劉煥軍，于勝男，張新樂，郭棟，殷繼先

?

一年一季農(nóng)作物遙感分類的時效性分析

劉煥軍，于勝男，張新樂，郭棟，殷繼先

（東北農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，哈爾濱 150030）

【目的】基于遙感影像的作物分類研究是提取作物種植面積和長勢分析及產(chǎn)量估測的基礎(chǔ)，也是推動現(xiàn)代化農(nóng)業(yè)快速發(fā)展的動力。研究結(jié)果可為農(nóng)業(yè)等相關(guān)部門掌握農(nóng)情，進行宏觀調(diào)控提供依據(jù)。目前，農(nóng)業(yè)遙感研究主要集中于中低分辨率遙感影像，影響植被信息提取的精度，應(yīng)用高分辨率多時相遙感影像和選擇最優(yōu)分類方法可以提高植被信息提取精度。明確農(nóng)作物遙感分類的時效性與最優(yōu)分類方法，為快速、準確地獲取作物空間分布數(shù)據(jù)和農(nóng)情定量遙感監(jiān)測提供依據(jù)?！痉椒ā炕诤邶埥』⒘质?014年5—10月覆蓋完整生長期的20幅遙感影像，構(gòu)建16 m分辨率NDVI時間序列曲線，建立決策樹分類模型，通過分類影像進行系列閾值分割，并結(jié)合輔助背景數(shù)據(jù)及專家知識，成功提取虎林市土地利用覆被信息；利用20幅影像依次波段合成的方式進行作物分類，明確最優(yōu)時相；將提取的耕地范圍作為作物分類規(guī)則，并與未提取耕地范圍的作物分類結(jié)果進行比較；同時通過最大似然法、馬氏距離法、神經(jīng)網(wǎng)絡(luò)法、最小距離法、支持向量機、波譜角分類法、主成分分析法多種分類方法進行作物分類；利用農(nóng)業(yè)保險投保地塊數(shù)據(jù)進行精度驗證。【結(jié)果】（1）7月初、7月末到8月初、9月末是研究區(qū)一年一季作物遙感分類的3個關(guān)鍵時相；（2）決策樹分類方法在提取土地利用覆被信息的結(jié)果中精度最高，總體精度90.24%，Kappa系數(shù)0.87；（3）6月初與7月初2幅影像結(jié)合采用最大似然法對作物進行分類的總體精度高達94.01%，Kappa系數(shù)為0.79，6月初與7月初的影像結(jié)合，可以解決作物分類的時效性；（4）結(jié)合9月21日的影像，總體精度進一步提高，大豆分類精度明顯提高，最終確定最大似然法為最優(yōu)作物分類方法。【結(jié)論】通過遙感數(shù)據(jù)能實現(xiàn)在7 月上旬對作物進行精準分類，拓展了遙感數(shù)據(jù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用價值，對一年一季地區(qū)作物快速分類與農(nóng)情定量遙感監(jiān)測有重要意義。

