遥感技术与应用, 2021, 36(2): 332-341 doi: 10.11873/j.issn.1004-0323.2021.2.0332

农业遥感专栏

多源遥感数据小麦识别及长势监测比较研究

尹捷,1,2, 周雷雷1,2, 李利伟2, 张雅琼3, 黄文江2, 张赫林4, 王岩2,5, 郑诗军2,5, 范海生6, 纪婵6, 陈俊杰1, 彭代亮,2

1.河南理工大学测绘与国土信息工程学院，河南 焦作 454003

2.中国科学院空天信息创新研究院数字地球科学重点实验室，北京 100094

3.生态环境部卫星环境应用中心，北京 100094

4.北京市陆表遥感数据产品工程技术研究中心，北京师范大学地理科学学部，北京 100875

5.中国科学院大学，北京 100049

6.珠海欧比特宇航科技股份有限公司，广东 珠海 519000

A Comparative Study on Wheat Identification and Growth Monitoring based on Multi-source Remote Sensing Data

Yin Jie,1,2, Zhou Leilei1,2, Li Liwei2, Zhang Yaqiong3, Huang Wenjiang2, Zhang Helin4, Wang Yan2,5, Zheng Shijun2,5, Fan Haisheng6, Ji Chan6, Chen Junjie1, Peng Dailiang,2

1.School of Surveying and Land Information Engineering，Henan Polytechnic University，Jiaozuo 454003，China

2.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

3.Center for Satellite Application on Ecology and Environment，Ministry of Ecology and Environment，Beijing 100094，China

4.Beijing Engineering Research Center for Global Land Remote Sensing Products，Institute of Remote Sensing Science and Engineering，Faculty of Geographical Science，Beijing Normal University，Beijing 100875，China

5.University of Chinese Academy of Sciences，Beijing 100049，China

6.Zhuhai Orbita Aerospace Science & Technology Co. LTD，Zhuhai 519000，China

通讯作者: 彭代亮(1980-)，男，安徽安庆人，博士，研究员，主要从事植被生态遥感与全球变化方面的研究。E⁃mail: pengdl@radi.ac.cn

收稿日期: 2020-07-24   修回日期: 2021-04-11   网络出版日期: 2021-05-24

基金资助: 国家自然科学重点基金项目“基于深度学习的小麦植被参量高光谱遥感反演研究”.  42030111
珠海一号卫星大数据云服务平台与应用示范（遥感大数据服务团队）.  ZH0111⁃0405⁃170027⁃P⁃WC

Received: 2020-07-24   Revised: 2021-04-11   Online: 2021-05-24

作者简介 About authors

尹捷(1996-)，男，山西大同人，硕士研究生，主要从事作物长势监测方面的研究E⁃mail:644185719@qq.com , E-mail：644185719@qq.com

摘要

小麦是我国主要的农作物之一，对于我国的经济发展有着重要意义。遥感技术经过不断发展，已成为提取小麦及长势研究的重要手段。利用高光谱珠海一号OHS-2A卫星、多光谱Sentinel-2A卫星以及MODIS等多源遥感数据，以雄安为研究区，采用支持向量机的方法进行小麦提取，结合野外实测数据利用混淆矩阵进行精度评价分析；分别对比小麦的两个重要生育期返青期和抽穗期，将小麦长势分为3个等级（按长势较好、长势持平、长势较差）进行长势监测比较。研究表明：环境条件相同下，OHS-2A的总体精度为82.08%，Kappa系数为0.76；Sentinel-2A的总体精度为85.57%，Kappa系数为0.81，相比之下Sentinel-2A对于小麦的识别效果最佳。在进行长势监测中，对比小麦各长势情况及长势变化相对幅度，Sentinel-2A数据比MODIS数据对于雄安小麦的长势监测及研究分析更有效。采用多源遥感数据分析雄安小麦识别及长势监测情况，有利于小麦种植管理，这对于推动绿色雄安有着重大意义。

关键词： 珠海一号 ; 长势监测 ; 小麦识别 ; 雄安

Abstract

Wheat is one of the main crops in China， which is of great significance to the economic development of China.With the continuous development of remote sensing technology， remote sensing technology has become an important means to extract wheat and growth monitoring. The identification of wheat is the premise of its planting area management， and the growth research is an important indicator of its growth evaluation and yield control. In this paper， the multi-source remote sensing data such as the hyperspectral zhuhai No.1 OHS-2A satellite， the multi-spectral Sentinel-2A satellite and MODIS were used to extract wheat by using Support Vector Machine（SVM） in Xiong'an as the research area. The accuracy of wheat was evaluated and analyzed by using the confusion matrix based on the field measurement data. Comparing the two important growth stages of wheat： the return green period and the heading period， wheat growth was divided into three grades （good growth， similar growth， worse growth） for growth monitoring and comparing. The results showed that under the same environmental conditions， the Overall accuracy of OHS-2A was 82.08%， and the Kappa coefficient was 0.76；The Overall accuracy of Sentinel-2A was 85.57% ，and the Kappa coefficient was 0.81， By contrast， Sentinel-2A is the best at identification wheat. In the process of growth monitoring， the Sentinel-2A satellite is more effective than MODIS in monitoring and analyzing the growth of Xiong'an wheat by comparing the growth conditions and the relative amplitude of the change of wheat growth.This study analyzed the status of wheat identification and growth monitoring in Xiong'an from remote sensing data of different resolutions， which is conducive to wheat planting management and the formulation of agricultural policies， which is of great significance for promoting the economic development of green Xiong’an and the city.

