水稻是世界上最重要的粮食作物之一,超过一半的世界人口以它为主粮。因此,水稻产量的增加对保证粮食安全和减少贫困起着重要的作用。在中国,口粮消费量约占粮食消费量的55%,口粮消费结构一季稻谷约占60%。传统的水稻种植面积主要依靠人工统计、采用逐级上报的方式提交给统计部门,工作效率低,统计数据存在滞后的现象。在人工调查和统计的过程中,难免会出现错报、漏报等情况,给准确掌握水稻种植面积和空间分布等带来了影响。近些年来,遥感技术以其覆盖范围宽、获取信息速度快、周期短、信息量大和获取手段多样等优势,已被广泛运用于水稻种植信息提取中^{[1, 2, 3, 4]}。

目前,用于水稻信息提取的遥感数据源可以归纳为4种:1)中等空间和时间分辨率的遥感影像,如Landsat TM/ETM+、CBERS等^{[5, 6, 7]};2)高时间分辨率、低空间分辨率的AVHRR和MODIS影像^{[8, 9]};3)微波和雷达遥感数据,如ENVISAT ASAR、JERS-1 SAR和Pi-SAR等^{[10, 11]};4)多源遥感数据融合,如Landsat光学影像和JERS-1 SAR雷达影像结合,中分辨率Landsat TM/ETM+与高时间分辨率MODIS影像结合^{[5, 6, 7]}。虽然中等分辨率遥感影像空间分辨率可以达到几十米,但重访周期较长(十几天到几十天),对像水稻这种生长周期较短的农作物,无法连续性监测某些关键时期植株生理生化状态改变得很快的过程,加上地球表面云层的影响,资料获取的连续性和及时性较差,制约了它们在大范围水稻遥感提取中的应用。

相比于Landsat TM/ETM+,中国的环境与灾害监测预报小卫星星座A、B星(HJ-1A/1B星)CCD影像具有相同的30 m空间分辨率,且重访周期最快可达2 d,可满足植被高频度监测需求。Li等^[12]基于混合像元分解模型以及监督和非监督分类方法,利用HJ-CCD数据估测了县域尺度的水稻面积。Chen等^[13]利用时序HJ-1A/B NDVI数据,在分析NDVI随生育期变化的基础上,采用逐级排除法提取水稻种植区。综上可知,先前的研究需借助于Landsat、MODIS等中低分辨率影像,且只是笼统地提取了水稻的种植面积,没有按照早稻、一季稻和晚稻3种类型分别研究其时空特征。本研究仅利用水稻移栽期(NDVI处于谷值)和抽穗期(NDVI达到峰值)的时序HJ-CCD影像,采用“粗分类→细分类”的总体思路,基于2个生育期的ΔNDVI阈值粗分类后,借助See 5.0决策树分类软件进行提纯,得到区域尺度上3种水稻的时空特征。

1 数据源与研究方法

1.1 研究区

沅江市位于北纬28°42′26″~29°11′17″和东经112°14′37″~112°56′20″之间,平均海拔80 m左右(图 1)。该市年均降雨量在1 400 mm左右,年均总太阳辐射为1 743.5 h,无霜期达到276 d;年均气温为16.9 ℃,一月和七月的平均温度分别为 4.3 和29.1 ℃。由于它属于亚热带季风气候区,非常适宜种植水稻,且以双季稻为主,是进行水稻遥感研究的理想区域。

	图 1 沅江市及周边县的水稻调查样点空间分布Fig. 1 Spatial distribution of paddy rice sample points in Yuanjiang City
图选项

2008年6月,中国自行研制并成功发射的两颗环境减灾小卫星(Environment and Disaster Reduction Small Satellites)HJ-1A和HJ-1B上分别搭载一架中分辨率多光谱CCD相机,其可见光至近红外范围内的波段设置(0.43~0.90 μm间有4个光谱波段:蓝、绿、红和近红外)和空间分辨率(同为30 m)均与Landsat TM传感器非常接近,传感器通道响应函数(relative spectral response)亦非常一致。该影像(下称HJ-CCD)经过两台CCD相机组网后能够将重访周期缩短至2 d,幅宽达到700 km,均比Landsat TM影像有较大程度的改善,可满足农情监测多时相、高频度的监测需求。表 1为获取的沅江市2010年水稻生长季内5景HJ-CCD数据。由于下载的遥感影像为经过系统级几何校正的2级产品,利用30 m分辨率的Landsat GeoCover(轨道号:p123/r040)正射校正产品和ASTER GDEM高程数据作为参考,在影像上选取对比明显且分布均匀的控制点,对HJ-CCD影像进行二次多项式几何精校正,将RMS误差控制在0.5个像元内。大气校正采用ENVI的QUick快速大气校正模块,去除部分薄云和气溶胶的影响,恢复地物真实的光谱反射率特征。

