基于Landsat-8影像、物候算法和谷歌地球引擎的东北亚水稻种植面积制图外文翻译资料

 2023-01-09 14:56:49

基于Landsat-8影像、物候算法和谷歌地球引擎的东北亚水稻种植面积制图

作者：Jinwei Dong , Xiangming Xiao, Michael A. Menarguez, Geli Zhang, Yuanwei Qin, David Thau, Chandrashekhar Biradar, Berrien Moore III出处： Remote Sensing of Environment

摘要：水稻的面积和空间分布信息对于了解粮食安全，对水的使用，温室气体排放和疾病传播来说是重要的。由于气候变暖和食物需求增加，近十年来，水稻在高纬度地区迅速扩张，特别是在亚洲的东北地区。目前关于这些寒冷地区水稻田的知识是有限的。基于物候学和像素的水稻制图（PPPM）算法，用于识别水稻移栽过程中的信号已经有效地应用于热带地区，但尚未在大范围的寒冷地区进行过测试。考虑到更多雪/冰的影响以及云量较少，高纬度地区的水稻映射更加被推崇，耕作强度较低以及Landsat侧翼的观测资料较多而导致失效。而且，Landsat 8增强的时间和地理覆盖范围为获取物候信息提供了机会和地图水稻。本研究评估了Landsat 8图像在年度水稻测绘中在东北亚的潜力，由单一种植系统主导，包括日本，朝鲜，韩国和中国的东北。云计算方法用于处理2014年所有可用的Landsat 8图像（143路径/行， 3290场景）与Google地球引擎（GEE）平台。结果表明Landsat8，GEE和改进的PPPM算法可以有效支持东北亚水稻的年度测绘。该结果水稻地图具有高精度，生产者（用户）准确度为73％（92％），基于使用非常高分辨率的图像和密集的现场照片的验证。水稻的地理特征从国家，海拔，纬度和气候方面分析了分配情况。由此产生的30米水稻地图有望提供有关地区，空间分布和景观格局的前所未有的细节亚洲东北部的水稻田，将有助于粮食安全评估，水资源管理，温室气体排放的控制和疾病控制。

1.引言

水稻种植面积信息对影响人类幸福感的一些类问题至关重要，从人类粮食安全、用水、气候变化到疾病传播。首先，水稻是全球一半以上人口的主要粮食和粮食来源，水稻占全球耕地面积的12%以上。第二，水稻是最大的耗水作物，水稻种植用水的效率与未来全球水安全有关。第三，稻谷农业对甲烷排放和未来气候变化的影响不容忽视，因为它占大气中甲烷总通量的10%以上。最后，水稻农业与禽流感病毒传播有关，因为水稻田是放养鸭和野生水禽的重要栖息地。现有的基于遥感的全球或国家土地覆盖和土地利用数据集确实有农田层，例如中等分辨率成像光谱仪的MCD12Q1，中等分辨率成像光谱仪（Meris）的全球覆盖，以及更精细的分辨率的光谱仪。来自陆地卫星的离子观测和监测全球土地覆盖。然而，这些产品中的一般农田类别没有水稻的信息。尽管水稻信息具有重要意义，但很少能获得科学界的区域或全球稻谷地图，尤其是新开垦的稻谷种植面积很大的东北亚高纬度地区。

水稻测绘的困难主要是由于稻谷与其他土地覆盖层的光谱特征相似，以及稻谷种植区经常出现云和云影。现有工作使用了不同的数据来源和方法绘制水稻t通讯作者：J.Dong e-mail:jinwei.dong@ou.edu X.Xiao e-mail:xiangming.xiao@ou.edu

图，这些方法一般可分为三类。第一 一些研究使用来自特定阶段（例如，移栽或早期生长季节）的图像和基于图像统计的方法绘制水稻地图，例如，监督分类器，如最大似然、支持向量机和非监督分类器，如迭代自组织数据分析技术（ISODATA）。当使用来自不同阶段或地区的不同图像或培训样本时，这种方法会产生不同的结果。通常很难扩展分类器规则和参数，因为所有这些方法都是区域和相位相关的，因为周期和区域中的光谱变化。第二种方法使用时间序列数据，通过使用基于阈值的分割等不同算法对农田进行分类。例如，Tykabal等人（2007）和Thenkbail等人（2009）提出了一种光谱匹配技术（SMT）来绘制土地覆盖和灌溉区域[5-6]。

