基于SPOT-5衛(wèi)星影像的水稻信息提取方法研究
——以德陽市旌陽區(qū)為例

王 娟,張 杰,張 優(yōu),彭文甫*，任國業(yè)

(1.四川師范大學 地理與資源科學學院，四川 成都 610068；2.四川師范大學 西南土地資源評價與監(jiān)測教育部重點實驗室,四川 成都 610068；3.四川省農(nóng)業(yè)科學院遙感應用研究所，四川 成都 610066)

基于SPOT-5衛(wèi)星影像的水稻信息提取方法研究
——以德陽市旌陽區(qū)為例

王 娟1,2,張 杰1,2,張 優(yōu)1,2,彭文甫1,2*，任國業(yè)3

(1.四川師范大學 地理與資源科學學院，四川 成都 610068；2.四川師范大學 西南土地資源評價與監(jiān)測教育部重點實驗室,四川 成都 610068；3.四川省農(nóng)業(yè)科學院遙感應用研究所，四川 成都 610066)

【目的】水稻遙感信息提取是遙感技術在農(nóng)業(yè)領域應用方面的重要內(nèi)容，也是快速、準確滿足水稻種植遙感監(jiān)測的需要。【方法】本研究以四川省德陽市旌陽區(qū)為研究區(qū)，利用SPOT-5衛(wèi)星影像，對研究區(qū)的影像進行監(jiān)督、面向?qū)ο笠约皼Q策樹等多種方法分類，對分類結果進行對比，研究最適合提取水稻信息的方法。【結果】結果表明：①監(jiān)督分類(6種分類器)人為控制訓練區(qū)提高精度的同時也加大了人為誤差；面向?qū)ο蠓诸愄岣吡诵剩壮霈F(xiàn)分類混淆；決策樹分類法直觀、效率高，但在本研究區(qū)中，由于耕林混交的面積較大，水體和居民地亮度值接近，造成分類誤差加大。②神經(jīng)網(wǎng)絡和支持向量機的分類精度最高，分類效果清晰，說明在實際水稻信息提取中以監(jiān)督分類為最佳。【結論】基于遙感技術和高分辨率數(shù)據(jù)提取水稻信息、實現(xiàn)水稻監(jiān)測是可行的。

水稻信息提取；監(jiān)督分類；面向?qū)ο蠓诸悾粵Q策樹分類；德陽市

【研究意義】水稻作為中國第一大糧食作物，約占糧食總量的40 %，其長勢監(jiān)測、種植面積提取與產(chǎn)量的估算對于我國農(nóng)業(yè)和經(jīng)濟的發(fā)展具有重要經(jīng)濟意義[1]。隨著人口不斷增長、城鄉(xiāng)擴建占用大量的耕地，使得水稻面積信息越來越重要，它不僅是產(chǎn)量信息的基礎，也是國民經(jīng)濟的重要情報之一，因此掌握重要的水稻種植信息，為國家和各級地方制定政策提供科學依據(jù)[2]。及時準確的進行水稻種植面積測量估算對中國的糧食安全和合理分配農(nóng)業(yè)資源等都具有非常重要的意義[3]。目前利用農(nóng)業(yè)統(tǒng)計報表法和抽樣調(diào)查法仍然是獲取大范圍水稻的主要方法，但這些常規(guī)方法不能夠快速準確的獲取大范圍的水稻信息，對農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)信息監(jiān)測的需求無法滿足[4]。利用遙感等技術進行空間信息獲取能增加對農(nóng)業(yè)生產(chǎn)的指導作用，促進精準農(nóng)業(yè)的發(fā)展[5]。可以為農(nóng)業(yè)生產(chǎn)，水稻產(chǎn)量的預報，及評估、糧食價格預測和國家糧食生產(chǎn)布局及規(guī)劃等提供科學依據(jù)。

