楊沈斌，景元書，王琳，王釗

(1.中國氣象局河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點實驗室，河南鄭州450003;2.南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇南京210044;3.陜西省農(nóng)業(yè)遙感信息中心，陜西西安710015)

基于MODIS時序數(shù)據(jù)提取河南省水稻種植分布

楊沈斌1，2，景元書2，王琳2，王釗3

(1.中國氣象局河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點實驗室，河南鄭州450003;2.南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇南京210044;3.陜西省農(nóng)業(yè)遙感信息中心，陜西西安710015)

以河南省為研究區(qū)，利用2009年多時相8 d合成MODIS地表反射率產(chǎn)品提取水稻種植分布。根據(jù)稻田含水量變化特征及水稻生長規(guī)律，構(gòu)建水稻種植分布提取流程。為減少云等噪聲的影響，對地表水含量指數(shù)(ILSW，land surface water content index)和增強型植被指數(shù)(IEV，enhanced vegetation index)的時序數(shù)據(jù)進行平滑重建。然后，依據(jù)豫北和豫南稻區(qū)水稻物候期差異，分別建立標(biāo)準(zhǔn)水稻IEV生長線，以計算像元尺度的水稻相似性指數(shù)作為影像分類的特征波段。同時，對重建的ILSW和IEV時序數(shù)據(jù)分別進行主成份分析，選擇各自的前3個成份作為特征波段。在此基礎(chǔ)上，采用支持向量機分類算法對組建的特征波段進行分類，提取影像中水稻的種植分布。結(jié)果顯示，提取的河南省水稻種植分布與實際情況吻合較好，豫北稻區(qū)水稻分布呈現(xiàn)集中連片的特征，多分布在沿黃河兩岸，而豫南稻區(qū)水稻種植廣泛，多在大型水庫灌區(qū)周邊及沿淮和低洼易澇地區(qū)。與各地區(qū)水稻統(tǒng)計面積相比，MODIS提取的水稻面積平均相對誤差為6.56%，根均方誤差為5.63 khm2。受到混合像元影響，以及個別地區(qū)水稻種植分散且面積相對較小，使該地區(qū)水稻面積相對誤差超過±60%。

監(jiān)督分類;多時相分析;主成份分析;水稻物候期;水稻種植分布

0 引言

利用衛(wèi)星遙感技術(shù)監(jiān)測農(nóng)作物的生產(chǎn)在農(nóng)情監(jiān)測和農(nóng)業(yè)研究中得到廣泛應(yīng)用。水稻是中國主要的糧食作物，及時、準(zhǔn)確的獲取水稻生產(chǎn)信息(種植面積、長勢和產(chǎn)量)，對加強水稻生產(chǎn)管理，指導(dǎo)水稻生產(chǎn)，確保中國糧食安全具有重要意義。

