基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

刘 佳，王利民，姚保民，杨福刚，杨玲波，王小龙，曹怀堂

·农业信息与电气技术·

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

刘 佳，王利民※，姚保民，杨福刚，杨玲波，王小龙，曹怀堂

（中国农业科学院农业资源与农业区划研究所，北京 100081）

为客观获取宁夏水稻面积空间分布信息，也为区域农作物遥感监测奠定技术基础，该文以宁夏回族自治区为研究区域，选择美国LandSat-8携带的陆地成像仪（operational land imager，OLI）数据，采用2016年3月11日－7月01日间的15景影像，基于水稻田耕地与水体特征反射率随着季节变化规律的分析，采用归一化植被指数（normalized difference vegetation index，NDVI）、近红外波段反射率（infrared reflectance，IR）、短波指数（short waved index，SWI）3个指数，以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数，共6个指数为基础进行决策分类树构建，对全区水稻进行识别与提取，采用该区水稻面积本底遥感调查结果进行精度验证，水稻种植面积提取误差仅−4.22%，Kappa系数为0.83，水稻空间分布的用户分类精度分别为85.11%，制图精度为81.67%；同时与监督分类方法提取的水稻面积进行对比，该文方法提取水稻的用户精度提高了8.13个百分点，制图精度更是提高了20.01个百分点。研究结果表明，利用中高分辨率的OLI遥感时间序列卫星影像，在大宗农作物时间序列的变化规律分析基础上，构建分类决策树，可以准确地提取大宗农作物种植面积，是区域农作物面积遥感监测业务运行中具有潜力的方法。

遥感；作物；识别；LandSat-8；OLI；多时相；宁夏；水稻；面积

刘 佳，王利民，姚保民，杨福刚，杨玲波，王小龙，曹怀堂. 基于多时相OLI数据的宁夏大尺度水稻面积遥感估算[J].农业工程学报，2017，33(15)：200－209. doi：10.11975/j.issn.1002-6819.2017.15.026 http://www.tcsae.org

Liu Jia, Wang Limin, Yao Baomin, Yang Fugang, Yang Lingbo, Wang Xiaolong, Cao Huaitang. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 200－209. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.15.026 http://www.tcsae.org

0 引 言

作为中国第2大作物类型，水稻种植面积数量与空间分布的信息获取是中国农作物种植结构调整的主要依据。遥感技术具有客观性强，获取范围广的特点，已经逐渐成为水稻种植面积信息获取的主要方式。水稻遥感监测的基本原理是，随着水稻的生长发育，会出现水体特征为主、水体与作物特征并存、作物特征为主的变化特点，通过遥感数据对这些信息的及时获取，可以将水稻与其他地物类型特征差异最大化，从而实现水稻类别的准确识别。与常规的农作物遥感分类技术类似，ISOData、最大似然、随机森林、决策树等分类方法都有不同程度的应用[1]。除了反射率、归一化植被指数（normalized difference vegetation index，NDVI）、增强植被指数（enhanced vegetation index，EVI）、归一化差异雪指数（normalized difference vegetation index，NDSI）等常用的遥感指数作为输入数据源外，归一化水指数（normalized difference water index，NDWI）、地表水分指数（land surface water index，LSWI）、地表温度（land surface temperature，LST）等与水体识别密切相关的指数也得到了特别的关注。

在国际上，单独使用可见光数据、单独使用雷达数据、或者二者联合使用是水稻遥感监测的3种主要方式。在使用可见光遥感数据进行水稻类型识别与面积提取的研究中，以LandSat-TM/ETM+/OLI[2]、HJ1A/B-CCD[3-4]、SPOT-VGT[5]、EOS/MODIS[6-7]等中低遥感数据源居多，这些研究一般都能达到较高的精度。如Ali等[8]利用Landsat 8/OLI数据对伊朗中部Isfahan省的Najaf-Abad灌溉单元的监测结果表明，包括水稻、蔬菜、苜蓿、乔木及温室大棚在内的夏季农田地物类型总体识别精度达到了92.36%，水稻的用户和生产者精度分别为92.2%和95.6%，Kappa系数为0.90。Elshorbagy等[9]利用长时序MODIS地表反射率产品数据，构建NDVI、EVI、LSWI指数综合进行埃及三角洲水稻面积制图，2008年、2009年、2010年的监测结果与统计结果相对误差分别为12%、15%、10%。针对种植结构破碎地区，采用混合像元分解方法提高低分辨率遥感遥感数据识别精度的研究也多有涉及，如Zhang等[10]在利用HJ-1A/B CCD数据进行湖南省水稻纯像元和混合像元识别基础上，基于NDVI分量对水稻混合像元进行了分解，在县域尺度上监测总体精度达到了83.17%，相较于纯象元分析方法精度提高了12%。Chen等[11]利用TM数据和GPS调查水稻样方数据模拟低分辨率数据，使用软分类BP神经网络方法，对中国南方水稻面积进行提取，结果表明该方法可以显著提高水稻种植面积分类精度和亚像元级面积估计精度。

