论文部分内容阅读
摘要 遥感技术目前在农业方面得到了广泛的应用，冬小麦作为我国重要粮食作物，农业部先后2次在全国范围内组织开展了冬小麦遥感本底调查工作。该研究介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法，并对调查结果进行了分析，总结了省域冬小麦种植面积遥感本底调查方法和经验。
关键词 冬小麦；遥感；种植面积；本底调查
中图分类号 S127 文献标识码 A 文章编号 0517-6611（2016）17-269-03
Abstract Remote sensing technology in agriculture has been widely used at present. Ministry of Agriculture has twice organized a remote sensing background investigation of winter wheat planting area in the nationwide， which is an important food crop in China. Remote sensing background investigation method of winter wheat planting area in Anhui Province in 2015 was introduced， including image selection， data preprocessing and interpretation， the survey results were analyzed， remote sensing background investigation methods and experience of winter wheat planting area in provincial region were summarized.
Key words Winter wheat； Remote sensing； Planting area； Background investigation
随着科学技术的发展，遥感技术在农业方面得到了广泛的应用[1-6]。冬小麦是我国主要的粮食作物，其面积是农情信息的主要内容之一，准确地监测冬小麦的播种面积和产量，对于政府决策部门及时掌握冬小麦生产情况，制定合理的对策具有重要意义。2009、2015年农业部分别组织开展了2次遥感本底调查工作。笔者介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法，并对调查结果进行了分析，为省域冬小麦种植面积遥感本底调查提供经验参考。
1 数据来源与研究方法
1.1 数据准备
1.1.1 确定最佳遥感观测时间。
安徽省冬小麦主要生育期如表 1所示，可以看出安徽省小麦种植情况的最佳遥感观测时间为3月～5月上旬。
1.1.2 确定影像空间分辨率要求。
冬小麦种植面积遥感调查最佳影像分辨率确定的依据主要有以下3点。
（1）解译精度要求。解译精度要求越高，则影像分辨率要求越高，但是影像精度高了，解译的工作量也就变大，调查时间相应增加。因此，需要在解译精度和解译工作量、调查时间之间取个平衡值。
（2）种植区地形条件。地形平坦地区，田块面积较大，机械化作业条件好，作物一般连片种植，较低空间分辨率影像即可达到较高解译精度；在丘陵和山地地区，地块面积较小，需要较高空间分辨率影像才能有效识别农作物。
（3）影像获取成本。农作物种植面积调查覆盖面积大，遥感影像采购成本是重要决定因素，一般优先采用免费、国产遥感卫星数据。
综合考虑上述3个依据，皖北地区最佳分辨率为15～16 m，皖南地区5～10 m。
1.1.3 确定影像时间分辨率要求。
根据冬小麦3～5月上旬最佳遥感观测期，卫星应有足够多的重访周期，确保在这期间有一至两景无云影像。一般情况下，卫星重访周期小于20 d有较多可能获取到合格影像。
1.1.4 遥感影像数据定购。
根据影像空间分辨率、时间分辨率的要求，此次调查主要采用2015年3月、4月的国产GF-1 WFV传感器16 m影像25景，安徽省各县解译使用影像时间分布见图1。鉴于难以获取5～10 m空间分辨率免费遥感影像数据，因此皖南地区也采用该分辨率遥感影像。
1.2 数据预处理
1.2.1 几何校正。