第三种方法是在水稻移栽期到早期营养生长阶段，基于淹水特征（水与稻谷的混合物）来识别水稻，其可以用时间序列地表水指数（LSWI）、归一化植被指数（NDVI）和增强植被指数（EVI）在像素中进行检测。利用时间序列modis数据，证明了这种基于物候和像素的水稻监测图算法在大规模热带地区的空间广泛应用中具有良好的性能。例如，在南亚和东南亚和中国，它被用于测绘水稻。近期，研究人员在中国寒温带的一个地区进行了基于陆地卫星的水稻变化检测，其中基于温度的热生长季节被用来定义水稻移栽阶段的时间段。此外，研究证明了陆地卫星数据的可用性，特别是在洪水和移植阶段，对于确保高质量的水稻种植区地图至关重要。

在高时间分辨率图像上基于物候的算法的依赖性决定了先前研究中的低空间和高时间分辨率数据（例如MODIS）的选择。尽管有16天的重访周期，但是由于数据丢失和SLC关闭间隙，通常无法访问Landsat 5/7号的完整观测结果。由于Landsat5/7数据的可用性，假设在一个时期内没有任何变化，稻谷地区被确定为五年期而不是一年期。最近发射的Landsat8为土地覆盖图绘制提供了新的机会。除了提高光谱和辐射分辨率的性能外，改进的工作周期还允许每天收集更多的图像，这为根据物候学建立的土地覆盖图提供了更多的数据源。那么Landsat8增强的时间和地理覆盖能提供一个机会实现每年的水稻绘图吗？在东北亚稻谷扩张的新前沿地区，优先论证所有可用的Landsat8图像在年度稻谷测绘上的可行性。这项研究将验证一年的Landsat-8数据是否能够促进东北亚等大面积地区的稻米地图，这在以前的研究中被证明很难使用Landsat5/7图像来达到目的。

USGS/EROS免费发布陆地卫星数据，给科研工作者提供了一个前所未有的机会，可以以30米的分辨率以及更长的时间范围（远到80年代）绘制大规模水稻图。利用开放和密集的陆地卫星档案数据进行土地覆盖研究一直备受关注。例如，时间序列陆地卫星数据已用于划分农田和牧场[9][27]、森林干扰[26]、不透水地面动力学（Zhang、Pan、Chen、Zhan和Mao，2013年）、冰川范围变化[46]和稻田。水稻动态[9][23]。尽管这些努力极大地改善了以前的土地覆盖和土地利用变化努力，但是从空间和时间领域，这些研究都集中在地方或有限的研究领域，由于数据处理的密集程度。近年来计算能力有了很大的提高。例如，谷歌地球引擎（GEE）以其全球数百万台服务器为基础，以最先进的云计算和存储能力为开端，已经归档了大量的地球观测数据目录，并使科学界能够以本质上并行的处理方式处理数万亿幅图像。例如，Hansen等人[18]已经生成了2000年至2012年的全球森林变化年度地图，他们在几天内使用超过650000个陆地卫星7个场景和一百万个CPU小时。除了谷歌，美国宇航局地球交换（NEX）还提供了一个最先进的超级计算平台（昴宿星超级计算机），以实现遥感数据处理和大数据分析。亚马逊网络服务（AWS）现在还托管着数兆字节的陆地卫星数据，可以为行星尺度分析提供按需云计算服务。但是我们面临的问题是，是否可以使用新兴的云计算方法将我们的算法扩展到次大陆尺度，以绘制30米分辨率的水稻种植面积图。

基于高纬度地区水稻信息的必要性和大尺度中分辨率水稻测绘面临的挑战，本研究的目的是利用陆地卫星8号成像卫星的所有时间序列，在2014年基于物候和像素的水稻制图（PPPM）算法，以及与GEE平台的云计算技术，东北亚包括东北亚、韩国、朝鲜和日本等地，生成一幅前所未有的30米水稻图。我想特别解释一下三个问题：

