• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多時相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算

    2017-09-15 06:16:51王利民姚保民楊福剛楊玲波王小龍曹懷堂
    農(nóng)業(yè)工程學(xué)報 2017年15期
    關(guān)鍵詞:水體面積精度

    劉 佳,王利民,姚保民,楊福剛,楊玲波,王小龍,曹懷堂

    ·農(nóng)業(yè)信息與電氣技術(shù)·

    基于多時相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算

    劉 佳,王利民※,姚保民,楊福剛,楊玲波,王小龍,曹懷堂

    (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,北京 100081)

    為客觀獲取寧夏水稻面積空間分布信息,也為區(qū)域農(nóng)作物遙感監(jiān)測奠定技術(shù)基礎(chǔ),該文以寧夏回族自治區(qū)為研究區(qū)域,選擇美國LandSat-8攜帶的陸地成像儀(operational land imager,OLI)數(shù)據(jù),采用2016年3月11日-7月01日間的15景影像,基于水稻田耕地與水體特征反射率隨著季節(jié)變化規(guī)律的分析,采用歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、近紅外波段反射率(infrared reflectance,IR)、短波指數(shù)(short waved index,SWI)3個指數(shù),以及多時相NDVI最大值、IR最小值、SWI最小值3個衍生指數(shù),共6個指數(shù)為基礎(chǔ)進行決策分類樹構(gòu)建,對全區(qū)水稻進行識別與提取,采用該區(qū)水稻面積本底遙感調(diào)查結(jié)果進行精度驗證,水稻種植面積提取誤差僅?4.22%,Kappa系數(shù)為0.83,水稻空間分布的用戶分類精度分別為85.11%,制圖精度為81.67%;同時與監(jiān)督分類方法提取的水稻面積進行對比,該文方法提取水稻的用戶精度提高了8.13個百分點,制圖精度更是提高了20.01個百分點。研究結(jié)果表明,利用中高分辨率的OLI遙感時間序列衛(wèi)星影像,在大宗農(nóng)作物時間序列的變化規(guī)律分析基礎(chǔ)上,構(gòu)建分類決策樹,可以準確地提取大宗農(nóng)作物種植面積,是區(qū)域農(nóng)作物面積遙感監(jiān)測業(yè)務(wù)運行中具有潛力的方法。

    遙感;作物;識別;LandSat-8;OLI;多時相;寧夏;水稻;面積

    劉 佳,王利民,姚保民,楊福剛,楊玲波,王小龍,曹懷堂. 基于多時相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算[J].農(nóng)業(yè)工程學(xué)報,2017,33(15):200-209. doi:10.11975/j.issn.1002-6819.2017.15.026 http://www.tcsae.org

    Liu Jia, Wang Limin, Yao Baomin, Yang Fugang, Yang Lingbo, Wang Xiaolong, Cao Huaitang. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 200-209. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2017.15.026 http://www.tcsae.org

    0 引 言

    作為中國第2大作物類型,水稻種植面積數(shù)量與空間分布的信息獲取是中國農(nóng)作物種植結(jié)構(gòu)調(diào)整的主要依據(jù)。遙感技術(shù)具有客觀性強,獲取范圍廣的特點,已經(jīng)逐漸成為水稻種植面積信息獲取的主要方式。水稻遙感監(jiān)測的基本原理是,隨著水稻的生長發(fā)育,會出現(xiàn)水體特征為主、水體與作物特征并存、作物特征為主的變化特點,通過遙感數(shù)據(jù)對這些信息的及時獲取,可以將水稻與其他地物類型特征差異最大化,從而實現(xiàn)水稻類別的準確識別。與常規(guī)的農(nóng)作物遙感分類技術(shù)類似,ISOData、最大似然、隨機森林、決策樹等分類方法都有不同程度的應(yīng)用[1]。除了反射率、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、增強植被指數(shù)(enhanced vegetation index,EVI)、歸一化差異雪指數(shù)(normalized difference vegetation index,NDSI)等常用的遙感指數(shù)作為輸入數(shù)據(jù)源外,歸一化水指數(shù)(normalized difference water index,NDWI)、地表水分指數(shù)(land surface water index,LSWI)、地表溫度(land surface temperature,LST)等與水體識別密切相關(guān)的指數(shù)也得到了特別的關(guān)注。

    在國際上,單獨使用可見光數(shù)據(jù)、單獨使用雷達數(shù)據(jù)、或者二者聯(lián)合使用是水稻遙感監(jiān)測的3種主要方式。在使用可見光遙感數(shù)據(jù)進行水稻類型識別與面積提取的研究中,以LandSat-TM/ETM+/OLI[2]、HJ1A/B-CCD[3-4]、SPOT-VGT[5]、EOS/MODIS[6-7]等中低遙感數(shù)據(jù)源居多,這些研究一般都能達到較高的精度。如Ali等[8]利用Landsat 8/OLI數(shù)據(jù)對伊朗中部Isfahan省的Najaf-Abad灌溉單元的監(jiān)測結(jié)果表明,包括水稻、蔬菜、苜蓿、喬木及溫室大棚在內(nèi)的夏季農(nóng)田地物類型總體識別精度達到了92.36%,水稻的用戶和生產(chǎn)者精度分別為92.2%和95.6%,Kappa系數(shù)為0.90。Elshorbagy等[9]利用長時序MODIS地表反射率產(chǎn)品數(shù)據(jù),構(gòu)建NDVI、EVI、LSWI指數(shù)綜合進行埃及三角洲水稻面積制圖,2008年、2009年、2010年的監(jiān)測結(jié)果與統(tǒng)計結(jié)果相對誤差分別為12%、15%、10%。針對種植結(jié)構(gòu)破碎地區(qū),采用混合像元分解方法提高低分辨率遙感遙感數(shù)據(jù)識別精度的研究也多有涉及,如Zhang等[10]在利用HJ-1A/B CCD數(shù)據(jù)進行湖南省水稻純像元和混合像元識別基礎(chǔ)上,基于NDVI分量對水稻混合像元進行了分解,在縣域尺度上監(jiān)測總體精度達到了83.17%,相較于純象元分析方法精度提高了12%。Chen等[11]利用TM數(shù)據(jù)和GPS調(diào)查水稻樣方數(shù)據(jù)模擬低分辨率數(shù)據(jù),使用軟分類BP神經(jīng)網(wǎng)絡(luò)方法,對中國南方水稻面積進行提取,結(jié)果表明該方法可以顯著提高水稻種植面積分類精度和亞像元級面積估計精度。

    由于能夠避免云覆蓋的影響,多時相、多極化方式的雷達或者微波數(shù)據(jù)在水稻面積識別中得到了普遍應(yīng)用[12]。Kei等[13]采用2014年4月16日-7月28日的5景Radarsat-2寬幅精細聚束模式數(shù)據(jù)對日本東北部的Yamagata地區(qū)水稻進行了監(jiān)測,VH極化方式水稻生產(chǎn)者和用戶精度均為83%,VV極化方式則分別為0.73和0.76,VH極化方式較VV極化方式具有更高的精度。Panigrahy等[14]采用3個時相C波段RadarSat-1數(shù)據(jù)對孟加拉國的Aman地區(qū)的水稻種植區(qū)域進行了識別,水稻提取面積與統(tǒng)計面積偏差為5%。出于彌補雷達數(shù)據(jù)價格昂貴造成的使用限制,雷達數(shù)據(jù)與光學(xué)數(shù)據(jù)的綜合應(yīng)用也是水稻種植識別中的一個主要方式[15-18],與單獨數(shù)據(jù)源使用相比較,數(shù)據(jù)的綜合應(yīng)用對作物面積識別精度具有不同程度的提升作用。如Villa等[19]在意大利北部的Pavia地區(qū),基于2013年和2014年4月18日-7月23日的13景COSMO/SAR數(shù)據(jù)和14景LandSat/OLI數(shù)據(jù),采用決策樹的方法提取了玉米、水稻、大豆、冬季作物、雙季作物、人工草地和林地等作物類型,2個年度作物早期識別精度分別為95.4%和90.3%,SAR數(shù)據(jù)對光學(xué)遙感數(shù)據(jù)提升能力最高可以達到19.7%以上。

    在國內(nèi),已有較多的學(xué)者對基于EOS/MODIS、LandSat系列、HJ或者GF系列等中高分辨率遙感數(shù)據(jù)的水稻識別進行研究,研究方向集中在非監(jiān)督分類[20-11]、決策樹方法[22-23]、時空融合模型[24]、神經(jīng)元網(wǎng)絡(luò)和面向?qū)ο骩25-26]等方法的識別能力與精度上。而由于高分辨率多時相數(shù)據(jù)較難獲取,因此多使用了混合像元分解技術(shù)[27-29]及融合技術(shù)[30-31]等輔助進行面積提取。此外,也有少量利用雷達數(shù)據(jù)進行水稻面積提取的研究報道[32],如汪小欽等[33]利用ENVISAT ASAR雙極化數(shù)據(jù),進行主成分變換和面向?qū)ο蠓诸?,獲取2004年福州地區(qū)早稻面積,水稻提取精度83.3%。

