基于GF-1/WFV與MODIS時空融合的森林覆蓋定量提取

徐 磊 巫兆聰 羅 飛 楊 帆 項 偉 高 飛

(1．武漢大學遙感信息工程學院，武漢430079;2．倫敦瑪麗女王大學電子工程與計算機科學學院，倫敦E1 4NS; 3．國家海洋局南海規劃與環境研究院，廣州510310)

基于GF-1/WFV與MODIS時空融合的森林覆蓋定量提取

徐 磊1巫兆聰1羅 飛2楊 帆3項 偉1高 飛1

(1．武漢大學遙感信息工程學院，武漢430079;2．倫敦瑪麗女王大學電子工程與計算機科學學院，倫敦E1 4NS; 3．國家海洋局南海規劃與環境研究院，廣州510310)

森林作為陸地生態系統的重要組成部分，因其巨大的碳儲量和固碳能力而備受關注，利用高分1號衛星的NDVI數據(GF-1 NDVI)可實現森林覆蓋的定量提取。然而，由于受陰雨天氣、運行成本等因素的影響，難以形成GF-1 NDVI時間序列數據，無法滿足森林覆蓋高精度提取的需求，為此，以河南省嵩山部分地區為實驗區，應用STAVFM算法融合GF-1/WFV NDVI與MODISNDVI，生成8 d步長的GF-1/WFV NDVI時間序列數據，在此基礎上，提取NDVI特征并與GF-1/WFV的光譜特征進行組合，最后，采用SVM分類方法實現研究區森林覆蓋的定量提取。研究結果表明，利用STAVFM算法生成的GF-1/WFV NDVI時序數據效果理想，很好地解決了GF-1 NDVI時序數據的缺失問題，由其NDVI特征與GF-1/WFV光譜特征構成的組合能夠實現森林覆蓋的有效提取，基于SVM分類后的總體分類精度為94.72%，與未融入NDVI特征的GF-1/WFV原始影像的分類結果相比，提高了4.90個百分點。

森林覆蓋;遙感;定量提取;時空融合;GF-1/WFV;MODISNDVI

引言

森林生態系統是陸地生態系統中生產力最高的系統，集中了約85%的陸地生物量。同時，作為一個巨大的碳庫，森林生態系統的碳循環與碳蓄積已成為全球陸地碳循環與全球氣候變化的重要研究內容［1－2］，定量獲取森林覆蓋面積及其分布信息是進行上述研究的關鍵。隨著我國高分1號(GF-1)衛星的成功發射，利用GF-1 NDVI實現森林覆蓋的定量提取成為可能［3］。然而，高時間序列NDVI的獲取要求衛星能夠實現高頻度的重點觀測，這勢必大大增加GF-1衛星的運行成本，此外，在我國尤其是長江以南地區，由于陰雨天氣的影響，GF-1影像數據易受到云污染，從而出現不同程度的缺失，很難形成GF-1 NDVI時間序列數據，基于GF-1 NDVI時間序列數據的森林覆蓋提取受到了限制。多源遙感數據時空融合方法的提出，為上述問題的解決提供了新的途徑。現有研究已表明［4－5］，MODIS影像數據雖在反映空間尺度較小與空間異質區域的植被覆蓋方面能力有限(空間分辨率最高為250 m)，但其高時間分辨率(1 d)的特征使得該數據能夠實現對植被覆蓋的大范圍、持續觀測。因此，采用遙感數據時空融合技術將GF-1數據與MODIS數據進行融合，生成高時相、高空間分辨率的時間序列數據，最終用于森林覆蓋的定量提取，成為一種可能。

目前，國內外學者針對遙感數據時空融合方法已展開了相應的研究，并取得了一些成果［6－8］。這些時空數據融合方法雖未將數據限定為Landsat與MODIS，但所涉參數考慮的均是國外衛星數據的特點，很少用于國產衛星數據的融合。MENG等［9］在STARFM算法基礎上，提出了時空自適應植被指數融合模型(Spatial and temporal adaptive vegetation index fusion model，STAVFM)，并將融合生成的高時空分辨率NDVI成功地應用于農作物生物量的估算。該時空融合算法不僅可以直接實現植被指數的融合，而且能夠用于國產衛星數據的定量分析。本文以河南省嵩山部分地區為實驗區，應用STAVFM算法融合GF-1/WFV NDVI與MODISNDVI，生成時間步長為8 d的GF-1/WFV NDVI時間序列數據，在此基礎上，提取NDVI特征并同GF-1/WFV的光譜特征進行組合，最后，采用支持向量機 (Support vectormachine，SVM)分類方法實現研究區森林覆蓋的定量提取。

