论文部分内容阅读
摘要 随着遥感技术的发展，利用遥感技术提取农作物成为常用的统计农作物面积的方法。基于序列影像提取东台市水稻、玉米和大豆3种秋季农作物并统计面积，为东台市农业结构调整及耕地优化利用提供技术支撑。利用时序影像，结合红边波段、短波红外波段和指数特征，通过实地采样选取阈值，建立决策树提取水稻、玉米和大豆。提取結果显示，东台市水稻、玉米和大豆的种植面积分别为49.21×103、36.45×103和7.73×103 hm2，通过查阅相关统计数据，计算得出3种农作物的提取精度均达到80%以上，说明利用该水稻、玉米和大豆提取方法可行，提取结果可以作为估算农作物面积的参考。
关键词 特征提取;红边指数;农作物;决策树
中图分类号 S 127 文献标识码 A
文章编号 0517-6611（2021）15-0227-05
Abstract With the development of remote sensing technology， the use of remote sensing technology to extract crops has become a common method of crop area statistics. In this research， three autumn crops of rice， corn and soybean in Dongtai City were extracted based on the sequence image， and the area was counted， which provided technical support for the adjustment of agricultural structure and the optimal use of cultivated land in Dongtai City.By using time series image， we combined with red edge band， short wave infrared band and index characteristics. Through field sampling threshold selection， decision tree was established to extract rice， corn and soybean. The extraction results showed that the planting areas of rice， corn and soybean in Dongtai City were 49.21×103， 36.45×103 and 7.73×103 hm2， respectively. Through consulting the relevant statistical data， the extraction accuracy of the three crops was more than 80%， which indicated that the method of extracting rice， corn and soybean was feasible， and the extraction results could be used as a reference for estimating the crop area.
Key words Feature extraction;Red edge index;Crops;Decision tree
基金项目 2020年度江苏省自然资源科技计划项目（2020045）;2020年江苏省测绘工程院地理信息科研项目（SCYKY202013）;江苏省环保科研课题（2019010）;2020年江苏省测绘工程院地理信息科研项目（SCYKY202014）。
作者简介 秦慧杰（1985—），女，河南周口人，高级工程师，硕士，从事GIS与遥感应用研究。
收稿日期 2021-01-12
