王利民，劉 佳，楊福剛，姚保民，邵 杰，楊玲波

?

GF-1衛(wèi)星多時(shí)相組合近紅外數(shù)據(jù)水稻識(shí)別能力

王利民，劉 佳※，楊福剛，姚保民，邵 杰，楊玲波

（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081）

針對(duì)近紅外波段水稻識(shí)別能力的問(wèn)題，選擇銀川市所屬的5個(gè)縣區(qū)為研究區(qū)域，采用2016年5月18日、6月16日、7月30日、9月13日4個(gè)時(shí)相GF-1/WFV影像的近紅外波段（0.76～2.526m）數(shù)據(jù)，基于決策樹(shù)分類方法，獲取了4個(gè)單時(shí)相、3個(gè)多時(shí)相條件下的水稻識(shí)別結(jié)果，并與全波段數(shù)據(jù)分類結(jié)果進(jìn)行了比較。單時(shí)相5、6、7和9月份近紅外波段水稻識(shí)別精度分別為83.63%、57.40%、75.82%和62.61%，除5月份精度高于全波段5.75個(gè)百分點(diǎn)外，其他時(shí)相都低于全波段識(shí)別精度，6月份相差最高為30.23個(gè)百分點(diǎn)。多時(shí)相5/6、5/7、5/6/7/9月份組合，近紅外水稻識(shí)別精度分別為83.76%、93.93%和94.03%，分別比全波段低5.47，高8.58和0.73個(gè)百分點(diǎn)。結(jié)果表明，水稻生長(zhǎng)早期的5月份、中期的7月份，近紅外波段可以作為單時(shí)相遙感識(shí)別數(shù)據(jù)源，包括生長(zhǎng)早期和中期2個(gè)時(shí)相在內(nèi)的多時(shí)相近紅外波段組合都可以作為遙感識(shí)別的數(shù)據(jù)源，研究結(jié)果可以作為GF-1數(shù)據(jù)水稻遙感識(shí)別的依據(jù)。

遙感；作物；面積識(shí)別；多時(shí)相；近紅外波段；GF-1/WFV；水稻

0 引 言

水稻是中國(guó)三大糧食作物之一，準(zhǔn)確掌握水稻種植面積是中國(guó)農(nóng)作物種植結(jié)構(gòu)調(diào)整的依據(jù)。遙感技術(shù)具有客觀性強(qiáng)，覆蓋范圍廣的特點(diǎn)，是區(qū)域農(nóng)作物面積信息準(zhǔn)確獲取的主要技術(shù)[1]。近紅外譜段（0.76～2.526m）介于可見(jiàn)光與中紅外光之間，水稻在近紅外波段有較高的反射率，而水體則對(duì)近紅外有較強(qiáng)的吸收作用，不同時(shí)相水稻由于兩者作用程度的差異，導(dǎo)致在光譜特征與其他地物的明顯差異，使得近紅外成為識(shí)別水稻最具代表性的波段[2-5]。

采用近紅外波段組合其他波段構(gòu)建特征指數(shù)，通過(guò)決策樹(shù)、最大似然等方法進(jìn)行類別確定，是常用的水稻面積提取方案[6-15]，歸一化植被指數(shù)（normal difference vegetation index，NDVI）、地表水分指數(shù)（land surface water index，LSWI）和增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）是應(yīng)用比較廣泛的3個(gè)指數(shù)。NDVI指數(shù)由紅光波段和近紅外波段組合而成，可較好地用于表達(dá)水稻的綠度變化，能消除影像內(nèi)部和外部的噪音[16-21]。EVI利用可見(jiàn)光的藍(lán)光波段修正大氣對(duì)紅光波段的影響，通過(guò)削弱葉冠背景信號(hào)和降低大氣影響來(lái)改善對(duì)植被的監(jiān)測(cè)，相對(duì)于NDVI更穩(wěn)定[22-23]。LSWI指數(shù)由近紅外波段和對(duì)水體敏感的短波紅外波段組合而成，短波紅外處在水分吸收帶，對(duì)植物和土壤水分含量敏感，對(duì)處于泡田期的水稻監(jiān)測(cè)有較好效果[24-26]。

魏新彩等[27]以HJ-1A/1B衛(wèi)星為數(shù)據(jù)源，分析水稻移栽期的水分信息和生長(zhǎng)期的NDVI變化信息，結(jié)合LSWI等指數(shù)，并給定各特征指數(shù)的合適閾值，最終獲得較高精度水稻識(shí)別率。朱良等[28]基于多時(shí)相TM影像，計(jì)算水稻移栽期、灌漿期和成熟期3個(gè)時(shí)期的NDVI和LSWI，提出一種時(shí)間差異的決策樹(shù)水稻提取模型，能有效區(qū)分出水域、玉米和菜地等較易與水稻混淆的地物。鄭長(zhǎng)春[29]利用MODIS數(shù)據(jù)與水稻生長(zhǎng)密切相關(guān)的7個(gè)光學(xué)反射率波段進(jìn)行波譜信息分析，選取了紅、藍(lán)、近紅外、短波紅外4個(gè)特征波段，并構(gòu)建了NDVI、EVI、LSWI三個(gè)特征參量作為水稻信息提取的工作波段識(shí)別水稻面積。

