趙希妮，璩向?qū)?王 磊,3，劉雅清,許 興

(1．寧夏大學(xué) 西北土地退化與生態(tài)系統(tǒng)恢復(fù)省部共建國家重點實驗室培育基地，寧夏 銀川 750021;2．寧夏大學(xué) 西北退化生態(tài)系統(tǒng)恢復(fù)與重建教育部重點實驗室，寧夏 銀川 750021;3．南京大學(xué) 國際地球系統(tǒng)科學(xué)研究所，江蘇 南京 210093)

中國是葡萄、葡萄酒生產(chǎn)和消費大國[1]。寧夏賀蘭山東麓作為我國3大葡萄酒地理標志產(chǎn)品區(qū)域之一，近年來種植面積迅速擴大，如何快速獲取葡萄的空間分布及其生長狀態(tài)，為葡萄種植的精細化管理、產(chǎn)業(yè)的可持續(xù)發(fā)展及其生態(tài)效應(yīng)評價提供技術(shù)支撐，是當前亟需解決的問題。遙感作為重要的對地觀測手段，因其具有探測范圍大，速度快、受地面條件限制少、成本低等優(yōu)點，可作為開展葡萄種植時空分布調(diào)查的重要手段[2-3]。高空間、高時間分辨率遙感數(shù)據(jù)的出現(xiàn)，遙感時間序列如NDVI(Normalized difference vegetation index，歸一化植被指數(shù))、EVI(Enhanced vegetation index，增強型植被指數(shù))的相關(guān)研究成為當前遙感對地觀測技術(shù)發(fā)展的熱點內(nèi)容和重要方向[4]。REED等[5]通過分析農(nóng)作物NDVI時間序列的特征值并結(jié)合其物候規(guī)律，得出NDVI在構(gòu)建植被生長動態(tài)時間序列剖面、提取物候特征、進行植被分類、監(jiān)測土地覆蓋變化等方面具有重要價值；MURAKAMI等[6]基于 SPOT/HRV影像，以日本SAGA平原為研究區(qū)，分析了其NDVI時間序列變化特征并選取最佳時相，提取出了多種農(nóng)作物面積；BROWN等[7]通過對MODIS植被指數(shù)時間序列數(shù)據(jù)的構(gòu)建分析，對巴西Mato Grosso地區(qū)多年的農(nóng)用地進行了分類研究，取得了較好的分類結(jié)果。國內(nèi)應(yīng)用遙感時間序列的研究也較多，ZHANG等[8]以HANTS濾波法重構(gòu)了MODIS/EVI時間序列數(shù)據(jù)，研究了華北地區(qū)土地覆蓋分類；康峻等[9]基于MODIS/EVI數(shù)據(jù)分析提取植被物候特征參數(shù)，得到了作物和森林較好的分類結(jié)果。

在時間序列植被識別方面，以往研究主要針對MODIS、SPOT、HJ等中低分辨率影像，制約了識別精度的提高。GF-1衛(wèi)星的發(fā)射，為高空間分辨率時間序列的構(gòu)建提供了數(shù)據(jù)支持。索玉霞等[10]基于決策樹分類法和MODIS植被指數(shù)時間序列對中亞土地覆蓋類型分類進行了研究；張赫林等[11]基于祁連山區(qū)域時間序列數(shù)據(jù)，結(jié)合光譜擴展與基于決策樹分類方法，研究了近30 a的土地利用變化情況；梁守真等[12]基于MODIS/NDVI時間序列數(shù)據(jù)和多時相的Landsat TM數(shù)據(jù)，通過分析橡膠林的季相和光譜特征得到了橡膠林識別的關(guān)鍵時期和特征參數(shù)，構(gòu)建了橡膠林決策樹分類模型。關(guān)于遙感識別與提取在農(nóng)作物方面的應(yīng)用已進行了大量相關(guān)研究，但在森林遙感提取，尤其是果樹識別與提取方面的研究相對較少，對葡萄分布遙感的提取更是鮮見報道。鑒于此，以寧夏賀蘭山東麓葡萄種植區(qū)域為研究區(qū)，利用具有較高時間、空間分辨率等優(yōu)點的GF-1/WFV數(shù)據(jù)，獲取了覆蓋研究區(qū)葡萄完整生長期(2017年3—12月)的影像，構(gòu)建GF-1/WFV時間序列，并對波段光譜特征進行挖掘，計算提取NDVI、EVI，通過分析植被指數(shù)在時間序列上所發(fā)生的明顯變化，提取相應(yīng)的關(guān)鍵時間節(jié)點及特征值，構(gòu)建寧夏賀蘭山東麓葡萄的決策樹分類模型，實現(xiàn)研究區(qū)內(nèi)葡萄的快速自動識別與提取。

