鄭璐悅，許童羽，2，*，周云成，2，杜 文

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)，信息與電氣工程學(xué)院，遼寧 沈陽(yáng) 110866； 2.遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽(yáng) 110866)

浙江農(nóng)業(yè)學(xué)報(bào)ActaAgriculturaeZhejiangensis， 2017，29(10): 1749-1758

鄭璐悅，許童羽，周云成，等. 基于Landsat 8 OLI遙感影像的沈陽(yáng)市水稻種植面積提取方法[J].浙江農(nóng)業(yè)學(xué)報(bào)，2017，29(10)： 1749-1758.

10.3969/j.issn.1004-1524.2017.10.22

2017-04-06

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFD020060307)

鄭璐悅(1993—)，女，河北唐山人，碩士研究生，從事計(jì)算機(jī)應(yīng)用方面研究。E-mail: 153413544@qq.com

*通信作者，許童羽，E-mail：yatongmu@163.com

基于Landsat 8 OLI遙感影像的沈陽(yáng)市水稻種植面積提取方法

鄭璐悅1，許童羽1，2，*，周云成1，2，杜 文1

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)，信息與電氣工程學(xué)院，遼寧 沈陽(yáng) 110866； 2.遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽(yáng) 110866)

為了深入研究遙感數(shù)據(jù)及提取方法對(duì)估算水稻種植面積的可行性，以Landsat 8 OLI影像為數(shù)據(jù)源，運(yùn)用ENVI5.1的軟件平臺(tái)，對(duì)沈陽(yáng)市2015年6—9月水稻長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，并最終提取其種植面積。根據(jù)實(shí)地調(diào)查樣本，通過(guò)分析各地物的光譜特性曲線、歸一化植被指數(shù)均值特征及遙感影像成像特點(diǎn)，確定了以波段6、波段5、波段2對(duì)圖像進(jìn)行偽彩色合成。對(duì)合成后的圖像，分時(shí)段設(shè)計(jì)了三組不同樣本點(diǎn)數(shù)量的對(duì)比實(shí)驗(yàn)，樣本數(shù)量分別為100、150、200個(gè)，采用混合像元的方式，確定了水稻的采集樣本點(diǎn)，用變換分散度和J-M距離對(duì)各個(gè)樣本間的可分離性進(jìn)行檢驗(yàn)，采用支持向量機(jī)的分類方法對(duì)各樣本進(jìn)行分類，最后以Majority/Minority 分析方法對(duì)提取的結(jié)果進(jìn)行分類后處理，建立了不同的水稻面積提取模型。結(jié)果顯示，6月、7月、9月中200個(gè)樣本點(diǎn)的實(shí)驗(yàn)提取結(jié)果均較為準(zhǔn)確，提取面積分別為1 032.044 8、1 201.125 9和1 180.685 5 km2，參考《沈陽(yáng)統(tǒng)計(jì)年鑒2015》對(duì)提取結(jié)果進(jìn)行評(píng)價(jià)，精度分別為94.73%、89.75%和91.62%。試驗(yàn)表明，Landsat 8 OLI遙感數(shù)據(jù)可準(zhǔn)確提取沈陽(yáng)市水稻種植面積，為綜合多源數(shù)據(jù)對(duì)水稻進(jìn)行種植監(jiān)測(cè)奠定基礎(chǔ)。

沈陽(yáng)市；水稻；支持向量機(jī)；Landsat 8 OLI數(shù)據(jù)

水稻是我國(guó)的主要農(nóng)作物之一，在我國(guó)糧食生產(chǎn)中占有舉足輕重的地位[1-3]。遼寧省水稻種植面積占全國(guó)的10%，沈陽(yáng)市水稻種植面積占遼寧省水稻總面積的21.5%[4]。如何獲取水稻的種植面積和產(chǎn)量，對(duì)監(jiān)測(cè)其生長(zhǎng)狀況和估算水稻稻米價(jià)格等有重要的參考價(jià)值。相對(duì)于常規(guī)的農(nóng)業(yè)統(tǒng)計(jì)方法，利用遙感技術(shù)對(duì)水稻面積進(jìn)行估算具有宏觀性、綜合性、時(shí)效性和動(dòng)態(tài)性等獨(dú)特優(yōu)勢(shì)，其提取的結(jié)果豐富，但成本比傳統(tǒng)方法低，不僅可以有效估算農(nóng)作物種植面積，還可以確定其空間分布位置[5]。

