河套灌區沈烏灌域GF-1/WFV遙感耕地提取

常布輝，王軍濤，羅玉麗，王艷華，王艷明

?

河套灌區沈烏灌域GF-1/WFV遙感耕地提取

常布輝1，王軍濤1，羅玉麗1，王艷華1，王艷明2

（1. 黃河水利科學研究院引黃灌溉工程技術研究中心，新鄉 453003；2. 沈烏灌域管理局，巴彥淖爾 015200）

為提高基于遙感影像的灌區耕地自動快速提取，該文針對河套灌區沈烏灌域種植結構特點，利用實地調查結果、Google earth和GF1-WFV遙感影像構建了研究區主要作物及土地利用類型的NDVI時間序列，并利用HANTS濾波法對NDVI時間序列進行了平滑處理。分別采用基于遙感與Google earth的目視解譯、監督分類（支持向量機）、基于NDVI時間序列的決策樹分類與監督分類相結合的方法、基于HANTS濾波法平滑處理后的NDVI時間序列決策樹分類與監督分類相結合的方法對灌區耕地進行提取。利用基于Google earth與目視解譯的10 000個隨機驗證點以及正確率（用戶精度）、完整率（生產者精度）和整體精度（提取耕地面積與實際面積的比值）3個指標對提取結果進行了評價。驗證結果表明：監督分類（支持向量機）提取結果的正確率、完整率和總體精度僅為84.82%、64.4%和75.68%；基于NDVI時間序列的決策樹分類與監督分類相結合的方法提取精度分別為94.28%、84.21%和89.1%；基于HANTS濾波法平滑處理后的NDVI時間序列決策樹分類與監督分類相結合的方法提取精度進一步提高，3個指標分別達到94.47%、87.32%和92.24%。在作物種類繁多的大型灌區，時空分辨率優異的GF1-WFV數據在耕地面積提取上具有很強的實用性；結合作物生長規律與遙感信息的聯合方法能夠有效提高耕地面積的提取精度。

耕作；提取；遙感；GF1-WFV；NDVI序列；監督分類；河套灌區

0 引 言

近些年，隨著3S技術的迅速發展，灌區耕地資源的動態監測方法也呈現多元化。傳統的以鄉鎮為單元的統計方法時效性差、精度不高，無法快速反映灌區耕地面積的變化[1]；鑒于監測方法的時效性和準確性，遙感技術已經成為一項高效經濟的手段。基于遙感影像的自動分類和目視解譯相結合的方法不僅提高了解譯精度，同時大大縮短了數據周期[2]。

耕地面積提取研究中，高分辨率遙感影像的應用一般局限于尺度小、精度需求高的區域，常用的解譯方法是結合實地調查，以目視解譯為主，輔助于計算機，工作量不大，地物識別更豐富[3-6]。中分辨率廣泛的應用于作物指數反演[7]、特征[8]、面積提取[9-11]以及耕地提取[12-14]。然而中分辨率影像中混合像元現象較多，地物識別性較弱，需要充分利用計算機分類方法，輔助于地物在光譜中呈現的規律進行提取。雖然空間分辨率非常差，但是時間分辨率很高，在一定精度范圍內可以進行耕地提取[15-16]。綜合多種因素，中分辨率衛星遙感數據很好地兼具了高低遙感影像的優點，補充了彼此的不足，市上潛力巨大。

目前在耕地信息研究中，中低分辨率衛星應用最多的有TM、Landsat7、Landsat8、高分一號、MODIS、SAR以及一些航空影像和高廣譜數據[17]。研究方法可以歸納為兩類：一類數據源為單時相，信息量有限；另一類以多時相數據為基礎，信息量較前一類更豐富，得到的結果也更精確[18]。多時相數據的應用主要通過構建作物植被指數的時間序列曲線，對作物生長周期的分析，建立規則[19]或者模型[20]進行作物面積估算。鐘禮山等[18]以SAR影像時間序列為基礎，分別應用歐氏距離法、相關關系法以及動態時間彎曲法進行了耕地提取研究。侯光雷等[21]運用SPOT/VGTNDVI數據對東北的耕地資源進行了提取，結果表明利用諧波分析法處理后的時間序列在耕地提取中精度有顯著提高。Knight等[22]運用MODIS-NDVI 250 m數據進行了作物分類，結果表明多時相數據補充的信息可以有效彌補單時相分辨率不足產生的誤差，提高分類精度。基于諧波分析法處理后的NDVI時間序列數據在作物信息的提取中表現出明顯的實用性和精確性[23-24]。