1 材料和方法

1.1 研究區(qū)概況

賀蘭山東麓位于東經(jīng)105°45′—106°47′，北緯37°43′—39°23′，地處寧夏回族自治區(qū)境內(nèi)，為賀蘭山洪積扇與黃河沖積平原之間的狹長地帶，涵蓋了石嘴山市、銀川市、吳忠市。該區(qū)屬于大陸性干旱半干旱氣候，干燥少雨，光照充足，晝夜溫差大。全生育期積溫(≥10 ℃)3 400～3 800 ℃ · d，氣溫日較差12～15 ℃，降水量150～240 mm，日照時數(shù)1 700～2 000 h，無霜期160～180 d，土壤類型以淡灰鈣土、風沙土為主。獨特的氣候、土壤條件使其成為世界公認的優(yōu)質(zhì)釀酒葡萄最佳生態(tài)區(qū)之一，是世界葡萄種植的黃金地帶和優(yōu)質(zhì)葡萄產(chǎn)區(qū)。

1.2 GF-1號衛(wèi)星數(shù)據(jù)獲取與預(yù)處理

2013年4月26日發(fā)射運行的高分一號衛(wèi)星中國高分辨率對地觀測系統(tǒng)的第1顆衛(wèi)星搭載4臺WFV多光譜寬幅相機，組合掃描幅寬為800 km，星下點的分辨率為16 m，WFV傳感器共設(shè)置4個波段，光譜為0.45～0.89 μm，重訪周期為2 d。

本研究所用數(shù)據(jù)包括研究區(qū)GF-1/WFV遙感數(shù)據(jù)(表1)、賀蘭山東麓矢量邊界數(shù)據(jù)、外業(yè)調(diào)查數(shù)據(jù)及利用手持GPS(Global positioning system)對典型地物類型(以下簡稱地類)進行外業(yè)定點調(diào)查的數(shù)據(jù)(圖1)。

表1 影像時間序列數(shù)據(jù)與葡萄所處時期Tab.1 Image time series data and grape period

圖1 賀蘭山東麓位置及樣本點分布Fig.1 Schematic diagram of the location and distribution of sample points at the eastern foot of Helan mountain

影像預(yù)處理主要包括輻射定標、大氣校正和幾何精校正，最后根據(jù)矢量數(shù)據(jù)裁剪研究區(qū)影像數(shù)據(jù)。在ENVI5.3軟件平臺中，借助其波段計算功能計算NDVI、EVI，公式如下：

NDVI=(PNIR-PR)/(PNIR+PR)

(1)

EVI=(PNIR-PR)/(PNIR+6PR-7.5PB+1)×2.5

(2)

式中，PNIR表示近紅外光波段反射率；PR表示紅波段反射率；PB表示藍光波段反射率。本研究采用的GF-1數(shù)據(jù)為遙感影像，因此，近紅外光波段為Band4，紅光波段為Band3，藍光波段為Band1。

