基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取

徐 磊 巫兆聪 罗 飞 杨 帆 项 伟 高 飞

(1．武汉大学遥感信息工程学院，武汉430079;2．伦敦玛丽女王大学电子工程与计算机科学学院，伦敦E1 4NS; 3．国家海洋局南海规划与环境研究院，广州510310)

基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取

徐 磊1巫兆聪1罗 飞2杨 帆3项 伟1高 飞1

(1．武汉大学遥感信息工程学院，武汉430079;2．伦敦玛丽女王大学电子工程与计算机科学学院，伦敦E1 4NS; 3．国家海洋局南海规划与环境研究院，广州510310)

森林作为陆地生态系统的重要组成部分，因其巨大的碳储量和固碳能力而备受关注，利用高分1号卫星的NDVI数据(GF-1 NDVI)可实现森林覆盖的定量提取。然而，由于受阴雨天气、运行成本等因素的影响，难以形成GF-1 NDVI时间序列数据，无法满足森林覆盖高精度提取的需求，为此，以河南省嵩山部分地区为实验区，应用STAVFM算法融合GF-1/WFV NDVI与MODISNDVI，生成8 d步长的GF-1/WFV NDVI时间序列数据，在此基础上，提取NDVI特征并与GF-1/WFV的光谱特征进行组合，最后，采用SVM分类方法实现研究区森林覆盖的定量提取。研究结果表明，利用STAVFM算法生成的GF-1/WFV NDVI时序数据效果理想，很好地解决了GF-1 NDVI时序数据的缺失问题，由其NDVI特征与GF-1/WFV光谱特征构成的组合能够实现森林覆盖的有效提取，基于SVM分类后的总体分类精度为94.72%，与未融入NDVI特征的GF-1/WFV原始影像的分类结果相比，提高了4.90个百分点。

森林覆盖;遥感;定量提取;时空融合;GF-1/WFV;MODISNDVI

引言

森林生态系统是陆地生态系统中生产力最高的系统，集中了约85%的陆地生物量。同时，作为一个巨大的碳库，森林生态系统的碳循环与碳蓄积已成为全球陆地碳循环与全球气候变化的重要研究内容［1－2］，定量获取森林覆盖面积及其分布信息是进行上述研究的关键。随着我国高分1号(GF-1)卫星的成功发射，利用GF-1 NDVI实现森林覆盖的定量提取成为可能［3］。然而，高时间序列NDVI的获取要求卫星能够实现高频度的重点观测，这势必大大增加GF-1卫星的运行成本，此外，在我国尤其是长江以南地区，由于阴雨天气的影响，GF-1影像数据易受到云污染，从而出现不同程度的缺失，很难形成GF-1 NDVI时间序列数据，基于GF-1 NDVI时间序列数据的森林覆盖提取受到了限制。多源遥感数据时空融合方法的提出，为上述问题的解决提供了新的途径。现有研究已表明［4－5］，MODIS影像数据虽在反映空间尺度较小与空间异质区域的植被覆盖方面能力有限(空间分辨率最高为250 m)，但其高时间分辨率(1 d)的特征使得该数据能够实现对植被覆盖的大范围、持续观测。因此，采用遥感数据时空融合技术将GF-1数据与MODIS数据进行融合，生成高时相、高空间分辨率的时间序列数据，最终用于森林覆盖的定量提取，成为一种可能。

目前，国内外学者针对遥感数据时空融合方法已展开了相应的研究，并取得了一些成果［6－8］。这些时空数据融合方法虽未将数据限定为Landsat与MODIS，但所涉参数考虑的均是国外卫星数据的特点，很少用于国产卫星数据的融合。MENG等［9］在STARFM算法基础上，提出了时空自适应植被指数融合模型(Spatial and temporal adaptive vegetation index fusion model，STAVFM)，并将融合生成的高时空分辨率NDVI成功地应用于农作物生物量的估算。该时空融合算法不仅可以直接实现植被指数的融合，而且能够用于国产卫星数据的定量分析。本文以河南省嵩山部分地区为实验区，应用STAVFM算法融合GF-1/WFV NDVI与MODISNDVI，生成时间步长为8 d的GF-1/WFV NDVI时间序列数据，在此基础上，提取NDVI特征并同GF-1/WFV的光谱特征进行组合，最后，采用支持向量机 (Support vectormachine，SVM)分类方法实现研究区森林覆盖的定量提取。

1 研究区及数据

1.1 研究区概况

研究区位于河南省登封市西北部，为嵩山地区一部分，位于34°23'～34°38'N、112°49'～113°10'E，对应影像大小为3 265像元×3 632像元，跨登封、新密、巩义及偃师4市(图1)。本区属北温带大陆性季风气候，四季分明，平均日照时数2275 h，无霜期213 d，年平均气温14.3℃，年均降水量640.9 mm，全区相对湿度60%。区内地形以山地、丘陵和平原为主，其中，山地平均海拔高度700～1 200m，丘陵平均海拔高度350～500m。土壤类型以褐土为主，植被覆盖属暖温带落叶阔叶林。本区农业资源丰富，农作物主要有小麦、玉米、豆类等，经济作物主要为烟叶。

图1 研究区位置示意图Fig．1 Location of study area

1.2 数据及处理

1.2.1 GF-1/WFV影像数据

本文使用GF-1/WFV影像数据两景，均由高分1号多光谱宽幅相机拍摄获取，轨道号为 4/98 (Path/Row)、3/98(Path/Row)，成像日期分别为2014年8月15日、2014年10月24日。星下点空间分辨率为16m，含4个光谱段，光谱范围为0.45～0.89μm，数据含云量小于1%，其中实验区的含云量为0，可视性良好。影像的预处理主要包括辐射定标、大气校正及几何精校正3部分。首先，在ENVI 5.2平台下运用FLAASH模块对上述两景GF-1/WFV影像进行辐射定标及大气校正，然后以1∶5 000的DEM采用二次多项式法对图像进行几何精校正，坐标系统为WGS_1984_UTM_Zone_49N，保证精度范围控制在1个像元以内。之后，通过掩模裁剪得到实验区的影像数据。最后，计算上述结果的NDVI，并将NDVI的取值范围设置为0～10 000，NDVI的计算公式为［10］

式中 ρNIR——近红外波段反射率

ρR——红外波段反射率

1.2.2 时间序列MODIS数据

本文使用的MODIS数据为MOD09Q1反射率产品，该产品从 NASA 网站(http:∥ladsweb．nascom．nasa．gov/data/search．html)获取，共46期，对应时间范围为2014年1月1日—2014年12月19日，轨道号为h27v05，空间分辨率为250 m，含2个波段且8 d最大值合成。首先，利用MRT(MODIS Reprojection Tool)将MOD09Q1数据的坐标系转换为WGS_1984并进行几何配准，精度优于1个像元，之后将其空间分辨率从250m重采样到16m，最后，裁剪得到实验区的时序 MODIS数据并生成其NDVI，取值范围同样设置为0～10 000。

此外，为了确定研究区林地及非林地的分布情况，参照GB/T 21010—2007《土地利用现状分类》，本文于2014年5月对研究区进行了实地调查，完成区内典型土地利用/覆盖类型(包括耕地、林地、园地、草地、水域及其它土地)的采样，样本均匀分布，其中位置信息的记录借助手持GPS完成，精度控制在1m以内。

2 研究方法

在对GF-1/WFV与MODIS数据进行时空融合的基础上，实现森林覆盖的定量提取。首先，在完成上述数据预处理(包括辐射定标、大气校正及几何精校正等)的基础上，运用STAVFM算法融合生成8 d的时序GF-1/WFV NDVI，并对其进行平滑、重构，在此基础上，提取NDVI特征并同GF-1/WFV影像的光谱特征进行组合，最后，采用支持向量机分类方法对实验区的森林覆盖进行分类，定量提取森林覆盖并评价其结果(图2)。

图2 研究技术路线图Fig．2 Route chart of research technology

2.1 GF-1/WFV NDVI与时序MODIS NDVI的时空融合

GF-1/WFV NDVI与时序MODIS NDVI的时空融合采用了时空自适应植被指数融合模型(STAVFM)算法，该算法为MENG等对时空适应性反射率融合模型(STARFM)改进后提出的一种尺度转换方法［11］，其基于T0时刻的MODISNDVI及某一高空间分辨率NDVI数据，通过计算两类数据间的空间分布差异，结合Tp时刻的MODIS NDVI数据，预测生成Tp时刻的高空间分辨率NDVI数据，预测过程中使用滑动窗口法消除低分辨率NDVI影像数据像元边界的影响，计算公式为［12］

式中 L(xω/2，yω/2，Tp)——预测后Tp时刻某一高空间分辨率NDVI像元值

ω——移动窗口的大小

(xω/2，yω/2)——窗口的中间像元

M(xi，yj，Tp)——窗口位置(xi，yj)处Tp时刻的MODISNDVI像元值

M(xi，yj，T0)——T0时刻 MODIS数据的NDVI像元值

L(xi，yj，T0)——T0时刻某一高空间分辨率数据的NDVI像元值

Wijk——窗口内各像元预测中心像元权重

权重Wijk决定了移动窗口内各像元对预测值贡献的大小，其计算公式为

式中，Cijk由窗口中心预测像元及窗口中其它像元的光谱距离、时间距离、空间距离3项计算确定。

本文以上述获取的2014年8月15日GF-1/ WFV NDVI为T0时刻的GF-1/WFV NDVI数据，同时以2014年8月14日的MODIS NDVI为T0时刻的MODISNDVI数据，结合处理后的8 d间隔时序MODISNDVI数据，采用STAVFM算法进行融合及预测，最后，生成空间分辨率为16m、时间间隔为8 d的时序GF-1/WFV NDVI，用于下一步的分析。

2.2 时序GF-1/WFV NDVI的重构

融合生成的8 d时序GF-1/WFV NDVI数据虽已经过大气校正等处理，但其本身仍存有由云污染和大气变化等引起的低值突变噪声［13－17］。针对此情况，本文采用时间序列谐波分析法(Harmonic analysis of time series，HANTS)对上述时序 GF-1/ WFV NDVI数据进行滤波、重构。时间序列谐波分析法(HANTS)由JAKUBAUSKAS等［18］提出，为一种新的物候分析方法，即将时间序列数据按傅立叶级数展开为不同阶频率谐波叠加的形式。该方法将植被物候特征信息集中在低阶谐波，云覆盖、大气环境变化和双向反射特性等噪声信息则被分配到高阶谐波，将高阶谐波剔除后，选择若干能够反映地表植被动态的低阶谐波进行叠加拟合，最终实现原始时间序列数据的高质量重构，特征值包括谐波余项、谐波幅值、谐波相位等［19］，基本原理如下［20］:

f(t)是周期为N的离散时间序列信号，表达式为

式中 A0——谐波余项 k——谐波阶数

Ak、ωk、φk——第k阶谐波的幅值、频率和相位

ak、bk——第k阶谐波的傅里叶系数

本文在分析实验区植被覆盖的物候特征及时序GF-1/WFV NDVI数据特点的基础上，采用由荷兰Geospatial Data Service Centre(GDSC)提供的HANTS软件，对融合生成的8 d时序GF-1/WFV NDVI数据进行平滑。

2.3 GF-1/WFV数据特征提取与组合

生成的时序GF-1/WFV NDVI数据包含46个NDVI特征，为了减小数据计算量，提高运算效率，达到有效综合多时相NDVI信息的目的［21－22］，本文从中提取 4个时间特征，即 NDVI的年最大值(NDVIMAX)、年 最 小 值 (NDVIMIN)、年 均 值(NDVIMEAN)及年标准差(NDVISTD)。在此基础上，将提取的4个时间特征同原GF-1/WFV影像的4个光谱段(波段1、2、3和4)进行组合，生成的影像数据既包含GF-1/WFV影像的光谱特征，又包含高空间分辨率时序GF-1/WFV NDVI的时间特征(表1)。该数据最终用于实验区森林覆盖的提取研究。

表1 实验数据特征组合Tab．1 Feature combination of experiment data

在使用特征组合后的GF-1/WFV影像进行森林覆盖提取前，需要定量分析不同地表覆盖类型之间的可分性。常用的地物类型可分性判别模型有欧氏距离模型、巴氏距离模型及J-M(Jeffries-Matusita)距离模型等，其中，J-M距离模型具有明显优势［23］，其基于某一特征计算不同地物类别样本间的距离，计算公式为［24］

式中 B——某一特征维上的巴氏距离

在样本满足正态分布的前提下，两类样本的巴氏距离计算公式为

式中 e1、e2——某类特征的均值

本文借助野外地面调查及Google Earth平台，在ENVI 5.2下生成训练样本并计算各地物覆盖类型间的J-M距离，为后续分类工作做好准备。

2.4 影像分类及精度评价

支持向量机是建立在统计学习理论基础上的一种新的机器学习方法，其较好地解决了以往学习方法中的小样本、非线性及高维数等问题，具有很强的泛化能力［25－27］。本文选用径向基函数(Radial basis function，RBF)作为影像分类的核函数，最常用的径向基函数是高斯核函数，公式为［28－31］

式中 K(X，X')——空间中任意一点X到某一中心X'之间欧氏距离单调函数

X'——核函数中心

σ——函数的宽度参数

本文在上述组合生成的GF-1/WFV影像的基础上，利用SVM分类方法对研究区的地物进行分类。首先，参照GB/T 21010—2007《土地利用现状分类》将区内地物分为林地与非林地两类，其中非林地由耕地、园地、草地、水域及其它土地合并而成，在此基础上，结合上述地面采样数据及Google Earth数据，借助 ENVI 5.2的 ROI工具生成面状样本126个(1/2用于分类，剩余的1/2用于精度验证)，对应像元数为21 482个，其中，林地像元数11 128个，非林地像元数10 354个，且均匀分布。最后，在Supervised Classification模块下实现研究区森林覆盖的分类，分类完成后，借助总体精度、生产者精度、用户精度及Kappa系数等指标实现对分类结果的精度评价。为了更好地反映特征组合后的GF-1/WFV影像对森林覆盖的提取能力，本文采用相同的方法对特征组合前的GF-1/WFV原始影像进行分类及精度评价，所用训练样本及验证样本的数量均与上述研究相同，在此基础上，对特征组合前后的影像分类精度进行比较与分析。

3 结果与分析

3.1 STAVFM时空融合结果

本文将预测生成的GF-1/WFV NDVI时序影像中的一期(第297天)与上述实际获取的GF-1/WFV NDVI影像(2014年10月24日，第297天)对比后发现(图3)，GF-1/WFV NDVI预测值不仅在空间分布上与同期的GF-1/WFV NDVI真实值一致，而且其还能在16m空间分辨率的像元尺度上反映地物的空间细节及分布差异。可见，STAVFM算法实现了GF-1/WFV NDVI影像的高空间分辨率特征同MODISNDVI影像的高时间分辨率特征的有机结合。同时，本文从上述两幅GF-1/WFV NDVI影像中分别裁出一正方形区域，区域大小为200像元× 200像元，在此基础上，利用ENVI/IDL提取两幅影像的NDVI值并进行回归分析，结果如图4所示。从图中可以看出，NDVI值对应数据点的分布较为集中，且绝大多数位于直线y=x的两侧，该现象说明NDVI预测值与NDVI真实值之间呈线性相关，而R2=0.947 6则表明上述预测值与真实值之间呈高度相关且线性拟合的程度很好。综上所述，STAVFM时空融合算法实现了GF-1/WFV NDVI与时序MODISNDVI的理想融合，从而为后续研究区森林覆盖的精准提取做好了数据准备。

图3 GF-1/WFV NDVI真实影像及预测影像Fig．3 Actual and predicted NDVI images of GF-1/WFV data

图4 GF-1/WFV NDVI真实值与预测值散点分布图Fig．4 Scatter plot of actual NDVIand predicted NDVI from GF-1/WFV images

3.2 时序GF-1/WFV NDVI平滑结果

平滑处理前后的林地时间序列NDVI如图5所示，从图中可以看出，时间序列谐波分析法(HANTS)具有很好的细节拟合能力，整体保真性良好，平滑重建后的林地时序NDVI曲线保持了其原有的形状，改善了异常值，同时，恢复了NDVI的变化趋势并反映了林地NDVI生长期内的动态变化特征及物候特性，具体地说，研究区内林地的生长期主要集中于3月中旬—9月中旬。与此对应，林地NDVI全年呈现出先上升后下降的趋势，即春、夏两季，林地NDVI持续增长，至7月上旬与8月上旬间，林地NDVI达到峰值，最后，至秋、冬季节，林地NDVI则逐渐下降。可见，实验区内的林地NDVI呈现出单峰变化的态势，该结果与我国雨热同期的气候特征是密不可分的。

图5 平滑前后林地时序NDVI曲线Fig．5 Unsmoothed and smoothed NDVI time series curves of forest

3.3 GF-1/WFV特征组合的J-M距离计算结果

J-M距离的取值范围为0～2［32］。具体来说，若J-M距离的取值大于1.9，表明地物样本间的可分性很好;若J-M距离的取值介于1.8～1.9之间，表明地物样本间的可分性较好;若J-M距离的取值介于1.0～1.8之间，表明地物样本需重新选择;若J-M距离的取值小于1.0，表明两类地物样本应合为一类。本文中新生成的GF-1/WFV影像数据包含8个特征数，即 NDVIMAX、NDVIMIN、NDVIMEAN、NDVISTD、 Band 1(Blue)、Band 2(Green)、Band 3(Red)和Band 4(NIR)。基于该特征空间的J-M距离计算结果为1.982，而仅基于影像NDVI特征及仅基于影像光谱特征的计算结果分别为1.898和1.882，前者明显高于后者，由此可见，新生成的GF-1/WFV影像具有理想的地物可分性，可很好地用于研究区森林覆盖的分类与提取。

3.4 分类结果与精度分析

本文在ENVI5.2平台的支持下，采用支持向量机的分类方法分别对融入时序NDVI的GF-1/WFV影像、GF-1/WFV原始影像进行分类，分类完成后，在ArcGIS 10.2平台下完成分类结果的聚类、掩模及剔除等，最终得到研究区森林覆盖的提取结果(图6)。从目视效果来看，图6a、6b均能客观反映研究区森林覆盖的分布，但比较后发现，图6b的效果好于图6a:首先，在地势平坦地区(主要为平原)，图6a中林地同耕地混合分布的情况较图6b明显增多;其次，在林区边缘，图6a中林地与裸地的混合分布也多于图6b。可见，仅依靠影像的光谱信息不能很好地区分林地与非林地，而融入NDVI信息的影像数据则能够实现林地与非林地的有效识别。

图6 GF-1/WFV数据及GF-1/WFV时空融合数据的森林覆盖提取结果Fig．6 Forest cover extraction results of GF-1/WFV data and GF-1/WFV fused data

为了对上述分类结果进行定量评价，分别求出它们的混淆矩阵(表2、3)。可以看出，融入时序NDVI的 GF-1/WFV影像的分类效果明显好于GF-1/WFV原始影像的分类效果，总体分类精度由89.82% 提高到94.72%，该结果同上述目视判读的结果一致，说明高空间分辨率多光谱遥感数据同高空间分辨率时序NDVI的组合，可以为森林覆盖的定量提取提供更多有用的信息。具体地说，一方面，高空间分辨率的时序NDVI为很好反映植被的物候特征提供了可能，另一方面，该数据组合有效地削弱了影像中地形、云及阴影的影响。

表2 GF-1/WFV影像分类精度评价结果Tab．2 Evaluationresultofclassificationprecisionfor GF-1/WFVimage

表3 GF-1/WFV时空融合影像分类精度评价结果Tab．3 Evaluationresultofclassificationprecisionfor GF-1/WFVfusedimage

4 结论

(1)本文研究结果理想，总体分类精度为94.72%，与GF-1/WFV原始影像的分类结果相比，提高了4.90个百分点，可见，本文所用方法在有效解决GF-1NDVI数据缺失问题的同时，实现了森林覆盖的高精细定量提取。

(2)基于 STAVFM算法融合生成的时序GF-1/WFVNDVI数据，其空间分辨率为16m，时间间隔为8d，该数据既保持了GF-1/WFVNDVI的高空间分辨率特征，又保持了时序MODISNDVI的高时间分辨率特征，具有明显的数据优势，可以很好地用于森林覆盖的提取，为实现森林覆盖的有效提取提供了可能性。

(3)由特征组合生成的影像数据，既包含GF-1/ WFV影像的光谱特征，又包含GF-1/WFVNDVI时序数据的时间特征，其与仅拥有光谱特征的GF-1/ WFV原始影像数据相比，包含着更为丰富的植被生长信息，能够进一步提高分类的精度，随着高分辨率影像分类理论的进一步发展，融入更多有意义的特征变量如纹理特征等，成为重要发展趋势。

1 杨柳，孙金华，冯仲科，等．基于PSO-LSSVM的森林地上生物量估测模型［J/OL］．农业机械学报，2016，47(8):273－287．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?flag=1＆file_no=20160836＆journal_id=jcsam．DOI:10．6041/ j．issn．1000-1298．2016．08．036．YANG Liu，SUN Jinhua，FENG Zhongke，etal．Estimation model off orestabove-ground biomas sbasedon PSO-LSSVM［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2016，47(8):273－287．(inChinese)

2 段祝庚，赵旦，曾源，等．基于遥感的区域尺度森林地上生物量估算研究［J］．武汉大学学学报:信息科学版，2015，40(10): 1400－1408．DUAN Zhugeng，ZHAO Dan，ZENG Yuan，etal．Estimation o fthe for estabove ground biomas satregional scaleba sedonre mote sensing［J］．Geomatics and Information Science of Wuhan University，2015，40(10):1400－1408．(inChinese)

3 张荣群，王盛安，高万林，等．基于时序植被指数的县域作物遥感分类方法研究［J/OL］．农业机械学报，2015，46(增刊): 246－252．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?flag=1＆file_no=2015S040＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2015．S0．040．ZHANG Rongqun，WANG Sheng'an，GAO Wanlin，etal．Remotesensing classification method of county-levelagricultural crops using time series NDVI［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2015，46(Supp．):246－252．(in Chinese)

4 孙锐，荣媛，苏红波，等．MODIS和HJ-1CCD数据时空融合重构NDVI时间序列［J］．遥感学报，2016，20(3):361－373．SUN Rui，RONG Yuan，SU Hongbo，etal．NDVI time-seriesrecon struction basedon MODI Sand HJ-1CCD dataspatial-temporal fusion［J］．Journal of Remote Sensing，2016，20(3):361－373．(inChinese)

5 刘建光，李红，孙丹峰，等．MODIS土地利用/覆被多时相多光谱决策树分类［J］．农业工程学报，2010，26(10):312－319．LIU Jianguang，LI Hong，SUN Danfeng，etal．Landuse/coverdecision treeclas sification fusingmulti-temporal and multi-spectral of MODIS［J］．Transactions of the CSAE，2010，26(10):312－319．(inChinese)

6 GAO F，MASEK J，SCHWALLER M，etal．On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance［J］．IEEET ransactions on Geoscience and Remote Sensing，2006，44(8):2207－2218．

7 ZHU Xinlin，CHEN Jin，GAO Feng，etal．Anenhanced spatial and temporal adaptiver eflectance fusion model for complex heterogeneousregions［J］．Remote Sensing of Environment，2010，114(11):2610－2623．

8 邬明权，王洁，牛铮，等．融合MODIS与Landsat数据生成高时间分辨率Landsat数据［J］．红外与毫米波学报，2012，3(1): 80－84．WU Mingquan，WANG Jie，NIU Zheng，etal．Amodel for spatial and temporal datafusion［J］．Journal of Infrared and Millimeter Waves，2012，3(1):80－84．(inChinese)

9 MENG Jihua，DU Xin，WU Bingfang．Generation of highspatial and temporal resolution NDVI anditsap plication incropbiomass estimation［J］．Internation al Journal of Digital Earth，2013，6(3):203－218．

