基于時序Landsat遙感數據的新疆開孔河流域農作物類型識別

汪小欽，邱鵬勛，李婭麗，茶明星

基于時序Landsat遙感數據的新疆開孔河流域農作物類型識別

汪小欽，邱鵬勛，李婭麗，茶明星

（1. 福州大學空間數據挖掘與信息共享教育部重點實驗室，福州 350108；2. 衛(wèi)星空間信息技術綜合應用國家地方聯(lián)合工程研究中心，福州 350108; 3.數字中國研究院（福建），福州 350108）

快速、準確地獲取農作物類別信息對農業(yè)部門的生產管理、政策制定具有重要作用。目前基于時間序列數據進行農作物分類主要是采用長時間序列的中低分辨率影像，大量的混合像元限制了農作物的分類精度。在農作物分類的特征選擇方面主要是采用歸一化植被指數（normalized differential vegetation index, NDVI），而其他特征量的應用還相對較少。該文以新疆開孔河農業(yè)區(qū)為研究區(qū)域，利用2016年的Landsat7 ETM+、Landsat8 OLI影像數據集，基于時間加權的動態(tài)時間規(guī)整（time weighted dynamic time warping，TWDTW）方法開展農作物類型識別研究，主要包括香梨、小麥、辣椒、棉花等。根據野外采集的樣本點構建主要農作物的NDVI和第一主成分（principal component analysis 1，PCA1）時間序列，以反映不同農作物間的物候差異?；贜DVI數據分別利用DTW和TWDTW算法計算各未知像元序列與標準序列間的相似性程度，得到農作物的分類結果，2種方法的分類精度分別為65.69%、82.68%，表明時間權重的加入提高了DTW算法識別不同農作物的能力。結合NDVI與PCA1后，TWDTW的分類精度又提高了2.61個百分點，部分農作物的誤分現(xiàn)象明顯減少，說明PCA1能夠進一步擴大作物間的差異性，提高分類精度。同時，還通過選取有限時相的影像組合進行分類，試驗結果表明TWDTW算法在中高分辨率數據較少的情況下能夠得到較為滿意的分類結果，說明TWDTW算法在中高分辨率影像越來越豐富的時代具有應用潛力。

遙感；作物；分類；時間加權的動態(tài)時間規(guī)整（TWDTW）；時間序列；歸一化植被指數；主成分變換

0 引 言

農作物種植結構信息對農業(yè)部門的生產管理、政策制定具有重要意義[1]。及時、準確地獲取農作物的種植結構信息不僅是農情遙感的重要內容，也是調整種植結構、預估農作物產量的主要依據[2-3]。遙感技術由于具有感測范圍廣、信息獲取快、宏觀性強等特點，廣泛應用于農作物分類識別和作物面積估算的研究中[4]。

早期，研究者主要利用單一時相的高分辨率影像或者時間序列的中低分辨率影像進行農作物種植信息的提取[5-6]。基于單一影像的種植結構提取方法操作簡單，但往往難以獲取種植結構“最佳識別期”的遙感影像，存在“同物異譜、異物同譜”的現(xiàn)象，分類精度難以得到保障[7]?；跁r間序列的中低分辨率影像在提取農作物的過程中，由于不同作物對適宜生長的氣候條件要求不同，許多學者選用歸一化植被指數（normalized differential vegetation index, NDVI）作為信息提取的常用指標來反映不同作物長勢隨季節(jié)變化的差異性，增大作物間的可分性，但受限于影像分辨率，大量的混合像元導致分類的精度難以提升[8-9]。目前利用時序數據進行農作物分類識別的主要方法包括支持向量機、決策樹等傳統(tǒng)的監(jiān)督分類方法[10-11]，但這些方法對于時間序列信息的利用都不夠充分。楊閆君等[12]基于GF-1/WFV數據構建時間序列的NDVI數據，提出冬小麥識別矢量模型，矢量的大小和方向能夠充分描述曲線的動態(tài)變化特征，進而達到準確識別冬小麥的目的。動態(tài)時間規(guī)整（Dynamic time warping, DTW）作為時間序列相似性度量算法中的一種，能夠充分利用作物的物候特征對其進行分類，近年來已被廣泛應用于農作物遙感信息提取中[13-15]。管續(xù)棟等[16]基于46期的時間序列Modis數據采用DTW方法對泰國水稻種植信息進行提取，能夠降低該地區(qū)云雨天氣以及水稻種植時間的靈活性對提取精度的影響，但是該算法對于匹配節(jié)點時間跨度的無限制性容易導致嚴重的畸形匹配現(xiàn)象，造成農作物的誤分和漏分，而且對于水稻閾值的確定需要不斷嘗試，無法實現(xiàn)目標作物的自動化提取。Maus等[17]在DTW算法的基礎上引入了時間權重因子，能夠一定程度地限制序列節(jié)點間的畸形匹配，選取多種農作物的樣本點，通過比較各作物間的距離值確定像元類型，不需要設定閾值，實現(xiàn)農作物的自動分類。

