柳文杰1,2
,
曾永年1,2
,
张猛1,2
|
收稿日期: 2017-08-22
基金项目: 国家自然科学基金(编号：41171326，40771198)；中南大学中央高校基本科研业务费专项基金(编号：2016zzts087)
第一作者简介: 柳文杰(1994— )，男，硕士研究生，研究方向为遥感技术应用。E-mail：liuwenjiers@126.com
通讯作者简介: 曾永年(1959— )，男，教授，研究方向为遥感及地理信息系统及其环境变化研究。E-mail：ynzeng@mail.csu.edu.cn
中图分类号: TP79
文献标识码: A
|
摘要
获取高精度的区域水稻种植面积对于农业规划、配置与决策具有重要意义。区域尺度的水稻面积获取依赖于高时空分辨率影像，但受卫星回访周期和气候影响，难以获取足够时间序列的高时空分辨率影像，从而影响水稻种植面积遥感提取的精度。为此，提出适应于中国南方多雨云天气地区，基于国产环境卫星(HJ- 1A/1B)与MODIS 融合数据的水稻种植面积提取的新方法。以洞庭湖区为实验区，利用STARFM模型融合环境卫星NDVI数据与MODIS13Q1数据，获取时间序列的环境卫星NDVI数据，利用水稻关键期的NDVI数据结合物候特征参数对水稻种植区域进行提取。结果表明，该方法能有效提取区域水稻种植的面积，水稻种植面积提取的总体精度与Kappa系数分别达到91.71%与0.9024，分类结果明显优于仅采用多光谱影像或NDVI数据。该研究为中国南方多雨云天气地区水稻种植面积提取提供了有效的方法。
关键词
水稻, 环境卫星, NDVI, 时空融合, 物候特征参数, 分类
LIU Wenjie1,2
,
ZENG Yongnian1,2
,
ZHANG Meng1,2
Abstract
Extracting regional rice paddy areas with high precision by using remote sensing data is crucial to agricultural configuration and decision making. However, obtaining images with high temporal and spatial resolutions is difficult because of satellite recycling and rainy weather, which affect the accuracy of rice paddy field extraction. This study developed a new method for mapping rice paddies in cloud-prone areas by using time-series-fused HJ-1B NDVI and phenological parameters. A case study of Dongting Lake area in the middle reaches of Yangtze River, China, was conducted to test this approach. First, the spatial and temporal adaptive reflectance fusion model algorithm was employed to acquire time series NDVI (30 m) by blending HJ-1B NDVI and MODIS13Q1 NDVI. Second, the Savitzky-Golay filter was applied to smooth the time-series-fused NDVI and calculate the phenological parameters. We selected the most effective NDVI dataset by using the Jeffries-Matusita distance to reduce data redundancy. Finally, we combined the selected NDVI with phenological parameters to extract the distribution of rice paddies and evaluated the precision of the results. Results indicated that the spatial detail information of the fused NDVI data was more abundant than that of MODIS data. The true and fused images presented only slight differences visually and had high correlation coefficients. The accuracies of the results obtained using the method proposed were as follows. The producer accuracy of single cropping rice was 85.80%, and the user accuracy was 86.66%. The producer accuracy of double cropping rice was 86.62%, and the user accuracy was 89.14%. The total classification accuracy was 91.71%, and the kappa coefficient was 0.9024. For comparison, the visible and near-infrared (VNIR) data of HJ-1B, the selected NDVI, the phenological parameters, and the dataset that included the previously mentioned three types were used in the control test. For VNIR data, the producer accuracy of single cropping rice was 71.80%, and the user accuracy was 76.81%. Meanwhile, the producer accuracy of double cropping rice was 71.69%, and the user accuracy was 65.33%. The total classification accuracy was 86.36%, and the kappa coefficient was 0.8407. For the selected NDVI, the producer accuracy of single cropping rice was 74.15%, and the user accuracy was 76.38%. Meanwhile, the producer accuracy of double cropping rice was 74.65%, and the user accuracy was 78.41%. The total classification accuracy was 88.54%, and the kappa coefficient was 0.8765. For the phenological parameters, the producer accuracy of single cropping rice was 82.66%, and the user accuracy was 80.59%. Moreover, the producer accuracy of double cropping rice was 81.15%, and the user accuracy was 83.74%. The total classification accuracy was 82.35%, and the kappa coefficient was 0.7933. For the comprehensive dataset, the producer accuracy of single cropping rice was 84.93%, and the user accuracy was 88.76%. Meanwhile, the producer accuracy of double cropping rice was 87.73%, and the user accuracy was 88.77%. The total classification accuracy was 91.50%, and the kappa coefficient was 0.8988. The control test showed that the dataset combining the selected NDVI with the phenological parameters had minimal data redundancy and exhibited the highest accuracy in rice paddy area extraction. In summary, the proposed method can be widely used in regional rice paddy extraction and can effectively solve the problem of missing remote sensing data caused by weather conditions. This method can also be applied to the extraction of other land cover types.
