陈 静
（许昌学院电气信息工程学院，河南 许昌 461000）
摘要：MODIS遥感数据具有探测周期短、覆盖面积广、数据开放等优点，适合大尺度、动态的农业遥感监测应用。结合了MODIS遥感数据资源的特点和农作物物候特征，提出了基于MODIS的农作物面积遥感监测方法，并根据黄淮地区冬小麦种植面积提取的应用需求，选用地理空间数据云平台提供的3种MODIS数据产品进行了农作物面积提取。结果表明，使用5 d合成数据产品的提取精度较高。
教育期刊网 http://www.jyqkw.com
关键词 ：遥感监测；农作物面积；MODIS；冬小麦
中图分类号：TP392；S127 文献标识码：A 文章编号：0439－8114（2015）06－1483-03
DOI:10.14088/j.cnki.issn0439-8114.2015.06.052
Monitoring Winter Wheat Acreage with Remote Sensing Based on MODIS
CHEN Jing
（School of Electric and Information Engineering， Xuchang University， Xuchang 461000， Henan， China）
Abstract： MODIS data with advantages of short period of detection， wide coverage and open access are suitable for large－scale， dynamic agricultural remote sensing detection and applications． Combining with the data features of MODIS and crops phenological characteristics， the method of monitoring crops area with remote sensing based on MODIS was established． According to the application requirements of winter wheat acreage extracting in Huang－Huai region， three kinds of MODIS data products in Geospatial Data Cloud were used for crop area extraction． The results showed that using five－day synthetic data product had a higher extraction accuracy．
Key words： remote sensing monitor； crop acreage； MODIS； winter wheat
收稿日期：2014－09－01
基金项目：河南省教育厅科学技术重点研究项目（14A510026）；许昌学院科研基金项目（2014011）
作者简介：陈 静（1981－），女，河南许昌人，讲师，硕士，主要从事遥感影像处理及图像识别方面的研究，（电话）15936316825（电子信箱）
chenjing1206@126．com。
遥感（Remote sensing，RS）技术作为地球信息科学的前沿技术，可以在短期内连续获取大范围的地面信息，实现农业信息的快速收集和定量分析，是目前最为有效的对地观测技术和信息获取手段［1］。作物遥感监测是遥感技术在农业领域应用的重要内容之一。1974年，美国农业部就开展了“大面积农作物估产实验”（LACIE），对世界范围内不同区域的小麦种植面积、总产量进行估算，精度达到90％以上［2］。自1988年以来，欧盟开展农业遥感监测计划（MARS），利用遥感技术对欧盟国的耕地、作物种植面积和产量进行监测，每两周报告一次，将监测结果用于农业补贴的申报核查和共同农业政策制定［2］。近年来，我国农作物遥感监测方面也取得了长足的进步，从单一作物发展到小麦、玉米、水稻等多种作物遥感估产，从小区域到跨越11个省市的遥感估产，取得了许多研究成果［3］。
我国幅员辽阔、地区差异大、地块零碎、散户经营，加之遥感数据资源的缺乏，我国农业遥感监测还存在着作物识别精度不高、工作效率偏低、费用昂贵等问题。本研究结合MODIS遥感数据高光谱、多时相、开放性等优点，探讨了基于不同类型MODIS数据产品和物候特征实现农作物遥感监测，并在黄淮地区冬小麦种植面积提取中进行了应用。
