于利峰，烏蘭吐雅※，烏云德吉，許洪滔，包珺瑋，任婷婷

(1.內(nèi)蒙古自治區(qū)農(nóng)牧業(yè)科學(xué)院農(nóng)牧業(yè)經(jīng)濟(jì)與信息研究所，呼和浩特 010031； 2.內(nèi)蒙古自治區(qū)農(nóng)業(yè)遙感工程技術(shù)研究中心，呼和浩特 010031)

0 引言

隨著國(guó)家快速發(fā)展，耕地保護(hù)的狀態(tài)和形勢(shì)不容樂(lè)觀，耕地面臨大量被占用的壓力。中國(guó)是一個(gè)擁有十幾億人口的農(nóng)業(yè)大國(guó)，耕地是糧食安全的重要前提與保障，也是實(shí)施國(guó)家“藏糧于地”重要科技戰(zhàn)略的基礎(chǔ)注http：//www.gov.cn/zhengce/content/2017-04/10/content_5184613.htm。因此，及時(shí)了解耕地變化情況，掌握耕地利用信息，對(duì)于制定相關(guān)土地政策有重要意義。

歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)是國(guó)際上主要用于識(shí)別植被的重要參數(shù)[1]，它與植被蓋度有明顯的相關(guān)性[2]，在研究區(qū)域和全球的土地覆蓋變化、植被生長(zhǎng)過(guò)程等方面有廣泛應(yīng)用。同一區(qū)域、時(shí)間序列相同的植被，其N(xiāo)DVI具有相似的變化曲線。利用這一特點(diǎn)可以通過(guò)時(shí)間序列方式來(lái)研究耕地和其他土地利用類(lèi)型的NDVI變化方式，并以此提取耕地面積。

1999年，美國(guó)航空航天局的中分辨率成像光譜儀(EOS-MODIS)成功發(fā)射，該數(shù)據(jù)的光譜、時(shí)間分辨率高，其N(xiāo)DVI值對(duì)植被的變化更敏感[3]，是目前研究中最常用的數(shù)據(jù)。在利用MODIS-NDVI時(shí)序數(shù)列的分類(lèi)研究中，邊金虎[4]等采用若爾蓋高原濕地MODIS-NDVI時(shí)間序列產(chǎn)品，分析了濕地分布情況； 司亞輝[5]等，采用最大值合成法，得到MODIS-NDVI的每旬合成數(shù)據(jù)，并結(jié)合地面數(shù)據(jù)推斷錫林郭勒盟的草地類(lèi)型在空間布局情況； 宮攀[6]利用MODIS旬最大值合成數(shù)據(jù)，結(jié)合物候參數(shù)，提高了土地利用分類(lèi)精度。但是，地物類(lèi)型的物候參數(shù)有時(shí)候很類(lèi)似，MODIS-NDVI時(shí)序數(shù)列有可能表現(xiàn)出誤導(dǎo)性的地物變化特征。基于此文章將紋理特征加入到MODIS-NDVI時(shí)間序列數(shù)據(jù)集中參與分類(lèi)，并對(duì)其在耕地面積提取中表現(xiàn)進(jìn)行比較、分析。該文將對(duì)進(jìn)一步使用MODIS-NDVI數(shù)據(jù)開(kāi)展土地利用分類(lèi)提供了理論依據(jù)。

圖1 研究區(qū)地理位置

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)地處內(nèi)蒙古呼倫貝爾市，位于119°28′E～120°34′E、49°06′N(xiāo)～49°28′N(xiāo)，該區(qū)域雨熱同期，蒸發(fā)量大，夏季多云(圖1)。研究區(qū)深受海洋季風(fēng)和潮濕氣流的影響，由東向西逐漸減弱，依次形成濕潤(rùn)區(qū)、半濕潤(rùn)區(qū)和半干旱區(qū)[7]，相應(yīng)的地帶性植被從東向西為森林、草甸草原和草原。該區(qū)域地塊面積大，分布著機(jī)械化程度高、勞動(dòng)生產(chǎn)率高以及商品率高的國(guó)有農(nóng)場(chǎng)及私人農(nóng)場(chǎng)，耕地連片集中，適合使用遙感監(jiān)測(cè)[8]。