以上研究數據多來源于國外衛星，空間分辨率普遍低，精度有限。雖然應用多時相數據構建時間序列開展研究，但對象一般為一種或幾種作物，研究目的多為針對特定作物開展不同計算機分類方法、不同濾波法的對比研究。開展統籌各種地物信息（單時相與多時相信息）的遙感解譯是數據高效利用的主要途徑。在特定的計算機分類方法下，基于NDVI時間序列（多時相信息）與其他分類方法（單時相，例如監督分類等）的多信息綜合對比研究還比較少。研究對象的單一性，在作物種類比較豐富、地塊尺寸多變的西北干旱半干旱灌區容易產生誤差。因此以作物種類繁多的灌區為背景，以國產中分辨率衛星數據為基礎，開展基于NDVI時間序列、濾波法以及監督分類方法相結合的灌區耕地提取研究具有一定的地域特色和創新性。

在中國的灌區中，集中存在著種植結構復雜、種植規模小、作物生長受環境影響大等特點[25]。本文根據研究區的實際情況，以河套灌區沈烏灌域為例，對GF1-WFV影像數據進行了預處理，結合NDVI時間序列分析結果，運用決策樹分類以及監督分類方法（支持向量機）提取了沈烏灌域的耕地信息。旨在以GF1-WFV數據為基礎，探討SVM、基于NDVI時間序列平滑處理前后的決策樹分類及以上處理相結合情況下3種方法在沈烏灌域耕地提取中的可行性，為灌區耕地提取以及國產衛星的運用提供參考。

1 研究區概況

沈烏灌域（106°20′15″E～107°8′24″E，40°8′33″N～ 40°48′21″N）位于河套灌區最西側，三盛公樞紐西北部，南抵烏蘭布和沙漠穿沙公路，北界為磴口縣與杭錦后旗行政界，東起河套總干渠及烏拉河干渠，西至狼山沖洪積坡地邊界，總面積0.186 km2。沈烏灌域自三盛公樞紐上游3.5 km黃河左岸的沈烏引水口引水灌溉，灌溉面積占河套灌區的10%左右。研究區屬于溫帶大陸性干旱氣候，降水稀少，蒸發強烈，干燥多風，日溫差大，日照時間長。主要作物有春小麥（3月?7月）；玉米（5月?9月）；葵花（5月?9月）；番茄（5月?8月）；瓜類（5月?8月）和牧草（4月?7月或者10月）等。

沈烏灌域多年灌溉情況可大致分為：凍融階段（3月中旬?5月中旬）、夏灌階段（5月中旬?7月中旬）、秋灌階段（7月中旬?9月中旬）、秋澆階段（9月中旬?11月中旬）和封凍階段（11月中旬?翌年3月中旬）。

2 數據源及預處理

2.1 遙感影像數據

高分一號衛星于2013年發射成功，搭載4臺WFV多光譜相機，光譜范圍為0.45～0.89m，包含4個波段（藍光：0.45～0.52m，綠光：0.52～0.59m，紅光：0.63～0.69m，近紅外0.77～0.89m）。為精確獲取研究區內各種作物的實際生長規律，提高提取精度，由中國資源衛星應用中心下載了17幅不同時相的GF1-WFV影像數據。影像時間跨度為一整年，詳見表1。影像選取的技術規格：要求無云或者有云但對研究區沒有影響。

2.2 實地調查數據

2016年8月前后，利用手持GPS開展研究區主要作物定位調查，調查點位如圖1所示。實地調查作物樣本數共360個，詳細分類見表2。

表1 GF1-WFV數據說明

圖1 研究區位置圖

表2 實地調查樣本種類及數量

通過實地調查發現，研究區內作物種類繁多，作物田塊較小，長勢、疏密程度空間差異較大。為構建能夠精確反映作物播種、出苗、抽穗、成熟、收割過程的NDVI時間序列，實地調查盡可能選擇田塊面積大，作物長勢均勻的區域。

2.3 遙感影像預處理

遙感預處理涉及的內容比較廣泛，包括很多復雜的數學模型、算法和軟件。本文運用中國資源衛星應用中心開發的PIE軟件對數據進行了大氣校正得到真實的地標反射率，運用ENVI軟件進行了圖像增強，影像配準，波段組合選取和圖像掩膜處理。

3 研究方法

3.1 技術路線

結合項目研究內容：1）進行實地調查，定位不同作物的坐標；2）GF1-WFV數據進行預處理，構建不同作物的NDVI時間序列；3）通過樣本點坐標，提取不同作物的NDVI值，構建NDVI時間序列，分析不同植被的時間序列關系，確定作物的提取閾值，用于區分耕地與其他土地利用類型；4）對由于植被生長規律相似而無法區分的作物，開展監督分類或者目視解譯；5）分別運用決策樹法和監督分類方法提取耕地，并通過驗證結果（目視解譯和相關統計數據）分析兩者的精度；6）最終對3種方法在研究區耕地面積提取中的應用進行分析評價。詳細研究技術流程見圖2。

