基于MODIS時序數(shù)據(jù)物候特征下的多源遙感玉米提取

劉惠楠，王井利，周 斌，馬運濤

（1.沈陽建筑大學(xué) 交通與測繪工程學(xué)院，遼寧 沈陽 110168；2.遼寧省生態(tài)氣象和衛(wèi)星遙感中心，遼寧 沈陽 110166）

玉米作為我國主要的糧食作物之一，準(zhǔn)確掌握玉米的分布情況有助于推動我國精準(zhǔn)農(nóng)業(yè)的發(fā)展。目前，關(guān)于玉米種植結(jié)構(gòu)的識別及提取的研究主要基于中高分辨率遙感影像的地塊尺度方面［1-5］。中高分辨率的遙感影像雖然有較高的分類精度，但由于受到重訪周期、圖幅寬窄、云污染等影響，監(jiān)測較大尺度農(nóng)業(yè)種植面積的中高空間分辨率遙感數(shù)據(jù)難以滿足精確研究農(nóng)作物關(guān)鍵生育期識別的要求。

在實際應(yīng)用中，玉米屬于季節(jié)性作物，準(zhǔn)確區(qū)分其物候期，可為實現(xiàn)玉米種植結(jié)構(gòu)的準(zhǔn)確提取提供重要依據(jù)［6］。其中，利用MODIS制作的時序數(shù)據(jù)最為廣泛，它具有觀測周期短、范圍廣等優(yōu)點［7-8］。但在市(縣)尺度的研究中，MODIS數(shù)據(jù)的空間分辨率較低，從而影響了對作物識別的精度，因此，引入較高空間分辨率的遙感影像聯(lián)合應(yīng)用可互相彌補不足之處，進而提高對作物識別的精度與效率［9-13］。

大量研究表明，多源數(shù)據(jù)聯(lián)合應(yīng)用的分類方法已成為遙感農(nóng)作物識別的主要發(fā)展趨勢。其中，MODIS數(shù)據(jù)的空間尺度較大，與其他高分辨率影像數(shù)據(jù)融合后極易造成混合像元，導(dǎo)致融合后影像數(shù)據(jù)的應(yīng)用受限，對作物提取結(jié)果的精度并不理想。本文提出了不基于影像融合的多源數(shù)據(jù)聯(lián)合應(yīng)用提取作物種植結(jié)構(gòu)的方法，為提高農(nóng)作物遙感種植結(jié)構(gòu)提取的準(zhǔn)確度提供了一種新的思路。

1 資料與方法

1.1 研究區(qū)概況

沈陽市位于遼寧省中部，位于41°10′30″ N~43°0′42″N、122°23′22″E~123°46′38″E 之間，處于遼東山地與下遼河平原的過渡地帶，屬溫帶季風(fēng)氣候區(qū)濕潤和半濕潤大陸性氣候，四季分明，降水集中，日照充足，雨熱同季，年均降水量628 mm，適于農(nóng)作物的生長發(fā)育。研究區(qū)地理位置和Landsat-8真彩色影像如圖1所示。

圖1 研究區(qū)位置示意圖和Landsat-8真彩色影像

1.2 研究數(shù)據(jù)

1.2.1 多源遙感數(shù)據(jù)的獲取與預(yù)處理 本文應(yīng)用Landsat-8、Sentinel-2、GF-1、MODIS等4類遙感影像，選取了沈陽區(qū)域2020年無云或云量較少的中高分辨率衛(wèi)星遙感影像共28幅，2020年5月1日—10月1日低分辨率衛(wèi)星遙感影像共154幅，多源遙感影像具體數(shù)據(jù)見表1。

表1 2020年5月1日—10月1日的多源遙感影像參數(shù)

本文所用Landsat-8 OLI多光譜影像數(shù)據(jù)來源于美國地質(zhì)勘查局網(wǎng)站(https://glovis.usgs.gov/)，Sentinel-2A/B MSL多光譜影像數(shù)據(jù)來源于歐空局哥白尼數(shù)據(jù)中心(https://scihub.copernicus.eu/)，GF-1 WFV數(shù)據(jù)來源于遼寧省高分?jǐn)?shù)據(jù)中心，MODIS數(shù)據(jù)來源于NASA網(wǎng)站(http://modis.gsfc.nasa.gov/)提供的MODIS1B陸地帶MOD09(MODIS表面反射率)的MOD09GA數(shù)據(jù)產(chǎn)品。