國(guó)內(nèi)外學(xué)者對(duì)如何利用遙感影像獲取農(nóng)作物信息展開了諸多研究。Sakamoto等[6]利用MODIS影像，通過(guò)分析時(shí)間序列數(shù)據(jù)，有效地提取了日本水稻物候期，取得了精確的結(jié)果。Xiao等[7]通過(guò)計(jì)算NDVI、LSWI和EVI等植被指數(shù)，對(duì)中國(guó)南部和東南亞的水稻種植面積進(jìn)行提取，取得較好結(jié)果。Wardlow等[8]通過(guò)分析時(shí)序NDVI數(shù)據(jù)，對(duì)MODIS影像進(jìn)行處理，獲得了美國(guó)中部大平原地區(qū)的作物分類信息。黃敬峰等[9]證實(shí)，在分類過(guò)程中，關(guān)鍵步驟為感興趣區(qū)域(ROI)的選擇及分類后精度的檢驗(yàn)。陳樹輝等[10]采用混合像元并選取線性光譜混合模型對(duì)河南省息縣的水稻進(jìn)行面積提取，取得較好結(jié)果。李石等[4]采用監(jiān)督分類的方法，結(jié)合水稻的不同生長(zhǎng)發(fā)育階段的特點(diǎn)，準(zhǔn)確地估測(cè)了沈陽(yáng)市水稻的種植面積，精度達(dá)92%。陳劉鳳等[11]基于Landsat 8 OLI數(shù)據(jù)，采用非監(jiān)督分類、監(jiān)督分類和NDVI剔除法相結(jié)合的方法，準(zhǔn)確地提取了甘蔗的種植面積信息，總精度達(dá)86.36%。隨著遙感技術(shù)的不斷發(fā)展，各國(guó)利用衛(wèi)星遙感數(shù)據(jù)進(jìn)行水稻面積估算方面得到很大進(jìn)步，由此可見(jiàn)，遙感技術(shù)在農(nóng)業(yè)生產(chǎn)管理的決策上起到了重要作用。

本文以遼寧省沈陽(yáng)市為研究區(qū)域，以2015年6—9月Landsat 8 OLI影像為數(shù)據(jù)源，通過(guò)實(shí)地考查，并結(jié)合水稻的光譜特征、歸一化植被指數(shù)特征及偽彩色合成圖像[12-13]的特點(diǎn)，采用支持向量機(jī)的分類方法，Majority/Minority 方法的分類后處理方法，有效地提取了水稻種植面積。在分類過(guò)程中，本文對(duì)研究區(qū)分時(shí)段分別設(shè)計(jì)了三組不同數(shù)量樣本點(diǎn)的對(duì)比實(shí)驗(yàn)，建立了不同的分類模型，并以《沈陽(yáng)市統(tǒng)計(jì)年鑒2015》為參考依據(jù)，對(duì)提取結(jié)果進(jìn)行精度評(píng)價(jià)，為進(jìn)一步綜合利用多源數(shù)據(jù)對(duì)水稻種植遙感監(jiān)測(cè)奠定基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)概況

沈陽(yáng)市簡(jiǎn)稱沈，遼寧省省會(huì)及最大城市，位于東北平原南緣，南連遼東半島，北依長(zhǎng)白山，是東北地區(qū)和環(huán)渤海地區(qū)的重要紐帶，地處東經(jīng)122°25′～123°48′，北緯41°11′～43°2′，面積約1.3萬(wàn)km2，其中耕地占52%。沈陽(yáng)市多為平原，山地和丘陵則分布在其東南部，主要河流有遼河、渾河、秀水河等，全年氣溫在-35～36 ℃，平均氣溫8.3 ℃，全年降水量500 mm，無(wú)霜期183 d。該地區(qū)屬溫帶半濕潤(rùn)大陸性氣候，由于受季風(fēng)的影響，降水比較集中、四季分明，春秋兩季氣溫變化迅速，春季多風(fēng)，秋季晴朗，主要種植的作物有水稻、玉米等[4，14]。

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 數(shù)據(jù)源

采用Landsat 8 OLI影像為數(shù)據(jù)源，下載自美國(guó)USGS網(wǎng)站(http://glovis.usgs.gov/)，空間分辨率為30 m，其具體參數(shù)設(shè)置見(jiàn)文獻(xiàn)[15]。本文選用條帶號(hào)為119，行編號(hào)為30-31，2015年6—9月的遙感影像，研究波段共7個(gè)，即Coastal earosol、B、G、R、NIR、SWIR1、SWIR2 。使用軟件為ENVI5.1。

