基于多时相高分一号影像水稻监测精度评价与修正——以德阳地区为例

李章成，王 昕，李宗南，任国业

(1.四川省农业科学院遥感应用研究所,四川 成都 610066；2.农业部遥感应用中心成都分中心,四川 成都 610066)

基于多时相高分一号影像水稻监测精度评价与修正
——以德阳地区为例

李章成1,2，王 昕1,2，李宗南1,2，任国业1,2

(1.四川省农业科学院遥感应用研究所,四川 成都 610066；2.农业部遥感应用中心成都分中心,四川 成都 610066)

以2014年四川省德阳地区为研究区域，建立10个(500 m×500 m)样方作为训练区，同时期建立水稻验证点。提取2个时相高分一号的NDVI值，分析其变化特征，确定阈值；利用数字高程图(DEM)及坡度图，采用决策树分类方法，进行水稻遥感监测。以水稻地块样点作验证，评价高分一号数据在水稻识别方面的精度，最后利用样方测算的修正系数对遥感监测面积进行修正。结果表明，在类似德阳地块比较破碎的平原和丘陵区域，高分一号影像遥感识别水稻的用户精度可达92.3 %，制图精度可达96.5 %。以78 %系数乘积修正该区域水稻遥感监测面积，得到更为准确的水稻播种面积。高分一号影像作为全新的高空间分辨率遥感数据，在水稻监测方面，可作为一种可靠的、免费的遥感影像替代源在更大区域中探讨使用。

高分一号；遥感；决策树分类；数字高程图

高分一号卫星开启了我国高分辨率对地观测系统工程的全面建设[1],其 8 m 多光谱高分辨率相机图像观测幅宽达 60 km 以上，4 台分辨率为 16 m 的多光谱中分辨率宽幅相机图像观测幅宽达 800 km 以上。作为全新的高空间分辨率遥感影像，秦绪文,郭会敏[2-3]分别在高分一号数据预处理正射纠正、数据融合等方面做了深入研究；李艳华[4]利用高分一号，基于规则的面向对象方法，实现了对山区细小水体精确化提取，总体精度在90 %以上，Kappa系数在85 %以上；路云阁[5]利用高分一号监测矿山资源及成果制图方面做了研究；朱利[6]利用高分一号宽幅WFV数据，结合HJ-A CCD对太湖水质进行了遥感监测，研究结果表明了2种数据对水质参数的反演结果具有一致性，可有效反映叶绿素a浓度、悬浮物浓度、透明度和富营养化指数的空间变化规律。

作为重要粮食作物的水稻，其种植面积、分布及变化一直广受关注。李志鹏[7]等在利用遥感进行水稻面积空间分布提取中涉及的数据源、特征量和分类方法进行了归纳总结。众多学者[8-12]对遥感监测水稻的机理进行了深入探讨。遥感平台的多样化使遥感监测获取水稻长势与面积可使用数据源[13-15]更为灵活。由于水稻生育期比较长，不同生育期在遥感影像上体现出不同的光谱特征，王琳[16]等利用多时相中低分辨率MODIS遥感影像对江苏省级区域的水稻面积识别及其精度进行了研究评价。在田块比较破碎，种植结构复杂的区域，混合像元带来的“同物异谱”及“异物同谱”导致遥感监测水稻的准确度和精度降低。刘克宝[17]等利用高空间分辨率影像对作物种植结构进行了研究，提取部分线状及细小地物，获取扣除系数，修正遥感识别的水稻面积。西南地区水稻种植在雨热同季的多云雨时期，可用光学影像数据源非常欠缺，并且该区域田块非常破碎，种植结构比较复杂，中低分辨率遥感影像混合像元带来的问题更为严重，遥感识别水稻面积存在一定程度的夸大，降低了遥感监测的精度和准确度。高分一号数据作为全新的国产高空间分辨率数据源，在区域性水稻监测和产量估算仍是全新课题，其面积监测精度等方面有待深入研究。本文主要利用高分一号相邻时相中高空间分辨率GF1_PMS2(2014/08/05 8 m)和GF1_WFV1(2014/08/13 16 m) 影像，以ENVI5.1为平台，基于数字高程图(DEM)，分析该区域植被区域中的水稻、其它作物和林地的归一化植被指数(NDVI)变化特征，确定阈值，采用决策树分类方法，对该区域的水稻进行识别，以野外水稻地块调查样点为验证数据，评价高分一号影像在监测水稻方面的识别精度和准确度；利用修正系数进行遥感监测识别面积修订，获取该区域更为准确的水稻播种面积。

1 材料与方法

1.1 研究区域

影像覆盖区域及样点分布位于德阳市旌阳区、广汉市及罗江县大部，东经103°48′～105°12′，北纬30°31′～31°42′，属亚热带湿润季风区，气候温和，多云雨，为成都平原重要的产粮区。为获取影像重叠区域，影像纠正后利用行政区进行了裁剪处理，影像分别对应时期为灌浆期和蜡熟初期。

