基于Landsat 8 OLI遙感影像的沈陽市水稻種植面積提取方法

鄭璐悅，許童羽，2，*，周云成，2，杜 文

(1.沈陽農業大學，信息與電氣工程學院，遼寧 沈陽 110866； 2.遼寧省農業信息化工程技術中心，遼寧 沈陽 110866)

浙江農業學報ActaAgriculturaeZhejiangensis， 2017，29(10): 1749-1758

鄭璐悅，許童羽，周云成，等. 基于Landsat 8 OLI遙感影像的沈陽市水稻種植面積提取方法[J].浙江農業學報，2017，29(10)： 1749-1758.

10.3969/j.issn.1004-1524.2017.10.22

2017-04-06

國家重點研發計劃(2016YFD020060307)

鄭璐悅(1993—)，女，河北唐山人，碩士研究生，從事計算機應用方面研究。E-mail: 153413544@qq.com

*通信作者，許童羽，E-mail：yatongmu@163.com

基于Landsat 8 OLI遙感影像的沈陽市水稻種植面積提取方法

鄭璐悅1，許童羽1，2，*，周云成1，2，杜 文1

(1.沈陽農業大學，信息與電氣工程學院，遼寧 沈陽 110866； 2.遼寧省農業信息化工程技術中心，遼寧 沈陽 110866)

為了深入研究遙感數據及提取方法對估算水稻種植面積的可行性，以Landsat 8 OLI影像為數據源，運用ENVI5.1的軟件平臺，對沈陽市2015年6—9月水稻長勢進行監測，并最終提取其種植面積。根據實地調查樣本，通過分析各地物的光譜特性曲線、歸一化植被指數均值特征及遙感影像成像特點，確定了以波段6、波段5、波段2對圖像進行偽彩色合成。對合成后的圖像，分時段設計了三組不同樣本點數量的對比實驗，樣本數量分別為100、150、200個，采用混合像元的方式，確定了水稻的采集樣本點，用變換分散度和J-M距離對各個樣本間的可分離性進行檢驗，采用支持向量機的分類方法對各樣本進行分類，最后以Majority/Minority 分析方法對提取的結果進行分類后處理，建立了不同的水稻面積提取模型。結果顯示，6月、7月、9月中200個樣本點的實驗提取結果均較為準確，提取面積分別為1 032.044 8、1 201.125 9和1 180.685 5 km2，參考《沈陽統計年鑒2015》對提取結果進行評價，精度分別為94.73%、89.75%和91.62%。試驗表明，Landsat 8 OLI遙感數據可準確提取沈陽市水稻種植面積，為綜合多源數據對水稻進行種植監測奠定基礎。

沈陽市；水稻；支持向量機；Landsat 8 OLI數據

水稻是我國的主要農作物之一，在我國糧食生產中占有舉足輕重的地位[1-3]。遼寧省水稻種植面積占全國的10%，沈陽市水稻種植面積占遼寧省水稻總面積的21.5%[4]。如何獲取水稻的種植面積和產量，對監測其生長狀況和估算水稻稻米價格等有重要的參考價值。相對于常規的農業統計方法，利用遙感技術對水稻面積進行估算具有宏觀性、綜合性、時效性和動態性等獨特優勢，其提取的結果豐富，但成本比傳統方法低，不僅可以有效估算農作物種植面積，還可以確定其空間分布位置[5]。

國內外學者對如何利用遙感影像獲取農作物信息展開了諸多研究。Sakamoto等[6]利用MODIS影像，通過分析時間序列數據，有效地提取了日本水稻物候期，取得了精確的結果。Xiao等[7]通過計算NDVI、LSWI和EVI等植被指數，對中國南部和東南亞的水稻種植面積進行提取，取得較好結果。Wardlow等[8]通過分析時序NDVI數據，對MODIS影像進行處理，獲得了美國中部大平原地區的作物分類信息。黃敬峰等[9]證實，在分類過程中，關鍵步驟為感興趣區域(ROI)的選擇及分類后精度的檢驗。陳樹輝等[10]采用混合像元并選取線性光譜混合模型對河南省息縣的水稻進行面積提取，取得較好結果。李石等[4]采用監督分類的方法，結合水稻的不同生長發育階段的特點，準確地估測了沈陽市水稻的種植面積，精度達92%。陳劉鳳等[11]基于Landsat 8 OLI數據，采用非監督分類、監督分類和NDVI剔除法相結合的方法，準確地提取了甘蔗的種植面積信息，總精度達86.36%。隨著遙感技術的不斷發展，各國利用衛星遙感數據進行水稻面積估算方面得到很大進步，由此可見，遙感技術在農業生產管理的決策上起到了重要作用。

