基于多時相高分一號影像水稻監測精度評價與修正
——以德陽地區為例

李章成，王 昕，李宗南，任國業

(1.四川省農業科學院遙感應用研究所,四川 成都 610066；2.農業部遙感應用中心成都分中心,四川 成都 610066)

基于多時相高分一號影像水稻監測精度評價與修正
——以德陽地區為例

李章成1,2，王 昕1,2，李宗南1,2，任國業1,2

(1.四川省農業科學院遙感應用研究所,四川 成都 610066；2.農業部遙感應用中心成都分中心,四川 成都 610066)

以2014年四川省德陽地區為研究區域，建立10個(500 m×500 m)樣方作為訓練區，同時期建立水稻驗證點。提取2個時相高分一號的NDVI值，分析其變化特征，確定閾值；利用數字高程圖(DEM)及坡度圖，采用決策樹分類方法，進行水稻遙感監測。以水稻地塊樣點作驗證，評價高分一號數據在水稻識別方面的精度，最后利用樣方測算的修正系數對遙感監測面積進行修正。結果表明，在類似德陽地塊比較破碎的平原和丘陵區域，高分一號影像遙感識別水稻的用戶精度可達92.3 %，制圖精度可達96.5 %。以78 %系數乘積修正該區域水稻遙感監測面積，得到更為準確的水稻播種面積。高分一號影像作為全新的高空間分辨率遙感數據，在水稻監測方面，可作為一種可靠的、免費的遙感影像替代源在更大區域中探討使用。

高分一號；遙感；決策樹分類；數字高程圖

高分一號衛星開啟了我國高分辨率對地觀測系統工程的全面建設[1],其 8 m 多光譜高分辨率相機圖像觀測幅寬達 60 km 以上，4 臺分辨率為 16 m 的多光譜中分辨率寬幅相機圖像觀測幅寬達 800 km 以上。作為全新的高空間分辨率遙感影像，秦緒文,郭會敏[2-3]分別在高分一號數據預處理正射糾正、數據融合等方面做了深入研究；李艷華[4]利用高分一號，基于規則的面向對象方法，實現了對山區細小水體精確化提取，總體精度在90 %以上，Kappa系數在85 %以上；路云閣[5]利用高分一號監測礦山資源及成果制圖方面做了研究；朱利[6]利用高分一號寬幅WFV數據，結合HJ-A CCD對太湖水質進行了遙感監測，研究結果表明了2種數據對水質參數的反演結果具有一致性，可有效反映葉綠素a濃度、懸浮物濃度、透明度和富營養化指數的空間變化規律。

作為重要糧食作物的水稻，其種植面積、分布及變化一直廣受關注。李志鵬[7]等在利用遙感進行水稻面積空間分布提取中涉及的數據源、特征量和分類方法進行了歸納總結。眾多學者[8-12]對遙感監測水稻的機理進行了深入探討。遙感平臺的多樣化使遙感監測獲取水稻長勢與面積可使用數據源[13-15]更為靈活。由于水稻生育期比較長，不同生育期在遙感影像上體現出不同的光譜特征，王琳[16]等利用多時相中低分辨率MODIS遙感影像對江蘇省級區域的水稻面積識別及其精度進行了研究評價。在田塊比較破碎，種植結構復雜的區域，混合像元帶來的“同物異譜”及“異物同譜”導致遙感監測水稻的準確度和精度降低。劉克寶[17]等利用高空間分辨率影像對作物種植結構進行了研究，提取部分線狀及細小地物，獲取扣除系數，修正遙感識別的水稻面積。西南地區水稻種植在雨熱同季的多云雨時期，可用光學影像數據源非常欠缺，并且該區域田塊非常破碎，種植結構比較復雜，中低分辨率遙感影像混合像元帶來的問題更為嚴重，遙感識別水稻面積存在一定程度的夸大，降低了遙感監測的精度和準確度。高分一號數據作為全新的國產高空間分辨率數據源，在區域性水稻監測和產量估算仍是全新課題，其面積監測精度等方面有待深入研究。本文主要利用高分一號相鄰時相中高空間分辨率GF1_PMS2(2014/08/05 8 m)和GF1_WFV1(2014/08/13 16 m) 影像，以ENVI5.1為平臺，基于數字高程圖(DEM)，分析該區域植被區域中的水稻、其它作物和林地的歸一化植被指數(NDVI)變化特征，確定閾值，采用決策樹分類方法，對該區域的水稻進行識別，以野外水稻地塊調查樣點為驗證數據，評價高分一號影像在監測水稻方面的識別精度和準確度；利用修正系數進行遙感監測識別面積修訂，獲取該區域更為準確的水稻播種面積。