隨著遙感技術(shù)的發(fā)展，大量研究采用Landsat TM/ETM+、IRS-P6和HJ-1A/B衛(wèi)星數(shù)據(jù)進行水稻種植分布和面積的提取(Okamoto and Fukuhara，1996;韓立建等，2007;李揚，2010)。這些數(shù)據(jù)具有較高的空間分辨率，能夠獲取從縣級至更大尺度的水稻種植分布，但由于影像時間分辨率較低，且時常受到云等不利天氣條件的影響，影像數(shù)據(jù)無法保障(Wardlow and Egbert，2008)。星載雷達能夠全天候、全天時獲取水稻種植分布信息，但由于影像存在一定的斑點噪聲，且受到極化、入射角、波段等雷達參數(shù)的限制，在大區(qū)域水稻面積提取研究中還存在較多的不確定性(楊沈斌等，2007，2008;Bouvet and Le，2011)。因此，利用MODIS衛(wèi)星數(shù)據(jù)在一定程度上解決了時間分辨率和空間分辨率不能同時滿足的矛盾。另外，8 d合成或16 d合成的MODIS影像數(shù)據(jù)在較大范圍上降低了云等噪聲對地表信息的影響，有利于大區(qū)域農(nóng)業(yè)生產(chǎn)的動態(tài)、穩(wěn)定監(jiān)測。例如，Xiao et al.(2005)運用多時相MODIS產(chǎn)品MOD09A1計算了INDV(normalized difference vegetation index)、IEV(enhanced vegetation index)和ILSW(land surface water content index)指數(shù)，依據(jù)水稻生長規(guī)律和稻田含水量信息提取中國南方的水稻種植分布。該方法還運用到東南亞地區(qū)(Xiao et al.，2006;Sakamoto et al.，2009)及中國其他地區(qū)(鄭長春等，2009;Peng et al.，2011)的水稻分布提取。張春林等(2007)則根據(jù)水稻LAI(leaf area index)的時序變化特征，并結(jié)合數(shù)字高程(digital elevation model;DEM)，從多時相MODIS影像中提取水稻種植面積，與統(tǒng)計面積相比相對誤差小于13%。呂婷婷和劉闖(2010)利用MODIS影像計算INDV和INDS(normalized difference soil index)指數(shù)，對時間序列進行主成份變換，并作為特征波段輸入到支持向量機分類算法(support vector machines;SVM)，提取了泰國耕地信息和水稻分布。顧曉鶴等(2008)則采用水稻生長相似性原理，運用MODIS-EVI時序數(shù)據(jù)構(gòu)建水稻種植相似性指數(shù)，并實現(xiàn)水稻面積的提取。上述研究均顯示MODIS在大區(qū)域水稻面積提取中具有較強的優(yōu)勢，為水稻信息的大范圍、低成本、高精度遙感提取建立了新的思路。

本文選擇河南省作為研究區(qū)域，利用時序MODIS產(chǎn)品數(shù)據(jù)MOD09A1提取該省水稻種植分布。依據(jù)河南省水稻生產(chǎn)布局特點，結(jié)合從影像中提取的時序IEV(enhanced vegetation index)和ILSW(land surface water content index)數(shù)據(jù)，以及水稻相似性指數(shù)提取研究區(qū)域水稻種植分布，并利用統(tǒng)計年鑒和HJ-1A CCD2影像對獲取的水稻分布結(jié)果進行精度驗證和分析。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

河南省位于黃河中下游，地跨黃、淮、漢水3大流域，處于亞熱帶向暖溫帶過渡地帶，年平均氣溫12～15℃，年降水量600～1 000 mm，是典型的稻麥兩熟區(qū)。為保障水稻生產(chǎn)用水，河南省水稻種植堅持“以水定稻”的原則，在沿黃和沿淮地區(qū)、大型水庫灌區(qū)和低洼易澇地區(qū)種植水稻。2007年以來，河南省水稻種植面積約60×104hm2，約占全省糧食作物面積的5.6%，主要分布在豫北和豫南兩大稻區(qū)。豫北稻區(qū)包括沿黃河中下游兩岸的新鄉(xiāng)、濮陽、開封和鄭州等地，種植常規(guī)粳稻，生長期從5月上旬至10月中旬。豫南稻區(qū)則主要包括信陽、南陽和駐馬店市，品種以雜交秈稻為主，生長期從4月下旬至9月中旬。兩稻區(qū)水稻種植多以小麥水稻、油菜水稻輪作為主。在水稻生長季內(nèi)還種有玉米、棉花、大豆和花生等農(nóng)作物。

1.2 MODIS數(shù)據(jù)

從USGS EROS數(shù)據(jù)中心獲取了2009年覆蓋河南省的46景8 d合成MODIS地表反射率產(chǎn)品(MOD09A1)數(shù)據(jù)，空間分辨率為500 m。該數(shù)據(jù)擁有7個光譜波段，由MODIS 1B產(chǎn)品的1～7波段經(jīng)過大氣和氣溶膠校正及卷云處理獲得。另外還包含兩個QA(quality assurance)波段，分別標(biāo)記光譜波段和地表反射率數(shù)據(jù)的質(zhì)量和狀態(tài)。

1.3 輔助數(shù)據(jù)

