基于多時相遙感數據的水稻種植面積信息提取

彭樂文　張亞

摘要：在遙感影像中，植物的含水量、土壤濕度在短波紅外波段下表現很敏感，而紅光波段和近紅外波段對植物覆蓋率、植物長勢反映很強烈。基于時間差異的決策樹水稻提取模型，通過計算水稻生長不同時期的歸一化植被指數NDVI和土壤含水量指數LSWI，在江蘇省鹽城市射陽縣開展了水稻種植區提取的相關研究。經過提取的水稻面積和地方統計數據對比表明，該模型能有效區分出水域、玉米和菜地等較易與水稻種植區混淆的地物，面積提取精度達到76.26%。

關鍵詞：多時相影像;決策樹;水稻;信息提取

中圖分類號：P237? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2020）02-0157-04

DOI：10.14088/j.cnki.issn0439-8114.2020.02.035? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Rice planting area information extraction based on multi-temporal remote sensing data

PENG Le-wen，ZHANG Ya

（School of Earth Sciences and Engineering，Hohai University，Nanjing 211100，China）

Abstract： In remote sensing images， the moisture content and soil moisture of plants were sensitive to the short-wave infrared band， while the red band and near-infrared band reflected the coverage rate and growth rate of plants strongly. According to the characteristics of rice growing in moist soil， based on a decision tree rice extraction model with time difference， this paper carried out relevant research on rice growing area extraction in sheyang county， yancheng city， jiangsu province by calculating NDVI and LSWI of normalized vegetation index and soil moisture index at different growth periods. The comparison of the extracted rice area and local statistical data showed that the model can effectively distinguish the water area， corn and vegetable fields that were easily confused with rice， and the precision of area extraction reached 76.26%.

Key words： multi-temporal image; decision tree; rice; information extraction

對水稻種植面積及產量信息的獲取有助于規劃水稻種植區及監測其長勢，并且對預測稻米的價格也具有參考作用。相較于傳統方法，利用遙感技術對水稻種植面積進行信息提取具有很大的優勢，且提取結果更加豐富[1，2]。在運用遙感數據提取水稻信息方面，鄭璐悅等[3]基于Landsat 8 OLI遙感影像，運用ENVI 5.1的軟件平臺建立了沈陽市水稻面積提取模型;鄭長春等[4]利用植被特征波段對SPOT-5衛星影像水稻面積進行信息提取，將歸一化植被指數融入到影像中，提高了信息自動提取精度。根據提取數據的不同，可以將水稻信息提取方法分為低分辨率數據提取和中高分辨率數據提取。其中，低分辨率數據提取方法是通過歸一化植被指數（Normalized difference vegetation index，NDVI）的差異性來提高分類精度。另外，提高水稻信息提取的精度還可以從選擇水稻生長的最佳時期入手，基于NDVI時序數據，苗翠翠等[5]利用S-G濾波法進行時間序列重構，并且采取決策樹分類器建立提取模型，表明該方法明顯能提高提取精度。

近年來，將決策樹分類算法應用于遙感影像分類是研究的熱點之一。研究表明，該類算法可以明顯提高分類的精度[6]，并且可以極大提高遙感信息分類的工作效率。基于C5.0決策樹分類算法，溫興平等[7]通過數據融合和大氣校正處理對ETM+影像進行信息提取，提高了分類及水稻面積信息提取精度。吳健生等[8]在對麗江市土地利用分類研究時，選擇基于QUEST決策樹分類方法對該地區TM影像數據進行分類，該分類方法具有較快的運算速度和較高的分類精度。

在對水稻種植面積進行信息提取時，選擇水稻生長的最佳時相并且運用將決策樹分類算法，不僅可以提高水稻種植面積信息分類的精度和效率，而且還可以提高提取精度。水稻生長最佳單一時相信息提取有一定的局限性，很難發現與背景地物的區別。因此，本研究基于Landsat8 OLI影像利用不同時相歸一化植被指數（NDVI）和陸地表水指數（Land surface water index，LSWI）不同變化進行小尺度水稻識別，提出分類規則集，并且建立基于時間差異的決策樹水稻信息提取模型，并對江蘇省鹽城市射陽縣水稻種植面積進行了提取。

1? 研究區域與數據預處理

1.1? 研究區域概況

射陽縣地處江蘇北部里下河下游地區，位于北緯33°24′～34°07′和東經119°59′～120°33′，總面積為2 776.49 km2，海岸線全長103 km，海堤長141 km。全縣土地總面積277 648.8 hm2，轄13個鎮、1個開發區、1個鹽場、4個農場和2個林場（圖1）。

射陽縣氣候溫和，屬季風氣候區，為亞熱帶和溫暖帶交界處。地形以平原為主，地勢平坦，土地肥沃，適合多種農作物種植。研究區內大部分地區實行一年兩熟制，水稻、小麥、油菜是射陽縣主要種植的三大農作物，其中水稻的種植面積最大。每年10月至次年6月是油菜和小麥種植期，6—10月是水稻的種植期（表1）。

