基于作物空间物候差异提取黄淮海夏玉米种植面积*

王雪婷，张 莎，邓 帆**，张佳华**

基于作物空间物候差异提取黄淮海夏玉米种植面积*

王雪婷1，张 莎2,3，邓 帆1**，张佳华2,3**

（1.长江大学地球科学学院，武汉 430100；2.中国科学院大学，北京 100049；3.中国科学院遥感与数字地球研究所，北京 100049）

考虑大区域内不同纬度间玉米物候差异，利用MODIS EVI时序曲线提取黄淮海夏玉米种植面积。基于Landsat影像和MOD13Q1数据集，提取参考区夏玉米MODIS EVI时间序列曲线；根据研究区内农业气象站夏玉米生育期观测数据，构建夏玉米各物候期与纬度的关系，以纬度作为参数修正参考区夏玉米MODIS EVI时序曲线，获取研究区夏玉米EVI标准时序曲线，结合平均绝对距离（MAD）和p-分位数法提取黄淮海平原夏玉米面积。结果表明，利用遥感影像提取的北京、天津、河北、河南以及山东夏玉米面积分别为125.3×103、162.6×103、2231.8×103、2963.6×103和2731.9×103hm2，各省提取精度均达到80%以上。在市级尺度上，决定系数R2为0.82，均方根误差RMSE为147.8×103hm2；在县级尺度上，决定系数R2为0.62，均方根误差RMSE为17.7×103hm2。说明利用本方法能够准确有效地提取大区域内夏玉米种植面积，为其它农作物在大范围内估计种植面积提供新思路。

夏玉米；种植面积提取；物候差异；多时相MODIS EVI；黄淮海平原

玉米是中国主要粮食作物，在农业生产中占有重要地位，客观、及时、准确获取玉米种植面积，对保障国家粮食安全和经济持续发展尤为重要[1−2]。黄淮海平原是夏玉米种植的主要区域，玉米种植面积占全国玉米面积的30%左右[3]，准确估计该区域夏玉米种植面积对中国农业生产具有重要意义。

遥感作为一种地球观测技术，能够有效地获取地物的空间分布和光谱信息，具有更新快、易获取、覆盖范围广等优势，被广泛应用于农作物的识别与分类[4−6]。植被在遥感影像上呈现出不同的光谱特征，多时相遥感植被指数反映了植被光谱特征在时间维上的生长变化，能够有效区分不同植被类型，实现作物面积提取[7−9]。顾晓鹤等[10]基于小波变换的MODIS（moderate resolution imaging spectroradiometer）和TM（thematic mapper）融合方法，构建中分辨率尺度的NDVI（normalized difference vegetation index）时间序列数据集，提取河南原阳县玉米种植面积，提取精度达到88%以上；刘剑锋等[11]利用MODIS NDVI数据集，结合玉米的物候信息，对伊洛河流域夏玉米进行识别，识别精度达到90%以上；郭昱杉等[12]通过对比待分像元MODIS NDVI时序曲线与参考曲线的相似性，提取黄河三角洲地区玉米面积，提取精度达到85%以上。上述研究表明当研究区域范围较小时，即使不考虑区域间玉米的物候差异，基于多时相遥感影像提取的玉米种植面积也可以达到较高精度。

当研究区域范围较大时，区域间气候（温度、降水、辐射等）不同，玉米物候在不同区域呈现出显著差异[13−15]。利用多时相遥感影像提取大区域内夏玉米种植面积，若不考虑物候差异的影响，玉米面积提取结果精度较低[16−17]。因此，在大区域内利用MODIS EVI时序曲线提取夏玉米面积时，需要考虑区域间不同气候对作物各生育期的影响，以保障作物面积提取的精度。

在黄淮海平原，降水与日照时长对夏玉米的生育进程有一定影响，但不明显；同期平均温度变化与夏玉米物候之间呈现出显著的负相关关系[14,18]；同时，纬度是温度区域差异的决定要素之一，温度呈现出纬向梯度变化，在该区不同纬度地带的夏玉米物候差异明显[19−21]。本研究将纬度表示的作物空间物候差异信息与多时相MODIS EVI影像结合，获取研究区夏玉米EVI标准时序曲线方程，并计算研究区夏玉米EVI标准时序曲线与实际MODIS EVI时序曲线之间的平均绝对距离（MAD），利用p-分位数法，快速准确实现黄淮海平原夏玉米种植面积的提取，为大区域内作物面积快速有效提取提供新思路。

1 资料与方法

1.1 研究区和参考区

黄淮海平原（图1a）位于31−41°N，110−123°E，包括河北（不含承德和张家口）、北京、天津、河南和山东。该区域地势平坦，土壤资源丰富，是中国夏玉米种植的主要区域。区内属温带季风性气候，四季分明，全年降水量500～900mm，降水多集中于夏季，占全年降水量的70%，年平均温度8～15℃，不同纬度间夏玉米物候差异明显[19−21]。

