基于GF-1/WFV時(shí)間序列的葡萄遙感識(shí)別

趙希妮，璩向?qū)?王 磊,3，劉雅清,許 興

(1．寧夏大學(xué) 西北土地退化與生態(tài)系統(tǒng)恢復(fù)省部共建國家重點(diǎn)實(shí)驗(yàn)室培育基地，寧夏 銀川 750021;2．寧夏大學(xué) 西北退化生態(tài)系統(tǒng)恢復(fù)與重建教育部重點(diǎn)實(shí)驗(yàn)室，寧夏 銀川 750021;3．南京大學(xué) 國際地球系統(tǒng)科學(xué)研究所，江蘇 南京 210093)

中國是葡萄、葡萄酒生產(chǎn)和消費(fèi)大國[1]。寧夏賀蘭山東麓作為我國3大葡萄酒地理標(biāo)志產(chǎn)品區(qū)域之一，近年來種植面積迅速擴(kuò)大，如何快速獲取葡萄的空間分布及其生長(zhǎng)狀態(tài)，為葡萄種植的精細(xì)化管理、產(chǎn)業(yè)的可持續(xù)發(fā)展及其生態(tài)效應(yīng)評(píng)價(jià)提供技術(shù)支撐，是當(dāng)前亟需解決的問題。遙感作為重要的對(duì)地觀測(cè)手段，因其具有探測(cè)范圍大，速度快、受地面條件限制少、成本低等優(yōu)點(diǎn)，可作為開展葡萄種植時(shí)空分布調(diào)查的重要手段[2-3]。高空間、高時(shí)間分辨率遙感數(shù)據(jù)的出現(xiàn)，遙感時(shí)間序列如NDVI(Normalized difference vegetation index，歸一化植被指數(shù))、EVI(Enhanced vegetation index，增強(qiáng)型植被指數(shù))的相關(guān)研究成為當(dāng)前遙感對(duì)地觀測(cè)技術(shù)發(fā)展的熱點(diǎn)內(nèi)容和重要方向[4]。REED等[5]通過分析農(nóng)作物NDVI時(shí)間序列的特征值并結(jié)合其物候規(guī)律，得出NDVI在構(gòu)建植被生長(zhǎng)動(dòng)態(tài)時(shí)間序列剖面、提取物候特征、進(jìn)行植被分類、監(jiān)測(cè)土地覆蓋變化等方面具有重要價(jià)值；MURAKAMI等[6]基于 SPOT/HRV影像，以日本SAGA平原為研究區(qū)，分析了其NDVI時(shí)間序列變化特征并選取最佳時(shí)相，提取出了多種農(nóng)作物面積；BROWN等[7]通過對(duì)MODIS植被指數(shù)時(shí)間序列數(shù)據(jù)的構(gòu)建分析，對(duì)巴西Mato Grosso地區(qū)多年的農(nóng)用地進(jìn)行了分類研究，取得了較好的分類結(jié)果。國內(nèi)應(yīng)用遙感時(shí)間序列的研究也較多，ZHANG等[8]以HANTS濾波法重構(gòu)了MODIS/EVI時(shí)間序列數(shù)據(jù)，研究了華北地區(qū)土地覆蓋分類；康峻等[9]基于MODIS/EVI數(shù)據(jù)分析提取植被物候特征參數(shù)，得到了作物和森林較好的分類結(jié)果。

