郝鵬宇，唐華俊，陳仲新，牛 錚

?

基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別

郝鵬宇1，唐華俊1※，陳仲新1，牛 錚2

（1. 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所農(nóng)業(yè)部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京 100081； 2. 中國(guó)科學(xué)院遙感與數(shù)字地球研究所遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101）

快速準(zhǔn)確地獲取農(nóng)作物分布數(shù)據(jù)對(duì)作物估產(chǎn)、災(zāi)害預(yù)警具有重要意義。該文針對(duì)目前農(nóng)情遙感監(jiān)測(cè)業(yè)務(wù)中普遍存在的缺乏地面數(shù)據(jù)和分類時(shí)效性較低的問(wèn)題，以美國(guó)堪薩斯州為研究區(qū)，提出了基于參考時(shí)間序列獲得訓(xùn)練樣本的方法。首先，基于2006到2013年的MODIS EVI時(shí)間序列數(shù)據(jù)和cropland data layer（CDL）數(shù)據(jù)，使用免疫系統(tǒng)網(wǎng)絡(luò)方法建立苜蓿、玉米、高粱和冬小麥的參考EVI時(shí)間序列；根據(jù)2006年到2013年作物分布情況，將作物超過(guò)總記錄年數(shù)一半的象元作為2014年“潛在”訓(xùn)練樣本；通過(guò)計(jì)算參考EVI時(shí)間序列和“潛在”樣本的MODIS EVI時(shí)間序列的歐氏距離確認(rèn)2014年訓(xùn)練樣本；最后使用這些樣本和2014年Landsat NDVI月合成數(shù)據(jù)進(jìn)行30 m作物識(shí)別，并且評(píng)價(jià)時(shí)間序列長(zhǎng)度對(duì)作物識(shí)別結(jié)果的影響。試驗(yàn)結(jié)果表明，時(shí)間序列長(zhǎng)度為4－8月時(shí)，獲得2014年樣本10 183個(gè)，樣本正確率為96.32%，總體分類精度為94.02%，接近使用完整時(shí)間序列數(shù)據(jù)的結(jié)果（總體分類精度94.89%）；提取的苜蓿、玉米、高粱和冬小麥的面積分別為549.5、1 999.5、2 851.5和6 415.3 km2，與CDL數(shù)據(jù)相比誤差低于20%，說(shuō)明基于參考時(shí)間序列方法獲得的訓(xùn)練樣本具有較高的正確率，具備進(jìn)行30 m作物早期制圖的潛力。該研究可為提高農(nóng)作物遙感制圖工作效率提供參考。

作物；遙感；識(shí)別；參考EVI時(shí)間序列；作物識(shí)別；樣本；免疫系統(tǒng)網(wǎng)絡(luò)；CDL數(shù)據(jù)

0 引 言

快速獲取與分析農(nóng)作物的種植分布是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的基礎(chǔ)，遙感技術(shù)以其快速、無(wú)損和客觀等特點(diǎn)，已廣泛應(yīng)用于農(nóng)作物種植面積提取[1]。由于多時(shí)相遙感數(shù)據(jù)可以在整個(gè)生長(zhǎng)期內(nèi)反映不同作物生長(zhǎng)狀況的差異，具有更強(qiáng)的區(qū)分不同作物的能力[2-3]，大多數(shù)農(nóng)作物分類產(chǎn)品需要使用全年的多時(shí)相遙感數(shù)據(jù)，因而需要在年底或者第二年才能獲得農(nóng)作物分類的結(jié)果，時(shí)效性較低[4]。如果能使用較短的時(shí)間序列提前獲得作物分類的結(jié)果，將使作物提取的結(jié)果更有意義[5]。例如，在農(nóng)作物夏季灌溉之前獲得農(nóng)作物分類圖，可以輔助決策灌溉用水量的分配，提高灌溉的用水效率；在收獲之前獲得作物分類結(jié)果，可以更有效地管理農(nóng)作物的收割。另外，目前大多數(shù)農(nóng)作物遙感識(shí)別工作均采用監(jiān)督分類的方法，因而分類的訓(xùn)練樣本是農(nóng)作物精確識(shí)別的關(guān)鍵。但是，通過(guò)野外試驗(yàn)的方法獲得訓(xùn)練樣本的方案會(huì)造成極大的人力、物力消耗，因而每年獲得地面訓(xùn)練樣本存在較大困難[6-7]。所以，在不能獲得地面調(diào)查數(shù)據(jù)的情況下，探討使用較短的時(shí)間序列數(shù)據(jù)進(jìn)行作物提前識(shí)別的方法，在農(nóng)作物識(shí)別的業(yè)務(wù)化運(yùn)行工作中具有重要意義。

