基于MODIS-EVI的內蒙古沿黃平原區(qū)作物種植結構分析

賈博中，白燕英*，魏占民，閆 東，張志胤

（1.內蒙古農業(yè)大學 水利與土木建筑工程學院，呼和浩特010018；2.內蒙古自治區(qū)土壤肥料和節(jié)水農業(yè)工作站，呼和浩特010010）

0 引 言

【研究意義】我國是人口大國，農業(yè)的發(fā)展是國民經(jīng)濟和社會穩(wěn)定發(fā)展的重要基礎和保障[1]。快速、高效地獲取農作物種植結構信息對農業(yè)部門的生產管理、農產品產量估計以及農作物種植結構優(yōu)化和調整都具有重要的意義[2-3]。遙感技術相比于費時費力的傳統(tǒng)人工調查，有著成本低、觀測周期短以及覆蓋面積廣等優(yōu)勢，廣泛應用于作物種植結構提取，并且正逐漸成為一種熱門手段[4-6]。因此，怎樣應用遙感影像和采用適合的分類方法，來取得較高精度的分類結果，成為低成本較高精度農業(yè)遙感研究的一個重要方向。【研究進展】目前基于多時相作物分類方法充分地利用了作物季節(jié)特征，能清楚地反映出不同農作物隨著時間的變化趨勢，能有效地減少農作物誤分現(xiàn)象，是當前用遙感進行農作物種植結構提取的主流方法[7-11]。楊小喚等[12]基于時間序列的MODIS 影像，通過分析各類作物的歸一化植被指數(shù)NDVI值在生育期的生長變化規(guī)律，提取出北京市冬小麥和夏玉米等農作物。MAUS 等[13]在DTW 算法的基礎上引入了時間權重因子，利用MODIS 時間序列影像，基于時間加權的動態(tài)彎曲方法在巴西中部地區(qū)提取作物的空間分布情況。陳穎姝等[14]對Landsat8-OLI 和MODIS影像的時間序列綜合利用，提取出感興趣區(qū)域，再利用BP 神經(jīng)網(wǎng)絡的方法對提取數(shù)據(jù)進行監(jiān)督分類，進而獲取研究區(qū)農作物的空間分布信息。韓宇平等[15]利用Landsat8 和MODIS 影像的NDVI時間序列數(shù)據(jù)，采用監(jiān)督分類和非監(jiān)督分類2 種方法對灌區(qū)不同水源的灌溉面積進行分類。由此可見，雖然目前學者對利用衛(wèi)星遙感數(shù)據(jù)提取空間分布信息開展了廣泛研究，但如何利用大尺度中低分辨率在大區(qū)域內進行種植結構分析仍值得研究。

【切入點】目前，MOD13Q1 影像能夠有效地構建NDVI和EVI時間序列。由于在農作物生育高峰期或高作物覆蓋下，NDVI的增長速度沒有EVI快，導致生長或衰落時農作物的EVI值相比NDVI值的變化更為明顯。甚至有些情況下當作物開始衰落時，EVI值顯示為降低，而NDVI值仍表現(xiàn)為升高，不能敏銳地感應出農作物長勢變化，在監(jiān)測農作物長勢變化方面EVI更敏感[16]。【擬解決的關鍵問題】本研究采用2019年的MCD12Q1 影像和2019年4―9月12 個時相的MOD13Q1 影像構建EVI時間序列，分析內蒙古沿黃平原區(qū)小麥、玉米、葵花、西葫蘆、番茄和苜蓿6 種作物的生育期和增強型植被指數(shù)EVI的時間序列變化特征，提取出主要農作物的時間變化曲線，通過6 種主要農作物的EVI時序曲線，獲取作物空間分布和種植面積等信息。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內蒙古自治區(qū)中西部的內蒙古沿黃平原區(qū)地處黃河中上游，研究區(qū)疆域遼闊地勢平坦（圖1）。平原區(qū)屬于典型的溫帶大陸性氣候，降水量少而蒸發(fā)能力大，全年日照時間長。地理坐標為北緯39°01′30″―41°20′23″，東經(jīng)105°22′09″―112°00′14″。內蒙古沿黃平原區(qū)擁有著得天獨厚的灌溉條件，適宜多種作物生長，是我國重要的糧食生產基地，主要的糧食作物有小麥和玉米，主要的經(jīng)濟作物有各類瓜果蔬菜和葵花，種植結構較為復雜，在自治區(qū)經(jīng)濟發(fā)展中有著舉足輕重的作用。

