集成多源遥感数据与生育期时序光谱特征的水稻种植面积提取

doi:10.15933/j.cnki.1004-3268.2023.10.016

河南农业科学 ›› 2023, Vol. 52 ›› Issue (10): 153-161.DOI: 10.15933/j.cnki.1004-3268.2023.10.016

• 农业信息与工程·农产品加工 • 上一篇下一篇

集成多源遥感数据与生育期时序光谱特征的水稻种植面积提取

郑紫瑞¹，赵辉杰¹，位盼盼²，方鹏¹，王来刚²，徐少博¹

（1.河南世纪国科空间技术应用有限公司，河南郑州450008；2.河南省农业科学院农业经济与信息研究所，河南郑州 450002）

收稿日期:2023-06-16 出版日期:2023-10-15 发布日期:2023-11-08
通讯作者: 赵辉杰（1975-），男，河南郑州人，研究员，硕士，主要从事卫星遥感应用等空间技术研究。E-mail：13383827129@189.com
作者简介:郑紫瑞（1991-），女，河南滑县人，中级工程师，硕士，主要从事卫星遥感大数据理论和应用研究工作。E-mail：zzrzzu@163.com
基金资助:
国家国防科技工业局高分辨率对地观测系统重大专项政府综合治理应用与规模化产业化示范项目（80-Y50G19-9001-22/23）

Integration of Multi‑Source Remote Sensing Data and Temporal Spectral Features of Growth Stages for Rice Planting Area Extraction

ZHENG Zirui¹，ZHAO Huijie¹，WEI Panpan²，FANG Peng¹，WANG Laigang²，XU Shaobo¹

（1.Henan Shijiguoke Aerospace Technology Application Co.，Ltd.，Zhengzhou 450008，China；2.Institution of Agricultural Economy and Information，Henan Academy of Agricultural Sciences，Zhengzhou 450002，China）

Received:2023-06-16 Published:2023-10-15 Online:2023-11-08

摘要/Abstract

摘要： 为快速、有效地提取水稻空间分布信息，利用水稻生育期内的光学和雷达影像，依据水稻不同生育时期内的光谱变化规律，提出了简单实用的时序像元频率约束模型（TPFCM）。首先，采用中值合成法分别将Sentinel-2、Landsat-8和Sentinel-1合成为月度数据，将合成后的Sentinel-2和Landsat-8进行融合以减少云阴影对水稻像元的影响，并选取3 种融合影像的特征光谱波段计算归一化植被指数（NDVI）、增强植被指数（EVI）和地表水分指数（LSWI），生成月度多维特征成果影像。其次，检索水稻5个生育时期的遥感影像数据，利用随机森林（RF）分类器提取各生育时期的种植面积，并输入TPFCM模型计算水稻生育期内每个水稻像元的频率，最终依据预提取精度、提取面积误差阈值条件控制模型输出最优水稻空间分布信息。结果表明，TPFCM模型输出的水稻提取面积相对误差为-3.83%，与基于RF分类器的单一生育时期的水稻提取面积相对误差相比绝对值减少了3.94百分点，且提取面积与统计参考面积相关性显著（R²=0.97）。

关键词: 水稻, 多源遥感数据, 面积提取, 时序像元频率约束模型

Abstract: To fast and effective extraction of rice spatial distribution information，this study proposed a simple and practical time‑series pixels frequency constraint model（TPFCM） based on the spectral variation pattern of rice development using optical and radar images during the growth period of rice.Firstly，the median synthesis method was used to synthesize Sentinel‑2，Landsat‑8，and Sentinel‑1 as monthly data，and the synthesized Sentinel‑2 and Landsat‑8 were fused to reduce the influence of cloud shadow on rice image pixels，and the feature spectral bands of the three fusion images were selected to calculate the normalized vegetation index（NDVI），enhanced vegetation index（EVI）and land surface water index（LSWI）to create monthly multi‑dimensional feature images.Secondly，the random forest classifier was used to initially extract the rice area within the five important development stages，and input into the TPFCM model to calculate the frequency of rice pixels within each stage in the growth period.Finally，the model was controlled to output the optimal rice spatial distribution information based on the pre‑extraction accuracy and area error threshold conditions.The results showed that the TPFCM model output -3.83% of rice planting area error，which was 3.94 percentage points less than that of single‑phase rice extraction area error by comparing the absolute values，and the correlation between the extracted area and statistical reference area was significant（R²=0.97）.

Key words: Rice, Multi?source remote sensing data, Area extraction, Time?series pixels frequency constraint model

中图分类号:

S127

郑紫瑞, 赵辉杰, 位盼盼, 方鹏, 王来刚, 徐少博. 集成多源遥感数据与生育期时序光谱特征的水稻种植面积提取[J]. 河南农业科学, 2023, 52(10): 153-161.

