基于OLI影像的四川丘陵地区水稻种植面积监测

　　摘要:【目的】为使用Landsat8OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个，通过地面样方调查和同生长季GoogleEarth影像解译获取的样方水稻种植面积作为验证数据，评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后，使用15m全色波段影像和30m多光谱影像融合，得到15m分辨率的融合影像，使用最大似然法进行监督分类，获取监测结果。【结果】与样方验证数据比较，在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示，浅丘区的平均精度为93．7%，误差范围为1．0%～8．7%;深丘区的为92．5%，误差范围为1．5%～15．8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异，随着丘谷高差增大，地形趋于复杂、地块趋于狭长与破碎，OLI影像监测结果的不确定性增加，精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。

　　关键词:遥感;图像处理;水稻;种植面积;精度

　　【研究意义】水稻作为世界三大粮食作物之一，在中国有广泛种植，其面积约为全国粮食播种面积的27%，其产量占总产量的1/3［1］。四川是中国13个粮食主产区之一，水稻种植面积约200万hm2左右，其中大部分分布于四川盆地丘陵地区。水稻种植面积及变化率是重要的农情信息之一，对国家粮食安全预警、宏观粮食经济决策具有重要意义。【前人研究进展】目前，使用遥感影像通过监督分类法提取水稻像元是估算水稻种植面积常用的方法。该方法的精度受影像分辨率、种植连片程度、地物大小造成的混合像元影响，种植结构破碎，混合像元比例高，会导致分类精度下降［2－5］。米级高分辨率的遥感影像能够准确地估算水稻种植面积，但影像覆盖面积小。因此目前大区域作物种植面积估算主要以覆盖面积大，重访周期短的5～30m中高分辨率遥感影像为主。【本研究切入点】Landsat8卫星于2013年2月11日发射，其采集到的影像免费向全球用户提供，其搭载的OLI(OperationalLandImager)所获取的数据在光谱、空间、时间分辨率等性能与早期TM、ETM+等数据有良好的继承，是目前作物种植面积估算采用的主要遥感数据。四川丘陵区水田普遍存在地块面积小、兼作等问题，OLI15～30m分辨率影像的解译精度受到影响，但目前鲜有分析评价丘陵区OLI影像估算水稻面积精度的研究。【拟解决的关键问题】因此该研究收集2016年四川丘区OLI影像进行解译，评价OLI影像在四川丘区水稻种植面积监测中的精度，为提高四川水稻种植面积监测精度提供参考。

　　1数据来源

　　1．1研究区概况

　　四川盆地中部为典型的方山丘陵区，地势低矮，海拔在250～600m，丘谷高差50～200m，地势由北向南倾斜，南部多浅丘，北部多深丘，为四川省丘陵集中分布区。研究区分别位于金堂县和三台县，具体区位详见图1(封三)。位于金堂县的研究区，坡度较缓，相对高差30～50m左右，呈波状起伏或岗丘形态，属于浅丘地形;位于三台县的研究区，坡度较大，相对高度在100～180m，属深丘地形。

　　1．2水稻样方种植面积调查

　　通过实地调查与GoogleEarth遥感影像解译确定样方内水稻种植面积。于2016年6月1－17日在四川省进行水稻种植面积野外调查，使用GPS实地定位，确定地面样方水稻种植面积，为建立解译标志。通过GoogleEarth查找，2016年7月15日有良好影像覆盖地面调查区域，结合野外实地调查，建立水稻、水体、植被、居民点、道路等解译标志，通过目视解译得到样方的水稻种植面积，各样方内水稻种植面积、图斑数及图斑平均面积见表1。浅丘区水稻图斑平均面积较深丘区的大。

　　2材料与方法

　　2．1影像预处理

　　OLI影像的预处理主要有影像的正射校正、数据融合。正射校正基于网格分辨率为30m的ASTEＲGDEM高程数据进行。数据融合采用GramSchmidt变换法，该法改进了主成分变化法中信息过于集中的问题，且不受波段数量限制，融合后影像保持了较好的空间纹理及光谱特征。通过将15m分辨率的全色影像与30m分辨率的多光谱影像进行数据融合，得到研究所需的15m分辨率的遥感影像。

　　2．2水稻遥感特征

　　2016年7月22日，研究区水稻移栽50d左右，水稻处于孕穗期，水稻冠层基本覆盖整个稻田，水稻遥感特征明显，易于与其他地物区分［6－8］。假彩色显示采用Ｒ5G6B7组合，即ＲGB分别对应OLI影像的第5～7波段。分析影像的色调、轮廓大小、阴影、图案、纹理、布局等多方面因素，建立OLI影像上水稻及其他重点地物的解译标志，根据解译标志确定目标地物的空间分布特征［9］。研究区内各典型地物遥感特征如图2(封三)，水稻呈深红色，并随丘谷地形分布呈树枝状，水体呈蓝黑色，其他植被呈橙色，居民地呈蓝白间杂的颜色，道路呈白色条带状。

　　4讨论

　　本研究通过地面调查与GoogleEarth影像解译获取的样方水稻种植面积数据评价了使用15mOLI融合影像基于监督分类方法监测四川丘陵地区水稻种植面积的精度。分析结果显示随着丘谷高差增大，地形趋于复杂、地块趋于狭长与破碎，OLI影像监测结果的不确定性增加，精度下降。为进一步提高丘区水稻种植面积估算精度，需使用更高空间分辨率的卫星遥感影像，如使用5m分辨率的Ｒapideye影像;或改变分类方法，本研究使用的最大似然分类法分类依据主要根据解译标志差异明显的3个波段信息，对其他光谱信息及先验知识的使用不足，如使用决策树分类，通过引入更多的先验知识可提高分类精度。另外为提高四川地区水稻面积监测结果的可信度，需在监测评价中需采用更合理的抽样方法，如分层抽样、依据地形类型抽样等;以降低平坝、浅丘、深丘等不同地形不同解译精度对监测造成的影响。

　　5结论

　　通过地面水稻样方调查和同生长季GoogleEarth影像解译获取浅丘区、深丘区样方内水稻种植面积，并以此结果评价基于最大似然分类法和15mOLI融合影像的川中丘陵的水稻种植面积监测结果。(1)基于最大似然分类法和OLI融合影像的川中丘陵的水稻种植面积监测精度平均约92%左右，误差范围大约1%～16%，监测结果存在较大不确定性。(2)随着丘谷高差增大，地形趋于复杂、地块趋于狭长与破碎，基于OLI影像的丘陵区水稻面积监测结果的不确定性增加，精度有下降趋势。

　　参考文献:

　　［1］程式华，李建．现代中国水稻［M］．北京:金盾出版社，2007:1－3．

　　［2］黄慧萍，吴炳方．地物大小、对象尺度、影像分辨率的关系分析［J］．遥感技术与应用，2006，21(3):243－248．

　　［3］张焕雪，李强子．空间分辨率对作物识别及种植面积估算的影响研究［J］．遥感信息，2014，29(2):36－42．

　　［4］蒋怡，李宗南，任国业，等．基于GF-1PMS影像的丘区柠檬种植面积遥感估算［J］．中国农业资源与区划，2016，37(11):50－55．

　　［5］张焕雪，李强子，文宁，等．农作物种植面积遥感估算的影响因素研究［J］．国土资源遥感，2015，27(4):54－61．

《基于OLI影像的四川丘陵地区水稻种植面积监测》

上一篇：蒙古东北部大豆气候适宜度等级及种植区划研究

下一篇：不同品种玉米种植密度对其农艺性状及产量的影响