Key words
rice, HJ-1B CCD, NDVI, spatial and temporal data fusion, phenological parameters, classification
1 引 言
中国是世界上最大的水稻生产国，水稻产量在中国的粮食安全保障体系和农业生产中占有重要地位(章秀福 等，2005)。近年来，市场机制的调控，加之城市进程的加快对水稻种植格局的时空变化产生了一定的影响(程勇翔 等，2012)。但同时，气候变化可能对水稻布局、生长发育和产量也有一定的影响(熊伟 等，2013)。因此，适时地对水稻种植区进行监测与制图就显得十分重要。
遥感技术是大面积水稻种植监测的有效手段，目前大面积水稻监测主要采用低空间分辨率的MODIS数据，Xiao等人(2006)使用多时段MODIS影像提取了南亚和东南亚地区的水稻分布；Chen等人(2012)利用时序MODIS NDVI数据分析了湄公河上游地区的水稻种植区域；Arifin等人(2016)利用多年的MODIS影像监测了印度尼西亚的水稻面积变化。尽管时间序列的低空间分辨率MODIS数据在大范围水稻监测中发挥了重要的作用，然而由于空间分辨率较低，大量混合像元的存在，使基于MODIS数据的水稻种植区提取的精度难以满足区域尺度水稻种植区监测的要求。
随着遥感技术的发展，可获取的遥感数据丰富多样，中高空间分辨率的遥感影像在水稻信息提取方面具有一定的优势(李鑫川 等，2013；仲波 等，2014；曹鑫 等，2016；于文婧 等，2016)。但就大范围水稻种植区的监测而言，由于受天气的影响，尤其在多云雨地区，难以获得足够时间序列的中高空间分辨率遥感数据。不同时空分辨率遥感数据融合技术发展与应用，为获取高空间分辨率与高时间分辨率数据提供有效的技术与方法(Gao 等，2006；Zhu 等，2010；邬明权 等，2012)，并已在植被分析、土地覆盖与土地利用中得到较为广泛的应用。谢登峰等人(2015)利用Landsat 8与MODIS融合得到的时序NDVI提取了辽宁省某市的秋粮作物分布；Lu等人(2016)使用MODIS与Landsat融合数据分析了山西礼泉县土地覆盖变化。已有的研究中，采用时空融合的中等分辨率时序数据有效地提高了遥感信息提取精度，但现有研究主要以Landsat TM/OLI数据为主。然而利用国产卫星数据进行时空融合的方法研究较少(孙锐 等，2016)，利用国产卫星时空融合数据进行水稻种植面积信息提取的应用也尚未见研究报道。另外，已有的农作物面积信息提取研究中，分类多以单一的NDVI数据为主，作物生长过程特征信息在遥感分类特征参数中尚未得到充分利用。
为探讨利用国产卫星时序数据，针对中国南方多雨云地区水稻种植区域的有效检测方法，本文从时间序列数据的构建、分类特征的选取、分类模型确定与应用等方面进行了研究，并以洞庭湖区为实验区，通过时空融合的方法获取得缺失时相的环境卫星(HJ) NDVI数据，构建完整时间序列的HJ数据并计算物候特征参数，采用SVM方法进行水稻种植区域的提取。以期为南方地区区域水稻种植面积提取提供有效的技术方法，为区域土地利用、农业规划与决策提取技术支持。
2 数据与方法
2.1 实验区域
洞庭湖位于长江中游荆江段南岸，跨湘、鄂两省，本文选择湖南省境内的洞庭湖区域为实验区，包括岳阳、益阳、常德3个市的20个县(区)，土地面积约为4.56×104 km2(图1)。研究区以洞庭湖为核心，向东、南、西3周过渡为河湖冲积平原、环湖丘陵岗地、低山，为一碟形盆地。实验区属于亚热带季风气候，年平均气温16.4—17℃，无霜期258—275天，年降水量1100—1400 mm，阴雨天气长达150多天。该地区的农作物大部分为一年两熟，主要农作物有水稻、棉花等，是湖南省主要的水稻生产基地。该地区降雨量较大，常年被云雾覆盖，很难获取到完整的时序卫星影像。
2.2 研究数据与预处理
研究使用的遥感影像为MODIS13Q1(16天合成NDVI)与HJ-1B CCD多光谱影像。其中，MODIS NDVI数据横跨h27v05、h27v06、h28v06共3幅影像，获取的时间范围是2014年1月1日—12月19日，数据经过16天最大值合成处理，共23期，分辨率为250 m。获得2014年1月1日—12月8日期间共7期可用(云量少、影像质量较好)的HJ影像，包含4个波段，分辨率为30 m。实验数据具体获取时间及配对信息详见表1。
表 1 NDVI数据获取日期及融合时间
Table 1 Acquisition and blending dates of NDVI data
| HJ
日期 |
配对MODIS
日期 |
融合MODIS
日期 |
HJ
日期 |
配对MODIS
日期 |
融合MODIS
日期 |
| 01-01 | 01-01 | 07-12 | |||
| 01-17 | 07-30 | 07-28 | |||
| 02-02 | 08-13 | ||||
| 02-20 | 02-18 | 08-29 | |||
| 03-06 | 09-14 | ||||
| 03-22 | 09-30 | ||||
| 04-04 | 04-07 | 10-09 | 10-16 | ||
| 04-23 | 11-01 | ||||
| 05-09 | 11-14 | 11-17 | |||
| 05-25 | 12-08 | 12-03 | |||
| 06-10 | 12-19 | ||||
| 06-26 | |||||
| 注：数据获取的时间为2014年。 | |||||
对研究区HJ CCD影像，首先使用HJ-1A/B辐射定标参数进行辐射定标，并利用ENVI5.1影像处理软件中的FLAASH模块进行大气校正。其次，以研究区Landsat 8 OLI影像为基准，选取地面控制点，采用二次多项式进行几何校正，校正误差小于0.5个像元。最后，需进行研究区域裁剪，并计算NDVI。
对于MODIS数据，首先将每一期的3幅影像进行图像拼接处理，之后将其投影系统转换为高斯克吕格投影，并以几何校正后的HJ CCD影像为基准，对MODIS数据进行配准处理。最后，采用最临近法将MODIS数据重采样至30 m空间分辨率，使其空间分辨率与高分辨率影像一致，以便在STARFM模型中进行时空融合(Gao 等，2006)。
