NDVI時序相似性對冬小麥種植面積總量控制的制圖精度影響

李方杰，任建強，吳尚蓉，張寧丹，趙紅偉

（1. 中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081；2. 農業(yè)農村部農業(yè)遙感重點實驗室，北京 100081）

0 引言

遙感技術獲得的作物種植空間分布信息和傳統(tǒng)的農作物面積統(tǒng)計數據一直是資源環(huán)境、生態(tài)、氣候變化和糧食安全等領域重要的研究基礎[1-2]。其中，目前的遙感技術大多通過全覆蓋方式進行農作物遙感識別和作物面積估算，從而獲得作物分布信息及其面積數量；表格形式的作物種植面積統(tǒng)計數據主要由統(tǒng)計部門采用傳統(tǒng)抽樣外推技術或遙感和空間抽樣相結合的外推方式獲得[3-4]。由于上述兩種作物面積數量獲取方法不同，加之遙感受混合像元、大氣干擾和復雜自然條件等因素影響，導致通過單純遙感技術獲取的農作物種植面積數量與農作物面積統(tǒng)計數據之間往往存在不一致的問題，這在一定程度上影響了農作物空間分布遙感信息在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學領域中基于行政單元的空間分析應用與尺度轉換。因此，為滿足資源環(huán)境、生態(tài)、氣候變化和糧食安全等領域對與農作物種植面積統(tǒng)計數據高度吻合的高精度作物空間分布信息的迫切需求，既保證遙感獲取的區(qū)域作物面積總量與作物面積統(tǒng)計數據保持一致，又能獲得較高的作物遙感識別精度，區(qū)域作物種植面積總量控制的作物空間分布遙感提取和制圖技術成為亟需研究的關鍵技術之一。

目前，常用的農作物遙感識別方法主要包括基于單一影像的農作物遙感識別、基于時序數據的農作物遙感識別和基于多源數據融合的農作物遙感識別[5-6]。其中，基于單一影像的農作物遙感識別主要借助一景影像，利用農作物關鍵物候期影像光譜特征差異來實現(xiàn)農作物的識別和面積提取。常用的分類方法包括支持向量機、最大似然分類、光譜角制圖、面向對象分類和K-means分類等[7-8]。該類方法的特點是簡單、效率高、可操作性強，但這類方法容易受天氣的影響，難以獲得農作物最佳識別期影像數據，或是受遙感影像分辨率的影響，導致“同物異譜”和“同譜異物”現(xiàn)象普遍存在，從而使農作物識別和提取精度受到一定程度影響[9]。

基于時序數據的農作物遙感識別主要通過分析多景影像數據時相變化規(guī)律實現(xiàn)農作物空間分布提取，根據特征選擇的不同可分為基于單一特征和基于多特征的兩類農作物識別方法。其中，單一特征方法常用遙感參數包括歸一化差值植被指數（Normalized Difference Vegetation Index, NDVI）和增強型植被指數（Enhanced Vegetation Index, EVI）等，主要利用特征量隨作物物候變化呈現(xiàn)的規(guī)律或特征量間的相似性，通過構建閾值模型實現(xiàn)農作物的識別與提取[10-12]。該類方法操作簡單、運算速度快，在作物種植結構相對簡單的地區(qū)可以得到較高的作物識別精度。但該類方法目前大多側重于作物生育期內完整時序或部分關鍵生育期內時序數據，對于不同時段植被指數時序相似性及其相似性組合對農作物面積提取精度影響鮮有研究。近些年來，一些學者[13-17]在農作物種植結構較復雜地區(qū)也開展利用多種遙感特征（如植被指數特征與光譜特征、時相特征、紋理特征、高程等）來實現(xiàn)農作物的提取，取得了一系列研究成果，對進一步提高作物空間分布提取結果精度發(fā)揮了重要作用。

基于多源數據融合的農作物遙感識別主要包括不同時空分辨率多源遙感影像融合、遙感信息和非遙感獲取信息融合等兩種方法[18-19]。其中，基于遙感信息和非遙感獲取信息（如地形、土壤、耕地信息等）融合方法在遙感作物分類中對提高農作物種植面積提取精度發(fā)揮了重要作用[20-21]。同時，國內外學者[22-23]也利用農作物面積統(tǒng)計數據與遙感信息融合的方法進行農作物空間分布信息提取研究，取得了較高的作物識別精度結果。然而，大多已有研究[22-23]只將作物面積統(tǒng)計數據作為輔助信息進行作物分布提取，導致最終獲取的區(qū)域作物面積估算結果與作物面積統(tǒng)計數據間存在一定的差異，這在一定程度上影響了提取結果的進一步應用。因此，在確保作物遙感識別精度較高的同時，如何獲得區(qū)域作物面積總量與作物面積統(tǒng)計數據高度一致的作物分布提取結果需要進一步開展深入研究。

