基于GF-1影像的耕地地块破碎区水稻遥感提取
Study on Extraction of Paddy Rice Planting Area in Low Fragmented Regions based on GF-1 WFV Images
通讯作者:
收稿日期: 2018-08-21 修回日期: 2019-06-28 网络出版日期: 2019-09-19
基金资助: |
|
Received: 2018-08-21 Revised: 2019-06-28 Online: 2019-09-19
作者简介 About authors
张海东(1984—),男,江苏东台人,博士,副研究员,主要从事农业信息化、资源遥感研究E⁃mail:
关键词:
Keywords:
本文引用格式
张海东, 田婷, 张青, 陆洲, 石春林, 谭昌伟, 罗明, 钱春花.
Zhang Haidong, Tian Ting, Zhang Qing, Lu Zhou, Shi Chunlin, Tan Changwei, Luo Ming, Qian Chunhua.
1 引 言
多光谱、高光谱和光学合成孔径雷达(SAR)等数据在水稻遥感监测中均有应用,但受数据源缺乏的制约,现有研究主要利用多光谱遥感影像进行水稻像元分类提取。实际应用中,根据精度需求,大尺度水稻遥感监测通常以MODIS、NOAA等中低分辨率影像为主[5],中等尺度或小尺度则选择中高空间分辨率的遥感影像,如Landsat TM、SPOT、QuickBird等。近年来,我国自主研发的高分系列卫星遥感影像因具备高重访周期和中高空间分辨率的优势[6],得到了广泛的应用。在水稻种植面积最大的中国和印度,学者针对不同遥感数据源的水稻分类提取方法与动态监测开展了研究[7]。Singha等[8]利用MODIS数据对印度北部的水稻种植区进行了识别,分类精度和Kappa系数分别为84.4%和0.68。Qiu等[9]通过分析时序MODIS影像的植被增强指数和地表水分的变幅,提取了中国南方地区水稻种植区,总体精度达93.4%。陆洲等[10]综合利用资源三号和GF-1等多光谱数据,基于光谱特征规则集构建模型提取了广西来宾市水稻种植信息。单捷等[11]在江苏省建湖县选择水稻各生育期内的GF-1影像,分别对不同时相水稻种植面积进行提取,监测精度介于86%~91%之间。
水稻关键物候期多期高质量遥感数据的获取是确保水稻提取精度的关键。但在水稻生长与雨季同期的东部地区,云雨覆盖常常影响关键时相遥感影像的质量,即使GF-1等宽幅遥感数据也面临着有效数据缺失的问题[12]。因此,利用单景中高分辨率遥感识别结果与低分辨率植被指数序列建立回归模型,成为水稻遥感提取的一个发展趋势,但提取结果仍为粗分辨率尺度的丰度数据,且在田块破碎、分散地区,该方法易引起错分、漏分或多分等问题,较多研究结果显示水稻提取精度达90%以上[13,14],但往往缺乏空间区位分析,在作物类型复杂且田块碎小的地区难以满足实际应用的需求。如何利用少量遥感数据提升水稻提取精度,是水稻业务化监测中亟需解决的问题。
位于太湖地区的苏州市高新区耕地利用类型复杂,地块较为破碎,遥感分类提取环境复杂。本研究基于水稻分蘖期与齐穗期的两景中高空间分辨率GF-1 WFV影像,利用对水稻冠层动态变化和地表水分敏感的归一化差值植被指数(Normalized Differential Vegetation Index, NDVI)差值、归一化水体指数(Normalized Differential Water Index, NDWI)[15]差值和比值植被指数(Ratio Vegetation Index, RVI)差值参数,提取水稻种植面积,并对面积精度和空间重合度进行了深入分析,旨在筛选较高时空分辨率遥感环境下适用于耕地地块破碎区的水稻提取方法,为农业生产及相关部门决策提供数据与技术支持。
2 数据和方法
2.1 研究区概况
苏州市高新区介于120°16′~120°36′ E,31°13′~31°26′ N之间(如图1),地势西高东低,陆域面积223.0 km2。属北亚热带湿润季风气候,年均温15.7 ℃,年均降水量1 100 mm,受暖湿夏季风影响,降水多集中在4~9月,占全年降水总量的70%以上。研究区主要种植作物有果园树、蔬菜、水稻、小麦和油菜等,2016年高新区耕地面积约为32.3 km2,其中水稻种植面积为6.03 km2,占比18.7%。
图1
图1
研究区域图
Fig.1
The study area of Gaoxin district in Suzhou city, Jiangsu province
2.2 数据源
图2
图2
高新区水稻分蘖期与齐穗期GF-1影像图
Fig.2
GF-1 WFV images of paddy rice at tillering and full heading phenophase of Gaoxin district
表1 研究区水稻主要物候期
Table 1
5月 | 6月 | 7月 | 8月 | 9月 | 10月 | 11月 | ||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 |
