融合主被动遥感影像的冬小麦种植面积提取研究

doi:10.15933/j.cnki.1004-3268.2023.06.017

摘要/Abstract

摘要： 为了快速、准确地获取作物分布信息，探索使用主动遥感影像（Sentinel-1A）和被动遥感影像（Sentinel-2）提取冬小麦空间分布的可行性。首先，根据冬小麦的物候特征，合成冬小麦全生育期的Sentinel-1A影像；并依据各类地物的NDVI（归一化植被指数）时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次，设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案，然后在Google Earth Engine（GEE）云平台上基于随机森林算法对冬小麦进行分类。结果表明，基于全生育期Sentinel-1A 影像的冬小麦用户精度和生产者精度分别为83.15% 和86.44%，提取结果中存在较多的“椒盐”噪声；基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%，提取精度较使用全生育期Sentinel-1A影像有所提高，但分类结果受“异物同谱”的影响，产生许多错分；融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%，相较于仅使用单一数据源，冬小麦分类精度有不同程度的提升。

关键词: 冬小麦, 种植面积, GEE, Sentinel影像, 生育期, 随机森林, 主动遥感, 被动遥感

Abstract: To obtain fast and accurate crop distribution information，the feasibility of using active remote sensing imagery（Sentinel⁃1A）and passive remote sensing imagery（Sentinel⁃2）to extract the spatial distribution of winter wheat was analysed. Firstly，Sentinel⁃1A images of winter wheat at the whole growth stage were synthesized based on the phenological characteristics of winter wheat，and high quality Sentinel⁃2 images of winter wheat after overwintering were synthesized based on the normalized vegetation index（NDVI）time series curves of various types of features.Three classification schemes，Sentinel⁃1A images，Sentinl⁃2 images and fused Sentinel⁃1A and Sentinl⁃2 active⁃passive remote sensing images，were designed，and then winter wheat was classified based on the random forest algorithm on the Google Earth Engine（GEE）cloud platform. The results showed that，the user accuracy and producer accuracy of winter wheat based on Sentinel⁃1A images at the whole growth stage were 83.15% and 86.44% respectively，and there was more“pepper”noise in the extraction results；the user accuracy and producer accuracy of winter wheat based on Sentinl⁃2 images after overwintering were 87.8% and 84.75% respectively，and the extraction accuracy was improved compared with that of Sentinel⁃1A images at the whole growth stage，but the classification results were influenced by the“same spectrum of foreign matter”，resulting in many misclassifications；the user accuracy and producer accuracy of winter wheat with fused active and passive remote sensing images were 96.57% and 95.48%，respectively，compared with that of using only a single data source，the classification accuracy of winter wheat was improved to different degrees.

Key words: Winter wheat, Planting area, GEE, Sentinel image, Growth stage, Random forest, Active remote sensing, Passive remote sensing

中图分类号:

S127

张科谦, 程钢, 吴微, 宋向阳, 张子谦, 姚顺, 吴帅. 融合主被动遥感影像的冬小麦种植面积提取研究[J]. 河南农业科学, 2023, 52(6): 160-171.

ZHANG Keqian, CHENG Gang, WU Wei, SONG Xiangyang, ZHANG Ziqian, YAO Shun, WU Shuai. Extraction of Winter Wheat Planting Area Based on Fused Active and Passive Remote Sensing Images[J]. Journal of Henan Agricultural Sciences, 2023, 52(6): 160-171.

