基于改進最大值法合成NDVI的夏玉米物候期遙感監測

李 艷，張成才，羅蔚然，郜文江

基于改進最大值法合成NDVI的夏玉米物候期遙感監測

李 艷1,2，張成才1※，羅蔚然1，郜文江3

（1. 鄭州大學水利與環境學院，鄭州 450001；2. 鄭州工業安全職業學院，鄭州 451192；3. 登封市水務局，登封 452470）

利用遙感技術監測農作物物候期，能夠及時有效地評估作物生長趨勢、提高農情信息化管理水平。本研究利用2016年MODIS 8天合成數據，提出改進的最大值合成法，結合S-G濾波和Logistic函數擬合重構夏玉米生長曲線，最后利用曲率法提取夏玉米的拔節期和成熟期，利用動態閾值法提取夏玉米的出苗期和抽雄期。結果表明：采用本文提取的夏玉米物候期與實測物候期相比，平均誤差為2.76 d，其中在抽雄期的絕對誤差為1.06 d，運用改進的最大值合成提取作物NDVI時序數據可有效去除連續云霧對植被指數的影響，提高監測作物物候期的準確性，為精準農業提供技術支撐。

遙感；監測；物候期；夏玉米；正-反向最大值合成；Logistic函數；曲率法；動態閾值法

0 引 言

作物物候期反映了作物的生長和發育規律，及時準確地獲取農作物物候期信息，對于農情監測、農田管理以及氣候的響應等研究具有重要的支撐作用[1-2]。傳統的物候期監測方法如田間觀測法、積溫法等雖然簡單易行，但是僅從點的角度出發，代表面積有限，對于大面積農田的長期物候監測有很大的局限性[3]。遙感技術具有廣泛性、時效性、經濟性等特點，近年來利用遙感技術監測農作物長勢、物候特征提取等方面的研究成為熱點[4-13]。眾多遙感數據中，MODIS數據波段相對較窄，減少了水汽吸收對相關波段的影響（如近紅外波段），且有較高的時空分辨率，在物候期監測中應用最為廣泛[6-12]。歸一化植被指數（normalized difference vegetation index，NDVI）可根據地表植被對可見光和近紅外波段特有的光譜反射特性，在較大空間尺度上精確地反映農作物綠度以及光合作用強度。MODIS NDVI 時序中所包含的大量信息可以直觀地反映研究區農作物隨時間推移發生的變化，是物候期監測及提取使用的最常用數據類型[6-10]。光學傳感器獲取地表信息時，會受到云覆蓋、大氣干擾、雙向反射等多重因素的影響；同時，在植被覆蓋度較高時NDVI值會出現飽和現象，因此在使用NDVI數據時，需要先對其進行去噪平滑處理[11-12]，再根據除噪后的植被生長曲線特征提取物候信息。目前，對NDVI時序數據的降噪算法大致分為三類：一是傳統的最大值合成法（maximum value composite, MVC）[13]；二是時域上的處理方法，包括中值/均值濾波法（median filtering method/average filtering method, MFM/AFM）[14-15]、最佳指數斜率提取法（the best index slope extraction, BISE）[16]、S-G濾波法（Savitzky-Golay, S-G）[17]、雙重邏輯函數濾波（Double Logistic Function-fitting, DL）[6]、非對稱高斯擬合函數（asymmetric gaussian method, AG）[8]、傅立葉變換（fourier transform, FT）[18]等；三是頻率域上的處理方法，包括傅里葉低通濾波法（fourier filtering method, FF）[19]和小波低通濾波法（wavelet filtering method, WF）[20]等。以上這些方法中，每種方法對不同性質噪聲點去噪、平滑和保真能力不同[21]。MVC算法簡單，使用方便，廣泛應用在NDVI的初步除噪過程中，但對于連續多日多云天氣容易出現較大誤差。BISE通過一個滑動周期來判斷NDVI再增長百分比，可以有效去掉植被指數序列中的突降值，但不能有效去除一些地表植被各向異性的觀察角度以及受大氣條件影響導致的異常偏高值。傅里葉變換其嚴格的擬合對稱性使得不規則的NDVI時序數據仍保留高噪聲，濾波結果與原始值相比有較大的偏移。盡管相比之下非線性擬合的方法如AG更能體現植被生長變化的自然特征，但很難找到合適的最大值和最小值對高斯函數進行擬合。S-G濾波、AG中的滑動窗口大小的選擇要依據經驗，而這些參數是應用中的關鍵，選擇的好壞可直接影響算法的成功與否。Beck等[6]通過對DL、AG和FT 3種方法進行對比，得出采用DL對MODIS NDVI時序數據重構效果好于其他2種方法。曹云鋒等[22]對比了非對稱高斯算法（AG）、雙邏輯曲線擬合算法（DL）和S-G算法對原始數據的保真性，發現在生長季，AG與DL對原始高質量數據的保真性較高，在非生長季S-G的擬合保真性明顯高于AG與DL 2種方法。宮詔健等[23]分別利用AG、S-G濾波和DL 3種擬合方法重構春玉米NDVI時序曲線，結果表明，基于AG得到的NDVI時序曲線保真能力在3種模型中最強，基于S-G濾波得到NDVI時序曲線平滑能力優于AG和DL模型。為提高植被指數時序數據的重建效果，結合兩種或多種除噪方法是目前重建算法較為常用的方式。李杭燕等[24-25]通過對改進的最佳指數斜率提取法、均值迭代濾波法、S-G濾波法、時間序列諧波分析法以及AG模型5種除噪方法比較，提出標準差權重法對5種重建方法進行綜合，經驗證效果優于單個的除噪方法。李穎等[26]首先使用MVC對原始NDVI初步去噪，由于該方法無法消除多日連續低值噪聲，結合S-G迭代濾波取上包絡線的方法[27]還原作物的NDVI曲線，再使用Logistic曲線擬合重構了夏玉米生長過程曲線。由上可知，目前利用遙感時序數據監測農作物物候信息研究中，如何使NDVI值反映的作物生長狀況與實際情況相對一致，作物生長曲線特征點位與其物候期的對應關系更加準確，是研究的主要方向之一。

