基于GF-1和MODIS時(shí)序NDVI的種植結(jié)構(gòu)提取

李家寶，王賀封，張安兵，李紅紅

(河北工程大學(xué) 礦業(yè)與測(cè)繪工程學(xué)院，河北 邯鄲 056038)

作物的種植結(jié)構(gòu)是反映作物類型、空間分布、種植面積和輪作模式的綜合農(nóng)業(yè)信息，其時(shí)空變化信息是農(nóng)業(yè)可持續(xù)發(fā)展的重要研究?jī)?nèi)容[1]。逐層統(tǒng)計(jì)匯總是獲得農(nóng)作物種植結(jié)構(gòu)信息的傳統(tǒng)方式，但存在實(shí)地大面積調(diào)查測(cè)量誤差大、耗時(shí)耗力和時(shí)間滯后的問題[2]。遙感技術(shù)因其高時(shí)效、寬范圍和低成本的優(yōu)勢(shì)，近年來在農(nóng)業(yè)、水資源管理方面的應(yīng)用越來越普及，為大區(qū)域準(zhǔn)確和快速獲取農(nóng)作物種植結(jié)構(gòu)提供了新的技術(shù)手段[3]。

作物在遙感影像上呈現(xiàn)的不同光譜特征、時(shí)相特征和空間特征是種植結(jié)構(gòu)遙感解譯的理論依據(jù)[4]。單一影像的解譯方法主要是根據(jù)作物光譜差異并結(jié)合作物生長(zhǎng)的關(guān)鍵期，找到識(shí)別作物的最佳時(shí)相，操作簡(jiǎn)單；但由于受“異物同譜”現(xiàn)象影響，為確保作物識(shí)別精度，要求影像具有較高空間分辨率和較好的影像質(zhì)量[5-6]。而時(shí)間序列影像的解譯方法充分利用作物整個(gè)生長(zhǎng)生育階段的信息，一定程度上解決了單一影像方法的混合像元問題。歸一化植被指數(shù)NDVI (normalized difference vegetation index)反映了植被生長(zhǎng)狀態(tài)及植被覆蓋度，NDVI 的時(shí)序變化對(duì)應(yīng)了植被的生長(zhǎng)和衰落等活動(dòng)過程[7],并反映出農(nóng)作物各自的生長(zhǎng)差異，因此NDVI被廣泛應(yīng)用于植被信息提取和地物識(shí)別[8-9]。但應(yīng)注意到，由于數(shù)據(jù)源的限制，目前能夠構(gòu)成完整作物生長(zhǎng)周期的時(shí)間序列數(shù)據(jù)大多集中在中低空間分辨率，難以獲得較好的提取精度。為此，本文探討運(yùn)用GF-1監(jiān)督分類結(jié)果和MODIS NDVI時(shí)間序列共同參與決策樹構(gòu)建來提取區(qū)域作物種植結(jié)構(gòu)的方法，克服單一數(shù)據(jù)源或單一提取方法缺點(diǎn)的同時(shí)獲得更好解譯精度。

1 數(shù)據(jù)獲取與預(yù)處理

1.1 區(qū)域概況

本文選取石津灌區(qū)為試驗(yàn)區(qū)域，占地面積4 174.48 km2，其中耕地面積29萬hm2，主要農(nóng)作物為冬小麥、夏玉米及蘋果、梨、桃等，為國(guó)家大II型灌區(qū)，位于河北省中南部，太行山東麓，滹沱河下游以南、滏陽(yáng)河以北、以西，覆蓋石家莊、衡水、邢臺(tái)3個(gè)市的14個(gè)縣(市、區(qū))。