ZHENG Zirui, ZHAO Huijie, WEI Panpan, FANG Peng, WANG Laigang, XU Shaobo. Integration of Multi‑Source Remote Sensing Data and Temporal Spectral Features of Growth Stages for Rice Planting Area Extraction[J]. Journal of Henan Agricultural Sciences, 2023, 52(10): 153-161.

参考文献

［1］ELERT E. Rice by the numbers：A good grain［J］.Nature，2014，514（7524）：S50‑S51.
［2］SINGHA M，DONG J W，ZHANG G L，et al.High resolution paddy rice maps in cloud‑prone Bangladesh and Northeast India using Sentinel‑1 data［J］.Scientific Data，2019，6（1）：1‑10.
［3］PICKSON R B，HE G，BOATENG E.The impacts of climate change and smallholder farmers’ adaptive capacities on rice production in Chengdu，China：Macro‑micro analysis ［J］.Environmental Research Communications，2022，4（7）：075011.
［4］CHEN C Q，VAN GROENIGEN K J，YANG H Y，et al.Global warming and shifts in cropping systems together reduce China’s rice production［J］.Global Food Security，2020，24：100359.
［5］HE Y L，DONG J W，LIAO X Y，et al.Examining rice distribution and cropping intensity in a mixed single‑and double‑cropping region in South China using all available Sentinel 1/2 images［J］.International Journal of Applied Earth Observation and Geoinformation，2021，101：102351.
［6］HE G，WANG Z H，CUI Z L.Managing irrigation water for sustainable rice production in China［J］.Journal of Cleaner Production，2020，245：118928.
［7］ZHU E Y，DENG J S，WANG H Q，et al.Identify the optimization strategy of nitrogen fertilization level based on trade‑off analysis between rice production and greenhouse gas emission［J］.Journal of Cleaner Production，2019，239：118060.
［8］ZHENG H B，ZHOU X，HE J Y，et al.Early season detection of rice plants using RGB，NIR‑G‑B and multispectral images from unmanned aerial vehicle（UAV）［J］.Computers and Electronics in Agriculture，2020，169：105223.
［9］CAI Y T，LIN H，ZHANG M.Mapping paddy rice by the object‑based random forest method using time series Sentinel‑1/Sentinel‑2 data［J］.Advances in Space Research，2019，64（11）：2233‑2244.
［10］SON N T，CHEN C F，CHEN C R，et al.Assessment of Sentinel‑1A data for rice crop classification using random forests and support vector machines［J］.Geocarto International，2018，33（6）：587‑601.
［11］YANG M D，TSENG H H，HSU Y C，et al.Semantic segmentation using deep learning with vegetation indices for rice lodging identification in multi‑date UAV visible images［J］.Remote Sensing，2020，12（4）：633.
［12］ZHANG C K，ZHANG H Y，ZHANG L P.Spatial domain bridge transfer：An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area［J］.Computers and Electronics in Agriculture，2021，181：105978.
［13］ZANDBERGEN P.Applications of shuttle radar topography mission elevation data［J］.Geography Compass，2008，2（5）：1404‑1431.

［14］CHAABAN F，EL KHATTABI J，DARWISHE H.Accuracy assessment of ESA WorldCover 2020 and ESRI 2020 land cover maps for a region in Syria［J］.Journal of Geovisualization and Spatial Analysis，2022，6（2）：31.

［15］HAN J C，ZHANG Z，LUO Y C，et al.Annual paddy rice planting area and cropping intensity datasets and their dynamics in the Asian monsoon region from 2000 to 2020［J］.Agricultural Systems，2022，200：103437.