時間序列遙感影像；作物分類；時效性；決策樹；最大似然法

0 引言

【研究意義】作物類型遙感識別對確定作物空間分布、作物估產(chǎn)、環(huán)境監(jiān)測及人類活動都有重要的意義[1]。作物類型復(fù)雜多樣，不同作物的反射光譜曲線明顯不同，但曲線趨勢大致相同，單獨應(yīng)用單時相影像較難，可以利用多時相影像、根據(jù)地物在不同時相的差異進行分類?！厩叭搜芯窟M展】近年來，國內(nèi)外學(xué)者先后開展了利用多時相影像、多種遙感數(shù)據(jù)對作物進行分類的相關(guān)研究[2-4]。各學(xué)者利用不同遙感數(shù)據(jù)結(jié)合不同區(qū)域的特點進行研究，從而實現(xiàn)棉花估量、開發(fā)新的地理空間數(shù)據(jù)庫、全球植被遙感監(jiān)測[5-7]。然而，由于受天氣、傳感器等限制，不同的遙感數(shù)據(jù)存在質(zhì)量、空間、光譜分辨率差異[8-9]，不同分類器對不同數(shù)據(jù)源、不同作物光譜特征的敏感性不同[10]；單獨使用一種遙感數(shù)據(jù)難以獲得覆蓋完整生長期的時相信息。因此，綜合不同遙感數(shù)據(jù)對作物進行分類，可為作物分類提供更準確、完整、可靠的信息。目前常見的利用多時相遙感影像進行作物分類的方法有決策樹、支持向量機（SVM）、最大似然法、波譜角分析法、植被指數(shù)法等。利用不同遙感影像采用決策樹對作物進行分類的應(yīng)用最為廣泛[11-14]。李鑫川等[15]、Zhang等[16]、劉佳等[17]等利用NDVI時間序列對北方作物種類識別。王立輝等[18]、楊閆君等[19]分別采用HJ、高分1數(shù)據(jù)，利用SVM方法進行遙感圖像分類，精度優(yōu)于最大似然法分類。李彥等[20]采用最大似然分類方法進行多時相的作物分類。Gopal等[21]、Poth等[22]通過神經(jīng)網(wǎng)絡(luò)分類，利用不同遙感數(shù)據(jù)實現(xiàn)了對不同研究尺度的土地覆蓋分類。劉磊等[12]基于單時相多光譜數(shù)據(jù)提取了小麥、大麥、油菜、種植草場的種植信息，大多數(shù)學(xué)者均采取多時相多光譜數(shù)據(jù)對作物進行分類?！颈狙芯壳腥朦c】目前，新的分類方法層出不窮，但難以確定一種普適性強且分類精度高的方法。因此，確定作物分類時相及分類方法尤為重要，準確的農(nóng)情監(jiān)測與估產(chǎn)，需要盡可能早的作物空間分布數(shù)據(jù)?！緮M解決的關(guān)鍵問題】本文以虎林市為研究區(qū)，獲取不同傳感器2014年5—10月共20幅影像，進行如下研究：（1）獲取三種傳感器NDVI時間序列曲線，并利用20幅影像依次波段合成的方式進行作物分類，確定作物分類關(guān)鍵時期及遙感時相；（2）提取土地利用覆被信息，利用耕地范圍作為規(guī)則進行農(nóng)作物分類；（3）利用耕地范圍通過對比多種分類方法，并與不提取耕地直接作物分類進行比較，確定最優(yōu)作物分類方法與時相。

1 材料與方法

1.1 研究區(qū)概況

虎林市地處黑龍江省東部，位于45°23′—46°36′N，132°11′—133°56′E，以烏蘇里江為界與俄羅斯聯(lián)邦隔水相望（圖1）。屬于寒溫帶大陸性季風(fēng)氣候，生長期平均溫度15.7℃，生長期降水量487.6 mm。土壤肥沃，水資源豐富，轄區(qū)內(nèi)有7個農(nóng)場，主要作物大豆、玉米、水稻。

1.2 數(shù)據(jù)來源及處理

1.2.1 遙感數(shù)據(jù) 本文使用的遙感數(shù)據(jù)包括30 m的HJ-1A/HJ-1B_CCD數(shù)據(jù)、Landsat8-OLI數(shù)據(jù)、16 m的高分一號（GF-1_WFV）數(shù)據(jù)，共20幅（表1），以及黑龍江省30 m分辨率的DEM數(shù)據(jù)（下載地址：國際科學(xué)數(shù)據(jù)服務(wù)平臺網(wǎng)址）。

1.2.2 數(shù)據(jù)處理 對遙感影像進行輻射定標、大氣校正、正射校正和自動匹配等預(yù)處理過程。由于所用影像分辨率不同，需統(tǒng)一影像空間分辨率，統(tǒng)一重采樣為16 m[23]。通過ENVI軟件進行（Layer Stacking），并利用波段運算提取歸一化植被指數(shù)（NDVI）。

1.2.3 地面調(diào)查數(shù)據(jù) 根據(jù)2007年8月5日頒布的《土地利用現(xiàn)狀分類》國家標準的一級類[24]，將研究區(qū)土地利用覆蓋劃分為6個一級大類：水體、建設(shè)用地、耕地（旱地、水田）、林地和濕地。結(jié)合野外調(diào)查，運用人機交互的解譯方法在遙感影像上選取訓(xùn)練區(qū)，每種地類選取25個樣本，并在Google earth高空間分辨率影像上選取驗證點，每種地類為30個，應(yīng)用于土地利用分類提取耕地范圍。農(nóng)業(yè)保險公司通過高分辨影像數(shù)字化制圖提供的4 467個投保地塊，經(jīng)地面調(diào)查確定投保地塊精度達94.42%，將作物類型無誤的2 276個地塊應(yīng)用于農(nóng)作物分類，隨機選1 138個訓(xùn)練樣本（玉米271塊、大豆163塊、水稻709塊），1 138個選為驗證樣本（玉米270塊、大豆153塊、水稻710塊）。

