引用本文
任鸿瑞, 张悦琦, 何奇瑾, 李荣平, 周广胜. 基于FY-3 MERSI遥感数据的水稻种植分布提取[J]. 光谱学与光谱分析, 2023,43(5): 1606-1611.
REN Hong-rui, ZHANG Yue-qi, HE Qi-jin, LI Rong-ping, ZHOU Guang-sheng. Extraction of Pddy Rice Planting Area Based on Multi-Temporal FY-3 MERSI Remote Sensing Images[J]. Spectroscopy and Spectral Analysis, 2023,43(5): 1606-1611.
Doi:10.3964/j.issn.1000-0593(2023)05-1606-06  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于FY-3 MERSI遥感数据的水稻种植分布提取
任鸿瑞1,2, 张悦琦2, 何奇瑾3, 李荣平1, 周广胜4,5,*
1.中国气象局沈阳大气环境研究所, 辽宁 沈阳 110166
2.太原理工大学矿业工程学院测绘科学与技术系, 山西 太原 030024
3.中国农业大学资源与环境学院, 北京 100193
4.中国气象科学研究院, 北京 100081
5.中国气象科学研究院与郑州大学生态气象联合实验室, 河南 郑州 450001
*通讯作者 e-mail: zhougs@cma.gov.cn

作者简介: 任鸿瑞, 1981年生, 太原理工大学测绘科学与技术系教授 e-mail: renhongrui@tyut.edu.cn

收稿日期: 2022-03-27 修回日期: 2022-09-23
基金: 国家自然科学基金重点项目(42141007)和中国气象局沈阳大气环境研究所联合开放基金课题(2021SYIAEKFMS39)资助
摘要

快速准确获取水稻种植分布对于制定区域农业生产政策、 保护区域农业稳定具有科学意义。 以风云系列为代表的卫星资料在农业遥感方面已得到了广泛使用, 但目前鲜有基于国产风云遥感数据反演水稻种植空间分布的研究。 为快速准确获取水稻种植分布, 挖掘风云遥感资料在反演水稻种植信息领域的数据价值, 以盘锦市作为实验区域, 开展基于FY-3 MERSI卫星资料的水稻种植空间分布反演。 利用5景2019年研究区域水稻生育期风云三号中分辨率MERSI(Medium Resolution Spectral Imager)光谱成像仪数据计算归一化植被指数(NDVI)、 归一化水体指数(NDWI)、 两者之间的差值(NDWI-NDVI)及比值植被指数(RVI), 对盘锦市水稻以及其他地物类型(建筑用地、 水体、 自然植被、 天然湿地和旱地)感兴趣区域进行植被指数时序分析, 利用NDVI、 NDWI、 RVI和NDWI-NDVI时间序列曲线确定最佳识别模式及其阈值, 发展水稻种植空间分布遥感反演算法。 首先根据水稻移栽期NDWI-NDVI>-0.14和抽穗期NDWI-NDVI<-0.4对水稻种植分布进行粗提取, 在此基础上依据水稻与其他地物类型NDVI、 NDWI和RVI曲线特征差异对其他地物类型进行掩膜, 得到2019年研究区域水稻种植空间分布。 基于实地调查数据对研究区域水稻种植空间分布反演结果开展验证评价, 总体精度为75%。 基于目视解译的水稻空间分布数据开展验证评价, 总体精度、 制图精度以及用户精度均达到了80%以上, Kappa值为0.61。 研究区域2019年水稻面积为116 618.75 hm2, 与2019年盘锦市统计年鉴公布数据基本一致。 研究表明, 基于风云三号卫星资料反演水稻种植空间分布能够满足区域农作物种植分布遥感监测的要求, FY-3 MERSI遥感数据在农作物种植空间分布提取中具有应用价值。 该研究丰富了农作物种植分布监测的遥感数据源, 对于深入风云卫星资料的实际应用具有重要科学意义。

关键词: 遥感; 水稻; 植被指数; 风云气象卫星
中图分类号:TP79 文献标志码:A
Extraction of Pddy Rice Planting Area Based on Multi-Temporal FY-3 MERSI Remote Sensing Images
REN Hong-rui1,2, ZHANG Yue-qi2, HE Qi-jin3, LI Rong-ping1, ZHOU Guang-sheng4,5,*
1. Institute of Atmospheric Environment, China Meteorological Administration, Shenyang, Shenyang 110166, China
2. Department of Mapping Science and Technology, College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China
3. College of Resources and Environmental Sciences, China Agricultural University, Beijing 100193, China
4. Chinese Academy of Meteorological Sciences, Beijing 100081, China
5. Joint Eco-Meteorological Laboratory of Chinese Academy of Meteorological Sciences and Zhengzhou University, Zhengzhou 450001, China
*Corresponding author
Abstract

