高葉鵬， 劉海新， 王冬利， 文韶鑫， 錢以臨

(河北工程大學(xué)礦業(yè)與測(cè)繪工程學(xué)院，河北邯鄲 056038)

作物種植結(jié)構(gòu)作為農(nóng)業(yè)生產(chǎn)活動(dòng)結(jié)果的直接體現(xiàn)，可以反映農(nóng)作物的種植類型、種植布局、種植面積以及種植模式的綜合農(nóng)業(yè)信息[1]?？焖?、準(zhǔn)確地獲取農(nóng)作物種植結(jié)構(gòu)的時(shí)空動(dòng)態(tài)變化信息，是研究作物長(zhǎng)勢(shì)、優(yōu)化種植結(jié)構(gòu)的重要依據(jù)，也是指導(dǎo)農(nóng)業(yè)生產(chǎn)、估測(cè)農(nóng)作物產(chǎn)量、實(shí)施農(nóng)作物精細(xì)化管理的重要支撐[2]。因此，開展作物種植結(jié)構(gòu)提取研究具有非常重要的現(xiàn)實(shí)意義。目前，農(nóng)作物種植結(jié)構(gòu)提取的研究主要考慮遙感數(shù)據(jù)源的選擇、特征變量的選取以及分類方法的選用3個(gè)方面[3]。在數(shù)據(jù)源的選擇方面，目前常被學(xué)者用于研究的是高時(shí)間、低空間分辨率的MODIS和中高空間分辨率、時(shí)間分辨率較低的Sentinel-2、Landsat、高分系列等數(shù)據(jù)[4-6]。在特征變量選取方面，常被國內(nèi)外學(xué)者用來研究農(nóng)作物分類的特征變量是紋理特征、光譜特征、植被指數(shù)等，其中植被指數(shù)作為表征地表植被生長(zhǎng)狀況的重要參數(shù)應(yīng)用最廣泛[7-13]。在分類方法選用方面，國內(nèi)外學(xué)者較常用且分類精度較高的是隨機(jī)森林、決策樹、面向?qū)ο蟮确诸惙椒?，這些方法都較成熟，已經(jīng)得到廣大學(xué)者的驗(yàn)證與應(yīng)用[14-17]。但是根據(jù)已有研究結(jié)果[18-20]，這些分類方法都存在以下問題：一是需要人工采集一定數(shù)量的訓(xùn)練樣本；二是需要過多的人為干擾；三是自動(dòng)化程度較低。因此，本研究基于遙感技術(shù)在種植結(jié)構(gòu)領(lǐng)域的應(yīng)用，選用MODIS數(shù)據(jù)作為數(shù)據(jù)源，以增強(qiáng)植被指數(shù)(EVI)作為主要特征變量，分析基于決策樹和廣義DEM模型分類方法的河北省邯鄲市漳滏河灌區(qū)主要作物種植結(jié)構(gòu)提取，對(duì)比評(píng)價(jià)2種分類方法的提取精度和分類結(jié)果，分析討論廣義DEM在提取作物方面的適用性以及提取優(yōu)勢(shì)。同時(shí)，獲得區(qū)域內(nèi)農(nóng)作物的種植結(jié)構(gòu)信息，以期為漳滏河灌區(qū)作物的精細(xì)化管理和可持續(xù)發(fā)展提供科學(xué)依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

1.1.1 地理位置 漳滏河灌區(qū)位于河北省邯鄲市中部，介于36°15′～36°55′N、113°50′～115°20′E之間，范圍涉及磁縣、永年區(qū)、曲周縣、雞澤縣、臨漳縣、成安縣、魏縣、廣平縣、肥鄉(xiāng)區(qū)、館陶縣、大名縣、邯鄲市區(qū)(邯山區(qū)、叢臺(tái)區(qū))、峰峰礦區(qū)，是全國特大型灌區(qū)之一，灌區(qū)內(nèi)總耕地面積達(dá)到26多萬hm2。灌區(qū)內(nèi)主要取水模式為水庫引水，大多來源于滏陽河上的東武仕水庫和漳河上的岳城水庫，另灌區(qū)內(nèi)建設(shè)有總干渠、干渠、分干渠等多個(gè)灌溉渠道，可實(shí)現(xiàn)2個(gè)水庫之間的聯(lián)合調(diào)度、水源共享(圖1)。

