遥感影像重新分类（遥感图像中田间小路的）
遥感影像重新分类（遥感图像中田间小路的）王磊 (1980—) 男 副教授 主要从事植被与生态遥感研究。E- mail:WL8999@163.com;李旭 (1995—) 男 硕士研究生 主要从事农业资源与环境研究。E-mail:754223109@qq.com ;关键字：水稻种植面积; 田间作业路; 混合像元分解; 高分一号卫星作者简介：
原标题：
水稻种植面积遥感提取中田间作业路的消除方法
摘要：
利用多时相遥感数据提取水稻种植面积是一种快速、高效的方法 但在高空间分辨率的遥感数据源中很难在一个作物物候期内获取多时相影像 高分一号卫星 (GF-1/WFV) 在16 m分辨率上实现了较高的时间分辨率 但由于存在混合像元 阈值分割尺度的设定会影响水稻面积提取精度。针对此类问题 混合像元分解模型可以有效排除异质地物的干扰。本文以GF-1/WFV遥感影像为数据源 选取银川平原水稻集中分布区破碎化程度不同且仅含有田间作业路和水稻的3个水稻样地作为实验区。首先 利用水稻分蘖期水体特征与孕穗期植被特征较为突出的特点 通过阈值法分类初步获取水稻的空间分布范围;然后在地表反射率遥感影像上选取田间作业路和水稻端元波谱曲线。结合线性混合像元分解模型 根据水稻丰度比例提取最终的种植面积。最后利用高空间分辨率的高分二号遥感影像对提取结果进行精度验证。结果表明 耦合两种方法提取水稻面积的面积精度为96. 33% 比阈值法提取水稻面积的精度提高了14. 63% 有效地排除了田间作业路对水稻面积提取精度的影响 为农作物种植面积信息的精确提取提供参考。
关键字：
水稻种植面积; 田间作业路; 混合像元分解; 高分一号卫星
作者简介：
李旭 (1995—) 男 硕士研究生 主要从事农业资源与环境研究。E-mail:754223109@qq.com ;
王磊 (1980—) 男 副教授 主要从事植被与生态遥感研究。E- mail:WL8999@163.com;
引用：
李旭，王磊，刘雅清，等.水稻种植面积遥感提取中田间作业路的消除方法 [J].水利水电技术，2019，50(1) : 192-198.
LI Xu，WANG Lei，LIU Yaqing，et al. Method of eliminating field operation road for remote sensing extraction of rice planting area [J].Water Ｒesources and Hydropower Engineering，2019，50(1) : 192-198.
正文
0 引言
水稻是我国三大粮食作物之一 约占全国粮食种植面积的30% 水稻产量对于保障国家粮食安全和农业生产方面具有重要的现实意义。随着水稻产品的市场化 水稻主产区逐渐呈扩大趋势 水稻的种植面积和空间分布格局受到一定的影响。因此 及时、准确地监测水稻种植面积显得尤为重要。
遥感技术因其监测面积广、时效快、成本低等特点 在获取农作物种植面积方面显示出高效、快捷、准确等优势 广泛应用于农作物信息提取。高分一号卫星 (简称GF-1卫星) 是我国高分辨率对地观测重大专项系统中的首颗卫星。GF-1卫星以其较高空间分辨率已为农业遥感监测提供大量数据源 游炯等[ 4 ]利用GF1/WFV数据改进多元纹理信息设计出一种小麦面积提取模式 有效提取出县域尺度的小麦种植面积。YANG等 基于两景GF-1/WFV数据利用水稻关键物候期的NDVI和NDWI构建水稻信息提取模式 能快速、高效地从影像中提取水稻信息。遥感技术的特点以及地表环境要素的复杂性决定了遥感影像的混合像元是一种普遍的客观存在。目前 混合像元是影响农作物面积提取精度的主要因素 特别是对地物边界处提取精度的影响更大。已有的研究中 采用混合像元分解法能有效提高农作物种植面积提取精度。王凯等基于GF-1/WFV影像利用决策树结合混合像元分解构建早期冬小麦面积提取模式 提取精度高达90%以上 能较准确提取破碎地区冬小麦种植面积;马孟莉等提出一种基于层次分类与混合像元分解相结合的水稻面积提取模式 较准确提取出如皋市水稻面积。
