基于GF-1影像面向?qū)ο蠓诸惙椒ǖ乃痉N植信息提取研究

基于GF-1影像面向?qū)ο蠓诸惙椒ǖ乃痉N植信息提取研究

劉紹貴1姬忠林2，3張?jiān)缕?李文西1高暉1，4杭天文1，4陳明1顏怡1，4姜義1，4吳兵1，4龔鑫鑫1，4祝飄1，4任紅艷3*
（1揚(yáng)州市耕地質(zhì)量保護(hù)站，江蘇揚(yáng)州225101；2福建師范大學(xué)地理科學(xué)學(xué)院，福州350007；3中國(guó)科學(xué)院地理科學(xué)與資源研究所/資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；4揚(yáng)州地恒科技有限公司，江蘇 揚(yáng)州 225002；第一作者：shgl520@163.com；*通訊作者：renhy@igsnrr.ac.cn）

應(yīng)用遙感技術(shù)提取水稻種植信息是農(nóng)業(yè)遙感的重要內(nèi)容。GF-1衛(wèi)星WFV數(shù)據(jù)為農(nóng)業(yè)信息提取提供了新的途徑，面向?qū)ο蟮姆诸惙椒ㄊ沁b感解譯的重要方法。本研究以揚(yáng)州市為研究區(qū)域，基于GF-1影像WFV數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒?，提取水稻種植信息，并實(shí)地調(diào)查驗(yàn)證試驗(yàn)結(jié)果，試圖探討GF-1數(shù)據(jù)面向?qū)ο蠓诸惙椒ㄔ谒痉N植信息提取中的可行性與影響提取精度的因素。結(jié)果表明，應(yīng)用GF-1數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒軌蚝芎玫赝瓿蓳P(yáng)州市水稻種植信息的提取，2016年揚(yáng)州市有水稻種植面積214 524 hm2，總體精度達(dá)到98.5%，Kappa系數(shù)0.95，面積精度達(dá)97.5%；實(shí)地考察能夠提高提取精度，地形破碎程度越低，提取精度越高。

GF-1；面向?qū)ο?；水稻；種植信息提取

基于遙感技術(shù)的農(nóng)作物種植信息提取是及時(shí)、準(zhǔn)確、大面積獲取農(nóng)作物種植結(jié)構(gòu)布局的重要手段[1-7]，不僅有利于對(duì)區(qū)域內(nèi)作物進(jìn)行產(chǎn)量估計(jì)、結(jié)構(gòu)調(diào)整和優(yōu)化，而且對(duì)農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)可持續(xù)發(fā)展及國(guó)家糧食安全等方面都具有重要意義。水稻是我國(guó)三大糧食作物之一，播種面積廣、產(chǎn)量高，2014年我國(guó)稻谷播種面積占糧食作物播種面積的27%，稻谷產(chǎn)量占糧食作物產(chǎn)量的34%[8]，并且，我國(guó)水稻種植存在著波動(dòng)和格局變化[9]。因此，應(yīng)用遙感技術(shù)提取水稻種植信息的研究越來(lái)越受關(guān)注，是遙感技術(shù)農(nóng)業(yè)應(yīng)用的重要方面[4-7]。

遙感影像為水稻信息提取提供數(shù)據(jù)源，其時(shí)間、空間以及光譜分辨率決定了提取的尺度、精度、面積、經(jīng)費(fèi)等，因此，根據(jù)工作目標(biāo)來(lái)選取最合適的數(shù)據(jù)源是遙感水稻信息提取的重要內(nèi)容。GF-1衛(wèi)星是中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星，最突出的優(yōu)勢(shì)之一是實(shí)現(xiàn)了空間分辨率和時(shí)間分辨率的完美結(jié)合，解決了國(guó)外衛(wèi)星數(shù)據(jù)的購(gòu)買(mǎi)成本高，而國(guó)內(nèi)部分衛(wèi)星數(shù)據(jù)空間、時(shí)間分辨率不高的缺點(diǎn)[4]。與傳統(tǒng)像素分類方法比較，面向?qū)ο蠓诸惙椒ㄒ欢ǔ潭壬峡朔恕敖符}”和“同物異譜”和“同譜異物”現(xiàn)象[1，5]，有較高的分類精度[1，5，10]。因此，本研究以揚(yáng)州市為研究區(qū)域，基于GF-1影像數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒ǎ崛∷痉N植信息，并實(shí)地調(diào)查驗(yàn)證試驗(yàn)結(jié)果。旨在探討基于GF-1影像數(shù)據(jù)的面向?qū)ο蠓椒ㄌ崛P(yáng)州市水稻種植信息的可行性與操作性，為遙感提取揚(yáng)州地區(qū)水稻種植面積、布局提供依據(jù)。