綜上，為滿足資源環(huán)境、生態(tài)、氣候變化和糧食安全等領域對與農作物面積統(tǒng)計數據一致的高精度農作物空間分布遙感信息的迫切需求，本研究以中國重要糧食生產基地黃淮海平原內河北省衡水市武邑縣為研究區(qū)，以冬小麥為研究作物，將覆蓋冬小麥全生育期的時序Sentinel-2 NDVI作為研究數據，在提出區(qū)域作物種植面積總量控制下的NDVI時序相似性閾值優(yōu)化冬小麥分布提取和制圖方法和精度驗證基礎上，開展不同生育階段NDVI時序相似性及其相似性組合冬小麥分布提取精度對比分析研究，以期為在完備遙感信息及不完備遙感信息支持下區(qū)域作物種植面積總量控制的冬小麥分布提取和制圖方法方案優(yōu)化提供依據，也可為遙感數據和作物面積統(tǒng)計數據融合的大范圍農作物分布遙感制圖及統(tǒng)計數據空間化提供一定技術方法參考和思路借鑒。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于中國北方糧食主產區(qū)黃淮海平原內河北省 衡 水 市 武 邑 縣（37°37'N～38°00'N，115°45'E～116°08'E），該縣位于衡水市東北部（圖1a）。全縣總面積830.10 km2，總耕地面積59 533 hm2。全縣屬暖溫帶半干旱季風氣候，年平均氣溫約為12.60 ℃，年平均降水量約為518.50 mm，年平均日照時間2 575.60 h，全年無霜期195 d，主要農作物輪作種植制度為冬小麥-夏玉米一年兩熟制。研究區(qū)內冬小麥種植時間為10月中旬，分蘗時間在11月下旬至12月上旬之間，12月中旬進入越冬期，次年3月上中旬為返青期，拔節(jié)期為3月下旬至4月上中旬，4月下旬至5月上旬為抽穗開花期，灌漿乳熟期在5月中下旬，成熟期為6月上中旬。

本研究使用的樣點數據主要包括地面調查數據和Google Earth高分辨率影像目視解譯所獲取的樣點數據。全部樣點數據分布如圖1b所示，其中地面樣點數據共125個（冬小麥樣點67個，非冬小麥樣點58個），Google Earth目視解譯樣點共1 391個（冬小麥樣點768個，非冬小麥樣點623個）。

1.2 數據與預處理

1.2.1 遙感數據

結合武邑縣冬小麥物候信息，根據影像質量較好且影像時間間隔盡量一致的原則，本研究選取覆蓋冬小麥整個生長期（2017年10月中旬至2018年6月中旬）的18景10 m空間分辨率的Sentinel-2高分辨率影像，該影像數據主要從美國地質調查局（https://earthexplorer.usgs.gov/）獲取，如表1所示。

表1 Sentinel-2影像列表 Table 1 List of Sentinel-2 images

由于下載的Sentinel-2遙感影像是L1C級，因此需對原始影像進行輻射定標、大氣校正以獲得地表真實反射率數據。在此基礎上，通過式（1）計算得到NDVI數據。

式中NIR為近紅外波段的反射率，R為紅光波段的反射率，NDVI值域范圍為[-1，1]。對計算得到的NDVI遙感數據按照時間順序進行波段合成得到NDVI時序數據，由于受云、氣溶膠等大氣影響會使NDVI時序數據出現(xiàn)噪聲，從而降低數據自身質量和作物識別精度[24-25]。因此，為提高遙感數據質量，本研究利用Savitzky-Golay濾波方法對NDVI時間序列進行平滑處理，最終獲取較高質量的NDVI時序數據。

1.2.2 樣點數據的選取

在全部樣點中隨機選取185個冬小麥樣點和130個非冬小麥樣點作為訓練樣本建立NDVI時間序列曲線，剩余650個冬小麥樣點和551個非冬小麥樣點作為驗證樣點對最終冬小麥空間分布提取結果進行精度驗證。

