张晓忆，景元书，李卫国



基于高通滤波算法的水稻遥感影像适宜尺度筛选*

张晓忆1，景元书2，李卫国3

（1．安徽省繁昌县气象局，芜湖 241200；2．南京信息工程大学应用气象学院，南京 210044；3．江苏省农业科学院农业经济与信息研究所，南京 210014)

为确定江苏地区水稻田块信息提取的适宜尺度，选取拔节期30m×30m空间分辨率HJ1A/CCD2影像和16m×16m空间分辨率GF1/WFV4近红外波段影像，采用高通滤波（HPF）算法构建4种空间尺度融合影像。利用定量指标评价和植被指数反演评价分析4种融合影像筛选适宜尺度，最后通过多类光谱指标构建决策树提取水稻面积与PROSAIL冠层光谱模型反演叶面积指数（LAI），验证融合影像适宜尺度相较原始影像尺度的优越性。结果表明：（1）综合定量指标评价和植被指数反演评价，20m×20m尺度和15m×15m尺度均可保证光谱继承性，反演水稻田块信息，而结合尺度优势，适宜尺度筛选为15m×15m；（2）与原始影像尺度相比，15m×15m尺度空间分辨率提高，同时水稻面积提取精度增大，面积精度93.33%，样方精度94.71%，标准误差0.25hm2，且能理想反演LAI，精度达94.69%，标准误差0.893。结论表明，研究区水稻田块信息反演的适宜尺度为15m×15m。

影像质量评价；水稻面积；样方精度；PROSAIL冠层光谱模型；LAI

水稻遥感监测技术的提升，是提高水稻长势监测、灾害监测和估产精度的基础。而获取高时间空间分辨率的有效影像难度很大[1]，故实际应用中可将不同平台的高空间分辨率数据与高时间分辨率数据进行融合，形成不同空间分辨率的融合影像[2]，为水稻遥感监测提供最佳数据源，如此就涉及融合算法及适宜尺度的确定问题。融合算法的研究较为成熟，常用的包括改进的明度色度饱和度（Modified IHS，Modified Intensity-Hue-Saturation）融合、主成分（PC，Principal Components）融合、彩色标准化（Brovey）融合、高通滤波（HPF，High Pass Filter）融合、小波（Wavelet）融合等[3]，并由此衍生一系列优化算法[4-7]。林子晶等[8]比较多种融合方法得出，HPF融合处理的HJ/CCD和GF/PMS融合影像更适于江苏省水稻面积提取。而对于水稻田块适宜尺度的确定问题，鲜有文献报道。安霞霞等[9]选择4种不同尺度影像提取贵州山区居民区，得出2.1m分辨率影像精度最高。石磊等[10]运用信息熵理论和按照局部方差的思路等两种方法，分析得出鲁甸地区基于Worldview-2影像植被分析的最佳空间分辨率为12m。金正婷等[11]经过PC融合，运用影像质量评价和面积提取验证，得出江苏省冬小麦田块特征反演的适宜尺度为16m×16m。杨旭艳等[12]提出利用形状综合指数，耦合地物单元周长、面积、形状系数、斑块分维数等，可确定特定样本特征提取的适宜尺度。目前有关地物适宜尺度研究存在的问题是，适宜尺度的筛选方式较单一，或不考虑使用融合算法对特定尺度进行研究，或仅考虑质量评价方法对影像光谱进行分析，或筛选尺度仅适用于特定形状地物，通用性较差。所以本文以建立完善的适宜尺度筛选方式为切入点，选取淮安市2015年水稻拔节期30m×30m空间分辨率HJ1A/CCD2影像和16m×16m空间分辨率GF1/WFV4影像，生成4种尺度的HPF融合影像，先通过定量指标评价和植被指数反演评价分析4种不同尺度融合影像，以筛选融合影像适宜尺度，再从面积提取和LAI反演两方面验证融合影像适宜尺度相较原始影像尺度的优越性，完成江苏地区水稻信息提取的适宜尺度筛选。

