考虑植被红边信息的多时相Sentinel-2大范围冬小麦提取研究

田欣媛，张永红，刘睿，2，魏钜杰

1.中国测绘科学研究院北京 100036;

2.山东科技大学测绘与空间信息学院,青岛 266590

冬小麦种植面积超过全国耕地总面积的1/5，是中国重要的粮食作物之一（吴炳方等，2004）。随着节水农业与农业种植结构调整，冬小麦种植面积出现较大的年际变化。及时准确掌握冬小麦种植面积变化有利于国家和相关部门科学决策，并为冬小麦产量估算提供重要依据（吴风华等，2019）。遥感技术具有宽视场、多时相等优势，是大范围冬小麦种植面积准确、快速获取的最有效方法（赵英时，2013；
吴风华等，2019；
张莎等，2018）。

由于冬小麦物候特征在大范围区域内存在差异，单一时相难以满足大范围冬小麦的提取，因此多时相法被广泛使用（郭昱杉等，2017；
张锦水等，2020）。已有研究中，基于多时相遥感的大范围冬小麦识别主要利用中低分辨率的MODIS数据，如基于MODIS-NDVI（Normalized Difference Vegetation Index）产品的2017年京津冀冬小麦种植面积提取（吴风华等，2019）、基于MODISEVI（Enhanced Vegetation Index）的2010年黄淮海平原冬小麦种植面积提取（张莎等，2018）以及基于MODIS的2001年—2007年美国各州作物分类（Massey等，2017）。这些成果的精度多在70%—80%，对精度有更高要求的应用略显不足。Sentinel-2A、-2B卫星是欧洲航天局ESA（European Space Agency）哥白尼计划（Copernicus Program）的重要组成部分，分别于2015年6月23日、2017年3月7日发射，可覆盖13个波谱段，各波段主要参数信息见表1。双星互补重访周期仅为5 d，是目前为止唯一一个在红边范围含有3个波段（对应表1中的5、6、7波段）的光学卫星遥感数据，在冬小麦的季相节律特征提取及识别中具有巨大潜力（岳桢干，2015；
田颖等，2019；
Drusch等，2012）。基于Sentinel-2数据的冬小麦提取多集中在小范围研究区，如基于Sentinel-2抽穗期的安徽省北部和中部冬小麦面积提取（甄晓菊等，2019）、基于Sentinel-2A时序NDVI（Normalized Difference Vegetation Index）的河北省辛集市冬小麦面积提取（Zhang等，2019）。这些成果的精度有所提升，但其在大范围冬小麦提取中的适用性未知。已有利用Sentinel-2数据进行冬小麦提取的研究基本上可分为两类：一类是利用单一时相构建多特征集，再利用SVM（Support Vector Machine）、随机森林等分类器进行分类（Saini和Ghosh，2018；
Hunt等，2019；
王蓉等，2019）；
另一类是利用多时相单一特征（NDVI、EVI等）时序曲线的物候信息，利用决策树法、积分法等提取冬小麦面积（Nasrallah等，2018；
杜保佳等，2019；
毕恺艺等，2017）。目前，很少有人在Sentinel-2数据集上将多时相和多特征结合用于冬小麦提取，且大范围冬小麦提取方法的研究较少。

