基于多时相GF-6遥感影像的水稻种植面积提取

张悦琦，李荣平，穆西晗，任鸿瑞

（1. 太原理工大学测绘科学与技术系，太原 030024；2. 北京师范大学遥感科学国家重点实验室，北京 100875；3. 中国气象局沈阳大气环境研究所，沈阳 110166）

0 引 言

水稻是世界三大粮食作物之一，而中国是世界上最大的水稻生产国和消费国，水稻种植面积约占全国粮食作物种植面积的30%，在中国粮食生产中占有重要地位，为保障国家粮食安全做出巨大贡献[1-2]。正确及时获取水稻种植面积及空间分布，对水稻生产管理、农业政策制定及粮食安全分析等具有重要意义[3]。

卫星的快速发展使得遥感技术在作物种植结构提取方面得到广泛应用，国内外学者利用多种遥感数据在水稻种植面积提取方面开展大量研究，目前以Landsat卫星[4-7]、中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）[8-10]、环境系列卫星[11-12]等中低分辨率遥感数据源为主。但由于空间分辨率较低，混合像元的大量存在限制其在作物面积提取方面的应用。随着高分系列卫星的快速发展，国产高分辨率数据在作物面积提取与长势监测等方面得到越来越多的应用，且以高分一号（GF-1）遥感数据源为主[13-15]。Yang等[16]基于水稻分蘖期与抽穗期的2景GF-1 WFV影像，利用归一化植被指数（Normalized Difference Vegetation Index，NDVI）和归一化水体指数（Normalized Difference Water Index，NDWI）构建水稻信息提取模式，成功提取来安县水稻分布信息；欧阳玲等[17]利用多时相GF-1和Landsat8 OLI影像，基于面向对象分类方法提取北安市作物分布信息，并根据植被指数构建的多元回归模型对大豆和玉米进行产量估算。GF-1影像时空分辨率较高，与中低分辨率遥感影像相比能够更好地反映地表信息，但仅包括蓝、绿、红、近红外4个传统波段，较少的光谱信息大大制约了作物面积提取精度的提高。

2018年6月，高分六号（GF-6）卫星于中国酒泉发射中心成功发射，新增2个能够有效反映不同作物光谱特征的红边波段，是中国首颗设置红边波段的光学遥感卫星[18]。已有研究表明，红边波段是指示绿色植物生长状况的敏感性波段，在作物分类方面发挥着重要作用[19-20]。Mehdaoui等[21]基于13景Sentinel-2影像，通过构建红边指数成功估算Grombalia地区的小麦产量；刘佳等[22]利用单景RadpidEye遥感数据，将有无红边条件下研究区内玉米、大豆及其他作物的可分性测度、分类精度及景观破碎度等指标进行对比分析，结果表明，红边波段的引入可以显著提高作物识别能力；王婷等[23]基于GF-6卫星2 m分辨率全色和8 m分辨率多光谱相机影像，应用面向对象结合目视解译的方法对盘锦市2020年水稻面积进行提取；梁继等[24]基于GF-6 WFV影像并利用支持向量机（Support Vector Machine，SVM）框架对松嫩平原北部进行作物类别特征的筛选与识别，成功对包含水稻在内的多种作物进行判识。目前，鲜有基于带有红边波段的GF-6 WFV影像且仅利用光谱指数进行水稻面积精确提取的研究。

综上，本研究选择辽宁省盘锦市为研究区，利用NDVI、NDWI、RVI、NDRE1等多个指数，基于多时相GF-6 WFV数据开展水稻种植面积提取研究。通过实测数据和基于Google Earth的目视解译数据对提取结果进行精度验证，并对NDRE1与NDVI进行对比分析，旨在选取一种准确、快速、客观地提取水稻种植面积的方法，为GF-6遥感数据的推广提供应用基础与技术支持。