【前人研究進展】近年來國內(nèi)利用遙感技術獲取水稻等作物面積的相關研究較多，遙感數(shù)據(jù)獲取周期短、覆蓋范圍廣成為農(nóng)作物調(diào)查的重要手段。國內(nèi)不同地方采取的不同的方法進行相應的研究。例如，李楊等[6]利用典型物候期的TM數(shù)據(jù)，基于特征波段構建決策樹來提取水稻面積。汪小欽等[7]利用ASAR數(shù)據(jù)基于面向?qū)ο蠓诸惤⑺痉N植面積快速提取方法。張薇薇[8]利用中巴衛(wèi)星(CBRES)影像和1景Landsat TM影像數(shù)據(jù)對重慶市梁平縣綜合利用RS和GIS技術手段并結合現(xiàn)有的土地利用現(xiàn)狀資料，對CBRES CCD數(shù)據(jù)在水稻種植監(jiān)測方面的應用潛力進行了探討。魏新彩[1]以江漢平原腹地為研究區(qū)，選取樣區(qū)水稻生長關鍵區(qū)的多時相HJ-1A/1B衛(wèi)星數(shù)據(jù)構建基于HJ衛(wèi)星數(shù)據(jù)的水稻種植面積提取方法，得到較好的效果。陳仲新等[9]利用SPOT-5衛(wèi)星影像數(shù)據(jù)，采用非監(jiān)督分類方法，并借助地面樣方實測數(shù)據(jù)，準確提取出株洲市的水稻種植面積。單捷等[10]以環(huán)境衛(wèi)星數(shù)據(jù)為基礎，利用影像原始光譜信息的基礎上，分析和提取多種分類特征，運用支持向量機法、CART決策樹法和最大似然法提取水稻面積。總之，國內(nèi)各個研究中提取水稻種植面積的方法多種多樣，但是僅僅通過單一的因子和方法來提取水稻面積難免會造成很大的誤差，并且單一的方法對大面積的農(nóng)作物面積提取增加較多的工作量，不利于水稻面積的有效提取。進幾十年來，國外學者在農(nóng)作物面積信息提取的技術和方法方面做了大量的研究，研究應用的遙感數(shù)據(jù)多種多樣，例如：Wardlow BD等[11]利用MODIS遙感數(shù)據(jù)的分辨率為250 m NDVI以及EVI指數(shù)對北美大平原進行大尺度作物制圖的研究。Xiao等[12]利用NASA提供的MODIS的MOD09A1計算出一系列指數(shù)，包括NDVI、LSWI、ENI等，然后利用這種數(shù)據(jù)發(fā)展一種基于掩膜的制圖算法對中國南部及13個省和東南亞13個國家水田面積進行提取。國外研究人員利用多種方法多種數(shù)據(jù)對水稻種植面積進行提取。其研究內(nèi)容相比較國內(nèi)而言更加多樣化，但是根據(jù)不同的地區(qū)的情況，國內(nèi)研究人員也開始采取多種多樣的方法進行水稻面積提取。

【本研究切入點】本文以四川省德陽市旌陽區(qū)為研究區(qū)，采用監(jiān)督分類、面向?qū)ο蠓诸惡蜎Q策樹分類法，對水稻種植信息進行提取，通過精度評價、結合野外實測定點監(jiān)測的結果，對比分析不同分類結果的精度與效率，【擬解決的關鍵問題】提出適合研究區(qū)水稻面積提取的遙感分類方法，減少在對農(nóng)作物面積估算中的誤差，促進農(nóng)業(yè)技術與3S技術相結合、農(nóng)業(yè)監(jiān)測的準確性、高效性。

