高分一号归一化植被指数时间序列用于冬小麦识别

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

高分一号归一化植被指数时间序列用于冬小麦识别
张晶;占玉林;李如仁
【摘要】针对现阶段归一化植被指数(Normalized Difference Vegetation Index,NDVI)时间序列空间分辨率普遍较低的问题,提出利用高分一号16m数据构建高空间分辨率NDVI时间序列.鉴于当前NDVI时间序列冬小麦识别方法比较复杂的问题,提出了空间向量法、曲线积分法和坐标转换法3种冬小麦识别模型.经研究区试验分析,发现以上3种方法均达到了较好的识别效果,其中空间向量法、坐标转换法的总体精度都达到98.65%;同当前流行的决策树分类方法相比较,这3种方法操作简单,且精度更优,具有较好的实用意义.%NDVI time series based on GF-1 16 m is proposed to improve the resolution of data sources to NDVI time series.In view of the complication of winter wheat identification based on NDVI time series,this paper puts forward three winter wheat recognition models,i.e.space vector model,curvilinear integral model and coordinate transformation model.Through experimental analysis in the study area,it shows that all of these three methods gain satisfying results,where the overall accuracy of space vector method and coordinate transformation method reaches 98.65%;compared with the current popular classification method which is decision tree,the three methods are simple,of better accuracy and have good practical significance.
【期刊名称】《遥感信息》
【年(卷),期】2017(032)001
【总页数】7页(P50-56)
【关键词】冬小麦识别;时间序列;空间向量;曲线积分;坐标转换
【作者】张晶;占玉林;李如仁
【作者单位】辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000;中国科学院遥感应用研究所遥感科学国家重点实验室,北京100101;中国科学院遥感应用研究所遥感科学国家重点实验室,北京100101;辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000;沈阳建筑大学交通工程学院,沈阳110168
【正文语种】中文
【中图分类】TP79
遥感技术具备快速、宏观、动态、费用低廉等优点,已广泛地应用到了农业生产生活当中,农作物识别作为农业遥感的基础,是估算农作物产量以及调整种植业结构的有效手段。

我国是世界第一大粮食生产国,而冬小麦是我国最重要的粮食作物之一,所以提高冬小麦识别的准确性、时效性具有十分重要的研究意义[1-3]。

农作物的遥感识别方法从最初的单一时相发展到现在的多时相识别,随着多时相识别研究的深入,时间序列的构建逐步成为热点。

Bradley C.Reed等[4]通过对农作物归一化植被指数(Normalized Difference Vegetation Index,NDVI)特征值及其物候学意义进行分析,得出NDVI在植被生长动态时间序列剖面构建、物候特征提取、植被分类、土地覆盖变化监测等诸多方面的应用具有重要意义。

Pelkey 等[5]利用不同时间序列和分辨率的NDVI时序数据,评价了研究区长期以来的植被覆盖变化情况。

Murakami[6]以9景 SPOT/HRV 影像为信息源,提取出日本SAGA平原NDVI时间序列变化特征,选取最佳时相提取了不同种农作物面积。

国内研究虽起步较晚,但发展迅速。

杨小唤等[7]在农作物生长期间获取多期MODIS数据,根据作物不同的生长周期NDVI峰值的大小、出现的时间各不相同
等特点,通过设定阈值的方法实现了北京市主要农作物面积的提取。

刘佳等[8]在
全生育期波谱特征曲线分析基础上,提取主要作物类型的曲线特征,采用基于NDVI阈值的决策分类技术,对衡水市主要农作物面积进行提取,总体精度达到90.9%。

景元书等[9]借助MODIS的增强型植被指数(Enhanced Vegetation Index,EVI)时间序列,基于相似性分析和线性光谱混合模型复合的水稻提取方法
解决了大范围水稻种植信息提取时的混合像元问题,完成了江西省水稻面积估算。

