冬小麦是我国北方主要农作物之一，面积提取是小麦估产、长势监测以及农业资源动态监测的重要前提，也是财政部门制定农业补贴的重要依据。长势分析可为农业部门提供准确的作物状态信息，以便及时制定水、肥等栽培管理措施，保障小麦产量，提高农民收入^[1]。

20世纪70年代以来，遥感技术迅速发展，为农业生产管理提供了新的科学技术手段。与通过实地调查、统计获取农作物面积的传统方式相比，遥感技术提取作物面积的方法周期短，成本低。农作物遥感长势监测则通过提取作物的植被指数，用其与LAI(绿色植物叶面积指数)等指标关系，间接得到作物长势信息，植被覆盖指数NDVI与LAI呈明显的正相关关系，能很好反映作物长势^[2]。

国内外关于作物种植面积提取与长势监测已有较多研究。早期主要利用适合大面积监测的气象卫星数据进行播种面积遥感估测，如Van Dijk A^[3]、Quarmby NA等^[4]用AVHRR数据进行作物面积提取、农情遥感监测和遥感估产。后来随着传感器空间分辨率的提高，MODIS、TM等数据提取作物播种面积及长势监测的研究逐渐成为热点^{[5, 6, 7, 8]}。黄河三角洲作为我国重要的盐碱中低产田集中分布区，其粮食生产正受到越来越多的关注，及时掌握该区小麦分布及长势信息成为黄河三角洲农业生产管理的客观需求。李敏等^[9]以CBERS01 和HJ1B卫星图像为信息源，采用决策树分类方法提取了2009年黄河三角洲地区部分乡镇不同时相棉花信息，并分析了棉花长势分布的时空特征。刘庆生等^[10]以山东省无棣县为研究区，选择关键期HJ卫星遥感数据，通过增强性植被指数时序数据分析，采用支持向量机(SVM)方法进行了主要作物种植空间分布信息提取，总体精度超过93%。总体看，目前基于遥感技术的农作物长势分析研究中，利用同一地区不同时相的遥感图像进行动态监测分析或单景图像内的作物分布与长势对比研究较多，而涵盖不同时期多轨道图像的大尺度相关研究较少，针对黄河三角洲大区域可操作性的冬小麦面积信息获取及长势监测方法仍需进一步探索。

本研究用两景不同时期的相邻遥感图像进行黄河三角洲较大区域的冬小麦面积提取与长势分析，旨在探索不同时期、多轨道图像间的冬小麦长势分析方法。

研究区域包括滨州市和东营市的9县3区，位于渤海西南岸，是黄河三角洲的核心组成部分。处于北纬36°41′～38°16′，东经117°15′～119°15′之间，属暖温带季风型大陆性气候，冬寒夏热，四季分明。研究区地处平原，地貌类型主要为滨海缓平低地、浅平洼地、缓平坡地、交接洼地和山前倾斜平原。土壤类型以褐土、潮土、盐土为主，粮食作物种植主要为小麦和玉米，盛产小麦、玉米、水稻、棉花及蔬菜，是山东省重要的绿色产品生产基地^{[11, 12]}。

本研究采用的遥感数据是行编号为34的两景相邻ETM+图像。因第6波段为热红外波段，对植被的指示意义较小，空间分辨率较低，所以将其剔除，只用1、2、3、4、5、7波段。东营市所在图像成像于2013年3月3日，条带号为121。滨州市所在图像成像于2013年3月26日，条带号为122。此时玉米、水稻、棉花均尚未播种，冬小麦处于返青期，十分有利于冬小麦识别。

其他辅助数据主要有：研究区域内已校正过的遥感图像、各县区行政区划图及来自统计部门网站发布的统计数据等。

遥感图像预处理包括去条带、辐射定标、大气校正、几何精纠正及研究区域裁剪等内容。

根据遥感图像的获取时间与地理位置，选择SAS(Sub-arctic summer亚极地夏季热带)大气模型，对ETM图像进行大气校正^[13]，在图幅范围内均匀选取100个以上控制点，采用2次多项式模型、双线性内插重采样方法进行几何精纠正，误差均控制在1个像元内。最后用行政区划矢量图层对遥感影像裁剪得滨州市、东营市的ETM+图像。

研究区遥感图像以ETM 5、4、3波段对应RGB假彩色合成显示。为进一步突出小麦信息，选取感兴趣区，包含冬小麦及其他多种易与小麦混淆的地物，以此感兴趣区为源，进行直方图线性拉伸增强。

采用非监督分类法建立研究区主要地类的解译标志，分析地物光谱特征，减少监督分类时的人为主观性，避免小区域类别丢失。对遥感图像进行主成分分析，分析遥感图像的主成分，并将其第一主成分PC1加入到分类波段中，以增加分类波段的数量，突出不同地物的影像统计特征，提高小麦提取精度。依据解译标志勾绘训练区，以最大似然法分类后，去孤岛、编辑显示参数，得到研究区的冬小麦分布图。

