劉珺，田慶久

（1.太原理工大學礦業(yè)工程學院，太原030024；2.南京大學國際地球系統(tǒng)科學研究所，南京210000）

夏玉米最佳時序譜段組合識別模式研究

劉珺1，田慶久2

（1.太原理工大學礦業(yè)工程學院，太原030024；2.南京大學國際地球系統(tǒng)科學研究所，南京210000）

針對夏玉米難以精確識別和分類時數(shù)據(jù)冗余的問題，提出夏玉米最佳時序譜段組合識別模式?；跁r間序列的MODIS EVI數(shù)據(jù)，利用馬氏距離（Jeffries－Matusita Distance，J－M）和構造的加權平均分離距離（Weighted Average Separability，DWAS）得到夏玉米區(qū)別于其他作物的增強型植被指數(shù)（Enhanced Vegetation Index，EVI）時序圖像，并將其進行組合，從而構建了識別夏玉米的最佳時序譜段組合；并利用其提取了2001年～2010年黃淮海地區(qū)的夏玉米。同時利用典型試驗樣區(qū)TM影像分類結果和野外實地采集樣地對提取結果進行了驗證：典型樣區(qū)MODIS與TM分類誤差最大為11.4%，空間匹配度達到91.29%，基于TM數(shù)據(jù)提取的典型樣區(qū)夏玉米種植面積（STM）與基于MODIS數(shù)據(jù)得到的夏玉米種植面積（SM）的精度均大于70%；地面506個樣地檢驗的混淆矩陣總體精度達到81%。

夏玉米；MODIS－EVI；時序譜段組合；黃淮海

1 引 言

大范圍的農(nóng)作物識別提取是進行土地利用時空動態(tài)變化監(jiān)測的依據(jù)，也是農(nóng)業(yè)研究的重點和難點。隨著生產(chǎn)單位對精度的要求不斷提高，傳統(tǒng)的通過地面調(diào)查來獲取作物種植信息的方式已不能滿足社會發(fā)展的需求。遙感技術的應用而生解決了這一問題，并成為目前進行作物識別和快速提取種植信息的有效手段之一。

目前，應用遙感技術進行作物監(jiān)測的研究已經(jīng)很多。如Damien等［1］基于Landsat影像進行作物分類制圖；曹衛(wèi)彬等［2］基于TM和CBERS對新疆棉花種植區(qū)進行了劃分；鄧勁松等［3］基于SPOT－5衛(wèi)星影像提取了浙江省桐鄉(xiāng)市大麻鎮(zhèn)的耕地信息。同時在大尺度土地覆被分類中，更多的研究［4－6］已經(jīng)成功地證明了MODIS數(shù)據(jù)的有效性。

在眾多遙感數(shù)據(jù)中，MODIS數(shù)據(jù)的多光譜（36波段）、高時間分辨率（1d～2d）和中高空間分辨率（250m～1000m）的特點，使得其能夠建立反映植被生長信息的時間序列植被指數(shù)，從而進行植被時空變化監(jiān)測。在針對MODIS數(shù)據(jù)構造的植被指數(shù)中，歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和增強型植被指數(shù)（Enhanced Vegetation Index，EVI）得到的應用較多。由于EVI除了具有NDVI能夠反映植被特征的特點外，還克服了NDVI在高植被密度區(qū)易飽和、沒有考慮冠層背景、對大氣影響的糾正不徹底等缺點，已被證明在作物監(jiān)測中具有更優(yōu)的效果［7］，成為目前植被分類識別研究的常用指數(shù)［8］。

本研究根據(jù)作物生育期特征，以夏玉米為研究對象，基于長時間序列MODIS－EVI遙感數(shù)據(jù)，利用夏玉米的特征生育期，將EVI影像組成“時序譜段組合”圖像。通過比較各組合間夏玉米及其同期作物的可分離性，探尋到識別夏玉米的最佳EVI譜段組合，構建了基于拔節(jié)期和抽雄期的夏玉米最佳時序譜段組合識別模型，并將其應用于近10年來黃淮海平原夏玉米的空間分布提取，且利用典型試驗樣區(qū)和實地采集的夏玉米樣地信息對提取結果進行了驗證和精度評價。研究的目的是為黃淮海區(qū)大范圍作物制圖提供一種新的方法。