圖1 2014年6月11日虎林市Landsat-8影像圖（R/G/B:5/4/3）

1.3 主要農(nóng)作物發(fā)育時期

研究區(qū)內(nèi)種有大豆、玉米、水稻3種作物，其中水稻一般在4月播種，大豆、玉米在5月播種，生長期5個月左右。結(jié)合本文研究特點，從表2看出6月1日大豆、玉米處于出苗期，水稻處于插秧與分蘗期之間；7月4日大豆處于開花期與結(jié)莢期之間，玉米處于拔節(jié)與抽雄吐絲期之間，水稻處于分蘗與抽穗期之間；9月21日大豆、玉米、水稻均處于成熟期。表2以旬為時間單位給出了虎林市3種作物的發(fā)育時期。

1.4 研究方法

1.4.1 決策樹分類模型構(gòu)建 根據(jù)每種地物在遙感影像中的光譜差異，結(jié)合不同地類的色調(diào)、紋理特征，NDVI信息[25-29]，通過決策樹對研究區(qū)進行土地利用分類。構(gòu)建決策樹模型，根據(jù)各地類不同時相NDVI、各波段的反射率和紋理特點，統(tǒng)計6月1日、7月4日2個時期影像各波段的反射率和紋理的最大值、最小值、平均值、標準差。深入分析發(fā)現(xiàn)6月1日大部分水和少量水田的NDVI＜0.03，其他地類NDVI≥0.03；林地6月1日ISODATA＞8或7月4日的NDVI＞1；建筑用地根據(jù)6月1日紋理特征與7月4日的藍波段反射率結(jié)合將其提取出來。根據(jù)6種地類的最大值、最小值結(jié)合標準差確定閾值，按照圖2所示的決策樹分類模型進行分類，利用驗證點對分類結(jié)果進行驗證，當精度驗證結(jié)果較低時，重新調(diào)整閾值進行分類，當精度改善不大時停止調(diào)整，接受目前的分類結(jié)果。

表1 虎林市遙感影像列表

質(zhì)量評價主要是云覆蓋量評價，取值范圍0—9，9為質(zhì)量最高

The quality evaluation is the main evaluation of cloud cover, the range of 0-9, the best quality is 9

表2 虎林市主要農(nóng)作物發(fā)育時期

1.4.2 基于作物分類的監(jiān)督分類方法對比 通過土地利用分類結(jié)果提取耕地，在耕地范圍內(nèi)對作物進行分類（圖3）。通過GF-1高光譜和TM多光譜2種數(shù)據(jù)結(jié)合[30]，分別利用監(jiān)督分類中最大似然法、馬氏距離法、神經(jīng)網(wǎng)絡(luò)法、最小距離法、支持向量機對研究區(qū)作物進行分類，GF-1、HJ高光譜和TM多光譜3種數(shù)據(jù)結(jié)合，利用監(jiān)督分類中最大似然法、馬氏距離法、波譜角分類法對研究區(qū)作物進行分類，確定最優(yōu)方法與盡可能早的時相信息。

band1：藍波段反射率；band2：綠波段反射率；band3：紅波段反射率；band4：近紅外波段反射率；ISODATA：非監(jiān)督分類

圖3 虎林市作物分類流程

2 結(jié)果

2.1 作物NDVI時間序列曲線特征

通過20幅遙感影像的NDVI時間序列數(shù)據(jù)集，繪制不同作物NDVI隨時間變化曲線（圖4）。從圖4可以看出，在6月1日水稻與玉米、水稻與大豆的NDVI差異顯著，但是，大豆和玉米的NDVI差異不明顯；7月4日大豆、水稻和玉米的NDVI均存在差異；8月9日三種作物的NDVI達到飽和；8月29日到9月25日三種作物的NDVI差異顯著。因此以下研究可主要應(yīng)用其中的影像作為研究的關(guān)鍵期，且通過影像質(zhì)量和多次試驗，最終把6月1日、7月4日作為本研究區(qū)作物分類的關(guān)鍵期。

