国土资源遥感, 2020, 32(2): 177-185 doi: 10.6046/gtzyyg.2020.02.23

技术应用

基于MODIS时序数据的湖南省水稻种植面积提取及时空变化分析

邓刚1,2, 唐志光,1, 李朝奎1, 陈浩1, 彭焕华1, 王晓茹1,2

1.湖南科技大学地理空间信息技术国家地方联合工程实验室,湘潭 411201

2.湖南科技大学资源环境与安全工程学院,湘潭 411201

Extraction and analysis of spatiotemporal variation of rice planting area in Hunan Province based on MODIS time-series data

DENG Gang1,2, TANG Zhiguang,1, LI Chaokui1, CHEN Hao1, PENG Huanhua1, WANG Xiaoru1,2

1. National-Local Joint Engineering Laboratory of Geo-spatial Information Technology, Hunan University of Science and Technology, Xiangtan 411201, China

2. School of Resource,Environment and Safety Engineering, Hunan University of Science and Technology, Xiangtan 411201, China

通讯作者: 唐志光(1985-),男,副教授,主要从事环境遥感与时空建模方面的研究。Email:tangzhg11@hnust.edu.cn。

责任编辑: 李瑜

收稿日期: 2019-06-21   修回日期: 2019-11-22   网络出版日期: 2020-06-15

基金资助: 国家自然科学基金项目“高亚洲雪线高度遥感监测及多尺度时空建模研究”.  41871058
湖南省自然科学基金项目“基于多源数据的综合干旱监测模型构建及其示范应用”.  2018JJ3154
湖南省教育厅科研项目“基于MODIS时序数据的湖南省水稻种植面积遥感提取及其时空变化研究”.  16C0633
湖南科技大学校级科研项目“湘江流域(洞庭湖)生态-水-环境监测”.  CXTD003

Received: 2019-06-21   Revised: 2019-11-22   Online: 2020-06-15

作者简介 About authors

邓刚(1995-),男,硕士研究生,主要从事农业、生态遥感方面的研究。Email:denggang@mail.hnust.edu.cn。 。

摘要

准确且及时获取大范围的水稻种植空间分布及其动态变化信息对科学指导水稻生产、合理分配水资源以及监测大气环境变化等具有重要意义。以湖南省为研究区,在提取MODIS陆地水分指数(land surface water content index,LSWI)和增强植被指数(enhanced vegetation index,EVI)时间序列数据集并对其进行去噪处理的基础上,根据水稻的LSWI和EVI时序变化特征建立了水稻种植面积决策树提取模型,并对模型精度进行了评价; 基于该模型提取了湖南省2000—2016年间水稻种植面积信息,分析了其时空变化特征。研究结果表明,构建的研究区水稻种植面积提取模型总体分类精度为90.2%,Kappa系数为0.74; 与统计报表数据相比,平均相对误差为13.6%,可适用于大范围长时间序列水稻种植面积的高效提取。湖南省年均水稻种植总面积为344.12万hm2,其中单季稻面积为102.41万hm2,主要分布在洞庭湖平原; 双季稻面积为241.71万hm2,主要分布在湘中偏北部地区(主要为岳阳、益阳、常德、长沙、株洲、湘潭、娄底等市县)。近17 a间,湖南省水稻种植面积变化情况可分为3个阶段,分别为在2000—2004年间减少了73.2万hm2,在2005—2010年间呈相对稳定小幅度回升状态,在2011—2016年间增加了29.55万hm2,但总体上呈减少趋势,共减少了58.22万hm2。

关键词： 水稻种植面积 ; MODIS ; LSWI ; EVI ; 决策树分类

Abstract

It is essential to obtain a wide range of spatial distribution and dynamic change information of paddy rice timely and accurately for scientific guidance of rice production, rational utilization of water resources, and monitoring of atmospheric environmental changes. In this study, the decision tree extraction model of rice planting area in Hunan Province was constructed on the basis of time series variation characteristics of MODIS-derived LSWI and EVI in rice planting area, and the accuracy of the model was evaluated. In addition, the spatiotemporal variation characteristics of the rice planting areas in Hunan Province from 2000 to 2016 were investigated. The results are as follows: the total classification accuracy of rice planting area extraction model in the research area is 90.2%, the Kappa coefficient is 0.74 and; in comparison with agriculture statistics, the mean relative error is 13.6%. The proposed extraction model can be applied to the efficient extraction of rice planting area on a wide range and long time series basis. The average annual rice planting area in Hunan Province is 3 441.2 thousand hectares, of which 1 024.1 thousand hectares are single-cropping rice, mainly distributed in the Dongting Lake plain, and 2 417.1 thousand hectares are double-cropping rice, mainly distributed in the north-central part of Hunan Province such as Yueyang, Yiyang, Changde, Changsha, Zhuzhou, Xiangtan and Loudi City. the rice planting area in Hunan Province was reduced by 732 thousand hectares from 2000 to 2004, reached a relatively stable level in 2005—2010 and increased by 295.5 thousand hectares in 2011—2016. Overall, there existed a decreasing trend from 2000 to 2016, with the rice planting area reduced by 582.2 thousand hectares.