参考文献

［1］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.
YANG Y J，ZHAN Y L，TIAN Q J，et al.Crop classification based on GF⁃1/WFV NDVI time series［J］.Transactions of the Chinese Society of Agricultural Engineering，2015，31（24）：155⁃161.
［2］BECKER R，VERMOTE E，LINDEMAN M，et al.A generalized regression⁃based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data［J］.Remote Sensing of Environment，2010，114（6）：1312⁃1323.
［3］HAN J，ZHANG Z，CAO J，et al.Prediction of winter wheat yield based on multi⁃source data and machine learning in China［J］.Remote Sensing，2020，12（2）：236.
［4］张喜旺，秦耀辰，秦奋.综合季相节律和特征光谱的冬小麦种植面积遥感估算［J］.农业工程学报，2013，29（8）：154⁃163.
ZHANG X W，QIN Y C，QIN F.Remote sensing estimation of planting area for winter wheat by integrating seasonal rhythms and spectral characteristics［J］.Transactions of the Chinese Society of Agricultural Engineering，2013，29（8）：154⁃163.
［5］KANG J，ZHANG H，YANG H，et al.Support vector machine classification of crop lands using Sentinel⁃2 imagery［C］//2018 7th International Conference on Agro⁃geoinformatics（Agro⁃geoinformatics）.IEEE，2018：1⁃6.
［6］KAMUSOKO C，KAMUSOKO O W，CHIKATI E，et al.Mapping urban and peri⁃urban land cover in Zimbabwe：Challenges and opportunities［J］.Geomatics，2021，1（1）：114⁃147.
［7］ZHEN H，ZHAO H L，ZHANG C，et al.Estimating winter wheat area based on an SVM and the variable fuzzy set method［J］.Remote Sensing Letters，2019，10（4）：343⁃352.
［8］TANG Z X，LI M M，WANG X Q.Mapping tea plantations from VHR images using OBIA and convolutional neural networks［J］.Remote Sensing，2020，12（18）：2935.
［9］魏庆伟，朱黎明，王福州.近地遥感监测冬小麦关键发育时期的方法研究［J］.河南农业科学，2021，50（10）：163⁃171.
WEI Q W，ZHU L M，WANG F Z.A method for monitoring the critical growth stages of winter wheat by using near⁃earth remote sensing［J］.Journal of Henan Agricultural Sciences，2021，50（10）：163⁃171.
［10］RAJAH P，ODINDI J，MUTANGA O，et al.The utility of Sentinel⁃2 Vegetation Indices（VIs）and Sentinel⁃1 Synthetic Aperture Radar（SAR） for invasive alien species detection and mapping ［J］.Nature Conservation，2019，35：41⁃61.

［11］GASMI A，GOMEZ C，CHEHBOUNI A，et al.Satellite multi⁃sensor data fusion for soil clay mapping based on the spectral index and spectral bands approaches［J］.Remote Sensing，2022，14（5）：1103.

