基于Sentinel-2A NDVI時間序列數(shù)據(jù)的冬小麥識別

甄曉菊 張雪紅 吳國明 傅曉藝 何泱 洪長橋

摘要：鑒于農(nóng)作物類型識別中存在嚴(yán)重的“異物同譜”效應(yīng)，基于歸一化植被指數(shù)（normalized difference vegetation index，簡稱NDVI）時間序列數(shù)據(jù)及物候特征的農(nóng)作物遙感識別已成為熱點。針對現(xiàn)階段NDVI時間序列數(shù)據(jù)空間分辨率普遍較低的問題，以河北省辛集市為研究區(qū)，基于Sentinel-2A數(shù)據(jù)構(gòu)建了10 m高空間分辨率NDVI時間序列，并提出了積分法、斜率法和決策樹法3種冬小麥識別模型，同時與傳統(tǒng)的光譜角質(zhì)圖（spectral angle mapper，簡稱SAM）法進行了比較。結(jié)果表明，以上方法均達到了較好的識別效果，其中積分法、斜率法和決策樹法的總體精度均優(yōu)于97.6%，而SAM法因僅僅考慮了時間序列曲線的形態(tài)，使得稀疏林地與冬小麥之間容易誤分;Sentinel-2A衛(wèi)星（Sentinel-2星座重訪周期為5 d）提供的高時空分辨率時間序列數(shù)據(jù)，在農(nóng)作物的季相節(jié)律特征提取以及農(nóng)作物的識別中具有巨大潛力。

關(guān)鍵詞：Sentinel-2A;NDVI;冬小麥;物候期

中圖分類號： TP79;S127 ?文獻標(biāo)志碼： A

文章編號：1002-1302（2019）16-0239-06

收稿日期：2018-05-14

基金項目：中國博士后科學(xué)基金（編號：2017M610338）;河北省創(chuàng)新能力提升計劃（編號：18964201H）;江蘇省研究生科研與實踐創(chuàng)新計劃（編號：KYCX17_0892）;河北省氣象與生態(tài)環(huán)境重點實驗室開放研究基金（編號：Z201607Y）。

作者簡介：甄曉菊（1981—），女，河北秦皇島人，碩士，工程師，主要從事城市環(huán)境氣象研究。

通信作者：張雪紅，博士，副教授，主要從事農(nóng)業(yè)遙感研究。

冬小麥?zhǔn)俏覈饕募Z食作物之一，及時、準(zhǔn)確地獲取冬小麥的空間分布信息，對于開展冬小麥長勢監(jiān)測和估產(chǎn)、區(qū)域糧食安全評估、國家/區(qū)域農(nóng)業(yè)經(jīng)濟發(fā)展規(guī)劃的制定、種植業(yè)結(jié)構(gòu)調(diào)整指導(dǎo)等工作具有重要意義[1-3]。遙感技術(shù)具有快速、客觀、探測面積大等特點，為準(zhǔn)確、快速識別冬小麥種提供了重要的技術(shù)支撐[3-5]。

農(nóng)作物的遙感識別方法主要包括兩大類：單時相遙感影像識別、多時相遙感變化檢測[4，6]。對于單時相遙感影像識別而言，主要基于農(nóng)作物關(guān)鍵生長期的單期遙感影像，采用不同的分類方法，如非監(jiān)督分類[7]、決策樹分類[8]、支持向量機[9]等，或通過單期遙感影像提取植被指數(shù)[10]、葉面積指數(shù)[11]等，并設(shè)定閾值進行農(nóng)作物信息的提取。由于“同物異譜、異物同譜”效應(yīng)，給同期農(nóng)作物識別造成大量的混分現(xiàn)象，識別精度難以保證。而農(nóng)作物生長在短期內(nèi)會發(fā)生強烈的變化，基于多時相遙感影像提供的農(nóng)作物光譜變化及季相節(jié)律信息，可在一定程度上消除農(nóng)作物相混的問題，提高作物的識別精度，保障農(nóng)作物種類識別及面積的準(zhǔn)確監(jiān)測[2，4]。