1 研究區及數據

1.1 研究區概況

研究區位于河南省登封市西北部，為嵩山地區一部分，位于34°23'～34°38'N、112°49'～113°10'E，對應影像大小為3 265像元×3 632像元，跨登封、新密、鞏義及偃師4市(圖1)。本區屬北溫帶大陸性季風氣候，四季分明，平均日照時數2275 h，無霜期213 d，年平均氣溫14.3℃，年均降水量640.9 mm，全區相對濕度60%。區內地形以山地、丘陵和平原為主，其中，山地平均海拔高度700～1 200m，丘陵平均海拔高度350～500m。土壤類型以褐土為主，植被覆蓋屬暖溫帶落葉闊葉林。本區農業資源豐富，農作物主要有小麥、玉米、豆類等，經濟作物主要為煙葉。

圖1 研究區位置示意圖Fig．1 Location of study area

1.2 數據及處理

1.2.1 GF-1/WFV影像數據

本文使用GF-1/WFV影像數據兩景，均由高分1號多光譜寬幅相機拍攝獲取，軌道號為 4/98 (Path/Row)、3/98(Path/Row)，成像日期分別為2014年8月15日、2014年10月24日。星下點空間分辨率為16m，含4個光譜段，光譜范圍為0.45～0.89μm，數據含云量小于1%，其中實驗區的含云量為0，可視性良好。影像的預處理主要包括輻射定標、大氣校正及幾何精校正3部分。首先，在ENVI 5.2平臺下運用FLAASH模塊對上述兩景GF-1/WFV影像進行輻射定標及大氣校正，然后以1∶5 000的DEM采用二次多項式法對圖像進行幾何精校正，坐標系統為WGS_1984_UTM_Zone_49N，保證精度范圍控制在1個像元以內。之后，通過掩模裁剪得到實驗區的影像數據。最后，計算上述結果的NDVI，并將NDVI的取值范圍設置為0～10 000，NDVI的計算公式為［10］

式中 ρNIR——近紅外波段反射率

ρR——紅外波段反射率

1.2.2 時間序列MODIS數據

本文使用的MODIS數據為MOD09Q1反射率產品，該產品從 NASA 網站(http:∥ladsweb．nascom．nasa．gov/data/search．html)獲取，共46期，對應時間范圍為2014年1月1日—2014年12月19日，軌道號為h27v05，空間分辨率為250 m，含2個波段且8 d最大值合成。首先，利用MRT(MODIS Reprojection Tool)將MOD09Q1數據的坐標系轉換為WGS_1984并進行幾何配準，精度優于1個像元，之后將其空間分辨率從250m重采樣到16m，最后，裁剪得到實驗區的時序 MODIS數據并生成其NDVI，取值范圍同樣設置為0～10 000。

此外，為了確定研究區林地及非林地的分布情況，參照GB/T 21010—2007《土地利用現狀分類》，本文于2014年5月對研究區進行了實地調查，完成區內典型土地利用/覆蓋類型(包括耕地、林地、園地、草地、水域及其它土地)的采樣，樣本均勻分布，其中位置信息的記錄借助手持GPS完成，精度控制在1m以內。

2 研究方法

在對GF-1/WFV與MODIS數據進行時空融合的基礎上，實現森林覆蓋的定量提取。首先，在完成上述數據預處理(包括輻射定標、大氣校正及幾何精校正等)的基礎上，運用STAVFM算法融合生成8 d的時序GF-1/WFV NDVI，并對其進行平滑、重構，在此基礎上，提取NDVI特征并同GF-1/WFV影像的光譜特征進行組合，最后，采用支持向量機分類方法對實驗區的森林覆蓋進行分類，定量提取森林覆蓋并評價其結果(圖2)。

