水稻空間分布遙感提取研究進(jìn)展與展望*

李志鵬，劉珍環(huán)，李正國，唐鵬欽，譚杰揚(yáng)，楊 鵬

(1．中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室，北京 100081;2．中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣州 510275)

水稻在我國糧食生產(chǎn)中占有重要地位，是我國重要的糧食作物之一，占全國糧食總播種面積的27%，而其產(chǎn)量達(dá)到全國糧食總產(chǎn)量的35%［1］。與此同時，水稻面積遙感監(jiān)測日益成為農(nóng)作物空間監(jiān)測［2］和土地變化科學(xué)［3］的熱點問題。精確的水稻種植面積信息，可為農(nóng)業(yè)生產(chǎn)、水稻產(chǎn)量的預(yù)報及評估、糧食價格預(yù)測和國家糧食生產(chǎn)布局及規(guī)劃等提供科學(xué)依據(jù)。尤其是近幾年來，隨著新型高時間、高空間、高光譜衛(wèi)星傳感器不斷涌現(xiàn)及分類方法不斷改善，極大提高了水稻種植面積遙感監(jiān)測精度和效率，目前已廣泛應(yīng)用于各種尺度上的遙感監(jiān)測中［2］，并成為獲取水稻種植面積的重要技術(shù)手段之一［4］。

但運(yùn)用遙感技術(shù)對水稻種植面積精確監(jiān)測一直是難點，這與我國水稻空間分布特點緊密相關(guān)。中國水稻生長地域跨度大，各地氣候、地形等自然條件十分復(fù)雜，水稻生長環(huán)境、生長季節(jié)和耕作制度在不同區(qū)域差異很大。依據(jù)單雙季種植方式主要分區(qū)如下:單季稻區(qū) (華北半濕潤單季稻作區(qū)、東北半濕潤早熟單季稻作區(qū)、西北干燥單季稻作區(qū)和西南高原濕潤單季稻作區(qū))、單雙混合區(qū) (華中濕潤單雙季稻作區(qū))及雙季稻區(qū) (華南濕熱雙季稻作區(qū))［5］，因此基于遙感方法獲取水稻空間分布信息在不同區(qū)域有較大差異［6］。針對區(qū)域水稻差異特征，水稻遙感監(jiān)測面臨著一系列問題:南方水稻種植制度的復(fù)雜性，包括單季稻區(qū)、單雙混合區(qū)及雙季稻區(qū)［7］;水稻生長季內(nèi)多云雨天氣，影響衛(wèi)星數(shù)據(jù)接收質(zhì)量;南方丘陵地區(qū)水稻種植分散、地塊小、形狀多樣［8］，稻田呈現(xiàn)破碎斑塊狀［9］，不利于水稻識別與提取;在中低空間分辨率影像上容易出現(xiàn)混合像元現(xiàn)象，易與周圍地物類型相混淆，如水塘、濕地以及處于灌溉期或雨水期的旱地［10］。針對上述問題，近年來已有學(xué)者廣泛開展相關(guān)研究，主要集中在針對不同遙感數(shù)據(jù)源的水稻空間分布提取方法與動態(tài)監(jiān)測上。因此，該研究擬從遙感數(shù)據(jù)源、分類方法及其相應(yīng)的特征量進(jìn)行歸納和總結(jié)水稻空間分布遙感提取最新研究進(jìn)展，以期解決水稻遙感監(jiān)測中所遇到的問題，為水稻遙感動態(tài)監(jiān)測、作物空間格局演變和農(nóng)業(yè)土地變化科學(xué)研究等提供科學(xué)支撐。

1 水稻面積遙感數(shù)據(jù)源

目前常用的水稻面積監(jiān)測遙感數(shù)據(jù)源以多光譜光學(xué)影像為主 (表1)，依據(jù)空間分辨率不同可劃分為高分辨率、中高分辨率、中低分辨率遙感影像等。此外，還包括高光譜和雷達(dá)影像數(shù)據(jù)?？傮w時間分辨率跨度從1～200天，空間分辨率從0．61～1 000m不等。

表1 水稻種植面積遙感監(jiān)測常用遙感數(shù)據(jù)源

高空間分辨率影像主要包括QuickBird、IKONOS等，分辨率在10m以內(nèi)，該類影像優(yōu)勢在于其豐富的地物紋理、色調(diào)與形狀等特征信息，能夠提高作物提取精度。徐新剛等［11］應(yīng)用QuickBird影像對綿陽實驗區(qū)油菜、冬小麥及蔬菜等多種作物類型進(jìn)行分類，獲得較好效果;Masuoka等［12］研究表明，在小區(qū)域尺度上利用IKONOS對水稻的分類精度比Landsat ETM+分類精度顯著提高27%。目前，高分辨率影像應(yīng)用于作物面積提取還局限于小范圍應(yīng)用及精度驗證，大規(guī)模的水稻面積監(jiān)測尚未推廣應(yīng)用。

中高空間分辨率影像包括Landsat TM/ETM+、Landsat OLI、SPOT、CBERS-1/2 CCD、HJ-1A/1B CCD等，其分辨率主要在10～100m之間，是當(dāng)前水稻遙感監(jiān)測最常用的數(shù)據(jù)源，其特征是衛(wèi)星類型多、覆蓋范圍廣、時間分辨率較高且時間序列較長，可實現(xiàn)大范圍水稻種植的長期監(jiān)測。Peng等［13］利用1986年和2002年兩期Landsat TM影像對麗江縣包括水稻在內(nèi)的土地利用類型進(jìn)行分析，實現(xiàn)了對過去16年間水稻種植區(qū)域變化分析;朱曉禧等［14］利用1988年和1998年Landsat TM影像，獲取了黑龍江省西部地區(qū)的水稻和玉米種植圖。中分辨率影像是當(dāng)前作物遙感監(jiān)測分類及變化監(jiān)測中常用的數(shù)據(jù)源，也是我國農(nóng)情業(yè)務(wù)運(yùn)行遙感監(jiān)測系統(tǒng)中的主要數(shù)據(jù)源，但因其時間分辨率不高，容易降低分類精度。

