EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 12: 2275 - 2291

DOI: https://doi.org/10.12082/dqxxkx.2021.210233

遥感科学与应用技术

基于高分六号宽幅影像的油菜种植分布区域提取方法

  • 姜楠 , 1 ,
  • 张雪红 , 1, 2, * ,
  • 汶建龙 3 ,
  • 葛州徽 1
展开
  • 1.南京信息工程大学遥感与测绘工程学院,南京 210044
  • 2.河北省气象与生态环境重点实验室, 石家庄 050021
  • 3.61363部队,西安 710054
*张雪红（1980— ）,男,江西余干人,博士,副教授,主要从事农业遥感、气象生态遥感等研究。 E-mail:

姜 楠（1998— ）,男,江西南昌人,硕士生,主要研究方向为农业遥感。E-mail:

收稿日期: 2021-04-27

  要求修回日期: 2021-06-18

  网络出版日期: 2022-02-25

基金资助

国家自然科学基金项目(41871239)

江苏高校“青蓝工程”项目

河北省省级科技计划资助(21567624H)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Extraction Method of Rapeseed Planting Distribution Area based on GF-6 WFV Image

  • JIANG Nan , 1 ,
  • ZHANG Xuehong , 1, 2, * ,
  • WEN Jianlong 3 ,
  • GE Zhouhui 1
Expand
  • 1. School of Remote Sensing & Geomatics Engineering, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. Hebei Provincial Key Lab for Meteorology and Eco-environment, Shijiazhuang 050021, China
  • 3. Unit 61363, Xi'an 710054, China
*ZHANG Xuehong, E-mail:

Received date: 2021-04-27

  Request revised date: 2021-06-18

  Online published: 2022-02-25

Supported by

National Natural Science Foundation of China(41871239)

Qing Lan Project of Jiangsu Province

S&T Program of Hebei(21567624H)

Copyright

Copyright reserved © 2021
Fold

摘要

油菜作为我国主要的农业经济作物及食用油的主要来源,及时、准确地获取其种植分布信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据。高分六号（GF-6）的宽视场（Wide Field View,WFV）传感器在可见光-近红外波段基础上增设了2个红边波段、1个黄波段和1个紫波段,为油菜遥感识别提供了更加丰富的光谱信息,进而相较于蓝、绿、红、近红外4个“传统波段”的识别精度有所提升。本文以油菜开花期内两景不同时相GF-6 WFV影像拼接图像作为数据源,选择油菜生产优势区的河南省固始县为研究区,针对油菜同其他地物的“异物同谱”现象以及不同生长阶段油菜的“同物异谱”现象,利用油菜开花期独特的反射光谱特征,结合均值间标准化近距离提出了NDSI28、S34、NDSI23和NDSI46共4个光谱指数,并由此构建油菜种植区域提取的决策树模型。研究结果表明,基于4个指数组合构建的决策树模型对油菜种植分布信息的提取达到了较好的效果,总体精度为96.17%,与随机森林、支持向量机、最大似然法相比分别高出0.31%、0.88%和1.24%;制图精度方面,决策树法为98.15%,比随机森林、支持向量机、最大似然法分别高4.72%、4.21%和5.59%;对于用户精度,决策树法为86.89%,较随机森林、最大似然法分别低2.2%和1.63%,比支持向量机高0.11%。由此说明,GF-6 WFV数据中的新增波段极大地丰富了其光谱信息,使其在包括油菜在内的农作物种植分布信息提取中具有独特的优势和巨大潜力。

关键词： 高分六号; 宽幅影像; 油菜; 决策树分类; 光谱指数; 多生育期; 种植分布; 固始县

本文引用格式

姜楠 , 张雪红 , 汶建龙 , 葛州徽 . 基于高分六号宽幅影像的油菜种植分布区域提取方法[J]. 地球信息科学学报, 2021 , 23(12) : 2275 -2291 . DOI: 10.12082/dqxxkx.2021.210233

Abstract

Rapeseed is the main agricultural cash crop and the main source of cooking oil in China. Timely and accurate acquisition of the spatial distribution of rape plants is important for understanding the status of rape planting, strengthening production management, and optimizing the spatial pattern of crop planting. The Wide Field View (WFV) sensor of Gaofen-6 (GF-6) adds a purple band, a yellow band, and two red edge bands to the visible-near-infrared bands, which provides more spectral information for rape identification from remote sensing, thus improving the identification accuracy compared with the "traditional bands" of blue, green, red and near-infrared. In this paper, the Gushi county, Henan province, a dominant area of rape, was selected as the research area. Two GF-6 WFV images within the flowering period of rape were mosaiced as the data source. Due to the phenomenon of "same spectrum with different species" between rape and other land objects and the phenomenon of "same species with different spectrum" for rape at different growth phases, we put forward four spectral indices including NDSI28、S34、NDSI23, and NDSI46, based on the unique spectral reflectance characteristics of rape at flowering phase and the algorithm of standardized close range between means. A decision tree model for rape identification was then constructed based on these indices. The results show that the decision tree model based on the combination of four indices achieved a high accuracy in extracting rape, with an overall accuracy of 96.17%, which was 0.31%, 0.88%, and 1.24% higher than that of random forest, Support Vector Machine(SVM), and maximum likelihood method, respectively. The cartography accuracy of decision tree model was 98.15%, which was 4.72%, 4.21%, and 5.59% higher than that of random forest, SVM, and maximum likelihood method, respectively. The user accuracy of the decision tree model was 86.89%, which was 2.2% lower than that of random forest, 1.63% lower than that of the maximum likelihood method, and 0.11% higher than that of the SVM. The cartographic accuracy of different classification methods was greater than 90%, and in particular, the decision tree model showed the highest cartographic accuracy. In terms of the user accuracy, the random forest showed the highest value (89.09%), the Support Vector Machine (SVM) showed the lowest value (86.78%), and the decision tree method showed an user accuracy of 86.89%. As a result, the new bands in the GF-6 WFV data can greatly enrich the spectral information of rape. Our results demonstrated the unique advantages and great potential of the new bands in the GF-6 WFV data in the extraction of crop planting region and distribution information, including rape.

Key words： GF-6; WFV; rapeseed; decision tree classification; spectral index; multiple growth periods; planting distribution; Gushi County