1 材料与方法

1.1 研究区概况

淮安市地处江苏中北部，下辖清江浦、淮阴、淮安、洪泽四区和涟水、盱眙、金湖三县，面积10072km2。地理范围32°43ˊ00"−34°06ˊ00"N，118°12ˊ00"−119°36ˊ30"E，以平原为主，西南部有丘陵分布，大部分地区海拔50−100m。常年平均气温14.5℃，平均降水量约1000mm，属北亚热带季风气候区，作物一年两熟，是典型的小麦（油菜）-水稻连作区，8月主要农作物有水稻、蔬菜、玉米、莲藕、甘薯、大豆等。8月上旬当地水稻处于分蘖末期-拔节期。

1.2 试验数据

1.2.1 大田调查

2015年8月4−7日，先后在盱眙县、金湖县、洪泽区、淮安区、涟水县和淮阴区分别进行样方面积统计和水稻样点调查。

样方面积统计：在淮安市境内的水稻种植基地共建立10个样方，大小约300m×300m。选取的样方应具有代表性，样方间有一定距离间隔，保证样方内有一定面积的水稻，并存在其它地物类型。使用Juno SB手持GPS仪采集地理坐标，测量每个样方各类地物面积及分布范围。便于后续遥感影像精校正和面积精度评估检验。样方内地物状况见图1，GIS统计各样方的水稻田面积分别为2.72、3.85、5.27、5.90、4.23、6.35、5.08、7.02、4.42和4.38hm2。

水稻样点调查：在淮安市3个县和洪泽区分别选择15处水稻样点，共60处水稻样点。观测每个样点的LAI（无量纲，Sunscan冠层分析仪测定）、红光及近红外波段反射率（无量纲，GreenSeeker手持式光谱仪测定）、SPAD（Soil and Plant Analyzer Development，无量纲，SPAD −502Plus仪测定）、叶片等效水厚度（Cw，g·cm−2，叶小样法[13]）、叶片干物质含量（Cm，g·cm−2，叶小样法[14]），并记录每个样点的经纬度及长势情况。各样点每组数据等距取样平行测量3次，且样点需离道路100m，以去除边际效应，可保证样点位于纯水稻像元，满足代表性。

式中，FW为观测样本的鲜重（g），DW为干重（g），A表示单位叶面积（cm2），取样以穴为单位。

1.2.2 遥感影像获取及预处理

选取2015年8月3日30m×30m空间分辨率HJ1A/CCD2和16m×16m空间分辨率GF1/WFV4，2景多光谱遥感影像，此时当地水稻处于分蘖末期−拔节期，生长旺盛，遥感影像上便于分辨。2景影像于中国资源卫星遥感数据共享平台下载获得，覆盖范围包括淮安全境。2景影像波谱范围包括蓝光、绿光、红光和近红外4个波段。

图1 GPS采集的10个调查样方示意图（水稻田以*作标记）

选用有通用横轴墨卡托（Universal Transverse Mercator Projection，UTM）投影坐标的江苏省参考影像，对HJ和GF影像进行几何精校正，用淮安边界文件裁剪得到研究区域，并分别进行辐射定标和FLAASH大气校正。

为提取不同地物波段信息，由实地调查，确定研究区有5类典型地物，分别为水体、水稻、房屋道路、林地和以蔬菜为代表的大叶作物（包括蔬菜、玉米、莲藕、甘薯、大豆等）。对GF影像各典型地物分别提取不少于500处样点像元，并对地物样点像元的各波段反射率分别进行统计分析。样点像元的选择需保证随机且均匀分布，避免选择混合像元。同时分别计算2景影像，得到相应的归一化差分植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、增强型植被指数（Enhanced vegetation index，EVI）和比值植被指数（Ratio Vegetation Index，RVI）。

1.3 HPF融合算法

HPF融合算法是对指定频率以下的低频信号有衰减作用、允许高频信号通过的滤波方法。融合后影像的边界清晰度增强，可更好地保留光谱特征，对HJ影像和GF影像融合提取水稻的效果最佳[8]。

HPF算法定义为[15]

式中，Wa、Wb为权重，Wa+Wb=1，PANkH为GF影像近红外波段（高通滤波），MULkL为HJ影像4个波段（低通滤波），求得HPk为锐化后的输出影像。目的是对高分辨率单波段影像高通滤波，以强化空间信息，即边缘特征，对低分辨率多光谱影像低通滤波，以提取低频光谱信息，求加权，得到锐化后的HPF融合影像。