1.3 葡萄生長周期

賀蘭山東麓區(qū)域冬季氣候寒冷，葡萄12月進入休眠期，為預(yù)防葡萄藤風干和受凍對其進行埋土防寒[13]，翌年春季4月中旬左右將其挖出。

葡萄于5月初開始萌芽抽枝；5月21日左右進入花期；6月中旬進入坐果期；7—8月葡萄枝蔓和果實進入生長旺盛期；8月中旬打秋梢(減少養(yǎng)分流失)；9月葡萄果實成熟；10月之后枝蔓開始泛黃；10月21日—11月20日(采摘完成后)清除葉子，只留主莖并將其埋土防寒(葡萄處于掩埋期)；隨后，葡萄進入休眠期；之后，再進入長達6個月的生長季。

1.4 研究方法

為獲取寧夏賀蘭山東麓主要地類的分布，2017年7月對賀蘭山東麓進行地面實地調(diào)查(圖 1)，使用手持 GPS測量不同地類地塊的經(jīng)緯度坐標。根據(jù)本研究實際地面調(diào)查，研究區(qū)主要地類包括葡萄、防護林、水稻、玉米、小麥、蘆葦；非植被包括裸地、建筑用地、水體。依照上述分類，根據(jù)實地調(diào)查點數(shù)據(jù)選取樣本點，構(gòu)建訓(xùn)練樣本集。分析不同植被的時間序列曲線和物候特征，對因與葡萄生長規(guī)律相似而無法區(qū)分的植被類型開展目視解譯，采用決策樹結(jié)合法對葡萄進行提取。

1.4.1 訓(xùn)練樣本選取 根據(jù)隨機性、典型性以及區(qū)域樣點的完備性原則選取樣點。野外GPS及目視解譯所取得的樣本數(shù)據(jù)共生成1 633個樣本點，其中，葡萄566個，防護林106個，水稻415個，玉米152個，小麥116個，蘆葦85個，裸地105個，建筑物88個。從總樣本中隨機抽取2%的樣本作為訓(xùn)練樣本集，剩下的點作為驗證樣本集。所選樣本均勻分布在研究區(qū)內(nèi)，因此，這些樣本可以代表其地類的區(qū)域特點。

1.4.2 分類模型構(gòu)建 NDVI是監(jiān)測植被生長狀態(tài)及覆蓋度的最佳指示指標，且能很好地將植被從背景中分離出來[14-16]。由于葡萄種植行距較寬，與防護林較為相似，而EVI能夠矯正土壤背景和氣溶膠散射的影響，且對植被茂密區(qū)較為敏感[17]，因此，對葡萄識別提取具有較大優(yōu)勢。鑒于此，在識別與提取過程中，運用了基于GF-1影像運算得到的NDVI數(shù)據(jù)作為植被覆蓋地類信息提取的重要特征變量，結(jié)合葡萄和防護林的生長旺盛期EVI曲線，以減小地物同物異譜和同譜異物的影響，通過統(tǒng)計其平均值信息，試圖找出不同地類分類之間的差異，從而實現(xiàn)目標地類提取。

采用基于決策樹分類方法，分析不同植被的時間序列曲線和植被的物候特征；采用閾值法的決策樹規(guī)則，在ENVI 5.3平臺中，構(gòu)建基于GF-1/WFV影像典型地物上述2種植被指數(shù)的決策樹模型，實現(xiàn)對葡萄的識別，得到2017年寧夏賀蘭山東麓葡萄的空間分布圖。

2 結(jié)果與分析

2.1 不同地類植被指數(shù)時間序列分析

植被的生理特征在不同生長季節(jié)、生育時期表現(xiàn)均不同，植被的旺衰信息可以通過植被指數(shù)體現(xiàn)出來。作物生長變化過程影響其植被指數(shù)的增長或降低[18]，同一植被類型在不同生長期及不同植被類型在同一生長期的差異均可以用其植被指數(shù)時間序列曲線表現(xiàn)[19-20]。因此，本研究利用訓(xùn)練樣本集獲取NDVI和EVI 2種植被指數(shù)，求取不同地類在不同時間的均值，得到各個地類植被指數(shù)時間序列均值變化曲線(圖2—3)。