Keywords： OHS-2A ; Growth monitoring ; Wheat identification ; Xiong'an

PDF (4908KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

尹捷, 周雷雷, 李利伟, 张雅琼, 黄文江, 张赫林, 王岩, 郑诗军, 范海生, 纪婵, 陈俊杰, 彭代亮. 多源遥感数据小麦识别及长势监测比较研究. 遥感技术与应用[J], 2021, 36(2): 332-341 doi:10.11873/j.issn.1004-0323.2021.2.0332

Yin Jie, Zhou Leilei, Li Liwei, Zhang Yaqiong, Huang Wenjiang, Zhang Helin, Wang Yan, Zheng Shijun, Fan Haisheng, Ji Chan, Chen Junjie, Peng Dailiang. A Comparative Study on Wheat Identification and Growth Monitoring based on Multi-source Remote Sensing Data. Remote Sensing Technology and Application[J], 2021, 36(2): 332-341 doi:10.11873/j.issn.1004-0323.2021.2.0332

1 引 言

小麦是世界上最主要的粮食作物之一，全球约有一半以上的人食用，中国大部分地区种植小麦，并且我国主要以冬小麦为主，小麦在国民经济和粮食安全问题占有很重要的意义［1］。无论对国家决策者还是农民来说，小麦的识别都是种植面积管理、长势监测等的基础，对于精准农业的发展、农作物产量估测和作物病虫害监测等有着重要意义［2］。

传统对于农作物识别及长势信息的掌握分析采用人工实地统计考察，消耗大量的人力物力［3］。随着遥感技术不断发展和精准农业技术需求的增加，遥感技术能够识别作物、及时了解作物生长状况和定量分析农作物不同时期的长势，通过遥感影像解译法进行农作物类型识别及长势研究逐步成为一种主流方法［4］。作物长势监测是建立在植物光谱系统化理论基础上，植物对不同波长光谱的反射、吸收和散射有不同的特征反映，植被指数是利用不同的光谱信息进行组合，以增强植被识别信号［5］。由于每一种植被都有其独特的生长周期，并且表现在周期内的光谱反射率和植被指数上，构成时间序列特征曲线，有利于植被种类识别［6］。季节性变化是植被主要特征之一，也是植被生长、发育、成熟的规律，冬小麦的生育期中返青期和抽穗期最为重要；返青期对于小麦的晚弱苗生长、防止旺苗徒长及成穗率高低有着重要的意义；而在小麦的抽穗期中对于其郁蔽抵抗力弱及病虫害多发具有指导意义［7-8］。因此，及时监测小麦返青期与抽穗期的苗情长势是制定和采取科学治理方式的必要前提。

当前国内外主要采用Landsat、SPOT、MODIS等数据进行农作物的识别与监测，例如Kontoes等［9］使用SPOT影像，利用遥感与GIS技术结合的方法对遥感纹理及地理信息两方面进行作物分类，精度比使用传统分类器提高了近13%。余铭等［4］利用AVIRIS传感器收集到美国加利夫尼亚影像数据，采用基于条件随机场的分类方式，对该地区的农作物进行精细分类，精度达到94%以上。刘新杰等［10］利用多源遥感数据采取定量化处理，通过监测叶绿素密度等时序变化规律，实现了冬小麦基于时序卫星的长势监测。Bhumika等［11］利用多时相Sentinel-2A数据基于NDVI与TNPI指数对印度Bhuj Taluka地区冬小麦进行不同物候期时间变化的分析，发现在播种期到灌浆期间NDVI曲线时间变化上升较高，成熟期NDVI曲线时间变化较低。孙丽等［12］采用MODIS数据，通过同期比对法对2019年美国冬小麦进行长势监测分析。武建军等［13］以新疆北部为研究区，通过对比相邻年份归一化植被指数（NDVI），实现大面积农作物长势监测。但多数研究都是利用单一数据进行作物识别及监测，对其进行结果研究分析，未进行多源数据之间的相互比较。因此探讨有效识别及作物长势监测遥感数据，有助于提高作物管理的工作效率及促进农业发展。

以河北省雄安新区为研究区，对研究区内的小麦进行识别及长势研究，基于高光谱数据OHS-2A、多光谱数据Sentinel-2A的小麦识别，并结合野外实测数据对识别结果进行精度评价分析。对比MODIS和Sentinel-2A小麦2019年与2018年返青期与抽穗期的归一化植被指数（Normalized Difference Vegetation Index，NDVI）差值划分小麦各长势等级占小麦总面积的百分比，定量分析小麦的长势，为小麦的估产与管理提供理论和实验依据。通过多源遥感数据的比较分析探讨得到更有效的数据源，来识别及掌握作物的长势信息，探究国产高光谱卫星OHS-2A在农业的应用研究，为以后国产卫星区域农作物的识别与作物长势研究的广泛应用提供参考价值，这对于雄安新区的农业发展及管理有着重大意义。