1.2.3 其他輔助數據

本研究輔助數據主要包括武邑縣縣級行政區(qū)劃矢量數據、2018年武邑縣冬小麥種植面積目視解譯數據以及冬小麥物候信息等。其中，冬小麥種植面積目視解譯結果主要通過對研究區(qū)內2018年4月20日5 m空間分辨率RapidEye衛(wèi)星遙感影像進行目視解譯獲得。通過地面樣點驗證可知，該冬小麥目視解譯空間分布結果的總體精度為99.07%，Kappa系數為0.98。通過對該高精度目視解譯結果進行統(tǒng)計，武邑縣2018年冬小麥種植面積總量數據為27 578.776 7 hm2。為降低作物面積統(tǒng)計數據誤差對本研究結果精度帶來的不確定性影響，增加研究的可操作性，本研究將武邑縣目視解譯冬小麥面積結果作為冬小麥種植面積統(tǒng)計數據的替代數據，并作為區(qū)域冬小麥種植面積總量控制參考。另外，目視解譯冬小麥面積結果也將作為冬小麥面積遙感提取總量精度驗證數據，從而消除統(tǒng)計數據可能存在的誤差對本研究方法驗證結果產生不確定性影響。

1.3 研究方法

1.3.1 技術路線

本研究以Sentinel-2 NDVI為研究數據，利用交叉光譜匹配算法和全局優(yōu)化算法，結合區(qū)域冬小麥種植面積解譯數據，提出區(qū)域作物種植面積總量控制下的NDVI時序相似性閾值優(yōu)化冬小麥分布提取和制圖方法，并開展不同生育階段NDVI時序相似性及其相似性組合對冬小麥分布提取精度對比分析研究，以期為完備及不完備遙感信息支持下區(qū)域作物種植面積總量控制的冬小麥分布提取和制圖方法方案優(yōu)化提供依據。

本研究的技術路線如圖2所示，具體研究步驟如下：首先，根據冬小麥生長發(fā)育過程中NDVI的變化情況，對冬小麥全生育期內的NDVI1-18時序（W）進行劃分，共劃分為9種不同生育階段NDVI時序（S1、S2、F1、F2、F3、V1、V2、V3、V4）。其次，利用交叉光譜匹配（Cross Correlogram Spectral Matching, CCSM）算法獲得冬小麥全生育期和不同生育階段的NDVI時序相似性指標均方根誤差（RMSEW、R MSES1、R MSES2、R MSEF1、R MSEF2、RMSEF3、 RMSEV1、 RMSEV2、 RMSEV3、 RMSEV4），在此基礎上，對冬小麥不同生育階段NDVI時序相似性進行組合，共得到16種相似性組合結果（RMS ES1S2、RMSEF1F2、……、 RMSEV1V2V3V4）。然后，根據不同生育階段NDVI時序相似性及其相似性組合構建冬小麥空間分布提取模型。在武邑縣冬小麥種植面積總量數據控制下，通過引入復合型混合演化算法（Shuffled Complex Evolution-University of Arizona, SCE-UA）進行冬小麥提取模型閾值優(yōu)選，當利用遙感提取的武邑縣冬小麥種植面積與冬小麥種植面積總量控制數據接近時，確定冬小麥提取模型的最優(yōu)閾值。在此冬小麥提取模型最優(yōu)閾值驅動下，輸出武邑縣冬小麥空間分布提取和制圖結果。最后，利用驗證樣點數據對提取結果進行精度驗證和比較。

1.3.2 NDVI時序相似性

本研究基于NDVI時序曲線相似性進行武邑縣冬小麥空間分布提取，所用到的相似性度量方法是由van der 等[26]提出的交叉相關光譜匹配（Cross Correlogram Spectral Matching, CCSM）算法。該方法引入了光譜相對滑動的概念，通過不斷計算2個光譜在波段重疊范圍內的交叉相關系數來繪制交叉相關曲線，用實際交叉相關曲線與參考交叉相關曲線的匹配度來刻畫光譜曲線的相似性。CCSM算法具有良好的抗噪聲性能，并且對光譜幅值的變異不敏感，是一種較好的相似性度量方法[27-28]。

本研究首先利用冬小麥訓練數據樣點，在時序遙感影像中得到冬小麥NDVI時間序列數據集，通過對冬小麥NDVI時間序列數據集中各時相的NDVI值進行平均計算，并繪制時間序列曲線，最終得到冬小麥NDVI時序標準曲線。在此基礎上，根據交叉相關光譜匹配原理，計算冬小麥NDVI時序標準曲線和目標像元NDVI時序曲線在不同匹配位置上的交叉相關系數，通過交叉相關系數來構建交叉相關曲線（圖3）。其中，交叉相關系數（Rm）定義如式（2）所示：

式中m為目標像元NDVI時序曲線的移動位置，m=0表示不移動，m=-1表示目標像元NDVI時序曲線相對于NDVI時序標準曲線向左移動一個位置，m=1表示目標像元NDVI時序曲線相對于參考曲線向右移動一個位置；n為移動后2條曲線的重疊波段數；NDVIr表示冬小麥NDVI時序標準曲線r中各NDVI值；NDVIt表示目標像元NDVI時序曲線t中NDVI值。

