标题

Size: px

Start display at page:

Download "标题"

穴帚鱼
5 years ago
Views:

1 摇南京农业大学学报摇 2013,36(1):87-91 http: / / nauxb. njau. edu. cn 摇 Journal of Nanjing Agricultural University doi: / j. issn 試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試試王力凡, 潘剑君. 基于 CBERS-02B 卫星影像光谱信息的水稻种植面积提取方法以南京市溧水县为例 [ J]. 南京农业大学学报,2013, 36(1):87-91 基于 CBERS-02B 卫星影像光谱信息的水稻种植面积提取方法以南京市溧水县为例王力凡 1,3 2*, 潘剑君 (1. 南京农业大学公共管理学院,2. 南京农业大学资源与环境科学学院, 江苏南京 ; 3. 江苏省测绘工程院, 江苏南京 ) 摘要 : 利用水稻成熟期的影像, 在进行光谱信息的统计和分析的基础上, 对比水稻与其他植被在各波段 DN( digital number) 值以及 NDVI(normalized difference vegetable index) 值的数值差异, 总结出水稻与其他植被反射光谱特征, 认为成熟期的水稻在红光绿光蓝光波段 DN 值以及 NDVI 值上具有异于其他植被的特征, 并通过波段运算扩大其数值差异, 建立水稻像元提取模型, 确定阈值, 从而进行水稻种植面积的提取, 精度可达 % 该方法能满足小区域的水稻种植面积提取和制图, 并能够满足一定的精度要求关键词 : 水稻种植面积 ;CBERS-02B; 光谱信息 ; 波段运算中图分类号 :S127 摇摇摇摇文献标志码 :A 摇摇摇摇文章编号 : (2013) Extraction of rice planting area based on CBERS 鄄 02B image spectral information:a case study in Lishui,Nanjing WANG Lifan 1,3,PAN Jianjun 2* (1. College of Public Administration,2. College of Resources and Environmental Sciences,Nanjing Agricultural University, Nanjing ,China;3. Jiangsu Province Surveying and Mapping Engineering Institute,Nanjing ,China) Abstract:The CBERS 鄄 02B image at rice maturity stage was used in this study. Based on the statistics and analyses of the image spectral information,the general regularity and characters of rice spectral reflectance were summarized. It indicated that, at the rice maturity stage,the characters of rice were different between the others 忆 in the values of red,green,blue bands and NDVI. Bands cal 鄄 culation was used to build the relationships,and the thresholds were defined. Finally the rice planting area was extracted by the rela 鄄 tionships and the thresholds. The accuracy reached %. This method can improve the precision of rice planting area interpretation of remote sensing images. Key words:rice planting area;cbers 鄄 02B;spectral information;bands calculation 水稻是我国重要的粮食作物之一, 而且水稻田是温室气体甲烷的重要来源, 也是碳汇的重要途径 ; 因此, 监测水稻田面积对我国粮食安全农田碳排放农业水资源的利用具有积极的作用传统的人工实地调查的方法费时费力, 而日渐成熟的遥感技术为农作物的分类和监测工作开辟了一条新的途径卫星遥感影像能够客观及时准确地反映地表信息, 因此目前在农业生产和研究中得到广泛应用国内外学者 [1] 在此方面做了大量工作李晓兵等利用 NOAA / AVHRR 数据, 通过 NDVI 值时间序列的分析, 对我国国 [2] 土范围内主要植被进行粗略的分类和分布研究秦元伟等利用 TM ETM CBERS-01 和 CBERS-02 影像数据, 通过 NDVI 和 RVI 对山东省广饶县冬小麦种植面积进行提取, 并建立估产模型在水稻种植面积提取研究中, 大多根据水稻生育期反射光谱信息的变化, 采用多时相遥感影像的方法 [3] 进行提取李维钧等利用 CBRES-02 CCD 的影像数据, 采用监督分类的方法对重庆市东北部梁平县的 [4] 水稻面积进行了提取马丽等利用 4 景 6 9 月的 TM 和 SPOT-4 影像, 根据黑龙江东北部大豆玉米 [5] 水稻各自物候期的不同, 分析其光谱特征, 通过决策树分类方法对这 3 种作物进行分类提取 Xiao 等利用 23 景南亚和东南亚 13 个国家和地区的 MODIS 影像, 通过多种植被指数地面水指数高程数据和时收稿日期 : 基金项目 : 国家信息农业工程技术中心 / 江苏省信息农业高技术研究重点实验室开放课题 (Netcia ); 江苏高校优势学科建设工程项目作者简介 : 王力凡, 硕士研究生 * 通信作者 : 潘剑君, 博士, 教授, 博导, 主要从事资源环境与信息技术方面的研究,E 鄄 mail:jpan@ njau. edu. cn