1 研究區(qū)概況

四川省是全國13個糧食主產(chǎn)區(qū)之一，也是西部地區(qū)唯一的糧食主產(chǎn)省。據(jù)統(tǒng)計,2014年全省水稻平均單產(chǎn)510 kg/667m2。德陽市位于四川成都平原東北部(圖1)位于北緯31°05'～31°20'N,104°15'～104°33'E之間東跨龍泉山入川中盆地，轄旌陽區(qū)、廣漢市、什邡市、綿竹市、中江縣、羅江縣，幅員面積5911 km2，人口392萬。德陽市不僅是成渝經(jīng)濟區(qū)重要區(qū)域中心城市，也是成都經(jīng)濟區(qū)重要增長極。德陽市作為中國重大技術裝備制造業(yè)基地和全國三大動力設備制造基地之一，生產(chǎn)了全國45 %以上的大型軋鋼設備，同時也是世界最大的鑄鍛鋼制造基地，發(fā)電設備產(chǎn)量全球第一，石油鉆機出口全國第一。氣候?qū)賮啛釒Ъ撅L濕潤氣候區(qū)，四季分明。

圖1 研究區(qū)位置Fig.1 Location of study area

2 數(shù)據(jù)來源及方法

2.1 數(shù)據(jù)來源及處理

本研究數(shù)據(jù)是2014年德陽市旌陽區(qū)的SPOT-5遙感影像，RGB組合為1、4、2波段組合，圖像較清晰，云量較少,數(shù)據(jù)來源于四川省農(nóng)科院遙感應用研究所；德陽市矢量邊界，數(shù)據(jù)來源于四川師范大學西南土地資源與評價教育部重點實驗室；數(shù)據(jù)預處理采用ENVI5.1軟件，對遙感影像進行幾何糾正、輻射定標、大氣糾正、拼接與剪裁，得到德陽市旌陽區(qū)遙感數(shù)據(jù)；利用人機交互解譯與野外調(diào)查結合的方法，提取德陽市土地分類數(shù)據(jù)。

2.2 研究方法

2.2.1 土地利用分類系統(tǒng) 根據(jù)研究區(qū)實際土地利用類型為耕地(水田)、林地、建設用地、水域、未利用地，考慮到本次研究是提取水稻面積，未利用地面積很少，將未利用地并入建設用地，因此土地利用類型為耕地(水田)、林地、建設用地、水域。

2.2.2 監(jiān)督分類方法 監(jiān)督分類又稱訓練分類法(supervised classification)，在這種分類中，對每種類別選取一定數(shù)量的訓練區(qū)，計算機計算每種訓練樣區(qū)統(tǒng)計或其他信息，每個樣本和訓練樣區(qū)做比較，按照不同規(guī)則將其劃分到和其最相似的樣本中[13]。本文運用了監(jiān)督分類中的6種不同分類器對研究區(qū)影像進行分類，分別是：平行六面體分類器(Parallelpiped)、最小距離分類器(Minimum Distance)、馬氏距離分類器(Mahalanobis Distance)、最大似然分類器(Likelihood Classification) 、神經(jīng)網(wǎng)絡分類器(Neural Net Classification)、支持向量機分類器(Support Vector Machine Classification)。

2.2.3 面向?qū)ο蟮膱D像分類 面向?qū)ο蟮膱D像分類主要是集合臨近象元為對象用來識別感興趣區(qū)的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間，紋理和光譜信息來分類的特點，以高精度的分類結果或者矢量輸出[14]。

2.2.4 基于專家知識決策樹分類 基于專家知識的決策樹分類是基于遙感圖像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗總結、簡單的數(shù)學統(tǒng)計和歸納方法等，獲得分類規(guī)則并進行遙感分類。總體上可分為4個過程：定義分類規(guī)則、構建決策樹、執(zhí)行決策樹和評價分類結果[11]。

2.2.5 技術路線 在對研究區(qū)SPOT-5遙感影像進行矯正、配準以及拼接等預處理后，分別采用監(jiān)督分類(6種分類器)、面向?qū)ο蠛蜎Q策樹分類等方法，對影像進行分類、分類后處理，通過野外驗證，對比分析不同方法提取水稻信息的精度。技術路線見圖2。

3 結果與分析

3.1 監(jiān)督分類結果

監(jiān)督分類總體上一般可分為4個過程：定義訓練樣本、執(zhí)行監(jiān)督分類、評價分類結果和分類后處理。而根據(jù)研究區(qū)不同的情況，在執(zhí)行監(jiān)督分類時，要根據(jù)分類的復雜程度、精度需求來選擇分類器[14]。基于監(jiān)督分類6種不同分類器分類后得出以下結果(圖3)。

