第一作者简介: 权文婷(1985-),女,硕士,助理工程师,主要从事遥感监测方面的研究。E-mail:quanwenting@163.com。
提取冬小麦种植面积是开展冬小麦长势监测和估产工作的重要环节,如何提高其提取精度是国内外研究的热点。针对不同空间分辨率的遥感图像,采取不同的遥感解译模型,得到更高的信息提取精度,是利用遥感方法提取冬小麦种植面积的关键。在对国内、外调研的基础上,将冬小麦种植面积遥感提取研究方法归纳为目视解译与计算机自动分类、面向像元分类、基于地块分类、遥感解译模型分类和基于纹理特征分类等5类。综述评价了主要的冬小麦种植面积遥感提取研究方法,讨论了目前冬小麦种植面积遥感提取存在的问题及未来发展方向。关注地形复杂、耕地破碎度较高及种植结构复杂地区的冬小麦种植面积提取,遥感数据、GIS和气象数据等相结合、多源多时相遥感数据相结合、地面光谱测量数据与高光谱图像数据相结合,以及验证数据的改变等,是提高冬小麦种植面积遥感提取精度的研究方向。
Currently,the extraction of winter wheat area has become the key point of winter wheat growth monitoring and yield estimation. Therefore,how to improve the accuracy of winter wheat planting area retrieval is one of the important topics in agricultural remote sensing at present and in the future. The retrieval model should be varying with the spatial resolution of satellite image so as to accurately retrieve winter wheat planting area from remote sensing images,and this is one of the important points of remote sensing of winter wheat planting area. In this study,the winter wheat planting area retrieval models are grouped into 5 different types, i.e., visual interpretation and computer automatic classification,classification based on pixel,classification based on parcel,remote sensing interpretative model classification and classification based on texture. The main research methods were described and evaluated,and the problems existent in current research work and the future development of remote sensing method for estimation winter wheat planting area were discussed. The focusing of the attention on the estimation of winter wheat area in the district with complex terrain,high land fragmentation and complex planting structure,the combination of remote sensing data with GIS data and meteorological data, the integration of multi-source