Rapid and accurate monitoring of paddy rice planting areas distribution plays an important role in formulating regional agricultural production policies and protecting regional food security. With the successful launch of FY series satellites, domestic satellite data have been increasingly used in crop information monitoring, but there are few studies on the extraction of paddy rice planting distribution information based on FY data. In order to quickly and accurately obtain paddy rice planting distribution information and explore the application potential of FY remote sensing data in monitoring paddy rice planting distribution, the study was conducted to extract paddy rice planting distribution based on FY-3 MERSI data in Panjin county, Liaoning Province. Five images of FY MERSI data during the growth period of paddy rice in 2019 were used to calculate the Normalized Difference Vegetation Index (NDVI), Normalized Difference Water Index (NDWI), Ratio Vegetation Index (RVI) and NDWI-NDVI. The temporal sequence analysis of these vegetation indices was carried out on the interest areas of six land cover types in Panjin county, including paddy rice, building land, water body, natural vegetation, natural wetland and dry land. The optimal recognition mode and threshold were determined using NDVI, NDWI, RVI and NDWI-NDVI time series curves, and the remote sensing extraction model of paddy rice planting distribution was established. First, the paddy rice planting distribution was roughly extracted according to NDWI-NDVI>-0.14 at the transplanting stage and NDWI-NDVI<-0.4 at the heading stage. Then, other land cover types were masked based on the difference of NDVI, NDWI and RVI curve characteristics between paddy rice and other land cover types, and the spatial distribution of paddy rice planting in the study area in 2019 was obtained. Based on field survey data, the accuracy of paddy rice planting distribution in the study area was verified, and the overall accuracy was 75%. Accuracy verification was also conducted based on remote sensing visual interpretation data, the overall accuracy, Kappa coefficient, paddy rice mapping accuracy and user accuracy were 80.80%, 0.61, 80.00% and 86.96%, respectively. The paddy rice planting area in the study area in 2019 was 116 618.75 hm2, consistent with the data published in the 2019 Panjin Statistical Yearbook. The study shows that extracting paddy rice planting distribution based on FY-3 MERSI remote sensing image can satisfy the requirements of remote sensing monitoring of regional crop planting distribution. FY-3 MERSI has great application potential in extracting crop planting distribution information. The study enriches the remote sensing data sources for crop planting distribution monitoring and provides a theoretical basis for promoting the practical application of FY data.

Keyword: Remote sensing; Paddy rice; Vegetation indices; FY meteorological satellite
引言

水稻是重要的粮食作物, 准确掌握水稻种植面积及其空间分布, 对合理安排水稻生产、 科学制定相关政策等具有重要价值。 卫星遥感可以在短时间内获得地物光谱信息[1], 具有客观准确、 及时高效、 经济低廉等优点, 目前已成为获取水稻种植空间分布的重要方法。 近年来科学家们使用卫星遥感反演水稻种植分布已有丰富的研究工作[2, 3], 主要包括监督分类和非监督分类、 参数和非参数分类、 基于像元亚像元和对象等不同的分类方法。 属于监督分类和非参数分类的时间序列植被指数法应用较为广泛, 其依据覆盖不同物候期的卫星资料反演水稻种植空间分布范围, 但已有研究中主要以MODIS、 Landsat等国外卫星遥感数据源为主[4, 5, 6, 7]。

我国的风云三号(FY-3A、 3B、 3C、 3D、 3E)系列卫星已成功发射, 具备3条轨道(上午、 下午、 晨昏)气象卫星组网能力。 星上均搭载有Medium Resolution Spectral Imager(MERSI)载荷, 具有不同波段反射和发射辐射的监测优势, 可实现对陆地、 海洋、 大气的区域实时监测。 FY MERSI数据在一些领域已得到应用。 冯锐等[8]在晴空条件和有云情况下利用归一化水体指数法和通道值与归一化水体指数结合法, 基于FY-3B MERSI数据对辽宁省湖泊水库进行提取。 郑伟等[9]利用FY-3D MERSI-II数据制作生成日全球火点产品和月全球火点产品。 陈鹏等[10]基于FY-3D MERSI-II数据计算归一化积雪指数并与MODIS日积雪产品MOD10A1进行对比, 表明FY-3D MERSI-II数据提取积雪覆盖精度更高。