红边波段反射率大幅升高是绿色植被区别于其他地物最突出的光谱特征（梁继等，2020）。红边位置指数REPI（Red-Edge Position Index）根据相邻红边波段的线性4点插值得出，反映了地物红边光谱的变化信息（Frampton等，2013）。由于REPI对植被叶绿素含量非常敏感，出现了很多利用手持高光谱仪数据计算的REPI进行冬小麦生物物理参数反演的研究，如Tavakoli等（2014）利用REPI反演叶面积指数，指出REPI与冬小麦叶面积指数呈良好的对数相关关系，且饱和效应小于NDVI；
郭宇龙等（2020）利用REPI和XGBoost模型进行了冬小麦叶绿素浓度估算；
Zhao等（2012）发现REPI对冬小麦叶片中的氮浓度有良好的指示作用；
肖璐洁等（2020）发现REPI可以判断冬小麦植被冠层的成熟程度和健康状况，随着冬小麦生育期的推进，REPI先红移后蓝移。利用REPI指数反演植被的生物物理参数显然是以对红边波段反射率的精细测量为基础的，因此这些研究使用的都是地基高光谱数据。卫星获取的红边反射率信息虽然无法达到地基高光谱那样的精度，但是作为唯一具有3个植被红边波段、能够计算REPI的光学遥感数据（岳桢干，2015；
田颖等，2019），Sentinel-2影像应该在冬小麦监测方面拥有巨大潜力。然而，目前还没有见到将Sentinel-2红边位置信息应用于大范围冬小麦提取的相关研究。鉴于此，本文首先基于多时相Sentinel-2数据提取时序REPI和NDVI指数，然后研究了区分冬小麦的关键时相，分析提出了区分冬小麦的特征知识，并在此基础上构建了基于时序REPI和NDVI特征的决策树规则集，最后以京津冀为试验区进行了2020年冬小麦面积提取的实验验证。

Sentinel-2影像可从欧洲航天局的数据共享网站（https://scihub.copernicus.eu/dhus/#/home[2020-10-21]）下载。为获取区分冬小麦的关键时相，下载了轨道号为50SLH的单景覆盖区20期云量少于30%的Sentinel-2A/B时间序列影像，获取时段为2019年10月—2020年9月，完全覆盖了冬小麦的整个生命周期，用于绘制主要农作物的时序特征变化曲线，研究区分冬小麦的关键时相与特征。

对于整个京津冀地区，下载了覆盖北京市、天津市以及河北省平原地区的5个关键时相的Sentinel-2影像，一共85景（17景×5期）。研究区及Sentinel-2影像覆盖情况如图1所示。下载的Sentinel-2 L1C级产品为经过正射校正和几何精校正的大气表观反射率数据，使用ESA提供的Sen2Cor（Sentinel-2 Level-2A Atmospheric Correction Processor）（Main-Knorn等，2015）对影像进行大气校正，得到了反射率数据。后续分析均基于反射率数据，利用SNAP（Sentinel Application platform）将红边波段重采样为10 m。

图1 研究区影像覆盖情况及解译样本分布图Fig.1 Image coverage of the study area and distribution map of interpreted samples

沿河北省平原地区冬小麦种植区（邯郸市、邢台市、衡水市、沧州市及保定市）由南向北，每个地市选1—3个外业点，从2020年5月25日起进行了为期一周的实地调查，调查路线如图1的路线所示，序号对应表2中的地点。调查点主要农作物包括冬小麦-夏玉米、瓜果蔬菜大棚、油料作物（花生、大豆），还有各种类型的林地，见图2部分外业点照片。在野外调查数据基础上，借助Google Earth高分辨率光学影像的目视解译，参考统计年鉴中主要农作物播种面积构成提取了京津冀地区主要植被地类包括冬小麦、春玉米、花生、棉花、蔬菜和林地共6类的训练样本。其中，冬小麦样本100个，其他植被地类样本每类30个，合计250个，每个训练样本的大小为20—400个像素，样本分布情况如图1所示。

图2 部分外业点照片Fig.2 Part of the field point photos

表2 外业点信息表Table 2 Field point information sheet

本研究先对轨道号为50SLH的20景Sentinel-2影像生成了REPI、NDVI时序数据集，然后构建了250个训练样本的各类植被地类时序特征曲线，分析得出了区分冬小麦的5个关键时相，总结了各植被类别的REPI及NDVI时相特征；
在此基础上提出了区分冬小麦的特征知识并建立相应的决策树提取规则；
最后完成了整个京津冀平原的冬小麦分布提取，并采用公开的冬小麦面积统计数据和10个均匀分布的、经Google Earth影像解译的验证样本对提取结果进行了精度验证。本文的冬小麦提取流程图如图3所示。