圖2 研究技術流程

3.2 構建NDVI時間序列

NDVI（normalized difference vegetation index)，也稱為生物量指標變化，可使植被從水和土中分離出來，可以在一定程度上消除太陽高度角、衛星觀測角、地形、云以及大氣條件的影響[26-27]。NDVI為近紅外波段（NIR）和可見光紅光波段（VIS）數值之差和數值之和的比值

NDVI = (NIR-VIS)/(NIR+VIS) （1）

NDVI時間序列能夠反映作物從出苗、抽穗到成熟和收割NDVI的變化過程。遙感影像數據經過預處理獲得地表反射率，進而計算得到每幅影像的NDVI值。利用樣本數據獲取不同作物的NDVI均值，構建NDVI時間序列特征曲線（圖3a）。

圖3 平滑處理前后NDVI時間序列

由圖3a中各項NDVI時間序列可以看出，經過遙感數據預處理后的NDVI時間序列能夠基本反映不同作物及土地利用類型的NDVI變化趨勢。但是由于受到大氣和云層等不確定因素，以及土壤背景等的影響，存在局部噪聲，加之遙感影像獲取時間間隔不等，導致NDVI序列起伏劇烈。因此，為克服以上問題，需要對原始的NDVI時間序列進行平滑處理，構建高質量序列數據。

3.3 NDVI時間序列平滑處理

能夠提高NDVI時間序列質量，盡可能消除不確定因素的干擾，實現序列重構方法主要分為4種：閾值去除法[28-29]、基于濾波的平滑法[30-32]、非線性擬合法和小波變換[33]。本研究采用（基于濾波的平滑法）中的HANTS濾波法[34]，該方法是一種基于傅里葉變換的一種改進算法，可以靈活處理構成時間序列的數據間隔不等的問 題[35-36]，平滑曲線，去除無效數據，構建出更符合作物生長特征的曲線。本研究中經過多次驗證和調整，確定HANTS濾波法中主要參數確定分別為：頻率：3，擬合誤差：0.05，超出極限：3。運用確定后的參數經過計算得到平滑處理后作物NDVI序列（圖3b），平滑處理前后作物NDVI序列變化趨勢一致，平滑后曲線更加圓潤，突兀之處得到修正。平滑處理降低了噪聲的影響，去除了無效數據，能夠真實反映作物的動態生長規律。經過HANTS濾波法處理之后的時間序列曲線更加符合作物生長變化特征。

3.4 作物NDVI曲線分析

沈烏灌域耕地作物主要包括玉米、小麥、葵花、蜜瓜、番茄、高粱、青椒、葫蘆、瓜類（除蜜瓜之外，主要有西瓜等其他瓜類）、苜蓿草和林地（育林地）。非耕地主要包括居民區、灌木叢、蘆葦、荒地、草地和鹽堿地。

由圖3b可以看出，作物NDVI曲線可以完整呈現不同作物生長期，曲線形狀為單峰，說明該地區為一年一季作物，結論與實地調查結果相符。耕地中種植作物（紅色曲線：玉米、葵花、蜜瓜、番茄、高粱、青椒、葫蘆、瓜類、林地和苜蓿草）在4月中旬至10月之間處于生長期，NDVI值變化明顯。尤其在4月至7月之間，作物播種出苗，進入快速生長期（拔節、育穗、抽穗），NDVI值在此間迅速增加；7月至8月期間，除小麥（研究區內主要為春小麥：3月中旬播種，7月?8月期間處于成熟收割期，NDVI出現明顯下降）外，其他主要作物均處于灌漿期，NDVI值在8月中旬前后達到最大值；8月?9月期間，作物成熟，NDVI值出現緩慢下降；9月中旬至下旬作物收割，NDVI值急劇下降到最低值。

非耕地（灌木叢、蘆葦、荒地、草地、鹽堿地、居民區）中荒地、草地、鹽堿地和居民區的NDVI值全年變化規律同農作物相似。但由于植被長勢萎蔫且分布稀疏，變幅較小，同作物的差異比較明顯，易于區分。在8月中旬附近，耕地與非耕地的NDVI值相差最大，是區分二者的最佳時間點。

蘆葦和灌木叢較為特殊，二者生長規律同大部分作物相似，NDVI值與作物也相差不大，加之自黃河沿岸至陰山方向（自東南至西北方向）上地下水位、水質以及灌溉水量的限制，蘆葦長勢不等，導致同期NDVI值域寬，極易混淆與作物中（監督分類中蘆葦與主要作物的分離度小于1.8，灌木叢大于1.8）。因此灌木叢可以通過監督分類達到與作物區分的目的，而無論是通過監督分類還是基于DNVI時間序列的決策樹分類都無法排除蘆葦對耕地提取的干擾。鑒于此，根據蘆葦圖斑形狀的不規則性，生長習性（生在與濕地或淺水區，而水體特征顯著易于提取），以水體為依托，通過目視解譯判別研究區內的蘆葦分布。通過此方法可以有效去除蘆葦對作物提取過程中的干擾。