2 研究区与数据

2.1　研究区概况

研究区是位于河北省境内的雄安新区，地处冀中平原中部，地势平坦，地理位置优势显著。位于中纬度地带，属暖温带季风型大陆性气候，四季分明，年平均气温11.7 ℃，年平均降雨量551.5 mm，6~9月份占80%。由于气候及土壤等原因，此区域主要农作物是小麦、玉米和甘薯。

2.2　数据源及处理

高光谱数据源使用的是“珠海一号”OHS-2A影像，OHS-2A高光谱卫星的空间分辨率10 m、幅宽150 km，光谱分辨率2.5 nm。OHS-2A高光谱卫星共有32个波段。波段范围400~1 000 nm，标定方式支持在轨定标［14］。OHS-2A是当前国内高光谱卫星数据中空间分辨率最高。由于其数据只做了相对辐射定标和几何校正，所以需对该数据进行绝对辐射定标并采用FLAASH进行大气校正。另外，其影像存在几何畸变，需对OHS-2A高光谱数据进行正射校正消除由于地形、相机几何特性以及与传感器相关的误差所带来的几何畸变。

多光谱数据源使用的是Sentinel-2A和MODIS植被指数产品MOD13Q1。其中Sentinel-2A是作为欧洲空间局（European Space Agency，ESA）“哥白尼”计划系列中的一颗重要的光学遥感卫星，属于全新的高空间分辨率多光谱成像卫星［15］，具有13个光谱波段，不同波段的空间分辨率也略有不同，拥有10、20和60 m 3个不同尺度的空间分辨率，其中4个波段（band2、band3、band4、band8）的空间分辨率为10 m，6个波段（band5、band6、band7、band8a、band11、band12）的分辨率为20 m，其余3个波段（band1、band9、band10）的分辨率为60 m。重访周期为10 d，幅宽为290 km，具有较高的空间分辨率和时间分辨率，克服了以往时序数据难以获取或空间分辨率低的问题［16］。采用4个10 m空间分辨率的可见光近红外波段（band2/3/4/8），这4个光谱波段的光谱和辐射信息见表1。由于目前提供下载的数据为L1C级别的产品数据，均已经过辐射校正、几何校正以及辐射定标［15］。所以只需采用欧空局提供的SNAP内置大气校正模块Sen2cor工具进行大气校正。在SNAP处理下，选择含云量少，地物特征明显在返青期与抽穗期的影像。

表１   Sentinel-2A影像所用波段信息简介

Table 1  Introduction of band information used in Sentinel-2A image

光谱波段号中心波长/nm波宽/nm空间分辨率/m
band24906510
band35603510
band46653010
band884211510

新窗口打开| 下载CSV


MODIS（Moderate-resolution Imaging Spectrora-diometer）中分辨率成像光谱仪EOS系列卫星Terra和Aqua上的一个重要的传感器，实验所使用的其植被指数产品MOD13Q1，空间分辨率为250 m，重放周期为16 d［17］（表2）。研究区需3景MODIS遥感影像，包括h26v05、h27v05和h28v05。对返青期与抽穗期的影像在MRT（MODIS Reprojection Tool）中进行格式转换及投影，提取所需NDVI波段，数据真值转化。

表2   多源遥感数据比较

Table 2  Comparison of multi-remote sensing data

数据源空间分辨率/m幅宽/km波段数重访周期/d
OHS-2A10150325
Sentinel-2A10290410
206
603
MOD13Q12502 3301216

新窗口打开| 下载CSV


验证样本数据采用野外实地调查数据，采集时间与进行小麦识别的卫星遥感数据时相接近。野外实测数据中分别调查了小麦、林地及裸地，其中小麦的样本选取有71个，林地的样本选取有88个，裸地的样本选取有5个。

2.3　样本的选取

分别利用band11、band7、band2打开OHS-2A高光谱真彩影像，band4、band3、band2打开Sentinel-2A多光谱真彩影像，在Google Earth进一步选取小麦、林地和裸地识别的分类样本，将野外实测的数据作为后续精度评价分析的验证样本。在以上的基础下获得本研究的训练样本320个、验证样本164个，其分布如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区分类点与验证点分布图

Fig.1   Study area classification point and verification point distribution


3 小麦识别与长势遥感监测方法

3.1　小麦识别方法

由于高光谱影像产生严重的数据冗余并加重“Hughes”现象进而影响分类精度［18］。高光谱影像的噪声数据比较严重，如果训练样本选择较少、样本质量较差的情况下，会降低高光谱在地物分类结果的精度［19］。因此，在进行小麦识别之前必须采取高光谱图像降维去噪，使分类结果的精度和质量有所提高。目前，高光谱数据降维的方法较多，而且采用基于特征提取的降维方法应用范围较广，其主要有最小噪声分离法、主成分分析法、独立主成分分析法等［20］。实验采取最小噪声分离变换（MNF）的方法来判定OHS-2A高光谱影像数据内在的维数，分离出数据中的噪声，将强噪声从高光谱影像数据中除掉，以此来获取有效的高光谱影像波段，降低随后进行小麦识别的过程中数据计算的需求，再用支持向量机（SVM）进行小麦识别。