1.2? 數據預處理

本研究采用的試驗數據均從地理空間數據云官網獲取，條帶號119，行編號37，云量在10%以下。獲取的時間為2016年6月25日（水稻分蘗初期）、2016年8月28日（水稻抽穗灌漿期）以及2016年10月13日（水稻成熟期）。

1）輻射定標。需要先對遙感影像進行輻射定標，然后由反射率數據計算得到NDVI和LSWI指數。

第一步，先將DN值轉換成輻射亮度值L？姿，公式如下：

L？姿=k·DN+Offset

式中，L？姿為光譜輻亮度，k為響應函數的斜率，DN為記錄的電信號數據，Offset為響應函數的截距。

第二步，再把輻射亮度值轉換成反射率，公式如下：

？籽p=■

式中，d為天文單位日地距離，ESUN？姿為太陽表觀輻射度均值，？茲s為太陽高度角。上述計算均在ENVI 5.1的Landsat Calibration模塊中進行。

2）大氣校正。大氣校正的目的是消除大氣對地物反射的影響，同時也是反演地物真實反射率的過程[9]。大氣校正在ENVI 5.1軟件的FLASH Atmospheric Correction模塊中進行。

3）裁剪出研究區域。預處理后的遙感影像如圖2所示。

2? 決策樹模型水稻識別提取

決策樹是一種常用的數學分類方法[10]，由于其具有較高的分類精度和計算效率，被廣泛地運用于地物識別提取[11，12]，主要流程包括特征指數的選取、樣本的選取、決策樹模型的建立。

2.1? 特征指數選取

健康植被的光譜曲線有很明顯的特點，在紅波段附近有一個明顯的吸收谷，而在近紅外波段之間形成一個反射率高的反射峰。基于這一特點，歸一化植被指數（NDVI）是近紅外波段和可見光波段數值之差和這兩個波段數值之和的比值，被廣泛應用于植被提取中，其計算公式如下：

NDVI=（？籽nir-？籽red）/（？籽nir+？籽red）

式中，？籽nir為近紅外波段反射率，？籽red為紅光波段的反射率。

NDVI可以反映植被在可見光、近紅外波段反射與土壤反射的差異，且能呈現作物生長變化和物候信息的規律性。由于受到水吸收帶（1.4～1.9 μm）的影響，短波紅外波段可以反映土壤和植被的含水量敏感程度，因此通常使用陸表水分指數LSWI來區分水稻與其他植被，LSWI計算公式如下：

LSWI=（？籽nir-？籽swir1）/（？籽nir+？籽swir1）

式中，？籽swir1為短波紅外段反射率。

2.2? 樣本選取

為保證決策樹模型的精度，需要保證樣本數據的可靠性和精確性，且不同類別的樣本之間的分離度要盡可能大;另外，為了保證所使用的分類法則能夠準確地區分地物類型，就需要有足夠大的樣本數量[13，14]。本研究以GoogleEarth上的影像作參考獲取樣本區域251個，并且結合土地利用調查數據，最終得到5 463個樣本數據，包括水稻、建筑物、林地、蔬菜、水域等。

2.3? 決策樹模型

樣本數據是建立決策樹模型的基礎數據，通過對樣本數據的數學統計和歸納分析可以獲得決策樹模型的分類規則。地物樣本的特征指數均值隨時間變化呈現出一定的差異，為了明顯地觀察特征指數之間隨時間的變化關系，通過擴大NDVI和LSWI指數將區域各種樣本地物之間差異性放大，如圖3、圖4所示歸一化植被指數和陸表水分指數都擴大10倍后的圖像。

從圖3可以看出，①2016年6月25日建筑物、裸土、水體的NDVI值較為接近且幾乎是0;大豆、蔬菜和水稻的NDVI值較為接近，在1.5～2.5;林地的NDVI值明顯高于其他植被，達到了4.0。②各樣本地物NDVI值的變化趨勢：2016年6月25至8月28日是農作物的生長旺盛期，農作物的近紅外波段反射率大幅增強，因此水稻、蔬菜和大豆的NDVI值明顯上升;林地在這兩個月間的生長并沒有很大變化，故特征統計值上升并不明顯;建筑物和水體的NDVI不變，裸土的NDVI稍稍上升;③2016年8月28日至10月13日，水稻進入成熟期，葉片數量減少、含水量下降，除大豆和蔬菜的統計值有些微的增加，其他所有植被的統計值呈減小趨勢。

從圖4可以看出，①2016年6月25日地物樣本的LSWI值可分為兩類，一類是值較低的大豆、裸土、建筑物和林地，即含水量低，另一類是含水量較高的水體、蔬菜和水稻;②8月28日時大豆、裸土和水稻的LSWI值均較高且接近，不易區分，水體和蔬菜的值較低且接近，難以辨別;③各樣本地物LSWI值的變化趨勢：水體和蔬菜在3個時期穩定在較低值，裸土和建筑物穩定在較高值，變化趨勢不明顯，從6月25日至8月28日，水稻的LSWI值上升明顯，而林地的LSWI值呈下降趨勢。