不同m處的交叉相關系數Rm可以點繪成交叉相關曲線，即實際交叉相關曲線。參考交叉相關曲線的獲取則是通過將冬小麥NDVI時序標準曲線與其自身進行交叉相關計算，并將結果繪成交叉相關曲線，即得到參考交叉相關曲線。利用冬小麥全生育期NDVI時序計算得到的參考交叉相關曲線與影像中某像元實際交叉相關曲線的對比如圖3所示，目標像元NDVI時序曲線移動位置m的取值范圍為[-16，16]，交叉相關系數Rm的取值范圍為[-1，1]。根據所得到的冬小麥參考交叉相關曲線與目標像元實際交叉相關曲線，本研究利用相似性指標均方根誤差（Root Mean Square Error, RMSE）來描述2條曲線之間的差異[29-30]，RMSE的值越小，表示2條曲線越相似。因此，當RMSE在一定的范圍內時，目標像元所代表的地物類型可判別為冬小麥。

1.3.3 冬小麥空間分布提取模型建立

本研究利用相似性指標均方根誤差分別計算得到冬小麥全生育期W時序的相似性（RMSEW）和不同生育階段S1、S2、F1、F2、F3、V1、V2、V3、V4時序的9種相似性（RMSES1、RMSES2、RMSEF1、RMSEF2、RMSEF3、RMSEV1、RMSEV2、RMSEV3、RMSEV4）。根據RMSEW和RMSES1、RMSES2、…、RMSEV4構建基于NDVI時序曲線相似性的冬小麥空間分布提取模型如式（3）所示：

式中P(i,j)表示影像中第i行、第j列的值，其中1表示冬小麥，0表示非冬小麥；C表示NDVI時序W、S1、S2、…、V4， RMSEC(i,j)表示時序W、S1、S2、…、V4第i行、第j列的相似性RMSEW、RMSES1、RMSES2、…、RMSEV4；T為時序相似性冬小麥空間分布提取模型中的閾值，當任意像元的相似性小于等于該閾值時，即可判斷為冬小麥像元，否則判斷為非冬小麥。

對相同NDVI時序劃分次數下的不同生育階段NDVI時序相似性進行組合，共得到16種相似性組合結果。對于不同生育階段NDVI時序相似性組合RMSEQd…QuQk，需要滿足每個NDVI時序相似性RMSEdQ、…、RMSEuQ、RMSEkQ均分別小于等于閾值Ti（i=1，2，…，n），因此，基于不同生育階段NDVI時序相似性組合的冬小麥空間分布提取模型如式（4）所示：

式中RMSEQd(i,j)、…、RMSEQu(i,j)、RMSEQk(i,j)分別表示時序相似性組合RMSEQd…QuQk中每個不同NDVI時序Qd、…、Qu、Qk第i行、第j列的相似性RMSEQd、…、RMSEQu、RMSEQk；Ti（i=1，2，…，n）為時序相似性組合冬小麥空間分布提取模型中的閾值。本研究中，冬小麥不同生育階段 NDVI時序相似性組合RMSEQd…QuQk包 括 RMSES1S2、RMSEF1F2、…、RMSEV1V2V3V4等16種。

1.3.4 冬小麥空間分布提取模型閾值優(yōu)化

復合型混合演化算法（Shuffled Complex Evolution-University of Arizona, SCE-UA）是由Duan等[31-32]提出的一種有效解決非線性約束問題的全局優(yōu)化算法，該算法綜合了多種算法的優(yōu)點，且具有較高的收斂速度和處理效率，能夠有效的找到全局最優(yōu)解。為了實現(xiàn)區(qū)域作物種植面積總量控制下基于NDVI時序相似性閾值優(yōu)化的高精度冬小麥空間分布提取與制圖，本研究利用SCE-UA算法，以區(qū)域冬小麥種植面積總量數據作為外部優(yōu)化數據參考對象，當提取的區(qū)域冬小麥遙感種植面積與區(qū)域冬小麥種植面積總量數據間差異最小時，便得到冬小麥提取模型的最優(yōu)閾值。主要優(yōu)化過程如下：

1）確定尋優(yōu)空間，即確定閾值的上下界。本研究將冬小麥訓練樣點像元均方根誤差的最大值作為上界，0作為下界，以此來確定尋優(yōu)空間。

2）確定SCE-UA算法中的主要參數。SCE-UA算法中的參數較多，絕大多數的值均采用已有研究成果的默認值[33-34]，如a=2b+1、q=b+1、α=1、β=（2b+1），其中a為每個復合型的頂點數，b為待優(yōu)化參數個數，q為子復合型的頂點數，α為每個子復合型進化后產生的連續(xù)后代的個數，β為每個復合型的進化次數。復合型的個數p是唯一需要確定的參數，p值越大，越適宜于高階非線性問題，本研究設置p=2。