從中國資源衛(wèi)星應(yīng)用中心獲取了2景處在2009年水稻生長初期的HJ-1A CCD2影像，其成像時間均為7月3日，軌道號分別為455-72和455-76。該數(shù)據(jù)空間分辨率為30 m。根據(jù)影像頭文件信息，對影像進行了輻射定標(biāo)。同時以2005年Landsat TM衛(wèi)星數(shù)據(jù)為參照，對HJ-1 A CCD2數(shù)據(jù)進行了幾何精校正。兩景影像分別覆蓋豫北和豫南稻區(qū)，對本文分類結(jié)果的驗證提供了重要的參考。還獲取了研究區(qū)2009年60個水稻差分GPS樣方數(shù)據(jù)，并結(jié)合Google Earth高清影像和HJ-1 A CCD2數(shù)據(jù)，額外提取了40處水稻樣方。樣方主要分布在沿黃河中下游兩岸的連片水稻種植區(qū)和豫南信陽、駐馬店等水稻種植區(qū)。豫北稻區(qū)樣方大小為500 m×500 m，豫南稻區(qū)樣方大多為300 m×300 m。從河南省統(tǒng)計年鑒獲取了2009年各市主要農(nóng)作物播種面積，并根據(jù)實地調(diào)查，記錄了豫北和豫南稻區(qū)水稻生長發(fā)育期的基本情況(表1)。從表1可以看出，豫北稻區(qū)水稻生育期較豫南稻區(qū)平均推遲約10～20 d。

表1 2009年豫北和豫南稻區(qū)水稻發(fā)育期概況Table 1 General situation of rice phenology in the north and south rice planting areas in Henan Province in 2009

2 研究方法

在水稻生長早期，稻田需要保持一定深度的水層，與同期其他農(nóng)田(玉米、大豆、花生和棉花等)相比，具有較高的地表含水量，有利于MOD09A1中的短波紅外數(shù)據(jù)對稻田的識別(鄭長春等，2009)。另外，8 d合成的MOD09A1數(shù)據(jù)能夠反映水稻生長規(guī)律，有助于通過比較其他農(nóng)作物與水稻的生長特征曲線來提高稻田識別能力。依據(jù)上述特點，選擇對地表水分含量變化敏感的ILSW指數(shù)和能夠抑制大氣、土壤背景對植被信息影響的IEV指數(shù)，作為提取區(qū)域稻田分布的重要指標(biāo)(Xiao et al.，2005)。為此，建立水稻面積提取流程，如圖1所示。

圖1 水稻種植分布提取流程Fig.1 Flow chart of retrieving rice planting area in Henan Province

首先，利用MOD09A1數(shù)據(jù)建立時序IEV和ILSW。為降低云對時序數(shù)據(jù)的影響，分別采用Savitzky-Golay濾波算法(Eklundh and Jonsson，2009)和臨近最大值插值法(Peng et al.，2011)重建時序數(shù)據(jù)。隨后根據(jù)水稻物候期，選擇水稻移栽至成熟的時序IEV和ILSW數(shù)據(jù)，分別進行主成份分析，并選擇前3個波段作為水稻面積提取的特征波段。另外，根據(jù)水稻樣方，利用重建的時序IEV建立標(biāo)準(zhǔn)水稻生長曲線，計算研究區(qū)每個像元的時序IEV與水稻生長曲線的相似性指數(shù)，作為水稻分類的另一個特征波段(顧曉鶴等，2008)。水稻面積提取采用SVM分類算法。參考水稻樣方及相似性指數(shù)圖，建立水稻訓(xùn)練樣本，從特征波段組合中提取水稻種植面積。最后，結(jié)合HJ-1ACCD2影像及河南省統(tǒng)計年鑒對提取結(jié)果進行驗證。

然而，河南省豫北和豫南稻區(qū)水稻物候期差異較大，為提高面積提取精度，分別對兩大稻區(qū)按照流程提取水稻面積。同時，參考2005—2009年河南省統(tǒng)計年鑒，將常年無水稻種植地區(qū)排除，確定參與分類的豫北稻區(qū)包括濮陽、安陽、新鄉(xiāng)、焦作、開封、鄭州、洛陽、平頂山、周口和商丘市;豫南稻區(qū)包括南陽、駐馬店和信陽市。為此，分別建立豫北和豫南稻區(qū)標(biāo)準(zhǔn)水稻IEV生長曲線。值得提出的是，盡管平頂山、周口及商丘市處于河南省中部，但其水稻物候期與豫北地區(qū)水稻物候期相近。