然而，當前在時間序列DTW方法的農作物識別方面，主要采用的是長時間序列的低分辨率數據源，而對于數據量越發(fā)豐富的中高分辨率的影像，DTW方法基于該數據的應用還少有涉及[18]。在特征量的選擇上，主要采用的是NDVI，其他特征指標的的應用對于能否提高農作物識別精度還需進一步研究。本文采用時間序列的Landsat數據，以新疆開孔河農業(yè)區(qū)為例，利用時間加權的動態(tài)時間規(guī)整（timeweighted dynamic time warping, TWDTW）進行農作物分類識別，探索利用中高分辨率時間序列影像和DTW方法對不同農作物的識別能力，通過試驗分析時間權重的引入以及NDVI與第一主成分（principal component analysis 1，PCA1）結合對農作物分類結果的影響，提出一種基于時間序列中高分辨率遙感影像的農作物識別方法，以提高農作物的識別精度。

1 研究區(qū)概況與數據源

1.1 研究區(qū)概況

研究區(qū)位于新疆巴音郭楞蒙古自治州（82°38′～93°45′E，35°38′～43°36′N）的開孔河農業(yè)區(qū)，如圖1所示，包括焉耆盆地農業(yè)區(qū)和博斯騰湖西南部庫爾勒、尉犁農業(yè)區(qū)。東臨博斯騰湖，水資源相對于新疆其他地區(qū)較為豐富，南接塔克拉瑪干沙漠。該地區(qū)日照時間長，光熱資源豐富，晝夜溫差大，適合各類瓜果生長以及農作物和經濟作物的種植。流經該地區(qū)的主要河流為塔里木河和孔雀河，都為季節(jié)性河流。主要的農作物有棉花、辣椒、小麥等，其中，在庫爾勒市和尉犁縣種有大面積的棉花，庫爾勒香梨也聞名全國[19]，而且香梨種植面積呈現(xiàn)逐年遞增的趨勢，截止2017年種植面積已經超過6萬hm2。焉耆盆地北部是新疆重要的辣椒生產基地，辣椒種植面積達到3.4萬hm2。研究區(qū)內所有的農作物都為一年一季，其中小麥在2月底開始種植，7月份收獲，是研究區(qū)內種植時間最早的農作物。棉花的種植時間為4月中旬，9月中旬收獲，生長時間大概為5個月。辣椒的種植時間與棉花大致相同，收獲期在9月底。

1.2 數據源

1.2.1 遙感數據

從美國地質勘探局（USGS）網站上下載研究區(qū)2016年作物生長季無云或少云的Landsat7、Landsat8（level1）影像，空間分辨率為30 m，其中Landsat7數據4景，Landsat8數據8景，共12景影像構成研究區(qū)2016年時間序列數據集，數據獲取的具體情況如表1所示。由于Landsat7與Landsat8影像的幅寬大小不一，覆蓋的區(qū)域也不完全相同，需要提取公共區(qū)域進行影像裁剪，生成大小為5 259 × 4 862像元的影像數據集。其他處理還包括輻射定標和大氣校正，對于Landsat7影像，由于存在條帶的現(xiàn)象，采用ENVI的擴展工具Tm_destipe對影像進行條帶修復。

圖1 研究區(qū)在新疆的地理位置及野外樣本點分布示意圖

表1 數據獲取情況

數據預處理完成后，計算生成NDVI數據集。由于Landsat數據中的可見光、近紅外波段具有高度的相關性，為了更好的保留光譜特征，降低數據維度，減少數據冗余，對紅光、綠光、藍光以及近紅外這4個波段進行主成分變換[20-21]，將第一主成分（PCA1）與時序NDVI數據作為不同農作物類型的分類特征。