鑒于此，本文利用MODIS NDVI時間序列對夏玉米的物候特征進行分析，提出改進的最大值合成法，在不增加其他參數的情況下，修正連續多日云霧覆蓋時造成NDVI值與實際值不符的問題，結合S-G濾波法對DNVI曲線做平滑處理，進一步提高NDVI時序數據的精度。為了使平滑后的曲線更加符合實際生長狀況，將平滑后的NDVI時序數據采用Logistic函數擬合重構得到夏玉米完整的生長曲線。根據夏玉米的生長特征，分別采用曲率法和動態閾值法提取重構曲線的特征點，對研究區夏玉米的關鍵物候期進行提取，以期為遙感技術監測農情提供參考。

1 研究區概況及數據準備

1.1 研究區概況

本研究區廣利灌區位于河南省焦作市西南部（112°37′～113°13′E，34°55′～35°11′N），是集灌溉、補源、排澇功能為一體的大型灌區。渠首位于濟源市五龍口沁河出山口。灌區總面積340 km2。灌區氣候溫和，土地肥沃，盛產小麥、玉米，兼種棉花、山藥等經濟作物，系河南省糧食高產穩產區，研究區地理區位圖如圖1所示。

1.2 數據的獲取與處理

1.2.1 遙感數據

MODIS是裝載在美國國家航空航天局發射的Terra和Aqua衛星上的中等分辨率傳感器。它具有36個中等分辨率水平（0.4～14.4m）的光譜波段，最大空間分辨率可達250 m，一天可過境2次，具有強大的實時監測能力。本文采用的地表反射率產品MOD09Q1，空間分辨率為250 m，時間分辨率為8 d，對應于MODIS的band1和band2波段。根據夏玉米的生長周期，研究區夏玉米的種植時間為每年的5月下旬至6月上旬，成熟期為每年的9月下旬至10月上旬。為獲取夏玉米的生長曲線，本文共下載了17期年積日（day of year，DOY）為第153天至第281天影像數據用來構建研究區2016年夏玉米生長的歸一化植被指數時間序列數據集。下載后的MOD09Q1數據在ENVI軟件中進行了格式轉換、投影變換以及裁剪等處理。

a. 研究區地理位置圖

a. Location of study area

b. 研究區內試驗點分布

同時，本研究采用Landsat8（NASA于2013年2月發射的多光譜遙感衛星）遙感數據計算出研究區2016年8月初和9月末的NDVI值，基于空間一致性約束的譜聚類算法，對研究區夏玉米的種植分布信息進行提取。即從譜聚類和權核均值的等價關系出發，對目標函數添加空間約束，實現圖像的聚類[28]。