1.1.2 農(nóng)作物種植情況 漳滏河灌區(qū)屬于溫帶半干旱、半濕潤(rùn)季風(fēng)氣候，氣候條件適宜小麥、玉米、辣椒等農(nóng)作物的種植以及蘋果、梨、桃等林果的生長(zhǎng)，且該地區(qū)冬小麥和夏玉米大多采取連種的方式，其主要農(nóng)作物物候期見表1。

表1 主要農(nóng)作物物候信息

1.2 數(shù)據(jù)來源及處理

1.2.1 遙感數(shù)據(jù) 本研究采用從美國國家航空航天局(National Aeronautics and Space Administration，NASA)官網(wǎng)(https：//ladsweb.modaps.eosdis.nasa.gov/search/)獲取的2018年空間分辨率為250 m，16 d合成的MOD13Q1影像，共計(jì)23個(gè)時(shí)相作為時(shí)間序列數(shù)據(jù)集，并利用MRT(MODIS Reprojection Tool)對(duì)其進(jìn)行拼接、重投影、波段提取，通過裁剪以獲取研究區(qū)增強(qiáng)植被指數(shù)(EVI)、紅光波段反射率、近紅外波段反射率等多個(gè)數(shù)據(jù)產(chǎn)品。

1.2.2 樣本選擇 本研究結(jié)合研究區(qū)2018年谷歌地球?qū)I(yè)版(Google Earth Pro)高分辨率歷史影像，根據(jù)研究區(qū)內(nèi)主要的地物類型，通過目視解譯的方法，選取研究區(qū)冬小麥—夏玉米、辣椒、大棚蔬菜、其他地物(建設(shè)用地、林地等未識(shí)別地類)4類樣本，并保證在選擇過程中樣本的隨機(jī)性和均勻分布。選擇的樣本數(shù)據(jù)主要分為2個(gè)部分用途，一部分用于作物分類方法的時(shí)間序列構(gòu)建，一部分用于作物分類結(jié)果的精度驗(yàn)證，具體樣本選擇見表2。

2 研究方法

2.1 決策樹模型

遙感領(lǐng)域的決策樹分類模型是一種自上而下且根據(jù)不同地物的特殊屬性，結(jié)合先驗(yàn)知識(shí)以及數(shù)據(jù)的統(tǒng)計(jì)分析基于訓(xùn)練集構(gòu)造的1個(gè)以二叉樹和多叉樹形式展現(xiàn)的分類規(guī)則模型[21]。決策樹分類模型具有分類規(guī)則靈活、分類數(shù)據(jù)多源、運(yùn)算高效等特點(diǎn)，在作物識(shí)別方面具有廣泛應(yīng)用[22-24]。本研究利用增強(qiáng)植被指數(shù)(EVI)、比值植被指數(shù)(RVI)、紅光波段反射率、近紅外波段反射率等多源數(shù)據(jù)，共同參與決策樹分類規(guī)則的制定，以更準(zhǔn)確地提取不同地物。

表2 樣本個(gè)數(shù)統(tǒng)計(jì)

