论文部分内容阅读
摘要：作物种植结构监测和估产是精准农业遥感应用的重点领域，其研究对于指导作物种植结构和制定农业政策具有重要意义。本文以新疆阿克苏地区为研究区，以2016年多时相Landsat8 OLI和GF-1影像为数据源，基于物候信息、时相特征、积温和光谱特征确定农作物识别关键时期和特征参数，构建决策树分类模型，开展作物种植结构监测研究。结果表明：多源与多时相遥感数据可以反映不同农作物的季相特征，研究中所构建的决策树分类模型能够在大区域范围内高精度地实现作物分类，总体精度达83%，Kappa 系数为0.77。与统计数据对比，棉花面积精度在85%以上，玉米为81%，小麦为80%以上，水稻达80%以上。因此，利用Landsat 8和GF-1影像在大区域提取农作种植结构是可行的，为今后遥感在农业上的应用提供一个广阔前景。
关键词：Landsat8; GF-1;作物种植结构;决策树分类
中图分类号：S127文献标识号：A文章编号：1001-4942（2019）07-0143-09
农作物种植结构最直接的表达就是在哪里种什么，包括熟制及种植方式。了解和掌握农作物种植结构可以反映出农业生产在空间范围内利用农业生产资源的实际状况，同时也是进行农作物种植结构调整及优化的依据。快速准确获取作物种植结构可以为农业精准管理提供重要的参考依据，对推进农业保险也有重要意义[1，2]。
随着技术的发展，作物种植结构获取已由原来的人工实际调查发展到现在的利用遥感数据提取，准确率和效率不断提高。国内外学者在利用遥感技术提取作物种植结构方面已进行了大量研究，如基于GF-1影像对作物分类、农作物种植面积提取方法、遥感抽样调查方法等进行研究[3-7]，主要基于多时相Landsat8 OLI影像、雷达等遥感數据源对作物种植结构进行提取[8-11]。但多数研究都是基于单一遥感数据源、单一时相遥感影像、利用像元分类方法提取农作物种植结构[12]，并未考虑农作物的季相差异，使分类结果难以满足精度要求。因此，基于多时相较高空间分辨率与多源遥感影像相结合，进行作物种植结构空间分布信息提取，比较不同光谱植被指数对作物的敏感性，对于多种作物种植地区进行遥感估产十分必要[13-20]。
多源遥感影像结合的主要方式为不同种类的较高空间分辨率数据与多光谱分辨率数据进行融合，可以利用较高空间分辨率数据提高地面解译精度，而多光谱分辨率数据则用于对不同作物种类加以区分，两者在融合过程中取长补短。本文采用决策树分类模型，以新疆阿克苏地区为研究区，充分利用GF-1卫星影像的较高空间分辨率和Landsat8 OLI多光谱影像数据，以多时相影像为数据源，提取大区域多种农作物种植结构，以期提高分类精度，为今后农业遥感统计、制定和调整农作物种植结构提供科学依据[21]。
1 数据来源与研究方法
1.1 研究区概况
阿克苏地区隶属于新疆维吾尔自治区，地理坐标E 78°1′～84°5′，N 39°28′～42°38′，位于天山山脉以南，塔里木盆地以北，中国最长的内陆河——塔里木河流经此地后流入塔克拉玛干沙漠。总面积为12.71×104 km2，耕地面积6 149.43 km2[22]。阿克苏地区下辖八县一市。东面与巴音郭楞蒙古自治州毗邻，西面与喀什地区接壤，南面为塔克拉玛干沙漠，北面为伊犁地区。
该地区处于亚欧大陆深处，距离海洋过远，是典型的暖温带大陆性干旱气候。年降水量53.2～120.6 mm;日照时间长，年日照时数为2 670～3 022 h，太阳总辐射量为5 340～6 220 MJ/m2，光照充足，光热资源较丰富;气温年较差及昼夜温差大，无霜期长，全年为168～250 d。该地区主要以两片绿洲为主，东边绿洲包括库车县、沙雅县、新和县、拜城县，西面绿洲包括阿克苏市、阿瓦提县、温宿县、柯坪县、乌什县。以种植棉花为主，小麦和玉米为主要粮食作物，部分地区有水稻种植。
1.2 数据获取与处理
1.2.1 遥感影像的获取与处理 中国于2013年4月26日发射高分辨率对地观测遥感卫星高分一号（GF-1），其上配置4台多光谱宽幅WFV相机，四台相机组合可达到800 km成像幅宽，多光谱相机回访周期为4 d;另有两台2 m全色和8 m多光谱PMS相机，2 m高分辨率相机实现大于60 km成像幅宽。GF-1的多种空间分辨率组合可以满足不同应用要求。该卫星在无地面控制点下可实现50 m图像定位精度，数据传输能力达到2×450 Mbp，其精度以及数据传输能力都达国内卫星最高水平。本研究选取2015、2016年GF-1阿克苏地区WFV影像数据10景进行分析（数据来源于卫星应用中心，http：//www.cresda.com/CN/）。
Landsat8 OLI影像来源于美国地质勘查局网站（USGS，http：//glovis.usgs.gov/），本研究选取阿克苏地区的OLI遥感影像10景，应用其2～7波段，即多光谱波段，具体影像参数及成像时间见表1。
