夏玉米最佳时序谱段组合识别模式研究

刘珺，田庆久

（1.太原理工大学矿业工程学院，太原030024；2.南京大学国际地球系统科学研究所，南京210000）

夏玉米最佳时序谱段组合识别模式研究

刘珺1，田庆久2

（1.太原理工大学矿业工程学院，太原030024；2.南京大学国际地球系统科学研究所，南京210000）

针对夏玉米难以精确识别和分类时数据冗余的问题，提出夏玉米最佳时序谱段组合识别模式。基于时间序列的MODIS EVI数据，利用马氏距离（Jeffries－Matusita Distance，J－M）和构造的加权平均分离距离（Weighted Average Separability，DWAS）得到夏玉米区别于其他作物的增强型植被指数（Enhanced Vegetation Index，EVI）时序图像，并将其进行组合，从而构建了识别夏玉米的最佳时序谱段组合；并利用其提取了2001年～2010年黄淮海地区的夏玉米。同时利用典型试验样区TM影像分类结果和野外实地采集样地对提取结果进行了验证：典型样区MODIS与TM分类误差最大为11.4%，空间匹配度达到91.29%，基于TM数据提取的典型样区夏玉米种植面积（STM）与基于MODIS数据得到的夏玉米种植面积（SM）的精度均大于70%；地面506个样地检验的混淆矩阵总体精度达到81%。

夏玉米；MODIS－EVI；时序谱段组合；黄淮海

1 引 言

大范围的农作物识别提取是进行土地利用时空动态变化监测的依据，也是农业研究的重点和难点。随着生产单位对精度的要求不断提高，传统的通过地面调查来获取作物种植信息的方式已不能满足社会发展的需求。遥感技术的应用而生解决了这一问题，并成为目前进行作物识别和快速提取种植信息的有效手段之一。

目前，应用遥感技术进行作物监测的研究已经很多。如Damien等［1］基于Landsat影像进行作物分类制图；曹卫彬等［2］基于TM和CBERS对新疆棉花种植区进行了划分；邓劲松等［3］基于SPOT－5卫星影像提取了浙江省桐乡市大麻镇的耕地信息。同时在大尺度土地覆被分类中，更多的研究［4－6］已经成功地证明了MODIS数据的有效性。

在众多遥感数据中，MODIS数据的多光谱（36波段）、高时间分辨率（1d～2d）和中高空间分辨率（250m～1000m）的特点，使得其能够建立反映植被生长信息的时间序列植被指数，从而进行植被时空变化监测。在针对MODIS数据构造的植被指数中，归一化植被指数（Normalized Difference Vegetation Index，NDVI）和增强型植被指数（Enhanced Vegetation Index，EVI）得到的应用较多。由于EVI除了具有NDVI能够反映植被特征的特点外，还克服了NDVI在高植被密度区易饱和、没有考虑冠层背景、对大气影响的纠正不彻底等缺点，已被证明在作物监测中具有更优的效果［7］，成为目前植被分类识别研究的常用指数［8］。

本研究根据作物生育期特征，以夏玉米为研究对象，基于长时间序列MODIS－EVI遥感数据，利用夏玉米的特征生育期，将EVI影像组成“时序谱段组合”图像。通过比较各组合间夏玉米及其同期作物的可分离性，探寻到识别夏玉米的最佳EVI谱段组合，构建了基于拔节期和抽雄期的夏玉米最佳时序谱段组合识别模型，并将其应用于近10年来黄淮海平原夏玉米的空间分布提取，且利用典型试验样区和实地采集的夏玉米样地信息对提取结果进行了验证和精度评价。研究的目的是为黄淮海区大范围作物制图提供一种新的方法。

2 方法和实验

黄淮海平原位于中国华北地区（31.5°N～41°N、113°E～120°E，图1），是我国重要的粮食主产区之一，区域面积约3.1×105km2。区域内粮食作物以小麦、玉米为主，还种植部分水稻，经济作物主要为棉花，种植结构以一年两熟的冬小麦－夏玉米为主。在我国六大玉米生产区中，黄淮海区是三大优势玉米种植区之一，也是全国最大的夏玉米集中产区［9］。

3 数据与方法

3.1 MODIS数据

考虑到作物监测对所用数据时间分辨率的要求，选用了8天合成的MODIS地表反射率产品数据（MOD09A1），并根据黄淮海区秋收作物的物候期，选用了儒略历日期从121～361的31期MODIS影像。对收集到的数据进行了图像拼接、投影转换、数据格式转化、研究区裁剪等预处理，并根据式（1）生成增强植被指数（EVI）数据集，最后将生成的各期EVI影像作为单个独立波段组成一幅具有31个“波段”的图像。

