基于時序NDVI的關中地區冬小麥種植信息遙感提取

申 健 常慶瑞 李粉玲 王 力

(西北農林科技大學資源環境學院， 陜西楊凌 712100)

基于時序NDVI的關中地區冬小麥種植信息遙感提取

申 健 常慶瑞 李粉玲 王 力

(西北農林科技大學資源環境學院， 陜西楊凌 712100)

快速而準確地獲取和掌握冬小麥在我國西北干旱半干旱地區的種植信息對該區域糧食生產安全及其可持續發展具有重要意義。以陜西省關中地區為研究區域，采用迭代濾波技術重建MODIS NDVI時序序列，結合當地典型地物的NDVI曲線特征和二次差分技術，建立冬小麥像元的識別規則，提取了該地區2014年冬小麥種植信息。結果顯示2014年關中地區冬小麥集中分布于渭河兩岸的河谷地區以及涇河以東的渭北平原，北部黃土臺塬則呈星狀散布?？傮w種植面積8.882×105hm2，與統計資料相比，各地市遙感提取結果的相對誤差絕對值在1.08%～9.02%之間，總體誤差為3.70%。抽樣驗證結果顯示分類精度為90.28%。該研究為關中地區制訂種植計劃和相關政策等提供了客觀的數據參考，同時也為西北地區的農作物種植監測提供了技術支持。

冬小麥； 種植信息； 遙感提??； 二次差分法； MODIS NDVI影像； 濾波

引言

作物種植信息直接關系到作物產量預測和糧食生產安全，因此快速、準確地獲取作物種植信息是政府管理部門和相關機構評估糧食生產儲備狀況、宏觀調控市場經濟政策的重要依據，對保障糧食安全和經濟穩定有重要意義[1-2]。目前，我國已經建成的農情速報系統[3]主要采用抽樣技術估算農作物總種植成數和不同農作物的分類成數，再根據現有耕地數據計算得到各作物種植面積[4]。農情速報系統在我國農情調查方面發揮了重大作用，但是該系統較為依賴調查數據，客觀性的遙感數據參與度低，并且在用于幾萬至幾十萬平方公里的中小尺度區域時誤差較大。對于中小尺度區域而言，用遙感影像全覆蓋方式監測作物更加客觀和精確，國外的Landsat TM[5]、QuickBird[6]數據以及我國的GF-1[7]、HJ星[8]數據在作物監測方面都得到廣泛應用，但這些數據獲取間隔長，單幅影像容易受氣溶膠的影響導致質量下降，很難用于長期監測。由于農作物的生長有著明顯而特別的季節性特征，隨著天基遙感數據的持續獲取，使用時間序列的遙感影像進行農作物種植信息識別逐漸成為熱點[9-12]，一些學者使用NOAA/AVHRR[13-14]數據對大范圍作物動態監測進行研究，但其較低的空間分辨率對監測范圍和精度影響較大。2000年后，MODIS(Moderate-resolution imaging spectroradiometer)數據以中等分辨率和高重訪周期的優勢，在作物種植面積提取的研究中獲得廣泛關注[15-17]，張霞等[18]、張明偉等[19]、黃青等[20-21]、平躍鵬等[22]分別在華北和東北地區，應用MODIS數據識別主要作物，提取作物的分布信息。這些研究在我國東部平原的糧食主產區獲得了良好的效果，但在西北糧食產區，此類研究甚少。本文以MODIS NDVI時間序列影像為數據源，提取2014年關中地區冬小麥種植信息，探討中分辨率遙感數據在西北地區進行作物種植信息提取的可行性。

