張 盼, 馬孝義, 趙 龍, 邢旭光

(1.西北農(nóng)林科技大學(xué) 水利與建筑工程學(xué)院, 陜西 楊陵712100; 2.西北農(nóng)林科技大學(xué) 機械與電子工程學(xué)院, 陜西 楊陵712100)

土地利用是人類對土地進行的使用、保護和改造活動，反映了人類社會的發(fā)展，影響全球生態(tài)環(huán)境的變化。土地利用的分類研究對土地資源利用結(jié)構(gòu)的規(guī)劃和調(diào)整、生態(tài)環(huán)境的平衡和保護有著重要的作用。近年來，遙感技術(shù)以其時效高、范圍廣和成本低等優(yōu)點而廣泛地應(yīng)用于對地觀測活動中，對及時準(zhǔn)確地獲取土地利用信息具有重要的意義[1-3]。

目前遙感數(shù)據(jù)具有不同時間、空間和光譜分辨率的產(chǎn)品。但是空間高分辨率的數(shù)據(jù)，由于回訪周期長，對作物關(guān)鍵物候期的描述不足，且幅寬小，限制了數(shù)據(jù)在大范圍中的應(yīng)用。MODIS數(shù)據(jù)為中空間分辨率，但是由于其回訪周期短，幅寬大，光譜波段范圍廣而廣泛運用于較大尺度地區(qū)的土地利用信息的獲取[4-5]。Muchoney等[6]和劉建光等[5]利用MODIS影像分別對美國中部和北京市進行土地覆被分類；許青云等[7]基于陜西省多年時序的MODIS數(shù)有效地識別大尺度農(nóng)作物信息。植被指數(shù)可以反映植被的生長狀況，是植被生長狀態(tài)和空間分布密度的指示因子[8-9]，具有時間序列的植被指數(shù)可以反映植被的物候特征，常常作為不同植被和農(nóng)作物分類的依據(jù)。Wardlow等[4]和Damien等[10]分別MODIS/NDVI和MODIS/EVI時間序列進行作物分布信息的提??；何超英等[11]指出在單季相Landsat影像分類時引入MODIS/NDVI時間序列能有效地解決耕地與其他類型混分的問題；白文龍[12]基于逐旬的NDVI數(shù)據(jù)采用最大似然法實現(xiàn)了關(guān)中地區(qū)土地利用分類；周玉潔等[13]基于MODIS/EVI時間序列數(shù)據(jù)，基于諧波分析法和線性光譜模型對關(guān)中地區(qū)的耕地信息進行提??；賈明明等[14]綜合環(huán)境衛(wèi)星和MODIS NDVI時序數(shù)據(jù)實現(xiàn)了雙臺子河口土地覆蓋分類。但目前不同植被指數(shù)對土地利用分類的影響研究較少，左麗君等[15]基于MODIS NDVI和EVI數(shù)據(jù)在河西走廊綠洲東部樣區(qū)進行耕地提取試驗，表明EVI較NDVI有更強的識別能力。

為了比較不同植被指數(shù)時間序列對土地利用分類精度的影響，以及組合植被指數(shù)和單一植被指數(shù)時間序列分類精度的差異，本研究以關(guān)中地區(qū)為研究區(qū)域，選取應(yīng)用較多的歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)和增強型植被指數(shù)(Enhanced Vegetation Index,EVI)，基于MODIS植被指數(shù)產(chǎn)品，采用迭代自組織分析算法與分類回歸樹算法結(jié)合的方法，實現(xiàn)關(guān)中地區(qū)土地利用分類，并進行空間精度驗證和定量精度驗證，為大尺度地區(qū)土地利用分類及農(nóng)業(yè)信息提取提供一定的參考。