圖4 基于遙感影像不同作物NDVI隨時間變化曲線

2.2 土地利用分類

利用6月1日、7月4日2個時期影像，對比決策樹、面向?qū)ο蠓诸惡妥畲笏迫环?種方法進行土地利用分類，結(jié)果表明決策樹分類總體精度最高。由土地利用分類結(jié)果可以看出，虎林市主要用地類型為建筑用地、耕地（旱地和水田）、水、林地、濕地（圖5）。林地主要集中在虎林市北部和西部，占虎林市總面積26.62%；濕地主要集中在東部，占11.34%；虎林市大部分被耕地覆蓋，耕地占虎林市總面積的56.65%，耕地主要為水田，占37.66%，旱地相對較少，占18.99%。

圖5 2014年虎林市土地利用分類結(jié)果圖

2.3 時效性分析

將20幅遙感影像依次波段合成進行作物分類，例如：第一組為2014年5月19日，第二組為2014年5月19日、2014年6月1日2幅合成，第三組為2014年5月19日、2014年6月1日、2014年7月4日3幅合成，以此類推……。圖6是以時間為橫坐標，以作物分類精度為縱坐標生成的曲線圖。從曲線可以看出7月初、7月末到8月初、9月末為3個關(guān)鍵時相，8月初之后分類精度變化不大，9月末分類精度達到最高，綜合考慮時效性，7月上旬作物分類精度已基本達到較高精度。

圖6 虎林市農(nóng)作物分類時效性分析曲線

2.4 作物分類

從土地利用分類最優(yōu)結(jié)果中提取的耕地范圍。通過多種分類方法的綜合對比分析最終發(fā)現(xiàn)，基于耕地范圍的最大似然法對本研究區(qū)農(nóng)作物分類最為精準（圖7）。通過對分類結(jié)果分析可知，該區(qū)水稻的種植范圍最廣、覆蓋面積最大，其次為玉米和大豆，這3類作物的種植比例與研究區(qū)內(nèi)投保地塊統(tǒng)計結(jié)果完全一致?；⒘质兴久娣e占耕地總面積的75.24%，玉米占14.45%，大豆僅占10.31%。

圖7 2014年虎林市農(nóng)作物分類

2.5 精度驗證

2.5.1 土地利用分類精度驗證 結(jié)合研究目的，將旱地與水田合并為耕地，利用驗證樣本，計算不同分類方法的混淆矩陣（表3），由表3可以看出，最大似然法分類結(jié)果較差，決策樹分類法總體精度最高，為90.24%，Kappa系數(shù)為0.87。其中耕地制圖精度高達95.65%。

2.5.2 作物分類精度驗證 表4為以耕地作為作物分類規(guī)則，通過多種分類方法進行作物分類，得到的精度評價結(jié)果。從表4可以看出，利用6月1日、7月4日2幅影像采用最大似然法對研究區(qū)作物分類精度高達94.01%，大豆精度較低，水稻精度較高。而采用6月1日、7月4日、9月21日3幅，利用最大似然法的作物分類總體精度最高達97.13%，大豆、玉米精度明顯提高。表5為未以耕地為規(guī)則直接對作物進行分類的混淆矩陣結(jié)果，總體精度為88.19%，Kappa系數(shù)為0.60。