上述研究都是以近紅外波段為基礎(chǔ)，結(jié)合其他波段數(shù)據(jù)開(kāi)展的，明確的近紅外波段水稻識(shí)別能力的研究尚不多見(jiàn)。在農(nóng)業(yè)行業(yè)的水稻遙感監(jiān)測(cè)業(yè)務(wù)中，近紅外波段水稻識(shí)別能力的分析，有利于從數(shù)據(jù)源簡(jiǎn)化的角度開(kāi)展算法優(yōu)化研究。在衛(wèi)星傳感器優(yōu)化設(shè)計(jì)方面，在有限的星載資源限制條件下，有助于提升遙感譜段設(shè)置的優(yōu)化配置能力。針對(duì)上述研究不足，該文基于GF-1/WFV數(shù)據(jù)，采用與全波段數(shù)據(jù)結(jié)果對(duì)比的方案，開(kāi)展了單時(shí)相、多時(shí)相數(shù)據(jù)不同組合條件下近紅外水稻識(shí)別能力的研究。

1 研究區(qū)概況

研究區(qū)選擇在寧夏回族自治區(qū)銀川市所屬的西夏區(qū)、金鳳區(qū)、興慶區(qū)、永寧縣和賀蘭縣5個(gè)縣區(qū)，地理位置處于38°8′～38°48′N，105°50′～106°39′E，面積6.64′103km2。區(qū)域內(nèi)地貌類型多樣，包括賀蘭山地、洪積沖積平原、河漫灘地等，略呈西南至東北方向傾斜，海拔在1 010～1 150 m之間，土層較厚。屬典型的大陸性半濕潤(rùn)半干旱氣候，年平均氣溫在8～9 ℃之間，1月平均氣溫在-6 ℃以下，極端低溫在-27.7 ℃以下。年平均降水量200 mm左右，雨季集中在夏季，降水量不大。無(wú)霜期平均為185 d左右，年日照時(shí)數(shù)2 800～3 000 h，日照百分率69%，是全國(guó)日照資源豐富地區(qū)之一。農(nóng)業(yè)是重要的支柱產(chǎn)業(yè)之一，小麥、玉米、水稻和瓜果是主要的農(nóng)作物，研究區(qū)水稻面積占全區(qū)水稻總面積的51.11%[30]。

2 試驗(yàn)數(shù)據(jù)獲取與處理

2.1 遙感數(shù)據(jù)預(yù)處理

GF-1衛(wèi)星共有4臺(tái)16 m分辨率多光譜相機(jī)（WFV1～WFV4），每臺(tái)相機(jī)包含藍(lán)（0.45～0.52m）、綠（0.52～0.59m）、紅（0.63～0.69m）和近紅外（0.77～0.89m）4個(gè)波段，4臺(tái)相機(jī)組合幅寬可達(dá)800 km，重訪周期4 d。該文選取研究區(qū)的2016年5月18日、6月16日、7月30日、9月13日4景晴空WFV影像（見(jiàn)表1），數(shù)據(jù)來(lái)自中國(guó)資源衛(wèi)星中心推送至農(nóng)業(yè)部遙感應(yīng)用中心的高分?jǐn)?shù)據(jù)，覆蓋了水稻移栽到成熟期等不同階段。原始的WFV影像為1A級(jí)，需要進(jìn)行輻射定標(biāo)和大氣校正預(yù)處理，轉(zhuǎn)換為幾何精校正后的反射率數(shù)據(jù)，具體過(guò)程見(jiàn)相關(guān)參考文獻(xiàn)[31-32]，大氣校正過(guò)程是采用6S輻射傳輸模型進(jìn)行的，幾何校正結(jié)果的精度控制在1個(gè)像元以內(nèi)。

表1 研究區(qū)GF-1衛(wèi)星WFV影像

2.2 研究區(qū)本底調(diào)查數(shù)據(jù)

水稻本底調(diào)查結(jié)果是基于GF-2/PMS數(shù)據(jù)，采用目視的方式解譯地塊邊界，結(jié)合地面調(diào)查對(duì)地塊屬性進(jìn)行確認(rèn)的方式獲取的。該數(shù)據(jù)共使用了2016年20景4 m空間分辨率的GF-2/PMS數(shù)據(jù)，其中5月6景、7月5景、8月9景，制圖精度能夠滿足農(nóng)業(yè)行業(yè)應(yīng)用的需求，圖1是水稻面積本底調(diào)查結(jié)果。該數(shù)據(jù)主要使用在決策樹(shù)閾值獲取、作為最大似然監(jiān)督分類的訓(xùn)練樣本、水稻空間分布結(jié)果的精度驗(yàn)證樣本等3個(gè)方面。

2.3 水稻物候期及光譜特點(diǎn)

研究區(qū)內(nèi)，水稻物候分為苗期、拔節(jié)、孕穗揚(yáng)花、灌漿成熟等4發(fā)育時(shí)期，分別是在5月下旬以前、6月上中旬、6月下旬到7月上旬、7月中旬到9月中旬，歷時(shí)150 d左右。為保證水稻的正常發(fā)育，水稻全生育期內(nèi)都需要保持10 cm水體深度，在拔節(jié)期以前水稻光譜以水體特征為主，拔節(jié)期以后以水稻光譜以作物反射特征為主。圖2是根據(jù)4個(gè)時(shí)相GF-1/WFV影像數(shù)據(jù)，基于本底數(shù)據(jù)掩模制作的水稻和其他地物類型的藍(lán)、綠、紅及近紅外波段反射光譜特征，以說(shuō)明不同時(shí)間水稻與其他地物類型光譜反射率的差異。

