1、Landsat 8 和 MODIS 融合构建高时空分辨率数据识别秋粮作物 谢登峰 张锦水 潘耀忠 孙佩军 袁周米琪 北京师范大学地表过程与资源生态国家重点实验室 北京师范大学资源学院 摘 要： 本文利用 Wu 等人提出的遥感数据时空融合方法 STDFA(Spatial Temporal Data Fusion Approach)以 Landsat 8 和 MODIS 为数据源构建高时间、空间分辨率的遥感影像数据。以此为基础,构建 15 种 30 m 分辨率分类数据集,然后利用支持向量机 SVM(Support Vector Machine)进行秋粮作物识别,验证不同维度分类数据集进行秋粮作物识
2、别的适用性。实验结果显示,不同分类数据集的秋粮作物分类结果均达到了较高的识别精度。综合各项精度指标分析,Red+Phenology 数据组合对秋粮识别效果最好,水稻识别的制图精度和用户精度分别达到 91.76%和82.49%,玉米识别的制图精度和用户精度分别达到 85.80%和 74.97%,水稻和玉米识别的总体精度达到 86.90%。关键词： 高时空分辨率; 时空数据融合; 分类数据集; 作物识别; 秋粮; 作者简介：谢登峰(1988),男,硕士研究生,研究方向为图像融合及信息提取。E-mail:作者简介：张锦水(1978),男,副教授,研究方向为资源与环境遥感。E-mail:收稿日期：20
3、14-08-27基金：国家自然科学基金(编号:41301444)Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distributionXIE Dengfeng ZHANG Jinshui PAN Yaozhong SUN Peijun YUAN Zhoumiqi Abstract： Mapping autumn crop distribution via remote sensing is influenced by t
4、he same growth period of crops. Identifying autumn crops using low temporal resolution or low spatial resolution remote sensing data is difficult because the spectral signatures of different crops are similar. An effective approach is the use of remote sensing data with high temporal-spatial resolut
5、ion in solving the problem of“foreign bodies with spectrum,”which lowers the accuracy of autumn crop distribution mapping.In this study,the Spatial Temporal Data Fusion Approach( STDFA) is employed to generate remote sensing data with high temporal-spatial resolution,namely,Red,NIR,and NDVI. The Red
6、 and NIR data are smoothened using the TIMESAT program.Meanwhile,the phenology indices from the time-series NDVI data are calculated by the filtered Red and NIR data. The four data types,namely,Red,NIR,NDVI,and phenology indices,are used to construct fifteen kinds of 30 m resolution simulated remote
7、ly sensed data for the identification of autumn crops. The applicability of the different dimensions of the data in autumn crop identification is then verified using a support vector machine. The test data are derived from the visual interpretation of the results of unmanned aerial images.A high map
8、ping accuracy is achieved with the autumn crop classification results from the different data sets. The crop classification results of the generated remote sensing image data and the corresponding bands of Landsat 8 and MODIS are compared. The analysis of precision and crop spatial distribution reve