1.2 MODIS-NDVI數(shù)據(jù)處理

該文使用的數(shù)據(jù)為2016年MODIS13Q1，空間分辨率為250m，時(shí)間分辨率為16d，選擇h25v3、h25v4、h26v3、h26v4的共92景影像，在NASA網(wǎng)站獲取。利用MRT(MODIS Reproject Tools)軟件對(duì)數(shù)據(jù)進(jìn)行鑲嵌和格式轉(zhuǎn)換，并將投影由原來(lái)的正弦投影轉(zhuǎn)換為Albers_WGS_1984。最后在ENVI中對(duì)像元異常值進(jìn)行剔除，對(duì)于小于-1的像元值賦值為-1，大于1的像元值賦值為1，并對(duì)去除異常值的數(shù)據(jù)波段合成，形成一組具有23個(gè)波段多波段時(shí)序數(shù)據(jù)。

1.3 MODIS-NDVI數(shù)據(jù)時(shí)間序列重構(gòu)

研究區(qū)多云氣候使得16d合成的MODIS-NDVI數(shù)據(jù)仍然存在云影噪聲，需要對(duì)其濾波降噪。Savitzky-Golay平滑濾波器(以下簡(jiǎn)稱(chēng)S-G濾波)通常用于平滑頻率跨度較大的噪聲數(shù)據(jù)[9]。最初由Savitzky和Golay于1964年提出，發(fā)表于Analytical Chemistry 雜志[10]。在數(shù)據(jù)流的光滑降噪等方面被廣泛使用，是一種在固定時(shí)間范圍內(nèi)根據(jù)多項(xiàng)式擬合的濾波手段。該濾波方法最大的特征是可以在降低噪聲的同時(shí)可以保證信號(hào)的形狀、寬度不變[11]。當(dāng)信號(hào)的典型峰值窄時(shí)，該濾波器工作特別好，通常會(huì)保留曲線的高度和寬度，算法如式(1)：

(1)

式中xk.smooth、xk+i分別是濾波擬合結(jié)果與原始數(shù)組，k是原數(shù)組的角標(biāo)。m是某點(diǎn)所在右側(cè)或左側(cè)包含的數(shù)據(jù)點(diǎn)個(gè)數(shù)即濾波的窗口大小，m的值越大，會(huì)產(chǎn)生了更平滑的結(jié)果，代價(jià)是平坦化尖峰，值通常取3～7。ci是濾波器的系數(shù)，該系數(shù)由m的高階多項(xiàng)式的階數(shù)決定，這里可以將階數(shù)看作為D，它的典型值為2～4，階數(shù)較低會(huì)產(chǎn)生更平滑的結(jié)果，但可能引入偏差； 階數(shù)較高將降低濾波器偏差，但可能會(huì)過(guò)度擬合數(shù)據(jù)并產(chǎn)生較嘈雜的結(jié)果，并且階數(shù)要小于2m+1[12]。該文選擇的數(shù)據(jù)是16d合成數(shù)據(jù)，S-G濾波能有效去除云對(duì)NDVI數(shù)據(jù)的影響，使結(jié)果更傾向于真實(shí)數(shù)值(圖2)。

鑒于不同的濾波參數(shù)所獲得的濾波效果不同，該文將參數(shù)分別設(shè)置為m=3，D=2、m=5，D=3進(jìn)行結(jié)果比較。(圖3)

