張悅琦，李榮平，穆西晗，任鴻瑞

（1. 太原理工大學(xué)測繪科學(xué)與技術(shù)系，太原 030024；2. 北京師范大學(xué)遙感科學(xué)國家重點實驗室，北京 100875；3. 中國氣象局沈陽大氣環(huán)境研究所，沈陽 110166）

0 引 言

水稻是世界三大糧食作物之一，而中國是世界上最大的水稻生產(chǎn)國和消費國，水稻種植面積約占全國糧食作物種植面積的30%，在中國糧食生產(chǎn)中占有重要地位，為保障國家糧食安全做出巨大貢獻[1-2]。正確及時獲取水稻種植面積及空間分布，對水稻生產(chǎn)管理、農(nóng)業(yè)政策制定及糧食安全分析等具有重要意義[3]。

衛(wèi)星的快速發(fā)展使得遙感技術(shù)在作物種植結(jié)構(gòu)提取方面得到廣泛應(yīng)用，國內(nèi)外學(xué)者利用多種遙感數(shù)據(jù)在水稻種植面積提取方面開展大量研究，目前以Landsat衛(wèi)星[4-7]、中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）[8-10]、環(huán)境系列衛(wèi)星[11-12]等中低分辨率遙感數(shù)據(jù)源為主。但由于空間分辨率較低，混合像元的大量存在限制其在作物面積提取方面的應(yīng)用。隨著高分系列衛(wèi)星的快速發(fā)展，國產(chǎn)高分辨率數(shù)據(jù)在作物面積提取與長勢監(jiān)測等方面得到越來越多的應(yīng)用，且以高分一號（GF-1）遙感數(shù)據(jù)源為主[13-15]。Yang等[16]基于水稻分蘗期與抽穗期的2景GF-1 WFV影像，利用歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）構(gòu)建水稻信息提取模式，成功提取來安縣水稻分布信息；歐陽玲等[17]利用多時相GF-1和Landsat8 OLI影像，基于面向?qū)ο蠓诸惙椒ㄌ崛”卑彩凶魑锓植夹畔?，并根?jù)植被指數(shù)構(gòu)建的多元回歸模型對大豆和玉米進行產(chǎn)量估算。GF-1影像時空分辨率較高，與中低分辨率遙感影像相比能夠更好地反映地表信息，但僅包括藍、綠、紅、近紅外4個傳統(tǒng)波段，較少的光譜信息大大制約了作物面積提取精度的提高。

2018年6月，高分六號（GF-6）衛(wèi)星于中國酒泉發(fā)射中心成功發(fā)射，新增2個能夠有效反映不同作物光譜特征的紅邊波段，是中國首顆設(shè)置紅邊波段的光學(xué)遙感衛(wèi)星[18]。已有研究表明，紅邊波段是指示綠色植物生長狀況的敏感性波段，在作物分類方面發(fā)揮著重要作用[19-20]。Mehdaoui等[21]基于13景Sentinel-2影像，通過構(gòu)建紅邊指數(shù)成功估算Grombalia地區(qū)的小麥產(chǎn)量；劉佳等[22]利用單景RadpidEye遙感數(shù)據(jù)，將有無紅邊條件下研究區(qū)內(nèi)玉米、大豆及其他作物的可分性測度、分類精度及景觀破碎度等指標(biāo)進行對比分析，結(jié)果表明，紅邊波段的引入可以顯著提高作物識別能力；王婷等[23]基于GF-6衛(wèi)星2 m分辨率全色和8 m分辨率多光譜相機影像，應(yīng)用面向?qū)ο蠼Y(jié)合目視解譯的方法對盤錦市2020年水稻面積進行提取；梁繼等[24]基于GF-6 WFV影像并利用支持向量機（Support Vector Machine，SVM）框架對松嫩平原北部進行作物類別特征的篩選與識別，成功對包含水稻在內(nèi)的多種作物進行判識。目前，鮮有基于帶有紅邊波段的GF-6 WFV影像且僅利用光譜指數(shù)進行水稻面積精確提取的研究。