9、als that the Red + phenology data set effectively identifies autumn crops in terms of spatial position and distribution details. The data set achieves accuracies of 91. 76% and 82. 49% for paddy producers and users,respectively,and 85. 80% and 74. 97% for corn produces and users,respectively. The ov
10、erall accuracy achieved for both paddy and corn reaches 86. 90%.The Red,NIR,NDVI,and phenology data sets generated by the STDFA can effectively distinguish the type of autumn crops.The increase in the dimension of high spatial-temporal data and the accuracy of classification are not positively corre
11、lated,with the former showing a slight correlation with stability to some extent. Compared with the classification results of the MODIS data,the remote sensing images with high spatial-temporal resolution show higher classification precision and better crop spatial distribution.The findings of the s
12、tudy can therefore serve as preliminary experimental basis for utilizing remote sensing images with high spatialtemporal resolution in the identification of autumn crops.Keyword： high temporal-spatial resolution; Spatial Temporal Data Fusion Approach(STDFA); classification data sets; mapping crop di
13、stribution; autumn crop; Received： 2014-08-271 引言秋粮作物是中国粮食作物的重要组成部分,准确地获取秋粮作物种植面积对制定农业政策和管理具有十分重要的意义。利用遥感技术进行农业监测是其重要的一个应用方向,无论在面积监测还是遥感估产等方面发挥着重要作用( 邢素丽和张广录,2003) 。然而,秋粮作物分布广泛,种植结构复杂,同期作物生长,造成“异物同谱”现象,这对用于作物识别的遥感数据要求比较高; 秋粮作物生长关键期内云雨天气较多,增加了有效遥感数据获取的难度( Ju 和 Roy,2008) ,对利用遥感技术进行秋粮作物的识别带来了一定的挑战。搭载在
14、Terra 和 Aqua 卫星上的中分辨率成像光谱仪 MODIS( Moderate-resolution Imaging Spectroradiometer) 是一种广泛应用于农作物监测和识别的传感器( Xiao 等,2005; Wardlow 等,2006) 。MODIS 传感器具有很高的时间分辨率,重返周期为 1 2 天,能很好地记录农作物生长的时间信息,应用于地表植被的生长监测和识别,这对大尺度、种植结构单一的作物 ( 如小麦、水稻) 具有很大的优势 ( Xiao 等,2006 ) 。利用 MODIS 250 m 分辨率的 NDVI 时间序列产品数据对大面积种植的水稻进行识别,能够获得
15、较高的识别精度( 孙华生等,2009) 。 但中国秋粮作物、种植结构复杂( 玉米、水稻、棉花、 大豆和花生等交错种植) 、种植地块破碎,再加上自然植被( 树木等) 的影响,这使得MODIS 数据的空间分辨率限制了破碎地块小面积种植的秋粮的识别。中高分辨率的卫星具有比较适中的空间分辨率,如美国的陆地卫星( Landsat) 和法国SPOT 卫星, 在作物识别中发挥着重要的作用( Oguro 等,2003; 李杨等,2010) 。Landsat 卫星空间分辨率为 30 m, 回返周期为 16 天,对于大面积种植的作物具有较高的识别精度( Oguro 等,2003) 。但该卫星的时间分辨率会限制植被
