大范围、全覆盖农作物分布一张图

Large-scale crop mapping from multisource remote sensing images in google earth engine

成果信息

Liu, X.; Zhai, H.; Shen, Y.; Lou, B.; Jiang, C.; Li, T.; Hussain, S.B.; Shen, G. Large-scale crop mapping from multisource remote sensing images in google earth engine. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 2020, 13, 414-427.

论文下载地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8966508

团队成员：

刘鑫凯，硕士研究生，154.com皇冠

翟晗，副教授，154.com皇冠。主要从事遥感分类方法及应用。

沈永林（通讯作者），副教授，154.com皇冠。主要从事农情遥感监测、农业源大气污染遥感监测等。

娄本科、江昌民、李天琪、Hussain Sayed Bilal、沈国玲，均为154.com皇冠硕士研究生

成果介绍：

大范围、全覆盖农作物分布一张图是开展田块级作物长势监测、物候提取、产量预估和农业防灾减灾的重要基础。当前的研究要么集中在方法层面，制图结果虽然具备较高的空间分辨率，且能获得较高的分类精度，但空间扩展性差，无法满足大范围、全覆盖的制图要求；或者是集中在应用层面，尽管能获得全省、全国，乃至全球的作物分布一张图，但空间分辨率较低，且需要大量的人力物力。为此，本研究借鉴了Google Earth Engine平台在线遥感数据云处理的优势，充分利用现有先验约束信息，提出了一种基于谐波分析和先验约束的作物遥感识别方法。实验以整个青海省为研究区，对当地2018年的大豆、小麦和油菜三种主要作物的播种面积开展制图工作。制图结果的空间分辨率为30m，分类精度可达84.25%。

时间序列遥感数据对于反映作物的生长进程（物候），提高作物识别精度有着重要意义。然而时序数据会受到多种来源的噪声影响，并且大范围、全覆盖农作物分布一张图制作过程中庞大的数据规模和计算量，给处理平台带来了巨大的压力。同时多种传感器数据之间的数据类型和定标差异也限制了多源时序数据的应用。谐波分析方法的基本原理是通过将时间序列曲线分解为若干余弦曲线叠加对其进行拟合，一方面可以恢复原始序列的特征，另一方面消除了阴雨天气、阴影等噪声对时间序列的影响。在此基础上，本研究使用谐波分析分解多源遥感时间序列数据，利用分解后获得的傅里叶系数，重新计算能够概括原始时间序列特征的特征参数，以较少的特征参数反映作物的生长变化特征。使用MOD13Q1植被指数产品计算物候特征，使用Sentinel-1的后向散射系数产品提取后向散射特征，并结合Landsat-8 OLI和Sentinel-2数据所反映的光谱特征，构建多源遥感特征集。基于Jeffries-Matusita（J-M）距离的可分离性分析检验显示该方法构建的特征集具有很好的可分析性，J-M距离高于1.99。

图 1谐波分析原理示意

为了验证本研究方法的有效性，我们利用地面样方作为真实值，评估了本方法“全波段+先验约束”（MBP），以及其他常用方法，例如“光谱特征+先验约束”（MC）、“后向散射特征+先验约束”（CC）、“谐波后向散射特征+先验约束”（BC）、光谱谐波+先验约束（PC）、“全光谱特征+谐波后向散射特征+先验约束”（MBC）、“全波段无约束”（MBP）。本研究方法获得了较好的分类结果，总体精度可达84.25%。此外，试验结果证明谐波分析方法能有效恢复作物生长特征，排除噪声影响，并且降低了数据规模提高了计算效率；多源遥感数据的应用有效提高了作物的可分性，提高了分类精度；基于先验约束的分类方法较好地避免了非作物类型地物产生的误分对制图结果的干扰。研究获得的30m分辨率主产作物制图对于指导当地农业生产活动、分析农业生产与当地环境之间的关系有着较高的价值。

图 2制图结果（a至g分别为MC, CC, BC, PC, MBC, MBP 以及MBPC）