由于能够避免云覆盖的影响，多时相、多极化方式的雷达或者微波数据在水稻面积识别中得到了普遍应用[12]。Kei等[13]采用2014年4月16日－7月28日的5景Radarsat-2宽幅精细聚束模式数据对日本东北部的Yamagata地区水稻进行了监测，VH极化方式水稻生产者和用户精度均为83%，VV极化方式则分别为0.73和0.76，VH极化方式较VV极化方式具有更高的精度。Panigrahy等[14]采用3个时相C波段RadarSat-1数据对孟加拉国的Aman地区的水稻种植区域进行了识别，水稻提取面积与统计面积偏差为5%。出于弥补雷达数据价格昂贵造成的使用限制，雷达数据与光学数据的综合应用也是水稻种植识别中的一个主要方式[15-18]，与单独数据源使用相比较，数据的综合应用对作物面积识别精度具有不同程度的提升作用。如Villa等[19]在意大利北部的Pavia地区，基于2013年和2014年4月18日－7月23日的13景COSMO/SAR数据和14景LandSat/OLI数据，采用决策树的方法提取了玉米、水稻、大豆、冬季作物、双季作物、人工草地和林地等作物类型，2个年度作物早期识别精度分别为95.4%和90.3%，SAR数据对光学遥感数据提升能力最高可以达到19.7%以上。

在国内，已有较多的学者对基于EOS/MODIS、LandSat系列、HJ或者GF系列等中高分辨率遥感数据的水稻识别进行研究，研究方向集中在非监督分类[20-11]、决策树方法[22-23]、时空融合模型[24]、神经元网络和面向对象[25-26]等方法的识别能力与精度上。而由于高分辨率多时相数据较难获取，因此多使用了混合像元分解技术[27-29]及融合技术[30-31]等辅助进行面积提取。此外，也有少量利用雷达数据进行水稻面积提取的研究报道[32]，如汪小钦等[33]利用ENVISAT ASAR双极化数据，进行主成分变换和面向对象分类，获取2004年福州地区早稻面积，水稻提取精度83.3%。

综上，水稻种植面积遥感监测研究主要有2个方面：1）基于不同数据源不同时相条件下水稻的遥感识别能力研究；2）基于不同分类方法水稻识别能力和精度的比较研究。国外的研究侧重于第1方面，而国内的研究则侧重于第2方面。总的来看，数据源充分保障条件下最优方法、最高精度的研究较多，基于有限时相OLI数据的区域性应用研究尚不多见。该文选择宁夏回族自治区作为研究区域，以区域内水稻面积为农作物提取目标，基于水稻生长早期的陆地成像仪（operational land imager，OLI）影像为遥感数据源，针对水稻生育期内水体、作物2个特征转换过程中NDVI和近红外特征表达的突出特点，进行多景、多时相数据区域水稻识别，以期为大尺度农作物面积遥感监测提供依据。

1 研究区概况

选择宁夏回族自治区作为研究区域，其地理位置为35°14′N～39°23′N、104°17′E～107°39′E，面积6.64万km²。地貌大体可以分为黄土高原、鄂尔多斯台地和洪积冲积平原，以及六盘山、罗山、贺兰山南北中三段山地，地形南北狭长，地势南高北低，西部高差较大，东部起伏较缓，平均海拔1 000 m以上。该区居西北内陆高原，属典型的大陆性半湿润半干旱气候，气温日差大，日照时间长，太阳辐射强。年平均气温5～9 ℃，1月平均气温在﹣8 ℃以下，极端低温在﹣22 ℃以下。雨季集中在夏季，降水量不大，年平均降水量166.9～647.3 mm，北少南多，差异明显，干旱山区年平均降水400 mm，引黄灌区年平均157 mm，各地年平均蒸发量1 312.0～2 204.0 mm。无霜期平均为105～163 d，年日照时数2 250～3 100 h，日照百分率50%～69%，是全国日照资源丰富地区之一。水稻是该区最为重要的作物类型之一，也是区域水分平衡中的敏感作物，约占全区农作物总播种面积的5.88%[34]。小麦、玉米、枸杞、瓜果和马铃薯等也是本区的主要作物类型。研究区在中国的具体位置如图1所示。

图1 研究区地理位置示意图Fig.1 Geographical location schematic of study area

2 数据获取与处理

2.1 遥感数据预处理

该文使用了Landsat-OLI为区域遥感监测数据源，该卫星于2013年2月11日发射，OLI是其携带的主要传感器，包括9个波段，分别是海岸/气溶胶（430～450 nm）、蓝（450～510 nm）、绿（530～590 nm）、红（640～670 nm）、近红（850～880 nm）、短波红外1（1 560～1 660 nm）、短波红外2（2 100～2 300 nm）、卷云波段（1 360～1 390 nm）、全色波段（500～680 nm），除全色波段分辨率为15 m外，其余波段的空间分辨率均为30 m。该文使用了除卷云波段和全色波段之外的其余7个波段。根据宁夏耕地分布状况，确定129/033、129/034和130/034 3景OLI影像进行水稻面积识别。考虑到水稻早期识别的需要，该文使用2016年3－7月的数据，这一时段3景影像覆盖范围能够获取的有效数据共有15景，详见表1。

表1 宁夏水稻面积识别OLI影像列表Table 1 List of OLI images of Ningxia rice area identification

数据预处理过程包括辐射定标、大气校正和几何精校正处理，全部过程使用ENVI5.0软件进行处理。辐射定标采用的公式如下：

式中LZ(λZ)为波段中心波长为λZ时，传感器入瞳处的光谱辐射亮度值，W/(m2·sr·μm)，Gain为定标斜率，DN为影像灰度值，Bias为定标截距，Gain及Bias都由卫星数据供应方提供，并可从影像自带的元数据文件中直接读取。大气校正采用ENVI/FLAASH模块进行，采用影像自带的投影及定位坐标系统。