2.1 時序IEV和ILSW指數(shù)的重建

針對獲取的時序MOD09A1產(chǎn)品數(shù)據(jù)，分別計算IEV和ILSW指數(shù)，如公式(1)和(2)所示:

式中:ρblue、ρred、ρnir和ρswir分別表示MOD09A1數(shù)據(jù)藍光波段(0.459～0.479 μm)、紅光波段(0.620～0.670 μm)、近紅外波段(0.841～0.876 μm)和短波紅外波段(1.628～1.652 μm)反射率。

由于云層和惡劣大氣條件對MOD09A1數(shù)據(jù)的影響，使得時序IEV和ILSW數(shù)據(jù)存在一定的噪聲，需要進行去云處理并估算缺損值。為此，針對時序IEV數(shù)據(jù)，選擇Savitzky-Golay濾波算法。該方法既能夠有效抑制噪聲，又能夠保持水稻IEV時序變化規(guī)律，已被廣泛用于水稻時序指數(shù)的平滑重建(Jonsson and Eklundh，2002)。在濾波時，根據(jù)MOD09A1產(chǎn)品提供的QA波段生成二值數(shù)據(jù)(受云污染的像元值為0，否則為1)作為濾波權(quán)重。另外，設(shè)置濾波窗口大小為4，平滑多項式的次數(shù)為2。然而，時序ILSW數(shù)據(jù)具有較大的波動性，主要反映地表含水量的變化。為處理云的影響，參考Peng et al.(2011)的方法，采用臨近最大值插值法估算受云影響的ILSW數(shù)據(jù)。其中，濾波窗口設(shè)置為4。時序數(shù)據(jù)的重建結(jié)果如圖2所示。可以看出，IEV和ILSW時序數(shù)據(jù)得到了較好的平滑重建。

2.2 水稻IEV指數(shù)生長線及相似性指數(shù)

時序IEV指數(shù)能夠有效反映水稻生長規(guī)律，一般在水稻抽穗期達到最大值?？紤]到水稻生長規(guī)律的相似性，即水稻生育期相近、生長狀態(tài)相似，采用水稻生長曲線相似性原理，建立基于時序IEV數(shù)據(jù)的標(biāo)準(zhǔn)水稻生長曲線，計算每個像元在水稻生長期的時序IEV與標(biāo)準(zhǔn)水稻生長曲線的相似性指數(shù)來提高識別水稻的能力(顧曉鶴等，2008)。由于豫北稻區(qū)與豫南稻區(qū)水稻生育期差異較大，分別建立兩區(qū)域的標(biāo)準(zhǔn)水稻生長曲線。其中，豫北稻區(qū)標(biāo)準(zhǔn)水稻生長曲線從時序22至38，豫南稻區(qū)為時序19至35。根據(jù)獲取的水稻樣方數(shù)據(jù)，取各時相水稻IEV指數(shù)的平均值，建立曲線如圖3所示。相似性指數(shù)的計算如公式(3)所示:

式中:SEVI為相似性指數(shù);P'i為像元第i時序的IEV值;Pi為標(biāo)準(zhǔn)水稻生長曲線對應(yīng)第i時序的IEV值。計算后的水稻相似性指數(shù)如圖4所示。圖中像元的SEVI越小，則表明該像元IEV的時序特征越接近標(biāo)準(zhǔn)水稻生長曲線。據(jù)統(tǒng)計，圖中水稻樣方區(qū)域的相似性指數(shù)平均值為1.16，最大值為2.26，最小值為0.32，標(biāo)準(zhǔn)差為0.47。

圖2 某像元IEV和ILSW時序數(shù)據(jù)重建Fig.2 Filtered curves of IEVand ILSWfor one pixel

圖3 豫北和豫南稻區(qū)IEV時序水稻生長線Fig.3 Paddy rice growth curve acquired from MODIS IEV time series in the north and south areas of Henan Province respectively

圖4 研究區(qū)水稻的相似性指數(shù)Fig.4 The similarity index of rice paddy in the study area