該方法是通過計算每個像元特征參數與類別標準的特征空間距離，將該像元劃分到距離最小的類別，同時又考慮了像元的鄰近信息，其中

采用譜聚類算法提取的玉米種植面積為206.67 km2，研究區實際玉米種植面積208.67 km2，相對誤差僅為0.95%。經提取的研究區夏玉米種植結構分布圖如圖2表示。

圖2 研究區夏玉米種植分布圖

1.2.2 地面觀測數據

夏玉米物候期地面觀測數據來自位于研究區中部的試驗站，如圖1b所示，試驗站記錄了站點附近夏玉米在當年進入各個物候期的時間，包括夏玉米出苗期、三葉期、拔節期、小（大）喇叭口期、抽雄期、開花期、抽絲期、子粒形成期、乳熟期、蠟熟期和完熟期。本文以研究區2016年的該研究站物候期觀測數據作為檢驗數據。

2 研究方法

本研究以河南焦作廣利灌區種植的夏玉米為研究對象，在夏玉米生長曲線重構過程中，為減少連續多云天氣對植被指數的影響，采用改進的最大值合成法重構NDVI時序，再結合S-G濾波和Logistic函數擬合出夏玉米的生長曲線，最后使用曲率法提取夏玉米拔節期和成熟期、使用動態閾值法提取夏玉米的出苗期和抽雄期，技術流程圖如圖3所示。

圖3 提取夏玉米物候期技術流程圖

2.1 MODIS NDVI時間序列數據處理方法

根據NDVI=(NIR-)/(NIR+)，當植被覆蓋持續增加時，紅光通道的吸收趨于飽和，而對近紅外通道的反射則繼續增加，因此NIR/的值也會持續增加。當植被覆蓋達到一定程度后，植被指數無法同步增長，不能反映植被的真實生長狀況。此外，由于云層的影響，植被NDVI值會產生突降點，如果連日云層遮檔，NDVI曲線與作物的實際生長曲線就會差異較大，因此本文基于最大值合成法（MVC）提出正-反向最大值合成（positive and reverse direction maximum value composite，P-RMVC），結合使用S-G迭代濾波對NDVI值進行預處理。

2.1.1 改進的最大值合成法

Holben在1986年提出的最大值合成法（MVC）以固定時間間隔內的植被指數最大值作為該時間間隔中間日期的植被指數值，當云層持續出現時，在此期間合成的NDVI最大值會產生較大誤差。如圖4a，采用傳統MVC合成的NDVI時序數據有明顯的誤差。

圖4 最大值合成及正反向最大值合成重構NDVI時間序列

本研究將固定時間間隔內提取的植被指數最大值按照夏玉米生長的時間順序（從播種期到收獲期）依次進行比較，取二者較大值作為該時間間隔中間日期的NDVI值，如圖4b所示，正向時序合成的NDVI值上升至某一點后保持不變，設該點為NDVI峰值；然后按照夏玉米的逆生長順序（從收獲期到播種期）也依次比較MVC合成的植被指數并取較大值，同理，反向時序合成的NDVI值上升至峰值后也保持不變。

理想狀態下，采用改進的正向時序合成的NDVI峰值與反向時序合成的NDVI峰值重合，當出現云覆蓋時，正、反時序合成的NDVI峰值時間會延遲而交錯，如圖4b，分別采用正向和反向最大值合成對研究區夏玉米的NDVI數據重構時，兩個方向的峰值沒有重合，將正、反時序合成的NDVI值進行差值計算。

式中NDVI為正向時序合成的NDVI值；NDVI為反向時序合成的NDVI值，為設定的閾值。

在閾值范圍內，取NDVI值最大的點為NDVI峰值點，根據該點將正、反向合成的NDVI數據進行分割，如圖4c，最終重構出NDVI序列數據。

2.1.2 S-G濾波平滑處理

Savitzky和Golay提出S-G濾波器是一種局部多項式最小二乘法的曲線擬合，研究表明，S-G濾波有較好的平滑作用[23,25]。S-G濾波器由輸入的濾波窗口寬度和多項式次數生成，通過對原始序列進行卷積計算來平滑數據。

