基于多时相遥感影像的丘陵山区水田地类的自动提取

程晓亮

（芜湖市国土资源局, 安徽芜湖 241000）

基于多时相遥感影像的丘陵山区水田地类的自动提取

程晓亮

（芜湖市国土资源局, 安徽芜湖 241000）

为了从遥感影像上对丘陵山区的水田地类快速、准确的提取，以芜湖市南陵县为例，利用5月份的IRS-P6遥感影像和8月份TM遥感影像，分析水田和其背景地物的光谱特征，在ERDAS软件建立基于多源数据的提取模型，对TM影像中的水田地类进行自动提取。结果表明，该方法的总体提取效果较好，与人机交互解译相比，其精度达到92.7%。误判部分可以通过目视解译加以修正。

多时相;丘陵山区;水田;遥感提取;南陵县

0 引言

坚守18亿亩耕地保护红线是当前及今后国土资源管理部门的重要职责，当前国家正在开展永久性基本农田划定，保护耕地，特别是对耕地中水田的保护是耕地保护工作的重要内容。随着我国经济社会快速建设和城镇化进展加速推进，耕地，特别是水田的面积变化应引起各级政府高度重视。近年来，利用遥感技术和方法对水田面积进行估算在国内外已有研究。Moran M.S等人早期就基于遥感影像对水稻种植面积进行估计[1,2]；江南[3]等人在太湖平原以TM数据提取水稻种植面积的实验基础上，采用TM和NOAA综合利用的方法，在江苏省范围类，对水稻种植面积信息的提取进行研究。吴炳方[4]等人以江汉平原为主要试验区,采用TM遥感数据提取水稻种植面积作本底资料,然后用NOAA/AVHRR数据估计水稻种植面积与本底数据的变化趋势。吴健平[5]等人以航片作为定位资料,利用NOAA/AVHRR数据在模糊监督分类的基础上估算上海地区的水稻种植面积,具有较高的统计数量精度.杨晓华[6]等根据水稻生长期选择多时相影像，通过概率神经网络算法提取水稻种植面积。李长春[7]等人利用SPOT-5卫星影像数据，分析水稻和背景地物的光谱特征，利用植被特征波段NDVI作为新波段，选择简单决策树模型提取水稻信息。赖格英等人通过研究区数字地形模型辅助，利用NOAA/AVHRR遥感影像对浙江省丘陵地区进行水稻种植面积提取[8]。

目前的研究多基于高分辨率的遥感数据和水稻生长期间的多幅NOAA/AVHRR影像，多基于平原地区大面积水稻提取，对于基于中等分辨率的影像的水田地类的提取和基于丘陵山区的研究较少，本文以芜湖市南陵县为例，通过两期影像结合提取研究区的水田地类信息。

1 试验区及其数据

芜湖市南陵县位于安徽省东南部，地处北亚热带南缘。光照充足，雨量充沛，属于湿润型季风气候，是安徽省最大的水稻产区之一。南陵县南部丘陵山区主要分布有潜育型水稻土，存在与山丘低洼处或山冲中，该类型水稻土土温水温低，水肥、气热不协调，不适合种植双季稻，故南部区域多分布种植水田，北部多双季稻。

数据有：2 0 0 8年5月6日过境的I R S-P 6卫星遥感数据（B1,B2,B3,B4）和2007年7月26日过境的Landsat7卫星遥感数据(B2,B3,B4,B5), 实地调查GPS样点数据，2007年1∶1万土地利用类型图。影像经过几何校正、空间配准和辐射校正后，重采样为10m×10m分辨率。所有数据经过投影变换为albers投影。