在时间序列农作物识别方面,以往研究主要针对中低分辨率影像,制约了识别精度的提高。

GF-1卫星的发射,为高空间分辨率时间序列的构建提供了数据支持。

本文利用GF-1/WFV16 m分辨率数据构建NDVI时间序列,针对冬小麦的NDVI曲线特征,提出了空间向量模型、曲线积分模型和坐标转换模型,开展冬小麦的识别研究。

1.1 研究区域
冀州隶属河北省衡水市,地处华北平原腹地,中心经纬度为115.57°E,35.57°N,占地面积917.2×104 km2。

冀州市处于北半球暖温带地区,大陆性季风气候特点显著,四季分明,光照充足,宜于作物生长。

年平均气温12.7 ℃,最冷月为一月份,平均气温-4.2 ℃,最热月为7月份,平均气温27.1 ℃,年降水量平均510.3 mm,历年平均光照时数为2 571.2 h,无霜期平均为192 d。

该区主要粮食作物
为冬小麦和玉米,一年两熟轮作制度。

冀州是河北省冬小麦主要粮食产区之一,选择该区域为冬小麦信息提取的研究区具有一定代表性。

1.2 数据准备
1)数据源及预处理
GF-1卫星是我国高分辨率对地观测卫星系统重大专项发射的第一颗卫星,该卫星实现了高空间分辨率、多光谱与宽覆盖相结合的技术。

GF-1卫星搭载了两台2 m 分辨率全色/8 m分辨率多光谱相机和4台16 m分辨率多光谱相机。

本文所采用
的GF-1 WFV数据覆盖整个研究区,时间跨度为冬小麦从出苗期(2014年10月)至乳熟期(2015年5月),共8个时相,平均一个月一景影像。

详见表1所示。

由于传感器不稳定、大气等因素的影响,遥感影像常常会出现一定程度的失真,因此在使用数据之前需要对数据进行预处理,本文预处理工作包括几何校正、辐射定标、大气校正、不同时相数据的配准,预处理工作在ENVI、ERDAS遥感数据处理软件中完成的。

2)地面实测数据
通过研究区野外实地考察并结合同期高分辨率影像目视解译获取冬小麦及其他地物分布的坐标定位样本数据,样本像元总数为4 872个,分为训练样本1 545个和验证样本3 327个。

为了保证样本的代表性,使样本在研究区内相对均匀分布,将研究区划分成5×5的均匀网格,确保每个网格都有足够的样本,图1为样本分布图。

2.1 研究区物候历及冬小麦NDVI时序曲线特征分析
1)研究区物候历
在冀州地区主要种植的农作物有冬小麦、春玉米、夏玉米以及棉花等,不同的农作物有不同生长发育周期,在查阅相关资料后,本文总结出冀州主要农作物的物候历(以旬为时间刻度),如表2所示。

2)NDVI时序曲线的构建及特征分析
在NDVI时间序列构建的过程中影像数据需满足:全覆盖、无云、可见度高等条件,而时相的选取需以冬小麦物候期为依据,利用公式(1)计算影像的NDVI值,并确保在冬小麦每个生长期内均有一景影像,且时间间隔尽量均匀。

式中,ρNIR为近红外光波段的反射率,ρR为红光波段的反射率。

本文研究对象为冬小麦,所以选取当年10月至次年5月为研究周期,可见在此时
间范围内夏玉米没有播种而棉花和春玉米只是发育到苗期,苗期NDVI值相对较低,此时忽略不计。

所以本文主要工作是将冬小麦与林地、不透明水面、水体、裸地区分开来。

通过样本数据提取研究区主要地物NDVI时间序列曲线,横坐标值
为每景影像获取时间与第一景影像获取时间的天数差(表3),纵坐标的值为
NDVI×100,如图2所示。

从图2可以看出,冬小麦较其他地物明显的曲线特征在于分蘖期有一个较小的峰值,在返青期至拔节期呈陡坡形式增长,并于扬花期达到另一个更高的峰值[10-15],充分结合冬小麦NDVI时序曲线特性可以更有效地提取冬小麦信息。

