安霞 孫占海 張學(xué)東

摘 要：基于不同特征時間序列數(shù)據(jù)集，使用動態(tài)時間規(guī)整（dynamic time warping，DTW）方法對時間序列遙感影像進行分類。基于時間序列Landsat 8影像數(shù)據(jù)，使用NDVI、EVI、第一主成分（principal component analysis 1，PCA1）3種特征數(shù)據(jù)集結(jié)合DTW算法，對比分析不同特征量對棗樹的識別精度。結(jié)果表明：基于DTW（NDVI）的時間序列特征數(shù)據(jù)集結(jié)合DTW算法能夠得到較好的分類結(jié)果，基于時序DTW（EVI）特征量的方法次之，基于時序DTW（PCA1）特征量的方法的分類精度最低，總體精度分別為95.23%、93.73%、83.84%，Kappa系數(shù)分別為0.858、0.824、0.738。

關(guān)鍵詞：遙感;動態(tài)時間規(guī)整算法;棗樹;時間序列

中圖分類號 S127 文獻標(biāo)識碼 A文章編號 1007-7731（2021）16-0135-04

Extraction of Jujube Planting Area Based on Time Series Landsat Remote Sensing Images

AN Xia et al.

（School of Information Engineering， Tarim University， Alar 843300， China）

Abstract： This paper uses dynamic time warping （DTW） method to classify time series remote sensing images based on different characteristic time series data sets. Based on the time series Landsat 8 image data， using NDVI， EVI， and principal component analysis （PCA1） three feature data sets combined with DTW algorithm to compare and analyze the recognition accuracy of jujube trees with different feature quantities. The results show that the time series feature data set based on DTW （NDVI） combined with DTW algorithm can get better classification results， the method based on time series DTW （EVI） feature quantity is second， and the classification based on time series DTW （PCA1） feature quantity method The accuracy is the lowest. The overall accuracy is 95.23%，93.73%，83.84%， and the Kappa coefficient is 0.858，0.824，0.738.

Key words： Remote sensing; Dynamic time warping algorithm; Jujube tree; Time series

棗樹是阿拉爾墾區(qū)經(jīng)濟林的重要組成部分，也是兵團第一師重要的經(jīng)濟發(fā)展基礎(chǔ)，具備經(jīng)濟、生態(tài)兩大效益[1]。通過遙感衛(wèi)星影像對阿拉爾墾區(qū)棗樹經(jīng)濟林進行監(jiān)測，具有快速、準(zhǔn)確、大范圍、時間連續(xù)性等特點，并且是獲取地物信息的高新技術(shù)手段[2]，因此利用遙感技術(shù)為兵團農(nóng)作物決策提供相關(guān)數(shù)據(jù)支撐具有重要現(xiàn)實意義。由于棗樹的生長發(fā)育時期與其他果樹基本相同，因此在遙感影像中提取棗樹的種植面積容易出現(xiàn)錯分的現(xiàn)象;而且同一品種棗樹的生長發(fā)育也有早有晚，增加了棗樹識別的難度。由于農(nóng)作物在生長過程中具有獨特的物候特征，農(nóng)業(yè)土地在不同時間的遙感影像上具有不同的表現(xiàn)，利用時間序列遙感數(shù)據(jù)中棗樹物候期特征值的變化規(guī)律，進行棗樹種植面積的提取具有實踐意義[3]。

針對時間序列遙感數(shù)據(jù)的農(nóng)作物識別，充分利用各種作物的生長規(guī)律及物候特征，可以有效提高農(nóng)作物分類精度。時間序列曲線是表征植被特征、生長狀態(tài)及植被綠度的最佳指示因子，同時也可以反映季節(jié)和人為活動的變化[4]。Oliphant Adam-J[5]使用Landsat影像，構(gòu)建了藍(lán)光波段、近紅外波段等10個光譜段的時間序列曲線，通過隨機森林算法獲得東南亞地區(qū)土地利用圖，精度較高。宮詔健等[6]使用S-G重構(gòu)法對MODIS NDVI時序曲線進行處理，并有效提取了遼寧省春玉米的種植面積。Pan等[7]利用時間序列數(shù)據(jù)重構(gòu)NDVI時間序列曲線，對冬小麥種植面積進行提取。Murali[8]等通過使用光譜匹配技術(shù)將各類作物基于時間序列生成的時序曲線與標(biāo)準(zhǔn)時間序列曲線進行匹配，對南亞地區(qū)農(nóng)作物進行分類。在使用時序曲線的方法提取作物種植面積時，更多的采用了對NDVI時序曲線進行處理，因此選取不同特征的時序曲線對分類效果的影響值得研究。本研究采用時間序列的Landsat 8數(shù)據(jù)，以新疆阿拉爾市為研究區(qū)域，進行棗樹分類識別，采用動態(tài)時間規(guī)整（dynamic time warping， DTW）算法，利用中高分辨率時間序列影像探究不同特征指標(biāo)對棗樹的識別能力。

