基于TWDTW的時間序列GF-1 WFV農作物分類

邱鵬勛，汪小欽，茶明星，李婭麗

基于TWDTW的時間序列GF-1 WFV農作物分類

邱鵬勛，汪小欽，茶明星，李婭麗

（福州大學/空間數據挖掘與信息共享教育部重點實驗室/衛星空間信息技術綜合應用國家地方聯合工程研究中心/數字中國研究院（福建），福州 350108）

【】焉耆盆地是新疆重要的特色農產品生產基地，農作物種植結構較為復雜。利用時間序列的遙感數據對研究區內的農作物進行分類識別，獲得不同農作物的空間分布、種植面積等信息，為政府部門制定糧食政策、經濟計劃提供重要依據。同時探討時間加權的動態時間彎曲（time weighted dynamic time warping，TWDTW）方法在農作物分類識別中的適用性以及高分一號（GF-1）WFV在農業領域的應用潛力。以新疆焉耆盆地為研究區域，利用2018年作物生長季的GF-1 WFV時間序列數據集計算歸一化植被指數（NDVI），基于TWDTW方法開展農作物分類識別研究。分別采集不同作物的樣本點，形成各作物NDVI的標準序列。利用TWDTW相似性匹配算法計算每個待分類像元與不同作物標準序列間的相似度距離，距離值越小則相似性越高，通過對比確定像元的農作物類型，得到最終的分類結果，同時根據時間序列NDVI曲線建立決策樹（decision trees，DTs）分類規則，人工設置分類閾值得到分類結果，并與TWDTW方法的結果進行對比分析。2種方法的分類結果較為一致，辣椒的種植范圍最廣，小麥主要分布在焉耆盆地北部和西部的農二師二十一團，番茄和甜菜的種植分布較為零星。在種植面積統計中，辣椒的種植面積最大，其后依次為番茄、小麥和甜菜。利用野外樣本點對決策樹和TWDTW兩種方法的分類結果進行精度驗證，總體精度分別為89.58%和90.97%，kappa系數為0.804和0.830，TWDTW方法的分類精度相比于決策樹法略有提高。相比于決策樹分類方法，TWDTW方法的分類精度略有提高的同時，分類結果客觀可靠，而且算法不受地域因素限制，具有較強的靈活性和適用性?；诿芗瘯r相的GF-1 WFV數據集，采用TWDTW算法對農作物進行分類，得到較好的分類結果，能夠滿足農業部門的管理決策需求，該方法在農業領域具有較大的應用和推廣價值。

TWDTW；時間序列；高分一號；農作物分類；決策樹

0 引言

1 材料與方法

1.1 研究區概況

研究區位于新疆巴音郭楞自治州的焉耆盆地（85°58′—87°26′E，41°46′—42°21′N），東臨博斯騰湖，北接天山山脈，行政范圍上包括和靜縣、和碩縣、焉耆縣以及博湖縣（圖1）。焉耆盆地具有典型的干旱綠洲氣候，春季回暖快，冬季較為寒冷，日照時間長，光熱資源豐富。該地區地勢平坦，開都河貫穿其間，水資源較為豐富，適合農業發展。焉耆盆地是新疆重要的特色農產品生產基地，番茄產業經過30多年的發展，已成為該區域的優勢產業，番茄制品銷往全國各地。辣椒在該區域內大面積種植，生產的辣椒質量好、產量高，是全國重要的辣椒生產基地。同時，研究區內還種有小麥、甜菜等農作物，種植結構較為復雜。

圖1 研究區地理位置樣本點分布圖

1.2 數據來源

1.2.1 GF-1/WFV數據集 本文所使用的GF-1/WFV影像數據集是從中國資源衛星應用中心獲取的，空間分辨率為16 m，共10個時相（5-1、5-9、5-21、6-19、8-16、8-28、9-5、9-22、10-4和11-26）。利用DEM數據對影像進行正射校正，采用輻射定標和大氣校正消除大氣等因素的干擾。對于某一特定時相，僅利用單景影像無法覆蓋整個研究區的情況，采用多景影像鑲嵌，并根據研究區范圍對影像進行裁剪，得到邊界一致的數據集。由于NDVI能夠很好地反映綠色植被的生長情況，對所有預處理后數據進行NDVI計算，得到NDVI時間序列數據集，為后續農作物分類做準備。