运用ENVI 5.3遥感软件对Landsat8和GF-1影像进行辐射定标，得到大气上行辐射亮度值，并选取FLAASH模型进行大气校正，得到真实地表反射率产品;由于两种产品存在一定的地理偏差，需要进行几何精校正，本研究以从BIGEMAP下载的研究区1 m分辨率的WorldView系列卫星全色影像为参照进行几何精校正，使两者影像误差控制在半个像元以内。投影选择WGS_84_UTM_ZONE_44N坐标系，保证多时相影像保持坐标一致性。
前人对GF-1和Landsat8 OLI影像的蓝、绿、红和近红外波段反射率进行回归分析，结果表明两类传感器对相同地物光谱反射率具有一致性，并且变化趋势相同，因此，本研究以GF-1和Landsat8 OLI数据结合用于研究区作物种植结构的提取。 1.2.2 野外数据获取与处理 野外调查工作于2016年7月和8月进行，详细记录各地块作物类型、长势、面积、位置等信息。调查的674个样点中，棉花335个，小麦16个，玉米75个，水稻52个，其他作物196个。具体调查样点分布见图2。
利用ArcGIS 10.2软件，以校正过的GF-1 2 m数据为底图，按照调查点地块边界进行矢量化，建立研究区分布的训练样本及验证样本数据，尽量使得训练样本分布均匀。
1.2.3 土地利用现状图更新及积温数据获取
为充分利用现有资料，减少影像提取面积，提高识别效率和精度，需要从研究区的土地利用现状图中提取耕地边界。本研究利用国土部门提供的土地利用类型图提取耕地掩膜，在2014年原有土地利用类型数据基础上，利用2016年GF-1 2 m数据运用人工解译的方法进行土地利用类型数据更新，并依据全国第二次土地调查分类标准，根据调查点对更新的土地利用类型数据进行属性信息更新及检查（图3）。
积温数据选择≥10℃积温栅格数据，来源于中国气象数据共享网（http：//data.cma.cn/）。
2 作物种植结构的提取
2.1 NDVI获取分析
植被归一化指数（normalized difference vegetation index，NDVI）是反映植被覆盖的一个重要参数，计算方法见公式1。
其中，NIR为近红外波段，即Landsat8第5波段、GF-1第4波段;R为红色波段，即Landsat8第4波段、GF-1第3波段。ρ为反射值。
NDVI是植被生长状态最佳指示因子，对植被有较强的反映能力，是目前已有数十种植被指数中应用最广泛的一种[23，24]。可以通过获取作物关键物候期影像计算NDVI。
2.1.1 作物物候期获取
通过对阿克苏地区的实际调查，并结合往年数据资料，得到阿克苏地区小麦、玉米、棉花、水稻的关键物候期，见表2。阿克苏地区玉米以春玉米为主，物候期与棉花、水稻较为接近;小麦的关键物候期与其他作物差异较大。
2.1.2 获取关键物候期NDVI
利用预处理后的Landsat8和GF-1影像数据计算得到阿克苏地区种植作物的NDVI数据（图4），可以看出，4月，小麦可以与其他作物区分开;7—8月，棉花、玉米、水稻可以与核桃、苹果、枣树很好地区分开。
根据野外调查样点数据，并结合四种主要作物的关键物候期（表2），通过ArcGIS 10.2软件，提取4种主要作物不同生长时期的NDVI值，见图5。可以看出，4月份小麦返青，4月底5月初达到茂盛时期，而其他作物处于苗期或者刚出苗阶段，此时小麦的NDVI值明显高于其他三种作物，最易与其他三种作物区分开;玉米在7月份与其他作物的NDVI值相差较大，此时处于开花期;棉花、水稻在7—9月份间NDVI值也存在一定差异，且7月份棉花进入开花结铃期，水稻则进入开花抽穗期，两者纹理差距较大（见图6），易于区分。
综上确定4種主要作物易于区分的月份，并得到相关月份的NDVI阈值，见表3。结合实际调查情况，最终选取2016年4月25日的影像区分小麦，选取2016年7月8日的影像区分棉花、玉米、水稻。
2.2 构建决策树
采用决策树分类方法，利用土地利用类型、积温、NDVI、光谱信息数据构建决策树模型，对作物种植结构进行提取。具体流程见图7。
首先选用土地利用现状图提取耕地掩膜数据，将耕地与非耕地区域区分开来。通过文献查阅，积温在3 000℃以上可以种植棉花[25]，在2 000℃以上可以种植玉米、小麦、水稻[26，27]。用ArcGIS 10.2软件将积温数据进行重分类后转为矢量文件，加入ENVI 5.3转为掩膜，获得四种作物的积温掩膜。将得到的耕地掩膜与积温掩膜数据进行处理得到耕地-积温数据，可以更加准确地获取作物种植位置。耕地掩膜的使用剔除了非耕地植被的影响，可以减少三分之二的计算量，从而提高分类效率和分类结果的精度。
根据影像数据计算得到四种作物的NDVI阈值，通过与积温掩膜数据相交，可以更好地区分四种作物。同时，利用训练样本对遥感影像进行监督分类，结合分类结果，综合上述分析，最终提取出作物种植结构。
2.3 验证方法
2.3.1 混淆矩阵评估
