多時相MODIS影像的黑龍江省水稻種植面積提取

陳雨思，李 丹，黎 臻，陳夢婷，崔遠來，羅玉峰

多時相MODIS影像的黑龍江省水稻種植面積提取

陳雨思，李 丹，黎 臻，陳夢婷，崔遠來，羅玉峰※

（武漢大學水資源與水電工程科學國家重點實驗室，武漢 430072）

黑龍江省稻田面積擴張引起農(nóng)區(qū)地類發(fā)生巨大變化，利用遙感手段快速動態(tài)監(jiān)測稻田面積擴張的變化，可為水稻產(chǎn)量估算、水土資源開發(fā)利用和評價提供科學決策依據(jù)。該研究以中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）地表反射率和植被指數(shù)數(shù)據(jù)為主要數(shù)據(jù)源，融合歸一化光譜特征、分層分類、最大似然法、閾值和指數(shù)時間序列等方法建立決策樹模型，對2003－2018年黑龍江省的稻田、旱地、草甸、灘地、森林、水體、城鎮(zhèn)等進行遙感解譯，并采用混淆矩陣法驗證結果精度。結果表明2003－2018年稻田識別Kappa系數(shù)達到0.899～0.961，總精度達到了85.5%～92.3%。黑龍江省新增稻田主要由旱地、草甸和灘地轉變，水稻種植面積從2003－2018年擴大了3倍，平均每年擴張158 100 hm2，稻田播種區(qū)域的中心向北延伸約160 km。該研究基于黑龍江省不同植被的物候特征，確定了不同地類的決策樹分類判定標準，為黑龍江省稻田面積變化提供有效的方法。

遙感；土地利用；分類；精準識別；稻田擴張；決策樹模型

0 引 言

黑龍江省是中國糧食生產(chǎn)重要基地，水稻是黑龍江省主要的糧食作物。精準識別稻田時空分布信息，可為政府部門評估水稻產(chǎn)量和制定相關政策等提供依據(jù)。傳統(tǒng)土地利用類型制圖以地面調查和測量為主，制圖精準，但工作量大、更新周期長且缺乏直觀空間分布信息。遙感技術通過分析地類光譜特征，可快速實現(xiàn)稻田的準確識別[1]。

基于多種遙感數(shù)據(jù)源，國內(nèi)外學者進行了稻田面積識別研究[2-6]。劉佳等[7]基于陸地衛(wèi)星Landsat影像，計算歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）等6種指數(shù)的閾值，構建決策樹算法，識別寧夏回族自治區(qū)的水稻種植區(qū)。Guan等[8]融合Landsat影像和氣象觀測衛(wèi)星NOAA-AVHRR影像，繪制越南水稻種植區(qū)圖像，估算水稻產(chǎn)量。楊婷等[9]基于NOAA-AVHRR影像的NDVI指數(shù)數(shù)據(jù)，運用二次差分法和傅里葉變換法提取1986年水稻熟制的分布區(qū)，繪制中國水稻種植制度（熟制）圖。以上研究數(shù)據(jù)源多采用Landsat影像和NOAA-AVHRR影像。其中Landsat影像時間分辨率低，一般運用不同時相的指數(shù)差異來監(jiān)測水稻種植區(qū)。AVHRR影像波段較少，一般通過NDVI指數(shù)時序差異來監(jiān)測水稻種植區(qū)。中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）影像作為高光譜影像的一種，時間分辨率高，幅寬大，對省級尺度水稻種植區(qū)的識別具有一定的優(yōu)勢。

基于遙感數(shù)據(jù)源，稻田面積的識別主要采用2種分類算法：一是基于大量參照像素的識別算法，如Xu等[10]運用一類支持向量分類法識別江蘇省水稻種植區(qū)，并與多類支持向量分類法進行比較，運算效率得到了顯著提升。此外，機器學習[11]、隨機森林[12]、長短時記憶網(wǎng)絡[13]等也是常用的水稻種植區(qū)識別算法。但是以上算法需要較多的參照樣本（每地類>300個樣本），難以對缺少參照樣本的地區(qū)進行識別。二是基于光譜反射率和指數(shù)時間序列的物候算法，如Xiao等[14-15]根據(jù)水稻移栽期中的NDVI、增強植被指數(shù)（Enhanced Vegetation Index，EVI）和陸地表面水分指數(shù)（Land Surface Water Index，LSWI）之間的關系，提出單一時相稻田映射算法，精準識別稻田空間分布。鄭長春等[16]、Dong等[17]也將該算法成功應用于其他地區(qū)。Peng等[18]將EVI和LSWI之間的單一閾值進行多年驗證，發(fā)現(xiàn)水生植被會干擾閾值，運用可變閾值提升了Xiao等[14]的算法對單季稻和雙季稻識別的適應性。以上物候算法的研究區(qū)域緯度跨度較小，南北溫度差異小，研究區(qū)內(nèi)作物移栽期一致，可利用植被指數(shù)和LSWI的關系識別稻田種植區(qū)。但黑龍江省緯度跨度大，不同區(qū)域作物移栽期不一致，以上算法難有較好表現(xiàn)。

