陳興鵑,黃淑娥,祝必琴,樊建勇

(江西省氣象科學研究所,江西 南昌 330096)

?

FY-3C/MERSI衛(wèi)星影像水稻信息自動提取的決策樹方法研究

陳興鵑,黃淑娥,祝必琴,樊建勇

(江西省氣象科學研究所,江西 南昌 330096)

摘要：為了推進風云三號系列衛(wèi)星資料在水稻信息提取中的應用,分析了FY-3C/MERSI影像中江西省區(qū)域水稻及其他典型地物的光譜特征及通道間的關系,并討論了各地物在光譜特征上的可分性。研究發(fā)現(xiàn)：除植被外,其他地物均可依據(jù)適當?shù)拈撝蹬c水稻分開;水稻與其他植被在各單通道上的光譜特性相似,因此引入歸一化植被指數(shù)來提高水稻提取的精度。根據(jù)以上研究結果,建立了決策樹模型對水稻信息進行自動提取。目視檢驗結果表明,該方法的提取效果較好,只是在水稻與其他植被交界處有誤判現(xiàn)象。提取精度評價結果顯示,該方法的總體提取精度較高,基本上可以滿足水稻生育期面積遙感監(jiān)測與產量預報的需求。

關鍵詞：FY-3C/MERSI;衛(wèi)星影像；水稻;信息提取;決策樹

0引言

利用遙感技術監(jiān)測農作物的長勢和進行大面積作物估產,是遙感應用于植物宏觀研究的重要方面,也是衛(wèi)星遙感與農業(yè)交叉領域的研究重點。水稻遙感識別作為遙感技術在農業(yè)領域應用的重要內容,近年來在國內有許多相關研究:楊曉華等在PNN模型理論的基礎上,針對水稻種植面積遙感信息的提取問題,建立了PNN模型遙感影像分類模型,并將其與BP模型和傳統(tǒng)的最小距離法分類結果做了對比[1];鄭長春等利用8 d合成MODIS陸地表面反射率數(shù)據(jù)的特點和水稻典型物候特征,通過歸一化植被指數(shù)、增強植被指數(shù)及利用對土壤濕度和植被水分含量較為敏感的短波紅外波段計算得到的陸地表面水指數(shù)進行了水稻種植面積信息的獲取[2];陳燕麗等應用面向對象的分類方法提取了廣西玉林市轄區(qū)晚稻種植面積[3];魏新彩等選取樣區(qū)水稻生長關鍵期的多時相HJ-1A/1B衛(wèi)星數(shù)據(jù),構建了HJ衛(wèi)星數(shù)據(jù)的水稻種植面積識別方法[4];李根等通過研究證明,采用MODIS09A1數(shù)據(jù)結合線性光譜混合模型可以更高精度地提取大范圍水稻的種植面積[5]。

風云三號衛(wèi)星(FY-3)是在風云一號衛(wèi)星基礎上發(fā)展起來的我國第二代極軌氣象衛(wèi)星,目標是實現(xiàn)全球大氣和地球物理要素的全天候、多光譜和三維觀測。風云三號03星(FY-3C)于2013年9月23日在太原發(fā)射成功,它充分繼承了A/B星的成熟技術,星上搭載了12套遙感儀器,其中的中分辨率光譜成像儀(MERSI)可以探測來自地球大氣系統(tǒng)的電磁輻射,得到20個通道的多光譜信息,其中5個通道具有250 m的空間分辨率,可提供可見光、近紅外和遠紅外波段監(jiān)測數(shù)據(jù)；另外15個通道具有1000 m的空間分辨率。江西省為水稻種植大省,應用遙感技術可以及時、準確、客觀地對水稻面積進行大范圍監(jiān)測研究,對快速收集農業(yè)信息、科學指導農業(yè)生產具有重要意義。目前,利用FY-3C衛(wèi)星資料提取水稻信息的研究尚鮮見報道,為了推進風云三號系列衛(wèi)星數(shù)據(jù)在水稻監(jiān)測業(yè)務中的應用,最大限度地發(fā)揮FY-3C衛(wèi)星應用工程建設效益,本文嘗試利用FY-3C/MERSI數(shù)據(jù),結合江西省土地利用現(xiàn)狀資料,對江西省水稻信息自動提取的決策樹方法進行了研究,并與統(tǒng)計部門下發(fā)數(shù)據(jù)作對比,對提取面積進行了精度評價。