图1 研究区（a）和参考区（b）的空间分布

本研究选取种植结构相对单一的河南省汝州市作为参考区（图1b），该市位于河南省中部（33°56′− 34°20′N，112°31′−113°07′E），主要秋收作物为夏玉米，种植面积约占秋收作物的70%，选取该市作为参考区能够减少遥感信息“同物异谱”与“同谱异物”的几率。

1.2 数据来源及处理

1.2.1 Landsat7 ETM+影像

Landsat7 ETM+影像（https://glovis.usgs.gov）的空间分辨率为30m×30m，适合小区域高精度作物面积提取。根据参考区的天气状况、影像质量以及夏玉米的物候特征，分别选取2012年6月9日（夏玉米播种期）、9月13日（乳熟期）和10月31日（收获期）3期ETM+影像，用以提取参考区夏玉米种植面积。分类前对3幅影像进行去条带、辐射定标、基于FLAASH模型的大气校正以及裁剪等预处理。

1.2.2 MODIS EVI数据

MODIS EVI数据来源于NASA的MOD13Q1数据集（https://search.earthdata.nasa.gov）。该数据集空间分辨率为250m×250m，时间分辨率为16d。夏玉米生长季（6月1日−10月31日）共包含9个时相的数据，数据范围覆盖h26v04、h26v05、h27v04、h27v05和h28v05。先将影像进行拼接，再对拼接后的影像进行投影转换处理，投影坐标系为UTM_Zone_50N，地理坐标系为CGS_WGS_1984，最后利用黄淮海和汝州的边界数据分别裁剪拼接后的影像。

1.2.3 土地利用数据

利用2010年30m×30m空间分辨率的土地利用覆盖数据（Globeland30，http://www.globallandcover. com）对所提取的参考区夏玉米面积进行修正。提取土地利用类型中的耕地（编码为10）数据集，将耕地数据集与参考区提取的夏玉米种植面积进行掩膜处理，以排除其它土地利用类型对参考区夏玉米提取结果的影响。

1.2.4 农业气象站数据

2012年夏玉米物候信息来源于中国气象数据网（http://data.cma.cn/）的28个农业气象站（站点分布情况见图1a）生育期观测数据，包括各站点经纬度、生育期名称和生育日期数据，将日期转换为日序DOY（Ordinal day of a year），详细信息见表1。

1.2.5 统计数据

收集2012年玉米种植面积统计数据[22−26]，包括北京市、天津市、河北省7个市、河南省15个市、山东省17个市共41个市级统计数据；北京市6个县、天津市6个县、河北省47个县、河南省90个县、山东省71个县共220个县级统计数据。

1.3 研究方法

黄淮海平原夏玉米种植面积的提取流程如图2所示。由图可见，整个提取方法可分为三大步骤。

第一步，在研究区内选定种植作物相对单一的参考区，提取并重构参考区夏玉米MODIS EVI时间序列曲线。选取2012年6月9日、9月13日和10月31日3期Landsat7影像，利用支持向量机方法[27−28]（Supported Vector Machine，SVM）提取参考区夏玉米种植分布区域，将提取结果与MODIS时序影像进行掩膜处理，利用多时相MODIS EVI影像计算得到参考区夏玉米MODIS EVI时间序列曲线，进而利用S–G[29−31]（Savitzky–Golay）滤波对参考区夏玉米MODIS EVI时间序列曲线进行平滑重构，得到参考夏玉米MODIS EVI时序曲线方程。

第二步，考虑作物物候空间差异性构建研究区夏玉米EVI标准时序曲线的模拟方程。根据研究区内28个农业气象站的夏玉米物候数据，分析夏玉米各生长阶段DOY与纬度之间的关系，得到夏玉米各生长阶段DOY随纬度增加的延迟值（Lag），将纬度作为参数修正参考区夏玉米MODIS EVI时间序列曲线以得到研究区夏玉米EVI标准时序曲线方程。

第三步，根据研究区夏玉米EVI标准时序曲线方程提取夏玉米种植面积。计算研究区模拟夏玉米EVI标准时间序列曲线与实际MODIS EVI时间序列曲线的平均绝对距离[32]（MAD），并根据p–分位数法[33−34]设置各省的MAD阈值，将MAD值小于各省对应的MAD阈值的栅格区域确定为夏玉米种植分布区域，利用这一规则，提取黄淮海夏玉米种植面积。

表1 2012年黄淮海区域农业气象站点夏玉米物候信息

Table 1 Phenological information of summer maize in Huanghuaihai agro-meteorological sites in 2012

注：“–”表示无观测数据。

Note: “–”is no observation data.