1 材料与方法

1.1 研究区概况

盘锦市（40°39′N～41°27′N，121°25′E～122°30′E）位于辽宁省西南部（图1），下辖有双台子区、大洼区、兴隆台区和盘山县，土地总面积约4 084 km2。该区地势平坦，多水无山，平均海拔约4 m。研究区地处暖温带，属于大陆性半湿润季风气候，年平均气温8～11 ℃，年均降水618.62 mm，雨热同季，四季分明。盘锦市农业发展条件优越，水稻为主要粮食作物之一。据2019年盘锦统计年鉴数据，2019年水稻播种面积为106 563 hm2，约占全市农作物总播种面积的84.85%。研究区水稻为一季稻，每年5月上旬播种和泡田，5月中旬、下旬移栽，7月进入拔节孕穗期，8月中旬到达抽穗期，此时土壤下垫面完全被水稻冠层遮挡，10月开始成熟。基于GF-6 WFV遥感影像和实地调查结果可将盘锦市分为水稻、建设用地（建筑物、道路、裸地）、水体、自然植被（林地、灌木等）、天然湿地和旱地（除水稻以外的其他旱地作物）6种地物类型。

1.2 数据来源及预处理

GF-6卫星是中国高分专项中的一颗低轨光学遥感卫星，搭载有高分辨率传感器（Panchromatic Multispectral Sensor，PMS）和宽幅传感器（Wide Field of View，WFV），与GF-1卫星组网后，重访周期可达2 d，数据获取时效得到极大提高[18]。其中，本研究选用的WFV传感器实现了多光谱16 m分辨率、幅宽860 km的超大视场宽覆盖成像，为国际同类卫星观测幅宽的最高水平，并且在传统的蓝、绿、红、近红外4个波段的基础上新增4个波段，包括：红边Ⅰ波段（0.69～0.73μm）、红边Ⅱ波段（0.73～0.77μm）、海岸蓝波段（0.40～0.45μm）和黄波段（0.59～0.63μm）。

根据盘锦市水稻物候节律确定拍摄日期和遥感影像，选取2020年5－8月共6景覆盖盘锦市的L1A级GF-6 WFV影像，分别对应水稻三叶期、移栽期、返青期、孕穗期与抽穗期（表1）。其中，返青期影像由2景影像共同覆盖。遥感影像、绝对辐射定标系数和波谱响应函数可从中国资源卫星应用中心（http://www.cresda.com/CN/）下载。选择利用同轨立体摄影测量原理[25]生成的第二版先进星载热发射和反射辐射仪全球数字高程模型（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model Version 2，ASTER GDEM V2）作为辅助数据，空间分辨率为30 m，数据来源于中国科学院计算机网络信息中心地理空间数据云平台（http://www.gscloud.cn）。此外，本研究使用了影像级别为18级的Google Earth高分辨率遥感影像，空间分辨率约为1 m。

表1 2020年盘锦市水稻物候期及对应GF-6 WFV遥感影像信息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遥感图像处理软件对获取的GF-6 WFV影像进行辐射定标、大气校正、正射校正、影像裁剪等预处理工作。辐射定标是将影像的数字量化值（Digital Number，DN）转化为大气外层辐射亮度值。大气校正是指通过FLAASH大气校正模块去除大气影响，并将辐射亮度转换为地表实际反射率。正射校正则在无控制点条件下利用影像自带的有理多项式系数（Rational Polynomial Coefficient，RPC）信息进行，能够满足遥感影像分类的精度要求。最后利用盘锦市的行政区划对正射影像进行裁剪，其中返青期的2景影像（2020年6月1日、2020年6月6日）需要先镶嵌后裁剪。

1.3 研究方法

1.3.1 时序特征参数计算与分析

在数据预处理的基础上，本研究选取4种能够反映水稻物候变化特征的光谱指数作为水稻提取特征参数，分别为NDVI、NDWI、RVI、NDRE1，计算如式（1）～式（4）所示：

式中ρNir、ρRed、ρGreen、ρRed-edgeⅠ和ρRed-edgeⅡ分别为近红外波段、红光波段、绿光波段、红边Ⅰ波段与红边Ⅱ波段的反射率。

NDVI对植被低覆盖区反应敏感，其取值的范围为[-1, 1]，与植被密度呈正相关[26]。NDWI能够增强对水体的监测，其取值的范围为[-1, 1]，用来提取影像中的水体信息效果较好[27]。RVI对植被高覆盖区反应敏感，当植被密度较低时，分辨能力显著降低，因此能够强化植被与土壤背景之间的辐射差异，更好地区分植被覆盖区与非植被覆盖区[28]。NDRE1用红边的峰和谷来代替NDVI的红光波段与近红外波段，对叶冠层的微小变化非常敏感，其取值的范围为[-1, 1][29]。