1 材料與方法

1.1 研究區(qū)概況 新疆維吾爾自治區(qū)阿拉爾市（80°30～81°58E、40°22～40°57N）轄4個街道、1個鄉(xiāng)、15個鎮(zhèn)，占地面積約5200km2。北接天山山脈，南部深入塔里木盆地北部邊緣地區(qū)，整體地勢由西北向東南傾斜，平均海拔1km左右，境內(nèi)有多條水系，雖處于溫帶大陸性氣候帶，但北部山峰綿延不絕，南部的塔克拉瑪干沙漠一望無際（圖1）。深處內(nèi)陸且大山環(huán)繞，使當(dāng)?shù)亟邓糠浅Ｏ∩?，氣候干燥，但豐富的高山河流水資源和充足的光照時長使這里成為典型的灌溉農(nóng)業(yè)區(qū)。

由于研究區(qū)域地理環(huán)境的特殊性，在南部沙漠地區(qū)幾乎無法進行農(nóng)業(yè)生產(chǎn)，農(nóng)業(yè)生產(chǎn)很大程度上依賴于灌溉水資源。阿拉爾市傍依阿克蘇河、塔里木河、臺蘭河、多浪河水系，在靠近這些河流的地區(qū)，種植的作物種類比較多樣化，而在大部分水資源短缺的區(qū)域，通常采用修建水利工程與滴灌技術(shù)結(jié)合的種植方式。2017年，研究區(qū)棗樹種植面積近4.47萬hm2，紅棗產(chǎn)量占當(dāng)年全國總產(chǎn)量的10%，是我國非常典型的棗樹種植區(qū)域，因此選擇該地區(qū)為研究區(qū)域具有代表性。

1.2 數(shù)據(jù)來源 本研究使用美國地質(zhì)勘探局（USGS）網(wǎng)站上下載的Landsat 8影像，獲取2017年棗樹物候期內(nèi)生長季無云或少云的影像，影像的空間分辨率為30m，共9景影像（05/24、06/09、07/27、08/12、08/28、09/13、09/29、10/15和10/31），影像時間覆蓋了2017年棗樹從發(fā)芽到收獲的整個生長發(fā)育期，所獲取的Landsat 8遙感數(shù)據(jù)時相序號、傳感器、軌道號和獲取時間等詳細(xì)信息見表1。

1.3 試驗設(shè)計 設(shè)計了3組試驗進行對比，分別是基于時間序列NDVI數(shù)據(jù)的DTW法（簡寫為DTW（NDVI））、基于時間序列EVI數(shù)據(jù)的DTW法（簡寫為DTW（EVI））以及基于時間序列PCA1數(shù)據(jù)的DTW法（簡寫為DTW（PCA1））。對獲取的2017年棗樹物候期內(nèi)的10景影像進行指數(shù)計算和主成分分析，生成NDVI、EVI和PCA 3個特征數(shù)據(jù)集，然后根據(jù)棗樹樣本點提取對應(yīng)特征值，將不同特征值分別按照時間排序，生成不同特征的棗樹時間序列曲線;通過S-G濾波方式對曲線進行平滑處理，得到棗樹標(biāo)準(zhǔn)曲線，然后分別計算在3類特征數(shù)據(jù)集下待分像元與棗樹標(biāo)準(zhǔn)曲線的最小累計距離，得到基于像元的隸屬度圖;最后利用隨機森林算法分類，得到研究區(qū)域棗樹種植情況，通過計算得到棗樹種植面積;采用以上3種方案進行匹配計算，得到分類結(jié)果，并進行精度評價和分析（圖2）。

2 結(jié)果與分析

2.1 標(biāo)準(zhǔn)時序曲線生成 針對本研究選取的3種不同特征量生成不同的時序標(biāo)準(zhǔn)曲線。NDVI數(shù)據(jù)作為Landsat中高時間分辨率植被的有效測量手段，有助于對植被生長和活動的季節(jié)和年際變化進行有意義的比較。NDVI的優(yōu)勢在于其定量配給的概念，由于波段數(shù)量增加，產(chǎn)生的噪聲形式也會增多，NDVI可以減少多個波段中存在的多種形式的噪聲（光照差異、云影、大氣衰減和某些地形變化）。此外，對植被覆蓋動態(tài)的敏感性比較表明，由于NDVI數(shù)據(jù)在生長季節(jié)表現(xiàn)出更高的可變性和突變性，因此NDVI數(shù)據(jù)更為敏感，能夠更準(zhǔn)確地檢測變化[9]。