1 材料與方法

1.1 研究區概況

關中地區是我國西北地區最重要的人口聚集區和糧食主產區，地貌、氣候、土壤和基礎設施等控制作物生長的因素差異大，具有一定的典型性和代表性，因此本文以關中地區為例提取其2014年主要糧食作物冬小麥種植信息。關中地區位于陜西省中部，地理位置在106°18′～110°38′E、33°35′～35°52′N之間，區域總面積55 833.9 km2。北部為黃土高原，以高原丘陵溝壑區為主，中部為渭河沖積平原，分布著三級渭河階地及河漫灘，南為秦嶺山地，形成南北高、中間低的地勢，海拔高度319～3 767.2 m。區域氣候屬暖溫帶大陸性季風氣候，四季分明，年均氣溫7.8～13.5℃，年降水量500～800 mm，冬春降水較少，春旱、伏旱頻繁。種植作物包括小麥、玉米、油菜、棉花、大豆等，夏收作物主要為冬小麥，伴有少量油菜。據統計資料，2014年研究區冬小麥播種面積9.22×105hm2，占當年農作物總播種面積和糧食作物播種面積的42.6%和55.3%，在該地區糧食生產中占有重要地位。

1.2 數據來源及處理

為完整覆蓋冬小麥生育期及避免進一步濾波處理的邊緣效應，選取了2013年9月至2014年12月的MOD13Q1植被數據產品，空間分辨率為250 m，時間間隔為16 d，共30期(下載自：https:∥lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13q1)。首先對收集到的數據集進行鑲嵌、投影轉換和裁剪，獲得研究區范圍30期NDVI影像，每個像元位置對應一條包含30個像元的NDVI曲線；然后利用MOD13Q1數據集的云標記，對曲線做線性內插去除云噪聲；最后采用多次迭代的Savitzky-Golay方法[23]，以[3,2]為參數進行濾波重構，重構后的NDVI曲線更加平滑并接近上包絡線，能更好地反映地物的NDVI變化特征。以上處理在ENVI 4.8+IDL環境下實現。

1.3 時序NDVI曲線峰谷提取

從重構的NDVI序列影像中選取2013年11月初到2014年7月上旬共17個時相數據，使用二次差分法[24-25]提取NDVI曲線波峰，進一步區分冬小麥和其他作物，特別是夏收作物油菜。具體方法是：

對于n個時序NDVI影像，每個像元位置構成一個長度為n的NDVI序列S，S中后一個元素減去前一個元素，得到差值序列

S1=diff(S)

(1)

diff為計算前后元素差值的函數。此時S1含有n-1個元素。S1中元素大于等于0，則賦值為1，小于0，則賦值為-1，得到由1和-1組成的序列S2

S2=sign(S1)

(2)

sign為符號函數。對S2再次應用式(1)，計算其前后差值，得到由-2、0和2組成的序列S3。此時S3有n-2個元素。然后對S3首尾用0補齊，保持與原序列S一一對應，這時S3中元素等于-2的位置對應時相為波峰，等于2的位置為波谷(圖1)。

統計S3中-2的個數，即波峰頻數。通過波峰頻數和位置的判斷可以快速提取冬小麥像元。

圖1 二次差分法示意圖Fig.1 Diagram of twi-difference algorithm

2 結果與分析

2.1 不同地物時序NDVI特征

對研究區范圍內的包括林地、建筑用地、水體、草地等非農作物覆被地類和冬小麥、玉米等作物覆被地類各選取10個像元，提取每個像元位置平滑后的NDVI曲線并按地物類型分別取平均值，繪制得到主要地物的NDVI曲線變化圖(圖2)。從圖中可以看出，建筑物與水體NDVI整體水平很低且變化平緩，沒有明顯的波峰出現，這是由于這些地物吸收了絕大多數近紅外波段的能量，特別是清澈而深的水體，其NDVI甚至會出現負值。林地在春夏及秋冬交替時變化劇烈，由于其生長季長且蓋度大，NDVI曲線在5月中旬到9月中下旬之間出現明顯的峰臺，這期間NDVI水平很高，并且變化非常平緩。果園由于果樹種植間距大，通常沒有林下植被或者較為稀疏，因此整體NDVI比林地低，但變化趨勢和林地基本一致。草地的NDVI曲線變化趨勢與林地和果園類似，其冬季NDVI水平低于林地，但普遍高于耕地甚至果園，到夏季時NDVI增長幅度又相對較小。關中地區草地多位于黃土溝壑區，以蒿、針茅、白羊草等較為常見，葉片相對細小，覆蓋度低且生物量較小，因此在生長盛期NDVI也仍然不高，而到冬季時枯枝干葉覆蓋地面，使得年內變化相對林地和果園較小。這些地物特征可以用于區分農作物和其他地物。

