京津冀地區(qū)冬小麥播種面積快速提取技術(shù)研究

吳風(fēng)華 郎婷婷 江東 丁方宇 張紫萍

摘要：冬小麥?zhǔn)俏覈闹鲗?dǎo)糧食作物之一，及時掌握冬小麥種植信息對農(nóng)業(yè)部門制定政策、調(diào)整農(nóng)業(yè)結(jié)構(gòu)具有十分重要的意義。以京津冀地區(qū)為例，綜合考慮遙感數(shù)據(jù)源成本、數(shù)據(jù)處理時間以及時間分辨率等要素，提出了一種以MODIS-NDVI產(chǎn)品為主要數(shù)據(jù)源，提取冬小麥播種面積的技術(shù)方法。通過對冬小麥種植區(qū)的實地考察與采樣，準(zhǔn)確獲取了反映冬小麥生長周期的NDVI時間序列曲線，并將采樣點NDVI時間序列曲線與物候期相結(jié)合，識別冬小麥的典型物候期，以決策樹分類方法設(shè)定閾值，逐級快速剔除了非耕地區(qū)和林地區(qū)，實現(xiàn)了冬小麥種植區(qū)的提取。提取的冬小麥種植區(qū)與實地采樣點的匹配度達(dá)到93.33%，與統(tǒng)計年鑒公布數(shù)據(jù)的比較結(jié)果表明分類精度達(dá)到 91.84%，為快速提取大面積農(nóng)作物種植信息提供了一種可操作的技術(shù)手段。

關(guān)鍵詞：京津冀;MODIS-NDVI;冬小麥;播種面積;決策樹分類;面積提取

中圖分類號： S127 ?文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2019）16-0224-06

收稿日期：2018-04-19

基金項目：國家重點研發(fā)計劃（編號：2016YFC0503507）;西藏自治區(qū)重大科技專項（編號：Z2016C01G01）。

作者簡介：吳風(fēng)華（1972—），女，湖南寧鄉(xiāng)人，碩士，副教授，主要從事地理信息系統(tǒng)的教學(xué)與研究工作。

通信作者：江 東，博士，研究員，研究方向為資源環(huán)境遙感監(jiān)測。

農(nóng)作物種植面積信息的準(zhǔn)確獲取是提高作物產(chǎn)量預(yù)測和確保糧食安全問題的關(guān)鍵，為政府相關(guān)管理部門和機(jī)構(gòu)提供了重要的農(nóng)業(yè)生產(chǎn)依據(jù)。遙感技術(shù)具有時效性高、覆蓋率廣、觀測周期短等優(yōu)點，在農(nóng)業(yè)監(jiān)測體系中逐漸取代傳統(tǒng)的人工核查方法，推動了農(nóng)業(yè)現(xiàn)代化發(fā)展[1]。

不同的遙感影像數(shù)據(jù)具有不同的特點，高空間分辨率影像雖然能夠較好地識別地物的紋理、形狀等特征[2]，但其單景影像幅寬、時間分辨率有一定的局限性，加之云、大氣等噪聲污染，難以獲得覆蓋整個研究區(qū)的影像數(shù)據(jù)[3]。然而，基于中低分辨率的MODIS數(shù)據(jù)具有覆蓋范圍廣，數(shù)據(jù)容易獲取，以及空間、光譜、時間分辨率獨特組合等特點，在大尺度面積測算中到了廣泛的應(yīng)用[4-5]?；贛ODIS數(shù)據(jù)的遙感技術(shù)已廣泛應(yīng)用于農(nóng)作物監(jiān)測中。許青云等為獲取陜西省農(nóng)作物種植模式和農(nóng)作物空間分布信息，以MODIS遙感影像為數(shù)據(jù)源，獲取多年NDVI時間序列數(shù)據(jù)，結(jié)合農(nóng)作物物候信息，識別了農(nóng)作物種植模式并獲得了多種農(nóng)作物空間分布信息[6];郭昱杉等以黃河三角洲為研究區(qū)，選取MODIS數(shù)據(jù)，利用Hants濾波重建NDVI時間序列曲線，實現(xiàn)農(nóng)作物空間信息分布提取，空間信息分布的總體匹配精度達(dá)86.9%[7];Pan等以MODIS遙感影像為數(shù)據(jù)源，在農(nóng)作物種植面積估算中，考慮到混合像元在面積提取中帶來的誤差，便引入農(nóng)作物物候指數(shù)比例（CPPI），以通州和沭陽為研究區(qū)，構(gòu)建了植被指數(shù)（EVI）與冬小麥播種面積的表達(dá)式，將單個像元的均方根誤差由15%降到了5%[8]。

