單捷+孫玲+于堃+毛良君+黃曉軍+王志明

摘要： 高分一號衛(wèi)星影像具有高空間分辨率和高時間分辨率的優(yōu)點。為了分析在水稻生育期內不同時相的高分一號衛(wèi)星影像對水稻識別的影響，以江蘇省建湖縣為研究區(qū)域，選用2014年7月21日至2014年10月24日期間5景空間分辨率為16 m的高分一號衛(wèi)星影像，采用ISODATA分類與人工目視解譯相結合的方法分別提取各時相的水稻種植面積，并以地面實測GPS水稻樣方進行精度驗證，結果表明5個時相的水稻種植面積精度都在86%以上，10月15日精度達到最高，為90.391%，說明利用高分一號衛(wèi)星影像可以用于監(jiān)測水稻種植面積且精度較高，在農業(yè)遙感監(jiān)測領域中具有廣闊的應用前景。

關鍵詞： 遙感監(jiān)測；高分一號衛(wèi)星；不同時相；水稻種植面積；江蘇省建湖縣

中圖分類號： S127 文獻標志碼： A

文章編號：1002-1302（2017）22-0229-04

水稻是僅次于小麥、玉米的世界第三大糧食作物，全世界水稻播種面積約占耕地面積的15%[1]。中國是世界上最大的水稻生產國和消費國，水稻種植面積占全國糧食作物種植面積的30%[2]。因此，及時準確地掌握水稻種植面積信息對于農業(yè)和經濟發(fā)展具有重要意義。

高分一號衛(wèi)星（簡稱GF-1衛(wèi)星）是我國高分辨率對地觀測系統(tǒng)重大專項中為解決應用急需和替代進口而規(guī)劃的首發(fā)衛(wèi)星，于2013年4月26日成功發(fā)射升空。它突破了高空間分辨率、多光譜與寬覆蓋相結合的光學遙感等關鍵技術，在分辨率和幅寬的綜合指標上達到了目前國內外民用光學遙感衛(wèi)星的領先水平[3]。高分系列衛(wèi)星的發(fā)射在國土資源調查、災害評估、環(huán)境監(jiān)測等領域發(fā)揮重大的經濟和社會價值[4]，尤其在農業(yè)領域對國家糧食安全、生態(tài)環(huán)境保護、農業(yè)可持續(xù)發(fā)展具有重大意義。GF-1衛(wèi)星搭載了2臺2 m分辨率全色/8 m分辨率多光譜相機，4臺16 m分辨率多光譜相機，設計壽命5～8年，具體參數(shù)見表1。

GF-1衛(wèi)星自發(fā)射以來，提供了大量高空間分辨率的衛(wèi)星數(shù)據(jù)，成為眾多研究學者運用多種方法進行農作物遙感識別的主要數(shù)據(jù)源。劉吉凱等[5]采用多時相迭代方法構建 GF-1 數(shù)據(jù)的甘蔗提取特征向量決策樹模型，提取研究區(qū)甘蔗種植面積，得到較高的分類精度。劉國棟等利用多時相 GF-1 數(shù)據(jù)進行多目標農作物的MPPS 抽樣， 從而推斷總體

農作物的種植面積，精度高于90%[6]。王利民等采用4個時相的GF-1數(shù)據(jù)，以多尺度分割后的對象為基本分類單元，運用分層決策樹分類的方法對冬小麥面積進行提取，分類總體精度達到96.7%[7]。楊閆君等構建GF-1數(shù)據(jù)的NDVI時間序列，并在此基礎上運用多種分類方法對研究區(qū)作物進行分類[8]。賀鵬等基于多時相GF-1數(shù)據(jù)序列構建基于決策樹分層分類的主要作物遙感分類模型，提取研究區(qū)主要作物的空間種植信息，精度在97%以上[9]。Yang等基于兩景GF-1數(shù)據(jù)利用水稻分蘗期和抽穗期的NDVI和NDWI構建了水稻信息提取模式，有效地提取出了研究區(qū)水稻信息[10]。

為了分析在水稻生育期內不同時相的GF-1衛(wèi)星影像對水稻識別精度的影響，本研究以GF-1衛(wèi)星影像為數(shù)據(jù)源，以江蘇省建湖縣水稻為研究對象，選擇水稻生育期內不同時期的GF-1影像，進行不同時相的水稻種植面積提取，通過對提取的各時相水稻面積精度進行分析，從而對GF-1衛(wèi)星影像的水稻面積監(jiān)測精度進行評價。

1 研究區(qū)域概況

建湖縣位于江蘇省鹽城市中西部，33°16′～33°41′N，119°33′～120°05′E，東臨射陽縣，南與鹽都區(qū)接鄰，西與寶應、淮安、阜寧3縣（市）毗連，北與阜寧縣分界。建湖縣是國家商品糧基地縣，常年水稻面積占耕地面積85%左右，一季稻以“淮稻5號”為主，生長期一般從5月下旬到10月下旬，同時期的其他作物有少量大豆、玉米、薯類和棉花。