以NDVI作为冬小麦长势监测指标，计算公式为

计算滨州市图像的NDVI值，用提取的滨州市冬小麦分布区裁剪出滨州市的冬小麦NDVI分布图。采用SPSS聚类分析，根据NDVI像元值的分布特征，将其划分成若干类别，归类后同一类别的NDVI值分布具有高度相似性，可以认为这些小麦的长势属于一个等级。由此，将滨州市冬小麦长势分为5个等级，分别为：长势差、长势较差、长势中等、长势较好、长势好。

两景相邻影像具有一部分重叠区，若两景影像的获取时间相近，视作重叠区的小麦长势相同。如图 1所示，滨州市位于A影像，东营市位于B影像，把位于A影像的重叠区称作A1，位于B影像的重叠区称为B1。A、B影像获取时间相差23 d，两景图像上冬小麦的NDVI值存在差异，要比较A、B影像上的冬小麦长势时，不能用同一组NDVI间断点进行长势分级。A1、B1代表同一区域，虽然长势分级标准不同，但相同长势等级的冬小麦面积占区内冬小麦总面积的比相同，即相同长势等级的冬小麦累计百分比相同。

图 1 研究区在遥感影像上的位置分布图 Figure 1 Location of the study area on remote sensing images

图选项

表 1是B1冬小麦的NDVI值分布，以计算长势较差与长势中等的NDVI分级间断点为例：B1长势较差的冬小麦累积百分比与A1相同，应是29.973 917%(为保证最后结果的精度，文中所有的中间数据均保留原有小数位数)，而NDVI值0.253 724~0.315 16的冬小麦累积百分比是29.252 44%，NDVI值0.253 724~0.317 942的冬小麦累积百分比是30.656 820%，因此，B1长势较差与长势中等的NDVI分级间断点在0.315 16~0.317 942之间。用距离加权法求间断点，则：分级间断点=0.315 16+(29.973 917-29.252 44)/(30.656 82-29.252 44)×(0.317 942-0.315 16)。

表 1 冬小麦的NDVI值分布 Table 1 NDVI distribution of winter wheat

表选项

设长势分级间断点的NDVI值为X，X在NDVI₁~NDVI₂之间，NDVI₁、X、NDVI₂对应的冬小麦累积百分比分别是P₁、P_A、P₂，已知P_A，则确定NDVI长势分级间断点的长势分级模型为：

以统计部门发布的同年滨州、东营统计年鉴中冬小麦的实际播种面积为依据，评价各县区冬小麦的面积提取精度。

基于东营、滨州遥感图像重叠区，用东营市冬小麦的长势分级和长势分级模型反推算滨州市冬小麦的长势分级，将其与滨州原来的长势分级作比较，列出误差混淆矩阵，若两者的相似度高于90%，且Kappa系数高于0.8，则认为基于重叠区距离加权长势分级模型估测相邻遥感图像的植被长势分级方法可行。

图 2为获取的2013年黄河三角洲冬小麦长势分级图，显示区域内冬小麦的分布状况。研究区冬小麦分布不均，空间上呈现“西多东少，南多北少”的特征，自西南部内陆至东北部沿海呈明显的递减趋势，集中分布在邹平县、惠民县、阳信县、博兴县、滨城区及广饶县。研究区各县(区)冬小麦面积提取精度见表 2，总体看，内陆县区的小麦面积提前精度均高于沿海县(区)，其中以垦利县精度最低。

图 2 黄河三角洲冬小麦长势分级图 Figure 2 Winter wheat growth classification map in the Yellow River delta

图选项

表 2 黄河三角洲各县(区)的冬小麦面积提取精度 Table 2 Winter wheat area extraction precision of each county in the Yellow River delta

表选项

从整个研究区看(表 3)，2013年3月份黄河三角洲长势差的冬小麦占小麦总面积的14.35%，长势较差的占19.47%，长势中等的为24.23%，长势较好的15.79%，长势好的占26.16%，呈现“西好东差，南好北差”的特点，一般小麦分布较多的地区长势也较好。

表 3 黄河三角洲冬小麦长势等级比例 Table 3 Proportion of winter wheat growth grades in the Yellow River delta

表选项

从市域角度分析(表 3)，滨州市冬小麦长势差、较差、中等、较好、好的小麦分别占全市小麦总面积的13.84%、18.53%、25.04%、16.91%、25.68%；东营市冬小麦长势差、较差、中等、较好、好的小麦分别占全市小麦总面积的16.58%、23.56%、20.74%、10.97%、28.15%，滨州市冬小麦的总体长势优于东营市。

