周峰，廖鈺冰

(鹽城工學(xué)院 a 環(huán)境科學(xué)與工程學(xué)院，b土木工程學(xué)院，江蘇 鹽城 224051)

土地利用信息的提取是建立區(qū)域或全球陸面模式的基礎(chǔ)，對(duì)保障農(nóng)業(yè)安全和生態(tài)環(huán)境質(zhì)量具有重要的意義[1]。隨著信息技術(shù)的發(fā)展，遙感技術(shù)以其成本低、效率高的優(yōu)勢(shì)廣泛應(yīng)用于土地利用分類和動(dòng)態(tài)監(jiān)測(cè)過(guò)程。不同土地利用類型反射光譜特性的差異，使得其在遙感影像上呈現(xiàn)出不同的色彩和紋理特征。這是對(duì)不同土地利用類型進(jìn)行遙感解譯的依據(jù)。目前，用于遙感分類的影像多以Landsat TM、MODIS等可見(jiàn)光遙感為主，但單時(shí)相的影像上光譜紋理特征差異較難判斷，同譜異物和同物異譜現(xiàn)象加大了信息提取的難度。

不同植被類型物候信息的差異使得其在遙感影像上具有季節(jié)性光譜差異特征，這就具有了可分性。為此，近年來(lái)國(guó)內(nèi)外學(xué)者就基于多時(shí)相植被指數(shù)數(shù)據(jù)在土地利用/覆蓋分類中的應(yīng)用已開展了較多研究：在數(shù)據(jù)源選取上多采用中高分辨率MODIS和NOAA/AVHRR的歸一化植被指數(shù)(NDVI)數(shù)據(jù)[2-7]，在分類方法上常采用最大似然法、決策樹、神經(jīng)網(wǎng)絡(luò)和面向?qū)ο蟮姆诸惙椒╗8-14]。

江淮下游里下河平原是我國(guó)重要的糧食產(chǎn)地，也是“南水北調(diào)”工程的重要水源地。近年來(lái)，受農(nóng)業(yè)活動(dòng)、水利工程和城鎮(zhèn)化等因素的影響，當(dāng)?shù)氐耐恋乩媒Y(jié)構(gòu)發(fā)生較大變化，并成為影響水安全和生態(tài)環(huán)境質(zhì)量的重要因素。該區(qū)域?qū)俚湫偷钠皆泳W(wǎng)區(qū)，河湖密集，以往的土地利用信息提取研究多以30 m的Landsat TM遙感影像為數(shù)據(jù)源，受影像空間分辨率和時(shí)間分辨率的限制，不同土地利用類型光譜重疊，水田與水體、城鎮(zhèn)和植被信息混淆的現(xiàn)象明顯。近年來(lái)，沿海開發(fā)戰(zhàn)略的實(shí)施，以及農(nóng)業(yè)活動(dòng)和城鎮(zhèn)化等因素，都將對(duì)該區(qū)域的土地利用結(jié)構(gòu)產(chǎn)生新的影響，區(qū)域土地利用信息的快速有效提取尤為重要。

為此，本研究嘗試基于國(guó)產(chǎn)的高分一號(hào)衛(wèi)星16 m寬幅影像(GF-1/WFV)，充分利用其高空間分辨率和高時(shí)間分辨率的特性，依據(jù)不同土地利用像元的光譜和物候特征差異，以里下河平原鹽都區(qū)為研究區(qū)，探索適宜于平原河網(wǎng)區(qū)的水田信息提取模式，以期為該區(qū)域的農(nóng)業(yè)資源評(píng)估、水資源利用規(guī)劃提供數(shù)據(jù)基礎(chǔ)，同時(shí)也可為其他平原河網(wǎng)區(qū)土地利用信息提取模式的建立提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于江蘇省里下河平原(33.13°～33.42°N，119.67°～120.22°E)的鹽城市鹽都區(qū)，河網(wǎng)密集，地形平坦(圖1)。農(nóng)作物以水稻、小麥、玉米和油菜為主。

圖1 研究區(qū)位置

該區(qū)域季風(fēng)氣候特征顯著，年均降水量約為1 000 mm，降水主要集中在5—9月，年平均氣溫14～15 ℃。受圈圩養(yǎng)殖、種植和圍網(wǎng)養(yǎng)殖等人為活動(dòng)影響，湖泊面積大幅減少。研究區(qū)的農(nóng)業(yè)耕作模式基本為一年二熟。

現(xiàn)有的關(guān)于該區(qū)域及類似平原河網(wǎng)區(qū)土地利用分類的相關(guān)研究，通常依據(jù)不同土地利用類型及其水文特性和生態(tài)功能差異，將地表類型劃分為水田、水體、城鎮(zhèn)、旱地和非耕地等主要類型[15]。其中，水田指的是水稻和小麥、油菜輪作的耕地，水稻種植時(shí)間為5—10月，冬小麥或油菜的種植時(shí)間為11月至次年5月；旱地和非耕地主要包括林地、荒草地和菜地等。