2 方法和實驗

黃淮海平原位于中國華北地區(qū)（31.5°N～41°N、113°E～120°E，圖1），是我國重要的糧食主產(chǎn)區(qū)之一，區(qū)域面積約3.1×105km2。區(qū)域內(nèi)糧食作物以小麥、玉米為主，還種植部分水稻，經(jīng)濟作物主要為棉花，種植結構以一年兩熟的冬小麥－夏玉米為主。在我國六大玉米生產(chǎn)區(qū)中，黃淮海區(qū)是三大優(yōu)勢玉米種植區(qū)之一，也是全國最大的夏玉米集中產(chǎn)區(qū)［9］。

3 數(shù)據(jù)與方法

3.1 MODIS數(shù)據(jù)

考慮到作物監(jiān)測對所用數(shù)據(jù)時間分辨率的要求，選用了8天合成的MODIS地表反射率產(chǎn)品數(shù)據(jù)（MOD09A1），并根據(jù)黃淮海區(qū)秋收作物的物候期，選用了儒略歷日期從121～361的31期MODIS影像。對收集到的數(shù)據(jù)進行了圖像拼接、投影轉換、數(shù)據(jù)格式轉化、研究區(qū)裁剪等預處理，并根據(jù)式（1）生成增強植被指數(shù)（EVI）數(shù)據(jù)集，最后將生成的各期EVI影像作為單個獨立波段組成一幅具有31個“波段”的圖像。

式（1）中，ρNIR、ρRed和ρBlue分別代表近紅外波段、紅光波段和藍光波段的反射率；G為增益系數(shù)，取值2.5；C1和C2為大氣修正參數(shù)，分別取值6.0和7.5；L為背景調(diào)節(jié)參數(shù)，取值為1。雖然MODIS的波段2（841nm～875nm）和波段5（1230nm～1250nm）都屬于近紅外波段，但是波段2處于大氣窗口，因此公式中選擇波段2用于計算。

3.2 野外數(shù)據(jù)采集

為滿足模型構建和驗證的需要，分別在江蘇豐縣、安徽利辛縣和來安縣、河南杞縣、山東禹城、河北欒縣和趙縣以及天津?qū)氎娴鹊貐^(qū)進行了野外調(diào)查。主要是采集了夏玉米、棉花、水稻、大豆等作物的地面樣方，了解作物物候期和研究區(qū)種植結構，收集了作物種植面積等數(shù)據(jù)，以及測量并記錄GPS定位點（圖1）。為適應MODIS影像空間分辨率的要求，每個樣方的面積均≥500m×500m。

圖1 研究區(qū)行政區(qū)域及采樣分布圖

3.3 夏玉米遙感識別提取

3.3.1 夏玉米識別

黃淮海區(qū)主要的秋收作物為夏玉米、夏棉花、水稻，由于其生育期集中在5月到10月，他們的生長趨勢有很大的相似性（圖2），因此，需要將夏玉米與這些同期作物進行區(qū)分識別。

圖2 夏玉米、夏棉花、水稻時序EVI特征圖

首先，研究按照夏玉米生育期節(jié)點，將MODISEVI遙感影像分為121～169、169～225、225～273、273～305、305～361等5個時序組合。其中，121～169為冬小麥成熟到收獲的季節(jié)，夏棉花在這個時間段內(nèi)播種，即與冬小麥套種；169～225為夏玉米播種、出苗、拔節(jié)到抽雄，歷經(jīng)了夏玉米從播種到生長鼎盛的整個時期，這個時期內(nèi)夏玉米完成了其生殖生長的過程，并在抽雄期時達到生殖生長的頂峰；225～273內(nèi)夏玉米經(jīng)歷了抽雄、吐絲、灌漿、成熟等生長過程，273～305是夏玉米收獲，冬小麥播種時期；305～361為一年兩熟后期作物冬小麥生長，并達到越冬前植被指數(shù)峰值時期。