圖2 研究技術路線圖Fig．2 Route chart of research technology

2.1 GF-1/WFV NDVI與時序MODIS NDVI的時空融合

GF-1/WFV NDVI與時序MODIS NDVI的時空融合采用了時空自適應植被指數融合模型(STAVFM)算法，該算法為MENG等對時空適應性反射率融合模型(STARFM)改進后提出的一種尺度轉換方法［11］，其基于T0時刻的MODISNDVI及某一高空間分辨率NDVI數據，通過計算兩類數據間的空間分布差異，結合Tp時刻的MODIS NDVI數據，預測生成Tp時刻的高空間分辨率NDVI數據，預測過程中使用滑動窗口法消除低分辨率NDVI影像數據像元邊界的影響，計算公式為［12］

式中 L(xω/2，yω/2，Tp)——預測后Tp時刻某一高空間分辨率NDVI像元值

ω——移動窗口的大小

(xω/2，yω/2)——窗口的中間像元

M(xi，yj，Tp)——窗口位置(xi，yj)處Tp時刻的MODISNDVI像元值

M(xi，yj，T0)——T0時刻 MODIS數據的NDVI像元值

L(xi，yj，T0)——T0時刻某一高空間分辨率數據的NDVI像元值

Wijk——窗口內各像元預測中心像元權重

權重Wijk決定了移動窗口內各像元對預測值貢獻的大小，其計算公式為

式中，Cijk由窗口中心預測像元及窗口中其它像元的光譜距離、時間距離、空間距離3項計算確定。

本文以上述獲取的2014年8月15日GF-1/ WFV NDVI為T0時刻的GF-1/WFV NDVI數據，同時以2014年8月14日的MODIS NDVI為T0時刻的MODISNDVI數據，結合處理后的8 d間隔時序MODISNDVI數據，采用STAVFM算法進行融合及預測，最后，生成空間分辨率為16m、時間間隔為8 d的時序GF-1/WFV NDVI，用于下一步的分析。

2.2 時序GF-1/WFV NDVI的重構

融合生成的8 d時序GF-1/WFV NDVI數據雖已經過大氣校正等處理，但其本身仍存有由云污染和大氣變化等引起的低值突變噪聲［13－17］。針對此情況，本文采用時間序列諧波分析法(Harmonic analysis of time series，HANTS)對上述時序 GF-1/ WFV NDVI數據進行濾波、重構。時間序列諧波分析法(HANTS)由JAKUBAUSKAS等［18］提出，為一種新的物候分析方法，即將時間序列數據按傅立葉級數展開為不同階頻率諧波疊加的形式。該方法將植被物候特征信息集中在低階諧波，云覆蓋、大氣環境變化和雙向反射特性等噪聲信息則被分配到高階諧波，將高階諧波剔除后，選擇若干能夠反映地表植被動態的低階諧波進行疊加擬合，最終實現原始時間序列數據的高質量重構，特征值包括諧波余項、諧波幅值、諧波相位等［19］，基本原理如下［20］:

f(t)是周期為N的離散時間序列信號，表達式為

式中 A0——諧波余項 k——諧波階數

Ak、ωk、φk——第k階諧波的幅值、頻率和相位

ak、bk——第k階諧波的傅里葉系數

本文在分析實驗區植被覆蓋的物候特征及時序GF-1/WFV NDVI數據特點的基礎上，采用由荷蘭Geospatial Data Service Centre(GDSC)提供的HANTS軟件，對融合生成的8 d時序GF-1/WFV NDVI數據進行平滑。

2.3 GF-1/WFV數據特征提取與組合

生成的時序GF-1/WFV NDVI數據包含46個NDVI特征，為了減小數據計算量，提高運算效率，達到有效綜合多時相NDVI信息的目的［21－22］，本文從中提取 4個時間特征，即 NDVI的年最大值(NDVIMAX)、年 最 小 值 (NDVIMIN)、年 均 值(NDVIMEAN)及年標準差(NDVISTD)。在此基礎上，將提取的4個時間特征同原GF-1/WFV影像的4個光譜段(波段1、2、3和4)進行組合，生成的影像數據既包含GF-1/WFV影像的光譜特征，又包含高空間分辨率時序GF-1/WFV NDVI的時間特征(表1)。該數據最終用于實驗區森林覆蓋的提取研究。

