基于閾值優化模糊投票法的農業旱情等級遙感評估

董 婷，任 東，孟令奎，張 文，邵 攀,3※

(1.三峽大學計算機與信息學院，宜昌，443002；2.武漢大學遙感信息工程學院，武漢，430079；3.香港理工大學土地測量與地理資訊學系，香港）

0 引 言

中國是一個農業大國，干旱災害的頻繁發生，給國民生活特別是農業生產帶來巨大的影響和損失[1-2]。利用遙感手段進行旱情監測是當前國內外旱情監測的重要研究熱點[3-6]。

干旱形成原因復雜，氣候變化、地理空間和社會活動等多種因素的變化都可能導致干旱災害的發生。在研究旱情時需要綜合考慮植被、地表溫度、土壤及降水等多種旱情關聯因子。Rhee等[7]綜合考慮植被、溫度和降水3種因素，構建歸一化干旱狀態指數(scaled drought condition index，SDCI)，試驗證明SDCI的旱情監測效果優于歸一化植被指數和植被健康指數。Zhang和Jia[8]提出旱情指數MIDI(microwave integrated drought index)，該指數綜合降水、土壤濕度和地表溫度3類數據，MIDI反演的旱情空間分布與實測數據有很好的一致性。杜靈通等[9]集成土壤、植被和降水等因素構建綜合干旱指數(synthesized drought index，SDI)，試驗表明由SDI指數監測出的山東省重大干旱過程與實際旱情情況吻合度高。

隨著對地觀測手段日趨多樣化，觀測信息源和信息量得到極大豐富，目前已逐漸累積長時間序列的歷史數據信息，機器學習和數據挖掘方法也被應用于旱情監測中。Brown等[10]利用決策樹方法對多源旱情信息進行挖掘，構建植被干旱響應指數(vegetation drought response index，VegDRI)，試驗證明該指數能有效評估近實時旱災情況[11]。Wu等[12]利用回歸決策樹技術建立綜合地表干旱指數(integrated surface drought index，ISDI)，并利用該指數對中國中東部地區2000—2009年的干旱狀態進行監測。Rezaeianzadeh等[13]將馬爾可夫鏈模型和人工神經網絡方法應用于旱情預測，效果顯著，說明數據挖掘方法在旱情預測中具有較強的實用性。但現有的研究多是基于單一的數據挖掘技術，而由于旱情影響因素的多樣性和不確定性，利用單一數據挖掘技術從多源海量觀測信息中挖掘干旱信息的效果會受到一定的限制。

本文將旱情監測視作異常信息識別過程，利用多分類器融合方法建立一種旱情等級評估模型。首先分析不同旱情關聯因子以確定模型輸入參數，并對模型輸入數據進行SMOTE預處理；然后利用3種常用單分類器(神經網絡、支持向量機以及分類回歸樹)對包括植被、地表溫度、氣候降水、土壤濕度和地面高程信息在內的多源遙感數據進行分析挖掘，并構建一種閾值優化的模糊投票法(threshold-optimized fuzzy majority voting，TFMV)對單分類器旱情等級評估結果進行決策級融合，建立較高精度的區域旱情等級評估方法。

1 研究區與數據

1.1 研究區介紹

本文選擇內蒙古中部地區作為研究區，如圖1所示，研究區位于中國北部，經緯度覆蓋范圍為37°36'～46°47'N與106°28'～123°43'E，研究區總共覆蓋27個氣象站點。依據柯本氣候分類法，研究區主要氣候類型為溫帶草原性氣候，降水較少，水資源短缺。由氣象站點統計資料可知研究區內絕大部分氣象站點處年均降水量不足400 mm，降水主要集中在夏季，研究區內站點年平均氣溫都表現出上升趨勢。依據2012年MODIS土地覆蓋分類MCD12Q1產品，研究區主要土地覆蓋類型為草原和作物區(圖 1)。

圖1 研究區站點分布以及土地覆蓋分類圖(MCD12Q1)Fig.1 Stations distribution and MODIS land cover classification map of 2012 MCD12Q1 in study area

1.2 氣象數據

本文用到的地面實測氣象數據主要包括研究區1961年到2012年長時序的月降水量數據。對氣象數據進行完整性檢驗，只保留包含1961年到2012年期間所有數據記錄的站點，最終確定出27個氣象站點(如圖1所示)。本文還獲取實測農業氣象災情旬值數據，選取3個研究區內數據較完整的農業氣象站點(圖1)對閾值優化模糊投票法反映的旱情空間特征的可靠性進行評估。氣象數據來源于中國氣象科學數據共享網(http://data.cma.cn/)。