1　研究區(qū)概況及數(shù)據(jù)來源

1.1　研究區(qū)概況

關(guān)中地區(qū)地處33°35′—35°52′N，106°18′—110°38′E，位于陜西省中部，包括西安、咸陽、寶雞、渭南和銅川五市，東西長約390 km，南北寬約200 km，海拔227～3 772 m，關(guān)中北部位于渭北高原南部，南倚秦嶺山脈，渭河從中穿過，形成沖積平原。屬溫帶季風(fēng)性氣候，年均溫6～13℃，年降水量500～800 mm，其中6—9月份占60%，多為短時暴雨，冬春降水較少，春旱、伏旱頻繁。研究區(qū)種植獼猴桃、蘋果、梨等果樹，小麥、玉米等作物，低海拔地區(qū)的渭河階地為一年兩熟制，北部黃土臺塬區(qū)和南部秦嶺山地由于海拔較高，灌溉條件差，為一年一熟制[12-13]。

圖1　研究區(qū)位置及高程

1.2　數(shù)據(jù)來源

1.2.1植被指數(shù)數(shù)據(jù)集本研究采用NASA USGS提供的植被指數(shù)產(chǎn)品MOD13Q1(https:∥lpdaac.usgs.gov)，空間分辨率為250 m，時間分辨率為16 d。選取2014年10月1日至2016年3月15日共33個時相的遙感數(shù)據(jù)，構(gòu)建NDVI和EVI時間序列曲線。

1.2.2訓(xùn)練及驗證數(shù)據(jù)集利用Google Earth數(shù)據(jù)，以目視解譯為主，結(jié)合實地考察的結(jié)果，選擇具有代表性的樣本作為感興趣區(qū)域，盡最大可能覆蓋不同果樹及不同作物熟制的耕地，將其中一部分作為土地利用分類的訓(xùn)練數(shù)據(jù)集，一部分作為空間精度的驗證數(shù)據(jù)集。同時，選擇由陜西農(nóng)業(yè)網(wǎng)(http:∥www.sxny.gov.cn/)農(nóng)業(yè)統(tǒng)計數(shù)據(jù)庫提供的耕地和果園統(tǒng)計信息作為定量驗證數(shù)據(jù)集。

2　研究方法

2.1　數(shù)據(jù)預(yù)處理

利用MODIS產(chǎn)品批處理工具MRT軟件對MOD13Q1數(shù)據(jù)進行空間拼接、格式和投影轉(zhuǎn)換的處理，輸出坐標(biāo)系為WGS_1984_UTM_Zone_49 N，并根據(jù)研究區(qū)矢量圖進行裁剪，提取歸一化植被指數(shù)NDVI和增強型植被指數(shù)EVI波段，構(gòu)建植被指數(shù)時間序列。

MOD13Q1雖然糾正了分子和氣溶膠的影響，但由于云雪覆蓋等，仍存在一些噪聲，在ENVI/IDL平臺中采用Savitzky-Golay濾波法，對植被指數(shù)時間序列進行重構(gòu)。經(jīng)多次試驗，設(shè)置平滑窗口半徑為3，多項式次數(shù)為2效果較好，可準(zhǔn)確描述波形和波峰的值，能夠滿足土地利用分類的要求。由于S-G濾波法存在邊緣效應(yīng)，且考慮到作物的生育期，在2015全年數(shù)據(jù)的前后分別添加5個時相的數(shù)據(jù)參與平滑計算，實現(xiàn)時間序列數(shù)據(jù)的降噪、平滑和重構(gòu)。

2.2　土地分類系統(tǒng)

根據(jù)《土地利用現(xiàn)狀分類》國家標(biāo)準(zhǔn)(GB/T21010—2007)兩級分類系統(tǒng)，結(jié)合本研究區(qū)的實際情況，確定研究區(qū)土地的5類分類系統(tǒng)，具體如表1所示。

2.3　典型地物植被指數(shù)時間序列曲線

根據(jù)本文確定的研究區(qū)分類系統(tǒng)，結(jié)合Google Earth 選擇典型地物的感興趣區(qū)，并提取植被指數(shù)，計算均值，構(gòu)建典型地物植被指數(shù)時間序列曲線見圖2。

