金乡县地处中国东部的鲁西南平原腹地，地理位置介于东经116˚7'~116˚30'，北纬34˚52'~35˚40'，县域面积为886平方公里，其中耕地面积626.58平方千米。金乡县农业产业在全国处于重要地位，是中国著名的大蒜之乡，金乡大蒜的出口量占全国出口总量的比重居全国县(市)区之首 [4] 。

本研究以金乡县为研究区，遥感数据均来自地理空间数据云。研究区春季主要种植的农作物为小麦、大蒜，根据其返青时期一般在1~4月份 [5] ，综合考虑遥感影像的成像时间、空间分辨率和光谱分辨率，本研究选取了2016年3月10日、2017年2月9日、2018年4月17日、2018年12月13日4期Landsat 8 OLI影像对济宁市金乡县小春作物的种植情况进行监测研究。该时间段的小麦和大蒜处于返青期，土壤背景与农作物颜色差异大，除常绿植被外其他均处于枯萎期，影像区分明显，非常适合小麦和大蒜种植面积的提取 [1] 。

传统的监督分类主要是根据训练样本的像元光谱信息进行地物的分类，分类的精度易受同种地物具有不同波谱信息和同一波谱属于不同地物的影响 [6] 。面向对象分类方法是集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用中高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，实现不同地物的分类提取，该方法能够有效地改善“同物异谱”和“同谱异物”的问题 [7] ，而且还能够准确地避免地物提取过程中出现的“椒盐现象”。面向对象的分类方法。该算法分为两个步骤：发现对象(Find Object)和特征提取( Feature Extraction)。该方法的研究内容包括：NDVI、色彩转换、影像分割与融合；在特征抽取方面，主要包括样本的选择，样本属性的设定，以及分类算法的选择。对提取的多期小春作物种植面积进行精度评定后，再对其进行时空动态变化分析。

由于四景Landsat 8影像成像时天气晴朗，后面的信息提取采用的是基于规则的面向对象提取方法，这里不进行辐射定标、大气校正。四个角度的图像都是没有偏移的，不进行几何校正。本文拟采用 ENVI软件中的NNDiffus Pan Sharpening，实现30米分辨率多光谱和15米全色波段的15米分辨率遥感影像的融合，使其能够很好地保持影像的颜色、纹理、光谱等特征，并结合金乡县的矢量边界资料，对研究区4个时相的遥感影像进行剪切处理，获得高精度的影像。之后进行面向对象分类提取，精度评价以及种植面积时空变化分析与种植重心变化分析，研究的详细技术流程如 图1 所示。

为消除城市中常绿植物对于提取大蒜、小麦面积的影响，对城市进行掩膜，提高小春作物种植面积的提取精度，矢量化的结果图如下 图2 。

矢量数据加载到ENVI中，使用build Mask工具建立掩膜，因为在做掩膜后只含有城市，而不是我们所需要的，所有使用Band Math工具输入公式(1 − b1)进行掩膜反转，b1为建立掩膜得到的数据，掩膜后得到的结果图如 图3 。

归一化植被指数(Normalized Difference Vegetation Index, NDVI)是众所周知的一种植被指数，在LAI值很高，即植被茂密时，其灵敏度会降低 [8] 。计算公式为

$\text{NDVI}=\frac{{\rho }_{\text{NIR}}-{\rho }_{RED}}{{\rho }_{\text{NIR}}+{\rho }_{RED}}$(1)

式中： ${\rho }_{\text{NIR}}$表示近红外波段的反射率，即Landsat 8 OLI影像的band 5， ${\rho }_{RED}$表示红光波段的反射率，即Landsat 8 OLI影像的band 4 [8] 。

Normalized Difference参数选取：选择两个波段进行归一化植被指数计算，计算公式为(Band2 − Band1)/(Band2 + Band1)，再结合公式(1)，我们可以知道，若Band2为近红外波段、Band1为红波段，Normalized Difference的值便是归一化植被指数。

影像分割与合并的尺度会影响农作物提取的精度 [3] 。经过反复的实验与调试，最后确定了图像分割模块中的参数：采用了一种基于边界提取的图像分割方法，并将其划分为20级；选取Full Lambda Schedule中的融合算法，将比例定为10，其它有关参数按照ENVI的缺省值进行设定。

在Rule-based Classification步骤中，需要添加类别并制定规则。

新建大蒜和小麦类别，Attributes中Type选择Spectral，Name选择Spectral Mean，Band下面选择Normalized Difference。(在第一步自定义波段中选择的波段是红色和近红外波段所以在此计算的是NDVI)。通过拖动滑条、手动输入或者通过选择样本统计的方法获取分类阈值。通过选择样本统计获取分类阈值：打开Region Mean头文件并复制文件路径。重新启动一个ENVI，打开前面复制的路径，同时打开金乡县15米的Landat8融合影像数据。参考融合结果影像，目视选择一部分大蒜以及小麦区域的ROI，在图层管理器的ROI上右键选择Statistics，统计ROI对应band8的最大值和最小值。回到第一个ENVI中，将上一步统计得到的阈值输入show Attribute Image中，勾选Preview预览提取结果，如果不合适，选择更多的ROI进行统计。4期影像分类阈值如 表1 所示。得到的结果图如下 图4 所示。

对研究区创建了一些训练样本，并使用ENVI计算ROI可分离性工具对训练样本进行了评价，其各个类别可分离度均控制在1.85~1.95之间，表示所选择样本合格，满足需求。

采用面向对象分类方法进行分类，以谷歌遥感影像解译为基础，在研究区中随机选取50~100个样点，实现各类样点的数量与总像元数量的对应关系。依据混淆矩阵得到各项评价指标：总分类精度达到93.43%以上，Kappa系数达到0.86以上，大蒜错分误差达到8.14%以下，小麦错分误差达到7.43%以下，大蒜制图精度达到91.85%以上，小麦制图精度达到92.56%以上，大蒜用户精度达到89.30%以上，小麦用户精度达到97.83%以上总体分类精度较高。

为了验证本研究所提出的面向对象的分类结果的精度，我们以年为单位统计大蒜、小麦面积，将该结果与政府网站公布数据大蒜、小麦面积进行比较分析，各年大蒜的提取误差在6.28~19.57万亩之间，各年小麦的提取误差在0.59~7.28万亩之间，具体如 图5 、 图6 所示。对于此次的结果与金乡县政府网站公布结果存在偏差，原因主要是农作物种植区邻近的小道及田坎部分容易被生长的农作物覆盖，且其光谱、形状特征与作物的特征近似，易被提取为农作物种植区，一定程度的影响提取精度，如何去除这些影响因素有待进一步研究。

农作物种植面积空间动态变化分析：在2016~2019年里，由 图7 我们可以看出金乡县大蒜种植面积呈现先增加后减少的趋势，而小麦种植面积则是先减少后增加，大蒜、小麦4年内具体种植面积变化率如 表2 所示。

本研究在对金乡县主要春种作物种植面积进行监测与分析的基础上，引入种植重心，通过对全县主要春种作物种植重心的变化进行分析，探究其总体趋势，从而更加精确地掌握与分析全县单类作物种植的重心、趋势以及各镇农作物种植之间的相互带动作用，从而为明年的粮种补贴工作做好准备，建立一个合理、稳定的农业支持政策，推动农民增收增产。具体如 表3 所示：