88 南摇京摇农摇业摇大摇学摇学摇报第 36 卷间序列建立模型, 对该地区水稻种植面积进行提取并制图上述研究取得较好的效果, 但要在小区域内满足一定的精度要求, 就要使用 Landsat 或 CBERS-02B 卫星中分辨率的影像这项研究重访周期较长, 要获取多时相的有效数据较为困难, 且工作量较大对于小区域特定生育期内单一时相的遥感影像水稻种 [6] 植面积提取研究较少

2 88 南摇京摇农摇业摇大摇学摇学摇报第 36 卷间序列建立模型, 对该地区水稻种植面积进行提取并制图上述研究取得较好的效果, 但要在小区域内满足一定的精度要求, 就要使用 Landsat 或 CBERS-02B 卫星中分辨率的影像这项研究重访周期较长, 要获取多时相的有效数据较为困难, 且工作量较大对于小区域特定生育期内单一时相的遥感影像水稻种 [6] 植面积提取研究较少陈维君的研究表明, 在水稻成熟期的光谱特征中植被特性相对较弱, 可较好地 [7] 与其他植被区分竞霞在对 10 种作物进行监测的 NDVI 时间谱曲线中也反映了水稻在成熟期有区别于其他作物的光谱特征因此, 本研究基于对水稻成熟期光谱特征信息的分析, 对区县等级的小区域范围内的水稻种植面积进行提取, 以期利用单一时相的遥感影像来提取水稻种植面积, 为作物种植面积提取研究提供新的思路和方法 1 摇研究区概况与数据本试验选取的研究区为南京市溧水县东部地区研究区位于 119 毅 01 忆 E ~ 119 毅 15 忆 E,31 毅 28 忆 N ~ 31 毅 42 忆 N 2007 年南京溧水县全县粮食作物种植面积 hm 2, 其中水稻种植面积 hm 2, 具有较强的代表性本试验采用的数据为中国资源卫星应用中心提供的 CBERS-02B 卫星的 CCD 和 HR 影像, 空间分辨率分别为 m 和 2. 4 m 由于研究区内水稻成熟期为 9 月至 10 月中旬,10 月下旬至 11 月上旬开始收割, 因此选择的影像数据时相为 2007 年 10 月 4 日同时, 采用覆盖研究区 2007 年 8 月 1 日的 Quickbird 影像对本文提出的方法进行验证研究区影像见图 1 2 摇基于光谱信息的水稻种植面积提取 2. 1 摇植被与非植被经过实地考察和影像的对比以及相关农业数据的参考, 确定研究区内的主要植被类型分别为草地灌木林地水 Fig. 1 摇图 1 摇研究区影像 Remote sensing image in studying area 摇摇线框内为实地调查样区 The line boxes are the field survey plots. 稻农田由于水稻在这一时期有区别于其他植被的光谱特征, 因此水稻区别于农田中的其他作物被单独列出, 以便于研究农田则代表除种植水稻外的其他农田, 这一时期的研究区内多以种植蔬菜为主研究区内有部分棉花和茶树, 其形态和光谱特征与灌木类似, 所以将棉花和茶树也归于灌木类型在已有的大量研究中可以证明, 用归一化植被指数 (NDVI) 进行阈值分割可以有效区分植被水体道路裸地和建筑用地 [8-10], 因此, 本研究中植被与非植被的区分也采用这一方法对 CBERS-02B 卫星的 CCD 和 HR 影像进行几何精纠正裁剪, 并且进行融合, 使其具有高分辨率及丰富的光谱特征为了使融合后的影像色彩与原 CCD 影像的色彩基本保持一致, 选用乘积法 (mutiplicative) 进行影像融合之后, 再对融合后的影像进行植被指数的计算, 获得 NDVI 值, 将前人经验与实地考察结合, 确定植被的 NDVI 阈值, 即 :NDVI>1. 5 的像元为植被像元植被指数的计算公式为 :NDVI = ( NIR-R) / ( NIR+R) 式中 :NIR 表示近红外波段 ;R 表示红光波段 2. 2 摇不同植被光谱信息的差异结合研究区内 4 个样区 ( 图 1) 植被实地考察和走访的结果, 对融合后影像中草地灌木林地水稻和农田的植被类型进行采样, 共选取草地样本个灌木样本个林地样本个农田样本个水稻样本个然后对各植被类型的蓝光绿光红光近红外 4 个波段的像元灰度值 ( DN 值 ) 和 NDVI 进行统计分析, 得到不同植被类型在 4 个不同波段以及 NDVI 的最值和 ( 表 1) 由表 1 中各植被类型的光谱信息数据绘制各类型植被在各个波段的光谱折线图和 NDVI 分布图从图 2 和图 3 可知, 在蓝光绿光红光波段上, 水稻反射光谱的 DN 值都是最高的, 而在近红外波段则处于中等水平, 可能是该阶段的水稻处于成熟期到收获期, 其植被特征相对较弱, 水稻植株内叶绿素等色素对蓝光绿光红光的吸收相比其他植被较弱, 所以体现出在其前 3 个波段上反射光谱的 DN 值高正因为其表现出的植被特征与其他类型的植被相比较弱, 所以水稻的 NDVI 值也是这 5 种植被类型中最低的

