,, 茶明星, 李娅丽福州大学/空间数据挖掘与信息共享教育部重点实验室/卫星空间信息技术综合应用国家地方联合工程研究中心/数字中国研究院(福建),福州350108Crop Identification Based on TWDTW Method and Time Series GF-1 WFV
QIU PengXun, WANG XiaoQin,, CHA MingXing, LI YaLiFuzhou University/Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education/National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology/The Academy of Digital China (Fujian), Fuzhou 350108通讯作者:
责任编辑: 杨鑫浩
收稿日期:2019-04-20接受日期:2019-07-3网络出版日期:2019-09-01
| 基金资助: |
Received:2019-04-20Accepted:2019-07-3Online:2019-09-01
作者简介 About authors
邱鹏勋,E-mail：490909513@qq.com。
摘要
关键词：
Abstract
Keywords：
PDF (3836KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
邱鹏勋, 汪小钦, 茶明星, 李娅丽. 基于TWDTW的时间序列GF-1 WFV农作物分类[J]. 中国农业科学, 2019, 52(17): 2951-2961 doi:10.3864/j.issn.0578-1752.2019.17.004
QIU PengXun, WANG XiaoQin, CHA MingXing, LI YaLi.
0 引言
【研究意义】农作物的空间分布、种植面积等信息是政府部门制定粮食政策、经济计划的重要依据[1]。及时、准确地获取农作物种植结构信息对农业部门的生产管理、农产品的产量估计以及农作物种植结构的优化和调整都具有重要意义[2,3]。获取农作物种植信息的传统方法主要是实地调查[4],但对于作物分布广阔,地形复杂的情况,采用该方法往往存在耗时费力和时效性差等问题,无法满足农业部门的管理决策需求[5,6],因此实现农作物快速准确地分类已成为农业部门急需解决的问题。【前人研究进展】遥感技术因其具备覆盖面积广、观测周期短、现势性强以及成本低等优点,广泛应用于农作物种植结构提取[7,8,9]。利用时序遥感数据是开展农作物分类识别的基本方法[10,11,12]。杨小唤等[13]基于时间序列MODIS数据,通过分析各农作物的NDVI值在生长季的变化规律,提取了北京市的冬小麦、夏玉米等农作物。陈颖姝等[14]综合利用Landsat8 OLI和MODIS时间序列数据,选取感兴趣区域,利用BP神经网络方法对影像进行监督分类,提取了研究区农作物的空间分布情况。采用高分辨的影像对农作物进行研究时,由于卫星的重访周期较长,难以获取密集时序的影像数据,无法通过农作物的动态变化特征来提取农作物[15]。随着中国首颗高分辨对地观测系统卫星——高分一号(GF-1)的发射成功,其搭载的多光谱相机(WFV)具有16 m的空间分辨率和4 d的重访周期[16],该数据时间和空间分辨率双高的特点将在农情遥感领域中发挥重要的作用[17,18]。黄建熙等[19]基于GF-1 WFV数据构建16 m的NDVI时间序列,结合4种指数特征,采用随机森林的分类方法提取了黑龙江嫩和县玉米和大豆的种植面积,取得了较好的分类结果,该方法为基于GF-1 WFV数据实现大区域作物面积提取提供了借鉴意义。近年来数据挖掘技术发展迅速,时间序列分类问题引起了广泛的关注[20,21]。动态时间弯曲(DTW)作为时间序列相似性度量算法中的一种,其具有较好的灵活性[22,23,24,25],已被应用于农作物分类识别研究中。钟礼山等[26]利用时间序列影像数据,采用DTW算法提取了江苏徐州市主城区的耕地信息,但相比于Pearson系数法和欧式距离法,DTW的分类精度较差。由于DTW匹配算法不要求匹配点一一对应,只需使匹配的两序列间的累积距离最小即可,容易造成畸形匹配现象,影响作物分类精度[27]。MAUS等[28]在DTW算法的基础上引入了时间权重因子,利用时间序列的MODIS数据,基于时间加权的动态时间弯曲(TWDTW)方法成功提取了巴西中部农作物空间分布信息,但MODIS数据的分辨率较低,分类结果的可靠性还需进一步研究。BELGIU等[29]采用哨兵-2时间序列数据,分别以像元和对象作为分析单元,利用TWDTW方法提取了3个不同研究区域(罗马尼亚、意大利和美国)农作物种植信息,证明了TWDTW算法在农作物分类中的有效性,但是研究区的范围相对较小,无法体现该分类算法在大尺度中的适用性。【本研究切入点】目前TWDTW方法应用于农作物分类研究还相对较少,对于该方法在不同地域的适用性还有待进一步研究,且基于该方法的时间序列GF-1 WFV农作物分类的研究还鲜有涉及,高分数据的高时间分辨率在农作物分类识别中的优势还需进一步明确。【拟解决的关键问题】本文以新疆焉耆盆地为例,基于GF-1 WFV时间序列数据,利用TWDTW方法对研究区内的农作物进行分类。将TWDTW方法的分类结果与决策树的分类结果进行对比,探讨GF-1 WFV在农业领域的应用潜力以及TWDTW方法在农作物分类识别中的适用性。1 材料与方法