结合Google Earth高分辨率影像进行目视解译，获取建设用地、水体、水稻、自然植被、天然湿地、旱地6种地物类型的感兴趣区（Region of Interest，ROI），根据ROI对RVI、NDVI、NDWI、NDRE1进行时序分析（表2）。在水稻三叶期至抽穗期，即2020年5－8月期间（表1），建设用地和水体的4种指数值变化较小，自然植被与天然湿地的RVI、NDVI、NDRE1整体上有所增大。水稻移栽期（2020-05-25）时水稻的RVI、NDVI、NDRE1显著减小，为水稻生育期内最小值，分别为0.96、0.00和-0.09；而NDWI则显著增大，为最大值，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、天然湿地的RVI、NDVI、NDRE1均有不同程度的下降，如水稻的RVI、NDVI、NDRE1分别从11.29、0.80和0.62下降至7.35、0.70和0.52（表2），这与理论上的变化是不同的，其主要归因于2020年8月盘锦市出现长时间的持续阴雨寡照天气，对农作物及植被的生长产生不利影响。

表2 研究区内各地物类型光谱指数时序分析Table 2 Time series analysis of spectral indices of various land feature types in the study area

1.3.2 水稻面积提取方法

1）水稻面积粗提取。稻田在移栽期前需进行灌水泡田，这种独特的耕种方式使得水稻与其他作物呈现出明显差异，并显著体现于水稻移栽期与抽穗期。稻田在移栽期时以水体为主，NDRE1为-0.09，抽穗期时水稻生长旺盛，体现出高覆盖植被特征，NDRE1增大至0.52（表2）。结合除水稻外的其他地类NDRE1变化情况，对ROI在水稻移栽期与抽穗期对应的NDRE1进行微调后确定合适阈值，将水稻移栽期即5月25日时满足NDRE1＜0且水稻抽穗期即8月22日时满足NDRE1＞0.40的像元确定为水稻，得到水稻粗分结果。但因水稻与部分其他地类在移栽期与抽穗期光谱特征较为相似，水稻粗分结果不可避免的会产生错分，还需建立对其他地类的掩膜。

2）掩膜建设用地。水稻三叶期至抽穗期，水稻、自然植被、天然湿地与其他作物均不断生长，在各自生长最旺盛的阶段植被特点表现明显，即RVI＞6.00，与建设用地形成鲜明对比（表2）。结合水稻生育期内建设用地RVI值进行阈值调整，对满足RVI最大值小于等于5.00的像元进行掩膜。

3）掩膜水体。水体在水稻生长发育过程中，NDWI均大于0，且变化较小（表2）。因此，在水稻移栽期至抽穗期期间，对时序影像中满足NDWI＞0的频率（F，%）大于等于80%的像元进行掩膜。F的计算如式（5）所示：

式中Nclass为单个像元符合NDWI＞0的影像数；Ntotal为总影像数；Nbad为不良观测影像数。

4）掩膜自然植被。林地、草地、灌木等自然植被生长较早，至水稻三叶期时已生长一段时间，NDVI＞0.25，绿色植被特征明显（表2）。因此，对在水稻三叶期即5月11日时满足NDVI≥0.25的像元进行掩膜。

5）掩膜天然湿地。天然湿地植被从早春开始生长，至水稻移栽期时已生长几个星期，体现出低覆盖植被的特点。鉴于此，对在水稻移栽期即5月25日时满足NDVI＞0.15的像元进行掩膜。

6）掩膜旱地。水稻与其他作物耕种方式的不同导致其光谱信息差异明显，即水稻在移栽期和返青期呈现以水体为主的特点，而其他作物体现出裸地或植被的特点。因此，对在水稻移栽期即5月25日时满足NDWI＜-0.13或在水稻返青期即6月1日时满足NDWI＜-0.42的像元进行掩膜，得到最终的盘锦市水稻分布图。

