王小飛 張方敏 任祖光 張世豪 高歌

摘要：為了精準(zhǔn)獲取河南省冬小麥空間分布及面積數(shù)據(jù)，基于2003—2021年250 m MODIS-NDVI時(shí)間序列遙感數(shù)據(jù)集，通過(guò)設(shè)置不同的閾值條件獲得高質(zhì)量的樣本數(shù)據(jù)，采用深度神經(jīng)網(wǎng)絡(luò)（DNN）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）算法，自動(dòng)從NDVI時(shí)序數(shù)據(jù)中提取冬小麥特征，分別訓(xùn)練出非線性模型，在250 m尺度對(duì)河南省冬小麥分布和面積進(jìn)行識(shí)別。結(jié)果表明，基于DNN算法的河南省冬小麥面積識(shí)別模型精確率為97.26%，總體一致性為97.97%；基于RF、SVM算法的精確率分別為91.51%和89.31%，總體一致性均在90%以下。和RF、SVM算法相比，DNN算法在精度上有明顯的提升，能夠更好地反映河南省冬小麥的時(shí)間變化趨勢(shì)和空間面積分布。該研究說(shuō)明，運(yùn)用中等分辨率長(zhǎng)時(shí)間序列影像結(jié)合DNN算法，在一定程度上可以更準(zhǔn)確識(shí)別大區(qū)域的農(nóng)作物信息。

關(guān)鍵詞：冬小麥；深度神經(jīng)網(wǎng)絡(luò)；NDVI；遙感；時(shí)間序列

中圖分類號(hào)：S127? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）06-0215-10

收稿日期：2023-04-19

基金項(xiàng)目：江蘇省碳達(dá)峰碳中和科技創(chuàng)新專項(xiàng)資金（編號(hào)：BK20220017）。

作者簡(jiǎn)介：王小飛（1995—），男，河南周口人，碩士研究生，主要從事農(nóng)業(yè)遙感研究。E-mail：1573979951@qq.com。

通信作者：張方敏，博士，教授，主要從事農(nóng)業(yè)與生態(tài)氣象研究，E-mail：fmin.zhang@nuist.edu.cn；高歌，博士，研究員，主要從事氣候變化與評(píng)估研究，E-mail：gaoge@cma.gov.cn。

冬小麥?zhǔn)呛幽鲜〉闹饕r(nóng)作物之一，其產(chǎn)量占全國(guó)小麥總產(chǎn)量的28%（2021年統(tǒng)計(jì)年鑒）。因此，獲取冬小麥準(zhǔn)確的空間分布和種植面積信息，有助于充分發(fā)揮其潛在的生產(chǎn)力，促進(jìn)我國(guó)農(nóng)業(yè)的發(fā)展和糧食安全，這一工作具有非常重要的意義^[1]。遙感技術(shù)在作物類型識(shí)別和分類中發(fā)揮著關(guān)鍵作用，能夠有效提取出不同作物的長(zhǎng)勢(shì)特征和種植面積，是推進(jìn)農(nóng)業(yè)現(xiàn)代化的關(guān)鍵一步^[2]。由于不同農(nóng)作物在光譜特征上的相似度較高，僅憑借單一時(shí)間點(diǎn)的遙感影像進(jìn)行分類容易出現(xiàn)“異物同譜”和“同物異譜”的問(wèn)題，從而影響地物的識(shí)別分類精度^[3]。針對(duì)這個(gè)問(wèn)題，學(xué)者們提出使用長(zhǎng)時(shí)間序列的植被指數(shù)反映不同農(nóng)作物的物候特征^[4]，進(jìn)而提高農(nóng)作物分類的識(shí)別精度^[5]。