混淆矩阵大多用于判断分类工具的好坏，适合于分类型的数据模型，例如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。混淆矩阵中含有总体分类精度、Kappa系数、错分及漏分误差、制图精度、用户精度6种指标。本研究主要采用总体分类精度、Kappa系数、制图精度、用户精度4项指标对分类结果的精度进行评价。
2.3.2 面积总量精度
以研究区内统计获得的目标作物种植面积总量为基准值，将同区域提取的目标作物种植面积总量与统计面积进行对比，获取区域内整体提取精度，即面积总量精度。计算公式如下：
3 结果与分析
3.1 提取精度验证
利用混淆矩阵对提取结果进行验证，结果表明，阿克苏地区作物分类的总体精度为83%，Kappa系数为0.77，用户精度都在72%以上，制图精度在74%以上，分类结果较好。
将各县市的提取面积与实际统计面积进行比较，结果（表4）显示，整体提取精度较高，各县市面积总量精度达到80%以上，其中，棉花的面积总量精度平均达到89%以上（除乌什县外），小麦在84%以上，玉米在80%以上，水稻也达80%以上（柯坪县除外，因统计结果为无种植，而本研究分类有少量种植，其精度无法计算）。表明，利用本研究方法提取阿克苏地区种植结构的整体精度较好。但也存在提取精度较低的县市，如乌什县的棉花整体提取精度为-450%，小麦和玉米整体提取精度分别为62.1%和61.4%;沙雅县的棉花、温宿县的玉米、阿克苏市的水稻整体提取精度也都低于70%。 3.2 作物种植结构
3.2.1 根据遥感影像数据解译的作物种植结构
统计遥感提取结果，阿克苏地区耕地面积为6 149.4 km2。其中，棉花种植面积为4 362.8 km2，玉米种植面积为1 136.5 km2，小麦种植面积为1 639.4 km2，水稻种植面积为184.5 km2（表5）。除拜城县，棉花各县市均有种植，以阿瓦提县、库车县面积较大;小麦、玉米各县市均有种植，均以拜城县种植面积为最大;水稻种植面积最少，主要分布于阿克苏地区的西面，靠近河流。
3.2.2 根据数据资料统计的作物结构
通过查阅6年来的统计数据[22]，棉花仍是该地区的主要经济作物，种植面积占比一直处于各作物的最高位;2014—2015年有一个急速增长的过程，经查阅资料，2014年的棉花价格为6年来最高，这导致了2014—2015年棉花种植面积的大幅增长。小麦种植面积较为平稳，2015年后库车县的种植面积出现较大幅度增加。水稻种植面积虽有波动，但2017年与2012年相比，基本不变。拜城县、库车县、沙雅县的玉米种植面积波动较大，2015—2016年增长幅度较大，而2016—2017年又大幅下降。
3.2.3 根据遥感影像解译的阿克苏地区作物分布
阿克苏地区光热资源丰富，是长绒棉和陆地棉的主产区之一，主要分布于两片绿洲核心区域。小麦是该地区主要的粮食作物，主要用于粮食补给、耕地倒茬以及解决饲草料问题。玉米主要以饲用玉米为主，分布于畜牧业发展较好区域，为畜牧业提供基础饲料。阿克苏地区还是传统水稻种植重点区域之一，主要分布于河道及地下水埋深较浅区域（图9）。
4 讨论与结论
4.1 讨论
本研究采用决策树分类法，分类精度最高为83%，高于前人用监督分类方法提取作物类型的整体精度（78%）[28]，说明本研究方法在提高分类精度上具有一定优势。相较于前人研究大多采用单一数据源，本研究采用Landsat8和GF-1两种影像数据，这在获取NDVI时序时可防止由于影像缺失造成时间序列的断裂，从而做到影像的相互补充，减少由于数据缺失造成的误差[24]。在进行精度验证时，本研究在前人研究基础上[29-33]，采用混淆矩阵与面积总量精度相结合的方法，提高了方法的可靠性。
4.2 结论
本研究选用Landsat8和GF-1两类卫星的多时相影像数据，利用积温、土地利用现状数据、NDVI、光谱特征等特征参数构建决策树，对阿克苏地区的作物种植结构进行分类提取，并采用混淆矩阵和面积总量精度进行验证，结果显示，分类总体精度为83%，Kappa系数为0.77，用户精度都在72%以上，制图精度在74%以上，面积总量精度平均都在80%以上，表明可以利用本研究方法在大区域对多种农作物进行分类。
阿克苏地区南面光热条件好，以种植棉花为主;北面水资源条件较优，主要种植玉米、小麦和水稻。该地区的作物种植充分利用了现有自然资源，布局合理。
4.3 展望
本研究中选用的是两种中高分辨率的卫星影像数据，而随着遥感技术的发展以及无人机技术的成熟，可以为研究者们提供更高分辨率的遥感数据，通过加入纹理、高度等植被信息，可以在进行分类研究时识别更多的农作物及更复杂的作物分布区域。
另外，在对分类结果进行验证时，采用一定区域内实际调查获得的作物面积信息，而不是通过统计资料获得的数据进行比对，可以使精度验证结果更加准确可靠。
参 考 文 献：
[1]唐华俊，吴文斌，杨鹏，等. 农作物空间格局遥感监测研究进展[J]. 中國农业科学， 2010， 43（14）： 2879-2888.
