作品编号:D775(二等奖)
作品名称:基于MODIS数据反演农作物物候规律及指导生产
作者单位:中国地质大学(武汉)信息工程学院
小组成员:孙冬冬,陈瑞麟,庞书玉,邓筱曈
指导老师:沈永林,刘鑫凯
本应用为分析中国1992年至2013年物候的时空分布规律与变化趋势问题与实现遥感物候与农学信息连接的时空匹配和信息转化,将全国778个站点17多万条物候记录,放入access数据库中进行有效组织。按照分析需求对数据库进行不同条件的查询(时间与空间查询),再利用克里金插值与Manner-Kendall趋势分析,得到中国六种主产作物(水稻、大豆、小麦、玉米、棉花、油菜)的物候规律的空间分布情况以及时间变化趋势特征,进而根据不同地区的不同作物种植习惯的相似性,利用Isodata非监督聚类的方法将物候区进行了不同程度上的划分。此外,本应用采用的是MOD09Q1八天合成的产品,数据覆盖东北三省。其首先经过投影、拼接、裁剪等预处理步骤,经NDVI指数计算后采用最大值合成(Maximum Value Composition)方法得到NDVI时间序列图像,参考MOD09Q1数据携带的质量波段对样本数据进行去噪以及SG滤波进行曲线光滑等后处理步骤,得到MODIS3D类型数据。随后制作大豆,小麦,水稻作物的样本库,然后对遥感数据进行分类,从而得到分作物类别后的MODIS3D数据。之后将遥感数据与地面站记录的农学信息做时空匹配,结合TimeSat软件对匹配之后的信息进行分析、得到基于物候概率NDVI特征提取的结果。从而实现遥感数据与农学信息的转化。
1.应用背景
- 农业物候学(Agricultural phenology)是研究自然界农作物、动物和环境条件(气候、水文、土壤)的周期变化之间相互关系的科学。人们为了更好的利用自动化设备进行高效的农业生产,就需要结合农作物的物候信息对农作物的长势进行监控。除此之外,人们也需要掌握农作物物候的时空规律。
- 对于农作物物候信息的获取,人们发明了一些适用于小区域内观测物候的方式,比如直接用人工观测记录或者直接使用高分辨率相机进行观测。但是对于大面积的植被和长时间的监测,使用直接观测的方法会使用较多的时间和资源,不利于农业自动化的推广以及农业大数据技术的运用。所以,我们可以借助遥感在空间和时间上具有大尺度观测的特性,从而长时间,大面积的观测农作物的物候。那么遥感技术就可以有效的为人们提供比较可靠的物候观测信息,进而使人们更方便的获取和利用这些信息指导农业生产,提高农作物生产效率。
- 由于全国不同地方种植的农作物不同,气候条件与土壤条件也大相径庭,因此不同地区的物候规律不能比肩而谈。此外,农作物生长的外部环境也随着时间的变化而变化。所以,物候规律的多样性具有较大的空间跨度与时间跨度,该特性可一定程度上决定了我国不同地区的农业经济类型,耕作方式以及农业政策在时间上与空间上的差异。因此,通过对所获取的农作物物候信息进行时空分析,我们就可以比较合理的描述这些差异。。
2.应用目标
- 本应用在利用Access数据库对全国778个站点多达23年(1990~2013)的观测数据进行有效组织的基础上,对时域或空域上产生的无效和错误数据进行了剔除并且实现了时域查询与空域查询的功能,从而利用查询结果对全国各个地区的物候规律进行空域分析与时域分析,并且依据种植习惯以及作物物候规律对不同农业区进行分区。
- 应用需要2000~2012年与2015~2017年的MOD09Q1八天合成产品,产品都需经过预处理,VIs Estimation以及后处理。2015~2017年数据与东北样方矢量和Landsat8数据叠加显示,从而确定作物样本的空间位置,从而构建东北各个作物的物候库。
- 利用物候库对2000~2012年的遥感数据进行作物分类,然后将遥感数据与地面站记录的农学信息做时空匹配,结合TimeSat软件对匹配之后的信息进行分析、得到基于物候概率NDVI特征提取的结果。从而实现遥感数据与农学信息的转化。
3. 主要技术流程
3.1 流程概述
本应用整体流程框图,包含地面站部分,遥感部分,遥感与地面联合分析部分(图1)。
图1 整体应用流程图
3.2 地面站数据分析
流程概述:
对地面站的分析主要包括结合地面站数据与2017年的国家统计年鉴统计数据进行的农作物种植分布分析,以及利用数据库的空间查询结果进行的农作物物候规律空间分析,和利用数据库的时间查询结果进行的农作物时间趋势分析,以及依据物候规律进行的物候分区分析这四部分。部分成果展示如下图:
(a) | (b) | (c) |
(d) | (e) | (f) |
3.2.1 农作物种植分布分析
农作物种植分布分析利用了1992年~2013年全国778个地面站点物候观测数据与2017年国家统计年鉴中作物播种面积数据,该分析涵盖水稻、小麦、玉米、大豆、棉花、油菜、甘蔗等多种作物。如图(a)所示,它显示出中国种植的地区以及种植面积、区域彼此的差异。
3.2.2 农作物物候空间分布分析
农作物的物候空间分布分析是以每个作物,每个物候为单位进行的。在这个基础上,我们可以得知每个记录了指定农作物物候规律的站点中,该农作物出现该物候现象在一年中的时间。如图(b)与图(c)所示,它们分别代表一季稻播种与出苗的时间在中国不同地方的差异。
3.2.3 农作物物候时间趋势分析
