基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取

李根，景元書，王琳，楊沈斌

(南京信息工程大學(xué)1．江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室;2．應(yīng)用氣象學(xué)院，江蘇南京210044)

基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取

李根1，2，景元書1，2，王琳1，2，楊沈斌1，2

(南京信息工程大學(xué)1．江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室;2．應(yīng)用氣象學(xué)院，江蘇南京210044)

水稻是中國的主要糧食作物，及時獲取水稻種植面積和空間分布信息對指導(dǎo)水稻生產(chǎn)、調(diào)整區(qū)域供需平衡等具有重要的意義。以江蘇省為例，利用2009—2011年連續(xù)三年的MODIS 8 d合成地表反射率數(shù)據(jù)(MODIS09A1)，計(jì)算了歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)和陸表水指數(shù)(land surface water index，LSWI)。結(jié)合水稻在不同生長發(fā)育期EVI的時間序列變化特征，確定了水稻面積提取的關(guān)鍵生育期。根據(jù)水稻移栽期稻田土壤含水量高的特征，利用NDVI、EVI和LSWI三種指數(shù)構(gòu)建判別條件，確定可能種植水稻的區(qū)域。利用線性光譜混合像元分解模型對包含水稻的混合像元進(jìn)行分解，得到江蘇省三年水稻種植空間分布。最后，選取研究區(qū)內(nèi)的水稻典型樣區(qū)，利用與MODIS同時期的較高分辨率的環(huán)境小衛(wèi)星HJ-1 CCD(30 m)數(shù)據(jù)提取水稻種植面積和空間分布，以此作為參考數(shù)據(jù)進(jìn)行精度驗(yàn)證，同時利用統(tǒng)計(jì)部門的江蘇省水稻種植面積統(tǒng)計(jì)數(shù)據(jù)對江蘇省水稻面積進(jìn)行驗(yàn)證，兩種方法驗(yàn)證后表明誤差均在10%以內(nèi)。研究表明，采用MODIS09A1數(shù)據(jù)結(jié)合線性光譜混合模型可以更高精度地提取大范圍的水稻種植面積。

水稻;MODIS;時間序列植被指數(shù);混合像元分解;面積提取

0 引言

中國糧食作物總種植面積的30%為水稻種植面積，其在糧食總產(chǎn)中約占50%(鄭長春等，2009)?？焖倬珳?zhǔn)地獲得水稻空間分布和種植面積信息，能為各級政府指導(dǎo)水稻生產(chǎn)、調(diào)整區(qū)域供需平衡提供科學(xué)依據(jù)。在水稻主產(chǎn)區(qū)，往往需要消耗超過80%的水資源用于水田灌溉(FAOSTAT，2001)。因此，及時準(zhǔn)確地進(jìn)行水稻種植面積測量估算對中國的糧食安全和合理分配水資源等都具有非常重要的意義(Jang et al.，2007)。目前農(nóng)業(yè)統(tǒng)計(jì)報表法和抽樣調(diào)查法仍然是獲取大范圍水稻面積的主要方法。由于這些常規(guī)方法不能夠及時準(zhǔn)確地獲取大范圍水稻種植信息，難以滿足農(nóng)業(yè)生產(chǎn)管理對農(nóng)情監(jiān)測信息的需求(王人潮和史丹，2003)。遙感是一種高新技術(shù)，它可以準(zhǔn)確及時地獲取農(nóng)業(yè)資源和農(nóng)業(yè)生產(chǎn)信息，是傳統(tǒng)農(nóng)業(yè)向信息農(nóng)業(yè)過渡的主要技術(shù)方法。

在過去幾十年的研究中，提取大范圍水稻種植信息多采用Landsat、SPOT-5、NOAA衛(wèi)星影像數(shù)據(jù)。Okamoto and Fukuhara(1996)利用TM影像對水稻的種植分布狀況和面積進(jìn)行了提取;Van Niel et al.(2003)利用NOAA/AVHRR來確定水稻田的分布情況。但是，由于NOAA/AVHRR本身主要不是為了研究農(nóng)業(yè)生產(chǎn)信息和農(nóng)情監(jiān)測所設(shè)計(jì)，其數(shù)據(jù)雖然時間分辨率高、覆蓋面積大，但其空間分辨率偏低。而Landsat影像具有較高的空間分辨率，但重訪周期長、時間分辨率低，且常受云等不利天氣影響，所以應(yīng)用于大范圍的水稻監(jiān)測時受到一定限制。