2 结果与分析

2.1 参考区夏玉米MODIS EVI时间序列曲线的提取和重构

2.1.1 参考区夏玉米种植面积提取

分析参考区秋收作物的物候特征（图3）可知，参考区夏玉米6月上中旬处于播种期，在遥感影像上表现为裸地信息；花生和棉花的播种期在4月下旬−5月中旬之间，6月上中旬，在遥感影像上表现为植被信息，此时是利用遥感影像区分夏玉米与其它秋收作物种植区域的最佳时期。夏玉米在7−9月处于三叶–成熟期，在遥感影像上表现为植被信息；10月下旬夏玉米完成收割，冬小麦处于刚刚播种或未播种时期，夏玉米种植区域在遥感影像上表现为裸地信息。提取参考区遥感影像6月9日裸地、9月13日植被、10月31日裸地信息，做空间交集运算获取参考区夏玉米种植面积。具体步骤为：

（1）采用目视解译方法从3幅Landsat7遥感影像上分别选取道路、植被、水体、居民地以及裸地的训练样本，然后利用SVM方法[27−28]对6月9日、9月13日和10月31日3期影像进行分类。

（2）分别提取影像中6月9日裸地、9月13日植被、10月31日裸地信息，并做空间交集运算，得到参考区夏玉米种植分布。

（3）利用30m×30m分辨率土地利用覆盖数据中的耕地数据集与获取的参考区夏玉米分布进行叠加分析，修正提取的参考区夏玉米种植面积。

图2 夏玉米种植面积提取流程

图3 参考区主要作物物候历

Table基于Landsat-ETM+影像数据获取参考区夏玉米种植面积（38.5×103hm2）空间分布，如图4所示。根据统计年鉴[24]中汝州市夏玉米面积（43.4×103hm2）进行验证，结果表明，提取精度为88%。表明在种植结构相对单一的区域，利用夏玉米关键期不同光谱特征信息进行交集运算方法提取的夏玉米面积具有较高精度。

图4 参考区夏玉米种植面积分布

2.1.2 参考区夏玉米MODIS EVI时间序列曲线重构

将参考区提取夏玉米分布区域与时序MODIS EVI影像做掩膜处理，得到参考区夏玉米时序MODIS EVI空间分布，分别计算每一期夏玉米MODIS EVI平均值，将平均值作为参考区夏玉米的EVI值，得到参考区夏玉米MODIS EVI原始时间序列曲线（时序EVI）。利用S–G滤波[29−31]方法对时序EVI进行平滑，得到参考区夏玉米平滑的MODIS EVI时间序列曲线（图5）。采用高斯函数对参考区夏玉米平滑的MODIS EVI时间序列曲线进行函数拟合，得到参考区模拟的夏玉米MODIS EVI时序曲线方程，即

式中，i代表DOY，EVIi代表在第i天参考区夏玉米模拟EVI值，模拟EVI函数各参数值见表2。

由图5可见，参考区夏玉米MODIS EVI值随时间推移呈现出先增后减的趋势，夏玉米在第157−225天，处于播种–抽穗期，是夏玉米快速生长阶段，EVI逐渐升高；第225天前后进入抽穗期，是夏玉米生长最为旺盛时期，EVI值也达到峰值；第225−273天为抽穗–成熟期，夏玉米逐渐成熟，EVI值不断下降。

表2 参考区夏玉米模拟EVI函数参数值

Table 2 Simulated EVI function parameters of summer maize in reference area

2.2 研究区夏玉米EVI标准时间序列曲线构建

2.2.1 研究区夏玉米物候空间延迟特性分析

夏玉米物候期包括8个主要阶段，分别是播种、出苗、三叶、七叶、拔节、抽穗、乳熟和成熟。根据28个农业气象站夏玉米物候数据，确定夏玉米物候历与纬度之间的关系（图6）。由图6可以看出，夏玉米物候期从南到北呈现出不断延迟的规律性。研究区内夏玉米延迟系数（即纬度每增加1°，夏玉米物候期推迟的天数）在播种期为1.5868d·度−1，出苗期为1.6655d·度−1，三叶期为1.8416d·度−1，七叶期为1.632d·度−1，拔节期为1.314d·度−1，抽穗期为1.8124d·度−1，乳熟期为2.1881d·度−1，成熟期为2.4244d·度−1。为减少计算冗余，对夏玉米各物候期的延迟系数进行整合，将整个物候期的延迟系数定为1.5d·度−1，并以参考区汝州市中心纬度（34.17°N）为基准，计算黄淮海平原夏玉米物候的延迟值（Lag），即

