多时相MODIS影像的黑龙江省水稻种植面积提取

陈雨思，李 丹，黎 臻，陈梦婷，崔远来，罗玉峰

多时相MODIS影像的黑龙江省水稻种植面积提取

陈雨思，李 丹，黎 臻，陈梦婷，崔远来，罗玉峰※

（武汉大学水资源与水电工程科学国家重点实验室，武汉 430072）

黑龙江省稻田面积扩张引起农区地类发生巨大变化，利用遥感手段快速动态监测稻田面积扩张的变化，可为水稻产量估算、水土资源开发利用和评价提供科学决策依据。该研究以中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）地表反射率和植被指数数据为主要数据源，融合归一化光谱特征、分层分类、最大似然法、阈值和指数时间序列等方法建立决策树模型，对2003－2018年黑龙江省的稻田、旱地、草甸、滩地、森林、水体、城镇等进行遥感解译，并采用混淆矩阵法验证结果精度。结果表明2003－2018年稻田识别Kappa系数达到0.899～0.961，总精度达到了85.5%～92.3%。黑龙江省新增稻田主要由旱地、草甸和滩地转变，水稻种植面积从2003－2018年扩大了3倍，平均每年扩张158 100 hm2，稻田播种区域的中心向北延伸约160 km。该研究基于黑龙江省不同植被的物候特征，确定了不同地类的决策树分类判定标准，为黑龙江省稻田面积变化提供有效的方法。

遥感；土地利用；分类；精准识别；稻田扩张；决策树模型

0 引 言

黑龙江省是中国粮食生产重要基地，水稻是黑龙江省主要的粮食作物。精准识别稻田时空分布信息，可为政府部门评估水稻产量和制定相关政策等提供依据。传统土地利用类型制图以地面调查和测量为主，制图精准，但工作量大、更新周期长且缺乏直观空间分布信息。遥感技术通过分析地类光谱特征，可快速实现稻田的准确识别[1]。

基于多种遥感数据源，国内外学者进行了稻田面积识别研究[2-6]。刘佳等[7]基于陆地卫星Landsat影像，计算归一化植被指数（Normalized Difference Vegetation Index，NDVI）等6种指数的阈值，构建决策树算法，识别宁夏回族自治区的水稻种植区。Guan等[8]融合Landsat影像和气象观测卫星NOAA-AVHRR影像，绘制越南水稻种植区图像，估算水稻产量。杨婷等[9]基于NOAA-AVHRR影像的NDVI指数数据，运用二次差分法和傅里叶变换法提取1986年水稻熟制的分布区，绘制中国水稻种植制度（熟制）图。以上研究数据源多采用Landsat影像和NOAA-AVHRR影像。其中Landsat影像时间分辨率低，一般运用不同时相的指数差异来监测水稻种植区。AVHRR影像波段较少，一般通过NDVI指数时序差异来监测水稻种植区。中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）影像作为高光谱影像的一种，时间分辨率高，幅宽大，对省级尺度水稻种植区的识别具有一定的优势。

基于遥感数据源，稻田面积的识别主要采用2种分类算法：一是基于大量参照像素的识别算法，如Xu等[10]运用一类支持向量分类法识别江苏省水稻种植区，并与多类支持向量分类法进行比较，运算效率得到了显著提升。此外，机器学习[11]、随机森林[12]、长短时记忆网络[13]等也是常用的水稻种植区识别算法。但是以上算法需要较多的参照样本（每地类>300个样本），难以对缺少参照样本的地区进行识别。二是基于光谱反射率和指数时间序列的物候算法，如Xiao等[14-15]根据水稻移栽期中的NDVI、增强植被指数（Enhanced Vegetation Index，EVI）和陆地表面水分指数（Land Surface Water Index，LSWI）之间的关系，提出单一时相稻田映射算法，精准识别稻田空间分布。郑长春等[16]、Dong等[17]也将该算法成功应用于其他地区。Peng等[18]将EVI和LSWI之间的单一阈值进行多年验证，发现水生植被会干扰阈值，运用可变阈值提升了Xiao等[14]的算法对单季稻和双季稻识别的适应性。以上物候算法的研究区域纬度跨度较小，南北温度差异小，研究区内作物移栽期一致，可利用植被指数和LSWI的关系识别稻田种植区。但黑龙江省纬度跨度大，不同区域作物移栽期不一致，以上算法难有较好表现。

