2024年3月11日发(作者：裴水凡)
第
44
卷第
1
期
2021
年
1
月
测绘与空间地理信息
GEOMATICS
&
SPATIAL
INFORMATION
TECHNOLOGY
Vol.44
,
No.1
Jan.
,
2021
基于高分六号
WFV
数据的冬小麦种植面积提取
刘宝康
，
王仁军
，
尤晓妮
，
于志远
，
南
岭
，
张起升
，
黄炳婷
（
天水师范学院资源与环境工程学院
，
甘肃天水
741000
）
摘
要
：
冬小麦是我国重要的粮食作物之一，准确获取冬小麦种植面积具有重要的现实意义。
为探究高分六号
卫星影像进行冬小麦遥感监测的可行性和精确性，
本文选取甘肃省崆峒区为研究区
，运用红边波段
+
监督分类中
的支持向量机法
，
提取了
2019
年崆峒区冬小麦种植面积
，
并利用混淆矩阵对分类结果进行精度验证
。
结果表明
：
提取崆峒区冬小麦种植面积为
15
045
hm
2
，
与实际种植面积相比
，
误差率为
1.02%
；
该模型能有效地提取崆峒区
冬小麦
，
总体精度为
98.88%
，
Kappa
系数为
0.97
；
红边波段能有效地提取干扰地物
，
提取精度比直接使用监督分类
高
7.88
个百分点
;
CF6
影像在提取冬小麦种植面积上具有明显优势
。
关键词
：
CF6
；
崆峒区
；
冬小麦
；
面积
；
提取
中图分类号
:
P236
文献标识码
：
A
文章编号
：
1672-5867
（
2021
）
01-0001-04
Extraction
of
Winter
Wheat
Area
Based
on
GF6-WFV
Remote
Sensing
Image
HU
Baokang
,
WANG
Renjun
,
YOU
Xiaoni,
YU
Zhiyuan,
NAN
Ling
,
ZHANG
Qisheng,
HUANG
Bingting
(
College
of
Resources
and
Environmental
Engineering
,
Tianshui
Normal
University
,
Tianshui
741000
,
China
)
Abstract
:
Winter
wheat
is
one
of
the
vital
food
crops
in
China.
It's
of
great
practical
significance
to
acquire
the
planting
area
of
winter
wheat
accurately.
The
mission
of
this
study
was
to
explore
the
feasibility
and
accuracy
of
remote
sensing
monitoring
of
winter
wheat
by
satellite
image
of
GF6-WFV
and
taking
Kongtong
District
of
Gansu
Province
as
study
area,
using
Red
Band
and
supervised
model
to
extract
the
winter
wheat
planting
area
of
Kongtong
District
in
2019.
And
the
accuracy
of
classification
results
was
verified
by
the
confu
sion
matrix.
The
results
showed
that
Red
Band
and
Supervised
model
,
extracting
the
area
of
Kongtong
District
was
15
045
hm
2
,
overall
accuracy
was
98.88%,
Kappa
coefficient
was
0.97,
and
error
rate
compared
to
the
actual
area
is
1.02%,
is
valid
to
extract
winter
wheat
acreage
of
Kongtong
District.
The
red
edge
band
can
effectively
extract
disturbed
objects
,
and
the
extraction
accuracy
is
7.88
percentage
points
higher
than
that
of
direct
supervised
classification.
This
study
will
provide
GF6-WFV
images
which
have
obvious
ad
vantages
in
extracting
winter
wheat
planting
area.
Key
words
：
GF6
；
Kongtong
District
；
winter
wheat
；
area
；
extract
0
引言
冬小麦是甘肃省主要的粮食作物之一
，
主要分布在
力,且时效性差
。
遥感技术作为一种对地观测技术
，
具有
经济性
、
时效性
、
数据综合性等特点
，
与传统方法相比优
势明显
［
2
,
6］O
目前，
用于作物种植面积监测的影像有高分
辨率
、
高中分辨率
、
低分辨率影像
,
如袁华等
［
8
］
利用
甘肃省的陇中
、
陇东及陇南地区
，
占全省粮食种植面积的
20%
左右
［
1
］
。
及时
、
准确获取甘肃省冬小麦种植面积及空
间分布特点，
可为相关部门进行农业规划、
种植结构调
整、
灾害监测
、
加强田间生产管理等提供重要的基础信
QuickBird
影像
,
基于监督分类
、
非监督分类
、
面向对象分
类法
，
比较了在不同分类方法下
QuickBird
影像的分类精
度
。
赵叶等
［
9
］
基于
Landsat
OLI影像
，
采用
HSV
色彩空间
息
［
2-3
］
o
随着遥感技术的迅速发展
,
遥感监测已成为提取
农作物种植面积的重要技术手段之一
［
4-5
］
。
传统获取农
变化法
，
通过地物在
H-NDVI
上的差异，
设置合理的阈值
区分冬小麦和非冬小麦
，
最后提取了河南省中南部冬小
麦种植面积
；安塞等
［
'
0
］
基于
MODIS
NDVI
数据
，
建立了
作物种植面积的方法以统计抽样法为主
，
该方法耗时
、
耗
收稿日期
：
2020-04-08
作者简介
:
刘宝康
（
1973
-
）
，
男
，甘肃天水人
，
高级工程师
，
副教授
，
博士
,2018
年毕业于兰州大学草业科学专业
,
主要从事草地
、湖泊
及农业遥感等方面的应用与研究工作
。
2
测绘与空间地理信息
2021
年
NDV1时序曲线
，
并结合物候特征
，
提取了河北平原
2011-
作为高分一号升级版的
“
高分六号
”
，
不仅保留了高
2016
年冬小麦种植面积
；
崔玉环
［
11
］
等以
1KNOS
、
Worldview-
山分辨率遥感影像为数据源
,
采用基于多尺度
分割的面向对象分类方法
，
提取安徽淮北临涣矿区冬小
麦种植面积信息
，
主要利用作物的光谱
、
物侯
、
纹理等特
分一号卫星原有的
4
个波段
，
还增加了有利于植被分类的
红边
（
5
、
6
波段
）
、
紫边
（
7
波段
）
及黄边
（
8
波段
）
波段
［
|6
］
。
但是
，
目前鲜有将
GF6
卫星数据用于农作物种植信息的
提取
。因此
，
本研究以崆峒区为例,基于高分六号卫星影
像
,
探讨红边波段在作物种植面积提取中的优势
,
开展冬
小麦种植面积提取方法和技术研究
，
并利用混淆矩阵分
征
。
上述遥感数据或存在时间
/
空间分辨率较低
（
如
MOD1S
数据
）
，
或存在卫星损坏
、
退役
（
如
Landsat-5
）
，
或
存在获取成本高
（
如
SPOT
）
等问题
，
难以对农作物进行连
续
、
精准的监测
。
高分系列卫星成功发射弥补了这一空
析
GF-6WFV
数据在冬小麦种植面积提取上的可行性和
精确性
，
以期为冬小麦遥感监测提供新的数据源和技术
白
，
GF1/6-WFV
16
m
影像数据对全球免费开放
,
且同时
实现了高空间分辨率
、
宽幅宽协同
，
为农业遥感提供了重
要的数据源,
高分一号卫星搭载了
4
台宽视场传感器
，
空
间分辨率为
16
m
，
2
台全色
（
2
m）和多光谱传感器
（
8
m
）
o
支撑
。
1
数据来源及方法
1
.