1.1 研究区概况
研究区位于新疆巴音郭楞自治州的焉耆盆地(85°58′—87°26′E,41°46′—42°21′N),东临博斯腾湖,北接天山山脉,行政范围上包括和静县、和硕县、焉耆县以及博湖县(图1)。焉耆盆地具有典型的干旱绿洲气候,春季回暖快,冬季较为寒冷,日照时间长,光热资源丰富。该地区地势平坦,开都河贯穿其间,水资源较为丰富,适合农业发展。焉耆盆地是新疆重要的特色农产品生产基地,番茄产业经过30多年的发展,已成为该区域的优势产业,番茄制品销往全国各地。辣椒在该区域内大面积种植,生产的辣椒质量好、产量高,是全国重要的辣椒生产基地。同时,研究区内还种有小麦、甜菜等农作物,种植结构较为复杂。图1
新窗口打开|下载原图ZIP|生成PPT图1研究区地理位置样本点分布图
Fig. 1Location of the study area and sample distribution
1.2 数据来源
1.2.1 GF-1/WFV数据集 本文所使用的GF-1/WFV影像数据集是从中国资源卫星应用中心获取的,空间分辨率为16 m,共10个时相(5-1、5-9、5-21、6-19、8-16、8-28、9-5、9-22、10-4和11-26)。利用DEM数据对影像进行正射校正,采用辐射定标和大气校正消除大气等因素的干扰。对于某一特定时相,仅利用单景影像无法覆盖整个研究区的情况,采用多景影像镶嵌,并根据研究区范围对影像进行裁剪,得到边界一致的数据集。由于NDVI能够很好地反映绿色植被的生长情况,对所有预处理后数据进行NDVI计算,得到NDVI时间序列数据集,为后续农作物分类做准备。1.2.2 样本数据集 为了更好地验证农作物分类结果,2018年7月对研究区内的农作物种植情况进行了实地调察。采用GPS定点及拍照的方式,共收集到样本点243个(图1),根据实地调查样本点的分布情况,以及谷歌地球影像上不同农作物的色彩和纹理等特征进行目视判读,再增加118个样本点,共361个样本构建样本数据集,其中辣椒103个,小麦86个,甜菜48个,番茄54个,芦苇和其他植被58个,非农业区样本12个。
1.3 研究方法
利用农作物样本点和GF-1 WFV时间序列数据构建NDVI时序曲线,时序曲线的波形反映了农作物的生长变化情况。根据不同作物生长的物候特征,利用TWDTW算法对研究区内的农作物进行分类。同时建立决策树分类规则进行对比,分析TWDTW方法在农作物分类中的适用性。图2为本文的技术路线。图2
新窗口打开|下载原图ZIP|生成PPT图2农作物分类流程图
Fig. 2The flowchart of crop classification
1.3.1 农作物物候特征 由于不同农作物对生长的气候条件有不同的要求,因此它们最适宜的种植也存在差异。利用样本点与NDVI时间序列数据集生成农作物的NDVI时序曲线图(图3),可以发现研究区内小麦的最大生育期在5月底到6月初之间,7月收获,是最早种植的农作物。番茄和辣椒的种植时间都在4月底,但是番茄的生长季较短,NDVI值在8月初达到最高,8月下旬开始收获,而辣椒的收获期是在9月下旬,这段时期的NDVI下降幅度较大。甜菜和芦苇的生长季都较长,甜菜在9月底达到生长高峰,之后NDVI值迅速下降,是研究区内收获最迟的农作物。
1.3.2 时间加权的动态时间弯曲算法 时间加权的动态时间弯曲算法是在动态时间弯曲(DTW)算法的基础上引入了时间权重因子,基于动态规划思想,寻找一条最小累计距离的路径[30]。计算两序列的相似性程度时,不仅要考虑匹配点的数值大小,还要考虑匹配点间的时间跨度,避免序列间严重的畸形匹配现象[31]。
图3
新窗口打开|下载原图ZIP|生成PPT图3农作物NDVI时序曲线
Fig. 3Time series curve of crop NDVI
设有两长度分别为n和m的时间序列为：
构造时间序列A和B的距离矩阵为：
式中,sij为两序列间的基距离,一般采用欧式距离的平方和时间权重的乘积作为TWDTW的基距离,即：
式中,wij为权重值,g为增益因子,值越大则对匹配点间隔差异的惩罚越大,c=|i-j|为距离因子,mc一般为时间序列的中间节点,本文设为150。设时间序列A和B在(i,j)处的累积距离为Q(i,j),公式如下：
在寻找最小累积距离路径L时,应满足：
(1)max{m,n}≤L≤m+n-1
(2)若Ql=sij, Ql+1=si′j′ 则0≤i′-i≤1,0≤j′-j≤1。
从样本数据集中随机选择20%的样本作为分类训练样本,提取各类样本点在NDVI影像上的均值作为标准序列的节点值,逐像元计算待分像元与标准序列间的TWDTW距离值,值越小则相似性程度越高。通过对比待分像元与各类农作物标准序列的相似性程度,确定像元属性,得到最终分类结果。
运算效率是应用TWDTW算法最大的挑战,其计算时间与影像的时相数、像元数以及分类体系的复杂程度相关。为了提高运算效率,本文对影像进行分块,采用多线程方法实现TWDTW的并行计算,极大地提高了该算法的时间效率。
1.3.3 决策树分类方法 根据不同作物具有不同的物候特征,本文采用决策树对农作物进行分类。决策树方法是通过设定一些判断条件对原始影像进行逐步的二分和细化[32,33]。其中,每一个分叉点代表一个决策判断条件,每个分叉点下有两个叶节点,分别代表满足条件和不满足条件[34,35]。根据农作物生长的NDVI时序曲线(图2),选取待分作物与其他作物特征差异较大的敏感时期,设定判断条件,并通过不断地尝试确定合理的分类阈值,建立分类规则(图4)。