1.3.3 精度验证

在利用水稻面积提取方法获得盘锦市水稻种植面积和空间分布信息的基础上，利用实测数据和目视解译数据对2020年盘锦市水稻提取结果进行精度验证。

1）实测数据验证：为评估水稻分布图的准确性，于2020年9月赴盘锦市展开实地调查，选取36个水稻验证点并拍摄实地照片。水稻实地验证点主要分布于盘锦市东部、北部与南部（图2）。由于实地验证点的地物均为水稻，不是随机选取且未在研究区域均匀分布，故仅计算总体分类精度（Overall Accuracy，OA，%）进行说明，其计算如式（6）所示：

式中m为正确分类的验证点数；N为验证点总数。

2）目视解译数据验证：结合Google Earth高分辨率影像进行目视解译后在研究区域内随机选取250个验证点（图2），其中水稻验证点150个，其他地类验证点100个。基于250个目视解译验证点构建混淆矩阵，计算OA、Kappa系数、制图精度（Mapping Accuracy，MA，%）和用户精度（User Accuracy，UA，%）对分类精度进行评价，其计算如式（7）～式（9）所示：

式中mi为第i类的分类正确验证点数；Gi为第i类的真实验证点总数；Ci为第i类的分类验证点总数；n为分类数。

2 结果与分析

2.1 盘锦市水稻种植面积提取结果及实测数据验证

基于水稻面积提取方法，利用多时相GF-6 WFV遥感影像获得2020年盘锦市水稻分布图（图3a）。从水稻空间分布来看，其种植范围较广且较为连续，主要分布于盘锦市的北部、东部与中南部，与市区相邻接。2020年盘锦市水稻种植面积为111 058.71 hm2，其中大洼区与盘山县水稻种植面积分别为60 493.29和42 152.70 hm2，分别占全市总种植面积的54.47%和37.95%；双台子区与兴隆台区水稻种植面积较少，分别为2 440.93和5 971.79 hm2，分别占全市总种植面积的2.20%和5.38%。

根据36个水稻实地验证点进行精度验证，其中34个分类正确，2个分类错误，即分类错误实地验证点A、B（图3a），总体精度为94.44%，水稻分类效果较好。经实地调研，分类错误实地验证点A处稻田周围种植芦苇和大豆，提取结果将其错分为水稻（图3b）；分类错误实地验证点B南部为水稻，其中穿插种植大豆，提取结果产生漏分（图3c）。分析影响水稻分类精度的原因，主要在于影像分辨率较低，存在水稻与其他地类的混合像元，从而出现错分和漏分现象。由于水稻实地验证点未在研究区均匀分布，无法代表整个研究区的水稻分类效果，故还需进行目视解译，在研究区内均匀、随机选取验证点。

2.2 目视解译数据验证

目视解译验证点中水稻与非水稻的像元个数较为均衡，能够较好地表征水稻识别精度。基于250个目视解译验证点获得混淆矩阵，结果表明150个水稻目视解译验证点中143个分类正确，100个其他地类目视解译验证点中96个分类正确（表3）。根据混淆矩阵计算总体精度、Kappa系数、制图精度和用户精度，2020年盘锦市水稻提取结果的水稻制图精度与用户精度分别为95.33%和97.28%，可见水稻提取精度较高；其提取结果的总体精度为95.60%，Kappa系数为0.91，表明与基于实地验证点得出的总体精度相接近，总体一致性较好。水稻制图精度较低于用户精度的原因在于部分水稻地类被错误划分为其他地类，这也表明16 m分辨率遥感影像依然无法排除混合像元对水稻提取的影响，只有提高遥感影像分辨率才能进一步提高水稻面积提取精度。

表3 基于GF-6 WFV影像的盘锦市水稻分类结果混淆矩阵和精度评价Table 3 Confusion matrix and accuracy evaluation of paddy rice classification results in Panjin City based on GF-6 WFV images