1研究區(qū)概況及數(shù)據(jù)

江西省地處長江中下游(113°34′～118°28′ E,24°29′～30°04′N),日照充足,雨量充沛,氣候資源優(yōu)越。全省總面積16.69萬km2,其中耕地面積2.90萬km2,是全國13個糧食主產省之一。水稻作為江西省最主要的糧食作物,種植面積和總產量均居全國第二[6-10]。

本研究篩選了2014年度江西省二季晚稻生育期內風云三號C星的晴空數(shù)據(jù),其中僅2014年10月4日全省基本無云,且該時段水稻田在遙感影像中色彩相對單調統(tǒng)一,十分便于水稻信息的提取。故使用2014年10月4日的FY-3C/MERSI遙感影像資料,選擇MERSI傳感器1～5通道數(shù)據(jù)對江西省水稻信息進行監(jiān)測分析,其主要性能參數(shù)見表1。首先利用國家衛(wèi)星氣象中心的衛(wèi)星監(jiān)測分析與遙感監(jiān)測系統(tǒng)(SMART)對0級數(shù)據(jù)進行定標、等角投影等處理,生成250 m分辨率1級數(shù)據(jù)。再利用ENVI遙感軟件轉換為柵格數(shù)據(jù),并結合ERDAS遙感軟件進行后續(xù)光譜信息提取與分析。為突出圖像上的不同地物以便于目視判讀,選取CH2、CH4、CH3(RGB)3個通道進行假彩色合成,在該合成影像上水稻表現(xiàn)為嫩綠色。

表1　MERSI(中分辨率光譜成像儀)各通道的性能參數(shù)

注：在第5～6欄中，第1～4通道的數(shù)據(jù)為反射率，第5通道的數(shù)據(jù)為溫差或最大溫度。

2水稻與背景地物的光譜特征分析

結合目視判讀和江西省土地利用現(xiàn)狀分類情況,將研究區(qū)分為水體、林地、水稻、裸地、草洲和云共6種典型地物。利用ERDAS遙感軟件的Spectral Profile光譜剖面工具對每種地物按照空間分布進行均勻采樣(樣本數(shù)見表2),對比分析通道1～通道5的光譜特性,統(tǒng)計其最小值、最大值、均值和標準差,統(tǒng)計結果見表2。為了便于分析,根據(jù)這些統(tǒng)計值做出各地物的光譜曲線,見圖1、圖2。

遙感圖像反映的是影響區(qū)域內地物的電磁波輻射能量,有明確的物理學意義。在遙感圖像數(shù)據(jù)中,像元亮度值的大小及其變化主要由地物類型的變化引起[11]。

2.1典型地物不同通道的反射率比較

由表2和圖1、圖2可知:對于地物水體而言，不同通道的反射率表現(xiàn)為CH1>CH2>CH3>CH4,反射率在CH4達到最小,且小于其他地物CH4的；在林地下，不同通道的反射率表現(xiàn)為CH4>CH1>CH2>CH3,其中CH4的反射率明顯高于CH1～CH3的；對于地物水稻，反射率表現(xiàn)為CH4>CH1>CH2>CH3,CH4的反射率明顯高于CH1～CH3的；對于裸地，CH4>CH1>CH2>CH3,CH1和CH4的反射率相近；就草洲來說，CH4>CH1>CH2>CH3,CH4的反射率明顯高于CH1～CH3的。