由圖2可以看出，建設(shè)用地及其他和水體植被指數(shù)年內(nèi)變化不大，且水體的NDVI和EVI小于0.2，由于水體對近紅外波段的反射率很低，對可見光高反射率，植被指數(shù)存在負值；建設(shè)用地及其他的植被指數(shù)通常大于水體，但NDVI值不大于0.4，EVI值不大于0.3。果園和林草地的植被指數(shù)隨時間的變化趨勢相似，林草地在第15至20時相，即5月24日至8月12日，NDVI值無明顯變化，同期EVI依然隨時間變化達到峰值后下降；果園在第18至21時相，進入果實生長發(fā)育期，NDVI變幅很小，同期EVI值變化微弱。果園的NDVI時間序列和EVI時間序列的峰值都小于林草地，果園分別達0.74，0.52左右，而林草地可達0.86，0.62左右。一年兩熟制的耕地植被指數(shù)時間序列兩個峰值，夏糧作物的峰值在第12時相左右，即4月中旬，秋糧作物的峰值在第19時相左右，即7月下旬；一年一熟制的耕地植被指數(shù)只有一個峰值；不同作物由于物候期不同而峰值及其出現(xiàn)的時間有一定的偏差。由此可以看出不同地物的植被指數(shù)時間序列存在顯著差異。

表1　研究區(qū)分類系統(tǒng)

圖2　典型地物植被指數(shù)時間序列

為了比較單一NDVI，EVI，及組合植被指數(shù)用于土地分類的效果差異，分別采用NDVI，EVI，NDVI+EVI組合以及EVI+NDVI組合的時間序列，用于研究區(qū)土地利用分類中。

2.4　分類方法

2.4.1ISODATA算法ISODATA算法(Iterative Selforganizing Data Analysis Techniques Algorithm)即迭代自組織數(shù)據(jù)分析算法，是一種非監(jiān)督分類方法，通過計算數(shù)據(jù)空間中均勻分布的類均值，基于輸入的閾值參數(shù)，用最小距離技術(shù)將剩余像元迭代聚集，對判別函數(shù)的不斷訓(xùn)練和調(diào)整、自動進行類別的合并和分裂，實現(xiàn)地物的聚類，具有自組織、啟發(fā)式的特點[16]。

2.4.2CART算法CART(Classification and Regression Tree)是分類回歸決策樹構(gòu)建算法，由Breiman等[17]于1984年提出并不斷改進。其基本原理是將訓(xùn)練樣本分為預(yù)測變量和目標(biāo)變量數(shù)據(jù)集，將基尼系數(shù)作為選擇最佳測試變量和分割閾值的準(zhǔn)則，循環(huán)二分形成二叉樹式的決策樹結(jié)構(gòu)，并采用交叉驗證的方法進行修剪，最終得到一個最優(yōu)二叉樹，構(gòu)成地物分類效果最佳的判斷條件組合。該算法對輸入數(shù)據(jù)沒有任何統(tǒng)計分布的要求，運行速度快、準(zhǔn)確性高，且實現(xiàn)簡單，結(jié)構(gòu)清晰易于理解[18-19]。該算法以其處理大量數(shù)據(jù)和高維數(shù)據(jù)的有效性，被廣泛用于土地利用分類及提取中[20]，且已有研究表明，利用CART算法進行土地利用分類具有較高精度[5]。

本研究將ISODATA方法與CART方法結(jié)合對關(guān)中地區(qū)土地利用進行分類。基于4種不同植被指數(shù)時間序列，根據(jù)分類系統(tǒng)和實際地物情形，設(shè)置ISODATA最小分類數(shù)為5，最大分類數(shù)為10，迭代20次，像元變化閾值5%，獲得研究區(qū)土地利用的聚類結(jié)果，并將聚類結(jié)果與對應(yīng)的植被指數(shù)時間序列合并，結(jié)合Goole Earth提取的訓(xùn)練樣本，利用CART算法構(gòu)建分類決策樹，獲取分類規(guī)則，實現(xiàn)關(guān)中地區(qū)土地利用分類。

