劉 佳，王利民，姚保民，楊福剛，楊玲波，王小龍，曹懷堂

·農(nóng)業(yè)信息與電氣技術(shù)·

基于多時(shí)相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算

劉 佳，王利民※，姚保民，楊福剛，楊玲波，王小龍，曹懷堂

（中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

為客觀獲取寧夏水稻面積空間分布信息，也為區(qū)域農(nóng)作物遙感監(jiān)測奠定技術(shù)基礎(chǔ)，該文以寧夏回族自治區(qū)為研究區(qū)域，選擇美國LandSat-8攜帶的陸地成像儀（operational land imager，OLI）數(shù)據(jù)，采用2016年3月11日－7月01日間的15景影像，基于水稻田耕地與水體特征反射率隨著季節(jié)變化規(guī)律的分析，采用歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、近紅外波段反射率（infrared reflectance，IR）、短波指數(shù)（short waved index，SWI）3個(gè)指數(shù)，以及多時(shí)相NDVI最大值、IR最小值、SWI最小值3個(gè)衍生指數(shù)，共6個(gè)指數(shù)為基礎(chǔ)進(jìn)行決策分類樹構(gòu)建，對全區(qū)水稻進(jìn)行識(shí)別與提取，采用該區(qū)水稻面積本底遙感調(diào)查結(jié)果進(jìn)行精度驗(yàn)證，水稻種植面積提取誤差僅?4.22%，Kappa系數(shù)為0.83，水稻空間分布的用戶分類精度分別為85.11%，制圖精度為81.67%；同時(shí)與監(jiān)督分類方法提取的水稻面積進(jìn)行對比，該文方法提取水稻的用戶精度提高了8.13個(gè)百分點(diǎn)，制圖精度更是提高了20.01個(gè)百分點(diǎn)。研究結(jié)果表明，利用中高分辨率的OLI遙感時(shí)間序列衛(wèi)星影像，在大宗農(nóng)作物時(shí)間序列的變化規(guī)律分析基礎(chǔ)上，構(gòu)建分類決策樹，可以準(zhǔn)確地提取大宗農(nóng)作物種植面積，是區(qū)域農(nóng)作物面積遙感監(jiān)測業(yè)務(wù)運(yùn)行中具有潛力的方法。

遙感；作物；識(shí)別；LandSat-8；OLI；多時(shí)相；寧夏；水稻；面積

劉 佳，王利民，姚保民，楊福剛，楊玲波，王小龍，曹懷堂. 基于多時(shí)相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算[J].農(nóng)業(yè)工程學(xué)報(bào)，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

作為中國第2大作物類型，水稻種植面積數(shù)量與空間分布的信息獲取是中國農(nóng)作物種植結(jié)構(gòu)調(diào)整的主要依據(jù)。遙感技術(shù)具有客觀性強(qiáng)，獲取范圍廣的特點(diǎn)，已經(jīng)逐漸成為水稻種植面積信息獲取的主要方式。水稻遙感監(jiān)測的基本原理是，隨著水稻的生長發(fā)育，會(huì)出現(xiàn)水體特征為主、水體與作物特征并存、作物特征為主的變化特點(diǎn)，通過遙感數(shù)據(jù)對這些信息的及時(shí)獲取，可以將水稻與其他地物類型特征差異最大化，從而實(shí)現(xiàn)水稻類別的準(zhǔn)確識(shí)別。與常規(guī)的農(nóng)作物遙感分類技術(shù)類似，ISOData、最大似然、隨機(jī)森林、決策樹等分類方法都有不同程度的應(yīng)用[1]。除了反射率、歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）、歸一化差異雪指數(shù)（normalized difference vegetation index，NDSI）等常用的遙感指數(shù)作為輸入數(shù)據(jù)源外，歸一化水指數(shù)（normalized difference water index，NDWI）、地表水分指數(shù)（land surface water index，LSWI）、地表溫度（land surface temperature，LST）等與水體識(shí)別密切相關(guān)的指數(shù)也得到了特別的關(guān)注。

