ICS 65.020.01 B 07 山 DB37 东 省 地 方 标 准 DB 37/T 3240—2018 农作物种植面积遥感监测技术规程 大蒜 Technical Rule for Crop Area Monitoring Using Remote Sensing Data:Garlic 2018 - 08 - 17 发布 山东省质量技术监督局 2018 - 09 - 17 实施 发 布 DB37/T 3240—2018 前  言 本标准依据GB/T 1.1—2009给出的规则起草。 本标准由山东省农业厅提出。 本标准由山东省农业标准化委员会归口。 本标准起草单位：山东省农业可持续发展研究所、山东省农业遥感工程技术研究中心、农业部华东 都市农业重点实验室。 本标准主要起草人：梁守真、姚慧敏、王猛、隋学艳、侯学会、王祥峰、朱振林。 I DB37/T 3240—2018 农作物种植面积遥感监测技术规程 大蒜 1 范围 本标准规定了基于 Landsat OLI 遥感影像的大蒜种植面积监测方法。 本标准适用于美国陆地卫星（Landsat）OLI 遥感数据进行大蒜面积的监测与调查。 本标准适用于山东省大蒜集中种植区大蒜面积的监测。 2 规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文 件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。 GB/T 14950 摄影测量与遥感术语 GB/T 15968 遥感影像平面图制作规范 GB/T 17694 地理信息术语 GB/T 17798 地球空间数据交换格式 GB/T18316 数字测绘成果质量检查与验收 GJB 2700 卫星遥感器术语 GJB 421A 卫星术语 3 术语和定义 下列术语和定义适用于本标准。 3.1 大蒜种植面积监测 Garlic Area Monitoring 对大蒜集中种植区大蒜面积的监控、测定。 3.2 Landsat 8 Operational Land Imager (OLI) 陆地卫星-8陆地成像仪 3.3 辐射定标 Radiometric Calibration 将传感器记录的无量纲的DN值转换成具有实际物理意义的大气顶层辐射亮度或反射率。 3.4 投影变换 Projection Transformation 将一种地图投影点的坐标变换为另一种地图投影点的坐标的过程。 1 DB37/T 3240—2018 3.5 归一化植被指数 Normalized Difference Vegetation Index(NDVI) 定义为近红外波段反射率与红光波段反射率之差与之和的商，其计算公式为： NDVI  R NIR  RRED ........................................................................ (1) R NIR  RRED 式中： RNIR—近红外波段反射率； RRED—红光波段反射率。 注 1：本标准 RRED 为 Landsat OLI 波段 4（640 nm～670 nm）反射率；RNIR 为 Landsat OLI 波段 5（850 nm～880 nm） 反射率。 3.6 归一化水指数 Normalized Difference Water Index(NDWI) 基于绿波段与近红外波段的归一化比值指数,它能有效凸显影像中的水体信息，其计算公式为： NDWI  R GREEN  R NIR ..................................................................... (2) R GREEN  R NIR 式中： RNIR—近红外波段反射率； RGREEN—绿光波段反射率。 注 1：本标准 RGREEN 为 Landsat OLI 波段 3（525 nm～600 nm）反射率； RNIR 为 Landsat OLI 波段 5（850 nm～880 nm） 反射率。 4 监测流程 基于 Landsat OLI 遥感影像大蒜种植面积监测流程按照图 1。 2 DB37/T 3240—2018 图1 基于 Landsat OLI 遥感影像的大蒜种植面积监测流程 5 数据源 5.1 影像数据选择及其质量控制 5.1.1 Landsat OLI 遥感数据 5.1.1.1 选择多时相的 Landsat OLI 遥感影像多光谱数据 5.1.1.2 影像时相要求：根据监测的目的确定影像时相，大蒜在 10 月上旬种植，5 月中旬 6 月初收获。 为最大程度避免其他地类的影响，宜在大蒜生长前期（2 月）、中期（4 月）和后期（5 月中下旬）分 别选择一期影像。 5.1.2 影像数据质量要求 3 DB37/T 3240—2018 5.1.2.1 集中云层的覆盖面积少于 5 %，分散云层的覆盖总面积少于 10 %。 5.1.2.2 影像层次丰富、色彩清晰、色调均匀、反差适中。 5.1.2.3 数据不存在条带、斑点噪声、行丢失等。 5.2 地形数据选择及质量控制 5.2.1 地形数据 收集监测区地形图、DEM 数据(≤30 m)。 