基于改进最大值法合成NDVI的夏玉米物候期遥感监测

李 艳，张成才，罗蔚然，郜文江

基于改进最大值法合成NDVI的夏玉米物候期遥感监测

李 艳1,2，张成才1※，罗蔚然1，郜文江3

（1. 郑州大学水利与环境学院，郑州 450001；2. 郑州工业安全职业学院，郑州 451192；3. 登封市水务局，登封 452470）

利用遥感技术监测农作物物候期，能够及时有效地评估作物生长趋势、提高农情信息化管理水平。本研究利用2016年MODIS 8天合成数据，提出改进的最大值合成法，结合S-G滤波和Logistic函数拟合重构夏玉米生长曲线，最后利用曲率法提取夏玉米的拔节期和成熟期，利用动态阈值法提取夏玉米的出苗期和抽雄期。结果表明：采用本文提取的夏玉米物候期与实测物候期相比，平均误差为2.76 d，其中在抽雄期的绝对误差为1.06 d，运用改进的最大值合成提取作物NDVI时序数据可有效去除连续云雾对植被指数的影响，提高监测作物物候期的准确性，为精准农业提供技术支撑。

遥感；监测；物候期；夏玉米；正-反向最大值合成；Logistic函数；曲率法；动态阈值法

0 引 言

作物物候期反映了作物的生长和发育规律，及时准确地获取农作物物候期信息，对于农情监测、农田管理以及气候的响应等研究具有重要的支撑作用[1-2]。传统的物候期监测方法如田间观测法、积温法等虽然简单易行，但是仅从点的角度出发，代表面积有限，对于大面积农田的长期物候监测有很大的局限性[3]。遥感技术具有广泛性、时效性、经济性等特点，近年来利用遥感技术监测农作物长势、物候特征提取等方面的研究成为热点[4-13]。众多遥感数据中，MODIS数据波段相对较窄，减少了水汽吸收对相关波段的影响（如近红外波段），且有较高的时空分辨率，在物候期监测中应用最为广泛[6-12]。归一化植被指数（normalized difference vegetation index，NDVI）可根据地表植被对可见光和近红外波段特有的光谱反射特性，在较大空间尺度上精确地反映农作物绿度以及光合作用强度。MODIS NDVI 时序中所包含的大量信息可以直观地反映研究区农作物随时间推移发生的变化，是物候期监测及提取使用的最常用数据类型[6-10]。光学传感器获取地表信息时，会受到云覆盖、大气干扰、双向反射等多重因素的影响；同时，在植被覆盖度较高时NDVI值会出现饱和现象，因此在使用NDVI数据时，需要先对其进行去噪平滑处理[11-12]，再根据除噪后的植被生长曲线特征提取物候信息。目前，对NDVI时序数据的降噪算法大致分为三类：一是传统的最大值合成法（maximum value composite, MVC）[13]；二是时域上的处理方法，包括中值/均值滤波法（median filtering method/average filtering method, MFM/AFM）[14-15]、最佳指数斜率提取法（the best index slope extraction, BISE）[16]、S-G滤波法（Savitzky-Golay, S-G）[17]、双重逻辑函数滤波（Double Logistic Function-fitting, DL）[6]、非对称高斯拟合函数（asymmetric gaussian method, AG）[8]、傅立叶变换（fourier transform, FT）[18]等；三是频率域上的处理方法，包括傅里叶低通滤波法（fourier filtering method, FF）[19]和小波低通滤波法（wavelet filtering method, WF）[20]等。以上这些方法中，每种方法对不同性质噪声点去噪、平滑和保真能力不同[21]。MVC算法简单，使用方便，广泛应用在NDVI的初步除噪过程中，但对于连续多日多云天气容易出现较大误差。BISE通过一个滑动周期来判断NDVI再增长百分比，可以有效去掉植被指数序列中的突降值，但不能有效去除一些地表植被各向异性的观察角度以及受大气条件影响导致的异常偏高值。傅里叶变换其严格的拟合对称性使得不规则的NDVI时序数据仍保留高噪声，滤波结果与原始值相比有较大的偏移。尽管相比之下非线性拟合的方法如AG更能体现植被生长变化的自然特征，但很难找到合适的最大值和最小值对高斯函数进行拟合。S-G滤波、AG中的滑动窗口大小的选择要依据经验，而这些参数是应用中的关键，选择的好坏可直接影响算法的成功与否。Beck等[6]通过对DL、AG和FT 3种方法进行对比，得出采用DL对MODIS NDVI时序数据重构效果好于其他2种方法。曹云锋等[22]对比了非对称高斯算法（AG）、双逻辑曲线拟合算法（DL）和S-G算法对原始数据的保真性，发现在生长季，AG与DL对原始高质量数据的保真性较高，在非生长季S-G的拟合保真性明显高于AG与DL 2种方法。宫诏健等[23]分别利用AG、S-G滤波和DL 3种拟合方法重构春玉米NDVI时序曲线，结果表明，基于AG得到的NDVI时序曲线保真能力在3种模型中最强，基于S-G滤波得到NDVI时序曲线平滑能力优于AG和DL模型。为提高植被指数时序数据的重建效果，结合两种或多种除噪方法是目前重建算法较为常用的方式。李杭燕等[24-25]通过对改进的最佳指数斜率提取法、均值迭代滤波法、S-G滤波法、时间序列谐波分析法以及AG模型5种除噪方法比较，提出标准差权重法对5种重建方法进行综合，经验证效果优于单个的除噪方法。李颖等[26]首先使用MVC对原始NDVI初步去噪，由于该方法无法消除多日连续低值噪声，结合S-G迭代滤波取上包络线的方法[27]还原作物的NDVI曲线，再使用Logistic曲线拟合重构了夏玉米生长过程曲线。由上可知，目前利用遥感时序数据监测农作物物候信息研究中，如何使NDVI值反映的作物生长状况与实际情况相对一致，作物生长曲线特征点位与其物候期的对应关系更加准确，是研究的主要方向之一。

