论文部分内容阅读
摘要综合考虑湄公河三角洲地区高质量TM影像难以获得、影像单一以及MODIS时间序列数据影像的空间分辨率无法满足监测需要的问题，提出一种基于影像对象的MODIS与TM数据融合模型（IOBFM）。根据2009年12月9日和2010年7月5日湄公河三角洲中部地区Landsat7 TM影像数据，融合MODIS时序数据提取裸地纯象元点中的水稻点，并与单纯运用MODIS影像的提取结果的精度进行比较。结果表明，用IOBFM模型的水稻象元提取精度比MODIS提取精度高出9.7个百分点，MODIS与TM数据融合可提高提取地区植被分布的精度。
关键词TM；MODIS；水稻；湄公河三角洲；影像融合
中图分类号S127；TP79文献标识码A文章编号0517-6611（2016）16-266-04
AbstractThere were several problems in Niger Delta of Mekong River，such as difficult obtaining of highquality TM image，single image，spatial resolution of MODIS time series data image being unable to meet the needs of the monitoring.Based on these，we proposed a MODIS and TM data fusion model based on image objects （image object based fusion model，IOBFM）.According to the Landsat7 TM image data in Niger Delta of Mekong River in December 9，2009 and July 5，2010，we integrated the MODIS time series data，extracted the paddy points in bare pure pixel points，and compared with the precision of extracting results of using single MODIS image.Results showed that using rice pixel extraction accuracy in IOBFM model enhanced the accuracy by 9.7 percentage points compared with MODIS extraction accuracy.MODIS and TM data fusion enhanced the extraction accuracy of paddy planting distribution.
Key wordsTM； MODIS； Paddy； Mekong Delta； Image fusion
全球50%以上人口以大米作为主食，稻田占全球耕地面积超过约11%。湄公河三角洲地区水稻种植情况调查对地区粮食安全起到举足轻重的作用，而湄公河三角洲的水稻种植面积估算一般基于野外调查，使得这项工作费时费力[1]。遥感技术手段已经成为监测农业生产的必要手段，Landsat TM影像能够满足植被特征的空间监测任务。但在多云多雨的湄公河三角洲地区，遥感卫星影像质量受云层影响较大，使得高质量TM影像的获取较为困难；而低分辨率遥感影像数据系列，如MODIS数据的植被指数时间序列数据可以用于监测植被生物物理变量的时空动态变化[2-3]，这种反映生物物理量变化的多时相数据有多种应用优势[4-5]。由于湄公河地区土地异质性较大，目前常用于提取植被指数时间序列的MODIS数据在湄公河水稻提取中会产生混合象元问题。随着影像融合技术的发展，结合来源不同的遥感影像提高解译精度成为遥感分类趋势。综合考虑高质量TM影像难以获得、影像单一以及MODIS时间序列数据影像的空间分辨率无法满足监测需要问题，笔者提出一种基于影像对象的MODIS与TM数据融合模型（IOBFM），将高时间分辨率的MODIS数据作为辅助数据提高TM影像提取水稻种植分布的精度。
1数据来源与研究方法
1.1研究区概况湄公河三角洲位于越南最南部以及柬埔寨部分地区（104°27～106°48′E、8°34～11°2′N）。湄公河三角洲地处热带，为典型的热带季风气候[6]。其水稻种植有深水单季稻、双季稻、三季稻。除水稻外，旱地多种植热带经济作物、水果和旱粮作物[7-9]。
1.2数据及预处理使用的TM数据来自Landsat 7卫星数据，空间分辨率为30 m。研究时段为2009～2010年，选取研究区内一景质量较高的TM数据，其范围覆盖湄公河三角洲中部地区，采集时间为2009年12月9日和2010年7月5日。TM数据已经进行过几何校正、大气校正。
对获取的MODIS的地表反射率合成产品数据（MOD09A1）影像进行拼接、裁剪，统一转换到与TM影像投影相同的UTM投影。使用前2个波段计算出NDVI数据，并得到QA数据层。使用TIMESAT软件的Savitzky-Golay滤波算法对NDVI时序进行滤波，将S-G滤波窗口设置为6，上包络线迭代次数设置为2。经S-G滤波处理最终得到滤波后平滑的NDVI时序曲线更加接近真实NDVI值[10-13]。该研究使用Google Earth中2009～2010年高清遥感卫星影像获取248个验证点，其中165个水稻地类点，83个非水稻地类点，由于验证的精度对象为30 m分辨率TM影像，采样点的选择为土地覆盖类型均匀的50 m×50 m范围点。
1.3研究方法该研究分类过程分为4个步骤：①影像分割。②将TM及MODIS影像中可以确定为水稻地类点的象元提出。③应用对不确定是否为水稻点的混合象元提出。在裸地类中，对于TM影像无法识别是否为水稻种植点，而MODIS影像为纯象元裸地类的，则使用MODIS影像进行水稻点判别。④在TM影像中，有处于生长期的水稻象元，可以直接由TM影像通过面向对象的方法提取出，也有MODIS影像内为纯象元裸地而TM影像中无法识别是否为水稻象元的，则可通过基于MODIS影像中提取的NDVI时序相似性方法提取其是否为水稻点。 1.3.1影像分割。应用eCognition软件，首先将与获得的2幅高质量TM影像时间相对于的MODIS影像按象元大小分割。在MODIS影像分割的基础上，对TM影像进行分割。即对MODIS象元内的两景TM影像共同进行分割。经试验，在分割尺度为6的情况下可以满足对象内一致性，对象间异质性的需求。分割参数的选取：对所有TM波段（2幅影像共14个波段）的权重均设为1，形状异质性 （shape）设为0.2，即光谱异质性为0.8；紧密度异质性 （compactness）设为0.5，即光滑度异质性为0.5。
1.3.2影像分类。根据两景TM影像的光谱、形状、纹理特征，将TM影像分为6类，其中将裸地类分为4类，即无法确定是否在生长季为水稻种植的地类点，其余2类分别为确定为的水稻点和非水稻地类点。为确定MODIS影像为裸地纯象元的象元是否为水稻种植点，则采用时间序列挖掘中的动态时间弯曲距离计算方法逐像元比较MODIS裸地纯象元点与水稻纯象元点NDVI时序曲线（标准生长曲线）的相似度[18]。依据试验取DTW距离阈值划分MODIS象元为水稻点或非水稻点。最后，在面向对象方法对TM影像分割的基础上，认为一个MODIS影像内的单个对象的时序曲线相同，将其作为一类。单个MODIS象元内子层（TM影像分割结果）对象的权重不同，利用以下公式确定：
F（i，t）=kc=1[w（i，c）×v（i，c）×l（c，t）]+ε （1）
式中，w（i，c）为对象在混合象元中的面积比例；v（i，c）是单个MODIS象元在各分割对象上的系数；l（c，t）是单个MODIS象元在t时间内各分割对象的反射率值，即对象内包含的TM影像象元反射率均值；c为单个MODIS象元内TM影像分割对象总数。其中v（i，c）可通过推导求得[15]：
v（i，c）=Fkn-Fkmcn-cm （2）
式中，Fkn、Fkm分别是n时间和m时间第k个分割对象的反射率值；Cn、Cm分别是n时间和m时间MODIS象元的反射率值。
根据公式（2）的推导过程可以得到：
l（c，t1）=l（c，t2）+ni=1w（i，c）×v（i，c）×[F（i，t1）-F（i，t2）]（3）
式中，1（c，t）是单个MODIS象元在t时间内各分割对象的反射率值；c是指象元内土地覆盖类型总数；w（i，c）为对象在混合象元中的面积比例；v（i，c）是单个MODIS象元在各分割对象上的系数；F（i，t）是指t时刻MODIS象元的光谱反射率。最后，利用公式（3）对各个波段对MODIS及TM影像进行IOBFM融合后，基于DTW距离提取水稻点。
2结果与分析
2.1影像分类结果根据2009～2010年两景TM影像的光谱特征，对分割后的影像对象进行决策树分类。TM分类结果见图1a。根据水稻点纯象元曲线相似性可提取裸地纯象元中的水稻点[18]，由MODIS时序数据提取裸地纯象元点中的水稻点，其中，设置DTW距离小于0.1的象元点为水稻点，最终得到纯象元水稻点提取结果见图1b。图1基于TM及MODIS的影像结果
Fig.1Image results based on TM and MODIS除纯象元点外，大部分TM影像中裸地点在MODIS影像中都为混合象元点，判别这部分象元是否为水稻点需要使用混合象元分解技术，该研究以TM影像对象为基础对MODIS进行像元分解，判别MODIS象元内的TM影像裸地类对象是否为水稻种植点。假设每个MODIS象元范围内的单个裸地对象的种植情况相同，且各个地类形状在年内未发生变化。
2.2权重系数利用公式（2），计算得到系数矩阵、面积权重矩阵（图2）。最后，根据公式（3）计算出2010年剩余45景与MODIS 反射率对应的TM 反射率值。最终对得到的高分辨率 NDVI时序，也使用基于DTW距离的时序相似性判断是否为水稻象元点。图2系数及面积权重矩阵
Fig.2Coefficient and area weight matrix2.3IOBFM结果比较图3为使用DTW距离提取的水稻，图3a为MODIS NDVI时序数据提取的水稻点（图中蓝色区域），图3b为使用本文流程提取的水稻点（图中红色区域）。比较图3a和图3b可以看出，使用该研究方法既能将TM影像中的裸地点提取出来，又能细化提取结果，如研究区西南部的路网基本能剔除。图3用MODIS影像和IOBFM方法的水稻提取结果比较
Fig.3Comparison of paddy extraction results by MODIS image and IOBFM method为比较提取结果的精度，结合GoogleEarth高清遥感影像以及野外实测数据对水稻提取结果进行了精度验证。在湄公河三角洲的中部地区均匀取得水稻种植点165个，其他地类取点83个，取点尽量选择非混合像元。根据随机选取的点与水稻提取结果进行分析，得到2种方法提取结果的分类精度比较（表1）。由表1可知，利用TM影像提取结果中，正确率达到79.4%，最后得到总体正确分类精度为79.2%；利用IOBFM方法提取结果，正确率达到88.5%，最后得到总体正确分类精度为88.9%。
安徽农业科学2016年3结论与讨论
湄公河三角洲地区属于热带季风多云多雨气候，影像受云影响很大，加之水稻种植灵活，所以水稻的影像提取有一表1TM影像和IOBFM方法提取结果分类精度比较定的难度。该研究利用遥感融合技术，在对混合像元分解的基础上，结合Landsat 7 TM和MODIS高时间分辨率影像与高空间分辨率影像的优势进行高精度水稻制图，结果表明：①利用更高的空间分辨率图像或辅助数据信息分析低分辨率像素内的每种地物的信息能更有效的估算低空间分辨率混合像元中不同地类的反射率和NDVI值。②将高时间分辨率的MODIS数据作为辅助数据提高TM影像提取水稻种植分布精度不仅能将TM影像中裸地点提取出来，又能细化提取结果，剔除一些不需要的信息，如路网等。③时相的选取对水稻提取有着至关重要的作用，在水稻的不同时期其生长状况是随时发生变化的，在水稻生长期获得的影像才具有很好的研究意义。由于该研究区获取的TM影像受云污染较严重，因此很难得到无云并处于水稻生长期的高质量的TM影像，该研究在MODIS数据的辅助下使TM影像最终水稻提取结果的精度为88.9%，比使用MODIS影像提取结果在精度上提高了9.7个百分点。该研究思路和方法达到了一个较满意的试验结果，将这种思路和方法应用到提高其他地区植被的提取精度上，也将有一定收获。 参考文献
[1] KUENZER C，KNAUER K.Remote sensing of rice crop areas[J].International journal of remote sensing，2013，34（6）：2101-2139.
[2] CHERCHALI S，AMRAM O，FLOUZAT G.Retrieval of temporal profiles ofreflectances from simulated and real NOAA-AVHRR data over heteroge-neouslandscapes[J].International journal of remote sensing，2000，21：753-775.
[3] DABROWSKAZIELINSKA K，GRUSZCZYNSKA M，YESOU H，et al.Biophysical properties of wetlands vegetation retrieved from satellite images[J].Geoscience and remote sensing symposium，2004，7：4580-4583.
[4] MATSUSHITA B，TAMURA M.Integrating remotely sensed data with anecosystem model to estimate net primary productivity in East Asia[J].Remote sensing of environment，2002，81：58-66.
[5] MOULIN S，BONDEAU A，DELECOLLE R.Combining agricultural cropmodels and satellite observations： From field to regional scales[J].International journal of remote sensing，1998，19：1021-1036.
[6] ZURITAMILLA R，KAISER G，CLEVERS J G P W，et al.Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics[J].Remote sensing of environment，2009，113： 1874-1885.
[7] 胡继银，蒋艾青.越南杂交水稻现状及发展对策[J].杂交水稻，2010，25（5）：84-88.
[8] 吕荣华，周行，梁朝旭，等.越南水稻的栽培概况[J].广西农业科学，2004，35（2）：102-103.
[9] 顾根宝，郭军，顾闽峰，等.越南水稻品种资源分类及其利用状况[J].杂交水稻，2004，19（1）：60-61.
[10] 宋春桥，柯灵红，游松财，等.基于TIMESAT的3种时序NDVI拟合方法比较研究：以藏北草原为例[J].遥感技术与应用，2011，26（2）： 147-154.
[11] GU J，LI X，HUANG C，et al.A simplified data assimilation method for reconstructing timeseries MODIS NDVI Data[J].Advances in space research，2009，44：501-509.
[12] CHEN J，JNSSON P，TAMURA M，et al.A simple method for reconstructing a highquality NDVI timeseries data set based on the savitzkyGolay filter[J].Remote sensing of environment，2004，91：332-344.
[13] EKLUNDH L，JNSSON P.TIMESAT 3.1 Software manual[M].Sweden：Lund University，2012：82.
[14] BUSETTO L，MERONI M，COLOMBO R.Combining medium and coarse spatial resolution satellite data to improve theestimation of subpixel NDVI time series[J].Remote sensing of environment，2008，112：118-131.
[15] ZHU X I，CHEN J，GAO F，et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote sensing of environment，2010，114： 2610-2623.
[16] HILKER t，WULDER M A，COOPS N C，et al.A new data fusion model for high spatial and temporalresolution mapping of forestdisturbance based on Landsat and MODIS[J].Remote sensing of environment，2009，113： 1613-1627.
[17] MEZNED N，ABDELJAOUED S，BOUSSEMA M B.A comparative study for unmixing based Landsat ETM+ and ASTER image fusion[J].International journal of applied earth observation and geoinformation，2010，12： 131-137.
[18] 管续栋，黄翀，刘高焕，等.基于DTW距离的时序相似性方法提取水稻遥感信息：以泰国为例[J].资源科学，2014， 36（2）：227-236.
关键词TM；MODIS；水稻；湄公河三角洲；影像融合
中图分类号S127；TP79文献标识码A文章编号0517-6611（2016）16-266-04
AbstractThere were several problems in Niger Delta of Mekong River，such as difficult obtaining of highquality TM image，single image，spatial resolution of MODIS time series data image being unable to meet the needs of the monitoring.Based on these，we proposed a MODIS and TM data fusion model based on image objects （image object based fusion model，IOBFM）.According to the Landsat7 TM image data in Niger Delta of Mekong River in December 9，2009 and July 5，2010，we integrated the MODIS time series data，extracted the paddy points in bare pure pixel points，and compared with the precision of extracting results of using single MODIS image.Results showed that using rice pixel extraction accuracy in IOBFM model enhanced the accuracy by 9.7 percentage points compared with MODIS extraction accuracy.MODIS and TM data fusion enhanced the extraction accuracy of paddy planting distribution.
Key wordsTM； MODIS； Paddy； Mekong Delta； Image fusion
全球50%以上人口以大米作为主食，稻田占全球耕地面积超过约11%。湄公河三角洲地区水稻种植情况调查对地区粮食安全起到举足轻重的作用，而湄公河三角洲的水稻种植面积估算一般基于野外调查，使得这项工作费时费力[1]。遥感技术手段已经成为监测农业生产的必要手段，Landsat TM影像能够满足植被特征的空间监测任务。但在多云多雨的湄公河三角洲地区，遥感卫星影像质量受云层影响较大，使得高质量TM影像的获取较为困难；而低分辨率遥感影像数据系列，如MODIS数据的植被指数时间序列数据可以用于监测植被生物物理变量的时空动态变化[2-3]，这种反映生物物理量变化的多时相数据有多种应用优势[4-5]。由于湄公河地区土地异质性较大，目前常用于提取植被指数时间序列的MODIS数据在湄公河水稻提取中会产生混合象元问题。随着影像融合技术的发展，结合来源不同的遥感影像提高解译精度成为遥感分类趋势。综合考虑高质量TM影像难以获得、影像单一以及MODIS时间序列数据影像的空间分辨率无法满足监测需要问题，笔者提出一种基于影像对象的MODIS与TM数据融合模型（IOBFM），将高时间分辨率的MODIS数据作为辅助数据提高TM影像提取水稻种植分布的精度。
1数据来源与研究方法
1.1研究区概况湄公河三角洲位于越南最南部以及柬埔寨部分地区（104°27～106°48′E、8°34～11°2′N）。湄公河三角洲地处热带，为典型的热带季风气候[6]。其水稻种植有深水单季稻、双季稻、三季稻。除水稻外，旱地多种植热带经济作物、水果和旱粮作物[7-9]。
1.2数据及预处理使用的TM数据来自Landsat 7卫星数据，空间分辨率为30 m。研究时段为2009～2010年，选取研究区内一景质量较高的TM数据，其范围覆盖湄公河三角洲中部地区，采集时间为2009年12月9日和2010年7月5日。TM数据已经进行过几何校正、大气校正。
对获取的MODIS的地表反射率合成产品数据（MOD09A1）影像进行拼接、裁剪，统一转换到与TM影像投影相同的UTM投影。使用前2个波段计算出NDVI数据，并得到QA数据层。使用TIMESAT软件的Savitzky-Golay滤波算法对NDVI时序进行滤波，将S-G滤波窗口设置为6，上包络线迭代次数设置为2。经S-G滤波处理最终得到滤波后平滑的NDVI时序曲线更加接近真实NDVI值[10-13]。该研究使用Google Earth中2009～2010年高清遥感卫星影像获取248个验证点，其中165个水稻地类点，83个非水稻地类点，由于验证的精度对象为30 m分辨率TM影像，采样点的选择为土地覆盖类型均匀的50 m×50 m范围点。
1.3研究方法该研究分类过程分为4个步骤：①影像分割。②将TM及MODIS影像中可以确定为水稻地类点的象元提出。③应用对不确定是否为水稻点的混合象元提出。在裸地类中，对于TM影像无法识别是否为水稻种植点，而MODIS影像为纯象元裸地类的，则使用MODIS影像进行水稻点判别。④在TM影像中，有处于生长期的水稻象元，可以直接由TM影像通过面向对象的方法提取出，也有MODIS影像内为纯象元裸地而TM影像中无法识别是否为水稻象元的，则可通过基于MODIS影像中提取的NDVI时序相似性方法提取其是否为水稻点。 1.3.1影像分割。应用eCognition软件，首先将与获得的2幅高质量TM影像时间相对于的MODIS影像按象元大小分割。在MODIS影像分割的基础上，对TM影像进行分割。即对MODIS象元内的两景TM影像共同进行分割。经试验，在分割尺度为6的情况下可以满足对象内一致性，对象间异质性的需求。分割参数的选取：对所有TM波段（2幅影像共14个波段）的权重均设为1，形状异质性 （shape）设为0.2，即光谱异质性为0.8；紧密度异质性 （compactness）设为0.5，即光滑度异质性为0.5。
1.3.2影像分类。根据两景TM影像的光谱、形状、纹理特征，将TM影像分为6类，其中将裸地类分为4类，即无法确定是否在生长季为水稻种植的地类点，其余2类分别为确定为的水稻点和非水稻地类点。为确定MODIS影像为裸地纯象元的象元是否为水稻种植点，则采用时间序列挖掘中的动态时间弯曲距离计算方法逐像元比较MODIS裸地纯象元点与水稻纯象元点NDVI时序曲线（标准生长曲线）的相似度[18]。依据试验取DTW距离阈值划分MODIS象元为水稻点或非水稻点。最后，在面向对象方法对TM影像分割的基础上，认为一个MODIS影像内的单个对象的时序曲线相同，将其作为一类。单个MODIS象元内子层（TM影像分割结果）对象的权重不同，利用以下公式确定：
F（i，t）=kc=1[w（i，c）×v（i，c）×l（c，t）]+ε （1）
式中，w（i，c）为对象在混合象元中的面积比例；v（i，c）是单个MODIS象元在各分割对象上的系数；l（c，t）是单个MODIS象元在t时间内各分割对象的反射率值，即对象内包含的TM影像象元反射率均值；c为单个MODIS象元内TM影像分割对象总数。其中v（i，c）可通过推导求得[15]：
v（i，c）=Fkn-Fkmcn-cm （2）
式中，Fkn、Fkm分别是n时间和m时间第k个分割对象的反射率值；Cn、Cm分别是n时间和m时间MODIS象元的反射率值。
根据公式（2）的推导过程可以得到：
l（c，t1）=l（c，t2）+ni=1w（i，c）×v（i，c）×[F（i，t1）-F（i，t2）]（3）
式中，1（c，t）是单个MODIS象元在t时间内各分割对象的反射率值；c是指象元内土地覆盖类型总数；w（i，c）为对象在混合象元中的面积比例；v（i，c）是单个MODIS象元在各分割对象上的系数；F（i，t）是指t时刻MODIS象元的光谱反射率。最后，利用公式（3）对各个波段对MODIS及TM影像进行IOBFM融合后，基于DTW距离提取水稻点。
2结果与分析
2.1影像分类结果根据2009～2010年两景TM影像的光谱特征，对分割后的影像对象进行决策树分类。TM分类结果见图1a。根据水稻点纯象元曲线相似性可提取裸地纯象元中的水稻点[18]，由MODIS时序数据提取裸地纯象元点中的水稻点，其中，设置DTW距离小于0.1的象元点为水稻点，最终得到纯象元水稻点提取结果见图1b。图1基于TM及MODIS的影像结果
Fig.1Image results based on TM and MODIS除纯象元点外，大部分TM影像中裸地点在MODIS影像中都为混合象元点，判别这部分象元是否为水稻点需要使用混合象元分解技术，该研究以TM影像对象为基础对MODIS进行像元分解，判别MODIS象元内的TM影像裸地类对象是否为水稻种植点。假设每个MODIS象元范围内的单个裸地对象的种植情况相同，且各个地类形状在年内未发生变化。
2.2权重系数利用公式（2），计算得到系数矩阵、面积权重矩阵（图2）。最后，根据公式（3）计算出2010年剩余45景与MODIS 反射率对应的TM 反射率值。最终对得到的高分辨率 NDVI时序，也使用基于DTW距离的时序相似性判断是否为水稻象元点。图2系数及面积权重矩阵
Fig.2Coefficient and area weight matrix2.3IOBFM结果比较图3为使用DTW距离提取的水稻，图3a为MODIS NDVI时序数据提取的水稻点（图中蓝色区域），图3b为使用本文流程提取的水稻点（图中红色区域）。比较图3a和图3b可以看出，使用该研究方法既能将TM影像中的裸地点提取出来，又能细化提取结果，如研究区西南部的路网基本能剔除。图3用MODIS影像和IOBFM方法的水稻提取结果比较
Fig.3Comparison of paddy extraction results by MODIS image and IOBFM method为比较提取结果的精度，结合GoogleEarth高清遥感影像以及野外实测数据对水稻提取结果进行了精度验证。在湄公河三角洲的中部地区均匀取得水稻种植点165个，其他地类取点83个，取点尽量选择非混合像元。根据随机选取的点与水稻提取结果进行分析，得到2种方法提取结果的分类精度比较（表1）。由表1可知，利用TM影像提取结果中，正确率达到79.4%，最后得到总体正确分类精度为79.2%；利用IOBFM方法提取结果，正确率达到88.5%，最后得到总体正确分类精度为88.9%。
安徽农业科学2016年3结论与讨论
湄公河三角洲地区属于热带季风多云多雨气候，影像受云影响很大，加之水稻种植灵活，所以水稻的影像提取有一表1TM影像和IOBFM方法提取结果分类精度比较定的难度。该研究利用遥感融合技术，在对混合像元分解的基础上，结合Landsat 7 TM和MODIS高时间分辨率影像与高空间分辨率影像的优势进行高精度水稻制图，结果表明：①利用更高的空间分辨率图像或辅助数据信息分析低分辨率像素内的每种地物的信息能更有效的估算低空间分辨率混合像元中不同地类的反射率和NDVI值。②将高时间分辨率的MODIS数据作为辅助数据提高TM影像提取水稻种植分布精度不仅能将TM影像中裸地点提取出来，又能细化提取结果，剔除一些不需要的信息，如路网等。③时相的选取对水稻提取有着至关重要的作用，在水稻的不同时期其生长状况是随时发生变化的，在水稻生长期获得的影像才具有很好的研究意义。由于该研究区获取的TM影像受云污染较严重，因此很难得到无云并处于水稻生长期的高质量的TM影像，该研究在MODIS数据的辅助下使TM影像最终水稻提取结果的精度为88.9%，比使用MODIS影像提取结果在精度上提高了9.7个百分点。该研究思路和方法达到了一个较满意的试验结果，将这种思路和方法应用到提高其他地区植被的提取精度上，也将有一定收获。 参考文献
[1] KUENZER C，KNAUER K.Remote sensing of rice crop areas[J].International journal of remote sensing，2013，34（6）：2101-2139.
[2] CHERCHALI S，AMRAM O，FLOUZAT G.Retrieval of temporal profiles ofreflectances from simulated and real NOAA-AVHRR data over heteroge-neouslandscapes[J].International journal of remote sensing，2000，21：753-775.
[3] DABROWSKAZIELINSKA K，GRUSZCZYNSKA M，YESOU H，et al.Biophysical properties of wetlands vegetation retrieved from satellite images[J].Geoscience and remote sensing symposium，2004，7：4580-4583.
[4] MATSUSHITA B，TAMURA M.Integrating remotely sensed data with anecosystem model to estimate net primary productivity in East Asia[J].Remote sensing of environment，2002，81：58-66.
[5] MOULIN S，BONDEAU A，DELECOLLE R.Combining agricultural cropmodels and satellite observations： From field to regional scales[J].International journal of remote sensing，1998，19：1021-1036.
[6] ZURITAMILLA R，KAISER G，CLEVERS J G P W，et al.Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics[J].Remote sensing of environment，2009，113： 1874-1885.
[7] 胡继银，蒋艾青.越南杂交水稻现状及发展对策[J].杂交水稻，2010，25（5）：84-88.
[8] 吕荣华，周行，梁朝旭，等.越南水稻的栽培概况[J].广西农业科学，2004，35（2）：102-103.
[9] 顾根宝，郭军，顾闽峰，等.越南水稻品种资源分类及其利用状况[J].杂交水稻，2004，19（1）：60-61.
[10] 宋春桥，柯灵红，游松财，等.基于TIMESAT的3种时序NDVI拟合方法比较研究：以藏北草原为例[J].遥感技术与应用，2011，26（2）： 147-154.
[11] GU J，LI X，HUANG C，et al.A simplified data assimilation method for reconstructing timeseries MODIS NDVI Data[J].Advances in space research，2009，44：501-509.
[12] CHEN J，JNSSON P，TAMURA M，et al.A simple method for reconstructing a highquality NDVI timeseries data set based on the savitzkyGolay filter[J].Remote sensing of environment，2004，91：332-344.
[13] EKLUNDH L，JNSSON P.TIMESAT 3.1 Software manual[M].Sweden：Lund University，2012：82.
[14] BUSETTO L，MERONI M，COLOMBO R.Combining medium and coarse spatial resolution satellite data to improve theestimation of subpixel NDVI time series[J].Remote sensing of environment，2008，112：118-131.
[15] ZHU X I，CHEN J，GAO F，et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote sensing of environment，2010，114： 2610-2623.
[16] HILKER t，WULDER M A，COOPS N C，et al.A new data fusion model for high spatial and temporalresolution mapping of forestdisturbance based on Landsat and MODIS[J].Remote sensing of environment，2009，113： 1613-1627.
[17] MEZNED N，ABDELJAOUED S，BOUSSEMA M B.A comparative study for unmixing based Landsat ETM+ and ASTER image fusion[J].International journal of applied earth observation and geoinformation，2010，12： 131-137.
[18] 管续栋，黄翀，刘高焕，等.基于DTW距离的时序相似性方法提取水稻遥感信息：以泰国为例[J].资源科学，2014， 36（2）：227-236.