近年來(lái)，學(xué)者們利用MODIS^[6-7]、Landsat^[8]、哨兵^[9]、GF^[10]等系列衛(wèi)星數(shù)據(jù)開(kāi)展了冬小麥的遙感識(shí)別研究。使用的方法主要包括機(jī)器學(xué)習(xí)和非機(jī)器學(xué)習(xí)2種^[11-12]。傳統(tǒng)的非機(jī)器學(xué)習(xí)方法在特定條件下表現(xiàn)良好，但其難以泛化到不同的時(shí)間、地點(diǎn)或環(huán)境條件下，因此受到了一定的限制。比如，這些方法通常依賴于手動(dòng)定義的規(guī)則和閾值來(lái)進(jìn)行特征提取和分類，對(duì)于復(fù)雜的植被覆蓋類型和變化不夠靈活^[13]。Busetto等^[14]、Skakun等^[15]、Chu等^[16]、Tao等^[17]、Qiu等^[18]和Dong等^[19]基于MODIS、Landsat時(shí)序數(shù)據(jù)分別采用PhenoRice算法、高斯混合法、雙高斯函數(shù)方法、冬小麥冬前高峰特征法、物候特征法和時(shí)間加權(quán)的動(dòng)態(tài)時(shí)間歸整法進(jìn)行了冬小麥特征提取。采用機(jī)器學(xué)習(xí)方法進(jìn)行冬小麥遙感識(shí)別具有明顯優(yōu)勢(shì)，機(jī)器學(xué)習(xí)方法能夠自動(dòng)從遙感數(shù)據(jù)中學(xué)習(xí)并提取多維特征，無(wú)需事先定義特定規(guī)則或閾值^[20]。利用大量的訓(xùn)練樣本數(shù)據(jù)，機(jī)器學(xué)習(xí)模型能夠建立復(fù)雜的特征-類別關(guān)聯(lián)，從而提高冬小麥識(shí)別的準(zhǔn)確性^[21]。

隨著機(jī)器學(xué)習(xí)算法的快速發(fā)展，深度學(xué)習(xí)算法通過(guò)多層結(jié)構(gòu)和大規(guī)模數(shù)據(jù)訓(xùn)練，能夠?qū)崿F(xiàn)高度的特征學(xué)習(xí)和模式識(shí)別，在各種應(yīng)用中能取得卓越的性能^[22]，明顯強(qiáng)于傳統(tǒng)機(jī)器學(xué)習(xí)算法^[23-26]，因此，在基于遙感的地物分類應(yīng)用也得到了廣泛關(guān)注。張乾坤等利用Landsat-8數(shù)據(jù)，通過(guò)構(gòu)建相對(duì)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)了新疆地物高精度分類^[27]；Sun等使用Landsat-8數(shù)據(jù)構(gòu)建時(shí)間序列，利用深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）算法完成美國(guó)北達(dá)科他州地區(qū)不同作物的分類，總體精度超過(guò)了82%^[28]；姚錦一等采用Sentinel-2數(shù)據(jù)，結(jié)合DNN算法對(duì)色楞格河流域的水體信息進(jìn)行了提取，總體精度達(dá)到了97.65%^[29]；Kussul等結(jié)合Landsat-8和Sentinel-1A遙感數(shù)據(jù)，建立時(shí)間序列數(shù)據(jù)用于提取作物的物候特征，采用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了烏克蘭基輔地區(qū)不同農(nóng)作物的分類，精度可達(dá)94.6%^[30]。

MODIS提供了較長(zhǎng)時(shí)間序列的時(shí)序數(shù)據(jù)，解決了中高分辨率影像數(shù)據(jù)量大、重訪周期長(zhǎng)、大范圍內(nèi)同一時(shí)間影像缺失等問(wèn)題。因此，本研究基于2003—2021年MODIS的250 m歸一化植被指數(shù)（normalized difference vegetation index，NDVI）時(shí)序數(shù)據(jù)，利用具有更強(qiáng)的學(xué)習(xí)能力和更好的泛化性能的DNN算法提取河南省冬小麥種植面積，并和基于隨機(jī)森林（random decision forests，RF）、支持向量機(jī)（support vector machine，SVM）的機(jī)器學(xué)習(xí)算法的結(jié)果進(jìn)行對(duì)比，分析3種機(jī)器學(xué)習(xí)算法下的河南省冬小麥種植面積的提取精度。

1? 研究區(qū)域與數(shù)據(jù)

1.1? 研究區(qū)域概況

河南省是我國(guó)內(nèi)陸腹地的一部分，地理位置介于110.21～116.39°E、31.23～36.22°N之間。河南省屬于溫帶季風(fēng)氣候區(qū)，四季分明，夏季雨水集中，氣候炎熱，冬季干冷。年平均氣溫為10.5～16.7 ℃，年降水量407.7～1 295.8 mm，受東南季風(fēng)影響，呈現(xiàn)由東南向西北逐漸減少的趨勢(shì)。河南省地勢(shì)高低不平，西部以山地和丘陵為主，東部以平原為主。平原地區(qū)土層深厚，土質(zhì)肥沃，棕壤和褐土是主要土壤類型，適合冬小麥的生長(zhǎng)。河南省是全國(guó)冬小麥主要產(chǎn)區(qū)之一。

1.2? 研究數(shù)據(jù)

1.2.1? 遙感數(shù)據(jù)