利用ERDAS IMAGINE 9.2软件的图像解译模块，加载HPF fusion工具，对预处理后的30m×30m HJ1A/CCD2多光谱影像和16m×16m GF1/WFV4近红外波段影像，进行HPF融合。Wa取默认值0.3，分别得到5m×5m、10m×10m、15m×15m和20m×20m空间尺度的融合影像，并结合融合影像定量指标评价和多种植被指数反演情况来确定研究区水稻信息反演适宜尺度。

1.4 适宜尺度融合影像适用性验证

1.4.1 多类光谱指标构建决策树提取水稻面积

决策树[16]是一种树形结构，可用来回答“是”或“否”，通过树形结构可将多种指标组合全部表示出来，每个分支表示一次选择（选择“是”和“否”），直到所有选择都进行完毕，全部“是”才能判定像元表示水稻，而其中仍有比例较少的像元无法分类，对水稻面积提取的影响可忽略不计。

利用多类光谱指标构建决策树，充分利用各类地物光谱信息的差异，可精确提取水稻面积。首先在HJ和GF影像不同地物样点像元光谱特征分析的基础上，选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI，并提取影像近红外波段反射率，利用这5项光谱指标确定不同地物分类阈值统一对3景影像进行决策树分类，提取适宜尺度融合影像与HJ和GF影像，共3景影像的水稻面积和分布情况。再比较3景影像水稻面积提取结果，验证适宜尺度融合影像反演水稻面积的适用性。

通过实地调查构建田间样方统计水稻信息（图1），再用样方边界切割影像，将不同影像切割的水稻面积与样方实际水稻面积进行对比，可形成样方精度，比较适宜尺度融合影像与原始影像的水稻面积提取差异。利用随机的小空间尺度样方进行统计分析，更利于判断水稻的空间分布和面积提取精度。

1.4.2 PROSAIL冠层光谱模型反演水稻LAI

PROSAIL模型[17]是常用的辐射传输模型，由PROSPECT扁平叶模型和SAIL连续型冠层模型耦合而成。该模型严格遵循物理原理，综合考虑植被对太阳辐射的吸收、二向反射、叶片结构参数等因素，可真实反映植被冠层情况，常用于反演大面积区域作物LAI[18]。

利用WINSail软件，先构建PROSPECT模型，输入各项生理生化参数，叶片内部结构参数N=1.3，叶片叶绿素含量Cab=15.7μg·cm−2[19]，Cw=0.013g·cm−2，Cm=0.004g·cm−2，这些数值由60处水稻样点调查求平均值确定，可得到水稻叶片反射率随波长变化文件。再构建SAIL模型，选择圆形叶倾角分布模型、水稻叶片反射率和土壤反射率随波长变化文件，并从各个影像的元文件查找所需参数并输入，如太阳赤纬、传感器天顶角及方位角、影像获取时间等，其中融合影像所需参数参照HJ影像设置，即得不同LAI在不同波长下的叶片反射率。即可选取近红外和红光波段反射率计算DVI，建立LAI与DVI的拟合模型，反演得到3景影像的水稻LAI。最后利用GPS定位的60个样点制作感兴趣区域（AOI，Area of interest），提取3景影像反演的样点LAI值，与实测LAI值比较分析，验证适宜尺度融合影像反演水稻LAI的适用性。

2 结果与分析

2.1 融合影像适宜尺度的筛选

2.1.1 不同尺度融合影像的定量指标评价

融合影像质量评价一般分为主观评价和客观评价，主观评价依靠人的目视解译和先验知识，无客观性。DN值（Digital Number，无量纲）是遥感影像像元像素值，大小可定量表征地物反射电磁波的能力，反映影像的光谱信息。选取6种定量指标[20]，利用评价公式分别计算不同尺度融合影像及HJ影像各波段DN值的均值、相关系数、标准差、信息熵、交叉熵和平均梯度，可完成适宜尺度筛选。统计结果见表1。

均值和相关系数反映融合影像对原始影像光谱信息的继承，故融合影像各波段均值与原始影像越接近，且相关系数接近1，则光谱信息越真实。由表1可知，20m×20m和15m×15m融合影像的均值与HJ影像最接近，且平均相关系数最高，分别为0.976和0.968，可见，光谱信息真实性较好的融合影像尺度为20m×20m和15m×15m。