1 材料與方法

1.1 研究區域

影像覆蓋區域及樣點分布位于德陽市旌陽區、廣漢市及羅江縣大部，東經103°48′～105°12′，北緯30°31′～31°42′，屬亞熱帶濕潤季風區，氣候溫和，多云雨，為成都平原重要的產糧區。為獲取影像重疊區域，影像糾正后利用行政區進行了裁剪處理，影像分別對應時期為灌漿期和蠟熟初期。

數字高程影像及生成的坡度影像用于判別水稻種植區域。

地面水稻樣方資料，用于提取水稻及其它作物訓練區，統計分析波譜及植被指數特征值；計算樣方內田坎面積，獲取田塊系數，修正解譯面積。

1.2 目標作物及生育期

水稻各生育期長勢如圖1(封三)，影像覆蓋范圍及水稻樣方、驗證點分布如圖2(封三)。

1.3 數據預處理

影像數據預處理在ENVI5.1平臺上完成，包括幾何校正、輻射定標、暗像元法大氣校正、圖像裁剪等。校正后同點位坐標誤差控制在0.5個像元內。高程數據在Arcgis10.2平臺上完成，利用等高線生成DEM及坡度圖SLOPE。

2 結果與分析

2.1 水稻NDVI特征分析

數據預處理后，通過波段運算獲取歸一化植被指數NDVI分布(圖3，封三)。隨機選取樣方內水稻、其它作物地塊和林地等植被區域，建立感興趣區，統計獲取NDVI特征值(表1)。

表1 影像提取NDVI的統計值

8月5日8 m高空間分辨率GF-PMS2影像，水稻和其它作物的NDVI最大值相接近，該時期水稻最小值為0.368， 直方圖統計其它作物NDVI≤0.368的像元數達30 %，約70 %的重疊范圍會導致分類時兩者易混淆。直方圖統計林地NDVI≥0.798的像元達到70 %，林地與水稻約30 %的重疊。NDVI分布顯示，影像左邊為平原區，中間為東北至西南走向的龍泉山脈，影像右邊為丘陵區域，丘陵區林地比平原區亮度要明亮，植被指數稍高。

8月13日16 m中空間分辨率GF-WFV1影像，植被區域的NDVI都有增長趨勢，林地略有增長，基本保持穩定；統計樣方中水稻地塊90 %像元NDVI≥0.526；其它作物NDVI均值及最大值與水稻非常接近，重疊范圍大，兩者在分類過程中易于混淆；林地NDVI的統計特征值與水稻有一定重疊，林地中NDVI≥0.722的像元數達到95 %。NDVI分布圖整景區域亮度反差不大，比較均一，但比8月5號的明亮，NDVI值要高。

通過NDVI差值運算，統計出水稻等變化特征值(表1)。水稻NDVI平均增長幅度較大。林地NDVI變化幅度較小，比較穩定；其它作物可能由于種植模式變化較大，相比較而言，其增長幅度變化最大，標準差也表明變化差異程度很顯著。

利用DEM生成坡度圖(Slope)，按照0～2°，2°～4°，4°～6°，6°～8°，8°～10°，10°～15°，15°～25°，≥25°標準對坡度圖進行圖像重分類，分別賦值為1～8。

