单捷+孙玲+于堃+毛良君+黄晓军+王志明

摘要： 高分一号卫星影像具有高空间分辨率和高时间分辨率的优点。为了分析在水稻生育期内不同时相的高分一号卫星影像对水稻识别的影响，以江苏省建湖县为研究区域，选用2014年7月21日至2014年10月24日期间5景空间分辨率为16 m的高分一号卫星影像，采用ISODATA分类与人工目视解译相结合的方法分别提取各时相的水稻种植面积，并以地面实测GPS水稻样方进行精度验证，结果表明5个时相的水稻种植面积精度都在86%以上，10月15日精度达到最高，为90.391%，说明利用高分一号卫星影像可以用于监测水稻种植面积且精度较高，在农业遥感监测领域中具有广阔的应用前景。

关键词： 遥感监测；高分一号卫星；不同时相；水稻种植面积；江苏省建湖县

中图分类号： S127 文献标志码： A

文章编号：1002-1302（2017）22-0229-04

水稻是仅次于小麦、玉米的世界第三大粮食作物，全世界水稻播种面积约占耕地面积的15%[1]。中国是世界上最大的水稻生产国和消费国，水稻种植面积占全国粮食作物种植面积的30%[2]。因此，及时准确地掌握水稻种植面积信息对于农业和经济发展具有重要意义。

高分一号卫星（简称GF-1卫星）是我国高分辨率对地观测系统重大专项中为解决应用急需和替代进口而规划的首发卫星，于2013年4月26日成功发射升空。它突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术，在分辨率和幅宽的综合指标上达到了目前国内外民用光学遥感卫星的领先水平[3]。高分系列卫星的发射在国土资源调查、灾害评估、环境监测等领域发挥重大的经济和社会价值[4]，尤其在农业领域对国家粮食安全、生态环境保护、农业可持续发展具有重大意义。GF-1卫星搭载了2台2 m分辨率全色/8 m分辨率多光谱相机，4台16 m分辨率多光谱相机，设计寿命5～8年，具体参数见表1。

GF-1卫星自发射以来，提供了大量高空间分辨率的卫星数据，成为众多研究学者运用多种方法进行农作物遥感识别的主要数据源。刘吉凯等[5]采用多时相迭代方法构建 GF-1 数据的甘蔗提取特征向量决策树模型，提取研究区甘蔗种植面积，得到较高的分类精度。刘国栋等利用多时相 GF-1 数据进行多目标农作物的MPPS 抽样， 从而推断总体

农作物的种植面积，精度高于90%[6]。王利民等采用4个时相的GF-1数据，以多尺度分割后的对象为基本分类单元，运用分层决策树分类的方法对冬小麦面积进行提取，分类总体精度达到96.7%[7]。杨闫君等构建GF-1数据的NDVI时间序列，并在此基础上运用多种分类方法对研究区作物进行分类[8]。贺鹏等基于多时相GF-1数据序列构建基于决策树分层分类的主要作物遥感分类模型，提取研究区主要作物的空间种植信息，精度在97%以上[9]。Yang等基于两景GF-1数据利用水稻分蘖期和抽穗期的NDVI和NDWI构建了水稻信息提取模式，有效地提取出了研究区水稻信息[10]。

为了分析在水稻生育期内不同时相的GF-1卫星影像对水稻识别精度的影响，本研究以GF-1卫星影像为数据源，以江苏省建湖县水稻为研究对象，选择水稻生育期内不同时期的GF-1影像，进行不同时相的水稻种植面积提取，通过对提取的各时相水稻面积精度进行分析，从而对GF-1卫星影像的水稻面积监测精度进行评价。

1 研究区域概况

建湖县位于江苏省盐城市中西部，33°16′～33°41′N，119°33′～120°05′E，东临射阳县，南与盐都区接邻，西与宝应、淮安、阜宁3县（市）毗连，北与阜宁县分界。建湖县是国家商品粮基地县，常年水稻面积占耕地面积85%左右，一季稻以“淮稻5号”为主，生长期一般从5月下旬到10月下旬，同时期的其他作物有少量大豆、玉米、薯类和棉花。

