中国大宗农作物时序遥感制图

第1章 绪论 1.1 农作物遥感监测的研究意义 人类面临的*大挑战之一，是如何在未来和更长时间内可持续地养活每一个人（Lu et al.，2017；刘毅，2011）。中国的粮食安全问题由来已久，纷繁复杂，备受关注。在全球气候变化、耕地流失加剧、农村青壮年劳动力进城务工、国际粮价走低等多重国际与社会大背景下，粮食安全将成为我国重要长久的战略任务。粮食安全与生态可持续性问题纷繁复杂，需要结合耕地面积、种植强度、农业种植结构等多方面开展系统性研究。耕地种植强度与农作物种植结构具有复杂的时空异质性特征。耕地遥感监测面临着合理消除不确定性因素、提高自动监测水平等诸多挑战（Massey et al.，2017；Skakun et al.，2017）。虽然我国乃至全球已经投入大量人力、物力、财力，开展了多轮具有重要历史意义的土地利用/覆盖变化监测研究工作，但形成的耕地时空分布数据集时效性、一致性、总体精度均有很大提升空间（Deng and Li，2016； Skakun et al.，2017）。相关领域研究学者对大范围长时序土地利用强度与变化过程的重视度依然不足，并且缺乏适用于大范围多年时空连续变化研究的理论与观测技术方法（Bégué et al.，2018；Rounsevell et al.，2012；Verburg et al.，2011）。大范围准确及时获取农作物时空连续分布数据，对于农业可持续发展从而确保粮食与生态安全非常重要（Busetto et al.，2019；Defourny et al.，2019）。相对于土地利用/覆盖，大范围农作物时空分布数据相对匮乏，并且数据获取更具挑战性（Wardlow et al.，2007；Zhang et al.，2017）。因此，开展大范围长时序农作物遥感监测研究具有重要的理论与现实意义。 1.2 时序遥感分析技术研究进展 1.2.1 长时序遥感数据带来新契机 时序遥感数据的年际、年内时序信息，为更深入地揭示地表属性时空演变特征提供了前所未有的机遇（Gómez et al.，2016；Wang et al.，2018）。年内时序遥感数据提供了不同地表覆盖方式的年内变化信息（如植物物候），有助于识别微小的差异。年际时序遥感数据提供了中长期土地覆盖光谱特征，有助于更好地解读土地覆盖/利用细微调整或类型变化。时序遥感数据的年内变异性，对判别具有明显的植被物候特征的土地覆盖方式特别有效，如利用物候差异识别农作物、森林、草原等不同植被类型（Massey et al.，2017；Senf et al.，2015）。多年时序轨迹数据能有效地刻画各种土地覆盖要素随时间变化的光谱特征。基于时间维的变量和多种遥感指数的时序轨迹，为刻画与土地利用覆盖类型相关的各种生物物理属性的状态及其变化带来了极大机遇。随着时序遥感数据的不断积累，时序变化遥感监测近年来成为遥感技术与应用的研究热点（Wang et al.，2018；赵忠明等，2016）。未来的土地变化科学，不仅仅是土地覆盖类型转换（landcover con-version），更多地关注包括土地管理方式、种植制度等土地覆盖属性变化（Lambin et al.，2003）。对地表属性多年时序变化及其空间特征的探索分析，将有助于人们对土地覆盖变化科学的深层次理解（Lambin and Linderman，2006）。 1.2.2 时序遥感分析技术方法 尽管关于集成长时序遥感数据给连续监测地表生态系统的状态和动态变化带来机遇已经达成广泛共识，但充分挖掘利用长时序遥感影像信息的新型分类与变化检测技术的研究仍然相对匮乏（Bégué et al.，2018；Gómez et al.，2016）。常规遥感分类与变化检测技术难以高效地分析和处理长时序遥感数据。例如，基于聚类的非监督分类算法，处理高维数据或大数据时花费时间特别长（Jia et al.，2014）。常规监督分类方法，如*大似然法、*小距离法等，很难用于处理具有多模态特征的时序数据（Glanz et al.，2014）。面对长时序遥感影像数据带来的机遇与挑战，国内外学者相继提出了相关时序遥感分析算法。按照实现策略与研究思路，大体可以分为以下3种：①基于时序轨迹的研究方法；②基于机器学习的研究方法；③基于时空模型预测的方法。 基于时序轨迹的研究方法，依据其实现策略不同，大致可以分为两种类型：基于时序分割的方法和基于时序分解的方法。基于时序分割的方法，通过将原始时间序列分割为一系列互不重复的子序列，然后分别解读不同子序列的含义。这种基于时序分割的代表性研究方法有识别干扰与植被恢复的趋势算法（Landsat-based detection of trends in disturbance and recovery，LandTrendr）（Kennedy et al.，2010）、植被变化探测器（vegetation change tracker，VCT）（Huang et al.，2009）、断点检测与分割算法（detecting breakpoints and estimating segments in trend，DBEST）（Jamali et al.，2015）等。LandTrendr方法利用 Landsat时序遥感影像，通过时间序列分割与重构，实现对包括林火、病虫害等因素带来的森林干扰的监测。 VCT可用于重建森林变化轨迹， 实现森林变化自动监测（Huang et al.，2009）。基于时序分解的方法，将时序轨迹分解为若干平稳的（如季节性的）和非平稳的过程。相关的代表性研究方法如 BFAST（breaks for additive seasonal and trend）（Verbesselt et al.，2010）。