综上，本研究以黑龙江省为研究区域，基于2003—2018年水稻生育期的MODIS影像，将短波红外波段、NDVI、EVI和LSWI的多个阈值并入到物候算法之中，针对各个地类物候特征构建决策树模型，识别区域内稻田面积，提出一种适用于省级尺度水稻种植区识别的方法。

1 材料与方法

1.1 研究区概况

黑龙江省位于中国东北地区北部（43°26′N～53°33′N，121°11′E～135°05′E）。全省总面积47.3万km2，地势呈西北、北部和东南部高，东北、西南部低的趋势。平原分布在研究区的东北部和西南部，包括三江平原和松嫩平原。研究区地跨黑龙江、乌苏里江、松花江、绥芬河四大水系，属寒温带与温带大陆性季风气候（图1）。大部分地区的热量条件可以满足一年一熟农作生长需要。研究区主要农作物为大豆、玉米、水稻和小麦。稻田主要分布在三江平原，自1980年以来，其种植面积逐年增加，湿地和旱地的分布面积逐年减少[19]。

图1 研究区地理位置

1.2 数据源

1）MODIS数据：地表反射率数据（MOD09A1）、植被指数数据（MOD13Q1、MYD13Q1）和分类结果数据（MCD12Q1）来自美国地质调查局（United States Geological Survey，USGS），时间为2003－2018年，空间分辨率分别为500、250和500 m。以上3种数据均为陆地二级标准以上的数据，已去除大气的吸收和散射、进行了大气校正处理。黑龙江省所在的网格范围包括h25v03、h26v03、h26v04和h27v04四景。地表反射率数据中包含7个波段，依次为红（620～670 nm）、近红（841～876 nm）、蓝（459～479 nm）、绿（545～565 nm）、热红外（1 230～1 250 nm）、短波红外1（1 628～1 652 nm）、短波红外2（2 105～2 155 nm）。植被指数数据中包含归一化植被指数NDVI和增强植被指数EVI。

2）Landsat数据：Landsat MSS/TM数据来自美国地质调查局，时间为2003－2018年的夏季，空间分辨率为30 m。数据包括9个波段，利用其中的绿、红、热红外波段进行影像解译。

3）高程数据：来自地理空间数据云，空间分辨率为30 m。

4）统计年鉴数据：来自黑龙江省统计年鉴[20]和垦区统计年鉴[21]。

1.3 MODIS数据预处理

依托遥感图像处理平台（Environment for Visualizing Images，ENVI）5.1对MODIS数据进行坐标系转换、数据拼接、剪裁和掩膜云污染等处理，统一坐标系WGS84/UTM（北48区），输出均为500 m分辨率的图像。对得到的图像波段运算，获取LSWI、EVI和NDVI光谱指数，计算如式（1）～式（3）所示：

式中nir为近红外通道反射率；swir为短波热红外通道反射率；red为红色通道反射率；blue为蓝色通道反射率；为土壤调节参数，本研究将其设置为1。

采用图层堆栈功能对获取的指数图像进行波段叠加，得到研究区的LSWI、EVI和NDVI时间序列数据。MOD09虽然已消除了部分云、大气和太阳高度角等的干扰，但云和大气的噪声仍然存在，指数时序数据出现锯齿状波动，不适于趋势分析和信息提取，需通过平滑去噪、端元提取和端元均值化等预处理降低噪声。采用多项式平滑法（Savitzky-Golay，S-G）[22]进行平滑去噪，逐点重构2003—2018年的LSWI、EVI和NDVI时序数据。采用纯净像素指数法提取端元，提取7种地类的各20个纯净像素，并对端元做均值化处理。最终得到各地类具有代表性的2003—2018年LSWI、EVI和NDVI时间序列图像。

1.4 土地利用分类体系与参照像素

除了识别稻田种植区外，亦选取旱地、水体、滩地、草甸、森林和城镇6种占地面积较大的地类组成分类体系。根据研究区特点与土地生态特性，采用二级分类法建立分类体系。湿地在不同生态环境中，物候特征和地域范围差异大，可再细分为河流滩地和沼泽化草甸（简称为滩地和草甸）[23]。

