李 艷，張成才，羅蔚然，郜文江

基于改進(jìn)最大值法合成NDVI的夏玉米物候期遙感監(jiān)測

李 艷1,2，張成才1※，羅蔚然1，郜文江3

（1. 鄭州大學(xué)水利與環(huán)境學(xué)院，鄭州 450001；2. 鄭州工業(yè)安全職業(yè)學(xué)院，鄭州 451192；3. 登封市水務(wù)局，登封 452470）

利用遙感技術(shù)監(jiān)測農(nóng)作物物候期，能夠及時(shí)有效地評估作物生長趨勢、提高農(nóng)情信息化管理水平。本研究利用2016年MODIS 8天合成數(shù)據(jù)，提出改進(jìn)的最大值合成法，結(jié)合S-G濾波和Logistic函數(shù)擬合重構(gòu)夏玉米生長曲線，最后利用曲率法提取夏玉米的拔節(jié)期和成熟期，利用動態(tài)閾值法提取夏玉米的出苗期和抽雄期。結(jié)果表明：采用本文提取的夏玉米物候期與實(shí)測物候期相比，平均誤差為2.76 d，其中在抽雄期的絕對誤差為1.06 d，運(yùn)用改進(jìn)的最大值合成提取作物NDVI時(shí)序數(shù)據(jù)可有效去除連續(xù)云霧對植被指數(shù)的影響，提高監(jiān)測作物物候期的準(zhǔn)確性，為精準(zhǔn)農(nóng)業(yè)提供技術(shù)支撐。