3 摇第 1 期摇摇王力凡, 等 : 基于 CBERS-02B 卫星影像光谱信息的水稻种植面积提取方法以南京市溧水县为例 89 Table 1 摇表 1 摇各类型植被光谱信息统计表 The spectral information of various vegetation statistics 类型 Type 蓝光 Blue 绿光 Green 红光 Red 近红外 Near 鄄 infrared NDVI 草地 Lawn 灌木 Shrub 林地 Woodland 农田 Cultivated field 水稻 Rice Fig. 2 摇图 2 摇各类型植被光谱折线图 The spectrums of various vegetation 2. 3 摇水稻种植面积提取模型的建立 Fig. 3 摇图 3 摇各类型植被 NDVI 分布图 The NDVI of various vegetation 从以上数据的分析中可以看出, 水稻在成熟期有区别于其他类型植被的特有的光谱特征, 表现为 : 成熟期水稻的蓝光绿光红光波段的光谱反射值大于其他类型植被的光谱反射值,NDVI 值小于其他植被类型的 NDVI 值但是, 仅仅利用这层数值关系还无法有效地提取水稻种植面积, 因为水稻与其他类型植被在各个波段和 NDVI 值中的最值都有重叠部分, 光谱信息又有一定的相似性, 差异性不显著然而利用水稻成熟期与其他类型植被在蓝光绿光红光波段反射值最高而 NDVI 值最小这一特征, 采用波段运算的方法, 将影像的蓝光绿光红光波段的值相加再除以 NDVI 值, 从而可以扩大水稻与其他植被的差异性波段运算的计算公式为 :SD = (B+G+R) / NDVI 式中 :SD 表示进行波段运算后得到的能够突出反映水稻特征的波段数值 ;B 表示蓝光波段 ;G 表示绿光波段 ;R 表示红光波段经过计算后, 再按照 2. 2 节中的样本对 5 种植被类型的计算值进行采样, 结果见表 2, 各植被类型计算值的分布见图 4 摇摇由图 4 可以看出,5 种类型植被计算值的分布大致属于正态分布, 其中, 草地像元的计算值大多分布于 155 ~ 175, 灌木像元的计算值大多分布于 139 ~ 153, 林地像元的计算值大多分布于 135 ~ 151, 农田像元的计算值分布较为分散, 大致分布于 149 ~ 172, 而水稻像元的计算值大多集中于 185 ~ 210 因此, 水稻像元就可以较大地区别于其他 4 种类型植被的像元, 以便于水稻种植面积的提取 2. 4 摇水稻面积提取制图 Table 2 摇计算值 Calculated value 表 2 摇各类型植被波段运算值统计表 The bands calculation values of various vegetation statistics 草地 Lawn 灌木 Shrub 林地 Woodland 农田 Cultivated field 水稻 Rice 最小值 Minimum 最大值 Maximum 平成熟期的水稻与同一时相的其他类型植被存在显著区别, 对影像的植被像元进行波段运算, 再运用阈值分割法进行水稻种植面积的提取, 运算结果大于 185 的都归为水稻像元, 其余的归为其他植被提取后采用过滤和去除处理, 将较小的图斑合并到相邻的类别中, 最终得到研究区内水稻种植分布图 ( 图 5) 从图 5 可知, 由于原始影像具有较高的空间分辨率, 不仅能够获得水稻在地理空间上的分布信息, 而且还可以利用水稻像元的个数乘以像元大小, 获得较为精确的水稻种植面积, 从而为估产和收割等农业生产活动提供帮助