圖2 典型地物的NDVI時間序列曲線Fig.2 NDVI time series curve of typical ground objects

圖3 葡萄和防護林的EVI時間序列曲線Fig.3 EVI time series curve of grape and shelterbelt

從圖2可以看出，NDVI時間序列的植被指數(shù)總體上符合物候規(guī)律，植被生長期大致從5月初開始，11月后結(jié)束。葡萄、水稻、玉米、小麥的NDVI時間序列曲線有部分交錯，但還是存在NDVI差異明顯的時間窗口。其中，水稻的NDVI曲線為單峰，5月中旬—6月中旬其NDVI呈明顯增長趨勢；6月中旬—7月NDVI不斷升高，此階段為水稻的生長旺盛期，其NDVI高于其他植被，利用該特征可以將水稻從其他作物中區(qū)分出來。

9月水稻逐漸成熟，一般于10月上旬收割，之后其NDVI降到最低，水稻NDVI的最高值與最低值相差0.738。玉米NDVI曲線具有與水稻相似的變化特征，但在3—6月中旬其NDVI較水稻略高。7月初—9月為玉米生長旺盛期，其NDVI較水稻偏低，但此階段內(nèi)其NDVI明顯高于小麥，利用此特點可以將玉米從小麥等植被中區(qū)分出來。

5月初葡萄開始萌芽抽枝，5月中下旬進入花期后生長迅速，其NDVI隨之快速上升。6月10日左右進入坐果期，在此階段為消除由于葡萄藤生長過快而對坐果造成的影響，將葡萄春梢去除，抑制藤蔓生長。在此期間，其NDVI上升緩慢。7月葡萄枝蔓和果實進入生長旺期，7月底其NDVI達到最大。8月上旬果農(nóng)為減少養(yǎng)分流失，對葡萄進行了大規(guī)模的打秋梢活動，葡萄覆蓋度明顯下降，其NDVI呈下降趨勢。8月下旬—10月葡萄果實成熟，葡萄枝蔓覆蓋度穩(wěn)定，其NDVI變化不大。10月中旬—11月中旬，葡萄采摘完成后，果農(nóng)將葡萄枝葉清除，只留主莖并作掩埋處理，葡萄在此階段的NDVI均在0.1左右，且時間序列曲線十分平緩，因此，葡萄掩埋期可以作為將葡萄從防護林中區(qū)分出來的一個重要時間窗口。葡萄的生長曲線與防護林較為相似，單純利用NDVI很難將二者區(qū)分開，因此，引入EVI對二者進行區(qū)分(圖3)。從圖3可以看出，7—8月中旬葡萄、防護林的EVI曲線均呈快速增長趨勢，8月中旬二者的EVI均達到最大，此后呈現(xiàn)緩慢下降趨勢。葡萄、防護林的EVI曲線在8月初相交，8月前期，葡萄較防護林的EVI大，8月中旬葡萄受打秋稍影響，后期其EVI隨覆蓋度降低而降低，防護林的EVI則依舊處于較高水平。因此，8月中旬可作為區(qū)分葡萄和防護林的重要時間窗口。

2.2 主要植被類型提取過程

NDVI時間序列數(shù)據(jù)對各作物區(qū)分的效果較好，但蘆葦和葡萄生長規(guī)律相似，二者的NDVI與其他作物相差不大。受不同區(qū)域水質(zhì)、地下水位以及灌溉水量的影響，蘆葦長勢不等，導(dǎo)致其同期的NDVI域較寬，極易混淆于葡萄中[蘆葦與葡萄的J-M(Jeffries-Matusita)距離< 1.8)]。因此，根據(jù)蘆葦生長習(xí)性及圖斑形狀的不規(guī)則性，通過目視解譯判斷研究區(qū)內(nèi)的蘆葦分布，去除蘆葦對葡萄提取的干擾。 此外，種植年限長、覆蓋度高的葡萄和防護林在NDVI時間序列中的區(qū)分度不明顯，因此，結(jié)合葡萄和防護林生長旺盛期的EVI曲線建立決策樹判別模型，進行主要植被類型的提取(圖4)。