2.1.1 MODIS時(shí)間序列的構(gòu)建 劉俊偉等認(rèn)為，在提取多種作物時(shí)，尤其是作物周期存在一定重疊的，僅采用單一特征變量來提取作物存在一定困難，可能會(huì)出現(xiàn)較多錯(cuò)分和漏分現(xiàn)象，提取精度會(huì)降低，因而通常會(huì)選擇多個(gè)特征變量作為約束條件進(jìn)行作物提取[25-26]。而作物的光譜特征和光譜指數(shù)作為表征作物生長(zhǎng)過程中重要的指標(biāo)，可以反映不同作物對(duì)波段信號(hào)反射的差異性以及作物的生長(zhǎng)狀況，故常被組合共同用于作物的提取。因此，本研究選擇EVI、RVI、紅光波段反射率、近紅外波段反射率4個(gè)特征變量作為約束條件來提取作物，并基于MODIS時(shí)序數(shù)據(jù)利用樣本分別構(gòu)建EVI、RVI、ρR、ρNIR的時(shí)序曲線，根據(jù)統(tǒng)計(jì)的均值數(shù)據(jù)繪制其變化曲線(圖2)，其中RVI由ρR、ρNIR計(jì)算得出。各個(gè)時(shí)相所對(duì)應(yīng)的日期見表3。

2.1.2 基于MODIS數(shù)據(jù)決策樹模型構(gòu)建 決策樹技術(shù)路線見圖3。結(jié)合表1、圖2可知，區(qū)域內(nèi)對(duì)作物識(shí)別能夠形成干擾的其他地物主要是建筑、道路等非農(nóng)業(yè)用地，故先將非農(nóng)業(yè)用地從識(shí)別影像中剔除掉，觀察發(fā)現(xiàn)非農(nóng)業(yè)用地的EVI值在整個(gè)時(shí)間序列中都處于較低的水平，且在第7時(shí)相非農(nóng)業(yè)用地的EVI值都小于其他作物的EVI值，經(jīng)試驗(yàn)設(shè)置EVI(7)<0.21作為約束條件之一，可以提取出大部分非農(nóng)用地。為保證非農(nóng)業(yè)用地充分剔除掉，引入近紅外波段反射率作為另一個(gè)約束條件，由圖2-d 可知，非農(nóng)業(yè)用地在近紅外波段反射率第1時(shí)相其反射率遠(yuǎn)低于其他地物，且在第1時(shí)相非農(nóng)業(yè)用地的最大值都小于其他作物的最小值，因而根據(jù)樣本統(tǒng)計(jì)的非農(nóng)業(yè)用地第1時(shí)相反射率最大值0.19作為閾值，形成約束條件NIR(1)<0.19。因此，利用約束條件EVI(7)<0.21、NIR(1)<0.19剔除影像內(nèi)的非農(nóng)業(yè)用地。

表3 MODIS數(shù)據(jù)時(shí)相

由圖2-a可知，大棚蔬菜在7月下旬，即第14時(shí)相其EVI值與其他作物有明顯區(qū)別，這是由于其他作物在7月下旬左右正處于生長(zhǎng)旺盛期EVI值較高，因而可以利用該時(shí)相設(shè)置閾值提取大棚蔬菜，根據(jù)樣本統(tǒng)計(jì)值設(shè)置約束條件為EVI(14)<0.4。另外，由圖2-b可知，大棚蔬菜的RVI在第14時(shí)相其值也遠(yuǎn)小于其他作物，為避免提取出來的大棚蔬菜可能混有部分其他作物，將RVI作為另一個(gè)約束條件進(jìn)一步提取大棚蔬菜，經(jīng)反復(fù)驗(yàn)證設(shè)置約束條件RVI(14)≤5較合適。因此，最終利用規(guī)則EVI(14)<0.4、RVI(14)≤5來提取大棚蔬菜。