隨著高空間分辨率及高時間分辨率遙感的快速發(fā)展，基于時間序列的農(nóng)作物遙感識別已成為研究熱點。張晶等基于GF-1號影像獲得了歸一化植被指數(shù)（NDVI）時間序列數(shù)據(jù)，構(gòu)建了空間向量法、曲線積分法和坐標(biāo)轉(zhuǎn)換法3種冬小麥識別模型，總體精度均達到98.65%[6];王利民等基于GF-1號多時相影像，結(jié)合波段反射率、波段反射率之和、波段反射率比值、NDVI等光譜特征，采用分層決策樹分類法實現(xiàn)了對越冬前的冬小麥面積早期提取[12];楊閆君等基于GF-1 NDVI時間序列數(shù)據(jù)，采用最大似然法、神經(jīng)網(wǎng)絡(luò)分類、支持向量機等分類方法對花生、水稻、冬小麥—夏玉米等農(nóng)作物進行分類，研究發(fā)現(xiàn)，支持向量機分類方法總體精度最高，達到 96.33%[13];楊閆君等基于NDVI時間序列數(shù)據(jù)，通過同時考察矢量的方向和大小建立了冬小麥識別矢量分析模型[14];姜濤等利用中分辨率成像光譜儀（MODIS） NDVI時間序列數(shù)據(jù)，基于冬小麥分蘗期內(nèi)的平均NDVI值、苗期-三葉期和開花期-乳熟期2個時間段的NDVI值線性擬合斜率構(gòu)建了冬小麥遙感識別模型[5];張喜旺等基于MODIS NDVI時間序列數(shù)據(jù)，通過綜合季相節(jié)律和特征光譜對冬小麥種植面積進行了遙感估算[2];朱爽等提出了軟硬變化檢測（soft and hard change detection，簡稱SHCD）的作物識別方法，它通過同時考慮離散變化的純凈像元區(qū)和連續(xù)變化的混合像元區(qū)，不僅能夠通過地表覆蓋類型狀態(tài)變化來有效地識別作物，而且可識別出地表覆蓋類型的狀態(tài)變化程度，從而可定量表達農(nóng)作物的豐度[4]。農(nóng)作物及其面積的識別精度不僅與時相信息有關(guān)，同時還與空間分辨率密切相關(guān)[15]。2015年6月23日發(fā)射升空的Sentinel-2A衛(wèi)星，能夠以10 d的重訪周期（與2017年3月7日發(fā)射的Sentinel-2B衛(wèi)星組成的Sentinel-2觀測星座，重訪周期可縮短為5 d）提供高空間分辨率（最高達10 m）的多光譜數(shù)據(jù)。Sentinel-2A同時具有較高的空間分辨率和時間分辨率，它在農(nóng)作物的季相節(jié)律特征提取以及農(nóng)作物的識別中具有巨大潛力。

在以往關(guān)于時間序列的農(nóng)作物識別方面，主要針對中低分辨率影像，制約了識別精度的提高。鑒于Sentinel-2A同時具備高時間和高空間分辨率的優(yōu)勢，本研究擬以河北省辛集市為研究區(qū)，基于10 m分辨率的Sentinel-2A NDVI時間序列數(shù)據(jù)，結(jié)合冬小麥獨特的季相節(jié)律特征及其種植方式，構(gòu)建冬小麥遙感識別模型，開展冬小麥的遙感識別研究。

1 研究區(qū)與試驗數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于河北省石家莊市辛集市，中心地理位置為115.22°E，37.93°N，占地面積約為951 km2。辛集市地勢平坦，處于北半球暖溫帶地區(qū)，大陸性季風(fēng)氣候特點顯著，四季分明，光照充足，適宜作物生長。年平均氣溫為12.5 ℃，最冷月為1月（平均氣溫為-3.9 ℃）;最熱月為7月（平均氣溫為 26.5 ℃），年平均降水量為534.6 mm，年平均日照時數(shù)為 2 513.9 h，年平均無霜期為197 d。該區(qū)的主要糧食作物為冬小麥和夏玉米，一年兩熟輪作制度。辛集市是河北省冬小麥主要糧食產(chǎn)區(qū)之一，選定為冬小麥信息提取的研究區(qū)具有一定代表性。