本文以遼寧省沈陽市為研究區域，以2015年6—9月Landsat 8 OLI影像為數據源，通過實地考查，并結合水稻的光譜特征、歸一化植被指數特征及偽彩色合成圖像[12-13]的特點，采用支持向量機的分類方法，Majority/Minority 方法的分類后處理方法，有效地提取了水稻種植面積。在分類過程中，本文對研究區分時段分別設計了三組不同數量樣本點的對比實驗，建立了不同的分類模型，并以《沈陽市統計年鑒2015》為參考依據，對提取結果進行精度評價，為進一步綜合利用多源數據對水稻種植遙感監測奠定基礎。

1 材料與方法

1.1 研究區概況

沈陽市簡稱沈，遼寧省省會及最大城市，位于東北平原南緣，南連遼東半島，北依長白山，是東北地區和環渤海地區的重要紐帶，地處東經122°25′～123°48′，北緯41°11′～43°2′，面積約1.3萬km2，其中耕地占52%。沈陽市多為平原，山地和丘陵則分布在其東南部，主要河流有遼河、渾河、秀水河等，全年氣溫在-35～36 ℃，平均氣溫8.3 ℃，全年降水量500 mm，無霜期183 d。該地區屬溫帶半濕潤大陸性氣候，由于受季風的影響，降水比較集中、四季分明，春秋兩季氣溫變化迅速，春季多風，秋季晴朗，主要種植的作物有水稻、玉米等[4，14]。

1.2 數據源與預處理

1.2.1 數據源

采用Landsat 8 OLI影像為數據源，下載自美國USGS網站(http://glovis.usgs.gov/)，空間分辨率為30 m，其具體參數設置見文獻[15]。本文選用條帶號為119，行編號為30-31，2015年6—9月的遙感影像，研究波段共7個，即Coastal earosol、B、G、R、NIR、SWIR1、SWIR2 。使用軟件為ENVI5.1。

1.2.2 預處理

(1)輻射定標及大氣校正。輻射定標轉換的是傳感器記錄的DN值，將其轉換成具有實際物理意義的大氣頂層輻射亮度或反射率。而大氣校正就是消除在成像過程中由大氣散射引起的輻射誤差[15]。本文使用Radiometric Calibration工具進行輻射定標，使用FLSAASH Atmospheric Correction工具進行大氣校正，用Spectral工具查看波譜曲線。以2015年7月9日獲取的影像為例。由圖1可知，通過選取典型的植物樣本，觀察校正前后光譜值。可見在校正后的光譜特性曲線中在藍光波段(0.45～0.51 μm)出現明顯的低谷，綠色(0.53～0.59 μm)有反射峰，紅色(0.64～0.67 μm)有個反射谷，在近紅外(0.85～0.88 μm)有個非常高的反射峰，非常符合植被波譜特征[15-16]，可見校正后植被信息更接近其真實的光譜特性。

圖1 原始影像及校正后影像Fig.1 Original image and the corrected image

(2)圖像鑲嵌及裁剪。圖像鑲嵌是指將不同影像幾何糾正到統一坐標系下，將多幅相鄰的圖像拼成一幅無縫隙且大范圍的圖像[17]。由于鑲嵌的遙感影像范圍超過研究區范圍，因此需要對遙感影像進行恰當的空間裁剪，保證經過裁剪后的遙感影像大小范圍和位置與研究區相同。本文使用Mosaicking/Seamless Mosaic工具進行圖像鑲嵌，再將代表區劃邊界的矢量多邊形轉換成柵格圖像文件，然后通過掩膜運算實現圖像不規則裁剪，產生研究區的遙感影像，如圖2、圖3所示。

6月份云含量約為5%，主要分布在沈陽市西部，即新民市、法庫縣西部；7月份云含量為0；8月份云含量約為45%；9月份云含量約為8%，主要分布在新民市。其中8月份云含量大于20%，即使采用去云處理，云含量仍對實驗結果產生較大的影響，因此之后不對8月份的數據進行研究。

