河套灌区沈乌灌域GF-1/WFV遥感耕地提取

2017-12-20常布辉王军涛罗玉丽王艳华王艳明

农业工程学报 2017年23期

常布辉，王军涛，罗玉丽，王艳华，王艳明

常布辉1，王军涛1，罗玉丽1，王艳华1，王艳明2

（1. 黄河水利科学研究院引黄灌溉工程技术研究中心，新乡 453003；2. 沈乌灌域管理局，巴彦淖尔 015200）

为提高基于遥感影像的灌区耕地自动快速提取，该文针对河套灌区沈乌灌域种植结构特点，利用实地调查结果、Google earth和GF1-WFV遥感影像构建了研究区主要作物及土地利用类型的NDVI时间序列，并利用HANTS滤波法对NDVI时间序列进行了平滑处理。分别采用基于遥感与Google earth的目视解译、监督分类（支持向量机）、基于NDVI时间序列的决策树分类与监督分类相结合的方法、基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法对灌区耕地进行提取。利用基于Google earth与目视解译的10 000个随机验证点以及正确率（用户精度）、完整率（生产者精度）和整体精度（提取耕地面积与实际面积的比值）3个指标对提取结果进行了评价。验证结果表明：监督分类（支持向量机）提取结果的正确率、完整率和总体精度仅为84.82%、64.4%和75.68%；基于NDVI时间序列的决策树分类与监督分类相结合的方法提取精度分别为94.28%、84.21%和89.1%；基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法提取精度进一步提高，3个指标分别达到94.47%、87.32%和92.24%。在作物种类繁多的大型灌区，时空分辨率优异的GF1-WFV数据在耕地面积提取上具有很强的实用性；结合作物生长规律与遥感信息的联合方法能够有效提高耕地面积的提取精度。

耕作；提取；遥感；GF1-WFV；NDVI序列；监督分类；河套灌区

0 引言

近些年，随着3S技术的迅速发展，灌区耕地资源的动态监测方法也呈现多元化。传统的以乡镇为单元的统计方法时效性差、精度不高，无法快速反映灌区耕地面积的变化[1]；鉴于监测方法的时效性和准确性，遥感技术已经成为一项高效经济的手段。基于遥感影像的自动分类和目视解译相结合的方法不仅提高了解译精度，同时大大缩短了数据周期[2]。

耕地面积提取研究中，高分辨率遥感影像的应用一般局限于尺度小、精度需求高的区域，常用的解译方法是结合实地调查，以目视解译为主，辅助于计算机，工作量不大，地物识别更丰富[3-6]。中分辨率广泛的应用于作物指数反演[7]、特征[8]、面积提取[9-11]以及耕地提取[12-14]。然而中分辨率影像中混合像元现象较多，地物识别性较弱，需要充分利用计算机分类方法，辅助于地物在光谱中呈现的规律进行提取。虽然空间分辨率非常差，但是时间分辨率很高，在一定精度范围内可以进行耕地提取[15-16]。综合多种因素，中分辨率卫星遥感数据很好地兼具了高低遥感影像的优点，补充了彼此的不足，市上潜力巨大。

目前在耕地信息研究中，中低分辨率卫星应用最多的有TM、Landsat7、Landsat8、高分一号、MODIS、SAR以及一些航空影像和高广谱数据[17]。研究方法可以归纳为两类：一类数据源为单时相，信息量有限；另一类以多时相数据为基础，信息量较前一类更丰富，得到的结果也更精确[18]。多时相数据的应用主要通过构建作物植被指数的时间序列曲线，对作物生长周期的分析，建立规则[19]或者模型[20]进行作物面积估算。钟礼山等[18]以SAR影像时间序列为基础，分别应用欧氏距离法、相关关系法以及动态时间弯曲法进行了耕地提取研究。侯光雷等[21]运用SPOT/VGTNDVI数据对东北的耕地资源进行了提取，结果表明利用谐波分析法处理后的时间序列在耕地提取中精度有显著提高。Knight等[22]运用MODIS-NDVI 250 m数据进行了作物分类，结果表明多时相数据补充的信息可以有效弥补单时相分辨率不足产生的误差，提高分类精度。基于谐波分析法处理后的NDVI时间序列数据在作物信息的提取中表现出明显的实用性和精确性[23-24]。