播种 | 出苗 | 移栽 | 分蘖 | 拔节 | 孕穗 | 齐穗 | 乳熟 | 蜡熟 | 完熟 |
水稻种植信息来源于2016年高新区土地利用现状矢量图(1∶25 000),基于2015年GF-2 0.8 m影像数据人机交互解译获取(苏州中科天启遥感科技有限公司提供),与0.5 m高分辨率Google Earth遥感影像对比并经野外验证,对错分、漏分水稻图斑进行了修正,可视为真实的水稻分布。
2.3 水稻遥感提取原理
作物物候是作物长期适应区域温度条件的周期性变化,形成相适应的生长发育节律的现象。水稻从播种到成熟,随着物候期的转变,在光谱反射上体现为红光反射率逐渐减小,近红外波段反射率增大的趋势,水稻因其生长过程中对水分需求的变化及相应的物候特征(表1),与其他作物呈现出明显差异[16,17],并显著体现于水稻分蘖期和齐穗期。当处于分蘖期时,水稻植株较小且下垫面以水体为主,因此在遥感指数上体现为NDWI为正值,而NDVI和RVI值较低[18]。当水稻生长发育至齐穗期,NDVI和RVI值达到最大[3],下垫面由于灌溉减少且被水稻冠层遮挡,NDWI呈现为负值。因此,水稻分蘖期与齐穗期的遥感指数特征组合差异显著区别于其他植被(草地、林地或其他作物),通过设定阈值可有效去除非水稻植被,提取精确的水稻种植面积及其空间分布信息。
2.4 植被指数模型法
采用NDVI差值法和NDWI-RVI差值法提取研究区水稻种植面积,通过与非监督分类和监督分类两种基于像元方法的比较,分析植被指数模型法在水稻面积提取精度和空间重合度上的优越性。
2.4.1 NDVI差值法
NDVI差值法根据水稻分蘖期NDVI值较小,而齐穗期NDVI值较大的特征,对两期影像NDVI值进行差值运算(公式(1)~(2)),利用水稻与其他地类的阈值差异识别水稻。
其中:NDVI为归一化差值植被指数,NIR为近红外波段反射率,R为红光波段反射率。
2.4.2 NDWI-RVI差值法
归一化差值水体指数(NDWI)是基于绿光波段与近红外波段的归一化比值指数(公式(3)),水体在近红外波段的反射率最弱,而植被在近红外波段的反射率最强,因此釆用绿光波段与近红外波段的比值可以突出水体并抑制植被信息。比值植被指数(RVI)是植被近红外波段与红光波段光谱反射率的比值(公式(4)),体现了两个波段对绿色植被光谱响应的差异,可有效突出植被信息。NDWI-RVI差值法通过计算水稻NDWI和RVI差值(公式(5)~(6)),确定训练区水稻样本的阈值,获取空间交叉运算的交集部分,从而提取水稻种植区域。
其中:NDWI为归一化差值水体指数,水体覆盖地类数值大于0;RVI为比值植被指数,植被的RVI值通常大于1;NIR、G、R为近红外、绿光、红光波段反射值。
2.5 非监督分类与监督分类法
2.6 水稻遥感提取与精度验证
利用ENVI 5.0软件波段运算功能提取研究区GF-1影像的NDVI、NDWI和RVI,借助ArcGIS软件的栅格计算功能对两期影像的植被指数进行差运算,获取对应植被指数差值图。对照Google Earth遥感影像及实地调查样方,统计差值图中水稻像元值,确定水稻图斑
其中:A为遥感方法提取的水稻种植面积,A0为水稻实际分布面积。
3 结果与讨论
3.1 光谱特征分析
结合0.5 m高分辨率 Google Earth高分辨率影像,基于两景GF-1 WAV影像的交互解译结果,选取研究区水田、林地、城镇、水体和草地5种地类的典型像元,其地表覆盖呈如下特征:水田、林地和草地多为植被常显示的棕色、红色、褐色等色调;城镇(城镇建设用地、村庄与工厂)呈现为较亮的灰色、青灰色、淡绿色、白色等星罗棋布状规则斑块;水体为边界清晰的黑色、墨绿色斑块,河流通常可见有规则的灰色线条(公路)穿过或平行延伸。
利用不同波段像元亮度值的平均值反映各地物的光谱特征(图3),在蓝光、绿光和红光波段(B1、B2、B3)上,均呈现城镇>草地、水体>水田>林地的特征,水田与林地的像元亮度值差异较小,且光谱曲线基本平行,因而辨识度较低。在近红外波段(B4)上,7月15日影像中草地和林地像元亮度值接近且远大于水田;8月30日影像中则呈现水田>草地>林地的特征。因此,基于近红外波段构建的植被指数及其差值,可较好区分水田与其他地类,能够有效识别水稻分布信息。
图3
图3
水田与其他地物各波段像元亮度值
Fig.3
The digital number value on four spectral bands of paddy rice area and other main land use types
3.2 水稻面积提取结果
水稻样方植被指数统计结果显示,差值图中水稻图斑
图4
图4
不同方法提取水稻面积对比
Fig. 4
The comparison of paddy rice area obtained by different extraction methods
3.3 分类效果评价
2 778个随机抽样样本的分类混淆矩阵定量分析结果表明,基于植被指数差值的水稻提取方法精度较高(表2)。NDVI差值法总体精度和Kappa系数分别为92.2%和0.782,NDWI-RVI差值法高达93.5%和0.846,体现出水稻识别结果与实际分布较高的吻合度。空间分布上, NDVI差值法和NDWI-RVI差值法提取的水稻信息与实际水稻分布重叠区域分别为3.98和4.72 km2,空间重合度达66.1%和78.4%。