从Google Earth高空间分辨率影像上选取了5个待调查样区,将其地理坐标导入到亚米级的手持GPS(Trimble GeoXH)中。依据设定好的调查区域,在车上安装GPS接收天线,并和ArcMap的GPS模块连接,通过GPS形成的导航点和导航轨迹能够快速定位待调查的样区位置。在每个样区选取水稻连片种植且地势平坦的田块4~5个,在田块中央远离高大树木、建筑物、河流等干扰地类的位置用GPS进行坐标获取,并多角度拍摄田块的照片。野外调查共获取了28个早稻、20个一季稻和25个晚稻样本点。此外,还获取了沅江市的行政区划、水稻种植农事历、水稻种植面积和产量等农业统计数据,用于辅助遥感分类和精度验证。

1.4 研究方法

稻田移栽期的水分(NDVI为谷值)和生长期NDVI变化(从小到大再到小,抽穗期达到峰值)是水稻区分于其他作物与植被的重要特征,利用该特征可以实现水稻的识别^[2]。首先,分别计算移栽期和抽穗期的NDVI影像,对其进行差值运算得到ΔNDVI,联合地面调查样点和ΔNDVI影像,选取样点ΔNDVI最大值和最小值作为阈值,提取潜在水稻像元,从而排除其他地类的干扰;然后,依据先验样本点的多个光谱特征变量,采用决策树进行监督分类,进一步排除非水稻像元,实现水稻的识别。为了增强分类结果的精度,采用See 5.0决策树软件(https://www.rulequest.com/See5-info.html)。

See 5.0决策树软件是美国USGS(United States Geological Survey)在完成国家土地覆盖制图NLCD(national land cover dataset)项目中开发的一个自动提取分类规则的数据挖掘工具。通过将表 2所示的9个植被指数作为自变量进行波段合成,得到一个多波段文件,在先验样本点(*.ROI文件)的训练下生成*.names、*.data和*.test文件,输入See 5.0决策树软件,基于高效的Boosting提升算法和交叉验证的精度评定方法,生成精度最高的分类规则集,输入NLCD制图分类器(集成在ERDAS遥感分析软件中,用于将See 5.0决策树软件生成的分类规则集扩展到遥感影像上),提取3种水稻的种植区域(图 2)。分类精度评价采用统计年鉴中的种植面积和野外调查的样点,分别计算相对误差RE(relative error)和总体分类精度OA(overall accuracy)。

	图 2 结合NLCD制图工具和See 5.0决策树软件的水稻提取流程Fig. 2 Flow chart for identifying paddy rice fields by integrating NLCD mapping tools and See 5.0 decision-tree software
图选项

2.1 水稻在时序HJ-CCD影像上的时间变化特征

分析图 3中的五景假彩色影像(4、3、2波段合成,红色区域表示植被,浅蓝/浅灰/青色表示潜在水体),发现早稻、一季稻和晚稻在不同生育期的生长特点:1)对于早稻而言,4月27日为其移栽期,水稻田由于注水而呈现出青色;6月30日早稻进入抽穗期,稻田几乎被水稻植被覆盖,因此影像红色区域急剧增多。2)对于一季稻,5月24日为移栽期,由于其他作物的存在使得影像中存在一些红色区域,但整个区域仍呈现青色。3)对于晚稻而言,7月30日为其移栽期但也是一季稻的抽穗期,影像中同时存在浅灰色水体和红色植被;9月17日晚稻进入抽穗期,稻田几乎被水稻植被覆盖,因此影像上呈现出植被的红色特征。

	图 3 2010年沅江市水稻生长期时间序列HJ-CCD影像Fig. 3 Time series HJ-CCD and NDVI images of paddy rice in Yuanjiang City in 2010
图选项

反映在时序NDVI影像和光谱反射率曲线中,也能得出相似的规律:1)对于早稻、一季稻和晚稻的移栽期,水稻田在NDVI影像上呈现暗灰色→灰色调,表明水体占大多数;在对应的光谱曲线上,4个波段的光谱反射率值逐渐增大,表明稻田刚移栽完水稻苗;相比早稻,一季稻和晚稻田中由于生长着其他植被类型,使得近红外波段的反射率大于其他3个波段。2)相比之下,早稻和晚稻的抽穗期,水稻植被覆盖了整个地面,使得NDVI影像上的像元值增大,除了常年水体外,影像整体表现明亮的色调;在光谱曲线上,也呈现出植被的典型光谱特征,即存在绿峰、红谷和近红外高反射率。

2.2 水稻种植空间布局

水稻在移栽期具有明显以水为背景的特点,同时水中刚种植水稻秧苗,又明显区别于纯水体(NDVI值大于0);水稻在抽穗期达到生长最旺盛期,具有最大的NDVI值。基于抽穗期和移栽期NDVI差值影像的最大值和最小值作为阈值,可以提取潜在的水稻像元。将前期获取的28个早稻、20个一季稻和25个晚稻样本点叠加到三期(表 1)NDVI差值影像上(图 4)得出,早稻:0.58<ΔNDVI<0.72,均值为0.64;一季稻:0.59<ΔNDVI<0.72,均值为0.65;晚稻:0.52<ΔNDVI<0.61,均值为0.56,得到图 4所示的3种水稻空间分布图,可以发现水稻像元中存在明显的错分像元,如河流周边的水生植物、浅滩、围网养殖区等,导致错分现象的产生。为了解决这一问题,采用See 5.0决策树监督分类进一步提纯水稻像元。