1 研究區(qū)概況、數(shù)據(jù)及方法

1.1 研究區(qū)概況

揚(yáng)州市地處江蘇省中部（119°01′～119°54′E，32°15′～33°25′N），轄 3 區(qū)（廣陵區(qū)、邗江區(qū)、江都區(qū)）2 市（高郵市、儀征市）1縣（寶應(yīng)縣）。地勢(shì)平坦，平原廣闊，地形西高東低，從西向東呈扇形逐漸傾斜。為典型的亞熱帶濕潤(rùn)氣候，四季分明，氣候溫和，無(wú)霜期長(zhǎng)，自然條件優(yōu)越。區(qū)域內(nèi)農(nóng)業(yè)資源豐富，農(nóng)作物種植以水稻和小麥為主[11]。

1.2 數(shù)據(jù)來(lái)源

GF-1共搭載4臺(tái)16 m分辨率的WFV傳感器（WFV1、WFV2、WFV3、WFV4），均有藍(lán)（B1：0.45～0.52 nm）、綠（B2：0.52～0.59 nm）、紅（B3：0.63～0.69 nm）、近紅外（B4：0.77～0.89 nm）4 個(gè)波段的數(shù)據(jù)[12]。本研究應(yīng)用的影像數(shù)據(jù)從中國(guó)資源衛(wèi)星應(yīng)用中心（http：//glovis.usgs.gov）申請(qǐng)獲取，水稻生長(zhǎng)期內(nèi)影像均受云量影響，經(jīng)過(guò)篩選，選取云量少的影像，即2016年8月30日的WFV2（軌道號(hào)P598R102）數(shù)據(jù)和2016年8月31日WFV4（為軌道號(hào)P599R100）數(shù)據(jù)。

圖1 研究區(qū)分區(qū)示意圖

圖2 不確定地物類型考察點(diǎn)（50個(gè)）分布示意圖

1.3 數(shù)據(jù)預(yù)處理

首先對(duì)GF-1兩時(shí)相影像進(jìn)行自帶RPC正射校正，然后進(jìn)行遙感影像的輻射定標(biāo)，采用Flaash模型完成大氣校正，得到地表反射率數(shù)據(jù)，最后利用所選研究區(qū)矢量數(shù)據(jù)對(duì)處理過(guò)后的兩時(shí)相影像進(jìn)行裁剪。

觀察影像，發(fā)現(xiàn)兩時(shí)期影像都存在有部分云的情況，8月30日影像中寶應(yīng)縣及高郵市北部存在部分云，8月31日影像中江都區(qū)南部及邗江區(qū)中部等區(qū)域存在部分云，因此，以高郵市南部為分界線，取8月30日影像分界線南部區(qū)域作為第一區(qū)域，8月31日影像分界線北部區(qū)域作為第二區(qū)域，組合成揚(yáng)州地區(qū)全境無(wú)云影像，并對(duì)兩區(qū)域分別進(jìn)行水稻種植信息提?。▓D1）。

1.4 面向?qū)ο蠓诸惙椒?/h3>

Baatz M等[13]根據(jù)高空分辨率影像的特點(diǎn)提出了面向?qū)ο蟮倪b感分類方法。面向?qū)ο蟮姆诸惙椒ㄊ沁m合于高分辨率遙感影像信息提取的一種較好的方法[14]，是基于影像對(duì)象的分類方法，可以有效集成專家知識(shí)和各種輔助數(shù)據(jù)，充分利用影像的光譜特征、紋理特征、形狀特征等。面向?qū)ο蠓诸愡^(guò)程可以分為三個(gè)步驟：尺度分割、特征選擇與分析、影像分類。