    綜上,水稻種植面積遙感監(jiān)測研究主要有2個方面:1)基于不同數(shù)據(jù)源不同時相條件下水稻的遙感識別能力研究;2)基于不同分類方法水稻識別能力和精度的比較研究。國外的研究側(cè)重于第1方面,而國內(nèi)的研究則側(cè)重于第2方面??偟膩砜?,數(shù)據(jù)源充分保障條件下最優(yōu)方法、最高精度的研究較多,基于有限時相OLI數(shù)據(jù)的區(qū)域性應(yīng)用研究尚不多見。該文選擇寧夏回族自治區(qū)作為研究區(qū)域,以區(qū)域內(nèi)水稻面積為農(nóng)作物提取目標,基于水稻生長早期的陸地成像儀(operational land imager,OLI)影像為遙感數(shù)據(jù)源,針對水稻生育期內(nèi)水體、作物2個特征轉(zhuǎn)換過程中NDVI和近紅外特征表達的突出特點,進行多景、多時相數(shù)據(jù)區(qū)域水稻識別,以期為大尺度農(nóng)作物面積遙感監(jiān)測提供依據(jù)。

    1 研究區(qū)概況

    選擇寧夏回族自治區(qū)作為研究區(qū)域,其地理位置為35°14′N~39°23′N、104°17′E~107°39′E,面積6.64萬km2。地貌大體可以分為黃土高原、鄂爾多斯臺地和洪積沖積平原,以及六盤山、羅山、賀蘭山南北中三段山地,地形南北狹長,地勢南高北低,西部高差較大,東部起伏較緩,平均海拔1 000 m以上。該區(qū)居西北內(nèi)陸高原,屬典型的大陸性半濕潤半干旱氣候,氣溫日差大,日照時間長,太陽輻射強。年平均氣溫5~9 ℃,1月平均氣溫在﹣8 ℃以下,極端低溫在﹣22 ℃以下。雨季集中在夏季,降水量不大,年平均降水量166.9~647.3 mm,北少南多,差異明顯,干旱山區(qū)年平均降水400 mm,引黃灌區(qū)年平均157 mm,各地年平均蒸發(fā)量1 312.0~2 204.0 mm。無霜期平均為105~163 d,年日照時數(shù)2 250~3 100 h,日照百分率50%~69%,是全國日照資源豐富地區(qū)之一。水稻是該區(qū)最為重要的作物類型之一,也是區(qū)域水分平衡中的敏感作物,約占全區(qū)農(nóng)作物總播種面積的5.88%[34]。小麥、玉米、枸杞、瓜果和馬鈴薯等也是本區(qū)的主要作物類型。研究區(qū)在中國的具體位置如圖1所示。

    圖1 研究區(qū)地理位置示意圖Fig.1 Geographical location schematic of study area

    2 數(shù)據(jù)獲取與處理

    2.1 遙感數(shù)據(jù)預(yù)處理

    該文使用了Landsat-OLI為區(qū)域遙感監(jiān)測數(shù)據(jù)源,該衛(wèi)星于2013年2月11日發(fā)射,OLI是其攜帶的主要傳感器,包括9個波段,分別是海岸/氣溶膠(430~450 nm)、藍(450~510 nm)、綠(530~590 nm)、紅(640~670 nm)、近紅(850~880 nm)、短波紅外1(1 560~1 660 nm)、短波紅外2(2 100~2 300 nm)、卷云波段(1 360~1 390 nm)、全色波段(500~680 nm),除全色波段分辨率為15 m外,其余波段的空間分辨率均為30 m。該文使用了除卷云波段和全色波段之外的其余7個波段。根據(jù)寧夏耕地分布狀況,確定129/033、129/034和130/034 3景OLI影像進行水稻面積識別??紤]到水稻早期識別的需要,該文使用2016年3-7月的數(shù)據(jù),這一時段3景影像覆蓋范圍能夠獲取的有效數(shù)據(jù)共有15景,詳見表1。

    表1 寧夏水稻面積識別OLI影像列表Table 1 List of OLI images of Ningxia rice area identification

    數(shù)據(jù)預(yù)處理過程包括輻射定標、大氣校正和幾何精校正處理,全部過程使用ENVI5.0軟件進行處理。輻射定標采用的公式如下:

    式中LZ(λZ)為波段中心波長為λZ時,傳感器入瞳處的光譜輻射亮度值,W/(m2·sr·μm),Gain為定標斜率,DN為影像灰度值,Bias為定標截距,Gain及Bias都由衛(wèi)星數(shù)據(jù)供應(yīng)方提供,并可從影像自帶的元數(shù)據(jù)文件中直接讀取。大氣校正采用ENVI/FLAASH模塊進行,采用影像自帶的投影及定位坐標系統(tǒng)。

    2.2 遙感指數(shù)及合成

    在幾何與大氣校正基礎(chǔ)上,計算NDVI、近紅外反射率(infrared reflectance,IR)短波波段指數(shù)(short waved index,SWI),以及衍生的多時相NDVI最大值(記作NDVImax)、多時相IR最小值(記作IRmin)、多時相SWI最小值(記作SWImin)指數(shù)。

    式中Ref4~Ref7分別為第4~7波段的反射率,nm;i為參與計算的影像儒略日。為方便計算和存儲,以上所有指數(shù)均擴大104倍并取整。

    針對晴空、云陰影覆蓋2種情況,這6個指數(shù)使用的優(yōu)先級是有區(qū)別的。多時相NDVI最大值合成指數(shù)能夠最大限度地去除云及陰影的影響,為簡化起見,不區(qū)分晴空及云覆蓋狀況,直接使用合成值。針對IR和SWI數(shù)據(jù),單時相晴空的IR和SWI數(shù)據(jù)優(yōu)先級高于多時相IR和SWI最小值合成數(shù)據(jù)。這主要是由于IR或者SWI最小值合成雖然可以去除云的影響,但云陰影卻與水體、灌水水田相混淆,夸大了水稻面積。根據(jù)NDVI最大值方法制作的研究區(qū)晴空合成圖以及NDVI最大值合成圖(為便于計算將NDVI值擴大104倍)如圖2所示。

    圖2 研究區(qū)晴空影像合成圖Fig.2 Sunny day synthetic images of study area

    2.3 水稻本底數(shù)據(jù)獲取

    水稻本底調(diào)查采用2016年4月28日-8月9日4 m空間分辨的50景GF-2/PMS數(shù)據(jù),通過人工目視解譯的方式勾繪地塊邊界,并結(jié)合地面調(diào)查填圖的方式獲取,根據(jù)地面實測樣方數(shù)據(jù)驗證,水稻面積的提取精度達99%以上。GF-2衛(wèi)星是中國高分對地觀測系統(tǒng)的第2顆衛(wèi)星,PMS是其攜帶的主要傳感器之一,像元空間分辨率為4 m,包含藍、綠、紅與近紅外4個譜段?;贕F-2/PMS識別的研究區(qū)水稻面積空間分布如圖3所示,當(dāng)年水稻面積91 910 hm2。

    圖3 研究區(qū)基于GF-2/PMS影像的水稻本底調(diào)查結(jié)果Fig.3 Rice background survey result based on GF-2/PMS images in study area

    2.4 地物光譜類型及樣本點特征的獲取

    按照光譜一致性的原則,將研究區(qū)分為水稻、疏林灌叢、旱地/林地、撂荒地、濕地/水體、其他6種地物類型。其中,水稻是指種植水稻作物的耕地;疏林灌叢主要是指以旱生灌叢、山地灰榆樹林草原植被類型,主要分布在賀蘭山東坡,或以斑塊狀分布于灌溉平原上;旱地/林地指除水稻以外的其他旱地作物,以及以喬木類型為主的林地;撂荒地是指1 a或多年生草本植物為主的植被類型,主要分布在山間盆地、丘陵緩坡、棄耕耕地上;濕地/水體則是指以常年有水覆蓋的濕地類型,以及湖泊水庫等水體;其他則是除去以上5種地類之外的其余地物,主要以裸沙地為主。

    該文是基于不同時相OLI數(shù)據(jù)光譜差異,采用決策樹方法進行的,決策樹節(jié)點的閾值是根據(jù)樣本點平均值結(jié)果得出的。樣本點的選取方法是將研究區(qū)按照等距的原則劃分為東西向20列、南北向20行的格網(wǎng),每個格網(wǎng)的大小為東西向8 km、南北向10 km,共獲得400個格網(wǎng),在每個格網(wǎng)中目視選擇水稻樣本點。計算每景影像的NDVI、IR和SWI指數(shù),進一步得到影像3-4月NDVI最大值、3-6月NDVI最大值、3-4月IR最小值及5-6月SWI最小值,并通過波譜分析進行決策節(jié)點閾值選擇。

