基于时间序列叶面积指数傅里叶变换的作物种植区域提取

王鹏新，荀 兰，李 俐，解 毅，王 蕾



基于时间序列叶面积指数傅里叶变换的作物种植区域提取

王鹏新1,2，荀 兰1,2，李 俐1,2※，解 毅1,2，王 蕾1,2

（1. 中国农业大学信息与电气工程学院，北京 100083；2. 农业部农业灾害遥感重点实验室，北京 100083）

为了获取不同农作物的空间分布信息，以华北平原黄河以北地区为研究区域，利用Savitzky-Golay滤波对2014—2016年的时间序列叶面积指数（leaf area index，LAI）进行重构，进而应用一阶差分法和重构LAI的傅里叶变换的谐波特征对研究区域主要农作物冬小麦、玉米和棉花种植区域进行识别和提取，并对不同作物的识别精度进行验证。结果表明，基于Savitzky-Golay滤波重构的LAI能够去除由云、大气等因素造成的LAI骤降的影响，重构LAI曲线平滑且符合作物的生长规律特征。研究区域2014—2016年作物识别的总体精度均大于80.00%，2015年达到87.08%，冬小麦-夏玉米、春玉米、棉花和单季夏玉米的识别精度分别为92.50%、80.00%、85.00%和82.50%，表明利用一阶差分法能够准确提取研究区域一年一季和一年两季作物种植区域。结合傅里叶变换方法和作物物候信息能够有效地识别不同作物的种植区域，进而获取研究区域主要农作物的分布信息。该研究可为研究区域主要作物的长势监测及产量估测预测提供参考。

作物；遥感；提取；面积；叶面积指数；傅里叶变换；Savitzky-Golay滤波；华北平原

0 引 言

准确及时地获取农作物的空间分布信息对促进农业生产发展和保障粮食安全具有重要意义，是国家制定粮食政策和经济计划的重要依据[1-5]。传统的作物种植信息获取方法主要为人工测量和统计抽样，但因其效率低、精度差和时效性不高等原因，难以满足大面积实时监测作物种植信息的需求。随着空间信息技术的不断发展，遥感技术以其宏观、准确、实时和动态的优势，为大面积农作物种植区域的提取提供了有效手段[6-9]。

由于不同农作物具有各自独特的物候特征，而时间序列遥感数据可以反映不同时期农作物的生长发育特性[10-11]，因此，通过对时间序列遥感数据进行分析，能准确地获取农作物的物候信息，从而对不同作物类型进行识别[12-17]。张霞等[18]基于冬小麦种植区域时序增强型植被指数（enhanced vegetation index，EVI）曲线所反映的小麦物候特征，确定了小麦起始生长时间、生长峰值时间、EVI最大值时间和生长终止时间4个关键物候期变量，并结合专家知识确定4个变量的阈值，从而构建了冬小麦种植区域提取模型。许青云等[19]通过分析陕西省2003—2012年的MODIS时间序列归一化植被指数（normalized difference vegetation index，NDVI）数据，结合农作物的物候信息和农业气象站点数据，构建农作物年际间动态阈值，实现了农作物种植类型的识别。王连喜等[4]基于2013—2014年的250 m空间分辨率的时间序列NDVI数据，采用决策树和混合像元分解方法提取冬小麦种植区域，提取精度达到90%。申健等[20]结合关中地区典型地物的时序NDVI曲线特征和二次差分技术，建立冬小麦像素的识别规则，进而提取了该地区2014年冬小麦的种植信息，提取精度为90.28%。综上所述，根据时序植被指数在不同时期所反映的作物生长特征，同时结合阈值法和待提取作物的物候特征，能够准确提取不同作物的分布区域，且阈值的合理确定是作物类型识别的关键。然而，基于已有经验或专家知识选取的阈值具有一定的主观性和不确定性，并且由于气象因素、农田地理位置的影响，农作物的关键生育期在不同年份和地区可能提前或延后，因此，应用阈值法提取农作物种植区域具有一定的局限性[21]。

近年来，一些研究者将傅里叶变换方法应用于遥感影像分类和农作物种植区域的提取，并取得了较好的效果。傅里叶变换可以将时间序列曲线表示为一系列谐波之和，谐波由振幅和初始相位确定，通过对谐波特征进行聚类分析，能够克服阈值法中阈值选取的主观性。那晓东等[22]利用时间序列MODIS NDVI数据，采用基于傅立叶组分的相似度分类方法，对三江平原典型湿地的植被类型进行分类，总体分类精度达到79.67%。Zhang等[23]运用快速傅里叶变换方法对时间序列NDVI曲线进行分析，基于不同作物谐波特征的差异并结合监督、非监督分类方法实现了华北地区小麦、玉米和棉花种植区域的识别。然而，NDVI在高密度和多层植被情况下会出现饱和现象，选择时间序列叶面积指数（leaf area index，LAI）曲线进行谐波分析更有优势。

