基于多時(shí)相遙感數(shù)據(jù)的水稻種植面積信息提取

彭樂(lè)文　張亞

摘要：在遙感影像中，植物的含水量、土壤濕度在短波紅外波段下表現(xiàn)很敏感，而紅光波段和近紅外波段對(duì)植物覆蓋率、植物長(zhǎng)勢(shì)反映很強(qiáng)烈。基于時(shí)間差異的決策樹(shù)水稻提取模型，通過(guò)計(jì)算水稻生長(zhǎng)不同時(shí)期的歸一化植被指數(shù)NDVI和土壤含水量指數(shù)LSWI，在江蘇省鹽城市射陽(yáng)縣開(kāi)展了水稻種植區(qū)提取的相關(guān)研究。經(jīng)過(guò)提取的水稻面積和地方統(tǒng)計(jì)數(shù)據(jù)對(duì)比表明，該模型能有效區(qū)分出水域、玉米和菜地等較易與水稻種植區(qū)混淆的地物，面積提取精度達(dá)到76.26%。

關(guān)鍵詞：多時(shí)相影像;決策樹(shù);水稻;信息提取

中圖分類(lèi)號(hào)：P237? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2020）02-0157-04

DOI：10.14088/j.cnki.issn0439-8114.2020.02.035? ? ? ? ? ?開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Rice planting area information extraction based on multi-temporal remote sensing data

PENG Le-wen，ZHANG Ya

（School of Earth Sciences and Engineering，Hohai University，Nanjing 211100，China）

Abstract： In remote sensing images， the moisture content and soil moisture of plants were sensitive to the short-wave infrared band， while the red band and near-infrared band reflected the coverage rate and growth rate of plants strongly. According to the characteristics of rice growing in moist soil， based on a decision tree rice extraction model with time difference， this paper carried out relevant research on rice growing area extraction in sheyang county， yancheng city， jiangsu province by calculating NDVI and LSWI of normalized vegetation index and soil moisture index at different growth periods. The comparison of the extracted rice area and local statistical data showed that the model can effectively distinguish the water area， corn and vegetable fields that were easily confused with rice， and the precision of area extraction reached 76.26%.

Key words： multi-temporal image; decision tree; rice; information extraction

對(duì)水稻種植面積及產(chǎn)量信息的獲取有助于規(guī)劃水稻種植區(qū)及監(jiān)測(cè)其長(zhǎng)勢(shì)，并且對(duì)預(yù)測(cè)稻米的價(jià)格也具有參考作用。相較于傳統(tǒng)方法，利用遙感技術(shù)對(duì)水稻種植面積進(jìn)行信息提取具有很大的優(yōu)勢(shì)，且提取結(jié)果更加豐富[1，2]。在運(yùn)用遙感數(shù)據(jù)提取水稻信息方面，鄭璐悅等[3]基于Landsat 8 OLI遙感影像，運(yùn)用ENVI 5.1的軟件平臺(tái)建立了沈陽(yáng)市水稻面積提取模型;鄭長(zhǎng)春等[4]利用植被特征波段對(duì)SPOT-5衛(wèi)星影像水稻面積進(jìn)行信息提取，將歸一化植被指數(shù)融入到影像中，提高了信息自動(dòng)提取精度。根據(jù)提取數(shù)據(jù)的不同，可以將水稻信息提取方法分為低分辨率數(shù)據(jù)提取和中高分辨率數(shù)據(jù)提取。其中，低分辨率數(shù)據(jù)提取方法是通過(guò)歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）的差異性來(lái)提高分類(lèi)精度。另外，提高水稻信息提取的精度還可以從選擇水稻生長(zhǎng)的最佳時(shí)期入手，基于NDVI時(shí)序數(shù)據(jù)，苗翠翠等[5]利用S-G濾波法進(jìn)行時(shí)間序列重構(gòu)，并且采取決策樹(shù)分類(lèi)器建立提取模型，表明該方法明顯能提高提取精度。

