-
应用实例
- 利用 NOAA/AVHRR 数据估算上海地区水稻种植面积
作物面积的估算是进行作物估产不可缺少的一项工作,它的精度直接影响一个地区作物总产量的估算精度。目前,利用高空间分辨率的遥感图像(如SPOT、TM 或 MSS)进行作物面积调查能达到比较高的精度,在方法上是可行的。但高空间分辨率的遥感图像成像周期较长,往往在作物的生长期里,得不到完整的无云覆盖图像,加上成本较高,在实际工作中的应用受到许多限制,特别是对较大范围的区域来说。与之相比,NOAA/AVHRR 数据尽管空间分辨率较低(星下点为 1.1×1.2km2),但具有覆盖周期短、价格低、数据易获取等优点,因此,一些学者对 AVHRR 数据在作物面积估算方面的应用进行了研究。研究结果表明,采用混合像元分解的技术,能克服 AVHRR 数据空间分辨率低的缺陷,提取出的作物面积信息能够达到一定的精度[7](Quarmby 1992)。
华东师范大学地理系与上海市气象科学研究所在开展“上海地区水稻遥感估产”课题(“八五”国家攻关项目子课题)中,利用 AVHRR 数据对上海地区水稻种植面积进行估算。考虑到水稻生长期里,上海地区无云覆盖的图像很少,要获得多时相高质量的图像比较困难,因此,用模糊监督分类方法对单时相的 AVHRR 数据进行分类,以提取水稻种植面积。
研究的实验过程如图 4-3 所示。
水稻栽插以后的一两个月是选择 AVHRR 图像的最好时相。这时,水田的光谱特性既同水体有明显区别,又同其他作物有明显区别。同时,应尽可能选择无云覆盖的高质量 AVHRR 图像。
原始的 AVHRR 图像存在着几何误差和辐射误差,在使用前,通过气象卫星图像处理软件,对图像进行几何和辐射校正。为使图像和地图资料配准以
及与其他遥感图像之间对照,利用双线性内插法对像元进行内插,使内插后的图像像元大小对应于实地的面积约为 250×250m2。
在地理信息系统支持下,把一张上海市的行政界线图输入计算机中(包括行政界线和水系),在显示屏幕上与 AVHRR 图像覆合。
选择出的图像中有时还是会有些零星分布的云像元。这些云像元的存在将影响分类精度。因此需要对云像元进行检测及处理。检测与处理的方法是在 AVHRR 通道 1 图像上确定某一像元值作为阈值。由于在通道 1 上,云为亮色调值,像元值大于其他地物的像元值,所以取最暗的云像元值为阈值,打印出像元值直方图,判断是否有大于阈值的像元值存在,如有的话,则找出这些像元并以相邻的非云像元值进行内插。
尽管本研究只是估算水稻种植面积,但模糊监督分类需要知道研究区内各个类型的模糊均值矢量和模糊协方差矩阵。只有这样,才能计算出每一像元中水稻的比例。
按照地物的光谱特性,本实验共分出 5 个土地覆盖类型:植被类、水体类、水田类、城镇居民点类和农村居民点类。植被类包括农田中的旱地、菜地以及园地、有林地、撩荒的杂草地等,它们具有比较接近的植被光谱特征; 水体的光谱特征明显,单独作为一类;由于选中图像的时相是水稻栽插以后一二个月这段时间,水稻处在生长初期,既有植被的光谱信息,也有水体的光谱信息,因此,从农田中分出来组成一类;城镇居民点由于内部建筑物密集,水蒸气不易散发,形成城镇的湿岛效应,影像特征较明显,另外,铁路用地也具有类似的影像特征,因此,也包括在城镇居民点类中;农村居民点和城镇居民点的光谱特征有较大差异,但和公路、农村道路、休闲农田等具有相似的光谱特征,因此,这些地类合并为一个土地覆盖类型。
选中的样本像元是否有代表性以及确定的样本像元隶属度是否符合实际情况,对最后的分类精度有很大影响。由于各县(区)的区域特征并不完全一致,区域特征的差异会造成土地覆盖类型的同物异谱、同谱异物的现象,
为了减少这些现象对分类结果的影响,在选择样本像元前,首先对区域进行分层。通过区域地理特征分析及图像分析,把上海市郊县(区)分成 3 个部分,即西部的松江、金山和青浦,东部的宝山、闵行、嘉定、浦东新区、南汇、奉贤,以及北部的崇明。
