引言

农业发展是国家发展、经济建设的基本问题，一直是人们关注的焦点。精准高效的掌握农作物空间种植结构不仅是农作物长势监测和灾情评估的基础，对于国家宏观指导农业生产、制定农业政策、规范农业管理也具有重要的现实意义。传统的农作物种植结构统计方法大多是实地调查，存在主观性强，持续时间长，耗费人力、物力、财力等问题[1,2]。遥感技术具有宏观视野、动态监测、信息获取方便和节约成本等诸多优点，已迅速成为获取农作物种类和空间分布的重要途径，并在不同时空尺度下发挥了重要作用[3,4,5,6]。

目前，农作物空间种植结构、长势分析及产量估算等主要利用国外数据源，其中，中低空间分辨的MODIS、AVHRR和Landsat系列等卫星遥感数据存在重访周期长，扫描幅宽窄，受天气影响大，获取作物关键生育期的全覆盖数据困难等问题，难以满足实际的生产要求;而空间分辨率和光谱分辨率高的Rapideye、SPOT等卫星影像其价格相对昂贵，数据处理花费时间长，难以应用大尺度范围的农作物分类研究和经营[7]。

随着ZY-3、02C、GF-1、GF-2等国产卫星遥感影像的成功发射及其数据的免费应用，大大降低了大范围农情遥感监测的数据成本，且在影像处理方面对处理人员的专业性要求相对不强，大大地提高农情监测的时效性。因此，本研究采用国产卫星影像(高分一号与资源三号)作为主要数据源[8,9,10]。

传统的农作物种植结构提取方法通常采用基于像元的分类方法，主要有非监督分类法和监督分类方法。其中监督分类法包括最大似然(MaximumLikelihood)、支持向量机(SupportVectorMachine)、波谱角(SpectralAngleMapper)等方法，其主要基于像元进行分类，忽略了类内和类间的空间纹理结构以及相邻像元光谱之间的关联效应，容易造成“同谱异物、异物同谱”现象，针对遥感影像分类有其自身的局限性。而面向对象的分类方法是对具有相似空间特征与纹理特征的对象进行处理，在数据分析处理时采用了机器学习技术，通过对光谱信息和空间几何关系的分析来实现数据的分类和特征的提取，自动化程度较高，针对高分辨率影像该方法更为有效，很好地避免了针对基于像元分类方法的不足，因此本研究采用面向对象的方法进行主要农作物的信息提取。

只基于遥感数据，数据源单一，本研究采用地理国情矢量数据，数据信息丰富，且可信度高。借助地理国情普查矢量数据进行影像分割时，可以更好地对地物进行边缘提取。地理国情监测项目的矢量成果包括耕地、园地、林地、草地等一级类[11]，一级类耕地里包括水田、旱地、果园、茶园等二类，在二级类旱地里并未具体区分玉米、大豆、马铃薯等主要农作物，由于农作物的光谱曲线与草地、林地等植被的光谱曲线相似，容易造成农作物信息提取时发生混淆错分，借助地理国情普查成果在耕地里进一步提取主要农作物可以有效去除容易混淆的林地、草地、植被等，将大大减少信息提取的工作量，对信息提取的效率与准确性都有一定的提高。因此，借助地理国情普查成果进行农作物种植结构提取具有重要的现实意义。而玉米、大豆和马铃薯等农作物具有相似的生长周期，其光谱曲线相似，仅利用单一时相单一遥感数据源很难将其精度提取出来，因此本研究利用主要农作物物候期的光谱信息差异进行区分，其提取的结果更为科学准确[12]。

1、研究区与试验数据

1.1研究区概况

克山县位于黑龙江省西部，隶属于黑龙江省齐齐哈尔市，东与克东县交界，西与依安县接壤，南邻拜泉县，北与讷河市相望，总土地面积3186km2，如图1所示。

图1研究区位置图

克山县气候属于寒温带大陆季风气候，年平均气温2—3℃，年降雨量400—600mm，主要集中在6—8月。克山县位于松嫩平原北部，地处小兴安岭南麓与松嫩平原的过渡地带，南部为冲积平原，地势相对平坦，中部、北部为丘陵区，地形起伏变化大。克山县主要农作物有大豆、玉米、马铃薯、水稻，是我国重点商品粮食基地县，大豆出口基地县与马铃薯基地县，是首批国家级食品安全示范县，素有“北国粮仓”“大豆之乡”之称。

