湖南省中稻種植面積遙感監測方法研究

陶青山 黃飛 雷帆等

摘要綜合考慮大面積水稻種植區耕地地塊破碎，種植結構復雜，插花、套種、錯季種植現象明顯，影像解譯、分類難度大等特點，充分利用國產衛星GF1數據，以湖南省中稻種植為例，通過精確作物識別與混合像元處理，實現像元尺度的中稻識別；結合國土資源土地調查數據，統計中稻的像元數量與豐度（種植面積比）水平，并扣除耕地圖斑內的非耕地成份，建立中稻種植面積估算模型，最終得到精確到縣級報告單元的種植面積估算結果。結果表明：通過遙感數據估算面積和地面樣方調查計算結果的可決系數達到0.869 6，說明遙感監測方法在湖南省中稻種植面積估算中行之有效。GF1衛星遙感數據的空間分辨率、波段覆蓋范圍、影像覆蓋能力等能滿足大面積農作物種植面積監測要求，基于抽樣技術的地面調查與遙感影像分類相結合提取作物種植面積信息的方法可用于省級、區域級的糧食種植面積遙感監測。

關鍵詞遙感監測；大面積；中稻；種植面積

中圖分類號S127文獻標識碼A文章編號0517-6611（2016）04-309-05

The Remotesensing Monitoring Methods of Rice Planting Area in Hunan Province

TAO Qingshan， HUANG Fei， LEI Fan et al（Land and Resources Planning Institute of Hunan Province， Changsha， Hunan 410007）

AbstractThe rice planting area has the characteristics of broken block of cultivated land， complex planting structure， significant growing phenomena of interplanting and planting in different seasons， difficult interpretation and classification of images. With semilate rice planting in Hunan Province as the research material， semilate rice identification of pixel scale was realized through accurate crop identification and mixed pixel treatment based on the data of domestic satellite GF1. According to the spot data of territorial resources， pixel quantity and abundance level of semilate rice were researched. After deducing the noncultivated land ingredients from the cultivated land figure spot， estimation model of semilate rice planting area was established. Finally， the estimation results of planting area at county level were obtained. Results showed that the coefficient of determination was 0.869 6， showing that the remotesensing monitoring method was effective in estimating the semilate rice planting area in Hunan Province. The spatial resolution， band coverage and image coverage of GF1 satellite remote sensing data could meet the requirements of largescale monitoring of crop planting area. The method of filed investigation based on samplingsurveying technology combining with image classification could be used for remote sensing monitoring of grain planting area at region level and province level.

Key wordsRS monitoring， Large area； Semilate rice； Planting area

隨著工業化和城鎮化的推進，耕地面積在一定時期內將持續減少，同時，農作物繼續穩定增產的難度加大，糧食安全壓力大。農作物種植面積是影響農產品產量的重要因素之一[1]，湖南省是我國水稻種植大省，及時、準確地掌握全省水稻種植面積，為農業政策制定、糧食安全分析、農產品市場調控以及調整糧食種植補貼的發放政策提供輔助決策支持顯得尤為重要。遙感技術通過衛星對地觀測方式，具有大范圍地面目標識別能力，能快速、準確、客觀地反映地表信息，現已廣泛應用于作物種植面積監測中。湖南省耕地地塊破碎，中低分辨率遙感影像難以湊效；種植結構復雜，插花、套種、錯季種植現象明顯，特別是中稻種植期與早晚稻種植期均有重疊，影像解譯、分類難度大。根據湖南省地理、氣候特征，研究適合湖南省的水稻種植面積遙感監測方法意義重大。筆者選取2014年6月10日～8月10日湖南省GF1遙感影像數據，研究大面積基于抽樣技術的地面調查與遙感影像分類相結合提取作物種植面積信息的方法，為農業政策制定、糧食安全分析等決策服務。

1數據來源與研究方法

1.1研究區概況湖南省地處長江中游南部，地理坐標為108°47′～114°15′ E、24°39′～30°08′ N。全省地貌以山地、丘陵為主，山地面積占全省面積的51.25%，丘陵盆地占2930%，平原占13.10%，水面占6.40%。全省土地總面積2118萬 km2，其中耕地面積約 4.14萬km2。全省水熱充足、冬寒期短、無霜期長，水稻是主要的糧食作物，播種面積占全國水稻播種面積的13%左右，產量占湖南省糧食總產量的89%[2]， 其種植結構主要是雙季稻或一季稻，其中一季稻主要分布在湖南西北部，移栽主要是 6 月初～ 9 月初，雙季稻主要分布在湖南東北及中部， 早稻生長季主要是5月初～7月中下旬，晚稻主要是7月下旬種植到11月收獲[3]。