3 研究方法
首先，在图像预处理的基础上，利用STARFM模型，融合缺少的16个时相的HJ NDVI数据，构建完整时间序列的HJ NDVI数据，然后，通过S-G(Savitzky-Golay)滤波，重构HJ NDVI时序数据，并提取物候特征参数。通过J-M(Jeffreys-Matusita)距离计算，选择与确定出最佳时相的HJ NDVI时序数据。最后，利用最佳时相的NDVI时序数据结合物候特征参数，采用SVM方法提取水稻种植区域，并进行精度检验。通过对比可见光加近红外波段(VNIR)分类、最佳时序NDVI分类、物候特征分类以及VNIR+NDVI+物候特征分类实验，进一步验证方法的有效性。本文采用的研究技术路线如图2。
3.1 STARFM模型
本文采用STARFM模型(Gao 等，2006)，对MODIS与HJ数据进行遥感数据的时空融合，该模型根据一对空间分辨率不同的影像对(MODIS、HJ数据)和一系列低空间分辨率的影像(MODIS)，可以融合得到时间序列的高空间分辨率影像(HJ数据)。其基本计算公式为
| $\begin{aligned}L\left({{x_i}, {y_i}, {t_0}} \right) = & M\left({{x_i}, {y_i}, {t_0}} \right) + \\ & L\left({{x_i}, {y_i}, {t_k}} \right) - M\left({{x_i}, {y_i}, {t_k}} \right)\end{aligned}$ | (1) |
式中，L为高分辨率影像反射率，M为低分辨率影像反射率，(xi, yi)为像元的坐标。
在实际情况中，MODIS像元并非同质像元，在预测时间内像元点土地覆盖类型也可能会发生变化。为解决这一问题，STARFM模型引入了搜索窗口和综合权重函数Wijk。通过搜索窗口可选定待预测像元周边一些像元作为临近像元，综合权重函数可分析临近像元对待预测中心像元的影响程度，其计算表达式为
| $L\left({{x_{w/2}}, {y_{w/2}}, {t_0}} \right) = \sum\limits_{i = 1}^\omega {\sum\limits_{j = 1}^\omega {\sum\limits_{k = 1}^n {{W_{ijk}}} } } \times \left({M\left({{x_i}, {y_i}, {t_0}} \right) + L\left({{x_i}, {y_i}, {t_k}} \right) - M\left({{x_i}, {y_i}, {t_k}} \right)} \right)$ | (2) |
式中，
虽然STARFM模型是针对高、低分辨率影像的像元反射率的融合，但该模型是以低分辨率影像与对应高分辨率影像的线性光谱混合为基础的(Gao 等，2006；刘建波 等，2016)。根据Kerdiles和Grondona (1995)的研究，较之先利用线性混合模型计算波段反射率再计算NDVI的方法，将NDVI指数直接引入线性混合模型是可行的。这为直接利用高、低分辨率影像NDVI进行融合提供了理论依据。其次，不同传感器由于其中心波长等参数的差异，会使NDVI值存在一定的偏差(李丽 等，2012)。但因传感器不同导致的NDVI值的这一偏差，在同一地点的高、低分辨率影像间会保持恒定。基于此可将式(1)转化为基于像元NDVI的融合表达式
| $\begin{aligned}{\rm{NDVI}} & \left({L, {x_i}, {y_i}, {t_0}} \right) = {\rm{NDVI}}\left({M, {x_i}, {y_i}, {t_0}} \right) + \\ &{\rm{NDVI}}\left({L, {x_i}, {y_i}, {t_k}} \right) - {\rm{NDVI}}\left({M, {x_i}, {y_i}, {t_k}} \right)\end{aligned}$ | (3) |
以上分析表明，以NDVI作为STARFM模型的输入数据进行时空融合在理论上是可行的。已有的实验研究也表明，先计算NDVI再使用STARFM模型融合的结果比先进行波段数据融合后再计算的NDVI更为准确、可靠(Tian 等，2013；Jarihani 等，2014)。
为此，本文基于STARFM模型，利用高、低分辨率的NDVI数据进行时空融合，并将NDVI数据分成7组(表1)，使用接近待预测时期的HJ-MODIS影像对作为基准影像，分别融合得到了16期缺失时期的HJ NDVI数据，其空间分辨率为30 m。
3.2 NDVI重构
S-G滤波法是一种局部拟合的方法，可用于平滑时间序列数据，其使用一定大小的滤波窗口对待处理数据作卷积运算，并对待处理数据作加权多项式拟合，求得最小均方根误差。拟合时过于偏离正常生长趋势线的噪声会被舍弃(李儒 等，2009)。利用移动窗口进行局部拟合，使该算法可以精确地描述NDVI时序数据的细微变化(边金虎 等，2010；宋春桥 等，2011)。因此，本文基于MATLAB的TIMESAT软件包，采用S-G滤波法对融合得到的时序NDVI进行拟合重构处理。
3.3 Jeffreys-Matusita距离计算与最佳时相NDVI确定
时间序列NDVI共有23期，其数据量较大，冗余数据多，因此需进行最佳时序组合分析。研究的最终目的是地物分类，所以可通过样本间分离度来进行选择。本文选用J-M距离计算样本间分离度。基于某一特征两类样本的J-M距离计算公式表示为
| $J = 2\left({1 - {{\rm{e}}^{ - B}}} \right)$ | (5) |
式中，B表示在某一特征维的巴氏距离。在样本对象满足正态分布时，不同两类样本对象的巴氏距离为
| $B = \frac{1}{8}{\left({{{{e}}_1} - {{{e}}_2}} \right)^2}\frac{2}{{\delta _1^2 + \delta _2^2}} + \frac{1}{2}\ln \left[ {\frac{{\delta _1^2 + \delta _2^2}}{{2{\delta _1}{\delta _2}}}} \right]$ | (6) |