2.2 遥感指数及合成

在几何与大气校正基础上，计算NDVI、近红外反射率（infrared reflectance，IR）短波波段指数（short waved index，SWI），以及衍生的多时相NDVI最大值（记作NDVImax）、多时相IR最小值（记作IRmin）、多时相SWI最小值（记作SWImin）指数。

式中Ref4～Ref7分别为第4～7波段的反射率，nm；i为参与计算的影像儒略日。为方便计算和存储，以上所有指数均扩大104倍并取整。

针对晴空、云阴影覆盖2种情况，这6个指数使用的优先级是有区别的。多时相NDVI最大值合成指数能够最大限度地去除云及阴影的影响，为简化起见，不区分晴空及云覆盖状况，直接使用合成值。针对IR和SWI数据，单时相晴空的IR和SWI数据优先级高于多时相IR和SWI最小值合成数据。这主要是由于IR或者SWI最小值合成虽然可以去除云的影响，但云阴影却与水体、灌水水田相混淆，夸大了水稻面积。根据NDVI最大值方法制作的研究区晴空合成图以及NDVI最大值合成图（为便于计算将NDVI值扩大104倍）如图2所示。

图2 研究区晴空影像合成图Fig.2 Sunny day synthetic images of study area

2.3 水稻本底数据获取

水稻本底调查采用2016年4月28日－8月9日4 m空间分辨的50景GF-2/PMS数据，通过人工目视解译的方式勾绘地块边界，并结合地面调查填图的方式获取，根据地面实测样方数据验证，水稻面积的提取精度达99%以上。GF-2卫星是中国高分对地观测系统的第2颗卫星，PMS是其携带的主要传感器之一，像元空间分辨率为4 m，包含蓝、绿、红与近红外4个谱段。基于GF-2/PMS识别的研究区水稻面积空间分布如图3所示，当年水稻面积91 910 hm2。

图3 研究区基于GF-2/PMS影像的水稻本底调查结果Fig.3 Rice background survey result based on GF-2/PMS images in study area

2.4 地物光谱类型及样本点特征的获取

按照光谱一致性的原则，将研究区分为水稻、疏林灌丛、旱地/林地、撂荒地、湿地/水体、其他6种地物类型。其中，水稻是指种植水稻作物的耕地；疏林灌丛主要是指以旱生灌丛、山地灰榆树林草原植被类型，主要分布在贺兰山东坡，或以斑块状分布于灌溉平原上；旱地/林地指除水稻以外的其他旱地作物，以及以乔木类型为主的林地；撂荒地是指1 a或多年生草本植物为主的植被类型，主要分布在山间盆地、丘陵缓坡、弃耕耕地上；湿地/水体则是指以常年有水覆盖的湿地类型，以及湖泊水库等水体；其他则是除去以上5种地类之外的其余地物，主要以裸沙地为主。

该文是基于不同时相OLI数据光谱差异，采用决策树方法进行的，决策树节点的阈值是根据样本点平均值结果得出的。样本点的选取方法是将研究区按照等距的原则划分为东西向20列、南北向20行的格网，每个格网的大小为东西向8 km、南北向10 km，共获得400个格网，在每个格网中目视选择水稻样本点。计算每景影像的NDVI、IR和SWI指数，进一步得到影像3－4月NDVI最大值、3－6月NDVI最大值、3－4月IR最小值及5－6月SWI最小值，并通过波谱分析进行决策节点阈值选择。

2.5 水稻物候期及光谱特点

研究区内水稻在5月上旬移栽，9月上旬成熟，9月中下旬收获。可以分为泡田、移栽（苗期）、拔节、孕穗、扬花、灌浆、成熟7个管理、发育时期，分别对应3月1日－4月20日、4月21－5月31日、6月1日－6月15日、6月16日－6月30日、7月1日－7月10日、7月11日－8月10日、8月10日－9月11日，历时150天左右。为保证水稻的正常发育，水稻全生育期内都需要保持10cm水体深度，水稻光谱在拔节期（即6月1日）以前具有明显的水体特点，从孕穗后期、扬花期开始以作物光谱反射特征为主。

该文重点是根据生长前期影像对水稻类型进行识别，将7月10日以前作为水稻生长前期。采用3月11日、4月12日、4月28日、5月30日、6月15日和 7月1日等6个时期的影像，对NDVI、IR和SWI 等3个指数的动态变化进行分析，为决策树构建提供波谱特征依据，3个指数随时间变化的趋势如图4a～图4c所示。

图4 研究区水稻等地物类型波谱季节变化Fig.4 Seasonal change in spectra of ground objects such as rice in study area