以上研究数据多来源于国外卫星，空间分辨率普遍低，精度有限。虽然应用多时相数据构建时间序列开展研究，但对象一般为一种或几种作物，研究目的多为针对特定作物开展不同计算机分类方法、不同滤波法的对比研究。开展统筹各种地物信息（单时相与多时相信息）的遥感解译是数据高效利用的主要途径。在特定的计算机分类方法下，基于NDVI时间序列（多时相信息）与其他分类方法（单时相，例如监督分类等）的多信息综合对比研究还比较少。研究对象的单一性，在作物种类比较丰富、地块尺寸多变的西北干旱半干旱灌区容易产生误差。因此以作物种类繁多的灌区为背景，以国产中分辨率卫星数据为基础，开展基于NDVI时间序列、滤波法以及监督分类方法相结合的灌区耕地提取研究具有一定的地域特色和创新性。

在中国的灌区中，集中存在着种植结构复杂、种植规模小、作物生长受环境影响大等特点[25]。本文根据研究区的实际情况，以河套灌区沈乌灌域为例，对GF1-WFV影像数据进行了预处理，结合NDVI时间序列分析结果，运用决策树分类以及监督分类方法（支持向量机）提取了沈乌灌域的耕地信息。旨在以GF1-WFV数据为基础，探讨SVM、基于NDVI时间序列平滑处理前后的决策树分类及以上处理相结合情况下3种方法在沈乌灌域耕地提取中的可行性，为灌区耕地提取以及国产卫星的运用提供参考。

1 研究区概况

沈乌灌域（106°20′15″E～107°8′24″E，40°8′33″N～ 40°48′21″N）位于河套灌区最西侧，三盛公枢纽西北部，南抵乌兰布和沙漠穿沙公路，北界为磴口县与杭锦后旗行政界，东起河套总干渠及乌拉河干渠，西至狼山冲洪积坡地边界，总面积0.186 km2。沈乌灌域自三盛公枢纽上游3.5 km黄河左岸的沈乌引水口引水灌溉，灌溉面积占河套灌区的10%左右。研究区属于温带大陆性干旱气候，降水稀少，蒸发强烈，干燥多风，日温差大，日照时间长。主要作物有春小麦（3月‒7月）；玉米（5月‒9月）；葵花（5月‒9月）；番茄（5月‒8月）；瓜类（5月‒8月）和牧草（4月‒7月或者10月）等。

沈乌灌域多年灌溉情况可大致分为：冻融阶段（3月中旬‒5月中旬）、夏灌阶段（5月中旬‒7月中旬）、秋灌阶段（7月中旬‒9月中旬）、秋浇阶段（9月中旬‒11月中旬）和封冻阶段（11月中旬‒翌年3月中旬）。

2 数据源及预处理

2.1 遥感影像数据

高分一号卫星于2013年发射成功，搭载4台WFV多光谱相机，光谱范围为0.45～0.89m，包含4个波段（蓝光：0.45～0.52m，绿光：0.52～0.59m，红光：0.63～0.69m，近红外0.77～0.89m）。为精确获取研究区内各种作物的实际生长规律，提高提取精度，由中国资源卫星应用中心下载了17幅不同时相的GF1-WFV影像数据。影像时间跨度为一整年，详见表1。影像选取的技术规格：要求无云或者有云但对研究区没有影响。

2.2 实地调查数据

2016年8月前后，利用手持GPS开展研究区主要作物定位调查，调查点位如图1所示。实地调查作物样本数共360个，详细分类见表2。

表1 GF1-WFV数据说明

图1 研究区位置图

表2 实地调查样本种类及数量

通过实地调查发现，研究区内作物种类繁多，作物田块较小，长势、疏密程度空间差异较大。为构建能够精确反映作物播种、出苗、抽穗、成熟、收割过程的NDVI时间序列，实地调查尽可能选择田块面积大，作物长势均匀的区域。

2.3 遥感影像预处理

遥感预处理涉及的内容比较广泛，包括很多复杂的数学模型、算法和软件。本文运用中国资源卫星应用中心开发的PIE软件对数据进行了大气校正得到真实的地标反射率，运用ENVI软件进行了图像增强，影像配准，波段组合选取和图像掩膜处理。

3 研究方法

3.1 技术路线

结合项目研究内容：1）进行实地调查，定位不同作物的坐标；2）GF1-WFV数据进行预处理，构建不同作物的NDVI时间序列；3）通过样本点坐标，提取不同作物的NDVI值，构建NDVI时间序列，分析不同植被的时间序列关系，确定作物的提取阈值，用于区分耕地与其他土地利用类型；4）对由于植被生长规律相似而无法区分的作物，开展监督分类或者目视解译；5）分别运用决策树法和监督分类方法提取耕地，并通过验证结果（目视解译和相关统计数据）分析两者的精度；6）最终对3种方法在研究区耕地面积提取中的应用进行分析评价。详细研究技术流程见图2。