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

1.2 研究區(qū)數(shù)據(jù)獲取與分析

1.2.1 MODIS 遙感數(shù)據(jù)獲取

本研究所用的MCD12Q1 和MOD13Q1 影像時間分辨率分別為1 a 和16 d，空間分辨率分別為500 m和250 m，均下載自ladsweb.modaps.eosdis.nasa.gov。中分辨率成像光譜儀（MODIS）是AQUA 衛(wèi)星和TERRA 衛(wèi)星上裝載的主要傳感器之一，在2 顆衛(wèi)星的相互配合下可以得出36 個波段的觀測信息，并可重復觀測整個地球表面。

1.2.2 MODIS 遙感數(shù)據(jù)預處理

MODIS 產品都為正弦投影坐標系，通常使用的地理坐標系為WGS-84，而在正弦投影下中國地區(qū)形變較大，需要坐標轉換后使用，所以對MODIS 影像數(shù)據(jù)預處理的流程是：重投影-重采樣-鑲嵌-裁剪。

數(shù)據(jù)預處理使用The Environment for Visualizing Images（ENVI）軟件。首先對MCD12Q1 和MOD13Q1影像進行重投影，將圖像轉換為WGS-84 地理坐標系；其次進行重采樣，將MCD12Q1 和MOD13Q1 影像的像素分別設為500 m 和250 m；然后將覆蓋研究區(qū)需要的h26v04 和h26v05 二部分圖像鑲嵌；最后根據(jù)內蒙古沿黃平原區(qū)的矢量數(shù)據(jù)文件對測區(qū)進行裁剪。

1.2.3 野外采樣數(shù)據(jù)

為了更好地驗證農作物分類結果，2019年4―9月對內蒙古沿黃平原區(qū)內的農作物種植情況進行了多次實地采樣，共收集到533 個樣本點，其中小麥64 個，玉米129 個，葵花72 個，西葫蘆79 個，番茄75 個，苜蓿62 個和其他作物52 個。MODIS 影像空間分辨率較低，在野外采集數(shù)據(jù)時需要用Landsat8-OLI 影像中分辨率為15 m 的全色波段和30 m 的多光譜波段，配合Google Earth 地圖，通過目視解譯來輔助野外布點，保證每一個采樣點都設置在面積相對較大的農田上，且平均分散在研究區(qū)內。在野外實地采樣時用GPS 儀打點并拍照記錄，盡量選取農作物種類一致、覆蓋度相對較高、長勢均勻且面積大于250 m×250 m 的區(qū)域作為采樣點。

表1 主要農作物生育期Table 1 Main crop growth period

1.3 農作物生育期

內蒙古沿黃平原區(qū)農作物的生育期為4月初到9月底，本文主要對研究區(qū)2019年種植面積相對較大的小麥、玉米、葵花、西葫蘆、番茄和苜蓿的種植情況進行遙感獲取，剩余農作物歸為其他作物一類，6 種主要農作物生育期詳見表1。

1.4 混淆矩陣的計算方法

混淆矩陣可以進一步得到農作物總體分類精度（PC）和Kappa 系數(shù)（k），計算式為：

式中：n為混淆矩陣的總行列數(shù)；Pkk為混淆矩陣的對角線元素；P為總像元個數(shù)。

式中：N為總像元個數(shù)；r為混淆矩陣的總行列數(shù)；Xii為混淆矩陣的對角線元素；Xi+為混淆矩陣各行之和；X+i為混淆矩陣各列之和。

2 結果與分析

2.1 土地利用分類

MCD12Q1 影像基本的土地覆蓋分類確定了17 種土地覆蓋類別，其中包括11 種自然植被類別，3 種土地類別以及3 種非植被土地類別，這些是通過MCD12Q1影像本身自帶的決策樹分類方法得出（圖2）。本研究應用的是全球植被分類（IGBP），提取其中DN 值為12 的農用地在ENVI軟件下進行掩膜處理，需要在內蒙古沿黃平原區(qū)內掩膜掉非農用地部分，掩膜后剩余的部分作為下一步作物提取分類的研究區(qū)。

圖2 MCD12Q1 土地利用分類Fig.2 MCD12Q1 Land use classification

完成分類后統(tǒng)計各類所占比例，得出內蒙古沿黃平原區(qū)總面積約為3.86×104km2；提取出農用地面積約為1.03×104km2，占研究區(qū)總面積的26.55%，把這部分得到的分類結果作為農用地研究區(qū)。

2.2 不同農作物EVI 值時間特征分析

根據(jù)小麥、玉米、葵花、西葫蘆、番茄和苜蓿6種作物在野外采樣時得到的經(jīng)緯度，在ENVI軟件上可以顯示出每個采樣點EVI的時序曲線走向，并得到每個采樣點時間序列EVI值，合并起來即為EVI時間序列曲線（如圖3）。同一種農作物在不同的采樣點由于長勢、種植方式等因素的不同導致EVI時間序列曲線也不完全相同，但其趨勢基本相近。在分析研究區(qū)目標農作物時間序列EVI值特征的基礎上，可以提取6 種主要農作物EVI的最大值、最小值、平均值以及峰值出現(xiàn)的時間這4 個特征閾值作為典型特征，用于輔助提取6 種主要農作物EVI時間序列曲線。