1.2试验数据

高分一号卫星有WFV与PMS两种传感器，搭载的2台PMS传感器空间分辨率为2m，光谱分辨率为8m，搭载的4台WFV传感器的光谱分辨率为16m，本文选取2017年7月3日和2017年7月24日GF-1/PMS数据共6景，2017年8月22日与2017年9月24日GF-1/WFV数据2景，可视性良好。

资源三号(ZY-3)卫星，其空间分辨率为2.1m，广泛应用于国土资源、林业、农业、地质等行业，本文选取2017年6月5日ZY-3卫星数据1景，见表1。

1.3数据处理

本文利用地理国情普查数据作为影像预处理基础，地理国情普查数据包括分幅正射影像数据与DEM数据，覆盖整个克山县。分幅正射影像数据以1∶25000分幅，分辨率为0.5m，作为本文纠正及精度检测的主要数据源，DEM数据以1∶50000分幅，格网间距为10m，作为本文影像纠正的数据基础。对GF-1(WFV、PMS)、ZY-3数据进行数据预处理，利用Envi软件对全色、多光谱影像进行辐射校正、利用FLAASH大气辐射传输模型对多光谱影像进行大气校正;由于所利用的遥感影像时空分辨率高、影像的数据量大，需利用PCI软件进行控制点采集来实现正射校正;通过各主流软件融合模块的对比，PixelGrid软件的Pansharp融合方法效果最优，因此本研究采用PixelGrid软件进行影像融合;由于单景影像的幅宽较窄，无法覆盖工作区，因此需要对多景影像进行拼接处理，本文利用Erdas软件进行镶嵌，镶嵌线编辑用ArcGIS软件进行修改;根据地理国情普查成果克山县工作区的行政范围，利用ArcGIS软件进行裁剪。

表1多源遥感影像数据

1.4处理流程

整体处理流程如图2所示。

图2处理流程图

2、研究方法

2.1影像分割

采用面向对象的分类方法是以对象为基础进行的，它包括两个关键的步骤:对象的分割和对象信息的提取。其中，分割是对象信息提取的基础，分割的效果关系着后续分类精度的高低。目前最优分割尺度主要依靠人为的经验，通过反复的实验并结合目视解译来确定。借助于专题矢量对影像进行分割可以更有效对地物进行边缘提取，本文专题矢量数据来自于地理国情普查成果，无矢量的多尺度分割未能把草地与耕地很好地分离开，会影响信息提取的准确性，如图3所示。

图3地理国情矢量参与分割效果图

分割尺度过大不能保证将不同地类完全区分开来，分割尺度过小会破坏对象整体结构，需在满足必要精细的条件下尽可能使用大尺度。本研究分别选取40、60、80、100多个尺度进行分割，并通过目视分析来判别分割效果能否满足应用需求，如图4所示，其中，80尺度在较好区分地类的同时，又尽量保存对象的完整性，所以本研究选取80为分割最优尺度。因为遥感影像中最重要的信息是光谱信息，形状标准的权重过高往往会影响分割结果的质量，在满足必要的形状标准的前提下尽可能使用颜色标准[13,14,15]。本文设定形状参数为Shape=0.2，紧致度参数为Compactness=0.5。由图4可知，分割后的对象内部异质性较小，而对象之间的异质性较大。这样对象的纯度和对象的可分性同时得到了保证。

图4不同分割尺度影像效果图

2.2特征选择

本文借助地理国情普查专题成果数据进行分类，这样可以提高特征提取的准确性，地理国情采集内容的代码见表2。把林草覆盖、房屋建筑(区)、铁路与道路、构筑物、人工堆掘地、荒漠与裸露地表、水域的一级地类归为本项目的其他类，种植土地归为耕地，其中种植土地里，地理国情普查成果分到二级类水田和旱地，把水田归为本项目的水稻，由于旱地里并未具体区分玉米、大豆、马铃薯等农作物，在旱地的基础上进一步对农作物(玉米、大豆、马铃薯)进行划分。

