基于時間序列MODIS的農(nóng)作物類型空間制圖方法

黃健熙 侯矞焯 武洪峰 劉峻明 朱德海

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083； 2.黑龍江省農(nóng)墾科學(xué)院科技情報研究所，哈爾濱 150036)

基于時間序列MODIS的農(nóng)作物類型空間制圖方法

黃健熙1侯矞焯1武洪峰2劉峻明1朱德海1

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083； 2.黑龍江省農(nóng)墾科學(xué)院科技情報研究所，哈爾濱 150036)

為快速獲取大范圍種植結(jié)構(gòu)復(fù)雜區(qū)域的作物種植面積，以MODIS數(shù)據(jù)為數(shù)據(jù)源，選擇歸一化植被指數(shù)(Normalized difference vegetation index, NDVI)、增強植被指數(shù)(Enhanced vegetation index, EVI)、寬動態(tài)植被指數(shù)(Wide dynamic range vegetation index, WDRVI)、地表水分指數(shù)(Land surface water index，LSWI)、歸一化雪被指數(shù)(Normalized difference snow index, NDSI)5種特征，結(jié)合同步的實地調(diào)查樣本點，采用支持向量機算法 (Support vector machines, SVM)提取黑龍江省主要農(nóng)作物的種植面積。研究表明，在待選特征中NDVI、EVI與LSWI指數(shù)組合取得了最高的分類精度，總體分類精度為74.18%，Kappa系數(shù)為0.60；支持向量機算法與最大似然算法、隨機森林算法相比，分類精度更優(yōu)。該方法為在大區(qū)域中提取農(nóng)作物種植面積提供了參考價值。

MODIS； 支持向量機； 黑龍江??； 作物類型； 空間制圖

引言

遙感技術(shù)是目前唯一能夠獲取大面積農(nóng)作物種植面積的有效技術(shù)手段[1]。在農(nóng)作物種植面積遙感提取方面，徐新剛等[2]利用高分辨率Quick Bird遙感影像提供的地物紋理、色調(diào)和形狀等信息，基于綿陽實驗樣區(qū)的輔助參量，利用最大似然法分階段提取作物種植面積。雖然利用高分辨率遙感影像能取得較高的分類精度，但是由于其重返周期較長，難以獲得覆蓋黑龍江省主要農(nóng)作物整個生育期內(nèi)有效的高分辨率遙感數(shù)據(jù)，大面積應(yīng)用仍存在局限性。

近年來，隨著中高分辨率衛(wèi)星的快速發(fā)展，以及GF-1 WFV、 Sentinel2、 Landsat8、 HJ-1A/B衛(wèi)星的協(xié)同使用為中分辨率遙感分類制圖提供了理想的數(shù)據(jù)源。相比于Quick Bird等亞米級遙感影像，中高分辨率遙感影像的分類精度也較高，且能大面積覆蓋作物關(guān)鍵生育期。黃健熙等[3]等利用GF-1 WFV 16 m空間分辨率影像，利用歸一化差分植被指數(shù)以及進(jìn)行主成分變換的原影像作為分類特征，使用CART算法構(gòu)建決策樹對黑龍江省農(nóng)場的玉米和水稻進(jìn)行分類。楊閆君等[4]等利用GF-1 WFV 16 m影像構(gòu)建高分辨率NDVI時間序列，并對其利用時間序列諧波分析法進(jìn)行平滑處理，對比分析多種方法后證明支持向量機算法分類方法效果最好。雖然高分一號等國產(chǎn)衛(wèi)星有較高的分辨率并且傳感器的回訪周期短，但是由于單景影像覆蓋面積有限、衛(wèi)星過境時間與云量的影響，收集同一時期覆蓋整個黑龍江省區(qū)域且能滿足分類要求的影像數(shù)據(jù)仍舊比較困難。