1
研究区概况
崆峒区位于甘肃省东部
，隶属甘肃省平凉市，
属陇东
黄土高原丘陵沟壑区
，
平均海拔1
540
m,
气候属于半干
旱
、
半湿润季风型大陆性气候
，
雨量较为充沛
，年平均气
目前基于
GF1
卫星数据进行农作物遥感监测已取得了一
定的研究成果
。
王冬利等
［
'
2
］
基于高分一号卫星数据和非
监督分类模型
，
提取了河北省辛集市冬小麦种植面积
，
结
果表明在该模型下冬小麦的总体精度达
94.33%
以上
，
温
10.1
T
，
年平均降水量
537.5
mm,
日照
2
377.4
h,
无霜
Kappa
系数为
0.89;邱鹏勋等
［
13
］
利用
GF1-WFV
数据计算
了归一化植被指数
，
基于
TWDTW
方法进行作物识别分
期
193
<1
。
作为陕甘宁三省交通要塞和陇东传统商品集散
地
，
素有旱码头之称
。
类
，
并与决策树分类法对比
，
结果表明
，
TWDTW
分类法提
1
.
2
数据来源
本研究使用的
GF6-WFV
卫星影像
，来自中国资源卫
星应用中心（
http
：
//21
8.
247.
13
8.199
:
7777/DSSPlatform/
取精度高于决策树分类精度
，
总体分类精度和Kappa
系数
分别为
90.97%
和
0.830
；
单捷等
［
14
］
以
GF1-WFV
为数据
源
，
将回归模型系数作为反演精度评价指标
，
探讨了高分
）
，
影像日期为
2019
年
12
月
20
日
。高分六号
WFV
数据空间分辨率为
16
m,
有蓝（
0.45—0.52
^m
）
、
绿
一号影像在冬小麦长势监测中的可行性
，
结果表明
，
高分
一号影像更适合在拔节期和孕穗期进行冬小麦的长势监
（
0.52
—
0.59
pm
）
、
红
（
0.63
—0.69
pm
）
、
近红外
（
0.77
—
测
;
魏鹏飞等
［
15
］
基于多时相
GF1-WFV
数据
，
提取了安徽
省颍上县不同农作物
，
并比较了不同分类方法下提取精
0.89
pm
）
、
红边
1
（
0.
69
—
0.
73
pm
）
、
红边
2
（
0.
73
—
0.77
pm
）
、
紫边
（
0.40—
0.45
pm
）
、黄边
（
0.59
—
0.63
pm
）
8
度
，
结果表明
，
总体精度达到
90.9%,
Kappa
系数为0.895,
通过对比,决策树分类效果最佳
，
最大似然法效果最差
。
个波段
,GF6-WFV
卫星详细参数见表
1
。
表
1
GF6-WFV
卫星参数
Tab.1
Satellite
Parameters
of
GF6-WFV
轨道类型
轨道高度
（
km
）
光谱范围
（
pm
）
空间分辨率
（
m
）
幅宽
（
km
）
重访周期
（
1
）
B1
（
蓝波段
）
：
0.45
—0.52
）
；
B2
（
绿波段
）
：
0.52
—
0.59
；
B3
（
红波段
）
：
0.63
—
0.69
；
太阳同步回归轨道
645
B4
（
近红外波段
）
：
0.77
—
0.89
；
B5
（
红边波段
1
）
：
0.69
—
0.73
；
B6
（
红边波段
2
）
：
0.73
—
0.77
；
B7
（
紫波段
）
：
0.40
—
0.45
；
B8
（
黄波段
）
：
0.59
—0.63
16
864.2
2
1
.
3
影像预处理
在
ENV15.3
中加载影像
,
首先对影像进行辐射定标和
FLAASH大气校正
,
将影像的
DN
值转换为辐射亮度
，
消
除辐射畸变对影像的影响
；
其次利用影像自带的RPC
信
息和地面高程数据对
GF6-WFV
影像进行正射校正
，
并利
用已校正的
LANDSAT
OL1
影像进行几何精校正
，
校正后
1
.
