邱琳 盧必慧 孫玲 單捷 毛良君

摘要：基于GF-1衛(wèi)星影像數(shù)據(jù)，選擇建湖縣3塊5kmx5km水稻種植區(qū)為試驗區(qū)，分析了水稻識別精度與GF-1衛(wèi)星3種分辨率之間的關(guān)系。結(jié)果表明，隨著空間分辨率由2.0m變化到16.0m，混合像元內(nèi)水稻所占比例從0.92下降到0.73，水稻圖斑平均面積從1.66hm2上升到13.28hm2，水稻識別的總體精度由92.41%降低到89.20%;水稻識別精度與高、中、低3個農(nóng)田景觀破碎度密切相關(guān)，破碎度增加導(dǎo)致水稻識別精度下降;同等分辨率下，破碎度越高水稻識別精度越低。

關(guān)鍵詞：水稻;GF-1衛(wèi)星;空間分辯率;破碎度;面積監(jiān)測

中圖分類號：S127 文獻(xiàn)標(biāo)識碼：A 文章編號：1000-4440（2019）01-0070-06

高分一號衛(wèi)星（GF-1）的設(shè)計目標(biāo)是為國土、農(nóng)業(yè)、環(huán)保等部門提供高精度、大范圍的對地觀測服務(wù)，衛(wèi)星搭載了1臺2.0m分辨率的全色相機(jī)，1臺8.0m分辨率和4臺16.0m分辨率的多光譜相機(jī)，獲取的影像覆蓋面積大，空間分辨率高。GF一1衛(wèi)星于2013年發(fā)射，在農(nóng)情監(jiān)測方面應(yīng)用廣泛。王利民等利用多時相GF-1影像對冬小麥進(jìn)行早期識別，以多尺度分割后的對象為基本分類單元，采用分層決策樹分類的方法對冬小麥面積進(jìn)行提取，并利用地面樣方數(shù)據(jù)對分類結(jié)果進(jìn)行了精度驗證。單捷等利用多時相GF-1影像提取水稻種植面積，證實GF-1影像可用于水稻種植面積監(jiān)測且精度較高，在農(nóng)作物種植面積監(jiān)測中具有廣闊的應(yīng)用前景。李章成等利用多時相GF-1遙感影像及DEM衍生數(shù)據(jù)，采用決策樹分類方法，在地塊比較破碎的德陽地區(qū)進(jìn)行了水稻種植面積提取。通過查閱相關(guān)文獻(xiàn)發(fā)現(xiàn)，GF-1的16m分辨率影像在農(nóng)業(yè)領(lǐng)域應(yīng)用非常廣泛，但2.0 m和8.0 m分辨率影像的應(yīng)用報道不多，不同空間分辨率GF-1數(shù)據(jù)的監(jiān)測尺度效應(yīng)比較尚未見報道。在農(nóng)作物遙感監(jiān)測過程中，衛(wèi)星影像空間分辨率是影響農(nóng)作物種植面積監(jiān)測精度的重要因素之一，不同空間分辨率影像對作物面積提取精度的影響是客觀存在且較為顯著的。由于作物從播種（移栽）到收獲期間時間跨度相對較短，一般需要獲取不同空間分辨率的遙感影像才能滿足區(qū)域范圍全覆蓋的需要。為了準(zhǔn)確獲取農(nóng)作物種植面積，不同空間分辨率遙感影像監(jiān)測尺度效應(yīng)之間的相互轉(zhuǎn)換尤為重要。因此，GF-1不同空間分辨率影像監(jiān)測尺度效應(yīng)的研究對于農(nóng)作物遙感檢測中野外采樣系統(tǒng)設(shè)計及科學(xué)地進(jìn)行統(tǒng)計具有重要作用。

本研究利用GF-1衛(wèi)星2m、8m和16m3種不同分辨率的遙感影像，分別提取研究區(qū)水稻空間分布及面積，定量研究空間分辨率與面積提取精度、圖斑破碎度等之間的相互關(guān)系，為不同分辨率GF-1影像的應(yīng)用提供科學(xué)依據(jù)。

1材料與方法

1.1研究區(qū)選擇

研究區(qū)選擇在建湖縣。建湖縣位于江蘇省東北部、鹽城市中西部（圖1），地理范圍為北緯33°16’～33°41’，東經(jīng)119°33’～120°05’，東臨射陽縣，南與鹽都區(qū)接鄰，西與寶應(yīng)、淮安、阜寧三市縣毗連，北與阜寧縣接壤。建湖縣是國家商品糧基地縣，常年水稻面積占耕地面積85%左右，水稻種植聚集程度較高，水稻品種以淮稻5號為主，生長期一般從5月下旬到10月下旬，同季其他作物有少量大豆、玉米、薯類和棉花。3塊5 kmx5km的研究區(qū)設(shè)立在建湖縣不同水稻種植區(qū)內(nèi)，位于圖1QuickBird影像（0.5 m分辨率）范圍內(nèi)。

