安塞 沈彥俊 趙彥茜 郭英 郭碩 肖捷穎

摘要：歸一化植被指數(shù)（NDVI）是利用遙感技術(shù)提取作物信息的重要指標(biāo)，其時序曲線能反映植被的生長變化，在農(nóng)作物種植面積信息提取上有較大優(yōu)勢。以河北平原為研究區(qū)，利用空間分辨率250 m的MODIS NDVI數(shù)據(jù)提取2011—2016年冬小麥種植面積。首先利用HANTS濾波建立NDVI時序曲線，結(jié)合區(qū)域物候信息和種植模式，提取冬小麥種植像元。因MODIS影像空間分辨率較低，結(jié)果受混合像元影響大。運用像元二分模型分解混合像元，計算單一像元冬小麥覆蓋度進(jìn)而計算研究區(qū)冬小麥種植面積，并利用Landsat數(shù)據(jù)對結(jié)果進(jìn)行驗證。結(jié)果表明，利用時間序列諧波分析法（HANTS）濾波和像元二分模型相結(jié)合可提高冬小麥種植面積提取精度，總體分類精度達(dá)90%以上;2011—2016年河北平原冬小麥種植面積總體減少，其中河北平原北部和山前平原冬小麥面積縮減，近海平原呈增長趨勢。

關(guān)鍵詞：冬小麥;種植面積;面積提取;河北平原;HANTS濾波;NDVI時序曲線;像元二分模型

中圖分類號： TP79;S127

文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2019）15-0236-05

河北平原是我國重要糧食產(chǎn)區(qū)之一，及時、準(zhǔn)確獲取河北平原冬小麥種植面積及變化信息意義重大。遙感是農(nóng)業(yè)資源監(jiān)測的重要手段之一[1-2]，能快速、準(zhǔn)確獲取作物種植面積，可研究不同時空尺度農(nóng)作物的分布及動態(tài)變化。冬小麥?zhǔn)俏覈狈降闹饕Z食作物[3]，尤其河北平原，及時獲取種植面積及變化信息，不僅涉及國家糧食安全，還關(guān)系到京津冀及雄安新區(qū)的區(qū)域生態(tài)環(huán)境問題[4]。20世紀(jì)70年代，美國LACIE利用Landsat影像和航空影像，統(tǒng)計主要農(nóng)作物面積[5]。歐盟在1987年發(fā)起農(nóng)業(yè)遙感監(jiān)測，法國、加拿大追隨其后[6]。我國農(nóng)業(yè)遙感監(jiān)測始于20世紀(jì)80年代，集中在黃淮海平原[7]，包括作物種類、種植面積、空間分布等[8]。

單一時相遙感數(shù)據(jù)僅能獲得地表農(nóng)作物某一時期光譜特征，而農(nóng)作物在不同生長階段有不同的光譜特征，多時相遙感數(shù)據(jù)可以反映同種農(nóng)作物不同生長階段的光譜特征，避免了同譜異物現(xiàn)象[9-10]。因此，時間序列數(shù)據(jù)被廣泛種植面積提取、農(nóng)業(yè)遙感監(jiān)測等方面。由于歸一化植被指數(shù)（normalized difference vegetation index，NDVI）可以有效地反映農(nóng)作物生長特征，因此NDVI被廣泛應(yīng)用于種植信息提取研究[11-12]。其中，NDVI時間序列曲線可提供農(nóng)作物動態(tài)變化信息，許多學(xué)者將其大量應(yīng)用于種植面積提取[13-14]，黃青等分析了江蘇省冬小麥物候和NDVI時序曲線特征，確定了冬小麥信息提取的NDVI閾值，建立決策樹提取冬小麥種植面積，獲得精度較高的結(jié)果[15]。

河北平原是我國小麥主要種植區(qū)之一，該區(qū)域冬小麥種植面積提取一直是研究熱點。楊小喚等利用不同時相NDVI數(shù)據(jù)提取北京市冬小麥種植面積，結(jié)果表明，不同生育期不同作物NDVI有明顯差異，通過分析NDVI值峰值大小和位置即可區(qū)分不同作物[16]。Zhang等利用NDVI時序曲線提取北京、天津、河北冬小麥種植面積，結(jié)果表明該方法在縣域尺度有較好的結(jié)果[17]。鄒金秋等探討了河北省藁城市不同物候期冬小麥EVI值的差異，結(jié)果表明提取河北平原冬小麥種植面積的最佳時期為出苗期與抽穗期[18]。張榮群等根據(jù)NDVI時序曲線確定冬小麥最佳NDVI閾值，建立決策樹提取河北省曲周縣冬小麥種植面積，總體分類精度在89%左右[19]。潘學(xué)鵬等使用HANTS（時間序列諧波分析法）重建NDVI時序曲線，結(jié)合復(fù)種指數(shù)提取2000—2013年華北平原冬小麥種植面積[20]。還有研究利用增強(qiáng)植被指數(shù)（EVI）建立時序曲線提取冬小麥面積信息[21-24]。