Keywords： rice planting area ; MODIS ; LSWI ; EVI ; decision tree classifier

PDF (5304KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

邓刚, 唐志光, 李朝奎, 陈浩, 彭焕华, 王晓茹. 基于MODIS时序数据的湖南省水稻种植面积提取及时空变化分析. 国土资源遥感[J], 2020, 32(2): 177-185 doi:10.6046/gtzyyg.2020.02.23

DENG Gang, TANG Zhiguang, LI Chaokui, CHEN Hao, PENG Huanhua, WANG Xiaoru. Extraction and analysis of spatiotemporal variation of rice planting area in Hunan Province based on MODIS time-series data. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(2): 177-185 doi:10.6046/gtzyyg.2020.02.23

0 引言

我国是世界上最大的水稻生产国,水稻在我国粮食生产中占有重要地位,占全国粮食总播种面积的27%,而其产量则达到粮食总产量的34%[1]。由于水稻具有特殊的生理特性,即在整个生长过程中需要大量的水分维持; 且季节性灌溉的水稻田也是大气中甲烷的重要来源,有关研究表明稻田是一种重要的温室气体排放源,其排放的甲烷量在排入大气甲烷总量中占有相当一部分比例[2]。因此,准确地获取水稻种植面积的空间分布及其动态变化信息对全球及区域粮食安全、水资源的调配与管理以及监测大气环境变化等都具有重要意义。

卫星遥感技术的快速发展为水稻种植面积的提取与监测提供了强有力的数据支持。目前常用的水稻面积监测遥感数据源以多光谱光学影像为主,依据不同空间分辨率可划分为高空间分辨率(如QuickBird和IKONOS等)[3,4]、中高空间分辨率(Landsat OLI/TM/ETM+,SPOT,CBERS-1/2 CCD和HJ-1A/1B CCD等)[5,6,7,8]、中低空间分辨率(MODIS,SPOT-VGT和NOAA-AVHRR等)[9,10,11]遥感数据等; 此外,为了消除云的影响,全天候的雷达数据也被应用于水稻面积的提取中[12,13,14]。然而,这些研究也表明,星载雷达虽然能够全天候、全天时获取水稻种植分布信息,但是由于影像存在一定的斑点噪声,且受到极化、入射角和波段等雷达参数的限制,在大区域水稻面积提取研究中还存在较多的不确定性; 高、中高空间分辨率影像重访周期长,不易抓住水稻生长的物候信息,再加上易受天气影响,因而,很难利用高空间分辨率以及中高空间分辨率的遥感影像进行大范围的水稻面积提取业务化运行; 而中低空间分辨率的遥感影像其时间分辨率高,并且由于视场角宽,成像面积大,更适合于大范围作物种植面积的遥感监测。

目前MODIS数据也已经被广泛应用于水稻种植面积的遥感提取与监测研究中[9, 15-23]。应用MODIS卫星数据进行水稻种植面积的监测往往根据水稻的物候历,确定水稻识别的移栽期、生长期和收获期等关键时期,根据水稻在不同时期表现的遥感特征指数差异来识别水稻[9, 16, 19, 20, 22, 23]。然而,MODIS数据易受到云、大气状况的影响,而雨量充足的水稻种植地区,云普遍存在,这大大影响了水稻信息的提取。尽管MODIS植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI))的波段比值计算过程能消除一定程度上薄云的影响,但在多云地区仍然会存在大量残留噪声,限制了数据的深入分析和应用[24]。降低MODIS数据中云和噪声的影响,是利用MODIS时序数据准确提取水稻种植面积需要首先解决的问题。

湖南省的水稻生产不仅在湖南粮食生产中占有绝对重要的地位,且在全国水稻生产中也占有相当重要的地位[25]。因此本文以湖南省为研究区域,以MODIS时序遥感资料为主要数据源,研究基于MODIS时序数据的水稻种植面积遥感提取方法; 建立近17 a间湖南省水稻种植面积数据集; 并在此基础上分析湖南省水稻种植面积的时空变化特征,为湖南省水稻种植面积时空变化及其影响机制、农业气象和农业统计方面的相关研究提供方法和数据支持。

1 研究区及数据源

1.1 研究区概况

湖南省位于长江中下游,居于我国东南腹地,地处E 108°47’~114°15’,N 24°38’~30°08’之间,全省东西南三面环山,中北部低落,呈蹄形。研究区中部大都为丘陵,多宽广的盆地和谷地,北部为洞庭湖平原,地势低平,海拨多在50 m以下。该区属亚热带季风湿润气候区,全省面积约21.18万km2,其中耕地面积约为3.78万km2。区内年日照时数为1 300~1 800 h,年平均温度在15~18℃之间,年平均降水量在1 200~1 700 mm之间,雨量充沛,为我国雨水最多的地区之一。

