利用高分一號影像提取水稻種植面積方法研究

丁春雨 馬冠南 張曉嬌 曹鴻鵬 李勇 谷金英 張磊

摘 要：利用遙感技術提取水稻種植面積，一直以來都是難點。利用高分1號衛星影像作為數據源，找到一種能快速、準確提取水稻種植面積的方法。通過對水稻成熟期遙感影像的光譜分析，根據水稻成熟期的“藍移”現象，發現在藍光和綠光波段光譜特征與其它地類差異明顯，并通過波段運算，建立模型，增強了這種差異，使得水稻種植面積提取精度更高。利用東北地區獨特的氣候特點，把影響水稻種植面積提取的林地去除，利用該方法提取水稻種植面積精度達到93.5%。

關鍵詞：水稻；高分1號；種植面積提??；植被指數；光譜特征

中圖分類號：S25 文獻標識碼：A DOI：10.11974/nyyjs.20160431001

水稻是我國主要糧食作物之一，也是吉林省的三大作物之一，對準確提取水稻種植面積、對農業資源合理規劃、估產、災害監測與評估以及糧食安全具有重要意義。然而，由于水稻種植地域跨度廣、地塊分散、地形復雜等不良條件，利用遙感技術對水稻進行面積提取和動態監測，一直以來都是難點。

遙感技術的快速發展，特別是近年來越來越多的國內外高空間分辨率、高時間分辨率、高時空分辨率以及高光譜分辨率衛星的不斷發射成功，為不同地域、不同自然地理條件以及不同需求等條件下的水稻面積提取提供了豐富的數據源，相關研究也因此活躍起來，總體上是沿著利用不同的遙感數據源，發展和改進現有模型和方法的方向發展。

到目前為止，應用于水稻面積提取的方法很多，主要有以下幾種：植被指數法，它可以從不同時空分辨率的遙感影像上獲得[1]，包括歸一化植被指數（NDVI）、增強型植被指數（EVI）和地表水分指數（LSWI）以及歸一化建筑指數（NDBI）[2]等，如張莉、吳文斌等利用EOS/MODIS EVI和LSWI數據對我國南方水稻進行識別[3]，以較高精度實現水稻種植面積的量測。苗翠翠等利用NDVI時間序列和作物物候期關鍵值的方法進行了江蘇省水稻面積的提取[4]，提取精度約為88%；采用監督或非監督分類方法進行水稻的提取。如王福民、黃敬峰等根據地面調查GPS數據進行訓練樣本的選取，然后分別對原始合成影像和穗帽變換影像進行監督分類[5]，發現經過變換后進行監督分類比原始影像精度提高13.01%。方紅亮以湖北省江陵縣的水稻面積提取為例[6]，分別對2種方案進行了非監督分類試驗，提取精度在84%以上；面向對象的分類，如陳燕麗等利用面向對象的方法對南方水稻種植面積進行提取[7]，總體精度達到96.31%；基于光譜信息的水稻種植面積提取[8]，如王力凡、潘劍君利用水稻成熟期的影像，在進行光譜信息的統計和分析的基礎上，利用將影像的藍光、綠光、紅光波段的值相加再除以NDVI值，擴大水稻與其他植被的差異性，提取精度達到91.95%。此外，還有決策樹、神經網絡等方法，這些分類方法各有優勢，但也各有各的局限性，要么是空間分辨率很高，時間分辨率很低；要么是時間分辨率很高而空間分辨率很低，很難同時滿足空間和時間上的需求。本文旨在利用具有較高時空分辨率的高分一號衛星影像作為數據源，通過對影像光譜特征的分析，找到一種能夠快速、準確提取水稻種植面積的方法。

1 研究區概況

榆樹市位于吉林省中北部，地處松遼平原腹地，在長春、吉林、哈爾濱3市構成的三角區中心，位于N 44°30′57″～45°15′02″，E126°01′44″～127°05′09″，地表水有松花江、卡岔河及拉林河，水資源較為豐富，處于世界著名的黃金玉米帶上，盛產玉米、大豆、水稻、高粱，素有“糧豆之鄉”、“松遼平原第一倉”的美譽，其中，水稻種植面積為71747hm2，占耕地總面積的18.5%，選取榆樹市作為研究區具有一定的典型性。

