基于时序NDVI的关中地区冬小麦种植信息遥感提取

申 健 常庆瑞 李粉玲 王 力

(西北农林科技大学资源环境学院， 陕西杨凌 712100)

基于时序NDVI的关中地区冬小麦种植信息遥感提取

申 健 常庆瑞 李粉玲 王 力

(西北农林科技大学资源环境学院， 陕西杨凌 712100)

快速而准确地获取和掌握冬小麦在我国西北干旱半干旱地区的种植信息对该区域粮食生产安全及其可持续发展具有重要意义。以陕西省关中地区为研究区域，采用迭代滤波技术重建MODIS NDVI时序序列，结合当地典型地物的NDVI曲线特征和二次差分技术，建立冬小麦像元的识别规则，提取了该地区2014年冬小麦种植信息。结果显示2014年关中地区冬小麦集中分布于渭河两岸的河谷地区以及泾河以东的渭北平原，北部黄土台塬则呈星状散布。总体种植面积8.882×105hm2，与统计资料相比，各地市遥感提取结果的相对误差绝对值在1.08%～9.02%之间，总体误差为3.70%。抽样验证结果显示分类精度为90.28%。该研究为关中地区制订种植计划和相关政策等提供了客观的数据参考，同时也为西北地区的农作物种植监测提供了技术支持。

冬小麦； 种植信息； 遥感提取； 二次差分法； MODIS NDVI影像； 滤波

引言

作物种植信息直接关系到作物产量预测和粮食生产安全，因此快速、准确地获取作物种植信息是政府管理部门和相关机构评估粮食生产储备状况、宏观调控市场经济政策的重要依据，对保障粮食安全和经济稳定有重要意义[1-2]。目前，我国已经建成的农情速报系统[3]主要采用抽样技术估算农作物总种植成数和不同农作物的分类成数，再根据现有耕地数据计算得到各作物种植面积[4]。农情速报系统在我国农情调查方面发挥了重大作用，但是该系统较为依赖调查数据，客观性的遥感数据参与度低，并且在用于几万至几十万平方公里的中小尺度区域时误差较大。对于中小尺度区域而言，用遥感影像全覆盖方式监测作物更加客观和精确，国外的Landsat TM[5]、QuickBird[6]数据以及我国的GF-1[7]、HJ星[8]数据在作物监测方面都得到广泛应用，但这些数据获取间隔长，单幅影像容易受气溶胶的影响导致质量下降，很难用于长期监测。由于农作物的生长有着明显而特别的季节性特征，随着天基遥感数据的持续获取，使用时间序列的遥感影像进行农作物种植信息识别逐渐成为热点[9-12]，一些学者使用NOAA/AVHRR[13-14]数据对大范围作物动态监测进行研究，但其较低的空间分辨率对监测范围和精度影响较大。2000年后，MODIS(Moderate-resolution imaging spectroradiometer)数据以中等分辨率和高重访周期的优势，在作物种植面积提取的研究中获得广泛关注[15-17]，张霞等[18]、张明伟等[19]、黄青等[20-21]、平跃鹏等[22]分别在华北和东北地区，应用MODIS数据识别主要作物，提取作物的分布信息。这些研究在我国东部平原的粮食主产区获得了良好的效果，但在西北粮食产区，此类研究甚少。本文以MODIS NDVI时间序列影像为数据源，提取2014年关中地区冬小麦种植信息，探讨中分辨率遥感数据在西北地区进行作物种植信息提取的可行性。