1.2 数据源及其预处理

1.2.1 遥感数据

本文采用2000—2016年间地表反射率数据(MOD09A1)作为基础数据,数据来源于美国国家航空航天局网站(http://www.modis-land.gsfc.nasa.gov)。MOD09A1数据的空间分辨率为500 m,时间分辨率为8 d,其短波红外波段对于植被水分和土壤湿度较为敏感,有利于水稻生长特征的监测。使用MODIS重投影工具(MODIS re-projection tool,MRT)对数据进行重采样、格式转换、拼接和重投影等预处理。采用中高空间分辨率的Landsat8 OLI遥感影像数据(结合Google Earth影像)对部分验证样区进行了水稻信息目视解译。

1.2.2 其他数据

本文用到的其他数据包括: ①湖南省土地利用数据,采用2010年的全国土地利用数据,来自于中国科学院资源环境科学数据中心(http://www.resdc.cn),比例尺为1:10万,该数据是目前我国精度较高的土地利用遥感监测数据产品,已经在国家土地资源调查、水文和生态研究等方面发挥着重要作用; ②国家农业部公布的2000—2016年间湖南省水稻种植面积统计数据等。

2 研究方法

本文水稻面积信息提取方法的基本流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   总体技术路线

Fig.1   Overall technical route


2.1 特征指数EVI和LSWI的计算与重建

NDVI在植被覆盖监测上应用比较广泛。然而较之NDVI,EVI对土壤背景和气溶胶的反应不敏感,而且在植被覆盖度高的地区不容易饱和[26]。由于水稻在生长最旺盛时期的叶面积指数很高,因此,EVI比NDVI更适合对水稻进行监测。此外,当土壤湿度高时,使用EVI指数更合适[27]。因此,本文选取EVI作为识别水稻生长发育期的依据。在水稻的多数生长期内,稻田的反射光谱是陆地表面水体和水稻秧苗及其他地物的混合光谱[28]。因此还需要构建对水体较为敏感的特征指数。陆地水分指数(land surface water content index,LSWI)包含了对土壤湿度和植被水分敏感的短波红外波段反射率,可以用于土壤湿度变化的监测。因此,本文利用MODIS数据的2种特征指数(EVI和LSWI),进行水稻信息提取,其计算公式分别为[16, 28]

EVI=2.5 ρNIR-ρRED1+ρNIR+6ρRED-7.5ρBLUE,
LSWI= ρNIR-ρSWIRρNIR+ρSWIR,

式中ρNIR ,ρSWIR ,ρRED 和ρBLUE 分别代表近红外波段、短波红外波段、红光波段和蓝光波段的反射率。

由于湖南地处亚热带区域,季风作用影响明显,雨季云量大,雨季的MOD09A1影像上云层遮盖严重,而且具有空间上成片、时间上连续的特征。因此,需要对MODIS提取的EVI和LSWI指数进行去噪平滑处理。鉴于Savitzky-Golay滤波算法的优势[29,30,31,32]及其在时序遥感数据去噪中已被广泛应用的特点,本文采用了Savitzky-Golay滤波算法对MODIS EVI和LSWI分别进行去噪平滑处理,重建了2000—2016年间研究区EVI和LSWI数据集。

2.2 不同地类训练样区及验证样区选取

为了获得不同地类的标准EVI和LSWI时序曲线,本文选取不同地类的纯像元作为采样点。采用野外调查并结合Google Earth影像判识和土地利用数据在湖南省范围内获得水稻及其他地物的“纯像元”样区。根据不同植被/作物的分布情况,对每种植被/作物选取数个至数十个采样区: 包括水稻田(含单季稻、双季稻)20个、林地(杉木、马尾松、毛竹等其他林地)15个、建设用地8个和水体4个。这些训练样区均匀分布于湖南省各地区。同时选取了5个典型验证样区,对验证样区选取中高空间分辨率的Landsat8 OLI遥感影像(结合Google Earth影像)采用目视判读的方法提取水稻种植信息,用于验证基于MODIS水稻种植面积提取模型的精度,训练样区分布如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   研究区不同地类训练样区分布示意图

Fig.2   Distribution of training area for different land types in study area


2.3 水稻种植面积遥感提取模型

由于不同作物物候特征不同、生长强度不同以及对水分条件依赖有差异,因此不同作物表现出的EVI和LSWI时序特征各异。本文通过研究湖南省水稻种植区的EVI和LSWI的时序特征以实现水稻面积的提取。利用关键时期的水稻EVI与LSWI的特征差异来建立水稻提取算法,并运用决策树分类的思想来提取研究区的单季稻、双季稻种植区。