1.2 數(shù)據(jù)選擇

基于物候特征，冬小麥三月返青、四月拔節(jié)，此時(shí)影像中冬小麥與其他地物的光譜差異最為明顯，因此選擇三月底、四月初的高分影像初步識(shí)別冬小麥；夏玉米九月底全部收獲，十月上旬開始播種冬小麥，夏玉米收獲后其用地光譜特征在影像中表現(xiàn)為裸地，十月果樹還未完全步入落葉期，依然表現(xiàn)為植被的光譜特征，故選擇九月底或十月中上旬影像初步識(shí)別夏玉米和果樹。為確保達(dá)到最佳解譯結(jié)果，對(duì)比2014年3至4月、9至10月所有可獲取高分?jǐn)?shù)據(jù)的質(zhì)量后，選擇使用4月3日和10月16日兩期高分影像。為保證時(shí)相匹配，從NASA網(wǎng)站下載2014年6月至2015年6月一整年MOD13Q1植被指數(shù)產(chǎn)品，共23幅影像，并對(duì)23幅影像進(jìn)行編號(hào)，見表1。

1.3 數(shù)據(jù)預(yù)處理

高分一號(hào)影像的數(shù)據(jù)預(yù)處理主要包括：輻射定標(biāo)、大氣校正、正射校正、影像拼接、研究區(qū)裁剪和幾何校正。為使MOD13Q1數(shù)據(jù)與高分?jǐn)?shù)據(jù)在地理位置上統(tǒng)一，下載2014年任意一期覆蓋研究區(qū)的Landsat8影像，以15 m空間分辨率的Landsat8全色波段為基準(zhǔn)，對(duì)高分一號(hào)影像進(jìn)行幾何校正。MODIS影像數(shù)據(jù)預(yù)處理主要包括：投影變換、影像裁剪、數(shù)據(jù)重采樣。MOD13Q1產(chǎn)品NDVI的原始數(shù)據(jù)值范圍是[-10 000,10 000]，需要將所有影像的DN值均乘以0.000 1變換為NDVI正常值范圍[-1,1]。最后將變換值域后的23幅影像進(jìn)行疊加，形成MODIS NDVI時(shí)間序列數(shù)據(jù)。

1.4 樣本選擇

通過目視解譯方法，在Google earth中選取研究區(qū)范圍內(nèi)建筑、冬小麥、夏玉米及果樹4類樣本，并保證樣本均勻分布和隨機(jī)性，最終選取建筑樣本150個(gè)，冬小麥樣本530個(gè)，夏玉米樣本350個(gè)，果樹樣本130個(gè)。其中，150個(gè)建筑樣本，400個(gè)冬小麥樣本，250個(gè)夏玉米樣本，80個(gè)果樹樣本作為監(jiān)督分類和構(gòu)建時(shí)間序列的訓(xùn)練樣本；130個(gè)冬小麥樣本，100個(gè)夏玉米樣本，50個(gè)果樹樣本用來檢驗(yàn)總體解譯效果。

2 研究方法

首先使用最大似然法對(duì)預(yù)處理后的高分影像進(jìn)行監(jiān)督分類，以獲取初步識(shí)別結(jié)果；然后根據(jù)訓(xùn)練樣本統(tǒng)計(jì)繪制各作物MODIS NDVI變化曲線，分析NDVI的時(shí)間序列，選擇區(qū)分作物的最佳時(shí)相并確定識(shí)別閾值；最后構(gòu)建監(jiān)督分類結(jié)果與NDVI時(shí)序共同約束下的決策樹分類模型，識(shí)別出研究區(qū)主要作物的空間分布。

2.1 高分影像的監(jiān)督分類

對(duì)4月3日和10月16日高分?jǐn)?shù)據(jù)使用最大似然法進(jìn)行監(jiān)督分類，分類后結(jié)果中存在大量的細(xì)小圖斑，需要對(duì)結(jié)果進(jìn)行包括Majority分析、聚類處理及過濾處理在內(nèi)的分類后處理。分類后處理可以去除監(jiān)督分類初步結(jié)果中的細(xì)小圖斑，并能夠在一定程度上簡(jiǎn)化分類影像。