    2.5 水稻物候期及光譜特點

    研究區(qū)內(nèi)水稻在5月上旬移栽,9月上旬成熟,9月中下旬收獲??梢苑譃榕萏?、移栽(苗期)、拔節(jié)、孕穗、揚花、灌漿、成熟7個管理、發(fā)育時期,分別對應(yīng)3月1日-4月20日、4月21-5月31日、6月1日-6月15日、6月16日-6月30日、7月1日-7月10日、7月11日-8月10日、8月10日-9月11日,歷時150天左右。為保證水稻的正常發(fā)育,水稻全生育期內(nèi)都需要保持10cm水體深度,水稻光譜在拔節(jié)期(即6月1日)以前具有明顯的水體特點,從孕穗后期、揚花期開始以作物光譜反射特征為主。

    該文重點是根據(jù)生長前期影像對水稻類型進行識別,將7月10日以前作為水稻生長前期。采用3月11日、4月12日、4月28日、5月30日、6月15日和 7月1日等6個時期的影像,對NDVI、IR和SWI 等3個指數(shù)的動態(tài)變化進行分析,為決策樹構(gòu)建提供波譜特征依據(jù),3個指數(shù)隨時間變化的趨勢如圖4a~圖4c所示。

    圖4 研究區(qū)水稻等地物類型波譜季節(jié)變化Fig.4 Seasonal change in spectra of ground objects such as rice in study area

    由圖4a可見,其他地物的NDVI值在6個時期變化一直都很低,其他5種地物類型都具有植被特征,總能在某個時期達到比較高的值,可以作為其他地物與另外5種地物類型的識別特征;就另外5種帶有植被屬性的地物而言,疏林灌叢的NDVI值在4月份以前都遠高于其他4種地物,可以作為與其他4種地物的識別依據(jù)。由圖4b可見,旱地/林地的IR值在各個時期都很高,濕地/水體的IR值在各個時期都很低,選擇其中不受云影響時期可以區(qū)分旱地/林地、濕地/水體2種地物類型。由圖4c可見,水稻與撂荒地在4月28日以后差異開始變大,此后時相的合成可以作為區(qū)分兩者的依據(jù)。通過以上6種地物類型波譜的概述,可以看出,采用波譜季相組合的方式具有將6種地物區(qū)分的可能。

    3 研究方法

    3.1 算法描述

    算法主要分為3個層次:1)通過NDVI數(shù)據(jù)描述的作物生長狀況對植被特征進行識別;2)通過近紅外數(shù)據(jù)描述的水體特征識別植被中的水稻;3)通過NDVI、IR、SWI指數(shù)或衍生指數(shù)進行水稻精確識別。具體是按照波譜反應(yīng)一致性的特點,將研究區(qū)地物類型分為水稻、疏林灌叢、旱地/林地、濕地/水體、撂荒地、其他6種地物類型,基于3-6月NDVI最大值識別植被特征,去除6種地物中的“其他”地物;采用5月中下旬、6月上中旬的IR數(shù)據(jù)的水體特征識別水稻,去除疏林灌叢、旱地/林地;再基于3、4月IR指數(shù)去除識別結(jié)果中的水稻,基于5、6月SWI值去除水稻種的撂荒地,獲得精確的水稻種植空間分布結(jié)果。其中,涉及2個以上時相數(shù)據(jù)時,盡量選擇1個時相的晴空數(shù)據(jù),如果1個時相無法滿足,則采用2個以上季相最小值合成,但云陰影的影響會造成精度的降低。在該文中,129/033景數(shù)據(jù)使用的是單時相數(shù)據(jù),而129/034、130/034景數(shù)據(jù)使用了IR合成數(shù)據(jù)。

    3.2 水稻識別過程

    基于上述算法描述的原理,采用覆蓋寧夏水稻種植區(qū)域的129/033、129/034、130/034 3景影像,基于決策樹方法實現(xiàn)寧夏水稻識別。圖5給出了具體的分類過程,節(jié)點閾值是在樣本點初始閾值微調(diào)基礎(chǔ)上實現(xiàn)的,關(guān)鍵節(jié)點閾值及識別類型簡要說明如下?!捌渌钡匚镱愋偷淖R別:研究區(qū)內(nèi)“其他”地物類型主要包括沙地植被、荒漠植被、城鎮(zhèn)等類型,這些地物類型在3-6月NDVI最大值明顯比其余5種地物類型偏低,閾值2 500以上為5種地物類型。疏林灌叢類型的識別:疏林灌叢在3-4月NDVI最大值明顯高于水稻、旱地/林地、濕地/水體、撂荒地等地物,閾值3 000以上為疏林灌叢。旱地/林地的識別:旱地/林地在5-7月的IR值明顯高于水稻、濕地/水體、撂荒地等類型,閾值2 500以上為旱地/林地地物類型。濕地/水體的識別:濕地/水體在3月上旬-4月下旬,植被沒有或者剛開始發(fā)育的時期,水田因沒有灌水而水體特征不明顯,而濕地則有水存在而水體特征明顯,這一期IR反射率較低,閾值1 000以下為濕地/水體,區(qū)分于與水田、撂荒地。撂荒地的識別:撂荒地在5,6月份 IR波段雖然與水稻易于混淆,但在短波譜段撂荒地反射率明顯高于水體,即SWI值明顯高于水稻類型,閾值1 800以上為撂荒地?;谏鲜鲞^程能夠獲取水稻的空間分布,采用DEM 900 m為閾值,可以進一步去除山體植被中與水稻的混淆類型,提高識別精度。最后,對小于3個像元的細小圖斑進行剔除,進行圖斑聚類,最終得到水稻種植空間分布圖。圖5給出了該區(qū)水稻種植面積空間分布識別流程。

    圖5 基于OLI數(shù)據(jù)的寧夏水稻面積識別流程Fig.5 OLI data-based Ningxia rice area identification flowchart

    3.3 精度驗證

    精度驗證數(shù)據(jù)是基于4 m空間分辨率研究區(qū)水稻本底調(diào)查結(jié)果進行驗證,采用數(shù)量與空間位置2種方式進行精度驗證。數(shù)量驗證主要采用研究區(qū)內(nèi)各縣水稻面積占全區(qū)總面積的比例進行說明,空間位置主要基于混淆矩陣、Kappa系數(shù)、總體分類精度、制圖精度和用戶精度5種方式進行分類精度的描述和比較,相關(guān)定義及詳細表述可參照文獻[35-37],本文不再贅述。

    4 結(jié)果與分析

    4.1 與本底調(diào)查結(jié)果比較

    自治區(qū)水稻全部分布在北部的黃河灌區(qū),涉及銀川、石嘴山、吳忠和中衛(wèi)4個地區(qū)的11個區(qū)縣(圖6)。對水稻種植面積遙感提取結(jié)果進行分區(qū)縣統(tǒng)計,結(jié)果如表2所示,表中的相對誤差為決策樹分類面積與本底調(diào)查調(diào)查面積的差值除以本底調(diào)查面積得到。表2中,平羅、賀蘭、銀川、青銅峽、靈武、沙坡頭、利通、永寧、中寧、大武口和惠農(nóng)縣的水稻面積分別占全區(qū)總面積的27.71%、16.76%、13.69%、11.87%、9.93%、6.72%、5.34%、3.27%、2.24%、1.60%和0.87%。僅惠農(nóng)縣誤差相差較大以外,其他縣市空間分布結(jié)果與研究區(qū)內(nèi)的本底調(diào)查情況基本相符,相對誤差15%左右。基于OLI水稻種植面積88 030 hm2提取誤差僅為?4.22%,表明該文方法對水稻種植面積提取能夠達到較高的精度,具有應(yīng)用的潛力。

    圖6 基于OLI數(shù)據(jù)的寧夏水稻面積空間分布Fig.6 OLI data-based Ningxia rice area spatial distribution

    采用2016年寧夏區(qū)內(nèi)水稻面積本底調(diào)查結(jié)果對基于決策樹分類的不同影像的水稻種植空間分布進行精度驗證,結(jié)果見表3。由于其他地類所占面積較大,基于全部影像的總體精度很高(98.95%),但并不能代表水稻的識別精度,因此主要從水稻的用戶精度和制圖精度對水稻提取結(jié)果精度進行說明。水稻的用戶精度為85.11%,制圖精度為81.67%,Kappa系數(shù)0.83,表明該方法數(shù)據(jù)需求滿足程度高,并能夠獲得較高的精度,具有在業(yè)務(wù)監(jiān)測中應(yīng)用的價值。

    表2 水稻種植面積遙感識別分區(qū)統(tǒng)計Table 2 Zoning statistics of rice planting area

    表3 基于OLI影像的水稻面積遙感識別精度Table 3 Rice area remote sensing identification accuracy based on OLI images