标准差、信息熵和交叉熵反映融合影像光谱信息较原始影像的增加情况，高值代表融合影像比原始影像信息丰富。但信息过多会增加噪声输入，导致图像失真，所以数值稍大于原值的融合影像较为理想。由表1可知，相较HJ影像的平均标准差（15.9）和平均信息熵（5.2），各尺度融合影像数值偏大，且各尺度融合影像交叉熵均大于0，可知各尺度融合影像光谱信息相较HJ影像均有提高。表中显示，10m×10m和5m×5m融合影像的平均标准差、平均信息熵和平均交叉熵数值均比20m×20m和15m×15m融合影像的大，说明融合影像尺度越小，信息增加越多，图像失真越明显。可见，光谱信息增加较适宜的融合影像尺度为20m×20m和15m×15m。

平均梯度反映融合影像质量改进情况，高平均梯度表明影像质量改进明显，清晰度高。由表1可知，10m×10m融合影像的平均梯度平均值最大，最小为15m×15m融合影像。相较于HJ影像的平均梯度平均值（3.358）可知，10m×10m和5m×5m融合影像质量较HJ影像有所提高，20m×20m和15m×15m融合影像质量较HJ影像有所下降。可见，清晰度较高的融合影像尺度为10m×10m和5m×5m。

综合以上6项定量指标可知，光谱信息由好到差的尺度分别为20m×20m、15m×15m、10m×10m和5m×5m，且15m×15m与20m×20m的光谱信息差别较小，均能满足研究使用。

2.1.2 不同尺度融合影像多种植被指数的反演评价

根据植被指数计算得到4种尺度融合影像、HJ影像和GF影像的NDVI、DVI、EVI和RVI影像，利用60处水稻样点AOI提取得到水稻样点在不同影像中各植被指数反演情况。将光谱仪测定的各样点红光（656nm）、近红外光（770nm）反射率计算得出各样点植被指数实测值，统计均值与标准差，结果如表2所示。

表1 不同尺度融合影像与HJ1A/CCD2影像中提取信息（DN值）的比较

由表2知，HJ影像对水稻各植被指数的反演效果总体好于GF影像，融合影像各植被指数反演数值更接近HJ影像，且影像尺度越大，植被指数反演结果越接近HJ影像。而融合影像相较HJ影像，标准差减小，更符合实测值。综合4种植被指数反演情况，水稻田块光谱信息反演能力由好到差的尺度分别为20m×20m、15m×15m、10m×10m和5m×5m，且15m×15m与20m×20m的反演能力差别较小，均能满足研究使用。

综合定量指标评价与多种植被指数反演评价可知，各尺度融合影像相较原始HJ影像和GF影像各有利弊。20m×20m和15m×15m均可满足使用要求，能够保证融合影像光谱信息和反演能力，且前者效果最好，但15m×15m较20m×20m在尺度上有明显优势，能大幅提升水稻田块信息反演精度。这也与Bruzzone等[21]研究结论相符，空间分辨率过高，影像光谱域的统计可分性降低，影像自动解译精度反而降低。综上认为，4种融合影像尺度中，反演研究区水稻田块的适宜尺度为15m×15m。

表2 不同尺度影像的水稻样点中各植被指数反演结果的比较

2.2 适宜尺度融合影像中水稻面积提取的精度比较验证

验证15m×15m融合影像相比原始影像提取水稻信息的优劣，分为两部分完成，先进行面积提取，再LAI反演。面积提取使用多项光谱指标决策树分类法完成，为统一15m×15m融合影像、HJ影像和GF影像的决策树分类规则且尽可能提高水稻面积提取精度，选取GF影像，结合预处理过程，计算并统计GF影像不同典型地物样点像元的NDVI、DVI、EVI、RVI和近红外波段反射率，剔除坏点，确定各类地物在5项光谱指标的阈值分布情况，如图2所示。由于植被区（水稻、林地、蔬菜）与非植被区（水体、房屋道路）光谱特征差异显著，可先通过NDVI区分出水体和房屋建筑。其中NDVI值在0.25～0.55的像元为混合像元，不参与水稻面积统计。由于植被光谱特征的相似性，不同植被在某一光谱指标的分布多有重叠，故不能通过单一光谱指标提取水稻。使用5项光谱指标，对3景影像进行决策树分类，分类规则及阈值参照图2，进而提取研究区水稻面积。水稻判别条件为，同时满足NDVI＞0.70，0.25＜DVI≤0.45，0.53＜EVI≤0.80，RVI＞5.5和0.30＜PNIR≤0.46，共5项条件。此判别条件为GF影像的5类典型地物样点像元统计分析所得（图2），具体的判定数值仅对该时段该地区的水稻面积提取适用。通过选取样点像元进行统计分析，决策树分类法可推广到其它卫星过境时间或较大区域的水稻面积提取，但对跨气候区划（如跨秦岭、淮河等）的水稻面积提取有较大局限，这是因为不同气候区的各类植被物候期存在差异，导致不同植被光谱指标分布多有重合，分类误差较大。