NDVI數(shù)據(jù)來(lái)源于2003—2021年MODIS MYD13Q1產(chǎn)品（http：//earthexplorer.usgs.gov/），16 d融合產(chǎn)品，1年23期，空間分辨率為250 m。使用MODIS數(shù)據(jù)處理工具（MODIS Reprojection Tool）將MYD13Q1數(shù)據(jù)從HDF格式轉(zhuǎn)換為Tiff格式，進(jìn)行重投影和裁剪等操作，得到河南省冬小麥每年生長(zhǎng)季內(nèi)（10月8日到次年6月17日）17期的NDVI數(shù)據(jù)（因閏年和平年的原因，所述日期和實(shí)際選取的日期會(huì)有1 d的誤差）^[31]。

1.2.2? 樣本數(shù)據(jù)

為獲取河南省主要地物類型分布，結(jié)合Google Earth和中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)（http：//data.cma.cn/）下載的參考樣本點(diǎn)數(shù)據(jù)，在冬小麥生長(zhǎng)季將河南省地物類型分為6大類別，即冬小麥、單峰類作物、其他雙峰類作物、林地、建筑用地和水體（圖1）。在研究區(qū)每年共獲得9 970個(gè)左右的樣本點(diǎn)（30 580個(gè)左右的像元點(diǎn)），包括冬小麥6 000個(gè)左右（20 000個(gè)左右的像元點(diǎn)）、單峰類作物550個(gè)左右（600個(gè)左右的像元點(diǎn)）、其他雙峰類作物900個(gè)左右（1 000個(gè)左右的像元點(diǎn)）、林地1 500個(gè)左右（5 700個(gè)左右的像元點(diǎn)）、建筑用地1 000個(gè)左右（3 100個(gè)左右的像元點(diǎn)）、水體20個(gè)左右（180個(gè)左右的像元點(diǎn)）。隨機(jī)選取75%的樣本點(diǎn)作為訓(xùn)練集，剩下的25%樣本點(diǎn)用于測(cè)試集，用來(lái)建立冬小麥識(shí)別的訓(xùn)練模型。

1.2.3? 驗(yàn)證數(shù)據(jù)

為了更好地驗(yàn)證本研究基于DNN算法的分類精度，使用CLCD 30 m的土地覆蓋數(shù)據(jù)集（https：//zenodo.org/records/4417810）^[32]、國(guó)家青藏高原科學(xué)數(shù)據(jù)中心提供的2001—2018年250 m 華北平原農(nóng)作物種植區(qū)分布數(shù)據(jù)集（https：//data.tpdc.ac.cn/）^[33]和河南省統(tǒng)計(jì)年鑒2003—2021年的冬小麥種植面積（https：//tjj.henan.gov.cn/）進(jìn)行精度驗(yàn)證。

2? 研究方法

本研究技術(shù)路線如圖2所示。首先，從樣本點(diǎn)中獲取NDVI時(shí)序數(shù)據(jù)，然后利用設(shè)定的閾值過(guò)濾掉低質(zhì)量樣本。然后，運(yùn)用機(jī)器學(xué)習(xí)模型（包括DNN、RF和SVM）結(jié)合樣本的NDVI時(shí)序數(shù)據(jù)，對(duì)冬小麥進(jìn)行識(shí)別模型的訓(xùn)練。最后將MODIS-NDVI時(shí)序數(shù)據(jù)輸入經(jīng)過(guò)訓(xùn)練的冬小麥識(shí)別模型，對(duì)冬小麥進(jìn)行遙感識(shí)別，并且對(duì)3種機(jī)器學(xué)習(xí)算法的模型精度和冬小麥識(shí)別精度分別進(jìn)行詳細(xì)分析。

2.1? 閾值設(shè)置

閾值主要是剔除冬小麥樣本中出現(xiàn)的低質(zhì)量像元和一些異像元。冬小麥的生長(zhǎng)狀況受雨水、日照等天氣條件影響比較大，比如在2003年、2006年、2008年、2013年一些地區(qū)的冬小麥NDVI值偏低，因此在冬小麥的樣本中通過(guò)設(shè)置閾值，過(guò)濾掉低質(zhì)量的樣本。經(jīng)過(guò)多次試驗(yàn)測(cè)試，認(rèn)為位于冬小麥孕穗期和抽穗期4月14日、4月30日、5月16日的NDVI值能反映出小麥的長(zhǎng)勢(shì)，在NDVI值偏低的4年，任意時(shí)間節(jié)點(diǎn)的NDVI值大于0.78即判斷為質(zhì)量高的冬小麥樣本，在其他NDVI年均值較高的年份，3個(gè)時(shí)間節(jié)點(diǎn)的NDVI值大于0.8判斷為質(zhì)量高的冬小麥樣本。

