基于物候特征參數的山西煤礦區典型復墾植被分類

張彥彬， 安楠， 劉佩艷， 賈坤， 姚云軍

(1.山西省自動化研究所,太原 030012； 2.堪薩斯州立大學農學系環境與農業空間分析實驗室,

堪薩斯州 66506,美國； 3.北京師范大學地理學與遙感科學學院,北京 100875)

基于物候特征參數的山西煤礦區典型復墾植被分類

張彥彬1， 安楠2， 劉佩艷1， 賈坤3， 姚云軍3

(1.山西省自動化研究所,太原 030012； 2.堪薩斯州立大學農學系環境與農業空間分析實驗室,

堪薩斯州 66506,美國； 3.北京師范大學地理學與遙感科學學院,北京 100875)

基于2001―2013年獲取的MOD13Q1 NDVI數據，采用低通平滑Savitzky-Golay(S-G)濾波方法、插值法及切比雪夫多項式(Chebyshev Polynomial)擬合對NDVI時序數據進行重構； 通過提取植被生長季開始日期、生長季長度、生長季結束日期、生長季NDVI最大值及NDVI最大值出現日期等關鍵物候特征參數，對研究區典型復墾植被類型進行分類。結果表明： 研究區不同植被的物候特征具有顯著差異，從生長季開始日期及NDVI最大值出現日期來看，農作物較有規律； 而林地的生長季NDVI累積總值則明顯區別于農作物及草地； 農作物、草地和林地基于植被物候特征參數分類取得了較好結果，總體分類精度達到89.67%，優于采用多時相非監督分類的結果； 該研究為山西省煤炭礦區生態環境恢復評價提供了一定的數據基礎。

遙感數據； MODIS； NDVI； 物候參數； 植被分類

0 引言

及時對煤礦復墾狀況進行動態監測及評估是煤礦復墾的重要需求。遙感數據分類是獲取區域土地覆蓋信息的重要手段，為土地覆蓋相關研究和應用提供了不可或缺的重要數據基礎[1-2]。近年來，由于不同植被類型的生長特征存在明顯的差異，國內外學者廣泛采用時序特征進行植被覆蓋分類，提高了分類精度[3]，如Pringle等[4-7]利用中分辨率成像光譜儀歸一化植被指數(MODIS NDVI)數據對土地覆蓋分類進行了研究，并且針對不同類型植被特征信息的提取，采用了不同的研究方法，如傅里葉變換法[8]、指數模型法[9]和閾值法[10]等。但上述方法均缺乏對植被物候特征及生理特性的分析。物候包括植物的發芽、開花、結果和落葉等[11]。通過時序植被指數的變化規律分析植被物候特征參數[12]，提取對應的關鍵時間節點及特征值，如生長季開始日期、生長季結束日期、生長季長度、生長季NDVI最大值、生長季NDVI最大值對應日期及生長季NDVI累計總值等物候參數[13]。國內外利用時序遙感數據進行大尺度的物候特征研究取得了很大進展，如Beck等[14]利用函數擬合方法研究植被物候特征變化； 宮攀[15]利用MODIS數據關鍵物候特征參數對東北地區植被覆蓋進行分類研究； Murakami等[16]和趙延征等[17]利用SPOT_VGT數據提取物候信息，對大面積農作物空間分布進行研究。這些研究表明，同一區域內不同植被的物候特征具有明顯的差異，因此利用物候特征參數對土地覆蓋分類是可行的。但是，將物候特征參數應用于煤礦復墾植被分類方面的研究相對較少。本文通過對物候參數的提取，充分利用不同植被類型的物候特征實現山西省6大煤田區高精度的典型復墾植被分類，為進一步開展我國礦區生態環境評價提供支撐數據。

1 研究區概況與數據源

1.1 研究區概況

山西省地處黃河中游東岸、黃土高原東部，地理位置在E110°14′～114°33′，N34°34′～40°43′之間，總面積約15.6萬km2，占全國總面積的1.63%。按照地質構造、地理位置和規模大小，全省煤礦區劃分為大同、寧武、河東、太原西山、霍西和沁水6大煤田(圖1)。研究區屬溫帶大陸性氣候，冬寒夏暖，4季分明，氣溫和降水的空間分布差異較大，植被類型多樣且分布差異大。

