融合多源遥感数据的黑河中游地区生长季早期作物识别

doi:10.12082/dqxxkx.2022.210527

摘要/Abstract

摘要：

在生长季早期获取作物的种植情况,对于农业水资源管理,尤其是缺水地区的水量分配等具有重大的意义。本文利用改进型时空自适应融合模型（ESTARFM）,将作物生长早期3—6月的Sentinel 2影像与MOD09GQ数据计算得到的NDVI数据进行融合,建立NDVI时间序列,并利用随机森林分类方法对2019年黑河流域中游地区作物种植结构进行早期识别。利用3-6月Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列,作物分类精度达到91.42%,kappa系数为0.85,相比仅使用Sentinel-2 NDVI时间序列的作物分类精度提高1.05%,kappa系数提高0.02。与使用整个作物生长期（3—10月）Sentinel-2 NDVI时间序列的作物分类结果相比,精度仅低1.53%,kappa系数仅低0.03。利用Gini系数对利用Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列进行特征重要性评估,发现Gini系数得分高于平均值的10期NDVI影像中,有6期为时空融合影像,说明时空融合获取的NDVI数据利于提高分类精度的有效性。对比使用不同长度NDVI时间序列对作物种植结构进行早期识别的精度发现,最早可在4月中旬与4月下旬分别实现对苜蓿和玉米的早期识别;玉米的分类精度受NDVI时间序列长度的影响较大,可在5月下旬实现对玉米的早期识别。

关键词: 作物识别, 遥感, 时空融合, NDVI时间序列, 黑河流域中游地区

Abstract:

Obtaining the condition of crops in the early growing season is important for the agricultural water resources management, especially for water allocation in water shortage areas. In this paper, the Enhanced Spatiotemporal Adaptive Fusion Model (ESTARFM) was used to fuse Sentinel-2 NDVI data with NDVI data calculated from MOD09GQ in the early growing season in the middle reaches of the Heihe River basin from March to June to construct NDVI time series, and then the random forest classification method was used to identify the crop structure in 2019. By using the Sentinel-2 NDVI time series and spatiotemporal fused NDVI time series jointly in the early growing season (i.e., from March to June), the crop classification accuracy reached 91.42 % with a kappa coefficient of 0.85. Compared with the classification results obtained using only Sentinel-2 NDVI time series, the accuracy improved by 1.01 % and the kappa coefficient improved by 0.02. The accuracy was only 1.53 % lower and the kappa coefficient was only 0.03 lower than the results obtained using Sentinel-2 NDVI time series in the whole crop growth period (from March to October). The Gini coefficient was used to evaluate the feature importance of the time series constructed by combining the Sentinel-2 NDVI time series and fused NDVI series. It was found that six of the 10 NDVI images with Gini coefficient scores higher than the average were spatiotemporally fused images, indicating that the NDVI data obtained by spatiotemporal fusion could improve the classification accuracy. The NDVI time series of different lengths were also established separately for early identification of crop structures. Results show that early identification of alfalfa and corn can be achieved as early as mid-April and late April, respectively. In addition, the classification accuracy of corn was strongly influenced by the length of NDVI time series, and early identification of corn can be achieved in late May.

Key words: crops identification, remote sensing, spatial-temporal data fusion, NDVI time series, the middle reaches of the Heihe River basin

杨泽航, 王文, 鲍健雄. 融合多源遥感数据的黑河中游地区生长季早期作物识别[J]. 地球信息科学学报, 2022, 24(5): 996-1008.DOI:10.12082/dqxxkx.2022.210527

YANG Zehang, WANG Wen, BAO Jianxiong. Identifying Crop Types in Early Growing Season in the Middle Reaches of Heihe River by Fusing Multi-Source Remote Sensing Data[J]. Journal of Geo-information Science, 2022, 24(5): 996-1008.DOI:10.12082/dqxxkx.2022.210527

