基于融合MODIS与Landsat数据的洞庭湖区水稻面积提取(共16页)

1、收稿日期：2015-04-18 修订日期：2015-06-18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基于(jy)多时(dush)相Landsat数据(shj)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

2、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

3、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7.88105hm2。双季稻种植面积为7.75105hm2，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1.3104hm2，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 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、区作为中国的商品粮基地和湖南农业主产区，以种植 HYPERLINK /wiki/%E7%B2%AE%E9%A3%9F o 粮食 粮食、 HYPERLINK /wiki/%E6%A3%89%E8%8A%B1 o 棉花 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，

5、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

6、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(sh kn)融合技术的发展，为获得时间序列Landsat数据提供有效(yuxio)的技术途径。Gao等针对(zhndu)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

7、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

8、，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

9、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2830-2931N，11140-11310E之间。湖区大部分海拔低于50m，属亚热带季

10、风气候，年平均气温为15.817.4，年降水量在12001500mm。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4.56104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(ynji)区范围Fig.1 Study area1.2 数据(shj)与处理 本文所需遥感影像(yn xin)数据Landsat8 OLI与MODIS 13Q1均下载于USGS。研究区横跨

11、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数据类型Data types Landsat8 OLIMODIS13 Q1行列号and number of Row/ line123/39123/40124/39124/40h27v05h27v06获取日期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

13、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010000。 MODIS NDVI产品数据MOD13Q1获取时间范围为2013-1-12013-12-19，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(shj)包

14、括2013年研究(ynji)区实地考察采样(ci yn)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t0时刻Landsat、MODIS数据，t1时刻的MODIS数据，结合不同的空间权重融合计算出t1时刻的Landsat数据11,17，STARFM模型的表达式如下： （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

15、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；（xi , yj , t0）表示t0时刻位置为（xi , yj）处的像元；（xi, yj ,t1）表示t1时刻位置为（xi , yj）处的像元；(xw/2 ,yw/2 ,t1)表示t1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t0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L

16、andsat8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。2.2 NDVI重构为消除由云污染和大气变化引起的低值突变噪声对时序Landsat NDVI数据的影响，本文采用以Savitzky-Golay滤波法（S-G）、非对称高斯函数拟合法(

17、AG, Asymmetric Gaussian function fitting method)及双Logistic曲线拟合法(D-L, Double Logistic function fitting method )为内核17-18的Timesat软件包来对时间序列NDVI数据进行重构，并对3种曲线重构方法保持原始NDVI时间序列曲线整体特征及处理未受噪声污染点真实值的水平（保真性特征）进行比较，相关系数r表示2个样本组数间的相关程度，可以反映拟合后的NDVI时间序列曲线的保真性。并且利用回归估计标准差来描述重建后的NDVI时间序列与原始值之间的平均差异程度，其值越小，拟合值的代表性越强。

18、Savitzky-Golay滤波方法首先根据云状态（像元可信度）对NDVI数列进行线性插值，然后利用S-G 滤波器得到插值后曲线的模拟长趋势线，再根据上包络线得到新的NDVI曲线，将上述过程进行数次迭代并设置拟合影响系数作为迭代退出条件，最终得到较为平滑又能反映NDVI数值变化趋势的时间序列曲线。其滤波过程可用公式（2）表示： （2）式中：Y是指NDVI原始(yunsh)值；是NDVI拟合(n h)值；j是原始(yunsh)NDVI数组的系数；是第i个NDVI值的卷积系数；N是滑动数组宽度（2m+1）；m是待拟合点左右两端各需的点数20。非对称高斯函数拟合法是一种从局部拟合到整体拟合的方法，使

19、用分段高斯函数来模拟植被生长过程，最终通过平滑连接各高斯拟合曲线时间序列重构21。其中局部拟合公式为：（3）其中， （4）式中：t表示t时刻的NDVI值；和为控制曲线的基准和幅度；决定峰值和谷值的位置；、为控制曲线左、右半部分的宽度和陡峭度。 整体拟合函数为： （5）式中：是NDVI的变化区间，、分别表示区间内左边谷值、中间峰值及右边谷值所对应的局部函数；、为位于之间的剪切系数。双Logistic曲线拟合法是一种半局部拟合方法，其局部拟合方式与非对称高斯拟合方法类似（如式（2）。采用双Logistic函数（如式（6），基于整体拟合函数（式（4）将各局部拟合函数的特征加以综合，重建新的NDVI时