1.2.2 樣本數據集 為了更好地驗證農作物分類結果，2018年7月對研究區內的農作物種植情況進行了實地調察。采用GPS定點及拍照的方式，共收集到樣本點243個（圖1），根據實地調查樣本點的分布情況，以及谷歌地球影像上不同農作物的色彩和紋理等特征進行目視判讀，再增加118個樣本點，共361個樣本構建樣本數據集，其中辣椒103個，小麥86個，甜菜48個，番茄54個，蘆葦和其他植被58個，非農業區樣本12個。

1.3 研究方法

利用農作物樣本點和GF-1 WFV時間序列數據構建NDVI時序曲線，時序曲線的波形反映了農作物的生長變化情況。根據不同作物生長的物候特征，利用TWDTW算法對研究區內的農作物進行分類。同時建立決策樹分類規則進行對比，分析TWDTW方法在農作物分類中的適用性。圖2為本文的技術路線。

圖2 農作物分類流程圖

1.3.1 農作物物候特征 由于不同農作物對生長的氣候條件有不同的要求，因此它們最適宜的種植也存在差異。利用樣本點與NDVI時間序列數據集生成農作物的NDVI時序曲線圖（圖3），可以發現研究區內小麥的最大生育期在5月底到6月初之間，7月收獲，是最早種植的農作物。番茄和辣椒的種植時間都在4月底，但是番茄的生長季較短，NDVI值在8月初達到最高，8月下旬開始收獲，而辣椒的收獲期是在9月下旬，這段時期的NDVI下降幅度較大。甜菜和蘆葦的生長季都較長，甜菜在9月底達到生長高峰，之后NDVI值迅速下降，是研究區內收獲最遲的農作物。

1.3.2 時間加權的動態時間彎曲算法 時間加權的動態時間彎曲算法是在動態時間彎曲（DTW）算法的基礎上引入了時間權重因子，基于動態規劃思想，尋找一條最小累計距離的路徑[30]。計算兩序列的相似性程度時，不僅要考慮匹配點的數值大小，還要考慮匹配點間的時間跨度，避免序列間嚴重的畸形匹配現象[31]。

設有兩長度分別為和的時間序列為：

當你需要“布置任務”的時候，要轉過他的臉，看著他的眼，微笑，用較慢的語速說出你的需要，并讓寶貝確認你想要表達的內容他是否明白。這只是第一步，接下來你需要給他足夠反應的時間，跟他商量什么時間可以完成。第三步，你需要適時地提醒他。最后，孩子完成了任務，要為他豎起大拇指點贊；完不成任務則要和孩子一起找原因，建立下一次的規則。不斷重復這一過程，在重復中幫助孩子建構時間規則。

圖3 農作物NDVI時序曲線

A={a,=1,2,…,}T（1）

B={b,=1,2,…,}T（2）

構造時間序列和的距離矩陣為：

s×m=(s)×m（3）

式中，s為兩序列間的基距離，一般采用歐式距離的平方和時間權重的乘積作為TWDTW的基距離，即：

s=w×s（4）

s=(a-b)2（6）

式中，w為權重值，為增益因子，值越大則對匹配點間隔差異的懲罰越大，為距離因子，m一般為時間序列的中間節點，本文設為150。設時間序列和在處的累積距離為Q，公式如下：

(i,j)=min[(i-1, j),(i-1, j-1),(i, j-1)]+s （7）

(1,1)=11（8）

在尋找最小累積距離路徑時，應滿足：

（1）max{,}≤≤+-1

（2）若Q=s, Q1=s則0≤-≤1,0≤≤1。

從樣本數據集中隨機選擇20%的樣本作為分類訓練樣本，提取各類樣本點在NDVI影像上的均值作為標準序列的節點值，逐像元計算待分像元與標準序列間的TWDTW距離值，值越小則相似性程度越高。通過對比待分像元與各類農作物標準序列的相似性程度，確定像元屬性，得到最終分類結果。