16、生长关键期遥感数据的获取,再加上中国北方的雨季与秋粮作物的生长期重叠,这使得获取作物生长关键期高质量的遥感影像数据( 云量 10% ) 非常困难 ( 获取概率 10% ) ( Leckie, 1990) 。因此,结合 MODIS 数据和中高分辨率数据各自的优点进行秋粮作物识别是一个重要的研究方向。融合 MODIS 数据与 Landsat 数据构建高时空遥感数据是综合二者优势的一个有效方法。近些年, 国内外学者提出了几种高时间分辨率数据和高空间分辨率数据的融合方法,构建高时空分辨率遥感数据应用于不同方面的研究工作。这些方法大部分是基于线性模型分解粗分辨率混合像元。在考虑像元反射率受环境影响时,不
17、同学者改进了线性分解模型,提出相应的融合模型。Maselli( 2001) 提出了一种基于像元反射率在一定邻域范围内不会发生剧烈的变化的线性分解模型,研究集成高低时间分辨率的 NDVI 数据用于监测植被; Gao 等人 ( 2006) 不仅考虑到像元间的距离和光谱差异,还考虑了像元时间上的差异,提出了一种自适应遥感图像融合模型 STARFM( Spatial And Temporal Adaptive Reflectance Fusion Model) 用于破碎地块地表覆盖类型的识别; Hilker 等人( 2009) 提出了一种提取反射率变化的时空自适应融合算法 STAARCH( spati
18、al temporal adaptive algorithm for mapping reflectance change) 用于监测 森林覆盖 的研究; Walker 等人 ( 2012) 利用 MODIS 与 Landsat 的融合数据用于干旱区森林物候的分析研究; 以上几种时空融合方法得到的反射率要么是整景影像内地物类别的平均反射率要么是局部窗口内的地物类别平均反射率, 并没有得到高分辨率像元的地表真实反射率。而 Wu 等人( 2012) 提出了一种基于时间变化特征的时空数据融合模型 STDFA( spatial temporal data fusion approach) 能够模拟出高
19、分辨率像元的地表真实反射率数据用于水稻面积的提取等。融合 MODIS 数据与 Landsat 数据构造高时空分辨率遥感数据,生成高维度的遥感数据,选择适当的高维度遥感数据进行秋粮作物识别,是保证秋粮识别精度关键。本文基于 Wu 等人( 2012) 提出的 STDFA 时空融合模型,构造高时空间分辨率的数据 ( 红波段数据、近红外波段数据、NDVI 数据) ,利用 Timesat 软件对 NDVI时间序列数据进行滤波提取物候特征 数据 ( Phenology) ( Jnsson 和Eklundh, 2004) 。针对这 4 类数据 ( Red、NIR、NDVI 和 Phenology) 分别分析
20、其对典型地物( 玉米、水稻) 的可分性并确定分类数据的组合类型,用于探讨秋粮识别的可行性及最佳数据组合类型,为利用高时空遥感数据在大范围进行秋粮作物的遥感识别积累一定的实验基础。2 研究区与数据2.1 研究区研究区位于辽宁省锦州市、盘锦市和鞍山市境内,其范围为: 纬度 405847N414651N,经度 121260E1222702E( 如图 1) 。该区域地势西北高、东南低,从海拔高的山区,向东南逐渐降到海拔 20 m 以下的海滨平原。研究区位于中纬度地带, 属于暖温带大陆性半湿润季风气候,常年温差较大,全年平均气温 89,年降水量平均为 540 640 mm,无霜期达 180 天。该区域的
21、自然条件决定了农作物为一年一熟,秋粮作物以玉米和水稻为主,兼有少量的花生等。西北部是山区生长着森林,其他地区是平原,主要种植着水稻和玉米,并兼分布着零散的居民地,其中南部地区是大面积居民地盘锦市区,同时在河流附近生长着大面积的水生植物芦苇( 图 1( a) ) 。2.2 数据与预处理2.2.1Landsat8 数据选取研究区秋粮作物生长物候期 5 月至 10 月份内的 4 景 Landsat 8 影像数据( 如图 1) ,获取时间分别为 2013-05-23, 2013-07-26,2013-08-11 和 2013-09-12。该数据从( 2014-08-27http: / / earthe
22、xplorer. usgs. gov / ) 网站下载。数据的投影坐标系为 UTM-WGS84 Zone 51N,由于 Landsat 8 数据做过基于地形数据的几何校正,一般情况下可以直接使用。因此,本实验中 Landsat 8数据不再进行几何校正。分别选取 4 景 Landsat 8 陆地成像仪( OLI) 数据中的红、绿、蓝、近红和两个短波红外 6 个波段数据用于本文实验中提取地表变化类型的 ISO-Data 分类,红和近红外波段用于构建数据。然后,对 Landsat 8 数据的红、绿、蓝波段和近红外波段采用操作易行的暗目标减法 DOS( Dark Object Subtraction)