1 材料与方法

1.1 研究区概况

关中地区是我国西北地区最重要的人口聚集区和粮食主产区，地貌、气候、土壤和基础设施等控制作物生长的因素差异大，具有一定的典型性和代表性，因此本文以关中地区为例提取其2014年主要粮食作物冬小麦种植信息。关中地区位于陕西省中部，地理位置在106°18′～110°38′E、33°35′～35°52′N之间，区域总面积55 833.9 km2。北部为黄土高原，以高原丘陵沟壑区为主，中部为渭河冲积平原，分布着三级渭河阶地及河漫滩，南为秦岭山地，形成南北高、中间低的地势，海拔高度319～3 767.2 m。区域气候属暖温带大陆性季风气候，四季分明，年均气温7.8～13.5℃，年降水量500～800 mm，冬春降水较少，春旱、伏旱频繁。种植作物包括小麦、玉米、油菜、棉花、大豆等，夏收作物主要为冬小麦，伴有少量油菜。据统计资料，2014年研究区冬小麦播种面积9.22×105hm2，占当年农作物总播种面积和粮食作物播种面积的42.6%和55.3%，在该地区粮食生产中占有重要地位。

1.2 数据来源及处理

为完整覆盖冬小麦生育期及避免进一步滤波处理的边缘效应，选取了2013年9月至2014年12月的MOD13Q1植被数据产品，空间分辨率为250 m，时间间隔为16 d，共30期(下载自：https:∥lpdaac.usgs.gov/dataset_discovery/modis/modis_products_table/mod13q1)。首先对收集到的数据集进行镶嵌、投影转换和裁剪，获得研究区范围30期NDVI影像，每个像元位置对应一条包含30个像元的NDVI曲线；然后利用MOD13Q1数据集的云标记，对曲线做线性内插去除云噪声；最后采用多次迭代的Savitzky-Golay方法[23]，以[3,2]为参数进行滤波重构，重构后的NDVI曲线更加平滑并接近上包络线，能更好地反映地物的NDVI变化特征。以上处理在ENVI 4.8+IDL环境下实现。

1.3 时序NDVI曲线峰谷提取

从重构的NDVI序列影像中选取2013年11月初到2014年7月上旬共17个时相数据，使用二次差分法[24-25]提取NDVI曲线波峰，进一步区分冬小麦和其他作物，特别是夏收作物油菜。具体方法是：

对于n个时序NDVI影像，每个像元位置构成一个长度为n的NDVI序列S，S中后一个元素减去前一个元素，得到差值序列

S1=diff(S)

(1)

diff为计算前后元素差值的函数。此时S1含有n-1个元素。S1中元素大于等于0，则赋值为1，小于0，则赋值为-1，得到由1和-1组成的序列S2

S2=sign(S1)

(2)

sign为符号函数。对S2再次应用式(1)，计算其前后差值，得到由-2、0和2组成的序列S3。此时S3有n-2个元素。然后对S3首尾用0补齐，保持与原序列S一一对应，这时S3中元素等于-2的位置对应时相为波峰，等于2的位置为波谷(图1)。

统计S3中-2的个数，即波峰频数。通过波峰频数和位置的判断可以快速提取冬小麦像元。

图1 二次差分法示意图Fig.1 Diagram of twi-difference algorithm

2 结果与分析

2.1 不同地物时序NDVI特征

对研究区范围内的包括林地、建筑用地、水体、草地等非农作物覆被地类和冬小麦、玉米等作物覆被地类各选取10个像元，提取每个像元位置平滑后的NDVI曲线并按地物类型分别取平均值，绘制得到主要地物的NDVI曲线变化图(图2)。从图中可以看出，建筑物与水体NDVI整体水平很低且变化平缓，没有明显的波峰出现，这是由于这些地物吸收了绝大多数近红外波段的能量，特别是清澈而深的水体，其NDVI甚至会出现负值。林地在春夏及秋冬交替时变化剧烈，由于其生长季长且盖度大，NDVI曲线在5月中旬到9月中下旬之间出现明显的峰台，这期间NDVI水平很高，并且变化非常平缓。果园由于果树种植间距大，通常没有林下植被或者较为稀疏，因此整体NDVI比林地低，但变化趋势和林地基本一致。草地的NDVI曲线变化趋势与林地和果园类似，其冬季NDVI水平低于林地，但普遍高于耕地甚至果园，到夏季时NDVI增长幅度又相对较小。关中地区草地多位于黄土沟壑区，以蒿、针茅、白羊草等较为常见，叶片相对细小，覆盖度低且生物量较小，因此在生长盛期NDVI也仍然不高，而到冬季时枯枝干叶覆盖地面，使得年内变化相对林地和果园较小。这些地物特征可以用于区分农作物和其他地物。

