摘要:【目的】為使用Landsat8OLI遙感影像準確監測四川丘陵地區水稻種植面積。【方法】根據丘谷相對高差分別選定淺丘、深丘水稻樣方各4個，通過地面樣方調查和同生長季GoogleEarth影像解譯獲取的樣方水稻種植面積作為驗證數據，評價基于OLI融合影像的川中丘陵的水稻種植面積監測精度。OLI影像經正射校正后，使用15m全色波段影像和30m多光譜影像融合，得到15m分辨率的融合影像，使用最大似然法進行監督分類，獲取監測結果。【結果】與樣方驗證數據比較，在樣方面積相同的情況下基于OLI影像的水稻種植面積監測結果顯示，淺丘區的平均精度為93．7%，誤差范圍為1．0%～8．7%;深丘區的為92．5%，誤差范圍為1．5%～15．8%。【結論】根據淺丘區、深丘區監測結果的誤差范圍差異，隨著丘谷高差增大，地形趨于復雜、地塊趨于狹長與破碎，OLI影像監測結果的不確定性增加，精度有下降的趨勢。該研究為改進OLI影像監測四川丘陵地區水稻種植面積精度提供參考。

　　關鍵詞:遙感;圖像處理;水稻;種植面積;精度

　　【研究意義】水稻作為世界三大糧食作物之一，在中國有廣泛種植，其面積約為全國糧食播種面積的27%，其產量占總產量的1/3［1］。四川是中國13個糧食主產區之一，水稻種植面積約200萬hm2左右，其中大部分分布于四川盆地丘陵地區。水稻種植面積及變化率是重要的農情信息之一，對國家糧食安全預警、宏觀糧食經濟決策具有重要意義。【前人研究進展】目前，使用遙感影像通過監督分類法提取水稻像元是估算水稻種植面積常用的方法。該方法的精度受影像分辨率、種植連片程度、地物大小造成的混合像元影響，種植結構破碎，混合像元比例高，會導致分類精度下降［2－5］。米級高分辨率的遙感影像能夠準確地估算水稻種植面積，但影像覆蓋面積小。因此目前大區域作物種植面積估算主要以覆蓋面積大，重訪周期短的5～30m中高分辨率遙感影像為主。【本研究切入點】Landsat8衛星于2013年2月11日發射，其采集到的影像免費向全球用戶提供，其搭載的OLI(OperationalLandImager)所獲取的數據在光譜、空間、時間分辨率等性能與早期TM、ETM+等數據有良好的繼承，是目前作物種植面積估算采用的主要遙感數據。四川丘陵區水田普遍存在地塊面積小、兼作等問題，OLI15～30m分辨率影像的解譯精度受到影響，但目前鮮有分析評價丘陵區OLI影像估算水稻面積精度的研究。【擬解決的關鍵問題】因此該研究收集2016年四川丘區OLI影像進行解譯，評價OLI影像在四川丘區水稻種植面積監測中的精度，為提高四川水稻種植面積監測精度提供參考。

　　1數據來源

　　1．1研究區概況

　　四川盆地中部為典型的方山丘陵區，地勢低矮，海拔在250～600m，丘谷高差50～200m，地勢由北向南傾斜，南部多淺丘，北部多深丘，為四川省丘陵集中分布區。研究區分別位于金堂縣和三臺縣，具體區位詳見圖1(封三)。位于金堂縣的研究區，坡度較緩，相對高差30～50m左右，呈波狀起伏或崗丘形態，屬于淺丘地形;位于三臺縣的研究區，坡度較大，相對高度在100～180m，屬深丘地形。

　　1．2水稻樣方種植面積調查

　　通過實地調查與GoogleEarth遙感影像解譯確定樣方內水稻種植面積。于2016年6月1－17日在四川省進行水稻種植面積野外調查，使用GPS實地定位，確定地面樣方水稻種植面積，為建立解譯標志。通過GoogleEarth查找，2016年7月15日有良好影像覆蓋地面調查區域，結合野外實地調查，建立水稻、水體、植被、居民點、道路等解譯標志，通過目視解譯得到樣方的水稻種植面積，各樣方內水稻種植面積、圖斑數及圖斑平均面積見表1。淺丘區水稻圖斑平均面積較深丘區的大。