1.2.1 樣本數據

2018年7月對研究區(qū)內的農作物種植情況進行了實地調察，共收集到樣本點127個，其中棉花24個，香梨8個，辣椒25個，小麥40個，蘆葦9個以及非耕地樣本點21個。通過與當地農戶的溝通了解到研究區(qū)除小麥外，其他作物年際間的種植模式較穩(wěn)定，基本保持不變，通過對比2018年和2016年研究區(qū)內的Google Earth影像和2 m的GF-1影像，根據采集樣本點在影像上的色彩、紋理和點位分布等信息，確定未變化的點位，在此基礎上再增加256個樣本點，包括49個棉花樣本點，65個香梨樣本點，52個辣椒樣本點，5個小麥樣本點，65個蘆葦樣本點和非耕地樣本點52個，總共383個樣本點建立樣本數據集。從樣本集中隨機選取每類樣本的20%作為分類訓練樣本，剩余80%的樣本用于結果精度驗證。各類樣本點分布情況如圖1所示。

2 研究方法

2.1 時間加權的動態(tài)時間規(guī)整匹配算法

時間序列相似性匹配是指在給定標準序列的基礎上匹配相似性程度最高的序列[22]。動態(tài)時間規(guī)整（DTW）算法是基于動態(tài)規(guī)劃思想，尋找一條最小累計距離的路徑，匹配的序列不要求匹配點一一對應，只需使匹配的兩序列間的累積距離最小即可[23-24]。

設有兩長度分別為和的時間序列為

在尋找最小累積距離路徑時，應滿足：

時間加權的動態(tài)時間規(guī)整（TWDTW）算法[24]中序列間的基距離是在DTW基距離的基礎上乘上匹配點之間的時間權重

式中wij為權重值，g為增益因子，值越大則對匹配點間隔差異的懲罰越大，根據前人的研究成果[17,25-26]，本文將g設為0.1，c=|i?j|為距離因子，mc一般為時間序列的中間節(jié)點，本文所使用的影像數據集的時間跨度約為250 d，因此將mc設為125。TWDTW可解決DTW中的畸形匹配現(xiàn)象，如圖2所示為長度是40的兩序列間的DTW算法節(jié)點匹配結果，從圖2a可以看出對于波形相似但寬幅差異較大的兩序列，DTW算法為了得到最小的累計距離，會出現(xiàn)匹配點時間跨度較大的情況，這在基于物候信息的農作物分類中將產生較大的誤差。為了減少這些畸形匹配現(xiàn)象，加入時間權重進行約束，序列間匹配點的時間跨度越大則懲罰值越大，使得匹配時間跨度在較小的范圍內（圖2b）。時間權重的加入不僅保留了算法的靈活性，還使節(jié)點匹配更加整齊，提高了序列間匹配的相似性。

2.2 試驗設計

除NDVI能夠反映植被的生長變化以外，筆者發(fā)現(xiàn)不同作物在遙感影像上的亮度值也存在不同的變化規(guī)律，為了綜合農作物在可見光和近紅外波段的亮度信息，采用主成分分析的方法，在降低數據維度的同時盡可能保留影像的光譜信息，而PCA1是主成分變換后含信息量最多的分量。為了探討時間權重因子和光譜特征的加入對試驗結果的影響，本文設計了3組試驗進行對比，分別是基于時間序列NDVI數據的DTW法（簡寫為DTW(NDVI)）、TWDTW法（簡寫為TWDTW(NDVI)），以及結合NDVI與PCA1的TWDTW法（簡寫為TWDTW(NDVI+PCA1)）。并在TWDTW(NDVI)方案下對影像數據的選擇進行試驗設計，進一步探討部分月份影像缺失對試驗結果的影響，分析TWDTW方法對時間序列數據密集程度的依賴性。NDVI與PCA1的組合策略是將PCA1的值進行歸一化，使兩數據的數值保持在同一量級范圍，分別計算待分像元在兩類數據集下與各農作物樣本的最小累計距離，將兩距離相加得到TWDTW距離，通過對比得到最終的分類結果。

具體流程如圖3所示，構建2016年Landsat時序數據集以及采集樣本點數據，對Landsat數據集進行指數計算和主成分變換，生成時序NDVI和PCA1數據，選取樣本點數據提取時序影像的值，生成標準序列，采用以上3種方案進行匹配計算，得到分類結果，并進行精度評價和分析。

圖3 試驗設計流程圖

2.3 精度驗證

混淆矩陣法是目前評價分類精度最常用的方法[27]，該方法采用總體精度（Overall accuracy，OA）（式（9））、生產者精度（Producer accuracy，PA）（式（10））、用戶精度（User accuracy，UA）（式（11））和Kappa系數（式（12））等評價指標從不同的側面來反映圖像的分類精度。

式（9）~（12）中，為驗證樣本的總數，x和x分別為分類結果中第類樣本的總數和驗證樣本中第類樣本的總數，x為混淆矩陣中的第行列中的數，代表第類樣本中被正確分類的個數，為分類的類別數?？傮w精度表征分類的整體準確率，生產者精度和用戶精度表征單一類別分類精度，Kappa系數則是評定生產者精度和用戶精度的穩(wěn)定性，可表征分類結果的可信度。