3）建立目標函數。為達到閾值優(yōu)化的目的，本研究利用遙感提取的區(qū)域冬小麥面積與區(qū)域冬小麥總量數據間差值構建目標函數，如式（5）所示：

式中y為遙感提取的區(qū)域冬小麥種植面積與區(qū)域冬小麥種植面積總量控制數據之間的差值，hm2；E為基于像元統(tǒng)計獲得的冬小麥遙感提取的種植面積總量，hm2；S為冬小麥種植面積總量控制數據，hm2，即目視解譯獲得的冬小麥種植面積；k為研究區(qū)域個數（本研究設置k=1）。

4）確定迭代停止規(guī)則。當滿足以下3個條件之一時，認為目標函數y達到最優(yōu)，停止優(yōu)化，輸出作物提取模型最優(yōu)閾值下冬小麥分布遙感結果。該3個條件包括：①閾值連續(xù)迭代5次后無顯著改變；②目標函數值已無法顯著改善；③循環(huán)次數達10 000次。

1.3.5 冬小麥空間分布提取與制圖精度評價

本研究對區(qū)域作物種植面積總量控制下基于NDVI時序相似性閾值優(yōu)化的冬小麥空間分布提取與制圖結果進行精度評價，主要從作物遙感識別精度和作物面積遙感估算精度兩個方面進行驗證。其中，作物遙感識別精度主要是基于驗證樣點數據對作物空間分布提取結果進行精度評價，采用的指標包括總體精度（%）、Kappa系數、生產者精度（%）、用戶精度（%）等4項指標[35]；作物面積遙感估算精度評價，則選用總量精度作為指標進行評價，該作物面積遙感估算總量精度（TA，%）的計算如式（6）所示：

2 結果與分析

2.1 全生育期NDVI時序相似性冬小麥提取結果

本研究利用冬小麥全生育期10 m空間分辨率Sentinel-2 NDVI時序數據和冬小麥訓練樣點數據，結合交叉光譜匹配算法，對冬小麥參考交叉相關曲線與影像中各像元實際交叉相關曲線進行全生育期相似性指標RMSEW計算，其結果如圖4所示。由圖4可知，相似性指標均方根誤差越小像元隸屬于冬小麥的程度越大。在此基礎上，本研究以武邑縣冬小麥種植面積總量數據作為外部優(yōu)化數據參考對象，以冬小麥訓練樣點的平均相似性為初始閾值，利用SCE-UA算法，得到冬小麥提取模型的最優(yōu)閾值為0.227 7。根據最優(yōu)閾值對2018年武邑縣冬小麥空間分布進行提取（圖5），由圖5可知，2018年武邑縣整個縣域內冬小麥分布總體較為均勻，東部和南部較為集中，西北部冬小麥空間分布較為破碎。

通過統(tǒng)計，本研究遙感提取武邑縣冬小麥種植面積為27 578.780 0 hm2，縣域內冬小麥目視解譯種植面積為27 578.776 7 hm2，兩者相差僅為0.003 3 hm2，冬小麥空間分布遙感結果總量精度達99.99%。根據驗證樣點數據構建混淆矩陣，得到全生育期NDVI時序相似性冬小麥提取結果的總體精度為98.08%，Kappa系數為0.96，冬小麥的生產者精度為96.92%，用戶精度為99.53%，漏分誤差為3.08%，錯分誤差為0.47%。這說明在冬小麥全生育期完整NDVI時序數據支持下，本研究方法具有一定的有效性和可行性，在保證高水平總量精度外，還能獲得較高水平的冬小麥識別精度，可以實現(xiàn)完備NDVI時序數據支持下本研究方法的目標。

2.2 不同生育階段NDVI時序相似性及其相似性組合的冬小麥提取結果

2.2.1 冬小麥不同生育階段NDVI時序相似性計算結果

對9種冬小麥不同生育階段NDVI時序相似性指標均方根誤差進行計算，結果如圖6所示。其中，根據NDVI時序V2計算出來的相似性指標均方根誤差RMSEV2整體偏小，像元之間均方根誤差的值相差不大，這在一定程度上對冬小麥識別較為不利，影響冬小麥遙感提取精度的提高。其他8個不同生育階段時序相似性均能在一定程度上體現(xiàn)冬小麥與其他地物之間相似性的差異，可以較好地區(qū)分冬小麥與其他地物，從而實現(xiàn)冬小麥種植面積的高精度遙感提取。