由于多年間同種作物物候的差異小于不同作物的物候差異，一些學(xué)者根據(jù)先驗(yàn)知識(shí)，直接使用遙感數(shù)據(jù)描述特定作物的特征，從而實(shí)現(xiàn)作物提取。如Dong等[8]發(fā)現(xiàn)中國(guó)東北的水稻在移栽期時(shí)，主要體現(xiàn)為水體特征，而在移栽期之后與其他作物的特征類似，提出了基于先驗(yàn)知識(shí)的水稻自動(dòng)提取方法。Zhong等[6]使用MODIS EVI數(shù)據(jù)計(jì)算作物的物候期，使用線性差值的方法獲得物候期的作物光譜，并根據(jù)作物關(guān)鍵物候期的光譜人為定義決策樹進(jìn)行作物識(shí)別。這些方法針對(duì)特定作物提出，不能實(shí)現(xiàn)多種類的作物識(shí)別；而且需要首先使用遙感數(shù)據(jù)提取物候，而物候的提取會(huì)引入誤差，影響作物識(shí)別的精度。

另一種方法是使用相同研究區(qū)其他年份的訓(xùn)練樣本訓(xùn)練分類器，再使用這些分類器進(jìn)行作物識(shí)別[9]。例如，Muhammad等[10-11]使用多年歷史數(shù)據(jù)訓(xùn)練分類器，并在此基礎(chǔ)上分別在美國(guó)堪薩斯州和中國(guó)新疆進(jìn)行作物識(shí)別，其總體分類精度達(dá)80%以上。Howard等[12]使用5 a歷史數(shù)據(jù)訓(xùn)練決策樹分類器，并進(jìn)行作物識(shí)別，其分類精度也在80%左右。Friesz等[13]將該方法進(jìn)行擴(kuò)展，實(shí)現(xiàn)了2000年到2013年的全美250 m連續(xù)作物分布制圖，總體分類精度達(dá)到90%。Hao等[14]使用2006到2010年的歷史地面數(shù)據(jù)和MODIS數(shù)據(jù)建立作物的參考曲線，并嘗試使用參考曲線在新疆博樂(lè)市和瑪納斯縣進(jìn)行2011年30 m作物識(shí)別，其識(shí)別精度達(dá)到85%左右。但是，由于使用MODIS計(jì)算的植被指數(shù)與使用Landsat和HJ數(shù)據(jù)計(jì)算的植被指數(shù)存在差異，作物識(shí)別過(guò)程中需要使用線性轉(zhuǎn)換的方法將Landsat和HJ數(shù)據(jù)的植被指數(shù)轉(zhuǎn)換為MODIS植被指數(shù)，轉(zhuǎn)換過(guò)程中引進(jìn)的誤差會(huì)影響分類精度。所以如何改進(jìn)植被指數(shù)線性轉(zhuǎn)換的過(guò)程有待進(jìn)一步探討。

本文針對(duì)農(nóng)作物遙感識(shí)別時(shí)效性較低和缺乏訓(xùn)練樣本的問(wèn)題，通過(guò)作物歷史EVI時(shí)間序列直接獲得分類年需要的訓(xùn)練樣本，并使用這些樣本進(jìn)行作物識(shí)別。另外，評(píng)價(jià)時(shí)間序列長(zhǎng)度較短時(shí)，使用該方法進(jìn)行作物早期識(shí)別的適用性，為提高業(yè)務(wù)運(yùn)行的效率提供新的思路。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)概況

堪薩斯州（37°N—40°N，94°W—102°W）位于美國(guó)大平原，其主要土地利用類型為農(nóng)田，面積占全州的46.6%[15]，主要農(nóng)作物包括玉米、高粱和冬小麥等[16]。由于堪薩斯州西南ASD 30 (Agricultural Statistics Districts 30)區(qū)域包括了堪薩斯州主要的農(nóng)作物，本文選擇堪薩斯州西南的ASD30區(qū)域作為研究區(qū)（圖1）。根據(jù)Shroyer等[17]，研究區(qū)在堪薩斯州種植分區(qū)中屬于“Zone 2”和“Zone 3”；作物的播種期早于堪薩斯州東南的ASD 90區(qū)域，晚于堪薩斯州西北的ASD 10區(qū)域。最主要的作物為冬小麥，種植面積占該區(qū)域農(nóng)田面積的53.16%，玉米和高粱也為該區(qū)域的主要作物，其種植面積占該區(qū)域農(nóng)田面積的21.24%和21.19%[18]。