表3 土地利用分類混淆矩陣結(jié)果

表4 以耕地作為規(guī)則的作物分類混淆矩陣結(jié)果

表5 未以耕地為規(guī)則的作物分類混淆矩陣結(jié)果

3 討論

目前，運用不同分辨率、不同傳感器拍攝的遙感影像結(jié)合對作物進行分類的研究逐漸成為熱點。遙感影像的獲取受大氣條件、云污染因素等影響，無法獲取長時間序列同源遙感影像。本文綜合利用3種遙感數(shù)據(jù)結(jié)合，最終在7月上旬實現(xiàn)從土地利用分類到作物分類的全過程。劉新圣等[31]在土地覆蓋分類的研究中總體精度為78.07%，李曉東等[32]在農(nóng)田分類提取中應(yīng)用全年遙感數(shù)據(jù)的總體精度為94%，發(fā)現(xiàn)決策樹分類法可以自動提取影像特征，能對高維數(shù)據(jù)進行有效的處理，并且該方法運行速度快，準確度高。波譜角分類、主成分分析應(yīng)用的時相較多；神經(jīng)網(wǎng)絡(luò)法和支持向量機處理數(shù)據(jù)較為耗時；最小距離分類受模式散布的影響，精度不高[33]；最大似然方法具有清晰的參數(shù)解析能力、易于與先驗知識融合、算法簡單易于實施等優(yōu)點[34]。

本研究土地利用分類中所用分類方法總體精度幾乎一致，只是每種地類分類精度有所差異，運用決策樹分類方法在很大程度上提高了影像分類結(jié)果的精度[35]，旱地與水田結(jié)合制圖精度較高，濕地與建筑用地制圖精度較差，應(yīng)考慮結(jié)合形狀信息和歸一化水指數(shù)（NDWI）提高其分類精度。本文作物分類中最大似然分類總體精度較高，但大豆用戶精度較低，由于只應(yīng)用7月上旬的影像所含遙感信息有限，導(dǎo)致研究存在一定局限性，結(jié)合9月的影像可以提高大豆分類精度，實現(xiàn)大豆與玉米的區(qū)分。

4 結(jié)論

本文通過覆蓋完整生長期的20幅遙感影像，提取3種傳感器NDVI時間序列曲線，并綜合20幅影像依次波段合成的方式對作物進行分類，分析遙感影像的時效性，確定作物分類關(guān)鍵時期及遙感時相；通過對比多種分類方法，從而實現(xiàn)從土地利用分類到作物分類的全過程。本文旨在應(yīng)用Landsat 8-OLI（6月1日）、GF-1（7月4日）2種遙感數(shù)據(jù)且多時相結(jié)合，從而實現(xiàn)在7月上旬利用遙感影像對作物進行精準分類。

4.1 通過20幅遙感影像提取3種傳感器NDVI時間序列曲線，并利用不同時間序列遙感影像的組合進行分類精度對比，確定虎林市作物分類關(guān)鍵時期為7月初、7月末到8月初、9月末。

4.2 選取出苗期、拔節(jié)期2個時期影像，利用決策樹方法對土地利用覆被信息進行分類，其中耕地的用戶精度為85.71%、制圖精度95.65%，進而提取耕地范圍作為規(guī)則進行農(nóng)作物分類。

4.3 利用耕地范圍通過對比多種分類方法，確定最大似然法為最優(yōu)分類方法，7月上旬可以實現(xiàn)對研究區(qū)作物分類，總體精度高達94.01%，提高了作物分類的時效性。采用6月1日、7月4日、9月21日3幅利用最大似然法的作物分類總體精度最高達97.13%，確定大豆、玉米分類精度的關(guān)鍵時期為9月。

References

[1] Pe?a M A, Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile., 2015, 171(15): 234-244.

[2] 邢素麗, 張廣錄. 我國農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望. 農(nóng)業(yè)工程學(xué)報, 2003, 19(6): 174-178.

Xing S L, Zhang G L. Application status quo and prospect of agriculture remote sensing in China., 2003, 19(6): 174-178. (in Chinese)

[3] Loveland T R, Merchant J W, Ohlen D O, Brown J F. Development of a land-cover characteristics database for the conterminous U.S., 1991, 57(11): 1453-1463.

[4] 宋茜, 周清波, 吳文斌, 胡瓊, 余強毅, 唐華俊. 農(nóng)作物遙感識別中的多源數(shù)據(jù)融合研究進展. 中國農(nóng)業(yè)科學(xué), 2015, 48(6): 1122-1135.

Song Q, Zhou Q B, Wu W B, Hu Q, Yu Q Y, Tang H J. Recent progresses in research of integrating multi-source remote sensing data for crop mapping., 2015, 48(6): 1122-1135. (in Chinese)

[5] Vellidis G, Tucker M A, Perry C D, Thomas D L, Wells N, Kvien C K. Predicting cotton lint yield maps from aerial photographs., 2004, 5(6): 547-564.

