基于ArcGIS Engine和IDL的冬小麥生長動態監測系統

李 霞, 王 泓, 魯立江

(安徽科技學院 資源與環境學院,安徽 鳳陽 233100)

小麥是中國主要糧食作物之一,其播種面積約占糧食作物播種總面積的五分之一,其中冬小麥產量約占小麥總產量的80%,在中國北方地區,小麥生產占有更重要的地位,其播種面積占總播種面積的二分之一,因此小麥在中國糧食生產中有著重要的地位。隨著中國糧食生產的市場化,農作物的種植面積呈現年際變化大的特點,及時、準確獲取小麥種植面積、空間分布、長勢及產量估算信息,可為政府有關部門合理、快速地制定農業生產管理措施、糧食估產等提供基礎數據,已經成為政府及各級管理部門的迫切需求。在全球經濟化時代,農業基礎信息不僅關系到中國農業耕地資源的合理利用、農村產業結構的戰略調整及農民生產收入的提高,還關系到糧食生產安全和社會可持續發展問題。

傳統的抽樣調查、逐級統計上報的工作方法時效性較差、經濟成本較高且獲取的結果存在較大不確定性。遙感技術是近些年發展起來的新技術,可以在較短時間內獲取較大區域內的地物信息,快速且較為準確地獲取小麥種植各生育期數據。隨著遙感數據種類和數量的豐富,它已經成為提取各種作物種植面積及長勢信息的有效手段之一。但是,當前在利用多源遙感數據對小麥進行綜合監測和管理的工作仍存在不足[1-4]:遙感數據量較大,依靠人工手段進行數據處理效率較低;由于操作人員理論基礎和實踐經驗不同,基于多人協作方式的遙感數據處理標準和規范不能得到有效執行,最終得到的數據處理結果在質量上存在差異;遙感數據處理流程專業性要求高,非遙感專業人員進行遙感數據處理和實際應用存在困難,缺乏簡單、便捷且自動化程度高的方式。

本研究基于ArcGIS Engine組件和IDL函數庫,設計并開發了自動化程度較高、操作較為簡捷的冬小麥監測綜合管理系統,開發了冬小麥作物識別、種植面積提取、作物長勢信息反演、作物產量估算等模型和算法,實現了冬小麥管理的若干模塊,并在蚌埠地區進行了應用驗證和分析?？傮w而言,本系統可以有效提高冬小麥種植各環節的數字化管理,并為管理人員提供數據和決策支持。

1 系統設計思路

1.1 ArcGIS Engine和IDL集成開發

Interactive Data Language(IDL)是ENVI軟件平臺下的交互式開發語言,該語言擁有豐富的、面向矩陣預算的數據分析工具,在圖像處理與分析方面具有天然的優勢,已廣泛應用于地理學、醫學、信號學等諸多領域。IDL語言具有較好的耦合性,對外提供內置函數及功能的COM開發組件,可快速實現與其他語言和組件的集成開發[5-6]。

ArcGIS Engine是ArcInfo軟件平臺提供的GIS組件庫,基于此組件庫開發的GIS軟件可完全脫離ArcGIS Desktop獨立運行在其他環境下。ArcGIS Engine組件包含若干組件和功能類庫,可實現對各種空間數據的處理、存儲、顯示和分析[7-8]。

本系統基于IDL COM組件和ArcGIS Engine COM組件進行集成開發,該方法可明顯減少系統開發的工作量和周期,為RS和GIS的集成開發提供了最優的解決方案(圖1)。系統整體上由主程序和控件組成,利用C#.NET構建程序的基本界面,通過標準的COM接口耦合ArcGIS Engine和IDL控件[9-10]。其中ArcGIS Engine負責空間數據入庫、顯示、存儲及分析等,IDL負責實現遙感數據的處理和柵格運算[11],所有開發工作在Visual Studio 2012開發環境中進行。

圖1 ArcGIS Engine和IDL集成開發Fig.1 Integrated development of ArcGIS Engine and IDL圖2 系統基本框架Fig.2 The framework of the system

1.2 系統框架

本系統采用3層架構,即應用層、邏輯業務層和數據層。其中,數據層主要負責空間數據和屬性數據的輸入輸出處理;邏輯業務層主要負責具體業務的邏輯處理,如冬小麥空間分布識別、作物長勢反演、冬小麥產量估算、數據裁剪、拓撲檢查、統計輸出等業務;應用層針對具體功能和流程設計與用戶的交互界面?？傮w上的框架設計如圖2所示。