2.2 冬小麥遙感識別方法

2.2.1 積分法

從圖2可以看出，冬小麥從返青期至孕穗期NDVI值迅速提高，在此階段冬小麥NDVI值顯著高于其他地物，冬小麥的NDVI時間序列曲線隨時間的積分值相對較大。因此，本研究充分利用這一特征構(gòu)建冬小麥的積分法識別模型。積分的幾何含義就是求算曲線與坐標(biāo)軸之間的覆蓋面積，因此積分值可轉(zhuǎn)化為計算曲線面積Si，公式如下：

Si=（V5，i+V6，i）（t6，i-t5，i）+（V6，i+V7，i）（t7，i-t6，i）+（V7，i+V8，i）（t8，i-t7，i）2。（2）

式中：Si為像元i在t5至t8時相的NDVI積分值（本研究中對應(yīng)于冬小麥返青期至孕穗期）;V5，i、V6，i、V7，i、V8，i為像元i在t5至t8時相的NDVI值;t5，i、t6，i、t7，i、t8，i為像元i的t5至t8時相?；诿總€像元的Si，構(gòu)建冬小麥的積分法識別模型：

地物類型=冬小麥其他地物，Si≥a。

式中：a為閾值參數(shù)。根據(jù)公式（2）并結(jié)合1 479個冬小麥訓(xùn)練樣本及2 455個其他地物訓(xùn)練樣本，將a設(shè)定為1.20。

2.2.2 斜率法

研究區(qū)內(nèi)的所有植被類型中，唯有冬小麥在4月中下旬生長達到鼎盛階段，6月進入成熟期，其NDVI時間序列曲線在4月下旬至6月出現(xiàn)快速下降，而其他作物和植被的NDVI時間序列曲線均處于不同程度的上升階段。因此，通過計算4月下旬至6月的NDVI時間序列曲線的變化率，對冬小麥的識別具有巨大的潛力。為此構(gòu)建冬小麥的斜率法識別模型，曲線的變化率在幾何上的含義即為斜率Ki，公式如下：

Ki=V12，i-V8，it12，i-t8，i。（3）

式中：Ki為像元i在t8至t12時相的NDVI斜率;t8、t12時在本研究中對應(yīng)冬小麥的孕穗期和成熟期;V8，i、V12，i為像元i在t8至t12時相的NDVI值。

基于每個像元的Ki，構(gòu)建冬小麥的斜率識別模型：

地物類型=冬小麥其他地物，Ki≤a。

式中：a為閾值參數(shù)，根據(jù)公式（3）并結(jié)合1 479個冬小麥訓(xùn)練樣本及2 455個其他地物訓(xùn)練樣本，將a設(shè)定為-0.12。

2.2.3 決策樹法

冬小麥—夏玉米屬于一年兩季的種植模式，其NDVI時間序列曲線具有多峰特征，并且在3至6月NDVI值出現(xiàn)的峰和谷是區(qū)別于其他植被和作物的顯著特征之一。因此，通過建立決策樹來提取此特征，從而用來識別冬小麥。結(jié)合訓(xùn)練樣本數(shù)據(jù)，建立如下決策規(guī)則如下：

地物類型=冬小麥其他地物，V8，i≥0.6且V13，i<0.25。

2.2.4 SAM法

為了和本研究提取的以上3種方法進行對比，并鑒于冬小麥—夏玉米NDVI時間序列曲線在整個時間序列曲線與其他地物均存在明顯差異的特點，也構(gòu)建了常用的光譜角度制圖（SAM）模型來識別冬小麥。算法原理：將每個像元的NDVI時間序列看作1個多維向量，以冬小麥訓(xùn)練樣本的均值時間序列數(shù)據(jù)為參考向量，計算像元i與冬小麥參考向量之間的夾角（光譜角），通過光譜角θi的大小來判斷待分像元i是否為冬小麥。像元i與冬小麥參考向量之間的光譜角θi定義為下式：