2.2.2 研究区夏玉米EVI标准时间序列曲线的构建

同一夏玉米生育期在黄淮海平原南北区域相差15d左右，参考区夏玉米MODIS EVI时间序列曲线不能代表整个研究区夏玉米MODIS EVI时间序列曲线，需要考虑不同纬度间所存在的物候差异。根据式（2）将黄淮海平原夏玉米物候延迟值（Lag）作为中间参数重新构建参考区模拟的夏玉米MODIS EVI时序曲线方程，得到研究区夏玉米EVI标准时序曲线方程（式3），使纬度成为其中的一个参数，即

式中，i为DOY，Lag为延迟值，SEVIi为在第i天的夏玉米标准EVI值，SEVI函数各参数值见表2。

2.2.3 模拟EVI标准时间序列曲线的验证

在研究区的五省市随机选取10个区县（保证验证站点数占用于拟合函数站点数的30%[30]），对模拟EVI标准时间序列曲线进行验证。根据2.1获取参考区夏玉米MODIS EVI时间序列曲线的方法，计算10个验证区域实际夏玉米MODIS EVI时间序列曲线，并将其与模拟夏玉米EVI标准时间序列曲线进行相关性分析，结果如表3所示。由表可见，在99%的置信水平下，实际夏玉米MODIS EVI时间序列曲线与模拟夏玉米EVI标准时序曲线的相关系数都大于0.9，表明根据式（3）模拟研究区夏玉米标准EVI时序曲线与实际夏玉米MODIS EVI时序曲线保持一致。

2.3 研究区玉米种植面积提取

2.3.1 计算夏玉米标准EVI与实际MODIS EVI间平均绝对距离

平均绝对距离[35]（MAD）的计算式为

式中，为平均绝对距离MAD值；mk为模板图像第k时序像元个数，将标准EVI的每个栅格的像元作为模板，即mk为1；xik和xjk分别为第k时序对应像元的实际MODIS EVI值和标准EVI值；n为时序总数（n=9）。MAD值越小，说明夏玉米实际MODIS EVI值与模拟标准EVI值的相似性越大，为夏玉米的可能性越大；反之，为夏玉米的可能性越小[33]。计算得到研究区平均绝对距离（MAD）图（图7），由图可见，2012年MAD的最小值为0，最大值为6。

表3 实际MODIS EVI曲线和模拟EVI标准曲线的相关分析

Table 3 Correlation analysis between the actual MOSIS EVI curve and the simulation standard EVI curve

注：**表示通过0.01水平的显著性检验。

Note:**is P＜0.01.

图7 2012年黄淮海平原平均绝对距离（MAD）图

2.3.2 利用p–分位数法确定各省MAD阈值

p–分位数法[33−34]（也称p–tile法）是Doyle于1962年提出的一种经典阈值选取方法。该方法将研究对象分为目标模式Po与背景模式Pb，用二者比值得到分位数P值，令其等于先验概率。根据先验概率找到合适的阈值T，使研究对象小于阈值T的为目标模式，大于阈值T的为背景模式，具体公式为

P = Po/ Pb（5）

f(x, y)≤T （6）

f(x, y)＞T （7）

式中，Po为目标模式；Pb为背景模式；f(x, y)为研究对象（MAD图）；T为阈值。

计算各省统计玉米面积与总面积比值，将其作为分位数P值。根据分位数P值，对各省MAD图的直方图进行累积，直到累积值的比例大于或等于P值，此时的MAD值即为最佳阈值T。根据p-分位数法，最终确定北京的最佳阈值T为0.85，天津为0.82，河北为0.66，河南为0.62，山东为0.65。当北京、天津、河北、河南和山东的MAD值小于各省对应的最佳阈值T时，认为该栅格所占区域就是夏玉米种植区域，利用这一规则对黄淮海夏玉米种植分布进行提取。

2.3.3 提取黄淮海平原夏玉米面积

研究区夏玉米种植面积提取结果见图8。由图可知，夏玉米在北京市、天津市以及河南省西部和南部分布较少，在黄淮海平原的其它区域分布较均匀。这是由于北京市和天津市地区多为市区，农业种植区域较少；河南南部以水稻和小麦为主要种植作物[36]；河北、山东以及河南的中部和北部地势平坦，光温条件良好，是夏玉米的主要种植区域。与王红营等[37]提取的2012年华北地区夏玉米面积相比，本研究提取夏玉米分布区域与其在河北北部和南部、山东西北以及河南北部提取结果基本一致。

图8 2012年黄淮海平原夏玉米种植面积分布图

2.3.4 验证黄淮海平原夏玉米面积提取结果

利用MODIS EVI时序曲线提取的北京、天津、河北、河南以及山东夏玉米种植面积（表4）分别为125.3×103、162.6×103、2231.8×103、2963.6×103和2731.9×103hm2，河南省夏玉米种植面积最大，北京市最小，与统计年鉴数据相符。利用统计值与遥感提取值分析夏玉米面积提取的高估和低估情况[17]，提取面积大于统计面积表现为正即为高估，为负即为低估，由表4可知，各省市均表现为低估，其中河南省提取精度最高，达95.60%，河北省提取精度最低，为83.14%，研究区五省市提取结果精度均达到80%以上。