2.2 方法介绍
1)基于空间向量的冬小麦识别法
(1)识别模型
利用向量的方法判断两曲线的相似度,从而识别地物信息的方法在光谱角(SAM)分类技术中得到过类似应用,但以往研究中只考虑了向量的方向,而没有考虑向量的大小(影像亮度),因此对亮度值的影响并不敏感[16-17]。

向量大小可以反映两个
向量之间的空间距离,与角度侧重不同,是对两个向量之间大小差异的度量,应用到图像上可以反映图像亮度值的大小,两者具有较好的互补性[18-19]。

在模型构建时,为确保目标向量与参考向量的相似性需同时考虑角度与模长两个影响因子,为了确保方向相近,采用向量夹角进行控制,为了确保大小相近,采用向量模长进行控制。

将时间序列中8个时相(2014.10~2015.5)的NDVI值向量化得到向量vi,并计算第i个像元向量与参考向量之间的模长差与夹角,计算公式如下:式中,vi表示第i个像元NDVI时间序列构成的空间向量;vref表示冬小麦参考向量(式(5));Mi表示第i个向量与参考向量的模长差;α为第i个向量与参考向量的夹角;Ai表示第i个向量与参考向量之间夹角的余弦值。

基于此提出基于NDVI时间序列冬小麦信息识别的空间向量分析模型:
其中,a、b为模型的阈值参数。

(2)参考向量及阈值参数的计算
由于冬小麦个体的差异以及冬小麦植株的空间分布差异等因素的影响,不同像元对应冬小麦NDVI时间序列不尽相同,因此不能随机选择一个冬小麦样本的NDVI
时间序列作为参考向量,本文采用冬小麦训练样本中平均值法计算参考向量vref,公式如下:
//1 545,…/
其中,vref是通过计算1 545个冬小麦样本均值得出的参考向量,根据公式(3)、
公式(4)计算冬小麦训练样本中模长差的最大值设置为阈值参数a=0.337,以及夹
角余弦的最大值设置为阈值参数b=0.956 8。

2)基于曲线积分的冬小麦识别法
(1)识别模型
从图2可以看出冬小麦的NDVI时间序列曲线整体相对较高,曲线覆盖的面积相
对较大,也就是说冬小麦的NDVI曲线图随时间的积分值相对其他地物较大,该
研究充分利用了这一特征来提取出冬小麦信息。

考虑到积分的几何意义就是计算时序曲线与x轴所围成的面积,所以将积分值转
化为计算曲线面积Si,公式如下:
Si=
式中,Si为第i个像元时序曲线的面积值,{(v1,i,t1,i),(v2,i,t2,i)…(v8,i,t8,i)}为第i
个像元的NDVI 时间序列,v1,i为t1,i时刻对应的NDVI值,以此类推。

计算得到每个像元的积分值Si,基于此得出积分分析模型如下:
地物类型
其中,a、b为阈值参数。

(2)阈值参数的计算
根据研究区影像计算出采集数据的时间间隔如表3所示(时间间隔以天为单位)。

根据公式(6)结合冬小麦训练样本计算出NDVI时序曲线的面积最大值设置为阈值
参数a=250.487,面积最小值设置为阈值参数b=148.499。

3)基于坐标转换的冬小麦识别法
(1)识别模型
坐标转换法通过NDVI时间序列的坐标转换,显著提升冬小麦与其他地物的差异,以达到有效识别冬小麦的目的。

坐标转换即以参考曲线vref为基准对NDVI时间
序列曲线进行坐标转换,也就是将研究区内所有像元对应NDVI时间序列曲线vi
减去参考曲线vref得到每个像元的NDVI时间序列转换曲线(Convert Curve)Ci:坐标转换后各地物的NDVI时间序列曲线如图3所示。

由于不同冬小麦植株的差异性,其NDVI时序曲线会在一定的范围内上下波动,
介于该波动之间的地物可以判定为冬小麦,由此可以利用均值Di和标准差Ti限制曲线的波动范围。

