基于FastICA算法和MODIS數(shù)據(jù)的水稻面積提取

耿利寧，景元書，楊沈斌，浩宇

(南京信息工程大學(xué)1．江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室;2．應(yīng)用氣象學(xué)院，江蘇南京210044)

0 引言

水稻是世界主要糧食作物之一，全世界近一半人口以水稻為食。隨著大多數(shù)水稻種植國(guó)家城市化進(jìn)程加速，水稻種植面積逐年減少，已經(jīng)關(guān)系到世界的和平與穩(wěn)定。為此，采用當(dāng)前先進(jìn)的遙感技術(shù)進(jìn)行長(zhǎng)期、大區(qū)域的水稻生產(chǎn)監(jiān)測(cè)成為保障水稻安全生產(chǎn)的重要手段，而提出動(dòng)態(tài)、可靠、有效的水稻面積遙感監(jiān)測(cè)方法是其中的重要內(nèi)容。

近十多年來，學(xué)者們提出了不同水稻面積的遙感監(jiān)測(cè)方法，面對(duì)大區(qū)域的水稻動(dòng)態(tài)監(jiān)測(cè)，光學(xué)數(shù)據(jù)仍是水稻面積提取研究和應(yīng)用的主要數(shù)據(jù)源，其中MODIS數(shù)據(jù)發(fā)揮重要作用。MODIS的光譜觀測(cè)通道大大增強(qiáng)了對(duì)地表類型的識(shí)別能力和對(duì)不同生態(tài)系統(tǒng)的觀測(cè)能力(鄧學(xué)良等，2009;陳愛軍等，2012)，在大區(qū)域水稻遙感監(jiān)測(cè)中同樣得到廣泛應(yīng)用(Boschetti et al．，2009;Sakamoto et al．，2009;Xiao et al．，2005)。而根據(jù) Lay et al．(1983)提出的相似性指數(shù)，顧曉鶴等(2008)、楊沈斌等(2012)提出了通過建立參考水稻EVI(Enhanced Vegetation Index，增強(qiáng)植被指數(shù))生長(zhǎng)曲線和計(jì)算相似性指數(shù)的方法，從多時(shí)相MODIS數(shù)據(jù)中提取水稻面積。

然而，MODIS數(shù)據(jù)的空間分辨率較低，最高為250 m。較低的空間分辨率給大區(qū)域水稻遙感監(jiān)測(cè)帶來的嚴(yán)重的混合像元問題，尤其是在稻田分散且面積較小的種植區(qū)。針對(duì)混合像元問題，目前常用的方法有線性混合模型分解、模糊分類模型分解以及盲源分解。其中，獨(dú)立成分分析(Independent Component Analysis，ICA)屬于盲源分解方法，而FastICA算法則是一種快速的ICA算法。它作為一種新興的信號(hào)處理方法，已在越來越廣泛的領(lǐng)域獲得成功應(yīng)用 (胡茂桂和王勁峰，2010;李根等，2014)。而應(yīng)用于農(nóng)業(yè)遙感方面，該算法不僅能有效分解出不同作物類型，還能通過計(jì)算得出不同作物的豐度(Wang and Chang，2006;Ozdogan，2010)，已有研究表明，地物的類型越復(fù)雜，計(jì)算得到的豐度結(jié)果越不準(zhǔn)確，同時(shí)針對(duì)同一作物而言，不同的田間管理水平也會(huì)導(dǎo)致不同的豐度結(jié)果。

基于已有利用MODIS數(shù)據(jù)提取水稻面積方法的研究，本文擬在使用相似性指數(shù)計(jì)算獲得潛在水稻像元基礎(chǔ)上，采用FastICA算法，對(duì)潛在水稻像元的歸一化差分植被指數(shù)INDV(Normalized Difference Vegetation Index)時(shí)相曲線進(jìn)行分解(Xiao et al．，2005)，計(jì)算水稻豐度，獲取研究區(qū)水稻種植面積和分布。同時(shí)，結(jié)合統(tǒng)計(jì)數(shù)據(jù)和地面觀測(cè)樣方資料，對(duì)水稻面積提取方法進(jìn)行有效性驗(yàn)證。