在時(shí)間序列植被識(shí)別方面，以往研究主要針對(duì)MODIS、SPOT、HJ等中低分辨率影像，制約了識(shí)別精度的提高。GF-1衛(wèi)星的發(fā)射，為高空間分辨率時(shí)間序列的構(gòu)建提供了數(shù)據(jù)支持。索玉霞等[10]基于決策樹分類法和MODIS植被指數(shù)時(shí)間序列對(duì)中亞土地覆蓋類型分類進(jìn)行了研究；張赫林等[11]基于祁連山區(qū)域時(shí)間序列數(shù)據(jù)，結(jié)合光譜擴(kuò)展與基于決策樹分類方法，研究了近30 a的土地利用變化情況；梁守真等[12]基于MODIS/NDVI時(shí)間序列數(shù)據(jù)和多時(shí)相的Landsat TM數(shù)據(jù)，通過分析橡膠林的季相和光譜特征得到了橡膠林識(shí)別的關(guān)鍵時(shí)期和特征參數(shù)，構(gòu)建了橡膠林決策樹分類模型。關(guān)于遙感識(shí)別與提取在農(nóng)作物方面的應(yīng)用已進(jìn)行了大量相關(guān)研究，但在森林遙感提取，尤其是果樹識(shí)別與提取方面的研究相對(duì)較少，對(duì)葡萄分布遙感的提取更是鮮見報(bào)道。鑒于此，以寧夏賀蘭山東麓葡萄種植區(qū)域?yàn)檠芯繀^(qū)，利用具有較高時(shí)間、空間分辨率等優(yōu)點(diǎn)的GF-1/WFV數(shù)據(jù)，獲取了覆蓋研究區(qū)葡萄完整生長(zhǎng)期(2017年3—12月)的影像，構(gòu)建GF-1/WFV時(shí)間序列，并對(duì)波段光譜特征進(jìn)行挖掘，計(jì)算提取NDVI、EVI，通過分析植被指數(shù)在時(shí)間序列上所發(fā)生的明顯變化，提取相應(yīng)的關(guān)鍵時(shí)間節(jié)點(diǎn)及特征值，構(gòu)建寧夏賀蘭山東麓葡萄的決策樹分類模型，實(shí)現(xiàn)研究區(qū)內(nèi)葡萄的快速自動(dòng)識(shí)別與提取。

1 材料和方法

1.1 研究區(qū)概況

賀蘭山東麓位于東經(jīng)105°45′—106°47′，北緯37°43′—39°23′，地處寧夏回族自治區(qū)境內(nèi)，為賀蘭山洪積扇與黃河沖積平原之間的狹長(zhǎng)地帶，涵蓋了石嘴山市、銀川市、吳忠市。該區(qū)屬于大陸性干旱半干旱氣候，干燥少雨，光照充足，晝夜溫差大。全生育期積溫(≥10 ℃)3 400～3 800 ℃ · d，氣溫日較差12～15 ℃，降水量150～240 mm，日照時(shí)數(shù)1 700～2 000 h，無霜期160～180 d，土壤類型以淡灰鈣土、風(fēng)沙土為主。獨(dú)特的氣候、土壤條件使其成為世界公認(rèn)的優(yōu)質(zhì)釀酒葡萄最佳生態(tài)區(qū)之一，是世界葡萄種植的黃金地帶和優(yōu)質(zhì)葡萄產(chǎn)區(qū)。

1.2 GF-1號(hào)衛(wèi)星數(shù)據(jù)獲取與預(yù)處理

2013年4月26日發(fā)射運(yùn)行的高分一號(hào)衛(wèi)星中國高分辨率對(duì)地觀測(cè)系統(tǒng)的第1顆衛(wèi)星搭載4臺(tái)WFV多光譜寬幅相機(jī)，組合掃描幅寬為800 km，星下點(diǎn)的分辨率為16 m，WFV傳感器共設(shè)置4個(gè)波段，光譜為0.45～0.89 μm，重訪周期為2 d。

本研究所用數(shù)據(jù)包括研究區(qū)GF-1/WFV遙感數(shù)據(jù)(表1)、賀蘭山東麓矢量邊界數(shù)據(jù)、外業(yè)調(diào)查數(shù)據(jù)及利用手持GPS(Global positioning system)對(duì)典型地物類型(以下簡(jiǎn)稱地類)進(jìn)行外業(yè)定點(diǎn)調(diào)查的數(shù)據(jù)(圖1)。

表1 影像時(shí)間序列數(shù)據(jù)與葡萄所處時(shí)期Tab.1 Image time series data and grape period