耕地作为我国最重要的土地资源，是人类赖以生存的最重要的生产资料，因此开展农作物遥感提取技术研究是掌握耕地资源利用状况、服务自然资源管理的重要技术手段。近年来，耕地“非粮化”现象层出不穷，国务院也出台相关政策严防耕地“非粮化”，利用遥感技术提取粮食作物成为估计粮食作物面积的重要手段。随着遥感技术的发展，遥感影像获取的空间分辨率、时间分辨率和光谱分辨率越来越高，同时遥感影像又具有客观性和可视性的特点，逐步与传统的统计调查技术相融合，在农作物种植面积监测中发挥着越来越重要的作用，逐步成为农作物面积信息获取的重要途径[1-6]。
遥感四波段影像由于波段较少，农作物类的光谱差异容易被隐藏，所以四波段影像在进行农作物识别方面受到了较大的局限，同时采用多时相和增加敏感波段的方法在农作物识别中应用的越来越广泛。王利民等[7]利用Landsat8 OLI数据研究了短波红外波段对玉米大豆种植面积识别精度的影响，发现短波红外的引入能够提高玉米和大豆的识别精度;魏鹏飞等[8]采用多时相的高分一号数据，基于时序植被指数建立决策树，对安徽颍上县提取玉米、水稻、大豆和甘薯，取得了较好的结果。乌云德吉等[9]利用RapidEye卫星影像加入红边波段对实验区进行农作物精细识别，发现加入红边波段后，识别精度提高了5%左右。林文鹏等[10]基于光谱分析技术，利用多时相MODIS数据对北京地区主要秋季作物进行提取，提取精度达86%，可为农业决策部门提供信息服务。
鉴于此，笔者利用多时相哨兵2号影像，结合红边波段和短波红外波段，提出利用红边指数对东台市秋季作物水稻、玉米和大豆进行提取，通过实地勘查采集样本，分析以上几类农作物在哨兵2号影像上的光谱特征，确定可利用的关键特征，在此基础上建立决策树进行农作物提取，最后根据采集的样本和统计数据进行精度验证，为东台市掌握耕地利用状况和农作物面积估产提供技术支撑。 1 材料与方法
1.1 研究区概况
东台市是江苏省辖县级市，由盐城市代管，地处江苏省沿海中部，长江三角洲北翼（120°07′～120°53′E，32°33′～32°57′N），东与黄海相连，南与南通市海安市接壤，西与泰州市兴化市毗邻，北与盐城市大丰区交界，市域总面积约3 176 km2。東台市境内地势平坦，地面高程1.4～5.1 m，大部分地区在2.6～4.6 m，范公堤贯穿南北，将东台市分成堤东、堤西两大地块，堤西属苏北里下河碟形洼地东部碟缘平原，东北高平，西南低洼，为著名的时溱洼地;堤东地区为黄河夺淮后泥沙淤积形成的滨海平原[11]。
东台市属亚热带季风海洋性气候，四季分明，雨量适中，雨热同季，冬冷夏热，春温多变，秋高气爽，日照充足。常年平均气温15.2 ℃，日照2 130.5 h，无霜期达220 d，年均降雨量1 061.2 mm，适宜农作物生长。东台市水稻、玉米和大豆的物候期按播种期、分蘖期、开花期和成熟期4个生长期，其时间分别为：①播种期：水稻和玉米5月中上旬，大豆5月下旬和6月上旬。②分蘖期：水稻6月上旬和7月上旬;玉米6月中上旬;大豆7月中上旬。③开花期：水稻8月中下旬，玉米7月中下旬，大豆8月中上旬。④成熟期：水稻10月中上旬，玉米9月中下旬，大豆9月下旬和10月上旬。
1.2 数据获取与处理
采用哨兵2号影像，下载于欧空局数据中心，产品等级为1C级。哨兵2号影像有13个波段，从可见光、近红外到短波红外具有不同的空间分辨率，在红边范围内含有3个波段，对监测植被信息非常有效。根据东台市水稻、玉米和大豆的物候期，选择时序影像的时间分别为2020年6月2日、7月7日、8月1日、 8月16日、9月5日和9月20日，利用SNAP 7.0软件对哨兵2号影像数据进行辐射定标和大气校正，并将可见光、近红外波段、红边波段和短波红外波段全部重采样为10 m，在ENVI 5.1软件下将所有波段进行融合。
1.3 提取方法与思路
地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关[12]。不同的植物类别由于组织结构不同、季节不同、生态条件不同而具有不同的光谱特征、形态特征和环境特征。哨兵2号影像具有植被特有的红边波段，红边特征可以有效反应植被的生长状况。首先分析不同作物的光谱特征，再分析指数特征，从而提取有效的关键特征，建立决策树对不同的作物进行识别。
1.3.1 样本点光谱曲线分析。