4
冬小麦提取方法
由于
5
、
6
波段为
GF6-WFV
影像的红边波段
，
因此
,
在
ENV1
中
，对经过预处理后的影像
，
进行
5
、
6
、
8
波段假
彩色合成
，
根据野外调查信息和浏览
Earth
确定的
研究区地物类型来看
，
冬小麦
、
城区常绿植被及部分裸地
b5/b6
均小于
0.6
（
b5
为第
5
波段的反射率
,b6
为第
6
波
均方根误差均小于
0.5
个像元
;
最后在
ArcG1S10.2下对预
处理后的影像进行投影转换
、
研究区裁切等处理
。
段的反射率
）
，
而山地
、
水体
、
大部分裸地、
建筑
b5/b6
均
大于
0.6
，
据此直接剔除山地
、
水体
、
建筑及大部分裸地等
第
1
期
刘宝康等
:
基于高分六号WFV
数据的冬小麦种植面积提取
3
干扰信息。
由于冬小麦
、
城区常绿植被
、
部分裸地
5
、
6
波
段的比值均小于
0.6,
用此法不能将其区分
。
但此
3类地
物在
GF6-WFV的
4
、
3
、
2
波段波普信息存在很大的差异
，
城区常绿植被的
4
、
3
、
2
波段反射率大与冬小麦和部分裸
地的反射率呈深红色
，
冬小麦
4
、
3
、
2
波段反射率次之呈浅
红色,裸地反射率最小呈淡绿色
。
因此
，
利用监督分类中
的支持向量机法区分冬小麦
、
城区常绿植被和部分裸地,
3
类地物间样本可分离性均在
1.9
以上
，
最后得到崆恫区
冬小麦种植信息
。
如图
1
所示
。
GF6-WFV
影像
影像预处
―
|
—
—
T
嵯恫区边界丽|
5
、6
、
8
波段假彩色合成
b5/b6<0.6
■YES
|非冬二麦|
NO
|
混合妄小麦|
■
］
监督分类卜
|
冬牛麦|
|非冬小麦|
匚二
H
精度评们
图
1
冬小麦提取技术流程
Fig
・
1
Process
of
winter
wheat
extraction
1
.
5
精度评价
为了进一步验证崆恫区冬小麦提取模型的精度
，
本
文基于200
个验证样本
，
利用混淆矩阵验证了监督分类和
红边波段+监督分类的冬小麦提取方法
。
结果表明
，
红边
波段+监督分类模型提取精度总体高于监督分类模型
。
具体表现为
,
监督分类模型的总体分类精度比红边波段
+
监督分类模型的总体分类精度低
7.88
个百分点
;
监督分
类模型的用户判别精度为
95%,
而红边波段
+
监督分类模
型的用户判别精度为
99.01%,
说明只使用监督分类模型
提取的冬小麦中有
5%
是错分的
，
红边波段
+
监督分类模
型中仅有
0.01%
错误分类
；
在制图精度上
,
监督分类模型
制图精度低于红边波段
+
监督分类模型
，
只使用监督分类
漏分率较高
,
进一步表明红边波段
+
监督分类的冬小麦提
取模型能有效地剔除干扰信息
。
综上所述
，
红边波段+监督分类模型能有效地提取冬
小麦种植面积
，
见表
2
。
表
2
冬小麦提取模型精度验证
Tab
・
2
Verification
of
extraction
accuracy
of
winter
wheat
提取模型
总体精度
Kappa
(%)
十
系数
込
制图精度用户判别精度
(％
)
(%)
监督分类
91
0.86
92
95
红边波段
+
监督分类
上
…
98.88
0.97
98.99
99.01
2
结果分析
2
.
1
提取结果
运行崆恫区冬小麦提取模型
,
得到冬小麦提取结果
,
如图
2
所示
。
结果表明
，
2019
年崆恫区冬小麦种植面积
为
15
045
hm
2
,
主要分布在崆恫区的东北部
，
东北部冬小
麦种植面积为
9
153
hm
2,
占全区冬小麦总面积的60.83%,
而西南部主要是城镇建设用地和其他春耕用地
,冬小麦
分布较少
,
种植面积仅占全区总面积的
20.15%
。
利用该
模型能有效地提取冬小麦种植面积
，
且精度能够达到较
高的要求
，
总体分类精度在98%
以上
。
图
2
冬小麦提取结果
Fig
・
2
Extraction
results
of
winter
wheat
2
.
2
与非监督分类结果比较
比较监督分类和非监督分类与是否使用红边波段的
冬小麦提取模型
，
使用红边波段提取模型的分类精度均
优于未使用红边波段的提取模型
。
在监督分类中
，
使用
红边波段与不使用红边波段对冬小麦的提取结果存在差
异
。
使用红边波段提取精度为
98.88%,
比未使用红边波
段高
7.88
个百分点
，
提取冬小麦种植面积为
15
045
hm
2,
2019
年崆恫区冬小麦实际种植
［
17
］
为
15
200
hm
2
,
与该值
相比误差率为
1.02%,
而未使用红边波段提取冬小麦种植
面积为
14
757
hm
2
,
与实际种植面积相比误差为
2.91%,
明
显高于使用红边波段提取结果
。
使用
IsoData
非监督分类
模型提取冬小麦时
,
需要借助目视判别人为地输入地物
的类别
,
对整体分类精度影响较大
,
IsoData
非监督提取冬
小麦种植面积为
13
895
hm
2
,
与实际种植面积相差较大
,
而红边波段的使用
，
减少了地物类别数目
，
提高了分类精
度
，
见表
3
。
表
3
提取结果比较
Tab
・3
Comparison
of
extraction
results
提取面积
提取方法
总体精度
Kappa
(hm
2
)
(%)
系数
监督分类
14
757
91
0.86
红边波段
+监督分类
15
045
98.880.97
非监督分类
13
895
78
0.84
红边波段
+
非监督分类
14
998
97.63
0.96
4
测绘与空间地理信息
2021
年
3
讨论
利用农作物的光谱特征进行冬小麦种植信息的提取
时
,
同物异谱或同谱异物现象较为普遍
［
18
］
，
会造成大量混
合像元的存在