20、间序列曲线22-24。 （6）2.3 可分离性分析及最佳Landsat NDVI组合选择 J-M距离是基于特征计算不同类别样本间的距离，用来衡量类别间分离度的有效工具。相对于欧式距离、巴氏距离等地表特征可分性判定方法，J-M距离更优25。基于某一特征的2类样本的J-M距离计算公式如下： （7） 式中：B表示(biosh)在某一特征维上的巴氏距离。在样本对象满足正态分布的前提下，不同2类别间样本对象(duxing)的巴氏距离（Bhattacharyya distance, B）为： （8）式中，表示某类特征(tzhng)的均值；表示某类特征的方差，其中（k=1，2）。 表2 选择计算J-M距离的

21、Landsat NDVI数据 Table2 Landat NDVI data for J-M distance calculationNDVI数据序号Number of NDVI data NDVI数据日期 Date of NDVI data一年中的天数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之间，其大小代表样本间可分离程度。当J=2时，表明2类在所选分类特征下完全分离；当J值较小时，表明分离性较差且会有较大数量的错分对象26-28。本文结合Google earth、湖南省土地利用现状图及部分实地调查数据，对林地、双季稻、一季稻、棉花等植被覆盖的J-M距离进行计算，选择最佳的Landsat NDVI日期组合。结合研究区水稻生长期，确定用于J-M距离计算的Landsat NDVI数据及日期（表2）。2.4基于时空特征的遥感分类与精度评价支持向量机（SVM）可以自动寻找对分类有较大区分能力的支持向

23、量，构造出类与类之间的间隔最大化的分类器，具有较高的分类准确率，因而在遥感分类中得到应用。本文基于融合的时间序列Landsat NDVI影像，采用支持向量机（SVM）遥感影像分类方法，进行水稻种植区域信息的提取。根据研究区具体情况，将研究区土地利用/覆盖划分为水体、双季稻、一季稻、棉花、林地和其他类共6类。结合Google earth、湖南省土地利用现状图及部分实地考察数据，在研究区内随机选取训练样本并利用支持向量机(SVM)进行分类（如表3）。利用上文中地面验证数据生成验证感兴趣区并结合分类后数据生成混淆矩阵，采用总体精度（overall accuracy）、生产者精度（producer a

24、ccuracy）、用户精度（user accuracy）以及Kappa系数进行定量评价。表3不同土地利用/覆盖类型训练样本和验证样本感兴趣区（ROI）及像元个数Table3 Number of ROIs and pixels of different land use/ cover types for training and validating ROI和像元个数Number of ROI and pixels水体Water双季稻Double cropping rice一季稻Single season rice棉花Cotton林地Forest其他类Others训练样本Training sam

25、plesROI个数Number of ROIs196102748321285像元个数Number of pixels325645852168374940533821验证样本Validation samplesROI个数Number of ROIs485238516543像元个数Number of pixels10481204850142619879673结果(ji gu)与分析3.1遥感数据时空(sh kn)融合结果利用(lyng)公式（1）融合预测出整个研究区23期Landsat NDVI数据，由于图像数量较多，本文只展示了研究区水稻生长关键期的融合Landsat NDVI数据，如图2，日期

26、分别为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，双季早稻抽穗 b 第193天，双季早稻收割 c第209天，一季稻分蘖、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，双季晚稻抽穗 e第257天，一季稻收割 f第289天，双季晚稻收割 dDOY241, Double cropping rice eDOY257, Single season rice fDOY289, Double cropping rice (late) was heading was harvest (late) was harvest图2 研究区水稻生长关键期的部分融合Landsat NDVI数据Fig.2 Some of fusing Landsat NDVI data during critical stage of rice of study

28、area3.2融合时序Landsat NDVI滤波结果通过三种NDVI时间序列曲线重构方法及其保真性特征（相关系数）比较，得出S-G滤波法的整体保真性较好。除双季稻外，其他3种植被类型时序NDVI经S-G滤波法重构后的保真性较其他两种算法要好（如图3a）。以局部拟合为主的S-G滤波有较强的细节拟合能力，而AG与D-L拟合方法以曲线上包络线吻合为主要特征，在去噪的同时也会导致重建的NDVI偏离真实值。与此同时，对各类型植被用不同方法重建的效果分析发现，除林地类型S-G滤波方法的重建前后差异程度（回归估计标准差）相对较小，即用该方法所得的拟合值整体代表性较好（3b）。因此本文将选用经过S-G滤波后

29、的时间序列NDVI数据进行后续研究。a 三种算法(sun f)下不同覆被类型NDVI重构后原始(yunsh)值与拟合值的相关系数aCorrelation coefficient between original NDVI value and fitting value reconstructed by three algorithms for different land cover typesb三种算法(sun f)下不同覆被类型NDVI重构后原始值与拟合值的回归估计标准差b. Root mean square error between original NDVI value and fi

30、tting value reconstructed by three algorithms for different land cover types图3 三种算法下不同覆被类型NDVI重构保真性比较Fig.3 Comparison of the ability on keeping the main characters after NDVI reconstruction by three algorithms for different land cover types拟合后的双季稻NDVI值呈现明显的“双峰”型，如图4。在5月下旬（第145天）出现第1个峰值（0.69），此时早稻正处于