表2地理国情采集的内容

结合克山县研究区的特点，通过作物自身光谱特性选择光谱植被指数，本研究选取2种较强普适性的光谱植被指数，归一化植被指数(NormalizedDifferenceVegetationIndex,NDVI)和比值植被指数(Ratiovegetationindex,RVI)作为区分大豆、水稻、玉米的特征参数[16,17]，见表3。

表3植被指数的计算公式

通过分析农作物植被指数曲线发现，玉米、大豆、马铃薯的归一化植被指数(NDVI)、比值植被指数(RVI)差异较为明显。九月末大豆、马铃薯收割完成，玉米的NDVI值比大豆及马铃薯高0.4，应用这一特征可提取玉米;7月中下旬马铃薯的RVI指数较玉米大豆低0.5，应用这一特征可提取大豆，剩余类别即为马铃薯，如图5所示。

图5不同农作物植被指数曲线

2.3信息提取

本文使用的eCognition软件提供了针对高分辨率遥感影像的地物分类和信息提取算法，可快速、高效地生产地理空间信息数据，自动化程度较高，极大地减少实际工作所需时间。通过以上算法和特征选择的执行，发现不同地物存在少量的同谱异物和异物同谱的现象，这时候需要利用人工编辑工具修改。在实际的生产过程中自动提取和人工编辑是相辅相成的，不需要分开单独执行。计算机自动提取及人工修改交互的方式可有效提高基于规则集的农作物提取效率和精度，分类后进行同类合并，平滑等分类后处理以提高地物提取完整性。本项目对小于400m2的地类自动归并到相邻地类中，对分类后的成果矢量输出，用ArcGIS软件对成果进行属性字段的整理。

3、结果与分析

3.1主要农作物种植结构提取

通过对以上过程进行整理分析，得到克山县主要农作物种植结构分布图，如图6所示。克山县主要的农作物以种植大豆、玉米、马铃薯为主，其中，以大豆种植面积最大，分布整个研究区;大豆、玉米和马铃薯的套种明显，主要是当地政府宏观制定农业政策，科学规范管理农业种植的结果;水稻种植面积相对较少且多为集中种植，主要分布在克山县的北部地区，这主要是因为该地区水资源充沛，雨热同期，适于土地灌溉。

图6克山县主要农作物种植结构分布图

针对分类结果，对种植结构提取结果进行精度分析，见表4。

表4地物识别混淆矩阵

通过精度评价，得出总体分类精度为92.22%,Kappa系数为0.89。水稻的分类效果好，主要是加入地理国情矢量数据参与多尺度分割与分类，可以很好区分出旱田和水田，而东北地区的水田主要种植水稻。玉米的分类效果也相对较好，主要由于玉米的物候信息与大豆、马铃薯差别较大，玉米收获期主要在10月5日至15日左右，此时大豆、马铃薯已经基本完成收割，玉米的影像光谱信息主要来自植被反射，而大豆与马铃薯的光谱信息主要来自地表反射，所以玉米的植被覆盖度要高于大豆与马铃薯，根据此特征可以有效将玉米分类出来。但大豆、马铃薯分类精度相对不高，主要原因在于二者的拔节期、抽雄期与收获期较为邻近，特征差异较小，种植区域较为邻近，在一定程度上增加了二者的识别难度，使得大豆和马铃薯的分类结果在一定程度上有了混淆。

3.2农作物长势分析

植被长势在一定程度上可以反映作物产量丰欠的情况，利用植被指数可以很好地观测植被的长势情况[18,19,20]。本文在主要农作物划分的基础上，利用归一化植被指数NDVI对克山县7月影像进行农作物长势分析提取工作，将玉米、大豆、水稻、马铃薯按等级进行划分，其中一级地类代表长势较优，二级地类代表长势一般，三级地类代表长势较差。如图7可知，大豆的长势总体效果较好，多居于一级地类，该地区大豆长势较好及种植分布最广;玉米及马铃薯多为二级地类，其中北部地区马铃薯多为一级类，长势较好;水稻分布在克山县最北部地区，多为一级地类，总体长势较好。