MODIS影像數(shù)據(jù)雖然空間分辨率較粗，但是較高的時間分辨率對農(nóng)作物分類極為有利。由于經(jīng)濟(jì)效益影響，黑龍江省多有旱地改水田的現(xiàn)象。而旱地作物中，玉米和大豆的輪作頻繁，其生育期較為接近，容易混淆，因此MODIS數(shù)據(jù)仍然是動態(tài)種植變化快速制圖最為有效的數(shù)據(jù)源。在使用MODIS數(shù)據(jù)進(jìn)行分類方面，平躍鵬等[5]等利用時序MODIS數(shù)據(jù)，選取歸一化水指數(shù) (Normalized difference water index, NDWI)/NDVI以及物候特征，在對NDVI時序曲線進(jìn)行濾波的基礎(chǔ)上采用分層分類的方法對松嫩平原的部分區(qū)域進(jìn)行分類；王連喜等[6]利用2013—2014年250 m MODIS NDVI數(shù)據(jù)建立時間序列曲線，采用Savitzky-Golay濾波方法后借助輔助信息確定訓(xùn)練規(guī)則，利用決策樹進(jìn)行單一作物冬小麥分類。CHANG等[7]通過NASS CDL數(shù)據(jù)提取玉米和大豆種植區(qū)作為樣本點，結(jié)合MODIS數(shù)據(jù)利用回歸樹方法獲得美國玉米與大豆種植區(qū)分布。DAMIEN等[8]則以時序MODIS/TERRA EVI數(shù)據(jù)分別分類出農(nóng)業(yè)種植區(qū)、作物類別，最終完成分類作物分布區(qū)。GUSSO等[9]結(jié)合研究區(qū)的作物物候和種植條件等，以MODIS EVI數(shù)據(jù)為數(shù)據(jù)源對大豆分類。上述研究表明時間序列方法能夠獲取多于單一時相遙感影像所獲取的作物物候信息，提高了使用中等分辨率遙感影像進(jìn)行作物分類的精度，因此本文選擇使用多時相遙感影像進(jìn)行分類。

本文基于2015年MODIS數(shù)據(jù)和實測樣本點，針對黑龍江省的種植結(jié)構(gòu)和特點選取有效分類特征，在對比不同遙感分類方法與分析精度后，選取最優(yōu)分類特征與遙感分類方法，實現(xiàn)黑龍江省主要農(nóng)作物的空間制圖。

1 研究區(qū)域概況與數(shù)據(jù)

1.1 研究區(qū)域概況

黑龍江省位于我國東北部，與俄羅斯以烏蘇里江、黑龍江為界，介于北緯43°26′～53°33′，東經(jīng)121°11′～135°05′，面積4.73×105km2,如圖1所示。黑龍江西部屬松嫩平原，東北部為三江平原，北部、東南部為山地。該省為寒溫帶與溫帶大陸性季風(fēng)氣候，春季低溫干旱，夏季溫?zé)岫嘤?，秋季易澇早霜，冬季寒冷漫長，氣候地域性差異大，年平均氣溫多在-5～5℃之間。無霜凍期全省平均為100～150 d之間，南部和東部在140～150 d之間。大部分地區(qū)初霜凍在9月下旬出現(xiàn)，終霜凍在4月下旬—5月上旬結(jié)束，無霜期短。

圖1 研究區(qū)與實地調(diào)查樣本數(shù)據(jù)分布Fig.1 Study area and distribution of sample points in field survey

黑龍江地區(qū)主要農(nóng)作物的生長季基本在3月—10月，其中玉米在4月末至5月初播種，成熟于9月份,收獲在10月前后；水稻在4月份播種，成熟于9月份，多晚于玉米成熟日期；大豆在5月份播種，7月下旬至9月上旬結(jié)夾，成熟于9月末至10月初，晚于水稻、玉米的成熟日期；其他作物或者瓜果等的生育期也基本在3月—10月。

1.2 數(shù)據(jù)源及預(yù)處理

1.2.1MODIS數(shù)據(jù)