1.3 系統功能設計

針對冬小麥在不同生育期的特點和主要關注的問題,本系統設計了7個核心功能模塊。

數據入庫:主要功能是導入各類遙感影像數據、統計數據及樣點數據,并將其按照行政區劃裁剪、存儲到空間數據庫中,同時將屬性數據存入到屬性數據庫中。數據可用性分析:根據用戶選擇的研究區域及數據質量要求,在數據庫中檢索數據是否覆蓋研究區域、數據質量是否達到要求(如云量占比)及樣點數據是否已錄入等,并給出分析結果和文字報告。識別及面積統計:在數據可用性已完成的情況下,根據研究區域內冬小麥各生育期的波譜特征,對數據庫中的遙感數據進行波段計算,提取用戶指定區域內的冬小麥圖斑,利用野外實地采樣數據對識別結果進行精度驗證和分析,并自動生成分析結果和文字報告。長勢信息提取:在數據可用的條件下,提取研究時段內冬小麥的NDVI指數,與近5年提取的NDVI指數和長勢參數相對比,最終得到用戶指定區域內的冬小麥長勢信息,并自動生成分析結果和文字報告。產量估算:在統計數據可用的條件下,通過提取的GDVI值和經驗模型,計算研究區域內冬小麥的產量,利用研究區域冬小麥產量統計數據對估算結果進行精度驗證和分析,并自動生成分析結果和文字報告。統計分析:結合冬小麥種植面積、長勢信息及冬小麥產量估算結果,給出統計結果和分析決策建議。成果輸出:將分析結果輸出為圖或表,并打印為紙質材料。系統總體功能模塊流程如圖3所示。

圖3 主要功能模塊流程圖Fig.3 Main modules in the system and the overall flowchart

1.4 數據庫設計

數據庫設計主要包括空間數據庫和屬性數據庫,空間數據庫主要存儲具有空間信息的矢量和遙感數據,屬性數據庫主要包含遙感影像元數據(表1)、統計信息(表2)和物候信息(表3)等。

表1 遙感影像元數據Table 1 The metadata of remote sensing dataset

表2 年度冬小麥統計信息Table 1 The annual statistics of winter wheat

遙感影像元數據主要描述數據庫中遙感數據的基本信息,為數據可用性分析模塊提供基本信息,提取研究區域內遙感影像數據覆蓋度、質量等信息,判斷數據是否滿足下一步操作要求。

年度冬小麥統計信息主要為近5年冬小麥的年鑒數據,包括冬小麥播種面積、長勢及產量統計等信息,這部分數據主要用于構建冬小麥長勢及產量估算模型。

物候信息主要用于存儲研究區域冬小麥各生育期的起始時間,該數據主要用于冬小麥播種面積及分布提取分析。由于不同區域冬小麥各生育期的時段存在明顯差異,在進行分析時應根據當地的物候信息相應調整冬小麥返青期、成熟期等對應的時段。

2 系統核心算法

歸一化植被指數(Normalized Difference Vegetation Index,NDVI)是衡量地表覆蓋情況及植被生長情況的重要指標,已經被廣泛用于地表植被分類、環境監測及農作物識別等領域。在本系統中,冬小麥作物識別、長勢信息提取及產量估算等核心模塊都用到了該指數,其計算方法如式(1):

(1)

其中,ρNIR和ρRED分別表示近紅外波段和紅光波段的反射率。

2.1 冬小麥識別算法

小麥不同生育期內NDVI會不斷變化,因此NDVI可很好地反應植被的覆蓋區域、生長狀況及物候信息。本系統采用MODIS時序數據,通過提取冬小麥在出苗、分蘗、返青、成熟等生育期的NDVI,獲取冬小麥種植面積、分布區域及生長狀況等信息。通過對MODIS-NDVI時間序列曲線的特征分析,對地表覆蓋類型及植被生長情況進行監測和統計[12]。

由于受前期數據處理過程的影響,NDVI中包含一定的噪音,造成MODIS-NDVI時間序列曲線出現異常波動,影響冬小麥物候信息的提取[13-14]。本系統在利用NDVI提取冬小麥相關信息時,采用Savitzky-Golay濾波方法對冬小麥時間序列曲線進行了預處理,濾波后的時間序列曲線不僅去除了噪聲的干擾,而且保留著曲線原有的基本形狀,使得曲線的形狀特征更加突出。

2.2 冬小麥長勢信息提取算法

基于上述模型提取冬小麥種植面積及空間分布后,可進行冬小麥長勢監測分析。本系統利用NDVI年際差值模型提取冬小麥長勢信息[15-16]。具體而言,主要包括以下幾個步驟:首先,在冬小麥不同生育期,求取近5年同一時段NDVI均值;然后利用年際差值模型,用當前年度同一時段的NDVI值減去前5年NDVI均值。計算方法如式(2):

G=NDVInow-NDVI5mean

(2)

其中,NDVInow為當前年度不同生育期提取的NDVI值,NDVI5mean為前5年求取的同一生育期內冬小麥NDVI均值。獲取所有生育期G值后,對求取結果進行重新分類,將較前5年冬小麥長勢分為“好于”“持平”“差于”等3個等級,最終實現對當前冬小麥長勢的評價。