1 引言

作为我国主要油料作物之首的油菜,及时、准确地获取其种植分布信息,对于开展油菜长势监测与估产、作物种植空间格局优化、国家粮食安全保障具有重大意义[1,2]。遥感技术具有快速、客观、覆盖范围广等优势特点,已成为作物种植分布信息获取的重要技术手段,为准确提取油菜种植分布信息提供了重要技术支撑[3,4]。
随着遥感技术的不断发展,优质遥感数据源与日俱增,基于不同遥感数据源的油菜识别研究相继涌现,有学者分别利用国内的高分卫星[5,6]、环境卫星[4,7]、中巴地球资源卫星[8,9]以及国外的Landsat[10,11]、MODIS[12,13]、Sentinel-2A[14,15,16]等卫星数据开展油菜空间分布信息提取研究。因大田油菜花期较长,通常持续1个月左右,尽管已有文献选取的数据源不尽相同,但众多学者几乎都选择开花期的油菜进行研究,表明油菜花期这一独特的物候及光谱特征是其区别于作物及其他植物的重要因素。鉴于油菜花期在发生时间、发展过程及其反射光谱特征的独特性,使得通过构建整个开花期的遥感时间序列数据,便能将油菜与其他地物进行区分[17,18]。但是,长时间序列的构建对遥感数据的时间分辨率及影像云量等要求较高,为此有学者尝试利用油菜典型物候期内的2期影像,分析盛花期到绿熟期油菜光谱特征变化与同期其他作物的区别,取得了较好的油菜提取精度[19]。
此外,油菜花期较长,且不同种植环境或不同养分条件下的油菜生长水平并不一致,从而导致在油菜花期的同一景影像中往往同时出现不同生长阶段的油菜,如抽薹期与开花始期,或开花盛期与绿熟期并存,造成“同物异谱”现象。另外,抽薹期和绿熟期的油菜冠层光谱与冬小麦相近,易出现“异物同谱”现象,严重影响油菜遥感识别的精度。在一些已开展的油菜与冬小麦遥感分类的研究中,有的采用微波遥感手段,通过研究不同频率、极化方式和入射角的多时相SAR数据对于冬小麦和油菜生长季灵敏性之间的差异,从而实现两种作物的区别[20];有的基于多源光学遥感数据,辅以高程、坡度等数据,利用面向对象的分类思想,使用最邻近分类法与阈值法相结合,对关键生育期（尤其是油菜盛花期）的冬小麦和油菜进行区分[21];有的仅利用GF-1 WFV光学影像数据,运用决策树模型和面向对象分类方法实现油菜与冬小麦的识别[22]。由于油菜遥感提取研究中选用的多为光学遥感影像数据,因此混合像元问题无法避免,尤其是冬小麦或其他植被与道路、裸地等地物形成的混合像元光谱特征与油菜高度相似,在一定程度上制约着油菜遥感识别的精度,针对这一问题有的学者采用建立线性光谱混合模型的方法提取油菜种植面积并得到了较好的精度[9]。此外,有学者尝试在光谱数据、植被指数的基础上加入纹理特征,并采用不同分类方法探寻纹理特征是否有助于油菜遥感提取。研究结果表明:基于光谱信息与植被指数为分类特征的油菜种植面积提取精度为所有组合中最高,这也说明纹理特征在油菜遥感识别中并不占据主导作用[15,23]。
高分六号（GF-6）卫星于2018年6月2日发射,搭载的宽视场（Wide Field View,WFV）传感器新增了黄波段、红边波段等,极大地丰富了遥感影像中的植被冠层光谱信息,对农林作物的长势监测和提取分类具有重要意义。目前国内外学者中仅有 蒋怡等[24]基于高分六号影像通过监督分类方法对四川东部油菜进行种植调查,对于利用GF-6 WFV数据进行包括油菜在内的农作物遥感识别及相关研究仍较少。
已有文献中通常基于开花期油菜进行遥感提取研究,但很少考虑大田中不同生长阶段油菜并存现象引起的“同物异谱”效应。针对这一问题,本研究拟选择有着悠久油菜种植史的河南省固始县为研究区,以2019年3月25日和4月6日高分六号宽幅影像为数据源,首先通过分析和比较油菜不同组分、花期及其前后阶段油菜冠层光谱特性,以及其他典型地物的反射光谱特征,结合GF-6 WFV影像波段优势,构建油菜识别光谱指数和油菜提取决策树模型,以实现油菜高精度的遥感识别和评估GF-6 WFV数据对油菜分布信息提取的潜力。

2 研究区概况与数据来源

2.1 研究区概况

研究区位于河南省东南部固始县境内,其地理位置（115°20′E—115°56′E,31°45′N—32°41′N）见 图1,系鄂豫皖三省交界、华东与中原交融地带,南依大别山,北临淮河,境内丘陵纵横,河网密布。固始县地处江淮西部,淮河南岸,属北亚热带向暖温带过渡的季风性气候区,气候湿润,雨量丰沛,四季分明。境内土地由山地、丘陵、平原构成,分别占全县总面积的9.2%、43.6%、47.2%,其中平原主要分布在淮河、史河、史灌河、灌河、泉河沿岸。固始县土质以水稻土为主,多以麦-稻、油-稻一年两熟,属长江中游“双低”（指菜籽油中芥酸含量低和菜籽饼硫甙含量低）油菜生产优势区,多年以来油菜是该县第一大宗经济作物和支柱产业,2019年该县经济作物中油菜播种面积仅次于花生,为73.8km2,在所有经济作物中占比11.77%,占总耕地面积3.41%。除油菜之外,冬小麦也是固始县最普遍越冬作物之一,冬小麦与油菜有着相似的物候期（表1）。
图1 研究区地理位置

Fig. 1 Geographic location of the study area

表1 研究区主要作物物候历

Tab. 1 Key phenological calendar of main crops at the study area

主要作物 10月 11月 12月 1月 2月 3月 4月 5月 6月
上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上
冬小麦 出苗 苗期 越冬期 返青 起身 拔节 孕穗 抽穗 灌浆 成熟 收获
油菜 出苗 苗期 现蕾 抽薹 开花 角果成熟 收获

2.2 数据来源及处理

2.2.1 遥感影像数据及预处理
本文采用GF-6卫星的WFV L1级数据产品,可通过中国资源卫星应用中心网站（http://www.cresda.com/CN/）免费下载。GF-6 WFV空间分辨率为16m,幅宽为800 km,共有8个多光谱波段,除了通常的蓝、绿、红和近红外波段外,还增设了2个红边波段、紫波段以及黄波段4个波段,将各波段依波长升序调整排列顺序后的传感器技术指标如表2所示。根据研究区作物物候历以及影像云覆盖状况,本研究选取了2019年3月25日（油菜开花始期）和2019年4月6日（油菜盛花期）的2期过境影像,处于油菜盛花期的2019年4月6日影像未覆盖整个固始县,因此将3月25日影像与4月6日进行镶嵌拼接得到整个固始县的遥感数据（图1）。一方面,3月25日影像中油菜大多处于抽薹期,4月6日影像中油菜以盛花期为主,2期影像可互作为对照数据判定油菜所处生育期;另一方面,由于不同景影像成像条件存在差异,且多期遥感影像的结合会涵盖作物的多个生长阶段,大大增加油菜遥感识别的难度,同时也是实际工作中棘手的“痛点”。
表2 GF-6卫星WFV传感器技术指标（按波长升序排列）

Tab. 2 Technical specifications of WFV sensor for GF-6 satellite （sort by wavelength in ascending order）

波段号 波段范围/μm 波段名称 空间分辨率/m 幅宽/km
B01 0.40~0.45 紫波段 16 800
B02 0.45~0.52 蓝波段
B03 0.52~0.59 绿波段
B04 0.59~0.63 黄波段
B05 0.63~0.69 红波段
B06 0.69~0.73 红边1波段
B07 0.73~0.77 红边2波段
B08 0.77~0.89 近红外波段
每景GF-6/WFV影像数据包含3个数据块,首先基于ArcGIS 10.2读取GF-6/WFV L1级数据,并以TIFF格式导出,然后采用ENVI软件对导出的 GF-6/WFV数据进行辐射定标、大气校正、几何精校正、镶嵌和裁剪等预处理,最终得到研究区的8波段地表反射率数据。其中大气校正采用ENVI中FLAASH大气校正模块来实现,几何精校正则基于手持的GPS（Global Positioning System）野外测量的地面控制点,采用二次多项式法进行几何纠正,误差控制在0.5个像元以内。
2.2.2 油菜、冬小麦地面高光谱数据
为深入了解油菜从抽薹期至开花期冠层光谱反射特征变化特征,并理解同期冬小麦与油菜光谱特征差异,从中国典型地物波谱数据库中获取了抽穗期冬小麦冠层光谱（观测时间为2004年5月10日）、抽薹期（观测时间为2004年3月5日）及开花期（观测时间为2004年4月5日）油菜冠层光谱、油菜叶、花组分反射光谱及其对应的近景照片,冬小麦和油菜观测地点分别为北京小汤山和浙江海盐县。其中冠层光谱采用ASD FieldSpec Pro FR光谱仪进行测定,光谱范围为350~2500 nm（光谱分辨率3 nm@350~1000 nm,10 nm@1000~2500 nm）,组分光谱则采用ASD FieldSpec Pro FR光谱仪耦合LI-COR公司生产的LC1800-12积分球进行测定。
2.2.3 野外调查数据及其他辅助数据
结合油菜生长期、天气情况以及卫星过境时间,2019年4月2日至4月5日在研究区开展油菜种植情况调查。利用手持GPS在野外取得147个面状地物样点（其中油菜80个、冬小麦15个、林地5个、裸地样本10个、人工建筑样本8个、水体样本5个、冬小麦+道路混合像元样本24个）及用于几何精校正的15个地面控制点。并以Google earth中研究区2019年3月14日的高空间分辨率影像为辅助数据,结合野外获得的面状地物样点,通过目视判读方法扩展用于训练和验证数据集。综合野外调查数据以及高空间分辨率影像,本研究最终获得油菜（包括盛花期与绿熟期）、冬小麦、林地、裸地、人工建筑、水体、冬小麦+道路混合像元数目数分别为1187、809、832、612、615、570和281个,具体分布情况如图2所示,其中每类随机选择其中50%作为训练数据集,剩余50%作为验证数据集。
图2 研究区样本分布示意

