基于時(shí)序Landsat遙感影像棗樹(shù)種植面積提取

安霞 孫占海 張學(xué)東

摘 要：基于不同特征時(shí)間序列數(shù)據(jù)集，使用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）方法對(duì)時(shí)間序列遙感影像進(jìn)行分類(lèi)。基于時(shí)間序列Landsat 8影像數(shù)據(jù)，使用NDVI、EVI、第一主成分（principal component analysis 1，PCA1）3種特征數(shù)據(jù)集結(jié)合DTW算法，對(duì)比分析不同特征量對(duì)棗樹(shù)的識(shí)別精度。結(jié)果表明：基于DTW（NDVI）的時(shí)間序列特征數(shù)據(jù)集結(jié)合DTW算法能夠得到較好的分類(lèi)結(jié)果，基于時(shí)序DTW（EVI）特征量的方法次之，基于時(shí)序DTW（PCA1）特征量的方法的分類(lèi)精度最低，總體精度分別為95.23%、93.73%、83.84%，Kappa系數(shù)分別為0.858、0.824、0.738。

關(guān)鍵詞：遙感;動(dòng)態(tài)時(shí)間規(guī)整算法;棗樹(shù);時(shí)間序列

中圖分類(lèi)號(hào) S127 文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2021）16-0135-04

Extraction of Jujube Planting Area Based on Time Series Landsat Remote Sensing Images

AN Xia et al.

（School of Information Engineering， Tarim University， Alar 843300， China）

Abstract： This paper uses dynamic time warping （DTW） method to classify time series remote sensing images based on different characteristic time series data sets. Based on the time series Landsat 8 image data， using NDVI， EVI， and principal component analysis （PCA1） three feature data sets combined with DTW algorithm to compare and analyze the recognition accuracy of jujube trees with different feature quantities. The results show that the time series feature data set based on DTW （NDVI） combined with DTW algorithm can get better classification results， the method based on time series DTW （EVI） feature quantity is second， and the classification based on time series DTW （PCA1） feature quantity method The accuracy is the lowest. The overall accuracy is 95.23%，93.73%，83.84%， and the Kappa coefficient is 0.858，0.824，0.738.

Key words： Remote sensing; Dynamic time warping algorithm; Jujube tree; Time series

棗樹(shù)是阿拉爾墾區(qū)經(jīng)濟(jì)林的重要組成部分，也是兵團(tuán)第一師重要的經(jīng)濟(jì)發(fā)展基礎(chǔ)，具備經(jīng)濟(jì)、生態(tài)兩大效益[1]。通過(guò)遙感衛(wèi)星影像對(duì)阿拉爾墾區(qū)棗樹(shù)經(jīng)濟(jì)林進(jìn)行監(jiān)測(cè)，具有快速、準(zhǔn)確、大范圍、時(shí)間連續(xù)性等特點(diǎn)，并且是獲取地物信息的高新技術(shù)手段[2]，因此利用遙感技術(shù)為兵團(tuán)農(nóng)作物決策提供相關(guān)數(shù)據(jù)支撐具有重要現(xiàn)實(shí)意義。由于棗樹(shù)的生長(zhǎng)發(fā)育時(shí)期與其他果樹(shù)基本相同，因此在遙感影像中提取棗樹(shù)的種植面積容易出現(xiàn)錯(cuò)分的現(xiàn)象;而且同一品種棗樹(shù)的生長(zhǎng)發(fā)育也有早有晚，增加了棗樹(shù)識(shí)別的難度。由于農(nóng)作物在生長(zhǎng)過(guò)程中具有獨(dú)特的物候特征，農(nóng)業(yè)土地在不同時(shí)間的遙感影像上具有不同的表現(xiàn)，利用時(shí)間序列遙感數(shù)據(jù)中棗樹(shù)物候期特征值的變化規(guī)律，進(jìn)行棗樹(shù)種植面積的提取具有實(shí)踐意義[3]。