在其他單峰類作物、雙峰類作物、林地、建筑用地和水體的樣本中，提取時(shí)間序列的NDVI值同樣

需要剔除一些異常值。經(jīng)過(guò)多次試驗(yàn)，認(rèn)為單峰類作物和雙峰類作物在每個(gè)時(shí)間節(jié)點(diǎn)的NDVI值不為空值即可，建筑用地的每個(gè)時(shí)間節(jié)點(diǎn)的NDVI值不應(yīng)超過(guò)0.4。

2.2? 特征選擇

由于河南省南北部氣候差異的原因，小麥種植和收獲的時(shí)間會(huì)存在一定差異，因此，需要確定識(shí)別冬小麥的起始和結(jié)束的時(shí)間，進(jìn)而建立NDVI時(shí)間序列的特征曲線。冬小麥種植時(shí)間在秋季的10—11月之間，該季節(jié)夏玉米、大豆等作物秋收完成，此時(shí)的NDVI值介于0.2～0.3之間，河南省冬小麥種植時(shí)間差異不大，選擇10月8日作為起始時(shí)間。

河南省冬小麥?zhǔn)斋@時(shí)間大部分集中在5月20日之后和6月20日之前，由圖3可知，在2018年6月2日之后NDVI的曲線走勢(shì)出現(xiàn)明顯不同，這是由于2地的冬小麥成熟時(shí)間不一致導(dǎo)致的。樣本2所在區(qū)域?yàn)槟详?yáng)地區(qū)，經(jīng)過(guò)調(diào)研，此地區(qū)的冬小麥成熟時(shí)間大部分集中在5月下旬，收割結(jié)束之后，會(huì)種植夏糧作物，NDVI值在6月17日會(huì)達(dá)到0.4以上，而此時(shí)河南省東部和北部的小麥正處于收割階段，因此最后一個(gè)特征值選擇6月2日的NDVI值。綜上，選擇從10月8日到次年的6月2日共16期的NDVI值作為特征值，可以有效區(qū)分冬小麥、單峰類植物、其他雙峰類植物、林地、建筑用地以及水體（圖4）。

2.3? 構(gòu)建基于DNN的冬小麥訓(xùn)練模型

使用Python編程語(yǔ)言對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，在基于TensorFlow的深度學(xué)習(xí)框架下進(jìn)行DNN模型的搭建、訓(xùn)練和測(cè)試。

2.3.1? DNN網(wǎng)絡(luò)層數(shù)和神經(jīng)元個(gè)數(shù)設(shè)置

網(wǎng)絡(luò)結(jié)構(gòu)采用輸入層、全連接層和輸出層，其中輸入層是將輸入的數(shù)據(jù)壓成一維的數(shù)據(jù)，再用全連接層（設(shè)置128個(gè)神經(jīng)元）接收一維數(shù)據(jù)，進(jìn)行向量處理，最后由輸出層輸出結(jié)果，因?yàn)檩敵鼋Y(jié)果有6個(gè)（冬小麥、單峰類作物、雙峰類作物、林地、建筑用地、水體），輸出層的神經(jīng)元個(gè)數(shù)設(shè)置為6。

2.3.2? DNN激活函數(shù)設(shè)置

在全連接層中使用relu激活函數(shù)，可以規(guī)避sigmoid函數(shù)飽和區(qū)對(duì)網(wǎng)絡(luò)收斂的限制，加快模型訓(xùn)練速度。在神經(jīng)網(wǎng)絡(luò)的輸出層中，采用softmax作為激活函數(shù)對(duì)全連接層的輸出進(jìn)行變換，使得輸出符合概率分布。這樣的處理可以將每個(gè)輸出值限制在[0，1]之間，并且所有輸出的總和為1，從而更好地表示分類概率。

式中：x為來(lái)自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量。

式中：σ是softmax激活函數(shù)；z_j表示神經(jīng)網(wǎng)絡(luò)模型中第j個(gè)節(jié)點(diǎn)的輸出值；K表示模型輸出的節(jié)點(diǎn)個(gè)數(shù)，即分類的類別個(gè)數(shù)。

2.3.3? DNN訓(xùn)練方法設(shè)置

在compile中配置訓(xùn)練方法時(shí)，選擇adam算法。該算法能夠基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)的權(quán)重，通過(guò)計(jì)算梯度的一階估計(jì)和二階估計(jì)為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率。本研究使用adam默認(rèn)參數(shù)，其中一階矩陣指數(shù)衰減率為0.9，二階矩陣指數(shù)衰減率為0.99，穩(wěn)定性常數(shù)為10^-8。

