張悅琦，李榮平，穆西晗，任鴻瑞

（1. 太原理工大學(xué)測(cè)繪科學(xué)與技術(shù)系，太原 030024；2. 北京師范大學(xué)遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100875；3. 中國(guó)氣象局沈陽(yáng)大氣環(huán)境研究所，沈陽(yáng) 110166）

0 引 言

水稻是世界三大糧食作物之一，而中國(guó)是世界上最大的水稻生產(chǎn)國(guó)和消費(fèi)國(guó)，水稻種植面積約占全國(guó)糧食作物種植面積的30%，在中國(guó)糧食生產(chǎn)中占有重要地位，為保障國(guó)家糧食安全做出巨大貢獻(xiàn)[1-2]。正確及時(shí)獲取水稻種植面積及空間分布，對(duì)水稻生產(chǎn)管理、農(nóng)業(yè)政策制定及糧食安全分析等具有重要意義[3]。

衛(wèi)星的快速發(fā)展使得遙感技術(shù)在作物種植結(jié)構(gòu)提取方面得到廣泛應(yīng)用，國(guó)內(nèi)外學(xué)者利用多種遙感數(shù)據(jù)在水稻種植面積提取方面開(kāi)展大量研究，目前以Landsat衛(wèi)星[4-7]、中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）[8-10]、環(huán)境系列衛(wèi)星[11-12]等中低分辨率遙感數(shù)據(jù)源為主。但由于空間分辨率較低，混合像元的大量存在限制其在作物面積提取方面的應(yīng)用。隨著高分系列衛(wèi)星的快速發(fā)展，國(guó)產(chǎn)高分辨率數(shù)據(jù)在作物面積提取與長(zhǎng)勢(shì)監(jiān)測(cè)等方面得到越來(lái)越多的應(yīng)用，且以高分一號(hào)（GF-1）遙感數(shù)據(jù)源為主[13-15]。Yang等[16]基于水稻分蘗期與抽穗期的2景GF-1 WFV影像，利用歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）構(gòu)建水稻信息提取模式，成功提取來(lái)安縣水稻分布信息；歐陽(yáng)玲等[17]利用多時(shí)相GF-1和Landsat8 OLI影像，基于面向?qū)ο蠓诸?lèi)方法提取北安市作物分布信息，并根據(jù)植被指數(shù)構(gòu)建的多元回歸模型對(duì)大豆和玉米進(jìn)行產(chǎn)量估算。GF-1影像時(shí)空分辨率較高，與中低分辨率遙感影像相比能夠更好地反映地表信息，但僅包括藍(lán)、綠、紅、近紅外4個(gè)傳統(tǒng)波段，較少的光譜信息大大制約了作物面積提取精度的提高。

2018年6月，高分六號(hào)（GF-6）衛(wèi)星于中國(guó)酒泉發(fā)射中心成功發(fā)射，新增2個(gè)能夠有效反映不同作物光譜特征的紅邊波段，是中國(guó)首顆設(shè)置紅邊波段的光學(xué)遙感衛(wèi)星[18]。已有研究表明，紅邊波段是指示綠色植物生長(zhǎng)狀況的敏感性波段，在作物分類(lèi)方面發(fā)揮著重要作用[19-20]。Mehdaoui等[21]基于13景Sentinel-2影像，通過(guò)構(gòu)建紅邊指數(shù)成功估算Grombalia地區(qū)的小麥產(chǎn)量；劉佳等[22]利用單景RadpidEye遙感數(shù)據(jù)，將有無(wú)紅邊條件下研究區(qū)內(nèi)玉米、大豆及其他作物的可分性測(cè)度、分類(lèi)精度及景觀破碎度等指標(biāo)進(jìn)行對(duì)比分析，結(jié)果表明，紅邊波段的引入可以顯著提高作物識(shí)別能力；王婷等[23]基于GF-6衛(wèi)星2 m分辨率全色和8 m分辨率多光譜相機(jī)影像，應(yīng)用面向?qū)ο蠼Y(jié)合目視解譯的方法對(duì)盤(pán)錦市2020年水稻面積進(jìn)行提取；梁繼等[24]基于GF-6 WFV影像并利用支持向量機(jī)（Support Vector Machine，SVM）框架對(duì)松嫩平原北部進(jìn)行作物類(lèi)別特征的篩選與識(shí)別，成功對(duì)包含水稻在內(nèi)的多種作物進(jìn)行判識(shí)。目前，鮮有基于帶有紅邊波段的GF-6 WFV影像且僅利用光譜指數(shù)進(jìn)行水稻面積精確提取的研究。

