利用高分一号影像提取水稻种植面积方法研究

丁春雨 马冠南 张晓娇 曹鸿鹏 李勇 谷金英 张磊

摘 要：利用遥感技术提取水稻种植面积，一直以来都是难点。利用高分1号卫星影像作为数据源，找到一种能快速、准确提取水稻种植面积的方法。通过对水稻成熟期遥感影像的光谱分析，根据水稻成熟期的“蓝移”现象，发现在蓝光和绿光波段光谱特征与其它地类差异明显，并通过波段运算，建立模型，增强了这种差异，使得水稻种植面积提取精度更高。利用东北地区独特的气候特点，把影响水稻种植面积提取的林地去除，利用该方法提取水稻种植面积精度达到93.5%。

关键词：水稻；高分1号；种植面积提取；植被指数；光谱特征

中图分类号：S25 文献标识码：A DOI：10.11974/nyyjs.20160431001

水稻是我国主要粮食作物之一，也是吉林省的三大作物之一，对准确提取水稻种植面积、对农业资源合理规划、估产、灾害监测与评估以及粮食安全具有重要意义。然而，由于水稻种植地域跨度广、地块分散、地形复杂等不良条件，利用遥感技术对水稻进行面积提取和动态监测，一直以来都是难点。

遥感技术的快速发展，特别是近年来越来越多的国内外高空间分辨率、高时间分辨率、高时空分辨率以及高光谱分辨率卫星的不断发射成功，为不同地域、不同自然地理条件以及不同需求等条件下的水稻面积提取提供了丰富的数据源，相关研究也因此活跃起来，总体上是沿着利用不同的遥感数据源，发展和改进现有模型和方法的方向发展。

到目前为止，应用于水稻面积提取的方法很多，主要有以下几种：植被指数法，它可以从不同时空分辨率的遥感影像上获得[1]，包括归一化植被指数（NDVI）、增强型植被指数（EVI）和地表水分指数（LSWI）以及归一化建筑指数（NDBI）[2]等，如张莉、吴文斌等利用EOS/MODIS EVI和LSWI数据对我国南方水稻进行识别[3]，以较高精度实现水稻种植面积的量测。苗翠翠等利用NDVI时间序列和作物物候期关键值的方法进行了江苏省水稻面积的提取[4]，提取精度约为88%；采用监督或非监督分类方法进行水稻的提取。如王福民、黄敬峰等根据地面调查GPS数据进行训练样本的选取，然后分别对原始合成影像和穗帽变换影像进行监督分类[5]，发现经过变换后进行监督分类比原始影像精度提高13.01%。方红亮以湖北省江陵县的水稻面积提取为例[6]，分别对2种方案进行了非监督分类试验，提取精度在84%以上；面向对象的分类，如陈燕丽等利用面向对象的方法对南方水稻种植面积进行提取[7]，总体精度达到96.31%；基于光谱信息的水稻种植面积提取[8]，如王力凡、潘剑君利用水稻成熟期的影像，在进行光谱信息的统计和分析的基础上，利用将影像的蓝光、绿光、红光波段的值相加再除以NDVI值，扩大水稻与其他植被的差异性，提取精度达到91.95%。此外，还有决策树、神经网络等方法，这些分类方法各有优势，但也各有各的局限性，要么是空间分辨率很高，时间分辨率很低；要么是时间分辨率很高而空间分辨率很低，很难同时满足空间和时间上的需求。本文旨在利用具有较高时空分辨率的高分一号卫星影像作为数据源，通过对影像光谱特征的分析，找到一种能够快速、准确提取水稻种植面积的方法。

1 研究区概况

榆树市位于吉林省中北部，地处松辽平原腹地，在长春、吉林、哈尔滨3市构成的三角区中心，位于N 44°30′57″～45°15′02″，E126°01′44″～127°05′09″，地表水有松花江、卡岔河及拉林河，水资源较为丰富，处于世界著名的黄金玉米带上，盛产玉米、大豆、水稻、高粱，素有“粮豆之乡”、“松辽平原第一仓”的美誉，其中，水稻种植面积为71747hm2，占耕地总面积的18.5%，选取榆树市作为研究区具有一定的典型性。