    129/033和129/034幅的10景影像覆蓋范圍較大且云量較少,而軌道號130/034的4景數(shù)據(jù)質(zhì)量較差,云覆蓋較多,提取的過程中按照云量設(shè)置了使用優(yōu)先級,即129/033優(yōu)先級最高,其次是129/034,最后為130/034,水稻面積在3景中分別占60.41%、32.88%和6.71%(表3)。各景精度不盡一致,129/033、129/034和130/034水稻用戶精度分別為87.57%、83.53%、65.05%;制圖精度分別為83.37%、78.39%、76.12%;Kappa系數(shù)分別為0.85、0.80、0.69。無論制圖精度,還是用戶精度,都隨著影像云量增多而下降,其中130/034的用戶精度最低為65.05%,由于該景水稻占比較小,因此對總體精度影響不大。

    對比高分辨率的寧夏水稻面積本底調(diào)查結(jié)果,分析水稻漏分和錯分的主要原因。對比發(fā)現(xiàn),由于OLI空間分辨率較低,使得混合像元被錯分為水稻或其他地類,導(dǎo)致水稻的用戶精度和制圖精度降低的主要因素,這也表明30 m分辨率衛(wèi)星影像依然無法有效排除混合像元對作物提取的干擾,只有提高衛(wèi)星影像分辨率或使用混合像元分解才能進一步提高水稻面積提取的精度。除混合像元情況之外,導(dǎo)致用戶精度降低的因素主要是道路兩側(cè)的植被、以及部分濕地被錯分為水稻;導(dǎo)致制圖精度降低的主要因素是部分水稻地類被錯誤的劃分為濕地/水體。

    4.2 與監(jiān)督分類方法比較

    訓(xùn)練樣本確定:制作覆蓋研究區(qū)本底數(shù)據(jù)8 km× 10 km格網(wǎng)作為抽樣基本單元,格網(wǎng)內(nèi)的作物面積比例作為抽樣參數(shù),采用等概率原則進行地面樣方抽樣。覆蓋研究區(qū)本底數(shù)據(jù)的網(wǎng)格單元共計400個,其中98個格網(wǎng)覆蓋在本底上。分別在129/033、129/034、130/034影像范圍內(nèi)等概率提取10、7、7個網(wǎng)格作為監(jiān)督分類的樣方。

    圖7 監(jiān)督分類訓(xùn)練樣本選取示意圖Fig.7 Sketch map of supervised classification training sample selection

    監(jiān)督分類及精度評價:采用基于最大似然分類器的監(jiān)督分類方法分別對研究區(qū) Landsat 8 OLI 影像進行作物面積識別,以2016年3-6月NDVI最大值合成影像、5-6月IR最小值合成影像、3-4月IR最小值合成影像和5-6月SWI最小值合成影像作為多時相影像進行面積識別。最后將分類結(jié)果與整個研究區(qū)的目視解譯結(jié)果進行對比,得到精度評價結(jié)果(如表3所示),水稻的用戶精度和制圖精度分別為76.98%、61.66%,Kappa系數(shù)為0.64。通過與監(jiān)督分類方法提取的水稻結(jié)果驗證精度相比較,本文采用的以NDVI最大值、IR最小值和SWI最小值構(gòu)建的決策樹方法更具有優(yōu)勢,用戶精度相比提高了8.13個百分點,制圖精度更是提高了20.01個百分點。

    5 結(jié)論與討論

    該文研究結(jié)果表明,基于在軌的可見光波段的數(shù)據(jù),采用過程明確的決策樹分類方法,能夠完成地區(qū)、省級尺度上的水稻面積識別,水稻識別用戶精度達到85.11%,制圖精度達81.67%,相比監(jiān)督分類方法,該文方法水稻用戶精度提高了8.13個百分點,制圖精度更是提高了20.01個百分點,能夠滿足區(qū)域水稻面積遙感監(jiān)測的業(yè)務(wù)需要。準確把握水稻與其他作物區(qū)別的關(guān)鍵時期、有效去除云影響獲取關(guān)鍵時期晴空遙感數(shù)據(jù)是區(qū)域水稻面積提取的2個主要方面。對比寧夏高分辨率水稻分布底圖,發(fā)現(xiàn)影響OLI水稻面積提取精度的主要因素是混合像元,其次是水稻與濕地植被、道路兩側(cè)植被之間的混淆。

    水稻與其他地物類型光譜最大差別的關(guān)鍵期選擇。這個問題是與地物分類系統(tǒng)相關(guān)聯(lián)的,準確的說,這個地物分類系統(tǒng)是以光譜反射率差異為指標的,而非傳統(tǒng)的社會屬性系統(tǒng)。該文將研究區(qū)內(nèi)的地物系統(tǒng)分類為水稻、疏林灌叢、旱地(林地)、撂荒地、濕地(水體)、其他6種地物類型,就是根據(jù)水稻識別過程中分類光譜差異進行分類的。這樣的分類系統(tǒng)優(yōu)點很明顯,能夠避免異物同譜、同物異譜帶來的標識困難的問題,避免了復(fù)雜的分類系統(tǒng)造成分類方案的復(fù)雜性。在光譜差異最大時期的選擇,實際上覆蓋了作物前期,說明水稻面積識別時相選擇要覆蓋前期的各個時期。選擇的關(guān)鍵期有3個階段,即3-4月作物未發(fā)育時期,與水稻水體特征容易混淆的濕地(水體)可以被明顯識別,在作物生長旺盛期與耕地(水田、旱地)容易混淆的疏林灌叢也可以被識別;5月作物開始發(fā)育時期,水稻的水體特征最為明顯,并且水田全部灌水,避免了水田的遺漏;6月作物生長旺盛時期,作物特征明顯,可以排除5種地物類型以外的地物類型。關(guān)鍵期無云影像合成能夠捕捉到水稻生長的關(guān)鍵時期,是區(qū)域水稻面積識別的前提。首先進行云檢測,再進行指數(shù)合成,思路清晰簡明,是比較傳統(tǒng)的方法。但受限于云檢測方法,云的污染徹底去除將會影響識別精度。采取指數(shù)合成的方法比較簡便,但也需要對指數(shù)合成的方向性進行詳細分析。該文使用NDVI最大值是得到諸多研究認可的,但使用近紅外波段反射率最小值合成的方法受到陰影的影響,如何有效去除陰影影像,提高影像的利用效率仍需深入的研究。此外,更高的時間分辨率對于獲取無云像元也是至關(guān)重要的,在實際的操作中,可以結(jié)合GF-1等高時間分辨率的衛(wèi)星影像輔助進行水稻提取。

    分類方法的普適性的問題,也是區(qū)域遙感監(jiān)測業(yè)務(wù)中需要考慮的問題。首先是分區(qū)單元的問題,其次是衛(wèi)星數(shù)據(jù)的適用性問題。在區(qū)域遙感監(jiān)測業(yè)務(wù)中,通過數(shù)據(jù)拼接成為完整的行政單元再進行分類,在實際的監(jiān)測業(yè)務(wù)中可行性很低。主要原因一是造成差異化的區(qū)域識別閾值難以應(yīng)用,二是數(shù)據(jù)量過大造成的運行效率過低。解決上述問題的方式,一般是通過分塊或者分區(qū)的方式進行的,對于類似于Landsat 8 OLI這樣“景”單位一致的數(shù)據(jù),在區(qū)域識別閾值通用的情況下,直接采用“景”單位更有利于提高效率;對于“景”單位不一致的情況,相對比較復(fù)雜,采用地形圖格網(wǎng)或者公共區(qū)域的方式更為適用。在一個衛(wèi)星上開發(fā)的算法是否能夠應(yīng)用到另一個衛(wèi)星,波段設(shè)置一致性的問題尤為重要。該文研究中,濕地(水體)主要是依據(jù)3-4月的近紅外波段反射率閾值去除的,撂荒地是根據(jù)5月份短波紅外波段去除的。聯(lián)系相關(guān)的衛(wèi)星載荷可知,近紅外波段是較為常見的波段,在國產(chǎn)GF衛(wèi)星系列、國外Landsat 8系列中都具備,但是短波紅外波段則僅在少數(shù)衛(wèi)星上具備,結(jié)合以往研究經(jīng)驗,替代短波紅外需要多時相的可見光波段數(shù)據(jù)替代。

    [1] Mostafa K M, Quazi K H, Ehsan H C. Application of remote sensors in mapping rice area and forecasting its production: A review[J]. Sensors, 2015, 15(1): 769-791.

    [2] Diuk-Wasser M A, Bagayoko M, Sogoba N, et al. Mapping rice field anopheline breeding habitats in Mali, West Africa, using Landsat ETM+ sensor data[J]. Int J Remote Sensing, 2004, 25(2): 359-376.