根據(jù)棗樹采樣點提取相關(guān)數(shù)據(jù)，分別生成了NDVI時序數(shù)據(jù)集、EVI時序數(shù)據(jù)集和PCA1時序數(shù)據(jù)集，然后對各自的數(shù)據(jù)進行S-G濾波處理，去除相關(guān)噪聲，生成標(biāo)準(zhǔn)的棗樹不同特征的時序曲線（圖3）。

2.2 時序曲線隸屬度圖 得到標(biāo)準(zhǔn)時間序列后，計算不同特征數(shù)據(jù)集中每個像素的時間序列到標(biāo)準(zhǔn)時間序列的DTW距離（圖4）。DTW距離可以反映標(biāo)準(zhǔn)棗樹生長時間序列與像素時間序列的相似程度和相異程度。在DTW距離圖中，當(dāng)DTW距離較短時，圖中顯示的顏色更深，表現(xiàn)為紅色。距離越小，表明該地區(qū)種植棗樹的可能性越大。

2.3 分類結(jié)果 按照上述步驟得到3種試驗方案的分類結(jié)果，如圖5所示。使用驗證樣本點對分類結(jié)果進行驗證，得到混淆矩陣精度結(jié)果，如表2所示。由表2可知，基于時序NDVI特征的DTW方法的分類精度最高，總體精度為95.23%，利用時序EVI特征量的DTW方法次之（93.73%），基于時序PCA1特征的DTW方法的分類精度最低（83.84%），觀察Kappa系數(shù)值可以得到同樣的結(jié)論。

3 結(jié)論與討論

采用時間序列的Landsat 8數(shù)據(jù)，以新疆阿拉爾市為研究區(qū)域，利用動態(tài)時間規(guī)整（DTW）算法進行棗樹分類識別，探究使用中高分辨率時間序列影像和DTW算法相結(jié)合對棗樹的識別能力。利用隨機森林模型進行棗樹信息提取，并比較不同特征量分類結(jié)果差異，結(jié)果表明：基于時間序列數(shù)據(jù)，基于NDVI的DTW分類方法精度最高，總體精度為95.23%，利用時序EVI特征量的DTW方法次之（93.73%），基于時序PCA1特征的DTW方法的分類精度最低（83.84%）。因此，在使用DTW算法時，采用NDVI特征量分類能得到較好的分類效果。

參考文獻

[1]《新疆兵團第一師阿拉爾市統(tǒng)計年鑒-2018》編輯委員會.王虹主編，新疆兵團第一師阿拉爾市統(tǒng)計年鑒[M].北京：中國統(tǒng)計出版社，2018.

[2]唐華俊，吳文斌，楊鵬，等.農(nóng)作物空間格局遙感監(jiān)測研究進展[J].中國農(nóng)業(yè)科學(xué)，2010，43（14）：2879-2888.

[3]李曉東，姜琦剛.基于多時相遙感數(shù)據(jù)的吉林西部土地覆被分類提取[J].農(nóng)業(yè)工程學(xué)報，2016，32（9）：173-178.

[4]陳曉苗.基于MODIS-NDVI的河北省主要農(nóng)作物空間分布研究[D].石家莊：河北師范大學(xué)，2010.

[5]Adam J. Oliphant，Prasad S. Thenkabail，Pardhasaradhi Teluguntla，et al. Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the Google Earth Engine Cloud[J]. International Journal of Applied Earth Observations and Geoinformation，2019：81.

[6]宮詔健，田景仁，陳杰，等.基于MODIS NDVI數(shù)據(jù)的遼寧省玉米種植面積提取研究[J].江西農(nóng)業(yè)學(xué)報，2020，32（09）：119-126.

[7]Pan Y Z，Li L，Zhang J S.Crop area estimation based on MODIS-EVI time series according to istint characteristic of key phenology phase[J]. Journal of Applied Remote Sensing，2011，15（3）： 578-594.

[8]Gumma M.Mapping rice areas of South Asia using MODIS multitemporal data[J].Journal of Applied Remote Sensing，2011，5（1）： 530-547

[9]Granero-Belinchon Carlos，Adeline Karine，Briottet Xavier. Impact of the number of dates and their sampling on a NDVI time series reconstruction methodology to monitor urban trees with Ven[formula omitted]s satellite[J]. International Journal of Applied Earth Observations and Geoinformation，2021：95.

（責(zé)編：徐世紅）