图4
新窗口打开|下载原图ZIP|生成PPT图4农作物分类规则
Fig. 4Classification rule of crops
决策树分类规则本着先易后难的原则,选取目标农作物与背景特征差异较大的“关键物候期”,优先提取较好区分的农作物。对于物候特征相近的农作物,综合利用多时相NDVI值,通过简单的物候学算法,构建农作物的分类条件,增大目标作物与背景特征的差异程度,设定阈值提取目标作物。由于小麦的种植时间最早,与研究区内其他农作物的物候期基本不重叠,NDVI在141 d时达到峰值,在228 d时已经回落到较低状态,分别对这两时期的NDVI影像设定阈值提取小麦。番茄和辣椒的最佳种植期都在4月底,虽然播种时间相近,但是番茄生长周期短,在191 d时达到最大生育期,之后NDVI不断下降,利用番茄在191 d到240 d NDVI差值较大的特点提取番茄。由于甜菜的收获时间最迟,在277 d时NDVI值还处于较高水平,但仅利用这一时相还不能完全区分甜菜与芦苇,根据NDVI时序曲线图(图2)可以发现,甜菜在170 d到228 d时NDVI还处于上升趋势,而芦苇处于下降趋势,通过两时相差值区分两类作物。辣椒和芦苇的物候曲线较为相似,但辣椒在生育期高峰的228、240和248 d的NDVI值都大于芦苇,而且辣椒生长季开始较芦苇晚,在170 d和141 d时NDVI都比芦苇低,通过后三期影像减去前面两期得到辣椒提取指标。对于剩下未分类的区域,只需要区分其他和非植被区2个类别,对于非植被区,NDVI值全年都处于较低状态,选取植被生长最旺盛3个时期(170 d、191 d和240 d)的影像值进行相加,设定阈值可有效地剔除非植被区域。
2 结果
2.1 农作物分类结果
TWDTW和决策树2种方法的分类结果如图5所示。从图中可以看出,2种方法的分类结果较为一致,其中辣椒的种植范围分布较广,小麦主要分布在焉耆盆地北部的和硕县、和静县以及农二师二十一团。相比于辣椒和小麦,番茄和甜菜的种植规模较小,且分布较为零星。在博斯腾湖西岸,主要分布着芦苇及一些其他植被,这与野外考察的真实情况相符合。图5
新窗口打开|下载原图ZIP|生成PPT图5农作物分类结果
Fig. 5Classification result of crops
对研究区内各县(市)的农作物种植面积进行统计,可以发现2种分类方法估算农作物种植面积的结果较为接近(表1),其中番茄种植面积差异较大,这主要与番茄种植地块较为零星有关,混合像元增加了分类的不确定性。从TWDTW分类结果中可以得到,研究区内4种农作物的总种植面积为105 413.6 hm2,其中辣椒的种植面积最大,占总种植面积的69.6%,其次分别为番茄、小麦和甜菜,种植比例分别为14.4%、9.9%和6.1%。
Table 1
表1
表1各县市农作物种植面积统计表
Table 1
| 县(市) County | 辣椒 Pepper | 甜菜 Beet | 小麦 Wheat | 番茄 Tomato | ||||
|---|---|---|---|---|---|---|---|---|
| 决策树 DTs | TWDTW | 决策树 DTs | TWDTW | 决策树 DTs | TWDTW | 决策树 DTs | TWDTW | |
| 和静 Hejing | 23537.05 | 23538.66 | 2149.73 | 2434.94 | 3403.83 | 3226.04 | 5336.78 | 5668.15 |
| 和硕 Heshuo | 23615.80 | 21033.42 | 2759.81 | 2263.35 | 4721.87 | 4740.92 | 3046.27 | 4051.12 |
| 焉耆 Yanqi | 16028.77 | 15553.89 | 1695.72 | 1024.51 | 1906.18 | 2144.56 | 3040.53 | 4317.03 |
| 博湖 Bohu | 15669.43 | 13244.26 | 1171.26 | 745.24 | 394.32 | 298.88 | 741.61 | 1128.58 |
新窗口打开|下载CSV
2.2 精度验证
将除训练样本外剩余的290个样本点作为验证样本,分别对2种方案的分类结果进行精度验证(表2—3)。采用决策树分类结果的总体精度(overall accuracy,OA)为89.58%,kappa系数为0.804;基于TWDTW算法分类结果的整体精度为90.97%,kappa系数为0.830,TWDTW算法的分类精度略好于决策树。Table 2
表2
表2决策树分类混淆矩阵
Table 2
| 类别 Class | 辣椒 Pepper | 甜菜 Beet | 番茄 Tomato | 小麦 Wheat | 芦苇及其他植被 Reed and others | 用户精度 UA | 总体精度 OA |
|---|---|---|---|---|---|---|---|
| 辣椒 Pepper | 77 | 3 | 1 | 0 | 7 | 87.50% | |
| 甜菜 Beet | 1 | 34 | 0 | 3 | 2 | 85.00% | |
| 番茄 Tomato | 0 | 0 | 43 | 0 | 6 | 87.75% | |
| 小麦 Wheat | 0 | 0 | 0 | 68 | 1 | 98.55% | |