2 數據來源及預處理

2.1 數據來源

高分1號衛星于2013年4月發射，它突破了高空間分辨率、多光譜與高時間分辨率結合的光學遙感技術難題，多光譜相機含有近紅外、紅、綠、藍4個波段，重訪周期4d，其主要參數見表1。

遙感數據選用空間分辨率為16m的高分1號數據，該數據具有空間分辨率高，重訪時間短以及多光譜的優點，非常適用于水稻的提取，但到目前為止，采用該數據進行水稻種植面積提取的研究還很少見。用于提取水稻種植面積的遙感影像時間為2014年9月7日，同時在研究過程中發現，林地與水稻具有相似的光譜特征，會影響水稻種植面積的提取，因此選用2014年5月24日的影像數據作為輔助數據。

2.2 預處理

對遙感數據的預處理主要包括：數據定標、波譜響應函數、大氣校正、幾何校正。數據定標和波譜響應函數參數可以在中國資源衛星應用中心網站下載，大氣校正利用ENVI5.1的Flaash大氣校正模塊，得到地表反射率數據；幾何校正以精校正的landsat8影像為參考，利用ERDAS2014的自動幾何校正功能，校正后的影像分辨率為16m×16m。

3 水稻種植面積提取方法

3.1 光譜分析與波段選擇

根據陳維君的研究[9]，在水稻成熟期，會發生“藍移”現象，水稻植被特性相對較弱，有利于區分其它植被。為了研究與發現水稻與其它地類在光譜特征上的差異，從而分析水稻種植面積提取的方法。本研究在影像上創建了6類（林地、水稻、旱地、水面和建筑或其它）感興趣區域（ROI），每一類包括20個ROI，并對各地類在4個波段光譜的均值進行統計，統計結果如圖1所示。

通過對比研究，可以發現，第3波段～第4波段，光譜特征及其變化趨勢相似，不利于水稻種植面積提??；第2波段～第3波段，地類建筑或其它、水面和旱地光譜特征變化較小，而水稻和林地的光譜特征變化相對較大，光譜特征差異較為明顯，通過波段運算，可以將水稻、林地和其它地類區分開；第1波段～第2波段，與第2～第3波段具有相似的光譜特征，但光譜特征差異較第1波段～第2波段更為明顯，因此選用第1波段和第2波段作為基本波段提取水稻，但林地和水稻光譜特征相近，影響水稻種植面積的提取，本研究選用同一地區2014年5月24日的影像提取林地，并利用其進行掩膜，從而達到提高精度的目的。

3.2 林地的提取

通過對2014年9月7日的影像光譜進行分析，發現林地具有與水稻相似的光譜特征，影響水稻提取。本研究利用2014年5月24日的影像提取林地，此時水稻、旱地以及其它作物和地類的NDVI值很低，而樹木已經變綠，NDVI值相對較高，非常有利于林地的提取，林地提取效果如圖3、圖4所示。

3.3 相關指數的提取與分析

比值型指數創建的基本原理就是在多光譜波段內，尋找出所要研究地類的最強反射波段和最弱反射波段，將強者置于分子，弱者置于分母。通過比值運算，進一步擴大二者的差距，使感興趣的地物在所生成的指數影像上得到最大亮度增強，而其背景地物則受到普遍的抑制，從而達到突出感興趣地物的目的[10]。根據第1波段～第2波段的光譜特征，本研究采用第1波段反射率數據（b1）和第2波段反射率數據（b2），對比b2/b1、（b2-b1）/b1和NDVI 3種指數，為計算方便，將3種指數擴大1萬倍。利用處理后的林地圖像，將3種指數中的林地像元去除。原始多光譜圖像與指數圖像如圖5～8所示。