基于遙感技術(shù)的農(nóng)作物分類方法目前有多種，支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)、構(gòu)建決策樹等分類方法都已被應(yīng)用到遙感分類中，如平躍鵬等利用平滑后的NDVI時間序列數(shù)據(jù)以支持向量機(jī)（SVM）對農(nóng)用地逐級分層分類，得到農(nóng)作物分布信息[9];李祚泳基于已知類別的遙感圖像樣本集的先驗知識，利用B-P神經(jīng)網(wǎng)絡(luò)方法對樣本反復(fù)訓(xùn)練，實現(xiàn)了對4種農(nóng)作物的分類[10];潘琛等以ETM+多光譜影像作為數(shù)據(jù)源，將NDVI、GVI等10種植被指數(shù)應(yīng)用于影像分類中，構(gòu)建分類決策樹，實現(xiàn)了對江蘇省徐州市景觀格局的分類，并且總體分類精度有所提高[11];劉煥軍等對覆蓋黑龍江省虎林市的影像構(gòu)建的NDVI時間序列曲線，建立分類決策樹，成功提取了研究區(qū)范圍內(nèi)的土地覆被信息，且分類精度均高于最大似然法、馬氏距離法等分類方法[12];本研究擬采用決策樹分類法實現(xiàn)對京津冀地區(qū)冬小麥播種面積的提取，此方法簡單易行，便于理解，能處理多種屬性數(shù)據(jù)的分類，在確定了各個屬性的分類標(biāo)準(zhǔn)后生成分類規(guī)則，完成地物分類。

京津冀地區(qū)作為中國人口聚集的“首都圈”，承載1億多人口的糧食需求，且河北省是中國冬小麥主產(chǎn)區(qū)之一[13]，準(zhǔn)確獲取京津冀地區(qū)的主要農(nóng)作物種植面積對保障糧食安全和經(jīng)濟(jì)穩(wěn)定具有非常重要的意義[14]。本研究以MODIS-NDVI為數(shù)據(jù)源，輔以土地利用圖，結(jié)合實地采樣數(shù)據(jù)，通過分析樣本數(shù)據(jù)的NDVI時間序列曲線，并與農(nóng)作物物候特征結(jié)合，建立決策樹設(shè)定閾值，快速提取了京津冀地區(qū)冬小麥的播種面積，以現(xiàn)場調(diào)查數(shù)據(jù)和統(tǒng)計數(shù)據(jù)對提取結(jié)果進(jìn)行了校驗。

1 材料與方法

1.1 研究區(qū)概況

京津冀位于我國華北平原中部，地理位置為113°27′～119°50′E，36°05′～42°40′N，區(qū)域氣候?qū)儆跍貛駶櫚敫珊荡箨懶约撅L(fēng)氣候，月均氣溫在-12～32 ℃之間，降水主要集中在6—9月，日降水量最大可達(dá)360 mm。京津冀總面積為 21.6萬km2，其中耕地面積為6.54萬km2，農(nóng)作物種植制度以一年兩熟為主，兼有一年一熟和兩年三熟等多種種植形式，農(nóng)作物大致可分為谷物、豆類、薯類、棉花，其中谷物主要為小麥、玉米、稻谷，糧食作物在該地區(qū)占有重要地位。

1.2 總體技術(shù)路線

本研究的技術(shù)路線（圖1）分為4個主要步驟：（1）野外采樣調(diào)研。根據(jù)土地利用現(xiàn)狀圖提供的耕地區(qū)，制定野外采樣調(diào)研路線，在野外采樣時，以Landsat8 OLI影像作為采樣底圖，將GPS定位儀連接到ArcGIS 10.1中，記錄典型地物的坐標(biāo)點。（2）NDVI時間序列數(shù)據(jù)處理。將下載的MOD09Q1影像進(jìn)行預(yù)處理，并對處理后得到的波段影像進(jìn)行計算，得每幅影像的NDVI數(shù)據(jù)，利用研究區(qū)邊界對影像進(jìn)行裁剪，得到京津冀地區(qū)范圍內(nèi)的NDVI數(shù)據(jù)，通過S-G濾波重構(gòu)NDVI時間序列數(shù)據(jù)。（3）建模。對一部分野外采樣點的NDVI時間序列數(shù)據(jù)進(jìn)行分析，提取典型物候期，通過建立決策樹進(jìn)行分類，獲得京津冀地區(qū)冬小麥播種面積。（4）精度驗證。利用統(tǒng)計年鑒公布的數(shù)據(jù)對提取的冬小麥播種面積進(jìn)行定量分析，另一部分野外采樣點作為冬小麥種植區(qū)的空間驗證。