数字高程影像及生成的坡度影像用于判别水稻种植区域。

地面水稻样方资料，用于提取水稻及其它作物训练区，统计分析波谱及植被指数特征值；计算样方内田坎面积，获取田块系数，修正解译面积。

1.2 目标作物及生育期

水稻各生育期长势如图1(封三)，影像覆盖范围及水稻样方、验证点分布如图2(封三)。

1.3 数据预处理

影像数据预处理在ENVI5.1平台上完成，包括几何校正、辐射定标、暗像元法大气校正、图像裁剪等。校正后同点位坐标误差控制在0.5个像元内。高程数据在Arcgis10.2平台上完成，利用等高线生成DEM及坡度图SLOPE。

2 结果与分析

2.1 水稻NDVI特征分析

数据预处理后，通过波段运算获取归一化植被指数NDVI分布(图3，封三)。随机选取样方内水稻、其它作物地块和林地等植被区域，建立感兴趣区，统计获取NDVI特征值(表1)。

表1 影像提取NDVI的统计值

8月5日8 m高空间分辨率GF-PMS2影像，水稻和其它作物的NDVI最大值相接近，该时期水稻最小值为0.368， 直方图统计其它作物NDVI≤0.368的像元数达30 %，约70 %的重叠范围会导致分类时两者易混淆。直方图统计林地NDVI≥0.798的像元达到70 %，林地与水稻约30 %的重叠。NDVI分布显示，影像左边为平原区，中间为东北至西南走向的龙泉山脉，影像右边为丘陵区域，丘陵区林地比平原区亮度要明亮，植被指数稍高。

8月13日16 m中空间分辨率GF-WFV1影像，植被区域的NDVI都有增长趋势，林地略有增长，基本保持稳定；统计样方中水稻地块90 %像元NDVI≥0.526；其它作物NDVI均值及最大值与水稻非常接近，重叠范围大，两者在分类过程中易于混淆；林地NDVI的统计特征值与水稻有一定重叠，林地中NDVI≥0.722的像元数达到95 %。NDVI分布图整景区域亮度反差不大，比较均一，但比8月5号的明亮，NDVI值要高。

通过NDVI差值运算，统计出水稻等变化特征值(表1)。水稻NDVI平均增长幅度较大。林地NDVI变化幅度较小，比较稳定；其它作物可能由于种植模式变化较大，相比较而言，其增长幅度变化最大，标准差也表明变化差异程度很显著。

利用DEM生成坡度图(Slope)，按照0～2°，2°～4°，4°～6°，6°～8°，8°～10°，10°～15°，15°～25°，≥25°标准对坡度图进行图像重分类，分别赋值为1～8。

图4 决策树分类规则Fig.4 Decision tree classification rule

基于上述分析确定各类阈值，建立决策树分类规则(图4)，进行水稻分类及分类后处理，提取水稻遥感监测识别面积。

2.2 监测精度分析与评价

利用验证点水面15个、其它作物9个、养殖场6个、大棚花卉6个、大棚蔬菜6个等共42个，水稻113个)对决策树分类水稻结果进行精度分析与评价。

解译结果表明，作为非植被的水体容易识别；养殖场与一般房屋易混淆；其它作物由于地块面积相对较小，易与周边水稻混淆，分类后处理一般也合并为水稻；大棚花卉等地块比较容易识别，基本不会判别为水稻；林地与水稻能够较好区别，但丘陵地区混合像元仍然导致部分林地和水稻混淆；田间水渠和一般机耕道路不易识别，即使能够识别，在分类后处理时结果中合并为水稻。113个水稻验证点中109个落在分类影像水稻上，4个判别为非水稻区域；9个其它作物验证点全部判别或合并为水稻。若以验证点评价，在类似德阳地块比较破碎的平原和丘陵区域，利用高分一号影像遥感识别水稻的用户精度可达92.3 %(109/118)；制图精度可达96.5 %(109/113)。

表2 水稻样方地类面积构成及百分比

注：其他作物包括玉米、蔬菜等旱地作物，园地和居民点周边林盘等。

Note:Other crops including corn, vegetables and dry land crops, garden and residential areas.

2.3 遥感监测水稻面积修正

利用水稻样方分别统计出样方内各类地物面积(表2)。遥感监测水稻面积包括了未能识别的的田坎、机耕道与水渠等，约占5 %；还包括了易混淆的17 %的其它作物。因此，该区域水稻种植净面积需以78 %～95 %(若其它作物归结为水稻时取78 %；其它作物完全能识别时取95 %)的系数对遥感监测识别结果进行乘积修正。根据上述分类精度评价，以78 %系数修正该区域水稻遥感监测面积，从而获取净面积值。

3 结 论

利用多时相高分一号遥感影像及基于DEM提取的地理信息，采用决策树分类方法，对地块比较破碎的德阳地区进行了水稻遥感监测识别。结果表明高分一号影像遥感识别水稻的用户精度可达92.3 %；制图精度可达96.5 %。由于地块面积较小，耕地中种植的其它作物在分类后处理时基本归结为水稻，又遥感监测中无法识别机耕道与水渠等，遥感监测水稻面积误差较大。通过水稻样方得到遥感监测水稻面积乘积修正系数，从而获取真实水稻种植面积。高分一号影像在其他区域监测水稻或其他作物面积及修正系数，需要根据实际情况深入探讨研究获取。

[1]刘 斐.高分一号“高”在哪里?[J].太空探索,2013(6):10-11.