2 研究方法

2.1 GF-1影像采集及預處理

以2014年GF-1衛(wèi)星空間分辨率為16 m的多光譜影像為數(shù)據(jù)源，由于華東地區(qū)在水稻生育期內正值多云多雨季節(jié)，6—11月期間除7月21日、8月3日和10月3日影像上有少量云，10月15日、10月24日、11月13日和11月21日影無云影響外，其余影像云量太多，不宜使用。10月下旬后水稻陸續(xù)收割，因此選用7月21日、8月3日、10月3日、10月15日和10月24日的影像監(jiān)測水稻面積。

首先對各時相的GF-1衛(wèi)星影像進行正射校正、大氣校正和幾何精校正，誤差控制在0.5個像元之內，然后利用全國1 ∶ 25萬行政區(qū)劃圖對建湖縣域影像進行裁切和拼接。

2.2 地面觀測數(shù)據(jù)

驗證樣方數(shù)量及位置的確定。本研究在建湖縣水稻種植區(qū)域內選取5塊5 km×5 km的水稻驗證（樣方分布見圖1），驗證樣方選擇的原則兼顧作物空間分布與作物類型的均勻性。由于4號樣方臨近建湖縣邊界，所以該樣方邊界以建湖縣邊界為準，樣方面積略小于25 km2。

驗證樣方內水稻面積的確定。利用亞米級的差分GPS在野外獲取樣方位置與主要作物范圍，建立水稻和其他地物解譯標志，結合地面調查結果對2013年8月8日空間分辨率0.5 m的WorldView-1衛(wèi)星的全色立體影像與2014年10月3日空間分辨率為8 m的GF1-PMS影像融合，生成空間分辨率為0.5 m的多光譜影像進行目視解譯得到每塊樣方內水稻種植面積并進行實地驗證和修正，最終得到驗證樣方的水稻面積（圖2），并以此面積作為實際水稻面積對GF-1衛(wèi)星影像提取的水稻面積進行精度驗證。

2.4 水稻提取方法

由于非監(jiān)督分類方法不需要較多的先驗知識，僅依靠影像上不同類地物光譜信息（或紋理信息）進行特征提取，再統(tǒng)計特征的差別來達到分類的目的，最后對已分出的各個類別的實際屬性進行確認[11]，分類方法簡單且分類過程快速。所以本研究采用非監(jiān)督分類與人工目視解譯相結合的人機交互方法對水稻進行提取，即選擇非監(jiān)督分類方法中常用的ISODATA（iterative self-organizing data analysis technique）即迭代自組織數(shù)據(jù)分析計算算法分別對5個時相的GF-1衛(wèi)星影像進行分類，結合各時相對應的水稻解譯標志在影像上判別出水稻，提取建湖縣水稻種植面積，在此基礎上再由解譯人員憑借光譜規(guī)律、地學規(guī)律和解譯經驗從影像的亮度、色調、位置、時間、紋理、結構等特征進行人工目視解譯修正，從而得到最終的水稻種植面積。endprint

2.5 精度驗證

基于地面樣方數(shù)據(jù)驗證是精度驗證的主要手段之一，也是說明分類結果準確程度的指標之一[12-14]。本研究選用基于地面樣方數(shù)據(jù)的精度驗證方法對GF-1衛(wèi)星影像的水稻面積監(jiān)測精度進行評價。由于本研究主要目的是為了測試GF-1衛(wèi)星影像對水稻的識別能力，評價GF-1衛(wèi)星影像在水稻面積監(jiān)測中的精度，所以只對提取出的水稻進行精度評價而不涉及其他地物類型。

由表3可以看出，7月21日、8月3日、10月3日、10月15日和10月24日5個時相的水稻種植面積監(jiān)測平均精度都在86%以上，相差不大，且精度隨著水稻的生長逐漸升高，7月21日的精度最低，為86.324%，在10月15日達到最高，為90.391%；5個時相的各樣方水稻種植面積監(jiān)測精度大多數(shù)集中在85%～98%，精度最高的是10月15日的5號樣方，精度為98.060%，精度90%以上的有15個，精度80%～90%的有4個，精度低于80%的有6個，分別是7月21日的5號樣方（精度為75.067%）、8月3日的1號樣方（精度為77307%）、10月3日的4號樣方（精度為78.690%）、10月15日的3號樣方（精度為74.068%）、10月24日的3號和4號樣方（精度分別為78.333%和76.639%）。

通過比對各時相GF-1衛(wèi)星影像和實地調查發(fā)現(xiàn)，造成上述精度低于80%的主要原因除了影像上有少量云層的干擾如8月3日的1號樣方和10月3日的4號樣方，水稻陸續(xù)收獲的影響如10月15日的3號樣方、10月24日的3號和4號樣方外，還有水稻在特定的生長期內同時具有植被和水體的光譜特征使水稻與水體發(fā)生了混分現(xiàn)象如7月21日的5號樣方。