本研究使用S-G濾波對重構的NDVI時間序列進行平滑處理。每一次的迭代輸出值作為下一次的迭代輸入值，經10次迭代，誤差趨近于零，曲線收斂，NDVI曲線得到較好的平滑效果。

2.2 夏玉米關鍵物候期監測

玉米的生長大致分為營養生長（種子發芽到抽雄期結束）和生殖生長（抽穗開始到成熟）2個階段，營養生長期生長速率和生殖生長期的衰老速率均表現出“慢—快—慢”的規律，其中夏玉米在拔節期生長速率最快，成熟期衰老速率最快。根據玉米的生長特性，本研究采用符合玉米生長規律的Logistic函數擬合構建夏玉米生長曲線，再利用提取物候期常采用的曲線曲率法[29]和動態閾值法[8]分別提取夏玉米的關鍵物候期。

2.2.1 Logistic函數擬合重構夏玉米生長曲線

Logistic函數在形狀上為“S”形曲線，符合夏玉米的生長趨勢，因此對S-G濾波后的NDVI時序數據進行擬合，并依據擬合曲線曲率變化率的極值點確定NDVI時序曲線上農作物各物候期的轉換期，得到農作物生長變化的過程[7-8]。Logistic函數可以表示為

式中為時間，()為時間時植被指數值；和為模型待求的擬合參數；為植被指數初始背景值，一般定義為一年內無水或雪影響的像元的最小穩定值；為植被指數最大值。

2.2.2 曲線曲率法

在農作物生長周期中，當從一個生長階段向另一個生長階段轉換時，Logistic函數曲線從一個近線性趨勢轉向另一個近線性趨勢[11]，通過計算植被指數曲線曲率極值可以確定夏玉米的物候期，曲線曲率公式可以表示為

式中=exp(+)，d為沿時間曲線移動單位弧長時切線轉過的角度，d為單位弧長。

結合農作物生長特性和公式（7）可知，Logistic函數曲線曲率最大值為農作物生長（衰老）速率變化最大的時期，如圖5a，本研究在Logistic函數擬合的夏玉米生長曲線上得到1個曲率最大值點（Logistic上升曲線）和1個曲率最小值點（Logistic下降曲線），分別對應夏玉米營養生長的拔節期和生殖生長的成熟期開始時間。

2.2.3 動態閾值法

Josson和Eklundh在2002年提出動態閾值法[8]，使用植被指數定義了作物營養生長和生殖生長的開始期，即在作物生長曲線上升階段，將距離植被指數最小值為曲線增幅10%（即植被指數最小值與植被指數最大值差值的10%）的位置定義成作物營養生長的開始期；在作物生長曲線下降階段，距離植被指數最小值為曲線增幅90%（即植被指數最小值與植被指數最大值差值的90 %）的位置定義成生殖生長的開始期。

Josson和Eklundhd 的研究成果，本研究分別選擇閾值為10%作為夏玉米的出苗期，90%作為夏玉米的抽雄期，如圖5所示。

圖5 2種方法提取關鍵物候期

3 結果與分析

根據研究區提供的2016年實測物候期與本文采用的改進的研究方法以及傳統的最大值合成法除噪后提取的夏玉米物候期相比較，得到的絕對誤差和平均誤差如表1所示。

表1 DNVI除噪方法改進前、后2016年夏玉米物候期絕對誤差、平均誤差

從表1可以看出，經過改進的最大法重構的DNVI值在之后的物候期提取中不同階段相對誤差都有所降低，尤其在出苗期，利用改進的方法使得遙感監測物候期的誤差時間由8.22 d降低到3.72 d，降低了4.5 d。抽雄期與實測值絕對誤差時間最小，只有1.06 d。

利用文中的方法對研究區2016年夏玉米關鍵物候期進行監測，分別得到夏玉米出苗期、拔節期、抽雄期以及成熟期對應的時空分布圖，結果如圖6所示：研究區夏玉米的出苗期開始時間較為集中，普遍開始于年積日第166天到第170天，即6月15日—18日；拔節期普遍開始于年積日第185到190天，即7月3日—7月8日；研究區大部分地區在年積日第208天到212天進入抽雄期，即7月25日—7月29日；研究區夏玉米從年積日第251天前后即9月7日開始大面積進入成熟期。在空間分布上，位于研究區渠首的西北部略提前于東南部。總體來說，提取的物候期結果與實際監測結果基本相符。