θi=cos∑15k=0Vk，i·Rk∑15k=0V2k，i·∑15k=0R2k。（4）

式中：Vk，i為像元i在時相K的NDVI值;RK為冬小麥在時相K的NDVI值。通過計算像元i的θi，并結(jié)合冬小麥訓(xùn)練樣本，構(gòu)建冬小麥的SAM識別模型如下：

地物類型=冬小麥其他地物，θi<0.25。

3 結(jié)果與分析

3.1 冬小麥提取結(jié)果及精度評價

基于“2.2”節(jié)中的4種冬小麥提取方法，對2016年至2017年辛集市的冬小麥進行遙感識別與提取，提取結(jié)果如圖3所示。進一步采用2 790個驗證樣本（其中冬小麥1 253個，非冬小麥1 537個）對4種方法的提取結(jié)果進行精度評價。由表3可知，對于總體精度而言，決策樹法最高，為9867%，SAM方法最低，為96.55%，而斜率法、積分法介于二者之間，分別為98.49%、97.67%;對于用戶精度，積分法最高（97.83%），然后依次是決策樹法（97.20%）、斜率法（96.90%）、SAM方法（93.27%）;而生產(chǎn)者精度中，積分法最低，為96.97%，另外3種方法均超過99%。

因此，總體而言，SAM方法因過多的非冬小麥像元被誤分為冬小麥（錯分誤差為6.73%），從而造成總體精度及冬小麥用戶精度最低;決策樹法因冬小麥的生產(chǎn)者精度及用戶精度均較高，使得其總體精度在4種方法中最高。

3.2 冬小麥識別算法對比

不同的冬小麥提取算法，其識別冬小麥的原理不同，從而導(dǎo)致識別的精度也存在差異。為了進一步探索導(dǎo)致冬小麥識別精度存在差異的原因，圖4通過從研究區(qū)內(nèi)截取1個典型區(qū)域，結(jié)合冬小麥識別結(jié)果，對各識別算法進行分析和比較。

對于積分法，由于其從冬小麥返青期至孕穗期（本研究從t5至t8時相）對NDVI時間序列曲線進行積分，而一些過于稀疏的冬小麥像元或冬小麥與其他地物的混合像元，其NDVI積分值偏小，容易和果樹等林地相混淆，造成冬小麥像元的漏分。如圖4中的紅色矩形區(qū)域內(nèi)，因冬小麥密度偏小，和其他3種識別算法相比，積分法（圖4-a）對于稀疏的冬小麥漏分率最高，從而導(dǎo)致其生產(chǎn)者精度偏低。

SAM法是將整個NDVI時間序列作為1個向量，通過計算該向量的方向（與地物的類型密切相關(guān)）與參考向量的一致度來識別冬小麥，即考察待分像元NDVI時間序列曲線形態(tài)與典型地物的變化趨勢一致性。本研究中SAM法提取的冬小麥用戶精度最低（為93.27%），可能的原因是從t1至t8時相，林地NDVI時間序列曲線變化趨勢同冬小麥的差異較小，再加上不同時相衛(wèi)星空間采樣的微小差異，使得部分稀疏林地或林地斑塊邊緣在t13時相附近的NDVI值偏低（如圖4中的橢圓區(qū)域，誤分為冬小麥的林地NDVI時間序列曲線如圖5所示），從而導(dǎo)致其與冬小麥—夏玉米NDVI時間序列曲線的變化趨勢相似，導(dǎo)致容易被誤分為冬小麥。

對于斜率法及決策樹法，前者利用冬小麥在t8至t12時相NDVI時間序列曲線陡然下降的獨特特征，后者則結(jié)合冬小麥NDVI時間序列曲線在t8和t13時相分別出現(xiàn)峰和谷的特點提出冬小麥的識別算法，因此二者均充分利用了冬小麥與夏玉米的一年兩季種植模式的特點，使得它們提取冬小麥時的各項精度指標(biāo)均較高。