在國際上，單獨(dú)使用可見光數(shù)據(jù)、單獨(dú)使用雷達(dá)數(shù)據(jù)、或者二者聯(lián)合使用是水稻遙感監(jiān)測的3種主要方式。在使用可見光遙感數(shù)據(jù)進(jìn)行水稻類型識(shí)別與面積提取的研究中，以LandSat-TM/ETM+/OLI[2]、HJ1A/B-CCD[3-4]、SPOT-VGT[5]、EOS/MODIS[6-7]等中低遙感數(shù)據(jù)源居多，這些研究一般都能達(dá)到較高的精度。如Ali等[8]利用Landsat 8/OLI數(shù)據(jù)對伊朗中部Isfahan省的Najaf-Abad灌溉單元的監(jiān)測結(jié)果表明，包括水稻、蔬菜、苜蓿、喬木及溫室大棚在內(nèi)的夏季農(nóng)田地物類型總體識(shí)別精度達(dá)到了92.36%，水稻的用戶和生產(chǎn)者精度分別為92.2%和95.6%，Kappa系數(shù)為0.90。Elshorbagy等[9]利用長時(shí)序MODIS地表反射率產(chǎn)品數(shù)據(jù)，構(gòu)建NDVI、EVI、LSWI指數(shù)綜合進(jìn)行埃及三角洲水稻面積制圖，2008年、2009年、2010年的監(jiān)測結(jié)果與統(tǒng)計(jì)結(jié)果相對誤差分別為12%、15%、10%。針對種植結(jié)構(gòu)破碎地區(qū)，采用混合像元分解方法提高低分辨率遙感遙感數(shù)據(jù)識(shí)別精度的研究也多有涉及，如Zhang等[10]在利用HJ-1A/B CCD數(shù)據(jù)進(jìn)行湖南省水稻純像元和混合像元識(shí)別基礎(chǔ)上，基于NDVI分量對水稻混合像元進(jìn)行了分解，在縣域尺度上監(jiān)測總體精度達(dá)到了83.17%，相較于純象元分析方法精度提高了12%。Chen等[11]利用TM數(shù)據(jù)和GPS調(diào)查水稻樣方數(shù)據(jù)模擬低分辨率數(shù)據(jù)，使用軟分類BP神經(jīng)網(wǎng)絡(luò)方法，對中國南方水稻面積進(jìn)行提取，結(jié)果表明該方法可以顯著提高水稻種植面積分類精度和亞像元級(jí)面積估計(jì)精度。

由于能夠避免云覆蓋的影響，多時(shí)相、多極化方式的雷達(dá)或者微波數(shù)據(jù)在水稻面積識(shí)別中得到了普遍應(yīng)用[12]。Kei等[13]采用2014年4月16日－7月28日的5景Radarsat-2寬幅精細(xì)聚束模式數(shù)據(jù)對日本東北部的Yamagata地區(qū)水稻進(jìn)行了監(jiān)測，VH極化方式水稻生產(chǎn)者和用戶精度均為83%，VV極化方式則分別為0.73和0.76，VH極化方式較VV極化方式具有更高的精度。Panigrahy等[14]采用3個(gè)時(shí)相C波段RadarSat-1數(shù)據(jù)對孟加拉國的Aman地區(qū)的水稻種植區(qū)域進(jìn)行了識(shí)別，水稻提取面積與統(tǒng)計(jì)面積偏差為5%。出于彌補(bǔ)雷達(dá)數(shù)據(jù)價(jià)格昂貴造成的使用限制，雷達(dá)數(shù)據(jù)與光學(xué)數(shù)據(jù)的綜合應(yīng)用也是水稻種植識(shí)別中的一個(gè)主要方式[15-18]，與單獨(dú)數(shù)據(jù)源使用相比較，數(shù)據(jù)的綜合應(yīng)用對作物面積識(shí)別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地區(qū)，基于2013年和2014年4月18日－7月23日的13景COSMO/SAR數(shù)據(jù)和14景LandSat/OLI數(shù)據(jù)，采用決策樹的方法提取了玉米、水稻、大豆、冬季作物、雙季作物、人工草地和林地等作物類型，2個(gè)年度作物早期識(shí)別精度分別為95.4%和90.3%，SAR數(shù)據(jù)對光學(xué)遙感數(shù)據(jù)提升能力最高可以達(dá)到19.7%以上。

在國內(nèi)，已有較多的學(xué)者對基于EOS/MODIS、LandSat系列、HJ或者GF系列等中高分辨率遙感數(shù)據(jù)的水稻識(shí)別進(jìn)行研究，研究方向集中在非監(jiān)督分類[20-11]、決策樹方法[22-23]、時(shí)空融合模型[24]、神經(jīng)元網(wǎng)絡(luò)和面向?qū)ο骩25-26]等方法的識(shí)別能力與精度上。而由于高分辨率多時(shí)相數(shù)據(jù)較難獲取，因此多使用了混合像元分解技術(shù)[27-29]及融合技術(shù)[30-31]等輔助進(jìn)行面積提取。此外，也有少量利用雷達(dá)數(shù)據(jù)進(jìn)行水稻面積提取的研究報(bào)道[32]，如汪小欽等[33]利用ENVISAT ASAR雙極化數(shù)據(jù)，進(jìn)行主成分變換和面向?qū)ο蠓诸悾@取2004年福州地區(qū)早稻面積，水稻提取精度83.3%。

綜上，水稻種植面積遙感監(jiān)測研究主要有2個(gè)方面：1）基于不同數(shù)據(jù)源不同時(shí)相條件下水稻的遙感識(shí)別能力研究；2）基于不同分類方法水稻識(shí)別能力和精度的比較研究。國外的研究側(cè)重于第1方面，而國內(nèi)的研究則側(cè)重于第2方面?？偟膩砜?，數(shù)據(jù)源充分保障條件下最優(yōu)方法、最高精度的研究較多，基于有限時(shí)相OLI數(shù)據(jù)的區(qū)域性應(yīng)用研究尚不多見。該文選擇寧夏回族自治區(qū)作為研究區(qū)域，以區(qū)域內(nèi)水稻面積為農(nóng)作物提取目標(biāo)，基于水稻生長早期的陸地成像儀（operational land imager，OLI）影像為遙感數(shù)據(jù)源，針對水稻生育期內(nèi)水體、作物2個(gè)特征轉(zhuǎn)換過程中NDVI和近紅外特征表達(dá)的突出特點(diǎn)，進(jìn)行多景、多時(shí)相數(shù)據(jù)區(qū)域水稻識(shí)別，以期為大尺度農(nóng)作物面積遙感監(jiān)測提供依據(jù)。