Terra/MODIS影像數(shù)據(jù)由于其對全球范圍地區(qū)每天覆蓋一次，且具有較高的光譜分辨率，為監(jiān)測大尺度范圍內(nèi)的水稻面積提供了新的依據(jù)。張友水等(2007)采用多時相MODIS數(shù)據(jù)，利用稻田含水量與植被指數(shù)實(shí)現(xiàn)了水田面積的提取。程乾和王人潮(2005)、張春桂等(2007)、王人潮和黃敬峰(2002)采用多期MODIS數(shù)據(jù)結(jié)合數(shù)字高程信息進(jìn)行了水稻面積的提取。楊沈斌等(2012)利用MODIS時序影像提取水稻相似性指數(shù)來對水稻種植面積進(jìn)行提取。上述研究發(fā)現(xiàn)，利用MODIS數(shù)據(jù)進(jìn)行水稻種植信息識別提取研究，能更好地與土壤和植被水分含量、植被指數(shù)等建立線性相關(guān)關(guān)系。但是，目前的相關(guān)研究中，由于MODIS的空間分辨率相對來說不高，故其在監(jiān)測大尺度范圍水稻方面普遍存在著混合像元問題。許文波等(2007)利用混合像元分解的方法提取冬小麥種植面積，其提取結(jié)果的相對誤差為5.25%。吳健平和楊星衛(wèi)(1996)利用NOAA/AVHRR數(shù)據(jù)和模糊監(jiān)督分類法，對1992和1993年的上海水稻種植面積信息進(jìn)行混合像元分解提取，精度分別為92.0%和95.4%。目前，在國內(nèi)對于應(yīng)用MODIS數(shù)據(jù)提取水稻種植信息中存在的混合像元問題還有待研究。

本文以江蘇省為例，針對中低分辨率衛(wèi)星MODIS數(shù)據(jù)的高時間分辨率特征，利用MODIS的8 d合成的地表反射率數(shù)據(jù)，基于MODIS時間序列植被指數(shù)，結(jié)合水稻生長過程，提取江蘇省水稻種植面積信息，并對所提取出的水稻像元進(jìn)行線性混合像元分解，以期改善MODIS空間分辨率低和分類精度不足的缺點(diǎn)，提高M(jìn)ODIS遙感圖像的應(yīng)用前景。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

江蘇省(116°18＇～121°57＇E，30°45＇～35°20＇N)，屬亞熱帶和暖溫帶過渡地帶，具有明顯的季風(fēng)氣候特征。全省面積約10.26萬 km2，其中耕地面積490.2萬hm2，占全國的3.97%。年日照時數(shù)2 000～2 600 h，年平均氣溫13～16℃，無霜期200～240 d，年均降雨量800～1 200 mm。光熱條件較好，對喜溫和中溫作物的生長較適合。農(nóng)業(yè)種植制度主要為冬小麥(或油菜)與水稻輪作。

本文選擇了鎮(zhèn)江市新民洲區(qū)作為水稻特征提取與面積提取精度評價的樣區(qū)，其經(jīng)緯度范圍為119.25 ～119.45°E、32.10 ～32.25°N。

1.2 數(shù)據(jù)介紹

1)MODIS數(shù)據(jù)。采用MODIS的8 d反射率合成產(chǎn)品數(shù)據(jù)(MOD09A1)，它來自美國國家航空航天局網(wǎng)站(http://www.modis-land.gsfc.nasa.gov)。MOD09A1數(shù)據(jù)的時間范圍為2009—2011年6月1日至8月31日，空間分辨率為500 m，時間分辨率為8 d，包含紅、綠、藍(lán)、近紅外和短波紅外等7個波段。

