劉兵兵， 王莉雯， 管續(xù)棟， 黃 翀

(1.遼寧師范大學(xué)城市與環(huán)境學(xué)院，遼寧大連116029；2.中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；3.中國(guó)科學(xué)院大學(xué)，北京100049)

?

一種基于MODIS·TM影像融合技術(shù)提高水稻種植分布提取精度的方法

劉兵兵1， 王莉雯1， 管續(xù)棟2,3， 黃 翀2*

(1.遼寧師范大學(xué)城市與環(huán)境學(xué)院，遼寧大連116029；2.中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101；3.中國(guó)科學(xué)院大學(xué)，北京100049)

摘要綜合考慮湄公河三角洲地區(qū)高質(zhì)量TM影像難以獲得、影像單一以及MODIS時(shí)間序列數(shù)據(jù)影像的空間分辨率無(wú)法滿(mǎn)足監(jiān)測(cè)需要的問(wèn)題，提出一種基于影像對(duì)象的MODIS與TM數(shù)據(jù)融合模型(IOBFM)。根據(jù)2009年12月9日和2010年7月5日湄公河三角洲中部地區(qū)Landsat7 TM影像數(shù)據(jù)，融合MODIS時(shí)序數(shù)據(jù)提取裸地純象元點(diǎn)中的水稻點(diǎn)，并與單純運(yùn)用MODIS影像的提取結(jié)果的精度進(jìn)行比較。結(jié)果表明，用IOBFM模型的水稻象元提取精度比MODIS提取精度高出9.7個(gè)百分點(diǎn)，MODIS與TM數(shù)據(jù)融合可提高提取地區(qū)植被分布的精度。

關(guān)鍵詞TM；MODIS；水稻；湄公河三角洲；影像融合

全球50%以上人口以大米作為主食，稻田占全球耕地面積超過(guò)約11%。湄公河三角洲地區(qū)水稻種植情況調(diào)查對(duì)地區(qū)糧食安全起到舉足輕重的作用，而湄公河三角洲的水稻種植面積估算一般基于野外調(diào)查，使得這項(xiàng)工作費(fèi)時(shí)費(fèi)力[1]。遙感技術(shù)手段已經(jīng)成為監(jiān)測(cè)農(nóng)業(yè)生產(chǎn)的必要手段，Landsat TM影像能夠滿(mǎn)足植被特征的空間監(jiān)測(cè)任務(wù)。但在多云多雨的湄公河三角洲地區(qū)，遙感衛(wèi)星影像質(zhì)量受云層影響較大，使得高質(zhì)量TM影像的獲取較為困難；而低分辨率遙感影像數(shù)據(jù)系列，如MODIS數(shù)據(jù)的植被指數(shù)時(shí)間序列數(shù)據(jù)可以用于監(jiān)測(cè)植被生物物理變量的時(shí)空動(dòng)態(tài)變化[2-3]，這種反映生物物理量變化的多時(shí)相數(shù)據(jù)有多種應(yīng)用優(yōu)勢(shì)[4-5]。由于湄公河地區(qū)土地異質(zhì)性較大，目前常用于提取植被指數(shù)時(shí)間序列的MODIS數(shù)據(jù)在湄公河水稻提取中會(huì)產(chǎn)生混合象元問(wèn)題。隨著影像融合技術(shù)的發(fā)展，結(jié)合來(lái)源不同的遙感影像提高解譯精度成為遙感分類(lèi)趨勢(shì)。綜合考慮高質(zhì)量TM影像難以獲得、影像單一以及MODIS時(shí)間序列數(shù)據(jù)影像的空間分辨率無(wú)法滿(mǎn)足監(jiān)測(cè)需要問(wèn)題，筆者提出一種基于影像對(duì)象的MODIS與TM數(shù)據(jù)融合模型(IOBFM)，將高時(shí)間分辨率的MODIS數(shù)據(jù)作為輔助數(shù)據(jù)提高TM影像提取水稻種植分布的精度。

1數(shù)據(jù)來(lái)源與研究方法

1.1研究區(qū)概況湄公河三角洲位于越南最南部以及柬埔寨部分地區(qū)(104°27～106°48′E、8°34～11°2′N(xiāo))。湄公河三角洲地處熱帶，為典型的熱帶季風(fēng)氣候[6]。其水稻種植有深水單季稻、雙季稻、三季稻。除水稻外，旱地多種植熱帶經(jīng)濟(jì)作物、水果和旱糧作物[7-9]。