4 討論

冬小麥獨特的物候期以及一年兩季的冬小麥—夏玉米種植模式，是基于NDVI時間序列數(shù)據(jù)進行冬小麥遙感識別的理論基礎(chǔ)。針對冬小麥的物候期及種植模式，本研究構(gòu)建了積分法、斜率法及決策樹法來識別冬小麥，其中積分法、斜率法及決策樹法主要是基于冬小麥2—6月的物候特征而建立的，此物候特征在NDVI時間序列上表現(xiàn)為顯著的波峰。

積分法通過計算特定時間段內(nèi)NDVI時間序列曲線所包圍的面積來判定是否為冬小麥，對于冬小麥，在積分區(qū)間內(nèi)其積分面積通常大于其他農(nóng)作物及植被類型。由本研究可知，林地在10月及11月份（即冬小麥播種期和苗期）的NDVI值往往高于冬小麥[5-6]。因此，如果積分時段選擇全生育期，則導(dǎo)致冬小麥與林地的積分面積差異變小，從而降低了該方法對冬小麥識別的敏感性。為此，結(jié)合Sentinel-2A的高時間分辨率的優(yōu)勢，本研究選擇冬小麥關(guān)鍵生育期（返青期至孕穗期）進行積分，以提高積分法識別冬小麥的精度。

冬小麥NDVI時間序列曲線表現(xiàn)出從4月下旬至6月急劇下降的特點，而其他植被則剛好處于快速增長階段。因此本研究通過計算此階段NDVI值的變化率，提出了斜率法冬小麥識別模型。本研究表明，此方法的總體精度達到9849%，能很好地識別冬小麥。姜濤等利用MODIS NDVI時間序列數(shù)據(jù)，基于冬小麥分蘗期的平均NDVI值、苗期-三葉期和開花期-乳熟期2個時間段的NDVI值線性擬合斜率構(gòu)建的冬小麥遙感識別模型也能有效對冬小麥進行識別[5]。相比較而言，本研究的斜率法僅要計算抽穗期-成熟期的斜率，算法更為簡便，所需的NDVI時間序列更短。同理，決策樹法仍然是基于冬小麥NDVI時間序列曲線4月至6月出現(xiàn)顯著的“一峰一谷”特征，通過判斷峰谷的位置及幅度來識別冬小麥。研究表明，該算法的總體精度最高（達98.67%）。

為了與本研究提出的冬小麥識別算法進行對比，同時采用傳統(tǒng)的SAM法識別與提取冬小麥。由于SAM法主要考察的是向量的方向，即NDVI時間序列曲線的形狀，而沒有考慮NDVI的幅度。因此，部分稀疏的林地容易與冬小麥相混淆。針對SAM的局限性，張晶等通過同時考慮向量的方向及大小，以提供識別精度[6，14]。

農(nóng)作物及其面積的識別與精度提取同時還與空間分辨率密切相關(guān)，王利民等對冬小麥面積識別精度與遙感數(shù)據(jù)分辨率之間的關(guān)系研究表明，當(dāng)空間分辨率過?。ㄈ绲陀?100 m）或較高（優(yōu)于10 m）時，識別精度變化較為緩慢，而在中等分辨率（15 m或30 m）區(qū)間時，用戶精度變化明顯[15]。本研究表明，Sentinel-2A同時具有較高的空間分辨率和時間分辨率的特點，為實現(xiàn)農(nóng)作物的準(zhǔn)確識別提供了可能。

5 結(jié)論

本研究以河北省辛集市為研究區(qū)，基于10 m分辨率的Sentinel-2A NDVI時間序列數(shù)據(jù)，結(jié)合研究區(qū)物候歷，分別構(gòu)建積分法、斜率法、決策樹法以及SAM法等識別模型對冬小麥信息進行提取，得出以下結(jié)論：

（1）研究區(qū)內(nèi)不同植被類型的物候期存在顯著差異，不同農(nóng)作物的種植模式不同，其中只有冬小麥—夏玉米為一年兩季種植，使得其NDVI時間序列曲線在年周期內(nèi)呈現(xiàn)“三峰三谷”的獨特特征，尤其是2—6月的波峰是識別冬小麥的關(guān)鍵特征。

