基于多時(shí)相高分一號影像水稻監(jiān)測精度評價(jià)與修正
——以德陽地區(qū)為例

李章成，王 昕，李宗南，任國業(yè)

(1.四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所,四川 成都 610066；2.農(nóng)業(yè)部遙感應(yīng)用中心成都分中心,四川 成都 610066)

基于多時(shí)相高分一號影像水稻監(jiān)測精度評價(jià)與修正
——以德陽地區(qū)為例

李章成1,2，王 昕1,2，李宗南1,2，任國業(yè)1,2

(1.四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所,四川 成都 610066；2.農(nóng)業(yè)部遙感應(yīng)用中心成都分中心,四川 成都 610066)

以2014年四川省德陽地區(qū)為研究區(qū)域，建立10個(gè)(500 m×500 m)樣方作為訓(xùn)練區(qū)，同時(shí)期建立水稻驗(yàn)證點(diǎn)。提取2個(gè)時(shí)相高分一號的NDVI值，分析其變化特征，確定閾值；利用數(shù)字高程圖(DEM)及坡度圖，采用決策樹分類方法，進(jìn)行水稻遙感監(jiān)測。以水稻地塊樣點(diǎn)作驗(yàn)證，評價(jià)高分一號數(shù)據(jù)在水稻識別方面的精度，最后利用樣方測算的修正系數(shù)對遙感監(jiān)測面積進(jìn)行修正。結(jié)果表明，在類似德陽地塊比較破碎的平原和丘陵區(qū)域，高分一號影像遙感識別水稻的用戶精度可達(dá)92.3 %，制圖精度可達(dá)96.5 %。以78 %系數(shù)乘積修正該區(qū)域水稻遙感監(jiān)測面積，得到更為準(zhǔn)確的水稻播種面積。高分一號影像作為全新的高空間分辨率遙感數(shù)據(jù)，在水稻監(jiān)測方面，可作為一種可靠的、免費(fèi)的遙感影像替代源在更大區(qū)域中探討使用。

高分一號；遙感；決策樹分類；數(shù)字高程圖

高分一號衛(wèi)星開啟了我國高分辨率對地觀測系統(tǒng)工程的全面建設(shè)[1],其 8 m 多光譜高分辨率相機(jī)圖像觀測幅寬達(dá) 60 km 以上，4 臺分辨率為 16 m 的多光譜中分辨率寬幅相機(jī)圖像觀測幅寬達(dá) 800 km 以上。作為全新的高空間分辨率遙感影像，秦緒文,郭會敏[2-3]分別在高分一號數(shù)據(jù)預(yù)處理正射糾正、數(shù)據(jù)融合等方面做了深入研究；李艷華[4]利用高分一號，基于規(guī)則的面向?qū)ο蠓椒?，?shí)現(xiàn)了對山區(qū)細(xì)小水體精確化提取，總體精度在90 %以上，Kappa系數(shù)在85 %以上；路云閣[5]利用高分一號監(jiān)測礦山資源及成果制圖方面做了研究；朱利[6]利用高分一號寬幅WFV數(shù)據(jù)，結(jié)合HJ-A CCD對太湖水質(zhì)進(jìn)行了遙感監(jiān)測，研究結(jié)果表明了2種數(shù)據(jù)對水質(zhì)參數(shù)的反演結(jié)果具有一致性，可有效反映葉綠素a濃度、懸浮物濃度、透明度和富營養(yǎng)化指數(shù)的空間變化規(guī)律。

