基于NDVI时间序列数据的冬小麦种植面积提取

2019-10-18安塞沈彦俊赵彦茜郭英郭硕肖捷颖

江苏农业科学 2019年15期

安塞沈彦俊赵彦茜郭英郭硕肖捷颖

摘要：归一化植被指数（NDVI）是利用遥感技术提取作物信息的重要指标，其时序曲线能反映植被的生长变化，在农作物种植面积信息提取上有较大优势。以河北平原为研究区，利用空间分辨率250 m的MODIS NDVI数据提取2011—2016年冬小麦种植面积。首先利用HANTS滤波建立NDVI时序曲线，结合区域物候信息和种植模式，提取冬小麦种植像元。因MODIS影像空间分辨率較低，结果受混合像元影响大。运用像元二分模型分解混合像元，计算单一像元冬小麦覆盖度进而计算研究区冬小麦种植面积，并利用Landsat数据对结果进行验证。结果表明，利用时间序列谐波分析法（HANTS）滤波和像元二分模型相结合可提高冬小麦种植面积提取精度，总体分类精度达90%以上;2011—2016年河北平原冬小麦种植面积总体减少，其中河北平原北部和山前平原冬小麦面积缩减，近海平原呈增长趋势。

关键词：冬小麦;种植面积;面积提取;河北平原;HANTS滤波;NDVI时序曲线;像元二分模型

中图分类号： TP79;S127

文献标志码： A

文章编号：1002-1302（2019）15-0236-05

河北平原是我国重要粮食产区之一，及时、准确获取河北平原冬小麦种植面积及变化信息意义重大。遥感是农业资源监测的重要手段之一[1-2]，能快速、准确获取作物种植面积，可研究不同时空尺度农作物的分布及动态变化。冬小麦是我国北方的主要粮食作物[3]，尤其河北平原，及时获取种植面积及变化信息，不仅涉及国家粮食安全，还关系到京津冀及雄安新区的区域生态环境问题[4]。20世纪70年代，美国LACIE利用Landsat影像和航空影像，统计主要农作物面积[5]。欧盟在1987年发起农业遥感监测，法国、加拿大追随其后[6]。我国农业遥感监测始于20世纪80年代，集中在黄淮海平原[7]，包括作物种类、种植面积、空间分布等[8]。

单一时相遥感数据仅能获得地表农作物某一时期光谱特征，而农作物在不同生长阶段有不同的光谱特征，多时相遥感数据可以反映同种农作物不同生长阶段的光谱特征，避免了同谱异物现象[9-10]。因此，时间序列数据被广泛种植面积提取、农业遥感监测等方面。由于归一化植被指数（normalized difference vegetation index，NDVI）可以有效地反映农作物生长特征，因此NDVI被广泛应用于种植信息提取研究[11-12]。其中，NDVI时间序列曲线可提供农作物动态变化信息，许多学者将其大量应用于种植面积提取[13-14]，黄青等分析了江苏省冬小麦物候和NDVI时序曲线特征，确定了冬小麦信息提取的NDVI阈值，建立决策树提取冬小麦种植面积，获得精度较高的结果[15]。

河北平原是我国小麦主要种植区之一，该区域冬小麦种植面积提取一直是研究热点。杨小唤等利用不同时相NDVI数据提取北京市冬小麦种植面积，结果表明，不同生育期不同作物NDVI有明显差异，通过分析NDVI值峰值大小和位置即可区分不同作物[16]。Zhang等利用NDVI时序曲线提取北京、天津、河北冬小麦种植面积，结果表明该方法在县域尺度有较好的结果[17]。邹金秋等探讨了河北省藁城市不同物候期冬小麦EVI值的差异，结果表明提取河北平原冬小麦种植面积的最佳时期为出苗期与抽穗期[18]。张荣群等根据NDVI时序曲线确定冬小麦最佳NDVI阈值，建立决策树提取河北省曲周县冬小麦种植面积，总体分类精度在89%左右[19]。潘学鹏等使用HANTS（时间序列谐波分析法）重建NDVI时序曲线，结合复种指数提取2000—2013年华北平原冬小麦种植面积[20]。还有研究利用增强植被指数（EVI）建立时序曲线提取冬小麦面积信息[21-24]。

由于MODIS影像数据分辨率较粗，混合像元成为冬小麦种植面积提取的难点之一。许青云等利用S-G滤波建立NDVI时序曲线，结合物候特征构建动态阈值的方法提取陕西省冬小麦种植面积，使用IDL中的寻优函数对混合像元进行分解，使用空间和定量2种方式对结果进行验证，总体精度在88%左右[25]。王连喜等基于决策树与混合像元分解的方法提取江苏省冬小麦面积[26]。虽然已有很多提高信息提取精度的尝试，但混合像元仍是影响精度的主要因素。

MODIS数据具有较高的时间、空间分辨率，能反映冬小麦物候特征和生长规律，适合冬小麦面积提取。本研究首先利用HANTS滤波构建NDVI时间序列曲线，分析不同作物物候特征，采用监督分类方法初步提取冬小麦种植范围;为降低混合像元影响，运用像元二分模型进一步精确提取冬小麦种植面积，利用高分辨率遥感影像对结果进行验证，最后分析2011—2016年河北平原冬小麦种植面积变化特征，为区域农业管理、种植结构调整等政策的提出和生态问题的治理提供基础数据和理论支撑。

1 研究区概况与数据来源

1.1 研究区概况

河北平原东濒渤海，西抵太行山，北起燕山，南至漳河，内含京、津，面积约8.2万km2（图1）。地势平坦，海拔多低于50 m，土壤类型主要为棕壤和褐土。属于温带大陆性季风气候，年均降水量400～500 mm，集中在夏季，占全年70%左右，年均气温10.0～14.2 ℃。冬小麦—夏玉米1年2熟制是河北平原主要耕作制度，该地区主要粮食作物为小麦、玉米。

1.2 数据来源

本研究使用的遥感数据为MOD13Q1数据，该数据为 16 d 合成、空间分辨率250 m的MODIS产品，时间尺度为

2011—2016年，源于美国国家航空航天局（NASA）（http：//reverb.echo.nasa.gov），数据预处理使用MODIS Reprojection Tool提取NDVI波段并将覆盖研究区的4轨数据进行拼接，坐标系选取WGS84，像素为250 m，进而使用研究区矢量边界进行裁剪;Landsat TM/OIL数据空间分辨率30 m，选取2011—2016年4、5月晴日无云图像并进行几何校正、大气校正，数据源于美国地质调查局（http：//glovis.usgs.gov）。

2 研究方法

本研究首先使用HANTS滤波构建NDVI时间序列曲线，根据曲线特征和物候特征初步提取冬小麦种植范围;然后利用像元二分模型对冬小麦初步提取结果进行混合像元分解，精确提取冬小麦种植面积;最后利用Landsat TM/OLI数据建立混淆矩阵对提取结果进行验证。

2.1 HANTS时间序列谐波分析法

MODIS NDVI时间序列数据受云和其他噪声的影响会产生锯齿状的波动，无法应用于时间序列分析，因此须要去除噪声影响，平滑时间序列曲线。HANTS滤波可以有效去除周期性波动噪声[27-30]，恢复异常值，主要原理是通过傅里叶变换和最小二乘法拟合对NDVI值进行时间插值获取连续时序数据。本研究使用荷兰Geospatial Data Service Centre（GDSC）的HANTS软件，控制参数包括高低阈值、时间跨度、频率数、曲线匹配阈值和剩余点数。根据研究区种植制度及MODIS数据特征将控制参数设定为-3 000～10 000、23、2、1 000和8。

2.2 像元二分模型

像元二分模型将传感器接收的信息分为植被和裸地[31]，假设像元植被覆盖度为fc，裸地则为（1-fc），混合像元中植被覆盖信息为植被部分与fc的乘积，裸地覆盖信息为裸地部分与（1-fc）的乘积。NDVI与植被覆盖度有较高的拟合度[32]，因此，可基于NDVI值对冬小麦覆盖度进行计算，公式如下：

式中：NDVIwheat为冬小麦完全覆盖像元的NDVI值，NDVInon-wheat为无冬小麦覆盖像元NDVI值，分别为冬小麦种植区域内NDVI的最大值和最小值，为避免噪声影响，取给定置信区间内的最大值和最小值。利用ENVI软件得到影像NDVI频率累计表，取频率为95%的值为NDVIwheat，取频率为5%的值为NDVInon-wheat。为提高精度，根据冬小麦种植情况将研究区分为河北平原北部、太行山前平原和近海平原（图2），每年分别提取NDVIwheat和NDVInon-wheat。

2.3 冬小麦面积计算

利用所得像元数和覆盖度计算种植面积：

式中：Swheat为小麦面积;Spixel为单个像元面积;fc为小麦覆盖度。

3 结果与分析

3.1 不同地类NDVI时序曲线特征

NDVI时序曲线特征如图3所示，据农作物物候特征判断双峰曲线代表冬小麦—夏玉米地类，第1个峰值出现在4月中旬，第2个峰值在9月下旬，峰谷在6月下旬;仅在4月中旬出现峰值的是单季冬小麦，只在9月下旬出现峰值的是单季夏玉米。单峰曲线且4月下旬至10月上旬NDVI值在0.6以上为林地。单峰型结构，峰值出现在8月上旬的为其他作物，主要为棉花和春玉米。NDVI值全年无明显变化且在0.2以下是建筑用地及水体。

3.2 像元二分模型提取冬小麦面积

图4为HANTS滤波提取的冬小麦种植像元，由结果可知冬小麦主要分布在河北平原南部平原区，北部平原区分布较少;山前平原、平原区北部2011—2016年冬小麦种植面积逐年减少，东部沿海区小麦面积有所增长。

根据HANT滤波提取的冬小麦像元范围制作掩膜，使用MODIS NDVI数据与冬小麦掩膜文件提取冬小麦NDVI值，利用公式（1）计算冬小麦覆盖度（图5）。山前平原区冬小麦像元最多，覆盖度集中于0.8～1.0之间;近海平原冬小麦像元较多，但覆盖度多集中在0.6～0.8之间;河北平原北部冬小麦像元较集中，覆盖度在0.4～0.8之间。利用公式（2）计算2011—2016年冬小麦种植面积，分别为236.51万、231.08万、225.19万、226.89万、221.78万、217.73万hm2。

利用30 m分辨率Landsat影像对2011—2016年冬小麦面积提取结果进行评价，选每年4月19日或5月5日影像，选取训练区建立混淆矩阵得到总体精度和κ系数（表1）。2011—2016年总体分类精度均大于90%，κ系数大于0.84，表明冬小麦像元提取可信度较高。

潘学鹏[33]、黄青等[34]利用MODIS NDVI时序曲线提取华北平原冬小麦面积，提取精度分别为85%、81%，但未考慮混合像元对面积统计的影响。本研究引入像元二分模型，在NDVI时序曲线提取冬小麦像元的基础上，对像元进行分解，精确计算每个像元冬小麦面积，精度有所提高。本研究的提取结果精度虽然比现有研究高，但仍有误差存在，主要来源为：NDVI时序曲线不能完全反映全区域冬小麦的物候特征，因此会造成一定的误差;另外，像元二分模型NDVI阈值的不确定性，在计算小麦覆盖度时会产生误差;本研究使用的MODIS数据空间分辨率为250 m，会出现“同谱异物”现象，降低冬小麦面积提取精度。

3.3 河北平原冬小麦面积变化分析

2011—2016年冬小麦种植面积呈下降趋势（图6），减少18.79万hm2。河北平原北部（编号1）主要包括北京、天津及廊坊，近海平原（编号2）主要为沧州和衡水，太行山前平原（编号3）包括保定、石家庄、邢台及邯郸。北部小麦种植面积缓慢减小，从2011年的17.51万hm2缩减至14.98万hm2。北部冬小麦面积仅占研究区小麦总面积的7.10%，因城市化进程较快导致农业用地转化为建筑用地和工业用地，也有因农业收益较低而出现弃耕现象。近海平原冬小麦面积呈增长趋势，由2011年的50.75万hm2增加到2016年的66.96万hm2，该地区有中低产田及盐碱荒地，自2013年启动渤海粮仓科技示范工程对该地区种植模式进行改良，使冬小麦种植面积增加。太行山前平原小麦种植面积占研究区小麦面积的67%左右，呈快速减小趋势，由2011年的168.25万hm2缩减至135.79万hm2。主要原因是2014年河北省政府公布的平原区地下水超采区、禁采区和限采区主要在保定、石家庄、邢台和邯郸，由冬小麦转为用水量相对低的玉米和其他经济作物，导致冬小麦面积减少。

4 结论

HANTS滤波与像元二分模型相结合精确提取中低分辨率影像冬小麦种植面积有效可行，总体分类精度在91%以上，今后研究中可选取更高分辨率影像修正分类结果或增加野外实测样本，进一步提高信息提取精度。

河北平原冬小麦种植主要分布在太行山前平原及近海平原，占研究区小麦种植面积的66%和29%，而河北平原北部冬小麦种植面积较小。

2011—2016年冬小麦种植面积整体下降：河北平原北部的下降与城市化进展及低收益导致的弃耕有关，太行山前平原多与地下水压采政策有关，而近海平原区的增长是因近年“渤海粮仓计划”对盐碱地的修复。

参考文献：

[1]权文婷，王钊. 冬小麦种植面积遥感提取方法研究[J]. 国土资源遥感，2013，25（4）：8-15.