    [3] Zhao Jinling, Xu Chao, Huang Linsheng, et al. Characterisation of spatial patterns of regional paddy rice with time series remotely sensed data[J]. Paddy Water Environ, 2016, 14(4): 439-449.

    [4] Wang Jing, Huang Jingfeng, Zhang Kangyu, et al. Rice fields mapping in fragmented area using multi-temporal HJ-1A/B CCD images[J]. Remote Sensing, 2015, 7(4): 3467-3488.

    [5] More Revati S, Manjunath K R, Jain Nayan K, et al. Derivation of rice crop calendar and evaluation of crop phenometrics and latitudinal relationship for major south and south-east Asian countries: A remote sensing approach[J]. Computers and Electronics in Agriculture, 2016, 127: 336-350.

    [6] Wijesinghaa J S J, Deshapriyab N L, Samarakoon L. Rice crop monitoring and yield assessment with MODIS 250m gridded vegetation product: A case study in Sa Kaeo province, Thailand[C]. Berlin, Grmany: International Symposium on Remote Sensing of Environment, 2015.

    [7] Zhang Geli, Xiao Xiangming, Dong Jinwei, et al. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106: 157-171.

    [8] Ali Asgarian, Alireza Soffianian, Saeid Pourmanafi. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery[J]. Computers and Electronics in Agriculture, 2016, 127: 531-540.

    [9] Elshorbagy A M, Imam E H, Nour M H. Rice area inter annual variation through a remote sensing based mapping algorithm[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2013, XL-7/W2: 81-85.

    [10] Zhang Huanxue, Li Qiangzi, Fan Lei, et al. Research on rice acreage estimation in fragmented area based on decomposition of mixed pixels[J]. International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2015, XL-7/W3(7): 133-139.

    [11] Chen L. Assessment of a fully soft classification approach using back propagation neural network in estimating of rice growing area[J]. Proc Spie, 2011, 7752(1): 116-116.

    [12] Inoue Y, Kurosu T, Maeno H, et al. Season-long daily measurements of multifrequency (Ka, Ku, X, C, and L) and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J]. Remote Sensing Environment, 2002, 81(2): 194-204.

    [13] Kei Oyoshi, Nobuhiro Tomiyama, Toshio Okumura, et al. Mapping rice-planted areas using time-series synthetic aperture radar data for the Asia-RiCE activity[J]. Paddy Water Environ, 2016, 14(4): 463-472.

    [14] Panigrahy S, Jain V, Patnaik C. Identification of rice crop in Bangladesh using temporal C-Band SAR: A feasibility study[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(4): 599-606.

    [15] Haldar D, Patnaik C. Synergistic use of multi-temporal radarsat SAR and AWiFS data for rabi, rice identification[J]. Journal of the Indian Society of Remote Sensing, 2010, 38(1): 153-160.

    [16] Asilo S, De Bie K, Skidmore A, et al. Complementarity of two rice mapping approaches: Characterizing strata mapped by hypertemporal MODIS and rice paddy identification using multitemporal SAR[J]. Remote Sensing, 2014, 6(12): 12789-12814.

    [17] Karila K, Nevalainen O, Krooks A, et al. Monitoring changes in rice cultivated area from SAR and optical satellite images in Ben Tre and Tra Vinh Provinces in Mekong Delta, Vietnam[J]. Remote Sensing, 2014, 6(5): 4090-4108.

    [18] Christoph Hüt, Wolfgang Koppe, Yuxin Miao, et al. Best accuracy land use/land cover (LULC) classification to derive crop types using multitemporal, multisensor, and multi-polarization SAR satellite images[J]. Remote sensing, 2016, 8(8): 684.

    [19] Villa P, Stroppiana D, Fontanelli G, et al. In-season mapping of crop type with optical and X-band SAR data: A classification tree approach using synoptic seasonal features[J]. Remote Sensing, 2015, 7(10): 12859-12886.

    [20] 肖驍,張英,翟亮,等.單雙季水稻遙感識別方法[J].遙感信息,2016,31(3):45-50.

    Xiao Xiao, Zhang Ying, Zhai Liang, et al. Identification of single-cropped and double-cropped paddy rice based on MODIS data[J]. Remote Sensing Information, 2016, 31(3): 45-50. (in Chinese with English abstract)

    [21] 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[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報:自然科學(xué)版,2013,39(2):137-140.

    Huang Zhenguo, Chen Zhongxin, Liu Fangqing, et al. Mapping rice planting area using SPOT5 imagery: Taking Zhuzhou, Hunan as an example[J]. Journal of Hunan Agricultural University Natural Sciences, 2013, 39(2): 137-140. (in Chinese with English abstract)

    [22] 李根,景元書,王琳,等. 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[J]. 大氣科學(xué)學(xué)報,2014,37(1):119-126.

    Li Gen, Jing Yuanshu, Wang Lin, et al. Extraction of paddy planting areas based on MODIS vegetation index time series and linear spectral mixture model[J]. Transactions of Atmospheric Sciences, 2014, 37(1): 119-126. (in Chinese with English abstract)

    [23] 易沵濼,卓莉,葉濤,等. 決策回歸樹提取水稻面積的關(guān)鍵特征波段[J]. 遙感信息,2015,30(3):80-84.

    Yi Miluo, Zhuo Li, Ye Tao, et al. Key input features in CART decision tree for paddy rice discrimination[J]. Remote Sensing Information, 2015, 30(3): 80-84. (in Chinese with English abstract)

    [24] 孫佩軍,張錦水,潘耀忠,等. 構(gòu)建時空融合模型進行水稻遙感識別[J]. 遙感學(xué)報,2015,20(2):328-343.

    Sun Peijun, Zhang Jinshui, Pan Yaozhong, et al. Temporal-spatial-fusion model for area extraction of paddy rice using multi-temporal remote sensing images[J]. Journal of Remote Sensing, 2015, 20(2): 328-343. (in Chinese with English abstract)

    [25] 李志鵬,李正國,劉珍環(huán),等. 基于中分辨TM數(shù)據(jù)的水稻提取方法對比研究[J]. 中國農(nóng)業(yè)資源與區(qū)劃,2014,35(1):27-33.

    Li Zhipeng, Li Zhengguo, Liu Zhenhuan, et al. Contrasting tow classification methods in mapping paddy rice using the mid-resolution TM image[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 27-33. (in Chinese with English abstract)

    [26] 黃維,黃進良,王立輝,等. 多時相遙感影像檢測平樂縣晚稻種植面積變化[J]. 農(nóng)業(yè)工程學(xué)報,2014,30(21):174-183.

    Huang Wei, Huang Jinliang, Wang Lihui, et al. Detection of late rice’s planting area change in Pingle County based on multi-temporal remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 174-183. (in Chinese with English abstract)

    [27] 許玉萍,鵬程,秦自成,等. NDVI時序曲線形狀相似性模型的水稻提取方法[J]. 地理空間信息,2016,14(8):56-60.

    Xu Yuping, Peng Cheng, Qin Zicheng, et al. Extraction technology of paddy rice based on NDVI time series curves shape similarity model[J]. Geospatial Information, 2016, 14(8): 56-60. (in Chinese with English abstract)

    [28] 耿利寧,景元書,楊沈斌,等. 基于FastICA算法和MODIS數(shù)據(jù)的水稻面積提取[J]. 大氣科學(xué)學(xué)報,2015,38(6):819-826.

    Geng Lining, Jing Yuanshu, Yang Shen-bin, et al. Extracting the paddy rice area from MODIS imagery by FastICA algorithm[J]. Transactions of Atmospheric Sciences, 2015, 38(6): 819-826. (in Chinese with English abstract)

    [29] 馬孟莉,朱 艷,李文龍,等. 基于分層多端元混合像元分解的水稻面積信息提取[J]. 農(nóng)業(yè)工程學(xué)報,2012,28(2):154-159.

    Ma Mengli, Zhu Yan, Li Wenlong, et al. Extracting area information of paddy rice based on stratified multiple endmember spectral mixture analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(2): 154-159. (in Chinese with English abstract)

    [30] 林子晶,李衛(wèi)國,申雙和,等. HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報,2016,32(1):111-117.

    Lin Zijing, Li Weiguo, Shen Shuanghe, et al. Application of HJ and GF1 image data to extract rice planting area[J]. Jiangsu Journal of Agricultural Sciences, 2016, 32(1): 111-117. (in Chinese with English abstract)

    [31] 張猛,曾永年. 基于多時相 Landsat 數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 農(nóng)業(yè)工程學(xué)報,2015,31(13):178-185.

    Zhang Meng, Zeng Yongnian. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 178-185. (in Chinese with English abstract)

    [32] 張細燕,何隆華. 基于SAR與Landsat TM的小區(qū)域稻田的識別研究:以南京市江寧區(qū)為例[J]. 遙感技術(shù)與應(yīng)用,2015,30(1):43-49.