辣椒與冬小麥、夏玉米等作物存在周期重疊問題，單依靠EVI很難完全把辣椒提取出來，而辣椒在紅光波段比其他作物有較強(qiáng)的反射率，因而本研究利用EVI和紅光波段反射率提取該作物。由圖2-a 可知，辣椒在第7時(shí)相與冬小麥—夏玉米的EVI值有明顯差距，且辣椒大部分EVI值都集中在0.38附近，可以通過設(shè)置合理的EVI區(qū)間閾值將絕大部分辣椒提取出來，根據(jù)樣本統(tǒng)計(jì)值設(shè)置區(qū)間0.35≤EVI(7)≤0.45提取辣椒較合適。另外，由圖2-c可知，辣椒的紅光波段反射率在春季時(shí)較冬小麥、夏玉米都高，故可通過該時(shí)期將辣椒與冬小麥—夏玉米區(qū)分開，經(jīng)過試驗(yàn)發(fā)現(xiàn)設(shè)置RED(2)≥0.12作為約束條件可以進(jìn)一步提取辣椒。因此，選擇提取辣椒的約束條件為0.35≤EVI(7)≤0.45、RED(2)≥0.12。

冬小麥和夏玉米的種植模式為輪種，故提取其中1種作物就可以獲得另一種作物的種植結(jié)構(gòu)。4月上旬是冬小麥生長(zhǎng)最旺盛的時(shí)期，該時(shí)段冬小麥的EVI值明顯高于其他地物，使用第7時(shí)相冬小麥EVI最小值0.42作為閾值，大于該閾值的即為冬小麥和少許辣椒。因提取物里面還含有部分辣椒，需要進(jìn)一步進(jìn)行提取，因辣椒與冬小麥在第7時(shí)相紅光波段反射率有明顯差距，其最小值大于冬小麥的最大值，故使用辣椒紅光波段反射率最小值0.08將兩者分離，即約束條件RED(7)≤0.08。因此，選擇EVI(7)≥0.42、RED(7)≤0.08作為提取冬小麥—夏玉米的條件。

2.2 廣義DEM模型

2.2.1 廣義DEM基本理論 數(shù)字高程模型(DEM)是地形高程數(shù)據(jù)對(duì)地形曲面的數(shù)字化表達(dá)。通過DEM可以獲取區(qū)域地形因子(坡度、坡向、坡向變率、地形起伏度等)和特征地形要素(山頂點(diǎn)、脊點(diǎn)、山脊線、山谷線等)，使其常應(yīng)用于土壤、水文、地質(zhì)災(zāi)害、地貌等多個(gè)領(lǐng)域。DEM還可以擴(kuò)展為廣義DEM，即在二維地理空間上具有連續(xù)變化特征的各種非高程屬性，按照DEM的構(gòu)建方法，使其具備類似地形上的高程屬性，進(jìn)而可以通過地形分析反映其空間分布特征。

根據(jù)廣義DEM思想[27-28]，可以將遙感植被指數(shù)作為代表植被信息的DEM，進(jìn)而以植被指數(shù)為基礎(chǔ)計(jì)算植被指數(shù)的“地形因子”和“特征地形要素”，根據(jù)這些“地形因子”和“特征地形要素”攜帶的空間信息，可以對(duì)農(nóng)作物進(jìn)行識(shí)別和提取。

2.2.2 廣義DEM模型原理和實(shí)施流程 選擇提取作物植被指數(shù)最大和最小時(shí)期的遙感數(shù)據(jù)做差值運(yùn)算，通過差值運(yùn)算增強(qiáng)植被信息，使得不同的地物表現(xiàn)出不同的差值大小，而同一地物的差值將會(huì)集中在某一數(shù)值附近，根據(jù)作物的物候信息，作物植被指數(shù)差值將會(huì)集中在一個(gè)高值區(qū)域，故可選定合適的閾值實(shí)現(xiàn)對(duì)作物的提取。