表1 實驗數據特征組合Tab．1 Feature combination of experiment data

在使用特征組合后的GF-1/WFV影像進行森林覆蓋提取前，需要定量分析不同地表覆蓋類型之間的可分性。常用的地物類型可分性判別模型有歐氏距離模型、巴氏距離模型及J-M(Jeffries-Matusita)距離模型等，其中，J-M距離模型具有明顯優勢［23］，其基于某一特征計算不同地物類別樣本間的距離，計算公式為［24］

式中 B——某一特征維上的巴氏距離

在樣本滿足正態分布的前提下，兩類樣本的巴氏距離計算公式為

式中 e1、e2——某類特征的均值

本文借助野外地面調查及Google Earth平臺，在ENVI 5.2下生成訓練樣本并計算各地物覆蓋類型間的J-M距離，為后續分類工作做好準備。

2.4 影像分類及精度評價

支持向量機是建立在統計學習理論基礎上的一種新的機器學習方法，其較好地解決了以往學習方法中的小樣本、非線性及高維數等問題，具有很強的泛化能力［25－27］。本文選用徑向基函數(Radial basis function，RBF)作為影像分類的核函數，最常用的徑向基函數是高斯核函數，公式為［28－31］

式中 K(X，X')——空間中任意一點X到某一中心X'之間歐氏距離單調函數

X'——核函數中心

σ——函數的寬度參數

本文在上述組合生成的GF-1/WFV影像的基礎上，利用SVM分類方法對研究區的地物進行分類。首先，參照GB/T 21010—2007《土地利用現狀分類》將區內地物分為林地與非林地兩類，其中非林地由耕地、園地、草地、水域及其它土地合并而成，在此基礎上，結合上述地面采樣數據及Google Earth數據，借助 ENVI 5.2的 ROI工具生成面狀樣本126個(1/2用于分類，剩余的1/2用于精度驗證)，對應像元數為21 482個，其中，林地像元數11 128個，非林地像元數10 354個，且均勻分布。最后，在Supervised Classification模塊下實現研究區森林覆蓋的分類，分類完成后，借助總體精度、生產者精度、用戶精度及Kappa系數等指標實現對分類結果的精度評價。為了更好地反映特征組合后的GF-1/WFV影像對森林覆蓋的提取能力，本文采用相同的方法對特征組合前的GF-1/WFV原始影像進行分類及精度評價，所用訓練樣本及驗證樣本的數量均與上述研究相同，在此基礎上，對特征組合前后的影像分類精度進行比較與分析。

3 結果與分析

3.1 STAVFM時空融合結果

本文將預測生成的GF-1/WFV NDVI時序影像中的一期(第297天)與上述實際獲取的GF-1/WFV NDVI影像(2014年10月24日，第297天)對比后發現(圖3)，GF-1/WFV NDVI預測值不僅在空間分布上與同期的GF-1/WFV NDVI真實值一致，而且其還能在16m空間分辨率的像元尺度上反映地物的空間細節及分布差異?？梢姡琒TAVFM算法實現了GF-1/WFV NDVI影像的高空間分辨率特征同MODISNDVI影像的高時間分辨率特征的有機結合。同時，本文從上述兩幅GF-1/WFV NDVI影像中分別裁出一正方形區域，區域大小為200像元× 200像元，在此基礎上，利用ENVI/IDL提取兩幅影像的NDVI值并進行回歸分析，結果如圖4所示。從圖中可以看出，NDVI值對應數據點的分布較為集中，且絕大多數位于直線y=x的兩側，該現象說明NDVI預測值與NDVI真實值之間呈線性相關，而R2=0.947 6則表明上述預測值與真實值之間呈高度相關且線性擬合的程度很好。綜上所述，STAVFM時空融合算法實現了GF-1/WFV NDVI與時序MODISNDVI的理想融合，從而為后續研究區森林覆蓋的精準提取做好了數據準備。

圖3 GF-1/WFV NDVI真實影像及預測影像Fig．3 Actual and predicted NDVI images of GF-1/WFV data

圖4 GF-1/WFV NDVI真實值與預測值散點分布圖Fig．4 Scatter plot of actual NDVIand predicted NDVI from GF-1/WFV images