将夏玉米提取面积分别以市和县为单位进行汇总，并利用统计年鉴[22−26]中黄淮海41个市级玉米统计面积和220个县级玉米统计面积对提取结果进行验证。根据图9可知，在市级尺度上，决定系数R2为0.82，均方根误差RMSE为147.8×103hm2；在县级尺度上，决定系数R2为0.62，均方根误差RMSE为17.7×103hm2。与刘珺等[38]利用多时相MODIS EVI提取黄淮海平原夏玉米面积结果对比，本研究提取精度显著提高。

表4 各省夏玉米提取面积与统计数据对比

Table 4 Comparison of extracted area and statistical data of summer maize for each province

注：高估或低估（%）=（提取面积−统计面积）/统计面积×100，100-Abs（高估或低估）即为精度（%）。下同。

Note: High(+) or low(−)(%)=(statistical data−extracted area)/ statistical data×100, and accuracy(%) is 100-Abs (high or low). The same as below.

图9 黄淮海平原夏玉米遥感提取面积与统计面积相关性

随机选取北京、天津、河北、河南以及山东的5个县级区域（通州、蓟县、武安、沈丘、高密），作为面积提取抽样验证区域，利用2.1.1提取参考区夏玉米种植区域方法，提取5个县级验证区域的夏玉米面积。将基于30m×30m空间分辨率Landsat影像提取的夏玉米种植分布区域与基于250m×250m空间分辨率的MODIS EVI影像利用本研究方法获取夏玉米种植分布区域进行叠加分析，得到两种遥感影像提取夏玉米种植分布重叠部分面积，计算重叠面积相对统计面积的高估和低估情况[17]。结果显示（表5），除武安外，其它验证区域面积提取精度均达到80%以上，精度均值82.90%，满足精度要求。

表5 Landsat和MODIS影像提取的夏玉米种植分布重叠部分面积与统计面积的对比

Table 5 Comparing the overlapping area of summer maize planting distribution extracted from Landsat and MODIS images with the statistical area

2.3.5 不同年份的提取结果

将MODIS EVI时序曲线与夏玉米空间物候差异结合提取2013年黄淮海夏玉米种植面积分布，北京、天津、河北、河南以及山东的夏玉米种植面积分别为102.2×103、155.6×103、2389.09×103、2975.72×103和3191.09×103hm2，与统计面积对比表明，五省市夏玉米提取面积精度均达到80%以上。以市级尺度为单位汇总2013年夏玉米种植面积提取结果（共41个市），并与统计面积[22−26]进行对比验证，计算得到R2为0.79，RMSE为120.17×103hm2。2013年夏玉米的空间分布特征与2012年基本保持一致。可见，在不同年份间，利用夏玉米EVI标准时序曲线的方法提取大区域内夏玉米种植面积的精度较高，表明该方法具有一定的普适性。

3 结论与讨论

3.1 结论

（1）根据28个农业气象站生育期观测数据，分析夏玉米各生长阶段DOY与纬度之间的关系，结果表明，在黄淮海平原，纬度每增加1°，夏玉米从出苗–成熟期各生长阶段延迟1.5d左右。

（2）将纬度作为参数构建研究区夏玉米EVI标准时间序列曲线方程，利用10个验证点对拟合曲线方程进行验证，验证结果表明，在99%的置信水平下，拟合的夏玉米EVI标准时序曲线与实际MODIS EVI时序曲线相关，说明拟合曲线是可靠的。

（3）基于遥感影像提取的北京、天津、河北、河南和山东的夏玉米种植面积分别为125.3×103、162.6×103、2231.8×103、2963.6×103和2731.9×103hm2。将统计面积与提取的夏玉米面积对比，显示在市级尺度上R2（RMSE）为0.82（147.8×103hm2），县级尺度上R2（RMSE）为0.62（17.7×103hm2），说明提取方法具有较好的精度。

3.2 讨论

在大尺度上利用遥感影像时序曲线提取作物面积的过程中，由于区域间存在作物物候差异，会对面积提取结果产生一定影响[17,19,33,38]。本研究分析夏玉米各生育期（DOY）与纬度之间的关系，将MODIS EVI时序曲线和纬度表示的作物空间物候差异相结合，建立研究区夏玉米EVI标准时序曲线，使其与研究区内各地夏玉米实际MODIS EVI时序曲线保持一致，并利用夏玉米EVI标准时序曲线提取大区域内夏玉米种植面积。