为进行光谱特征分析、时间序列曲线分析和分类精度评估，需选取参照像素。理想的参照点是通过实地考察获取，但该方法费时费力。采用高空间分辨率影像验证低空间分辨率影像的方法更为简单有效[24]。基于假彩色的识别方法，目视解译逐年Landsat影像的稻田、旱地、水体、滩地、草甸、森林和城镇等7种地类各300个像素，运用N维可视化方法筛查像素，并与MCD12Q1分类图像比对，最后得到参照像素。

1.5 分类方法及流程

分类方法以决策树算法为主，以最大似然法、阈值法和物候特征等方法为辅。决策树采用自顶向下的递归方式，根据各种地类光谱特征，运用适宜的分类算法依次建立分类结点和分支[25-26]，逐步分出各种地类，提升稻田种植区的识别精度。最大似然法是根据某种地类的时间序列曲线自动识别该地类[27]。阈值法是根据某种地类的波段区间特征，运用一个或多个波段阈值识别该地类[28]。物候特征是根据植物的生长特性产生的光谱特征来识别地类[29]。

分类流程是基于黑龙江省多时相MODIS影像，预处理地表反射率数据和植被指数数据，根据特征变量和地表反射率波段分析时间序列曲线和光谱特征，构建决策树模型，输出水体、森林、稻田、城镇、草甸、滩地和旱地分类结果，最后采用混淆矩阵法验证分类结果精度（图2）。根据上述分类方法及流程识别2003－2018年黑龙江省水稻种植区，2003－2010年为率定期，2011－2018年为验证期，率定期数据用于确定7种地类分类的阈值，验证期数据用于检验阈值的时间延展性。

注：NDVI为归一化植被指数；EVI为增强植被指数；LSWI为陆地表面水分指数；DEM为数字高程模型。

1.6 分类精度验证

采用混淆矩阵法比较同一位置的参照像素地类和分类结果地类是否一致。判断指标为Kappa系数（）和总精度（P，%），两者越接近1，分类结果越准确，其计算如式（4）～式（6）所示：

式中P为总精度，表示分类结果与实际土地利用类型一致的概率，%；为图像总像素数；为同一位置的参照像素地类和分类结果地类一致的像素数；P为偶然一致率，分类结果与实际土地利用类型无关时，两者联合出现的概率是单独出现概率的乘积；1表示参照像素中某一地类的像素数；2表示参照像素中其他地类像素数；1表示分类结果中某一地类的像素数；2表示分类结果中其他地类的像素数。

2 结果与分析

2.1 光谱特征和指数时间序列曲线

不同时间区间内，地类物候特征和群体特征不同，对应的光谱特征和指数时间序列曲线也有差异[29]。水稻移栽前稻田淹水0.02～0.15 m，移栽后稻田区域由水体和秧苗组成[14]，移栽期稻田光谱特征与其他地类相比具有独特性。因此本研究选用移栽期为5月25日的地表反射率图像用于识别水稻种植区。2003－2010年移栽期7种地类参照像素光谱特征占比图如图3所示。其中，第6波段的稻田占比区间重叠较少，仅与城镇有较少重叠，可用于识别水稻种植区。

注：竖线段表示各种地类在各波段的占比区间。若竖线段相互重叠，则识别效果较差。

植被从出苗、抽雄、成熟到收获有着特有的光谱特性，相应的植被指数时间序列曲线呈现先上升后下降的特征。城镇、水体、草甸和滩地等地类受人为或自然因素影响，相应的指数时间序列曲线波动变化。根据7种地类的参照像素绘制的EVI、NDVI和LSWI等3种指数时间序列曲线如图4所示。其中，4月初至6月初森林处于生长期，水稻和旱作物处于移栽期和出苗期，森林的EVI明显高于其他地类，最大差异达到0.2。城镇中水分含量较少，LSWI明显小于其他地类LSWI，峰值在0.2附近波动。滩地存在于河流湖泊附近，8月左右被季节性洪水淹没，NDVI存在2个突出的峰值和1个明显的谷底。草甸包含灌丛型水冬瓜、禾草型小叶樟等[23]，波形与森林地类相似，峰值持续时间较长。水稻于5月中旬至6月初处于移栽期。因此水稻的NDVI与其余地类NDVI差别较大，LSWI明显异于旱地、滩地和城镇LSWI，但与草甸、水体、森林和稻田LSWI相近。