不同時間、不同地區降水量變化幅度很大，直接用降水量很難在不同時空尺度上相互比較，Mckee等[14]提出的標準化降水指數(standardized precipitation index，SPI)能反映不同時間和地區的降水特點[15]，還具有從不同時間尺度進行干旱監測的能力，比如由連續3個月降水總量數據得到的3個月時間尺度的SPI適合分析農業干旱狀態[7,16]，SPI指數已廣泛應用于國內外旱情監測[17-20]。本文針對農業旱情展開研究，分別利用27個站點的月降水量數據計算3個月時間尺度的SPI值，并依據SPI值對研究區站點干旱程度進行分類，包括無旱、輕旱、中旱、重旱和特旱5種干旱類型，分類標準如表1所示。

表1 標準化降水指數SPI干旱等級Table 1 SPI-based drought classification scheme

1.3 遙感數據

在NASA Reverb數據中心(http://reverb.echo.n asa.gov/reverb/)獲取2003年到2012年范圍內的中分辨率成像光譜儀(moderate-resolutionimaging spectroradiometer，MODIS)月值數據集MOD13C2產品和MOD11C3產品，這兩類數據產品均覆蓋全球區域，空間分辨率為0.05°，分別提供歸一化植被指數(normalized difference vegetation index，NDVI)、增強型植被指數(enhanced vegetation index，EVI)以及地表溫度(land surface temperature，LST)。對MODIS產品數據進行研究區裁剪并利用數據自帶的質量控制文件對噪聲數據點進行掩膜處理使噪聲點不參與后續運算。分別對NDVI和LST數據進行歸一化處理得到植被狀態指數(vegetation condition index，VCI)和溫度狀態指數(temperature condition index，TCI)：

式中NDVImax、NDVImin、LSTmax和LSTmin分別為NDVI和LST數據的時序最大最小值，歸一化后的指數數值范圍是[0,1]，其中0和1分別代表最干旱和最濕潤狀態。

本文用到的遙感降水量數據來源于熱帶降雨測量衛星(tropical rainfall measuring mission，TRMM)3B43數據集(http://mirador.gsfc.nasa.gov/)，時間范圍為2003年至2012年，該數據集單位為mm/h，表示降水速率，數據覆蓋全球 50°S 到 50°N，空間分辨率為 0.25°×0.25°。為方便后續研究，對TRMM 3B43產品進行研究區裁剪，并由速率數據換算成月降水總量數據，同時也計算出1個月、3個月、6個月、9個月和12個月的累積降水量以探索最優旱情指數。對降水數據進行歸一化處理，歸一化后的指數記為降水狀態指數(precipitation condition index，PCI)：

式中TRMM為降水總量，mm；TRMMmax和TRMMmin分別表示降水總量的時序最大最小值，mm。由不同月份(1、3、6、9和12個月)的累積降水總量可以對應得到不同時間尺度的降水狀態指數，分別記為PCI1、PCI3、PCI6、PCI9和PCI12。為與MODIS產品空間分辨率保持一致，利用雙線性內插法對各類降水指數進行重采樣，使空間分辨率變為 0.05°×0.05°。

本文還獲取由歐空局氣候變化計劃項目(climate change initiative，CCI)提供的土壤濕度數據(http://www.esa-soilmoisture-cci.org/)，本文主要使用CCI提供的2003年到2012年每日主、被動微波集成數據集，該數據空間分辨率為0.25°×0.25°，單位為m3/m3。對獲取到的數據進行研究區裁剪，通過土壤濕度均值得到月土壤濕度數據，對土壤濕度數據進行歸一化處理，歸一化后的指數記為土壤濕度狀態指數(soil moisture condition index，SMCI)：

式中SM為月土壤濕度數據，m3/m3；SMmax和SMmin分別為土壤濕度數據的長時序最大最小值，m3/m3。同樣利用雙線性內插法將土壤濕度指數空間分辨率重采樣至0.05°×0.05°。

此外，由于研究區地表高程存在差異，本文模型輸入參數還包括地表高程信息，使用由中國西部環境與生態科學數據中心(http://westdc.westgis.ac.cn)提供的中國1 km分辨率數字高程模型DEM數據集，為方便與其他數據進行匹配，利用3次卷積法將DEM數據重采樣至0.05°×0.05°空間分辨率。