美國對地觀測系統(tǒng)中搭載在Terra/Aqua衛(wèi)星上用于觀測全球生物和物理過程的中分辨率成像光譜儀(MODIS)，共36個離散光譜波段，光譜范圍寬，空間分辨率最高可達(dá)250 m，每天覆蓋全球多頻次觀測。本文所用遙感數(shù)據(jù)是由美國地址調(diào)查局(United States Geological Survey, USGS)提供的2015年3月—10月的MOD13、MOD09系列產(chǎn)品：MOD13Q1產(chǎn)品的空間分辨率是250 m、時間分辨率16 d，包括NDVI和EVI；MOD09A1產(chǎn)品的空間分辨率是500 m、時間分辨率是8 d，包括7個地表反射率波段。

1.2.2區(qū)域時序遙感影像

本文使用MRT[10](MODIS reprojection tool)將4軌影像進(jìn)行拼接，影像序列號分別為h25v03、h26v03、h26v04、h27v04，并且利用黑龍江省邊界矢量數(shù)據(jù)對拼接影像進(jìn)行裁剪，去除云覆蓋較多的影像，最終得到黑龍江省MODIS時間序列數(shù)據(jù)集。文獻(xiàn)[11]研究證明覆蓋作物關(guān)鍵生育期的時間序列長度即可滿足一定分類精度，因此，文中去掉小范圍被云覆蓋的遙感影像。本文的數(shù)據(jù)集時相選擇[12]DOY65、DOY81、DOY97、DOY113、DOY129、DOY145、DOY161、DOY177、DOY193、DOY209、DOY225、DOY241、DOY257、DOY273、DOY289、DOY305，能夠覆蓋黑龍江省主要農(nóng)作物的生育期。

MODIS數(shù)據(jù)雖然有較高時間分辨率，但是，空間分辨率較粗，混合像元效應(yīng)嚴(yán)重。文獻(xiàn)[13]研究表明在分類過程中排除田間道路及附屬地物的干擾，能夠提高分類精度。因此本文選擇黑龍江省耕地區(qū)域進(jìn)行作物分類實驗來提高分類精度，以期減少混合像元對分類的影響，提高分類精度。

1.3 分類類別與分類樣本集

2015年9月對黑龍江省進(jìn)行地面實地調(diào)查，分2次分別獲取黑龍江省東部、西部的主要作物類型。野外調(diào)查時采用手持GPS測量特征地塊的經(jīng)緯度坐標(biāo)并記錄作物類型、拍攝照片，能完全調(diào)查黑龍江省主要農(nóng)作物類型，共采集6 020個樣本點。經(jīng)過選擇位于耕地區(qū)域并且像元純度較高即像元中作物種植較為單一的樣本點用于研究，共保留樣本點2 247個，其中玉米1 000個，水稻403個，大豆719個，小麥、土豆、瓜果等因在黑龍江省種植面積小所以采集樣本少，將其歸為其他類共125個(圖1)。

2 研究方法

2.1 待選分類特征集合計算

由于黑龍江省玉米與大豆2種作物光譜特征相似、生育期接近，僅使用地表反射率數(shù)據(jù)難以區(qū)分，DE SOUZA等[14]使用時間序列MODIS數(shù)據(jù)在巴西南部地區(qū)分類大豆和玉米，該地區(qū)玉米和大豆的區(qū)分難點同樣在于播種時間相同、光譜特征相似，與黑龍江地區(qū)玉米與大豆的情況有相似之處，因此引入NDVI、EVI、WDRVI分類特征作為待選分類特征。

移栽期是水稻的一個重要生育期[15]，在該時期稻田一般存有2～15 cm的水，地表是水稻和水體的混合，可通過影像中水體與水稻的混合光譜特征識別水稻在移栽期到早期營養(yǎng)生長階段。水稻可以通過水稻的淹沒特征(水稻和水體的混合)來識別[16]，該特征可以通過LSWI、NDVI、EVI來檢測。

黑龍江省北部屬于寒溫帶，在3月份多有冰雪等覆蓋，因此引入NDSI對其進(jìn)行監(jiān)測，即

(1)

(2)

(3)

(4)

(5)

式中ρNIR——近紅外波段的反射率

ρRED——紅波段的反射率

ρBLUE——藍(lán)波段的反射率

ρGREEN——綠波段的反射率

ρSWIR——短波紅外的反射率

G——增益因子，取2.5[17]

