基于时间序列MODIS—NDVI的冬小麦遥感识别

工作效率，减少了工作量，适用于大面积区域尺度的冬小麦监测。

关键词：多时相；NDVI；土地利用类型；冬小麦识别

中图分类号：TP79 文献标识码：A 文章编号：0439-8114（2017）08-1560-04

DOI：10.14088/j.cnki.issn0439-8114.2017.08.040

Winter Wheat Remote Sensing Identification Based on Time Series MOIDS-NDVI

LIU Jian-feng1， JIA Yu-qiu2， ZHANG Xi-wang2

（1.Yellow River Conservancy Technical Institute， Kaifeng 475004， Henan， China；2.Key Laboratory of Geospatial Technology for Middle and Lower Yellow River Regions， Ministry of Education， Kaifeng 475004， Henan， China）

Abstract： In this paper， TM image covering the study area is used to update land use data， from which we can identify where winter wheat may be planted. Then a mask is created， which can reduce interference of other vegetation. Based on the selected samples of winter wheat， NDVI time series of the pure winter wheat pixels are extracted from NDVI products. Then an winter wheat identification model is constructed according to the NDVI curve features. Within the limited range， winter wheat will be identified based on the recognition model， and then the two-scale data are processed in a comprehensive way. Statistical yearbook data and random sampling are used to analyze the accuracy. The results show that the winter wheat acreage is 268.65×103 hm2 in the study area， Acreage accuracy is 91.56% and location accuracy is 87.46%. Compared with field surveys and artificial interpretation， it greatly improves the work efficiency and reduces the workload. Due to the low spatial resolution of MODIS， this method is suitable for crop type identification at regional scale in a large area.

Key words： multi-temporal； NDVI； land use type； winter wheat identification

遙感技术在实现大面积作物长势监测、遥感估产、病虫害防治等农业生产过程中发挥了很大作用，是促进农业信息化发展的手段之一。利用遥感数据识别冬小麦是进行冬小麦长势监测和估产的前提[1]。冬小麦的遥感识别主要利用光谱信息，但单时相的遥感影像不能获取最大光谱差异，而利用多时相遥感影像，增加季相节律特征，可以较大地提高分类精度[2]。在遥感数据中，MODIS及其产品具有高时间分辨率、中等空间分辨率优势，已经广泛应用于地物类型的识别。目前，利用MODIS-NDVI结合其他数据源进行作物识别研究很多，如利用MODIS NDVI时序数据生成冬小麦识别掩膜应用于TM影像区分其他作物，再用最大似然法对TM影像进行监督分类，提取冬小麦面积[3]。采用多时相的TM/ETM和多时相的MODIS-NDVI数据相结合，通过基于生态分类法的监督分类和决策树分类相结合的方法识别作物类型[4]。也有学者结合非遥感数据进行作物类型识别，如考虑地形对农作物生长周期和遥感识别的影响，利用DEM数据对研究区进行分区，通过对MODIS-NDVI时间谱采用决策树分类提取研究区冬小麦面积[5]。而非遥感数据中土地利用是最基础的数据集，国内有诸多学者和单位定期基于遥感数据进行解译或更新。如果可以利用这些成果，则在很大程度上减轻作物类型遥感监测的工作量。

本研究以河南省开封地区为研究区域，利用多时相的MODIS-NDVI数据结合现有的土地利用数据集，针对冬小麦的时相变化特征构建识别模型，提取冬小麦种植面积，进一步验证识别精度。

1 研究区与数据

1.1 研究区概况

开封地处豫东平原，位于113°51′51″-115°15′42″E，34°11′43″-35°11′43″N，四季分明，光热丰富，土地较肥沃，水热同期，主要作物为小麦、玉米、棉花、花生等。冬小麦10月播种，次年3月进入返青期，生物量开始增加，5月达到峰值，6月初收割。开封地区农田地块大而完整，地势平坦，海拔69～78 m，无明显垂直分异，因此作物农事历差异受海拔影响可以忽略。

1.2 数据收集与预处理

MODIS（Moderate-resolution imaging spectroradiometer）是EOS（地球观测系统）中最具特色的传感器之一，搭载在Terra和Aqua卫星上。MODIS植被指数产品的设计增强了对植被信息的感应程度，同时减少大气、观测角等因素的影响，便于在全球范围进行监测。本研究采用MODIS-NDVI 16 d合成数据，空间分辨率250 m。利用2010～2011年TERRA MOD13Q1和ACQUA MYD13Q1交替组合产生8 d步长的时间序列数据。另外，获取2011年6月初的TM影像。非遥感数据有开封地区矢量边界图，河南省2008年土地利用类型图。非遥感数据均转换为栅格数据，所有数据均统一投影坐标系，覆盖整个研究区域。

2 研究方法

2.1 技术流程

受遗传和自然条件等的影响，不同作物具有自己独特的季相节律，在反映作物生长的时间序列变化信息上均有区别于其他植被的独特特征[6]。而NDVI是植被生長的指示剂之一，也是植被研究中最广泛被使用的植被指数[7]。MODIS-NDVI形成的时间序列可以很好地反映植被的生长状况，因此本研究采用MOD13Q1和MYD13Q1产品，组合形成2010～2011年冬小麦生长季的NDVI时间序列。

