基于融合MODIS與Landsat數(shù)據(jù)的洞庭湖區(qū)水稻面積提取(共16頁)

1、收稿日期：2015-04-18 修訂日期：2015-06-18基金項目：國家自然科學(xué)基金項目(41171326，41201386，41201383)作者簡介：張猛，男，湖南岳陽人，博士，研究方向為遙感技術(shù)應(yīng)用。長沙 中南大學(xué)地球科學(xué)與信息物理學(xué)院，410083。E-mail:251zhangmeng通訊作者：曾永年，男，青海西寧人，教授，研究方向為遙感與地理信息系統(tǒng)及其環(huán)境變化研究。E-mail：ynzeng基于(jy)多時(dush)相Landsat數(shù)據(jù)(shj)融合的洞庭湖區(qū)水稻面積提取張猛1,2,曾永年1,2（1.中南大學(xué)地球科學(xué)與信息物理學(xué)院，長沙410083；2.中南大學(xué)空間信息技術(shù)

2、與可持續(xù)發(fā)展研究中心，長沙410083）摘要：洞庭湖區(qū)作為中國重要的商品糧基地，水稻種植面積的變化對國家糧食安全有重要的影響，準(zhǔn)確獲取水稻面積及其變化顯的十分重要。為解決數(shù)據(jù)缺失問題,該文利用STARFM（Spatial And Temporal Adaptive Reflectance Fusion Model）模型融合高時間分辨率的MODIS數(shù)據(jù)與中等空間分辨率的Landsat數(shù)據(jù),得到時序Landsat NDVI數(shù)據(jù)。經(jīng)S-G函數(shù)平滑處理，參考作物物候特征及可分離性分析（J-M距離）得到最佳時期的Landsat NDVI組合，結(jié)合Landsat8 OLI影像對水稻種植面積進行提取。結(jié)果顯

3、示，該方法能夠有效的提取水稻種植面積，總體分類精度94.52%，Kappa系數(shù)為0.9128。水稻分布幾乎覆蓋整個研究區(qū)，水稻種植總面積達7.88105hm2。雙季稻種植面積為7.75105hm2，主要集中于湖區(qū)北部及西北部，且分布較連續(xù)。一季稻種植面積為1.3104hm2，分布相對零散，有小范圍集中于湖區(qū)中部及西北部。關(guān)鍵詞：洞庭湖區(qū)；水稻；MODIS；Landsat；數(shù)據(jù)融合中國分類號：TP79；S127；F301.24 文獻標(biāo)識碼：A0 引言 HYPERLINK /wiki/%E6%B4%9E%E5%BA%AD%E6%B9%96%E5%B9%B3%E5%8E%9F o 洞庭湖平原 洞庭湖

4、區(qū)作為中國的商品糧基地和湖南農(nóng)業(yè)主產(chǎn)區(qū)，以種植 HYPERLINK /wiki/%E7%B2%AE%E9%A3%9F o 糧食 糧食、 HYPERLINK /wiki/%E6%A3%89%E8%8A%B1 o 棉花 棉花為主，分別占到全省的50.3%和89.3%1-2。農(nóng)作物面積的變化不僅關(guān)系著國家的糧食安全，也影響區(qū)域環(huán)境和氣候變化，以及社會經(jīng)濟發(fā)展的決策。隨著洞庭湖區(qū)城市化速度的加快，耕地非農(nóng)化現(xiàn)象突出，同時人口增長對糧食的需求量不斷增大。因此，洞庭湖區(qū)農(nóng)作物種植面積，尤其是水稻種植面積及其變化信息尤為重要。衛(wèi)星遙感技術(shù)已被廣泛應(yīng)用于農(nóng)作物分析3-6，MODIS數(shù)據(jù)由于其較高的時間分辨率，

5、基于時間序列的MODIS數(shù)據(jù)的作物種植面積提取已開展了較多的研究。Vintrou等利用時間序列的MODIS13Q1數(shù)據(jù)，采用景觀分層的方法對非洲馬里南部的農(nóng)業(yè)用地進行分類，得到了與基礎(chǔ)數(shù)據(jù)相類似的分類結(jié)果7。Brown等利用時序MODIS植被指數(shù)對巴西Mato Grosso地區(qū)多年的農(nóng)用地分類8。然而，由于受空間分辨率、混合像元的影響，MODIS數(shù)據(jù)不能滿足區(qū)域農(nóng)作物分類以及精細提取的要求。Landsat 數(shù)據(jù)由于其較高的空間分辨率在區(qū)域土地利用/覆蓋、農(nóng)作物信息提取中得到應(yīng)用。Matejicek等利用Landsat數(shù)據(jù)對捷克西北部農(nóng)用地的變化進行了研究9。Vittek等利用 Landsat