2.3 影像分類

采用SVM算法提取水稻種植面積。該算法是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)之上的機器學(xué)習(xí)方法，在解決小樣本、非線性和高維模式識別中具有明顯的優(yōu)勢(Mountrakis et al.，2011)。結(jié)合重建的時序IEV和ILSW數(shù)據(jù)，以及水稻相似性指數(shù)，對多波段影像進行分類。然而，為減少水稻與其他農(nóng)作物在時序數(shù)據(jù)中的相關(guān)性，采用主成份分析方法分別對時序IEV和ILSW數(shù)據(jù)進行特征變換。取各自結(jié)果的前3個波段作為特征波段參與到影像分類中。另外，根據(jù)獲取的地面水稻樣方和水稻相似性指數(shù)圖，提取水稻訓(xùn)練區(qū)。在ENVI 4.7中選用SVM分類方法對影像進行分類。其中，選用徑向基核函數(shù)，gamma值取0.143，懲罰參數(shù)為150，其他參數(shù)為默認(rèn)值。

3 結(jié)果

3.1 河南省水稻種植分布

將豫北和豫南稻區(qū)水稻分類結(jié)果進行必要的分類后處理(包括篩選和集聚)，并將分類圖鑲嵌后輸出為矢量數(shù)據(jù)格式，獲取了河南省水稻種植分布(圖5)。從圖中可以看出，豫北稻區(qū)水稻主要分布在沿黃河中下游兩岸，為引黃河水灌溉的沿黃稻區(qū)。其中，水稻種植面積較大的地區(qū)有濮陽、新鄉(xiāng)和開封市，呈現(xiàn)集中種植的分布特征，水稻面積約占整個豫北稻區(qū)水稻種植面積的87.23%。相比上述三個地區(qū)，鄭州、洛陽、平頂山、周口和商丘市水稻種植多分散在水庫、河流沿岸，呈現(xiàn)小片集中的分布特征。例如，平頂山水稻集中分布在白龜山水庫南岸及沙河沿岸少部分地區(qū);周口水稻主要分布在賈魯河沿岸，而鄭州市水稻主要分散在黃河的南岸地區(qū)。

圖5 河南省水稻的分布Fig.5 Distribution of rice paddy in Henan Province

豫南稻區(qū)水稻多種植在沿淮河及其支流兩岸和水庫周邊。其中，信陽水稻種植面積最大，約占豫南稻區(qū)水稻面積的92.3%，集中分布在沿淮及其支流兩岸和低洼易澇地區(qū)。南陽水稻面積約占豫南稻區(qū)面積的5.16%，主要分布在鴨河口水庫和丹江口水庫周邊、唐河與夾河兩岸部分地區(qū)以及桐柏縣。駐馬店水稻則主要集中分布在薄山水庫周邊，以及小洪河和汝河兩岸部分地區(qū)。

從上述水稻種植分布的情況可以看出，河南省充分利用各地區(qū)水資源的分布特點種植水稻，在豫北地區(qū)形成多個集中連片的水稻種植區(qū)，而在豫南稻區(qū)的沿淮區(qū)域形成范圍廣、面積大的水稻種植區(qū)。

3.2 精度驗證

圖6以對數(shù)形式比較了河南省各地水稻統(tǒng)計面積與MODIS獲取的水稻面積?？梢钥闯?，兩者吻合較好，確定系數(shù)達到0.981，均方根誤差為5.63 khm2，平均相對誤差達到6.56%。大部分地區(qū)提取的水稻面積相對誤差在－21%～17%之間，但提取的信陽水稻面積(550.54 khm2)與統(tǒng)計面積(440.1 khm2)相對誤差達到79.94%;開封、安陽水稻面積相對誤差分別為65.79%和－78.21%。由此可見，對于個別水稻種植區(qū)，利用MODIS時序影像提取水稻面積的精度還不夠理想。

為了進一步檢驗MODIS時序影像提取水稻面積的有效性，利用獲取的兩景HJ-1 A CCD2數(shù)據(jù)對獲取的水稻分布圖進行驗證。首先，根據(jù)水稻樣方資料對HJ-1A影像進行目視判讀和監(jiān)督分類，獲取影像中無云區(qū)域的水稻種植分布;然后，對水稻分類圖進行矢量化，并與MODIS提取的相應(yīng)區(qū)域水稻分布圖進行比較，如圖7所示。