3.2 時序GF-1/WFV NDVI平滑結果

平滑處理前后的林地時間序列NDVI如圖5所示，從圖中可以看出，時間序列諧波分析法(HANTS)具有很好的細節擬合能力，整體保真性良好，平滑重建后的林地時序NDVI曲線保持了其原有的形狀，改善了異常值，同時，恢復了NDVI的變化趨勢并反映了林地NDVI生長期內的動態變化特征及物候特性，具體地說，研究區內林地的生長期主要集中于3月中旬—9月中旬。與此對應，林地NDVI全年呈現出先上升后下降的趨勢，即春、夏兩季，林地NDVI持續增長，至7月上旬與8月上旬間，林地NDVI達到峰值，最后，至秋、冬季節，林地NDVI則逐漸下降?？梢?，實驗區內的林地NDVI呈現出單峰變化的態勢，該結果與我國雨熱同期的氣候特征是密不可分的。

圖5 平滑前后林地時序NDVI曲線Fig．5 Unsmoothed and smoothed NDVI time series curves of forest

3.3 GF-1/WFV特征組合的J-M距離計算結果

J-M距離的取值范圍為0～2［32］。具體來說，若J-M距離的取值大于1.9，表明地物樣本間的可分性很好;若J-M距離的取值介于1.8～1.9之間，表明地物樣本間的可分性較好;若J-M距離的取值介于1.0～1.8之間，表明地物樣本需重新選擇;若J-M距離的取值小于1.0，表明兩類地物樣本應合為一類。本文中新生成的GF-1/WFV影像數據包含8個特征數，即 NDVIMAX、NDVIMIN、NDVIMEAN、NDVISTD、 Band 1(Blue)、Band 2(Green)、Band 3(Red)和Band 4(NIR)?；谠撎卣骺臻g的J-M距離計算結果為1.982，而僅基于影像NDVI特征及僅基于影像光譜特征的計算結果分別為1.898和1.882，前者明顯高于后者，由此可見，新生成的GF-1/WFV影像具有理想的地物可分性，可很好地用于研究區森林覆蓋的分類與提取。

3.4 分類結果與精度分析

本文在ENVI5.2平臺的支持下，采用支持向量機的分類方法分別對融入時序NDVI的GF-1/WFV影像、GF-1/WFV原始影像進行分類，分類完成后，在ArcGIS 10.2平臺下完成分類結果的聚類、掩模及剔除等，最終得到研究區森林覆蓋的提取結果(圖6)。從目視效果來看，圖6a、6b均能客觀反映研究區森林覆蓋的分布，但比較后發現，圖6b的效果好于圖6a:首先，在地勢平坦地區(主要為平原)，圖6a中林地同耕地混合分布的情況較圖6b明顯增多;其次，在林區邊緣，圖6a中林地與裸地的混合分布也多于圖6b。可見，僅依靠影像的光譜信息不能很好地區分林地與非林地，而融入NDVI信息的影像數據則能夠實現林地與非林地的有效識別。

圖6 GF-1/WFV數據及GF-1/WFV時空融合數據的森林覆蓋提取結果Fig．6 Forest cover extraction results of GF-1/WFV data and GF-1/WFV fused data

為了對上述分類結果進行定量評價，分別求出它們的混淆矩陣(表2、3)。可以看出，融入時序NDVI的 GF-1/WFV影像的分類效果明顯好于GF-1/WFV原始影像的分類效果，總體分類精度由89.82% 提高到94.72%，該結果同上述目視判讀的結果一致，說明高空間分辨率多光譜遙感數據同高空間分辨率時序NDVI的組合，可以為森林覆蓋的定量提取提供更多有用的信息。具體地說，一方面，高空間分辨率的時序NDVI為很好反映植被的物候特征提供了可能，另一方面，該數據組合有效地削弱了影像中地形、云及陰影的影響。

表2 GF-1/WFV影像分類精度評價結果Tab．2 Evaluationresultofclassificationprecisionfor GF-1/WFVimage

表3 GF-1/WFV時空融合影像分類精度評價結果Tab．3 Evaluationresultofclassificationprecisionfor GF-1/WFVfusedimage