3.2 面對對象分類

本文運用基于樣本的面對對象分類方法來進行分類，同樣是選擇4類訓練樣本，水稻、林地、居民地、水體，得出的分類結果如下(圖4)。

圖2 技術路線Fig.2 Technology route

a.馬氏距離分類器；b.最大似然法分類器；c.最小距離分類器；d.神經(jīng)網(wǎng)絡分類器；e.平行六面體分類器；f.支持向量機分類器圖3 6種監(jiān)督分類器得到的分類結果Fig.3 6 classification results obtained by supervised classifier

3.3 決策樹分類

結合德陽市旌陽區(qū)的SPOT-5影像，分析其影像中水體、居民地、林地以及水稻等主要地物的光譜特征，首先對監(jiān)督分類時選取的訓練樣本進行各波段數(shù)據(jù)的統(tǒng)計分析，主要地物類型的統(tǒng)計信息主要包括：各波段下的最大值(Max.)、最小值(Min.)、均值(Mean)、方差(Stdev)等，這是遙感圖像亮度值的隨機變量概率分布狀況的較好描述(表1)。本文提取了spot影像1、4、2波段和歸一化植被指數(shù)運算的統(tǒng)計特征值，其中歸一化植被指數(shù)為近紅外波段和紅外波段的反射率的差除以它們的和。計算表達公式為：

其中，NIR為近紅外波段，R為紅外波段NDVI能反映植被冠層的影像，反映植被覆蓋率，且-1≤NDVI≤1。

圖4 面向?qū)ο蠓诸惤Y果Fig.4 Results of object oriented classification

根據(jù)上表光譜統(tǒng)計信息，分析不同地物光譜灰度值得出如下結論。B1(NIR):水稻>居民地>林地>水體，居民地和林地亮度值接近，容易混淆，水稻和水體、居民地、林地亮度值差異明顯。

B2(R):居民地>水體>水稻>林地，林地和水稻有重疊的部分，容易混淆，水體和居民地差異明顯，但是也有部分重疊的現(xiàn)象。

圖5 水稻信息提取過程Fig.5 Process of rice information extraction

B3(G):居民地>水體>水稻>林地，居民地和水體、水稻、林地差異明顯，水稻和水體有部分重疊的地方。

表1 研究區(qū)影像上提取的各地物類型的統(tǒng)計特征信息Table 1 Statistical features of the various types of information extracted from the image in the study area

圖6 決策樹分類Fig.6 Results of decision tree classification

B4(SWIR): 居民地>水稻>林地>水體，水體和居民地、林地、水稻差異明顯，林地和水稻之間亮度值較為接近，差異不明顯。

B5(NDVI):水稻>>林地>居民地>水體，居民地、水體和林地、水稻有著明顯的差異，能根據(jù)NDVI明顯將水稻和水體區(qū)分出來，但是水稻和林地之間、水體和居民地之間依然存在部分重疊的現(xiàn)象。

對地物光譜特征分析，得出如下結論。水體：B2>B3>B1>B4；居民地:B2>B3>B4>B1；林地：B3>B1>B4>B2；水稻：B1>B3>B4>B2。

從上述分析可以看出：①特征波段NDVI中，林地、水稻和非植被差異明顯，因此可以利用NDVI值將水稻、林地與居民地和水體區(qū)分出來，由此去掉大部分水體和居民地。②而在原始影像的波段中，水稻和林地、水體和居民存在重疊現(xiàn)象,利用閾值不能提取水稻信息，同時具有相似的波段特征，即B3(G)>B1(NIR)，此時由于水稻和林地之間容易混淆，根據(jù)B3(G)和B4(SWIR)上的波段特征，即B3>B4再次對水稻進行提取。③在B1(NIR)居民地和水體上差異明顯，幾乎沒有重疊，可以利用這個波段提取水體。本文根據(jù)上述分析，提出基于特征波段的決策樹方法對水稻信息進行提取，可用下面流程圖進行表示，基本過程圖5。