圖2 S-G濾波去除云效果

圖3 研究區(qū)各地表類(lèi)型S-G平滑前后NDVI時(shí)間序列對(duì)比

圖3中耕地、林地、草地、居民地、未利用土地和水域之間NDVI時(shí)間變化曲線區(qū)別比較明顯，林地的NDVI相對(duì)于其他地物一直處于較高水平，在它的變化曲線中161～225d之間時(shí)間序列曲線趨之平緩，NDVI值在0.8～0.9之間，符合北方5月下旬到8月下旬林木生長(zhǎng)的旺盛情況； 草地的NDVI時(shí)間變化曲線比較平緩，最大值在0.5左右，在97～161d、225～289d草地的NDVI值均大于耕地，這段區(qū)間分別是耕地的作物出苗期和成熟期，草地的長(zhǎng)勢(shì)略好于耕地。

耕地在129d開(kāi)始呈幾何式增長(zhǎng)，到177d達(dá)到峰值，此時(shí)正值作物出苗到長(zhǎng)成時(shí)期，植被指數(shù)不斷增高； 從209～273d是作物植被指數(shù)第一個(gè)下降時(shí)期，此時(shí)研究區(qū)作物陸續(xù)進(jìn)入成熟期，作物生長(zhǎng)情況步入衰退期； 273d后是作物植被指數(shù)第二個(gè)下降時(shí)期，這個(gè)階段研究區(qū)作物基本收割完畢，研究區(qū)天氣在開(kāi)始變得寒冷，作物收割后的裸地或者干枯的秸稈是耕地的主要背景。

在非植被地物類(lèi)型中，3種地物類(lèi)型NDVI值均處于較低水平，水體的主要特征是NDVI一直為0以下； 居民地與未利用地時(shí)間序列曲線變化趨勢(shì)類(lèi)似，但未利用地的在65～305d區(qū)間要略高與居民地，可以用作分類(lèi)的特征比較。

由對(duì)比圖3可以看出，隨著擬合窗口大小(m)與多項(xiàng)式擬合階數(shù)(D)的增大，時(shí)間序列曲線更平滑，擬合窗口大小等于5，擬合階數(shù)等于3時(shí)，出現(xiàn)了明顯的數(shù)據(jù)失真與過(guò)度擬合情況。因此該文在測(cè)試對(duì)比后，選擇m=3，D=2作為Savitzky-Golay的濾波參數(shù)，借助于IDL編程，對(duì)MODIS-NDVI數(shù)據(jù)時(shí)間序列進(jìn)行重構(gòu)。

1.4 紋理特征提取

紋理由灰度像素在空間位置上反復(fù)顯現(xiàn)而形成的[13]，因此圖像空間中相隔一段位置的兩個(gè)像素之間存在相對(duì)的灰度聯(lián)系，即圖像中灰度的空間相關(guān)特性[14]。灰度共生矩陣則是用來(lái)描述紋理的常用手段，該矩陣是20世紀(jì)70年代初由R.Haralick等人總結(jié)的，是目前認(rèn)為的在提取紋理特征時(shí)一種有效的統(tǒng)計(jì)方法[15]。研究區(qū)位于內(nèi)蒙古呼倫貝爾市，該地區(qū)耕地集中連片，大面積的耕地表面存在紋理，且特征明顯。通過(guò)反復(fù)測(cè)試，選擇3×3窗口，對(duì)其中的6個(gè)統(tǒng)計(jì)量進(jìn)行提取，式(2)～(7)：

(2)

Variance=∑i∑j(i-u)2p(i，j)

(3)

(4)

Entropy=-∑i∑jp(i，j)log(p(i，j))

(5)

SecondMoment=∑i∑j{p(i，j)}2

(6)

(7)

式中，n為灰度值的階數(shù)，p(i，j)是n×n的歸一化共生矩陣，u為p(i，j)的均值，σxσy為p(i，j)的相關(guān)系數(shù)。如圖4是以第161d的NDVI數(shù)據(jù)為例，計(jì)算6個(gè)統(tǒng)計(jì)量的結(jié)果，可以看到耕地所在區(qū)域灰度特征明顯，紋理特征集中。

