基于高通濾波算法的水稻遙感影像適宜尺度篩選*

張曉憶，景元書，李衛(wèi)國

?

基于高通濾波算法的水稻遙感影像適宜尺度篩選*

張曉憶1，景元書2，李衛(wèi)國3

（1．安徽省繁昌縣氣象局，蕪湖 241200；2．南京信息工程大學應用氣象學院，南京 210044；3．江蘇省農業(yè)科學院農業(yè)經濟與信息研究所，南京 210014)

為確定江蘇地區(qū)水稻田塊信息提取的適宜尺度，選取拔節(jié)期30m×30m空間分辨率HJ1A/CCD2影像和16m×16m空間分辨率GF1/WFV4近紅外波段影像，采用高通濾波（HPF）算法構建4種空間尺度融合影像。利用定量指標評價和植被指數(shù)反演評價分析4種融合影像篩選適宜尺度，最后通過多類光譜指標構建決策樹提取水稻面積與PROSAIL冠層光譜模型反演葉面積指數(shù)（LAI），驗證融合影像適宜尺度相較原始影像尺度的優(yōu)越性。結果表明：（1）綜合定量指標評價和植被指數(shù)反演評價，20m×20m尺度和15m×15m尺度均可保證光譜繼承性，反演水稻田塊信息，而結合尺度優(yōu)勢，適宜尺度篩選為15m×15m；（2）與原始影像尺度相比，15m×15m尺度空間分辨率提高，同時水稻面積提取精度增大，面積精度93.33%，樣方精度94.71%，標準誤差0.25hm2，且能理想反演LAI，精度達94.69%，標準誤差0.893。結論表明，研究區(qū)水稻田塊信息反演的適宜尺度為15m×15m。

影像質量評價；水稻面積；樣方精度；PROSAIL冠層光譜模型；LAI

水稻遙感監(jiān)測技術的提升，是提高水稻長勢監(jiān)測、災害監(jiān)測和估產精度的基礎。而獲取高時間空間分辨率的有效影像難度很大[1]，故實際應用中可將不同平臺的高空間分辨率數(shù)據(jù)與高時間分辨率數(shù)據(jù)進行融合，形成不同空間分辨率的融合影像[2]，為水稻遙感監(jiān)測提供最佳數(shù)據(jù)源，如此就涉及融合算法及適宜尺度的確定問題。融合算法的研究較為成熟，常用的包括改進的明度色度飽和度（Modified IHS，Modified Intensity-Hue-Saturation）融合、主成分（PC，Principal Components）融合、彩色標準化（Brovey）融合、高通濾波（HPF，High Pass Filter）融合、小波（Wavelet）融合等[3]，并由此衍生一系列優(yōu)化算法[4-7]。林子晶等[8]比較多種融合方法得出，HPF融合處理的HJ/CCD和GF/PMS融合影像更適于江蘇省水稻面積提取。而對于水稻田塊適宜尺度的確定問題，鮮有文獻報道。安霞霞等[9]選擇4種不同尺度影像提取貴州山區(qū)居民區(qū)，得出2.1m分辨率影像精度最高。石磊等[10]運用信息熵理論和按照局部方差的思路等兩種方法，分析得出魯?shù)榈貐^(qū)基于Worldview-2影像植被分析的最佳空間分辨率為12m。金正婷等[11]經過PC融合，運用影像質量評價和面積提取驗證，得出江蘇省冬小麥田塊特征反演的適宜尺度為16m×16m。楊旭艷等[12]提出利用形狀綜合指數(shù)，耦合地物單元周長、面積、形狀系數(shù)、斑塊分維數(shù)等，可確定特定樣本特征提取的適宜尺度。目前有關地物適宜尺度研究存在的問題是，適宜尺度的篩選方式較單一，或不考慮使用融合算法對特定尺度進行研究，或僅考慮質量評價方法對影像光譜進行分析，或篩選尺度僅適用于特定形狀地物，通用性較差。所以本文以建立完善的適宜尺度篩選方式為切入點，選取淮安市2015年水稻拔節(jié)期30m×30m空間分辨率HJ1A/CCD2影像和16m×16m空間分辨率GF1/WFV4影像，生成4種尺度的HPF融合影像，先通過定量指標評價和植被指數(shù)反演評價分析4種不同尺度融合影像，以篩選融合影像適宜尺度，再從面積提取和LAI反演兩方面驗證融合影像適宜尺度相較原始影像尺度的優(yōu)越性，完成江蘇地區(qū)水稻信息提取的適宜尺度篩選。