remote sensing data with multi-temporal remote sensing data,the combination of ground spectral measurement data with high spectral data,and the changing of the validation data constitute the study direction for improving the accuracy of winter wheat planting area retrieval.
冬小麦是世界主要粮食作物之一。区域冬小麦种植面积是影响冬小麦总产量的主要因子。近年来, 随着气候变暖、耕地占用和种植结构调整等自然条件和人文影响, 冬小麦种植范围出现了变化。及时了解冬小麦种植面积, 对开展冬小麦长势监测和估产、区域粮食安全评估等工作具有重要的社会意义。同时, 农业管理部门及时掌握冬小麦种植分布情况, 也有助于提高生产管理效率。遥感技术具有探测面积大、数据更新周期短、真实客观等特点, 是快速、准确提取冬小麦种植面积的有效手段之一[1], 长期以来也是众多学者研究的热点[2, 3, 4]。近年来, 随着空间技术的日益发展, 高空间分辨率、高光谱分辨率、高时间分辨率以及微波等探测技术不断应用到农业遥感领域; 而新的解译模型的开发, 将会进一步提高冬小麦种植面积遥感提取的精度。本文综述了冬小麦种植面积遥感提取的主要研究方法, 讨论了目前研究中存在的问题和未来发展方向。
在国际上, 利用遥感技术的作物种植面积监测始于美国, 1974年实施的“ 大面积作物清查试验” (large area crop inventory experiment, LACIE)计划对美国及世界其他地区小麦面积和总产量进行了估算; 随后开展的“ 农业和资源的空间遥感调查” (agricultural and resources inventory surveys through aerospace remote sensing, AGRISARS)计划对世界多种作物进行了长势评估和产量预报, 并将遥感技术成功地应用于框图面积取样(area sampling frame, ASF)。欧盟在1987年曾发起农业遥感监测(monitoring agriculture with remote sensing, MARS)项目, 随后俄罗斯、法国、加拿大等国也相继利用遥感技术展开作物面积监测研究[5, 6, 7]。
研究中最常用的遥感数据为Landsat TM图像, 例如Julien等[8]利用TM数据选取西班牙巴拉克斯地区, 基于地表温度和NDVI数据, 采用最大似然法分类得到农业用地, 精度达87%。与TM数据相比, 气象卫星AVHRR数据拥有较高的时间分辨率, Quarmby等[9, 10]分别使用AVHRR数据与AVHRR NDVI数据对冬小麦面积进行提取, 结果表明AVHRR数据也能较好地提取冬小麦面积信息, 精度达89%。
随着卫星遥感技术的不断发展, 高空间分辨率卫星图像在作物种植面积提取方面得到了广泛的应用。Tuner[11]使用SPOT XS数据对西非的萨赫勒地区进行作物监测, 将非监督分类、分层和监督分类方法有序结合, 分类精度达71%; 并针对该研究区作物种植面积小、植被覆盖度低等特点, 有效地解决了同物异谱问题; Kontoes等[12]则使用SPOT图像, 采取遥感与GIS技术相结合的方法, 从遥感纹理和地理信息2方面入手进行作物分类, 精度比使用传统分类器提高近13%。
高光谱分辨率遥感数据拥有更丰富的光谱信息, 可有效地用于对农作物种植信息的提取与挖掘。Rama等[13]采用HyMap航空高光谱图像对5种作物信息进行提取, 精度达82%。
随着微波遥感技术的发展, 雷达数据也应用于农业遥感领域。Xavier等[14]使用雷达图像和光学图像, 在柏林的中西部基于地块数据进行分层分类和嵌套分类, 研究结果肯定了雷达图像对作物的识别能力。
在作物信息提取模型方面, 由传统的监督分类发展到神经网络等其他分类方法。Murthy等[16]使用印度遥感卫星数据IRS-1B图像, 采用2种最大似然算法及基于反向传播算法的人工神经网络(ANN)方法提取冬小麦种植信息, 最终结果表明人工神经网络方法优于最大似然算法。