Fig. 2 Sample distribution of the study area

3 研究方法

本研究使用油菜开花期内2景不同时相的 GF-6 WVF影像数据,根据实地调查情况在影像上选取不同类型的样本像元,进而利用均值间标准化距离探究归一化光谱指数、积分光谱指数在两两波段间何种组合方式下对不同类型地物具有最佳的可分性,以此为据建立油菜识别决策树模型。最后将新构建决策树模型的分类精度与随机森林、SVM、最大似然3类方法的分类精度进行对比,评价其对油菜的识别性能。研究技术路线如图3所示。
图3 油菜种植分布区域提取技术路线

Fig. 3 Flowchart of rapeseed planting distribution area extraction

3.1 归一化光谱指数

以波段组合的方式对单波段反射率归一化处理,可以提取比单一波段更稳定、更可靠的光谱特征。为了有效将油菜与其他类型地物进行区分,本文结合GF-6 WFV数据波段特点构建和优选用于油菜遥感识别的归一化光谱指数（Normalized Difference Spectral Index,NDSI）表示为 NDS I ij,公式如下：
NDS I ij = B i - B j B i + B j
式中： NDS I ij为GF-6第 i波段与第 j波段组合计算而得的归一化光谱指数; B i、 B j分别为GF-6 WFV数据第 i波段与第 j波段反射率。

3.2 积分光谱指数

处于花期的油菜在可见光波段反射率明显高于冬小麦、林地等其他植被。针对这一特征,拟结合反射光谱构建积分光谱指数 S ij,其计算公式如下：
S ij = ∑ i j B i + B j × ( λ i - λ j ) 2 ( j ∈ { i + 1 , i + 2 , … } )
式中： S ij为第 i波段与第 j波段之间的反射率积分面积; B i为GF-6 WFV第 i波段的反射率; λ i为GF-6 WFV第 i波段对应的波长/nm。
对于不同波段间的反射率积分面积 S ij,可为其设定一阈值s,完成构建基于积分法的地物识别模型。

3.3 光谱特征可分性分析

均值间标准化距离反映2个密度函数的可分性,即计算类别间的统计距离,其值越大代表该波段组合对某类型地物的可分性越好。为了从构建的 NDS I ij和 S ij中优选能有效识别油菜的光谱指数,采用均值间标准化距离进行判定,其计算公式如下：
d = μ 1 - μ 2 σ 1 + σ 2
式中： μ 1、 μ 2分别为2类样本各自的光谱均值; σ 1、 σ 2分别为2类样本各自的标准方差。

3.4 分类方法

（1）决策树法
决策树法是监督分类中常用的分级判别方法,其含义是对研究对象使用若干次二叉树进行逐级细分,利用多种判别函数层层“筛选”,逐级筛去各类别非目标地物,最终提取出研究目标。由于冬小麦、林地、冬小麦+道路混合像元是影响油菜提取精度的主要因素,因此需要基于GF-6 WFV数据构建及优选的光谱指数建立决策树模型,从而实现油菜有效识别。
（2）随机森林法
随机森林是一个由多棵决策树组成的庞大繁密的树状结构。随机森林中的一棵棵“树”的构建是随机森林算法的核心,其本质为随机的有放回的抽样,先随机抽取包含k个属性的特征子集,再从该子集中选择最优的属性作为该结点划分的依据,最后根据每棵树的判定结果进行投票,“票数”最高的即为最终输出结果[25,26]。
（3）支持向量机（SVM）法
支持向量机是一种重要的统计学习方法,是基于结构风险最小化、优化和核函数的线性分类器,近年来在遥感图像识别分类问题中有着较多的应用[27]。它通过引入核函数的概念在高维特征空间解算最优化问题,进而寻找最优分类超平面,解决复杂数据分类问题,对非线性问题而言具备非常好的适应性,并且具有很强的泛化性能[25,28]。
（4）最大似然法
最大似然法是一种广泛应用的监督学习分类器,可以同时定量地考虑2个以上的波段和类别。在最大似然分类中,多维空间内的各类样本数据构成一个向量群,并在各自维数轴上服从正态分布,从而服从多维正态分布[29]。
文中所用分类器的参数经作者多次反复测试,当分类精度趋于稳定时取之。其中,随机森林采用Sebastian Van der Linden提出的ENMAP-BOX模型[30],当树的数量达到250左右时分类精度趋于稳定,即便再增加树的数量,分类精度也无明显提高,且大大增加运算时间,因此“树的数量（Number of Trees）”设置为250;支持向量机“内核类型（Kernel Type）”选择的是应用较广的“径向基函数（Radial Basis Function）”,经过反复测试,Gamma为0.125或更小时分类精度较高且趋于稳定,“惩罚参数（Penalty Parameter）”使用默认值100为宜,其减小或增大均会略微降低分类总体精度,故Gamma设置为0.125,惩罚参数设置为100;最大似然法“概率阈值（Probability Threshold）”选择“单值（Single Value）”或“多值（Multiple Value）”得到的分类精度一致,此处遂选用了默认的“单值”。3类分类器的主要参数设置如表3所示。
表3 3类分类器参数

Tab. 3 Parameters of three classifiers

分类器 参数
随机森林 Number of Trees:250
支持向量机 Kernel Type:RBF;Gamma:0.125;Penalty:100
最大似然 Probability Threshold:Single Value

4 结果与分析

4.1 主要地物光谱特征分析

研究区内冬季种植的作物主要为油菜与冬小麦,二者生育期高度重叠。因此,冬小麦是油菜遥感识别过程中的主要干扰因素之一,此外林地也制约着油菜识别精度。但油菜开花期呈现的金黄色是其有效区别同时期其他绿色植被的关键特征。油菜主要经历苗期、现蕾期、抽薹期、开花期和绿熟期等几个生长阶段,开花期包括始花期、盛花期和终花期,通常定义当全田有25%以上植株主花序开始开花为始花期,全田有75%花序完全谢花为终花期,因此大田油菜花期通常持续1个月左右。
深入了解研究区内典型地物的反射光谱特征是油菜遥感识别的基础。图4展示了从中国典型地物波谱数据库中采用地面非成像光谱仪测量的盛花期油菜叶和花的组分高光谱反射光谱曲线,以及抽薹期、盛花期油菜冠层和抽穗期冬小麦冠层高光谱反射曲线。油菜花在400~500 nm波段反射率较低,且略低于油菜叶反射率;从500 nm开始,油菜花反射率急剧上升,至560 nm处趋于稳定（约0.42）,并一直持续至近红外波段。油菜叶反射率在可见光波段呈现为典型的“两谷一峰”形状,在红边波段反射率急剧抬升,至近红外波段稳定在0.55左右。抽薹期油菜冠层光谱形状与叶片光谱相似,但前者在所有波段整体低于后者。盛花期油菜冠层光 谱形态在400~500 nm波段与抽薹期相近,但从 500 nm之后迅速增大,在560 nm处达到可见光波段中的峰值,然后随着波长增加略微减小,至670 nm的红谷处达到最小,进入红边波段则迅速抬升,并在近红外波段形成高反射平台。油菜从抽薹期迈入开花期（冠层近景照片见图5）,其冠层光谱从绿光至红光波段显著增大,主要原因是在绿色叶片的“两谷一峰”特征基础上,叠加了油菜花组分在此波段的高反射。冬小麦冠层反射率在所有波段不但低于盛花期的油菜冠层,还低于抽薹期的油菜,其原因是油菜叶片宽厚,且无论在水平方向还是垂直方向,冠层密度通常大于同时期的冬小麦。
图4 油菜组分、冠层及冬小麦冠层高光谱反射曲线

