作物种植结构即为作物类型、种植分布、种植面积及轮耕信息等综合情况^[1]，掌握作物的种植结构对于农业的生产、规划、管理、发展具有重大意义。传统的作物种植结构监测通常采用人工抽取部分的地面区域进行调查，需耗费大量人力、财力和较长的时间周期。近年来国产卫星获取了海量的影像，为农业调查提供了丰富的数据源，卫星遥感技术已经成为作物种植结构调查的新技术手段。遥感数据凭借高空间分辨率和高时间分辨率的优势，得到了广大学者的青睐，国内外利用遥感手段监测作物种植结构的研究成果日益增多。Jakubauskas等^[2]于2002年利用AVHRR数据提取了美国堪萨斯州芬尼县的大豆、玉米和苜蓿的种植情况；Turner等^[3]在1998年利用了3个不同时相的SPOT-XS影像，以监督、非监督分类方法相结合的方式，提取了非洲半干旱地区高精度的水稻作物信息；李峰等^[4]2016年以HJ-1 CCD影像为主，风云三号(FY-3) 和高分一号(GF-1) 影像为辅，利用多时期的NDVI为阈值，采用监督分类方法提取了菏泽市玉米种植面积，总的分类精度高达92.2%；贺鹏等^[5]2016年以高分一号卫星(GF-1) WFV遥感影像为数据源，构建基于决策树分类模型，提取了赵光农场作物的空间种植信息。

卫星影像数据来源方面，国外影像数据多且分辨率高，但价格十分昂贵，难以长期稳定地开展研究。因此，随着国产多星与高分辨率影像数据的不断增多，国内学者逐渐使用国产影像数据替代国外影像数据开展研究。高分辨率的国产影像为农业、国土、林业等领域提供了丰富的数据源，但受到南方地区长时间多云雨天气的影响，一年内难以获取多期的高质量高分辨率影像。为此，在具体的应用中人们转向高分辨与多期中分辨率相结合的方式，即综合考虑时、空分辨率的平衡问题。

本研究采用多星的国产中、高分辨率影像相结合的方式提取了甘蔗与水稻作物，以高空间分辨率ZY-3影像为数据源，对影像上农田地块进行了切割与提取，结合多时相中分辨率影像的光谱及其变化信息，以地块为基元构建NDVI时间序列数据，充分挖掘遥感影像的空间、时间、光谱、纹理等特征，探索地块对象基础下多源遥感影像的作物种植信息自动识别方法，为作物种植信息的快速、精细化调查提供借鉴。

1.   研究区及数据预处理

1.1   研究区

研究区位于广西柳州市南部的武宣县，地处23°19′~23°56′ N，109°27′~109°46′ E，毗邻红水河下游黔江，面积约150 km²。该区属于亚热带季风气候区，阳光充足，降雨充沛，气候温暖，土壤肥沃，对发展农业十分有利，主要种植的农作物有甘蔗、水稻、玉米、大豆、红薯等，每年为糖业生产提供大量的甘蔗原料。

1.2   数据采集

所用影像数据包括高空间分辨率的ZY-3数据及高时间分辨率的HJ-1和GF-1数据。ZY-3全色波段与多光谱影像通过融合处理，分辨率为2.1 m，能够清晰分辨农田边界并保留了多光谱特征，为地块的精细分割提供保障。中分辨率HJ-1和GF-1数据为2013年3~12月的多时相影像数据集，在时间跨度上覆盖了大多数作物的生长周期。HJ-1数据采用的是HJ-1A与HJ-1B光学卫星获取的影像，分辨率均为30 m，重访周期达到4 d。GF-1卫星搭载4台WFV传感器获取中分辨率影像数据，获得影像分辨率为16 m，重访周期为4 d。HJ-1和GF-1 WFV的高时间分辨率为作物的多时相分析提供了有效的数据支持。影像相关信息见表 1。

表  1  多源国产卫星影像信息

Table  1.  National multi-source satellite imaging system

下载: 导出CSV 

| 显示表格

1.3   数据预处理

1.3.1   几何校正

针对不同传感器数据特点，对影像采用不同的几何纠正方法。首先以Google Earth中的高分辨率影像作为参考数据源选取控制点，在控制点支持下利用PCI Geomatics 2013对ZY-3的全色和多光谱影像进行区域网平差，提升影像对地定位精度；然后利用同区域的DEM进行正射精校正处理，进一步消除地形起伏的影响，并将全色和多光谱影像进行校正及融合处理，生成融合影像。其次，以纠正后的2 m ZY-3融合影像为参考，对HJ-1和GF-WFV进行配准，使得中、高分数据之间的配准误差不超过1个像元(16 m)。最后，利用研究区边界矢量对影像进行裁切，生成坐标投影及范围一致的影像数据集。