,
从而影响作物种植面积的提取精度
,
高分
六号红边波段的使用
，
有效地剔除了此类地物的影响
。
此外
,
作物物侯期的选择也是影响提取精度的主要因素
之一
。
本研究选择
12
月份的高分六号
WFV
数据作为提
取对象
，
冬小麦处于分蘖期
，
与背景地物的光谱特征存在
很大的差异
，
大大降低了背景地物的干扰
。
由于崆峒区
的西南部冬小麦种植较为稀疏
，
有部分像元光谱特征不
明显
，
因此在使用红边波段
+
监督分类模型提取冬小麦
时
，
仍分别有
0.99%
和
1.01%
的错分和漏分现象
。
但本文还存在一些不足
：
1)
研究中只分析了该模型
在一期影像中的可行性
，
未深入探讨此法用于其他时段
冬小麦种植信息的提取状况
，
结论具有一定的局限性
。
2)
应与其他高分辨率影像结合
，
如
LANDSAT
OL1
，
进一步
探究提高提取精度的方法
。
3)
本文只是针对崆峒区县域
尺度的冬小麦面积进行了提取,
下一步将探究在市域
、
省
域以及更大地域尺度上的普适性
。
4
结束语
本文以崆峒区为研究区域
，
基于高分六号卫星影像
提取了
2019年崆峒区冬小麦种植面积，
主要结论如下
：
1)
通过红边波段
+
监督分类模型提取
2019
年崆峒区
冬小麦种植面积
15
045
hm
2
,
该方法能有效地提取崆峒区
冬小麦种植面积
，
精度能够达到较好的要求
，
总体精度
达
98%
。
2)
冬小麦主要分布在崆峒区的东北部
，
西北部主要
是其他春耕用地
,
冬小麦分布相对较少
，
其中东北部冬小
麦种植面积为
9
153
hm
2
,
西北部种植面积为
3
031
hm
2
。
3)
与直接使用监督分类相比
,
红边波段能有效地提
取山地
、
裸地
、
建筑等地物的干扰
，
从而有助于提高提取
精度
。
红边波段
+监督分类提取模型总体精度为
98.88%
，
比监督分类高
7.88个百分点
。
参考文献
：
［
1
］
贾建英
，
刘一锋
，
彭妮
，
等
.
基于积分回归法甘肃省冬小
麦产量动态预报
［
J
］.
气象与环境学报
,2016,32(2)
:
100-105.
［
2
］
王冬利
，
张安兵
,
赵安周
，
等
.
非监督分类的冬小麦种植
信息提取模型
［
J
］
.
测绘通报
,2019(8)
：
68-71.
［
3
］
邹金秋
,
陈佑启
,
SATOSHI
U,
等
.
利用
Terra
/
MOD1S
数
据提取冬小麦面积及精度分析
［
J
］
.
农业工程学报
，
2007,23(11)
：195-200.
［
4
］
田海峰
，
王力
，
牛铮
.
基于
OLI
影像的县域冬小麦种植
面积提取
［J
］
.
河南农业科学
,
2015,44(6)
:
156
-
160.
［
5
］
陈仲新
，
刘海启
，
周清波
，
等
.
全国冬小麦面积变化遥感
监测抽样外推方法的研究
［
J
］
.
农业工程学报
，
2000
(5)
：
126-129.
［
6
］
韩立建
，
潘耀忠
，
贾斌
，
等
.
基于多时相
1RS-P6
卫星
AWiFS
影像的水稻种植面积提取方法
［
J
］
.
农业工程学
报
,
2007(5):137-143.
［
7
］
黄健熙
，
贾世灵
,
武洪峰
，
等
.
基于
GF-1
WFV
影像的作
物面积提取方法研究
［
J
］.
农业机械学报
，
2015,46
(S1)
：
253-259.
［
8
］
袁华
，
章皖秋
,
郭洪江
.
面向对象方法在
Quick
Bird
影像
分类中的应用研究
［
J
］
.
安徽农业科学
,2011,39(10)
:
6
099-6
101.
［
9
］
赵叶
，
李存军
,
周静平
，
等
.
基于多时相遥感数据和
HSV
变换的越冬前冬小麦面积提取
［
J
］
.
中国农业信息
，
2019,31(6)
：
21-28.
［
10
］
安塞
，
沈彦俊
,
赵彦茜
，
等
.
基于
NDVI
时间序列数据的
冬小麦种植面积提取
［
J
］
.
江苏农业科学
，
2019,47
(15)
：
236-240.
［
11
］
崔玉环
，
王杰
，
姚梦园
.
基于面向对象分类的冬小麦种
植面积遥感监测
一一以淮北市临涣矿区为例
［
J
］
.
安徽
农业大学学报
,2017,44(6)
：
1
078-1
083.
［
12
］
王冬利
，
赵安周
，
李静
，
等
.
基于
GF-1
数据和非监督分
类的冬小麦种植信息提取模型
［
J
］
.
科学技术与工程
，
2019,19(35)
：
95-100.
［
13
］
邱鹏勋
，
汪小钦
,
茶明星
，
等
.
基于
TWDTW
的时间序列
GF-1
WFV
农作物分类
［
J
］
.
中国农业科学
，
2019,52
(17)
：
2
951-2
961.
［
14
］
单捷
，
孙玲
，
王志明
，
等
.GF-1
影像遥感监测指标与冬
小麦长势参数的关系
［
J
］
.
江苏农业学报
,2019,35(6)
:
1
323-1
333.
［
15
］
魏鹏飞
，
徐新刚
,
杨贵军
，
等
.
基于多时相影像植被指数
变化特征的作物遥感分类
［
J
］
.
中国农业科技导报
，
2019,21(2)
：
54-61.
［
16
］
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.
［
17
］
姜慧仁
.
崆峒区
:
厉害
！
农民用无人机喷洒农药
［
EB/
OL
］
.
http
:
//
、
/news/detail/
201906
/
31961
.
html.
［
18
］
田野
,
张清
,
李希灿
，
等
.
基于多时相影像的棉花种植信
息提取方法研究
［
J
］
.
干旱区研究
，
2017,
34
(
2)
：
423-430.