中低空間分辨率遙感影像包括MODIS、SPOT-VGT、NOAA-AVHRR等，分辨率在100～1 000m之間，在水稻種植面積監(jiān)測中主要應(yīng)用這類影像的NDVI、EVI、LSWI等數(shù)據(jù)產(chǎn)品。中低分辨率遙感影像具有高時間分辨率，可結(jié)合水稻種植物候信息，快速準(zhǔn)確地利用多時相遙感影像對大范圍水稻面積的監(jiān)測［10］。但中低分辨率影像其空間分辨率較低，容易出現(xiàn)混合像元現(xiàn)象。楊沈斌等［15］利用MODIS影像對河南省水稻種植分布提取研究表明，水稻種植分散且地塊面積小，易受混合像元影響，導(dǎo)致個別地區(qū)水稻面積相對誤差超過60%，需要考慮像元分解問題。國內(nèi)HJ-1A/B CCD數(shù)據(jù)，雙星組網(wǎng)后重訪周期達(dá)兩天，空間分辨率30m，具備高時空分辨率的優(yōu)勢。未來重構(gòu)時序HJ-1A/B CCD NDVI數(shù)據(jù)，將極大改善現(xiàn)有時序NDVI時空分辨率不足的缺陷。

此外，高光譜遙感數(shù)據(jù)和雷達(dá)數(shù)據(jù)也被逐步推廣應(yīng)用于水稻種植面積監(jiān)測中。目前常用的星載高光譜影像主要有EO-1 Hyperion等，該數(shù)據(jù)具有豐富的波譜信息，因此在水稻提取中有其獨(dú)特優(yōu)勢［16，17］。但星載高光譜受數(shù)據(jù)源覆蓋范圍窄，故在水稻面積監(jiān)測中未得到大范圍應(yīng)用。雷達(dá)遙感影像主要有RADARSAT SAR［18］、AirSAR［19］、ASAR［20］、ALOS/PALSAR［21］等。應(yīng)用雷達(dá)遙感影像資料進(jìn)行水稻面積監(jiān)測可以不受云、雨、霧的影響，可全天候操作，得到穩(wěn)定可靠的數(shù)據(jù)，這些特點使其能用于彌補(bǔ)光學(xué)影像在南方多云雨地區(qū)的不足，但相對于光學(xué)遙感影像而言，其信息較弱，可作為輔助數(shù)據(jù)用于補(bǔ)充多云雨地區(qū)光學(xué)影像的空缺。

總之，各種遙感數(shù)據(jù)源各有其優(yōu)勢和不足，水稻面積監(jiān)測過程中要充分發(fā)揮各種數(shù)據(jù)源的優(yōu)勢，運(yùn)用輔助數(shù)據(jù)彌補(bǔ)其不足，提高水稻面積監(jiān)測精度。因此，綜合高、中、低空間分辨率在多種尺度上開展研究，充分發(fā)揮多源遙感數(shù)據(jù)的互補(bǔ)優(yōu)勢，能夠為水稻種植面積的遙感監(jiān)測提供更為多元的數(shù)據(jù)基礎(chǔ)，組成最佳數(shù)據(jù)獲取組合，實現(xiàn)多尺度長時序動態(tài)監(jiān)測將是未來水稻遙感監(jiān)測發(fā)展的重要方向。

2 水稻面積遙感分類方法及特征量選擇

水稻面積遙感分類方法是伴隨不同類型遙感數(shù)據(jù)源和研究尺度誕生的。已有學(xué)者從3個方面對遙感分類方法進(jìn)行了簡要總結(jié)。參數(shù)分類器和非參數(shù)分類器［22］;作物分類體系［23-26］;水稻作物面積遙感分類［2，4］。為突出數(shù)據(jù)源與遙感分類技術(shù)的綜合作用，該研究針對近年來水稻作物面積遙感提取常用的分類方法，按照數(shù)據(jù)源和應(yīng)用特征量分為以下5類方法:監(jiān)督與非監(jiān)督分類、智能分類 (神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹及隨機(jī)森林等)、面向?qū)ο蠛途C合提取算法 (多源數(shù)據(jù)與多種分類算法相結(jié)合)等。遙感數(shù)據(jù)源與分類方法對應(yīng)關(guān)系見圖1。

圖1 常用水稻提取遙感數(shù)據(jù)源及遙感分類方法對應(yīng)關(guān)系

特征量是水稻面積遙感提取中的重要信息，常用特征量包括光譜特征量 (反射率、植被指數(shù))、空間特征量 (面積、周長、形狀等)、紋理特征量 (均值、協(xié)同性、信息熵、相關(guān)性等)及非遙感特征量 (物候、溫度、地形等)。不同分類算法對應(yīng)的主要特征量各有差異:監(jiān)督與非監(jiān)督分類對應(yīng)光譜特征量;智能分類中的神經(jīng)網(wǎng)絡(luò)對應(yīng)光譜特征量與非遙感特征量，支持向量機(jī)對應(yīng)光譜特征量與紋理特征量;決策樹與隨機(jī)森林算法對應(yīng)光譜特征量與非遙感特征量等多種信息;面向?qū)ο髮?yīng)光譜特征量、空間特征量及紋理特征量;時序植被指數(shù)算法對應(yīng)植被指數(shù)光譜特征量及多種非遙感特征量。