哨兵2号影像有13个波段，其中2、3、4波段为可见光蓝、绿、红波段，5、6、7波段和8a波段为红边波段，第8波段为近红外波段，第11和12波段为短波红外波段。由于哨兵2号影像的波段具有不同的分辨率，将所用波段均重采样为10 m再进行融合。根据实测采样点，将采样点展到哨兵2号影像上，提取对应的光谱值。根据不同的生长期，选择6月2日、7月7日、8月1日、8月16日、9月5日和9月20日六期影像进行光谱特征分析。图1为水稻、玉米和大豆3种农作物不同生长期的光谱曲线。
从水稻、玉米和大豆的光谱曲线图可以看出，3种农作物的光谱曲线走势基本一致，都呈现植被特有的光谱特征。6月2日夏收农作物刚刚收割，水稻、玉米和大豆刚刚播种或还未播种，植被特征不明显，所以可用6月2日影像将林地和其他植被排除。除6月2日影像外，其余影像在短波红外B11和B12波段中水稻均区别于其他2种农作物，所以可用短波红外波段作为识别水稻的关键特征。8月16日影像中，玉米在B7、B8、B8a共3个波段与其他2种农作物有差异。9月5、20日影像中，大豆和玉米在近红外波段和红边波段的光谱值差异较大。通过以上光谱分析可以确定3种农作物在红边波段和短波红外波段具有可分性，为了更为准确地区分3种农作物，以红边波段、近红外波段和短波红外波段为基础，结合3种农作物的生长特征，建立和选取指数特征，从而更为精确地识别3种农作物。
1.3.2 特征提取和分析。
通过多次试验验证，选取归一化植被指数、水体指数，并建立红边指数3个特征作为关键特征对东台市水稻、玉米和大豆进行识别。
NDVI（Normalized Difference Vegetation Index，归一化植被指数）可以反映作物的长势和作物光合作用有效辐射吸收能力，是常被用于作物分类的植被指数。基于哨兵2号影像数据，利用红光波段（Band 4）和近红外波段（Band 8）计算NDVI，计算公式为：
NDVI=Band 8-Band 4Band 8+Band 4
NDWI（Normalized Difference Water Index）为归一化水体指数，水体反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强[13-14]，所以NDWI可以弱化影像中的非水体信息，突出水体信息。哨兵2号影像NDWI的计算公式为：
NDWI=Band 3-Band 8Band 3+Band 8
S_VRE（Sum of Vegetation Red Edge）为红边指数，为了充分发挥哨兵2号影像红边波段的优势，论文提出1个新的指数，即红边指数来对农作物进行更为精确的识别，红边指数即哨兵2号影像第6波段至8a波段的和，计算公式为：
S_VRE=Band 6+Band 6+Band 7+Band 8+Band 8a
图2是水稻、玉米和大豆基于时间序列的NDVI指数、NDWI指数、S_VRE指数的曲线图，以及B_SWIR（哨兵2号第11波段（短波红外波段1））的序列值。
从序列指数值上可以看出，3种农作物的NDVI值在整个生长期内高低交叉，玉米的NDVI值在9月20日有较多的下降，这是由于该时期的玉米趋于成熟，绿色植被特征逐渐减弱，而大豆和水稻还具有绿色植被特征，所以可用9月20日的NDVI值来识别玉米。从3种农作物的NDWI指数可以看出，在7月7日水稻的水体指数远高于玉米和大豆，水稻在该时期处于灌水期，水体特征较明显，可以该时间的水体指数来识别水稻。从S_VRE序列值可以看出，在9月5和20日，大豆的值远高于玉米和水稻，9月20日差异更大，所以可利用9月20日影像来识别玉米和大豆。在B_SWIR序列值上可以看出，水稻和玉米、大豆的值在7月7日之后差异均较大，所以可用该波段辅助水体指数识别水稻。 从以上分析可以得出识别各种地物的关键特征，如表1所示。图3为各关键特征的影像图。
2 结果与分析
2.1 水稻、玉米、大豆提取
根据以上光谱和特征分析，在ENVI 5.1软件下建立决策树，首先根据8月中旬影像的NDVI提取植被，将非植被排除;其次，利用6月2日夏收农作物刚收割，秋季农作物还未播种或未出芽，无植被特征的特点，可利用6月2日的NDVI排除非农作物;再次，根据水稻的灌水特征，利用7月7日影像的NDWI可提取水稻，为了更精确地提取水稻，根据光谱特征可用8月16日短波红外波段进一步优化水稻提取;最后，利用9月20日的S_VRE提取玉米和大豆，同时利用7月7日的NDVI排除大豆中的其他作物。最后保留水稻、玉米和大豆3类农作物。决策树及阈值如图4所示。提取结果如图5所示。