從圖像上看，指數（b2-b1）/b1和b2/b1效果較好，達到了抑制背景地物，突出感興趣地物的目的。為從數值上對其進行定量分析，本研究利用感興趣區域對水稻和其它地類進行統計，對水稻最小值和其它地類最大值的統計結果如圖9所示。

從圖9可以看出，b2/b1、（b2-b1）/b1 2種指數的水稻最小值比其它地類最大值大，因此都可以用來提取水稻種植面積，但指數（b2-b1）/b1具有更好的效果。利用指數（b2-b1）/b1提取水稻并按榆樹市邊界剪裁，結果如圖10、圖11所示。

4 方法驗證

根據吉林省統計局2015年的統計數據，2014年榆樹市水稻種植面積為71747hm2，利用本文的提取方法，獲得榆樹市2014年水稻種植面積為67100hm2，提取精度為93.5%。

5 結果與討論

本研究通過對原始影像的光譜特征進行分析，結合水稻在成熟期的“藍移”現象，發現高分1號數據的第1波段和第2波段是水稻成熟期提取的最佳波段，但因為林地與水稻具有相似的光譜特征，因此要選擇適當時間的影像對林地進行提取，并通過掩膜去除指數影像上的林地。通過對3種指數圖像的分析和研究，指數b2/b1和（b2-b1）/b1都可用于水稻種植面積的提取，但（b2-b1）/b1效果更好。在遙感影像質量不佳（有云）的情況下，提取精度達到93.5%。在實際的應用中，有以下幾點需要注意：

影像選擇。選取關鍵水稻物候期的遙感影像獲取水稻種植面積的精度更高[11]，本文中討論的方法要選擇成熟期的影像，而且盡量選取質量好、無云的影像。由于影像獲取渠道的限制，本研究所選擇圖像的西南部和南部部分地區有薄云存在，雖然對水稻提取精度影響較小，但應盡量選取無云影像。

感興趣區域（ROI）的選擇要合理。在水稻ROI選取過程中一定要注意不要將林地像元錯選為水稻的ROI，因為林地與水稻具有相似的光譜特征，會影響水稻種植面積的提取。因此，在選取ROI之前，要用提取出的林地將指數影像中的林地像元去除，減少誤選林地像元的可能。

參考文獻

[1] RP Singh，SR Oza，MR Pandya. Observing long-term changes in rice phenology using NOAA--AVHRR and DMSP--SSM/I satellite sensor measurements in Punjab， India[J].Current Science，2006，91（9）：1217-1221.

[2] Bridhikitti A，Overcamp T J. Estimation of Southeast Asian rice paddy areas with different ecosystems from moderate-resolution satellite imagery[J].Agricultrue， Ecosystems & Environment，2012，146（1）：113-120.

[3]張莉，吳文斌等.基于EOS/MODIS數據的南方水稻面積提取技術[J].中國農業資源與區劃，2011，32（4）：39-44.

[4]苗翠翠，江南，彭世揆等.基于NDVI時序數據的水稻種植面積遙感監測分析——以江蘇省為例[J].地球信息科學學報，2011，13（2）：273-280.

[5]王福民，黃敬峰，王秀珍.基于穗帽變換的TM影像水稻面積提取[J].水稻科學，2008，33（3）：297-301.

[6]方紅亮.兩種水稻種植面積遙感提取方案的分析[J].地理學報，1998，53（1）：58-65.

[7]陳燕麗，莫偉華，莫建飛等.基于面向對象分類的南方水稻種植面積提取方[J].遙感技術與應用，2011，2（26）：163-168.

[8]王力凡，潘建君.基于CBERS-02B衛星影像光譜信息的水稻種植面積提取方法——以南京市溧水縣為例[J].南京農業大學學報，2013，36（1）：87-91.

[9]陳維君.水稻成熟度和收獲時期高光譜監測[M].杭州：浙江大學，2006.

[10]徐涵秋.利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究[J].遙感學報，2005，9（5）：589-595.

[11]李志鵬，李正國，劉珍環等.基于中分辨TM數據的水稻提取方法對比研究[J].中國農業資源與區劃，2014，35（1）：27-33.