圖2 關中地區主要地物時序NDVI曲線Fig.2 NDVI time-series curves of main objects in Guanzhong area

農作物的NDVI曲線均表現出非常強烈的季節性特征，從播種到收獲，其從“無”到“有”再到“無”的過程在NDVI曲線上體現為明顯的“峰”、“谷”狀特征。冬小麥NDVI曲線在生長季中出現明顯的雙峰，同時期除油菜具有1個生長峰外，其他作物如玉米、大豆等處于播種前和播種后的生長初期，NDVI從低處緩慢升高，不具有“峰”狀特征。

關中地區種植制度主要為一年一熟和一年兩熟[26]，其中夏糧作物以冬小麥為主，以及少量油菜。冬小麥一般10月上旬播種，此時耕地NDVI水平很低。10月中下旬開始出苗，到11月下旬分蘗期，NDVI會緩慢升高，隨著氣溫逐漸降低，到12月上旬進入停止生長的階段，越冬期如有降雪或降霜，NDVI則會下降形成低谷。因此在播種到霜期或初雪階段，冬小麥NDVI會呈現一個小的峰值，即冬前峰，峰值位置為分蘗期。越冬期內NDVI表現平穩，直到次年2月底3月初，氣溫逐漸回升，冬小麥進入返青期，幼苗重新開始營養生長，NDVI快速上升，到4月底左右抽穗期時達到頂峰，之后隨著冬小麥逐漸灌漿成熟，NDVI開始降低，并在6月初收獲后迅速降至很低，形成波谷。

油菜播種時間與冬小麥相近，一般在9月下旬到10月上旬期間。出苗期比小麥略晚，在11月初左右，相比冬小麥，油菜幼苗植株較小，覆蓋度低，NDVI增長不如冬小麥明顯，因此一般不會形成明顯的冬前峰。直到次年3月上中旬，油菜生長仍比較緩慢，植株個體高度增長快而蓋度不足，NDVI水平仍然比較低，與同時期冬小麥差距較大。3月下旬進入花期后，油菜開始迅速生長，短時間內就可以覆蓋全田，到5月中旬結莢期NDVI達到最高點，但受花色以及籽粒影響，油菜生長盛期NDVI始終低于同期冬小麥。之后隨著6月初開始收獲NDVI立即降低。

2.2 冬小麥種植信息提取

依據各類地物的時序NDVI特征，當像元全年NDVI時序序列有負值出現，或最大值不超過0.4時，判定其為水體、建筑用地或裸地；當像元5月下旬到9月中旬之間的NDVI變幅不超過最大值的20%時，判定其為林地、果園和草地。將這些地類的像元從區域影像中去除，得到農作物植被分布像元。

在農作物植被中，從2013年11月至2014年7月之間出現明顯波峰的作物只有冬小麥和油菜。其中冬小麥有2個NDVI波峰，第1個為冬前峰，出現在前一年11月到12月底之間，第2個為生長峰，出現在4月初到5月初之間。根據二次差分法得到農作物植被的峰值頻數圖(圖3)，其中頻數為2的像元判定為冬小麥。由于暖冬的影響，有些冬小麥地塊融雪較快，冬季NDVI下降不劇烈，不能產生明顯的冬前峰，因此根據波峰位置及峰值大小對單峰曲線做進一步分類(圖4)：小麥生長峰一般出現在4月初到5月之間，并且NDVI峰值大于0.65，不符合此條件的像元為油菜或其他地物。將單峰曲線的冬小麥像元和雙峰曲線像元合并得到2014年關中地區冬小麥的空間分布信息(圖5)。

圖3 2013年11月至2014年7月NDVI曲線波峰頻數Fig.3 NDVI peak frequency between Nov.2013 and Jul.2014

圖4 2013年11月至2014年7月單峰NDVI曲線分類Fig.4 Classification of pixels with single peak during period of Nov.2013 and Jul.2014