［12］白燕英，高聚林，张宝林.基于Landsat8影像时间序列NDVI的作物种植结构提取［J］.干旱区地理，2019，42（4）：893⁃901.
BAI Y Y，GAO J L，ZHANG B L.Extraction of crop planting structure based on time⁃series NDVI of Landsat8 images［J］.Arid Land Geography，2019，42（4）：893⁃901.
［13］王德军，姜琦刚，李远华，等. 基于Sentinel-2A/B时序数据与随机森林算法的农耕区土地利用分类［J］.国土资源遥感，2020，32（4）：236⁃243.
WANG D J，JIANG Q G，LI Y H，et al.Land use classification of farming areas based on time series Sentinel⁃2A/B data and random forest algorithm［J］.Remote Sensing for Land & Resources，2020，32（4）：236⁃243.
［14］RECANATESI F，GIULIANI C，RIPA M N.Monitoring Mediterranean Oak decline in a peri⁃urban protected area using the NDVI and Sentinel⁃2 images：The case study of Castelporziano State Natural Reserve［J］.Sustainability，2018，10（9）：3308.
［15］FAWZI N I，HUSNA V N，HELMS J A.Measuring deforestation using remote sensing and its implication for conservation in Gunung Palung National Park，West Kalimantan， Indonesia［C］//IOP Conference Series： Earth and Environmental Science.IOP Publishing，2018，149（1）：012038.
［16］LUCAS R，VAN DE KERCHOVE R，OTERO V，et al.Structural characterisation of mangrove forests achieved through combining multiple sources of remote sensing data［J］.Remote Sensing of Environment，2020，237：111543.
［17］BARGIEL D.A new method for crop classification combining time series of radar images and crop phenology information［J］.Remote Sensing of Environment，2017，198：369⁃383.
［18］FRATE F D，SCHIAVON G，SOLIMINI D，et al.Crop classification using multiconfiguration C⁃band SAR data［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（7）：1611⁃1619.
［19］周涛，潘剑君，韩涛，等.基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取［J］.农业工程学报，2017，33（10）：215⁃221.
ZHOU T，PAN J J，HAN T，et al.Planting area extraction of winter wheat based on multi⁃temporal SAR data and optical imagery［J］.Transactions of the Chinese Society of Agricultural Engineering，2017，33（10）：215⁃221.
［20］马战林，刘昌华，薛华柱，等.GEE环境下融合主被动遥感数据的冬小麦识别技术［J］.农业机械学报，2021，52（9）：195⁃205.
MA Z L，LIU C H，XUE H Z，et al.Identification of winter wheat by integrating active and passive remote sensing data based on Google Earth Engine platform［J］.Transactions of the Chinese Society for Agricultural Machinery，2021，52（9）：195⁃205.
［21］CAI Y，LIN H，ZHANG M.Mapping paddy rice by the object⁃based random forest method using time series Sentinel⁃1/Sentinel⁃2 data［J］.Advances in Space Research，2019，64（11）：2233⁃2244.
［22］VAN TRICHT K，GOBIN A，GILLIAMS S，et al.Synergistic use of radar Sentinel⁃1 and optical Sentinel⁃2 imagery for crop mapping：A case study for Belgium［J］.Remote Sensing，2018，10（10）：1642.
［23］何连，秦其明，任华忠，等.利用多时相Sentinel-1 SAR数据反演农田地表土壤水分［J］.农业工程学报，2016，32（3）：142⁃148.
HE L，QIN Q M，REN H Z，et al.Soil moisture retrieval using multi⁃temporal Sentinel⁃1 SAR data in agricultural areas［J］.Transactions of the Chinese Society of Agricultural Engineering，2016，32（3）：142⁃148.
［24］刘昊.基于Sentinel-2影像的河套灌区作物种植结构提取［J］.干旱区资源与环境，2021，35（2）：88⁃95.
LIU H.Extraction of crop planting structure in Hetao irrigated area based on Sentinel⁃2［J］.Journal of Arid Land Resources and Environment，2021，35（2）：88⁃95.
［25］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.
XU Q Y，YANG G J，LONG H L，et al.Crop information identification based on MODIS NDVI time⁃series data［J］.Transactions of the Chinese Society of Agricultural Engineering，2014，30（11）：134⁃144.
［26］刘警鉴，李洪忠，华璀，等.基于Sentinel-1A数据的临高县早稻面积提取［J］.国土资源遥感，2020，32（1）：191⁃199.
LIU J J，LI H Z，HUA C，et al.Extraction of early paddy rice area in Lingao County based on Sentinel⁃1A data［J］.Remote Sensing for Land&Resources，2020，32（1）：191⁃199.
［27］王利民，刘佳，姚保民，等.基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测［J］.农业工程学报，2018，34（8）：184⁃191.
WANG L M，LIU J，YAO B M，et al.Area change monitoring of winter wheat based on relationship analysis of GF⁃1 NDVI among different years［J］.Transactions of the Chinese Society of Agricultural Engineering，2018，34（8）：184⁃191.
［28］陶惠林，徐良骥，冯海宽，等.基于无人机高光谱遥感数据的冬小麦产量估算［J］.农业机械学报，2020，51（7）：146⁃155.
TAO H L，XU L J，FENG H K，et al.Winter wheat yield estimation based on UAV hyperspectral remote sensing data［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：146⁃155.
［29］HUETE A，DIDAN K，MIURA T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，2002，83（1）：195⁃213.
［30］XU F，LI Z，ZHANG S，et al.Mapping winter wheat with combinations of temporally aggregated Sentinel⁃2 and Landsat⁃8 data in Shandong Province，China［J］.Remote Sensing，2020，12（12）：2065.
［31］PHAN T N，KUCH V，LEHNERT L W.Land cover classification using Google Earth Engine and random forest classifier：The role of image composition［J］.Remote Sensing，2020，12（15）：2411.
［32］马战林，薛华柱，刘昌华，等.基于主被动遥感数据和面向对象的大蒜识别［J］.农业工程学报，2022，38（2）：210⁃222.
MA Z L，XUE H Z，LIU C H，et al.Identification of garlic based on active and passive remote sensing data and object⁃oriented technology［J］.Transactions of the Chinese Society of Agricultural Engineering，2022，38（2）：210⁃222.
［33］LIN J，JIN X，REN J，et al.Rapid mapping of large⁃scale greenhouse based on integrated learning algorithm and Google Earth engine［J］.Remote Sensing，2021，13（7）：1245.
［34］TIAN H，QIN Y，NIU Z，et al.Summer maize mapping by compositing time series sentinel⁃1A imagery based on crop growth cycles［J］.Journal of the Indian Society of Remote Sensing，2021，49：2863⁃2874.