6、MSS/TM數(shù)據(jù)對非洲西部土地利用變化進行了監(jiān)測10。但Landsat回訪周期（16d）較長，加之陰雨天氣的影響，難以獲得時間序列的Landsat數(shù)據(jù)。因此，基于物候特征Landsat數(shù)據(jù)的大面積農(nóng)作物種植區(qū)信息提取受到數(shù)據(jù)的極大限制。遙感技術(shù)及數(shù)據(jù)時空(sh kn)融合技術(shù)的發(fā)展，為獲得時間序列Landsat數(shù)據(jù)提供有效(yuxio)的技術(shù)途徑。Gao等針對(zhndu)Landsat 與MODIS數(shù)據(jù)的時空融合問題，提出了STARFM(Spatial And Temporal Adaptive Reflectance Fusion Model)模型，試驗驗證了模型的有效性11。Zhu等針對

7、STARFM模型的不足，改進并提出ESTARFM(Enhanced Spatial And Temporal Adaptive Reflectance Fusion Model )模型12。鄔明權(quán)等提出了基于混合像元分解的方法STDFM(Spatial And Temporal Data Fusion Model)用來融合MODIS與TM數(shù)據(jù)13。Zhang等針對STDFM算法進行改進，提出了ESTDFM(Enhanced Spatial And Temporal Data Fusion Model)模型14。對于上述幾種模型在NDVI數(shù)據(jù)融合的效果方面，石月嬋等以甘肅張掖市為例進行了對比分析

8、，研究結(jié)果表明上述幾種模型在NDVI數(shù)據(jù)融合效果方面基本相當(dāng)15。在數(shù)據(jù)數(shù)量要求方面STARFM模型具有一定的優(yōu)勢，除STARFM模型外，其他幾種算法都需要在模型中輸入2期Landsat數(shù)據(jù)。STARFM模型提出后得到了較為廣泛的應(yīng)用，Hilker等利用STARFM模型融合得到時間序列的Landsat數(shù)據(jù)，融合Landsat數(shù)據(jù)的NDVI值也能夠很好地反映研究區(qū)作物的物候特征16。Walker等利用STARFM模型對Landsat數(shù)據(jù)和MODIS數(shù)據(jù)進行融合，以此分析了干旱地區(qū)森林的物候特征17。Jia等利用STARFM模型融合的時序Landsat NDVI數(shù)據(jù)，對北京市土地覆蓋進行分類制圖研

9、究18。然而，基于融合MODIS與Landsat數(shù)據(jù)的水稻種植面積提取研究不多19，本文利用STARFM模型融合MODIS與Landsat數(shù)據(jù)對水稻種植面積進行提取具有一定意義。洞庭湖區(qū)屬于亞熱帶季風(fēng)氣候，云雨天氣較多，難以獲取水稻生長期的時間序列Landsat數(shù)據(jù)。遙感數(shù)據(jù)時空融合技術(shù)為解決水稻生長期Landsat數(shù)據(jù)缺失問題提供了有效的技術(shù)途徑。為此，本文利用STARFM模型，融合不同類型數(shù)據(jù)，對研究區(qū)水稻種植面積進行提取。1研究區(qū)及數(shù)據(jù)1.1研究區(qū)概況洞庭湖區(qū)位于長江中游荊江段南岸，跨湘、鄂兩省，介于2830-2931N，11140-11310E之間。湖區(qū)大部分海拔低于50m，屬亞熱帶季

10、風(fēng)氣候，年平均氣溫為15.817.4，年降水量在12001500mm。本文選擇的研究范圍為環(huán)繞洞庭湖水域的丘陵和沖擊平原地區(qū)，位于湖南省行政區(qū)內(nèi)的洞庭湖區(qū)，地處湖南省東北部（如圖1所示）。研究范圍涉及岳陽、常德、益陽3個市21個縣（市、區(qū)），土地面積為4.56104平方公里，占湖南省總面積的12.2%。洞庭湖區(qū)是長江流域重要的商品糧基地，主要糧食作物為水稻（雙季稻、一季稻），同期主要農(nóng)作物為棉花。圖1 研究(ynji)區(qū)范圍Fig.1 Study area1.2 數(shù)據(jù)(shj)與處理 本文所需遙感影像(yn xin)數(shù)據(jù)Landsat8 OLI與MODIS 13Q1均下載于USGS。研究區(qū)橫跨

11、四幅Landsat8影像，編號分別為123/39、123/40、124/39、124/40；所需MODIS數(shù)據(jù)跨h27v05 、h27v06兩幅影像（如表1）。表1 遙感數(shù)據(jù)類型及獲取日期Table 1 Remote sensing data types and acquisition data數(shù)據(jù)類型Data types Landsat8 OLIMODIS13 Q1行列號and number of Row/ line123/39123/40124/39124/40h27v05h27v06獲取日期Acquisition date2013-05-122013-05-122013-08-72013

12、-08-7全年共23期A total of 23 scenes of a year全年共23期A total of 23 scenes ofa year2013-06-132013-06-132013-10-102013-10-102013-07-312013-07-312013-09-172013-09-17 下載的Landsat8 OLI數(shù)據(jù)分辨率為30m，質(zhì)量較好，云覆蓋均小于5%。利用ENVI5.0圖像處理軟件的FLAASH模塊進行了輻射定標(biāo)與大氣校正，以1：50000的地形圖為參考，采用二次多項式方法進行了圖像幾何校正。將123/39與123/40、124/39與124/40分別進行