MNF变换结果的前4个波段特征值较大，集中了图像所包含的大量有用信息。因此，采取高光谱影像的前4个有效波段数据进行小麦识别。常见的识别方法有二进制编码、支持向量机、最大似然法等。支持向量机是一种基于统计学习理论的机器学习算法。它采用结构风险最小化的标准，可以解决小样本，非线性和高尺寸的问题［21-23］。因此，实验选择SVM作为识别方法，核函数选择RBF函数，Gamma in Kernel Function参数设置为0.167。在分类结果中往往会产生一些面积很小的图斑，须对图斑进行去除或重新归类，常用方法有聚类处理、过滤处理、主次要分析，其中主要分析是利用变换核中占像元数最多的像元种类来替代中心像元的种类［24］。所以，在本次进行小麦识别结果处理中用主要分析作为小斑块处理，以此来增加小麦识别结果的准确性。最终得到OHS-2A和Sentinel-2A的小麦识别结果。

3.2　长势遥感监测方法

由于研究区小麦的种植期一般在9月底10月初，第二年2月下旬至3月下旬为返青期，5月中旬至6月初为抽穗期，6月中旬至6月底为成熟收获期［25-26］。在10月为小麦的出苗期，播种区域主要表现为土壤特性，由于叶绿素含量较低，整体NDVI值比较低；从12月下旬到来年2月下旬，由于温度低和霜雪影响，冬小麦逐渐停止生长，随着气温的逐渐下降，NDVI值逐渐降低；在2月下旬以后，冬小麦开始返青，继续生长；到5月中旬，冬小麦处于抽穗期，此时冬小麦的NDVI值也达到了最大值；随着小麦的成熟，NDVI值逐渐下降。

农作物的长势监测主要分为过程监测和实时监测，过程监测从作物生长发育的全过程来描述作物的生长，实时监测通过与之前某个时间点上的植被指数进行差值，并对差值图像进行分级，来确定作物的相对长势及长势空间差异［27-28］。由于MODIS、Sentinel-2A的数据重访周期时间不是每天连续，所以所选择的数据代表为当前旬。Sentinel-2A选择2018、2019年的3月24日为返青期，5月23日为抽穗期。MODIS选择2018、2019年的3月22日为返青期，5月25日为抽穗期。通过对2019年与2018年同一时期的数据做差来得到小麦的长势［27-28］，结果为大于0.05的记为长势较好，差值在 -0.05~0.05间记为长势持平，差值小于-0.05的记为长势较差［29］。然后分别计算长势较好、长势持平、长势较差的面积的占比。长势变化程度以相对幅度（Change Rate，CR）为指标，计算公式如下：

CR=NDVI2019-NDVI2018NDVI2018×100%

其中：NDVI2019为2019年返青期、抽穗期NDVI，NDVI2018为同期2018年返青期、抽穗期NDVI。在作物生长期内采用前后两年同期的NDVI做差方法监测作物长势，雄安范围内的小麦生长环境相同，用这种方法能够较好地反映研究区内小麦生长过程，而且小麦在返青期由于气候的影响，NDVI较低；在抽穗期小麦会达到一个最高的植被覆盖，这两个特征很好地表现了小麦的生长季节性特性。以此来比较分析不同空间分辨率对于小麦长势的影响。

4 结果分析与讨论

4.1　小麦识别结果分析

小麦的识别结果采用混淆矩阵的方法进行精度评价，其结果如表3所示，小麦识别结果如图2。精度评价分别从总体精度、Kappa系数、用户精度（UA）、制图精度（PA）4个方面进行分析。其中用户精度指正确分到某类地块数量与被分为该类总数的比例。制图精度指正确分到某类的数量与该类真实参考总数的比例。

表3   识别结果精度验证

Table 3  Accuracy verification of identification results

卫星PA/%UA/%总体精度/%Kappa系数
OHS-2A94.4092.8682.080.76
Sentinel-2A98.3990.1185.570.81

新窗口打开| 下载CSV


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   雄安小麦识别结果

Fig.2   Recognition results in Xiong'an


针对小麦的识别及精度评价结果，在总体识别精度，多光谱数据Sentinel-2A和高光谱数据OHS-2A都相对较高，总体精度分别达到了85.57%和82.08%，Kappa系数分别在0.81和0.76。用户精度分别在90.11%和92.86%，制图精度分别为98.39%和94.40%。但两者相比之下，多光谱数据Sentinel-2A比高光谱数据OHS-2A的总体精度、制图精度和Kappa系数高，说明多光谱数据Sentinel-2A对小麦的精细识别效果更好。在安新县小麦识别结果，高光谱数据OHS-2A比多光谱数据Sentinel-2A对于小麦的识别误差较大，高光谱数据OHS-2A将白洋淀中部分水体识别为小麦，这不利于后期种植面积管理，相比之下，Sentinel-2A对于雄安各县小麦识别较好，有助于更准确估测小麦种植面积，便于小麦估产管理。在用户精度中高光谱数据OHS-2A比多光谱数据Sentinel-2A高，说明识别过程中高光谱数据OHS-2A对于正确识别验证样本中小麦的准确效果更好。