綜上，本研究以黑龍江省為研究區(qū)域，基于2003—2018年水稻生育期的MODIS影像，將短波紅外波段、NDVI、EVI和LSWI的多個閾值并入到物候算法之中，針對各個地類物候特征構建決策樹模型，識別區(qū)域內(nèi)稻田面積，提出一種適用于省級尺度水稻種植區(qū)識別的方法。

1 材料與方法

1.1 研究區(qū)概況

黑龍江省位于中國東北地區(qū)北部（43°26′N～53°33′N，121°11′E～135°05′E）。全省總面積47.3萬km2，地勢呈西北、北部和東南部高，東北、西南部低的趨勢。平原分布在研究區(qū)的東北部和西南部，包括三江平原和松嫩平原。研究區(qū)地跨黑龍江、烏蘇里江、松花江、綏芬河四大水系，屬寒溫帶與溫帶大陸性季風氣候（圖1）。大部分地區(qū)的熱量條件可以滿足一年一熟農(nóng)作生長需要。研究區(qū)主要農(nóng)作物為大豆、玉米、水稻和小麥。稻田主要分布在三江平原，自1980年以來，其種植面積逐年增加，濕地和旱地的分布面積逐年減少[19]。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)源

1）MODIS數(shù)據(jù)：地表反射率數(shù)據(jù)（MOD09A1）、植被指數(shù)數(shù)據(jù)（MOD13Q1、MYD13Q1）和分類結果數(shù)據(jù)（MCD12Q1）來自美國地質調查局（United States Geological Survey，USGS），時間為2003－2018年，空間分辨率分別為500、250和500 m。以上3種數(shù)據(jù)均為陸地二級標準以上的數(shù)據(jù)，已去除大氣的吸收和散射、進行了大氣校正處理。黑龍江省所在的網(wǎng)格范圍包括h25v03、h26v03、h26v04和h27v04四景。地表反射率數(shù)據(jù)中包含7個波段，依次為紅（620～670 nm）、近紅（841～876 nm）、藍（459～479 nm）、綠（545～565 nm）、熱紅外（1 230～1 250 nm）、短波紅外1（1 628～1 652 nm）、短波紅外2（2 105～2 155 nm）。植被指數(shù)數(shù)據(jù)中包含歸一化植被指數(shù)NDVI和增強植被指數(shù)EVI。

2）Landsat數(shù)據(jù)：Landsat MSS/TM數(shù)據(jù)來自美國地質調查局，時間為2003－2018年的夏季，空間分辨率為30 m。數(shù)據(jù)包括9個波段，利用其中的綠、紅、熱紅外波段進行影像解譯。

3）高程數(shù)據(jù)：來自地理空間數(shù)據(jù)云，空間分辨率為30 m。

4）統(tǒng)計年鑒數(shù)據(jù)：來自黑龍江省統(tǒng)計年鑒[20]和墾區(qū)統(tǒng)計年鑒[21]。

1.3 MODIS數(shù)據(jù)預處理

依托遙感圖像處理平臺（Environment for Visualizing Images，ENVI）5.1對MODIS數(shù)據(jù)進行坐標系轉換、數(shù)據(jù)拼接、剪裁和掩膜云污染等處理，統(tǒng)一坐標系WGS84/UTM（北48區(qū)），輸出均為500 m分辨率的圖像。對得到的圖像波段運算，獲取LSWI、EVI和NDVI光譜指數(shù)，計算如式（1）～式（3）所示：

式中nir為近紅外通道反射率；swir為短波熱紅外通道反射率；red為紅色通道反射率；blue為藍色通道反射率；為土壤調節(jié)參數(shù)，本研究將其設置為1。