1 研究區(qū)概況

選擇寧夏回族自治區(qū)作為研究區(qū)域，其地理位置為35°14′N～39°23′N、104°17′E～107°39′E，面積6.64萬km2。地貌大體可以分為黃土高原、鄂爾多斯臺(tái)地和洪積沖積平原，以及六盤山、羅山、賀蘭山南北中三段山地，地形南北狹長，地勢南高北低，西部高差較大，東部起伏較緩，平均海拔1 000 m以上。該區(qū)居西北內(nèi)陸高原，屬典型的大陸性半濕潤半干旱氣候，氣溫日差大，日照時(shí)間長，太陽輻射強(qiáng)。年平均氣溫5～9 ℃，1月平均氣溫在﹣8 ℃以下，極端低溫在﹣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，差異明顯，干旱山區(qū)年平均降水400 mm，引黃灌區(qū)年平均157 mm，各地年平均蒸發(fā)量1 312.0～2 204.0 mm。無霜期平均為105～163 d，年日照時(shí)數(shù)2 250～3 100 h，日照百分率50%～69%，是全國日照資源豐富地區(qū)之一。水稻是該區(qū)最為重要的作物類型之一，也是區(qū)域水分平衡中的敏感作物，約占全區(qū)農(nóng)作物總播種面積的5.88%[34]。小麥、玉米、枸杞、瓜果和馬鈴薯等也是本區(qū)的主要作物類型。研究區(qū)在中國的具體位置如圖1所示。

圖1 研究區(qū)地理位置示意圖Fig.1 Geographical location schematic of study area

2 數(shù)據(jù)獲取與處理

2.1 遙感數(shù)據(jù)預(yù)處理

該文使用了Landsat-OLI為區(qū)域遙感監(jiān)測數(shù)據(jù)源，該衛(wèi)星于2013年2月11日發(fā)射，OLI是其攜帶的主要傳感器，包括9個(gè)波段，分別是海岸/氣溶膠（430～450 nm）、藍(lán)（450～510 nm）、綠（530～590 nm）、紅（640～670 nm）、近紅（850～880 nm）、短波紅外1（1 560～1 660 nm）、短波紅外2（2 100～2 300 nm）、卷云波段（1 360～1 390 nm）、全色波段（500～680 nm），除全色波段分辨率為15 m外，其余波段的空間分辨率均為30 m。該文使用了除卷云波段和全色波段之外的其余7個(gè)波段。根據(jù)寧夏耕地分布狀況，確定129/033、129/034和130/034 3景OLI影像進(jìn)行水稻面積識(shí)別?？紤]到水稻早期識(shí)別的需要，該文使用2016年3－7月的數(shù)據(jù)，這一時(shí)段3景影像覆蓋范圍能夠獲取的有效數(shù)據(jù)共有15景，詳見表1。

表1 寧夏水稻面積識(shí)別OLI影像列表Table 1 List of OLI images of Ningxia rice area identification

數(shù)據(jù)預(yù)處理過程包括輻射定標(biāo)、大氣校正和幾何精校正處理，全部過程使用ENVI5.0軟件進(jìn)行處理。輻射定標(biāo)采用的公式如下：

式中LZ(λZ)為波段中心波長為λZ時(shí)，傳感器入瞳處的光譜輻射亮度值，W/(m2·sr·μm)，Gain為定標(biāo)斜率，DN為影像灰度值，Bias為定標(biāo)截距，Gain及Bias都由衛(wèi)星數(shù)據(jù)供應(yīng)方提供，并可從影像自帶的元數(shù)據(jù)文件中直接讀取。大氣校正采用ENVI/FLAASH模塊進(jìn)行，采用影像自帶的投影及定位坐標(biāo)系統(tǒng)。

2.2 遙感指數(shù)及合成

在幾何與大氣校正基礎(chǔ)上，計(jì)算NDVI、近紅外反射率（infrared reflectance，IR）短波波段指數(shù)（short waved index，SWI），以及衍生的多時(shí)相NDVI最大值（記作NDVImax）、多時(shí)相IR最小值（記作IRmin）、多時(shí)相SWI最小值（記作SWImin）指數(shù)。

式中Ref4～Ref7分別為第4～7波段的反射率，nm；i為參與計(jì)算的影像儒略日。為方便計(jì)算和存儲(chǔ)，以上所有指數(shù)均擴(kuò)大104倍并取整。