[6] Xiao X, Boles S, Frolking S, Li C, Babu J Y, Salas W, Moore B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images., 2006, 100(1): 95-113.

[7] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS., 1996, 58(3): 289-298.

[8] Oetter D R, Cohen W B, Berterretche M, Maiersperger T K, Kennedy R E. Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data., 2001, 76(2): 139-155.

[9] James G K, Adegoke J O, Saba E, Nwilo P, Akinyede J. Satellite-based assessment of the extent and changes in the mangrove ecosystem of the Niger Delta., 2007, 30(3): 249-267.

[10] 胡瓊, 吳文斌, 宋茜, 余強毅, 楊鵬, 唐華俊. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進展. 中國農(nóng)業(yè)科學(xué), 2015, 48(10): 1900-1914.

Hu Q, Wu W B, Song Q, Yu Q Y, Yang P, Tang H J. Recent progresses in research of crop patterns mapping by using remote sensing., 2015, 48(10): 1900-1914. (in Chinese)

[11] 馬麗, 徐新剛, 劉良云, 黃文江, 賈建華, 程一沛. 基于多時相NDVI及特征波段的作物分類研究. 遙感技術(shù)與應(yīng)用, 2008, 23(5): 520-524.

Ma L, Xu X G, Liu L Y, Huang W J, Jia J H, ChenG Y P. Study on crop classification based on multi-temporal NDVI and characteristic bands., 2008, 23(5): 520-524. (in Chinese)

[12] 劉磊, 江東, 徐敏, 尹芳. 基于多光譜影像和專家決策法的作物分類研究. 安徽農(nóng)業(yè)科學(xué), 2011, 39(25): 15809-15811.

Liu L, Jiang D, Xu M, Yin F. Crops classification based on multi-spectral image and Decision Tree method., 2011, 39(25): 15809-15811. (in Chinese)

[13] 康峻, 侯學(xué)會, 牛錚, 高帥, 賈坤. 基于擬合物候參數(shù)的植被遙感決策樹分類. 農(nóng)業(yè)工程學(xué)報, 2014, 30(9): 148-156.

Kang J, Hou X H, Niu Z, Gao S, Jia K. Vegetation phenology parameters fitting decision tree classification of., 2014, 30(9): 148-156. (in Chinese)

[14] 張煥雪, 曹新, 李強子, 張淼, 鄭新奇. 基于多時相環(huán)境星NDVI時間序列的農(nóng)作物分類研究. 遙感技術(shù)與應(yīng)用, 2015, 30(2): 304-311.

Zhang H X, Cao X, Li Q Z, Zhang M, Zheng X Q. Study on crop classification based on multi temporal phase environment star time series NDVI., 2015, 30(2): 304-311. (in Chinese)

[15] 李鑫川, 徐新剛, 王紀華, 武洪峰, 金秀良, 李存軍, 鮑艷松. 基于時間序列環(huán)境衛(wèi)星影像的作物分類識別. 農(nóng)業(yè)工程學(xué)報, 2013, 29(2): 169-176.

Li X C, Xu X G, Wang J H, Wu H F, Jin X L, Li C J, Bao Y S. Crop classification and identification based on time series of environmental satellite images., 2013, 29(2): 169-176. (in Chinese)

[16] ZHANG M W, AHOU Q B, CHEN Z X, LIU J, ZHOU Y, CAI C F.Crop discrimination in Northern China with double cropping systems using Fourier analysis of time-series MODIS data., 2008, 10(4): 476-485.

[17] 劉佳, 王利民, 楊福剛, 楊玲波, 王小龍. 基于 HJ 時間序列數(shù)據(jù)的農(nóng)作物種植面積估算. 農(nóng)業(yè)工程學(xué)報, 2015, 31(3): 199-206.

Liu J, Wang L M, Yang F G, Yang L B, Wang X L. Remote sensing estimation of crop planting area based on HJ time-series images., 2015, 31(3): 199-206. (in Chinese)

[18] 王立輝, 黃進良, 孫俊英. 基于SVM的環(huán)境減災(zāi)衛(wèi)星HJ-1B影像作物分類識別研究. 世界科技研究與發(fā)展, 2009, 31(6): 1029-1032.