1.2數(shù)據(jù)及預(yù)處理使用的TM數(shù)據(jù)來(lái)自Landsat 7衛(wèi)星數(shù)據(jù)，空間分辨率為30 m。研究時(shí)段為2009～2010年，選取研究區(qū)內(nèi)一景質(zhì)量較高的TM數(shù)據(jù)，其范圍覆蓋湄公河三角洲中部地區(qū)，采集時(shí)間為2009年12月9日和2010年7月5日。TM數(shù)據(jù)已經(jīng)進(jìn)行過(guò)幾何校正、大氣校正。

對(duì)獲取的MODIS的地表反射率合成產(chǎn)品數(shù)據(jù)(MOD09A1)影像進(jìn)行拼接、裁剪，統(tǒng)一轉(zhuǎn)換到與TM影像投影相同的UTM投影。使用前2個(gè)波段計(jì)算出NDVI數(shù)據(jù)，并得到QA數(shù)據(jù)層。使用TIMESAT軟件的Savitzky-Golay濾波算法對(duì)NDVI時(shí)序進(jìn)行濾波，將S-G濾波窗口設(shè)置為6，上包絡(luò)線迭代次數(shù)設(shè)置為2。經(jīng)S-G濾波處理最終得到濾波后平滑的NDVI時(shí)序曲線更加接近真實(shí)NDVI值[10-13]。該研究使用Google Earth中2009～2010年高清遙感衛(wèi)星影像獲取248個(gè)驗(yàn)證點(diǎn)，其中165個(gè)水稻地類(lèi)點(diǎn)，83個(gè)非水稻地類(lèi)點(diǎn)，由于驗(yàn)證的精度對(duì)象為30 m分辨率TM影像，采樣點(diǎn)的選擇為土地覆蓋類(lèi)型均勻的50 m×50 m范圍點(diǎn)。

1.3研究方法該研究分類(lèi)過(guò)程分為4個(gè)步驟：①影像分割。②將TM及MODIS影像中可以確定為水稻地類(lèi)點(diǎn)的象元提出。③應(yīng)用對(duì)不確定是否為水稻點(diǎn)的混合象元提出。在裸地類(lèi)中，對(duì)于TM影像無(wú)法識(shí)別是否為水稻種植點(diǎn)，而MODIS影像為純象元裸地類(lèi)的，則使用MODIS影像進(jìn)行水稻點(diǎn)判別。④在TM影像中，有處于生長(zhǎng)期的水稻象元，可以直接由TM影像通過(guò)面向?qū)ο蟮姆椒ㄌ崛〕觯灿蠱ODIS影像內(nèi)為純象元裸地而TM影像中無(wú)法識(shí)別是否為水稻象元的，則可通過(guò)基于MODIS影像中提取的NDVI時(shí)序相似性方法提取其是否為水稻點(diǎn)。

1.3.1影像分割。應(yīng)用eCognition軟件，首先將與獲得的2幅高質(zhì)量TM影像時(shí)間相對(duì)于的MODIS影像按象元大小分割。在MODIS影像分割的基礎(chǔ)上，對(duì)TM影像進(jìn)行分割。即對(duì)MODIS象元內(nèi)的兩景TM影像共同進(jìn)行分割。經(jīng)試驗(yàn)，在分割尺度為6的情況下可以滿(mǎn)足對(duì)象內(nèi)一致性，對(duì)象間異質(zhì)性的需求。分割參數(shù)的選?。簩?duì)所有TM波段(2幅影像共14個(gè)波段)的權(quán)重均設(shè)為1，形狀異質(zhì)性 (shape)設(shè)為0.2，即光譜異質(zhì)性為0.8；緊密度異質(zhì)性 (compactness)設(shè)為0.5，即光滑度異質(zhì)性為0.5。