23、 进行大气校正( Chavez,1988; 宋巍巍和管东生,2008) , 转换为地表真实反射率。而短波红外波段因其波长较长,可以忽略大气程辐射对该波段的影响( GIS Ag Maps,2013) 。图 1 研究区的 Landsat 8 影像( 假彩色合成)Fig.1 Landsat 8 images of study area ( false color composite 下载原图( 1 : 森林, 2 : 水稻, 3 : 玉米, 4 : 芦苇, 5 : 居民区)( 1 : forest , 2 : paddy , 3 : corn , 4 : phragmites , 5 : resid
24、ential area2.2.2MODIS 数据由于秋粮作物生长季节云雨天气偏多,MODIS 每天地表反射率产品数据受到“云污染”的影响较大,导致数据无法使用。因此,本实验采用 MODIS 8 天合成的250 m 分辨率的地表反射率产品数据 ( MOD09Q1) ,由于 MOD09Q1 产品数据的标注日期是合成日期中的第一天。因此,选择与秋粮作物生长周期相对应的 2013-05-17 至 2013-09-22 期间的 MODIS 数据。 该数据是 从 NASA 官网 ( http: / / earthexplorer. usgs. gov / ) 上下载的经过几何校正和大气校正的标准 2级产品
25、数据,数据中包含的红波段( Red) 和近红外波段( NIR) ,与其对应的Landsat 8 ( OLI) 波段如表 1 所示。利用 MODIS 重投影工具 MRT( MODIS Re-projection Tool) 重投影为 UTM-WGS84坐标系,转换成 Geo-tif 数据格式,裁剪出研究区范围内的影像并用最近邻域法把像元大小重采样为 240 m,以便利用 Landsat 8 数据进行后续的 MODIS 混合像元分解 ( Wu 等,2012) ,最后,MODIS 地表反射率产品乘以 0. 0001 转化为0,1的地表反射率数据。坐标系转换后,MODIS 数据和 Landsat 数据
26、的地理位置是吻合的。用于本实验的 Landsat 8 和 MODIS 数据主要特征如表 2 所示。表 1 用于实验的 Landsat 8 和 MODIS 影像波段信息 Table 1 Band information of Landsat 8 and MODISdata used in the experiment 下载原表 表 2 用于实验的 Landsat 8 和 MODIS 数据的主要特征 Table 2 Main characteristic of Landsat 8 and MODIS data used in the experiment 下载原表 2.2.3 验证数据本实验采用高
27、分辨率的无人机航拍影像用于评价秋粮作物的识别精度,研究区内共有 13 个无人机航拍解译样方( 图 2) ,大小为 1500 m 1800 m, 约 3 km。航拍照片拼接后进行了以 Landsat 8 数据为基准的几何校正,校正误差小于 0. 5 个像元,并转化为 UTM-WGS84 投影坐标系。以地物类型面积占优法转化为像元大小为 30 m 的栅格数据,以研究区内 13 个解译样方转化的栅格数据对分类结果进行精度评价。栅格数据重分类后的地物为水稻、玉米和其他地物。其中,水稻6008 个像元,玉米 26475 个像元,其他地物 15433 个像元。图 2 无人机样方及分布 Fig.2 Samp
28、les of UAV ( unmanned aerial vehicle) and its distribution 下载原图3 基于 STDFA 模型构建高时空间分辨率数据本文根据 Wu 等人( 2012) 提出的时空数据融合方法 STDFA( Spatial Temporal Data Fusion Approach) 和 MOD09Q1 数据产品的特点构建红波段和近红外波段数据。由于 Wu 等人( 2012) 利用 STDFA 模型开展实验研究时,选择的 Landsat影像是无云的高质量遥感数据,而现实应用中,尤其是秋粮作物识别的遥感影像上云是经常出现的。本实验中的 4 期 Landsa
29、t 8 影像( 如图 1( a) ( d) ) 除 2013-05-23 影像没有受到“云污染”外,其余三期影像均有少量的云覆盖。因无法消除云对 STDFA 模型中地表变化聚类的影响,在此提出假设: 云在各期遥感影像的分布位置是不尽相同的,这在一定程度上可以减少云对地表变化聚类的影响。具体实现方法是: 用 2013-05-23 遥感影像分别与 2013-07-26、2013-08-11、2013-09-12 等 3 期影像进行 ISO-Data 聚类,提取地表覆盖的变化类型,获得 3 幅具有相同变化类型数量的地表变化聚类图 C1、C2 和 C3; 以 C3 为基准,把C1、C2 中非云和阴影变
30、化类像元的属性与 C3 中相应像元的属性相统一; 然后,把 C3 中云和阴影类的像元值用 C1 或 C2 中相应的非云和阴影类像元值进行替换。运算后,得到一幅最终的地表变化类聚类图 C,用于 STDFA 模型中的 MODIS 混合像元分解。统计 MODIS 像元内的地表变化类及变化类占该 MODIS 像元面积的比例,即得到地表变化类 c 的丰度 fc( i,c) 。利用全约束的混合像元线性分解模型分别对多时相的 MODIS 地表反射率产品中的红波段( Red) 数据和近红外波段( NIR) 数据按式( 1) 进行分解,得到红波段和近红波段 tj时期的地表变化类 c 的平均反射率 r 珋( c,
