基于高分一號時序數據和動態時間彎曲算法的平原區水田信息提取

周峰，廖鈺冰

(鹽城工學院 a 環境科學與工程學院，b土木工程學院，江蘇 鹽城 224051)

土地利用信息的提取是建立區域或全球陸面模式的基礎，對保障農業安全和生態環境質量具有重要的意義[1]。隨著信息技術的發展，遙感技術以其成本低、效率高的優勢廣泛應用于土地利用分類和動態監測過程。不同土地利用類型反射光譜特性的差異，使得其在遙感影像上呈現出不同的色彩和紋理特征。這是對不同土地利用類型進行遙感解譯的依據。目前，用于遙感分類的影像多以Landsat TM、MODIS等可見光遙感為主，但單時相的影像上光譜紋理特征差異較難判斷，同譜異物和同物異譜現象加大了信息提取的難度。

不同植被類型物候信息的差異使得其在遙感影像上具有季節性光譜差異特征，這就具有了可分性。為此，近年來國內外學者就基于多時相植被指數數據在土地利用/覆蓋分類中的應用已開展了較多研究：在數據源選取上多采用中高分辨率MODIS和NOAA/AVHRR的歸一化植被指數(NDVI)數據[2-7]，在分類方法上常采用最大似然法、決策樹、神經網絡和面向對象的分類方法[8-14]。

江淮下游里下河平原是我國重要的糧食產地，也是“南水北調”工程的重要水源地。近年來，受農業活動、水利工程和城鎮化等因素的影響，當地的土地利用結構發生較大變化，并成為影響水安全和生態環境質量的重要因素。該區域屬典型的平原河網區，河湖密集，以往的土地利用信息提取研究多以30 m的Landsat TM遙感影像為數據源，受影像空間分辨率和時間分辨率的限制，不同土地利用類型光譜重疊，水田與水體、城鎮和植被信息混淆的現象明顯。近年來，沿海開發戰略的實施，以及農業活動和城鎮化等因素，都將對該區域的土地利用結構產生新的影響，區域土地利用信息的快速有效提取尤為重要。

為此，本研究嘗試基于國產的高分一號衛星16 m寬幅影像(GF-1/WFV)，充分利用其高空間分辨率和高時間分辨率的特性，依據不同土地利用像元的光譜和物候特征差異，以里下河平原鹽都區為研究區，探索適宜于平原河網區的水田信息提取模式，以期為該區域的農業資源評估、水資源利用規劃提供數據基礎，同時也可為其他平原河網區土地利用信息提取模式的建立提供參考。

1 材料與方法

1.1 研究區概況

研究區位于江蘇省里下河平原(33.13°～33.42°N，119.67°～120.22°E)的鹽城市鹽都區，河網密集，地形平坦(圖1)。農作物以水稻、小麥、玉米和油菜為主。

圖1 研究區位置

該區域季風氣候特征顯著，年均降水量約為1 000 mm，降水主要集中在5—9月，年平均氣溫14～15 ℃。受圈圩養殖、種植和圍網養殖等人為活動影響，湖泊面積大幅減少。研究區的農業耕作模式基本為一年二熟。

現有的關于該區域及類似平原河網區土地利用分類的相關研究，通常依據不同土地利用類型及其水文特性和生態功能差異，將地表類型劃分為水田、水體、城鎮、旱地和非耕地等主要類型[15]。其中，水田指的是水稻和小麥、油菜輪作的耕地，水稻種植時間為5—10月，冬小麥或油菜的種植時間為11月至次年5月；旱地和非耕地主要包括林地、荒草地和菜地等。

1.2 數據來源及其預處理

數據源主要選用2015年左右的多時像高分一號(GF-1/WFV)多光譜數據(表1)，其他輔助數據包括研究區邊界圖、水系圖和野外實地采樣點等。

表1 數據的影像日期

GF-1/WFV數據集使用前需進行正射校正、輻射定標、大氣校正、幾何精校正和投影轉化等，以消除傳感器、大氣等因素對地物光譜信息的影響。同時，須保證高分一號的幾何精度在一個像元內。

在以上數據預處理的基礎上進行NDVI的計算。利用ENVI軟件對NDVI數據進行疊加和空間裁剪等操作，生成NDVI時序數據集。通過IDL+ENVI開發平臺，逐像元計算時序NDVI最大值和峰值個數，作為信息提取模型的重要特征參數。

2 結果與分析

2.1 地物光譜特征分析

利用研究區實際采樣點數據提取不同波段的光譜反照率值和增強型植被指數(EVI)時序光譜曲線，對比分析不同地物的光譜特征(圖2)。結果表明：就GF-1/WFV不同地物的光譜特征而言，植被在第4波段具有較高的反照率，水體的光譜特征總體上較低并呈下降的趨勢，因此，利用這一特征可以有效地將研究區初步劃分為植被和水體等非植被類型。

