基于低空间分辨率遥感数据的水稻种植区域的研究

熊丽媛

【摘 要】利用遥感技术分析判断农作物生长状况是当前遥感技术研究的一个重要的方向，水稻作为我国主要的农作物，研究如何识别其种植区域具有一定的意义。首先分析了主流的两个识别水稻种植区域的方法，接着提出了LSWI表征算子和去云算法，在此基础上，根据2001-2010年150M的MODIS数据，逐年计算出了江苏省水稻种植面积，提取了2004、2009和2010年三个具有代表性的计算结果，并进行了分析，最后指出了的不足之处。所做工作具有一定理论意义，实用性较强。

【关键词】水稻；MODIS；LSWI；种植区域

水稻作为我国主要的农作物，其种植区域对于保证我国粮食产量有着重要的意义。国内外许多专家学者对如何利用遥感数据分辨水稻的种植和产出区域进行了研究。现在主要有两个研究方向：一是根据水稻田在育苗期、移栽期和成熟期的对地表覆盖特性不同的特点，通过比对不同时间点的低空间分辨率的遥感数据从而得出水稻田的区域；另一个是利用目视解译法等算法筛选分辨率更高的水稻抽穗时间段的遥感数据，从而得到水稻田的种植区域。两种方法各有利弊，目前常用的方法为第一种。

江苏省既是我国改革前沿阵地之一，也是我国水稻生产大省，特别是苏北地区，水稻种植密度和区域在全国是微距前列，堪称鱼米之乡。本文采用低空间分辨率遥感数据分析法，利用2001-2010年150M的MODIS数据资源，分析江苏省水稻种植区域。

1 地表植被表征参数选择与判定

1.1 植被表征参数的选择

由于植被与其他地表物的光谱不相同，可以利用红外和可见光的光谱数据判断是否是植被覆盖区域。

1.2 去云算法

本文所采用的数据是有NASA发布的MODIS数据，其已经经过了一定的图像处理，图像的质量较高，不过仍然存在云层的干扰。若直接计算，难免会对结算结果产生影响，不利于提取结果的准确性，所以，去云处理尤其关键。

本文利用MODIS数据相关的产品中QA（质量评估）波段提取数据中的云层信息。QA算法主要原理是根据多帧图像的信息进行比对，如果选取的多帧图像都收到云层干扰，则删除该段时间；如果仅仅有一部分数据帧受到影響，则保留有用信息；如都未受到影响，则将多帧的平均作为一定时期的元帧。

利用QA算子，计算2010年5月3日的云层信息，结果如1所示。

2 水稻种植区域的提取

江苏的地理环境决定了其种植的多样性，不容易将水稻和其它农作物区分开来。本文采用的提取方法是基于时间序列的，根据育苗期、移栽期和成熟期的对地表覆盖特性不同的特点进行提取的，如育苗期、移栽期稻田会被水所覆盖，而成熟期则基本上被水稻全部覆盖。根据这个特性，基于时间序列，能够很方便的提取出水稻的区域。

根据江苏省的水稻种植历史实际情况，结合遥感数据，经过模拟计算，判定水体覆盖期的提取算法为LSWI，EVK0.26，（LSWI+0.065）>EVI；判定成熟期的提取算法为（1）时间为水体覆盖期之后的64天（2）从水体覆盖期之后每8天为一个探测时间点，要求探测区域在一个时间点的EVI>0.35（3）根据江苏省的水稻种植习惯，划定全第146、154、162、170天为水稻的移栽时期。

如果符合以上提取条件，则可判定该区域为水稻种植区域。

3江苏省水稻种植区域提取结果

根据前文所陈述的计算方法，本文提取了2001-2010年级江苏省的水稻种植分布图，2004、2009和2010年计算结果如图2所示。

从图2可以发现，苏北是江苏水稻种植的主要地区，尤其是扬州、泰州、连玄港、盐城、宿迁、淮安等地区。从图中可以看出，江苏省的六个大型农场都被提取出来了，这表明提取的结果有较大的准确性。

但是，2009年和2004年的计算结果有较大的出入，这是因为不同的年份的气候条件不相同，水稻种植的区域也是变化的。2010年得出的数据并不理想，剖析原因，不难看出有以下两个原因：一是本文提出的算法是居于时间序列的，不同的气象条件，水稻的插苗时期和成熟时期就不一样；二是倘若数据含云量大，被剔除出去的帧数过多，那么势必会影响计算的结果。

4 结论

本文在充分的文献分析的基础上，提出了一种水稻种植区域判定的方法，并结合江苏省近几年的遥感数据进行了运算，验证了该方法的可行性。不过该算法仍不能实现保留数据的前提下去除云层数据的功能，而且本文算法是基于时间序列的，受提取数据的时间节点的影响较大。这些不足之处有待于在今后的工作中进一步研究解决。

【参考文献】

[1]Foody G M. Status of land cover classification accuracy assessment[J].Remotesensing of environment， 2012，80（1）：195-201.

[2]Xiao X， Boles S， Frolking S， et al. Mapping paddy rice agriculture in South and Southeast Asia using mufti-temporal MODIS images[J].Remote Sensing of Environment，2015，100（1）：95-113.

[3]陈劲松，黄健熙，林辉，等.基于遥感信息和作物生长模型同化的水稻估产方法研究[J].中国科学：信息科学，2014 40：173-183.

[4]陈启浩，高伟，刘修国.辅以纹理特征的高分辨率遥感影像分类[J].测绘科学，2013， 33（1）：88-90.

[5]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区域提取方法[J].遥感技术与应用，2011，26（2）：163-168.

[责任编辑：朱丽娜]