［
编辑
：
任亚茹
］
2024年3月11日发(作者：裴水凡)
第
44
卷第
1
期
2021
年
1
月
测绘与空间地理信息
GEOMATICS
&
SPATIAL
INFORMATION
TECHNOLOGY
Vol.44
,
No.1
Jan.
,
2021
基于高分六号
WFV
数据的冬小麦种植面积提取
刘宝康
，
王仁军
，
尤晓妮
，
于志远
，
南
岭
，
张起升
，
黄炳婷
（
天水师范学院资源与环境工程学院
，
甘肃天水
741000
）
摘
要
：
冬小麦是我国重要的粮食作物之一，准确获取冬小麦种植面积具有重要的现实意义。
为探究高分六号
卫星影像进行冬小麦遥感监测的可行性和精确性，
本文选取甘肃省崆峒区为研究区
，运用红边波段
+
监督分类中
的支持向量机法
，
提取了
2019
年崆峒区冬小麦种植面积
，
并利用混淆矩阵对分类结果进行精度验证
。
结果表明
：
提取崆峒区冬小麦种植面积为
15
045
hm
2
，
与实际种植面积相比
，
误差率为
1.02%
；
该模型能有效地提取崆峒区
冬小麦
，
总体精度为
98.88%
，
Kappa
系数为
0.97
；
红边波段能有效地提取干扰地物
，
提取精度比直接使用监督分类
高
7.88
个百分点
;
CF6
影像在提取冬小麦种植面积上具有明显优势
。
关键词
：
CF6
；
崆峒区
；
冬小麦
；
面积
；
提取
中图分类号
:
P236
文献标识码
：
A
文章编号
：
1672-5867
（
2021
）
01-0001-04
Extraction
of
Winter
Wheat
Area
Based
on
GF6-WFV
Remote
Sensing
Image
HU
Baokang
,
WANG
Renjun
,
YOU
Xiaoni,
YU
Zhiyuan,
NAN
Ling
,
ZHANG
Qisheng,
HUANG
Bingting
(
College
of
Resources
and
Environmental
Engineering
,
Tianshui
Normal
University
,
Tianshui
741000
,
China
)
Abstract
:
Winter
wheat
is
one
of
the
vital
food
crops
in
China.
It's
of
great
practical
significance
to
acquire
the
planting
area
of
winter
wheat
accurately.
The
mission
of
this
study
was
to
explore
the
feasibility
and
accuracy
of
remote
sensing
monitoring
of
winter
wheat
by
satellite
image
of
GF6-WFV
and
taking
Kongtong
District
of
Gansu
Province
as
study
area,
using
Red
Band
and
supervised
model
to
extract
the
winter
wheat
planting
area
of
Kongtong
District
in
2019.
And
the
accuracy
of
classification
results
was
verified
by
the
confu
sion
matrix.
The
results
showed
that
Red
Band
and
Supervised
model
,
extracting
the
area
of
Kongtong
District
was
15
045
hm
2
,
overall
accuracy
was
98.88%,
Kappa
coefficient
was
0.97,
and
error
rate
compared
to
the
actual
area
is
1.02%,
is
valid
to
extract
winter
wheat
acreage
of
Kongtong
District.
The
red
edge
band
can
effectively
extract
disturbed
objects
,
and
the
extraction
accuracy
is
7.88
percentage
points
higher
than
that
of
direct
supervised
classification.
This
study
will
provide
GF6-WFV
images
which
have
obvious
ad
vantages
in
extracting
winter
wheat
planting
area.
Key
words
：
GF6
；
Kongtong
District
；
winter
wheat
；
area
；
extract
0
引言
冬小麦是甘肃省主要的粮食作物之一
，
主要分布在
力,且时效性差
。
遥感技术作为一种对地观测技术
，
具有
经济性
、
时效性
、
数据综合性等特点
，
与传统方法相比优
势明显
［
2
,
6］O
目前，
用于作物种植面积监测的影像有高分
辨率
、
高中分辨率
、
低分辨率影像
,
如袁华等
［
8
］
利用
甘肃省的陇中
、
陇东及陇南地区
，
占全省粮食种植面积的
20%
左右
［
1
］
。
及时
、
准确获取甘肃省冬小麦种植面积及空
间分布特点，
可为相关部门进行农业规划、
种植结构调
整、
灾害监测
、
加强田间生产管理等提供重要的基础信
QuickBird
影像
,
基于监督分类
、
非监督分类
、
面向对象分
类法
，
比较了在不同分类方法下
QuickBird
影像的分类精
度
。
赵叶等
［
9
］
基于
Landsat
OLI影像
，
采用
HSV
色彩空间
息
［
2-3
］
o
随着遥感技术的迅速发展
,
遥感监测已成为提取
农作物种植面积的重要技术手段之一
［
4-5
］
。
传统获取农
变化法
，
通过地物在
H-NDVI
上的差异，
设置合理的阈值
区分冬小麦和非冬小麦
，
最后提取了河南省中南部冬小
麦种植面积
；安塞等
［
'
0
］
基于
MODIS
NDVI
数据
，
建立了
作物种植面积的方法以统计抽样法为主
，
该方法耗时
、
耗
收稿日期
：
2020-04-08
作者简介
:
刘宝康
（
1973
-
）
，
男
，甘肃天水人
，
高级工程师
，
副教授
，
博士
,2018
年毕业于兰州大学草业科学专业
,
主要从事草地
、湖泊
及农业遥感等方面的应用与研究工作
。
2
测绘与空间地理信息
2021
年
NDV1时序曲线
，
并结合物候特征
，
提取了河北平原
2011-
作为高分一号升级版的
“
高分六号
”
，
不仅保留了高
2016
年冬小麦种植面积
；
崔玉环
［
11
］
等以
1KNOS
、
Worldview-
山分辨率遥感影像为数据源
,
采用基于多尺度
分割的面向对象分类方法
，
提取安徽淮北临涣矿区冬小
麦种植面积信息
，
主要利用作物的光谱
、
物侯
、
纹理等特
分一号卫星原有的
4
个波段
，
还增加了有利于植被分类的
红边
（
5
、
6
波段
）
、
紫边
（
7
波段
）
及黄边
（
8
波段
）
波段
［
|6
］
。
但是
，
目前鲜有将
GF6
卫星数据用于农作物种植信息的
提取
。因此
，
本研究以崆峒区为例,基于高分六号卫星影
像
,
探讨红边波段在作物种植面积提取中的优势
,
开展冬
小麦种植面积提取方法和技术研究
，
并利用混淆矩阵分
征
。
上述遥感数据或存在时间
/
空间分辨率较低
（
如
MOD1S
数据
）
，
或存在卫星损坏
、
退役
（
如
Landsat-5
）
，
或
存在获取成本高
（
如
SPOT
）
等问题
，
难以对农作物进行连
续
、
精准的监测
。
高分系列卫星成功发射弥补了这一空
析
GF-6WFV
数据在冬小麦种植面积提取上的可行性和
精确性
，
以期为冬小麦遥感监测提供新的数据源和技术
白
，
GF1/6-WFV
16
m
影像数据对全球免费开放
,
且同时
实现了高空间分辨率
、
宽幅宽协同
，
为农业遥感提供了重
要的数据源,
高分一号卫星搭载了
4
台宽视场传感器
，
空
间分辨率为
16
m
，
2
台全色
（
2
m）和多光谱传感器
（
8
m
）
o
支撑
。
1
数据来源及方法
1
.