圖1 山西省6大煤田分布圖

由于煤炭資源大量開采破壞了煤礦區的生態環境，近年來山西省各級政府積極倡導煤礦區復墾，以治理和改善其脆弱的生態環境。研究該區域典型復墾植被類型對評價生態環境改善狀況以及政府部門制定相應政策都具有重要意義。

1.2 數據及其預處理

本文使用的遙感數據來源于美國地球資源觀測系統(EROS)數據中心提供的時間跨度為2001―2013年、16 d合成、空間分辨率為250 m的MOD13Q1 NDVI影像。

對多時相MODIS NDVI時序數據進行平滑處理是提取植被物候特征參數的基礎，可最大限度地減弱噪聲干擾。目前基于濾波函數的NDVI時序曲線平滑法主要有Savitzky-Golay(S-G)濾波、均值迭代濾波、傅里葉變換和時間序列諧波分析等。邊金虎等[18]曾利用S-G濾波法對MODIS NDVI時序數據進行了重構，并與傅立葉變換和均值迭代濾波相比較，結果表明采用S-G濾波法的擬合效果較好。S-G濾波算法保留了數據最大值和最小值的特性，并能很好地反映時序數據的局部突變信息及變化趨勢，因此本文采用S-G濾波法對時間序列NDVI進行平滑處理。S-G濾波的基本公式為

(1)

式中：Y為NDVI原始值；Y*為NDVI擬合值；j為原始NDVI數組的系數；Ci為第i個NDVI值濾波時的系數；m為濾波窗口的寬度；N為滑動窗口所包括的數據點，N=2m+1。

2 研究方法

2.1 物候特征參數提取

為了更準確地提取物候參數，本文首先對S-G濾波算法平滑后的曲線進行空間插值，然后利用切比雪夫多項式(Chebyshev Polynomial)對曲線進行擬合。利用切比雪夫插值法對插值節點尋優，進行函數最佳逼近，可有效地提高參數提取精度。

設x0,x1,…,xn,x為區間[a,b]上(n+1)個互不相同的點，f(x)∈Cn+1[a,b]，則對任何x∈[a,b]存在εx∈[x0,x1,…,xn,x]，使得拉格朗日插值余項Rn(x)=f(x)-Ln(x)滿足

(2)

其中

[x0,x1,…,xn,x]=[min{x0,x1,…,xn,x}, max{x0,x1,…,xn,x}]∈[a,b],

(3)

(4)

要使拉格朗日插值多項式Ln(x)盡量逼近f(x)，就要使余項Rn(x)盡量小。在Rn(x)中，f(x)是固定的，而εx是未知數； 所以要減小Rn(x)，只有恰當選擇節點集，使得在插值區間內余項的最大值為極小值。為了應用切比雪夫多項式，首先應將插值區間[a,b]通過簡單變換歸一化到區間[-1,1]，做變換

(5)

所以插值節點應取為

(6)

式中：k為切比雪夫節點序號，k=0,1,2,…,n-1；a和b分別為插值區間的下限和上限。

所以需討論區間[-1,1]上函數的切比雪夫點Xk，即

(7)

則有

(8)

(9)

故切比雪夫插值法可使余項的最大值極小化，得到較佳逼近的多項式。2種不同類型植被NDVI曲線經過S-G濾波及切比雪夫插值擬合的結果見圖2。

圖2 NDVI時間序列曲線重構

本文選取生長季開始日期、生長季結束日期、生長季長度、生長季峰值、NDVI最大值對應日期和生長季NDVI累計值等參數為分類物候特征參量(圖3)。

A： 生長季開始日期；B： 生長季結束日期；C： 生長季長度；D： 生長季峰值；E： NDVI最大值對應日期；F： 生長季NDVI累計值(灰色部分)