3 結果與分析

3.1 標準序列生成分析

受地域和氣候因素的影響，相同作物在不同區(qū)域可能具有不同的物候特征[26]。如圖4所示為基于樣本點提取影像值生成標準NDVI時序曲線和PCA1時序曲線，由于鐵門關地區(qū)的棉花（棉花2）比尉犁縣棉花（棉花1）的種植時間早，從NDVI時序曲線中可以看出棉花2比棉花1的上升時間早，棉花2樣本在6月1日的NDVI值為0.42，而棉花1還停留在0.18。棉花2的物候曲線與焉耆縣的辣椒比較相似，采用TWDTW算法進行分類容易將兩者誤分。本文采用整體分類與局部專題提取相結合的方法，將鐵門關地區(qū)的棉花單獨作為一類，對它進行專題提取。在NDVI時序曲線中，由于小麥的種植時間最早，因此曲線的上升期比其他農作物出現(xiàn)的時間要早，在6月1日達到峰值，之后逐漸下降。香梨的生長季較長，NDVI曲線在4月22日之后一直保持在較高的水平，直到9月21日后曲線開始下降。

在PCA1時序曲線中每類農作物在節(jié)點值的整體離散度雖然比NDVI小，但是每類農作物的曲線特征也存在一定的區(qū)別，其中蘆葦的PCA1曲線相比于其他作物一直處于較低的水平，棉花較高，香梨和辣椒處于中間，區(qū)分度較小，小麥在7月份已經收割完成，PCA1的值在7月22日升高，影像的亮度值增加。

圖4 典型農作物NDVI與PCA1時序變化曲線

3.2 不同方法分類精度對比分析

通過上述分類過程，得到研究區(qū)內3種方案的農作物識別分類結果（圖5）。將除訓練樣本外剩余的306個樣本點作為驗證樣本點，分別對3種方案的分類結果進行精度驗證（表2）。從表中可以看出基于時序NDVI與PC1特征量相結合的TWDTW分類方法精度最高，僅利用時序NDVI單一特征量的TWDTW方法次之，未考慮時間權重因子的DTW方法的分類精度最低?？傮w精度分別為85.29%、82.68%、65.69%，Kappa系數為0.823、0.791、0.585。從精度結果中可以說明DTW匹配算法引入時間權重因子后，對分類精度具有很大幅度的提高；加入PCA1特征后也比單一的NDVI特征具有更好的精度。

表2 分類精度

注：PA為生產者精度；UA為用戶精度

Note: PA is Producer’s accuracy; UA is User’s accuracy

圖5 不同方法的分類結果

基于NDVI特征量的TWDTW方法相比于DTW方法，除辣椒提取生產者精度提高較小外，其他類別的精度都大幅提高。其中小麥的生產者精度和用戶精度提高最多，分別提高了37.03和32.41個百分點；香梨精度的上升幅度次之。除辣椒和小麥外，其他作物的生產者精度和用戶精度都達到80%以上。結合PCA1與NDVI相比于只采用NDVI單一特征量的分類結果，加入PCA1后，辣椒的生產者精度和用戶精度分別提高了8.06和9.27個百分點，在所有作物中精度上升幅度最大。香梨與小麥的分類精度基本不變，說明這兩類作物對PCA1特征量的敏感度并不高。

為了更好地對比3種方案的分類結果，對局部區(qū)域進行放大，圖5d-f為紅色方框的局部放大圖，圖5g-i為棕色方框的局部放大圖。從圖5d中可以發(fā)現(xiàn)基于DTW算法的分類結果“椒鹽”噪聲明顯，而且許多棉花樣本被誤分為香梨，圖5e基于TWDTW算法的分類結果好于圖5d，“椒鹽”噪聲有所改善，能夠較好地對作物進行分類，加入PCA1后的對結果并沒有太大影響（5f）。圖5g-h與5d-e具有相似的結果，但圖5h中有許多耕地被分為蘆葦，這明顯與實際情況不相符，圖5i中通過加入PCA1特征，之前的蘆葦地大部分轉變成辣椒，結合野外收集到的樣本點，證明了該轉變的正確性。兩圖中小麥的分類結果基本不變，說明只采用NDVI特征能夠較好地區(qū)分小麥與其他作物，而加入PCA1后，對小麥的分類結果的影響并不大。

