一种利用多时相Landsat-8和Sentinel-2影像绘制塑料覆盖农田的新方法

农业地膜遥感监测方法研究

常俊义|杨倩|陶峰|刘焕军|杜佳|罗冲|柴源|陈丽文|李雪

中国科学院东北地理与农业生态研究所黑土保护与利用国家重点实验室，中国长春130102

摘要：

塑料薄膜覆盖是一种普遍的防护性栽培技术，而遥感技术为监测塑料薄膜覆盖农田（PMF）的时空动态提供了强大的工具。然而，利用遥感技术提取PMF信息面临若干挑战。这些挑战包括农业薄膜与其他土地覆盖类型在光谱特征上的相似性，以及在条件多变的大面积区域内实现准确分类的难度。传统的指数（如NDVI、NDWI、NDBI、EVI）由于缺乏对塑料薄膜独特光谱特征的敏感性，因此不适合用于检测PMF。因此，我们提出了标准化农业薄膜指数（NAFI），并将其应用于通过Google Earth Engine（GEE）获取的Landsat 8 OLI和Sentinel 2 MSI图像。该指数在PMF识别方面表现出优异的性能。我们设计了五种不同的特征组合，根据分类准确性和性能指标选择了最优组合，并使用随机森林（RF）进行PMF的映射。随机森林的整体分类准确率在92.04%到99.27%之间，Kappa系数在0.87到0.98之间，这突显了所提出方法在大规模农业监测中的有效性。本研究监测了2015年至2023年中国东北地区吉林省大安市农业薄膜的空间和时间变化，该地区见证了薄膜覆盖范围的向西北方向扩展。

引言

中国东北地区是全球四大黑土分布区之一，是中国国家粮食安全的基石（Liang等人，2021；Meng等人，2024；Xu等人，2023）。自20世纪70年代以来，农业薄膜覆盖技术在中国被广泛采用，并在过去几十年中在东北地区得到了迅速发展（Xiong等人，2019；Yang等人，2023）。准确估计PMF对于土壤保护与利用、景观质量评估以及环境生态安全至关重要。一方面，塑料薄膜通过节能（Wang等人，2020；Acharki和Kozhikkodan，2022；Fu等人，2022；Zhang等人，2023）、保持水分（Li等人，2008；Zhang等人，2017；Yu等人，2018）以及保护土壤和作物免受病虫害侵害（Zhang等人，2017）为作物提供了良好的生长条件，从而产生了显著的经济效益（Wang等人，2020；Yu等人，2018）。另一方面，薄膜覆盖的扩张对环境产生了负面影响（Levin等人，2010），导致土地退化和作物产量长期下降（Zhang等人，2015；Luo等人，2023；Hasituya和Chen，2017；Lanorte等人，2017）。塑料残留物已成为一种新的污染源，严重影响了农业的可持续发展（Hasituya和Chen，2017）。因此，准确监测薄膜覆盖农田对于平衡经济效益与环境保护至关重要。