圖3 植被物候特征定義

Fig.3 Definitions of vegetation phonological parameters

生長季開始日期定義為擬合曲線上升速率急劇增加的點A所對應的日期。對擬合曲線計算一階導數，一階導數曲線出現的第一個峰值表示原擬合曲線上升率最大的點，這個點所對應的日期即為生長季開始日期A′。考慮到MODIS 16 d合成數據不利于研究植被生長季開始日期，本文利用空間插值法模擬植被真實發芽日期。同理，可得到生長季結束日期B′。由生長季開始日期和生長季結束日期可得到生長季長度C。通過監測擬合曲線波峰，比較波峰處的NDVI值，提取NDVI最大值D，D點所對應的日期即為NDVI最大值出現日期E。F為植被在1 a中生長期內的生長量，即通過計算得到的植被生長期內的NDVI累計總值。從圖3可以看出，擬合曲線與坐標橫軸之間的面積(灰色部分)為NDVI累計總值。根據以上物候期關鍵時間節點及特征值，通過梯形公式(10)積分計算切比雪夫多項式曲線下方的面積得出生長季累計總值F。在利用梯形公式進行積分計算時，假設積分區間[a,b]平均分成N份，即

(10)

式中：a和b分別為積分區間的下限和上限；N為區間被分割數；K為分點序號，K=1,2,…,n-1。

2.2 典型復墾植被分類

本文利用MODIS的1 a 23個時相的NDVI時序數據來描述NDVI年內動態變化特征，該動態變化曲線可反映植被的整個生長過程(即從返青/發芽到枯萎/收割的周期性規律)。利用不同植被類型具有的不同生長規律特征，可以實現典型植被的分類。典型復墾植被類型包括耕地、林地和草地，因此本文分類的類型主要包括城鎮及非植被覆蓋區、耕地、林地和草地。

2.2.1 城鎮及非植被覆蓋信息提取

由于城鎮中建筑物和植被交錯分布，因此250 m空間分辨率的影像數據大多數屬于混合像元。建筑物的NDVI值較低且隨季節變化小，即城鎮NDVI值趨于平緩，沒有明顯峰值，且NDVI<0.4，可根據此特征提取城鎮及非植被覆蓋信息。

2.2.2 耕地信息提取

因為山西省農作物種植模式只有1年1熟制和1年2熟制。如果1 a有2個波峰，則可以判定植被類型為耕地且為1年2季作物。本文采用二次差分法提取NDVI時序曲線極大值，進而計算波峰個數，判斷是否為1年2熟制耕地，二次差分法表達式為

(11)

式中：S1為前后2時相NDVI的差值序列，若S1>0，則把S2賦值為1； 若S1<0，則把S2賦值為-1,得到序列S2；S3為S2中前后2元素差值序列，當S3為-2時，表示為時序數據的極大值(即該時相對應的NDVI為波峰)；S3=2時，表示為時序數據的極小值(即NDVI在該位置出現波谷)； 可依據S3提取像元波峰出現的時間及NDVI值。

由于二次差分法對離散點的峰值特別敏感，會將每一個微小的“峰”提取出來，因此需要利用一定的約束條件對干擾波峰進行取舍。范錦龍等[19]采用閾值法將裸地覆被形成的微小的“峰”舍去，同時控制時序長度來屏蔽生長季之外的“峰”和“冬前峰”。根據已有研究結果，判斷植被波峰的NDVI值不小于0.4且生長季長度應達到90 d。如果1 a有2個波峰，則可判定植被類型為耕地且為1年2季農作物種植模式； 如果1 a有1個波峰，則要根據植被的物候期特點做進一步的判斷。

研究區1年1季春季作物的返青/出芽日期最早出現在2月下旬―3月上旬(如冬小麥)，NDVI最大值出現在4月下旬―5月上旬； 秋季作物NDVI最大值則出現在10月下旬―11月份上旬。根據研究區農作物物候特征參數，可將耕地與其他植被類型明顯區分。

2.2.3 林地信息提取

根據林地的物候期特點，在其整個生長季中，NDVI曲線波峰平緩且持續時間最長、振幅最大，即生長季NDVI累計值最大。通過對2004―2013年10 a數據進行反復試驗證明，生長季NDVI累計值在7 000處能與其他植被類型明顯區分。

2.2.4 草地信息提取

參照NDVI最大值分布特征，草地在1 a之內0.4≤NDVI最大值≤0.6，并結合生長季NDVI累計值，草地的NDVI累計值應該大于城鎮及非植被覆蓋地的NDVI累計值而小于農作物的NDVI累計值。據此，可將草地與其他植被類型區分出來。