運算效率是應用TWDTW算法最大的挑戰，其計算時間與影像的時相數、像元數以及分類體系的復雜程度相關。為了提高運算效率，本文對影像進行分塊，采用多線程方法實現TWDTW的并行計算，極大地提高了該算法的時間效率。

1.3.3 決策樹分類方法 根據不同作物具有不同的物候特征，本文采用決策樹對農作物進行分類。決策樹方法是通過設定一些判斷條件對原始影像進行逐步的二分和細化[32-33]。其中，每一個分叉點代表一個決策判斷條件，每個分叉點下有兩個葉節點，分別代表滿足條件和不滿足條件[34-35]。根據農作物生長的NDVI時序曲線（圖2），選取待分作物與其他作物特征差異較大的敏感時期，設定判斷條件，并通過不斷地嘗試確定合理的分類閾值，建立分類規則（圖4）。

決策樹分類規則本著先易后難的原則，選取目標農作物與背景特征差異較大的“關鍵物候期”，優先提取較好區分的農作物。對于物候特征相近的農作物，綜合利用多時相NDVI值，通過簡單的物候學算法，構建農作物的分類條件，增大目標作物與背景特征的差異程度，設定閾值提取目標作物。由于小麥的種植時間最早，與研究區內其他農作物的物候期基本不重疊，NDVI在141 d時達到峰值，在228 d時已經回落到較低狀態，分別對這兩時期的NDVI影像設定閾值提取小麥。番茄和辣椒的最佳種植期都在4月底，雖然播種時間相近，但是番茄生長周期短，在191 d時達到最大生育期，之后NDVI不斷下降，利用番茄在191 d到240 d NDVI差值較大的特點提取番茄。由于甜菜的收獲時間最遲，在277 d時NDVI值還處于較高水平，但僅利用這一時相還不能完全區分甜菜與蘆葦，根據NDVI時序曲線圖（圖2）可以發現，甜菜在170 d到228 d時NDVI還處于上升趨勢，而蘆葦處于下降趨勢，通過兩時相差值區分兩類作物。辣椒和蘆葦的物候曲線較為相似，但辣椒在生育期高峰的228、240和248 d的NDVI值都大于蘆葦，而且辣椒生長季開始較蘆葦晚，在170 d和141 d時NDVI都比蘆葦低，通過后三期影像減去前面兩期得到辣椒提取指標。對于剩下未分類的區域，只需要區分其他和非植被區2個類別，對于非植被區，NDVI值全年都處于較低狀態，選取植被生長最旺盛3個時期（170 d、191 d和240 d）的影像值進行相加，設定閾值可有效地剔除非植被區域。

圖4 農作物分類規則

2 結果

2.1 農作物分類結果

TWDTW和決策樹2種方法的分類結果如圖5所示。從圖中可以看出，2種方法的分類結果較為一致，其中辣椒的種植范圍分布較廣，小麥主要分布在焉耆盆地北部的和碩縣、和靜縣以及農二師二十一團。相比于辣椒和小麥，番茄和甜菜的種植規模較小，且分布較為零星。在博斯騰湖西岸，主要分布著蘆葦及一些其他植被，這與野外考察的真實情況相符合。

對研究區內各縣（市）的農作物種植面積進行統計，可以發現2種分類方法估算農作物種植面積的結果較為接近（表1），其中番茄種植面積差異較大，這主要與番茄種植地塊較為零星有關，混合像元增加了分類的不確定性。從TWDTW分類結果中可以得到，研究區內4種農作物的總種植面積為105 413.6 hm2，其中辣椒的種植面積最大，占總種植面積的69.6%，其次分別為番茄、小麥和甜菜，種植比例分別為14.4%、9.9%和6.1%。

表1 各縣市農作物種植面積統計表

圖5 農作物分類結果

2.2 精度驗證

將除訓練樣本外剩余的290個樣本點作為驗證樣本，分別對2種方案的分類結果進行精度驗證（表2—3）。采用決策樹分類結果的總體精度（overall accuracy，OA）為89.58%，kappa系數為0.804；基于TWDTW算法分類結果的整體精度為90.97%，kappa系數為0.830，TWDTW算法的分類精度略好于決策樹。