圖3 農作物EVI 時間序列曲線Fig.3 Crop EVI time series curve

小麥的EVI值在4月下旬出苗時開始增加，在6月下旬抽穗時達到最大值，并在7月下旬成熟收獲時會迅速下降。內蒙古沿黃平原區(qū)部分區(qū)域春小麥收割時間早，如果收割后溫度適宜，且灌溉條件好，部分地區(qū)還會在收割后的春小麥區(qū)域重新種植其他農作物，導致有的地區(qū)9月小麥EVI時序曲線有一定幅度上升，達到了1年2 個波峰。因為峰值和峰值出現(xiàn)時間是區(qū)分小麥和其他作物的關鍵，所以在提取小麥時找到這2 個因素尤為重要。

玉米的EVI值在4—5月都處于較低范圍，EVI值小于0.25，此時的玉米處于生長初期，到了6—8月，玉米的EVI指數(shù)一直呈較快速度增長，此時玉米處于快速生長期，EVI值于8月初達到峰值。

葵花4—6月EVI值始終較小，EVI值低于0.2，其在此時期處于生長初級階段，7月初至8月底，葵花的EVI值迅速增加，此時葵花處于快速生長期，8月底葵花EVI指數(shù)達到峰值，并在9月呈下降趨勢，在9月下旬進入成熟期。值得注意的是葵花是內蒙古沿黃平原區(qū)最晚收割的農作物，其峰值出現(xiàn)時間在農作物提取中尤為關鍵。

西葫蘆的EVI指數(shù)在4—5月都處于較低范圍，EVI值均小于0.2，此時西葫蘆處于生長初期，5—6月EVI指數(shù)增速加快，到了6—7月西葫蘆EVI指數(shù)增速減緩，并在7月初達到峰值。

番茄與西葫蘆生長情況較為相似，在4—5月EVI指數(shù)處于較低范圍，EVI值均小于0.2，5—6月EVI指數(shù)快速增加，6—7月番茄EVI指數(shù)增長速率減慢，并在7月中旬達到峰值。

苜蓿和其他農作物的EVI時間序列曲線差異明顯，在研究區(qū)的地理和氣候條件下，當?shù)貫榱藢崿F(xiàn)飼草料就近就地化解決，從而降低奶牛養(yǎng)殖成本增加收益，苜蓿每年收割3 次，間隔1—2 個月就會出現(xiàn)1次EVI值先上升再下降的情況，相應在EVI時序曲線升降較為頻繁，便于區(qū)分。

2.3 作物種植結構提取

本研究根據(jù)農作物EVI時間序列曲線和農作物樣本點分別列出6 種主要農作物的分類提取條件，其中EVI時間序列曲線的波形可以反映出農作物的生長變化情況。依據(jù)不同農作物生長的物候特征，利用作物分類提取條件（如圖4）在MOD13Q1 影像ENVI軟件中對研究區(qū)內的農作物進行分類提取。

圖4 作物分類提取條件Fig.4 Crop classification extraction conditions

表2 各類農作物分類像元數(shù)及面積占比Table 2 Image number and area ratio of various crop classification

圖5 主要農作物分類Fig.5 Main crop classification

按上述分類提取條件（如圖4）和分類結果（如圖5）可得，農用地大部分被玉米所覆蓋占比達到72.29%，面積為7 412.75 km2，尤其在研究區(qū)東部的呼和浩特和包頭周圍地區(qū)種植意向更傾向于玉米。葵花面積為575.26 km2，占農用地總面積的5.61%，主要分布在烏拉特前旗和五原縣。小麥在研究區(qū)內僅占農用地的0.97%，面積為99.47 km2，集中在杭錦后旗一帶。西葫蘆和番茄的面積分別為900.06 km2和836.75 km2，分別占農用地的8.78%和8.16%，在研究區(qū)分布較為廣泛。苜蓿主要集中在土默特左旗，面積為183.55 km2，占農用地的1.79%。其他作物面積為246.10 km2，占農用地的2.40%，得到的統(tǒng)計結果與野外實地采樣情況基本符合。

2.4 精度驗證

根據(jù)野外采樣點結合6 種主要農作物EVI時間序列曲線，在分類結果圖像中隨機提取每種作物50 個樣本點，共計350 個點進行農作物分類結果精度驗證，結果如圖6 所示。

圖6 農作物分類混淆矩陣熱度Fig.6 Crop classification confusion matrix heat

農作物的總體分類精度為78.29%，Kappa 系數(shù)為0.747，精度較為理想。從用用精度和制圖精度分析，除去其他作物的用用精度和制圖精度較低，分別為68.75%和66%以外，小麥、玉米、葵花、西葫蘆、番茄和苜蓿的用用精度和制圖精度都較好。