圖6 夏玉米不同物候期開始時間的空間分布圖

4 結 論

本研究對MODIS NDVI時間序列數據預處理時，提出改進的最大值合成法，這種方法不需要再增加額外的參數，從作物的正向生長時序和反向生長時序依次提取固定時間間隔內的NDVI，從而構建新的NDVI時序數據。將重構后的NDVI時序數據通過S-G濾波，進一步消除遙感數據中的噪聲，再運用Logistic函數擬合重構夏玉米生長曲線。使用曲率曲線法提取了夏玉米拔節期和成熟期的開始時間，動態閾值法提取了夏玉米的出苗期和抽雄期的開始時間。經與實測結果對比，采用改進的MVC方法除噪后得到夏玉米不同物候期的絕對誤差時間均小于傳統MVC方法，尤其是夏玉米出苗期，采用改進的MVC，絕對誤差時間降低了4.5 d。研究結果表明經正-反向最大值合成法和S-G濾波處理后，由Logistic函數擬合重構的NDVI 曲線可應用于夏玉米全生育期的監測。

作物生長曲線作為農作物生命周期的記錄者，蘊含著農作物及環境的大量信息，本研究僅通過MODIS NDVI曲線對夏玉米物候期進行了監測。綜合運用多種遙感傳感器（如高光譜、雷達等），并將遙感、地面和模型多種監測手段綜合使用，有效區分輕微的病蟲害等內在因素與云霧等外在因素對作物植被指數的影響以及減少作物物候監測的不確定因素，這也是下一步要著重研究的問題。

[1] Sadras V O，Monzon J P. Modelled wheat phenology captures rising temperature trends: Shortened time to flowering and maturity in Australia and Argentina[J]. Field Crops Research, 2006, 99(2): 136－146.

[2] 劉健，姚寧，吝海霞，等. 冬小麥物候期對土壤水分脅迫的響應機制與模擬[J]. 農業工程學報，2016，32(21)：115－124.

Liu Jian, Yao Ning, Lin Haixia, et al. Response mechanism and simulation of winter wheat phonology to soil water stress[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(21): 115－124. (in Chinese with English abstract)

[3] 夏傳福，李靜，柳欽火. 植被物候遙感監測研究進展[J]. 遙感學報，2013，17(1)：1－16.

Xia Chuanfu, Li Jing, Liu Qinhuo. Review of advances in vegetation phenology monitoring by remote sensing[J]. Journal of Remote Sensing, 2013, 17(1): 1－16. (in Chinese with English abstract)

[4] Pan Zhuokun, Huang Jingfeng, Zhou Qingbo, et al. Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34(1): 188－197.

[5] Verger A, Filella I, Baret F, et al. Vegetation baseline phenology from kilometric global LAI satellite products[J]. Remote Sensing of Environment, 2016, 178(7): 1－14.

[6] Beck P, Atzberer C, Hogda K, et al. Improved monitoring of vegetation dynamics at very hight latitude: A new method using MODIS NDVI[J]. Remote Sensing of Environment, 2006, 100(3): 321－334.

[7] 邊金虎，李愛農，宋孟強，等. MODIS植被指數時間序列Savitzky-Golay濾波算法重構[J]. 遙感學報，2010，14(4)：725－741.

Bian Jinhu, Li Ainong, Song Mengqiang, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4): 725－741. (in Chinese with English abstract)

[8] Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. Geoscience & Remote Sensing IEEE Transactions on, 2002, 40(8): 1824－1832.

[9] 楊琳，高蘋，居為民. 基于MODIS NDVI數據的江蘇省冬小麥物候期提取[J]. 江蘇農業科學，2016，44(1)：315－320.

[10] 李艷，張紅利. 基于MODIS-NDVI時間序列的河南省冬小麥種植信息提取與分析[J]. 赤峰學院學報：自然版，2017，33(4)：31－33.

[11] Zhou J, Jia L, Menenti M. Reconstruction of global MODIS NDVI time series: Performance of Harmonic ANalysis of Time Series (HANTS)[J]. Remote Sensing of Environment, 2015, 163(8): 217－228.

[12] Qiu B, Feng M, Tang Z. A simple smoother based on continuous wavelet transform: Comparative evaluation based on the fidelity, smoothness and efficiency in phenological estimation[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 47(4): 91－101.