2.2.5 多時相NDVI數據非監督分類

為了比較本文方法的分類效果，選取2013年獲取的MODIS13Q1 NDVI時間序列數據進行非監督分類，并進行精度評價。對2013年23個時相數據進行集成，利用ISODATA算法進行分類，輸入參數分別設置為： 初始分類為50類，最大迭代次數20次，循環收斂閾值為0.998，生成研究區的土地覆蓋分類圖。

2.3 分類精度評價

精度評價是遙感數據分類的重要步驟，可定量地對分類精度進行分析。本文采用Congalton[20]提出的誤差矩陣(亦稱混淆矩陣)方法衡量分類精度。混淆矩陣的主要評價指標包括總體精度、用戶精度及Kappa系數等。其中總體精度是所有分類正確的樣本數占樣本總數的百分比，反映分類結果總的正確程度； Kappa系數是反映整個誤差矩陣的精度系數，其計算公式為

(12)

式中：K為Kappa 系數；r為誤差矩陣的列數；Xii為誤差矩陣第i行i列(主對角線)上的值；Xi+與X+i分別為分類誤差矩陣第i行像元數的和與第i列像元數的和；N為檢驗樣本總數。

3 結果與分析

3.1 研究區物候分布特征

為了獲取研究區植被主要物候期空間分布特征，本文主要計算了2001―2013年植被物候期特征均值，提取了研究區植被關鍵物候特征參數(圖4)。

通過觀察可以看出，不同植被表現出不同的物候特征。對于生長季開始日期，本文研究植被可能出現發芽生長的時間周期，即從第45—300 d。

從圖4(a)可以看出，植被生長季開始日期較早的區域集中分布在霍西煤田南部的冬小麥種植區； 寧武煤田中部、河東煤田北部主要是1年1熟模式種植區，生長季開始日期較晚； 沁水煤田西南部、河東煤田東南部及霍西煤田西南部主要為山地，土地覆蓋類型多為林地，生長季開始日期也較晚。

圖4(b)為植被在1 a之中NDVI最大值的分布情況。沁水煤田西南部、河東煤田東南部及霍西煤田西南部區域林地覆蓋密集，NDVI值最大； 霍西煤田南部、沁水煤田東南部耕地分布密集，1 a中NDVI最大值次之； 在大同煤田北部、河東煤田中部、霍西煤田西北部、寧武煤田南部植被覆蓋稀疏，主要土地覆蓋類型為草地，NDVI最大值較小； 而寧武煤田北部分布有平朔煤炭礦區(露天煤礦)及零星分布在各煤田的居民點，在1 a中的NDVI最大值最小。

(a) 生長季開始日期分布 (b) NDVI最大值分布

(c) NDVI最大值出現日期分布 (d) 生長季NDVI累計總值分布

圖4 植被物候參數分布

Fig.4 Distribution of vegetation phonological parameters

根據MOD13Q1 16 d合成數據的特點，本文將1 a中植被覆蓋數據按每16 d為1個周期進行分割，對這23個周期的NDVI最大值出現日期進行分析。根據山西省植被生長規律及農作物種植結構，本文僅研究第1—18周期NDVI最大值出現日期分布情況。從圖4(c)看出，NDVI最大值出現在第7―8周期(4月上旬或下旬)的區域主要集中分布在霍西煤田南部，該區域的土地覆蓋類型為1年2熟的春季作物。NDVI最大值出現在第16周期(8月下旬)的區域主要分布在霍西煤田南部，土地覆蓋類型以1年2熟的夏季作物為主。NDVI最大值出現在第13―14周期(7月上旬或下旬)的區域密集集中在沁水煤田西南部、河東煤田東南部及霍西煤田西南部，主要土地覆蓋類型為林地。

從圖4(d)可以看出，NDVI累計總值大的區域(即紅色區域)主要集中分布在霍西煤田的東部、河東煤田的南部及呂梁山的南端以及西山煤田的中部； 霍西煤田南部、沁水煤田東南部的NDVI累計總值次之； 而河東煤田北部、寧武煤田北部及大同煤田的NDVI累計總值較小。