圖7a顯示了7月3日新鄉(xiāng)—濮陽地區(qū)水稻種植的情況。該時期豫北稻區(qū)處在水稻返青期。圖像中暗色區(qū)域為灌水后集中連片的稻田，具有明顯區(qū)別于其他地物的顏色、紋理和空間分布特征。圖7b和7c分別顯示了從HJ-1A和MODIS提取的水稻分布圖?？梢钥闯觯崛〉乃究臻g分布特征與實際水稻分布吻合較好。以HJ-1A水稻分布圖為基準(zhǔn)，MODIS提取的該區(qū)域水稻面積相對誤差為38.4%。

圖6 河南省各地區(qū)2009年水稻統(tǒng)計面積與MODIS提取面積的比較Fig.6 Comparison between statistical data and MODIS derived results of rice area in Henan Province in 2009

圖7 新鄉(xiāng)—濮陽(區(qū)Ⅰ)和信陽(區(qū)Ⅱ)部分區(qū)域水稻分類圖驗證(a、b、c分別是區(qū)ⅠHJ-1A假彩色合成(R:4;G:3;B:2)、HJ-1A水稻分類和MODIS水稻分類;d、e、f分別是區(qū)ⅡHJ-1A假彩色合成(R:4;G:3;B:2)、HJ-1A水稻分類圖和MODIS水稻分類)Fig.7 Validation of rice paddy map on part of Xingxiang-Puyang district(RegionⅠ)and part of Xinyang district(RegionⅡ)a.HJ-1A false color composite image for RegionⅠ;b.rice map from HJ-1A for RegionⅠ;c.the map from MODIS for RegionⅠ;d.HJ-1A false color composite image for RegionⅡ;e.rice map from HJ-1A for RegionⅡ;f.the map from MODIS for RegionⅡ

圖7d顯示了信陽市息縣地區(qū)假彩色合成圖。豫南稻區(qū)水稻移栽期較早，該地區(qū)水稻在7月3日處于分蘗旺期。因此，在影像中稻田呈現(xiàn)深紅色，與花生(亮藍色)和棉花地(粉紅色)顏色差異明顯。比較圖7e和7f中水稻分類圖，可以看出，從MODIS提取的水稻分布與HJ-1A水稻分布大體一致，但影像南部地區(qū)存在一定的差別，即MODIS對該地區(qū)小片面積的水稻識別能力有限。以HJ-1A數(shù)據(jù)中提取的水稻面積為標(biāo)準(zhǔn)，MODIS提取的水稻面積相對誤差為8.18%。

4 討論

水稻生長早期稻田充滿水層，且稻田內(nèi)秧苗矮小稀疏，有利于MODIS傳感器對稻田的識別。再結(jié)合豫北和豫南稻區(qū)的水稻IEV生長曲線，計算像元尺度的水稻相似性指數(shù)，并選用SVM分類算法，能夠識別大區(qū)域水稻種植分布。

為降低云對影像數(shù)據(jù)的影響，分別采用Savitzky-Golay和最大值插值法對IEV和ILSW時序數(shù)據(jù)進行重建，保障了像元尺度數(shù)據(jù)時序變化的連貫性。然而，MODIS影像在2009年豫南稻區(qū)水稻移栽期間受云影響嚴(yán)重，使反映該地區(qū)水稻移栽期農(nóng)田含水量變化的ILSW估計值與實際情況有較大偏差。另外，荷塘與稻田具有相似的ILSW變化特征，容易造成誤判。經(jīng)過平滑重建后的水稻IEV時序則較好的顯示出水稻生長變化。從圖4可以看出，利用重建后的水稻IEV時序生長曲線計算水稻相似性指數(shù)，能夠反映出河南省水稻種植的大體分布，在影像分類中起到重要的作用。然而，影像分類結(jié)果受到混合像元的影響，在部分地區(qū)與統(tǒng)計面積相比，相對誤差超過±60%。值得提出的是，根據(jù)水稻統(tǒng)計面積，河南省8個地級市水稻種植面積少于10 khm2，其中豫北稻區(qū)的安陽、周口和商丘水稻統(tǒng)計面積均小于1 kha，使具有中等分辨率的MODIS影像在識別種植相對分散或面積較小的稻田時存在一定的困難。因此，可結(jié)合高空間分辨率光學(xué)影像對地形相對復(fù)雜、水稻種植分散且面積較小的稻區(qū)進行面積的提取，來彌補MODIS影像在區(qū)域水稻面積提取中的不足。