水稻和林地的提取：根據(jù)前面的分析，二者和水體、居民地之間的NDVI值差異明顯，通過多次試驗將此處NDVI值設置在0.17，通過分析各地物亮度值的關系，通過B1和B3對水稻和林地進行提取，通過B1和B4對水體和居民地進行提取，具體分類結果圖6。

3.4 分類結果精度評價

圖7 野外調(diào)查路線Fig.7 Field of survey

3.4.1 野外調(diào)查 通過野外采樣數(shù)據(jù)，來驗證分析結果的正確性。驗證區(qū)域選取主要是根據(jù)本次研究調(diào)查采用數(shù)據(jù)源的時相特征、判讀過程與結果的意見反饋以及充分考慮已有的數(shù)據(jù)基礎來選擇本次地面復核的樣方點。本次調(diào)查主要集中在四川省德陽市旌陽區(qū)進行實地考察，野外采集了50個樣本點和20個樣地(圖7)。

通過對比不同的分類器的制圖精度、用戶精度和Kappa系數(shù)，總結出對各種地物類型的識別能力，提取出對水稻種植面積進行提取最優(yōu)的方法。根據(jù)以上數(shù)據(jù)，可以得出以下結果。

(1)從分類影像中可以看出研究區(qū)的水稻大部分是分布于西部和西北部的，研究區(qū)中部和南部地區(qū)主要是建設用地(居民地)，位于研究區(qū)中部的河流其特征較為明顯，東部及東南部地區(qū)主要以林地為主，混合有水稻田(耕地)分布。

表2 Kappa系數(shù)與分類質(zhì)量的對應關系Table 2 Relationship between Kappa coefficient and quality classification

表3 各分類方法分類精度比較Table 3 Classification accuracy of different classification methods

表4 各地物類型在不同的分類方法下的制圖精度Table 4 Mapping accuracy of each object types by different classification methods

表5 各地物類型在不同的分類方法下的用戶精度Table 5 User accuracy of each feature type by different classification methods

(2)在各個分類結果(表3)中，總分類精度最高的是支持向量機分類(95.92 %)，而后依次是最大似然法分類(95.57 %)、神經(jīng)網(wǎng)絡分類(95.22 %)、面向?qū)ο蠓诸?93.67 %)、馬氏距離分類(89.32 %)、基于專家決策樹分類(89.09 %)、最小距離分類(80.46 %)以及平行六面體分類(78.28 %)。監(jiān)督分類通過大量時間選取訓練和評估訓練樣本的基礎上，提高了分類精度，但由圖3可見，最小距離分類法和平行六面體分類法中，水體和居民地容易出現(xiàn)混分的情況，造成分類錯誤。而研究區(qū)東部及東南部由于水稻田和林地的象元混交，在分類是也容易出現(xiàn)錯誤，綜合比較下來，最大似然分類法、神經(jīng)網(wǎng)絡分類法和支持向量機分類結果都分類較為精確。

(3)從制圖精度(表4)來看，文章是對水稻面積的提取，在各種分類結果中，水稻的制圖精度由高到低依次是：馬氏距離分類(98.43 %)、最小距離分類(96.86 %)、神經(jīng)網(wǎng)絡分類(93.33 %)、支持向量機分類(89.80 %)、基于專家決策樹分類(83.74 %)、最大似然法分類(82.35 %)、面向?qū)ο蠓诸?77.65 %)、平行六面體分類(77.25 %)。總的來說監(jiān)督分類中的馬氏距離分類、最小距離分類和神經(jīng)網(wǎng)絡分類的制圖精度較高，而面向?qū)ο蠓诸惡蜎Q策樹分類次之。說明在分類中正確分類的像元個數(shù)和真實參考象元的比值較高，基于野外采樣點來驗證分類結果的精度較高，這樣的結果說明在實際提取水稻種植面積的應用中，監(jiān)督分類的方法要優(yōu)于面向?qū)ο蠓诸惡蜎Q策樹分類。