区域进行分层后,每一部分分别选取样本像元,并通过对照航空像片、TM 陆地卫星图像以及根据航片解译的分县土地利用图来确定样本像元的隶属度。样本像元的选择考虑了下面几点:①样本像元尽可能位于土地覆盖类型比较稳定的地方;②样本像元的选择要反映出各个土地覆盖类型的光谱特征,一般是对每一土地覆盖类型在其影像特征明显(不一定是纯像元)的地方各选择 2~3 个像元。农村居民点由于分布不集中,在 AVHRR 图像上反映不出影像特征,样本像元无法选择,但在选择其他样本像元中要考虑反映出农村居民点的信息;③样本像元在航片(或 TM 图像、地图)上的位置要比较容易确定,如菜地、水田像元一般选择在城镇、河流、湖泊附近;④样本像元不包括内插出来的像元。
选择出的样本像元和参考资料(航片、TM 图像和地图)进行对照确定隶属度。对某些样本像元,需要在参考资料的相应位置上,确定一个一定大小的区域,计算各个土地覆盖类的图斑面积,得出它们的比例。
由于水稻种植面积估算是以县(区)为单位,因此,在分类前首先要把各个县(区)的像元提取出来。通过行政界线图与 AVHRR 图像的叠置,分别提取出 10 个县(区)的像元(不包括双线性内插出的像元)。
AVHRR 数据共有 5 个通道,其中通道 1、2 为可见光和近红外波段,通道3、4、5 为热红外波段,在以往的土地覆盖分类中主要是利用可见光和近红外波段数据。近几年来,一些学者发现热红外波段数据在土地覆盖分类中也有很大用处(Achardand Blasco 1990,Cross 1991)。另外考虑到本次分类的区域较小,同一地类的温度差异不大,因此选择了通道 3 与通道 1、2 一起作为分类的波段。
根据选中的样本像元计算出分类参数(模糊均值矢量和模糊协方差矩阵),利用分类参数及 AVHRR 三个波段(通道 1、2 和 3)数据,对每个县(区) 内各个像元进行模糊监督分类,分类后分别得出 10 个县(区)5 类土地覆盖类型的像元数及百分比。以每县(区)的总面积作为控制,计算出每县(区) 的水稻种植面积。
根据上述方法进行了 1992、1993 和 1994 三年的上海市水稻种植面积估算,并在水稻收割前一个月向有关部门发布了水稻种植面积的预报。
采用面积比的方法分析分类结果的数量精度,计算公式为:
P = 1 − S − S , (4—9)
S
式中:P——水稻种植面积的估算精度,S——用 AVHRR 数据计算得出的水
稻种植面积,S——实际的水稻种植面积。
在本次研究中,选用了各个县当年上报的水稻播种面积作为实际的水稻种植面积。
通过分析,得出上海市三年水稻种植面积的估算精度均大于 90%。表 4-2 为 1992 和 1993 年分县水稻种植面积的估算精度。
表 4-2 水稻面积估算精度
面积单位:km2
地区 |
1992 年 |
1993 年 |
||||
---|---|---|---|---|---|---|
计算面积 |
上报面积 |
精度(%) |
计算面积 |
上报面积 |
精度(%) |
|
宝山 |
149.8 |
129.9 |
84.7 |
103.4 |
110.9 |
93.2 |
闵行 |
143.4 |
140.7 |
98.1 |
101.4 |
110.2 |
92.0 |
嘉定 |
168.3 |
158.8 |
90.6 |
185.8 |
164.6 |
87.1 |
续表
地区 |
1992 年 |
1993 年 |
||||
---|---|---|---|---|---|---|
计算面积 |
上报面积 |
精度(%) |
计算面积 |
上报面积 |
精度(%) |
|
浦东 |
175.1 |
148.8 |
82.3 |
138.1 |
129.6 |
93.4 |
南汇 |
219.9 |
206.7 |
93.6 |
200.3 |
198.2 |
98.9 |
奉贤 |
195.4 |
204.9 |
95.4 |
180.5 |
197.0 |
89.1 |
松江 |
290.7 |
260.8 |
88.5 |
281.2 |
249.9 |
87.5 |
金山 |
287.2 |
260.1 |
89.6 |
225.3 |
251.7 |
89.5 |
青浦 |
283.7 |
251.5 |
87.2 |
185.5 |
229.6 |
80.8 |
崇明 |
322.0 |
281.1 |
85.5 |
225.7 |
273.5 |
82.5 |
全市 |
2235.6 |
2070.2 |
92.0 |
1827.2 |
1915.2 |
95.4 |