近日，我院自然地理与资源环境系胡琼老师与中国农业科学院、美国波士顿大学、美国肯特州立大学以及国际粮食政策研究所合作的研究成果“Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates”发表在国际顶级遥感学术期刊《Remote Sensing of Environment》（影响因子9.09）。该研究提出了遥感数据和统计数据协同的农作物空间分布制图的新方法。

农作物空间分布图是科学掌握区域农业生产状况、优化农业资源配置利用、调整农作物种植结构的重要基础。中低空间分辨率遥感数据（如MODIS）是区域农作物空间分布制图或种植结构监测中广泛使用的数据源，其具有观测幅宽大、谱段多和时频高等特点，可以较好刻画复杂种植结构下农作物的生长发育物候特征。然而，其较粗的空间分辨率常带来混合像元的问题，分类中训练样本、大气干扰、影像预处理、机器学习算法等也很多不确定性，这些都显著限制了农作物空间分布制图精度。农作物统计数据也常在农作物空间分布制图中得到应用，虽难以刻画农作物详细的空间分布信息，但在作物类型和数量特征描述，以及时间连续性表达等方面具有独特优势。已有的研究多是将统计数据作为外部参考数据，应用于遥感制图结果验证和精度评价，统计数据没有参与到遥感制图的关键环节中，并没有实现遥感数据和统计数据的真正协同。

针对这一问题，该研究从充分挖掘中低分辨率遥感影像和农业统计数据的优势出发，联合提出了协同这两类数据的农作物亚像素制图新方法。该方法首先基于随机森林回归模型，提出了“向后特征剔除法”，自动筛选出作物识别的最佳光谱-时相特征组合，提高作物丰度遥感估算精度；其次，引入作物面积统计数据，计算遥感分类结果与统计数据的面积差，提出了面积差空间迭代分配新方法（IAGSA），进行面积差空间像元合理分配，实现遥感分类的作物丰度结果精化。该研究以我国最大商品粮基地—黑龙江省为研究区域，以主要农作物（水稻、玉米和大豆）为研究对象，对方法可靠性和稳定性进行了验证。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优化得到的农作物亚像素制图结果，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。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。该方法充分挖掘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。

该研究得到国家自然科学基金项目、国家重点研发计划项目、中央高校基本业务项目的共同资助。

论文链接：

https://www.sciencedirect.com/science/article/pii/S0034425721000833

Qiong Hu, He Yin, Mark A. Friedl, Liangzhi You, Zhaoliang Li, Huajun Tang and Wenbin Wu*. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates [J]. Remote Sensing of Environment, 2021, 258, 112365.

图1. 协同MODIS时序影像与统计数据生产的黑龙江省农作物分布图. 图（a）表示采用县级统计数据和面积差空间迭代（IAGSA）方法修正的农作物丰度图. 图（b）表示统计数据修正前和修正后的农作物丰度变化图及变化统计量.