从提取的水稻、玉米和大豆的结果来看，东台市水稻、玉米和大豆的空间分布特征较为明显，水稻主要分布在西部和东北部，西部的水稻地块较为零散、面积较小，和玉米交叉种植;而东北部水稻种植面积较大，多为相连的较大地块。玉米在全东台市均有分布，主要集中在中北部。大豆总体种植面积较少，在中部和东部零星分布。
在ENVI 5.1中，利用Class Statistics功能进行面积统计和换算。经统计，提取的水稻面积为49.21×103 hm2，玉米面积为36.45×103 hm2，大豆面积为7.73×103 hm2。
2.2 精度验证
为了验证提取精度，野外采集了242个样本点进行精度验证。经计算，水稻、玉米和大豆的体提取精度为86.78%，Kappa系数为0.8。具体验证结果如表2所示。
为了进一步验证提取精度，在东台市统计局官网查询到东台市水稻、玉米和大豆的种植面积分别为44.49×103、31.85×103和8.33×103 hm2。经计算，得到东台市水稻、玉米和大豆提取的精度分别为89.4%、85.6%和83.8%，具体面积和精度验证如表3所示。
3 结论
该研究利用哨兵2号影像，结合红边波段和短波红外波段，并引入新的红边指数，建立决策树提取水稻、玉米和大豆。通过2种方式验证提取精度，总体精度均在80%以上，说明该方法可为东台市农作物精细提取提供技术支撑。从提取结果也可看出，东台市水稻和玉米均有大面积种植，空间分布特征也较为明显，大豆的种植面积较少，集中分中于东台市的中部和东部，提取结果可为东台市农业结构调整提供参考。
该研究还存在一些需要改进和继续研究的方面，阈值选取方法还可进行进一步研究，该阈值选取方法是根据实地采样点进行选择，工作量大，阈值受采样点的影响较大。在今后的研究中，可考虑自动确定阈值的方法，以增加方法的鲁棒性。
参考文献
[1] 徐新刚，李强子，周万村，等.应用高分辨率遥感影像提取作物种植面积[J].遥感技术与应用，2008，23（1）：17-23.
[2] YAO X，WANG N，LIU Y，et al.Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery[J].Remote sensing，2017，9（12）：1-14.
[3] JIA K，WU B F，LI Q Z.Crop classification using HJ satellite multispectral data in the North China Plain[J].Journal of applied remote sensing，2013，7：573-576.
[4] 汤斌，王福民，周柳萍，等.基于地级市的区域水稻遥感估产与空间化研究[J].江苏农业科学，2015，43（11）：525-528.
[5] 陶青山，黄飞，雷帆，等.湖南省中稻种植面积遥感监测方法研究[J].安徽农业科学，2016，44（4）：309-313.
[6] 刘佳，王利民，杨福刚，等.基于HJ时间序列数据的农作物种植面积估算[J].农业工程学报，2015，31（3）：199-206.
[7] 王利民，刘佳，杨玲波，等.短波红外波段对玉米大豆种植面积识别精度的影响[J].农业工程学报，2016，32（19）：169-178.
[8] 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.
[9] 乌云德吉，于利峰，包珺玮，等.RapidEye卫星红边波段对主要农作物识别能力的影响研究[J].北方农业学报，2017，45（6）：118-123.
[10] 林文鹏，王长耀，储德平，等.基于光谱特征分析的主要秋季作物类型提取研究[J].农业工程学报，2006，22（9）：128-132.
[11] 金雯暉，杨劲松，王相平.滩涂土壤有机碳空间分布与围垦年限相关性分析[J].农业工程学报，2013，29（5）：89-94，294.