2 研究方法

2.1 相關分析

考慮到植被、降水、氣溫、土壤等不同旱情關聯因子在不同旱情階段的表現不同，本文首先利用不同月份的植被指數VCI、溫度指數TCI、降水指數(5種時間尺度PCI)以及土壤濕度指數SMCI分別與3個月時間尺度的標準化降水指數SPI-3進行Pearson相關性分析，以獲取分類模型輸入參數。

2.2 過采樣預處理

由于出現旱情屬于異常情況，原始樣本中類別為無旱的樣本點更多，表2所示為4月到10月共7個月份的不同類別樣本分布情況，可以看出樣本集中5種類型(無旱、輕旱、中旱、重旱和特旱)分布并不均勻，這類樣本集屬于非平衡類樣本集(即分類任務中不同類別樣本數差別很大)。一般的分類算法都是以類別分布基本均衡為前提，以總體分類精度(即所有分類正確樣本占總樣本數的比例)為評價指標進行分類，因此如果直接將原始樣本集作為分類器的初始輸入數據進行分類，由于無旱類別樣本數最多，容易將所有的樣本點都劃分成無旱類別而導致分類錯誤。

表2 不同類別樣本數目Table 2 Number of samples used for different classes

對于旱情監測研究而言，對干旱區域的識別以及干旱程度的判斷更有價值，因此需要對非平衡類樣本集進行預處理，對樣本數較少的類別樣本集進行過采樣以平衡數據集。本文采用Chawla等[21]提出的SMOTE算法進行過采樣處理，該算法具體流程為：

1）對小類樣本集中每一個樣本x，以歐氏距離為標準獲得其k個同類別最近鄰域樣本。

2）依據設置的過采樣倍率n，隨機從樣本x的k個最近鄰樣本中選擇n個，記為

3）在樣本x和之間進行隨機線性插值，構造新的小類樣本z，構造方式為：

式中rand(0,1)表示0到1之間的一個隨機數。

4）對每一個小類樣本都構造n個對應的小類樣本z，將合成的新樣本與初始小類樣本合并，獲得一個新的樣本集。

SMOTE算法基于K-近鄰和線性插值建立，并不是像簡單過采樣方法那樣隨機復制樣本，而是按照一定規則構造新的小類樣本點，一定程度上避免了簡單過采樣方法可能導致的分類器過擬合問題，這種方法在處理不平衡類問題中得到廣泛應用[22-23]。

2.3 單分類器方法

以遙感數據作為屬性數據，實測SPI分類值作為參考類別數據構成研究區4月到10月共7個月份的樣本數據集，對樣本按照5:5的比例進行分層隨機抽樣，得到訓練樣本集和驗證樣本集。本文首先利用BP神經網絡、支持向量機以及分類回歸樹3種單分類器方法對不同時期SMOTE預處理后的訓練樣本進行學習并評估旱情等級。

2.3.1 BP神經網絡

BP神經網絡(back-propagation neural network，BPNN)是目前應用最廣泛的神經網絡模型之一，最初由Rumelhart和McCelland等提出，能有效逼近任意非線性函數，具有較強的泛化和容錯能力，學習精度較高，在數字制圖、土壤水分反演、農作物監測等領域都得到廣泛應用[24-26]。

BP神經網絡模型拓撲結構包括輸入層(一層)、隱含層(一層或多層)和輸出層(一層)，逐層傳遞信息。輸入信息經輸入層傳遞到隱含層，經過激活函數處理和運算后，信息經輸出層輸出，主要通過調節各層的連接權和閾值參數來學習樣本信息。本文將BP神經網絡設置為3層，實測氣象干旱指數確定的干旱等級作為輸出層數據，輸出層有5個節點，針對不同月份模型，進行多次試驗以確定相適應的隱含層節點數。

2.3.2 支持向量機

支持向量機(support vector machine，SVM)是Cortes和Vapnik[27]提出的一種基于統計學習理論的監督學習算法，該算法以VC維理論和結構化風險最低理論為基礎，通過基于核函數的非線性映射將數據投影到高維特征空間中，并在高維空間中求取最優分類超平面。與其他分類方法相比，SVM在處理訓練樣本較少、非線性以及高維數據時，學習速度更快，精度也較高，在土地覆蓋分類[28]、農作物病蟲害監測[29]、水資源監測[30]等環境遙感領域得到廣泛應用。本文建立的支持向量機模型中使用徑向基函數作為核函數，訓練過程采用基于交叉驗證的網格搜索法確定最優參數C和γ。