第二，在判斷兩種類別的可分離性方面，眾多的研究已經(jīng)證明了馬氏距離（Jeffries－Matusita Distance，J－M）［10－11］的優(yōu)勢。它是兩個類對間統(tǒng)計可分性的一種度量，用來表征兩個類別的密度函數(shù)之間的平均差異［12］。其計算公式如式（2）［13］所示。但為了實現(xiàn)夏玉米的精確識別，不僅需要將夏玉米、棉花、水稻等作物進行兩兩區(qū)分，還需要判斷這3種作物的總體可分性，以減小分類誤差。為此，研究構造了加權平均分離距離（Weighted Average Separability distance，Dwas）來解決這一問題。加權平均分離距離Dwas克服了傳統(tǒng)的平均J－M距離受樣本數(shù)量、樣本分布和影像空間分辨率影響的弊端。它以測量每個類對間的J－M距離為基礎，其定義如式（3）所示。為了檢驗Dwas的可靠性，研究還通過計算J－M距離來進行比較。

式中，Ui和Uj是類i和類j的均值向量，和為類i和類j的協(xié)方差矩陣。

式中，m表示類別數(shù)，JMij為類別i和j的J－M距離。

根據(jù)式（2）和式（3）計算的夏玉米與同期作物（夏棉花、水稻）之間的兩兩可分性和總體可分性結果如表1和表2所示。

表1 夏玉米、夏棉花、水稻不同時相組合J－M距離

表2 不同時相組合的加權平均距離

結合表1和表2，可以看出：①夏玉米和夏棉花在169～225時間段內(nèi)容易被區(qū)分，夏玉米和水稻、夏棉花和水稻在225～273時間段內(nèi)容易被區(qū)分；②三者的總體可分離性在225～273時段內(nèi)最強。

綜合考慮J－M距離和Dwas的計算結果，研究選用了包含169～225和225～273這兩個時段的15景8天合成的影像用來進行分類。將分類影像從31個“波段”降低到了15個“波段”，這樣不僅有效地降低了數(shù)據(jù)維數(shù)，而且減小了分類誤差。

3.3.2 夏玉米提取

首先，通過分析樣本EVI值在時序影像譜段內(nèi)的信息（圖2），發(fā)現(xiàn)在Julian Day為241和249時，水稻的EVI值明顯高于夏玉米和夏棉花，因此，通過制定規(guī)則EVI 241或EVI 249＞0.61，將水稻提取出來；其次，①先根據(jù)地面樣本，利用最大似然法將夏玉米和夏棉花進行初步分類，并將各期分類影像進行疊加；②由于夏玉米拔節(jié)、抽雄和成熟時間均晚于夏棉花，且其整個生育期的EVI值均小于夏棉花，因此，利用第一步結果對夏玉米抽雄期影像進行掩膜，并制定規(guī)則：EVI 225或EVI 231＞0.65，利用決策樹算法實現(xiàn)夏棉花和夏玉米的分類提取，得到研究區(qū)夏玉米的空間分布。

4 結果與分析

4.1 2001年～2010年黃淮海平原夏玉米提取結果

根據(jù)以上分析，基于169～225和225～273兩個時序譜段組合影像，得到研究區(qū)2001年～2010年夏玉米分布結果（圖3）。

從提取結果可以看出，夏玉米在研究區(qū)北部和中部大面積種植，而在南部為零碎地塊小面積種植，總體分布呈現(xiàn)北多南少的現(xiàn)象；從2001年到2010年的十年間，研究區(qū)夏玉米種植總體呈現(xiàn)連年增加態(tài)勢，其中河南、安徽等省增加顯著，而北京、天津、山東、江蘇等地區(qū)增加幅度則不明顯。

圖3 2001年～2010年黃淮海區(qū)夏玉米空間分布

4.2 模型驗證與精度評價

4.2.1 基于典型樣區(qū)的驗證

為了檢驗提取結果的準確性，同時驗證夏玉米識別模型的可靠性。利用典型試驗區(qū)提取結果，從空間分布和種植面積兩方面進行驗證。考慮到研究區(qū)覆蓋范圍廣，南北差異較大的因素，按照均勻分布原則，在研究區(qū)選取了6個典型試驗區(qū)（圖1）?；诤线m時相的TM數(shù)據(jù)，得到2009年典型樣區(qū)中等空間分辨率圖像夏玉米分布結果，并將其與基于MOIDS數(shù)據(jù)的對應提取結果進行空間位置匹配對比（圖4）。具體過程為：通過疊加運算，得到二者的公共部分，以公共部分占MODIS提取結果的比例來定量分析利用MODIS數(shù)據(jù)提取的夏玉米的相對精度，以評價它們在空間分布上的一致性。