NDVI時序數(shù)據(jù)中，7月各植被生長最旺盛，可利用7月30日的影像區(qū)分植被和非植被。經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0730<0.2為閾值提取非植被類型，其他為植被類型。

水稻4月28日—5月26日在各類植被中的NDVI最低，7月6—30日在各類作物中的NDVI最高。根據(jù)水稻樣點數(shù)據(jù)的統(tǒng)計值，經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0706<0.7為閾值提取水稻。

玉米7月6日—8月16日的NDVI較大，此后其NDVI迅速下降。根據(jù)玉米樣點數(shù)據(jù)統(tǒng)計的特征值，經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0706+NDVI0816>1.18為閾值提取玉米。

小麥4—7月中旬的NDVI均高于葡萄，同時，6月16日—8月16日，其時間序列曲線出現(xiàn)2個峰值。小麥收割后，7月30日出現(xiàn)NDVI低谷。根據(jù)小麥樣點數(shù)據(jù)在這幾個時期的統(tǒng)計值，經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0616+NDVI0816>0.8、NDVI0730<0.5、NDVI0526>0.3為閾值提取小麥。

防護林的NDVI相比葡萄較高，但與葡萄的NDVI時間序列曲線較為相似，結(jié)合其生長旺盛期的EVI曲線，經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0428<0.28、NDVI0706<0.18、EVI0816<1.5為閾值提取防護林。

葡萄掩埋期的NDVI在0.1左右，較其他植被低。8月上旬葡萄打秋梢后其NDVI下降，8月16日達到最低，此特點在EVI時間序列中表現(xiàn)明顯，因此，可結(jié)合NDVI和EVI時間序列曲線將葡萄提取出來。根據(jù)葡萄樣點數(shù)據(jù)在這幾個時期的統(tǒng)計值，經(jīng)過反復(fù)試驗，最終設(shè)定NDVI0326<0.16、NDVI0428<0.16、NDVI0526<0.25、0.150.4為閾值提取葡萄。

2.3 分類結(jié)果與精度評價

采用上述方法對寧夏賀蘭山東麓葡萄種植區(qū)進行葡萄提取，獲得的分類結(jié)果如圖5所示。因本研究主要對葡萄進行提取，在進行精度驗證時，將防護林、水稻、玉米、小麥等植被歸為其他植被。因此驗證樣本集按照葡萄、其他植被、非植被類型進行驗證。將分類后的結(jié)果與地面驗證樣本計算混淆矩陣。基于野外采樣數(shù)據(jù)及實際調(diào)查，隨機選擇1 299個驗證點，建立混淆矩陣，選取生產(chǎn)精度、用戶精度、Kappa系數(shù)和總體精度4個指標對分類結(jié)果進行驗證，分類精度評價見表2。

圖4 基于GF-1/WFV時間序列遙感識別的主要植被類型提取流程Fig.4 Flowchart of extraction process of main vegetation types based on GF-1/WFV time series sensing recognition

圖5 基于GF-1/WFV時間序列遙感識別的葡萄提取結(jié)果Fig.5 Grape forest extraction result based on GF-1/WFVtime series remote sensing recognition