針對(duì)時(shí)間序列遙感數(shù)據(jù)的農(nóng)作物識(shí)別，充分利用各種作物的生長(zhǎng)規(guī)律及物候特征，可以有效提高農(nóng)作物分類(lèi)精度。時(shí)間序列曲線是表征植被特征、生長(zhǎng)狀態(tài)及植被綠度的最佳指示因子，同時(shí)也可以反映季節(jié)和人為活動(dòng)的變化[4]。Oliphant Adam-J[5]使用Landsat影像，構(gòu)建了藍(lán)光波段、近紅外波段等10個(gè)光譜段的時(shí)間序列曲線，通過(guò)隨機(jī)森林算法獲得東南亞地區(qū)土地利用圖，精度較高。宮詔健等[6]使用S-G重構(gòu)法對(duì)MODIS NDVI時(shí)序曲線進(jìn)行處理，并有效提取了遼寧省春玉米的種植面積。Pan等[7]利用時(shí)間序列數(shù)據(jù)重構(gòu)NDVI時(shí)間序列曲線，對(duì)冬小麥種植面積進(jìn)行提取。Murali[8]等通過(guò)使用光譜匹配技術(shù)將各類(lèi)作物基于時(shí)間序列生成的時(shí)序曲線與標(biāo)準(zhǔn)時(shí)間序列曲線進(jìn)行匹配，對(duì)南亞地區(qū)農(nóng)作物進(jìn)行分類(lèi)。在使用時(shí)序曲線的方法提取作物種植面積時(shí)，更多的采用了對(duì)NDVI時(shí)序曲線進(jìn)行處理，因此選取不同特征的時(shí)序曲線對(duì)分類(lèi)效果的影響值得研究。本研究采用時(shí)間序列的Landsat 8數(shù)據(jù)，以新疆阿拉爾市為研究區(qū)域，進(jìn)行棗樹(shù)分類(lèi)識(shí)別，采用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping， DTW）算法，利用中高分辨率時(shí)間序列影像探究不同特征指標(biāo)對(duì)棗樹(shù)的識(shí)別能力。

1 材料與方法

1.1 研究區(qū)概況 新疆維吾爾自治區(qū)阿拉爾市（80°30～81°58E、40°22～40°57N）轄4個(gè)街道、1個(gè)鄉(xiāng)、15個(gè)鎮(zhèn)，占地面積約5200km2。北接天山山脈，南部深入塔里木盆地北部邊緣地區(qū)，整體地勢(shì)由西北向東南傾斜，平均海拔1km左右，境內(nèi)有多條水系，雖處于溫帶大陸性氣候帶，但北部山峰綿延不絕，南部的塔克拉瑪干沙漠一望無(wú)際（圖1）。深處內(nèi)陸且大山環(huán)繞，使當(dāng)?shù)亟邓糠浅Ｏ∩伲瑲夂蚋稍?，但豐富的高山河流水資源和充足的光照時(shí)長(zhǎng)使這里成為典型的灌溉農(nóng)業(yè)區(qū)。

由于研究區(qū)域地理環(huán)境的特殊性，在南部沙漠地區(qū)幾乎無(wú)法進(jìn)行農(nóng)業(yè)生產(chǎn)，農(nóng)業(yè)生產(chǎn)很大程度上依賴(lài)于灌溉水資源。阿拉爾市傍依阿克蘇河、塔里木河、臺(tái)蘭河、多浪河水系，在靠近這些河流的地區(qū)，種植的作物種類(lèi)比較多樣化，而在大部分水資源短缺的區(qū)域，通常采用修建水利工程與滴灌技術(shù)結(jié)合的種植方式。2017年，研究區(qū)棗樹(shù)種植面積近4.47萬(wàn)hm2，紅棗產(chǎn)量占當(dāng)年全國(guó)總產(chǎn)量的10%，是我國(guó)非常典型的棗樹(shù)種植區(qū)域，因此選擇該地區(qū)為研究區(qū)域具有代表性。