1.2數據來源與預處理根據湖南省中稻的物候歷及遙感影像的質量，選購了2014年6月10日～8月10日獲取的覆蓋全省的GF1數據，該影像2 m分辨率全色和8 m分辨率多光譜圖像組合幅寬優于60 km，16 m分辨率多光譜圖像組合幅寬優于800 km，可以在更短的時間內對一個地區重復拍照，重復周期為4 d，波段覆蓋的范圍為0.45～0.89 μm，劃分為紅綠藍和近紅外4個波段。同時，為了保證遙感數據能夠覆蓋研究區域，適當補充HJ1數據。

監測范圍為湖南省耕地范圍內，其耕地分布數據來源于國土資源土地調查數據—2013年湖南省土地利用變更數據。2013年湖南省耕地空間分布情況見圖1。

在分類處理之前，對研究區域影像進行幾何糾正、輻射定標、大氣校正及植被指數計算。其中，幾何糾正、輻射定標、大氣校正主要是制作研究區域DOM影像，植被指數是反映地表植被生長狀況、覆蓋情況、生物量和植被種植特征的間接指標和有效的度量參數，對其計算主要是為了分析研究區域植被結構。

1.3研究方法將遙感技術與GPS導航技術有機結合，在湖南省省級行政單元內，利用國產高分辨率遙感數據和地面調查資料，通過精確作物識別與混合像元處理，實現像元尺度的中稻識別。在此基礎上，基于國土資源二調圖斑數據，通過統計中稻的像元數量與豐度（種植面積比）水平，并扣除耕地圖斑內的非耕地成份，建立中稻種植面積估算模型，最終得到精確到縣級報告單元的種植面積估算結果。具體流程見圖2。

2結果與分析

2.1訓練樣本獲取利用抽樣的方法得到樣方，然后對樣方進行地面調查，獲取樣方內中稻種植情況。鑒于湖南省省域范圍較大，并且不同地區之間內部差異較大，因此采用分層隨機抽樣方法進行樣方的布設，即先將總體各單位按一定標準分成各種類型（或層）；然后根據各類型單位數與總體單位數的比例，確定從各類型中抽取樣本單位的數量；最后，按照隨機原則從各類型中抽取樣本。

第h層樣本均值：yh=1nhnhi=1Yhi

第h層總體方差：S2h=1Nh-1Nhi=1（Yhi-Yh）2

總初始樣本量：N0=WhS2hV

總體均值估計量的方差：V=（γt）2

總體均值：=Lh=1Whyh

各層樣本量分配：nh=nNhN=nWh

式中，下標i表示單元號；下標h表示層號；N0為全省范圍內的總初始樣本單元量；V為總體均值估計量的方差；Wh為層權；Sh為各層總體方差；t=1.96（置信水平為95%時）；N為總體單元數；Nh為第h層的總體單元數；nh為第h層的樣本單元數[4-8]。

得到N0后仍需對其進行修正，獲得修正后的總樣本單元量n，修正公式同簡單隨機抽樣：

n=N01+N0/N

首先將整個湖南省劃分為13 791個4 km×4 km的網格，統計其中水田所占比例，并劃分為4個等級（1%～15%、15%～30%、30%～50%、50%～100%），網格比例分別為16.24%、30.91%、40.56%、12.29%，依此劃定湖南省地面調查各級樣方數量為22、42、55、16，合計135個（圖3）。

在每個樣方內，結合湖南省耕地空間分布數據，實地勾繪每個地塊的邊界，并實地填寫不同地塊的作物類別。

2.2影像分類由于必須對湖南省全省的遙感數據進行解譯，同時要求效率高并考慮物候特征控制精度，因此，其影像分類方法必須采用計算機自動分類技術。目前已有的分類技術主要是非監督分類和監督分類兩類，包括ISODATA非監督分類、神經網絡、支持向量機、專家系統、最大似然分類等分類手段都已經被廣泛使用[1，9-11]。比較已有的研究成果，優選出ISODATA非監督分類、最大似然分類、支持向量機以及神經網絡4種分類手段作為湖南中稻的分類方法。

根據湖南省中稻種植情況，影像成像時間覆蓋兩種作物（早稻和中稻或中稻和晚稻）的重疊生長期，中稻和早稻（或中稻和晚稻）在影像上可能表現出相似的光譜特征，通過單景影像實現中稻與早、晚稻的區分將十分困難，因此在樣本選擇和影像分類過程中均利用多時相數據進行，充分利用了不同季節的水稻在多時相影像上的變化信息，區分中/早稻、中/晚稻。分類過程中，主要區分中稻、早（晚）稻、云、其他等類別，分類流程見圖4。

由于湖南的耕地分布較為零碎，混合像元在GF1數據特別是HJ1數據中廣泛存在。在湖南省中稻識別過程中，利用地面樣方調查所獲得的訓練樣本，主要用于純像元的識別，主要完成了70%的像元識別。除此之外，還有近30%的混合像元，屬于早稻與中稻、中稻與晚稻的混合像元，需要單獨予以處理，主要是通過非監督分類方法識別出混合像元。