由图4a可见，其他地物的NDVI值在6个时期变化一直都很低，其他5种地物类型都具有植被特征，总能在某个时期达到比较高的值，可以作为其他地物与另外5种地物类型的识别特征；就另外5种带有植被属性的地物而言，疏林灌丛的NDVI值在4月份以前都远高于其他4种地物，可以作为与其他4种地物的识别依据。由图4b可见，旱地/林地的IR值在各个时期都很高，湿地/水体的IR值在各个时期都很低，选择其中不受云影响时期可以区分旱地/林地、湿地/水体2种地物类型。由图4c可见，水稻与撂荒地在4月28日以后差异开始变大，此后时相的合成可以作为区分两者的依据。通过以上6种地物类型波谱的概述，可以看出，采用波谱季相组合的方式具有将6种地物区分的可能。

3 研究方法

3.1 算法描述

算法主要分为3个层次：1）通过NDVI数据描述的作物生长状况对植被特征进行识别；2）通过近红外数据描述的水体特征识别植被中的水稻；3）通过NDVI、IR、SWI指数或衍生指数进行水稻精确识别。具体是按照波谱反应一致性的特点，将研究区地物类型分为水稻、疏林灌丛、旱地/林地、湿地/水体、撂荒地、其他6种地物类型，基于3－6月NDVI最大值识别植被特征，去除6种地物中的“其他”地物；采用5月中下旬、6月上中旬的IR数据的水体特征识别水稻，去除疏林灌丛、旱地/林地；再基于3、4月IR指数去除识别结果中的水稻，基于5、6月SWI值去除水稻种的撂荒地，获得精确的水稻种植空间分布结果。其中，涉及2个以上时相数据时，尽量选择1个时相的晴空数据，如果1个时相无法满足，则采用2个以上季相最小值合成，但云阴影的影响会造成精度的降低。在该文中，129/033景数据使用的是单时相数据，而129/034、130/034景数据使用了IR合成数据。

3.2 水稻识别过程

基于上述算法描述的原理，采用覆盖宁夏水稻种植区域的129/033、129/034、130/034 3景影像，基于决策树方法实现宁夏水稻识别。图5给出了具体的分类过程，节点阈值是在样本点初始阈值微调基础上实现的，关键节点阈值及识别类型简要说明如下。“其他”地物类型的识别：研究区内“其他”地物类型主要包括沙地植被、荒漠植被、城镇等类型，这些地物类型在3－6月NDVI最大值明显比其余5种地物类型偏低，阈值2 500以上为5种地物类型。疏林灌丛类型的识别：疏林灌丛在3－4月NDVI最大值明显高于水稻、旱地/林地、湿地/水体、撂荒地等地物，阈值3 000以上为疏林灌丛。旱地/林地的识别：旱地/林地在5－7月的IR值明显高于水稻、湿地/水体、撂荒地等类型，阈值2 500以上为旱地/林地地物类型。湿地/水体的识别：湿地/水体在3月上旬－4月下旬，植被没有或者刚开始发育的时期，水田因没有灌水而水体特征不明显，而湿地则有水存在而水体特征明显，这一期IR反射率较低，阈值1 000以下为湿地/水体，区分于与水田、撂荒地。撂荒地的识别：撂荒地在5，6月份 IR波段虽然与水稻易于混淆，但在短波谱段撂荒地反射率明显高于水体，即SWI值明显高于水稻类型，阈值1 800以上为撂荒地。基于上述过程能够获取水稻的空间分布，采用DEM 900 m为阈值，可以进一步去除山体植被中与水稻的混淆类型，提高识别精度。最后，对小于3个像元的细小图斑进行剔除，进行图斑聚类，最终得到水稻种植空间分布图。图5给出了该区水稻种植面积空间分布识别流程。

图5 基于OLI数据的宁夏水稻面积识别流程Fig.5 OLI data-based Ningxia rice area identification flowchart

3.3 精度验证

精度验证数据是基于4 m空间分辨率研究区水稻本底调查结果进行验证，采用数量与空间位置2种方式进行精度验证。数量验证主要采用研究区内各县水稻面积占全区总面积的比例进行说明，空间位置主要基于混淆矩阵、Kappa系数、总体分类精度、制图精度和用户精度5种方式进行分类精度的描述和比较，相关定义及详细表述可参照文献[35-37]，本文不再赘述。

4 结果与分析

4.1 与本底调查结果比较

自治区水稻全部分布在北部的黄河灌区，涉及银川、石嘴山、吴忠和中卫4个地区的11个区县（图6）。对水稻种植面积遥感提取结果进行分区县统计，结果如表2所示，表中的相对误差为决策树分类面积与本底调查调查面积的差值除以本底调查面积得到。表2中，平罗、贺兰、银川、青铜峡、灵武、沙坡头、利通、永宁、中宁、大武口和惠农县的水稻面积分别占全区总面积的27.71%、16.76%、13.69%、11.87%、9.93%、6.72%、5.34%、3.27%、2.24%、1.60%和0.87%。仅惠农县误差相差较大以外，其他县市空间分布结果与研究区内的本底调查情况基本相符，相对误差15%左右。基于OLI水稻种植面积88 030 hm2提取误差仅为−4.22%，表明该文方法对水稻种植面积提取能够达到较高的精度，具有应用的潜力。

图6 基于OLI数据的宁夏水稻面积空间分布Fig.6 OLI data-based Ningxia rice area spatial distribution

采用2016年宁夏区内水稻面积本底调查结果对基于决策树分类的不同影像的水稻种植空间分布进行精度验证，结果见表3。由于其他地类所占面积较大，基于全部影像的总体精度很高（98.95%），但并不能代表水稻的识别精度，因此主要从水稻的用户精度和制图精度对水稻提取结果精度进行说明。水稻的用户精度为85.11%，制图精度为81.67%，Kappa系数0.83，表明该方法数据需求满足程度高，并能够获得较高的精度，具有在业务监测中应用的价值。