式中，ek表示某类特征的均值，δk表示某类特征的方差。
本文主要分析水稻的分布，洞庭湖区水稻种植时间为5月初至10月底，根据水稻的种植季节，选择129期至305期的共12期NDVI(表2)计算J-M距离。
表 2 用于J-M距离计算的NDVI数据及编号
Table 2 NDVI data for J-M distance caculation
| NDVI编号 | NDVI对应日期 | NDVI对应天数 |
| 1 | 5月9日 | 129 |
| 2 | 5月25日 | 145 |
| 3 | 6月10日 | 161 |
| 4 | 6月26日 | 177 |
| 5 | 7月12日 | 193 |
| 6 | 7月30日 | 211 |
| 7 | 8月13日 | 225 |
| 8 | 8月29日 | 241 |
| 9 | 9月14日 | 257 |
| 10 | 9月30日 | 273 |
| 11 | 10月9日 | 282 |
| 12 | 11月1日 | 305 |
J-M距离值范围在0.000—2.000，若大于1.900，表明地物间可分离性较好。选取结果需满足分离度要求，同时减少数据的选取量，降低数据的冗余量。
3.4 物候特征参数提取
物候是指植被受季节性气候循环影响表现出的现象，如植物的发芽、出叶、开花、结果和叶落等。采用遥感手段对植被物候进行研究，主要是指通过分析植被指数在时间序列上发生的显著变化，提取相应的关键时间节点及特征值(康峻 等，2014)。利用TIMESAT软件提取关键物候参数，本文选取的物候参数为生长起始期、生长结束期、生长期长度、生长期最大值、季节性振幅(图3)。本文中，生长起始期定义为拟合曲线增加到全年时序曲线振幅的30%时影像所处时期，同理，生长结束期为拟合曲线下降到全年时序曲线的30%时影像所处时期，生长期长度是起始期至结束期之间的时间间隔，生长期最大值是NDVI的最大值，季节性振幅表示NDVI峰值与生长期NDVI均值的差值。
3.5 水稻提取与精度验证
支持向量机(SVM)是一种基于统计学习理论的新型机器学习算法，通过解算最优化问题, 在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题(朱海洲和贾银山，2010)，SVM具有小样本学习、机器学习效率高、抗噪声性能好等优点。为此，本研究利用SVM进行水稻种植区域的提取。并根据研究区实际情况，将研究区土地利用类型分为单季稻、双季稻、水浇地、旱地、林地、苔草滩地、芦苇滩地、建筑用地和水体共9类。依据Google earth与实地考察数据选取地类样本，并随机选取其中60%的样本作为训练样本，不同的分类方案使用相同的训练样本数据集。其余40%的样本作为分类精度验证样本(表3)，验证样本均匀分布于研究区域内(图4)。
利用验证样本数据，采用混淆矩阵(Confusion Matrix)评价分类的总体精度、Kappa系数，以及水稻的生产者精度与用户精度对分类结果进行精度定量评价。
表 3 不同土地利用类型样本及像元个数
Table 3 Pixel number of different land use samples
| 土地利用类型 | 训练样本像元数 | 验证样本像元数 |
| 单季稻 | 1831 | 1244 |
| 双季稻 | 3548 | 2332 |
| 水浇地 | 2242 | 1456 |
| 旱地 | 807 | 512 |
| 林地 | 3079 | 2067 |
| 苔草滩地 | 1274 | 825 |
| 芦苇滩地 | 571 | 366 |
| 建筑用地 | 2716 | 1864 |
| 水体 | 2473 | 1882 |
4 结果与分析
4.1 时空数据融合结果精度评价
通过时空融合技术获得因雨云天气缺失的HJ影像，为验证图像融合效果，以2014-07-30的HJ NDVI及201-07-28的MODIS NDVI作为基准，融合得到2014-10-09与2014-11-14的HJ NDVI(图5)。融合的NDVI与真实NDVI经目视比较分析表明，两者具有较好的一致性。为进一步分析融合的效果，在融合的NDVI中选取3个典型样区，并与真实NDVI对比获得散点图(图6)，两景融合NDVI与真实NDVI的平均相关系数分别为0.75、0.71。融合NDVI相距基准NDVI的时间越短，融合的精度越高。本文所使用的起始影像与融合影像之间最大时间差不超过70天，融合结果精度可以满足后续实验的要求。
4.3 J-M距离及最佳时序NDVI组合
依据研究区水稻生长物候历(表4)，确定水稻物候的关键时期，以此获得不同时序NDVI的组合数据，并计算出不同时序NDVI组合数据的J-M距离(表5)。
J-M距离计算结果表明，地物分离性随时序数据的增加而增大，但当时序数据组合数大于5组时，J-M距离值没有明显的增加。基于以上分析，根据J-M距离计算结果，确定NDVI数据组合(2、5、8、10、12)为最佳时序数据组合，即选取对应数据获取天数为145、193、241、273、305共5期NDVI作为最佳时序的NDVI数据组合。
表 4 洞庭湖区水稻物候历
Table 4 Rice phenological calendar of the Dongting Lake area
| 4月 | 5月 | 6月 | 7月 | 8月 | 9月 | 10月 | 11月 | ||||||||||||||||||||||||
| 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | ||||||||
| 单季稻 | 移栽 | 分蘖 | 孕穗 | 抽穗 | 成熟 | ||||||||||||||||||||||||||
| 双季早稻 | 移栽 | 分蘖 | 孕穗 | 抽穗 | 成熟 | ||||||||||||||||||||||||||
| 双季晚稻 | 移栽 | 分蘖 | 孕穗 | 抽穗 | 成熟 | ||||||||||||||||||||||||||
表 5 J-M距离计算结果
Table 5 J-M distance of different land use types