圖4 基于MOIDS與TM試驗區(qū)夏玉米提取結果空間分布比較（左：MODIS－derived；右：TM－derived）

結果表明：①二者在6個典型樣區(qū)提取結果的相對誤差分別為寶坻8.5%，欒城、趙縣4.2%，懷遠11.4%，杞縣9.6%，禹城5.2%，嘉祥6.3%；②公共部分像元占TM和MODIS數(shù)據(jù)提取結果的比例分別為寶坻78.88%和58.36%，欒城、趙縣77.59%和55.39%，懷遠82.79%和74.84%，杞縣61.48%和91.29%，禹城82.99%和72.54%，嘉祥77.16%和69.45%。比較結果表明，利用構建的提取模型基于MODIS數(shù)據(jù)得到的夏玉米空間分布結果與基于TM數(shù)據(jù)的提取結果在空間分布上具有顯著的一致性。

另一方面，研究利用種植面積對提取結果進行了驗證。將基于MODIS數(shù)據(jù)得到的夏玉米種植面積SM和基于TM數(shù)據(jù)提取的典型樣區(qū)夏玉米的種植面積STM以及農(nóng)業(yè)統(tǒng)計面積SS進行了對比。結果表明，SM與STM和SS的相對精度均大于70%（表3）。

4.2.2 基于野外樣方的驗證

經(jīng)過野外考察，黃淮海平原中、北部有大面積成片夏玉米種植，且耕地較規(guī)整，南部雖種植有夏玉米，但地塊較破碎，種植面積也比較小。為全面驗證提取模型的有效性，本文利用通過野外采集的506個夏玉米樣地（中、北部393個，南部113個）的GPS定位信息作為提取精度檢驗的參照來驗證夏玉米時序譜段組合識別模型。采用混淆矩陣進行精度評價，結果顯示，提取精度達到了81%，由此可見，利用時序譜段組合識別模型來提取夏玉米的有效性和可靠性。其中，由于研究區(qū)南部夏玉米非成片種植，地塊較小，且該地區(qū)種植結構復雜，因此提取精度較中、北部低。

表3 2009年黃淮海區(qū)夏玉米提取面積精度評價

5 結束語

根據(jù)以上基于MODIS－EVI數(shù)據(jù)開展的夏玉米最佳時序譜段組合識別模式研究，可以得到以下結論：

①拔節(jié)期和抽雄期是識別夏天米的最佳時期，也是構建夏天玉米識別模型的最佳季相。

②利用構建的夏玉米識別模型并結合實地采集的數(shù)據(jù)信息，有效地提取了黃淮海區(qū)夏玉米的空間分布，并對識別模型及提取精度進行了驗證評價，證明了夏玉米“最佳時序譜段組合”識別模型的有效性和可靠性。

③構建的夏玉米時序譜段組合識別模型不僅提高了分類識別精度，而且有效地降低了參與運算的數(shù)據(jù)維數(shù)。

④對于研究區(qū)南部地塊較破碎的夏玉米，由于受到MODIS數(shù)據(jù)空間分辨率的影響，造成很多像元都是混合植被的綜合反映，不能夠精確反映夏玉米的EVI特征，使得最佳時序譜段組合的識別提取方法無法發(fā)揮其優(yōu)勢，還需引入其他元素來提高提取精度。

⑤夏玉米最佳時序譜段組合識別模型具有一定的普適性，但受到樣本數(shù)量和研究區(qū)種植環(huán)境的影響，因此，在將其外推應用于其他地區(qū)時需依據(jù)該地區(qū)的植被生長特征制定相應的判定規(guī)則。

［1］ DAMIEN A，MILTON J，MARGARETH S P M，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.