[12] 马东辉，柯长青.南京冬季典型植被光谱特征分析[J].遥感技术与应用，2016，31（4）：702-708.
[13] 邸苏闯，李卓蔓，潘兴瑶，等.永定河生态补水面积及河势演变规律遥感监测分析[J].北京水务，2020（4）：13-17.
[14] 常小燕.采煤塌陷区景观格局演变及生态风险评价研究[D].泰安：山东农业大学，2019.
关键词 特征提取;红边指数;农作物;决策树
中图分类号 S 127 文献标识码 A
文章编号 0517-6611（2021）15-0227-05
Abstract With the development of remote sensing technology， the use of remote sensing technology to extract crops has become a common method of crop area statistics. In this research， three autumn crops of rice， corn and soybean in Dongtai City were extracted based on the sequence image， and the area was counted， which provided technical support for the adjustment of agricultural structure and the optimal use of cultivated land in Dongtai City.By using time series image， we combined with red edge band， short wave infrared band and index characteristics. Through field sampling threshold selection， decision tree was established to extract rice， corn and soybean. The extraction results showed that the planting areas of rice， corn and soybean in Dongtai City were 49.21×103， 36.45×103 and 7.73×103 hm2， respectively. Through consulting the relevant statistical data， the extraction accuracy of the three crops was more than 80%， which indicated that the method of extracting rice， corn and soybean was feasible， and the extraction results could be used as a reference for estimating the crop area.
Key words Feature extraction;Red edge index;Crops;Decision tree
基金项目 2020年度江苏省自然资源科技计划项目（2020045）;2020年江苏省测绘工程院地理信息科研项目（SCYKY202013）;江苏省环保科研课题（2019010）;2020年江苏省测绘工程院地理信息科研项目（SCYKY202014）。
作者简介 秦慧杰（1985—），女，河南周口人，高级工程师，硕士，从事GIS与遥感应用研究。
收稿日期 2021-01-12
耕地作为我国最重要的土地资源，是人类赖以生存的最重要的生产资料，因此开展农作物遥感提取技术研究是掌握耕地资源利用状况、服务自然资源管理的重要技术手段。近年来，耕地“非粮化”现象层出不穷，国务院也出台相关政策严防耕地“非粮化”，利用遥感技术提取粮食作物成为估计粮食作物面积的重要手段。随着遥感技术的发展，遥感影像获取的空间分辨率、时间分辨率和光谱分辨率越来越高，同时遥感影像又具有客观性和可视性的特点，逐步与传统的统计调查技术相融合，在农作物种植面积监测中发挥着越来越重要的作用，逐步成为农作物面积信息获取的重要途径[1-6]。