4 結論

(1)本文研究結果理想，總體分類精度為94.72%，與GF-1/WFV原始影像的分類結果相比，提高了4.90個百分點，可見，本文所用方法在有效解決GF-1NDVI數據缺失問題的同時，實現了森林覆蓋的高精細定量提取。

(2)基于 STAVFM算法融合生成的時序GF-1/WFVNDVI數據，其空間分辨率為16m，時間間隔為8d，該數據既保持了GF-1/WFVNDVI的高空間分辨率特征，又保持了時序MODISNDVI的高時間分辨率特征，具有明顯的數據優勢，可以很好地用于森林覆蓋的提取，為實現森林覆蓋的有效提取提供了可能性。

(3)由特征組合生成的影像數據，既包含GF-1/ WFV影像的光譜特征，又包含GF-1/WFVNDVI時序數據的時間特征，其與僅擁有光譜特征的GF-1/ WFV原始影像數據相比，包含著更為豐富的植被生長信息，能夠進一步提高分類的精度，隨著高分辨率影像分類理論的進一步發展，融入更多有意義的特征變量如紋理特征等，成為重要發展趨勢。

1 楊柳，孫金華，馮仲科，等．基于PSO-LSSVM的森林地上生物量估測模型［J/OL］．農業機械學報，2016，47(8):273－287．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?flag=1＆file_no=20160836＆journal_id=jcsam．DOI:10．6041/ j．issn．1000-1298．2016．08．036．YANG Liu，SUN Jinhua，FENG Zhongke，etal．Estimation model off orestabove-ground biomas sbasedon PSO-LSSVM［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2016，47(8):273－287．(inChinese)

2 段祝庚，趙旦，曾源，等．基于遙感的區域尺度森林地上生物量估算研究［J］．武漢大學學學報:信息科學版，2015，40(10): 1400－1408．DUAN Zhugeng，ZHAO Dan，ZENG Yuan，etal．Estimation o fthe for estabove ground biomas satregional scaleba sedonre mote sensing［J］．Geomatics and Information Science of Wuhan University，2015，40(10):1400－1408．(inChinese)

3 張榮群，王盛安，高萬林，等．基于時序植被指數的縣域作物遙感分類方法研究［J/OL］．農業機械學報，2015，46(增刊): 246－252．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?flag=1＆file_no=2015S040＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2015．S0．040．ZHANG Rongqun，WANG Sheng'an，GAO Wanlin，etal．Remotesensing classification method of county-levelagricultural crops using time series NDVI［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2015，46(Supp．):246－252．(in Chinese)

4 孫銳，榮媛，蘇紅波，等．MODIS和HJ-1CCD數據時空融合重構NDVI時間序列［J］．遙感學報，2016，20(3):361－373．SUN Rui，RONG Yuan，SU Hongbo，etal．NDVI time-seriesrecon struction basedon MODI Sand HJ-1CCD dataspatial-temporal fusion［J］．Journal of Remote Sensing，2016，20(3):361－373．(inChinese)

5 劉建光，李紅，孫丹峰，等．MODIS土地利用/覆被多時相多光譜決策樹分類［J］．農業工程學報，2010，26(10):312－319．LIU Jianguang，LI Hong，SUN Danfeng，etal．Landuse/coverdecision treeclas sification fusingmulti-temporal and multi-spectral of MODIS［J］．Transactions of the CSAE，2010，26(10):312－319．(inChinese)

6 GAO F，MASEK J，SCHWALLER M，etal．On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance［J］．IEEET ransactions on Geoscience and Remote Sensing，2006，44(8):2207－2218．

7 ZHU Xinlin，CHEN Jin，GAO Feng，etal．Anenhanced spatial and temporal adaptiver eflectance fusion model for complex heterogeneousregions［J］．Remote Sensing of Environment，2010，114(11):2610－2623．

8 鄔明權，王潔，牛錚，等．融合MODIS與Landsat數據生成高時間分辨率Landsat數據［J］．紅外與毫米波學報，2012，3(1): 80－84．WU Mingquan，WANG Jie，NIU Zheng，etal．Amodel for spatial and temporal datafusion［J］．Journal of Infrared and Millimeter Waves，2012，3(1):80－84．(inChinese)

