基于时序NDVI图谱库提高土地覆盖分类精度的方法

廖顺宝，岳艳琳



基于时序NDVI图谱库提高土地覆盖分类精度的方法

廖顺宝1,2，岳艳琳2

（1. 防灾科技学院生态环境学院，北京 101601；2. 河南大学环境与规划学院，开封 475004）

为提高MODIS土地覆盖产品的分类精度，该文以河南省为试验区，首先将MODIS土地覆盖产品（MCD12Q1）分为高精度区域和低精度区域，然后通过构建时序NDVI图谱库并利用图谱曲线相似性测定方法，改进MCD12Q1低精度区域的分类精度。结果表明：1）时序NDVI是土地覆盖的重要分类特征，二者之间具有较强的关联性。2）利用时序NDVI图谱库能够明显提高MODIS土地覆盖产品的分类精度，改进后的MCD12Q1的总体分类精度分别由72.76%（比较评价）、64.52%（样本评价）提高到83.05%和81.72%。3）不同土地覆盖类别精度提高的程度不同，林地、草地、耕地、人工地表以及水体的生产者精度分别提高35.36%、29.51%、2.98%、6.96%和6.11%。4）对于判定时序NDVI曲线相似度的2种具体方法而言，最小距离法（minimum distance, MD）总体上优于光谱角度匹配法（spectral angle mapper, SAM）。综上，保留现有土地覆盖产品中分类精度较高的部分，基于时序NDVI图谱库改进分类精度较低的部分，是提高现有土地覆盖产品分类精度的有效方法。

遥感；土地利用；时序NDVI；土地覆盖；分类；精度；评价

0 引 言

土地利用/覆盖变化（land-use and land-cover change，LUCC）是导致气候、生态过程、生物多样性、生物化学循环乃至全球变化的主要原因[1]，LUCC已经成为国内外相关研究领域的热点问题之一。开展土地利用/土地覆盖研究，及时、准确地了解地表土地覆盖状况，获取表征生态系统的重要基础数据，无论是对社会经济发展还是生态环境建设均具有重要意义。

精确的土地覆盖数据是客观真实地描述全球及区域陆表生态系统结构及其生态过程的关键因子[2,3-5]。随着遥感技术的广泛应用，通过遥感影像的目视解译或计算机自动分类来获取大范围乃至全球范围内的土地覆盖信息成为最重要的方式[6]。当前，在土地覆盖分类方法方面，已经发展形成了包括统计模型分类方法（如监督分类法和非监督分类法）、神经网络方法、支持向量机分类方法（support vector machine，SVM）以及决策树分类方法在内的各种自动分类方法。

在土地覆盖分类特征选取与优化方面，大部分土地覆盖分类研究都用到了归一化植被指数（NDVI），同时也用到了一些其他特征信息，以提高分类精度。例如：Gopal等在全球1°×1°土地覆盖制图中引入纬度信息，明显提高了分类精度[7]；Hansen等在全球1 km分辨率土地覆盖制图中引入反射率和热红外波段信息[8]；Wen等引入地表温度（Ts）与NDVI植被指数的比值特征并同时结合DEM特征[9]；刘纪远等引入气温、降水、高程3个指标[10]；卢玲等引入水体指数NDWI[11]；王长耀等[12-13]引入地表温度指标；王建等[14-15]引入纹理特征；谢相建等研究证明物候特征的加入能够显著提高土地覆盖分类精度，并且在NDVI、光谱和物候组合特征空间下分类精度达到最高[16]。李晓东等利用多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量，构建了多维分类特征数据集并对研究区进行土地覆盖分类，总体分类精度达95.50%，kappa系数0.95[17]。

上述技术方法都在不同程度上提高了土地覆盖分类的精度，也形成了一些具有影响的全球性土地覆盖产品，例如：美国地质调查局（USGS）的IGBP DISCover、马里兰大学的UMd、欧盟联合研究中心空间应用研究所的GLC2000以及MODIS每年更新的MCD12Q1产品等。但由于是大范围的自动化分类产品，这些产品的总体分类精度并不很高，且不同区域的精度差别较大。研究表明，DISCover和UMd在全球范围内的一级分类逐象元一致性仅为74%[18]；IGBP分类产品和UMd分类产品在中国区域分类的总精度均在40%以下[19]；冉有华等以中国1∶100 000土地利用数据为参考数据，得到4种全球土地覆盖数据集在中国的总体分类精度均低于60%[20]。然而，他们使用的都是比较成熟、比较先进的分类技术和方法，因此，再通过分类技术和方法本身来提高分类精度的潜力已不是很大。近年来，虽然有一些直接利用时序NDVI进行土地覆盖分类的研究[21-25]以及利用时序NDVI进行土地覆盖变化检测的研究[26-28]，但他们均未涉及如何改进现有土地覆盖产品。鉴于此，本文以河南省为研究试验区，以MODIS土地覆盖产品（MCD12Q1）为研究对象，将MCD12Q1分为高精度区域和低精度区域，通过构建时序NDVI图谱库并利用图谱曲线相似性测定方法，改进MCD12Q1低精度区域的分类精度，从而提高产品在整个区域的分类精度。