鉴于此，本文利用MODIS NDVI时间序列对夏玉米的物候特征进行分析，提出改进的最大值合成法，在不增加其他参数的情况下，修正连续多日云雾覆盖时造成NDVI值与实际值不符的问题，结合S-G滤波法对DNVI曲线做平滑处理，进一步提高NDVI时序数据的精度。为了使平滑后的曲线更加符合实际生长状况，将平滑后的NDVI时序数据采用Logistic函数拟合重构得到夏玉米完整的生长曲线。根据夏玉米的生长特征，分别采用曲率法和动态阈值法提取重构曲线的特征点，对研究区夏玉米的关键物候期进行提取，以期为遥感技术监测农情提供参考。

1 研究区概况及数据准备

1.1 研究区概况

本研究区广利灌区位于河南省焦作市西南部（112°37′～113°13′E，34°55′～35°11′N），是集灌溉、补源、排涝功能为一体的大型灌区。渠首位于济源市五龙口沁河出山口。灌区总面积340 km2。灌区气候温和，土地肥沃，盛产小麦、玉米，兼种棉花、山药等经济作物，系河南省粮食高产稳产区，研究区地理区位图如图1所示。

1.2 数据的获取与处理

1.2.1 遥感数据

MODIS是装载在美国国家航空航天局发射的Terra和Aqua卫星上的中等分辨率传感器。它具有36个中等分辨率水平（0.4～14.4m）的光谱波段，最大空间分辨率可达250 m，一天可过境2次，具有强大的实时监测能力。本文采用的地表反射率产品MOD09Q1，空间分辨率为250 m，时间分辨率为8 d，对应于MODIS的band1和band2波段。根据夏玉米的生长周期，研究区夏玉米的种植时间为每年的5月下旬至6月上旬，成熟期为每年的9月下旬至10月上旬。为获取夏玉米的生长曲线，本文共下载了17期年积日（day of year，DOY）为第153天至第281天影像数据用来构建研究区2016年夏玉米生长的归一化植被指数时间序列数据集。下载后的MOD09Q1数据在ENVI软件中进行了格式转换、投影变换以及裁剪等处理。

a. 研究区地理位置图

a. Location of study area

b. 研究区内试验点分布

同时，本研究采用Landsat8（NASA于2013年2月发射的多光谱遥感卫星）遥感数据计算出研究区2016年8月初和9月末的NDVI值，基于空间一致性约束的谱聚类算法，对研究区夏玉米的种植分布信息进行提取。即从谱聚类和权核均值的等价关系出发，对目标函数添加空间约束，实现图像的聚类[28]。

该方法是通过计算每个像元特征参数与类别标准的特征空间距离，将该像元划分到距离最小的类别，同时又考虑了像元的邻近信息，其中

采用谱聚类算法提取的玉米种植面积为206.67 km2，研究区实际玉米种植面积208.67 km2，相对误差仅为0.95%。经提取的研究区夏玉米种植结构分布图如图2表示。

图2 研究区夏玉米种植分布图

1.2.2 地面观测数据

夏玉米物候期地面观测数据来自位于研究区中部的试验站，如图1b所示，试验站记录了站点附近夏玉米在当年进入各个物候期的时间，包括夏玉米出苗期、三叶期、拔节期、小（大）喇叭口期、抽雄期、开花期、抽丝期、子粒形成期、乳熟期、蜡熟期和完熟期。本文以研究区2016年的该研究站物候期观测数据作为检验数据。

2 研究方法

本研究以河南焦作广利灌区种植的夏玉米为研究对象，在夏玉米生长曲线重构过程中，为减少连续多云天气对植被指数的影响，采用改进的最大值合成法重构NDVI时序，再结合S-G滤波和Logistic函数拟合出夏玉米的生长曲线，最后使用曲率法提取夏玉米拔节期和成熟期、使用动态阈值法提取夏玉米的出苗期和抽雄期，技术流程图如图3所示。

图3 提取夏玉米物候期技术流程图

2.1 MODIS NDVI时间序列数据处理方法

根据NDVI=(NIR-)/(NIR+)，当植被覆盖持续增加时，红光通道的吸收趋于饱和，而对近红外通道的反射则继续增加，因此NIR/的值也会持续增加。当植被覆盖达到一定程度后，植被指数无法同步增长，不能反映植被的真实生长状况。此外，由于云层的影响，植被NDVI值会产生突降点，如果连日云层遮档，NDVI曲线与作物的实际生长曲线就会差异较大，因此本文基于最大值合成法（MVC）提出正-反向最大值合成（positive and reverse direction maximum value composite，P-RMVC），结合使用S-G迭代滤波对NDVI值进行预处理。

2.1.1 改进的最大值合成法

Holben在1986年提出的最大值合成法（MVC）以固定时间间隔内的植被指数最大值作为该时间间隔中间日期的植被指数值，当云层持续出现时，在此期间合成的NDVI最大值会产生较大误差。如图4a，采用传统MVC合成的NDVI时序数据有明显的误差。

图4 最大值合成及正反向最大值合成重构NDVI时间序列

本研究将固定时间间隔内提取的植被指数最大值按照夏玉米生长的时间顺序（从播种期到收获期）依次进行比较，取二者较大值作为该时间间隔中间日期的NDVI值，如图4b所示，正向时序合成的NDVI值上升至某一点后保持不变，设该点为NDVI峰值；然后按照夏玉米的逆生长顺序（从收获期到播种期）也依次比较MVC合成的植被指数并取较大值，同理，反向时序合成的NDVI值上升至峰值后也保持不变。

理想状态下，采用改进的正向时序合成的NDVI峰值与反向时序合成的NDVI峰值重合，当出现云覆盖时，正、反时序合成的NDVI峰值时间会延迟而交错，如图4b，分别采用正向和反向最大值合成对研究区夏玉米的NDVI数据重构时，两个方向的峰值没有重合，将正、反时序合成的NDVI值进行差值计算。

式中NDVI为正向时序合成的NDVI值；NDVI为反向时序合成的NDVI值，为设定的阈值。

在阈值范围内，取NDVI值最大的点为NDVI峰值点，根据该点将正、反向合成的NDVI数据进行分割，如图4c，最终重构出NDVI序列数据。

2.1.2 S-G滤波平滑处理

Savitzky和Golay提出S-G滤波器是一种局部多项式最小二乘法的曲线拟合，研究表明，S-G滤波有较好的平滑作用[23,25]。S-G滤波器由输入的滤波窗口宽度和多项式次数生成，通过对原始序列进行卷积计算来平滑数据。

本研究使用S-G滤波对重构的NDVI时间序列进行平滑处理。每一次的迭代输出值作为下一次的迭代输入值，经10次迭代，误差趋近于零，曲线收敛，NDVI曲线得到较好的平滑效果。

2.2 夏玉米关键物候期监测

玉米的生长大致分为营养生长（种子发芽到抽雄期结束）和生殖生长（抽穗开始到成熟）2个阶段，营养生长期生长速率和生殖生长期的衰老速率均表现出“慢—快—慢”的规律，其中夏玉米在拔节期生长速率最快，成熟期衰老速率最快。根据玉米的生长特性，本研究采用符合玉米生长规律的Logistic函数拟合构建夏玉米生长曲线，再利用提取物候期常采用的曲线曲率法[29]和动态阈值法[8]分别提取夏玉米的关键物候期。

2.2.1 Logistic函数拟合重构夏玉米生长曲线

Logistic函数在形状上为“S”形曲线，符合夏玉米的生长趋势，因此对S-G滤波后的NDVI时序数据进行拟合，并依据拟合曲线曲率变化率的极值点确定NDVI时序曲线上农作物各物候期的转换期，得到农作物生长变化的过程[7-8]。Logistic函数可以表示为

式中为时间，()为时间时植被指数值；和为模型待求的拟合参数；为植被指数初始背景值，一般定义为一年内无水或雪影响的像元的最小稳定值；为植被指数最大值。

2.2.2 曲线曲率法

在农作物生长周期中，当从一个生长阶段向另一个生长阶段转换时，Logistic函数曲线从一个近线性趋势转向另一个近线性趋势[11]，通过计算植被指数曲线曲率极值可以确定夏玉米的物候期，曲线曲率公式可以表示为

式中=exp(+)，d为沿时间曲线移动单位弧长时切线转过的角度，d为单位弧长。

结合农作物生长特性和公式（7）可知，Logistic函数曲线曲率最大值为农作物生长（衰老）速率变化最大的时期，如图5a，本研究在Logistic函数拟合的夏玉米生长曲线上得到1个曲率最大值点（Logistic上升曲线）和1个曲率最小值点（Logistic下降曲线），分别对应夏玉米营养生长的拔节期和生殖生长的成熟期开始时间。

2.2.3 动态阈值法

Josson和Eklundh在2002年提出动态阈值法[8]，使用植被指数定义了作物营养生长和生殖生长的开始期，即在作物生长曲线上升阶段，将距离植被指数最小值为曲线增幅10%（即植被指数最小值与植被指数最大值差值的10%）的位置定义成作物营养生长的开始期；在作物生长曲线下降阶段，距离植被指数最小值为曲线增幅90%（即植被指数最小值与植被指数最大值差值的90 %）的位置定义成生殖生长的开始期。

Josson和Eklundhd 的研究成果，本研究分别选择阈值为10%作为夏玉米的出苗期，90%作为夏玉米的抽雄期，如图5所示。

图5 2种方法提取关键物候期

3 结果与分析

根据研究区提供的2016年实测物候期与本文采用的改进的研究方法以及传统的最大值合成法除噪后提取的夏玉米物候期相比较，得到的绝对误差和平均误差如表1所示。

表1 DNVI除噪方法改进前、后2016年夏玉米物候期绝对误差、平均误差

从表1可以看出，经过改进的最大法重构的DNVI值在之后的物候期提取中不同阶段相对误差都有所降低，尤其在出苗期，利用改进的方法使得遥感监测物候期的误差时间由8.22 d降低到3.72 d，降低了4.5 d。抽雄期与实测值绝对误差时间最小，只有1.06 d。

利用文中的方法对研究区2016年夏玉米关键物候期进行监测，分别得到夏玉米出苗期、拔节期、抽雄期以及成熟期对应的时空分布图，结果如图6所示：研究区夏玉米的出苗期开始时间较为集中，普遍开始于年积日第166天到第170天，即6月15日—18日；拔节期普遍开始于年积日第185到190天，即7月3日—7月8日；研究区大部分地区在年积日第208天到212天进入抽雄期，即7月25日—7月29日；研究区夏玉米从年积日第251天前后即9月7日开始大面积进入成熟期。在空间分布上，位于研究区渠首的西北部略提前于东南部。总体来说，提取的物候期结果与实际监测结果基本相符。

图6 夏玉米不同物候期开始时间的空间分布图

4 结 论

本研究对MODIS NDVI时间序列数据预处理时，提出改进的最大值合成法，这种方法不需要再增加额外的参数，从作物的正向生长时序和反向生长时序依次提取固定时间间隔内的NDVI，从而构建新的NDVI时序数据。将重构后的NDVI时序数据通过S-G滤波，进一步消除遥感数据中的噪声，再运用Logistic函数拟合重构夏玉米生长曲线。使用曲率曲线法提取了夏玉米拔节期和成熟期的开始时间，动态阈值法提取了夏玉米的出苗期和抽雄期的开始时间。经与实测结果对比，采用改进的MVC方法除噪后得到夏玉米不同物候期的绝对误差时间均小于传统MVC方法，尤其是夏玉米出苗期，采用改进的MVC，绝对误差时间降低了4.5 d。研究结果表明经正-反向最大值合成法和S-G滤波处理后，由Logistic函数拟合重构的NDVI 曲线可应用于夏玉米全生育期的监测。

作物生长曲线作为农作物生命周期的记录者，蕴含着农作物及环境的大量信息，本研究仅通过MODIS NDVI曲线对夏玉米物候期进行了监测。综合运用多种遥感传感器（如高光谱、雷达等），并将遥感、地面和模型多种监测手段综合使用，有效区分轻微的病虫害等内在因素与云雾等外在因素对作物植被指数的影响以及减少作物物候监测的不确定因素，这也是下一步要着重研究的问题。

[1] Sadras V O，Monzon J P. Modelled wheat phenology captures rising temperature trends: Shortened time to flowering and maturity in Australia and Argentina[J]. Field Crops Research, 2006, 99(2): 136－146.

[2] 刘健，姚宁，吝海霞，等. 冬小麦物候期对土壤水分胁迫的响应机制与模拟[J]. 农业工程学报，2016，32(21)：115－124.

Liu Jian, Yao Ning, Lin Haixia, et al. Response mechanism and simulation of winter wheat phonology to soil water stress[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 115－124. (in Chinese with English abstract)

[3] 夏传福，李静，柳钦火. 植被物候遥感监测研究进展[J]. 遥感学报，2013，17(1)：1－16.

Xia Chuanfu, Li Jing, Liu Qinhuo. Review of advances in vegetation phenology monitoring by remote sensing[J]. Journal of Remote Sensing, 2013, 17(1): 1－16. (in Chinese with English abstract)

[4] Pan Zhuokun, Huang Jingfeng, Zhou Qingbo, et al. Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34(1): 188－197.

[5] Verger A, Filella I, Baret F, et al. Vegetation baseline phenology from kilometric global LAI satellite products[J]. Remote Sensing of Environment, 2016, 178(7): 1－14.

[6] Beck P, Atzberer C, Hogda K, et al. Improved monitoring of vegetation dynamics at very hight latitude: A new method using MODIS NDVI[J]. Remote Sensing of Environment, 2006, 100(3): 321－334.

[7] 边金虎，李爱农，宋孟强，等. MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J]. 遥感学报，2010，14(4)：725－741.

Bian Jinhu, Li Ainong, Song Mengqiang, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4): 725－741. (in Chinese with English abstract)

[8] Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. Geoscience & Remote Sensing IEEE Transactions on, 2002, 40(8): 1824－1832.

[9] 杨琳，高苹，居为民. 基于MODIS NDVI数据的江苏省冬小麦物候期提取[J]. 江苏农业科学，2016，44(1)：315－320.

[10] 李艳，张红利. 基于MODIS-NDVI时间序列的河南省冬小麦种植信息提取与分析[J]. 赤峰学院学报：自然版，2017，33(4)：31－33.

[11] Zhou J, Jia L, Menenti M. Reconstruction of global MODIS NDVI time series: Performance of Harmonic ANalysis of Time Series (HANTS)[J]. Remote Sensing of Environment, 2015, 163(8): 217－228.

[12] Qiu B, Feng M, Tang Z. A simple smoother based on continuous wavelet transform: Comparative evaluation based on the fidelity, smoothness and efficiency in phenological estimation[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 47(4): 91－101.

[13] Holben B N. Characteristics of maximum-value composite images from temporal AVHRR data[J]. International Journal of Remote Sensing, 1986, 7(11): 1417－1434.

