蔣 怡, 李宗南*, 李丹丹, 任國業(yè), 李章成

(1. 四川省農業(yè)科學院遙感應用研究所,四川 成都 610066；2. 農業(yè)部農業(yè)信息技術重點實驗室,北京 100081；3. 中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所,北京 100081)

【研究意義】水稻作為世界三大糧食作物之一，在中國有廣泛種植，其面積約為全國糧食播種面積的27 %，其產量占總產量的1/3[1]。四川是中國13個糧食主產區(qū)之一，水稻種植面積約200萬hm2左右，其中大部分分布于四川盆地丘陵地區(qū)。水稻種植面積及變化率是重要的農情信息之一，對國家糧食安全預警、宏觀糧食經濟決策具有重要意義?！厩叭搜芯窟M展】目前，使用遙感影像通過監(jiān)督分類法提取水稻像元是估算水稻種植面積常用的方法。該方法的精度受影像分辨率、種植連片程度、地物大小造成的混合像元影響，種植結構破碎，混合像元比例高，會導致分類精度下降[2-5]。米級高分辨率的遙感影像能夠準確地估算水稻種植面積,但影像覆蓋面積小。因此目前大區(qū)域作物種植面積估算主要以覆蓋面積大,重訪周期短的5～30 m中高分辨率遙感影像為主。【本研究切入點】Landsat 8衛(wèi)星于2013年2月11日發(fā)射，其采集到的影像免費向全球用戶提供，其搭載的OLI(Operational Land Imager)所獲取的數據在光譜、空間、時間分辨率等性能與早期TM、ETM+等數據有良好的繼承，是目前作物種植面積估算采用的主要遙感數據。四川丘陵區(qū)水田普遍存在地塊面積小、兼作等問題，OLI 15～30 m分辨率影像的解譯精度受到影響，但目前鮮有分析評價丘陵區(qū)OLI影像估算水稻面積精度的研究?！緮M解決的關鍵問題】因此該研究收集2016年四川丘區(qū)OLI影像進行解譯，評價OLI影像在四川丘區(qū)水稻種植面積監(jiān)測中的精度，為提高四川水稻種植面積監(jiān)測精度提供參考。

1 數據來源

1.1 研究區(qū)概況

四川盆地中部為典型的方山丘陵區(qū)，地勢低矮，海拔在250～600 m，丘谷高差50～200 m，地勢由北向南傾斜，南部多淺丘，北部多深丘，為四川省丘陵集中分布區(qū)。研究區(qū)分別位于金堂縣和三臺縣，具體區(qū)位詳見圖1(封三)。位于金堂縣的研究區(qū)，坡度較緩，相對高差30～50 m左右，呈波狀起伏或崗丘形態(tài)，屬于淺丘地形；位于三臺縣的研究區(qū)，坡度較大，相對高度在100～180 m，屬深丘地形。

1.2 水稻樣方種植面積調查

通過實地調查與Google Earth遙感影像解譯確定樣方內水稻種植面積。于2016年6月1-17日在四川省進行水稻種植面積野外調查，使用GPS實地定位，確定地面樣方水稻種植面積，為建立解譯標志。通過Google Earth查找，2016年7月15日有良好影像覆蓋地面調查區(qū)域，結合野外實地調查，建立水稻、水體、植被、居民點、道路等解譯標志，通過目視解譯得到樣方的水稻種植面積，各樣方內水稻種植面積、圖斑數及圖斑平均面積見表1。淺丘區(qū)水稻圖斑平均面積較深丘區(qū)的大。

1.3 OLI影像

OLI影像乂幅為185 km×185 km，包括9個波段，各波段主要性能見表2。通過美國USGS的landsatlook系統查詢到2016年7月22日有質量較好的影像覆蓋研究區(qū)。該時期研究區(qū)水稻已完成分蘗，處于拔節(jié)時期，葉面積較大，水稻光譜特征明顯，易于識別。

2 材料與方法

2.1 影像預處理

OLI影像的預處理主要有影像的正射校正、數據融合。正射校正基于網格分辨率為30 m的ASTER GDEM高程數據進行。數據融合采用Gram-Schmidt變換法，該法改進了主成分變化法中信息過于集中的問題，且不受波段數量限制，融合后影像保持了較好的空間紋理及光譜特征。通過將15 m分辨率的全色影像與30 m分辨率的多光譜影像進行數據融合，得到研究所需的15 m分辨率的遙感影像。