圖1　典型地物的光譜響應曲線

通道統(tǒng)計值水體林地水稻裸地草洲云1樣本數(shù)415459419395303354最小值9.57.410.411.811.214.0最大值17.913.414.922.013.784.7均值13.110.312.715.312.244.9標準差1.81.20.81.40.514.42樣本數(shù)415459419395303354最小值5.23.77.77.97.910.0最大值17.19.011.521.210.684.2均值9.56.59.811.59.042.5標準差2.71.00.71.40.614.93樣本數(shù)415459419395303354最小值2.82.05.16.35.27.7最大值19.06.510.821.28.587.9均值7.24.17.411.06.543.2標準差3.60.80.91.70.616.14樣本數(shù)415459419395303354最小值0.59.123.86.115.228.9最大值10.635.138.424.833.188.2均值3.222.232.016.724.751.9標準差1.84.82.62.74.012.65樣本數(shù)415459419395303354最小值288.5283.1289.5290.6290.1276.5最大值295.2294.7296.8300.2295.6295.8均值290.5289.7291.9296.1292.4282.7標準差1.01.91.41.51.03.6

注：第1～4通道的數(shù)據(jù)為反射率(單位為%)，第5通道的數(shù)據(jù)為亮溫(單位為K)。

圖2　典型地物通道5的亮溫值比較

由此可見:林地、水稻、草洲及裸地的光譜響應曲線的走勢大體相似,均有CH4>CH1>CH2>CH3的特點,僅水體表現(xiàn)為CH1>CH2>CH3>CH4,這是因為水體在4通道(近紅外波段)上具有很強的吸收性,而植物、土壤在此通道上吸收能量較小且有較強的反射特性,因此可根據(jù)水體CH1>CH4的特性對其進行剔除。

2.2典型地物間反射率對比

CH1(blue):反射率表現(xiàn)為裸地>水體>水稻>草洲>林地,水稻和水體、草洲幾乎重疊,但與裸地、林地有差異。CH2(green):情況與CH1類似。CH3(red):情況與CH1、CH2類似,且裸地與其他地物的差異更加明顯。CH4(NIR):水稻>草洲>林地>裸地>水體,各地物的反射率差異較大,其中水體明顯小于其他地物,水稻明顯大于其他地物。據(jù)此可嘗試分別設定閾值剔除水稻以外的其他地物。CH5(FIR):裸地>草洲>水稻>水體>林地>云。影響云的反射率的因素較多,不同時相云的光譜與其他地物相比不太穩(wěn)定,但在5通道上,云的亮溫相比于其他地物明顯偏低,而水體、林地、水稻和草洲的亮溫相近。據(jù)此可將云剔除。

3自動提取水稻信息的決策樹方法

決策樹是遙感圖像分類中的一種分層處理結構,可以逐級分層次地把所研究的目標一一區(qū)分、識別出來,具有靈活、直觀、運算效率高的特點。在分類過程中,在結構層次間可以不斷加入遙感或非遙感的決策函數(shù)、專家知識及有關資料(如一些邊界條件、分類參數(shù)等),進一步改善分類條件，提高分類精度。本文根據(jù)上述分析,提出以下利用決策樹方法進行水稻信息提取的基本過程,提取工作利用ERDAS遙感軟件提供的Knowledge Engineer工具,提取流程如圖3所示。

圖3　水稻信息自動提取流程

(1)根據(jù)云體在5通道上的亮溫值明顯低于其他典型地物的特點,首先設定閾值T1將云體剔除。根據(jù)典型地物樣點的統(tǒng)計數(shù)據(jù),云體在CH5的亮溫值變化范圍為276.5～295.8 K,均值為282.7 K;水稻在CH5的亮溫值變化范圍為289.5～296.8 K,均值為291.9 K。為了不去除水稻,將T1設定在283～289 K之間,并經反復試驗最終確定以T1>287.1 K剔除云體。同時,由于亮溫值有重疊,所以一小部分水體和林地也被剔除。

(2)從前面的分析可知,水體具備CH1>CH4的特性,同時水體在4通道的反射率明顯低于其他地物的,故可設定閾值T2將水體剔除。根據(jù)典型地物樣點的統(tǒng)計數(shù)據(jù),水體在CH4的反射率變化范圍為0.5%～10.6%,均值為3.2%;水稻及草洲在CH4的反射率遠超出該范圍。因此,可將T2設定在5%～11%之間,并經反復試驗最終確定以T2>8.8%剔除水體。同時,由于反射率有重疊,故一小部分裸地也被剔除。