綜上，本研究選擇遼寧省盤錦市為研究區(qū)，利用NDVI、NDWI、RVI、NDRE1等多個指數(shù)，基于多時相GF-6 WFV數(shù)據(jù)開展水稻種植面積提取研究。通過實測數(shù)據(jù)和基于Google Earth的目視解譯數(shù)據(jù)對提取結(jié)果進行精度驗證，并對NDRE1與NDVI進行對比分析，旨在選取一種準確、快速、客觀地提取水稻種植面積的方法，為GF-6遙感數(shù)據(jù)的推廣提供應(yīng)用基礎(chǔ)與技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

盤錦市（40°39′N～41°27′N，121°25′E～122°30′E）位于遼寧省西南部（圖1），下轄有雙臺子區(qū)、大洼區(qū)、興隆臺區(qū)和盤山縣，土地總面積約4 084 km2。該區(qū)地勢平坦，多水無山，平均海拔約4 m。研究區(qū)地處暖溫帶，屬于大陸性半濕潤季風(fēng)氣候，年平均氣溫8～11 ℃，年均降水618.62 mm，雨熱同季，四季分明。盤錦市農(nóng)業(yè)發(fā)展條件優(yōu)越，水稻為主要糧食作物之一。據(jù)2019年盤錦統(tǒng)計年鑒數(shù)據(jù)，2019年水稻播種面積為106 563 hm2，約占全市農(nóng)作物總播種面積的84.85%。研究區(qū)水稻為一季稻，每年5月上旬播種和泡田，5月中旬、下旬移栽，7月進入拔節(jié)孕穗期，8月中旬到達抽穗期，此時土壤下墊面完全被水稻冠層遮擋，10月開始成熟?；贕F-6 WFV遙感影像和實地調(diào)查結(jié)果可將盤錦市分為水稻、建設(shè)用地（建筑物、道路、裸地）、水體、自然植被（林地、灌木等）、天然濕地和旱地（除水稻以外的其他旱地作物）6種地物類型。

1.2 數(shù)據(jù)來源及預(yù)處理

GF-6衛(wèi)星是中國高分專項中的一顆低軌光學(xué)遙感衛(wèi)星，搭載有高分辨率傳感器（Panchromatic Multispectral Sensor，PMS）和寬幅傳感器（Wide Field of View，WFV），與GF-1衛(wèi)星組網(wǎng)后，重訪周期可達2 d，數(shù)據(jù)獲取時效得到極大提高[18]。其中，本研究選用的WFV傳感器實現(xiàn)了多光譜16 m分辨率、幅寬860 km的超大視場寬覆蓋成像，為國際同類衛(wèi)星觀測幅寬的最高水平，并且在傳統(tǒng)的藍、綠、紅、近紅外4個波段的基礎(chǔ)上新增4個波段，包括：紅邊Ⅰ波段（0.69～0.73μm）、紅邊Ⅱ波段（0.73～0.77μm）、海岸藍波段（0.40～0.45μm）和黃波段（0.59～0.63μm）。

根據(jù)盤錦市水稻物候節(jié)律確定拍攝日期和遙感影像，選取2020年5－8月共6景覆蓋盤錦市的L1A級GF-6 WFV影像，分別對應(yīng)水稻三葉期、移栽期、返青期、孕穗期與抽穗期（表1）。其中，返青期影像由2景影像共同覆蓋。遙感影像、絕對輻射定標(biāo)系數(shù)和波譜響應(yīng)函數(shù)可從中國資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/）下載。選擇利用同軌立體攝影測量原理[25]生成的第二版先進星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model Version 2，ASTER GDEM V2）作為輔助數(shù)據(jù)，空間分辨率為30 m，數(shù)據(jù)來源于中國科學(xué)院計算機網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺（http://www.gscloud.cn）。此外，本研究使用了影像級別為18級的Google Earth高分辨率遙感影像，空間分辨率約為1 m。

表1 2020年盤錦市水稻物候期及對應(yīng)GF-6 WFV遙感影像信息Table 1 Phenological stage of paddy rice and corresponding information of GF-6 WFV remote sensing images in Panjin City in 2020