国内应用遥感技术进行冬小麦估产始于1981年, 一些学者近年来先后进行了黄淮海平原和京津冀地区的小麦遥感估产以及全国主要作物的遥感调查等研究[5]。目前, 国内冬小麦种植面积提取的遥感方法主要可分为5类: 目视解译与计算机自动分类、面向像元分类、基于地块分类、遥感解译模型分类和基于纹理特征分类。
计算机自动分类适用于分辨率较低的遥感图像, 包括非监督分类与监督分类。
2.1.1 非监督分类
邹金秋等[17]基于MOIDS EVI数据, 选取冬小麦生长过程中关键的分蘖期和抽穗期进行非监督分类, 得到冬小麦的种植面积, 精度达96%; 并得出提取冬小麦种植面积的最佳时相和最佳波段组合。李寄等[18]利用非监督分类方法对时间序列MODIS NDVI图像进行植被指数的分级处理, 得到全省的冬小麦种植面积分布百分比图, 精度达99.67%。非监督分类法省时省力, 对中、高分辨率遥感图像分类精度较高, 可以快速地提取冬小麦种植面积, 但分类后处理需要用人的知识和经验干预。
2.1.2 监督分类
张群等[19]对3个时相的Landsat TM数据进行监督分类, 研究多年来冬小麦种植面积的变化趋势; 韩素芹等[20]运用监督分类的最大似然法对MODIS图像进行分类, 得到天津市冬小麦统计面积及分布图, 分类精度达90%。采用监督分类法提取冬小麦种植面积过程中, 遥感图像的最佳时相选择对提高分类精度至关重要。
面向像元的分类方法包括基于像元分类和基于亚像元分类2种。基于像元的分类是传统分类方法, 分类过程中处理的最小单元是像元, 通过对遥感图像中各波段像元的光谱亮度值或反射率值进行计算, 设定阈值, 得到分类结果; 基于亚像元的分类则进入像元内部, 将包含不同地物类型的混合像元分解为不同的“ 端元” (endmember), 并求得每个像元内各个端元所占的比例[21]。
2.2.1 基于像元分类
武永利等[22]基于FY-3A MERSI数据, 采用神经网络方法提取山西省南部冬小麦种植面积, 精度达81.53%。刘磊等[23]基于Landsat TM数据、利用光谱角制图分类法对呼伦贝尔地区农业种植区的冬小麦进行提取, 精度达86.9%。行晓黎等[24]和李苓苓等[25]均采用环境减灾卫星数据、基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦提取, 精度达到预期目标。基于像元的分类是直接的分类方法, 在冬小麦种植面积提取过程中, 对于种植结构单一(仅冬小麦)且冬小麦分布广的区域, 冬小麦提取的精度较高; 但对于冬小麦分布分散、地形复杂的地区, 冬小麦提取的精度有待提高。
2.2.2 基于亚像元分类
由于目前常用传感器的空间分辨率的限制, 加之我国目前的耕地现状为田块分布较破碎、作物类别多样, 因此一个像元内会包含不同的土地覆盖类型, 混合像元较多[26]; 而大多数图像分类中并未考虑混合像元的问题, 使得混合像元中所占面积比例较小的地物被误分到其他类别中, 因而降低了地物面积估算精度[27]。混合像元分解法可以解决因混合像元归属问题而产生的错分、误分问题[28]。目前, 国内外学者常用的混合像元分解模型包括线性模型、几何光学模型及概率模型等, 其中线性光谱混合模型因方法构造简单、物理含义明确、操作运算比较简单、便利并且能够满足精度要求, 而被广泛应用于混合像元分解中[27]。线性分解模型的原理是将图像中每一个像元点的反射率值看作是由组成该像元各地物纯净像元反射率的线性组合, 并把其中每种地物类别在该像元内所占的面积比作为线性方程的权重系数[29]。