2.2 NDVI時(shí)間序列的構(gòu)建

使用目視解譯出的各作物訓(xùn)練區(qū)裁剪MODIS NDVI時(shí)間序列影像，結(jié)合ENVI軟件統(tǒng)計(jì)工具，統(tǒng)計(jì)得到冬小麥、夏玉米、果樹、建筑訓(xùn)練區(qū)的NDVI時(shí)間序列特征值，見表1，由NDVI均值得出作物的生長(zhǎng)趨勢(shì)線，見圖1。

2.3 GF-1監(jiān)督分類結(jié)果與MODIS NDVI時(shí)間序列共同約束下的決策樹構(gòu)建

高分?jǐn)?shù)據(jù)具有受氣候因素影響，如云雨的覆蓋影響較為嚴(yán)重的數(shù)據(jù)特性，導(dǎo)致監(jiān)督分類中對(duì)作物的錯(cuò)分、漏分，從而造成總體解譯結(jié)果的精度損失。以監(jiān)督分類結(jié)果為約束的決策樹構(gòu)建能對(duì)錯(cuò)分、漏分像元進(jìn)行篩選和剔除。影像分類閾值的確定對(duì)決策樹的精準(zhǔn)實(shí)施起決定性作用，本文的閾值指標(biāo)對(duì)應(yīng)NDVI的特征值。通過觀察作物生長(zhǎng)趨勢(shì)線，找出區(qū)分不同作物的最佳識(shí)別點(diǎn)，使用不同時(shí)相NDVI最大或最小值作為閾值限制作物提取范圍，爭(zhēng)取達(dá)到某種作物的完整提取。

2.3.1 冬小麥決策樹識(shí)別模型

由圖1中冬小麥MODIS NDVI值隨時(shí)間變化的曲線可以看出，序列號(hào)為11的時(shí)相是區(qū)分冬小麥的最佳時(shí)相，此時(shí)NDVI值處于主要作物中的最小值，針對(duì)該特征的約束條件為：第11時(shí)相的NDVI小于冬小麥第11時(shí)相的最大值。從序號(hào)為9的時(shí)相到第12時(shí)相，冬小麥NDVI值有一個(gè)明顯的下降，是冬小麥生長(zhǎng)周期中一個(gè)可與其他地物區(qū)分的明顯特征，針對(duì)該特征的約束條件為：第9時(shí)相與第10時(shí)相NDVI之和大于第11時(shí)相與第12時(shí)相NDVI之和。由于GF影像較高的空間分辨率，觀察4月3日的GF-1原始影像發(fā)現(xiàn)，此時(shí)是區(qū)分冬小麥與其他地物的最佳時(shí)相，可以保證監(jiān)督分類冬小麥的最佳分類精度，故將監(jiān)督分類結(jié)果作為首要約束，針對(duì)該特征的約束條件為：提取4月3日高分影像監(jiān)督分類等于冬小麥的部分。本文綜合約束下的冬小麥決策樹識(shí)別模型為：

GF(4.3)=冬小麥
NDVI(11)<0.458 2
NDVI(9)+NDVI(10)>NDVI(11)+NDVI(12)

其中GF(4.3)為4月3日高分影像監(jiān)督分類結(jié)果NDVI(A)中A為第A時(shí)相。

2.3.2 果林決策樹識(shí)別模型

結(jié)合監(jiān)督分類結(jié)果觀察原始高分影像發(fā)現(xiàn)，4月3日的監(jiān)督分類結(jié)果中出現(xiàn)了果林和建筑的大面積錯(cuò)分，故在高分監(jiān)督分類結(jié)果提取果樹和建筑兩類地物。根據(jù)NDVI變化曲線，第11時(shí)相的果樹NDVI的最小值大于建筑NDVI的最大值，因此對(duì)于MODIS影像使用第11時(shí)相區(qū)分果樹與建筑，針對(duì)該特征的約束條件為：第11時(shí)相的NDVI大于建筑NDVI的最大值。本文綜合約束下的果樹決策樹識(shí)別模型為：