图3 冬小麦提取流程图Fig.3 Extraction process of winter wheat

3.1 REPI、NDVI时序数据集的构建

3.1.1 REPI时序数据集

由于叶片与冠层的散射，植被红边范围（680—780 nm）的反射率随波长增加大幅升高（赵英时，2013）。红边附近的反射率对作物叶绿素含量、氮含量很敏感。

REPI对应着绿色植被在红边范围内反射率随着波长增加反射率增长最快的波长位置（郭宇龙等，2020；
Majasalmi和Rautiainen，2016；
邹红玉和郑红平，2010）。与存在饱和问题的NDVI相比，REPI对叶面积指数和叶绿素浓度的响应更显著（郭云开等，2021）。REPI指数基于Guyot和Baret（1988）提出的线性插值理论，由Sentinel-2影像的4（665 nm）、5（705 nm）、6（740 nm）、7（783 nm）波段（分别由B4、B5、B6、B7表示）计算得到（Majasalmi和Rautiainen，2016）：

动漫旅游的核心竞争力是动漫游艺作品带给观众的体验和心灵的感受，动漫在旅游中能够让人们找到与动漫人物的共鸣，进行深度的体验，因此动漫IP在整个动漫旅游中为最重要的一环，如何打造一个成功的动漫IP，才是第一步要做的。打造动漫IP有几种形式：

3.1.2 NDVI时序数据集

NDVI是作物分类研究中应用最广泛的植被指数，时序NDVI可以反映作物的生长状况及植被覆盖度的动态变化（Wei等，2020）。NDVI计算公式如下：

式中，ρR、ρNIR分别为红光波段和近红外波段的反射率，对应Sentinel-2数据的4、8波段。

3.2 关键时相研究

不同农作物因生长周期的长短不同，在同一时段植被指数会呈现不同的特征（Zhang等，2019；
甄晓菊等，2019；
杨闫君等，2015）。因此研究作物生长周期内的显著物候特征或者说确定有显著区分性的时相对于识别不同的农作物有重要作用。

根据已选定的250个样本，绘制了6类作物（冬小麦、春玉米、花生、棉花、越冬蔬菜和林地）的REPI、NDVI时序曲线，如图4和图5所示。随着冬小麦生长期的变化，其REPI、NDVI时序曲线会呈现出明显的变化规律，见表3物候特征。

表3 冬小麦物候期及物候特征表Table 3 Phenological period and characteristics of winter wheat

图4 主要农作物NDVI变化曲线Fig.4 NDVI curve of main crops

图5 主要农作物REPI变化曲线Fig.5 REPI curve of main crops

已有研究表明，JM（Jeffries-Matusita）距离是遥感分类中评价训练样本可分性的有效度量（Koukoulas和Blackburn，2001）。利用JM距离计算冬小麦与其他土地覆被类型在各时相特征层（NDVI+REPI）上的可分性，如表4所示。JM距离范围在0（低可分性）和2（高可分性）之间，JM>1.8表示两个样本之间具备可分性（邓书斌，2014）。

表4 冬小麦与主要农作物的JM距离Table 4 JM distance between winter wheat and main crops

对于大范围的冬小麦提取，选择有显著区分性的关键时相可以极大减少处理的数据量（Tian等，2020）。根据表4选择样本可分性较好（JM均值>1.8）的特征层，共有5个关键时相：

（1）播种期（10月30日）与出苗期（11月19日）。京津冀地区冬小麦是秋种夏收，而其他农作物都是春种秋收，冬小麦区别于其他农作物的显著特征为10月份至11月份中旬的出苗分蘖期，在10月份播种出苗后REPI、NDVI都呈增长趋势，值在11月中旬都会增长至一个小峰值，与同期非越冬作物的植被指数（持平或下降趋势）差异较大，通过｛REPI11.19-REPI10.30｝、｛NDVI11.19-NDVI10.30｝区分冬小麦。