2 水田地类提取原理及过程

本研究区域安徽长江丘陵山区，境内水田以水稻种植为主，对水田地类的提取即对水稻种植面积的提取。

2.1 水稻遥感影像特征分析

IRS-P6和Landsat卫星都属于被动遥感卫星，通过卫星传感器接受和记录地物反射电磁波来获取各类地物的信息，由于各类地物的结构、组成及物理、化学性质的差异导致太阳光的吸收和反射程度的不同。它们在卫星传感器上所记录的电磁波谱信息也各有不同。植被是遥感图像中反映最直接的信息是在可见光的绿波段有反射峰,在蓝光和红光波段有反射谷,在近红外至短波红外区域,由于叶片细胞和细胞间隙对电磁波的多重反射,使反射率迅速上升,形成一个高平台。不同植被在可见光波段内的反射率差异很小,在近红外和短波红外波段的差异比较明显。该地区利用TM遥感影像提取水田种植区域面临很大的问题。由于水田在8月初处于孕穗期，生长旺盛，其光谱特征与林地极为相识。用原始影像的个别波段或者是多个单波段数据分析对比提取水田有很大的困难。本研究利用水稻田的泡田期遥感影像（IRS-P6）结合南陵地区水田种植特点，采用多源数据结合的方法，建立提取模型。

2.2 水稻及背景地物的光谱特征分析

2.2.1 Landsat遥感影像光谱特征分析

Landsat TM影像记录时间为8月2日，在遥感影像成图期，试验区地物类型主要有水田、晚稻、旱地、水体、林地、居民点及道路，如图3所示。通过实地取水田样点和林地样点，统计各类地物光谱特征，如表1所示，将各类地物类型的平均亮度值作为试验区各类型地物波谱响应曲线，从图1可知，由于8月上旬水田处于孕穗期，生长旺盛，水田的光谱特征与林地光谱特征相近。

表1 Landsat TM 典型地物光谱特征统计表Table1 Statistics of spectral features of typical land features from Landsat TM

图1 Landsat TM影像典型地物光谱曲线Fig.1 Spectral curves of typical landmark for Landsat TM images

表2 IRS-P6影像的典型地物光谱特征统计表Table2 Statistics of spectral features of typical land features from IRS-P6 image

从图1看出，水田、林地和旱地的波谱特征十分接近。水体的波谱特征是：B1＞B2＞B3＞B4,居民点的波谱特征是：B1＜B2＜B3＜B4，而晚稻由于在绿光波段有反射峰。

用B3＞B2,且B3＜70,可以区分。

2.2.2 IRS-P6遥感影像光谱特征分析

本试验区地处长江安徽中南部，水稻种植处于水田与双季稻混种地带，IRS-P6影像反映的是试验区5月上旬农田种植情况，通过实地调查，卫星成像期，早稻处于移栽期，水田区域农田处于泡田期，如图4所示，北部属于双季稻产区，南部属于水田产区。在IRS-P6遥感影像上就每种地物类型取若干个既有典型性的样本点加以统计，如表2所示，将各类地物类型的平均亮度值作为试验区各类型地物波谱响应曲线，如图2所示，从中看出IRS-P6卫星影像能够清晰提供水稻种植区域信息，IRS-P6影像能够提供水稻种植区域分布，为从TM影像提取水田提供可能。

图2 IRS-P6影像的典型地物光谱曲线Fig.2 Spectral curves of typical land features from IRS-P6 image

从图2看出。水体地物通过波段B1＞B2＞B3＞B4加以区分，棉花和林地地物可以通过B3＞B2＞B1加以区分。居民点通过B1＞B4＞B3＞B2加以区分。泡田区在波段B1、B2、B上相差不明显，在B4波段上有很大的差异。以此能区分泡田区和油菜田。

2.3 水田信息的自动提取

由于提取目标地物与背景地物在灰度值的上差异不明显，从TM影像上单独提取水田存在一定的困难。本文结合试验区的早稻影像，通过实地调查得知试验区的种植习惯，水田的泡田期是在4月底5月初，还有部分油菜田在油菜收割之后也种植水田。在从TM影像上提取水田影像特征区域,记为区域Z，再用IRS-P6影像的波度特征从区域Z中提取符合水田的林地部分即可，通过反复实验，最终确定用以下的波度组合，在ERDAS软件中，通过建立如下提取模型，自动提取水田分布区域，提取效果如图5所示。