    Zhang Xiyan, He Longhua. Study on paddy identification in Jiangning district based on SAR and Landsat TM data[J]. Remote Sensing Technology and Application, 2015, 30(1): 43-49. (in Chinese with English abstract)

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

    Wang Xiaoqin, Wang Qinmin, Shi Xiaoming, et al. Rice field mapping and monitoring using ASAR data based on principal component analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(10): 122-126. (in Chinese with English abstract)

    [34] 寧夏回族自治區(qū)統(tǒng)計局,國家統(tǒng)計局寧夏調(diào)查總隊. 寧夏統(tǒng)計年鑒2016年[M]. 北京:中國統(tǒng)計出版社,北京數(shù)通電子出版社,2017.

    [35] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

    [36] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing, 1988, 9(8): 1395-1398.

    [37] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593-600.

    Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data

    Liu Jia, Wang Limin※, Yao Baomin, Yang Fugang, Yang Lingbo, Wang Xiaolong, Cao Huaitang
    (Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, 100081, China)

    Current researches mostly focus on method and accuracy selection under the condition where data sources are rich but rarely study regional application of multiphase operation land imager (OLI). In this study, Ningxia Hui Autonomous Region was selected for analysis on regional application potential of multiphase OLI data. In order to objectively obtain Ningxia rice area spatial distribution information, to lay a technical foundation for regional crop remote sensing monitoring, and according to the principle of spectral consistency, this paper divided the study area into 6 ground types of rice, sparse forest and shrub, dry land/woodland, abandoned land, wetland/water bodies, and others. The period before July 10, 2016 was taken as the early stage of rice growth. The normalized difference vegetation index (NDVI), infrared reflectance (IR) and short waved index (SWI) were established by choosing the data of OLI carried by US LandSat-8 and using the images taken in the 6 periods of March 11th, April 12th, April 28th, May 30th, June 15thand July 1st. Based on the analysis of dynamic change of 3 indexes of NDVI, IR and SWI, especially on maximum NDVI, minimal IR, and minimal SWI, a decision tree was established, and the identification of rice types in the study area was conducted by using images between March 11 and July 1 of 2016. The basic processes of decision tree classification were: firstly the ground objects such as cities and towns and deserts were eliminated by using maximum NDVI from March to June; the sparse forest and shrubs were eliminated by using maximum NDVI from March to April; the dry land/woodlands were eliminated by using minimum IR from May to June; then wetland/water bodies were eliminated by using minimum IR from March to April; finally, the abandoned lands were eliminated by using minimum SWI from May to June. The remaining pixels were taken as rice. The accuracy verification was conducted by using the highly accurate GF-2 remote sensing (the resolution was 4 m) survey results of rice area background of this region. The extraction accuracy of GF-2 was as high as 99% above. The results showed that the planting area by GF-2 was 91 910 hm2and the rice planting area was 88 030 hm2by the OLI data. The total extraction error was only -4.22% with the Kappa coefficient of 0.83; the user's classification accuracy of rice spatial distribution was 85.11% with the mapping accuracy of 81.67%. Among the total rice area, the area in Pingluo, Helan, Yingchuan, Qingtunxia, Lingwu, Shapotou, Litong, Yongning, Zhongning, Dawukou and Huinong accounted for 27.71%, 16.76%, 13.69%, 11.87%, 9.93%, 6.72%, 5.34%, 3.27%, 2.24%, 1.60% and 0.87%, respectively. The rice was mostly distributed in the north of Yellow River Irrigation Area. The extraction area based on different phases was different. The rice area proportion of 129/033,129/034 and 130/034 images was 60.41%, 32.88% and 6.71%, respectively. Compared with the user’s accuracy of maximum likelihood supervised classification algorithm on the rice area extraction of 76.98% and the mapping accuracy of 61.66% in this area, the method used in this paper showed an increase of 8.13 percentage points in the user’s accuracy, and an increase of even 20.01 percentage points in the mapping accuracy. The result shows that, the method proposed here of establishment of decision classifying tree by using the satellite images of early stage OLI remote sensing time series of rice growth before July 10, and based on the analysis of changing pattern of time series of staple crops can accurately extract the staple crop planting area, and it is a potential method for regional crop area remote sensing monitoring operations.

    remote sensing; crops; identification; LandSat-8; OLI; multi-temporal; Ningxia; rice; area

    10.11975/j.issn.1002-6819.2017.15.026

    S127

    A

    1002-6819(2017)-15-0200-10

    2017-02-28

    2017-07-10

    國家重點研發(fā)計劃“糧食作物生長監(jiān)測診斷與精確栽培技術(shù)”課題“作物生長與生產(chǎn)力衛(wèi)星遙感監(jiān)測預(yù)測”(2016YFD0300603)

    劉 佳,女,漢族,湖南人,研究員,主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運行研究。北京 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,100081。Email:liujia06@caas.cn

    ※通信作者:王利民,男,蒙古族,內(nèi)蒙古寧城人,博士,主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運行研究。北京 中國農(nóng)業(yè)科學(xué)研究院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所,100081。Email:wanglimin01@caas.cn