3.3 不同影像組合分類精度對比分析

為了探索不同時期的影像缺失對分類精度的影響，本文基于TWDTW方法采用不同時相NDVI的影像組合方式對研究區(qū)內的農作物進行分類，分類精度如表3所示。由于小麥的種植時間在2月底，播種出苗后很長一段時間處在幼苗階段，生長緩慢，去除2月26日和3月29日的影像進行試驗，發(fā)現(xiàn)分類精度與全部影像參與分類的結果一致(表3試驗2)。4月6日后，香梨和小麥開始生長，各曲線開始分化，在11月8日后大部分農作物都已收割完畢，NDVI值都處于較低水平，但是香梨地和部分棉花地的NDVI值要相對較高，在前面的試驗的基礎上再去除這兩個時相的影像后，分類精度略有下降（表3試驗4），但不明顯，在后續(xù)所有試驗的影像組合中該4景影像都不參與分類。對于生長季中的其他時相影像的缺失對分類精度的影響情況，逐一進行試驗(表3試驗5-12)，發(fā)現(xiàn)5月16日與6月1日的影像缺失對分類精度的影響最大，精度從81.37%降至79.08%，從圖4中也可看出農作物的NDVI值在這兩時相差異最大。7月26日以后，除了小麥已經收割完以外，其他農作物都處于旺盛的生育期，NDVI值高，區(qū)分度較小，所以單景影像的缺失影響并不大，除9月21日影像缺失（試驗12）導致分類精度在試驗4的基礎上下降0.35個百分點外，其余精度保持不變。

從上述試驗中發(fā)現(xiàn)在影像分布較為均衡的情況下，單景影像的缺失對于分類整體精度的影響并不大。而較多影像的缺失對分類精度是否產生較大影響，通過選取研究區(qū)農作物生長季前期、中期和后期4個時相的影像進行試驗（表3試驗13-15），3組試驗的分類精度分別為71.56%、76.47%和72.22%，精度下降明顯，其中生長季中期的4景影像取得了最高的精度（試驗14），說明研究區(qū)內農作物在4 -7月差異性最大，是農作物識別的關鍵時期。

表3 不同影像組合分類精度

注：√指參與分類的影像。

Note: √refers to images that need to be involved in classification.

4 討 論

4.1 時間權重對分類結果的影響

時間節(jié)點和特征值是時間序列數據中最主要的兩大特征，在序列相似性匹配計算中，DTW算法只專注于特征值在相似度距離中的計算，對所有的匹配點只計算它們的基距離，認為距離值越小則相似度越高，而忽略了匹配點的時間跨度對結果影響。時間權重這個物理量不僅考慮了節(jié)點特征值的大小，兼而考慮匹配點的連接情況，對于跨時間匹配的點實施懲罰機制，在保證特征值參與計算的基礎上，同時考慮時間特征對相似性度量的影響。

在遙感專題信息提取方面，由于每種農作物都有其獨特的物候特征，該特征是區(qū)別各種農作物的重要條件。本文基于時序NDVI數據，通過設置DTW和TWDTW 2 組對比試驗探討時間權重的加入對分類結果的影響。從表2中可以看出，時間權重的加入對該算法的分類精度具有顯著的提升，分類總體精度也從65.69%上升到82.68%。根據野外考察的實際情況與農作物樣本點的分布得知，除庫爾勒東北部種有香梨外，庫爾勒其余地區(qū)和尉犁縣都是棉花的成片種植區(qū)，香梨與棉花的種植界限清晰，而從圖6的DTW分類結果中發(fā)現(xiàn)有大量的棉花誤分為香梨。從棉花的驗證樣本中選取被誤分為香梨的樣本點，在DTW算法下分別對比樣本點與棉花序列、香梨序列的節(jié)點匹配情況和最佳匹配路徑，如圖6c所示，DTW算法通過跨時間匹配的方式得到樣本點與香梨的DTW距離為4.56′10-2，兩匹配節(jié)點時間跨度最大的為96 d，樣本與棉花的DTW距離為6.57′10-2，與香梨的相似度大于棉花。雖然香梨與棉花的生長季存在較大差異，但是在沒有時間權重約束的情況下，DTW的特質同樣可以使兩序列在節(jié)點值相近的情況下產生較高的相似度，造成農作物的誤分。在引入時間權重后，該樣本點與棉花、香梨的DTW距離分別為0.201′10-7、2.174′10-7，與棉花的相似度大于香梨，跨時間匹配的現(xiàn)象得到限制，該樣本點被正確分類，其他作物的分類精度也得到了顯著提高。