如表2所示，在所有驗證樣本點中，被正確分類的樣本點有1 235個，分類總體精度為95%，Kappa系數(shù)為0.91。葡萄提取的生產(chǎn)精度為93%，用戶精度為96%。葡萄驗證樣本點共470個，被正確分類的樣本點有436個。但是由于葡萄與非植被類型中的裸地在3—5月具有相似的光譜特征，且其他植被中光譜特征與防護林的也較為相似，因此，葡萄與裸地和其他植被容易出現(xiàn)錯分的現(xiàn)象。其他植被驗證樣本點共706個，被正確分類的樣本點為682個。由于其他植被中包括水稻、玉米、小麥、防護林，總體訓(xùn)練樣本較充分，且在時間序列曲線中區(qū)分窗口較明顯，因此，整體分類精度較高。非植被類型驗證樣本點共123個，被正確分類的樣本點為117個。在非植被類型中，由于將裸地、建筑用地和水體等都歸入其中，光譜差異較大，影響時間序列曲線的構(gòu)建和比較，分類精度相對較低，由此，非植被類型樣本點中錯分為其他植被的樣本點也較多，其他植被和葡萄錯分到非植被類型中的樣本點也較多。

表2 基于GF-1/WFV時間序列遙感識別的混淆矩陣Tab.2 Confusion matrix based on GF-1/WFV time series remote sensing recognition

3 結(jié)論與討論

本研究試圖建立快速、簡單、操作性強的葡萄提取方法，主要基于遙感影像的光譜特征等來構(gòu)建決策樹分類模型，通過將葡萄不同物候期表現(xiàn)的光譜差異與其他植被類型進行比較提取葡萄，獲得較高的分類精度。由基于GF-1/WFV遙感數(shù)據(jù)構(gòu)建的NDVI時間序列葡萄識別模型可知，寧夏賀蘭山東麓葡萄主要集中在賀蘭山洪積扇區(qū)域，呈條帶狀分布。其中，賀蘭山沿山產(chǎn)區(qū)、永寧產(chǎn)區(qū)、青銅峽產(chǎn)區(qū)集中成片，分布最典型，主要植被類型的植被指數(shù)時間序列的構(gòu)建基本滿足在寧夏賀蘭山東麓進行植被次級分類提取植被類型的需求。其中，NDVI時間序列曲線能夠較好地區(qū)分作物和防護林，而EVI結(jié)合NDVI對葡萄和防護林的區(qū)分效果更好。與傳統(tǒng)的計算機輔助分類相比，基于時間序列的數(shù)據(jù)，結(jié)合葡萄物候期，探索出了提取葡萄的窗口期。葡萄在3—5月處于掩埋期時其NDVI明顯低于玉米和小麥，可有效將葡萄從作物中區(qū)分出來，但葡萄覆蓋度相對較低，與裸地容易發(fā)生混淆。8月葡萄受打秋稍影響，其后期EVI變化不大，且防護林的EVI高于葡萄，可作為區(qū)分葡萄和防護林的窗口期。

葡萄與其他植被的生長季較為相近，使用單一時相的遙感影像對葡萄進行提取易發(fā)生混淆，從而影響提取精度。基于選擇NDVI 時間序列曲線特征并結(jié)合葡萄生長物候期、種植規(guī)律的分類識別方法，是根據(jù)葡萄NDVI時間序列遙感數(shù)據(jù)完整地反映葡萄的生長趨勢的特點，通過反復(fù)試驗尋找特殊節(jié)點，并運用決策樹模型對其識別，具有需參數(shù)少、自動化程度高、適用性強、精度高的優(yōu)點。因此，具有較高時間和空間分辨率優(yōu)勢的GF-1/WFV遙感數(shù)據(jù)能夠較好地重建葡萄生長季 NDVI 曲線，反映其變化特征，利用時序植被指數(shù)進行分類，可以有效減小異物同譜現(xiàn)象的干擾。各地類交界處像元具有相似光譜特征，且空間相鄰，易形成混合像元，導(dǎo)致區(qū)分困難。不同植被類型也有可能形成相同的植被指數(shù)時間序列曲線，因此，有必要結(jié)合紋理特征及形態(tài)特征等提高圖像的分類精度。