先利用GF-1 WFV传感器自带的rpb文件中的控制点和全球分辨率7.5 s（约200 m）DEM数据对影像进行正射校正，再以美国地质调查局下载的Landsat8卫星15 m分辨率全色波段（第8波段）影像为取控制点源影像，将正射校正后影像进行进一步修正。最后将校正后影像从WGS84大地坐标 UTM投影转换为WGS84大地坐标Albers等面积投影。
1.2.2 图像剪裁。
以安徽省分县行政界线为基础，按县域边界对遥感图像进行剪裁。同一地区可能有多景影像可以使用，图像选取时优先使用4月份无云图像。如无4月份影像，则依次选择3月份无云影像、5月份无云影像。根据影像选优结果，制作影像裁剪框，利用裁剪框按县对所有对应的校正后的图像分别进行裁剪，形成全省全覆盖遥感影像（图2）。
1.3 遥感解译方法
1.3.1 建立解译标志。
GF-1 WFV影像数据1、2、3、4波
段分别是蓝、绿、红和近红外波段，使用对植被特征反映较好的标准假彩色合成影像来目视判读识别冬小麦。由于图像成像光照条件不同、区域环境背景差异等，同样是小麦地块，在影像色调有一定的差异。对野外获得的解译标志点进行了梳理，从解译标志点的代表性及区域布点的均衡性两方面考虑，共选取了60个小麦标志点，在解译过程中对比参考。为便于对小麦解译标志的总体把握，对小麦影像基本特征进行描述，建立如图3所示的解译标志。 1.3.2 影像解译。
（1）建立分类模板。根据解译县地形特点，对影像按地形和种植特点进行进一步裁剪，然后再对每个小块进行计算机自动分类。因为受各种内、外在因素影响（天气、灌溉条件、种植时间），不同地点小麦的光谱差异较大，将遥感图像切割成小块再进行分类，可以根据切割成小块区域的图像特征建立分类模板，这样分类模板更贴近各区域实际，分类精度更高。
（2）监督分类。利用ERDAS Imagine软件进行最大似然法监督分类，得到分类后的栅格图像。
（3）去碎点。分类结果的栅格图像中有大量的小于2个像元的区域，根据最小上图图斑原则，可以进行去碎点处理。
（4）分类结果转矢量。分类结果是栅格图像，需要将其转化为矢量数据后进行目视解译。利用ArcGIS的“删格转面”功能将分类栅格结果转化shape矢量格式。
（5）人工目视解译修正小麦种植区矢量数据。利用ArcMap的Editor模块对自动分类结果不准确的地方进行目视解译修改，得到如图4所示的矢量文件。
2 结果与分析
2015安徽省冬小麦种植面积遥感解译结果见表2。根据全省冬小麦种植区解译结果，绘制2015年安徽省冬小麦种植区分布图（图5）。
2015年安徽全省冬小麦种植面积3 020 051.06 hm2，约占全省耕地总面积的26%。与2009年调查的全省冬小麦种植面积相比，冬小麦种植面积总体扩大约10%，主要原因是安徽中南部地区近几年受农作物种植效益、土地流转等因素影响，减少了原有的油菜、双季稻种植，扩大了冬小麦种植面积。
从图5中可以看出，2015年安徽省冬小麦种植主要分布在六安—合肥—滁州一线以北地区，其他地区小麦种植面积相对较少。亳州地区、阜阳地区、宿州地区、蚌埠地区是安徽省冬小麦主产区，种植面积占耕地面积百分比大，约占到40%～60%。江淮之间地区寿县、定远、来安、天长4县（市）
种植相对较多，约占到耕地面积的20%～50%，江淮之间其他地区和长江以南种植较少，但近年来有不断扩大的趋势。
3 结论
以2005年安徽省冬小麦遥感本底调查为例，对省域冬小麦种植面积遥感本底调查的方法和结果进行了分析，得出以下结论。
（1）安徽省冬小麦种植最佳遥感观测时间为3月至5月上旬，遥感影像最佳空间分辨率皖北地区为15～16 m，皖南地区为5～10 m。
（2）基于遥感技术进行大面积、业务化冬小麦种植面积遥感本底调查在技术方法完全可行，调查结果可信。
（3）2015年安徽全省冬小麦种植面积约3 020 051.06 hm2，约占全省耕地总面积的26%。与2009年调查的全省冬小麦种植面积相比，冬小麦种植面积总体扩大了约10%。
参考文献
[1] 陆忠军.多源遥感数据在黑龙江水稻种植面积本底调查中的应用[J].黑龙江农业科学，2009（6）：134-136.
[2] 赵丽花，李卫国，杜培军.基于多时相HJ卫星的冬小麦面积提取[J].遥感信息，2011（2）：41-45.
[3] 王来刚，郑国清，陈怀亮，等.基于HJ-CCD影像的河南省冬小麦种植面积变化全覆盖监测[J].中国农业资源与区划，2011，32（2）：58-62，67.
[4] 权文婷，王钊.冬小麦种植面积遥感提取方法研究[J].国土资源遥感，2013，25（4）：8-15.
