基于GF-1與MODIS時(shí)空融合的南方丘陵區(qū)水稻提取研究*

王建勛，華 麗※，鄧世超，王惠東， 2，陳家慧

(1.華中農(nóng)業(yè)大學(xué)水土保持研究中心，湖北武漢 430070； 2.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430079)

0 引言

水稻作為我國(guó)重要的糧食作物，其分布十分廣泛。研究水稻空間種植分布可以為水稻精準(zhǔn)估產(chǎn)與農(nóng)業(yè)政策制定提供技術(shù)支持，對(duì)保障國(guó)家農(nóng)業(yè)發(fā)展和糧食安全具有重要意義[1-3]。傳統(tǒng)方法對(duì)水稻面積的研究多基于統(tǒng)計(jì)數(shù)據(jù)，該方法難以獲得精確的空間分布信息。隨著遙感技術(shù)的飛速發(fā)展，基于遙感技術(shù)的水稻提取研究取得了一定成果[4-8]。但這些研究區(qū)域多集中在地勢(shì)平坦、地物類型單一的平原區(qū)，針對(duì)南方丘陵區(qū)地形復(fù)雜、地類斑塊破碎的特點(diǎn)，如何提高水稻分布面積提取效率和精度成為當(dāng)前研究的難點(diǎn)和熱點(diǎn)。

當(dāng)前水稻識(shí)別與分類主要包括兩大類方法：基于單一高分辨率影像和基于多源影像數(shù)據(jù)的水稻分類提取。高分辨率影像主要包括IKONOS和SPOT等，其優(yōu)勢(shì)在于此類影像地物紋理、色調(diào)與形狀等特征較為豐富，不同地類之間差異大且容易識(shí)別。國(guó)內(nèi)外一些學(xué)者利用高分辨率數(shù)據(jù)對(duì)小區(qū)域的水稻種植區(qū)進(jìn)行面積提取，達(dá)到了一定的提取精度[9， 10]。但是影像的時(shí)間分辨率低，無法充分利用作物識(shí)別所必需的物候信息。而利用多源數(shù)據(jù)進(jìn)行水稻的提取，主要采用中高分辨率的Landsat影像與低分辨率的MODIS影像通過數(shù)據(jù)融合構(gòu)建時(shí)空序列數(shù)據(jù)集進(jìn)行水稻提取[11， 12]。該類方法優(yōu)勢(shì)在于影像的開源性且易于獲取，但僅適合大尺度、地類單一區(qū)域的水稻提取，難以適用于地形復(fù)雜、地類斑塊破碎的南方丘陵區(qū)。

自Gao F等[13]提出自適應(yīng)遙感影像時(shí)空數(shù)據(jù)融合模型(STARFM)以來，許多學(xué)者利用該模型完成TM和MODIS數(shù)據(jù)融合，并進(jìn)行地物分類與提取研究[14， 15]。但該模型存在無法解決混合像元的缺陷，Zhu等[16]針對(duì)這一缺陷提出了ESTARFM融合模型。該模型假定一段時(shí)間內(nèi)地物反射率為線性變化，混合像元由不同地表覆蓋線性組合而成，相較于STARFM方法利用單時(shí)相高空間分辨率影像與高時(shí)間、中低空間分辨率影像融合，ESTARFM利用兩景高空間分辨率影像參與融合，可以減少融合過程中產(chǎn)生混合像元的問題，從而提高融合精度。該方法更能好地構(gòu)建中高分辨率時(shí)空數(shù)據(jù)集并提供滿足用戶使用的多幅影像，從而為研究南方丘陵區(qū)水稻分布提供解決方法。

文章以湖南省衡陽縣為研究區(qū)域，采用ESTARFM方法將MODIS分別與GF-1WFV和TM數(shù)據(jù)進(jìn)行融合，構(gòu)建高時(shí)空分辨率的NDVI時(shí)空數(shù)據(jù)集，再利用TIMESAT軟件[17]對(duì)獲取的NDVI數(shù)據(jù)集進(jìn)行濾波處理并提取地物的物候參數(shù)，最后通過決策樹分類方法提取水稻種植面積并對(duì)兩類數(shù)據(jù)融合后的提取結(jié)果進(jìn)行精度評(píng)價(jià)。