首先，利用ISODATA非監督分類算法將每一景疊加了植被指數的GF1和HJ1 CCD影像自動分成160類；然后結合地面樣本及人工目視解譯的方法，按照影像成像時間劃分為早稻影像、中稻影像及晚稻影像，并分別將160類自動分類結果聚類為早稻、中稻、晚稻、其他及云等類別，最后利用選定的檢驗樣本對所有非監督分類結果進行精度檢驗，獲取每一景影像分類結果的混淆矩陣。在聚類過程中，重點考慮影像成像時間及早、中、晚稻的物候特征，在早、中、晚稻各自的生長高峰期內，影像上NDVI值較高的像元被聚類為該類型的水稻，而未種植的地塊多呈現裸土或水的光譜特征，易于區分。

湖南早中晚稻混合像元提取結合了監督分類結果與非監督分類結果以及經過處理的GF1影像共同確定，具體提取流程及混合像元分解方法見圖5。混合像元分解過程中用到的水稻、未種植兩種地物端元均從影像上獲得，選擇水稻種植面積大于100 m×100 m的大面積地塊作為水稻端元，未種植區的端元同樣從影像上選擇。

2.3種植面積估算水稻種植面積的估算首先是通過像元統計方法獲得水稻種植的毛面積；然后通過扣除圖斑內細小非耕地圖斑面積，得到水稻種植的凈面積；最后，經過非耕地系數及云污染系數修正得到真實的水稻種植面積，公式如下：

S=S01-rc=np=1Ap×（1-r）1-rc

式中，r代表各統計單元內非耕地系數；rc代表縣級行政單元內的云污染系數；n為各統計單元內有水稻種植的像元個數；S代表各統計單元內水稻的種植面積。根據遙感數據，利用上述公式計算得到2014年湖南省各市中稻種植面積遙感監測結果（表1）。

2.4種植面積精度檢驗種植面積精度檢驗主要是利用地面樣方調查數據檢驗。通過計算得到樣方調查與估算面積對照情況（圖7），其平均誤差為7.97%，基于2種數據的中稻面積估算結果的可決系數R2達到0.869 6，達到一定的精度要求。

3結論

該研究以GF1數據作為數據源，運用基于抽樣技術的地面調查與遙感影像分類相結合提取大面積作物種植面積信息的方法，對湖南省中稻種植面積進行了監測，形成了全省中稻種植空間分布結果，估算了2014年湖南省中稻種植面積，得出以下結論：

（1）基于抽樣技術的地面調查與遙感影像分類相結合提取作物種植面積信息的方法適合大面積糧食種植面積監測，可以用于省級、區域級糧食種植面積遙感監測，估算糧食種植面積，為農業政策制定、糧食安全分析等決策服務。

（2）國產GF1衛星遙感數據空間分辨率、波段覆蓋的范圍、影像覆蓋能力能夠滿足大面積糧食監測要求，可以逐步推廣其在農作種植面積監測中的應用。

（3）為了保證監測精度，大面積糧食種植面積遙感監測一般在特定地類，比如旱地、水田或者耕地進行詳細解釋，因此，基礎數據的精度對監測結果影響比較大。

參考文獻

[1] 吳炳方.中國農情遙感速報系統[J].遙感學報.2004.8（6）：481-497.

[2] 青先國， 艾治勇.湖南水稻種植區域化布局研究[J].農業現代化研究，2007，28（6）：704-708.

[3] PENG D L， HUETE A R， HUANG J F， et al.Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J].International journal of applied earth observation and geoinformation， 2011， 13（1）： 13-23.

[4] 金勇進，杜子芳，蔣妍.抽樣技術[M].北京：中國人民大學出版社，2000.

[5] 李金昌.應用抽樣技術[M].北京：科學出版社，2006.

[6] 杜子芳.抽樣技術及其應用[M].北京：清華大學出版社，2005.

[7] RIPLEY B D.Spatial statistics[M].New York： J Wiley&Sons， 1981.

[8] 吳炳方， 李強子.基于兩個獨立抽樣框架的農作物種植面積遙感估算方法[J].遙感學報， 2004， 8（6）： 551-569.

[9] 劉磊，江東，徐敏，等.基于多光譜影像和專家決策法的作物分類研究[J].安徽農業科學，2011，39（25）：15809-15811.

[10] 許文波，田亦陳.作物種植面積遙感提取方法研究進展[J].云南農業大學學報，2005，20（1）：94-98.

[11] 楊鵬，唐華俊，劉佳.作物遙感估產中自動分類研究進展與展望[J].中國農業資源與區劃，2000，21（3）：57-60.