协同VIIRS时序遥感影像与统计数据的农作物丰度提取方法研究

Time-series images of moderate or coarse spatial resolution, which can well characterize crop seasonal dynamics, are the main data source for large-scale crop mapping. Due to the uncertainties from atmospheric impacts, image pre-processing and machine learning, the accuracy of crop identification using only remote sensing images is limited. This project aims to exploit the advantages of VIIRS time series and agricultural statistics and develop a new method for crop fraction estimation by integrating these two data. First, create a feature set with multiple-spectral and time-series images, and use a random forest regression model and backward feature elimination strategy to automatically select out the optimal spectra-temporal features so as to maximum the accuracy of the crop fraction estimation based on remote sensing technology. Second, introduce the crop area statistic data and propose an area gap spatially and iteratively allocation method (IAGSA) to allocate the area gap to raster grids so as to improve the results of crop fraction estimation using remote sensing technology. Finally, the applicability and potential of IAGSA method will be evaluated. This project has innovations in terms of remote-sensing feature selection and multiple-source data collaboration, and will enrich and strengthen the theories as well as methods of large-scale crop mapping based on moderate or coarse spatial resolution images.

长时间序列的中低空间分辨率影像能很好表征农作物季相节律特征，是目前大区域农作物遥感制图的主要数据源。由于大气干扰、影像预处理和机器学习等多方面的不确定性，只利用遥感影像的农作物识别精度受到限制。基于此，本项目从充分挖掘VIIRS时序影像和农业统计数据的优势出发，开展这两类数据协同的作物丰度提取新方法研究。首先，建立长时序多光谱特征，基于随机森林回归模型提出“向后特征剔除”策略自动筛选出作物识别的最佳光谱-时相特征，最大化遥感估算的作物丰度精度；然后，引入作物面积统计数据，提出面积差空间迭代分配方法（IAGSA）将遥感结果与统计数据的面积差进行空间格网分配，优化遥感方法产生的作物丰度结果；最后，评估IAGSA方法的适用性和提升潜力。本项目在遥感特征利用和多源数据协同方面均具有创新，预期丰富和发展大区域中低空间分辨率农作物制图的相关理论和技术方法。

农作物空间分布图是科学掌握区域农业生产状况、调整农作物种植结构和评估农业生态环境的重要基础。长时间序列的中低空间分辨率影像能很好表征农作物季相节律特征，是目前大区域农作物遥感制图的主要数据源。由于大气干扰、影像预处理和机器学习等多方面的不确定性，只利用遥感影像的农作物识别精度受到限制。基于此，本项目从充分挖掘中低分辨率时序影像和农业统计数据的优势出发，开展这两类数据协同的作物丰度提取新方法研究。研究以时序MODIS为测试数据，以黑龙江省为研究区域。首先，建立长时序多光谱特征，基于随机森林回归模型和“向后特征剔除”策略自动筛选出作物识别的最佳光谱-时相特征，最大化遥感估算的作物丰度精度；然后，引入作物面积统计数据，提出面积差空间迭代分配方法（IAGSA）将遥感结果与统计数据的面积差进行空间格网分配，优化遥感方法产生的作物丰度结果；最后，评估IAGSA方法的适用性和提升潜力。结果表明：基于时序MODIS生成的亚像素作物分布图与中高分辨率参考图的空间一致性达0.75；利用IAGSA优化得到的农作物分布制图结果，不仅在数量上与统计数据的一致性显著提升，而且也保留了遥感制图结果的空间分布特征。同时，IAGSA策略具有明显的尺度效应，即统计数据的空间尺度越小，优化的遥感结果的空间异质性越大。该方法充分体现了遥感数据和统计数据协同利用的优势，一方面提升了中低分辨率遥感数据作物空间分布制图的精度，可为我国大区域“作物一张图”研制提供新支撑；另一方面丰富和发展了遥感数据源和非遥感数据源融合的技术方法，可为多源数据的协同融合提供新参考。