1.2.2 預(yù)處理

(1)輻射定標(biāo)及大氣校正。輻射定標(biāo)轉(zhuǎn)換的是傳感器記錄的DN值，將其轉(zhuǎn)換成具有實(shí)際物理意義的大氣頂層輻射亮度或反射率。而大氣校正就是消除在成像過(guò)程中由大氣散射引起的輻射誤差[15]。本文使用Radiometric Calibration工具進(jìn)行輻射定標(biāo)，使用FLSAASH Atmospheric Correction工具進(jìn)行大氣校正，用Spectral工具查看波譜曲線。以2015年7月9日獲取的影像為例。由圖1可知，通過(guò)選取典型的植物樣本，觀察校正前后光譜值?？梢?jiàn)在校正后的光譜特性曲線中在藍(lán)光波段(0.45～0.51 μm)出現(xiàn)明顯的低谷，綠色(0.53～0.59 μm)有反射峰，紅色(0.64～0.67 μm)有個(gè)反射谷，在近紅外(0.85～0.88 μm)有個(gè)非常高的反射峰，非常符合植被波譜特征[15-16]，可見(jiàn)校正后植被信息更接近其真實(shí)的光譜特性。

圖1 原始影像及校正后影像Fig.1 Original image and the corrected image

(2)圖像鑲嵌及裁剪。圖像鑲嵌是指將不同影像幾何糾正到統(tǒng)一坐標(biāo)系下，將多幅相鄰的圖像拼成一幅無(wú)縫隙且大范圍的圖像[17]。由于鑲嵌的遙感影像范圍超過(guò)研究區(qū)范圍，因此需要對(duì)遙感影像進(jìn)行恰當(dāng)?shù)目臻g裁剪，保證經(jīng)過(guò)裁剪后的遙感影像大小范圍和位置與研究區(qū)相同。本文使用Mosaicking/Seamless Mosaic工具進(jìn)行圖像鑲嵌，再將代表區(qū)劃邊界的矢量多邊形轉(zhuǎn)換成柵格圖像文件，然后通過(guò)掩膜運(yùn)算實(shí)現(xiàn)圖像不規(guī)則裁剪，產(chǎn)生研究區(qū)的遙感影像，如圖2、圖3所示。

6月份云含量約為5%，主要分布在沈陽(yáng)市西部，即新民市、法庫(kù)縣西部；7月份云含量為0；8月份云含量約為45%；9月份云含量約為8%，主要分布在新民市。其中8月份云含量大于20%，即使采用去云處理，云含量仍對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生較大的影響，因此之后不對(duì)8月份的數(shù)據(jù)進(jìn)行研究。

2 研究方法

2.1主要地物的光譜特性曲線和歸一化植被指數(shù)

根據(jù)實(shí)地GPS調(diào)查樣點(diǎn)資料，結(jié)合遙感影像的特征以及植被的生長(zhǎng)變化時(shí)期，選擇水體、水稻、其他植被、裸地、山地、建筑為研究區(qū)主要地物，依據(jù)統(tǒng)計(jì)結(jié)果繪制光譜特性曲線和歸一化植被指數(shù)(NDVI)均值曲線，如圖4、圖5。從圖4可知，在可見(jiàn)光B1-B4波段上，裸地光譜反射強(qiáng)度略高，其他地物光譜強(qiáng)度相近且都小于1 500；在近紅外B5波段上，其他植被反射強(qiáng)度最高，達(dá)5 000以上，水稻反射強(qiáng)度其次，達(dá)3 000；在短波紅外B6-B7波段上，水體和建筑光譜強(qiáng)度變化不大，其他地物均呈下降趨勢(shì)，且在B5-B6波段其他植被下降最明顯，水稻其次。

圖2影像鑲嵌結(jié)果

Fig.2Results of image mosaic

圖3影像剪裁結(jié)果

Fig.3Results of image cropping

A, 6月份主要地物光譜特性曲線; B, 7月份主要地物光譜特性曲線; C, 9月份主要地物光譜特性曲線A, Spectral characteristics of main ground objects in June; B, Spectral characteristics of main ground objects in July; C, Spectral characteristics of main ground objects in September圖4 主要地物的光譜特性曲線Fig.4 The spectral characteristic curves of main ground objects in difference months

由圖5可知，水體的NDVI值均在0以下，易于區(qū)分；建筑、山地與裸地的NDVI值變化不大，說(shuō)明6—9月份此區(qū)域植被變化不多；其他植被NDVI值下降，說(shuō)明其植被覆蓋率正在降低，此植物可能為玉米、大豆等[4，18]；水稻的NDVI值不斷上升，說(shuō)明其覆蓋率不斷上升，原因是6月份水稻正處于移栽期后期，水田既包含水體的信息也包含植被信息，這是水稻區(qū)別于其他植被的特殊時(shí)期，而7月份、9月份水稻分別處于孕穗期和成熟期[4]，其NDVI值不斷上升。