1 材料與方法

1.1 研究區(qū)概況

衡陽縣地處湖南省衡陽市西北部，湘江中游，西起東經(jīng)111°59′，東至東經(jīng)112°46′，南起北緯26°51′，北至北緯27°26′，多為低山丘陵地貌，總面積為25.59萬hm2(圖1)。該縣屬亞熱帶季風(fēng)氣候，年均氣溫17.9℃左右，溫暖濕潤(rùn)的氣候成為水稻種植的天然優(yōu)勢(shì)。作為全國(guó)糧食生產(chǎn)先進(jìn)縣，衡陽縣2016年水稻播種面積9.57萬hm2，產(chǎn)量57萬t，是湖南省主要水稻種植區(qū)。旱地作物與水稻交錯(cuò)分布現(xiàn)象普遍，水稻種植模式是單、雙季稻皆有，以雙季稻為主。單季稻每年5月開始播種育秧， 9月收割。雙季稻中早稻4月播種， 7月中旬收割，接著播種晚稻， 10月中旬收割。

圖1 研究區(qū)

1.2 數(shù)據(jù)及預(yù)處理

1.2.1 Landsat 8數(shù)據(jù)與GF-1WFV數(shù)據(jù)

該研究選取云量少于10%以下的Landsat 8和GF-1WFV數(shù)據(jù)，Landsat 8影像獲取時(shí)間是2016-03-01，2016-11-28，2016-12-30，該數(shù)據(jù)由美國(guó)地質(zhì)勘探局提供(https：//earthexplorer.usgs.gov/)。GF-1WFV影像獲取時(shí)間分別是2016-02-29， 2016-03-28和2016-05-12，數(shù)據(jù)來源自遙感集市(http：//www.rscloudmart.com/)。Landsat 8 陸地成像儀(OLI)數(shù)據(jù)包含藍(lán)、綠、紅、近紅外和2個(gè)短波紅外波段，GF-1WFV數(shù)據(jù)包含藍(lán)、綠、紅、近紅外4個(gè)波段，波段信息如表1所示。對(duì)GF-1WFV與Landsat影像的紅波段和近紅外波段進(jìn)行重投影、大氣校正、幾何校正等預(yù)處理操作。

1.2.2 MODIS數(shù)據(jù)

該研究選取8d合成的250m分辨率的地表反射率產(chǎn)品數(shù)據(jù)(MOD09Q1)，該數(shù)據(jù)是由NASA提供(https：//earthexplorer.usgs.gov/)的標(biāo)準(zhǔn)2級(jí)產(chǎn)品，包括紅波段(Red)和近紅外波段(NIR)的地表反射率，波段信息如表1所示。

數(shù)據(jù)預(yù)處理過程包括：首先使用MODIS Reprojection Tool工具將MODIS數(shù)據(jù)重投影為UTM-WGS84坐標(biāo)系； 其次，將數(shù)據(jù)重采樣至30m和16m分辨率，分別與Landsat 8和GF-1WFV數(shù)據(jù)進(jìn)行融合處理。用于實(shí)驗(yàn)處理的數(shù)據(jù)特征如表2所示。

表1 Landsat8、GF-1WFV和MODIS影像波段信息

Landsat 8(OLI)GF1-WFVMODIS(Terra)波段號(hào)波長(zhǎng)寬度(nm)波段號(hào)波長(zhǎng)寬度(nm)波段號(hào)波長(zhǎng)寬度(nm)4(Red)630～6803(Red)630～6903(Red)620～6705(NIR)845～8504(NIR)770～8904(NIR)841～876

表2 Landsat8、GF-1WFV和MODIS影像波段信息

Landsat 8(OLI)GF1-WFVMODIS(Terra)獲取時(shí)間數(shù)據(jù)用途獲取時(shí)間數(shù)據(jù)用途獲取時(shí)間數(shù)據(jù)用途2016-03-01融合驗(yàn)證2016-02-29融合輸入2016-01-012016-11-28融合輸入2016-03-28融合驗(yàn)證…融合輸入2016-12-30融合輸入2016-05-12融合輸入2016-12-27

1.3 研究方法

1.3.1 NDVI計(jì)算

NDVI指數(shù)是由Rouse[18]等提出，其本質(zhì)是利用植物葉片在紅色與近紅外波段的光譜反差組合來設(shè)計(jì)的，是目前應(yīng)用最廣泛的植被指數(shù)。該指數(shù)已被證明可以真實(shí)地反映地表植被的生長(zhǎng)狀況。NDVI的計(jì)算公式為：