2.3.1 EVI和LSWI标准时序曲线获取

基于已选取的研究区典型植被/作物采样区,对各个地物样区的多个像元EVI和LSWI时序数据取平均值得到标准EVI和LSWI时序曲线。其中,湖南地区水稻田因具有单季稻和双季稻混作的特征,因此,分别提取了单季稻和双季稻的标准时序曲线。

2.3.2 常绿植被、建设用地和水体等剔除

由于研究区大部分林地主要为亚热带常绿阔叶林地,EVI值年际变化较小。而城市建设用地、村庄居民用地和水体等全年EVI变化值也较小,因此,利用EVI时序曲线的波动幅度(年内变化标准差)剔除这些“干扰”像元。EVI时序标准差δ计算公式为

δ= ∑i=1N(EVIi-EVIm)2N,

式中: N为影像期数; i为影像期号; EVIi为第i幅影像EVI值; EVIm为时序影像EVI的平均值。通过与中高空间分辨率影像和土地利用数据的对比,设定标准差阈值,提取常绿植被、建设用地和水体等非水稻种植区,并将它们掩模。

2.3.3 决策树提取模型

通过已选取的训练样区获取了不同地类EVI和LSWI的时序变化曲线(图3),图3中x轴为MODIS提取的8 d合成特征指数的时序号。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   不同地物特征指数曲线

Fig.3   Variation of Characteristic index of different land types


从图3中可以看出: ①建设用地与水体的EVI年内变化率较低,经过反复滤定得到其EVI的标准差均在0.07以下,因此以0.07为阈值可以将建设用地和水体剔除。②针对双季稻,在第12—15时相内,其LSWI值总是大于EVI值; EVI变化曲线在第19—21时相和第30—32时相内各出现一个峰值且均大于0.43; 在第19—21时相的EVI值大于第24—26时相的EVI值,且两者差值均大于0.15,通过这些特征可以将双季稻与其他地类区别开来。③林地虽然在某时期和水稻EVI值相似,但林地与水稻的EVI随时间变化规律不同,林地EVI值长时间保持较长且年内变化较小,而水稻的EVI值随生长发育期不同变化相对较大。通过比较林地与单季稻的EVI变化曲线可以发现,在第17—21时相和第36—38时相内,单季稻的EVI值均小于0.26; 单季稻的EVI在第13—15时相的平均值要明显大于其在第18—20时相的值; 单季稻在第31—33时相的EVI值与第18—20时相的值之差要大于0.3。因此通过单季稻EVI曲线的变化特征可以将单季稻与林地区别开来。

通过水稻田、林地、建设用地、水体的LWSI和EVI这2个指数在水稻各个生长发育期的变化特征,利用特征波段的决策树模型对水稻信息进行提取,具体流程如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   水稻信息提取决策树模型

Fig.4   Decision tree model of rice information extraction


图4中,L(12,15)表示图3中46个时相的第12—15时相所对应的LSWI值,E(12,15)表示第12—15时相所对应的EVI值,ME(19,21)为EVI在第19—21时相内的最大值,Em(13,15)表示第13—15时相所对应的EVI平均值。

3 结果与分析

3.1 空间一致性验证

为了验证基于MODIS数据提取的水稻种植信息在空间位置上的匹配程度,通过选取5个典型验证区域(图2),利用Landsat数据并结合Google Earth影像对典型区域进行水稻信息目视解译,然后再与该区域基于MODIS数据提取的水稻信息进行比较,如图5所示。通过建立混淆矩阵计算5个验证样区内水稻信息提取的总体分类精度和Kappa系数,从而对提取结果进行精度定量评价,如表1所示。验证样区的Kappa系数为0.74,具有高度的一致性,总体分类精度(正确分类的像元数与总像元数的比值)达到了90.2%,分类结果总体比较理想。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   验证样区1水稻提取对比结果

Fig.5   Comparison of rice extractionin verification sample area one


表1   5个验证样区总体分类精度评价

Tab.1  Total classification accuracy evaluation of five verification sample areas

验证样区(5个)MODISLandsat+Google Earth 目视解译
类型水稻/
像元		非水稻/
像元		Kappa
系数		总体分类
精度/%
MODIS水稻1 5726250.7490.2
提取水稻非水稻1435 460

新窗口打开| 下载CSV


3.2 水稻种植面积空间分布

2000—2016年间湖南省水稻种植面积空间分布情况如图6所示,其与土地利用数据水田分布基本一致。可见,水稻种植呈现东北高、西南低的空间分布特征,主要分布在洞庭湖流域及湘中偏北部地区(主要为岳阳、益阳、常德、长沙、株洲、湘潭、娄底等市县)。这些种植区水资源充足,地势较为平坦,适合机械化作业,水稻分布较为集中,形成了“连片式”的种植模式。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2000—2016年间湖南省水稻面积提取结果