近年來(lái)，將決策樹(shù)分類(lèi)算法應(yīng)用于遙感影像分類(lèi)是研究的熱點(diǎn)之一。研究表明，該類(lèi)算法可以明顯提高分類(lèi)的精度[6]，并且可以極大提高遙感信息分類(lèi)的工作效率。基于C5.0決策樹(shù)分類(lèi)算法，溫興平等[7]通過(guò)數(shù)據(jù)融合和大氣校正處理對(duì)ETM+影像進(jìn)行信息提取，提高了分類(lèi)及水稻面積信息提取精度。吳健生等[8]在對(duì)麗江市土地利用分類(lèi)研究時(shí)，選擇基于QUEST決策樹(shù)分類(lèi)方法對(duì)該地區(qū)TM影像數(shù)據(jù)進(jìn)行分類(lèi)，該分類(lèi)方法具有較快的運(yùn)算速度和較高的分類(lèi)精度。

在對(duì)水稻種植面積進(jìn)行信息提取時(shí)，選擇水稻生長(zhǎng)的最佳時(shí)相并且運(yùn)用將決策樹(shù)分類(lèi)算法，不僅可以提高水稻種植面積信息分類(lèi)的精度和效率，而且還可以提高提取精度。水稻生長(zhǎng)最佳單一時(shí)相信息提取有一定的局限性，很難發(fā)現(xiàn)與背景地物的區(qū)別。因此，本研究基于Landsat8 OLI影像利用不同時(shí)相歸一化植被指數(shù)（NDVI）和陸地表水指數(shù)（Land surface water index，LSWI）不同變化進(jìn)行小尺度水稻識(shí)別，提出分類(lèi)規(guī)則集，并且建立基于時(shí)間差異的決策樹(shù)水稻信息提取模型，并對(duì)江蘇省鹽城市射陽(yáng)縣水稻種植面積進(jìn)行了提取。

1? 研究區(qū)域與數(shù)據(jù)預(yù)處理

1.1? 研究區(qū)域概況

射陽(yáng)縣地處江蘇北部里下河下游地區(qū)，位于北緯33°24′～34°07′和東經(jīng)119°59′～120°33′，總面積為2 776.49 km2，海岸線(xiàn)全長(zhǎng)103 km，海堤長(zhǎng)141 km。全縣土地總面積277 648.8 hm2，轄13個(gè)鎮(zhèn)、1個(gè)開(kāi)發(fā)區(qū)、1個(gè)鹽場(chǎng)、4個(gè)農(nóng)場(chǎng)和2個(gè)林場(chǎng)（圖1）。

射陽(yáng)縣氣候溫和，屬季風(fēng)氣候區(qū)，為亞熱帶和溫暖帶交界處。地形以平原為主，地勢(shì)平坦，土地肥沃，適合多種農(nóng)作物種植。研究區(qū)內(nèi)大部分地區(qū)實(shí)行一年兩熟制，水稻、小麥、油菜是射陽(yáng)縣主要種植的三大農(nóng)作物，其中水稻的種植面積最大。每年10月至次年6月是油菜和小麥種植期，6—10月是水稻的種植期（表1）。

1.2? 數(shù)據(jù)預(yù)處理

本研究采用的試驗(yàn)數(shù)據(jù)均從地理空間數(shù)據(jù)云官網(wǎng)獲取，條帶號(hào)119，行編號(hào)37，云量在10%以下。獲取的時(shí)間為2016年6月25日（水稻分蘗初期）、2016年8月28日（水稻抽穗灌漿期）以及2016年10月13日（水稻成熟期）。

1）輻射定標(biāo)。需要先對(duì)遙感影像進(jìn)行輻射定標(biāo)，然后由反射率數(shù)據(jù)計(jì)算得到NDVI和LSWI指數(shù)。

第一步，先將DN值轉(zhuǎn)換成輻射亮度值L？姿，公式如下：

L？姿=k·DN+Offset

式中，L？姿為光譜輻亮度，k為響應(yīng)函數(shù)的斜率，DN為記錄的電信號(hào)數(shù)據(jù)，Offset為響應(yīng)函數(shù)的截距。

第二步，再把輻射亮度值轉(zhuǎn)換成反射率，公式如下：

？籽p=■

式中，d為天文單位日地距離，ESUN？姿為太陽(yáng)表觀輻射度均值，？茲s為太陽(yáng)高度角。上述計(jì)算均在ENVI 5.1的Landsat Calibration模塊中進(jìn)行。