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

[14] 張晗，任志遠. 多種時序NDVI重建方法比較與應用分析[J]. 中國農業科學，2014，47(15)：2998－3008.

Zhang Han, Ren Zhiyuan. Comparison and application analysis of several NDVI time-series reconstruction methods[J]. China Agriculture Science, 2014, 47(15): 2998－3008. (in Chinese with English abstract)

[15] Ma M, Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the Northwest of China[J]. Advances in Space Research, 2006, 37(4): 835－840.

[16] 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.

[17] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures[J]. Analytical Chemistry, 1964, 36(8): 1627－1639.

[18] Sellers P J, Tucker C J, Collatz G J, et al. 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.

[19] Olsson L, Eklundh L. Fourier Series for analysis of temporal sequences of satellite sensor imagery[J]. International Journal of Remote Sensing, 1994, 15(18): 3735－3741.

[20] 李儒，張霞，劉波，等. 遙感時間序列數據濾波重建算法發展綜述[J]. 遙感學報，2009，13(2)：335－341.

Li Ru, Zhang Xia, Liu Bo, et al. Review on methods of remote sensing time-series data reconstruction[J]. Journal of Remote Sensing, 2009, 13(2): 335－341. (in Chinese with English abstract)

[21] Kandasamy S , Fernandes R . An approach for evaluating the impact of gaps and measurement errors on satellite land surface phenology algorithms: Application to 20year NOAA AVHRR data over Canada[J]. Remote Sensing of Environment, 2015, 164(9): 114－129.

[22] 曹云鋒，王正興，鄧芳萍. 3種濾波算法對NDVI高質量數據保真性研究[J]. 遙感技術與應用，2010，25(1)：118－125.

Cao Yunfeng, Wang Zhengxing, Deng Fangping. Fidelity performance of three filters for high quality NDVI time-series analysis[J]. Remote Sensing Technology and Application, 2010, 25(1): 118－125. (in Chinese with English abstract)

[23] 宮詔健，劉利民，陳杰，等. 基于MODIS NDVI數據的遼寧省春玉米物候期提取研究[J]. 沈陽農業大學學報，2018，49(3)：257－265.

Gong Zhaojian, Liu Limin, Chen Jie, et al. Phenophase extraction of spring maize in liaoning province based on MODIS NDVI data[J]. Journal of Shenyang Agricultural University, 2018，49(3)：257－265. (in Chinese with English abstract)

[24] 李杭燕，頡耀文，馬明國. 時序NDVI數據集重建方法評價與實例研究[J]. 遙感技術與應用，2009，24(5)：596－602.

Li Hangyan, Xie Yaowen, Ma Mingguo. Reconstruction of temporal NDVI dataset: Evaluation and case study[J]. Remote Sensing Technology and Application, 2009, 24(5): 596－602. (in Chinese with English abstract)

[25] 李杭燕，馬明國，譚俊磊. 時序NDVI數據集重建綜合方法研究[J]. 遙感技術與應用，2010，25(6)：891－896.

Li Hangyan, Ma Mingguo, Tan Junlei. Integrated reconstruction methods of time series NDVI dataset[J]. Remote Sensing Technology and Application, 2011, 25(6): 891－896. (in Chinese with English abstract)

[26] 李穎，陳懷亮，李耀輝，等. 一種利用MODIS數據的夏玉米物候期監測方法[J]. 應用氣象學報，2018，29(1)：111－119.

Li Ying, Chen Huailiang, Li Yaohui, et al. A method for summer maize phenology monitoring by MODIS data[J]. Journal of Applied Meteorological Science, 2018, 29(1): 111－119. (in Chinese with English abstract)

[27] 李穎，李耀輝，王金鑫. 夏玉米生長過程曲線重建研究：以鶴壁市為例[J]. 氣象與環境科學，2016，39(4)：7－12.

Li Ying, Li Yaohui, Wang Jinxin. Research on summer corn growth curve reconstruction: A case study in Hebi[J]. Meteorological and Environmental Sciences, 2016, 39(4): 7－12. (in Chinese with English abstract)

[28] 賈建華，焦李成. 空間一致性約束譜聚類算法用于圖像分割[J]. 紅外與毫米波學報，2010，29(1)：69－74.