GF(4.3)=建筑+果樹
NDVI(11)>0.617 8

2.3.3 夏玉米決策樹識(shí)別模型

果樹和夏玉米生長(zhǎng)周期存在重疊期，所以首先在10月16日高分監(jiān)督分類結(jié)果中將已確定的果樹結(jié)果剔除。因?yàn)橛跋褓|(zhì)量問題，在10月16日高分影像監(jiān)督分類結(jié)果中，建筑和夏玉米出現(xiàn)嚴(yán)重的錯(cuò)分現(xiàn)象，故將夏玉米和建筑一同提取，再使用其他約束條件單獨(dú)提取夏玉米。從MODIS NDVI時(shí)間序列曲線可以看出，夏玉米在第15時(shí)相NDVI達(dá)到最大，因?yàn)榇藭r(shí)相正值夏季，是所有植物生長(zhǎng)最旺盛的季節(jié)，使NDVI值大于夏玉米NDVI在第15時(shí)相的最小值，能提取出夏玉米及大部分同期生長(zhǎng)植物并排除居民區(qū)；第12、13時(shí)相是夏玉米播種生長(zhǎng)階段，NDVI值較小，其他植物生長(zhǎng)旺盛，NDVI值維持在較高水平，使用12、13時(shí)相的最大值共同約束，區(qū)分夏玉米于其他茂盛植物，針對(duì)該特征的約束條件為：第12、13時(shí)相的NDVI值小于該時(shí)相夏玉米NDVI最大值。高分?jǐn)?shù)據(jù)和MODIS數(shù)據(jù)綜合約束下的夏玉米識(shí)別模型為：

GF(10.16)≠果樹

GF(10.16)=建筑+玉米

NDVI(15)>0.622 4

NDVI(12)<0.614 4

NDVI(13)<0.712 8

其中GF(10.16)為10月16日高分影像監(jiān)督分類結(jié)果。

3 結(jié)果與分析

3.1 GF影像監(jiān)督分類結(jié)果與評(píng)價(jià)

基于GF-1監(jiān)督分類的結(jié)果如圖2所示。根據(jù)Google Earth選取的驗(yàn)證樣本檢驗(yàn)GF數(shù)據(jù)監(jiān)督分類結(jié)果中的正確分類點(diǎn)，對(duì)4月3日和10月16日GF影像主要作物的分類結(jié)果進(jìn)行精度評(píng)價(jià)，見表2。

日期作物類型驗(yàn)證樣本個(gè)數(shù)正確分類個(gè)數(shù)分類精度/%4月3日冬小麥13011991.58果林50438610月16日夏玉米1006565果林504488

理想狀況下，高空間分辨率影像與監(jiān)督分類的結(jié)合可以獲得較高的解譯精度[10]，但通常受到所獲取到的GF數(shù)據(jù)質(zhì)量的影響，解譯精度會(huì)有所降低。從表2中可以看出，4月3日影像上冬小麥和果林的分類精度相對(duì)較高，是因?yàn)樵摃r(shí)相冬小麥和果林都有其獨(dú)特的具有可分性的光譜特征；再結(jié)合GF原始影像，發(fā)現(xiàn)分類結(jié)果中存在部分將建設(shè)用地劃分為果林的多分現(xiàn)象。從表中可以看出，10月16日影像對(duì)夏玉米的解譯效果較差，觀察GF原始影像發(fā)現(xiàn)，氣象條件對(duì)該時(shí)相作物光譜特征的影響較大，云霧、日照條件等使地物間可分性降低，最終導(dǎo)致夏玉米分類精度較其他地物的大幅度下降；又因該時(shí)相果林的光譜特征明顯區(qū)別于其他地物，果林的分類精度仍保持在較高水平。

3.2 GF-1監(jiān)督分類與NDVI時(shí)間序列共同約束的決策樹分類結(jié)果與評(píng)價(jià)

基于GF-1監(jiān)督分類與NDVI時(shí)間序列共同約束的決策樹產(chǎn)生的解譯結(jié)果如圖3所示。

圖3 多種約束決策樹作物解譯結(jié)果Fig.3 Crop interpretation results of multiple constraint decision trees