圖6 節(jié)點匹配情況與最佳匹配路徑

4.2 PCA1對分類結果的影響

各農作物隨季節(jié)的變化不僅在NDVI時序曲線上表現(xiàn)出不同的生長特征，在PCA1時序曲線上也存在一定的差別。為了擴大作物間的區(qū)分度，本文在NDVI特征量的基礎上加入了PCA1，采用TWDTW算法進行分類，將兩時序數據計算的距離值相加得到最終的TWDTW距離，試驗結果表明辣椒、棉花和蘆葦的分類精度都有所提高，基于PCA1計算距離值的加入使得之前分類模糊度較大的像元被正確分類，總體分類精度從82.68%上升到85.29%，精度提高了2.61個百分點。筆者還試圖加入PCA2特征量進行分類，但由于PCA2存在較大的噪聲，且PCA2中各農作物的類內同質性較差，對分類精度并沒有產生積極的作用。為了更好地提取不同作物，后續(xù)將繼續(xù)研究引入其他更能反映作物差異的指數，進一步提高農作物種植信息的提取精度。

5 結 論

本文以覆蓋研究區(qū)所有農作物生育期的Landst7 ETM+和Landsat8 OLI影像為數據源，對所有數據進行NDVI計算和主成分變換，生成時間序列的NDVI和PCA1數據集，采用動態(tài)時間規(guī)整（dynamic time warping, DTW）和時間加權的動態(tài)時間規(guī)整（time weighted dynamic time warping，TWDTW）方法對研究區(qū)內的農作物進行識別分類，結果表明：

1）基于NDVI時序數據，采用DTW和TWDTW方法對研究區(qū)內農作物分類的精度分別為65.69%和82.68%，引入了時間權重因子后，農作物的分類精度得到大幅提高。通過分析兩算法在計算過程中節(jié)點的匹配情況發(fā)現(xiàn)，時間權重能夠較好地限制DTW算法中存在的畸形匹配現(xiàn)象，增大不同類別間的距離值，提高作物分類精度。

2）在所有影像中選取部分影像組合進行分類，結果表明在農作物生長季開始初期和結束時所獲取的影像在參與分類的過程中對分類精度的提高并沒有太大的幫助。農作物生長季影像的大量缺失雖然會對分類的精度產生較大的影響，但是TWDTW算法只利用有限的影像也能取得較好的分類精度。

3）在時序NDVI數據的基礎上加入PCA1特征量，采用TWDTW算法進行農作物分類，總體精度從82.68%上升到85.29%，被誤分為蘆葦的像元明顯減少，說明時序PCA1對部分農作物的識別有所幫助。在今后的研究中還可探索其他特征量的加入對分類結果的影響。

[1] 許青云，楊貴軍，龍慧靈. 基于MODISNDVI多年時序數據的農作物種植識別[J]. 農業(yè)工程學報，2014，30(11): 134－144. Xu Qingyun, Yang Guijun, Long Huiling. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(11): 134－144. (in Chinese with English abstract)

[2] Qiu Bingwen, Li Weijiao, Tang Zhenghong, et al. Mapping paddy rice areas based on vegetation phenology and surface moisture conditions[J]. Ecological Indicators, 2015, 56(1): 79－86.

[3] 楊閆君，占玉林，田慶久. 基于GF_1_WFVNDVI時間序列數據的作物分類[J]. 農業(yè)工程學報，2015, 31(24): 155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[4] 高曉嵐，汪小欽. 多源遙感數據在植被識別和提取中的應用[J]. 資源科學，2008, 30(1): 153－158. Gao Xiaolan, Wang Xiaoqin. An application of multi-source remote sensing data in identification and extraction of vegetation information[J]. Resources Science, 2008, 30(1): 153－158. (in Chinese with English abstract)

[5] Ajay Mathur. Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International Journal of Remote Sensing, 2008, 29(8): 2227－2240.

[6] Yang Chenghai. Evaluating high resolution SPOT 5 satellite imagery for crop identification[J]. Computers And Electronics in Agriculture, 2011, 75(1): 347－354.

[7] 胡瓊，吳文斌，茜宋. 農作物種植結構遙感提取研究進展[J]. 中國農業(yè)科學，2015, 48(10): 1900－1914. Hu Qiong, Wu Wenbin, Qian Song. Recent progresses in research of crop patterns mapping by using Remote Sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900－1914. (in Chinese with English abstract)

[8] 平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農作物分類[J]. 自然資源學報，2016, 31(3): 503－514. Ping Yuepeng, Zang Shuying. Crop identification based on MODIS NDVI time-series dataand phenological characteristics[J]. Journal of Natural Resources, 2016, 31(3): 503－514. (in Chinese with English abstract)

[9] 郭昱杉，劉慶生，劉高煥，等. 基于MODIS時序NDVI主要農作物種植信息提取研究[J]. 自然資源學報，2017, 32(10): 1808－1818. Guo Yushan, Liu Qingsheng, Liu Gaohuan, et al. Extraction of main crops in Yellow River Delta based on MODIS NDVI time series[J]. Journal of Natural Resources, 2017, 32(10): 1808－1818. (in Chinese with English abstract)

[10] Kong Fanjie, Li Xiaobing, Wang Hong, et al. Land cover classification based on fused data from GF-1 and MODIS NDVI time series[J]. Remote Sensing, 2016, 8(9): 741－761.

