牛海鵬 王占奇 肖東洋

(1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院， 焦作 454000；2.河南理工大學(xué)黃河生態(tài)文明與高質(zhì)量發(fā)展研究院， 焦作 454000)

0 引言

水稻是世界第三大糧食作物[1]。中國(guó)是世界上最大的水稻生產(chǎn)國(guó)，水稻產(chǎn)量在中國(guó)農(nóng)業(yè)生產(chǎn)中占有重要地位[2]。黃河兩岸地區(qū)是河南省水稻種植區(qū)。隨著自然、社會(huì)和經(jīng)濟(jì)的發(fā)展，原陽縣水稻種植面積從約30 000 hm2下滑至約18 000 hm2。因此，適時(shí)、準(zhǔn)確監(jiān)測(cè)水稻種植區(qū)，對(duì)糧食政策制定、糧食安全以及農(nóng)業(yè)發(fā)展具有重要意義[3]。

隨著衛(wèi)星技術(shù)的發(fā)展，利用遙感技術(shù)監(jiān)測(cè)水稻種植面積已經(jīng)得到廣泛應(yīng)用。目前最常用的提取水稻等農(nóng)作物空間分布的遙感衛(wèi)星為L(zhǎng)andsat數(shù)據(jù)和MODIS數(shù)據(jù)[4-7]。文獻(xiàn)[8]使用多時(shí)段MODIS影像提取了南亞和東南亞地區(qū)的水稻分布信息，文獻(xiàn)[9]基于多時(shí)相MODIS數(shù)據(jù)提取了河南省水稻種植區(qū)的分布。文獻(xiàn)[10]利用Landsat數(shù)據(jù)并結(jié)合農(nóng)戶調(diào)查，提取了翻陽湖平原水稻主產(chǎn)區(qū)的水稻種植區(qū)。Landsat數(shù)據(jù)具有較高的空間分辨率，但是時(shí)間分辨率較低，并且容易受云雨天氣影響，無法獲取作物關(guān)鍵生長(zhǎng)期的時(shí)序數(shù)據(jù)[11]，因此只根據(jù)Landsat數(shù)據(jù)進(jìn)行農(nóng)作物區(qū)提取會(huì)受到數(shù)據(jù)缺失的限制。MODIS數(shù)據(jù)具有36個(gè)光譜波段，時(shí)間分辨率較高，但其空間分辨率低，存在大量混合像元，對(duì)地面的細(xì)節(jié)表征能力不強(qiáng)[12]，使基于MODIS數(shù)據(jù)的農(nóng)作物提取只能在大尺度區(qū)域上取得較好的效果。

近年來，國(guó)內(nèi)外學(xué)者針對(duì)遙感影像時(shí)空融合展開了研究，并取得一些成果[13-15]。文獻(xiàn)[16]根據(jù)像元的空間相關(guān)性和光譜相似性，提出一種自適應(yīng)遙感影像融合模型(Spatial and temporal adaptive reflectance fusion model, STARFM)，該模型能較準(zhǔn)確預(yù)測(cè)出影像的反射率。文獻(xiàn)[17]提出了反射率變化的時(shí)空自適應(yīng)融合算法(Spatial temporal adaptive algorithm for mapping reflectance change, STAARCH)。文獻(xiàn)[18]在STARFM模型的基礎(chǔ)上提出ESTARFM (Enhanced spatial and temporal adaptive reflectance fusion model)模型，該模型能通過時(shí)間和光譜分離理論分析反射率的變化趨勢(shì)，提高融合模型預(yù)測(cè)Landsat數(shù)據(jù)的精度。文獻(xiàn)[19]基于類別反射率和類內(nèi)像元反射率的時(shí)間變化特征，提出了STDFM (Spatial and temporal data fusion model)模型。文獻(xiàn)[20]對(duì)STDFM模型進(jìn)行改進(jìn)，提出了ESTDFM(Enhanced spatial and temporal data fusion model)模型。文獻(xiàn)[21]對(duì)5種主流遙感數(shù)據(jù)時(shí)空融合模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，ESTARFM模型的融合效果最好，更能反映地物的細(xì)節(jié)特征。