另一方面，7月21日建湖水稻處于分蘗中期，由于種植方式不一樣，水稻苗大小參差不齊，水稻光譜特征受到水面或裸地的影響，水稻精度相對較低。8月3日水稻分蘗較前期旺盛，接近孕穗期，種植模式造成的差異逐漸縮小，水稻光譜特征趨于一致。10月上中旬水稻介于開花期與成熟期之間，水稻長勢一致，前期種植方式以及移栽期差異的影響已經不復存在，所以10月15日水稻精度達到最高。10月下旬受到水稻陸續(xù)收割的影響導致10月24日提取的水稻面積減小，降低了水稻精度。所以，若能排除影像云層的影響并在水稻收割前獲取影像，GF-1衛(wèi)星影像的水稻種植面積監(jiān)測精度還能得到提高。

4 結論

以GF-1衛(wèi)星影像為數(shù)據(jù)源，進行不同時相的水稻種植面積提取，對水稻面積監(jiān)測精度進行評價，結果表明：

（1）從選取的5景不同水稻生育期內GF-1衛(wèi)星影像水稻種植面積監(jiān)測結果的精度分布來看，由于7月底和8月初的水稻光譜特征易受到水面或裸地的影響，水稻種植面積監(jiān)測精度在86%～89%；10月上中旬水稻介于開花期與成熟期之間，此時的GF-1影像能夠準確地把水稻與其他地物區(qū)分開，所以水稻種植面積監(jiān)測精度達到最大的90.391%。因此基于建湖縣的水稻種植特點、種植模式以及所用的2014年 GF-1衛(wèi)星影像的特點，10月上中旬是GF-1衛(wèi)星影像識別建湖縣水稻的最佳時相。

（2）由于本研究是分別單獨對不同時相的水稻種植面積進行提取，若是在以后的研究中能在綜合利用多時相遙感影像的基礎上，結合農作物物候期等多種信息，對不同時期的水稻光譜信息進行綜合分析，并利用決策樹、支持向量機等其他監(jiān)督分類方法進行水稻種植面積的提取，精度會達到更高。

（3）GF-1衛(wèi)星影像空間分辨率高、重訪周期短、成本低、獲取方便，是農作物種植面積遙感監(jiān)測的良好數(shù)據(jù)源。因此利用GF-1衛(wèi)星影像夠準確監(jiān)測縣級尺度水稻種植面積，能實現(xiàn)對中小區(qū)域尺度農情信息的快速獲取，為縣級農業(yè)生產管理部門提供及時準確的農情遙感監(jiān)測信息。

參考文獻：

[1] Xiao X，Boles S，Liu J，et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95（4）：480-492.

[2]鄧長春. 水稻種植面積遙感信息提取研究[D]. 烏魯木齊：新疆農業(yè)大學，2008.

[3]劉 斐，呂大星. 我國成功發(fā)射高分一號衛(wèi)星[J]. 中國航天，2013（5）：10-13.

[4]邱學雷. 高分一號衛(wèi)星工程首批影像圖發(fā)布將為國土、環(huán)境、農業(yè)等領域提供精準服務[J]. 國防科技工業(yè)，2013（6）：14-16.

[5]劉吉凱，鐘仕全，徐 雅，等. 基于多時相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J]. 廣東農業(yè)科學，2014，41（18）：149-154.

[6]劉國棟，鄔明權，牛 錚，等. 基于GF-1衛(wèi)星數(shù)據(jù)的農作物種植面積遙感抽樣調查方法[J]. 農業(yè)工程學報，2015，31（5）：160-166.

[7]王利民，劉 佳，楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J]. 農業(yè)工程學報，2015，31（11）：194-201

[8]楊閆君，占玉林，田慶久，等. 基于GF-1/WFVNDVI時間序列數(shù)據(jù)的作物分類[J]. 農業(yè)工程學報，2015，31（11）：155-161.

[9]賀 鵬，徐新剛，張寶雷，等. 基于多時相GF-1遙感影像的作物分類提取[J]. 河南農業(yè)科學，2016，45（1）：152-159.

[10] Yang Y，Huang Y，Tian Q，et al.The Extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis，2015，35（11）：3255-3261.

[11]梅安新. 遙感導論[M]. 北京：高等教育出版社，2001.

[12]甘甫平，王潤生，王永江，等. 基于遙感技術的土地利用與土地覆蓋的分類方法[J]. 國土資源遙感，1999，42（4）：39-44.

[13]Anssen L L F，Vanderwel F J M. Accuracy assessment of satellite-derived land-cover data：a review[J]. Photogrammetric Engineering and Remote Sensing，1994，60（4）：419-426.

[14]Kalkhan M A，Reich R M. Assessing the accuracy of landsat themeatic mapper classification using double sampling[J]. International Journal of Remote Sensing，1998，19（11）：2049-2060.endprint