從用戶精度（user accuracy，UA）的角度來看，不管是決策樹還是TWDTW算法分類，小麥和番茄的分類精度都是所有類別中最高的2類?；跊Q策樹的分類方法中，小麥的用戶精度達到98.55%，只有1個樣本被錯分，而TWDTW分類方法中有4個小麥樣本被錯分，用戶精度為94.20%。基于TWDTW分類方法相比于決策樹，除小麥的用戶精度有降低外，其他類別的作物精度都略有提高。番茄的精度從87.75%上升到91.84%，辣椒和甜菜的用戶精度分別上升了2.22%和5.00%。

從制圖精度（producer accuracy，PA）的角度來看，除了其他植被與甜菜以外，基于2種分類方法的其他3類農作物的分類精度都高于90%?；赥WDTW分類方法與決策樹方法相比，除了番茄的精度有降低的情況外，其他類別的農作物均有小幅提高。在2種分類結果中，蘆葦及其他植被的分類精度都較低，主要是其他農作物與該類別間均存在一些樣本點誤分現象。

表2 決策樹分類混淆矩陣

表3 TWDTW分類混淆矩陣

3 討論

3.1 TWDTW方法用于農作物分類的潛力探討

決策樹分類方法通過分析不同農作物的物候特征，選取特定時相建立分類條件，通過不斷地試驗確定類別閾值，分類結果雖然能夠達到較高精度，但分類規則受人為主觀影響較大，且需要不斷地試驗才有可能獲得滿意的結果?；谀骋粎^域特定年份建立的決策規則普適性不高，無法推廣到其他區域和應用于其他年份，對于不同的研究區或不同年份，均需構建不同的分類規則?；赥WDTW相似性匹配算法，根據樣本點與時間序列NDVI數據建立不同作物的標準序列，不需要選取作物分類的“關鍵物候期”，通過計算并比較待分像元與各類作物樣本的相似性程度，無需設定閾值，自動生成分類結果。農作物在生長過程中，由于種植時間的差異性及作物生長快慢導致曲線偏移，時間權重的加入使得TWDTW不僅能夠解決這種偏移現象，又能很好地區分作物間的差異[28,36]。Belgiu等[29]和Manabe等[31]利用TWDTW方法在不同研究區提取農作物都取得了較高的精度。而決策樹分類條件的設定較為固定，容易忽略同種作物生長具有快慢的客觀規律，造成作物間的誤分現象。因此，相比于決策樹方法，TWDTW分類精度有所提高，分類結果客觀可靠，而且算法不受地域因素和不同年份限制，具有較強的靈活性和適用性，在農作物分類中具有較大的應用潛力。

本文主要采用NDVI作為農作物區分的特征指數，NDVI能夠很好地顯示植被的生長狀態，但對于生長季時間相近的農作物，采用TWDTW方法有可能導致誤分現象。如分類結果中，有6個其他作物樣本點被誤分為辣椒，它們的生長物候規律與辣椒較為相近。為了進一步提高分類精度，針對這種現象可以考慮增加一些其他特征來加大作物間的差異，擴大相似性距離，從而識別不同的農作物。本文基于TWDTW算法的農作物識別分類仍然存在一些未解決的問題?；谙裨鳛橛跋穹诸惖姆治鰡卧?，存在“同物異譜，異物同譜”的現象，分類結果較為破碎，存在同一田塊被分為多種農作物的情況，分類的完整性有待進一步提高，在今后的工作中，可以通過影像分割，基于面向田塊的方法進一步提高影像的分類精度。在分類樣本選擇中，本文通過選取分類體系中所有作物類型，通過比較作物間相似程度確定待分像元的屬性，對于單一作物空間信息的自動化提取還有待進一步研究，在今后的工作中，希望通過算法自動確定單一作物的分類閾值，實現對農作物專題信息的自動提取。