2）大氣校正。大氣校正的目的是消除大氣對(duì)地物反射的影響，同時(shí)也是反演地物真實(shí)反射率的過(guò)程[9]。大氣校正在ENVI 5.1軟件的FLASH Atmospheric Correction模塊中進(jìn)行。

3）裁剪出研究區(qū)域。預(yù)處理后的遙感影像如圖2所示。

2? 決策樹(shù)模型水稻識(shí)別提取

決策樹(shù)是一種常用的數(shù)學(xué)分類(lèi)方法[10]，由于其具有較高的分類(lèi)精度和計(jì)算效率，被廣泛地運(yùn)用于地物識(shí)別提取[11，12]，主要流程包括特征指數(shù)的選取、樣本的選取、決策樹(shù)模型的建立。

2.1? 特征指數(shù)選取

健康植被的光譜曲線(xiàn)有很明顯的特點(diǎn)，在紅波段附近有一個(gè)明顯的吸收谷，而在近紅外波段之間形成一個(gè)反射率高的反射峰。基于這一特點(diǎn)，歸一化植被指數(shù)（NDVI）是近紅外波段和可見(jiàn)光波段數(shù)值之差和這兩個(gè)波段數(shù)值之和的比值，被廣泛應(yīng)用于植被提取中，其計(jì)算公式如下：

NDVI=（？籽nir-？籽red）/（？籽nir+？籽red）

式中，？籽nir為近紅外波段反射率，？籽red為紅光波段的反射率。

NDVI可以反映植被在可見(jiàn)光、近紅外波段反射與土壤反射的差異，且能呈現(xiàn)作物生長(zhǎng)變化和物候信息的規(guī)律性。由于受到水吸收帶（1.4～1.9 μm）的影響，短波紅外波段可以反映土壤和植被的含水量敏感程度，因此通常使用陸表水分指數(shù)LSWI來(lái)區(qū)分水稻與其他植被，LSWI計(jì)算公式如下：

LSWI=（？籽nir-？籽swir1）/（？籽nir+？籽swir1）

式中，？籽swir1為短波紅外段反射率。

2.2? 樣本選取

為保證決策樹(shù)模型的精度，需要保證樣本數(shù)據(jù)的可靠性和精確性，且不同類(lèi)別的樣本之間的分離度要盡可能大;另外，為了保證所使用的分類(lèi)法則能夠準(zhǔn)確地區(qū)分地物類(lèi)型，就需要有足夠大的樣本數(shù)量[13，14]。本研究以GoogleEarth上的影像作參考獲取樣本區(qū)域251個(gè)，并且結(jié)合土地利用調(diào)查數(shù)據(jù)，最終得到5 463個(gè)樣本數(shù)據(jù)，包括水稻、建筑物、林地、蔬菜、水域等。

2.3? 決策樹(shù)模型

樣本數(shù)據(jù)是建立決策樹(shù)模型的基礎(chǔ)數(shù)據(jù)，通過(guò)對(duì)樣本數(shù)據(jù)的數(shù)學(xué)統(tǒng)計(jì)和歸納分析可以獲得決策樹(shù)模型的分類(lèi)規(guī)則。地物樣本的特征指數(shù)均值隨時(shí)間變化呈現(xiàn)出一定的差異，為了明顯地觀察特征指數(shù)之間隨時(shí)間的變化關(guān)系，通過(guò)擴(kuò)大NDVI和LSWI指數(shù)將區(qū)域各種樣本地物之間差異性放大，如圖3、圖4所示歸一化植被指數(shù)和陸表水分指數(shù)都擴(kuò)大10倍后的圖像。

從圖3可以看出，①2016年6月25日建筑物、裸土、水體的NDVI值較為接近且?guī)缀跏?;大豆、蔬菜和水稻的NDVI值較為接近，在1.5～2.5;林地的NDVI值明顯高于其他植被，達(dá)到了4.0。②各樣本地物NDVI值的變化趨勢(shì)：2016年6月25至8月28日是農(nóng)作物的生長(zhǎng)旺盛期，農(nóng)作物的近紅外波段反射率大幅增強(qiáng)，因此水稻、蔬菜和大豆的NDVI值明顯上升;林地在這兩個(gè)月間的生長(zhǎng)并沒(méi)有很大變化，故特征統(tǒng)計(jì)值上升并不明顯;建筑物和水體的NDVI不變，裸土的NDVI稍稍上升;③2016年8月28日至10月13日，水稻進(jìn)入成熟期，葉片數(shù)量減少、含水量下降，除大豆和蔬菜的統(tǒng)計(jì)值有些微的增加，其他所有植被的統(tǒng)計(jì)值呈減小趨勢(shì)。