通过均值Di限制NDVI时序曲线与参考曲线的总体差距,标准差Ti限制NDVI时序曲线与参考曲线离散度的相似性,第i个像元NDVI时序曲
线均值Di和标准差Ti的计算公式为:
基于此得出坐标转换法冬小麦提取模型:
其中,a、b、c为阈值参数。

(2)阈值参数的计算
根据冬小麦训练样本利用公式(8)统计出NDVI时序曲线均值最大值设置为阈值参
数c=0.115、最小值设置为阈值参数a=-0.09 9;利用公式(9)统计出NDVI时序
曲线标准差最大值设置为阈值参数b=0.136。

3.1 提取结果及精度评定
为了与以上3种方法进行更直观的对比分析,本文采用相同的样本数据,利用决
策树分类方法提取研究区的冬小麦面积。

决策树方法是在冬小麦面积提取中较为常
用而且有效的提取方法,具有一定的参考价值[20-22]。

通过上述方法提取的冬小麦面积及空间分布信息如图4所示。

将冬小麦验证样本总数设为Nw,其中正确分类冬小麦总数设为nw,非冬小麦样本总数设为No,其中正确分类非冬小麦总数设为no,分别计算漏分误差(Commission)×100%、错分误差(Omission)×100%以及总体精度(Overall Accuracy)×100%[23];计算结果如表4所示。

从表4可以看出,空间向量法、曲线积分法、坐标转换法的总体精度分别为98.65%、96.99%、98.65%,均高于决策树的总体精度,并且在3种方法中坐标转换法的漏分误差最低为0.323%,决策树方法的漏分误差最大为5.369%;但同时决策树法和空间向量法的错分误差最低均为1.291%,而曲线积分法是错分误差最大的,其原因主要有2个:曲线积分为唯一阈值,限制条件单一;不同的曲线具有相似的积分值,对结果影响较大。

总体而言,本文提出的3种冬小麦识别模型较优于常见决策树方法,且操作简单便于计算,有利于推广至更多地物的提取分析。

3.2 阈值确定方式研究
上述冬小麦识别方法中的阈值都是利用样本数据自动获取的,在以往研究中经常采用“试错法”确定阈值,即先确定一个初始值,设置不同步长进行计算,当精度验证较低时,重新调整阈值进行分类,当精度改善不大时停止调整,选取最佳的阈值进行分类。

“试错法”精度相对较高,但费时费力,为了评价自动阈值法的效果,对本文提出的3种识别模型采用“试错法”获取阈值提取冬小麦,结果如表5所示。

根据上表所示步长,计算每组阈值对应的冬小麦识别精度,得到精度图(图5)。

根据上述数据可知:试错法应用在空间向量法、曲线积分法和坐标转换法,其最优精度相对自动阈值法分别提升了0.27%、0.15%、1.08%,但试错法分别进行了1
800、1 600、1 750次冬小麦提取及精度分析,过程繁琐、工作量大。

本文采用GF-1/WFV数据生成NDVI时间序列曲线,结合研究区物候历,分别构建空间向量法、曲线积分法以及坐标转换法等识别模型对冬小麦信息进行提取,得到如下结论:国产卫星GF-1号,具有高时间分辨率、高空间分辨率的特点,像元纯度高,有效地缓解了作物识别中混合像元的问题,识别精度较高;本文基于空间向量法、曲线积分法以及坐标转换法构建的识别模型,总体精度最高达98.65%,能够满足农业遥感中作物识别的需求,而且这3种方法操作流程简单;本文采用
的阈值自动确定的方法过程简单不需要巨大工作量,并且精度与“试错法”相差不大。

