基于参考时间序列遥感数据的农作物提早识别研究

For the businesses operation of the crop type identification using satellite observations, the temporal efficiency of the crop type identification could help monitor crop growth and improve crop management. Currently, most researches employed the image time series of the entire year to classify crop types, and the drawbacks of early crop type identification are (1) the irregular image time series and (2) the lack of training samples. This proposal focuses on these drawbacks, and proposes a new method to identify crop types using reference time series. Firstly, images from multiple sensors, such as Landsat, GF-1 and Sentinel-2, to improve the temporal frequency of the image time series at 30m spatial resolution, the contribution of each feature on crop classification are evaluated the optimal features are selected. Then, satellite observations and ground reference samples during multiple years are used to generate the reference time series of the each crop. Afterwards, the reference time series were used to identify crop types using irregular time series and then identify crop types in early season. This project will select Hengshui, Heibei as study area, use the ground samples and remote sensing images during 2018 and 2020 in the study area to generate the reference time series, and then identify crop types of the study area using the reference time series in 2021. Furthermore, this project estimate the effect of image time series length on crop identification accuracy and finally conclude how early could we accurately identify crop types. This work will propose a new method which could identify crops early without the use of ground training sample of the classification year, the work contribute to the business operation of the crop growth monitoring.

农作物种植面积遥感监测业务运行工作面临着获得作物识别结果较晚、地面样本不足、影像时间序列不规则和农田地块破碎等实际问题。本项目针对这些问题，拟提出一种基于参考时间序列进行作物识别的方法。本项目以河北省衡水市为研究区域，在基于多源遥感数据构建的时间序列数据和通过分类特征评估获得的最优作物识别特征的基础上，使用2018年至2020年的遥感数据和野外调查数据建立主要作物的参考时间序列。在2021年使用参考时间序列代替地面调查样本，对不完整的时间序列数据进行分类，实现农作物分布提早识别。同时，分析时间序列长度对作物提取精度的影响，评估最早获得准确作物种植分布结果的时间。该方法在识别作物时不需要使用分类年的地面调查样本，在保证农作物分类精度的同时提高识别作物的时效性，而且对输入数据的需求较小，为农作物提早提取提供理论和方法，为大区域作物遥感提取提供技术支持。

粮食是人们健康生活的基础和保障，而实时准确的进行作物监测可以辅助作物管理、作物产量的预估、作物灾害的预警和作物种植计划的制定，对保证粮食安全具有十分重要的意义。本项目针对目前农作物遥感识别工作中普遍存在的时间序列数据不规则、地面样本不足和我国耕地地块较破碎的实际情况，提出了基于参考时间序列进行作物识别的方法。首先，通过收集历史地面调查样本和遥感数据构建每种作物的参考时间序列；再通过融合多源遥感数据的方法获得高时空分辨率的遥感数据时间序列用于作物识别。针对时间序列不完整和目标年份不能获得地面数据作为训练样本的问题，本研究基于参考时间序列提出了一种处理不完整时间序列数据的方法，并使用该方法处理时间序列长度较短的遥感数据集，进而评估作物早期识别的方法。实验结果表明，使用参考时间序列法可在作物收获前4~8周获得精度较高的农作物分布图，为农作物生长的自动监测和管理提供了方法支撑。在完成本项目预定目标的基础上，项目团队成员继续深入思考，并在农业遥感应用领域扩展应用了本项目所所获得的数据和方法。针对2010年以前高分辨率遥感数据不足导致的时间序列不规则的问题，使用本研究提出的参考时间序列法进行了逐年农田分布制图，更准确的描述了2000年以来的农田动态变化。另外，面向覆膜农田在不同的作物生长阶段的特点提出了新的覆膜农田识别方法，使用本研究获得的地面调查数据进行了实验和验证，为作物精准监测提供了新的数据源和方法。