图7克山县主要农作物长势结构图

4、结束语

本文以2017年高分一号(WFV传感器、PMS传感器)、资源三号数据为数据源，选取地理国情普查成果作为影像分割及分类的基础，以黑龙江省齐齐哈尔市克山县为研究区，针对主要农作物物侯期的光谱信息差异，综合利用归一化植被指数(NDVI)和比值植被指数(RVI)，并结合影像的纹理、形状等因素，提取了2017年克山县主要农作物的空间种植结构与农作物长势情况，得到以下结论:

1)采用地理国情数据与面向对象相结合的分类方法，充分挖掘地理国情普查成果的潜在价值，说明该方法的有效性。基于地理国情普查成果进行农作物种植结构提取可以有效去除掉与农作物易混淆的草地、林地等植被，提高主要农作物的信息提取精度。

2)本文利用多源多时相多尺度遥感影像对主要农作物进行信息提取，充分考虑不同农作物的物候关键生长期，实现了县域的主要农作物信息提取，总体分类精度为92.22%,Kappa系数为0.89，满足实际生产要求。

参考文献：

[3]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].中国农业科学,2010,43(14):2879-2888.

[4]刘焕军,闫岩,张新乐,等.面向农业区划的作物种植结构遥感提取[J].中国农业资源与区划,2017,38(8):43-54.

[5]庞治国,蔡静雅.遥感影像发展趋势及其在农业中的应用[J].测绘通报,2017(7):45-48.

[6]宋茜,周清波,吴文斌,等.农作物遥感识别中的多源数据融合研究进展[J].中国农业科学,2015,48(6):1122-1135.

[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]杨闫君,占玉林,田庆久,等.基于GF-1/WFVNDVI时间序列数据的作物分类[J].农业工程学报,2015,31(24):155-161.

[9]贾玉秋,李冰,程永政,等.基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J].农业工程学报,2015,31(9):173-179.

[10]王建步,张杰,马毅,等.基于高分一号WFV卫星影像的黄河口湿地草本植被生物量估算模型研究[J].激光生物学报,2014,23(6):604-608.

[11]曾波,赵展.地理国情普查中高分辨率遥感影像自动分类技术研究[J].测绘通报,2015(1):95-98.

[12]张俊,朱国龙,李妍.面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究[J].测绘科学,2011,36(2):107-109.

[13]杨海平,明冬萍.综合多层优选尺度的高分辨率影像分割[J].地球信息科学学报,2016,18(5):632-638.

[14]王慧贤,靳惠佳,王娇龙,等.k均值聚类引导的遥感影像多尺度分割优化方法[J].测绘学报,2015,44(5):526-532.

[15]曹林林,李海涛,韩颜顺,等.卷积神经网络在高分遥感影像分类中的应用[J].测绘科学,2016,41(9):170-175.

[16]陈思宁,赵艳霞,申双和,等.基于PyWOFOST作物模型的东北玉米估产及精度评估[J].中国农业科学,2013,46(14):2880-2893.

[17]李军玲,张弘,曹淑超.夏玉米长势卫星遥感动态监测指标研究[J].玉米科学,2013,21(3):149-153.

[18]李卫国,王纪华,赵春江,等.麦抽穗期长势遥感监测的初步研究[J].农业学报,2007,23(5):499-500.

[19]吴炳方,张峰,刘成林,等.农作物长势综合遥感监测方法[J].遥感学报,2004,8(6):498-514.

[20]李修华,李民赞,崔笛,等.基于双波段作物长势分析仪的东北水稻长势监测[J].农业工程学报,2011,27(8):206-210.

阳俊,初启凤,罗建松,张学之,孙畅.基于地理国情普查成果的农作物种植结构提取方法研究[J].测绘与空间地理信息,2020,43(S1):29-34.

基金:国家测绘地理信息局科技基金(KJ20180304)资助