2 研究方法

2.1主要地物的光譜特性曲線和歸一化植被指數

根據實地GPS調查樣點資料，結合遙感影像的特征以及植被的生長變化時期，選擇水體、水稻、其他植被、裸地、山地、建筑為研究區主要地物，依據統計結果繪制光譜特性曲線和歸一化植被指數(NDVI)均值曲線，如圖4、圖5。從圖4可知，在可見光B1-B4波段上，裸地光譜反射強度略高，其他地物光譜強度相近且都小于1 500；在近紅外B5波段上，其他植被反射強度最高，達5 000以上，水稻反射強度其次，達3 000；在短波紅外B6-B7波段上，水體和建筑光譜強度變化不大，其他地物均呈下降趨勢，且在B5-B6波段其他植被下降最明顯，水稻其次。

圖2影像鑲嵌結果

Fig.2Results of image mosaic

圖3影像剪裁結果

Fig.3Results of image cropping

A, 6月份主要地物光譜特性曲線; B, 7月份主要地物光譜特性曲線; C, 9月份主要地物光譜特性曲線A, Spectral characteristics of main ground objects in June; B, Spectral characteristics of main ground objects in July; C, Spectral characteristics of main ground objects in September圖4 主要地物的光譜特性曲線Fig.4 The spectral characteristic curves of main ground objects in difference months

由圖5可知，水體的NDVI值均在0以下，易于區分；建筑、山地與裸地的NDVI值變化不大，說明6—9月份此區域植被變化不多；其他植被NDVI值下降，說明其植被覆蓋率正在降低，此植物可能為玉米、大豆等[4，18]；水稻的NDVI值不斷上升，說明其覆蓋率不斷上升，原因是6月份水稻正處于移栽期后期，水田既包含水體的信息也包含植被信息，這是水稻區別于其他植被的特殊時期，而7月份、9月份水稻分別處于孕穗期和成熟期[4]，其NDVI值不斷上升。

圖5 主要地物的歸一化植被指數均值Fig.5 NDVI curves of main ground objects

2.2 最佳波段組合選擇

遙感影像記錄的是光譜帶的電磁波能量，但是記錄的地物的灰度值不利于從影像直接識別和區分，而通過改變影像的灰度結構，可以增加地物的識別度，便于學者研究[19]。已有前期研究表明，在Landsat 8的OLI陸地成像儀中，波段6、5、2的組合對監測農作物很有效，農作物在影像中顯示為高亮的綠色，裸地為品紅色，休耕地為很弱的墨綠色[20]。又依圖4可知，在B2波段，可區分裸地與山地，在B5波段可區分水稻與其他植被，在B5-B6波段，可區分植被與非植被。故本文以波段6、5、2為最佳波段組合，合成偽彩色圖像并進行進一步研究。

2.3 樣本采集

基于沈陽市水稻分布情況，在合成的圖像上獲取ROI，創建感興趣區，分別對水稻選取100個(組1)、150個(組2)、200個(組3)樣本點，并對6月、7月、9月的影像進行分析。具體各類地物樣本選取的個數如表1所示。

2.4 類別可分離性分析

本文采用變換分散度(Transformed divergence)和J-M距離(Jeffries-Matusita)來計算各地物之間的統計距離，再根據距離來確定兩個地物間的差異性程度。

2.4.1 變換分散度

分散度可以利用監督分類訓練過程中所得各類光譜的均值和協方差來計算，以水稻(rice)和水(water)為例，這兩類地物間的分散度計算公式如下：

(1)

若存在兩個差異性較大的樣本，則所有類別樣本的平均分散度會增加，這會誤導研究學者將次佳的特征子集當做最佳子集，因此有必要計算變換分散度：

(2)

在ENVI5.1中使用該度量參數進行判別，其參數值在0～2.0，相應地，上述公式變為：

(3)

2.4.2 J-M距離

Bhattacharya距離：兩個隨機分布特征之間距離的公共度量。如果兩個隨機分布的概率密度函數為p1(x)、p2(x)。則：

(4)

假設這些樣本類別符合正態分布，則對于大小為n1，n2的類別C1，C2，具有均值m1，m2和標準差σ1，σ2，有：

(5)

B值的分布處于半開區間[0，∞)。而引入一種變換后，B值的分布范圍會具體到[0，2]的閉區間，這一變換稱為Jeffries-Matusita距離度量，簡稱J-M距離：

