基于HJ與MODIS影像時空融合的水稻種植面積的提取

畢苗苗莊齊楓王 浩

（1.南京工業(yè)大學(xué) 測繪與科學(xué)技術(shù)學(xué)院 江蘇南京 211816 2.中國測繪科學(xué)研究院/攝影測量與遙感研究所 北京市 100073）

1 引言

我國的糧食作物生產(chǎn)中，水稻占有非常重要的地位。其播種面積占全國糧食總播種面積的27%，產(chǎn)量達(dá)到全國總產(chǎn)量的35%[1]。因此對水稻面積的監(jiān)測逐漸成為相關(guān)領(lǐng)域的熱點問題。而遙感技術(shù)因其覆蓋面積大、重訪周期短以及獲取成本相對低等特點，對大范圍的農(nóng)業(yè)生產(chǎn)調(diào)查和監(jiān)測管理具有獨特的作用[2]。

MODIS和中分辨率的HJ常被用于農(nóng)作物生長監(jiān)測，然而MODIS因分辨率較低，提取的精度較低；HJ等中分辨率影像盡管精度較高，但時間分辨率不足，在云雨影響較大的地區(qū)常因無法獲得最佳時相的影像而影響提取精度。

與單源遙感數(shù)據(jù)相比，多源數(shù)據(jù)融合可以獲得比單個輸入的數(shù)據(jù)元素更多的信息[3]。遙感的時空融合技術(shù)應(yīng)運而生，其核心是將高空間分辨率數(shù)據(jù)和高時間分辨率數(shù)據(jù)結(jié)合生成既有高空間分辨率和高時間分辨率特征的數(shù)據(jù)[4]。遙感時空融合技術(shù)的基本思想是利用線性混合模型，在已知的豐度矩陣和低空間分辨率像元反射率的基礎(chǔ)上，使用最小二乘法來解算中分辨率像元的類別平均反射率[5-6]。鄔明權(quán)等[7-8]提出了基于像元反射率的時間變化特征和前期中分辨率Landsat影像的紋理特征的時空融合技術(shù)。Gao[9]等在2006年提出了自適應(yīng)遙感圖像時空融合方法，即STARFM，不僅考慮了與目標(biāo)像元的距離和光譜相似性，還考慮了時間上的差異。蒙繼華等[10]基于STARFM算法，提出了能更好利用植被時間變化特征的STAVFM算法。

上述研究對不同的融合算法進(jìn)行了改進(jìn)，選擇合適的融合算法是成功提取水稻種植面積的關(guān)鍵。本文以高郵為研究區(qū)域，選擇發(fā)展比較成熟的STARFM和STAVFM兩種算法，使用環(huán)境星30m空間分辨率數(shù)據(jù)以及500m空間分辨率的MODIS 09GA產(chǎn)品。對比兩種算法融合結(jié)果，選擇精度較高的算法結(jié)果，并使用決策樹進(jìn)行水稻面積提取。

2 數(shù)據(jù)與方法

2.1 研究區(qū)介紹

研究區(qū)高郵（如圖1），經(jīng)緯度范圍：緯度32°38′-33°05′，東經(jīng) 119°13′-119°50′，地處江淮平原南端，蘇中地區(qū)。

高郵市主要農(nóng)作物以水稻和大豆為主，在蘇中地區(qū)中水稻種植具有代表性。高郵的水稻多以中稻為主，生長期為6月中旬到10月中旬。

圖1 高郵市

2.2 數(shù)據(jù)及預(yù)處理

2.2.1 環(huán)境星數(shù)據(jù)

環(huán)境星是較新國產(chǎn)衛(wèi)星，并以5.1%的使用頻率應(yīng)用于農(nóng)作物識別與監(jiān)測領(lǐng)域[11]。本文獲取的環(huán)境星數(shù)據(jù)為環(huán)境星A和B兩顆衛(wèi)星搭載的CCD相機獲取，空間分辨率為30m，共藍(lán)、綠、紅、近紅四個波段。

獲取了2015年6到9月的共8景影像，分別為2015年6月1號、6月19號、7月20號、8月4號、8月20號、9月11號、9月20號、10月9號。其中6月19號、7月20號、8月20號以及9月20號數(shù)據(jù)用來進(jìn)行質(zhì)量檢測。對所獲得的影像進(jìn)行輻射定標(biāo)、幾何糾正、大氣校正以及裁剪等預(yù)處理。

2.2.2 MODIS數(shù)據(jù)

自MODIS數(shù)據(jù)可以使用后，其時間分辨率高成本低的優(yōu)勢，使其成為農(nóng)情遙感監(jiān)測的重要手段[12-13]。本文采用500米的MODIS09GA反射率產(chǎn)品，獲取與HJ相同日期的影像。將所有的MODIS數(shù)據(jù)利用MODIS Reprojection Tool（MRT）工具采用最近鄰域法重采樣為30m分辨率，重投影為UTM-WGS84坐標(biāo)系，數(shù)據(jù)格式轉(zhuǎn)換為Geo-tif格式，提取出了藍(lán)、綠、紅和近紅波段。