圖1 基于GF-2/PMS影像的水稻本底調(diào)查結(jié)果

圖2 研究區(qū)水稻及其他地物類型光譜特征的季節(jié)變化

在近紅外波段，5、6月份水稻近紅外波段反射率值要低于其他地物類型，顯示了稻田水體反射特征；7、8月份水稻近紅外波段反射率值要高于其他地物類型，顯示了稻田的作物反射特征。與藍(lán)、綠、紅波段相比，近紅外波段4個(gè)時(shí)相反射率的變化也最為明顯，是近紅外波段水稻種植面積提取的依據(jù)及優(yōu)勢(shì)所在。

3 研究方法

3.1 研究思路

該文研究的思路是，針對(duì)單時(shí)相、多時(shí)相2種時(shí)相條件下，通過(guò)近紅外波段、全波段數(shù)據(jù)的水稻面積提取精度的比較分析，獲取近紅外波段數(shù)據(jù)水稻的識(shí)別能力。單時(shí)相數(shù)據(jù)包括5、6、7、9月份4個(gè)時(shí)相，多時(shí)相數(shù)據(jù)包括5/6、5/7、5/6/7/9共3個(gè)時(shí)相組合，全部研究?jī)?nèi)容共有7個(gè)時(shí)相組合。

J-M距離是衡量不同作物類型在波段間分離能力的一個(gè)參數(shù)，通過(guò)J-M距離分析能夠?qū)t外、全波段數(shù)據(jù)對(duì)水稻分離能力有初步的了解，便于分類結(jié)果識(shí)別能力的深入分析。針對(duì)近紅外波段數(shù)據(jù)，采用決策樹(shù)方案作為水稻識(shí)別能力的方法，首先是由于單波段數(shù)據(jù)不能使用最大似然分類的方法，其次是決策樹(shù)方法有利于保證單時(shí)相數(shù)據(jù)獲得最大分類精度的決策閾值，進(jìn)一步采用與單時(shí)相一致的閾值，決策樹(shù)方法能夠保證單時(shí)相與多時(shí)相數(shù)據(jù)之間的分類精度保持一致，能夠更充分說(shuō)明不同近紅外波段組合之間的精度。針對(duì)全波段數(shù)據(jù)，采用與業(yè)務(wù)監(jiān)測(cè)一致的最大似然分類方法，更有利于說(shuō)明近紅外波段的能力。在全波段情況下，如果近紅外波段識(shí)別結(jié)果高于全波段數(shù)據(jù)，則說(shuō)明單獨(dú)的近紅外數(shù)據(jù)能夠達(dá)到一般性業(yè)務(wù)運(yùn)行的需要；如果單獨(dú)的近紅外波段數(shù)據(jù)低于全波段結(jié)果，考慮到?jīng)Q策樹(shù)方案接近于最大精度，則用戶可以根據(jù)需要進(jìn)行選擇使用。通過(guò)上述3種方法的使用，從數(shù)據(jù)分析、方法可行性、精度評(píng)價(jià)等方面說(shuō)明了近紅外數(shù)據(jù)水稻識(shí)別能力。

3.2 J-M距離指數(shù)

J-M距離指數(shù)用來(lái)區(qū)分不同波段組合的類別可分性，是基于條件概率理論的光譜可分性指標(biāo)[33]

3.3 決策樹(shù)識(shí)別方法

按照一定的規(guī)則把遙感數(shù)據(jù)集逐級(jí)細(xì)分，得到具有不同屬性的各個(gè)子類別，是決策樹(shù)分類的基本思想[34]。該文以近紅外光譜反射率信息作為決策屬性，構(gòu)建水稻類型識(shí)別的決策數(shù)據(jù)。閾值獲取是基于研究區(qū)水稻本底調(diào)查結(jié)果對(duì)各個(gè)時(shí)相近紅外數(shù)據(jù)進(jìn)行掩模，以掩模后水稻和其他地物特征反射率值域的交點(diǎn)值作為決策節(jié)點(diǎn)。該方案可以保證決策樹(shù)方法的最高識(shí)別能力，提高研究結(jié)果的客觀性。圖3給出了5、6、7、9月份4個(gè)時(shí)相的反射率決策閾值，多時(shí)相組合結(jié)果是各個(gè)閾值疊加基礎(chǔ)上獲取的。出于計(jì)算方便，反射率值放大了10 000倍，5月18日近紅外反射率小于等于2 200、6月16日小于等于4 300、7月30日大于等于3 400、9月13日大于等于3 000，分別為包含水稻的閾值范圍。

3.4 最大似然分類方法

以研究區(qū)本底調(diào)查數(shù)據(jù)作為訓(xùn)練樣本，采用最大似然分類算法，針對(duì)全波段WFV數(shù)據(jù)進(jìn)行了水稻面積識(shí)別，作為近紅外波段數(shù)據(jù)結(jié)果對(duì)比的依據(jù)。最大似然分類算法也稱為極大似然估計(jì)，是一種常用的遙感影像分類方法[35]。使用本底數(shù)據(jù)作為訓(xùn)練樣本，保證該方法獲取最大的精度。

注：IR代表近紅外波段，下標(biāo)是月份及日期，數(shù)據(jù)代表104倍反射率。

3.5 精度驗(yàn)證

不同時(shí)相近紅外、全波段水稻面積提取結(jié)果的精度驗(yàn)證是采用根據(jù)研究區(qū)本底調(diào)查數(shù)據(jù)結(jié)果進(jìn)行的，驗(yàn)證方法是采用混淆矩陣的方法進(jìn)行的，總體精度、制圖精度、用戶精度、Kappa系數(shù)[36-38]4個(gè)參數(shù)是精度衡量指標(biāo)。