随着我国农业逐步实现机械化 农作物的播种、施肥、翻耕及收割等生产过程都是通过农业机械作业来完成。农业机械行驶的作业路位于水稻种植区的内部 (田间作业路) 及种植区之间 (乡镇柏油路) 。作业路与水稻交错的空间分布会对水稻面积提取精度产生影响 特别是在地类边界处误差更大。国内外对道路的研究主要集中在基于像元、面向对象、深度学习三类方法对遥感图像的道路提取 也有开展混合像元对水稻提取精度影响的研究 围绕中等分辨率遥感影像开展田间作业路消除方法的研究甚少。该研究以小空间尺度的样地为研究区 从田间作业路对水稻面积提取精度的影响进行研究 通过水稻典型物候期参数构建水稻面积提取模式初步获取种植范围 采用混合像元分解法消除作业路对提取结果的影响 有效提高了水稻种植面积的提取精度。
1 数据与方法1.1 研究区概况
在银川平原选取3个破碎化程度不同的样地作为研究区 样地依据其破碎化程度由小到大依次编号为YD1、YD2、YD3 如图1所示。银川平原 也称宁夏平原 位于宁夏回族自治区的北部 (105°45'—107°00'E 37°50'—39°20'N) 北靠石嘴山 南至青铜峡 西至贺兰山 东到鄂尔多斯台地 包括石嘴山、平罗县、贺兰县、青铜峡等地。银川平原位于中纬度区 属于温带季风气候 干旱少雨 日照充足 蒸发强烈 昼夜温差较大。水稻是宁夏最主要的经济作物之一 也是银川平原重要的粮食作物。水稻的物候期一般为4—10月 同时期的主要粮食作物有小麦、玉米、马铃薯等。
图1 样地空间分布
1.2 GF-1/WFV数据获取及预处理
GF-1/WFV数据下载于中国资源卫星中心网站 (http://www.cresda.com/) 该传感器的时间分辨率为4 d 空间分辨率为16 m 根据水稻物候期及云量覆盖条件 选取2017年3—10月的12景影像 覆盖水稻整个物候期 (见表1) 。GF-1/WFV数据预处理包括辐射定标、大气校正和几何精校正处理 全部过程在ENVI5.3软件下操作完成 误差控制在0.5个像元内。辐射定标采用的公式如下
式中 Lz (λz) 为波段中心波长为λz时传感器入瞳处的光谱辐射亮度值;Gain为定标斜率;DN为影像灰度值;Bias为定标截距;Gain及Bias都可从中国资源卫星中心网站获取 也可从GF-1/WFV影像自带的元数据中读取 。大气校正采用ENVI/FLAASH模块进行 用来减少大气散射产生的辐射误差。
表1 研究区GF-1/WFV遥感影像及水稻物候期
1.3 研究方法
选取水稻种植破碎化程度不同且仅含田间作业路和水稻的3个1.6 km×1.6 km样地作为研究区域 利用水稻关键物候期的植被特征 构建出水稻NDWI-NDVI阈值法来初步提取水稻分布范围;然后进行混合像元分解 得出水稻的丰度信息 进而根据水稻丰度比例准确提取水稻种植区域。最后 利用同时期高分辨率的高分二号影像对水稻种植区进行精度验证。
1.3.1 NDWI-NDVI阈值法初步提取水稻分布范围
利用遥感技术监测水稻的基本思路是 随着水稻生长发育 会出现水体特征为主、水体与作物特征并存、作物特征为主的变化特点 通过遥感数据及时获取这些信息 结合水稻特性相关指数 可以将水稻与其他类型作物特征差异最大化 从而实现水稻的精准识别 。因此 准确把握水稻与其他作物区别的关键时期是进行水稻有效提取的关键方面。归一化差异水体指数 (NDWI) 能较好地抑制植被信息 增强水体信息 广泛应用于影像中的水体提取 其公式为
式中 Green为绿光波段;NIR为近红外波段。在GF-1/WFV影像中 分别对应的是波段2和波段4。水稻处于分蘖期时 利用其完全被水覆盖显示水体的特性能够很好地区别其他地物 采用水稻的NDWI提取水稻的种植面积及分布范围。归一化植被指数 (NDVI) 是监测植被生长状态及空间分布密度的最佳指示因子 能反映出植物冠层的背景影响 在植被研究和种植面积提取方面得到广泛应用 。其公式如下
式中 NIR为近红外波段;Red为红光波段。在GF-1/WFV影像中 分别对应波段4和波段3。利用NDVI能进一步增强水稻与其他地物的差异性 提高水稻种植面积提取精度。
利用时间序列的NDVI指数可以快速高效地提取水稻种植面积 水稻在分蘖期的灌溉存在时间差异性 为了保证样地的水稻完全灌溉 对比分析5月6日、5月26日、6月16日3个时相的NDWI影像 可知水稻在2017年5月26日被水体完全覆盖;研究区水稻的物候期为4—10月 可得到水稻的NDVI时间序列数据 (见图2) 水稻NDVI最大值的时期为2017年8月4日 此时水稻处于孕穗期。