图2 研究技术流程

3.2 构建NDVI时间序列

NDVI（normalized difference vegetation index)，也称为生物量指标变化，可使植被从水和土中分离出来，可以在一定程度上消除太阳高度角、卫星观测角、地形、云以及大气条件的影响[26-27]。NDVI为近红外波段（NIR）和可见光红光波段（VIS）数值之差和数值之和的比值

NDVI = (NIR-VIS)/(NIR+VIS) （1）

NDVI时间序列能够反映作物从出苗、抽穗到成熟和收割NDVI的变化过程。遥感影像数据经过预处理获得地表反射率，进而计算得到每幅影像的NDVI值。利用样本数据获取不同作物的NDVI均值，构建NDVI时间序列特征曲线（图3a）。

图3 平滑处理前后NDVI时间序列

由图3a中各项NDVI时间序列可以看出，经过遥感数据预处理后的NDVI时间序列能够基本反映不同作物及土地利用类型的NDVI变化趋势。但是由于受到大气和云层等不确定因素，以及土壤背景等的影响，存在局部噪声，加之遥感影像获取时间间隔不等，导致NDVI序列起伏剧烈。因此，为克服以上问题，需要对原始的NDVI时间序列进行平滑处理，构建高质量序列数据。

3.3 NDVI时间序列平滑处理

能够提高NDVI时间序列质量，尽可能消除不确定因素的干扰，实现序列重构方法主要分为4种：阈值去除法[28-29]、基于滤波的平滑法[30-32]、非线性拟合法和小波变换[33]。本研究采用（基于滤波的平滑法）中的HANTS滤波法[34]，该方法是一种基于傅里叶变换的一种改进算法，可以灵活处理构成时间序列的数据间隔不等的问题[35-36]，平滑曲线，去除无效数据，构建出更符合作物生长特征的曲线。本研究中经过多次验证和调整，确定HANTS滤波法中主要参数确定分别为：频率：3，拟合误差：0.05，超出极限：3。运用确定后的参数经过计算得到平滑处理后作物NDVI序列（图3b），平滑处理前后作物NDVI序列变化趋势一致，平滑后曲线更加圆润，突兀之处得到修正。平滑处理降低了噪声的影响，去除了无效数据，能够真实反映作物的动态生长规律。经过HANTS滤波法处理之后的时间序列曲线更加符合作物生长变化特征。

3.4 作物NDVI曲线分析

沈乌灌域耕地作物主要包括玉米、小麦、葵花、蜜瓜、番茄、高粱、青椒、葫芦、瓜类（除蜜瓜之外，主要有西瓜等其他瓜类）、苜蓿草和林地（育林地）。非耕地主要包括居民区、灌木丛、芦苇、荒地、草地和盐碱地。

由图3b可以看出，作物NDVI曲线可以完整呈现不同作物生长期，曲线形状为单峰，说明该地区为一年一季作物，结论与实地调查结果相符。耕地中种植作物（红色曲线：玉米、葵花、蜜瓜、番茄、高粱、青椒、葫芦、瓜类、林地和苜蓿草）在4月中旬至10月之间处于生长期，NDVI值变化明显。尤其在4月至7月之间，作物播种出苗，进入快速生长期（拔节、育穗、抽穗），NDVI值在此间迅速增加；7月至8月期间，除小麦（研究区内主要为春小麦：3月中旬播种，7月‒8月期间处于成熟收割期，NDVI出现明显下降）外，其他主要作物均处于灌浆期，NDVI值在8月中旬前后达到最大值；8月‒9月期间，作物成熟，NDVI值出现缓慢下降；9月中旬至下旬作物收割，NDVI值急剧下降到最低值。

非耕地（灌木丛、芦苇、荒地、草地、盐碱地、居民区）中荒地、草地、盐碱地和居民区的NDVI值全年变化规律同农作物相似。但由于植被长势萎蔫且分布稀疏，变幅较小，同作物的差异比较明显，易于区分。在8月中旬附近，耕地与非耕地的NDVI值相差最大，是区分二者的最佳时间点。