1 材料與方法

1.1 研究區(qū)概況

淮安市地處江蘇中北部，下轄清江浦、淮陰、淮安、洪澤四區(qū)和漣水、盱眙、金湖三縣，面積10072km2。地理范圍32°43ˊ00"?34°06ˊ00"N，118°12ˊ00"?119°36ˊ30"E，以平原為主，西南部有丘陵分布，大部分地區(qū)海拔50?100m。常年平均氣溫14.5℃，平均降水量約1000mm，屬北亞熱帶季風氣候區(qū)，作物一年兩熟，是典型的小麥（油菜）-水稻連作區(qū)，8月主要農作物有水稻、蔬菜、玉米、蓮藕、甘薯、大豆等。8月上旬當?shù)厮咎幱诜痔Y末期-拔節(jié)期。

1.2 試驗數(shù)據(jù)

1.2.1 大田調查

2015年8月4?7日，先后在盱眙縣、金湖縣、洪澤區(qū)、淮安區(qū)、漣水縣和淮陰區(qū)分別進行樣方面積統(tǒng)計和水稻樣點調查。

樣方面積統(tǒng)計：在淮安市境內的水稻種植基地共建立10個樣方，大小約300m×300m。選取的樣方應具有代表性，樣方間有一定距離間隔，保證樣方內有一定面積的水稻，并存在其它地物類型。使用Juno SB手持GPS儀采集地理坐標，測量每個樣方各類地物面積及分布范圍。便于后續(xù)遙感影像精校正和面積精度評估檢驗。樣方內地物狀況見圖1，GIS統(tǒng)計各樣方的水稻田面積分別為2.72、3.85、5.27、5.90、4.23、6.35、5.08、7.02、4.42和4.38hm2。

水稻樣點調查：在淮安市3個縣和洪澤區(qū)分別選擇15處水稻樣點，共60處水稻樣點。觀測每個樣點的LAI（無量綱，Sunscan冠層分析儀測定）、紅光及近紅外波段反射率（無量綱，GreenSeeker手持式光譜儀測定）、SPAD（Soil and Plant Analyzer Development，無量綱，SPAD ?502Plus儀測定）、葉片等效水厚度（Cw，g·cm?2，葉小樣法[13]）、葉片干物質含量（Cm，g·cm?2，葉小樣法[14]），并記錄每個樣點的經緯度及長勢情況。各樣點每組數(shù)據(jù)等距取樣平行測量3次，且樣點需離道路100m，以去除邊際效應，可保證樣點位于純水稻像元，滿足代表性。

式中，F(xiàn)W為觀測樣本的鮮重（g），DW為干重（g），A表示單位葉面積（cm2），取樣以穴為單位。

1.2.2 遙感影像獲取及預處理

選取2015年8月3日30m×30m空間分辨率HJ1A/CCD2和16m×16m空間分辨率GF1/WFV4，2景多光譜遙感影像，此時當?shù)厮咎幱诜痔Y末期?拔節(jié)期，生長旺盛，遙感影像上便于分辨。2景影像于中國資源衛(wèi)星遙感數(shù)據(jù)共享平臺下載獲得，覆蓋范圍包括淮安全境。2景影像波譜范圍包括藍光、綠光、紅光和近紅外4個波段。

圖1 GPS采集的10個調查樣方示意圖（水稻田以*作標記）

選用有通用橫軸墨卡托（Universal Transverse Mercator Projection，UTM）投影坐標的江蘇省參考影像，對HJ和GF影像進行幾何精校正，用淮安邊界文件裁剪得到研究區(qū)域，并分別進行輻射定標和FLAASH大氣校正。

為提取不同地物波段信息，由實地調查，確定研究區(qū)有5類典型地物，分別為水體、水稻、房屋道路、林地和以蔬菜為代表的大葉作物（包括蔬菜、玉米、蓮藕、甘薯、大豆等）。對GF影像各典型地物分別提取不少于500處樣點像元，并對地物樣點像元的各波段反射率分別進行統(tǒng)計分析。樣點像元的選擇需保證隨機且均勻分布，避免選擇混合像元。同時分別計算2景影像，得到相應的歸一化差分植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、差值植被指數(shù)（Difference Vegetation Index，DVI）、增強型植被指數(shù)（Enhanced vegetation index，EVI）和比值植被指數(shù)（Ratio Vegetation Index，RVI）。