3.2 GF-1 WFV用于農作物分類的潛力分析

中低分辨率的衛星影像由于幅寬較大適用于大面積種植作物的信息提取，但對于種植結構復雜的區域具有較大的局限性，無法保證提取的精度。相比于中低分辨率的MODIS等其他衛星影像，GF-1 WFV具有更高的空間分辨率，能夠更加準確地反映特定作物地生長變化情況。楊閆君等[37]采用時間序列的GF-1 WFV數據，利用SVM分類器對唐山市南部區域的農作物進行分類，分類精度達到了96.33%。姬忠林等[38]基于決策樹模型和面向對象的分類方法，利用GF-1 WFV數據提取揚州市冬小麥和油菜的種植信息，提取精度分別為97%和96%。從本文的分類精度和前人的研究成果都表明GF-1 WFV數據在農作物的分類識別中具有較大的應用潛力。

GF-1 WFV數據與中低分辨率的影像相比，雖然在空間分辨上具有一定的優勢，但對于地塊較為破碎的地區，如焉耆縣和博湖縣的大部分地區，由于存在混合像元，分類結果較為零星，存在一定的誤差。位于和靜縣和焉耆縣交界的農二師二十一團以及和碩縣，由于地塊面積大且形狀工整，在分類結果中，田塊的邊緣信息較為清晰，農作物在空間分布上也具有較高的連續性和完整性，與野外考察的實際情況相符合，分類精度較高。為了提高農作物的分類精度，在今后的研究中可以考慮采用更高分辨率的影像，或者結合高分辨率與中等分辨率影像對農作物進行監測，實現農作物種植結構的精細提取。

相比于其他的中等分辨率遙感數據，如Landsat系列數據具有16 d的時間分辨率，高分一號衛星具有較短的重訪周期，4 d的重訪周期極大地增加了獲取無云和少云影像的機率。在本研究中，選取了研究區2018年作物生長季的10個不同時相的GF-1 WFV影像，而覆蓋該區域農作物生長季無云和少云的Lansat8 OLI數據總共才8個時相，限制了準確獲取農作物關鍵物候期的機率，不利于作物的識別。隨著GF-6衛星發射升空，GF-1將與該衛星形成星座，時間分辨率從4 d縮短到了2 d，能更加充分地滿足精準農業的要求，為我國的農業發展提供數據保障。

4 結論

本文基于時間序列GF-1 WFV數據，采用TWDTW方法對研究區內的農作物進行識別，并與決策樹分類結果進行對比。結果表明，TWDTW方法在農作物分類識別中能夠取得較高的分類精度，除辣椒和其他外，其余農作物的分類精度都高于90%，能夠滿足作物監測管理的需求；對于農作物種植結構復雜且不同作物間物候具有差異性的地區，采用決策樹分類方法，結合簡單的物候學算法，雖然也能夠得到較高的分類精度，但是分類主觀性強，分類規則無法推廣到其他區域。TWDTW相比于決策樹具有更高的靈活性和適用性，在精準農業方面具有廣闊的應用前景。

[1] 陳水森, 柳欽火, 陳良富, 李靜, 劉強. 糧食作物播種面積遙感監測研究進展. 農業工程學報, 2005, 21(6): 166-171.

Chen S S, LIU Q H, CHEN L F, Li J, Liu Q. Review of research advances in remote sensing monitoring of grain crop area., 2005, 21(6): 166-171.(in Chinese)

[2] 胡瓊, 吳文斌, 宋茜, 余強毅, 楊鵬, 唐華俊. 農作物種植結構遙感提取研究進展. 中國農業科學, 2015, 48(10): 1900-1914.

Hu Q, Wu W B, Song Q, Yu Q Y, Yang P, Tang H J. Recent progresses in research of crop patterns mapping by using remote sensing., 2015, 48(10): 1900-1914.(in Chinese)

[3] 唐華俊, 吳文斌, 楊鵬, 周清波, 陳仲新. 農作物空間格局遙感監測研究進展. 中國農業科學, 2010, 43(14): 2879-2888.

Tang H J, Wu W B, Yang P, Zhou Q B, Chen Z X. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies., 2010, 43(14): 2879-2888. (in Chinese)

[4] Gómez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review., 2016, 116: 55-72.

[5] 宋茜. 基于GF-1/WFV和面向對象的農作物種植結構提取方法研究[D]. 北京: 中國農業科學院, 2016.