1.3 數(shù)據(jù)處理

1.3.1 MODIS-NDVI產(chǎn)品預(yù)處理 為獲取冬小麥播種面積，選取由NASA網(wǎng)站（http：//modis.gsfc.nasa.gov）提供的MOD09Q1數(shù)據(jù)產(chǎn)品，時間為2016年第313天至2017年第313天，時間分辨率為8 d，共計47個時相，空間分辨率為 250 m，覆蓋研究區(qū)行列號為h26v04、h26v05、h27v04、h27v05。首先使用MODIS產(chǎn)品批處理工具M(jìn)RT對下載的影像進(jìn)行拼接、重采樣、投影，統(tǒng)一在WGS-84地理坐標(biāo)系下，采用Albers進(jìn)行等積投影轉(zhuǎn)換。批處理后的影像在ArcGIS 10.1平臺下以京津冀邊界矢量圖進(jìn)行掩膜處理，得到研究區(qū)范圍內(nèi)的影像。經(jīng)過拼接、投影、裁剪等預(yù)處理后的MODIS影像包含近紅外波段（b2）和紅波段（b1），在R語言中，對預(yù)處理后的圖像進(jìn)行波段計算，得到每個時相的NDVI數(shù)據(jù)（圖2）。

1.3.2 輔助數(shù)據(jù) 本研究所用的輔助數(shù)據(jù)為由中科院地理所資源利用與環(huán)境修復(fù)重點實驗室提供的2015年土地利用現(xiàn)狀圖、京津冀邊界矢量圖，及在美國USGS網(wǎng)站（http：//glovis.usgs.gov/）下載的研究區(qū)范圍內(nèi)的Landsat8 OLI影像。其中，京津冀邊界矢量圖作為MODIS影像的裁剪范圍，土地利用現(xiàn)狀圖作為農(nóng)作物種植信息分布圖，結(jié)合Landsat8 OLI影像來尋找研究區(qū)內(nèi)冬小麥種植區(qū)，為樣本采集區(qū)的選定做準(zhǔn)備。將統(tǒng)計年鑒中的冬小麥播種面積數(shù)據(jù)作為冬小麥播種面積提取精度的驗證。

1.3.3 采樣數(shù)據(jù) 以2015年土地利用現(xiàn)狀圖作為農(nóng)作物種植分布參考圖，選定河北省中部及中南部的冬小麥種植集中區(qū)作為樣本采集區(qū)。對下載好的Landsat8 OLI影像進(jìn)行預(yù)處理，將4、3、2波段融合，便于目視解譯地物，將融合后的影像作為采樣底圖加載到ArcGIS 10.1中，同時將GPS定位儀連接到ArcGIS 10.1中，開始定位采樣。由于溫度變化、冬小麥播種品種、起始種植時間等因素的影響，導(dǎo)致冬小麥物候期在地理位置分布上存在差異[15]，為了得到準(zhǔn)確可靠的冬小麥物候期NDVI特征值來進(jìn)行冬小麥播種面積提取，本研究選定的冬小麥樣本區(qū)起于北京南部，貫穿河北保定、石家莊，至邢臺北部，覆蓋河北省6個縣、16個村，采集冬小麥樣本個數(shù)為215個，均勻分布于冬小麥種植區(qū)，另采集到28個建筑用地樣本，19個林地樣本，樣本分布如圖3所示。