1.3 HPF融合算法

HPF融合算法是對指定頻率以下的低頻信號有衰減作用、允許高頻信號通過的濾波方法。融合后影像的邊界清晰度增強，可更好地保留光譜特征，對HJ影像和GF影像融合提取水稻的效果最佳[8]。

HPF算法定義為[15]

式中，Wa、Wb為權重，Wa+Wb=1，PANkH為GF影像近紅外波段（高通濾波），MULkL為HJ影像4個波段（低通濾波），求得HPk為銳化后的輸出影像。目的是對高分辨率單波段影像高通濾波，以強化空間信息，即邊緣特征，對低分辨率多光譜影像低通濾波，以提取低頻光譜信息，求加權，得到銳化后的HPF融合影像。

利用ERDAS IMAGINE 9.2軟件的圖像解譯模塊，加載HPF fusion工具，對預處理后的30m×30m HJ1A/CCD2多光譜影像和16m×16m GF1/WFV4近紅外波段影像，進行HPF融合。Wa取默認值0.3，分別得到5m×5m、10m×10m、15m×15m和20m×20m空間尺度的融合影像，并結合融合影像定量指標評價和多種植被指數(shù)反演情況來確定研究區(qū)水稻信息反演適宜尺度。

1.4 適宜尺度融合影像適用性驗證

1.4.1 多類光譜指標構建決策樹提取水稻面積

決策樹[16]是一種樹形結構，可用來回答“是”或“否”，通過樹形結構可將多種指標組合全部表示出來，每個分支表示一次選擇（選擇“是”和“否”），直到所有選擇都進行完畢，全部“是”才能判定像元表示水稻，而其中仍有比例較少的像元無法分類，對水稻面積提取的影響可忽略不計。

利用多類光譜指標構建決策樹，充分利用各類地物光譜信息的差異，可精確提取水稻面積。首先在HJ和GF影像不同地物樣點像元光譜特征分析的基礎上，選擇地物光譜特征明顯的GF影像計算NDVI、EVI、DVI和RVI，并提取影像近紅外波段反射率，利用這5項光譜指標確定不同地物分類閾值統(tǒng)一對3景影像進行決策樹分類，提取適宜尺度融合影像與HJ和GF影像，共3景影像的水稻面積和分布情況。再比較3景影像水稻面積提取結果，驗證適宜尺度融合影像反演水稻面積的適用性。

通過實地調查構建田間樣方統(tǒng)計水稻信息（圖1），再用樣方邊界切割影像，將不同影像切割的水稻面積與樣方實際水稻面積進行對比，可形成樣方精度，比較適宜尺度融合影像與原始影像的水稻面積提取差異。利用隨機的小空間尺度樣方進行統(tǒng)計分析，更利于判斷水稻的空間分布和面積提取精度。

1.4.2 PROSAIL冠層光譜模型反演水稻LAI

PROSAIL模型[17]是常用的輻射傳輸模型，由PROSPECT扁平葉模型和SAIL連續(xù)型冠層模型耦合而成。該模型嚴格遵循物理原理，綜合考慮植被對太陽輻射的吸收、二向反射、葉片結構參數(shù)等因素，可真實反映植被冠層情況，常用于反演大面積區(qū)域作物LAI[18]。

利用WINSail軟件，先構建PROSPECT模型，輸入各項生理生化參數(shù)，葉片內部結構參數(shù)N=1.3，葉片葉綠素含量Cab=15.7μg·cm?2[19]，Cw=0.013g·cm?2，Cm=0.004g·cm?2，這些數(shù)值由60處水稻樣點調查求平均值確定，可得到水稻葉片反射率隨波長變化文件。再構建SAIL模型，選擇圓形葉傾角分布模型、水稻葉片反射率和土壤反射率隨波長變化文件，并從各個影像的元文件查找所需參數(shù)并輸入，如太陽赤緯、傳感器天頂角及方位角、影像獲取時間等，其中融合影像所需參數(shù)參照HJ影像設置，即得不同LAI在不同波長下的葉片反射率。即可選取近紅外和紅光波段反射率計算DVI，建立LAI與DVI的擬合模型，反演得到3景影像的水稻LAI。最后利用GPS定位的60個樣點制作感興趣區(qū)域（AOI，Area of interest），提取3景影像反演的樣點LAI值，與實測LAI值比較分析，驗證適宜尺度融合影像反演水稻LAI的適用性。