選擇SVM分類算法進行水稻面積的提取。該方法具有較好的穩(wěn)定性，但需要選定最佳的參數(shù)組合。本文選擇適用性較好的徑向基核函數(shù)來確定分類目標(biāo)與特征波段之間的非線性關(guān)系(蘇高利和鄧芳萍，2006)，gamma參數(shù)則設(shè)置為特征波段數(shù)的倒數(shù)，懲罰參數(shù)的設(shè)定參考相關(guān)文獻(呂婷婷和劉闖，2010)，其他取算法默認(rèn)值。考慮到MODIS影像在不同年份受到云等噪聲影響的情況不同，該參數(shù)組合需要進一步的調(diào)試，以驗證該水稻種植分布提取流程在其他地區(qū)和年份水稻面積提取中的可靠性。

5 結(jié)論

依據(jù)水稻獨特的種植方式和生長規(guī)律，利用MODIS時序數(shù)據(jù)提取大區(qū)域水稻種植分布具有明顯的優(yōu)勢。河南省的豫北和豫南稻區(qū)水稻生育期存在差異，采用分稻區(qū)提取水稻種植分布能夠減少分類中的不確定性;另一方面，根據(jù)兩稻區(qū)水稻IEV生長曲線計算水稻相似性指數(shù)作為影像分類的特征波段之一，有助于提高影像分類的精度。然而，混合像元使提取的水稻面積與統(tǒng)計面積存在一定的偏差，在下一步研究中將考慮加入混合像元分類算法以完善本文的水稻種植分布提取方法。

致謝:河南省農(nóng)業(yè)科學(xué)研究院王來剛博士為本文研究提供了幫助和支持。謹(jǐn)致謝忱!

顧曉鶴，韓立建，張錦水，等.2008.基于相似性分析的中低分辨率復(fù)合水稻種植面積測量法［J］.中國農(nóng)業(yè)科學(xué)，41(4):978-985.

韓立建，潘耀忠，賈斌，等.2007.基于多時相IRS-P6衛(wèi)星AWiFS影像的水稻種植面積提取方法［J］.農(nóng)業(yè)工程學(xué)報，23(5):137-143.

李揚.2010.基于環(huán)境衛(wèi)星數(shù)據(jù)的水稻面積空間抽樣研究［D］.南京:南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院.

呂婷婷，劉闖.2010.基于MODIS數(shù)據(jù)的泰國耕地信息提?。跩］.農(nóng)業(yè)工程學(xué)報，26(2):244-250.

蘇高利，鄧芳萍.2006.關(guān)于支持向量回歸機的模型選擇［J］.科技通報，22(2):154-158.

楊沈斌，申雙和，張萍萍，等.2007.ENVISAT ASAR數(shù)據(jù)用于大區(qū)域稻田識別研究［J］.南京氣象學(xué)院學(xué)報，30(3):365-370.

楊沈斌，李秉柏，申雙和，等.2008.基于多時相多極化插值圖的稻田識別研究［J］.遙感學(xué)報，12(4):613-619.

張春林，林晶，吳振海，等.2007.基于MODIS數(shù)據(jù)的水稻種植面積監(jiān)測方法研究［J］.自然資源學(xué)報，22(1):1-8.

鄭長春，王秀珍，黃敬峰.2009.多時相MODIS影像的浙江省水稻種植面積信息提取方法研究［J］.浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版，35(1):98-104.

Bouvet A，Le T T.2011.Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta［J］.Remote Sens Environ，115(4):1090-1101.

Eklundh L，Jonsson P.2009.TIMESAT 3.0 Software Mannual［M］.Sweden:Lund University.

Jonsson P，Eklundh L.2002.Seasonality extraction and noise removal by function fitting to time-series of satellite sensor data［J］.IEEE Trans Geosci Remote Sens，40(8):1824-1832.

Mountrakis G，Im J，Ogole C.2011.Support vector machines in remote sensing:A review［J］.ISPRS Journal of Photogrammetry and Remote Sensing，66(3):247-259.