圖1 賀蘭山東麓位置及樣本點(diǎn)分布Fig.1 Schematic diagram of the location and distribution of sample points at the eastern foot of Helan mountain

影像預(yù)處理主要包括輻射定標(biāo)、大氣校正和幾何精校正，最后根據(jù)矢量數(shù)據(jù)裁剪研究區(qū)影像數(shù)據(jù)。在ENVI5.3軟件平臺(tái)中，借助其波段計(jì)算功能計(jì)算NDVI、EVI，公式如下：

NDVI=(PNIR-PR)/(PNIR+PR)

(1)

EVI=(PNIR-PR)/(PNIR+6PR-7.5PB+1)×2.5

(2)

式中，PNIR表示近紅外光波段反射率；PR表示紅波段反射率；PB表示藍(lán)光波段反射率。本研究采用的GF-1數(shù)據(jù)為遙感影像，因此，近紅外光波段為Band4，紅光波段為Band3，藍(lán)光波段為Band1。

1.3 葡萄生長(zhǎng)周期

賀蘭山東麓區(qū)域冬季氣候寒冷，葡萄12月進(jìn)入休眠期，為預(yù)防葡萄藤風(fēng)干和受凍對(duì)其進(jìn)行埋土防寒[13]，翌年春季4月中旬左右將其挖出。

葡萄于5月初開始萌芽抽枝；5月21日左右進(jìn)入花期；6月中旬進(jìn)入坐果期；7—8月葡萄枝蔓和果實(shí)進(jìn)入生長(zhǎng)旺盛期；8月中旬打秋梢(減少養(yǎng)分流失)；9月葡萄果實(shí)成熟；10月之后枝蔓開始泛黃；10月21日—11月20日(采摘完成后)清除葉子，只留主莖并將其埋土防寒(葡萄處于掩埋期)；隨后，葡萄進(jìn)入休眠期；之后，再進(jìn)入長(zhǎng)達(dá)6個(gè)月的生長(zhǎng)季。

1.4 研究方法

為獲取寧夏賀蘭山東麓主要地類的分布，2017年7月對(duì)賀蘭山東麓進(jìn)行地面實(shí)地調(diào)查(圖 1)，使用手持 GPS測(cè)量不同地類地塊的經(jīng)緯度坐標(biāo)。根據(jù)本研究實(shí)際地面調(diào)查，研究區(qū)主要地類包括葡萄、防護(hù)林、水稻、玉米、小麥、蘆葦；非植被包括裸地、建筑用地、水體。依照上述分類，根據(jù)實(shí)地調(diào)查點(diǎn)數(shù)據(jù)選取樣本點(diǎn)，構(gòu)建訓(xùn)練樣本集。分析不同植被的時(shí)間序列曲線和物候特征，對(duì)因與葡萄生長(zhǎng)規(guī)律相似而無法區(qū)分的植被類型開展目視解譯，采用決策樹結(jié)合法對(duì)葡萄進(jìn)行提取。

1.4.1 訓(xùn)練樣本選取 根據(jù)隨機(jī)性、典型性以及區(qū)域樣點(diǎn)的完備性原則選取樣點(diǎn)。野外GPS及目視解譯所取得的樣本數(shù)據(jù)共生成1 633個(gè)樣本點(diǎn)，其中，葡萄566個(gè)，防護(hù)林106個(gè)，水稻415個(gè)，玉米152個(gè)，小麥116個(gè)，蘆葦85個(gè)，裸地105個(gè)，建筑物88個(gè)。從總樣本中隨機(jī)抽取2%的樣本作為訓(xùn)練樣本集，剩下的點(diǎn)作為驗(yàn)證樣本集。所選樣本均勻分布在研究區(qū)內(nèi)，因此，這些樣本可以代表其地類的區(qū)域特點(diǎn)。