    猜你喜歡
    水體面積精度
    怎樣圍面積最大
    農(nóng)村黑臭水體治理和污水處理淺探
    最大的面積
    生態(tài)修復(fù)理念在河道水體治理中的應(yīng)用
    巧用面積法解幾何題
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    巧用面積求坐標
    廣元:治理黑臭水體 再還水清岸美
    GPS/GLONASS/BDS組合PPP精度分析
    改進的Goldschmidt雙精度浮點除法器
    美女午夜性视频免费| cao死你这个sao货| 国产精品秋霞免费鲁丝片| 国产片内射在线| 午夜91福利影院| 日本黄色视频三级网站网址 | 天堂动漫精品| 中文欧美无线码| av一本久久久久| 久久精品亚洲熟妇少妇任你| 女人高潮潮喷娇喘18禁视频| 91成年电影在线观看| 波多野结衣一区麻豆| 在线播放国产精品三级| 热99国产精品久久久久久7| 国产在线一区二区三区精| 久久久久精品人妻al黑| 日韩有码中文字幕| 91精品国产国语对白视频| 欧美日韩黄片免| 一进一出好大好爽视频| 国产精品 国内视频| 日韩大片免费观看网站| 在线十欧美十亚洲十日本专区| 亚洲精品在线观看二区| 日韩视频一区二区在线观看| 女人精品久久久久毛片| 国产精品久久久久成人av| 精品亚洲乱码少妇综合久久| 少妇裸体淫交视频免费看高清 | 国产免费现黄频在线看| 精品国产一区二区久久| 丁香六月欧美| 久久精品国产a三级三级三级| 国产在线视频一区二区| 女警被强在线播放| 91老司机精品| 精品国产国语对白av| 精品卡一卡二卡四卡免费| 大片免费播放器 马上看| 日韩一区二区三区影片| 国产精品久久久人人做人人爽| 大型av网站在线播放| 狂野欧美激情性xxxx| 天天躁日日躁夜夜躁夜夜| 好男人电影高清在线观看| 国产一区二区三区综合在线观看| av福利片在线| 精品高清国产在线一区| 免费看a级黄色片| 性高湖久久久久久久久免费观看| 亚洲伊人久久精品综合| 成人精品一区二区免费| 乱人伦中国视频| 久久精品人人爽人人爽视色| 亚洲免费av在线视频| 丝袜美足系列| 丝袜喷水一区| 精品福利永久在线观看| 多毛熟女@视频| 老熟妇乱子伦视频在线观看| a级片在线免费高清观看视频| 母亲3免费完整高清在线观看| 午夜成年电影在线免费观看| 国产精品1区2区在线观看. | 亚洲精品美女久久av网站| 最黄视频免费看| 亚洲 欧美一区二区三区| 999精品在线视频| 亚洲熟妇熟女久久| 菩萨蛮人人尽说江南好唐韦庄| 日日爽夜夜爽网站| av天堂在线播放| 亚洲人成77777在线视频| 日本wwww免费看| 色播在线永久视频| 精品亚洲乱码少妇综合久久| cao死你这个sao货| 50天的宝宝边吃奶边哭怎么回事| 国产欧美日韩一区二区三区在线| 极品教师在线免费播放| av网站在线播放免费| 欧美激情久久久久久爽电影 | 91老司机精品| 老熟女久久久| 男女免费视频国产| av天堂久久9| 国产精品亚洲一级av第二区| 国产欧美亚洲国产| 性少妇av在线| 99国产精品一区二区三区| 日本欧美视频一区| 汤姆久久久久久久影院中文字幕| 日本av手机在线免费观看| 老司机靠b影院| 在线天堂中文资源库| 操出白浆在线播放| 亚洲午夜理论影院| 午夜福利乱码中文字幕| 精品人妻熟女毛片av久久网站| 波多野结衣一区麻豆| 久久国产亚洲av麻豆专区| www.自偷自拍.com| 大陆偷拍与自拍| 十分钟在线观看高清视频www| 中文字幕精品免费在线观看视频| 久久久欧美国产精品| 一区二区三区精品91| 天堂8中文在线网| 丝袜在线中文字幕| 久久人妻福利社区极品人妻图片| 狂野欧美激情性xxxx| 老司机在亚洲福利影院| 国产一卡二卡三卡精品| 视频区图区小说| 久久精品国产综合久久久| 亚洲美女黄片视频| 亚洲精华国产精华精| 91大片在线观看| 999精品在线视频| 90打野战视频偷拍视频| 18禁裸乳无遮挡动漫免费视频| 色婷婷久久久亚洲欧美| 80岁老熟妇乱子伦牲交| 亚洲五月婷婷丁香| 日日爽夜夜爽网站| 无遮挡黄片免费观看| 国产成人精品无人区| av天堂久久9| 丝袜在线中文字幕| 亚洲国产精品一区二区三区在线| 欧美日韩亚洲国产一区二区在线观看 | www.熟女人妻精品国产| 国产欧美日韩一区二区三区在线| 99国产综合亚洲精品| 精品午夜福利视频在线观看一区 | 免费观看人在逋| 亚洲综合色网址| 变态另类成人亚洲欧美熟女 | 一区二区三区乱码不卡18| 国产又爽黄色视频| 亚洲色图 男人天堂 中文字幕| 啦啦啦视频在线资源免费观看| 午夜免费成人在线视频| 视频在线观看一区二区三区| 国产精品久久久久久精品古装| 搡老岳熟女国产| 最近最新免费中文字幕在线| 色播在线永久视频| 国产91精品成人一区二区三区 | 巨乳人妻的诱惑在线观看| av超薄肉色丝袜交足视频| 黑人欧美特级aaaaaa片| 精品亚洲成国产av| 一级,二级,三级黄色视频| 脱女人内裤的视频| 久久狼人影院| 一进一出抽搐动态| a级毛片黄视频| 国产一卡二卡三卡精品| 日本撒尿小便嘘嘘汇集6| 在线 av 中文字幕| 成人亚洲精品一区在线观看| 熟女少妇亚洲综合色aaa.| 一区二区三区激情视频| 视频区欧美日本亚洲| 成年女人毛片免费观看观看9 | 黑人操中国人逼视频| 热re99久久精品国产66热6| 久久久国产欧美日韩av| 亚洲男人天堂网一区| 男女下面插进去视频免费观看| 精品国产乱码久久久久久小说| 精品午夜福利视频在线观看一区 | 男女午夜视频在线观看| 国产精品免费一区二区三区在线 | 人人妻人人爽人人添夜夜欢视频| 香蕉丝袜av| 69精品国产乱码久久久| 欧美国产精品一级二级三级| 91九色精品人成在线观看| 少妇粗大呻吟视频| 免费女性裸体啪啪无遮挡网站| 制服人妻中文乱码| 国产亚洲精品第一综合不卡| 91国产中文字幕| 国产成人精品久久二区二区免费| 久久av网站| 操美女的视频在线观看| 国产精品一区二区精品视频观看| 亚洲中文av在线| 操美女的视频在线观看| 亚洲精品成人av观看孕妇| 亚洲久久久国产精品| 亚洲人成伊人成综合网2020| 757午夜福利合集在线观看| 蜜桃在线观看..| 国产精品美女特级片免费视频播放器 | 亚洲精品久久成人aⅴ小说| 一级,二级,三级黄色视频| 黄色毛片三级朝国网站| 久久毛片免费看一区二区三区| 日本一区二区免费在线视频| 国产亚洲av高清不卡| 亚洲中文av在线| 欧美日韩亚洲国产一区二区在线观看 | 美国免费a级毛片| 在线观看免费视频网站a站| 国产欧美日韩一区二区精品| 国产精品久久久久久精品电影小说| 国产伦理片在线播放av一区| 久久久精品国产亚洲av高清涩受| 黑人巨大精品欧美一区二区mp4| 国产精品.久久久| 亚洲综合色网址| 动漫黄色视频在线观看| 在线看a的网站| 最新美女视频免费是黄的| 97在线人人人人妻| 亚洲精品自拍成人| netflix在线观看网站| 国产精品国产av在线观看| 一区在线观看完整版| 一本综合久久免费| 99re6热这里在线精品视频| 亚洲一码二码三码区别大吗| 午夜久久久在线观看| 国产成人欧美| 国产一区二区三区在线臀色熟女 | 精品一区二区三区av网在线观看 | 嫩草影视91久久| 成年动漫av网址| 欧美成狂野欧美在线观看| 搡老熟女国产l中国老女人| 宅男免费午夜| 欧美一级毛片孕妇| 亚洲全国av大片| 一级片免费观看大全| av国产精品久久久久影院| 精品亚洲成国产av| 精品国产乱码久久久久久小说| 下体分泌物呈黄色| 90打野战视频偷拍视频| 制服人妻中文乱码| avwww免费| 国产极品粉嫩免费观看在线| 侵犯人妻中文字幕一二三四区| 免费高清在线观看日韩| 91老司机精品| 另类亚洲欧美激情| 国产激情久久老熟女| 另类精品久久| 午夜福利在线观看吧| 香蕉久久夜色| 女性生殖器流出的白浆| 丰满迷人的少妇在线观看| 亚洲国产毛片av蜜桃av| 国产麻豆69| 日韩中文字幕欧美一区二区| 啪啪无遮挡十八禁网站| 中文字幕高清在线视频| 精品少妇黑人巨大在线播放| 国产高清videossex| 自线自在国产av| 一边摸一边抽搐一进一小说 | 午夜免费成人在线视频| 亚洲人成电影免费在线| 不卡一级毛片| 99riav亚洲国产免费| 欧美精品啪啪一区二区三区| 免费高清在线观看日韩| 啦啦啦视频在线资源免费观看| 80岁老熟妇乱子伦牲交| 午夜久久久在线观看| 精品亚洲乱码少妇综合久久| 午夜老司机福利片| 黑人巨大精品欧美一区二区mp4| 女人久久www免费人成看片| 亚洲伊人久久精品综合| 日韩视频一区二区在线观看| 欧美精品人与动牲交sv欧美| 免费在线观看黄色视频的| 人人澡人人妻人| 午夜激情av网站| 啦啦啦 在线观看视频| 最近最新中文字幕大全免费视频| 亚洲国产av影院在线观看| 久久国产精品人妻蜜桃| 亚洲熟女毛片儿| 精品一区二区三卡| 天天操日日干夜夜撸| 首页视频小说图片口味搜索| 黑人操中国人逼视频| 精品亚洲乱码少妇综合久久| 国产午夜精品久久久久久| 亚洲五月婷婷丁香| 国产人伦9x9x在线观看| 国产精品一区二区精品视频观看| 