2.3.4? DNN訓(xùn)練參數(shù)設(shè)置

迭代次數(shù)（epochs）設(shè)置為100，這表示將對(duì)數(shù)據(jù)進(jìn)行100次迭代訓(xùn)練。批量大?。╞atch size）設(shè)置64，每次迭代從訓(xùn)練數(shù)據(jù)中隨機(jī)選擇64個(gè)樣本進(jìn)行訓(xùn)練。validation_split設(shè)置為0.25，每次會(huì)自動(dòng)隨機(jī)選擇75%的數(shù)據(jù)為訓(xùn)練集，剩下25%的數(shù)據(jù)為測(cè)試集。驗(yàn)證頻率（validation frequency）設(shè)置為1，每次迭代后都進(jìn)行1次驗(yàn)證，以監(jiān)測(cè)模型性能。

最后，使用訓(xùn)練好的模型對(duì)MODIS-NDVI遙感影像進(jìn)行分類，提取出冬小麥的空間分布和種植面積。

2.4? 構(gòu)建基于RF和SVM的冬小麥訓(xùn)練模型

為驗(yàn)證DNN算法的優(yōu)越性，將其與機(jī)器學(xué)習(xí)框架下的RF和SVM算法進(jìn)行對(duì)比?；赗F和SVM算法的冬小麥訓(xùn)練模型使用和DNN算法一樣的數(shù)據(jù)集。其中，RF訓(xùn)練模型的參數(shù)設(shè)置：子樹(shù)的數(shù)量為100，每棵樹(shù)的最大深度為9，隨機(jī)種子為42；SVM訓(xùn)練模型的參數(shù)設(shè)置：使用線性基作為SVM的核函數(shù)，懲罰因子C為1，松弛變量γ為10^-1，隨機(jī)種子為42。RF和SVM將數(shù)據(jù)集75%的樣本作為訓(xùn)練集，剩下25%的樣本為測(cè)試集。

3? 結(jié)果與分析

3.1? 識(shí)別結(jié)果

根據(jù)2003—2021年的樣本數(shù)據(jù)，基于DNN訓(xùn)練出冬小麥識(shí)別模型，利用這個(gè)模型遍歷讀取了冬小麥生長(zhǎng)季內(nèi)的16期MODIS-NDVI遙感影像，依次得到河南省2003—2021年冬小麥的空間分布圖（圖5），并統(tǒng)計(jì)得到冬小麥面積時(shí)間序列圖（圖6）。由圖5和圖6可知，2003—2021年河南省的冬小麥空間分布格局變化不明顯，河南省冬小麥種植面積整體呈上升趨勢(shì)。

3.2? 分類精度分析

3.2.1? 模型精度分析

在本研究中，通過(guò)精確率和損失率來(lái)評(píng)估模型的優(yōu)劣，精確率衡量了模型預(yù)測(cè)的陽(yáng)性樣本中真正陽(yáng)性樣本的比例，而損失率則代表了模型預(yù)測(cè)錯(cuò)誤的樣本所占的比例^[34]。如表1所示，基于DNN算法的多年精確率為97.26%（最高為2003年的98.43%，最低為2012年的95.14%），比RF、SVM算法精確率分別提升5.75、7.95百分點(diǎn)?；跇颖军c(diǎn)的多年損失率為7.07%，其中最高為2012年的12.27%，最低為2003年的4.12%，比RF、SVM算法損失率分別降低19.79、22.46百分點(diǎn)。該結(jié)果與張榮群等^[3]、王連喜等^[23]、張錦水等^[35]和徐青云等^[36]對(duì)比，精確率分別提升8.31、2.10、1.77、11.54百分點(diǎn)，表明該模型的精度較好，可以對(duì)河南省冬小麥的空間分布和面積進(jìn)行提取。

3.2.2? 識(shí)別精度分析

使用ArcMap軟件對(duì)2003—2021年CLCD 30 m的土地覆蓋數(shù)據(jù)集進(jìn)行250 m重采樣，然后分別與使用DNN、RF和SVM方法的250 m冬小麥分類圖進(jìn)行空間對(duì)比。以2005、2015年為例（圖7），2005年基于DNN的方法冬小麥分布較稀疏，2015年3種方法的結(jié)果較一致。遍歷每個(gè)年份的250 m分辨率的冬小麥分類圖和CLCD數(shù)據(jù)集，比較2個(gè)數(shù)據(jù)集中相同像元位置上的類別，并記錄冬小麥和CLCD數(shù)據(jù)集中相同類別的像元數(shù)量，統(tǒng)計(jì)每個(gè)年份的冬小麥總像元數(shù)量，并計(jì)算相同類別像元數(shù)量與冬小麥總像元數(shù)量的比值，得到2003—2021年DNN預(yù)測(cè)的冬小麥空間分布與CLCD數(shù)據(jù)集耕地的重疊率達(dá)到98%以上，RF和SVM預(yù)測(cè)的冬小麥空間分布重疊率為90%左右。