1
研究区概况
崆峒区位于甘肃省东部
，隶属甘肃省平凉市，
属陇东
黄土高原丘陵沟壑区
，
平均海拔1
540
m,
气候属于半干
旱
、
半湿润季风型大陆性气候
，
雨量较为充沛
，年平均气
目前基于
GF1
卫星数据进行农作物遥感监测已取得了一
定的研究成果
。
王冬利等
［
'
2
］
基于高分一号卫星数据和非
监督分类模型
，
提取了河北省辛集市冬小麦种植面积
，
结
果表明在该模型下冬小麦的总体精度达
94.33%
以上
，
温
10.1
T
，
年平均降水量
537.5
mm,
日照
2
377.4
h,
无霜
Kappa
系数为
0.89;邱鹏勋等
［
13
］
利用
GF1-WFV
数据计算
了归一化植被指数
，
基于
TWDTW
方法进行作物识别分
期
193
<1
。
作为陕甘宁三省交通要塞和陇东传统商品集散
地
，
素有旱码头之称
。
类
，
并与决策树分类法对比
，
结果表明
，
TWDTW
分类法提
1
.
2
数据来源
本研究使用的
GF6-WFV
卫星影像
，来自中国资源卫
星应用中心（
http
：
//21
8.
247.
13
8.199
:
7777/DSSPlatform/
取精度高于决策树分类精度
，
总体分类精度和Kappa
系数
分别为
90.97%
和
0.830
；
单捷等
［
14
］
以
GF1-WFV
为数据
源
，
将回归模型系数作为反演精度评价指标
，
探讨了高分
）
，
影像日期为
2019
年
12
月
20
日
。高分六号
WFV
数据空间分辨率为
16
m,
有蓝（
0.45—0.52
^m
）
、
绿
一号影像在冬小麦长势监测中的可行性
，
结果表明
，
高分
一号影像更适合在拔节期和孕穗期进行冬小麦的长势监
（
0.52
—
0.59
pm
）
、
红
（
0.63
—0.69
pm
）
、
近红外
（
0.77
—
测
;
魏鹏飞等
［
15
］
基于多时相
GF1-WFV
数据
，
提取了安徽
省颍上县不同农作物
，
并比较了不同分类方法下提取精
0.89
pm
）
、
红边
1
（
0.
69
—
0.
73
pm
）
、
红边
2
（
0.
73
—
0.77
pm
）
、
紫边
（
0.40—
0.45
pm
）
、黄边
（
0.59
—
0.63
pm
）
8
度
，
结果表明
，
总体精度达到
90.9%,
Kappa
系数为0.895,
通过对比,决策树分类效果最佳
，
最大似然法效果最差
。
个波段
,GF6-WFV
卫星详细参数见表
1
。
表
1
GF6-WFV
卫星参数
Tab.1
Satellite
Parameters
of
GF6-WFV
轨道类型
轨道高度
（
km
）
光谱范围
（
pm
）
空间分辨率
（
m
）
幅宽
（
km
）
重访周期
（
1
）
B1
（
蓝波段
）
：
0.45
—0.52
）
；
B2
（
绿波段
）
：
0.52
—
0.59
；
B3
（
红波段
）
：
0.63
—
0.69
；
太阳同步回归轨道
645
B4
（
近红外波段
）
：
0.77
—
0.89
；
B5
（
红边波段
1
）
：
0.69
—
0.73
；
B6
（
红边波段
2
）
：
0.73
—
0.77
；
B7
（
紫波段
）
：
0.40
—
0.45
；
B8
（
黄波段
）
：
0.59
—0.63
16
864.2
2
1
.
3
影像预处理
在
ENV15.3
中加载影像
,
首先对影像进行辐射定标和
FLAASH大气校正
,
将影像的
DN
值转换为辐射亮度
，
消
除辐射畸变对影像的影响
；
其次利用影像自带的RPC
信
息和地面高程数据对
GF6-WFV
影像进行正射校正
，
并利
用已校正的
LANDSAT
OL1
影像进行几何精校正
，
校正后
1
.