圖5 主要地物的歸一化植被指數(shù)均值Fig.5 NDVI curves of main ground objects

2.2 最佳波段組合選擇

遙感影像記錄的是光譜帶的電磁波能量，但是記錄的地物的灰度值不利于從影像直接識(shí)別和區(qū)分，而通過(guò)改變影像的灰度結(jié)構(gòu)，可以增加地物的識(shí)別度，便于學(xué)者研究[19]。已有前期研究表明，在Landsat 8的OLI陸地成像儀中，波段6、5、2的組合對(duì)監(jiān)測(cè)農(nóng)作物很有效，農(nóng)作物在影像中顯示為高亮的綠色，裸地為品紅色，休耕地為很弱的墨綠色[20]。又依圖4可知，在B2波段，可區(qū)分裸地與山地，在B5波段可區(qū)分水稻與其他植被，在B5-B6波段，可區(qū)分植被與非植被。故本文以波段6、5、2為最佳波段組合，合成偽彩色圖像并進(jìn)行進(jìn)一步研究。

2.3 樣本采集

基于沈陽(yáng)市水稻分布情況，在合成的圖像上獲取ROI，創(chuàng)建感興趣區(qū)，分別對(duì)水稻選取100個(gè)(組1)、150個(gè)(組2)、200個(gè)(組3)樣本點(diǎn)，并對(duì)6月、7月、9月的影像進(jìn)行分析。具體各類地物樣本選取的個(gè)數(shù)如表1所示。

2.4 類別可分離性分析

本文采用變換分散度(Transformed divergence)和J-M距離(Jeffries-Matusita)來(lái)計(jì)算各地物之間的統(tǒng)計(jì)距離，再根據(jù)距離來(lái)確定兩個(gè)地物間的差異性程度。

2.4.1 變換分散度

分散度可以利用監(jiān)督分類訓(xùn)練過(guò)程中所得各類光譜的均值和協(xié)方差來(lái)計(jì)算，以水稻(rice)和水(water)為例，這兩類地物間的分散度計(jì)算公式如下：

(1)

若存在兩個(gè)差異性較大的樣本，則所有類別樣本的平均分散度會(huì)增加，這會(huì)誤導(dǎo)研究學(xué)者將次佳的特征子集當(dāng)做最佳子集，因此有必要計(jì)算變換分散度：

(2)

在ENVI5.1中使用該度量參數(shù)進(jìn)行判別，其參數(shù)值在0～2.0，相應(yīng)地，上述公式變?yōu)椋?/p>

(3)

2.4.2 J-M距離

Bhattacharya距離：兩個(gè)隨機(jī)分布特征之間距離的公共度量。如果兩個(gè)隨機(jī)分布的概率密度函數(shù)為p1(x)、p2(x)。則：

(4)

假設(shè)這些樣本類別符合正態(tài)分布，則對(duì)于大小為n1，n2的類別C1，C2，具有均值m1，m2和標(biāo)準(zhǔn)差σ1，σ2，有：

(5)

B值的分布處于半開區(qū)間[0，∞)。而引入一種變換后，B值的分布范圍會(huì)具體到[0，2]的閉區(qū)間，這一變換稱為Jeffries-Matusita距離度量，簡(jiǎn)稱J-M距離：

J=2(1-e-Β)。

(6)

在ENVI5.1中，可用ROI Separability Report工具計(jì)算Transformed divergence、Jeffries-Matusita參數(shù)值。當(dāng)參數(shù)值大于1.9時(shí)，說(shuō)明所選擇的感興趣區(qū)域分離性較好；當(dāng)參數(shù)值小于1時(shí)，考慮將兩類樣本合并成一個(gè)樣本；當(dāng)參數(shù)值小于1.8時(shí)，需重新獲取感興趣區(qū)域來(lái)提高分離性；反復(fù)提取樣本直至分離性達(dá)到標(biāo)準(zhǔn)為止[14]。

如表2所示，以7月份處理裁剪后的OLI影像為例，水稻與水體的兩個(gè)參數(shù)的值分別為1.999 5、2.000 0；水稻與山地的兩個(gè)參數(shù)值分別為1.832 1、1.837 0；水稻與建筑的兩個(gè)參數(shù)的值分別為1.967 8、2. 000 0；水稻與裸地的兩個(gè)參數(shù)值分別為1.995 2、2. 000 0；水稻與其他植被的兩個(gè)參數(shù)值分別為1.918 8、1.999 0，以上參數(shù)值均符合樣本評(píng)價(jià)要求，所以這組選取的樣本點(diǎn)合格。

表1研究區(qū)各類地物樣本選取狀況

Table1The selection of various types of soil samples in the study area

實(shí)驗(yàn)組編號(hào)Groupnumber水體Water水稻Rice其他植被Otherplants裸地Bareland山地Mountain建筑Building合計(jì)Total組1Group192100100504652440組2Group214715015210091101736組3Group3192200204120100130946