本文以华北平原黄河以北地区为研究区域，利用上包络线Savitzky-Golay滤波分别对2014—2016年的时间序列MODIS LAI曲线进行重构，利用一阶差分法判别重构LAI曲线的峰值个数，从而提取一年一季和一年两季作物种植区域，基于重构LAI傅里叶变换后的谐波特征，利用最小距离法对一年一季和一年两季作物种植区域分别进行监督分类，进而识别和提取研究区域2014—2016年冬小麦-夏玉米、春玉米、单季夏玉米和棉花的种植区域。

1 研究区域和数据处理

1.1 研究区域概况

华北平原地区海拔多在50 m以下，多年平均气温在10.0～14.2 ℃内，年均降水量在500～900 mm内，属温带大陆性季风气候，年均总辐射量为5 370 MJ/m2，适宜种植小麦、玉米、大豆等多种农作物，是中国重要的粮食作物和经济作物产区，其中冬小麦-夏玉米轮作是华北平原主要的粮食作物种植体系[24-25]。本文以华北平原黄河以北地区为研究区域，选取34°48′～40°18′N、113°11′～119°49′E之间的区域进行主要农作物种植区域的提取，包括北京市南部、天津市大部、河北省大部以及黄河以北的豫北、鲁西北平原区（如图1）。

图1 研究区域位置

1.2 数据来源及预处理

获取研究区域2013年12月27日和31日、2014—2016年全年、2017年1月1日和5日的MCD15A3产品（轨道号分别为h26v04、h26v05、h27v04和h27v05），其空间分辨率为1 km，时间分辨率为4 d，包括LAI和光合有效辐射。对MODIS LAI影像进行镶嵌、投影转换、定标和裁剪等预处理，统一输出为Lambert投影。2014—2016年每年包括92个时相的LAI影像，为避免Savitzky- Golay滤波、二阶差分法对时间序列LAI数据处理造成的边缘效应，在每年时间序列LAI前后分别增加前一年最后两个时相、后一年前两个时相的LAI，从而获得研究区域每年96个时相的LAI影像，以此构建年时间序列LAI。每个像素位置对应包含96个LAI的变化曲线，在对其进行Savitzky-Golay滤波、二阶差分处理后采用92个时相的时间序列LAI数据进一步进行傅里叶变换分析。根据中国农业信息网提供（http://www.agri.cn/）的农作物种植信息统计数据，确定冬小麦、夏玉米、春玉米和棉花为主要识别的作物类型，获取近几年的研究区域待识别作物物候信息（表1），研究区域其他类别地物的识别本文不再进行阐述。通过野外实地调查获取样点的位置及作物种植类型信息，在此基础上，结合研究区域Google Earth影像，根据LAI曲线的峰值个数、峰值出现时间、曲线斜率最大值出现时间及不同作物的物候特征对样点进行扩充，最终获得研究区域2014—2016年每年600个样点，冬小麦-夏玉米、冬小麦-其他、春玉米、夏玉米、棉花和其他地物每年每类各100个，其中每类选取60个样点作为训练样本，其余40个作为验证样本用于分类精度验证。

表1 研究区域主要农作物的物候信息（以河北省保定市为例）

2 研究方法

2.1 技术路线

利用Savitzky-Golay滤波对时间序列MODIS LAI进行重构，通过一阶差分法确定重构LAI曲线的峰值个数，识别一年一季和一年两季作物种植区；对重构LAI进行傅里叶变换。基于LAI傅里叶变换后的谐波特征，进行监督分类，从一年一季作物种植区中提取春玉米、夏玉米和棉花种植区域，从一年两季作物种植区中提取冬小麦-夏玉米种植区域。具体技术流程图如图2所示。

图2 技术流程图

2.2 时间序列LAI的Savitzky-Golay滤波

本文使用的MODIS LAI产品基于最大值合成法生成，虽然该方法能部分地消除云、气溶胶、太阳高度角和地物二向性反射等因素的干扰，但云和大气等因素的噪声影响仍然存在[26]。因此采用上包络线S-G（Savitzky- Golay）滤波[27]对时间序列MODIS LAI进行平滑处理。首先，对原始序列LAI进行S-G滤波，获得LAI变化趋势

