基于OLI影像的四川丘陵地区水稻种植面积监测

蒋 怡, 李宗南*, 李丹丹, 任国业, 李章成

(1. 四川省农业科学院遥感应用研究所,四川 成都 610066；2. 农业部农业信息技术重点实验室,北京 100081；3. 中国农业科学院农业资源与农业区划研究所,北京 100081)

【研究意义】水稻作为世界三大粮食作物之一，在中国有广泛种植，其面积约为全国粮食播种面积的27 %，其产量占总产量的1/3[1]。四川是中国13个粮食主产区之一，水稻种植面积约200万hm2左右，其中大部分分布于四川盆地丘陵地区。水稻种植面积及变化率是重要的农情信息之一，对国家粮食安全预警、宏观粮食经济决策具有重要意义。【前人研究进展】目前，使用遥感影像通过监督分类法提取水稻像元是估算水稻种植面积常用的方法。该方法的精度受影像分辨率、种植连片程度、地物大小造成的混合像元影响，种植结构破碎，混合像元比例高，会导致分类精度下降[2-5]。米级高分辨率的遥感影像能够准确地估算水稻种植面积,但影像覆盖面积小。因此目前大区域作物种植面积估算主要以覆盖面积大,重访周期短的5～30 m中高分辨率遥感影像为主。【本研究切入点】Landsat 8卫星于2013年2月11日发射，其采集到的影像免费向全球用户提供，其搭载的OLI(Operational Land Imager)所获取的数据在光谱、空间、时间分辨率等性能与早期TM、ETM+等数据有良好的继承，是目前作物种植面积估算采用的主要遥感数据。四川丘陵区水田普遍存在地块面积小、兼作等问题，OLI 15～30 m分辨率影像的解译精度受到影响，但目前鲜有分析评价丘陵区OLI影像估算水稻面积精度的研究。【拟解决的关键问题】因此该研究收集2016年四川丘区OLI影像进行解译，评价OLI影像在四川丘区水稻种植面积监测中的精度，为提高四川水稻种植面积监测精度提供参考。

1 数据来源

1.1 研究区概况

四川盆地中部为典型的方山丘陵区，地势低矮，海拔在250～600 m，丘谷高差50～200 m，地势由北向南倾斜，南部多浅丘，北部多深丘，为四川省丘陵集中分布区。研究区分别位于金堂县和三台县，具体区位详见图1(封三)。位于金堂县的研究区，坡度较缓，相对高差30～50 m左右，呈波状起伏或岗丘形态，属于浅丘地形；位于三台县的研究区，坡度较大，相对高度在100～180 m，属深丘地形。

1.2 水稻样方种植面积调查

通过实地调查与Google Earth遥感影像解译确定样方内水稻种植面积。于2016年6月1-17日在四川省进行水稻种植面积野外调查，使用GPS实地定位，确定地面样方水稻种植面积，为建立解译标志。通过Google Earth查找，2016年7月15日有良好影像覆盖地面调查区域，结合野外实地调查，建立水稻、水体、植被、居民点、道路等解译标志，通过目视解译得到样方的水稻种植面积，各样方内水稻种植面积、图斑数及图斑平均面积见表1。浅丘区水稻图斑平均面积较深丘区的大。

1.3 OLI影像

OLI影像乂幅为185 km×185 km，包括9个波段，各波段主要性能见表2。通过美国USGS的landsatlook系统查询到2016年7月22日有质量较好的影像覆盖研究区。该时期研究区水稻已完成分蘖，处于拔节时期，叶面积较大，水稻光谱特征明显，易于识别。

2 材料与方法

2.1 影像预处理

OLI影像的预处理主要有影像的正射校正、数据融合。正射校正基于网格分辨率为30 m的ASTER GDEM高程数据进行。数据融合采用Gram-Schmidt变换法，该法改进了主成分变化法中信息过于集中的问题，且不受波段数量限制，融合后影像保持了较好的空间纹理及光谱特征。通过将15 m分辨率的全色影像与30 m分辨率的多光谱影像进行数据融合，得到研究所需的15 m分辨率的遥感影像。

2.2 水稻遥感特征

2016年7月22日，研究区水稻移栽50 d左右，水稻处于孕穗期，水稻冠层基本覆盖整个稻田，水稻遥感特征明显，易于与其他地物区分[6-8]。假彩色显示采用R5G6B7组合，即RGB分别对应OLI影像的第5～7波段。分析影像的色调、轮廓大小、阴影、图案、纹理、布局等多方面因素，建立OLI影像上水稻及其他重点地物的解译标志，根据解译标志确定目标地物的空间分布特征[9]。研究区内各典型地物遥感特征如图2(封三)，水稻呈深红色，并随丘谷地形分布呈树枝状，水体呈蓝黑色，其他植被呈橙色，居民地呈蓝白间杂的颜色，道路呈白色条带状。

表1 深浅丘区水稻种植面积表Table 1 Rice acreage table in shallow and hilly area

表2 OLI陆地成像仪传感器主要性能Table 2 Main performance of OLI land imager sensors

2.3 基于最大似然分类法的水稻解译

使用最大似然法进行监督分类。该方法作为一种参数分类法，在有足够多的训练样本、一定的类别先验概率分布知识，且数据接近正态分布的条件下，最大似然法被认为是分类精度最高的分类方法[10]，且绝大部分的水稻种植面积提取研究报道都选用了最大似然法[11]。首先建立主要典型地物的训练区，本研究选取水稻及与水稻邻近地物水体、植被、居民地和道路等地物训练区，然后对影像进行分类，结合地面调查和专业知识对分类结果进行后处理[12]，剔除明显错分为水稻的地物，最后统计水稻图斑面积。