13、影像鑲嵌，得到123行4期、124行2期遙感影像，之后進行NDVI計算，并將NDVI值的取值范圍設(shè)置為010000。 MODIS NDVI產(chǎn)品數(shù)據(jù)MOD13Q1獲取時間范圍為2013-1-12013-12-19，共23期，分辨率為250m。首先將MOD13Q1產(chǎn)品數(shù)據(jù)坐標(biāo)系轉(zhuǎn)換為高斯克呂格投影，與進行幾何校正后的Landsa8 OLI一致，并將Landsat8 OLI與MODIS13Q1進行配準(zhǔn)。之后進行去無效值處理，并重采樣使其空間分辨率與和Landsat8數(shù)據(jù)相一致（30m）。以123行、124行Landsat8數(shù)據(jù)形成掩膜，分別對MODIS13Q1數(shù)據(jù)進行裁剪。 地面驗證數(shù)據(jù)(shj)包

14、括2013年研究(ynji)區(qū)實地考察采樣(ci yn)數(shù)據(jù)、2013年湖南省土地利用現(xiàn)狀圖及谷歌地球數(shù)據(jù)，驗證樣本像元數(shù)7597個，驗證樣本像元涵蓋該研究所需的所有覆被類型，且較均勻分布于整個研究區(qū)。2研究方法2.1 Landsat與MODIS數(shù)據(jù)時空融合Landsat與MODIS數(shù)據(jù)的融合采用時空自適應(yīng)反射率融合模型（STARFM），該模型基于t0時刻Landsat、MODIS數(shù)據(jù)，t1時刻的MODIS數(shù)據(jù)，結(jié)合不同的空間權(quán)重融合計算出t1時刻的Landsat數(shù)據(jù)11,17，STARFM模型的表達式如下： （1）式中：L和M分別表示Landsat與MODIS像元反射率；W權(quán)重函數(shù)，權(quán)重函數(shù)

15、決定了滑動窗口內(nèi)各像元對預(yù)測值的貢獻大小，利用光譜距離、時間距離與空間距離來確定函數(shù)權(quán)重；（xi , yj , t0）表示t0時刻位置為（xi , yj）處的像元；（xi, yj ,t1）表示t1時刻位置為（xi , yj）處的像元；(xw/2 ,yw/2 ,t1)表示t1時刻移動窗口的中心像元。 本文利用時空自適應(yīng)反射率融合模型（STARFM），由t0時刻的Landsat NDVI、MODIS NDVI數(shù)據(jù)，以及16d間隔時間序列的MODIS NDVI數(shù)據(jù)，通過式（1）融合得出16d間隔時序的Landsat NDVI數(shù)據(jù)。 由于受天氣及衛(wèi)星回訪周期的影響，只能得到123行4期、124行2期L

16、andsat8數(shù)據(jù)。利用STARFM模型進行影像融合時所需Landsat影像只需一期，且進行數(shù)據(jù)融合時盡量選擇與目標(biāo)日期相近的Landsat NDVI數(shù)據(jù)來預(yù)測目標(biāo)日期的Landsat NDVI數(shù)據(jù)，以此來提高融合目標(biāo)日期Landsat NDVI數(shù)據(jù)的效果。將融合預(yù)測的123行與124行的Landsat NDVI數(shù)據(jù)進行鑲嵌，并用研究區(qū)矢量范圍圖裁剪得到23期16d間隔時序的研究區(qū)Landsat NDVI影像數(shù)據(jù)。2.2 NDVI重構(gòu)為消除由云污染和大氣變化引起的低值突變噪聲對時序Landsat NDVI數(shù)據(jù)的影響，本文采用以Savitzky-Golay濾波法（S-G）、非對稱高斯函數(shù)擬合法(

17、AG, Asymmetric Gaussian function fitting method)及雙Logistic曲線擬合法(D-L, Double Logistic function fitting method )為內(nèi)核17-18的Timesat軟件包來對時間序列NDVI數(shù)據(jù)進行重構(gòu)，并對3種曲線重構(gòu)方法保持原始NDVI時間序列曲線整體特征及處理未受噪聲污染點真實值的水平（保真性特征）進行比較，相關(guān)系數(shù)r表示2個樣本組數(shù)間的相關(guān)程度，可以反映擬合后的NDVI時間序列曲線的保真性。并且利用回歸估計標(biāo)準(zhǔn)差來描述重建后的NDVI時間序列與原始值之間的平均差異程度，其值越小，擬合值的代表性越強。