因此，準(zhǔn)確把握不同算法對應(yīng)的特征量及不同遙感數(shù)據(jù)源的差異，將極大改善水稻面積遙感提取的精度。

2.1 監(jiān)督、非監(jiān)督分類及特征選擇

監(jiān)督與非監(jiān)督分類方法應(yīng)用于作物遙感分類是伴隨著多種遙感數(shù)據(jù)源的涌現(xiàn)而不斷發(fā)展。監(jiān)督分類方法利用分類過程中研究者的區(qū)域經(jīng)驗、地面調(diào)查、結(jié)合專業(yè)知識，針對水稻種植區(qū)域進(jìn)行樣點定點觀測進(jìn)而采用一定的分類規(guī)則進(jìn)行分類提取，其中主要利用像元的光譜特征量進(jìn)行分類;在分類過程中，關(guān)鍵是感興趣區(qū)域 (ROI)選擇和分類后精度檢驗等步驟［27］。非監(jiān)督分類又稱聚類分析或點群分析，計算機(jī)按照一定規(guī)則自動地根據(jù)像元光譜特征或空間特征組成集群組，而后將各組劃分到某一類別中去，其關(guān)鍵是如何將眾多群組與研究者想要的分組匹配起來。

20世紀(jì)80年代，監(jiān)督分類就開始應(yīng)用于耕地監(jiān)測［28］，耕地作為農(nóng)業(yè)土地利用類型較容易識別，但較難區(qū)分耕地層內(nèi)部作物類型。為此，嘗試直接利用監(jiān)督分類獲取農(nóng)作物分類需要建立完善的分類規(guī)則。黃敬峰等［29］利用TM及其它輔助資料，結(jié)合監(jiān)督分類方法，在湖北龍游縣開展早稻種植面積遙感分類，獲得較好效果。此外，基于高光譜數(shù)據(jù)開展監(jiān)督法分類提取水稻面積，豐富的光譜數(shù)據(jù)表現(xiàn)出更多優(yōu)勢［30］，Rao等［17］利用星載高光譜數(shù)據(jù)Hyperion和波譜庫知識可以識別出不同水稻栽培品種，并取得較好的效果。盡管非監(jiān)督分類在水稻面積監(jiān)測應(yīng)用中不及監(jiān)督分類廣泛，但該方法具備需要人工訓(xùn)練樣本少的優(yōu)勢。因此，得到不少學(xué)者認(rèn)可。Badhwar［31］早在20世紀(jì)80年代就嘗試了利用非監(jiān)督分類方法對阿根廷夏季作物面積進(jìn)行監(jiān)測。國內(nèi)學(xué)者郝衛(wèi)平等［32］借助ISODATA非監(jiān)督分類及光譜融合技術(shù)獲得東北三省的水稻、玉米和大豆的面積，位置精度達(dá)85．7%。此外，非監(jiān)督分類結(jié)合地面樣方監(jiān)測數(shù)據(jù)，也是快速提取水稻面積的有效手段之一，在一定程度上減少監(jiān)督分類過程中人為干預(yù)造成的誤差［33］。

盡管監(jiān)督分類與非監(jiān)督分類在水稻種植面積監(jiān)測過程中取得較大進(jìn)展，但單一分類方法受到多種作物類型混種及“同物異譜”和“異物同譜”限制，導(dǎo)致分類精度不高［34］。為提高分類精度和效率，監(jiān)督分類與非監(jiān)督分類的有效結(jié)合能獲得很好效果［35］。Fang等［36］利用ISODATA非監(jiān)督分類與最大似然監(jiān)督分類相結(jié)合的方法，輔助地形數(shù)據(jù)，對朝鮮水稻面積進(jìn)行提取分類，結(jié)果與FAO統(tǒng)計的面積數(shù)據(jù)高度一致。綜上所述，監(jiān)督分類與非監(jiān)督分類仍將是未來一段時間內(nèi)水稻面積遙感監(jiān)測的基礎(chǔ)方法。

2.2 智能分類方法及特征選擇

傳統(tǒng)的監(jiān)督分類與非監(jiān)督分類受人為或地表環(huán)境因素限制，導(dǎo)致其分類精度難以達(dá)到研究目的和要求。因此，近些年來自動化程度較高的智能分類算法成為新的熱點之一。目前水稻面積提取常用的智能分類方法主要包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹及隨機(jī)森林等方法。

2．2．1 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)分類算法是神經(jīng)網(wǎng)絡(luò)算法中最常用的方法之一，與傳統(tǒng)監(jiān)督分類不同，該方法不僅具有自學(xué)、自適應(yīng)功能，能最大限度地利用先驗知識，自動提取“合理的”識別規(guī)則，同時具有容錯能力，個別訓(xùn)練樣本的分量偏差對網(wǎng)絡(luò)輸出的影響很?。?7］。

與常規(guī)監(jiān)督分類對數(shù)據(jù)源正態(tài)分布要求不同，BP神經(jīng)網(wǎng)絡(luò)則對數(shù)據(jù)源要求隨意，使得利用光譜遙感特征信息與非遙感特征信息同時開展水稻面積提取成為可能。閻靜等［38］基于BP神經(jīng)網(wǎng)絡(luò)分類算法開展水面積提取，以NDVI、日夜溫差值、土壤分布、土地利用及DEM等5個決定因素作為判別水稻覆蓋區(qū)的輸入神經(jīng)元，最終獲得較為理想的分類結(jié)果。該方法在一定程度上改善了監(jiān)督分類中的“同物異譜”、“異物同譜”現(xiàn)象。此外，概率神經(jīng)網(wǎng)絡(luò)算法 (PNN)在小區(qū)域地物識別中具有顯著優(yōu)勢，楊曉華等［39］將該方法運(yùn)用到水稻分類提取中，結(jié)果PNN水稻提取精度較BP神經(jīng)網(wǎng)絡(luò)分類精度高13%，該結(jié)果證明PNN算法在水稻面積提取中存在巨大潛力。

2．2．2 支持向量機(jī)

支持向量機(jī)法 (SVM)是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，該方法可以自動尋找到對分類有較大區(qū)別的支持向量，由此構(gòu)造成分類器，可將不同類別之間的間隔最大化，具有較好的推廣性和較高的分類準(zhǔn)確性。