1.2數(shù)據(jù)獲取及處理

GF-1影像獲取自中國資源衛(wèi)星中心推送至農(nóng)業(yè)部遙感應(yīng)用中心的存檔數(shù)據(jù)。通過查詢2014年6月至11月建湖縣域的影像數(shù)據(jù)，可知10月3日GF-1衛(wèi)星同時接收到完全覆蓋建湖縣的16 m、8 m和2m分辨率影像，影像有少量分布不均的云層覆蓋，位于建湖縣東部地區(qū)，3塊研究區(qū)不受云層遮擋，滿足研究需要。

首先分別對不同分辨率的GF-1影像進(jìn)行大氣校正和正射校正，并以QuickBird影像為基準(zhǔn)進(jìn)行幾何精校正。將8.0m多光譜影像與2.0m全色影像融合后生成2.0m分辨率多光譜影像，并與8.0m和16.0m的多光譜影像形成影像序列，用于后續(xù)研究。在10月3日多光譜影像上，研究區(qū)內(nèi)的水稻分布呈現(xiàn)出比較一致的色調(diào)，且與其他地物有明顯反差，增加了不同地物光譜的類間可分性。圖2是1號樣方39號框4種分辨率影像局部對比圖。

實地調(diào)查研究區(qū)內(nèi)水稻的分布情況，建立水稻樣方，為水稻分布解譯提供實測數(shù)據(jù)參考。作物種植面積監(jiān)測精度除了受到影像空間分辨率的影響之外，也與分類器類型密切相關(guān)。為了消除不同分類器對精度的影響，本研究根據(jù)實地調(diào)查數(shù)據(jù)，用目視解譯方法分別對QuickBird影像和不同分辨率GF-1影像進(jìn)行解譯，提取各分辨率影像水稻分布信息，將影像劃分為水稻和其他2類，生成分類結(jié)果矢量圖，并統(tǒng)計其面積。

1.3精度驗證

混淆矩陣方法是目前普遍采用的遙感影像分類精度定量評價方法。該方法通過計算各種統(tǒng)計量并進(jìn)行統(tǒng)計檢驗，最終給出總體和基于各種地物類型的分類精度。本研究借鑒混淆矩陣方法，建立針對單一農(nóng)作物的面積提取精度評價指標(biāo)，從而得到各分辨率水稻面積提取的總體分類精度。

將研究區(qū)QuickBird影像的目視解譯結(jié)果作為準(zhǔn)確分類結(jié)果，以此為真值，采用混淆矩陣方法對2.0m、8.0m和16.0m分辨率的GF-1影像分類結(jié)果進(jìn)行描述比較與評價，分別計算總體分類精度和Kappa系數(shù)。評價在不同空間分辨率尺度下，由混合像元引起的水稻識別誤差對面積提取精度的影響趨勢。

1.4景觀破碎度分析

以格網(wǎng)為單元比較不同等級農(nóng)田景觀破碎度對水稻面積提取精度的影響。利用ARCGIS將研究區(qū)劃分為75個相同大小的格網(wǎng)，依次編號為1～75。將水稻圖斑平均面積作為各格網(wǎng)內(nèi)農(nóng)田景觀的破碎度，并根據(jù)破碎度大小將研究區(qū)劃分為高破碎度、中破碎度和低破碎度3個等級，統(tǒng)計并分析不同等級破碎度下水稻識別精度與不同空間分辨率之間的關(guān)系。

2結(jié)果與分析

2.1不同分辨率影像的水稻面積識別

圖3為研究區(qū)內(nèi)0.5 m、2.0 m、8.0 m和16.0 m4種分辨率尺度的水稻分類結(jié)果，從上到下依次為1～3號樣方，可以看出不同分辨率影像的水稻識別結(jié)果差異明顯。

2.2 GlF.1影像像元可識別程度的尺度效應(yīng)

以QuickBird影像水稻分類結(jié)果作為基準(zhǔn)，并認(rèn)為該分辨率下遙感影像中的水稻像元都是純凈像元，即純凈水稻像元中水稻占比為百分之百。當(dāng)影像分辨率不斷降低時，純凈水稻像元將與鄰近的水稻像元或非水稻像元組合成新的混合水稻像元，混合水稻像元中水稻的面積占比將隨之不斷變化。GF-1影像不同分辨率尺度下混合水稻像元中水稻面積占比的統(tǒng)計結(jié)果（表1）表明，當(dāng)影像分辨率從2.0m降到16.0m時，混合水稻像元中水稻面積占比從0.92降低到了0.73，面積占比的變異系數(shù)從0.21上升到0.35。當(dāng)混合像元的水稻面積占比達(dá)到一定比例時，該像元才能被識別為水稻，反之當(dāng)混合像元中水稻面積占比不達(dá)標(biāo)時，該混合像元中的水稻面積將被丟失，且影像分辨率越低，丟失的水稻面積越大。