18、Savitzky-Golay濾波方法首先根據(jù)云狀態(tài)（像元可信度）對NDVI數(shù)列進行線性插值，然后利用S-G 濾波器得到插值后曲線的模擬長趨勢線，再根據(jù)上包絡(luò)線得到新的NDVI曲線，將上述過程進行數(shù)次迭代并設(shè)置擬合影響系數(shù)作為迭代退出條件，最終得到較為平滑又能反映NDVI數(shù)值變化趨勢的時間序列曲線。其濾波過程可用公式（2）表示： （2）式中：Y是指NDVI原始(yunsh)值；是NDVI擬合(n h)值；j是原始(yunsh)NDVI數(shù)組的系數(shù)；是第i個NDVI值的卷積系數(shù)；N是滑動數(shù)組寬度（2m+1）；m是待擬合點左右兩端各需的點數(shù)20。非對稱高斯函數(shù)擬合法是一種從局部擬合到整體擬合的方法，使

19、用分段高斯函數(shù)來模擬植被生長過程，最終通過平滑連接各高斯擬合曲線時間序列重構(gòu)21。其中局部擬合公式為：（3）其中， （4）式中：t表示t時刻的NDVI值；和為控制曲線的基準(zhǔn)和幅度；決定峰值和谷值的位置；、為控制曲線左、右半部分的寬度和陡峭度。 整體擬合函數(shù)為： （5）式中：是NDVI的變化區(qū)間，、分別表示區(qū)間內(nèi)左邊谷值、中間峰值及右邊谷值所對應(yīng)的局部函數(shù)；、為位于之間的剪切系數(shù)。雙Logistic曲線擬合法是一種半局部擬合方法，其局部擬合方式與非對稱高斯擬合方法類似（如式（2）。采用雙Logistic函數(shù)（如式（6），基于整體擬合函數(shù)（式（4）將各局部擬合函數(shù)的特征加以綜合，重建新的NDVI時

20、間序列曲線22-24。 （6）2.3 可分離性分析及最佳Landsat NDVI組合選擇 J-M距離是基于特征計算不同類別樣本間的距離，用來衡量類別間分離度的有效工具。相對于歐式距離、巴氏距離等地表特征可分性判定方法，J-M距離更優(yōu)25?；谀骋惶卣鞯?類樣本的J-M距離計算公式如下： （7） 式中：B表示(biosh)在某一特征維上的巴氏距離。在樣本對象滿足正態(tài)分布的前提下，不同2類別間樣本對象(duxing)的巴氏距離（Bhattacharyya distance, B）為： （8）式中，表示某類特征(tzhng)的均值；表示某類特征的方差，其中（k=1，2）。 表2 選擇計算J-M距離的

21、Landsat NDVI數(shù)據(jù) Table2 Landat NDVI data for J-M distance calculationNDVI數(shù)據(jù)序號Number of NDVI data NDVI數(shù)據(jù)日期 Date of NDVI data一年中的天數(shù)Day of year(DOY)12013-04-23113 22013-05-9129 32013-05-25145 42013-06-10161 52013-06-26177 62013-07-12193 72013-07-28209 82013-08-13225 92013-08-29241 102013-09-14257 112013-

22、09-30273 122013-10-16289 132013-11-1305 J值在02之間，其大小代表樣本間可分離程度。當(dāng)J=2時，表明2類在所選分類特征下完全分離；當(dāng)J值較小時，表明分離性較差且會有較大數(shù)量的錯分對象26-28。本文結(jié)合Google earth、湖南省土地利用現(xiàn)狀圖及部分實地調(diào)查數(shù)據(jù)，對林地、雙季稻、一季稻、棉花等植被覆蓋的J-M距離進行計算，選擇最佳的Landsat NDVI日期組合。結(jié)合研究區(qū)水稻生長期，確定用于J-M距離計算的Landsat NDVI數(shù)據(jù)及日期（表2）。2.4基于時空特征的遙感分類與精度評價支持向量機（SVM）可以自動尋找對分類有較大區(qū)分能力的支持向

23、量，構(gòu)造出類與類之間的間隔最大化的分類器，具有較高的分類準(zhǔn)確率，因而在遙感分類中得到應(yīng)用。本文基于融合的時間序列Landsat NDVI影像，采用支持向量機（SVM）遙感影像分類方法，進行水稻種植區(qū)域信息的提取。根據(jù)研究區(qū)具體情況，將研究區(qū)土地利用/覆蓋劃分為水體、雙季稻、一季稻、棉花、林地和其他類共6類。結(jié)合Google earth、湖南省土地利用現(xiàn)狀圖及部分實地考察數(shù)據(jù)，在研究區(qū)內(nèi)隨機選取訓(xùn)練樣本并利用支持向量機(SVM)進行分類（如表3）。利用上文中地面驗證數(shù)據(jù)生成驗證感興趣區(qū)并結(jié)合分類后數(shù)據(jù)生成混淆矩陣，采用總體精度（overall accuracy）、生產(chǎn)者精度（producer a