芦苇和灌木丛较为特殊，二者生长规律同大部分作物相似，NDVI值与作物也相差不大，加之自黄河沿岸至阴山方向（自东南至西北方向）上地下水位、水质以及灌溉水量的限制，芦苇长势不等，导致同期NDVI值域宽，极易混淆与作物中（监督分类中芦苇与主要作物的分离度小于1.8，灌木丛大于1.8）。因此灌木丛可以通过监督分类达到与作物区分的目的，而无论是通过监督分类还是基于DNVI时间序列的决策树分类都无法排除芦苇对耕地提取的干扰。鉴于此，根据芦苇图斑形状的不规则性，生长习性（生在与湿地或浅水区，而水体特征显著易于提取），以水体为依托，通过目视解译判别研究区内的芦苇分布。通过此方法可以有效去除芦苇对作物提取过程中的干扰。

3.5 研究区耕地提取

3.5.1 最佳波段组合选择

本文利用OIF指标进行最佳波段的选择

OIF=(S+S+S)/(|R|+|R|+|R|) （2）

式中OIF(i=x,y,z)表示波段组合的OIF指数；S表示波段()的标准差；R表示波段()和波段()之间的相关系数。

波段标准差越大，说明该波段在对地物的描述中包含的信息越大，反之则越小。波段间的相关关系的大小则反映了两个波段对地物描述信息的重复程度，相关关系越大，说明两个波段对地物的描述中存在较大信息冗余，反之则冗余较小[37]。因此OIF指标越大，表明组合波段的信息量越大，冗余越小，OIF越小则相反。不同波段组合下OIF指数计算结果为：Band123（波段1：蓝光；波段2：绿光；波段3：红光；波段4：近红外）、Band124、Band134和Band234的OIF指数分别为0.061、0.096、0.107和0.116。由OIF指数排序可以看出，Band234组合是最佳组合，并将作为本文研究的波段组合。

3.5.2 基于NDVI序列的决策树分类与监督分类组合

通过对图3b中作物NDVI曲线的分析发现，灌木丛是耕地提取的一个重要干扰项。灌木丛的NDVI时间序列变化贯穿于其他作物曲线之间，无论是通过峰值还是变化趋势均无法剥离。虽然通过NDVI时间序列进行决策树分类已经无法排除灌木丛的干扰，但是在进行监督分类的过程中，发现灌木丛同耕地的样本分离度大于1.8，因此对于灌木丛的区分通过支持向量机的监督分类完成区分[19,38-40]。最终通过基于NDVI时间序列的决策树分类与监督分类组合完成沈乌灌域耕地的提取。

小麦的NDVI值在6月份达到最大值，且6、7、8三个月份呈下降趋势，而其他作物和非耕地类型均处则呈增加趋势，因此通过结合实地调查结果和试错，利用振幅和相位的差距，确定通过振幅：NDVI6>0.55和相位：NDVI6

注：NDVIi表示i月的NDVI值，i表示月份。

4 结果与分析

通过实地调查发现，研究区内近些年没有精确的耕地面积统计数字，所有数据仅通过用水户、用水协会、灌域管理局逐级上报获得，主要用于水量调度。数据对真实耕地的反映可信度不高，且不具备代表性（近些年井灌面积明显增大，上报的数据均为渠灌耕地面积）。综合以上因素，本文通过基于遥感+Google earth结合的目视解译结果作为标准，分别采用监督分类（SVM）、平滑前后的NDVI时间序列+决策树分类+SVM和平滑前NDVI时间序列+决策树分类+SVM方法得到了耕地面积及空间分布进行总体精度评价。利用随机生成的验证点，共计10000个，属性通过目视解译联合Google earth确定，详见图5。

图5 随机验证点分布情况

利用正确率（分类结果为耕地的像元中，其真实地表同为耕地的比例，类似于混淆矩阵中的用户精度）、完整率（地表真实数据中耕地被正确提取出来的比例，类似于混淆矩阵中的生产者精度）以及整体精度（提取耕地与真实地面耕地面积比）3个指标[18]，结果精度见表3。

表3 耕地提取精度

注：平滑方法为HANTS滤波法。

Note: Smoothing method is HANTS filtering method.

对比可知SVM的3个指标较其他2种方法均为最低，正确率、完整率以及整体精度分别为84.82%、64.4%和75.68%；平滑后的NDVI时间序列+决策树分类+SVM的3个评价指标精度分比为94.47%、87.32%和92.24%，在3种方法中精度最高。

通过ENVI分类处理后，利用ARCGIS对分类结果进行处理，得到沈乌灌域的耕地空间分布，从空间上分析不同方法下误差产生的原因。图6中反映了研究区局部耕地空间分布的对比。