圖2 單期GF-1影像的典型地物光譜特征曲線

農作物生長過程與對應時期的NDVI值相對應，不同植被類型的物候特征存在著明顯的差異，在NDVI時序數據集上表現為NDVI數值的季節性變化。利用研究區實地調查的樣本數據獲取水田等地物的NDVI時序特征曲線(圖3)。

圖3 典型植被的時序NDVI序列特征

由于該區域的農作生產一般采取一年兩熟制，因此，農田植被類型的EVI分別在4月和8月左右出現2個峰值，且8月的峰值要高于4月的峰值，同時在作物換季的5—6月會出現低值，這主要是由冬季農作物的收割和夏季作物的播種發芽造成的。

2.2 動態時間彎曲距離

同種作物在同一地區具有相對穩定的生長過程和規律，但受光熱、水分和作物品種等條件的影響，相同作物的種植時間并不相同，使其在NDVI時序光譜曲線上存在一定的差異(如圖3中水田1和水田2)。

選取純凈水田像元，求得EVI均值時序光譜曲線，采用動態時間彎曲(DTW)距離逐像元計算與水田標準曲線的時序相似性，將所得的相似性值作為模糊分類隸屬度參考值用于提高水田與旱地等農作物類型的分類(圖4)。

圖4 水田的DTW距離

DTW距離最初被應用于文本數據匹配、語音處理和視覺模式識別等研究領域。DTW算法可以歸結為運用動態規劃思想尋找一條具有最小彎曲代價的最佳路徑[16]。本研究中DTW距離的計算基于IDL+ENVI平臺進行二次開發實現。

2.3 決策樹模型構建

根據光譜和NDVI時序特征分析，構建了以藍光波段反照率值(Bblue)、歸一化水體指數(NDWI)、NDVI、ENVI時序波峰個數和DTW等指標信息提取決策的模式(圖5)。

圖5 決策樹信息提取模型

在分類過程中逐次進行植被與非植被、農田與林草地、水田和旱地等地物的提取。

首先，利用時序最大植被指數(NDWImax)剔除非植被信息；然后，根據林草地一季生長、耕地兩季生長的特性，利用NDVI時序數據的波峰個數峰出現時間(4月和7月)與特征波谷(5月或6月)，將植被進一步地劃分為農田和林草地類型；最后，基于DTW，通過選取純凈的水田像元，計算待測像元與純凈水田像元的相似度，確定合適的閾值，從而將旱地等像元從水田中分離。

經過以上分類過程，可實現水體、城鎮、林草地和旱地等地物的逐步剔除，從而最終得到區域內的水田面積和空間分布。

2.4 模型驗證

為檢驗遙感影像的分類精度，利用ENVI軟件隨機產生采樣點，并對采樣點進行地圖比對和實地考察，對研究區的土地利用提取結果進行精度驗證。混淆矩陣分析結果表明，利用所構建的模型可獲得較高的總體分類精度(92%)和Kappa系數(0.84)，誤差主要存在于部分水田和旱地的混淆作物的混淆，以及部分單季種植帶來的漏分，但總體效果較理想。

對不同土地利用類型面積的分析表明：研究區林草地類型主要是濕地植被和沿河綠化帶分布，西南部主要以湖泊水面為主，東北部是城鎮發展的主要區域。農業方式以水田為主，因為該區域屬于典型的平原河網區，灌溉條件充裕，光照條件充足。本研究所提出的方法較單時像影像很好地解決了平原河網區水田與水體和林草地等其他地物的混分問題。

利用ArcMap對分類結果進行制圖(圖6)，并進行空間分析。結果表明，水田的空間分布與實地考察情況吻合，總體上，以中部的相對低洼地較為密集，東部逐漸過渡到以旱地作物為主，兼受城鎮化的影響，水田面積逐漸減少。

圖6 水田分布的特征

3 小結與討論

本研究基于高分一號多光譜影像，構建多時相的NDVI時序數據，依據不同植被類型的光譜特征和時相差異，以里下河平原區鹽都區為研究對象，開展平原水稻田快速提取研究。基于高分一號多光譜影像選取時序最大植被指數(NDWImax)可有效地將地物劃分為植被和非植被類型，通過時序NDVI的峰值個數和峰值出現時間等植被物候信息，以及DTW距離等知識規則，可逐步地將林草地和旱地等像元從水田中分離出來。該方法充分利用了高分一號的高分辨率和多時相特征，較好地解決了平原河網區水田與水體和林草地等地物的混分問題。空間分析結果合理地反映了研究區農作物種植以水田為主的特征，空間上以中部地帶集中分布，并呈現向東減少的趨勢特征。

本文提出的水田信息提取方法雖然在精度上取得了較好的效果，但決策樹模型中閾值和隸屬度的確定還只能靠經驗值估算，如何完善和實現水田提取的自動化，將是今后研究的重點。另外，本方法在其他區域的推廣應用中也應結合當地農作物的物候特征，對決策樹模型進行合理的修正。