1 研究區(qū)域和數(shù)據(jù)

1.1 研究區(qū)域概況

江蘇、安徽、江西3省隸屬長(zhǎng)江中下游水稻生態(tài)區(qū)。其中，江西省屬于江南丘陵平原雙季稻種植區(qū)，江蘇、安徽的南部地區(qū)屬于長(zhǎng)江中下游平原雙單稻種植區(qū)，而江蘇和安徽北部地區(qū)屬于華北單季稻種植區(qū)。但隨著近十多年來的城市化和勞動(dòng)力轉(zhuǎn)移，江蘇和安徽大部分地區(qū)僅種植一季中稻和晚稻。

1.2 研究數(shù)據(jù)

1.2.1 MODIS數(shù)據(jù)

從 UGGS EROS 數(shù)據(jù)中心(http://glovis．usgs．gov/)下載了覆蓋整個(gè)研究區(qū)域的2010年46景8 d合成地表反射率數(shù)據(jù)(MOD09A1)和1景(2009年)土地利用類型(MCD12Q1)MODIS產(chǎn)品數(shù)據(jù)。MOD09A1數(shù)據(jù)經(jīng)過大氣校正、氣溶膠校正以及卷云處理，空間分辨率為500 m，包含7個(gè)波段，數(shù)據(jù)還包括兩個(gè)表征質(zhì)量的波段QA(Quality Assurance)。MCD12Q1數(shù)據(jù)包含16個(gè)類別的土地覆蓋類型，本文選用其中的Croplands以及Cropland/Natural Vegetation Mosaic類型作為耕地像元(圖1)。

圖1 研究區(qū)耕地分布與GPS樣點(diǎn)Fig．1 Distribution of cultivated land and samples of GPS in the study area

1.2.2 輔助數(shù)據(jù)

通過國(guó)際科學(xué)數(shù)據(jù)服務(wù)平臺(tái)(http://datamirror．csdb．cn/index．jsp)獲取了 6 景覆蓋研究區(qū)域的Landsat TM數(shù)據(jù)(2005年1景、2006年1景、2007年2景和2010年2景)，空間分辨率為30 m;通過中國(guó)資源衛(wèi)星應(yīng)用中心獲取了2010年3景覆蓋研究區(qū)域的HJ1A-CCD1影像，空間分辨率為30 m。利用獲取的研究區(qū)水稻和同期作物(玉米、大豆和棉花)GPS樣方資料，結(jié)合Google Earth和上述影像，從研究區(qū)內(nèi)額外建立了150個(gè)水稻樣方數(shù)據(jù)。樣方數(shù)據(jù)中江蘇60個(gè)、安徽50個(gè)和江西40個(gè)，分布如圖1(江西30個(gè)早稻樣方中有20個(gè)樣方為雙季早晚稻)所示。

另外，獲取了2010年江蘇省、安徽省、江西省統(tǒng)計(jì)年鑒數(shù)據(jù)，提取了三省水稻種植面積數(shù)據(jù)。從各省近10 a農(nóng)業(yè)氣象觀測(cè)站獲取了各觀測(cè)點(diǎn)水稻生育期資料。表1給出了各省觀測(cè)到的主要水稻生長(zhǎng)期最早至最晚日期的基本情況。