3.5 研究區耕地提取

3.5.1 最佳波段組合選擇

本文利用OIF指標進行最佳波段的選擇

OIF=(S+S+S)/(|R|+|R|+|R|) （2）

式中OIF(i=x,y,z)表示波段組合的OIF指數；S表示波段()的標準差；R表示波段()和波段()之間的相關系數。

波段標準差越大，說明該波段在對地物的描述中包含的信息越大，反之則越小。波段間的相關關系的大小則反映了兩個波段對地物描述信息的重復程度，相關關系越大，說明兩個波段對地物的描述中存在較大信息冗余，反之則冗余較小[37]。因此OIF指標越大，表明組合波段的信息量越大，冗余越小，OIF越小則相反。不同波段組合下OIF指數計算結果為：Band123（波段1：藍光；波段2：綠光；波段3：紅光；波段4：近紅外）、Band124、Band134和Band234的OIF指數分別為0.061、0.096、0.107和0.116。由OIF指數排序可以看出，Band234組合是最佳組合，并將作為本文研究的波段組合。

3.5.2 基于NDVI序列的決策樹分類與監督分類組合

通過對圖3b中作物NDVI曲線的分析發現，灌木叢是耕地提取的一個重要干擾項。灌木叢的NDVI時間序列變化貫穿于其他作物曲線之間，無論是通過峰值還是變化趨勢均無法剝離。雖然通過NDVI時間序列進行決策樹分類已經無法排除灌木叢的干擾，但是在進行監督分類的過程中，發現灌木叢同耕地的樣本分離度大于1.8，因此對于灌木叢的區分通過支持向量機的監督分類完成區分[19,38-40]。最終通過基于NDVI時間序列的決策樹分類與監督分類組合完成沈烏灌域耕地的提取。

小麥的NDVI值在6月份達到最大值，且6、7、8三個月份呈下降趨勢，而其他作物和非耕地類型均處則呈增加趨勢，因此通過結合實地調查結果和試錯，利用振幅和相位的差距，確定通過振幅：NDVI6>0.55和相位：NDVI6

注：NDVIi表示i月的NDVI值，i表示月份。

4 結果與分析

通過實地調查發現，研究區內近些年沒有精確的耕地面積統計數字，所有數據僅通過用水戶、用水協會、灌域管理局逐級上報獲得，主要用于水量調度。數據對真實耕地的反映可信度不高，且不具備代表性（近些年井灌面積明顯增大，上報的數據均為渠灌耕地面積）。綜合以上因素，本文通過基于遙感+Google earth結合的目視解譯結果作為標準，分別采用監督分類（SVM）、平滑前后的NDVI時間序列+決策樹分類+SVM和平滑前NDVI時間序列+決策樹分類+SVM方法得到了耕地面積及空間分布進行總體精度評價。利用隨機生成的驗證點，共計10000個，屬性通過目視解譯聯合Google earth確定，詳見圖5。

圖5 隨機驗證點分布情況

利用正確率（分類結果為耕地的像元中，其真實地表同為耕地的比例，類似于混淆矩陣中的用戶精度）、完整率（地表真實數據中耕地被正確提取出來的比例，類似于混淆矩陣中的生產者精度）以及整體精度（提取耕地與真實地面耕地面積比）3個指標[18]，結果精度見表3。

表3 耕地提取精度

注：平滑方法為HANTS濾波法。

Note: Smoothing method is HANTS filtering method.

對比可知SVM的3個指標較其他2種方法均為最低，正確率、完整率以及整體精度分別為84.82%、64.4%和75.68%；平滑后的NDVI時間序列+決策樹分類+SVM的3個評價指標精度分比為94.47%、87.32%和92.24%，在3種方法中精度最高。

通過ENVI分類處理后，利用ARCGIS對分類結果進行處理，得到沈烏灌域的耕地空間分布，從空間上分析不同方法下誤差產生的原因。圖6中反映了研究區局部耕地空間分布的對比。

注：①～⑤分別表示不同方法分類對比；NDVI+決策樹+SVM。

由圖6中的空間對比結合表3中的統計結果可以看出，SVM過程中由于異物同譜和同物異譜現象比較嚴重，導致一部分耕地被識別為其他土地利用類型。其中最主要的原因是GF1衛星多光譜中波段較少，加之由于遠離水源，無法按時按量進行灌溉，同種作物不同地區間的長勢不同，導致識別產生了誤差。而基于NDVI時間序列的決策樹分類則可以在一定程度上減少以上不利因素的干擾，提高耕地提取精度。