3　結(jié)果分析與討論

3.1　分類結(jié)果與分析

土地利用分類結(jié)果見圖3。

由于本研究采用數(shù)據(jù)空間分辨率為250 m，且考慮到研究區(qū)實際，確定的分類系統(tǒng)僅有5種地類，由于草地多夾雜在林地中，與部分林地難以區(qū)分，訓(xùn)練樣本獲取難度大，將林地與草地劃分為一類?；诓煌脖恢笖?shù)時間序列的土地利用分類結(jié)果見圖3。渭河從關(guān)中穿過，但分類結(jié)果并不存在明顯的連續(xù)水體，在寶雞東部和咸陽西部幾乎沒有水體顯示，可能是由于渭河河面寬度較小，且遙感數(shù)據(jù)為中等分辨率，混合像元的存在導(dǎo)致將其錯分為建設(shè)用地。分類結(jié)果中，建設(shè)用地的分布基本與行政中心、城鎮(zhèn)建設(shè)用地和農(nóng)村居民點等分布一致。關(guān)中中部地區(qū)地勢平坦，土壤肥沃，農(nóng)業(yè)種植業(yè)發(fā)展，分類結(jié)果顯示大面積耕地連續(xù)分布，與之相一致，而南部和北部由于海拔較高，地形比較復(fù)雜，南部秦嶺山區(qū)主要是以林地覆蓋，北部黃土梁峁和臺塬區(qū)，由于受地形的限制，耕地破碎，因地制宜地布置林地和果園。4種情形的分類結(jié)果基本相同，局部地區(qū)耕地和果園面積之間存在差異。在寶雞南部山區(qū)、咸陽西北部，渭南東北部以及銅川地區(qū)，基于NDVI時間序列的分類結(jié)果中，果園面積明顯大于其他幾種情形，主要是由于紅光通道易飽和，且沒有考慮背景土壤噪音的影響，NDVI數(shù)據(jù)在高植被覆蓋率區(qū)域具有較低靈敏度[15,21]，造成林草地與果園混分；而寶雞南部山區(qū)，基于EVI時間序列的分類結(jié)果中，耕地面積明顯大于其他幾種情形，由于隨海拔的上升，植被由茂密的林地逐漸變化為稀疏的植被、草地等，而EVI通過藍光來修正大氣對紅光的影響，增加土壤調(diào)節(jié)參數(shù)，減弱了冠層背景與一年一熟制的耕地和果園混分?；诮M合和土壤變化對植被指數(shù)的影響，可以識別該區(qū)域植植被指數(shù)的分類結(jié)果與單一植被指數(shù)分布區(qū)域大致相似，在數(shù)量上存在一定的偏差，需進一步驗證。

圖3　基于不同植被指數(shù)時間序列土地分類

3.2　分類精度分析

為了更好地評價土地分類精度，從空間和定量兩個方面進行精度分析與評價，分別利用混淆矩陣和統(tǒng)計數(shù)據(jù)進行驗證。由于農(nóng)業(yè)是國民經(jīng)濟的基礎(chǔ)，農(nóng)業(yè)用地的變化對于農(nóng)業(yè)生產(chǎn)及社會穩(wěn)定具有重要影響，因此對研究區(qū)內(nèi)的果園和耕地進行重點分析。

3.2.1空間精度分析利用Google Earth數(shù)據(jù)提取感興趣區(qū)，作為空間精度分析的驗證樣本，基于ENVI平臺計算混淆矩陣，評價分類精度，具體見表2—3所示.

通過基于單一植被指數(shù)分類結(jié)果的空間精度比較，不難得出：基于NDVI時間序列分類結(jié)果的總體精度和Kappa系數(shù)均小于EVI的結(jié)果；前者耕地的制圖精度和用戶精度均表現(xiàn)不足，雖然果園的制圖精度為100.00%，事實上并不與實際情況完全相同，分類結(jié)果中的部分果園實則為林草地和耕地等其他地類，用戶精度仍然小于EVI的結(jié)果?？傮w來說，基于EVI的分類結(jié)果優(yōu)于NDVI，總體精度較高，EVI對植被的識別能力高于NDVI，具有更高的提取精度?？梢姡珽VI在覆蓋度比較高的地區(qū)具有更高的靈敏度。