2 研究方法

2.1 水稻面積提取方案

首先在耕地類型像元基礎(chǔ)上提取滿足(ILSW+0.05)≥INDV(ILSW為地表水分指數(shù)，Land Surface Water Index)的水田像元(Xiao et al．，2005);然后，利用樣方的INDV時(shí)相曲線，建立符合研究區(qū)各水稻生長(zhǎng)特征的水稻參考生長(zhǎng)曲線，對(duì)提取的參考曲線進(jìn)行前后時(shí)相滑動(dòng)，并分次計(jì)算每個(gè)耕地像元INDV時(shí)相曲線與參考曲線的相似性指數(shù)，選取多次結(jié)果中最低值得到一景相似性指數(shù)影像，并結(jié)合樣方的指數(shù)范圍確定閾值，篩選符合閾值范圍的像元作為水稻像元(顧曉鶴等，2008;楊沈斌等，2012)。然后，獲取水稻像元的INDV數(shù)據(jù)，再利用FastICA算法分解INDV數(shù)據(jù)，獲取每個(gè)像元中含水稻的百分比即水稻豐度，以提取水稻面積。最后，利用統(tǒng)計(jì)和樣方資料對(duì)結(jié)果進(jìn)行驗(yàn)證。

2.2 植被指數(shù)的計(jì)算與濾波重構(gòu)

ILSW和INDV的計(jì)算可參考 Huete et al．(1997)以及Xiao et al．(2006)。由于研究區(qū)水稻生長(zhǎng)季多云霧雨天氣，需要對(duì)MODIS數(shù)據(jù)進(jìn)行去云濾波和噪聲抑制處理。為此，參考楊沈斌等(2012)的數(shù)據(jù)預(yù)處理方法，分別對(duì)ILSW時(shí)序曲線采用LMF(基于局部最大濾波算法)、INDV時(shí)序曲線采用TIMESAT程序中的Savitzky-Golay算法進(jìn)行濾波和噪聲抑制。兩種算法都是在給定時(shí)相窗口內(nèi)進(jìn)行的濾波算法，利用窗口范圍內(nèi)數(shù)值的平均值或者線性組合替換缺失或者不良數(shù)據(jù)。原始數(shù)據(jù)與濾波重構(gòu)后的數(shù)據(jù)對(duì)比如圖2所示。由圖2可見，INDV與ILSW數(shù)據(jù)都得到了較好的平滑并保留了原始的變化特性。

表1 各省主要水稻生長(zhǎng)期的基本情況Table 1 Basic situation of the rice growth period in different parts of the study area

圖2 INDV和ILSW時(shí)相曲線濾波前后的對(duì)比Fig．2 Comparison of INDVand ILSWbetween before and after filtering

2.3 水田像元的獲取

已有研究認(rèn)為(Xiao et al．，2005)，判別水田像元可通過判斷該像元的ILSW與INDV之間是否存在(ILSW+T)≥INDV的關(guān)系來確定，其中T值通常取值0.05。因此，針對(duì)耕地像元，獲取移栽期時(shí)相內(nèi)滿足ILSW+0.05≥INDV的像元為水田像元。

2.4 水稻像元提取

2.4.1 水稻參考生長(zhǎng)曲線的建立

符合水田像元提取特征的地物還可能包含濕地或周期性灘地等。為此，需建立符合研究區(qū)各水稻生長(zhǎng)特征的水稻參考生長(zhǎng)曲線。

根據(jù)樣方數(shù)據(jù)中的純像元獲取各地區(qū)的INDV時(shí)相曲線，求多個(gè)純像元的平均值，得到能代表該區(qū)域的水稻參考INDV時(shí)相曲線，如圖3所示。其中，江蘇地區(qū)用一條參考曲線代表，安徽地區(qū)皖北皖南各用一條參考曲線代表，而江西地區(qū)用三條參考曲線代表早、中、晚三類水稻。通過與表1的對(duì)比可以發(fā)現(xiàn)，選取的參考INDV時(shí)相曲線符合真實(shí)的水稻物候期。