2.2 水稻遙感特征

2016年7月22日，研究區(qū)水稻移栽50 d左右，水稻處于孕穗期，水稻冠層基本覆蓋整個稻田，水稻遙感特征明顯，易于與其他地物區(qū)分[6-8]。假彩色顯示采用R5G6B7組合，即RGB分別對應OLI影像的第5～7波段。分析影像的色調、輪廓大小、陰影、圖案、紋理、布局等多方面因素，建立OLI影像上水稻及其他重點地物的解譯標志，根據解譯標志確定目標地物的空間分布特征[9]。研究區(qū)內各典型地物遙感特征如圖2(封三)，水稻呈深紅色，并隨丘谷地形分布呈樹枝狀，水體呈藍黑色，其他植被呈橙色，居民地呈藍白間雜的顏色，道路呈白色條帶狀。

表1 深淺丘區(qū)水稻種植面積表Table 1 Rice acreage table in shallow and hilly area

表2 OLI陸地成像儀傳感器主要性能Table 2 Main performance of OLI land imager sensors

2.3 基于最大似然分類法的水稻解譯

使用最大似然法進行監(jiān)督分類。該方法作為一種參數分類法，在有足夠多的訓練樣本、一定的類別先驗概率分布知識，且數據接近正態(tài)分布的條件下，最大似然法被認為是分類精度最高的分類方法[10]，且絕大部分的水稻種植面積提取研究報道都選用了最大似然法[11]。首先建立主要典型地物的訓練區(qū)，本研究選取水稻及與水稻鄰近地物水體、植被、居民地和道路等地物訓練區(qū)，然后對影像進行分類，結合地面調查和專業(yè)知識對分類結果進行后處理[12]，剔除明顯錯分為水稻的地物，最后統計水稻圖斑面積。

2.4 精度評價

樣方大小對精度評價有影響。樣方范圍太小，代表性不足；樣方范圍太大，則增加樣方調查難度。本研究比較多個樣方范圍的精度后，采用25 km2樣方。以Google Earth影像解譯得到的真實水稻種植面積總量為準值(A0)，由隨機選取某一樣區(qū)內提取的水稻面積總量(Ai)與(A0)進行比較，獲取區(qū)域內總體面積提取精度，即為區(qū)域精度(Ki)。計算公式：

通過淺丘區(qū)和深丘區(qū)各4個隨機樣方的水稻面積評價OLI影像監(jiān)測四川丘陵區(qū)水稻面積的精度。

3 結果與分析

由表3可知，在樣方面積相同的情況下，淺丘區(qū)的精度范圍為91.3 %～99.0 %，誤差范圍為1.0 %～8.7 %；深丘區(qū)為84.2 %～98.4 %，誤差范圍為1.5 %～15.8 %。通過比較淺丘區(qū)、深丘區(qū)的監(jiān)測精度，認為OLI影像在淺丘區(qū)的水稻監(jiān)測有更好的監(jiān)測精度，且隨著丘陵區(qū)的丘谷相對高度逐漸增大、丘陵坡度增加，通過OLI影像基于監(jiān)督分類法的水稻面積監(jiān)測精度會下降，監(jiān)測結果的不確定性增加。因為隨著丘谷高差、坡度增大，水田地塊形狀趨于狹長、連片面積變小、破碎度上升，導致水稻與其他地物的混合像元增加，進而導致基于監(jiān)督分類法的分類精度下降。丘陵地區(qū)水稻種植區(qū)主要分布于平地、谷地,與其他作物插花種植現象較普遍。已有研究結果表明種植結構多樣化、地塊破碎、海拔及地形復雜均導致水稻面積估算精度下降[13-14]。本研究通過對比四川丘區(qū)不同丘谷高差的水稻種植區(qū)的OLI影像監(jiān)測結果，認為使用OLI影像基于監(jiān)督分類的水稻面積監(jiān)測方法的精度受較多因素影響，解譯結果存在較大不確定性，隨著丘陵丘谷高差增大，其監(jiān)測結果的不確定性上升。

表3 丘區(qū)水稻種植面積區(qū)域精度Table 3 Regional precision of rice planting area in hilly area