10 南颖，刘志锋，董叶辉，等．2000—2008年长白山地区植被覆盖变化对气候的响应研究［J］．地理科学，2010，30(6):921－928．NAN Ying，LIU Zhifeng，DONG Yehui，etal．There sponses of vegetation covertoclimate change in the Changbai mountainareafrom 2000 to 2008［J］．Scientia Geographica Sinica，2010，30(6):921－928．(in Chinese)

11 MENG Jihua，DU Xin，WU Bingfang．Generation ofhigh spatialand temporal resolution NDVIand its application in crop biomass estimation［J］．International Journal of Digital Earth，2013，6(3):203－218．

12 MENG Jihua，WU Bingfang，DU Xin．Method to construct high spatial and temporal resolution NDVI dataset-STAVFM［J］．Journal of Remote Sensing，2011，15(1):44－59．

13 李杭燕，颉耀文，马明国．时序NDVI数据集重建方法评价与实例研究［J］．遥感技术与应用，2009，24(5):596－602．LIHangyan，JIE Yaowen，MA Mingguo．Reconstruction of temporal NDVI dataset:evaluation and case study［J］．Remote Sensing Technology and Application，2009，24(5):596－602．(in Chinese)

14 左丽君，张增祥，董婷婷，等．MODIS/NDVI和MODIS/EVI在耕地信息提取中的应用及对比分析［J］．农业工程学报，2008，24(3):167－172．ZUO Lijun，ZHANG Zengxiang，DONG Tingting，et al．Application ofMODIS/NDVIand MODISEVI to extracting the information of cultivated land and comparison analysis［J］．Transactions of the CSAE，2008，24(3):167－172．(in Chinese)

15 侯光雷，张洪岩，王野乔，等．基于时间序列谐波分析的东北地区耕地资源提取［J］．自然资源学报，2010，25(9):1607－1617．HOU Guanglei，ZHANG Hongyan，WANG Yeqiao，et al．Application of harmonic analysis of time series to extracting the crop land resource in Northeast China［J］．Journal of Natural Resources，2010，25(9):1607－1617．(in Chinese)

16 杨强，王婷婷，陈昊，等．基于MODISEVI数据的锡林郭勒盟植被覆盖度变化特征［J］．农业工程学报，2015，31(22):191－199．YANG Qiang，WANG Tingting，CHEN Hao，et al．Characteristics of vegetation cover change in Xilin Gol League based on MODIS EVI data［J］．Transactions of the CSAE，2015，31(22):191－199．(in Chinese)

17 许青云，杨贵军，龙慧灵，等．基于MODISNDVI多年时序数据的农作物种植识别［J］．农业工程学报，2014，30(11):134－144．XU Qingyun，YANG Guijun，LONG Huiling，et al．Crop information identification based on MODIS NDVI time-series data［J］．Transactions of the CSAE，2014，30(11):134－144．(in Chinese)

18 JAKUBAUSKASM E，LEGATESD R，KASTENS JH．Crop identification using harmonic analysis of time-series AVHRR NDVI data［J］．Computers and Electronics in Agriculture，2002，37:127－139．

19 梁守真，邢前国，施平，等．山东省典型地表覆被NDVI时间序列谐波分析［J］．生态学杂志，2011，30(1):59－65．LIANG Shouzhen，XING Qianguo，SHI Ping，et al．Harmonic analysis on NDVI time series of typical and covers in Shandong Province［J］．Chinese Journal of Ecology，2011，30(1):59－65．(in Chinese)

20 张连翀，王卫．基于谐波分析和线性混合模型的河北平原区土地覆被分类研究［J］．地理与地理信息科学，2015，31(3):98－104．ZHANG Lianchong，WANGWei．Land cover classification of Hebei Plain based on harmonics analysis and linear mixture model［J］．Geography and Geo-Information Science，2015，31(3):98－104．(in Chinese)

21 谢相建，薛朝辉，王冬辰，等．顾及物候特征的喀斯特断陷盆地土地覆盖遥感分类［J］．遥感学报，2015，19(4):627－638．XIE Xiangjian，XUE Zhaohui，WANG Dongchen，et al．Land cover classification in karst regions based on phenological features derived from a longterm remote sensing image series［J］．Journal of Remote Sensing，2015，19(4):627－638．(in Chinese)