1.4.2 分類模型構(gòu)建 NDVI是監(jiān)測(cè)植被生長(zhǎng)狀態(tài)及覆蓋度的最佳指示指標(biāo)，且能很好地將植被從背景中分離出來[14-16]。由于葡萄種植行距較寬，與防護(hù)林較為相似，而EVI能夠矯正土壤背景和氣溶膠散射的影響，且對(duì)植被茂密區(qū)較為敏感[17]，因此，對(duì)葡萄識(shí)別提取具有較大優(yōu)勢(shì)。鑒于此，在識(shí)別與提取過程中，運(yùn)用了基于GF-1影像運(yùn)算得到的NDVI數(shù)據(jù)作為植被覆蓋地類信息提取的重要特征變量，結(jié)合葡萄和防護(hù)林的生長(zhǎng)旺盛期EVI曲線，以減小地物同物異譜和同譜異物的影響，通過統(tǒng)計(jì)其平均值信息，試圖找出不同地類分類之間的差異，從而實(shí)現(xiàn)目標(biāo)地類提取。

采用基于決策樹分類方法，分析不同植被的時(shí)間序列曲線和植被的物候特征；采用閾值法的決策樹規(guī)則，在ENVI 5.3平臺(tái)中，構(gòu)建基于GF-1/WFV影像典型地物上述2種植被指數(shù)的決策樹模型，實(shí)現(xiàn)對(duì)葡萄的識(shí)別，得到2017年寧夏賀蘭山東麓葡萄的空間分布圖。

2 結(jié)果與分析

2.1 不同地類植被指數(shù)時(shí)間序列分析

植被的生理特征在不同生長(zhǎng)季節(jié)、生育時(shí)期表現(xiàn)均不同，植被的旺衰信息可以通過植被指數(shù)體現(xiàn)出來。作物生長(zhǎng)變化過程影響其植被指數(shù)的增長(zhǎng)或降低[18]，同一植被類型在不同生長(zhǎng)期及不同植被類型在同一生長(zhǎng)期的差異均可以用其植被指數(shù)時(shí)間序列曲線表現(xiàn)[19-20]。因此，本研究利用訓(xùn)練樣本集獲取NDVI和EVI 2種植被指數(shù)，求取不同地類在不同時(shí)間的均值，得到各個(gè)地類植被指數(shù)時(shí)間序列均值變化曲線(圖2—3)。

圖2 典型地物的NDVI時(shí)間序列曲線Fig.2 NDVI time series curve of typical ground objects

圖3 葡萄和防護(hù)林的EVI時(shí)間序列曲線Fig.3 EVI time series curve of grape and shelterbelt

從圖2可以看出，NDVI時(shí)間序列的植被指數(shù)總體上符合物候規(guī)律，植被生長(zhǎng)期大致從5月初開始，11月后結(jié)束。葡萄、水稻、玉米、小麥的NDVI時(shí)間序列曲線有部分交錯(cuò)，但還是存在NDVI差異明顯的時(shí)間窗口。其中，水稻的NDVI曲線為單峰，5月中旬—6月中旬其NDVI呈明顯增長(zhǎng)趨勢(shì)；6月中旬—7月NDVI不斷升高，此階段為水稻的生長(zhǎng)旺盛期，其NDVI高于其他植被，利用該特征可以將水稻從其他作物中區(qū)分出來。

9月水稻逐漸成熟，一般于10月上旬收割，之后其NDVI降到最低，水稻NDVI的最高值與最低值相差0.738。玉米NDVI曲線具有與水稻相似的變化特征，但在3—6月中旬其NDVI較水稻略高。7月初—9月為玉米生長(zhǎng)旺盛期，其NDVI較水稻偏低，但此階段內(nèi)其NDVI明顯高于小麥，利用此特點(diǎn)可以將玉米從小麥等植被中區(qū)分出來。