1.3.2影像分類(lèi)。根據(jù)兩景TM影像的光譜、形狀、紋理特征，將TM影像分為6類(lèi)，其中將裸地類(lèi)分為4類(lèi)，即無(wú)法確定是否在生長(zhǎng)季為水稻種植的地類(lèi)點(diǎn)，其余2類(lèi)分別為確定為的水稻點(diǎn)和非水稻地類(lèi)點(diǎn)。為確定MODIS影像為裸地純象元的象元是否為水稻種植點(diǎn)，則采用時(shí)間序列挖掘中的動(dòng)態(tài)時(shí)間彎曲距離計(jì)算方法逐像元比較MODIS裸地純象元點(diǎn)與水稻純象元點(diǎn)NDVI時(shí)序曲線(標(biāo)準(zhǔn)生長(zhǎng)曲線)的相似度[18]。依據(jù)試驗(yàn)取DTW距離閾值劃分MODIS象元為水稻點(diǎn)或非水稻點(diǎn)。最后，在面向?qū)ο蠓椒▽?duì)TM影像分割的基礎(chǔ)上，認(rèn)為一個(gè)MODIS影像內(nèi)的單個(gè)對(duì)象的時(shí)序曲線相同，將其作為一類(lèi)。單個(gè)MODIS象元內(nèi)子層(TM影像分割結(jié)果)對(duì)象的權(quán)重不同，利用以下公式確定:

(1)

(2)

式中,Fkn、Fkm分別是n時(shí)間和m時(shí)間第k個(gè)分割對(duì)象的反射率值；Cn、Cm分別是n時(shí)間和m時(shí)間MODIS象元的反射率值。

根據(jù)公式(2)的推導(dǎo)過(guò)程可以得到：

(3)

2結(jié)果與分析

2.1影像分類(lèi)結(jié)果根據(jù)2009～2010年兩景TM影像的光譜特征，對(duì)分割后的影像對(duì)象進(jìn)行決策樹(shù)分類(lèi)。TM分類(lèi)結(jié)果見(jiàn)圖1a。根據(jù)水稻點(diǎn)純象元曲線相似性可提取裸地純象元中的水稻點(diǎn)[18]，由MODIS時(shí)序數(shù)據(jù)提取裸地純象元點(diǎn)中的水稻點(diǎn)，其中，設(shè)置DTW距離小于0.1的象元點(diǎn)為水稻點(diǎn)，最終得到純象元水稻點(diǎn)提取結(jié)果見(jiàn)圖1b。

圖1　基于TM及MODIS的影像結(jié)果Fig.1　Image results based on TM and MODIS

除純象元點(diǎn)外，大部分TM影像中裸地點(diǎn)在MODIS影像中都為混合象元點(diǎn)，判別這部分象元是否為水稻點(diǎn)需要使用混合象元分解技術(shù)，該研究以TM影像對(duì)象為基礎(chǔ)對(duì)MODIS進(jìn)行像元分解，判別MODIS象元內(nèi)的TM影像裸地類(lèi)對(duì)象是否為水稻種植點(diǎn)。假設(shè)每個(gè)MODIS象元范圍內(nèi)的單個(gè)裸地對(duì)象的種植情況相同，且各個(gè)地類(lèi)形狀在年內(nèi)未發(fā)生變化。

2.2權(quán)重系數(shù)利用公式(2)，計(jì)算得到系數(shù)矩陣、面積權(quán)重矩陣(圖2)。最后，根據(jù)公式(3)計(jì)算出2010年剩余45景與MODIS 反射率對(duì)應(yīng)的TM 反射率值。最終對(duì)得到的高分辨率 NDVI時(shí)序，也使用基于DTW距離的時(shí)序相似性判斷是否為水稻象元點(diǎn)。

圖2　系數(shù)及面積權(quán)重矩陣Fig.2　Coefficient and area weight matrix

2.3IOBFM結(jié)果比較圖3為使用DTW距離提取的水稻，圖3a為MODIS NDVI時(shí)序數(shù)據(jù)提取的水稻點(diǎn)(圖中藍(lán)色區(qū)域)，圖3b為使用本文流程提取的水稻點(diǎn)(圖中紅色區(qū)域)。比較圖3a和圖3b可以看出，使用該研究方法既能將TM影像中的裸地點(diǎn)提取出來(lái)，又能細(xì)化提取結(jié)果，如研究區(qū)西南部的路網(wǎng)基本能剔除。

圖3　用MODIS影像和IOBFM方法的水稻提取結(jié)果比較Fig.3　Comparison of paddy extraction results by MODIS image and IOBFM method

為比較提取結(jié)果的精度，結(jié)合GoogleEarth高清遙感影像以及野外實(shí)測(cè)數(shù)據(jù)對(duì)水稻提取結(jié)果進(jìn)行了精度驗(yàn)證。在湄公河三角洲的中部地區(qū)均勻取得水稻種植點(diǎn)165個(gè)，其他地類(lèi)取點(diǎn)83個(gè)，取點(diǎn)盡量選擇非混合像元。根據(jù)隨機(jī)選取的點(diǎn)與水稻提取結(jié)果進(jìn)行分析，得到2種方法提取結(jié)果的分類(lèi)精度比較(表1)。由表1可知，利用TM影像提取結(jié)果中，正確率達(dá)到79.4%，最后得到總體正確分類(lèi)精度為79.2%；利用IOBFM方法提取結(jié)果，正確率達(dá)到88.5%，最后得到總體正確分類(lèi)精度為88.9%。