式（1）中，ρNIR、ρRed和ρBlue分别代表近红外波段、红光波段和蓝光波段的反射率；G为增益系数，取值2.5；C1和C2为大气修正参数，分别取值6.0和7.5；L为背景调节参数，取值为1。虽然MODIS的波段2（841nm～875nm）和波段5（1230nm～1250nm）都属于近红外波段，但是波段2处于大气窗口，因此公式中选择波段2用于计算。

3.2 野外数据采集

为满足模型构建和验证的需要，分别在江苏丰县、安徽利辛县和来安县、河南杞县、山东禹城、河北栾县和赵县以及天津宝坻等地区进行了野外调查。主要是采集了夏玉米、棉花、水稻、大豆等作物的地面样方，了解作物物候期和研究区种植结构，收集了作物种植面积等数据，以及测量并记录GPS定位点（图1）。为适应MODIS影像空间分辨率的要求，每个样方的面积均≥500m×500m。

图1 研究区行政区域及采样分布图

3.3 夏玉米遥感识别提取

3.3.1 夏玉米识别

黄淮海区主要的秋收作物为夏玉米、夏棉花、水稻，由于其生育期集中在5月到10月，他们的生长趋势有很大的相似性（图2），因此，需要将夏玉米与这些同期作物进行区分识别。

图2 夏玉米、夏棉花、水稻时序EVI特征图

首先，研究按照夏玉米生育期节点，将MODISEVI遥感影像分为121～169、169～225、225～273、273～305、305～361等5个时序组合。其中，121～169为冬小麦成熟到收获的季节，夏棉花在这个时间段内播种，即与冬小麦套种；169～225为夏玉米播种、出苗、拔节到抽雄，历经了夏玉米从播种到生长鼎盛的整个时期，这个时期内夏玉米完成了其生殖生长的过程，并在抽雄期时达到生殖生长的顶峰；225～273内夏玉米经历了抽雄、吐丝、灌浆、成熟等生长过程，273～305是夏玉米收获，冬小麦播种时期；305～361为一年两熟后期作物冬小麦生长，并达到越冬前植被指数峰值时期。

第二，在判断两种类别的可分离性方面，众多的研究已经证明了马氏距离（Jeffries－Matusita Distance，J－M）［10－11］的优势。它是两个类对间统计可分性的一种度量，用来表征两个类别的密度函数之间的平均差异［12］。其计算公式如式（2）［13］所示。但为了实现夏玉米的精确识别，不仅需要将夏玉米、棉花、水稻等作物进行两两区分，还需要判断这3种作物的总体可分性，以减小分类误差。为此，研究构造了加权平均分离距离（Weighted Average Separability distance，Dwas）来解决这一问题。加权平均分离距离Dwas克服了传统的平均J－M距离受样本数量、样本分布和影像空间分辨率影响的弊端。它以测量每个类对间的J－M距离为基础，其定义如式（3）所示。为了检验Dwas的可靠性，研究还通过计算J－M距离来进行比较。

式中，Ui和Uj是类i和类j的均值向量，和为类i和类j的协方差矩阵。

式中，m表示类别数，JMij为类别i和j的J－M距离。

根据式（2）和式（3）计算的夏玉米与同期作物（夏棉花、水稻）之间的两两可分性和总体可分性结果如表1和表2所示。

表1 夏玉米、夏棉花、水稻不同时相组合J－M距离

表2 不同时相组合的加权平均距离

结合表1和表2，可以看出：①夏玉米和夏棉花在169～225时间段内容易被区分，夏玉米和水稻、夏棉花和水稻在225～273时间段内容易被区分；②三者的总体可分离性在225～273时段内最强。

综合考虑J－M距离和Dwas的计算结果，研究选用了包含169～225和225～273这两个时段的15景8天合成的影像用来进行分类。将分类影像从31个“波段”降低到了15个“波段”，这样不仅有效地降低了数据维数，而且减小了分类误差。

3.3.2 夏玉米提取

首先，通过分析样本EVI值在时序影像谱段内的信息（图2），发现在Julian Day为241和249时，水稻的EVI值明显高于夏玉米和夏棉花，因此，通过制定规则EVI 241或EVI 249＞0.61，将水稻提取出来；其次，①先根据地面样本，利用最大似然法将夏玉米和夏棉花进行初步分类，并将各期分类影像进行叠加；②由于夏玉米拔节、抽雄和成熟时间均晚于夏棉花，且其整个生育期的EVI值均小于夏棉花，因此，利用第一步结果对夏玉米抽雄期影像进行掩膜，并制定规则：EVI 225或EVI 231＞0.65，利用决策树算法实现夏棉花和夏玉米的分类提取，得到研究区夏玉米的空间分布。