圖4 決策樹分類規則Fig.4 Decision tree classification rule

基于上述分析確定各類閾值，建立決策樹分類規則(圖4)，進行水稻分類及分類后處理，提取水稻遙感監測識別面積。

2.2 監測精度分析與評價

利用驗證點水面15個、其它作物9個、養殖場6個、大棚花卉6個、大棚蔬菜6個等共42個，水稻113個)對決策樹分類水稻結果進行精度分析與評價。

解譯結果表明，作為非植被的水體容易識別；養殖場與一般房屋易混淆；其它作物由于地塊面積相對較小，易與周邊水稻混淆，分類后處理一般也合并為水稻；大棚花卉等地塊比較容易識別，基本不會判別為水稻；林地與水稻能夠較好區別，但丘陵地區混合像元仍然導致部分林地和水稻混淆；田間水渠和一般機耕道路不易識別，即使能夠識別，在分類后處理時結果中合并為水稻。113個水稻驗證點中109個落在分類影像水稻上，4個判別為非水稻區域；9個其它作物驗證點全部判別或合并為水稻。若以驗證點評價，在類似德陽地塊比較破碎的平原和丘陵區域，利用高分一號影像遙感識別水稻的用戶精度可達92.3 %(109/118)；制圖精度可達96.5 %(109/113)。

表2 水稻樣方地類面積構成及百分比

注：其他作物包括玉米、蔬菜等旱地作物，園地和居民點周邊林盤等。

Note:Other crops including corn, vegetables and dry land crops, garden and residential areas.

2.3 遙感監測水稻面積修正

利用水稻樣方分別統計出樣方內各類地物面積(表2)。遙感監測水稻面積包括了未能識別的的田坎、機耕道與水渠等，約占5 %；還包括了易混淆的17 %的其它作物。因此，該區域水稻種植凈面積需以78 %～95 %(若其它作物歸結為水稻時取78 %；其它作物完全能識別時取95 %)的系數對遙感監測識別結果進行乘積修正。根據上述分類精度評價，以78 %系數修正該區域水稻遙感監測面積，從而獲取凈面積值。

3 結 論

利用多時相高分一號遙感影像及基于DEM提取的地理信息，采用決策樹分類方法，對地塊比較破碎的德陽地區進行了水稻遙感監測識別。結果表明高分一號影像遙感識別水稻的用戶精度可達92.3 %；制圖精度可達96.5 %。由于地塊面積較小，耕地中種植的其它作物在分類后處理時基本歸結為水稻，又遙感監測中無法識別機耕道與水渠等，遙感監測水稻面積誤差較大。通過水稻樣方得到遙感監測水稻面積乘積修正系數，從而獲取真實水稻種植面積。高分一號影像在其他區域監測水稻或其他作物面積及修正系數，需要根據實際情況深入探討研究獲取。

[1]劉 斐.高分一號“高”在哪里?[J].太空探索,2013(6):10-11.

[2]秦緒文, 汪韜陽, 杜錦華, 等. 京津冀地區高分一號寬覆蓋正射影像生成[J]. 地理空間信息,2014,12(5):119-122.

[3]郭會敏, 洪運富, 李 營, 等. 基于高分一號衛星影像的多種融合方法比較[J]. 地理與地理信息科學, 2015, 31(1):23-28.

[4]李艷華, 丁建麗, 閆人華. 基于國產GF-1遙感影像的山區細小水體提取方法研究[J].資源科學, 2015,37(2):408-416.

[5]路云閣,劉 采,王 嬌. 基于國產衛星數據的礦山遙感監測一體化解決方案——以西藏自治區為例[J]. 國土資源遙感，2014,26(4):85-90.

[6]朱 利, 李云梅, 趙少華, 等. 基于GF-1 號衛星WFV 數據的太湖水質遙感監測[J]. 國土資源遙感，2015,27(1):113-120.

[7]李志鵬, 劉珍環, 李正國, 等. 水稻空間分布遙感提取研究進展與展望[J]. 中國農業資源與區劃,2014,35(6):9-18.