尺度分割將影像分割為高度同質(zhì)性的斑塊對(duì)象，第一和第二區(qū)域均采用單一尺度分割，即同一影像上不同地表類型使用同一尺度分割參數(shù)，最終分割結(jié)果使每個(gè)對(duì)象都盡可能表示單一地類。經(jīng)過(guò)實(shí)驗(yàn)，得到適宜分割參數(shù)如下：第一區(qū)域各波段權(quán)重均設(shè)為1，scale=30，shape=0.7，compactness=0.6；第二區(qū)域各波段權(quán)重均設(shè)為 1，scale=25，shape=0.4，compactness=0.4。波段權(quán)重代表波段對(duì)分割的貢獻(xiàn)程度；scale表示尺度參數(shù)，數(shù)值越大，影像分割的對(duì)象面積越大；shape表示形狀參數(shù)，數(shù)值越大，分割的對(duì)象在形狀大小上差異越?。籧ompactness表示緊致度參數(shù)，數(shù)值越大，分割的對(duì)象形狀越規(guī)整。分割完成后對(duì)影像進(jìn)行樣本和特征的選取，其中分類特征主要包括：光譜、形狀、紋理、拓?fù)潢P(guān)系、上下關(guān)系和專題數(shù)據(jù)等。最后采用模糊分類中的最鄰近分類對(duì)研究區(qū)影像進(jìn)行種植信息提取。

1.5 精度評(píng)價(jià)

精度評(píng)價(jià)是對(duì)水稻種植信息提取結(jié)果可信度、方法可行性的評(píng)價(jià)，本研究擬通過(guò)空間和數(shù)量?jī)蓚€(gè)方面來(lái)評(píng)價(jià)精度。

空間精度采用實(shí)地考察，產(chǎn)生混淆矩陣，計(jì)算Kappa系數(shù)和總體精度來(lái)驗(yàn)證精度。在研究區(qū)總共布置了50個(gè)實(shí)地考察點(diǎn)（圖2），考察地表類型，用于初次分類后不確定類型的驗(yàn)證，同時(shí)在每個(gè)考察點(diǎn)周?chē)x取3個(gè)初次分類時(shí)已確定為種植水稻的地塊（以下簡(jiǎn)稱“已知點(diǎn)”），共150個(gè)已知點(diǎn)，這些已知點(diǎn)在考察時(shí)也進(jìn)行地表類型考察，看與已知類別是否相符。

數(shù)量評(píng)價(jià)采用與統(tǒng)計(jì)面積進(jìn)行對(duì)比的方法計(jì)算面積精度。

2 結(jié)果與分析

根據(jù)實(shí)地考察的情況，對(duì)初步考察結(jié)果中未明確的地塊進(jìn)行了明確，重新應(yīng)用面向?qū)ο蠓诸惙椒ㄌ崛∷痉N植信息，最終完成的揚(yáng)州市的水稻種植分布圖（圖3）。水稻種植面積214 524 hm2，總體精度達(dá)到98.5%，Kappa系數(shù)0.95，面積精度達(dá)97.50%（表1、表2）。

表1 GF-1影像水稻種植結(jié)構(gòu)精度評(píng)價(jià)

表2 空間精度評(píng)價(jià)混淆矩陣

圖3 水稻種植信息分類結(jié)果

表3 不同地貌區(qū)域精度統(tǒng)計(jì)結(jié)果

對(duì)比考察前后水稻種植信息分類的精度（表1）發(fā)現(xiàn)，總體精度、Kappa系數(shù)和面積精度分別從考察前的95.5%、0.87、91.7%提高到 98.50%、0.95、97.50%。從空間精度評(píng)價(jià)混淆矩陣（表2）看出，實(shí)地考察降低了其他地類錯(cuò)分為水稻的比例，因此，實(shí)地考察提高了水稻種植信息提取的精度。另外，無(wú)論是考察前還是考察后水稻種植信息提取均有較高的精度。說(shuō)明基于GF-1影像，應(yīng)用面向?qū)ο蟮姆诸惙椒軌蚝芎玫赝瓿蓳P(yáng)州市水稻種植信息的提取工作。