1.2 遙感數(shù)據(jù)

1.2.1 數(shù)據(jù)及預(yù)處理

本文使用的遙感數(shù)據(jù)包括2部分：1）2006年至2014年的MODIS EVI時(shí)間序列數(shù)據(jù)；2）2014年Landsat數(shù)據(jù)。MODIS數(shù)據(jù)為16 d合成的植被指數(shù)產(chǎn)品MOD13Q1，空間分辨率為250 m，包括NDVI、EVI、紅、藍(lán)、近紅、中紅和VI 質(zhì)量文件等數(shù)據(jù)[3]。本文使用的MODIS數(shù)據(jù)的條帶號(hào)為h09v05的數(shù)據(jù)，數(shù)據(jù)時(shí)相為2006年到2014年每年1月1日至12月31日，2006年至2013 年的數(shù)據(jù)用于建立參考EVI曲線，2014年的數(shù)據(jù)用于識(shí)別2014年作物。本文使用MRT（MODIS reprojection tool）對(duì)MODIS數(shù)據(jù)進(jìn)行鑲嵌和投影轉(zhuǎn)換，投影為UTM（universal transverse mercator projection）投影，投影帶號(hào)為14N，地理坐標(biāo)系為WGS84 坐標(biāo)系。使用試驗(yàn)區(qū)域?qū)ODIS數(shù)據(jù)進(jìn)行裁剪，并使用Savizky-Golay濾波的方法進(jìn)行EVI時(shí)間序列重構(gòu)[19]。另外，本文獲得2014 年4月至10月所有Landsat數(shù)據(jù)（包括Landsat-7 ETM+數(shù)據(jù)和Landsat-8 OLI數(shù)據(jù)），空間分辨率為30 m。所有Landsat數(shù)據(jù)均為經(jīng)過(guò)幾何精校正的Landsat地表反射率數(shù)據(jù)，其幾何校正誤差小于12 m[20]。使用地表反射率計(jì)算NDVI，再使用月最大合成的方法對(duì)NDVI進(jìn)行數(shù)據(jù)合成，取每個(gè)月NDVI中的最大值代表這個(gè)月的NDVI。最后，使用試驗(yàn)區(qū)的邊界對(duì)月合成的Landsat NDVI時(shí)間序列進(jìn)行裁剪，并進(jìn)行投影轉(zhuǎn)換，地理坐標(biāo)系為WGS84，投影為UTM投影，投影帶號(hào)為14 N。

注：圖中影像為2014年7月MODIS EVI數(shù)據(jù)。

1.2.2 樣本數(shù)據(jù)

本文使用美國(guó)農(nóng)業(yè)部提供的CDL（cropland data layer）數(shù)據(jù)作為地面數(shù)據(jù)，涉及的作物類型為堪薩斯州的4種主要的作物，分別為苜蓿、玉米、高粱和冬小麥[21]，4種作物CDL數(shù)據(jù)的用戶精度高于85%[18]。

在獲得2014年的驗(yàn)證樣本時(shí)，同時(shí)使用CDL數(shù)據(jù)的作物類型數(shù)據(jù)和作物識(shí)別置信度數(shù)據(jù)[18]。分類置信度是分類器在進(jìn)行分類時(shí)輸出的分類可靠性，代表分類器對(duì)分類結(jié)果的確定性。首先，使用90%的分類置信度作為閾值獲得“高置信度”掩膜；接著使用“高置信度”掩膜刪除CDL分類置信度較低的象元。隨后，根據(jù)2014年CDL數(shù)據(jù)計(jì)算每個(gè)250 m×250 m的MODIS象元內(nèi)主要作物所占的面積比例。如果在一個(gè)象元內(nèi)，一種作物所占的比例大于80%，將這個(gè)象元定義為相應(yīng)作物的“純網(wǎng)格”，將這個(gè)網(wǎng)格中心的坐標(biāo)定義為該作物的驗(yàn)證樣本。