| NDVI数据组合编号 | 双季稻田—单季稻田 | 双季稻田—水浇地 | 双季稻田—林地 | 林地—水浇地 | 单季稻田—林地 | 单季稻田—水浇地 |
| 2 5 | 1.863 | 1.998 | 1.998 | 2.000 | 1.921 | 1.999 |
| 2 5 8 | 1.904 | 1.998 | 2.000 | 2.000 | 1.927 | 2.000 |
| 2 5 8 10 | 1.968 | 2.000 | 2.000 | 2.000 | 1.976 | 2.000 |
| 2 5 8 10 12 | 1.999 | 2.000 | 2.000 | 2.000 | 2.000 | 2.000 |
| 1 2 5 8 10 12 | 1.999 | 2.000 | 2.000 | 2.000 | 2.000 | 2.000 |
| 1 2 5 6 8 10 12 | 1.999 | 2.000 | 2.000 | 2.000 | 2.000 | 2.000 |
4.4 物候参数及其特征
基于滤波重建的时序NDVI，提取的研究区物候特征参数如图8。不同地类的物候特征参数差异较为显著。本文选取6种植被类型分析比较其物候特征参数的差异性(表6)。其中，水稻与其他地类的物候特征参数存在明显的差异。在生长起始期(SOS)，单、双季稻田参数值仅次于旱地；在生长结束期(EOS)，单、双季稻田参数值最低；而生长期长度(LOS)的参数值中，单、双季稻田也处于一个较低的水平。在单/双季稻物候参数也表现出较大的差异。表明物候特征参数可以有效区分水稻田与其他地类，且对于单、双季稻田也有较好的区分能力。
表 6 不同地类物候特征参数值
Table 6 Phenological parameters of different land use types
| 植被种类 | SOS | EOS | LOS | Max | Amp |
| 单季稻 | 158 | 236 | 78 | 0.8187 | 0.3564 |
| 双季稻 | 141 | 289 | 148 | 0.8566 | 0.3589 |
| 水浇地 | 123 | 295 | 172 | 0.8423 | 0.3624 |
| 旱地 | 194 | 302 | 108 | 0.7923 | 0.3213 |
| 林地 | 94 | 329 | 235 | 0.8203 | 0.2458 |
| 苔草滩地 | 96 | 318 | 222 | 0.9296 | 0.6359 |
| 芦苇滩地 | 86 | 332 | 246 | 0.9141 | 0.6456 |
4.5 分类结果及精度比较
利用最佳时序NDVI、物候特征参数组合数据，参用SVM算法进行监督分类，最终得到研究区水稻种植区分布(图9(a))。为验证方法的有效性，利用可见光加近红外波段(VNIR)、最佳时序NDVI、物候特征参数以及VNIR+NDVI+物候特征参数获得的对照实验如图9(b)、(c)、(d)、(e)所示，典型区域分类影像见图10。
表 7 分类精度对比
Table 7 Evaluation of different dataset classification precision
| 数据集 | 土地
类型 |
生产者
精度/% |
用户精
度/% |
总体分类
精度/% |
Kappa
系数 |
| VNIR | 单季稻 | 71.80 | 76.81 | 86.36 | 0.8407 |
| 双季稻 | 71.69 | 65.33 | |||
| NDVI | 单季稻 | 74.15 | 76.38 | 88.54 | 0.8765 |
| 双季稻 | 74.65 | 78.41 | |||
| 物候特征 | 单季稻 | 82.66 | 80.59 | 82.35 | 0.7933 |
| 双季稻 | 81.15 | 83.74 | |||
| NDVI+物候特征 | 单季稻 | 85.80 | 86.66 | 91.71 | 0.9024 |
| 双季稻 | 86.62 | 89.14 | |||
| VNIR+NDVI+
物候特征 |
单季稻 | 84.93 | 88.76 | 91.50 | 0.8988 |
| 双季稻 | 87.73 | 88.77 |
精度评价结果表明，最佳时相NDVI结合物候特征参数所得到的分类结果较之未加入物候特征参数的数据集，其分类精度有明显提高。仅使用HJ卫星VNIR影像所得到的分类结果中，存在错分、漏分(图9(b))，致使单、双季水稻田的生产者精度与用户精度较低，且使用多个时相的VNIR数据进行分类，由于数据量较大，耗时较为严重。使用最佳时序NDVI数据，分类运行速度得到改进，分类精度得到了一定的提升，但单、双季稻田的生产者精度与用户精度未得到明显改善, 分类结果仍存在一定的错分现象(图10(c))，说明时序NDVI数据直接用于分类不能达到预期精度。仅使用物候特征数据进行分类，使单、双季稻分类的生产者精度与用户精度得到了改善。不同农作物的生长起始期，生长结束期，生长期长度及NDVI最大值都有较大差异。因此，物候特征参数对于耕地，有较好的辨识能力，但由于物候特征参数主要针对植被，对于其他地类如建筑用地等非植被地类区分度不足，会影响分类精度。基于最佳时相NDVI与物候特征参数所得到的分类结果，其总体分类精度与Kappa系数均得到提升，单、双季稻田的生产者精度与用户精度有非常明显的改善。说明物候特征参数结合最佳时相NDVI能够有效地应用于南方地区水稻种植面积提取。在此基础上再加入HJ卫星VNIR影像进行分类，所得到的分类结果精度与之前实验结果相比精度并没有明显的提升。实验结果表明，在提取水稻种植区域时，使用最佳时序NDVI结合物候特征参数就可以得到很好的分类结果，此时VNIR影像包含大量冗余信息，对于提升水稻识别精度作用并不显著。
5 结 论
本文提出了适应于中国南方多雨云天气地区，基于国产环境卫星(HJ-1A/1B)与MODIS 融合数据的水稻种植区域提取的方法。以洞庭湖地区部分HJ卫星多光谱影像及MODIS13Q1 NDVI数据为数据源，提取水稻种植区域。主要结论如下：
(1)时空融合的时序HJ卫星NDVI空间细节信息清晰，与真实HJ NDVI的一致性程度较高，表明STARFM模型能够较好地模拟缺失时相的HJ卫星影像，可以有效地解决中国南方多雨云天气地区，受天气影响的HJ数据缺失的问题。