2.2.2 冬小麥空間分布提取模型閾值優(yōu)化結果

本研究利用SCE-UA全局優(yōu)化算法對不同生育階段NDVI時序相似性及其相似性組合冬小麥空間分布提取模型中的閾值進行優(yōu)化，最終得到25種不同冬小麥空間分布提取模型最優(yōu)閾值，結果如表2和表3所示。對冬小麥不同生育階段NDVI時序相似性來說，如NDVI時序相似性RMSES1，若影像某一像元的RMSES1≤0.216時，則將該像元劃分為冬小麥；對于冬小麥不同生育階段NDVI時序相似性組合來說，如NDVI時序相似性組合RMSES1S2，當影像中某一像元的NDVI時序相似性RMSES1S2和RMSES2分別小于等于0.363和0.494的條件同時成立時，將該像元劃分為冬小麥，否則為非冬小麥；NDVI時序相似性組合RMSEF1F2F3，當影像中某一像元的NDVI時序相似性RMSEF1、RMSEF2和RMSEF3分別小于等于0.308、0.424和0.430的條件同時成立時，將該像元劃分為冬小麥，否則為非冬小麥；NDVI時序相似性組合RMSEV1V2V3V4，當影像中某一像元的NDVI時序相似性RMSEV1、RMSEV2、RMSEV3和RMSEV4分別小于等于0.656、0.554、0.348和0.450的條件同時成立時，將該像元劃分為冬小麥，否則為非冬小麥。

表2 冬小麥不同生育階段NDVI時序相似性提取模型最優(yōu)閾值 Table 2 Optimal threshold values of extraction model based on similarity of NDVI time series at different growth stages of winter wheat

表3 冬小麥不同生育階段NDVI時序相似性組合提取模型最優(yōu)閾值 Table 3 Optimal threshold values of extraction model based on similarity combinations of NDVI time series at different growth stages of winter wheat

2.2.3 冬小麥空間分布提取結果精度驗證

本研究利用9種不同生育階段NDVI時序相似性和16種不同生育階段NDVI時序相似性組合的冬小麥空間分布提取模型最優(yōu)閾值完成研究區(qū)內冬小麥空間分布提取，結果如圖7和圖8所示。

通過與冬小麥種植面積總量控制數據進行比較可知，25種冬小麥空間分布提取結果總量精度均達99.99%以上。在此基礎上，本研究利用驗證樣點數據對提取結果進行精度驗證，如表4所示。

表4 不同生育階段NDVI時序相似性及其相似性組合的冬小麥提取結果精度 Table 4 Accuracy of winter wheat extraction results based on similarity and similarity combinations of NDVI time series at different growth stages

13種NDVI時序相似性及其相似性組合（如RMSES1、RMSES1S2、RMSEF1F2、RMSEF1F3、RMSEF1F2F3、RMSEV1V3、RMSEV1V4、RMSEV2V3、RMSEV1V2V3、RMSEV1V2V4、RMSEV1V3V4、RMSEV2V3V4和RMSEV1V2V3V4）的冬小麥空間分布提取結果總體精度和Kappa系數分別在90%以上和0.80以上；10種NDVI時序相似性及其相似性組合（RMSES2、RMSEF1、RMSEF2、RMSEV1、RMSEV2、RMSEV3、RMSEF1F3、RMSEV1V2、RMSEV2V4、RMSEV3V4）的冬小麥空間分布提取結果總體精度在80%～90%之間，Kappa系數在0.60～0.80范圍內；2種NDVI時序相似性（RMSEF3和RMSEV4）的冬小麥空間分布提取結果總體精度在75%～80%之間，Kappa系數在0.55～0.60范圍內。

以上結果可知，本研究方法在全生育期完備NDVI時序數據支持下能夠獲得高精度冬小麥分布提取結果外，除拔節(jié)期-成熟期NDVI時序（F3）和抽穗期-成熟期NDVI時序（V4），其余不同生育階段NDVI時序相似性及其相似性組合的冬小麥分布提取結果也能使得總量精度和識別精度均達到較高水平，進一步證明了在不完備時序遙感數據支持下，本研究方法也具有一定的有效性和可行性，能夠滿足區(qū)域作物種植面積總量控制下的冬小麥分布提取與制圖方法精度要求。

通過比較，全生育NDVI時序相似性冬小麥空間分布提取結果精度最高，不同生育階段NDVI時序進行相似性冬小麥空間分布提取時，冬小麥提取結果的總體精度降低了7%～20%，Kappa系數降低了0.14～0.40。