　　2材料與方法

　　2．1影像預處理

　　OLI影像的預處理主要有影像的正射校正、數據融合。正射校正基于網格分辨率為30m的ASTEＲGDEM高程數據進行。數據融合采用GramSchmidt變換法，該法改進了主成分變化法中信息過于集中的問題，且不受波段數量限制，融合后影像保持了較好的空間紋理及光譜特征。通過將15m分辨率的全色影像與30m分辨率的多光譜影像進行數據融合，得到研究所需的15m分辨率的遙感影像。

　　2．2水稻遙感特征

　　2016年7月22日，研究區水稻移栽50d左右，水稻處于孕穗期，水稻冠層基本覆蓋整個稻田，水稻遙感特征明顯，易于與其他地物區分［6－8］。假彩色顯示采用Ｒ5G6B7組合，即ＲGB分別對應OLI影像的第5～7波段。分析影像的色調、輪廓大小、陰影、圖案、紋理、布局等多方面因素，建立OLI影像上水稻及其他重點地物的解譯標志，根據解譯標志確定目標地物的空間分布特征［9］。研究區內各典型地物遙感特征如圖2(封三)，水稻呈深紅色，并隨丘谷地形分布呈樹枝狀，水體呈藍黑色，其他植被呈橙色，居民地呈藍白間雜的顏色，道路呈白色條帶狀。

　　4討論

　　本研究通過地面調查與GoogleEarth影像解譯獲取的樣方水稻種植面積數據評價了使用15mOLI融合影像基于監督分類方法監測四川丘陵地區水稻種植面積的精度。分析結果顯示隨著丘谷高差增大，地形趨于復雜、地塊趨于狹長與破碎，OLI影像監測結果的不確定性增加，精度下降。為進一步提高丘區水稻種植面積估算精度，需使用更高空間分辨率的衛星遙感影像，如使用5m分辨率的Ｒapideye影像;或改變分類方法，本研究使用的最大似然分類法分類依據主要根據解譯標志差異明顯的3個波段信息，對其他光譜信息及先驗知識的使用不足，如使用決策樹分類，通過引入更多的先驗知識可提高分類精度。另外為提高四川地區水稻面積監測結果的可信度，需在監測評價中需采用更合理的抽樣方法，如分層抽樣、依據地形類型抽樣等;以降低平壩、淺丘、深丘等不同地形不同解譯精度對監測造成的影響。

　　5結論

　　通過地面水稻樣方調查和同生長季GoogleEarth影像解譯獲取淺丘區、深丘區樣方內水稻種植面積，并以此結果評價基于最大似然分類法和15mOLI融合影像的川中丘陵的水稻種植面積監測結果。(1)基于最大似然分類法和OLI融合影像的川中丘陵的水稻種植面積監測精度平均約92%左右，誤差范圍大約1%～16%，監測結果存在較大不確定性。(2)隨著丘谷高差增大，地形趨于復雜、地塊趨于狹長與破碎，基于OLI影像的丘陵區水稻面積監測結果的不確定性增加，精度有下降趨勢。

　　參考文獻:

　　［1］程式華，李建．現代中國水稻［M］．北京:金盾出版社，2007:1－3．

　　［2］黃慧萍，吳炳方．地物大小、對象尺度、影像分辨率的關系分析［J］．遙感技術與應用，2006，21(3):243－248．

　　［3］張煥雪，李強子．空間分辨率對作物識別及種植面積估算的影響研究［J］．遙感信息，2014，29(2):36－42．

　　［4］蔣怡，李宗南，任國業，等．基于GF-1PMS影像的丘區檸檬種植面積遙感估算［J］．中國農業資源與區劃，2016，37(11):50－55．

　　［5］張煥雪，李強子，文寧，等．農作物種植面積遙感估算的影響因素研究［J］．國土資源遙感，2015，27(4):54－61．