NDVI=(Nir-Red)/(Nir-Red)

(1)

式(1)中，Nir和Red各代表影像的紅色與近紅外波段。

1.3.2 ESTARFM模型

在忽略大氣校正和誤差配準(zhǔn)影響的前提下，同一分辨率下的MODIS和Landsat數(shù)據(jù)地表反射率之間存在線性關(guān)系(式2)。

L(x，y，tk，B)=a×M(x，y，tk，B)+b

(2)

式(2)中，L、M分別代表Landsat和MODIS數(shù)據(jù)； (x，y)表示像元位置，tk為獲取影像的時(shí)間，B表示影像的波段，a、b為線性方程的系數(shù)且會(huì)隨著像元位置的不同發(fā)生改變。

當(dāng)存在2個(gè)時(shí)期的2對(duì)影像，且地物類型在2個(gè)時(shí)期都沒有明顯變化，則根據(jù)式(2)可得到式(3)[19]。

L(x，y，tp，B)=L(x，y，t0，B)+a×(M(x，y，tp，B)-M(x，y，t0，B))

(3)

使用ESTARFM方法能有效獲取30m的融合結(jié)果，但該分辨率應(yīng)用在南方丘陵山區(qū)的水稻分布提取顯然是不夠的，因此該研究嘗試使用GF-1數(shù)據(jù)的16m分辨率替換Landsat數(shù)據(jù)進(jìn)行融合并構(gòu)建時(shí)空數(shù)據(jù)集。由于GF-1數(shù)據(jù)與MODIS數(shù)據(jù)在波譜響應(yīng)和Landsat數(shù)據(jù)存在差異，因此試驗(yàn)中還加入Landsat融合結(jié)果作為對(duì)比分析。

ESTARFM模型是一種基于移動(dòng)窗口的數(shù)據(jù)融合模型，在進(jìn)行融合時(shí)，考慮從鄰近的光譜相似的像元獲取輔助信息來提高精度。在一個(gè)給定的移動(dòng)的窗口內(nèi)，中心像元的預(yù)測(cè)反射率可以表述為：

(4)

式(4)中，N為包括預(yù)測(cè)像元在內(nèi)的相似像元的數(shù)目；ω為滑動(dòng)窗口大??； (xi，yi)是第i個(gè)相似像元的位置；Wi是第i個(gè)相似像元的權(quán)重大小，可描述為對(duì)預(yù)測(cè)中心像元的貢獻(xiàn)程度，是依據(jù)空間距離、時(shí)間距離、光譜距離3項(xiàng)來確定的；Vi是轉(zhuǎn)換系數(shù)。

為提高結(jié)果的準(zhǔn)確率，可使用兩期數(shù)據(jù)計(jì)算(xω/2，yω/2)點(diǎn)的反射率，公式如(5)(6)。

L(xω/2，yω/2，tp，B)=μm×L(xω/2，yω/2，tm，B)+μn×L(xω/2，yω/2，tn，B)

(5)

(6)

式(5)、(6)中，L(xω/2，yω/2，tm，B)和L(xω/2，yω/2，tn，B)分別為tm和tn時(shí)刻的觀測(cè)數(shù)據(jù)融合得到的tp時(shí)刻的反射率和二者的權(quán)重。

1.4 物候參數(shù)提取

植物物候是指植物受生物因子與非生物因子如氣候、水文、土壤等影響而出現(xiàn)的以年為周期的自然現(xiàn)象，它包括各種植物的發(fā)芽、展葉、開花、葉變色、落葉等現(xiàn)象[20]。利用時(shí)間序列NDVI可以提取出與植被作物長(zhǎng)勢(shì)有關(guān)的物候參數(shù)。該研究使用TIMESAT軟件提取6個(gè)物候參數(shù)以獲取季節(jié)性植被生長(zhǎng)規(guī)律信息：作物生長(zhǎng)期開始(SOS)、生長(zhǎng)期結(jié)束(EOS)、生長(zhǎng)期長(zhǎng)度(LOS)、生長(zhǎng)期NDVI最大值(MON)、NDVI基準(zhǔn)值(BON)和NDVI幅值(AON)。其中，SOS、EOS及LOS以天為單位計(jì)算，涉及NDVI的MON、BON及AON等參數(shù)指標(biāo)的范圍為-1～1。