其中

2.3 时间序列LAI的差分处理

时间序列LAI曲线蕴含着作物生长全过程的信息，不同作物种植模式下的时间序列LAI曲线所呈现的物候特征不同。一年一季作物的时间序列LAI曲线有1个峰值点，对应单一周期的作物生长过程；一年两季作物的时间序列LAI曲线有2个峰值点，对应两个周期的作物生长过程。利用一阶差分法对时间序列LAI曲线的峰值个数进行判别

2.4 时间序列LAI的傅里叶变换

2.5 作物分类方法

时间序列LAI曲线反映了随时间推移植被生长和变化的过程，且同一区域、同一类型植被具有相似的LAI变化曲线，因此，利用一阶差分法确定重构LAI曲线的峰值个数，识别一年一季（年内有1个峰值）和一年两季作物种植区（年内有2个峰值）。重构LAI的傅里叶变换的前几级谐波特征可以反映时间序列LAI曲线的主要信息，在一定时间范围内LAI谐波特征相似的像素可以视为同一作物类型，因此基于LAI傅里叶变换后的谐波特征，选取曲线均值（0级谐波振幅）、1～5级谐波振幅和初始相位作为识别不同作物的特征参数，生成11个参数数据层，各数据层的数值代表对应位置像素的时间序列LAI曲线的振幅、初始相位。将数据层叠加生成一个11波段的图像，以该图像作为分类底图，以地面调查样点及结合Google Earth影像扩充后的样点所在像素作为样本，每类地物各选取60个训练样本进行监督分类，利用该方法分别对2014—2016年的数据进行处理。

最小距离分类法利用特征空间中的距离表示待分类像素的特征和分类类别特征的相似程度，根据未知类别向量到各类训练样本向量中心的距离，将未知类别向量归为距离最小的一类。根据训练样本，利用最小距离法对一年一季作物种植区进行监督分类，提取春玉米、单季夏玉米和棉花种植区域，对一年两季作物种植区进行监督分类，提取冬小麦-夏玉米种植区域。

3 结果与分析

3.1 基于S-G滤波重构的LAI曲线分析

利用S-G滤波分别对研究区域2014—2016年的时间序列MODIS LAI曲线进行平滑处理，获得重构的LAI，并结合一阶差分法判别重构LAI曲线的峰值个数，进而识别作物种植模式，以主要作物地面调查样点所在像素的2015年的数据为例进行分析（图3），其他年份结果类似。结果表明，原始的基于最大值合成法的MODIS LAI曲线虽然有显著的波峰、波谷特征，但仍存在很多噪声，导致从波谷到波峰的曲线呈锯齿状的不规则波动，不利于进行农作物时间序列LAI曲线的变化趋势分析。经S-G滤波处理后的LAI曲线可以清晰地描述时间序列LAI的长期变化趋势以及局部的突变信息，去除由云、大气和MODIS数据质量引起的LAI骤降的影响，保持了原有曲线的基本形状，符合作物的生长特征，并能够满足识别作物种植模式的要求。由图3可以看出，一年一季作物的时间序列LAI曲线有1个峰值，一年两季作物的时间序列LAI曲线有2个显著峰值，因此，利用一阶差分法判别的时间序列LAI曲线的峰值个数能够较好地区分一年一季和一年两季作物种植区域。

图3 原始MODIS LAI、S-G滤波LAI、傅里叶变换的 0～5级谐波曲线及谐波叠加曲线

3.2 时间序列LAI的谐波分析

利用傅里叶变换将S-G滤波重构后的时间序列LAI曲线分解成一系列谐波之和，以2015年为例，对主要作物地面调查样点区域的时间序列LAI曲线分解后的0～6级谐波特征进行对比分析（表2），其他年份类似。结果表明，对于一年一季作物，由于玉米的LAI普遍大于棉花的LAI，春玉米、夏玉米的0级谐波振幅（0.82、0.91）均大于棉花的0级谐波振幅（0.63），即春玉米、夏玉米时间序列LAI曲线的均值大于棉花LAI曲线的均值；玉米的1～6级谐波振幅整体大于棉花，且春玉米、夏玉米和棉花的1级谐波振幅所占比例最大，分别为59.77%、78.56%、49.74%，表明1级谐波对玉米和棉花LAI曲线的影响程度最大，其余各级谐波振幅所占比例随谐波级数的增加呈下降趋势，对LAI曲线的影响程度逐渐减小。而对于冬小麦-夏玉米轮作区，时间序列LAI曲线的1级和3级谐波振幅均较大，反映出冬小麦-夏玉米轮作区时间序列LAI曲线的季节变化特征，其中1级谐波的周期为整个时间序列长度，反映了农作物全年生长的总体情况，而3级谐波反映了农作物全年的生长过程。此外，不同种植模式下农作物的时间序列LAI曲线经傅里叶变换分解后的1～5级谐波的振幅所占比例累加和均达到95%以上，其中，冬小麦-夏玉米轮作区的1～5级谐波振幅所占比例累加和达到98.52%，春玉米、棉花和夏玉米的1～5级谐波振幅所占比例累加和分别为96.17%、99.44%和95.62%。因此，由时间序列LAI曲线分解的1～5级谐波和曲线均值可以确定研究区域主要作物的生长过程曲线，本文选择0～5级谐波振幅和1～5级谐波的初始相位作为作物识别的特征参数。