3.2.1 基于訓(xùn)練驗(yàn)證點(diǎn)的分類精度驗(yàn)證

根據(jù)Google Earth選取的驗(yàn)證樣本檢驗(yàn)綜合解譯結(jié)果，分類精度見表3。

表3 基于Google Earth樣本點(diǎn)的精度驗(yàn)證表

3.2.2 基于隨機(jī)點(diǎn)的分類精度驗(yàn)證

使用Arcgis的隨機(jī)點(diǎn)生成工具，在研究區(qū)內(nèi)隨機(jī)生成200個(gè)隨機(jī)點(diǎn)，在綜合解譯方法的冬小麥、果林和夏玉米結(jié)果中分別進(jìn)行統(tǒng)計(jì)，200個(gè)點(diǎn)中共有132個(gè)點(diǎn)對(duì)應(yīng)冬小麥，54個(gè)對(duì)應(yīng)果林，113個(gè)對(duì)應(yīng)夏玉米；再將這些點(diǎn)分別投映到Google Earth中，統(tǒng)計(jì)各類別點(diǎn)的正確分類個(gè)數(shù)，對(duì)綜合方法的分類精度做出評(píng)價(jià)，分類精度見表4。

表4 基于隨機(jī)點(diǎn)的精度驗(yàn)證表

由表3和表4可見，兩種驗(yàn)證方法的結(jié)果基本一致，都能觀察到分類精度的顯著提高?；诒O(jiān)督分類與決策樹的綜合分類方法的總解譯精度達(dá)93%以上，相比較于單純的監(jiān)督分類，冬小麥分類解譯提高3%以上，果樹解譯精度提高8%以上，夏玉米解譯精度提高26%，總體精度提高了10%以上。

4 結(jié)論

1)MODIS NDVI時(shí)間序列和GF影像監(jiān)督分類結(jié)合的決策樹綜合分類方法的精度較高，總體分類精度達(dá)到93.13%，較4月3日的GF影像監(jiān)督分類，精度提高了4%以上，較10月16日的GF影像監(jiān)督分類，精度提高了10%以上，說明該方法具有較高的識(shí)別精度，能更好地反映區(qū)域主要作物的種植分布，適合作物的分類和提取。

2)本研究綜合方法的夏玉米的解譯精度較單純的監(jiān)督分類有了很大的提升，因?yàn)?0月16日的GF影像質(zhì)量不利于區(qū)分夏玉米，導(dǎo)致直接監(jiān)督分類夏玉米的可行性降低，只關(guān)注夏玉米識(shí)別精度的提升，并不能體現(xiàn)出該方法在解譯精度方面的優(yōu)越性。高分影像監(jiān)督分類的冬小麥和果林的解譯已經(jīng)取得較好效果，在使用綜合解譯方法后精度依舊有4%以上的提高，證明該方法可一定程度克服GF數(shù)據(jù)質(zhì)量的影響，并對(duì)GF影像的監(jiān)督分類結(jié)果有一定的改善、修正效果。

3)GF影像和MODIS數(shù)據(jù)的綜合使用，使數(shù)據(jù)更好地發(fā)揮各自的優(yōu)勢(shì)并在時(shí)空分辨率上相互補(bǔ)充，提高了數(shù)據(jù)的可用性和應(yīng)用潛力。

本文在選取樣本時(shí)，采用了目視解譯的方法，這會(huì)對(duì)遙感解譯結(jié)果造成一些人為的誤差。由于本文研究區(qū)域跨多個(gè)市縣，尚缺少對(duì)該區(qū)域的完整的作物種植信息的統(tǒng)計(jì)數(shù)據(jù)，故精度上未采用統(tǒng)計(jì)數(shù)據(jù)進(jìn)行驗(yàn)證，對(duì)于其他區(qū)域，可增加統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證分類精度，對(duì)本方法進(jìn)行更加全面的精度評(píng)價(jià)。