由于MODIS影像數(shù)據(jù)分辨率較粗，混合像元成為冬小麥種植面積提取的難點之一。許青云等利用S-G濾波建立NDVI時序曲線，結(jié)合物候特征構(gòu)建動態(tài)閾值的方法提取陜西省冬小麥種植面積，使用IDL中的尋優(yōu)函數(shù)對混合像元進(jìn)行分解，使用空間和定量2種方式對結(jié)果進(jìn)行驗證，總體精度在88%左右[25]。王連喜等基于決策樹與混合像元分解的方法提取江蘇省冬小麥面積[26]。雖然已有很多提高信息提取精度的嘗試，但混合像元仍是影響精度的主要因素。

MODIS數(shù)據(jù)具有較高的時間、空間分辨率，能反映冬小麥物候特征和生長規(guī)律，適合冬小麥面積提取。本研究首先利用HANTS濾波構(gòu)建NDVI時間序列曲線，分析不同作物物候特征，采用監(jiān)督分類方法初步提取冬小麥種植范圍;為降低混合像元影響，運用像元二分模型進(jìn)一步精確提取冬小麥種植面積，利用高分辨率遙感影像對結(jié)果進(jìn)行驗證，最后分析2011—2016年河北平原冬小麥種植面積變化特征，為區(qū)域農(nóng)業(yè)管理、種植結(jié)構(gòu)調(diào)整等政策的提出和生態(tài)問題的治理提供基礎(chǔ)數(shù)據(jù)和理論支撐。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

河北平原東瀕渤海，西抵太行山，北起燕山，南至漳河，內(nèi)含京、津，面積約8.2萬km2（圖1）。地勢平坦，海拔多低于50 m，土壤類型主要為棕壤和褐土。屬于溫帶大陸性季風(fēng)氣候，年均降水量400～500 mm，集中在夏季，占全年70%左右，年均氣溫10.0～14.2 ℃。冬小麥—夏玉米1年2熟制是河北平原主要耕作制度，該地區(qū)主要糧食作物為小麥、玉米。

1.2 數(shù)據(jù)來源

本研究使用的遙感數(shù)據(jù)為MOD13Q1數(shù)據(jù)，該數(shù)據(jù)為 16 d 合成、空間分辨率250 m的MODIS產(chǎn)品，時間尺度為

2011—2016年，源于美國國家航空航天局（NASA）（http：//reverb.echo.nasa.gov），數(shù)據(jù)預(yù)處理使用MODIS Reprojection Tool提取NDVI波段并將覆蓋研究區(qū)的4軌數(shù)據(jù)進(jìn)行拼接，坐標(biāo)系選取WGS84，像素為250 m，進(jìn)而使用研究區(qū)矢量邊界進(jìn)行裁剪;Landsat TM/OIL數(shù)據(jù)空間分辨率30 m，選取2011—2016年4、5月晴日無云圖像并進(jìn)行幾何校正、大氣校正，數(shù)據(jù)源于美國地質(zhì)調(diào)查局（http：//glovis.usgs.gov）。

2 研究方法

本研究首先使用HANTS濾波構(gòu)建NDVI時間序列曲線，根據(jù)曲線特征和物候特征初步提取冬小麥種植范圍;然后利用像元二分模型對冬小麥初步提取結(jié)果進(jìn)行混合像元分解，精確提取冬小麥種植面積;最后利用Landsat TM/OLI數(shù)據(jù)建立混淆矩陣對提取結(jié)果進(jìn)行驗證。

2.1 HANTS時間序列諧波分析法

MODIS NDVI時間序列數(shù)據(jù)受云和其他噪聲的影響會產(chǎn)生鋸齒狀的波動，無法應(yīng)用于時間序列分析，因此須要去除噪聲影響，平滑時間序列曲線。HANTS濾波可以有效去除周期性波動噪聲[27-30]，恢復(fù)異常值，主要原理是通過傅里葉變換和最小二乘法擬合對NDVI值進(jìn)行時間插值獲取連續(xù)時序數(shù)據(jù)。本研究使用荷蘭Geospatial Data Service Centre（GDSC）的HANTS軟件，控制參數(shù)包括高低閾值、時間跨度、頻率數(shù)、曲線匹配閾值和剩余點數(shù)。根據(jù)研究區(qū)種植制度及MODIS數(shù)據(jù)特征將控制參數(shù)設(shè)定為-3 000～10 000、23、2、1 000和8。