5月初葡萄開始萌芽抽枝，5月中下旬進(jìn)入花期后生長(zhǎng)迅速，其NDVI隨之快速上升。6月10日左右進(jìn)入坐果期，在此階段為消除由于葡萄藤生長(zhǎng)過快而對(duì)坐果造成的影響，將葡萄春梢去除，抑制藤蔓生長(zhǎng)。在此期間，其NDVI上升緩慢。7月葡萄枝蔓和果實(shí)進(jìn)入生長(zhǎng)旺期，7月底其NDVI達(dá)到最大。8月上旬果農(nóng)為減少養(yǎng)分流失，對(duì)葡萄進(jìn)行了大規(guī)模的打秋梢活動(dòng)，葡萄覆蓋度明顯下降，其NDVI呈下降趨勢(shì)。8月下旬—10月葡萄果實(shí)成熟，葡萄枝蔓覆蓋度穩(wěn)定，其NDVI變化不大。10月中旬—11月中旬，葡萄采摘完成后，果農(nóng)將葡萄枝葉清除，只留主莖并作掩埋處理，葡萄在此階段的NDVI均在0.1左右，且時(shí)間序列曲線十分平緩，因此，葡萄掩埋期可以作為將葡萄從防護(hù)林中區(qū)分出來的一個(gè)重要時(shí)間窗口。葡萄的生長(zhǎng)曲線與防護(hù)林較為相似，單純利用NDVI很難將二者區(qū)分開，因此，引入EVI對(duì)二者進(jìn)行區(qū)分(圖3)。從圖3可以看出，7—8月中旬葡萄、防護(hù)林的EVI曲線均呈快速增長(zhǎng)趨勢(shì)，8月中旬二者的EVI均達(dá)到最大，此后呈現(xiàn)緩慢下降趨勢(shì)。葡萄、防護(hù)林的EVI曲線在8月初相交，8月前期，葡萄較防護(hù)林的EVI大，8月中旬葡萄受打秋稍影響，后期其EVI隨覆蓋度降低而降低，防護(hù)林的EVI則依舊處于較高水平。因此，8月中旬可作為區(qū)分葡萄和防護(hù)林的重要時(shí)間窗口。

2.2 主要植被類型提取過程

NDVI時(shí)間序列數(shù)據(jù)對(duì)各作物區(qū)分的效果較好，但蘆葦和葡萄生長(zhǎng)規(guī)律相似，二者的NDVI與其他作物相差不大。受不同區(qū)域水質(zhì)、地下水位以及灌溉水量的影響，蘆葦長(zhǎng)勢(shì)不等，導(dǎo)致其同期的NDVI域較寬，極易混淆于葡萄中[蘆葦與葡萄的J-M(Jeffries-Matusita)距離< 1.8)]。因此，根據(jù)蘆葦生長(zhǎng)習(xí)性及圖斑形狀的不規(guī)則性，通過目視解譯判斷研究區(qū)內(nèi)的蘆葦分布，去除蘆葦對(duì)葡萄提取的干擾。 此外，種植年限長(zhǎng)、覆蓋度高的葡萄和防護(hù)林在NDVI時(shí)間序列中的區(qū)分度不明顯，因此，結(jié)合葡萄和防護(hù)林生長(zhǎng)旺盛期的EVI曲線建立決策樹判別模型，進(jìn)行主要植被類型的提取(圖4)。

NDVI時(shí)序數(shù)據(jù)中，7月各植被生長(zhǎng)最旺盛，可利用7月30日的影像區(qū)分植被和非植被。經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0730<0.2為閾值提取非植被類型，其他為植被類型。

水稻4月28日—5月26日在各類植被中的NDVI最低，7月6—30日在各類作物中的NDVI最高。根據(jù)水稻樣點(diǎn)數(shù)據(jù)的統(tǒng)計(jì)值，經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0706<0.7為閾值提取水稻。

玉米7月6日—8月16日的NDVI較大，此后其NDVI迅速下降。根據(jù)玉米樣點(diǎn)數(shù)據(jù)統(tǒng)計(jì)的特征值，經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0706+NDVI0816>1.18為閾值提取玉米。

