基于不同時(shí)相高分一號(hào)衛(wèi)星影像的水稻種植面積監(jiān)測(cè)研究

單捷+孫玲+于堃+毛良君+黃曉軍+王志明

摘要： 高分一號(hào)衛(wèi)星影像具有高空間分辨率和高時(shí)間分辨率的優(yōu)點(diǎn)。為了分析在水稻生育期內(nèi)不同時(shí)相的高分一號(hào)衛(wèi)星影像對(duì)水稻識(shí)別的影響，以江蘇省建湖縣為研究區(qū)域，選用2014年7月21日至2014年10月24日期間5景空間分辨率為16 m的高分一號(hào)衛(wèi)星影像，采用ISODATA分類與人工目視解譯相結(jié)合的方法分別提取各時(shí)相的水稻種植面積，并以地面實(shí)測(cè)GPS水稻樣方進(jìn)行精度驗(yàn)證，結(jié)果表明5個(gè)時(shí)相的水稻種植面積精度都在86%以上，10月15日精度達(dá)到最高，為90.391%，說(shuō)明利用高分一號(hào)衛(wèi)星影像可以用于監(jiān)測(cè)水稻種植面積且精度較高，在農(nóng)業(yè)遙感監(jiān)測(cè)領(lǐng)域中具有廣闊的應(yīng)用前景。

關(guān)鍵詞： 遙感監(jiān)測(cè)；高分一號(hào)衛(wèi)星；不同時(shí)相；水稻種植面積；江蘇省建湖縣

中圖分類號(hào)： S127 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）22-0229-04

水稻是僅次于小麥、玉米的世界第三大糧食作物，全世界水稻播種面積約占耕地面積的15%[1]。中國(guó)是世界上最大的水稻生產(chǎn)國(guó)和消費(fèi)國(guó)，水稻種植面積占全國(guó)糧食作物種植面積的30%[2]。因此，及時(shí)準(zhǔn)確地掌握水稻種植面積信息對(duì)于農(nóng)業(yè)和經(jīng)濟(jì)發(fā)展具有重要意義。

高分一號(hào)衛(wèi)星（簡(jiǎn)稱GF-1衛(wèi)星）是我國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)中為解決應(yīng)用急需和替代進(jìn)口而規(guī)劃的首發(fā)衛(wèi)星，于2013年4月26日成功發(fā)射升空。它突破了高空間分辨率、多光譜與寬覆蓋相結(jié)合的光學(xué)遙感等關(guān)鍵技術(shù)，在分辨率和幅寬的綜合指標(biāo)上達(dá)到了目前國(guó)內(nèi)外民用光學(xué)遙感衛(wèi)星的領(lǐng)先水平[3]。高分系列衛(wèi)星的發(fā)射在國(guó)土資源調(diào)查、災(zāi)害評(píng)估、環(huán)境監(jiān)測(cè)等領(lǐng)域發(fā)揮重大的經(jīng)濟(jì)和社會(huì)價(jià)值[4]，尤其在農(nóng)業(yè)領(lǐng)域?qū)?guó)家糧食安全、生態(tài)環(huán)境保護(hù)、農(nóng)業(yè)可持續(xù)發(fā)展具有重大意義。GF-1衛(wèi)星搭載了2臺(tái)2 m分辨率全色/8 m分辨率多光譜相機(jī)，4臺(tái)16 m分辨率多光譜相機(jī)，設(shè)計(jì)壽命5～8年，具體參數(shù)見表1。

GF-1衛(wèi)星自發(fā)射以來(lái)，提供了大量高空間分辨率的衛(wèi)星數(shù)據(jù)，成為眾多研究學(xué)者運(yùn)用多種方法進(jìn)行農(nóng)作物遙感識(shí)別的主要數(shù)據(jù)源。劉吉?jiǎng)P等[5]采用多時(shí)相迭代方法構(gòu)建 GF-1 數(shù)據(jù)的甘蔗提取特征向量決策樹模型，提取研究區(qū)甘蔗種植面積，得到較高的分類精度。劉國(guó)棟等利用多時(shí)相 GF-1 數(shù)據(jù)進(jìn)行多目標(biāo)農(nóng)作物的MPPS 抽樣， 從而推斷總體