[2]许青云，杨贵军，龙慧灵，等. 基于 MODIS NDVI 多年时序数据的农作物种植识别[J]. 农业工程学报， 2014， 30（11）： 134-144.
[3]杨闫君，占玉林，田庆久，等. 基于 GF-1/WFV NDVI 时间序列数据的作物分类[J]. 农业工程学报， 2015， 31（24）： 155-161.
[4]Hao P， Wang L，Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification： case study in Xinjiang Uygur Autonomous Region， China [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 1-33.
[5]王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报， 2015， 31（11）： 194-201.
[6]游炯，裴志远，王飞，等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J].农业工程学报， 2016， 32（13）： 131-139.
[7]刘国栋，邬明权，牛铮，等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报， 2015， 31（5）： 160-166.
[8]Chen S， Li D， Huang S， et al. Establishment of remote sensing monitoring method and standard on winter planting crops：a case study in Leizhou Peninsula of south China[C]// The 4th International Workshop on Earth Observation and Remote Sensing Applications （EORSA）， IEEE， 2016：447-451. [9]Pena M A， Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley，Chile[J]. Remote Sensing of Environment， 2015， 171： 234-244.
[10]谢登峰，张锦水，潘耀忠，等. Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报， 2015， 19（5）： 791-805.
[11]Skakun S， Kussul N， Shelestov A Y， et al.Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2016， 9（8）： 3712-3719.
[12]胡琼，吴文斌，宋茜，等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学， 2015， 48（10）： 1900-1914.
[13]欧文浩，苏伟，薛文振，等. 基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]. 农业工程学报， 2010， 26（11）： 176-182.
[14]谭昌伟，杨昕，罗明，等. 以HJ-CCD影像为基础的冬小麦孕穗期关键苗情参数遥感定量反演[J]. 中国农业科学， 2015， 48（13）： 2518-2527.
[15]谭昌伟，罗明，杨昕，等. 运用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量[J]. 中国农业科学， 2015， 48（20）： 4033-4041.
[16]赵静，李静，柳钦火，等. 联合HJ-1/CCD和Landsat8/OLI数据反演黑河中游叶面积指数[J]. 遥感学报， 2015， 19（5）： 733-749.
[17]Song R Z， Cheng T， Yao X， et al.Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat [C]// 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， IEEE， 2016： 6300-6303.
[18]Song X P， Hansen M， Potapov P， et al.Soybean area and yield estimation using MODIS and Landsat data in the Conterminous United States[C]//AGU Fall Meeting. 2015.
[19]Rudorff B F T， Batista G T. Wheat yield estimation at the farm level using Landsat TM andagrometeorological data [J]. Title Remote Sensing， 1991， 12（12）： 2477-2484.
[20]Siyal AA， Dempewolf J， Becker-Reshef I. Rice yield estimation using Landsat ETM+data [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 095986.
[21]歐阳玲，毛德华，王宗明，等. 基于GF-1与Landsat 8 OLI影像的作物种植结构与产量分析[J]. 农业工程学报， 2017， 33（11）： 147-156.
[22]新疆维吾尔自治区统计局.2017年新疆维吾尔自治区统计年鉴[M]. 北京：中国统计出版社，2017.
[23]张永红，李星敏，葛徽衍，等. 基于GIS的棉花气候适宜性区划[J]. 陕西气象， 2013（5）： 29-32.
[24]张淮栋，陈争光，张成龙.基于高分二号-NDVI的大豆遥感估产的时相选择[J].湖北农业科学，2018，57（6）：103-108.
[25]刘顼，张新华，王德锦，等. 基于积温的山东省东阿县夏玉米精细化农业气候区划[J]. 农业灾害研究， 2016， 6（7）： 32-34.
[26]王森，张山清，王雪姣，等. 冬前积温对新疆冬小麦适宜播期的影响[J]. 新疆农业科技， 2016（5）： 1-2.
[27]王秋菊，张玉龙，刘峰. 黑龙江省水稻品种跨积温区种植的产量和品质变化[J]. 应用生态学报， 2013， 24（5）： 1381-1386.
[28]王利民，刘佳，杨福刚，等.冬小麦非监督分类结果的类别选择研究[J].中国农学通报，2019，35（6）： 134-142.
[29]张焕雪，曹新，李强子，等.基于多时相环境卫星 NDVI 时间序列的农作物分类研究[J].遥感技术与应用，2015，30（2）：304-311.
[30]田海峰，邬明权，牛铮，等.基于Radarsat-2 影像的复杂种植结构下旱地作物识别[J].农业工程学报，2015，31（23）：154-159.
[31]苏伟，姜方方，朱德海，等.基于决策树和混合像元分解的玉米种植面积提取方法[J].农业机械学报，2015，46（9）：289-295，301.
