基于融合MODIS与Landsat数据的洞庭湖区水稻面积提取.docVIP

基于多时相Landsat数据融合的洞庭湖区 水稻面积提取 张猛1,2,曾永年1,2 （1.中南大学地球科学与信息物理学院，长沙410083；2.中南大学空间信息技术与可持续发展研究中心，长沙410083） 摘要：洞庭湖区作为中国重要的商品粮基地，水稻种植面积的变化对国家粮食安全有重要的影响，准确获取水稻面积及其变化显的十分重要。为解决数据缺失问题,该文利用STARFM（）MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据。经S-G函数平滑处理，参考作物物候特征及可分离性分析（J-M距离）得到最佳时期的Landsat NDVI组合，结合Landsat8 OLI影像对水稻种植面积进行提取。结果显示，该方法能够有效的提取水稻种植面积，总体分类精度94.52%，Kappa系数为0.9128。水稻分布几乎覆盖整个研究区，水稻种植总面积达7.88×105hm2。双季稻种植面积为7.75×105hm2，主要集中于湖区北部及西北部，且分布较连续。一季稻种植面积为1.3×104hm2，分布相对零散，有小范围集中于湖区中部及西北部。 关键词：洞庭湖区；水稻；MODIS；Landsat；数据融合 中国分类号：TP79；S127；F301.24 文献标识码：A 0 引言 洞庭湖区作为中国的商品粮基地和湖南农业主产区，以种植粮食、棉花为主，分别占到全省的50.3%和89.3%[1-2]。农作物面积的变化不仅关系着国家的粮食安全，也影响区域环境和气候变化，以及社会经济发展的决策。随着洞庭湖区城市化速度的加快，耕地非农化现象突出，同时人口增长对粮食的需求量不断增大。因此，洞庭湖区农作物种植面积，尤其是水稻种植面积及其变化信息尤为重要。 卫星遥感技术已被广泛应用于农作物分析[3-6]，MODIS数据由于其较高的时间分辨率，基于时间序列的MODIS数据的作物种植面积提取已开展了较多的研究。Vintrou等利用时间序列的MODIS13Q1数据，采用景观分层的方法对非洲马里南部的农业用地进行分类，得到了与基础数据相类似的分类结果[7]。Brown等利用时序MODIS植被指数对巴西Mato Grosso地区多年的农用地分类[8]。然而，由于受空间分辨率、混合像元的影响，MODIS数据不能满足区域农作物分类以及精细提取的要求。Landsat 数据由于其较高的空间分辨率在区域土地利用/覆盖、农作物信息提取中得到应用。Matejicek等利用Landsat数据对捷克西北部农用地的变化进行了研究[9]。Vittek等利用 Landsat MSS/TM数据对非洲西部土地利用变化进行了监测[10]。但Landsat回访周期（16d）较长，加之阴雨天气的影响，难以获得时间序列的Landsat数据。因此，基于物候特征Landsat数据的大面积农作物种植区信息提取受到数据的极大限制。 遥感技术及数据时空融合技术的发展，为获得时间序列Landsat数据提供有效的技术途径。Gao等针对Landsat 与MODIS数据的时空融合问题，提出了STARFM(Spatial And Temporal Adaptive Reflectance Fusion Model)模型，试验验证了模型的有效性[11]。Zhu等针对STARFM模型的不足，改进并提出ESTARFM(Enhanced Spatial And Temporal Adaptive Reflectance Fusion Model )模型[12]。邬明权等提出了基于混合像元分解的方法STDFM(Spatial And Temporal Data Fusion Model)用来融合MODIS与TM数据[13]。Zhang等针对STDFM算法进行改进，提出了ESTDFM(Enhanced Spatial And Temporal Data Fusion Model)模型[14]。对于上述几种模型在NDVI数据融合的效果方面，石月婵等以甘肃张掖市为例进行了对比分析，研究结果表明上述几种模型在NDVI数据融合效果方面基本相当[15]。在数据数量要求方面STARFM模型具有一定的优势，除STARFM模型外，其他几种算法都需要在模型中输入2期Landsat数据。STARFM模型提出后得到了较为广泛的应用，HilkerSTARFM模型融合得到时间序列的Landsat数据，融合Landsat数据的NDVI值也能够很好地反映研究区作物的物候特征[16]。Walker等利用STARFM模型对Landsat数据和MODIS数据进行融合，以此分析了干旱地区森林的物候特征[17]。Jia等利用STARFM模型融合的时序Landsat NDVI数据，对北京市土地覆盖进行分类制图研究[18]。 然而，基于融合MODIS与L