利用GIS对3景影像水稻分类结果进行统计，15m×15m融合影像、HJ影像和GF影像决策树分类提取的淮安市水稻面积分别为273069hm2、260875hm2和272147hm2，以淮安市农业部门提供的2015年水稻面积数据292590hm2为标准参照，15m×15m融合影像、GF影像和HJ影像提取的水稻面积提取精度分别为93.33%、89.16%和93.01%。15m×15m融合影像提取的水稻面积较大，精度最高，是因为HPF融合算法增强了水稻田块光谱信息识别能力，同时空间分辨率提高，混合像元比例减小，小的水稻田块得以识别，使面积提取能力增强。

图 2 GF影像各类地物样点像元统计的五类光谱指标阈值分布

用GPS采集的样方边界分别切割决策树分类后的3景影像，并统计影像和实际样方中的水稻面积，制作散点图，如图3所示。10个田间样方的影像提取面积与实测面积比值均集中分布于1:1线两侧，说明3景影像提取面积与田间样方统计面积较为一致。计算得到15m×15m融合影像、HJ影像和GF影像的样方精度分别为94.71%、87.29%和 93.70%，标准误差（RMSE）分别为0.25hm2、0.62hm2和0.30hm2，这表明经过多类光谱指标决策树分类后，3景影像均能较准确地提取水稻面积，其中15m×15m融合影像提取的水稻面积精度最高，提取面积与实际面积偏差最小。

图3 三种影像资料提取10个田间样方中水稻面积与实测面积的比较

由面积精度和样方面积精度分析可知，15m× 15m融合影像水稻面积提取精度最高，其次是GF影像（16m×16m），HJ影像（30m×30m）精度最低。可见，15m×15m融合影像与HJ影像和GF影像相比，不仅影像空间分辨率得到提升，水稻面积提取能力也有明显提高，且提取面积与实际面积偏差最小，更接近研究区水稻实际分布情况。在水稻面积提取方面，适宜尺度15m×15m有显著优势。

2.3 适宜尺度融合影像中水稻LAI反演的精度比较验证

当前遥感反演LAI的主要方法有两种：数学模型法和光学模型法，均通过研究LAI与各类植被指数的关系反演得到LAI值[22]，但植被指数有一定的饱和性，造成一定范围内LAI随植被指数的变化不显著。李鑫川等[23]对比了多种植被指数的抗饱和性得出，DVI抗饱和性较好，EVI和RVI抗饱和性较差，NDVI抗饱和性最差。因此，选择DVI建立其与LAI的拟合方程，以反演15m×15m融合影像、HJ影像和GF影像的LAI值。

首先，利用PROSAIL冠层光谱模型模拟得到15m×15m融合影像、HJ影像和GF影像中LAI与DVI的对应分布关系。通过对线性、多项式、指数、幂等回归分析拟合情况的比较发现，二次多项式关系对LAI与DVI拟合方程的决定系数最高，因此，选择二次多项式建立各种情况下LAI与DVI的模拟式，结果见图4。

其次，计算3景影像的DVI值，根据拟合方程（图4）计算得到3景影像于2015年8月上旬的水稻LAI值，进而与60处水稻样点LAI实测值进行比较，结果见表3。由表可见，3景影像反演LAI精度均比较高，在90%以上，且均值、最大最小值和标准误差与实测值较为吻合。进一步对比发现，15m×15m HPF融合影像精度（94.69%）明显高于16m×16m GF影像（93.27%），说明它比16m×16m GF影像反演水稻LAI值的效果好；另一方面，虽然15m×15m HPF融合影像精度（94.69%）不比30m×30m HJ影像（95.11%）高，但影像的空间分辨率提升了1倍，样方面积提取等其它方面更有优势。可见，15m×15m HPF融合影像更适宜水稻LAI的监测。