Fig.6   Rice area extraction results in Hunan Province during 2000—2016


3.3 提取水稻面积与统计数据对比

在GIS软件支持下,统计了湖南省2000—2016年间的水稻种植面积,结果可知,年均水稻种植总面积为344.12万hm2,其中单季稻102.41万hm2,双季稻241.71万hm2。由于本文水稻种植面积提取选用的数据空间分辨率为500 m,提取结果中存在大量的混合像元。大范围内像元提取水稻面积而产生误差具有显著的随机性,因而区域总量统计结果是精度评定的重要途径。本文对比了2000—2016年间水稻面积统计数据与MODIS提取的水稻面积信息(表2),结果显示: 2000—2016年间基于MODIS遥感数据提取水稻种植面积平均相对误差达到13.6%; 各年份提取结果相对误差不一,最低相对误差绝对值仅1.8%,其中提取相对误差绝对值在10%以内的年份在2000—2004年间,大部分年份提取相对误差绝对值控制在10%~20%。水稻种植总面积提取结果普遍低于统计数据的可能原因是: 本文水稻提取算法仅从单季稻、双季稻水平上提取水稻面积,且提取的单季稻指的是单季的中稻(晚于双季早稻,早于双季晚稻),而对少量单季的早稻或晚稻未能识别。

表2   2000—2016年湖南省水稻面积提取结果与农业统计数据比较

Tab.2  Comparison of rice area extraction results and agricultural statistics data in Hunan Province during 2000—2016

年份MODIS提取
结果/(万hm2)		统计数据/
(万hm2)		相对误差/%年份MODIS提取
结果/(万hm2)		统计数据/
(万hm2)		相对误差/%
2000年408.78389.614.922009年353.54404.72-12.65
2001年375.79369.161.802010年325.03403.05-19.36
2002年380.68354.157.492011年321.01406.63-21.06
2003年352.17341.003.282012年342.58409.51-16.34
2004年335.58371.68-9.712013年311.95408.51-23.64
2005年338.09379.52-10.922014年330.35412.07-19.83
2006年340.88393.12-13.292015年317.18411.41-22.90
2007年341.93389.72-12.262016年350.56408.55-14.19
2008年323.93393.20-17.62

新窗口打开| 下载CSV


3.4 水稻种植时空变化分析

通过MODIS遥感影像数据提取的湖南省17 a间的水稻种植面积数据,得到湖南省水稻种植面积随时间变化的趋势,如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2000—2016年间湖南省水稻面积变化

Fig.7   Variation of rice area in Hunan Province during 2000—2016


从图7可以看出,湖南省水稻面积17 a来整体呈现波动减少的趋势,共减少了58.22万hm2; 单季稻和双季稻的种植面积变化趋势与总面积变化趋势基本一致,大致可以分为3个阶段:

1)2000—2004年间。逐年呈下降趋势,下降总面积为73.2万hm2,下降幅度达17.91%,主要原因可能有2个,一是1998年“世纪大洪水”之后,国务院做出了在长江中下游区域退田还湖政策,2002年1月,国务院又全面启动退耕还林、还草政策,这在很多程度上导致了湖南地区耕地面积的减少; 二是由于国内水稻等农产品需求关系的改变,湖南省调整了种植结构,加大了经济作物的种植。

2)2005—2010年间。相对稳定阶段,水稻种植面积出现小幅度回升现象。这个阶段,国家出台了一系列惠农政策,如取消农业税,对种植水稻的农民实施农业补贴等,这都有利于提高农民的生产积极性。

3)2011—2016年间。波动递增阶段,增加总面积为29.55万hm2,递增幅度达9.21%,该阶段国家明确要求加大恢复粮食生产,并连续12 a出台“一号文件”,重点扶持农业生产的新政策在该阶段得到实质性的贯彻和落实,这些新政策和措施有力地调动了广大农民的生产积极性,湖南省水稻生产出现了恢复性的增加现象。近17 a来整个湖南省水稻种植面积波动原因可能有: 气候条件的恶劣(洪涝、干旱、夏季高温和秋季低温等气象灾害)严重影响了湖南省水稻种植与生产; 湖南省农田管理措施的实施、水利设施条件的改善以及扩大旱涝保收田的面积,是稳定提高水稻生产的重要举措; 随着湖南省种植结构的调整,一些经济作物(苎麻、烤烟、茶叶和甘蔗等)的种植面积增大,这也直接影响了水稻面积的种植。

4 结论

以MODIS时间序列数据为基础,通过构建不同地类的EVI和LSWI标准时间序列曲线,并研究水稻生长过程中EVI和LSWI的差异特性,判断水稻与其他地类的区别,建立水稻种植面积的遥感提取模型,提取了2000—2016年间湖南省水稻种植分布。

1)建立的水稻种植面积决策树模型具有较高的可靠性,在验证样区内,总体分类精度达到90.2%,Kappa系数为0.74; 与农业统计数据相比,近17 a提取的水稻种植面积平均相对误差达为13.6%,可以满足大范围长时间序列水稻种植面积监测的要求。