綜上，本研究選擇遼寧省盤(pán)錦市為研究區(qū)，利用NDVI、NDWI、RVI、NDRE1等多個(gè)指數(shù)，基于多時(shí)相GF-6 WFV數(shù)據(jù)開(kāi)展水稻種植面積提取研究。通過(guò)實(shí)測(cè)數(shù)據(jù)和基于Google Earth的目視解譯數(shù)據(jù)對(duì)提取結(jié)果進(jìn)行精度驗(yàn)證，并對(duì)NDRE1與NDVI進(jìn)行對(duì)比分析，旨在選取一種準(zhǔn)確、快速、客觀地提取水稻種植面積的方法，為GF-6遙感數(shù)據(jù)的推廣提供應(yīng)用基礎(chǔ)與技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

盤(pán)錦市（40°39′N(xiāo)～41°27′N(xiāo)，121°25′E～122°30′E）位于遼寧省西南部（圖1），下轄有雙臺(tái)子區(qū)、大洼區(qū)、興隆臺(tái)區(qū)和盤(pán)山縣，土地總面積約4 084 km2。該區(qū)地勢(shì)平坦，多水無(wú)山，平均海拔約4 m。研究區(qū)地處暖溫帶，屬于大陸性半濕潤(rùn)季風(fēng)氣候，年平均氣溫8～11 ℃，年均降水618.62 mm，雨熱同季，四季分明。盤(pán)錦市農(nóng)業(yè)發(fā)展條件優(yōu)越，水稻為主要糧食作物之一。據(jù)2019年盤(pán)錦統(tǒng)計(jì)年鑒數(shù)據(jù)，2019年水稻播種面積為106 563 hm2，約占全市農(nóng)作物總播種面積的84.85%。研究區(qū)水稻為一季稻，每年5月上旬播種和泡田，5月中旬、下旬移栽，7月進(jìn)入拔節(jié)孕穗期，8月中旬到達(dá)抽穗期，此時(shí)土壤下墊面完全被水稻冠層遮擋，10月開(kāi)始成熟。基于GF-6 WFV遙感影像和實(shí)地調(diào)查結(jié)果可將盤(pán)錦市分為水稻、建設(shè)用地（建筑物、道路、裸地）、水體、自然植被（林地、灌木等）、天然濕地和旱地（除水稻以外的其他旱地作物）6種地物類(lèi)型。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

GF-6衛(wèi)星是中國(guó)高分專項(xiàng)中的一顆低軌光學(xué)遙感衛(wèi)星，搭載有高分辨率傳感器（Panchromatic Multispectral Sensor，PMS）和寬幅傳感器（Wide Field of View，WFV），與GF-1衛(wèi)星組網(wǎng)后，重訪周期可達(dá)2 d，數(shù)據(jù)獲取時(shí)效得到極大提高[18]。其中，本研究選用的WFV傳感器實(shí)現(xiàn)了多光譜16 m分辨率、幅寬860 km的超大視場(chǎng)寬覆蓋成像，為國(guó)際同類(lèi)衛(wèi)星觀測(cè)幅寬的最高水平，并且在傳統(tǒng)的藍(lán)、綠、紅、近紅外4個(gè)波段的基礎(chǔ)上新增4個(gè)波段，包括：紅邊Ⅰ波段（0.69～0.73μm）、紅邊Ⅱ波段（0.73～0.77μm）、海岸藍(lán)波段（0.40～0.45μm）和黃波段（0.59～0.63μm）。