(4)水稻分類的用戶精度是指正確分到水稻的像元總數(shù)與分類器將整個圖像的像元分為水稻的像元總數(shù)的比值。在分類結果中，馬氏距離分類、神經(jīng)網(wǎng)絡分類、支持向量機分類、最大似然分類、面向?qū)ο蠓诸惖挠脩艟榷紴?00 %，但是由于用戶精度是分類器自身的像元分類，所以在實際應用中不能通過用戶精度來比較哪種方法更適合于水稻面積的提取。

(5)將監(jiān)督分類中6中分類結果作比較后，得出的最優(yōu)的兩種分類方法和基于樣本的面向?qū)ο蟮姆诸惙ê突趯＜覜Q策樹的分類方法作比較，監(jiān)督分類依然占優(yōu)勢，其分類結果精度更高，決策樹分類的精度較面向?qū)ο蟮姆诸惙椒ㄆ渚壬缘汀?/p>

因此，精度評價結果顯示，本文采用的幾種分類方法分類效果都較好，以神經(jīng)網(wǎng)絡和支持向量機的分類精度最高，分類效果最為清晰。因此在進行水稻面積提取的實際應用中應該以監(jiān)督分類(最大似然分類法、神經(jīng)網(wǎng)絡分類法和支持向量機分類)為主要分類方法，但是實際方法應以實際研究區(qū)為例。

4 討 論

本研究利用遙感分類的幾種分類方法對研究區(qū)的SPOT-5影像進行分類，進行水稻種植面積的提取。監(jiān)督分類可以根據(jù)應用目的和區(qū)域，人為控制訓練樣本選取，有針對地決定分類類別，但需要耗費大量的人力和時間來選取和評估訓練樣本，加大了人為誤差，且只能識別樣本中已定義的樣本類別，沒有定義的類別會出現(xiàn)不能識別或者混淆狀況；基于樣本的面向?qū)ο蟮姆诸惪梢詼p少選取精確樣本的時間，但在象元混交的地方容易出現(xiàn)分類混淆的現(xiàn)象；決策樹分類法靈活直觀、清晰、運算效率高，在遙感分類問題上具有很大的優(yōu)勢。在本文章中，由于耕林混交的面積較大，而水稻生長期的NDVI和林地容易混雜，造成分類誤差加大的現(xiàn)象。

5 結 論

由于研究區(qū)位于成都平原中部地區(qū)，這里的耕地多采用輪耕制度，耕作模式的改變導致在提取水稻種植面積會存在一定的誤差，耕林混交的現(xiàn)象對水稻種植面積的提取還存在影響。本次試驗的成果對于大面積提取水稻種植面積測量方法的研究有著重要的理論和實際價值。在實際應用中，由于中國人多地廣，各個省縣的耕作模式不同，給各個影像進行分類提取水稻面積帶來一定的困難，增加了分類不確定性。如果要在更大范圍的地區(qū)進行試驗，需要根據(jù)研究區(qū)特定的耕作模式及物候情況，因地制宜，制定適合該地區(qū)的分類規(guī)則。

[1]魏新彩.基于HJ衛(wèi)星影像的水稻種植面積遙感信息提取方法研究[D].武漢：湖北大學，2013.

[2]陳樹輝，李 楊，曾凡君，等.基于多源數(shù)據(jù)的水稻種植面積提取[J].安徽農(nóng)業(yè)科學，2011，39(12)：7442-7444.

[3]周 虹.2014年四川省稻谷生產(chǎn)情況分析及展望[C].四川農(nóng)業(yè)科技，2015.

[4]程式華，曹立勇，陳深廣，等.水稻遺傳育種回顧與展望[A].科技創(chuàng)新成就輝煌—中國農(nóng)業(yè)科學院建50周年學術文集[C],中國農(nóng)業(yè)科學院，2007：84-91.