支持向量機(jī)法在利用多種特征量提高水稻面積提取精度上具有顯著優(yōu)勢。單捷等［40］利用SVM、CART決策樹及最大似然監(jiān)督分類分別對環(huán)境衛(wèi)星的光譜信息 (RVI、PVI、NDVI、MSAVI2、NDWI)和紋理特征信息 (均值、方差、對比度、角二階矩及相關(guān)性)進(jìn)行水稻面積提取，結(jié)果SVM分類結(jié)果最佳。為進(jìn)一步改善SVM法在單一時相提取水稻面積時信息量不足的問題，楊沈斌等［15］采用SVM法，結(jié)合時序MODIS植被指數(shù) (EVI、LSWI)，在河南省水稻種植面積提取中獲得較好效果，平均誤差控制在6．56%。為進(jìn)一步改善時序MODIS植被指數(shù)在空間分辨率上的不足，鄔明權(quán)等［41］將MODIS產(chǎn)品數(shù)據(jù)與ETM+數(shù)據(jù)進(jìn)行時空融合，獲取多期高時空分辨率的遙感影像數(shù)據(jù)產(chǎn)品，基于SVM分類算法提取水稻面積，最終獲取分類精度高達(dá)93%，該方法在一定程度上有效地解決了利用Landsat數(shù)據(jù)進(jìn)行水稻面積提取過程中數(shù)據(jù)缺失問題。

2．2．3 決策樹

決策樹分類是基于遙感圖像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗總結(jié)、數(shù)學(xué)統(tǒng)計和歸納等方法，獲得分類規(guī)則并進(jìn)行遙感分類，其最大特點是多源數(shù)據(jù)綜合應(yīng)用［42］。而基于專家經(jīng)驗的分類規(guī)則建立是決定農(nóng)作物面積監(jiān)測精度的最關(guān)鍵因素。

決策樹優(yōu)勢在于能夠綜合運(yùn)用遙感特征量與非遙感特征量進(jìn)行水稻面積提取。20世紀(jì)80年代，該方法開始應(yīng)用于作物的識別和探測［43］。隨著近年來新型傳感器的發(fā)展，決策樹分類方法在對水稻等多種作物遙感面積監(jiān)測精度上得到極大提高。林文鵬［44］較早開展利用決策樹對水稻等多種作物識別的研究，利用MODIS多時相數(shù)據(jù)，采用波譜分析的手段，實現(xiàn)對北京地區(qū)棉花、春玉米、夏玉米、夏大豆和水稻等五種作物的遙感監(jiān)測。但基于MODIS影像數(shù)據(jù)的決策樹方法受空間分辨率的限制，僅能滿足大尺度農(nóng)情監(jiān)測的要求。鄭長春［45］改用SPOT-5衛(wèi)星影像進(jìn)行決策樹分類，水稻面積監(jiān)測精度有了顯著提高。李楊［46］結(jié)合紋理、植被指數(shù)、適度因子、坡度因子等多特征參與決策樹分類，研究區(qū)域水稻的精度高達(dá)91．30%。鑒于“稻田低溫”這一特殊現(xiàn)象［47］，曹麗琴等［48］增加了地表溫度特征因子參與決策樹分類，使得一定程度上改善地物被錯分的現(xiàn)象。

隨著國內(nèi)中高時空分辨率HJ-1A/B CCD、CBERS CCD衛(wèi)星數(shù)據(jù)的出現(xiàn)，我國水稻等作物面積監(jiān)測精度得到進(jìn)一步提高。鐘仕全等利用HJ-1B衛(wèi)星CCD數(shù)據(jù)，結(jié)合決策樹分類法提取的廣西賓陽縣水稻精度高達(dá)94．9%［49］。決策樹分類精度的提高，有賴于遙感數(shù)據(jù)源空間分辨率提高及專家豐富的經(jīng)驗知識獲取。

2．2．4 隨機(jī)森林

單一決策樹在分類過程中容易產(chǎn)生過擬合現(xiàn)象，使得分類精度降低。為改善這一不足，集成多個決策樹分類器的隨機(jī)森林算法應(yīng)運(yùn)而生，該方法是由美國科學(xué)家Leo Breiman Ho于2001年聯(lián)合發(fā)表的一種新的機(jī)器學(xué)習(xí)算法。該算法以K個決策樹為基本分類器，隨機(jī)森林輸出的分類結(jié)果由每個決策樹的分類結(jié)果簡單投票決定［50］。

該算法在遙感分類應(yīng)用中處于初步探索階段，其優(yōu)勢在于能夠利用盡可能少且簡單的人為定義參數(shù)達(dá)到較高的分類精度［51］。Lei等［52］將該方法應(yīng)用到土地利用分類中，結(jié)果隨機(jī)森林算法精度較SVM、MRF等算法精度提高2%～5%，表明該方法在水稻面積提取中同樣存在挖掘的潛力。

2.3 面向?qū)ο蠓诸惣疤卣鬟x擇

與傳統(tǒng)基于像元分類方法相比，面向?qū)ο蠓诸惙椒ㄔ诟叻直媛蔬b感影像中的應(yīng)用有巨大優(yōu)勢［53］。該分類算法不僅充分利用地物的光譜特征，同時將地物的形狀、紋理及結(jié)構(gòu)等信息考慮在內(nèi)，使得分割后形成若干互不交疊的非空子區(qū)域，減少“椒鹽效應(yīng)”;同時由于對象內(nèi)部相對均一，因而在一定程度上解決了“同物異譜”和“同譜異物”現(xiàn)象［54］。與基于像元分類方法最大不同特點，其分類的精度主要依賴于初期的分割結(jié)果質(zhì)量。