利用時(shí)空融合模型融合Landsat與MODIS數(shù)據(jù)對(duì)水稻種植面積進(jìn)行提取的方法值得研究。本文以河南省沿黃稻區(qū)原陽縣為例，基于ESTARFM模型，對(duì)Landsat和MODIS影像進(jìn)行融合，構(gòu)建完整的時(shí)序Landsat數(shù)據(jù)，計(jì)算得到完整的時(shí)序NDVI曲線，采用決策樹分類的方法進(jìn)行水稻種植區(qū)域的提取，以期在縣域尺度上應(yīng)用ESTARFM模型提取水稻種植面積取得理想的結(jié)果，為綜合利用高空間分辨率Landsat數(shù)據(jù)和高時(shí)間分辨率MODIS數(shù)據(jù)進(jìn)行農(nóng)作物遙感識(shí)別和監(jiān)測(cè)提供一定的實(shí)驗(yàn)基礎(chǔ)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

原陽縣隸屬河南省新鄉(xiāng)市，地處豫北平原，位于113°36′～114°15′E，34°55′～35°11′N之間，區(qū)域總面積1 022 km2。南鄰黃河，北面是余河通道，地勢(shì)從西南至東北呈逐漸降低趨勢(shì)，地貌屬于黃河沖積平原。農(nóng)業(yè)以小麥、水稻、玉米為主，其中水稻種植以一季稻為主，每年5月上旬育苗播種，10月中上旬收割。

1.2 數(shù)據(jù)與預(yù)處理

空間分辨率為30 m的Landsat數(shù)據(jù)(表1)來源于美國(guó)地質(zhì)調(diào)查局(United States Geological Survey，USGS)，下載2015年品質(zhì)較好、云量覆蓋小的影像。Landsat8 OLI影像已經(jīng)基于地形數(shù)據(jù)進(jìn)行幾何校正處理，因此本次實(shí)驗(yàn)中不再對(duì)Landsat數(shù)據(jù)進(jìn)行幾何校正。投影坐標(biāo)系為UTM-WGS84坐標(biāo)系，利用ENVI 5.3軟件對(duì)影像進(jìn)行輻射定標(biāo)后，使用FLAASH模型進(jìn)行大氣校正。

表1 遙感數(shù)據(jù)類型及獲取日期Tab.1 Remote sensing data types and acquisition date

全年共23期的空間分辨率為500 m的MODIS13Q1數(shù)據(jù)(表1)來源于NASA網(wǎng)站(https://ladsweb.nascom.nasa.gov/search)。對(duì)MODIS影像利用MRT工具(MODIS reprojection tool)重投影為UTM-WGS84投影，把HDF格式轉(zhuǎn)換為GEOTIFF格式，采用雙線性內(nèi)插法(Bilinear)將影像重采樣為30 m分辨率。處理后，影像與Landsat具有相同的投影方式、分辨率和像元尺寸。對(duì)Landsat與MODIS的對(duì)應(yīng)波段按順序一一對(duì)應(yīng)，如表2所示。

表2 Landsat8 OLI與MODIS數(shù)據(jù)波段設(shè)置及對(duì)應(yīng)關(guān)系Tab.2 Band settings of MODIS and Landsat8 images

2 研究方法

本文采用ESTARFM模型將Landsat8 OLI數(shù)據(jù)與MODIS13Q1數(shù)據(jù)進(jìn)行融合，從而重構(gòu)出完整時(shí)序的融合Landsat數(shù)據(jù)；計(jì)算得到融合影像的NDVI數(shù)據(jù)，通過TIMESAT軟件中savitzky-Golay(S-G)濾波法進(jìn)行平滑降噪；得到6種主要地物的NDVI曲線，根據(jù)6種地物的曲線特征建立專家決策樹進(jìn)行分類，進(jìn)而提取出水稻種植區(qū)域。具體工作流程如圖1所示。

圖1 技術(shù)流程圖Fig.1 Flow chart of technical structure

2.1 ESTARFM時(shí)空數(shù)據(jù)融合模型

本文采用的ESTARFM模型是在STARFM模型基礎(chǔ)上改進(jìn)的。假設(shè)在理想情況下：Landsat和MODIS影像之間的反射率差異只存在系統(tǒng)偏差，并且2個(gè)時(shí)間的影像沒有產(chǎn)生較大的差異，此時(shí)ESTARFM模型預(yù)測(cè)融合影像的公式為

F(x,y,tp,B)=F(x,y,t0,B)+a(C(x,y,tp,B)-
C(x,y,t0,B))

(1)

式中F——Landsat影像的反射率

(x,y)——像元位置坐標(biāo)