小麦在研究区范围内的识别结果中多光谱数据Sentinel-2A比高光谱数据OHS-2A更精确（图2），虽然OHS-2A在总体精度相对较低，但对于小麦的识别误差较低，说明国产高光谱影像OHS-2A在小麦识别上也具有非常好的能力，这对于利用高光谱影像数据OHS-2A开展作物信息提取以及其他相关研究具有参考价值，且其拥有丰富的波段信息，能够监测出不同农作物之间的差别并识别作物类别，有助于提升我国高光谱卫星在作物精细分类、作物病虫害监测的应用，未来通过智慧农业可实现农作物精准理赔，协助农户规避种植风险，降低成本，助力科学农业发展。

4.2　长势监测结果与分析

国产高光谱卫星OHS-2A没有2018年数据，不能做小麦长势监测，所以利用Sentinel-2A （10 m）、MODIS （250 m）不同空间分辨率的遥感数据对比分析雄安新区整体及雄安各县在返青期、抽穗期这两个重要生育期的小麦长势（图3），通过对比长势较好、长势持平、长势较差的面积所占小麦总面积的百分比差异（表4），在基于相近的环境条下，进行长势监测分析。对于不同空间分辨率的遥感数据Sentinel-2A与MODIS的返青期雄安小麦的总体长势情况不同，返青期内两者长势监测结果差别较大，Sentinel-2A的小麦长势监测结果区分明显，MODIS各长势监测结果区分差异较小，MODIS的雄安小麦与2018年相比整体长势较好，且较好的小麦长势面积多于Sentinel-2A；抽穗期内Sentinel-2A与MODIS的小麦的长势一致且长势监测结果差别较小，Sentinel-2A与MODIS的各长势监测结果区分明显，雄安整体小麦长势表现为与2018年持平（图4）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   Sentinel-2A与MODIS雄安各县长势变化相对幅度

Fig.3   The relative range of Sentinel-2A and MODIS growth change rate in Xiong'an County


表4   雄安各县在返青期、抽穗期长势等级所占小麦面积百分比 (%)

Table 4  Percentage of wheat area in the growth grade of the green return period and heading period in Xiong’an County

时期长势等级Sentinel-2AMOD13Q1
安新县容城县雄县安新县容城县雄县

返

青

期

长势较好37.8620.2018.6391.0286.7041.42
长势持平29.9737.7731.608.4312.8658.24
长势较差32.1742.0349.770.550.440.34

抽

穗

期

长势较好16.3014.3515.8234.6028.3918.76
长势持平51.4151.5850.0847.1244.8048.75
长势较差32.2934.0734.1018.2826.8132.49

新窗口打开| 下载CSV


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   雄安小麦长势监测比较

Fig.4   Comparison of wheat growth monitoring in Xiong’an


由于Sentinel-2A的分辨率较高，雄安整体小麦长势分布情况更精准，整个雄安地区返青期小麦长势较好、长势持平、长势较差占比分别为30.50%、32.46%、37.04%，对应的长势变化相对增加、不变、减少幅度分别是42.81%、8.95%、48.23%，说明从长势面积和长势变化相对幅度两方面来看，在同一环境条件下，雄安整体的小麦长势2019年比2018年较差，从表4可知，安新县整体长势与2018年相比较好，长势变化相对幅度增加，容城县、雄县与2018年相比整体长势较差，长势较差的面积雄县要比容城县多。在抽穗期中，雄安整体小麦长势较好、长势持平、长势较差占比分别为15.67%、51.31%、33.02%，对应的长势变化相对增加、不变、减少幅度分别是20.17%、41.67%、38.16%，从长势面积和长势变化相对幅度分析，雄安2019年整体的小麦长势在抽穗期内是与2018年持平，其中雄安各县的小麦长势与2018年相比都持平，容城县、雄县小麦长势较差的面积要比安新县多，安新县长势较好的变化相对幅度比容城县、雄县高，说明安新县小麦长势较好的面积比其他两县多。这对与后期小麦的生长与估产有一个很好的管理。

相比于Sentinel-2A，MODIS的分辨率较低，对于小区域尺度的监测效果比较差。在小麦的返青期，雄安整体小麦长势较好、长势持平、长势较差占比分别为81.14%、18.38%、0.48%，对应的长势变化相对增加、不变、减少幅度分别是95.03%、3.19%、1.78%，从长势面积和长势变化相对幅度分析，雄安2019年整体的小麦长势比2018年较好，而且长势比2018年较好的长势变化幅度比较大。从表4可知，安新县与容城县的小麦长势比2018年较好，雄县的小麦长势与2018年持平。在抽穗期内，雄安整体小麦的长势较好、长势持平、长势较差占比分别为30.12%、46.77%、23.11%，对应的长势变化相对增加、不变、减少幅度分别是41.47%、28.11%、30.42%，说明雄安整体的小麦长势是与2018年持平，其中，雄安各县小麦整体长势持平，安新县比2018年较好的小麦长势面积要比容城县与雄县多，雄县小麦长势持平及长势较差的面积要比安新县与容城县多。

对比分析不同空间分辨率Sentinel-2A与MODIS小麦返青期、抽穗期长势中各像元值占总像元的百分比直方图（图5），结果表明：在返青期中，Sentinel-2A与MODIS的2019年与2018年NDVI差值在-0.06~0.038重叠，表明两者这个范围内差别较小，对于小麦的长势监测比较一致，但整体两者相比之下在返青期的长势监测结果差别较大；在抽穗期中，Sentinel-2A与MODIS的2019年与2018年NDVI差值重叠度较高，两者差异较小。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   Sentinel-2A、MODIS小麦长势直方图

