基于时间序列NDVI的河套平原农田分类方法

苏腾飞

摘 要：河套平原是中国北方重要的农业基地，利用遥感影像开展河套灌区监测具有重要意义。该文利用时间序列NDVI，分析了不同作物在生长周期上的差异对其NDVI的影响。将多尺度分割和FCM分类算法相结合，发展了一种基于区域的农田遥感影像分类算法。利用本文的方法对五原县农田区域的时间序列NDVI进行分类实验。结果表明，该文的方法可以有效区分非农田、葵花和小麦。基于区域的遥感图像分类算法中，尺度参数的选取是非常重要的。

关键词：NDVI 图像分割 FCM 农田分类

中图分类号：F326.2 文献标识码：A 文章编号：1674-098X（2014）09（a）-0202-02

河套平原地势平坦，土质肥沃，虽然年降雨量较低，但凭借黄河灌溉的优势，自古以来就是中国北方重要的农业基地。该地区面积广阔，约为25000 km2，可种植小麦、玉米、葵花、蜜瓜等多种经济作物。农作物长势和种类分布信息对于指导农业生产有着非常重要的作用。然而，利用传统观测手段来监测大范围的河套灌区是非常费时费力的。遥感技术的兴起，为大面积的农业区域监测提供了有力的手段[1]。因此，利用遥感影像进行河套灌区监测具有非常重要的意义。

归一化差分植被指数（Normalized Difference Vegetation Index，NDVI）是农业遥感中重要的观测量，利用NDVI可以有效区分农田植被与非植被区域。然而，NDVI仅能反应植被的覆盖率，不能区分植被覆盖的种类。为了解决该问题，国内外很多学者利用多时相的遥感影像提取NDVI，根据不同农作物在生长周期上植被覆盖率的差异，来精确区分农作物的类别。Badhwar等人早在1982年就建立了一个时间序列剖面模型，用以从Landsat NDVI数据中区分作物类型[1]。苗翠翠等利用多时相MODIS提取的NDVI进行了江苏省水稻面积估计[2]。马丽等利用3景不同时间的Landsat影像开展了农作物分类研究，试图区分黑龙江军川农场的大豆、玉米和水稻。Edlinger等利用Landsat数据对乌兹别克斯坦的棉花作物灌溉区域进行了提取研究。Liu等人综合利用了不同空间分辨率的时间序列NDVI进行作物分类研究。以上研究的一个共同点是，都根据各自研究区域的特点来调整作物分類方法的参数，以达到最佳分类精度。因此，要利用时间序列的NDVI数据开展河套灌区的作物分类研究，有必要根据该区域的特点进行作物分类方法的优化，以获得较高的作物识别精度。

该文利用地球观测一号卫星（Earth Observation-1，EO-1）改进型陆地成像仪（Advanced Land Imager，ALI）影像提取河套灌区的时间序列NDVI，以开展河套灌区作物分类研究。作物分类在本质上可以归为遥感影像分类问题，而近年来的相关研究表明，基于区域的分类方法在精度上要明显优于基于像素的分类方法。因此，本文发展了一种基于区域的作物分类方法，该方法结合了多尺度图像分割和模糊C均值聚类（Fuzzy C-Means，FCM），以准确获取河套灌区农作物的种类分布信息。本文篇章结构如下。第二节介绍了数据和研究区域；第三节详细阐明了该文提出的作物分类方法；第四节展示了河套灌区作物分类实验的结果；第五节总结全文。

1 数据域研究区域

1.1 数据源和预处理

EO-1卫星是NASA于2000年发射的一颗对地观测卫星，其上主要搭载三个遥感器：高光谱成像仪、大气校正仪和ALI。ALI与Landsat7具有相似的波段设置，包括9个多光谱波段和1个全色波段。ALI全色波段的空间分辨率为10 m，高于Landsat7 ETM+（15 m），这使得ALI具有更为优越的对地观测能力。

该文选用了2013年的3景ALI影像，影像获取时间见表1。影像的预处理包括辐射标定和全色锐化。辐射标定是通过ENVI遥感影像处理软件实现的，其目的是获取反射率，用以计算NDVI。ALI多光谱波段的空间分辨率为30 m，为了获取更为精细的多光谱分辨率影像，采用了ENVI软件中Gram-Schmidt全色锐化方法，将全色波段和多光谱波段进行融合。

1.2 研究区域

五原县地处黄河最北端，约占河套灌区总面积的1/4。该地日照充足，温差较大，虽然年降雨量较低，但黄河灌溉弥补了水资源的不足，因此五原已成为中国北方重要的商品粮基地之一。

（图1）显示了五原县东南的农田区域。蓝色方框部分是该文的研究区域。其中西南方较粗的河道为总干渠，由它引出了两条五原县的重要灌渠：义和渠和通济渠。两条渠道均由南向北流经五原，前者贯穿研究区域的中间部分，后者则在前者的东部向北流入五原。

当地的主要作物包括小麦和葵花，其收获时间分别为每年的7月下旬和9月中下旬。该文利用7、8、9三个月的NDVI数据，结合两种作物在收获时间上的不同，可在遥感影像中得到两种作物的分布信息。