圖4 第161d的NDVI數(shù)據(jù)灰度共生矩陣統(tǒng)計(jì)量計(jì)算結(jié)果

圖5 主成分分析獲得紋理特征參數(shù)的主成分分布

圖6 實(shí)測(cè)驗(yàn)證數(shù)據(jù)分布

數(shù)據(jù)冗余往往會(huì)導(dǎo)致處理效率變低，在對(duì)NDVI時(shí)間序列的23個(gè)波段計(jì)算灰度共生矩陣時(shí)會(huì)產(chǎn)生大量數(shù)據(jù)，因此采用PCA對(duì)時(shí)間序列23個(gè)波段紋理特征共138統(tǒng)計(jì)量進(jìn)行分析，提取主要成分。通過(guò)主成分分析，發(fā)現(xiàn)前7個(gè)主要成分對(duì)影像的紋理解釋的累積貢獻(xiàn)率為95.97%，因此取前7個(gè)主成分參與之后的分類(lèi)。

2 研究方法

2.1 分類(lèi)體系的選擇

該文主要研究?jī)?nèi)容是耕地信息的提取，在分類(lèi)體系選擇時(shí)，主要依據(jù)中科院中國(guó)1： 10萬(wàn)比例尺土地利用現(xiàn)狀遙感監(jiān)測(cè)數(shù)據(jù)庫(kù)的一級(jí)分類(lèi)標(biāo)準(zhǔn)，包括耕地、林地、草地、水域、居民地和未利用土地6個(gè)類(lèi)型[16]。對(duì)于大面積宏觀監(jiān)測(cè)來(lái)說(shuō)，若要通過(guò)普查地物來(lái)選擇訓(xùn)練樣本十分困難，因此在建立感興趣區(qū)時(shí)，參照部分2016年呼倫貝爾市部分無(wú)云Landsat8數(shù)據(jù)、谷歌地球數(shù)據(jù)和實(shí)測(cè)點(diǎn)選取分類(lèi)樣本。(圖6)

通過(guò)上述方法，共選取訓(xùn)練樣本3 506個(gè)像元(表1)，選擇其中的60%參與分類(lèi)，剩余40%進(jìn)行結(jié)果驗(yàn)證。

表1 樣點(diǎn)地物類(lèi)型及數(shù)量統(tǒng)計(jì)

樣點(diǎn)地物類(lèi)型像元個(gè)數(shù)占比(%)耕地53315.202林地81723.303草地82223.445水域62417.798居民地3349.526未利用地37610.724

2.2 分類(lèi)器的選擇

決策樹(shù)分類(lèi)是利用遙感數(shù)據(jù)及其他輔助數(shù)據(jù)，利用知識(shí)經(jīng)驗(yàn)總結(jié)、統(tǒng)計(jì)和數(shù)學(xué)歸納方法等，獲得提取規(guī)則建立決策樹(shù)并進(jìn)行數(shù)據(jù)分類(lèi)[17]。Breiman等于1984年提出的分類(lèi)與回歸樹(shù)(Classification and Regression Tree，CART)是一種通過(guò)對(duì)測(cè)試數(shù)據(jù)和目標(biāo)數(shù)據(jù)構(gòu)成的決策數(shù)據(jù)集構(gòu)建的決策樹(shù)結(jié)構(gòu)[18]。該算法在研究區(qū)有足夠的樣本數(shù)量的情況下，采用GiNi系數(shù)作為最佳測(cè)試變量和分割閾值的準(zhǔn)則[19]?；嵯禂?shù)定義如式(8)(9)：

(8)

(9)

式(9)中，P(j/h)是從訓(xùn)練數(shù)據(jù)集里隨機(jī)選取的一個(gè)樣本；nj(h)是訓(xùn)練數(shù)據(jù)里測(cè)試變量值為h時(shí)屬于第j類(lèi)的樣本數(shù)；n(h)是訓(xùn)練數(shù)據(jù)里該檢測(cè)變量值為h的個(gè)數(shù)；j為類(lèi)別數(shù)。