4 結(jié)果與分析

4.1 基于分離度的水稻識(shí)別能力分析

由于單波段數(shù)據(jù)不能采用J-M距離指數(shù)進(jìn)行分離度的評(píng)價(jià)，該文僅對(duì)多時(shí)相數(shù)據(jù)進(jìn)行分析。計(jì)算J-M距離時(shí)，水稻和其他地物類型的樣本是基于目視解譯的水稻本底調(diào)查結(jié)果進(jìn)行掩模獲取的，計(jì)算結(jié)果如表2所示。由表2可見(jiàn)，隨著5/6、5/7、5/6/7/9月份時(shí)相組合時(shí)相的增多，無(wú)論是近紅波段還是全波段數(shù)據(jù)，J-M距離指數(shù)都呈增高的趨勢(shì)，表明時(shí)相增多有助于識(shí)別能力的增強(qiáng)。近紅波段5/6月份組合的J-M距離指數(shù)與其他組合相比差異最大，表明這個(gè)組合的分類能力應(yīng)該最低。

表2 水稻與其他地物類型4個(gè)時(shí)相的J-M距離

4.2 單時(shí)相近紅外波段數(shù)據(jù)水稻識(shí)別能力分析

針對(duì)5、6、7、9月份影像，分別使用決策樹(shù)方法對(duì)近紅外波段數(shù)據(jù)進(jìn)行分類，使用最大似然分類方法對(duì)全波段數(shù)據(jù)進(jìn)行分類，表3給出2種數(shù)據(jù)源的分類精度。由表3可見(jiàn)，就總體精度而言，除5月份近紅外單時(shí)相水稻識(shí)別精度高于全波段數(shù)據(jù)5.75個(gè)百分點(diǎn)以外，其他6、7和9月份近紅外單時(shí)相數(shù)據(jù)都低于全波段數(shù)據(jù)的識(shí)別精度，6月份相差最高為30.23個(gè)百分點(diǎn)，7月份相差最低為1.58個(gè)百分點(diǎn)，9月份為25.47個(gè)百分點(diǎn)，Kappa系數(shù)也表現(xiàn)出相同的趨勢(shì)?？紤]到最大似然分類方法在一定程度上降低了5月份全波段數(shù)據(jù)的識(shí)別精度，單波段近紅外波段的識(shí)別能力總體上要低于全波段數(shù)據(jù)，但不同季節(jié)識(shí)別能力的差異是較大的。

表3 單時(shí)相近紅外與全波段數(shù)據(jù)水稻遙感識(shí)別精度

當(dāng)采用單時(shí)相近紅外波段影像作為水稻遙感識(shí)別數(shù)據(jù)源時(shí)，5和7月水稻識(shí)別精度都在75%以上，可以作為備選的水稻遙感識(shí)別的數(shù)據(jù)源，其中又以5月份數(shù)據(jù)為優(yōu)。結(jié)合研究區(qū)范圍內(nèi)作物種植特征，分析5月份近紅外影像能夠獲得較高精度的原因，主要是由于此時(shí)在田作物較少，同時(shí)稻田以水體特征為主，兩方面因素強(qiáng)化了5月份近紅外波段的水稻識(shí)別能力。7月份近紅外波段數(shù)據(jù)也獲得較高的精度，主要是由于稻田水體的作用，近紅外波段反射率開(kāi)始下降，此時(shí)其他地物類型近紅外反射率正處在上升階段，導(dǎo)致稻田與其他地物類型近紅外反射率差異增加，是7月份近紅波段能獲得較高識(shí)別精度的原因，這種趨勢(shì)在圖2d中可以比較明顯地看出。

4.3 多時(shí)相近紅外波段水稻識(shí)別能力分析

覆蓋水稻生長(zhǎng)早期、中期及后期發(fā)育時(shí)相的選擇，是農(nóng)作物面積常用的監(jiān)測(cè)組合。該文針對(duì)5/6、5/7、5/6/7/9月份3種組合方案的水稻識(shí)別能力進(jìn)行了分析。為了給近紅外波段多時(shí)相組合水稻識(shí)別能力提供參考標(biāo)準(zhǔn)，同時(shí)也計(jì)算了全波段數(shù)據(jù)相應(yīng)的多時(shí)相組合條件下水稻識(shí)別精度，計(jì)算結(jié)果如表4所示。方法不同雖然會(huì)對(duì)精度有影響，但考慮該文是以近紅外能力分析為主，全波段數(shù)據(jù)僅是提供參考。為了與實(shí)際應(yīng)用情況相一致，研究中近紅波段的分類方法采取決策樹(shù)方案，全波段數(shù)據(jù)采用了監(jiān)督分類方案。由表4可見(jiàn)，就總體精度而言，5/6月份組合的近紅外波段數(shù)據(jù)水稻識(shí)別的精度比全波段數(shù)據(jù)高5.77個(gè)百分點(diǎn)，5/7和5/6/7/9月份分別比全波段低8.58個(gè)百分點(diǎn)和0.73個(gè)百分點(diǎn)，Kappa系數(shù)也表現(xiàn)出類似的變化趨勢(shì)?？傮w上，近紅外組合的水稻識(shí)別能力達(dá)到全波段數(shù)據(jù)的識(shí)別能力，也高于單時(shí)相近紅外、單時(shí)相全波段數(shù)據(jù)的識(shí)別能力。