1.5 決策樹分類

決策樹分類是一種常見的分類方法，利用二叉樹的邏輯性質(zhì)對(duì)研究對(duì)象進(jìn)行逐步剔除。遙感應(yīng)用中經(jīng)常利用該方法對(duì)地物進(jìn)行提取分類[21-24]。該方法最大的特點(diǎn)和優(yōu)勢(shì)是能夠綜合運(yùn)用遙感特征量和非遙感特征量等多源數(shù)據(jù)進(jìn)行研究物的提取分類[25]。主要思想是：按照一定規(guī)則把遙感數(shù)據(jù)集逐層次由上向下細(xì)分從而得到具有不同屬性的各個(gè)子集。決策樹由3部分組成：根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)(簡(jiǎn)稱為分支)以及最終節(jié)點(diǎn)(簡(jiǎn)稱為葉)，在每一個(gè)內(nèi)部節(jié)點(diǎn)處，根據(jù)定義的規(guī)則，可以將該節(jié)點(diǎn)處的數(shù)據(jù)集進(jìn)行劃分得到滿足條件的兩個(gè)子集，如此針對(duì)所有需要分類的對(duì)象進(jìn)行相同處理，直至所有數(shù)據(jù)被分為預(yù)期設(shè)定的不同類別，即最終節(jié)點(diǎn)。這些規(guī)則一般基于專家知識(shí)和經(jīng)驗(yàn)積累進(jìn)行設(shè)置，也可以定義一些算法自動(dòng)提取[26]。

2 結(jié)果與分析

2.1 融合結(jié)果

該文采用ESTARFM模型分別對(duì)Landsat 8和GF-1WFV數(shù)據(jù)進(jìn)行融合構(gòu)建時(shí)空數(shù)據(jù)集。分別將Landsat 8的2016-11-28和2016-12-30以及GF-1WFV的2016-02-29和2016-05-12四景影像作為輸入數(shù)據(jù)，與對(duì)應(yīng)分辨率的MODIS數(shù)據(jù)融合得到1年期的多景融合結(jié)果。選取Landsat 8的2016-03-01和GF-1WFV的2016-03-28兩景影像的子區(qū)域與對(duì)應(yīng)時(shí)刻融合結(jié)果的子區(qū)域進(jìn)行對(duì)比分析(圖2、圖3)。

圖2 融合影像與真實(shí)Landsat8影像比較及對(duì)應(yīng)波段的相關(guān)性系數(shù)

圖3 融合影像與真實(shí)GF-1WFV影像比較及對(duì)應(yīng)波段的相關(guān)性系數(shù)

對(duì)比兩種影像融合結(jié)果，使用ESTARFM方法融合得到的Landsat和GF-1WFV數(shù)據(jù)與真實(shí)的紅光、近紅外波段之間仍存有少許差異，且Landsat數(shù)據(jù)融合結(jié)果與真實(shí)值之間的相關(guān)性系數(shù)略高于GF-1數(shù)據(jù)結(jié)果，主要原因是MODIS傳感器與Landsat傳感器的波譜信息較為相似。但通過對(duì)兩種影像融合后的NDVI進(jìn)行相關(guān)性分析，發(fā)現(xiàn)兩類NDVI之間的差距較小(圖4)。另外針對(duì)南方丘陵山區(qū)地形，使用16m的GF-1數(shù)據(jù)在細(xì)節(jié)表現(xiàn)上優(yōu)于30m的Landsat數(shù)據(jù)，這對(duì)后續(xù)水稻種植區(qū)域提取有很大優(yōu)勢(shì)。因此選用質(zhì)量好的GF-1數(shù)據(jù)替代Landsat數(shù)據(jù)進(jìn)行融合構(gòu)建時(shí)序數(shù)據(jù)集是可行的。

圖4 融合影像NDVI與真實(shí)影像NDVI比較及相關(guān)性系數(shù)