Fig.5   The wheat growth histogram of Sentinel-2A and MODIS


在小麦长势监测中，Sentinel-2A的小麦长势监测面积结果为4.769万hm2，MODIS的小麦长势监测面积结果为6.225万hm2，与雄安对小麦的实际面积统计得到的结果约为3.8万hm2相比，Sentinel-2A的小麦面积要比MODIS更接近实际雄安小麦面积，Sentinel-2A的小麦统计面积误差更小［30］。因为MODIS的分辨率较低，对于小麦的监测能力相比Sentinel-2A较差，不能精准监测，同时由于混合像元的存在，其对于小麦长势监测的可靠性也不如Sentinel-2A，对于小区域尺度的作物长势分析研究效果较差。因此，经过上述比较分析，Sentinel-2A对于小麦生长周期内两个重要时期的长势监测较好，在雄安返青期内，小麦的整体长势较差，应注意加强对于小麦的施水施肥及田间管理；在抽穗期，雄安小麦的整体长势持平，应注意小麦保证生理用水，防治病虫害［31］。

5 结 语

由于当前遥感数据的宏观性，本研究主要着重于多源遥感数据对于农作物小麦的识别与长势研究。研究表明对于小麦的识别效果，珠海一号OHS-2A卫星远不如多光谱卫星Sentinel-2A。由于珠海一号OHS-2A卫星数据是高光谱数据，要考虑降维处理，虽然提高了光谱分辨率，但在做小麦识别的过程中降低了工作效率，并且识别总体精度较低，与Sentinel-2A识别结果相比较，Sentinel-2A对于小麦的识别更高，对于作物的估产与管理更有意义。

在探究不同空间分辨率卫星影像，Sentinel-2A和MODIS数据的返青期与抽穗期长势监测的分析中，研究结果表明：在作物长势监测中，卫星影像分辨率越高，则其越能反映实际的作物长势。通过对小麦在返青期与抽穗期这两个重要时期的研究，MODIS长势监测效果较差，难以满足作物长势情况复杂地区及小区域长势监测的需求。而Sentinel-2A精度较高，对于实现作物长势遥感监测精细化的需求更重要，与MODIS相比，Sentinel-2A的长势监测结果纹理更细致，并能降低混合像元引起的误差。本次研究小麦长势监测是通过与相近环境条件下的相邻两年同期小麦长势做差得到，这在一定程度上降低其他条件的干扰。但没有对其他作物以及其他影响因素进行单独分析，这对研究结果可能会带来一定的不确定性。同时做长势监测研究时采用了差值方法，未对多种长势监测方法进行比较，后续工作将作进一步深入研究。

通过以上小麦识别与长势监测分析结果可知，Sentinel-2A对于进行农作物的识别与监测更有效，有助于小区域农作物的精细识别及分类，提高作物生长周期范围内苗情、生长状况的监测效果，以此可及时获取作物的产量信息，有助于雄安新区的农作物管理与研究及生态雄安的规划。

参考文献

Gu Yushuang.

Study on Winter Wheat Classification and Monitoring basaed on Time-series Remote Sensing Data

［D］. Fu xin： Liaoning Technical University， 2017.

[本文引用: 1]

谷玉双.

基于时间序列遥感数据的冬小麦分类和监测研究

［D］. 阜新：辽宁工程技术大学， 2017.

[本文引用: 1]

Wang Siheng.

Application Status and Prospect of Hyperspectral Remote Sensing Technology in Agriculture

［J］. China Agriculture Information， 2013（13）： 203-204.

[本文引用: 1]

王思恒.

高光谱遥感技术在农业中的应用现状及展望

［J］. 中国农业信息， 2013（13）： 203-204.

[本文引用: 1]

Shi Ninzhuo.

Research on Wheat Area Extraction based on MODIS-NDVI Time-series：A Case Study in the Haihe Basin

［D］. Xi’an： Xi’an University of Science and Technolog， 2015.石宁卓. 基于MODIS-NDVI时间序列小麦面积提取方法研究—以海河流域为例［D］. 西安：西安科技大学， 2015.

[本文引用: 1]

Yu Min， Wei Lifei， Yin Feng， et al.

Hyperspectral Remote Sensing Image Crop Fine Classification based on Conditional Random Field

［J］. China Agricultural Informatics， 2018， 30（3）： 74-82.

[本文引用: 2]

余铭， 魏立飞， 尹峰， 等.

基于条件随机场的高光谱遥感影像农作物精细分类

［J］. 中国农业信息， 2018， 30（3）： 74-82.

[本文引用: 2]

Sun Huasheng， Xu Aigong， Lin Hui， et al.

Optimization of Frequency Domain Denoising Algorithms for Time-series Vegetaion Index

［J］. Remote Sensing Information， 2013， 28（1）： 24-28.

[本文引用: 1]

孙华生， 徐爱功， 林卉， 等.

时间序列植被指数频域滤波去噪算法的优化研究

［J］. 遥感信息， 2013， 28（1）： 24-28.