亚洲成人国产一区在线观看| 成人手机av| 久久久久久久久免费视频了| 日本黄色视频三级网站网址 | 色精品久久人妻99蜜桃| 无人区码免费观看不卡 | 麻豆av在线久日| 91九色精品人成在线观看| 中文字幕人妻丝袜一区二区| 国产高清videossex| 国产真人三级小视频在线观看| 亚洲人成电影免费在线| 婷婷成人精品国产| 日韩人妻精品一区2区三区| 免费日韩欧美在线观看| 99国产综合亚洲精品| 国产99久久九九免费精品| 一区福利在线观看| 18禁黄网站禁片午夜丰满| 日韩一区二区三区影片| 超色免费av| 午夜91福利影院| 岛国毛片在线播放| 黑人欧美特级aaaaaa片| 日本精品一区二区三区蜜桃| 人人澡人人妻人| 久热这里只有精品99| 久久久久视频综合| 天天躁狠狠躁夜夜躁狠狠躁| 18禁裸乳无遮挡动漫免费视频| 91字幕亚洲| 欧美日韩视频精品一区| 亚洲成人免费电影在线观看| 超色免费av| 在线观看免费视频日本深夜| 一边摸一边抽搐一进一小说 | 久久精品熟女亚洲av麻豆精品| 菩萨蛮人人尽说江南好唐韦庄| 纯流量卡能插随身wifi吗| 国产黄色免费在线视频| 欧美日韩精品网址| 满18在线观看网站| 亚洲一区中文字幕在线| 欧美在线一区亚洲| 久久精品亚洲熟妇少妇任你| 在线看a的网站| 久久精品亚洲熟妇少妇任你| 纵有疾风起免费观看全集完整版| 又黄又粗又硬又大视频| 亚洲性夜色夜夜综合| 成人精品一区二区免费| 黄色视频,在线免费观看| 日日摸夜夜添夜夜添小说| 亚洲,欧美精品.| 国产亚洲午夜精品一区二区久久| 热99久久久久精品小说推荐| 久久国产精品人妻蜜桃| 国产欧美日韩精品亚洲av| 亚洲情色 制服丝袜| 久久av网站| 两个人看的免费小视频| 男女床上黄色一级片免费看| 精品国产乱子伦一区二区三区| 黄片小视频在线播放| 丰满迷人的少妇在线观看| 久久中文看片网| 成人影院久久| 91精品三级在线观看| 亚洲情色 制服丝袜| 美女高潮喷水抽搐中文字幕| 亚洲 欧美一区二区三区| 久久久水蜜桃国产精品网| 一级毛片女人18水好多| 老汉色av国产亚洲站长工具| 啦啦啦在线免费观看视频4| 国产一区二区激情短视频| 国产av国产精品国产| 999久久久国产精品视频| 69av精品久久久久久 | 成人手机av| 亚洲三区欧美一区| 成人手机av| 日本一区二区免费在线视频| 老熟妇仑乱视频hdxx| 国产精品美女特级片免费视频播放器 | 啪啪无遮挡十八禁网站| 97人妻天天添夜夜摸| 午夜福利在线观看吧| 国产精品亚洲一级av第二区| 一区在线观看完整版| 少妇粗大呻吟视频| 日本撒尿小便嘘嘘汇集6| 亚洲伊人色综图| 日本vs欧美在线观看视频| 精品亚洲乱码少妇综合久久| 国产区一区二久久| 色在线成人网| 法律面前人人平等表现在哪些方面| av在线播放免费不卡| 午夜激情久久久久久久| av欧美777| 黄色丝袜av网址大全| 久久精品国产亚洲av香蕉五月 | 亚洲熟女毛片儿| 欧美精品一区二区免费开放| 久久久久久久大尺度免费视频| 69精品国产乱码久久久| 自线自在国产av| 女人精品久久久久毛片| 久久国产精品男人的天堂亚洲| 老司机午夜福利在线观看视频 | 99热网站在线观看| 国产野战对白在线观看| 精品久久蜜臀av无| 国产淫语在线视频| 亚洲欧洲精品一区二区精品久久久| 久热这里只有精品99| 黑人猛操日本美女一级片| 国产精品国产av在线观看| av天堂久久9| 亚洲,欧美精品.| 青青草视频在线视频观看| 国产欧美日韩精品亚洲av| 啦啦啦在线免费观看视频4| 亚洲中文av在线| 精品卡一卡二卡四卡免费| 叶爱在线成人免费视频播放| 老司机亚洲免费影院| 人成视频在线观看免费观看| 国产亚洲av高清不卡| 亚洲五月婷婷丁香| 日韩制服丝袜自拍偷拍| 欧美成人免费av一区二区三区 | www.999成人在线观看| 一级毛片女人18水好多| 色94色欧美一区二区| 精品高清国产在线一区| 性色av乱码一区二区三区2| 色老头精品视频在线观看| 国产福利在线免费观看视频| 精品福利观看| 青草久久国产| 成人国产一区最新在线观看| 99热网站在线观看| 久热这里只有精品99| 国产高清国产精品国产三级| 深夜精品福利| 国产免费视频播放在线视频| 中文字幕人妻丝袜制服| 手机成人av网站| 中亚洲国语对白在线视频| 不卡一级毛片| 精品国产一区二区久久| 巨乳人妻的诱惑在线观看| 精品国产乱子伦一区二区三区| 99re6热这里在线精品视频| 一区二区三区国产精品乱码| 高清黄色对白视频在线免费看| a级毛片黄视频| 1024视频免费在线观看| 纯流量卡能插随身wifi吗| 色婷婷av一区二区三区视频| 精品一区二区三卡| 我的亚洲天堂| 国产精品.久久久| 一区二区三区乱码不卡18| 国产成人精品无人区| 亚洲欧美激情在线| 成人黄色视频免费在线看| 亚洲 国产 在线| 亚洲伊人久久精品综合| 日韩欧美一区视频在线观看| 国产日韩一区二区三区精品不卡| 另类亚洲欧美激情| √禁漫天堂资源中文www| 在线观看一区二区三区激情| 黄色片一级片一级黄色片| 亚洲欧美激情在线| 人成视频在线观看免费观看| 亚洲av片天天在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲精品在线美女| 国产极品粉嫩免费观看在线| 搡老岳熟女国产| 亚洲欧洲精品一区二区精品久久久| 岛国毛片在线播放| 欧美精品啪啪一区二区三区| 大香蕉久久成人网| 国产精品影院久久| 欧美另类亚洲清纯唯美| 十八禁网站免费在线| 午夜福利影视在线免费观看| 麻豆av在线久日| 欧美 日韩 精品 国产| 首页视频小说图片口味搜索| 午夜福利一区二区在线看| 国精品久久久久久国模美| 俄罗斯特黄特色一大片| 国产精品99久久99久久久不卡| 久久香蕉激情| 国产日韩欧美在线精品| 国产aⅴ精品一区二区三区波| 国产三级黄色录像| 欧美国产精品va在线观看不卡| 1024视频免费在线观看| 大型黄色视频在线免费观看| 国产亚洲欧美精品永久| 国产不卡av网站在线观看| 久久99热这里只频精品6学生| 大陆偷拍与自拍| 手机成人av网站| 男人操女人黄网站| 在线观看人妻少妇| 在线播放国产精品三级| 国产精品.久久久| 9热在线视频观看99| 香蕉国产在线看| 老熟女久久久| 正在播放国产对白刺激| 女人久久www免费人成看片| 免费日韩欧美在线观看| 久久久国产成人免费| 午夜福利视频在线观看免费| 国产精品一区二区在线不卡| 午夜福利在线免费观看网站| 激情在线观看视频在线高清 | 国产av国产精品国产| 少妇裸体淫交视频免费看高清 | 久久人妻av系列| 午夜福利在线免费观看网站| 精品福利观看| 一进一出抽搐动态| 考比视频在线观看| 国产1区2区3区精品| 国产成人精品久久二区二区91| 中文亚洲av片在线观看爽 | 亚洲成人手机| av网站免费在线观看视频| 国产精品久久久久久精品古装| 中文字幕色久视频| 久久天堂一区二区三区四区| 精品国产国语对白av| 18在线观看网站| 亚洲av成人不卡在线观看播放网| 欧美另类亚洲清纯唯美| 久久久国产精品麻豆| 久热爱精品视频在线9| 亚洲国产av影院在线观看| 80岁老熟妇乱子伦牲交| netflix在线观看网站| 99riav亚洲国产免费| 丁香六月天网| 黑人欧美特级aaaaaa片| 日本a在线网址| 婷婷成人精品国产| 2018国产大陆天天弄谢| 19禁男女啪啪无遮挡网站| 午夜激情av网站| bbb黄色大片| 国产精品国产av在线观看| 色播在线永久视频| 黄片大片在线免费观看| 十八禁高潮呻吟视频| 免费av中文字幕在线| 成在线人永久免费视频| 亚洲欧美精品综合一区二区三区| 日韩有码中文字幕| av视频免费观看在线观看| 亚洲色图综合在线观看| 中亚洲国语对白在线视频| 成人国产一区最新在线观看| 国产精品 欧美亚洲| 黄色视频,在线免费观看| 亚洲精品成人av观看孕妇| 日本vs欧美在线观看视频| 亚洲av美国av| 夜夜骑夜夜射夜夜干| 久久久国产成人免费| 久久精品熟女亚洲av麻豆精品| 国产1区2区3区精品| 国产黄色免费在线视频| 无限看片的www在线观看| 嫁个100分男人电影在线观看| 精品人妻1区二区| 国产成人av激情在线播放| 精品免费久久久久久久清纯 | 国产三级黄色录像| 国产精品1区2区在线观看. | 夫妻午夜视频| 日韩熟女老妇一区二区性免费视频| 亚洲精品一卡2卡三卡4卡5卡| 国产区一区二久久| 美女高潮喷水抽搐中文字幕| 一边摸一边抽搐一进一出视频| 在线观看免费午夜福利视频| 午夜福利一区二区在线看| 黑人操中国人逼视频| 嫁个100分男人电影在线观看| 国产又爽黄色视频| 亚洲色图综合在线观看| 亚洲av国产av综合av卡| 亚洲美女黄片视频| 亚洲精品av麻豆狂野| 国产成人影院久久av| 波多野结衣av一区二区av| 欧美大码av| 天堂中文最新版在线下载| 亚洲 国产 在线| 亚洲精品国产色婷婷电影| 日本a在线网址| 三上悠亚av全集在线观看| 欧美中文综合在线视频| 国产男女超爽视频在线观看| 亚洲欧美日韩另类电影网站| 亚洲国产欧美在线一区| 露出奶头的视频| 丝袜在线中文字幕|