[2]吴炳方. 中国农情遥感速报系统[J]. 遥感学报，2004，8（6）：481-497.

[3]张佳华，胡小夏，刘学锋，等. 基于MODIS数据提取华北典型区冬小麦种植面积[J]. 中国科学院大学学报，2013，30（5）：637-643.

[4]王红营. 基于遥感的华北平原农业土地利用时空变化特征及驱动力分析[D]. 石家庄：河北师范大学，2016.

[5]王红营，潘学鹏，罗建美，等. 基于遥感的华北平原农作物时空分布变化特征分析[J]. 中国生态农业学报，2015，23（9）：1199-1209.

[6]范磊，程永正，王来刚，等. 基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J]. 中国农业资源与区划，2010，31（6）：44-51.

[7]姜亚珍，张瑜洁，孙琛，等. 基于MODIS-EVI黄淮海平原冬小麦种植面积分带提取[J]. 资源科学，2015，37（2）：417-424.

[8]Xiao X，Stephen B，Liu J，et al. Mapping paddy rice agriculture in southern china using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95：480-492.

[9]Wardlow B D，Egbert S L，Kastens J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment，2007，108（3）：290-310.

[10]Lunetta R S，Knight J F，Ediriwickrema J. Land-cover characterization and change detection using multi-temporal MODIS NDVI data[J]. Remote Sensing of Environment，2006，105（2）：142-154.

[11]Murthy C S，Raju P V，Badrinath K V S. Classification of wheat crop with multi-temporal images：performance of maximum likelihood and artificial neural networks[J]. International Journal of Remote Sensing，2003，24（23）：4871-4890.

[12]王磊，王贺，卢艳丽，等. NDVI在农作物监测中的研究与应用[J]. 中国农业资源与区划，2013，34（4）：43-50.

[13]葛广秀，李卫国，景元书. 基于NDVI密度分割的冬小麦种植面积提取[J]. 麦类作物学报，2014，34（7）：997-1002.

[14]平跃鹏，臧淑英. 基于MODIS時间序列及物候特征的农作物分类[J]. 自然资源学报，2016，31（3）：503-513.

[15]黄青，吴文斌，邓辉，等. 2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测[J]. 江苏农业科学，2010（6）：508-511.

[16]杨小唤，张香平，江东. 基于MODIS时序NDVI特征值提取多作物播种面积的方法[J]. 资源科学，2004（6）：17-22.

[17]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 & Geo-Information，2008，10（4）：476-485.

[18]邹金秋，陈佑启，Uchida S，等. 利用Terra/MODIS数据提取冬小麦面积及精度分析[J]. 农业工程学报，2007，23（11）：195-200.

[19]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]. 农业机械学报，2015，46（增刊1）：246-252.

[20]潘学鹏，李改欣，刘峰贵，等. 华北平原冬小麦面积遥感提取及时空变化研究[J]. 中国生态农业学报，2015，23（4）：497-505.

[21]陈健，刘云慧，宇振荣. 基于时序MODIS-EVI数据的冬小麦种植信息提取[J]. 中国农学通报，2011（1）：446-450.

[22]张霞，帅通，杨杭，等. 基于MODIS EVI图像时间序列的冬小麦面积提取[J]. 农业工程学报，2010，26（增刊1）：220-224.

[23]张明伟，周清波，陈仲新，等. 基于MODIS EVI时间序列的冬小麦长势监测[J]. 中国农业资源与区划，2007（2）：29-33.

[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.

[25]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.

[26]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.

[27]梁守真，施平，邢前国. MODIS NDVI时间序列数据的去云算法比较[J]. 国土资源遥感，2011（1）：33-36.

[28]刘倩楠，岳彩荣，欧阳志云，等. 基于MODIS-NDVI时序数据的重庆市植被变化研究[J]. 测绘与空间地理信息，2012，35（3）：99-102.

[29]Roerink G，Menenti M. Time series of satellite data：development of new products[R]. FAO，2000.