图4 作物生育期内不同土地利用类型三种指数时间序列均值曲线

2.2 地类提取

根据2.1节对光谱特征和指数时间序列曲线的分析，经反复试验，按照下述规则提取地类：1）森林。同时采用EVI和坡度（°）来识别森林。4月6日的森林EVI与其余地类EVI相比具有明显差异。将高程图像转化为坡度图像，森林主要分布在坡度>2.5°的坡地上，其余地类主要分布在平原区。采用4月6日EVI>0.157以及坡度>2.5°提取森林。2）水体。10月16日的水体尚未冰冻，表面无水生植被遮盖，水体显露明显，按照10月16日NDVI<0.062提取水体。3）城镇。城镇的LSWI时间序列曲线在其余曲线下方，根据最大似然法提取城镇。4）滩地。滩地的NDVI时间序列曲线波动起伏，有独特的性质，根据最大似然法提取滩地。5）草甸。草甸的NDVI时间序列曲线与森林的曲线相似，森林已提取，根据最大似然法提取草甸。6）稻田。参照2003－2010年的Landsat图像，采用5月25日NDVI、LSWI和波段6共同判别稻田，阈值条件依次为0.45～0.77、0～0.56和120～1 530 nm。7）剩余像素归为旱作物。

2.3 率定期精度评价

采用混淆矩阵法进行精度评价，率定期Kappa系数和总精度的分类精度评价如表1所示。其中7种地类2003－2010年Kappa系数均>0.791，稻田Kappa系数范围在0.923～0.961，总精度范围在89.3%～92.3%，分类精度较好。面积大且分布集中的稻田、旱地和森林，分类精度较高，面积小且分布破碎的草甸、滩地和城镇，分类精度较低，原因是破碎度较高的地类存在混合像素，且不同分类规则的有效性和适宜性不同。

表1 率定期Kappa系数和总精度的分类精度评价

为比较本研究分类方法的优劣，另选2种分类方法对照如表2所示。1）运用与本研究稻田提取相同的阈值直接识别稻田，不识别其余地类；2）采用与本研究相同的决策树算法依次提取各地类，最后用最大似然法识别稻田，不采用阈值法。由表2可知，本研究采用的决策树法Kappa系数为0.923～0.961，分类精度最高，阈值法Kappa系数为0.812～0.877，分类精度其次，最大似然法Kappa系数为0.643～0.756，分类精度最差。与最大似然法比较，基于物候特征的决策树算法将2003－2010年稻田识别Kappa系数提高了0.238～0.286。阈值法根据客观水稻物候特征，主观反复推敲分类规则，对分类规则进行修正，但对细碎地块和边缘地块容易产生光谱变异，光谱混淆区域有一定错分。最大似然法是将参照像素或指数时间序列曲线输入分类平台，输出分类结果，没有主观修正，错分的概率更高。决策树法注重对光谱信息的深入分析和挖掘，充分利用各地类之间的光谱差异，去除无效信息，分层提取，可获得最好的分类效果。

表2 率定期不同模型Kappa系数与本研究采用的决策树法Kappa系数的比较

2.4 验证期精度评价

2011－2018年稻田Kappa系数范围为0.899～0.959，总精度范围为85.5%～88.9%，分类精度较好，模型具有应用价值（表3）。同样对于面积大且分布集中的土地（稻田、旱地和森林）Kappa系数为0.827～0.959，分类精度较高，面积小且分布破碎的土地（草甸、滩地和城镇）Kappa系数为0.766～0.885，分类精度较低。

