近20年苏皖鄂地区农作物遥感分类与长势变化分析外文翻译资料

 2022-08-08 12:13:25

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

外文翻译

  1. 引文

作物的提取和分类是农业遥感应用的基础。获取有关作物分布的准确和实时信息的能力在粮食生产，决策和生态功能评估中发挥重要作用。

作物的空间格局及其时空动态为分析作物空间格局的动态机制、建立模拟模型、研究农业生态系统对陆地碳循环的贡献以及评价全球变化对区域农业生产的影响奠定了基础。作物的种植面积提取、产量预测以及生长和干旱监测应该是基于遥感的农业监测的重点，而作物的空间分布信息是所有这些任务的前提。因此监测作物空间格局具有重要意义。冬小麦是中国的主要作物之一。利用遥感技术绘制冬小麦地图是粮食安全努力的核心任务之一。及时、准确地获取和定期更新区域或全国范围的冬小麦耕作面积，可获得全面覆盖的遥感图像，具有很大的研究和应用价值。中分辨率成像光谱辐射计(MODIS)数据具有时间分辨率高、光谱分辨率高、空间分辨率高等优点，可以有效地应用于大规模作物信息提取。

以往利用250m MODIS 数据进行大规模冬小麦提取的研究中提出了作物种植面积指数模型(Pan-CPI 模型)的概念，并构建了描述典型物候期冬小麦种植面积与植被指数关系的定量函数。通过分析冬小麦的种植结构、物候历、生物学特性和时间序列归一化差值植生指标(NDVI)曲线特征，建立了冬小麦提取模型，确定了冬小麦提取的 NDVI 阈值。提出了一种从时间序列数据中提取冬小麦物候信息的方法。使用时间序列的 MODIS-NDVI 产品生成了一个冬小麦模型，将冬小麦与其他作物区分开来。这个模型被应用于专题成像仪(TM)图像，冬小麦可以通过光谱识别方法提取出来。从时间序列植被指数时间曲线中提取了冬小麦的生长速率、衰减速率和峰值与休眠期的比值。利用增强植被指数(EVI)图像，在10月初和12月初这两个关键时期建立了一个分类模型，并以冬小麦物候历为基础，对华北地区冬小麦进行了分类识别。利用快速傅里叶变换分析了 NDVI 时间序列曲线。曲线的平均值，初始相位和1-3级谐波的振幅比被用作作物识别的参数。在时间序列傅里叶分析(HANTS)滤波后，通过整合 NDVI 时间序列数据，提取了不同类型地面目标的 NDVI 时间序列曲线。引入多种作物指数的概念，探讨使用分类和重建的可行性。

在以往的研究中，最常用的方法可以归纳为:

(1)根据冬小麦关键物候期的时间序列植被指数构建决策树，参照作物生长历法和种植制度建立识别规则。

(2)一种结合多源特征的分类方法，将关键物候期的地表水指数(LSWI)和 EVI 等特征数据叠加在反射率数据上，形成土地覆被分类的综合数据集。

我们可以得出结论: 以往的研究对冬小麦主峰进行了深入的研究，但对冬小麦主峰物候特征的应用研究较少。MP 期发生在3月初至5月中旬，这也是许多其他作物的生长季节和其他自然植被的旺盛生长期。PBW 期出现在10月下旬到1月上旬之间，在此期间大多数其他作物或自然植被被收割或枯萎。PBW 是华北平原冬小麦的一个独特特征，表现出与背景土地覆盖类型不同的物候特征。

本研究的目的是建立一个大规模及时提取冬小麦的基于时间序列的 MODIS 数据模型。提出了一种从时间序列 MODIS EVI 数据中构建 PBW 特征并区分冬小麦和背景土地覆盖类型的新方法。使用基于 PBW 特征与冬小麦丰度之间二次多项式关系的回归模型提取冬小麦丰度图像。准确性分析是根据统计数据和 TM 图像的解释结果进行的。与 MP 特征相比，该模型的效率和有效性在 PBW 上得到了证实，并且还与以前的研究进行了简单的比较。与 林伟平等人的方法相比，该方法具有降低特征维数，降低模型复杂度，获得更高精度的优点。研究表明，该方法可以成功地应用于华北平原冬小麦的高精度定位。

  1. 材料和方法
  2. 研究范围

本文研究的区域是华北平原冬小麦的主要种植区，华北平原是中国第二大平原，位于黄河下游，是以黄河、海河、淮河等河流沉积物为基础的平原。平原跨越北京、天津、河北、山东、河南、安徽、江苏等多个省市，面积约32.6万平方公里。华北平原的主要土地覆盖类型，包括常绿林、落叶林、灌木林、草原、农田、水体和建成区，如图2所示。华北平原的主要作物是冬小麦和夏玉米。