Song Q. Object-based image analysis with machine learning algorithms for cropping pattern mapping using GF-1/WFV imagery[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)

[6] Wu W, Yu Q, Peter V H, You L, Yang P, Tang H. How could agricultural land systems contribute to raise food production under global change., 2014, 13(7): 1432-1442.

[7] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data.1998, 37(2): 270-279.

[8] 劉亞群. 基于多時相遙感影像的黑河流域農作物種植結構提取研究[D]. 重慶: 重慶交通大學, 2016.

Liu Y Q. Changes in crop planting structure of the Heihe River basin in china based on the multi-temporal NDVI from TM/ETM+/OLI images. Chongqing: Chongqing Jiaotong University, 2016. (in Chinese)

[9] Vintrou E, Desbrosse A, Begue A, Traore S, Baron C, Lo Seen D. Crop area mapping in west Africa using landscape stratification of MODIS time series and comparison with existing global land products., 2012, 14(1): 83-93.

[10] Shao Y, Lunetta R S, Wheeler B, Iiames J S, Campbell J B. An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data., 2016, 174: 258-265.

[11] Zhang J, Feng L, Yao F. Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information., 2014, 94: 102-113.

[12] Chen Y, Lu D, Moran E, Batistella M, Dutra L V, Sanches I D A, Da Silva R F B, Huang J, Luiz A J B, de Oliveira M A F. Mapping croplands, cropping patterns, and crop types using MODIS time-series data., 2018, 69: 133-147.

[13] 楊小喚, 張香平, 江東. 基于MODIS時序NDVI特征值提取多作物播種面積的方法. 資源科學, 2004, 26(6): 17-22.

Yang X H, Zhang X P, Jiang D. Extraction of multi-crop planting areas from MODIS data., 2004, 26(6): 17-22. (in Chinese)

[14] 陳穎姝, 張曉春, 王修貴, 羅強, 熊勤學, 羅文兵. 基于Landsat8 OLI與MODIS數據的洪澇季節作物種植結構提取. 農業工程學報, 2014, 30(21): 165-173.

Chen Y S, Zhang X C, Wang X G, Luo Q, Xiong Q X, Luo W B. Extraction of crop planting structure in seasons prone to waterlogging using Landsat8 OLI and MODIS data., 2014, 30(21): 165-173. (in Chinese)

[15] 張煥雪, 曹新, 李強子, 張淼, 鄭新奇. 基于多時相環境星NDVI時間序列的農作物分類研究. 遙感技術與應用, 2015, 30(2): 304-311.

Zhang H X, Cao X, Li Q Z, Zhang M, ZhenG X Q. Research on crop identification using multi-temporal NDVI HJ images., 2015, 30(2): 304-311. (in Chinese)

[16] 白照廣. 高分一號衛星的技術特點. 中國航天, 2013(8): 5-9.

Bai Z G. Technical characteristics of GF-1 satellite., 2013(8): 5-9. (in Chinese)

[17] 郭燕, 武喜紅, 程永政, 王來剛, 劉婷. 用高分一號數據提取玉米面積及精度分析. 遙感信息, 2015, 30(6):31-36.

Guo Y, Wu X H, ChenG Y Z, Wang L G, Liu T. Maize recognition and accuracy evaluation based on high resolution remote sensing (GF-1) data., 2015, 30(6): 31-36. (in Chinese)

[18] 劉原峰. 基于多時相GF-1 WFV影像的綠洲主要糧食作物識別及估產——以民勤綠洲為例[D]. 蘭州: 西北師范大學, 2016.

Liu Y F. Oasis main food crops remote-sensing recognition and yield estimation based on multi-temporal GF-1 WFV Images a case study in Minqin Oasis. Lanzhou: Northwest Normal University, 2016. (in Chinese)

[19] 黃健熙, 侯矞焯, 蘇偉, 劉峻明, 朱德海. 基于GF-1 WFV數據的玉米與大豆種植面積提取方法. 農業工程學報, 2017, 33(7): 164-170.

