率)單位是W m-2sr-1nm-1, 且W m-2sr-1nm-1= 0.1 μW cm-2sr-1nm-1, 所以在FLAASH 中設置輻射參數因子10。為了節省儲存空間以提高運算效率, 把校正后的反射率乘以10,000, 使用整數類型進行數據存儲[25]。大氣校正通過消除由于大氣的吸收、散射等過程對傳感器成像造成的影響, 使研究區影像的輻射信息盡可能地接近地物真實反射率[26-27]。

1.3 研究方法

通過對研究區影像觀察可知, 研究區大部分地區地勢平坦, 地物類型全面, 農田分布集中且分布面積較大。ENVI 5.3 軟件可以對遙感圖像中各類地物的光譜信息和空間信息進行分析, 尋找合適的特征作為分類的依據, 并將圖像中的各個像元劃入到不同類別[28]。本研究使用的決策樹分類是建立在光譜反射特性的多級分類器, 用于將像元歸屬到相應的類別。計算時利用每個像元的波段特征進行二叉決策樹構建, 進而得到該像元表達式, 并將該像元分類到不同的類別之中。根據研究區情況, 本研究對冬小麥-夏玉米農田分布信息提取方法的技術流程主要包括5 個步驟, ①利用遙感數據波段反射特征, 通過目視解譯劃分地物類別、選取各地類訓練樣本和驗證樣本; ②通過分析不同地類的光譜特征曲線, 確定各地類的光譜特征閾值; ③依據不同時期的植被指數特征, 確定NDVI 分類閾值; ④綜合考慮閾值選取并確定分類規則, 建立研究區冬小麥-夏玉米分類決策樹; ⑤評價不同時相的冬小麥(或夏玉米)信息提取的精度。

1.3.1 樣本選取 以區分冬小麥-夏玉米為目標并結合土地類型分布情況, 將研究區地物類型分為冬小麥(或夏玉米)農田、林地(包括林草交錯帶)、建設用地、水體及裸地5 大類別。判別多光譜圖像的常規方法是將幾個波段進行波段組合[29], 通過觀察不同波段組合下不同地物在影像中的特點, 采用如下試探性方法對不同地類樣本進行選取, 篩選出各地類面積大于或等于30 m×30 m 的純凈樣本各100份, 每個樣本都是包含一個或多個像元的小區域,其中冬小麥(或夏玉米)農田樣本包括100 個像元、林地(包括林草交錯帶)樣本包括100 個像元、建設用地樣本包括4483 個像元、水體樣本包括4498 個像元,裸地樣本包括370 個像元, 以1∶1 的比例將這些樣本分為訓練樣本和驗證樣本, 構建樣本數據集。

1) 針對易于判別的建設用地、水體及裸地, 采用紅(R)、綠(G)、藍(B)真彩色或近紅外(Nr)、紅(R)、綠(G)假彩色組合的方式進行目視解譯, 以勾畫感興趣區域(region of interesting, ROI)的方式選取各地類純凈的樣本, 并盡可能保證樣本在整景研究區中接近均勻分布; 2) 針對在山區容易混淆的冬小麥(或夏玉米)農田和林地, 則是在波段組合的基礎上結合Google Earth 高清影像和已知冬小麥-夏玉米輪作區的坐標點來進行判別及樣本選取。研究區地類解譯標志如表2 及圖2 所示, 其中冬小麥和夏玉米在目視解譯的差異細微, 但考慮到在研究區域多數地區存在冬小麥和夏玉米同一地塊輪作, 2 種作物在同一景影像上極少出現同時分布, 其時序變化特征差異明顯, 因此可以根據生育期不同的先驗知識來輔助區分2 種作物。

圖2 不同波段組合下的地類Landsat 8 影像Fig. 2 Ground objects in Landsat 8 images based on different bands combination

表2 地類解譯標志Table 2 Interpretation symbols of land-use types

1.3.2 光譜特征分析 地物在多波段圖像上特有的波譜響應是地物光譜特征的判讀標志, 可以通過曲線形狀及某一波段上地物反射率均值的大小, 判斷不同地物的可分性[29]。本研究通過ENVI 5.3 軟件統計不同時相影像中上述5 類地物在不同波段的光譜反射率, 探究不同地類間光譜特征的差異。