（1）基于热物候定义的PPPM算法是否适用于东北亚的大规模稻米测绘？

（2）时间序列Landsat8存档数据在多大程度上能够支持每年的水稻测绘？

（3）云计算方法能否有效地支持数千幅水田稻田制图的陆地卫星图像处理？

2014年的稻谷地图将为这四个国家和地区的粮食安全提供详细的基线地图。这项研究也为其他土地利用类型的大规模制图或30米空间分辨率的全球稻谷制图提供了依据。

2.材料与方法

2.1研究区概况

东北亚由东北中国、朝鲜、韩国和日本组成（图1）。东北和朝鲜半岛有两个主要山脉，一个是小兴安山脉，位于黑龙江省西北部；另一个是长白山，从东北到西南，覆盖东北东部和朝鲜半岛东部。日本中部也是山区，平均海拔超过600米（图1）。除这些山脉外，其他地区的海拔一般都低于400米。中国东北部的平原主要位于东北部（三江平原）、西部（松嫩平原）和南部（辽河平原），而朝鲜半岛的平原位于西部，日本的平原分布在岛屿周围的冲积平原（图1）。这些冲积平原分布着丰富的河流，平均海拔不到200米，是研究区主要的水稻产区。

图1. 东北亚的地形和气候特征，包括日本、朝鲜和韩国三个国家和中国的一个地区。气候区数据来源于Peel、Finlayson和McMahon，Cwa表示温带、干燥冬季和炎热夏季；Cfa表示温带，没有干燥季节和炎热夏季；Dwa表示寒冷、干燥冬季和炎热夏季；Dwb表示寒冷、干燥冬季和温暖夏季；Dwc表示寒冷、干燥冬季和寒冷夏季；Dfa表示寒冷，没有干燥季节和炎热夏季。呃；Dfb是指寒冷，没有旱季和温暖的夏天。地图上显示了陆地卫星路径/行的边界，以显示陆地卫星的侧面。

这四个国家/地区的气候不同，中国东北部的寒温带季风气候向日本南部的亚热带季风气候过渡（图1）。中国东北部气候温和，潮湿/半湿润。年累计气温在0和10℃以上，分别为2000-4200℃/天和1600-3600℃/天。年降水量约为500-800mm，集中在7月和8月。无霜天数在140天到170天之间变化。由于温度的限制，一般单季主产。由于南北距离大，日本南北气候不同。1月（7月）的平均气温在北部地区为-6（17）℃，在南部地区为16（28）℃。年平均降水量在700毫米到3500毫米之间。朝鲜半岛属于温带季风气候，北与中国东北部相似，大陆性气候特征明显，南与日本相似。

2.2 Landsat卫星数据和预处理

本研究使用了2014年8号陆地卫星的所有可用标准1级地形校正（L1T）正射校正图像，这些图像作为美国地质调查局（USGS）8号陆地卫星大气顶（TOA）反射（正射校正）的图像采集存档在GEE平台中。有143条路径/行覆盖整个研究区域，东北亚（图1）。我们计算了2014年在水稻移栽阶段和一年内从陆地卫星8观测到的单个像素数。2014年，陆地卫星8号在研究区域平均观测到36.4次，在水稻移植阶段平均观测到7.8次。此外，2014年有66%的陆地卫星8个像素的观测值超过30个（图2a），62%的陆地卫星8个像素的观测值超过5个（图2c）。北部地区的高强度观测是由于高纬度地区的侧圈，这有助于提高观测的时间分辨率，并为水稻测绘提供更多的物候信息。

图2。2014年研究区域时间序列陆地卫星图像的可用性。a）Landsat8和b）Landsat7全年的观测总数；c）Landsat8和d）Landsat7移栽阶段的观测总数。插图柱状图显示了不同强度的Landsat图像数量分布，图例与地图图例一致。

无用的观测，包括卷云，云，雪和冰/删除，是根据Landsat8质量评估，波段。请为每个类的观察，有四个水平的条件指标，包括“无测定”的“无”（0–33 %），也许（34–66 %）及是（67–100 %）。我们用信心的67–100分两级要排除所有的潜在影响，从观测的云，云，雪/赖斯。时间TOA系列陆地卫星图像采集是使用三calculate植被指数，NDVI，包括塔克，EVI，lswi。计算波谱指数使用以下方程：

NDVI=rho;NIRminus;rho;Redrho;NIR rho;Red （式1）

EVI=2.5times;rho;NIRminus;rho;Redrho;NIR 6times;rho;Redminus;7.5times;rho;Blue 1 （式2）