采用圖層堆棧功能對獲取的指數(shù)圖像進行波段疊加，得到研究區(qū)的LSWI、EVI和NDVI時間序列數(shù)據(jù)。MOD09雖然已消除了部分云、大氣和太陽高度角等的干擾，但云和大氣的噪聲仍然存在，指數(shù)時序數(shù)據(jù)出現(xiàn)鋸齒狀波動，不適于趨勢分析和信息提取，需通過平滑去噪、端元提取和端元均值化等預處理降低噪聲。采用多項式平滑法（Savitzky-Golay，S-G）[22]進行平滑去噪，逐點重構2003—2018年的LSWI、EVI和NDVI時序數(shù)據(jù)。采用純凈像素指數(shù)法提取端元，提取7種地類的各20個純凈像素，并對端元做均值化處理。最終得到各地類具有代表性的2003—2018年LSWI、EVI和NDVI時間序列圖像。

1.4 土地利用分類體系與參照像素

除了識別稻田種植區(qū)外，亦選取旱地、水體、灘地、草甸、森林和城鎮(zhèn)6種占地面積較大的地類組成分類體系。根據(jù)研究區(qū)特點與土地生態(tài)特性，采用二級分類法建立分類體系。濕地在不同生態(tài)環(huán)境中，物候特征和地域范圍差異大，可再細分為河流灘地和沼澤化草甸（簡稱為灘地和草甸）[23]。

為進行光譜特征分析、時間序列曲線分析和分類精度評估，需選取參照像素。理想的參照點是通過實地考察獲取，但該方法費時費力。采用高空間分辨率影像驗證低空間分辨率影像的方法更為簡單有效[24]。基于假彩色的識別方法，目視解譯逐年Landsat影像的稻田、旱地、水體、灘地、草甸、森林和城鎮(zhèn)等7種地類各300個像素，運用N維可視化方法篩查像素，并與MCD12Q1分類圖像比對，最后得到參照像素。

1.5 分類方法及流程

分類方法以決策樹算法為主，以最大似然法、閾值法和物候特征等方法為輔。決策樹采用自頂向下的遞歸方式，根據(jù)各種地類光譜特征，運用適宜的分類算法依次建立分類結點和分支[25-26]，逐步分出各種地類，提升稻田種植區(qū)的識別精度。最大似然法是根據(jù)某種地類的時間序列曲線自動識別該地類[27]。閾值法是根據(jù)某種地類的波段區(qū)間特征，運用一個或多個波段閾值識別該地類[28]。物候特征是根據(jù)植物的生長特性產(chǎn)生的光譜特征來識別地類[29]。

分類流程是基于黑龍江省多時相MODIS影像，預處理地表反射率數(shù)據(jù)和植被指數(shù)數(shù)據(jù)，根據(jù)特征變量和地表反射率波段分析時間序列曲線和光譜特征，構建決策樹模型，輸出水體、森林、稻田、城鎮(zhèn)、草甸、灘地和旱地分類結果，最后采用混淆矩陣法驗證分類結果精度（圖2）。根據(jù)上述分類方法及流程識別2003－2018年黑龍江省水稻種植區(qū)，2003－2010年為率定期，2011－2018年為驗證期，率定期數(shù)據(jù)用于確定7種地類分類的閾值，驗證期數(shù)據(jù)用于檢驗閾值的時間延展性。

注：NDVI為歸一化植被指數(shù)；EVI為增強植被指數(shù)；LSWI為陸地表面水分指數(shù)；DEM為數(shù)字高程模型。

1.6 分類精度驗證

采用混淆矩陣法比較同一位置的參照像素地類和分類結果地類是否一致。判斷指標為Kappa系數(shù)（）和總精度（P，%），兩者越接近1，分類結果越準確，其計算如式（4）～式（6）所示：

式中P為總精度，表示分類結果與實際土地利用類型一致的概率，%；為圖像總像素數(shù)；為同一位置的參照像素地類和分類結果地類一致的像素數(shù)；P為偶然一致率，分類結果與實際土地利用類型無關時，兩者聯(lián)合出現(xiàn)的概率是單獨出現(xiàn)概率的乘積；1表示參照像素中某一地類的像素數(shù)；2表示參照像素中其他地類像素數(shù)；1表示分類結果中某一地類的像素數(shù)；2表示分類結果中其他地類的像素數(shù)。

2 結果與分析

2.1 光譜特征和指數(shù)時間序列曲線

不同時間區(qū)間內(nèi)，地類物候特征和群體特征不同，對應的光譜特征和指數(shù)時間序列曲線也有差異[29]。水稻移栽前稻田淹水0.02～0.15 m，移栽后稻田區(qū)域由水體和秧苗組成[14]，移栽期稻田光譜特征與其他地類相比具有獨特性。因此本研究選用移栽期為5月25日的地表反射率圖像用于識別水稻種植區(qū)。2003－2010年移栽期7種地類參照像素光譜特征占比圖如圖3所示。其中，第6波段的稻田占比區(qū)間重疊較少，僅與城鎮(zhèn)有較少重疊，可用于識別水稻種植區(qū)。

