2016《Mapping Rice Cropping Systems Using an NDVI Time-Series Similarity Measurement Base on DTW》

研究区

         越南（Vietnam）全国。根据 地形、土壤、气候 等因素，可以将整个国家分成 8 个农业生态区：North Central Coast、 North East、Mekong River Delta、Red River Delta、South East、South Central Coast、North West、Central Highlands。水稻种植主要集中在 Mekong 和 Red 两个三角洲，Mekong 占了整个国家超过一半的水稻区域。

          越南的种植密度是全球最高的（Maclean, J.L.等, 2002）。种植密度指：某个作物的种植面积 与 土地面积 之比。其高种植密度可能是因为 Mekong 大部分区域种植了三季稻。根据Son, N.-T.等人（2013）的研究，越南每年有 5 个种植季节（cropping season）：① 雨季 (7/8月-12/1月)、② 冬-春季(11/12月-2/3月)、③ 春-夏季(3/4月-5/6月)、④ 夏-秋季(4/5月-7/8月)、⑤ 秋-冬季(7/8/9月-10/11/12月)。

Maclean, J.L.; Dawe, D.C.; Hardy, B.; Hettel, G.P. Rice Almanac: Source Book for the Most Important Economic Activity on Earth, 2nd ed.; CABI Publishing: Wallingford, Oxon, UK, 2002; pp. 102–105.

Son, N.-T.; Chen, C.-F.; Chen, C.-R.; Duc, H.-N.; Chang, L.-Y. A phenology-based classification of time-series MODIS data for rice crop monitoring in Mekong delta, Vietnam. Remote Sens. 2013, 6, 135–156.

          在一些受土壤和水分条件限制的区域，一般是种植 长期品种(160-180天) 的 雨养水稻种植系统。在一些灌溉方便的地区，一般是种植 短期品种(90-100天) 的 灌溉水稻种植系统。

数据

1、MODIS NDVI Time-Series Data

        MOD09A1：“MODIS/Terra surface reflectance 8-day Global 500 m SIN GRID V005”。2010年，2个波段及其质量评估（QA）数据，覆盖越南全境的5个 tile（h27v06、h27v07、h28v06、h28v07、h28v08）。

        MOD13 数据集 提供  16天、250m/500m/1km 植被指数产品。但 MOD13 时间分辨率太低，所以本文直接使用 MOD09A1 数据生成 NDVI。

2、Digital Elevation Model (DEM) Data

        Shuttle Radar Topography Mission (SRTM) 90-m DEM version 4 data products。lines 57 to 58 and columns 8 to 11。

3、Ancillary Data

现场测量：2013年 3月17日-4月3日，229个地点，其中 98个 水稻长期种植区。在53个地点与当地居民聊天，获得灌溉信息。

目视解译：Google Earth。2009年10月-2010年3月的影像，1468个地点，其中 268 个纯水稻点。

统计数据：General Statistics Office of VIETNAM。2010年，省级。春/秋/冬季稻 的种植区域。

预处理

        使用 Leinenkugel P 等人提出的 internal cloud algorithm flag 来计算云出现的可能性。

Leinenkugel, P.; Kuenzer, C.; Dech, S. Comparison and enhancement of MODIS cloud mask products for Southeast Asia. Int. J. Remote Sens. 2013, 34, 2730–2748.

        使用 TIMESAT 软件，比较了 3 个减少噪声的方法：adaptive Savizky–Golay filter、Asymmetric Gaussian function、Double logistic function。最终选择 S-G 滤波。

方法

① 建立标准 NDVI 时序库。

        使用 98个地面观测 和 268个Google Earth目视解译 得到的 366个 纯水稻像元 建立标准时序库，利用库中的时序作为参考时序。对研究区进行分区，每个区域建立一条参考时序；环境条件相似的区域，公用一条序列。

        对于53个包含灌溉信息的参考点，根据灌溉信息区分 单季/双季/三季 稻；其他不包含灌溉信息的区域，结合有信息区域的序列的形状特征，人工评定水稻季节数。

② 基于 时序相似性度量 的DTW

        假设两个长度为 m 和 n 的 时间序列和。建立一个  m×n 的矩阵，定义两个元素之间的距离为。

       在矩阵 A 中，有一条由一系列邻接元素组成的 winding path，标记为。W 的第 k 个元素定义为。路径 W 必须满足下述条件：

 

        下面是一个例子：C = {3,2,2,1,4,3,4}，Q= {1,4,3,2,1,4}。C 和 Q 的 距离矩阵 如下图所示。序列 C 和 Q 之间的 DTW距离为 2 + 1 + 0 + 0 + 0 + 0 + 0 + 1 + 0 = 4 。一些理解：从左上角开始往右下角走，每次只能走 下、右下、右 三个方向中的一个，选数字最小的那个方向走。

 

        在本研究中，C 为 参考序列，Q 是待测像元的NDVI序列。

        在越南，降雨、地形 等因素的变化，会导致水稻种植日期不同。因此，实际的序列可能和参考序列 不同。使用 DTW 度量序列相似性，当两个序列相似（即使存在一些 dislocation）时，DTW 距离很小；只需要应用一个合适的阈值，低于阈值时，就认为两个序列是相同类型。

 

 结果