截至目前, 利用基于风云三号卫星资料的植被指数时序法反演粮食作物种植的工作少见报道。 为挖掘风云卫星遥感资料在作物种植分布反演领域的应用, 利用多幅水稻物候期的FY-3B MERSI和FY-3D MERSI-II数据, 反演研究区域水稻种植空间范围, 同时利用地面调查和影像解译样本数据验证研究区域水稻种植空间分布反演结果。

1 实验部分
1.1 研究区概况

辽宁省盘锦市是我国重要的水稻生产地, 东北和鞍山市相邻, 东南和营口市相邻, 西北和锦州市接壤。 该区总面积约4 100 km2, 下辖1个行政县, 即盘山县, 3个行政区, 即双台子、 兴隆台、 大洼区, 具有充足水源进行灌溉。 盘锦市光照充足, 雨热同季, 年均温10 ℃, 年均降水约620 mm, 土壤略偏碱性。 得天独厚的地质条件和气候条件使得盘锦市成为辽宁省优质高产的水稻种植区, 盘锦市水稻产量约占全省的四分之一, 对于区域粮食安全具有非常重要的战略意义。

1.2 遥感数据源

基于少云、 无云的卫星影像筛选条件, 选取了2019年5月— 10月共5景覆盖研究区域水稻物候期的FY-3B MERSI和FY-3D MERSI-II数据资料(表1)。 FY-3B卫星第一代MERSI光谱成像载荷具有包括19个太阳反射和1个红外发射波段在内的20个波段; FY-3D卫星第二代MERSI光谱成像载荷具有包括16个可见光-近红外波段、 3个短波红外波段和6个中长波红外波段在内的25个波段。 本研究主要利用250 m空间分辨率的FY-3B MERSI和FY-3D MERSI-II1~4波段开展, 即蓝、 绿、 红、 近红外通道, 中心波长分别为0.470、 0.550、 0.650和0.865 μ m。 FY-3B MERSI和FY-3D MERSI-II资料数据从中国气象局国家卫星气象中心网站注册下载。

表1 研究区域2019年水稻生育期FY-3 MERSI卫星数据资料 Table 1 FY-3 MERSI data during the growth period of paddy rice in the study area in 2019
1.3 方法

1.3.1 植被指数

在生育前期因灌水泡田被水体覆盖, 移栽期后长出水面并于抽穗期生长最为旺盛, 这一独特的种植方式使得水稻与其他地物类型相比有着极其特殊的光谱特征。 鉴于此, 对遥感影像开展几何校正、 影像裁剪等, 计算归一化植被指数(normalized difference vegetation index, NDVI)、 归一化水体指数(normalized difference water index, NDWI)、 两者之间的差值(NDWI-NDVI)以及比值植被指数(ratio vegetation index, RVI)等植被指数[11], 算法如式(1)— 式(3)。

NDVI=ρNir-ρRedρNir+ρRed(1)

NDWI=ρGreen-ρNirρGreen+ρNir(2)

RVI=ρNirρRed(3)

式中, ρ Nir、 ρ Red和ρ Green为近红外、 红和绿波段反射率。

基于高分六号卫星WFV遥感数据开展目视解译, 在获取不同地物类型感兴趣区域的基础上, 对不同地物类型的NDVI、 NDWI、 RVI和NDWI-NDVI开展植被指数均值计算和时间序列分析(图1)。 研究期间, 建筑用地和水体两种地物类型的四种植被指数变化较小; 水稻、 自然植被、 天然湿地和旱地的归一化植被指数和比值植被指数具有增大— 减小的变化, 归一化水体指数和NDWI-NDVI具有减小— 增大的变化。 6月7日(对应移栽期)水稻归一化植被指数和比值植被指数为地物类型(除水体)中的最小值, 归一化水体指数和NDWI-NDVI为最大值; 抽穗期水稻归一化植被指数和比值植被指数为地类中的最大值, 归一化水体指数和NDWI-NDVI为最小值。 抽穗期水稻归一化植被指数和比值植被指数为生育期内最大值, 水稻植被生长茂盛。

图1 研究区域不同地物类型NDVI (a)、 NDWI (b)、 RVI (c)、 NDWI-NDVI (d)时间序列统计分析Fig.1 Time variations of NDVI (a), NDWI (b), RVI (c), NDWI-NDVI (d) of different land types in the study area

1.3.2 遥感提取模型

具体流程如图2所示, 详细叙述如下。 水稻因独特的耕种方式, 与其他地物类型相比在移栽期和抽穗期时呈现出明显的光谱特征差异。 水稻移栽期, 秧苗与水体共存, 与旱地等其他地物类型相比, 具有水体背景, 归一化水体指数与归一化植被指数的差异较大, NDWI-NDVI为-0.03; 抽穗期时, 水稻生长茂盛, 覆盖整个地表, 相比与其他地物类型, NDWI-NDVI差异较小, 为-0.76(如图1所示)。 基于不同地表的NDWI-NDVI划分界限, 将移栽期NDWI-NDVI> -0.14且抽穗期NDWI-NDVI< -0.4的栅格确定为水稻, 生成水稻空间范围的粗略反演图。