為了進(jìn)一步分析影像水稻種植信息提取的精度的影響因素，根據(jù)揚(yáng)州市的地貌特點(diǎn)及行政區(qū)劃，將揚(yáng)州市分為丘陵區(qū)（儀征市，不含樸席鎮(zhèn)）、丘陵和平原過(guò)渡區(qū)（邗江區(qū)、廣陵區(qū)）和平原區(qū)（江都區(qū)、高郵市、寶應(yīng)縣），對(duì)面積精度進(jìn)行評(píng)價(jià)（表3）發(fā)現(xiàn)，分類面積精度，丘陵區(qū)90.96%＜丘陵和平原過(guò)渡區(qū)91.60%＜平原區(qū)96.99%，即地形是影響分類精度的重要因素，隨著地形破碎程度的降低，面積精度明顯提高。

3 結(jié)論與討論

本研究以揚(yáng)州市為研究區(qū)，應(yīng)用GF-1影像WFV數(shù)據(jù)（由于云量影響采用WFV2和WFV4數(shù)據(jù)拼接），采用面向?qū)ο蟮臄?shù)據(jù)分類方法，較好地完成了揚(yáng)州市水稻種植信息提取，得到如下結(jié)論：

（1）GF-1影像WFV數(shù)據(jù)能夠應(yīng)用于水稻種植信息的提取。由于受云量影響，可使用影像較少，本研究采用的影像數(shù)據(jù)是前后2 d的WFV2和WFV4數(shù)據(jù)的拼接的數(shù)據(jù)，提取水稻種植信息，從總體精度、Kappa系數(shù)和面積精度3個(gè)考核指標(biāo)來(lái)看，提取結(jié)果精度較高。

（2）面向?qū)ο蟮姆诸惙椒ㄊ禽^好的GF-1的分類方法。本研究采用的面向?qū)ο蟮姆椒?，提取水稻種植信息，實(shí)地考察前后都得到了較高的提取精度，因此，面向?qū)ο蟮姆诸惙椒ㄝ^好地完成了基于GF-1的水稻信息提取。

（3）實(shí)地考察提高了提取精度，地形破碎程度越低提取結(jié)果精度越高。從實(shí)地考察前后的精度來(lái)看，實(shí)地考察后的精度高于實(shí)地考察前，因此，實(shí)地考察能夠提高分類的精度；從地貌類型分區(qū)統(tǒng)計(jì)結(jié)果看，分類精度丘陵＜丘陵和平原過(guò)渡區(qū)＜平原區(qū)。因此，隨著地形破碎程度的降低，面積精度明顯升高。

本研究對(duì)兩區(qū)域分別進(jìn)行水稻提取，而第一區(qū)域內(nèi)包括丘陵和平原兩種地貌，從表3可以看出，地貌對(duì)水稻種植信息提取精度造成一定影響，下一步工作是將區(qū)域分為丘陵、丘陵和平原混合、平原三個(gè)類型進(jìn)行研究，驗(yàn)證地貌對(duì)水稻種植信息提取的影響。此外，16 m GF-1影像存在混合像元的問(wèn)題，對(duì)水稻種植信息提取造成一定影響，可以使用更高空間分辨率影像或者研究相關(guān)的方法解決類似問(wèn)題。

[1] 王啟田，林祥國(guó)，王志軍，等.利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J].測(cè)繪科學(xué)，2008，33（2）：143-146.

[2] 周春艷，王萍，張振勇，等.基于面向?qū)ο笮畔⑻崛〖夹g(shù)的城市用地分類[J].遙感技術(shù)與應(yīng)用，2008，23（1）：31-35.

[3] 王利民，劉佳，楊福剛，等.基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（11）：194-201.

[4] 黃振國(guó)，楊君.高分一號(hào)衛(wèi)星影像監(jiān)測(cè)水稻種植面積研究綜述[J].湖南農(nóng)業(yè)科學(xué)，2014（13）：76-78.

[5] 湯傳勇，盧遠(yuǎn).利用面向?qū)ο蟮姆诸惙椒ㄌ崛∷痉N植面積[J].遙感信息，2010（1）：53-56.