	图 4 基于NDVI阈值的沅江市水稻粗分类Fig. 4 Identified coarse paddy rice fields in Yuanjiang City using decision tree classification
图选项

在图 4粗分类的基础上,将粗分类图以及2个生育期(移栽期和抽穗期)计算的18个植被指数进行波段合成,按照水稻、林地、建筑物、背景、水体、沙滩6类输入See 5.0决策树,生成综合分类规则集(以晚稻为例,SAVI_移栽期>0.138和RDVI_移栽期≤0.79或SAVI_移栽期>0.005 2和TVI_移栽期≤0.562),得到植被指数的重要性依次为:移栽期SAVI(94%)、移栽期RDVI(42%)、抽穗期GNDVI(37%)、移栽期TVI(36%)和抽穗期RVI(12%),其他13个植被指数则没有参与分类,说明植被指数构成时会存在相似性,使得加入的自变量不会全部参与分类。相比之下,移栽期的SAVI重要性最大,也说明了水稻种植在有水覆盖的土壤之上,湿度变量与土壤含水量有密切关系。因此,可以充分利用水稻生长期内土壤含水量较其他植被高的特点,有效区分水稻与其他植被。提纯水稻像元后得到图 5所示的沅江市2010年早稻、一季稻和晚稻的种植空间分布。可以发现早稻与晚稻的空间分布和种植面积相近,主要分布于西北部和中部的洞庭湖平原;相比之下,一季稻种植面积较小,主要分布于沅江市的北端;随着沅江市从春季进入夏季的雨季,湖泊和河流中水体的面积增加很快。

	图 5 基于决策树分类的沅江市水稻面积Fig. 5 Identified more accurate paddy rice fields in Yuanjiang City using decision tree classification
图选项

统计图 4中3种水稻像元数并结合HJ-CCD影像的空间分辨率,计算它们的面积分别为388.7、6.3和358.3 khm²。根据《2011年湖南省农村统计年鉴》,湖南省沅江市早稻、一季稻和晚稻的种植面积统计数据分别为:346.7、5.4和388.0 khm²,相对误差分别为:12.1%、16.7%和-0.8%。另外,对比实地调查的3类水稻样本点,得到总体分类精度分别为:86%、75%和80%,说明一季稻的提取精度最低,是因为受到其他作物的影响较大。调查当地的种植结构和种植习惯,发现沅江市大部分为双季稻,因此早稻和晚稻的种植面积也很接近。

3 讨论

HJ-CCD同时具有高时间分辨率和较高空间分辨率影像的产生为监测水稻等作物的高频度生长变化提供了丰富的“空间”和“时相”信息。本研究选取水稻移栽期和抽穗期的HJ-CCD影像,利用这2个生育期水稻明显区别于其他作物的独特优势,基于See 5.0构建综合分类决策树,分别提取沅江市的早稻、一季稻和晚稻的空间分布和种植面积。分析本文提取结果,发现仍有部分细小河流和大河流岸边生长着水生植物的区域被误分为水稻像元,使得最后的提取面积大于统计面积。一方面,水稻在移栽期具有明显以水为背景的特点,同时水中刚种植水稻秧苗,又明显区别于纯水体,所以仅利用移栽期的遥感影像只能提取潜在的水稻种植像元,会产生明显的错分像元,导致提取的水稻种植面积大于实际值,必须结合水稻抽穗期的生长特征才能更准确提取水稻;另一方面,由于HJ-1 CCD多光谱影像只有蓝→近红外4个波段,缺少短波红外波段,也就无法构建陆地水分指数LSWI,导致移栽期水稻田与水体像元极其相近。相比晚稻,早稻和一季稻的像元分布更加零散,原因是由于6月30日为早稻的抽穗期有云分布,影响了像元的计算。此外,3种水稻由于种植品种不同导致生长中的营养特性不同^[22],在遥感影像上表现为光谱和纹理信息存在差异,也给水稻识别和提取带来了挑战。总的来说,基于遥感影像的水稻种植面积提取精度受影像空间分辨率的影响较大:高空间分辨率的影像可以获得较高精度的提取结果,但其时间分辨率往往较低,且南方水稻生长期内常遭受阴雨天气,影像常被云覆盖,导致可用的影像很少;中低空间分辨率的影像因时间分辨率较高更易获取,但由于受传感器分辨率限制及地物的多样性,存在大量混合像元,提取的精度较低。后续研究中可以首先提取分类产品中的耕地,然后进一步划分为水田和旱地,再利用水稻移栽期和抽穗期的时序HJ-CCD影像,能够更精确地提取水稻的时空变化特征。