(2)时空融合的时序HJ卫星NDVI不可避免的会受到MODIS影像噪声的干扰，出现异常值。S-G滤波能够有效去除时序数据中的异常值，同时提高物候特征参数的准确性。
(3)最佳时相NDVI结合物候特征参数的水稻种植区分类总体分类精度达到91.71%，单、双季稻田的生产者精度与用户精度均高于85%，说明物候特征参数结合NDVI能有效地运用于区域水稻种植面积提取。
本文所选用的30 m分辨率的环境卫星数据中混合像元在一定程度上对区域水稻种植面积的提取结果有一定影响。为此，采用混合像元分解方法进一步提高分类的精度是后续研究的重点。
参考文献(References)
-
Arifin M T, Liyantono, Setiawan Y and Fatikhunnada A. 2016. Processing system of MODIS data for monitoring the changes of paddy field. Procedia Environmental Sciences, 33 : 3–13. [DOI: 10.1016/j.proenv.2016.03.050]
-
Bian J H, Li A N, Song M Q, Ma L Q and Jiang J G. 2010. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter. Journal of Remote Sensing, 14 (4): 725–741. [DOI: 10.11834/jrs.20100408] ( 边金虎, 李爱农, 宋孟强, 马利群, 蒋锦刚. 2010. MODIS植被指数时间序列Savitzky-Golay滤波算法重构. 遥感学报, 14 (4): 725–741. [DOI: 10.11834/jrs.20100408] )
-
Cao X, Chen X H, Zhang W W, Liao A P, Chen L J, Chen Z G and Chen J. 2016. Global cultivated land mapping at 30 m spatial resolution. Science China Earth Sciences, 46 (11): 1426–1435. [DOI: 10.1007/s11430-015-5291-2] ( 曹鑫, 陈学泓, 张委伟, 廖安平, 陈利军, 陈志刚, 陈晋. 2016. 全球30 m空间分辨率耕地遥感制图研究. 中国科学: 地球科学, 46 (11): 1426–1435. [DOI: 10.1007/s11430-015-5291-2] )
-
Chen C F, Son N T and Chang L Y. 2012. Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data. Advances in Space Research, 49 (2): 292–301. [DOI: 10.1016/j.asr.2011.09.011]
-
Cheng Y X, Wang X Z, Guo J P, Zhao Y X and Huang J F. 2012. The temporal-spatial dynamic analysis of China rice production. Scientia Agricultura Sinica, 45 (17): 3473–3485. [DOI: 10.3864/j.issn.0578-1752.2012.17.003] ( 程勇翔, 王秀珍, 郭建平, 赵艳霞, 黄敬峰. 2012. 中国水稻生产的时空动态分析. 中国农业科学, 45 (17): 3473–3485. [DOI: 10.3864/j.issn.0578-1752.2012.17.003] )
-
Gao F, Masek J, Schwaller M and Hall F. 2006. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44 (8): 2207–2218. [DOI: 10.1109/TGRS.2006.872081]
-
Jarihani A A, McVicar T R, Van Niel T G, Emelyanova I V, Callow J N and Johansen K. 2014. Blending landsat and MODIS data to generate multispectral indices: a comparison of " Index-then-Blend” and " Blend-then-Index” approaches. Remote Sensing, 6 (10): 9213–9238. [DOI: 10.3390/rs6109213]
-
Kang J, Hou X H, Niu Z, Gao S and Jia K. 2014. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data. Transactions of the Chinese Society of Agricultural Engineering, 30 (9): 148–156. [DOI: 10.3969/j.issn.1002-6819.2014.09.019] ( 康峻, 侯学会, 牛铮, 高帅, 贾坤. 2014. 基于拟合物候参数的植被遥感决策树分类. 农业工程学报, 30 (9): 148–156. [DOI: 10.3969/j.issn.1002-6819.2014.09.019] )
-
Kerdiles H and Grondona M O. 1995. NOAA-AVHRR NDVI decomposition and subpixel classification using linear mixing in the Argentinean Pampa. International Journal of Remote Sensing, 16 (7): 1303–1325. [DOI: 10.1080/01431169508954478]