1.3.3 植被指數特征分析 植被指數分析是遙感應用研究中的常用方法之一, 植被指數是一種無量綱指數, 通常是2 個或多個波段的光譜反射率的比值、線性或非線性組合, 其中, 由紅波段和近紅外波段組合的植被指數應用最廣泛, 研究最深入[30]。本研究選用的歸一化植被指數NDVI 是植被遙感分類中廣泛應用的植被指數之一[31], 其計算公式如下:

式中,ρNIR為近紅外波段(Band5)反射率;ρRed為紅波段(Band4)反射率。

1.3.4 決策樹分類法 決策樹作為數據挖掘的一種方法, 具有靈活、直觀、運算效率高等特點, 其基本思想是通過一些判斷條件對原始數據集逐步進行二分和細化。其中, 每一個分叉點代表一個決策判斷條件, 每個分叉點下有2 個葉節點, 分別代表滿足和不滿足條件的類別[32]。本研究使用此方法, 通過區分冬小麥-夏玉米與其他地類光譜特征、NDVI指數的差異, 確立冬小麥-夏玉米作物決策樹分類規則。

1.3.5 精度驗證 混淆矩陣(Confusion Matrix)是分類結果定量化評價的常用方法[33], 通過將每個測量像元的位置和分類與參考圖像中相應的位置和分類像元進行計算和比較?；煜仃嚨拿恳涣斜硎疽粋€預測類別, 列的總數表示為該類別預測的數據數。每行表示數據所屬的實際類別, 行的總數表示該類中的數據實例的數量。每列中的值表示實際數據被分類到的類的數量[34]。本文以野外定位采樣點和Google Earth 高分辨率影像選取的驗證樣本為參考, 對研究區冬小麥-夏玉米的決策樹分類結果進行精度評價, 通過基于混淆矩陣計算出的總體精度、生產者精度、用戶精度及Kappa 系數表述精度驗證結果。

總體精度是分類正確的樣本數與樣本總數的比值。生產者精度指正確分為A 類的像元數與A 類真實參考總數的比率。用戶精度是指正確分到A 類的像元總數與分類器將整個影像的像元分為A 類的像元總數(混淆矩陣中A 類行的總和)的比率[35]。Kappa系數可以表示檢測結果的內部一致性[36], 相較于總體精度只用到了位于對角線上的像元數量, Kappa系數則既考慮了對角線上被正確分類的像元, 又考慮了不在對角線上的各種漏分和錯分誤差[33]。Kappa系數的大小可以反映分類結果與真實參考的一致性[37], 當Kappa 系數小于0.40 時, 說明分類質量一般;當Kappa 系數介于0.40～0.60 時, 說明分類質量較好;當Kappa 系數大于0.60 時, 說明分類質量很好[38]。

2 結果與分析

2.1 光譜特征分析

健康綠色植物具有其基本的光譜特性, 從光譜曲線上看, 可見光波段(400～700 μm)是植物葉片的強吸收波段, 其中包括2 個吸收谷(0.45 μm 的藍光與0.65 μm 的紅光附近)和1 個反射峰(0.55 μm 綠光附近), 而近紅外波段(0.7～1.3 μm)是植物葉片的強反射波段[39-40]。雖然典型植物光譜曲線形態變化具有一定的相似性, 但不同的植物類別因其葉片色素含量、細胞結構、含水量的不同, 其光譜反射率存在著一定差異[41]。圖3 統計了6 個時期不同地類在7 個波段上反射率的平均值。由圖可見, 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(或冬小麥)和林地的光譜響應曲線的形態具有一定相似性, 在可見光波段(Band1～Band4)的反射率低, 而在近紅外波段(Band5)的反射率顯著高于可見光波段, 符合綠色植被的基本光譜特征規律,與裸地、建設用地和水體的光譜響應曲線的形態存在著顯著差異; 而在2021 年1 月1 日和3 月22 日,由于林地(包括林草交錯帶)植被覆蓋度低, 其光譜響應曲線的走勢與裸地相近, 且各波段反射率顯著低于裸地。