31、抽穗阶段，故其NDVI值较高。到7月上旬（第193天）出现谷值，因此时为早稻收割期，NDVI值会有所减小。8月下旬（第241天）左右出现了第2个峰值（0.73），这段时期由于晚稻处于孕穗、抽穗状态，NDVI值相对较高。10月上旬（第289天）晚稻相继收割，故NDVI出现第2个谷值。后期NDVI值有上升趋势主要是由田间杂草或绿色肥料（满江红等），油菜的栽种等所导致的。棉花(min hua)的NDVI 值呈“单峰”型。6月下旬(xixn)到7月上旬(shngxn)（第177-193天）棉花处于蕾期，NDVI值达到最大值（0.73）。11月中旬之后，棉花相继落叶，故其NDVI值不断减小。7月下旬至8

32、月上旬（第193-209天）一季稻处于分蘖、孕穗期，NDVI值达到最大值0.72。到8月下旬至9月上旬（第241-257天），一季稻收获，NDVI值较低。之后杂草等会导致NDVI值小幅度升高。由于研究区大都为常绿阔叶林，故林地的NDVI值表现最为平稳，除了2月至3月上旬由于气候影像，其NDVI值会稍有降低，林地NDVI值全年基本维持在0.8左右。4种难以辨别覆被类型的NDVI值会随着时间发生不同的变化，这种NDVI的变化将有助于区分这四种覆被类型。例如，5月下旬、7月上旬、9月上旬可以将早稻与一季稻进行区分，11月上旬可以区分棉花和水稻、棉花等。 图4 Landsat NDVI 拟合结果Fig

33、.4 Fitting result of Landsat NDVI data3.3 J-M距离及最佳Landsat NDVI组合考虑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，选择进行J-M距离计算的Landsat NDVI的日期为2013年4月23日2013年11月1日（第113305天），共13期。根据公式（7）和（8），并结合滤波后的Landsat NDVI，按不同组合计算J-M距离。进行J-M距离计算时，通过选取不同的地面验证数据进行对比分析，得到各植被类型间最佳的J-M距离（如表4）。表4 不同Landsat NDVI数据组合下四种覆被类型间的J-M距离Table4

34、J-M distance among four different land cover types on different combination of Landsat NDVI data Landsat NDVI数据组合序号Scene combination number of Landsat NDVIJ-M值J- M distance林地-双季稻Forest and Double cropping rice林地-一季稻Forest and Single season rice林地-棉花Forest and cotton双季稻-一季稻Double cropping rice and Si

35、ngle season rice双季稻-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根据(gnj)J-M距离计算结果分析(fnx)，不同时间序列Landsat NDVI组合的地物可分程度(chngd)存在一定的差异，但3组以上的Landsat NDV时序数据组合对不同地物可分性的差异并不十分显著（增幅小于0.02），再结合不同作物的物候历分析

37、结果，综合考虑后，选择序号为3、6、9、11、13的Landsat NDVI数据组合作为研究区遥感分类的最佳时序数据组合。3.4 遥感分类结果与精度评价基于融合的时间序列Landsat NDVI影像，对研究区进行分类和精度评价。分类结果如图5，双季稻面积为7.75105hm2,一季稻面积为1.3104hm2。据湖南省2013年统计年鉴对分类结果进行定性分析，年鉴记录研究区双季稻种植面积为8.32105hm2，分类结果与统计年鉴的误差为6.85%。一季稻种植面积为0.15105hm2，分类结果与统计年鉴的误差为11.84%，精度较双季稻要低，主要是因为近年来国家为增加粮食产量，扩大双季稻种植面积

38、同时减少一季稻种植面积。因此造成一季稻面积较小且分布较为分散，容易与其他作物形成混合像元。 图5 研究区水稻面积提取结果 Fig.5 Paddy area extraction of study area通过分类的混淆矩阵对分类结果进行定量分析（如表5），总体分类精度94.52%，Kappa系数为0.9128，分类精度较好。同时也可以看出一季稻的用户精度（UA）与制图精度（PA）较其他类型都要低。（这个表示的是像元个数，没有单位）表5 研究区不同(b tn)土地利用/覆盖类型分类精度(jn d)评价结果(ji gu)Table 4 Evaluation of classification pr

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

40、rest0452317840532193.82其他类Others5200014382198.30用户精度（%）User accuracy（%）98.4395.2288.4291.2695.4398.43 总体分类精度 94.52% Kappa系数 0.9128 Overall accuracy Kappa coefficient3.5 洞庭湖区水稻种植分布及特征研究区水稻分布范围较广，水稻种植总面积达7.88105hm2，占研究区总面积的17.27%。双季稻、一季稻种植面积分别为7.75105和1.3104hm2，分别占研究区总面积的16.89%与0.29%，水稻种植以双季稻为主。水稻种植区主