表2 水稻种植面积遥感识别分区统计Table 2 Zoning statistics of rice planting area

表3 基于OLI影像的水稻面积遥感识别精度Table 3 Rice area remote sensing identification accuracy based on OLI images

129/033和129/034幅的10景影像覆盖范围较大且云量较少，而轨道号130/034的4景数据质量较差，云覆盖较多，提取的过程中按照云量设置了使用优先级，即129/033优先级最高，其次是129/034，最后为130/034，水稻面积在3景中分别占60.41%、32.88%和6.71%（表3）。各景精度不尽一致，129/033、129/034和130/034水稻用户精度分别为87.57%、83.53%、65.05%；制图精度分别为83.37%、78.39%、76.12%；Kappa系数分别为0.85、0.80、0.69。无论制图精度，还是用户精度，都随着影像云量增多而下降，其中130/034的用户精度最低为65.05%，由于该景水稻占比较小，因此对总体精度影响不大。

对比高分辨率的宁夏水稻面积本底调查结果，分析水稻漏分和错分的主要原因。对比发现，由于OLI空间分辨率较低，使得混合像元被错分为水稻或其他地类，导致水稻的用户精度和制图精度降低的主要因素，这也表明30 m分辨率卫星影像依然无法有效排除混合像元对作物提取的干扰，只有提高卫星影像分辨率或使用混合像元分解才能进一步提高水稻面积提取的精度。除混合像元情况之外，导致用户精度降低的因素主要是道路两侧的植被、以及部分湿地被错分为水稻；导致制图精度降低的主要因素是部分水稻地类被错误的划分为湿地/水体。

4.2 与监督分类方法比较

训练样本确定：制作覆盖研究区本底数据8 km× 10 km格网作为抽样基本单元，格网内的作物面积比例作为抽样参数，采用等概率原则进行地面样方抽样。覆盖研究区本底数据的网格单元共计400个，其中98个格网覆盖在本底上。分别在129/033、129/034、130/034影像范围内等概率提取10、7、7个网格作为监督分类的样方。

图7 监督分类训练样本选取示意图Fig.7 Sketch map of supervised classification training sample selection

监督分类及精度评价：采用基于最大似然分类器的监督分类方法分别对研究区 Landsat 8 OLI 影像进行作物面积识别，以2016年3－6月NDVI最大值合成影像、5－6月IR最小值合成影像、3－4月IR最小值合成影像和5－6月SWI最小值合成影像作为多时相影像进行面积识别。最后将分类结果与整个研究区的目视解译结果进行对比，得到精度评价结果（如表3所示），水稻的用户精度和制图精度分别为76.98%、61.66%，Kappa系数为0.64。通过与监督分类方法提取的水稻结果验证精度相比较，本文采用的以NDVI最大值、IR最小值和SWI最小值构建的决策树方法更具有优势，用户精度相比提高了8.13个百分点，制图精度更是提高了20.01个百分点。

5 结论与讨论

该文研究结果表明，基于在轨的可见光波段的数据，采用过程明确的决策树分类方法，能够完成地区、省级尺度上的水稻面积识别，水稻识别用户精度达到85.11%，制图精度达81.67%，相比监督分类方法，该文方法水稻用户精度提高了8.13个百分点，制图精度更是提高了20.01个百分点，能够满足区域水稻面积遥感监测的业务需要。准确把握水稻与其他作物区别的关键时期、有效去除云影响获取关键时期晴空遥感数据是区域水稻面积提取的2个主要方面。对比宁夏高分辨率水稻分布底图，发现影响OLI水稻面积提取精度的主要因素是混合像元，其次是水稻与湿地植被、道路两侧植被之间的混淆。

水稻与其他地物类型光谱最大差别的关键期选择。这个问题是与地物分类系统相关联的，准确的说，这个地物分类系统是以光谱反射率差异为指标的，而非传统的社会属性系统。该文将研究区内的地物系统分类为水稻、疏林灌丛、旱地（林地）、撂荒地、湿地（水体）、其他6种地物类型，就是根据水稻识别过程中分类光谱差异进行分类的。这样的分类系统优点很明显，能够避免异物同谱、同物异谱带来的标识困难的问题，避免了复杂的分类系统造成分类方案的复杂性。在光谱差异最大时期的选择，实际上覆盖了作物前期，说明水稻面积识别时相选择要覆盖前期的各个时期。选择的关键期有3个阶段，即3－4月作物未发育时期，与水稻水体特征容易混淆的湿地（水体）可以被明显识别，在作物生长旺盛期与耕地（水田、旱地）容易混淆的疏林灌丛也可以被识别；5月作物开始发育时期，水稻的水体特征最为明显，并且水田全部灌水，避免了水田的遗漏；6月作物生长旺盛时期，作物特征明显，可以排除5种地物类型以外的地物类型。关键期无云影像合成能够捕捉到水稻生长的关键时期，是区域水稻面积识别的前提。首先进行云检测，再进行指数合成，思路清晰简明，是比较传统的方法。但受限于云检测方法，云的污染彻底去除将会影响识别精度。采取指数合成的方法比较简便，但也需要对指数合成的方向性进行详细分析。该文使用NDVI最大值是得到诸多研究认可的，但使用近红外波段反射率最小值合成的方法受到阴影的影响，如何有效去除阴影影像，提高影像的利用效率仍需深入的研究。此外，更高的时间分辨率对于获取无云像元也是至关重要的，在实际的操作中，可以结合GF-1等高时间分辨率的卫星影像辅助进行水稻提取。