農(nóng)作物的種植面積，精度高于90%[6]。王利民等采用4個(gè)時(shí)相的GF-1數(shù)據(jù)，以多尺度分割后的對(duì)象為基本分類單元，運(yùn)用分層決策樹分類的方法對(duì)冬小麥面積進(jìn)行提取，分類總體精度達(dá)到96.7%[7]。楊閆君等構(gòu)建GF-1數(shù)據(jù)的NDVI時(shí)間序列，并在此基礎(chǔ)上運(yùn)用多種分類方法對(duì)研究區(qū)作物進(jìn)行分類[8]。賀鵬等基于多時(shí)相GF-1數(shù)據(jù)序列構(gòu)建基于決策樹分層分類的主要作物遙感分類模型，提取研究區(qū)主要作物的空間種植信息，精度在97%以上[9]。Yang等基于兩景GF-1數(shù)據(jù)利用水稻分蘗期和抽穗期的NDVI和NDWI構(gòu)建了水稻信息提取模式，有效地提取出了研究區(qū)水稻信息[10]。

為了分析在水稻生育期內(nèi)不同時(shí)相的GF-1衛(wèi)星影像對(duì)水稻識(shí)別精度的影響，本研究以GF-1衛(wèi)星影像為數(shù)據(jù)源，以江蘇省建湖縣水稻為研究對(duì)象，選擇水稻生育期內(nèi)不同時(shí)期的GF-1影像，進(jìn)行不同時(shí)相的水稻種植面積提取，通過(guò)對(duì)提取的各時(shí)相水稻面積精度進(jìn)行分析，從而對(duì)GF-1衛(wèi)星影像的水稻面積監(jiān)測(cè)精度進(jìn)行評(píng)價(jià)。

1 研究區(qū)域概況

建湖縣位于江蘇省鹽城市中西部，33°16′～33°41′N，119°33′～120°05′E，東臨射陽(yáng)縣，南與鹽都區(qū)接鄰，西與寶應(yīng)、淮安、阜寧3縣（市）毗連，北與阜寧縣分界。建湖縣是國(guó)家商品糧基地縣，常年水稻面積占耕地面積85%左右，一季稻以“淮稻5號(hào)”為主，生長(zhǎng)期一般從5月下旬到10月下旬，同時(shí)期的其他作物有少量大豆、玉米、薯類和棉花。

2 研究方法

2.1 GF-1影像采集及預(yù)處理

以2014年GF-1衛(wèi)星空間分辨率為16 m的多光譜影像為數(shù)據(jù)源，由于華東地區(qū)在水稻生育期內(nèi)正值多云多雨季節(jié)，6—11月期間除7月21日、8月3日和10月3日影像上有少量云，10月15日、10月24日、11月13日和11月21日影無(wú)云影響外，其余影像云量太多，不宜使用。10月下旬后水稻陸續(xù)收割，因此選用7月21日、8月3日、10月3日、10月15日和10月24日的影像監(jiān)測(cè)水稻面積。

首先對(duì)各時(shí)相的GF-1衛(wèi)星影像進(jìn)行正射校正、大氣校正和幾何精校正，誤差控制在0.5個(gè)像元之內(nèi)，然后利用全國(guó)1 ∶ 25萬(wàn)行政區(qū)劃圖對(duì)建湖縣域影像進(jìn)行裁切和拼接。

2.2 地面觀測(cè)數(shù)據(jù)

驗(yàn)證樣方數(shù)量及位置的確定。本研究在建湖縣水稻種植區(qū)域內(nèi)選取5塊5 km×5 km的水稻驗(yàn)證（樣方分布見圖1），驗(yàn)證樣方選擇的原則兼顧作物空間分布與作物類型的均勻性。由于4號(hào)樣方臨近建湖縣邊界，所以該樣方邊界以建湖縣邊界為準(zhǔn)，樣方面積略小于25 km2。

驗(yàn)證樣方內(nèi)水稻面積的確定。利用亞米級(jí)的差分GPS在野外獲取樣方位置與主要作物范圍，建立水稻和其他地物解譯標(biāo)志，結(jié)合地面調(diào)查結(jié)果對(duì)2013年8月8日空間分辨率0.5 m的WorldView-1衛(wèi)星的全色立體影像與2014年10月3日空間分辨率為8 m的GF1-PMS影像融合，生成空間分辨率為0.5 m的多光譜影像進(jìn)行目視解譯得到每塊樣方內(nèi)水稻種植面積并進(jìn)行實(shí)地驗(yàn)證和修正，最終得到驗(yàn)證樣方的水稻面積（圖2），并以此面積作為實(shí)際水稻面積對(duì)GF-1衛(wèi)星影像提取的水稻面積進(jìn)行精度驗(yàn)證。