[1]	徐春燕, 张倩, 王雅娴, 王红雨, 盛开, 王宜伦. 商品有机肥对砂质潮土理化性状、冬小麦产量及养分积累的影响[J]. 河南农业科学, 2024, 53(2): 56-64.
[2]	连延浩, 杜飞波, 薛博, 王志强, 任永哲, 林同保, 李森. 垄作结合一次性施肥对冬小麦氮素利用及经济效益的影响[J]. 河南农业科学, 2023, 52(9): 56-65.
[3]	付博, 杨永锋, 刘向真, 赵森森, 刘茂林, 贾国涛, 牛洋洋, 张坤芳, 于建军, 彭桂新, 姬小明. 基于近红外光谱的烤烟香型分类模型研究[J]. 河南农业科学, 2023, 52(7): 163-171.
[4]	戎亚思, 李国强, 张杰, 张建涛, 王猛, 郑国清, 冯伟. 基于AquaCrop 模型的河南省冬小麦灌溉制度优化研究[J]. 河南农业科学, 2023, 52(2): 151-161.
[5]	郭燕, 井宇航, 贺佳, 张会芳, 贾德伟, 王来刚. 基于无人机影像多源信息的冬小麦生物量与产量估算[J]. 河南农业科学, 2023, 52(12): 149-161.
[6]	韩雅婷, 郭天骄, 贾国涛, 赵红朝, 黄五星. 保水剂和抗蒸腾剂配施对土壤水分和云烟87 化学成分、碳氮代谢的影响[J]. 河南农业科学, 2023, 52(11): 57-65.
[7]	李菲菲, 汤军, 高贤君, 杨元维, 占杨英. 基于GEE 的气候变化对豫北地区冬小麦播种面积与产量影响研究[J]. 河南农业科学, 2022, 51(8): 150-165.
[8]	马红艳, 聂兆君, 刘红恩, 李畅, 秦世玉, 赵鹏. 施氮量和施硒方式对冬小麦产量和籽粒矿质元素积累的影响[J]. 河南农业科学, 2022, 51(5): 10-22.
[9]	徐夕博, 吕明荟, 王海会, 周忠科, 彭远新, 颜学文. 利用空间关联随机森林模型与遥感影像估算裸土期耕地土壤盐分含量的研究[J]. 河南农业科学, 2022, 51(5): 162-170.
[10]	金晶, 毛星, 张欣, 刘杨, 陆学文, 任妮 . 基于Sentinel-2 影像的淡水养殖水生动物类型识别研究[J]. 河南农业科学, 2022, 51(4): 160-170.
[11]	井宇航, 郭燕, 张会芳, 戎亚思, 张少华, 冯伟, 王来刚, 贺佳, 刘海礁, 郑国清. 无人机飞行高度对冬小麦植株氮积累量预测模型的影响[J]. 河南农业科学, 2022, 51(2): 147-158.
[12]	徐佳敏, 王帅丽, 穆心愿, 赵霞, 唐保军, 夏来坤, 赵亚丽, 刘天学. 秸秆附着微生物对土壤养分、小麦根际细菌多样性及产量的影响[J]. 河南农业科学, 2022, 51(1): 60-70.
[13]	钟子毓, 林力卓, 崔鹏, 吕尊富, 庞林江, 陆国权. 生育期对甘薯块根抗营养因子含量（活性）的影响[J]. 河南农业科学, 2021, 50(9): 36-43.
[14]	余梦, 谷晓博, 李援农, 陈朋朋, 杨金宇, 李昱鹏. 播期和种植模式对冬小麦氮转运和产量的影响[J]. 河南农业科学, 2021, 50(10): 27-36.
[15]	魏庆伟, 朱黎明, 王福州. 近地遥感监测冬小麦关键发育时期的方法研究[J]. 河南农业科学, 2021, 50(10): 163-171.