2 結果與分析

2.1 融合影像適宜尺度的篩選

2.1.1 不同尺度融合影像的定量指標評價

融合影像質量評價一般分為主觀評價和客觀評價，主觀評價依靠人的目視解譯和先驗知識，無客觀性。DN值（Digital Number，無量綱）是遙感影像像元像素值，大小可定量表征地物反射電磁波的能力，反映影像的光譜信息。選取6種定量指標[20]，利用評價公式分別計算不同尺度融合影像及HJ影像各波段DN值的均值、相關系數(shù)、標準差、信息熵、交叉熵和平均梯度，可完成適宜尺度篩選。統(tǒng)計結果見表1。

均值和相關系數(shù)反映融合影像對原始影像光譜信息的繼承，故融合影像各波段均值與原始影像越接近，且相關系數(shù)接近1，則光譜信息越真實。由表1可知，20m×20m和15m×15m融合影像的均值與HJ影像最接近，且平均相關系數(shù)最高，分別為0.976和0.968，可見，光譜信息真實性較好的融合影像尺度為20m×20m和15m×15m。

標準差、信息熵和交叉熵反映融合影像光譜信息較原始影像的增加情況，高值代表融合影像比原始影像信息豐富。但信息過多會增加噪聲輸入，導致圖像失真，所以數(shù)值稍大于原值的融合影像較為理想。由表1可知，相較HJ影像的平均標準差（15.9）和平均信息熵（5.2），各尺度融合影像數(shù)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譜信息相較HJ影像均有提高。表中顯示，10m×10m和5m×5m融合影像的平均標準差、平均信息熵和平均交叉熵數(shù)值均比20m×20m和15m×15m融合影像的大，說明融合影像尺度越小，信息增加越多，圖像失真越明顯?？梢?，光譜信息增加較適宜的融合影像尺度為20m×20m和15m×15m。

平均梯度反映融合影像質量改進情況，高平均梯度表明影像質量改進明顯，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，最小為15m×15m融合影像。相較于HJ影像的平均梯度平均值（3.358）可知，10m×10m和5m×5m融合影像質量較HJ影像有所提高，20m×20m和15m×15m融合影像質量較HJ影像有所下降。可見，清晰度較高的融合影像尺度為10m×10m和5m×5m。

綜合以上6項定量指標可知，光譜信息由好到差的尺度分別為20m×20m、15m×15m、10m×10m和5m×5m，且15m×15m與20m×20m的光譜信息差別較小，均能滿足研究使用。

2.1.2 不同尺度融合影像多種植被指數(shù)的反演評價

根據(jù)植被指數(shù)計算得到4種尺度融合影像、HJ影像和GF影像的NDVI、DVI、EVI和RVI影像，利用60處水稻樣點AOI提取得到水稻樣點在不同影像中各植被指數(shù)反演情況。將光譜儀測定的各樣點紅光（656nm）、近紅外光（770nm）反射率計算得出各樣點植被指數(shù)實測值，統(tǒng)計均值與標準差，結果如表2所示。

表1 不同尺度融合影像與HJ1A/CCD2影像中提取信息（DN值）的比較

由表2知，HJ影像對水稻各植被指數(shù)的反演效果總體好于GF影像，融合影像各植被指數(shù)反演數(shù)值更接近HJ影像，且影像尺度越大，植被指數(shù)反演結果越接近HJ影像。而融合影像相較HJ影像，標準差減小，更符合實測值。綜合4種植被指數(shù)反演情況，水稻田塊光譜信息反演能力由好到差的尺度分別為20m×20m、15m×15m、10m×10m和5m×5m，且15m×15m與20m×20m的反演能力差別較小，均能滿足研究使用。

綜合定量指標評價與多種植被指數(shù)反演評價可知，各尺度融合影像相較原始HJ影像和GF影像各有利弊。20m×20m和15m×15m均可滿足使用要求，能夠保證融合影像光譜信息和反演能力，且前者效果最好，但15m×15m較20m×20m在尺度上有明顯優(yōu)勢，能大幅提升水稻田塊信息反演精度。這也與Bruzzone等[21]研究結論相符，空間分辨率過高，影像光譜域的統(tǒng)計可分性降低，影像自動解譯精度反而降低。綜上認為，4種融合影像尺度中，反演研究區(qū)水稻田塊的適宜尺度為15m×15m。