[14] 张晗，任志远. 多种时序NDVI重建方法比较与应用分析[J]. 中国农业科学，2014，47(15)：2998－3008.

Zhang Han, Ren Zhiyuan. Comparison and application analysis of several NDVI time-series reconstruction methods[J]. China Agriculture Science, 2014, 47(15): 2998－3008. (in Chinese with English abstract)

[15] Ma M, Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the Northwest of China[J]. Advances in Space Research, 2006, 37(4): 835－840.

[16] Viovy N, Arino O, Belward A S. The Best Index Slope Extraction (BISE): A method for reducing noise in NDVI time-series[J]. International Journal of Remote Sensing, 1992, 13(8): 1585－1590.

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

[18] Sellers P J, Tucker C J, Collatz G J, et al. A Revised Land Surface Parameterization (SiB2) for Atmospheric GCMS. Part II: The Generation of Global Fields of Terrestrial Biophysical Parameters from Satellite Data[J]. Journal of Climate, 1996, 9(4): 706－737.

[19] Olsson L, Eklundh L. Fourier Series for analysis of temporal sequences of satellite sensor imagery[J]. International Journal of Remote Sensing, 1994, 15(18): 3735－3741.

[20] 李儒，张霞，刘波，等. 遥感时间序列数据滤波重建算法发展综述[J]. 遥感学报，2009，13(2)：335－341.

Li Ru, Zhang Xia, Liu Bo, et al. Review on methods of remote sensing time-series data reconstruction[J]. Journal of Remote Sensing, 2009, 13(2): 335－341. (in Chinese with English abstract)

[21] Kandasamy S , Fernandes R . An approach for evaluating the impact of gaps and measurement errors on satellite land surface phenology algorithms: Application to 20year NOAA AVHRR data over Canada[J]. Remote Sensing of Environment, 2015, 164(9): 114－129.

[22] 曹云锋，王正兴，邓芳萍. 3种滤波算法对NDVI高质量数据保真性研究[J]. 遥感技术与应用，2010，25(1)：118－125.

Cao Yunfeng, Wang Zhengxing, Deng Fangping. Fidelity performance of three filters for high quality NDVI time-series analysis[J]. Remote Sensing Technology and Application, 2010, 25(1): 118－125. (in Chinese with English abstract)

[23] 宫诏健，刘利民，陈杰，等. 基于MODIS NDVI数据的辽宁省春玉米物候期提取研究[J]. 沈阳农业大学学报，2018，49(3)：257－265.

Gong Zhaojian, Liu Limin, Chen Jie, et al. Phenophase extraction of spring maize in liaoning province based on MODIS NDVI data[J]. Journal of Shenyang Agricultural University, 2018，49(3)：257－265. (in Chinese with English abstract)

[24] 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.

Li Hangyan, Xie 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 with English abstract)

[25] 李杭燕，马明国，谭俊磊. 时序NDVI数据集重建综合方法研究[J]. 遥感技术与应用，2010，25(6)：891－896.

Li Hangyan, Ma Mingguo, Tan Junlei. Integrated reconstruction methods of time series NDVI dataset[J]. Remote Sensing Technology and Application, 2011, 25(6): 891－896. (in Chinese with English abstract)

[26] 李颖，陈怀亮，李耀辉，等. 一种利用MODIS数据的夏玉米物候期监测方法[J]. 应用气象学报，2018，29(1)：111－119.

Li Ying, Chen Huailiang, Li Yaohui, et al. A method for summer maize phenology monitoring by MODIS data[J]. Journal of Applied Meteorological Science, 2018, 29(1): 111－119. (in Chinese with English abstract)

[27] 李颖，李耀辉，王金鑫. 夏玉米生长过程曲线重建研究：以鹤壁市为例[J]. 气象与环境科学，2016，39(4)：7－12.

Li Ying, Li Yaohui, Wang Jinxin. Research on summer corn growth curve reconstruction: A case study in Hebi[J]. Meteorological and Environmental Sciences, 2016, 39(4): 7－12. (in Chinese with English abstract)

[28] 贾建华，焦李成. 空间一致性约束谱聚类算法用于图像分割[J]. 红外与毫米波学报，2010，29(1)：69－74.