（3）成熟期（6月17日）。冬小麦在成熟期6月份的NDVI曲线表现为波谷，REPI也靠近短波方向。秋收作物、林地在6月份正处于生长期，NDVI与REPI增加，与冬小麦差异明显，可以通过冬小麦抽穗期与成熟期特征差值区分冬小麦。因此选择6月17日作为冬小麦提取的一个关键时相。

3.3 特征分析与特征知识建立

为了探索REPI与NDVI对于冬小麦的区分能力，将样本区加载到各个特征层中，对样本可分性进行统计分析，提出关键时相区分冬小麦与其他各类农作物的特征知识。

单时相NDVI与NDVI差值都不能很好地区分冬小麦和林地，如图6所示，抽穗期（5.3）REPI对冬小麦和林地有更好的区分能力，REPI会随着叶绿素浓度的增加而向长波方向移动（Wang等，2017），冬小麦在4—5月份叶绿素浓度最高，REPI达到冬小麦生长期的最大值。而林地在7—8月份叶绿素浓度才会达到峰值，冬小麦在抽穗期REPI值明显高于同时期的林地。因此选择冬小麦抽穗期REPI设置最低阈值可以区分冬小麦与林地。

图6 冬小麦与林地的区分Fig.6 Distinguish between winter wheat and woodland

大部分蔬菜生长周期短、时序特征变化明显，利用多时相特征较容易与冬小麦区分。部分越冬蔬菜与冬小麦时序NDVI曲线趋势一致，原因是该区域先后种植过两季蔬菜，因此两个NDVI峰值（11.19和5.03）相近；
而冬小麦出穗期NDVI、REPI都要比出苗期更高，可用两个时相差值区分冬小麦与越冬蔬菜。由图7可以看出REPI差值比NDVI差值对冬小麦与越冬蔬菜的区分能力更好。因此，利用出苗期、抽穗期REPI差值区分冬小麦与越冬蔬菜。

图7 冬小麦与越冬蔬菜的区分Fig.7 Distinguish between winter wheat and winter vegetables

如图8所示，冬小麦与秋收作物（棉花、花生、春玉米）的混分现象较少，仅用NDVI就可以较好区分。单时相NDVI仅能区分冬小麦与春玉米，利用抽穗期和成熟期两个时相NDVI差值可以更好区分冬小麦和棉花、花生，因此利用抽穗期NDVI最低阈值、抽穗期与成熟期的NDVI差值区分冬小麦与秋收作物。

图8 冬小麦与秋收作物的区分Fig.8 Distinguish between winter wheat and autumn harvest crops

基于以上分析发现：（1）两个时相的特征差值比单时相特征更稳定；
（2）特征集之间存在互补性，REPI对于冬小麦与林地、越冬蔬菜的区分能力强于NDVI，而NDVI对于冬小麦与秋收作物的区分能力较好。

3.4 决策树规则建立

决策树分类因运算速度快、分类效率高等特点，广泛应用于遥感影像农作物分类（胡琼等，2015）。精确的分类规则可以提高决策树分类的精度，但过于精确的阈值设定导致其难以在大区域范围内进行推广。在大范围冬小麦提取任务中，单一时相或单一特征不能完全剔除某一类的影响，例如从图7中可发现仅用双时相REPI差值并不能完全区分冬小麦和越冬蔬菜，但是，借助多时相多特征能将其他地类逐步剔除，不断对冬小麦提取结果精化，最终实现冬小麦准确提取。这也是决策树分类器的优势之一。因此，本文根据前面分析的特征知识，综合多时相NDVI和REPI特征设置提取阈值，利用各特征集之间的互补性，建立了适应大范围物候差异的冬小麦提取的决策树规则（图9）。

图9 决策树分类规则Fig.9 Classification tree decision rules

提取的整个京津冀地区的冬小麦种植区域如图10所示，其中种植面积超过3000 km2的有6个市，如图11所示。首先使用2020年各省农村统计年鉴提供的2020年冬小麦播种面积与提取结果进行了对比（表5）。2020年京津冀种植冬小麦面积合计23602.13 km2，本文提取出的京津冀冬小麦面积为22995.20 km2，误差为-2.57%，远低于吴风华等（2019）2017年京津冀冬小麦提取误差（-8.16%）。这能在一定程度上表明本文提取的冬小麦面积的精度。