5 結 論

本文以河套灌區的沈烏灌域為例，通過實地調查，構建了基于GF1-WFV數據的NDVI時間序列，并利用HANTS法做了平滑重構。在SVM分類方法下，開展了單時相與多時相下的沈烏灌域耕地面積提取對比研究，最終結果表明：

河套灌區小麥生長期同其他作物明顯不同，SVM中用到的單時相數據中，無法捕捉小麥已經收割的信息。導致最終SVM分類結果誤差較大，獲取耕地面積較實際偏小，僅為實際面積的75.68%。

NDVI時間序列提供的信息有助于減少同物異譜現象導致的誤差。由解譯結果的對比分析可以看出，基于NDVI時間序列的分類在空間精度上優于監督分類結果。相較于監督分類法，該方法將耕地整體提取精度由75.68%提升到89.10%，效果明顯。經過HANTS濾波法平滑處理后，耕地面積提取在空間上與目視解譯結果更加吻合，在3種方法中提取精度最高，將整體提取精度由平滑前的89.10%進一步提升到92.24%。

研究區地處西北干旱半干旱地區，耕地中作物種植類型較多，下墊面復雜，在運用常規方法（監督分類）進行耕地面積提取過程中，誤差較大。基于NDVI時間序列的決策樹分類與監督分類的結合，是單時相與多時相地物信息的共享，此舉在一定程度上增強了灌區耕地信息的識別，提高了解譯精度。

另外，本次研究的不足之處在于對于由于空間分辨率問題導致的混合像元沒有做處理，在一定程度上影響了提取誤差；蘆葦的干擾只能通過目視解譯解決，找到蘆葦與耕地的差異，實現蘆葦的自動解譯需要進一步研究；通過NDVI時間序列分析可知，除去小麥之外，其他作物的生長周期和趨勢基本相同，如何在中分辨率影響下實現不同作物的區分還需要進一步拓展研究。

[1] 郭廣猛. 中國的耕地有多少：兼論遙感數據的準確性[J]. 內蒙古農業大學學報，2006，27(2)：56－59.

[2] 郭楊亮. 多波段遙感圖像在土地利用中的應用研究[D]. 西安：西安科技大學, 2012. Guo Yangliang. Application and Research of Multi-band Remote Sensing Images in Land Use[D]. Xi’an: Xi`an Univ-ersity of Science and Technology, 2012. (in Chinese with English abstract)

[3] 李玉霞，李麗，鄭澤忠. CBERS-02圖像在土地利用/覆蓋動態監測中的應用[J]. 四川師范大學學報，2006，29(5)：627－630. Li Yuxia, Li Li, Zheng Zezhong. The application of CBERS-02 remote sensing image in the land use change dynamic monitoring[J]. Joumal of Sichuan Normal University(Natural Science), 2006，29(5)：627－630. (in Chinese with English abstract)

[4] 嚴楓，劉登忠，汪友明. 基于QuickBird影像目視解譯在土地利用類型調查中的應用：以遂寧市船山區新橋鎮為例[J]. 新疆環境保護，2008，30(1)：6－10. Yan Feng, Liu Dengzhong, Wang Youming. Visual interpre-tation’s applying on land-ues types investigation based on QuickBird image: A case study in Xinqiao town of Chuan-shan District in Suining city[J]. Environmental Protection of Xinjiang, 2008, 30(1): 6－10. (in Chinese with English abstract)

[5] 張芳，李鑫，陳佳楠. 衛星遙感影像目視解譯在森林資源調査中的應用分析[J]. 內蒙古林業調查設計，2009，32(4)：72－77.

[6] 張冬梅，袁清，王加亭. 一種輔助草原遙感影像目視解譯方法的探討：影像與基礎圖件半透明疊加法[J]. 遙感技術與應用，2006，21(6)：560－564. Zhang Dongmei, Yuan Qing, Wang Jiating, et al. Discuss a method of assistant remotely sensed imagery visual interpre-tation on grassland: Remotely sensed image and thematic map semitransparent overlap[J]. Remote Sensing Technology and Application, 2006, 21(6): 560－564. (in Chinese with English abstract)

[7] 王立輝，杜軍，黃進良，等. 基于GF-1號衛星WFV數據反演玉米葉面積指數[J]. 華中師范大學學報，2016，50(1)：120－127. Wang Lihui，Du Jun，Huang Jinliang，et al. Retrieving leaf area index of maize based on GF-1 multispectral remote sensing data[J]. Journal of Central China Normal University, 2016, 50(1): 120－127. (in Chinese with English abstract)

[8] Yang Y J，Huang Y，Tian Q J，et al. The extraction model of paddy rice information based on GF-1 satellite WFV images[J]. Spectroscopy and Spectral Analysis, 2015, 35(11): 3255－3261.