圖3 不同時相冬小麥-夏玉米光譜特征的變化Fig. 3 Spectral characteristic changes of winter wheat and summer maize in different phases

2.1.1 從單一時相的角度探究冬小麥-夏玉米與其他地類的光譜特征差異 由圖3-A、B 可知, 2020年8 月26 日和9 月11 日在近紅外波段(Band5)夏玉米與包括林地在內的其他地物差異最大, 在紅波段(Band4)夏玉米與建設用地的反射率存在較大差異;在9 月30 日(圖3-C)夏玉米在近紅外波段(Band5)的反射率雖仍高于其他地物, 但與林地的光譜曲線更加接近, 難以利用單一波段對兩者進行區分; 圖3-D、E 顯示, 2021 年1 月1 日和3 月22 日冬小麥與林地的光譜曲線有明顯差異, 在近紅外波段(Band5),冬小麥反射率遠高于其他地類的反射率; 在5 月9日(圖3-F), 冬小麥與林地在近紅外波段(Band5)的光譜差異較前2 個時相有所減小, 但在短波紅外波段(Band6)反射率的差異增大。

2.1.2 從不同時相的角度探究冬小麥-夏玉米光譜曲線的變化特征

1) 從圖3-A、B、C 觀察到, 從2020 年8 月26日到 2020 年 9 月 30 日, 夏玉米在可見光波段(Band1～ Band4)的反射率呈先減小后增大的趨勢,在近紅外波段(Band5)的反射率呈明顯減小的趨勢,這可能是因為夏玉米在乳熟前期, 其葉綠素含量仍存在上升的態勢[42], 因而對可見光區的紅光吸收增強, 導致反射率下降。到了乳熟后期, 夏玉米植株開始衰老, 葉片由綠逐漸變黃[43], 對紅光的吸收也逐漸減弱, 故反射率有增加的趨勢, 而近紅外波段的反射率也在這一過程中逐漸下降。

2) 由圖3-D 和E 對比可知, 從2021 年1 月1日到 2021 年 3 月 22 日, 冬小麥在可見光波段(Band1～Band4)的反射率呈減小的趨勢, 鑒于冬小麥葉片可見光波段的光譜特征可能與其葉綠素含量有關[44], 故推測其可見光波段反射率減小的原因可能是冬小麥在經歷越冬到拔節的生長過程中, 隨著葉綠素含量的升高, 冬小麥群體的光合能力不斷增強,對可見光的吸收也增強, 進而反射率減小; 在近紅外波段(Band5)冬小麥的反射率變化不大, 其細胞結構是控制該波段反射率強弱的主要因素[45]; 在短波近紅外波段(Band6 和Band7)冬小麥的反射率顯著減小, 這可能與冬小麥含水量的增加有關[46]。

3) 圖3-E、F 顯示, 從2021 年3 月21 到2021年5 月9 日, 冬小麥可見光波段中的藍紫光(Band1和Band2)的反射率呈減小的趨勢, 綠光(Band3)和紅光(Band4)的反射率呈增加的趨勢, 可能由于葉綠素a吸收紅光(Band4)的能力比葉綠素b強, 而葉綠素b吸收藍紫光(Band1 和Band2)的能力比葉綠素a強[30],故冬小麥在經歷拔節到成熟的生長過程中, 其可見光波段反射率的變化可能與葉片中的葉綠素等光合色素含量的變化有關, 如葉綠素a與葉綠素b含量的比值減小; 在近紅外波段(Band5)冬小麥的反射率變化不大; 在短波近紅外波段(Band6 和Band7)其反射率有所增大。

4) 通過對比圖3-C 與E、F, 可以發現夏玉米在2020 年9 月30 日處于成熟期時, 與冬小麥在2021年3 月22 日和2021 年5 月9 日處于拔節期和成熟期時相比, 在綠波段(Band3)的反射率上表現出較高的數值。這種光譜特征差異使得夏玉米和冬小麥能夠被區分開來。根據前述分析, 這種差異可能與它們在不同生長階段的葉綠素含量有關[44-47]。