2 研究方法

2.1 NDVI時間序列重構(gòu)

由于MODIS數(shù)據(jù)受外界條件的干擾，導(dǎo)致數(shù)據(jù)存在嚴(yán)重的異常值，為了削弱異常值，對原始的NDVI時序曲線進(jìn)行 S-G濾波平滑，以便能較好地反映研究區(qū)內(nèi)各類地物的NDVI時序曲線走向。S-G濾波是由Savitzky和Golay提出的一種簡化的最小二乘卷積法，用來平滑和計算一組連續(xù)值或者光譜值導(dǎo)數(shù)，卷積法基于多項式給定的權(quán)重進(jìn)行滑動平均濾波[16]，即S-G濾波是一種權(quán)重滑動平均濾波，權(quán)重由一個濾波窗口內(nèi)做最小二乘擬合的多項式次數(shù)來確定。S-G濾波基本公式：

Y*j=∑i=mi=-mCiYj+1N。

式中：Y表示NDVI原始值，Y*表示NDVI擬合值，j表示原始NDVI數(shù)組的系數(shù)，Ci表示第i個NDVI值濾波時的系數(shù)，m指窗口的寬度，N指卷積數(shù)目，等于滑動數(shù)組寬度（2m+1），滑動數(shù)組包含2m+1個點。根據(jù)NDVI觀測值調(diào)整2個參數(shù)，第1個是滑動窗口大小m，通常情況，m越大曲線越平滑，但可能將峰值過于平滑;第2個參數(shù)是平滑多項式次數(shù)d，通常在2～4范圍內(nèi)設(shè)置，d值越小，曲線越平滑，但可能引入偏差，d值較高時，減少過濾偏差，但去噪效果低。

S-G濾波平滑適用于連續(xù)、等距的一系列數(shù)據(jù)，MODIS-NDVI數(shù)據(jù)符合這一特征，該濾波法能夠有效去除遙感影像中存在的云、大氣等噪聲，清晰地描述NDVI時間序列的變化趨勢特征和局部突變信息，理論簡單易于實現(xiàn)[17]。本研究使用R語言對47時相的MODIS-NDVI進(jìn)行平滑濾波，結(jié)果如圖4所示。

2.2 冬小麥物候特征提取

不同農(nóng)作物都有不同的物候特征，物候特征被作為區(qū)分綠色植被的重要依據(jù)之一[18]。華北平原冬小麥播種時期大概在9—10月，物候期可大致分為播種期、出苗期、休眠期、返青期、開花期、成熟期，華北平原1981—2009年的年均物候期及標(biāo)準(zhǔn)差如表1所示[19]。

為了提取冬小麥與其他地物有明顯差異的物候期，選取部分采樣點作為樣本參考點，其中，冬小麥分布范圍大于 250 m×250 m的點定義為純凈冬小麥樣本參考點，居民地及道路定義為建筑用地樣本參考點，由于實地采樣中的林地范圍較小，定義林地分布范圍最接近250 m×250 m的點為林地樣本參考點。本研究分別選取了20個冬小麥采樣點、10個建筑用地采樣點及5個林地采樣點作為樣本參考點進(jìn)行分析（圖5）。

本研究結(jié)合冬小麥物候期，對經(jīng)S-G濾波后樣本點的NDVI時間序列參考曲線進(jìn)行分析（圖5）：該地區(qū)冬小麥在第281天開始播種，第289天后出苗，此時為9月底10月初，樹木趨于衰落，NDVI值下降，冬小麥生長，NDVI值上升;隨氣溫逐漸降低直到休眠期前，冬小麥NDVI值達(dá)到一個小波峰，而林地樹葉凋落，NDVI持續(xù)最低;在進(jìn)入返青期后（3月初），冬小麥迅速生長，NDVI值不斷上升，開花期前后一直處于波峰狀態(tài)，期間樹木生長，NDVI值處于上升狀態(tài)，但NDVI值一直低于冬小麥;在冬小麥到達(dá)成熟期（5月底），NDVI值逐漸跌入波谷，直至收割階段NDVI值達(dá)到最低，由于樹木一直處于生長狀態(tài)，其NDVI值逐漸上升，此階段兩者NDVI值有明顯的區(qū)別。建筑用地NDVI值一直處于低值狀態(tài)，由于建筑用地內(nèi)種有樹木花草等綠植，受其影響，在8月份有一個波峰狀態(tài)，但整體NDVI值都偏低。為了對冬小麥、林地、建筑用地進(jìn)行分類，提取NDVI值有明顯差異的時期，選取開花期（第124天）、休眠期前（第336天）、成熟期后（第161天）作為提取冬小麥的典型物候期。