遙感；監(jiān)測；物候期；夏玉米；正-反向最大值合成；Logistic函數(shù)；曲率法；動態(tài)閾值法

0 引 言

作物物候期反映了作物的生長和發(fā)育規(guī)律，及時(shí)準(zhǔn)確地獲取農(nóng)作物物候期信息，對于農(nóng)情監(jiān)測、農(nóng)田管理以及氣候的響應(yīng)等研究具有重要的支撐作用[1-2]。傳統(tǒng)的物候期監(jiān)測方法如田間觀測法、積溫法等雖然簡單易行，但是僅從點(diǎn)的角度出發(fā)，代表面積有限，對于大面積農(nóng)田的長期物候監(jiān)測有很大的局限性[3]。遙感技術(shù)具有廣泛性、時(shí)效性、經(jīng)濟(jì)性等特點(diǎn)，近年來利用遙感技術(shù)監(jiān)測農(nóng)作物長勢、物候特征提取等方面的研究成為熱點(diǎn)[4-13]。眾多遙感數(shù)據(jù)中，MODIS數(shù)據(jù)波段相對較窄，減少了水汽吸收對相關(guān)波段的影響（如近紅外波段），且有較高的時(shí)空分辨率，在物候期監(jiān)測中應(yīng)用最為廣泛[6-12]。歸一化植被指數(shù)（normalized difference vegetation index，NDVI）可根據(jù)地表植被對可見光和近紅外波段特有的光譜反射特性，在較大空間尺度上精確地反映農(nóng)作物綠度以及光合作用強(qiáng)度。MODIS NDVI 時(shí)序中所包含的大量信息可以直觀地反映研究區(qū)農(nóng)作物隨時(shí)間推移發(fā)生的變化，是物候期監(jiān)測及提取使用的最常用數(shù)據(jù)類型[6-10]。光學(xué)傳感器獲取地表信息時(shí)，會受到云覆蓋、大氣干擾、雙向反射等多重因素的影響；同時(shí)，在植被覆蓋度較高時(shí)NDVI值會出現(xiàn)飽和現(xiàn)象，因此在使用NDVI數(shù)據(jù)時(shí)，需要先對其進(jìn)行去噪平滑處理[11-12]，再根據(jù)除噪后的植被生長曲線特征提取物候信息。目前，對NDVI時(shí)序數(shù)據(jù)的降噪算法大致分為三類：一是傳統(tǒng)的最大值合成法（maximum value composite, MVC）[13]；二是時(shí)域上的處理方法，包括中值/均值濾波法（median filtering method/average filtering method, MFM/AFM）[14-15]、最佳指數(shù)斜率提取法（the best index slope extraction, BISE）[16]、S-G濾波法（Savitzky-Golay, S-G）[17]、雙重邏輯函數(shù)濾波（Double Logistic Function-fitting, DL）[6]、非對稱高斯擬合函數(shù)（asymmetric gaussian method, AG）[8]、傅立葉變換（fourier transform, FT）[18]等；三是頻率域上的處理方法，包括傅里葉低通濾波法（fourier filtering method, FF）[19]和小波低通濾波法（wavelet filtering method, WF）[20]等。以上這些方法中，每種方法對不同性質(zhì)噪聲點(diǎn)去噪、平滑和保真能力不同[21]。MVC算法簡單，使用方便，廣泛應(yīng)用在NDVI的初步除噪過程中，但對于連續(xù)多日多云天氣容易出現(xiàn)較大誤差。BISE通過一個(gè)滑動周期來判斷NDVI再增長百分比，可以有效去掉植被指數(shù)序列中的突降值，但不能有效去除一些地表植被各向異性的觀察角度以及受大氣條件影響導(dǎo)致的異常偏高值。傅里葉變換其嚴(yán)格的擬合對稱性使得不規(guī)則的NDVI時(shí)序數(shù)據(jù)仍保留高噪聲，濾波結(jié)果與原始值相比有較大的偏移。盡管相比之下非線性擬合的方法如AG更能體現(xiàn)植被生長變化的自然特征，但很難找到合適的最大值和最小值對高斯函數(shù)進(jìn)行擬合。S-G濾波、AG中的滑動窗口大小的選擇要依據(jù)經(jīng)驗(yàn)，而這些參數(shù)是應(yīng)用中的關(guān)鍵，選擇的好壞可直接影響算法的成功與否。Beck等[6]通過對DL、AG和FT 3種方法進(jìn)行對比，得出采用DL對MODIS NDVI時(shí)序數(shù)據(jù)重構(gòu)效果好于其他2種方法。曹云鋒等[22]對比了非對稱高斯算法（AG）、雙邏輯曲線擬合算法（DL）和S-G算法對原始數(shù)據(jù)的保真性，發(fā)現(xiàn)在生長季，AG與DL對原始高質(zhì)量數(shù)據(jù)的保真性較高，在非生長季S-G的擬合保真性明顯高于AG與DL 2種方法。宮詔健等[23]分別利用AG、S-G濾波和DL 3種擬合方法重構(gòu)春玉米NDVI時(shí)序曲線，結(jié)果表明，基于AG得到的NDVI時(shí)序曲線保真能力在3種模型中最強(qiáng)，基于S-G濾波得到NDVI時(shí)序曲線平滑能力優(yōu)于AG和DL模型。為提高植被指數(shù)時(shí)序數(shù)據(jù)的重建效果，結(jié)合兩種或多種除噪方法是目前重建算法較為常用的方式。李杭燕等[24-25]通過對改進(jìn)的最佳指數(shù)斜率提取法、均值迭代濾波法、S-G濾波法、時(shí)間序列諧波分析法以及AG模型5種除噪方法比較，提出標(biāo)準(zhǔn)差權(quán)重法對5種重建方法進(jìn)行綜合，經(jīng)驗(yàn)證效果優(yōu)于單個(gè)的除噪方法。李穎等[26]首先使用MVC對原始NDVI初步去噪，由于該方法無法消除多日連續(xù)低值噪聲，結(jié)合S-G迭代濾波取上包絡(luò)線的方法[27]還原作物的NDVI曲線，再使用Logistic曲線擬合重構(gòu)了夏玉米生長過程曲線。由上可知，目前利用遙感時(shí)序數(shù)據(jù)監(jiān)測農(nóng)作物物候信息研究中，如何使NDVI值反映的作物生長狀況與實(shí)際情況相對一致，作物生長曲線特征點(diǎn)位與其物候期的對應(yīng)關(guān)系更加準(zhǔn)確，是研究的主要方向之一。

鑒于此，本文利用MODIS NDVI時(shí)間序列對夏玉米的物候特征進(jìn)行分析，提出改進(jìn)的最大值合成法，在不增加其他參數(shù)的情況下，修正連續(xù)多日云霧覆蓋時(shí)造成NDVI值與實(shí)際值不符的問題，結(jié)合S-G濾波法對DNVI曲線做平滑處理，進(jìn)一步提高NDVI時(shí)序數(shù)據(jù)的精度。為了使平滑后的曲線更加符合實(shí)際生長狀況，將平滑后的NDVI時(shí)序數(shù)據(jù)采用Logistic函數(shù)擬合重構(gòu)得到夏玉米完整的生長曲線。根據(jù)夏玉米的生長特征，分別采用曲率法和動態(tài)閾值法提取重構(gòu)曲線的特征點(diǎn)，對研究區(qū)夏玉米的關(guān)鍵物候期進(jìn)行提取，以期為遙感技術(shù)監(jiān)測農(nóng)情提供參考。