4 结果与分析

4.1 2001年～2010年黄淮海平原夏玉米提取结果

根据以上分析，基于169～225和225～273两个时序谱段组合影像，得到研究区2001年～2010年夏玉米分布结果（图3）。

从提取结果可以看出，夏玉米在研究区北部和中部大面积种植，而在南部为零碎地块小面积种植，总体分布呈现北多南少的现象；从2001年到2010年的十年间，研究区夏玉米种植总体呈现连年增加态势，其中河南、安徽等省增加显著，而北京、天津、山东、江苏等地区增加幅度则不明显。

图3 2001年～2010年黄淮海区夏玉米空间分布

4.2 模型验证与精度评价

4.2.1 基于典型样区的验证

为了检验提取结果的准确性，同时验证夏玉米识别模型的可靠性。利用典型试验区提取结果，从空间分布和种植面积两方面进行验证。考虑到研究区覆盖范围广，南北差异较大的因素，按照均匀分布原则，在研究区选取了6个典型试验区（图1）。基于合适时相的TM数据，得到2009年典型样区中等空间分辨率图像夏玉米分布结果，并将其与基于MOIDS数据的对应提取结果进行空间位置匹配对比（图4）。具体过程为：通过叠加运算，得到二者的公共部分，以公共部分占MODIS提取结果的比例来定量分析利用MODIS数据提取的夏玉米的相对精度，以评价它们在空间分布上的一致性。

图4 基于MOIDS与TM试验区夏玉米提取结果空间分布比较（左：MODIS－derived；右：TM－derived）

结果表明：①二者在6个典型样区提取结果的相对误差分别为宝坻8.5%，栾城、赵县4.2%，怀远11.4%，杞县9.6%，禹城5.2%，嘉祥6.3%；②公共部分像元占TM和MODIS数据提取结果的比例分别为宝坻78.88%和58.36%，栾城、赵县77.59%和55.39%，怀远82.79%和74.84%，杞县61.48%和91.29%，禹城82.99%和72.54%，嘉祥77.16%和69.45%。比较结果表明，利用构建的提取模型基于MODIS数据得到的夏玉米空间分布结果与基于TM数据的提取结果在空间分布上具有显著的一致性。

另一方面，研究利用种植面积对提取结果进行了验证。将基于MODIS数据得到的夏玉米种植面积SM和基于TM数据提取的典型样区夏玉米的种植面积STM以及农业统计面积SS进行了对比。结果表明，SM与STM和SS的相对精度均大于70%（表3）。

4.2.2 基于野外样方的验证

经过野外考察，黄淮海平原中、北部有大面积成片夏玉米种植，且耕地较规整，南部虽种植有夏玉米，但地块较破碎，种植面积也比较小。为全面验证提取模型的有效性，本文利用通过野外采集的506个夏玉米样地（中、北部393个，南部113个）的GPS定位信息作为提取精度检验的参照来验证夏玉米时序谱段组合识别模型。采用混淆矩阵进行精度评价，结果显示，提取精度达到了81%，由此可见，利用时序谱段组合识别模型来提取夏玉米的有效性和可靠性。其中，由于研究区南部夏玉米非成片种植，地块较小，且该地区种植结构复杂，因此提取精度较中、北部低。

表3 2009年黄淮海区夏玉米提取面积精度评价

5 结束语

根据以上基于MODIS－EVI数据开展的夏玉米最佳时序谱段组合识别模式研究，可以得到以下结论：

①拔节期和抽雄期是识别夏天米的最佳时期，也是构建夏天玉米识别模型的最佳季相。

②利用构建的夏玉米识别模型并结合实地采集的数据信息，有效地提取了黄淮海区夏玉米的空间分布，并对识别模型及提取精度进行了验证评价，证明了夏玉米“最佳时序谱段组合”识别模型的有效性和可靠性。

③构建的夏玉米时序谱段组合识别模型不仅提高了分类识别精度，而且有效地降低了参与运算的数据维数。

④对于研究区南部地块较破碎的夏玉米，由于受到MODIS数据空间分辨率的影响，造成很多像元都是混合植被的综合反映，不能够精确反映夏玉米的EVI特征，使得最佳时序谱段组合的识别提取方法无法发挥其优势，还需引入其他元素来提高提取精度。

⑤夏玉米最佳时序谱段组合识别模型具有一定的普适性，但受到样本数量和研究区种植环境的影响，因此，在将其外推应用于其他地区时需依据该地区的植被生长特征制定相应的判定规则。

［1］ DAMIEN A，MILTON J，MARGARETH S P M，et al.Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso，Brazil［J］.International Journal of Remote Sensing，2011，32（22）：7847－7871.

