基于融合MODIS与Landsat数据的洞庭湖区水稻面积提取

1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（Spatial And Temporal Adaptive Reflectance Fusion Model）模型融合高时间分辨率的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：A0 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)收稿日期：2015-04-18 修订日期：2015-06-181 基金项目：国家自然科学基金项目(41171326，41201386，41201383)作者简介：张猛，男，湖南岳阳人，博士，研究方向为遥感技术应用。

长沙中南大学地球科学与信息物理学院，410083。

E-mail:251zhangmeng@ 通讯作者：曾永年，男，青海西宁人，教授，研究方向为遥感与地理信息系统及其环境变化研究。

E-mail：ynzeng@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，Hilker等利用STARFM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Landsat数据的水稻种植面积提取研究不多[19]，本文利用STARFM模型融合MODIS与Landsat数据对水稻种植面积进行提取具有一定意义。

洞庭湖区属于亚热带季风气候，云雨天气较多，难以获取水稻生长期的时间序列Landsat数据。

遥感数据时空融合技术为解决水稻生长期Landsat 数据缺失问题提供了有效的技术途径。

为此，本文利用STARFM模型，融合不同类型数据，对研究区水稻种植面积进行提取。

1研究区及数据1.1研究区概况洞庭湖区位于长江中游荆江段南岸，跨湘、鄂两省，介于28°30′-29°31′N，111°40′-113°10′E之间。

湖区大部分海拔低于50m，属亚热带季风气候，年平均气温为15.8～17.4℃，年降水量在1200～1500mm。

本文选择的研究范围为环绕洞庭湖水域的丘陵和冲击平原地区，位于湖南省行政区内的洞庭湖区，地处湖南省东北部（如图1所示）。

研究范围涉及岳阳、常德、益阳3个市21个县（市、区），土地面积为4.56×104平方公里，占湖南省总面积的12.2%。

洞庭湖区是长江流域重要的商品粮基地，主要粮食作物为水稻（双季稻、一季稻），同期主要农作物为棉花。

图1 研究区范围Fig.1 Study area1.2 数据与处理本文所需遥感影像数据Landsat8 OLI 与MODIS 13Q1均下载于USGS 。

研究区横跨四幅Landsat8影像，编号分别为123/39、123/40、124/39、124/40；所需MODIS 数据跨h27v05 、h27v06两幅影像（如表1）。

表1 遥感数据类型及获取日期Table 1 Remote sensing data types and acquisition data下载的Landsat8 OLI 数据分辨率为30m ，质量较好，云覆盖均小于5%。

利用ENVI5.0图像处理软件的FLAASH 模块进行了辐射定标与大气校正，以1：50000的地形图为参考，采用二次多项式方法进行了图像几何校正。

将123/39与123/40、124/39与124/40分别进行影像镶嵌，得到123行4期、124行2期遥感影像，之后进行NDVI 计算，并将NDVI 值的取值范围设置为0～10000。

MODIS NDVI 产品数据MOD13Q1获取时间范围为2013-1-1～2013-12-19，共23期，分辨率为250m 。

首先将MOD13Q1产品数据坐标系转换为高斯克吕格投影，与进行几何校正后的Landsa8 OLI 一致，并将Landsat8 OLI 与MODIS13Q1进行配准。

之后进行去无效值处理，并重采样使其空间分辨率与和Landsat8数据相一致（30m ）。

以123行、124行Landsat8数据形成掩膜，分别对MODIS13Q1数据进行裁剪。

地面验证数据包括2013年研究区实地考察采样数据、2013年湖南省土地利用现状图及谷歌地球数据，验证样本像元数7597个，验证样本像元涵盖该研究所需的所有覆被类型，且较均匀分布于整个研究区。

2研究方法2.1 Landsat 与MODIS 数据时空融合Landsat 与MODIS 数据的融合采用时空自适应反射率融合模型（STARFM ），该模型基于t 0时刻Landsat 、MODIS 数据，t 1时刻的MODIS 数据，结合不同的空间权重融合计算出t 1时刻的Landsat 数据[11,17]，STARFM 模型的表达式如下：/2/2110011(,,)((,,)(,,)(,,))www w ij i j i j i j i j L x y t W M x y t L x y t M x y t ===+-∑∑ （1）式中：L 和M 分别表示Landsat 与MODIS 像元反射率；W 权重函数，权重函数决定了滑动窗口内各像元对预测值的贡献大小，利用光谱距离、时间距离与空间距离来确定函数权重；（x i , y j , t 0）表示t 0时刻位置为（x i , y j ）处的像元；（x i , y j ,t 1）表示t 1时刻位置为（x i , y j ）处的像元；(x w/2 ,y w/2 ,t 1)表示t 1时刻移动窗口的中心像元。

本文利用时空自适应反射率融合模型（STARFM ），由t 0时刻的Landsat NDVI 、MODIS NDVI 数据，以及16d 间隔时间序列的MODIS NDVI 数据，通过式（1）融合得出16d 间隔时序的Landsat NDVI 数据。

由于受天气及卫星回访周期的影响，只能得到123行4期、124行2期Landsat8数据。

利用STARFM 模型进行影像融合时所需Landsat 影像只需一期，且进行数据融合时尽量选择与目标日期相近的Landsat NDVI 数据来预测目标日期的Landsat NDVI 数据，以此来提高融合目标日期Landsat NDVI 数据的效果。

将融合预测的123行与124行的Landsat NDVI 数据进行镶嵌，并用研究区矢量范围图裁剪得到23期16d 间隔时序的研究区Landsat NDVI 影像数据。