針對晴空、云陰影覆蓋2種情況，這6個(gè)指數(shù)使用的優(yōu)先級(jí)是有區(qū)別的。多時(shí)相NDVI最大值合成指數(shù)能夠最大限度地去除云及陰影的影響，為簡化起見，不區(qū)分晴空及云覆蓋狀況，直接使用合成值。針對IR和SWI數(shù)據(jù)，單時(shí)相晴空的IR和SWI數(shù)據(jù)優(yōu)先級(jí)高于多時(shí)相IR和SWI最小值合成數(shù)據(jù)。這主要是由于IR或者SWI最小值合成雖然可以去除云的影響，但云陰影卻與水體、灌水水田相混淆，夸大了水稻面積。根據(jù)NDVI最大值方法制作的研究區(qū)晴空合成圖以及NDVI最大值合成圖（為便于計(jì)算將NDVI值擴(kuò)大104倍）如圖2所示。

圖2 研究區(qū)晴空影像合成圖Fig.2 Sunny day synthetic images of study area

2.3 水稻本底數(shù)據(jù)獲取

水稻本底調(diào)查采用2016年4月28日－8月9日4 m空間分辨的50景GF-2/PMS數(shù)據(jù)，通過人工目視解譯的方式勾繪地塊邊界，并結(jié)合地面調(diào)查填圖的方式獲取，根據(jù)地面實(shí)測樣方數(shù)據(jù)驗(yàn)證，水稻面積的提取精度達(dá)99%以上。GF-2衛(wèi)星是中國高分對地觀測系統(tǒng)的第2顆衛(wèi)星，PMS是其攜帶的主要傳感器之一，像元空間分辨率為4 m，包含藍(lán)、綠、紅與近紅外4個(gè)譜段?；贕F-2/PMS識(shí)別的研究區(qū)水稻面積空間分布如圖3所示，當(dāng)年水稻面積91 910 hm2。

圖3 研究區(qū)基于GF-2/PMS影像的水稻本底調(diào)查結(jié)果Fig.3 Rice background survey result based on GF-2/PMS images in study area

2.4 地物光譜類型及樣本點(diǎn)特征的獲取

按照光譜一致性的原則，將研究區(qū)分為水稻、疏林灌叢、旱地/林地、撂荒地、濕地/水體、其他6種地物類型。其中，水稻是指種植水稻作物的耕地；疏林灌叢主要是指以旱生灌叢、山地灰榆樹林草原植被類型，主要分布在賀蘭山東坡，或以斑塊狀分布于灌溉平原上；旱地/林地指除水稻以外的其他旱地作物，以及以喬木類型為主的林地；撂荒地是指1 a或多年生草本植物為主的植被類型，主要分布在山間盆地、丘陵緩坡、棄耕耕地上；濕地/水體則是指以常年有水覆蓋的濕地類型，以及湖泊水庫等水體；其他則是除去以上5種地類之外的其余地物，主要以裸沙地為主。

該文是基于不同時(shí)相OLI數(shù)據(jù)光譜差異，采用決策樹方法進(jìn)行的，決策樹節(jié)點(diǎn)的閾值是根據(jù)樣本點(diǎn)平均值結(jié)果得出的。樣本點(diǎn)的選取方法是將研究區(qū)按照等距的原則劃分為東西向20列、南北向20行的格網(wǎng)，每個(gè)格網(wǎng)的大小為東西向8 km、南北向10 km，共獲得400個(gè)格網(wǎng)，在每個(gè)格網(wǎng)中目視選擇水稻樣本點(diǎn)。計(jì)算每景影像的NDVI、IR和SWI指數(shù)，進(jìn)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，并通過波譜分析進(jìn)行決策節(jié)點(diǎn)閾值選擇。

2.5 水稻物候期及光譜特點(diǎn)

研究區(qū)內(nèi)水稻在5月上旬移栽，9月上旬成熟，9月中下旬收獲?？梢苑譃榕萏铩⒁圃裕缙冢?、拔節(jié)、孕穗、揚(yáng)花、灌漿、成熟7個(gè)管理、發(fā)育時(shí)期，分別對應(yīng)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，歷時(shí)150天左右。為保證水稻的正常發(fā)育，水稻全生育期內(nèi)都需要保持10cm水體深度，水稻光譜在拔節(jié)期（即6月1日）以前具有明顯的水體特點(diǎn)，從孕穗后期、揚(yáng)花期開始以作物光譜反射特征為主。

該文重點(diǎn)是根據(jù)生長前期影像對水稻類型進(jìn)行識(shí)別，將7月10日以前作為水稻生長前期。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個(gè)時(shí)期的影像，對NDVI、IR和SWI 等3個(gè)指數(shù)的動(dòng)態(tài)變化進(jìn)行分析，為決策樹構(gòu)建提供波譜特征依據(jù)，3個(gè)指數(shù)隨時(shí)間變化的趨勢如圖4a～圖4c所示。

圖4 研究區(qū)水稻等地物類型波譜季節(jié)變化Fig.4 Seasonal change in spectra of ground objects such as rice in study area