2.3.3 分類回歸樹

分類回歸樹(classification and regression tree,CART)[31]是常用的決策樹算法之一，該算法既可以用于分類研究，又能對連續變量進行預測和回歸，同時算法對輸入數據沒有任何統計分布要求，輸入數據可以是連續值和離散值，在土地利用分類、作物識別等遙感應用領域得到廣泛關注[32-33]，本文也利用CART算法對多源遙感信息進行學習生成分類規則并進行旱情監測研究。

2.4 TFMV構建方法

融合多個單分類器分類結果一般能獲得更高的分類精度，在3種單分類器對多源遙感數據進行分析挖掘的基礎上，采用決策級融合技術對單分類器旱情等級評估結果進行融合。

經典投票法是常用的分類器融合方法，主要思想是根據少數服從多數的原則，對多個分類器的輸出結果進行集成，將給定樣本劃分為多數分類器具有相同決策的類別[34]。模糊投票法將分類器的隸屬度結果替代類別標簽結果進行投票，樣本關于某類別隸屬度越大，屬于該類別的正確率就越高。

其中表示第i個分類器對于該樣本關于類別k的隸屬度，越大，說明根據第i個分類器該樣本屬于類別k的可能性越高。表示由3種分類器得到的該樣本關于類別k的隸屬度和，可表示為：

模糊投票法將樣本x分配給隸屬度和最大的類別，即模糊投票法關于樣本x的類別L(x)判別方式為：

但是對給定樣本x，如果數值越接近，則該樣本的分類不確定性就越高；5個隸屬度和相等，即

時，樣本x的不確定性達到最大值。上式中5和3分別表示類別數和分類器數。當樣本x具有較大的不確定性時，直接將該樣本分配給隸屬度和最大的類別容易判錯。

基于此，本文在常規的模糊投票法基礎上引入閾值T，構建閾值優化模糊投票法(threshold-optimized fuzzy majority voting，TFMV)。其基本思想是利用閾值T來判斷樣本關于3個分類器的分類不確定性。閾值T是一個給定的大于隸屬度和均值3/5的常數，若某樣本所有5個隸屬度和均小于閾值T，則容易判斷它的5個隸屬度和比較接近，該樣本的分類不確定性也較高。

TFMV首先比較閾值與各隸屬度和值大小，如果該樣本存在類別隸屬度和大于閾值，則結合隸屬度和判斷；否則，結合單分類器的精度進行判斷。具體的判別規則為：

1)若5種類別的隸屬度和中，僅存在某一種類別的隸屬度和不小于T，則將該樣本分配給該類別。

2)若5種類別的隸屬度和中，存在多類別的隸屬度和不小于T，則按照無旱、輕旱、中旱、重旱、特旱的優先級順序對樣本x分配類別。

3)若5種類別的隸屬度和均小于T，則依據3種單分類器對于驗證樣本的分類精度來判斷，將樣本x分配給分類精度最高的單分類器對該樣本所判斷的類別。

本文方法首先通過融合技術來集成不同分類器的旱情評估結果，而后通過對比閾值T及各隸屬度和值來考慮融合過程中的不確定性，從而進一步改善評估效果。其中，閾值T基于訓練樣本經過多次試驗確定。

2.5 精度評價

本文以研究區站點實測SPI值對應的旱情等級作為參考數據，利用混淆矩陣通過總體分類精度、用戶精度、制圖精度和Kappa系數[35]4種評價指標對不同方法的性能進行比較。

混淆矩陣是n行n列的矩陣，其中n表示類別的數量，為分類數據類型中第i類和參考數據類型第j類的交集樣本個數。

總體分類精度(overall accuracy)計算方式為

制圖精度(producer’s accuracy)計算方式為

用戶精度計算方式為

Kappa系數計算方式為

式中為分類所得到第i類的樣本個數；為實際觀測第i類樣本個數，N為樣本總數。

3 結果與分析

3.1 多旱情因子相關性分析

表3所示為各類遙感指數與3個月時間尺度SPI的相關性分析結果。可以看出，植被指數VCI與SPI-3的相關系數在植被生長旺盛時期較高，在植被生長季初期相關性較低，在整個4月到10月之間，相關性先增大后減小，植被指數在不同生長季的監測效果不同，這與Ji和Peters[36]得到的結論類似。從4月份到8月份，VCI與SPI-3的相關系數由0.09增大至0.47，9月份開始，相關性開始減弱，10月份相關系數變為0.35。5月份到10月份期間，植被指數VCI與SPI-3的相關關系均通過0.01顯著性檢驗。