2.4 水稻提取方法

由于非監(jiān)督分類方法不需要較多的先驗(yàn)知識(shí)，僅依靠影像上不同類地物光譜信息（或紋理信息）進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來(lái)達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)[11]，分類方法簡(jiǎn)單且分類過(guò)程快速。所以本研究采用非監(jiān)督分類與人工目視解譯相結(jié)合的人機(jī)交互方法對(duì)水稻進(jìn)行提取，即選擇非監(jiān)督分類方法中常用的ISODATA（iterative self-organizing data analysis technique）即迭代自組織數(shù)據(jù)分析計(jì)算算法分別對(duì)5個(gè)時(shí)相的GF-1衛(wèi)星影像進(jìn)行分類，結(jié)合各時(shí)相對(duì)應(yīng)的水稻解譯標(biāo)志在影像上判別出水稻，提取建湖縣水稻種植面積，在此基礎(chǔ)上再由解譯人員憑借光譜規(guī)律、地學(xué)規(guī)律和解譯經(jīng)驗(yàn)從影像的亮度、色調(diào)、位置、時(shí)間、紋理、結(jié)構(gòu)等特征進(jìn)行人工目視解譯修正，從而得到最終的水稻種植面積。endprint

2.5 精度驗(yàn)證

基于地面樣方數(shù)據(jù)驗(yàn)證是精度驗(yàn)證的主要手段之一，也是說(shuō)明分類結(jié)果準(zhǔn)確程度的指標(biāo)之一[12-14]。本研究選用基于地面樣方數(shù)據(jù)的精度驗(yàn)證方法對(duì)GF-1衛(wèi)星影像的水稻面積監(jiān)測(cè)精度進(jìn)行評(píng)價(jià)。由于本研究主要目的是為了測(cè)試GF-1衛(wèi)星影像對(duì)水稻的識(shí)別能力，評(píng)價(jià)GF-1衛(wèi)星影像在水稻面積監(jiān)測(cè)中的精度，所以只對(duì)提取出的水稻進(jìn)行精度評(píng)價(jià)而不涉及其他地物類型。

由表3可以看出，7月21日、8月3日、10月3日、10月15日和10月24日5個(gè)時(shí)相的水稻種植面積監(jiān)測(cè)平均精度都在86%以上，相差不大，且精度隨著水稻的生長(zhǎng)逐漸升高，7月21日的精度最低，為86.324%，在10月15日達(dá)到最高，為90.391%；5個(gè)時(shí)相的各樣方水稻種植面積監(jiān)測(cè)精度大多數(shù)集中在85%～98%，精度最高的是10月15日的5號(hào)樣方，精度為98.060%，精度90%以上的有15個(gè)，精度80%～90%的有4個(gè)，精度低于80%的有6個(gè)，分別是7月21日的5號(hào)樣方（精度為75.067%）、8月3日的1號(hào)樣方（精度為77307%）、10月3日的4號(hào)樣方（精度為78.690%）、10月15日的3號(hào)樣方（精度為74.068%）、10月24日的3號(hào)和4號(hào)樣方（精度分別為78.333%和76.639%）。

通過(guò)比對(duì)各時(shí)相GF-1衛(wèi)星影像和實(shí)地調(diào)查發(fā)現(xiàn)，造成上述精度低于80%的主要原因除了影像上有少量云層的干擾如8月3日的1號(hào)樣方和10月3日的4號(hào)樣方，水稻陸續(xù)收獲的影響如10月15日的3號(hào)樣方、10月24日的3號(hào)和4號(hào)樣方外，還有水稻在特定的生長(zhǎng)期內(nèi)同時(shí)具有植被和水體的光譜特征使水稻與水體發(fā)生了混分現(xiàn)象如7月21日的5號(hào)樣方。

另一方面，7月21日建湖水稻處于分蘗中期，由于種植方式不一樣，水稻苗大小參差不齊，水稻光譜特征受到水面或裸地的影響，水稻精度相對(duì)較低。8月3日水稻分蘗較前期旺盛，接近孕穗期，種植模式造成的差異逐漸縮小，水稻光譜特征趨于一致。10月上中旬水稻介于開花期與成熟期之間，水稻長(zhǎng)勢(shì)一致，前期種植方式以及移栽期差異的影響已經(jīng)不復(fù)存在，所以10月15日水稻精度達(dá)到最高。10月下旬受到水稻陸續(xù)收割的影響導(dǎo)致10月24日提取的水稻面積減小，降低了水稻精度。所以，若能排除影像云層的影響并在水稻收割前獲取影像，GF-1衛(wèi)星影像的水稻種植面積監(jiān)測(cè)精度還能得到提高。