2)環(huán)境減災(zāi)小衛(wèi)星數(shù)據(jù)(HJ-1)。根據(jù)天氣條件、影像質(zhì)量和樣區(qū)水稻物候特征，選取了2009-07-31、2010-08-21和2011-08-09三期 HJ-1CCD數(shù)據(jù)。HJ-1衛(wèi)星的空間分辨率為30 m，它與Landsat TM數(shù)據(jù)的波段光譜特性相似，數(shù)據(jù)易獲取，所以選用HJ-1CCD數(shù)據(jù)進(jìn)行水稻種植信息提取研究具有一定優(yōu)勢。

3)地面測量和統(tǒng)計(jì)數(shù)據(jù)。地面統(tǒng)計(jì)數(shù)據(jù)主要作為水稻識別的先驗(yàn)知識和精度評價的標(biāo)準(zhǔn)。本文采用江蘇省統(tǒng)計(jì)局提供的江蘇省統(tǒng)計(jì)年鑒中近3 a主要農(nóng)作物物候歷和水稻種植面積等統(tǒng)計(jì)數(shù)據(jù)(江蘇省地方志編纂委員會，1999;江蘇省統(tǒng)計(jì)局，2010，2011)。物候歷作為先驗(yàn)知識，用于水稻特征提取中HJ-1衛(wèi)星數(shù)據(jù)日期的選擇;地面測量數(shù)據(jù)為運(yùn)用FieldSpec 3光譜儀在樣區(qū)所測得的水稻生育期內(nèi)各時間段的光譜曲線，用于進(jìn)行混合像元分解時的波譜參考數(shù)據(jù)。水稻種植面積統(tǒng)計(jì)數(shù)據(jù)用于遙感識別結(jié)果的精度驗(yàn)證。

圖1 技術(shù)流程圖Fig.1 Flow chart of algorithm

2 研究方法

2.1 技術(shù)路線

本文利用水稻特有的移栽期地表水分指數(shù)(land surface water index，LSWI)與增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)的變化特征來實(shí)現(xiàn)水稻的提取。首先利用長時間序列的MODIS-EVI的變化特征，通過水稻在 MODIS影像上移栽期LSWI與EVI的變化特征實(shí)現(xiàn)對江蘇省水稻的識別和提取。再根據(jù)線性光譜混合像元分解模型對所提取的水稻像元進(jìn)行混合像元分解提純，得到水稻豐度圖。然后在江蘇省水稻物候歷的支持下，在江蘇省選擇1個具有地理代表性的市縣作為樣區(qū)，利用樣區(qū)多時相HJ-1CCD數(shù)據(jù)進(jìn)行水稻種植面積提取，得到較高分辨率的水稻種植信息分布圖，作為MODIS水稻種植面積提取的精度驗(yàn)證參考。最后利用樣區(qū)HJ衛(wèi)星水稻種植面積分布圖和江蘇省統(tǒng)計(jì)局水稻種植面積統(tǒng)計(jì)數(shù)據(jù)對識別結(jié)果進(jìn)行精度評價。技術(shù)流程見圖1。

2.2 數(shù)據(jù)預(yù)處理

江蘇省地跨兩景圖像(H27V05、H28V05)，產(chǎn)品下載后需要進(jìn)行拼接，并對拼接后的圖像進(jìn)行投影和坐標(biāo)系轉(zhuǎn)換。將原始投影方式為等面積正弦曲線投影(sinusoidal projection)的 MODIS數(shù)據(jù)轉(zhuǎn)換成ALBERS等積投影，使所有數(shù)據(jù)在相同的投影坐標(biāo)系下。利用江蘇省省界矢量圖層作為掩膜，裁切經(jīng)過鑲嵌和投影轉(zhuǎn)換后的圖像，得到覆蓋江蘇省的MODIS圖像。

2.3 植被指數(shù)計(jì)算

利用MODIS數(shù)據(jù)的三種植被指數(shù)進(jìn)行水稻信息提取。這三種植被指數(shù)包括歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、增強(qiáng)型植被指數(shù)(EVI)和陸表水指數(shù)(LSWI)，主要利用植被在藍(lán)光波段(ρblue，459～479 nm)、紅光波段(ρred，620 ～ 670 nm)、近紅外波段(ρnir，841 ～ 876 nm)、短波紅外波段(ρswir，1 628 ～1 652 nm)的反射率計(jì)算得到。