2)水稻主要分布在洞庭湖流域及湘中偏北部地区。其中单季稻主要分布在洞庭湖平原,双季稻主要分布在湘中偏北部地区。湖南省水稻面积在2000—2004年间呈下降趋势,下降幅度达17.91%,在2005—2010年间则呈现相对稳定,小幅度回升状况,在2011—2016年间则呈现波动递增阶段,递增幅度达9.21%。从总体上看,2000—2016年间湖南省水稻面积呈现波动减少趋势,共减少了58.22万hm2。

本文也存在一些未来有待解决的问题,如湘西、湘南地区由于地形复杂多变,土地利用方式零散,对于较低空间分辨率的MODIS数据来说,水稻提取过程中,许多像元为混合像元,从而导致这些地区的提取精度较低。后续研究将在进一步明确不同地区水稻种植物候历的基础上,分别构建早稻、中稻和晚稻的提取模型。

参考文献

陈晓华. 中国农业统计资料(2013)[M].中国农业出版社, 2014.

[本文引用: 1]

Chen X H. Agricultural statistics in China (2013)[M].China Agriculture Press, 2014.

[本文引用: 1]

Brenkert A L, Smith S J, Kim S H, et al.

Model documentation for the MiniCAM

[R].Pacific Northwest National Lab.(PNNL),Richland,WA(United States), 2003.

[本文引用: 1]

Masuoka P M, Claborn D M, Andre R G, et al.

Use of IKONOS and Landsat for malaria control in the Republic of Korea

[J]. Remote Sensing of Environment, 2003,88(1-2):187-194.

DOI:10.1016/j.rse.2003.04.009      URL     [本文引用: 1]

徐新刚, 李强子, 周万村, 等.

应用高分辨率遥感影像提取作物种植面积

[J]. 遥感技术与应用, 2008,23(1):17-25.

URL     [本文引用: 1]

利用中低分辨率遥感影像提取作物分类种植面积的精度,往往难以满足农业遥感估产的需要。随着新型传感器的不断出现,应用高分辨率遥感影像高精度地提取作物分类面积日益成为发展趋势。由于高分辨率遥感影像提供的地物纹理、色调与形状等信息更加丰富,当前基于对象的地物识别分类方法仍不成熟,处理操作中人为干预过多,而且较为复杂,因此尝试以地面调查信息为辅助参量,采用常规基于像元的最大似然法监督分类方法,依据多尺度遥感影像信息提取的原理,分阶段地逐步提取作物种植面积,以此为农业遥感估产服务。

Xu X G, Li Q Z, Zhou W C, et al.

Classification application of QuickBird imagery to obtain crop planting area

[J]. Remote Sensing Technology and Application, 2008,23(1):17-25.

[本文引用: 1]

Yoshikawa N, Shiozawa S.

Estimating variable acreage of cultivated paddy fields from preceding precipitation in a tropical watershed utilizing Landsat TM/ETM

[J]. Agricultural water management, 2006,85(3):296-304.

[本文引用: 1]

黄振国, 陈仲新, 刘芳清, 等.

利用SPOT5影像提取水稻种植面积的研究——以湖南株洲市区为例

[J]. 湖南农业大学学报(自科版), 2013,39(2):137-140.

[本文引用: 1]

Huang Z G, Chen Z X, Liu F Q, et al.

Mapping rice planting area using SPOT5 imagery:Taking Zhuzhou,Hunan as an example

[J]. Journal of Hunan Agricultural University, 2013,39(2):137-140.

[本文引用: 1]

郑长春, 王秀珍, 黄敬峰.

基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究

[J]. 遥感技术与应用, 2008,23(3):294-299.

[本文引用: 1]

Zheng C C, Wang X Z, Huang J F.

Decision tree algorithm of automatically extracting paddy rice information from SPOT-5 images based on characteristic bands

[J]. Remote Sensing Technology and Application, 2008,23(3):294-299.

[本文引用: 1]

钟仕全, 莫建飞, 陈燕丽, 等.

基于HJ-1B卫星遥感数据的水稻识别技术研究

[J]. 遥感技术与应用, 2010,25(4):464-468.

[本文引用: 1]

Zhong S Q, Mo J F, Chen Y L, et al.

Study on rice identification technology using HJ-1B data

[J]. Remote Sensing Technology and Applications, 2010,25(4):464-468.

[本文引用: 1]

Xiao X, 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.

[本文引用: 3]

Xiao X, Boles S, Frolking S, et al.

Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using Vegetation sensor data

[J]. International Journal of Remote Sensing, 2002,23(15):3009-3022.

DOI:10.1080/01431160110107734      URL     [本文引用: 1]

李郁竹, 曾燕.