利用ENVI 5.3遙感圖像處理軟件對獲取的GF-6 WFV影像進行輻射定標(biāo)、大氣校正、正射校正、影像裁剪等預(yù)處理工作。輻射定標(biāo)是將影像的數(shù)字量化值（Digital Number，DN）轉(zhuǎn)化為大氣外層輻射亮度值。大氣校正是指通過FLAASH大氣校正模塊去除大氣影響，并將輻射亮度轉(zhuǎn)換為地表實際反射率。正射校正則在無控制點條件下利用影像自帶的有理多項式系數(shù)（Rational Polynomial Coefficient，RPC）信息進行，能夠滿足遙感影像分類的精度要求。最后利用盤錦市的行政區(qū)劃對正射影像進行裁剪，其中返青期的2景影像（2020年6月1日、2020年6月6日）需要先鑲嵌后裁剪。

1.3 研究方法

1.3.1 時序特征參數(shù)計算與分析

在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，本研究選取4種能夠反映水稻物候變化特征的光譜指數(shù)作為水稻提取特征參數(shù)，分別為NDVI、NDWI、RVI、NDRE1，計算如式（1）～式（4）所示：

式中ρNir、ρRed、ρGreen、ρRed-edgeⅠ和ρRed-edgeⅡ分別為近紅外波段、紅光波段、綠光波段、紅邊Ⅰ波段與紅邊Ⅱ波段的反射率。

NDVI對植被低覆蓋區(qū)反應(yīng)敏感，其取值的范圍為[-1, 1]，與植被密度呈正相關(guān)[26]。NDWI能夠增強對水體的監(jiān)測，其取值的范圍為[-1, 1]，用來提取影像中的水體信息效果較好[27]。RVI對植被高覆蓋區(qū)反應(yīng)敏感，當(dāng)植被密度較低時，分辨能力顯著降低，因此能夠強化植被與土壤背景之間的輻射差異，更好地區(qū)分植被覆蓋區(qū)與非植被覆蓋區(qū)[28]。NDRE1用紅邊的峰和谷來代替NDVI的紅光波段與近紅外波段，對葉冠層的微小變化非常敏感，其取值的范圍為[-1, 1][29]。

結(jié)合Google Earth高分辨率影像進行目視解譯，獲取建設(shè)用地、水體、水稻、自然植被、天然濕地、旱地6種地物類型的感興趣區(qū)（Region of Interest，ROI），根據(jù)ROI對RVI、NDVI、NDWI、NDRE1進行時序分析（表2）。在水稻三葉期至抽穗期，即2020年5－8月期間（表1），建設(shè)用地和水體的4種指數(shù)值變化較小，自然植被與天然濕地的RVI、NDVI、NDRE1整體上有所增大。水稻移栽期（2020-05-25）時水稻的RVI、NDVI、NDRE1顯著減小，為水稻生育期內(nèi)最小值，分別為0.96、0.00和-0.09；而NDWI則顯著增大，為最大值，即-0.05（表2）。在水稻孕穗期至抽穗期（2020-07-20－2020-08-22），水稻、旱地、自然植被、天然濕地的RVI、NDVI、NDRE1均有不同程度的下降，如水稻的RVI、NDVI、NDRE1分別從11.29、0.80和0.62下降至7.35、0.70和0.52（表2），這與理論上的變化是不同的，其主要歸因于2020年8月盤錦市出現(xiàn)長時間的持續(xù)陰雨寡照天氣，對農(nóng)作物及植被的生長產(chǎn)生不利影響。

表2 研究區(qū)內(nèi)各地物類型光譜指數(shù)時序分析Table 2 Time series analysis of spectral indices of various land feature types in the study area