31、t j) 。约束条件:式中,R( i,t j) 为 tj时期 i 位置的 MODIS 混合像元的反射率; f c( i,c) 为 i 位置的 MODIS 混合像元内地表变化类 c 像元占该混合像元的面积比; r 珋( c,t j) 为 tj时期地表变化类 c 的平均反射率; ( i,t j) 为残差; k 为研究区内地表变化类型的数量。假设在时间段 t0至 tn及该时间段两端有限外延的时间范围内,地表同一变化类c 像元的反射率变化趋势是一致的。在这个假设下,利用式( 1) 和式( 2) 可以构建 tj时期的高分辨率的数据 r( c,tj) , 从而构建出高分辨率的时间序列数据。式中,r 珋(
32、c,t j) 和 r 珋( c,t 0) 分别是利用式( 1) 求出的 tj时期和 t0时期的地表变化类 c 像元的平均反射率; r( c,t 0) 是初期 t0时期的 Landsat 8 遥感影像相对应 c 类像元的地表反射率。因此,由 8 天合成的 地表反射 率产品数 据 ( MOD09Q1 ) 构建 2013-07-20 和2013-08-05 两期 Red 和 NIR 波段的高分辨率影像,选取研究区 201307-26 和2013-08-11 两期 Landsat 8 影像质量较好的子区域与 相应区域 的融合影 像进行对 比分析 ( 图 3、图 4) 。从图 3、图 4 融合结果与真实
33、 Landsat 影像的比较及对应波段的相关系数可以看出,融合影像与真实影像的目视效果比较接近并且两者也达到了较高的相关系数,其散点主要分布在 1 1 对角线的周围。因此,融合影像在一定程度上能够反映同时期 Landsat 影像的光谱信息,可以用于秋粮作物的识别,但融合影像的质量及其与真实影像之间的相关系数还是受到其他一些因素的影响:( 1) 融合的 2013-08-05 影像与 2013-08-11 真实影像对应红波段和近红外波段的相关系数分别达到 0. 86 和 0. 81,由于 2013-07-26 的 Landsat 8 遥感影像上少量云和阴影 ( 圈出所示) ,使得融合的 07-20
34、 影像与去除云和阴影像元之前的 07-26 真实影像对应红波段和近红外波段的相关系数分别为 0. 78 和 0. 73; 去除云和阴影像云之后,二者数据对应的红波段和近红外波段的相关系数分别达到 0. 82 和 0. 78。图 3( c) 、( f) 表示去除云和阴影像元后的散点图。由此可见,云和阴影是影响相关系数的一个因素。( 2) MOD09Q1 是 8 天合成的地表反射率数据, 由该 MODIS 数据融合构建的高分数据也代表合成日期内的地表反射率的状况。而与之比较的真实 Landsat 8 影像只是合成期间内某一天的数据,两者存在着时相上的差异,这对融合影像与真实影像之间的相关性存在一定
35、的影响。融合的近红外影像反射率要比真实Landsat 影像的近红外影像反射率高( 图 3( f) 、图 4( f) ) ,而红波段影像则相反,造成这一现象可能是由于融合影像和真实影像之间存在时相差异等造成的。( 3) 在构建融合数据时,使用初期 MODIS 影像和初期 Landsat 影像存在时相的差异,这也会造成融合影像与同期真实影像间的偏差。图 3 融合影像与真实 Landsat 8 影像比较及对应波段的相关系数( 2013 年 7 月) Fig.3 Comparison of fused images and true Landsat 8 images and correlation c
36、oefficient of the corresponding bands ( 2013-07) 下载原图图 4 融合影像与真实 Landsat 8 影像比较及对应波段的相关系数 Fig.4 Comparison of fused images and true Landsat 8 images and correlation coefficient of the corresponding bands 下载原图4 秋粮作物识别本实验是以 MOD09Q1 和 Landsat 8 为基础数据利用数据时空融合 STDFA 模型构建 3 种高时空分辨率数据( Red、NIR 和 NDVI) ,在对
37、NDVI 时间序列数据进行滤波时提取作物物候特征数据,然后分析数据对秋粮作物的可分性,选择有效的识别特征向量组成不同分类数据集进行秋粮作物识别,具体流程如图 5。4.1 植被指数反演及滤波植被指数是反映植被在可见光、近红外波段反射与土壤背景之间差异的指标,在一定条件下能用来定量说明植被的生长状况。而归一化植被指数 NDVI( Normalized Differential Vegetation Index) 是目前应用广泛的植被指数,不同的 NDVI 值对应不同的土地覆被类型,可以进行土地覆被方面的研究 ( 田庆久和闵祥军,1998) 。为此,利用时空数据融合 STDFA 模型构建的 Red