(3)在4通道,裸地的反射率明顯低于水稻的,因此可設定閾值T3將裸地剔除。根據(jù)典型地物樣點的統(tǒng)計數(shù)據(jù),裸地在CH4的反射率變化范圍為6.1%～24.8%,均值為16.7%;水稻在CH4的反射率變化范圍為23.8%～38.4%,均值為32.0%。因此,可將T3設定在15%～20%之間,并經反復試驗最終確定以T3>17%剔除裸地。同時,由于反射率有重疊,所以一小部分林地和草洲也被剔除。

(4)林地、草洲和水稻作為植被,反射率變化趨勢一致,且在各個通道上反射率均有重疊,經對比分析,這3種地物在4通道的反射率重疊相對較少,其中水稻的反射率情況在(3)中已經給出,林地在CH4的反射率變化范圍為9.1%～35.1%,均值為22.2%；草洲在CH4的反射率變化范圍為15.2%～33.1%,均值為24.7%。因此,可以設定閾值T4剔除一部分林地和草洲。初步將T4設定在20%～30%之間,并經反復試驗最終確定以T4>29.5%剔除大部分的林地和草洲。

(5)由于植被在各單通道上的光譜特性相似,從中提取完整的水稻信息較困難,因此考慮引入對植被有指示意義的歸一化植被指數(shù),通過波段間運算增加信息量并參與分類,提高水稻提取的精度[12]。本研究利用2014年10月4日FY3C/MERSI影像數(shù)據(jù)計算歸一化植被指數(shù),計算公式為:NDVI=(CH4-CH3)/(CH4+CH3),其中CH4對應近紅外波段,CH3對應紅光波段。對計算過NDVI的影像進行采樣,所得統(tǒng)計結果見表3。

表3　典型植被的歸一化植被指數(shù)(NDVI)統(tǒng)計結果

根據(jù)表3,可設定閾值T5對水稻信息進行進一步的提取,從而提高提取精度。初步將T5設定在0.55～0.75之間,并經反復試驗最終確定以0.58

經過以上5步,就可通過剔除原始圖像中的云體、水體、裸地、林地和草洲等背景，得到水稻信息,將提取出的水稻信息標識為黃色,結果見圖4。

圖4　水稻信息提取結果

4結語

本研究采用目視判讀和精度驗證來評價水稻信息提取結果。首先,將通過上述方法提取的水稻信息與原始影像進行疊加,并利用ERDAS遙感軟件的地理鏈接功能,將遙感影像與江西省土地利用現(xiàn)狀數(shù)據(jù)進行點對點的比較分析。判讀檢驗結果表明該方法的總體提取效果令人滿意。在定量統(tǒng)計方面,將《江西統(tǒng)計年鑒》[13]中記載的2007～2013年江西省二季晚稻面積統(tǒng)計數(shù)據(jù)的平均值作為精度驗證的標準,對提取的水稻面積進行精度評價。圖5是2014年10月4日江西省11個地市水稻面積遙感提取結果與統(tǒng)計面積平均值的對比,從中可以看出,水稻信息的提取精度總體上在90%以上,該精度基本上可以滿足水稻生育期面積遙感監(jiān)測與產量預報的需求。在目視檢驗中發(fā)現(xiàn),提取時的誤判主要發(fā)生在水稻與其他植被的交界處,因為這些交界處通常具有相似的光譜特征。因此,進一步的研究重點是在現(xiàn)有理論的基礎上,融合更高分辨率的空間信息來提高水稻信息提取的精度。

圖5　江西各地市水稻面積精度評價

參考文獻:

[1] 楊曉華,黃敬峰.概率神經網絡的水稻種植面積遙感信息提取研究[J].浙江大學學報:農業(yè)與生命科學版,2007,33(6):691-698.