1.3.2 水稻面積提取方法

1）水稻面積粗提取。稻田在移栽期前需進行灌水泡田，這種獨特的耕種方式使得水稻與其他作物呈現(xiàn)出明顯差異，并顯著體現(xiàn)于水稻移栽期與抽穗期。稻田在移栽期時以水體為主，NDRE1為-0.09，抽穗期時水稻生長旺盛，體現(xiàn)出高覆蓋植被特征，NDRE1增大至0.52（表2）。結(jié)合除水稻外的其他地類NDRE1變化情況，對ROI在水稻移栽期與抽穗期對應(yīng)的NDRE1進行微調(diào)后確定合適閾值，將水稻移栽期即5月25日時滿足NDRE1＜0且水稻抽穗期即8月22日時滿足NDRE1＞0.40的像元確定為水稻，得到水稻粗分結(jié)果。但因水稻與部分其他地類在移栽期與抽穗期光譜特征較為相似，水稻粗分結(jié)果不可避免的會產(chǎn)生錯分，還需建立對其他地類的掩膜。

2）掩膜建設(shè)用地。水稻三葉期至抽穗期，水稻、自然植被、天然濕地與其他作物均不斷生長，在各自生長最旺盛的階段植被特點表現(xiàn)明顯，即RVI＞6.00，與建設(shè)用地形成鮮明對比（表2）。結(jié)合水稻生育期內(nèi)建設(shè)用地RVI值進行閾值調(diào)整，對滿足RVI最大值小于等于5.00的像元進行掩膜。

3）掩膜水體。水體在水稻生長發(fā)育過程中，NDWI均大于0，且變化較?。ū?）。因此，在水稻移栽期至抽穗期期間，對時序影像中滿足NDWI＞0的頻率（F，%）大于等于80%的像元進行掩膜。F的計算如式（5）所示：

式中Nclass為單個像元符合NDWI＞0的影像數(shù)；Ntotal為總影像數(shù)；Nbad為不良觀測影像數(shù)。

4）掩膜自然植被。林地、草地、灌木等自然植被生長較早，至水稻三葉期時已生長一段時間，NDVI＞0.25，綠色植被特征明顯（表2）。因此，對在水稻三葉期即5月11日時滿足NDVI≥0.25的像元進行掩膜。

5）掩膜天然濕地。天然濕地植被從早春開始生長，至水稻移栽期時已生長幾個星期，體現(xiàn)出低覆蓋植被的特點。鑒于此，對在水稻移栽期即5月25日時滿足NDVI＞0.15的像元進行掩膜。

6）掩膜旱地。水稻與其他作物耕種方式的不同導(dǎo)致其光譜信息差異明顯，即水稻在移栽期和返青期呈現(xiàn)以水體為主的特點，而其他作物體現(xiàn)出裸地或植被的特點。因此，對在水稻移栽期即5月25日時滿足NDWI＜-0.13或在水稻返青期即6月1日時滿足NDWI＜-0.42的像元進行掩膜，得到最終的盤錦市水稻分布圖。

1.3.3 精度驗證

在利用水稻面積提取方法獲得盤錦市水稻種植面積和空間分布信息的基礎(chǔ)上，利用實測數(shù)據(jù)和目視解譯數(shù)據(jù)對2020年盤錦市水稻提取結(jié)果進行精度驗證。

1）實測數(shù)據(jù)驗證：為評估水稻分布圖的準確性，于2020年9月赴盤錦市展開實地調(diào)查，選取36個水稻驗證點并拍攝實地照片。水稻實地驗證點主要分布于盤錦市東部、北部與南部（圖2）。由于實地驗證點的地物均為水稻，不是隨機選取且未在研究區(qū)域均勻分布，故僅計算總體分類精度（Overall Accuracy，OA，%）進行說明，其計算如式（6）所示：

式中m為正確分類的驗證點數(shù)；N為驗證點總數(shù)。

2）目視解譯數(shù)據(jù)驗證：結(jié)合Google Earth高分辨率影像進行目視解譯后在研究區(qū)域內(nèi)隨機選取250個驗證點（圖2），其中水稻驗證點150個，其他地類驗證點100個?；?50個目視解譯驗證點構(gòu)建混淆矩陣，計算OA、Kappa系數(shù)、制圖精度（Mapping Accuracy，MA，%）和用戶精度（User Accuracy，UA，%）對分類精度進行評價，其計算如式（7）～式（9）所示：