1 数据来源与处理

1.1 数据来源

1）MODIS NDVI数据。从NASA网站（https://ladsweb. nascom.nasa.gov/）下载。本文进行宏观尺度的土地覆盖研究，主要采用NASA 44种MODIS产品中的MOD13Q1产品。该产品由16 d植被指数最大值合成，空间分辨率为250 m，共包含NDVI、EVI、红、蓝、近红、中红和VI质量文件等12个波段。数据的时间序列为：全国2009年第001天至2011年第353天共69个时相的集合，用于标准图谱曲线库的构建；河南省2012年第001天至2014年第353天共69个时相的集合，用于提取时序NDVI曲线，通过与标准图谱曲线比对，提取2013年的土地覆盖信息。

2）MCD12Q1数据。MCD12Q1是MODIS三级土地覆盖类别产品，由1a的Terra和Aqua卫星观测所得数据处理后形成的，空间分辨率为500 m。该产品采用5种不同的土地覆盖分类方案。本文使用河南省范围的MCD12Q1产品，时间序列为2013年，采用IGBP分类方案。该产品在生产过程中未使用时序NDVI信息。

3）全国1：250 000土地覆盖数据（2005）。用作选择各土地覆盖类别典型样本区的参考数据。该数据集来源于国家地球系统科学数据共享平台，包括有森林、草地、农田、聚落、湿地水体、荒漠6个一级类别和25个二级类别。

4）河南省1：100 000土地利用数据（2013）。作为参考标准，用于对研究区土地覆盖信息提取结果、MCD12Q1土地覆盖产品以及新生成的土地覆盖产品进行精度评价。该数据集来源于国家地球系统科学数据共享平台-黄河下游科学数据中心，数据集基于Landsat TM数据目视解译结合外业调查生成，包括耕地、林地、草地、水域、建设用地和未利用地在内的6个一级类、25个二级类型。该数据集的耕地分类精度为90%，其他地类的分类精度在85%以上。

5）土地覆盖野外考察数据（2015）。野外考察数据用于对土地覆盖产品进行样本评价，于2015年在河南省通过实地考察获得。考察中，综合考虑实际土地覆盖分布、地形因子、交通条件等各项因素，选取了具有典型性和代表性并具有一定面积分布的均质区域，并尽可能地涵盖林地、草地、耕地、人工地表、水体等各种土地覆盖类别。本文共选择93个野外考察样本点，其分布见图1。

1.2 数据预处理

1）数据重投影、格式转换及裁剪。MODIS数据产品（MOD13Q1、MCD12Q1）采用正弦投影，数据格式为HDF-EOS，这种投影方式和数据格式目前还没有得到广泛的支持。为能在ENVI和ArcGIS中有效使用MODIS遥感影像数据，将数据投影转换为Albers投影，将数据格式转换成tiff格式。对于MOD13Q1产品，利用各样本区矢量文件裁剪出各土地覆盖类别样本区的NDVI值，经时间序列重建之后获取各土地覆盖类别的参考时序NDVI曲线。

2）MODIS NDVI时间序列重建。将重投影、格式转换和裁剪处理得到的各样本区以及研究区MOD13Q1数据进行时间域均值滤波、空间域中值滤波、HANTS滤波平滑等处理，重建其NDVI时间序列。

图1 野外考察样本点空间分布

2 研究方法

本文的主要内容及顺序为：①构建MODIS-NDVI时序图谱库、②根据所构建的时序图谱库提取研究区土地覆盖信息、③将MODIS 土地覆盖产品（MCD12Q1）分为精度较高区域和精度较低区域2部分、④用所提取的土地覆盖信息对分类精度较低区域进行替代，形成新的土地覆盖产品，实现分类精度的提升。其中②④两个顺序中均涉及土地覆盖的精度评价，包括比较评价和样本评价。

1）构建MODIS-NDVI时序图谱库。本研究的区域虽然为河南省，但该省以农田、林地为主，其他类型如常绿针叶林、草甸草地、典型草地等面积很少甚至没有。如果仅在河南省范围内选择样本，一方面样本很难选全，另一方面由于个别样本面积太小致使样本的代表性不强。因此，综合考虑样本的代表性以及分类系统的完整性，在构建时序NDVI图谱库时在全国范围内选择样本。

2）提取土地覆盖信息。将研究区每个像元的时序NDVI曲线与标准时序NDVI图谱曲线进行比较，根据曲线之间的相似性进行土地覆盖类别的划分，实现土地覆盖信息的提取。曲线相似性测定方法包括光谱角度匹配法和最小距离法。

3）MODIS土地覆盖产品（MCD12Q1）分区。由于1∶100 000土地利用与MCD12Q1在制图精细程度和制图方法上的差异，前者的精度总体上明显高于后者。因此，本文所说的产品改进针对的是MCD12Q1，该产品为非时序NDVI分类产品。改进的基本思路是，将研究区（河南省）2套土地覆盖数据（1∶100 000土地利用数据和MCD12Q1）进行空间叠加，其结果可以分为2部分：土地覆盖类型一致的部分和不一致的部分。分类一致的部分被认定为分类精度较高或分类正确的概率较大，不需要进行修正；不一致的部分被认定为分类精度较低或分类正确的概率较小，需要进行修正。

4）改进分类。在ArcGIS中，用提取的土地覆盖数据替换原MODIS土地覆盖产品中分类精度较低区域的数据。

5）精度评价。包括以1∶100 000土地利用数据为参考的比较评价和以野外实地考察数据为参考的样本评价。

具体技术流程如图2所示。

图2 基于时序NDVI图谱改进土地覆盖分类精度的技术流程

3 全国MODIS-NDVI时序图谱库构建

3.1 确定不同土地覆盖类别样本区

采用目视解译的方法来获得样本数据。具体方法为：以全国1∶250 000土地覆盖数据为参考，依据中国植被分布规律，结合已有相关研究，利用Google Earth 提供高分影像和多边形标记功能，综合考虑样本的典型性和一致性要求，确定各土地覆盖类别的典型样本区。通过目视解译确定了常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、针阔混交林、灌丛、草甸草地、典型草地、荒漠草地、高寒草甸、高寒草原、灌丛草地、水田、水浇地、旱地、聚落、水体共17种土地覆盖类别的样本区。经筛选，最终在全国范围内确定了38个典型样本区。某土地覆盖类别的参考时序NDVI曲线通过该土地覆盖类别样本区的平均时序NDVI曲线来确定。其中，时序NDVI曲线来源于MODIS MOD13Q1数据。

3.2 提取各土地覆盖类别参考时序NDVI曲线

以各类别样本区平均时序NDVI曲线代表该土地覆盖类别的参考时序NDVI曲线，利用各土地覆盖类别样本区矢量数据和重建的MODIS NDVI时间序列来提取各类别参考时序NDVI曲线。共获取17种土地覆盖类别的参考时序NDVI曲线。

3.3 MODIS-NDVI时序图谱库

在ENVI 5.1中，利用各土地覆盖类别时序NDVI数据建立MODIS-NDVI时序图谱库。首先使用光谱曲线工具显示各样本区时序NDVI曲线，然后利用工具集中创建光谱库工具依次收集各样本区的时序NDVI曲线，并保存到新创建的光谱库中，以便在ENVI中直接调用。MODIS-NDVI时序图谱库中，17种土地覆盖类别的参考曲线如图3所示。

图3 MODIS-NDVI时序图谱库曲线（基于MOD13Q1和全国38个典型样本）

值得注意的是，暖温带常绿针叶林在第225天附近（8月中旬）出现一个小的波谷，致使1a内出现2个波峰，主要由于是8月份云覆盖比较严重，使NDVI值偏低所致。虽然MODIS-NDVI数据经过了去云处理，但当云覆盖比较严重时，有时去云效果并不十分理想。

4 基于全国MODIS-NDVI时序图谱库提取河南省土地覆盖信息

4.1 图谱曲线相似性测定方法

通过将像元的时序NDVI曲线与参考时序NDVI曲线进行比较，求算曲线之间的相似性或差异性，从而对地物的性质进行详细的分析，实现地物类别属性的识别。常用的曲线相似度测定方法包括光谱角度匹配法、最小距离法等。

1）光谱角度匹配法

该方法通过对地物光谱与参考光谱的比较，以某种相似性测度来表征它们之间的相似性或相关程度，从而实现地物类别属性的识别[29]，进而进行相似地物的提取[30]。因此，众多研究者利用光谱匹配模型方法来测度时序NDVI曲线的相似性从而进行地物识别、信息提取等相关研究。

光谱角度匹配法（spectral angle mapper，SAM）是一种基于形状特征的曲线相似性测度方法，该方法的基本思想是将光谱看成是维数与波段数相等的空间里的向量，通过计算光谱间角度的大小来衡量2个光谱之间的相似性或差异性。2个波段的光谱向量=(1,2,…, x) 和=(12…,y)，角度计算公式如下：

该方法强调光谱的形状特征，将图像中每一像元光谱向量与参考光谱向量求广义夹角，夹角越小代表相似性越大。

2）最小距离法

最小距离法（minimum distance, MD）是一种基于幅度特征的曲线相似性测度方法。该方法利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，通过计算输入图像中每一个像元到各类中心的距离，将所有像元依次归类到距离最小的类型中。常用的距离判别函数有欧氏距离和马氏距离。

4.2 河南省土地覆盖信息提取

4.2.1 土地覆盖信息提取

基于MODIS-NDVI时序图谱库和研究区2012—2014年MODIS NDVI数据，利用NDVI曲线相似性测度方法可提取得到河南省2013年土地覆盖信息，如图4所示。其中SAM_2013、MD_2013分别表示利用光谱角度匹配法、最小距离法提取的河南省2013年土地覆盖信息。

图4 基于MODIS-NDVI时序图谱库提取的河南省2013年土地覆盖信息

4.2.2 提取结果精度评价

为保证评价结果的全面和客观，精度评价分为比较评价和样本评价。比较评价是指以分类精度较高的同类产品为参考对评价对象进行评价；样本评价是指以野外实地考察数据为参考对评价对象进行评价。

1）比较评价。以河南省2013年1∶100 000土地利用数据为基准，对基于MODIS-NDVI时序图谱库提取得到的土地覆盖数据进行比较评价。首先需要进行分类系统的统一，表1是2套数据的分类系统对照及整合情况。比较结果见表2。

从表2可以看出，基于MODIS-NDVI时序图谱库提取的河南省2013年土地覆盖信息与1∶100 000土地利用数据相比较，具有较高的总体精度和kappa系数，且2产品类型面积构成相似度高。

2）样本评价。利用河南省2015年野外考察数据对土地覆盖信息提取结果进行样本评价。野外实地考察精度评价共选取样本93个，其中林地26个，草地6个，耕地50个，人工地表7个，水体4个。样本评价结果表明SAM_2013正确分类的样本数目为62个，MD_2013正确分类的样本个数为74个，SAM_2013和MD_2013的总体精度分别为66.67%、79.57%。各土地覆盖类别精度评价结果如图5所示。

表1 1∶100 000土地利用数据和基于MODIS-NDVI时序图谱库提取的土地覆盖分类系统的对照与统一

表2 基于时序NDVI提取的河南省2013年土地覆盖信息的比较评价

注：1:100 000土地利用数据来源于国家地球系统科学数据共享平台-黄河下游科学数据中心.

Note: Land use data(1∶100 000) comes from Data Center of the Lower Reaches of the Yellow River, National Earth System Science Data Sharing Infrastructure.

图5 河南省（2013）各土地覆盖类别制图精度

从各土地覆盖类别制图精度结果来看，林地和耕地被正确分类的精度高于其他土地覆盖类别，草地和人工地表的分类精度相对较低。总体来看，利用最小距离法提取的土地覆盖结果优于光谱角度匹配法。利用光谱角度匹配法提取的结果，草地和人工地表的分类精度在50%以下，其他3类高于50%，而利用最小距离法提取的结果全部在50%以上，各土地覆盖类别都达到较高的正确率。由此可见，时序NDVI与土地覆盖分类精度有较强的关联性，利用时序NDVI来提高地覆盖分类精度是完全可行的。

5 现有土地覆盖分类产品的改进

5.1 对MCD12Q1产品的改进

由于最小距离法的提取结果优于光谱角度匹配法的提取结果，因此，本文以最小距离法的提取结果对原始MCD12Q1产品进行改进。首先，将2013年河南省1∶100 000土地利用数据和MCD12Q1数据进行栅格运算，可以得到分类一致和不一致的区域；其次，以空间不一致区域为掩膜，对MD_2013进行裁剪；最后，将裁剪结果（MD_2013相应部分）与空间一致区域进行拼接，得到新的土地覆盖产品AMCD_2013，如图6所示。

5.2 改进后的精度评价

1）比较评价

以1∶100 000土地利用数据为参考数据，对新生成的数据产品AMCD_2013进行精度评价，以验证基于MODIS-NDVI时序图谱库能否提高现有土地覆盖产品的精度，得到误差矩阵和精度系数如表3所示。

图6 改进后的河南省（2013）土地覆盖产品

表3 改进后的河南省土地覆盖一致性评价误差矩阵

AMCD_2013的总体精度和kappa系数分别为83.05%、0.65，比原始MCD12Q1（非时序NDVI产品）的总体精度（72.76%）和kappa系数（0.40）分别提高了10.29%和0.25。由此证明，基于MODIS-NDVI时序图谱库进行土地覆盖信息的提取，可以明显改进和提高现有土地覆盖产品的精度。

具体到各土地覆盖类别的用户精度和生产者精度，如表4所列，除林地的用户精度AMCD_2013与MCD12Q1产品基本持平以外，其他各类型的用户精度，AMCD_2013均高于MCD12Q1；AMCD_2013各土地覆盖类别的生产者精度均高于MCD12Q1产品。

表4 河南省原MODIS土地覆盖与改进后的土地覆盖精度的比较评价

2）样本评价

以93个野外考察数据为样本，分别对MCD12Q1和AMCD_2013进行样本评价，得到2套数据产品的总体精度分别为64.52%、81.72%，AMCD_2013比MCD12Q1产品的总体精度提高了17.20%。这个结果再次证明基于MODIS-NDVI时序图谱库可以明显提高现有土地覆盖产品的精度。2套产品各土地覆盖类别正确识别的比率如图7所示。由图7可以看出，除草地外，AMCD_2013各土地覆盖类别的正确识别率均高于MCD12Q1产品，尤其是林地和水体2种土地覆盖类别。

6 结 论

本文通过在全国范围内选取常绿针叶林、常绿阔叶林等17种土地覆盖类别的样本区，构建MODIS-NDVI时序图谱库，然后基于该图谱库，利用曲线相似性测度方法提取河南省土地覆盖信息，在证明时序NDVI与土地覆盖分类有较强关联性的基础上，探讨了基于MODIS-NDVI时序图谱库提高现有土地覆盖产品分类精度的方法。主要结论如下：

1）时序NDVI数据是反映土地覆盖类型特征的重要参数之一。基于MODIS-NDVI时序图谱库直接提取的2013年河南省土地覆盖信息，与野外实地考察数据进行样本评价，总体精度高达79.57%；与1∶100 000土地利用数据比较，总体精度为73.45%，kappa系数0.50。

2）利用NDVI时序图谱库能够显著提MCD12Q1的分类精度。以1∶100 000土地利用数据为参考对原有产品和新产品进行精度评价，结果显示，新产品（AMCD_2013）较原产品（MCD12Q1）的总体精度和kappa系数分别提高了10.29%和0.25；利用野外考察数据分别对两种产品进行精度评价，结果表明，新产品的总体精度比MCD12Q1提高17.20%。

3）不同土地覆盖类别精度提高的幅度不同。改进后的产品（AMCD_2013）与原产品（MCD12Q1）相比，林地的生产者精度由57.91%提高到93.27%；草地的制图精度由10.16%提高到39.67%；人工地表的生产者精度由15.2%提高到22.16%；耕地、水体、其他等3种土地覆盖类别的精度提高幅度相对较小，但也都有所提高。

4）就时序NDVI曲线相似性测度的具体方法而言，最小距离法整体上优于光谱角度匹配法。

与土地覆盖类别相关的因素很多，本文仅从时序NDVI的角度探讨提高现有土地覆盖分类精度的方法。事实上，除NDVI之外，其他诸如地形因子、气候因子等也与土地覆盖分类精度密切相关，这些内容将在后续的研究中进一步探讨。另外，虽然本文利用MODIS-NDVI时序图谱库方法提高了土地覆盖分类的精度，但不同类别精度提高的程度参差不齐，后续研究中将进一步探讨影响各类别精度提高幅度的因素，如精度提高幅度与土地覆盖类别面积占比的关系等。

[1] Global Earth Observation System of Systems. The GEOSS 10-Year Implementation Plan[EB/OL]. http://www. earthobservations.org, 2005-03.

[2] 陈军，陈晋，宫鹏，等．全球地表覆盖高分辨率遥感制图[J]．地理信息世界，2011，9(2)：12－14． Chen Jun, Chen Jin, Gong Peng, et al. Higher resolution global land cover mapping[J]. Geomatics World, 2011, 9 (2): 12－14. (in Chinese with English abstract)

[3] Sutherland W J, Adams W M, Aronson R B, et al. One hundred questions of importance to the conservation of global biological diversity[J]. Conservation Biology, 2009, 23(3): 557－567.

[4] Lambin E F, Geist H J, Lepers E. Dynamics of land-use and land-cover change in tropical regions[J]. Annual Review of Environment & Resources, 2003, 28(28): 205－241.

[5] Feddema J J, Oleson K W, Bonan G B, et al. The importance of land-cover change in simulating future climates[J]. Science, 2005, 310(5754): 1674－1678.

[6] 魏强. 基于MODIS和TM数据的京津冀地区土地覆被分类方法研究[D]．石家庄：河北师范大学，2010． Wei Qiang. Research on Land Cover Classification Method of Beijing-Tianjin-Hebei Region Using MODIS and TM Data[D]. Shijiazhuang: Hebei Normal University, 2010. (in Chinese with English abstract)

[7] Gopal S, Woodcock C E, Strahler A H. Fuzzy neural network classification of global land cover from a 1°AVHRR data set-the generation of global fields of terrestrial biophysical parameters from satellite data[J]. Remote Sensing of Environment, 1999, 67(2): 5138－42.

[8] Hansen M C, Defries R S, Townshend J R G, et al. Global land cover classification at 1km resolution using a decision tree classifier[J]. International Journal of Remote Sensing, 2000, 21(6－7): 1331－1364.

[9] Wen C G, Tateishi R. 30-second degree grid land cover classification of Asia[J]. International Journal of Remote Sensing, 2001, 22(18): 3845－3854.

[10] 刘纪远，庄大方，凌扬荣，等．基于GIS的中国东北植被综合分类研究[J]．遥感学报，1998，2(4)：285－291． Liu Jiyuan, Zhuang Dafang, Ling Yangrong, et al. Vegetation integrated classification and mapping using remote sensing and GIS techniques in northeast China[J]. Journal of Remote Sensing, 1998, 2(4): 285－291. (in Chinese with English abstract)

[11] 卢玲，李新，董庆罕，等．SPOT4-VEGETATION中国西北地区土地覆盖制图与验证[J]．遥感学报，2003，7(3)：214－220． Lu Ling, Li Xin, Dong Qinghan, et al. The mapping and validation of land cover in northwest China from SPOT4- VEGETATION[J]. Journal of Remote Sensing, 2003, 7(3): 214－220. (in Chinese with English abstract)

[12] 王长耀，骆成凤，齐述华，等．NDVI-Ts空间全国土地覆盖分类方法研究[J]．遥感学报，2005，9(1)：93－99． Wang Changyao, Luo Chengfeng, Qi Shuhua, et al. A method of land cover classification for China based on NDVI-Ts space[J]. Journal of Remote Sensing, 2005, 9(1): 93－99. (in Chinese with English abstract)

[13] 宫攀，陈仲新，唐华俊，等．基于MODIS温度/植被指数的东北地区土地覆盖分类[J]．农业工程学报，2006，22(9)：94－99． Gong Pan, Chen Zhongxin, Tang Huajun, et al. Land cover classification based on MODIS temperature-vegetation index time-series data in Northeastern China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(9): 94－99. (in Chinese with English abstract)

[14] 王建，董光荣，李文君，等．利用遥感信息决策树方法分层提取荒漠化土地类型的研究探讨[J]．中国沙漠，2000，20(3)：243－247． Wang Jian, Dong Guangrong, Li Wenjun, et al. Primary study on the multi-layer remote sensing information extraction of desertification land types by using decision tree technology[J]. Journal of Desert Research, 2000, 20(3): 243－247. (in Chinese with English abstract)

[15] 孙丹峰，杨冀红，刘顺喜．高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究[J]．农业工程学报，2002，18(2)：160－164． Sun Danfeng, Yang Jihong, Liu Shunxi. Application of high-spatial IKNOS remote sensing images in land use classification and change monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(2): 160－164. (In Chinese with English abstract)