表3 验证期Kappa系数和总精度的分类精度评价

2.5 分类结果

由2.3节和2.4节可知，2003－2018年黑龙江省稻田面积识别Kappa系数为0.899～0.961，总精度为85.5%～92.3%，可对分类结果进行分析。黑龙江省稻田面积不断增长，稻田扩张明显，扩张较为突出的地区为三江平原和松嫩平原（图5）。2003－2018年三江平原稻田扩张面积为1 821 100 hm2，松嫩平原稻田扩张面积为712 400 hm2。2003－2018年三江平原扩张明显的区域为同江市、绥滨县和富锦市，同江市增长面积最大，水稻由破碎种植转化为连片种植，2018年3个地区水稻种植面积覆盖率达到40%以上；松嫩平原扩张明显的区域为庆安县、通河县和肇东市，稻田扩张趋势缓慢，稻田依旧呈破碎状分布。新增稻田主要来源于旱地转化和湿地开垦，尤其是在松花江、乌苏里江、黑龙江等河流附近急剧扩张，滩地和草甸等破碎地类转化为稻田等集中分布的完整地类。

图5 2003－2018年黑龙江省、三江平原和松嫩平原稻田种植区典型年变化趋势

本研究稻田面积分类结果与2003—2018年黑龙江省统计年鉴[20]和垦区统计年鉴[21]中稻田面积数据相吻合，两者相差不超过该年统计稻田面积的5%，实现了基于遥感手段精准高效地提取黑龙江省稻田种植面积。黑龙江省稻田面积大小呈线性增长，平均每年扩张158 100 hm2，2018年稻田面积是2003年稻田面积的3倍（图6）。稻田面积占耕地总面积从2003年的16.4%增长至2018年的26.6%，稻田区域中心向北延伸约160 km。2003－2018年黑龙江省稻田面积由旱地累计转化2 502 400 hm2，湿地累计开垦154 900 hm2。孙岩松[30]曾指出黑龙江省稻田扩张的原因是气候变暖引起热量增加，促使作物春季物候期提前和秋季物候期推后，作物生育期延长，以及育种技术的提升等。另外政策驱动也是稻田面积扩张的原因之一。目前，南方大多数地区存在水稻种植面积下降的现象，积极扩大黑龙江省水稻种植面积，对不断提高中国稻米综合生产力，保障国家粮食安全均有重大意义。达此目标，关键是要密切关注水稻种植面积的时空变化，并采取相应对策，以确保黑龙江省水稻生产效益稳定。

图6 2003－2018年黑龙江省旱地-稻田累加面积和稻田面积统计图

3 结 论

基于2003－2018年中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）的地表反射率数据、植被指数数据和分类数据，融合阈值法、分层分类、纹理特征、监督分类和指数时间序列等方法建立决策树分类模型，依次提取森林、水体、城镇、草甸、滩地、稻田和旱地，定性定量分析黑龙江省土地利用的时空格局变化。可得出如下结论：

1）基于黑龙江省不同植被的物候特征，确定了不同地类的决策树分类判定标准，可以准确识别省级尺度上土地利用类型，其中选用（Normalized Difference Vegetation Index，NDVI）、陆地表面水分指数（Land Surface Water Index，LSWI）和短波红外波段共同阈值提取稻田；

2）2003－2018年黑龙江省稻田面积识别Kappa系数为0.899～0.961，总精度为85.5%～92.3%。与最大似然法比较，基于物候特征的决策树算法将2003－2010年稻田识别Kappa系数提高了0.238～0.286，能有效满足稻田面积遥感监测的需要；

3）2003－2018年黑龙江省稻田面积呈线性增长，平均每年扩张158 100 hm2，2018年稻田面积是2003年稻田面积的3倍，播种区域的中心向北延伸约160 km，新增稻田多数由旱地、草甸和滩地转化，主要分布在三江平原和松嫩平原。

[1]赵小敏，孙小香，王芳东，等. 水稻高光谱遥感监测研究综述[J]. 江西农业大学学报，2019，41(1)：1-12.

Zhao Xiaomin, Sun Xiaoxiang, Wang Fangdong, et al. A summary of the researches on hyperspectral remote sensing monitoring of rice[J]. Acta Agriculturae Universitatis Jiangxiensis, 2019, 41(1): 1-12. (in Chinese with English abstract)

[2]Sakamoto T, Sprague D S, Okamoto K, et al. Semi-automatic classification method for mapping the rice-planted areas of Japan using multi-temporal Landsat images[J]. Remote Sensing Applications Society and Environment, 2018, 10(4): 7-17.