圖5 不同地物的標(biāo)準(zhǔn)NDVI時(shí)序曲線圖

2.2 NDVI擬合及分類結(jié)果

分別將預(yù)測(cè)的44景GF-1和Landsat 8 NDVI數(shù)據(jù)與原始的NDVI數(shù)據(jù)構(gòu)成1年期的時(shí)間序列數(shù)據(jù)導(dǎo)入TIMESAT軟件中，選取S-G濾波算法進(jìn)行NDVI時(shí)序平滑。以GF-1WFV數(shù)據(jù)為例，該研究將研究區(qū)地類分為單季稻、雙季稻、林地、居民地和水體5類，針對(duì)不同地類各隨機(jī)選取50個(gè)樣點(diǎn)，以各類樣點(diǎn)的平均時(shí)序曲線作為各地類標(biāo)準(zhǔn)時(shí)序曲線，統(tǒng)計(jì)了林地、水體、居民地和單季稻的物候信息，以提取的物候信息作為分類參數(shù)，并通過決策樹分類法區(qū)分5種地類。各地物的NDVI擬合曲線如圖5所示。

根據(jù)不同地類的物候參數(shù)，利用決策樹方法建立分類規(guī)則并進(jìn)行水稻識(shí)別與提取。以GF-1WFV數(shù)據(jù)為例，選取質(zhì)量較好的第17景融合后的影像作為輸入影像，從NDVI統(tǒng)計(jì)圖可以看出，此時(shí)的水體生長(zhǎng)期NDVI最大值(MON)處在0值附近，且大多都為負(fù)值，故用NDVI<0.15和NIR<1100建立第一個(gè)規(guī)則提取水體； 再利用統(tǒng)計(jì)圖及物候參數(shù)MON、AON建立第二個(gè)規(guī)則NDVI<0.25和MON<0.25和AON<0.2提取居民地； 利用統(tǒng)計(jì)圖以及物候參數(shù)LOS、MON建立第三個(gè)規(guī)則： 0.4

表3 基于 GF-1WFV數(shù)據(jù)的不同地物物候信息參數(shù)

SOS(d)EOS(d)LOS(d)BONMONAON林地1153162010.4 0.8 0.3 水體134290155-0.2 0.2 0.3 居民地103268 165 0.1 0.2 0.1 單季稻148 2691210.3 0.6 0.3

圖6 分類結(jié)果

表4 兩種數(shù)據(jù)分類結(jié)果面積統(tǒng)計(jì)

類別GF-1WFVLandsat 8象元個(gè)數(shù)面積(萬km2)象元個(gè)數(shù)面積(萬km2)雙季稻331.734 4849.2493.212 2838.91水體15.636 740.034.542 240.88居民地19.718 850.485.465 649.19單季稻38.707 099.099.615 686.54林地593.812 51 520.16171.497 81 543.48

對(duì)兩種分類結(jié)果進(jìn)行像元個(gè)數(shù)統(tǒng)計(jì)得到各地類的面積，結(jié)果如表4所示。對(duì)比兩種數(shù)據(jù)源融合提取結(jié)果得出：居民地和水體面積統(tǒng)計(jì)結(jié)果比較接近，而在水稻和林地的統(tǒng)計(jì)結(jié)果上存在一些差異，GF-1WFV數(shù)據(jù)和MODIS融合數(shù)據(jù)提取的水稻面積大于Landsat 8融合結(jié)果，而在林地面積上，GF-1 WFV則較小。

2.3 分類精度評(píng)價(jià)

2.3.1 混淆矩陣精度驗(yàn)證

結(jié)合實(shí)地采樣點(diǎn)與Google Earth高分辨率影像樣本點(diǎn)，在ENVI軟件中結(jié)合野外調(diào)查建立的解譯標(biāo)志，隨機(jī)挑選出感興趣區(qū)域ROI作為標(biāo)準(zhǔn)。通過混淆矩陣對(duì)感興趣區(qū)與分類結(jié)果進(jìn)行精度驗(yàn)證，由于GF-1WFV數(shù)據(jù)與Landsat 8數(shù)據(jù)分辨率不同，結(jié)合兩者分辨率比例系數(shù)關(guān)系，該研究共挑選GF-1WFV驗(yàn)證圖斑22.418 5萬個(gè)，Landsat 8驗(yàn)證圖斑共5.303 8萬個(gè)，比例大致為4： 1關(guān)系，與兩者分辨率比例保持一致。其中GF-1WFV數(shù)據(jù)總體分類精度為86.37%，kappa系數(shù)為0.80，其中雙季稻的分類精度為86.70%，單季稻分類精度為62.26%，林地分類精度為93.29%，水體分類精度為82.98%，居民地精度為70.85%，混淆矩陣見表5。Landsat 8數(shù)據(jù)總體分類精度為80.96%，Kappa系數(shù)為0.72，各地類除林地較好外，其他分類結(jié)果與GF-1WFV分類均存在差距。根據(jù)衡陽市統(tǒng)計(jì)局衡陽縣2016年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)的數(shù)據(jù)[27]： 2016年衡陽縣稻谷播種面積9.566萬hm2，該結(jié)果與GF-1WFV數(shù)據(jù)統(tǒng)計(jì)結(jié)果十分接近，因此可以表明基于GF-1WFV數(shù)據(jù)提取的水稻分布面積為9.483萬hm2，較Landsat 8的9.254萬hm2更為準(zhǔn)確。