[5]李 根，景元書，王 琳，等.基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取[J].大氣科學學報，2014，37(1)：119-126.

[6]李 楊，江 南，呂 恒，等.基于水稻特征波段的決策樹分類研究[J].地理與地理信息科學，2010,26：2.

[7]汪小欽，王欽敏，史曉明，等.基于主成分變換的ASAR數(shù)據(jù)水稻面積提取[J].農(nóng)業(yè)工程學報，2008,24(10)：122-126.

[8]張薇薇.基于多時相CBRES CCD圖像的水稻種植面積監(jiān)測[D].重慶:西南大學，2008.

[9]黃振國，陳仲新，劉芳清，等.利用SPOT-5影像提取水稻面積的研究[J].湖南農(nóng)業(yè)大學學報，2013,39(2)：137-140.

[10]單 捷，岳彩榮，江 南.基于環(huán)境衛(wèi)星影像的水稻種植面積提取方法研究[J].江蘇農(nóng)業(yè)學報，2012(4)：728-732.

[11]Wardlow B D,EgbertSL.Large-area crop mapping using time-serise MODIS 250 NDVI data:An assessment for the US FOR the US central Great plains[J].Remote Sensing of Environment,2008(3): 1096-1116.

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

[12]田金苓.土地利用遙感分類計數(shù)探討[J].科技創(chuàng)新導報，2010(9)：18.

[13]王人潮，黃敬峰.水稻遙感估產(chǎn)[M].北京：中國農(nóng)業(yè)出版社，2002.

[14]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003:194.

ExtractionMethodResearchofRiceInformationBasedonSPOT-5SatelliteImagesTakingJingyangDistrict,DeyangCity,SichuanProvinceasExample

WANG Juan1,2,ZHANG Jie1,2,ZHANG You1,2,PENG Wen-fu1,2*,REN Guo-ye3

(1.Institute of Geography and Resources Science,Sichuan Normal University,Sichuan Chengdu 610068,China；2.Key Lab of Land Resources Evaluation and Monitoring in Southwest,Ministry of Education,Sichuan Normal University,Sichuan Chengdu 610068,China；3.Remote Sensing Application Institute,Sichuan Academy of Agriculture Sciences,Sichuan Chengdu 610101,China)

【Objective】Rice information extraction based on remote sensing is an important aspect of the application of remote sensing technology in the field of agriculture，which can quickly and accurately meet the needs of the remote sensing monitoring of rice cultivation.【Method】Jingyang district of Deyang city was used as studied area,based on the SPOT-5 image data,the most suitable method of extracted rice information in this paper was studied from the method of supervised classification,parallel hexahedron classification,minimum distance classifier,Mahalanobis distance classification,object-oriented classification and decision tree classification.【Result】(i) Supervised classification could improve the precision by the artificial control training area but increase the error from the man-made.Oriented object classification improved the efficiency but led to easy confuse the classification.Decision tree classification method was intuitive,clear,high efficiency but increase the classification error as the result of the tillage mixed forest area was larger,the brightness values between the water and area close within the study area.(ii)The classification accuracy from the methods of the neural network and support vector machine was the highest,and the classification effect was clear.【Conclusion】The extracted information of rice and monitoring rice based on remote sensing technology and the high resolution remote sensing data was feasible.

Rice information extraction; Supervised classification; Object-oriented classification; Decision tree classification; Deyang city

1001-4829(2017)4-0861-08

10.16213/j.cnki.scjas.2017.4.025

2016-05-22

國家自然科學基金項目“基于LUCC擾動影響的成都平原土地生態(tài)安全維持機理”(41371125)

王 娟(1993-)，女，四川宜賓人，碩士研究生，研究方向為人文地理，E-mail:460292531@ qq.com；*為通訊作者：彭文甫(1964-)，男，四川樂山人，博士，副教授，研究方向為環(huán)境遙感，E-mail: pwfzh@126.com。

K825.89

A

(責任編輯 陳 虹)