它們的計(jì)算公式(Huete et al.，1997;Xiao et al.，2005)為

式中:ρ為反射率。

NDVI在植被覆蓋監(jiān)測上應(yīng)用比較廣泛。與NDVI相比，EVI對土壤背景和氣溶膠的影響較不敏感，而且在植被覆蓋度高的地區(qū)不容易飽和(Huete et al.，2002)。當(dāng)土壤濕度高時，使用 EVI指數(shù)更合適(Sakamoto et al.，2005)。且水稻在生長最旺盛時期的葉面積指數(shù)很高，故EVI比NDVI更適合對水稻進(jìn)行監(jiān)測。因此，研究選取EVI作為識別水稻生長發(fā)育期的依據(jù)，確定提取水稻的關(guān)鍵期。在水稻的多數(shù)生長期內(nèi)，稻田的反射光譜是陸地表面水體和水稻秧苗及其他地物的混合光譜(Xiao et al.，2005)。因此還需要構(gòu)建對水體較為敏感的植被指數(shù)。LSWI利用對土壤濕度和植被水分敏感的短波紅外波段，可以監(jiān)測土壤濕度變化。

2.4 水稻種植面積提取

2.4.1 水稻特征提取

根據(jù)水稻的生理特性，農(nóng)田為了便于插秧，在水稻移栽前需要對稻田進(jìn)行灌水，此時稻田的土壤含水量很高。因此，在水稻移栽期從遙感圖像中根據(jù)此時稻田含水量高的特點(diǎn)，可將水稻鑒別提取出來并能很好地與其他作物區(qū)分。

圖2是江蘇省耕地范圍內(nèi)EVI的時間序列變化曲線，其中橫坐標(biāo)為MODIS09A1數(shù)據(jù)獲取時間，縱坐標(biāo)為EVI的值。對于江蘇省而言，5月底6月初水稻開始進(jìn)行移栽，此時水稻田EVI處于低谷。在水稻的移栽期，由于水稻田中需要灌溉大量的水，因此此時水稻田的EVI值最低。稻田在水稻移栽后秧苗會迅速返青，此時稻田中的EVI值將略微增加。在之后的1至2周時間，水稻根系和葉系將開始生長并進(jìn)入分蘗期，此時稻田的EVI值由于水稻分蘗數(shù)量增加而快速增加。水稻在8月初左右將從營養(yǎng)生長開始轉(zhuǎn)入生殖生長，植株內(nèi)的養(yǎng)分逐漸轉(zhuǎn)入到籽粒中，植株的生物量逐漸下降，此時EVI值達(dá)最大，對應(yīng)著水稻的抽穗期(Sakamoto et al.，2005)。抽穗期以后，水稻葉片逐步衰老直至死亡，此時水稻田EVI值開始慢慢下降。

圖2 2009—2011年江蘇省耕地范圍內(nèi)EVI的時間變化Fig.2 Time variation of enhanced vegetation index(EVI)of cropland in Jiangsu Province from 2009 to 2011

2.4.2 水稻的識別

根據(jù)研究區(qū)影像和研究區(qū)的水稻種植特點(diǎn)，通過監(jiān)測對土壤和植被水分含量較為敏感的LSWI指數(shù)和對土壤背景不敏感的EVI指數(shù)的變化來作為水稻識別和提取的重要依據(jù)。在研究區(qū)域內(nèi)提取水稻種植面積信息會因部分地區(qū)水稻移栽日期不同而造成一定困難。通過分析研究區(qū)多時相MODIS 8 d合成地表反射率數(shù)據(jù)中EVI和LSWI指數(shù)的變化特征，得知在水稻生長發(fā)育期內(nèi)，EVI通常都大于LSWI。只有在移栽期，稻田水分含量高，像元的反射光譜表現(xiàn)為EVI小于LSWI(Xiao et al.，2005)。因此，根據(jù)研究，當(dāng)某個移栽期水稻像元符合EVI≤(LSWI+0.05)這一特征時，則該像元就可能為水稻像元(Xiao et al.，2005)。江蘇省范圍內(nèi)水稻的移栽期集中在6月，因此可以利用5月底至7月初的數(shù)據(jù)，提取符合EVI≤(LSWI+0.05)的像元。這是第一個條件函數(shù)。