1 研究區(qū)概況及數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

本研究區(qū)廣利灌區(qū)位于河南省焦作市西南部（112°37′～113°13′E，34°55′～35°11′N），是集灌溉、補(bǔ)源、排澇功能為一體的大型灌區(qū)。渠首位于濟(jì)源市五龍口沁河出山口。灌區(qū)總面積340 km2。灌區(qū)氣候溫和，土地肥沃，盛產(chǎn)小麥、玉米，兼種棉花、山藥等經(jīng)濟(jì)作物，系河南省糧食高產(chǎn)穩(wěn)產(chǎn)區(qū)，研究區(qū)地理區(qū)位圖如圖1所示。

1.2 數(shù)據(jù)的獲取與處理

1.2.1 遙感數(shù)據(jù)

MODIS是裝載在美國國家航空航天局發(fā)射的Terra和Aqua衛(wèi)星上的中等分辨率傳感器。它具有36個(gè)中等分辨率水平（0.4～14.4m）的光譜波段，最大空間分辨率可達(dá)250 m，一天可過境2次，具有強(qiáng)大的實(shí)時(shí)監(jiān)測能力。本文采用的地表反射率產(chǎn)品MOD09Q1，空間分辨率為250 m，時(shí)間分辨率為8 d，對應(yīng)于MODIS的band1和band2波段。根據(jù)夏玉米的生長周期，研究區(qū)夏玉米的種植時(shí)間為每年的5月下旬至6月上旬，成熟期為每年的9月下旬至10月上旬。為獲取夏玉米的生長曲線，本文共下載了17期年積日（day of year，DOY）為第153天至第281天影像數(shù)據(jù)用來構(gòu)建研究區(qū)2016年夏玉米生長的歸一化植被指數(shù)時(shí)間序列數(shù)據(jù)集。下載后的MOD09Q1數(shù)據(jù)在ENVI軟件中進(jìn)行了格式轉(zhuǎn)換、投影變換以及裁剪等處理。

a. 研究區(qū)地理位置圖

a. Location of study area

b. 研究區(qū)內(nèi)試驗(yàn)點(diǎn)分布

同時(shí)，本研究采用Landsat8（NASA于2013年2月發(fā)射的多光譜遙感衛(wèi)星）遙感數(shù)據(jù)計(jì)算出研究區(qū)2016年8月初和9月末的NDVI值，基于空間一致性約束的譜聚類算法，對研究區(qū)夏玉米的種植分布信息進(jìn)行提取。即從譜聚類和權(quán)核均值的等價(jià)關(guān)系出發(fā)，對目標(biāo)函數(shù)添加空間約束，實(shí)現(xiàn)圖像的聚類[28]。

該方法是通過計(jì)算每個(gè)像元特征參數(shù)與類別標(biāo)準(zhǔn)的特征空間距離，將該像元劃分到距離最小的類別，同時(shí)又考慮了像元的鄰近信息，其中

采用譜聚類算法提取的玉米種植面積為206.67 km2，研究區(qū)實(shí)際玉米種植面積208.67 km2，相對誤差僅為0.95%。經(jīng)提取的研究區(qū)夏玉米種植結(jié)構(gòu)分布圖如圖2表示。

圖2 研究區(qū)夏玉米種植分布圖

1.2.2 地面觀測數(shù)據(jù)

夏玉米物候期地面觀測數(shù)據(jù)來自位于研究區(qū)中部的試驗(yàn)站，如圖1b所示，試驗(yàn)站記錄了站點(diǎn)附近夏玉米在當(dāng)年進(jìn)入各個(gè)物候期的時(shí)間，包括夏玉米出苗期、三葉期、拔節(jié)期、?。ù螅├瓤谄凇⒊樾燮?、開花期、抽絲期、子粒形成期、乳熟期、蠟熟期和完熟期。本文以研究區(qū)2016年的該研究站物候期觀測數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)。

2 研究方法

本研究以河南焦作廣利灌區(qū)種植的夏玉米為研究對象，在夏玉米生長曲線重構(gòu)過程中，為減少連續(xù)多云天氣對植被指數(shù)的影響，采用改進(jìn)的最大值合成法重構(gòu)NDVI時(shí)序，再結(jié)合S-G濾波和Logistic函數(shù)擬合出夏玉米的生長曲線，最后使用曲率法提取夏玉米拔節(jié)期和成熟期、使用動態(tài)閾值法提取夏玉米的出苗期和抽雄期，技術(shù)流程圖如圖3所示。