  1. 数据源和数据预处理

本研究中使用的数据是 MOD13Q1.005数据，由EOS/Terra卫星在2009年记录的MODIS产品组成。产品包括250m分辨率NDVI和EVI数据、反射率数据和质量控制数据，这些数据是基于最大值合成(MVC)方法在16天内合成的。产品经过几何校正和大气校正。该数据集是从美国国家航空航天局土地处理分布式活动档案中心工作组的网站下载的。覆盖研究区的6块瓦片的MODIS图像序列号分别为 h26v04、 h26v05、 h27v04、 h27v05、 h28v05和 h28v06(h，水平; v，垂直)。此外，与 MOD13Q1 v005产品一致。

利用美国地质调查局(USGS)网站提供的多光谱遥感影像数据作为样本和验证数据。采用迭代自组织数据分析技术(ISODATA)对 TM 影像中的物候期数据进行动态聚类，初始分类类别为30个，迭代次数为10次。分类结果是参照 Landsat 土地覆盖分类图、1:1000000比例尺的中华人民共和国植被图和物候数据生成的。

两个样本区域分别从TM 图像的四个场景中选择。样本像素约占总 TM 图像像素的15% 。将样本分为两组进行模型拟合和精度分析，进行准确性测试。这两个样本组都被用于模型拟合以计算整个研究区域的丰度图像。

对数据集进行了地理几何校正、图像裁剪、拼接和重采样处理。采用的采样方法是最近邻采样发。投影系统是Albers等面积圆锥投影; 球体是 Clarke 1866系统，中心子午线为110°E，两个标准平行线为25和47 °N。使用 MODIS 再投影工具(MRT)对来自研究区的时间序列数据进行批处理。

16天合成的 MOD13Q1数据的最大值仍然受到来自云和地面物体的双向反射的影响，导致时间序列数据出现较大的波动，曲线没有明显的季节变化，这影响了随后的分析和信息抽取。TIMESAT 软件用于平滑时间序列 EVI 数据。TIMESAT 软件包是通过 Jouml;nsson 和 Klundh (2004)的共同努力开发的。它常用于重建时间序列植被指数或提取植被的物候信息，以获取植被的季节格局。TIMESAT 平台的核心算法包括 Savitzky-Golay 滤波方法以及非对称高斯(AG)和双逻辑(D-L)拟合方法，因此可以有效地从 NDVI 时间序列数据中提取信息，如 NOAA/NOAA PAL、 TERRA 或 AQUA/MODIS 数据。本文采用 Savitzky-Golay 滤波方法对时间序列 EVI 数据进行拟合，即用包络曲线拟合时间序列 EVI 数据的变化趋势。拟合在迭代过程中进行了优化，因此可以重建描述时间序列 EVI 数据的平滑曲线。上述过程减少了由云引起的噪声影响，也清楚地揭示了包含在时间植被指数剖面中的物候模式。

像素可靠性数据描述了研究区域中像素的数据质量。数据质量可以分为五类，为不同层次的应用提供参考。在这项研究中，在时间序列 EVI 拟合算法中没有计算填充 -1的像素。如果 Rank Key 为0，则像素的权重设置为1; 如果 Rank Key 为1，则像素的权重为0.8; 如果 Rank Key 为2或3，则权重为0.2。

  1. 物候窗口

在华北平原，冬小麦播种在中部至10月下旬出现，11月中下旬出现，12月中旬出现分蘖，对应于时间序列 EVI 剖面的一个小峰值。农作物在12月底或1月初进入越冬期。选取2008年10月下旬至2009年1月下旬的19、20、21、22和23期及2009年1和2期的 MODIS 图像作为冬小麦品种鉴定的物候图像。

华北平原冬小麦 EVI 值主要集中在12月初至12月中旬的分蘖期，其他作物或自然植被大部分已经收获或植被指数值较低。因此，与背景物体相比，冬小麦表现出较大的物候差异，并且可以从卫星图像中观察到明显的图像特征。随后，冬小麦在2月中旬仍保持绿色，而其他作物尚未或只是最近才播种; 因此，在此期间也可从卫星图像观察到重要的图像特征。此后，冬小麦生长迅速，其 EVI 值在抽穗期达到最大值，随后下降。使用这两个阶段的 TM 图像对冬小麦进行取样是相当准确的。考虑到云和数据采集因素的影响，在研究区域可以获得四个高质量 TM 图像的场景。

  1. 特征提取

PBW 期是华北平原冬小麦的一个独特特征，其中冬小麦表现出与背景土地覆盖类型不同的物候特征。为了表征 PBW，基于曲线拟合的特征参量化方法应用于 PBW 窗口内的时间序列数据。