注：豎線段表示各種地類在各波段的占比區(qū)間。若豎線段相互重疊，則識別效果較差。

植被從出苗、抽雄、成熟到收獲有著特有的光譜特性，相應的植被指數(shù)時間序列曲線呈現(xiàn)先上升后下降的特征。城鎮(zhèn)、水體、草甸和灘地等地類受人為或自然因素影響，相應的指數(shù)時間序列曲線波動變化。根據(jù)7種地類的參照像素繪制的EVI、NDVI和LSWI等3種指數(shù)時間序列曲線如圖4所示。其中，4月初至6月初森林處于生長期，水稻和旱作物處于移栽期和出苗期，森林的EVI明顯高于其他地類，最大差異達到0.2。城鎮(zhèn)中水分含量較少，LSWI明顯小于其他地類LSWI，峰值在0.2附近波動。灘地存在于河流湖泊附近，8月左右被季節(jié)性洪水淹沒，NDVI存在2個突出的峰值和1個明顯的谷底。草甸包含灌叢型水冬瓜、禾草型小葉樟等[23]，波形與森林地類相似，峰值持續(xù)時間較長。水稻于5月中旬至6月初處于移栽期。因此水稻的NDVI與其余地類NDVI差別較大，LSWI明顯異于旱地、灘地和城鎮(zhèn)LSWI，但與草甸、水體、森林和稻田LSWI相近。

圖4 作物生育期內(nèi)不同土地利用類型三種指數(shù)時間序列均值曲線

2.2 地類提取

根據(jù)2.1節(jié)對光譜特征和指數(shù)時間序列曲線的分析，經(jīng)反復試驗，按照下述規(guī)則提取地類：1）森林。同時采用EVI和坡度（°）來識別森林。4月6日的森林EVI與其余地類EVI相比具有明顯差異。將高程圖像轉化為坡度圖像，森林主要分布在坡度>2.5°的坡地上，其余地類主要分布在平原區(qū)。采用4月6日EVI>0.157以及坡度>2.5°提取森林。2）水體。10月16日的水體尚未冰凍，表面無水生植被遮蓋，水體顯露明顯，按照10月16日NDVI<0.062提取水體。3）城鎮(zhèn)。城鎮(zhèn)的LSWI時間序列曲線在其余曲線下方，根據(jù)最大似然法提取城鎮(zhèn)。4）灘地。灘地的NDVI時間序列曲線波動起伏，有獨特的性質，根據(jù)最大似然法提取灘地。5）草甸。草甸的NDVI時間序列曲線與森林的曲線相似，森林已提取，根據(jù)最大似然法提取草甸。6）稻田。參照2003－2010年的Landsat圖像，采用5月25日NDVI、LSWI和波段6共同判別稻田，閾值條件依次為0.45～0.77、0～0.56和120～1 530 nm。7）剩余像素歸為旱作物。

2.3 率定期精度評價

采用混淆矩陣法進行精度評價，率定期Kappa系數(shù)和總精度的分類精度評價如表1所示。其中7種地類2003－2010年Kappa系數(shù)均>0.791，稻田Kappa系數(shù)范圍在0.923～0.961，總精度范圍在89.3%～92.3%，分類精度較好。面積大且分布集中的稻田、旱地和森林，分類精度較高，面積小且分布破碎的草甸、灘地和城鎮(zhèn)，分類精度較低，原因是破碎度較高的地類存在混合像素，且不同分類規(guī)則的有效性和適宜性不同。

表1 率定期Kappa系數(shù)和總精度的分類精度評價

為比較本研究分類方法的優(yōu)劣，另選2種分類方法對照如表2所示。1）運用與本研究稻田提取相同的閾值直接識別稻田，不識別其余地類；2）采用與本研究相同的決策樹算法依次提取各地類，最后用最大似然法識別稻田，不采用閾值法。由表2可知，本研究采用的決策樹法Kappa系數(shù)為0.923～0.961，分類精度最高，閾值法Kappa系數(shù)為0.812～0.877，分類精度其次，最大似然法Kappa系數(shù)為0.643～0.756，分類精度最差。與最大似然法比較，基于物候特征的決策樹算法將2003－2010年稻田識別Kappa系數(shù)提高了0.238～0.286。閾值法根據(jù)客觀水稻物候特征，主觀反復推敲分類規(guī)則，對分類規(guī)則進行修正，但對細碎地塊和邊緣地塊容易產(chǎn)生光譜變異，光譜混淆區(qū)域有一定錯分。最大似然法是將參照像素或指數(shù)時間序列曲線輸入分類平臺，輸出分類結果，沒有主觀修正，錯分的概率更高。決策樹法注重對光譜信息的深入分析和挖掘，充分利用各地類之間的光譜差異，去除無效信息，分層提取，可獲得最好的分類效果。