［2］ 曹衛(wèi)彬，劉姣娣，馬蓉.新疆棉花遙感監(jiān)測識別區(qū)域的劃分［J］.農(nóng)業(yè)工程學報，2008，24（4）：172－176.

［3］ 鄧勁松，王珂，沈掌泉，等.基于特征波段的SPOT－5衛(wèi)星影像耕地信息自動提取的方法研究［J］.農(nóng)業(yè)工程學報，2004，20（6）：145－148.

［4］ OZDOGAN M.The spatial distribution of crop types from MODIS data：Temporal unmixing using independent component analysis［J］.Remote Sensing of Environment.2010，114（6）：1190－1204.

［5］ CHEN C F，SON N T，CHANG L Y，et al.Classification of rice cropping systems by empirical mode decomposition and linear mixture model for time－series MODIS 250mNDVI data in the Mekong Delta，Vietnam［J］.International Journal of Remote Sensing.2011，32（18）：5115－5134.

［6］ WARDLOW B D，EGBERT S L.Large－area crop mapping using time－series MODIS 250mNDVI data：An assessment for the US central great plains［J］.Remote Sensing of Environment，2008，（112）：1096－1116.

［7］ WARDLOW B D，EGBERT S L，KASTENS J H.Analysis of time－series MODIS 250mvegetation index data for crop classification in the US central great plains［J］.Remote Sensing of Environment，2007，108（3）：290－310.

［8］ XAVIER A C，RUDORFF B F T，SHIMABUKURO Y E，et al.Multitemporal analysis of MODIS data to classify sugarcane crop［J］.International Journal of Remote Sensing，2006，27（4）：755－768.

［9］ 吳景鋒.我國玉米生產(chǎn)現(xiàn)狀與科技對策［J］.作物雜志，1996，（5）：26－29.

［10］ SCHMIDT K S，SKIDMORE A K.Spectral discrimination of vegetation types in a coastal wetland［J］.Remote Sensing of Environment，2003，85（1）：92－108.

［11］ THOMAS V，PAUL T，DENNIS J，et al.Image classification of a northern peatland complex using spectral and plant community data［J］.Remote Sensing of Environment，2003，84（1）：83－99.

［12］ 趙英時.遙感應用分析原理與方法［M］.北京：科學出版社，2003：230－231.

［13］ KAVZOGLU T，MATHER P M.The use of feature selection techniques in the context of artificial neural networks［C］.Proceedings of the 26th Annual Conference of Exhibiton of the Remote Sensing Society（CD－ROM）.Leicester，UK，Sepetember，2000：1－7.

Identification Model of Optium Time－series Spectral Group of Summer Maize Based on MODIS－EVI Data

LIU Jun1，TIAN Qing－jiu2
（1.College of Mining Technology，Taiyuan University of Technology，Taiyuan030009；2.International Institute for Earth System Science，Nanjing University，Nanjing210023）

The optium model of time－series spectral group was put forward to solve accurate identification and classification for summer maize.The MODIS EVI data were picked up from time－series MODIS EVI images using J－M distance and weighted average separability distance（DWAS）structured.On the basis of images separated，the model of identification for summer maize was constructed.Then summer maize in Huang－Huai－Hai from 2001to 2010were classified based on the classifying model.And the results were verified by that of TM in test regions and samples collected from fields.The maximal error of spatial distribution in test regions between MODIS and TM is 11.4%，the total consistency is 91.29%，the accuracy of area between SMand STMwere higher than 70%，the overall accuracy of confusion matrix between ground samples and results derived MODIS is 81%.

summer maize；MODIS－EVI；time－series spectral group；Huang－Huai－Hai

10.3969／j.issn.1000－3177.2015.02.019

TP79

A

1000－3177（2015）138－0105－06

2014－04－14

2014－07－15

國家重點基礎研究發(fā)展計劃（2010CB951503）；國家科技重大專項（30－Y20A01－9003－12／13）。

劉珺（1981～），女，博士，碩士生導師，現(xiàn)從事多光譜遙感的理論和應用研究。

E－mail：8886355＠163.com

田慶久（1964～），男，教授，博士生導師，主要從事高光譜遙感研究。

E－mail：tianqj＠nju.edu.cn