［2］ 曹卫彬，刘姣娣，马蓉.新疆棉花遥感监测识别区域的划分［J］.农业工程学报，2008，24（4）：172－176.

［3］ 邓劲松，王珂，沈掌泉，等.基于特征波段的SPOT－5卫星影像耕地信息自动提取的方法研究［J］.农业工程学报，2004，20（6）：145－148.

［4］ OZDOGAN M.The spatial distribution of crop types from MODIS data：Temporal unmixing using independent component analysis［J］.Remote Sensing of Environment.2010，114（6）：1190－1204.

［5］ CHEN C F，SON N T，CHANG L Y，et al.Classification of rice cropping systems by empirical mode decomposition and linear mixture model for time－series MODIS 250mNDVI data in the Mekong Delta，Vietnam［J］.International Journal of Remote Sensing.2011，32（18）：5115－5134.

［6］ WARDLOW B D，EGBERT S L.Large－area crop mapping using time－series MODIS 250mNDVI data：An assessment for the US central great plains［J］.Remote Sensing of Environment，2008，（112）：1096－1116.

［7］ WARDLOW B D，EGBERT S L，KASTENS J H.Analysis of time－series MODIS 250mvegetation index data for crop classification in the US central great plains［J］.Remote Sensing of Environment，2007，108（3）：290－310.

［8］ XAVIER A C，RUDORFF B F T，SHIMABUKURO Y E，et al.Multitemporal analysis of MODIS data to classify sugarcane crop［J］.International Journal of Remote Sensing，2006，27（4）：755－768.

［9］ 吴景锋.我国玉米生产现状与科技对策［J］.作物杂志，1996，（5）：26－29.

［10］ SCHMIDT K S，SKIDMORE A K.Spectral discrimination of vegetation types in a coastal wetland［J］.Remote Sensing of Environment，2003，85（1）：92－108.

［11］ THOMAS V，PAUL T，DENNIS J，et al.Image classification of a northern peatland complex using spectral and plant community data［J］.Remote Sensing of Environment，2003，84（1）：83－99.

［12］ 赵英时.遥感应用分析原理与方法［M］.北京：科学出版社，2003：230－231.

［13］ KAVZOGLU T，MATHER P M.The use of feature selection techniques in the context of artificial neural networks［C］.Proceedings of the 26th Annual Conference of Exhibiton of the Remote Sensing Society（CD－ROM）.Leicester，UK，Sepetember，2000：1－7.

Identification Model of Optium Time－series Spectral Group of Summer Maize Based on MODIS－EVI Data

LIU Jun1，TIAN Qing－jiu2
（1.College of Mining Technology，Taiyuan University of Technology，Taiyuan030009；2.International Institute for Earth System Science，Nanjing University，Nanjing210023）

The optium model of time－series spectral group was put forward to solve accurate identification and classification for summer maize.The MODIS EVI data were picked up from time－series MODIS EVI images using J－M distance and weighted average separability distance（DWAS）structured.On the basis of images separated，the model of identification for summer maize was constructed.Then summer maize in Huang－Huai－Hai from 2001to 2010were classified based on the classifying model.And the results were verified by that of TM in test regions and samples collected from fields.The maximal error of spatial distribution in test regions between MODIS and TM is 11.4%，the total consistency is 91.29%，the accuracy of area between SMand STMwere higher than 70%，the overall accuracy of confusion matrix between ground samples and results derived MODIS is 81%.

summer maize；MODIS－EVI；time－series spectral group；Huang－Huai－Hai

10.3969／j.issn.1000－3177.2015.02.019

TP79

A

1000－3177（2015）138－0105－06

2014－04－14

2014－07－15

国家重点基础研究发展计划（2010CB951503）；国家科技重大专项（30－Y20A01－9003－12／13）。

刘珺（1981～），女，博士，硕士生导师，现从事多光谱遥感的理论和应用研究。

E－mail：8886355＠163.com

田庆久（1964～），男，教授，博士生导师，主要从事高光谱遥感研究。

E－mail：tianqj＠nju.edu.cn