當(dāng)采用近紅外多時(shí)相組合的方式進(jìn)行水稻識(shí)別時(shí)，3種組合方式都可以作為備選的數(shù)據(jù)，精度都在83%以上；但以5/7、5/7/9月份數(shù)據(jù)為最優(yōu)，精度達(dá)到了93%以上。這3種組合方式獲取的水稻自動(dòng)分類結(jié)果基礎(chǔ)上，結(jié)合后期的目視修正業(yè)務(wù)，都能獲得比較可靠的水稻面積空間分布結(jié)果。分析多時(shí)相近紅外數(shù)據(jù)組合精度差異的原因，實(shí)際上是4個(gè)時(shí)相精度能力疊加，5和7月份近紅外波段對(duì)水稻的光譜反應(yīng)比較敏感，這兩個(gè)時(shí)相疊加的結(jié)果要高于5、6月份疊加的結(jié)果。通過(guò)增加9月份數(shù)據(jù)，近紅外、全波段數(shù)據(jù)都不同程度提高了水稻的識(shí)別能力，也就提高了水稻識(shí)別精度。

表4 多時(shí)相近紅外與全波段數(shù)據(jù)水稻遙感識(shí)別精度

5 討 論

近紅外波段水稻識(shí)別能力的研究屬于波段優(yōu)化研究領(lǐng)域，通過(guò)少數(shù)敏感波段的使用，在保證既定精度的目標(biāo)下，可以達(dá)到提升計(jì)算效率的目標(biāo)。從該文的研究可以看出，單時(shí)相GF-1衛(wèi)星近紅外波段水稻識(shí)別精度平均為69.87%，而全部4個(gè)波段都使用的情況下水稻識(shí)別精度平均為87.25%，近紅外要比全波段數(shù)據(jù)低12.88個(gè)百分點(diǎn)左右。對(duì)至少包括水稻生長(zhǎng)初期和中期的多時(shí)相數(shù)據(jù)而言，近紅外波段的識(shí)別精度平均為90.57%，比采用監(jiān)督分類方法的多時(shí)相全波段數(shù)據(jù)組合的平均識(shí)別精度還高1.18個(gè)百分點(diǎn)，充分說(shuō)明了近紅外波段在水稻識(shí)別中的有效性。

圖4 基于5/6/7/9月組合的近紅外波段數(shù)據(jù)的研究區(qū)水稻種植面積提取結(jié)果

采用近紅外波段開(kāi)展水稻識(shí)別研究，基于單時(shí)相數(shù)據(jù)開(kāi)展水稻類型識(shí)別，隨著發(fā)育階段的變化精度變化較大，主要是由于稻田中水體特征與作物特征轉(zhuǎn)化過(guò)程光譜反射率階段性變化決定的，此外同期內(nèi)地物類型也是影響精度變化的主要原因。僅從單時(shí)相近紅外波段各個(gè)季節(jié)的識(shí)別精度來(lái)看，5月份是水稻水體特征突出，與其他地物類型相差最大的時(shí)期，此時(shí)影響水稻識(shí)別精度的地物主要是同期非稻田水體，如湖泊、濕地等，這些地物類型多則精度低，反之則高。其次是7月份影像，此時(shí)稻田是水體低反射率與植被高反射率的綜合，所以容易與旱地植被和純凈水體相區(qū)分，只是此時(shí)區(qū)分作用不如5月份明顯。在6和9月份，由于稻田近紅外波段上升、下降的速度沒(méi)有其他地物快，所以二者在這2個(gè)時(shí)期差別不大，導(dǎo)致基于近紅外識(shí)別精度較低。

采用近紅外數(shù)據(jù)進(jìn)行水稻識(shí)別有利于采用多時(shí)相數(shù)據(jù)合成以規(guī)避云的影響。與遙感技術(shù)優(yōu)勢(shì)并存的是云覆蓋、云陰影干擾及去除技術(shù)難點(diǎn)，當(dāng)使用全波段數(shù)據(jù)有云的影響時(shí)，必須采取嚴(yán)格的云檢測(cè)技術(shù)以去除云，目前單獨(dú)使用GF-1影像不易實(shí)現(xiàn)，只能選擇晴空區(qū)影像開(kāi)展監(jiān)測(cè)，這大大限制了數(shù)據(jù)的獲取能力。如果僅使用近紅外波段數(shù)據(jù)，在水稻生長(zhǎng)早期水體特征的提取，可以采取多時(shí)相近紅外最小值的方式獲取有效數(shù)據(jù)，能夠大大減少數(shù)據(jù)使用的局限性，這也是開(kāi)展該項(xiàng)研究的主要目的之一。

6 結(jié) 論

就近紅外波段而言，在水稻面積識(shí)別精度要求在75.82%~83.63%左右的應(yīng)用中，選擇生長(zhǎng)早期的5月份、中期的7月份單時(shí)相近紅外WFV數(shù)據(jù)，可以作為遙感識(shí)別的數(shù)據(jù)源單獨(dú)使用。要達(dá)到85.35%以上的識(shí)別精度，則需要選擇包括生長(zhǎng)初期、生長(zhǎng)中期的5和7月份組合的近紅外WFV數(shù)據(jù)作為遙感數(shù)據(jù)源，能夠獲得識(shí)別精度較高的水稻面積空間分布結(jié)果，通過(guò)后期進(jìn)一步目視修正，可以作為農(nóng)作物面積遙感監(jiān)測(cè)結(jié)果使用。