Jia Jianhua, Jiao Licheng. Image segmentation by spectral clustering algorithm with spatial coherence constraints[J]. Journal of Infrared & Millimeter Waves, 2010, 29(1): 69－74. (in Chinese with English abstract)

[29] Zhang X, Friedl M A, Schaaf C B, et al. Monitoring vegetation phenology using MODIS[J]. Remote Sensing of Environment, 2003, 84(3): 471－475.

Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite

Li Yan1,2, Zhang Chengcai1※, Luo Weiran1, Gao Wenjiang3

(1.,,450001,;2.451192,;3.452470,)

Crop phenology period is an important feature of the agriculture eco-system. Using remote sensing technology to monitor crop phenology accurately and timely, which plays an important supporting role in effective assessment of crop growth trends, improving the information management level of agricultural conditions and providing technical support for precision agriculture. Normalized difference vegetation index (NDVI) can well describe the growth process of different types of vegetation, which is the most frequently used data in crop phenology. In this paper, NDVI is extracted from 8-day synthetic data of MODIS in 2016. The time series of NDVI is not continuous in time and space due to the influence of air pollution, it is necessary to smooth the remote sensing time series data which represent the vegetation growth process before the phenology study. Then according to the characteristics of vegetation growth curve, the phenology information is extracted after removing noise of time series data. Maximum value composite (MVC) is widely used in the initial de-noising process of NDVI because of its simple calculation and convenient use, but it is prone to large errors for continuous multi-day cloudy weather. An improved MVC is proposed for the preprocessing of MODIS NDVI time series data in this paper, which is very convenient and does not require additional parameters. The new NDVI time series data can be constructed by extracting NDVI from positive and reverse sequence on growth time series in a fixed interval and then synthesizing it. The reconstructed NDVI time series data are filtered by S-G filter to further eliminate the noise, and then the growth curve of summer maize is reconstructed by logistic function fitting. Finally, the jointing and maturity stages of summer maize are extracted by curvature, and the emergence and tasseling stages of summer maize are extracted by dynamic threshold. Compared with the observed results, the absolute errors of different phenology starting time of summer maize obtained by improved MVC method is less than that of traditional MVC method. Especially the emergence stage, the absolute error of improved MVC method is reduced by 4.5 d. The absolute errors of phenology on summer maize using improved MVC are 3.72, 5, 1.06 and 1.26 d at emergence, jointing, tasseling and maturity stages, respectively. The absolute errors of that by traditional MVC method in subsequent phenology periods aere 8.22, 5.72, 2.78 and 5 d, respectively. From the spatial distribution maps of different phenology periods of summer maize, it can be seen that the starting time of summer maize emergence stage in the study area is relatively concentrated, generally starting from 166 d to 170 d base on the day of year (DOY), namely 15 June to 18 June. Jointing stage generally starts from 185 d to 190 d, namely 3 July to 8 July. Most of the areas in the study area enter the stage of tasseling from 208 d to 212 d, that is, from 25 July to 29 July. A large area of summer maize begins to enter the maturity stage from around 251 d, that is, on September 7. In spatial distribution, the northwest of the canal head in the study area is slightly ahead of the southeast on phenology period. It can be said that using improved MVC to extract NDVI time series data of crops can effectively remove the impact of continuous cloud and fog on vegetation index, improving the accuracy of monitoring crop phenology, providing support for precision agriculture.

remote sensing;monitoring; phenology; summer maize; P-RMVC; Logistic models;curvature method; dynamic threshold method

2018-09-11

2019-06-15

項目來源“河南省農業氣象保障與應用技術重點開放實驗室開放研究基金”（AMF201807）；“河南省科技攻關項目”（182102210017）；“河南省高等學校重點科研項目”（16A40005）

李 艷，講師，博士研究生，研究方向為水利信息技術。Email：24965243@qq.com

張成才，博士，博士生導師，研究方向為遙感技術與應用。Email：zhangcc2000@163.com

10.11975/j.issn.1002-6819.2019.14.020

P237; TP751; S-3

A

1002-6819(2019)-14-0159-07

李 艷，張成才，羅蔚然，郜文江. 基于改進最大值法合成NDVI的夏玉米物候期遙感監測[J]. 農業工程學報，2019，35(14)：159－165. doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org

Li Yan, Zhang Chengcai, Luo Weiran, Gao Wenjiang. Summer maize phenology monitoring based on normalized difference vegetation index reconstructed with improved maximum value composite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 159－165. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.14.020 http://www.tcsae.org