張靜 于鑫 孫俊嬌

摘? ? 要：獲取農(nóng)作物種植結(jié)構(gòu)，對(duì)農(nóng)作物生長(zhǎng)狀況監(jiān)測(cè)、農(nóng)作物災(zāi)情監(jiān)測(cè)及產(chǎn)量估算等具有重要的意義。利用MODISNDVI產(chǎn)品數(shù)據(jù)，構(gòu)建遼寧省主要農(nóng)作物（玉米、大豆和水稻）的時(shí)間序列物候特征曲線，通過(guò)分層分類方法，提取遼寧省農(nóng)作物種植結(jié)構(gòu)信息，研究表明，支持向量機(jī)分類方法分類效果更好，分類精度可達(dá)96%以上。將農(nóng)作物提取模型推廣應(yīng)用于2003年、2007年、2011年、2015年和2019年的MODIS數(shù)據(jù)，探討近17年來(lái)遼寧省農(nóng)作物種植結(jié)構(gòu)時(shí)空格局現(xiàn)狀與變化，為快速、大范圍、高精度提取農(nóng)作物種植面積提供有效方法，同時(shí)為相關(guān)政策提供科學(xué)依據(jù)。

關(guān)鍵詞：MOD13Q1;農(nóng)作物;時(shí)空分布

傳統(tǒng)的農(nóng)作物種植面積獲取主要依靠人工統(tǒng)計(jì)的方法，這種方法雖然可以統(tǒng)計(jì)出農(nóng)作物的種植面積，但是統(tǒng)計(jì)過(guò)程中需要各部門的逐層統(tǒng)計(jì)匯總，導(dǎo)致數(shù)據(jù)流轉(zhuǎn)頻繁、數(shù)據(jù)結(jié)果可靠性較差、研究結(jié)果滯后，且農(nóng)作物種植面積獲取的過(guò)程會(huì)耗費(fèi)大量的人力和物力。遙感技術(shù)具有時(shí)效性強(qiáng)、成本低、精度高等優(yōu)勢(shì)，近年來(lái)運(yùn)用遙感技術(shù)手段監(jiān)測(cè)農(nóng)作物的情況越來(lái)越普遍。馮銳等[1]利用MODIS產(chǎn)品提取NDVI、EVI和LSWI數(shù)據(jù)，建立了東北地區(qū)水稻提取模型，得到精度較高的水稻分布情況;李鑫川等[2]利用黑龍江省友誼農(nóng)場(chǎng)的HJ衛(wèi)星影像，通過(guò)構(gòu)建決策樹方法對(duì)研究區(qū)玉米、大豆和水稻信息進(jìn)行提取;郝衛(wèi)平等[3]采用非監(jiān)督分類方法和光譜耦合技術(shù)對(duì)東北3省主要農(nóng)作物進(jìn)行分類研究;平躍鵬[4]以松嫩平原黑龍江省部分地區(qū)為研究對(duì)象，利用46個(gè)NDVI波段、7個(gè)物候參數(shù)和6期NDWI指數(shù)進(jìn)行農(nóng)作物分類，得到較好的農(nóng)作物提取結(jié)果;周思等[5]利用MODIS數(shù)據(jù)的NDVI和NDWI數(shù)據(jù)，通過(guò)分析玉米、大豆和水稻的物候特征，構(gòu)建分類決策樹，分類精度達(dá)到80%以上。

雖然遙感技術(shù)已經(jīng)在農(nóng)作物提取方面有了一定的研究，但是對(duì)農(nóng)作物大空間尺度不同種類的提取研究還是較少。本文利用2015年的MOD13Q1數(shù)據(jù)，研究MOD13Q1 NDVI時(shí)間序列數(shù)據(jù)在農(nóng)作物物候監(jiān)測(cè)與農(nóng)作物類型識(shí)別上的應(yīng)用，通過(guò)23期NDVI數(shù)據(jù)構(gòu)建物候特征曲線，結(jié)合實(shí)地樣本數(shù)據(jù)、Landsat影像數(shù)據(jù)和統(tǒng)計(jì)年鑒等數(shù)據(jù)，進(jìn)行決策樹與支持向量機(jī)分類方法對(duì)比，將分類效果較好的方法應(yīng)用于其他4個(gè)年份，得到遼寧省近17年的主要農(nóng)作物種植結(jié)構(gòu)，從而進(jìn)一步探討遼寧省主要農(nóng)作物時(shí)空分布的方法，以期為利用MODIS數(shù)據(jù)進(jìn)行大范圍農(nóng)作物識(shí)別及面積提取提供一種新的思路。

1? ?數(shù)據(jù)源及數(shù)據(jù)預(yù)處理

1.1? ?數(shù)據(jù)源

（1）MODIS影像數(shù)據(jù)：覆蓋遼寧省全部區(qū)域的MOD13Q1 NDVI數(shù)據(jù)產(chǎn)品，時(shí)相為2003年、2007年、2011年、2015年和2019年。數(shù)據(jù)從NASA網(wǎng)站下載，行列號(hào)為h26v04、h27v04和h27v05（h為horizontal，v為Vertical）。