2.3 红边波段对水稻面积提取精度的影响

GF-6卫星WFV传感器新增2个红边波段（即红边I波段和红边II波段），能够更加有效地反映作物特有的光谱特性，为监测作物生长情况提供更大信息量。根据NDVI时序分析，将水稻面积粗提取中的移栽期NDRE1＜0和 抽 穗 期NDRE＞0.40替 换 为 移 栽 期NDVI＜0.10和抽穗期NDVI＞0.70，在遥感影像与掩膜方法相同的条件下，获得无红边信息的2020年盘锦市水稻分布图，从中选取点1、2、3三个水稻目视解译验证点，并分别对有红边信息和无红边信息的2种分类结果叠加遥感影像进行对比（图4）。由图4可知，与有红边信息的分类结果相比，无红边信息的目视解译验证点水稻分类结果大致相同，但无红边信息的提取结果漏分现象明显。其中，无红边信息分类结果中，点1～3处水稻均产生大量漏分；有红边信息分类结果中，点1～3均可提取为水稻，且效果较好，较无红边信息分类结果水稻分布更为完整。

基于目视解译得到的250个验证点获得混淆矩阵，无红边信息提取结果中分类正确的水稻目视解译验证点和其他地类目视解译验证点个数分别为134和97（表4）。根据混淆矩阵计算精度，与有红边信息的分类结果相比，无红边信息提取结果的水稻制图精度与其他地类用户精度分别下降6.00个百分点和7.36个百分点，水稻用户精度与有红边信息提取结果基本一致。由此可见，引入红边波段能够显著减少漏分现象，得到更为精确的水稻种植面积与空间分布。此外，无红边信息提取结果的总体精度与Kappa系数分别为92.40%和0.85，分别下降3.20个百分点和0.06。由此可知，GF-6 WFV新增的红边波段对作物识别能力有显著提高，基于红边波段的NDRE1较NDVI的水稻提取效果更好，精度更高。究其原因，NDRE1所涉及的2个红边波段（即红边I波段和红边II波段）的波长相距较近，属于窄带绿度指数，相比于NDVI等宽带绿度指数对叶绿素含量、叶子表面冠层等更加灵敏，能提高对作物的识别能力。

表4 无红边信息的盘锦市水稻分类结果混淆矩阵和精度评价Table 4 Confusion matrix and accuracy evaluation of paddy rice classification results without red-edge information in Panjin City

3 结 论

基于2020年覆盖盘锦市水稻关键物候期的多时相GF-6 WFV影像，通过对不同地物的归一化植被指数（Normalized Difference Vegetation Index，NDVI）、归一化水体指数（Normalized Difference Water Index，NDWI）、比值植被指数（Ratio Vegetation Index，RVI）和归一化差异红边1指数（Normalized Difference Red-Edge 1 Index，NDRE1）进行时序分析后确定水稻识别方法，对水稻种植面积进行提取，并得到如下结论：

1）根据实地验证点对2020年盘锦市水稻种植面积提取结果进行验证，总体精度为94.44%；根据目视解译数据进行验证，总体精度、Kappa系数、水稻制图精度和用户精度分别为95.60%、0.91、95.33%和97.28%。精度验证结果均表明本研究方法对水稻面积的提取效果较好，精度较高。

2）经目视解译数据验证，引入红边波段后，水稻面积提取结果的总体精度、水稻制图精度、Kappa系数分别提高3.20个百分点、6.00个百分点、0.06。结果表明，红边波段的引入能够显著增强作物的识别能力，提高水稻面积的提取精度，减少漏分现象，也证明新增红边波段的GF-6 WFV遥感影像在作物面积提取方面有广泛的应用潜力，能为遥感解译提供更丰富的信息。

本研究基于GF-6 WFV遥感影像高精度提取2020年盘锦市水稻种植面积和空间分布信息，但16 m分辨率对小块地类的识别及作物面积精细提取依旧较低，混合像元依然是影响分类精度的主要原因。下一步可将GF-6 WFV遥感影像与高分辨率遥感影像相结合，运用混合像元分解算法进行作物种植面积提取，在充分利用GF-6 WFV红边波段优势的基础上，解决分辨率较低在精确提取作物种植面积方面的问题。