在我國，吳炳方等［55］較早開始利用面向?qū)Ψ诸惙椒▽υ囼瀰^(qū)作物進(jìn)行監(jiān)測，并取得較好的結(jié)果。針對南方丘陵地區(qū)水稻種植區(qū)相對分散、地塊小、形狀多樣等特點，陳燕麗等［8］利用SPOT-5多光譜數(shù)據(jù)，應(yīng)用面向?qū)ο蠓诸惙椒ǚ指畈⑻崛×藦V西玉林市轄區(qū)晚稻種植面積，總體精度高達(dá)96．31%。盡管面向?qū)ο笤诶酶叻直媛视跋駥λ久娣e提取精度有優(yōu)勢，但是對于分割最優(yōu)尺度選擇等問題，有待于進(jìn)一步研究和推進(jìn);面向多分辨率層次結(jié)構(gòu)的遙感影像分析方法，可以更加全面地把握遙感影像的實質(zhì)［56］，對面向?qū)ο蠓诸惖木纫灿幸欢ǖ奶岣摺?/p>

2.4 時序植被指數(shù)法及特征選擇

水稻在關(guān)鍵生長發(fā)育期 (灌溉移栽期)內(nèi)具有其獨(dú)有特征:水、水稻及土壤的混合體［57］，時序植被指數(shù)法正是利用水稻關(guān)鍵生育期內(nèi)多時相遙感影像來識別這一重要特征，將水稻與其它地物類別區(qū)分開。常用的主要數(shù)據(jù)源為多時相MODIS影像，也有部分學(xué)者在天氣條件較劣的地區(qū)采用多時相雷達(dá)遙感影像［9，20，21，58］，消除天氣狀況的影響，獲取更高的水稻識別精度。利用多時相分類方法識別水稻及估算種植面積的具體實現(xiàn)步驟:通過一種或多種時序植被指數(shù) (NDVI、EVI和LSWI)的變化規(guī)律，設(shè)定閾值，進(jìn)而將水稻的灌溉移栽期識別出來。

歸一化植被指數(shù) (NDVI)可以監(jiān)測植被生長活動的季節(jié)與變化，是植被生長狀況的最佳指示因子，時序變化曲線可以反映季節(jié)和人為活動的變化。因此可以利用多時相NDVI提取水稻關(guān)鍵生育期特征，進(jìn)而對水稻面積進(jìn)行提取。MODIS數(shù)據(jù)兼有中等空間分辨率與高時間分辨率的優(yōu)勢［59］，可以快速實現(xiàn)基于多時相NDVI植被指數(shù)對水稻面積的監(jiān)測［60-62］。針對MODIS影像數(shù)據(jù)分辨率相對較低問題，有學(xué)者提出了基于多源遙感數(shù)據(jù)進(jìn)行水稻面積綜合提取。陳樹輝［63］以時序MODIS NDVI反映水稻物候期內(nèi)生長狀況，結(jié)合HJ-1A/B CCD數(shù)據(jù)進(jìn)行關(guān)鍵物候期耕地地塊內(nèi)的變化矢量分析，通過水稻像元的特殊變化過程來區(qū)分水稻種植范圍?；跁r序NDVI植被指數(shù)提取水稻面積，是早期學(xué)者研究基于多時相植被指數(shù)快速提取水稻的一種較為有效的方法。但鑒于單一植被指數(shù)信息量有限，容易導(dǎo)致水稻面積提取精度不高，有學(xué)者提出基于多類型植被指數(shù)綜合提取水稻面積的監(jiān)測方法。

針對基于單一植被指數(shù)提取水稻面積的局限性，Xiao等［10］提出利用3種多時相植被指數(shù) (NDVI，EVI，LSWI)閾值法綜合提取水稻種植空間分布信息，建立識別水稻灌溉移栽期的模型:LSWI+0．05≥EVI或者LSWI+0．05≥NDVI，并將其應(yīng)用于中國南方13省市［10］和南亞、東南亞等地13個國家［64］的水稻種植空間分布信息提取，并取得較好的精度。國內(nèi)學(xué)者最初直接利用Xiao提出的水稻識別模型，但在部分地區(qū)存在較大誤差，需根據(jù)當(dāng)?shù)厮緦嶋H種植狀況進(jìn)行改進(jìn)。馮銳等［7］在Xiao等的基礎(chǔ)上改進(jìn)了適合于東北三省的水稻提取模型:-0．05＜LSWI移栽期＜0．35，0＜NDVI移栽期-EVI移栽期＜0．16，NDVI抽穗期-NDVI移栽期＞0．46，提取結(jié)果精度達(dá)到89．5%。還有學(xué)者嘗試基于新的植被指數(shù)來提取水稻面積信息，如歸一化建筑指數(shù) (NDBI)［65］、EVI2［66］等，使得精度得到進(jìn)一步提升。

在利用多時相植被指數(shù)遙感特征量提取水稻面積分類中，地形和物候等非遙感特征量參與分類，將有助于提高水稻面積提取的精度?？紤]到南方丘陵地形復(fù)雜，程乾等考慮將坡度信息與多時相MODIS植被指數(shù) (NDVI、EVI)結(jié)合，在一定程度上對南方水稻面積提取精度進(jìn)行了改進(jìn)。鑒于南方復(fù)雜的水稻種植制度，有學(xué)者開始嘗試基于多時相植被指數(shù)，并結(jié)合不同熟型的水稻物候信息將其區(qū)分開來，獲取早稻、晚稻和單季稻空間分布信息［67］。水稻提取精度與種植地區(qū)水稻物候歷信息密切相關(guān)，將國內(nèi)水稻種植區(qū)的物候歷信息融入到水稻遙感提取中，將是未來水稻面積遙感監(jiān)測研究的重要研究方向。