应用NOAA/AVHRR数据测算局地水稻种植面积方法研究

[J]. 遥感学报, 1998,2(2):125-130.

DOI:10.11834/jrs.19980209      URL     [本文引用: 1]

本文采用在模糊监督分类中增加迭代过程的方法──模糊监督分类-迭代法, 在分解混合像元的基础上, 利用AVHRR数据求算水稻种植面积。根据稻田与旱地存在温度差异的特点, 在分析AVHRR数据统计特征的基础上, 增加了第3和4两通道参加模糊监督分类, 从而增加了分类像元值矢量维数, 增强了对水稻的鉴别能力。所采用的迭代法是收敛且有效的, 经本方法输出的水稻种植面积百分含量图与实际水稻分布十分吻合, 测算出的面积值与TM和实地调查结果相比, 有较高的精度。

Li Y Z, Zeng Y.

Study on methods of rice planting area estimation at regional scale using NOAA/AVHRR data

[J]. Journal Of Remote Sensing, 1998,2(2):125-130.

[本文引用: 1]

Bouvet A, Toan T L.

Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta

[J]. Remote Sensing of Environment, 2011,115(4):1090-1101.

[本文引用: 1]

Ribbes F, Toan T L.

Mapping and monitoring rice crop with RADARSAT data

[C]// IEEE International Geoscience & Remote Sensing Symposium, 1998.

[本文引用: 1]

Zhang Y, Wang C, Wu J, et al.

Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China

[J]. International Journal of Remote Sensing, 2009,30(23):6301-6315.

DOI:10.1080/01431160902842391      URL     [本文引用: 1]

Gumma M K, Nelson A, Thenkabail P S, et al.

Mapping rice areas of South Asia using MODIS multitemporal data

[J]. Journal of applied remote sensing, 2011,5(1):053547.

[本文引用: 1]

Son N T, Chen C F, Chen C R, et al.

A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation

[J]. Agricultural and forest meteorology, 2014,197(6):52-64.

[本文引用: 2]

Zhang G L, Xiao X M, Dong J W, et al.

Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,106:157-171.

苗翠翠, 江南, 彭世揆, 等.

基于NDVI时序数据的水稻种植面积遥感监测分析——以江苏省为例

[J]. 地球信息科学学报, 2011,13(2):273-280.

Miao C C, Jiang N, Peng S K, et al.

Extraction of paddy land area based on NDVI time-series data:Taking Jiangsu Province as an example

[J]. Journal of Geo-Information Science, 2011,13(2):273-280.

邬明权, 王长耀, 牛铮.

利用多源时序遥感数据提取大范围水稻种植面积

[J]. 农业工程学报, 2010,26(7):240-244.

[本文引用: 1]

Wu M Q, Wang C Y, Niu Z.

Mapping paddy fields in large areas, based on time series multi-sensors data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(7):240-244.

[本文引用: 1]

杨沈斌, 景元书, 王琳, 等.

基于MODIS时序数据提取河南省水稻种植分布

[J]. 大气科学学报, 2012,35(1):113-120.

[本文引用: 1]

Yang S B, Jing Y S, Wang L, et al.

Mapping rice paddy distribution in Henan Province based on multi-temporal MODIS imagery

[J]. Transactions of Atmospheric Sciences, 2012,35(1):113-120.

[本文引用: 1]

张莉, 吴文斌, 左丽君, 等.

基于EOS/MODIS数据的南方水稻面积提取技术

[J]. 中国农业资源与区划, 2011,32(4):39-44.

Zhang L, Wu W B, Zuo L J.

Extracting planting area of paddy rice in southern China by using EOS/MODIS data

[J]. Journal of China Agricultural Resources and Regional Planning, 2011,32(4):39-44.

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.

URL     [本文引用: 1]

    为准确获取水稻种植面积,以浙江省为研究区,利用8 d合成MODIS陆地表面反射率数据的特点和水稻典型物候特征,选取水稻种植前的休耕期、秧苗移栽期、生长期和成熟期等多时像MODIS地表反射率影像数据,通过归一化植被指数、增强植被指数及利用对土壤湿度和植被水分含量较为敏感的短波红外波段计算得到的陆地表面水指数进行水稻种植面积信息获取,将提取结果同现状水田与MODIS影像共同提取的数据以及浙江省统计年鉴数据进行对比分析.结果表明,利用MODIS影像的8 d合成地表反射率数据进行平原区域水稻种植面积提取,精度可达90%以上.因此,采用MODIS影像数据进行平原区域水稻遥感监测可以为政府决策部门提供信息服务.

Zheng C C, Wang X Z, Huang J F.

Mapping paddy rice planting area in Zhejiang Province using multi-temporal MODIS images

[J]. Journal of Zhejiang University(Agriculture and Life Sciences), 2009,35(1):98-104.

URL     [本文引用: 1]

曹丹, 白林燕, 冯建中, 等.