MODIS数据具有中等空间分辨率、高时间分辨率的特点, 采用混合像元分解方法可以弥补其空间分辨率的不足, 而高时间分辨率在监测冬小麦整个生长周期内光谱特征的变化具有优势, 所以混合像元分类法提取冬小麦种植面积多采用MODIS图像数据。许文波等[30]采用MODIS数据, 通过线性光谱混合模型得到河南省冬小麦种植面积, 总体精度为94.75%; 蔡薇等[29]以山东省菏泽市曹县为研究区, 基于MODIS数据采用混合像元分解提取冬小麦种植面积, 分类精度达98.6%; 武永利等[31]基于MODIS数据采用混合像元分解方法提取山西运城市冬小麦种植面积, 精度达95.1%; 刘茜等[32]分别采用监督分类法、K-T变换法及混合像元分解法计算冬小麦种植面积, 最终结果说明采用混合像元分解法估算的冬小麦面积最接近利用航空图像监测得到的。混合像元分解法中端元的选择是关键, 不当的端元选择会导致不稳定解、噪声和不正确的丰度图像, 因此端元的选择决定着分类的精度。
目前, 利用GIS地块数据的分类方法和面向对象的分类方法是逐块分类方法的2大研究方向[33]。
2.3.1 利用GIS地块数据分类
地块数据具有明显的边界和明确的位置, 在一定程度上光谱差异和混合像元的复杂程度有所降低。因此, 与基于像元的分类相比, 基于地块的分类具有更高的精度和稳定性[34]。李乐等[33]建立MODIS-NDVI数据与TM耕地地块识别结果的定量关系, 进行MODIS-NDVI时间序列下基于地块的冬小麦种植面积测量, 该方法证明了地块数据可有效地改善因空间分辨率低导致的MODIS-NDVI时序数据在冬小麦遥感识别中引起的误差; 朱长明等[35]利用数据融合后的高空间分辨率SPOT5遥感图像提取农田地块专题信息, 在地块专题层控制下提取冬小麦种植面积, 精度达90%以上。利用基于GIS的地块数据进行冬小麦种植信息提取, 可以避免因遥感图像空间分辨率低而产生的边界问题, 将耕地以外的植被信息排除, 则可以弥补直接进行冬小麦分类的不足。
2.3.2 面向对象的分类
基于像元的分类以单个像元为基本单位进行信息提取, 存在忽略地物几何结构特征的情况, 并且在分类结果中“ 椒盐” 现象普遍, 而混合像元分类方法中端元的选择和组合又成为难点。面向对象的分类方法是基于目标对象的分类方法, 其基本原理是首先根据设定的阈值对图像像元进行合并和分割, 形成目标对象; 进而对其进行分类, 分类时不仅依靠地物的光谱特性, 更多的是根据目标对象的上下文、空间、纹理等结构信息和几何特征, 把具有相同规则的目标对象归为一类[5]。面向对象分类法在分类过程中集成了专家知识和多种辅助数据, 更符合人们认知地理客体的规律。面向对象分类法与面向像元分类法最大的区别在于前者是基于图像的对象或基元, 而后者是基于单个像元[33]。范磊等[5]应用面向对象方法, 对遥感图像进行多尺度分割, 提取冬小麦种植面积及空间分布, 精度达94.06%; 李卫国等[3]以江苏省的3个城市为研究区, 基于Landsat TM数据、采用面向对象分类法对冬小麦面积进行提取, 分类精度达94.16%; 王启田等[33]采用TM数据, 通过易康(eCognition)软件对研究区采取面向对象分类方法, 得到冬小麦种植面积及其分布信息, 精度为95.58%; 张建国等[36]以山东省恒台县为研究区, 基于ETM+数据, 通过图像分割和基于知识的面向对象分类方法提取研究区冬小麦面积, 精度达99.5%。用面向对象分类法进行冬小麦种植面积提取时, 将冬小麦归为一个对象, 从而避免了一般直接分类结果中的“ 椒盐” 现象; 但因图像分割的尺度问题, 有可能将田间小道、房屋等分类为冬小麦, 造成冬小麦分类结果的面积增大, 若能解决好图像分割尺度问题, 便可进一步提高冬小麦提取精度。
遥感解译的本质是遥感分类, 遥感解译模型就是通过分析、识别不同作物在遥感图像中表现出不同的光谱、纹理等影像特征, 达到区分作物类别、监测作物空间分布格局和提取作物种植面积的目标[37]。在冬小麦种植面积提取的遥感方法研究中, 常用到的解译模型包括基于NDVI阈值建立的模型及决策树模型; 此外, GIS辅助数据的引用也为冬小麦种植面积监测提供了新的思路。
2.4.1 NDVI阈值法
植被指数可以定性和定量地评价植被生物量、生长活力及植被覆盖度等, 常见的植被指数有归一化差值植被指数NDVI、差值植被指数、比值植被指数等[21]。国内很多学者将2期或多期NDVI图像做简单运算(相减或相除), 通过设定适当的阈值提取冬小麦种植面积信息, 得到较高的精度[38, 39, 40, 41]。还有一些学者在分析冬小麦生长期内物候特征的基础上, 根据几个关键期冬小麦NDVI阈值的变化建立规则, 得到冬小麦的提取模型, 精度均在90%以上[42, 43, 44, 45, 46]。NDVI阈值法充分利用了冬小麦生长期内几个关键时期在遥感图像中反映的特殊光谱特征, 加大冬小麦与其他地物的差异, 提高冬小麦提取精度; 但对图像的选择要求较高, 一般需要使用时间分辨率较高的遥感图像(如MODIS数据、HJ减灾小卫星数据等)。