1 MODIS数据产品概述
中分辨率成像光谱仪（Moderate-resolution imaging spectroradiometer，MODIS）是美国对地观测卫星TERRA所携带的传感器之一，其扫描光谱范围为0．4～14．4 μm，共有36个光谱波段，空间分辨率包含1 000、500、250 m等。在对地观测过程中，每1～2 d观测地球表面1次。MODIS采用开放的数据获取政策，免费提供多种原始数据和不同等级的数据处理产品，并在MODIS官方网站上公布传感器的主要参数［4］。这些政策和措施极大地促进了全球范围的数据共享以及不同国家的科研合作，实现了世界范围内多学科领域的交叉研究。
中国科学院计算机网络信息中心科学数据中心开发实现的地理空间数据云平台，提供了LANDSAT、MODIS、NOAA等多种权威科学数据资源的集中镜像服务，并建立基于模型的数据产品加工服务［5］。为方便国内用户使用，该平台还提供了MODIS中国合成产品，如MODIS中国区域温度合成产品、NDVI植被指数产品、EVI植被指数产品等。
2 物候特征分析
2．1 农作物物候期
物候是指植物为了适应气候条件的节律性变化而形成与此相应的植物发育节律。掌握物候变换规律在预报农时，监测、保护生态环境，预测气候变化趋势等方面具有重要的理论和现实意义［6］。为了在最有限的时间内获取最大信息量，就必须合理选择卫星数据的时相，从而实现以最小代价获取最全面、最精确的知识，提高生产效率。
农作物的状态和群体特征是影响作物光谱特征的主要因素。我国物候观测资料非常丰富，不同农作物之间的物候差异是选择作物识别最佳时相的常用依据［7］。我国华北地区主要农作物种植的物候期及各阶段的植被覆盖程度见图1［8］。根据农作物物候期分布、不同时期遥感图像的光谱特性以及不同物候期内农作物光谱特征差异，选取区别不同农作物的最佳时相影像。比如，12月上旬冬小麦处于分蘖期，地面有一定的植被覆盖，叶绿素含量，而其他植被均已落叶，与背景地物具有较大的季相差异，因此，在卫星图像上表现为十分明显的影像特征。
2．2 农作物光谱特征
选取遥感影像特定波段的数据就可以更有效地对不同农作物进行分类。对于MODIS数据，可以选用与农作物生长密切相关的1～7个波段进行分析。其中，RED波段（0．620～0．670 μm）受叶绿素含量控制，对绿色植被具有强吸收特点，对植被覆盖度、生长状况敏感，如分蘖期的冬小麦，由于具有较高的叶绿素含量，与背景地物具有较大的季相差异，因此在卫星图像上表现为十分明显的影像特征；BLUE波段（0．459～0．479 μm）可以反映土壤和植被的差异，改进对农作物的监测；NIR波段（0．841～0．876 μm）对绿色植被具有高反射特点，可以反映指标类型和生物量的指标；ESWIR波段（1．628～1．652 μm）则受叶细胞内水分含量的控制，对植被生化组分和湿度的变化非常敏感［9］。
植被指数是对地表植被活动的简单、有效的度量。在MODIS－NDVI数据集中，使用植物吸收的RED波段和植物发射的远红外波段┃
3 基于MODIS的农作物面积提取
3．1 研究方法
利用遥感数据提取农作物种植面积的理论依据是遥感图像中相同的地物类型在相同的条件下（纹理、地形、光照、植被覆盖等），应具有相同或相似的光谱信息特征和空间信息特征。其实质是根据各类地物的光谱特征进行特征参数的分析与选择，然后采用一定的规则（即分类算法）对遥感图像进行分类［2］。其中，不同类型地物的特征选择和分类算法是农作物种植面积提取的关键点。
根据不同生物波谱特性和农作物物候特征差异，选择多时相的MODIS遥感数据，通过计算并分析归一化植被指数NDVI、增强型植被指数EVI、土壤调节植被指数等，使用现有成熟的遥感图像处理软件ERDAS IMAGINE进行分类试验，通过调整算法的参数和优化样本点等方式不断改进和提高分类效果。
3．2 农作物面积提取
在研究过程中，尤其要注意不同尺度、多时相遥感数据的选择要结合被研究区域的地理数据、按当地气象数据及其他辅助数据。在数据与特征波段分析时要结合农作物波谱特性及生物学特性，并综合利用农作物物候期信息，提取合适的特征参量，改进分类精度和农作物提取的精确度。基于MODIS的农作物面积提取流程如图2所示。
4 黄淮地区冬小麦面积提取的应用
4．1 数据选择