2.4.2 相似性指數(shù)的計(jì)算

相似性指數(shù)SNDVI的原理和計(jì)算可參考楊沈斌等(2012)一文。相似性指數(shù)值越小表明與參考INDV曲線越相似，是水稻像元的可能性越大。而本文研究區(qū)域較大，使得一些水稻像元的時(shí)相曲線開始和結(jié)束時(shí)間與參考INDV時(shí)相曲線存在差異，相似性指數(shù)值過大而被當(dāng)作非水稻。為了避免這一不同種植日期帶來的干擾，對(duì)參考INDV時(shí)相曲線進(jìn)行了前后一個(gè)時(shí)相的滑動(dòng)(圖略)，多次進(jìn)行相似性指數(shù)計(jì)算。

2.4.3 確定水稻像元

圖3 水稻參考INDV時(shí)相曲線 a．江蘇省;b．安徽省北部;c．安徽省南部;d．江西省早稻;e．江西省中稻;f．江西省晚稻Fig．3 Reference INDVtemporal profiles of paddy rice a．single rice of Jiangsu province;b．single rice of northern Anhui province;c．single rice of southern Anhui Province;d．early rice of Jiangxi province;e．middle rice of Jiangxi province;f．late rice of Jiangxi province

疊加多次計(jì)算得到的相似性指數(shù)影像，選取多波段數(shù)據(jù)中各個(gè)像元的最低值，即與參考INDV時(shí)相曲線最相近的結(jié)果，綜合成一景以相似性指數(shù)為特征波段的影像。獲取此景影像中樣方的相似性數(shù)值，確定符合樣方的相似性指數(shù)范圍，其中，江蘇省指數(shù)范圍為0.2～2.1;安徽為0.1～2.0;江西早稻為0.08～1.88，中稻為0.2～1.5，晚稻為0.1～3.0。利用樣方獲取的閾值范圍，篩選出影像中符合范圍的像元，確定為水稻像元。

2.5 基于FastICA算法的水稻像元分解

在進(jìn)行FastICA算法之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理來簡(jiǎn)化ICA問題。預(yù)處理主要是中心化和白化。設(shè)定輸入的數(shù)據(jù)X是觀測(cè)得到的INDV數(shù)據(jù)，中心化即為零平均，白化則是使其各行數(shù)據(jù)互不相關(guān)，且各自的方差等于1，使得X的協(xié)方差矩陣等于單位矩陣，本文預(yù)處理通過MATLAB中的zscore函數(shù)完成。

通常FastICA算法的輸入數(shù)據(jù)是以像元個(gè)數(shù)作為信號(hào)個(gè)數(shù)，像元的時(shí)序數(shù)作為樣本個(gè)數(shù)，而本文的應(yīng)用中，不同作物的生長(zhǎng)時(shí)間序列可能并不符合ICA分析中提及的統(tǒng)計(jì)獨(dú)立，因此對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)置，這是一種特別的 FastICA算法(Ozdogan，2010)。使用MATLAB中的FastICA工具箱來完成計(jì)算，計(jì)算完成后會(huì)分別得到混合矩陣A、解混矩陣W以及估計(jì)出的獨(dú)立成分CI，其中A中第i列代表第i個(gè)獨(dú)立成分的時(shí)間序列，CI中第i行代表該獨(dú)立成分信號(hào)在整個(gè)圖像中的強(qiáng)弱分布。一般而言，結(jié)果中獨(dú)立成分的排列順序符合獨(dú)立性從強(qiáng)至弱的規(guī)律(Wang and Chang，2006)。

FastICA算法在獨(dú)立成分個(gè)數(shù)很多的情況下，無法徹底分解所有獨(dú)立成分，豐度計(jì)算的誤差也就很大(Ozdogan，2010)。而本文在水稻像元基礎(chǔ)上進(jìn)行的FastICA算法等于間接的對(duì)原始數(shù)據(jù)進(jìn)行了降維，減少了誤差。由于FastICA算法運(yùn)行輸出的結(jié)果代表的是每個(gè)獨(dú)立信號(hào)占總信號(hào)能量的比重，不能直接用于表示豐度。為此，參考 Wang and Chang(2006)一文中的豐度計(jì)算公式計(jì)算了水稻豐度。