表2類別可分離性計(jì)算報(bào)表

Table2Category separability calculation report

項(xiàng)目Item水體Water變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水稻Rice變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita其他植被Otherplants變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水體Water——19995200002000020000水稻Rice1999520000——1918819990其他植被Otherplants20000200001918820000——裸地Bareland200002000019952200001999520000山地Mountain199712000018321183711842020000建筑Building198712000019678200001998620000項(xiàng)目Item裸地Bareland變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita山地Mountain變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita建筑Building變換分散度TransformeddivergenceJ?M距離Jeffries?Matusita水體Water200002000019971200001987120000水稻Rice199522000018321183711967820000其他植被Otherplants199952000018420198321998920000裸地Bareland——19815199991934319990山地Mountain1981519999——1930120000建筑Building19343199901930120000——

2.5 基于支持向量機(jī)的分類方法

支持向量機(jī)(SVM)是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)原理基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法[21]。此方法根據(jù)有限的樣本信息，在建立模型時(shí)尋求一個(gè)最佳的分類使其能將樣本的分類空隔最大且將錯(cuò)誤率降到最低[22]，在本文中以波段6、波段5、波段2合成的偽彩色圖像中，以各波段光譜值為輸入，對(duì)處理后的分量進(jìn)行歸一化處理，用于SVM分類器訓(xùn)練。

以6月份為例，三個(gè)實(shí)驗(yàn)組的提取結(jié)果如圖6所示，分析可知，沈陽(yáng)市水稻主要種植在西南部，多為平原地區(qū)，部分沿河流及湖泊分布。北部主要種植其他植物，東南部為城市及山地。分析對(duì)比可知，采用組1提取的水稻分布相對(duì)較為分散，提取的面積大，但由于樣本點(diǎn)過(guò)少，提取精度不高，其中可能摻雜水草、林地、其他植被等。組3提取結(jié)果中顯示水稻面積比組1少，分布相對(duì)集中，提取的水稻中其他地物較少。

A. 組1 B. 組2 C. 組3A. Group 1 B. Group 2 C. Group 3圖6 6月份三組實(shí)驗(yàn)各地物提取結(jié)果Fig.6 The results of the extraction of three experiments in June

2.6 分類后處理

采用支持向量機(jī)方法分類后，分類結(jié)果中不可避免地會(huì)產(chǎn)生一些面積很小的斑塊，本文采用Majority/Minority 分析方法對(duì)這些小斑塊進(jìn)行剔除或重新分類。Majority/Minority 分析采用類似于卷積濾波的方法將較大類別中的虛假像元?dú)w到該類中，定義一個(gè)變換核尺寸。主要分析(Majority analysis)用變換核中占主要地位(像元數(shù)最多)的像元類別代替中心像元的類別。次要分析(Minority analysis)是用變換核中占次要地位(像元數(shù)最少)的像元的類別代替中心像元的類別[23]。如圖7所示，經(jīng)過(guò)處理后影像中圖面變得光滑，小斑塊得到了有效地剔除。

3 結(jié)果分析及精度評(píng)價(jià)

A.斑塊去除前; B.斑塊去除后A.Before removal; B. After removal圖7 斑塊去除對(duì)比結(jié)果Fig.7 Comparison of plaque removal results

為了很好地顯示水稻的分布情況，特將其他地物去掉，只留下水稻進(jìn)行觀察，如圖8所示，可以很清楚地發(fā)現(xiàn)沈陽(yáng)市水稻主要分布在中南部地區(qū)，如沈北新區(qū)西北部、于洪區(qū)北部、新民市東南部、蘇家屯區(qū)西部及遼中區(qū)大部分區(qū)域，其他各縣區(qū)也有少量分布。水稻分布狀況與水稻識(shí)別精度有很大關(guān)聯(lián)，水稻分布越集中，識(shí)別的精度越高，相反的，水稻分布越散，其識(shí)別精度越低。沈陽(yáng)市中部及西南部，水稻分布則相對(duì)集中，而在北部的水稻分布較為分散，在分類后處理環(huán)節(jié)很可能將其與其他地物合并。因此，需要進(jìn)一步研究水稻分布較散的地區(qū)的水稻面積提取方法。

A. 組1 B. 組2 C. 組3A. Group 1 B. Group 2 C. Group 3圖8 6月份三組實(shí)驗(yàn)提取水稻分布圖Fig.8 Rice distribution of three experiments in June

參照《沈陽(yáng)市統(tǒng)計(jì)年鑒2015》可知，沈陽(yáng)市農(nóng)作物播種總面積為6 587.5 km2，水稻種植面積為1 089.44 km2。經(jīng)計(jì)算可得提取誤差，其結(jié)果如表3。