分类方法的普适性的问题，也是区域遥感监测业务中需要考虑的问题。首先是分区单元的问题，其次是卫星数据的适用性问题。在区域遥感监测业务中，通过数据拼接成为完整的行政单元再进行分类，在实际的监测业务中可行性很低。主要原因一是造成差异化的区域识别阈值难以应用，二是数据量过大造成的运行效率过低。解决上述问题的方式，一般是通过分块或者分区的方式进行的，对于类似于Landsat 8 OLI这样“景”单位一致的数据，在区域识别阈值通用的情况下，直接采用“景”单位更有利于提高效率；对于“景”单位不一致的情况，相对比较复杂，采用地形图格网或者公共区域的方式更为适用。在一个卫星上开发的算法是否能够应用到另一个卫星，波段设置一致性的问题尤为重要。该文研究中，湿地（水体）主要是依据3－4月的近红外波段反射率阈值去除的，撂荒地是根据5月份短波红外波段去除的。联系相关的卫星载荷可知，近红外波段是较为常见的波段，在国产GF卫星系列、国外Landsat 8系列中都具备，但是短波红外波段则仅在少数卫星上具备，结合以往研究经验，替代短波红外需要多时相的可见光波段数据替代。

[1] Mostafa K M, Quazi K H, Ehsan H C. Application of remote sensors in mapping rice area and forecasting its production: A review[J]. Sensors, 2015, 15(1): 769－791.

[2] Diuk-Wasser M A, Bagayoko M, Sogoba N, et al. Mapping rice field anopheline breeding habitats in Mali, West Africa, using Landsat ETM+ sensor data[J]. Int J Remote Sensing, 2004, 25(2): 359－376.

[3] Zhao Jinling, Xu Chao, Huang Linsheng, et al. Characterisation of spatial patterns of regional paddy rice with time series remotely sensed data[J]. Paddy Water Environ, 2016, 14(4): 439－449.

[4] Wang Jing, Huang Jingfeng, Zhang Kangyu, et al. Rice fields mapping in fragmented area using multi-temporal HJ-1A/B CCD images[J]. Remote Sensing, 2015, 7(4): 3467－3488.

[5] More Revati S, Manjunath K R, Jain Nayan K, et al. Derivation of rice crop calendar and evaluation of crop phenometrics and latitudinal relationship for major south and south-east Asian countries: A remote sensing approach[J]. Computers and Electronics in Agriculture, 2016, 127: 336－350.

[6] Wijesinghaa J S J, Deshapriyab N L, Samarakoon L. Rice crop monitoring and yield assessment with MODIS 250m gridded vegetation product: A case study in Sa Kaeo province, Thailand[C]. Berlin, Grmany: International Symposium on Remote Sensing of Environment, 2015.

[7] Zhang Geli, Xiao Xiangming, Dong Jinwei, et al. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106: 157－171.

[8] Ali Asgarian, Alireza Soffianian, Saeid Pourmanafi. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery[J]. Computers and Electronics in Agriculture, 2016, 127: 531－540.

[9] Elshorbagy A M, Imam E H, Nour M H. Rice area inter annual variation through a remote sensing based mapping algorithm[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2013, XL-7/W2: 81－85.

[10] Zhang Huanxue, Li Qiangzi, Fan Lei, et al. Research on rice acreage estimation in fragmented area based on decomposition of mixed pixels[J]. International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, 2015, XL-7/W3(7): 133－139.

[11] Chen L. Assessment of a fully soft classification approach using back propagation neural network in estimating of rice growing area[J]. Proc Spie, 2011, 7752(1): 116－116.

[12] Inoue Y, Kurosu T, Maeno H, et al. Season-long daily measurements of multifrequency (Ka, Ku, X, C, and L) and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J]. Remote Sensing Environment, 2002, 81(2): 194－204.

[13] Kei Oyoshi, Nobuhiro Tomiyama, Toshio Okumura, et al. Mapping rice-planted areas using time-series synthetic aperture radar data for the Asia-RiCE activity[J]. Paddy Water Environ, 2016, 14(4): 463－472.

[14] Panigrahy S, Jain V, Patnaik C. Identification of rice crop in Bangladesh using temporal C-Band SAR: A feasibility study[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(4): 599－606.

[15] Haldar D, Patnaik C. Synergistic use of multi-temporal radarsat SAR and AWiFS data for rabi, rice identification[J]. Journal of the Indian Society of Remote Sensing, 2010, 38(1): 153－160.

[16] Asilo S, De Bie K, Skidmore A, et al. Complementarity of two rice mapping approaches: Characterizing strata mapped by hypertemporal MODIS and rice paddy identification using multitemporal SAR[J]. Remote Sensing, 2014, 6(12): 12789－12814.