[9] 黃振國，楊君. 高分一號衛星影像監測水稻種植面積研究綜述[J]. 湖南農業科學，2014(13)：76－78. Huang Zhenguo, Yang Jun. Review of High-1 Satellite image monitoring rice planting area[J]. Hunan Agricultural Sciences, 2014(13): 76—78. (in Chinese with English abstract)

[10] 武笑天. 基于高分一號和Landsat-8的昌吉市小麥面積提取研究[D].烏魯木齊：新疆農業大學，2016. Wu Xiaotian. Extraction of Wheat area by GF-land Landsat－8 in Changji[D]. Urumqi: Xinjiang Agricultural University, 2016. (in Chinese with En-glish abstract)

[11] 游炯，裴志遠，王飛，等. 基于改進多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 農業工程學報，2016，32(13)：131－139. You Jiong, Pei Zhiyuan, Wang Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with En-glish abstract)

[12] 許偉，奚硯濤. 基于Landsat8遙感影像的合肥市土地利用分類[J]. 湖北農業科學，2015，54(15)：3625－3629. Xu Wei, Xi Yantao. Research on landues classification in Hefei based on Landsat8 images[J]. Hubei Agricultural Sci-ences, 2015, 54(15): 3625－3629. (in Chinese with English abstract)

[13] 牛魯燕，張曉艷，鄭繼業，等. 基于Landsat8OLI數據的山東省耕地信息提取研究[J]. 中國農學通報，2014，30(34)：264－269. Niu Luyan, Zhang Xiaoyan, Zheng Jiye, et al. Extraction of cultivated land information in shandong province based on Landsat8 OLI data[J]. Chinese Agricultural Science Bulletin, 2014, 30(34): 264—269. (in Chinese with English abstract)

[14] 陳劉鳳，林開平，胡寶清，等. 基于Landsat8_OLI數據的甘蔗種植面積監測[J]. 南方農業學報，2015，46(11)：2068－2072. Chen Liufeng, Lin Kaiping, Hu Baoqing, et al. Monitoring if sugarcane planting area based on Landsat8_OLI datap[J]. Journal of Southern Agriculture, 2015, 46(11): 2068－2072. (in Chinese with English abstract)

[15] 王紅說，黃敬峰，徐俊鋒，等. 基于MODIS NDVI時間序列譜匹配的耕地信息提取研究：以浙中地區為例[J]. 浙江大學學報(農業與生命科學版)，2008，34(3)：334－340. Wang Hongshuo, Huang Jingfeng, Xu Junfeng, et al. Research on cultivated land extraction based on MODIS NDVI time series matching analysis: A case in middle part of Zhejiang[J]. Journal of Zhejiang University(Agric. & Life Sci.), 2008, 34(3): 334－340. (in Chinese with English abstract)

[16] 呂婷婷，劉闖. 基于MODIS數據的泰國耕地信息提取[J]. 農業工程學報，2010，26(2)：244－250. Lü Tingting, Liu Chuang. Extraction of information of cultivated land using time-series MODIS data in Thailand[J]. Transactions of the Chinese Society of Agricultural Engine-ering (Transactions of the CSAE), 2010, 26(2): 244—250. (in Chinese with English abstract)

[17] 李宗梅，滿旺，聶芹，等. 基于遙感的耕地信息提取研究進展[J]. 安徽農業科學，2016，44(31)：242－244. Li Zongmei，Man Wang，Nie Qin，et al. Research advances of cultivated land information extraction based on remote sensing[J]. Journal of Anhui Agricultural Sciences, 2016, 44(31): 242－244. (in Chinese with English abstract)

[18] 鐘禮山，李滿春，伍陽，等. 利用SAR影像時間序列的耕地提取研究[J]. 地理科學進展，2015，34(7)：830－839. Zhong Lishan, Li Manchun, Wu Yang, et al. Cropland extr-action using SAR time series image[J]. Progress in Geogra-phy, 2015, 34(7): 830－839. (in Chinese with English abstract)

[19] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFV NDVI時間序列數據的作物分類[J]. 農業工程學報，2015(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engine-ering (Transactions of the CSAE), 2015(24): 155－161. (in Chinese with English abstract)

[20] 周玉潔，王卷樂，郭海會. 基于諧波分析和線性光譜模型的耕地信息提取[J]. 遙感技術與應用，2015，30(4)：706－713. Zhou Yujie, Wang Juanle, Guo Haihui. Application of har-monic analysis and linear spectral mixture model to extract the cultivated resource[J]. Remote Sensing Technology and Application, 2015, 30(4): 706－713. (in Chinese with English abstract)