[本文引用: 1]

Ding Xiao.

Study on Distribution of Crop’s Structure in Heilongjiang

［D］. Harbin： Northeast Gricultural University， 2014.

[本文引用: 1]

丁潇.

黑龙江省农作物种植结构布局研究

［D］. 哈尔滨：东北农业大学， 2014.

[本文引用: 1]

Li Weiguo， Wang Jihua， Zhao Chunjiang， et al.

Preliminary Study on Remote Sensing Monitoring Winter Wheat Growth at Heading Stage

［J］. Jiangsu of Agriculture Science， 2007（5）： 499-500.李卫国， 王纪华， 赵春江， 等. 冬小麦抽穗期长势遥感监测的初步研究［J］. 江苏农业学报， 2007（5）： 499-500.

[本文引用: 1]

Zhang Yanhong， Li Yanhua.

Spring Management Technology of Winter Wheat in Xiong'an New Area

［J］. Modern Rural Science and Technology， 2019（6）： 23.

[本文引用: 1]

张艳红， 李艳花.

雄安新区冬小麦春季管理技术

［J］.现代农村科技， 2019（6）：23.

[本文引用: 1]

Kontoes C， Wilkinson G G， Burril A， et al.

An Experimental System for the Integration of GIS Data in Knowledge based Image Analysis for Remote Sensing of Agriculture

［J］. International Journal of Geographical Information Systems， 1993，7（3）： 247-262. doi： 10.1080/02693799408902016.

[本文引用: 1]

Liu Xinjie， Wei Yunxia， Jiao Quanjun， et al.

Growth Monitoring and Yield Prediction of Winter Wheat based on Time-series Quantitative Remote Sensing Data

［J］.Remote Sensing Technology and Application，2019，34（4）： 756-765.

[本文引用: 1]

刘新杰， 魏云霞， 焦全军， 等.

基于时序定量遥感的冬小麦长势监测与估产研究

［J］. 遥感技术与应用， 2019， 34（4）： 756-765.

[本文引用: 1]

Bhumika N V， Hitesh A S， Manik H K.

Winter Wheat Growth Assessment Using Temporal Normalized Phenology Index （TNPI） in Bhuj Taluka， Gujarat State， India

［J］. Remote Sensing Applications：Society and Enviroment， 2020， 20：100422. doi： 10.1016/j.rsase.2020.100422.

[本文引用: 1]

Sun Li，Wang Weidan，Chen Yuanyuan， et al.

Analysis of Winter Wheat Growth of United States with Remote Sensing Data in 2019

［J］. Anhui Agricural Science， 2020，48（1）： 241-244.

[本文引用: 1]

孙丽， 王蔚丹， 陈媛媛， 等.

2019年美国冬小麦长势遥感监测分析

［J］. 安徽农业科学， 2020， 48（1）： 241-244.

[本文引用: 1]

Wu Jianjun， Yang Qinye.

Crop Monitoring and Yield Estimation Using Synthetic Methods in Arid Land

［J］. Geographical Research， 2002，21（5）： 593-598.

[本文引用: 1]

武建军， 杨勤业.

干旱区农作物长势综合监测

［J］. 地理研究，2002，21（5）：593-598.

[本文引用: 1]

Luo Ge， Wei Zheng.

China Aerospace Remote Sensing and Spacial Information Industry Development

［J］. Spacecraft Recovery and Remote Sensing， 2018，39（4）： 10-17.

[本文引用: 1]

罗格， 卫征.

航天遥感与中国空间信息产业发展

［J］.航天返回与遥感， 2018， 39（4）： 10-17.

[本文引用: 1]

Chen Xu， Hao Zhenghuan.

Sentinel-2A Data Products’ Characteristics and the Potential Applications

［J］. Science & Technology Vision， 2018（16）： 48-50.

[本文引用: 2]

陈旭， 郝震寰.

哨兵卫星Sentinel-2A数据特性及应用潜力分析

［J］. 科技视界， 2018（16）： 48-50.

[本文引用: 2]

Bi Kaiyi， Niu Zheng， Huang Ni， et al.

Identifying Vegetation with Decision Tree Model based on Object-oriented Method using Multi-temporal Sentinel-2A Images

［J］. Geography and Geo-Information.Science， 2017，33（5）：16-20，27，127.

[本文引用: 1]

毕恺艺， 牛铮， 黄妮， 等.

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

［J］. 地理与地理信息科学， 2017， 33（5）：16-20，27，127.

[本文引用: 1]

Hua Jinxi.

Monitoring of Saline-alkali Soil in Songnen Plain based on MODIS Time-series Data

［D］. Harbin： Harbin Normal University， 2017.

[本文引用: 1]

花锦溪.

基于MODIS时间序列的松嫩平原盐碱地动态变化研究

［D］. 哈尔滨：哈尔滨师范大学， 2017.

[本文引用: 1]

Shi Feifei， Gao Xiaohong， Yang Linyu， et al.

Research on Typical Crop Classification based on HJ-1A Hyperspectral Data in the Huangshui River Basin

［J］. Remote Sensing Trchnology and Application， 2017，32（2）： 206-217.

[本文引用: 1]

史飞飞， 高小红， 杨灵玉， 等.