在冬小麦 PBW 窗内，研究区土地覆盖类型的 EVI 曲线有三种不同类型: 明显的峰值、无明显趋势和谷值。MODIS 图像中的土地覆盖样本，如常绿森林、落叶林、灌木林、草原等 。本文选取了冬小麦、冬油菜、水体和建成区，代表了研究区典型的土地覆盖类型。在此窗口期间，常绿林、落叶林、灌丛和草地表现为亲谷，而冬油菜、水体和城市建成区的像素值没有明显的振幅，曲线呈弱谷或无明显趋势。值得注意的是，冬小麦曲线显示了一个非常明显的峰值。

二次多项式应用于时间序列 EVI 数据的非线性拟合。最小二乘法被用作拟合算法，具有95% 的置信区间:

Y = ax2 bx c ，其中 x 表示时间序列 EVI 数据，y 表示拟合曲线的坐标值。经过拟合，a 与峰高和二次曲线相对于坐标系原点的方向有关，而 b 和 c 与曲线坐标系的原点有关。如果 a lt; 0，则该值与作为关键特征参数的 PBW 高度相关命名为 PBW 功能(PBWF)。熵用于测量 PBWF 的信息量，并将其与时间序列 EVI 图像的信息量进行比较。在信息论中，熵是不确定性的量度。信息含量越大，不确定性和熵就越小，反之亦然。根据 Shannon (1948) ，熵可以明确地写成如下方程式:

H ( X )=sum;P(xi )I(xi )=minus;sum;P(xi ) logd P(xi )
H (x) = sum; p (xi) i (xi) =-sum; p (xi) logd p(xi)

曲线表现出明显的亲本谷，PBWF 值在0.88ー1.7之间，表明其生长迅速下降，越冬后缓慢恢复。冬油菜、建成区和水体的 PBWF 值较低，接近于零，拟合曲线未见明显变化趋势，表明其时间序列 EVI 值缺乏明显规律。对冬小麦的拟合曲线显示出明显的峰值，PBWF 值为 -4.0，表明相应的 EVI 值在所考虑的时期内发生了显著的变化，从数据中获得的信息量也相对较高。在所有的土地覆盖类型中，只有冬小麦的 PBWF 值保持负值，在冬小麦分布广泛和密集的地区表现出较低的值。

  1. 回归模型

本研究建立了基于二次多项式的回归模型来模拟冬小麦PBWF与丰度之间的关系。由于中国耕地的明显破碎化和复杂的种植结构，在 MODIS 图像中可以观察到许多混合像素。因此，通过获取冬小麦丰度图像，可以显著提高提取精度。PBWF 的值表示冬小麦 PBW 期间峰值的高度，并且还表征了MODIS像素中冬小麦的覆盖条件。利用 ArcGIS 空间分析工具可以获得 MODIS 像素中与冬小麦对应的 TM 像素个数，也可以获得 MODIS 像素中所含的冬小麦丰度，以方差 f 表示。MODIS 像素被用作建立 PBWF 值和 f 的回归模型的案例。应用二次多项式模型进行回归分析。

PWBF = p1 times; f2 p2 times; f p3

鉴于最小二乘拟合容易受到异常值的影响，本文采用最小绝对残差(LAR)拟合的稳健拟合方法，避免了异常值的影响。使用回归模型获得的拟合的 R2值是用作评估拟合精度的指标

  1. 结果
  2. PBWF

较低的 PBWF 值表示生长良好的冬小麦分布密集的地区。更高的值表示冬小麦分布很少或根本没有冬小麦的地区。第2节中的分析表明，PBWF 值大于或等于0的像素不可能是冬小麦; 因此，这些像素被掩盖了。提取 PBWF 值小于0的像素作为冬小麦的潜在分布区，并用于后续分析。通过与近几年华北平原冬小麦分布图的比较，发现 PBWF 值 lt; 0的像素在空间分布上与冬小麦分布具有较高的一致性。

利用类似的方法对冬小麦多酚氧化酶时间序列 EVI 数据进行曲线拟合，得到冬小麦多酚氧化酶时间序列的高度，称为多酚氧化酶特征(MPF)。计算了冬小麦全生命周期不同阶段的 EVI 图像的熵以及 PBWF 和 MPF 的熵。EVI 图像在这些不同阶段的熵在3.74和4.37之间。来自 PBW 峰和 MP 峰的 EVI 熵值略高于其他相的熵值，说明冬小麦生长旺盛，与背景土地覆盖类型有显著差异。PBW 的信息量明显大于 MP。PBWF 和 MPF 的熵值分别为2.2920和2.3689，均显著低于不同时期图像的熵值。另外，PBWF 的熵低于 MPF。我们最终可以得出结论，与任何这些措施相比，PBWF 拥有最大量的信息，并且 PBWF 可以用来有效地区分冬季

  1. 拟合结果

一般来说，PBWF 的拟合质量和冬小麦的丰度非常高，特别是在 PBWF 值高的地区。在 PBWF 值较低的地区，数据点分布的离散程度略高。在95% 置信水平下，R2值大于0.96。在 PBWF 值较低的地区，PBW 高度较高，冬小麦分布较密集，像素

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[257655]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章