基于高分一号时序数据和动态时间弯曲算法的平原区水田信息提取

周峰，廖钰冰

(盐城工学院 a 环境科学与工程学院，b土木工程学院，江苏 盐城 224051)

土地利用信息的提取是建立区域或全球陆面模式的基础，对保障农业安全和生态环境质量具有重要的意义[1]。随着信息技术的发展，遥感技术以其成本低、效率高的优势广泛应用于土地利用分类和动态监测过程。不同土地利用类型反射光谱特性的差异，使得其在遥感影像上呈现出不同的色彩和纹理特征。这是对不同土地利用类型进行遥感解译的依据。目前，用于遥感分类的影像多以Landsat TM、MODIS等可见光遥感为主，但单时相的影像上光谱纹理特征差异较难判断，同谱异物和同物异谱现象加大了信息提取的难度。

不同植被类型物候信息的差异使得其在遥感影像上具有季节性光谱差异特征，这就具有了可分性。为此，近年来国内外学者就基于多时相植被指数数据在土地利用/覆盖分类中的应用已开展了较多研究：在数据源选取上多采用中高分辨率MODIS和NOAA/AVHRR的归一化植被指数(NDVI)数据[2-7]，在分类方法上常采用最大似然法、决策树、神经网络和面向对象的分类方法[8-14]。

江淮下游里下河平原是我国重要的粮食产地，也是“南水北调”工程的重要水源地。近年来，受农业活动、水利工程和城镇化等因素的影响，当地的土地利用结构发生较大变化，并成为影响水安全和生态环境质量的重要因素。该区域属典型的平原河网区，河湖密集，以往的土地利用信息提取研究多以30 m的Landsat TM遥感影像为数据源，受影像空间分辨率和时间分辨率的限制，不同土地利用类型光谱重叠，水田与水体、城镇和植被信息混淆的现象明显。近年来，沿海开发战略的实施，以及农业活动和城镇化等因素，都将对该区域的土地利用结构产生新的影响，区域土地利用信息的快速有效提取尤为重要。

为此，本研究尝试基于国产的高分一号卫星16 m宽幅影像(GF-1/WFV)，充分利用其高空间分辨率和高时间分辨率的特性，依据不同土地利用像元的光谱和物候特征差异，以里下河平原盐都区为研究区，探索适宜于平原河网区的水田信息提取模式，以期为该区域的农业资源评估、水资源利用规划提供数据基础，同时也可为其他平原河网区土地利用信息提取模式的建立提供参考。

1 材料与方法

1.1 研究区概况

研究区位于江苏省里下河平原(33.13°～33.42°N，119.67°～120.22°E)的盐城市盐都区，河网密集，地形平坦(图1)。农作物以水稻、小麦、玉米和油菜为主。

图1 研究区位置

该区域季风气候特征显著，年均降水量约为1 000 mm，降水主要集中在5—9月，年平均气温14～15 ℃。受圈圩养殖、种植和围网养殖等人为活动影响，湖泊面积大幅减少。研究区的农业耕作模式基本为一年二熟。

现有的关于该区域及类似平原河网区土地利用分类的相关研究，通常依据不同土地利用类型及其水文特性和生态功能差异，将地表类型划分为水田、水体、城镇、旱地和非耕地等主要类型[15]。其中，水田指的是水稻和小麦、油菜轮作的耕地，水稻种植时间为5—10月，冬小麦或油菜的种植时间为11月至次年5月；旱地和非耕地主要包括林地、荒草地和菜地等。

1.2 数据来源及其预处理

数据源主要选用2015年左右的多时像高分一号(GF-1/WFV)多光谱数据(表1)，其他辅助数据包括研究区边界图、水系图和野外实地采样点等。

表1 数据的影像日期

GF-1/WFV数据集使用前需进行正射校正、辐射定标、大气校正、几何精校正和投影转化等，以消除传感器、大气等因素对地物光谱信息的影响。同时，须保证高分一号的几何精度在一个像元内。

在以上数据预处理的基础上进行NDVI的计算。利用ENVI软件对NDVI数据进行叠加和空间裁剪等操作，生成NDVI时序数据集。通过IDL+ENVI开发平台，逐像元计算时序NDVI最大值和峰值个数，作为信息提取模型的重要特征参数。

2 结果与分析

2.1 地物光谱特征分析

利用研究区实际采样点数据提取不同波段的光谱反照率值和增强型植被指数(EVI)时序光谱曲线，对比分析不同地物的光谱特征(图2)。结果表明：就GF-1/WFV不同地物的光谱特征而言，植被在第4波段具有较高的反照率，水体的光谱特征总体上较低并呈下降的趋势，因此，利用这一特征可以有效地将研究区初步划分为植被和水体等非植被类型。

图2 单期GF-1影像的典型地物光谱特征曲线

农作物生长过程与对应时期的NDVI值相对应，不同植被类型的物候特征存在着明显的差异，在NDVI时序数据集上表现为NDVI数值的季节性变化。利用研究区实地调查的样本数据获取水田等地物的NDVI时序特征曲线(图3)。

图3 典型植被的时序NDVI序列特征

由于该区域的农作生产一般采取一年两熟制，因此，农田植被类型的EVI分别在4月和8月左右出现2个峰值，且8月的峰值要高于4月的峰值，同时在作物换季的5—6月会出现低值，这主要是由冬季农作物的收割和夏季作物的播种发芽造成的。

2.2 动态时间弯曲距离

同种作物在同一地区具有相对稳定的生长过程和规律，但受光热、水分和作物品种等条件的影响，相同作物的种植时间并不相同，使其在NDVI时序光谱曲线上存在一定的差异(如图3中水田1和水田2)。

选取纯净水田像元，求得EVI均值时序光谱曲线，采用动态时间弯曲(DTW)距离逐像元计算与水田标准曲线的时序相似性，将所得的相似性值作为模糊分类隶属度参考值用于提高水田与旱地等农作物类型的分类(图4)。

图4 水田的DTW距离

DTW距离最初被应用于文本数据匹配、语音处理和视觉模式识别等研究领域。DTW算法可以归结为运用动态规划思想寻找一条具有最小弯曲代价的最佳路径[16]。本研究中DTW距离的计算基于IDL+ENVI平台进行二次开发实现。

2.3 决策树模型构建

根据光谱和NDVI时序特征分析，构建了以蓝光波段反照率值(Bblue)、归一化水体指数(NDWI)、NDVI、ENVI时序波峰个数和DTW等指标信息提取决策的模式(图5)。

图5 决策树信息提取模型

在分类过程中逐次进行植被与非植被、农田与林草地、水田和旱地等地物的提取。

首先，利用时序最大植被指数(NDWImax)剔除非植被信息；然后，根据林草地一季生长、耕地两季生长的特性，利用NDVI时序数据的波峰个数峰出现时间(4月和7月)与特征波谷(5月或6月)，将植被进一步地划分为农田和林草地类型；最后，基于DTW，通过选取纯净的水田像元，计算待测像元与纯净水田像元的相似度，确定合适的阈值，从而将旱地等像元从水田中分离。

经过以上分类过程，可实现水体、城镇、林草地和旱地等地物的逐步剔除，从而最终得到区域内的水田面积和空间分布。

2.4 模型验证

为检验遥感影像的分类精度，利用ENVI软件随机产生采样点，并对采样点进行地图比对和实地考察，对研究区的土地利用提取结果进行精度验证。混淆矩阵分析结果表明，利用所构建的模型可获得较高的总体分类精度(92%)和Kappa系数(0.84)，误差主要存在于部分水田和旱地的混淆作物的混淆，以及部分单季种植带来的漏分，但总体效果较理想。

对不同土地利用类型面积的分析表明：研究区林草地类型主要是湿地植被和沿河绿化带分布，西南部主要以湖泊水面为主，东北部是城镇发展的主要区域。农业方式以水田为主，因为该区域属于典型的平原河网区，灌溉条件充裕，光照条件充足。本研究所提出的方法较单时像影像很好地解决了平原河网区水田与水体和林草地等其他地物的混分问题。

利用ArcMap对分类结果进行制图(图6)，并进行空间分析。结果表明，水田的空间分布与实地考察情况吻合，总体上，以中部的相对低洼地较为密集，东部逐渐过渡到以旱地作物为主，兼受城镇化的影响，水田面积逐渐减少。

图6 水田分布的特征

3 小结与讨论

本研究基于高分一号多光谱影像，构建多时相的NDVI时序数据，依据不同植被类型的光谱特征和时相差异，以里下河平原区盐都区为研究对象，开展平原水稻田快速提取研究。基于高分一号多光谱影像选取时序最大植被指数(NDWImax)可有效地将地物划分为植被和非植被类型，通过时序NDVI的峰值个数和峰值出现时间等植被物候信息，以及DTW距离等知识规则，可逐步地将林草地和旱地等像元从水田中分离出来。该方法充分利用了高分一号的高分辨率和多时相特征，较好地解决了平原河网区水田与水体和林草地等地物的混分问题。空间分析结果合理地反映了研究区农作物种植以水田为主的特征，空间上以中部地带集中分布，并呈现向东减少的趋势特征。

本文提出的水田信息提取方法虽然在精度上取得了较好的效果，但决策树模型中阈值和隶属度的确定还只能靠经验值估算，如何完善和实现水田提取的自动化，将是今后研究的重点。另外，本方法在其他区域的推广应用中也应结合当地农作物的物候特征，对决策树模型进行合理的修正。