[21] 侯光雷，張洪巖，王野喬，等. 基于時間序列諧波分析的東北地區耕地資源提取[J]. 自然資源學報，2010，25(9)：1607－1617. Hou Guanglei, Zhang Hongyan, Wang Yeqiao, et al. Applic-ation of harmonic analysis of time Series to extracting the cropland resource in northeast China[J]. Journal of Natural Resources, 2010, 25(9): 1607－1617. (in Chinese with Eng-lish abstract)

[22] Knight J F, Lunetta R S, Ediriwickrema J, et al. Regional scale land cover characterization using MODIS-NDVI 250 m multi-temporal imagery: A Phenology-Based Approach[J]. Giscience & Remote Sensing, 2006, 43(1): 1－23.

[23] Jakubauskas M E, Legates D R, Kastens J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers & Electronics in Agriculture, 2002, 37(1): 127－139.

[24] Wardlow B D，Egbert S L. Large-area crop mapping using time-series MODIS 250m NDVI data: An assessment for the U.S.Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096－1116.

[25] 賈勤學，張瑋，李建林，等. 基于遙感技術的耕地面積動態監測研究[J]. 農業信息科學，2006，22(7)：530－534. Jia Qinxue, Zhang Wei, Li Jianlin, et al. Study on dynamic inspecting of cultivated land area by using remote sensing[J]. Chinese Agricultural Science Bulletin, 2006, 22(7): 530－534. (in Chinese with English abstract)

[26] Rouse J W J, Haas R H, Schell J A, et al. Monitoring veget-ation systems in the great plains with erts[J]. Nasa Special Publication, 1973, 351: 309.

[27] 趙英時. 遙感應用分析原理與方法[M]. 北京：科學出版社，2003.

[28] Lovell J L, Graetz R D. Filtering pathfinder AVHRR land NDVI data for Australia[J]. International Journal of Remote Sensing, 2001, 22(13): 2649－2654. (in Chinese with English abstract)

[29] Viovy N, Arino O, Belward A S. The best index slope extraction (BISE): A method for reducing noise in NDVI time-series[J]. International Journal of Remote Sensing, 1992, 13(8): 1585－1590.

[30] Holben B N. Characteristic of maximum value composite images for temporal AVHRR data[J]. International Journal of Remote Sensing, 1986, 7(11): 1417－1434.

[31] Sellers P J. A revised land surface parameterization (SiB2) for atmospheric GCMs, Part II: the generation of global fields of terrestrial biophysical parameters from satellite data[J]. Journal of Climate, 1996, 9(4): 706－737.

[32] Roerink G J, Menenti M, Verhoef W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9): 1911－1917.

[33] Lu X, Liu R, Liu J, et al. Removal of noise by wavelet method to generate high quality temporal data of terrestrial MODIS products[J]. Photogrammetric Engineering & Remote Sensing, 2007, 73(10): 1129－1139.

[34] 王丹，姜小光，唐伶俐，等. 利用時間序列傅立葉分析重構無云NDVI圖像[J]. 國土資源遙感，2005(2)：29－32. Wang Dan, Jiang Xiaoguang, Tang Lingli, et al. The applic-ation of time-series fourier analysis to reconstructing cloud- free NDVI images[J]. Remote Sensing for Land & Resources, 2005(2): 29－32. (in Chinese with English abstract)

[35] Na Xiaodong, Zhang Shuqing, Li Xiaofeng. Application of MODIS NDVI time series to extracting wetland vegetation information in the Sanjiang Plain[J]. Wetland Science, 2007, 5(3): 227－236.

[36] 周惠慧，王楠，黃瑤，等. 不同時間間隔下的遙感時間序列重構模型比較分析[J]. 地球信息科學學報，2016，18(10)：1410－1417. Zhou Huihui，Wang Nan，Huang Yao，et al. Comparison and analysis of remotely sensed time series of reconstruction models at various intervals[J]. Journal of Geo-information Sciense, 2016, 18(10): 1410－1417. (in Chinese with English abstract)

[37] 荊耀棟，周淑琴，吳發啟，等. LANDSAT數據在沙地動態監測中提取沙地信息的最佳波段組合研究[J]. 中國農學通報，2011，27(17)：147－150. Jing Yaodong, Zhou Shuqin, Wu Faqi, et al. Study on optimal bands selection of sandy land information extraction in sandy land monitoring based on land sat remote sensing data[J]. Chinese Agricultural Science Bulletin, 2011, 27(17): 147－150. (in Chinese with English abstract)

[38] 賈坤，李強子，田亦陳，等. 微波后向散射數據改進農作物光譜分類精度研究[J]. 光譜學與光譜分析，2011，31(2)：483—487.