1.2 數(shù)據(jù)來(lái)源 本研究使用美國(guó)地質(zhì)勘探局（USGS）網(wǎng)站上下載的Landsat 8影像，獲取2017年棗樹(shù)物候期內(nèi)生長(zhǎng)季無(wú)云或少云的影像，影像的空間分辨率為30m，共9景影像（05/24、06/09、07/27、08/12、08/28、09/13、09/29、10/15和10/31），影像時(shí)間覆蓋了2017年棗樹(shù)從發(fā)芽到收獲的整個(gè)生長(zhǎng)發(fā)育期，所獲取的Landsat 8遙感數(shù)據(jù)時(shí)相序號(hào)、傳感器、軌道號(hào)和獲取時(shí)間等詳細(xì)信息見(jiàn)表1。

1.3 試驗(yàn)設(shè)計(jì) 設(shè)計(jì)了3組試驗(yàn)進(jìn)行對(duì)比，分別是基于時(shí)間序列NDVI數(shù)據(jù)的DTW法（簡(jiǎn)寫(xiě)為DTW（NDVI））、基于時(shí)間序列EVI數(shù)據(jù)的DTW法（簡(jiǎn)寫(xiě)為DTW（EVI））以及基于時(shí)間序列PCA1數(shù)據(jù)的DTW法（簡(jiǎn)寫(xiě)為DTW（PCA1））。對(duì)獲取的2017年棗樹(shù)物候期內(nèi)的10景影像進(jìn)行指數(shù)計(jì)算和主成分分析，生成NDVI、EVI和PCA 3個(gè)特征數(shù)據(jù)集，然后根據(jù)棗樹(shù)樣本點(diǎn)提取對(duì)應(yīng)特征值，將不同特征值分別按照時(shí)間排序，生成不同特征的棗樹(shù)時(shí)間序列曲線;通過(guò)S-G濾波方式對(duì)曲線進(jìn)行平滑處理，得到棗樹(shù)標(biāo)準(zhǔn)曲線，然后分別計(jì)算在3類(lèi)特征數(shù)據(jù)集下待分像元與棗樹(shù)標(biāo)準(zhǔn)曲線的最小累計(jì)距離，得到基于像元的隸屬度圖;最后利用隨機(jī)森林算法分類(lèi)，得到研究區(qū)域棗樹(shù)種植情況，通過(guò)計(jì)算得到棗樹(shù)種植面積;采用以上3種方案進(jìn)行匹配計(jì)算，得到分類(lèi)結(jié)果，并進(jìn)行精度評(píng)價(jià)和分析（圖2）。

2 結(jié)果與分析

2.1 標(biāo)準(zhǔn)時(shí)序曲線生成 針對(duì)本研究選取的3種不同特征量生成不同的時(shí)序標(biāo)準(zhǔn)曲線。NDVI數(shù)據(jù)作為L(zhǎng)andsat中高時(shí)間分辨率植被的有效測(cè)量手段，有助于對(duì)植被生長(zhǎng)和活動(dòng)的季節(jié)和年際變化進(jìn)行有意義的比較。NDVI的優(yōu)勢(shì)在于其定量配給的概念，由于波段數(shù)量增加，產(chǎn)生的噪聲形式也會(huì)增多，NDVI可以減少多個(gè)波段中存在的多種形式的噪聲（光照差異、云影、大氣衰減和某些地形變化）。此外，對(duì)植被覆蓋動(dòng)態(tài)的敏感性比較表明，由于NDVI數(shù)據(jù)在生長(zhǎng)季節(jié)表現(xiàn)出更高的可變性和突變性，因此NDVI數(shù)據(jù)更為敏感，能夠更準(zhǔn)確地檢測(cè)變化[9]。

根據(jù)棗樹(shù)采樣點(diǎn)提取相關(guān)數(shù)據(jù)，分別生成了NDVI時(shí)序數(shù)據(jù)集、EVI時(shí)序數(shù)據(jù)集和PCA1時(shí)序數(shù)據(jù)集，然后對(duì)各自的數(shù)據(jù)進(jìn)行S-G濾波處理，去除相關(guān)噪聲，生成標(biāo)準(zhǔn)的棗樹(shù)不同特征的時(shí)序曲線（圖3）。