2 研究方法

2.1 GF-1影像采集及预处理

以2014年GF-1卫星空间分辨率为16 m的多光谱影像为数据源，由于华东地区在水稻生育期内正值多云多雨季节，6—11月期间除7月21日、8月3日和10月3日影像上有少量云，10月15日、10月24日、11月13日和11月21日影无云影响外，其余影像云量太多，不宜使用。10月下旬后水稻陆续收割，因此选用7月21日、8月3日、10月3日、10月15日和10月24日的影像监测水稻面积。

首先对各时相的GF-1卫星影像进行正射校正、大气校正和几何精校正，误差控制在0.5个像元之内，然后利用全国1 ∶ 25万行政区划图对建湖县域影像进行裁切和拼接。

2.2 地面观测数据

验证样方数量及位置的确定。本研究在建湖县水稻种植区域内选取5块5 km×5 km的水稻验证（样方分布见图1），验证样方选择的原则兼顾作物空间分布与作物类型的均匀性。由于4号样方临近建湖县边界，所以该樣方边界以建湖县边界为准，样方面积略小于25 km2。

验证样方内水稻面积的确定。利用亚米级的差分GPS在野外获取样方位置与主要作物范围，建立水稻和其他地物解译标志，结合地面调查结果对2013年8月8日空间分辨率0.5 m的WorldView-1卫星的全色立体影像与2014年10月3日空间分辨率为8 m的GF1-PMS影像融合，生成空间分辨率为0.5 m的多光谱影像进行目视解译得到每块样方内水稻种植面积并进行实地验证和修正，最终得到验证样方的水稻面积（图2），并以此面积作为实际水稻面积对GF-1卫星影像提取的水稻面积进行精度验证。

2.4 水稻提取方法

由于非监督分类方法不需要较多的先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认[11]，分类方法简单且分类过程快速。所以本研究采用非监督分类与人工目视解译相结合的人机交互方法对水稻进行提取，即选择非监督分类方法中常用的ISODATA（iterative self-organizing data analysis technique）即迭代自组织数据分析计算算法分别对5个时相的GF-1卫星影像进行分类，结合各时相对应的水稻解译标志在影像上判别出水稻，提取建湖县水稻种植面积，在此基础上再由解译人员凭借光谱规律、地学规律和解译经验从影像的亮度、色调、位置、时间、纹理、结构等特征进行人工目视解译修正，从而得到最终的水稻种植面积。endprint

2.5 精度验证

基于地面样方数据验证是精度验证的主要手段之一，也是说明分类结果准确程度的指标之一[12-14]。本研究选用基于地面样方数据的精度验证方法对GF-1卫星影像的水稻面积监测精度进行评价。由于本研究主要目的是为了测试GF-1卫星影像对水稻的识别能力，评价GF-1卫星影像在水稻面积监测中的精度，所以只对提取出的水稻进行精度评价而不涉及其他地物类型。

由表3可以看出，7月21日、8月3日、10月3日、10月15日和10月24日5个时相的水稻种植面积监测平均精度都在86%以上，相差不大，且精度随着水稻的生长逐渐升高，7月21日的精度最低，为86.324%，在10月15日达到最高，为90.391%；5个时相的各样方水稻种植面积监测精度大多数集中在85%～98%，精度最高的是10月15日的5号样方，精度为98.060%，精度90%以上的有15个，精度80%～90%的有4个，精度低于80%的有6个，分别是7月21日的5号样方（精度为75.067%）、8月3日的1号样方（精度为77307%）、10月3日的4号样方（精度为78.690%）、10月15日的3号样方（精度为74.068%）、10月24日的3号和4号样方（精度分别为78.333%和76.639%）。

通过比对各时相GF-1卫星影像和实地调查发现，造成上述精度低于80%的主要原因除了影像上有少量云层的干扰如8月3日的1号样方和10月3日的4号样方，水稻陆续收获的影响如10月15日的3号样方、10月24日的3号和4号样方外，还有水稻在特定的生长期内同时具有植被和水体的光谱特征使水稻与水体发生了混分现象如7月21日的5号样方。