［16］韩衍欣，蒙继华.面向地块的农作物遥感分类研究进展［J］.国土资源遥感，2019，31（2）：1‑9.
HAN Y X，MENG J H.A review of per‑field crop classification using remote sensing［J］.Remote Sensing for Land and Resources，2019，31（2）：1‑9．
［17］XIE Q Y，DASH J，HUETE A，et al.Retrieval of crop biophysical parameters from Sentinel‑2 remote sensing imagery［J］.International Journal of Applied Earth Observation and Geoinformation，2019，80：187‑195.
［18］SEGARRA J，BUCHAILLOT M L，ARAUS J L，et al.Remote sensing for precision agriculture：Sentinel‑2 improved features and applications［J］.Agronomy，2020，10（5）：641.
［19］PETTORELLI N，VIK J O，MYSTERUD A，et al.Using the satellite‑derived NDVI to assess ecological responses to environmental change［J］.Trends in Ecology & Evolution，2005，20（9）：503‑510.
［20］HUETE A，DIDAN K，MIURA T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，2002，83（1/2）：195‑213.
［21］XIAO X，BOLES S，FROLKING S，et al.Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data［J］.International Journal of Remote Sensing，2002，23（15）：3009‑3022.
［22］WANG S，ZHUANG J，ZHENG J，et al.Application of Bayesian hyperparameter optimized random forest and XGBoost model for landslide susceptibility mapping［J］.Frontiers in Earth Science，2021，9：712240.
［23］王利军，郭燕，贺佳，等.基于决策树和SVM 的Sentinel-2A影像作物提取方法［J］.农业机械学报，2018，49（9）：146‑153.
WANG L J，GUO Y，HE J，et al.Classification method by fusion of decision tree and SVM based on Sentinel‑2A image［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（9）：146‑153.
［24］WANG X X，XIAO X M，ZOU Z H，et al.Gainers and losers of surface and terrestrial water resources in China during 1989—2016［J］.Nature communications，2020，11（1）：1‑12.

[1]	樊一凡, 张艳艳, 王艺媚, 李俊周, 杜彦修, 孙红正, 彭廷, 赵全志, 张静. 不同播期温光条件对籼稻产量和品质的影响[J]. 河南农业科学, 2024, 53(2): 17-27.
[2]	赵彪, 冯旭, 贺付蒙, 徐永清, 石齐海, 冯艳忠, 李凤兰. EM富硒酵母菌剂的制备及其在水稻富硒生产中的应用[J]. 河南农业科学, 2023, 52(8): 26-35.
[3]	解文孝, 姜秀英, 吕军, 潘争艳, 韩勇, 王庆新, 李建国. 不同叶位功能叶片对不同穗型水稻籽粒灌浆特性及稻米品质的影响[J]. 河南农业科学, 2023, 52(8): 36-44.
[4]	豆丹丹, 孙建军, 王德新, 郭玉玺, 郭新海, 丁超明. 播期对早中稻产量和品质的影响[J]. 河南农业科学, 2023, 52(7): 12-23.
[5]	程志强, 方圣辉. 基于水稻三维模型的表型参数提取及生物量估测[J]. 河南农业科学, 2023, 52(7): 144-153.
[6]	黄海, 瞿小杰, 刘金海, 彭赞文. 盐碱胁迫下不同倍性水稻4 种转录因子家族基因的表达模式分析[J]. 河南农业科学, 2023, 52(6): 22-33.
[7]	张秀锦, 张容慧, 蔡景行, 王国坤, 柴冠群, 黄承玲, 范成五. 镍污染稻田低积累水稻品种筛选及健康风险评价[J]. 河南农业科学, 2023, 52(6): 61-69.
[8]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[9]	雷振山, 李猛, 卫云飞, 季新, 刘娟, 王付娟, 刘秋员. 不同种植方式对豫南地区优质食味粳稻产量及品质的影响[J]. 河南农业科学, 2023, 52(2): 12-20.
[10]	马学虎, 马昀君, 黄璜, 陈灿, 王忍, 张印, 伍世豪, 张泉, 张琴. 稻禽共生对水稻群体生长特性和产量形成的影响[J]. 河南农业科学, 2023, 52(11): 42-48.
[11]	汤伟, 陈灿, 黄璜, 周天送, 王忍. 不同作物+小龙虾种养模式作物产量及氮、磷平衡分析[J]. 河南农业科学, 2023, 52(1): 24-33.
[12]	白天亮, 李杰, 冉杰, 杨辉, 乔承彬, 李培富, 田蕾. 水稻产量构成因素QTL 精细定位的研究进展[J]. 河南农业科学, 2022, 51(8): 1-8.
[13]	陆峰, 廖超林, 刘峰峰, 肖志鹏, 龙飞, 向鹏华, 唐剑宁, 肖孟宇, 张永革, 单雪华. 烟稻复种连作年限对紫色水稻土团聚体稳定性的影响[J]. 河南农业科学, 2022, 51(7): 85-92.
[14]	李文秀, 周行, 刘琅, 吴朝晖. 稻作生产中水、肥、药高效利用及对水稻的影响研究进展[J]. 河南农业科学, 2022, 51(6): 1-12.
[15]	雷振山, 王童童, 季新, 张天海, 王付娟, 董丽平, 赵亚帆, 刘娟. 超表达miR528 增强盐胁迫下水稻幼苗K⁺稳态[J]. 河南农业科学, 2022, 51(4): 30-38.

集成多源遥感数据与生育期时序光谱特征的水稻种植面积提取

Integration of Multi‑Source Remote Sensing Data and Temporal Spectral Features of Growth Stages for Rice Planting Area Extraction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics