基于動(dòng)態(tài)時(shí)間規(guī)整算法的時(shí)間序列遙感影像樹(shù)種分類1)

李繼紅 徐佳棟

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

基于動(dòng)態(tài)時(shí)間規(guī)整算法的時(shí)間序列遙感影像樹(shù)種分類1)

李繼紅 徐佳棟

(東北林業(yè)大學(xué)，哈爾濱，150040)

時(shí)間序列影像能夠反映植被的物候信息，有助于大幅度提高植被聚類精度，尤其對(duì)于單時(shí)相影像上生長(zhǎng)特性相似的樹(shù)種效果尤其明顯。動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)能夠解決不等長(zhǎng)時(shí)間序列的匹配問(wèn)題，且能夠抵抗噪聲造成的時(shí)間序列中出現(xiàn)的異常值，從而取得更好的相似特征匹配效果。基于6時(shí)間序列GF-1影像數(shù)據(jù)，分別采用DTW和歐式距離(ED)進(jìn)行時(shí)間序列的相似性度量，然后將DTW距離和ED距離運(yùn)用到K-Means算法中，完成對(duì)圖像樹(shù)種的聚類。結(jié)果表明：基于DTW-K Means的時(shí)間序列遙感影像分類方法能夠適用于樹(shù)種分類，總精度為92.21%，Kappa系數(shù)為0.90，均高于ED-K Means方法。

動(dòng)態(tài)時(shí)間規(guī)整算法；時(shí)間序列；樹(shù)種分類；歐式距離

植物在一年的生長(zhǎng)中，隨著季節(jié)性變化而發(fā)生萌芽、抽枝、展葉、開(kāi)花、結(jié)果及落葉、休眠等規(guī)律性的物候現(xiàn)象，且不同植被的物候期節(jié)點(diǎn)不同，各自在時(shí)間上呈現(xiàn)特定的變化規(guī)律[1-2]。因此，利用多時(shí)相或者時(shí)間序列的遙感影像中體現(xiàn)出的植被時(shí)間特性進(jìn)行植被分類，一直是遙感植被分類中的重要研究方向和研究熱點(diǎn)[3-6]。利用遙感影像時(shí)間序列數(shù)據(jù)進(jìn)行地物分類的關(guān)鍵是兩序列的相似性分析，即使用一定的標(biāo)準(zhǔn)，定量評(píng)價(jià)待判斷像元時(shí)間序列與目標(biāo)地類參考時(shí)間序列之間的相似度，具有代表性的相似性度量標(biāo)準(zhǔn)有歐氏距離法、Pearson相關(guān)系數(shù)法和動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)。但是由于云層、噪聲等因素存在，會(huì)導(dǎo)致時(shí)間序列中某時(shí)間點(diǎn)像元值缺失或異常，利用常規(guī)的歐氏距離法(ED)、Pearson相關(guān)系數(shù)法進(jìn)行不等長(zhǎng)序列相似性距離度量時(shí)會(huì)出現(xiàn)偏差。

DTW是基于動(dòng)態(tài)規(guī)劃的思想，是一個(gè)典型的優(yōu)化問(wèn)題，主要用于檢測(cè)序列間的相似性。原理是采用滿足一定條件的時(shí)間規(guī)整函數(shù)，描述輸入序列和參考序列在時(shí)間上的對(duì)應(yīng)關(guān)系，求解兩者匹配時(shí)累計(jì)距離最小所對(duì)應(yīng)的規(guī)整函數(shù)。與其他相似性度量方法相比，DTW在一定程度上克服了尺度位移問(wèn)題，解決了不等長(zhǎng)時(shí)間序列的匹配問(wèn)題，且能夠抵抗異常值，從而取得更好的相似特征匹配效果[7]。DTW最早由編輯距離發(fā)展而來(lái)，70年代日本學(xué)者將DTW引入語(yǔ)音識(shí)別領(lǐng)域[8]，目前動(dòng)態(tài)時(shí)間規(guī)整算法已經(jīng)成功用于解決字符串搜索、手寫字符識(shí)別、視頻檢索、手勢(shì)識(shí)別等各種實(shí)際應(yīng)用問(wèn)題[9-13]。近年來(lái)，研究人員將其用于時(shí)間序列遙感圖像聚類分析中，F(xiàn)rancois Petitjean et al.[14]將DTW算法應(yīng)用于不等長(zhǎng)遙感影像時(shí)間序列的相似性計(jì)算中，然后根據(jù)DTW算法的計(jì)算結(jié)果運(yùn)用到K-Means算法中對(duì)圖像聚類；張正等[15]將DTW算法應(yīng)用在Modis NDVI時(shí)間序列聚類中，取得了比普通歐式距離好的效果；韓曉勇等[16]基于DTW距離利用時(shí)序NDVI數(shù)據(jù)提取秦巴山區(qū)植被信息?；贒TW的遙感序列影像聚類主要應(yīng)用于耕地[17]、水體[18]、鹽沼[19]、稻田[20]等植被類型或者是土地覆蓋類型的提取上，在樹(shù)種分類上還處于探索階段。

本文基于GF-1時(shí)間序列遙感影像，分別采用DTW和ED進(jìn)行時(shí)間序列的相似性度量，并將DTW距離和ED距離運(yùn)用到K-Means算法中，完成對(duì)圖像樹(shù)種的聚類，然后對(duì)于樹(shù)種初步聚類結(jié)果進(jìn)行錯(cuò)分“椒鹽”像元識(shí)別，然后以其作為目標(biāo)像元，利用加權(quán)K近鄰方法(WKNN)進(jìn)行樹(shù)種類型再判斷，比較兩種距離下樹(shù)種分類精度，探討DTW對(duì)時(shí)間序列遙感影像樹(shù)種分類的適用性。

1 研究區(qū)概況

哈爾濱實(shí)驗(yàn)林場(chǎng)位于黑龍江省哈爾濱市中心偏南地段，地理中心坐標(biāo)為北緯45°43′21″，東經(jīng)126°37′49″，面積43.95 hm2。研究區(qū)域?qū)贉貛Ъ撅L(fēng)氣候，夏季高溫多雨，冬季漫長(zhǎng)且寒冷干燥，樹(shù)種林齡為50 a左右，全部為人工林，經(jīng)過(guò)多年的經(jīng)營(yíng)管理，郁閉度0.8，喬冠草層次明顯，具有森林景觀特征。主要樹(shù)種有興安落葉松(LarixgmeliniRupr)、紅松(PinuskoraiensisSieb)、水曲柳(FraxinusmandshuricaRupr)、黃檗(PhellodendronamurenseRupr)、胡桃楸(JuglansmandshuricaMaxim)等。

2 研究方法

2.1 研究數(shù)據(jù)和數(shù)據(jù)預(yù)處理

覆蓋研究區(qū)域的6景GF-1遙感影像作為研究數(shù)據(jù)，影像的拍攝時(shí)間分別為2013年8月9日、2013年12月20日、2014年2月11日、2014年6月22日、2014年9月6日、2015年5月20日。由于GF-1影像時(shí)間分辨率及圖像質(zhì)量影響，未能收集到同一年內(nèi)描述植被不同物候期所需要的全部影像數(shù)據(jù)，只能通過(guò)收集不同年份的遙感數(shù)據(jù)來(lái)解決此情況。

對(duì)多時(shí)相的GF-1遙感影像進(jìn)行相對(duì)輻射校正和幾何精校正，然后進(jìn)行各自影像的多光譜和全色融合處理，融合后影像的空間分辨率為2 m×2 m，利用經(jīng)過(guò)上述校正處理后的融合影像，計(jì)算各自的NDVI圖像，再將多時(shí)相的GF-1遙感影像的藍(lán)、綠、紅、近紅外波段時(shí)間序列以及NDVI時(shí)間序列組成多特征時(shí)間序列。遙感影像的藍(lán)、綠、紅、近紅外波段包含植被信息豐富，能夠很好地分辨各種地物，遙感圖像的NDVI值能夠反映植被冠層葉子生長(zhǎng)情況，時(shí)間序列的NDVI能夠反映植被冠層葉子的發(fā)育生長(zhǎng)過(guò)程，因此選擇這5種波段作為時(shí)間序列的特征。

對(duì)研究區(qū)域進(jìn)行人工純林全區(qū)域?qū)嵉卣{(diào)查，以此采集的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，研究區(qū)域全部為人工林，共有白樺、落葉松、蒙古櫟、水曲柳、樟子松、黑皮油松、黃檗、胡桃楸，共8個(gè)樹(shù)種，各個(gè)樹(shù)種人工純林皆成較為規(guī)則的多邊形，見(jiàn)圖1。

2.2 樹(shù)種分類總流程

輸入6時(shí)相GF-1遙感影像，進(jìn)行相對(duì)輻射校正和幾何精校正；計(jì)算校正后影像的NDVI值，將藍(lán)、綠、紅、近紅外波段時(shí)間序列與NDVI時(shí)間序列組成多特征時(shí)間序列；對(duì)多特征時(shí)間序列分別進(jìn)行基于DTW距離和ED距離的K均值聚類，得到初步聚類結(jié)果；對(duì)初步的聚類結(jié)果1和2進(jìn)行加權(quán)K近鄰方法再分類處理，得到分類結(jié)果1和2；對(duì)分類結(jié)果1和分類結(jié)果2分別進(jìn)行精度驗(yàn)證評(píng)價(jià)及比較。

圖1 驗(yàn)證數(shù)據(jù)分布圖

2.3 時(shí)間序列相似性分析方法

歐式距離法：兩時(shí)間序列的歐氏距離定義為各時(shí)點(diǎn)觀測(cè)值差異的絕對(duì)值之和，值越大表明時(shí)間序列差異越大，相似度越低；反之，則相似度越高。

DTW距離法：假設(shè)存在兩條序列A=(a1,a2,…,am)，B=(b1,b2,…,bn)，則A和B的累計(jì)距離矩陣D可以通過(guò)如下公式計(jì)算得到：

式中：D(Ai,Bj)代表序列A的第i個(gè)時(shí)間點(diǎn)與序列B的第j個(gè)時(shí)間點(diǎn)之間的DTW距離值；D為m×n矩陣；ai、bj為多維向量；n代表特征個(gè)數(shù)；|aik|是序列A的第i個(gè)時(shí)間點(diǎn)的第k個(gè)特征的絕對(duì)值；δ(ai,bj)為蘭氏距離。

得到累計(jì)距離矩陣之后，根據(jù)每個(gè)點(diǎn)的min()的局部選擇過(guò)程，從累計(jì)距離矩陣的結(jié)束點(diǎn)回溯到起始點(diǎn)，即可得到一條最優(yōu)規(guī)整路徑，這條規(guī)整路徑對(duì)應(yīng)的就是兩條序列時(shí)間點(diǎn)的最佳對(duì)應(yīng)關(guān)系，并且最后一個(gè)點(diǎn)的DTW值D(Am,Bn)受全局時(shí)間點(diǎn)的影響，可以作為衡量?jī)蓷l序列相似性的度量值。

2.4 基于K均值算法的非監(jiān)督聚類

圖2 樹(shù)種分類流程圖

2.5 基于加權(quán)K近鄰方法的分類圖像后處理

通過(guò)基于像元的遙感分類技術(shù)得到的樹(shù)種分布圖上，往往存在著“椒鹽”像元，即在某一樹(shù)種特別集中分布的區(qū)域有個(gè)別零星分布的其他樹(shù)種像元，由于人工林的樹(shù)種一般成規(guī)則性分布，一般認(rèn)為這種像元是錯(cuò)分像元的可能性比較大，需要人為進(jìn)一步處理，在初分類圖像上需要對(duì)其進(jìn)行進(jìn)一步處理。

在利用像元自身的序列特征無(wú)法正確判斷其所屬類別的情況下，需要借助目標(biāo)像元的空間上下文-周圍有限的鄰近像元進(jìn)行類別的重新判斷。K近鄰方法(KNN)的基本思想是如果目標(biāo)像元周邊像元大多數(shù)屬于某一個(gè)類別，則該像元很大程度上也屬于這個(gè)類別，與現(xiàn)實(shí)中的樹(shù)種分布規(guī)律相吻合。

基于加權(quán)K近鄰方法(WKNN)的“椒鹽”像素再分類包括如下步驟：

1)確定“椒鹽”目標(biāo)像素，首先制定5×5的模板，以目標(biāo)像素為中心像素，統(tǒng)計(jì)目標(biāo)像素所屬的樹(shù)種類型包含的像素個(gè)數(shù)。如果目標(biāo)像素所屬的樹(shù)種類型包含的像素個(gè)數(shù)小于模板所在范圍內(nèi)所有像元個(gè)數(shù)的15%，則認(rèn)為目標(biāo)像元為椒鹽像元，同時(shí)，此像元的類別記為空。

2)重復(fù)步驟1，遍歷整個(gè)研究區(qū)域，確定所有的“椒鹽”像素，注意遍歷過(guò)程中涉及到已被標(biāo)記為空的像素，不參與步驟1中的計(jì)算。

3)“椒鹽”像素類別再確定，對(duì)于已經(jīng)確定的“椒鹽”像素，同樣作為模板目標(biāo)中心，統(tǒng)計(jì)模板范圍內(nèi)的所有樹(shù)種類別距離加權(quán)后的像素個(gè)數(shù)值，距離加權(quán)后的像素個(gè)數(shù)值最大的類別，則定為目標(biāo)“椒鹽”像素的新類別。公式如下，

4)遍歷全部“椒鹽”像素，最后得到最終的樹(shù)種分類圖。

3 結(jié)果與分析

3.1 不同樹(shù)種時(shí)序曲線

從圖3上的藍(lán)波段時(shí)序曲線可以看出，8樹(shù)種在生長(zhǎng)季的6月份、8月份和9月份在藍(lán)波段上的生長(zhǎng)趨勢(shì)和各時(shí)間節(jié)點(diǎn)的DN值都比較接近，尤其是9月份最為明顯；在藍(lán)波段，不同樹(shù)種在12月份和2月份的DN值差異較為明顯，樟子松和黑皮油松的DN值較小，胡桃楸的DN值較大；在生長(zhǎng)季初期(5月份)，蒙古櫟與其他7樹(shù)種的DN值差異明顯；2月份到生長(zhǎng)初期的5月份，8樹(shù)種的DN值變化趨勢(shì)可以分為兩類，一類是以胡桃楸為代表的下降類，另一類是以蒙古櫟為代表的上升類。由此可以得出，藍(lán)波段對(duì)于樹(shù)種分類的貢獻(xiàn)率主要體現(xiàn)在冬季到生長(zhǎng)季初期時(shí)間段，在生長(zhǎng)季藍(lán)波段基本不能用作樹(shù)種分類特征。

圖3 不同樹(shù)種各個(gè)波段(藍(lán)、綠、紅、近紅和NDVI波段)時(shí)序曲線

從圖3的綠波段、紅波段時(shí)序曲線同樣分析得出，綠波段和紅波段對(duì)于樹(shù)種分類的貢獻(xiàn)率主要也同樣體現(xiàn)在冬季到生長(zhǎng)季初期時(shí)間段，在生長(zhǎng)季(6月份到9月份)綠波和紅波段基本不能作為樹(shù)種分類的特征。而圖3的近紅外波段正好相反，其對(duì)樹(shù)種分類的主要貢獻(xiàn)時(shí)段是在生長(zhǎng)季過(guò)程中，冬季基本不能作為分類特征，同時(shí)可以看出在近紅外時(shí)序曲線上，除了蒙古櫟和黑皮油松是在生長(zhǎng)季初期(5月份)出現(xiàn)峰值，其他樹(shù)種都是在6月份對(duì)近紅外的反射率達(dá)到最大值。

由圖3的NDVI時(shí)間序列曲線上可以看出，8樹(shù)種NDVI值的變化都是單峰結(jié)構(gòu)。黑皮油松和樟子松為常綠樹(shù)種，在冬季與其他樹(shù)種有明顯區(qū)別，理論上黑皮油松與樟子松在冬季的NDVI值應(yīng)該大于0，但是由于東北地區(qū)冬季降雪量較大，雪層對(duì)電磁波的強(qiáng)反射嚴(yán)重影像了喬木冠層NDVI的計(jì)算。

通過(guò)上述分析，可以表明8樹(shù)種在GF-1影像的藍(lán)、綠、紅、近紅以及NDVI時(shí)間序列具有可區(qū)分差異，證明了GF-1遙感影像時(shí)間序列進(jìn)行樹(shù)種分類的可行性。

3.2 基于ED-K Means和DTW-K Means的樹(shù)種分類

分別采用DTW距離和ED距離，進(jìn)行時(shí)間序列的相似性度量，然后將DTW距離和ED距離運(yùn)用到K-Means算法中，完成對(duì)GF-1時(shí)間序列遙感影像樹(shù)種的聚類，得到初步的樹(shù)種聚類結(jié)果。然后對(duì)于初步聚類結(jié)果進(jìn)行錯(cuò)分“椒鹽”像元識(shí)別，以其作為目標(biāo)像元，利用加權(quán)K近鄰方法WKNN進(jìn)行樹(shù)種類型再判斷。

從圖4可以看出，基于DTW-K Means的算法得到的樹(shù)種分類圖中，各個(gè)人工林邊界較為平整，更接近人工林實(shí)際的外邊界，且經(jīng)過(guò)本文的WKNN后處理工作，人工林內(nèi)部基本沒(méi)有了“椒鹽”現(xiàn)象。

圖4 基于ED-K Means和DTW-K Means的時(shí)間序列遙感影像樹(shù)種分類結(jié)果

3.3 分類精度與評(píng)價(jià)比較

基于CD-K Means的時(shí)間序列遙感影像樹(shù)種聚類結(jié)果，總分類精度為90.84%，Kappa系數(shù)為0.88；基于DTW-K Means距離的時(shí)間序列遙感影像樹(shù)種聚類結(jié)果，總分類精度為92.21%，Kappa系數(shù)為0.90。研究結(jié)果表明DTW-K Means方法對(duì)時(shí)間序列遙感影像樹(shù)種分類能夠達(dá)到很好的效果，且優(yōu)于CD-K Means方法。

從表1可以看出，水曲柳、白樺和黑皮油松漏分誤差較小，基本都能夠正確分到各自類別中。雖然樟子松跟黑皮油松一樣具有冬天不落葉的特性，同落葉松以及其他闊葉樹(shù)種有明顯區(qū)別，其正確分類精度理論上應(yīng)該較高，通過(guò)分析發(fā)現(xiàn)，樟子松的漏分誤差主要來(lái)源于樟子松被錯(cuò)分成了黑皮油松，也是黑皮油松主要的錯(cuò)分誤差來(lái)源；黃檗的漏分誤差為24.4%，被漏分的柵格主要錯(cuò)分為水曲柳和胡桃楸；蒙古櫟的漏分誤差也較高，達(dá)到21.6%，被漏分的柵格主要錯(cuò)分為水曲柳和白樺。

基于DTW距離進(jìn)行的聚類分析中，黃檗、蒙古櫟和黑皮油松的錯(cuò)分誤差相比ED距離聚類增大了，但漏分誤差卻降低了，8樹(shù)種正確分類的總像元數(shù)量大于基于ED距離的聚類結(jié)果。

4 結(jié)論與討論

樹(shù)種分類一直是林業(yè)遙感的重點(diǎn)研究?jī)?nèi)容和應(yīng)用方向，多時(shí)相或者時(shí)間序列的遙感影像能夠體現(xiàn)植被的物候特性，本研究表明，可見(jiàn)光波段(藍(lán)、綠、紅)對(duì)于樹(shù)種分類的貢獻(xiàn)率主要體現(xiàn)在冬季到生長(zhǎng)季初期時(shí)間段(2月份到5月份)，而近紅外波段正好相反，其對(duì)樹(shù)種分類的主要貢獻(xiàn)時(shí)段是在生長(zhǎng)季(6月份到9月份)。冬季基本不能作為分類特征，NDVI是冬季區(qū)分落葉樹(shù)種和常綠樹(shù)種的主要特征，但由于本研究中的時(shí)相個(gè)數(shù)收集有限，NDVI未能明顯體現(xiàn)不同樹(shù)種葉子生長(zhǎng)趨勢(shì)物候節(jié)點(diǎn)的不同。基于DTW動(dòng)態(tài)時(shí)間規(guī)整算法，能夠?qū)r(shí)間序列遙感影像進(jìn)行樹(shù)種分類，達(dá)到了較高的精度，優(yōu)于基于ED距離的時(shí)間序列遙感影像樹(shù)種分類方法。

表1 基于ED-K Means的時(shí)間序列遙感影像樹(shù)種聚類精度驗(yàn)證

表2 基于DTW-K Means的時(shí)間序列遙感影像樹(shù)種聚類精度驗(yàn)證

本研究中提及DTW-K Means算法的驗(yàn)證是針對(duì)較高分辨率的人工純林進(jìn)行的，但是研究區(qū)域中還包括了3塊混交林，由于未對(duì)此部分進(jìn)行樹(shù)種分布實(shí)地調(diào)查，利用混淆矩陣進(jìn)行精度驗(yàn)證時(shí)，未對(duì)混交林區(qū)域進(jìn)行驗(yàn)證，導(dǎo)致樹(shù)種分類精度偏高。DTW-K Means算法對(duì)于其他分辨率的遙感影像混交林或者是天然林分類應(yīng)用還需要做進(jìn)一步驗(yàn)證。本研究在WKNN過(guò)程中，鄰域模板大小的設(shè)定和“椒鹽”像元選擇閾值的確定都需要根據(jù)具體情況進(jìn)行試驗(yàn)確定，未來(lái)可以進(jìn)行相關(guān)方面的自動(dòng)算法研究。

[1] 谷愛(ài)珍.植物物候相在植物季相景觀設(shè)計(jì)中的應(yīng)用：以呼和浩特市40種園林樹(shù)木為例[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué),2011.

[2] 李榮平,周廣勝,張慧玲.植物物候研究進(jìn)展[J].應(yīng)用生態(tài)學(xué)報(bào),2006,17(3):541-544.

[3] TIGGES J, LAKES T, HOSTERT P. Urban vegetation classification: Benefits of multitemporal RapidEye satellite data[J]. Remote Sensing of Environment,2013,136(5):66-75.

[4] 齊臘,趙春江,李存軍,等.基于多時(shí)相中巴資源衛(wèi)星影像的冬小麥分類精度[J].應(yīng)用生態(tài)學(xué)報(bào),2008,19(10):2201-2208.

[5] 唐歡,劉良云,賈建華,等.基于多時(shí)相光譜和物候特征的陜西省神木縣地物遙感分類研究[J].遙感信息,2013,28(2):76-81.

[6] 李曉東,姜琦剛.基于多時(shí)相遙感數(shù)據(jù)的吉林西部土地覆被分類提取[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(9):173-178.

[7] 李海林,楊麗彬.基于增量動(dòng)態(tài)時(shí)間彎曲的時(shí)間序列相似性度量方法[J].計(jì)算機(jī)科學(xué),2013,40(4):227-230.

[8] SAKO H, CHIBA S. Dynamic programming algorithm optimization for spoken word recognition[J]. IEEE Transactions on Acoustics, Speech and Signal Processing,1978,26(1):43-49.