以國(guó)家青藏高原科學(xué)數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)分布圖作為實(shí)際數(shù)據(jù)，使用DNN、RF和SVM方法得出的結(jié)果作為預(yù)測(cè)數(shù)據(jù)，比較實(shí)際冬小麥面積數(shù)據(jù)和DNN、RF和SVM方法預(yù)測(cè)的冬小麥數(shù)據(jù)。結(jié)果表明，2003—2018年河南省冬小麥面積與DNN預(yù)測(cè)的面積一致性達(dá)到95%以上，與RF和SVM預(yù)測(cè)的面積一致性在90%以下。以2018年商丘和2017年周口的結(jié)果為例（圖8），一致性分別為95.29%、98.62%，與RF方法的一致性分別為92.02%、89.43%，與SVM的一致性分別為92.43%、87.56%。對(duì)比結(jié)果進(jìn)一步說(shuō)明了使用基于DNN的冬小麥訓(xùn)練模型能夠較好地獲取河南省2003—2021年冬小麥空間分布信息。

同樣采用上述方法，與河南省統(tǒng)計(jì)年鑒中的冬小麥播種面積數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果（表2）表明，基于DNN方法計(jì)算2003—2021年的分類面積與統(tǒng)計(jì)面積的一致性平均為97.97%（最高為2016年的99.99%，最低為2003年的93.28%），并且和基于統(tǒng)計(jì)面積的變化趨勢(shì)一致，均為遞增趨勢(shì)。而RF和SVM算法預(yù)測(cè)面積在2003—2006年誤差率高達(dá)20%～35%，導(dǎo)致基于RF和SVM算法的2003—2021年河南省冬小麥預(yù)測(cè)面積呈遞減趨勢(shì)，與統(tǒng)計(jì)年鑒面積趨勢(shì)變化呈相反結(jié)果。結(jié)果說(shuō)明了基于DNN的冬小麥訓(xùn)練模型優(yōu)于RF和SVM算法，亦能很好地反映河南省冬小麥的多年面積變化情況。

4? 討論

盡管冬小麥生長(zhǎng)周期內(nèi)的NDVI時(shí)間序列曲線基本一致，但是由于每年氣候變化和作物管理方式不同，每年的NDVI時(shí)間序列曲線仍有變化^[37]，如圖9所示（該冬小麥樣本點(diǎn)位于116.19°E、33.88°N），2019年冬小麥的NDVI明顯低于其他年份，2012年10月到12月的NDVI值遠(yuǎn)高于其他年份，2008年1月9日的NDVI值達(dá)到歷年最低。因此，本研究根據(jù)當(dāng)年的樣本集訓(xùn)練出當(dāng)年的冬小麥模型，會(huì)減小多年間作物生長(zhǎng)差異對(duì)模型精度的影響。

本研究所使用的是250 m MODIS遙感數(shù)據(jù)，存在混合像元的情況。為了提高分類結(jié)果的準(zhǔn)確性，本研究將混合像元中實(shí)際冬小麥占比大于50%的像元分類為冬小麥，實(shí)際冬小麥占比小于50%的像元分類為非冬小麥，由于冬小麥的時(shí)序曲線變化和其他雙峰類作物的曲線類似，需要收集更多的其他雙峰類作物的樣本，充分發(fā)揮DNN對(duì)于大樣本大數(shù)據(jù)處理的優(yōu)勢(shì)，減少混合像元帶來(lái)的誤差。因此，未來(lái)的研究可以采用多種高分辨率遙感數(shù)據(jù)和多種機(jī)器學(xué)習(xí)算法相結(jié)合的方法提高識(shí)別精度。