廣義DEM模型提取作物基本操作流程見圖4。以冬小麥作物提取為例，其具體實(shí)施流程如下：第一，獲取研究區(qū)遙感影像，差值增強(qiáng)植被信息。選擇冬小麥植被指數(shù)最大和最小的兩期影像，并用最大和最小植被指數(shù)相鄰的2個(gè)時(shí)相做最大值合成和最小值合成，合成后通過差值運(yùn)算增強(qiáng)農(nóng)作物信息，獲得作物差值增強(qiáng)影像。第二，根據(jù)廣義DEM思想，提取作物差值影像上特征要素“山頂點(diǎn)”作為提取作物的候選樣本。其中“山頂點(diǎn)”提取步驟包括：利用鄰域統(tǒng)計(jì)最大值函數(shù)統(tǒng)計(jì)差值影像指定鄰域范圍內(nèi)所有輸入像元值的最大值；利用鄰域最大值影像與原始差值影像做差得到“山頂點(diǎn)”影像(山頂點(diǎn)即差值為0的柵格)；利用“山頂點(diǎn)”影像和原始差值影像提取出“山頂點(diǎn)”對(duì)應(yīng)的植被指數(shù)值。第三，“山頂點(diǎn)”提取的作物樣本可能存在一定數(shù)量的錯(cuò)誤樣本，須要對(duì)其進(jìn)行二次篩選。因而，利用廣義DEM思想中“山頂點(diǎn)”一定位于“山脊線”上的特點(diǎn)，將其作為二次篩選樣本條件，將錯(cuò)誤樣本去掉。其中，提取山脊線的原理是根據(jù)地面的坡向變率及地面正負(fù)地形，取正地形上的坡向變率值較大的部分即為山脊。而坡向變率值較大部分的提取則根據(jù)獲取的坡向變率統(tǒng)計(jì)值，選用標(biāo)準(zhǔn)方差作為分類間斷點(diǎn)將坡向變率分為若干類，取最大的一類即為坡向變率值較大的部分。故最終將“山脊線”與“山頂點(diǎn)”疊加進(jìn)行樣本篩選，取“山頂點(diǎn)”對(duì)應(yīng)的植被指數(shù)的最小值作為作物的提取閾值。

2.2.3 基于MODIS數(shù)據(jù)的廣義DEM方法作物提取

2.2.3.1 數(shù)據(jù)選取與增強(qiáng) 由圖2-a可知，夏玉米在7月下旬生長(zhǎng)最旺盛，EVI達(dá)到峰值，在其播種期6月和成熟期9月EVI值最小，但由于9月綠色植被生長(zhǎng)旺盛容易對(duì)夏玉米的提取產(chǎn)生干擾，故本研究選擇7月下旬影像作為最大值、6月中旬影像作為最小值，為增強(qiáng)圖像，使用MODIS第14、15時(shí)相進(jìn)行最大值合成，第11、12時(shí)相進(jìn)行最小值合成，二者差值運(yùn)算獲得差值增強(qiáng)影像。

辣椒在5月上旬到達(dá)生長(zhǎng)旺盛期，EVI值達(dá)到最大，故可以選擇MODIS中相對(duì)應(yīng)的第8時(shí)相作為最大值影像；春植辣椒一般在2月進(jìn)行播種，此時(shí)對(duì)應(yīng)的EVI值最小，所以可以選擇MODIS中相對(duì)應(yīng)的第4時(shí)相作為最小值影像。根據(jù)圖像增強(qiáng)處理，選擇MODIS第7、8時(shí)相進(jìn)行最大值合成，第3、4時(shí)相進(jìn)行最小值合成，并進(jìn)行差值運(yùn)算獲得增強(qiáng)影像。

由圖2-a還可知，在10月中旬各種作物都基本已經(jīng)成熟或剛播種，所以EVI值較低，而大棚蔬菜在10月中旬EVI值較其他作物都較高，故選擇10月中旬作為大棚蔬菜的最大值影像；觀察EVI時(shí)序曲線在10月以后，冬小麥、辣椒的EVI值開始逐漸升高，而大棚蔬菜的EVI逐漸開始降低，在12月左右其他作物EVI值比大棚蔬菜都高，故選擇12月中旬作為大棚蔬菜的最小值影像。因此，選擇MODIS第18、19時(shí)相進(jìn)行最大值合成，第22、23時(shí)相進(jìn)行最小值合成，對(duì)圖像做增強(qiáng)處理，進(jìn)而通過差值運(yùn)算獲得差值影像。