J=2(1-e-Β)。

(6)

在ENVI5.1中，可用ROI Separability Report工具計算Transformed divergence、Jeffries-Matusita參數值。當參數值大于1.9時，說明所選擇的感興趣區域分離性較好；當參數值小于1時，考慮將兩類樣本合并成一個樣本；當參數值小于1.8時，需重新獲取感興趣區域來提高分離性；反復提取樣本直至分離性達到標準為止[14]。

如表2所示，以7月份處理裁剪后的OLI影像為例，水稻與水體的兩個參數的值分別為1.999 5、2.000 0；水稻與山地的兩個參數值分別為1.832 1、1.837 0；水稻與建筑的兩個參數的值分別為1.967 8、2. 000 0；水稻與裸地的兩個參數值分別為1.995 2、2. 000 0；水稻與其他植被的兩個參數值分別為1.918 8、1.999 0，以上參數值均符合樣本評價要求，所以這組選取的樣本點合格。

表1研究區各類地物樣本選取狀況

Table1The selection of various types of soil samples in the study area

實驗組編號Groupnumber水體Water水稻Rice其他植被Otherplants裸地Bareland山地Mountain建筑Building合計Total組1Group192100100504652440組2Group214715015210091101736組3Group3192200204120100130946

表2類別可分離性計算報表

Table2Category separability calculation report

項目Item水體Water變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水稻Rice變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita其他植被Otherplants變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水體Water——19995200002000020000水稻Rice1999520000——1918819990其他植被Otherplants20000200001918820000——裸地Bareland200002000019952200001999520000山地Mountain199712000018321183711842020000建筑Building198712000019678200001998620000項目Item裸地Bareland變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita山地Mountain變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita建筑Building變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水體Water200002000019971200001987120000水稻Rice199522000018321183711967820000其他植被Otherplants199952000018420198321998920000裸地Bareland——19815199991934319990山地Mountain1981519999——1930120000建筑Building19343199901930120000——

2.5 基于支持向量機的分類方法

支持向量機(SVM)是建立在VC維理論和結構風險最小化(SRM)原理基礎上的一種機器學習方法[21]。此方法根據有限的樣本信息，在建立模型時尋求一個最佳的分類使其能將樣本的分類空隔最大且將錯誤率降到最低[22]，在本文中以波段6、波段5、波段2合成的偽彩色圖像中，以各波段光譜值為輸入，對處理后的分量進行歸一化處理，用于SVM分類器訓練。

以6月份為例，三個實驗組的提取結果如圖6所示，分析可知，沈陽市水稻主要種植在西南部，多為平原地區，部分沿河流及湖泊分布。北部主要種植其他植物，東南部為城市及山地。分析對比可知，采用組1提取的水稻分布相對較為分散，提取的面積大，但由于樣本點過少，提取精度不高，其中可能摻雜水草、林地、其他植被等。組3提取結果中顯示水稻面積比組1少，分布相對集中，提取的水稻中其他地物較少。

A. 組1 B. 組2 C. 組3A. Group 1 B. Group 2 C. Group 3圖6 6月份三組實驗各地物提取結果Fig.6 The results of the extraction of three experiments in June

2.6 分類后處理

采用支持向量機方法分類后，分類結果中不可避免地會產生一些面積很小的斑塊，本文采用Majority/Minority 分析方法對這些小斑塊進行剔除或重新分類。Majority/Minority 分析采用類似于卷積濾波的方法將較大類別中的虛假像元歸到該類中，定義一個變換核尺寸。主要分析(Majority analysis)用變換核中占主要地位(像元數最多)的像元類別代替中心像元的類別。次要分析(Minority analysis)是用變換核中占次要地位(像元數最少)的像元的類別代替中心像元的類別[23]。如圖7所示，經過處理后影像中圖面變得光滑，小斑塊得到了有效地剔除。

3 結果分析及精度評價

A.斑塊去除前; B.斑塊去除后A.Before removal; B. After removal圖7 斑塊去除對比結果Fig.7 Comparison of plaque removal results