圖3 提取夏玉米物候期技術(shù)流程圖

2.1 MODIS NDVI時(shí)間序列數(shù)據(jù)處理方法

根據(jù)NDVI=(NIR-)/(NIR+)，當(dāng)植被覆蓋持續(xù)增加時(shí)，紅光通道的吸收趨于飽和，而對近紅外通道的反射則繼續(xù)增加，因此NIR/的值也會持續(xù)增加。當(dāng)植被覆蓋達(dá)到一定程度后，植被指數(shù)無法同步增長，不能反映植被的真實(shí)生長狀況。此外，由于云層的影響，植被NDVI值會產(chǎn)生突降點(diǎn)，如果連日云層遮檔，NDVI曲線與作物的實(shí)際生長曲線就會差異較大，因此本文基于最大值合成法（MVC）提出正-反向最大值合成（positive and reverse direction maximum value composite，P-RMVC），結(jié)合使用S-G迭代濾波對NDVI值進(jìn)行預(yù)處理。

2.1.1 改進(jìn)的最大值合成法

Holben在1986年提出的最大值合成法（MVC）以固定時(shí)間間隔內(nèi)的植被指數(shù)最大值作為該時(shí)間間隔中間日期的植被指數(shù)值，當(dāng)云層持續(xù)出現(xiàn)時(shí)，在此期間合成的NDVI最大值會產(chǎn)生較大誤差。如圖4a，采用傳統(tǒng)MVC合成的NDVI時(shí)序數(shù)據(jù)有明顯的誤差。

圖4 最大值合成及正反向最大值合成重構(gòu)NDVI時(shí)間序列

本研究將固定時(shí)間間隔內(nèi)提取的植被指數(shù)最大值按照夏玉米生長的時(shí)間順序（從播種期到收獲期）依次進(jìn)行比較，取二者較大值作為該時(shí)間間隔中間日期的NDVI值，如圖4b所示，正向時(shí)序合成的NDVI值上升至某一點(diǎn)后保持不變，設(shè)該點(diǎn)為NDVI峰值；然后按照夏玉米的逆生長順序（從收獲期到播種期）也依次比較MVC合成的植被指數(shù)并取較大值，同理，反向時(shí)序合成的NDVI值上升至峰值后也保持不變。

理想狀態(tài)下，采用改進(jìn)的正向時(shí)序合成的NDVI峰值與反向時(shí)序合成的NDVI峰值重合，當(dāng)出現(xiàn)云覆蓋時(shí)，正、反時(shí)序合成的NDVI峰值時(shí)間會延遲而交錯，如圖4b，分別采用正向和反向最大值合成對研究區(qū)夏玉米的NDVI數(shù)據(jù)重構(gòu)時(shí)，兩個(gè)方向的峰值沒有重合，將正、反時(shí)序合成的NDVI值進(jìn)行差值計(jì)算。

式中NDVI為正向時(shí)序合成的NDVI值；NDVI為反向時(shí)序合成的NDVI值，為設(shè)定的閾值。

在閾值范圍內(nèi)，取NDVI值最大的點(diǎn)為NDVI峰值點(diǎn)，根據(jù)該點(diǎn)將正、反向合成的NDVI數(shù)據(jù)進(jìn)行分割，如圖4c，最終重構(gòu)出NDVI序列數(shù)據(jù)。

2.1.2 S-G濾波平滑處理

Savitzky和Golay提出S-G濾波器是一種局部多項(xiàng)式最小二乘法的曲線擬合，研究表明，S-G濾波有較好的平滑作用[23,25]。S-G濾波器由輸入的濾波窗口寬度和多項(xiàng)式次數(shù)生成，通過對原始序列進(jìn)行卷積計(jì)算來平滑數(shù)據(jù)。

本研究使用S-G濾波對重構(gòu)的NDVI時(shí)間序列進(jìn)行平滑處理。每一次的迭代輸出值作為下一次的迭代輸入值，經(jīng)10次迭代，誤差趨近于零，曲線收斂，NDVI曲線得到較好的平滑效果。

2.2 夏玉米關(guān)鍵物候期監(jiān)測

玉米的生長大致分為營養(yǎng)生長（種子發(fā)芽到抽雄期結(jié)束）和生殖生長（抽穗開始到成熟）2個(gè)階段，營養(yǎng)生長期生長速率和生殖生長期的衰老速率均表現(xiàn)出“慢—快—慢”的規(guī)律，其中夏玉米在拔節(jié)期生長速率最快，成熟期衰老速率最快。根據(jù)玉米的生長特性，本研究采用符合玉米生長規(guī)律的Logistic函數(shù)擬合構(gòu)建夏玉米生長曲線，再利用提取物候期常采用的曲線曲率法[29]和動態(tài)閾值法[8]分別提取夏玉米的關(guān)鍵物候期。

