摘要
大豆是一种重要的油料作物，位于南美洲的巴西和阿根廷分别是全球大豆第二、三大主产国。因此，及时、准确地获取巴西和阿根廷大豆种植区信息对保障全球大豆粮食安全意义重大。本文借助谷歌地球引擎(GoogleEarthEngine,GEE)云平台，利用光学和雷达时序遥感数据研究南美洲大豆时序谱特征提取，结合特征优选探究南美洲大豆种植区提取方法。其中，提取了不同类型的时序谱特征并分析特征间的差异，对比了光学和雷达数据在南美洲大豆识别中的表现，确定了南美洲大豆识别普适性的特征子集，评估了三种机器学习分类模型在大豆识别中的性能，并明确了阿根廷大豆最早可识别的时间窗口。开展的主要工作如下: (1)南美洲大豆时序谱特征提取研究。利用Sentinel-1(S1)、Sentinel-2(S2)卫星数据构建相关时序谱，借助线性谐波拟合、统计分析和等间隔中值合成等方法提取不同类型的时序谱特征。结果表明，基于线性谐波拟合提取的增强植被指数(EnhancedVegetationIndex,EVI)时序谱特征中，相对于相位特征，振幅特征更有利于识别大豆。基于统计分析提取的S2波段时序谱特征中，与短波红外波段相比，红边波段更有利于识别大豆。基于统计分析提取的S1波段时序谱特征中，相对于VH极化方式，VV极化方式对大豆识别更敏感。地形特征中，海拔特征更有利于大豆的识别。 (2)南美洲大豆种植区提取方法研究及精度评价。基于已提取的大量时序谱特征，首先探究基于光学和雷达时序谱特征的南美洲大豆种植区提取，筛选南美洲大豆识别普适性的特征子集。然后，开展大豆遥感识别关键生长期研究，确定阿根廷大豆最早可被准确识别的时间窗口。结果表明，在南美洲大豆识别中与雷达数据相比，光学数据对大豆识别更敏感，两者组合可以进一步提高识别精度。特征重要性评估表明，EVI时序谱特征较重要，其中相对于一阶系数，二阶系数的重要性更高。S2波段时序谱特征中，相对于短边红外波段，红边波段相对重要。S1波段时序谱特征中相对于VH,VV极化方式更重要。地形特征中，海拔相对重要。最终，经过特征筛选确定了南美洲大豆识别具有普适性的特征子集(共包含18个特征变量)，利用该子集在巴西和阿根廷大豆识别任务中的总体精度分别为90.68％、84.84％,且提取的巴西和阿根廷大豆种植面积与农业统计数据的相对误差分别为4.50％、-6.65％。另外，本研究发现与支持向量机和朴素贝叶斯分类模型相比，随机森林分类模型的分类精度更高。阿根廷大豆最早可在2月末(灌浆期)被准确的识别，早于大豆收获期一个月左右。特征优选后的阿根廷最优特征子集可以减少80％的输入数据量，同时保持较高的分类精度，其分类总体精度为85.87％,Kappa系数为0.79,大豆提取面积与农业统计数据的相对误差为3.45％。 综上，本文基于多源时序遥感数据提供了大区域尺度大豆种植区提取的高精度方法,研究结果既可为保障全球大豆粮食安全的政策制定提供参考，也可为早期期货交易、农业保险等提供数据支撑。
NETL