為了確保水稻種植信息提取的準(zhǔn)確性，需要識別并剔除云、常綠植被和水體等非水稻像元。盡管MODIS09A1產(chǎn)品數(shù)據(jù)已經(jīng)經(jīng)過了嚴(yán)格的去云和去陰影的處理，然而，研究區(qū)在水稻生長發(fā)育的時期多云且研究區(qū)的該時期影像中仍然存在大量由于云覆蓋而殘留的對信息提取影響較大的噪聲。根據(jù)所獲數(shù)據(jù)并經(jīng)過閾值選取確定，將第三波段藍(lán)光波段的反射率大于等于0.2作為識別云的標(biāo)準(zhǔn)，將少量的云噪聲剔除。由于常綠植被的NDVI值終年穩(wěn)定且較高，而水稻的NDVI值在其移栽期會突然變低，所以，通過閾值選取，將在所有MODIS 8 d地表反射率數(shù)據(jù)中NDVI均大于0.7的像元認(rèn)為是常綠植被并剔除。

為了進(jìn)一步對以上區(qū)域中可能為水體或其他容易混分的像元進(jìn)行剔除和選取，研究采用了另一個條件函數(shù)。在移栽期后40 d左右時間里，EVI值需超過EVI最大值的一半(Xiao et al.，2005)。據(jù)此，本研究采用移栽期后5個8 d MODIS合成數(shù)據(jù)的EVI值超過EVI最大值的一半作為第二個條件函數(shù)。

2.5 線性光譜混合像元分解

目前在混合像元分解的研究中，線性光譜混合模型(LSMM)是最為常用的方法。它將遙感圖像中單個像元內(nèi)所包含的各類地物及其相應(yīng)比例與其光譜響應(yīng)，利用一個線性關(guān)系式表達(dá)出來(趙英時，2003)。對于遙感圖像中的混合像元，可以用線性模型來分解絕大部分反射率相似相近地物的像元組分(陳圣波等，2001)。

線性光譜混合模型定義為:像元在某一光譜波段的反射率(亮度值)是由構(gòu)成像元的基本組分(endmember)的反射率(光譜亮度值)以其所占像元面積比例為權(quán)重系數(shù)的線性組合(趙英時，2003)。公式為

采用最小噪聲分離變換(minimum noise fraction，MNF)對遙感影像做出處理，將主成分?jǐn)?shù)據(jù)和噪聲數(shù)據(jù)進(jìn)行分離，分離后的各個波譜間相互獨(dú)立。其中絕大部分的有效信息集中在前3個波段(圖3a)。故分別做出MNF變換后各波段的二維散點(diǎn)圖(圖3b—d)。并根據(jù)2D散點(diǎn)圖的交互顯示來選擇端元，利用散點(diǎn)圖中的各拐角位置作為參考端元，結(jié)合區(qū)域特點(diǎn)和先驗(yàn)知識，參考實(shí)測端元水稻光譜數(shù)據(jù)(圖4)進(jìn)行目視解譯判讀，可以看出研究區(qū)為水稻、其他作物植被和城鎮(zhèn)用地3種主要地物類型。

考慮到利用MNF方法對端元成分進(jìn)行確定的精度不高且較隨意，因此引用了純凈像元指數(shù)(pixel purity index，PPI)作為對遙感圖像中高純度的像元進(jìn)一步確定的指標(biāo)。PPI指數(shù)即為圖像中每個像元作為極值點(diǎn)的頻度，PPI指數(shù)越高意味著像元的純度也越高。在多次對比試驗(yàn)后，選擇了最為合適的一種閾值和迭代次數(shù)組合對遙感圖像像元進(jìn)行分析，得出在結(jié)果圖像中高亮顯示的相對純凈像元。把絕大部分不純凈的點(diǎn)從原始圖像中去除，極大地縮小了端元組分的選擇范圍。