由圖4a可見，其他地物的NDVI值在6個(gè)時(shí)期變化一直都很低，其他5種地物類型都具有植被特征，總能在某個(gè)時(shí)期達(dá)到比較高的值，可以作為其他地物與另外5種地物類型的識(shí)別特征；就另外5種帶有植被屬性的地物而言，疏林灌叢的NDVI值在4月份以前都遠(yuǎn)高于其他4種地物，可以作為與其他4種地物的識(shí)別依據(jù)。由圖4b可見，旱地/林地的IR值在各個(gè)時(shí)期都很高，濕地/水體的IR值在各個(gè)時(shí)期都很低，選擇其中不受云影響時(shí)期可以區(qū)分旱地/林地、濕地/水體2種地物類型。由圖4c可見，水稻與撂荒地在4月28日以后差異開始變大，此后時(shí)相的合成可以作為區(qū)分兩者的依據(jù)。通過以上6種地物類型波譜的概述，可以看出，采用波譜季相組合的方式具有將6種地物區(qū)分的可能。

3 研究方法

3.1 算法描述

算法主要分為3個(gè)層次：1）通過NDVI數(shù)據(jù)描述的作物生長狀況對植被特征進(jìn)行識(shí)別；2）通過近紅外數(shù)據(jù)描述的水體特征識(shí)別植被中的水稻；3）通過NDVI、IR、SWI指數(shù)或衍生指數(shù)進(jìn)行水稻精確識(shí)別。具體是按照波譜反應(yīng)一致性的特點(diǎn)，將研究區(qū)地物類型分為水稻、疏林灌叢、旱地/林地、濕地/水體、撂荒地、其他6種地物類型，基于3－6月NDVI最大值識(shí)別植被特征，去除6種地物中的“其他”地物；采用5月中下旬、6月上中旬的IR數(shù)據(jù)的水體特征識(shí)別水稻，去除疏林灌叢、旱地/林地；再基于3、4月IR指數(shù)去除識(shí)別結(jié)果中的水稻，基于5、6月SWI值去除水稻種的撂荒地，獲得精確的水稻種植空間分布結(jié)果。其中，涉及2個(gè)以上時(shí)相數(shù)據(jù)時(shí)，盡量選擇1個(gè)時(shí)相的晴空數(shù)據(jù)，如果1個(gè)時(shí)相無法滿足，則采用2個(gè)以上季相最小值合成，但云陰影的影響會(huì)造成精度的降低。在該文中，129/033景數(shù)據(jù)使用的是單時(shí)相數(shù)據(jù)，而129/034、130/034景數(shù)據(jù)使用了IR合成數(shù)據(jù)。

3.2 水稻識(shí)別過程

基于上述算法描述的原理，采用覆蓋寧夏水稻種植區(qū)域的129/033、129/034、130/034 3景影像，基于決策樹方法實(shí)現(xiàn)寧夏水稻識(shí)別。圖5給出了具體的分類過程，節(jié)點(diǎn)閾值是在樣本點(diǎn)初始閾值微調(diào)基礎(chǔ)上實(shí)現(xiàn)的，關(guān)鍵節(jié)點(diǎn)閾值及識(shí)別類型簡要說明如下?！捌渌钡匚镱愋偷淖R(shí)別：研究區(qū)內(nèi)“其他”地物類型主要包括沙地植被、荒漠植被、城鎮(zhèn)等類型，這些地物類型在3－6月NDVI最大值明顯比其余5種地物類型偏低，閾值2 500以上為5種地物類型。疏林灌叢類型的識(shí)別：疏林灌叢在3－4月NDVI最大值明顯高于水稻、旱地/林地、濕地/水體、撂荒地等地物，閾值3 000以上為疏林灌叢。旱地/林地的識(shí)別：旱地/林地在5－7月的IR值明顯高于水稻、濕地/水體、撂荒地等類型，閾值2 500以上為旱地/林地地物類型。濕地/水體的識(shí)別：濕地/水體在3月上旬－4月下旬，植被沒有或者剛開始發(fā)育的時(shí)期，水田因沒有灌水而水體特征不明顯，而濕地則有水存在而水體特征明顯，這一期IR反射率較低，閾值1 000以下為濕地/水體，區(qū)分于與水田、撂荒地。撂荒地的識(shí)別：撂荒地在5，6月份 IR波段雖然與水稻易于混淆，但在短波譜段撂荒地反射率明顯高于水體，即SWI值明顯高于水稻類型，閾值1 800以上為撂荒地?；谏鲜鲞^程能夠獲取水稻的空間分布，采用DEM 900 m為閾值，可以進(jìn)一步去除山體植被中與水稻的混淆類型，提高識(shí)別精度。最后，對小于3個(gè)像元的細(xì)小圖斑進(jìn)行剔除，進(jìn)行圖斑聚類，最終得到水稻種植空間分布圖。圖5給出了該區(qū)水稻種植面積空間分布識(shí)別流程。

圖5 基于OLI數(shù)據(jù)的寧夏水稻面積識(shí)別流程Fig.5 OLI data-based Ningxia rice area identification flowchart