作為重要糧食作物的水稻，其種植面積、分布及變化一直廣受關(guān)注。李志鵬[7]等在利用遙感進(jìn)行水稻面積空間分布提取中涉及的數(shù)據(jù)源、特征量和分類方法進(jìn)行了歸納總結(jié)。眾多學(xué)者[8-12]對遙感監(jiān)測水稻的機(jī)理進(jìn)行了深入探討。遙感平臺的多樣化使遙感監(jiān)測獲取水稻長勢與面積可使用數(shù)據(jù)源[13-15]更為靈活。由于水稻生育期比較長，不同生育期在遙感影像上體現(xiàn)出不同的光譜特征，王琳[16]等利用多時(shí)相中低分辨率MODIS遙感影像對江蘇省級區(qū)域的水稻面積識別及其精度進(jìn)行了研究評價(jià)。在田塊比較破碎，種植結(jié)構(gòu)復(fù)雜的區(qū)域，混合像元帶來的“同物異譜”及“異物同譜”導(dǎo)致遙感監(jiān)測水稻的準(zhǔn)確度和精度降低。劉克寶[17]等利用高空間分辨率影像對作物種植結(jié)構(gòu)進(jìn)行了研究，提取部分線狀及細(xì)小地物，獲取扣除系數(shù)，修正遙感識別的水稻面積。西南地區(qū)水稻種植在雨熱同季的多云雨時(shí)期，可用光學(xué)影像數(shù)據(jù)源非常欠缺，并且該區(qū)域田塊非常破碎，種植結(jié)構(gòu)比較復(fù)雜，中低分辨率遙感影像混合像元帶來的問題更為嚴(yán)重，遙感識別水稻面積存在一定程度的夸大，降低了遙感監(jiān)測的精度和準(zhǔn)確度。高分一號數(shù)據(jù)作為全新的國產(chǎn)高空間分辨率數(shù)據(jù)源，在區(qū)域性水稻監(jiān)測和產(chǎn)量估算仍是全新課題，其面積監(jiān)測精度等方面有待深入研究。本文主要利用高分一號相鄰時(shí)相中高空間分辨率GF1_PMS2(2014/08/05 8 m)和GF1_WFV1(2014/08/13 16 m) 影像，以ENVI5.1為平臺，基于數(shù)字高程圖(DEM)，分析該區(qū)域植被區(qū)域中的水稻、其它作物和林地的歸一化植被指數(shù)(NDVI)變化特征，確定閾值，采用決策樹分類方法，對該區(qū)域的水稻進(jìn)行識別，以野外水稻地塊調(diào)查樣點(diǎn)為驗(yàn)證數(shù)據(jù)，評價(jià)高分一號影像在監(jiān)測水稻方面的識別精度和準(zhǔn)確度；利用修正系數(shù)進(jìn)行遙感監(jiān)測識別面積修訂，獲取該區(qū)域更為準(zhǔn)確的水稻播種面積。

1 材料與方法

1.1 研究區(qū)域

影像覆蓋區(qū)域及樣點(diǎn)分布位于德陽市旌陽區(qū)、廣漢市及羅江縣大部，東經(jīng)103°48′～105°12′，北緯30°31′～31°42′，屬亞熱帶濕潤季風(fēng)區(qū)，氣候溫和，多云雨，為成都平原重要的產(chǎn)糧區(qū)。為獲取影像重疊區(qū)域，影像糾正后利用行政區(qū)進(jìn)行了裁剪處理，影像分別對應(yīng)時(shí)期為灌漿期和蠟熟初期。

數(shù)字高程影像及生成的坡度影像用于判別水稻種植區(qū)域。

地面水稻樣方資料，用于提取水稻及其它作物訓(xùn)練區(qū)，統(tǒng)計(jì)分析波譜及植被指數(shù)特征值；計(jì)算樣方內(nèi)田坎面積，獲取田塊系數(shù)，修正解譯面積。

1.2 目標(biāo)作物及生育期

水稻各生育期長勢如圖1(封三)，影像覆蓋范圍及水稻樣方、驗(yàn)證點(diǎn)分布如圖2(封三)。

1.3 數(shù)據(jù)預(yù)處理

影像數(shù)據(jù)預(yù)處理在ENVI5.1平臺上完成，包括幾何校正、輻射定標(biāo)、暗像元法大氣校正、圖像裁剪等。校正后同點(diǎn)位坐標(biāo)誤差控制在0.5個(gè)像元內(nèi)。高程數(shù)據(jù)在Arcgis10.2平臺上完成，利用等高線生成DEM及坡度圖SLOPE。