3 結(jié)果與分析

3.1 研究區(qū)水稻像元

根據(jù)水稻相似性指數(shù)和樣方數(shù)據(jù)提取出各省水稻像元的分布(圖略)，其中顏色越深代表水稻相似性指數(shù)值越小，暗示該像元水稻所占比重越大。將各省的結(jié)果進(jìn)行疊加，選取所有種植時(shí)期水稻的像元，形成研究區(qū)水稻像元分布影像(圖4)。

圖4顯示，江蘇水稻主要種植分布在該省中北部地區(qū);安徽水稻主要為沿淮河、長(zhǎng)江兩岸分布;江西水稻分布也符合沿水沿江分布的特征，但多集中在鄱陽(yáng)湖周圍以及贛江、信江、撫河等流域。早晚雙季稻以鄱陽(yáng)湖為中心的南昌、宜春和吉安東部、撫州北部、上饒西部;而中稻分布較離散，主要集中種植在九江東部以及宜春、吉安、撫州、南昌地區(qū)。與Xiao et al．(2005)繪制的對(duì)應(yīng)區(qū)域水稻分布結(jié)果相比，本文提取的水稻像元分布與其吻合較好。

圖4 水稻像元分布Fig．4 Distribution of paddy rice pixel

3.2 研究區(qū)水稻像元分解和水稻豐度

為減少非水稻種植期間不同的耕地使用情況帶來的干擾，F(xiàn)astICA算法僅對(duì)水稻生長(zhǎng)季內(nèi)的INDV時(shí)相曲線進(jìn)行信號(hào)分解。

引入降維過程中使用的表征獨(dú)立成分個(gè)數(shù)的特征量 NVD(Virtual Dimensionality)(Chang，2003)。針對(duì)江蘇地區(qū)，選取NVD=8時(shí)，獨(dú)立成分個(gè)數(shù)占總變量的95.12%，分解得出的INDV時(shí)相曲線中，符合水稻生長(zhǎng)特性曲線的有兩條(圖5a)，從圖中可以看出，兩條曲線代表的生長(zhǎng)季符合水稻生長(zhǎng)季，INDV1較INDV2略長(zhǎng)，二者峰值相近，在時(shí)間橫軸上有所偏移，INDV1曲線在9月出現(xiàn)明顯下凹。同樣的，安徽地區(qū)取NVD=7，占總變量94.14%，共分解出4條曲線符合水稻生長(zhǎng)特性的曲線(圖5b)，4條曲線同樣符合水稻生長(zhǎng)季，峰值相近，其中INDV3在9月出現(xiàn)明顯下凹且較其余3條曲線生長(zhǎng)季長(zhǎng)。江西地區(qū)早稻取NVD=6，占總變量90.26%，中稻取NVD=8，占總變量92.5%，晚稻取NVD=6，占總變量92.77%，早、中、晚稻各分解出一條INDV曲線(圖5c)，3條曲線峰值相近，在時(shí)間橫軸上，早稻結(jié)束后晚稻的曲線開始增長(zhǎng)，中稻的曲線位于早晚稻之間，符合江西地區(qū)早、中、晚稻的生長(zhǎng)季，其中代表晚稻的曲線9月出現(xiàn)明顯下凹。

使用FastICA算法分解得到各地區(qū)不同的INDV時(shí)相曲線后，獲取符合水稻生長(zhǎng)特性曲線對(duì)應(yīng)的CI矩陣中的行數(shù)據(jù)，即曲線代表的水稻成分在不同像元的信號(hào)強(qiáng)度值，進(jìn)行豐度的計(jì)算，獲取每個(gè)像元對(duì)應(yīng)的豐度值，繪制代表該曲線的豐度圖，三省的水稻豐度如圖6所示。

圖5 用FastICA提取的INDV時(shí)相曲線 a．江蘇省;b．安徽省;c．江西省Fig．5 INDVtemporal profiles by FastICA a．Jiangsu province;b．Anhui province;c．Jiangxi province