表2 率定期不同模型Kappa系數(shù)與本研究采用的決策樹法Kappa系數(shù)的比較

2.4 驗證期精度評價

2011－2018年稻田Kappa系數(shù)范圍為0.899～0.959，總精度范圍為85.5%～88.9%，分類精度較好，模型具有應用價值（表3）。同樣對于面積大且分布集中的土地（稻田、旱地和森林）Kappa系數(shù)為0.827～0.959，分類精度較高，面積小且分布破碎的土地（草甸、灘地和城鎮(zhèn)）Kappa系數(shù)為0.766～0.885，分類精度較低。

表3 驗證期Kappa系數(shù)和總精度的分類精度評價

2.5 分類結果

由2.3節(jié)和2.4節(jié)可知，2003－2018年黑龍江省稻田面積識別Kappa系數(shù)為0.899～0.961，總精度為85.5%～92.3%，可對分類結果進行分析。黑龍江省稻田面積不斷增長，稻田擴張明顯，擴張較為突出的地區(qū)為三江平原和松嫩平原（圖5）。2003－2018年三江平原稻田擴張面積為1 821 100 hm2，松嫩平原稻田擴張面積為712 400 hm2。2003－2018年三江平原擴張明顯的區(qū)域為同江市、綏濱縣和富錦市，同江市增長面積最大，水稻由破碎種植轉化為連片種植，2018年3個地區(qū)水稻種植面積覆蓋率達到40%以上；松嫩平原擴張明顯的區(qū)域為慶安縣、通河縣和肇東市，稻田擴張趨勢緩慢，稻田依舊呈破碎狀分布。新增稻田主要來源于旱地轉化和濕地開墾，尤其是在松花江、烏蘇里江、黑龍江等河流附近急劇擴張，灘地和草甸等破碎地類轉化為稻田等集中分布的完整地類。

圖5 2003－2018年黑龍江省、三江平原和松嫩平原稻田種植區(qū)典型年變化趨勢

本研究稻田面積分類結果與2003—2018年黑龍江省統(tǒng)計年鑒[20]和墾區(qū)統(tǒng)計年鑒[21]中稻田面積數(shù)據(jù)相吻合，兩者相差不超過該年統(tǒng)計稻田面積的5%，實現(xiàn)了基于遙感手段精準高效地提取黑龍江省稻田種植面積。黑龍江省稻田面積大小呈線性增長，平均每年擴張158 100 hm2，2018年稻田面積是2003年稻田面積的3倍（圖6）。稻田面積占耕地總面積從2003年的16.4%增長至2018年的26.6%，稻田區(qū)域中心向北延伸約160 km。2003－2018年黑龍江省稻田面積由旱地累計轉化2 502 400 hm2，濕地累計開墾154 900 hm2。孫巖松[30]曾指出黑龍江省稻田擴張的原因是氣候變暖引起熱量增加，促使作物春季物候期提前和秋季物候期推后，作物生育期延長，以及育種技術的提升等。另外政策驅動也是稻田面積擴張的原因之一。目前，南方大多數(shù)地區(qū)存在水稻種植面積下降的現(xiàn)象，積極擴大黑龍江省水稻種植面積，對不斷提高中國稻米綜合生產(chǎn)力，保障國家糧食安全均有重大意義。達此目標，關鍵是要密切關注水稻種植面積的時空變化，并采取相應對策，以確保黑龍江省水稻生產(chǎn)效益穩(wěn)定。

圖6 2003－2018年黑龍江省旱地-稻田累加面積和稻田面積統(tǒng)計圖

3 結 論

基于2003－2018年中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）的地表反射率數(shù)據(jù)、植被指數(shù)數(shù)據(jù)和分類數(shù)據(jù)，融合閾值法、分層分類、紋理特征、監(jiān)督分類和指數(shù)時間序列等方法建立決策樹分類模型，依次提取森林、水體、城鎮(zhèn)、草甸、灘地、稻田和旱地，定性定量分析黑龍江省土地利用的時空格局變化。可得出如下結論：

1）基于黑龍江省不同植被的物候特征，確定了不同地類的決策樹分類判定標準，可以準確識別省級尺度上土地利用類型，其中選用（Normalized Difference Vegetation Index，NDVI）、陸地表面水分指數(shù)（Land Surface Water Index，LSWI）和短波紅外波段共同閾值提取稻田；