3.2 典型復墾植被分類結果與驗證

采用植被物候特征參數的分類結果和多時相非監督分類結果如圖5所示。

從基于植被物候特征參數的土地覆蓋分類結果(圖5(a))來看，土地覆蓋類型的主要分布與實際情況相符。林地主要分布在霍西煤田的東部(即太行山西南邊緣)、河東煤田的南部、呂梁山的南端及西山煤田的中部(即中條山中部)； 耕地分布在霍西煤田南部(即晉南盆地)、沁水煤田的東南部分布密集； 草地主要分布于河東煤田的山壑、丘陵及河流兩岸。從基于多時相非監督分類的分類結果(圖5(b))的空間分布來看，煤礦區部分區域出現成片土地覆蓋混合為1種類別，主要分布在河東煤田北部，與實際情況出入較大； 沁水煤田西南部、河東煤田東南部及霍西煤田西南部區域林地覆蓋密集，耕地主要分布在霍西煤田南部，與實際情況基本吻合，但分類效果不如基于物候特征參數的分類結果。

(a) 基于植被物候特征參數(b) 基于多時相非監督分類

圖5 土地覆蓋分類結果

Fig.5 Results of land cover classification

為了定量分析2種分類方法的分類精度，從上述4種土地覆蓋類型中分別隨機選取200個樣本點對分類結果進行驗證，分類混淆矩陣如表1和表2所示。本文方法總體分類精度為89.67%，Kappa系數為0.82； 而多時相非監督分類總體精度為78%，Kappa系數為0.74。

表1 物候特征參數分類混淆矩陣

表2 多時相非監督分類混淆矩陣

從精度評價結果可以看出，參照植被物候特征參數取得的分類結果中，除林地的生產者精度與非監督分類結果持平外，其他3種植被類型的精度均較非監督分類結果有明顯提高。物候特征參數分類中，與其他植被類型相比，農作物的返青/發芽日期、NDVI最大值出現日期等物候期關鍵參數具有較為明顯的差異，所以利用物候特征參數的分類方法對耕地的辨識精度很高。在整個生長季，林地在生長季長度及NDVI波峰持續時間上與其他植被明顯不同，并且由這些關鍵節點所確定的生長季NDVI累計總值遠遠大于其他植被類型。草地由于在物候特征參數上與林地、農作物特征值分布比較相近，且農作物的物候特征參數值方差較大，部分農作物和林地被錯分為草地，導致草地的分類精度略低； 而城鎮及其他非植被覆蓋地類的物候參數特征并不明顯，且城鎮內部建筑物和植被交錯分布，對于250 m空間分辨率的MODIS NDVI影像數據來說，均作為混合像元存在，這也成為影響分類精度的一個重要因素。多時相非監督分類結果雖然比單一時相分類精度有了較大提高，但由于“同物異譜”或“異物同譜”及波段冗余等問題的出現，分類結果精度仍不盡人意，最明顯的是將耕地錯分為無植被覆蓋或者草地，將灌木林地錯分為草地。分類精度評價結果表明，基于物候特征參數的分類結果在耕地和草地類別上明顯優于非監督分類結果，說明基于物候特征參數的分類方法能夠實現山西煤礦區典型復墾植被類型較好識別效果。

煤礦區典型復墾植被類型分類結果為煤礦區復墾的生態恢復評估提供了重要的數據基礎。本文研究結果結合煤炭礦區植被的動態監測，對評估煤礦區復墾狀況(包括煤礦區有無進行復墾、復墾處于哪個階段及復墾植被種類等)具有重要意義。

4 結論

本文以2001―2013年獲取的MOD13Q1 NDVI為主要數據源，利用S-G濾波算法對時間序列NDVI曲線進行平滑，并通過插值及切比雪夫多項式進行曲線擬合； 通過提取研究區物候特征參數實現對山西省6大煤田復墾典型植被類型的分類。主要結論如下：

1)利用切比雪夫多項式對S-G濾波平滑后的曲線進行插值及擬合，達到了更為精確提取植被物候特征參數的效果。

2)依據物候特征參數對研究區主要復墾典型植被類型的總體分類精度達到了89.67%，明顯優于利用多時相NDVI數據非監督分類。

本文尚未考慮混合像元的影響及非遙感數據(如氣象數據)對植被物候參數的影響。在今后的研究中應進行混合像元分解研究，并將遙感數據與非遙感數據(如氣溫、降水等因素)相結合，進行更為精細的分類。

[1] 賈坤,李強子,田亦陳,等.遙感影像分類方法研究進展[J].光譜學與光譜分析,2011,31(10):2618-2623. Jia K,Li Q Z,Tian Y C,et al.A review of classification methods of remote sensing imagery[J].Spectroscopy and Spectral Analysis,2011,31(10):2618-2623.