-
Li L, Gu X F, Ye Z T, Yu T, Qiao Y L, Meng Q Y and Wang Y X. 2012. Characteristic difference analysis and transfer parameter determination for different satellites to detect NDVI values. Science China Earth Sciences, 42 (2): 238–245. [DOI: 10.1007/s11430-012-4364-9] ( 李丽, 顾行发, 叶泽田, 余涛, 乔延利, 孟庆岩, 王钰淅. 2012. 不同卫星载荷探测NDVI性能差异分析及变换参数确定. 中国科学: 地球科学, 42 (2): 238–245. [DOI: 10.1007/s11430-012-4364-9] )
-
Li R, Zhang X, Liu B and Zhang B. 2009. Review on methods of remote sensing time-series data reconstruction. Journal of Remote Sensing, 13 (2): 335–341. [DOI: 10.3321/j.issn:1007-4619.2009.02.023] ( 李儒, 张霞, 刘波, 张兵. 2009. 遥感时间序列数据滤波重建算法发展综述. 遥感学报, 13 (2): 335–341. [DOI: 10.3321/j.issn:1007-4619.2009.02.023] )
-
Li X C, Xu X G, Wang J H, Wu H F, Jin X L, Li C J and Bao Y S. 2013. Crop classification recognition based on time-series images from HJ satellite. Transactions of the Chinese Society of Agricultural Engineering, 29 (2): 169–176. [DOI: 10.3969/j.issn.1002-6819.2013.02.024] ( 李鑫川, 徐新刚, 王纪华, 武洪峰, 金秀良, 李存军, 鲍艳松. 2013. 基于时间序列环境卫星影像的作物分类识别. 农业工程学报, 29 (2): 169–176. [DOI: 10.3969/j.issn.1002-6819.2013.02.024] )
-
Liu J B, Ma Y, Wu Y T and Chen F. 2016. Review of methods and applications of high spatiotemporal fusion of remote sensing data. Journal of Remote Sensing, 20 (5): 1038–1049. [DOI: 10.11834/jrs.20166218] ( 刘建波, 马勇, 武易天, 陈甫. 2016. 遥感高时空融合方法的研究进展及应用现状. 遥感学报, 20 (5): 1038–1049. [DOI: 10.11834/jrs.20166218] )
-
Lu M, Chen J, Tang H J, Rao Y H, Yang P and Wu W B. 2016. Land cover change detection by integrating object-based data blending model of Landsat and MODIS. Remote Sensing of Environment, 184 : 374–376. [DOI: 10.1016/j.rse.2016.07.028]
-
Song C Q, You S C, Ke L H and Liu G H. 2011. Analysis on three NDVI Time-series reconstruction methods and their applications in North Tibet. Geo-Information Science, 13 (1): 133–143. [DOI: 10.3724/SP.J.1047.2011.00133] ( 宋春桥, 游松财, 柯灵红, 刘高焕. 2011. 藏北地区三种时序NDVI重建方法与应用分析. 地球信息科学学报, 13 (1): 133–143. [DOI: 10.3724/SP.J.1047.2011.00133] )
-
Sun R, Rong Y, Su H B and Chen S H. 2016. NDVI time-series reconstruction based on MODIS and HJ-1 CCD data spatial–temporal fusion. Journal of Remote Sensing, 20 (3): 361–373. [DOI: 10.11834/jrs.20165173] ( 孙锐, 荣媛, 苏红波, 陈少辉. 2016. MODIS和HJ-1 CCD数据时空融合重构NDVI时间序列. 遥感学报, 20 (3): 361–373. [DOI: 10.11834/jrs.20165173] )
-
Tian F, Wang Y J, Fensholt R, Wang K, Zhang L and Huang Y. 2013. Mapping and evaluation of NDVI trends from synthetic time series obtained by blending Landsat and MODIS data around a coalfield on the Loess Plateau. Remote Sensing, 5 (9): 4255–4279. [DOI: 10.3390/rs5094255]