4
冬小麦提取方法
由于
5
、
6
波段为
GF6-WFV
影像的红边波段
，
因此
,
在
ENV1
中
，对经过预处理后的影像
，
进行
5
、
6
、
8
波段假
彩色合成
，
根据野外调查信息和浏览
Earth
确定的
研究区地物类型来看
，
冬小麦
、
城区常绿植被及部分裸地
b5/b6
均小于
0.6
（
b5
为第
5
波段的反射率
,b6
为第
6
波
均方根误差均小于
0.5
个像元
;
最后在
ArcG1S10.2下对预
处理后的影像进行投影转换
、
研究区裁切等处理
。
段的反射率
）
，
而山地
、
水体
、
大部分裸地、
建筑
b5/b6
均
大于
0.6
，
据此直接剔除山地
、
水体
、
建筑及大部分裸地等
第
1
期
刘宝康等
:
基于高分六号WFV
数据的冬小麦种植面积提取
3
干扰信息。
由于冬小麦
、
城区常绿植被
、
部分裸地
5
、
6
波
段的比值均小于
0.6,
用此法不能将其区分
。
但此
3类地
物在
GF6-WFV的
4
、
3
、
2
波段波普信息存在很大的差异
，
城区常绿植被的
4
、
3
、
2
波段反射率大与冬小麦和部分裸
地的反射率呈深红色
，
冬小麦
4
、
3
、
2
波段反射率次之呈浅
红色,裸地反射率最小呈淡绿色
。
因此
，
利用监督分类中
的支持向量机法区分冬小麦
、
城区常绿植被和部分裸地,
3
类地物间样本可分离性均在
1.9
以上
，
最后得到崆恫区
冬小麦种植信息
。
如图
1
所示
。
GF6-WFV
影像
影像预处
―
|
—
—
T
嵯恫区边界丽|
5
、6
、
8
波段假彩色合成
b5/b6<0.6
■YES
|非冬二麦|
NO
|
混合妄小麦|
■
］
监督分类卜
|
冬牛麦|
|非冬小麦|
匚二
H
精度评们
图
1
冬小麦提取技术流程
Fig
・
1
Process
of
winter
wheat
extraction
1
.
5
精度评价
为了进一步验证崆恫区冬小麦提取模型的精度
，
本
文基于200
个验证样本
，
利用混淆矩阵验证了监督分类和
红边波段+监督分类的冬小麦提取方法
。
结果表明
，
红边
波段+监督分类模型提取精度总体高于监督分类模型
。
具体表现为
,
监督分类模型的总体分类精度比红边波段
+
监督分类模型的总体分类精度低
7.88
个百分点
;
监督分
类模型的用户判别精度为
95%,
而红边波段
+
监督分类模
型的用户判别精度为
99.01%,
说明只使用监督分类模型
提取的冬小麦中有
5%
是错分的
，
红边波段
+
监督分类模
型中仅有
0.01%
错误分类
；
在制图精度上
,
监督分类模型
制图精度低于红边波段
+
监督分类模型
，
只使用监督分类
漏分率较高
,
进一步表明红边波段
+
监督分类的冬小麦提
取模型能有效地剔除干扰信息
。
综上所述
，
红边波段+监督分类模型能有效地提取冬
小麦种植面积
，
见表
2
。
表
2
冬小麦提取模型精度验证
Tab
・
2
Verification
of
extraction
accuracy
of
winter
wheat
提取模型
总体精度
Kappa
(%)
十
系数
込
制图精度用户判别精度
(％
)
(%)
监督分类
91
0.86
92
95
红边波段
+
监督分类
上
…
98.88
0.97
98.99
99.01
2
结果分析
2
.
1
提取结果
运行崆恫区冬小麦提取模型
,
得到冬小麦提取结果
,
如图
2
所示
。
结果表明
，
2019
年崆恫区冬小麦种植面积
为
15
045
hm
2
,
主要分布在崆恫区的东北部
，
东北部冬小
麦种植面积为
9
153
hm
2,
占全区冬小麦总面积的60.83%,
而西南部主要是城镇建设用地和其他春耕用地
,冬小麦
分布较少
,
种植面积仅占全区总面积的
20.15%
。
利用该
模型能有效地提取冬小麦种植面积
，
且精度能够达到较
高的要求
，
总体分类精度在98%
以上
。
图
2
冬小麦提取结果
Fig
・
2
Extraction
results
of
winter
wheat
2
.
2
与非监督分类结果比较
比较监督分类和非监督分类与是否使用红边波段的
冬小麦提取模型
，
使用红边波段提取模型的分类精度均
优于未使用红边波段的提取模型
。
在监督分类中
，
使用
红边波段与不使用红边波段对冬小麦的提取结果存在差
异
。
使用红边波段提取精度为
98.88%,
比未使用红边波
段高
7.88
个百分点
，
提取冬小麦种植面积为
15
045
hm
2,
2019
年崆恫区冬小麦实际种植
［
17
］
为
15
200
hm
2
,
与该值
相比误差率为
1.02%,
而未使用红边波段提取冬小麦种植
面积为
14
757
hm
2
,
与实际种植面积相比误差为
2.91%,
明
显高于使用红边波段提取结果
。
使用
IsoData
非监督分类
模型提取冬小麦时
,
需要借助目视判别人为地输入地物
的类别
,
对整体分类精度影响较大
,
IsoData
非监督提取冬
小麦种植面积为
13
895
hm
2
,
与实际种植面积相差较大
,
而红边波段的使用
，
减少了地物类别数目
，
提高了分类精
度
，
见表
3
。
表
3
提取结果比较
Tab
・3
Comparison
of
extraction
results
提取面积
提取方法
总体精度
Kappa
(hm
2
)
(%)
系数
监督分类
14
757
91
0.86
红边波段
+监督分类
15
045
98.880.97
非监督分类
13
895
78
0.84
红边波段
+
非监督分类
14
998
97.63
0.96
4
测绘与空间地理信息
2021
年
3
讨论
利用农作物的光谱特征进行冬小麦种植信息的提取
时
,
同物异谱或同谱异物现象较为普遍
［
18
］
，
会造成大量混
合像元的存在
,