圖7 技術(shù)流程

2.3 研究路線

在構(gòu)建MODIS-NDVI時(shí)間序列數(shù)據(jù)后，使用Savitzky-Golay濾波器對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行平滑降噪處理，并計(jì)算紋理特征，通過(guò)CART決策樹(shù)算法對(duì)不同數(shù)據(jù)提取耕地、林地、草地、水域、居民地和未利用土地6個(gè)類(lèi)型地物面積，具體流程如圖7。

3 結(jié)果與分析

3.1 可分離性評(píng)價(jià)

Jeffries-Matusita參數(shù)常用于表示2個(gè)類(lèi)別間的差異程度[20]，這兩個(gè)參數(shù)在提取時(shí)應(yīng)大于1.85； 如果小于1.8，需要重新選擇樣本； 如果參數(shù)值比1小，則應(yīng)該將兩類(lèi)合并為一類(lèi)。通過(guò)地面實(shí)測(cè)點(diǎn)數(shù)據(jù)，選擇一定數(shù)量的訓(xùn)練樣本，對(duì)原始的MODIS-NDVI時(shí)間序列、重構(gòu)的MODIS-NDVI時(shí)間序列以及添加紋理信息濾波后的MODIS-NDVI時(shí)間序列3種數(shù)據(jù)計(jì)算各種土地類(lèi)型之間的可分離度，均達(dá)到了1.95以上屬于合格樣本，可以用于分類(lèi)。

3.2 分類(lèi)結(jié)果及對(duì)比分析

利用S-G濾波方法對(duì)MODIS-NDVI時(shí)間序列數(shù)據(jù)進(jìn)行重構(gòu)，地物類(lèi)型之間通過(guò)時(shí)間序列曲線的差異用于分類(lèi)提?。毫值厥歉黝?lèi)地物中生長(zhǎng)季比較長(zhǎng)的類(lèi)型，研究區(qū)的林地NDVI在129～161d之間增長(zhǎng)變化較快，且能夠在161～225d內(nèi)保持較高的NDVI 值，這與其他類(lèi)別差別較大； 草地的NDVI時(shí)間序列比耕地的NDVI時(shí)間序列寬，二者的NDVI最大值也都在0.5左右，草地低于耕地的NDVI最大值?；诖颂卣?，利用CART方法進(jìn)行土地利用分類(lèi)提取耕地信息。如圖8，依次為原始MODIS-NDVI時(shí)間序列、重構(gòu)MODIS-NDVI時(shí)間序列以及紋理+重構(gòu)MODIS-NDVI時(shí)間序列的分類(lèi)結(jié)果。

從分類(lèi)結(jié)果的簡(jiǎn)單分析可以發(fā)現(xiàn)，分類(lèi)結(jié)果總體符合預(yù)期要求，由于MODIS-NDVI數(shù)據(jù)的空間分辨率為250m，很多細(xì)節(jié)沒(méi)有被體現(xiàn)，比如河流、村級(jí)居民點(diǎn)沒(méi)有被識(shí)別出來(lái)。從宏觀結(jié)果來(lái)看，3種分類(lèi)結(jié)果所體現(xiàn)出的土地利用相似，耕地基本分布在大興安嶺沿麓地區(qū)，包括莫力達(dá)瓦自治旗、阿榮旗、扎蘭屯市、鄂溫克自治旗及額爾古納市，與真實(shí)情況相同。從細(xì)節(jié)上看，3種分類(lèi)結(jié)果仍有不同之處，如圖8。

通過(guò)與高分辨率影像對(duì)照發(fā)現(xiàn)，MODIS數(shù)據(jù)由于分辨率較低，分類(lèi)結(jié)果會(huì)產(chǎn)生許多破碎像元，可以通過(guò)聚類(lèi)濾波將小圖斑剔除。S-G濾波后MODIS-NDVI時(shí)間序列更加精確地區(qū)分地物，能夠?qū)⒏靥卣鳒?zhǔn)確識(shí)別出來(lái)，在圖中使用原始MODIS-NDVI時(shí)間序列分類(lèi)結(jié)果中許多耕地信息沒(méi)有被表現(xiàn)出來(lái)(圖9a、圖9b)。而加入紋理信息后，使得地物的表面結(jié)構(gòu)組織排列屬性展現(xiàn)得更加豐富，圖9呼倫湖在添加紋理特征后湖岸界限分明，表明紋理特征對(duì)于大面積連篇地物的區(qū)分作用更為明顯(圖9c、圖9d)。上述結(jié)果雖然仍存在錯(cuò)分小圖斑，但已基本滿足宏觀監(jiān)測(cè)需求。