[32]马丽，顾晓鹤，徐新刚，等.地块数据支持下的玉米种植面积遥感测量方法[J].农业工程学报，2009，25（8）：147-151.
[33]许青云，杨贵军，龙慧灵，等.基于MODIS NDVI多年时序数据的农作物种植识别[J].农业工程学报，2014，30（11）：134-144.
关键词：Landsat8; GF-1;作物种植结构;决策树分类
中图分类号：S127文献标识号：A文章编号：1001-4942（2019）07-0143-09
农作物种植结构最直接的表达就是在哪里种什么，包括熟制及种植方式。了解和掌握农作物种植结构可以反映出农业生产在空间范围内利用农业生产资源的实际状况，同时也是进行农作物种植结构调整及优化的依据。快速准确获取作物种植结构可以为农业精准管理提供重要的参考依据，对推进农业保险也有重要意义[1，2]。
随着技术的发展，作物种植结构获取已由原来的人工实际调查发展到现在的利用遥感数据提取，准确率和效率不断提高。国内外学者在利用遥感技术提取作物种植结构方面已进行了大量研究，如基于GF-1影像对作物分类、农作物种植面积提取方法、遥感抽样调查方法等进行研究[3-7]，主要基于多时相Landsat8 OLI影像、雷达等遥感數据源对作物种植结构进行提取[8-11]。但多数研究都是基于单一遥感数据源、单一时相遥感影像、利用像元分类方法提取农作物种植结构[12]，并未考虑农作物的季相差异，使分类结果难以满足精度要求。因此，基于多时相较高空间分辨率与多源遥感影像相结合，进行作物种植结构空间分布信息提取，比较不同光谱植被指数对作物的敏感性，对于多种作物种植地区进行遥感估产十分必要[13-20]。
多源遥感影像结合的主要方式为不同种类的较高空间分辨率数据与多光谱分辨率数据进行融合，可以利用较高空间分辨率数据提高地面解译精度，而多光谱分辨率数据则用于对不同作物种类加以区分，两者在融合过程中取长补短。本文采用决策树分类模型，以新疆阿克苏地区为研究区，充分利用GF-1卫星影像的较高空间分辨率和Landsat8 OLI多光谱影像数据，以多时相影像为数据源，提取大区域多种农作物种植结构，以期提高分类精度，为今后农业遥感统计、制定和调整农作物种植结构提供科学依据[21]。
1 数据来源与研究方法
1.1 研究区概况
阿克苏地区隶属于新疆维吾尔自治区，地理坐标E 78°1′～84°5′，N 39°28′～42°38′，位于天山山脉以南，塔里木盆地以北，中国最长的内陆河——塔里木河流经此地后流入塔克拉玛干沙漠。总面积为12.71×104 km2，耕地面积6 149.43 km2[22]。阿克苏地区下辖八县一市。东面与巴音郭楞蒙古自治州毗邻，西面与喀什地区接壤，南面为塔克拉玛干沙漠，北面为伊犁地区。
该地区处于亚欧大陆深处，距离海洋过远，是典型的暖温带大陆性干旱气候。年降水量53.2～120.6 mm;日照时间长，年日照时数为2 670～3 022 h，太阳总辐射量为5 340～6 220 MJ/m2，光照充足，光热资源较丰富;气温年较差及昼夜温差大，无霜期长，全年为168～250 d。该地区主要以两片绿洲为主，东边绿洲包括库车县、沙雅县、新和县、拜城县，西面绿洲包括阿克苏市、阿瓦提县、温宿县、柯坪县、乌什县。以种植棉花为主，小麦和玉米为主要粮食作物，部分地区有水稻种植。
1.2 数据获取与处理
1.2.1 遥感影像的获取与处理 中国于2013年4月26日发射高分辨率对地观测遥感卫星高分一号（GF-1），其上配置4台多光谱宽幅WFV相机，四台相机组合可达到800 km成像幅宽，多光谱相机回访周期为4 d;另有两台2 m全色和8 m多光谱PMS相机，2 m高分辨率相机实现大于60 km成像幅宽。GF-1的多种空间分辨率组合可以满足不同应用要求。该卫星在无地面控制点下可实现50 m图像定位精度，数据传输能力达到2×450 Mbp，其精度以及数据传输能力都达国内卫星最高水平。本研究选取2015、2016年GF-1阿克苏地区WFV影像数据10景进行分析（数据来源于卫星应用中心，http：//www.cresda.com/CN/）。
Landsat8 OLI影像来源于美国地质勘查局网站（USGS，http：//glovis.usgs.gov/），本研究选取阿克苏地区的OLI遥感影像10景，应用其2～7波段，即多光谱波段，具体影像参数及成像时间见表1。
运用ENVI 5.3遥感软件对Landsat8和GF-1影像进行辐射定标，得到大气上行辐射亮度值，并选取FLAASH模型进行大气校正，得到真实地表反射率产品;由于两种产品存在一定的地理偏差，需要进行几何精校正，本研究以从BIGEMAP下载的研究区1 m分辨率的WorldView系列卫星全色影像为参照进行几何精校正，使两者影像误差控制在半个像元以内。投影选择WGS_84_UTM_ZONE_44N坐标系，保证多时相影像保持坐标一致性。