41、要集中分布于湖区海拔较低的平原，双季稻主要分布湖区北部的华容县、南县，及西北部的安乡县、津市市、澧县以及常德市鼎城区。一季稻有小范围面积集中分布于湖区西北部的澧县和中部的南县。双季稻斑块较大且分布相对连续，而一季稻斑块较小且分布较为零散，双季稻与一季稻交织分布（图5）。双季稻种植面积以常德市、华容县、澧县居多，分别为79.01103、78.39103、87.90103hm2，临湘市与湘阴县则相对较小，分别为29.88103和28.79103hm2（表6）。就占县（市）比例而言，安乡县、津市市、临澧县双季稻种植面积占各县总面积比例较大，分别占到25.71%、18.47%、19.98%，最小的为临

42、湘市和岳阳县，不到10%（9.75%和8.77%）。一季稻种植面积较大的有华容县、澧县、南县，其中澧县一季稻种植面积最大（3.27103hm2），南县次之（2.77103hm2），华容县最小（1.73103hm2）。一季稻种植面积占各县（市）总面积比例较双季稻要小，均不到1%，比例最大的为南县（0.86%），最小的为临湘市，只有0.2%。表6 研究区各县（市）水稻面积及所占比例Table 5 Paddy area and proportion of every county of study area双季稻（103hm2）Double cropping rice一季稻（103hm2）Singl

43、e season rice双季稻（%）Double cropping rice一季稻（%）Single season rice安乡县An xiang County56.310.8125.710.33常德市Changde City79.011.2412.960.20汉寿县Hanshou County55.540.3716.620.11华容县Huarong County78.391.7316.660.35津市市Jinshi City25.180.2018.470.15澧县Li County87.903.2717.470.66临澧县Linli County43.790.8119.980.38临湘市L

44、inxiang City29.880.059.750.02汨罗市Miluo City45.720.3312.660.09南县Nan County48.232.7714.950.86湘阴县Xiangyin County28.790.1210.380.04益阳市Yiyang City46.160.1812.410.05沅江市Yuanjiang City44.800.9913.410.30岳阳市Yueyang City53.330.1914.330.05岳阳县Yueyang County49.860.388.770.074结论(jiln)不同作物(zuw)的时序NDVI曲线是不一样(yyng)的，尤

45、其是在作物关键期的NDVI值。因此根据时序NDVI可以将水稻与其他作物或植被区分开来。本文利用时空融合模型STARFM，融合时序MODIS13Q1产品和Landsat8 OLI影像并得到时序Landsat NDVI数据，经S-G函数进行滤波平滑处理，参考作物物候特征及可分离性能够分析（J-M距离）得到区分水稻与其他覆被类型最佳时期的Landsat NDVI组合，并对洞庭湖区水稻面积进行提取，试验结果表明：1）通过该方法对洞庭湖区水稻面积进行提取，得到了较高精度的水稻填图，总体分类精度94.52%，kappa系数为0.9128，其中一季稻的用户精度（UA）和制图精度（PA）较双季稻要低。2）研究

46、区水稻水稻种植总面积达7.88105hm2，双季稻种植面积为7.75105hm2，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0.13105hm2，分布相对零散，有小范围集中于湖区中部及西北部。中国南方受副热带高压控制，春夏季多云雨，将会造成Landsat数据的大量缺失。利用遥感影像对区域作物进行分类和提取势必会受到影响，因此利用STARFM模型等数据融合技术是解决数据缺失，并进行作物种植面积提取与监测的一种有效手段。但利用遥感数据时空融合方法对植被面积进行提取时不仅要考虑植被的物候变化，而且还要考虑地物类别的空间信息，尤其是空间异质性较强的区域。洞庭湖区由于其较好的水热条件，植

47、被种类丰富多样，造成了该地区较强的空间异质性并容易形成混合像元，在很大程度上影响了农作物面积提取的精度。加之政策和地形条件的复杂使得一季稻的分布零散，且夹杂分布在各种作物之间，给水稻面积的精细提取带来一定的困难。因此，加强作物的物候特征研究，并从尺度转化角度解决空间异质性问题等是有待进一步研究的问题。参考文献：1 熊建新, 彭保发, 陈端吕, 等. 洞庭湖区生态承载力时空演化(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 邬明权，王洁，牛铮，等. 融合MODIS与Landsat数据生成(shn chn)高时间分辨率Landsat数据J. 红外与毫米波学报, 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 石月婵, 杨贵军, 李鑫川, 等. 融合多源遥感数据生成高时空分辨率数据的方法对比J. 红外与毫米波学报, 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