圖 6 江蘇省(a，b;對(duì)應(yīng)圖 5a 中 INDV1、INDV2)、安徽省(c，d，e，f;對(duì)應(yīng)圖 5b 中 INDV1、INDV2、INDV3、INDV4)、江西省(g，h，i;對(duì)應(yīng)圖 5c中 INDV早、INDV中、INDV晚)的水稻豐度圖Fig．6 The abundance fraction maps of paddy rice in(a，b)Jiangsu province(corresponding to INDV1and INDV2in Fig．5a，respectively)，(c，d，e，f)Anhui province(corresponding to INDV1，INDV2，INDV3and INDV4in Fig．5b，respectively)，and(g，h，i)Jiangxi province(corresponding to INDVEarly，INDVMiddleand INDVLatein Fig．5c，respectively)

由圖6可見，江蘇地區(qū)水稻高豐度區(qū)域主要集中在蘇中江淮平原，洪澤湖東南沿岸，南通地區(qū)以及蘇南少部分地區(qū)，蘇北地區(qū)水稻豐度較小。安徽地區(qū)水稻高豐度地區(qū)集中在淮河流域和長(zhǎng)江流域沿岸，皖北地區(qū)以及皖南山區(qū)水稻豐度很小。江西地區(qū)早晚雙季稻的高豐度區(qū)域明顯，主要集中在以鄱陽(yáng)湖為中心的南昌、宜春和吉安地區(qū);而中稻高豐度區(qū)域分布離散，主要集中種植在九江東部以及宜春、吉安、撫州、南昌地區(qū)。通過云量統(tǒng)計(jì)數(shù)據(jù)發(fā)現(xiàn)，3條出現(xiàn)下凹的曲線代表的區(qū)域(圖6a、6e、6i)9月有大量云層覆蓋，符合實(shí)際情況。

3.3 面積提取和驗(yàn)證

在獲得水稻豐度圖后，通過疊加計(jì)算各個(gè)豐度圖中每個(gè)像元的豐度值，進(jìn)行水稻面積的提取，不同曲線之間采用多次豐度計(jì)算結(jié)果的相加。對(duì)計(jì)算結(jié)果，分別結(jié)合2010年統(tǒng)計(jì)年鑒資料以及30個(gè)覆蓋3省的實(shí)測(cè)樣方資料進(jìn)行了對(duì)比驗(yàn)證，與統(tǒng)計(jì)年鑒的對(duì)比結(jié)果如表2，與樣方對(duì)比結(jié)果如圖7。

表2 提取的水稻面積與統(tǒng)計(jì)的水稻面積的比較Table 2 Comparison between retrieved rice areas and statistical rice areas

圖7 樣方面積SS與FastICA提取面積SF的比較(單位:102hm2)Fig．7 Comparision of rice area between samples data(SS)and FastICA results(SF)(units:102hm2)

由表2可見，提取的江蘇一季稻面積約為192.9×104hm2，與統(tǒng)計(jì)面積相對(duì)誤差為13.6%;安徽地區(qū)水稻提取面積為144.2×104hm2，誤差百分比為12.1%;江西地區(qū)出提取面積分別為早稻61.7×104hm2，中稻 24 ×104hm2，晚稻 69.7×104hm2，誤差過大，平均48.5%左右。由圖7可見，F(xiàn)astICA提取的面積SF與樣方面積SS平均相對(duì)誤差小于15%，散點(diǎn)與趨勢(shì)線的確定系數(shù)為0.79。

4 討論

4.1 相似性算法的缺陷

相似性指數(shù)是絕對(duì)值疊加的結(jié)果，容易受到個(gè)別離差偏大點(diǎn)的影響。同時(shí)，混合像元的存在使得包含較為混雜地物的像元表現(xiàn)出來的曲線與參考曲線差異很大，即使含有水稻也可能被剔除。相似性算法在今后的研究中還需完善與改進(jìn)，以獲得更準(zhǔn)確的提取結(jié)果。