另一方面，7月21日建湖水稻处于分蘖中期，由于种植方式不一样，水稻苗大小参差不齐，水稻光谱特征受到水面或裸地的影响，水稻精度相对较低。8月3日水稻分蘖较前期旺盛，接近孕穗期，种植模式造成的差异逐渐缩小，水稻光谱特征趋于一致。10月上中旬水稻介于开花期与成熟期之间，水稻长势一致，前期种植方式以及移栽期差异的影响已经不复存在，所以10月15日水稻精度达到最高。10月下旬受到水稻陆续收割的影响导致10月24日提取的水稻面积减小，降低了水稻精度。所以，若能排除影像云层的影响并在水稻收割前获取影像，GF-1卫星影像的水稻种植面积监测精度还能得到提高。

4 结论

以GF-1卫星影像为数据源，进行不同时相的水稻种植面积提取，对水稻面积监测精度进行评价，结果表明：

（1）从选取的5景不同水稻生育期内GF-1卫星影像水稻种植面积监测结果的精度分布来看，由于7月底和8月初的水稻光谱特征易受到水面或裸地的影响，水稻种植面积监测精度在86%～89%；10月上中旬水稻介于开花期与成熟期之间，此时的GF-1影像能够准确地把水稻与其他地物区分开，所以水稻種植面积监测精度达到最大的90.391%。因此基于建湖县的水稻种植特点、种植模式以及所用的2014年 GF-1卫星影像的特点，10月上中旬是GF-1卫星影像识别建湖县水稻的最佳时相。

（2）由于本研究是分别单独对不同时相的水稻种植面积进行提取，若是在以后的研究中能在综合利用多时相遥感影像的基础上，结合农作物物候期等多种信息，对不同时期的水稻光谱信息进行综合分析，并利用决策树、支持向量机等其他监督分类方法进行水稻种植面积的提取，精度会达到更高。

（3）GF-1卫星影像空间分辨率高、重访周期短、成本低、获取方便，是农作物种植面积遥感监测的良好数据源。因此利用GF-1卫星影像够准确监测县级尺度水稻种植面积，能实现对中小区域尺度农情信息的快速获取，为县级农业生产管理部门提供及时准确的农情遥感监测信息。

参考文献：

[1] Xiao X，Boles S，Liu J，et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95（4）：480-492.

[2]邓长春. 水稻种植面积遥感信息提取研究[D]. 乌鲁木齐：新疆农业大学，2008.

[3]刘 斐，吕大星. 我国成功发射高分一号卫星[J]. 中国航天，2013（5）：10-13.

[4]邱学雷. 高分一号卫星工程首批影像图发布将为国土、环境、农业等领域提供精准服务[J]. 国防科技工业，2013（6）：14-16.

[5]刘吉凯，钟仕全，徐 雅，等. 基于多时相GF-1WFV数据的南方丘陵地区甘蔗种植面积提取[J]. 广东农业科学，2014，41（18）：149-154.

[6]刘国栋，邬明权，牛 铮，等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报，2015，31（5）：160-166.

[7]王利民，刘 佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31（11）：194-201

[8]杨闫君，占玉林，田庆久，等. 基于GF-1/WFVNDVI时间序列数据的作物分类[J]. 农业工程学报，2015，31（11）：155-161.

[9]贺 鹏，徐新刚，张宝雷，等. 基于多时相GF-1遥感影像的作物分类提取[J]. 河南农业科学，2016，45（1）：152-159.

[10] Yang Y，Huang Y，Tian Q，et al.The Extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis，2015，35（11）：3255-3261.

[11]梅安新. 遥感导论[M]. 北京：高等教育出版社，2001.

[12]甘甫平，王润生，王永江，等. 基于遥感技术的土地利用与土地覆盖的分类方法[J]. 国土资源遥感，1999，42（4）：39-44.

[13]Anssen L L F，Vanderwel F J M. Accuracy assessment of satellite-derived land-cover data：a review[J]. Photogrammetric Engineering and Remote Sensing，1994，60（4）：419-426.

[14]Kalkhan M A，Reich R M. Assessing the accuracy of landsat themeatic mapper classification using double sampling[J]. International Journal of Remote Sensing，1998，19（11）：2049-2060.endprint