3.3 精度驗(yàn)證

精度驗(yàn)證數(shù)據(jù)是基于4 m空間分辨率研究區(qū)水稻本底調(diào)查結(jié)果進(jìn)行驗(yàn)證，采用數(shù)量與空間位置2種方式進(jìn)行精度驗(yàn)證。數(shù)量驗(yàn)證主要采用研究區(qū)內(nèi)各縣水稻面積占全區(qū)總面積的比例進(jìn)行說明，空間位置主要基于混淆矩陣、Kappa系數(shù)、總體分類精度、制圖精度和用戶精度5種方式進(jìn)行分類精度的描述和比較，相關(guān)定義及詳細(xì)表述可參照文獻(xiàn)[35-37]，本文不再贅述。

4 結(jié)果與分析

4.1 與本底調(diào)查結(jié)果比較

自治區(qū)水稻全部分布在北部的黃河灌區(qū)，涉及銀川、石嘴山、吳忠和中衛(wèi)4個(gè)地區(qū)的11個(gè)區(qū)縣（圖6）。對水稻種植面積遙感提取結(jié)果進(jìn)行分區(qū)縣統(tǒng)計(jì)，結(jié)果如表2所示，表中的相對誤差為決策樹分類面積與本底調(diào)查調(diào)查面積的差值除以本底調(diào)查面積得到。表2中，平羅、賀蘭、銀川、青銅峽、靈武、沙坡頭、利通、永寧、中寧、大武口和惠農(nóng)縣的水稻面積分別占全區(qū)總面積的27.71%、16.76%、13.69%、11.87%、9.93%、6.72%、5.34%、3.27%、2.24%、1.60%和0.87%。僅惠農(nóng)縣誤差相差較大以外，其他縣市空間分布結(jié)果與研究區(qū)內(nèi)的本底調(diào)查情況基本相符，相對誤差15%左右?；贠LI水稻種植面積88 030 hm2提取誤差僅為?4.22%，表明該文方法對水稻種植面積提取能夠達(dá)到較高的精度，具有應(yīng)用的潛力。

圖6 基于OLI數(shù)據(jù)的寧夏水稻面積空間分布Fig.6 OLI data-based Ningxia rice area spatial distribution

采用2016年寧夏區(qū)內(nèi)水稻面積本底調(diào)查結(jié)果對基于決策樹分類的不同影像的水稻種植空間分布進(jìn)行精度驗(yàn)證，結(jié)果見表3。由于其他地類所占面積較大，基于全部影像的總體精度很高（98.95%），但并不能代表水稻的識(shí)別精度，因此主要從水稻的用戶精度和制圖精度對水稻提取結(jié)果精度進(jìn)行說明。水稻的用戶精度為85.11%，制圖精度為81.67%，Kappa系數(shù)0.83，表明該方法數(shù)據(jù)需求滿足程度高，并能夠獲得較高的精度，具有在業(yè)務(wù)監(jiān)測中應(yīng)用的價(jià)值。

表2 水稻種植面積遙感識(shí)別分區(qū)統(tǒng)計(jì)Table 2 Zoning statistics of rice planting area

表3 基于OLI影像的水稻面積遙感識(shí)別精度Table 3 Rice area remote sensing identification accuracy based on OLI images

129/033和129/034幅的10景影像覆蓋范圍較大且云量較少，而軌道號(hào)130/034的4景數(shù)據(jù)質(zhì)量較差，云覆蓋較多，提取的過程中按照云量設(shè)置了使用優(yōu)先級(jí)，即129/033優(yōu)先級(jí)最高，其次是129/034，最后為130/034，水稻面積在3景中分別占60.41%、32.88%和6.71%（表3）。各景精度不盡一致，129/033、129/034和130/034水稻用戶精度分別為87.57%、83.53%、65.05%；制圖精度分別為83.37%、78.39%、76.12%；Kappa系數(shù)分別為0.85、0.80、0.69。無論制圖精度，還是用戶精度，都隨著影像云量增多而下降，其中130/034的用戶精度最低為65.05%，由于該景水稻占比較小，因此對總體精度影響不大。

對比高分辨率的寧夏水稻面積本底調(diào)查結(jié)果，分析水稻漏分和錯(cuò)分的主要原因。對比發(fā)現(xiàn)，由于OLI空間分辨率較低，使得混合像元被錯(cuò)分為水稻或其他地類，導(dǎo)致水稻的用戶精度和制圖精度降低的主要因素，這也表明30 m分辨率衛(wèi)星影像依然無法有效排除混合像元對作物提取的干擾，只有提高衛(wèi)星影像分辨率或使用混合像元分解才能進(jìn)一步提高水稻面積提取的精度。除混合像元情況之外，導(dǎo)致用戶精度降低的因素主要是道路兩側(cè)的植被、以及部分濕地被錯(cuò)分為水稻；導(dǎo)致制圖精度降低的主要因素是部分水稻地類被錯(cuò)誤的劃分為濕地/水體。

4.2 與監(jiān)督分類方法比較

訓(xùn)練樣本確定：制作覆蓋研究區(qū)本底數(shù)據(jù)8 km× 10 km格網(wǎng)作為抽樣基本單元，格網(wǎng)內(nèi)的作物面積比例作為抽樣參數(shù)，采用等概率原則進(jìn)行地面樣方抽樣。覆蓋研究區(qū)本底數(shù)據(jù)的網(wǎng)格單元共計(jì)400個(gè)，其中98個(gè)格網(wǎng)覆蓋在本底上。分別在129/033、129/034、130/034影像范圍內(nèi)等概率提取10、7、7個(gè)網(wǎng)格作為監(jiān)督分類的樣方。