| 其他 Others | 4 | 2 | 0 | 0 | 36 | 85.71% | |
| 制图精度 PA | 93.90% | 87.18% | 97.72% | 95.83% | 69.23% | 89.58% |
新窗口打开|下载CSV
Table 3
表3
表3TWDTW分类混淆矩阵
Table 3
| 类别 Class | 辣椒 Pepper | 甜菜 Beet | 番茄 Tomato | 小麦 Wheat | 芦苇及其他植被 Reed and others | 用户精度 UA | 总体精度 OA |
|---|---|---|---|---|---|---|---|
| 辣椒 Pepper | 79 | 2 | 1 | 0 | 6 | 89.77% | |
| 甜菜 Beet | 1 | 36 | 0 | 1 | 2 | 90.00% | |
| 番茄 Tomato | 1 | 0 | 45 | 0 | 3 | 91.84% | |
| 小麦 Wheat | 0 | 0 | 2 | 65 | 2 | 94.20% | |
| 其他 Others | 3 | 2 | 0 | 0 | 37 | 88.10% | |
| 制图精度 PA | 94.05% | 90.00% | 93.75% | 98.48% | 74.00% | 90.97% |
新窗口打开|下载CSV
从用户精度(user accuracy,UA)的角度来看,不管是决策树还是TWDTW算法分类,小麦和番茄的分类精度都是所有类别中最高的2类。基于决策树的分类方法中,小麦的用户精度达到98.55%,只有1个样本被错分,而TWDTW分类方法中有4个小麦样本被错分,用户精度为94.20%。基于TWDTW分类方法相比于决策树,除小麦的用户精度有降低外,其他类别的作物精度都略有提高。番茄的精度从87.75%上升到91.84%,辣椒和甜菜的用户精度分别上升了2.22%和5.00%。
从制图精度(producer accuracy,PA)的角度来看,除了其他植被与甜菜以外,基于2种分类方法的其他3类农作物的分类精度都高于90%。基于TWDTW分类方法与决策树方法相比,除了番茄的精度有降低的情况外,其他类别的农作物均有小幅提高。在2种分类结果中,芦苇及其他植被的分类精度都较低,主要是其他农作物与该类别间均存在一些样本点误分现象。
3 讨论
3.1 TWDTW方法用于农作物分类的潜力探讨
决策树分类方法通过分析不同农作物的物候特征,选取特定时相建立分类条件,通过不断地试验确定类别阈值,分类结果虽然能够达到较高精度,但分类规则受人为主观影响较大,且需要不断地试验才有可能获得满意的结果。基于某一区域特定年份建立的决策规则普适性不高,无法推广到其他区域和应用于其他年份,对于不同的研究区或不同年份,均需构建不同的分类规则。基于TWDTW相似性匹配算法,根据样本点与时间序列NDVI数据建立不同作物的标准序列,不需要选取作物分类的“关键物候期”,通过计算并比较待分像元与各类作物样本的相似性程度,无需设定阈值,自动生成分类结果。农作物在生长过程中,由于种植时间的差异性及作物生长快慢导致曲线偏移,时间权重的加入使得TWDTW不仅能够解决这种偏移现象,又能很好地区分作物间的差异[28,36]。BELGIU等[29]和MANABE等[31]利用TWDTW方法在不同研究区提取农作物都取得了较高的精度。而决策树分类条件的设定较为固定,容易忽略同种作物生长具有快慢的客观规律,造成作物间的误分现象。因此,相比于决策树方法,TWDTW分类精度有所提高,分类结果客观可靠,而且算法不受地域因素和不同年份限制,具有较强的灵活性和适用性,在农作物分类中具有较大的应用潜力。本文主要采用NDVI作为农作物区分的特征指数,NDVI能够很好地显示植被的生长状态,但对于生长季时间相近的农作物,采用TWDTW方法有可能导致误分现象。如分类结果中,有6个其他作物样本点被误分为辣椒,它们的生长物候规律与辣椒较为相近。为了进一步提高分类精度,针对这种现象可以考虑增加一些其他特征来加大作物间的差异,扩大相似性距离,从而识别不同的农作物。本文基于TWDTW算法的农作物识别分类仍然存在一些未解决的问题。基于像元作为影像分类的分析单元,存在“同物异谱,异物同谱”的现象,分类结果较为破碎,存在同一田块被分为多种农作物的情况,分类的完整性有待进一步提高,在今后的工作中,可以通过影像分割,基于面向田块的方法进一步提高影像的分类精度。在分类样本选择中,本文通过选取分类体系中所有作物类型,通过比较作物间相似程度确定待分像元的属性,对于单一作物空间信息的自动化提取还有待进一步研究,在今后的工作中,希望通过算法自动确定单一作物的分类阈值,实现对农作物专题信息的自动提取。
3.2 GF-1 WFV用于农作物分类的潜力分析
中低分辨率的卫星影像由于幅宽较大适用于大面积种植作物的信息提取,但对于种植结构复杂的区域具有较大的局限性,无法保证提取的精度。相比于中低分辨率的MODIS等其他卫星影像,GF-1 WFV具有更高的空间分辨率,能够更加准确地反映特定作物地生长变化情况。杨闫君等[37]采用时间序列的GF-1 WFV数据,利用SVM分类器对唐山市南部区域的农作物进行分类,分类精度达到了96.33%。姬忠林等[38]基于决策树模型和面向对象的分类方法,利用GF-1 WFV数据提取扬州市冬小麦和油菜的种植信息,提取精度分别为97%和96%。从本文的分类精度和前人的研究成果都表明GF-1 WFV数据在农作物的分类识别中具有较大的应用潜力。GF-1 WFV数据与中低分辨率的影像相比,虽然在空间分辨上具有一定的优势,但对于地块较为破碎的地区,如焉耆县和博湖县的大部分地区,由于存在混合像元,分类结果较为零星,存在一定的误差。位于和静县和焉耆县交界的农二师二十一团以及和硕县,由于地块面积大且形状工整,在分类结果中,田块的边缘信息较为清晰,农作物在空间分布上也具有较高的连续性和完整性,与野外考察的实际情况相符合,分类精度较高。为了提高农作物的分类精度,在今后的研究中可以考虑采用更高分辨率的影像,或者结合高分辨率与中等分辨率影像对农作物进行监测,实现农作物种植结构的精细提取。