B——影像參與計(jì)算的波段

C——MODIS影像的反射率

tp、t0——影像獲取的時(shí)間

a——進(jìn)行線性回歸時(shí)的轉(zhuǎn)換系數(shù)，由傳感器之間的系統(tǒng)偏差確定

由于MODIS影像中含有大量的混合像元，此時(shí)式(1)不成立。文獻(xiàn)[22]提出假設(shè)將混合像元的反射率建模表示為該像元中存在的不同土地覆蓋成分反射率的線性組合，其權(quán)重由其像元內(nèi)混合土地覆蓋的區(qū)域覆蓋率決定。此時(shí)模型預(yù)測(cè)公式為

F(x,y,tp,B)=F(x,y,t0,B)+v(x,y)(C(x,y,tp,B)-
C(x,y,t0,B))

(2)

式中v(x，y)——對(duì)Landsat和MODIS影像同一像元進(jìn)行線性回歸得到的轉(zhuǎn)換系數(shù)

考慮到相鄰的同類像元具有相似的反射率變化，文獻(xiàn)[16]提出一種移動(dòng)窗口的方法，移動(dòng)窗口用于搜索窗口內(nèi)的相似像元，然后將相似像元的信息集成到所需預(yù)測(cè)的Landsat反射率計(jì)算中，此時(shí)模型預(yù)測(cè)公式為

F(xw/2,yw/2,tp,B)=F(xw/2,yw/2,t0,B)+

(3)

式中 (xw/2,yw/2)——搜索窗口中心坐標(biāo)

N——包括中央預(yù)測(cè)像元的相似像元的數(shù)目

Wi——第i個(gè)相似像元的權(quán)重

Vi——第i個(gè)相似像元的轉(zhuǎn)換系數(shù)

(xi,yi)——第i個(gè)相似像元的坐標(biāo)

選擇2個(gè)不同時(shí)刻m和n的Landsat和tp時(shí)刻的MODIS影像進(jìn)行預(yù)測(cè)融合，用m時(shí)刻的Landsat影像和在P時(shí)刻的MODIS影像預(yù)測(cè)P時(shí)刻的Landsat影像反射率，用n時(shí)刻的觀測(cè)數(shù)據(jù)預(yù)測(cè)P時(shí)刻的Landsat影像反射率。結(jié)果分別記為Fm(xw/2,yw/2,tp,B)和Fn(xw/2,yw/2,tp,B)。通過2種預(yù)測(cè)結(jié)果的加權(quán)組合，可以獲得更精確的P時(shí)刻反射率。因此在這種情況下，為L(zhǎng)andsat影像輸入設(shè)置更大的時(shí)間權(quán)重是合理的。因此模型公式為

(4)

最終模型預(yù)測(cè)P時(shí)刻的Landsat影像反射率計(jì)算公式為

F(xw/2,yw/2,tp,B)=TmFm(xw/2,yw/2,tp,B)+
TnFn(xw/2,yw/2,tp,B)

(5)

2.2 融合影像數(shù)據(jù)的時(shí)序NDVI曲線

歸一化植被指數(shù)(NDVI)是用于表達(dá)植被生長(zhǎng)狀況、覆蓋情況的參數(shù)。本文利用2015年已有的質(zhì)量較好的Landsat影像和ESTARFM融合預(yù)測(cè)出其他對(duì)應(yīng)時(shí)間的Landsat融合影像，通過ENVI 5.3的波段運(yùn)算，可以得到全年23期的NDVI數(shù)據(jù)。由于原始NDVI時(shí)序數(shù)據(jù)受噪聲和空值的影響較大[23]，造成NDVI時(shí)序曲線出現(xiàn)不規(guī)則的波動(dòng)，所以需要對(duì)NDVI時(shí)間序列數(shù)據(jù)進(jìn)行平滑降噪處理。本實(shí)驗(yàn)利用TIMESAT軟件對(duì)構(gòu)建的NDVI時(shí)序數(shù)據(jù)進(jìn)行濾波，該軟件有非對(duì)稱高斯函數(shù)擬合、雙Logistic函數(shù)擬合和S-G濾波法，在本次研究中，通過多次實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，S-G濾波方法基于滑動(dòng)窗口的平均濾波，以局部擬合為主，有較強(qiáng)的細(xì)節(jié)擬合能力，能有效地去除時(shí)間序列數(shù)據(jù)中的噪聲，保留原始時(shí)序曲線的有效信息[24-25]。因此本文采用S-G濾波方法對(duì)23期的NDVI數(shù)據(jù)進(jìn)行濾波得到時(shí)序NDVI曲線。