[8]Pu R L, Gong Peng. Hyper Spectral Remote Sensing and Its Applications[J]. Beijing:Higher Education Press, 2000:127-131.

[9]Martin R D,Heilman J L. Spectral reflectance patterns of flooded rice[J].P.E.R.S.,1986,52(12):1885-1890.

[10]田國良,項月琴.遙感估算水稻產量:I.用光譜數據和陸地衛星圖像估算水稻產量[J]. 環境遙感, 1989, 4(1):73-80.

[11]王人潮, 黃敬峰. 水稻遙感估產[M]. 北京:中國農業出版社,2002.

[12]王人潮, 王 珂, 沈掌泉, 等. 水稻單產遙感估測建模研究[J]. 遙感學報, 1998, 2(2):119-124.

[13]Le Toan T, Ribbes F, Wang, et al. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J].IEEE Transactions on Geoscience and Remote Sensing,1997(1):41-56.

[14]Shao Y, Liao J J, Wang C Z. Analysis of temporal radar backscatter of rice:A Comparison of SAR Observations with Modeling Results[J]. Can.J.Remote Sensing,2002,28(2):128-138.

[15]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——以湖南株洲市為例[J].湖南農業大學學報(自然科學版),2013,39(2):137-140.

[16]王 琳, 景元書, 楊沈斌. 基于多時相遙感數據提取水稻種植面積的研究[J].中國農業資源與區劃,2013,34(2):20-25.

[17]劉克寶, 劉述彬, 陸忠軍, 等. 利用高空間分辨率遙感數據的農作物種植結構提取[J]. 中國農業資源與區劃, 2014,35(1):21-26.

(責任編輯 陳 虹)

Classification Accuracy Evaluation and Rejustment of Monitoring Rice Planting Area By Multi-temporal GF-1 Satellite Image:Taken Deyang District as Example

LI Zhang-cheng1,2, WANG Xin1,2, LI Zong-nan1,2, REN Guo-ye1,2

(1.Institute of Remote Sensing Application,Sichuan Academy of Agricultural Sciences, Sichuan Chengdu 610066, China; 2.Chengdu Branch of Remote Sensing Application Center, Ministry of Agriculture, Sichuan Chengdu 610066, China)

Taken Deyang city in 2014 as studied area, 10 rice samples(500 m×500 m) were set up as training areas, meanwhile rice verification points were established during same period. Applied two adjacent periods multispectral high spatial resolution image (2014/8/05 8 m) and medium-low spatial resolution image (2014/8/13 16 m) of GF-1 with ENVI5.1 as platform, the changing characteristics were analyzed, and the thresholds ofNDVIwere determined. Based on digital elevation map (DEM) and slope map, the rice planting area with decision tree classification method was monitored. Using verification points to evaluate classification accuracy, the monitoring area by factors from the result of rice samples were corrected. The results showed that:similar to the plains and hilly regions in Deyang, based on digital elevation map (DEM) and two periods images information of GF-1 satellite images, the classification user accuracy could be up to 92.3 %, and producer accuracy to 96.5 %. As 78 % multiplication coefficient amended monitoring area, more accurate rice area was obtained. It was concluded that GF-1 satellite image as a new kind of high spatial resolution data, applied to monitor planting rice in Deyang,achieved higher classification accuracy, which could be used as a reliable and free of charge image source in the other regions.

GF-1 satellite image；Remote sensing；Decision tree classification；DEM

1001-4829(2016)10-2432-04

10.16213/j.cnki.scjas.2016.10.033

2015-11-10

四川省財政創新能力提升工程專項資金項目(2016G XTZ-012);四川高分農業遙感監測與評價技術研究與示范(GF13/15-311-007)

李章成(1974-)，男，湖北隨州人，博士，主要從事農業遙感、作物信息、國土資源調查等方面的研究，028-84504163， E-mail: 945239461@qq.com。

S-03

A