4.2 NVD的確定

NVD是降維過程中使用的表征獨(dú)立成分個(gè)數(shù)的特征量，在盲源分析中，源信號(hào)眾多會(huì)給分析帶來困難，特別是區(qū)域過大時(shí)，所含地物的類型很多，NVD較難確定，而NVD的大小與豐度計(jì)算誤差有密切的聯(lián)系。本文在對(duì)水稻像元分解前，雖然大大減少了其他地物的干擾，但水稻種植情況、水稻生長(zhǎng)狀況和稻田土壤特征在空間上都存在一定差異，導(dǎo)致不可能“完全分解”不同條件下的水稻像元，但能“盡可能分解”不同條件下的水稻像元。以江蘇地區(qū)為例，當(dāng)分別取NVD為8、9時(shí)，分解得到符合水稻生長(zhǎng)特性的曲線都為2條(圖8)，且前后兩次分解得到的兩條曲線之間差異很小，這就證明取NVD=8時(shí)，得到的符合水稻生長(zhǎng)特性的獨(dú)立成分已盡可能的被分解。

4.3 山區(qū)水稻面積提取誤差

從豐度計(jì)算結(jié)果與統(tǒng)計(jì)年鑒對(duì)比中，可以看出，江蘇與安徽提取的水稻面積結(jié)果準(zhǔn)確性較高，而江西的準(zhǔn)確性很差;對(duì)比樣方驗(yàn)證結(jié)果卻發(fā)現(xiàn)江西地區(qū)的樣方提取的豐度值準(zhǔn)確度較好，這說明豐度計(jì)算方法并不是誤差過大的主要原因。對(duì)比2010年江西省各市統(tǒng)計(jì)年鑒與圖1，發(fā)現(xiàn)江西地區(qū)土地覆蓋類型數(shù)據(jù)沒有很好地覆蓋山區(qū)的耕地，如贛州地區(qū)多為梯田以及山間耕地，使得有山地區(qū)準(zhǔn)確性較差，這是江西地區(qū)提取結(jié)果誤差過大的主要原因。

5 結(jié)論

本文結(jié)合時(shí)序MODIS數(shù)據(jù)和樣方數(shù)據(jù)，利用FastICA盲源算法對(duì)水稻的INDV時(shí)相曲線進(jìn)行了豐度分解，提取水稻面積。結(jié)果顯示，利用FastICA分解水稻混合像元的INDV時(shí)相曲線可以有效提取水稻面積，與統(tǒng)計(jì)數(shù)據(jù)、樣方調(diào)查吻合較好。值得提出的是，相似性算法提取水稻像元仍有一定的局限性，而豐度的計(jì)算方法作為一種歸一化的線性拉伸，也帶來了一定的誤差，并且山區(qū)耕地?cái)?shù)據(jù)的缺乏也使得多山地區(qū)面積驗(yàn)證誤差較大。我國(guó)耕地使用復(fù)雜，水稻同期作物類型繁多，在一定程度上增加了水稻遙感監(jiān)測(cè)的難度，而本文的研究為大范圍內(nèi)動(dòng)態(tài)的水稻面積監(jiān)測(cè)提供了重要的參考。

圖8 用FastICA提取的INDV時(shí)相曲線(黑色曲線為NVD=8時(shí);紅色曲線為NVD=9時(shí))Fig．8 INDVtemporal profiles by FastICA(The curves are black and red when NVD=8 and NVD=9，respectively)

致謝:兩位審稿專家為本文提出了寶貴的修改意見。謹(jǐn)致謝忱!