注：①～⑤分别表示不同方法分类对比；NDVI+决策树+SVM。

由图6中的空间对比结合表3中的统计结果可以看出，SVM过程中由于异物同谱和同物异谱现象比较严重，导致一部分耕地被识别为其他土地利用类型。其中最主要的原因是GF1卫星多光谱中波段较少，加之由于远离水源，无法按时按量进行灌溉，同种作物不同地区间的长势不同，导致识别产生了误差。而基于NDVI时间序列的决策树分类则可以在一定程度上减少以上不利因素的干扰，提高耕地提取精度。

5 结论

本文以河套灌区的沈乌灌域为例，通过实地调查，构建了基于GF1-WFV数据的NDVI时间序列，并利用HANTS法做了平滑重构。在SVM分类方法下，开展了单时相与多时相下的沈乌灌域耕地面积提取对比研究，最终结果表明：

河套灌区小麦生长期同其他作物明显不同，SVM中用到的单时相数据中，无法捕捉小麦已经收割的信息。导致最终SVM分类结果误差较大，获取耕地面积较实际偏小，仅为实际面积的75.68%。

NDVI时间序列提供的信息有助于减少同物异谱现象导致的误差。由解译结果的对比分析可以看出，基于NDVI时间序列的分类在空间精度上优于监督分类结果。相较于监督分类法，该方法将耕地整体提取精度由75.68%提升到89.10%，效果明显。经过HANTS滤波法平滑处理后，耕地面积提取在空间上与目视解译结果更加吻合，在3种方法中提取精度最高，将整体提取精度由平滑前的89.10%进一步提升到92.24%。

研究区地处西北干旱半干旱地区，耕地中作物种植类型较多，下垫面复杂，在运用常规方法（监督分类）进行耕地面积提取过程中，误差较大。基于NDVI时间序列的决策树分类与监督分类的结合，是单时相与多时相地物信息的共享，此举在一定程度上增强了灌区耕地信息的识别，提高了解译精度。

另外，本次研究的不足之处在于对于由于空间分辨率问题导致的混合像元没有做处理，在一定程度上影响了提取误差；芦苇的干扰只能通过目视解译解决，找到芦苇与耕地的差异，实现芦苇的自动解译需要进一步研究；通过NDVI时间序列分析可知，除去小麦之外，其他作物的生长周期和趋势基本相同，如何在中分辨率影响下实现不同作物的区分还需要进一步拓展研究。

[1] 郭广猛. 中国的耕地有多少：兼论遥感数据的准确性[J]. 内蒙古农业大学学报，2006，27(2)：56－59.

[2] 郭杨亮. 多波段遥感图像在土地利用中的应用研究[D]. 西安：西安科技大学, 2012. Guo Yangliang. Application and Research of Multi-band Remote Sensing Images in Land Use[D]. Xi’an: Xi`an University of Science and Technology, 2012. (in Chinese with English abstract)

[3] 李玉霞，李丽，郑泽忠. CBERS-02图像在土地利用/覆盖动态监测中的应用[J]. 四川师范大学学报，2006，29(5)：627－630. Li Yuxia, Li Li, Zheng Zezhong. The application of CBERS-02 remote sensing image in the land use change dynamic monitoring[J]. Joumal of Sichuan Normal University(Natural Science), 2006，29(5)：627－630. (in Chinese with English abstract)

[4] 严枫，刘登忠，汪友明. 基于QuickBird影像目视解译在土地利用类型调查中的应用：以遂宁市船山区新桥镇为例[J]. 新疆环境保护，2008，30(1)：6－10. Yan Feng, Liu Dengzhong, Wang Youming. Visual interpretation’s applying on land-ues types investigation based on QuickBird image: A case study in Xinqiao town of Chuanshan District in Suining city[J]. Environmental Protection of Xinjiang, 2008, 30(1): 6－10. (in Chinese with English abstract)

[5] 张芳，李鑫，陈佳楠. 卫星遥感影像目视解译在森林资源调査中的应用分析[J]. 内蒙古林业调查设计，2009，32(4)：72－77.

[6] 张冬梅，袁清，王加亭. 一种辅助草原遥感影像目视解译方法的探讨：影像与基础图件半透明叠加法[J]. 遥感技术与应用，2006，21(6)：560－564. Zhang Dongmei, Yuan Qing, Wang Jiating, et al. Discuss a method of assistant remotely sensed imagery visual interpretation on grassland: Remotely sensed image and thematic map semitransparent overlap[J]. Remote Sensing Technology and Application, 2006, 21(6): 560－564. (in Chinese with English abstract)

[7] 王立辉，杜军，黄进良，等. 基于GF-1号卫星WFV数据反演玉米叶面积指数[J]. 华中师范大学学报，2016，50(1)：120－127. Wang Lihui，Du Jun，Huang Jinliang，et al. Retrieving leaf area index of maize based on GF-1 multispectral remote sensing data[J]. Journal of Central China Normal University, 2016, 50(1): 120－127. (in Chinese with English abstract)

[8] Yang Y J，Huang Y，Tian Q J，et al. The extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3255－3261.