在 BFAST方法中，首先将植被演变时间序列分解为渐进的线性变化趋势、季节变化以及突变等三方面，并分别赋予一定的含义，如将前两者映射为干扰（火灾和虫灾）和植被物候变化（如土地覆盖变化），然后通过迭代检测突变点，实现森林动态变化监测（Schmidt et al.，2015）。目前，这些基于时序轨迹的遥感时序变化检测算法能快速直接地获取变化区域，在森林干扰等土地变化遥感监测中取得了很好的应用成效。 基于机器学习的研究方法，通常包括人工神经网络、支持向量机、随机森林算法等。机器学习方法展示出一定的自学习能力，近年来发展迅速并且获得了很好的应用（Belgiu and Dr.gut，2016；Chen et al.，2015a；Zhu et al.，2017）。基于机器学习的研究方法不足之处在于，通常对训练样本数据的要求比较高，并且因其判别过程的黑箱问题，不具备可解释能力（Shih et al.，2015）。如何巧妙建立合理刻画地表变化过程的指标，通过各种途径高效获取可信赖的训练样本数据，提高遥感时序变化检测算法的精度和应用推广能力，将是基于机器学习的研究方法未来的核心发展方向。 基于时空模型预测的方法，通常包括差分自回归移动平均模型（autoregressive integrated moving average model，ARIMA）、马尔可夫模型以及季节趋势模型等。 ARIMA基于自身序列特征进行估计，具有良好的预测结果，但无法对调控因子、趋势与异常特征进行描述。而带控制量的差分自回归移动平均模型（autoregressive integrated moving average model with explanatory variable，ARIMAX）能纳入其他独立变量，灵活性更强。基于时空模型预测的代表性方法，如连续变化检测与分类（continuous change detection and classification，CCDC）算法（Zhu and Woodcock，2014），基于 Landsat原始时序数据和利用季节趋势模型进行时序拟合与预测，然后通过模型预测值与实际值的残差检测变化，并且进一步利用预测模型的系数、残差等一系列参数开展土地覆盖分类。又如，多尺度时空建模（multi-scale spatiotemporal modeling，MSSTM）工具，能顾及像元、时间和空间尺度异质性，针对年份、季节、月份等不同尺度变异分别选取不同时序分析模型建模（Qiu et al.，2016a）。基于时空模型预测的方法灵活性强，很适合进行连续变化监测，但其不足之处在于对原始时序数据的要求比较高（数据完整性与质量等），数据的缺失或噪声可能会给预测结果带来较大的影响。 1.3 农作物遥感监测面临的挑战 相对于土地利用/覆盖，大范围农作物遥感监测更具挑战性（King et al.，2017；Tang et al.，2018）。植被覆盖受到人与自然复杂交互作用的影响，具有显著时空非平稳性特征。植被演变存在复杂时空异质性，表现为在不同尺度、不同区域、不同要素/因子以及不同阶段过程中植被生长状态和制约因素存在明显差异。植被光谱类内异质性严重阻碍了大范围高精度高效率的植被遥感信息提取。 农作物遥感监测算法先后经历了以下4个发展阶段（以水稻为例）（Dong and Xiao，2016）：阶段一，基于反射率数据和影像统计的研究方法；阶段二，基于植被指数和增强影像的统计方法；阶段三，基于植被指数多时相分析方法；阶段四，基于植被物候的研究方法（基于时间序列分析研究方法）。虽然前3种方法均认同农作物关键生长期在农作物遥感监测中的作用，但关键生长期的识别未采用遥感数据直接获取。第4种基于植被物候的研究方法通过直接识别并利用农作物关键生长期特征，可以提高农作物遥感监测效率与精度。 基于植被物候的农作物遥感监测方法所面临的挑战来自两个方面：其一，不同农作物植被指数时序曲线的相似性；其二，同种农作物植被指数时序曲线的类内异质性（Qiu et al.，2017c）。农作物植被指数时序曲线的类内异质性问题备受关注（Qiu et al.，2016b；Wardlow et al.，2007）。农作物植被指数时序曲线的类内异质性至少包括以下3种形式（Qiu et al.，2016c）：物候期推移/变化引起的不同区域植被指数时序曲线推移/变化；土壤肥力、灌溉条件以及耕作管理措施引起的植被指数时序曲线增强或减弱（如肥力好的地方，植被生长好，植被指数偏高）；农作物物候历、地形气候以及其他自然条件或人为措施引起的更复杂的变化形式，都将导致该区域植被指数时序曲线产生变异性（Lunetta et al.，2010；Qiu et al.，2015）。 虽然近年来基于植被物候的农作物遥感监测方法取得了很好的应用效果（Dong and Xiao，2016），但建立大范围快速自动的农作物遥感监测方法依然面临诸多技术瓶颈。目前很多农作物遥感监测方法多适用于小区域和特定年份，急需建立适用于大范围长时序农作物分布自动提取方法（Bégué et al.，2018；Rounsevell et al.，2012）。 1.4 本书内容与章节安排 本书通过自适应时频域、动态锁定关键物候期、集成多种遥感指数以及知识迁移学习等研究策略，设计构建了耕地复种指数和水稻、冬小麦、玉米等农业遥感制图方法，为实现大尺度长时序农作物时空演变分析提供有力保障。本书的研究框架见图1.1，具体内容如下。 图1.1 本书研究框架图 第1章，阐述农作物遥感监测的重要性、发展趋势及其面临的挑战，引出本书的研究内容。 第2章，研究一种兼具保真度和平滑度的时序遥感数据平滑方法。平滑的时序遥感数据，对于植被遥感信息提取与应用非常重要。本书所提出的时序遥感数据平滑方法，参数设置简单且可重用，能适用于各种气候条件下自然植被与多种熟制农作物的时序遥感数据平滑处理以及相关物候参数提