2）2003－2018年黑龍江省稻田面積識別Kappa系數(shù)為0.899～0.961，總精度為85.5%～92.3%。與最大似然法比較，基于物候特征的決策樹算法將2003－2010年稻田識別Kappa系數(shù)提高了0.238～0.286，能有效滿足稻田面積遙感監(jiān)測的需要；

3）2003－2018年黑龍江省稻田面積呈線性增長，平均每年擴張158 100 hm2，2018年稻田面積是2003年稻田面積的3倍，播種區(qū)域的中心向北延伸約160 km，新增稻田多數(shù)由旱地、草甸和灘地轉化，主要分布在三江平原和松嫩平原。

[1]趙小敏，孫小香，王芳東，等. 水稻高光譜遙感監(jiān)測研究綜述[J]. 江西農(nóng)業(yè)大學學報，2019，41(1)：1-12.

Zhao Xiaomin, Sun Xiaoxiang, Wang Fangdong, et al. A summary of the researches on hyperspectral remote sensing monitoring of rice[J]. Acta Agriculturae Universitatis Jiangxiensis, 2019, 41(1): 1-12. (in Chinese with English abstract)

[2]Sakamoto T, Sprague D S, Okamoto K, et al. Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images[J]. Remote Sensing Applications Society and Environment, 2018, 10(4): 7-17.

[3]Wang Jing, Huang Jingfeng, Gao Ping, et al. Dynamic mapping of rice growth parameters using HJ-1 CCD time series data[J]. Remote Sensing, 2017, 9(2):94-97.

[4]Phan A, Ha D N, Man C D, et al. Rapid assessment of flood inundation and damaged rice area in red river delta from Sentinel 1A imagery[J]. Remote Sensing, 2019, 11(17): 2034-2058.

[5]周靜平，李存軍，史磊剛，等. 基于決策樹和面向對象的作物分布信息遙感提取[J]. 農(nóng)業(yè)機械學報，2016，47(9)：318-326.

Zhou Jingping, Li Cunjun, Shi Leigang, et al. Crops distribution remote sensing extraction based on decision tree and object-oriented method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 318-326. (in Chinese with English abstract)

[6]Wang Yong, Zang Shuying, Tian Yang. Mapping paddy rice with the random forest algorithm using MODIS and SMAP time series[J]. Chaos Solitons and Fractals, 2020, 140(5): 110-116.

[7]劉佳，王利民，姚保民，等. 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)工程學報，2017，33(15)：200-209.

Liu Jia, Wang Limin, Yao Baomin, et al. 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)

[8]Guan Kaiyu, Li Zhan, Nagraj R L, et al. Mapping paddy rice area and yields over Thai Binh province in Viet Nam from MODIS, Landsat, and ALOS-2/PALSAR-2[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 7(11): 2238-2253.

[9]楊婷，趙文利，王哲怡，等. 基于遙感影像NDVI數(shù)據(jù)的中國種植制度分布變化[J]. 中國農(nóng)業(yè)科學，2015，48(10)：1915-1925.

Yang Ting, Zhao Wenli, Wang Zheyi, et al. Changes of cropping system in China based on remotely sensed NDVI data[J]. Scientia Agricultura Sinica, 2015, 48(10): 1915-1925. (in Chinese with English abstract)

[10]Xu Xinjie, Ji Xusheng, Jiang Jiale, et al. Evaluation of one-class support vector classification for mapping the paddy rice planting area in Jiangsu province of China from Landsat 8 OLI imagery[J]. Remote Sensing, 2018, 10(4): 546-569.

[11]江東，陳帥，丁方宇，等. 基于面向對象的遙感影像分類研究：以河北省柏鄉(xiāng)縣為例[J]. 遙感技術與應用，2018，33(1)：143-150.

Jiang Dong, Chen Shuai, Ding Fangyu, et al. Classification of remote sensing image based on the object oriented method: A case study of Baixiang country[J]. Remote Sensing Technology and Application, 2018, 33(1): 143-150. (in Chinese with English abstract)

[12]張鵬，胡守庚. 地塊尺度的復雜種植區(qū)作物遙感精細分類[J]. 農(nóng)業(yè)工程學報，2019，35(20)：125-134.

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125-134. (in Chinese with English abstract)

[13]解毅，張永清，荀蘭，等. 基于多源遙感數(shù)據(jù)融合和LSTM算法的作物分類研究[J]. 農(nóng)業(yè)工程學報，2019，35(15)：129-137.

Xie Yi, Zhang Yongqing, Xun Lan, et al. Crop classification based on multi-source remote sensing data fusion and LSTM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 129-137. (in Chinese with English abstract)

[14]Xiao Xiangming, Boles S, Frolking S, et al. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2006, 100(1): 95-113.