9 MENG Jihua，DU Xin，WU Bingfang．Generation of highspatial and temporal resolution NDVI anditsap plication incropbiomass estimation［J］．Internation al Journal of Digital Earth，2013，6(3):203－218．

10 南穎，劉志鋒，董葉輝，等．2000—2008年長白山地區植被覆蓋變化對氣候的響應研究［J］．地理科學，2010，30(6):921－928．NAN Ying，LIU Zhifeng，DONG Yehui，etal．There sponses of vegetation covertoclimate change in the Changbai mountainareafrom 2000 to 2008［J］．Scientia Geographica Sinica，2010，30(6):921－928．(in Chinese)

11 MENG Jihua，DU Xin，WU Bingfang．Generation ofhigh spatialand temporal resolution NDVIand its application in crop biomass estimation［J］．International Journal of Digital Earth，2013，6(3):203－218．

12 MENG Jihua，WU Bingfang，DU Xin．Method to construct high spatial and temporal resolution NDVI dataset-STAVFM［J］．Journal of Remote Sensing，2011，15(1):44－59．

13 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．LIHangyan，JIE 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)

14 左麗君，張增祥，董婷婷，等．MODIS/NDVI和MODIS/EVI在耕地信息提取中的應用及對比分析［J］．農業工程學報，2008，24(3):167－172．ZUO Lijun，ZHANG Zengxiang，DONG Tingting，et al．Application ofMODIS/NDVIand MODISEVI to extracting the information of cultivated land and comparison analysis［J］．Transactions of the CSAE，2008，24(3):167－172．(in Chinese)

15 侯光雷，張洪巖，王野喬，等．基于時間序列諧波分析的東北地區耕地資源提?。跩］．自然資源學報，2010，25(9):1607－1617．HOU Guanglei，ZHANG Hongyan，WANG Yeqiao，et al．Application of harmonic analysis of time series to extracting the crop land resource in Northeast China［J］．Journal of Natural Resources，2010，25(9):1607－1617．(in Chinese)

16 楊強，王婷婷，陳昊，等．基于MODISEVI數據的錫林郭勒盟植被覆蓋度變化特征［J］．農業工程學報，2015，31(22):191－199．YANG Qiang，WANG Tingting，CHEN Hao，et al．Characteristics of vegetation cover change in Xilin Gol League based on MODIS EVI data［J］．Transactions of the CSAE，2015，31(22):191－199．(in Chinese)

17 許青云，楊貴軍，龍慧靈，等．基于MODISNDVI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)

18 JAKUBAUSKASM E，LEGATESD R，KASTENS JH．Crop identification using harmonic analysis of time-series AVHRR NDVI data［J］．Computers and Electronics in Agriculture，2002，37:127－139．

19 梁守真，邢前國，施平，等．山東省典型地表覆被NDVI時間序列諧波分析［J］．生態學雜志，2011，30(1):59－65．LIANG Shouzhen，XING Qianguo，SHI Ping，et al．Harmonic analysis on NDVI time series of typical and covers in Shandong Province［J］．Chinese Journal of Ecology，2011，30(1):59－65．(in Chinese)

20 張連翀，王衛．基于諧波分析和線性混合模型的河北平原區土地覆被分類研究［J］．地理與地理信息科學，2015，31(3):98－104．ZHANG Lianchong，WANGWei．Land cover classification of Hebei Plain based on harmonics analysis and linear mixture model［J］．Geography and Geo-Information Science，2015，31(3):98－104．(in Chinese)

21 謝相建，薛朝輝，王冬辰，等．顧及物候特征的喀斯特斷陷盆地土地覆蓋遙感分類［J］．遙感學報，2015，19(4):627－638．XIE Xiangjian，XUE Zhaohui，WANG Dongchen，et al．Land cover classification in karst regions based on phenological features derived from a longterm remote sensing image series［J］．Journal of Remote Sensing，2015，19(4):627－638．(in Chinese)

22 GU Juan，LIXin，HUANG Chunlin．Land cover classification based on time-series MODISNDVI data in Heihe River Basin［J］．Advances in Earth Science，2010，25(3):317－326．