圖2 真實(shí)Landsat影像與ESTARFM模型融合影像以及STARFM模型融合影像對(duì)比Fig.2 Comparisons of real Landsat image with ESTARFM model fusion image and STARFM model fusion image

3 結(jié)果分析

3.1 ESTARFM時(shí)空融合模型結(jié)果與精度評(píng)價(jià)

根據(jù)實(shí)驗(yàn)數(shù)據(jù)，對(duì)ESTARFM模型運(yùn)行結(jié)果進(jìn)行精度評(píng)價(jià)，并與STARFM模型運(yùn)行結(jié)果進(jìn)行對(duì)比。把第209天和第257天的Landsat數(shù)據(jù)和MODIS13Q1數(shù)據(jù)、第225天的MODIS13Q1數(shù)據(jù)作為ESTARFM模型的輸入數(shù)據(jù)；把第257天的Landsat數(shù)據(jù)和MODIS13Q1數(shù)據(jù)、第225天的MODIS13Q1數(shù)據(jù)作為STARFM模型的輸入數(shù)據(jù)；融合預(yù)測(cè)出第225天的ESTARFM融合數(shù)據(jù)和STARFM融合數(shù)據(jù)；以此融合數(shù)據(jù)與實(shí)際第225天的Landsat數(shù)據(jù)做對(duì)比，以顯示ESTARFM模型的預(yù)測(cè)精度。影像數(shù)據(jù)以R(Blue)G(Red)B(NIR)假彩色合成。

選取其中3塊對(duì)比明顯且具有代表性的區(qū)域(建筑物、水體、植被、農(nóng)作物等)進(jìn)行對(duì)比，如圖2所示。在目視解譯的基礎(chǔ)上，ESTARFM模型時(shí)空融合的效果相比STARFM模型效果更好，各種地物大體上紋理清晰，輪廓特征比較準(zhǔn)確，與原始影像在空間上基本保持一致。在圖2中標(biāo)記區(qū)域可以看出，相對(duì)于STARFM模型，ESTARFM模型的融合結(jié)果更加準(zhǔn)確，與真實(shí)Landsat影像更具有一致性。只有小部分紋理比較粗糙，這是由于在構(gòu)建融合數(shù)據(jù)時(shí)，使用不同時(shí)刻Landsat數(shù)據(jù)和MODIS數(shù)據(jù)存在時(shí)相的差異，這會(huì)造成融合影像與真實(shí)影像間的偏差。

為進(jìn)一步驗(yàn)證ESTARFM模型的融合預(yù)測(cè)效果，選取融合出的第225天的影像，分3個(gè)波段與原始影像進(jìn)行對(duì)比，獲得散點(diǎn)圖(圖3)，從圖3看出散點(diǎn)基本都在1∶1趨勢(shì)線的周圍，計(jì)算真實(shí)影像與融合影像在藍(lán)波段、紅波段和近紅外波段的決定系數(shù)R2分別為0.824 6、0.920 3、0.940 2。決定系數(shù)R2都在0.82以上，且在紅波段和近紅外波段達(dá)到0.92以上，表明真實(shí)反射率與融合預(yù)測(cè)的反射率相關(guān)程度較高，因此證實(shí)了ESTARFM模型融合預(yù)測(cè)精度較高，能取得較好的融合效果，可以作為研究區(qū)水稻面積提取的數(shù)據(jù)依據(jù)。

3.2 時(shí)序NDVI曲線

結(jié)合實(shí)地調(diào)研與Google Earth影像目視解釋，將原陽縣的主要地物分為6類：建筑用地、裸地、水體、林地、小麥-水稻以及小麥-玉米。對(duì)計(jì)算得到的2015年內(nèi)23個(gè)時(shí)相的NDVI數(shù)據(jù)，利用TIMESAT軟件中的S-G濾波函數(shù)對(duì)時(shí)序NDVI數(shù)據(jù)進(jìn)行平滑去噪處理。利用實(shí)地調(diào)研樣點(diǎn)，得到每種地物的NDVI時(shí)序曲線，如圖4所示。