DNN是由多個(gè)感知器組成的集成學(xué)習(xí)模型，具有很強(qiáng)的非線性擬合能力，通過(guò)本研究3種機(jī)器學(xué)習(xí)算法的精度對(duì)比可以發(fā)現(xiàn)，DNN的分類能力遠(yuǎn)遠(yuǎn)優(yōu)于其他2種機(jī)器學(xué)習(xí)算法，但是也存在一定的不確定性。在分類的結(jié)果中，有小部分冬小麥像元會(huì)識(shí)別成其他類型，其原因可能是該地區(qū)的天氣相關(guān)，如冬季的雨雪天氣、春季的干旱以及管理農(nóng)作物方式的不同都會(huì)導(dǎo)致NDVI的異常，也可能是由于模型的不足，會(huì)對(duì)精度的評(píng)價(jià)產(chǎn)生一定的影響。因此需要對(duì)DNN模型的分類過(guò)程進(jìn)行更深入的研究，以揭示其“黑盒”性質(zhì)，提高對(duì)其分類結(jié)果的信任度和可靠性^[38]。

5? 結(jié)論

本研究以2003—2021年的MODIS-NDVI為數(shù)據(jù)源，根據(jù)河南省的地勢(shì)和氣候完成對(duì)地表混合像元和異常值的處理，利用處理后的NDVI時(shí)間序列作為特征值，構(gòu)建基于DNN、RF和SVM的冬小麥識(shí)別機(jī)器學(xué)習(xí)算法模型，與已知的數(shù)據(jù)對(duì)比對(duì)識(shí)別的冬小麥進(jìn)行精度驗(yàn)證。結(jié)果表明，在空間上，基于DNN算法的2003—2021年冬小麥分布與CLCD數(shù)據(jù)集在耕地上的重疊率達(dá)到98%以上，與青藏高原科學(xué)數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)的一致性達(dá)95%以上，與河南省統(tǒng)計(jì)年鑒中的冬小麥面積一致性平均為97.97%，并且變化趨勢(shì)保持一致?；赗F和SVM算法的冬小麥分布的識(shí)別結(jié)果與相同數(shù)據(jù)集的對(duì)比顯示，在重疊率和一致性上這2種算法均低于DNN的冬小麥識(shí)別結(jié)果，并且不能很好地反映冬小麥的時(shí)間變化趨勢(shì)。結(jié)果說(shuō)明了基于DNN算法的模型能更有效地提取反映作物生長(zhǎng)信息的時(shí)間和空間特征，提高了大范圍冬小麥的空間分布和面積數(shù)據(jù)的精確度。

參考文獻(xiàn)：

[1]孫九林. 中國(guó)農(nóng)作物遙感動(dòng)態(tài)監(jiān)測(cè)與估產(chǎn)總論[M]. 北京：中國(guó)科學(xué)技術(shù)出版社，1996：1-8.

[2]何忠，謝國(guó)雪，林垚君，等. 遙感技術(shù)在我國(guó)甘蔗產(chǎn)業(yè)的應(yīng)用綜述[J]. 國(guó)土資源信息化，2020（4）：22-27.

[3]張榮群，王盛安，高萬(wàn)林，等. 基于時(shí)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(bào)，2015，46（增刊1）：246-252.

[4]饒新宇，李紅軍，張圣微，等. 草原植被長(zhǎng)勢(shì)遙感監(jiān)測(cè)方法適宜性研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)（中英文），2021，29（12）：2084-2092.

[5]Liang S L. Quantitative remote sensing of land surfaces[M]. New Jersey：John Wiley & Sons，2003：494-501.

[6]Bognár P，Kern A，Pásztor S，et al. Yield estimation and forecasting for winter wheat in Hungary using time series of MODIS data[J]. International Journal of Remote Sensing，2017，38（11）：3394-3414.

[7]Pan Y Z，Li L，Zhang J S，et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment，2012，119：232-242.

[8]Skakun S，Vermote E，F(xiàn)ranch B，et al. Winter wheat yield assessment from Landsat 8 and Sentinel-2 data：incorporating surface reflectance，through phenological fitting，into regression yield models[J]. Remote Sensing，2019，11（15）：1768.

[9]Xu F，Li Z F，Zhang S Y，et al. Mapping winter wheat with combinations of temporally aggregated Sentinel-2 and Landsat-8 data in Shandong Province，China[J]. Remote Sensing，2020，12（12）：2065.

[10]Huawei Mou A，Huan Li B，Yuguang Zhou C，et al. Estimating winter wheat straw amount and spatial distribution in Qihe County，China，using GF-1 satellite images[J]. Journal of Renewable and Sustainable Energy，2021，13（1）：013102.

[11]Zhang X W，Qiu F，Qin F. Identification and mapping of winter wheat by integrating temporal change information and Kullback-Leibler divergence[J]. International Journal of Applied Earth Observation and Geoinformation，2019，76：26-39.

[12]Zhang Q X，Wang G F，Wang G J，et al. Identifying winter wheat using landsat data based on deep learning algorithms in the North China Plain[J]. Remote Sensing，2023，15（21）：5121.