图2 水稻种植空间分布遥感反演流程Fig.2 The flow chart of remote sensing extraction of paddy rice distribution

鉴于水稻与其他地物在移栽期与抽穗期归一化水体指数与归一化植被指数的差异基本一致, 需掩膜其他地类。 研究期间, 建筑用地的比值植被指数小于2, 水体的归一化水体指数均大于0, 而其他地物类型的归一化水体指数均小于0, 且在其生育盛期植被覆盖较高, 即RVI> 2(图1)。 因此, 对5月— 10月内比值植被指数RVI最大值小于2且5景影像中至少有4景NDWI> 0的栅格剔除。 林地、 草地等地物在5月23日数据中具有绿色植被光谱特点, 对NDVI5.23> 0.2的栅格剔除。 6月7日数据中天然湿地具有低覆盖特征, 对NDWI6.07< -0.2或NDVI6.07> 0.2的栅格确定为天然湿地并剔除。 与旱地作物相比, 水稻生育初期水体特征明显, 对NDWI5.23< -0.1的栅格进行剔除。 在上述粗略反演结果基础上对建筑用地、 水体、 自然植被、 天然湿地和旱地等地物类型进行剔除, 得到研究区域水稻种植分布。

1.3.3 精度验证

采用实地调查数据与目视解译数据对上述提取的水稻种植分布进行精度验证。 野外地面考察于2020年9月在研究区域东部、 北部与南部开展, 共获取36个水稻种植样本点。 利用水稻野外地面考察样本点计算总体精度对研究区域水稻反演结果进行评价。 考虑到水稻野外地面考察样本点在研究区内分布不均, 无法对整体分类精度进行评价, 结合高分六号卫星 WFV影像选取了250个目视解译验证点, 包括150个水稻样本点和100个其他地物类型样本点。 基于这些样本点数据建立混淆矩阵, 计算总体精度、 Kappa系数、 制图精度和用户精度, 对研究区域水稻种植空间分布反演精度进行评价。

2 结果与讨论

利用上述建立的研究区域水稻种植空间分布遥感反演算法(图2), 利用FY-3 MERSI时序影像反演得到研究区域2019年水稻种植分布图(图3)。 进一步计算表明, 研究区域2019年水稻种植面积为116 618.75 hm2, 大洼区种植面积为69 637.5 hm2, 盘山县种植面积为40 250 hm2, 双台子区种植面积为2 587.5 hm2, 兴隆台区种植面积为4 143.75 hm2。

图3 研究区域水稻种植空间分布与野外调查验证分类错误样本点Fig.3 Paddy rice planting distribution in 2019 and misclassified survey sites in the study area

在野外地面考察水稻验证样本点中, 27个正确, 9个错误(图3), 总体精度为75%。 相对于高分辨率遥感影像, 此分类精度相对较低, 但对于粗空间分辨率的风云卫星遥感影像而言是可以接受的。 对分类错误的野外地面考察验证样本点叠加高分六号卫星6 WFV影像, 基于野外考察资料表明, 较粗的空间分辨率导致混合像元。 其中, 7个分类错误验证点(A、 B、 C、 D、 F、 G、 H)的水稻种植地块面积较小, 这些地块与建筑用地相邻, 进而导致建筑用地与水稻的混合像元; 1个分类错误验证点(E)的水稻种植地块与水体相距很近, 混合像元导致水稻未能正确提取; 1个分类错误的验证点(I)与其他农作物相混杂, 产生混合像元。

基于250个遥感解译验证点分析表明, 目视遥感解译样本点中120个样本点反演正确, 其他地物类型目视解译样本点中82个反演正确, 总体精度为80.80%, Kappa为0.61(表2)。 较低的反演精度主要归因于, 风云卫星数据较粗的空间分辨率导致的非纯像元。 制图精度为80.00%, 用户精度为86.96%, 水稻栅格划分为其他地物类型使得用户精度高于制图精度。

表2 研究区域水稻种植分布提取精度分析 Table 2 Accuracy analysis of paddy rice planting distribution in the study area
3 结论