传统的依赖实地调查和统计报告的方法具有主观性和耗时性，难以实现区域性的准确监测。遥感技术提供了一种成本效益高的工具来监测PMF的空间分布。根据波段信息，遥感传感器可分为光学卫星传感器、合成孔径雷达（SAR）和无人机（UAV）。根据空间分辨率，与薄膜覆盖相关的光学卫星传感器可分为三类：（1）国家级别的低至中等分辨率传感器，如MODIS（Fu等人，2022；Lu等人，2015）；（2）区域级别的高分辨率（HR）传感器，如Landsat 5/7/8（Acharki和Kozhikkodan，2022；Levin等人，2010；Lanorte等人，2017；Picuno和Tortora，2011；Hasituya等人，2016）以及Sentinel 2（Acharki和Kozhikkodan，2022；Lu等人，2018；Hao等人，2019；Perilla和Mas，2019；Ibrahima和Gobin，2021；Aguilar等人，2022）；（3）由商业卫星提供的极高分辨率（VHR）传感器，如IKONOS（Aguera和Liu，2009）、QuickBird（Aguera等人，2009；Aguera等人，2007）、GeoEye 1（GE-1）（Acharki和Kozhikkodan，2022）、Gao Fen 1/2（Hasituya等人，2017；Hasituya等人，2020）、Planet（Acharki和Kozhikkodan，2022）、WorldView（Koc-San，2013）和Google Earth图像（Niu等人，2023）。使用深度学习对UVA图像进行分类也被广泛用于识别PMF和薄膜残留物（Tarantino和Figorito，2012；Yang等人，2019），这些方法适用于实地尺度。SAR图像也被用于PMF的识别，例如Sentinel 1和Radarsat 2（Hasituya等人，2020；Liu等人，2019）以及TerraSAR X（Liu等人，2019）。其中，高分辨率（HR）图像因具有丰富的光谱信息、可免费下载和持续可用性而被广泛使用。以往的研究主要集中在塑料薄膜连续分布的典型研究区域，使用单传感器卫星遥感图像来识别薄膜覆盖农田（Aguilar等人，2022；Abubakar等人，2023；Xiong等人，2023；Teluguntla等人，2018）。然而，很少有研究结合Sentinel 2和Landsat 8遥感图像以及机器学习算法来识别中国东北地区分散分布的薄膜覆盖农田。

特征的提取和优化对遥感图像分类的准确性有显著影响。最常用的特征包括光谱特征、指数特征和纹理特征。指数特征的选择主要排除了植物（如NDVI、EVI等）、水体（如NDWI、MNDWI等）和人造结构（如NDBI等）的影响。此外，还提出了用于识别温室和塑料薄膜的光谱指数。Lu等人（2014）提出了塑料薄膜覆盖土地覆盖指数（PMLI），并从中提取了中国新疆地区Landsat 5图像的PMF空间分布。2011年、2007年和1998年的整体准确率分别为97.82%、85.27%和95.00%，Kappa系数分别为0.9782、0.80和0.93。Yang等人（2017）基于Landsat增强型专题制图仪（ETM+）图像的光谱、敏感性和可分性分析提出了新的塑料温室指数（PGI），整体准确率达到91.2%。Zhou等人（2023）基于PMC和其他土地覆盖类型的光谱可分性分析提出了新的塑料薄膜覆盖柑橘指数（PMCI）。之前的指数都是基于单相或单源卫星图像的温室特征提出的，忽略了塑料温室和薄膜之间的差异，特征变量的选择和最优窗口的选择在中国东北地区仍需进一步研究。

在过去几十年中，遥感图像分类根据对标记样本的需求被分为监督学习和无监督学习两类。根据最小分类单元，分类方法还可以进一步分为基于像素的分类和基于对象的分类（Lu等人，2018；Aguilar等人，2022；Tarantino和Figorito，2012；Peng和Lu，2021）。基于对象的分类适用于从丰富纹理中识别PMF的高分辨率（VHR）图像。基于像素的分类通过探索光谱、指数特征和纹理特征来识别PMF。常用的分类方法包括神经网络分类器（Tarantino和Figorito，2012；Niu等人，2023；Peng和Lu，2021）、决策树（Fu等人，2022；Lu等人，2014；Breiman等人，2017）、随机森林（RF）（Acharki和Kozhikkodan，2022；Hasituya和Chen，2017；Hasituya等人，2020；Koc-San，2013；Hasituya等人，2021；Breiman，2001）和支持向量机（SVM）（Hasituya和Chen，2017；Lanorte等人，2017；Hasituya等人，2017；Koc-San，2013；Cortes和Vapnik，1995）。在本研究中，我们选择了RF算法进行分类，因为（1）它受异常值和噪声数据集的影响较小；（2）它能够有效处理高维、多源数据而不会过拟合；（3）RF已被证明优于单一决策树和其他分类器（Mahdianpari等人，2017；Li等人，2023）。