图/表 15

图1

表1

表2

图2

表3

图3

图4

图5

图6

表4

图7

图8

图9

表5

表6

参考文献 20

[1]	欧阳玲, 毛德华, 王宗明, 等. 基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析[J]. 农业工程学报, 2017, 33(11):147-156.
	[ Ouyang L, Mao D H, Wang Z M. Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(11):147-156. ] DOI: 10.11975/j.issn.1002-6819.2017.11.019 doi: 10.11975/j.issn.1002-6819.2017.11.019
[2]	曹卫彬, 杨邦杰, 宋金鹏. TM影像中基于光谱特征的棉花识别模型[J]. 农业工程学报, 2004, 20(4):112-116.
	[ Cao W B, Yang B J, Song J P. Cotton recognition model based on spectral features in TM image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(4):112-116. ]
[3]	Ajay M, Foody G. Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International Journal of Remote Sensing, 2008, 29(8):2227-2240. DOI: 10.1080/01431160701395203 doi: 10.1080/01431160701395203
[4]	胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10):1900-1914.
	[ Hu Q, Wu W B, Song Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10):1900-1914. ] DOI: 10.3864/j.issn.0578-1752.2015.10.004 doi: 10.3864/j.issn.0578-1752.2015.10.004
[5]	边增淦, 王文, 江渊. 黑河流域中游地区作物种植结构的遥感提取[J]. 地球信息科学学报, 2019, 21(10):1629-1641. doi: 10.12082/dqxxkx.2019.190183
	[ Bian Z G, Wang W, Jiang Y. Remote sensing of cropping structure in the middle reaches of the Heihe River Basin[J]. Journal of Geo-information Science, 2019, 21(10):1629-1641. ] DOI: 10.12082/dqxxkx.2019.190183 doi: 10.12082/dqxxkx.2019.190183
[6]	Zhong L H, Gong P, Biging Gregory-S. Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery[J]. Remote Sensing of Environment, 2013, 140:1-13. DOI: 10.1016/j.rse.2013.08.023 doi: 10.1016/j.rse.2013.08.023
[7]	Cai Y P, Guan K Y, Peng J, et al. A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach[J]. Remote Sensing of Environment, 2018, 210:35-47. DOI: 10.1016/j.rse.2018.02.045 doi: 10.1016/j.rse.2018.02.045
[8]	郝鹏宇, 唐华俊, 陈仲新, 等. 基于历史增强型植被指数时序的农作物类型早期识别[J]. 农业工程学报, 2018, 34(13):179-186.
	[ Hao P Y, Tang H J, Chen Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13):179-186. ] DOI: 10.11975/j.issn.1002-6819.2018.13.021 doi: 10.11975/j.issn.1002-6819.2018.13.021
[9]	Zhou F C, Zhang A N, Townley-Smith Lawrence. A data mining approach for evaluation of optimal time-series of MODIS data for land cover mapping at a regional level[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 84:114-129. DOI: 10.1016/j.isprsjprs.2013.07.008 doi: 10.1016/j.isprsjprs.2013.07.008
[10]	Paolo Villa, Stroppiana Daniela, Fontanelli Giacomo, et al. In-Season mapping of crop type with optical and x-band SAR data: A classification tree approach using synoptic seasonal features[J]. Remote Sensing, 2015, 7(10):12859-12886. DOI: 10.3390/rs71012859 doi: 10.3390/rs71012859
[11]	Ramin Azar, Villa Paolo, Stroppiana Daniela, et al. Assessing in-season crop classification performance using satellite data: a test case in northern Italy[J]. European Journal of Remote Sensing, 2016, 49(1):361-380. DOI: 10.5721/EuJRS20164920 doi: 10.5721/EuJRS20164920
[12]	Zhu X L, Gao F, Liu D S, et al. A modified neighborhood similar pixel interpolator approach for removing thick clouds in Landsat images[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(3):521-525. DOI: 10.1109/LGRS.2011.2173290 doi: 10.1109/LGRS.2011.2173290
[13]	Zhu X L, Chen J, Feng G, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11):2610-2623. DOI: 10.1016/j.rse.2010.05.032 doi: 10.1016/j.rse.2010.05.032
[14]	Chen J, Zhu X L, James E, Vogelmann. et al. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images[J]. Remote Sensing of Environment, 2010, 115(4). DOI: 10.1016/j.rse.2010.12.010 doi: 10.1016/j.rse.2010.12.010
[15]	Feng T, Wang Y J, Fensholt Rasmus, et al. Mapping and evaluation of NDVI trends from synthetic time series obtained by blending Landsat and MODIS data around a coalfield on the Loess Plateau[J]. Remote Sensing, 2013, 5(9):4255-4279. DOI: 10.3390/rs5094255 doi: 10.3390/rs5094255
[16]	孙华生, 徐爱功, 林卉, 等. 时间序列植被指数频域滤波去噪算法的优化研究[J]. 遥感信息, 2013, 28(1):24-28.
	[ Sun H S, Xu A G, Lin H, et al. Optimization of frequency domain denoising algorithms for time-series vegetation index[J]. Remote sensing Information, 2013, 28(1):24-28 ] DOI: 10.3969/j.issn.1000-3177.2013.01.006 doi: 10.3969/j.issn.1000-3177.2013.01.006
[17]	程琳琳, 李玉虎, 孙海元, 等. 京津冀MODIS长时序增强型植被指数拟合重建方法适用性研究[J]. 农业工程学报, 2019, 35(11):148-158.
	[ Cheng L L, Li Y H, Sun H Y, et al. Applicability of fitting and reconstruction method of MODIS long-time enhanced vegetation index in Beijing-Tianjin-Hebei[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(11):148-158. ] DOI: 10.11975/j.issn.1002-6819.2019.11.017 doi: 10.11975/j.issn.1002-6819.2019.11.017
[18]	栗云峰. 基于时间序列高分一号影像的南京市农业用地提取方法研究[D]. 南京:南京大学, 2019.
	[ Li Y F. Agricultural land extraction in Nanjing based on time series GF-1 WFV images[D]. Nanjing: Nanjing University, 2019. ]
[19]	V-F Rodriguez-Galiano, Ghimire B, Rogan J, et al. An assessment of the effectiveness of a random forest classifier for land-cover classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67:93-104. DOI: 10.1016/j.isprsjprs.2011.11.002 doi: 10.1016/j.isprsjprs.2011.11.002
[20]	杨振忠. 基于遥感数据的水稻生育期识别研究[D]. 武汉:武汉大学, 2019.
	[ Yang Z Z. Identification of growth stage in rice using remote sensing date[D]. Wuhan: Wuhan University, 2019. ]