2.2.3.2 EVI廣義DEM“山頂點(diǎn)”提取 以冬小麥—夏玉米提取為例，根據(jù)廣義DEM“山頂點(diǎn)”提取原理，首先應(yīng)用鄰域最大值統(tǒng)計(jì)算法，采用3×3窗口對(duì)冬小麥—夏玉米的差值影像取鄰域最大值獲得最大值影像，用該影像減去原始差值影像，差值結(jié)果像元值為0的即為冬小麥—夏玉米EVI差值影像的“山頂點(diǎn)”，進(jìn)而提取對(duì)應(yīng)“山頂點(diǎn)”的EVI差值數(shù)值，構(gòu)建冬小麥—夏玉米提取樣本數(shù)據(jù)集。

2.2.3.3 二次篩選樣本點(diǎn) 利用廣義DEM思想，“山頂點(diǎn)”必定位于“山脊線”上，采用3×3的移動(dòng)窗口計(jì)算“坡向”和“坡向變率”，統(tǒng)計(jì)“坡向變率”的標(biāo)準(zhǔn)方差，將其作為分類間斷點(diǎn)，提取“坡向變率”值較大部分即為山脊線，將“山脊線”與“山頂點(diǎn)”相交，二次篩選樣本的EVI差值數(shù)值，取其最小值作為冬小麥—夏玉米的提取閾值，其樣本篩選見表4。由于辣椒和冬小麥—夏玉米生長(zhǎng)期的重疊，故在提取辣椒時(shí)應(yīng)將冬小麥—夏玉米提取結(jié)果先從提取辣椒影像中掩膜去掉，再進(jìn)行辣椒和大棚蔬菜的提取，進(jìn)而對(duì)作物辣椒和大棚蔬菜按照相同方法和流程執(zhí)行“2.2.3.2”節(jié)、“2.2.3.3”節(jié)部分的步驟，得到樣本篩選表見表4。

表4 主要作物樣本篩選

3 結(jié)果與分析

3.1 主要作物提取結(jié)果

本研究利用決策樹和廣義DEM分類方法，獲取漳滏河灌區(qū)主要作物種植結(jié)構(gòu)，結(jié)果見圖5、圖6。由圖5和圖6可知，冬小麥—夏玉米是漳滏河灌區(qū)主要的種植作物，其分布范圍廣、種植面積大，且種植區(qū)域基本固定，而辣椒、大棚蔬菜種植面積相對(duì)較小且較分散，但這2種作物主要的種植地方都較集中。從決策樹分類結(jié)果來看，辣椒主要位于漳滏河灌區(qū)的東北地區(qū)，即雞澤縣、邱縣和曲周縣，其余地方零散分布；而廣義DEM辣椒分類結(jié)果同樣主要集中在這3縣范圍內(nèi)，但其大部分都集中在雞澤縣附近。賈令晨認(rèn)為，辣椒是雞澤縣的特色優(yōu)勢(shì)產(chǎn)業(yè)和支柱產(chǎn)業(yè)，全縣常年大規(guī)模種植辣椒，已經(jīng)形成了集辣椒種植、加工、銷售完整的產(chǎn)業(yè)體系，因而雞澤縣也被譽(yù)為“中國辣椒之鄉(xiāng)”[29]。近幾年，隨著辣椒產(chǎn)業(yè)的發(fā)展也帶動(dòng)了周邊曲周縣、邱縣、永年區(qū)等地區(qū)開始種植辣椒，逐漸形成了以雞澤縣為中心，其他地區(qū)為輔的辣椒種植基地，這與本研究決策樹和廣義DEM的分類結(jié)果基本相似。

由圖6可知，2個(gè)分類結(jié)果大棚蔬菜都主要分布在永年區(qū)和曲周縣，但二者在面積和分布方面存在一定差異，其中決策樹提取的大棚蔬菜都主要集中在永年區(qū)中部地區(qū)，在曲周縣只有少部分，而廣義DEM提取的大棚蔬菜在永年區(qū)中部地區(qū)較少，部分分布于永年區(qū)與曲周縣東北交界處，絕大部分分布在曲周縣中部偏西地區(qū)。

