基于時間序列NDVI的河套平原農田分類方法

蘇騰飛

摘 要：河套平原是中國北方重要的農業基地，利用遙感影像開展河套灌區監測具有重要意義。該文利用時間序列NDVI，分析了不同作物在生長周期上的差異對其NDVI的影響。將多尺度分割和FCM分類算法相結合，發展了一種基于區域的農田遙感影像分類算法。利用本文的方法對五原縣農田區域的時間序列NDVI進行分類實驗。結果表明，該文的方法可以有效區分非農田、葵花和小麥。基于區域的遙感圖像分類算法中，尺度參數的選取是非常重要的。

關鍵詞：NDVI 圖像分割 FCM 農田分類

中圖分類號：F326.2 文獻標識碼：A 文章編號：1674-098X（2014）09（a）-0202-02

河套平原地勢平坦，土質肥沃，雖然年降雨量較低，但憑借黃河灌溉的優勢，自古以來就是中國北方重要的農業基地。該地區面積廣闊，約為25000 km2，可種植小麥、玉米、葵花、蜜瓜等多種經濟作物。農作物長勢和種類分布信息對于指導農業生產有著非常重要的作用。然而，利用傳統觀測手段來監測大范圍的河套灌區是非常費時費力的。遙感技術的興起，為大面積的農業區域監測提供了有力的手段[1]。因此，利用遙感影像進行河套灌區監測具有非常重要的意義。

歸一化差分植被指數（Normalized Difference Vegetation Index，NDVI）是農業遙感中重要的觀測量，利用NDVI可以有效區分農田植被與非植被區域。然而，NDVI僅能反應植被的覆蓋率，不能區分植被覆蓋的種類。為了解決該問題，國內外很多學者利用多時相的遙感影像提取NDVI，根據不同農作物在生長周期上植被覆蓋率的差異，來精確區分農作物的類別。Badhwar等人早在1982年就建立了一個時間序列剖面模型，用以從Landsat NDVI數據中區分作物類型[1]。苗翠翠等利用多時相MODIS提取的NDVI進行了江蘇省水稻面積估計[2]。馬麗等利用3景不同時間的Landsat影像開展了農作物分類研究，試圖區分黑龍江軍川農場的大豆、玉米和水稻。Edlinger等利用Landsat數據對烏茲別克斯坦的棉花作物灌溉區域進行了提取研究。Liu等人綜合利用了不同空間分辨率的時間序列NDVI進行作物分類研究。以上研究的一個共同點是，都根據各自研究區域的特點來調整作物分類方法的參數，以達到最佳分類精度。因此，要利用時間序列的NDVI數據開展河套灌區的作物分類研究，有必要根據該區域的特點進行作物分類方法的優化，以獲得較高的作物識別精度。

該文利用地球觀測一號衛星（Earth Observation-1，EO-1）改進型陸地成像儀（Advanced Land Imager，ALI）影像提取河套灌區的時間序列NDVI，以開展河套灌區作物分類研究。作物分類在本質上可以歸為遙感影像分類問題，而近年來的相關研究表明，基于區域的分類方法在精度上要明顯優于基于像素的分類方法。因此，本文發展了一種基于區域的作物分類方法，該方法結合了多尺度圖像分割和模糊C均值聚類（Fuzzy C-Means，FCM），以準確獲取河套灌區農作物的種類分布信息。本文篇章結構如下。第二節介紹了數據和研究區域；第三節詳細闡明了該文提出的作物分類方法；第四節展示了河套灌區作物分類實驗的結果；第五節總結全文。

1 數據域研究區域

1.1 數據源和預處理

EO-1衛星是NASA于2000年發射的一顆對地觀測衛星，其上主要搭載三個遙感器：高光譜成像儀、大氣校正儀和ALI。ALI與Landsat7具有相似的波段設置，包括9個多光譜波段和1個全色波段。ALI全色波段的空間分辨率為10 m，高于Landsat7 ETM+（15 m），這使得ALI具有更為優越的對地觀測能力。

該文選用了2013年的3景ALI影像，影像獲取時間見表1。影像的預處理包括輻射標定和全色銳化。輻射標定是通過ENVI遙感影像處理軟件實現的，其目的是獲取反射率，用以計算NDVI。ALI多光譜波段的空間分辨率為30 m，為了獲取更為精細的多光譜分辨率影像，采用了ENVI軟件中Gram-Schmidt全色銳化方法，將全色波段和多光譜波段進行融合。

1.2 研究區域

五原縣地處黃河最北端，約占河套灌區總面積的1/4。該地日照充足，溫差較大，雖然年降雨量較低，但黃河灌溉彌補了水資源的不足，因此五原已成為中國北方重要的商品糧基地之一。

（圖1）顯示了五原縣東南的農田區域。藍色方框部分是該文的研究區域。其中西南方較粗的河道為總干渠，由它引出了兩條五原縣的重要灌渠：義和渠和通濟渠。兩條渠道均由南向北流經五原，前者貫穿研究區域的中間部分，后者則在前者的東部向北流入五原。

當地的主要作物包括小麥和葵花，其收獲時間分別為每年的7月下旬和9月中下旬。該文利用7、8、9三個月的NDVI數據，結合兩種作物在收獲時間上的不同，可在遙感影像中得到兩種作物的分布信息。