[1] 劉佳，王利民，姚保民，等. 基于多時(shí)相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(15)：200－209. Liu Jia, Wang Limin, Yao Baomin, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 200－209. (in Chinese with English abstract)

[2] 文婷，張翔，張浩勤，等. 近紅外光譜在農(nóng)業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)技術(shù)與裝備，2009(20)：20－22. Wen Ting, Zhang Xiang, Zhang Haoqin, et al. The application of near infrared spectrum in agriculture[J]. Agricultural Technology & Equipment, 2009(20): 20－22. (in Chinese with English abstract)

[3] 李炎，張?jiān)聦W(xué)，徐香玲, 等. 近紅外反射光譜(NIRS)分析技術(shù)及其在農(nóng)業(yè)上的應(yīng)用[J]. 黑龍江農(nóng)業(yè)科學(xué)，2008(1)：105－108. Li Yan, Zhang Yuexue, Xu Xiangling, et al. Applications of near infrared reflectance spectroscopy technology in agriculture[J]. Heilongjiang Agricultural Sciences, 2008(1): 105－108. (in Chinese with English abstract)

[4] 于燕波. 近紅外光譜分析技術(shù)在轉(zhuǎn)基因水稻識(shí)別和高油棉籽篩選中的應(yīng)用研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2014. Yu Yanbo. The Application of Near Infrared Spectroscopy in the Identification of Transgenic Rice and the Selection of High Oil Cottonseed[D]. Beijing: China Agricultural Univ-ersity, 2014. (in Chinese with English abstract)

[5] 黃振國(guó)，楊君. 高分一號(hào)衛(wèi)星影像監(jiān)測(cè)水稻種植面積研究綜述[J]. 湖南農(nóng)業(yè)科學(xué)，2014(13)：76－78. Huang Zhenguo, Yang Jun. Review of high-1 satellite image monitoring rice planting area[J]. Hunan Agricultural Sciences, 2014(13): 76－78. (in Chinese with English abstract)

[6] Kim Hyun-Ok, Yeom Jong-Min. Sensitivity of vegetation indices to spatial degradation of RapidEye imagery for paddy rice detection: A case study of South Korea[J]. GIScience & Remote Sensing, 2015, 52(1): 1－17.

[7] Gusso A, Arvor D, Ducati J R, et al. Assessing the MODIS crop detection algorithm for soybean crop area mapping and expansion in the Mato Grosso state, Brazil[J]. The Scientific World Journal, 2014(1): 1－9.

[8] L?w F, Duveiller G. Defining the spatial resolution requirements for crop identification using optical remote sensing[J]. Remote Sensing, 2014, 6(9): 9034－9063.

[9] Aguilar M, Vallario A, Aguilar J, et al. Object-based greenhouse horticultural crop identification from multi-tem-poral satellite imagery: A case study in Almeria, Spain[J]. Remote Sensing, 2015, 7(6): 7378－7401.

[10] Gusso A, Formaggio A R, Rizzi R, et al. Soybean crop area estimation by Modis/Evi data[J]. Pesquisa Agropecuaria Brasileira, 2012, 47(3): 425－435.

[11] 張猛，曾永年. 基于多時(shí)相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(13)：178－185. Zhang Meng, Zeng Yongnian. Mapping paddy fields of Dongting Lake area by fusing Landsat and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engine-ering (Transactions of the CSAE), 2015, 31(13): 178－185. (in Chinese with English abstract)

[12] 杜燁，郭長(zhǎng)青，文寧，等. 基于多時(shí)相COSMO-SkyMedSAR數(shù)據(jù)對(duì)水稻信息提取方法的研究與應(yīng)用[J]. 遙感信息，2014，29(3)：30－34. Du Ye, Guo Changqing, Wen Ning, et al. Application of rice field extraction based on multi-temporal COSMO-SkyMed SAR data[J]. Remote Sensing Information, 2014, 29(3): 30－34. (in Chinese with English abstract)

[13] 于文穎，馮銳，紀(jì)瑞鵬，等. 基于MODIS數(shù)據(jù)的水稻種植面積提取研究進(jìn)展[J]. 氣象與環(huán)境學(xué)報(bào)，2011，27(2)：56－61. Yu Wenying, Feng Rui, Ji Ruipeng, et al. Advances in rice planting area extraction technology based on MODIS data[J]. Journal of Meteorology and Environment, 2011, 27(2): 56－61. (in Chinese with English abstract)

[14] 張煥雪，曹新，李強(qiáng)子，等. 基于多時(shí)相環(huán)境星NDVI時(shí)間序列的農(nóng)作物分類研究[J]. 遙感技術(shù)與應(yīng)用，2015，30(2)：304－311. Zhang Huanxue, Cao Xin, Li Qiangzi, et al. Research on crop identification using multi-temporal NDVI HJ images[J]. Remote Sensing Technology and Application, 2015, 30(2): 304－311. (in Chinese with English abstract)

[15] 張曉憶，李衛(wèi)國(guó)，景元書(shū)，等. 多種光譜指標(biāo)構(gòu)建決策樹(shù)的水稻種植面積提取[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2016，32(5)：1066－1072. Zhang Xiaoyi, Li Weiguo, Jing Yuanshu, et al. Extraction of paddy rice area by constructing the decision tree with multi-ple spectral indices[J]. Jiangsu Journal of Agricultural Sciences, 2016, 32(5): 1066－1072. (in Chinese with English abstract)

[16] 許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(11)：134－144. Xu Qingyun, Yang Guijun, Long Huiling, et al. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[17] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFV NDVI時(shí)間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engine-ering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[18] Wang Lin, Zhang Fucun, Jing Yuanshu, et al. Multi-temporal detection of rice phenological stages using canopy spec-trum[J]. Rice Science, 2014, 21(2): 108－115.