24、ccuracy）、用戶精度（user accuracy）以及Kappa系數(shù)進行定量評價。表3不同土地利用/覆蓋類型訓(xùn)練樣本和驗證樣本感興趣區(qū)（ROI）及像元個數(shù)Table3 Number of ROIs and pixels of different land use/ cover types for training and validating ROI和像元個數(shù)Number of ROI and pixels水體Water雙季稻Double cropping rice一季稻Single season rice棉花Cotton林地Forest其他類Others訓(xùn)練樣本Training sam

25、plesROI個數(shù)Number of ROIs196102748321285像元個數(shù)Number of pixels325645852168374940533821驗證樣本Validation samplesROI個數(shù)Number of ROIs485238516543像元個數(shù)Number of pixels10481204850142619879673結(jié)果(ji gu)與分析3.1遙感數(shù)據(jù)時空(sh kn)融合結(jié)果利用(lyng)公式（1）融合預(yù)測出整個研究區(qū)23期Landsat NDVI數(shù)據(jù)，由于圖像數(shù)量較多，本文只展示了研究區(qū)水稻生長關(guān)鍵期的融合Landsat NDVI數(shù)據(jù)，如圖2，日期

26、分別為2013-05-25（第145天）、2013-07-12（第193天）、2013-07-28（第209天）、2013-08-29（第241天）、2013-09-14（第257天）、2013-10-16（第289天）。 a 第145天，雙季早稻抽穗 b 第193天，雙季早稻收割 c第209天，一季稻分蘗、抽穗aDOY145, Double cropping rice bDOY193, Double cropping rice cDOY209, Single season rice (early) was heading (early) was harvest was tillering a

27、nd heading d 第241天，雙季晚稻抽穗 e第257天，一季稻收割 f第289天，雙季晚稻收割 dDOY241, Double cropping rice eDOY257, Single season rice fDOY289, Double cropping rice (late) was heading was harvest (late) was harvest圖2 研究區(qū)水稻生長關(guān)鍵期的部分融合Landsat NDVI數(shù)據(jù)Fig.2 Some of fusing Landsat NDVI data during critical stage of rice of study

28、area3.2融合時序Landsat NDVI濾波結(jié)果通過三種NDVI時間序列曲線重構(gòu)方法及其保真性特征（相關(guān)系數(shù)）比較，得出S-G濾波法的整體保真性較好。除雙季稻外，其他3種植被類型時序NDVI經(jīng)S-G濾波法重構(gòu)后的保真性較其他兩種算法要好（如圖3a）。以局部擬合為主的S-G濾波有較強的細節(jié)擬合能力，而AG與D-L擬合方法以曲線上包絡(luò)線吻合為主要特征，在去噪的同時也會導(dǎo)致重建的NDVI偏離真實值。與此同時，對各類型植被用不同方法重建的效果分析發(fā)現(xiàn)，除林地類型S-G濾波方法的重建前后差異程度（回歸估計標(biāo)準(zhǔn)差）相對較小，即用該方法所得的擬合值整體代表性較好（3b）。因此本文將選用經(jīng)過S-G濾波后

29、的時間序列NDVI數(shù)據(jù)進行后續(xù)研究。a 三種算法(sun f)下不同覆被類型NDVI重構(gòu)后原始(yunsh)值與擬合值的相關(guān)系數(shù)aCorrelation coefficient between original NDVI value and fitting value reconstructed by three algorithms for different land cover typesb三種算法(sun f)下不同覆被類型NDVI重構(gòu)后原始值與擬合值的回歸估計標(biāo)準(zhǔn)差b. Root mean square error between original NDVI value and fi

30、tting value reconstructed by three algorithms for different land cover types圖3 三種算法下不同覆被類型NDVI重構(gòu)保真性比較Fig.3 Comparison of the ability on keeping the main characters after NDVI reconstruction by three algorithms for different land cover types擬合后的雙季稻NDVI值呈現(xiàn)明顯的“雙峰”型，如圖4。在5月下旬（第145天）出現(xiàn)第1個峰值（0.69），此時早稻正處于

31、抽穗階段，故其NDVI值較高。到7月上旬（第193天）出現(xiàn)谷值，因此時為早稻收割期，NDVI值會有所減小。8月下旬（第241天）左右出現(xiàn)了第2個峰值（0.73），這段時期由于晚稻處于孕穗、抽穗狀態(tài)，NDVI值相對較高。10月上旬（第289天）晚稻相繼收割，故NDVI出現(xiàn)第2個谷值。后期NDVI值有上升趨勢主要是由田間雜草或綠色肥料（滿江紅等），油菜的栽種等所導(dǎo)致的。棉花(min hua)的NDVI 值呈“單峰”型。6月下旬(xixn)到7月上旬(shngxn)（第177-193天）棉花處于蕾期，NDVI值達到最大值（0.73）。11月中旬之后，棉花相繼落葉，故其NDVI值不斷減小。7月下旬至8