Wang L H, Huang J L, Sun J Y. Study of crop classification by Support Vector Machine on HJ-1B image., 2009, 31(6): 1029-1032. (in Chinese)

[19] 楊閆君, 黃彥, 田慶久, 王磊, 耿君, 楊冉冉. 基于高分一號衛(wèi)星WFV影像的水稻信息提取模式. 光譜學(xué)與光譜分析, 2015, 35(11): 3255-3261.

Yang Y J, Huang Y, Tian Q J, Wang L, Geng J, Yang R R. The extraction model of paddy rice information based on GF-1 satellite WFV images., 2015, 35(11): 3255-3261. (in Chinese)

[20] 李彥, 魏占民, 張圣微, 王長生, 付小軍. 基于遙感的沙壕渠控制區(qū)作物種植結(jié)構(gòu)與空間分布研究. 中國農(nóng)村水利水電, 2012(8): 20-23.

Li Y, Wei Z M, Zhang S W, Wang C S, Fu X J.Spatial analysis and visualization of soil salinization based on ArcGIS., 2012(8): 20-23. (in Chinese)

[21] Gopal S, Woodcock C E, Strahler A H. Fuzzy Neural Network classification of global land cover from a 1°AVHRR data set., 1999, 67(2): 230-243.

[22] Poth A, Klaus D, Voss M, Stein G.Optimization at multi-spectral land cover classification with fuzzy clustering and the Kohonen feature map., 2001, 22(8): 1423-1439.

[23] 劉曉娜, 封志明, 姜魯光. 基于決策樹分類的橡膠林地遙感識別. 農(nóng)業(yè)工程學(xué)報, 2013, 29(24): 163-172.

Liu X N, Feng Z M, Jiang L G. Application of decision tree classification to rubber plantations extraction with remote sensing., 2013, 29(24): 163-172. (in Chinese)

[24] GB/T 21010-2007. 土地利用現(xiàn)狀分類. 北京: 中國標準出版社, 2007.

GB/T 21010-2007.. Beijing: China Standard Press, 2007. (in Chinese)

[25] 胡玉福, 鄧良基, 匡先輝, 王鵬, 何莎, 熊玲. 基于紋理特征的高分辨率遙感圖像土地利用分類研究. 地理與地理信息科學(xué), 2011, 27(5): 42-45, 68.

Hu Y F, Deng L J, Kuang X H, Wang P, He S, Xiong L. Study on land use classification of high resolution remote sensing image based on texture feature., 2011, 27(5): 42-45, 68. (in Chinese)

[26] Akar ?, Güng?r O.Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in Northeast Turkey., 2015, 36(2): 442-464.

[27] Conrad C, Dech S, Dubovyk O, Fritsch S, Klein D, L?w F, Schorcht, G, Zeidler J. Derivation of temporal windows for accurate crop discrimination in heterogeneous croplands of Uzbekistan using multitemporal RapidEye images., 2014, 103(4): 63-74.

[28] Kim H O, Yeom J M. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi- spectral satellite image data., 2014, 35(19): 7046-7068.

[29] Brown J C, Kastens J H, Coutinho A C, Victoria D D C, Bishop C R. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data., 2013, 130(4): 39-50.

[30] ?stlund C, Flink P, Str?mbeck N, Pierson D, Lindell T.Mapping of the water quality of Lake Erken, Sweden, from imaging spectrometry and Landsat Thematic Mapper., 2001, 268(1): 139-154.

[31] 劉新圣, 孫睿, 武芳, 胡波, 王汶. 利用 MODIS-EVI 時序數(shù)據(jù)對河南省土地覆蓋進行分類. 農(nóng)業(yè)工程學(xué)報, 2010, 26(1): 213-219.

Liu X S, Sun R, Wu F, Hu B, Wang W. Land-cover classification for Henan province with time-series MODIS EVI data., 2010, 26(1): 213-219. (in Chinese)

[32] 李曉東,姜琦剛. 基于多時相遙感數(shù)據(jù)的農(nóng)田分類提取. 農(nóng)業(yè)工程學(xué)報, 2015, 31(7): 145-150.

Li X D, Jiang Q G. Extraction of farmland classification based on multi-temporal remote sensing data., 2015, 31(7): 145-150. (in Chinese)

[33] 任靖, 李春平. 最小距離分類器的改進算法—加權(quán)最小距離分類器. 計算機應(yīng)用, 2005, 25(5): 992-994.