為了很好地顯示水稻的分布情況，特將其他地物去掉，只留下水稻進行觀察，如圖8所示，可以很清楚地發現沈陽市水稻主要分布在中南部地區，如沈北新區西北部、于洪區北部、新民市東南部、蘇家屯區西部及遼中區大部分區域，其他各縣區也有少量分布。水稻分布狀況與水稻識別精度有很大關聯，水稻分布越集中，識別的精度越高，相反的，水稻分布越散，其識別精度越低。沈陽市中部及西南部，水稻分布則相對集中，而在北部的水稻分布較為分散，在分類后處理環節很可能將其與其他地物合并。因此，需要進一步研究水稻分布較散的地區的水稻面積提取方法。

A. 組1 B. 組2 C. 組3A. Group 1 B. Group 2 C. Group 3圖8 6月份三組實驗提取水稻分布圖Fig.8 Rice distribution of three experiments in June

參照《沈陽市統計年鑒2015》可知，沈陽市農作物播種總面積為6 587.5 km2，水稻種植面積為1 089.44 km2。經計算可得提取誤差，其結果如表3。

從表3中可知，6月份組3、7月份組3和9月份組3提取的面積較為準確，其誤差分別為5.27%、10.25%和8.38%，所提取出來的面積分別為1 032.044 8、1 201.125 9和1 180.685 5 km2，與《沈陽市統計年鑒2015》統計的水稻種植面積相差分別為57.395 2、111.685 9和91.245 5 km2。

6月份組1統計結果與標準值相差較多，可能是因為選取的樣本點過少，導致學習樣本過少，或者6月份成像時存在少量云且水稻苗較小，影響了實驗數據，并且在6月份有一部分水稻處于移栽期，在選取樣本點的過程中可能選取了一部分水體，從而影響了提取結果的準確度。

由于實驗采用30 m分辨率的Landsat 8衛星數據，每個像元為900 m2，而稻田面積可能低于900 m2，所以稻田中存在的道路、溝渠等地物由于面積過小而淹沒在稻田中，并且在水稻與水體或土壤的交界處，會存在一些類似水稻的水生或陸地植物，致統計數據偏大，可能存在一定誤差。

表3水稻面積提取結果及精度評價表

Table3Rice area extraction results and accuracy evaluation

時間Time樣本點數量Numberofsamplepoints提取水稻面積Areaofrice/km2面積差Deviationofarea/km2誤差Error/%6月份組1Group11245397415595741432June組2Group21215034812559481153組3Group2103204485739525277月份組1Group11231092014165201300July組2Group21215882912644291161組3Group212011259111685910259月份組1Group11235446314600631340September組2Group21221479613203961212組3Group311806855912455838

4 結論

本次沈陽市水稻種植面積提取實驗中，結合Landsat 8 OLI影像的成像特點，通過分析水稻和其他地物的光譜特征及NDVI均值，采用基于支持向量機的分類方法，實現了大尺度水稻種植面積的遙感提取。

在研究過程中有以下結論：(1)采用基于光譜特性曲線、歸一化植被指數和偽彩色圖像合成等規則的分類方法，在3組不同數量樣本點的對比實驗中，6月份200點組提取的面積最為準確，所提取的面積為1 032.044 8 km2，精度達94.73%。(2)在3組不同數量樣本點的對比實驗中，提取結果均顯示樣本點數量越多，提取精確越高。(3)采用混合像元來采集樣本點，從分類結果中可以看出，混合像元選取法可以更好地表達地物之間的真實分布，使其分類結果更接近實際情況。實驗證明了采用混合像元、選取200個實驗點，并采用支持向量機方法提取水稻面積的可行性。(4)本文分別對6月、7月、9月3個時段進行了3組不同數量樣本點的實驗，更加精準地提取了水稻面積，避免了由于樣本點采集數量不準確而造成的誤差。3個時段的影像可以綜合不同時期的水稻生長及分布特點，有效地提高了結果的準確度，是估算水稻種植面積的一個比較有效的方法。

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

LI Z P， LIU Z H， LI Z G， et al. Progress and prospect of application of remote sensing to rice spatial distribution[J].ChineseJournalAgriculturalResourcesandRegionalPlanning，2014，35 (6):9-18. (in Chinese with English abstract)

[2] 林子晶. 基于遙感影像融合技術的水稻種植面積提取及稻曲病估測研究[D].南京：南京信息工程大學，2016.