4 90 南摇京摇农摇业摇大摇学摇学摇报第 36 卷 Fig. 4 摇图 4 摇各类型植被波段运算值分布图 The bands calculation values histogram of various vegetation Fig. 5 摇图 5 摇研究区内水稻种植分布图 Distribution of rice cultivation in studying area

5 摇第 1 期摇摇王力凡, 等 : 基于 CBERS-02B 卫星影像光谱信息的水稻种植面积提取方法以南京市溧水县为例 91 3 摇方法验证结合样区内实地调查走访和高分辨率影像目视判读相结合的方法, 对研究区内随机选取的 488 个样点进行相关指标计算, 对试验结果进行精度分析和评价从表 3 可见, 该方法的总体精度达到 %, Kappa 系数为 , 结果是令人满意的其中水稻像元提取的精度达到 90% 以上, 证明该方法在水稻种植面积提取中有较好的适用性和可行性但是, 其中也存在一些误差, 主要表现为 : 在水稻像元的提取中, 有部分水稻像元被分为非植被用地和其他植被, 其原因可能是研究区内部分地物异物同谱同物异谱现象所造成而从图中也可以发现, 有部分水体像元被分为非植被用地像元经研究发现, 研究区内高速公路的柏油路面的光谱特征与较浅浑浊的水域光谱特征十分类似, 在各波段的 DN 值都较为接近在前期利用 NDVI 阈值分割法进行水体植被与非植被用地分类时, 两者的 NDVI 值都处于 ~ 0. 15, 因此, 有部分较浅浑浊的水域被作为柏油路面, 错分为非植被用地像元考虑到本研究的主要对象为水稻, 且该误差对水稻分布及面积提取的影响不大, 所以没有予以进一步改进类型 Type 非植被用地 Non 鄄 vegetation land Table 3 摇表 3 摇精度评价 Accuracy evaluation 样点数 Samples 其他植被 Other vegetation 水体 Water 水稻 Rice 生产者精度 / % Producers accuracy 使用者精度 / % Users accuracy 摇非植被用地 Non 鄄 vegetation land 摇其他植被 Other vegetation 摇水体 Water 摇水稻 Rice 摇讨论本文在研究了国内外水稻面积提取方法的基础上, 对水稻成熟期的遥感影像进行光谱信息的统计和分析, 发现了成熟期水稻光谱信息的特征, 建立了水稻提取模型, 用波段运算的方法扩大水稻与其他植被光谱信息的差异, 从而用阈值分割法进行水稻的提取并以南京市溧水县东部地区为例, 对此方法进行了验证结果表明, 该方法能有效地对区县等级尺度范围内水稻像元进行识别和提取, 回避了多时相遥感时间分辨率和气候因素的影响, 且可行性强, 易操作 [10] 在陈君颖等的研究中, 使用决策树分类方法的总体精度可达 % 本研究中, 水稻像元分类精度可达 90% 以上, 但是总体精度为 % 因此, 利用该方法可有效进行水稻种植面积的提取由于研究区内地表覆盖信息较为复杂, 小部分混合地物会对结果精度造成影响 [11], 有些较浅或浑浊的水体往往被误分为其他类型像元, 因此在前期非植被地物的分类方面还需进一步探讨本研究是基于一个地域 5 种植被类型得出的结论, 对于在其他植被类型较为复杂的地域是否适用, 还有待进一步探讨参考文献 : [1] 摇李晓兵, 史培军. 