因為研究區(qū)玉米種植面積超過70%，所以獲取了沿黃灌區(qū)各旗縣2019年玉米種植統(tǒng)計年鑒面積統(tǒng)計結果作為分類效果的依據(jù)。由統(tǒng)計結果可知，各旗縣2019年玉米種植面積為：阿拉善10.47 km2、鄂爾多斯2 287.13 km2、巴彥淖爾2 617.53 km2、包頭1 047.50 km2、呼和浩特1 949.54 km2，在沿黃灌區(qū)種植的玉米實地統(tǒng)計面積合計為7 912.17 km2。而從表2 得知玉米的提取面積為7 412.75 km2，相對誤差為6.31%，得到了較為滿意的結果。

3 討論

作物種植結構是作物長勢監(jiān)測和估產分析、種植結構調整及優(yōu)化、作物灌溉管理的主要依據(jù)，充分利用作物的季相節(jié)律特征是區(qū)分作物與其他綠色植被以及作物之間的關鍵理論依據(jù)[17]。本研究嘗試在內蒙古沿黃平原區(qū)的糧食生產基地建立快速、準確并且相對有效的作物分類識別方法，使用MODIS-EVI時間序列曲線探索研究區(qū)6 種主要農作物的分布情況。研究結果表明，解譯精度雖然未能達到張威等[1]、鄧榮鑫等[18]、黃思宇等[19]、魏鵬飛等[20]研究結果的精度，學者使用高分辨率影像分類文獻中的平均精度，但在局部區(qū)域和整體研究區(qū)上也取得了較好的分類結果。小麥、玉米、葵花、西葫蘆、番茄、苜蓿和其他作物的用用精度分別為：79.59%、80%、83.67%、78.18%、75.93%、82.22%、68.75%，制圖精度分別為78%、80%、82%、86%、82%、74%、66%。農作物總體分類精度達到78.29%，Kappa 系數(shù)為0.747，而且在沿黃灌區(qū)種植面積最大的玉米與實際統(tǒng)計相對誤差為6.31%。證明了基于大區(qū)域大尺度中低分辨率的EVI時間序列分類方法在識別小麥、玉米、葵花、西葫蘆、番茄和苜蓿等農作物有較強的適用性。

由于研究區(qū)內農作物種類較多、面積較廣，在野外實地采樣中未能將研究區(qū)內全部作物進行采樣，未得到研究區(qū)內所有作物的EVI時間序列曲線，也未能夠對全部作物進行分類，只提取了數(shù)量相對較多的玉米、葵花、小麥、西葫蘆、番茄和苜蓿6 種農作物。在農作物分類混淆矩陣中其他作物的用用精度和制圖精度僅為68.75%和66%，該方法如需進一步提高分類精度，就要對研究區(qū)內更多作物類別如：糖菜、馬鈴薯和大豆等進行分類提取，從而提高其他作物的用用精度和制圖精度，來進一步提高農作物總體分類精度和Kappa 系數(shù)。此外，在實地采樣過程中一個像元250 m×250 m 的范圍內存在插花種植現(xiàn)象影響EVI時間序列曲線的準確性，從而影響分類精度。研究區(qū)部分農作物生育期差異較小，僅憑借主要作物生育期得到的農作物EVI時序曲線來確定作物分類提取條件再進行作物種植結構分析，不能夠對這部分生育期較為相近的作物進行很好的分類提取。針對本文研究的不足之處下一步應著重在像元內插花種植現(xiàn)象和生育期差異較小的農作物分類提取這兩部分進行深入分析。在今后的研究中，應融合中高空間分辨率、低時間分辨率的遙感影像（如高分系列衛(wèi)星影像、Landsat 系列衛(wèi)星影像）和低空間分辨率、高時間分辨率的遙感影像（如MODIS 衛(wèi)星影像），開展多源多尺度的種植結構分析研究，進一步提高分類精度[22]。

4 結論

1）使用EVI時序曲線能夠清晰地反映同一種作物在不同生育期差異，也能反映不同作物在同一時期的差異，準確地表達出各類農作物的生育期特征。

2）研究區(qū)農用地大部分被玉米所覆蓋，提取面積為7 412.75 km2，所占比例達到農田總面積的72.29%。研究區(qū)實際玉米面積為7 912.17 km2，相對誤差為6.31%，具體分布情況均與野外實地情況相符合，分類方法有良好的分類精度。

3）基于MODIS-EVI時間序列的分類方法，對內蒙古沿黃平原區(qū)農作物分類的總體精度達到78.29%，Kappa 系數(shù)達到0.747，提取精度較為理想。