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

[16]鄭長春，王秀珍，黃敬峰. 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]. 浙江大學學報：農(nóng)業(yè)與生命科學版，2009，35(1)：98-104.

Zheng Changchun, Wang Xiuzhen, Huang Jingfeng. Mapping paddy rice planting area in Zhejiang province using multi-temporal MODIS images[J]. Journal of Zhejiang University: Agriculture and Life Sciences Edition, 2009, 35(1): 98-104. (in Chinese with English abstract)

[17]Dong Jinwei, Xiao Xiangming, Kou Weili, et al. Tracking the dynamics of paddy rice planting area in 1986-2010 through time series Landsat images and phenology-based algorithms[J]. Remote Sensing of Environment, 2015, 160(2): 99-113.

[18]Peng Dailiang, Huete A R, Huang Jingfeng, et al. Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J]. International Journal of Applied Earth Observation & Geoinformation, 2011, 13(1): 13-23.

[19]孫華生. 利用多時相MODIS數(shù)據(jù)提取中國水稻種植面積和長勢信息[D]. 杭州：浙江大學，2008.

Sun Huasheng. Extracting Planting Area and Growth Information of Paddy Rice Using Multi-Temporal MODIS Data in China[D]. Hangzhou: Zhejiang University, 2008. (in Chinese with English abstract).

[20]黑龍江省統(tǒng)計局. 黑龍江統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2001.

[21]黑龍江省墾區(qū)總局統(tǒng)計局. 黑龍江墾區(qū)統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2001.

[22]Chen J, Jonsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment, 2004, 91(31/32): 332-344.

[23]那曉東，張樹清，孔博，等. 基于決策樹方法的淡水沼澤濕地信息提?。阂匀皆瓥|北部為例[J]. 遙感技術與應用，2008，23(4)：365-372.

Na Xiaodong, Zhang Shuqing, Kong Bo, et al. The extraction of freshwater marsh wetland information based on decision tree algorithm: A case study in the northeast of the Sanjiang Plain[J]. Remote Sensing Technology and Application, 2008, 23(4): 365-372. (in Chinese with English abstract)

[24]孫艷玲，楊小喚，王新生，等. 基于決策樹和MODIS數(shù)據(jù)的土地利用分類[J]. 資源科學，2007，29(5)：169-174.

Sun Yanling, Yang Xiaohuan, Wang Xinsheng, et al. Land use classification based on decision tree using MODIS data[J]. Resources Science, 2007, 29(5): 169-174. (in Chinese with English abstract)

[25]李曉紅，陳爾學，李增元，等. 綜合應用多源遙感數(shù)據(jù)的面向對象土地覆蓋分類方法[J]. 林業(yè)科學，2018，54(2)：68-80.

Li Xiaohong, Chen Erxue, Li Zengyuan, et al. Object based land cover classification method integrating multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(2): 68-80. (in Chinese with English abstract)

[26]Liu Jianhong, Li Le, Huang Xin, et al. Mapping paddy rice in Jiangsu province, China, based on phenological parameters and a decision tree model[J]. Frontiers of Earth Science, 2019, 13(1): 111-123.

[27]邊增淦，王文，江淵. 黑河流域中游地區(qū)作物種植結構的遙感提取[J]. 地球信息科學學報，2019，21(10)：1629-1641.

Bian Zenggan, Wang Wen, Jiang Yuan. Remote sensing of cropping structure in the middle reaches of the Heihe River Basin[J]. Journal of Geo-Information Science, 2019, 21(10): 1629-1641. (in Chinese with English abstract)

[28]姚亞夫，邢留濤. 決策樹C4.5連續(xù)屬性分割閾值算法改進及其應用[J]. 中南大學學報：自然科學版，2011，42(12)：3772-3776.

Yao Yafu, Xing Liutao. Improvement of C4.5 decision tree continuous attributes segmentation threshold algorithm and its application[J]. Journal of Central South University: Science and Technology Edition, 2011, 42(12): 3772-3776. (in Chinese with English abstract)

[29]謝相建，薛朝輝，王冬辰，等. 顧及物候特征的喀斯特斷陷盆地土地覆蓋遙感分類[J]. 遙感學報，2015，19(4)：627-638.

Xie Xiangjian, Xue Zhaohui, Wang Dongchen, et al. Land cover classification in Karst regions based on phenological features derived from a long-term remote sensing image series[J]. Journal of Remote Sensing, 2015, 19(4): 627-638. (in Chinese with English abstract)

[30]孫巖松. 我國東北水稻種植快速發(fā)展的原因分析和思考[J]. 中國稻米，2008，14(5)：9-11.