2.4 精度评价

样方大小对精度评价有影响。样方范围太小，代表性不足；样方范围太大，则增加样方调查难度。本研究比较多个样方范围的精度后，采用25 km2样方。以Google Earth影像解译得到的真实水稻种植面积总量为准值(A0)，由随机选取某一样区内提取的水稻面积总量(Ai)与(A0)进行比较，获取区域内总体面积提取精度，即为区域精度(Ki)。计算公式：

通过浅丘区和深丘区各4个随机样方的水稻面积评价OLI影像监测四川丘陵区水稻面积的精度。

3 结果与分析

由表3可知，在样方面积相同的情况下，浅丘区的精度范围为91.3 %～99.0 %，误差范围为1.0 %～8.7 %；深丘区为84.2 %～98.4 %，误差范围为1.5 %～15.8 %。通过比较浅丘区、深丘区的监测精度，认为OLI影像在浅丘区的水稻监测有更好的监测精度，且随着丘陵区的丘谷相对高度逐渐增大、丘陵坡度增加，通过OLI影像基于监督分类法的水稻面积监测精度会下降，监测结果的不确定性增加。因为随着丘谷高差、坡度增大，水田地块形状趋于狭长、连片面积变小、破碎度上升，导致水稻与其他地物的混合像元增加，进而导致基于监督分类法的分类精度下降。丘陵地区水稻种植区主要分布于平地、谷地,与其他作物插花种植现象较普遍。已有研究结果表明种植结构多样化、地块破碎、海拔及地形复杂均导致水稻面积估算精度下降[13-14]。本研究通过对比四川丘区不同丘谷高差的水稻种植区的OLI影像监测结果，认为使用OLI影像基于监督分类的水稻面积监测方法的精度受较多因素影响，解译结果存在较大不确定性，随着丘陵丘谷高差增大，其监测结果的不确定性上升。

表3 丘区水稻种植面积区域精度Table 3 Regional precision of rice planting area in hilly area

4 讨 论

本研究通过地面调查与Google Earth影像解译获取的样方水稻种植面积数据评价了使用15 m OLI融合影像基于监督分类方法监测四川丘陵地区水稻种植面积的精度。分析结果显示随着丘谷高差增大，地形趋于复杂、地块趋于狭长与破碎，OLI影像监测结果的不确定性增加，精度下降。为进一步提高丘区水稻种植面积估算精度，需使用更高空间分辨率的卫星遥感影像，如使用5 m分辨率的Rapideye影像；或改变分类方法，本研究使用的最大似然分类法分类依据主要根据解译标志差异明显的3个波段信息，对其他光谱信息及先验知识的使用不足，如使用决策树分类，通过引入更多的先验知识可提高分类精度。另外为提高四川地区水稻面积监测结果的可信度，需在监测评价中需采用更合理的抽样方法，如分层抽样、依据地形类型抽样等；以降低平坝、浅丘、深丘等不同地形不同解译精度对监测造成的影响。

5 结 论

通过地面水稻样方调查和同生长季Google Earth影像解译获取浅丘区、深丘区样方内水稻种植面积，并以此结果评价基于最大似然分类法和15 m OLI融合影像的川中丘陵的水稻种植面积监测结果。

(1)基于最大似然分类法和OLI融合影像的川中丘陵的水稻种植面积监测精度平均约92 %左右，误差范围大约1 %～16 %，监测结果存在较大不确定性。

(2)随着丘谷高差增大，地形趋于复杂、地块趋于狭长与破碎，基于OLI影像的丘陵区水稻面积监测结果的不确定性增加，精度有下降趋势。

参考文献：

[1]程式华,李 建. 现代中国水稻[M]. 北京:金盾出版社, 2007:1-3.

[2]黄慧萍,吴炳方. 地物大小、对象尺度、影像分辨率的关系分析[J]. 遥感技术与应用, 2006, 21(3):243-248.

[3]张焕雪,李强子. 空间分辨率对作物识别及种植面积估算的影响研究[J]. 遥感信息, 2014, 29(2):36-42.

[4]蒋 怡,李宗南,任国业,等. 基于GF-1 PMS影像的丘区柠檬种植面积遥感估算[J]. 中国农业资源与区划, 2016, 37(11):50-55.

[5]张焕雪,李强子,文 宁,等. 农作物种植面积遥感估算的影响因素研究[J]. 国土资源遥感, 2015, 27(4):54-61.

[6]邬明权,王长耀,牛 铮,等. 利用多源时序遥感数据提取大范围水稻种植面积[J]. 农业工程学报, 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]刘跃辰,王 飞,焦为杰,等. “高分一号”卫星数据在冬小麦种植结构调整实施效果评估中的应用——以河北省冀州市为例[J]. 中国农业资源与区划, 2017, 38(2):1-9.

[10]黄敬峰,陈 拉,王 晶,等. 水稻种植面积遥感估算的不确定性研究[J]. 农业工程学报, 2013, 29(6):166-176.

[11]程 乾. MODIS数据提高水稻卫星遥感估产精度稳定性机理与方法研究[D]. 浙江大学, 2005:7-9.

[12]李志鹏, 刘珍环, 李正国, 等. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划, 2014, 35(6):9-18.

[13]陈燕丽,莫伟华,莫建飞,等. 基于面向对象分类的南方水稻种植面积提取方法[J]. 遥感技术与应用, 2011, 26(2):163-168.

[14]李维钧,张微微,武 伟,等.基于中巴资源卫星数据的水稻种植面积监测——以梁平县为例[J]. 西南大学学报, 2009, 31(1):179-183.