遥感四波段影像由于波段较少，农作物类的光谱差异容易被隐藏，所以四波段影像在进行农作物识别方面受到了较大的局限，同时采用多时相和增加敏感波段的方法在农作物识别中应用的越来越广泛。王利民等[7]利用Landsat8 OLI数据研究了短波红外波段对玉米大豆种植面积识别精度的影响，发现短波红外的引入能够提高玉米和大豆的识别精度;魏鹏飞等[8]采用多时相的高分一号数据，基于时序植被指数建立决策树，对安徽颍上县提取玉米、水稻、大豆和甘薯，取得了较好的结果。乌云德吉等[9]利用RapidEye卫星影像加入红边波段对实验区进行农作物精细识别，发现加入红边波段后，识别精度提高了5%左右。林文鹏等[10]基于光谱分析技术，利用多时相MODIS数据对北京地区主要秋季作物进行提取，提取精度达86%，可为农业决策部门提供信息服务。
鉴于此，笔者利用多时相哨兵2号影像，结合红边波段和短波红外波段，提出利用红边指数对东台市秋季作物水稻、玉米和大豆进行提取，通过实地勘查采集样本，分析以上几类农作物在哨兵2号影像上的光谱特征，确定可利用的关键特征，在此基础上建立决策树进行农作物提取，最后根据采集的样本和统计数据进行精度验证，为东台市掌握耕地利用状况和农作物面积估产提供技术支撑。 1 材料与方法
1.1 研究区概况
东台市是江苏省辖县级市，由盐城市代管，地处江苏省沿海中部，长江三角洲北翼（120°07′～120°53′E，32°33′～32°57′N），东与黄海相连，南与南通市海安市接壤，西与泰州市兴化市毗邻，北与盐城市大丰区交界，市域总面积约3 176 km2。東台市境内地势平坦，地面高程1.4～5.1 m，大部分地区在2.6～4.6 m，范公堤贯穿南北，将东台市分成堤东、堤西两大地块，堤西属苏北里下河碟形洼地东部碟缘平原，东北高平，西南低洼，为著名的时溱洼地;堤东地区为黄河夺淮后泥沙淤积形成的滨海平原[11]。
东台市属亚热带季风海洋性气候，四季分明，雨量适中，雨热同季，冬冷夏热，春温多变，秋高气爽，日照充足。常年平均气温15.2 ℃，日照2 130.5 h，无霜期达220 d，年均降雨量1 061.2 mm，适宜农作物生长。东台市水稻、玉米和大豆的物候期按播种期、分蘖期、开花期和成熟期4个生长期，其时间分别为：①播种期：水稻和玉米5月中上旬，大豆5月下旬和6月上旬。②分蘖期：水稻6月上旬和7月上旬;玉米6月中上旬;大豆7月中上旬。③开花期：水稻8月中下旬，玉米7月中下旬，大豆8月中上旬。④成熟期：水稻10月中上旬，玉米9月中下旬，大豆9月下旬和10月上旬。
1.2 数据获取与处理
采用哨兵2号影像，下载于欧空局数据中心，产品等级为1C级。哨兵2号影像有13个波段，从可见光、近红外到短波红外具有不同的空间分辨率，在红边范围内含有3个波段，对监测植被信息非常有效。根据东台市水稻、玉米和大豆的物候期，选择时序影像的时间分别为2020年6月2日、7月7日、8月1日、 8月16日、9月5日和9月20日，利用SNAP 7.0软件对哨兵2号影像数据进行辐射定标和大气校正，并将可见光、近红外波段、红边波段和短波红外波段全部重采样为10 m，在ENVI 5.1软件下将所有波段进行融合。
1.3 提取方法与思路
地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关[12]。不同的植物类别由于组织结构不同、季节不同、生态条件不同而具有不同的光谱特征、形态特征和环境特征。哨兵2号影像具有植被特有的红边波段，红边特征可以有效反应植被的生长状况。首先分析不同作物的光谱特征，再分析指数特征，从而提取有效的关键特征，建立决策树对不同的作物进行识别。
1.3.1 样本点光谱曲线分析。
哨兵2号影像有13个波段，其中2、3、4波段为可见光蓝、绿、红波段，5、6、7波段和8a波段为红边波段，第8波段为近红外波段，第11和12波段为短波红外波段。由于哨兵2号影像的波段具有不同的分辨率，将所用波段均重采样为10 m再进行融合。根据实测采样点，将采样点展到哨兵2号影像上，提取对应的光谱值。根据不同的生长期，选择6月2日、7月7日、8月1日、8月16日、9月5日和9月20日六期影像进行光谱特征分析。图1为水稻、玉米和大豆3种农作物不同生长期的光谱曲线。