把PPI圖的結(jié)果做N維散度分析，選擇MNF圖像的前三個波段，出現(xiàn)N-維散點(diǎn)圖。通過對N維散點(diǎn)圖的旋轉(zhuǎn)和對比，結(jié)合之前得到的2D散點(diǎn)圖，將在三維多面體各個頂端邊緣處對應(yīng)選擇的3組點(diǎn)集作為端元的組成成分，提取出各端元組分的平均波譜曲線，并與參考值比較進(jìn)行波譜分析。利用線性混合光譜模型(LSMM)對遙感影像像元進(jìn)行混合像元分解，得出各類地物端元的豐度圖以及RMS誤差圖。圖中端元組分在此像元里的豐度越高，則像元點(diǎn)越亮，像元越純凈。圖5為2009—2011年水稻豐度圖。

圖3 波段分量圖及二維散點(diǎn)圖 a.波段分量圖;b.MNF1，2二維散點(diǎn)圖;c.MNF1，3二維散點(diǎn)圖;d.MNF2，3二維散點(diǎn)圖Fig.3 Band component diagram and two-dimensional scatterplots a.band component diagram;b.MNF1，2 scatterplot;c.MNF1，3 scatterplot;d.MNF2，3 scatterplot

圖4 實(shí)測水稻端元反射率參考值Fig.4 The reference values of measured rice end-member reflectivities

3 結(jié)果驗(yàn)證

3.1 與樣區(qū)環(huán)境衛(wèi)星數(shù)據(jù)提取的水稻信息對比

根據(jù)樣區(qū)的較高分辨率HJ-1數(shù)據(jù)，通過監(jiān)督分類中的最大似然法分類來提取水稻信息，得到樣區(qū)水稻種植面積分布。再以較高分辨率HJ-1衛(wèi)星數(shù)據(jù)提取的樣區(qū)水稻種植面積為基礎(chǔ)，對比低分辨率MODIS數(shù)據(jù)中樣區(qū)水稻的空間匹配度，以2010年數(shù)據(jù)為例(圖6)。

由于所選 MODIS數(shù)據(jù)為500 m分辨率，HJ-1CCD數(shù)據(jù)為30 m分辨率，根據(jù)上述水稻種植面積提取方法提取之后，經(jīng)過對MODIS數(shù)據(jù)進(jìn)行線性光譜混合像元分解的處理，可以看出兩種數(shù)據(jù)在空間匹配度上大體一致。再對HJ-1數(shù)據(jù)的水稻分類信息進(jìn)行面積提取，得到2009、2010和2011年分別為152.81、165.18、157.77 km2，以 HJ-1 衛(wèi)星數(shù)據(jù)所提取的水稻面積為基準(zhǔn)對比MODIS數(shù)據(jù)所提取的水稻面積，得知MODIS數(shù)據(jù)所提取水稻面積的精度分別為96%、89%、94%。

3.2 與江蘇省統(tǒng)計(jì)數(shù)據(jù)對比

根據(jù)上述方法，利用MODIS數(shù)據(jù)提取的江蘇省全省水稻面積結(jié)果見圖7。提取的2009、2010和2011年江蘇省水稻種植面積分別為23 007.12、24 918.36和24 126.23 km2，與江蘇省統(tǒng)計(jì)局統(tǒng)計(jì)的2009、2010和2011年江蘇省水稻種植面積相比，其誤差分別為3%、10%、6%。

研究結(jié)果表明，基于MODIS09A1數(shù)據(jù)，運(yùn)用以上方法提取大范圍的水稻種植面積，彌補(bǔ)了MODIS數(shù)據(jù)自身的不足，獲取精度較高。經(jīng)過三年水稻面積的估算和驗(yàn)證，表明從空間和時間分辨率上是相對可行的。

4 結(jié)論與討論

圖52009(a)、2010(b)和2011年(c)的水稻豐度圖Fig.5 The schematic of paddy abundances in(a)2009，(b)2010，and(c)2011