2.3 融合數(shù)據(jù)

2.3.1 STARFM

STARFM模型主要是從低空間分辨率數(shù)據(jù)獲取時間信息，從中高空間分辨率獲取空間信息，融合出高空間、高時間分辨率產(chǎn)品。高分辨率數(shù)據(jù)的反射率可用低分辨率數(shù)據(jù)的像元反射率表示：

其中 G（xi，yi，tk）為 tk時刻坐標(biāo)為（xi，yi）處的高分辨率像元反射率；D（xi，yi，tk）為 tk 時刻坐標(biāo)為（xi，yi）處的低分辨率像元反射率，εi為tk時刻高與低分辨率數(shù)據(jù)的反射率差值。則未知t0時刻的高分辨率數(shù)據(jù)的反射率可表示為：

（1）（2）兩式相減可將t0時刻高分辨率的像元反射率表示為：

但是這只是地表覆蓋類型在tk到t0期間不發(fā)生變化的一種理想情況，當(dāng)土地覆蓋類型在預(yù)測期內(nèi)發(fā)生變化以及太陽幾何雙反射分布函數(shù)的改變導(dǎo)致預(yù)測期內(nèi)的反射率變化時，則計算中心像元點的反射率時只選擇移動窗口內(nèi)與中心像元光譜相似且無云的像元進(jìn)行計算：

其中：（xw/2，yw/2）是窗口中心的像元；Wijk為窗口內(nèi)定各像元在預(yù)測中心的權(quán)重；Sijk、Tijk和Dijk分別為給定位置（xi，yi）的低空間分辨率和高空間分辨率數(shù)據(jù)反射率的差值、低空間分辨率t0時刻影像與tk時刻之間的反射率差值和中心像元點與參與計算的像元點的幾何距離。三個參數(shù)的計算公式如下：

其中A是常數(shù)。

2.3.2 STAVFM

STAVFM算法是在STARFM算法的基礎(chǔ)上對時間維的計算制定了新的規(guī)則，定義48天為有效的預(yù)測時間窗口半徑，這樣可以保證至少2期的有效數(shù)據(jù)的獲取。使用窗口內(nèi)預(yù)測期前后時間距離最小的兩期數(shù)據(jù)進(jìn)行預(yù)測，其具體方法是對預(yù)測期前后兩期數(shù)據(jù)分別預(yù)測，對兩個預(yù)測的結(jié)果取時間距離加權(quán)的平均：

2.4 融合精度驗證與水稻分類評價

本文通過在研究區(qū)實地采樣230個水稻采樣點以及80個大豆采樣點，用于融合精度驗證以及水稻提取精度驗證。計算兩種算法融合結(jié)果與真實影像之間的近紅外反射率決定系數(shù)，

SSR為回歸平方和，SST為總離差平方和。即可比較出在此研究區(qū)域融合精度較高的算法。

使用此算法融合結(jié)果，提取關(guān)鍵物候期水稻采樣點NDVI值，得出成熟水稻穩(wěn)定NDVI值，使用決策樹提取水稻面積。張曉憶等使用此方法提取了淮安地區(qū)的水稻種植面積[14]。再根據(jù)部分水稻采樣點以及大豆采樣點作混淆矩陣，用Kappa系數(shù)、總體分類精度、制圖精度

3 結(jié)果與分析

3.1 融合結(jié)果

3.1.2 S TARFM融合結(jié)果

STARFM算法的數(shù)據(jù)融合配對方式為表1

表1 STARFM算法數(shù)據(jù)融合過程

輸入模型中運算出的影像如圖2：

圖2 STARFM算法融合出來的影像

經(jīng)過輻射定標(biāo)大氣校正以及裁剪等預(yù)處理過的實際環(huán)境星影像如圖3

圖3 真實HJ影像

提取實地獲取的水稻采樣點近紅外反射率做散點圖，得到融合數(shù)據(jù)與真實數(shù)據(jù)之間的決定系數(shù)圖4：

圖4 STARFM算法反射率散點圖

四組數(shù)據(jù)的決定系數(shù)都大于0.7，融合效果較好，精度較高，符合水稻的反射率隨其生育進(jìn)程會發(fā)生規(guī)律的變化[15]，