表5 GF-1WFV數(shù)據(jù)混淆矩陣

類別水體居民地雙季稻單季稻林地總像元數(shù)用戶精度(%)水體22 232475987922 89397.11居民地1 03120 2881 828203623 20387.44雙季稻2 5247 90846 1122 4915 60464 63971.34單季稻2011622 8285 6381 50110 33054.58林地8052301 81890099 367103 12096.36總像元數(shù)26 79328 63553 1849 056106 517224 185制圖精度(%)82.9870.8586.7062.2693.29 總體精度: 86.37%;Kappa系數(shù): 0.80

表6 Landsat 8數(shù)據(jù)混淆矩陣

類別水體居民地雙季稻單季稻林地總像元數(shù)用戶精度(%)水體5 219421222945 87588.83居民地2223 986616104 28593.02雙季稻7931 5949 4794512 01114 32866.16單季稻15445881118561 82161.39林地53883 04838223 05826 62986.59總像元數(shù)6 3026 13313 3981 96625 13953 038制圖精度(%)81.5264.9970.7456.8791.72 總體精度: 80.96%;Kappa系數(shù): 0.72

衡陽縣三面環(huán)山，山地區(qū)域大面積林地可以被有效提取，研究區(qū)是雙季稻的主要種植區(qū)，耕地基本以種植雙季稻為主，因此雙季稻提取精度較高。而單季稻提取精度較低則因?yàn)閱渭镜痉N植面積較少且零星分布于雙季稻周圍，從而與雙季稻混雜在影像上構(gòu)成混合像元，易被誤分為雙季稻。研究區(qū)湖泊與河流較多，水體識(shí)別比較容易，但受空間分辨率影響，少許面積較小的坑塘難以進(jìn)行有效提取。居民地分為主城區(qū)和農(nóng)村居民地，其中主城區(qū)能進(jìn)行有效區(qū)分，而農(nóng)村居民地會(huì)因?yàn)榛旌舷笤?yīng)造成分類效果不理想。

2.3.2 地形復(fù)雜度對(duì)水稻提取影響

研究區(qū)地形復(fù)雜多樣，地塊破碎，為水稻提取增加了難度。坡度是評(píng)價(jià)地形復(fù)雜度的一個(gè)有效而且簡(jiǎn)單的指標(biāo)。該研究以5°為區(qū)分地形復(fù)雜度高低的閾值，將研究區(qū)分為兩類：一類為地形復(fù)雜度較低的區(qū)域，該區(qū)域地勢(shì)較為平坦，地形起伏小，田塊大都呈現(xiàn)團(tuán)塊聚集且較為規(guī)整的特點(diǎn)； 另一類為地形復(fù)雜度較高的區(qū)域，該類區(qū)域主要位于海拔較高或地形起伏較大的低山丘陵區(qū)，水田呈現(xiàn)零星分布特點(diǎn)。針對(duì)此類特點(diǎn)，對(duì)兩種不同地形復(fù)雜度區(qū)域中的水稻提取精度進(jìn)行了對(duì)比分析。在兩種區(qū)域內(nèi)分別選取300個(gè)單季稻和600個(gè)雙季稻的驗(yàn)證像元點(diǎn)進(jìn)行了精度驗(yàn)證，統(tǒng)計(jì)結(jié)果見表7。結(jié)果顯示：GF-1 WFV融合后的單季稻在地形復(fù)雜度低與地形復(fù)雜度高的區(qū)域提取精度分別為57.6%與56.3%，略低于Landsat 8融合后的數(shù)據(jù)的提取精度(63.3%與56.3%)，主要原因是單季稻在衡陽縣分布較少，樣本數(shù)量對(duì)精度計(jì)算有一定的影響； GF-1 WFV融合后的雙季稻在地形復(fù)雜度低與地形復(fù)雜度高的區(qū)域提取精度分別為73.7%與68.7%，明顯優(yōu)于Landsat 8融合后的提取精度(68.5%與63.2%)，不同地形下單雙季稻的提取精度與混淆矩陣中的提取精度具有一致性。地形復(fù)雜度較低的區(qū)域水田主要圍繞河流與居民點(diǎn)進(jìn)行分布，單雙季稻混種比較常見，容易造成分類混淆； 而地形復(fù)雜度較高區(qū)域的內(nèi)水田主要位于河流或交通道路一側(cè)，周圍遍布灌木、果園和小片林地等其他植被，受混合像元的影響大，因此單雙季稻的提取精度低于平緩區(qū)。根據(jù)對(duì)比研究結(jié)果，說明GF-1 WFV數(shù)據(jù)應(yīng)用于地形較為復(fù)雜的南方丘陵區(qū)的作物提取具有一定的優(yōu)勢(shì)。