從圖4可以看出，①2016年6月25日地物樣本的LSWI值可分為兩類(lèi)，一類(lèi)是值較低的大豆、裸土、建筑物和林地，即含水量低，另一類(lèi)是含水量較高的水體、蔬菜和水稻;②8月28日時(shí)大豆、裸土和水稻的LSWI值均較高且接近，不易區(qū)分，水體和蔬菜的值較低且接近，難以辨別;③各樣本地物L(fēng)SWI值的變化趨勢(shì)：水體和蔬菜在3個(gè)時(shí)期穩(wěn)定在較低值，裸土和建筑物穩(wěn)定在較高值，變化趨勢(shì)不明顯，從6月25日至8月28日，水稻的LSWI值上升明顯，而林地的LSWI值呈下降趨勢(shì)。

綜上分析，根據(jù)8月植被生長(zhǎng)旺盛，NDVI指數(shù)較高，且此時(shí)水稻處于生長(zhǎng)期，稻田的光譜特征表現(xiàn)為植被這一特點(diǎn)，利用NDVI<0將水體提取出來(lái)。建筑物和裸土的NDVI值比水體高，但與林地和農(nóng)作物等植被比較，仍然要低不少。利用NDVI<0.2將建筑物和裸土提取出來(lái)。水稻和其他植被在3期NDVI值的變化上區(qū)別不大，但是在LSWI上的變化有明顯區(qū)別，水稻的LSWI值從6月25日至8月28日有明顯的上升，這是因?yàn)樗緩囊圃云诘搅松L(zhǎng)期，從水田變?yōu)檩^為干旱的土地，設(shè)置LSWI0828-LSWI0625>0.5這一閾值，將水稻和其他植被區(qū)分開(kāi)來(lái)。

根據(jù)這些規(guī)則集，本研究建立了水稻信息提取決策樹(shù)模型，展示了完整的水稻提取過(guò)程，如圖5所示。

3? 實(shí)例分析

基于已建立的水稻信息提取決策樹(shù)模型，根據(jù)LSWI和NDVI值處理圖像，得到的射陽(yáng)縣水稻圖像識(shí)別分類(lèi)如圖6所示。由于村莊房屋、縣城樓房等建筑用地的LSWI值較低，首先利用LSWI值去除建筑用地面積;然后根據(jù)NDVI指數(shù)變化值對(duì)影像植被信息進(jìn)行分區(qū)，并且去除非水稻的地物，最后得到最終的研究區(qū)分類(lèi)結(jié)果。

從分類(lèi)結(jié)果來(lái)看，水稻種植區(qū)較為集中，主要分布在射陽(yáng)縣西北海河、四明、千秋三鎮(zhèn)以及淮海、臨海、新陽(yáng)3個(gè)農(nóng)場(chǎng)中，這幾個(gè)地區(qū)灌溉條件較好、水資源有保障。表2為分類(lèi)結(jié)果和地方統(tǒng)計(jì)面積的比較，分析可知使用多時(shí)相遙感數(shù)據(jù)提取的水稻面積要低于統(tǒng)計(jì)面積，這可能是由于研究區(qū)域內(nèi)有部分水稻的種植時(shí)間不統(tǒng)一，故而在分類(lèi)結(jié)果中將這部分水稻劃為其他植物，分類(lèi)精度達(dá)到76.26%，對(duì)于高效宏觀的遙感調(diào)查來(lái)說(shuō)，精度是可以接受的。

4? 結(jié)論與展望

由于農(nóng)作物的光譜特征較為相近，利用單期影像難以對(duì)農(nóng)作物進(jìn)行準(zhǔn)確地分類(lèi)，因此可以利用不同農(nóng)作物有不同的生長(zhǎng)周期及物候期的特點(diǎn)，通過(guò)選取地物有明顯變化的時(shí)相影像，實(shí)現(xiàn)水稻面積的種植提取。本研究根據(jù)一年中3個(gè)不同時(shí)相的NDVI以及LSWI變化特征，建立了水稻信息提取決策樹(shù)模型，并對(duì)江蘇省鹽城市射陽(yáng)縣水稻種植面積進(jìn)行了提取，提取的水稻面積和地方統(tǒng)計(jì)數(shù)據(jù)相比的精度為76.26%。

