利用决策树分类方法提取南京水稻面积并研究其时间变化规律开题报告

本课题的意义、国内外研究概况、应用前景等

课题的意义

水稻是我国重要的粮食作物，占全国粮食总种植面积的 27% ，而其产量达到全国粮食总产量的 35%^［1］。而水稻主要生长在我国多云雨、温度适宜的中部和南部地区，该区域是我国的主要产粮区，对该区域水稻进行种植面积的提取、长势的监测和产量的估算等研究是具有重要意义的。水稻的面积提取有很多种方法，从数据的角度看，水稻信息提取的方法可分为两大类型：以TM为代表的中高分辨率数据和以MODIS为代表的低分辨率数据。但现研究多是提高水稻面积提取的精度，该课题则是研究水稻的面积变化，分析其变化趋势，探究造成变化的驱动因子，为水稻的生产及决策提供技术支持。

国内外研究概况

国外对将遥感应用于农业上开始的较早，1974-1977年，美国农业部(USDA)、美国国家海洋大气管理局(NOAA)，美国国家航空航天局(NOAA)和美国商业部合作主持了大面积农作物估产实验(Large Area Crop Inventory Experiment，简称LACIE)计划。其主要研究内容为：利用陆地卫星资料估算作物的种植面积和生长状况，利用气象卫星的天气资料作为作物单产估算模型的主要输入量。结果表明，应用卫星遥感技术有助于改进作物产量预测、估算，提高大面积小麦产量预报精度，开启了遥感卫星在农业方面的应用^[2]。而后，McCloy K R^［3］ 等人研究利用 Landsat影像或NOAA甚高分辨率扫描辐射计(AVHRR) 来确定水稻的分布。这也是早期的利用遥感卫星来对水稻的分布和面积进行提取研究之一。

随着遥感卫星的不断发展，利用遥感对于农业方面应用的研究更加多元化。Wardlow 和 Egbert^［4］研究如何利用 MODIS 的时序 NDVI 数据对美国中部大平原地区提取作物分类信息。而Masuoka^[5]研究小区域尺度上的面积提取精度问题，他们研究表明，在小区域尺度上利用IKONOS对水稻的分类精度比 Landsat ETM 分类精度显著提高。

国内对于将遥感应用于农业上起步与国外相比较晚，但发展至今已然位于前列。。水稻的面积提取有很多种方法，从数据的角度看，水稻信息提取的方法可分为两大类型：以 TM为代表的中高分辨率数据和以MODIS为代表的低分辨率数据^［6］。其中，前一类型是静态地通过单一时相的影像分类，这类数据自身具有较高空间分辨率分类精度较高；后一类型则主要通过时序归一化植被指数的差异结合知识的手段从而提高分类精度。王福民等^[7]曾以水稻生长前期和后期2景TM影像进行穗帽变换并合成多时相影像，通过最小距离法来提取水稻信息；朱良等^[8]通过TM影像的 NDVI和陆地表水指数不同变化进行小尺度水稻面积提取；彭代亮^[9]在2009年基于统计与MODIS数据来进行水稻遥感估产；马孟莉等^[10]利用混合像元分解的方法也做过水稻面积的提取。

我国目前的研究方向多是使用不同的数据源与提取方法的结合，研究小区域尺度或者大范围的提取水稻面积的精度。江南^[11]等利用TM和NOAA卫星数据进行江苏省水稻种植面积提取，精度达93％。而对于研究水稻田面积变化的却很少。Peng ^［12］等人利用 1986 年和2002 年两期 Landsat TM 影像对丽江县包括水稻在内的土地利用类型进行分析，实现了对过去 16 年间水稻种植区域变化分析。余超、李阳明^[13]等利用2002年、2006年和2010年的遥感影像为主要信息源通过决策树分类的方法提取南京江宁区水稻面积，分析了2002年～2010年南京江宁区的水稻面积变化。国内大时间跨度的市级尺度上的对于水稻面积变化的研究还未有，因此我的研究具有一定的突破意义。

应用前景

水稻遥感信息提取是遥感技术在农业领域应用的重要内容，可以实现农业信息的快速收集和定量分析，反应迅速，客观性强，是实现决策科学化的基本手段。尤其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。

本研究选择对比南京过去与现在的水稻面积变化，分析其变化趋势与驱动因子，寻找水稻的迁移变化和城市的发展规律，一定程度上预测水稻种植和城市发展的趋势和方向，为水稻生产发展和国家建设农业布局和进一步规划提供一定的技术支持和重要参考。

参考文献：

[1]陈晓华，张玉香，张合成.中国农业统计资料2011[M].北京:中国农业出版社，2012.

[2] Mac Donald, R. B, Hall, F. G. Global Crop Forecasting[J]. Science, 1980, 208(4445): 670679.

[3] McCloy K R, Smith F R, Robinson M R. Monitoring rice areas using Landsat MSS data[J]. International Journal of Remote Sensing, 1987, 8: 741749.

[4] Wardlow B D, Egbert S L. Large－area crop mapping using time－series MODIS 250m NDVI data: an asseessment for the US Central Great Plains[J]. Remote Sensing of Environment, 2008, 112: 10961116.

[5] Masuoka P M, Claborn D M, Andre R G, et al. Use of IKONOs and Landsat for malaria control in the Republic of Korea[J]. Remote Sensing of Environment, 2003, 88(1): 187194．

[6] 朱良，平博．多时相TM影像决策树模型的水稻识别提取[J]．地球信息科学学报，2013，15(3)：447－451．

[7] 王福民，黄敬峰，王秀珍．基于穗帽变换的TM影像水稻面积提取[J]．中国水稻科学，2008，22 (3)：297301．

[8] 朱良，平博．多时相TM影像决策树模型的水稻识别提取[J]．地球信息科学学报，2013，15(3)：447451．

[9] 彭代亮．基于统计与MODIS数据的水稻遥感估产方法研究[D]．浙江：浙江大学环境与资源学院，2009．

[10] 马孟莉，朱艳．基于分层多端元混合像元分解的水稻面积信息提取[J]．农业工程学报，2012，28 (2)：154－159

[11] 江南，何隆华，王延颐.江苏省水稻遥感估产研究[J].长江流域资源与环境，1996，5(2): 160165.

[12] Peng J, Wu J, Yin H, et al. Rural land use change during 19862002 in Lijiang, China，based on remote sensing and GIS data[J].Sensors, 2008, 8(12):82018223.

[13]余超，李明阳，何隆华. 利用决策树分类方法的南京江宁水稻面积变化研究[J]. 遥感信息，2015，30(2):8084.