3.3 分類(lèi)結(jié)果的精度驗(yàn)證

選擇之前未參與分類(lèi)的實(shí)測(cè)點(diǎn)與高分辨率數(shù)據(jù)訓(xùn)練的感興趣區(qū)合計(jì)1 564個(gè)像元，對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)，具體Kappa系數(shù)和分類(lèi)的精度見(jiàn)表2～4。

表2 原始數(shù)據(jù)的分類(lèi)精度與Kappa系數(shù)

地物類(lèi)型林地耕地草地未利用地水體居民地制圖精度用戶(hù)精度林地17613500099.4490.72耕地01941301877.689.81草地1434559273678.0471.77未利用地00107137274157.8143.91水域0002142079.7898.61居民地003615438.8584.38Kappa系數(shù)=0.662 總體精度=74.04%

表3 S-G濾波的分類(lèi)精度與Kappa系數(shù)

地物類(lèi)型林地耕地草地未利用地水體居民地制圖精度用戶(hù)精度林地17762001010086.76耕地0204006181.696.68草地04054711452793.8374.62未利用地0016116315748.9552.73水域0003135075.8497.83居民地000405438.8593.1Kappa系數(shù)=0.719 總體精度=78.84%

圖8 數(shù)據(jù)分類(lèi)

圖9 分類(lèi)結(jié)果細(xì)節(jié)對(duì)比

表4 S-G濾波結(jié)合紋理特征的分類(lèi)精度與Kappa系數(shù)

地物類(lèi)型林地耕地草地未利用地水體居民地制圖精度用戶(hù)精度林地17762001010086.76耕地0206107182.495.81草地0385446542693.3180.35未利用地0018167156370.4663.5水域0001151084.8399.34居民地000404935.2592.45Kappa系數(shù)=0.789 總體精度=83.72%

表5 耕地面積提取準(zhǔn)確度對(duì)比

數(shù)據(jù)提取出耕地面積(萬(wàn)hm2)準(zhǔn)確率(%)原始NDVI時(shí)間序列249.98245.61重構(gòu)NDVI時(shí)間序列194.54779.85紋理+重構(gòu)NDVI時(shí)間序列184.05586.33

從表2～4顯示結(jié)果可以看到，分類(lèi)精度在通過(guò)對(duì)NDVI時(shí)間序列數(shù)據(jù)濾波平滑和添加紋理特征后總體分類(lèi)精度提高了約10%。其中林地的分類(lèi)精度最高，主要原因是其地物特征明顯，而且遙感數(shù)據(jù)上的NDVI時(shí)間變化特征最為典型。此外未利用地分類(lèi)精度最差，其與草地、城鎮(zhèn)地物類(lèi)型的混淆錯(cuò)誤是導(dǎo)致總體分類(lèi)精度下降的原因，從時(shí)間序列曲線中不難發(fā)現(xiàn)草地與未利用地在春、秋、冬3個(gè)時(shí)間段趨勢(shì)與值幾乎相同； 未利用地與居民地的NDVI變化趨勢(shì)近似。未利用地與居民地、草地之間區(qū)分度不夠明顯是導(dǎo)致錯(cuò)分、誤分的主要原因。

3種分類(lèi)結(jié)果的分類(lèi)精度從高到低依次為S-G濾波結(jié)合紋理信息的分類(lèi)結(jié)果、單獨(dú)S-G濾波的分類(lèi)結(jié)果、原始NDVI時(shí)間序列結(jié)果。其中，S-G濾波結(jié)合紋理信息的分類(lèi)結(jié)果總體精度達(dá)到了83.72%，Kappa系數(shù)為0.789，滿足了大尺度土地利用制圖要求。