图2 关中地区主要地物时序NDVI曲线Fig.2 NDVI time-series curves of main objects in Guanzhong area

农作物的NDVI曲线均表现出非常强烈的季节性特征，从播种到收获，其从“无”到“有”再到“无”的过程在NDVI曲线上体现为明显的“峰”、“谷”状特征。冬小麦NDVI曲线在生长季中出现明显的双峰，同时期除油菜具有1个生长峰外，其他作物如玉米、大豆等处于播种前和播种后的生长初期，NDVI从低处缓慢升高，不具有“峰”状特征。

关中地区种植制度主要为一年一熟和一年两熟[26]，其中夏粮作物以冬小麦为主，以及少量油菜。冬小麦一般10月上旬播种，此时耕地NDVI水平很低。10月中下旬开始出苗，到11月下旬分蘖期，NDVI会缓慢升高，随着气温逐渐降低，到12月上旬进入停止生长的阶段，越冬期如有降雪或降霜，NDVI则会下降形成低谷。因此在播种到霜期或初雪阶段，冬小麦NDVI会呈现一个小的峰值，即冬前峰，峰值位置为分蘖期。越冬期内NDVI表现平稳，直到次年2月底3月初，气温逐渐回升，冬小麦进入返青期，幼苗重新开始营养生长，NDVI快速上升，到4月底左右抽穗期时达到顶峰，之后随着冬小麦逐渐灌浆成熟，NDVI开始降低，并在6月初收获后迅速降至很低，形成波谷。

油菜播种时间与冬小麦相近，一般在9月下旬到10月上旬期间。出苗期比小麦略晚，在11月初左右，相比冬小麦，油菜幼苗植株较小，覆盖度低，NDVI增长不如冬小麦明显，因此一般不会形成明显的冬前峰。直到次年3月上中旬，油菜生长仍比较缓慢，植株个体高度增长快而盖度不足，NDVI水平仍然比较低，与同时期冬小麦差距较大。3月下旬进入花期后，油菜开始迅速生长，短时间内就可以覆盖全田，到5月中旬结荚期NDVI达到最高点，但受花色以及籽粒影响，油菜生长盛期NDVI始终低于同期冬小麦。之后随着6月初开始收获NDVI立即降低。

2.2 冬小麦种植信息提取

依据各类地物的时序NDVI特征，当像元全年NDVI时序序列有负值出现，或最大值不超过0.4时，判定其为水体、建筑用地或裸地；当像元5月下旬到9月中旬之间的NDVI变幅不超过最大值的20%时，判定其为林地、果园和草地。将这些地类的像元从区域影像中去除，得到农作物植被分布像元。

在农作物植被中，从2013年11月至2014年7月之间出现明显波峰的作物只有冬小麦和油菜。其中冬小麦有2个NDVI波峰，第1个为冬前峰，出现在前一年11月到12月底之间，第2个为生长峰，出现在4月初到5月初之间。根据二次差分法得到农作物植被的峰值频数图(图3)，其中频数为2的像元判定为冬小麦。由于暖冬的影响，有些冬小麦地块融雪较快，冬季NDVI下降不剧烈，不能产生明显的冬前峰，因此根据波峰位置及峰值大小对单峰曲线做进一步分类(图4)：小麦生长峰一般出现在4月初到5月之间，并且NDVI峰值大于0.65，不符合此条件的像元为油菜或其他地物。将单峰曲线的冬小麦像元和双峰曲线像元合并得到2014年关中地区冬小麦的空间分布信息(图5)。