农作物物候时间趋势的分析是筛选出具有某一作物某一物候的监测记录的每一个站点,并求出这些站点每年的该物候出现时间与其平均时间的差值(即提前延后天数),然后对所求出的差值求平均值,即得到某一作物某一物候全国所有站点每年的提前延后天数,最后对得到的结果进行Manner-Kendall趋势分析。图(e)为一季稻播种时间MK分析图。
3.2.4 农作物物候分区
农作物物候分区是根据各个站点之间各个作物的物候规律的相似性,使用IsoData非监督聚类方法进行的聚类,如图(f)所示,该图是一季稻的四类分区图。
3.3遥感数据处理与分类
流程概述:应用所需的遥感数据需要经过预处理、VIs Estimation、后处理后才可以使用,由于需要2000年~2012年的遥感数据,但包含农作物种类信息的样方矢量是于2015年~2017年统计的,应用还利用这三年数据制作了大豆、水稻、小麦的物候库。然后结合统计年鉴上的作物面积数据对之前13年的数据进行了作物分类。
3.3.1 遥感数据下载、处理
本应用使用2000年~2012年以及2015年~2017年的MOD09Q1八天合成产品,经过投影、拼接、裁剪等预处理操作后进行NDVI计算。最后经过后处理操作,包含质量波段去噪与SG滤波光滑,并且将数据组织为MODIS3D格式。
3.3.2 地面样方分析与样本库的制作
本应用在进行地面样方分析时,将MOD09Q1数据与LandSat8数据以及东北三省地面样方数据叠加显示,目视判别各种作物的纯像元。使用ArcMap导出记录纯像元所在行列值的文本,利用文本信息提取相应位置像元的NDVI曲线构成各个作物的物候库。
3.3.3 遥感数据的分类
本应用以待分类像元的NDVI曲线与物候库中已知作物的NDVI曲线之间的相似性高低为分类判据进行作物分类。除此之外,还使用了从2017年国家统计年鉴上查得的各种农作物的种植面积作为分类的限定条件。
3.4遥感数据与地面站数据的联合分析
流程概述:
本应用的联合分析是基于遥感数据与地面站数据兼备时空可匹配的特性开展的,应用通过访问数据库获取物候规律信息,再根据TimeSat软件对NDVI曲线提取的特征结果,获得一个基于物候概率密度NDVI特征的提取结果。即为联合分析结果。
3.4.1 时空信息的提取与匹配
地面站数据中有作物的物候规律记录,遥感数据中有作物的NDVI曲线,两者都具有时序规律。同样,地面站数据中记录了作物所在的站点的经纬度,遥感数据中也记录作物像元的位置。因此,两者也都具有空间规律。基于此时空规律,可以实现遥感数据与地面站数据之间的信息转换。但前提是将时空信息提取与匹配起来。
3.4.2 基于物候概率NDVI特征的提取
应用基于物候概率的NDVI特征提取的方法可以实现遥感数据到农学信息的转化。之所以要提取NDVI特征,是因为NDVI特征是遥感数据表达作物物候的根本方式。之所以要基于物候的概率进行NDVI特征提取,是因为每个NDVI特征不一定可以绝对判定为某一物候。
4. 关键技术
4.1 地面站数据分析部分关键技术
4.1.1 基于Manner-Kendall分析法的农作物物候时间趋势分析
农作物物候时间趋势分析是根据农作物种植时间变化趋势,通过MK进行综合性分析物候的提前延迟趋势。分为两个方面,全国站点综合分析和逐站点分析。本应用制作了水稻、小麦、玉米等七种作物的时间分析图。
MK:当UF小于0,代表农作物物候期整体呈提前趋势,大于0代表农作物物候期整体呈延后趋势,超过置信区间说明趋势明显。由图中我们可以看出,大部分作物在近些年来整体呈提前趋势,这与全球气候变暖有着很大的关系,同时,也可以看出同作物不同物候期具有相似性。
4.1.2基于ISOData非监督聚类法的农作物物候分区
农作物物候分区是根据各个站点之间各个作物的物候规律的相似性,使用IsoData非监督聚类方法进行的聚类。其中,物候规律用各个站点各个作物的各个物候出现的时间规律来描述,如果两个或多个站点之间有多种作物的各个物候现象出现的日期都差不多,那么就认为这些站点之间在物候规律上有着较强的相似性。
本应用制作了水稻、小麦、玉米等七种作物的物候分区图。其中,我们为每个作物制作出6个物候期的空间分布图作为聚类分析的6个基本波段,再利用这些波段的数据进行IsoData聚类,得到分作物的分区结果。除此之外,我们将7种作物总计42张物候空间分图作为42个波段进行了聚类,得到的结果具有明显的稳定性。
本应用得出了不同聚集程度的聚类结果,分别是4类,6类以及8类。类间差异随着类数的增加而变小,同时也越来越看的出物候规律具有微小差异的物候区之间的划分。
4.2 遥感数据处理部分关键技术
4.2.1 基于物候匹配的农作物分类技术
由于样方统计的是2015年~2017年的农作物种类信息,与所用遥感数据无时间上交集,所以需要使用这些年数据建立农作物样本的物候库。然后将物候库作为先验信息,利用基于物候匹配的农作物分类技术对所需使用的遥感数据进行分类。分类技术基本原理如下图:
4.2 遥感数据与地面站数据联合分析部分关键技术
4.3.1 基于物候概率NDVI特征的提取法
本应用的联合分析是基于物候规律与NDVI指数变化规律兼备时序特征的特性开展的,应用对特定站点、特定作物的一个特定物候展开分析,从地面站数据中统计出这些年来该物候出现时当前区域的所有NDVI取值,然后分情况构成NDVI区间,在TimeSat中以一定步长进行插值分析,并且计算每一个插值表示该物候出现的可能性。最后绘制曲线,即得到基于物候概率NDVI特征的提取结果。具体流程如下图所示: