基于時序NDVI圖譜庫提高土地覆蓋分類精度的方法

廖順寶，岳艷琳

?

基于時序NDVI圖譜庫提高土地覆蓋分類精度的方法

廖順寶1,2，岳艷琳2

（1. 防災(zāi)科技學(xué)院生態(tài)環(huán)境學(xué)院，北京 101601；2. 河南大學(xué)環(huán)境與規(guī)劃學(xué)院，開封 475004）

為提高M(jìn)ODIS土地覆蓋產(chǎn)品的分類精度，該文以河南省為試驗區(qū)，首先將MODIS土地覆蓋產(chǎn)品（MCD12Q1）分為高精度區(qū)域和低精度區(qū)域，然后通過構(gòu)建時序NDVI圖譜庫并利用圖譜曲線相似性測定方法，改進(jìn)MCD12Q1低精度區(qū)域的分類精度。結(jié)果表明：1）時序NDVI是土地覆蓋的重要分類特征，二者之間具有較強(qiáng)的關(guān)聯(lián)性。2）利用時序NDVI圖譜庫能夠明顯提高M(jìn)ODIS土地覆蓋產(chǎn)品的分類精度，改進(jìn)后的MCD12Q1的總體分類精度分別由72.76%（比較評價）、64.52%（樣本評價）提高到83.05%和81.72%。3）不同土地覆蓋類別精度提高的程度不同，林地、草地、耕地、人工地表以及水體的生產(chǎn)者精度分別提高35.36%、29.51%、2.98%、6.96%和6.11%。4）對于判定時序NDVI曲線相似度的2種具體方法而言，最小距離法（minimum distance, MD）總體上優(yōu)于光譜角度匹配法（spectral angle mapper, SAM）。綜上，保留現(xiàn)有土地覆蓋產(chǎn)品中分類精度較高的部分，基于時序NDVI圖譜庫改進(jìn)分類精度較低的部分，是提高現(xiàn)有土地覆蓋產(chǎn)品分類精度的有效方法。

遙感；土地利用；時序NDVI；土地覆蓋；分類；精度；評價

0 引 言

土地利用/覆蓋變化（land-use and land-cover change，LUCC）是導(dǎo)致氣候、生態(tài)過程、生物多樣性、生物化學(xué)循環(huán)乃至全球變化的主要原因[1]，LUCC已經(jīng)成為國內(nèi)外相關(guān)研究領(lǐng)域的熱點(diǎn)問題之一。開展土地利用/土地覆蓋研究，及時、準(zhǔn)確地了解地表土地覆蓋狀況，獲取表征生態(tài)系統(tǒng)的重要基礎(chǔ)數(shù)據(jù)，無論是對社會經(jīng)濟(jì)發(fā)展還是生態(tài)環(huán)境建設(shè)均具有重要意義。

精確的土地覆蓋數(shù)據(jù)是客觀真實(shí)地描述全球及區(qū)域陸表生態(tài)系統(tǒng)結(jié)構(gòu)及其生態(tài)過程的關(guān)鍵因子[2,3-5]。隨著遙感技術(shù)的廣泛應(yīng)用，通過遙感影像的目視解譯或計算機(jī)自動分類來獲取大范圍乃至全球范圍內(nèi)的土地覆蓋信息成為最重要的方式[6]。當(dāng)前，在土地覆蓋分類方法方面，已經(jīng)發(fā)展形成了包括統(tǒng)計模型分類方法（如監(jiān)督分類法和非監(jiān)督分類法）、神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)分類方法（support vector machine，SVM）以及決策樹分類方法在內(nèi)的各種自動分類方法。

在土地覆蓋分類特征選取與優(yōu)化方面，大部分土地覆蓋分類研究都用到了歸一化植被指數(shù)（NDVI），同時也用到了一些其他特征信息，以提高分類精度。例如：Gopal等在全球1°×1°土地覆蓋制圖中引入緯度信息，明顯提高了分類精度[7]；Hansen等在全球1 km分辨率土地覆蓋制圖中引入反射率和熱紅外波段信息[8]；Wen等引入地表溫度（Ts）與NDVI植被指數(shù)的比值特征并同時結(jié)合DEM特征[9]；劉紀(jì)遠(yuǎn)等引入氣溫、降水、高程3個指標(biāo)[10]；盧玲等引入水體指數(shù)NDWI[11]；王長耀等[12-13]引入地表溫度指標(biāo)；王建等[14-15]引入紋理特征；謝相建等研究證明物候特征的加入能夠顯著提高土地覆蓋分類精度，并且在NDVI、光譜和物候組合特征空間下分類精度達(dá)到最高[16]。李曉東等利用多時相遙感數(shù)據(jù)的季節(jié)變化信息、地表植被、水體與土壤等特征參量，構(gòu)建了多維分類特征數(shù)據(jù)集并對研究區(qū)進(jìn)行土地覆蓋分類，總體分類精度達(dá)95.50%，kappa系數(shù)0.95[17]。

上述技術(shù)方法都在不同程度上提高了土地覆蓋分類的精度，也形成了一些具有影響的全球性土地覆蓋產(chǎn)品，例如：美國地質(zhì)調(diào)查局（USGS）的IGBP DISCover、馬里蘭大學(xué)的UMd、歐盟聯(lián)合研究中心空間應(yīng)用研究所的GLC2000以及MODIS每年更新的MCD12Q1產(chǎn)品等。但由于是大范圍的自動化分類產(chǎn)品，這些產(chǎn)品的總體分類精度并不很高，且不同區(qū)域的精度差別較大。研究表明，DISCover和UMd在全球范圍內(nèi)的一級分類逐象元一致性僅為74%[18]；IGBP分類產(chǎn)品和UMd分類產(chǎn)品在中國區(qū)域分類的總精度均在40%以下[19]；冉有華等以中國1∶100 000土地利用數(shù)據(jù)為參考數(shù)據(jù)，得到4種全球土地覆蓋數(shù)據(jù)集在中國的總體分類精度均低于60%[20]。然而，他們使用的都是比較成熟、比較先進(jìn)的分類技術(shù)和方法，因此，再通過分類技術(shù)和方法本身來提高分類精度的潛力已不是很大。近年來，雖然有一些直接利用時序NDVI進(jìn)行土地覆蓋分類的研究[21-25]以及利用時序NDVI進(jìn)行土地覆蓋變化檢測的研究[26-28]，但他們均未涉及如何改進(jìn)現(xiàn)有土地覆蓋產(chǎn)品。鑒于此，本文以河南省為研究試驗區(qū)，以MODIS土地覆蓋產(chǎn)品（MCD12Q1）為研究對象，將MCD12Q1分為高精度區(qū)域和低精度區(qū)域，通過構(gòu)建時序NDVI圖譜庫并利用圖譜曲線相似性測定方法，改進(jìn)MCD12Q1低精度區(qū)域的分類精度，從而提高產(chǎn)品在整個區(qū)域的分類精度。

1 數(shù)據(jù)來源與處理

1.1 數(shù)據(jù)來源

1）MODIS NDVI數(shù)據(jù)。從NASA網(wǎng)站（https://ladsweb. nascom.nasa.gov/）下載。本文進(jìn)行宏觀尺度的土地覆蓋研究，主要采用NASA 44種MODIS產(chǎn)品中的MOD13Q1產(chǎn)品。該產(chǎn)品由16 d植被指數(shù)最大值合成，空間分辨率為250 m，共包含NDVI、EVI、紅、藍(lán)、近紅、中紅和VI質(zhì)量文件等12個波段。數(shù)據(jù)的時間序列為：全國2009年第001天至2011年第353天共69個時相的集合，用于標(biāo)準(zhǔn)圖譜曲線庫的構(gòu)建；河南省2012年第001天至2014年第353天共69個時相的集合，用于提取時序NDVI曲線，通過與標(biāo)準(zhǔn)圖譜曲線比對，提取2013年的土地覆蓋信息。

2）MCD12Q1數(shù)據(jù)。MCD12Q1是MODIS三級土地覆蓋類別產(chǎn)品，由1a的Terra和Aqua衛(wèi)星觀測所得數(shù)據(jù)處理后形成的，空間分辨率為500 m。該產(chǎn)品采用5種不同的土地覆蓋分類方案。本文使用河南省范圍的MCD12Q1產(chǎn)品，時間序列為2013年，采用IGBP分類方案。該產(chǎn)品在生產(chǎn)過程中未使用時序NDVI信息。

3）全國1：250 000土地覆蓋數(shù)據(jù)（2005）。用作選擇各土地覆蓋類別典型樣本區(qū)的參考數(shù)據(jù)。該數(shù)據(jù)集來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺，包括有森林、草地、農(nóng)田、聚落、濕地水體、荒漠6個一級類別和25個二級類別。

4）河南省1：100 000土地利用數(shù)據(jù)（2013）。作為參考標(biāo)準(zhǔn)，用于對研究區(qū)土地覆蓋信息提取結(jié)果、MCD12Q1土地覆蓋產(chǎn)品以及新生成的土地覆蓋產(chǎn)品進(jìn)行精度評價。該數(shù)據(jù)集來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺-黃河下游科學(xué)數(shù)據(jù)中心，數(shù)據(jù)集基于Landsat TM數(shù)據(jù)目視解譯結(jié)合外業(yè)調(diào)查生成，包括耕地、林地、草地、水域、建設(shè)用地和未利用地在內(nèi)的6個一級類、25個二級類型。該數(shù)據(jù)集的耕地分類精度為90%，其他地類的分類精度在85%以上。

5）土地覆蓋野外考察數(shù)據(jù)（2015）。野外考察數(shù)據(jù)用于對土地覆蓋產(chǎn)品進(jìn)行樣本評價，于2015年在河南省通過實(shí)地考察獲得?？疾熘?，綜合考慮實(shí)際土地覆蓋分布、地形因子、交通條件等各項因素，選取了具有典型性和代表性并具有一定面積分布的均質(zhì)區(qū)域，并盡可能地涵蓋林地、草地、耕地、人工地表、水體等各種土地覆蓋類別。本文共選擇93個野外考察樣本點(diǎn)，其分布見圖1。

1.2 數(shù)據(jù)預(yù)處理

1）數(shù)據(jù)重投影、格式轉(zhuǎn)換及裁剪。MODIS數(shù)據(jù)產(chǎn)品（MOD13Q1、MCD12Q1）采用正弦投影，數(shù)據(jù)格式為HDF-EOS，這種投影方式和數(shù)據(jù)格式目前還沒有得到廣泛的支持。為能在ENVI和ArcGIS中有效使用MODIS遙感影像數(shù)據(jù)，將數(shù)據(jù)投影轉(zhuǎn)換為Albers投影，將數(shù)據(jù)格式轉(zhuǎn)換成tiff格式。對于MOD13Q1產(chǎn)品，利用各樣本區(qū)矢量文件裁剪出各土地覆蓋類別樣本區(qū)的NDVI值，經(jīng)時間序列重建之后獲取各土地覆蓋類別的參考時序NDVI曲線。

2）MODIS NDVI時間序列重建。將重投影、格式轉(zhuǎn)換和裁剪處理得到的各樣本區(qū)以及研究區(qū)MOD13Q1數(shù)據(jù)進(jìn)行時間域均值濾波、空間域中值濾波、HANTS濾波平滑等處理，重建其NDVI時間序列。

圖1 野外考察樣本點(diǎn)空間分布

2 研究方法

本文的主要內(nèi)容及順序為：①構(gòu)建MODIS-NDVI時序圖譜庫、②根據(jù)所構(gòu)建的時序圖譜庫提取研究區(qū)土地覆蓋信息、③將MODIS 土地覆蓋產(chǎn)品（MCD12Q1）分為精度較高區(qū)域和精度較低區(qū)域2部分、④用所提取的土地覆蓋信息對分類精度較低區(qū)域進(jìn)行替代，形成新的土地覆蓋產(chǎn)品，實(shí)現(xiàn)分類精度的提升。其中②④兩個順序中均涉及土地覆蓋的精度評價，包括比較評價和樣本評價。

1）構(gòu)建MODIS-NDVI時序圖譜庫。本研究的區(qū)域雖然為河南省，但該省以農(nóng)田、林地為主，其他類型如常綠針葉林、草甸草地、典型草地等面積很少甚至沒有。如果僅在河南省范圍內(nèi)選擇樣本，一方面樣本很難選全，另一方面由于個別樣本面積太小致使樣本的代表性不強(qiáng)。因此，綜合考慮樣本的代表性以及分類系統(tǒng)的完整性，在構(gòu)建時序NDVI圖譜庫時在全國范圍內(nèi)選擇樣本。

2）提取土地覆蓋信息。將研究區(qū)每個像元的時序NDVI曲線與標(biāo)準(zhǔn)時序NDVI圖譜曲線進(jìn)行比較，根據(jù)曲線之間的相似性進(jìn)行土地覆蓋類別的劃分，實(shí)現(xiàn)土地覆蓋信息的提取。曲線相似性測定方法包括光譜角度匹配法和最小距離法。

3）MODIS土地覆蓋產(chǎn)品（MCD12Q1）分區(qū)。由于1∶100 000土地利用與MCD12Q1在制圖精細(xì)程度和制圖方法上的差異，前者的精度總體上明顯高于后者。因此，本文所說的產(chǎn)品改進(jìn)針對的是MCD12Q1，該產(chǎn)品為非時序NDVI分類產(chǎn)品。改進(jìn)的基本思路是，將研究區(qū)（河南省）2套土地覆蓋數(shù)據(jù)（1∶100 000土地利用數(shù)據(jù)和MCD12Q1）進(jìn)行空間疊加，其結(jié)果可以分為2部分：土地覆蓋類型一致的部分和不一致的部分。分類一致的部分被認(rèn)定為分類精度較高或分類正確的概率較大，不需要進(jìn)行修正；不一致的部分被認(rèn)定為分類精度較低或分類正確的概率較小，需要進(jìn)行修正。

4）改進(jìn)分類。在ArcGIS中，用提取的土地覆蓋數(shù)據(jù)替換原MODIS土地覆蓋產(chǎn)品中分類精度較低區(qū)域的數(shù)據(jù)。

5）精度評價。包括以1∶100 000土地利用數(shù)據(jù)為參考的比較評價和以野外實(shí)地考察數(shù)據(jù)為參考的樣本評價。

具體技術(shù)流程如圖2所示。

圖2 基于時序NDVI圖譜改進(jìn)土地覆蓋分類精度的技術(shù)流程

3 全國MODIS-NDVI時序圖譜庫構(gòu)建

3.1 確定不同土地覆蓋類別樣本區(qū)

采用目視解譯的方法來獲得樣本數(shù)據(jù)。具體方法為：以全國1∶250 000土地覆蓋數(shù)據(jù)為參考，依據(jù)中國植被分布規(guī)律，結(jié)合已有相關(guān)研究，利用Google Earth 提供高分影像和多邊形標(biāo)記功能，綜合考慮樣本的典型性和一致性要求，確定各土地覆蓋類別的典型樣本區(qū)。通過目視解譯確定了常綠針葉林、常綠闊葉林、落葉針葉林、落葉闊葉林、針闊混交林、灌叢、草甸草地、典型草地、荒漠草地、高寒草甸、高寒草原、灌叢草地、水田、水澆地、旱地、聚落、水體共17種土地覆蓋類別的樣本區(qū)。經(jīng)篩選，最終在全國范圍內(nèi)確定了38個典型樣本區(qū)。某土地覆蓋類別的參考時序NDVI曲線通過該土地覆蓋類別樣本區(qū)的平均時序NDVI曲線來確定。其中，時序NDVI曲線來源于MODIS MOD13Q1數(shù)據(jù)。

3.2 提取各土地覆蓋類別參考時序NDVI曲線

以各類別樣本區(qū)平均時序NDVI曲線代表該土地覆蓋類別的參考時序NDVI曲線，利用各土地覆蓋類別樣本區(qū)矢量數(shù)據(jù)和重建的MODIS NDVI時間序列來提取各類別參考時序NDVI曲線。共獲取17種土地覆蓋類別的參考時序NDVI曲線。

3.3 MODIS-NDVI時序圖譜庫

在ENVI 5.1中，利用各土地覆蓋類別時序NDVI數(shù)據(jù)建立MODIS-NDVI時序圖譜庫。首先使用光譜曲線工具顯示各樣本區(qū)時序NDVI曲線，然后利用工具集中創(chuàng)建光譜庫工具依次收集各樣本區(qū)的時序NDVI曲線，并保存到新創(chuàng)建的光譜庫中，以便在ENVI中直接調(diào)用。MODIS-NDVI時序圖譜庫中，17種土地覆蓋類別的參考曲線如圖3所示。

圖3 MODIS-NDVI時序圖譜庫曲線（基于MOD13Q1和全國38個典型樣本）

值得注意的是，暖溫帶常綠針葉林在第225天附近（8月中旬）出現(xiàn)一個小的波谷，致使1a內(nèi)出現(xiàn)2個波峰，主要由于是8月份云覆蓋比較嚴(yán)重，使NDVI值偏低所致。雖然MODIS-NDVI數(shù)據(jù)經(jīng)過了去云處理，但當(dāng)云覆蓋比較嚴(yán)重時，有時去云效果并不十分理想。

4 基于全國MODIS-NDVI時序圖譜庫提取河南省土地覆蓋信息

4.1 圖譜曲線相似性測定方法

通過將像元的時序NDVI曲線與參考時序NDVI曲線進(jìn)行比較，求算曲線之間的相似性或差異性，從而對地物的性質(zhì)進(jìn)行詳細(xì)的分析，實(shí)現(xiàn)地物類別屬性的識別。常用的曲線相似度測定方法包括光譜角度匹配法、最小距離法等。

1）光譜角度匹配法

該方法通過對地物光譜與參考光譜的比較，以某種相似性測度來表征它們之間的相似性或相關(guān)程度，從而實(shí)現(xiàn)地物類別屬性的識別[29]，進(jìn)而進(jìn)行相似地物的提取[30]。因此，眾多研究者利用光譜匹配模型方法來測度時序NDVI曲線的相似性從而進(jìn)行地物識別、信息提取等相關(guān)研究。

光譜角度匹配法（spectral angle mapper，SAM）是一種基于形狀特征的曲線相似性測度方法，該方法的基本思想是將光譜看成是維數(shù)與波段數(shù)相等的空間里的向量，通過計算光譜間角度的大小來衡量2個光譜之間的相似性或差異性。2個波段的光譜向量=(1,2,…, x) 和=(12…,y)，角度計算公式如下：

該方法強(qiáng)調(diào)光譜的形狀特征，將圖像中每一像元光譜向量與參考光譜向量求廣義夾角，夾角越小代表相似性越大。

2）最小距離法

最小距離法（minimum distance, MD）是一種基于幅度特征的曲線相似性測度方法。該方法利用訓(xùn)練樣本數(shù)據(jù)計算出每一類的均值向量和標(biāo)準(zhǔn)差向量，然后以均值向量作為該類在特征空間中的中心位置，通過計算輸入圖像中每一個像元到各類中心的距離，將所有像元依次歸類到距離最小的類型中。常用的距離判別函數(shù)有歐氏距離和馬氏距離。

4.2 河南省土地覆蓋信息提取

4.2.1 土地覆蓋信息提取

基于MODIS-NDVI時序圖譜庫和研究區(qū)2012—2014年MODIS NDVI數(shù)據(jù)，利用NDVI曲線相似性測度方法可提取得到河南省2013年土地覆蓋信息，如圖4所示。其中SAM_2013、MD_2013分別表示利用光譜角度匹配法、最小距離法提取的河南省2013年土地覆蓋信息。

圖4 基于MODIS-NDVI時序圖譜庫提取的河南省2013年土地覆蓋信息

4.2.2 提取結(jié)果精度評價

為保證評價結(jié)果的全面和客觀，精度評價分為比較評價和樣本評價。比較評價是指以分類精度較高的同類產(chǎn)品為參考對評價對象進(jìn)行評價；樣本評價是指以野外實(shí)地考察數(shù)據(jù)為參考對評價對象進(jìn)行評價。

1）比較評價。以河南省2013年1∶100 000土地利用數(shù)據(jù)為基準(zhǔn)，對基于MODIS-NDVI時序圖譜庫提取得到的土地覆蓋數(shù)據(jù)進(jìn)行比較評價。首先需要進(jìn)行分類系統(tǒng)的統(tǒng)一，表1是2套數(shù)據(jù)的分類系統(tǒng)對照及整合情況。比較結(jié)果見表2。

從表2可以看出，基于MODIS-NDVI時序圖譜庫提取的河南省2013年土地覆蓋信息與1∶100 000土地利用數(shù)據(jù)相比較，具有較高的總體精度和kappa系數(shù)，且2產(chǎn)品類型面積構(gòu)成相似度高。

2）樣本評價。利用河南省2015年野外考察數(shù)據(jù)對土地覆蓋信息提取結(jié)果進(jìn)行樣本評價。野外實(shí)地考察精度評價共選取樣本93個，其中林地26個，草地6個，耕地50個，人工地表7個，水體4個。樣本評價結(jié)果表明SAM_2013正確分類的樣本數(shù)目為62個，MD_2013正確分類的樣本個數(shù)為74個，SAM_2013和MD_2013的總體精度分別為66.67%、79.57%。各土地覆蓋類別精度評價結(jié)果如圖5所示。

表1 1∶100 000土地利用數(shù)據(jù)和基于MODIS-NDVI時序圖譜庫提取的土地覆蓋分類系統(tǒng)的對照與統(tǒng)一

表2 基于時序NDVI提取的河南省2013年土地覆蓋信息的比較評價

注：1:100 000土地利用數(shù)據(jù)來源于國家地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺-黃河下游科學(xué)數(shù)據(jù)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.

圖5 河南?。?013）各土地覆蓋類別制圖精度

從各土地覆蓋類別制圖精度結(jié)果來看，林地和耕地被正確分類的精度高于其他土地覆蓋類別，草地和人工地表的分類精度相對較低?？傮w來看，利用最小距離法提取的土地覆蓋結(jié)果優(yōu)于光譜角度匹配法。利用光譜角度匹配法提取的結(jié)果，草地和人工地表的分類精度在50%以下，其他3類高于50%，而利用最小距離法提取的結(jié)果全部在50%以上，各土地覆蓋類別都達(dá)到較高的正確率。由此可見，時序NDVI與土地覆蓋分類精度有較強(qiáng)的關(guān)聯(lián)性，利用時序NDVI來提高地覆蓋分類精度是完全可行的。

5 現(xiàn)有土地覆蓋分類產(chǎn)品的改進(jìn)

5.1 對MCD12Q1產(chǎn)品的改進(jìn)

由于最小距離法的提取結(jié)果優(yōu)于光譜角度匹配法的提取結(jié)果，因此，本文以最小距離法的提取結(jié)果對原始MCD12Q1產(chǎn)品進(jìn)行改進(jìn)。首先，將2013年河南省1∶100 000土地利用數(shù)據(jù)和MCD12Q1數(shù)據(jù)進(jìn)行柵格運(yùn)算，可以得到分類一致和不一致的區(qū)域；其次，以空間不一致區(qū)域為掩膜，對MD_2013進(jìn)行裁剪；最后，將裁剪結(jié)果（MD_2013相應(yīng)部分）與空間一致區(qū)域進(jìn)行拼接，得到新的土地覆蓋產(chǎn)品AMCD_2013，如圖6所示。

5.2 改進(jìn)后的精度評價

1）比較評價

以1∶100 000土地利用數(shù)據(jù)為參考數(shù)據(jù)，對新生成的數(shù)據(jù)產(chǎn)品AMCD_2013進(jìn)行精度評價，以驗證基于MODIS-NDVI時序圖譜庫能否提高現(xiàn)有土地覆蓋產(chǎn)品的精度，得到誤差矩陣和精度系數(shù)如表3所示。

圖6 改進(jìn)后的河南?。?013）土地覆蓋產(chǎn)品

表3 改進(jìn)后的河南省土地覆蓋一致性評價誤差矩陣

AMCD_2013的總體精度和kappa系數(shù)分別為83.05%、0.65，比原始MCD12Q1（非時序NDVI產(chǎn)品）的總體精度（72.76%）和kappa系數(shù)（0.40）分別提高了10.29%和0.25。由此證明，基于MODIS-NDVI時序圖譜庫進(jìn)行土地覆蓋信息的提取，可以明顯改進(jìn)和提高現(xiàn)有土地覆蓋產(chǎn)品的精度。

具體到各土地覆蓋類別的用戶精度和生產(chǎn)者精度，如表4所列，除林地的用戶精度AMCD_2013與MCD12Q1產(chǎn)品基本持平以外，其他各類型的用戶精度，AMCD_2013均高于MCD12Q1；AMCD_2013各土地覆蓋類別的生產(chǎn)者精度均高于MCD12Q1產(chǎn)品。

表4 河南省原MODIS土地覆蓋與改進(jìn)后的土地覆蓋精度的比較評價

2）樣本評價

以93個野外考察數(shù)據(jù)為樣本，分別對MCD12Q1和AMCD_2013進(jìn)行樣本評價，得到2套數(shù)據(jù)產(chǎn)品的總體精度分別為64.52%、81.72%，AMCD_2013比MCD12Q1產(chǎn)品的總體精度提高了17.20%。這個結(jié)果再次證明基于MODIS-NDVI時序圖譜庫可以明顯提高現(xiàn)有土地覆蓋產(chǎn)品的精度。2套產(chǎn)品各土地覆蓋類別正確識別的比率如圖7所示。由圖7可以看出，除草地外，AMCD_2013各土地覆蓋類別的正確識別率均高于MCD12Q1產(chǎn)品，尤其是林地和水體2種土地覆蓋類別。

6 結(jié) 論

本文通過在全國范圍內(nèi)選取常綠針葉林、常綠闊葉林等17種土地覆蓋類別的樣本區(qū)，構(gòu)建MODIS-NDVI時序圖譜庫，然后基于該圖譜庫，利用曲線相似性測度方法提取河南省土地覆蓋信息，在證明時序NDVI與土地覆蓋分類有較強(qiáng)關(guān)聯(lián)性的基礎(chǔ)上，探討了基于MODIS-NDVI時序圖譜庫提高現(xiàn)有土地覆蓋產(chǎn)品分類精度的方法。主要結(jié)論如下：

1）時序NDVI數(shù)據(jù)是反映土地覆蓋類型特征的重要參數(shù)之一。基于MODIS-NDVI時序圖譜庫直接提取的2013年河南省土地覆蓋信息，與野外實(shí)地考察數(shù)據(jù)進(jìn)行樣本評價，總體精度高達(dá)79.57%；與1∶100 000土地利用數(shù)據(jù)比較，總體精度為73.45%，kappa系數(shù)0.50。

2）利用NDVI時序圖譜庫能夠顯著提MCD12Q1的分類精度。以1∶100 000土地利用數(shù)據(jù)為參考對原有產(chǎn)品和新產(chǎn)品進(jìn)行精度評價，結(jié)果顯示，新產(chǎn)品（AMCD_2013）較原產(chǎn)品（MCD12Q1）的總體精度和kappa系數(shù)分別提高了10.29%和0.25；利用野外考察數(shù)據(jù)分別對兩種產(chǎn)品進(jìn)行精度評價，結(jié)果表明，新產(chǎn)品的總體精度比MCD12Q1提高17.20%。

3）不同土地覆蓋類別精度提高的幅度不同。改進(jìn)后的產(chǎn)品（AMCD_2013）與原產(chǎn)品（MCD12Q1）相比，林地的生產(chǎn)者精度由57.91%提高到93.27%；草地的制圖精度由10.16%提高到39.67%；人工地表的生產(chǎn)者精度由15.2%提高到22.16%；耕地、水體、其他等3種土地覆蓋類別的精度提高幅度相對較小，但也都有所提高。

4）就時序NDVI曲線相似性測度的具體方法而言，最小距離法整體上優(yōu)于光譜角度匹配法。

與土地覆蓋類別相關(guān)的因素很多，本文僅從時序NDVI的角度探討提高現(xiàn)有土地覆蓋分類精度的方法。事實(shí)上，除NDVI之外，其他諸如地形因子、氣候因子等也與土地覆蓋分類精度密切相關(guān)，這些內(nèi)容將在后續(xù)的研究中進(jìn)一步探討。另外，雖然本文利用MODIS-NDVI時序圖譜庫方法提高了土地覆蓋分類的精度，但不同類別精度提高的程度參差不齊，后續(xù)研究中將進(jìn)一步探討影響各類別精度提高幅度的因素，如精度提高幅度與土地覆蓋類別面積占比的關(guān)系等。