绘制样点时间序列LAI曲线经傅里叶变换分解后的0～5级谐波曲线及谐波曲线叠加图（图3），从而分析不同作物的物候特征。可以看出，对于冬小麦-夏玉米轮作区，冬小麦一般在9月底10月初播种，出苗后LAI呈现逐渐增大的趋势；在分蘖期LAI出现一个小的峰值，即冬前峰；之后进入越冬期，至次年3月开始返青，表现为第65天开始LAI曲线开始呈上升趋势，且增长速率逐渐加快；3月底4月初开始拔节，营养生长和生殖生长并进，第93天LAI曲线斜率最大；第113天LAI曲线达到峰值，此时冬小麦处于抽穗期；之后随着冬小麦逐渐灌浆成熟，LAI开始降低，并在6月上中旬成熟收获后迅速降至很低，形成波谷。接茬作物夏玉米在6月上中旬播种，7月中下旬进入拔节期，第193天LAI曲线斜率最大，8月上中旬处于抽雄期，LAI曲线在第217天达到第二个峰值，8月下旬灌浆后进入乳熟期，LAI逐渐减小，至9月中下旬成熟收获。

表2 研究区域主要农作物的0~5级谐波参数

一年一季作物中，LAI曲线峰值出现时间先后次序为：春玉米、棉花、夏玉米，这一差别体现在1级谐波曲线的波峰出现时间不同，即1级谐波的初始相位不同，分别为2.75、2.62、2.52（表2）。春玉米一般在4月底5月初播种，6月下旬拔节期营养生长和生殖生长同时进行，是玉米生长发育最旺盛的阶段，第181天LAI曲线增长速率最快，7月中旬处于抽雄灌浆期，进入生殖生长阶段，叶片数量和质量迅速增加，LAI曲线在第193天达到峰值，之后LAI逐渐下降，8月中下旬开始乳熟，9月底10月初成熟收获。棉花的生育期较长，一般在4月中下旬播种，6月开始现蕾，进入旺盛生长阶段，LAI曲线迅速增长，第189天增长速率最快，7月进入花铃期，第217天LAI曲线达到峰值，8月中旬为吐絮期，同时也陆续开始收获，LAI逐渐降低，第249天LAI曲线下降速率达到最大，10月底11月初采摘结束棉花停止生长。单季夏玉米6月上中旬播种，播种前为休耕地，LAI较低，播种出苗后LAI逐渐增大，第221天LAI曲线达到峰值，此时处于玉米抽雄期，之后LAI逐渐减小，9月底成熟收获后LAI趋于平缓。

综上所述，基于0～5级谐波曲线叠加构建的LAI曲线准确地反映了研究区域主要作物冬小麦、夏玉米、春玉米和棉花的物候特征，因此，0～5级谐波特征能够用于研究区域主要作物种植区域的提取。

3.3 分类精度验证

采用混淆矩阵的方式分别对2014—2016年的主要农作物提取结果进行精度评价，评价指标包括总体分类精度、用户精度、生产者精度和Kappa系数4项，以2015年为例（表3）。总体分类精度为所有被正确分类的像素个数总和与像素总数的比值。用户精度指正确分到某一类的像素总数与分类器将整个影像的像素分为该类的像素总数的比率。生产者精度指正确分为某一类的像素数与该类真实参考像素总数的比率[31]。结果表明，研究区域2015年作物识别总体精度为87.08%，Kappa系数为0.85，冬小麦-夏玉米轮作区的用户精度为92.50%，春玉米、棉花和单季夏玉米的用户精度分别为80.00%、85.00%、82.50%。2014、2016年作物识别的总体精度分别为82.50%、82.92%，Kappa系数分别为0.80、0.81，表明分类精度高。研究区域2014—2016年的分类结果表明，一年两季作物与一年一季作物的时间序列LAI差别较大，容易区分，因此冬小麦-夏玉米提取精度较高，但对于个别返青时长势较差的冬小麦，其LAI曲线的第一个峰值较低，双峰特征不明显，与长势较好的单季夏玉米有混淆。此外，春玉米和棉花之间混淆相对较为严重，原因可能在于春玉米和棉花的时间序列LAI的变化特征较为接近，以及混合像素影响下LAI曲线的主要特征被淹没。