大多数现有研究依赖单一传感器作为数据来源，未能充分考虑PMF的空间和时间变化。本研究使用Sentinel 2多光谱仪器（MSI）和Landsat 8操作型陆地成像仪（OLI）来分析PMF的空间和时间变化，并提出了一种新的指数——标准化农业薄膜指数（NAFI）。NAFI是基于在Sentinel 2 MSI和Landsat 8 OLI上应用RF开发的。本研究的目标如下：（1）探索使用Landsat 8 OLI和Sentinel 2 MSI图像在GEE中评估PMF的可能性；（2）探索提取薄膜覆盖农田的最有效特征组合；（3）使用整体准确率和Kappa系数评估RF在分类卫星图像方面的性能；（4）分析2015年至2023年中国东北地区大安市薄膜覆盖农田的变化。

研究区域

大安市位于吉林省西北部，经度介于123°08′45″至124°21′56″E之间，纬度介于44°57′00″至45°45′51″N之间。该市面积为4879平方公里，地处松嫩平原中心，拥有丰富的耕地资源和湿地资源（Wang等人，2015；Yin等人，2020）。该地区属于中温带季风气候，四季分明。年日照时平均为3012.8小时。

分类子集

根据实地调查，土地利用类型包括薄膜覆盖农田（PMF）、林地（FL）和非薄膜覆盖农田（NPMF）。我们通过视觉解释、结合CNLUCC图像特征、高分辨率Google Earth图像和Sentinel 2 MSI图像，构建了2015年至2023年的样本子集。样本采用随机均匀分布方法选取。图2显示了2015年至2023年样本子集的空间分布，图4显示了PMF、耕地和林地的数量。

讨论

本研究旨在利用遥感图像监测PMF的时空变化，并通过提出和验证新的指数以及选择最佳特征组合来提高分类准确性。通过分析五种特征组合方案，成功识别出最佳特征组合，整体分类准确率达到了92.04%-99.27%，Kappa系数为0.87-0.98。这些发现证明了多时相图像的可靠性。

结论

准确识别薄膜覆盖农田区域对于作物监测、农业产量估算和优化政府补贴至关重要。本研究推进了PMF监测的遥感技术，解决了准确检测和时空分析方面的挑战。通过使用Sentinel 2 MSI和Landsat 8 OLI数据，克服了以往研究依赖于单一传感器数据或忽略时间变异性的局限性。NAFI指数的引入提高了PMF的检测效果。

CRediT作者贡献声明

刘焕军：撰写——审稿与编辑，资金获取。陶峰：撰写——初稿，验证，方法论，概念构建。杨倩：撰写——审稿与编辑，撰写——初稿，资金获取，概念构建。常俊义：撰写——初稿，方法论，调查。罗冲：撰写——审稿与编辑。杜佳：验证，方法论。柴源：调查。李雪：验证。陈丽文：验证

未引用参考文献

Acharki和Kozhikkodan Veettil，2022；Agüera等人，2008；Agüera等人，2007；Agüera和Liu，2009；Chen等人，2022；H等人，2021；Ibrahim和Gobin，2021；Jiménez-Lao等人，2022；Koc-San，2013；Novelli和Tarantino，2015；Pal，2007；Picuno等人，2011；Wu等人，2016；Zhang等人，2015a；Zhang等人，2015b。

数据可用性声明

本研究使用了公开可获取的数据集。土地利用类型信息可查询：https://www.resdc.cn（访问日期：2022年12月8日）。

利益冲突声明

作者声明没有利益冲突。

资助

本研究得到了吉林省创新能力建设资金（2023C036-1）和中国国家重点研发计划（2021YFD1500103）的联合支持。

利益冲突声明

作者声明没有已知的可能影响本文工作的财务利益或个人关系。

致谢

我们感谢上述所有资助方和数据提供者。同时感谢编辑和匿名审稿人的宝贵意见与建设性建议。本研究是“农田退化监测”项目的成果。