式中mi為第i類的分類正確驗證點數(shù)；Gi為第i類的真實驗證點總數(shù)；Ci為第i類的分類驗證點總數(shù)；n為分類數(shù)。

2 結(jié)果與分析

2.1 盤錦市水稻種植面積提取結(jié)果及實測數(shù)據(jù)驗證

基于水稻面積提取方法，利用多時相GF-6 WFV遙感影像獲得2020年盤錦市水稻分布圖（圖3a）。從水稻空間分布來看，其種植范圍較廣且較為連續(xù)，主要分布于盤錦市的北部、東部與中南部，與市區(qū)相鄰接。2020年盤錦市水稻種植面積為111 058.71 hm2，其中大洼區(qū)與盤山縣水稻種植面積分別為60 493.29和42 152.70 hm2，分別占全市總種植面積的54.47%和37.95%；雙臺子區(qū)與興隆臺區(qū)水稻種植面積較少，分別為2 440.93和5 971.79 hm2，分別占全市總種植面積的2.20%和5.38%。

根據(jù)36個水稻實地驗證點進行精度驗證，其中34個分類正確，2個分類錯誤，即分類錯誤實地驗證點A、B（圖3a），總體精度為94.44%，水稻分類效果較好。經(jīng)實地調(diào)研，分類錯誤實地驗證點A處稻田周圍種植蘆葦和大豆，提取結(jié)果將其錯分為水稻（圖3b）；分類錯誤實地驗證點B南部為水稻，其中穿插種植大豆，提取結(jié)果產(chǎn)生漏分（圖3c）。分析影響水稻分類精度的原因，主要在于影像分辨率較低，存在水稻與其他地類的混合像元，從而出現(xiàn)錯分和漏分現(xiàn)象。由于水稻實地驗證點未在研究區(qū)均勻分布，無法代表整個研究區(qū)的水稻分類效果，故還需進行目視解譯，在研究區(qū)內(nèi)均勻、隨機選取驗證點。

2.2 目視解譯數(shù)據(jù)驗證

目視解譯驗證點中水稻與非水稻的像元個數(shù)較為均衡，能夠較好地表征水稻識別精度?；?50個目視解譯驗證點獲得混淆矩陣，結(jié)果表明150個水稻目視解譯驗證點中143個分類正確，100個其他地類目視解譯驗證點中96個分類正確（表3）。根據(jù)混淆矩陣計算總體精度、Kappa系數(shù)、制圖精度和用戶精度，2020年盤錦市水稻提取結(jié)果的水稻制圖精度與用戶精度分別為95.33%和97.28%，可見水稻提取精度較高；其提取結(jié)果的總體精度為95.60%，Kappa系數(shù)為0.91，表明與基于實地驗證點得出的總體精度相接近，總體一致性較好。水稻制圖精度較低于用戶精度的原因在于部分水稻地類被錯誤劃分為其他地類，這也表明16 m分辨率遙感影像依然無法排除混合像元對水稻提取的影響，只有提高遙感影像分辨率才能進一步提高水稻面積提取精度。

表3 基于GF-6 WFV影像的盤錦市水稻分類結(jié)果混淆矩陣和精度評價Table 3 Confusion matrix and accuracy evaluation of paddy rice classification results in Panjin City based on GF-6 WFV images

2.3 紅邊波段對水稻面積提取精度的影響

GF-6衛(wèi)星WFV傳感器新增2個紅邊波段（即紅邊I波段和紅邊II波段），能夠更加有效地反映作物特有的光譜特性，為監(jiān)測作物生長情況提供更大信息量。根據(jù)NDVI時序分析，將水稻面積粗提取中的移栽期NDRE1＜0和 抽 穗 期NDRE＞0.40替 換 為 移 栽 期NDVI＜0.10和抽穗期NDVI＞0.70，在遙感影像與掩膜方法相同的條件下，獲得無紅邊信息的2020年盤錦市水稻分布圖，從中選取點1、2、3三個水稻目視解譯驗證點，并分別對有紅邊信息和無紅邊信息的2種分類結(jié)果疊加遙感影像進行對比（圖4）。由圖4可知，與有紅邊信息的分類結(jié)果相比，無紅邊信息的目視解譯驗證點水稻分類結(jié)果大致相同，但無紅邊信息的提取結(jié)果漏分現(xiàn)象明顯。其中，無紅邊信息分類結(jié)果中，點1～3處水稻均產(chǎn)生大量漏分；有紅邊信息分類結(jié)果中，點1～3均可提取為水稻，且效果較好，較無紅邊信息分類結(jié)果水稻分布更為完整。