2.2 時(shí)序曲線隸屬度圖 得到標(biāo)準(zhǔn)時(shí)間序列后，計(jì)算不同特征數(shù)據(jù)集中每個(gè)像素的時(shí)間序列到標(biāo)準(zhǔn)時(shí)間序列的DTW距離（圖4）。DTW距離可以反映標(biāo)準(zhǔn)棗樹(shù)生長(zhǎng)時(shí)間序列與像素時(shí)間序列的相似程度和相異程度。在DTW距離圖中，當(dāng)DTW距離較短時(shí)，圖中顯示的顏色更深，表現(xiàn)為紅色。距離越小，表明該地區(qū)種植棗樹(shù)的可能性越大。

2.3 分類(lèi)結(jié)果 按照上述步驟得到3種試驗(yàn)方案的分類(lèi)結(jié)果，如圖5所示。使用驗(yàn)證樣本點(diǎn)對(duì)分類(lèi)結(jié)果進(jìn)行驗(yàn)證，得到混淆矩陣精度結(jié)果，如表2所示。由表2可知，基于時(shí)序NDVI特征的DTW方法的分類(lèi)精度最高，總體精度為95.23%，利用時(shí)序EVI特征量的DTW方法次之（93.73%），基于時(shí)序PCA1特征的DTW方法的分類(lèi)精度最低（83.84%），觀察Kappa系數(shù)值可以得到同樣的結(jié)論。

3 結(jié)論與討論

采用時(shí)間序列的Landsat 8數(shù)據(jù)，以新疆阿拉爾市為研究區(qū)域，利用動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法進(jìn)行棗樹(shù)分類(lèi)識(shí)別，探究使用中高分辨率時(shí)間序列影像和DTW算法相結(jié)合對(duì)棗樹(shù)的識(shí)別能力。利用隨機(jī)森林模型進(jìn)行棗樹(shù)信息提取，并比較不同特征量分類(lèi)結(jié)果差異，結(jié)果表明：基于時(shí)間序列數(shù)據(jù)，基于NDVI的DTW分類(lèi)方法精度最高，總體精度為95.23%，利用時(shí)序EVI特征量的DTW方法次之（93.73%），基于時(shí)序PCA1特征的DTW方法的分類(lèi)精度最低（83.84%）。因此，在使用DTW算法時(shí)，采用NDVI特征量分類(lèi)能得到較好的分類(lèi)效果。

參考文獻(xiàn)

[1]《新疆兵團(tuán)第一師阿拉爾市統(tǒng)計(jì)年鑒-2018》編輯委員會(huì).王虹主編，新疆兵團(tuán)第一師阿拉爾市統(tǒng)計(jì)年鑒[M].北京：中國(guó)統(tǒng)計(jì)出版社，2018.

[2]唐華俊，吳文斌，楊鵬，等.農(nóng)作物空間格局遙感監(jiān)測(cè)研究進(jìn)展[J].中國(guó)農(nóng)業(yè)科學(xué)，2010，43（14）：2879-2888.

[3]李曉東，姜琦剛.基于多時(shí)相遙感數(shù)據(jù)的吉林西部土地覆被分類(lèi)提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（9）：173-178.

[4]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.

[5]Adam J. Oliphant，Prasad S. Thenkabail，Pardhasaradhi Teluguntla，et al. Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud[J]. International Journal of Applied Earth Observations and Geoinformation，2019：81.

[6]宮詔健，田景仁，陳杰，等.基于MODIS NDVI數(shù)據(jù)的遼寧省玉米種植面積提取研究[J].江西農(nóng)業(yè)學(xué)報(bào)，2020，32（09）：119-126.

[7]Pan Y Z，Li L，Zhang J S.Crop area estimation based on MODIS-EVI time series according to istint characteristic of key phenology phase[J]. Journal of Applied Remote Sensing，2011，15（3）： 578-594.

[8]Gumma M.Mapping rice areas of South Asia using MODIS multitemporal data[J].Journal of Applied Remote Sensing，2011，5（1）： 530-547

[9]Granero-Belinchon Carlos，Adeline Karine，Briottet Xavier. Impact of the number of dates and their sampling on a NDVI time series reconstruction methodology to monitor urban trees with Ven[formula omitted]s satellite[J]. International Journal of Applied Earth Observations and Geoinformation，2021：95.

（責(zé)編：徐世紅）