3.2 精度對(duì)比

對(duì)決策樹和廣義DEM方法的分類結(jié)果精度驗(yàn)證進(jìn)行統(tǒng)計(jì)，結(jié)果見表5、表6。由表5、表6可知，決策樹的總體分類精度為83.37%，κ系數(shù)為0.78，廣義DEM的總體分類精度為85.33%，κ系數(shù)為0.80，2種方法的總體精度都達(dá)到80%以上，分類效果都較理想。但與決策樹分類方法相比，廣義DEM方法的總體分類精度略高于決策樹，較決策樹精度提升了1.96百分點(diǎn)，且各作物的分類精度也都有小幅度提升。因而就提取精度和使用數(shù)據(jù)量的多少而言，廣義DEM在數(shù)據(jù)量較小的情況下也能夠?qū)崿F(xiàn)對(duì)作物的識(shí)別和區(qū)分。

3.3 方法對(duì)比評(píng)價(jià)

決策樹分類方法在作物識(shí)別領(lǐng)域已經(jīng)得到廣泛的驗(yàn)證和應(yīng)用，該方法對(duì)于各種尺度的范圍、各種時(shí)間和空間尺度的數(shù)據(jù)都具有良好的適用性。比較決策樹和廣義DEM分類方法二者各有其特點(diǎn)和優(yōu)勢(shì)，決策樹方法對(duì)數(shù)據(jù)量需求較大，需要人為采集大量的訓(xùn)練樣本，且實(shí)施過程需要人為干預(yù)選取閾值，決策樹分類方法可以將多種數(shù)據(jù)結(jié)合到一起，共同參與決策。相較于決策樹分類方法，廣義DEM分類方法對(duì)數(shù)據(jù)量需求較小，人工干預(yù)較少，可以自動(dòng)選取樣本，自動(dòng)化程度較高，但其通常只能選取1種數(shù)據(jù)作為數(shù)據(jù)源，對(duì)于某些生長(zhǎng)周期存在重疊、植被指數(shù)數(shù)值相近的作物，提取可能較麻煩。

4 結(jié)論與討論

本研究利用MODIS時(shí)間序列數(shù)據(jù)采用決策樹和廣義DEM方法提取漳滏河灌區(qū)的主要作物，并對(duì)2種方法進(jìn)行對(duì)比評(píng)價(jià)，得到以下結(jié)論。第一，廣義DEM作為一種新的作物提取方法，具有很好的可性行和適用性，相對(duì)于決策樹而言，不僅對(duì)數(shù)據(jù)量要求較小，且人工干預(yù)較少，自動(dòng)化程度較高，有較好的提取效果。第二，廣義DEM方法與決策樹對(duì)漳滏河灌區(qū)的作物提取結(jié)果較一致，其中大宗作物冬小麥—夏玉米基本一致，辣椒和大棚蔬菜在面積和分布上存在一定差距，但基本與作物的主要種植區(qū)域吻合。

本研究?jī)H采用高時(shí)間、低空間分辨率的MODIS數(shù)據(jù)來探討廣義DEM的可行性和提取優(yōu)勢(shì)，未采用中高空間分辨率遙感數(shù)據(jù)對(duì)其進(jìn)行進(jìn)一步驗(yàn)證。由于廣義DEM對(duì)數(shù)據(jù)量需求較小，在下一步的研究中可利用中高空間分辨率數(shù)據(jù)進(jìn)行作物提取，以進(jìn)一步驗(yàn)證廣義DEM的可行性、適用性以及其提取優(yōu)勢(shì)。

表5 決策樹主要作物提取結(jié)果混淆矩陣

表6 廣義DEM方法作物提取結(jié)果混淆矩陣