[2]秦绪文, 汪韬阳, 杜锦华, 等. 京津冀地区高分一号宽覆盖正射影像生成[J]. 地理空间信息,2014,12(5):119-122.

[3]郭会敏, 洪运富, 李 营, 等. 基于高分一号卫星影像的多种融合方法比较[J]. 地理与地理信息科学, 2015, 31(1):23-28.

[4]李艳华, 丁建丽, 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J].资源科学, 2015,37(2):408-416.

[5]路云阁,刘 采,王 娇. 基于国产卫星数据的矿山遥感监测一体化解决方案——以西藏自治区为例[J]. 国土资源遥感，2014,26(4):85-90.

[6]朱 利, 李云梅, 赵少华, 等. 基于GF-1 号卫星WFV 数据的太湖水质遥感监测[J]. 国土资源遥感，2015,27(1):113-120.

[7]李志鹏, 刘珍环, 李正国, 等. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划,2014,35(6):9-18.

[8]Pu R L, Gong Peng. Hyper Spectral Remote Sensing and Its Applications[J]. Beijing:Higher Education Press, 2000:127-131.

[9]Martin R D,Heilman J L. Spectral reflectance patterns of flooded rice[J].P.E.R.S.,1986,52(12):1885-1890.

[10]田国良,项月琴.遥感估算水稻产量:I.用光谱数据和陆地卫星图像估算水稻产量[J]. 环境遥感, 1989, 4(1):73-80.

[11]王人潮, 黄敬峰. 水稻遥感估产[M]. 北京:中国农业出版社,2002.

[12]王人潮, 王 珂, 沈掌泉, 等. 水稻单产遥感估测建模研究[J]. 遥感学报, 1998, 2(2):119-124.

[13]Le Toan T, Ribbes F, Wang, et al. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J].IEEE Transactions on Geoscience and Remote Sensing,1997(1):41-56.

[14]Shao Y, Liao J J, Wang C Z. Analysis of temporal radar backscatter of rice:A Comparison of SAR Observations with Modeling Results[J]. Can.J.Remote Sensing,2002,28(2):128-138.

[15]黄振国, 陈仲新, 刘芳清, 等. 利用SPOT5影像提取水稻种植面积的研究——以湖南株洲市为例[J].湖南农业大学学报(自然科学版),2013,39(2):137-140.

[16]王 琳, 景元书, 杨沈斌. 基于多时相遥感数据提取水稻种植面积的研究[J].中国农业资源与区划,2013,34(2):20-25.

[17]刘克宝, 刘述彬, 陆忠军, 等. 利用高空间分辨率遥感数据的农作物种植结构提取[J]. 中国农业资源与区划, 2014,35(1):21-26.

(责任编辑 陈 虹)

Classification Accuracy Evaluation and Rejustment of Monitoring Rice Planting Area By Multi-temporal GF-1 Satellite Image:Taken Deyang District as Example

LI Zhang-cheng1,2, WANG Xin1,2, LI Zong-nan1,2, REN Guo-ye1,2

(1.Institute of Remote Sensing Application,Sichuan Academy of Agricultural Sciences, Sichuan Chengdu 610066, China; 2.Chengdu Branch of Remote Sensing Application Center, Ministry of Agriculture, Sichuan Chengdu 610066, China)

Taken Deyang city in 2014 as studied area, 10 rice samples(500 m×500 m) were set up as training areas, meanwhile rice verification points were established during same period. Applied two adjacent periods multispectral high spatial resolution image (2014/8/05 8 m) and medium-low spatial resolution image (2014/8/13 16 m) of GF-1 with ENVI5.1 as platform, the changing characteristics were analyzed, and the thresholds ofNDVIwere determined. Based on digital elevation map (DEM) and slope map, the rice planting area with decision tree classification method was monitored. Using verification points to evaluate classification accuracy, the monitoring area by factors from the result of rice samples were corrected. The results showed that:similar to the plains and hilly regions in Deyang, based on digital elevation map (DEM) and two periods images information of GF-1 satellite images, the classification user accuracy could be up to 92.3 %, and producer accuracy to 96.5 %. As 78 % multiplication coefficient amended monitoring area, more accurate rice area was obtained. It was concluded that GF-1 satellite image as a new kind of high spatial resolution data, applied to monitor planting rice in Deyang,achieved higher classification accuracy, which could be used as a reliable and free of charge image source in the other regions.

GF-1 satellite image；Remote sensing；Decision tree classification；DEM

1001-4829(2016)10-2432-04

10.16213/j.cnki.scjas.2016.10.033

2015-11-10

四川省财政创新能力提升工程专项资金项目(2016G XTZ-012);四川高分农业遥感监测与评价技术研究与示范(GF13/15-311-007)

李章成(1974-)，男，湖北随州人，博士，主要从事农业遥感、作物信息、国土资源调查等方面的研究，028-84504163， E-mail: 945239461@qq.com。

S-03

A