C1、C2——氣溶膠阻抗系數(shù)，取6[3]和7.5[17]

L——冠層背景調(diào)整因子，取1[17]

α——權(quán)重系數(shù)，取0.2[14]

2.2 選擇分類特征

將待選特征NDVI、WDRVI、LSWI、EVI、NDSI共5個特征進(jìn)行組合用于分類，選取分類精度最高的組合作為最終分類特征組合。NDVI作為廣泛使用的一種植被指數(shù)，能夠監(jiān)測植被的生長狀態(tài)、植被覆蓋度、消除部分輻射誤差等，因此選擇使用根據(jù)地表反射率數(shù)據(jù)計算得來的NDVI作為基礎(chǔ)分類特征參與分類[18]。為了對玉米、大豆和水稻等作物分類，在NDVI分類特征的組合上，加入EVI、WDRVI、LSWI、NDSI 4種特征進(jìn)行組合實驗，得到不同組合下的作物提取精度(圖2)。

圖2 特征組合分類精度Fig.2 Classification accuracy of combinations of features

采用SVM算法對待選的分類特征進(jìn)行組合(16種)驗證，玉米、水稻和大豆3種主要作物的制圖精度如圖2所示，制圖精度表示影像中所有像元正確分類的像元數(shù)與該類真實參考數(shù)的比值。由圖2對比可知，在NDVI特征的基礎(chǔ)上分別加入EVI、WDRVI、NDSI、LSWI特征參與分類，其中引入WDRVI特征對于分類水稻精度提升的貢獻(xiàn)最小，主要是因為水稻處于移栽期，地表是水稻和水體的混合，而WDRVI適合對中高植被覆蓋度條件下的監(jiān)測，但是無法對水體信息進(jìn)行有效的監(jiān)測；在NDVI特征的基礎(chǔ)上分別加入EVI、NDSI、LSWI特征，玉米、水稻、大豆3種作物的制圖精度均有不同程度的提高，表明這3種特征對于玉米、大豆和水稻3種作物分類精度的提高都有不同程度的貢獻(xiàn)。

圖3 主要作物時序變化Fig.3 Temporal changes of main crops

在3種特征組合、4種特征組合和5種特征組合時，玉米、水稻、大豆3種作物的分類精度相比于僅有NDVI特征或者2種特征組合參與分類時均有提高，變化程度較小，但是對比發(fā)現(xiàn)，NDVI+WDRVI組合、NDVI+WDRVI+NDSI組合、NDVI+WDRVI+NDSI+LSWI組合在缺少EVI特征的情況下，水稻制圖精度均較大幅度下降，并且NDVI特征在加入EVI特征時水稻的線段斜率絕對值最大，因此引用EVI特征對提高水稻識別精度有較大貢獻(xiàn)。由圖2可以看出，玉米與大豆2種作物在使用NDVI特征的基礎(chǔ)上加入其他特征后分類精度都有所提高，其中玉米分類精度的變化程度在3種作物中最小，大豆分類精度在NDVI+WDRVI+NDSI組合與NDVI+WDRVI+NDSI+LSWI組合即缺少EVI特征時降低幅度較大，因此引入EVI特征對于提高大豆的分類精度也有重要作用?？赡艿脑蚴荖DVI在植被覆蓋較密的地區(qū)容易飽和，無法進(jìn)一步對植被覆蓋變化進(jìn)行持續(xù)監(jiān)測，而EVI指數(shù)能在一定程度克服這一瓶頸[14]，適合黑龍江地區(qū)作物大面積種植且林業(yè)資源豐富的狀況。如圖3a所示，DOY225是水稻EVI曲線由上升到下降的轉(zhuǎn)折點，該日期處于8月中旬，水稻由乳熟開始逐漸成熟，谷殼、枝粳等逐漸由綠變黃，因此EVI指數(shù)的值也逐漸減少；而對于大豆，DOY241才是EVI曲線由上升到下降的轉(zhuǎn)折點，該日期處于8月下旬至9月上旬之間，此時大豆開始結(jié)莢鼓粒，綠葉逐漸變黃，EVI指數(shù)的值也逐漸減少。大豆與水稻的NDVI時序曲線差別卻不明顯，可能是由于NDVI的易飽性。