2 時間序列農田影像分類方法

該文采用了基于區域的遙感影像分類方法，利用時間序列NDVI影像，獲取五原縣不同種類作物的分布信息。

2.1 時間序列NDVI提取與分析

該文利用EO-1 ALI影像中的近紅外波段（790.0092nm）和紅色波段（660.0438nm）計算NDVI，其公式為：NDVI=（ρNIR-ρR）/（ρNIR+ρR），其中ρNIR和ρR分別表示近紅外和紅色波段的反射率。NDVI的數值范圍是-1～1。一般而言，植被的NDVI大于0.3，而土壤則在0.1～0.2之間，水體的小于0。

2.2 多尺度圖像分割算法

該文采用為分形網演化算法（Fractal Net Evolution Algorithm，FNEA）對遙感影像進行多尺度分割，該算法集成在專業遙感影像處理軟件eCognition中。FNEA在遙感影像分類中具有廣泛的應用，其基本思想是：初始階段，將每一個像素看做獨立的區域；通過合并相似的區域，將遙感圖像中的地物分割出來。

為了衡量兩個相鄰的區域是否適合合并，FNEA定義了光譜異質性和形狀異質性，兩者的加和即為兩個區域適合合并的程度。該算法共包含三個參數：形狀參數、緊湊性參數和尺度參數。其中，前兩個參數調節形狀異質性對總異質性的貢獻。尺度參數控制的是分割結果中區域的平均大小；其值越大，則合并次數越多，分割結果中區域的平均尺度越大。

2.3 FCM農田分類方法

FCM是一種非監督分類方法，目前已廣泛應用于遙感影像解譯。它是在模糊理論上發展的一種聚類算法，其實現過程中的目的是最小化下面的目標函數。

（1）

其中，N是圖像中像素的個數，C是類別數，xj表示第j個像素值組成的向量，vc是第c個類別的中心的向量，μcj表示第j個像素屬于第c類的程度，m參數控制聚類過程的模糊度。

FCM的步驟是：（1）輸入參數：待分類的圖像I={x1，x2，......，xN}，類別數目C，模糊參數m，停止條件ξ。

（2）初始化隸屬度矩陣u，其維度是C×N，其元素μcj的取值范圍是0～1。

（3）設置循環計數變量L=0。

（4）計算每一類的聚類中心vc：

（2）

（5）根據新計算的聚類中心，重新計算u：

（3）

其中dcj表示像素xj和聚類中心vc的距離，dcj=xj·vc。

（6）若max（u（L）-u（L+1））<ξ，則停止計算，進行去模糊化；否則，L=L+1，并返回（4）。

去模糊化是根據隸屬度矩陣u對像素進行分類的過程，其方法是：每個像素隸屬度最大所對應的類別，即為該像素的類別。

以上FCM得到的是基于像素的分類結果。要得到基于區域的分類結果，可以結合分割結果，采用大多數投票法。分割結果中，每個區域的大多數像素所對應的種類，即為該區域的類別。該方法可以有效減少基于像素分類結果產生的椒鹽噪聲效應。

3 實驗結果與分析

該文利用2013年7、8、9三個月的五原縣EO-1 ALI數據，開展了農田分類實驗。按照圖2的流程，首先對ALI影像進行預處理，并提取時間序列NDVI，之后對提取的NDVI進行圖像分割和FCM分類，最后得到基于區域的分類結果。

根據時間序列NDVI的分析，并經過反復試驗，得到該區域的最佳FCM參數設置為：C=3，即非農田、葵花、小麥；模糊參數m=2；停止條件ξ=0.001。利用FNEA對時間序列NDVI進行圖像分割，需要選取合適的尺度參數來得到最佳的分割結果，以提高作物分類精度。圖3a和b中顯示了小尺度和大尺度參數的分割結果，前者的尺度參數為1.0，后者為4.0。顯然，隨著尺度參數的增大，分割結果中區域的尺度越大。

圖3c和d是不同尺度的基于區域的分類結果。由于缺乏現場數據，本文定性的評價了尺度參數對分類精度的影響。首先，非農田區域被準確的區分出來；在小尺度分類結果中，存在很多細碎的區域，一些尺度較小的道路、渠道等區域，被錯誤的分為葵花；在大尺度的分類結果中，葵花種植區域的分布更完整。顯然，選用尺度參數為4.0的分類結果更為準確。

4 結語

該文利用EO-1 ALI提取的時間序列NDVI，對內蒙古五原縣的黃河灌區進行了農田分類研究。利用基于區域的FCM分類算法將葵花、小麥和非農田區域進行了區分，得到了不同作物的分布信息。

該文主要結論如下：（1）利用時間序列NDVI可以有效區分不同種類的作物；（2）利用基于區域的分類方法時，需要選用合適的尺度參數，以得到最優化的分類結果。

參考文獻

[1] 苗翠翠，江南，彭世揆，等.基于NDVI時序數據的水稻種植面積遙感監測分析—— 以江蘇省為例[J].地球信息科學學報，2011，13（2）：273-280.

[2] 馬麗，徐新剛，賈建華，等.利用多時相TM影像進行作物分類方法[J].農業工程學報，2008，24（2）：191-195.