Fig. 4 Components and canopy hyperspectral reflectance curves of rapeseed and winter wheat

抽薹期油菜营养生长与生殖生长进入旺盛时期,在开花期油菜叶绿素含量较高,但进入绿熟期的油菜则主要以生殖生长为主。在此期间,落叶林地正在逐步返青,这些都会成为该地区油菜提取的主要影响因素。图6展示了在油菜盛花期获取的GF-6 WFV影像中抽薹期、盛花期、绿熟期油菜、冬小麦、林地（包括常绿林地与落叶林地）、冬小麦+道路混合像元等典型地物多光谱反射率曲线,为了避免图6中光谱曲线太多而不便于比较,与油菜光谱差异较大的水体、裸地、人工建筑等非植被反射率曲线则未展示。抽薹期、盛花期、绿熟期3期油菜冠层反射率随波长变化趋势基本一致,在可见光波段内呈现为“两谷一峰”形状,在红边波段反射率急剧抬升。盛花期油菜冠层反射率在GF-6 WFV8个波段中的反射率普遍高于抽薹期与绿熟期,在425 nm紫波段与480 nm蓝波段处盛花期油菜冠层反射率略低于抽薹期,且3期油菜冠层反射率在此差异甚微;抽薹期与绿熟期油菜在不同波段冠层反射率十分相似,仅在750~830 nm波段抽薹期油菜反射率稍高于绿熟期。冬小麦冠层反射率在480~700 nm波段水平较低,均小于0.1,在红边波段迅速抬升,在830 nm处冬小麦冠层反射率与绿熟期油菜冠层反射率基本相同。常绿林地在紫波段至红边1波段范围内的冠层反射率介于冬小麦与抽薹期油菜之间,但在红边2波段处反射率提升速率稍弱于冬小麦,从而导致在750~830 nm波段林地冠层反射率弱于冬小麦冠层反射率。落叶林地因正在返青早期阶段,因此其反射率呈现出微弱的稀疏植被特征,即在可见光波段呈现较微弱的“两谷一峰”,进入红边波段随着波长出现小幅抬升。另外,在本研究区内,存在大量的冬小麦与道路（由裸土或人工建筑材料组成）的混合像元,发现其反射率综合了冬小麦与道路二者的特征,呈现为典型的植被反射特征,但在可见光波段其反射率高于冬小麦,而进入红边2波段则低于冬小麦。其原因是道路反射率在可见光波段高于冬小麦,而进入近红外波段则低于后者。
图6 GF-6 WFV影像中典型地物多光谱反射率曲线

Fig. 6 Multispectral reflectance curves of prominent land objects from GF-6 WFV image

4.2 油菜识别的光谱指数构建及优选

波段组合及其归一化处理,不但可以提高单一波段的稳定性和可靠性,还能增强特定地物类型信息,如植被指数。研究区内包含油菜、冬小麦、常绿林地、落叶林地、裸地、人工建筑、水体等多种典型地物类型,植被与非植被区域的区分是首要环节。基于GF-6 WFV数据的8个波段和3.1节的归一化光谱指数公式,以两两波段组合依次构建所有的归一化光谱指数。进一步采用均值间标准化距离评价各自对地物的可分性。通过对比发现,在所有的归一化光谱指数中, NDS I 28除了能较好地将植被与裸地、人工建筑、水体区分外,在落叶林地与油菜的可分性上明显优于包括传统的NDVI（即 NDS I 58）在内的其他归一化光谱指数,如抽薹期、盛花期和绿熟期油菜与落叶林地的 NDS I 28可分性分别为2.60、2.56和2.75,而NDVI则分别为2.35、1.55和2.03（表4）。其原因为：花期油菜在红光波段反射率增大,从而导致NDVI缩小了花期油菜与非植被地物反射率之间的差异及可分性,而 NDS I 28因未选择油菜花敏感波段则不受影响（表5）。
表4 NDS I 28与NDVI光谱指数可分性

Tab. 4 Separability of NDS I 28 and NDVI spectral index

地物类型 NDS I 28 NDVI
抽薹期油菜 冬小麦 1.19 1.32
常绿林地 0.34 0.18
落叶林地 2.60 2.35
裸地 5.19 5.35
人工建筑 5.17 4.90
水体 8.28 5.23
冬小麦+道路 0.59 0.63
盛花期油菜 冬小麦 1.22 3.24
常绿林地 0.31 1.04
落叶林地 2.56 1.55
裸地 5.11 4.53
人工建筑 5.11 4.16
水体 8.20 4.60
冬小麦+道路 0.56 0.33
绿熟期油菜 冬小麦 1.29 2.03
常绿林地 0.37 0.29
落叶林地 2.75 2.03
裸地 5.67 5.01
人工建筑 5.50 4.59
水体 8.84 4.96
冬小麦+道路 0.62 0.26
表5 典型地物的 NDS I 28与NDVI均值及标准差

Tab. 5 Mean & Standard Deviation of NDS I 28 and NDVI spectral index

地物类型 NDS I 28 NDVI
抽薹期油菜 0.63±0.03 0.64±0.04
盛花期油菜 0.62±0.03 0.53±0.03
绿熟期油菜 0.63±0.03 0.59±0.04
冬小麦 0.69±0.03 0.74±0.03
常绿林地 0.60±0.05 0.62±0.06
落叶林地 0.37±0.07 0.35±0.08
裸地 0.32±0.03 0.18±0.04
人工建筑 0.20±0.05 0.15±0.06
水体 -0.02±0.05 -0.05±0.07
冬小麦+道路 0.57±0.07 0.56±0.08
区分了非植被区域和落叶林地后,需进一步对油菜与冬小麦、常绿林地以及冬小麦+道路混合像元进行识别与区分。从图6中可知,油菜与冬小麦、常绿林地以及冬小麦+道路混合像元的多光谱反射率曲线整体走势大致相同,符合植被典型反射光谱特征,但无论处在抽薹期、盛花期或是绿熟期的油菜在各波段上的反射率均不同程度上高于其他三者,由此可依据3.2节中的积分光谱指数公式,通过计算2个不同波段间反射率的积分构建积分光谱指数进行区分。根据积分光谱指数可分性统计（表6）, S 34（即GF-6 WFV第3波段（绿波段）与第4波段（黄波段）间的反射率积分面积）对于油菜与常绿林地在各波段组合中的可分性最优,抽薹期、盛花期和绿熟期油菜与常绿林地的 S 34可分性分别为1.76、4.86和2.35（表7）。 S 34区分油菜与冬小麦的性能同样十分优异,其与3个生长期油菜间的可分性分别为2.85、5.97和3.21。然而抽薹期油菜与冬小麦+道路混合像元之间的 S 34可分性较弱,仅为0.57,尽管 S 34可将一部分冬小麦+道路混合像元与油菜区分开,但是剩余的混合像元光谱特征与抽薹期油菜十分相近,制约油菜识别精度,为此仍需进一步构建光谱指数将油菜层层分离出来。
表6 典型地物的 S 34均值及标准差

Tab. 6 Mean & Standard Deviation of S 34 integrated spectral index

积分光谱指数 抽薹期油菜 盛花期油菜 绿熟期油菜 冬小麦 常绿林地 冬小麦+道路
S 34 6.15±0.29 8.36±0.39 7.02±0.46 4.47±0.26 5.00±0.29 5.52±0.34
表7 S 34积分光谱指数可分性