Huang J X, Hou Y Z, Su W, Liu J M, Zhu D H. Mapping corn and soybean cropped area with GF-1 WFV data., 2017, 33(7): 164-170. (in Chinese)

[20] 原繼東, 王志海. 時間序列的表示與分類算法綜述. 計算機科學, 2015(3): 1-7.

Yuan J D, Wang Z H. Review of time series representation and classification techniques., 2015(3): 1-7. (in Chinese)

[21] Arvor D, Jonathan M, Meirelles M S P, Dubreuil V, Durieux L. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil., 2011, 32(22): 7847-7871.

[22] SAKOE H, CHIBA S. Dynamic programming algorithm optimization for spoken word recognition., 1978, 26(1): 43-50.

[23] Keogh E. Exact indexing of dynamic time warping., 2005, 7: 386-758.

[24] Hamooni H. Phoneme sequence recognition via DTW-based classification., 2016, 48: 253-275.

[25] Jeong Y S, Jeong M K, Omitaomu O A. Weighted dynamic time warping for time series classification., 2011, 44(9): 2231-2240.

[26] 鐘禮山, 李滿春, 伍陽, 夏南, 程亮. 利用SAR影像時間序列的耕地提取研究. 地理科學進展, 2015, 34(7): 830-839.

Zhong L S, Li M C, Wu Y, Xia N, Cheng L. Cropland extraction using SAR time series image.2015, 34(7): 830-839. (in Chinese)

[27] 葉燕清, 楊克巍, 姜江, 葛冰峰, 豆亞杰. 基于加權動態時間彎曲的多元時間序列相似性匹配方法. 模式識別與人工智能, 2017, 30(4): 314-327.

Ye Y Q, Yang K W, Jiang J, Ge B F, Dou Y J. Multivariate time series similarity matching method based on weighted dynamic time warping algorithm., 2017, 30(4): 314-327. (in Chinese)

[28] Maus V, C?amara G, Appel M. dtwSat: Time-weighted dynamic time warping for satellite image time series analysis in R., 2017, 90(1): 1-30.

[29] Belgiu M. Sentinel-2 cropland mapping using pixel-based and object-based time weighted dynamic time warping analysis., 2018, 204: 509-523.

[30] Guan X, Huang C, Liu G. Mapping rice cropping systems in Vietnam using an NDVI-based time-series similarity measurement based on DTW distance., 2016, 8(19): 3390-3415.

[31] Manabe V D, Melo M R S, Rocha J V. Framework for mapping integrated crop-livestock systems in Mato Grosso, Brazil., 2018, 10(9): 1-17.

[32] 王凱, 趙軍, 朱國鋒, 張佩云, 劉江濤, 陳棟棟. 基于GF-1遙感數據決策樹與混合像元分解模型的冬小麥種植面積早期估算. 遙感技術與應用, 2018, 33(1): 158-167.

Wang K, Zhao J, Zhu G F, Zhang P Y, Liu J T, Chen D D. Early estimation of winter wheat planting area in Qingyang city by decision tree and pixel unmixing methods based on GF-1 satellite data., 2018, 33(1): 158-167. (in Chinese)

[33] 王連喜, 徐勝男, 李琪, 薛紅喜, 吳建生. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取. 農業工程學報, 2016, 32(5): 182-187.

Wang L X, Xu S N, Li Q, Xue H X, Wu J S. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods., 2016, 32(5): 182-187. (in Chinese)

[34] 蘇偉, 姜方方, 朱德海, 展郡鴿, 馬鴻元, 張曉東. 基于決策樹和混合像元分解的玉米種植面積提取方法. 農業機械學報, 2015, 46(9): 289-295.

Su W, Jiang F F, Zhu D H, Zhan J G, MA H Y, Zhang X D. Extraction of maize planting area based on decision tree and mixed-pixel unmixing methods.2015, 46(9): 289-295. (in Chinese)

[35] 周靜平, 李存軍, 史磊剛, 史姝, 胡海棠, 淮賀舉. 基于決策樹和面向對象的作物分布信息遙感提取. 農業機械學報, 2016, 47(9): 318-326.