基于目視解譯得到的250個驗證點獲得混淆矩陣，無紅邊信息提取結(jié)果中分類正確的水稻目視解譯驗證點和其他地類目視解譯驗證點個數(shù)分別為134和97（表4）。根據(jù)混淆矩陣計算精度，與有紅邊信息的分類結(jié)果相比，無紅邊信息提取結(jié)果的水稻制圖精度與其他地類用戶精度分別下降6.00個百分點和7.36個百分點，水稻用戶精度與有紅邊信息提取結(jié)果基本一致。由此可見，引入紅邊波段能夠顯著減少漏分現(xiàn)象，得到更為精確的水稻種植面積與空間分布。此外，無紅邊信息提取結(jié)果的總體精度與Kappa系數(shù)分別為92.40%和0.85，分別下降3.20個百分點和0.06。由此可知，GF-6 WFV新增的紅邊波段對作物識別能力有顯著提高，基于紅邊波段的NDRE1較NDVI的水稻提取效果更好，精度更高。究其原因，NDRE1所涉及的2個紅邊波段（即紅邊I波段和紅邊II波段）的波長相距較近，屬于窄帶綠度指數(shù)，相比于NDVI等寬帶綠度指數(shù)對葉綠素含量、葉子表面冠層等更加靈敏，能提高對作物的識別能力。

表4 無紅邊信息的盤錦市水稻分類結(jié)果混淆矩陣和精度評價Table 4 Confusion matrix and accuracy evaluation of paddy rice classification results without red-edge information in Panjin City

3 結(jié) 論

基于2020年覆蓋盤錦市水稻關(guān)鍵物候期的多時相GF-6 WFV影像，通過對不同地物的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）、比值植被指數(shù)（Ratio Vegetation Index，RVI）和歸一化差異紅邊1指數(shù)（Normalized Difference Red-Edge 1 Index，NDRE1）進行時序分析后確定水稻識別方法，對水稻種植面積進行提取，并得到如下結(jié)論：

1）根據(jù)實地驗證點對2020年盤錦市水稻種植面積提取結(jié)果進行驗證，總體精度為94.44%；根據(jù)目視解譯數(shù)據(jù)進行驗證，總體精度、Kappa系數(shù)、水稻制圖精度和用戶精度分別為95.60%、0.91、95.33%和97.28%。精度驗證結(jié)果均表明本研究方法對水稻面積的提取效果較好，精度較高。

2）經(jīng)目視解譯數(shù)據(jù)驗證，引入紅邊波段后，水稻面積提取結(jié)果的總體精度、水稻制圖精度、Kappa系數(shù)分別提高3.20個百分點、6.00個百分點、0.06。結(jié)果表明，紅邊波段的引入能夠顯著增強作物的識別能力，提高水稻面積的提取精度，減少漏分現(xiàn)象，也證明新增紅邊波段的GF-6 WFV遙感影像在作物面積提取方面有廣泛的應(yīng)用潛力，能為遙感解譯提供更豐富的信息。

本研究基于GF-6 WFV遙感影像高精度提取2020年盤錦市水稻種植面積和空間分布信息，但16 m分辨率對小塊地類的識別及作物面積精細提取依舊較低，混合像元依然是影響分類精度的主要原因。下一步可將GF-6 WFV遙感影像與高分辨率遙感影像相結(jié)合，運用混合像元分解算法進行作物種植面積提取，在充分利用GF-6 WFV紅邊波段優(yōu)勢的基礎(chǔ)上，解決分辨率較低在精確提取作物種植面積方面的問題。