Okamoto K，F(xiàn)ukuhara M.1996.Estimation of paddy rice field area using the area ratio of categories in each pixel of Landsat TM［J］.Int J Remote Sens，17(9):1735-1749.

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

Sakamoto T，Phung C V，Kotera A，et al.2009.Analysis of rapid expansion of inland aquaculture and triple rice-cropping areas in a coastal area of the Vietnamese Mekong Delta using MODIS time-series imagery［J］.Landscape and Urban Planning，92(1):34-46.

Wardlow B D，Egbert S L.2008.Large-area crop mapping using timeseries MODIS 250 m NDVI data:An assessment for the U.S.Central Great Plains［J］.Remote Sens Environ，112(3):1096-1116.

Xiao X M，Boles S，Liu J Y，et al.2005.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images［J］.Remote Sens Environ，95(4):480-492.

Xiao X M，Boles S，F(xiàn)rolking S，et al.2006.Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images［J］.Remote Sens Environ，100(1):95-113.

Mapping rice paddy distribution in Henan Province based on multi-temporal MODIS imagery

YANG Shen-bin1，2，JING Yuan-shu2，WANG Lin2，WANG Zhao3

(1.Henan Key Laboratory of Agrometeorological Ensuring and Applied Technique，CMA，Zhengzhou 450003，China;2.School of Applied Meteorology，NUIST，Nanjing 210044，China;3.Shaanxi Remote Sensing Information Center for Agriculture，Xi'an 710015，China)

Multi-temporal 8-day composite MODIS Surface Reflectance Product of 2009 were used to map the distribution of rice paddy in Henan Province.By taking into consideration the characteristic of rice cultivation and the rice growth patterns，a scheme for rice mapping has been proposed.In this scheme，to reduce the influence of factors like cloud，the time series of land surface water content index(ILSW)and enhanced vegetation index(IEV)were calculated from MODIS imagery and two different filters were applied to rebuild the time series data.Then，the principal component analysis method was employed to reduce the dimensionality of the times series data，with the first three components as ILSWand IEVrespectively reserved as feature bands.Another feature band is the rice similarity index，which was obtained by calculating the similarity index between a standard rice growth curve of IEVand the temporal curve of IEVfor each pixel.However，there were obvious differences in rice phenology betweenthe north and south rice planting regions in Henan Province.Based on the obtained rice GPS samples，a standard rice growth curve of IEVwas established for each region.Finally，support vector machine(SVM)classification method was used to retrieve rice distribution from the feature bands.The results showed that the obtained rice distribution in Henan Province is well consistent with the real situation.Rice mainly distributed on both sides of the Yellow river in the north of Henan Province，while it distributed along the Huaihe River or around large reservoirs in the south of Henan Province.Compared with the statistical data，the rice area obtained from MODIS data bears a mean relative error of 6.56%，and a Root Mean Square Error of 5.63 khm2.Because of mixed pixels and dispersed rice distribution in some regions，the relative error can be larger than±60%.However，the proposed rice mapping scheme based on the temporal MODIS data still shows its advantages in rice distribution mapping for large-scale areas.

supervised classification;multi-temporal analysis;principal component analysis;rice phenology;rice planting distribution

P49

A

1674-7097(2012)01-0113-08

2011-04-01;改回日期:2011-07-10

中國氣象局農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點開放實驗室開放基金(AMF200902);公益性行業(yè)(氣象)科研專項(GYHY(QX)200906022);國家自然科學(xué)基金資助項目(40901238);江蘇省“青藍工程”資助項目;江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項目

楊沈斌(1981—)，男，江蘇大豐人，博士，副教授，研究方向為農(nóng)業(yè)遙感、農(nóng)業(yè)氣象，jaasyang@163.com.

楊沈斌，景元書，王琳，等.2012.基于MODIS時序數(shù)據(jù)提取河南省水稻種植分布［J］.大氣科學(xué)學(xué)報，35(1):113-120.

Yang Shen-bin，Jing Yuan-shu，Wang Lin，et al.2012.Mapping rice paddy distribution in Henan Province based on multi-temporal MODIS imagery［J］.Trans Atmos Sci，35(1):113-120.

(責(zé)任編輯:張福穎)