此外，當全生育期NDVI時序被分為多個不同生育階段NDVI時序時，利用冬小麥返青前（出苗期-越冬期）的NDVI時序（S1）、越冬前期之前（出苗期-越冬期）的NDVI時序（F1）、越冬前（出苗期-越冬期）NDVI時序（V1）、越冬前期至抽穗前（越冬期-拔節(jié)期）的NDVI時序（F2）、越冬之后（越冬期-成熟期）的NDVI時序（S2）、越冬期-抽穗期的NDVI時序（V3）、越冬期的NDVI時序（V2）、抽穗期-成熟期的NDVI時序（V4）和拔節(jié)期至成熟期的NDVI時序（F3）分別進行冬小麥空間分布提取與制圖，其冬小麥遙感識別精度依次呈現(xiàn)下降趨勢。可見依靠冬小麥出苗期-分蘗期的NDVI時序和返青期-拔節(jié)期的NDVI時序數據，可以分別獲得高精度的冬小麥分布提取和制圖結果；利用抽穗期-成熟期的NDVI時序數據進行冬小麥空間分布提取其結果精度相對較低。這為基于不同生育階段NDVI時序相似性及其相似性組合的冬小麥空間分布提取和制圖技術研究中關鍵生育階段的數據篩選提供了一定理論依據。另外，當進行相同劃分次數下不同生育階段NDVI時序相似性冬小麥提取結果與相似性組合冬小麥提取結果比較時可知，在時序相似性組合的情況下，綜合利用不同生育階段NDVI時序相似性可以在一定程度上提高冬小麥提取和制圖結果的精度。例如組合時序相似性RMSES1S2的提取結果精度均高于時序相似性RMSES1和RMSES2的提取結果精度。以上研究結果可為不完備NDVI時序支持下區(qū)域作物種植面積總量控制的高精度冬小麥分布提取和制圖以及技術方案優(yōu)化提供一定依據。

3 討 論

由于高空間分辨率遙感影像（如Sentinel-2、GF-1）能夠提供更加豐富和具體的地物結構、紋理等信息，國內外學者[36-38]對高空間分辨率遙感影像的農作物空間分布提取與制圖進行了大量研究，但已有研究未利用農作物種植面積總量數據作為控制進行農作物空間分布提取模型閾值優(yōu)化。如劉學剛等[36]以16 m的GF-1遙感影像作為主要數據，利用決策樹分類法提取了青島市2017年冬小麥空間分布和種植面積，經驗證，冬小麥提取結果總體精度為94.30%，Kappa系數為0.86，總量精度為93.60%。孫姝娟等[39]以GF-1遙感影像作為主要數據，根據水稻與其他植被和非植被的EVI曲線特征差異構建水稻種植面積提取決策樹模型，對四川省樂至縣的水稻種植面積進行了提取，通過驗證，樂至縣水稻提取結果的總體精度為96.52%，Kappa系數為0.93，總量精度為97.81%。上述研究僅將農作物種植面積統(tǒng)計數據作為輔助信息進行農作物空間分布提取結果的驗證與精度評價，作物面積總量統(tǒng)計數據并未參與作物分布提取與制圖過程的關鍵環(huán)節(jié)。與上述研究不同的是，本研究將武邑縣目視解譯冬小麥面積結果（冬小麥種植面積總量真值）作為冬小麥種植面積統(tǒng)計數據的替代數據，并將冬小麥種植面積目視解譯數據作為總量控制參考，當利用遙感提取的武邑縣冬小麥種植面積與冬小麥種植面積總量控制數據間差異達到最小化時，得到冬小麥提取模型的最優(yōu)閾值，并利用該最優(yōu)閾值獲取武邑縣冬小麥空間分布提取和制圖結果。通過驗證，本研究冬小麥空間分布提取結果總體精度為98.08%，Kappa系數為0.96，總量精度達99.99%。與上述研究相比本研究結果總體精度提高了1.56%～3.78%，Kappa系數提高了0.03～0.10，總量精度提高了2.18%～6.39%。以上結果說明本研究方法在冬小麥種植面積總量控制下進行冬小麥空間分布提取與制圖時，不僅作物面積總量精度達到較高水平，保證了遙感提取的作物面積與總量控制數據間的統(tǒng)一，而且作物遙感識別精度也得到一定幅度的提高。總體看，該研究可為高精度冬小麥分布提取和制圖技術提供一定參考依據，也可為獲取與統(tǒng)計數據高度吻合的大范圍、長時間和高精度的區(qū)域農作物分布遙感制圖信息及統(tǒng)計數據空間化提供一定技術方法參考和思路借鑒。