表7 平緩區(qū)與丘陵區(qū)單雙季稻提取精度對(duì)比統(tǒng)計(jì)

GF-1 WFVLandsat 8驗(yàn)證像元正確像元錯(cuò)誤像元正確率(%)驗(yàn)證像元正確像元錯(cuò)誤像元正確率(%)地形復(fù)雜度低單季稻30017312757.630019011063.3雙季稻60044215873.760041118968.5地形復(fù)雜度高單季稻30016913156.330016913156.3雙季稻60041218868.760037922163.2

3 結(jié)論

該文基于ESTARFM模型用GF-1WFV、Landsat 8兩種數(shù)據(jù)分別與MODIS數(shù)據(jù)進(jìn)行時(shí)間序列融合重構(gòu)，計(jì)算2016年衡陽縣NDVI時(shí)序數(shù)據(jù)，并獲取物候參數(shù)，通過決策樹分類方法進(jìn)行水稻種植面積提取。得到以下結(jié)論。

(1)在地塊破碎、地形復(fù)雜多樣的南方丘陵區(qū)，GF-1 WFV數(shù)據(jù)的空間分辨率高于Landsat 8，故對(duì)水稻提取有一定的優(yōu)勢(shì)。采用ESTARFM模型分別做了Landsat 8 與MODIS數(shù)據(jù)、GF-1WFV與MODIS數(shù)據(jù)的兩組融合處理，雖然Landsat 8數(shù)據(jù)融合結(jié)果與原始影像的紅、近紅外波段真實(shí)值的相關(guān)性優(yōu)于GF-1WFV結(jié)果，但經(jīng)過NDVI計(jì)算后的結(jié)果相關(guān)性差異較小。因此可以使用GF-1WFV與MODIS數(shù)據(jù)構(gòu)建NDVI時(shí)序數(shù)據(jù)。

(2)利用ESTARFM模型分別構(gòu)建16m和30m分辨率NDVI時(shí)空數(shù)據(jù)集，對(duì)生成的NDVI數(shù)據(jù)集進(jìn)行擬合，消除噪聲干擾的同時(shí)提取各地物物候參數(shù)。利用決策樹對(duì)物候信息進(jìn)行分類得到兩種融合數(shù)據(jù)的分類精度。其中16m數(shù)據(jù)集的總體分類精度為86.37%，單季稻和雙季稻的提取精度分別為62.26%和86.70%，Kappa系數(shù)為0.80。而30m數(shù)據(jù)集的總體分類精度為80.96%，單季稻和雙季稻的提取精度分別為56.87%和70.74%，Kappa系數(shù)為0.72。對(duì)比兩者分類精度，可以看出16m數(shù)據(jù)集提取的總體精度和水稻精度均優(yōu)于30m數(shù)據(jù)集； 此外，對(duì)不同地形復(fù)雜度下的水稻提取精度進(jìn)行對(duì)比，發(fā)現(xiàn)GF-1 WFV數(shù)據(jù)在地形復(fù)雜的區(qū)域提取精度優(yōu)于Landsat 8數(shù)據(jù)。因此，針對(duì)南方丘陵盆地區(qū)域復(fù)雜地貌和破碎斑塊特征下的水稻提取，使用GF-1WFV數(shù)據(jù)進(jìn)行融合處理提取的結(jié)果是可以信賴的，該方法的適用性可以推廣應(yīng)用于同類典型區(qū)域進(jìn)行作物提取。