[17] Karila K, Nevalainen O, Krooks A, et al. Monitoring changes in rice cultivated area from SAR and optical satellite images in Ben Tre and Tra Vinh Provinces in Mekong Delta, Vietnam[J]. Remote Sensing, 2014, 6(5): 4090－4108.

[18] Christoph Hüt, Wolfgang Koppe, Yuxin Miao, et al. Best accuracy land use/land cover (LULC) classification to derive crop types using multitemporal, multisensor, and multi-polarization SAR satellite images[J]. Remote sensing, 2016, 8(8): 684.

[19] Villa P, Stroppiana D, Fontanelli G, et al. In-season mapping of crop type with optical and X-band SAR data: A classification tree approach using synoptic seasonal features[J]. Remote Sensing, 2015, 7(10): 12859－12886.

[20] 肖骁，张英，翟亮，等．单双季水稻遥感识别方法[J]．遥感信息，2016，31(3)：45－50.

Xiao Xiao, Zhang Ying, Zhai Liang, et al. Identification of single-cropped and double-cropped paddy rice based on MODIS data[J]. Remote Sensing Information, 2016, 31(3): 45－50. (in Chinese with English abstract)

[21] 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：以湖南株洲市区为例[J]. 湖南农业大学学报：自然科学版，2013，39(2)：137－140.

Huang Zhenguo, Chen Zhongxin, Liu Fangqing, et al. Mapping rice planting area using SPOT5 imagery: Taking Zhuzhou, Hunan as an example[J]. Journal of Hunan Agricultural University Natural Sciences, 2013, 39(2): 137－140. (in Chinese with English abstract)

[22] 李根，景元书，王琳，等. 基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取[J]. 大气科学学报，2014，37(1)：119－126.

Li Gen, Jing Yuanshu, Wang Lin, et al. Extraction of paddy planting areas based on MODIS vegetation index time series and linear spectral mixture model[J]. Transactions of Atmospheric Sciences, 2014, 37(1): 119－126. (in Chinese with English abstract)

[23] 易沵泺，卓莉，叶涛，等. 决策回归树提取水稻面积的关键特征波段[J]. 遥感信息，2015，30(3)：80－84.

Yi Miluo, Zhuo Li, Ye Tao, et al. Key input features in CART decision tree for paddy rice discrimination[J]. Remote Sensing Information, 2015, 30(3): 80－84. (in Chinese with English abstract)

[24] 孙佩军，张锦水，潘耀忠，等. 构建时空融合模型进行水稻遥感识别[J]. 遥感学报，2015，20(2)：328－343.

Sun Peijun, Zhang Jinshui, Pan Yaozhong, et al. Temporal-spatial-fusion model for area extraction of paddy rice using multi-temporal remote sensing images[J]. Journal of Remote Sensing, 2015, 20(2): 328－343. (in Chinese with English abstract)

[25] 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.

Li Zhipeng, Li Zhengguo, Liu Zhenhuan, et al. Contrasting tow classification methods in mapping paddy rice using the mid-resolution TM image[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 27－33. (in Chinese with English abstract)

[26] 黄维，黄进良，王立辉，等. 多时相遥感影像检测平乐县晚稻种植面积变化[J]. 农业工程学报，2014，30(21)：174－183.

Huang Wei, Huang Jinliang, Wang Lihui, et al. Detection of late rice’s planting area change in Pingle County based on multi-temporal remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 174－183. (in Chinese with English abstract)

[27] 许玉萍，鹏程，秦自成，等. NDVI时序曲线形状相似性模型的水稻提取方法[J]. 地理空间信息，2016，14(8)：56－60.

Xu Yuping, Peng Cheng, Qin Zicheng, et al. Extraction technology of paddy rice based on NDVI time series curves shape similarity model[J]. Geospatial Information, 2016, 14(8): 56－60. (in Chinese with English abstract)

[28] 耿利宁，景元书，杨沈斌，等. 基于FastICA算法和MODIS数据的水稻面积提取[J]. 大气科学学报，2015，38(6)：819－826.

Geng Lining, Jing Yuanshu, Yang Shen-bin, et al. Extracting the paddy rice area from MODIS imagery by FastICA algorithm[J]. Transactions of Atmospheric Sciences, 2015, 38(6): 819－826. (in Chinese with English abstract)

[29] 马孟莉，朱 艳，李文龙，等. 基于分层多端元混合像元分解的水稻面积信息提取[J]. 农业工程学报，2012，28(2)：154－159.

Ma Mengli, Zhu Yan, Li Wenlong, et al. Extracting area information of paddy rice based on stratified multiple endmember spectral mixture analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(2): 154－159. (in Chinese with English abstract)

[30] 林子晶，李卫国，申双和，等. HJ星和GF1号数据在水稻种植面积提取中的应用[J]. 江苏农业学报，2016，32(1)：111－117.

Lin Zijing, Li Weiguo, Shen Shuanghe, et al. Application of HJ and GF1 image data to extract rice planting area[J]. Jiangsu Journal of Agricultural Sciences, 2016, 32(1): 111－117. (in Chinese with English abstract)

[31] 张猛，曾永年. 基于多时相 Landsat 数据融合的洞庭湖区水稻面积提取[J]. 农业工程学报，2015，31(13)：178－185.