土地利用数据是很多学科研究的基础数据，如果充分利用现有的数据，则可以大大降低遥感解译的工作量。通过土地利用数据来限定冬小麦种植范围，可以排除其他植被信息的干扰，对冬小麦的识别具有很好的辅助作用。

本研究的总体思路是利用2011年的Landsat数据对现有的土地利用数据进行更新，用于限定冬小麦种植区；然后根据选取采样点提取纯冬小麦的NDVI时间序列曲线，根据曲线的特征构建识别模型；在限定的范围内利用识别模型对冬小麦进行识别。

2.2 土地利用更新与样点选择

选择2011年冬小麦生长季内的Landsat TM遥感影像，用于更新研究区的土地利用数据。基于调查数据以及专家经验，将2008年土地利用数据叠加在TM影像上，利用目视方法提取变化信息，并结合Google影像进行核对，确保土地利用数据的精度在96%以上。土地利用数据更新后，在整个研究区，集中连片，面积较大的地块上选取冬小麦样点68个，确保在样点位置可以有足够的面积形成MODIS纯像元。研究区土地利用数据及选择的冬小麦样点如图2所示。

2.3 冬小麦时相特征

基于时间序列MODIS-NDVI数据，提取样点对应像元的NDVI值，对所有样点的NDVI值求均值，从而形成生长季内纯冬小麦的NDVI时间序列曲线，如图3所示。由图3可以看出，冬小麦的NDVI曲线具有明显的两个峰值，是研究区其他植被所不具备的重要特征。10月下旬冬小麦播种，经过出苗、分蘖等快速生长，NDVI不断增加；到12月上旬达到第一个峰值，之后开始进入越冬期，NDVI逐渐减小；2月中旬进入返青期，经过起身、拨节，生物量迅速增大，NDVI值也随之上升；到5月初NDVI值达到最大，形成第二个峰值，之后叶子逐渐枯黄，NDVI迅速下降，至6月初开始收割，NDVI值降至最低。NDVI曲线是作物生长随时间波动起伏的最直观反映，因此NDVI的变化特征是识别冬小麦的重要依据。

4 结论

本研究采用MODIS-NDVI时间序列数据结合土地利用类型对开封地区冬小麦进行识别，直接排除了其他不种植冬小麦的土地利用类型异物同谱的干扰，效果显著，精确度达到91.56%。提取的冬小麦种植面积与统计面积相比偏低，经分析其误差来源于MODIS-NDVI的低分辨率以及该地区部分套种习惯。考虑到研究区地处平原、地势平坦、地块完整，使用分辨率较低的MODIS数据效果虽然显著，若该方法用于地形起伏、地块破碎、地类复杂的地区，严重的混合像元将降低该方法的识别效果。因此该方法适用于广阔平原地带，尤其是进行大区域尺度的遥感监测研究，必将大大提高工作效率，减轻工作量，为决策部门快速提供实时的农情信息。

参考文献：

[1] 彭光雄，宫阿都，崔伟宏，等.多时相影像的典型区农作物识别分类方法对比研究[J].地球信息科学学报，2009，11（2）：225-230.

[2] 马 丽，徐新刚，贾建华，等.利用多时相TM影像进行作物分类方法[J].农业工程学报，2008，24（增2）：191-195.

[3] 李 颖，陈秀万，段红伟，等.多源多时相遥感数据在冬小麦识别中的应用研究[J].地理与地理信息科学，2010，26（4）：47-49.

[4] 张健康，程彦培，张发旺，等.基于多时相遥感影像的作物种植信息提取[J].农业工程学报，2012，28（2）：134-141.

[5] 贾建华，刘良云，竞 霞，等.基于多时相MODIS监测冬小麦的种植面积[J].遥感信息（应用技术），2005（6）：49-51.

[6] 张喜旺，秦耀辰，秦 奋.综合季相节律和特征光谱的冬小麦种植面积遥感估算[J].农业工程学报，2013，29（8）：154-163.

[7] 杜子涛，占玉林，王长耀.基于NDVI序列影像的植被覆盖变化研究[J].遥感技术与应用，2008，23（1）：47-50.

[8] DOUGLAS K B，MARK A F. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics[J].Agricultural and Forest Meteorology，2013，173（2）：74-84.

[9] 张 群，胡春胜，陈素英.多时相遥感影像监测冬小麦种植面积的变化研究——以河北省三河市与大厂回族自治县为例[J].中国农业生态学报，2006，14（3）：180-183.

[10] 陈金华，刘惠敏，黄 勇，等.冬小麦生育期间MODIS多时相NDVI特征分析及其在地物识别上的应用[J].安徽农业科学，2010，38（7）：3641-3643，3667.

[11] 李存军，王纪华，刘良云，等.利用多时相Landsat近红外波段监测冬小麦和苜蓿种植面积[J].农业工程学报，2005，21（2）：96-101.

[12] 竞 霞，刘良云，张 超，等.利用多时相NDVI监测京郊冬小麦种植信息[J].遥感技术与应用，2005，20（2）：238-242.

[13] 马 丽，徐新刚，刘良云，等.基于多时相NDVI及特征波段的作物分类研究[J].遥感技术与应用，2008，23（5）：520-524.

推荐访问:冬小麦 遥感 序列 识别 时间