Tab. 7 Separability of S 34integrated spectral index

地物类型 S 34
抽薹期油菜 冬小麦 2.85
常绿林地 1.76
冬小麦+道路 0.57
盛花期油菜 冬小麦 5.97
常绿林地 4.86
冬小麦+道路 3.25
绿熟期油菜 冬小麦 3.21
常绿林地 2.35
冬小麦+道路 1.30
利用GF-6 WFV第2、3波段构建的 NDS I 23光谱指数能够很好地提取出盛花期、绿熟期油菜以及一部分抽薹期油菜。据均值间标准化距离进行可分性统计与分析, NDS I 23是区分盛花期和绿熟期油菜与冬小麦+道路混合像元的最优指数,盛花期油菜、绿熟期油菜与冬小麦+道路混合像元的 NDS I 23可分性分别为3.20和2.07（表8）。从表9的 NDS I 23均值及标准差中也体现出盛花期、绿熟期油菜与冬小麦+道路混合像元在该指数下具有显著的可分性。
表8 NDS I 23光谱指数可分性

Tab. 8 Separability of NDS I 23 spectral index

光谱指数 抽薹期油菜-冬小麦+道路 盛花期油菜-冬小麦+道路 绿熟期油菜-冬小麦+道路
NDS I 23 0.45 3.20 2.07
表9 典型地物的 NDS I 23均值及标准差

Tab. 9 Mean & Standard Deviation of NDS I 23 spectral index

光谱指数 抽薹期油菜 盛花期油菜 绿熟期油菜 冬小麦+道路
NDS I 23 0.11±0.02 0.23±0.03 0.17±0.02 0.09±0.02
决策树的最后一层是对剩余的抽薹期油菜与冬小麦+道路混合像元的分离工作。由于二者在多种指数下呈现的结果都极为相近,产生严重的“异物同谱”现象,这也是油菜遥感识别实际工作中的难点,为此选用二者均值间标准化距离最大的 NDS I 46光谱指数单独进行识别判断。 NDS I 46利用了抽薹期油菜、冬小麦+道路混合像元在黄波段的反射率相近和在红边波段上的反射率差异的特性而构建,从而能够有效分离二者。抽薹期油菜与冬小麦+道路的 NDS I 46均值、标准差以及可分性如 表10所示。
表10 典型地物的 NDS I 46均值、标准差及可分性

Tab. 10 Mean, Standard Deviation & Separability of NDS I 46 spectral index

光谱指数 抽薹期油菜 冬小麦+道路 抽薹期油菜-冬小麦+道路可分性
NDS I 46 0.17±0.02 0.09±0.03 1.80

4.3 油菜识别的决策树模型构建

在4.2节构建和优选的油菜识别光谱指数基础上,选用实地调查数据作为训练样本,依据“均值（Mean）±2标准差（SD）”获得不同地物类型在不同指数上的可靠置信区间,结合错分概率最小的最优原则贝叶斯判别规则,并对非正态分布的地物类型阈值反复测试修正,详细对比后确定每一层的决策规则。
如式（4）所示,首先基于 NDS I 28能够区分植被区域与非植被区域和落叶林地,其原理为利用植被冠层在近红外波段的高反射率与对蓝光的吸收特性,采用归一化差值思想构建指数,且识别能力优于NDVI。
地物类型 = 植被 NDS I 28 > 0.48 非植被及落叶林地 NDS I 28 ≤ 0.48
对于光谱特性相似的绿熟期油菜、常绿林地、冬小麦以及冬小麦+道路混合像元,积分光谱指数 S 34可将前三者有效区分, S 34利用了生育期油菜在黄波段反射率较高的特点,从而能够准确地把油菜与常绿林地、冬小麦区分开。但是在 S 34中抽薹期油菜与冬小麦+道路混合像元有值域交集,因此 S 34仅能先行区分出一部分冬小麦+道路混合像元,余下部分进入后续层区分,详见式（5）。
地物类型 = 油菜、冬小麦 + 道路混合像元 S 34 > 5.7 冬小麦、常绿林地、冬小麦 + 道路混合像元 S 34 ≤ 5.7
余下的冬小麦+道路混合像元部分是影响油菜识别精度的“顽固分子”,因此在区分包含3个不同生长阶段的油菜与冬小麦+地物混合像元时均选用了可分性最优的光谱指数,以保证最准确的识别精度。由于抽薹期油菜正处于营养生长,单叶面积不及盛花期和绿熟期油菜,故其在蓝、绿波段间的反射率差异不及二者, NDS I 23正是利用这一特性分离出盛花期、绿熟期油菜,以及一部分抽薹期油菜,详见式（6）。
地物类型 = 抽薹期油菜、盛花期油菜、绿熟期油菜 NDS I 23 > 0.11 抽薹期油菜、冬小麦 + 道路混合像元 NDS I 23 ≤ 0.11
由于冬小麦+道路混合像元中植被所占的比重不及抽薹期油菜“纯像元”,故在GF-6 WFV第4波段（黄波段）与第6波段（红边1波段）的反射率差异值较小,而抽薹期油菜由于植被叶片结构因素使红边处的反射率迅速抬升,因此抽薹期油菜在GF-6 WFV第4、第6波段间的差值较前者更大。故基于这一特征构建的 NDS I 46能够将遗留的抽薹期油菜与冬小麦+道路混合像元有效分离,详见式（7）。
地物类型 = 抽薹期油菜 NDS I 46 > 0.14 冬小麦 + 道路混合像元 NDS I 46 ≤ 0.14
综合以上研究成果可构建油菜种植分布信息识别的决策树模型,如图7所示。
图7 油菜遥感提取决策树构建

Fig. 7 Decision tree for extraction of rapeseed planting distribution information

4.4 油菜提取结果及其精度评价

基于图7中构建的决策树模型对油菜进行识别与提取,同时为了和其他典型遥感分类识别方法进行对比,选用随机森林、SVM和最大似然3类算法通过监督学习方式进行油菜种植区域的识别提取,分类特征为2019年3月25日和4月6日拼接的 NDS I 28、 S 34、 NDS I 23和 NDS I 464个指数的组合,以上4类方法的训练样本数据集和验证样本数据集均相同。它们的油菜提取结果如图8所示,为了对比便于对比,每种方法只展示油菜与非油菜识别结果。
图8 油菜种植分布提取结果

Fig. 8 Results of rapeseed planting distribution extraction

进一步基于验证样本数据对各油菜识别结果分别进行精度评价,其评价结果如表11所示。对于总体精度而言,决策树法最高（达到96.17%）,最大似然法最低（为94.93%）,而随机森林法与SVM法,分别为95.86%和95.24%;对于用户精度,从高到底依次是随机森林法（89.09%）、最大似然法（88.52%）、决策树法（86.89%）和SVM法（82.48%）;对于生产者精度,决策树法高于另外3类方法4%以上,为98.15%,最大似然法最低,为89.56%,随机森林法和SVM法分别为93.43%和93.94%。Skakun等[31]的研究表明只有在生产者精度和用户精度同时高于85%时才能说明结果可信,由此说明本文构建的油菜识别决策树模型能够可靠地提取油菜种植分布信息。
表11 油菜提取精度评价

Tab. 11 Related data of rapeseed extraction accuracy (%)

提取方法 油菜识别精度
生产者精度 用户精度 总体精度
决策树法 98.15 86.89 96.17
随机森林法 93.43 89.09 95.86
SVM法 93.94 86.78 95.29
最大似然法 89.56 88.52 94.93
为了验证新增波段在提高油菜提取精度中的贡献,本文对仅保留了蓝、绿、红、近红外4个传统波段数据以及高分六号8个原始波段数据同样进行了基于决策树、随机森林、SVM和最大似然4类方法的分类,为排除主观因素的影响,此处决策树采用Breiman提出的 CART决策树算法[32]。验证结果表明,运用了高分六号新增波段的指数组合在决策树、随机森林、SVM和最大似然4类分类方法上分别比基于4个传统波段的总体精度高3.02%、0.74%、0.75%和0.04%,高分六号8个原始波段在不同分类方法中的总体精度也较4个传统波段高1.47%、0.51%、0.08%和0.04%（表12）,故说明高分六号卫星新增设的波段能够提高油菜的识别精度。
表12 不同分类特征选择方案下油菜提取总体精度评价对比