从县(区)角度看(表 3)，博兴县的小麦长势最好，县内47.16%左右的小麦长势好，长势好与较好的小麦比重接近60%；其次为广饶县，长势好的小麦为35.77%，长势好与长势较好的比重接近50%；再次为滨城区、阳信和邹平。邹平县冬小麦约占黄河三角洲小麦总面积的21.39%，是三角洲地区冬小麦分布最密集的县。小麦长势良好的县区均位于黄河三角洲南部，光热条件好，水资源丰富，灌溉设施齐全，地貌类型以山前倾斜平原为主，土壤肥力高，几乎无盐渍化，是黄河三角洲的粮食主产区。河口、无棣、沾化、垦利等县区，土壤盐渍化严重，冬小麦呈均匀、稀疏的点状分布，总体长势差，长势差与长势较差的比重均超过65%，与海相邻的地区几乎无小麦分布。

依据东营市冬小麦的长势分级，用长势分级模型再逆推得滨州市冬小麦的长势分级，以先前聚类分析得到的滨州市冬小麦长势分级作为标准，评价逆推结果的精度，列出误差混淆矩阵(表 4)。

表 4 误差混淆矩阵 Table 4 The confusion matrix of error

表选项

逆推结果总精度达到93.95%，Kappa系数约为0.92，逆推出的滨州市小麦长势分级与SPSS分析的长势分级高度相似。所以，基于重叠区距离加权长势分级模型估测相邻遥感图像的植被长势分级方法可行。

本研究结合主成分分析、非监督与监督分类的冬小麦信息提取方法，与以往的单种分类方法相比^[14]，提高了分类精度，除沾化、垦利外的其他县(区)冬小麦的提取精度均在90%以上，垦利、无棣及沾化提取精度较低的可能原因是：县内盐碱土大量分布，多数土地不利于冬小麦生长，长势偏差且种植面积小，光谱特征不明显，易受混合像元干扰。

以往在植被长势分析研究中，多为同一地区单一时相的作物分布与长势比较，或是同一地区不同时相的植被长势监测，一般只使用相同行列号的遥感影像^{[15, 16, 17]}。本研究使用两景相近时期的ETM+相邻轨道图像，在一定程度上克服了相邻轨道图像间的光谱反射率差异，实现了中尺度、大区域的冬小麦长势分析，使滨州市、东营市的冬小麦长势得以比较。整个研究区从西南至东北，逐渐靠近渤海，冬小麦分布由多变少，长势由好变差，此结果与相关研究相同^{[18, 19]}。土壤含盐量与离渤海远近有明显的关系，越靠近渤海，土壤盐分含量越高，冬小麦种植范围及长势显著受到土壤盐分状况的影响，随着土壤含盐量的升高，冬小麦种植面积呈现骤减趋势，长势也逐渐变差。

基于重叠区距离加权长势分级模型估测相邻遥感图像的植被长势分级方法可行，但仍存在不足。其一，虽然使用了两景获取时间不同的遥感图像，但其目的是消除时间差异，使更广大地区的冬小麦长势得以比较，所以仍属于单时相的长势分析，获得的小麦长势差异是相对于研究区域范围内而言的，要想获得更客观的长势分级结果可以利用遥感影像数据与地面实测的植被长势信息及冬小麦各生长周期的长势参数结合进一步探索^[20]。其二，此方法的使用前提需尽可能地保证相邻遥感影像重叠区的小麦长势相同。3月份的冬小麦处于返青-拔节期，生长迅速，若相邻遥感图像的获取时间差过大，则重叠区内的小麦长势可能发生变化，此外，小麦的生长还易受施肥、灌溉习惯的影响。因此，基于重叠区距离加权长势分级模型要求两景影像的获取时间宜尽可能接近。

(1) 滨州、东营各县(区)冬小麦获取平均精度为93.79%。小麦主要分布在滨州市的邹平县、惠民县、阳信县、博兴县、滨城区和东营市的广饶县，呈现“西多东少，南多北少”的特征。

(2) 2013年3月份黄河三角洲的冬小麦长势差、长势较差、长势中等、长势较好、长势好的比例依次为14.35%、19.47%、24.23%、15.79%、26.16%，总体呈现“西好东差，南好北差”的特点，长势由好到差的县区依次是：博兴、广饶、滨城、阳信、邹平、惠民、利津、东营区、垦利、沾化、无棣、河口。

(3) 冬小麦分布与长势状况与离渤海的远近显著相关，距离渤海越近，冬小麦分布越少，长势越差。

(4) 距离加权法逆推出的滨州市长势分级与SPSS分析的长势分级相比较，相似度高达93.95%，Kappa系数为0.92。因此，基于重叠区的距离加权长势分级模型估测相邻遥感图像植被长势的分级方法可行。