[9] 黄振国，杨君. 高分一号卫星影像监测水稻种植面积研究综述[J]. 湖南农业科学，2014(13)：76－78. Huang Zhenguo, Yang Jun. Review of High-1 Satellite image monitoring rice planting area[J]. Hunan Agricultural Sciences, 2014(13): 76—78. (in Chinese with English abstract)

[10] 武笑天. 基于高分一号和Landsat-8的昌吉市小麦面积提取研究[D].乌鲁木齐：新疆农业大学，2016. Wu Xiaotian. Extraction of Wheat area by GF-land Landsat－8 in Changji[D]. Urumqi: Xinjiang Agricultural University, 2016. (in Chinese with English abstract)

[11] 游炯，裴志远，王飞，等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J]. 农业工程学报，2016，32(13)：131－139. You Jiong, Pei Zhiyuan, Wang Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with English abstract)

[12] 许伟，奚砚涛. 基于Landsat8遥感影像的合肥市土地利用分类[J]. 湖北农业科学，2015，54(15)：3625－3629. Xu Wei, Xi Yantao. Research on landues classification in Hefei based on Landsat8 images[J]. Hubei Agricultural Sciences, 2015, 54(15): 3625－3629. (in Chinese with English abstract)

[13] 牛鲁燕，张晓艳，郑继业，等. 基于Landsat8OLI数据的山东省耕地信息提取研究[J]. 中国农学通报，2014，30(34)：264－269. Niu Luyan, Zhang Xiaoyan, Zheng Jiye, et al. Extraction of cultivated land information in shandong province based on Landsat8 OLI data[J]. Chinese Agricultural Science Bulletin, 2014, 30(34): 264—269. (in Chinese with English abstract)

[14] 陈刘凤，林开平，胡宝清，等. 基于Landsat8_OLI数据的甘蔗种植面积监测[J]. 南方农业学报，2015，46(11)：2068－2072. Chen Liufeng, Lin Kaiping, Hu Baoqing, et al. Monitoring if sugarcane planting area based on Landsat8_OLI datap[J]. Journal of Southern Agriculture, 2015, 46(11): 2068－2072. (in Chinese with English abstract)

[15] 王红说，黄敬峰，徐俊锋，等. 基于MODIS NDVI时间序列谱匹配的耕地信息提取研究：以浙中地区为例[J]. 浙江大学学报(农业与生命科学版)，2008，34(3)：334－340. Wang Hongshuo, Huang Jingfeng, Xu Junfeng, et al. Research on cultivated land extraction based on MODIS NDVI time series matching analysis: A case in middle part of Zhejiang[J]. Journal of Zhejiang University(Agric. & Life Sci.), 2008, 34(3): 334－340. (in Chinese with English abstract)

[16] 吕婷婷，刘闯. 基于MODIS数据的泰国耕地信息提取[J]. 农业工程学报，2010，26(2)：244－250. Lü Tingting, Liu Chuang. Extraction of information of cultivated land using time-series MODIS data in Thailand[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 244—250. (in Chinese with English abstract)

[17] 李宗梅，满旺，聂芹，等. 基于遥感的耕地信息提取研究进展[J]. 安徽农业科学，2016，44(31)：242－244. Li Zongmei，Man Wang，Nie Qin，et al. Research advances of cultivated land information extraction based on remote sensing[J]. Journal of Anhui Agricultural Sciences, 2016, 44(31): 242－244. (in Chinese with English abstract)

[18] 钟礼山，李满春，伍阳，等. 利用SAR影像时间序列的耕地提取研究[J]. 地理科学进展，2015，34(7)：830－839. Zhong Lishan, Li Manchun, Wu Yang, et al. Cropland extraction using SAR time series image[J]. Progress in Geography, 2015, 34(7): 830－839. (in Chinese with English abstract)

[19] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFV NDVI时间序列数据的作物分类[J]. 农业工程学报，2015(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015(24): 155－161. (in Chinese with English abstract)

[20] 周玉洁，王卷乐，郭海会. 基于谐波分析和线性光谱模型的耕地信息提取[J]. 遥感技术与应用，2015，30(4)：706－713. Zhou Yujie, Wang Juanle, Guo Haihui. Application of harmonic analysis and linear spectral mixture model to extract the cultivated resource[J]. Remote Sensing Technology and Application, 2015, 30(4): 706－713. (in Chinese with English abstract)