图4 三种影像水稻像元LAI-DVI二次多项式拟合曲线

表3 三种影像资料提取DVI反演的LAI值与实测LAI的比较

第三，根据LAI的具体数值，可以初步进行水稻长势分级及监测。选择15m×15m融合影像，将LAI反演结果中非水稻像元掩膜去除，仅保留水稻像元信息。结合水稻样点调查情况，将LAI分为2级以评价研究区水稻长势情况，LAI ≤2.0代表长势弱，LAI >2.0代表长势正常或旺盛，结果见图5。LAI分级取值2.0是根据当日大田调查，人为判别长势统计而得。由图可知，2015年8月上旬，淮安市水稻整体长势较好，长势正常或旺盛（LAI >2.0）的面积229382 hm2，占水稻种植总面积的84.0%，主要位于盱眙、金湖、洪泽地界，多为集中连片种植区。长势偏弱（LAI≤2.0）的面积43692 hm2，占总面积的16.0%，多数位于淮阴、涟水、淮安，多为分散的水稻种植区或城区周边。8月上旬水稻正处于分蘖末期−拔节期，60处样点统计得，长势正常情况下LAI在2.0～4.2范围，包含43处样点，占比71.6%；GIS统计淮安市全境，长势正常部分占水稻种植面积的75.76%。可见，15m×15m HPF融合影像能够正确监测水稻长势情况。

图5 2015年8月上旬淮安市水稻LAI分级图

3 结论与讨论

（1）综合定量指标评价与多种植被指数反演评价，20m×20m和15m×15m保证了光谱继承性，均满足使用要求，且前者效果最好。结合尺度优势，融合影像适宜尺度筛选结果为15m×15m。

（2）融合影像适宜尺度与原始影像尺度的比较分析分为两部分：面积提取方面，15m×15m样方精度达到94.71%，提取淮安市水稻面积为273069hm2，优于16m×16m尺度，且明显优于30m×30m尺度。LAI反演方面，三者相差较小，15m×15m精度为94.69%，稍低于30m×30m（95.11%），16m×16m精度最小。综合判别，15m×15m在水稻信息提取适用性方面，优于16m×16m和30m×30m。

（3）综合融合影像适宜尺度的筛选及适宜尺度融合影像适用性验证，得出反演研究区水稻田块的适宜尺度为15m×15m。

影像融合通常是将光谱分辨率较低或单波段（）而空间分辨率较高的遥感数据，与时间及光谱分辨率高而空间分辨率较低的遥感数据进行融合，充分发挥各自优势。而本文使用2景多光谱影像，16m×16m多光谱近红外波段影像与30m×30m多光谱影像，进行HPF融合，效果较好，确定研究区水稻田块反演适宜尺度为15m×15m，与前人采用2m×2m全色影像与8m×8m多光谱影像融合对江苏地区田块适宜尺度提取分析结果[11]基本一致；同时该数据源节约费用成本，适宜推广使用。

适宜尺度通过重采样5m×5m、10m×10m、15m×15m和20m×20m四种尺度融合影像进行筛选，尺度制定的合理性有待进一步研究。若变换遥感数据源或融合方法，适宜尺度15m×15m的通用性能否得到保证，也有待进一步研究。

LAI-DVI拟合方程一般在2 < LAI < 6时，拟合值大于实测值，而由水稻样点调查结果可知，水稻拔节期LAI大多分布于2～4，所以各影像LAI反演值均稍大于实测值。同时PROSAIL模型也存在局限性，参数设置会导致误差，后续研究可针对拟合函数构建进行优化。

[1]Zhu X L,Chen J,Gao F,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment,2010,114(11): 2610-2623.

[2]文成林,周东华.多尺度估计理论及其应用[M].北京:清华大学出版社,2002.

Wen C L,Zhou D H.Multiscale estimate theory and application[M].Beijing:Tsinghua University Press,2002.(in Chinese)

[3]王力彦.多源光学遥感影像融合方法研究[D].北京:中国地质大学,2014.