[16] 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，2014，19(4)：627－638． Xie Xiangjian, Xue Zhaohui, Wang Dongchen, et al. Land cover classification in Karst regions based on phenological features derived from a long-term remote sensing image series. Journal of Remote Sensing, 2014, 19(4): 627－638. (in Chinese with English abstract)

[17] 李晓东，姜琦刚．基于多时相遥感数据的吉林西部土地覆被分类提取[J]．农业工程学报，2016，32(9)：173－178． Li Xiaodong, Jiang Qigang. Extracting land cover types in western Jilin based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 173－178. (in Chinese with English abstract)

[18] Hansen M C, Reed B. A comparison of the IGBP DISCover and University of Maryland 1 km global land covers products [J]. International Journal of Remote Sensing, 2000, 21(6－7): 1365－1373.

[19] 王军邦．中国陆地净生态系统生产力遥感模型研究[D]．杭州：浙江大学，2004．Wang Junbang. Chinese Terrestrial Net Ecosystem Productive Model Applied Remote Sensing Data[D]. Hangzhou: Zhejiang University, 2004. (in Chinese with English abstract)

[20] 冉有华，李新，卢玲．四种常用的全球1 km土地覆盖数据中国区域的精度评价[J]．冰川冻土，2009，31(3)：490－500． Ran Youhua, Li Xin, Lu Ling. Accuracy evaluation of the four remote sensing based land cover products over China[J]. Journal of Glaciology and Geocryology, 2009, 31(3): 490－500. (in Chinese with English abstract)

[21] 王志慧，李世明，刘良云，等．基于MODIS NDVI时间序列的土地覆盖分层分类方法研究[J]．遥感技术与应用，2013，28(5)：910－919． Wang Zhihui, Li Shiming, Liu Liangyun, et al. Hierarchical land cover classification based on MODISNDVI time-series[J]. Remote Sensing Technology and Application, 2013, 28(5): 910－919. (in Chinese with English abstract)

[22] 顾娟，李新，黄春林．基于时序MODIS NDVI的黑河流域土地覆盖分类研究[J]．地球科学进展，2010，25(3)：317－326． Gu Juan, Lin Xin, Huang Chunlin. Land cover classification based on time series MODIS/NDVI data in Heihe river basin. Advances in Earth Science, 2010, 25(3): 317－326. (in Chinese with English abstract)

[23] 刘庆凤，刘吉平，宋开山．基于MODISNDVI时序数据的土地覆盖分类[J]．中国科学院研究生院学报，2010，27(2)：163－169． Liu Qingfeng, Liu Jiping, Song Kaishan. Land cover classification based on MODISNDVI time series data. Journal of the Graduate School of the Chinese Academy of Sciences, 2010, 27(2): 163－169. (in Chinese with English abstract)

[24] 马俊飞，吕昌河，王茜．基于MODIS NDVI时序数列的柴达木盆地土地覆盖分类研究[J]．干旱区地理，2008，31(3)：442－448．Ma Junfei, Lü Changhe, Wang Qian. Land-cover classification of the Qaidam Basin based on MODIS NDVI time series data. Arid Land Geography, 2008, 31(3): 442－448. (in Chinese with English abstract)

[25] 汪权方，李家永．基于时序NDVI数据的中国红壤丘陵区土地覆被分类研究[J]．农业工程学报，2005，21(2)：72－77． Wang Quanfang, Li Jiayong. Land cover classification in red soil hilly region of China using multi-temporal VEGETATION NDVI data: A case study of Poyang basin. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(2): 72－77. (in Chinese with English abstract)

[26] 李月臣，陈晋，宫鹏，等．基于NDVI时间序列数据的土地覆盖变化检测指标设计[J]．应用基础与工程科学学报，2005，13(3)：261－275． Li Yuechen, Chen Jin, Gong Peng, et al. Study on land cover change detection method based on NDVI time series data sets: Change detection indexes design. Journal of Basic Science and Engineering, 2005, 13(3): 261－275. (in Chinese with English abstract)

[27] 殷守敬．基于时序NDVI的土地覆盖变化检测方法研究[D]．武汉：武汉大学，2010． Yin Shoujing. Research on Land Cover Change Detection Methods using Time Series NDVI. Wuhan: Wuhan University, 2010. (in Chinese with English abstract)

[28] 郭晓晓，冯海霞，冯仲科，等．基于MODIS温度和植被指数产品的山东省土地覆盖变化研究[J]．遥感信息，2010，(4)：58－62． Guo Xiaoxiao, Feng Haixia, Feng Zhongke, et al. Land cover change survey in Shandong province based on MODIS NDVI & LST products. Remote Sensing Information, 2010, (4): 58－62. (in Chinese with English abstract)