圖4 主要地物時(shí)序NDVI曲線Fig.4 Time series NDVI curves of main features

從圖4可以看出：主要作物為小麥-水稻輪作與小麥-玉米輪作，一年有2個(gè)波峰，在5月中下旬小麥成熟，此時(shí)收割小麥造成在儒略日第145天左右NDVI出現(xiàn)下降至波谷，并且由于水稻處于生長(zhǎng)初期，稻田中含有大量的水，因此稻田的NDVI相比玉米的NDVI呈現(xiàn)出更低的現(xiàn)象；隨后水稻和玉米逐漸生長(zhǎng)，在7月下旬至8月上旬NDVI呈現(xiàn)波峰。因此說明ESTARFM模型融合影像得到的時(shí)序NDVI曲線與實(shí)際作物NDVI變化情況相一致，能夠較好地反映地物的季節(jié)性變化情況，為后續(xù)提取水稻及其他地物信息提供數(shù)據(jù)基礎(chǔ)。

3.3 主要地物類別的NDVI閾值設(shè)置

根據(jù)各個(gè)地物NDVI曲線顯示不同的特征，本文利用設(shè)置NDVI閾值的方法，建立分層決策樹的分類方法對(duì)主要地類進(jìn)行提取。具體算法如圖5所示。

圖5 分類決策樹Fig.5 Classification decision tree

(1)由圖4的NDVI時(shí)序曲線可知，植被和非植被的曲線特征差別比較明顯。非植被地物全年趨于平緩，且全年的NDVI相對(duì)于植被的NDVI明顯呈現(xiàn)較低的水平。在第97天時(shí)植被與非植被差異最明顯，具有較好的區(qū)分性。因此利用第97天的NDVI小于0.45作為植被與非植被用地的閾值。

(2)水體的NDVI一年中大部分都為負(fù)值，雖然有少數(shù)水體像元在第145天呈現(xiàn)出正值，但都小于0.10，因此用第145天的NDVI小于0.10作為水體和建筑用地、裸地的閾值。

(3)建筑用地和裸地的時(shí)序NDVI曲線大體趨勢(shì)相似，都呈現(xiàn)為較低值的水平。但是裸地在春夏交替時(shí)期，呈現(xiàn)出增長(zhǎng)的趨勢(shì)，原因是裸地在這個(gè)時(shí)期會(huì)生長(zhǎng)出一些野生綠色植物。因此可以用第161天的NDVI是否小于0.35作為判別建筑用地和裸地的閾值。

(4)林地與農(nóng)作物的NDVI曲線相比，林地的峰值持續(xù)時(shí)間較長(zhǎng)，呈現(xiàn)峰值后，NDVI沒有出現(xiàn)較大的波動(dòng)，與水稻、玉米等農(nóng)作物的時(shí)序NDVI曲線有明顯的區(qū)別，主要農(nóng)作物水稻和玉米的NDVI在5月下旬至6月上旬呈現(xiàn)最低值，在7月下旬至8月上旬呈現(xiàn)峰值，因此利用波峰與波谷的差值區(qū)分開林地與農(nóng)作物。分別選取100個(gè)林地與農(nóng)作物的樣點(diǎn)，求取NDVI平均值，計(jì)算第209天與第161天的NDVI差值，經(jīng)反復(fù)實(shí)驗(yàn)，對(duì)比發(fā)現(xiàn)，利用第209天與第161天的NDVI差值小于0.22時(shí)分類效果最好。

(5)由圖4可以看出，水稻、玉米在生長(zhǎng)初期的NDVI較低，并且水稻在生長(zhǎng)初期田間有大量的水，NDVI比玉米更低，在7月下旬至8月上旬同時(shí)呈現(xiàn)峰值，且水稻的NDVI峰值比玉米略高，并且在9月下旬至10月上旬，水稻和玉米成熟，NDVI迅速下降，但下降后，水稻的NDVI比玉米的高，玉米的NDVI基本都在0.20以下，因此利用第225天與第289天NDVI的差值大于0.56作為判別玉米和水稻的閾值，第225天與第289天NDVI的差值小于0.20的判別為其他作物。

3.4 分類結(jié)果及精度驗(yàn)證

根據(jù)研究區(qū)內(nèi)水稻與其他主要地物的時(shí)序NDVI曲線特征，利用專家決策樹分類的方法，對(duì)研究區(qū)進(jìn)行土地利用分類，提取出水稻種植區(qū)域。具體的分類結(jié)果如圖6所示。

