2018Esri开发竞赛ENVI-IDL组作品欣赏——基于MODIS数据反演农作物物候规律及指导生产

作品单位: 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

指导教师: 沈永林、刘鑫凯

获奖情况:二 等奖

视频地址: https://www.bilibili.com/video/av37927286

一、作品概述

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。

本应用在利用 Access 数据库对全国 778 个站点多达 22 年( 1992~2013 )的观测数据进行有效组织的基础上,对时间维或空间维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地域特征及时序特征,并结合不同种植习惯以及作物物候规律对不同农业区进行分区。

应用需要基于 2000~2012 年与 2015~2017 年的 MOD09Q1 数据计算获得的 NDVI 八天合成产品数据集。该数据集经过了几何校正、拼接、裁剪等预处理,经 NDVI 指数计算后采用最大值合成( Maximum Value Composition )方法获得。此外,获取 2015~2017 年数据与东北不同作物实地样方矢量和对应 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、得到基于物候概率的 NDVI 特征提取的结果。从而实现遥感数据与农学信息的转化。

二、作品技术流程

本应用为分析中国近 1990 年至 2013 年物候的时空分布规律与变化问题与分析应用遥感手段反演物候的精度,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,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)的物候特征的空域分布情况以及时域特征。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。其首先经过拼接、投影、裁剪等预处理步骤,然后经 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 MOD09GQ 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。随后将大豆,小麦,水稻作物的样本库制作,从而得到分作物后的 MODIS3D 数据。最后,基于遥感数据与农学信息共有的时空特性,进行基于物候概率密度 NDVI 特征的提取,从而实现遥感数据与 地面站 数据的联合分析。

具体流程如下图所示:

2.1 地面站数据分析部分

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作物空域分析,和利用数据库的时间查询结果进行的农作物时域分析,以及依据物候规律进行各个农业区之间的物候分区这四部分。具体流程如下图所示。

2.2 遥感数据处理部分

本应用所需是使用的遥感产品是 MOD09Q1 八天合成产品,它们都需要经过预处理、 VIs Estimation 、后处理后才可以使用。另外,由于需要 2000 ~2012 年的遥感数据与地面站数据进行接下来的联合分析,但包含农作物种类信息的样方矢量是于 2015 ~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。具体处理流程如下图所示:

~2012 年以及 2015 ~2017 年的 MOD09Q1 八天合成产品,经过拼接、投影、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。 具体流程如下图所示:

l   地面样方分析与物候库制作

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。具体流程如下图所示:

~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。 具体流程如下图所示:

2.3 遥感数据与地面站数据联合分析部分

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。分析流程如下图所示。

l   基于物候概率的 NDVI 特征的提取

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。最后拟合曲线,即得到基于物候概率的 NDVI 特征的提取结果。具体流程如下图所示:

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。

如图所示,当 NDVI 在峰右取值为 0.55 时,我们可以看出,此时对应地面该像元中的作物有 75% 的可能性处于乳熟期,也有 25% 的可能性处在成熟期。这种概率是基于遥感数据与地面站数据之间的联合分析得到的,随着纳入更多的遥感与地面站数据,该模型会越来越精确稳定。

如此,我们便可以通过遥感手段获取作物的 NDVI 特征,然后对 NDVI 特征进行分析,即可实现农作物的物候信息的大面积获取与监视,从而更有效的指导农业生产。

l   基于物候概率的东北大豆的 NDVI 特征的提取结果

黑龙江大豆

l   基于物候概率的东北玉米的 NDVI 特征的提取结果

黑龙江春玉米

l   基于物候概率的东北水稻的 NDVI 特征的提取结果

黑龙江一季稻

三、作品点评

作品选题新颖,具备较高的应用价值。作品分析中国 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。作品使用遥感数据遥感 MOD09Q1 八天合成产品,进行了一系列预处理、以及非监督分类, NDVI 时序和最大值合成, SG 滤波,从而构建了各个作物的物候库,形成作物样本库,与地面站数据联合分析。作品数据分析详细全面, PPT 制作精美,讲解清晰。对农业生产方面有很高的应用价值。

作品在制作过程中,编写了大量的 IDL 代码用于辅助完成目标。比如实现了 mdb 数据库查询、物候空间分析、物候时间分析、分站点分析、遥感数据处理、地面站点 NDVI 的建立、物候完整站点以及 NDVI 范围查询、 NDVI 对物候概率反演等功能,值得鼓励。

我来评几句
登录后评论

已发表评论数()

相关站点

热门文章