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