表3 遙感旱情指數與SPI-3的相關性分析結果(4月—10月)Table 3 Correlations between remote sensing drought indices and SPI-3 from April to October

注：VCI為植被狀態指數；TCI為溫度狀態指數；PCI為降水狀態指數；SMCI為土壤濕度狀態指數。 **和*分別表示通過0.01和0.05顯著性檢驗。Note:VCI is vegetation condition index;TCI is temperature condition index;PCI is precipitation condition index;SMCI is soil moisture condition index. **and*represent the significant values at P＜0.01 and P＜0.05,respectively.

從溫度類遙感指數TCI與SPI-3的相關性分析結果可以看出，除了5月份外，其他月份TCI與實測指數SPI-3的相關關系均通過0.01顯著性檢驗。土壤濕度指數SMCI與實測指數SPI-3的所有相關關系也都通過0.01顯著性檢驗，且在整個4月至10月期間，SMCI指數與SPI-3相關系數都在0.45以上。

在4類旱情相關指數中，降水類指數與實測指數的相關性普遍較強，這主要是由于標準化降水指數SPI的建立依靠實測站點降水量獲得。除了4月份(PCI9 vs.SPI-3、PCI12 vs.SPI-3)以外，5種降水指數與SPI-3的相關關系均通過0.01顯著性檢驗。而且與PCI1，PCI6，PCI9和PCI12相比，由3個月累積降水量建立起來的歸一化降水指數PCI3與SPI-3的相關性最強。

依據各類遙感指數與實測指數相關性，本文的分類模型輸入參數除了地表高程數據外，還包括VCI，TCI，PCI3和SMCI4種遙感旱情指數。

3.2 旱情等級評估精度

利用BP神經網絡、支持向量機、分類回歸樹3種單分類器對SMOTE處理后的訓練樣本進行學習并對研究區旱情等級進行判斷，在此基礎上，利用經典投票法和閾值優化模糊投票法2種融合方法對3種單分類器的結果進行決策級融合并結合驗證樣本進行精度評估。

從表4可以發現BP神經網絡方法在單月份的總體分類精度介于61.94%到81.2%，5月份最高，8月份最低；Kappa系數介于0.34(7月份)到0.48(4月份)。支持向量機在不同月份上的總體精度都在59%以上，其中5月份分類精度最高(80.45%)。分類回歸樹在不同月份的分類精度也都達到60%，5月份分類精度最高(77.44%)，Kappa系數介于0.33到0.52之間。比較3種單分類器在不同月份的分類精度可知，不同分類器在不同時間分類效果存在差別，例如在9月，支持向量機方法分類效果最好，而在4月、8月和10月，分類回歸樹方法總體精度高于另外2種方法，BP神經網絡方法在5月到7月分類精度最高。從3種單分類器在所有4至10月驗證樣本上的分類結果來看，BP神經網絡和分類回歸樹分類效果更優，總體分類精度均為69%(Kappa系數為0.44)。

表4 不同方法分類精度對比Table 4 Classification accuracy comparison of different method

注：BPNN為BP神經網絡，SVM為支持向量機，CART為分類回歸樹，TFMV為閾值優化模糊投票法。Note:BPNN is BP neural network,SVM is support vector machine,CART is classification and regression tree,TFMV is threshold-optimized fuzzy majority voting.