本文使用類似的方法，基于CDL數(shù)據(jù)獲得2006年至2013年的歷史參考樣本。由于在這些年份，CDL數(shù)據(jù)未提供作物識(shí)別置信度產(chǎn)品，在獲得歷史訓(xùn)練樣本時(shí)，省略了“高置信度”掩膜的過(guò)程。2006至2013年的訓(xùn)練樣本和2014年的驗(yàn)證樣本的數(shù)量如表1所示。

表1 2006年至2014年樣本數(shù)量

2 研究方法

本文的技術(shù)流程如圖2所示。首先，使用免疫系統(tǒng)網(wǎng)絡(luò)方法[22]，基于2006到2013年的MODIS EVI數(shù)據(jù)和CDL數(shù)據(jù)生成的訓(xùn)練樣本構(gòu)建4種典型作物的參考EVI時(shí)間序列曲線。再根據(jù)2006到2013年的CDL數(shù)據(jù)獲得2014年的“潛在”訓(xùn)練樣本。由于本文嘗試進(jìn)行作物早期識(shí)別，共嘗試使用7種時(shí)間序列長(zhǎng)度（4月、4－5月、4－6月等，從4月開始，以月為單位延長(zhǎng)時(shí)間序列長(zhǎng)度）的數(shù)據(jù)提取作物。針對(duì)每種時(shí)間序列長(zhǎng)度，通過(guò)比較參考EVI時(shí)間序列和2014年“潛在”訓(xùn)練樣本的MODIS EVI時(shí)間序列獲得2014年訓(xùn)練樣本。再使用這些訓(xùn)練樣本和對(duì)應(yīng)的Landsat NDVI數(shù)據(jù)進(jìn)行30 m分辨率農(nóng)作物識(shí)別。最后，通過(guò)比較本文獲得的2014年訓(xùn)練樣本與對(duì)應(yīng)的CDL數(shù)據(jù)和使用這些訓(xùn)練樣本進(jìn)行作物識(shí)別的精度，對(duì)本文所提出的方法進(jìn)行評(píng)估。

圖2 基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別流程圖

2.1 建立參考EVI時(shí)間序列曲線

本研究使用免疫系統(tǒng)網(wǎng)絡(luò)算法（ABNet）建立作物的參考EVI時(shí)間序列曲線。該算法的基礎(chǔ)單元是“抗體”，而“免疫系統(tǒng)”模型由多個(gè)抗體組成。每個(gè)抗體由3個(gè)屬性組成，分別是該抗體對(duì)應(yīng)的類別、中心向量和識(shí)別半徑。中心向量即分類的特征序列。與之相對(duì)應(yīng)的“抗原”由2個(gè)屬性組成，分別是中心向量和所屬類別。每個(gè)“抗體”可以識(shí)別其識(shí)別半徑內(nèi)的“抗原”。ABNet主要包括訓(xùn)練和分類2個(gè)過(guò)程，本研究使用訓(xùn)練過(guò)程獲得參考EVI時(shí)間序列。例如，在獲得作物A的參考EVI時(shí)間序列時(shí)，具體過(guò)程為：1）使用2006年至2013年的EVI時(shí)間序列數(shù)據(jù)和訓(xùn)練樣本獲得“抗原”，并對(duì)所有“抗原”的“中心向量”進(jìn)行歸一化，使不同的特征具備可比性；2）通過(guò)“抗原”篩選，獲得代表性最強(qiáng)的“代表抗原”；3）通過(guò)克隆，獲得大量“代表抗原”；4）使用遺傳算法對(duì)第3）步結(jié)果進(jìn)行變異，產(chǎn)生作物A的隨機(jī)“抗體”；5）分別使用所有隨機(jī)“抗體”識(shí)別作物A的抗原和其他作物的抗原，將識(shí)別作物A“抗原”數(shù)量最多的隨機(jī)“抗體”作為“抗體”記錄，被這個(gè)抗體識(shí)別的作物A“抗原”從“抗原集”中刪除。重復(fù)該過(guò)程直到所有作物A的“抗原”均被識(shí)別，作物A的訓(xùn)練過(guò)程結(jié)束。最后，本研究把獲得的所有“抗體”的中心向量作為EVI參考時(shí)間序列。因ABNet方法的優(yōu)點(diǎn)是每個(gè)類別可以擁有多個(gè)“抗體”，可以解決“同物異譜”的現(xiàn)象，尤其適合本研究基于多年EVI時(shí)間序列建立參考曲線的問(wèn)題。本研究使用IDL語(yǔ)言實(shí)現(xiàn)ABNet算法，在使用“抗體”識(shí)別“抗原”的過(guò)程中，涉及到相似度計(jì)算的方法，由于歐氏距離計(jì)算簡(jiǎn)便，本文使用歐氏距離法作為相似度評(píng)價(jià)方法[23]，其計(jì)算方法如式（1）所示，式中ED()指向量和的歐氏距離。a和b分別為時(shí)間序列和在時(shí)相的EVI值，為時(shí)間序列中時(shí)相的數(shù)量。