Zhang Meng, Zeng Yongnian. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 178－185. (in Chinese with English abstract)

[32] 张细燕，何隆华. 基于SAR与Landsat TM的小区域稻田的识别研究：以南京市江宁区为例[J]. 遥感技术与应用，2015，30(1)：43－49.

Zhang Xiyan, He Longhua. Study on paddy identification in Jiangning district based on SAR and Landsat TM data[J]. Remote Sensing Technology and Application, 2015, 30(1): 43－49. (in Chinese with English abstract)

[33] 汪小钦，王钦敏，史晓明，等. 基于主成分变换的ASAR数据水稻种植面积提取[J]. 农业工程学报，2008，24(10)：122－126.

Wang Xiaoqin, Wang Qinmin, Shi Xiaoming, et al. Rice field mapping and monitoring using ASAR data based on principal component analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(10): 122－126. (in Chinese with English abstract)

[34] 宁夏回族自治区统计局，国家统计局宁夏调查总队. 宁夏统计年鉴2016年[M]. 北京：中国统计出版社，北京数通电子出版社，2017.

[35] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[36] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing, 1988, 9(8): 1395－1398.

[37] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.

Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data

Liu Jia, Wang Limin※, Yao Baomin, Yang Fugang, Yang Lingbo, Wang Xiaolong, Cao Huaitang
(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, 100081, China)

Current researches mostly focus on method and accuracy selection under the condition where data sources are rich but rarely study regional application of multiphase operation land imager (OLI). In this study, Ningxia Hui Autonomous Region was selected for analysis on regional application potential of multiphase OLI data. In order to objectively obtain Ningxia rice area spatial distribution information, to lay a technical foundation for regional crop remote sensing monitoring, and according to the principle of spectral consistency, this paper divided the study area into 6 ground types of rice, sparse forest and shrub, dry land/woodland, abandoned land, wetland/water bodies, and others. The period before July 10, 2016 was taken as the early stage of rice growth. The normalized difference vegetation index (NDVI), infrared reflectance (IR) and short waved index (SWI) were established by choosing the data of OLI carried by US LandSat-8 and using the images taken in the 6 periods of March 11th, April 12th, April 28th, May 30th, June 15thand July 1st. Based on the analysis of dynamic change of 3 indexes of NDVI, IR and SWI, especially on maximum NDVI, minimal IR, and minimal SWI, a decision tree was established, and the identification of rice types in the study area was conducted by using images between March 11 and July 1 of 2016. The basic processes of decision tree classification were: firstly the ground objects such as cities and towns and deserts were eliminated by using maximum NDVI from March to June; the sparse forest and shrubs were eliminated by using maximum NDVI from March to April; the dry land/woodlands were eliminated by using minimum IR from May to June; then wetland/water bodies were eliminated by using minimum IR from March to April; finally, the abandoned lands were eliminated by using minimum SWI from May to June. The remaining pixels were taken as rice. The accuracy verification was conducted by using the highly accurate GF-2 remote sensing (the resolution was 4 m) survey results of rice area background of this region. The extraction accuracy of GF-2 was as high as 99% above. The results showed that the planting area by GF-2 was 91 910 hm2and the rice planting area was 88 030 hm2by the OLI data. The total extraction error was only -4.22% with the Kappa coefficient of 0.83; the user's classification accuracy of rice spatial distribution was 85.11% with the mapping accuracy of 81.67%. Among the total rice area, the area in Pingluo, Helan, Yingchuan, Qingtunxia, Lingwu, Shapotou, Litong, Yongning, Zhongning, Dawukou and Huinong accounted for 27.71%, 16.76%, 13.69%, 11.87%, 9.93%, 6.72%, 5.34%, 3.27%, 2.24%, 1.60% and 0.87%, respectively. The rice was mostly distributed in the north of Yellow River Irrigation Area. The extraction area based on different phases was different. The rice area proportion of 129/033，129/034 and 130/034 images was 60.41%, 32.88% and 6.71%, respectively. Compared with the user’s accuracy of maximum likelihood supervised classification algorithm on the rice area extraction of 76.98% and the mapping accuracy of 61.66% in this area, the method used in this paper showed an increase of 8.13 percentage points in the user’s accuracy, and an increase of even 20.01 percentage points in the mapping accuracy. The result shows that, the method proposed here of establishment of decision classifying tree by using the satellite images of early stage OLI remote sensing time series of rice growth before July 10, and based on the analysis of changing pattern of time series of staple crops can accurately extract the staple crop planting area, and it is a potential method for regional crop area remote sensing monitoring operations.

remote sensing; crops; identification; LandSat-8; OLI; multi-temporal; Ningxia; rice; area

10.11975/j.issn.1002-6819.2017.15.026

S127

A

1002-6819(2017)-15-0200-10

2017-02-28

2017-07-10

国家重点研发计划“粮食作物生长监测诊断与精确栽培技术”课题“作物生长与生产力卫星遥感监测预测”（2016YFD0300603）

刘 佳，女，汉族，湖南人，研究员，主要从事农业遥感监测业务运行研究。北京 中国农业科学院农业资源与农业区划研究所，100081。Email：liujia06@caas.cn

※通信作者：王利民，男，蒙古族，内蒙古宁城人，博士，主要从事农业遥感监测业务运行研究。北京 中国农业科学研究院农业资源与农业区划研究所，100081。Email：wanglimin01@caas.cn