[9] 倪訓(xùn)博,趙德斌,姜峰,等.Viterbi和DTW算法的關(guān)系分析：在非特定人手語(yǔ)識(shí)別中的應(yīng)用[J].計(jì)算機(jī)研究與發(fā)展,2010,47(2):305-317.

[10] HARTMANN B, LINK N. Gesture recognition with inertial sensors and optimized DTW prototypes[J]. Infection & Immunity,2010,79(4):2102-2109.

[11] 李紅英.基于內(nèi)容的圖像和視頻檢索技術(shù)研究及其系統(tǒng)實(shí)現(xiàn)[D].長(zhǎng)沙：湖南師范大學(xué),2006.

[12] AACH J, CHURCH G M. Aligning gene expression time series with time warping algorithms[J]. Bioinformatics,2001,17(6):495-508.

[13] KIM C, SEO K D. Robust DTW-based recognition algorithm for hand-held consumer devices[J]. IEEE Transactions on Consumer Electronics,2005,51(2):699-709.

[14] PETITJEAN F, INGLADA J, GAN?ARSKI P. Satellite image time series analysis under time warping[J]. IEEE Transactions on Geoscience and Remote Sensing,2012,50(8):3081-3095.

[15] ZHANG Z, TANG P, HUO L Z, et al. MODIS NDVI time series clustering under dynamic time warping[J]. International Journal of Wavelets Multiresolution & Information Processing,2014,12(5):495-528.

[16] 韓曉勇,韓玲,陳魯皖.基于DTW距離的時(shí)序NDVI數(shù)據(jù)植被信息提?。阂郧匕蜕絽^(qū)為例[J].測(cè)繪工程,2016,25(3):11-16.

[17] 鐘禮山,李滿春,伍陽(yáng),等.利用SAR影像時(shí)間序列的耕地提取研究[J].地理科學(xué)進(jìn)展,2015,34(7):830-839.

[18] 王亞飛,程亮,李滿春,等.基于像元級(jí)SAR圖像時(shí)間序列相似性分析的水體提取[J].國(guó)土資源遙感,2014,26(3):67-73.

[19] 蔣潔,劉永學(xué),鐘禮山,等.SAR影像時(shí)間序列支持下的互花米草鹽沼提?。阂越K鹽城東部沿海為例[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2015(3):271-276.

[20] 管續(xù)棟,黃翀,劉高煥,等.基于DTW距離的時(shí)序相似性方法提取水稻遙感信息：以泰國(guó)為例[J].資源科學(xué),2014,36(2):267-272.

Tree Species Classification of Time Series Remote Sensing Images By Dynamic Time Warping//

Li Jihong, Xu Jiadong

(Northeast Forestry University, Harbin 150040, P. R. China)//

Journal of Northeast Forestry University，2017,45(5)：56-61.

Phenological information of vegetation reflected by time serious remote sensing images contributes to greatly improve the vegetation clustering accuracy, especially for species with the similar growth characteristics in the single phase image. Dynamic time warping algorithm (DTW) is able to solve the matching problem of unequal time series, and can resist outliers in time series caused by the cloud or other noise, so as to achieve better similarity matching effect. Based on six GF-1 time series images, DTW and ED (Euclidean distance), respectively, were used to measure the similarity of time series, and then the two distances were used in K-Means algorithm to complete the tree species clustering. Time series remote sensing image classification method based DTW-K Means can be applied in tree species classification with the accuracy of 92.21%, and Kappa coefficient of 0.90, which were higher than those by the ED-K Means method.

Dynamic time warping； Time series； Tree species classification； Euclidean distance

1)黑龍江省博士后基金資助(LBH-Z10279)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(2572014CB20)；哈爾濱市應(yīng)用技術(shù)研究與開(kāi)發(fā)項(xiàng)目(2015RQQXJ071)。

李繼紅，女，1976年1月生，東北林業(yè)大學(xué)林學(xué)院，副教授。E-mai:271661561@qq.com。

2017年1月24日。

TP751.1

責(zé)任編輯：王廣建。