根據(jù)盤(pán)錦市水稻物候節(jié)律確定拍攝日期和遙感影像，選取2020年5－8月共6景覆蓋盤(pán)錦市的L1A級(jí)GF-6 WFV影像，分別對(duì)應(yīng)水稻三葉期、移栽期、返青期、孕穗期與抽穗期（表1）。其中，返青期影像由2景影像共同覆蓋。遙感影像、絕對(duì)輻射定標(biāo)系數(shù)和波譜響應(yīng)函數(shù)可從中國(guó)資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/）下載。選擇利用同軌立體攝影測(cè)量原理[25]生成的第二版先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model Version 2，ASTER GDEM V2）作為輔助數(shù)據(jù)，空間分辨率為30 m，數(shù)據(jù)來(lái)源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺(tái)（http://www.gscloud.cn）。此外，本研究使用了影像級(jí)別為18級(jí)的Google Earth高分辨率遙感影像，空間分辨率約為1 m。

表1 2020年盤(pán)錦市水稻物候期及對(duì)應(yīng)GF-6 WFV遙感影像信息Table 1 Phenological stage of paddy rice and corresponding information of GF-6 WFV remote sensing images in Panjin City in 2020

利用ENVI 5.3遙感圖像處理軟件對(duì)獲取的GF-6 WFV影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正、影像裁剪等預(yù)處理工作。輻射定標(biāo)是將影像的數(shù)字量化值（Digital Number，DN）轉(zhuǎn)化為大氣外層輻射亮度值。大氣校正是指通過(guò)FLAASH大氣校正模塊去除大氣影響，并將輻射亮度轉(zhuǎn)換為地表實(shí)際反射率。正射校正則在無(wú)控制點(diǎn)條件下利用影像自帶的有理多項(xiàng)式系數(shù)（Rational Polynomial Coefficient，RPC）信息進(jìn)行，能夠滿足遙感影像分類(lèi)的精度要求。最后利用盤(pán)錦市的行政區(qū)劃對(duì)正射影像進(jìn)行裁剪，其中返青期的2景影像（2020年6月1日、2020年6月6日）需要先鑲嵌后裁剪。

1.3 研究方法

1.3.1 時(shí)序特征參數(shù)計(jì)算與分析

在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，本研究選取4種能夠反映水稻物候變化特征的光譜指數(shù)作為水稻提取特征參數(shù)，分別為NDVI、NDWI、RVI、NDRE1，計(jì)算如式（1）～式（4）所示：

式中ρNir、ρRed、ρGreen、ρRed-edgeⅠ和ρRed-edgeⅡ分別為近紅外波段、紅光波段、綠光波段、紅邊Ⅰ波段與紅邊Ⅱ波段的反射率。

NDVI對(duì)植被低覆蓋區(qū)反應(yīng)敏感，其取值的范圍為[-1, 1]，與植被密度呈正相關(guān)[26]。NDWI能夠增強(qiáng)對(duì)水體的監(jiān)測(cè)，其取值的范圍為[-1, 1]，用來(lái)提取影像中的水體信息效果較好[27]。RVI對(duì)植被高覆蓋區(qū)反應(yīng)敏感，當(dāng)植被密度較低時(shí)，分辨能力顯著降低，因此能夠強(qiáng)化植被與土壤背景之間的輻射差異，更好地區(qū)分植被覆蓋區(qū)與非植被覆蓋區(qū)[28]。NDRE1用紅邊的峰和谷來(lái)代替NDVI的紅光波段與近紅外波段，對(duì)葉冠層的微小變化非常敏感，其取值的范圍為[-1, 1][29]。

結(jié)合Google Earth高分辨率影像進(jìn)行目視解譯，獲取建設(shè)用地、水體、水稻、自然植被、天然濕地、旱地6種地物類(lèi)型的感興趣區(qū)（Region of Interest，ROI），根據(jù)ROI對(duì)RVI、NDVI、NDWI、NDRE1進(jìn)行時(shí)序分析（表2）。在水稻三葉期至抽穗期，即2020年5－8月期間（表1），建設(shè)用地和水體的4種指數(shù)值變化較小，自然植被與天然濕地的RVI、NDVI、NDRE1整體上有所增大。水稻移栽期（2020-05-25）時(shí)水稻的RVI、NDVI、NDRE1顯著減小，為水稻生育期內(nèi)最小值，分別為0.96、0.00和-0.09；而NDWI則顯著增大，為最大值，即-0.05（表2）。在水稻孕穗期至抽穗期（2020-07-20－2020-08-22），水稻、旱地、自然植被、天然濕地的RVI、NDVI、NDRE1均有不同程度的下降，如水稻的RVI、NDVI、NDRE1分別從11.29、0.80和0.62下降至7.35、0.70和0.52（表2），這與理論上的變化是不同的，其主要?dú)w因于2020年8月盤(pán)錦市出現(xiàn)長(zhǎng)時(shí)間的持續(xù)陰雨寡照天氣，對(duì)農(nóng)作物及植被的生長(zhǎng)產(chǎn)生不利影響。