从水稻、玉米和大豆的光谱曲线图可以看出，3种农作物的光谱曲线走势基本一致，都呈现植被特有的光谱特征。6月2日夏收农作物刚刚收割，水稻、玉米和大豆刚刚播种或还未播种，植被特征不明显，所以可用6月2日影像将林地和其他植被排除。除6月2日影像外，其余影像在短波红外B11和B12波段中水稻均区别于其他2种农作物，所以可用短波红外波段作为识别水稻的关键特征。8月16日影像中，玉米在B7、B8、B8a共3个波段与其他2种农作物有差异。9月5、20日影像中，大豆和玉米在近红外波段和红边波段的光谱值差异较大。通过以上光谱分析可以确定3种农作物在红边波段和短波红外波段具有可分性，为了更为准确地区分3种农作物，以红边波段、近红外波段和短波红外波段为基础，结合3种农作物的生长特征，建立和选取指数特征，从而更为精确地识别3种农作物。
1.3.2 特征提取和分析。
通过多次试验验证，选取归一化植被指数、水体指数，并建立红边指数3个特征作为关键特征对东台市水稻、玉米和大豆进行识别。
NDVI（Normalized Difference Vegetation Index，归一化植被指数）可以反映作物的长势和作物光合作用有效辐射吸收能力，是常被用于作物分类的植被指数。基于哨兵2号影像数据，利用红光波段（Band 4）和近红外波段（Band 8）计算NDVI，计算公式为：
NDVI=Band 8-Band 4Band 8+Band 4
NDWI（Normalized Difference Water Index）为归一化水体指数，水体反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强[13-14]，所以NDWI可以弱化影像中的非水体信息，突出水体信息。哨兵2号影像NDWI的计算公式为：
NDWI=Band 3-Band 8Band 3+Band 8
S_VRE（Sum of Vegetation Red Edge）为红边指数，为了充分发挥哨兵2号影像红边波段的优势，论文提出1个新的指数，即红边指数来对农作物进行更为精确的识别，红边指数即哨兵2号影像第6波段至8a波段的和，计算公式为：
S_VRE=Band 6+Band 6+Band 7+Band 8+Band 8a
图2是水稻、玉米和大豆基于时间序列的NDVI指数、NDWI指数、S_VRE指数的曲线图，以及B_SWIR（哨兵2号第11波段（短波红外波段1））的序列值。
从序列指数值上可以看出，3种农作物的NDVI值在整个生长期内高低交叉，玉米的NDVI值在9月20日有较多的下降，这是由于该时期的玉米趋于成熟，绿色植被特征逐渐减弱，而大豆和水稻还具有绿色植被特征，所以可用9月20日的NDVI值来识别玉米。从3种农作物的NDWI指数可以看出，在7月7日水稻的水体指数远高于玉米和大豆，水稻在该时期处于灌水期，水体特征较明显，可以该时间的水体指数来识别水稻。从S_VRE序列值可以看出，在9月5和20日，大豆的值远高于玉米和水稻，9月20日差异更大，所以可利用9月20日影像来识别玉米和大豆。在B_SWIR序列值上可以看出，水稻和玉米、大豆的值在7月7日之后差异均较大，所以可用该波段辅助水体指数识别水稻。 从以上分析可以得出识别各种地物的关键特征，如表1所示。图3为各关键特征的影像图。
2 结果与分析
2.1 水稻、玉米、大豆提取
根据以上光谱和特征分析，在ENVI 5.1软件下建立决策树，首先根据8月中旬影像的NDVI提取植被，将非植被排除;其次，利用6月2日夏收农作物刚收割，秋季农作物还未播种或未出芽，无植被特征的特点，可利用6月2日的NDVI排除非农作物;再次，根据水稻的灌水特征，利用7月7日影像的NDWI可提取水稻，为了更精确地提取水稻，根据光谱特征可用8月16日短波红外波段进一步优化水稻提取;最后，利用9月20日的S_VRE提取玉米和大豆，同时利用7月7日的NDVI排除大豆中的其他作物。最后保留水稻、玉米和大豆3类农作物。决策树及阈值如图4所示。提取结果如图5所示。