2.2 植被指數特征分析

為了分析研究區內不同地類在不同時相上的NDVI 變化情況, 我們對波段進行運算得到典型地類的平均NDVI (圖4)。對圖4-A 進行分析可以發現:1) 從2020 年8 月26 日到2020 年9 月11 日, 夏玉米經歷了從乳熟到成熟的發育階段, NDVI 呈緩慢的下降趨勢; 2) 從2020 年9 月11 日到2020 年9 月30日, 夏玉米成熟, 進入收獲期, NDVI 值呈下降趨勢,與林地的NDVI 值更為接近。

圖4 不同時相冬小麥-夏玉米NDVI 的變化Fig. 4 NDVI changes of winter wheat and summer maize at different stages

對圖4-B 進行分析可以發現: 1) 從2021 年1月1 日到2021 年3 月22 日, 冬小麥開始蘇醒、返青、撥節, NDVI 值顯著上升, 而林地NDVI 值雖有上升, 但在數值上明顯小于冬小麥; 2) 到2021 年5月9 日, 冬小麥進入成熟和收割期, NDVI 值呈逐漸下降趨勢, 而林地的NDVI 值則呈顯著上升趨勢,與冬小麥的NDVI 值接近。由于NDVI 主要反映植被的特征, 對非植被地物不敏感, 不具備典型的特征指示作用。圖4 中建筑用地、裸地、水體變化不明顯, 且NDVI 值趨近于0 或小于0, 符合NDVI對非植被類型的表征, 因此佐證了NDVI 計算的可行性, 但其對非植被地物指示作用不大, 本文不再做進一步分析評價。

2.3 冬小麥-夏玉米的決策樹規則建立

基于研究區Landsat 8 影像, 通過反復試驗、計算、統計和分析各地類訓練樣本特征值, 采用決策樹分類方法進行冬小麥-夏玉米面積識別, 流程如圖5, 其中Band4 反射率為0 的區域設置為背景值, 在流程圖中沒有專門畫出, 具體流程:

圖5 決策樹方法提取作物種植信息流程圖Fig. 5 Flow chart of planting information using a decision tree to extract

首先, 根據訓練樣本獲取的冬小麥-夏玉米NDVI 閾值進行分層, 將冬小麥-夏玉米與裸地水體等地類進行初步劃分, 閾值設置見圖 5; 接下來,通過對不同地類訓練樣本的光譜數據進行統計分析, 采用單波段閾值法探究不同時相下冬小麥-夏玉米與其他地類在各個波段的表征[33], 得到冬小麥-夏玉米區別于其他地類的特征樣本值信息。對于2020 年8 月26 日、2020 年9 月1 日、2021 年1月1 日的Landsat 8 影像, 不同地類在Band5 的反射率出現較大的差異, 具有較好的可分性, 故選取 Band5 的反射率對不同地類進行分類, 獲得相應的決策樹規則; 對于2021 年5 月9 日的Landsat 8 影像, 選用Band6 的反射率來區分冬小麥和林地;對于2020 年9 月30 日的Landsat 8 影像, 由于沒有能夠使夏玉米與其他地類完全區分的單波段閾值, 故嘗試選取多個閾值以期所有夏玉米訓練樣本都被正確識別。最后, 通過以上方法定義決策樹分類規則, 利用ENVI 中的決策樹分類器構建和執行決策樹, 提取不同時相的冬小麥-夏玉米空間分布情況。

2.4 精度驗證及結果

我們根據研究區樣本點和Google Earth 高分辨率影像對研究區不同時相的冬小麥-夏玉米提取結果進行精度分析, 表3 給出了精度分析結果。對于夏玉米而言, 其在2020 年8 月26 日的總體精度最高, 為83.60%, Kappa 系數為0.72, 分類質量很好,而在2020 年9 月30 日的總體精度最低, 僅為72.60%,Kappa 系數為0.65, 這可能是由于夏季植被茂盛, 夏玉米的光譜特征曲線和NDVI 值與林地等植被更加接近, 導致一些其他地物被錯分為夏玉米類別; 對于冬小麥而言, 其在2021 年1 月1 日的總體分類精度最高, 為92.36%, Kappa 系數為0.81, 信息提取效果很好, 原因是這一時期的冬小麥處于分蘗后的越冬期, 不僅與非越冬作物的生長期不交叉, 而且與越冬作物具有較大的光譜種間差異。由此可見, 處于乳熟時期的夏玉米的提取效果要優于之后的時期,在本研究中影像成像時間為2020 年8 月26 日(圖6-A); 而冬小麥的最佳識別時期則處于冬小麥的越冬期, 在本研究中影像成像時間為2021 年1 月1 日(圖6-D)。。