Jia Kun, Li Qiangzi, Tian Yichen, et al. Accuracy improvement of spectral classification of crop using micro-wave backscatter data[J]. Spectroscopy & Spectral Analysis,

2011, 31(2): 483－487. (in Chinese with English abstract)

[39] 張睿，馬建文. 支持向量機在遙感數據分類中的應用新進展[J]. 地球科學進展，2009，24(5)：555－562. Zhang Rui, Ma Jianwen. State of the art on remotely sensed data classification based on support vector machines[J]. Advances in Earth Science, 2009, 24(5): 555—562. (in Chinese with English abstract)

[40] 李曉東，姜琦剛. 基于多時相遙感數據的農田分類提取[J]. 農業工程學報，2015，31(7)：145—150. Li Xiaodong, Jiang Qigang. Extraction of farmland classification based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engine-ering (Transactions of the CSAE), 2015, 31(7): 145－150. (in Chinese with English abstract)

常布輝，王軍濤，羅玉麗，王艷華，王艷明.河套灌區沈烏灌域GF-1/WFV遙感耕地提取[J]. 農業工程學報，2017，33(23)：188－195. doi：10.11975/j.issn.1002-6819.2017.23.024 http://www.tcsae.org

Chang Buhui, Wang Juntao, Luo Yuli, Wang Yanhua, Wang Yanming. Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 188－195. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.024 http://www.tcsae.org

Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District

Chang Buhui1, Wang Juntao1, Luo Yuli1, Wang Yanhua1, Wang Yanming2

(1.453003,; 2.015200,)

In order to improve the automatic extraction of cultivated land in irrigation area in remote sensing images, according to the planting structure characteristics in Shenwu irrigation area, Hetao Irrigation District, the NDVI (normalized difference vegetation index) time series of main crops in the study area were constructed based on field survey results, Google earth and GF1-WFV remote sensing images. OIF index was used to select the best band combination. Furthermore, the harmonic analysis of time series (HANTS: An improved algorithm based on Fourier transform, which can flexibly deal with the problem of unequal intervals of data that constitute the time series) method was employed to smooth the NDVI time series. Visual interpretation based on remote sensing and Google earth, supervised classification (support vector machine), and the combination method of supervised classification and decision tree classification based on NDVI time series (before and after smoothed by HANTS filtering method) were used to extract the cultivated land area of the irrigation area. The extraction errors of different methods were verified by visual interpretation and 100 000 000 random verification points whose attributes were given by the means of Google earth and visual interpretation. Moreover, 3 indices, i.e. accuracy (equivalent to the user precision in the confusion matrix), integrity rate (equivalent to the producer accuracy in the confusion matrix) and overall accuracy (ratio of extracted land area to actual area) were used to evaluate the results. The results demonstrated that the accuracy, integrity rate and overall accuracy of supervised classification (support vector machine) were only 84.82%, 64.4% and 75.68%, respectively; for the combination method of supervised classification with decision tree classification based on NDVI time series (unsmoothed), the 3 indices were 94.28%, 84.21% and 89.1%, respectively; the combination method of supervised classification with decision tree classification based on NDVI time series (smoothed) was further improved, and the 3 indices reached 94.47%, 87.32% and 92.24%, respectively. The GF1-WFV data can be used for extraction of cultivated land area, which has better spatial and temporal resolution, and has stronger ground identification ability in the irrigation area with more complex underlying surface. The NDVI time series based on the GF1-WFV data can describe the crop growth law in the study area completely, and can be used to extract the crop spatial information accurately and efficiently through the difference in the amplitude and the phase of the NDVI curve between different crops. It avoids the phenomenon of pixel-based traditional classification, for example, different objects have the same spectrum and the same objects have different spectrum, and overcomes the limitations of single image data. Compared to the results of supervised classification, the accuracy is greatly improved. After smoothing by HANTS method, the NDVI time series keep the basic shape of the original curve, and effectively eliminate the influence of outliers and noise, which more tally with the actual growth law of crops. Through the combination of supervised classification with decision tree classification based on NDVI time series (smoothed), the extraction precision of cultivated land is improved effectively. The method combining crop growth law and remote sensing information can improve the extraction accuracy of cultivated land area effectively.

cultivation; extraction; remote sensing; GF1-WFV, NDVI time series; supervised classification; Hetao Irrigation District

10.11975/j.issn.1002-6819.2017.23.024

S127

A

1002-6819(2017)-23-0188-08

2017-06-27

2017-11-21

國家重點研發計劃資助（2017YFC0504503）；黃河水利科學研究院基本科研業務費專項（HKY-JBYW-2016-44）

常布輝，男，河南新鄉人，工程師，主要從事水文水資源方面的工作。 Email：changbuhui@163.com