遥感加油站

注：该文提出一种NDVI加权指数评估冬小麦的方法，使用的是GF1数据。

1 研究区

研究区主要位于安平县及其周边地区，安平县隶属河北省衡水市。

2 数据获取

      GF1数据：

数据预处理：

 自中国资源卫星应用中心获取GF-1 原始影像，级别为1A 级，需要经过辐射定标和大气校正预处理，使用农业部遥感应用中心开发的相关软件进行快速批处理。

大气校正使用6S 辐射传输模型进行，需要由中国资源卫星中心获取GF-1/WFV 传感器光谱响应函数，将波谱响应函数重采样为2.5 nm 间隔输入模型，并根据卫星影像自带的元数据信息确定卫星观测几何、大气模式等参数，运行6S模型获取研究区影像地表反射率。几何精校正平面精度达到1 个像元以内，具体是先使用区域网平差模型对传感器RPC（rational polynomial coefficients）参数进行修正，再基于15 m 空间分辨率的LandSat-8/ OLI 影像作为底图进行精校正。

在大气校正和几何精校正的基础上，计算每景影像的归一化植被指数（NDVI，normal difference vegetationindex），计算公式为：NDVI=(Ref4-Ref3)/(Ref4+Ref3)，Ref4 和Ref3 分别为WFV 第4 和第3 波段的反射率。

地面调查数据：

在该文使用的技术方法中，包括两类地面调查数据，第一是以点的方式选择的训练样本，第二是以样方形式选择的验证样本。训练样本又包括2 种，其一是作为获取9 期影像中每1期影像的冬小麦权值的依据，并通过9期加权求和构建冬小麦NDVI 加权指数，称为权值样本；其二是作为冬小麦NDVI 加权指数分类阈值的依据，评价不同阈值划分结果获得的冬小麦面积精度，称为阈值样本。样方形式选择的样本是对研究结果进行精度评价的，为保证业务运行的规范性，该文采用制作研究区规则网格的方法选择各类样本。

制作覆盖研究区的规则网格，考虑到研究区的大小和作物种植分布情况，根据等间距的规则获取10×10 个网格，作为一个基准网格，本次研究网格大小为4.1 km×4.0 km；在每个基准网格的基础上，再将其划分为2×2个网格，分别获取左上、右下2 个子网格的中心点，称为左上中心、右下中心；共产生了在研究区均匀分布的100 个左上网格、100 个右下网格。

 中心点作物类型的确定及NDVI 平均值的获取，在分类体系确定为冬小麦、其他2 种地物类型前提下，采用目视识别的方式逐一确定200个中心点位置的地物类型，判别依据主要是在地面调查基础上结合专家知识进行的；读取各点的NDVI 值，分别计算两类地物的平均值，作为下一步冬小麦面积提取的权值和阈值参数；在作为权值的100 个左上角点中，计有47个冬小麦点，53 个其他点，冬小麦比例47%；作为阈值样本的100 个右下角点中，计有44 个冬小麦点，56 个其他点，冬小麦比例44%。

在以往的分类过程中，多是以样方形式构建训练样本，该文以点的方式作为训练样本，精度更容易控制，对于网格内地物类型无特殊要求，简化了业务流程，作业强度也有较大幅度降低。精度验证样方，是对研究结果进行精度评价的依据，与常规的精度验证方式相同。该文是在上述规则网格基础上，根据等概率原则选取了10 个网格作为精度验证样方。首先计算每个网格中粗分类结果中的冬小麦面积，从小到大进行排序，最小为0，最大45.0%，按照5%的比例分级，统计每个级别中的频数，等概率抽取10 个网格作为最终整个研究区冬小麦面积提取的验证样方，图3给出了样方位置分布。主要基于地面调查，在更高空间分辨率影像数据支持下，结合历史资料、专家知识等辅助信息的基础上，对分类结果进行人工目视解译修正，样方修正结果作为冬小麦精度验证真值。

3 冬小麦面积提取技术流程

基于多时相GF-1/WVF 影像NDVI 数据提取冬小麦面积的主要思路是，采用覆盖冬小麦全生长阶段的9 期NDVI 数据，准确反映研究区冬小麦生长过程，将研究区待分地物确定为冬小麦、其他两种类型，通过定义冬小麦NDVI 加权指数（WNDVI）影像的方法，将9 期NDVI影像加权平均，形成一幅反映冬小麦、其他两种地物类型最大差异的冬小麦NDVI 加权指数特征性影像，对特征性冬小麦NDVI 加权指数影像进行阈值分割，获取冬小麦面积空间分布，并统计获取面积数量。