2.5 綜合分類及特征選擇

隨著遙感技術(shù)及傳感器的發(fā)展，多遙感數(shù)據(jù)源和多分類技術(shù)相結(jié)合的方法受到研究者日益重視，以改進(jìn)單一分類算法精度的不足。Lei等［68］利用專家知識分類和離散粗糙度特征對臺灣臺中市進(jìn)行水稻種植面積制圖，該方法精度比單一主成分分析法 (PCA)精度提高10．67%。汪小欽等［69］則利用多時相ASAR影像，基于主成分變換及面向?qū)ο笙嘟Y(jié)合的方法對福州地區(qū)早稻進(jìn)行提取，也取得了較好結(jié)果。除多方法相結(jié)合以外，多源遙感數(shù)據(jù)的結(jié)合同樣可以提高分類精度。鄔明權(quán)等［70］利用時序MODIS數(shù)據(jù)，結(jié)合樣區(qū)中高分辨率HJ-1 CCD影像提取水稻特征，逐像元提取水稻移栽期和生長期，不僅避免了大范圍水稻復(fù)雜分區(qū)問題，而且降低了對研究區(qū)物候歷信息的依賴，快速實現(xiàn)大面積水稻種植面積提取。此外，也有學(xué)者嘗試將多源遙感數(shù)據(jù)多種分類算法同時相結(jié)合，以進(jìn)一步提高分類精度。張健康［71］采用TM/ETM+數(shù)據(jù)和MODIS多時相EVI遙感影像數(shù)據(jù)，結(jié)合基于監(jiān)督分類與決策樹分類的人機(jī)交互解譯方法，建立決策樹識別模型，對黑龍港地區(qū)的主要作物進(jìn)行遙感解譯，與單純對TM影像進(jìn)行監(jiān)督分類相比，棉花、玉米、小麥、蔬菜等作物的精度都有提高。

3 展望

遙感技術(shù)在水稻種植面積監(jiān)測方向取得了極大進(jìn)步，但面對我國水稻區(qū)域分布差異大的特征，在多種遙感數(shù)據(jù)源應(yīng)用、分類方法及時空變化研究上仍然有提升的空間，具體表現(xiàn)在以下幾方面。

(1)未來亟待建立長時間的全國水稻物候歷信息及高時空分辨率的時序NDVI數(shù)據(jù)?？山Y(jié)合農(nóng)業(yè)氣象觀測站、水稻發(fā)育站點完成，為關(guān)鍵生育期遙感影像選擇提供技術(shù)支撐;單時相影像最佳選擇時段為水稻移栽期，多時相遙感影像選擇需要選擇整個生育期內(nèi)的遙感影像;針對時序MODIS，SPOT/VGT NDVI空間分辨率不足，未來重構(gòu)時序HJ-1A/B CCD NDVI數(shù)據(jù)，將極大改善現(xiàn)有時序NDVI提取水稻過程中其空間分辨率較低不足;多源數(shù)據(jù)的結(jié)合，是未來分類的趨勢，西南丘陵地形復(fù)雜，坡度變化較大，考慮結(jié)合DEM數(shù)據(jù)，剔除坡度較大不適宜種植的區(qū)域，以提高分類精度。

(2)由于南方水稻區(qū)復(fù)雜的種植模式，需要多時相的分類方法來提取水稻。多時相分類過程中需要多種遙感數(shù)據(jù)源的結(jié)合以提高分類精度，天氣條件較劣的地區(qū)用雷達(dá)數(shù)據(jù)補(bǔ)充。

(3)由于水稻的種植地塊破碎，需要建立分層的面向?qū)ο蠓诸惙椒▉硖崛?。分類過程中分層提取將極大改善分類精度，如首先提取耕地層，在此基礎(chǔ)上進(jìn)行水稻提取的結(jié)果將有利于改善分類精度;分類過程中需要考慮最優(yōu)尺度分割選擇等問題，未來可以設(shè)計依據(jù)紋理、形狀、波譜等多種特征信息進(jìn)行自動分割技術(shù)來達(dá)到最優(yōu)分割尺度。

(4)考慮到東北地區(qū)氣候變化明顯，需要開展種植北界、種植重心遷移等變化監(jiān)測來研究水稻遷移規(guī)律。種植北界指在氣候條件允許條件下的水稻的潛在種植區(qū)，其時空變化規(guī)律在一定程度上反映出水稻對氣候變化的響應(yīng);基于人口密度重心原理分析東北地區(qū)水稻種植重心的遷移變化規(guī)律可以整體上反映出水稻的種植趨勢和方向，為水稻生產(chǎn)及決策提供技術(shù)支持。

［1］陳曉華，張玉香，張合成．中國農(nóng)業(yè)統(tǒng)計資料2011．北京:中國農(nóng)業(yè)出版社，2012

［2］Kuenzer C，Knauer K．Remote sensing of rice crop areas．International Journal of Remote Sensing，2013，34(6):2101 ～2139

［3］Aspinall R．Editorial．Journal of land Use Science，2006，1(1):1 ～4

［4］于文穎，馮銳，紀(jì)瑞鵬，等．基于MODIS數(shù)據(jù)的水稻種植面積提取研究進(jìn)展．氣象與環(huán)境學(xué)報，2011，27(2):56～61

［5］孫華生．利用多時相MODIS數(shù)據(jù)提取中國水稻種植面積和長勢信息．杭州:浙江大學(xué)，2008

［6］姜曉劍，湯亮，劉小軍，等．中國主要稻作區(qū)水稻生產(chǎn)氣候資源的時空特征．農(nóng)業(yè)工程學(xué)報，2011，27(7):238～245

［7］張莉，吳文斌，左麗君，等．基于EOS/MODIS數(shù)據(jù)的南方水稻面積提取技術(shù)．中國農(nóng)業(yè)資源與區(qū)劃，2011，32(4):39～44

［8］陳燕麗，莫偉華，莫建飛，等．基于面向?qū)ο蠓诸惖哪戏剿痉N植面積提取方法．遙感技術(shù)與應(yīng)用，2011，26(2):163～168

［9］李坤，邵蕓，張風(fēng)麗．基于RadarSat-2全極化數(shù)據(jù)的水稻識別．遙感技術(shù)與應(yīng)用，2012，27(1):86～93

［10］Xiao X，Boles S，Liu J，et al．Mapping paddy rice agriculture in southern China using multi-temporal MODIS images．Remote Sensing of Environment，2005，95(4):480 ～492