圖5 冬小麥種植空間分布Fig.5 Spatial distribution of winter wheat in Guanzhong area

2014年冬小麥種植面積為8.882×105hm2，西安、銅川、寶雞、咸陽和渭南分別為1.958×105、2.296×105、1.704×105、2.222×105、2.769×105hm2，與統計資料的相對誤差均小于10%(表1)。從空間分布上看(圖5)，該地區冬小麥主要集中分布于中部的渭河平原，而在北部黃土高原上分布較為稀疏。以西安為界，形成兩個冬小麥主要產區，其一為西起鳳翔縣，東至長安區，沿渭河兩岸的狹長河谷階地區；其二為涇河以東，大荔以西的渭北平原區。這兩個區域有關中地區水熱條件和土壤性質最好的平坦耕地，覆蓋了如武功、興平、臨渭、蒲城等陜西省糧食生產基地縣。東部合陽、大荔等地區雖然同為平原，但濕地和沙地較多，小麥適宜性較差，僅在大荔東南部有少量分布。

表1 統計資料與遙感提取結果對比Tab.1 Comparison of planting area between statistics and classification of remote sensing at city level of Guanzhong area

2.3 精度評價

在研究區范圍內，選取了4個處于不同地貌類型、海拔以及土壤條件的地區，每個地區設置1個1 km×1 km的范圍進行實地調查，結合高精度影像和手持GPS實地量算，獲取了4個類型區的冬小麥種植面積。表2為實地量測驗證面積與遙感提取面積對比結果，平原地區遙感提取精度高于耕地破碎化的高原溝壑區。位于黃土高原的長武和印臺相對誤差稍大，而處于渭河平原的扶風和楊凌的調查結果與遙感提取結果都較為接近，相對誤差都在10%以下。另外，在研究區耕地范圍以5 km為間距，隨機布設了100個采樣點，獲取其NDVI時序曲線，通過參考專家知識，目視判讀其是否為冬小麥像元，與遙感提取結果比較，總體精度為90.28%。

表2 實地驗證與遙感提取結果對比Tab.2 Comparison of winter wheat planting area between field survey and remote sensing retrieval

3 討論

冬小麥作為陜西關中地區主要的糧食作物，生長季與其他植被相同或近似，使用某一時相的遙感影像提取冬小麥種植區域，精度較低，而且所需參數多，方法復雜，特別是在調查特定年份種植信息時，影像質量容易受到天氣、傳感器故障等因素的影響，提取精度更低。而采用以時序NDVI曲線特征為分類識別依據的方法，對關中地區冬小麥的種植信息進行提取，精度能夠明顯提高。因為覆蓋冬小麥生育期的多時相遙感數據序列完整地反映了冬小麥長勢隨時間的變化，結合當地作物物候歷，能夠有效的將其與其他地物區分開，識別出冬小麥種植地塊像元。該方法從作物NDVI曲線的變化特征入手，所需參數較少，自動化程度高，并且基本不受因云污染造成的影像質量下降的影響，適用性更強，適宜向更大范圍的冬小麥種植區域推廣，有較高的實用價值。但是在黃土丘陵溝壑區，耕地破碎化程度較高，冬小麥識別提取精度相對較差，其原因一方面是由于遙感影像空間分辨率較粗，像元中耕地所占比例不是特別高，一般在70%以下；另一方面則是不同的地貌、氣候條件導致作物的生長速度以及長勢狀態有一定的差異所致。高時頻的MODIS數據能夠較好地重建作物生長季NDVI曲線，反映其變化特征，但較低的空間分辨率制約了其在小地塊耕地區域應用精度的提高?；旌舷裨纸庖约岸喾直媛蕯祿诤蟍27-28]等方法被許多學者用于進一步提高分類精度和優化空間分布概率，這也是本研究下一步的研究方向。此外，在復雜地貌區域，應有針對性的將區域劃分，使用面向對象的方式設置參數，來解決作物長勢的區域化差異問題。

4 結論

(1)基于迭代Savtizky-Golay濾波重構的MODIS NDVI時序曲線，在NDVI時序特征分析中加入二次差分法，能夠快速識別具有明顯波峰的農作物像元，并區分該地區生長季狀態較為接近的冬小麥和油菜。