Tab. 12 Comparison of overall accuracy evaluation of rape extraction under different classification feature selection schemes (%)

数据源 油菜识别精度
决策树(CART) 随机森林 SVM 最大似然
4指数组合 96.48 95.86 95.29 94.93
4传统波段 93.46 95.12 94.54 94.89
8原始波段 94.93 95.63 94.62 94.93
此外,基于CART决策树算法的分类总体精度仅比本文构建的决策树高0.31%,二者性能旗鼓相当,说明本文构建的决策树性能可靠。但是基于CART决策树算法生成的决策树精度虽高,但其结构复杂,且每个分支物理含义不够明确,而本文构建的决策树4个指数各有分工,层层剔除非植被、其他值被和混合像元,具有明确的功能和意义。

4.5 油菜识别算法对比分析

不同油菜识别算法的原理不同,进而导致油菜识别的精度也存在差异。为了进一步探究不同识别算法提取油菜结果之间的差异及原因,通过结合油菜识别提取结果实例,对各识别算法进行分析比较。因选用的2019年3月25日与4月6日的研究区镶嵌影像中油菜横跨抽薹期、盛花期与绿熟期3个物候期,在光谱特征上造成的“同物异谱”和“异物同谱”效应严重制约着遥感识别的精度,故分别选取3月25日与4月6日影像共同覆盖的区域中处于抽薹期、盛花期、绿熟期的油菜提取结果实例进行对比。
图9（a）展示了研究区内一块处于抽薹期的油菜,此处油菜分布规则且较为均匀,大体上可分为左右2个部分。从分类结果中可以得出决策树法（图9（c））对油菜较为敏感,且能较好反映油菜实际种植分布情况,而随机森林法（图9（d））、SVM法（图9（e））、最大似然法（图9（f））在不同程度上“丢失”了油菜像元,尤其是随机森林法,右侧油菜地几乎完全遗漏,与实际情况出入较大。本文认为导致该结果的原因是抽薹期油菜光谱特性与其他植被、亦或是冬小麦+道路混合像元相近,从而使得决策树之外的3类方法造成油菜像元的误分。决策树中的 NDS I 46确保了抽薹期油菜不与其他地物相混淆,从而保证了识别精度。
图9 抽薹期油菜提取结果实例对比

Fig. 9 Example comparison of extraction results of rapeseed in bolting period

图10（b）展示了研究区内一块处于盛花期的油菜,此处油菜地块不规则且其长势及密度分布不均一。在4类油菜识别方法中,决策树法对油菜的识别精度最高（图10（c））,无论是成片的油菜地,还是破碎且稀疏的油菜地均能实现有效识别,漏分误差较小,这与表11中决策树法的生产者精度最优的结果相吻合。这是因为位于决策树首节点的 NDS I 28首先提取出油菜、冬小麦及冬小麦+闲地混合像元,将非植被区域和混杂在油菜地中的两处闲地与油菜区分开来,进一步通过 S 34和 NDS I 46便可将冬小麦和冬小麦+闲地混合像元剔除。而随机森林法与SVM法均漏分了部分油菜区域,漏分像元主要为盛花期油菜与冬闲地的混合像元,最大似然法则仅识别出了部分成片茂密的油菜区域,对于稀疏的油菜区域十分不敏感。
图10 盛花期油菜提取结果实例对比

Fig. 10 Example comparison of extraction results of rapeseed in full bloom

图11（b）展示了研究区内一块处于绿熟期的油菜,此处油菜地块毗邻冬小麦（蓝色标记区）分布,且二者光谱特征相似。基于决策树法的油菜识别精度（图11（c））仍优于其他3类方法,无论对零星分布的油菜（红色椭圆标记区）还是临岸种植的油菜（红色方框标记区）,都能够准确识别,保持了较低的漏分误差,分类结果与实际情况吻合。 NDS I 28首先将与油菜光谱差异较大的河流及河岸剔除,位于决策树第2、4层的 S 34和 ND S I 46不仅能剔除冬小麦地以及冬小麦+闲地混合像元,还能甄别绿熟期油菜与闲地的混合像元,这是筛选出零星分布油菜的关键所在。而随机森林法与SVM法不仅未能提取出零星分布的油菜,还漏分了部分冬小麦与绿熟期油菜的混合像元,最大似然法仅识别出了部分残存的开花油菜,对于绿熟期油菜的识别精度欠佳。
图11 绿熟期油菜提取结果实例对比

Fig. 11 Example comparison of extraction results of rapeseed in green maturity period

5 讨论

5.1 油菜遥感识别中生育期的选择

纵观大多数植被及作物整个生命周期内的反射光谱特性,其光谱特征存在严重的“同物异谱”和“异物同谱”现象。但不同类型的作物有着各自独特的物候期及其相应的形态与光谱特征,如油菜的盛花期,其金黄色的油菜花使得此时的油菜反射光谱特征显著区别于同时期其他植物。以我国长江中下游地区为例,油菜在2月中旬至3月中旬,历经现蕾期与抽薹期2个阶段,冠层光谱特征以油菜叶贡献为主;冬小麦则经历返青期、起身期等阶段,冠层光谱特征主要体现为冬小麦叶光谱,因此该时段内的油菜和冬小麦在遥感影像上的表征基本一致,此外杂草与林地的存在会使二者的区分变得更加困难。3月下旬开始至4月中旬为油菜的开花期,同时也是油菜最具特色的物候期,油菜花组分特殊的反射光谱使得此时油菜冠层光谱从波长500 nm开始的可见光波段反射率急剧上升,从而明显区别于包括冬小麦在内的其他植物。因此开花期是区别于油菜和其他作物及植被的重要物候期,是开展油菜遥感识别的最佳物候期,也是提高油菜遥感提取精度及效率的关键所在[16]。在以往的油菜遥感识别中,大多选择油菜开花期进行研究[5-7,9,15]。但是,油菜花期持续时间较长,加上不同田块种植时间、品种及长势等的差异,容易导致同一期遥感影像中多个生育期并存,如抽薹期与开花期,抽薹期油菜冠层光谱特性与冬小麦+道路混合像元极为相似,易造成误分;以及开花盛期与绿熟期,绿熟期导致油菜冠层逐渐“返绿”,从而在一定程度会上降低油菜遥感识别精度。因此,非常有必要对同时并存的不同生育期油菜进行考虑,以提高其识别精度。

5.2 遥感数据源的选择

随着遥感技术的飞跃发展,越来越多的优质遥感数据源相继涌现,各具特色的卫星影像为不同应用领域中遥感研究提供了强大的数据支撑。在遥感数据源的选择中,要根据应用目的与需求选择合适的时间、空间和光谱分辨率的遥感影像,以避免在人力、物力、时间上造成资源浪费。油菜等非粮食农作物的种植分布往往较为破碎,中高空间分辨率遥感影像既保证了精细的图像质量,又适当减小了非必要的数据量,是农作物遥感识别的理想之选。作物物候期较短,期间卫星过境次数有限,为保证在作物候期内尽可能地获取高质量遥感影像,应在保证空间分辨率的前提下尽可能提高卫星过境次数,以便选用云量最少、天气最优的影像。重返周期为4 d的GF-6 WFV可在油菜开花期过境 7~8次,在盛花期过境2~3次,若仅使用其与GF-1 WFV共有的传统波段,二者组网伴飞的时间分辨率可达2 d。植被的“红边”信息能够反映植被的生长状况和健康状况,GF-6 WFV不仅新增了2个对农作物生长监测具有重要意义的红边波段,还新增了黄波段与紫波段,这样的工作波段设置有效抓住了农作物的光谱敏感波段,能够更加细致、准确地反馈农作物反射光谱的变化,是精准农业的一大利器。此外,GF-6 WFV幅宽800 km,成像面积非常大,为同一时相下不同空间维度的农情分析与作物监测工作的开展打下了基础[33,34,35]。因此,通过本文的研究结果进一步表明GF-6 WFV数据在农业遥感中具有强大的优势和潜力。