32、月上旬（第193-209天）一季稻處于分蘗、孕穗期，NDVI值達到最大值0.72。到8月下旬至9月上旬（第241-257天），一季稻收獲，NDVI值較低。之后雜草等會導(dǎo)致NDVI值小幅度升高。由于研究區(qū)大都為常綠闊葉林，故林地的NDVI值表現(xiàn)最為平穩(wěn)，除了2月至3月上旬由于氣候影像，其NDVI值會稍有降低，林地NDVI值全年基本維持在0.8左右。4種難以辨別覆被類型的NDVI值會隨著時間發(fā)生不同的變化，這種NDVI的變化將有助于區(qū)分這四種覆被類型。例如，5月下旬、7月上旬、9月上旬可以將早稻與一季稻進行區(qū)分，11月上旬可以區(qū)分棉花和水稻、棉花等。 圖4 Landsat NDVI 擬合結(jié)果Fig

33、.4 Fitting result of Landsat NDVI data3.3 J-M距離及最佳Landsat NDVI組合考慮到早稻移栽日期大概在四月中旬，以及晚稻收割大致在10月上旬，選擇進行J-M距離計算的Landsat NDVI的日期為2013年4月23日2013年11月1日（第113305天），共13期。根據(jù)公式（7）和（8），并結(jié)合濾波后的Landsat NDVI，按不同組合計算J-M距離。進行J-M距離計算時，通過選取不同的地面驗證數(shù)據(jù)進行對比分析，得到各植被類型間最佳的J-M距離（如表4）。表4 不同Landsat NDVI數(shù)據(jù)組合下四種覆被類型間的J-M距離Table4

34、J-M distance among four different land cover types on different combination of Landsat NDVI data Landsat NDVI數(shù)據(jù)組合序號Scene combination number of Landsat NDVIJ-M值J- M distance林地-雙季稻Forest and Double cropping rice林地-一季稻Forest and Single season rice林地-棉花Forest and cotton雙季稻-一季稻Double cropping rice and Si

35、ngle season rice雙季稻-棉花Double cropping rice and cotton一季稻-棉花Single season rice and cotton3 61.9821.9791.9561.8431.8781.8213 6 91.9921.9871.9811.9261.9461.8943 6 9 112.0002.0001.9921.9651.9871.9473 6 9 11 132.0002.0002.0001.9851.9921.9881 3 6 9 11 132.0002.0002.0001.9861.9831.9881 3 4 6 9 11 132.0002.

36、0002.0001.9861.9831.9881 3 4 6 7 9 11 132.0002.0002.0001.9861.9831.9881 3 4 5 6 7 9 11 132.0002.0002.0001.9861.9831.9881 3 4 5 6 7 8 9 11 132.0002.0002.0001.9861.9831.988根據(jù)(gnj)J-M距離計算結(jié)果分析(fnx)，不同時間序列Landsat NDVI組合的地物可分程度(chngd)存在一定的差異，但3組以上的Landsat NDV時序數(shù)據(jù)組合對不同地物可分性的差異并不十分顯著（增幅小于0.02），再結(jié)合不同作物的物候歷分析

37、結(jié)果，綜合考慮后，選擇序號為3、6、9、11、13的Landsat NDVI數(shù)據(jù)組合作為研究區(qū)遙感分類的最佳時序數(shù)據(jù)組合。3.4 遙感分類結(jié)果與精度評價基于融合的時間序列Landsat NDVI影像，對研究區(qū)進行分類和精度評價。分類結(jié)果如圖5，雙季稻面積為7.75105hm2,一季稻面積為1.3104hm2。據(jù)湖南省2013年統(tǒng)計年鑒對分類結(jié)果進行定性分析，年鑒記錄研究區(qū)雙季稻種植面積為8.32105hm2，分類結(jié)果與統(tǒng)計年鑒的誤差為6.85%。一季稻種植面積為0.15105hm2，分類結(jié)果與統(tǒng)計年鑒的誤差為11.84%，精度較雙季稻要低，主要是因為近年來國家為增加糧食產(chǎn)量，擴大雙季稻種植面積

38、同時減少一季稻種植面積。因此造成一季稻面積較小且分布較為分散，容易與其他作物形成混合像元。 圖5 研究區(qū)水稻面積提取結(jié)果 Fig.5 Paddy area extraction of study area通過分類的混淆矩陣對分類結(jié)果進行定量分析（如表5），總體分類精度94.52%，Kappa系數(shù)為0.9128，分類精度較好。同時也可以看出一季稻的用戶精度（UA）與制圖精度（PA）較其他類型都要低。（這個表示的是像元個數(shù)，沒有單位）表5 研究區(qū)不同(b tn)土地利用/覆蓋類型分類精度(jn d)評價結(jié)果(ji gu)Table 4 Evaluation of classification pr

39、ecision for different land use/cover types of study area水 體Water雙季稻Double cropping rice一季稻Single season rice棉 花Cotton林地Forest其他類Others制圖精度（%）Producer accuracy (%)水 體Water325600001299.63雙季稻Double cropping rice04585104124351394.32一季稻Single season rice010921685743990.86棉 花Cotton0761573749102691.66林 地Fo