东北三省水稻种植面积时空变化监测与分析

[J]. 江苏农业科学, 2018,46(10):260-265,271.

[本文引用: 2]

Cao D, Bai L Y, Feng J Z, et al.

Monitoring and analysis of temporal and spatial variation of rice planting area in northeastern China

[J]. Jiangsu Agricultural Sciences, 2018,46(10):260-265,271.

[本文引用: 2]

顾娟, 李新, 黄春林.

NDVI时间序列数据集重建方法述评

[J]. 遥感技术与应用, 2006,21(4):391-395.

URL     [本文引用: 1]

基于NOAA/AVHRR、SPOT/VEGETATION 以及MODIS 等卫星影像得到的归一化植被指数(NDVI,Normalized Difference Vegetation Index) 时序资料已经在植被动态变化监测、宏观植被覆盖分类和植物生物物理参数反演方面得到了广泛的应用, 但由于受云层、天气等因素的影响,NDVI 数据集存在大量的噪声, 因此对NDVI 时间序列数据集进行重建, 提高NDVI 数据集质量的研究逐步受到关注。对近年来普遍使用的几种NDVI 时间序列数据集重建方法(最大值合成、最佳指数斜率提取、中值迭代滤波、时间窗内的线性内插、傅里叶变换、S2G 滤波) 进行了详细介绍并评述了这些方法的优缺点。

Gu J, Li X, Huang C L.

Research on the Reconstructing of Time-series NDVI Data

[J]. Remote Sensing Technology and Application, 2006,21(4):391-395.

URL     [本文引用: 1]

 Although the Normalized Difference Vegetation Index (NDVI) time-series data derived from NOAA/AVHRR, SPOT/VEGETATION and MODIS, has been successfully used in research regarding global vegetation change, land cover classification and biophysical parameters inversion. However, due to effect of cloud and atmospheric conditions, residual noise in the NDVI time-series data will induce erroneous resultsin our further quantitive analysis. In this paper, some general reconstructing methods are introduced, including Maximum Value Compositing (MVC) , the Best Index Slope Extraction (B ISE) , Media Iteration Filter (MIF) , Temporal Window Operation (TWO ) , Fourier Transform (FT ) and Savitzky-Golay Filter (S2G Filter). With the development of change detection research, it is necessary to reconstruct the NDVI time-series datasets in order to provide high-quality data for the study of vegetation response to global climate change.

田波.

湖南水稻的比较优势与竞争力分析

[J].新疆农垦经济, 2006(1):35-37.

URL     [本文引用: 1]

本文采用显示性比较优势法对湖南水稻生产的比较优势进行了分析,认为湖南水稻生产具有较强的比较优势.同时通过对质量、价格、产业支持水平、市场占有率和生产技术水平等影响因素进行分析,认为湖南水稻的竞争力有进一步提高的潜力,进而本文从降低水稻生产成本、推进科技成果的转化、提高产业化水平和建立粮食产业协会等方面提出了提升湖南水稻竞争力的对策.

Tian B.

Analysis on the Comparative Advantage and Competition Dynamics of Rice in Hunan

[J].Xinjiang State Farms Economy, 2006(1):35-37.

URL     [本文引用: 1]

Huete A, Didan K, Miura T, et al.

Overview of the radiometric and biophysical performance of the MODIS vegetation indices

[J]. Remote Sensing of Environment, 2002,83(1-2):195-213.

DOI:10.1016/S0034-4257(02)00096-2      URL     [本文引用: 1]

Sakamoto T, Yokozawa M, Toritani H, et al.

A crop phenology detection method using time-series MODIS data

[J]. Remote Sensing of Environment, 2005,96(3-4):366-374.

[本文引用: 1]

Xiao X, Boles S, Liu J, et al.

Mapping paddy rice agriculture in southern China using multi-temporal MODIS images

[J]. Remote Sensing of Environment, 2005,95(4):480-492.

DOI:10.1016/j.rse.2004.12.009      URL     [本文引用: 2]

Jonsson P, Eklundh L.

TIMESAT—a program for analyzing time-series of satellite sensor data

[J]. Computers & Geosciences, 2004,30(8):833-845.

[本文引用: 1]

Jonsson P, Eklundh L.

Seasonality extraction by function fitting to time-series of satellite sensor data

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002,40(8):1824-1832.

[本文引用: 1]

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, 2009.

[本文引用: 1]

Sun H S.

Extracting Planting Area and Growth Information of Paddy Rice using Multi-temporal MODIS Data in China

[D]. Hangzhou:Zhejiang University, 2009.

[本文引用: 1]

吴文斌, 杨鹏, 唐华俊, 等.

两种NDVI时间序列数据拟合方法比较

[J]. 农业工程学报, 2009,25(11):183-188.

[本文引用: 1]

Wu W B, Yang P, Tang H J, et al.

Comparison of two fitting methods of NDVI time series datasets

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009,25(11):183-188.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发