利用MODIS時序植被指數(shù)，結(jié)合線性光譜混合模型開展區(qū)域尺度水稻種植面積信息提取研究具有明顯優(yōu)勢。根據(jù)水稻田時間序列 NDVI、EVI、LSWI指數(shù)的變化特征選取水稻提取的最佳時相數(shù)據(jù)，通過植被指數(shù)條件函數(shù)的計(jì)算得到反映指數(shù)信息的差值圖像，提取水稻像元，并對所提水稻像元進(jìn)行線性光譜混合像元分解，最后以水稻像元豐度來估算區(qū)域水稻種植面積大小，經(jīng)過由地面統(tǒng)計(jì)數(shù)據(jù)與較高分辨率遙感數(shù)據(jù)得到水稻分布的精度對比，發(fā)現(xiàn)兩種方法的總體精度均達(dá)到90%以上。該方法在時間序列植被指數(shù)提取法的基礎(chǔ)上考慮了混合像元問題，并結(jié)合線性光譜混合像元分解模型實(shí)現(xiàn)了大范圍的水稻種植信息提取，降低了混合像元的影響，并獲得較高精度，研究結(jié)果表明該方法能夠適用于大范圍水稻種植信息的提取，方法簡單，便于業(yè)務(wù)推廣，并且水稻種植信息的遙感提取結(jié)果在水稻分蘗期后就可準(zhǔn)確獲得，可操作性強(qiáng)。因此，本研究能夠?yàn)檫b感在大尺度水稻種植信息提取應(yīng)用中提供新思路。

圖6 2010年樣區(qū)水稻分類圖驗(yàn)證 a.MODIS數(shù)據(jù)樣區(qū)水稻分布;b.HJ-1數(shù)據(jù)樣區(qū)水稻分布Fig.6 Validation of rice paddy map on part of plots in 2010 a.the map from MODIS data;b.the map from HJ-1 data

圖72009(a)、2010(b)和2011年(c)江蘇省水稻分布Fig.7 Distributions of paddy rice fields in Jiangsu in(a)2009，(b)2010，and(c)2011

本研究方法中的閾值主要靠遙感影像數(shù)據(jù)和采樣點(diǎn)的實(shí)測來確定，它其受到水稻下墊面特征的影響，因而存在主觀性，所以通過MODIS時間序列植被指數(shù)差值運(yùn)算來識別可能存在水稻的圖像像元會有一定的局限性并影響提取精度。因此，今后將嘗試應(yīng)用其他水稻識別方法并考慮水稻生長模型，以進(jìn)一步提高水稻種植信息的提取精度。

陳圣波，周云軒，邢立新，等.2001.地球空問信息學(xué)概論［M］.長春:吉林科學(xué)技術(shù)出版社:62-63.

程乾，王人潮.2005.數(shù)字高程模型和多時相MODIS數(shù)據(jù)復(fù)合的水稻種植面積遙感估算方法研究［J］.農(nóng)業(yè)工程學(xué)報，23(5):89-92.

江蘇省地方志編纂委員會.1999.江蘇省志·地理志［M］.南京:江蘇古籍出版社:1-16.

江蘇省統(tǒng)計(jì)局.2010.江蘇省統(tǒng)計(jì)年鑒2009［M］.北京:中國統(tǒng)計(jì)出版社.

江蘇省統(tǒng)計(jì)局.2011.江蘇省統(tǒng)計(jì)年鑒2010［M］.北京:中國統(tǒng)計(jì)出版社.

王人潮，黃敬峰.2002.水稻遙感估產(chǎn)［M］.北京:中國農(nóng)業(yè)出版社.

王人潮，史舟.2003.農(nóng)業(yè)信息科學(xué)與農(nóng)業(yè)信息技術(shù)［M］.北京:中國農(nóng)業(yè)出版社.

吳健平，楊星衛(wèi).1996.用NOAA/AVHRR數(shù)據(jù)估算上海地區(qū)水稻種植面積［J］.應(yīng)用氣象學(xué)報，7(2):190-194.

許文波，張國平，范錦龍，等.2007.利用MODIS遙感數(shù)據(jù)監(jiān)測冬小麥種植面積［J］.農(nóng)業(yè)工程學(xué)報，23(12):144-149.

楊沈斌，景元書，王琳，等.2012.基于MODIS時序時間提取河南省水稻種植分布［J］.大氣科學(xué)學(xué)報，35(1):113-120.