表5 各市冬小麦播种面积提取误差Table 5 Error of winter wheat sown area extraction

图10 京津冀2020年冬小麦提取结果（红色圆圈为验证区域位置标示，序号与表6对应）Fig.10 Winter wheat extraction results in Beijing-Tianjin-Hebei in 2020（The red circle indicates the location of the validation area with the serial number listed in Table 6）

图11 冬小麦提取结果图（市级）Fig.11 Winter wheat extraction results（Municipal）

为了更准确地对本文结果进行精度评价，选择均匀分布在研究区内的10个采自Google Earth高分辨率光学遥感影像的验证样本，其分布如图10中红色圆圈位置标示。每个验证样本大小为100×100像素，其中的冬小麦种植区通过对光学影像进行人工解译得到。10个验证样本的冬小麦提取精度如表6所示，图12分别展示了3个验证样本的冬小麦提取结果、人工解译结果与对应的Google Earth高分辨率光学影像。由提取结果来看，冬小麦种植区域基本都能够被识别，部分区域存在错分样本。错分样本主要存在于冬小麦种植区域内的细小田埂等地块，由于Google Earth光学影像分辨率（约为1 m）高于Sentinel-2数据，Google Earth中能够被解译的部分田埂在Sentinel-2影像上仅为1个或低于1个像素宽，其地物光谱特征会受到周围冬小麦的影响以致于被误分为冬小麦。经过对10个验证样本进行统计，红边特征REPI参与的京津冀冬小麦提取总体精度为94.24%，Kappa系数为0.88，仅NDVI参与的冬小麦提取总体精度为88.45%、Kappa系数为0.73；
且与王利民等（2018）在2014年京津冀冬小麦提取结果（总体精度和Kappa系数分别为89.8%、0.72）相比，精度有明显提升。

图12 3个验证样本的冬小麦提取结果，人工解译结果及对应的Google Earth光学影像Fig.12 Results of winter wheat extraction from 3 validated samples，result of manual interpretation，the corresponding Google Earth optical image

表6 验证样本冬小麦提取精度Table 6 Accuracy of winter wheat planting area extraction of validation samples

Sentinel-2是唯一一个在红边范围内含有3个波段、能够计算REPI的光学遥感数据，本文提出一种综合多时相Sentinel-2 REPI、NDVI的大范围冬小麦提取方法，并将其应用于2020年京津冀地区的冬小麦种植区提取，得到如下结论；

（1）REPI会随着冬小麦生长期叶绿素浓度的变化而发生变化，REPI在冬小麦播种期小于710 nm；
随冬小麦幼苗增长REPI也逐渐增长，直至在出苗期（11月）达到第一个峰值（722 nm左右）；
随越冬期冬小麦停长REPI值跌落至715 nm以下；
从返青期后，REPI随冬小麦的快速增长向长波方向移动，在抽穗期（4—5月）达到第二个峰值，对应值大于730 nm；
成熟期REPI值降至720 nm以下。研究表明，抽穗期REPI明显高于同时期其他作物，对冬小麦和林地有更好的区分能力。

（2）在大范围冬小麦提取任务中，单一时相或单一特征不能完全剔除某一类的影响。REPI与NDVI针对冬小麦与特定农作物的区分具有各自的优势，借助多时相多特征能够将其他地类逐步剔除，且建立的决策树规则能够利用各特征集之间的互补性从而适应大范围冬小麦物候差异，实现大范围冬小麦的精确提取。研究证明，综合多时相Sentinel-2 REPI、NDVI的冬小麦提取方法能够满足大范围冬小麦提取的任务需求，京津冀冬小麦提取总体精度和Kappa系数分别为94.24%和0.88。