2.2.1 Logistic函數(shù)擬合重構(gòu)夏玉米生長曲線

Logistic函數(shù)在形狀上為“S”形曲線，符合夏玉米的生長趨勢，因此對S-G濾波后的NDVI時(shí)序數(shù)據(jù)進(jìn)行擬合，并依據(jù)擬合曲線曲率變化率的極值點(diǎn)確定NDVI時(shí)序曲線上農(nóng)作物各物候期的轉(zhuǎn)換期，得到農(nóng)作物生長變化的過程[7-8]。Logistic函數(shù)可以表示為

式中為時(shí)間，()為時(shí)間時(shí)植被指數(shù)值；和為模型待求的擬合參數(shù)；為植被指數(shù)初始背景值，一般定義為一年內(nèi)無水或雪影響的像元的最小穩(wěn)定值；為植被指數(shù)最大值。

2.2.2 曲線曲率法

在農(nóng)作物生長周期中，當(dāng)從一個(gè)生長階段向另一個(gè)生長階段轉(zhuǎn)換時(shí)，Logistic函數(shù)曲線從一個(gè)近線性趨勢轉(zhuǎn)向另一個(gè)近線性趨勢[11]，通過計(jì)算植被指數(shù)曲線曲率極值可以確定夏玉米的物候期，曲線曲率公式可以表示為

式中=exp(+)，d為沿時(shí)間曲線移動單位弧長時(shí)切線轉(zhuǎn)過的角度，d為單位弧長。

結(jié)合農(nóng)作物生長特性和公式（7）可知，Logistic函數(shù)曲線曲率最大值為農(nóng)作物生長（衰老）速率變化最大的時(shí)期，如圖5a，本研究在Logistic函數(shù)擬合的夏玉米生長曲線上得到1個(gè)曲率最大值點(diǎn)（Logistic上升曲線）和1個(gè)曲率最小值點(diǎn)（Logistic下降曲線），分別對應(yīng)夏玉米營養(yǎng)生長的拔節(jié)期和生殖生長的成熟期開始時(shí)間。

2.2.3 動態(tài)閾值法

Josson和Eklundh在2002年提出動態(tài)閾值法[8]，使用植被指數(shù)定義了作物營養(yǎng)生長和生殖生長的開始期，即在作物生長曲線上升階段，將距離植被指數(shù)最小值為曲線增幅10%（即植被指數(shù)最小值與植被指數(shù)最大值差值的10%）的位置定義成作物營養(yǎng)生長的開始期；在作物生長曲線下降階段，距離植被指數(shù)最小值為曲線增幅90%（即植被指數(shù)最小值與植被指數(shù)最大值差值的90 %）的位置定義成生殖生長的開始期。

Josson和Eklundhd 的研究成果，本研究分別選擇閾值為10%作為夏玉米的出苗期，90%作為夏玉米的抽雄期，如圖5所示。

圖5 2種方法提取關(guān)鍵物候期

3 結(jié)果與分析

根據(jù)研究區(qū)提供的2016年實(shí)測物候期與本文采用的改進(jìn)的研究方法以及傳統(tǒng)的最大值合成法除噪后提取的夏玉米物候期相比較，得到的絕對誤差和平均誤差如表1所示。

表1 DNVI除噪方法改進(jìn)前、后2016年夏玉米物候期絕對誤差、平均誤差

從表1可以看出，經(jīng)過改進(jìn)的最大法重構(gòu)的DNVI值在之后的物候期提取中不同階段相對誤差都有所降低，尤其在出苗期，利用改進(jìn)的方法使得遙感監(jiān)測物候期的誤差時(shí)間由8.22 d降低到3.72 d，降低了4.5 d。抽雄期與實(shí)測值絕對誤差時(shí)間最小，只有1.06 d。

利用文中的方法對研究區(qū)2016年夏玉米關(guān)鍵物候期進(jìn)行監(jiān)測，分別得到夏玉米出苗期、拔節(jié)期、抽雄期以及成熟期對應(yīng)的時(shí)空分布圖，結(jié)果如圖6所示：研究區(qū)夏玉米的出苗期開始時(shí)間較為集中，普遍開始于年積日第166天到第170天，即6月15日—18日；拔節(jié)期普遍開始于年積日第185到190天，即7月3日—7月8日；研究區(qū)大部分地區(qū)在年積日第208天到212天進(jìn)入抽雄期，即7月25日—7月29日；研究區(qū)夏玉米從年積日第251天前后即9月7日開始大面積進(jìn)入成熟期。在空間分布上，位于研究區(qū)渠首的西北部略提前于東南部?？傮w來說，提取的物候期結(jié)果與實(shí)際監(jiān)測結(jié)果基本相符。