2.3 冬小麥產量估算算法

葉綠素含量及變化是衡量冬小麥光合作用強度的重要標志,準確提取葉綠素含量及變化信息是冬小麥遙感估產的關鍵。在光譜特征分析中,葉綠素a、葉綠素b在近紅外和綠光波段反射率有2個突出的峰值,本系統基于上述2個波段構建了冬小麥產量估算模型[17-18]。具體而言,首先求取GDVI值,具體計算方法如式(3):

(3)

其中,RNR為近紅外波段;RG為綠光波段。然后利用張智韜等[19]獲取的GDVI與小麥產量之間的線性關系,以小麥產量作為因變量,最終得到冬小麥產量,二者之間的關系如式(4):

y=1 494.5x-385.66

(4)

其中,x為求取的GDVI值;y為單位面積冬小麥產量(kg/hm2)。

3 系統實現與應用

3.1 系統實現

主要包括交互界面的設計和功能模塊的開發,為了實現了更好的用戶交互體驗,本系統采用第三方組件DotNetBar對系統界面進行了統一和美化,系統統一采用Office 2007界面風格。

系統主要包括任務管理、數據處理、小麥管理、成果輸出和系統維護等五組功能菜單。其中任務管理主要實現對不同分析任務的綜合管理,如加載、修改、刪除分析任務等;數據處理主要實現各種數據入庫、數據質量檢查等功能,通過該功能最終構建影像、樣本和統計數據庫;小麥管理是本系統的核心功能,實現了對小麥空間分布、長勢及產量的分析,在進行各項分析之前首先需要設置研究區域內物候、樣本等數據路徑(圖4);成果輸出主要實現各種輸出功能,將過程數據或分析結果以圖片和表格的形式導出;系統維護實現各項運行環境的配置,如系統風格、閾值等參數設置。

圖4 物候參數配置Fig.4 Configuration of the phenological information

3.2 案例應用

本研究以蚌埠市為研究區域,利用該系統對冬小麥種植面積提取、長勢評估及產量估測進行了應用研究。由于不同地區冬小麥各生長周期階段存在明顯差異,因此在進行實際分析前首先需明確研究區域內冬小麥的具體物候信息[20-22]。野外實地調研分析表明,蚌埠市一般在每年10上中旬開始播種冬小麥,11月上旬出苗,從第2年2月進入返青期并開始快速生長,5月達到完全成熟。在不同生育期內,冬小麥光譜特征呈現出不同的特征,本研究采集了不同生育期內冬小麥的光譜數據NDVI,結果表明蚌埠市冬小麥從11月開始NDVI值緩慢上升,到次年2月達到較高值并維持穩定狀態,此時其他植被大多處于枯黃狀態。4—5月間,該地區冬小麥NDVI值再次出現明顯增長,到6月初收割后NDVI值降低至最低點。

根據上述對蚌埠市冬小麥光譜特征的分析,僅依靠單個時段提取冬小麥分布區域存在較大不確定性,因此需要結合多個時段內冬小麥光譜數據開展識別提取工作。該地區光譜數據具有以下幾個特征:(1)12月初冬小麥NDVI值明顯大于11月初。(2)冬小麥在2月中旬NDVI值明顯大于其他地物,其值一般大于0.525。(3)3月下旬—4月上旬NDVI值明顯大于1月中下旬。因此,可利用不同時段光譜數據的特征在整個區域做并運算,這樣可明顯提高提取結果的精度。

在本案例分析中,首先在系統內設置蚌埠市冬小麥不同生育期的起始時間(圖4),然后根據不同生育期NDVI值之間的關系提取了蚌埠市2021年冬小麥分布數據(圖5)。系統分析結果表明,2021年蚌埠市冬小麥播種面積為24.09 hm2,與統計年鑒數據(25.12 hm2)相比準確度為95.9%;2021年冬小麥長勢良好,但整體上比前5年差;根據估產模型估算,2021年冬小麥總產量為1.358 3×106t,與統計年鑒數據(1.489 4×106t)相比準確度為91.2%。

4 結論與討論

本系統基于ArcGIS Engine和IDL構建冬小麥綜合監測分析系統,實現了對冬小麥播種面積、長勢及產量估算的各項功能模塊。通過實際案例可以得到以下結論:

(1)利用MODIS數據提取冬小麥種植面積及分布區域是可行的,由于MODIS數據具有較高的時效性和覆蓋度,基于MODIS數據的分析方法在不同區域具有較好的適用性。充足、準確的數據是獲取精確分析結果的基礎和保證,MODIS數據具有時效優勢但分辨率較低,獲取較高分辨率冬小麥空間分布信息存在一定困難。

(2)采用經過實際應用驗證的經驗模型,結合研究區域的歷史數據,可以較為準確地對冬小麥長勢情況進行評估、對冬小麥產量進行估算,但在使用經驗模型時應與實際研究區域的地形、氣候及其他特征相匹配。

(3)采用經過實際應用驗證的經驗模型,結合研究區域的歷史統計數據和現勢數據,可以較為準確地對冬小麥長勢情況進行評估、對冬小麥產量進行估算。