风云卫星遥感资料在研究陆表参数、 自然灾害、 生态环境、 气候变化等领域已有一些研究工作。 基于风云卫星遥感资料反演水稻种植空间分布的工作较少。 陈兴鹃等[12]基于FY-3C MERSI数据, 对典型地物不同波段反射率及归一化植被指数进行分析比较后, 建立决策树模型提取江西省水稻信息。 祝必琴等[13]基于FY-3B MERSI数据, 通过目视解译和监督分类法提取了环鄱阳湖区双季早稻空间分布信息。 与南方水稻相比, 东北水稻种植栽插时间不同、 栽种模式不同, 地表覆盖类型也有很大差异。 为进一步分析风云遥感卫星的数据潜力, 基于覆盖水稻不同生育期的FY-3 MERSI遥感数据, 在对植被指数进行时序分析基础上获取水稻与其他地类的区别, 发展水稻空间分布卫星反演算法, 得到研究区域水稻空间范围及面积信息。

提取得到的研究区域水稻种植面积为116 618.75 hm2, 地方统计年鉴发布的研究区域水稻种植数据为106 563 hm2, 表明研究得到的结果是可靠的。 整体而言, 盘锦市水稻种植范围较广, 集中于大洼区和盘山县, 其他两个区域种植范围不大。 需说明的是, 研究中用到的水稻实地验证点(36个)是在2020年获取的, 而卫星数据是2019年的。 为避免年份时间差异的影响, 采用2019年高分六号卫星遥感数据对水稻实地验证点进行了目视检查, 结果表明这些验证点是真实可靠的。

与高分辨率遥感数据[11]相比, 虽然得到的提取精度较低, 但可以达到现实需求。 精度较低的原因, 主要在于FY-3 MERSI像元分辨率较粗导致大量不同地物类型的混合像元, 从而导致错分与漏分。 本研究可为风云系列卫星数据的推广应用提供科学依据, 为区域农作物面积遥感监测提供技术支持, 为区域粮食安全政策制定提供参考价值。

参考文献
[1] ZHANG Shi-ya, LÜ Xiao-min, ZHOU Guang-sheng, et al(张世雅, 吕晓敏, 周广胜, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(9): 2924. [本文引用:1]
[2] LIU Wen-jie, ZENG Yong-nian, ZHANG Meng(柳文杰, 曾永年, 张猛). Journal of Remote Sensing(遥感学报), 2018, 22(3): 381. [本文引用:1]
[3] LIANG Ji, ZHENG Zhen-wei, XIA Shi-ting, et al(梁继, 郑镇炜, 夏诗婷, 等). Journal of Remote Sensing (Chinese)(遥感学报), 2020, 24(10): 1168. [本文引用:1]
[4] DENG Gang, TANG Zhi-guang, LI Chao-kui, et al(邓刚, 唐志光, 李朝奎, 等). Remote Sensing for Land and Resources(国土资源遥感), 2020, 32(2): 177. [本文引用:1]
[5] Yin Qi, Liu Maolin, Cheng Junyi, et al. Remote Sensing, 2019, 11(14): 1699. [本文引用:1]
[6] Cao Jingjing, Cai Xueliang, Tan Junwei, et al. International Journal of Remote Sensing, 2021, 42(4): 1556. [本文引用:1]
[7] Shi Jingjing, Huang Jingfeng. Remote Sensing, 2015, 7(7): 8883. [本文引用:1]
[8] FENG Rui, YU Wen-ying, JI Rui-peng, et al(冯锐, 于文颖, 纪瑞鹏, 等). Science of Surveying and Mapping(测绘科学), 2017, 42(7): 147. [本文引用:1]
[9] ZHENG Wei, CHEN Jie, YAN Hua, et al(郑伟, 陈洁, 闫华, 等). Journal of Remote Sensing (Chinese)(遥感学报), 2020, 24(5): 521. [本文引用:1]
[10] CHEN Peng, WANG Yong, ZHANG Qing, et al(陈鹏, 王勇, 张青, 等). Arid Land Geography(干旱区地理), 2020, 43(2): 434. [本文引用:1]
[11] ZHANG Yue-qi, LI Rong-ping, MU Xi-han, et al(张悦琦, 李荣平, 穆西晗, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(17): 189. [本文引用:2]
[12] CHEN Xing-juan, HUANG Shu-e, ZHU Bi-qin, et al(陈兴鹃, 黄淑娥, 祝必琴, 等). Acta Agriculturae Jiangxi(江西农业学报), 2016, 28(2): 85. [本文引用:1]
[13] ZHU Bi-qin, HUANG Shu-e, CHEN Xing-juan, et al(祝必琴, 黄淑娥, 陈兴鹃, 等). Acta Agriculturae Universitatis Jiangxiensis(江西农业大学学报), 2014, 36(5): 1009. [本文引用:1]