基于 NOAA / AVHRR 数据的中国主要植被类型 NDVI 变化规律研究 [J]. 植物学报,1999,41(3): [2] 秦元伟, 赵庚星, 姜曙千, 等. 基于中高分辨率卫星遥感数据的县域冬小麦估产 [J]. 农业工程学报,2009,25(7): [3] 李维钧, 张微微, 武伟, 等. 基于中巴资源卫星数据的水稻种植面积监测以梁平县为例 [J]. 西南大学学报 : 自然科学版,2009,31(1): [4] 马丽, 徐新刚, 刘良云, 等. 基于多时相 NDVI 及特征波段的作物分类研究 [J]. 遥感技术与应用,2008,23(5): [5] Xiao X M,Stephen B,Steve F,et al. Mapping paddy rice agriculture in South and Southeast Asia using multi 鄄 temporal MODIS images[ J]. Remote Sensing of Environment,2006,100: [6] 陈维君. 水稻成熟度和收获时期的高光谱监测 [D]. 杭州 : 浙江大学,2006 [7] 竞霞. 基于时相和波谱信息的作物分类研究 [D]. 西安 : 西安科技大学,2005 [8] 程乾, 黄敬峰, 王人潮. MODIS 和 NOAA / AVHRR 植被指数差异初步分析 [J]. 科技通报,2005,21(2): [9] Buheaosier,Tsuchiya K,Kaneko M,et al. Comparison of image data acquired with AVHRR,MODIS,ETM+ and ASTER over Hokkaido,Japan[J]. Advances in Space Research,2003,32(11): [10] 陈君颖, 田庆久. 高分辨率遥感植被分类研究 [J]. 遥感学报,2007,11(2): [11] 郑秀仁, 潘剑君, 林海, 等. 4 种混合地物的光谱特征研究 [J]. 南京农业大学学报,2004,27(4):55-59 责任编辑 : 沈摇波摇刘怡辰

数据和方法研究区概况机载高光谱数据收集样地冠层光谱数据收集

数据和方法研究区概况机载高光谱数据收集样地冠层光谱数据收集刘丽娟庞勇范文义李增元李明泽东北林业大学林学院黑龙江哈尔滨中国林业科学研究院资源信息研究所北京杭州师范大学遥感与地球科学研究院浙江杭州将机载和高光谱数据整合既可以获取可见光近红外短波红外区间连续的窄波段地物光谱又能得到很高的空间分辨率为高覆盖度的森林树种识别又增加了一种新方法但是由于两种传感器的光谱响应不同接收到的辐射值差异较大如何将两种数据有效整合目前仍