從表3中可知，6月份組3、7月份組3和9月份組3提取的面積較為準(zhǔn)確，其誤差分別為5.27%、10.25%和8.38%，所提取出來(lái)的面積分別為1 032.044 8、1 201.125 9和1 180.685 5 km2，與《沈陽(yáng)市統(tǒng)計(jì)年鑒2015》統(tǒng)計(jì)的水稻種植面積相差分別為57.395 2、111.685 9和91.245 5 km2。

6月份組1統(tǒng)計(jì)結(jié)果與標(biāo)準(zhǔn)值相差較多，可能是因?yàn)檫x取的樣本點(diǎn)過(guò)少，導(dǎo)致學(xué)習(xí)樣本過(guò)少，或者6月份成像時(shí)存在少量云且水稻苗較小，影響了實(shí)驗(yàn)數(shù)據(jù)，并且在6月份有一部分水稻處于移栽期，在選取樣本點(diǎn)的過(guò)程中可能選取了一部分水體，從而影響了提取結(jié)果的準(zhǔn)確度。

由于實(shí)驗(yàn)采用30 m分辨率的Landsat 8衛(wèi)星數(shù)據(jù)，每個(gè)像元為900 m2，而稻田面積可能低于900 m2，所以稻田中存在的道路、溝渠等地物由于面積過(guò)小而淹沒(méi)在稻田中，并且在水稻與水體或土壤的交界處，會(huì)存在一些類似水稻的水生或陸地植物，致統(tǒng)計(jì)數(shù)據(jù)偏大，可能存在一定誤差。

表3水稻面積提取結(jié)果及精度評(píng)價(jià)表

Table3Rice area extraction results and accuracy evaluation

時(shí)間Time樣本點(diǎn)數(shù)量Numberofsamplepoints提取水稻面積Areaofrice/km2面積差Deviationofarea/km2誤差Error/%6月份組1Group11245397415595741432June組2Group21215034812559481153組3Group2103204485739525277月份組1Group11231092014165201300July組2Group21215882912644291161組3Group212011259111685910259月份組1Group11235446314600631340September組2Group21221479613203961212組3Group311806855912455838

4 結(jié)論

本次沈陽(yáng)市水稻種植面積提取實(shí)驗(yàn)中，結(jié)合Landsat 8 OLI影像的成像特點(diǎn)，通過(guò)分析水稻和其他地物的光譜特征及NDVI均值，采用基于支持向量機(jī)的分類方法，實(shí)現(xiàn)了大尺度水稻種植面積的遙感提取。

在研究過(guò)程中有以下結(jié)論：(1)采用基于光譜特性曲線、歸一化植被指數(shù)和偽彩色圖像合成等規(guī)則的分類方法，在3組不同數(shù)量樣本點(diǎn)的對(duì)比實(shí)驗(yàn)中，6月份200點(diǎn)組提取的面積最為準(zhǔn)確，所提取的面積為1 032.044 8 km2，精度達(dá)94.73%。(2)在3組不同數(shù)量樣本點(diǎn)的對(duì)比實(shí)驗(yàn)中，提取結(jié)果均顯示樣本點(diǎn)數(shù)量越多，提取精確越高。(3)采用混合像元來(lái)采集樣本點(diǎn)，從分類結(jié)果中可以看出，混合像元選取法可以更好地表達(dá)地物之間的真實(shí)分布，使其分類結(jié)果更接近實(shí)際情況。實(shí)驗(yàn)證明了采用混合像元、選取200個(gè)實(shí)驗(yàn)點(diǎn)，并采用支持向量機(jī)方法提取水稻面積的可行性。(4)本文分別對(duì)6月、7月、9月3個(gè)時(shí)段進(jìn)行了3組不同數(shù)量樣本點(diǎn)的實(shí)驗(yàn)，更加精準(zhǔn)地提取了水稻面積，避免了由于樣本點(diǎn)采集數(shù)量不準(zhǔn)確而造成的誤差。3個(gè)時(shí)段的影像可以綜合不同時(shí)期的水稻生長(zhǎng)及分布特點(diǎn)，有效地提高了結(jié)果的準(zhǔn)確度，是估算水稻種植面積的一個(gè)比較有效的方法。

[1] 李志鵬，劉珍環(huán)，李正國(guó)，等. 水稻空間分布遙感提取研究進(jìn)展與展望[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2014，35 (6):9-18.

LI Z P， LIU Z H， LI Z G， et al. Progress and prospect of application of remote sensing to rice spatial distribution[J].ChineseJournalAgriculturalResourcesandRegionalPlanning，2014，35 (6):9-18. (in Chinese with English abstract)

[2] 林子晶. 基于遙感影像融合技術(shù)的水稻種植面積提取及稻曲病估測(cè)研究[D].南京：南京信息工程大學(xué)，2016.