2 数据来源及预处理

2.1 数据来源

高分1号卫星于2013年4月发射，它突破了高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术难题，多光谱相机含有近红外、红、绿、蓝4个波段，重访周期4d，其主要参数见表1。

遥感数据选用空间分辨率为16m的高分1号数据，该数据具有空间分辨率高，重访时间短以及多光谱的优点，非常适用于水稻的提取，但到目前为止，采用该数据进行水稻种植面积提取的研究还很少见。用于提取水稻种植面积的遥感影像时间为2014年9月7日，同时在研究过程中发现，林地与水稻具有相似的光谱特征，会影响水稻种植面积的提取，因此选用2014年5月24日的影像数据作为辅助数据。

2.2 预处理

对遥感数据的预处理主要包括：数据定标、波谱响应函数、大气校正、几何校正。数据定标和波谱响应函数参数可以在中国资源卫星应用中心网站下载，大气校正利用ENVI5.1的Flaash大气校正模块，得到地表反射率数据；几何校正以精校正的landsat8影像为参考，利用ERDAS2014的自动几何校正功能，校正后的影像分辨率为16m×16m。

3 水稻种植面积提取方法

3.1 光谱分析与波段选择

根据陈维君的研究[9]，在水稻成熟期，会发生“蓝移”现象，水稻植被特性相对较弱，有利于区分其它植被。为了研究与发现水稻与其它地类在光谱特征上的差异，从而分析水稻种植面积提取的方法。本研究在影像上创建了6类（林地、水稻、旱地、水面和建筑或其它）感兴趣区域（ROI），每一类包括20个ROI，并对各地类在4个波段光谱的均值进行统计，统计结果如图1所示。

通过对比研究，可以发现，第3波段～第4波段，光谱特征及其变化趋势相似，不利于水稻种植面积提取；第2波段～第3波段，地类建筑或其它、水面和旱地光谱特征变化较小，而水稻和林地的光谱特征变化相对较大，光谱特征差异较为明显，通过波段运算，可以将水稻、林地和其它地类区分开；第1波段～第2波段，与第2～第3波段具有相似的光谱特征，但光谱特征差异较第1波段～第2波段更为明显，因此选用第1波段和第2波段作为基本波段提取水稻，但林地和水稻光谱特征相近，影响水稻种植面积的提取，本研究选用同一地区2014年5月24日的影像提取林地，并利用其进行掩膜，从而达到提高精度的目的。

3.2 林地的提取

通过对2014年9月7日的影像光谱进行分析，发现林地具有与水稻相似的光谱特征，影响水稻提取。本研究利用2014年5月24日的影像提取林地，此时水稻、旱地以及其它作物和地类的NDVI值很低，而树木已经变绿，NDVI值相对较高，非常有利于林地的提取，林地提取效果如图3、图4所示。

3.3 相关指数的提取与分析

比值型指数创建的基本原理就是在多光谱波段内，寻找出所要研究地类的最强反射波段和最弱反射波段，将强者置于分子，弱者置于分母。通过比值运算，进一步扩大二者的差距，使感兴趣的地物在所生成的指数影像上得到最大亮度增强，而其背景地物则受到普遍的抑制，从而达到突出感兴趣地物的目的[10]。根据第1波段～第2波段的光谱特征，本研究采用第1波段反射率数据（b1）和第2波段反射率数据（b2），对比b2/b1、（b2-b1）/b1和NDVI 3种指数，为计算方便，将3种指数扩大1万倍。利用处理后的林地图像，将3种指数中的林地像元去除。原始多光谱图像与指数图像如图5～8所示。