LSWI=rho;NIRminus;rho;SWIRrho;NIR rho;SWIR （式3）

其中，rho;blue、rho;red、rho;nir和rho;swir是陆地卫星奥利传感器中蓝色波段（0.45–0.52 mm）、红色波段（0.63–0.69 mm）、近红外波段（以下简称0.76–0.90 mm）和短波红外波段（1.55–1.75 mm）的表面反射率值。所有Landsat数据处理均采用GEE平台的云计算技术进行，使得并行计算和大数据处理在大研究领域可行。在排除了这些无效的观察之后，所得的时间序列数据被用于以下基于物候学的分类。

2.3 淹水和稻田的识别算法

基于物候和像素的水稻绘图算法用于水稻绘图（图3）。洪水和水稻移栽信号是识别稻田的关键特征，因为水稻是唯一需要在水 - 土壤混合物环境中移植的作物。移植信号的遥感识别对于识别水稻是至关重要的。以前的研究表明，LSWI和NDVI（EVI）之间的关系可以有效地区分洪水/移植信号。我们对来自四个国家/地区的随机水稻地点进行了时间剖面分析，发现研究区内的所有水稻农业系统在生长早期都有洪水和移植信号，可以用植被指数捕获（图4））; 具体来说，这里我们使用标准LSWIgt; EVI或LSWIgt; NDVI识别洪水信号。

图3.物候学和基于像素的水稻制图研究作流程图：，主要模块包括水稻移栽阶段的时间窗确定（起点：SOT，终点：EOT），Landsat数据预处理，物候 - 和 非农田面具和水稻洪水的基于像素的映射，基于来自高分辨率（VHR）图像和野外照片的感兴趣区域（AOI）进行验证。

图4.不同生物群落和气候类型中选定水稻稻田的MODIS植被指数（NDVI，EVI和LSWI）和夜间地表温度（LST）的时间剖面分析：a）Dwb和单一种植，b）Dwa和 单作，c）Dwa和单作，d）Dfa和单作，e）Cfa和单作，和f）Cfa和双季（水稻加其他）。 有关不同气候类型的详细说明，请参见图1。

剩余内容已隐藏，支付完成后下载完整资料

本科毕业设计（论文）

外文翻译

Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine

作者：Jinwei Dong , Xiangming Xiao, Michael A. Menarguez, Geli Zhang, Yuanwei Qin, David Thau, Chandrashekhar Biradar, Berrien Moore III

国籍：China,America

出处：Remote Sensing ofEnvironment

1. Introduction

Paddy rice planting area information is important for a series of issues influencing human well-being, ranging from human food security, water use, climate change, to disease transmission. First, rice is a staple grain and food source for more than half of the global population and paddy rice accounts for more than 12% of global cropland area (Elert, 2014, FAOSTAT, 2010). Second, paddy rice is the largest water-consuming crop and the water use efficiency for rice planting is related to global water security in the future (Salas et al., 2007). Third, effects of paddy rice agriculture on methane emission and future climate change cannot be ignored because it accounts for more than 10% of the total methane flux in the atmosphere (Ehhalt et al., 2001, Sass and Cicerone, 2002). Finally, paddy rice agriculture is related to avian influenza virus transmission as paddy rice fields are important habitats for free-ranging ducks and wild waterfowls (Gilbert et al., 2008, Gilbert et al., 2014). The existing remote sensing based global or national land cover and land use datasets do have cropland layers, e.g., the MCD12Q1 from the Moderate-resolution Imaging Spectroradiometer (MODIS) (Friedl et al., 2002, Friedl et al., 2010), the GlobCover from the MEdium Resolution Imaging Spectrometer (MERIS) (Arino et al., 2008), and the Finer Resolution Observation and Monitoring-Global Land Cover (FROM-GLC) from Landsat (Gong et al., 2013). However, the general cropland category in these products did not have paddy rice information. Despite the significance of paddy rice information, regional or global paddy rice maps for the scientific communities are rarely available, especially for high latitude regions in northeastern (NE) Asia with a large amount of newly reclaimed rice planting area.

The difficulty of paddy rice mapping arises largely from the similar spectral characteristics between paddy rice and other land covers as well as frequent clouds and cloud shadows in the rice planting regions. Existing efforts have used different data sources and approaches for paddy rice mapping and the methods can be generally divided into three categories. First, some studies mapped paddy rice using the images from certain stages (e.g., transplanting or early growing season) and the image statistic

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[271744]，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