冬小麥-夏玉米分類結果見圖6, 通過統計可知,2020 年8 月26 日、2020 年9 月11 日、2020 年9月 30 日研究區夏玉米種植面積分別為 4102.9、2872.6 和 1066.6 km2, 分別占研究區總面積的41.3%、28.9%、10.7%, 隨著夏玉米乳熟到成熟逐步生長的過程, 監測到面積逐漸減小; 2021 年1 月1日、2021 年3 月2 日、2021 年5 月9 日研究區冬小麥種植面積分別為2819.6、2931.2 和3417.0 km2, 分別占研究區總面積的28.4%、29.5%和34.4%, 隨著冬小麥越冬到成熟逐步生長的過程, 監測到面積逐漸增大。由圖6 也可以看出, 冬小麥、夏玉米分布的位置相對集中, 空間分布具有一致性。檢測到的作物面積比例隨著2 種作物生長發育過程存在線性變化的特征, 除了作物本身的體積、冠層隨著生長發育在各個階段有所變化, 遙感分類會受到不同時期的光譜特征等信息的影響, 從而影響分類精度。

3 討論

2020 年8 月26 日、2020 年9 月11 日、2020年9 月30 日這3 個時期, 夏玉米的發育經歷了從乳熟到成熟[48], 夏玉米面積在生長過程中呈現的減少趨勢符合夏玉米收獲的實際情況。其中在2020 年9月11 日, 處于乳熟期的夏玉米, 相較于上一時相面積減少了1/3 以上。2 個時相的種植面積差異很大的原因可能是, 河南省具有完備的青儲飼料產業鏈[49],2020 年8 月20 日到2020 年9 月11 日, 大量夏玉米經歷乳熟期后可能作為青儲飼料被立即收獲, 故2個時相的種植面積存在明顯差異。通過各時相影像的分類精度分析可以發現, 隨著夏玉米逐漸成熟并收獲的過程中, 分類面積減小的同時分類精度也下降了, 根據前述的光譜特征和植被指數特征分析,這可能是由于夏玉米的光譜特征曲線和NDVI 值與林地更為接近(圖3-C 和圖4-A), 容易造成混淆, 故可分性變差, 從而使分類精度降低。

在2021 年1 月1 日、2021 年3 月22 日、2021年5 月9 日這3 個時期, 冬小麥的物候期分別對應越冬期、拔節期、成熟期。分類結果顯示的冬小麥面積逐漸增大但分類精度卻下降。由前述的光譜特征和植被指數特征分析可知, 在5 月9 日冬小麥與林地的NDVI 值更加接近(圖4-B), 雖然冬小麥光譜曲線的短波紅外波段(Band6)反射率與其他地類仍有差異(圖3-F), 但由于受地面眾多錯綜復雜的地物組合影響及異物同譜現象的存在[12], 其他地類像元易與林地像元混合而被錯分為冬小麥。

通過將2021 年1 月1 日、2021 年3 月22 日、2021 年5 月9 日的冬小麥分類結果分別與分類精度相對較高的2020 年8 月26 日的夏玉米分類結果進行疊加、目視解譯, 發現夏玉米的分布區域基本可以覆蓋冬小麥分布區域, 夏玉米較冬小麥多出的分布面積主要集中在研究區東部的鄢陵縣以及研究區西部山區。鄢陵縣境內分布有大面積木本與草本植物間作的植被, 是北方最大的花卉苗木生產基地,夏綠的特征較為突出[50]。因此林地像元可能與其他地類像元混合而錯分入夏玉米的分類結果中, 導致夏玉米分類面積多于冬小麥而分類精度小于冬小麥。