張春桂，林晶，吳振海，等.2007.基于MODIS數(shù)據(jù)的水稻種植面積監(jiān)測方法研究［J］.自然資源學(xué)報，22(1):1-8.

張友水，原立峰，姚永慧.2007.多時相MODIS影像水田信息提取研究［J］.遙感學(xué)報，11(2):282-288.

趙英時.2003.遙感應(yīng)用分析原理與方法［M］.北京:科學(xué)出版社.

鄭長春，王秀珍，黃敬峰.2009.多時相MODIS影像的浙江省水稻種植面積信息提取方法研究［J］.浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版，5(1):98-104.

FAOSTAT.2001.Statistical database of the Food and Agricultural Organization of the United Nations［R］.

Huete A R，Liu H Q，Batchily K，et al.1997.A comparison of vegetation indices over a global set of TM images for EOS-MODIS［J］.Remote Sensing of Environment，59:440-451.

Huete A R，Didan K，Miura T，et al.2002.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，83:195-213.

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

Okamoto K，F(xiàn)ukuhara M.1996.Estimation of paddy rice field area using the area ratio of categories in each pixel of Landsat TM［J］.Int J Remote Sens，17(9):1735-1749.

Sakamoto T，Yokozawa M，Tritani H，et al.2005.A crop phenology detection method using time-series MODIS data［J］.Remote Sensing of Environment，96:366-374.

Van Niel T G，McVicar T R，F(xiàn)ang H，et al.2003.Calculating environmental moisture for per-field discrimination of rice crops［J］.Int J Remote Sens，24(4):885-890.

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

(責(zé)任編輯:倪東鴻)

Extraction of paddy planting areas based on MODIS vegetation index time series and linear spectral mixture model

LI Gen1，2，JING Yuan-shu1，2，WANG Lin1，2，YANG Shen-bin1，2
(1.Jiangsu Key Laboratory of Agricultural Meteorology;2.School of Applied Meteorology，NUIST，Nanjing 210044，China)

Paddy rice is one of the main crops in China.Timely information acquisition of rice planting area and spatial distribution at a large scale is of great significance in guiding rice production and regulating regional balance of supply and demand.In order to obtain paddy field area of Jiangsu Province，three types of vegetation indexes(including NDVI(normalized difference vegetation index)，EVI(enhanced vegetation index)，and LSWI(land surface water index))are calculated by using the MODIS09A1 data from 2009 to 2011.Based on the temporal variation characteristics of EVI in different growth stages of rice，the key growth period of rice area extraction extracts is determined.According to the characteristics of rice transplanting period with high soil moisture，NDVI，EVI and LSWI are used to identify potential planting area of rice.The linear spectral mixture model is applied to decompose the mixed pixel of potential rice area，and the rice spatial distribution is obtained in Jiangsu Province from 2009 to 2011.Finally，selecting the typical sample area of rice，the rice planting area and spatial distribution are extracted by using HJ-1 CCD(30 m)data，and the results are used as reference data to verify the extraction accuracy.Meanwhile，the statistical rice planting area of Jiangsu Province from the statistical department is also used to verify the rice area.The error is within 10%by two methods of the statistical data and HJ-1 CCD(30 m)data.The research shows that it can more accurately extract a large range of rice planting area by using MODIS09A1 data and the linear spectral mixture model.

rice;MODIS;vegetation index;mixed pixel decomposition;area extraction

P49

A

1674-7097(2014)01-0119-08

李根，景元書，王琳，等.2014.基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提?。跩］.大氣科學(xué)學(xué)報，37(1):119-126.

Li Gen，Jing Yuan-shu，Wang Lin，et al.2014.Extraction of paddy planting areas based on MODIS vegetation index time series and linear spectral mixture model［J］.Trans Atmos Sci，37(1):119-126.(in Chinese)

2012-05-03;改回日期:2012-07-06

公益性行業(yè)(氣象)科研專項(xiàng)(GYHY20090622);江蘇省“六大人才高峰”項(xiàng)目(NY-038);教育部留學(xué)回國人員項(xiàng)目;江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目(PAPD)

景元書，博士，教授，博士生導(dǎo)師，研究方向?yàn)閼?yīng)用氣象學(xué)，appmet@nuist.edu.cn.