2 結(jié)果與分析

2.1 水稻NDVI特征分析

數(shù)據(jù)預(yù)處理后，通過波段運(yùn)算獲取歸一化植被指數(shù)NDVI分布(圖3，封三)。隨機(jī)選取樣方內(nèi)水稻、其它作物地塊和林地等植被區(qū)域，建立感興趣區(qū)，統(tǒng)計(jì)獲取NDVI特征值(表1)。

表1 影像提取NDVI的統(tǒng)計(jì)值

8月5日8 m高空間分辨率GF-PMS2影像，水稻和其它作物的NDVI最大值相接近，該時(shí)期水稻最小值為0.368， 直方圖統(tǒng)計(jì)其它作物NDVI≤0.368的像元數(shù)達(dá)30 %，約70 %的重疊范圍會導(dǎo)致分類時(shí)兩者易混淆。直方圖統(tǒng)計(jì)林地NDVI≥0.798的像元達(dá)到70 %，林地與水稻約30 %的重疊。NDVI分布顯示，影像左邊為平原區(qū)，中間為東北至西南走向的龍泉山脈，影像右邊為丘陵區(qū)域，丘陵區(qū)林地比平原區(qū)亮度要明亮，植被指數(shù)稍高。

8月13日16 m中空間分辨率GF-WFV1影像，植被區(qū)域的NDVI都有增長趨勢，林地略有增長，基本保持穩(wěn)定；統(tǒng)計(jì)樣方中水稻地塊90 %像元NDVI≥0.526；其它作物NDVI均值及最大值與水稻非常接近，重疊范圍大，兩者在分類過程中易于混淆；林地NDVI的統(tǒng)計(jì)特征值與水稻有一定重疊，林地中NDVI≥0.722的像元數(shù)達(dá)到95 %。NDVI分布圖整景區(qū)域亮度反差不大，比較均一，但比8月5號的明亮，NDVI值要高。

通過NDVI差值運(yùn)算，統(tǒng)計(jì)出水稻等變化特征值(表1)。水稻NDVI平均增長幅度較大。林地NDVI變化幅度較小，比較穩(wěn)定；其它作物可能由于種植模式變化較大，相比較而言，其增長幅度變化最大，標(biāo)準(zhǔn)差也表明變化差異程度很顯著。

利用DEM生成坡度圖(Slope)，按照0～2°，2°～4°，4°～6°，6°～8°，8°～10°，10°～15°，15°～25°，≥25°標(biāo)準(zhǔn)對坡度圖進(jìn)行圖像重分類，分別賦值為1～8。

圖4 決策樹分類規(guī)則Fig.4 Decision tree classification rule

基于上述分析確定各類閾值，建立決策樹分類規(guī)則(圖4)，進(jìn)行水稻分類及分類后處理，提取水稻遙感監(jiān)測識別面積。

2.2 監(jiān)測精度分析與評價(jià)

利用驗(yàn)證點(diǎn)水面15個(gè)、其它作物9個(gè)、養(yǎng)殖場6個(gè)、大棚花卉6個(gè)、大棚蔬菜6個(gè)等共42個(gè)，水稻113個(gè))對決策樹分類水稻結(jié)果進(jìn)行精度分析與評價(jià)。

解譯結(jié)果表明，作為非植被的水體容易識別；養(yǎng)殖場與一般房屋易混淆；其它作物由于地塊面積相對較小，易與周邊水稻混淆，分類后處理一般也合并為水稻；大棚花卉等地塊比較容易識別，基本不會判別為水稻；林地與水稻能夠較好區(qū)別，但丘陵地區(qū)混合像元仍然導(dǎo)致部分林地和水稻混淆；田間水渠和一般機(jī)耕道路不易識別，即使能夠識別，在分類后處理時(shí)結(jié)果中合并為水稻。113個(gè)水稻驗(yàn)證點(diǎn)中109個(gè)落在分類影像水稻上，4個(gè)判別為非水稻區(qū)域；9個(gè)其它作物驗(yàn)證點(diǎn)全部判別或合并為水稻。若以驗(yàn)證點(diǎn)評價(jià)，在類似德陽地塊比較破碎的平原和丘陵區(qū)域，利用高分一號影像遙感識別水稻的用戶精度可達(dá)92.3 %(109/118)；制圖精度可達(dá)96.5 %(109/113)。