圖7 監(jiān)督分類訓(xùn)練樣本選取示意圖Fig.7 Sketch map of supervised classification training sample selection

監(jiān)督分類及精度評(píng)價(jià)：采用基于最大似然分類器的監(jiān)督分類方法分別對研究區(qū) Landsat 8 OLI 影像進(jìn)行作物面積識(shí)別，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最小值合成影像作為多時(shí)相影像進(jìn)行面積識(shí)別。最后將分類結(jié)果與整個(gè)研究區(qū)的目視解譯結(jié)果進(jìn)行對比，得到精度評(píng)價(jià)結(jié)果（如表3所示），水稻的用戶精度和制圖精度分別為76.98%、61.66%，Kappa系數(shù)為0.64。通過與監(jiān)督分類方法提取的水稻結(jié)果驗(yàn)證精度相比較，本文采用的以NDVI最大值、IR最小值和SWI最小值構(gòu)建的決策樹方法更具有優(yōu)勢，用戶精度相比提高了8.13個(gè)百分點(diǎn)，制圖精度更是提高了20.01個(gè)百分點(diǎn)。

5 結(jié)論與討論

該文研究結(jié)果表明，基于在軌的可見光波段的數(shù)據(jù)，采用過程明確的決策樹分類方法，能夠完成地區(qū)、省級(jí)尺度上的水稻面積識(shí)別，水稻識(shí)別用戶精度達(dá)到85.11%，制圖精度達(dá)81.67%，相比監(jiān)督分類方法，該文方法水稻用戶精度提高了8.13個(gè)百分點(diǎn)，制圖精度更是提高了20.01個(gè)百分點(diǎn)，能夠滿足區(qū)域水稻面積遙感監(jiān)測的業(yè)務(wù)需要。準(zhǔn)確把握水稻與其他作物區(qū)別的關(guān)鍵時(shí)期、有效去除云影響獲取關(guān)鍵時(shí)期晴空遙感數(shù)據(jù)是區(qū)域水稻面積提取的2個(gè)主要方面。對比寧夏高分辨率水稻分布底圖，發(fā)現(xiàn)影響OLI水稻面積提取精度的主要因素是混合像元，其次是水稻與濕地植被、道路兩側(cè)植被之間的混淆。

水稻與其他地物類型光譜最大差別的關(guān)鍵期選擇。這個(gè)問題是與地物分類系統(tǒng)相關(guān)聯(lián)的，準(zhǔn)確的說，這個(gè)地物分類系統(tǒng)是以光譜反射率差異為指標(biāo)的，而非傳統(tǒng)的社會(huì)屬性系統(tǒng)。該文將研究區(qū)內(nèi)的地物系統(tǒng)分類為水稻、疏林灌叢、旱地（林地）、撂荒地、濕地（水體）、其他6種地物類型，就是根據(jù)水稻識(shí)別過程中分類光譜差異進(jìn)行分類的。這樣的分類系統(tǒng)優(yōu)點(diǎn)很明顯，能夠避免異物同譜、同物異譜帶來的標(biāo)識(shí)困難的問題，避免了復(fù)雜的分類系統(tǒng)造成分類方案的復(fù)雜性。在光譜差異最大時(shí)期的選擇，實(shí)際上覆蓋了作物前期，說明水稻面積識(shí)別時(shí)相選擇要覆蓋前期的各個(gè)時(shí)期。選擇的關(guān)鍵期有3個(gè)階段，即3－4月作物未發(fā)育時(shí)期，與水稻水體特征容易混淆的濕地（水體）可以被明顯識(shí)別，在作物生長旺盛期與耕地（水田、旱地）容易混淆的疏林灌叢也可以被識(shí)別；5月作物開始發(fā)育時(shí)期，水稻的水體特征最為明顯，并且水田全部灌水，避免了水田的遺漏；6月作物生長旺盛時(shí)期，作物特征明顯，可以排除5種地物類型以外的地物類型。關(guān)鍵期無云影像合成能夠捕捉到水稻生長的關(guān)鍵時(shí)期，是區(qū)域水稻面積識(shí)別的前提。首先進(jìn)行云檢測，再進(jìn)行指數(shù)合成，思路清晰簡明，是比較傳統(tǒng)的方法。但受限于云檢測方法，云的污染徹底去除將會(huì)影響識(shí)別精度。采取指數(shù)合成的方法比較簡便，但也需要對指數(shù)合成的方向性進(jìn)行詳細(xì)分析。該文使用NDVI最大值是得到諸多研究認(rèn)可的，但使用近紅外波段反射率最小值合成的方法受到陰影的影響，如何有效去除陰影影像，提高影像的利用效率仍需深入的研究。此外，更高的時(shí)間分辨率對于獲取無云像元也是至關(guān)重要的，在實(shí)際的操作中，可以結(jié)合GF-1等高時(shí)間分辨率的衛(wèi)星影像輔助進(jìn)行水稻提取。