（2）Landsat影像數(shù)據(jù)：覆蓋遼寧省全部區(qū)域的Landsat數(shù)據(jù)產(chǎn)品，時(shí)相為2015年，相關(guān)數(shù)據(jù)從地理信息數(shù)據(jù)云網(wǎng)站下載。

（3）統(tǒng)計(jì)年鑒數(shù)據(jù)：主要利用《遼寧統(tǒng)計(jì)年鑒》中農(nóng)作物種植面積數(shù)據(jù)進(jìn)行農(nóng)作物分類精度驗(yàn)證和研究方法分析。

1.2? ?數(shù)據(jù)預(yù)處理

網(wǎng)站下載MOD13Q1數(shù)據(jù)格式為HDF，HDF格式具有良好擴(kuò)充性和適應(yīng)其他數(shù)據(jù)格式的能力。本文利用ENVI插件MCTK（MODIS Conversion Toolkit）對(duì)MOD13Q1 HDF數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換、格式轉(zhuǎn)換、光譜和空間子集選擇，通過(guò)ENVI自帶工具進(jìn)行影像重采樣、影像拼接、波段重組和影像裁剪等處理。

2? ?研究方法

2.1? ?農(nóng)作物提取

玉米、大豆和水稻3種農(nóng)作物的NDVI值區(qū)別不是很大，但是與其他地物類別的NDVI時(shí)間序列特征有一定的差異，農(nóng)作物的NDVI值在100～150 d之間能夠達(dá)到較高值且峰值持續(xù)時(shí)間較短，因此，首先可采用非監(jiān)督分類方法進(jìn)行農(nóng)作物與非農(nóng)作物區(qū)分，通過(guò)掩膜方法去除非農(nóng)作物，再進(jìn)一步對(duì)農(nóng)作物進(jìn)行分類。

本研究利用ISODATA非監(jiān)督分類方法進(jìn)行2015年研究區(qū)農(nóng)作物提取。ISODATA以集群為理論基礎(chǔ)，無(wú)須提前知道類別特征，是根據(jù)樣本特征參數(shù)建立起的一種規(guī)則，又稱“迭代自組織數(shù)據(jù)分析技術(shù)”。

2.2? ?濾波法構(gòu)建農(nóng)作物物候特征曲線

不同農(nóng)作物不同生長(zhǎng)期長(zhǎng)度及在發(fā)育成熟階段展示出的特有生物物理特性，可反映在遙感監(jiān)測(cè)光譜信息中。本文根據(jù)農(nóng)作物不同的物候參數(shù)，利用NDVI時(shí)間序列所具有的季相節(jié)律特征，構(gòu)建農(nóng)作物NDVI特征曲線，通過(guò)特征曲線提取農(nóng)作物相應(yīng)關(guān)鍵時(shí)間節(jié)點(diǎn)的特征值，進(jìn)而用于大范圍農(nóng)作物的分類研究。

Savitsky-Golay濾波器，簡(jiǎn)稱為S-G，是一種加權(quán)求平均的滑動(dòng)擬合方法，廣泛應(yīng)用于數(shù)據(jù)流平滑降噪，是一種在時(shí)域內(nèi)基于局域多項(xiàng)式最小二乘法擬合的濾波方法。它以原始的時(shí)序數(shù)據(jù)某點(diǎn)為中心構(gòu)建窗口，窗口內(nèi)的數(shù)據(jù)按與中心點(diǎn)的距離進(jìn)行加權(quán)平均（權(quán)重的大小取決于窗口內(nèi)最小二乘多項(xiàng)式擬合的多項(xiàng)式次數(shù)），用得到的擬合值代替原始數(shù)據(jù)，最終通過(guò)滑動(dòng)窗口實(shí)現(xiàn)對(duì)整條曲線的擬合。本文利用S-G濾波法對(duì)時(shí)序NDVI進(jìn)行擬合重構(gòu)處理，得到反映3種農(nóng)作物發(fā)育成熟過(guò)程的特征曲線。

2.3? ?決策樹農(nóng)作物分類

研究區(qū)3種農(nóng)作物的生長(zhǎng)季主要是4—10月（第97～289天）;水稻與玉米、大豆最大的不同是注水期，通常4月初播種，大豆和玉米同為旱地作物，經(jīng)歷較為相似的生長(zhǎng)階段，均在5月中上旬播種，9月中下旬收獲，大豆與玉米、水稻最大的區(qū)別是播種出苗日期。農(nóng)作物的NDVI值在7—8月（第193～241天）達(dá)到最大值，最大值在0.8～0.9;在257 d時(shí)，玉米的NDVI值明顯大于另外兩種農(nóng)作物，可利用第257天的NDVI值設(shè)置閾值提取玉米;水稻在第177天的NDVI值大于第241天的NDVI值，而大豆的NDVI值反之，通過(guò)此特性能夠區(qū)分水稻和大豆。基于層次分析的思路，設(shè)置閾值構(gòu)建決策樹進(jìn)行農(nóng)作物分類。