[19] 宋盼盼，杜鑫，吳良才，等. 基于光譜時(shí)間序列擬合的中國(guó)南方水稻遙感識(shí)別方法研究[J]. 地球信息科學(xué)學(xué)報(bào)，2017，19 (1)： 117－124. Song Panpan, Du Xin, Wu Liangcai, et al. Research on the method of rice remote sensing identification based on spectral time-series fitting in southern China[J]. Journal of Geo-information Science, 2017, 19(1): 117－124. (in Chinese with English abstract)

[20] Son N T, Chen C F, Chen C R, et al. A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation[J]. Agricultural & Forest Meteorology, 2014, 197(6): 52－64.

[21] Huang W, Huang J, Wang X, et al. Comparability of red/near-infrared reflectance and NDVI based on the spectral response function between MODIS and 30 other satellite sensors using rice canopy spectra[J]. Sensors, 2013, 13(12): 16023－16050.

[22] 郭鈮. 植被指數(shù)及其研究進(jìn)展[J]. 干旱氣象，2003，21(4)：71－75. Guo Ni. Vegetation index and its advance[J]. Arid Meteoro-logy, 2003, 21(4): 71－75. (in Chinese with English abstract)

[23] 張軍龍. 基于MODIS_EVI重慶水稻估產(chǎn)[D]. 重慶：重慶師范大學(xué), 2014. Zhang Junlong. MODIS_EVI-based Rice Yield Estimation in Chongqing[D]. Chongqing: Chongqing Normal University, 2014. (in Chinese with English abstract)

[24] Elshorbagy A M, Imam E H, Nour M H. Rice area inter annual variation through a remote sensing based mapping algorithm[J]. ISPRS-International Archives of the Photogra-m-metry, Remote Sensing and Spatial Information Sciences, 2013, XL-7/W2: 81－85.

[25] Ardiansyah Ardiansyah, Sawitri Subiyanto, Abdi Sukmono. Identifikasi lahan sawah menggunakan NDVI dan PCA pada citra landsat 8 (Studi Kasus: Kabupaten Demak, Jawa Tengah)[J]. Jurnal Geodesi Undip, 2015, 4(4): 316－324.

[26] Peng D, Huete A R, Huang J, et al. Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J]. International Journal of Applied Earth Observation & Geoinformation, 2011, 13(1): 13－23.

[27] 魏新彩，王新生，劉海，等. HJ衛(wèi)星圖像水稻種植面積的識(shí)別分析[J]. 地球信息科學(xué)學(xué)報(bào)，2012，14(3)：382－388. Wei Xincai, Wang Xinsheng, Liu Hai, et al. Extraction of paddy rice coverage based on the HJ satellite data[J]. Journal of Geo-Information Science, 2012, 14(3): 382－388. (in Chinese with English abstract)

[28] 朱良，平博，蘇奮振，等. 多時(shí)相TM影像決策樹(shù)模型的水稻識(shí)別提取[J]. 地球信息科學(xué)學(xué)報(bào)，2013，15(3)：446－451. Zhu Liang, Ping Bo, Su Fenzhen, et al. Using decision tree model to extract paddy rice information from multi- temporal TM images[J]. Journal of Geo-Information Science, 2013, 15(3): 446－451. (in Chinese with English abstract)

[29] 鄭長(zhǎng)春. 水稻種植面積遙感信息提取研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué), 2008. Zheng Changchun. Stuy on Remote Sensing Information Extraction of Paddy Rice Planting Area[D]. Urumqi: Xin-jiang Agricultural University, 2008. (in Chinese with English abstract)

[30] 寧夏回族自治區(qū)統(tǒng)計(jì)局，國(guó)家統(tǒng)計(jì)局寧夏調(diào)查總隊(duì)．寧夏統(tǒng)計(jì)年鑒2016年[M]．北京：中國(guó)統(tǒng)計(jì)出版社，北京數(shù)通電子出版社，2017.

[31] 劉佳，王利民，楊玲波，等. 基于6S模型的GF-1衛(wèi)星影像大氣校正及效果[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(19)：159－168. Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[32] 劉佳，王利民，楊玲波，等. 基于有理多項(xiàng)式模型區(qū)域網(wǎng)平差的GF-1影像幾何校正[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(22)：146－154. Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correc-tion of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 146－154. (in Chinese with English abstract)

[33] 譚玉敏，夏瑋. 基于最佳波段組合的高光譜遙感影像分類[J]. 測(cè)繪與空間地理信息，2014，37(4)：19－22. Tan Yumin, Xia Wei. Optimum band combination based hy-perspectral remote sensing image classification[J]. Geomatics & Spatia Information Technology, 2014, 37(4): 19－22. (in Chinese with English abstract)

[34] 劉勇洪，牛錚，王長(zhǎng)耀. 基于MODIS數(shù)據(jù)的決策樹(shù)分類方法研究與應(yīng)用[J]. 遙感學(xué)報(bào)，2005，9(4)：405－412. Liu Yonghong, Niu Zheng, Wang Changyao. Research and application of the decision tree classification using MODIS data[J]. Journal of Remote Sensing, 2005, 9(4): 405－412. (in Chinese with English abstract)

[35] 王增林，朱大明. 基于遙感影像的最大似然分類算法的探討[J]. 河南科學(xué)，2010，28(11)：1458－1461. Wang Zenglin, Zhu Daming. A study of maximum likelihood classification algorithm based on remote sensing image[J]. Henan Science, 2010, 28(11): 1458－1461. (in Chinese with English abstract)

[36] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[37] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing, 1988, 9(8): 1395－1398.