3結(jié)論與討論

湄公河三角洲地區(qū)屬于熱帶季風(fēng)多云多雨氣候，影像受云影響很大，加之水稻種植靈活，所以水稻的影像提取有一定的難度。該研究利用遙感融合技術(shù)，在對(duì)混合像元分解的基礎(chǔ)上，結(jié)合Landsat 7 TM和MODIS高時(shí)間分辨率影像與高空間分辨率影像的優(yōu)勢(shì)進(jìn)行高精度水稻制圖，結(jié)果表明：①利用更高的空間分辨率圖像或輔助數(shù)據(jù)信息分析低分辨率像素內(nèi)的每種地物的信息能更有效的估算低空間分辨率混合像元中不同地類(lèi)的反射率和NDVI值。②將高時(shí)間分辨率的MODIS數(shù)據(jù)作為輔助數(shù)據(jù)提高TM影像提取水稻種植分布精度不僅能將TM影像中裸地點(diǎn)提取出來(lái)，又能細(xì)化提取結(jié)果，剔除一些不需要的信息，如路網(wǎng)等。③時(shí)相的選取對(duì)水稻提取有著至關(guān)重要的作用，在水稻的不同時(shí)期其生長(zhǎng)狀況是隨時(shí)發(fā)生變化的，在水稻生長(zhǎng)期獲得的影像才具有很好的研究意義。由于該研究區(qū)獲取的TM影像受云污染較嚴(yán)重，因此很難得到無(wú)云并處于水稻生長(zhǎng)期的高質(zhì)量的TM影像，該研究在MODIS數(shù)據(jù)的輔助下使TM影像最終水稻提取結(jié)果的精度為88.9%，比使用MODIS影像提取結(jié)果在精度上提高了9.7個(gè)百分點(diǎn)。該研究思路和方法達(dá)到了一個(gè)較滿(mǎn)意的試驗(yàn)結(jié)果，將這種思路和方法應(yīng)用到提高其他地區(qū)植被的提取精度上，也將有一定收獲。

表1TM影像和IOBFM方法提取結(jié)果分類(lèi)精度比較

Table 1Classification accuracy comparison of the extracting results between TM image and IOBFM method

方法Method取點(diǎn)類(lèi)型Typeofpoint水稻Paddy其他地類(lèi)Otherlandtype累計(jì)正誤概率CumulativeprobabilityMODIS影像分類(lèi)結(jié)果∥個(gè)16542-MODIS位于分類(lèi)后水稻面內(nèi)∥個(gè)1319-image位于分類(lèi)后水稻面外∥個(gè)3433-正確率∥%79.478.679.2IOBFM法分類(lèi)結(jié)果∥個(gè)16542-IOBFM位于分類(lèi)后水稻面內(nèi)∥個(gè)1464-method位于分類(lèi)后水稻面外∥個(gè)1938-正確率∥%88.590.588.9

參考文獻(xiàn)

[1] KUENZER C,KNAUER K.Remote sensing of rice crop areas[J].International journal of remote sensing,2013，34(6):2101-2139.

[2] CHERCHALI S,AMRAM O,FLOUZAT G.Retrieval of temporal profiles ofreflectances from simulated and real NOAA-AVHRR data over heteroge-neouslandscapes[J].International journal of remote sensing,2000,21:753-775.

[3] DABROWSKA-ZIELINSKA K,GRUSZCZYNSKA M,YESOU H,et al.Biophysical properties of wetlands vegetation retrieved from satellite images[J].Geoscience and remote sensing symposium,2004,7:4580-4583.

[4] MATSUSHITA B,TAMURA M.Integrating remotely sensed data with anecosystem model to estimate net primary productivity in East Asia[J].Remote sensing of environment,2002,81:58-66.

[5] MOULIN S,BONDEAU A,DELECOLLE R.Combining agricultural cropmodels and satellite observations: From field to regional scales[J].Interna-tional journal of remote sensing,1998,19:1021-1036.

[6] ZURITA-MILLA R,KAISER G,CLEVERS J G P W,et al.Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics[J].Remote sensing of environment,2009,113: 1874-1885.

