归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。
鉴于作物类型识别中存在光谱特征相似的困扰,"异物同谱"问题难以有效解决,而时序归一化植被指数(Normalized Different Vegetation Index,NDVI)曲线数据能够反映作物不同时期的动态变化趋势,该文将NDVI时间序列投影到N维空间构成多维特征矢量,结合冬小麦特有的物候特征,充分利用矢量的方向和大小参量,构建冬小麦识别的矢量分析模型,模型的识别能力较强,可以充分发挥NDVI时间序列的优势。以唐山市为研究区,基于高分一号WFV(Wide Field of View)数据的高分辨率优势,构建覆盖冬小麦生长期的NDVI时间序列,采用矢量分析模型进行冬小麦识别,同时与最大似然法、马氏距离法、支持向量机法、神经网络法、最小距离法等分类方法进行对比。结果显示,后5种分类方法的Kappa系数介于0.701 8和0.790 3之间,而矢量分析模型达到了0.895 2,精度有了较大提高。该研究为冬小麦识别提取提供了新的思路,也对推动遥感农情信息调研具有一定学术和应用价值。同时,基于研究区训练样本提出了模型阈值参数自动确定的方法,为今后冬小麦自动提取奠定了基础。