分類方法的普適性的問題，也是區(qū)域遙感監(jiān)測業(yè)務(wù)中需要考慮的問題。首先是分區(qū)單元的問題，其次是衛(wèi)星數(shù)據(jù)的適用性問題。在區(qū)域遙感監(jiān)測業(yè)務(wù)中，通過數(shù)據(jù)拼接成為完整的行政單元再進(jìn)行分類，在實(shí)際的監(jiān)測業(yè)務(wù)中可行性很低。主要原因一是造成差異化的區(qū)域識(shí)別閾值難以應(yīng)用，二是數(shù)據(jù)量過大造成的運(yùn)行效率過低。解決上述問題的方式，一般是通過分塊或者分區(qū)的方式進(jìn)行的，對于類似于Landsat 8 OLI這樣“景”單位一致的數(shù)據(jù)，在區(qū)域識(shí)別閾值通用的情況下，直接采用“景”單位更有利于提高效率；對于“景”單位不一致的情況，相對比較復(fù)雜，采用地形圖格網(wǎng)或者公共區(qū)域的方式更為適用。在一個(gè)衛(wèi)星上開發(fā)的算法是否能夠應(yīng)用到另一個(gè)衛(wèi)星，波段設(shè)置一致性的問題尤為重要。該文研究中，濕地（水體）主要是依據(jù)3－4月的近紅外波段反射率閾值去除的，撂荒地是根據(jù)5月份短波紅外波段去除的。聯(lián)系相關(guān)的衛(wèi)星載荷可知，近紅外波段是較為常見的波段，在國產(chǎn)GF衛(wèi)星系列、國外Landsat 8系列中都具備，但是短波紅外波段則僅在少數(shù)衛(wèi)星上具備，結(jié)合以往研究經(jīng)驗(yàn)，替代短波紅外需要多時(shí)相的可見光波段數(shù)據(jù)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] 肖驍，張英，翟亮，等．單雙季水稻遙感識(shí)別方法[J]．遙感信息，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] 黃振國，陳仲新，劉芳清，等. 利用SPOT5影像提取水稻種植面積的研究：以湖南株洲市區(qū)為例[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)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，景元書，王琳，等. 基于MODIS時(shí)序植被指數(shù)和線性光譜混合模型的水稻面積提取[J]. 大氣科學(xué)學(xué)報(bào)，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] 易沵濼，卓莉，葉濤，等. 決策回歸樹提取水稻面積的關(guān)鍵特征波段[J]. 遙感信息，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] 孫佩軍，張錦水，潘耀忠，等. 構(gòu)建時(shí)空融合模型進(jìn)行水稻遙感識(shí)別[J]. 遙感學(xué)報(bào)，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] 李志鵬，李正國，劉珍環(huán)，等. 基于中分辨TM數(shù)據(jù)的水稻提取方法對比研究[J]. 中國農(nóng)業(yè)資源與區(qū)劃，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] 黃維，黃進(jìn)良，王立輝，等. 多時(shí)相遙感影像檢測平樂縣晚稻種植面積變化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 許玉萍，鵬程，秦自成，等. NDVI時(shí)序曲線形狀相似性模型的水稻提取方法[J]. 地理空間信息，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] 耿利寧，景元書，楊沈斌，等. 基于FastICA算法和MODIS數(shù)據(jù)的水稻面積提取[J]. 大氣科學(xué)學(xué)報(bào)，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] 馬孟莉，朱 艷，李文龍，等. 基于分層多端元混合像元分解的水稻面積信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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，李衛(wèi)國，申雙和，等. HJ星和GF1號(hào)數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，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] 張猛，曾永年. 基于多時(shí)相 Landsat 數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 張細(xì)燕，何隆華. 基于SAR與Landsat TM的小區(qū)域稻田的識(shí)別研究：以南京市江寧區(qū)為例[J]. 遙感技術(shù)與應(yīng)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] 汪小欽，王欽敏，史曉明，等. 基于主成分變換的ASAR數(shù)據(jù)水稻種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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] 寧夏回族自治區(qū)統(tǒng)計(jì)局，國家統(tǒng)計(jì)局寧夏調(diào)查總隊(duì). 寧夏統(tǒng)計(jì)年鑒2016年[M]. 北京：中國統(tǒng)計(jì)出版社，北京數(shù)通電子出版社，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

國家重點(diǎn)研發(fā)計(jì)劃“糧食作物生長監(jiān)測診斷與精確栽培技術(shù)”課題“作物生長與生產(chǎn)力衛(wèi)星遙感監(jiān)測預(yù)測”（2016YFD0300603）

劉 佳，女，漢族，湖南人，研究員，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運(yùn)行研究。北京 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，100081。Email：liujia06@caas.cn

※通信作者：王利民，男，蒙古族，內(nèi)蒙古寧城人，博士，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運(yùn)行研究。北京 中國農(nóng)業(yè)科學(xué)研究院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，100081。Email：wanglimin01@caas.cn