[3]Wang Jing, Huang Jingfeng, Gao Ping, et al. Dynamic mapping of rice growth parameters using HJ-1 CCD time series data[J]. Remote Sensing, 2017, 9(2):94-97.

[4]Phan A, Ha D N, Man C D, et al. Rapid assessment of flood inundation and damaged rice area in red river delta from Sentinel 1A imagery[J]. Remote Sensing, 2019, 11(17): 2034-2058.

[5]周静平，李存军，史磊刚，等. 基于决策树和面向对象的作物分布信息遥感提取[J]. 农业机械学报，2016，47(9)：318-326.

Zhou Jingping, Li Cunjun, Shi Leigang, et al. Crops distribution remote sensing extraction based on decision tree and object-oriented method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 318-326. (in Chinese with English abstract)

[6]Wang Yong, Zang Shuying, Tian Yang. Mapping paddy rice with the random forest algorithm using MODIS and SMAP time series[J]. Chaos Solitons and Fractals, 2020, 140(5): 110-116.

[7]刘佳，王利民，姚保民，等. 基于多时相OLI数据的宁夏大尺度水稻面积遥感估算[J]. 农业工程学报，2017，33(15)：200-209.

Liu Jia, Wang Limin, Yao Baomin, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 200-209. (in Chinese with English abstract)

[8]Guan Kaiyu, Li Zhan, Nagraj R L, et al. Mapping paddy rice area and yields over Thai Binh province in Viet Nam from MODIS, Landsat, and ALOS-2/PALSAR-2[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 7(11): 2238-2253.

[9]杨婷，赵文利，王哲怡，等. 基于遥感影像NDVI数据的中国种植制度分布变化[J]. 中国农业科学，2015，48(10)：1915-1925.

Yang Ting, Zhao Wenli, Wang Zheyi, et al. Changes of cropping system in China based on remotely sensed NDVI data[J]. Scientia Agricultura Sinica, 2015, 48(10): 1915-1925. (in Chinese with English abstract)

[10]Xu Xinjie, Ji Xusheng, Jiang Jiale, et al. Evaluation of one-class support vector classification for mapping the paddy rice planting area in Jiangsu province of China from Landsat 8 OLI imagery[J]. Remote Sensing, 2018, 10(4): 546-569.

[11]江东，陈帅，丁方宇，等. 基于面向对象的遥感影像分类研究：以河北省柏乡县为例[J]. 遥感技术与应用，2018，33(1)：143-150.

Jiang Dong, Chen Shuai, Ding Fangyu, et al. Classification of remote sensing image based on the object oriented method: A case study of Baixiang country[J]. Remote Sensing Technology and Application, 2018, 33(1): 143-150. (in Chinese with English abstract)

[12]张鹏，胡守庚. 地块尺度的复杂种植区作物遥感精细分类[J]. 农业工程学报，2019，35(20)：125-134.

Zhang Peng, Hu Shougeng. Fine crop classification by remote sensing in complex planting areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 125-134. (in Chinese with English abstract)

[13]解毅，张永清，荀兰，等. 基于多源遥感数据融合和LSTM算法的作物分类研究[J]. 农业工程学报，2019，35(15)：129-137.

Xie Yi, Zhang Yongqing, Xun Lan, et al. Crop classification based on multi-source remote sensing data fusion and LSTM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 129-137. (in Chinese with English abstract)

[14]Xiao Xiangming, Boles S, Frolking S, et al. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2006, 100(1): 95-113.

[15]Xiao Xiangming, Boles S, Liu Jiyuan, et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95(4): 480-492.

[16]郑长春，王秀珍，黄敬峰. 多时相MODIS影像的浙江省水稻种植面积信息提取方法研究[J]. 浙江大学学报：农业与生命科学版，2009，35(1)：98-104.

Zheng Changchun, Wang Xiuzhen, Huang Jingfeng. Mapping paddy rice planting area in Zhejiang province using multi-temporal MODIS images[J]. Journal of Zhejiang University: Agriculture and Life Sciences Edition, 2009, 35(1): 98-104. (in Chinese with English abstract)

[17]Dong Jinwei, Xiao Xiangming, Kou Weili, et al. Tracking the dynamics of paddy rice planting area in 1986-2010 through time series Landsat images and phenology-based algorithms[J]. Remote Sensing of Environment, 2015, 160(2): 99-113.