1.2 數(shù)據(jù)來(lái)源及其預(yù)處理

數(shù)據(jù)源主要選用2015年左右的多時(shí)像高分一號(hào)(GF-1/WFV)多光譜數(shù)據(jù)(表1)，其他輔助數(shù)據(jù)包括研究區(qū)邊界圖、水系圖和野外實(shí)地采樣點(diǎn)等。

表1 數(shù)據(jù)的影像日期

GF-1/WFV數(shù)據(jù)集使用前需進(jìn)行正射校正、輻射定標(biāo)、大氣校正、幾何精校正和投影轉(zhuǎn)化等，以消除傳感器、大氣等因素對(duì)地物光譜信息的影響。同時(shí)，須保證高分一號(hào)的幾何精度在一個(gè)像元內(nèi)。

在以上數(shù)據(jù)預(yù)處理的基礎(chǔ)上進(jìn)行NDVI的計(jì)算。利用ENVI軟件對(duì)NDVI數(shù)據(jù)進(jìn)行疊加和空間裁剪等操作，生成NDVI時(shí)序數(shù)據(jù)集。通過(guò)IDL+ENVI開發(fā)平臺(tái)，逐像元計(jì)算時(shí)序NDVI最大值和峰值個(gè)數(shù)，作為信息提取模型的重要特征參數(shù)。

2 結(jié)果與分析

2.1 地物光譜特征分析

利用研究區(qū)實(shí)際采樣點(diǎn)數(shù)據(jù)提取不同波段的光譜反照率值和增強(qiáng)型植被指數(shù)(EVI)時(shí)序光譜曲線，對(duì)比分析不同地物的光譜特征(圖2)。結(jié)果表明：就GF-1/WFV不同地物的光譜特征而言，植被在第4波段具有較高的反照率，水體的光譜特征總體上較低并呈下降的趨勢(shì)，因此，利用這一特征可以有效地將研究區(qū)初步劃分為植被和水體等非植被類型。

圖2 單期GF-1影像的典型地物光譜特征曲線

農(nóng)作物生長(zhǎng)過(guò)程與對(duì)應(yīng)時(shí)期的NDVI值相對(duì)應(yīng)，不同植被類型的物候特征存在著明顯的差異，在NDVI時(shí)序數(shù)據(jù)集上表現(xiàn)為NDVI數(shù)值的季節(jié)性變化。利用研究區(qū)實(shí)地調(diào)查的樣本數(shù)據(jù)獲取水田等地物的NDVI時(shí)序特征曲線(圖3)。

圖3 典型植被的時(shí)序NDVI序列特征

由于該區(qū)域的農(nóng)作生產(chǎn)一般采取一年兩熟制，因此，農(nóng)田植被類型的EVI分別在4月和8月左右出現(xiàn)2個(gè)峰值，且8月的峰值要高于4月的峰值，同時(shí)在作物換季的5—6月會(huì)出現(xiàn)低值，這主要是由冬季農(nóng)作物的收割和夏季作物的播種發(fā)芽造成的。

2.2 動(dòng)態(tài)時(shí)間彎曲距離

同種作物在同一地區(qū)具有相對(duì)穩(wěn)定的生長(zhǎng)過(guò)程和規(guī)律，但受光熱、水分和作物品種等條件的影響，相同作物的種植時(shí)間并不相同，使其在NDVI時(shí)序光譜曲線上存在一定的差異(如圖3中水田1和水田2)。

選取純凈水田像元，求得EVI均值時(shí)序光譜曲線，采用動(dòng)態(tài)時(shí)間彎曲(DTW)距離逐像元計(jì)算與水田標(biāo)準(zhǔn)曲線的時(shí)序相似性，將所得的相似性值作為模糊分類隸屬度參考值用于提高水田與旱地等農(nóng)作物類型的分類(圖4)。

圖4 水田的DTW距離

DTW距離最初被應(yīng)用于文本數(shù)據(jù)匹配、語(yǔ)音處理和視覺(jué)模式識(shí)別等研究領(lǐng)域。DTW算法可以歸結(jié)為運(yùn)用動(dòng)態(tài)規(guī)劃思想尋找一條具有最小彎曲代價(jià)的最佳路徑[16]。本研究中DTW距離的計(jì)算基于IDL+ENVI平臺(tái)進(jìn)行二次開發(fā)實(shí)現(xiàn)。