2.3水稻圖斑大小的尺度效應(yīng)

隨著影像分辨率的降低，水稻混合像元逐步代替純凈像元，水稻純凈像元也不斷丟失或歸并。以QuickBird影像水稻分類結(jié)果為基準(zhǔn)，針對不同分辨率尺度下GF-1影像水稻分類結(jié)果，統(tǒng)計被丟失的水稻圖斑。結(jié)果（表2）顯示，隨著影像分辨率的降低，分類結(jié)果中丟失的水稻圖斑數(shù)量明顯增加，水稻圖斑的平均面積也明顯增加。因此，影像分辨率的降低將引起小圖斑產(chǎn)生“融合”效應(yīng)，致使分類結(jié)果中細(xì)小圖斑丟失，最終導(dǎo)致“融合”后混合像元中非水稻歸并為水稻的像元面積增加。圖4為0.5 m影像被16 m影像水稻圖斑“融合”的非水稻圖斑或細(xì)小水稻圖斑。由圖4可見，0.5 m影像中的一些狹長溝渠和道路均被“融合”為水稻，這些狹長圖斑在16m影像中被丟失。

2.4不同分辨率影像水稻面積識別精度分析

以QuickBird影像目視解譯水稻面積為標(biāo)準(zhǔn)，利用混淆矩陣方法對不同分辨率GF-1影像的水稻識別精度進(jìn)行評價（表3）。其中，面積比例是指不同分辨率影像水稻提取面積與標(biāo)準(zhǔn)值之間的差異，水稻識別精度是指水稻面積總體識別精度。由表3可知，隨著影像分辨率從2.0 m降低到16.0 m，單個像元不斷增大，混合像元不斷出現(xiàn)和增多，導(dǎo)致水稻分類漏分和錯分的可能性不斷增大，水稻面積提取精度逐步降低。

隨著GF-1影像分辨率由2.0m逐漸降低到16.0m，混合像元逐漸增多，水稻圖斑面積越來越大，試驗區(qū)混合水稻像元的水稻面積占比逐漸下降，水稻圖斑平均面積從1.66hm2增加到13.28 hm2，水稻識別總體精度也由92.41%降低到89.20%，Kappa系數(shù)從0.85降低到0.78，呈現(xiàn)識別精度不斷降低，誤差明顯增加的趨勢。

2.5水稻識別精度與景觀破碎度的關(guān)系

根據(jù)景觀破碎度的定義，水稻圖斑平均面積越大，景觀破碎度越小。將研究區(qū)75個格網(wǎng)的景觀破碎度由低到高進(jìn)行排序，每25個格網(wǎng)為一類，將所有格網(wǎng)分為低破碎度、中破碎度和高破碎度3個等級。分別計算不同分辨率影像75個格網(wǎng)對應(yīng)的景觀破碎度并分級，統(tǒng)計不同影像分辨率尺度下低、中、高3個破碎度等級的水稻識別誤差，結(jié)果見表4。由表4可知，水稻識別精度與水稻地塊破碎度之間存在顯著的相關(guān)性，破碎度越高，水稻識別精度越低，這主要是由于相同尺度下，破碎度越高，混合像元的比例越大，從而導(dǎo)致水稻識別誤差越高。

水稻識別精度與地塊景觀破碎度密切相關(guān)。在同等影像分辨率下，破碎度越高水稻識別誤差越高。2m分辨率影像高、中、低破碎度下水稻識別誤差分別為4.42、2.49和1.78，8.0 m分辨率影像高、中、低破碎度下水稻識別誤差分別為13.87、10.97和9.23，16.0 m分辨率影像高、中、低破碎度下水稻識別誤差分別為17.29、15.94和13.30。這主要因為高破碎度下混合像元數(shù)量比低破碎度更多，因此作物識別能力也就更差。

3結(jié)論

本研究以不同空間分辨率GF-1影像為數(shù)據(jù)源，分析了不同空間分辨率影像下水稻面積的識別能力。研究結(jié)果表明，水稻識別精度與遙感影像分辨率存在密切關(guān)聯(lián)，同時耕地景觀破碎度也是影響水稻識別精度的重要因索，且其影響程度與空間分辨率密切相關(guān)。高空間分辨率遙感影像能夠適用于各種破碎度下的水稻識別，而中、低空間分辨率遙感影像在低破碎度條件下較為適用。