1.3.2   辐射校正

利用IDL8.4自主研发的6S模型，根据影像头文件的定标系数、成像时间和太阳高度角等信息对中分影像数据集进行辐射定标和大气校正，将影像DN值转化为地表反射率，恢复影像的物理属性，为后期归一化植被指数的计算和分类识别提供准确的辐射信息。

1.3.3   影像的NDVI计算

归一化植被指数(NDVI，Normalized Difference Vegetation Index)与植被叶绿素含量密切相关，可以定量反映影像中植被的宏观生长状况。利用辐射校正后的中分影像根据公式1计算NDVI值构建NDVI影像序列^[6]，具体实施通过ENVI5.2软件完成。

式中，ρ_NIR为近红外波段反射率，ρ_RED为红光波段反射率。

2.   研究方法

研究中提出基于高时空分辨率遥感影像协同，在地块边界约束下利用NDVI时序变化特征提取作物种植信息的方法。该方法充分利用地块对象的纹理信息，针对地块样本的NDVI多时相光谱特征，将作物在不同生长时期表现的光谱信息的差异性融进决策树分类方法中，从而实现研究区的甘蔗、水稻等主要作物的准确识别和种植面积的精准获取。作物信息提取的具体流程如图 1所示，即以经过预处理生成的影像为基础，提取作物地块信息和计算多时相影像多维特征空间，进而提取具体的作物信息。

图  1  高-中分数据协同的作物种植信息提取流程

Figure  1.  Flow chart on crop planting information acquisition from high and medium data

下载: 全尺寸图片 幻灯片

2.1   高空间分辨率地块获取

通过对ZY-3全色和多光谱影像进行融合，其空间分辨率可达到2.1 m，且大部分的光谱信息得以保留，影像上耕地地块清晰可辨，这就为地块分割提供了良好的影像基础。由于水体、城镇和林地等在高分影像上表现出明显异于耕地的纹理、亮度和色调特征，可直接在高分影像上进行判别分类。本研究采用面向对象技术，根据地物类型的不同对ZY-3影像进行多尺度分割和分层分类，将水体、城镇和林地等非目标地类进行分类识别并做掩膜处理，如图 2所示，然后将剩下区域视作耕地大类范围进行参数优化再分割，对分割结果辅以适当人工编辑和平滑处理后获得地块边界。经过多次的尝试，最佳的分割尺度和形状因子分别确定为60和0.3，颜色因子和空间紧致度设置为0.8和0.4(图 3)。

图  2  城镇、水体、林草地及道路分布

注：A为城镇分布，B为水体分布，C为林草地分布，D为道路分布。

Figure  2.  Distribution of urban areas, waters, forests, grasslands and roads

下载: 全尺寸图片 幻灯片

图  3  耕地地块分割效果

Figure  3.  Segmentation map on cultivated land

下载: 全尺寸图片 幻灯片

2.2   地块NDVI时序数据获取与特征构建

以NDVI影像数据集为基础，在地块控制下以月为单位进行NDVI时间序列的读取和最大值合成。虽然最大值合成法能够一定程度上消除外界因素(如大气、云、太阳高度角)对多期影像中NDVI的影响，但云和大气的存在无法避免对影像的影响，不仅降低NDVI数值，且产生其他噪声。因此，为了减少噪声的干扰，可通过平滑方法对NDVI时序数据进行改善。本研究采用Savitzky-Golay滤波方法对合成NDVI序列进行平滑去噪。Savitzky-Golay滤波^[7]是一种利用最小二乘卷积进行拟合的方法，主要用于平滑并计算一组临近值或光谱值的导数，可简单理解为依据权重滑动平均滤波，计算公式如下^[8]，其原理为：通过取点x_i周围指定个数的点拟合一个多项式，经过该式处理后得到光滑数值g_i，并使其代替原值x_i。

式中，Y_j^*即经过拟合后得到的序列数据，Y_j+1即原始序列数据，C_i即滤波系数，N即滑动窗口的大小(2m+1)。

获得地块NDVI序列之后，根据NDVI曲线定义若干特征，如周期长度、曲线峰值、谷值、最小斜率及其对应的时间节点等，这些特征与作物生长过程密切相关，可以反映作物的熟制、生长周期、鼎盛期和收割期的植被覆盖变化和物候节律特点。由这些动态过程和静态光谱特征构成的特征空间丰富了信息提取的可辨识维度，使得进一步提高地物的遥感识别准确度成为可能。