Jia Jianhua, Jiao Licheng. Image segmentation by spectral clustering algorithm with spatial coherence constraints[J]. Journal of Infrared & Millimeter Waves, 2010, 29(1): 69－74. (in Chinese with English abstract)

[29] Zhang X, Friedl M A, Schaaf C B, et al. Monitoring vegetation phenology using MODIS[J]. Remote Sensing of Environment, 2003, 84(3): 471－475.

Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite

Li Yan1,2, Zhang Chengcai1※, Luo Weiran1, Gao Wenjiang3

(1.,,450001,;2.451192,;3.452470,)

Crop phenology period is an important feature of the agriculture eco-system. Using remote sensing technology to monitor crop phenology accurately and timely, which plays an important supporting role in effective assessment of crop growth trends, improving the information management level of agricultural conditions and providing technical support for precision agriculture. Normalized difference vegetation index (NDVI) can well describe the growth process of different types of vegetation, which is the most frequently used data in crop phenology. In this paper, NDVI is extracted from 8-day synthetic data of MODIS in 2016. The time series of NDVI is not continuous in time and space due to the influence of air pollution, it is necessary to smooth the remote sensing time series data which represent the vegetation growth process before the phenology study. Then according to the characteristics of vegetation growth curve, the phenology information is extracted after removing noise of time series data. Maximum value composite (MVC) is widely used in the initial de-noising process of NDVI because of its simple calculation and convenient use, but it is prone to large errors for continuous multi-day cloudy weather. An improved MVC is proposed for the preprocessing of MODIS NDVI time series data in this paper, which is very convenient and does not require additional parameters. The new NDVI time series data can be constructed by extracting NDVI from positive and reverse sequence on growth time series in a fixed interval and then synthesizing it. The reconstructed NDVI time series data are filtered by S-G filter to further eliminate the noise, and then the growth curve of summer maize is reconstructed by logistic function fitting. Finally, the jointing and maturity stages of summer maize are extracted by curvature, and the emergence and tasseling stages of summer maize are extracted by dynamic threshold. Compared with the observed results, the absolute errors of different phenology starting time of summer maize obtained by improved MVC method is less than that of traditional MVC method. Especially the emergence stage, the absolute error of improved MVC method is reduced by 4.5 d. The absolute errors of phenology on summer maize using improved MVC are 3.72, 5, 1.06 and 1.26 d at emergence, jointing, tasseling and maturity stages, respectively. The absolute errors of that by traditional MVC method in subsequent phenology periods aere 8.22, 5.72, 2.78 and 5 d, respectively. From the spatial distribution maps of different phenology periods of summer maize, it can be seen that the starting time of summer maize emergence stage in the study area is relatively concentrated, generally starting from 166 d to 170 d base on the day of year (DOY), namely 15 June to 18 June. Jointing stage generally starts from 185 d to 190 d, namely 3 July to 8 July. Most of the areas in the study area enter the stage of tasseling from 208 d to 212 d, that is, from 25 July to 29 July. A large area of summer maize begins to enter the maturity stage from around 251 d, that is, on September 7. In spatial distribution, the northwest of the canal head in the study area is slightly ahead of the southeast on phenology period. It can be said that using improved MVC to extract NDVI time series data of crops can effectively remove the impact of continuous cloud and fog on vegetation index, improving the accuracy of monitoring crop phenology, providing support for precision agriculture.

remote sensing;monitoring; phenology; summer maize; P-RMVC; Logistic models;curvature method; dynamic threshold method

2018-09-11

2019-06-15

项目来源“河南省农业气象保障与应用技术重点开放实验室开放研究基金”（AMF201807）；“河南省科技攻关项目”（182102210017）；“河南省高等学校重点科研项目”（16A40005）

李 艳，讲师，博士研究生，研究方向为水利信息技术。Email：24965243@qq.com

张成才，博士，博士生导师，研究方向为遥感技术与应用。Email：zhangcc2000@163.com

10.11975/j.issn.1002-6819.2019.14.020

P237; TP751; S-3

A

1002-6819(2019)-14-0159-07

李 艳，张成才，罗蔚然，郜文江. 基于改进最大值法合成NDVI的夏玉米物候期遥感监测[J]. 农业工程学报，2019，35(14)：159－165. doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org

Li Yan, Zhang Chengcai, Luo Weiran, Gao Wenjiang. Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 159－165. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org