通過基于組合植被指數(shù)分類結(jié)果的空間精度比較，可以看出：基于EVI+NDVI時間序列的分類結(jié)果，總體精度和Kappa系數(shù)大于NDVI+EVI的結(jié)果，整體效果較好，可能是由于組合植被指數(shù)增加了地類信息，不同類別之間的判別條件更為豐富，構(gòu)建的決策樹結(jié)點更多，從根結(jié)點出發(fā)可以通過多條路徑達到達每一種地類的葉結(jié)點，實現(xiàn)分類，準(zhǔn)確性更高；前者耕地的制圖精度和用戶精度均小于后者，果園的制圖精度小于后者，用戶精度卻大于后者，并不能體現(xiàn)對耕地和果園的提取效果差異，需要進一步利用統(tǒng)計數(shù)據(jù)進行定量精度評價。

表2　基于單一植被指數(shù)土地分類的空間精度比較

注：括號外為基于NDVI時間序列土地分類的混淆矩陣，括號內(nèi)為基于EVI時間序列土地分類的混淆矩陣。

表3　基于組合植被指數(shù)土地分類空間精度比較

注：括號外為基于NDVI+EVI時間序列土地分類的混淆矩陣，括號內(nèi)為基于EVI+NDVI時間序列土地分類的混淆矩陣。

綜合表2和表3的內(nèi)容可知：在以上4種分類情形中，總體精度均超過96%，Kappa系數(shù)均超過0.94，分類結(jié)果可靠，本研究采用的分類方法可行，且精度存在EVI+NDVI>NDVI+EVI >EVI >NDVI的規(guī)律，組合植被指數(shù)的分類結(jié)果優(yōu)于單一植被指數(shù)，但差別不大。

3.2.2定量精度分析利用混淆矩陣評價分類結(jié)果的空間精度，局限于感興趣區(qū)的選擇，易受人為因素干擾，并不能全面反映其精度，故利用統(tǒng)計數(shù)據(jù)再進行定量精度評價。由于農(nóng)業(yè)用地是人類重要的食物來源，且受人類活動影響顯著，故對農(nóng)業(yè)用地進行重點分析，提取各地市的農(nóng)業(yè)用地，包括耕地和果園。為避免各個區(qū)域分類結(jié)果精度差異的影響，不僅比較關(guān)中地區(qū)提取面積與統(tǒng)計面積的大小，且根據(jù)行政區(qū)的劃分，比較各地市二者的差異，以提高精度評價的科學(xué)性。

表4　耕地提取定量精度評價

對4種情形的分類結(jié)果進行西安、銅川、寶雞、咸陽和渭南五市以及關(guān)中地區(qū)的耕地的提取(表4)，在各個地市耕地的提取面積均大于統(tǒng)計數(shù)據(jù)，可能是混合像元及一年一熟耕地與一年生草本植物和果樹混分存在導(dǎo)致。利用EVI時間序列進行耕地提取時的表現(xiàn)優(yōu)于NDVI，具有較高的精度，對耕地的具有更高的識別能力；組合植被指數(shù)的提取精度，較單一植被指數(shù)時間序列的分類結(jié)果更高，各個地市雖存在差異，但除銅川地區(qū)外，基于EVI+NDVI時間序列的提取精度均為最高。在整個關(guān)中地區(qū)，基于EVI+NDVI時間序列的提取精度為89.36%，較單一NDVI和EVI時間序列提取精度分別提高11.74%和10.16%，較NDVI+EVI時間序列提取精度提高8.65%。在銅川地區(qū)，基于EVI時間序列的提取結(jié)果與統(tǒng)計數(shù)據(jù)一致性最高，達90.36%，組合植被指數(shù)在銅川并沒有精度優(yōu)勢，可能是由于銅川地區(qū)地形復(fù)雜，土地利用類型較為破碎，植被復(fù)雜影響分類精度。