[5] 潘学鹏，李改欣，刘峰贵，等.华北平原冬小麦面积遥感提取及时空变化研究[J].中国生态农业学报，2015（4）：497-505.
[6] 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（11）：194-201.
关键词 冬小麦；遥感；种植面积；本底调查
中图分类号 S127 文献标识码 A 文章编号 0517-6611（2016）17-269-03
Abstract Remote sensing technology in agriculture has been widely used at present. Ministry of Agriculture has twice organized a remote sensing background investigation of winter wheat planting area in the nationwide， which is an important food crop in China. Remote sensing background investigation method of winter wheat planting area in Anhui Province in 2015 was introduced， including image selection， data preprocessing and interpretation， the survey results were analyzed， remote sensing background investigation methods and experience of winter wheat planting area in provincial region were summarized.
Key words Winter wheat； Remote sensing； Planting area； Background investigation
随着科学技术的发展，遥感技术在农业方面得到了广泛的应用[1-6]。冬小麦是我国主要的粮食作物，其面积是农情信息的主要内容之一，准确地监测冬小麦的播种面积和产量，对于政府决策部门及时掌握冬小麦生产情况，制定合理的对策具有重要意义。2009、2015年农业部分别组织开展了2次遥感本底调查工作。笔者介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法，并对调查结果进行了分析，为省域冬小麦种植面积遥感本底调查提供经验参考。
1 数据来源与研究方法
1.1 数据准备
1.1.1 确定最佳遥感观测时间。
安徽省冬小麦主要生育期如表 1所示，可以看出安徽省小麦种植情况的最佳遥感观测时间为3月～5月上旬。
1.1.2 确定影像空间分辨率要求。
冬小麦种植面积遥感调查最佳影像分辨率确定的依据主要有以下3点。
（1）解译精度要求。解译精度要求越高，则影像分辨率要求越高，但是影像精度高了，解译的工作量也就变大，调查时间相应增加。因此，需要在解译精度和解译工作量、调查时间之间取个平衡值。
（2）种植区地形条件。地形平坦地区，田块面积较大，机械化作业条件好，作物一般连片种植，较低空间分辨率影像即可达到较高解译精度；在丘陵和山地地区，地块面积较小，需要较高空间分辨率影像才能有效识别农作物。
（3）影像获取成本。农作物种植面积调查覆盖面积大，遥感影像采购成本是重要决定因素，一般优先采用免费、国产遥感卫星数据。
综合考虑上述3个依据，皖北地区最佳分辨率为15～16 m，皖南地区5～10 m。
1.1.3 确定影像时间分辨率要求。
根据冬小麦3～5月上旬最佳遥感观测期，卫星应有足够多的重访周期，确保在这期间有一至两景无云影像。一般情况下，卫星重访周期小于20 d有较多可能获取到合格影像。
1.1.4 遥感影像数据定购。
根据影像空间分辨率、时间分辨率的要求，此次调查主要采用2015年3月、4月的国产GF-1 WFV传感器16 m影像25景，安徽省各县解译使用影像时间分布见图1。鉴于难以获取5～10 m空间分辨率免费遥感影像数据，因此皖南地区也采用该分辨率遥感影像。
1.2 数据预处理
1.2.1 几何校正。
先利用GF-1 WFV传感器自带的rpb文件中的控制点和全球分辨率7.5 s（约200 m）DEM数据对影像进行正射校正，再以美国地质调查局下载的Landsat8卫星15 m分辨率全色波段（第8波段）影像为取控制点源影像，将正射校正后影像进行进一步修正。最后将校正后影像从WGS84大地坐标 UTM投影转换为WGS84大地坐标Albers等面积投影。
