东北地区农作物遥感分类与早期识别的方法研究
文献类型：学位论文
| 作者 | 尤南山 |
| 答辩日期 | 2022-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 董金玮 |
| 关键词 | 农作物遥感分类 早期识别 随机森林 高斯混合模型 谷歌地球引擎 |
| 学位名称 | 博士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 农作物空间分布和变化信息是作物估产、粮食安全研判、适应性策略制定以及土地利用变化效应研究的基础。遥感技术能快速识别不同作物类型及其空间位置，是估算作物面积、获取作物时空分布信息最重要的手段。然而，现有遥感作物分类研究多局限于较小的时空尺度，较大空间范围和时间跨度的作物分类数据仍很缺乏；多数研究在作物收获后才能获得分类结果，分类的时滞性制约了数据的应用价值；并且模型训练往往需要大量地面样本的支撑，样本依赖使得模型难以迁移至样本缺乏的区域和年份。针对上述问题，本文主要聚焦中国东北地区，基于Google Earth Engine（GEE）平台、所有可用的Sentinel-2（S2）和Landsat遥感影像，提出了区域尺度下多类型作物分类框架，构建了长时间跨度的特定作物动态监测方法。同时，为了提高作物分类的时效性，发展了基于历史样本的作物早期识别算法；为降低模型对样本的依赖性，提出了无样本条件下的作物早期识别模型。本论文开展的工作如下： （1）基于GEE平台、S2遥感影像和随机森林算法（RF），采用“分层分区全时序”框架研制了东北地区2017-2019年10m分辨率的作物分布数据，利用充足的地面样本验证了分类精度。研究表明：3年的总体精度（OA）介于0.81-0.86，遥感估算作物种植面积与统计数据一致性较高（R2≥0.83，p<0.01）。方法对比显示，RF的总体精度（OA）分别比光谱角分类法（SAM）和光谱相关分类法（SCM）高出7%和12%。2017-2019年作物分布数据刻画出了该时期东北黑土区作物轮作的空间分布，轮作面积约占耕地面积的34%，远低于美国黑土区的轮作比例（93%）。 （2）利用Landsat数据合成年度物候指标，结合2017-2019年10m分辨率作物分布数据重建了东北地区2000年以来逐年的玉米分布图集，进而分析了玉米种植的时空变化过程。特征重要性评价表明，Landsat短波红外反射率（SWIR2和SWIR1）对玉米的识别能力强，基于NDVI排序的物候特征优于SVVI和亮温（bt）排序；精度评价表明，2017-2019年玉米分布图的OA平均为0.89、F1分值平均为0.79；比较2000-2020年遥感和统计数据的玉米面积，两者相关性（R）达到了0.85。遥感监测结果显示，2000-2015年东北地区玉米面积呈现上升趋势（4.1×105公顷/年），2015年以后开始下降（-3.4×105公顷/年）；玉米向北扩张明显，集中种植区北移了3°；玉米扩张主要发生在2000年的耕地范围内（93%），其造成的森林损失仅占区域内森林损失总面积的1.4%。 （3）利用分类器迁移思想构建作物早期识别方案，分析不同数据组合和时间步长对早期识别的影响，进而探索水稻、玉米和大豆最早可识别时间（Earliest Identifiable Timing，EIT）。情景分析表明，基于S210天步长的时间序列适用于东北地区的早期识别；精度随时间变化分析显示，水稻能在移栽期后期（收获前120天）被识别，F1分值能达到0.93；玉米和大豆分别能在抽穗期早期（收获前60天）和结荚期早期（收获前50天）被识别，F1分值分别为0.92和0.91。与收获后分类相比，基于早期识别的作物面积低估或高估程度介于4-11%。 （4）基于多时相高斯混合模型（MGMM）和红边位置指数（REP）发展了无样本条件下玉米早期识别模型（MGMM-REP），利用地面样本评估了MGMMREP在黑龙江省的表现。研究表明：在无样本条件下，玉米可以在吐丝期（收获前两个月左右）被遥感识别，2017-2020年F1均值能达到91%。不同方法对比发现，作为MGMM的输入，REP明显优于LSWI和NDVI，多年平均F1能分别提高21%和30%；MGMM-REP精度高于联合REP和LSWI的二维MGMM，也高于单一GMM。MGMM-REP具有一定的可拓展性，也适用于美国中部玉米带。 本文为区域尺度下作物分类、长时序作物变化监测、基于历史样本的作物早期识别和无样本条件下早期识别等提供了新方案，提升了作物分类的时效性，并降低了早期识别对地面样本的依赖程度。并且，本文研发的数据集表达出了东北地区作物分布、作物轮作、玉米扩张的空间细节信息，弥补了该地区作物空间分布和时间变化数据的空白，为黑土地保护和农业政策制定提供了数据支撑。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 118 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/186917]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 尤南山. 东北地区农作物遥感分类与早期识别的方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2022. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。