對4種情形的分類結(jié)果進行關(guān)中地區(qū)以及西安、銅川、寶雞、咸陽和渭南五市的果園的提取(表5)，各地市果園的提取面積基本上都大于統(tǒng)計數(shù)據(jù)，緣于果園與林地及秋糧作物在某些生長階段植被指數(shù)時間序列曲線具有相似性，造成混分，僅在銅川地區(qū)，基于組合植被指數(shù)時間序列的提取結(jié)果小于統(tǒng)計數(shù)據(jù)，基于組合植被指數(shù)的決策樹可能存在過度擬合，且連續(xù)面積小和混合像元的問題而造成漏分。關(guān)中地區(qū)基于EVI+NDVI時間序列的果園提取精度最高，達65.47%，較基于單一NDVI和EVI時間序列的提取精度分別提高24.69%和17.12%，較NDVI+EVI組合的時間序列提取精度提高0.75%；由于銅川地區(qū)的提取面積小于統(tǒng)計數(shù)據(jù)，剔除銅川果園面積后，基于NDVI+EVI時間序列的提取精度為67.87%，比EVI+NDVI時間序列的提取精度68.62%低0.75%，差異并不明顯。由此說明EVI對果園的識別能力優(yōu)于NDVI，在進行分類時，組合植被指數(shù)的提取精度高于單一植被指數(shù)，且EVI優(yōu)先時精度更高。

表5　果園提取定量精度評價

綜合空間和定量精度分析可知：在4種情形的分類結(jié)果中，基于單一EVI時間序列土地利用分類精度和農(nóng)業(yè)用地提取精度優(yōu)于NDVI；組合植被指數(shù)在土地利用分類和農(nóng)業(yè)用地的提取中表現(xiàn)優(yōu)于單一植被指數(shù)，且EVI優(yōu)先時，精度最高。

3.3　討 論

本研究基于不同植被指數(shù)，采用ISODATA與CART結(jié)合的方法，實現(xiàn)了關(guān)中地區(qū)的土地利用分類，結(jié)果精度較好，與白文龍[12]采用的最大似然法相比，總體精度提高9%以上，Kappa系數(shù)提高0.10以上。同時建立的分類決策樹可以直接用于該地區(qū)其他氣候未發(fā)生特別重大變化、各地類植被指數(shù)變化不顯著的年份的土地利用分類中，為研究年際間土地利用變化提供快速、便捷、有效的分類方法。

基于不同的植被指數(shù)時間序列的分類結(jié)果精度均較高，但是水體的制圖精度和用戶精度較低，與建設(shè)用地及其他存在混分問題，可以考慮結(jié)合歸一化水體指數(shù)和歸一化建筑指數(shù)，以通過增加分類依據(jù)來提高其分類精度。雖然MODIS數(shù)據(jù)幅寬大，可以用于大尺度地區(qū)土地利用分類中，具有較高的時間分辨率，但是空間分辨率為250 m，屬中等分辨率遙感數(shù)據(jù)，混合像元現(xiàn)象顯著，在今后的研究中，可進行混合像元分解提高分類精度，或與其他類型的高空間分辨率遙感數(shù)據(jù)融合，兼顧幅寬問題的同時又提高空間分辨率，可提高分類的精度。本文采用的MODIS陸地3級產(chǎn)品，時間分辨率為16 d，若采用更高時間分辨率的產(chǎn)品，可獲取更多的物候信息，在進行土地覆被分類或者農(nóng)作物提取時，提供更多的分類依據(jù)。對比關(guān)中地區(qū)五市的分類精度，銅川地區(qū)分類精度較低，可能與土地利用類型的破碎程度有關(guān)，在今后的工作中可以進一步探究。

4　結(jié) 論

(1) 4種情形分類結(jié)果與實際情況較為一致，精度較好，本研究方法適用于關(guān)中地區(qū)土地利用分類；

(2) EVI引入藍光修正大氣對紅光的影響，解決了紅光通道易飽和的問題，且考慮冠層背景和土壤變化對植被的影響，在進行土地分類時，對植被的識別能力大于NDVI，能較好地反映植被情況；

(3) 利用組合植被指數(shù)進行土地利用分類，與單一植被指數(shù)相比，構(gòu)建決策樹時不同地類之間判別依據(jù)更多，分類規(guī)則準(zhǔn)確性更高，且EVI優(yōu)先時能獲得更高的精度。

參考文獻:

[1]馬玥,姜琦剛,孟治國,等.基于隨機森林算法的農(nóng)耕區(qū)土地利用分類研究[J].農(nóng)業(yè)機械學(xué)報,2016,47(1):297-303.