研究區西部山區的分類結果冬小麥識別面積少于夏玉米的現象則可能與山區的水熱條件有關。由于河南省屬于雨熱同季的氣候特征, 夏玉米生育期間(6 月至9 月)降水資源較為豐富且與夏玉米需水關鍵期較吻合, 絕大部分地區的水熱條件可以滿足多數玉米品種的生長需求[51]。相對而言, 冬小麥生長季內(10 月至次年6 月)降水較少, 每年約有64%的灌溉水來自地下水[52-53], 同時河南省較高海拔的山區冬季溫度更低, 因此冬小麥可能由于越冬凍害而無法種植或生長[54], 且冬季休耕也可以有效避開冬季凍害和干旱等氣象的影響[55]。因此, 本研究分類結果中西部山區的冬小麥識別面積小于夏玉米識別面積的現象, 也可能是由于山區對冬小麥水熱條件的限制及夏玉米的種植優勢等因素導致。鄧榮鑫等[56]在河南省冬小麥種植面積變化的研究過程中發現,冬小麥更適宜在地勢相對平坦, 農業耕作條件良好的地區種植, 而河南部分山地受到地形因素影響,局地小氣候不適宜冬小麥生長, 故而分布較少, 這也與本研究區域西部山區冬小麥種植面積少于夏玉米原因的猜測較為一致。

冬小麥-夏玉米一年兩熟輪作制度雖然是本研究區的主要種植模式, 但也發現其中的少部分區域未完全嚴格按照該輪作制度進行農業生產, 一方面可能是因為影像空間分辨率低及混合像元等因素導致的錯分; 另一方面可能由于目前華北平原水資源緊缺, 而玉米作為飼料糧和主糧, 市場需求量急劇增大、且對地下水灌溉依賴小[57], 存在冬小麥-夏玉輪作區根據現實情況靈活調整種植制度的情況。

遙感技術能夠大規模、高效地獲取農作物的空間分布信息, 對人類生存空間進行多層次、多視角、多領域的立體觀測, 為土地利用、覆被變化研究奠定了基礎[58]。面對實測數據少的問題, 如何利用遙感影像從范圍廣泛且種植結構復雜的區域提取冬小麥-夏玉米的種植信息; 同時影像空間分辨率低、由于氣象因素導致的作物生長期范圍內的高質量無云影像少, 如何從有限的遙感數據找到冬小麥-夏玉米遙感監測最佳時相; 冬小麥-夏玉米輪作這種常見的種植制度是否在農業生產實踐中靈活多變, 是本文研究過程中關注的問題。在探尋這些問題的過程中,我們利用Landsat 8 遙感影像基于特征波段及NDVI的決策樹分類方法, 通過比較不同時相的影像對提取冬小麥-夏玉米種植面積的影響, 依據不同地類的光譜差異, 在引入判讀人員知識的基礎上, 通過一定的規則將相應數據和知識借助決策樹方法進行表達, 成功提取了研究區冬小麥-夏玉米的種植分類信息。傳統的監督分類和非監督分類, 都是基于像元單個或多個波段的DN 值, 通過最大似然、最小距離等鄰近算法將DN 值相似的像元進行分類, 因此, 基于圖像電子數值的歸類只限于表面的分類, 分類精度往往較低[9]。我們基于決策樹分類的方法, 則深入到遙感成像的機理屬性——電磁波譜, 從地物自身的物理屬性分析歸類, 有效提高了分類精度。

4 結論

從遙感基礎信息-地物電磁波譜數據分析入手,利用地物本身的光譜特性分析地物間的差異, 并實現從Landsat 8-OLI 數據提取冬小麥-夏玉米信息,有助于我們從宏觀上對作物分布及生長狀況作出及時有效地掌握和判斷, 同時對農業監測, 特別是對輪作農田的信息管理和作物物候、種植面積等研究,提供了一個理想的監測手段。進一步準確地從各種土地類型中識別提取目標作物的光譜信息, 可能需要根據農作物遙感分類中不同的分類目標、空間尺度、時間尺度、分類精度等需求, 增加適宜的光譜特征、空間特征、時相特征等的輔助特征變量, 這也是我們未來將繼續加強的研究工作。