[6] 李根，景元書(shū)，王琳，等.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)，2014，37（1）：119-126.

[7] 陳燕麗，莫偉華，莫建飛，等.基于面向?qū)ο蠓诸惖哪戏剿痉N植面積提取方法[J].遙感技術(shù)與應(yīng)用，2011，26（4）：163-168.

[8] 2015年中國(guó)統(tǒng)計(jì)年鑒.農(nóng)作物播種面積-主要農(nóng)作物產(chǎn)品產(chǎn)量[EB/OL].http：//www.stats.gov.cn/tjsj/ndsj/2015/indexch.htm.

[9] 劉珍環(huán)，李正國(guó)，唐鵬欽，等.近30年中國(guó)水稻種植區(qū)域與產(chǎn)量時(shí)空變化分析[J].地理學(xué)報(bào).2013，68（5）：680-693.

[10] 李衛(wèi)國(guó)，蔣楠.基于面向?qū)ο蠓诸惖亩←湻N植面積提取[J].麥類作物學(xué)報(bào)，2012，32（4）：701-705.

[11] 中國(guó)揚(yáng)州.自然地理 [EB/OL].http：//www.yangzhou.gov.cn/yzgk/lmtt.shtml.

[12] 中國(guó)資源衛(wèi)星應(yīng)用中心.高分一號(hào) [EB/OL].http：//www.cresd a.com/CN/Satell-ite/3076.shtml，2014-10-15，2016-03-15.

[13] 王昌滿，趙俊三.面向?qū)ο蟮倪b感影像水田信息提取方法研究[J].價(jià)值工程，2014（5）：206-208.

[14] 譚衢霖，劉正軍，沈偉.一種面向?qū)ο蟮倪b感影像多尺度分割方法[J].北京交通大學(xué)學(xué)報(bào).2007，31（4）：111-114.

Planting Information Extraction of Rice by Object-oriented Classification Method based on GF-1 Images

LIU Shaogui1,JI Zhonglin2,3,ZHANG Yueping1,LI Wenxi1,GAO Hui1,4,HAHN Tianwen1,4,CHEN Ming1,YAN Yi1,4,JIANG Yi1,4,WU Bing1,4,GONGXinxin1,4,ZHU Piao1,4,REN hongyan3*
（1Yangzhou Station of Farmland Quality Protection,Yangzhou,Jiangsu 225101,China;2Department of Cartography and Geographical Information System,College of Geographical Sciences,Fujian Normal University,Fuzhou 350007,China;3State Key Laboratory of Resource and Environmental Information System,Institute of Geographic Sciences and Natural Resources Research,Beijing 100101,China;4Yangzhou Diheng Technology Co.,Ltd,Yangzhou,Jiangsu 225002,China;1st author:shgl520@163.com;*Corresponding author:renhy@igsnrr.ac.cn）

Rice planting information extraction by remote sensing is an important part of agricultural remote sensing.GF-1 satellite WFV data provides a new way for agricultural information extraction,object-oriented classification method is an important method of remote sensing interpretation.This research takes Yangzhou as the research area,based on the GF-1 image data,uses the object-oriented classification method,extracts the rice planting information,and carries on the field investigation verification test result.The feasibility of GF-1 data oriented object classification in extracting rice planting information and the factors affecting extraction precision are discussed.The results showed that GF-1 data can be used to extract rice planting information in Yangzhou by object-oriented classification method.Rice planting area was 214 524 hm2in Yangzhou City,the overall accuracy of rice was 98.5%,Kappa coefficient was 0.95,area accuracy was 97.5%.Field investigation can improve the extraction accuracy.The degree of terrain fragmentation affects the extraction accuracy,with the decrease of terrain fragmentation,the extraction accuracy is increased.

GF-1;object-oriented classification;rice;planting information extraction

S127；TP79

A

1006-8082（2017）06-0043-04

2017-07-19

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFD0200301）；國(guó)家重大科技專項(xiàng)項(xiàng)目“新能源評(píng)估研究示范”（30-Y30B13-9003-14/16-04）；農(nóng)業(yè)部耕地質(zhì)量保護(hù)項(xiàng)目（農(nóng)財(cái)發(fā)[2016]35）