前人对GF-1和Landsat8 OLI影像的蓝、绿、红和近红外波段反射率进行回归分析，结果表明两类传感器对相同地物光谱反射率具有一致性，并且变化趋势相同，因此，本研究以GF-1和Landsat8 OLI数据结合用于研究区作物种植结构的提取。 1.2.2 野外数据获取与处理 野外调查工作于2016年7月和8月进行，详细记录各地块作物类型、长势、面积、位置等信息。调查的674个样点中，棉花335个，小麦16个，玉米75个，水稻52个，其他作物196个。具体调查样点分布见图2。
利用ArcGIS 10.2软件，以校正过的GF-1 2 m数据为底图，按照调查点地块边界进行矢量化，建立研究区分布的训练样本及验证样本数据，尽量使得训练样本分布均匀。
1.2.3 土地利用现状图更新及积温数据获取
为充分利用现有资料，减少影像提取面积，提高识别效率和精度，需要从研究区的土地利用现状图中提取耕地边界。本研究利用国土部门提供的土地利用类型图提取耕地掩膜，在2014年原有土地利用类型数据基础上，利用2016年GF-1 2 m数据运用人工解译的方法进行土地利用类型数据更新，并依据全国第二次土地调查分类标准，根据调查点对更新的土地利用类型数据进行属性信息更新及检查（图3）。
积温数据选择≥10℃积温栅格数据，来源于中国气象数据共享网（http：//data.cma.cn/）。
2 作物种植结构的提取
2.1 NDVI获取分析
植被归一化指数（normalized difference vegetation index，NDVI）是反映植被覆盖的一个重要参数，计算方法见公式1。
其中，NIR为近红外波段，即Landsat8第5波段、GF-1第4波段;R为红色波段，即Landsat8第4波段、GF-1第3波段。ρ为反射值。
NDVI是植被生长状态最佳指示因子，对植被有较强的反映能力，是目前已有数十种植被指数中应用最广泛的一种[23，24]。可以通过获取作物关键物候期影像计算NDVI。
2.1.1 作物物候期获取
通过对阿克苏地区的实际调查，并结合往年数据资料，得到阿克苏地区小麦、玉米、棉花、水稻的关键物候期，见表2。阿克苏地区玉米以春玉米为主，物候期与棉花、水稻较为接近;小麦的关键物候期与其他作物差异较大。
2.1.2 获取关键物候期NDVI
利用预处理后的Landsat8和GF-1影像数据计算得到阿克苏地区种植作物的NDVI数据（图4），可以看出，4月，小麦可以与其他作物区分开;7—8月，棉花、玉米、水稻可以与核桃、苹果、枣树很好地区分开。
根据野外调查样点数据，并结合四种主要作物的关键物候期（表2），通过ArcGIS 10.2软件，提取4种主要作物不同生长时期的NDVI值，见图5。可以看出，4月份小麦返青，4月底5月初达到茂盛时期，而其他作物处于苗期或者刚出苗阶段，此时小麦的NDVI值明显高于其他三种作物，最易与其他三种作物区分开;玉米在7月份与其他作物的NDVI值相差较大，此时处于开花期;棉花、水稻在7—9月份间NDVI值也存在一定差异，且7月份棉花进入开花结铃期，水稻则进入开花抽穗期，两者纹理差距较大（见图6），易于区分。
综上确定4種主要作物易于区分的月份，并得到相关月份的NDVI阈值，见表3。结合实际调查情况，最终选取2016年4月25日的影像区分小麦，选取2016年7月8日的影像区分棉花、玉米、水稻。
2.2 构建决策树
采用决策树分类方法，利用土地利用类型、积温、NDVI、光谱信息数据构建决策树模型，对作物种植结构进行提取。具体流程见图7。
首先选用土地利用现状图提取耕地掩膜数据，将耕地与非耕地区域区分开来。通过文献查阅，积温在3 000℃以上可以种植棉花[25]，在2 000℃以上可以种植玉米、小麦、水稻[26，27]。用ArcGIS 10.2软件将积温数据进行重分类后转为矢量文件，加入ENVI 5.3转为掩膜，获得四种作物的积温掩膜。将得到的耕地掩膜与积温掩膜数据进行处理得到耕地-积温数据，可以更加准确地获取作物种植位置。耕地掩膜的使用剔除了非耕地植被的影响，可以减少三分之二的计算量，从而提高分类效率和分类结果的精度。
根据影像数据计算得到四种作物的NDVI阈值，通过与积温掩膜数据相交，可以更好地区分四种作物。同时，利用训练样本对遥感影像进行监督分类，结合分类结果，综合上述分析，最终提取出作物种植结构。
2.3 验证方法
2.3.1 混淆矩阵评估
混淆矩阵大多用于判断分类工具的好坏，适合于分类型的数据模型，例如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。混淆矩阵中含有总体分类精度、Kappa系数、错分及漏分误差、制图精度、用户精度6种指标。本研究主要采用总体分类精度、Kappa系数、制图精度、用户精度4项指标对分类结果的精度进行评价。