5.2.2 数据质量要求 5.2.2.1 对纸质图要求其表面、平整度、符号、线条、图廓点及公里网完整。 5.2.2.2 对电子图的要求，参照 GB/T 18316 执行。 5.3 调查数据准备及质量控制 5.3.1 数据准备 5.3.1.1 收集监测区已有的土地利用/覆盖图、植被类型图、调查资料、统计数据等相关资料。 5.3.1.2 熟悉监测区的种植结构、种植习惯以及大蒜主要分布区域。 5.3.1.3 确定调查路线图，准备实地调查。 5.3.1.4 根据选定的调查路线，选取典型大蒜种植样区，进行样点布设、外业图勾绘、样地描述、实 地拍摄。样点布设的方式、数目及空间分布依据监测区的范围、地形来确定。样方点总量不少于 50 个， 样点与样点之间至少间隔 1000 m 以上，并且样点在监测区内尽可能均匀分布。布设的样点要远离村庄、 道路、建筑、水体等非耕地区域，并要求 120 m×120 m 范围内全部为大蒜。利用 GPS 对样点中心进行 定位，并进行样地描述性记录，记录内容包括样地大蒜种植时间、预计收获时间、种植方式（覆膜/露 天）、前茬和后茬作物种植情况等，同时对样地进行实地拍摄。 5.3.2 数据质量要求 选取与某一期遥感影像获取时间相近的时间进行调查，外业调查数据定位误差不超过 10 m。 6 影像处理 6.1 辐射定标 基于卫星数据头文件提供的信息，利用绝对定标系数将灰度值(digital number， DN)图像转换为 表观反射率图像，计算公式为：   gain  DN  bias ....................................................................... (3) 式中： ρ—为大气顶层反射率； DN—为图像灰度值； bias—为偏移量； gain—为绝对定标系数增益，bias 和gain 统称为绝对定标系数，随着卫星传感器在轨时间的增加， 绝对定标系数会发生改变。 6.2 影像校正 4 DB37/T 3240—2018 采用多项式对遥感影像校正。均匀选取影像上明显、清晰、不随时间变化明显改变的地物控制点， 要求每景影像至少选取 30 个控制点，对地形起伏较大地区加密控制点，精度控制在 0.5 个像元(15 m) 内，采用双线性内插进行影像重采样，得到正射校正影像。 同时，定义坐标系统，进行投影变换。将影像坐标系统转为 Albers 等积正割圆锥投影，其参数设 置如下：投影类型 Albers Conical Equal Area，第一条标准纬线纬度 25°N，第二条标准纬线纬度 47° N，中央经线经度 105°E，坐标原点 0°，东移 0°，北移 0°，椭球体和大地基准面 WGS-84。 6.3 波谱指数计算 基于 Landsat OLI 影像的第 4 波段和第 5 波段，计算归一化植被指数 NDVI； 基于 Landsat OLI 影像的第 3 波段和第 5 波段，计算归一化水指数 NDWI。 7 影像解译 7.1 确定监测区地物种类 以监测区地物在 Landsat OLI 遥感影像数据上的可解译性为基础，结合实地调查和收集的资料，确 定监测区的主要地类。 7.2 建立主要地物类型解译标志 根据影像上的色调、亮度、形状、纹理、地形以及地物间的相关关系，结合收集和实地调查的地物 分布数据，建立监测区主要地物的解译标志 (参见附录 B)。 7.3 影像解译 7.3.1 计算大蒜生长期监测区遥感影像的 NDWI，设定 NDWI 阈值，区分监测区的水体与非水体。 7.3.2 针对非水体区域，参考相关的调查数据，分析植被与非植被地物的波谱特征和 NDVI，设定相应 阈值，区分植被与非植被。 7.3.3 针对植被区，分析常绿植被的波谱特征和 NDVI，设定 NDVI 阈值、波段阈值区分常绿植被和其 他植被。 7.3.4 在冬季，监测区作物主要为冬小麦和大蒜，分析冬小麦和大蒜的影像差异，依据 NDVI 阈值区分 冬小麦和大蒜。 监测区主要地物类型遥感解译的主要流程按照图 2。 5 DB37/T 3240—2018 经处理后的 Landsat OLI  多时相遥感影像  NDWI>0  否  是  非水体  水体  NDVI(2 月)<0.18orNDVI(4 月)<0.4  Or B6>B5>B4(2,4 月)  否  是  非植被  植被  B5(2 月)<0.20 and  B5 (4 月)<0.25  是  否  常绿植被  其他植被  NDVI(2 月)>0.33  否  大蒜  是  冬小麦  图 2 影像解译流程 7.4 结果修正 采用上述决策树方法分类后，仍然存在部分“错分”和“漏分”的像元，需要借助监测区的调查数 据、土地覆盖等其他相关资料对分类结果进行人机交互修正。 8 精度验证与评价 8.1 精度检验方法 对监测区大蒜提取结果精度检验，可以采用两种方法： 在有地面调查样点区域，选取地面样本点进行精度验证；对于无地面验证点的监测区，采用与进行 6 DB37/T 3240—2018 大蒜面积监测的遥感影像获取时间相近、空间分辨率更高的遥感数据，随机选取不少于 50 个的样本用 于精度评价。 8.2 精度评价 基于参考样点，统计被正确分类的像元，计算分类精度，要求精度达到 90 %以上。若达不到规定 精度，修正分类结果，