LIN Z J. Based on remote sensing image fusion technology in rice acreage extraction and rice smut estimation[D].Nanjing: Nanjing University of Information Science & Technology， 2016. (in Chinese with English abstract)

[3] 秦占飛. 西北地區(qū)水稻長(zhǎng)勢(shì)遙感監(jiān)測(cè)研究[D].楊凌：西北農(nóng)林科技大學(xué)， 2016.

QIN Z F. Study on rice condition monitoring with remote sensing in northwest region[D].Yangling: Northwest A&F University， 2016. (in Chinese with English abstract)

[4] 李石，宋曉巍，張菁，等. 基于遙感數(shù)據(jù)的沈陽(yáng)水稻種植面積提取及精度分析[J]. 大麥與谷類科學(xué)，2016，33(4):63-66.

LI S， SONG X W， ZHANG J， et al. Extraction of rice planting areas in Shenyang city based on MODIS data and its precision analysis[J].BarleyandCerealSciences， 2016， 33(4):63-66. (in Chinese with English abstract)

[5] 張莉. 基于EOS/MODIS數(shù)據(jù)的晚稻面積提取技術(shù)研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2012.

ZHANG L. Study on extracting planning areas of paddy rice by using EOS/MODIS data[D].Beijing: Chinese Academy of Agricultural Sciences，2012. (in Chinese with English abstract)

[6] SAKAMOTO T， YOKOZAWA M， TRITANI H， et al. A crop phenology detection method using time-series MODIS data[J].RemoteSensingofEnvironment， 2005， 96(3/4):366-374.

[7] XIAO X， BOLES S， LIU J， et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J].RemoteSensingofEnvironment，2005，95(4):480-492.

[8] WARDLOW B D， EGBERT S L. Large-area crop mapping using time-series MODIS 250m NDVI data:an assessment for the US Central Great Plains[J].RemoteSensingofEnvironment，2008，112(3):1096-1116.

[9] 黃敬峰，Ahmad Yaghi，王人潮.利用GIS與TM資料集成技術(shù)估算龍游縣早稻面積[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17(1):159-162.

HUANG J F，AHMAD Y，WANG R C. Integration of GIS and TM data to extract early rice area in longyou county[J].TransactionoftheChineseSocietyofAgriculturalEngineering， 2001，17(1):159-162. (in Chinese with English abstract)

[10] 陳樹輝，李楊，曾凡君，等. 基于環(huán)境星的混合像元分解水稻面積提取[J]. 安徽農(nóng)業(yè)科學(xué)，2011，39(10):6104-6106.

CHEN S H， LI Y， ZENG F J， et al. Extraction of paddy planting areas by using mixed pixel decomposition based on HJ-1 A/B satellite images[J].JournalofAnhuiAgricultureScience，2011，39(10):6104-6106. (in Chinese with English abstract)

[11] 陳劉鳳，林開平，胡寶清，等. 基于Landsat8_OLI數(shù)據(jù)的甘蔗種植面積監(jiān)測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2015，46(11):2068-2072.

CHEN L F，LIN K P，HU B Q， et al. Monitoring of sugarcane planting area based on Landsat8_OLI data[J].JournalofSouthernAgriculture，2015，46(11):2068-2072.

[12] 孟璐，安源，林和平. 遙感數(shù)字圖像無(wú)損假彩色合成[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，33(2):261-266.

MENG L， AN Y， LIN H P. Remote sensing digital image non-destructive false color synthesis[J].JournalofLiaoningTechnicalUniversity(NaturalScience)，2014，33(2):261-266. (in Chinese with English abstract)

[13] 張偉，鄭旭霞. 基于植被指數(shù)的多光譜影像真彩色合成方法[J]. 測(cè)繪與空間地理信息，2010， 33(6):110-113.

ZHANG W， ZHENG X X. A method of true color synthesis of multi-spectral images based on vegetation index[J].Geomatics&SpatialInformationTechnology， 2010， 33(6):110-113. (in Chinese with English abstract)

[14] 吳黎，張有智，解文歡，等. 基于TM的混合分解模型提取水稻種植面積研究[J]. 農(nóng)機(jī)化研究，2013(2):44-47.

WU L， ZHANG Y Z， XIE W H， et al. The mixture model extraction of rice planted area based on TM data[J].JournalofAgriculturalMechanizationResearch，2013 (2):44-47. (in Chinese with English abstract)

[15] 王瀚征. 基于非監(jiān)督分類與決策樹相結(jié)合的30m分辨率土地利用遙感反演研究[D].石家莊：河北師范大學(xué)，2016.