2.3.2 面积总量精度
以研究区内统计获得的目标作物种植面积总量为基准值，将同区域提取的目标作物种植面积总量与统计面积进行对比，获取区域内整体提取精度，即面积总量精度。计算公式如下：
3 结果与分析
3.1 提取精度验证
利用混淆矩阵对提取结果进行验证，结果表明，阿克苏地区作物分类的总体精度为83%，Kappa系数为0.77，用户精度都在72%以上，制图精度在74%以上，分类结果较好。
将各县市的提取面积与实际统计面积进行比较，结果（表4）显示，整体提取精度较高，各县市面积总量精度达到80%以上，其中，棉花的面积总量精度平均达到89%以上（除乌什县外），小麦在84%以上，玉米在80%以上，水稻也达80%以上（柯坪县除外，因统计结果为无种植，而本研究分类有少量种植，其精度无法计算）。表明，利用本研究方法提取阿克苏地区种植结构的整体精度较好。但也存在提取精度较低的县市，如乌什县的棉花整体提取精度为-450%，小麦和玉米整体提取精度分别为62.1%和61.4%;沙雅县的棉花、温宿县的玉米、阿克苏市的水稻整体提取精度也都低于70%。 3.2 作物种植结构
3.2.1 根据遥感影像数据解译的作物种植结构
统计遥感提取结果，阿克苏地区耕地面积为6 149.4 km2。其中，棉花种植面积为4 362.8 km2，玉米种植面积为1 136.5 km2，小麦种植面积为1 639.4 km2，水稻种植面积为184.5 km2（表5）。除拜城县，棉花各县市均有种植，以阿瓦提县、库车县面积较大;小麦、玉米各县市均有种植，均以拜城县种植面积为最大;水稻种植面积最少，主要分布于阿克苏地区的西面，靠近河流。
3.2.2 根据数据资料统计的作物结构
通过查阅6年来的统计数据[22]，棉花仍是该地区的主要经济作物，种植面积占比一直处于各作物的最高位;2014—2015年有一个急速增长的过程，经查阅资料，2014年的棉花价格为6年来最高，这导致了2014—2015年棉花种植面积的大幅增长。小麦种植面积较为平稳，2015年后库车县的种植面积出现较大幅度增加。水稻种植面积虽有波动，但2017年与2012年相比，基本不变。拜城县、库车县、沙雅县的玉米种植面积波动较大，2015—2016年增长幅度较大，而2016—2017年又大幅下降。
3.2.3 根据遥感影像解译的阿克苏地区作物分布
阿克苏地区光热资源丰富，是长绒棉和陆地棉的主产区之一，主要分布于两片绿洲核心区域。小麦是该地区主要的粮食作物，主要用于粮食补给、耕地倒茬以及解决饲草料问题。玉米主要以饲用玉米为主，分布于畜牧业发展较好区域，为畜牧业提供基础饲料。阿克苏地区还是传统水稻种植重点区域之一，主要分布于河道及地下水埋深较浅区域（图9）。
4 讨论与结论
4.1 讨论
本研究采用决策树分类法，分类精度最高为83%，高于前人用监督分类方法提取作物类型的整体精度（78%）[28]，说明本研究方法在提高分类精度上具有一定优势。相较于前人研究大多采用单一数据源，本研究采用Landsat8和GF-1两种影像数据，这在获取NDVI时序时可防止由于影像缺失造成时间序列的断裂，从而做到影像的相互补充，减少由于数据缺失造成的误差[24]。在进行精度验证时，本研究在前人研究基础上[29-33]，采用混淆矩阵与面积总量精度相结合的方法，提高了方法的可靠性。
4.2 结论
本研究选用Landsat8和GF-1两类卫星的多时相影像数据，利用积温、土地利用现状数据、NDVI、光谱特征等特征参数构建决策树，对阿克苏地区的作物种植结构进行分类提取，并采用混淆矩阵和面积总量精度进行验证，结果显示，分类总体精度为83%，Kappa系数为0.77，用户精度都在72%以上，制图精度在74%以上，面积总量精度平均都在80%以上，表明可以利用本研究方法在大区域对多种农作物进行分类。
阿克苏地区南面光热条件好，以种植棉花为主;北面水资源条件较优，主要种植玉米、小麦和水稻。该地区的作物种植充分利用了现有自然资源，布局合理。
4.3 展望
本研究中选用的是两种中高分辨率的卫星影像数据，而随着遥感技术的发展以及无人机技术的成熟，可以为研究者们提供更高分辨率的遥感数据，通过加入纹理、高度等植被信息，可以在进行分类研究时识别更多的农作物及更复杂的作物分布区域。
另外，在对分类结果进行验证时，采用一定区域内实际调查获得的作物面积信息，而不是通过统计资料获得的数据进行比对，可以使精度验证结果更加准确可靠。
参 考 文 献：
[1]唐华俊，吴文斌，杨鹏，等. 农作物空间格局遥感监测研究进展[J]. 中國农业科学， 2010， 43（14）： 2879-2888.