由验证结果可以看出，在大区域上利用纬度修正的夏玉米标准EVI时序曲线提取夏玉米种植面积精度明显提高，各省夏玉米面积提取精度均达到80%以上；随机选取5个县级区域提取的夏玉米种植面积，将其与Landsat影像提取面积的重叠部分与统计面积进行对比，提取面积的平均精度值为83.26%，基本满足研究精度要求，表明在大区域内该方法能够较准确地提取出夏玉米种植面积；同时，基于2013年多时相MODIS EVI影像与夏玉米生育期观测数据，构建夏玉米标准EVI时序曲线提取黄淮海夏玉米种植面积，各省提取精度均达到80%以上，说明该方法具有一定的普适性，可为大区域上其它农作物面积提取提供一定技术参考。

本研究是在地势平坦，光照条件良好的黄淮海平原进行，只考虑了在该地区不同纬度间温度差异造成的玉米物候差异，若在地形和气候条件更复杂的区域提取夏玉米种植分布或者获取更高精度的面积提取结果时，还需考虑海拔、降水、光照时长以及种植习惯等对玉米各物候期的影响，以快速准确提取大区域内夏玉米种植面积。

[1]Chen S,Kung J K-S.Of maize and men:the effect of a new world crop on population and economic growth in China[J].Journal of Economic Growth,2016,21(1):71-99.

[2]赵久然,王荣焕.中国玉米生产发展历程､存在问题及对策[J].中国农业科技导报,2013,15(3):1-6.

Zhao J R,Wang R H.Development process,problem and countermeasure of maize production in China[J].Journal of Agricultural Science and Technology,2013,15(3):1-6.(in Chinese)

[3]中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2013.

National Bureau of Statistics.China statistical yearbook[M].Beijing:China Statistics Press,2013.(in Chinese)

[4]Carrão H,Gonçalves P,Caetano M.Contribution of multispectral and multitemporal information from MODIS images to land cover classification[J].Remote Sensing of Environment,2008,112(3):986-997.

[5]Mccullough I M,Loftin C S,Sader S A.High-frequency remote monitoring of large lakes with MODIS 500m imagery[J].Remote Sensing of Environment,2012,124:234-241.

[6]张莎,张佳华,白雲,等.基于MODIS-EVI及物候差异免阈值提取黄淮海平原冬小麦面积[J].农业工程学报,2018,34(11):150-158.

Zhang S,Zhang J H,Bai Y,et al.Extracting winter wheat area in Huanghuaihai Plain using MODIS-EVIdata and phenology difference avoiding threshold[J].Transactions of the CSAE,2018,34(11):150-158.(in Chinese)

[7]Zhang M,Zhou Q,Chen Z,et al.Crop discrimination in Northern China with double cropping systems using Fourier analysis of time-series MODIS data[J].International Journal of Applied Earth Observation & Geoinformation,2008,10(4):476-485.

[8]郭建茂,施俊怡.基于HJ-CCD时序数据提取镇江市水稻种植分布[J].中国农业气象,2014,35(2):228-234.

Guo J M,Shi J Y. Mapping rice paddy distribution in Zhenjiang city based on Multi-temporal HJ-CCD imagery[J]. Chinese Journal of Agrometeorology,2014,35(2): 228-234. (in Chinese)

[9]曹丹,景海涛,孙金珂,等.多时相MODIS指数提取东北三省水稻种植面积[J].测绘科学,2018,43(7):54-60.

Cao D,Jing H T,Sun J K,et al.Extraction of rice area in Northeast China based on MODIS timing indices[J].Science of Surveying and Mapping,2018,43(7):54-60.(in Chinese)

[10]顾晓鹤,韩立建,王纪华,等.中低分辨率小波融合的玉米种植面积遥感估算[J].农业工程学报,2012,28(3):203-209.

Gu X H,Han L J,Wang J H,et al.Estimation of maize planting area based on wavelet fusion of multi-resolution images[J].Transactions of the CSAE,2012,28(3):203-209.(in Chinese)

[11]刘剑锋,张喜旺.基于光谱和时相特征的夏玉米遥感识别[J].遥感技术与应用,2016,31(6):1131-1139.

Liu J F,Zhang X W.Research on remote sensing identification method of maize based on seasonal rhythms and spectral characteristics[J].Remote Sensing Technology and Application,2016,31(6):1131-1139.(in Chinese)

[12]郭昱杉,刘庆生,刘高焕,等.基于MODIS时序NDVI主要农作物种植信息提取研究[J].自然资源学报,2017,32(10):1808-1818.

Guo Y S,Liu Q S,Liu G H,et al.Extraction of main crops in yellow river delta based on MODIS NDVI time series[J].Journal of Natural Resources,2017,32(10):1808-1818.(in Chinese)

[13]Hou P,Liu Y,Xie R,et al.Temporal and spatial variation in accumulated temperature requirements of maize[J].Field Crops Research,2014,158:55-64.