表2 研究區(qū)內(nèi)各地物類(lèi)型光譜指數(shù)時(shí)序分析Table 2 Time series analysis of spectral indices of various land feature types in the study area

1.3.2 水稻面積提取方法

1）水稻面積粗提取。稻田在移栽期前需進(jìn)行灌水泡田，這種獨(dú)特的耕種方式使得水稻與其他作物呈現(xiàn)出明顯差異，并顯著體現(xiàn)于水稻移栽期與抽穗期。稻田在移栽期時(shí)以水體為主，NDRE1為-0.09，抽穗期時(shí)水稻生長(zhǎng)旺盛，體現(xiàn)出高覆蓋植被特征，NDRE1增大至0.52（表2）。結(jié)合除水稻外的其他地類(lèi)NDRE1變化情況，對(duì)ROI在水稻移栽期與抽穗期對(duì)應(yīng)的NDRE1進(jìn)行微調(diào)后確定合適閾值，將水稻移栽期即5月25日時(shí)滿足NDRE1＜0且水稻抽穗期即8月22日時(shí)滿足NDRE1＞0.40的像元確定為水稻，得到水稻粗分結(jié)果。但因水稻與部分其他地類(lèi)在移栽期與抽穗期光譜特征較為相似，水稻粗分結(jié)果不可避免的會(huì)產(chǎn)生錯(cuò)分，還需建立對(duì)其他地類(lèi)的掩膜。

2）掩膜建設(shè)用地。水稻三葉期至抽穗期，水稻、自然植被、天然濕地與其他作物均不斷生長(zhǎng)，在各自生長(zhǎng)最旺盛的階段植被特點(diǎn)表現(xiàn)明顯，即RVI＞6.00，與建設(shè)用地形成鮮明對(duì)比（表2）。結(jié)合水稻生育期內(nèi)建設(shè)用地RVI值進(jìn)行閾值調(diào)整，對(duì)滿足RVI最大值小于等于5.00的像元進(jìn)行掩膜。

3）掩膜水體。水體在水稻生長(zhǎng)發(fā)育過(guò)程中，NDWI均大于0，且變化較?。ū?）。因此，在水稻移栽期至抽穗期期間，對(duì)時(shí)序影像中滿足NDWI＞0的頻率（F，%）大于等于80%的像元進(jìn)行掩膜。F的計(jì)算如式（5）所示：

式中Nclass為單個(gè)像元符合NDWI＞0的影像數(shù)；Ntotal為總影像數(shù)；Nbad為不良觀測(cè)影像數(shù)。

4）掩膜自然植被。林地、草地、灌木等自然植被生長(zhǎng)較早，至水稻三葉期時(shí)已生長(zhǎng)一段時(shí)間，NDVI＞0.25，綠色植被特征明顯（表2）。因此，對(duì)在水稻三葉期即5月11日時(shí)滿足NDVI≥0.25的像元進(jìn)行掩膜。

5）掩膜天然濕地。天然濕地植被從早春開(kāi)始生長(zhǎng)，至水稻移栽期時(shí)已生長(zhǎng)幾個(gè)星期，體現(xiàn)出低覆蓋植被的特點(diǎn)。鑒于此，對(duì)在水稻移栽期即5月25日時(shí)滿足NDVI＞0.15的像元進(jìn)行掩膜。

6）掩膜旱地。水稻與其他作物耕種方式的不同導(dǎo)致其光譜信息差異明顯，即水稻在移栽期和返青期呈現(xiàn)以水體為主的特點(diǎn)，而其他作物體現(xiàn)出裸地或植被的特點(diǎn)。因此，對(duì)在水稻移栽期即5月25日時(shí)滿足NDWI＜-0.13或在水稻返青期即6月1日時(shí)滿足NDWI＜-0.42的像元進(jìn)行掩膜，得到最終的盤(pán)錦市水稻分布圖。