22 GU Juan，LIXin，HUANG Chunlin．Land cover classification based on time-series MODISNDVI data in Heihe River Basin［J］．Advances in Earth Science，2010，25(3):317－326．

23 HAO Pengyu，WANG Li，NIU Zheng，et al．The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification:a case study for Bole and Manas counties in Xinjiang，China［J］．Remote Sensing，2014，6(8):7610－7631．

24 张猛，曾永年．基于多时相Landsat数据融合的洞庭湖区水稻面积提取［J］．农业工程学报，2015，31(13):178－185．ZHANG Meng，ZENG Yongnian．Mapping paddy fields of Dongting Lake area by fusing Landsatand MODISdata［J］．Transactions of the CSAE，2015，31(13):178－185．(in Chinese)

25 VAPNIK V．The nature of statistical learning theory［M］．New York:Springer-Verlag，1995．

26 SU L H．Optimizing support vectormachine learning for semi-arid vegetation mapping by using clustering analysis［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2009，64:407－413．

27 LIS J，WU H，WAN D S，et al．An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vectormachine［J］．Knowledge-Based Systems，2011，24(1):40－48．

28 FOODY G M，MATHUR A．A relative evaluation of multiclass image classification by support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(6):1335－1343．

29 PALM，MATHER PM．Support vectormachines for classification in remote sensing［J］．International Journalof Remote Sensing，2005，26(5):1007－1011．

30 MELGANI F，BRUZZONE L．Classification of hyperspectral remote sensing images with support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(8):1778－1790．

31 JAYADCVA R，KHEMCHANDANI S C．Twin support vector machines for pattern classification［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(5):905－910．

32 ZHANG X Y，FRIEDL M A，SCHAAF C B，et al．Monitoring vegetation phenology using MODIS［J］．Remote Sensing of Environment，2003，84(3):471－475．

Quantitative Extraction of Forest Cover Based on Fusing of GF-1/WFV and MODISData

XU Lei1WU Zhaocong1LUO Fei2YANG Fan3XIANGWei1GAO Fei1
(1．School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China 2．School of Electronic Engineering and Computer Science，Queen Mary University of London，London E1 4NS，UK 3．South China Sea Institute of Planning and Environmental Research，State Oceanic Administration，Guangzhou 510310，China)

As an important part of terrestrial ecosystem，forest is concerned by its huge carbon storage and carbon sequestration capacity．With the successful launch of China’s high score 1(GF-1)satellite，it is possible to use NDVI data to realize the quantitative extraction of forest cover．However，due to the impact of rainy weather，operating costs and other factors，it is difficult to form NDVIGF-1 time series data，which cannotmeet the demand for high precision extraction of forest cover．With the aim to solve this problem，Songshan was taken as part of the Henan GF-1/WFV NDVI and MODIS NDVI experimentation area，application of STAVFM algorithm was integrated，and GF-1/WFV NDVI time series data was used to generate the 8 d step，then from the time series data in NDVI feature extraction and spectral features were combined with GF-1/WFV．Finally，SVM classification method was used to realize quantitative forest coverage extraction．The research results showed that the NDVI GF-1/WFV sequence data generated by the STAVFM algorithm was ideal，which can solve the problem of the NDVI GF-1 time series data．The overall classification accuracy based on the SVM classification was94.72%，which was improved by 4.90 percentage points compared with the classification results of the original GF-1/WFV imagewithout fusing the characters of NDVI．Thismethod provided a new way for high precision extraction of forest cover．

forest cover;remote sensing;quantitative extraction;spatial and temporal data fusion;GF-1/WFV;MODISNDVI

TP79;S127

A

1000-1298(2017)07-0145-08

2016-10-27

2016-12-01

国家自然科学基金项目(41101410)和民用航天“十二五”技术预先研究项目(2013669-7)

徐磊(1983—)，男，博士生，主要从事时序遥感分析和定量遥感研究，E-mail:rellxu@126．com

巫兆聪(1968—)，男，教授，博士，主要从事高分辨率遥感影像信息提取、定量遥感研究，E-mail:zcwoo@whu．edu．cn

10．6041/j．issn．1000-1298．2017．07．018