从图像上看，指数（b2-b1）/b1和b2/b1效果较好，达到了抑制背景地物，突出感兴趣地物的目的。为从数值上对其进行定量分析，本研究利用感兴趣区域对水稻和其它地类进行统计，对水稻最小值和其它地类最大值的统计结果如图9所示。

从图9可以看出，b2/b1、（b2-b1）/b1 2种指数的水稻最小值比其它地类最大值大，因此都可以用来提取水稻种植面积，但指数（b2-b1）/b1具有更好的效果。利用指数（b2-b1）/b1提取水稻并按榆树市边界剪裁，结果如图10、图11所示。

4 方法验证

根据吉林省统计局2015年的统计数据，2014年榆树市水稻种植面积为71747hm2，利用本文的提取方法，获得榆树市2014年水稻种植面积为67100hm2，提取精度为93.5%。

5 结果与讨论

本研究通过对原始影像的光谱特征进行分析，结合水稻在成熟期的“蓝移”现象，发现高分1号数据的第1波段和第2波段是水稻成熟期提取的最佳波段，但因为林地与水稻具有相似的光谱特征，因此要选择适当时间的影像对林地进行提取，并通过掩膜去除指数影像上的林地。通过对3种指数图像的分析和研究，指数b2/b1和（b2-b1）/b1都可用于水稻种植面积的提取，但（b2-b1）/b1效果更好。在遥感影像质量不佳（有云）的情况下，提取精度达到93.5%。在实际的应用中，有以下几点需要注意：

影像选择。选取关键水稻物候期的遥感影像获取水稻种植面积的精度更高[11]，本文中讨论的方法要选择成熟期的影像，而且尽量选取质量好、无云的影像。由于影像获取渠道的限制，本研究所选择图像的西南部和南部部分地区有薄云存在，虽然对水稻提取精度影响较小，但应尽量选取无云影像。

感兴趣区域（ROI）的选择要合理。在水稻ROI选取过程中一定要注意不要将林地像元错选为水稻的ROI，因为林地与水稻具有相似的光谱特征，会影响水稻种植面积的提取。因此，在选取ROI之前，要用提取出的林地将指数影像中的林地像元去除，减少误选林地像元的可能。

参考文献

[1] RP Singh，SR Oza，MR Pandya. Observing long-term changes in rice phenology using NOAA--AVHRR and DMSP--SSM/I satellite sensor measurements in Punjab， India[J].Current Science，2006，91（9）：1217-1221.

[2] Bridhikitti A，Overcamp T J. Estimation of Southeast Asian rice paddy areas with different ecosystems from moderate-resolution satellite imagery[J].Agricultrue， Ecosystems & Environment，2012，146（1）：113-120.

[3]张莉，吴文斌等.基于EOS/MODIS数据的南方水稻面积提取技术[J].中国农业资源与区划，2011，32（4）：39-44.

[4]苗翠翠，江南，彭世揆等.基于NDVI时序数据的水稻种植面积遥感监测分析——以江苏省为例[J].地球信息科学学报，2011，13（2）：273-280.

[5]王福民，黄敬峰，王秀珍.基于穗帽变换的TM影像水稻面积提取[J].水稻科学，2008，33（3）：297-301.

[6]方红亮.两种水稻种植面积遥感提取方案的分析[J].地理学报，1998，53（1）：58-65.

[7]陈燕丽，莫伟华，莫建飞等.基于面向对象分类的南方水稻种植面积提取方[J].遥感技术与应用，2011，2（26）：163-168.

[8]王力凡，潘建君.基于CBERS-02B卫星影像光谱信息的水稻种植面积提取方法——以南京市溧水县为例[J].南京农业大学学报，2013，36（1）：87-91.

[9]陈维君.水稻成熟度和收获时期高光谱监测[M].杭州：浙江大学，2006.

[10]徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005，9（5）：589-595.

[11]李志鹏，李正国，刘珍环等.基于中分辨TM数据的水稻提取方法对比研究[J].中国农业资源与区划，2014，35（1）：27-33.