	4月	5月	6月	7月	8月	10月
玉米		播种			抽穗	收获
小麦	播种		抽穗	收获
苜蓿	播种		收割		收割	收割

数据类型	成像时间
Sentinel-2	上半年	3月2日	3月12日	3月17日	4月6日	4月16日	4月21日
	上半年	5月1日	5月11日	5月16日	6月15日	6月30日
	下半年	7月5日	7月15日	7月25日	7月30日	8月4日	8月14日
	下半年	9月3日	9月23日	9月28日	10月18日	10月28日
MOD09GQ	上半年	3月2日	3月4日	3月10日	3月11日	3月12日	3月17日
		3月18日	3月24日	4月6日	4月14日	4月16日	4月20日
		4月21日	4月22日	4月30日	5月1日	5月3日	5月11日
		5月12日	5月13日	5月16日	5月22日	5月23日	5月25日
		6月3日	6月7日	6月15日	6月16日	6月17日	6月30日

数据类型	有云日期
Sentinel-2	上半年	3月17日	4月6日	5月1日	5月11日	5月16日	6月15日	6月30日
Sentinel-2	下半年	7月15日	8月4日	9月3日	9月23日	10月18日
MOD19GQ	上半年	3月17日	4月6日	4月20日	4月22日	4月30日	5月1日	5月3日
		5月11日	5月12日	5月16日	5月23日	6月7日	6月15日	6月16日
		6月17日	6月30日

作物类别	3—6月11期NDVI_Sen		3—6月11期NDVI_Sen+8期NDVI_FUS		3—10月22期NDVISen
作物类别	用户精度/%	制图精度/%	用户精度/%	制图精度/%	用户精度/%	制图精度/%
苜蓿	98.84	91.20	99.48	91.26	98.99	94.65
小麦	76.67	86.07	80.17	90.44	80.01	88.23
玉米	88.50	97.20	88.67	98.44	91.80	98.47
蔬菜	70.61	43.03	80.99	43.33	83.79	49.85
总体精度/%	90.37		91.42		92.95
kappa系数	0.83		0.85		0.88

作物类别	3—4月15期NDVI_Sen		3—-5月24期NDVISen		3—6月30期NDVISen
作物类别	用户精度/%	制图精度/%	用户精度/%	制图精度/%	用户精度/%	制图精度/%
苜蓿	97.49	91.40	99.45	90.15	99.48	91.26
小麦	72.57	88.27	80.10	87.93	80.97	90.46
玉米	88.49	97.56	87.78	98.63	88.67	98.44
蔬菜	66.91	28.65	82.99	41.49	80.99	43.33
总体精度/%	89.22		90.92		91.42
kappa系数	0.81		0.82		0.85