提取模型：T_B(3)＞ T_B(2), T_ B(3)＞ 95,I_B(3)＜120, I_B(3)＞ I_B(4)

(记IRS-P6影像为I影像，TM影像为T影像，T_B(i),i=1,2,3,4表示TM影像的波段，I_B(i)，i= 1,2,3,4，表示IRS-P6影像的波段。)

图3 IRS-P6影像Fig.3 IRS-P6 images

图4 Landsat TM影像Fig.4 Landsat TM images

图5 提取效果Fig.5 Extraction results

3 结果分析与讨论

采用目视判读与定量统计对提取结果进行精度评价，首先将提取结果和TM影像进行叠加，通过目视判读发现提取结果总体效果较满意。较好了区分了林地类型。在定量统计方面， 为了评价精度，随机选取16个样方。样方大小控制在2km×2km大小，采用人机交互解译，解译过程中参考IRS-P6早稻影像和地块类型矢量数据，保证解译精度。对人机交互解译结合和自动提取结果进行统计，如表3所示。

自动提取精度平均为92.75%，在对误判像元进行检验发现，误判主要有两种情况，一种是将部分林地误判为水田，由于该区域在IRS-P6影像上表现为粉红色（B4:B3:B2,RGB）而误判为油菜地，从而误判为水田；另一类是将部分水田误判为非提取目标，由于该部分在IRS-P6影像上不表现为典型类型，而实际在TM影像上表现为林地，其原因是种植情况的复杂性引起的。对于第一类误判可以通过人工目视解译加以除去，对于第二类误判需要进一步实地研究种植情况，对提取模型进行修正。

表3 人机交互解译和自动提取解译样方解译面积统计(单位：km2)Table3 Statistics of quadrat interpretation areas by man-computer interaction and automatic extraction interpretation (unit:km2)

[1]Moran M S, Inoue Y, Barnes E M.Opportunities and limitations for image-based remote sensing in precision crop management[J].Remote Sensing ofEnvironment,1997, (61):319～346.

[2]MacDonald R B, Hall F G.Global crop forecasting[J].Science, 1980,(208):670～679.

[3]江南,何隆华.种植面积估计的运行化遥感方法[J].遥感学报,1997,1(2):1～8.

[4]吴健平,杨星卫.用NOAA/AVHRR数据估算上海地区水稻种植面积[J].应用气象学报, 1996,7(2):190～194.

[5]杨晓华,黄敬峰.概率神经网络的水稻种植面积遥感信息提取研究[J].浙江大学学报(农业与生命科学版),2007,33(6):691～698

[6]郑长春,王秀珍,黄敬峰.基于特征波段的spot-5卫星影像水稻面积信息自动提取的方法研究[J].遥感技术与应用,2008,23(3):294～299.

[7]赖格英,杨星卫.南方丘陵地区水稻种植面积遥感信息提取的可行性分析[J].遥感技术与应用,1998,13(3):1～4.

AUTOMATIC EXTRACTION OF PADDY FIELDS IN HILLY AREAS BASED ON MULTI-TEMPORAL REMOTE SENSING IMAGE

CHENG Xiao-liang (Bureau of Land and Resources of Wuhu City, Wuhu,Anhui 241000, China)

In order to extract paddy fields in the hilly areas from remote sensing image in a rapid and accurate way, this paper took Nanling County of Wuhu City as an example analyzing spectral features of paddy fields and their background land features with IRS-P6 image of May and TM image of August, built a multivariate databased extraction model using software ERDAS and then automatically extracted paddy fields from TM image.The results showed that the extraction is good in general and has a precision up to 92.7% compared with mancomputer interaction interpretation, and the errors can be corrected by visual interpretation.

multi-temporal; hilly area; paddy field; remote sensing extraction; Nanling County

TP79;S282

：A

1005－6157(2015)04－0288－4

2015-03-10

程晓亮(1983-),男,安徽安庆人，硕士,工程师，现主要从事国土资源管理工作。