[21] 侯光雷，张洪岩，王野乔，等. 基于时间序列谐波分析的东北地区耕地资源提取[J]. 自然资源学报，2010，25(9)：1607－1617. Hou Guanglei, Zhang Hongyan, Wang Yeqiao, et al. Application of harmonic analysis of time Series to extracting the cropland resource in northeast China[J]. Journal of Natural Resources, 2010, 25(9): 1607－1617. (in Chinese with English abstract)

[22] Knight J F, Lunetta R S, Ediriwickrema J, et al. Regional scale land cover characterization using MODIS-NDVI 250 m multi-temporal imagery: A Phenology-Based Approach[J]. Giscience & Remote Sensing, 2006, 43(1): 1－23.

[23] Jakubauskas M E, Legates D R, Kastens J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers & Electronics in Agriculture, 2002, 37(1): 127－139.

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

[25] 贾勤学，张玮，李建林，等. 基于遥感技术的耕地面积动态监测研究[J]. 农业信息科学，2006，22(7)：530－534. Jia Qinxue, Zhang Wei, Li Jianlin, et al. Study on dynamic inspecting of cultivated land area by using remote sensing[J]. Chinese Agricultural Science Bulletin, 2006, 22(7): 530－534. (in Chinese with English abstract)

[26] Rouse J W J, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with erts[J]. Nasa Special Publication, 1973, 351: 309.

[27] 赵英时. 遥感应用分析原理与方法[M]. 北京：科学出版社，2003.

[28] Lovell J L, Graetz R D. Filtering pathfinder AVHRR land NDVI data for Australia[J]. International Journal of Remote Sensing, 2001, 22(13): 2649－2654. (in Chinese with English abstract)

[29] Viovy N, Arino O, Belward A S. The best index slope extraction (BISE): A method for reducing noise in NDVI time-series[J]. International Journal of Remote Sensing, 1992, 13(8): 1585－1590.

[30] Holben B N. Characteristic of maximum value composite images for temporal AVHRR data[J]. International Journal of Remote Sensing, 1986, 7(11): 1417－1434.

[31] Sellers P J. A revised land surface parameterization (SiB2) for atmospheric GCMs, Part II: the generation of global fields of terrestrial biophysical parameters from satellite data[J]. Journal of Climate, 1996, 9(4): 706－737.

[32] Roerink G J, Menenti M, Verhoef W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9): 1911－1917.

[33] Lu X, Liu R, Liu J, et al. Removal of noise by wavelet method to generate high quality temporal data of terrestrial MODIS products[J]. Photogrammetric Engineering & Remote Sensing, 2007, 73(10): 1129－1139.

[34] 王丹，姜小光，唐伶俐，等. 利用时间序列傅立叶分析重构无云NDVI图像[J]. 国土资源遥感，2005(2)：29－32. Wang Dan, Jiang Xiaoguang, Tang Lingli, et al. The application of time-series fourier analysis to reconstructing cloud- free NDVI images[J]. Remote Sensing for Land & Resources, 2005(2): 29－32. (in Chinese with English abstract)

[35] Na Xiaodong, Zhang Shuqing, Li Xiaofeng. Application of MODIS NDVI time series to extracting wetland vegetation information in the Sanjiang Plain[J]. Wetland Science, 2007, 5(3): 227－236.

[36] 周惠慧，王楠，黄瑶，等. 不同时间间隔下的遥感时间序列重构模型比较分析[J]. 地球信息科学学报，2016，18(10)：1410－1417. Zhou Huihui，Wang Nan，Huang Yao，et al. Comparison and analysis of remotely sensed time series of reconstruction models at various intervals[J]. Journal of Geo-information Sciense, 2016, 18(10): 1410－1417. (in Chinese with English abstract)

[37] 荆耀栋，周淑琴，吴发启，等. LANDSAT数据在沙地动态监测中提取沙地信息的最佳波段组合研究[J]. 中国农学通报，2011，27(17)：147－150. Jing Yaodong, Zhou Shuqin, Wu Faqi, et al. Study on optimal bands selection of sandy land information extraction in sandy land monitoring based on land sat remote sensing data[J]. Chinese Agricultural Science Bulletin, 2011, 27(17): 147－150. (in Chinese with English abstract)

[38] 贾坤，李强子，田亦陈，等. 微波后向散射数据改进农作物光谱分类精度研究[J]. 光谱学与光谱分析，2011，31(2)：483—487.