遙感數(shù)據(jù)均經(jīng)過輻射定標(biāo)、大氣校正、投影轉(zhuǎn)換、波段合成、正射校正、圖像配準(zhǔn)、鑲嵌、裁剪及光譜指數(shù)計算而來。各光譜指數(shù)計算公式為:

增強型植被指數(shù)：

歸一化水體指數(shù)：

歸一化建筑指數(shù)：

1.2.2 樣本的建立與數(shù)據(jù)的驗證 基于現(xiàn)有的東北地區(qū)10 m作物類型分布產(chǎn)品數(shù)據(jù)集，制作玉米(157處)、水稻(100處)、大豆(37處)的樣本區(qū)域數(shù)據(jù)。計算Landsat-8、Sentinel-2、GF-1、MODIS遙感影像中玉米157處樣本區(qū)域的EVI平均值，并以此作為轉(zhuǎn)化模型的樣本數(shù)據(jù)。結(jié)合實地調(diào)查(圖1)與研究區(qū)Google Earth影像制作玉米(86處)、水稻(50處)、大豆(60處)、林地(50處)、水體(37處)、其他植被(40處)、非植被與水體區(qū)域(100處)為結(jié)果驗證數(shù)據(jù)。

1.3 研究方法

1.3.1 Savitzky-Golay濾波 S-G濾波是一種在域內(nèi)基于多項式，通過移動窗口利用最小二乘法最佳擬合的方法［14］。具體計算公式為：

式(4)中，Yj+i為原始EVI的時序數(shù)據(jù)，′為EVI的擬合數(shù)據(jù)，Ci為第i個EVI值的濾波系數(shù)，N為卷積數(shù)目，等于組數(shù)的寬度(2m+1)，j為原始EVI數(shù)據(jù)的系數(shù)，m是平滑窗口大小的一半。

該研究利用2020年5月1日—10月1日共計154 d的每日MOD09GA數(shù)據(jù)中玉米、水稻、大豆各處樣本區(qū)域合計的日平均EVI值，制作作物完整物候期的時間序列。由于EVI數(shù)據(jù)受云的影響明顯，導(dǎo)致部分日期數(shù)據(jù)存在明顯偏差。利用S-G濾波，滑動窗口設(shè)置為5，使得保留細節(jié)特征的同時更接近EVI時序的上包絡(luò)線，對EVI數(shù)據(jù)的噪聲進行有效剔除。

1.3.2 各傳感器間EVI指數(shù)轉(zhuǎn)化模型的構(gòu)建 利用中高分辨率EVI數(shù)據(jù)來彌補MODIS-EVI時間序列分辨率較低的問題。選取與中高分辨率影像對應(yīng)同一天的MODIS數(shù)據(jù)，可以較大程度地避免衛(wèi)星數(shù)據(jù)獲取過程中由地物變化導(dǎo)致影像輻射值變化的問題，影像預(yù)處理可消除或盡量減小數(shù)據(jù)獲取時太陽高度角、氣溶膠等因素的影響。在盡可能地減小由數(shù)據(jù)來源差異引起的誤差后，分別計算MODIS與Landsat-8、Sentinel-2、GF-1各個影像157處樣本區(qū)域的EVI平均值，使之一一對應(yīng)構(gòu)建數(shù)據(jù)對，利用線性回歸方法，以中高分辨率EVI數(shù)據(jù)作為自變量、對應(yīng)的MODISEVI作為因變量構(gòu)建EVI指數(shù)轉(zhuǎn)化模型，并利用決定系數(shù)R2評價模型的擬合效果。

1.3.3 分類方法 CART決策樹、隨機森林、最大似然法為傳統(tǒng)監(jiān)督分類方法，利用已知分類樣本像元對未知像元進行判別。該研究利用ENVI軟件，輸入待分類數(shù)與樣本數(shù)據(jù)后計算機自動輸出分類結(jié)果。

決策樹分類技術(shù)在遙感分類方面具有很大的優(yōu)勢，可逐步建立決策樹，手動設(shè)置閾值，將目標(biāo)地物逐步從原始數(shù)據(jù)中分層掩膜出來，能有效地避免在提取過程中相似地物的相互干擾，通過共同運用大量不同類別的輸入數(shù)據(jù)，從而達到多種類數(shù)據(jù)復(fù)合應(yīng)用分類的目的，且分類結(jié)構(gòu)清晰并容易理解［15-16］。