（2）構(gòu)建的積分法、斜率法、決策樹法以及SAM法等冬小麥識別模型，均取得了較高的分類精度，總體精度都高于96.5%，表明覆蓋作物完整生長期的Sentinel-2A NDVI時間序列可以實現(xiàn)冬小麥的高精度分類與識別。其中斜率法、決策樹法精度較高，總體精度均超過98%，這表明二者更適用于基于NDVI時間序列的作物分類。

（3）Sentinel-2A衛(wèi)星能以10 d的重訪周期提供高空間分辨率影像數(shù)據(jù)，其像元純度高，有效地緩解了作物識別中混合像元的問題，識別精度較高，在農(nóng)作物的季相節(jié)律特征提取以及農(nóng)作物的識別中具有巨大潛力;此外，該數(shù)據(jù)的免費共享可為我國農(nóng)情遙感監(jiān)測業(yè)務(wù)提供高時間分辨率、高空間分辨率的遙感數(shù)據(jù)。

參考文獻：

[1]Lobell D B，Asner G P. Cropland distributions from temporal unmixing of MODIS data[J]. Remote Sensing of Environment，2004，93（3）：412-422.

[2]張喜旺，秦耀辰，秦 奮. 綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（8）：154-163，295.

[3]權(quán)文婷，王 釗. 冬小麥種植面積遙感提取方法研究[J]. 國土資源遙感，2013，25（4）：8-15.

[4]朱 爽，張錦水，帥冠元，等. 通過軟硬變化檢測識別冬小麥[J]. 遙感學(xué)報，2014，18（2）：476-496.

[5]姜 濤，朱文泉，詹 培，等. 一種抗時序數(shù)據(jù)噪聲的冬小麥識別方法研究[J]. 遙感技術(shù)與應(yīng)用，2017，32（4）：698-708.

[6]張 晶，占玉林，李如仁. 高分一號歸一化植被指數(shù)時間序列用于冬小麥識別[J]. 遙感信息，2017，32（1）：50-56.

[7]鄒金秋， 陳佑啟，Uchida S，等. 利用Terra/MODIS數(shù)據(jù)提取冬小麥面積及精度分析[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（11）：195-200.

[8]Pal M，Mather P M. Support vector machines for classification in remote sensing[J]. International Journal of Remote Sensing，2005，26（5）：1007-1011.

[9]Xu M，Watanachaturaporn P，Varshney P K，et al. Decision tree regression for soft classification of remote sensing data[J]. Remote Sensing of Environment，2005，97（3）：322-336.

[10]王長耀，林文鵬. 基于MODISEVI的冬小麥產(chǎn)量遙感預(yù)測研究[J]. 農(nóng)業(yè)工程學(xué)報，2005，21（10）：90-94.

[11]李開麗，蔣建軍，茅榮正，等. 植被葉面積指數(shù)遙感檢測模型[J]. 生態(tài)學(xué)報，2005，25（6）：1491-1496.

[12]王利民，劉 佳，楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（11）：194-201.

[13]楊閆君，占玉林，田慶久，等. 基于GF-1/WFVNDVI時間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（24）：155-161.

[14]楊閆君，占玉林，田慶久，等. 利用時序數(shù)據(jù)構(gòu)建冬小麥識別矢量分析模型[J]. 遙感信息，2016，31（5）：53-59.

[15]王利民，劉 佳，高建孟，等. 冬小麥面積遙感識別精度與空間分辨率的關(guān)系[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（23）：152-160.

[16]Liang S L. Quantitative remote sensing of land surfaces[M]. New Jersey：John Wiley & Sons，2003.

[17]Main-Knorn M，Pflug B，Debaocker V，et al. Calibration and validation plan for the l2A processor and products of the Sentinel-2 mission[C]//International Archives of the Photogrammetry Remote Sensing & S，2015，XL-7/W3（7）：1249-1255.