[18]Peng Dailiang, Huete A R, Huang Jingfeng, et al. Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J]. International Journal of Applied Earth Observation & Geoinformation, 2011, 13(1): 13-23.

[19]孙华生. 利用多时相MODIS数据提取中国水稻种植面积和长势信息[D]. 杭州：浙江大学，2008.

Sun Huasheng. Extracting Planting Area and Growth Information of Paddy Rice Using Multi-Temporal MODIS Data in China[D]. Hangzhou: Zhejiang University, 2008. (in Chinese with English abstract).

[20]黑龙江省统计局. 黑龙江统计年鉴[M]. 北京：中国统计出版社，2001.

[21]黑龙江省垦区总局统计局. 黑龙江垦区统计年鉴[M]. 北京：中国统计出版社，2001.

[22]Chen J, Jonsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment, 2004, 91(31/32): 332-344.

[23]那晓东，张树清，孔博，等. 基于决策树方法的淡水沼泽湿地信息提取：以三江平原东北部为例[J]. 遥感技术与应用，2008，23(4)：365-372.

Na Xiaodong, Zhang Shuqing, Kong Bo, et al. The extraction of freshwater marsh wetland information based on decision tree algorithm: A case study in the northeast of the Sanjiang Plain[J]. Remote Sensing Technology and Application, 2008, 23(4): 365-372. (in Chinese with English abstract)

[24]孙艳玲，杨小唤，王新生，等. 基于决策树和MODIS数据的土地利用分类[J]. 资源科学，2007，29(5)：169-174.

Sun Yanling, Yang Xiaohuan, Wang Xinsheng, et al. Land use classification based on decision tree using MODIS data[J]. Resources Science, 2007, 29(5): 169-174. (in Chinese with English abstract)

[25]李晓红，陈尔学，李增元，等. 综合应用多源遥感数据的面向对象土地覆盖分类方法[J]. 林业科学，2018，54(2)：68-80.

Li Xiaohong, Chen Erxue, Li Zengyuan, et al. Object based land cover classification method integrating multi-source remote sensing data[J]. Scientia Silvae Sinicae, 2018, 54(2): 68-80. (in Chinese with English abstract)

[26]Liu Jianhong, Li Le, Huang Xin, et al. Mapping paddy rice in Jiangsu province, China, based on phenological parameters and a decision tree model[J]. Frontiers of Earth Science, 2019, 13(1): 111-123.

[27]边增淦，王文，江渊. 黑河流域中游地区作物种植结构的遥感提取[J]. 地球信息科学学报，2019，21(10)：1629-1641.

Bian Zenggan, Wang Wen, Jiang Yuan. Remote sensing of cropping structure in the middle reaches of the Heihe River Basin[J]. Journal of Geo-Information Science, 2019, 21(10): 1629-1641. (in Chinese with English abstract)

[28]姚亚夫，邢留涛. 决策树C4.5连续属性分割阈值算法改进及其应用[J]. 中南大学学报：自然科学版，2011，42(12)：3772-3776.

Yao Yafu, Xing Liutao. Improvement of C4.5 decision tree continuous attributes segmentation threshold algorithm and its application[J]. Journal of Central South University: Science and Technology Edition, 2011, 42(12): 3772-3776. (in Chinese with English abstract)

[29]谢相建，薛朝辉，王冬辰，等. 顾及物候特征的喀斯特断陷盆地土地覆盖遥感分类[J]. 遥感学报，2015，19(4)：627-638.

Xie Xiangjian, Xue Zhaohui, Wang Dongchen, et al. Land cover classification in Karst regions based on phenological features derived from a long-term remote sensing image series[J]. Journal of Remote Sensing, 2015, 19(4): 627-638. (in Chinese with English abstract)

[30]孙岩松. 我国东北水稻种植快速发展的原因分析和思考[J]. 中国稻米，2008，14(5)：9-11.