2.2 像元二分模型

像元二分模型將傳感器接收的信息分為植被和裸地[31]，假設(shè)像元植被覆蓋度為fc，裸地則為（1-fc），混合像元中植被覆蓋信息為植被部分與fc的乘積，裸地覆蓋信息為裸地部分與（1-fc）的乘積。NDVI與植被覆蓋度有較高的擬合度[32]，因此，可基于NDVI值對冬小麥覆蓋度進(jìn)行計算，公式如下：

式中：NDVIwheat為冬小麥完全覆蓋像元的NDVI值，NDVInon-wheat為無冬小麥覆蓋像元NDVI值，分別為冬小麥種植區(qū)域內(nèi)NDVI的最大值和最小值，為避免噪聲影響，取給定置信區(qū)間內(nèi)的最大值和最小值。利用ENVI軟件得到影像NDVI頻率累計表，取頻率為95%的值為NDVIwheat，取頻率為5%的值為NDVInon-wheat。為提高精度，根據(jù)冬小麥種植情況將研究區(qū)分為河北平原北部、太行山前平原和近海平原（圖2），每年分別提取NDVIwheat和NDVInon-wheat。

2.3 冬小麥面積計算

利用所得像元數(shù)和覆蓋度計算種植面積：

式中：Swheat為小麥面積;Spixel為單個像元面積;fc為小麥覆蓋度。

3 結(jié)果與分析

3.1 不同地類NDVI時序曲線特征

NDVI時序曲線特征如圖3所示，據(jù)農(nóng)作物物候特征判斷雙峰曲線代表冬小麥—夏玉米地類，第1個峰值出現(xiàn)在4月中旬，第2個峰值在9月下旬，峰谷在6月下旬;僅在4月中旬出現(xiàn)峰值的是單季冬小麥，只在9月下旬出現(xiàn)峰值的是單季夏玉米。單峰曲線且4月下旬至10月上旬NDVI值在0.6以上為林地。單峰型結(jié)構(gòu)，峰值出現(xiàn)在8月上旬的為其他作物，主要為棉花和春玉米。NDVI值全年無明顯變化且在0.2以下是建筑用地及水體。

3.2 像元二分模型提取冬小麥面積

圖4為HANTS濾波提取的冬小麥種植像元，由結(jié)果可知冬小麥主要分布在河北平原南部平原區(qū)，北部平原區(qū)分布較少;山前平原、平原區(qū)北部2011—2016年冬小麥種植面積逐年減少，東部沿海區(qū)小麥面積有所增長。

根據(jù)HANT濾波提取的冬小麥像元范圍制作掩膜，使用MODIS NDVI數(shù)據(jù)與冬小麥掩膜文件提取冬小麥NDVI值，利用公式（1）計算冬小麥覆蓋度（圖5）。山前平原區(qū)冬小麥像元最多，覆蓋度集中于0.8～1.0之間;近海平原冬小麥像元較多，但覆蓋度多集中在0.6～0.8之間;河北平原北部冬小麥像元較集中，覆蓋度在0.4～0.8之間。利用公式（2）計算2011—2016年冬小麥種植面積，分別為236.51萬、231.08萬、225.19萬、226.89萬、221.78萬、217.73萬hm2。

利用30 m分辨率Landsat影像對2011—2016年冬小麥面積提取結(jié)果進(jìn)行評價，選每年4月19日或5月5日影像，選取訓(xùn)練區(qū)建立混淆矩陣得到總體精度和κ系數(shù)（表1）。2011—2016年總體分類精度均大于90%，κ系數(shù)大于0.84，表明冬小麥像元提取可信度較高。

潘學(xué)鵬[33]、黃青等[34]利用MODIS NDVI時序曲線提取華北平原冬小麥面積，提取精度分別為85%、81%，但未考慮混合像元對面積統(tǒng)計的影響。本研究引入像元二分模型，在NDVI時序曲線提取冬小麥像元的基礎(chǔ)上，對像元進(jìn)行分解，精確計算每個像元冬小麥面積，精度有所提高。本研究的提取結(jié)果精度雖然比現(xiàn)有研究高，但仍有誤差存在，主要來源為：NDVI時序曲線不能完全反映全區(qū)域冬小麥的物候特征，因此會造成一定的誤差;另外，像元二分模型NDVI閾值的不確定性，在計算小麥覆蓋度時會產(chǎn)生誤差;本研究使用的MODIS數(shù)據(jù)空間分辨率為250 m，會出現(xiàn)“同譜異物”現(xiàn)象，降低冬小麥面積提取精度。