1.3.3 精度驗(yàn)證

在利用水稻面積提取方法獲得盤(pán)錦市水稻種植面積和空間分布信息的基礎(chǔ)上，利用實(shí)測(cè)數(shù)據(jù)和目視解譯數(shù)據(jù)對(duì)2020年盤(pán)錦市水稻提取結(jié)果進(jìn)行精度驗(yàn)證。

1）實(shí)測(cè)數(shù)據(jù)驗(yàn)證：為評(píng)估水稻分布圖的準(zhǔn)確性，于2020年9月赴盤(pán)錦市展開(kāi)實(shí)地調(diào)查，選取36個(gè)水稻驗(yàn)證點(diǎn)并拍攝實(shí)地照片。水稻實(shí)地驗(yàn)證點(diǎn)主要分布于盤(pán)錦市東部、北部與南部（圖2）。由于實(shí)地驗(yàn)證點(diǎn)的地物均為水稻，不是隨機(jī)選取且未在研究區(qū)域均勻分布，故僅計(jì)算總體分類(lèi)精度（Overall Accuracy，OA，%）進(jìn)行說(shuō)明，其計(jì)算如式（6）所示：

式中m為正確分類(lèi)的驗(yàn)證點(diǎn)數(shù)；N為驗(yàn)證點(diǎn)總數(shù)。

2）目視解譯數(shù)據(jù)驗(yàn)證：結(jié)合Google Earth高分辨率影像進(jìn)行目視解譯后在研究區(qū)域內(nèi)隨機(jī)選取250個(gè)驗(yàn)證點(diǎn)（圖2），其中水稻驗(yàn)證點(diǎn)150個(gè)，其他地類(lèi)驗(yàn)證點(diǎn)100個(gè)?；?50個(gè)目視解譯驗(yàn)證點(diǎn)構(gòu)建混淆矩陣，計(jì)算OA、Kappa系數(shù)、制圖精度（Mapping Accuracy，MA，%）和用戶精度（User Accuracy，UA，%）對(duì)分類(lèi)精度進(jìn)行評(píng)價(jià)，其計(jì)算如式（7）～式（9）所示：

式中mi為第i類(lèi)的分類(lèi)正確驗(yàn)證點(diǎn)數(shù)；Gi為第i類(lèi)的真實(shí)驗(yàn)證點(diǎn)總數(shù)；Ci為第i類(lèi)的分類(lèi)驗(yàn)證點(diǎn)總數(shù)；n為分類(lèi)數(shù)。

2 結(jié)果與分析

2.1 盤(pán)錦市水稻種植面積提取結(jié)果及實(shí)測(cè)數(shù)據(jù)驗(yàn)證

基于水稻面積提取方法，利用多時(shí)相GF-6 WFV遙感影像獲得2020年盤(pán)錦市水稻分布圖（圖3a）。從水稻空間分布來(lái)看，其種植范圍較廣且較為連續(xù)，主要分布于盤(pán)錦市的北部、東部與中南部，與市區(qū)相鄰接。2020年盤(pán)錦市水稻種植面積為111 058.71 hm2，其中大洼區(qū)與盤(pán)山縣水稻種植面積分別為60 493.29和42 152.70 hm2，分別占全市總種植面積的54.47%和37.95%；雙臺(tái)子區(qū)與興隆臺(tái)區(qū)水稻種植面積較少，分別為2 440.93和5 971.79 hm2，分別占全市總種植面積的2.20%和5.38%。

根據(jù)36個(gè)水稻實(shí)地驗(yàn)證點(diǎn)進(jìn)行精度驗(yàn)證，其中34個(gè)分類(lèi)正確，2個(gè)分類(lèi)錯(cuò)誤，即分類(lèi)錯(cuò)誤實(shí)地驗(yàn)證點(diǎn)A、B（圖3a），總體精度為94.44%，水稻分類(lèi)效果較好。經(jīng)實(shí)地調(diào)研，分類(lèi)錯(cuò)誤實(shí)地驗(yàn)證點(diǎn)A處稻田周?chē)N植蘆葦和大豆，提取結(jié)果將其錯(cuò)分為水稻（圖3b）；分類(lèi)錯(cuò)誤實(shí)地驗(yàn)證點(diǎn)B南部為水稻，其中穿插種植大豆，提取結(jié)果產(chǎn)生漏分（圖3c）。分析影響水稻分類(lèi)精度的原因，主要在于影像分辨率較低，存在水稻與其他地類(lèi)的混合像元，從而出現(xiàn)錯(cuò)分和漏分現(xiàn)象。由于水稻實(shí)地驗(yàn)證點(diǎn)未在研究區(qū)均勻分布，無(wú)法代表整個(gè)研究區(qū)的水稻分類(lèi)效果，故還需進(jìn)行目視解譯，在研究區(qū)內(nèi)均勻、隨機(jī)選取驗(yàn)證點(diǎn)。