LIN Z J. Based on remote sensing image fusion technology in rice acreage extraction and rice smut estimation[D].Nanjing: Nanjing University of Information Science & Technology， 2016. (in Chinese with English abstract)

[3] 秦占飛. 西北地區水稻長勢遙感監測研究[D].楊凌：西北農林科技大學， 2016.

QIN Z F. Study on rice condition monitoring with remote sensing in northwest region[D].Yangling: Northwest A&F University， 2016. (in Chinese with English abstract)

[4] 李石，宋曉巍，張菁，等. 基于遙感數據的沈陽水稻種植面積提取及精度分析[J]. 大麥與谷類科學，2016，33(4):63-66.

LI S， SONG X W， ZHANG J， et al. Extraction of rice planting areas in Shenyang city based on MODIS data and its precision analysis[J].BarleyandCerealSciences， 2016， 33(4):63-66. (in Chinese with English abstract)

[5] 張莉. 基于EOS/MODIS數據的晚稻面積提取技術研究[D].北京：中國農業科學院，2012.

ZHANG L. Study on extracting planning areas of paddy rice by using EOS/MODIS data[D].Beijing: Chinese Academy of Agricultural Sciences，2012. (in Chinese with English abstract)

[6] SAKAMOTO T， YOKOZAWA M， TRITANI H， et al. A crop phenology detection method using time-series MODIS data[J].RemoteSensingofEnvironment， 2005， 96(3/4):366-374.

[7] XIAO X， BOLES S， LIU J， et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J].RemoteSensingofEnvironment，2005，95(4):480-492.

[8] WARDLOW B D， EGBERT S L. Large-area crop mapping using time-series MODIS 250m NDVI data:an assessment for the US Central Great Plains[J].RemoteSensingofEnvironment，2008，112(3):1096-1116.

[9] 黃敬峰，Ahmad Yaghi，王人潮.利用GIS與TM資料集成技術估算龍游縣早稻面積[J].農業工程學報，2001，17(1):159-162.

HUANG J F，AHMAD Y，WANG R C. Integration of GIS and TM data to extract early rice area in longyou county[J].TransactionoftheChineseSocietyofAgriculturalEngineering， 2001，17(1):159-162. (in Chinese with English abstract)

[10] 陳樹輝，李楊，曾凡君，等. 基于環境星的混合像元分解水稻面積提取[J]. 安徽農業科學，2011，39(10):6104-6106.

CHEN S H， LI Y， ZENG F J， et al. Extraction of paddy planting areas by using mixed pixel decomposition based on HJ-1 A/B satellite images[J].JournalofAnhuiAgricultureScience，2011，39(10):6104-6106. (in Chinese with English abstract)

[11] 陳劉鳳，林開平，胡寶清，等. 基于Landsat8_OLI數據的甘蔗種植面積監測[J]. 南方農業學報，2015，46(11):2068-2072.

CHEN L F，LIN K P，HU B Q， et al. Monitoring of sugarcane planting area based on Landsat8_OLI data[J].JournalofSouthernAgriculture，2015，46(11):2068-2072.

[12] 孟璐，安源，林和平. 遙感數字圖像無損假彩色合成[J]. 遼寧工程技術大學學報(自然科學版)，2014，33(2):261-266.

MENG L， AN Y， LIN H P. Remote sensing digital image non-destructive false color synthesis[J].JournalofLiaoningTechnicalUniversity(NaturalScience)，2014，33(2):261-266. (in Chinese with English abstract)

[13] 張偉，鄭旭霞. 基于植被指數的多光譜影像真彩色合成方法[J]. 測繪與空間地理信息，2010， 33(6):110-113.

ZHANG W， ZHENG X X. A method of true color synthesis of multi-spectral images based on vegetation index[J].Geomatics&SpatialInformationTechnology， 2010， 33(6):110-113. (in Chinese with English abstract)

[14] 吳黎，張有智，解文歡，等. 基于TM的混合分解模型提取水稻種植面積研究[J]. 農機化研究，2013(2):44-47.

WU L， ZHANG Y Z， XIE W H， et al. The mixture model extraction of rice planted area based on TM data[J].JournalofAgriculturalMechanizationResearch，2013 (2):44-47. (in Chinese with English abstract)

[15] 王瀚征. 基于非監督分類與決策樹相結合的30m分辨率土地利用遙感反演研究[D].石家莊：河北師范大學，2016.