表3 混淆矩阵（以2015年为例）

3.4 分类结果分析

在利用一阶差分法识别研究区域作物种植模式的基础上，基于重构LAI进行傅里叶变换后的0～5级谐波特征，结合最小距离法分别对一年一季、一年两季作物种植区域进行监督分类，提取2014－2016年主要农作物种植区域（图4）。图5为研究区域2015年主要农作物LAI曲线峰值出现时间分布。

图4 2014—2016年主要农作物提取和地表分类结果

结果表明，2014—2016年研究区域范围内一年两季作物种植区域明显大于一年一季作物种植区域，且空间分布差异明显。研究区域中南部主要为一年两季的种植模式，主要种植作物为冬小麦和夏玉米；研究区域中北部，随着纬度增加，温度、降水等农作物生长的基本自然条件受到一定程度的限制，耕地主要以一年一季的种植模式为主。2014—2016年春玉米主要分布在研究区域北部的天津、唐山、秦皇岛，单季夏玉米和棉花在整个研究区域均有分布，且棉花的种植区域总体上呈减少的趋势。其中2015年棉花种植区域分布较为集中，主要分布在沧州北部、廊坊南部以及天津西南部。

图5 研究区域2015年主要农作物LAI曲线峰值出现时间分布

为了更好地分析农作物物候期南北差异，基于研究区域主要农作物提取结果，以2015年为例（图4b），结合一阶差分法和重构LAI确定不同种植模式下时间序列LAI曲线的峰值时间节点，并用年积日（day of year，DOY）表示（图5）。结果表明，根据时间序列LAI曲线提取的峰值时间（冬小麦抽穗期、玉米抽雄期、棉花花铃期）与各区域的农作物物候时间较为一致。冬小麦抽穗期自南向北逐渐推迟，表现为时序LAI曲线的峰值时间自南向北呈递增趋势，河南省冬小麦4月中下旬（第100—115天）开始抽穗，河北省北部和山东省冬小麦抽穗期较晚，为4月底—5月初（第115—125天）。研究区域范围内夏玉米（包括冬小麦-夏玉米和单季夏玉米）抽雄时间集中在8月上中旬（第210—230天），时序LAI曲线的峰值时间晚于春玉米和棉花。春玉米7月中旬（第190—200天）进入抽雄期，棉花的花铃期为7月中旬—8月上旬（第190—220天），棉花的峰值持续时间较长。

4 讨 论

近年来，时间序列MODIS数据被广泛用于作物种植区域的提取，且大多研究采用时间序列NDVI、EVI数据[18-19]，应用时间序列LAI进行作物提取的研究较少。通过对时间序列LAI进行傅里叶变换，从而根据谐波特征识别作物种植区域的方法在一定程度上克服了阈值法中阈值选取的主观性及在高密度和多层植被情况下NDVI的饱和性。本研究中，农作物种植模式的识别及傅里叶变换后的作物种植类型识别均基于S-G滤波重构的LAI上包络线进行，因此LAI上包络线会直接影响到分类精度，选择拟合次数较高的上包络线结果可以使LAI曲线更平滑，去除干扰波峰的影响，降噪效果更好，但同时与原始LAI的偏差也会增加。因此，如何选择合适的滤波参数获得最佳的上包络线拟合结果从而用于LAI曲线特征的提取是今后的研究重点。另外，MCD15A3产品1 km空间分辨率造成的混合像素影响也会对作物识别结果造成误差，其较低的空间分辨率限制了作物识别精度的提升，因此，在今后的研究中可以结合空间分辨率为500 m的MCD15A3H产品进行农作物种植区域提取。研究区域春玉米和棉花的时间序列LAI的变化特征接近是造成一年一季作物识别精度低的一个主要原因，今后可结合分辨率较高的Landsat 8和Sentinel 2数据，同时增加春玉米和棉花的野外采样点，进一步提高春玉米和棉花的识别精度。

5 结 论

利用上包络线Savitzky-Golay滤波分别对华北平原黄河以北地区2014—2016年的时间序列MODIS LAI曲线进行重构，基于重构的时间序列LAI（leaf area index）曲线，利用一阶差分法识别作物种植模式，结合重构LAI傅里叶变换后的谐波特征及作物物候期识别研究区域2014—2016年主要农作物冬小麦、玉米和棉花的种植区域，主要结论为：

1）通过上包络线S-G滤波后的时间序列LAI曲线能够清晰地描述时序LAI的长期变化趋势以及局部的突变信息，曲线平滑且符合作物的生长规律。利用一阶差分法判别重构LAI曲线的峰值个数，能够识别研究区域的作物种植模式，进而准确地提取一年一季和一年两季作物种植区域。

2）不同作物类型具有不同的生长发育规律，表现出不同的季相特征，傅里叶变换后的谐波特征参数也各不相同，0～5级谐波反映了LAI曲线的主要信息，选取曲线均值（0级谐波振幅）、1～5级谐波振幅和初始相位作为特征参数，采用最小距离法对一年一季和一年两季作物种植区域分别进行监督分类，能够有效地提取春玉米、棉花、单季夏玉米和冬小麦-夏玉米种植区域。研究区域2014—2016年作物识别的总体精度均大于80.00%，2015年的总体精度和Kappa系数分别为87.08%和0.85，分类精度较高。

3）从空间分布特征上看，2014—2016年研究区域西部和南部主要为一年两季作物种植模式，主要种植作物为冬小麦和夏玉米，东部和北部主要为一年一季作物种植模式，春玉米主要分布在研究区域北部，单季夏玉米和棉花在整个研究区域均有分布，且棉花种植区域总体上呈减少的趋势。

[1] 黄青，唐华俊，周清波，等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报，2010，26(9)：218－223. Huang Qing, Tang Huajun, Zhou Qingbo, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2010, 26(9): 218－223. (in Chinese with English abstract)

[2] Damien A, Milton J, Vincent D, 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.

[3] Hao P Y, Zhan Y L, Wang L, et al. Feature selection of time series MODIS data for early crop classification using random forest: A case study in Kansas, USA[J]. Remote Sensing, 2015, 7(5): 5347－5369.

[4] 王连喜，徐胜男，李琪，等. 基于决策树和混合像元分解的江苏省冬小麦种植面积提取[J]. 农业工程学报，2016，32(5)：182－187. Wang Lianxi, Xu Shengnan, Li Qi, et al. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2016, 32(5): 182－187. (in Chinese with English abstract)

[5] 周静平, 李存军, 史磊刚, 等. 基于决策树和面向对象的作物分布信息遥感提取[J]. 农业机械学报, 2016, 47(9)：318－326. Zhou Jingping, Li Cunjun, Shi Leigang, et al. Crops distribution remote sensing extraction based on decision tree and object-oriented method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9)：318－326. (in Chinese with English abstract)

[6] Skakun S, Franch B, Vermote E, et al. Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment, 2017, 195: 244－258.

[7] 陈思宁，赵艳霞，申双和. 基于波谱分析技术的遥感作物分类方法[J]. 农业工程学报，2012，28(5)：154－160. Chen Sining, Zhao Yanxia, Shen Shuanghe. Crop classification by remote sensing based on spectral analysis[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2012, 28(5): 154－160. (in Chinese with English abstract)

[8] 郝虑远，孙睿，谢东辉，等. 基于改进N-FINDR算法的华北平原冬小麦面积提取[J]. 农业工程学报，2013，29(15)：153－161. Hao Lüyuan, Sun Rui, Xie Donghui, et al. Planting area extraction of winter wheat in North China Plain based on optimized N-FINDR algorithm[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2013, 29(15): 153－161. (in Chinese with English abstract)

[9] 王迪，周清波，陈仲新，等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报，2014，30(16)：203－212. Wang Di, Zhou Qingbo, Chen Zhongxin, et al. Research advances on crop identification using synthetic aperture radar[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2014, 30(16): 203－212. (in Chinese with English abstract)

[10] 邬明权，王长耀，牛铮. 利用多源时序遥感数据提取大范围水稻种植面积[J]. 农业工程学报，2010，26(7)：240－244. Wu Mingquan, Wang Changyao, Niu Zheng. Mapping paddy fields in large areas, based on time series multi-sensors data[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2010, 26(7): 240－244. (in Chinese with English abstract)

[11] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFV NDVI 时间序列数据的作物分类[J]. 农业工程学报，2015，31(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[12] Massey R, Sankey T T, Congalton R G, et al. MODIS phenology-derived, multi-year distribution of conterminous U.S. crop types[J]. Remote Sensing of Environment, 2017, 198: 490－503.

[13] Wardlow B D, Egbert S L. Large-area crop mapping using time-series MODIS 250m NDVI data: An assessment for the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096－1116.

[14] Arvor D, Jonathan M, Dubreuil V, 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.