(2)關中地區2014年冬小麥總種植面積為8.882×105hm2，主要集中分布于中部水熱、土壤條件較好的渭河平原。受地形因素和混合像元影響，北部黃土臺塬冬小麥空間分布較為稀疏。南部僅在秦嶺北麓山前有少量分布。

(3)經過實地調查和隨機抽樣，遙感提取結果與實地調查量測結果總體相對誤差低于10%，像元尺度上分類精度為90.28%，研究結果具有較高的精度和可靠性，能夠為該地區農業規劃決策提供依據，并為西北復雜地形地貌區域的農作物種植信息監測提供技術支持。

1 王立祥, 廖允成. 中國糧食問題:中國糧食生產能力提升及戰略儲備[M]. 寧夏: 陽光出版社, 2013.

2 史舟, 梁宗正, 楊媛媛, 等. 農業遙感研究現狀與展望[J/OL]. 農業機械學報, 2015, 46(2): 247-260. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150237&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.02.037. SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. (in Chinese)

3 吳炳方. 中國農情遙感速報系統[J]. 遙感學報, 2004, 8(6): 481-497. WU Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6): 481-497. (in Chinese)

4 吳炳方, 李強子. 基于兩個獨立抽樣框架的農作物種植面積遙感估算方法[J]. 遙感學報, 2004, 8(6): 551-569. WU Bingfang, LI Qiangzi. Crop acreage estimation using two individual sampling frameworks with stratification[J]. Journal of Remote Sensing, 2004, 8(6): 551-569. (in Chinese)

5 COHEN Y, SHOSHANY M. A national knowledge-based crop recognition in Mediterrancan environment[J]. International Journal of Applied Earth Observation and Geoinformation, 2002, 4(1): 75-87.

6 徐新剛, 李強子, 周萬村, 等. 應用高分辨率遙感影像提取作物種植面積[J]. 遙感技術與應用, 2008, 23(1): 17-23,122. XU Xin’gang, LI Qiangzi, ZHOU Wancun, et al. Classification application of QuickBird imagery to obtain crop planting area[J]. Remote Sensing Technology and Application, 2008, 23(1): 17-23, 122. (in Chinese)

7 汪月嬌. 基于分層抽樣的平湖市小麥種植面積遙感測算方法研究[J]. 中國農學通報, 2016, 32(3): 192-199. WANG Yuejiao. Remote sensing estimation of wheat planting area in Pinghu based on stratified sampling[J]. Chinese Agricultural Science Bulletin, 2016, 32(3): 192-199. (in Chinese)

8 熊勤學, 胡佩敏. 基于HJ衛星混合像元分解法的湖北省四湖地區夏收作物種植信息提取[J]. 長江流域資源與環境, 2014, 23(6): 869-874. XIONG Qinxue, HU Peimin. Extracting planting information of summer harvesting crops in Shihu region from HJ CCD data using unmixing algorithm data[J]. Resources and Environment in the Yangtze Basin, 2014, 23(6): 869-874. (in Chinese)

9 SAKAMOTO T, YOKOZAWA M, TORITANI H, et al. A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of the Environment, 2005, 96(3-4): 366-374.

10 GALFORD G L, MUSTARD J F, MELILLO J, et al. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil[J]. Remote Sensing of the Environment, 2008, 112(2): 576-587.

11 El HAJJ M, BEGUE A, GUILLAUME S, et al. Integrating SPOT-5 time series, crop growth modeling and expert knowledge for monitoring agricultural practices - The case of sugarcane harvest on Reunion Island[J]. Remote Sensing of the Environment, 2009, 113(10): 2052-2061.

12 ATZBERGER C, EILERS P H C. A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America[J]. International Journal of Digital Earth, 2011, 4(5): 365-386.

13 JAKUBAUSKAS M E, LEGATES D R, KASTENS J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J]. Computers and Electronics in Agriculture, 2002, 37: 127-139.

14 HILL M J, DONALD G E. Estimating spatio-temporal patterns of agricultural productivity in fragmented landscapes using AVHRR NDVI time series[J]. Remote Sensing of the Environment, 2003, 84(3): 367-384.