2.2 目視解譯數(shù)據(jù)驗(yàn)證

目視解譯驗(yàn)證點(diǎn)中水稻與非水稻的像元個(gè)數(shù)較為均衡，能夠較好地表征水稻識(shí)別精度?；?50個(gè)目視解譯驗(yàn)證點(diǎn)獲得混淆矩陣，結(jié)果表明150個(gè)水稻目視解譯驗(yàn)證點(diǎn)中143個(gè)分類(lèi)正確，100個(gè)其他地類(lèi)目視解譯驗(yàn)證點(diǎn)中96個(gè)分類(lèi)正確（表3）。根據(jù)混淆矩陣計(jì)算總體精度、Kappa系數(shù)、制圖精度和用戶精度，2020年盤(pán)錦市水稻提取結(jié)果的水稻制圖精度與用戶精度分別為95.33%和97.28%，可見(jiàn)水稻提取精度較高；其提取結(jié)果的總體精度為95.60%，Kappa系數(shù)為0.91，表明與基于實(shí)地驗(yàn)證點(diǎn)得出的總體精度相接近，總體一致性較好。水稻制圖精度較低于用戶精度的原因在于部分水稻地類(lèi)被錯(cuò)誤劃分為其他地類(lèi)，這也表明16 m分辨率遙感影像依然無(wú)法排除混合像元對(duì)水稻提取的影響，只有提高遙感影像分辨率才能進(jìn)一步提高水稻面積提取精度。

表3 基于GF-6 WFV影像的盤(pán)錦市水稻分類(lèi)結(jié)果混淆矩陣和精度評(píng)價(jià)Table 3 Confusion matrix and accuracy evaluation of paddy rice classification results in Panjin City based on GF-6 WFV images

2.3 紅邊波段對(duì)水稻面積提取精度的影響

GF-6衛(wèi)星WFV傳感器新增2個(gè)紅邊波段（即紅邊I波段和紅邊II波段），能夠更加有效地反映作物特有的光譜特性，為監(jiān)測(cè)作物生長(zhǎng)情況提供更大信息量。根據(jù)NDVI時(shí)序分析，將水稻面積粗提取中的移栽期NDRE1＜0和 抽 穗 期NDRE＞0.40替 換 為 移 栽 期NDVI＜0.10和抽穗期NDVI＞0.70，在遙感影像與掩膜方法相同的條件下，獲得無(wú)紅邊信息的2020年盤(pán)錦市水稻分布圖，從中選取點(diǎn)1、2、3三個(gè)水稻目視解譯驗(yàn)證點(diǎn)，并分別對(duì)有紅邊信息和無(wú)紅邊信息的2種分類(lèi)結(jié)果疊加遙感影像進(jìn)行對(duì)比（圖4）。由圖4可知，與有紅邊信息的分類(lèi)結(jié)果相比，無(wú)紅邊信息的目視解譯驗(yàn)證點(diǎn)水稻分類(lèi)結(jié)果大致相同，但無(wú)紅邊信息的提取結(jié)果漏分現(xiàn)象明顯。其中，無(wú)紅邊信息分類(lèi)結(jié)果中，點(diǎn)1～3處水稻均產(chǎn)生大量漏分；有紅邊信息分類(lèi)結(jié)果中，點(diǎn)1～3均可提取為水稻，且效果較好，較無(wú)紅邊信息分類(lèi)結(jié)果水稻分布更為完整。