［11］徐新剛，李強(qiáng)子，周萬村，等．應(yīng)用高分辨率遙感影像提取作物種植面積．遙感技術(shù)與應(yīng)用，2008，23(1):17～23

［12］Masuoka P M，Claborn D M，Andre R G，et al．Use of IKONOs and Landsat for malaria control in the Republic of Korea．Remote sensing of environment，2003，88(1):187～194

［13］Peng J，Wu J，yin H，et al．Rural land use change during 1986-2002 in Lijiang，China，based on remote sensing and GIS data．Sensors，2008，8(12):8201～8223

［14］朱曉禧，方修琦，王媛．基于遙感的黑龍江省西部水稻、玉米種植范圍對溫度變化的響應(yīng)．地理科學(xué)，2008，28(1):66～71

［15］楊沈斌，景元書，王琳，等．基于MODIS時序數(shù)據(jù)提取河南省水稻種植分布．大氣科學(xué)學(xué)報，2012，35(1):113～120

［16］Yuan J，Niu Z．Classification Using EO-1 Hyperion Hyperspectral and ETM+Data．Haikou:2007

［17］Rao N R，Garg P K，Ghosh S K．Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data．Precision Agriculture，2007，8(4):173 ～185

［18］Ribbes F．Rice field mapping and monitoring with RADARSAT data．International Journal of Remote Sensing，1999，20(4):745 ～765

［19］Del Frate F，Schiavon G，Solimini D，et al．Crop classification using multiconfiguration C-band SAR data．IEEE Transactions on Geoscience and Remote Sensing，2003，41(7):1611～1619

［20］Bouvet A，Le Toan T．Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta．Remote Sensing of Environment，2011，115(4):1090 ～1101

［21］Zhang Y，Wang C，Wu J，et al．Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China．International Journal of Remote Sensing，2009，30(23):6301～6315

［22］賈坤，李強(qiáng)子，田亦陳，等．遙感影像分類方法研究進(jìn)展．光譜學(xué)與光譜分析，2011，31(10):2618～2623

［23］楊鵬，唐華俊，劉佳．作物遙感估產(chǎn)中自動分類方法研究進(jìn)展與展望．中國農(nóng)業(yè)資源與區(qū)劃，2000，21(2):57～60

［24］許文波，田亦陳．作物種植面積遙感提取方法的研究進(jìn)展．云南農(nóng)業(yè)大學(xué)學(xué)報，2005，20(1):94～98

［25］陳水森，柳欽火，陳良富，等．糧食作物播種面積遙感監(jiān)測研究進(jìn)展．農(nóng)業(yè)工程學(xué)報，2005，21(6):166～171

［26］唐華俊，吳文斌，楊鵬，等．農(nóng)作物空間格局遙感監(jiān)測研究進(jìn)展．中國農(nóng)業(yè)科學(xué)，2010，43(14):2879～2888

［27］黃敬峰，Yaghi Ahmad，王人潮．利用GIS與TM資料集成技術(shù)估算龍游縣早稻面積．農(nóng)業(yè)工程學(xué)報，2001，17(1):159～162

［28］Sandham L A，Van Rensburg P A J．Landsat as an aid in evaluating the adequacy of a grain silo network．Remote Sensing of Environment，1987，21(2):229～241

［29］黃敬峰，王人潮，蔣亨顯，等．基于GIS的浙江省水稻遙感估產(chǎn)最佳時相選擇．應(yīng)用生態(tài)學(xué)報，2002，13(3):290～294

［30］Shwetank J K，Bhatia K F．Review of rice crop identification and classification using Hyper spectral image processing system．International Journal of Computer Science and Communication，2010，1(1):253～258

［31］Badhwar G D，Gargantini C E，Redondo F V．Landsat classification of Argentina summer crops．Remote Sensing of Environment，1987，21(1):111～117

［32］郝衛(wèi)平，梅旭榮，蔡學(xué)良，等．基于多時相遙感影像的東北三省作物分布信息提取．農(nóng)業(yè)工程學(xué)報，2011，27(1):201～207，插1

［33］黃振國，陳仲新，劉芳清，等．利用SPOT5影像提取水稻種植面積的研究-以湖南株洲市區(qū)為例，湖南農(nóng)業(yè)大學(xué)學(xué)報 (自然科學(xué)版)，2013，39(02):137～140

［34］趙春霞，錢樂祥．遙感影像監(jiān)督分類與非監(jiān)督分類的比較．河南大學(xué)學(xué)報 (自然科學(xué)版)，2004，34(3):90～93

［35］張峰，吳炳方．泰國水稻種植面積月變化的遙感監(jiān)測．遙感學(xué)報，2004，8(6):664～671

［36］Jang M，Choi J，Lee J．A spatial reasoning approach to estimating paddy rice water demand in Hwanghaenam-do，North Korea．Agricultural Water Management，2007，89(3):185 ～198

［37］陳啟浩，高偉，劉修國．輔以紋理特征的高分辨率遙感影像分類．測繪科學(xué)，2008，33(1):88～90

［38］閻靜，王汶，李湘閣．利用神經(jīng)網(wǎng)絡(luò)方法提取水稻種植面積-以湖北省雙季早稻為例．遙感學(xué)報，2001，5(3):227～230

［39］楊曉華，黃敬峰．概率神經(jīng)網(wǎng)絡(luò)的水稻種植面積遙感信息提取研究．浙江大學(xué)學(xué)報 (農(nóng)業(yè)與生命科學(xué)版)，2007，33(6):691～698

［40］單捷，岳彩榮，江南，等．基于環(huán)境衛(wèi)星影像的水稻種植面積提取方法研究．江蘇農(nóng)業(yè)學(xué)報，2012，28(4):728～732

［41］鄔明權(quán)，牛錚，王長耀．利用遙感數(shù)據(jù)時空融合技術(shù)提取水稻種植面積．農(nóng)業(yè)工程學(xué)報，2010，26(2):48～52