-
Wu M Q, Wang J, Niu Z, Zhao Y Q and Wang C Y. 2012. A model for spatial and temporal data fusion. Journal of Infrared and Millimeter Waves, 31 (1): 80–84. ( 邬明权, 王洁, 牛铮, 赵永清, 王长耀. 2012. 融合MODIS与Landsat数据生成高时间分辨率Landsat数据. 红外与毫米波学报, 31 (1): 80–84. )
-
Xiao X M, Boles S, Frolking S, Li C S, Babu J Y, Salas W and Moore B III. 2006. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sensing of Environment, 100 (1): 95–113. [DOI: 10.1016/j.rse.2005.10.004]
-
Xie D F, Zhang J S, Pan Y Z, Sun P J and Yuan Z M Q. 2012. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution. Journal of Remote Sensing, 19 (5): 791–805. [DOI: 10.11834/jrs.20154213] ( 谢登峰, 张锦水, 潘耀忠, 孙佩军, 袁周米琪. 2012. Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物. 遥感学报, 19 (5): 791–805. [DOI: 10.11834/jrs.20154213] )
-
Xiong W, Yang J, Wu W B, Huang D D and Cao Y. 2013. Sensitivity and vulnerability of China’s rice production to observed climate change. Acta Ecologica Sinica, 33 (2): 509–518. [DOI: 10.5846/stxb201111091698] ( 熊伟, 杨婕, 吴文斌, 黄丹丹, 曹阳. 2013. 中国水稻生产对历史气候变化的敏感性和脆弱性. 生态学报, 33 (2): 509–518. [DOI: 10.5846/stxb201111091698] )
-
Yu W J, Liu X N, Sun D F, Jiang W B and Qu W. 2016. Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method. Transactions of the Chinese Society of Agricultural Engineering, 32 (2): 212–219. [DOI: 10.11975/j.issn.1002-6819.2016.02.031] ( 于文婧, 刘晓娜, 孙丹峰, 姜宛贝, 曲葳. 2016. 基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类. 农业工程学报, 32 (2): 212–219. [DOI: 10.11975/j.issn.1002-6819.2016.02.031] )
-
Zhang X F, Wang D Y, Fang F P, Zeng Y K and Liao X Y. 2005. Food safety and rice production in China. Research of Agricultural Modernization, 26 (2): 85–88. [DOI: 10.3969/j.issn.1000-0275.2005.02.002] ( 章秀福, 王丹英, 方福平, 曾衍坤, 廖西元. 2005. 中国粮食安全和水稻生产. 农业现代化研究, 26 (2): 85–88. [DOI: 10.3969/j.issn.1000-0275.2005.02.002] )
-
Zhong B, Ma P, Nie A H, Yang A X, Yao Y J, Lü W B, Zhang H and Liu Q H. 2014. Land cover mapping using time series HJ-1/CCD data. Science China Earth Sciences, 44 (5): 967–977. [DOI: 10.1007/s11430-014-4877-5] ( 仲波, 马鹏, 聂爱华, 杨爱霞, 姚延娟, 吕文博, 张航, 柳钦火. 2014. 基于时间序列HJ-1/CCD数据的土地覆盖分类方法. 中国科学: 地球科学, 44 (5): 967–977. [DOI: 10.1007/s11430-014-4877-5] )
-
Zhu H Z and Jia Y S. 2010. Remote sensing image classification based on support vector machines. Science Technology and Engineering, 10 (15): 3659–3663. [DOI: 10.3969/j.issn.1671-1815.2010.15.023] ( 朱海洲, 贾银山. 2010. 基于支持向量机的遥感图像分类研究. 科学技术与工程, 10 (15): 3659–3663. [DOI: 10.3969/j.issn.1671-1815.2010.15.023] )
-
Zhu X L, Chen J, Gao F, Chen X H and Masek J. 2010. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, 114 (11): 2610–2613. [DOI: 10.1016/j.rse.2010.05.032]