1.3.4 混合像元分解模型 玉米常與其他作物間作，在遙感解譯中極易產(chǎn)生混合像元，導(dǎo)致地物分類精度下降。該研究選擇Heinz等［17-18］提出的全約束最小二乘法混合像元分解模型(Fully Constrained Least Squares,FCLS)，在決策樹分類結(jié)果的基礎(chǔ)上進行混合像元分解，進而提高對數(shù)據(jù)的解譯精度。

1.3.5 精度評價方法 該研究利用R2評價模型的擬合優(yōu)度，以及標(biāo)準(zhǔn)差、均方根誤差評價經(jīng)模型轉(zhuǎn)換前、后各個樣本點的離散程度。利用驗證數(shù)據(jù)的混淆矩陣，計算各地類的分類精度，使用Kappa系數(shù)和總體精度評價整體分類結(jié)果的精度，利用各地類的制圖精度與用戶的精度評價各地類的漏分與錯分情況。

2 結(jié)果與分析

2.1 構(gòu)建時間序列與分析物候特征

S-G濾波重構(gòu)后的各類農(nóng)作物時序曲線如圖2所示，圖2中2020年5月1日對應(yīng)時間為0 d，2020年10月1日對應(yīng)時間為153 d。

圖2 作物全生長周期EVI時序曲線

玉米EVI在5月中下旬開始增加，此時玉米開始出苗生長；7月上旬的EVI增長最快，此時玉米處于拔節(jié)期，其生長態(tài)勢最旺盛；7月14日(第75天)達到峰值，為0.660，此時由于玉米頂端雄穗與玉米植株顏色的反差導(dǎo)致各通道反射率發(fā)生變化，使得EVI開始下降；8月8日(第100天)到達波谷，為0.512，此時玉米處于吐絲期；隨后植株繼續(xù)生長，EVI經(jīng)過小幅度增長后，玉米進入乳熟期；9月EVI迅速下降，玉米則逐漸成熟。

水稻于5月初出苗；EVI在5月中下旬緩慢減小，稻苗葉片收縮，此時水稻處于返青期；6月中下旬EVI迅速增長，此時水稻處于分蘗期；7月17日(第78天)EVI達到峰值，為0.683，此時水稻處于拔節(jié)期；隨后EVI開始逐漸下降，水稻進入抽穗期，雖然此時稻穗顏色發(fā)生了變化，并由此導(dǎo)致各通道的反射率也隨之發(fā)生了變化，但稻穗顏色的變化比玉米雄穗與植株的少，因此，此時的時序曲線未產(chǎn)生波谷；9月EVI迅速下降，水稻進入逐漸成熟。

大豆EVI在5月中旬開始增加，此時大豆開始出苗生長；6月中下旬EVI增長速率最快，生長態(tài)勢最旺盛，此時大豆處于分枝期；7月20日(第81天)EVI為0.571時開始緩慢增長，大豆進入開花期；8月20日(第112天)達到峰值0.583，此時大豆處于結(jié)莢期；9月EVI迅速下降，大豆進入鼓粒期后逐漸成熟。由上述分析獲取的作物物候期如表2所示。

表2 沈陽市主要作物物候期

2.2 各傳感器間EVI指數(shù)轉(zhuǎn)化

各傳感器間EVI指數(shù)的轉(zhuǎn)化模型及相關(guān)系數(shù)(R2)如圖3所示。各轉(zhuǎn)化模型的R2＞0.85，各轉(zhuǎn)化模型的擬合優(yōu)度較高。

圖3 EVI指數(shù)轉(zhuǎn)換模型

模型轉(zhuǎn)換前，MODISEVI的數(shù)據(jù)相較于其他類型的標(biāo)準(zhǔn)差更小，離散程度較小，數(shù)據(jù)較穩(wěn)定。經(jīng)模型轉(zhuǎn)換后，GF-1EVI、Landsat-8EVI與Sentinel-2EVI的標(biāo)準(zhǔn)差與均方根誤差均有一定程度的減小，EVI離散范圍明顯縮小，具體標(biāo)準(zhǔn)差與均方根誤差如表3所示。