Sun Yansong. The cause analysis and thinking for rapid development of China northeast rice[J]. China Rice, 2008, 14(5): 9-11. (in Chinese with English abstract)

Rice planting area extraction based on multi-temporal MODIS images in Heilongjiang Province of China

Chen Yusi, Li Dan, Li Zhen, Chen Mengting, Cui Yuanlai, Luo Yufeng※

(,,430072,)

Heilongjiang province is the main area for paddy cultivation in China, and the phenomenon of paddy field expansion has contributed to huge changes in the land types in agricultural areas. Remote sensing is employed to rapidly and dynamically monitor the spatial and temporal changes of paddy fields, thus providing scientific support and decision-making basis for rational cultivation of crops and exploitation of land resources. Based on the above, the Moderate Resolution Imaging Spectroradiometer (MODIS) surface reflectance and vegetation index data sets were selected as the main data source and the Landsat data set was chosen as the auxiliary data source in the present study. As MODIS images have the characteristics of large width and high update frequency, it is an ideal tool for accurate identification of large area crops. The current study remotely decoded paddy fields, drylands, river beaches, swampy meadows, forests, water, and towns in Heilongjiang province from 2003 to 2018 based on the decision tree model. Besides, the data from 2003 to 2010 was the calibration group, and the data from 2011 to 2018 was the validation group. Since the phenological characteristics and exponential intervals of the land classes all showed the difference, the classification rules of the land classes were also different. Statistical analysis was performed based on the spectral characteristics and time-series curves of the indices, including the Enhanced Vegetation Index (EVI), Normalized Difference Vegetation Index (NDVI), and Land Surface Water Index (LSWI). Meanwhile, the classification rules for each land class were presented as follows: forests were extracted by the EVI and slope data threshold method on April 6. Water was extracted by the NDVI threshold method on October 16. Supervised classification was used to extract towns from the LSWI time-series and wetlands from the NDVI time-series. After carrying out repeated experiments, NDVI, LSWI, and Band 6 were used to identify the paddy field, and the threshold conditions included 0.45-0.77, 0-0.56, and 120-1 530 nm, respectively. The classification result images were verified by high-resolution Landsat images and statistical almanac data, respectively. The Kappa coefficient of the 2003-2018 paddy fields identification reached 0.899-0.961, the overall classification accuracy reached 85.5%-92.3%, and the paddy fields matched the statistical almanac data. To compare the advantages and disadvantages of decision tree model construction, the maximum likelihood method was selected for the comparison. In terms of the control group, the maximum likelihood classification method was used to identify paddy fields under the condition that other land classification rules were unchanged. From 2003 to 2010, the accuracy of the maximum likelihood method was 0.643-0.756, which was significantly lower than that of the decision tree method from 0.923-0.961, indicating that the classification of paddy fields using the threshold method was more effective compared with the maximum likelihood method. The classification results suggested that the area of paddy fields in Heilongjiang province expanded 3 times from 2003 to 2018, and the center of gravity of paddy fields in the sowing area extended approximately 160 km to the north. Paddy field expansion increased linearly, with an average expansion of 158 100 hm2per year. From 2003 to 2018, the cumulative conversion from dry land was 2 502 400 hm2, and 154 900 hm2of wetlands had been reclaimed in total. Moreover, the decision tree model proposed in the present study had provided an effective method for extracting paddy cultivated areas in Heilongjiang province, which could also offer lessons for land class identification in similar areas.

remote sensing; land use; classification; accurate recognition; paddy field expansion; decision tree model

陳雨思，李丹，黎臻，等. 多時相MODIS影像的黑龍江省水稻種植面積提取[J]. 農(nóng)業(yè)工程學報，2020，36(23)：201-208.doi：10.11975/j.issn.1002-6819.2020.23.023 http://www.tcsae.org

Chen Yusi, Li Dan, Li Zhen, et al. Rice planting area extraction based on multi-temporal MODIS images in Heilongjiang Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 201-208. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.23.023 http://www.tcsae.org

2020-04-29

2020-06-09

國家自然科學基金項目（51979201）；湖北省對外科技合作類項目（2019AHB076）

陳雨思，主要從事衛(wèi)星遙感的農(nóng)情監(jiān)測研究。Email：594992398@qq.com

羅玉峰，博士，教授，主要從事灌溉水文和節(jié)水灌溉研究。Email：yfluo@whu.edu.cn

10.11975/j.issn.1002-6819.2020.23.023

S511.2; TP75

A

1002-6819(2020)-23-0201-08