該文主要目的是提取耕地信息。為此，在查閱2016年內(nèi)蒙古自治區(qū)統(tǒng)計(jì)年鑒可知，研究區(qū)耕地面積為161.925萬(wàn)hm2，通過(guò)比較耕地面積的準(zhǔn)確度，來(lái)評(píng)價(jià)耕地信息提取的優(yōu)劣。具體的提取出的耕地面積與準(zhǔn)確度見(jiàn)表5。

通過(guò)以上分析得出：NDVI作為一種特征參數(shù)，其所構(gòu)成的時(shí)間序列可以滿足大尺度的耕地信息提取研究，而重構(gòu)后的NDVI時(shí)間序列能更加準(zhǔn)確描述地表的各類(lèi)地物變化情況，利于特征提取，特別是與紋理信息結(jié)合之后分類(lèi)精度有明顯提高，說(shuō)明紋理特征有效增強(qiáng)像素之間相對(duì)的灰度聯(lián)系，描述了圖像中灰度的空間相關(guān)特性，是遙感分類(lèi)中的關(guān)鍵信息，該文還為今后對(duì)此類(lèi)信息的進(jìn)一步探索提供了參考。

4 結(jié)論

該文以MODIS-NDVI時(shí)間序列為數(shù)據(jù)源，采用Savitzky-Golay濾波器對(duì)NDVI時(shí)間序列進(jìn)行重構(gòu)，并在此基礎(chǔ)上結(jié)合主成分分析后的紋理特征信息用于土地利用分類(lèi)和耕地信息提取。通過(guò)結(jié)果對(duì)比，得到以下結(jié)論：

(1)紋理特征作為該文的主要輔助信息，彌補(bǔ)了單一NDVI時(shí)間序列上存在的不足，擴(kuò)大了NDVI數(shù)據(jù)像元間的像元差異性，添加紋理特征后的分類(lèi)結(jié)果精度顯著提升，總體分類(lèi)精度為83.72%，其中耕地面積提取的準(zhǔn)確度達(dá)到了86.33%，對(duì)于耕地資源大面積調(diào)查具有積極意義。

(2)MODIS-NDVI時(shí)間序列各地物的曲線表現(xiàn)出的變化特征是分類(lèi)的重要指標(biāo)，其中林地、水域特征較為明顯，居民地與未利用地間差異較小，因而林地與水域類(lèi)型在MODIS-NDVI時(shí)間序列地表分類(lèi)中有明顯的優(yōu)勢(shì)。

(3)該文通過(guò)對(duì)MODIS-NDVI時(shí)間序列濾波處理提高了分類(lèi)精度，經(jīng)過(guò)Savitzky-Golay濾波后能更真實(shí)反映地物的NDVI時(shí)間變化特征，而紋理信息在一定程度上提高了分類(lèi)的精度和準(zhǔn)確度，添加紋理信息的數(shù)據(jù)能夠綜合提升約10%的土地利用分類(lèi)精度，增加40.72%的耕地提取準(zhǔn)確度。

(4)在文中的精度驗(yàn)證時(shí)使用了真實(shí)地表感興趣區(qū)對(duì)分類(lèi)結(jié)果進(jìn)行了評(píng)價(jià)，雖然感興趣不能完全反映整體分類(lèi)精度結(jié)果，還有可能導(dǎo)致結(jié)果虛高，但筆者認(rèn)為均勻分布的真實(shí)地表感興趣區(qū)仍可以代表一定程度的評(píng)價(jià)結(jié)果。

下一步該文將在數(shù)據(jù)選取、處理與研究方法上加以補(bǔ)充，進(jìn)一步提高M(jìn)ODIS數(shù)據(jù)在大尺度農(nóng)業(yè)資源監(jiān)測(cè)中的優(yōu)勢(shì)。