[2]许青云，杨贵军，龙慧灵，等. 基于 MODIS NDVI 多年时序数据的农作物种植识别[J]. 农业工程学报， 2014， 30（11）： 134-144.
[3]杨闫君，占玉林，田庆久，等. 基于 GF-1/WFV NDVI 时间序列数据的作物分类[J]. 农业工程学报， 2015， 31（24）： 155-161.
[4]Hao P， Wang L，Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification： case study in Xinjiang Uygur Autonomous Region， China [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 1-33.
[5]王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报， 2015， 31（11）： 194-201.
[6]游炯，裴志远，王飞，等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J].农业工程学报， 2016， 32（13）： 131-139.
[7]刘国栋，邬明权，牛铮，等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报， 2015， 31（5）： 160-166.
[8]Chen S， Li D， Huang S， et al. Establishment of remote sensing monitoring method and standard on winter planting crops：a case study in Leizhou Peninsula of south China[C]// The 4th International Workshop on Earth Observation and Remote Sensing Applications （EORSA）， IEEE， 2016：447-451. [9]Pena M A， Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley，Chile[J]. Remote Sensing of Environment， 2015， 171： 234-244.
[10]谢登峰，张锦水，潘耀忠，等. Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报， 2015， 19（5）： 791-805.
[11]Skakun S， Kussul N， Shelestov A Y， et al.Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2016， 9（8）： 3712-3719.
[12]胡琼，吴文斌，宋茜，等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学， 2015， 48（10）： 1900-1914.
[13]欧文浩，苏伟，薛文振，等. 基于HJ-1卫星影像的三大农作物估产最佳时相选择[J]. 农业工程学报， 2010， 26（11）： 176-182.
[14]谭昌伟，杨昕，罗明，等. 以HJ-CCD影像为基础的冬小麦孕穗期关键苗情参数遥感定量反演[J]. 中国农业科学， 2015， 48（13）： 2518-2527.
[15]谭昌伟，罗明，杨昕，等. 运用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量[J]. 中国农业科学， 2015， 48（20）： 4033-4041.
[16]赵静，李静，柳钦火，等. 联合HJ-1/CCD和Landsat8/OLI数据反演黑河中游叶面积指数[J]. 遥感学报， 2015， 19（5）： 733-749.
[17]Song R Z， Cheng T， Yao X， et al.Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat [C]// 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， IEEE， 2016： 6300-6303.
[18]Song X P， Hansen M， Potapov P， et al.Soybean area and yield estimation using MODIS and Landsat data in the Conterminous United States[C]//AGU Fall Meeting. 2015.
[19]Rudorff B F T， Batista G T. Wheat yield estimation at the farm level using Landsat TM andagrometeorological data [J]. Title Remote Sensing， 1991， 12（12）： 2477-2484.
[20]Siyal AA， Dempewolf J， Becker-Reshef I. Rice yield estimation using Landsat ETM+data [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 095986.
[21]歐阳玲，毛德华，王宗明，等. 基于GF-1与Landsat 8 OLI影像的作物种植结构与产量分析[J]. 农业工程学报， 2017， 33（11）： 147-156.
[22]新疆维吾尔自治区统计局.2017年新疆维吾尔自治区统计年鉴[M]. 北京：中国统计出版社，2017.
[23]张永红，李星敏，葛徽衍，等. 基于GIS的棉花气候适宜性区划[J]. 陕西气象， 2013（5）： 29-32.
[24]张淮栋，陈争光，张成龙.基于高分二号-NDVI的大豆遥感估产的时相选择[J].湖北农业科学，2018，57（6）：103-108.
[25]刘顼，张新华，王德锦，等. 基于积温的山东省东阿县夏玉米精细化农业气候区划[J]. 农业灾害研究， 2016， 6（7）： 32-34.
[26]王森，张山清，王雪姣，等. 冬前积温对新疆冬小麦适宜播期的影响[J]. 新疆农业科技， 2016（5）： 1-2.
[27]王秋菊，张玉龙，刘峰. 黑龙江省水稻品种跨积温区种植的产量和品质变化[J]. 应用生态学报， 2013， 24（5）： 1381-1386.
[28]王利民，刘佳，杨福刚，等.冬小麦非监督分类结果的类别选择研究[J].中国农学通报，2019，35（6）： 134-142.
[29]张焕雪，曹新，李强子，等.基于多时相环境卫星 NDVI 时间序列的农作物分类研究[J].遥感技术与应用，2015，30（2）：304-311.
[30]田海峰，邬明权，牛铮，等.基于Radarsat-2 影像的复杂种植结构下旱地作物识别[J].农业工程学报，2015，31（23）：154-159.
[31]苏伟，姜方方，朱德海，等.基于决策树和混合像元分解的玉米种植面积提取方法[J].农业机械学报，2015，46（9）：289-295，301.
[32]马丽，顾晓鹤，徐新刚，等.地块数据支持下的玉米种植面积遥感测量方法[J].农业工程学报，2009，25（8）：147-151.
[33]许青云，杨贵军，龙慧灵，等.基于MODIS NDVI多年时序数据的农作物种植识别[J].农业工程学报，2014，30（11）：134-144.