從表4可以看出，MV方法在不同月份的總體精度介于63.43%到81.95%之間，Kappa系數介于0.35到0.50之間，與單分類器相比，在5月、7月、9月和10月MV方法優于3種單分類器。TFMV方法在不同月份的分類精度介于64.93%到82.71%之間，5種方法中，TFMV方法在所有單月的分類效果均能達到最優。從2種融合方法在所有4至10月驗證樣本上的分類結果來看，MV方法總體精度為70.08%，Kappa系數為0.45，優于3種單分類器。TFMV方法總體分類精度為72.55%，分別比BP神經網絡、支持向量機、分類回歸樹的總體分類精度高出約3.6，5.1和3.6個百分點，與經典投票法相比，TFMV方法的總體分類精度也高出約2.5個百分點；TFMV方法也取得最優的Kappa系數。

從表5可以看出所有方法5種類別中無旱類的精度依然最高，特旱類別精度相對較低，造成這種現象的原因主要在于該類別樣本點比較少，訓練集和驗證集中特旱類別分別只有26個和23個樣本點，樣本點的分布會對分類算法學習過程及效率造成一定影響，此外，所使用的遙感影像空間分辨率較低，混合像元影響也是造成分類精度不高的一個重要原因。但與其他方法相比，所提出的TFMV方法大多數情況下能得到更優的制圖精度和用戶精度。

綜上分析可知，本文方法TFMV性能優于其他對比方法。雖然經典投票法和本文方法都融合了3種單分類器，但經典投票法采用離散的類別標簽進行投票，且沒有考慮樣本的分類不確定性；而TFMV基于連續的隸屬度進行投票，同時引入閾值T以考慮融合過程中的不確定性，當3種單分類器得到的樣本關于不同類別隸屬度和差別不大時，結合單分類器精度進行旱情等級判斷，所以TFMV能獲較優的分類結果。

表5 不同方法的各類別制圖精度和用戶精度Table 5 Class producer and user accuracy results of different methods %

注：Pa為制圖精度，Ua為用戶精度。Note:Pais producer’s accuracy,Uais user’s accuracy.

3.3 旱情空間分布評估結果

提取研究區2005年到2012年4月份至10月份期間的遙感數據，利用所提出的TFMV對研究區旱情等級進行判斷。結合研究區實測農業氣象災情旬值數據以及農業基本氣象資料月值數據集評估TFMV的旱情判斷結果。

圖2為由TFMV方法得到的研究區2005年、2006年、2007年和2011年6月份和7月份旱情監測圖，表6為研究區3個農業氣象站點處的實測災情旬值數據，圖3為對應站點處的降水量和平均氣溫統計數據。從表6可以看出準格爾旗站在2011年6月至7月遭受旱情，且干旱程度有加重趨勢，該站點在2011年6月和7月降水量均不足30 mm(圖3a,d)，其中2011年7月該站點降水量與常年同期相比明顯偏低，TFMV旱情圖反映出了這一旱情特征(圖2d,h)。

圖3 6月和7月3站點的降水量和平均氣溫變化情況(2005―2012年)Fig.3 Annual variation of precipitation and mean temperature in three stations in June and July from 2005 to 2012

表6顯示巴雅爾吐胡碩站在2006年6月、2007年6月至7月均遭受旱災，其中，2006年6月中旱程度，2007年6月和7月旱情嚴重，TFMV旱情圖能夠反映出該區域在2006年6月的中旱(圖2b)和2007年7月(圖2g)的重旱形勢，但沒能準確判斷出該區域在2007年6月的旱情等級。

從固陽站的實測災情數據來看，該站點在2006年6月和7月輕旱，通過對比TFMV旱情圖可以發現TFMV方法反映的旱情情況與實測數據一致(圖2b,f)。固陽站在2005年6月和7月的月降水量均為2005年到2012年同期降水量最低值(圖3c,f)，該時期遭受嚴重旱災(表6)，TFMV未能準確判斷出6月的重旱等級。

通過上述分析可知，TFMV旱情監測圖基本上能夠指出干旱受災區域，但在少數情況下不能準確判斷旱情等級。

表6 實測農業氣象災情數據Table 6 Statistical data of agricultural meteorological disaster

4 結論

本文通過構建閾值優化模糊投票法（TFMV）建立了一種區域旱情等級評估方法，該方法集成各單分類器評估結果的同時，考慮了融合過程中的不確定性，能有效提高分類精度，在實際區域旱情監測業務中具有一定適用性。主要結論如下：

1）3種單分類器的總體分類精度分別為69%(BP神經網絡)、67.49%(支持向量機)和69%(分類回歸樹)，經典投票法（MV）和本文方法TFMV總體分類精度分別為70.08%和72.55%。融合方法的分類精度相比于單分類器均有所提高。