图3 2013年11月至2014年7月NDVI曲线波峰频数Fig.3 NDVI peak frequency between Nov.2013 and Jul.2014

图4 2013年11月至2014年7月单峰NDVI曲线分类Fig.4 Classification of pixels with single peak during period of Nov.2013 and Jul.2014

图5 冬小麦种植空间分布Fig.5 Spatial distribution of winter wheat in Guanzhong area

2014年冬小麦种植面积为8.882×105hm2，西安、铜川、宝鸡、咸阳和渭南分别为1.958×105、2.296×105、1.704×105、2.222×105、2.769×105hm2，与统计资料的相对误差均小于10%(表1)。从空间分布上看(图5)，该地区冬小麦主要集中分布于中部的渭河平原，而在北部黄土高原上分布较为稀疏。以西安为界，形成两个冬小麦主要产区，其一为西起凤翔县，东至长安区，沿渭河两岸的狭长河谷阶地区；其二为泾河以东，大荔以西的渭北平原区。这两个区域有关中地区水热条件和土壤性质最好的平坦耕地，覆盖了如武功、兴平、临渭、蒲城等陕西省粮食生产基地县。东部合阳、大荔等地区虽然同为平原，但湿地和沙地较多，小麦适宜性较差，仅在大荔东南部有少量分布。

表1 统计资料与遥感提取结果对比Tab.1 Comparison of planting area between statistics and classification of remote sensing at city level of Guanzhong area

2.3 精度评价

在研究区范围内，选取了4个处于不同地貌类型、海拔以及土壤条件的地区，每个地区设置1个1 km×1 km的范围进行实地调查，结合高精度影像和手持GPS实地量算，获取了4个类型区的冬小麦种植面积。表2为实地量测验证面积与遥感提取面积对比结果，平原地区遥感提取精度高于耕地破碎化的高原沟壑区。位于黄土高原的长武和印台相对误差稍大，而处于渭河平原的扶风和杨凌的调查结果与遥感提取结果都较为接近，相对误差都在10%以下。另外，在研究区耕地范围以5 km为间距，随机布设了100个采样点，获取其NDVI时序曲线，通过参考专家知识，目视判读其是否为冬小麦像元，与遥感提取结果比较，总体精度为90.28%。

表2 实地验证与遥感提取结果对比Tab.2 Comparison of winter wheat planting area between field survey and remote sensing retrieval

3 讨论

冬小麦作为陕西关中地区主要的粮食作物，生长季与其他植被相同或近似，使用某一时相的遥感影像提取冬小麦种植区域，精度较低，而且所需参数多，方法复杂，特别是在调查特定年份种植信息时，影像质量容易受到天气、传感器故障等因素的影响，提取精度更低。而采用以时序NDVI曲线特征为分类识别依据的方法，对关中地区冬小麦的种植信息进行提取，精度能够明显提高。因为覆盖冬小麦生育期的多时相遥感数据序列完整地反映了冬小麦长势随时间的变化，结合当地作物物候历，能够有效的将其与其他地物区分开，识别出冬小麦种植地块像元。该方法从作物NDVI曲线的变化特征入手，所需参数较少，自动化程度高，并且基本不受因云污染造成的影像质量下降的影响，适用性更强，适宜向更大范围的冬小麦种植区域推广，有较高的实用价值。但是在黄土丘陵沟壑区，耕地破碎化程度较高，冬小麦识别提取精度相对较差，其原因一方面是由于遥感影像空间分辨率较粗，像元中耕地所占比例不是特别高，一般在70%以下；另一方面则是不同的地貌、气候条件导致作物的生长速度以及长势状态有一定的差异所致。高时频的MODIS数据能够较好地重建作物生长季NDVI曲线，反映其变化特征，但较低的空间分辨率制约了其在小地块耕地区域应用精度的提高。混合像元分解以及多分辨率数据融合[27-28]等方法被许多学者用于进一步提高分类精度和优化空间分布概率，这也是本研究下一步的研究方向。此外，在复杂地貌区域，应有针对性的将区域划分，使用面向对象的方式设置参数，来解决作物长势的区域化差异问题。