2.3 基于決策樹分類提取冬小麥

決策樹分類是一種基于空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的分類法，通過對訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)生成決策規(guī)則，實現(xiàn)對數(shù)據(jù)的分類，分類樣本不需要滿足正態(tài)分布，但要嚴(yán)格“非參”[20-21]。決策樹的基本組成為根節(jié)點、節(jié)點、分支和葉節(jié)點，在分類過程中更直觀、更清晰，便于理解，能夠提取最有價值的特征參數(shù)，且計算效率高，常被應(yīng)用于遙感影像分類中[22]。根據(jù)上述NDVI時間序列參考曲線分析提取的典型冬小麥物候期，結(jié)合圖5設(shè)定閾值提取冬小麥種植區(qū)：

（1）在第124天，根據(jù)冬小麥樣本點的NDVI最大值和最小值設(shè)定閾值，區(qū)分綠色植被與建筑用地區(qū)，提取含有冬小麥的綠色植被區(qū);

（2）在第336天，根據(jù)冬小麥樣本點的NDVI最小值設(shè)定閾值，區(qū)分冬小麥與其他綠色植被，高于設(shè)定的閾值，則為含有冬小麥的區(qū)域;

（3）在第161天，根據(jù)冬小麥樣本點的NDVI最大值設(shè)定閾值，區(qū)分冬小麥豐度高低的區(qū)域，低于設(shè)定的閾值，為冬小麥豐度高的區(qū)域，高于設(shè)定的閾值，則為冬小麥豐度低的區(qū)域，在此研究中被視為林地，不被作為冬小麥提取。在NDVI時間序列參考曲線中，1時相到27時相期間（如圖5-a和圖5-b所示），林地的一條最大NDVI樣本曲線與冬小麥的最小NDVI樣本曲線趨勢基本一致，此后便有較大差異，可能是兩者互相影響，出現(xiàn)混合像元，造成NDVI曲線趨勢相似，也可能是林地套種冬小麥（圖3），為了達(dá)到快速分類提取的目的，統(tǒng)一將其視為林地。

3 結(jié)果與分析

3.1 冬小麥面積提取結(jié)果及驗證

利用MODIS-NDVI數(shù)據(jù)，基于決策樹分類方法提取了含有冬小麥的像元，像元分布如圖6，研究區(qū)內(nèi)冬小麥播種面積提取結(jié)果為220.587 6萬hm2。

本研究精度驗證從2個方面進(jìn)行分析——定量分析和空間分析。

定量分析是將研究區(qū)范圍內(nèi)冬小麥提取面積與統(tǒng)計年鑒數(shù)據(jù)報告進(jìn)行對比，統(tǒng)計年鑒中研究區(qū)內(nèi)冬小麥播種面積為240.179 2萬hm2（由于北京、天津統(tǒng)計年鑒數(shù)據(jù)未更新至2016年，且天津市統(tǒng)計年鑒的小麥面積未將冬小麥與春小麥分離，故將2012—2014年冬小麥平均播種面積作為參考面積），實際提取冬小麥播種面積為220.587 6萬hm2，精度達(dá)到91.84%，各市的提取面積及精度如表2所示。

空間分析是通過野外采樣點來進(jìn)行驗證。冬小麥野外采樣點為215個，其中20個采樣點已作為冬小麥樣本參考點，剩余195個采樣點作為精度驗證數(shù)據(jù)。分類結(jié)果表明，182個點被正確分類，空間匹配精度達(dá)到93.33%。

3.2 結(jié)果分析

圖6及表2結(jié)果顯示，京津冀地區(qū)的冬小麥主要分布在河北省東南部，即河北省滄州市、邯鄲市、衡水市、石家莊市、邢臺市、保定市，且各市冬小麥面積均在30萬hm2左右。表2結(jié)果顯示，基于各市的冬小麥提取精度高低各不相同，這一現(xiàn)象是由低分辨率MODIS影像中的混合像元存在的結(jié)果造成的。在實地采樣調(diào)研中，冬小麥種植區(qū)有小范圍的林地和套種地存在（圖3），范圍為50 m×100 m、100 m×200 m不等，小范圍林地的存在，使得混合像元NDVI時序曲線表現(xiàn)得和冬小麥NDVI時序曲線相似，導(dǎo)致在提取覆蓋冬小麥像元的同時，也可能提取了含有林地的像元，使得提取面積大于實際播種面積;在冬小麥種植不集中的區(qū)域，由于建筑或者裸地的存在，使得含有冬小麥和建筑的混合像元的NDVI時序曲線和純凈冬小麥像元NDVI時序曲線不一致，導(dǎo)致提取面積小于實際播種面積，這種現(xiàn)象多反映在北京、廊坊、唐山等小麥種植不集中的區(qū)域。