圖6 決策樹分類結(jié)果Fig.6 Decision tree classification results

利用實(shí)地采集和在Google Earth上選取的各個(gè)地類的樣點(diǎn)共2 560個(gè)，通過分類后的混淆矩陣對(duì)分類結(jié)果進(jìn)行定量分析(表3)，總體分類精度為92.23%，Kappa系數(shù)為0.904 3。水稻、玉米、建筑用地的制圖精度和用戶精度均在90%以上，且水稻的制圖精度達(dá)到96.73%，用戶精度也達(dá)到了93.51%。由于林地分布比較分散且與其他地類相連緊密，造成林地的混合像元問題嚴(yán)重，制圖精度和用戶精度都小于90%。

表3 分類結(jié)果精度評(píng)價(jià)Tab.3 Classification result accuracy evaluation

根據(jù)原陽縣2015年統(tǒng)計(jì)年鑒對(duì)分類結(jié)果進(jìn)行定性分析，并且向當(dāng)?shù)剞r(nóng)戶訪問，原陽縣大面積種植水稻的區(qū)域集中在祝樓鄉(xiāng)、太平鎮(zhèn)和葛埠口鄉(xiāng)，與分類結(jié)果一致。統(tǒng)計(jì)年鑒記錄原陽縣2015年的水稻種植面積為20 468 hm2，分類結(jié)果中水稻面積為18 556.38 hm2，提取水稻面積與統(tǒng)計(jì)數(shù)據(jù)的一致性為90.66%。

4 討論

不同地物的時(shí)序NDVI曲線具有不同的特征，因此可以利用水稻的時(shí)序NDVI將其與其他地物區(qū)分。中高空間分辨率的遙感影像在農(nóng)作物識(shí)別提取中作為重要的數(shù)據(jù)源，但是由于受云雨天氣的影響，經(jīng)常無法獲取連續(xù)的中高空間分辨率影像，因此利用ESTARFM模型等數(shù)據(jù)融合技術(shù)，可以解決遙感數(shù)據(jù)缺失的問題，作為一種對(duì)農(nóng)作物識(shí)別提取的有效手段。但是，時(shí)空融合模型構(gòu)建數(shù)據(jù)的品質(zhì)受基準(zhǔn)Landsat和MODIS影像數(shù)據(jù)的影響，獲取相近時(shí)刻并且高品質(zhì)的Landsat和MODIS影像是構(gòu)建高品質(zhì)時(shí)序融合數(shù)據(jù)的關(guān)鍵，但是這在部分地區(qū)是比較困難的。對(duì)于零碎分散地塊，融合得到的30 m分辨率的Landsat數(shù)據(jù)依然存在明顯的混合像元問題，導(dǎo)致提取精度不高。另外本次研究只選取了單一的時(shí)序NDVI指數(shù)進(jìn)行分類提取，可能對(duì)有些地物反映不明顯。

因此，在以后的研究中，利用ESTARFM模型融合更高空間分辨率影像和更高時(shí)間分辨率影像，進(jìn)一步解決混合像元嚴(yán)重的問題，并且能監(jiān)測(cè)出短期內(nèi)地物發(fā)生快速變化的情況。另外，可以開展多種指數(shù)共同對(duì)地物提取，如EVI/NDWI指數(shù)等。探討多種指數(shù)對(duì)水稻和其他農(nóng)作物識(shí)別能力的適用性及準(zhǔn)確性。

5 結(jié)論

(1)ESTARFM時(shí)空融合模型能較好地融合出缺失時(shí)相的Landsat影像，結(jié)果顯示，空間細(xì)節(jié)信息比較清晰，在Red波段和NIR波段，與真實(shí)Landsat的Red波段和NIR波段一致性程度較高，決定系數(shù)R2分別達(dá)到0.920 3和0.940 2，因此NDVI的一致性同樣較高。說明時(shí)空融合模型能夠較好地重構(gòu)高空間分辨率數(shù)據(jù)，有效解決多云多雨地區(qū)受天氣影響的Landsat數(shù)據(jù)缺失問題。

(2)利用TIMESAT軟件對(duì)研究區(qū)時(shí)序影像進(jìn)行S-G濾波平滑處理，得到主要地類的時(shí)序NDVI曲線，判別出水稻以及其他主要地類的不同特征，按照一定的閾值范圍設(shè)計(jì)決策樹進(jìn)行分類，有較好的分類效果?？傮w分類精度為92.23%，Kappa系數(shù)為0.904 3；水稻的制圖精度為96.73%，用戶精度為93.51%；與統(tǒng)計(jì)數(shù)據(jù)的一致性為90.66%。分類精度較高，在技術(shù)上具有可行性。