表2 水稻樣方地類面積構(gòu)成及百分比

注：其他作物包括玉米、蔬菜等旱地作物，園地和居民點(diǎn)周邊林盤等。

Note:Other crops including corn, vegetables and dry land crops, garden and residential areas.

2.3 遙感監(jiān)測水稻面積修正

利用水稻樣方分別統(tǒng)計(jì)出樣方內(nèi)各類地物面積(表2)。遙感監(jiān)測水稻面積包括了未能識別的的田坎、機(jī)耕道與水渠等，約占5 %；還包括了易混淆的17 %的其它作物。因此，該區(qū)域水稻種植凈面積需以78 %～95 %(若其它作物歸結(jié)為水稻時(shí)取78 %；其它作物完全能識別時(shí)取95 %)的系數(shù)對遙感監(jiān)測識別結(jié)果進(jìn)行乘積修正。根據(jù)上述分類精度評價(jià)，以78 %系數(shù)修正該區(qū)域水稻遙感監(jiān)測面積，從而獲取凈面積值。

3 結(jié) 論

利用多時(shí)相高分一號遙感影像及基于DEM提取的地理信息，采用決策樹分類方法，對地塊比較破碎的德陽地區(qū)進(jìn)行了水稻遙感監(jiān)測識別。結(jié)果表明高分一號影像遙感識別水稻的用戶精度可達(dá)92.3 %；制圖精度可達(dá)96.5 %。由于地塊面積較小，耕地中種植的其它作物在分類后處理時(shí)基本歸結(jié)為水稻，又遙感監(jiān)測中無法識別機(jī)耕道與水渠等，遙感監(jiān)測水稻面積誤差較大。通過水稻樣方得到遙感監(jiān)測水稻面積乘積修正系數(shù)，從而獲取真實(shí)水稻種植面積。高分一號影像在其他區(qū)域監(jiān)測水稻或其他作物面積及修正系數(shù)，需要根據(jù)實(shí)際情況深入探討研究獲取。

[1]劉 斐.高分一號“高”在哪里?[J].太空探索,2013(6):10-11.

[2]秦緒文, 汪韜陽, 杜錦華, 等. 京津冀地區(qū)高分一號寬覆蓋正射影像生成[J]. 地理空間信息,2014,12(5):119-122.

[3]郭會敏, 洪運(yùn)富, 李 營, 等. 基于高分一號衛(wèi)星影像的多種融合方法比較[J]. 地理與地理信息科學(xué), 2015, 31(1):23-28.

[4]李艷華, 丁建麗, 閆人華. 基于國產(chǎn)GF-1遙感影像的山區(qū)細(xì)小水體提取方法研究[J].資源科學(xué), 2015,37(2):408-416.

[5]路云閣,劉 采,王 嬌. 基于國產(chǎn)衛(wèi)星數(shù)據(jù)的礦山遙感監(jiān)測一體化解決方案——以西藏自治區(qū)為例[J]. 國土資源遙感，2014,26(4):85-90.

[6]朱 利, 李云梅, 趙少華, 等. 基于GF-1 號衛(wèi)星WFV 數(shù)據(jù)的太湖水質(zhì)遙感監(jiān)測[J]. 國土資源遙感，2015,27(1):113-120.

[7]李志鵬, 劉珍環(huán), 李正國, 等. 水稻空間分布遙感提取研究進(jìn)展與展望[J]. 中國農(nóng)業(yè)資源與區(qū)劃,2014,35(6):9-18.

[8]Pu R L, Gong Peng. Hyper Spectral Remote Sensing and Its Applications[J]. Beijing:Higher Education Press, 2000:127-131.