基于目視解譯得到的250個(gè)驗(yàn)證點(diǎn)獲得混淆矩陣，無(wú)紅邊信息提取結(jié)果中分類(lèi)正確的水稻目視解譯驗(yàn)證點(diǎn)和其他地類(lèi)目視解譯驗(yàn)證點(diǎn)個(gè)數(shù)分別為134和97（表4）。根據(jù)混淆矩陣計(jì)算精度，與有紅邊信息的分類(lèi)結(jié)果相比，無(wú)紅邊信息提取結(jié)果的水稻制圖精度與其他地類(lèi)用戶精度分別下降6.00個(gè)百分點(diǎn)和7.36個(gè)百分點(diǎn)，水稻用戶精度與有紅邊信息提取結(jié)果基本一致。由此可見(jiàn)，引入紅邊波段能夠顯著減少漏分現(xiàn)象，得到更為精確的水稻種植面積與空間分布。此外，無(wú)紅邊信息提取結(jié)果的總體精度與Kappa系數(shù)分別為92.40%和0.85，分別下降3.20個(gè)百分點(diǎn)和0.06。由此可知，GF-6 WFV新增的紅邊波段對(duì)作物識(shí)別能力有顯著提高，基于紅邊波段的NDRE1較NDVI的水稻提取效果更好，精度更高。究其原因，NDRE1所涉及的2個(gè)紅邊波段（即紅邊I波段和紅邊II波段）的波長(zhǎng)相距較近，屬于窄帶綠度指數(shù)，相比于NDVI等寬帶綠度指數(shù)對(duì)葉綠素含量、葉子表面冠層等更加靈敏，能提高對(duì)作物的識(shí)別能力。

表4 無(wú)紅邊信息的盤(pán)錦市水稻分類(lèi)結(jié)果混淆矩陣和精度評(píng)價(jià)Table 4 Confusion matrix and accuracy evaluation of paddy rice classification results without red-edge information in Panjin City

3 結(jié) 論

基于2020年覆蓋盤(pán)錦市水稻關(guān)鍵物候期的多時(shí)相GF-6 WFV影像，通過(guò)對(duì)不同地物的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）、比值植被指數(shù)（Ratio Vegetation Index，RVI）和歸一化差異紅邊1指數(shù)（Normalized Difference Red-Edge 1 Index，NDRE1）進(jìn)行時(shí)序分析后確定水稻識(shí)別方法，對(duì)水稻種植面積進(jìn)行提取，并得到如下結(jié)論：

1）根據(jù)實(shí)地驗(yàn)證點(diǎn)對(duì)2020年盤(pán)錦市水稻種植面積提取結(jié)果進(jìn)行驗(yàn)證，總體精度為94.44%；根據(jù)目視解譯數(shù)據(jù)進(jìn)行驗(yàn)證，總體精度、Kappa系數(shù)、水稻制圖精度和用戶精度分別為95.60%、0.91、95.33%和97.28%。精度驗(yàn)證結(jié)果均表明本研究方法對(duì)水稻面積的提取效果較好，精度較高。

2）經(jīng)目視解譯數(shù)據(jù)驗(yàn)證，引入紅邊波段后，水稻面積提取結(jié)果的總體精度、水稻制圖精度、Kappa系數(shù)分別提高3.20個(gè)百分點(diǎn)、6.00個(gè)百分點(diǎn)、0.06。結(jié)果表明，紅邊波段的引入能夠顯著增強(qiáng)作物的識(shí)別能力，提高水稻面積的提取精度，減少漏分現(xiàn)象，也證明新增紅邊波段的GF-6 WFV遙感影像在作物面積提取方面有廣泛的應(yīng)用潛力，能為遙感解譯提供更豐富的信息。

本研究基于GF-6 WFV遙感影像高精度提取2020年盤(pán)錦市水稻種植面積和空間分布信息，但16 m分辨率對(duì)小塊地類(lèi)的識(shí)別及作物面積精細(xì)提取依舊較低，混合像元依然是影響分類(lèi)精度的主要原因。下一步可將GF-6 WFV遙感影像與高分辨率遙感影像相結(jié)合，運(yùn)用混合像元分解算法進(jìn)行作物種植面積提取，在充分利用GF-6 WFV紅邊波段優(yōu)勢(shì)的基礎(chǔ)上，解決分辨率較低在精確提取作物種植面積方面的問(wèn)題。