小麥4—7月中旬的NDVI均高于葡萄，同時(shí)，6月16日—8月16日，其時(shí)間序列曲線出現(xiàn)2個(gè)峰值。小麥?zhǔn)崭詈螅?月30日出現(xiàn)NDVI低谷。根據(jù)小麥樣點(diǎn)數(shù)據(jù)在這幾個(gè)時(shí)期的統(tǒng)計(jì)值，經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0616+NDVI0816>0.8、NDVI0730<0.5、NDVI0526>0.3為閾值提取小麥。

防護(hù)林的NDVI相比葡萄較高，但與葡萄的NDVI時(shí)間序列曲線較為相似，結(jié)合其生長(zhǎng)旺盛期的EVI曲線，經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0428<0.28、NDVI0706<0.18、EVI0816<1.5為閾值提取防護(hù)林。

葡萄掩埋期的NDVI在0.1左右，較其他植被低。8月上旬葡萄打秋梢后其NDVI下降，8月16日達(dá)到最低，此特點(diǎn)在EVI時(shí)間序列中表現(xiàn)明顯，因此，可結(jié)合NDVI和EVI時(shí)間序列曲線將葡萄提取出來。根據(jù)葡萄樣點(diǎn)數(shù)據(jù)在這幾個(gè)時(shí)期的統(tǒng)計(jì)值，經(jīng)過反復(fù)試驗(yàn)，最終設(shè)定NDVI0326<0.16、NDVI0428<0.16、NDVI0526<0.25、0.150.4為閾值提取葡萄。

2.3 分類結(jié)果與精度評(píng)價(jià)

采用上述方法對(duì)寧夏賀蘭山東麓葡萄種植區(qū)進(jìn)行葡萄提取，獲得的分類結(jié)果如圖5所示。因本研究主要對(duì)葡萄進(jìn)行提取，在進(jìn)行精度驗(yàn)證時(shí)，將防護(hù)林、水稻、玉米、小麥等植被歸為其他植被。因此驗(yàn)證樣本集按照葡萄、其他植被、非植被類型進(jìn)行驗(yàn)證。將分類后的結(jié)果與地面驗(yàn)證樣本計(jì)算混淆矩陣?；谝巴獠蓸訑?shù)據(jù)及實(shí)際調(diào)查，隨機(jī)選擇1 299個(gè)驗(yàn)證點(diǎn)，建立混淆矩陣，選取生產(chǎn)精度、用戶精度、Kappa系數(shù)和總體精度4個(gè)指標(biāo)對(duì)分類結(jié)果進(jìn)行驗(yàn)證，分類精度評(píng)價(jià)見表2。

圖4 基于GF-1/WFV時(shí)間序列遙感識(shí)別的主要植被類型提取流程Fig.4 Flowchart of extraction process of main vegetation types based on GF-1/WFV time series sensing recognition

圖5 基于GF-1/WFV時(shí)間序列遙感識(shí)別的葡萄提取結(jié)果Fig.5 Grape forest extraction result based on GF-1/WFVtime series remote sensing recognition

如表2所示，在所有驗(yàn)證樣本點(diǎn)中，被正確分類的樣本點(diǎn)有1 235個(gè)，分類總體精度為95%，Kappa系數(shù)為0.91。葡萄提取的生產(chǎn)精度為93%，用戶精度為96%。葡萄驗(yàn)證樣本點(diǎn)共470個(gè)，被正確分類的樣本點(diǎn)有436個(gè)。但是由于葡萄與非植被類型中的裸地在3—5月具有相似的光譜特征，且其他植被中光譜特征與防護(hù)林的也較為相似，因此，葡萄與裸地和其他植被容易出現(xiàn)錯(cuò)分的現(xiàn)象。其他植被驗(yàn)證樣本點(diǎn)共706個(gè)，被正確分類的樣本點(diǎn)為682個(gè)。由于其他植被中包括水稻、玉米、小麥、防護(hù)林，總體訓(xùn)練樣本較充分，且在時(shí)間序列曲線中區(qū)分窗口較明顯，因此，整體分類精度較高。非植被類型驗(yàn)證樣本點(diǎn)共123個(gè)，被正確分類的樣本點(diǎn)為117個(gè)。在非植被類型中，由于將裸地、建筑用地和水體等都?xì)w入其中，光譜差異較大，影響時(shí)間序列曲線的構(gòu)建和比較，分類精度相對(duì)較低，由此，非植被類型樣本點(diǎn)中錯(cuò)分為其他植被的樣本點(diǎn)也較多，其他植被和葡萄錯(cuò)分到非植被類型中的樣本點(diǎn)也較多。