WANG H Z. Remote sense retrieval of 30m resolution of land use based on the combination of unsupervised classification and decision[D].Shijiazhuang: Hebei Normal University.2016. (in Chinese with English abstract)

[16] 曹鵬飛. 基于光譜成像技術的農作物特征波段提取與分類研究[D].昆明：云南師范大學，2014.

CAO P F. Study on extraction and classification of crop characteristic band based on spectral imaging technology[D].Kunming: Yunnan Normal University，2014. (in Chinese with English abstract)

[17] 朱鋒， 肖暉， 魏亞男.無人機遙感影像鑲嵌技術綜述[J].計算機工程與應用，2014，50(15): 38-41.

ZHU F， XIAO H， WEI Y N. Summary of UAV remote sensing image mosaicking technology[J].ComputerEngineeringandApplications，2014，50(15): 38-41. (in Chinese with English abstract)

[18] 劉吉凱，鐘仕全，梁文海. 基于多時相Landsat8 OLI影像的作物種植結構提取[J]. 遙感技術與應用，2015，30(4):775-783.

LIU J K， ZHONG S Q， LIANG W H. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images[J].RemoteSensingTechnologyandApplication，2015，30(4):775-783. (in Chinese with English abstract)

[19] 蔡麗娜. 多光譜遙感影像近自然彩色模擬的研究[D].哈爾濱：東北林業大學，2005.

CAI L N. Study on simulating near natural color of multi-spectrum remote sensing image[D].Harbin: Northeast Forestry University，2005. (in Chinese with English abstract)

[20] Landsat8數據不同波段組合的用途[EB/OL]. (2017-04-01). http://www.docin.com/p-1768082949.html.

[21] TSENG Y C， NI S Y， SHIH E Y. Adaptive approaches to relieving broadcast storms in a wireless multihop mobile ad hoc networks[R]. IEEE: Proceedings 21st International Conference on Distributed Computing Systems， 2003.

[22] 徐慶伶，汪西莉. 一種基于支持向量機的半監督分類方法[J]. 計算機技術與發展，2010，20(10):115-117， 121.

XU Q L， WANG X L. A novel semi-supervised classification method based on SVM[J].ComputerTechnologyandDevelopment， 2010，20(10):115-117， 121. (in Chinese with English abstract)

[23] 楊柯. 基于ENVI的遙感圖像自動解譯分類結果優化[J]. 世界有色金屬，2016 (18):130-131.

YANG K. Based on ENVI optimization of automatic interpretation of remote sensing image classification results[J].WorldNonferrousMetals，2016 (18):130-131. (in Chinese with English abstract)

ExtractionofriceplantingareabasedonLandsat8OLIremotesensingimageinShenyangcity

ZHENG Luyue1， XU Tongyu1，2，*， ZHOU Yuncheng1，2， DU Wen1

(1.CollegeofInformationandElectricalEngineering，ShenyangAgriculturalUniversity，Shenyang110866，China; 2.AgriculturalInformatizationEngineeringTechnologyCenterinLiaoningProvince，Shenyang110866，China)

In order to study the feasibility of remote sensing data and extraction method to estimate the area of rice planting， this paper used Landsat 8 OLI image as the data source and ENVI5.1 as software platform to monitor rice growth situation in June-September 2015 in Shenyang city， and extracted its acreage eventually. Based on the field survey samples， by analyzing the spectral characteristics， the normalized differential vegetation index and the characteristics of remote sensing images， this paper determined the false color synthesis by band 6， band 5 and band 2. The sampling points of the rice were selected by the mixed pixels， and the number of samples was 100， 150 and 200 respectively. The transformed divergence and Jeffries-Matusita were used to test the separability among the samples. The samples were classified by the support vector machine. The classification results were sorted by Majority/Minority analysis method， and the extraction model of different rice areas were established finally. The results showed that the sample number of 200 was most accurate in June， July and September， and the extraction area was 1 032.044 8， 1 201.125 9 and 1 180.685 5 km2. According to the results from Shenyang Agricultural Statistics (2015)， the evaluation was 94.73%， 89.75% and 91.62% respectively. The experimental results showed that the Landsat 8 OLI remote sensing data can accurately extract the rice planting area in Shenyang， and lay the foundation for the rice planting monitoring for the multi-source data.

Shenyang; rice; support vector machine; Landsat 8 OLI data

TP79

A

1004-1524(2017)10-1749-10

（責任編輯張 韻)