2）TFMV方法通過引入閾值考慮了融合過程中的不確定性，與MV方法相比，能獲得更優的分類結果。TFMV方法總體分類精度比MV提高了約2.5個百分點。

3）無旱類別的分類精度最高，特旱類別分類精度相對較低，主要原因在于特旱類別樣本點太少，樣本集分布不均衡。此外，遙感影像空間分辨率較低、混合像元影響、尺度轉化問題也是造成分類精度不高的重要原因。

4）TFMV旱情監測圖能較精確的指出干旱受災區域，但在少數情況下不能準確判斷旱情等級。

本文是采用BP神經網絡、支持向量機以及分類回歸樹3種單分類器進行TFMV融合，其他融合方法(如D-S證據理論)是后續工作的重要研究方向。

[1]Wilhite D A.Drought as a natural hazard:Concepts and definitions[J].Drought A Global Assessment,2000(1):3－18.

[2]He B,Wu J J,Lu A F,et al.Quantitative assessment and spatial characteristic analysis of agricultural drought risk in China[J].Natural Hazards,2013,66(2):155－166.

[3]Keshavarz M R,Vazifedoust M,Alizadeh A.Drought monitoring using a soil wetness deficit index(SWDI)derived from MODIS satellite data[J]. Agricultural Water Management,2014,132:37－45.

[4]黃友昕，劉修國，沈永林，等.農業干旱遙感監測指標及其適應性評價方法研究進展[J].農業工程學報，2015，31(16):186－195.Huang Youxin,Liu Xiuguo,Shen Yonglin,et al.Advances in remote sensing derived agriculturaldroughtmonitoring indices and adaptability evaluation methods[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(16):186－195.(in Chinese with English abstract)

[5]孫灝，陳云浩，孫洪泉.典型農業干旱遙感監測指數的比較及分類體系[J].農業工程學報，2012，28(14)：147－154.Sun Hao,Chen Yunhao,Sun Hongquan.Comparisons and classification system of typical remote sensing indexes for agricultural drought[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(14):147－154.(in Chinese with English abstract)

[6]RojasO,Vrieling A,Rembold F.Assessing drought probability for agricultural areas in Africa with coarse resolution remote sensing imagery[J].Remote Sensing of Environment,2011,115(2):343－352.

[7]Rhee J,Im J,Carbone G J.Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data[J].Remote Sensing of Environment,2010,114(12):2875－2887.

[8]Zhang A Z,Jia G S.Monitoring meteorological drought in semiarid regionsusing multi-sensormicrowave remote sensing data[J].Remote Sensing of Environment,2013,134(7):12－23.

[9]杜靈通，田慶久，王磊，等.基于多源遙感數據的綜合干旱監測模型構建[J].農業工程學報，2014，30(9):126－132.Du Lingtong,Tian Qingjiu,Wang Lei,et al.A synthesized drought monitoring model based on multi-source remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(9):126－132.(in Chinese with English abstract)

[10]Brown J F,Wardlow B D,Tadesse T,et al.The vegetation droughtresponse index (VegDRI):A new integrated approach for monitoring drought stress in vegetation[J].GIScience&Remote Sensing,2008,45(1):16－46.

[11]Tadesse T,Champagne C,Wardlow B D,et al.Building the vegetation drought response index for Canada(VegDRI-Canada)to monitor agricultural drought:First results[J].GIScience&Remote Sensing,2017,54(2):230－257.

[12]Wu J,Zhou L,Liu M,et al.Establishing and assessing the integrated surface drought index (ISDI)for agricultural drought monitoring in mid-eastern China[J].International Journal of Applied Earth Observation and Geoinformation,2013,23:397－410.

[13]Rezaeianzadeh M,Stein A,Cox J P.Drought forecasting using markov chain model and artificial neural networks[J].Water Resources Management,2016,30(7):2245－2259.

[14]Mckee T B,Doesken N J,Kleist J.The relationship of droughtfrequency and duration to time scales [C]//Proceedings of the Proceedings of the 8th Conference on Applied Climatology, 1993,American Meteorological Society Boston M A.

[15]Guttman N B.Accepting the standardized precipitation index:A calculation algorithm[J].Journal of the American Water Resources Association,1999,35(2):311－322.

[16]Gebrehiwot T,Van Der Veen A,Maathuis B.Spatial and temporal assessment of drought in the Northern highlands of Ethiopia[J]. International Journal of Applied Earth Observation and Geoinformation,2011,13(3):309－321.