2.4? ?支持向量機(jī)農(nóng)作物分類

支持向量機(jī)（Support Vector Machine，SVM）是一種實(shí)用且應(yīng)用廣泛的機(jī)器學(xué)習(xí)模型，在圖像識(shí)別領(lǐng)域得到很多學(xué)者青睞。支持向量機(jī)是指在特征空間上間隔最大的線性分類器，對(duì)于非線性分類器問(wèn)題，其核函數(shù)與懲罰變量技術(shù)也可達(dá)到識(shí)別目的。與一般分類方法相比較，支持向量機(jī)可以很好地避免“過(guò)學(xué)習(xí)”現(xiàn)象，有更好的泛化能力。

本研究通過(guò)對(duì)玉米、大豆和水稻實(shí)地考察各采集200個(gè)訓(xùn)練樣本，對(duì)遼寧省23個(gè)時(shí)間序列疊加數(shù)據(jù)進(jìn)行了監(jiān)督分類。

2.5? ?分類結(jié)果對(duì)比與分析

通過(guò)對(duì)3種農(nóng)作物進(jìn)行分類得到分類混淆矩陣表，可以得出支持向量機(jī)分類總體精度和單類別精度均好于決策樹分類方法。由于玉米的物候特征有別于水稻和大豆，兩種分類方法玉米均達(dá)到了較好的分類結(jié)果，但由于水稻和大豆的NDVI特征相似，且遼寧省區(qū)域跨度較大，范圍內(nèi)農(nóng)作物物候特征也有一定差異，因此用決策樹方法區(qū)分兩個(gè)類別有一定的困難。總的來(lái)說(shuō)，利用訓(xùn)練樣本進(jìn)行支持向量機(jī)監(jiān)督分類得到的結(jié)果更加穩(wěn)定，適合大范圍農(nóng)作物面積提取。遼寧省農(nóng)作物分布特點(diǎn)主要有兩點(diǎn)，分別是農(nóng)作物空間分布基本保持一致;農(nóng)作物種植結(jié)構(gòu)與比例變化明顯，但是在農(nóng)業(yè)生產(chǎn)中也出現(xiàn)了種植結(jié)構(gòu)失衡的狀況。

3? ?結(jié)論

遼寧省作為糧食主產(chǎn)地，快速、及時(shí)、準(zhǔn)確地獲取農(nóng)作物分布信息對(duì)農(nóng)作物的估產(chǎn)、農(nóng)業(yè)災(zāi)害預(yù)報(bào)、糧食安全及相應(yīng)的政策制定等都有重要作用。本文以遼寧省作為研究區(qū)域，以2015年MOD13Q1完整的23期NDVI數(shù)據(jù)作為數(shù)據(jù)源，通過(guò)構(gòu)建主要農(nóng)作物的時(shí)間序列特征曲線，分析其物候特征，并根據(jù)物候特征分別進(jìn)行決策樹和支持向量機(jī)分類，通過(guò)定性和定量對(duì)比分析分類結(jié)果，發(fā)現(xiàn)支持向量機(jī)方法提取效果較優(yōu)。將支持向量機(jī)分類方法推廣應(yīng)用于遼寧省2003年、2007年、2011年、2015年和2019年MOD13Q1數(shù)據(jù)，研究分析近17年來(lái)農(nóng)作物的時(shí)空分布現(xiàn)狀與變化。本研究的方法和結(jié)果可以進(jìn)一步推廣到更大尺度，并為東北地區(qū)的農(nóng)作物物候特征、農(nóng)作物分類及相關(guān)的研究提供理論支持。

參考文獻(xiàn)：

[ 1 ] 馮銳，張玉書，錢永蘭，等.基于多時(shí)相MODIS數(shù)據(jù)的東北地區(qū)一季稻面積提取[J].生態(tài)學(xué)雜志，2011，30（11）：2570-2576.

[ 2 ] 李鑫川，徐新剛，王紀(jì)華，等.基于時(shí)間序列環(huán)境衛(wèi)星影像的作物分類識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2013（2）：169-176.

[ 3 ] 郝衛(wèi)平，梅旭榮，蔡學(xué)良，等.基于多時(shí)相遙感影像的東北三省作物分布信息提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（1）：201-207.

[ 4 ] 平躍鵬.基于MODIS時(shí)間序列地表物候特征分析及農(nóng)作物分類[D].哈爾濱：哈爾濱師范大學(xué)，2016.

[ 5 ] 周思，何祺勝，劉寶柱，等.基于MODIS的黑龍江省農(nóng)作物種植結(jié)構(gòu)提取研究[J].地理空間信息，2018，16（1）：79-82，8-9.