基于MOD13Q1的辽宁省主要农作物时空分布研究

张静 于鑫 孙俊娇

摘    要：获取农作物种植结构，对农作物生长状况监测、农作物灾情监测及产量估算等具有重要的意义。利用MODISNDVI产品数据，构建辽宁省主要农作物（玉米、大豆和水稻）的时间序列物候特征曲线，通过分层分类方法，提取辽宁省农作物种植结构信息，研究表明，支持向量机分类方法分类效果更好，分类精度可达96%以上。将农作物提取模型推广应用于2003年、2007年、2011年、2015年和2019年的MODIS数据，探讨近17年来辽宁省农作物种植结构时空格局现状与变化，为快速、大范围、高精度提取农作物种植面积提供有效方法，同时为相关政策提供科学依据。

关键词：MOD13Q1;农作物;时空分布

传统的农作物种植面积获取主要依靠人工统计的方法，这种方法虽然可以统计出农作物的种植面积，但是统计过程中需要各部门的逐层统计汇总，导致数据流转频繁、数据结果可靠性较差、研究结果滞后，且农作物种植面积获取的过程会耗费大量的人力和物力。遥感技术具有时效性强、成本低、精度高等优势，近年来运用遥感技术手段监测农作物的情况越来越普遍。冯锐等[1]利用MODIS产品提取NDVI、EVI和LSWI数据，建立了东北地区水稻提取模型，得到精度较高的水稻分布情况;李鑫川等[2]利用黑龙江省友谊农场的HJ卫星影像，通过构建决策树方法对研究区玉米、大豆和水稻信息进行提取;郝卫平等[3]采用非监督分类方法和光谱耦合技术对东北3省主要农作物进行分类研究;平跃鹏[4]以松嫩平原黑龙江省部分地区为研究对象，利用46个NDVI波段、7个物候参数和6期NDWI指数进行农作物分类，得到较好的农作物提取结果;周思等[5]利用MODIS数据的NDVI和NDWI数据，通过分析玉米、大豆和水稻的物候特征，构建分类决策树，分类精度达到80%以上。

虽然遥感技术已经在农作物提取方面有了一定的研究，但是对农作物大空间尺度不同种类的提取研究还是较少。本文利用2015年的MOD13Q1数据，研究MOD13Q1 NDVI时间序列数据在农作物物候监测与农作物类型识别上的应用，通过23期NDVI数据构建物候特征曲线，结合实地样本数据、Landsat影像数据和统计年鉴等数据，进行决策树与支持向量机分类方法对比，将分类效果较好的方法应用于其他4个年份，得到辽宁省近17年的主要农作物种植结构，从而进一步探讨辽宁省主要农作物时空分布的方法，以期为利用MODIS数据进行大范围农作物识别及面积提取提供一种新的思路。

1   数据源及数据预处理

1.1   数据源

（1）MODIS影像数据：覆盖辽宁省全部区域的MOD13Q1 NDVI数据产品，时相为2003年、2007年、2011年、2015年和2019年。数据从NASA网站下载，行列号为h26v04、h27v04和h27v05（h为horizontal，v为Vertical）。

（2）Landsat影像数据：覆盖辽宁省全部区域的Landsat数据产品，时相为2015年，相关数据从地理信息数据云网站下载。

（3）统计年鉴数据：主要利用《辽宁统计年鉴》中农作物种植面积数据进行农作物分类精度验证和研究方法分析。

1.2   数据预处理

网站下载MOD13Q1数据格式为HDF，HDF格式具有良好扩充性和适应其他数据格式的能力。本文利用ENVI插件MCTK（MODIS Conversion Toolkit）对MOD13Q1 HDF数据进行投影转换、格式转换、光谱和空间子集选择，通过ENVI自带工具进行影像重采样、影像拼接、波段重组和影像裁剪等处理。

2   研究方法

2.1   农作物提取

玉米、大豆和水稻3种农作物的NDVI值区别不是很大，但是与其他地物类别的NDVI时间序列特征有一定的差异，农作物的NDVI值在100～150 d之間能够达到较高值且峰值持续时间较短，因此，首先可采用非监督分类方法进行农作物与非农作物区分，通过掩膜方法去除非农作物，再进一步对农作物进行分类。

本研究利用ISODATA非监督分类方法进行2015年研究区农作物提取。ISODATA以集群为理论基础，无须提前知道类别特征，是根据样本特征参数建立起的一种规则，又称“迭代自组织数据分析技术”。

2.2   滤波法构建农作物物候特征曲线

不同农作物不同生长期长度及在发育成熟阶段展示出的特有生物物理特性，可反映在遥感监测光谱信息中。本文根据农作物不同的物候参数，利用NDVI时间序列所具有的季相节律特征，构建农作物NDVI特征曲线，通过特征曲线提取农作物相应关键时间节点的特征值，进而用于大范围农作物的分类研究。

Savitsky-Golay滤波器，简称为S-G，是一种加权求平均的滑动拟合方法，广泛应用于数据流平滑降噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。它以原始的时序数据某点为中心构建窗口，窗口内的数据按与中心点的距离进行加权平均（权重的大小取决于窗口内最小二乘多项式拟合的多项式次数），用得到的拟合值代替原始数据，最终通过滑动窗口实现对整条曲线的拟合。本文利用S-G滤波法对时序NDVI进行拟合重构处理，得到反映3种农作物发育成熟过程的特征曲线。

2.3   决策树农作物分类

研究区3种农作物的生长季主要是4—10月（第97～289天）;水稻与玉米、大豆最大的不同是注水期，通常4月初播种，大豆和玉米同为旱地作物，经历较为相似的生长阶段，均在5月中上旬播种，9月中下旬收获，大豆与玉米、水稻最大的区别是播种出苗日期。农作物的NDVI值在7—8月（第193～241天）达到最大值，最大值在0.8～0.9;在257 d时，玉米的NDVI值明显大于另外两种农作物，可利用第257天的NDVI值设置阈值提取玉米;水稻在第177天的NDVI值大于第241天的NDVI值，而大豆的NDVI值反之，通过此特性能够区分水稻和大豆。基于层次分析的思路，设置阈值构建决策树进行农作物分类。

2.4   支持向量机农作物分类

支持向量机（Support Vector Machine，SVM）是一种实用且应用广泛的机器学习模型，在图像识别领域得到很多学者青睐。支持向量机是指在特征空间上间隔最大的线性分类器，对于非线性分类器问题，其核函数与惩罚变量技术也可达到识别目的。与一般分类方法相比较，支持向量机可以很好地避免“过学习”现象，有更好的泛化能力。

本研究通过对玉米、大豆和水稻实地考察各采集200个训练样本，对辽宁省23个时间序列叠加数据进行了监督分类。

2.5   分类结果对比与分析

通过对3种农作物进行分类得到分类混淆矩阵表，可以得出支持向量机分类总体精度和单类别精度均好于决策树分类方法。由于玉米的物候特征有别于水稻和大豆，两种分类方法玉米均达到了较好的分类结果，但由于水稻和大豆的NDVI特征相似，且辽宁省区域跨度较大，范围内农作物物候特征也有一定差异，因此用决策树方法区分两个类别有一定的困难。总的来说，利用训练样本进行支持向量机监督分类得到的结果更加稳定，适合大范围农作物面积提取。辽宁省农作物分布特点主要有两点，分别是农作物空间分布基本保持一致;农作物种植结构与比例变化明显，但是在农业生产中也出现了种植结构失衡的状况。

3   结论

辽宁省作为粮食主产地，快速、及时、准确地获取农作物分布信息对农作物的估产、农业灾害预报、粮食安全及相应的政策制定等都有重要作用。本文以辽宁省作为研究区域，以2015年MOD13Q1完整的23期NDVI数据作为数据源，通过构建主要农作物的时间序列特征曲线，分析其物候特征，并根据物候特征分别进行决策树和支持向量机分类，通过定性和定量对比分析分类结果，发现支持向量机方法提取效果较优。将支持向量机分类方法推广应用于辽宁省2003年、2007年、2011年、2015年和2019年MOD13Q1数据，研究分析近17年來农作物的时空分布现状与变化。本研究的方法和结果可以进一步推广到更大尺度，并为东北地区的农作物物候特征、农作物分类及相关的研究提供理论支持。

参考文献：

[ 1 ] 冯锐，张玉书，钱永兰，等.基于多时相MODIS数据的东北地区一季稻面积提取[J].生态学杂志，2011，30（11）：2570-2576.

[ 2 ] 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（2）：169-176.

[ 3 ] 郝卫平，梅旭荣，蔡学良，等.基于多时相遥感影像的东北三省作物分布信息提取[J].农业工程学报，2011，27（1）：201-207.

[ 4 ] 平跃鹏.基于MODIS时间序列地表物候特征分析及农作物分类[D].哈尔滨：哈尔滨师范大学，2016.

[ 5 ] 周思，何祺胜，刘宝柱，等.基于MODIS的黑龙江省农作物种植结构提取研究[J].地理空间信息，2018，16（1）：79-82，8-9.