圖6 夏玉米不同物候期開始時(shí)間的空間分布圖

4 結(jié) 論

本研究對MODIS NDVI時(shí)間序列數(shù)據(jù)預(yù)處理時(shí)，提出改進(jìn)的最大值合成法，這種方法不需要再增加額外的參數(shù)，從作物的正向生長時(shí)序和反向生長時(shí)序依次提取固定時(shí)間間隔內(nèi)的NDVI，從而構(gòu)建新的NDVI時(shí)序數(shù)據(jù)。將重構(gòu)后的NDVI時(shí)序數(shù)據(jù)通過S-G濾波，進(jìn)一步消除遙感數(shù)據(jù)中的噪聲，再運(yùn)用Logistic函數(shù)擬合重構(gòu)夏玉米生長曲線。使用曲率曲線法提取了夏玉米拔節(jié)期和成熟期的開始時(shí)間，動態(tài)閾值法提取了夏玉米的出苗期和抽雄期的開始時(shí)間。經(jīng)與實(shí)測結(jié)果對比，采用改進(jìn)的MVC方法除噪后得到夏玉米不同物候期的絕對誤差時(shí)間均小于傳統(tǒng)MVC方法，尤其是夏玉米出苗期，采用改進(jìn)的MVC，絕對誤差時(shí)間降低了4.5 d。研究結(jié)果表明經(jīng)正-反向最大值合成法和S-G濾波處理后，由Logistic函數(shù)擬合重構(gòu)的NDVI 曲線可應(yīng)用于夏玉米全生育期的監(jiān)測。

作物生長曲線作為農(nóng)作物生命周期的記錄者，蘊(yùn)含著農(nóng)作物及環(huán)境的大量信息，本研究僅通過MODIS NDVI曲線對夏玉米物候期進(jìn)行了監(jiān)測。綜合運(yùn)用多種遙感傳感器（如高光譜、雷達(dá)等），并將遙感、地面和模型多種監(jiān)測手段綜合使用，有效區(qū)分輕微的病蟲害等內(nèi)在因素與云霧等外在因素對作物植被指數(shù)的影響以及減少作物物候監(jiān)測的不確定因素，這也是下一步要著重研究的問題。

[1] Sadras V O，Monzon J P. Modelled wheat phenology captures rising temperature trends: Shortened time to flowering and maturity in Australia and Argentina[J]. Field Crops Research, 2006, 99(2): 136－146.

[2] 劉健，姚寧，吝海霞，等. 冬小麥物候期對土壤水分脅迫的響應(yīng)機(jī)制與模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(21)：115－124.

Liu Jian, Yao Ning, Lin Haixia, et al. Response mechanism and simulation of winter wheat phonology to soil water stress[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 115－124. (in Chinese with English abstract)

[3] 夏傳福，李靜，柳欽火. 植被物候遙感監(jiān)測研究進(jìn)展[J]. 遙感學(xué)報(bào)，2013，17(1)：1－16.

Xia Chuanfu, Li Jing, Liu Qinhuo. Review of advances in vegetation phenology monitoring by remote sensing[J]. Journal of Remote Sensing, 2013, 17(1): 1－16. (in Chinese with English abstract)

[4] Pan Zhuokun, Huang Jingfeng, Zhou Qingbo, et al. Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34(1): 188－197.

[5] Verger A, Filella I, Baret F, et al. Vegetation baseline phenology from kilometric global LAI satellite products[J]. Remote Sensing of Environment, 2016, 178(7): 1－14.

[6] Beck P, Atzberer C, Hogda K, et al. Improved monitoring of vegetation dynamics at very hight latitude: A new method using MODIS NDVI[J]. Remote Sensing of Environment, 2006, 100(3): 321－334.

[7] 邊金虎，李愛農(nóng)，宋孟強(qiáng)，等. MODIS植被指數(shù)時(shí)間序列Savitzky-Golay濾波算法重構(gòu)[J]. 遙感學(xué)報(bào)，2010，14(4)：725－741.

Bian Jinhu, Li Ainong, Song Mengqiang, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4): 725－741. (in Chinese with English abstract)

[8] Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. Geoscience & Remote Sensing IEEE Transactions on, 2002, 40(8): 1824－1832.

[9] 楊琳，高蘋，居為民. 基于MODIS NDVI數(shù)據(jù)的江蘇省冬小麥物候期提取[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44(1)：315－320.

[10] 李艷，張紅利. 基于MODIS-NDVI時(shí)間序列的河南省冬小麥種植信息提取與分析[J]. 赤峰學(xué)院學(xué)報(bào)：自然版，2017，33(4)：31－33.

[11] Zhou J, Jia L, Menenti M. Reconstruction of global MODIS NDVI time series: Performance of Harmonic ANalysis of Time Series (HANTS)[J]. Remote Sensing of Environment, 2015, 163(8): 217－228.