Boschetti M，Stroppiana D，Brivio P A，et al．2009．Multi-year monitoring of rice crop phenology through time series analysis of MODIS images［J］．Int J Remote Sens，30(18):4643-4662．

Chang C I．2003．Hyperspectral imaging:Techniques for spectral detection and classification［M］．New York:Kluwer Academic/Plenum Publishers．

陳愛軍，梁學(xué)偉，卞林根，等．2012．青藏高原地區(qū)MODIS反照率的精度分析［J］．大氣科學(xué)學(xué)報(bào)，35(6):664-672． Chen Aijun，Liang Xuewei，Bian Lingen，et al．2012．Assessment on the accuracy of MODIS albedos over the Tibetan Plateau［J］．Trans Atmos Scis，35(6):664-672．(in Chinese)．

鄧學(xué)良，潘德爐，何冬燕，等．2009．中國(guó)海域MODIS氣溶膠光學(xué)厚度檢驗(yàn)分析［J］．大氣科學(xué)學(xué)報(bào)，32(4):558-564． Deng Xueliang，Pan Delu，He Dongyan，et al．2009．Validation of MODIS aerosol optical depth retrievals over the China Sea［J］．Trans Atmos Scis，32(4):558-564．(in Chinese)．

顧曉鶴，韓立建，張錦水，等．2008．基于相似性分析的中低分辨率復(fù)合水稻種植面積測(cè)量法［J］．中國(guó)農(nóng)業(yè)科學(xué)，41(4):978-985．Gu Xiaohe，Han Lijian，Zhang Jinshui，et al．2008．Monitoring of paddy rice plant area based on similar index by multi-resolution remote sensing data［J］．Scientia Agricultura Sinica，41(4):978-985．(in Chinese)．

胡茂桂，王勁峰．2010．遙感影像混合像元分解及超分辨率重建研究進(jìn)展［J］．地理科學(xué)進(jìn)展，29(6):747-756． Hu Maogui，Wang Jinfeng．2010．Mixed-pixel decomposition and super-resolution reconstruction of RS image［J］．Progress In Geography，29(6):747-756．(in Chinese)．

Huete A R，Liu H Q，Batchily K，et al．1997．A comparison of vegetation indices global set of TM images for EOSMODIS ［J］．Remote Sens Environ，59(3):440-451．

Lay J O，Gross M L，Zwinselman J J，et al．1983．A field ionization and collisionally activated dissociation/charge stripping study of some［C9H10］+ions［J］．Organic Mass Spectrometry，18(1):16-21．

李根，景元書，王琳，等．2014．基于MODIS時(shí)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(bào)，37(1):119-126．Li Gen，Jing Yuanshu，Wang Lin，et al．2014．Extraction of paddy planting areas based on MODIS vegetation index time series and linear spectral mixture model［J］．Trans Atmos Scis，37(1):119-126．(in Chinese)．

Ozdogan M．2010．The spatial distribution of crop types from MODIS data:Temporal unmixing using independent component analysis［J］．Remote Sens Environ，114(6):1190-1204．

Sakamoto T，Phung C V，Kotera A，et al．2009．Detection of yearly change in farming system in the vietnamese mekong delta from MODIS timeseries imagery［J］．Japan Agricultural Research Quarterly，43(3):173-185．

Wang J，Chang C I．2006．Applications of independent component analysis(ICA)in endmember extraction and abundance quantification for hyperspectral imagery［J］．Geoscience and Remote Sensing，44(9):2601-2616．

Xiao X M，Boles S，Liu J Y，et al．2005．Mapping paddy rice agriculture in southern China using multi-temporal MODIS images［J］．Remote Sens Environ，95(4):480-492．

Xiao X M，Boles S，F(xiàn)rolking S，et al．2006．Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images［J］．Remote Sens Environ，100(1):95-113．

楊沈斌，景元書，王琳，等．2012．基于MODIS時(shí)序數(shù)據(jù)提取河南省水稻種植分布［J］．大氣科學(xué)學(xué)報(bào)，35(1):113-120． Yang Shenbin，Jing Yuanshu，Wang Lin，et al．2012．Mapping rice paddy distribution in Henan Province based on multi-temporal MODIS imagery［J］．Trans Atmos Scis，35(1):113-120．(in Chinese)．