15 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[J]. 資源科學, 2004, 26(6): 17-22. YANG Xiaohuan, ZHANG Xiangping, JIANG Dong. Extraction of multi-crop planting areas from MODIS data[J]. Resources Science, 2004, 26(6): 17-22. (in Chinese)

16 WARDLOW B D, EGBERT S L. Large-area crop mapping using time-series MODIS 250 m NDVI data: an assessment for the US Central Great Plains[J]. Remote Sensing of the Environment, 2008, 112(3): 1096-1116.

17 CHEN C F, SON N T, CHEN C R, et al. Wavelet filtering of time-series moderate resolution imaging spectroradiometer data for rice crop mapping using support vector machines and maximum likelihood classifier[J]. Journal of Applied Remote Sensing, 2011, 5: 053525.

18 張霞, 焦全軍, 張兵, 等. 利用MODIS_EVI圖像時間序列提取作物種植模式初探[J]. 農業工程學報, 2008, 24(5): 161-165. ZHANG Xia, JIAO Quanjun, ZHANG Bing, et al. Preliminary study on cropping pattern mapping using MODIS_EVI image time series[J]. Transactions of the CSAE, 2008, 24(5): 161-165. (in Chinese)

19 張明偉, 周清波, 陳仲新, 等. 基于MODIS時序數據分析的作物識別方法[J]. 中國農業資源與區劃, 2008, 29(1): 31-35. ZHANG Mingwei, ZHOU Qingbo, CHEN Zhongxin, et al. Method for indentifying plants analyzed by time order data based on MODIS[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2008, 29(1): 31-35. (in Chinese)

20 黃青, 唐華俊, 周清波, 等. 東北地區主要作物種植結構遙感提取及長勢監測[J]. 農業工程學報, 2010, 26(9): 218-223. HUANG Qing, TANG Huajun, ZHOU Qingbo, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the CSAE, 2010, 26(9): 218-223. (in Chinese)

21 黃青, 李丹丹, 陳仲新, 等. 基于MODIS數據的冬小麥種植面積快速提取與長勢監測[J/OL]. 農業機械學報, 2012, 43(7): 163-167. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120730&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2012.07.030. HUANG Qing, LI Dandan, CHEN Zhongxin, et al. Monitoring of planting area and growth condition of winter wheat in China based on MODIS data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(7): 163-167. (in Chinese)22 平躍鵬, 臧淑英. 基于MODIS時間序列及物候特征的農作物分類[J]. 自然資源學報, 2016, 31(3): 503-513. PING Yuepeng, ZANG Shuying. Crop identification based on MODIS NDVI time-series data and phenological characteristics[J]. Journal of Natural Resources, 2016, 31(3): 503-513. (in Chinese)

23 CHEN J, JONSSON P, TAMURA M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of the Environment, 2004, 91(3-4): 332-344.

24 彭代亮, 黃敬峰, 金輝民. 基于MODIS-NDVI的浙江省耕地復種指數監測[J]. 中國農業科學, 2006, 39(7): 1352-1357. PENG Dailiang, HUANG Jingfeng, JIN Huimin. The monitoring for sequential cropping index of arable land in Zhejiang Province using MODIS-NDVI[J]. Scientia Agricultura Sinica, 2006, 39(7): 1352-1357. (in Chinese)

25 許青云, 楊貴軍, 龍慧靈, 等. 基于MODIS NDVI多年時序數據的農作物種植識別[J]. 農業工程學報, 2014, 30(11): 134-144. XU Qingyun, YANG Guijun, LONG Huiling, et al. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the CSAE, 2014, 30(11): 134-144. (in Chinese)

26 申健, 常慶瑞, 李粉玲, 等. 2000—2013年關中地區耕地復種指數遙感動態監測[J/OL]. 農業機械學報, 2016, 47(8): 280-287. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160837&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.08.037. SHEN Jian, CHANG Qingrui, LI Fenling, et al. Dynamic monitoring of cropping index in Guanzhong area using remote sensing in 2000—2013[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(8): 280-287. (in Chinese)

27 蔡學良, 崔遠來. 基于異源多時相遙感數據提取灌區作物種植結構[J]. 農業工程學報, 2009, 25(8): 124-130. CAI Xueliang, CUI Yuanlai. Crop planting structure extraction in irrigated areas from multi-sensor and multi-temporal remote sensing data[J]. Transactions of the CSAE, 2009, 25(8): 124-130. (in Chinese)

28 ZENG L, WARDLOW B D, WANG R, et al. A hybrid approach for detecting corn and soybean phenology with time-series MODIS data[J]. Remote Sensing of the Environment, 2016, 181: 237-250.