1.2.2 图像剪裁。
以安徽省分县行政界线为基础，按县域边界对遥感图像进行剪裁。同一地区可能有多景影像可以使用，图像选取时优先使用4月份无云图像。如无4月份影像，则依次选择3月份无云影像、5月份无云影像。根据影像选优结果，制作影像裁剪框，利用裁剪框按县对所有对应的校正后的图像分别进行裁剪，形成全省全覆盖遥感影像（图2）。
1.3 遥感解译方法
1.3.1 建立解译标志。
GF-1 WFV影像数据1、2、3、4波
段分别是蓝、绿、红和近红外波段，使用对植被特征反映较好的标准假彩色合成影像来目视判读识别冬小麦。由于图像成像光照条件不同、区域环境背景差异等，同样是小麦地块，在影像色调有一定的差异。对野外获得的解译标志点进行了梳理，从解译标志点的代表性及区域布点的均衡性两方面考虑，共选取了60个小麦标志点，在解译过程中对比参考。为便于对小麦解译标志的总体把握，对小麦影像基本特征进行描述，建立如图3所示的解译标志。 1.3.2 影像解译。
（1）建立分类模板。根据解译县地形特点，对影像按地形和种植特点进行进一步裁剪，然后再对每个小块进行计算机自动分类。因为受各种内、外在因素影响（天气、灌溉条件、种植时间），不同地点小麦的光谱差异较大，将遥感图像切割成小块再进行分类，可以根据切割成小块区域的图像特征建立分类模板，这样分类模板更贴近各区域实际，分类精度更高。
（2）监督分类。利用ERDAS Imagine软件进行最大似然法监督分类，得到分类后的栅格图像。
（3）去碎点。分类结果的栅格图像中有大量的小于2个像元的区域，根据最小上图图斑原则，可以进行去碎点处理。
（4）分类结果转矢量。分类结果是栅格图像，需要将其转化为矢量数据后进行目视解译。利用ArcGIS的“删格转面”功能将分类栅格结果转化shape矢量格式。
（5）人工目视解译修正小麦种植区矢量数据。利用ArcMap的Editor模块对自动分类结果不准确的地方进行目视解译修改，得到如图4所示的矢量文件。
2 结果与分析
2015安徽省冬小麦种植面积遥感解译结果见表2。根据全省冬小麦种植区解译结果，绘制2015年安徽省冬小麦种植区分布图（图5）。
2015年安徽全省冬小麦种植面积3 020 051.06 hm2，约占全省耕地总面积的26%。与2009年调查的全省冬小麦种植面积相比，冬小麦种植面积总体扩大约10%，主要原因是安徽中南部地区近几年受农作物种植效益、土地流转等因素影响，减少了原有的油菜、双季稻种植，扩大了冬小麦种植面积。
从图5中可以看出，2015年安徽省冬小麦种植主要分布在六安—合肥—滁州一线以北地区，其他地区小麦种植面积相对较少。亳州地区、阜阳地区、宿州地区、蚌埠地区是安徽省冬小麦主产区，种植面积占耕地面积百分比大，约占到40%～60%。江淮之间地区寿县、定远、来安、天长4县（市）
种植相对较多，约占到耕地面积的20%～50%，江淮之间其他地区和长江以南种植较少，但近年来有不断扩大的趋势。
3 结论
以2005年安徽省冬小麦遥感本底调查为例，对省域冬小麦种植面积遥感本底调查的方法和结果进行了分析，得出以下结论。
（1）安徽省冬小麦种植最佳遥感观测时间为3月至5月上旬，遥感影像最佳空间分辨率皖北地区为15～16 m，皖南地区为5～10 m。
（2）基于遥感技术进行大面积、业务化冬小麦种植面积遥感本底调查在技术方法完全可行，调查结果可信。
（3）2015年安徽全省冬小麦种植面积约3 020 051.06 hm2，约占全省耕地总面积的26%。与2009年调查的全省冬小麦种植面积相比，冬小麦种植面积总体扩大了约10%。
参考文献
[1] 陆忠军.多源遥感数据在黑龙江水稻种植面积本底调查中的应用[J].黑龙江农业科学，2009（6）：134-136.
[2] 赵丽花，李卫国，杜培军.基于多时相HJ卫星的冬小麦面积提取[J].遥感信息，2011（2）：41-45.
[3] 王来刚，郑国清，陈怀亮，等.基于HJ-CCD影像的河南省冬小麦种植面积变化全覆盖监测[J].中国农业资源与区划，2011，32（2）：58-62，67.
[4] 权文婷，王钊.冬小麦种植面积遥感提取方法研究[J].国土资源遥感，2013，25（4）：8-15.
[5] 潘学鹏，李改欣，刘峰贵，等.华北平原冬小麦面积遥感提取及时空变化研究[J].中国生态农业学报，2015（4）：497-505.
[6] 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（11）：194-201.