图2 水稻NDVI时间序列
将分蘖期与孕穗期的NDWI与NDVI值相加 使水稻与其他地物的差异性更明显 通过野外验证点数据计算水稻提取精度 当精度达到最大时 阈值在0.566～1.174之间 可初步提取出水稻的空间分布 (见图3) 。
图3 水稻空间分布 (阈值法)
1.3.2 混合像元分解
线性光谱混合模型 (linear spectral mixture model LSMM) 是将遥感图像中单个像元内所包含的各类地物的比例及其光谱响应利用一种线性关系来表达 其公式如下
式中 Rsv为第s像元在第v波段中的光谱反射率;fks为s像元在第k个端元组分所占的比例;Wkv为第v波段中第k个基本组分的光谱反射率;esv为残余误差值 并且
该算法是利用最小二乘法的原理进行求解 采用最小的均方根误差 (root mean square RMS) 来评价结果的可适性。若RMS较大 说明线性光谱混合模型适用错误 或者选取了错误端元地类。利用无约束的线性光谱混合模型经常会出现负值的情况 为了解决此类问题 采用完全约束的线性光谱混合模型进行计算。混合像元分解可以根据物质的波谱特征获取端元波谱的丰度图像 图像的像元值表示端元波谱在这个像元波谱中所占的比例。
运用混合像元线性分解算法的关键在于端元波谱的选取。此处选取5月26日定标后的影像 分蘖期的水稻经过灌溉被水体完全覆盖表现出水体特征为主的特点。首先采用最小噪声分离变换 (minimum noise fraction MNF) 判别定标后影像数据的内在维数 分离出噪声波段。在变换后得到的MNF特征曲线中 特征值越高 代表信息量越丰富。然后对其计算纯净像元指数 (pixel purity index PPI) 提取影像中的高纯度像元。纯净像元通过N维可视化 剔除游离像元点 同类端元聚集 求取同类端元的反射率。最后得到水稻与田间作业路的波谱曲线。
由于GF-1/WFV影像单个像元的空间分辨率为16 m 作业路很可能与水体混合 影响纯净作业路波谱曲线的提取。因此选取2017年3月26日影像进一步对田间作业路的波谱曲线进行验证 该时相的水稻种植区都为空土地 该空地与田间作业路的波谱相同 将空地与N维可视化后获取的波谱进行对比修正 确定出田间作业路的波谱曲线。
1.3.3 最终提取结果的精度评价
大多数学者通过实测面积或官方统计数据对农作物面积提取进行验证。由于选取的3个样地空间尺度较小 且受限于调查者的可达性 难以获得实测数据 故选取较高空间分辨率的影像对低分辨率影像进行验证。GF-1/WFV影像的空间分辨率为16 m 因此需用一个更高分辨率的影像作为参照 本文选取同时期高分二号 (GF-2) 遥感影像作为参照 其空间分辨率为4 m 重访时间为5 d[ 20 ]。利用GF-2遥感数据 采用人工目视解译方法提取3个样地水稻种植面积 主要是对影像中的水稻种植区进行目视判别并结合野外验证点数据 通过ArcGIS10.2软件平台的数字化方式获取水稻种植区矢量边界 YD1、YD2、YD3目视解译提取水稻面积分别为1.971 hm2、1.967 hm2、1.292 hm2。在此以GF-2影像人工目视解译结果作为实际地表情况 从而作为标准数据对混合像元分解的结果进行评估。
2 结果与分析2.1 基于阈值法的水稻种植面积初步提取结果
图4为基于阈值法的3个样地水稻面积初步提取结果 YD1、YD2、YD3中的水稻面积分别为2.374hm2、2.331 hm2、1.498 hm2。利用GF-2影像的水稻提取结果对阈值法提取水稻面积进行精度验证 (见表2) 。
图4 基于阈值法的3个样地水稻面积初步提取结果
从阈值法的提取结果可知 YD1、YD2的水稻种植面积监测精度为79.55%、81.49% 相差不大;YD3的水稻面积监测精度为84.06% 通过对比3个样地的破碎化程度和水稻种植分布范围 可知造成YD1、YD2提取面积精度较低的主要原因是水稻与田间作业路像元发生混合 在运用阈值算法设定水稻分割阈值时 地物类型转变的过渡性范围较大 丰度较小的像元也会分成水稻。
阈值法的提取结果表明 水稻面积的监测精度随着种植面积破碎化程度的增加而增大 破碎化最小的YD1面积精度为79.55% 破碎化最大的YD3面积精度为84.06%。