[12] Qiu B, Feng M, Tang Z. A simple smoother based on continuous wavelet transform: Comparative evaluation based on the fidelity, smoothness and efficiency in phenological estimation[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 47(4): 91－101.

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

[14] 張晗，任志遠(yuǎn). 多種時(shí)序NDVI重建方法比較與應(yīng)用分析[J]. 中國農(nóng)業(yè)科學(xué)，2014，47(15)：2998－3008.

Zhang Han, Ren Zhiyuan. Comparison and application analysis of several NDVI time-series reconstruction methods[J]. China Agriculture Science, 2014, 47(15): 2998－3008. (in Chinese with English abstract)

[15] Ma M, Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the Northwest of China[J]. Advances in Space Research, 2006, 37(4): 835－840.

[16] 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.

[17] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627－1639.

[18] Sellers P J, Tucker C J, Collatz G J, et al. 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.

[19] Olsson L, Eklundh L. Fourier Series for analysis of temporal sequences of satellite sensor imagery[J]. International Journal of Remote Sensing, 1994, 15(18): 3735－3741.

[20] 李儒，張霞，劉波，等. 遙感時(shí)間序列數(shù)據(jù)濾波重建算法發(fā)展綜述[J]. 遙感學(xué)報(bào)，2009，13(2)：335－341.

Li Ru, Zhang Xia, Liu Bo, et al. Review on methods of remote sensing time-series data reconstruction[J]. Journal of Remote Sensing, 2009, 13(2): 335－341. (in Chinese with English abstract)

[21] Kandasamy S , Fernandes R . An approach for evaluating the impact of gaps and measurement errors on satellite land surface phenology algorithms: Application to 20year NOAA AVHRR data over Canada[J]. Remote Sensing of Environment, 2015, 164(9): 114－129.

[22] 曹云鋒，王正興，鄧芳萍. 3種濾波算法對NDVI高質(zhì)量數(shù)據(jù)保真性研究[J]. 遙感技術(shù)與應(yīng)用，2010，25(1)：118－125.

Cao Yunfeng, Wang Zhengxing, Deng Fangping. Fidelity performance of three filters for high quality NDVI time-series analysis[J]. Remote Sensing Technology and Application, 2010, 25(1): 118－125. (in Chinese with English abstract)

[23] 宮詔健，劉利民，陳杰，等. 基于MODIS NDVI數(shù)據(jù)的遼寧省春玉米物候期提取研究[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，49(3)：257－265.

Gong Zhaojian, Liu Limin, Chen Jie, et al. Phenophase extraction of spring maize in liaoning province based on MODIS NDVI data[J]. Journal of Shenyang Agricultural University, 2018，49(3)：257－265. (in Chinese with English abstract)

[24] 李杭燕，頡耀文，馬明國. 時(shí)序NDVI數(shù)據(jù)集重建方法評價(jià)與實(shí)例研究[J]. 遙感技術(shù)與應(yīng)用，2009，24(5)：596－602.

Li Hangyan, Xie Yaowen, Ma Mingguo. Reconstruction of temporal NDVI dataset: Evaluation and case study[J]. Remote Sensing Technology and Application, 2009, 24(5): 596－602. (in Chinese with English abstract)

[25] 李杭燕，馬明國，譚俊磊. 時(shí)序NDVI數(shù)據(jù)集重建綜合方法研究[J]. 遙感技術(shù)與應(yīng)用，2010，25(6)：891－896.

Li Hangyan, Ma Mingguo, Tan Junlei. Integrated reconstruction methods of time series NDVI dataset[J]. Remote Sensing Technology and Application, 2011, 25(6): 891－896. (in Chinese with English abstract)

[26] 李穎，陳懷亮，李耀輝，等. 一種利用MODIS數(shù)據(jù)的夏玉米物候期監(jiān)測方法[J]. 應(yīng)用氣象學(xué)報(bào)，2018，29(1)：111－119.

Li Ying, Chen Huailiang, Li Yaohui, et al. A method for summer maize phenology monitoring by MODIS data[J]. Journal of Applied Meteorological Science, 2018, 29(1): 111－119. (in Chinese with English abstract)

[27] 李穎，李耀輝，王金鑫. 夏玉米生長過程曲線重建研究：以鶴壁市為例[J]. 氣象與環(huán)境科學(xué)，2016，39(4)：7－12.

Li Ying, Li Yaohui, Wang Jinxin. Research on summer corn growth curve reconstruction: A case study in Hebi[J]. Meteorological and Environmental Sciences, 2016, 39(4): 7－12. (in Chinese with English abstract)

[28] 賈建華，焦李成. 空間一致性約束譜聚類算法用于圖像分割[J]. 紅外與毫米波學(xué)報(bào)，2010，29(1)：69－74.