小麦是我国主要粮食作物之一，地域分布广阔，种植相对集中。按照种植产区可以分为黄淮冬麦区、东北春麦区、新疆冬春麦区、北部春麦区、西北春麦区、西南冬麦区、华南冬麦区、长江中下游冬麦区、北部冬麦区等9个大区［11］。其中，黄淮地区（主要包括河南、山东、河北、天津、北京等地）是全国最大的冬小麦生产基地，其小麦种植面积占全国总种植面积的61．4％，因此成为农业遥感监测的主要地区。
本研究选取了黄淮冬小麦种植区为研究区域，利用的MODIS遥感数据进行冬小麦种植面积提取。根据图2所示的冬小麦物候期特征，分别选取了2010年12月上旬冬小麦分蘖期的3类数据产品进行处理，具体包括有：2010年12月8日MODIS陆地标准数据产品（MOD09GQ）、2010年12月6日至10日中国250 m EVI 5 d合成产品（MODEV1F）和2010年12月1日至10日中国250 m EVI旬合成产品（MODEV1T），分辨率均为250 m。前两种遥感数据局部图如图3所示。
4．2 试验结果
根据上述分析，对MOD09GQ的第1、2波段和MODEV1F、MODEV1T的第3、7波段进行几何校正、影像切割和重采样等操作。进一步对RED、NIR，BLUE和ESWIR 4个工作波段光谱数据计算，得到LSWI、EVI和EVI特征数据集。结合给区域特征，将地物分为冬小麦、绿地、裸地、水体、其他等6个类别。
在ERDAS IMAGINE Professional 9．1环境下，分别采用监督分类和非监督分类方法进行试验，各参数使用该环境下该算法的缺省值。随机抽取200个样本点对分类结果进行精度评价，所得结果如表1所示。
Kappa系数是一种计算分类精度的方法，它采用离散的多元技术来测量图像之间的吻合度［12］。从表1中可以看出，各种地物单类分类精度在85％以上，总体精度平均值达到了89．94％，均大于0．84。从遥感数据产品上来看，采用EVI 5 d合成的MODEV1F遥感数据的分类精度普遍高于单日数据产品MOD09GQ和旬合成数据产品MODEV1T。
5 小结与讨论
农作物面积反映了农业生产在空间范围利用农业生产资源的情况，是了解农产品种类、结果、分布特征的重要信息，是进行农业结构调整的依据，是研究粮食区域平衡、预测农业资源综合生产能力与人口承载能力的重要数据源。应用遥感技术可以及时可靠地监测全国主要农作物的种植面积或种植面积的变化。尤其是近年来新的高空间分辨率、高光谱、雷达等遥感技术的发展，为农业现代化管理提供了新的机遇。结合地理信息系统（GIS）、全球定位系统（gps）和遥感技术（RS）的“3S”一体化发展必将成为今后农业遥感的研究热点。
教育期刊网 http://www.jyqkw.com
参考文献：
［1］ 李小文．遥感原理与应用［M］．北京：科学出版社，2008．1－8．
［2］ 林文鹏，王长耀．大尺度作物遥感检测方法与应用［M］．北京：科学出版社，2010．
［3］ 陈仲新．GEOSS背景下的农业遥感监测［J］．中国农业资源与区划，2012，33（4）：5－10．
［4］ National Aeronautics and Space Administration：MODIS Data ［DB/OL］．http：//modis．gsfc．nasa．gov/.
［5］ 中国科学院计算机网络信息中心．地理空间数据云［DB/OL］．http：//www．gscloud．cn/.
［6］ 齐 腊，刘良云，赵春江，等．基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究［J］．遥感技术与应用，2008，23（2）：38－43．
［7］ PAUL D，HATFIELF J． Crop condition and yield simulations using Landsat and MODIS imagery［J］． Remote Sensing of Environment，2004，92（4）：548－559．
［8］ 王家强，于 军，彭 杰，等．基于植被指数的土壤氮素遥感估算研究［J］．西南农业学报，2014，27（1）：215－219.
［9］ 范 莉，罗孳孳．基于MODIS－NDVI的水稻遥感估产——以重庆三峡库区为例［J］．西南农业学报，2009，22（5）：1416－1419.
［10］ 冯学智，肖鹏峰，赵书河，等．遥感数字图像处理与应用［M］．北京：商务印书馆，2011．267－274．
［11］ 王长耀，林文鹏．基于MODIS EVI的冬小麦产量遥感预测研究［J］．农业工程学报，2005，22（10）：90－94．
［12］ 柳钦火，辛晓洲，唐 娉，等．定量遥感模型、应用及不确定性研究［M］．北京：科学出版社，2010．