[11] 張煥雪，曹新，李強子，等. 基于多時相環(huán)境星NDVI時間序列的農作物分類研究[J]. 遙感技術與應用，2015, 30(2): 304－311. Zhang Huanxue, Cao Xin, Li Qiangzi, et al. Research on crop identification using multi-temporal ndvi hj images[J]. Remote Sensing Technology and Application, 2015, 30(2): 304－311. (in Chinese with English abstract)

[12] 楊閆君，占玉林，田慶久，等. 利用時序數據構建冬小麥識別矢量分析模型[J]. 遙感信息，2016, 31(5): 53－59. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Remote Sensing Information, 2016, 31(5): 53－59. (in Chinese with English abstract)

[13] Sakoe Hiroaki, Chiba Seibi. Dynamic programming algorithm optimization for spoken word recognition [J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1978, 26(1): 43－50.

[14] Keogh Eamonn. Exact indexing of dynamic time warping[J]. Knowledge and Information Systems, 2005, 7(3): 386－758.

[15] Hamooni Hossein. Phoneme sequence recognition via DTW-based classification[J]. Knowl Inf Syst, 2016, 48(2): 253－275.

[16] 管續(xù)棟，黃翀，劉高煥. 基于DTW距離的時序相似性方法提取水稻遙感信息_以泰國為例[J]. 資源科學，2014, 36(2): 267－272. Guan Xudong, Huang Chong, Liu Gaohuan. Extraction of paddy rice area using a DTW distance based similarity measure[J]. Resources Science, 2014, 36(2): 267－272. (in Chinese with English abstract)

[17] Maus Victor, c?amara Gilberto, Appel Marius. Dtwsat: time-weighted dynamic time warping for satellite image time series analysis in R[J]. Journal of Statistical Software, 2017, 80(1): 1－30.

[18] Guan Xudong, Huang Chong, Liu Gaohuan. Mapping rice cropping systems in vietnam using an NDVI-based time-series similarity measurement based on DTW distance[J]. Remote Sensing, 2016, 8(19): 3390－3415.

[19] 楊遼. 基于多光譜數據的庫爾勒香梨種植面積提取研究[D]. 烏魯木齊: 新疆大學，2015. Yang Liao. Based on Muitispectral Data of Kuerle Fragrant Pear Planting Area Extraction Research[D]. Urumqi: Xinjiang University, 2015. (in Chinese with English abstract)

[20] 葉燕清，楊克巍，姜江，等. 基于加權動態(tài)時間彎曲的多元時間序列相似性匹配方法[J]. 模式識別與人工智能，2017, 30(4): 314－327. Ye Yanqing, Yang Kewei, Jiang Jiang, et al. Multivariate time series similarity matching method based on weighted dynamic time warping algorithm[J]. Pattern Recognition and Artificial Intelligence, 2017, 30(4): 314－327. (in Chinese with English abstract)

[21] 宋盼盼，鑫杜，吳良才. 基于光譜時間序列擬合的中國南方水稻遙感識別方法研究[J]. 地球信息科學學報，2017，19(1): 117－124. Song Panpan, Xin Du, Wu Liangcai. Research on the method of rice remote sensing identification based on spectral time-series fitting in southern China[J]. Journal of Geo-information Science, 2017, 19(1): 117－124. (in Chinese with English abstract)

[22] Araya Sofanit, Ostendorf Bertram, Lyle Gregory, et al. Cropphenology: An R package for extracting crop phenology from time series remotely sensed vegetation index imagery[J]. Ecological Informatics, 2018, 46(5): 45－56.