E-mail:*******************
E-mail:**************.cn
【相关文献】
[1] 任建强,陈仲新,周清波,等.基于时序归一化植被指数的冬小麦收获指数空间信息提取[J].农业工程学报,2010,26(8):160-167.
[2] 夏天,吴文斌,周清波,等.冬小麦叶面积指数高光谱遥感反演方法对比[J].农业工程学报,2013,29(3):139-147.
[3] 刘焕军,孟令华,张新乐,等.基于时间序列 Landsat影像的棉花估产模型[J].农业工程学报,2015,31(17):215-220.
[4] REED B C,BROWN J F,VANDER ZEE D,et al.Measuring phonological variability from satellite imagery[J].Journal of Vegetation Science,1994,5(5):703-710.
[5] PELKEY N W,STONER C J,CARO T M.Assessing habitat protection regimes in Tanzania using AVHRR NDVI composites:comparisons at different spatial and temporal scales[J].International Journal of Remote Sensing,2003,24(12):2533-2558.
[6] MURAKAMI T,OGAWA S,ISHITSUKA M,et al.Crop discrimination with multi temporal SPOT/ HRV data in the Saga Plains[J].Japan.Int.J.Remote Sensing,2001,22(7):1335-1348.
[7] 杨小唤,张香平,江东.基于MODIS时序NDVI特征值提取多作物播种面积的方法[J].资源科学,2004,26(2):17-22.
[8] 刘佳,王利民,杨福刚,等.基于HJ时间序列数据的农作物种植面积估算[J].农业工程学报,2015,31(3):199-206.
[9] 景元书,李根,黄文江.基于相似性分析及线性光谱混合模型的双季稻面积估算[J].农业工程学报,2013,29(2):177-183.
[10]王茂新,裴志远,吴全,等.用NOAA图像监测冬小麦面积的方法研究[J].农业工程学报,1998,14(3):84-88.
[11]李寄,黄进良,许文波.湖北省冬小麦种植面积遥感估算方法研究[J].世界科技研究与发展,2008,30(5):579-599.
[12]陈鹏飞,杨飞,杜佳.基于环境减灾卫星时序归一化植被指数的冬小麦产量估测[J].农业工程学报,2013,29(11):124-131.
[13]FRANCH B,VERMOTE E F,BECKER-RESHEF I,et al.Improving timeliness of winter wheat production forecast in the United States of America,Ukraine and China using MODIS data and NCAR growing degree day[J].Remote Sensing of Environment,2015,161:131-148.
[14]BECKER-RESHEF I,VERMOTE E,LINDEMAN M,et al.A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS
data[J].Remote Sensing of Environment,2010,114(6):1312-1323.
[15]赵文亮,贺振,贺俊平,等.基于MODIS-NDVI的河南省冬小麦产量遥感估测[J].地理研究,2012,31(12):2311-2319.
[16]王旭红,贾百俊,郭建明,等.基于SAM遥感影像的分类技术研究[J].西北大学学报:自然科学版,2008,38(4):668-672.
[17]梁继,王建,王建华.基于光谱角分类器遥感影像的自动分类和精度分析研究[J].遥感技术与应用,2002,17(6):299-303.
[18]安斌,陈书海,严卫东.SAM法在多光谱图像分类中的应用[J].中国体视学与图像分析,2005,10(1):55-60.
[19]郑中,祁元,张金龙.基于光谱角和光谱距离评价指标的遥感影像融合方法比较研究以Quick Bird数据为例[J].遥感技术与应用,2013,28(3):437-443.
[20]邹金秋,陈佑启,Satoshi Uchida,等.利用Terra /MODIS数据提取冬小麦面积及精度分析[J].农业工程学报,2007,23(11):195-200.
[21]江东,王乃斌,杨小唤,等.NDVI曲线与农作物长势的时序互动规律[J].生态学报,2002,
22(2):247-252.
[22]田海峰,王力,牛铮.基于OLI 影像的县域冬小麦种植面积提取[J].河南农业科学,2015,
44(6):156-160.
[23]王学,李秀彬,谈明洪,等.华北平原2001-2011年冬小麦播种面积变化遥感监测[J].农业工程学报,2015,31(8):190-199.。

相关文档
最新文档