[13]Shi W Z，Zhang M，Zhang R，et al. Change detection based on artificial intelligence：state-of-the-art and challenges[J]. Remote Sensing，2020，12（10）：1688.

[14]Busetto L，Zwart S J，Boschetti M. Analysing spatial-temporal changes in rice cultivation practices in the Senegal River Valley using MODIS time-series and the PhenoRice algorithm[J]. International Journal of Applied Earth Observation and Geoinformation，2019，75：15-28.

[15]Skakun S，F(xiàn)ranch B，Vermote E，et al. Early season large-area winter crop mapping using MODIS NDVI data，growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment，2017，195：244-258.

[16]Chu L，Liu Q S，Huang C，et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series：a case study in the Yellow River Delta，China[J]. Journal of Integrative Agriculture，2016，15（10）：2403-2416.

[17]Tao J B，Wu W B，Zhou Y，et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture，2017，16（2）：348-359.

[18]Qiu B W，Hu X，Chen C C，et al. Maps of cropping patterns in China during 2015—2021[J]. Scientific Data，2022，9：479.

[19]Dong J，F(xiàn)u Y Y，Wang J J，et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data，2020，12（4）：3081-3095.

[20]Amani M，Ghorbanian A，Ali Ahmadi S，et al. Google earth engine cloud computing platform for remote sensing big data applications：a comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：5326-5350.

[21]Li Y S，Li X W，Zhang Y J，et al. Cost-efficient information extraction from massive remote sensing data：when weakly supervised deep learning meets remote sensing big data[J]. International Journal of Applied Earth Observation and Geoinformation，2023，120：103345.

[22]Goodfellow I，Bengio Y，Courville A. Deep learning[M]. Cambridge：The Massachusetts Institute of Technology Press，2016：164-172.

[23]王連喜，徐勝男，李琪，等. 基于決策樹(shù)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(bào)，2016，32（5）：182-187.

[24]李龍，李旭青，吳伶，等. 基于決策樹(shù)和神經(jīng)網(wǎng)絡(luò)的農(nóng)作物分類研究——以廊坊市為例[J]. 紅外，2019，40（3）：24-31，36.

[25]蘇騰飛，劉全明，蘇秀川. 基于多種植被指數(shù)時(shí)間序列與機(jī)器學(xué)習(xí)的作物遙感分類研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（16）：219-224.

[26]楊野，楊德昌，孫紅，等. 基于無(wú)人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)算法的南疆棉花生物量估算[J]. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：179-187.

[27]張乾坤，蒙繼華，任超.構(gòu)建地塊二維表征及CNN模型的作物遙感分類[J]. 遙感學(xué)報(bào)，2022，26（7）：1437-1449.

[28]Sun Z H，Di L P，F(xiàn)ang H，et al. Deep learning classification for crop types in North Dakota[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：2200-2213.

[29]姚錦一，王卷樂(lè)，嚴(yán)欣榮，等. 基于深度神經(jīng)網(wǎng)絡(luò)的蒙古國(guó)色楞格河流域水體信息提取[J]. 地球信息科學(xué)學(xué)報(bào)，2022，24（5）：1009-1017.

[30]Kussul N，Lavreniuk M，Skakun S，et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters，2017，14（5）：778-782.

[31]李炳軍，張一帆. 不同生育期氣候變化對(duì)河南省冬小麥產(chǎn)量影響的量化分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2022，50（12）：238-246.

[32]Yang J，Huang X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data，2021，13（8）：3907-3925.

[33]Li J D，Lei H M. Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001—2018[J]. Computers and Electronics in Agriculture，2021，187：106222.

[34]Pleoianu A I，Stupariu M S，andric I，et al. Individual tree-crown detection and species classification in very high-resolution remote sensing imagery using a deep learning ensemble model[J]. Remote Sensing，2020，12（15）：2426.

[35]張錦水，趙光政，洪友堂，等. 基于像元物候曲線匹配的生長(zhǎng)季內(nèi)河北省冬小麥空間分布識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（23）：193-200.

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

[37]Wu C Y，Chen J M. Diverse responses of vegetation production to interannual summer drought in North America[J]. International Journal of Applied Earth Observation and Geoinformation，2013，21：1-6.

[38]田富有，吳炳方，曾紅偉，等. 基于多層神經(jīng)網(wǎng)絡(luò)與Sentinel-2數(shù)據(jù)的大豆種植區(qū)識(shí)別方法[J]. 地球信息科學(xué)學(xué)報(bào)，2019，21（6）：918-927.