[38] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.

王利民，劉 佳，楊福剛，姚保民，邵 杰，楊玲波.GF-1衛(wèi)星多時(shí)相組合近紅外數(shù)據(jù)水稻識(shí)別能力[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(23)：196－202. doi：10.11975/j.issn.1002-6819.2017.23.025 http://www.tcsae.org

Wang Limin, Liu Jia, Yang Fugang, Yao Baomin, Shao Jie, Yang Lingbo. Rice recognition ability basing on GF-1 multi-temporal phases combined with near infrared data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 196－202. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.025 http://www.tcsae.org

Rice recognition ability basing on GF-1 multi-temporal phases combined with near infrared data

Wang Limin, Liu Jia※, Yang Fugang, Yao Baomin, Shao Jie, Yang Lingbo

(100081,)

Near-infrared wave bands have double sensitivities on water bodies and crop growth. Using near-infrared wave band on rice identification has notable advantage, and it is a key wave band in crop identification. The study chose 5 counties of Yinchuan City, Ningxia Hui Autonomous Region as the study area and took the near-infrared (770-890 nm) data of GF-1/WFV (wide field view) images on May 18, June 16, July 30, and September 13, 2016 as its data sources. By using decision-tree classification method, the study achieved the rice identification of 7 temporal combinations, including 4 single temporal data in May, June, July, and September, as well as 3 multi-temporal data of May/June, May/July, and May/June/July/September, and made a comparison with supervision classification results of full wave bands (0.45-0.52, 0.52-0.59, 0.63-0.69, 0.77-0.89 μm) of corresponding GF-1/WFV data. The rice identification accuracies of near-infrared wave bands of single temporal data in May, June, July, and September were 83.63%, 57.40%, 75.82% and 62.61% respectively. Except that the accuracy of May data was 5.75% higher than the full wave bands, the identification accuracies of other temporal phases were lower than that of full wave bands. The highest accuracy deviation was in June, 30.23%, and the lowest accuracy deviation was in July, 1.58%. The deviations in May and September were 5.75% and 25.47% respectively. The rice identification accuracies under 3 multi-temporal near-infrared combinations of May/June, May/July, May/June/July/September were 83.76%, 93.93%, and 94.03% respectively. The accuracies of near-infrared combinations of May/July, and May/June/July/September were 8.58% and 0.73% higher than that of full wave band data results respectively, but the accuracy of May/June was 5.47% lower. Regardless of near-infrared data or full wave band data, the minimum value, average value and maximum value of single temporal data identification accuracies were 57.40%, 76.31% and 88.10% respectively, with the Kappa coefficients of 0.22, 0.44 and 0.64 respectively; the minimum value, average value and maximum value of multi-temporal data identification accuracies were 83.76%, 89.98% and 94.03% respectively, with the Kappa coefficients of 0.52, 0.68 and 0.77 respectively; all identification accuracies of single temporal data were lower than the identification accuracies of the multi-temporal data. If using single temporal data as the data source of rice remote sensing identification, the identification accuracy can reach 75.82% based on the near-infrared WFV data of rice in middle growth period of July, which is consistent with the full wave band data result of this time phase; to reach the accuracy above 88.10%, it is necessary to use full wave band WFV data in September. If taking multi-temporal data of WFV data of temporal combinations of 2 rice growth periods i.e. early period of May and middle period of July as the data source of rice remote sensing identification, the identification accuracy can reach 93.93%, which is close to the highest identification accuracy of multi-temporal data. The study result shows that, for the near-infrared wave band, and in the applications with requirement on the rice identification accuracy of about 75%-85%, the 2 single temporal infrared WFV data in early growth period of May and middle growth period of July can be taken as the data sources of remote sensing identification. To reach the identification accuracy above 86%, it is necessary to choose the combination of near-infrared WFV data in early growth period of May and middle growth period of July as the remote sensing data sources, so as to achieve rice area spatial distribution results with relatively high identification accuracy. After further correction with visual observation, it can be taken as the crop area remote sensing supervision results.

remote sensing; crops; area recognition; multi-temporal phases; near-infrared band; GF-1/WFV; rice

10.11975/j.issn.1002-6819.2017.23.025

S127

A

1002-6819(2017)-23-0196-07

2017-06-13

2017-11-20

國(guó)家重點(diǎn)研發(fā)計(jì)劃“糧食作物生長(zhǎng)監(jiān)測(cè)診斷與精確栽培技術(shù)”課題“作物生長(zhǎng)與生產(chǎn)力衛(wèi)星遙感監(jiān)測(cè)預(yù)測(cè)”（2016YFD0300603）

王利民，男，蒙古族，內(nèi)蒙古寧城人，博士，主要從事農(nóng)業(yè)遙感監(jiān)測(cè)業(yè)務(wù)運(yùn)行研究。Email：wanglimin01@caas.cn

劉 佳，女，漢族，湖南人，研究員，主要從事農(nóng)業(yè)遙感監(jiān)測(cè)業(yè)務(wù)運(yùn)行研究。Email：liujia06@caas.cn