3.3 河北平原冬小麥面積變化分析

2011—2016年冬小麥種植面積呈下降趨勢（圖6），減少18.79萬hm2。河北平原北部（編號1）主要包括北京、天津及廊坊，近海平原（編號2）主要為滄州和衡水，太行山前平原（編號3）包括保定、石家莊、邢臺及邯鄲。北部小麥種植面積緩慢減小，從2011年的17.51萬hm2縮減至14.98萬hm2。北部冬小麥面積僅占研究區(qū)小麥總面積的7.10%，因城市化進(jìn)程較快導(dǎo)致農(nóng)業(yè)用地轉(zhuǎn)化為建筑用地和工業(yè)用地，也有因農(nóng)業(yè)收益較低而出現(xiàn)棄耕現(xiàn)象。近海平原冬小麥面積呈增長趨勢，由2011年的50.75萬hm2增加到2016年的66.96萬hm2，該地區(qū)有中低產(chǎn)田及鹽堿荒地，自2013年啟動渤海糧倉科技示范工程對該地區(qū)種植模式進(jìn)行改良，使冬小麥種植面積增加。太行山前平原小麥種植面積占研究區(qū)小麥面積的67%左右，呈快速減小趨勢，由2011年的168.25萬hm2縮減至135.79萬hm2。主要原因是2014年河北省政府公布的平原區(qū)地下水超采區(qū)、禁采區(qū)和限采區(qū)主要在保定、石家莊、邢臺和邯鄲，由冬小麥轉(zhuǎn)為用水量相對低的玉米和其他經(jīng)濟(jì)作物，導(dǎo)致冬小麥面積減少。

4 結(jié)論

HANTS濾波與像元二分模型相結(jié)合精確提取中低分辨率影像冬小麥種植面積有效可行，總體分類精度在91%以上，今后研究中可選取更高分辨率影像修正分類結(jié)果或增加野外實測樣本，進(jìn)一步提高信息提取精度。

河北平原冬小麥種植主要分布在太行山前平原及近海平原，占研究區(qū)小麥種植面積的66%和29%，而河北平原北部冬小麥種植面積較小。

2011—2016年冬小麥種植面積整體下降：河北平原北部的下降與城市化進(jìn)展及低收益導(dǎo)致的棄耕有關(guān)，太行山前平原多與地下水壓采政策有關(guān)，而近海平原區(qū)的增長是因近年“渤海糧倉計劃”對鹽堿地的修復(fù)。

參考文獻(xiàn)：

[1]權(quán)文婷，王 釗. 冬小麥種植面積遙感提取方法研究[J]. 國土資源遙感，2013，25（4）：8-15.

[2]吳炳方. 中國農(nóng)情遙感速報系統(tǒng)[J]. 遙感學(xué)報，2004，8（6）：481-497.

[3]張佳華，胡小夏，劉學(xué)鋒，等. 基于MODIS數(shù)據(jù)提取華北典型區(qū)冬小麥種植面積[J]. 中國科學(xué)院大學(xué)學(xué)報，2013，30（5）：637-643.

[4]王紅營. 基于遙感的華北平原農(nóng)業(yè)土地利用時空變化特征及驅(qū)動力分析[D]. 石家莊：河北師范大學(xué)，2016.

[5]王紅營，潘學(xué)鵬，羅建美，等. 基于遙感的華北平原農(nóng)作物時空分布變化特征分析[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2015，23（9）：1199-1209.

[6]范 磊，程永正，王來剛，等. 基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2010，31（6）：44-51.

[7]姜亞珍，張瑜潔，孫 琛，等. 基于MODIS-EVI黃淮海平原冬小麥種植面積分帶提取[J]. 資源科學(xué)，2015，37（2）：417-424.

[8]Xiao X，Stephen B，Liu J，et al. Mapping paddy rice agriculture in southern china using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95：480-492.

[9]Wardlow B D，Egbert S L，Kastens J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment，2007，108（3）：290-310.

[10]Lunetta R S，Knight J F，Ediriwickrema J. Land-cover characterization and change detection using multi-temporal MODIS NDVI data[J]. Remote Sensing of Environment，2006，105（2）：142-154.