利用遙感技術(shù)提取水稻種植面積信息，不僅可以節(jié)省大量時(shí)間和人力物力，還可以提高影像數(shù)據(jù)的可視性和宏觀性。但是，本研究也有需要進(jìn)一步改進(jìn)和完善的地方，如由于天氣原因不容易獲取水稻生長(zhǎng)關(guān)鍵時(shí)期的高質(zhì)量影像以及易受TM數(shù)據(jù)成像時(shí)間分辨率的影響，另外本研究所建的決策樹(shù)信息提取模型考慮了不同時(shí)相水稻特征指數(shù)的變化，但能否適用于雙季稻種植區(qū)，需進(jìn)一步研究。

參考文獻(xiàn)：

[1] 劉喜珍，李國(guó)靖，王立平，等.應(yīng)用衛(wèi)星遙感技術(shù)對(duì)水稻面積變化實(shí)施動(dòng)態(tài)監(jiān)測(cè)[J].中國(guó)稻米，2003（2）：5-7.

[2] 張? 莉.基于EOS/MODIS數(shù)據(jù)的晚稻面積提取技術(shù)研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2012.

[3] 鄭璐悅，許童羽，周云成，等.基于Landsat 8 OLI遙感影像的沈陽(yáng)市水稻種植面積提取方法[J].浙江農(nóng)業(yè)學(xué)報(bào)，2017，29（10）：1749-1758.

[4] 鄭長(zhǎng)春，王秀珍，黃敬峰.基于特征波段的SPOT-5衛(wèi)星影像水稻面積信息自動(dòng)提取的方法研究[J].遙感技術(shù)與應(yīng)用，2008，23（3）：294-299.

[5] 苗翠翠，江? 南，彭世揆，等.基于NDVI時(shí)序數(shù)據(jù)的水稻種植面積遙感監(jiān)測(cè)分析——以江蘇省為例[J].地球信息科學(xué)學(xué)報(bào)，2011， 13（2）：273-280.

[6] YANG C C，PRASHER S O，ENRIGHT P，et al. Application of decision tree technology for image classification using remote sensing data[J].Agricultural systems，2003，76（3），1101-1117.

[7] 溫興平，胡光道，楊曉峰.基于C5.0決策樹(shù)分類(lèi)算法的ETM+影像信息提取[J].地理與地理信息科學(xué)，2007，23（6）：26-29.

[8] 吳健生，潘況一，彭? 建，等.基于QUEST決策樹(shù)的遙感影像土地利用分類(lèi)——以云南省麗江市為例[J].地理研究，2012，31（11）：1973-1980.

[9] 鄧書(shū)斌.遙感圖像處理方法[M].北京：科學(xué)出版社，2010.

[10] FREID M A，BRODLEY C E. Decision tree classification ofland cover from remotely sensed data[J].Remote sensing of environment，1997，61（3）：399-409.

[11] 李? 爽，張二勛.基于決策樹(shù)的遙感影像分類(lèi)方法研究[J].地域研究與開(kāi)發(fā)，2003，2（1）：17-21.

[12] CONRAD C，COLDITZ R R，DECH S，et al. Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems[J].International journal of remote sensing，2011，32（23）：8763-8778.

[13] 吳健平，楊衛(wèi)星.遙感數(shù)據(jù)監(jiān)督分類(lèi)中訓(xùn)練樣本的純化[J].國(guó)土資源遙感，1996（1）：36-41.

[14] 朱秀芳，潘耀忠，張錦水，等.訓(xùn)練樣本對(duì)TM尺度小麥面積監(jiān)測(cè)精度影響研究（I）[J].遙感學(xué)報(bào)，2007，11（6）：827-836.

收稿日期：2019-09-20

作者簡(jiǎn)介：彭樂(lè)文（1995-），女，湖南衡陽(yáng)人，碩士，研究方向?yàn)檫b感信息工程，（電話(huà)）18351938837（電子信箱）Grit_Peng@163.com。