對比所有特征組合，NDVI+EVI+LSWI特征組合對玉米、水稻、大豆3種主要作物的制圖精度相對最高(圖2)。在NDVI與EVI 2個特征的基礎(chǔ)上，加入LSWI特征則是對地表水分信息進(jìn)行監(jiān)測，對于水稻移栽期進(jìn)行有效的監(jiān)測，提高作物分類精度。從圖3b可知，在DOY113時期，水稻的LSWI值突然上升，而玉米與大豆仍維持在相似較低的水平，這是因為LSWI能夠監(jiān)測植被冠層水分，水稻在4月中旬已經(jīng)播種出苗，而玉米與大豆并未播種；在水稻移栽期即DOY129至DOY145期間，地表是水稻與水體的混合物，LSWI值明顯高于玉米與大豆的值。移栽期是水稻明顯區(qū)別于玉米與大豆的最佳時期。

從圖3a與圖3c對比來看，玉米與大豆2種作物的時序曲線差別最大時期位于DOY273，即在9月末—10月初時大豆已經(jīng)收獲而玉米成熟卻未收獲的時間。

即使在NDVI特征的基礎(chǔ)上分別加入WDRVI特征與NDSI特征均提高了分類精度，但是在最佳組合基礎(chǔ)上加入這2個特征反而降低了分類精度，可能的原因是SVM算法作為建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的學(xué)習(xí)方法，在高維空間中尋找一個超平面作為兩類的分割，圖2中僅利用NDVI已經(jīng)可以將玉米與水稻、大豆區(qū)分，加入EVI后可以將水稻和大豆2種作物進(jìn)行區(qū)分，LSWI的加入則將3種作物的分類精度進(jìn)一步提高，在此基礎(chǔ)上加入其他特征反而增加了SVM算法的計算復(fù)雜度，從而影響了分類精度。

2.3 分類方法對比

支持向量機算法已經(jīng)能夠有效分類黑龍江省耕地區(qū)域的主要農(nóng)作物，但是為了進(jìn)一步驗證該方法的有效性，本文中將支持向量機分類結(jié)果與最大似然法分類結(jié)果、隨機森林算法分類結(jié)果進(jìn)行對比。將實地調(diào)查采集的2 247個樣本點按照7∶3的比例[19]分為訓(xùn)練樣本點(1 573個)與驗證樣本點(674個)，分別輸入到分類器中進(jìn)行分類與驗證，結(jié)果如表1所示。

表1 不同分類方法精度對比Tab.1 Comparison of accuracy of different classification methods %

由表1可知，3種分類方法中，支持向量機算法的制圖精度與用戶精度相對較高，分類精度最高，其中玉米的制圖精度為83.33%、用戶精度為71.43%，水稻的制圖精度為80.17%、用戶精度為82.91%，大豆的制圖精度為70.83%、用戶精度為73.91%，而其他類由于種類繁多、光譜特征差異較大等原因無法進(jìn)行有效的分類，但是其分布面積小，對主要農(nóng)作物的分類結(jié)果影響較小?？傮w分類精度為74.18%，Kappa系數(shù)為0.60。

最大似然算法通過計算樣本間的似然度來判別像元是否屬于某一類，作為一種基于統(tǒng)計的算法，黑龍江省玉米、大豆等作物的種植區(qū)域交錯分布增大了通過似然度判別類別的難度，因此并不能夠有效利用分類特征對玉米與大豆2種作物進(jìn)行分類，分類精度較低。