Jia Kun, Li Qiangzi, Tian Yichen, et al. Accuracy improvement of spectral classification of crop using microwave backscatter data[J]. Spectroscopy & Spectral Analysis,

2011, 31(2): 483－487. (in Chinese with English abstract)

[39] 张睿，马建文. 支持向量机在遥感数据分类中的应用新进展[J]. 地球科学进展，2009，24(5)：555－562. Zhang Rui, Ma Jianwen. State of the art on remotely sensed data classification based on support vector machines[J]. Advances in Earth Science, 2009, 24(5): 555—562. (in Chinese with English abstract)

[40] 李晓东，姜琦刚. 基于多时相遥感数据的农田分类提取[J]. 农业工程学报，2015，31(7)：145—150. Li Xiaodong, Jiang Qigang. Extraction of farmland classification based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 145－150. (in Chinese with English abstract)

常布辉，王军涛，罗玉丽，王艳华，王艳明.河套灌区沈乌灌域GF-1/WFV遥感耕地提取[J]. 农业工程学报，2017，33(23)：188－195. doi：10.11975/j.issn.1002-6819.2017.23.024 http://www.tcsae.org

Chang Buhui, Wang Juntao, Luo Yuli, Wang Yanhua, Wang Yanming. Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 188－195. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.024 http://www.tcsae.org

Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District

Chang Buhui1, Wang Juntao1, Luo Yuli1, Wang Yanhua1, Wang Yanming2

(1.453003,; 2.015200,)

In order to improve the automatic extraction of cultivated land in irrigation area in remote sensing images, according to the planting structure characteristics in Shenwu irrigation area, Hetao Irrigation District, the NDVI (normalized difference vegetation index) time series of main crops in the study area were constructed based on field survey results, Google earth and GF1-WFV remote sensing images. OIF index was used to select the best band combination. Furthermore, the harmonic analysis of time series (HANTS: An improved algorithm based on Fourier transform, which can flexibly deal with the problem of unequal intervals of data that constitute the time series) method was employed to smooth the NDVI time series. Visual interpretation based on remote sensing and Google earth, supervised classification (support vector machine), and the combination method of supervised classification and decision tree classification based on NDVI time series (before and after smoothed by HANTS filtering method) were used to extract the cultivated land area of the irrigation area. The extraction errors of different methods were verified by visual interpretation and 100 000 000 random verification points whose attributes were given by the means of Google earth and visual interpretation. Moreover, 3 indices, i.e. accuracy (equivalent to the user precision in the confusion matrix), integrity rate (equivalent to the producer accuracy in the confusion matrix) and overall accuracy (ratio of extracted land area to actual area) were used to evaluate the results. The results demonstrated that the accuracy, integrity rate and overall accuracy of supervised classification (support vector machine) were only 84.82%, 64.4% and 75.68%, respectively; for the combination method of supervised classification with decision tree classification based on NDVI time series (unsmoothed), the 3 indices were 94.28%, 84.21% and 89.1%, respectively; the combination method of supervised classification with decision tree classification based on NDVI time series (smoothed) was further improved, and the 3 indices reached 94.47%, 87.32% and 92.24%, respectively. The GF1-WFV data can be used for extraction of cultivated land area, which has better spatial and temporal resolution, and has stronger ground identification ability in the irrigation area with more complex underlying surface. The NDVI time series based on the GF1-WFV data can describe the crop growth law in the study area completely, and can be used to extract the crop spatial information accurately and efficiently through the difference in the amplitude and the phase of the NDVI curve between different crops. It avoids the phenomenon of pixel-based traditional classification, for example, different objects have the same spectrum and the same objects have different spectrum, and overcomes the limitations of single image data. Compared to the results of supervised classification, the accuracy is greatly improved. After smoothing by HANTS method, the NDVI time series keep the basic shape of the original curve, and effectively eliminate the influence of outliers and noise, which more tally with the actual growth law of crops. Through the combination of supervised classification with decision tree classification based on NDVI time series (smoothed), the extraction precision of cultivated land is improved effectively. The method combining crop growth law and remote sensing information can improve the extraction accuracy of cultivated land area effectively.

cultivation; extraction; remote sensing; GF1-WFV, NDVI time series; supervised classification; Hetao Irrigation District

10.11975/j.issn.1002-6819.2017.23.024

S127

1002-6819(2017)-23-0188-08

2017-06-27

2017-11-21

国家重点研发计划资助（2017YFC0504503）；黄河水利科学研究院基本科研业务费专项（HKY-JBYW-2016-44）

常布辉，男，河南新乡人，工程师，主要从事水文水资源方面的工作。 Email：changbuhui@163.com