Zhou J P, Li C J, Shi L G, Shi S, Hu H T, Huai H J. Crops distribution information extracted by remote sensing based on decision tree and object-oriented method.2016, 47(9): 318-326. (in Chinese)

[36] 管續棟, 黃翀, 劉高煥. 基于DTW距離的時序相似性方法提取水稻遙感信息—以泰國為例. 資源科學, 2014, 36(2): 267-272.

Guan X D, Huang C, Liu G H. Extraction of paddy rice area using a DTW distance based similarity measure.2014, 36(2): 267-272. (in Chinese)

[37] 楊閆君, 占玉林, 田慶久, 顧行發, 余濤, 王磊. 基于GF-1/ WFVNDVI時間序列數據的作物分類. 農業工程學報, 2015, 31(24): 155-161.

Yang Y J, Zhan Y L, Tian Q J, Gu X F, Yu T, Wang L. Crop classification based on GF- 1/WFV NDVI time series., 2015, 31(24): 155-161. (in Chinese)

[38] 姬忠林, 張月平, 李喬玄, 劉紹貴, 李淑娟, 任紅艷. 基于GF-1影像的冬小麥和油菜種植信息提取. 遙感技術與應用, 2017, 32(4): 760-765.

Ji Z L, Zhang Y P, Li Q X, Liu S G, Li S J, Ren H Y. Planting information extraction of winter wheat and rape based on GF-1 images., 2017, 32(4): 760-765. (in Chinese)

Crop Identification Based on TWDTW Method and Time Series GF-1 WFV

Qiu PengXun, Wang XiaoQin, Cha MingXing, Li YaLi

(Fuzhou university/Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education/National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology/The Academy of Digital China (Fujian), Fuzhou 350108)

【】Yanqi Basin is an important production base of characteristic agricultural products in Xinjiang, and the planting structure of crops is complicated. In this study, the time series remote sensing data were used to classify and identify crops in the study area, so as to obtain the spatial distribution of different crops and their planting areas, which were the important basis for government sectors to formulate grain policies and economic plans. At the same time, the applicability of time-weighted dynamic time warping (TWDTW ) method in crop classification and the application potential of GF-1 WFV in agriculture were also discussed.【】The normalized vegetation index (NDVI), calculated from the 2018 time series GF-1 WFV data set in Yanqi Basin, Xinjiang, was used to study the crops recognition based on TWDTW method. Sample points of different crops were collected to form standard sequence of NDVI for each crop. The TWDTW similarity matching algorithm was used to calculate the similarity distance between each pixel to be classified and the standard sequence of different crops. The smaller the distance was, the higher the similarity was. The similarity was used to determine the crop type of the pixel, and the final classification result was obtained. At the same time, the classification rules of decision tree were established according to the NDVI curve of time series, and the classification result was obtained by manually setting the classification threshold, and compared with that of the TWDTW method. 【】The classification results of the two methods were very consistent. Peppers were the most widely planted and the wheat was mainly distributed in the northern part of the Yanqi Basin and the 21st Division of the Second Agricultural Division. The distributions of tomato and sugar beet were relatively sporadic. Among the results of planting area, pepper had the largest planting area, followed by tomato, wheat and sugar beet. The accuracy of the classification results of the TWDTW and decision tree methods was verified by the field sample points: the overall accuracy of them were 89.58% and 90.97%, respectively, and the kappa index of them were 0.804 and 0.830, respectively. The classification accuracy of the TWDTW method was slightly higher than that of the decision tree method. 【】Compared with the decision tree classification method, the classification accuracy of the TWDTW method was slightly improved, the classification result was more objective and reliable. The algorithm of TWDTW method was not limited by geographical factors and had strong flexibility and applicability. The experimental results showed that using TWDTW algorithm to identify crops based on the GF-1 WFV data set of dense temporal phase could get better classification results, and it had great application and popularization value in agricultural field.

TWDTW;time series; GF-1; crop identification; decision trees

10.3864/j.issn.0578-1752.2019.17.004

2019-04-20；

2019-07-03

國家重點研發計劃課題（2017YFB0504203）、中央引導地方發展專項（2017L3012）

邱鵬勛，E-mail：490909513@qq.com。通信作者汪小欽，E-mail：wangxq@fzu.edu.cn

（責任編程 楊鑫浩）