本研究以低分辨率MODIS影像為數(shù)據(jù)源，在大尺度范圍內(nèi)對農(nóng)作物進(jìn)行識別，整體提取精度達(dá)到91.84%，精度結(jié)果表明基于MODIS-NDVI數(shù)據(jù)產(chǎn)品以決策樹分類方法進(jìn)行分類獲得的冬小麥面積是可靠便捷的：數(shù)據(jù)源易獲取，分類方法清晰易懂、執(zhí)行效率高，分類結(jié)果精度高，為快速提取農(nóng)作物面積提供了一定的依據(jù)。

4 討論

本研究通過對冬小麥分布位置進(jìn)行實地采樣，得到冬小麥NDVI時間序列圖，以真實數(shù)據(jù)為樣本來提取影像中冬小麥像元，提取結(jié)果具有可靠性。結(jié)合作物物候期識別能夠提取冬小麥的典型物候期，通過決策樹分類法在典型物候期上設(shè)定閾值進(jìn)行分類，達(dá)到快速提取冬小麥像元的目的。

由于衛(wèi)星影像受到云、大氣等噪聲影響，構(gòu)建出來的NDVI時間序列曲線存在一定波動，對地物分類造成影響，經(jīng)S-G濾波后的NDVI時間序列曲線更為平滑，且曲線走勢與農(nóng)作物物候吻合，便于對地物特征進(jìn)行分析，有利于遙感影像的解譯。

京津冀地區(qū)冬小麥NDVI時間序列曲線與物候期表達(dá)一致，且根據(jù)典型物候期NDVI值提取冬小麥結(jié)果的方法是可取的：在出苗期后，冬小麥先生長，NDVI曲線表現(xiàn)上升趨勢，到寒冷的12月份停止生長，達(dá)到第1個小波峰，這期間已無其他綠色植被生長，冬小麥NDVI值表現(xiàn)為最高，進(jìn)入休眠期后，不再生長，NDVI曲線表現(xiàn)為下降趨勢，因此在進(jìn)入休眠期前設(shè)定為識別冬小麥的物候期之一，能達(dá)到區(qū)分冬小麥與其他綠色植被的目的。在返青期后，冬小麥快速生長，直到開花期前后，NDVI值到達(dá)波峰，這個時期紅外波段與紅波段反射率差值最大，能區(qū)分植被與非植被區(qū)域。在成熟期后，冬小麥逐漸停止生長，麥穗逐漸成熟，麥葉逐漸發(fā)黃，在近紅外波段與紅波段的反射率差值迅速降低，直至收割后出現(xiàn)裸地，NDVI值表現(xiàn)為裸地特征，因此選取成熟期后期階段作為區(qū)分冬小麥與其他綠植的典型物候期。

在實地采樣中，多發(fā)現(xiàn)在冬小麥種植區(qū)內(nèi)有小范圍的林地種植，從冬小麥播種到成熟期，出現(xiàn)林地最大NDVI時間序列曲線和冬小麥的最小NDVI時間序列曲線走勢一致，而實際調(diào)研時該像元是林地和冬小麥的混合像元，可能是由于這段時期樹木開始萌芽、抽枝展葉并生長，其NDVI值表現(xiàn)與冬小麥極為相似，造成曲線走勢相似，然而在第161天后，冬小麥由于處于收割季而出現(xiàn)明顯波谷，而混合像元的NDVI時間序列曲線沒有明顯波谷，整體上仍然處于上升趨勢，這一現(xiàn)象為混合像元的分解提供了參考。

本研究下載的影像為2016—2017年一個整周年的影像，總體精度達(dá)到91.84%，但在地市級水平上，精度高低表現(xiàn)不同，因此為了提高提取精度，需要在冬小麥播種面積少且不集中的區(qū)域增加采樣數(shù)量;同時，為驗證此分類方法在京津冀地區(qū)實施的穩(wěn)定性，下一步應(yīng)考慮獲取更長時間序列的NDVI數(shù)據(jù)，并對冬小麥的種植區(qū)變化情況做全面解析。

參考文獻(xiàn)：

[1]江 東，丁方宇，郝蒙蒙，等. 農(nóng)田遙感識別方法與應(yīng)用[J]. 甘肅科學(xué)學(xué)報，2017，29（2）：43-47.