[14]Wang Z,Chen J,Li Y,et al.Effects of climate change and cultivar on summer maize phenology[J].International Journal of Plant Production,2016,10(4):509-525.

[15]李秀芬,马树庆,赵慧颖,等.基于WOFOST模型的内蒙古河套灌区玉米低温冷害评价[J].中国农业气象,2016,37(3):352-360.

Li X F,Ma S Q,Zhao H Y,et al.Evaluation on maize chilling injury based on WOFOST Model in Hetao irrigation region in Inner Mongol[J].Chinese Journal of Agrometeorology,2016,37(3):352-360.(in Chinese)

[16]刘珺,田庆久,黄彦,等.黄淮海夏玉米物候期遥感监测研究[J].遥感信息,2013,28(3):85-90.

Liu J,Tian Q J,Huang Y,et al.Monitoring phenology of summer maize in Huang-Huai-Hai using remote sensing technology[J].Remote Sensing Information,2013,28(3):85-90.(in Chinese)

[17]姜亚珍,张瑜洁,孙琛,等.基于MODIS-EVI黄淮海平原冬小麦种植面积分带提取[J].资源科学,2015,37(2):417-424.

Jiang Y Z,Zhang Y J,Sun C,et al.MODIS-EVI based winter wheat planting information extraction of zoning on Huanghuaihai Plain[J].Resources Science,2015,37(2):417-424.(in Chinese)

[18]孟林,刘新建,邬定荣,等.华北平原夏玉米主要生育期对气候变化的响应[J].中国农业气象,2015,36(4):375-382.

Meng L,Liu X J,Wu D R,et al.Responses of summer maize main phenology to climate change in the North China Plain[J].Chinese Journal of Agrometeorology,2015,36(4):375-382.(in Chinese)

[19]Liu Y,Xie R,Hou P,et al.Phenological responses of maize to changes in environment when grown at different latitudes in China[J].Field Crops Research,2013,144:192-199.

[20]Yan H,Zhen Y,Dong B W,et al.Effect of latitude on growth period and quality of maize(L.)[J].Chinese Agricultural Science Bulletin,2009,27(12):38-41.

[21]卢爱刚,庞德谦,何元庆,等.全球升温对中国区域温度纬向梯度的影响[J].地理科学,2006,26(3):345-350.

Lu A G,Pang D Q,He Y Q,et al.Impact of global warming on latitudinal temperature gradients in China[J].Scientia Geographica Sinica,2006,26(3):345-350.(in Chinese)

[22]北京市统计局,国家统计局北京调查总队.北京统计年鉴[M].北京:中国统计出版社,2013.

Beijing Municipal Bureau of Statistics,Survey Office of the National Bureau of Statistics in Beijing. Beijing statistical yearbook [M]. Beijing: China Statistics Press,2013. (in Chinese)

[23]河北省人民政府办公厅,河北省统计局.河北农村统计年鉴[M].北京:中国统计出版社,2013.

The People's Government of Hebei Province Hebei Provincial Bureau of Statistics.HeBei rural statistical yearbook[M].Beijing:China Statistics Press,2013.(in Chinese)

[24]河南省统计局.河南统计年鉴[M].北京:中国统计出版社,2013.

Henan Province Bureau of Statistics. Henan statistical yearbook[M]. Beijing: China Statistics Press,2013. (in Chinese)

[25]山东省统计局,国家统计局山东调查总队.山东统计年鉴[M].北京:中国统计出版社,2013.

Shandong Provincial Bureau of Statistics,Survey Office of the National Bureau of Statistics in Shandong.Shandong statistical yearbook[M].Beijing:China Statistics Press,2013.(in Chinese)

[26]天津市统计局.天津统计年鉴[M].北京:中国统计出版社,2013.

Tianjin Municipal Bureau of Statistics.Tianjin statistical yearbook[M].Beijing:China Statistics Press,2013.(in Chinese)

[27]Mitra P,Shankar B U,Pal S K.Segmentation of multispectral remote sensing images using active support vector machines[J].Pattern Recognition Letters,2004,25(9):1067-1074.

[28]Mountrakis G,Im J,Ogole C.Support vector machines in remote sensing:a review[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(3):247-259.

[29]Savitzky A,Golay M J E.Smoothing and differentiation of data by simplified least squares procedures[J].Analytical Chemistry,1964,36(8):1627-1639.

[30]边金虎,李爱农,宋孟强,等.MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J].遥感学报,2010,14(4):725-741.

Bian J H,Li A N,Song M Q,et al.Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J].Journal of Remote Sensing,2010,14(4):725-741.(in Chinese)

[31]陈燕芬,牛振国,胡胜杰,等.基于MODIS时间序列数据的洞庭湖湿地动态监测[J].水利学报,2016,47(9):1093-1104.