[17]黃晚華，楊曉光，李茂松，等.基于標準化降水指數的中國南方季節性干旱近58a演變特征[J].農業工程學報，2010，26(7):50－59.Huang Wanhua,Yang Xiaoguang,Li Maosong,etal.Evolution characteristics of seasonal drought in the south of China during the past 58 years based on standardized precipitation index[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2010,26(7):50－59.(in Chinese with English abstract)

[18]李斌，解建倉，胡彥華，等.基于標準化降水指數的陜西省干旱時空變化特征分析[J].農業工程學報，2017，33(17):113－119.Li Bin,Xie Jiancang,Hu Yanhua,et al.Analysis on spatiotemporalvariability characteristics ofdroughtin Shaanxi Province using standardized precipitation index[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(17):113－119.(in Chinese with English abstract)

[19]Bhuiyan C,Singh R P,Kogan F N.Monitoring drought dynamics in the Aravalli region(India)using different indicesbased on ground and remote sensing data[J].International Journal of Applied Earth Observation and Geoinformation,2006,8(4):289－302.

[20]Jain S K,Keshri R,Goswami A,et al.Application of meteorological and vegetation indices for evaluation of drought impact:A case study for Rajasthan,India[J].Natural Hazards,2010,54(3):643－656.

[21]Chawla N V,Bowyer K W,Hall L O,et al.SMOTE:Synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research,2002,16:321－357.

[22]Jeatrakul P,Wong K W,Fung C C.Classification of Imbalanced Data by Combining the Complementary Neural Network and SMOTE Algorithm[M].Neural Information Processing: Models and Applications, Berlin;Springer-Verlag Berlin,2010:152－159.

[23]Geiss C,Pelizari P A,Marconcini M,et al.Estimation of seismic building structural types using multi-sensor remote sensing and machine learning techniques[J].Isprs Journal of Photogrammetry and Remote Sensing,2015,104:175－188.

[24]余凡，趙英時，李海濤.基于遺傳BP神經網絡的主被動遙感協同反演土壤水分[J].紅外與毫米波學報，2012(3):283－288.Yu Fan,Zhao Yingshi,Li Haitao.Soil moisture retrieval based on GA-BP neural networks algorithm[J].Journal of Infrared and Millimeter Waves,2012(3):283－288.(in Chinese with English abstract)

[25]Zhang L P,Wu K,Zhong Y F,et al.A new sub-pixel mapping algorithm based on a BP neural network with an observation model[J].Neurocomputing,2008,71(10/11/12):2046－2054.

[26]夏天，吳文斌，周清波，等.冬小麥葉面積指數高光譜遙感反演方法對比[J].農業工程學報，2013，29(3):139－147.Xia Tian,Wu Wenbin,Zhou Qingbo,et al.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(3):139－147.(in Chinese with English abstract)

[27]Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273－297.

[28]Singh S K,Srivastava P K,Gupta M,et al.Appraisal of land use/land cover of mangrove forest ecosystem using support vector machine[J].Environmental Earth Sciences,2014,71(5):2245－2255.

[29]Rumpf T,Mahlein A K,Steiner U,et al.Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance[J].Computers and Electronics in Agriculture,2010,74(1):91－99.

[30]Tehrany M S,Pradhan B,MansorS,etal.Flood susceptibility assessment using GIS-based support vector machine model with different kernel types[J].Catena,2015,125:91－101.

[31]Breiman L,Friedman J H,Olshen R A,et al.Classification and Regression Trees[M]. California: Wadsworth International Group,1984.

[32]于文婧，劉曉娜，孫丹峰，等.基于HJ-CCD數據和決策樹法的干旱半干旱灌區土地利用分類[J].農業工程學報，2016，32(2):212－219.Yu Wenjing,Liu Xiaona,Sun Danfeng,et al.Land use classification in arid and semi-arid irrigated area based on HJ-CCD data and decision tree method[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2016,32(2):212－219.(in Chinese with English abstract)

[33]Conrad C,Colditz R R,Dech S,et al.Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems[J].International Journal of Remote Sensing,2011,32(23):8763－8778.

[34]Lam L,Suen S Y.Application of majority voting to pattern recognition:An analysis of its behavior and performance[J].IEEE Transactions on Systems,Man,and Cybernetics-Part A:Systems and Humans,1997,27(5):553－568.

[35]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[36]Ji L,Peters A J.Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices[J].Remote Sensing of Environment,2003,87(1):85－98.