2.3   基于决策树的监督分类

甘蔗和水稻是研究区最主要的农作物，两者在生长期内无论是在微观的光谱曲线还是宏观影像特征上都十分相似，仅凭单一时相影像难以有效区分。但甘蔗和水稻具有不同的生长规律，即两者的物候存在差异性(图 4)。甘蔗属于一种多年生长，高大且实心的草本植物，在甘蔗收割的季节，通常砍伐地表以上的甘蔗茎，地下的根茎保留在土壤中，俗称宿根，主要用于吸收所需的水分和养分，当条件具备时宿根继续萌芽生长。新植甘蔗通常在当年2~3月播种，于3~4月开始萌芽生长，7~9月属于生长最盛期，11月下旬至次年2月砍伐；双季稻在5月份移栽秧苗，7月中下旬至8月初完成早稻收割和晚稻播种。因此，充分利用甘蔗和双季稻等作物间的生长时间差，有助于遥感分类识别精度。

图  4  甘蔗与双季稻生长季

Figure  4.  Growing seasons of sugarcane and rice

下载: 全尺寸图片 幻灯片

本研究采用决策树分类方法对甘蔗和水稻进行识别，将研究区耕地植被分为甘蔗、水稻、其他作物和草地4类。其他作物包括玉米、木薯、蔬菜等作物，而本研究的草地则是一个较为笼统的类别，包含了自然草地、撂荒地以及在高分影像中漏分的林地等地类。决策树中以解译点对应的NDVI值为各分支约束条件的阈值，即以某一地类对应的NDVI最小值为阈值，提取出大部分相似的像元，进而再利用其他判断条件进行筛选或删减。根据NDVI曲线选取不同地物的NDVI特征值，利用面向对象的决策树分层分类识别模型进行分类，具体的甘蔗和水稻的决策树识别模型如下。

(1) 甘蔗识别模型：通过分析图 4中甘蔗的NDVI值随时间改变而变化的曲线，发现7~9月为区分甘蔗的最佳时期，此时甘蔗的NDVI值均大于其他作物的NDVI值，从实际的种植情况出发，甘蔗在8月生长处于最旺盛时期，相反的是双季稻和玉米则处于第一季收割、第二季刚播种的状态。因此甘蔗识别模型为：

式中NDVI(7)、NDVI(8) 为7、8月份的NDVI值；Num_peak为NDVI时序曲线的波峰数，可反映作物熟制；△NDVI_MIN为当前月与上一月份的NDVI差值，差值小于-0.5表示作物被收割，地表覆被发生剧烈变化；GrowPeriod为作物生长周期。

(2) 水稻识别模型： 从图 4中双季稻的NDVI值随时间改变而变化的曲线可以看出，第一季从4月播种到7月中下旬收割，第二季8月初播种到11月上旬收割。因此双季稻识别模型为：

3.   结果与分析

3.1   作物信息提取成果

基于研究区2013年作物生育期内的GF-1和HJ-1中分时序影像以及ZY-3 2.1 m融合影像，在ZY-3分割地块对象的条件下，定义了包括NDVI时序动态和静态光谱的特征空间，并结合作物生长物候规律，构造基于决策树的作物判别模型，成功提取了研究区甘蔗、水稻、水体、城镇等分布信息(图 5)。

图  5  研究区分类结果

Figure  5.  Area classifications

下载: 全尺寸图片 幻灯片

作物信息提取结果显示，整体上甘蔗和水稻作物种植区域极为邻近，受到地形影响，两者种植区域分布无规则。其中，水稻主要种植于靠近城镇居民地的地势平坦或低洼区域；甘蔗分布广泛且连片种植，主要集中在丘陵及缓坡地区。甘蔗和水稻作物不仅种植区结构分布邻近，且两者在影像上反映的特征极为相近，提取这两种作物信息难度较大。本研究提出了有别于仅通过单一低分辨率或中分辨率时序影像进行作物提取的传统方法，基于高-中分遥感数据协同的方法，以地块基元作为反演分类的基础，能够降低混合像元对地类边界带来的干扰和“椒盐”现象，在地块尺度上进行精细化表达，准确提取了甘蔗和水稻作物，分类结果边界明晰，不仅反映了每一田块的作物类型，而且可获得精确的种植面积。