4 結(jié)論

以GF-1衛(wèi)星影像為數(shù)據(jù)源，進(jìn)行不同時(shí)相的水稻種植面積提取，對(duì)水稻面積監(jiān)測(cè)精度進(jìn)行評(píng)價(jià)，結(jié)果表明：

（1）從選取的5景不同水稻生育期內(nèi)GF-1衛(wèi)星影像水稻種植面積監(jiān)測(cè)結(jié)果的精度分布來(lái)看，由于7月底和8月初的水稻光譜特征易受到水面或裸地的影響，水稻種植面積監(jiān)測(cè)精度在86%～89%；10月上中旬水稻介于開花期與成熟期之間，此時(shí)的GF-1影像能夠準(zhǔn)確地把水稻與其他地物區(qū)分開，所以水稻種植面積監(jiān)測(cè)精度達(dá)到最大的90.391%。因此基于建湖縣的水稻種植特點(diǎn)、種植模式以及所用的2014年 GF-1衛(wèi)星影像的特點(diǎn)，10月上中旬是GF-1衛(wèi)星影像識(shí)別建湖縣水稻的最佳時(shí)相。

（2）由于本研究是分別單獨(dú)對(duì)不同時(shí)相的水稻種植面積進(jìn)行提取，若是在以后的研究中能在綜合利用多時(shí)相遙感影像的基礎(chǔ)上，結(jié)合農(nóng)作物物候期等多種信息，對(duì)不同時(shí)期的水稻光譜信息進(jìn)行綜合分析，并利用決策樹、支持向量機(jī)等其他監(jiān)督分類方法進(jìn)行水稻種植面積的提取，精度會(huì)達(dá)到更高。

（3）GF-1衛(wèi)星影像空間分辨率高、重訪周期短、成本低、獲取方便，是農(nóng)作物種植面積遙感監(jiān)測(cè)的良好數(shù)據(jù)源。因此利用GF-1衛(wèi)星影像夠準(zhǔn)確監(jiān)測(cè)縣級(jí)尺度水稻種植面積，能實(shí)現(xiàn)對(duì)中小區(qū)域尺度農(nóng)情信息的快速獲取，為縣級(jí)農(nóng)業(yè)生產(chǎn)管理部門提供及時(shí)準(zhǔn)確的農(nóng)情遙感監(jiān)測(cè)信息。

參考文獻(xiàn)：

[1] 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（4）：480-492.

[2]鄧長(zhǎng)春. 水稻種植面積遙感信息提取研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2008.

[3]劉 斐，呂大星. 我國(guó)成功發(fā)射高分一號(hào)衛(wèi)星[J]. 中國(guó)航天，2013（5）：10-13.

[4]邱學(xué)雷. 高分一號(hào)衛(wèi)星工程首批影像圖發(fā)布將為國(guó)土、環(huán)境、農(nóng)業(yè)等領(lǐng)域提供精準(zhǔn)服務(wù)[J]. 國(guó)防科技工業(yè)，2013（6）：14-16.

[5]劉吉?jiǎng)P，鐘仕全，徐 雅，等. 基于多時(shí)相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J]. 廣東農(nóng)業(yè)科學(xué)，2014，41（18）：149-154.

[6]劉國(guó)棟，鄔明權(quán)，牛 錚，等. 基于GF-1衛(wèi)星數(shù)據(jù)的農(nóng)作物種植面積遙感抽樣調(diào)查方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：160-166.

[7]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

[8]楊閆君，占玉林，田慶久，等. 基于GF-1/WFVNDVI時(shí)間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（11）：155-161.

[9]賀 鵬，徐新剛，張寶雷，等. 基于多時(shí)相GF-1遙感影像的作物分類提取[J]. 河南農(nóng)業(yè)科學(xué)，2016，45（1）：152-159.

[10] Yang Y，Huang Y，Tian Q，et al.The Extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis，2015，35（11）：3255-3261.

[11]梅安新. 遙感導(dǎo)論[M]. 北京：高等教育出版社，2001.

[12]甘甫平，王潤(rùn)生，王永江，等. 基于遙感技術(shù)的土地利用與土地覆蓋的分類方法[J]. 國(guó)土資源遙感，1999，42（4）：39-44.

[13]Anssen L L F，Vanderwel F J M. Accuracy assessment of satellite-derived land-cover data：a review[J]. Photogrammetric Engineering and Remote Sensing，1994，60（4）：419-426.

[14]Kalkhan M A，Reich R M. Assessing the accuracy of landsat themeatic mapper classification using double sampling[J]. International Journal of Remote Sensing，1998，19（11）：2049-2060.endprint