40、rest0452317840532193.82其他類Others5200014382198.30用戶精度（%）User accuracy（%）98.4395.2288.4291.2695.4398.43 總體分類精度 94.52% Kappa系數(shù) 0.9128 Overall accuracy Kappa coefficient3.5 洞庭湖區(qū)水稻種植分布及特征研究區(qū)水稻分布范圍較廣，水稻種植總面積達7.88105hm2，占研究區(qū)總面積的17.27%。雙季稻、一季稻種植面積分別為7.75105和1.3104hm2，分別占研究區(qū)總面積的16.89%與0.29%，水稻種植以雙季稻為主。水稻種植區(qū)主

41、要集中分布于湖區(qū)海拔較低的平原，雙季稻主要分布湖區(qū)北部的華容縣、南縣，及西北部的安鄉(xiāng)縣、津市市、澧縣以及常德市鼎城區(qū)。一季稻有小范圍面積集中分布于湖區(qū)西北部的澧縣和中部的南縣。雙季稻斑塊較大且分布相對連續(xù)，而一季稻斑塊較小且分布較為零散，雙季稻與一季稻交織分布（圖5）。雙季稻種植面積以常德市、華容縣、澧縣居多，分別為79.01103、78.39103、87.90103hm2，臨湘市與湘陰縣則相對較小，分別為29.88103和28.79103hm2（表6）。就占縣（市）比例而言，安鄉(xiāng)縣、津市市、臨澧縣雙季稻種植面積占各縣總面積比例較大，分別占到25.71%、18.47%、19.98%，最小的為臨

42、湘市和岳陽縣，不到10%（9.75%和8.77%）。一季稻種植面積較大的有華容縣、澧縣、南縣，其中澧縣一季稻種植面積最大（3.27103hm2），南縣次之（2.77103hm2），華容縣最?。?.73103hm2）。一季稻種植面積占各縣（市）總面積比例較雙季稻要小，均不到1%，比例最大的為南縣（0.86%），最小的為臨湘市，只有0.2%。表6 研究區(qū)各縣（市）水稻面積及所占比例Table 5 Paddy area and proportion of every county of study area雙季稻（103hm2）Double cropping rice一季稻（103hm2）Singl

43、e season rice雙季稻（%）Double cropping rice一季稻（%）Single season rice安鄉(xiāng)縣An xiang County56.310.8125.710.33常德市Changde City79.011.2412.960.20漢壽縣Hanshou County55.540.3716.620.11華容縣Huarong County78.391.7316.660.35津市市Jinshi City25.180.2018.470.15澧縣Li County87.903.2717.470.66臨澧縣Linli County43.790.8119.980.38臨湘市L

44、inxiang City29.880.059.750.02汨羅市Miluo City45.720.3312.660.09南縣Nan County48.232.7714.950.86湘陰縣Xiangyin County28.790.1210.380.04益陽市Yiyang City46.160.1812.410.05沅江市Yuanjiang City44.800.9913.410.30岳陽市Yueyang City53.330.1914.330.05岳陽縣Yueyang County49.860.388.770.074結(jié)論(jiln)不同作物(zuw)的時序NDVI曲線是不一樣(yyng)的，尤

45、其是在作物關(guān)鍵期的NDVI值。因此根據(jù)時序NDVI可以將水稻與其他作物或植被區(qū)分開來。本文利用時空融合模型STARFM，融合時序MODIS13Q1產(chǎn)品和Landsat8 OLI影像并得到時序Landsat NDVI數(shù)據(jù)，經(jīng)S-G函數(shù)進行濾波平滑處理，參考作物物候特征及可分離性能夠分析（J-M距離）得到區(qū)分水稻與其他覆被類型最佳時期的Landsat NDVI組合，并對洞庭湖區(qū)水稻面積進行提取，試驗結(jié)果表明：1）通過該方法對洞庭湖區(qū)水稻面積進行提取，得到了較高精度的水稻填圖，總體分類精度94.52%，kappa系數(shù)為0.9128，其中一季稻的用戶精度（UA）和制圖精度（PA）較雙季稻要低。2）研究

46、區(qū)水稻水稻種植總面積達7.88105hm2，雙季稻種植面積為7.75105hm2，主要集中于湖區(qū)北部及西北部，且分布較連續(xù)。一季稻種植面積為0.13105hm2，分布相對零散，有小范圍集中于湖區(qū)中部及西北部。中國南方受副熱帶高壓控制，春夏季多云雨，將會造成Landsat數(shù)據(jù)的大量缺失。利用遙感影像對區(qū)域作物進行分類和提取勢必會受到影響，因此利用STARFM模型等數(shù)據(jù)融合技術(shù)是解決數(shù)據(jù)缺失，并進行作物種植面積提取與監(jiān)測的一種有效手段。但利用遙感數(shù)據(jù)時空融合方法對植被面積進行提取時不僅要考慮植被的物候變化，而且還要考慮地物類別的空間信息，尤其是空間異質(zhì)性較強的區(qū)域。洞庭湖區(qū)由于其較好的水熱條件，植