表3 模型轉(zhuǎn)換前、后各類EVI樣本的標(biāo)準(zhǔn)差與均方根誤差比較

轉(zhuǎn)換后的數(shù)據(jù)能夠與同日期的MODISEVI數(shù)據(jù)相匹配，具體如圖4所示。將研究區(qū)域的Landsat-8、Sentinel-2、GF-1的EVI影像數(shù)據(jù)進行對應(yīng)模型轉(zhuǎn)換后，得到了各個日期的MODISLandsat-8EVI、MODISSentinel-2EVI、MODISGF-1EVI。

圖4 模型轉(zhuǎn)換前、后數(shù)據(jù)的對比圖

2.3 作物種植結(jié)構(gòu)的提取與精度評價

2.3.1 傳統(tǒng)分類方法的玉米種植結(jié)構(gòu)提取 采用CART決策樹、隨機森林、最大似然法分別對中高分辨率影像進行地物提取，各類方法的總體精度、Kappa系數(shù)如表4所示?？傮w分類精度均小于86.5%，Kappa 系數(shù)均小于0.8，由此可知，這3種分類方法結(jié)果的精度并不理想。

表4 傳統(tǒng)遙感分類方法的結(jié)果精度比較

2.3.2 基于決策樹的多源遙感數(shù)據(jù)種植結(jié)構(gòu)提取 經(jīng)反復(fù)實驗發(fā)現(xiàn)，EVI在水體和建筑用地的分類中會將部分水體與建筑用地混淆，故利用9月30日的Sentinel-2 NDWI數(shù)據(jù)，將NDWI值＞0.5的區(qū)域判定為水體。利用7月22日的Landsat-8 NDBI數(shù)據(jù)，將NDBI值＞-0.1236且NDWI值＜0.5的區(qū)域判定為非植被與水體區(qū)域。利用7月22日的Landsat-8 EVI數(shù)據(jù)，將EVI值＜0.5755、NDWI值＜0.5、NDBI值＜-0.1236的區(qū)域判定為其他植被。

利用7月15日的GF-1影像、8月7日的Landsat-8 EVI數(shù)據(jù)、9月20日的Sentinel-2 EVI數(shù)據(jù)，根據(jù)作物的物候期將植被細分為林地、玉米、水稻、大豆。圖2是由MODIS-EVI制作，故其只能作為各地類間植被指數(shù)大小比較的參考，其具體數(shù)值不能作為未經(jīng)模型轉(zhuǎn)換的數(shù)據(jù)分類閾值使用。基于此，經(jīng)反復(fù)實驗確定，由于8月7日的水稻處于抽穗期，此時的EVI值大于玉米和大豆的，故將8月7日的Landsat-8 EVI值在1.6213~1.8525范圍內(nèi)的區(qū)域判定為水稻；9月20日的大豆處于鼓粒期，此時的EVI值大于玉米的，故將不滿足上述條件且9月20日的Sentinel-2 EVI值在-0.1021~0.0662范圍內(nèi)的區(qū)域判定為大豆。7月15日的玉米與水稻的EVI值遠大于大豆的，玉米處于吐絲期，故將水稻與大豆提取后剩余區(qū)域內(nèi)7月15日的EVI值＞0.5112的區(qū)域判定為玉米，余下區(qū)域被劃分為林地。分辨率為30 m的分類結(jié)果如圖5所示。

圖5 基于決策樹的多源遙感數(shù)據(jù)種植結(jié)構(gòu)提取圖

基于多源遙感數(shù)據(jù)的分類總體精度為87.68%，Kappa系數(shù)為0.8162，相較于傳統(tǒng)監(jiān)督分類方法，其總體精度與Kappa系數(shù)均有明顯提高，各地類具體的用戶精度與制圖精度如表5所示。

表5 基于決策樹的多源遙感數(shù)據(jù)種植結(jié)構(gòu)分類結(jié)果的混淆矩陣

2.3.3 基于決策樹的多源轉(zhuǎn)化遙感數(shù)據(jù)種植結(jié)構(gòu)提取 經(jīng)模型轉(zhuǎn)換后的各類傳感器EVI數(shù)據(jù)可根據(jù)MODIS-EVI時序曲線特征閾值，因此對植被細化分類的閾值進行更改。經(jīng)反復(fù)實驗確定將8月7日MODISLandsat-8EVI值＞0.5788的區(qū)域判定為水稻；將不滿足上述條件且9月20日MODISSentinel-2EVI值在0.3006~0.3435范圍內(nèi)的區(qū)域判定為大豆；將水稻與大豆提取后，剩余區(qū)域內(nèi)7月15日MODISGF-1EVI值＞0.634的區(qū)域判定為玉米，剩余區(qū)域被劃分為林地。各時相EVI樣本平均值變化見表6。