2.4.2 决策树分类法
决策树分类法具有分类结构直观、运算效率高等优点[47], 大多以“ 二类判别” 为基础, 通过分层、逐次比较, 最后达到分类的目的。冯美臣等[49]采用TM图像, 通过搭建决策树结构进行不同灌溉类型冬小麦种植面积的提取, 分别得到了水地冬小麦和旱地冬小麦的种植面积, 2种耕地类型的冬小麦提取精度分别为86.15%和86.16%; 赵晶晶等[50]选取2个时期的MODIS-NDVI图像, 采用决策树方法设定NDVI阈值、提取冬小麦种植面积, 总体分类精度达87.2%; 张健康等[37]运用多时相TM/ETM+数据和MODIS EVI数据, 建立决策树识别模型, 对黑龙港地区冬小麦种植信息进行提取, 总体分类精度达91.3%; 秦元伟等[51]在分析研究区典型地物光谱特征的基础上, 采用决策树分类方法提取冬小麦种植面积, 分类精度在96%以上。决策树分类法通过不同地物在遥感图像某个波段的差异, 引入GIS数据或气象数据等, 进行目标地物提取; 有效的判别规则是决策树分类法提取冬小麦种植面积的关键; 但对某些光谱特征或空间特征相似的地物, 还需要辅以其他分类方法。
2.4.3 GIS辅助数据法
在使用单一遥感数据监测冬小麦种植信息的同时, 若再分析冬小麦与其生长环境的关系, 并加入GIS数据辅助分析, 则可以为利用遥感图像提取冬小麦种植面积提供新的思路。王来刚等[52]根据冬小麦的种植区划对研究区进行分区, 在分区的前提下根据地形地貌因素、种植结构差异和遥感图像受大气噪声影响的程度等3方面因素再进行细分分区, 基于我国环境减灾卫星图像, 通过遥感分类提取出冬小麦的种植信息; 贾建华等[53]基于地形高度对地物光谱反射值的影响, 借助DEM数据对研究区域进行划分, 在分析研究区主要农作物时间谱曲线特征的基础上, 成功地提取出冬小麦种植面积。GIS与RS的结合是3S技术发展的方向, GIS辅助数据的引入为冬小麦种植面积在空间上的判别提供了依据。
单纯的光谱分类器只考虑图像的光谱特征, 但自然界存在大量“ 同物异谱” 与“ 异物同谱” 现象, 而地物都是具有一定空间结构特征和纹理特征的。因此, 利用地物的空间特征和纹理特征的差异, 可以比较容易地区分地物类型, 而只利用单纯的光谱信息则不一定能很好地区分不同地物。利用不同的定量化方法计算地物的纹理特征并应用于地物分类中, 已得到许多人的提倡[21]。顾晓鹤等[54]采用TM图像、引入纹理信息对冬小麦种植面积进行估算, 结果证明纹理信息的引入有助于进一步提高地块分类的精度; 朱秀芳等[55]选取7种纹理信息和5种植被指数信息分别加入到TM多光谱数据中, 结果表明同一种信息特征对不同分类器的响应是不同的; 张楠楠[56]则将农作物的物候特征、光谱特征和纹理特征纳入作物种植结构的遥感监测和分析, 识别冬小麦。
近年来, 随着卫星遥感技术的发展, 国内外对冬小麦种植面积遥感提取方面的研究越来越多, 除了研究提取方法外, 很多学者还对冬小麦提取过程中的数据选择及精度保证等方面的问题进行了研究, 并提出实验基础与理论依据。齐腊等[57]采用中巴资源卫星CBERS-02数据对用遥感方法提取冬小麦的最佳时相进行了探讨; 何浩等[58]用SPOT5数据进行了尺度变化对农作物测量精度影响的分析, 从不同空间分辨率、不同空间范围和不同农作物百分比等角度分析了农作物种植面积在遥感测量中的尺度效应。在此基础上, 笔者认为在以下几方面还有待于更深入地探讨与研究:
1)地形复杂、耕地破碎度较高地区的冬小麦种植信息提取。鉴于传感器分辨力以及研究尺度等问题, 很多冬小麦的遥感提取方法将研究区视为一个整体对象进行监测, 但很多对耕地大范围分布且为平原的地区监测精度高的方法并不适用于地形复杂或耕地破碎度高的地区。因此, 对后一种地区进行深入研究十分必要, 只有高分辨率遥感图像的应用可以提高这部分地区作物面积提取精度。同样, 对于种植结构复杂的地区, 多种作物间作套种, 要把每种作物正确地识别出来, 利用高分辨率遥感图像是一个便捷而有效的办法, 但其可获取性及时间分辨率仍是一个需要解决的问题。