4 结论

(1)基于迭代Savtizky-Golay滤波重构的MODIS NDVI时序曲线，在NDVI时序特征分析中加入二次差分法，能够快速识别具有明显波峰的农作物像元，并区分该地区生长季状态较为接近的冬小麦和油菜。

(2)关中地区2014年冬小麦总种植面积为8.882×105hm2，主要集中分布于中部水热、土壤条件较好的渭河平原。受地形因素和混合像元影响，北部黄土台塬冬小麦空间分布较为稀疏。南部仅在秦岭北麓山前有少量分布。

(3)经过实地调查和随机抽样，遥感提取结果与实地调查量测结果总体相对误差低于10%，像元尺度上分类精度为90.28%，研究结果具有较高的精度和可靠性，能够为该地区农业规划决策提供依据，并为西北复杂地形地貌区域的农作物种植信息监测提供技术支持。

1 王立祥, 廖允成. 中国粮食问题:中国粮食生产能力提升及战略储备[M]. 宁夏: 阳光出版社, 2013.

2 史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J/OL]. 农业机械学报, 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 吴炳方. 中国农情遥感速报系统[J]. 遥感学报, 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 吴炳方, 李强子. 基于两个独立抽样框架的农作物种植面积遥感估算方法[J]. 遥感学报, 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 徐新刚, 李强子, 周万村, 等. 应用高分辨率遥感影像提取作物种植面积[J]. 遥感技术与应用, 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 汪月娇. 基于分层抽样的平湖市小麦种植面积遥感测算方法研究[J]. 中国农学通报, 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 熊勤学, 胡佩敏. 基于HJ卫星混合像元分解法的湖北省四湖地区夏收作物种植信息提取[J]. 长江流域资源与环境, 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 杨小唤, 张香平, 江东. 基于MODIS时序NDVI特征值提取多作物播种面积的方法[J]. 资源科学, 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 张霞, 焦全军, 张兵, 等. 利用MODIS_EVI图像时间序列提取作物种植模式初探[J]. 农业工程学报, 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 张明伟, 周清波, 陈仲新, 等. 基于MODIS时序数据分析的作物识别方法[J]. 中国农业资源与区划, 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 黄青, 唐华俊, 周清波, 等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报, 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 黄青, 李丹丹, 陈仲新, 等. 基于MODIS数据的冬小麦种植面积快速提取与长势监测[J/OL]. 农业机械学报, 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 平跃鹏, 臧淑英. 基于MODIS时间序列及物候特征的农作物分类[J]. 自然资源学报, 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, 黄敬峰, 金辉民. 基于MODIS-NDVI的浙江省耕地复种指数监测[J]. 中国农业科学, 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 许青云, 杨贵军, 龙慧灵, 等. 基于MODIS NDVI多年时序数据的农作物种植识别[J]. 农业工程学报, 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, 常庆瑞, 李粉玲, 等. 2000—2013年关中地区耕地复种指数遥感动态监测[J/OL]. 农业机械学报, 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 蔡学良, 崔远来. 基于异源多时相遥感数据提取灌区作物种植结构[J]. 农业工程学报, 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

国家高技术研究发展计划(863计划)项目(2013AA102401-2)

申健(1985—)，男，博士生，主要从事遥感与GIS应用研究, E-mail: jshen28@hotmail.com

常庆瑞(1959—)，男，教授，博士生导师，主要从事遥感与GIS应用研究, E-mail: changqr@nwsuaf.edu.cn

S512.1+1; TP79

A

1000-1298(2017)03-0215-06