Wang L Y.Study on fusion methods of multisource optical remote sensing images[D].Beijing:China University of Geosciences,2014.(in Chinese)

[4]Afify A.A new intensity-hue-saturation based method for fusing high resolution satellite images[J].International Journal of Geoinformatics,2012,8(4):1-14.

[5]Shah V P,Younan N H,King R L.An efficient pan-sharpening method via a combined adaptive PCA approach and contourlets[J].IEEE Transactions on Geoscience & Remote Sensing,2008,46(5):1323-1335.

[6]Amolins K,Zhang Y,Dare P.Wavelet based image fusion techniques:an introduction,review and comparison[J].Isprs Journal of Photogrammetry & Remote Sensing,2007,62(4): 249-263.

[7]张猛,曾永年.基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J].农业工程学报,2015,31(13):178-185.

Zhang M,Zeng Y N.Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J].Transactions of the CSAE,2015,31(13):178-185.(in Chinese)

[8]林子晶,李卫国,申双和,等.HJ星和GF1号数据在水稻面积提取中的应用[J].江苏农业学报,2016,32(1):111-117.

Lin Z J,Li W G,Shen S H,et al.Application of HJ and GF1 image data to extract rice planting area[J].Jiangsu Journal of Agricultural Sciences,2016,32(1):111-117.(in Chinese)

[9]安霞霞,杨广斌,许元红,等.喀斯特山区居民地多尺度遥感信息提取精度对比分析[J].中国岩溶,2017,(4):496-506.

An X X,Yang G B,Xu Y H,et al.The residents information extraction accuracy comparative analysis of multi-scale remote sensing in Karst mountainous area[J].Carsologica Sinica,2017,(4):496-506.(in Chinese)

[10]石磊,杨武年,杨彦通,等.影像不同空间尺度对植被分析的影响[J].测绘科学,2017,42(3):64-69.

Shi L,Yang W N,Yang Y T,et al.The effect of Worldview-2’s spatial-scaling on vegetation analysis in Ludian county[J]. Science of Surveying and Mapping,2017,42(3):64-69.(in Chinese)

[11]金正婷,李卫国,景元书.基于影像融合的冬小麦种植面积提取适宜尺度研究[J].江苏农业学报,2015,31(6): 1312- 1317.

Jin Z T,Li W G,Jing Y S.Appropriate extraction scale of winter wheat planting area based on image fusion[J].Jiangsu Journal of Agricultural Sciences,2015,31(6):1312-1317.(in Chinese)

[12]杨旭艳,王旭红,胡婷,等.典型地物特征提取的适宜尺度选择[J].山地学报,2012,30(5):607-615.

Yang X Y,Wang X H,Hu T,et al.Appropriate scale in typical objects feature extraction[J].Journal of Mountain Science, 2012,30(5):607-615.(in Chinese)

[13]Riãno D,Vaughan P,Chuvieco E,et al.Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content:analysis at leaf and canopy level[J].IEEE Trans Geosci Remote Sens,2005,43(4):819-826.

[14]吕建林,陈如凯,张木清,等.甘蔗净光合速率、叶绿素和比叶重的季节变化及其关系[J].福建农业大学学报,1998,(3): 30-35.

Lv J L,Chen R K,Zhang M Q,et al.Seasonal change of net photosynthesis rate,chlorophyll content and specific weight of leaf of sugarcane and their relationships[J].Journal of Fujian Agriculture and Forestry University,1998,(3):30-35. (in Chinese)

[15]郑著彬,李俊,任静丽.HPF图像融合技术在大理市遥感影像中的运用探讨[J].云南地理环境研究,2007,(6):96-98,104.

Zheng Z B,Li J,Ren J L.Discussion for technology of HPF resolution merge using in Dali’s remote sensing image[J]. Yunnan Geographic Environment Research,2007,(6):96-98, 104. z(in Chinese)

[16]李颖,刘荣花,郑东东.基于多源数据和决策树估算夏玉米种植面积[J].中国农业气象,2014,35(3):344-348.

Li Y,Liu R H,Zheng D D.Summer maize planting area estimation based on multi source data and decision tree[J].Chinese Journal of Agrometeorology,2014,35(3):344- 348.(in Chinese)

[17]郭建茂,施俊怡.基于HJ-CCD时序数据提取镇江市水稻种植分布[J].中国农业气象,2014,35(2):228-234.