[9]Martin R D,Heilman J L. Spectral reflectance patterns of flooded rice[J].P.E.R.S.,1986,52(12):1885-1890.

[10]田國良,項(xiàng)月琴.遙感估算水稻產(chǎn)量:I.用光譜數(shù)據(jù)和陸地衛(wèi)星圖像估算水稻產(chǎn)量[J]. 環(huán)境遙感, 1989, 4(1):73-80.

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

[12]王人潮, 王 珂, 沈掌泉, 等. 水稻單產(chǎn)遙感估測建模研究[J]. 遙感學(xué)報(bào), 1998, 2(2):119-124.

[13]Le Toan T, Ribbes F, Wang, et al. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J].IEEE Transactions on Geoscience and Remote Sensing,1997(1):41-56.

[14]Shao Y, Liao J J, Wang C Z. Analysis of temporal radar backscatter of rice:A Comparison of SAR Observations with Modeling Results[J]. Can.J.Remote Sensing,2002,28(2):128-138.

[15]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——以湖南株洲市為例[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,39(2):137-140.

[16]王 琳, 景元書, 楊沈斌. 基于多時(shí)相遙感數(shù)據(jù)提取水稻種植面積的研究[J].中國農(nóng)業(yè)資源與區(qū)劃,2013,34(2):20-25.

[17]劉克寶, 劉述彬, 陸忠軍, 等. 利用高空間分辨率遙感數(shù)據(jù)的農(nóng)作物種植結(jié)構(gòu)提取[J]. 中國農(nóng)業(yè)資源與區(qū)劃, 2014,35(1):21-26.

(責(zé)任編輯 陳 虹)

Classification Accuracy Evaluation and Rejustment of Monitoring Rice Planting Area By Multi-temporal GF-1 Satellite Image:Taken Deyang District as Example

LI Zhang-cheng1,2, WANG Xin1,2, LI Zong-nan1,2, REN Guo-ye1,2

(1.Institute of Remote Sensing Application,Sichuan Academy of Agricultural Sciences, Sichuan Chengdu 610066, China; 2.Chengdu Branch of Remote Sensing Application Center, Ministry of Agriculture, Sichuan Chengdu 610066, China)

Taken Deyang city in 2014 as studied area, 10 rice samples(500 m×500 m) were set up as training areas, meanwhile rice verification points were established during same period. Applied two adjacent periods multispectral high spatial resolution image (2014/8/05 8 m) and medium-low spatial resolution image (2014/8/13 16 m) of GF-1 with ENVI5.1 as platform, the changing characteristics were analyzed, and the thresholds ofNDVIwere determined. Based on digital elevation map (DEM) and slope map, the rice planting area with decision tree classification method was monitored. Using verification points to evaluate classification accuracy, the monitoring area by factors from the result of rice samples were corrected. The results showed that:similar to the plains and hilly regions in Deyang, based on digital elevation map (DEM) and two periods images information of GF-1 satellite images, the classification user accuracy could be up to 92.3 %, and producer accuracy to 96.5 %. As 78 % multiplication coefficient amended monitoring area, more accurate rice area was obtained. It was concluded that GF-1 satellite image as a new kind of high spatial resolution data, applied to monitor planting rice in Deyang,achieved higher classification accuracy, which could be used as a reliable and free of charge image source in the other regions.

GF-1 satellite image；Remote sensing；Decision tree classification；DEM

1001-4829(2016)10-2432-04

10.16213/j.cnki.scjas.2016.10.033

2015-11-10

四川省財(cái)政創(chuàng)新能力提升工程專項(xiàng)資金項(xiàng)目(2016G XTZ-012);四川高分農(nóng)業(yè)遙感監(jiān)測與評價(jià)技術(shù)研究與示范(GF13/15-311-007)

李章成(1974-)，男，湖北隨州人，博士，主要從事農(nóng)業(yè)遙感、作物信息、國土資源調(diào)查等方面的研究，028-84504163， E-mail: 945239461@qq.com。

S-03

A