[2] 鄭長春,王秀珍,黃敬峰.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].浙江大學學報:農業(yè)與生命科學版,2009,35(1):98-104.

[3] 陳燕麗,莫偉華,莫建飛,等.基于面向對象分類的南方水稻種植面積提取方法[J].遙感技術與應用,2011,26(2):163-168.

[4] 魏新彩,王新生,劉海,等.HJ衛(wèi)星圖像水稻種植面積的識別分析[J].地球信息科學學報,2012,14(3):382-388.

[5] 李根,景元書,王琳,等.基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取[J].大氣科學學報,2014,37(1):119-126.

[6] 陳建軍.基于EOS/MODIS的江西省水稻長勢遙感監(jiān)測研究[D].南京:南京信息工程大學,2012:1-20.

[7] 黃淑娥,田俊,吳慧峻.江西省雙季水稻生長季氣候適宜度評價分析[J].中國農業(yè)氣象,2012,33(4):527-533.

[8] 吳珊珊,王懷清,黃彩婷.氣候變化對江西省雙季稻生產的影響[J].中國農業(yè)大學學報,2014,19(2):207-215.

[9] 彭春瑞,劉小林,李名迪,等.江西水稻主要氣象災害及防御對策[J].江西農業(yè)學報,2005,17(4):127-130.

[10] 陳大洲,江莉,劉紅安,等.江西水稻育種現(xiàn)狀及其發(fā)展方向[J].江西農業(yè)學報,2006,18(4):14-17.

[11] 鄧勁松,王珂,李君，等.決策樹方法從SPOT-5衛(wèi)星影像中自動提取水體信息研究[J].浙江大學學報:農業(yè)與生命科學版,2005,31(2):171-174.

[12] 鄭長春,王秀珍,黃敬峰.基于特征波段的SPOT-5衛(wèi)星影像水稻面積信息自動提取的方法研究[J].遙感技術與應用,2008,23(3):294-299.

[13] 江西省統(tǒng)計局.江西統(tǒng)計年鑒[M].北京:中國統(tǒng)計出版社,2008-2014.

(責任編輯:黃榮華)

Study on Decision-tree Algorithm for Automatically Extracting Paddy Rice Information from FY-3C/MERSI Images

CHEN Xing-juan, HUANG Shu-e, ZHU Bi-qin, FAN Jian-yong

(Meteorological Research Institute of Jiangxi Province, Nanchang 330096, China)

Abstract：In order to promote the application of FY-3 series of satellite data in information extraction of paddy rice, the author analyzed the spectral characteristics of paddy rice and other typical objects and the relationship among channels on FY-3C/MERSI image in Jiangxi province, and discussed the separability around objects on the spectral characteristics. The results showed the other typical objects could be separated from paddy rice on the basis of appropriate threshold besides vegetation. The spectral characteristics of paddy rice on every single channel was similar with the other vegetation, so the Normalized Difference Vegetation Index of vegetation was introduced to improve the extraction accuracy of paddy rice. According to the results of the research, the decision-tree model was established to automatically extract paddy rice information. Visual inspection showed that the extracting effect of this method was better, however, some pixels in the neighborhood area between paddy rice and other vegetation were judged by mistakes. Precision evaluation results showed that the overall extraction precision of this method was higher, the extraction results could meet the demand of remote sensing monitoring of rice area in the growth period and yiejd forecast.

Key words：FY-3C/MERSI; Satellite image; Paddy rice; Information extraction; Decision-tree algorithm

中圖分類號：TP79、S127

文獻標志碼：A

文章編號：1001-8581(2016)02-0085-05

作者簡介：陳興鵑(1986─),女,碩士,助理工程師,從事農業(yè)氣象與衛(wèi)星遙感方面的研究。

基金項目：國家發(fā)改委項目“風云三號氣象衛(wèi)星應用系統(tǒng)二期工程應用示范系統(tǒng)”；江西省氣象局面上項目“FY-3衛(wèi)星資料對水稻長勢遙感監(jiān)測的應用研究”。

收稿日期：2015-07-22