2.2 水稻丰度及其直方图
通过混合像元分解模型分解初步提取水稻分布结果 获得水稻端元组分丰度图 (见图5) 对3个样地的水稻端元进行误差累计统计分析 误差平均值分别为0.016、0.012、0.014 表明混合像元分解能够有效区分水稻与田间作业路 且水稻分类结果比较准确。
图5 阈值法结合混合像元分解模型的3个样地水稻丰度图
水稻的丰度图表明 像元的丰度值越大 表明像元中水稻的比例越高。水稻主要分布在种植区的内部 在种植区之间的边界上较少。将水稻提取结果与阈值法提取结果对比分析 发现第二次处理后的水稻面积进一步缩小了种植范围 同时它大致的分布范围与阈值法提取的空间范围基本一致 所以混合像元分解法可以解决水稻与田间作业路混分的问题 从而得到了比较准确的水稻种植面积及空间分布范围。
利用水稻丰度图可得出水稻丰度直方图 (见图6) 、不同丰度像元数量分布表 (见表3) 依据水稻丰度像元数量分布结果 3个样地水稻像元数量接近于高斯分布 像元数量从丰度为0.6后开始逐渐增多 表明影像中水稻比例大于0.6的像元开始被分成水稻。丰度为1的像元数量较多 主要原因是样地为水稻种植的集中分布区 纯净水稻的像元较多 而且田间作业路规则分布在稻田的周围 很少与水稻形成混合像元。丰度像元数量百分比结果表明 样地中的绝大部分像元丰度在0.8到1之间 且该区间的像元比例呈现出随着水稻种植区破碎化的加大而增多的趋势 破碎化最小的YD1为72.14% 破碎化最大的YD3为88.17% 比YD2的像元比例少0.5% 主要原因是YD2与YD3的破碎化程度差异不明显 导致像元比例大致相同。
图6 3个样地水稻丰度像元统计直方图
2.3 基于阈值法结合混合像元分解模型的水稻种植面积提取结果
根据YD1、YD2、YD3的水稻丰度算出种植面积分别为2.044 hm 、2.055 hm 、1.354 hm 利用同期的GF-2影像水稻提取结果进行精度验证 结果 (见表4) 表明 YD1、YD2、YD3的水稻提取面积精度均在95%以上 提取效果较为理想。
分析两种方法的水稻面积提取结果 (见表5) 阈值法提取水稻面积平均面积精度为81.7% 采用两种方法相结合提取出相同区域的平均面积精度为96.33% 第二种方法比第一种方法平均面积精度提高了14.63%。
整体来看 基于GF-1/WFV影像数据 采用NDWI-NDVI的阈值法与混合像元分解模型相结合的方法 对样地水稻种植面积的提取效果较为理想。
3 结论本文提出了遥感影像提取水稻面积中消除田间作业路的方法 选取GF-1/WFV影像为数据源 以3个样地为研究区 采用典型物候期的NDWI与NDVI相结合的阈值法初步提取水稻种植面积 利用混合像元分解消除作业路对水稻面积提取的影响 进一步提高解译精度。主要结论如下:
(1) 阈值法结合混合像元分解模型可以消除田间作业路对水稻提取的影响 提高种植面积的解译精度。阈值法快速、高效 混合像元分解可以从单个混合像元中消除田间作业路对水稻提取精度的干扰。将这两种方法相结合 不仅可以提高解译速度 还能进一步提高精度。水稻提取面积精度高达96.33% 说明该方法能有效地排除田间作业路对水稻面积提取的干扰。
(2) 水稻适合在分蘖期与孕穗期进行遥感监测工作。水稻处于分蘖期表现为水体为主的特性 孕穗期是水稻物候期内NDVI数值较大的时期 将分蘖期的NDWI与孕穗期的NDVI相结合 可以很好地将水稻与其他地物区分。
基于NDWI-NDVI阈值法的阈值设定会对分类精度产生较大影响 特别是过渡性变化区间较大时 下一步可以利用模糊性数学对过渡区间分析来计算地物分类的分割阈值;另外 选取的研究区为1.6 km×1.6 km的样地 空间尺度较小 在实际水稻面积监测中可行性较低 下一步可以选取更大尺度的区域作为研究区 进一步提高该方法的实用性。
基金项目：
国家重点研发计划 (2016YFC0501307/4-04);
宁夏高等学校科学研究项目 (NGY2016010);
宁夏自然科学基金 (NZ16022);
宁夏西部一流学科建设项目 (NXYLXK2017B06);
水利水电技术
水利部《水利水电技术》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。