表2 不同尺度影像的水稻樣點中各植被指數(shù)反演結果的比較

2.2 適宜尺度融合影像中水稻面積提取的精度比較驗證

驗證15m×15m融合影像相比原始影像提取水稻信息的優(yōu)劣，分為兩部分完成，先進行面積提取，再LAI反演。面積提取使用多項光譜指標決策樹分類法完成，為統(tǒng)一15m×15m融合影像、HJ影像和GF影像的決策樹分類規(guī)則且盡可能提高水稻面積提取精度，選取GF影像，結合預處理過程，計算并統(tǒng)計GF影像不同典型地物樣點像元的NDVI、DVI、EVI、RVI和近紅外波段反射率，剔除壞點，確定各類地物在5項光譜指標的閾值分布情況，如圖2所示。由于植被區(qū)（水稻、林地、蔬菜）與非植被區(qū)（水體、房屋道路）光譜特征差異顯著，可先通過NDVI區(qū)分出水體和房屋建筑。其中NDVI值在0.25～0.55的像元為混合像元，不參與水稻面積統(tǒng)計。由于植被光譜特征的相似性，不同植被在某一光譜指標的分布多有重疊，故不能通過單一光譜指標提取水稻。使用5項光譜指標，對3景影像進行決策樹分類，分類規(guī)則及閾值參照圖2，進而提取研究區(qū)水稻面積。水稻判別條件為，同時滿足NDVI＞0.70，0.25＜DVI≤0.45，0.53＜EVI≤0.80，RVI＞5.5和0.30＜PNIR≤0.46，共5項條件。此判別條件為GF影像的5類典型地物樣點像元統(tǒng)計分析所得（圖2），具體的判定數(shù)值僅對該時段該地區(qū)的水稻面積提取適用。通過選取樣點像元進行統(tǒng)計分析，決策樹分類法可推廣到其它衛(wèi)星過境時間或較大區(qū)域的水稻面積提取，但對跨氣候區(qū)劃（如跨秦嶺、淮河等）的水稻面積提取有較大局限，這是因為不同氣候區(qū)的各類植被物候期存在差異，導致不同植被光譜指標分布多有重合，分類誤差較大。

利用GIS對3景影像水稻分類結果進行統(tǒng)計，15m×15m融合影像、HJ影像和GF影像決策樹分類提取的淮安市水稻面積分別為273069hm2、260875hm2和272147hm2，以淮安市農業(yè)部門提供的2015年水稻面積數(shù)據(jù)292590hm2為標準參照，15m×15m融合影像、GF影像和HJ影像提取的水稻面積提取精度分別為93.33%、89.16%和93.01%。15m×15m融合影像提取的水稻面積較大，精度最高，是因為HPF融合算法增強了水稻田塊光譜信息識別能力，同時空間分辨率提高，混合像元比例減小，小的水稻田塊得以識別，使面積提取能力增強。

圖 2 GF影像各類地物樣點像元統(tǒng)計的五類光譜指標閾值分布

用GPS采集的樣方邊界分別切割決策樹分類后的3景影像，并統(tǒng)計影像和實際樣方中的水稻面積，制作散點圖，如圖3所示。10個田間樣方的影像提取面積與實測面積比值均集中分布于1:1線兩側，說明3景影像提取面積與田間樣方統(tǒng)計面積較為一致。計算得到15m×15m融合影像、HJ影像和GF影像的樣方精度分別為94.71%、87.29%和 93.70%，標準誤差（RMSE）分別為0.25hm2、0.62hm2和0.30hm2，這表明經過多類光譜指標決策樹分類后，3景影像均能較準確地提取水稻面積，其中15m×15m融合影像提取的水稻面積精度最高，提取面積與實際面積偏差最小。

圖3 三種影像資料提取10個田間樣方中水稻面積與實測面積的比較

由面積精度和樣方面積精度分析可知，15m× 15m融合影像水稻面積提取精度最高，其次是GF影像（16m×16m），HJ影像（30m×30m）精度最低?？梢?，15m×15m融合影像與HJ影像和GF影像相比，不僅影像空間分辨率得到提升，水稻面積提取能力也有明顯提高，且提取面積與實際面積偏差最小，更接近研究區(qū)水稻實際分布情況。在水稻面積提取方面，適宜尺度15m×15m有顯著優(yōu)勢。