[29] 刘伟．基于光谱特征分析的匹配与分类技术研究[D]．郑州：解放军信息工程大学，2008． Liu Wei. Research on Technology of Matching and Classification Based on Spectral Feature Analysis. Zhengzhou: PLA Information Engineering University, 2008. (in Chinese with English abstract)

[30] 王红说，黄敬峰，徐俊锋，等．基于MODIS NDVI时间序列谱匹配的耕地信息提取研究：以浙中地区为例[J]．浙江大学学报(农业与生命科学版)，2008，34(3)：334－340．Wang Hongshuo, Huang Jingfeng, Xu Junfeng, et al. Research on cultivated land extraction based on MODIS NDVI time series matching analysis: A case in middle part of Zhejiang. Journal of Zhejiang University (Agric. & Life Sci.), 2008, 34(3): 334－340. (in Chinese with English abstract)

Method of improving classification accuracy of land cover based on time series NDVI database

Liao Shunbao1,2, Yue Yanlin2

(1.101601,; 2.475004,)

The most important task of carrying out the research on land use/land cover changes is to obtain accurate land cover data timely and efficiently. In recent years, many researches have been carried out to improve the accuracy of land cover classification, but they mainly focused on the aspects of land cover classification methods, classification features, classification systems and reducing noise pollution of remote sensing images. There were also some researches in which time series NDVI (normalized difference vegetation index) was directly applied to classify land cover or detect change of land cover. However, the researches that enhance classification accuracy for low classification precision areas on the basis of the existing land cover products using time series NDVI have not been found yet. In this paper, Henan Province in central China was taken as the study area, the regions possessing low classification precision with the existing MODIS land cover product (MOD12Q1) were selected, and the study on improving classification accuracy in these regions was carried out by means of the construction of time series NDVI database and the measurement of similarity of time series NDVI curves. The results are as follows: 1) Time series NDVI is an important feature for land cover classification, and there is a strong correlation between time series NDVI and land cover categories. The overall accuracy of the land cover data extracted based on time series MODIS-NDVI database in the study area was as high as 79.57% (sample evaluation based on field survey) and 73.45% (comparative evaluation with land use map at scale of 1:100 000) respectively. It is demonstrated that it is feasible to improve the accuracy of land cover classification by means of time series NDVI. 2) It was shown from a practical application that classification accuracy of existing land cover products could be significantly improved by using time series MODIS-NDVI database. The overall classification accuracy of the new land cover product, which was obtained by revising original MCD12Q1 based on time series MODIS-NDVI database, increased by 10.29% (from 72.76% to 83.05%, comparative evaluation) and 17.20% (from 64.52% to 81.72%, sample evaluation) respectively. 3) Degree of accuracy improvement for various land cover categories was different. The producer’s accuracy for forest land, grassland, cultivated land, artificial land surface and water body increased by 35.36%, 29.51%, 2.98%, 6.96% and 6.11% respectively. 4) With regard to 2 specific methods that were used for judging similarity of NDVI curves in time series, the minimum distance (MD) method is superior to spectral angle matching (SAM) method in general. In conclusions, it is an effective method of improving precision of existing land cover products to retain parts of land cover information with high precision and reclassify the parts with low precision using time series NDVI. The classification accuracy of land cover products can be significantly improved by revising them based on time series NDVI database.

remote sensing; land use; time series NDVI; land cover; classification; accuracy; evaluation

廖顺宝，岳艳琳. 基于时序NDVI图谱库提高土地覆盖分类精度的方法[J]. 农业工程学报，2018，34(7)：241－248. doi：10.11975/j.issn.1002-6819.2018.07.031 http://www.tcsae.org

Liao Shunbao, Yue Yanlin. Method of improving classification accuracy of land cover based on time series NDVI database [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(7): 241－248. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.07.031 http://www.tcsae.org

2017-08-04

2018-01-08

国家重点研发计划重点专项（2017YFD0300400）；河北省自然科学基金（D2018512002）；中国清洁发展机制基金赠款项目（2014109）

廖顺宝，博士，教授，博士生导师。主要从事遥感与GIS应用、地学信息产品加工与质量评价方面的研究与教学工作。Email：liaoshunbao@cidp.edu.cn

10.11975/j.issn.1002-6819.2018.07.031

S127

A

1002-6819(2018)-07-0241-08