2 时间序列农田影像分类方法

该文采用了基于区域的遥感影像分类方法，利用时间序列NDVI影像，获取五原县不同种类作物的分布信息。

2.1 时间序列NDVI提取与分析

该文利用EO-1 ALI影像中的近红外波段（790.0092nm）和红色波段（660.0438nm）计算NDVI，其公式为：NDVI=（ρNIR-ρR）/（ρNIR+ρR），其中ρNIR和ρR分别表示近红外和红色波段的反射率。NDVI的数值范围是-1～1。一般而言，植被的NDVI大于0.3，而土壤则在0.1～0.2之间，水体的小于0。

2.2 多尺度图像分割算法

该文采用为分形网演化算法（Fractal Net Evolution Algorithm，FNEA）对遥感影像进行多尺度分割，该算法集成在专业遥感影像处理软件eCognition中。FNEA在遥感影像分类中具有广泛的应用，其基本思想是：初始阶段，将每一个像素看做独立的区域；通过合并相似的区域，将遥感图像中的地物分割出来。

为了衡量两个相邻的区域是否适合合并，FNEA定义了光谱异质性和形状异质性，两者的加和即为两个区域适合合并的程度。该算法共包含三个参数：形状参数、紧凑性参数和尺度参数。其中，前两个参数调节形状异质性对总异质性的贡献。尺度参数控制的是分割结果中区域的平均大小；其值越大，则合并次数越多，分割结果中区域的平均尺度越大。

2.3 FCM农田分类方法

FCM是一种非监督分类方法，目前已广泛应用于遥感影像解译。它是在模糊理论上发展的一种聚类算法，其实现过程中的目的是最小化下面的目标函数。

（1）

其中，N是图像中像素的个数，C是类别数，xj表示第j个像素值组成的向量，vc是第c个类别的中心的向量，μcj表示第j个像素属于第c类的程度，m参数控制聚类过程的模糊度。

FCM的步骤是：（1）输入参数：待分类的图像I={x1，x2，......，xN}，类别数目C，模糊参数m，停止条件ξ。

（2）初始化隶属度矩阵u，其维度是C×N，其元素μcj的取值范围是0～1。

（3）设置循环计数变量L=0。

（4）计算每一类的聚类中心vc：

（2）

（5）根据新计算的聚类中心，重新计算u：

（3）

其中dcj表示像素xj和聚类中心vc的距离，dcj=xj·vc。

（6）若max（u（L）-u（L+1））<ξ，则停止计算，进行去模糊化；否則，L=L+1，并返回（4）。

去模糊化是根据隶属度矩阵u对像素进行分类的过程，其方法是：每个像素隶属度最大所对应的类别，即为该像素的类别。

以上FCM得到的是基于像素的分类结果。要得到基于区域的分类结果，可以结合分割结果，采用大多数投票法。分割结果中，每个区域的大多数像素所对应的种类，即为该区域的类别。该方法可以有效减少基于像素分类结果产生的椒盐噪声效应。

3 实验结果与分析

该文利用2013年7、8、9三个月的五原县EO-1 ALI数据，开展了农田分类实验。按照图2的流程，首先对ALI影像进行预处理，并提取时间序列NDVI，之后对提取的NDVI进行图像分割和FCM分类，最后得到基于区域的分类结果。

根据时间序列NDVI的分析，并经过反复试验，得到该区域的最佳FCM参数设置为：C=3，即非农田、葵花、小麦；模糊参数m=2；停止条件ξ=0.001。利用FNEA对时间序列NDVI进行图像分割，需要选取合适的尺度参数来得到最佳的分割结果，以提高作物分类精度。图3a和b中显示了小尺度和大尺度参数的分割结果，前者的尺度参数为1.0，后者为4.0。显然，随着尺度参数的增大，分割结果中区域的尺度越大。

图3c和d是不同尺度的基于区域的分类结果。由于缺乏现场数据，本文定性的评价了尺度参数对分类精度的影响。首先，非农田区域被准确的区分出来；在小尺度分类结果中，存在很多细碎的区域，一些尺度较小的道路、渠道等区域，被错误的分为葵花；在大尺度的分类结果中，葵花种植区域的分布更完整。显然，选用尺度参数为4.0的分类结果更为准确。

4 结语

该文利用EO-1 ALI提取的时间序列NDVI，对内蒙古五原县的黄河灌区进行了农田分类研究。利用基于区域的FCM分类算法将葵花、小麦和非农田区域进行了区分，得到了不同作物的分布信息。

该文主要结论如下：（1）利用时间序列NDVI可以有效区分不同种类的作物；（2）利用基于区域的分类方法时，需要选用合适的尺度参数，以得到最优化的分类结果。

参考文献

[1] 苗翠翠，江南，彭世揆，等.基于NDVI时序数据的水稻种植面积遥感监测分析—— 以江苏省为例[J].地球信息科学学报，2011，13（2）：273-280.

[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（2）：191-195.