5.3 油菜遥感识别误差来源

混合像元是遥感应用中无法避免的误差来源之一,由于研究区冬小麦地间的道路宽度常常不足GF-6 WFV的一个像元,从而出现大量道路与冬小麦的混合像元,而其光谱特征又与油菜（尤其是抽薹期油菜）相近,影响油菜识别精度,本文为此单独将冬小麦+道路混合像元作为一种地物类型,并构建了一系列光谱指数解决这一问题,使得油菜与冬小麦+道路混合像元有了较好的可分性。油菜遥感识别中的误差之二,是伴随着油菜开花期出现的多生育期并存现象导致的“同物异谱”效应,严重制约油菜识别精度。本文针对这一问题,特将抽薹期油菜、盛花期油菜与绿熟期油菜分开讨论,并利用GF-6 WFV新增的黄波段构建了 S 34积分光谱指数,从而能够将绿熟期油菜与冬小麦、常绿林地区分开来,保证绿熟期油菜不与光谱特征相似的其他植被作物混淆,显著提升了多生育期并存情况下的油菜识别精度;以及 NDS I 46归一化光谱指数,能够准确区分抽薹期油菜与冬小麦+道路混合像元。品种和地理位置的差异是影响油菜遥感识别的误差之三,由于气候和地理条件、土壤类型、作物品种等差异,使得不同品种、不同地域的作物在光谱上略显差异,此差异可能为油菜遥感识别带来误差。本文所选用的中国典型地物波谱数据库中油菜冠层及其不同组分、冬小麦冠层的反射光谱,由于地理位置和观测年份的差异导致地面观测与卫星观测非同步,从而导致其与研究区内作物反射光谱存在一些差异,但中国典型地物波谱数据库中作物光谱数据仍然具有一定的代表性,能够用于说明油菜和冬小麦在反射光谱特性上的普遍规律。除此之外,油菜种植区域的分布往往较为破碎,在一定程度上给油菜遥感识别带来误差,本研究构建的 NDS I 28和 NDS I 23能较好将与闲地和其他植被混合或毗邻分布的油菜提取出来,较好地减小了这方面的误差。

6 结论

本研究以河南省固始县为研究区,利用油菜开花期内两期GF-6 WFV数据并结合研究区当地物候历,构建了油菜识别光谱指数与决策树模型,实现了基于GF-6 WFV数据的油菜种植区域遥感提取,并从中得出以下结论:
（1）油菜花特殊的反射光谱特性使得盛花期油菜与同期其他植被可分性较强,因此盛花期是油菜遥感识别的最佳生育期;但油菜花期较长,易导致油菜花期的同期影像中多种生育期并存（如盛花期和绿熟期并存,或开花始期和抽薹期并存）产生“同物异谱”现象;此外冬小麦与道路混合像元、常绿与落叶林地均严重制约着油菜遥感识别的精度。
（2）本文结合GF-6 WFV数据的波段优势,构建了油菜识别光谱指数及决策树模型,实现了油菜的高精度识别。因开花期油菜冠层从绿波段至红波段的反射率显著高于同期其他植被,导致传统植被指数进行植被与非植被的区分时精度下降,而 NDS I 28提高了其识别能力;结合550~670 nm波长之间的黄波段而构建的 S 34能较好地进一步将油菜同冬小麦及常绿林地区分开来;开花期油菜冠层在波长500 nm处的反射率迅速抬升,基于这一特征构建了 NDS I 23,使盛花期和绿熟期油菜与冬小麦+道路混合像元有效分离;根据抽薹期油菜与冬小麦+道路混合像元在波长610 nm黄波段处反射率相当,而在波长710 nm红边处抽薹期油菜反射率抬升显著大于混合像元,构建了 NDS I 46,使冬小麦+道路混合像元完全与油菜分离。与其他3类油菜识别方法相比,本文构建的决策树法的总体精度最高,达到96.17%。
（3） GF-6 WFV数据在油菜种植区域的遥感识别与提取方面具有巨大潜力,尤其是黄波段和红边波段在油菜识别中能发挥重要作用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
甄晓菊, 张雪红, 吴国明, 等. 基于Sentinel-2A NDVI时间序列数据的冬小麦识别[J]. 江苏农业科学, 2019, 47(16):239-245.

[ Zhen X J, Zhang X H, Wu G M, et al. Identification of winter wheat based on sentinel-2A NDVI times series data[J]. Jiangsu Agricultural Sciences, 2019, 47(16):239-245. ]

[2]
吴炳方. 中国农情遥感速报系统[J]. 遥感学报, 2004, 8(6):481-497.

[ Wu B F. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6):481-497. ]

[3]
Wu B F, Meng J H, Li Q Z, et al. Remote sensing-based global crop monitoring: Experiences with China's CropWatch system[J]. International Journal of Digital Earth, 2014, 7(2):113-137.

DOI

[4]
梁益同, 万君. 基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法[J]. 中国农业气象, 2012, 33(4):573-578.

[ Liang Y T, Wan J. Application of HJ-1A/B-CCD images in extracting the distribution of winter wheat and rape in Hubei Province[J]. Chinese Journal of Agrometeorology, 2012, 33(4):573-578. ]

[5]
王东, 方圣辉, 王政. 基于光谱特征和颜色特征的油菜提取研究[J]. 农业机械学报, 2018, 49(3):158-165.

[ Wang D, Fang S H, Wang Z. Extraction for oilseed rape based on spectral feature and color feature[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3):158-165. ]

[6]
杨泽宇, 张洪艳, 明金, 等. 深度学习在高分辨率遥感影像冬油菜提取中的应用[J]. 测绘通报, 2020(9):110-113.

[ Yang Z Y, Zhang H Y, Ming J, et al. Extraction of winter rapeseed from high-resolution remote sensing imagery via deep learning[J]. Bulletin of Surveying and Mapping, 2020(9):110-113. ]

[7]
魏传文, 黄敬峰, 杨玲波. 基于多时相环境卫星的冬前油菜种植面积估算[J]. 中国农业信息, 2019, 31(5):38-48.

[ Wei C W, Huang J F, YANG L B. Estimation of rapeseed planting area before winter based on multi-temporal[J]. China Agricultural Informatics, 2019, 31(5):38-48. ]

[8]
钟仕全, 陈燕丽, 莫建飞, 等. 基于中巴02B星遥感数据的油菜识别技术研究[J]. 国土资源遥感, 2010, 22(2):77-79,85.

[ Zhong S Q, Chen Y L, Mo J F, et al. Cole feature extraction from CBERS-02B remote sensing images[J]. Remote Sensing for Land & Resources, 2010, 22(2):77-79,85. ]

[9]
王立辉, 黄进良, 孙俊英. 基于线性光谱混合模型的油菜种植面积遥感监测方法研究[J]. 遥感信息, 2010, 25(3):55-59.

[ Wang L H, Huang J L, Sun J Y. Study on remote sensing monitoring of rape acreage based on linear spectral mixture model[J]. Remote Sensing Information, 2010, 25(3):55-59. ]

[10]
Li D D, Liu J, Zhou Q B, et al. Study on information extraction of rape acreage based on TM remote sensing image[C]. International Geoscience and Remote Sensing Symposium (IGARSS), 2011:3323-3326.

[11]
肖善才. 基于生长气候分区的土地利用农作物种植面积快速提取研究——以南京市油菜种植面积提取为例[J]. 上海国土资源, 2018, 39(1):50-56.

[ Xiao S C. Rapid extraction research on cultivable areas based on growth climate zone: The example of rapid planted-area extraction in Nanjing[J]. Shanghai Land&Resources, 2018, 39(1):50-56. ]

[12]
张煦, 马驿, 郑雯, 等. 基于时序MODIS-NDVI的油菜种植面积变化趋势分析——以江汉平原为例[J]. 长江流域资源与环境, 2016, 25(3):412-419.