WANG H Z. Remote sense retrieval of 30m resolution of land use based on the combination of unsupervised classification and decision[D].Shijiazhuang: Hebei Normal University.2016. (in Chinese with English abstract)

[16] 曹鵬飛. 基于光譜成像技術(shù)的農(nóng)作物特征波段提取與分類研究[D].昆明：云南師范大學(xué)，2014.

CAO P F. Study on extraction and classification of crop characteristic band based on spectral imaging technology[D].Kunming: Yunnan Normal University，2014. (in Chinese with English abstract)

[17] 朱鋒， 肖暉， 魏亞男.無(wú)人機(jī)遙感影像鑲嵌技術(shù)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2014，50(15): 38-41.

ZHU F， XIAO H， WEI Y N. Summary of UAV remote sensing image mosaicking technology[J].ComputerEngineeringandApplications，2014，50(15): 38-41. (in Chinese with English abstract)

[18] 劉吉?jiǎng)P，鐘仕全，梁文海. 基于多時(shí)相Landsat8 OLI影像的作物種植結(jié)構(gòu)提取[J]. 遙感技術(shù)與應(yīng)用，2015，30(4):775-783.

LIU J K， ZHONG S Q， LIANG W H. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images[J].RemoteSensingTechnologyandApplication，2015，30(4):775-783. (in Chinese with English abstract)

[19] 蔡麗娜. 多光譜遙感影像近自然彩色模擬的研究[D].哈爾濱：東北林業(yè)大學(xué)，2005.

CAI L N. Study on simulating near natural color of multi-spectrum remote sensing image[D].Harbin: Northeast Forestry University，2005. (in Chinese with English abstract)

[20] Landsat8數(shù)據(jù)不同波段組合的用途[EB/OL]. (2017-04-01). http://www.docin.com/p-1768082949.html.

[21] TSENG Y C， NI S Y， SHIH E Y. Adaptive approaches to relieving broadcast storms in a wireless multihop mobile ad hoc networks[R]. IEEE: Proceedings 21st International Conference on Distributed Computing Systems， 2003.

[22] 徐慶伶，汪西莉. 一種基于支持向量機(jī)的半監(jiān)督分類方法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2010，20(10):115-117， 121.

XU Q L， WANG X L. A novel semi-supervised classification method based on SVM[J].ComputerTechnologyandDevelopment， 2010，20(10):115-117， 121. (in Chinese with English abstract)

[23] 楊柯. 基于ENVI的遙感圖像自動(dòng)解譯分類結(jié)果優(yōu)化[J]. 世界有色金屬，2016 (18):130-131.

YANG K. Based on ENVI optimization of automatic interpretation of remote sensing image classification results[J].WorldNonferrousMetals，2016 (18):130-131. (in Chinese with English abstract)

ExtractionofriceplantingareabasedonLandsat8OLIremotesensingimageinShenyangcity

ZHENG Luyue1， XU Tongyu1，2，*， ZHOU Yuncheng1，2， DU Wen1

(1.CollegeofInformationandElectricalEngineering，ShenyangAgriculturalUniversity，Shenyang110866，China; 2.AgriculturalInformatizationEngineeringTechnologyCenterinLiaoningProvince，Shenyang110866，China)

In order to study the feasibility of remote sensing data and extraction method to estimate the area of rice planting， this paper used Landsat 8 OLI image as the data source and ENVI5.1 as software platform to monitor rice growth situation in June-September 2015 in Shenyang city， and extracted its acreage eventually. Based on the field survey samples， by analyzing the spectral characteristics， the normalized differential vegetation index and the characteristics of remote sensing images， this paper determined the false color synthesis by band 6， band 5 and band 2. The sampling points of the rice were selected by the mixed pixels， and the number of samples was 100， 150 and 200 respectively. The transformed divergence and Jeffries-Matusita were used to test the separability among the samples. The samples were classified by the support vector machine. The classification results were sorted by Majority/Minority analysis method， and the extraction model of different rice areas were established finally. The results showed that the sample number of 200 was most accurate in June， July and September， and the extraction area was 1 032.044 8， 1 201.125 9 and 1 180.685 5 km2. According to the results from Shenyang Agricultural Statistics (2015)， the evaluation was 94.73%， 89.75% and 91.62% respectively. The experimental results showed that the Landsat 8 OLI remote sensing data can accurately extract the rice planting area in Shenyang， and lay the foundation for the rice planting monitoring for the multi-source data.

Shenyang; rice; support vector machine; Landsat 8 OLI data

TP79

A

1004-1524(2017)10-1749-10

（責(zé)任編輯張 韻)