2.3 適宜尺度融合影像中水稻LAI反演的精度比較驗證

當前遙感反演LAI的主要方法有兩種：數(shù)學模型法和光學模型法，均通過研究LAI與各類植被指數(shù)的關系反演得到LAI值[22]，但植被指數(shù)有一定的飽和性，造成一定范圍內LAI隨植被指數(shù)的變化不顯著。李鑫川等[23]對比了多種植被指數(shù)的抗飽和性得出，DVI抗飽和性較好，EVI和RVI抗飽和性較差，NDVI抗飽和性最差。因此，選擇DVI建立其與LAI的擬合方程，以反演15m×15m融合影像、HJ影像和GF影像的LAI值。

首先，利用PROSAIL冠層光譜模型模擬得到15m×15m融合影像、HJ影像和GF影像中LAI與DVI的對應分布關系。通過對線性、多項式、指數(shù)、冪等回歸分析擬合情況的比較發(fā)現(xiàn)，二次多項式關系對LAI與DVI擬合方程的決定系數(shù)最高，因此，選擇二次多項式建立各種情況下LAI與DVI的模擬式，結果見圖4。

其次，計算3景影像的DVI值，根據(jù)擬合方程（圖4）計算得到3景影像于2015年8月上旬的水稻LAI值，進而與60處水稻樣點LAI實測值進行比較，結果見表3。由表可見，3景影像反演LAI精度均比較高，在90%以上，且均值、最大最小值和標準誤差與實測值較為吻合。進一步對比發(fā)現(xiàn)，15m×15m HPF融合影像精度（94.69%）明顯高于16m×16m GF影像（93.27%），說明它比16m×16m GF影像反演水稻LAI值的效果好；另一方面，雖然15m×15m HPF融合影像精度（94.69%）不比30m×30m HJ影像（95.11%）高，但影像的空間分辨率提升了1倍，樣方面積提取等其它方面更有優(yōu)勢?？梢姡?5m×15m HPF融合影像更適宜水稻LAI的監(jiān)測。

圖4 三種影像水稻像元LAI-DVI二次多項式擬合曲線

表3 三種影像資料提取DVI反演的LAI值與實測LAI的比較

第三，根據(jù)LAI的具體數(shù)值，可以初步進行水稻長勢分級及監(jiān)測。選擇15m×15m融合影像，將LAI反演結果中非水稻像元掩膜去除，僅保留水稻像元信息。結合水稻樣點調查情況，將LAI分為2級以評價研究區(qū)水稻長勢情況，LAI ≤2.0代表長勢弱，LAI >2.0代表長勢正?；蛲ⅲY果見圖5。LAI分級取值2.0是根據(jù)當日大田調查，人為判別長勢統(tǒng)計而得。由圖可知，2015年8月上旬，淮安市水稻整體長勢較好，長勢正?；蛲ⅲ↙AI >2.0）的面積229382 hm2，占水稻種植總面積的84.0%，主要位于盱眙、金湖、洪澤地界，多為集中連片種植區(qū)。長勢偏弱（LAI≤2.0）的面積43692 hm2，占總面積的16.0%，多數(shù)位于淮陰、漣水、淮安，多為分散的水稻種植區(qū)或城區(qū)周邊。8月上旬水稻正處于分蘗末期?拔節(jié)期，60處樣點統(tǒng)計得，長勢正常情況下LAI在2.0～4.2范圍，包含43處樣點，占比71.6%；GIS統(tǒng)計淮安市全境，長勢正常部分占水稻種植面積的75.76%?？梢姡?5m×15m HPF融合影像能夠正確監(jiān)測水稻長勢情況。

圖5 2015年8月上旬淮安市水稻LAI分級圖

3 結論與討論

（1）綜合定量指標評價與多種植被指數(shù)反演評價，20m×20m和15m×15m保證了光譜繼承性，均滿足使用要求，且前者效果最好。結合尺度優(yōu)勢，融合影像適宜尺度篩選結果為15m×15m。

（2）融合影像適宜尺度與原始影像尺度的比較分析分為兩部分：面積提取方面，15m×15m樣方精度達到94.71%，提取淮安市水稻面積為273069hm2，優(yōu)于16m×16m尺度，且明顯優(yōu)于30m×30m尺度。LAI反演方面，三者相差較小，15m×15m精度為94.69%，稍低于30m×30m（95.11%），16m×16m精度最小。綜合判別，15m×15m在水稻信息提取適用性方面，優(yōu)于16m×16m和30m×30m。