Sun Yansong. The cause analysis and thinking for rapid development of China northeast rice[J]. China Rice, 2008, 14(5): 9-11. (in Chinese with English abstract)

Rice planting area extraction based on multi-temporal MODIS images in Heilongjiang Province of China

Chen Yusi, Li Dan, Li Zhen, Chen Mengting, Cui Yuanlai, Luo Yufeng※

(,,430072,)

Heilongjiang province is the main area for paddy cultivation in China, and the phenomenon of paddy field expansion has contributed to huge changes in the land types in agricultural areas. Remote sensing is employed to rapidly and dynamically monitor the spatial and temporal changes of paddy fields, thus providing scientific support and decision-making basis for rational cultivation of crops and exploitation of land resources. Based on the above, the Moderate Resolution Imaging Spectroradiometer (MODIS) surface reflectance and vegetation index data sets were selected as the main data source and the Landsat data set was chosen as the auxiliary data source in the present study. As MODIS images have the characteristics of large width and high update frequency, it is an ideal tool for accurate identification of large area crops. The current study remotely decoded paddy fields, drylands, river beaches, swampy meadows, forests, water, and towns in Heilongjiang province from 2003 to 2018 based on the decision tree model. Besides, the data from 2003 to 2010 was the calibration group, and the data from 2011 to 2018 was the validation group. Since the phenological characteristics and exponential intervals of the land classes all showed the difference, the classification rules of the land classes were also different. Statistical analysis was performed based on the spectral characteristics and time-series curves of the indices, including the Enhanced Vegetation Index (EVI), Normalized Difference Vegetation Index (NDVI), and Land Surface Water Index (LSWI). Meanwhile, the classification rules for each land class were presented as follows: forests were extracted by the EVI and slope data threshold method on April 6. Water was extracted by the NDVI threshold method on October 16. Supervised classification was used to extract towns from the LSWI time-series and wetlands from the NDVI time-series. After carrying out repeated experiments, NDVI, LSWI, and Band 6 were used to identify the paddy field, and the threshold conditions included 0.45-0.77, 0-0.56, and 120-1 530 nm, respectively. The classification result images were verified by high-resolution Landsat images and statistical almanac data, respectively. The Kappa coefficient of the 2003-2018 paddy fields identification reached 0.899-0.961, the overall classification accuracy reached 85.5%-92.3%, and the paddy fields matched the statistical almanac data. To compare the advantages and disadvantages of decision tree model construction, the maximum likelihood method was selected for the comparison. In terms of the control group, the maximum likelihood classification method was used to identify paddy fields under the condition that other land classification rules were unchanged. From 2003 to 2010, the accuracy of the maximum likelihood method was 0.643-0.756, which was significantly lower than that of the decision tree method from 0.923-0.961, indicating that the classification of paddy fields using the threshold method was more effective compared with the maximum likelihood method. The classification results suggested that the area of paddy fields in Heilongjiang province expanded 3 times from 2003 to 2018, and the center of gravity of paddy fields in the sowing area extended approximately 160 km to the north. Paddy field expansion increased linearly, with an average expansion of 158 100 hm2per year. From 2003 to 2018, the cumulative conversion from dry land was 2 502 400 hm2, and 154 900 hm2of wetlands had been reclaimed in total. Moreover, the decision tree model proposed in the present study had provided an effective method for extracting paddy cultivated areas in Heilongjiang province, which could also offer lessons for land class identification in similar areas.

remote sensing; land use; classification; accurate recognition; paddy field expansion; decision tree model

陈雨思，李丹，黎臻，等. 多时相MODIS影像的黑龙江省水稻种植面积提取[J]. 农业工程学报，2020，36(23)：201-208.doi：10.11975/j.issn.1002-6819.2020.23.023 http://www.tcsae.org

Chen Yusi, Li Dan, Li Zhen, et al. Rice planting area extraction based on multi-temporal MODIS images in Heilongjiang Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 201-208. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.23.023 http://www.tcsae.org

2020-04-29

2020-06-09

国家自然科学基金项目（51979201）；湖北省对外科技合作类项目（2019AHB076）

陈雨思，主要从事卫星遥感的农情监测研究。Email：594992398@qq.com

罗玉峰，博士，教授，主要从事灌溉水文和节水灌溉研究。Email：yfluo@whu.edu.cn

10.11975/j.issn.1002-6819.2020.23.023

S511.2; TP75

A

1002-6819(2020)-23-0201-08