雖然最大似然分類算法、支持向量機算法與隨機森林算法中隨機森林算法分類精度最高[20]，其數(shù)據(jù)源選用國產(chǎn)小衛(wèi)星數(shù)據(jù)，MODIS數(shù)據(jù)的空間分辨率低于環(huán)境一號等國產(chǎn)小衛(wèi)星數(shù)據(jù)，混合像元效應(yīng)更為明顯。隨機森林算法通過抽取訓(xùn)練樣本點建立多個決策樹構(gòu)成森林，將分類樣本放入分類器中分別進(jìn)行計算，然后將分類結(jié)果通過投票確定最后的所屬類別，在遙感影像空間分辨率較高時，隨機森林算法能夠有效避免構(gòu)建單棵決策樹可能出現(xiàn)誤差造成分類結(jié)果錯誤；但是在遙感影像分辨率較低且混合像元影響較大時，對多棵決策樹的分類結(jié)果進(jìn)行投票確定最終分類結(jié)果反而會增加分類的不確定性，因為混合像元的存在，在分別構(gòu)建單棵決策樹時就可能出現(xiàn)較大的差錯。

3 結(jié)果與分析

利用支持向量機算法對黑龍江省耕地區(qū)域的主要作物進(jìn)行分類，獲得黑龍江省主要農(nóng)作物分布圖(圖4)。由圖4可以看出，黑龍江省水稻主要分布在該省東北部地區(qū)，該地區(qū)位于三江平原，西南部位于松嫩平原的地區(qū)和松花江沿岸也有水稻分布，與水稻種植需要較多水分的情況相符；大豆則主要分布在西南部，玉米在整個黑龍江省耕地區(qū)域都有分布，其中西南部地區(qū)相對較多，這與玉米經(jīng)濟(jì)效益大于大豆的經(jīng)濟(jì)效益的現(xiàn)狀相符。

圖4 黑龍江省主要農(nóng)作物分布圖Fig.4 Classification map for main crops in Heilongjiang Province

4 結(jié)論

(1)采用支持向量機算法得到黑龍江省主要作物分類的總體精度為74.18%，Kappa系數(shù)為0.60。與最大似然算法、隨機森林算法相比，在黑龍江地區(qū)使用MODIS數(shù)據(jù)為數(shù)據(jù)源對主要農(nóng)作物進(jìn)行分類提取，支持向量機算法的分類精度更高。支持向量機算法通過在高維空間中尋找一個超平面作為兩類的分割，更加適合混合像元問題較為嚴(yán)重的中等分辨率遙感影像為數(shù)據(jù)源的分類問題，能夠避免隨機森林算法在面對混合像元時增加的錯分問題，比最大似然算法單純通過似然度判別類別的分類精度更高，并且執(zhí)行效率相對較高，適用于黑龍江省動態(tài)種植變化的快速制圖。

(2)區(qū)分玉米、水稻和大豆等主要作物時，采用NDVI、EVI、LSWI特征組合分類精度最高，能夠得知黑龍江省玉米種植分布最廣，大豆主要分布在西北部，東南部也有部分分布，而水稻則主要分布在三江平原、松嫩平原、松花江沿岸地區(qū)。

(3)在黑龍江地區(qū)，識別水稻最佳時期為5月份，即水稻的移栽期，分類特征為LSWI；區(qū)分玉米與大豆的最佳時期是9月末—10月初，即大豆已收獲而玉米未收獲的時期，分類特征最優(yōu)為EVI指數(shù)。

1 史舟, 梁宗正, 楊媛媛,等.農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J/OL].農(nóng)業(yè)機械學(xué)報, 2015, 46(2):247-260.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150237&flag=1.DOI：10.6041/j.issn.1000-1298.2015.02.037.

SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al.Status and prospect of agricultural remote sensing[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2):247-260.(in Chinese)

2 徐新剛, 李強子, 周萬村, 等.應(yīng)用高分辨率遙感影像提取作物種植面積[J].遙感技術(shù)與應(yīng)用, 2008,23(1):17-23.

XU Xin’gang, LI Qiangzi, ZHOU Wancun, et al.Classification application of QuickBird imagery to obtain crop planting area[J].Remote Sensing Technology and Application, 2008,23(1):17-23.(in Chinese)

3 黃健熙, 賈世靈, 武洪峰, 等.基于GF-1 WFV影像的作物面積提取方法研究[J/OL].農(nóng)業(yè)機械學(xué)報, 2015,46(增刊):253-259.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S041&flag=1.DOI：10.6041/j.issn.1000-1298.2015.S0.041.