[2]單 捷，孫 玲，于 堃，等. 基于不同時相高分一號衛(wèi)星影像的水稻種植面積監(jiān)測研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（22）：229-232.

[3]黃健熙，侯矞焯，武洪峰，等. 基于時間序列MODIS的農(nóng)作物類型空間制圖方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2017，48（10）：142-147.

[4]Wardlow B D，Egbert S L. Large-area crop mapping using time-series MODIS 250 m NDVI data：an assessment for the U.S. Central Great Plains[J]. Remote Sensing of Environment，2008，112（3）：1096-1116.

[5]黃 青，吳文斌，鄧 輝，等. 2009年江蘇省冬小麥和水稻種植面積信息遙感提取及長勢監(jiān)測[J]. 江蘇農(nóng)業(yè)科學(xué)，2010（6）：508-511.

[6]許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數(shù)據(jù)的農(nóng)作物種植識別[J]. 農(nóng)業(yè)工程學(xué)報，2016，30（11）：134-142.

[7]郭昱杉，劉慶生，劉高煥，等. 基于MODIS時序NDVI主要農(nóng)作物種植信息提取研究[J]. 自然資源學(xué)報，2017，32（10）：1808-1818.

[8]Pan Y Z，Li L，Zhang S，et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment，2012，119：232-242.

[9]平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農(nóng)作物分類[J]. 自然資源學(xué)報，2016，31（3）：503-511.

[10]李祚泳. 用B-P神經(jīng)網(wǎng)絡(luò)實現(xiàn)多波段遙感圖像的監(jiān)督分類[J]. 紅外與毫米波學(xué)報，1998，17（2）：153-156.

[11]潘 琛，杜培軍，羅 艷，等. 一種基于植被指數(shù)的遙感影像決策樹分類方法[J]. 計算機(jī)應(yīng)用，2009，29（3）：777-780.

[12]劉煥軍，于勝男，張新樂，等. 一年一季農(nóng)作物遙感分類的時效性分析[J]. 中國農(nóng)業(yè)科學(xué)，2017，50（5）：830-839.

[13]黃健熙，賈世靈，馬鴻元，等. 基于WOFOST模型的中國主產(chǎn)區(qū)冬小麥生長過程動態(tài)模擬[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（10）：222-228.

[14]申 健，常慶瑞，李粉玲，等. 基于時序NDVI的關(guān)中地區(qū)冬小麥種植信息遙感提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2017，48（3）：215-220.

[15]Wang J，Wang E，F(xiàn)eng L，et al. Phenological trends of winter wheat in response to varietal and temperature changes in the North China Plain[J]. Field Crops Research，2013，144（6）：135-144.

[16]Chen J，Jnsson P，Tamura M，et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment，2004，91（3/4）：332-344.

[17]陳曉苗. 基于MODIS-NDVI的河北省主要農(nóng)作物空間分布研究[D]. 石家莊：河北師范大學(xué)，2010.

[18]Pan Y Z，Li L，Zhang J S，et，al. Crop area estimation based on MODIS-EVI time series according to distinct characteristics of key phenology phases：a case study of winter wheat area estimation in small-scale area[J]. Journal of Remote Sensing，2011，15（3）：578-594.

[19]Xiao D，Tao F，Liu Y，et al. Observed changes in winter wheat phenology in the North China Plain for 1981—2009[J]. International Journal of Biometeorology，2013，57（2）：275-285.

[20]申文明，王文杰，羅海江，等. 多時相Landsat8 OLI影像的作物種植結(jié)構(gòu)提取[J]. 遙感技術(shù)與應(yīng)用，2015，30（4）：775-783.

[21]劉吉凱，鐘仕全，梁文海. 基于策樹分類法及其在遙感圖像處理中的應(yīng)用[J]. 測繪科學(xué)，2008，33（1）：208-211.

[22]潘 琛，杜培軍，張海榮. 決基于決策樹分類技術(shù)的遙感影像分類方法研究[J]. 遙感技術(shù)與應(yīng)用，2007，22（3）：333-337.