表2 基于GF-1/WFV時(shí)間序列遙感識(shí)別的混淆矩陣Tab.2 Confusion matrix based on GF-1/WFV time series remote sensing recognition

3 結(jié)論與討論

本研究試圖建立快速、簡(jiǎn)單、操作性強(qiáng)的葡萄提取方法，主要基于遙感影像的光譜特征等來構(gòu)建決策樹分類模型，通過將葡萄不同物候期表現(xiàn)的光譜差異與其他植被類型進(jìn)行比較提取葡萄，獲得較高的分類精度。由基于GF-1/WFV遙感數(shù)據(jù)構(gòu)建的NDVI時(shí)間序列葡萄識(shí)別模型可知，寧夏賀蘭山東麓葡萄主要集中在賀蘭山洪積扇區(qū)域，呈條帶狀分布。其中，賀蘭山沿山產(chǎn)區(qū)、永寧產(chǎn)區(qū)、青銅峽產(chǎn)區(qū)集中成片，分布最典型，主要植被類型的植被指數(shù)時(shí)間序列的構(gòu)建基本滿足在寧夏賀蘭山東麓進(jìn)行植被次級(jí)分類提取植被類型的需求。其中，NDVI時(shí)間序列曲線能夠較好地區(qū)分作物和防護(hù)林，而EVI結(jié)合NDVI對(duì)葡萄和防護(hù)林的區(qū)分效果更好。與傳統(tǒng)的計(jì)算機(jī)輔助分類相比，基于時(shí)間序列的數(shù)據(jù)，結(jié)合葡萄物候期，探索出了提取葡萄的窗口期。葡萄在3—5月處于掩埋期時(shí)其NDVI明顯低于玉米和小麥，可有效將葡萄從作物中區(qū)分出來，但葡萄覆蓋度相對(duì)較低，與裸地容易發(fā)生混淆。8月葡萄受打秋稍影響，其后期EVI變化不大，且防護(hù)林的EVI高于葡萄，可作為區(qū)分葡萄和防護(hù)林的窗口期。

葡萄與其他植被的生長(zhǎng)季較為相近，使用單一時(shí)相的遙感影像對(duì)葡萄進(jìn)行提取易發(fā)生混淆，從而影響提取精度?；谶x擇NDVI 時(shí)間序列曲線特征并結(jié)合葡萄生長(zhǎng)物候期、種植規(guī)律的分類識(shí)別方法，是根據(jù)葡萄NDVI時(shí)間序列遙感數(shù)據(jù)完整地反映葡萄的生長(zhǎng)趨勢(shì)的特點(diǎn)，通過反復(fù)試驗(yàn)尋找特殊節(jié)點(diǎn)，并運(yùn)用決策樹模型對(duì)其識(shí)別，具有需參數(shù)少、自動(dòng)化程度高、適用性強(qiáng)、精度高的優(yōu)點(diǎn)。因此，具有較高時(shí)間和空間分辨率優(yōu)勢(shì)的GF-1/WFV遙感數(shù)據(jù)能夠較好地重建葡萄生長(zhǎng)季 NDVI 曲線，反映其變化特征，利用時(shí)序植被指數(shù)進(jìn)行分類，可以有效減小異物同譜現(xiàn)象的干擾。各地類交界處像元具有相似光譜特征，且空間相鄰，易形成混合像元，導(dǎo)致區(qū)分困難。不同植被類型也有可能形成相同的植被指數(shù)時(shí)間序列曲線，因此，有必要結(jié)合紋理特征及形態(tài)特征等提高圖像的分類精度。