3.1.2 STAVFM算法融合結(jié)果

STAVFM需要兩組數(shù)據(jù)來預(yù)測所需的數(shù)據(jù)，本實驗所用的數(shù)據(jù)如表2

表2 STAVFM算法數(shù)據(jù)融合過程

輸入模型運算出的影像如圖5：

圖5 STAVFM算法融合出來的影像

與圖2的真實HJ影像相比，融合效果較差。提取采樣點的近紅外反射率進(jìn)行精度評定如圖6。決定系數(shù)R2在0.5左右，低于STARFM算法融合結(jié)果的決定系數(shù)值，由此可見STAVFM在此區(qū)域的融合效果不佳。

3.2 分析

由真實HJ影像可看出，6月中下旬的影像植被覆蓋不明顯，這與研究區(qū)的農(nóng)作物類型有關(guān)系。6月正是高郵冬小麥?zhǔn)斋@的時期，小麥?zhǔn)崭詈?，農(nóng)田放水，進(jìn)行水稻栽植，7月到10月之間土地覆蓋類型基本穩(wěn)定不變。

通過目視解譯可看出STARFM算法在此區(qū)域的融合影像與真實獲取的HJ影像相似度較高，效果較好，通過獲取的近紅外反射率散點圖進(jìn)一步驗證了精度結(jié)果。決定系數(shù)取值范圍在0-1之間，值越靠近1，說明相關(guān)程度越高，融合效果越好。STARFM算法的融合結(jié)果決定系數(shù)穩(wěn)定在0.7-0.8，而STAVFM融合結(jié)果的決定系數(shù)只有0.5左右，所以STARFM算法的融合精度在此研究區(qū)域要高于STAVFM算法。本文將使用精度較高的STARFM算法的融合結(jié)果，來進(jìn)行水稻面積的提取。

圖6 STAVFM算法反射率散點圖

4 水稻種植面積提取及分析

NDVI是反應(yīng)作物生長情況的重要參數(shù)，提取STARFM算法得到的7月、8月和9月部分采樣點的NDVI值。由圖7可知，7月到8月的NDVI值呈現(xiàn)增長狀態(tài)，8月穩(wěn)定在0.7-0.8之間，9月20日的NDVI值與8月20日比有所降低，在0.6-0.7之間。這與NDVI與水稻的生長周期的關(guān)系[16]相吻合。本文選用8月20號的STARFM融合結(jié)果的NDVI進(jìn)行水稻面積提取。

圖7 STARFM算法反射率散點圖

圖8 水稻分類圖

本文利用8月20日的NDVI數(shù)據(jù)通過決策樹分類方法，得到水稻的分布圖8，分類統(tǒng)計結(jié)果為480495000m2，即72.0747萬畝。由農(nóng)業(yè)部門獲取到的2015年高郵地區(qū)的水稻種植面積為86.07萬畝，兩者的誤差為16.3%，提取精度為83%。

混淆矩陣也稱為誤差矩陣，是表示精度評價的一種標(biāo)準(zhǔn)格式。其主要評價指標(biāo)有：總體分類精度，指分類圖像中正確分類的像元總數(shù)與總數(shù)像元比值；Kappa系數(shù)，用于評價圖像分類結(jié)果的精度，計算公式為：

其中K是Kappa系數(shù)，r是誤差矩陣的行數(shù)，Xii是主對角線上的值，Xi+和X+i分別是第i行的和與第i列的和，N是樣點總數(shù)。

根據(jù)剩下的水稻采樣點以及大豆采樣點做混淆矩陣.，分類的精度為 87.2146%，Kappa系數(shù)為0.7060，分類效果高度一致，分類提取的結(jié)果有效。

5 結(jié)論

以江蘇省高郵市為實驗區(qū)，采用STARFM和STAVFM兩種時空融合算法，將真實的環(huán)境星數(shù)據(jù)和MODIS 09GA產(chǎn)品進(jìn)行反射率融合，得到高空間高時間分辨率特征的融合影像。并分別將兩種融合結(jié)果與真實影像比較，可知STARFM的算法在高郵地區(qū)的融合精度較高。根據(jù)研究區(qū)的水稻物候，選擇水稻識別關(guān)鍵時期的STARFM融合影像，獲得高郵地區(qū)的NDVI影像，并利用決策樹分類法實現(xiàn)了水稻分類，提取出了高郵地區(qū)2015年的水稻種植面積。與實際水稻種植面積相比，融合方法得到的水稻面積精度可以達(dá)到83%以上。研究結(jié)果：

（1）時空融合技術(shù)可以利用HJ數(shù)據(jù)和MODIS數(shù)據(jù)的融合數(shù)據(jù)代替水稻生長季節(jié)缺失或低質(zhì)量數(shù)據(jù)。

（2）利用STARFM時空融合算法得到的融合影像效果較好，滿足水稻面積提取的要求。

（3）STAVFM算法不適合研究區(qū)域的時空數(shù)據(jù)融合實驗，在農(nóng)作物變化較明顯的時期應(yīng)使用時間間隔較短的兩組數(shù)據(jù)進(jìn)行預(yù)測。