Chen Y F,Niu Z G,Hu S J,et al.Dynamic monitoring of Dongting Lake wetland using time-series MODIS imagery[J].Journal of Hydraulic Engineering,2016,47(9):1093-1104.(in Chinese)

[32]Gu X H,Pan Y Z,He X,et al.Measurement of sown area of winter wheat based on per-field classification and remote sensing imagery[J].Journal of Remote Sensing,2010,14(4):789-805.

[33]Zhang J H,Feng L L,Yao F M.Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2014,94(94):102-113.

[34]李红真,杨朝,刘恩海,等. P-tile与直方图FCM结合的路面图像分块分割[J].计算机时代,2010,(8):32-34.

Li H Z,Yang C,Liu E H,et al.P-tile combined with histogram-based FCM for pavement image partitioning[J].Computer Era,2010,(8):32-34.(in Chinese)

[35]Gu X H,Pan Y C,He X,et al.Estimation of maize planting area through the fusion of multi-source images[J].Computer and Computing Technologies in Agriculture V,2012:470-477.

[36]刘新圣,孙睿,武芳,等.利用MODIS-EVI时序数据对河南省土地覆盖进行分类[J].农业工程学报,2010,(s1):213-219.

Liu X S,Sun R,Wu F,et al.Land-cover classification for Henan Province with time-series MODIS EVI data[J].Transactions of the CSAE,2010,(s1):213-219.(in Chinese)

[37]王红营,潘学鹏,罗建美,等.基于遥感的华北平原农作物时空分布变化特征分析[J].中国生态农业学报,2015,23(9):1199-1209.

Wang H Y,Pan X P,Luo J M,et al.Using remote sensing to analyze spatiotemporal variations in crop planting in the North China Plain[J].Chinese Journal of Eco-Agriculture,2015,23(9):1199-1209.(in Chinese)

[38]刘珺,田庆久,黄彦,等.2000-2010年黄淮海平原夏玉米种植时空变化检测[J].光谱学与光谱分析,2012,32(9):2534-2539.

Liu J,Tian Q J,Huang Y,et al.Dynamic monitoring of summer maize planting information for spatial and temporal variations in Huanghuaihai Plain during 2000-2010[J].Spectroscopy and Spectral Analysis,2012,32(9):2534-2539.(in Chinese)

Mapping the Cultivation Areas of Summer Maize Using Spatial Variations of Crop Phenology over Huanghuaihai Plain

WANG Xue-ting1, ZHANG Sha2,3, DENG Fan1, ZHANG Jia-hua2,3

(1. College of Earth Sciences, Yangtze University, Wuhan 430100, China; 2. University of Chinese Academy of Sciences, Beijing 100049; 3. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100049）

Considering the phenological differences of maize along with latitude over a large area, the planting area of summer maize was extracted by MODIS EVI time series curve over Huanghuaihai Plain in this paper. Based on Landsat images and MOD13Q1 dataset, the MODIS EVI time series curve of summer maize was obtained in a reference area. The phenology observation data from the agro-meteorological stations were collected to build the relationship between various summer maize growth stages and latitude. The latitude was used to correct the MODIS EVI time series curve of summer maize in the reference area, and then the standard EVI time series curve of summer maize was obtained. Using the mean absolute distance (MAD) method and p-tile algorithm, the summer maize planting area was estimated in the study area. The results showed that the areas of summer maize extracted from remote sensing images in Beijing, Tianjin, Hebei, Henan and Shandong were 125.3×103, 162.6×103, 2231.8×103, 2963.6×103and 2731.9×103ha, respectively. Meanwhile, the accuracy of extraction result in each province was above 80%. The determinant coefficient (R2) is 0.82 and the root mean square error (RMSE) is 147.8×103ha at city level, and 0.62 and 17.7×103ha at county level, respectively. It indicated that the method in present study has the ability of extracting the summer maize planting area effectively and provides a new idea for estimating the planting area of other crops in a large region.

Summer maize; Planting area extraction; Phenology difference; Multi-temporal MODIS EVI; Huanghuaihai Plain

10.3969/j.issn.1000-6362.2019.10.005

王雪婷,张莎,邓帆,等.基于作物空间物候差异提取黄淮海夏玉米种植面积[J].中国农业气象,2019,40(10):647-659

2019−04−17

。E-mail：dengfan@yangtzeu.edu.cn; zhangjh@radi.ac.cn

国家重点研发计划（2016YFD0300110）；国家自然科学基金（41871253；31671585）；山东自然科学基金重大基础研究项目（ZR2017ZB0422）

王雪婷（1989−），女，硕士生，主要从事遥感技术应用研究。E-mail：Wangxt1227@163.com