38、和 NIR 数据,通过式( 3) 计算 NDVI 数据。式中, NIR与 Red分别表示近红外( NIR) 波段和红波段( Red) 的反射率。由于构建的 Red、NIR 和 NDVI 数据具有较多的噪音,为减少噪音对植被信息提取的干扰,需要对其进行滤波处理,本实验利用 TIMESAT 软件对构建的时间序列数据进行滤波,该软件以非对称高斯滤波法( A-G) 、双 Logistic 函数滤波法( D-L) 及 Savitzky-Golay( S-G) 拟合法为核心算法对时间序列数据进行重构建。对构建的 17 期 Red、NIR 和 NDVI 时间序列数据分别复制两份组成 3 个周期的时间序列数据
39、,利用 S-G 滤波方法进行数据重构建,该滤波法是基于滑动窗口的平均滤波,属于典型的局部拟合方法,能够有效去除时间序列数据中的噪声( 宋春桥等, 2011) 。对作物品种多样,生育期不同,地块破碎区域耕地像元的时序曲线数据,S-G 滤波可以清晰地描述其微小变化( 吴文斌等,2009) 。而研究区内的作物类型比较复杂、地块也有一定的破碎,S-G 滤波曲线与原始 NDVI 时间序列曲线更吻合,能清晰地描述不同地物的 NDVI 时序数据的复杂和微小变化。滤波后选取重构建数据中间一个周期的数据用于秋粮识别。典型地物在重构建数据中的时间序列曲线如图 6( a) ( c) 。4.2 物候特征提取作物的物候
40、特征定量刻画了作物的生长过程, 能够提高低分辨率遥感影像对土地覆盖类型的识别精度( Alcantara 等,2012; Jacquin 等,2010) 。为了验证物候数据是否也有助于高时空分辨率数据对秋粮作物的识别,本实验从 4. 1 中的NDVI 时间序列数据滤波过程中提取了 11 种物候指标数据,用于秋粮识别( 如表3) 。典型地物的物候指数曲线如图 6( d) 。图 5 秋粮作物识别流程图 Fig.5 Flowchart of identifying autumn crop 下载原图4.3 秋粮识别特征向量选择由 STDFA 时空融合模型构建的时间序列数据可以有多种分类特征的组合,为了确
41、保分类特征具有代表性,减少数据组合的冗余,需进行分类特征的选择。选取研究区内种植面积较大的玉米、水稻、居民区、水体、树木和芦苇等 6 种典型地物来分析这 4 种时间序列数据对典型地物的可分性,选取时间序列中能有效区分不同地物的波段用于秋粮识别,典型地物的时间序列曲线如图 6。为了说明构建数据对典型地物的可分性,以图 6( c) 为例分析典型地物对 NDVI时间序列的响应关系。水体的 NDVI 值不会随时间发生很大的变化,应在一个较低的范围内; 居民区的 NDVI 值因受其周围树木的影响会表现出微弱树木 NDVI的信息特征; 山林由于 5 月中下旬已经长出大量的树叶, 其 NDVI 值会随时间的
42、变化维持在一个较高的范围内; 水生植物芦苇在 5 月中下旬也已开始生长,具有一定的植被信息,随着生长的生长,NDVI 值会迅速地上升。水稻的插秧时间是在5 月下旬,随着其生长,该区域的地表覆盖类型会经历裸土水体植被的变化过程,NDVI 值应该有相应的先降后升的变化。8 月初孕穗、抽穗的水稻生长最旺盛,对应 NDVI 也应最高; 而春玉米在五月中下旬已经出苗长出七叶,此时玉米的NDVI 要高于同期的水稻。 七月中下旬拔节抽雄的玉米生长最旺盛,具有较高的NDVI。另外,根据水稻和玉米作物的特点,在 8 月初左右,水稻抽穗后其稻穗与水稻植株的颜色反差较小,而玉米顶端的雄穗与玉米植株的颜色会有较大的反
43、差,这可能会导致玉米对 Red 和 NIR 波段的反射率发生变化,使得水稻和玉米的NDVI 有所差异。综上分析,各类典型地物的 NDVI 变化趋势是符合图 6( c) 中的NDVI 时间序列曲线。同理,构建的其他数据也符合典型地物的时间变化特征。 植被对不同波段信号反射的差异性是作物识别的关键( 林文鹏等,2006; 李鑫川等,2013) ,虽然红波段由于受叶绿素含量控制,对绿色植被具有强吸收,反射信号较弱,但从曲线的误差图( 图 6) 可以看出: Red 数据对玉米、水稻及其他绿色植被的反射信号彼此之间具有较好的可区分性,而 NIR 数据和 NDVI 数据对玉米和水稻的识别在某些时期会或多或
44、少地与其他地物相混。因此,本实验中 Red数据对玉 米和水稻 的识别具 有较大的 帮助。图 6 不同数据典型地物曲线 Fig.6 Curves of typical ground objects 下载原图表 3 提取的物候指标 Table 3 Phonological index of Extraction 下载原表 对于提取的物候数据需分别进行归一化处理, 使其像元值转化到0,1之间,归一化后的物候特征图曲线如图 6( d) ,图中绿色植被在 e 和 f( 生长期的中期时刻、NDVI 峰值) 物候特征上表现高度重合而不能有效地区分。因此,选择 e 和f 特征之外的其他 9 个物候指标作为实验的物候数据用于秋粮识别。综合分析,滤波后的 Red 数据、NIR 数据、NDVI 及筛选后的物候数据( Phenology) 能够有效区分秋粮作物。