相比于其他的中等分辨率遥感数据,如Landsat系列数据具有16 d的时间分辨率,高分一号卫星具有较短的重访周期,4 d的重访周期极大地增加了获取无云和少云影像的机率。在本研究中,选取了研究区2018年作物生长季的10个不同时相的GF-1 WFV影像,而覆盖该区域农作物生长季无云和少云的Lansat8 OLI数据总共才8个时相,限制了准确获取农作物关键物候期的机率,不利于作物的识别。随着GF-6卫星发射升空,GF-1将与该卫星形成星座,时间分辨率从4 d缩短到了2 d,能更加充分地满足精准农业的要求,为我国的农业发展提供数据保障。
4 结论
本文基于时间序列GF-1 WFV数据,采用TWDTW方法对研究区内的农作物进行识别,并与决策树分类结果进行对比。结果表明,TWDTW方法在农作物分类识别中能够取得较高的分类精度,除辣椒和其他外,其余农作物的分类精度都高于90%,能够满足作物监测管理的需求;对于农作物种植结构复杂且不同作物间物候具有差异性的地区,采用决策树分类方法,结合简单的物候学算法,虽然也能够得到较高的分类精度,但是分类主观性强,分类规则无法推广到其他区域。TWDTW相比于决策树具有更高的灵活性和适用性,在精准农业方面具有广阔的应用前景。参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
Magsci [本文引用: 1]
介绍了遥感监测粮食作物播种面积的理论和现实意义,回顾了国内外基于常规方法、线状框架采样、面积框架采样、光谱混合模型(spectral mixture model , SMA)等方法进行植被制图和进行粮食作物识别研究的现状和存在的问题, 并对基于波谱库的农作物播种面积监测提出了建议。
Magsci [本文引用: 1]
介绍了遥感监测粮食作物播种面积的理论和现实意义,回顾了国内外基于常规方法、线状框架采样、面积框架采样、光谱混合模型(spectral mixture model , SMA)等方法进行植被制图和进行粮食作物识别研究的现状和存在的问题, 并对基于波谱库的农作物播种面积监测提出了建议。
DOI:10.3864/j.issn.0578-1752.2015.10.004Magsci [本文引用: 1]
农作物种植结构信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。本文中概括了农作物种植结构遥感提取的理论基础,归类了近10年间不同农作物种植结构遥感提取技术方法,重点评述了不同技术方法的特点及应用情况,讨论和展望了未来农作物种植结构遥感提取研究的发展方向。当前,光谱特征、时相特征和空间特征是农作物种植结构遥感提取的三大理论基础。基于单一影像源的种植结构提取方法操作简单,但往往难以获取种植结构“最佳识别期”的遥感影像；基于多时序影像源的种植结构提取方法可以充分利用农作物季相节律特征,成为当前农作物种植结构遥感提取的主流方法。在基于多时序影像源的种植结构提取方法中,多特征参量法较单一特征参量法更适用于农作物种植结构复杂区域,基于多特征参量的统计模型法一定程度上解决了混合像元问题,但模型的鲁棒性有待提高。此外,遥感与统计数据融合的农作物种植结构提取法在国家及全球大尺度的农作物种植结构提取中具有优势,但较低的制图分辨率使得数据产品的区域适宜性较差。未来农作物种植结构遥感提取将以区域“作物一张图”为目标,充分发挥多源数据组合利用的优势,围绕多类型作物同步提取和大范围作物种植结构提取开展深入研究,重点加强遥感数据预处理、特征参量提取和分类器高效选择等关键技术研究,从而提升农作物种植结构遥感提取的时空尺度,满足多方位的农业应用需求。
DOI:10.3864/j.issn.0578-1752.2015.10.004Magsci [本文引用: 1]
农作物种植结构信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。本文中概括了农作物种植结构遥感提取的理论基础,归类了近10年间不同农作物种植结构遥感提取技术方法,重点评述了不同技术方法的特点及应用情况,讨论和展望了未来农作物种植结构遥感提取研究的发展方向。当前,光谱特征、时相特征和空间特征是农作物种植结构遥感提取的三大理论基础。基于单一影像源的种植结构提取方法操作简单,但往往难以获取种植结构“最佳识别期”的遥感影像；基于多时序影像源的种植结构提取方法可以充分利用农作物季相节律特征,成为当前农作物种植结构遥感提取的主流方法。在基于多时序影像源的种植结构提取方法中,多特征参量法较单一特征参量法更适用于农作物种植结构复杂区域,基于多特征参量的统计模型法一定程度上解决了混合像元问题,但模型的鲁棒性有待提高。此外,遥感与统计数据融合的农作物种植结构提取法在国家及全球大尺度的农作物种植结构提取中具有优势,但较低的制图分辨率使得数据产品的区域适宜性较差。未来农作物种植结构遥感提取将以区域“作物一张图”为目标,充分发挥多源数据组合利用的优势,围绕多类型作物同步提取和大范围作物种植结构提取开展深入研究,重点加强遥感数据预处理、特征参量提取和分类器高效选择等关键技术研究,从而提升农作物种植结构遥感提取的时空尺度,满足多方位的农业应用需求。