同时，地块化的分类成果可以按需进行要素综合与制图，灵活地转换成传统的分类制图模式，图 5为将所分地类进行赋值渲染的分类图。总体来看，利用不同时期的NDVI特征对于提取研究区主要的农作物确实可行。从图 4结果可知，7月份往前时期，不同作物的NDVI值存在交集，利用其进行提取难度较大；从7月中旬起，不同作物对应的NDVI值差异逐渐增大，在8月甘蔗作物的NDVI达到最大值，而双季稻处于第一季收割期，可通过时相特征对其划分。根据不同作物生长的NDVI特征分析显示，峰值时期对应的影像提取甘蔗作物贡献最大，而收割时间和差异值对应的影像提取双季稻贡献最大。

3.2   提取成果精度验证

为了验证方法识别精度，利用实地考察GPS样点，并以研究区同年8月份的WorldView-2 0.5 m分辨率影像作补充验证影像，增补随机验证点，共选取250个样点并将其位置落于分类图中，以样点所在地块对象作为验证单元进行验证和分析统计(表 2)。从表 2可知，所有地类的总体分类精度为86.80%，Kappa系数为0.84，总体分类效果良好。其中，除了水体因具有与其他地类截然不同的光谱特征而全部正确分类外，甘蔗的识别精度最高，制图精度和用户精度分别可达92.11%和90.91%，水稻次之；其他作物由于包括了除甘蔗和水稻之外所有作物，真实类型复杂，易与甘蔗、林地和草地混淆，分类精度较低。本研究结果表明，利用NDVI时间序列进行不同作物种植信息提取具有较大潜力，在完整地块对象的约束下，种植结构的提取精度得到了较大的改善。

表  2  研究区分类误差矩阵

Table  2.  Classification of error matrix

下载: 导出CSV 

| 显示表格

4.   讨论与结论

本研究综合运用ZY-3、HJ-1和GF-1影像的不同优势提取了甘蔗、水稻、草地、林地等多种地物，提取过程中采用高空间分辨率影像进行地块图斑的绘制，利用多期的高时间分辨率影像进行地物的识别，不仅成功提取了研究区主要地物，且有效提高了分类精度。陈刘凤等^[9]在2015年利用单期Landsat8_OLI数据提取了云南省耿马县甘蔗种植面积，制图精度和用户精度分别为86.83%、90.19%，本研究提取的甘蔗作物制图精度和用户精度分别为92.11%、90.91%，比前者利用单期影像提取甘蔗作物精度更高，充分说明了多源多期影像相结合的技术方法更利于提取作物信息。同时，胡琼等^[10]在2015年就遥感技术提取农作物种植结构进展进行研究，指出高分辨单期影像提取作物信息具有空间分辨率高、操作简单、效率高等优势，但存在访问周期长、无法获取作物关键时期影像等难题，为此，充分利用高空间分辨率和高时间分辨率更利于提高作物信息提取精度，本文研究技术方法与此思想具有高度一致性。

利用多时序影像提取作物信息研究日益增多，王久玲等^[11]在2014年利用多时相HJ-1A/1B星CCD影像提取了广西贵港市三区甘蔗作物，分类精度为91.30%，kappa系数为0.83；刘佳等^[12]在2015年利用多时相HJ卫星影像数据提取了河北省衡水市农作物面积，分类精度为90.90%，kappa系数为0.85。本研究与以上研究一致，利用多时相影像提取作物种植结构，总体精度为86.80%，kappa系数为0.84，比前面两位学者研究成果精度略低，说明后期需在现有的研究基础上继续优化技术，以提高分类精度。

本研究是在农作物地块基础上进行作物结果提取，农田地块具有一定稳定性，在一定时间段内保持形状和面积基本不变，因此，以地块专题层作为先验知识参与信息提取，针对不同作物类型及信息更新需求，只需及时更新获取的多光谱遥感影像，通过对地块图斑内的光谱、纹理等特征的重新计算和信息判别，即可得到新一期的作物种植分布信息，可实现信息产品的快速提取和更新。

本研究选取了甘蔗种植典型的区域进行试验，技术方法仍需在更大范围内不断进行验证和完善，才能应用于大面积的生产工作。但技术方法对于农作物的提取研究及生产具有借鉴作用，考虑不同区域的影像条件各异，应用过程中应当根据具体情况建立分类规则，调整NDVI阈值，以便于保证提取精度。