2.3 決策樹模型構(gòu)建

根據(jù)光譜和NDVI時(shí)序特征分析，構(gòu)建了以藍(lán)光波段反照率值(Bblue)、歸一化水體指數(shù)(NDWI)、NDVI、ENVI時(shí)序波峰個(gè)數(shù)和DTW等指標(biāo)信息提取決策的模式(圖5)。

圖5 決策樹信息提取模型

在分類過(guò)程中逐次進(jìn)行植被與非植被、農(nóng)田與林草地、水田和旱地等地物的提取。

首先，利用時(shí)序最大植被指數(shù)(NDWImax)剔除非植被信息；然后，根據(jù)林草地一季生長(zhǎng)、耕地兩季生長(zhǎng)的特性，利用NDVI時(shí)序數(shù)據(jù)的波峰個(gè)數(shù)峰出現(xiàn)時(shí)間(4月和7月)與特征波谷(5月或6月)，將植被進(jìn)一步地劃分為農(nóng)田和林草地類型；最后，基于DTW，通過(guò)選取純凈的水田像元，計(jì)算待測(cè)像元與純凈水田像元的相似度，確定合適的閾值，從而將旱地等像元從水田中分離。

經(jīng)過(guò)以上分類過(guò)程，可實(shí)現(xiàn)水體、城鎮(zhèn)、林草地和旱地等地物的逐步剔除，從而最終得到區(qū)域內(nèi)的水田面積和空間分布。

2.4 模型驗(yàn)證

為檢驗(yàn)遙感影像的分類精度，利用ENVI軟件隨機(jī)產(chǎn)生采樣點(diǎn)，并對(duì)采樣點(diǎn)進(jìn)行地圖比對(duì)和實(shí)地考察，對(duì)研究區(qū)的土地利用提取結(jié)果進(jìn)行精度驗(yàn)證?；煜仃嚪治鼋Y(jié)果表明，利用所構(gòu)建的模型可獲得較高的總體分類精度(92%)和Kappa系數(shù)(0.84)，誤差主要存在于部分水田和旱地的混淆作物的混淆，以及部分單季種植帶來(lái)的漏分，但總體效果較理想。

對(duì)不同土地利用類型面積的分析表明：研究區(qū)林草地類型主要是濕地植被和沿河綠化帶分布，西南部主要以湖泊水面為主，東北部是城鎮(zhèn)發(fā)展的主要區(qū)域。農(nóng)業(yè)方式以水田為主，因?yàn)樵搮^(qū)域?qū)儆诘湫偷钠皆泳W(wǎng)區(qū)，灌溉條件充裕，光照條件充足。本研究所提出的方法較單時(shí)像影像很好地解決了平原河網(wǎng)區(qū)水田與水體和林草地等其他地物的混分問(wèn)題。

利用ArcMap對(duì)分類結(jié)果進(jìn)行制圖(圖6)，并進(jìn)行空間分析。結(jié)果表明，水田的空間分布與實(shí)地考察情況吻合，總體上，以中部的相對(duì)低洼地較為密集，東部逐漸過(guò)渡到以旱地作物為主，兼受城鎮(zhèn)化的影響，水田面積逐漸減少。

圖6 水田分布的特征

3 小結(jié)與討論

本研究基于高分一號(hào)多光譜影像，構(gòu)建多時(shí)相的NDVI時(shí)序數(shù)據(jù)，依據(jù)不同植被類型的光譜特征和時(shí)相差異，以里下河平原區(qū)鹽都區(qū)為研究對(duì)象，開展平原水稻田快速提取研究?；诟叻忠惶?hào)多光譜影像選取時(shí)序最大植被指數(shù)(NDWImax)可有效地將地物劃分為植被和非植被類型，通過(guò)時(shí)序NDVI的峰值個(gè)數(shù)和峰值出現(xiàn)時(shí)間等植被物候信息，以及DTW距離等知識(shí)規(guī)則，可逐步地將林草地和旱地等像元從水田中分離出來(lái)。該方法充分利用了高分一號(hào)的高分辨率和多時(shí)相特征，較好地解決了平原河網(wǎng)區(qū)水田與水體和林草地等地物的混分問(wèn)題?？臻g分析結(jié)果合理地反映了研究區(qū)農(nóng)作物種植以水田為主的特征，空間上以中部地帶集中分布，并呈現(xiàn)向東減少的趨勢(shì)特征。

本文提出的水田信息提取方法雖然在精度上取得了較好的效果，但決策樹模型中閾值和隸屬度的確定還只能靠經(jīng)驗(yàn)值估算，如何完善和實(shí)現(xiàn)水田提取的自動(dòng)化，將是今后研究的重點(diǎn)。另外，本方法在其他區(qū)域的推廣應(yīng)用中也應(yīng)結(jié)合當(dāng)?shù)剞r(nóng)作物的物候特征，對(duì)決策樹模型進(jìn)行合理的修正。