47、被種類豐富多樣，造成了該地區(qū)較強的空間異質(zhì)性并容易形成混合像元，在很大程度上影響了農(nóng)作物面積提取的精度。加之政策和地形條件的復(fù)雜使得一季稻的分布零散，且夾雜分布在各種作物之間，給水稻面積的精細提取帶來一定的困難。因此，加強作物的物候特征研究，并從尺度轉(zhuǎn)化角度解決空間異質(zhì)性問題等是有待進一步研究的問題。參考文獻：1 熊建新, 彭保發(fā), 陳端呂, 等. 洞庭湖區(qū)生態(tài)承載力時空演化(ynhu)特征J. 地理(dl)研究, 2013, 32(11), 2030-2040. Xiong Jianxin, Peng Baofa, Chen Duanlv, et al. Spatial-temporal e

48、volution characteristics of ecological carrying capacity in the DongTing Lake areaJ. Geographical Research, 2013, 32(11), 2030-2040. (in Chinese with English abstract)2 Qi Xiaoxing, Liu Liming, Liu Yanbin et al. Risk assessment for sustainable food security in China according to integrated food secu

49、rity: Taking Dongting Lake area for exampleJ. Environment Monitor Assess, 2013, 185(6), 4855-4867.3 Chang J, Hansen M C, Pittman K, et al. Corn and soybean mapping in the United States using MODIS time-series data setsJ. Agron. J, 2007, 99(6).1654-1664.4 Long J A, Lawrence R L, Greenwood M C, et al.

50、 Object-oriented crop classification using multitemporal ETM+SLC-off imagery and random forestJ. Remote Sensing, 2013, 50(4), 418-436.5 Shao Y, Lunetta R S, Ediriwickrema J, et al. Mapping cropland and major crop types across the Great Lakes Basin using MODIS-NDVI dataJ. Remote Sensing, 2010, 75(1),

51、 73-84.6 Zhong L, Gong P, Biging G S, et al. Efficient corn and soybean mapping with temporal extendability: a multi-year experiment using Landsat imageryJ. Remote Sensing of Environment, 2014, 140(1), 1-13.7 Vintrou E, Desbrosse A, Begue A, et al. Crop area mapping in West Africa using landscape st

52、ratification of MODIS time series and comparison with existing global land productsJ. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1), 83-93.8 Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using time-

53、series MODIS vegetation index dataJ. Remote Sensing of Environment, 2013, 130(1), 98-112.9 Marian V, Andreas B, Francois D et al. HYPERLINK /Detail/SJMD_U/SJMD14082700031788 t _blank Land cover change monitoring using Landsat MSS/TM satellite image data over west Africa between 1975 and 1990J. Remot

54、e Sensing, 2014, 6(1), 658-676.10 Lubos M, Veronika K. HYPERLINK /Detail/SJMD_U/SJMD14082700008111 t _blank Changes in croplands as a result of large scale mining and the associated impact on food security studied using time-series Landsat imagesJ. Remote Sensing, 2010, 2(6), 1463-1480.11 Gao F, Mas

55、ek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance J. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8), 2207-2218.12 Zhu Xiaolin, Chen Jin, Gao Feng, et al. An enhanced spatial and temporal adaptive refl

56、ectance fusion model for complex heterogeneous regionsJ. Remote Sensing of Environment, 2010, 114(11), 2610-2623.13 鄔明權(quán)，王潔，牛錚，等. 融合MODIS與Landsat數(shù)據(jù)生成(shn chn)高時間分辨率Landsat數(shù)據(jù)J. 紅外與毫米波學(xué)報, 2012, 3(1): 80-84.Wu Mingquan, Wang Jie, Niu Zheng, et al. A model for spatial and temporal data fusionJ. J. Infrar

57、ed Millim. Waves, 2012, 3(1): 80-84. (in Chinese with English abstract)14 Zhang Wei, Li Ailong, Jin Hua-an, et al. An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like dataJ. Remote Sensing, 2013, 5(10): 5346-5368.

58、15 石月嬋, 楊貴軍, 李鑫川, 等. 融合多源遙感數(shù)據(jù)生成高時空分辨率數(shù)據(jù)的方法對比J. 紅外與毫米波學(xué)報, 2015, 34(1): 92-99.Shi Yuechan, Yang Guijun, Li Xinchuan, et al. The comparison between the spatial and temporal data fusion models for fusing multi-source remote sensing data to generate high temporal Landsat-like dataJ. J, Infrared Millim, W

59、aves, 2015, 34(1): 92-99. (in Chinese with English abstract)16 Hiker H, Wulder M A, Coops N C, et al. Generation of dense time series synthetic Landsat data through dada blending with MODIS using a spatial and temporal adaptive reflectance fusion modelJ. Remote sensing of Environment, 2009, 113(9),

60、1988-1999.17 Walker J J, Beurs K M, Wynne R H, et al. Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenologyJ. Remote Sensing of Environment, 2012, 117(1), 381-393.18 Jia Kun, Liang Shunlin, Zhang Ning, et al. Land cover classification of finer resolution remot