Magsci [本文引用: 1]
<P><FONT face=Verdana>遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括：基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。<BR></FONT></P>
Magsci [本文引用: 1]
<P><FONT face=Verdana>遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括：基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。<BR></FONT></P>
[本文引用: 1]
[D].
[本文引用: 1]
[D].
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[D].
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
Magsci [本文引用: 1]
MODIS数据的1、2波段是具有250米空间分辨率的红和近红外波段，并具有较高的时间分辨率，可对农作物进行动态跟踪监测。随着农作物的生长，NDVI值逐渐增大，并在一定生育期达到最大值后开始下降。由于不同作物具有不同的生育期，NDVI峰值的大小、出现的时间各不相同。通过对北京市主要农作物的种植结构调查和3月中旬到11月上旬的不同作物的NDVI值采样分析，得出：①冬小麦NDVI值3月下旬相对较高， 5月上旬最大；②春玉米的NDVI峰值出现于8月上旬；③夏玉米的NDVI峰值出现于8月中旬；④大豆的NDVI峰值也出现在8月中上旬，可通过物候历与春玉米区分开来(春玉米是单季作物，大豆是双季作物)，通过峰值大小与夏玉米区分开来。结合北京市1：10万土地利用数据，通过NDVI值时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物的种植面积，总体精度达到95%以上。
Magsci [本文引用: 1]
MODIS数据的1、2波段是具有250米空间分辨率的红和近红外波段，并具有较高的时间分辨率，可对农作物进行动态跟踪监测。随着农作物的生长，NDVI值逐渐增大，并在一定生育期达到最大值后开始下降。由于不同作物具有不同的生育期，NDVI峰值的大小、出现的时间各不相同。通过对北京市主要农作物的种植结构调查和3月中旬到11月上旬的不同作物的NDVI值采样分析，得出：①冬小麦NDVI值3月下旬相对较高， 5月上旬最大；②春玉米的NDVI峰值出现于8月上旬；③夏玉米的NDVI峰值出现于8月中旬；④大豆的NDVI峰值也出现在8月中上旬，可通过物候历与春玉米区分开来(春玉米是单季作物，大豆是双季作物)，通过峰值大小与夏玉米区分开来。结合北京市1：10万土地利用数据，通过NDVI值时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物的种植面积，总体精度达到95%以上。
Magsci [本文引用: 1]
洪涝灾害会造成农作物严重受损，因此洪涝季节作物的种植结构是估算洪涝灾害损失、进行防灾减灾措施的必要信息。为了能够快速便捷地提取洪涝季节作物种植结构，该文以湖北省监利县为研究区域，探讨了采用空间分辨率较高的Landsat8 陆地成像仪(operational land imager, OLI)影像和时间分辨率较高的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)数据，综合利用多源多时相遥感影像提取中小尺度范围的洪涝季节作物种植结构的方法。首先利用MODIS数据建立作物的归一化植被指数(normalized difference vegetation index, NDVI)时间序列曲线，并采用改进后的Savitzky-Golay滤波器对曲线进行平滑处理，然后根据作物的物候特征设定阈值，界定作物种类，进而以此为依据在作物关键生育时期的Landsat8 OLI高清影像中选择合适的感兴趣区域(region of interest，ROI)作为先验知识，使用BP(back propagation)神经网络模型对OLI数据进行监督分类，提取作物种植面积分布。最后利用统计数据与资源三号卫星数据对提取结果进行验证，平均精度达到88%，能够较准确地反映监利县洪涝季节作物的分布情况。该研究可为洪涝灾害损失估算提供可靠基础。
Magsci [本文引用: 1]