表2 不同遥感提取方法水稻识别精度
Table 2
检验样点(个) | NDVI差值法 | NDWI-RVI差值法 | 监督分类法 | 非监督分类法 | ||||
---|---|---|---|---|---|---|---|---|
水稻 | 其他 | 水稻 | 其他 | 水稻 | 其他 | 水稻 | 其他 | |
水稻 | 361 | 139 | 436 | 64 | 321 | 179 | 171 | 329 |
其他 | 77 | 2 201 | 97 | 2 181 | 275 | 2 003 | 201 | 2 077 |
总样点数 | 438 | 2 340 | 533 | 2 245 | 596 | 2 182 | 372 | 2 406 |
生产精度/% | 82.4 | 81.8 | 53.9 | 46.0 | ||||
用户精度/% | 72.2 | 87.2 | 64.2 | 34.2 | ||||
总体精度/% | 92.2 | 93.5 | 83.7 | 80.9 | ||||
Kappa系数 | 0.723 | 0.809 | 0.485 | 0.282 |
对比两种植被指数差值法分类结果与真实水稻分布的边缘差异,产生误差的原因主要体现在3个方面(图5)。第一,由水田边缘混合像元引起(图5(a)~(c)),由于研究区地块较为破碎、分散,因此水稻与其他地类交界处存在混合像元,易被漏分或错分;同时在栅格矢量数据转换过程中出现棱角现象,也导致边界无法完全重合。第二,由水稻生长过程中长势差异引起(图5(d)),田块肥力差异、施肥不均等因素对不同生育期内水稻长势产生影响,导致植被指数出现波动,部分水稻种植区植被指数差值偏离实际水稻的平均值,出现漏分现象。第三,由于田块本底及人为管理的差异,导致水田下垫面水量较正常水田存在明显差异而形成漏分(图5(e)),或是其他植被(如水生蔬菜等)与水稻的物候特征相近而导致错分(图5(f))。
图5
图5
植被指数差值法水稻种植区识别效果的空间差异
Fig. 5
The spatial difference between the paddy rice area obtained from the vegetation index-based extraction methods and the actual distribution
3.4 两景GF-1影像精确提取水稻面积的可行性
GF-1影像具有回归周期短、空间分辨率高、获取成本低等优势[22],是水稻遥感提取的理想数据源,16 m分辨率的宽幅影像虽存在一定程度的混淆像元,但仍能够有效降低东部地区水稻田块分散、地块小、与池塘等地物相邻及云雨污染等复杂因素的影响。结合前期试验结果可知,利用较少的遥感影像实现较高精度的水稻识别,是太湖地区水稻识别的现实问题与技术难题。单期遥感影像难以精细区分水稻与其它植物间“异物同谱”现象,且因缺少水稻光谱特征变化信息,易发生分类混淆而导致水稻提取精度的降低。本研究从众多植被指数中筛选出NDVI、RVI和NDWI三个能够高效反映水稻特征的参数进行水稻遥感提取,并充分挖掘水稻关键物候期植被与下垫面水体光谱特征组合差异,减少了水稻物候期遥感影像需求量,选择水稻分蘖期与齐穗期两景GF-1影像构建水稻植被指数与水体指数的动态差值组合,为对象的分割及分类提供了更多有效信息,显著提升了水稻的可区分性。从提取的面积精度和空间重合度来看,所采用的两种方法能够有效提升条件复杂地区水稻提取精度,较好弥补了时序遥感影像提取法需要多期遥感影像的缺陷。其中,NDVI差值法具有快速、简便、高效的优势,能够满足常规性水稻监测的需求;NDWI-RVI差值法进一步提升了水稻面积和空间分布精度,能够满足水稻高精度监测的需求。两种方法为其他地区的应用奠定了基础,在不同区域的实际应用中,需考虑水稻品种及其生育期特征,对应时相遥感影像的选择是保障提取精度的关键因素。
4 结 语
基于中高分辨率的GF-1遥感影像,利用水稻分蘖期和齐穗期两个物候期间植被指数的特征差异,研究了NDVI差值法和NDWI-RVI差值法提取水稻分布的方法。结果显示,与传统遥感分类方法相比,两种方法均具有较高的提取精度,有效解决了太湖地区时间序列遥感提取水稻面积需要遥感影像期数多、水稻生长期云雨多而有效遥感数据源缺失、中低分辨率遥感影像在水田分散、破碎地区识别率低等问题,可有效应用于实际水稻分布监测,其中NDWI-RVI差值法的面积精度、整体空间重合度、制图总体精度和Kappa系数分别高达95.5%、78.4%、93.5%和0.846,能够满足水稻种植面积提取业务化运行的需求。
参考文献
Ecosystem Service Value of Rice Paddies based on Contingent Valuation Method——A Case Study at Suzhou City of Jiangsu Province
[J].