HUANG Jianxi, JIA Shiling, WU Hongfeng, et al.Extration method of crop planted area based on GF-1 WFV image[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015,46(Supp.): 253-259.(in Chinese)

4 楊閆君, 占玉林, 田慶久, 等.基于GF-1/WFV NDVI時間序列數(shù)據(jù)的作物分類[J].農(nóng)業(yè)工程學(xué)報, 2015,31(24):155-161.

YANG Yanjun, ZHAN Yulin, TIAN Qingjiu, et al.Crop classification based on GF-1/WFV NDVI time series[J].Transactions of the CSAE,2015,31(24):155-161.(in Chinese)

5 平躍鵬，臧淑英.基于MODIS時間序列及物候特征的農(nóng)作物分類[J].自然資源學(xué)報, 2016,31(3): 503-513.

PING Yuepeng，ZANG Shuying.Crop identification based on MODIS NDVI time-series data and phenological characteristics[J].Journal of Natural Resources, 2016,31(3): 503-513.(in Chinese)

6 王連喜，徐勝男，李琪，等.基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J].農(nóng)業(yè)工程學(xué)報, 2016,32(5): 182-187.

WANG Lianxi, XU Shengnan, LI Qi, et al.Extraction of winter wheat planted area in Jiangsu Province using decision tree and mixed-pixel methods[J].Transactions of the CSAE, 2016,32(5): 182-187.(in Chinese)

7 CHANG J, HANSEN M C, PITTMAN K, et al.Corn and soybean mapping in the united states using MODIS time-series data sets[J].Agronomy Journal, 2007, 99(6):1654-1664.

8 DAMIEN A, MILTON J, DUBREUIL V, et al.Classification of MODIS EVI time series for crop mapping in the state of MATO GROSSO, Brazil[J].International Journal of Remote Sensing, 2011, 32(22): 7847-7871.

9 GUSSO A, ARVOR D, DUCATI J R, et al.Assessing the MODIS crop detection algorithm for soybean crop area mapping and expansion in the Mato Grosso State, Brazil[J].The Scientific World Journal, 2014, 2014(1):1-9.

10 申健, 常慶瑞, 李粉玲,等.2000—2013年關(guān)中地區(qū)耕地復(fù)種指數(shù)遙感動態(tài)監(jiān)測[J/OL].農(nóng)業(yè)機械學(xué)報, 2016, 47(8):280-287.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160837&flag=1.DOI：10.6041/j.issn.1000-1298.2016.08.037.

SHEN Jian, CHANG Qingrui, LI Fenling, et al.Dynamic monitoring of cropping Index in Guanzhong area using remote sensing in 2000—2013[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(8):280-287.(in Chinese)

11 HAO Pengyu, ZHAN Yulin, WANG Li, et al.Feature selection of time series MODIS data for early crop classification using random forest: a case study in Kansas, USA[J].Remote Sensing, 2015,7(5):5347-5369.

12 HU Qiong, WU Wenbin, SONG Qian, et al.Extending the pairwise separability index for multicrop identification using time-series MODIS images[J].IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(11):6394-6361.

13 周靜平, 李存軍, 史磊剛, 等.基于決策樹和面向?qū)ο蟮淖魑锓植夹畔⑦b感提取[J/OL].農(nóng)業(yè)機械學(xué)報, 2016,47(9):318-326.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160943&flag=1.DOI：10.6041/j.issn.1000-1298.2016.09.043.

ZHOU Jingping, LI Cunjun, SHI Leigang, et al.Crops distribution remote sensing extraction based on decision tree and object-oriented method[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016,47(9):318-326.(in Chinese)

14 DE SOUZA C H W, MERCANTE E, JOHANN J A, et al.Mapping and discrimination of soya bean and corn crops using spectro-temporal profiles of vegetation indices[J].International Journal of Remote Sensing, 2015, 36(7): 1809-1824.