[11]Murthy C S，Raju P V，Badrinath K V S. Classification of wheat crop with multi-temporal images：performance of maximum likelihood and artificial neural networks[J]. International Journal of Remote Sensing，2003，24（23）：4871-4890.

[12]王 磊，王 賀，盧艷麗，等. NDVI在農(nóng)作物監(jiān)測中的研究與應(yīng)用[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2013，34（4）：43-50.

[13]葛廣秀，李衛(wèi)國，景元書. 基于NDVI密度分割的冬小麥種植面積提取[J]. 麥類作物學(xué)報，2014，34（7）：997-1002.

[14]平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農(nóng)作物分類[J]. 自然資源學(xué)報，2016，31（3）：503-513.

[15]黃 青，吳文斌，鄧 輝，等. 2009年江蘇省冬小麥和水稻種植面積信息遙感提取及長勢監(jiān)測[J]. 江蘇農(nóng)業(yè)科學(xué)，2010（6）：508-511.

[16]楊小喚，張香平，江 東. 基于MODIS時序NDVI特征值提取多作物播種面積的方法[J]. 資源科學(xué)，2004（6）：17-22.

[17]Zhang M，Zhou Q，Chen Z，et al. Crop discrimination in Northern China with double cropping systems using fourier analysis of time-series MODIS data[J]. International Journal of Applied Earth Observation & Geo-Information，2008，10（4）：476-485.

[18]鄒金秋，陳佑啟，Uchida S，等. 利用Terra/MODIS數(shù)據(jù)提取冬小麥面積及精度分析[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（11）：195-200.

[19]張榮群，王盛安，高萬林，等. 基于時序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46（增刊1）：246-252.

[20]潘學(xué)鵬，李改欣，劉峰貴，等. 華北平原冬小麥面積遙感提取及時空變化研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2015，23（4）：497-505.

[21]陳 健，劉云慧，宇振榮. 基于時序MODIS-EVI數(shù)據(jù)的冬小麥種植信息提取[J]. 中國農(nóng)學(xué)通報，2011（1）：446-450.

[22]張 霞，帥 通，楊 杭，等. 基于MODIS EVI圖像時間序列的冬小麥面積提取[J]. 農(nóng)業(yè)工程學(xué)報，2010，26（增刊1）：220-224.

[23]張明偉，周清波，陳仲新，等. 基于MODIS EVI時間序列的冬小麥長勢監(jiān)測[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2007（2）：29-33.

[24]王 學(xué)，李秀彬，談明洪，等. 華北平原2001—2011年冬小麥播種面積變化遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（8）：190-199.

[25]許青云，楊貴軍，龍慧靈，等 基于MODIS NDVI多年時序數(shù)據(jù)的農(nóng)作物種植識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（11）：134-144.

[26]王連喜，徐勝男，李 琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（5）：182-187.

[27]梁守真，施 平，邢前國. MODIS NDVI時間序列數(shù)據(jù)的去云算法比較[J]. 國土資源遙感，2011（1）：33-36.

[28]劉倩楠，岳彩榮，歐陽志云，等. 基于MODIS-NDVI時序數(shù)據(jù)的重慶市植被變化研究[J]. 測繪與空間地理信息，2012，35（3）：99-102.

[29]Roerink G，Menenti M. Time series of satellite data：development of new products[R]. FAO，2000.

[30]李苗苗，吳炳方，顏長珍，等. 密云水庫上游植被覆蓋度的遙感估算[J]. 資源科學(xué)，2004（4）：153-159.

[31]佟斯琴，包玉海，張巧鳳，等. 基于像元二分法和強(qiáng)度分析方法的內(nèi)蒙古植被覆蓋度時空變化規(guī)律分析[J]. 生態(tài)環(huán)境學(xué)報，2016，25（5）：737-743.

[32]魏石磊，翟 亮，桑會勇，等. 像元分解模型的植被覆蓋度遙感估算[J]. 測繪科學(xué)，2016（1）：139-143.

[33]潘學(xué)鵬. 華北平原主要作物遙感提取及時空變化研究[D]. 西寧：青海師范大學(xué)，2015.

[34]黃 青，李丹丹，陳仲新，等. 基于MODIS數(shù)據(jù)的冬小麥種植面積快速提取與長勢監(jiān)測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2012，43（7）：163-167. 丁素明，薛新宇，孫 竹，等. 梨樹枝條粉碎機(jī)切削系統(tǒng)工作參數(shù)的優(yōu)化[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（15）：241-246.