基于意愿调查法的水田生态服务价值研究——以江苏省苏州市为例
[J]. ,
Evolution of Regional to Global Paddy Rice Mapping Methods: A Review
[J]. ,
Study on Planting Areas Extraction of Remote Sensing and Monitoring of Crop Growth of Winter Wheat and Rice in Jiangsu Province in 2009
[J].
2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测
[J]. ,
Assessing in Season Crop Classification Performance Using Satellite Data: A Test Case in Northern Italy
[J]. ,
Investigation Method for Crop Area Using Remote Sensing Sampling based on GF-1 Satellite Data
[J].
基于GF-1卫星数据的农作物种植面积遥感抽样调查方法
[J]. ,
Planting Information Extraction of Winter Wheat and Rape based on GF-1 Images
[J].
基于GF-1影像的冬小麦和油菜种植信息提取
[J]. ,
Effect on Rice Identification Accuracy based on Different Spatial Resolution Images of GF-1
[J].
GF-1卫星影像的空间分辨率对水稻识别精度的影响
[J]. ,
Object-based Paddy Rice Mapping Using HJ-1A/B Data and Temporal Features Extracted from Time Series MODIS NDVI Data
[J]. ,
Mapping Paddy Rice Areas based on Vegetation Phenology and Surface Moisture Conditions
[J]. ,
Investigation On Crop Planting Structure based on Remote Sensing Big Data——A Case Study at Laibin City of Guangxi Province
[J].
基于遥感大数据的精细化种植结构调查——以广西来宾为例
[J]. ,
Rice Planting Area Monitoring based on GF-1 Satellite Images of Different Time Phases
[J].
基于不同时相高分一号卫星影像的水稻种植面积监测研究
[J]. ,
Research on the Method of Rice Remote Sensing Identification based on Spectral Time-series Fitting in Southern China
[J].
基于光谱时间序列拟合的中国南方水稻遥感识别方法研究
[J].,
Mapping Rice Paddy Extent and Intensification in the Vietnamese Mekong River Delta with Dense Time Stacks of Landsat Data
[J]. ,
Automatic and Adaptive Paddy Rice Mapping Using Landsat Images: Case Study in Songnen Plain in Northeast China
[J]. ,
Semi-automatic Classification Method for Mapping the Rice-planted Areas of Japan Using Multi-temporal Landsat Images
[J]. ,
Fusion of MODIS and Landsat 8 Images to Generate High Spatial-temporal Resolution Data for Mapping Autumn Crop Distribution
[J].
Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物
[J].,
Extraction of Spring Maize Planting Area by Combined Phenological Feature with Mixed Spectral Information
[J].
基于物候特征和混合光谱信息的春玉米种植面积提取
[J]. ,
The Extraction Model of Paddy Rice Information based on GF-1 Satellite WFV Images
[J]. ,
Remote Sensing Image Classification based on Landsat-8
[J].
基于Landsat-8的遥感影像分类研究
[J]. ,
Analysis of Two Remote Sensing Methods of Rice Planting Areas Extraction
[J].
两种水稻种植面积遥感提取方案的分析
[J]. ,
Study on Crops Remote Sensing Classification based on Multi-temporal Landsat 8 OLI Images
[J].
基于多时相Landsat 8 OLI影像的农作物遥感分类研究
[J]. ,
/
〈 | 〉 |