[2]林楠,姜琦剛,楊佳佳,等.基于資源一號02C高分辨率數(shù)據(jù)的農(nóng)業(yè)區(qū)土地利用分類[J].農(nóng)業(yè)機械學(xué)報,2015,46(1):278-284.

[3]宋富強,康慕誼,鄭壯麗,等.陜北黃土高原地區(qū)土地利用/覆被分類及驗證[J].農(nóng)業(yè)工程學(xué)報,2011,27(3):316-324.

[4]Wardlow B D, Egbert S L. Large-area crop mapping using time-series MODIS 250 m NDVI data:An assessment for the U. S. Central Great Plains[J]. Remote Sensing of Environment, 2008,112(3):1096-1116.

[5]劉建光,李紅,孫丹峰,等. MODIS土地利用/覆被多時相多光譜決策樹分類[J].農(nóng)業(yè)工程學(xué)報,2010,26(10):312-318.

[6]Muchoney D, Borak J, Chi H, et al. Application of the MODIS global supervised classification model to vegetation and land cover mapping of Central America. [J]. International Journal of Remote Sensing, 2000,21(6/7):1115-1138.

[7]許青云,楊貴軍,龍慧靈,等.基于MODISNDVI多年時序數(shù)據(jù)的農(nóng)作物種植識別[J].農(nóng)業(yè)工程學(xué)報,2014,30(11):134-144.

[8]田慶久,閔祥軍.植被指數(shù)研究進展[J].地球科學(xué)進展,1998,13(4):327-333.

[9]李鑫川,徐新剛,王紀(jì)華,等.基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J].農(nóng)業(yè)工程學(xué)報,2013,29(2):169-176.

[10]Damien Arvor, Milton Jonathan, Vincent Dubreuil, et al. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil[J]. International Journal of Remote Sensing, 2011,32(22):7847-7871.

[11]何超英,廖安平,陳志剛,等. NDVI時間序列在全球耕地提取中的應(yīng)用[J].地理信息世界,2013(2):66-69.

[12]白文龍.關(guān)中地區(qū)植被覆蓋變化及其主要驅(qū)動因子分析[D].西安:陜西師范大學(xué),2013.

[13]周玉潔,王卷樂,郭海會.基于諧波分析法和線性光譜模型的耕地信息提取[J].遙感技術(shù)與應(yīng)用,2015,30(4):706-713.

[14]賈明明,王宗明,張柏,等.綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2014,39(3):305-310.

[15]左麗君,張增祥,董婷婷,等. MODIS/NDVI和MODIS/EVI在耕地信息提取中的應(yīng)用及對比分析[J].農(nóng)業(yè)工程學(xué)報,2008,24(3):167-172.

[16]王瀚征.基于非監(jiān)督分類與決策樹相結(jié)合的30 m分辨率土地利用遙感反演研究[D].石家莊:河北師范大學(xué),2016.

[17]Breiman L, Friedman J H, Olshen R A, et al. Classification and Regression Trees[M]. California:Wadsworth International Group, 1984:1-358.

[18]趙萍,傅云飛,鄭劉根,等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學(xué)報,2005,9(6):708-716.

[19]Yohannes Y, Hoddinott J. Classification and Regression Trees:an Introduction[M]. Washington D C:International Food Policy Research Institute, 1999.

[20]于文婧,劉曉娜,孫丹峰,等.基于HJ-CCD數(shù)據(jù)和決策樹法的干旱半干旱灌區(qū)土地利用分類[J].農(nóng)業(yè)工程學(xué)報,2016,32(2):212-219.

[21]王正興,劉闖,HUETE Alfredo.植被指數(shù)研究進展:從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學(xué)報,2003,23(5):979-987.