Jia Jianhua, Jiao Licheng. Image segmentation by spectral clustering algorithm with spatial coherence constraints[J]. Journal of Infrared & Millimeter Waves, 2010, 29(1): 69－74. (in Chinese with English abstract)

[29] Zhang X, Friedl M A, Schaaf C B, et al. Monitoring vegetation phenology using MODIS[J]. Remote Sensing of Environment, 2003, 84(3): 471－475.

Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite

Li Yan1,2, Zhang Chengcai1※, Luo Weiran1, Gao Wenjiang3

(1.,,450001,;2.451192,;3.452470,)

Crop phenology period is an important feature of the agriculture eco-system. Using remote sensing technology to monitor crop phenology accurately and timely, which plays an important supporting role in effective assessment of crop growth trends, improving the information management level of agricultural conditions and providing technical support for precision agriculture. Normalized difference vegetation index (NDVI) can well describe the growth process of different types of vegetation, which is the most frequently used data in crop phenology. In this paper, NDVI is extracted from 8-day synthetic data of MODIS in 2016. The time series of NDVI is not continuous in time and space due to the influence of air pollution, it is necessary to smooth the remote sensing time series data which represent the vegetation growth process before the phenology study. Then according to the characteristics of vegetation growth curve, the phenology information is extracted after removing noise of time series data. Maximum value composite (MVC) is widely used in the initial de-noising process of NDVI because of its simple calculation and convenient use, but it is prone to large errors for continuous multi-day cloudy weather. An improved MVC is proposed for the preprocessing of MODIS NDVI time series data in this paper, which is very convenient and does not require additional parameters. The new NDVI time series data can be constructed by extracting NDVI from positive and reverse sequence on growth time series in a fixed interval and then synthesizing it. The reconstructed NDVI time series data are filtered by S-G filter to further eliminate the noise, and then the growth curve of summer maize is reconstructed by logistic function fitting. Finally, the jointing and maturity stages of summer maize are extracted by curvature, and the emergence and tasseling stages of summer maize are extracted by dynamic threshold. Compared with the observed results, the absolute errors of different phenology starting time of summer maize obtained by improved MVC method is less than that of traditional MVC method. Especially the emergence stage, the absolute error of improved MVC method is reduced by 4.5 d. The absolute errors of phenology on summer maize using improved MVC are 3.72, 5, 1.06 and 1.26 d at emergence, jointing, tasseling and maturity stages, respectively. The absolute errors of that by traditional MVC method in subsequent phenology periods aere 8.22, 5.72, 2.78 and 5 d, respectively. From the spatial distribution maps of different phenology periods of summer maize, it can be seen that the starting time of summer maize emergence stage in the study area is relatively concentrated, generally starting from 166 d to 170 d base on the day of year (DOY), namely 15 June to 18 June. Jointing stage generally starts from 185 d to 190 d, namely 3 July to 8 July. Most of the areas in the study area enter the stage of tasseling from 208 d to 212 d, that is, from 25 July to 29 July. A large area of summer maize begins to enter the maturity stage from around 251 d, that is, on September 7. In spatial distribution, the northwest of the canal head in the study area is slightly ahead of the southeast on phenology period. It can be said that using improved MVC to extract NDVI time series data of crops can effectively remove the impact of continuous cloud and fog on vegetation index, improving the accuracy of monitoring crop phenology, providing support for precision agriculture.

remote sensing;monitoring; phenology; summer maize; P-RMVC; Logistic models;curvature method; dynamic threshold method

2018-09-11

2019-06-15

項(xiàng)目來源“河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)開放實(shí)驗(yàn)室開放研究基金”（AMF201807）；“河南省科技攻關(guān)項(xiàng)目”（182102210017）；“河南省高等學(xué)校重點(diǎn)科研項(xiàng)目”（16A40005）

李 艷，講師，博士研究生，研究方向?yàn)樗畔⒓夹g(shù)。Email：24965243@qq.com

張成才，博士，博士生導(dǎo)師，研究方向?yàn)檫b感技術(shù)與應(yīng)用。Email：zhangcc2000@163.com

10.11975/j.issn.1002-6819.2019.14.020

P237; TP751; S-3

A

1002-6819(2019)-14-0159-07

李 艷，張成才，羅蔚然，郜文江. 基于改進(jìn)最大值法合成NDVI的夏玉米物候期遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(14)：159－165. doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org

Li Yan, Zhang Chengcai, Luo Weiran, Gao Wenjiang. Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 159－165. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org