主要过程包括冬小麦NDVI 加权指数（WNDVI）影像的定义与构建、冬小麦NDVI 加权指数（WNDVI）影像的提取阈值自适应确定、冬小麦类型识别与面积提取等3 个内容，具体技术流程见图4 所示。

4 结果

冬小麦NDVI 加权指数（WNDVI）影像计算

根据WNDVI 影像计算流程，统计每一时期影像所有网格左上中心点（权值样本）的NDVI 值，并结合该点目视分类结果，分别统计冬小麦地类和其他地类的平均NDVI 值，若冬小麦NDVI 平均值大于其他地类，则将其NDVI 乘以权值1，否则就乘以权值−1，并将各期影像NDVI 加权值求和并除以影像的期数，即可得到最终的WNDVI 影像，如图5 所示。

 由图可以比较直观的看出，冬小麦类型的WNDVI值明显高于其他类型，表明了WNDVI具有特征性的放大冬小麦NDVI 值、提高冬小麦与其他地物类型差异的能力。读取左上中心点（权值样本）的WNDVI 值，以及9期NDVI 值，分别计算冬小麦、其他地物类型的平均值，结果如表2 所示。

 从表2 分析可发现，与原始影像的NDVI 平均值相比较，WNDVI 指数显著扩大了冬小麦与非冬小麦的差异，差异绝对值从1129 增加到1439，差异倍数更是从1.43 增加到2.08。这也说明，与基于原始影像NDVI 值的方法相比，采用WNDVI 指数值将更有利于进行冬小麦面积的识别与提取。

冬小麦识别阈值的确定及提取

 获取得到WNDVI 影像后，还需要设置合理的冬小麦识别阈值，以提取冬小麦种植区域。相比传统的依靠专家知识反复试错方法获取冬小麦识别阈值，该文提出一种基于阈值样本的自适应阈值计算方法，可以最大程度的降低专家知识差异、主观认识不同而造成的阈值设置差异所导致的分类结果差异甚至错误，更为适合业务化运行。具体方法是根据WNDVI 的分布范围，以一定的间隔比例逐个设置提取阈值，并将提取阈值应用于阈值样本点的冬小麦提取工作；将提取结果与冬小麦目视识别结果进行对比，统计提取准确率，准确率最高的提取阈值即为最优WNDVI 提取阈值。

 依据上述方法，本次研究区域的WNDVI 提取阈值设定为1 600 时，阈值样本具有最高的总体识别精度94.0%，其中冬小麦的识别精度为95.5%。利用自适应选取的WNDVI 提取阈值，进行冬小麦分类工作。提取结果如图6 所示。从图上可以看出安平县冬小麦种植分布广泛，在县内不同区域均有分布，这也与实际情况相吻合。

 5 结论

该文通过定义冬小麦NDVI 加权指数（WNDVI），面向中国农情遥感监测业务对农作物面积信息自动化获取的需要，结合GF-1/WFV 数据的特点，构建了适合于业务运行的冬小麦识别与提取技术流程，实现了冬小麦面积遥感识别与提取，获得了以下主要结论。

1 ） 利用先验知识构建冬小麦NDVI 加权指数（WNDVI）影像，通过自适应的方式获取分类阈值，进行冬小麦识别与种植面积提取是可行的，试验结果总体精度达到了94.4%，Kappa 系数达到了0.88。

2）利用冬小麦NDVI 加权指数（WNDVI）影像进行冬小麦面积提取，与以往的作业方法相比，降低了对专家知识的依赖，算法客观性强，稳定性高，精度提高1.7%～8.2%左右，效率提高了50%以上。

3）不同作业员、不同作业区域冬小麦提取结果一致性较好，具有区域业务化应用的前景。后期在中国尺度的冬小麦面积提取工作中，可以利用1:10 万分幅作为分类单元，开展区域化业务应用。

该文发表于《农业工程学报》，第一作者：王利民。

更多遥感知识，请关注我的微信公众号：遥感加油站