洪涝灾害会造成农作物严重受损，因此洪涝季节作物的种植结构是估算洪涝灾害损失、进行防灾减灾措施的必要信息。为了能够快速便捷地提取洪涝季节作物种植结构，该文以湖北省监利县为研究区域，探讨了采用空间分辨率较高的Landsat8 陆地成像仪(operational land imager, OLI)影像和时间分辨率较高的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer, MODIS)数据，综合利用多源多时相遥感影像提取中小尺度范围的洪涝季节作物种植结构的方法。首先利用MODIS数据建立作物的归一化植被指数(normalized difference vegetation index, NDVI)时间序列曲线，并采用改进后的Savitzky-Golay滤波器对曲线进行平滑处理，然后根据作物的物候特征设定阈值，界定作物种类，进而以此为依据在作物关键生育时期的Landsat8 OLI高清影像中选择合适的感兴趣区域(region of interest，ROI)作为先验知识，使用BP(back propagation)神经网络模型对OLI数据进行监督分类，提取作物种植面积分布。最后利用统计数据与资源三号卫星数据对提取结果进行验证，平均精度达到88%，能够较准确地反映监利县洪涝季节作物的分布情况。该研究可为洪涝灾害损失估算提供可靠基础。
DOI:10.11873/j.issn.1004-0323.2015.2.0304Magsci [本文引用: 1]
<p>时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ\|1 A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了“椒盐现象”,适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ\|1 A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。</p>
DOI:10.11873/j.issn.1004-0323.2015.2.0304Magsci [本文引用: 1]
<p>时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ\|1 A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了“椒盐现象”,适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ\|1 A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。</p>
[本文引用: 1]
.
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[D].
[本文引用: 1]
[本文引用: 1]
Magsci [本文引用: 1]
准确掌握农作物的空间种植分布情况，对于国家宏观指导农业生产、制定农业政策有重要意义。针对黑龙江省玉米与大豆生育期接近、光谱特征相似，较难区分的问题，以多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(wide field of view, WFV)影像为数据源，选择归一化植被指数(normalized difference vegetation index, NDVI)、增强植被指数(enhanced vegetation index, EVI)、宽动态植被指数(wide dynamic range vegetation index, WDRVI)、归一化水指数(normalized difference water index, NDWI)4个特征，结合实地调查样本点，采用随机森林分类算法，提取黑龙江省黑河市嫩江县玉米与大豆种植面积。研究表明，区分玉米与大豆的最佳时段为9月下旬至10月上旬，即大豆已收获而玉米未收获的时段，在4个待选特征中，NDVI、NDWI与WDRVI指数组合表现最佳；随机森林算法与最大似然算法、支持向量机算法相比，分类精度更高，其总体分类精度为84.82%，Kappa系数为77.42%。玉米制图精度为91.49%，用户精度为93.48%；大豆制图精度为91.14%，用户精度为82.76%。该方法为大区域农作物的分类提供重要参考和借鉴价值。
Magsci [本文引用: 1]
准确掌握农作物的空间种植分布情况，对于国家宏观指导农业生产、制定农业政策有重要意义。针对黑龙江省玉米与大豆生育期接近、光谱特征相似，较难区分的问题，以多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(wide field of view, WFV)影像为数据源，选择归一化植被指数(normalized difference vegetation index, NDVI)、增强植被指数(enhanced vegetation index, EVI)、宽动态植被指数(wide dynamic range vegetation index, WDRVI)、归一化水指数(normalized difference water index, NDWI)4个特征，结合实地调查样本点，采用随机森林分类算法，提取黑龙江省黑河市嫩江县玉米与大豆种植面积。研究表明，区分玉米与大豆的最佳时段为9月下旬至10月上旬，即大豆已收获而玉米未收获的时段，在4个待选特征中，NDVI、NDWI与WDRVI指数组合表现最佳；随机森林算法与最大似然算法、支持向量机算法相比，分类精度更高，其总体分类精度为84.82%，Kappa系数为77.42%。玉米制图精度为91.49%，用户精度为93.48%；大豆制图精度为91.14%，用户精度为82.76%。该方法为大区域农作物的分类提供重要参考和借鉴价值。
[本文引用: 1]
.