表6 模型轉(zhuǎn)換后各時相EVI樣本平均值

對比可知，利用時序曲線提取物候特征對決策樹準(zhǔn)確閾值能夠有效區(qū)分玉米、水稻和大豆，并糾正研究區(qū)南部水稻與玉米混淆錯分的問題，分類結(jié)果分辨率為30 m，具體如圖6所示。

圖6 基于決策樹的多源轉(zhuǎn)化遙感數(shù)據(jù)種植結(jié)構(gòu)提取圖

基于多源轉(zhuǎn)化遙感數(shù)據(jù)的分類總體精度為92.27%，Kappa系數(shù)為0.8825，相較于數(shù)據(jù)未經(jīng)模型轉(zhuǎn)換的決策樹分類方法，玉米制圖精度、用戶精度、總體精度分別提高了6.25、0.80、4.59個百分點，Kappa系數(shù)提高了0.0663，各地類具體的用戶精度與制圖精度如表7所示。

表7 基于決策樹的多源轉(zhuǎn)化遙感數(shù)據(jù)種植結(jié)構(gòu)分類結(jié)果的混淆矩陣

2.3.4 基于決策樹的混合像元分解模型 將MODISGF-1EVI、MODISLandsat-8EVI、MODISSentinel-2EVI與2.3.2節(jié)的分類結(jié)果疊加，在玉米分類結(jié)果范圍內(nèi)選取玉米的端元，利用FCLS進行線性混合像元分解以實現(xiàn)玉米反演。決策樹與混合像元分解結(jié)合提取玉米種植結(jié)構(gòu)的總體精度為95.98%，玉米地類提取結(jié)果的邊界清晰，能夠有效地解決決策樹分類結(jié)果出現(xiàn)的地塊邊緣錯分、細碎圖斑的問題(圖7)。

圖7 決策樹與混合像元分解結(jié)合提取玉米種植結(jié)構(gòu)的對比圖

3 結(jié)論與討論

本文以提高玉米種植結(jié)構(gòu)提取精度為目的，嘗試聯(lián)合應(yīng)用Landsat-8、Sentinel-2、GF-1與MODIS數(shù)據(jù)進行玉米提取。采用CART決策樹、隨機森林、最大似然法、決策樹分類方法對研究區(qū)域內(nèi)的作物進行分類，得出如下結(jié)論：

（1）為充分利用MODIS數(shù)據(jù)的高時間分辨率優(yōu)勢，通過作物生育期每日的MODIS-EVI數(shù)據(jù)經(jīng)S-G濾波制作時序曲線，能夠準(zhǔn)確地反映作物的生長變化趨勢，為其物候特征的提取提供可靠依據(jù)。

（2）不同作物的物候特征是區(qū)分易混淆作物的重要依據(jù)，利用MODIS-EVI的時序曲線確定作物的物候特征準(zhǔn)確的閾值，再通過決策樹方法逐步掩膜剔除水稻、大豆等易混淆的地類，能夠得到較高精度的玉米分類結(jié)果。

（3）EVI轉(zhuǎn)換模型能夠有效控制EVI數(shù)據(jù)跳躍幅度，并且實現(xiàn)調(diào)整Landsat-8、Sentinel-2、GF-1與MODIS數(shù)據(jù)之間的匹配度，經(jīng)轉(zhuǎn)換后的影像數(shù)據(jù)既具備了MODIS的數(shù)據(jù)特征，又保留了中高分辨率影像的數(shù)據(jù)細節(jié)，通過EVI轉(zhuǎn)換模型可以達到多源數(shù)據(jù)聯(lián)合應(yīng)用的目的。

（4）在相同樣本與驗證的條件下，基于MODISEVI物候特征對轉(zhuǎn)換后的多源時序數(shù)據(jù)進行決策樹分類，其結(jié)果的總體精度顯著高于CART決策樹、隨機森林、最大似然法分類結(jié)果的總體精度。

（5）通過決策樹分類與混合像元分解相結(jié)合，可以進一步提高玉米種植結(jié)構(gòu)的提取精度，使地塊劃分細節(jié)更加精準(zhǔn)，能夠解決決策樹分類結(jié)果出現(xiàn)的細小斑塊等問題。