[2] 賈坤,李強子.農作物遙感分類特征變量選擇研究現狀與展望[J].資源科學,2013,35(12):2507-2516. Jia K,Li Q Z.Review of features selection in crop classification using remote sensing data[J].Resources Science,2013,35(12):2507-2516.

[3] Jia K,Liang S L,Wei X Q,et al.Land cover classification of landsat data with phenological features extracted from time series MODIS NDVI data[J].Remote Sensing,2014,6(11):11518-11532.

[4] 郭芬芬,范建容,邊金虎,等.基于MODIS NDVI時間序列數據的藏北草地類型識別[J].遙感技術與應用,2011,26(6):821-826. Guo F F,Fan J R,Bian J H,et al.Grassland types identification based on time-series MODIS NDVI data in northern Tibet[J].Remote Sensing Technology and Application,2011,26(6):821-826.

[5] 宮攀,陳仲新,唐華俊,等.基于MODIS溫度/植被指數的東北地區土地覆蓋分類[J].農業工程學報,2006,22(9):94-99. Gong P,Chen Z X,Tang H J,et al.Land cover classification based on MODIS temperature-vegetation index time-series data in northeastern China[J].Transactions of the CSAE,2006,22(9):94-99.

[6] Pringle M J,Denham R J,Devadas R.Identification of cropping activity in central and southern Queensland,Australia,with the aid of MODIS MOD13Q1 imagery[J].International Journal of Applied Earth Observation and Geoinformation,2012,19:276-285.

[7] Mkhabela M S,Bullock P,Raj S,et al.Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J].Agricultural and Forest Meteorology,2011,151(3):385-393.

[8] 那曉東,張樹清,李曉峰,等.MODIS NDVI時間序列在三江平原濕地植被信息提取中的應用[J].濕地科學,2007,5(3):227-236. Na X D,Zhang S Q,Li X F,et al.Application of MODIS NDVI time series to extracting wetland vegetation information in the Sanjiang Plain[J].Wetland Science,2007,5(3):227-236.

[9] 潘耀忠,李樂,張錦水,等.基于典型物候特征的MODIS-EVI時間序列數據農作物種植面積提取方法——小區域冬小麥實驗研究[J].遙感學報,2011,15(3):578-594. Pan Y Z,Li L,Zhang J S,et al.Crop area estimation based on MODIS-EVI time series according to distinct characteristics of key phenology phases:A case study of winter wheat area estimation in small-scale area[J].Journal of Remote Sensing,2011,15(3):578-594.

[10]郝鵬宇,牛錚,王力,等.基于歷史時序植被指數庫的多源數據作物面積自動提取方法[J].農業工程學報,2012,28(23):123-131. Hao P Y,Niu Z,Wang L,et al.Multi-source automatic crop pattern mapping based on historical vegetation index profiles[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(23):123-131.

[11]康峻,侯學會,牛錚,等.基于擬合物候參數的植被遙感決策樹分類[J].農業工程學報,2014,30(9):148-156. Kang J,Hou X H,Niu Z,et al.Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(9):148-156.

[12]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 C F,Li J,Liu Q H.Review of advances in vegetation phenology monitoring by remote sensing[J].Journal of Remote Sensing,2013,17(1):1-16.

[13]李正國,楊鵬,周清波,等.基于時序植被指數的華北地區作物物候期/種植制度的時空格局特征[J].生態學報,2009,29(11):6216-6226. Li Z G,Yang P,Zhou Q B,et al.Research on spatiotemporal pattern of crop phenological characteristics and cropping system in north China based on NDVI time series data[J].Acta Ecologica Sinica,2009,29(11):6216-6226.