綜上分析，根據8月植被生長旺盛，NDVI指數較高，且此時水稻處于生長期，稻田的光譜特征表現為植被這一特點，利用NDVI<0將水體提取出來。建筑物和裸土的NDVI值比水體高，但與林地和農作物等植被比較，仍然要低不少。利用NDVI<0.2將建筑物和裸土提取出來。水稻和其他植被在3期NDVI值的變化上區別不大，但是在LSWI上的變化有明顯區別，水稻的LSWI值從6月25日至8月28日有明顯的上升，這是因為水稻從移栽期到了生長期，從水田變為較為干旱的土地，設置LSWI0828-LSWI0625>0.5這一閾值，將水稻和其他植被區分開來。

根據這些規則集，本研究建立了水稻信息提取決策樹模型，展示了完整的水稻提取過程，如圖5所示。

3? 實例分析

基于已建立的水稻信息提取決策樹模型，根據LSWI和NDVI值處理圖像，得到的射陽縣水稻圖像識別分類如圖6所示。由于村莊房屋、縣城樓房等建筑用地的LSWI值較低，首先利用LSWI值去除建筑用地面積;然后根據NDVI指數變化值對影像植被信息進行分區，并且去除非水稻的地物，最后得到最終的研究區分類結果。

從分類結果來看，水稻種植區較為集中，主要分布在射陽縣西北海河、四明、千秋三鎮以及淮海、臨海、新陽3個農場中，這幾個地區灌溉條件較好、水資源有保障。表2為分類結果和地方統計面積的比較，分析可知使用多時相遙感數據提取的水稻面積要低于統計面積，這可能是由于研究區域內有部分水稻的種植時間不統一，故而在分類結果中將這部分水稻劃為其他植物，分類精度達到76.26%，對于高效宏觀的遙感調查來說，精度是可以接受的。

4? 結論與展望

由于農作物的光譜特征較為相近，利用單期影像難以對農作物進行準確地分類，因此可以利用不同農作物有不同的生長周期及物候期的特點，通過選取地物有明顯變化的時相影像，實現水稻面積的種植提取。本研究根據一年中3個不同時相的NDVI以及LSWI變化特征，建立了水稻信息提取決策樹模型，并對江蘇省鹽城市射陽縣水稻種植面積進行了提取，提取的水稻面積和地方統計數據相比的精度為76.26%。

利用遙感技術提取水稻種植面積信息，不僅可以節省大量時間和人力物力，還可以提高影像數據的可視性和宏觀性。但是，本研究也有需要進一步改進和完善的地方，如由于天氣原因不容易獲取水稻生長關鍵時期的高質量影像以及易受TM數據成像時間分辨率的影響，另外本研究所建的決策樹信息提取模型考慮了不同時相水稻特征指數的變化，但能否適用于雙季稻種植區，需進一步研究。

參考文獻：

[1] 劉喜珍，李國靖，王立平，等.應用衛星遙感技術對水稻面積變化實施動態監測[J].中國稻米，2003（2）：5-7.

[2] 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.

[3] 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.

[4] 鄭長春，王秀珍，黃敬峰.基于特征波段的SPOT-5衛星影像水稻面積信息自動提取的方法研究[J].遙感技術與應用，2008，23（3）：294-299.

[5] 苗翠翠，江? 南，彭世揆，等.基于NDVI時序數據的水稻種植面積遙感監測分析——以江蘇省為例[J].地球信息科學學報，2011， 13（2）：273-280.

[6] YANG C C，PRASHER S O，ENRIGHT P，et al. Application of decision tree technology for image classification using remote sensing data[J].Agricultural systems，2003，76（3），1101-1117.

[7] 溫興平，胡光道，楊曉峰.基于C5.0決策樹分類算法的ETM+影像信息提取[J].地理與地理信息科學，2007，23（6）：26-29.

[8] 吳健生，潘況一，彭? 建，等.基于QUEST決策樹的遙感影像土地利用分類——以云南省麗江市為例[J].地理研究，2012，31（11）：1973-1980.

[9] 鄧書斌.遙感圖像處理方法[M].北京：科學出版社，2010.

[10] FREID M A，BRODLEY C E. Decision tree classification ofland cover from remotely sensed data[J].Remote sensing of environment，1997，61（3）：399-409.

[11] 李? 爽，張二勛.基于決策樹的遙感影像分類方法研究[J].地域研究與開發，2003，2（1）：17-21.

[12] CONRAD C，COLDITZ R R，DECH S，et al. Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems[J].International journal of remote sensing，2011，32（23）：8763-8778.

[13] 吳健平，楊衛星.遙感數據監督分類中訓練樣本的純化[J].國土資源遙感，1996（1）：36-41.

[14] 朱秀芳，潘耀忠，張錦水，等.訓練樣本對TM尺度小麥面積監測精度影響研究（I）[J].遙感學報，2007，11（6）：827-836.

收稿日期：2019-09-20

作者簡介：彭樂文（1995-），女，湖南衡陽人，碩士，研究方向為遙感信息工程，（電話）18351938837（電子信箱）Grit_Peng@163.com。