从提取的水稻、玉米和大豆的结果来看，东台市水稻、玉米和大豆的空间分布特征较为明显，水稻主要分布在西部和东北部，西部的水稻地块较为零散、面积较小，和玉米交叉种植;而东北部水稻种植面积较大，多为相连的较大地块。玉米在全东台市均有分布，主要集中在中北部。大豆总体种植面积较少，在中部和东部零星分布。
在ENVI 5.1中，利用Class Statistics功能进行面积统计和换算。经统计，提取的水稻面积为49.21×103 hm2，玉米面积为36.45×103 hm2，大豆面积为7.73×103 hm2。
2.2 精度验证
为了验证提取精度，野外采集了242个样本点进行精度验证。经计算，水稻、玉米和大豆的体提取精度为86.78%，Kappa系数为0.8。具体验证结果如表2所示。
为了进一步验证提取精度，在东台市统计局官网查询到东台市水稻、玉米和大豆的种植面积分别为44.49×103、31.85×103和8.33×103 hm2。经计算，得到东台市水稻、玉米和大豆提取的精度分别为89.4%、85.6%和83.8%，具体面积和精度验证如表3所示。
3 结论
该研究利用哨兵2号影像，结合红边波段和短波红外波段，并引入新的红边指数，建立决策树提取水稻、玉米和大豆。通过2种方式验证提取精度，总体精度均在80%以上，说明该方法可为东台市农作物精细提取提供技术支撑。从提取结果也可看出，东台市水稻和玉米均有大面积种植，空间分布特征也较为明显，大豆的种植面积较少，集中分中于东台市的中部和东部，提取结果可为东台市农业结构调整提供参考。
该研究还存在一些需要改进和继续研究的方面，阈值选取方法还可进行进一步研究，该阈值选取方法是根据实地采样点进行选择，工作量大，阈值受采样点的影响较大。在今后的研究中，可考虑自动确定阈值的方法，以增加方法的鲁棒性。
参考文献
[1] 徐新刚，李强子，周万村，等.应用高分辨率遥感影像提取作物种植面积[J].遥感技术与应用，2008，23（1）：17-23.
[2] YAO X，WANG N，LIU Y，et al.Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery[J].Remote sensing，2017，9（12）：1-14.
[3] JIA K，WU B F，LI Q Z.Crop classification using HJ satellite multispectral data in the North China Plain[J].Journal of applied remote sensing，2013，7：573-576.
[4] 汤斌，王福民，周柳萍，等.基于地级市的区域水稻遥感估产与空间化研究[J].江苏农业科学，2015，43（11）：525-528.
[5] 陶青山，黄飞，雷帆，等.湖南省中稻种植面积遥感监测方法研究[J].安徽农业科学，2016，44（4）：309-313.
[6] 刘佳，王利民，杨福刚，等.基于HJ时间序列数据的农作物种植面积估算[J].农业工程学报，2015，31（3）：199-206.
[7] 王利民，刘佳，杨玲波，等.短波红外波段对玉米大豆种植面积识别精度的影响[J].农业工程学报，2016，32（19）：169-178.
[8] 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.
[9] 乌云德吉，于利峰，包珺玮，等.RapidEye卫星红边波段对主要农作物识别能力的影响研究[J].北方农业学报，2017，45（6）：118-123.
[10] 林文鹏，王长耀，储德平，等.基于光谱特征分析的主要秋季作物类型提取研究[J].农业工程学报，2006，22（9）：128-132.
[11] 金雯暉，杨劲松，王相平.滩涂土壤有机碳空间分布与围垦年限相关性分析[J].农业工程学报，2013，29（5）：89-94，294.
[12] 马东辉，柯长青.南京冬季典型植被光谱特征分析[J].遥感技术与应用，2016，31（4）：702-708.
[13] 邸苏闯，李卓蔓，潘兴瑶，等.永定河生态补水面积及河势演变规律遥感监测分析[J].北京水务，2020（4）：13-17.
[14] 常小燕.采煤塌陷区景观格局演变及生态风险评价研究[D].泰安：山东农业大学，2019.