（3）綜合融合影像適宜尺度的篩選及適宜尺度融合影像適用性驗證，得出反演研究區(qū)水稻田塊的適宜尺度為15m×15m。

影像融合通常是將光譜分辨率較低或單波段（）而空間分辨率較高的遙感數(shù)據(jù)，與時間及光譜分辨率高而空間分辨率較低的遙感數(shù)據(jù)進行融合，充分發(fā)揮各自優(yōu)勢。而本文使用2景多光譜影像，16m×16m多光譜近紅外波段影像與30m×30m多光譜影像，進行HPF融合，效果較好，確定研究區(qū)水稻田塊反演適宜尺度為15m×15m，與前人采用2m×2m全色影像與8m×8m多光譜影像融合對江蘇地區(qū)田塊適宜尺度提取分析結果[11]基本一致；同時該數(shù)據(jù)源節(jié)約費用成本，適宜推廣使用。

適宜尺度通過重采樣5m×5m、10m×10m、15m×15m和20m×20m四種尺度融合影像進行篩選，尺度制定的合理性有待進一步研究。若變換遙感數(shù)據(jù)源或融合方法，適宜尺度15m×15m的通用性能否得到保證，也有待進一步研究。

LAI-DVI擬合方程一般在2 < LAI < 6時，擬合值大于實測值，而由水稻樣點調查結果可知，水稻拔節(jié)期LAI大多分布于2～4，所以各影像LAI反演值均稍大于實測值。同時PROSAIL模型也存在局限性，參數(shù)設置會導致誤差，后續(xù)研究可針對擬合函數(shù)構建進行優(yōu)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,周東華.多尺度估計理論及其應用[M].北京:清華大學出版社,2002.

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

[3]王力彥.多源光學遙感影像融合方法研究[D].北京:中國地質大學,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]張猛,曾永年.基于多時相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J].農業(yè)工程學報,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,李衛(wèi)國,申雙和,等.HJ星和GF1號數(shù)據(jù)在水稻面積提取中的應用[J].江蘇農業(yè)學報,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,楊廣斌,許元紅,等.喀斯特山區(qū)居民地多尺度遙感信息提取精度對比分析[J].中國巖溶,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,楊武年,楊彥通,等.影像不同空間尺度對植被分析的影響[J].測繪科學,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,李衛(wèi)國,景元書.基于影像融合的冬小麥種植面積提取適宜尺度研究[J].江蘇農業(yè)學報,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]楊旭艷,王旭紅,胡婷,等.典型地物特征提取的適宜尺度選擇[J].山地學報,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]Ri?no 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]呂建林,陳如凱,張木清,等.甘蔗凈光合速率、葉綠素和比葉重的季節(jié)變化及其關系[J].福建農業(yè)大學學報,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]鄭著彬,李俊,任靜麗.HPF圖像融合技術在大理市遙感影像中的運用探討[J].云南地理環(huán)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]李穎,劉榮花,鄭東東.基于多源數(shù)據(jù)和決策樹估算夏玉米種植面積[J].中國農業(yè)氣象,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時序數(shù)據(jù)提取鎮(zhèn)江市水稻種植分布[J].中國農業(yè)氣象,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]蘇偉,郭皓,趙冬玲,等.基于優(yōu)化PROSAIL葉傾角分布函數(shù)的玉米LAI反演方法[J].農業(yè)機械學報,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]張文安.SPAD-501型葉綠素儀在測定水稻葉綠素含量中的應用[J].貴州農業(yè)科學,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]周麗雅.遙感影像融合及質量評價研究[D].鄭州:解放軍信息工程大學,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,張萬昌.葉面積指數(shù)(LAI)的遙感定量方法綜述[J].國土資源遙感,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,徐新剛,鮑艷松,等.基于分段方式選擇敏感植被指數(shù)的冬小麥葉面積指數(shù)遙感反演[J].中國農業(yè)科學,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

張曉憶,景元書,李衛(wèi)國.基于高通濾波算法的水稻遙感影像適宜尺度篩選[J].中國農業(yè)氣象,2018,39(5):344-353

2017?08?08

國家自然科學基金項目(41171336)；江蘇省高校自然科學研究重大項目(15KJA170003)

張曉憶(1992?)，女，碩士，助理工程師，研究方向為農業(yè)遙感與氣象。E-mail: 1549263115@qq.com