[15] Jia K, Wu B F, Li Q Z. Crop classification using HJ satellite multispectral data in the North China Plain[J]. Journal of Applied Remote Sensing, 2013, 7(12): 073576.

[16] Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J]. Remote Sensing of Environment, 2013, 130(4): 39－50.

[17] 李鑫川，徐新刚，王纪华，等. 基于时间序列环境卫星影像的作物分类识别[J]. 农业工程学报，2013，29(2)：169－176.Li Xinchuan, Xu Xingang, Wang Jihua, et al. Crop classification recognition based on time-series images from HJ satellite[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2013, 29(2): 169－176. (in Chinese with English abstract)

[18] 张霞，焦全军，张兵，等. 利用MODIS_EVI图像时间序列提取作物种植模式初探[J]. 农业工程学报，2008，24(5)：161－165. Zhang Xia, Jiao Quanjun, Zhang Bing, et al. Preliminary study on cropping pattern mapping using MODIS_EVI image time series[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2008, 24(5): 161－165. (in Chinese with English abstract)

[19] 许青云，杨贵军，龙慧灵，等. 基于MODIS NDVI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 Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[20] 申健，常庆瑞，李粉玲，等. 基于时序NDVI的关中地区冬小麦种植信息遥感提取[J]. 农业机械学报，2017，48(3)：215－220，260. Shen Jian, Chang Qingrui, Li Fenling, et al. Extraction of winter wheat information using time-series NDVI in Guanzhong area[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 215－220, 260. (in Chinese with English abstract)

[21] 胡琼，吴文斌，宋茜，等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学，2015，48(10)：1900－1914. Hu Qiong, Wu Wenbin, Song Qian, et al. Recent progresses in research of crop patterns mapping by using remote sensing [J]. Scientia Agricultura Sinica, 2015, 48(10): 1900－1914. (in Chinese with English abstract)

[22] 那晓东，张树清，李晓峰，等. MODIS NDVI时间序列在三江平原湿地植被信息提取中的应用[J]. 湿地科学，2007，5(3)：227－236. Na Xiaodong, Zhang Shuqing, Li Xiaofeng, et al. Application of MODIS NDVI time series to extracting wetland vegetation information in the Sanjiang Plain[J]. Wetland Science, 2007, 5(3): 227－236. (in Chinese with English abstract)

[23] Zhang M, Zhou Q, Chen Z, et al. Crop discrimination in Northern China with double cropping systems using Fourier analysis of time-series MODIS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(4): 476－485.

[24] 王学，李秀彬，谈明洪，等. 华北平原2001-2011年冬小麦播种面积变化遥感监测[J]. 农业工程学报，2015，31(8)：190－199. Wang Xue, Li Xiubin, Tan Minghong, et al. Remote sensing monitoring of changes in winter wheat area in North China Plain from 2001 to 2011[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2015, 31(8): 190－199. (in Chinese with English abstract)

[25] 唐鹏钦，吴文斌，姚艳敏，等. 基于小波变换的华北平原耕地复种指数提取[J]. 农业工程学报，2011，27(7)：220－225. Tang Pengqin, Wu Wenbin, Yao Yanmin, et al. New method for extracting multiple cropping index of North China Plain based on wavelet transform[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2011, 27(7): 220－225. (in Chinese with English abstract)

[26] 吴文斌，杨鹏，唐华俊，等. 两种NDVI时间序列数据拟合方法比较[J]. 农业工程学报，2009，25(11)：183－188. Wu Wenbin, Yang Peng, Tang Huajun, et al. Comparison of two fitting methods of NDVI time series datasets[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2009, 25(11): 183－188. (in Chinese with English abstract)

[27] Chen J, Jönsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter[J]. Remote Sensing of Environment, 2004, 91: 332－344.

[28] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627－1639.

[29] Jakubauskas M E. Harmonic analysis of time-series AVHRR NDVI data[J]. Photogrammetric Engineering and Remote Sensing, 2001, 67(4): 461－470.