23 HAO Pengyu，WANG Li，NIU Zheng，et al．The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop classification:a case study for Bole and Manas counties in Xinjiang，China［J］．Remote Sensing，2014，6(8):7610－7631．

24 張猛，曾永年．基于多時相Landsat數據融合的洞庭湖區水稻面積提?。跩］．農業工程學報，2015，31(13):178－185．ZHANG Meng，ZENG Yongnian．Mapping paddy fields of Dongting Lake area by fusing Landsatand MODISdata［J］．Transactions of the CSAE，2015，31(13):178－185．(in Chinese)

25 VAPNIK V．The nature of statistical learning theory［M］．New York:Springer-Verlag，1995．

26 SU L H．Optimizing support vectormachine learning for semi-arid vegetation mapping by using clustering analysis［J］．ISPRS Journal of Photogrammetry and Remote Sensing，2009，64:407－413．

27 LIS J，WU H，WAN D S，et al．An effective feature selection method for hyperspectral image classification based on genetic algorithm and support vectormachine［J］．Knowledge-Based Systems，2011，24(1):40－48．

28 FOODY G M，MATHUR A．A relative evaluation of multiclass image classification by support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(6):1335－1343．

29 PALM，MATHER PM．Support vectormachines for classification in remote sensing［J］．International Journalof Remote Sensing，2005，26(5):1007－1011．

30 MELGANI F，BRUZZONE L．Classification of hyperspectral remote sensing images with support vector machines［J］．IEEE Transactions on Geoscience＆Remote Sensing，2004，42(8):1778－1790．

31 JAYADCVA R，KHEMCHANDANI S C．Twin support vector machines for pattern classification［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29(5):905－910．

32 ZHANG X Y，FRIEDL M A，SCHAAF C B，et al．Monitoring vegetation phenology using MODIS［J］．Remote Sensing of Environment，2003，84(3):471－475．

Quantitative Extraction of Forest Cover Based on Fusing of GF-1/WFV and MODISData

XU Lei1WU Zhaocong1LUO Fei2YANG Fan3XIANGWei1GAO Fei1
(1．School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China 2．School of Electronic Engineering and Computer Science，Queen Mary University of London，London E1 4NS，UK 3．South China Sea Institute of Planning and Environmental Research，State Oceanic Administration，Guangzhou 510310，China)

As an important part of terrestrial ecosystem，forest is concerned by its huge carbon storage and carbon sequestration capacity．With the successful launch of China’s high score 1(GF-1)satellite，it is possible to use NDVI data to realize the quantitative extraction of forest cover．However，due to the impact of rainy weather，operating costs and other factors，it is difficult to form NDVIGF-1 time series data，which cannotmeet the demand for high precision extraction of forest cover．With the aim to solve this problem，Songshan was taken as part of the Henan GF-1/WFV NDVI and MODIS NDVI experimentation area，application of STAVFM algorithm was integrated，and GF-1/WFV NDVI time series data was used to generate the 8 d step，then from the time series data in NDVI feature extraction and spectral features were combined with GF-1/WFV．Finally，SVM classification method was used to realize quantitative forest coverage extraction．The research results showed that the NDVI GF-1/WFV sequence data generated by the STAVFM algorithm was ideal，which can solve the problem of the NDVI GF-1 time series data．The overall classification accuracy based on the SVM classification was94.72%，which was improved by 4.90 percentage points compared with the classification results of the original GF-1/WFV imagewithout fusing the characters of NDVI．Thismethod provided a new way for high precision extraction of forest cover．

forest cover;remote sensing;quantitative extraction;spatial and temporal data fusion;GF-1/WFV;MODISNDVI

TP79;S127

A

1000-1298(2017)07-0145-08

2016-10-27

2016-12-01

國家自然科學基金項目(41101410)和民用航天“十二五”技術預先研究項目(2013669-7)

徐磊(1983—)，男，博士生，主要從事時序遙感分析和定量遙感研究，E-mail:rellxu@126．com

巫兆聰(1968—)，男，教授，博士，主要從事高分辨率遙感影像信息提取、定量遙感研究，E-mail:zcwoo@whu．edu．cn

10．6041/j．issn．1000-1298．2017．07．018