Guo J M,Shi J Y.Mapping rice paddy distribution in Zhenjiang city based on multi temporal HJ-CCD imagery[J]. Chinese Journal of Agrometeorology,2014,35(2):228-234.(in Chinese)

[18]苏伟,郭皓,赵冬玲,等.基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法[J].农业机械学报,2016,47(3):234- 241,271.

Su W,Guo H,Zhao D L,et al.Leaf area index retrivel for maize canopy using optimized leaf angle distribution function of PROSAIL model[J].Transactions of The Chinese Society of Agricultural Machinery,2016,47(3):234-241,271. (in Chinese)

[19]张文安.SPAD-501型叶绿素仪在测定水稻叶绿素含量中的应用[J].贵州农业科学,1991,(4):37-40.

Zhang W A.The application of SPAD-1 chlorophyll analyzer to determine the chlorophyll contents in rice[J].Guizhou Agricultural Sciences,1991,(4):37-40.(in Chinese)

[20]周丽雅.遥感影像融合及质量评价研究[D].郑州:解放军信息工程大学,2006.

Zhou L Y.A study on remote sensing image fusion technology and quality evaluation[D].Zhengzhou:Information Engineering University,2006.(in Chinese)

[21]Bruzzone L,Carlin L.A multilevel context-based system for classification of very high spatial resolution images[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(9): 2587-2600.

[22]方秀琴,张万昌.叶面积指数(LAI)的遥感定量方法综述[J].国土资源遥感,2003,15(3):58-62.

Fang X Q,Zhang W C.The application of remotely sensed data to the estimation of the leaf area index[J].Remote Sensing for Land and Resources,2003,15(3):58-62.(in Chinese)

[23]李鑫川,徐新刚,鲍艳松,等.基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演[J].中国农业科学,2012, 45(17):3486-3496.

Li X C,Xu X G,Bao Y S,et al.Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method[J].Scientia Agricultura Sinica,2012,45(17):3486- 3496.(in Chinese)

Optimal Scale Screening of Paddy Rice in Remote Sensing Imagery Based on High Pass Filter Fusion

ZHANG Xiao-yi1，JING Yuan-shu2，LI Wei-guo3

（1．Fanchang Meteorological Bureau of Anhui Province, Wuhu 241200, China; 2．Department of Applied Meteorological Science, Nanjing University of Information and Technology, Nanjing 210044; 3．Institute of Agricultural Economy and Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210014）

In order to confirm optimal scale of paddy rice extraction in Jiangsu, the experiment was first set up four fusion images with different scales using HPF algorithm, based on HJ1A/CCD2 image (30m×30m) and GF1/WFV4 near-infrared image (16m×16m). To screen optimal scale, it was then conducted the four images on quantitative index assessment and vegetation index inversion assessment. At last, the superiority of optimal scale in fusion images was verified with testing data from extraction of paddy rice area with decision tree method composed of multi-spectral indexes and inversion of paddy rice LAI with PROSAIL model. The results showed that: (1)it was 20m×20m and 15m×15m that both had spectral inheritance and spectral optimization to meet the use requirements, based on quantitative index assessment and vegetation index inversion assessment. Optimal scale was chose 15m×15m because of scale advantage. (2)Compared with original image scales, 15m×15m was verified higher spatial resolution, best area extraction, and improved LAI inversion, which area accuracy 93.33%, quadrat accuracy 94.71%, RMSE 0.25 ha, and LAI inversion accuracy 94.69%, RMSE 0.893. In conclusion, the optimal scale which could inverse paddy rice in research area was 15m×15m.

Image quality evaluation; Paddy rice area; Quadrat accuracy; PROSAIL model; LAI

10.3969/j.issn.1000-6362.2018.05.006

张晓忆,景元书,李卫国.基于高通滤波算法的水稻遥感影像适宜尺度筛选[J].中国农业气象,2018,39(5):344-353

2017−08−08

国家自然科学基金项目(41171336)；江苏省高校自然科学研究重大项目(15KJA170003)

张晓忆(1992−)，女，硕士，助理工程师，研究方向为农业遥感与气象。E-mail: 1549263115@qq.com