从而影响作物种植面积的提取精度
,
高分
六号红边波段的使用
，
有效地剔除了此类地物的影响
。
此外
,
作物物侯期的选择也是影响提取精度的主要因素
之一
。
本研究选择
12
月份的高分六号
WFV
数据作为提
取对象
，
冬小麦处于分蘖期
，
与背景地物的光谱特征存在
很大的差异
，
大大降低了背景地物的干扰
。
由于崆峒区
的西南部冬小麦种植较为稀疏
，
有部分像元光谱特征不
明显
，
因此在使用红边波段
+
监督分类模型提取冬小麦
时
，
仍分别有
0.99%
和
1.01%
的错分和漏分现象
。
但本文还存在一些不足
：
1)
研究中只分析了该模型
在一期影像中的可行性
，
未深入探讨此法用于其他时段
冬小麦种植信息的提取状况
，
结论具有一定的局限性
。
2)
应与其他高分辨率影像结合
，
如
LANDSAT
OL1
，
进一步
探究提高提取精度的方法
。
3)
本文只是针对崆峒区县域
尺度的冬小麦面积进行了提取,
下一步将探究在市域
、
省
域以及更大地域尺度上的普适性
。
4
结束语
本文以崆峒区为研究区域
，
基于高分六号卫星影像
提取了
2019年崆峒区冬小麦种植面积，
主要结论如下
：
1)
通过红边波段
+
监督分类模型提取
2019
年崆峒区
冬小麦种植面积
15
045
hm
2
,
该方法能有效地提取崆峒区
冬小麦种植面积
，
精度能够达到较好的要求
，
总体精度
达
98%
。
2)
冬小麦主要分布在崆峒区的东北部
，
西北部主要
是其他春耕用地
,
冬小麦分布相对较少
，
其中东北部冬小
麦种植面积为
9
153
hm
2
,
西北部种植面积为
3
031
hm
2
。
3)
与直接使用监督分类相比
,
红边波段能有效地提
取山地
、
裸地
、
建筑等地物的干扰
，
从而有助于提高提取
精度
。
红边波段
+监督分类提取模型总体精度为
98.88%
，
比监督分类高
7.88个百分点
。
参考文献
：
［
1
］
贾建英
，
刘一锋
，
彭妮
，
等
.
基于积分回归法甘肃省冬小
麦产量动态预报
［
J
］.
气象与环境学报
,2016,32(2)
:
100-105.
［
2
］
王冬利
，
张安兵
,
赵安周
，
等
.
非监督分类的冬小麦种植
信息提取模型
［
J
］
.
测绘通报
,2019(8)
：
68-71.
［
3
］
邹金秋
,
陈佑启
,
SATOSHI
U,
等
.
利用
Terra
/
MOD1S
数
据提取冬小麦面积及精度分析
［
J
］
.
农业工程学报
，
2007,23(11)
：195-200.
［
4
］
田海峰
，
王力
，
牛铮
.
基于
OLI
影像的县域冬小麦种植
面积提取
［J
］
.
河南农业科学
,
2015,44(6)
:
156
-
160.
［
5
］
陈仲新
，
刘海启
，
周清波
，
等
.
全国冬小麦面积变化遥感
监测抽样外推方法的研究
［
J
］
.
农业工程学报
，
2000
(5)
：
126-129.
［
6
］
韩立建
，
潘耀忠
，
贾斌
，
等
.
基于多时相
1RS-P6
卫星
AWiFS
影像的水稻种植面积提取方法
［
J
］
.
农业工程学
报
,
2007(5):137-143.
［
7
］
黄健熙
，
贾世灵
,
武洪峰
，
等
.
基于
GF-1
WFV
影像的作
物面积提取方法研究
［
J
］.
农业机械学报
，
2015,46
(S1)
：
253-259.
［
8
］
袁华
，
章皖秋
,
郭洪江
.
面向对象方法在
Quick
Bird
影像
分类中的应用研究
［
J
］
.
安徽农业科学
,2011,39(10)
:
6
099-6
101.
［
9
］
赵叶
，
李存军
,
周静平
，
等
.
基于多时相遥感数据和
HSV
变换的越冬前冬小麦面积提取
［
J
］
.
中国农业信息
，
2019,31(6)
：
21-28.
［
10
］
安塞
，
沈彦俊
,
赵彦茜
，
等
.
基于
NDVI
时间序列数据的
冬小麦种植面积提取
［
J
］
.
江苏农业科学
，
2019,47
(15)
：
236-240.
［
11
］
崔玉环
，
王杰
，
姚梦园
.
基于面向对象分类的冬小麦种
植面积遥感监测
一一以淮北市临涣矿区为例
［
J
］
.
安徽
农业大学学报
,2017,44(6)
：
1
078-1
083.
［
12
］
王冬利
，
赵安周
，
李静
，
等
.
基于
GF-1
数据和非监督分
类的冬小麦种植信息提取模型
［
J
］
.
科学技术与工程
，
2019,19(35)
：
95-100.
［
13
］
邱鹏勋
，
汪小钦
,
茶明星
，
等
.
基于
TWDTW
的时间序列
GF-1
WFV
农作物分类
［
J
］
.
中国农业科学
，
2019,52
(17)
：
2
951-2
961.
［
14
］
单捷
，
孙玲
，
王志明
，
等
.GF-1
影像遥感监测指标与冬
小麦长势参数的关系
［
J
］
.
江苏农业学报
,2019,35(6)
:
1
323-1
333.
［
15
］
魏鹏飞
，
徐新刚
,
杨贵军
，
等
.
基于多时相影像植被指数
变化特征的作物遥感分类
［
J
］
.
中国农业科技导报
，
2019,21(2)
：
54-61.
［
16
］
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.
［
17
］
姜慧仁
.
崆峒区
:
厉害
！
农民用无人机喷洒农药
［
EB/
OL
］
.
http
:
//
、
/news/detail/
201906
/
31961
.
html.
［
18
］
田野
,
张清
,
李希灿
，
等
.
基于多时相影像的棉花种植信
息提取方法研究
［
J
］
.
干旱区研究
，
2017,
34
(
2)
：
423-430.
［
编辑
：
任亚茹
］