Extraction of Winter Wheat Information Based on Time-series NDVI in Guanzhong Area

SHEN Jian CHANG Qingrui LI Fenling WANG Li

(CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

Crop growth information is closely related to crop yield prediction and food security. Accurately investigating and monitoring crop growth information provides invaluable information for agricultural management, planning and decision-making, and further ensures sustainable development of agriculture. Guanzhong area is a main food production region of Northwest China, however, the varied topography, including loess hilly-gully region, Weihe plain and Qinling mountain, makes crop information extraction challenged and complicated. In order to obtain winter wheat planting information of Guanzhong area in 2014, thirty phases of MODIS NDVI image from September 2013 to December 2014 were used, the images were reconstructed by iterativeing Savitzky-Golay filter in time sequence, and the characteristics of NDVI profiles of the typical objects selected from filtered images were analyzed. And then the non-cropland was masked based on the characteristics analyzed above. On account of the special NDVI profile of winter wheat, the twi-difference algorithm was applied to the selection of 17 phases’ image during period of November 2013 and July 2014, and the NDVI peaks were identified. From the local crop calendar and the characteristics of typical NDVI profiles, it was found that except winter wheat and rapeseeds, the rest of the crops did not show NDVI peaks during the selected period. Interestingly, winter wheat had two peaks in its growing season. The first one was appeared before the coming winter because of the snow or frost, and the second one was the normal growing peak. Rapeseeds had a single peak which was lower than that of winter wheat. Thus, the winter wheat of Guanzhong area was identified at the pixel level by combining the pixels which had double peaks and single peak with NDVI value under 0.65. For verifying the accuracy of extraction, the winter wheat growth area was measured at four typical plots of 1 km×1 km, which were used to compare with the remote sensing results. Besides, totally 100 winter wheat NDVI profiles were sampled to compare with the artificial interpretation at the pixel level. The results showed that the winter wheat was mainly distributed at two regions in Guanzhong area. One was located in the river valley of middle reaches of Weihe river, and the other one was located in the wide Weibei plain of the east side of Jinghe river. Meanwhile, the winter wheat presented a scattered pattern at the loess hilly-gully area in the north, and did not appear at the mountainous area in the south. The total area of winter wheat in Guanzhong area in 2014 was 8.882 × 105hm2, and its areas in Xi’an, Tongchuan, Xianyang, Baoji and Weinan were 1.958×105hm2, 2.296×105hm2, 1.704×105hm2, 2.222×105hm2and 2.769×105hm2, respectively. Compared with the statistics of government, the total relative error of Guanzhong area was 3.70%, with variation of 1.08%～9.02% at the city level. The maximum relative error was 9.02% which was occurred at Baoji. The accuracies of four plots of Changwu, Yintai, Fufeng and Yangling were 17.3%, 15.1%, 5.6% and 7.7%, respectively. Besides, the accuracy of sampled 100 NDVI profiles at the pixel level reached 90.28%. The results indicated that exacting the crop information using NDVI time-series at a topography complicated region was feasible and it can be applied to the other regions of Northwest China for making plan of crop planting, agricultural resource allocation and monitoring crop growing.

winter wheat; planting information; remote sensing extraction; twi-difference algorithm; MODIS NDVI image; filtering

10.6041/j.issn.1000-1298.2017.03.027

2016-12-28

2017-01-25

國家高技術研究發展計劃(863計劃)項目(2013AA102401-2)

申健(1985—)，男，博士生，主要從事遙感與GIS應用研究, E-mail: jshen28@hotmail.com

常慶瑞(1959—)，男，教授，博士生導師，主要從事遙感與GIS應用研究, E-mail: changqr@nwsuaf.edu.cn

S512.1+1; TP79

A

1000-1298(2017)03-0215-06