此外，在大多數基于閾值模型進行農作物提取的同類研究中[40-41]，通常需要根據已有的先驗知識或簡單的光譜統(tǒng)計分析，不斷的設置和調整農作物關鍵物候期的閾值，從而獲得較高的識別和提取精度。如張佳華等[40]根據冬小麥生育期內EVI時序曲線變化特征，建立了冬小麥空間分布提取閾值模型，并對模型中的閾值進行了賦值，提取了華北平原典型地區(qū)冬小麥種植空間分布。盡管近年來一些學者[12,42]對合理設置閾值也進行了一系列研究，但閾值設置的自動化程度仍有待進一步提高。如張健康等[12]利用TM/ETM+遙感影像和MODIS EVI遙感影像，采取基于生態(tài)分類法的監(jiān)督分類與決策樹分類相結合的方法，建立決策樹模型，對黑龍港地區(qū)的主要農作物進行遙感提取。其中，決策樹模型中各分支約束條件的閾值通常以某一類別的EVI最小值為閾值，然后再輔以其他約束條件進行篩選。本研究利用SCE-UA全局優(yōu)化算法實現(xiàn)冬小麥空間分布提取模型閾值自動優(yōu)選，這一應用顯著提高了閾值設置的準確性和自動化程度，減少了以往研究人員進行作物識別時不斷設置和調整閾值所花費的時間，并且在一定程度上能夠提高作物面積空間分布提取與制圖的效率和精度。本研究利用不同生育階段NDVI時序數據相似性進行冬小麥空間分布提取和精度對比，對不完備時序遙感信息下高精度作物空間分布提取中遙感數據的有效應用具有重要指導意義，可為高精度冬小麥分布提取和制圖技術及其方案優(yōu)化提供一定參考依據。

本研究利用全生育期完整NDVI時序相似性和不同生育階段NDVI時序相似性及其相似性組合的冬小麥空間分布提取和制圖研究取得了一定進展，今后可以在以下幾個方面開展進一步深入研究。1）多種特征參數結合的農作物遙感提取是目前常用的一種方法，今后可引入其他遙感特征參量和輔助信息（如光譜特征、紋理特征、植被指數和高程等），充分利用每個特征參量所表達的信息，從而進一步提高作物空間分布制圖和面積提取精度；2）為了實現(xiàn)本研究方法的大范圍應用，在后續(xù)研究中可以在更大范圍尺度（如市級、省級）和更復雜種植結構區(qū)域開展基于其他相似性指標（如曼哈頓距離、歐式距離、光譜角匹配等）的農作物空間分布提取和制圖精度比較研究；3）后續(xù)研究可以進一步開展不同誤差梯度模擬總量控制數據對本研究方法的精度影響評價，從而實現(xiàn)農作物種植面積統(tǒng)計數據控制下的作物空間分布提取和制圖。

4 結 論

本研究以中國重要糧食生產基地黃淮海平原內河北省衡水市武邑縣為典型研究區(qū)，以冬小麥為研究對象，利用Sentinel-2 NDVI時間序列數據，以區(qū)域冬小麥種植面積目視解譯數據作為總量控制數據，結合交叉光譜匹配算法和SCE-UA全局優(yōu)化算法開展基于NDVI時序相似性及其相似性組合對區(qū)域作物種植面積總量控制的冬小麥制圖精度影響和比較研究，主要得到以下結論：

1）通過利用冬小麥全生育期NDVI時序相似性對本研究方法進行驗證可知，本研究方法獲得的區(qū)域冬小麥空間分布制圖結果總量精度達99.99%以上，總體精度達98.08%，Kappa系數為0.96，證明本研究方法不僅可以保證遙感獲取的區(qū)域冬小麥面積總量與冬小麥面積總量控制數據間的高度一致性，而且還能夠獲得較高的冬小麥遙感識別精度。可見本研究方法具有一定有效性和可行性，可為完備遙感信息支持下區(qū)域作物種植面積總量控制的冬小麥空間分布提取和制圖技術提供一定借鑒。

2）根據冬小麥不同生育階段NDVI時序相似性及其相似性組合的冬小麥空間分布提取結果與精度驗證可知，除了抽穗期-成熟期生育階段的NDVI時序相似性冬小麥空間分布提取結果作物識別精度相對較低外，其余不同生育階段（如出苗期-越冬期、返青期-拔節(jié)期）NDVI時序相似性及其相似性組合的冬小麥空間分布提取結果也能使得總量精度和識別精度均達到較高水平。其中，出苗期-分蘗期NDVI時序（V1）和返青期-拔節(jié)期的NDVI時序（V3）數據，可獲得高精度的冬小麥空間分布提取和制圖結果；在時序相似性組合的情況下，綜合利用不同生育階段NDVI時序相似性可以在一定程度上提高冬小麥空間分布提取和制圖結果的精度。以上研究這可為不完備NDVI時序支持下區(qū)域作物種植面積總量控制的冬小麥空間分布提取和制圖技術方案優(yōu)化中關鍵生育階段數據的篩選和高精度作物分布提取和制圖提供一定理論依據。