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

[2] 陳軍，陳晉，宮鵬，等．全球地表覆蓋高分辨率遙感制圖[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] 魏強(qiáng). 基于MODIS和TM數(shù)據(jù)的京津冀地區(qū)土地覆被分類方法研究[D]．石家莊：河北師范大學(xué)，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] 劉紀(jì)遠(yuǎn)，莊大方，凌揚(yáng)榮，等．基于GIS的中國東北植被綜合分類研究[J]．遙感學(xué)報，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] 盧玲，李新，董慶罕，等．SPOT4-VEGETATION中國西北地區(qū)土地覆蓋制圖與驗證[J]．遙感學(xué)報，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] 王長耀，駱成鳳，齊述華，等．NDVI-Ts空間全國土地覆蓋分類方法研究[J]．遙感學(xué)報，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] 宮攀，陳仲新，唐華俊，等．基于MODIS溫度/植被指數(shù)的東北地區(qū)土地覆蓋分類[J]．農(nóng)業(yè)工程學(xué)報，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，董光榮，李文君，等．利用遙感信息決策樹方法分層提取荒漠化土地類型的研究探討[J]．中國沙漠，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] 孫丹峰，楊冀紅，劉順喜．高分辨率遙感衛(wèi)星影像在土地利用分類及其變化監(jiān)測的應(yīng)用研究[J]．農(nóng)業(yè)工程學(xué)報，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] 謝相建，薛朝輝，王冬辰，等．顧及物候特征的喀斯特斷陷盆地土地覆蓋遙感分類[J]．遙感學(xué)報，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] 李曉東，姜琦剛．基于多時相遙感數(shù)據(jù)的吉林西部土地覆被分類提取[J]．農(nóng)業(yè)工程學(xué)報，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] 王軍邦．中國陸地凈生態(tài)系統(tǒng)生產(chǎn)力遙感模型研究[D]．杭州：浙江大學(xué)，2004．Wang Junbang. Chinese Terrestrial Net Ecosystem Productive Model Applied Remote Sensing Data[D]. Hangzhou: Zhejiang University, 2004. (in Chinese with English abstract)

[20] 冉有華，李新，盧玲．四種常用的全球1 km土地覆蓋數(shù)據(jù)中國區(qū)域的精度評價[J]．冰川凍土，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，劉良云，等．基于MODIS NDVI時間序列的土地覆蓋分層分類方法研究[J]．遙感技術(shù)與應(yīng)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] 顧娟，李新，黃春林．基于時序MODIS NDVI的黑河流域土地覆蓋分類研究[J]．地球科學(xué)進(jìn)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] 劉慶鳳，劉吉平，宋開山．基于MODISNDVI時序數(shù)據(jù)的土地覆蓋分類[J]．中國科學(xué)院研究生院學(xué)報，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] 馬俊飛，呂昌河，王茜．基于MODIS NDVI時序數(shù)列的柴達(dá)木盆地土地覆蓋分類研究[J]．干旱區(qū)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] 汪權(quán)方，李家永．基于時序NDVI數(shù)據(jù)的中國紅壤丘陵區(qū)土地覆被分類研究[J]．農(nóng)業(yè)工程學(xué)報，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，陳晉，宮鵬，等．基于NDVI時間序列數(shù)據(jù)的土地覆蓋變化檢測指標(biāo)設(shè)計[J]．應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，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．基于時序NDVI的土地覆蓋變化檢測方法研究[D]．武漢：武漢大學(xué)，2010． Yin Shoujing. Research on Land Cover Change Detection Methods using Time Series NDVI. Wuhan: Wuhan University, 2010. (in Chinese with English abstract)

[28] 郭曉曉，馮海霞，馮仲科，等．基于MODIS溫度和植被指數(shù)產(chǎn)品的山東省土地覆蓋變化研究[J]．遙感信息，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] 劉偉．基于光譜特征分析的匹配與分類技術(shù)研究[D]．鄭州：解放軍信息工程大學(xué)，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] 王紅說，黃敬峰，徐俊鋒，等．基于MODIS NDVI時間序列譜匹配的耕地信息提取研究：以浙中地區(qū)為例[J]．浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)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

廖順寶，岳艷琳. 基于時序NDVI圖譜庫提高土地覆蓋分類精度的方法[J]. 農(nóng)業(yè)工程學(xué)報，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

國家重點(diǎn)研發(fā)計劃重點(diǎn)專項（2017YFD0300400）；河北省自然科學(xué)基金（D2018512002）；中國清潔發(fā)展機(jī)制基金贈款項目（2014109）

廖順寶，博士，教授，博士生導(dǎo)師。主要從事遙感與GIS應(yīng)用、地學(xué)信息產(chǎn)品加工與質(zhì)量評價方面的研究與教學(xué)工作。Email：liaoshunbao@cidp.edu.cn

10.11975/j.issn.1002-6819.2018.07.031

S127

A

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