2)基于行政区划或作物种植模式的研究区划分。依据行政区划或作物种植模式对研究区进行划分, 各分区针对本区的特点采用不同的遥感模型进行作物种植信息提取。这种分区提取的方法需要与GIS数据和其他辅助数据相结合, GIS数据可以提供冬小麦种植区丰富的地理信息; 气象数据可提供冬小麦生长环境的气象条件, 将GIS、气象与遥感数据进行有效整合, 可以为冬小麦种植信息的提取提供一个新的思路。
3)多源、多时相遥感图像的综合应用。综合应用多源、多时相遥感数据, 采用数据融合技术提高遥感图像的时间和空间分辨率, 结合图像的纹理特征信息对冬小麦种植面积进行提取, 是冬小麦种植信息遥感监测的一个发展方向。
4)冬小麦及其周围地物光谱测量数据的综合应用。结合冬小麦及其周围地物的地面光谱测量数据分析冬小麦的光谱特征信息, 采用高光谱图像数据对冬小麦种植信息进行提取, 是目前国内研究较少的方法, 其原因可能是: ①典型区域地面光谱测量需要一定人力物力, 实施起来不容易; ②目前高光谱图像的获取有一定难度, 尤其在特殊时期及指定地区。
5)遥感监测结果的验证。在目前大部分研究中, 冬小麦种植面积遥感提取结果多采用统计数据进行验证, 而统计数据本身的精度并不能得到保证; 并且统计数据只能验证面积估算总数, 并不能对遥感监测的冬小麦分布位置加以验证。建议在研究区选取典型样区, 对冬小麦的地面分布情况进行测量(包括点和面的冬小麦分布测量), 并且保证一定的数量, 这样对冬小麦种植信息遥感监测结果的验证会更加精确, 在一定程度上也会相对地提高冬小麦的遥感提取精度。
1)在对国内、外相关资料调研的基础上, 本文归纳总结了国内遥感提取冬小麦种植面积主要采取的5类方法, 即目视解译与计算机自动分类、面向像元分类, 基于地块分类、遥感解译模型分类和基于纹理特征分类。介绍了每一类中的各种方法的原理和特点, 列举了上述方法目前取得的成果, 并对每一种方法进行了评价, 对今后用遥感方法提取冬小麦种植面积的研究提供参考。
2)针对国内的研究现状, 笔者指出了如何突破目前技术发展瓶颈的方法和措施。采用高空间分辨率图像, 将遥感图像、GIS与气象数据有效整合, 多源、多时相遥感图像综合应用, 冬小麦及其周围地物光谱测量数据与高光谱图像数据的综合应用等, 是提高冬小麦种植面积遥感提取精度的发展方向; 另外, 采用地面测量冬小麦分布数据取代统计数据对遥感提取结果进行验证, 也会相对地提高冬小麦的遥感提取精度。
3)本文所讨论的冬小麦种植面积遥感提取方法多用于以省、市、县范围为研究区的地区, 但中国地域辽阔, 北方与南方冬小麦区的冬小麦种植模式并不相同, 对于全国范围的冬小麦种植面积遥感提取方法的归纳总结, 本文并未涉及。其原因是有关全国范围冬小麦种植面积提取的相关资料并不多, 大多采用遥感监测与抽样外推相结合的方法, 单纯采用遥感方法提取一来精度无法满足, 二来遥感图像等数据获取有难度。这是本文的不足之处, 但也是冬小麦种植面积遥感提取技术未来发展的方向之一。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|
[22] |
|
[23] |
|
[24] |
|
[25] |
|
[26] |
|
[27] |
|
[28] |
|
[29] |
|
[30] |
|
[31] |
|
[32] |
|
[33] |
|
[34] |
|
[35] |
|
[36] |
|
[37] |
|
[38] |
|
[39] |
|
[40] |
|
[41] |
|
[42] |
|
[43] |
|
[44] |
|
[45] |
|
[46] |
|
[47] |
|
[48] |
|
[49] |
|
[50] |
|
[51] |
|
[52] |
|
[53] |
|
[54] |
|
[55] |
|
[56] |
|
[57] |
|
[58] |
|