[7] 胡繼銀，蔣艾青.越南雜交水稻現(xiàn)狀及發(fā)展對(duì)策[J].雜交水稻，2010，25(5)：84-88.

[8] 呂榮華，周行，梁朝旭，等.越南水稻的栽培概況[J].廣西農(nóng)業(yè)科學(xué)，2004，35(2)：102-103.

[9] 顧根寶，郭軍，顧閩峰，等.越南水稻品種資源分類(lèi)及其利用狀況[J].雜交水稻，2004，19(1)：60-61.

[10] 宋春橋，柯靈紅，游松財(cái)，等.基于TIMESAT的3種時(shí)序NDVI擬合方法比較研究:以藏北草原為例[J].遙感技術(shù)與應(yīng)用,2011,26(2): 147-154.

[11] GU J,LI X,HUANG C,et al.A simplified data assimilation method for reconstructing time-series MODIS NDVI Data[J].Advances in space research,2009,44:501-509.

[12] CHEN J,J?NSSON P,TAMURA M,et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the savitzky-Golay filter[J].Remote sensing of environment,2004,91:332-344.

[13] EKLUNDH L,J?NSSON P.TIMESAT 3.1 - Software manual[M].Sweden:Lund University,2012:82.

[14] BUSETTO L,MERONI M,COLOMBO R.Combining medium and coarse spatial resolution satellite data to improve theestimation of sub-pixel NDVI time series[J].Remote sensing of environment,2008,112:118-131.

[15] ZHU X I,CHEN J,GAO F,et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote sensing of environment,2010,114: 2610-2623.

[16] HILKER t,WULDER M A,COOPS N C,et al.A new data fusion model for high spatial- and temporal-resolution mapping of forestdisturbance based on Landsat and MODIS[J].Remote sensing of environment,2009,113: 1613-1627.

[17] MEZNED N,ABDELJAOUED S,BOUSSEMA M B.A comparative study for unmixing based Landsat ETM+ and ASTER image fusion[J].International journal of applied earth observation and geoinformation,2010,12: 131-137.

[18] 管續(xù)棟，黃翀，劉高煥，等.基于DTW距離的時(shí)序相似性方法提取水稻遙感信息：以泰國(guó)為例[J].資源科學(xué)，2014， 36(2)：227-236.

基金項(xiàng)目國(guó)家自然科學(xué)基金項(xiàng)目(41271421，41561144012，41471335)；中國(guó)科學(xué)院重點(diǎn)部署項(xiàng)目(KZZD-EW-08)。

作者簡(jiǎn)介劉兵兵(1988- )，女，黑龍江齊齊哈爾人，碩士研究生，研究方向：資源環(huán)境遙感與大數(shù)據(jù)制圖分析。*通訊作者，博士，副研究員，從事生態(tài)遙感、GIS地學(xué)建模研究。

收稿日期2016-05-03

中圖分類(lèi)號(hào)S 127;TP 79

文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào)0517-6611(2016)16-266-04

A Method to Improve Planting Distribution Accuracy of Paddy Based on MODIS,TM Image Fusion Technology

LIU Bing-bing1,WANG Li-wen1,GUAN Xu-dong2,3,HUANG Chong2*

(1.School of Urban and Environmental Science,Liaoning Normal University,Dalian,Liaoning 116029; 2.State Key Laboratory of Resources and Environmental Information System,Institute of Geographic Sciences and Natural Resources Research,Chinese Academy of Sciences,Beijing100101; 3.University of the Chinese Academy of Sciences,Beijing 100049)

AbstractThere were several problems in Niger Delta of Mekong River,such as difficult obtaining of high-quality TM image,single image,spatial resolution of MODIS time series data image being unable to meet the needs of the monitoring.Based on these,we proposed a MODIS and TM data fusion model based on image objects (image object based fusion model,IOBFM).According to the Landsat7 TM image data in Niger Delta of Mekong River in December 9,2009 and July 5,2010,we integrated the MODIS time series data,extracted the paddy points in bare pure pixel points,and compared with the precision of extracting results of using single MODIS image.Results showed that using rice pixel extraction accuracy in IOBFM model enhanced the accuracy by 9.7 percentage points compared with MODIS extraction accuracy.MODIS and TM data fusion enhanced the extraction accuracy of paddy planting distribution.

Key wordsTM; MODIS; Paddy; Mekong Delta; Image fusion