［42］Friedl M A，Brodley C E．Decision tree classification of land cover from remotely sensed data．Remote Sensing of Environment．1997，61(3):399～409

［43］Belward A S，de Hoyos A．A comparison of supervised maximum likelihood and decision tree classification for crop cover estimation from multitemporal LANDSAT MSS data．International Journal of Remote Sensing，1987，8(2):229 ～235

［44］林文鵬，王長耀，儲德平，等．基于光譜特征分析的主要秋季作物類型提取研究．農(nóng)業(yè)工程學(xué)報，2006，22(9):128～132

［45］鄭長春，王秀珍，黃敬峰．基于特征波段的SPOT-5衛(wèi)星影像水稻面積信息自動提取的方法研究．遙感技術(shù)與應(yīng)用，2008，23(3):294～299

［46］李楊，江南，呂恒，等．基于水稻特征波段的決策樹分類研究．地理與地理信息科學(xué)，2010，26(2):11～14，41，封2

［47］李郁竹，曾燕．應(yīng)用NOAA/AVHRR數(shù)據(jù)測算局地水稻種植面積方法研究．遙感學(xué)報，1998，2(2):125～130

［48］曹麗琴，李平湘，張良培，等．基于多地表特征參數(shù)的遙感影像分類研究．遙感技術(shù)與應(yīng)用，2010，25(1):38～44

［49］鐘仕全，莫建飛，陳燕麗，等．基于HJ-1B衛(wèi)星遙感數(shù)據(jù)的水稻識別技術(shù)研究．遙感技術(shù)與應(yīng)用，2010，25(4):464～468

［50］董師師，黃哲學(xué)．隨機(jī)森林理論淺析．集成技術(shù)，2013，2(1):1～7

［51］Pal M．Random forest classifier for remote sensing classification．International Journal of Remote Sensing，2005，26(1):217 ～222

［52］Lei Z，F(xiàn)ang T，Li D．land cover classification for remote sensing imagery using conditional texton forest with historical land cover map．Geoscience and Remote Sensing Letters，IEEE，2011，8(4):720～724

［53］張俊，于慶國，侯家槐．面向?qū)ο蟮母叻直媛视跋穹诸惻c信息提取．遙感技術(shù)與應(yīng)用，2010，(1):112～117

［54］湯傳勇，盧遠(yuǎn)．利用面向?qū)ο蟮姆诸惙椒ㄌ崛∷痉N植面積．遙感信息，2010，(1):53～56

［55］吳炳方，許文波，孫明，等．高精度作物分布圖制作．遙感學(xué)報，2004，8(6):688～695

［56］朱國賓．面向多分辨率層次結(jié)構(gòu)的遙感影像分析方法．武漢大學(xué)學(xué)報:信息科學(xué)版，2003，28(3):315～320

［57］Xiao X，Boles S，F(xiàn)rolking S，et al．Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data．International Journal of Remote Sensing，2002，23(15):3009 ～3022

［58］Conrad C，F(xiàn)ritsch S，Zeidler J，et al．Per-Field Irrigated Crop Classification in Arid Central Asia Using SPOt and ASTER Data．Remote Sensing，2010，2(4):1035～1056

［59］Zhang X，F(xiàn)riedl M A，Schaaf C B，et al．Monitoring vegetation phenology using MODIS．Remote Sensing of Environment，2003，84(3):471～475

［60］闕牡云，李秀芬，韓俊杰．基于多時相MODIS數(shù)據(jù)的黑龍江省水稻種植面積動態(tài)監(jiān)測研究．黑龍江氣象，2010，27(2):21～22

［61］黃青，吳文斌，鄧輝，等．2009年江蘇省冬小麥和水稻種植面積信息遙感提取及長勢監(jiān)測．江蘇農(nóng)業(yè)科學(xué)，2010，(6):508～511

［62］黃青，唐華俊，周清波，等．東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長勢監(jiān)測．農(nóng)業(yè)工程學(xué)報，2010，26(9):218～223

［63］陳樹輝，李楊，曾凡君，等．基于多源數(shù)據(jù)的水稻種植面積提?。不辙r(nóng)業(yè)科學(xué)，2011，39(12):7442～7444

［64］Xiao X，Boles S，F(xiàn)rolking S，et al．Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images．Remote Sensing of Environment，2006，100(1):95～113

［65］Bridhikitti A，Overcamp T J．Estimation of Southeast Asian rice paddy areas with different ecosystems from moderate-resolution satellite imagery．Agriculture，Ecosystems＆ Environment，2012，146(1):113 ～120

［66］Kurnia Jayanti I A G，Osawa T，Sandi Adnyana I W，et al．Multitemporal MODIS Data to Mapping Rice Field Distribution in Bali Province of Indonesia Based on the Temporal Dynamic Characteristics of the Rice Plant．Earth Science Research，2012，1(1):64

［67］Peng D，Huete A R，Huang J，et al．Detection and estimation of mixed paddy rice cropping patterns with MODIS data．International Journal of Applied Earth Observation and Geoinformation，2011，13(1):13～23

［68］Lei T C，Wan S，Chou T Y．The comparison of PCa and discrete rough set for feature extraction of remote sensing image classification-A case study on rice classification，Taiwan．Computational Geosciences，2008，12(1):1 ～14

［69］汪小欽，王欽敏，史曉明，等．基于主成分變換的ASAR數(shù)據(jù)水稻種植面積提?。r(nóng)業(yè)工程學(xué)報，2008，24(10):122～126

［70］鄔明權(quán)，王長耀，牛錚．利用多源時序遙感數(shù)據(jù)提取大范圍水稻種植面積．農(nóng)業(yè)工程學(xué)報，2010，26(7):240～244

［71］張健康，程彥培，張發(fā)旺，等．基于多時相遙感影像的作物種植信息提?。r(nóng)業(yè)工程學(xué)報，2012，28(2):134～141