[ Zhang X, Ma Y, Zheng W, et al. Variation trend of rape cultivation area based on modis-ndvi time series data: A case in Jianghan plain[J]. Resources and Environment in the Yangtze Basin, 2016, 25(3):412-419. ]

[13]
王松林, 张佳华, 刘学锋. 基于MODIS多时相的江苏启东市油菜种植面积提取[J]. 遥感技术与应用, 2015, 30(5):946-951.

[ Wang S L, Zhang J H, Liu X F. Extraction of rape planting areas based on multi-temporal MODIS data in Qidong, Jiangsu Province[J]. Remote Sensing Technology and Application, 2015, 30(5):946-951. ]

[14]
柴振刚, 胡佩敏, 熊勤学. 基于面向对象的光学和Sentinel—1 SAR数据油菜种植空间分布信息提取方法研究[J]. 气象科技进展, 2018, 8(5):58-62.

[ Chai Z G, Hu P M, Xiong Q X. The extraction method of rape oil planting distribution using per-field classification based optical and sentinel-1 SAR images data[J]. Advances in Meteorological Science and Technology, 2018, 8(5):58-62. ]

[15]
韩涛, 潘剑君, 张培育, 等. Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究[J]. 遥感技术与应用, 2018, 33(5):890-899.

[ Han T, Pan J J, Zhang P Y, et al. Study on differences between sentinel-2A and landsat-8 images in rape identification[J]. Remote Sensing Technology and Application, 2018, 33(5):890-899. ]

[16]
李中元, 吴炳方, 张淼, 等. 利用物候差异与面向对象决策树提取油菜种植面积[J]. 地球信息科学学报, 2019, 21(5):720-730.

DOI

[ Li Z Y, Wu B F, Zhang M A, et al. Identifying rapeseed planting area using an object-oriented method and crop phenology[J]. Journal of Geo-information Science, 2019, 21(5):720-730. ]

[17]
Tao J B, Wu W B, Liu W B, et al. Exploring the spatio-temporal dynamics of winter rape on the middle reaches of Yangtze River Valley using time-series MODIS data[J]. Sustainability, 2020, 12(2):466.

DOI

[18]
尤慧, 苏荣瑞, 肖玮钰, 等. 基于MODIS EVI时序数据的江汉平原油菜种植分布信息提取[J]. 国土资源遥感, 2018, 30(1):173-179.

[ You H, Su R R, Xiao W Y, et al. Extraction of rape planting distribution information in Jianghan Plain based on MODIS EVI time series data[J]. Remote Sensing for Land & Resources, 2018, 30(1):173-179. ]

[19]
佘宝, 黄敬峰, 石晶晶, 等. 基于红边位置变化特征的油菜种植区域提取[J]. 农业工程学报, 2013, 29(15):145-152.

[ She B, Huang J F, Shi J J, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(15):145-152. ]

[20]
Fieuzal R, Baup F, Maraissicre C. Monitoring wheat and rapeseed by using synchronous optical and radar satellite data-from temporal signatures to crop parameters estimation[J]. Advances in Remote Sensing, 2013, 2(2):162-180.

DOI

[21]
王林江, 吴炳方, 张淼, 等. 关键生育期冬小麦和油菜遥感分类方法[J]. 地球信息科学学报, 2019, 21(7):1121-1131.

DOI

[ Wang L J, Wu B F, Zhang M, et al. Winter wheat and rapeseed classification during key growth period by integrating multi-source remote sensing data[J]. Journal of Geo-information Science, 2019, 21(7):1121-1131. ]

[22]
姬忠林, 张月平, 李乔玄, 等. 基于GF-1影像的冬小麦和油菜种植信息提取[J]. 遥感技术与应用, 2017, 32(4):760-765.

[ Ji Z L, Zhang Y P, Li Q X, et al. PlantingInformation extraction of winter wheat and rape based on GF-1 images[J]. Remote Sensing Technology and Application, 2017, 32(4):760-765. ]

[23]
Shan J, Wang Z M, Yu K, et al. Study on extraction methods of rape area based on GF-1 satellite image[C]. 2018 7th International Conference on Agro-geoinformatics (Agro-geoinformatics), Hangzhou, 2018:1-5.

[24]
蒋怡, 董秀春, 王昕, 等. 基于高分六号影像的四川盆地油菜种植调查[J]. 四川农业科技, 2020(1):68-70.

[ Jiang Y, Dong X C, Wang X, et al. A survey on rape cultivation in Sichuan Basin based on the image of GF-6[J]. Sichuan Agricultural Science and Technology, 2020(1):68-70. ]

[24]
蒋怡, 董秀春, 王昕, 等. 基于高分六号影像的四川盆地油菜种植调查[J]. 四川农业科技, 2020(1):68-70.

[ Jiang Y, Dong X C, Wang X, et al. A survey on rape cultivation in Sichuan Basin based on the image of GF-6[J]. Science and Technology of Sichuan Agriculture, 2020(1):68-70. ]

[25]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-32.

DOI

[26]
Francisco J, Marcos O, Carlos M, et al. On-line estimation of the aerobic phase length for partial nitrification processes in SBR based on features extraction and SVM classification[J]. Chemical Engineering Journal, 2018(331):114-123.

[27]
何昭欣, 张淼, 吴炳方, 等. Google Earth Engine支持下的江苏省夏收作物遥感提取[J]. 地球信息科学学报, 2019, 21(5):752-766.

DOI

[ He Z X, Zhang M A, Wu B F, et al. Extraction of summer crop in Jiangsu based on google earth engine[J]. Journal of Geo-information Science, 2019, 21(5):752-766. ]

[28]
Pelletier C, Valero S, Inglada J, et al. Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas[J]. Remote Sensing of Environment, 2016, 187:156-168.

DOI

[29]
骆剑承, 王钦敏, 马江洪, 等. 遥感图像最大似然分类方法的EM改进算法[J]. 测绘学报, 2002, 31(3):234-239.

[ Luo J C, Wang Q M, Ma J H, et al. The EM-based maximum likelihood classifier for remotely sensed data[J]. Acta Geodaetica et Cartographica Sinica, 2002, 31(3):234-239. ]

[30]
Van der Linden S, Rabe A, Held M, et al. The EnMAP-Box: A toolbox and application programming interface for EnMAP data processing[J]. Remote Sensing. 2015; 7(9):11249-11266.

DOI

[31]
Skakun S, Kuaaul N, Shelestov A Y, et al. Efficiency assessment of multi-temporal C-Bang 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 and Remote Sensing, 2015, 9(8):1-8.

[32]
Breiman L, Friedman J H, Olshen R, et al. Classification and regression trees[J]. Encyclopedia of Ecology, 1984, 40(3):582-588.

[33]
刘晋阳, 辛存林, 武红敢, 等. GF-6卫星WFV数据在林地类型监测中的应用潜力[J]. 航天返回与遥感, 2019, 40(2):107-116.

[ Liu J Y, Xin C L, Wu H G, et al. Potential application of GF-6 WFV data in forest types monitoring[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(2):107-116. ]

[34]
曾庆伟, 武红敢. GF-6WFV黄边波段在森林扰动监测中的应用潜力研究[J]. 北京测绘, 2020, 34(2):208-213.

[ Zeng Q W, Wu H G. Analysis of forest disturbance monitoring potential of GF-6 WFV yellow edge band data[J]. Beijing Surveying and Mapping, 2020, 34(2):208-213. ]

[35]
陆春玲, 白照广, 李永昌, 等. 高分六号卫星技术特点与新模式应用[J]. 航天器工程, 2021, 30(1):7-14.

[ Lu C L, Bai Z G, Li Y C, et al. Technical characteristic and new mode Applications of GF-6 satellite[J]. Spacecraft Engineering, 2021, 30(1):7-14. ]

Options
文章导航

/

〈 〉