Ren J, Li C P. Improved minimum distance classifier-weighted minimum distance classifier., 2005, 25(5): 992-994. (in Chinese)

[34] 周國瓊, 段海軍, 陳劍鳴. 基于模糊 C 均值聚類改進的最大似然分類法. 科學(xué)技術(shù)與工程, 2012, 12(19): 4697-4700.

Zhou G Q, Duan H J, CHEN J M. Improvement for maximum likelihood classification based on Fuzzy C-mean., 2012, 12(19): 4697-4700. (in Chinese)

[35] 陳君穎, 田慶久. 高分辨率遙感植被分類研究. 遙感學(xué)報, 2007, 11(2): 221-227.

Chen J Y, Tian Q J. Vegetation classification based on high-resolution satellite image., 2007, 11(2): 221-227. (in Chinese)

（責(zé)任編輯 楊鑫浩）

Timeliness Analysis of Crop Remote Sensing Classification One Crop A Year

LIU Huanjun, YU Shengnan, ZHANG Xinle, GUO Dong, YIN Jixian

(College of Resources and Environment, Northeast Agricultural University, Harbin 150030)

【Objective】Crop type remote sensing identification is a basis of crop cultivated area and crop growth analysis and yield estimation, and it is a very important driving force to promote the rapid development of modern agriculture. Atthe same time, it is also a basis for macro-regulation and control of understanding of agricultural conditions by the departments of agriculture as well as other related ones.At present, most of the present researches about agricultural remote sensing are limited to moderate or low resolution remote sensing images, which affect the accuracy of vegetable information extraction. The accuracy of vegetation information extraction can be improved by using high resolution multi temporal remote sensing images and selecting suitable classification methods. Clearly understanding of the timeliness and optimal classification method of crop remote sensing classification, acquire crop spatial distribution data quickly and accurately, and to provide a basis for crop quantitative remote sensing monitoring are the aims of the study.【Method】Based on the 20 remote sensing images covering the whole growth period of 5-10 months in Hulin, Heilongjiang province in 2014, the 16 m resolution NDVI time series curves were built by using 20 images. Different crops had different NDVI time series curves during the whole growth period. The decision tree classification model was established. After analysis of the images through serial threshold division, assisted with background data and expert knowledge,the areas and distributions of the land use and land cover information were extracted.Twenty images were used in order to classify the crops and the optimal phase was defined. Taking the farmland range as the rule, various classification methods for crop classification were compared. And it was also compared with the crop classification without extracting the farmland range by using several common methods of crop classification. Meanwhile, various classification methods including the maximum likelihood method, Mahalanobis distance method, neural network method, minimum distance method, support vector machine, spectral angle classification, and crop classification of principal component analysis were compared, and the data from the insured blocks were employed for the accuracy verification.【Result】 (1) In early July, the end of July to early August, and the end of September are the 3 key phases of crop remote sensing classification in the study area during the first quarter of the year. (2) The decision tree classification method had the highest accuracy in extracting land use cover information, the overall accuracy of classification was up to 94.01%, Kappa coefficient was 0.79. (3) In early June and early July, 2 images combined with classification of crops, the overall of classification accuracy was up to 90.24%, Kappa coefficient was 0.87. The combination of early June and early July images could be used to solve the timeliness of crop classification. (4) Combined with the image of Sep 21st, the overall accuracy was further improved, and the classification accuracy of soybean was improved obviously, so the maximum likelihood method was the best classification method, and the jointing stage was the best phase.【Conclusion】It was concluded that remote sensing images can be used to accurately classify crops in early July. Results of this study have expanded the application value of remote sensing data in the field of agriculture. It has guiding significance for one crop a year of the crop fast classification.

time series remote sensing image; crop classification; timeliness; decision tree; maximum likelihood method

2016-07-29；接受日期：2016-10-14

國家自然科學(xué)基金（40801167）、黑龍江省普通高等學(xué)校新世紀優(yōu)秀人才培養(yǎng)計劃（1254-NCET-002）、黑龍江省自然科學(xué)基金（D201404）

劉煥軍，E-mail：huanjunliu@yeah.net。通信作者張新樂，E-mail：zhangxinle@gmail.com