[14]Beck P S A,Atzberger C,H?gda K A,et al.Improved monitoring of vegetation dynamics at very high latitudes:A new method using MODIS NDVI[J].Remote Sensing of Environment,2006,100(3):321-334.

[15]宮攀.基于MODIS數據關鍵物候特征參數的東北地區植被覆蓋分類[J].資源科學,2010,32(6):1154-1160. Gong P.Vegetation classification based on phenology indices derived from MODIS data in northeastern China[J].Resources Science,2010,32(6):1154-1160.

[16]Murakami T,Ogawa S,Ishitsuka N,et al.Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains,Japan[J].International Journal of Remote Sensing,2001,22(7):1335-1348.

[17]楊延征,趙鵬翔,郝紅科,等.基于SPOT-VGT NDVI的陜北植被覆蓋時空變化[J].應用生態學報,2012,23(7):1897-1903. Yang Y Z,Zhao P X,Hao H K,et al.Spatiotemporal variation of vegetation in northern Shaanxi of northwest China based on SPOT-VGT NDVI[J].Chinese Journal of Applied Ecology,2012,23(7):1897-1903.

[18]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 J H,Li A N,Song M Q,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.

[19]范錦龍,吳炳方.復種指數遙感監測方法[J].遙感學報,2004,8(6):628-636. Fan J L,Wu B F.A methodology for retrieving cropping index from NDVI profile[J].Journal of Remote Sensing,2004,8(6):628-636.

[20]Congalton R G.A review of assessing the accuracy of classifications of remotely sensed data[J].Remote Sensing of Environment,1991,37(1):35-46.

(責任編輯： 邢宇)

Typical reclamation vegetation classification based on phenological feature parameters for coalfields in Shanxi Province

ZHANG Yanbin1， AN Nan2， LIU Peiyan1， JIA Kun3， YAO Yunjun3

(1.ShanxiAutomationResearchInstitute，Taiyuan030012，China； 2.Ecology&AgricultureSpatialAnalysisLaboratory，DepartmentofAgronomy，KansasStateUniversity，Kansas66506,USA； 3.SchoolofGeography，BeijingNormalUniversity，Beijing100875，China)

In this paper, the authors reconstructed MOD13Q1 time-series NDVI data from 2001 to 2013 using Savitzky-Golay filter and Chebyshev Polynomial methods for classifying vegetation types in the six coalfields in Shanxi Province. The key phenological parameters were extracted from the reconstructed NDVI data, such as the beginning dates of the growing season, length of the growing season, the ending dates of the growing season, the maximum NDVI value and the responding dates. The results show that different vegetation types of the six major coalfields in Shanxi have different phenological features. Cropland has distinguishable differences from grass and forest. Similarly, forest is distinguished from grass and cropland by integration of total growth. It is shown that the classification of vegetation types can achieve better results by extracting and analyzing the phonological parameters compared with multi-temporal unsupervised classification. The overall classification accuracy reaches 89.67%. This study provides a robust method for assessing long-term ecological conditions and monitoring vegetation coverage changes of the six major coalfields in Shanxi Province.

remote sensing data； MODIS； NDVI； phenological parameters； vegetation classification

10.6046/gtzyyg.2017.01.26

張彥彬,安楠,劉佩艷,等.基于物候特征參數的山西煤礦區典型復墾植被分類[J].國土資源遙感,2017,29(1):170-177.(Zhang Y B,An N,Liu P Y,et al.Typical reclamation vegetation classification based on phenological feature parameters for coalfields in Shanxi Province[J].Remote Sensing for Land and Resources,2017,29(1):170-177.)

2015-09-29；

2015-12-18

國際合作項目“利用衛星遙感技術對煤礦復墾生態環境的動態監測及分析”(編號： 2013DFA91870)和中國科學院數字地球重點實驗室開放基金項目“低空間分辨率遙感數據時相特征改善高分辨率數據農作物分類精度研究” (編號： 2014LDE011)共同資助。

張彥彬(1967-),男,高級工程師,主要從事遙感應用方面的研究。Email： zyb9633@163.com。

賈坤(1983-),男,博士,副教授,主要從事定量遙感和土地覆蓋分類方面的研究。 Email： jiakun@bnu.edu.cn。

TP 79; S 127

A

1001-070X(2017)01-0170-08