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 2]
[本文引用: 2]
[本文引用: 1]
[本文引用: 2]
[本文引用: 1]
[本文引用: 1]
Magsci [本文引用: 1]
归一化植被指数(normalized difference vegetation index，NDVI)时间序列曲线能提供作物生长动态变化信息，将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域，采用2013年1月1日－2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据，开展冬小麦种植面积的遥感识别，首先利用MODIS数据建立作物的归一化植被指数时间序列曲线，再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构，并基于农作物物候历、种植结构和种植模式等信息，提取研究区域典型地物物候生长期的关键值，在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上，综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征，界定作物种类，确定训练规则，利用快速、高效的决策树方法，通过多阈值限定进行分类，初步提取冬小麦的空间分布范围；但是由于存在混合像元，阈值范围的设定会影响冬小麦种植面积的提取精度，针对此类问题，运用地表反射率影像数据提取冬小麦端元波谱曲线，结合线性光谱混合模型进行混合像元分解，进而根据冬小麦丰度比例精确提取冬小麦种植面积；最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明，研究区域的冬小麦种植面积提取精度达到90%，能够较准确地反映研究区域冬小麦的分布情况，表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积，为农作物种植面积信息提取提供参考。
Magsci [本文引用: 1]
归一化植被指数(normalized difference vegetation index，NDVI)时间序列曲线能提供作物生长动态变化信息，将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域，采用2013年1月1日－2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据，开展冬小麦种植面积的遥感识别，首先利用MODIS数据建立作物的归一化植被指数时间序列曲线，再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构，并基于农作物物候历、种植结构和种植模式等信息，提取研究区域典型地物物候生长期的关键值，在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上，综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征，界定作物种类，确定训练规则，利用快速、高效的决策树方法，通过多阈值限定进行分类，初步提取冬小麦的空间分布范围；但是由于存在混合像元，阈值范围的设定会影响冬小麦种植面积的提取精度，针对此类问题，运用地表反射率影像数据提取冬小麦端元波谱曲线，结合线性光谱混合模型进行混合像元分解，进而根据冬小麦丰度比例精确提取冬小麦种植面积；最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明，研究区域的冬小麦种植面积提取精度达到90%，能够较准确地反映研究区域冬小麦的分布情况，表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积，为农作物种植面积信息提取提供参考。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
Magsci [本文引用: 1]
归一化植被指数(normalized difference vegetation index，NDVI)时间序列已广泛应用于植被信息提取研究，然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像，从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射，为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view，WFV)影像，构建16 m分辨率NDVI时间序列，以河北省唐山市南部区域为研究区，开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列，避免了利用自然年(1－12月)数据构建NDVI时间序列的不足，有助于作物信息的提取。通过分析样地的NDVI时序曲线，发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异，捕捉作物特有的生长特性，而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine，SVM)等分类方法，基于GF-1/WFV NDVI时间序列对研究区作物进行分类，研究结果表明SVM分类方法总体精度最高，达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series，HANTS)对NDVI时间序列进行了平滑处理，结果表明处理后的NDVI时间序列能更好地描述作物的物候特性，作物分类精度得到进一步提高。
Magsci [本文引用: 1]
归一化植被指数(normalized difference vegetation index，NDVI)时间序列已广泛应用于植被信息提取研究，然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像，从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射，为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view，WFV)影像，构建16 m分辨率NDVI时间序列，以河北省唐山市南部区域为研究区，开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列，避免了利用自然年(1－12月)数据构建NDVI时间序列的不足，有助于作物信息的提取。通过分析样地的NDVI时序曲线，发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异，捕捉作物特有的生长特性，而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine，SVM)等分类方法，基于GF-1/WFV NDVI时间序列对研究区作物进行分类，研究结果表明SVM分类方法总体精度最高，达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series，HANTS)对NDVI时间序列进行了平滑处理，结果表明处理后的NDVI时间序列能更好地描述作物的物候特性，作物分类精度得到进一步提高。
[本文引用: 1]
[本文引用: 1]