[23] 沈靜逸. 基于DTW和LMNN的多維時間序列相似性分析方法[D]. 杭州: 浙江大學，2017. Shen Jingyi. A Novel Similarity Measure Model for Multivariate Time Series Based on LMNN and DTW[D]. Hangzhou: Zhejiang University, 2017. (in Chinese with English abstract)

[24] 張浩，劉志鏡. 加權DTW距離的自動步態(tài)識別[J]. 中國圖象圖形學報，2010, 15(5): 830－836. Zhang Hao, Liu Zhijing. Automated gait recognition using weighted DTW distance[J]. Journal of Image And Graphics, 2010, 15(5): 830－836. (in Chinese with English abstract)

[25] 翟涌光，屈忠義. 基于非線性降維時序遙感影像的作物分類[J]. 農業(yè)工程學報，2018, 19(34): 177－183. Zhai Yongguang, Qu Zhongyi. Crop classification based on nonlinear dimensionality reduction using time series remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 19(34): 177－183. (in Chinese with English abstract)

[26] Belgiu Mariana. Sentinel-2 cropland mapping using pixel-based and object-based timeweighted dynamic time warping analysis[J]. Remote Sensing of Environment, 2018, 204(1): 509－523.

[27] Russell G. Congalton, Kass Green. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, Second Edition (Mapping Science)[M]. Florida: Lewis Publishers, 1999.

Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images

Wang Xiaoqin, Qiu Pengxun, Li Yali, Cha Mingxing

(1.350108,2.350108,; 3.350108,)

The crops information of area and planting distribution has a great influence on the production management and policy making of the agricultural sector. Obtaining this information timely and accurately is not only the main content of agricultural remote sensing, but also the important reference for adjusting planting and estimating crop yield.At present, crop classification based on time series data mainly adopts medium and low spatial resolution images with long time series, while there are a large number of mixed pixels in low and medium spatial resolution images, which limits the classification accuracy of crops. The Normalized vegetation Index (NDVI) is mainly used in the selection of features of crop classification, while the application of other features selection is relatively few. With the rapid development of remote sensing technology, medium and high spatial resolution remote sensing data is becoming more and more abundant.How to make full use of medium and high spatial resolution images for crop classification has great research significance. This paper uses the Landsat7 ETM+ and Landsat8 OLI time series datasets of 2016 to extract crops from Kaikong River agricultural area of Xinjiang based on time-weighted dynamic time warping.It mainly includes pear, wheat, pepper, cotton and so on. According to the sample points collected in the field investigation, the sample database was established, and the NDVI values and PCA1 values of all kinds of samples were extracted at different time phases, that the standard NDVI sequences and PCA1 sequences were generated. In this paper, three classification schemes were designed and compared to explore the effect of DTW method on the recognition ability of different crops by using medium and high spatial resolution time series images, and to evaluate the time weight factor and the influence of NDVI combined with the first principal component (PCA1) on the classification results of crops. The principle of DTW algorithm classification was to calculate the distance value between the pixel sequence to be divided and the standard sequence of each crop. The smaller the distance value is, the higher the similarity between the sequences is. The crop type of the pixel to be divided was determined by comparing the distance value. However, because of its flexibility, the algorithm is prone to abnormal matching, and the introduction of time weight can limit this phenomenon very well. In this paper, DTW and TWDTW algorithms were used to classify crops based on NDVI data, and the classification accuracy of the two methods were 65.69% and 82.68%, respectively. It showed that the addition of time weight factor could effectively avoid the abnormal matching phenomenon of DTW algorithm and improve the ability of the algorithm to identify different crops. With the combination of NDVI and PCA1, the classification accuracy of TWDTW had increased by 2.61 percentage points, and the phenomenon of the misclassification had significantly reduced. It explained that PCA1 could further expand the difference between crops and improve the classification accuracy. The experimental results showed that the TWDTW algorithm could obtain a satisfactory classification result in the case of less high spatial resolution data. It proved that the TWDTW algorithm has great application potential in the time of more and more high- spatial resolution images, and provides a reference for fine identification of crops based on time series data.

remote sensing; crops; classification; time weighted dynamic time warping; time series; normalized vegetation index; principal component analysis

2018-12-27

2019-07-16

國家重點研發(fā)計劃課題（No. 2017YFB0504203）；中央引導地方發(fā)展專項（No. 2017L3012）

汪小欽，博士，研究員，主要從事資源環(huán)境遙感應用方面的研究。Email：wangxq@fzu.edu.cn

10.11975/j.issn.1002-6819.2019.16.020

S127

A

1002-6819(2019)-16-0180-09

汪小欽，邱鵬勛，李婭麗，茶明星.基于時序Landsat遙感數據的新疆開孔河流域農作物類型識別[J]. 農業(yè)工程學報，2019，35(16)：180－188. doi：10.11975/j.issn.1002-6819.2019.16.020 http://www.tcsae.org

Wang Xiaoqin, Qiu Pengxun, Li Yali, Cha Mingxing.Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 180－188. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.16.020 http://www.tcsae.org