[30] 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 land covers in Shandong Province[J]. Chinese Journal of Ecology, 2011, 30(1): 59－65. (in Chinese with English abstract)

[31] 王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31(11)：194－201. Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engeering (Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

王鹏新，荀 兰，李 俐，解 毅，王 蕾.基于时间序列叶面积指数傅里叶变换的农作物种植区域提取[J]. 农业工程学报，2017，33(21)：207－215. doi：10.11975/j.issn.1002-6819.2017.21.025 http://www.tcsae.org

Wang Pengxin, Xun Lan, Li Li, Xie Yi, Wang Lei. Extraction of planting areas of main crops based on Fourier transformed characteristics of time series leaf area index products[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(21): 207－215. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.21.025 http://www.tcsae.org

Extraction of planting areas of main crops based on Fourier transformed characteristics of time series leaf area index products

Wang Pengxin1,2, Xun Lan1,2, Li Li1,2※, Xie Yi1,2, Wang Lei1,2

(1.100083,; 2.100083,)

Crop identification is a basis of crop monitoring using remote sense data. Crop acreage is essential information for food security, land management and trade decisions. In this paper, the north of the Yellow River in North China Plain was chosen as the study area, where the main crops are winter wheat, maize, and cotton. The 4-day composite MODIS time series leaf area index (LAI) data with a spatial resolution of 1 km were collected yearly for the identification of different crops in the study area. In order to obtain the distribution of crops, we used 92 phases of MODIS LAI images yearly from 2014 to 2016. To avoid the edge effect of the time series LAI caused by data processing, including Savitzky-Golay filter and the second-order differential methods, the last 2 phases of LAI images in last year and the first 2 phases of LAI images in next year were added to build the time series LAI of a year. And time series LAI of each year was analyzed respectively. Then Savitzky-Golay filter was used to denoise and reconstruct time series LAI curves. The results showed that the Savitzky-Golay filter can remove the influence of factors such as cloud, atmosphere, and so on, and the reconstructed time series LAI curves were smooth and consistent with the crop growth and development characteristics. The Fourier transform provides a new representation of the time series images, which allows analysis of the crop phenology using the amplitudes and phases of the most important periodic components. In this study, the first-order differential method was employed to study the crop planting patterns in the study area by acquiring the number of peaks of the LAI curves, and the fields of one crop a year and two crops a year were extracted. The Fourier transform method based on Savitzky-Golay filtered LAI was further employed to extract the key parameters, such as the amplitudes and phases of the time series LAI. The 11 parameters, including the amplitudes of 0-5 terms and the phases of 1-5 order were used to build a multiband image. As the phenology parameters of different crops had their own characteristics, the amplitudes and phases of LAI curves from different crops varied. Therefore, combined with the minimum distance method, the fields of winter wheat, maize and cotton were extracted respectively. The distinctive feature for identifying winter wheat-summer maize was its 2 wave peaks, and the 1st and the 3rd amplitudes were larger than other amplitudes, which reflected the seasonal variation characteristics of the time series LAI. The cycle of the 1st harmonic was the entire length of time series, which reflected the overall situation of crop growth yearly, and the 3rd harmonic reflected the full-year growth process of the crops. The numbers of peaks for spring maize, summer maize and cotton were 1. Due to that the LAI for maize was generally greater than cotton, and the mean values of the LAI curves for spring maize and summer maize were greater than cotton’s, the 0 level amplitudes of spring maize and summer maize were larger than cotton’s. The peak of LAI curves for spring maize occurred earlier than cotton’s and summer maize’s, so the 1st phase of spring maize LAI was larger than cotton’s and summer maize’s. With these features, the fields of spring maize, summer maize and cotton were extracted from the fields of one crop a year, and the fields of winter wheat - summer maize were extracted from the fields of two crops a year. In addition, the same methods above were employed to extract the fields of crops in the study area in 2014, 2015 and 2016 respectively. At last the identification precision of different crops was validated by combining Google Earth and the phenology characteristics of time series LAI curves. The validation results showed that the overall identification accuracies were greater than 80.00% during these 3 years. And the overall identification accuracy reached 87.08% with Kappa coefficient of 0.85 in 2015, and the user accuracies for individual crop were as follows: winter wheat - summer maize, 92.50%; spring maize, 80.00%; summer maize, 92.50%; and cotton, 85.00%. In conclusion, the first-order differential method can be applied to extract the planting areas of one crop a year and two crops a year accurately. By combining the Fourier transform method with the crop phenology parameters, the planting areas of different crops can be identified effectively, and the approaches in this study are feasible for accurately extracting the main crops distribution information of the study area.

crops; remote sensing; extraction; area; leaf area index; Fourier transform; Savitzky-Golay filter; North China Plain

10.11975/j.issn.1002-6819.2017.21.025

S127

A

1002-6819(2017)-21-0207-09

2017-06-01

2017-10-15

国家重点研发计划重点专项资助项目（2016YFD0300603-3）

王鹏新，男，陕西礼泉人，博士，教授，博士生导师，主要从事定量遥感及其在农业中的应用研究。Email：wangpx@cau.edu.cn

※通信作者：李 俐，女，河南南阳人，博士，副教授，主要从事微波遥感及其在农业中的应用研究。Email：lilixch@cau.edu.cn