4 討 論

本研究通過地面調查與Google Earth影像解譯獲取的樣方水稻種植面積數據評價了使用15 m OLI融合影像基于監(jiān)督分類方法監(jiān)測四川丘陵地區(qū)水稻種植面積的精度。分析結果顯示隨著丘谷高差增大，地形趨于復雜、地塊趨于狹長與破碎，OLI影像監(jiān)測結果的不確定性增加，精度下降。為進一步提高丘區(qū)水稻種植面積估算精度，需使用更高空間分辨率的衛(wèi)星遙感影像，如使用5 m分辨率的Rapideye影像；或改變分類方法，本研究使用的最大似然分類法分類依據主要根據解譯標志差異明顯的3個波段信息，對其他光譜信息及先驗知識的使用不足，如使用決策樹分類，通過引入更多的先驗知識可提高分類精度。另外為提高四川地區(qū)水稻面積監(jiān)測結果的可信度，需在監(jiān)測評價中需采用更合理的抽樣方法，如分層抽樣、依據地形類型抽樣等；以降低平壩、淺丘、深丘等不同地形不同解譯精度對監(jiān)測造成的影響。

5 結 論

通過地面水稻樣方調查和同生長季Google Earth影像解譯獲取淺丘區(qū)、深丘區(qū)樣方內水稻種植面積，并以此結果評價基于最大似然分類法和15 m OLI融合影像的川中丘陵的水稻種植面積監(jiān)測結果。

(1)基于最大似然分類法和OLI融合影像的川中丘陵的水稻種植面積監(jiān)測精度平均約92 %左右，誤差范圍大約1 %～16 %，監(jiān)測結果存在較大不確定性。

(2)隨著丘谷高差增大，地形趨于復雜、地塊趨于狹長與破碎，基于OLI影像的丘陵區(qū)水稻面積監(jiān)測結果的不確定性增加，精度有下降趨勢。

參考文獻：

[1]程式華,李 建. 現代中國水稻[M]. 北京:金盾出版社, 2007:1-3.

[2]黃慧萍,吳炳方. 地物大小、對象尺度、影像分辨率的關系分析[J]. 遙感技術與應用, 2006, 21(3):243-248.

[3]張煥雪,李強子. 空間分辨率對作物識別及種植面積估算的影響研究[J]. 遙感信息, 2014, 29(2):36-42.

[4]蔣 怡,李宗南,任國業(yè),等. 基于GF-1 PMS影像的丘區(qū)檸檬種植面積遙感估算[J]. 中國農業(yè)資源與區(qū)劃, 2016, 37(11):50-55.

[5]張煥雪,李強子,文 寧,等. 農作物種植面積遙感估算的影響因素研究[J]. 國土資源遙感, 2015, 27(4):54-61.

[6]鄔明權,王長耀,牛 錚,等. 利用多源時序遙感數據提取大范圍水稻種植面積[J]. 農業(yè)工程學報, 2010, 26(7):240-244.

[7]Xiao Xiangming,Stephen Boles,et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95:480-492.

[8]Xiao X, Stephen B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J].Remote Sensing of Environment, 2006, 100:95-113.

[9]劉躍辰,王 飛,焦為杰,等. “高分一號”衛(wèi)星數據在冬小麥種植結構調整實施效果評估中的應用——以河北省冀州市為例[J]. 中國農業(yè)資源與區(qū)劃, 2017, 38(2):1-9.

[10]黃敬峰,陳 拉,王 晶,等. 水稻種植面積遙感估算的不確定性研究[J]. 農業(yè)工程學報, 2013, 29(6):166-176.

[11]程 乾. MODIS數據提高水稻衛(wèi)星遙感估產精度穩(wěn)定性機理與方法研究[D]. 浙江大學, 2005:7-9.

[12]李志鵬, 劉珍環(huán), 李正國, 等. 水稻空間分布遙感提取研究進展與展望[J]. 中國農業(yè)資源與區(qū)劃, 2014, 35(6):9-18.

[13]陳燕麗,莫偉華,莫建飛,等. 基于面向對象分類的南方水稻種植面積提取方法[J]. 遙感技術與應用, 2011, 26(2):163-168.

[14]李維鈞,張微微,武 偉,等.基于中巴資源衛(wèi)星數據的水稻種植面積監(jiān)測——以梁平縣為例[J]. 西南大學學報, 2009, 31(1):179-183.