基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究

［J］. 遥感技术与应用， 2017， 32（2）： 206-217.

[本文引用: 1]

Ge Shanyun.

Feature Extraction Method based on the Combination of MNF PCA and ICA for Hyperspectral Data

［J］. Urban Geotechnical Investigation and Surveying， 2013（2）： 103-106.

[本文引用: 1]

葛山运.

基于MNF、PCA与ICA结合的高光谱数据特征提取方法

［J］. 城市勘测， 2013（2）： 103-106.

[本文引用: 1]

Du Peng， Zhao Huijie.

Noise Robust ICA Feature Extraction Algorithm for Hyperspectral Image

［J］. Journal of Beijing University of Aeronautics and Astronautics， 2005，31（10）：56-60.

[本文引用: 1]

杜鹏， 赵慧洁.

基于抗噪声ICA的高光谱数据特征提取方法

［J］. 北京航空航天大学学报， 2005，31（10）：56-60.

[本文引用: 1]

Yan Jining， Zhou Kefa， Wang Jinlin， et al.

Extraction of Hyper-Spectral Remote Sensing Alteration Information based on SAM and SVM

［J］. Computer Engineering and Applications， 2013，49（19）： 141-146.

[本文引用: 1]

阎继宁， 周可法， 王金林， 等.

基于SAM与SVM的高光谱遥感蚀变信息提取

［J］. 计算机工程与应用， 2013， 49（19）： 141-146.

[本文引用: 1]

Fu Wenjie， Hong Jinyi， Zhu Guchang.

The Extraction of Mineralized and Altered Rock Information from Remote Sensing Image based on SVM

［J］. Remote Sensing for Land and Resources， 2006，18（2）：16-19，82.

傅文杰， 洪金益， 朱谷昌.

基于SVM遥感矿化蚀变信息提取研究

［J］. 国土资源遥感， 2006，18（2）：16-19，82.

Yang Guopeng， Yu Xuchu， Liu Wei， et al.

Research of Hyperspectral Image Classification based on Support Vector Machine

［J］. Computer Engineering and Design， 2008（8）： 2029-2031，2034.杨国鹏， 余旭初， 刘伟， 等. 基于支持向量机的高光谱影像分类研究［J］. 计算机工程与设计， 2008（8）： 2029-2031，2034.

[本文引用: 1]

Wei Li.

Research on Land Use Change of Chanba Ecological District based on RS GIS Technologies

［D］. Xi’an： Xi’an University of Science and Technolog， 2013.魏力. 基于3S的浐灞生态区土地利用动态监测研究［D］. 西安：西安科技大学， 2013.

[本文引用: 1]

Du Xiaoyan.

Main Management Measures of Winter Wheat Returning to Green

［J］. Modern Rural Science and Technology， 2019（11）： 15.

[本文引用: 1]

杜晓晔.

冬小麦返青期主要管理措施

［J］. 现代农村科技， 2019（11）： 15.

[本文引用: 1]

Liu Qiang， Li Yuehua， Feng Lihui， et al.

Classification of Spring Strength of Main Winter Wheat Varieties in Central and Southern Hebei Province

［J］. Journal of Hebei Agricultural Sciences， 2015， 19（2）： 12-14，32.

[本文引用: 1]

刘强， 李月华， 冯立辉， 等.

冀中南主栽冬小麦品种春性强弱的分类研究

［J］. 河北农业科学， 2015， 19（2）： 12-14，32.

[本文引用: 1]

Wu Suxia， Mao Renzhao， Li Hongjun， et al. .

Review of Crop Condition Monitoring Using Remote Sensing in China

［J］. Chinese Agricultural Science Bulletin， 2005，21（3）： 319-322，345.

[本文引用: 2]

吴素霞， 毛任钊， 李红军， 等.

中国农作物长势遥感监测研究综述

［J］. 中国农学通报， 2005，21（3）： 319-322，345.

[本文引用: 2]

Wu Bingfang， Zhang Feng， Liu Chenglin， et al.

An Integrated Method for Crop Condition Monitoring

［J］. Journal of Remote Sensing， 2004，8（6）：498-514.

[本文引用: 2]

吴炳方， 张峰， 刘成林， 等.

农作物长势综合遥感监测方法

［J］. 遥感学报， 2004，8（6）：498-514.

[本文引用: 2]

Wang Yan， Peng Dailiang， Yu Le， et al.

Monitoring Crop Growth during the Period of the Rapid Spread of COVID-19 in China by Remote Sensing

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2020， 13：6195-6205. doi： 10.1109/JSTARS.2020.3029434.

[本文引用: 1]

Shi Pingting.

The Three Counties of Xiong'an are Busy Preparing for Sowing in Spring

［EB/OL］..

URL     [本文引用: 1]

石萍婷，战“疫”不误农时，雄安三县春耕备播忙. ［EB/OL］.， 2020-02-25.

URL     [本文引用: 1]

Wang Linyan.

High Yield Planting Management Technology of Winter Wheat

［J］.Hebei Agriculture，2017（12）：6-7.

[本文引用: 1]

王玲艳.

冬小麦高产种植管理技术

［J］.河北农业，2017（12）： 6-7.

[本文引用: 1]

/

〈 〉