15 于文穎，馮銳，紀(jì)瑞鵬，等.基于MODIS數(shù)據(jù)的水稻種植面積提取研究進(jìn)展[J].氣象與環(huán)境學(xué)報, 2011,27(2): 56-61.

YU Wenying, FENG Rui, JI Ruipeng, et al.Advance in rice planting area extraction technology based on MODIS data[J].Journal of Meteorology and Environment, 2011,27(2): 56-61.(in Chinese)16 DONG Jinwei, XIAO Xiangming, MENARGUEZ M A, et al.Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J].Remote Sensing of Environment, 2016,185:142-154.

17 LIU Huiqing, HUETE A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise [J].IEEE Transactions on Geoscience and Remote Sensing, 1995,33(2):457-465.

18 白亮亮, 蔡甲冰, 劉鈺,等.灌區(qū)種植結(jié)構(gòu)時空變化及其與地下水相關(guān)性分析[J/OL].農(nóng)業(yè)機械學(xué)報, 2016, 47(9):202-211.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160929&flag=1.DOI：10.6041/j.issn.1000-1298.2016.09.029.

BAI Liangliang, CAI Jiabing, LIU Yu, et al.Temporal and spatial variation of crop planting structure and ITS correlation analysis with groundwater in large irrigation area[J/OL].Transactions of The Chinese Society for Agricultural Machinery, 2016, 47(9):202-211.(in Chinese)

19 劉勇洪, 牛錚.基于MODIS遙感數(shù)據(jù)的宏觀土地覆蓋特征分類方法與精度分析研究[J].遙感技術(shù)與應(yīng)用, 2004,19(4):217-224.

LIU Yonghong, NIU Zheng.Regional land cover image classification and accuracy evaluation using MODIS Data[J].Remote Sensing Technology and Application, 2004,19(4):217-224.(in Chinese)

20 劉毅, 杜培軍, 鄭輝, 等.基于隨機森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J].測繪科學(xué), 2012,37(4):198-200.

LIU Yi, DU Peijun, ZHENG Hui, et al.Classification of China small satellite remote sensing image based on random forests[J].Science of Surveying and Mapping, 2012,37(4):198-200.(in Chinese)

CropTypeMappingMethodBasedonTime-seriesMODISDatainHeilongjiangProvince

HUANG Jianxi1HOU Yuzhuo1WU Hongfeng2LIU Junming1ZHU Dehai1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.TheInstituteofScientificandTechnicalInformation,HeilongjiangAcademyofLandReclamationSciences,Harbin150036,China)

Mapping the crop planting pattern and cropped area rapidly and accurately in Heilongjiang Province is important for agricultural monitoring。MOD09 and MOD13 were selected as data source for its high time resolution and good quality.To explore the optimal feature and classification method which can obtain the spatial distribution of the main crops in Heilongjiang Province, NDVI, EVI, WDRVI, LSWI and NDSI were selected as input data for crop classification based on time-series of MODIS data and combined with field survey sample points.The results showed that the combination of NDVI, EVI and LSWI joint with support vector machine (SVM) achieved the best accuracy, the overall classification accuracy was 74.18% and the Kappa coefficient was 0.60.The results showed that the support vector machine algorithm outperformed the maximum likelihood algorithm and the random forest algorithm.In Heilongjiang Province, the best period for sorting rice is the transplanting period in May, which can be characterized by LSWI.Theoptimal period for distinguishing between corn and soybean was from the end of September to the beginning of October, which was the period when the soybean was harvested and the corn was not, and the optimal classification feature was EVI.This method provided a reference value for cropped area mapping in other agricultural regions.

MODIS; support vector machine; Heilongjiang Province; crop type; mapping

10.6041/j.issn.1000-1298.2017.10.017

TP79; S127

A

1000-1298(2017)10-0142-06

2017-02-26

2017-03-17

國家自然科學(xué)基金項目(41671418、41471342、41371326)和國家高技術(shù)研究發(fā)展計劃(863計劃)項目(2013AA10230103)

黃健熙(1976—)，男，副教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)定量遙感研究，E-mail：jxhuang@cau.edu.cn