2.2 基于參考EVI曲線獲得2014年訓(xùn)練樣本

基于2006到2013年歷史數(shù)據(jù)獲得2014年分類樣本時(shí)，首先使用ABNet方法，根據(jù)2006到2013年的歷史MODIS EVI時(shí)間序列數(shù)據(jù)建立作物的參考MODIS EVI時(shí)間序列；在2006到2013年的作物類型記錄中，如果一個(gè)象元為作物A的次數(shù)超過(guò)總記錄年數(shù)的一半，則假設(shè)在2014年，該MODIS象元可以被標(biāo)記為作物A。隨后計(jì)算該象元的MODIS EVI曲線與所有參考MODIS EVI曲線的歐氏距離，如果任意一個(gè)歐式距離小于對(duì)應(yīng)抗體的識(shí)別半徑，則確認(rèn)該象元屬于作物A，將該象元的中心坐標(biāo)作為2014年作物A的訓(xùn)練樣本，否則不記錄該象元。

2.3 作物識(shí)別和精度驗(yàn)證

本研究的作物識(shí)別工作僅針對(duì)CDL數(shù)據(jù)中苜蓿、玉米、高粱和小麥4種作物的地塊。針對(duì)不同的時(shí)間序列長(zhǎng)度，使用對(duì)應(yīng)的訓(xùn)練樣本和Landsat NDVI時(shí)間序列進(jìn)行作物識(shí)別。例如，使用4月的訓(xùn)練樣本和4月的Landsat時(shí)間序列獲得4月的作物分布結(jié)果，使用4－5月數(shù)據(jù)和4－5月Landsat NDVI時(shí)間序列獲得5月作物識(shí)別結(jié)果。以此類推，本研究可以獲得7種時(shí)間序列長(zhǎng)度的作物識(shí)別結(jié)果。

識(shí)別作物時(shí)，本研究選用的分類器為隨機(jī)森林算法[24]，由于隨機(jī)森林在處理大量訓(xùn)練樣本時(shí)效率較高，且對(duì)于訓(xùn)練樣本的容錯(cuò)能力強(qiáng)，已被廣泛應(yīng)用于遙感分類中。隨機(jī)森林法有2個(gè)需要用戶設(shè)按定的參數(shù)：決策樹的數(shù)量（ntree）和選擇的分裂屬性個(gè)數(shù)（mtry）。本研究將ntree設(shè)置為1 000（數(shù)值較大，增加隨機(jī)森林中決策樹的數(shù)量），mtry設(shè)置為分特征數(shù)量的平方根（大多數(shù)隨機(jī)森林的默認(rèn)設(shè)置）。本研究使用基于混淆矩陣的精度評(píng)價(jià)方法，計(jì)算分類結(jié)果的制圖精度、用戶精度、整體精度和Kappa系數(shù)評(píng)價(jià)作物識(shí)別結(jié)果的精度。

3 試驗(yàn)結(jié)果

3.1 作物的參考EVI時(shí)間序列曲線

由于每種作物有多種生長(zhǎng)狀況，所以本研究共獲得53條參考EVI時(shí)間序列曲線，其中苜蓿1條、玉米32條，高粱17條，冬小麥3條。圖3為本研究中幾種主要農(nóng)作物的參考EVI時(shí)間序列曲線。其中，玉米EVI曲線的峰值介于0.6到0.8，出現(xiàn)在第175到190天（每年日期排序DOY）左右（6月下旬到7月上旬）。高粱的EVI峰值介于0.5到0.7，略低于玉米，且EVI峰值期為第209天到225天（7月中下旬），比玉米略晚。苜蓿的EVI參考時(shí)間序列與其他幾種作物有明顯差異，EVI在第100天達(dá)到峰值，峰值為0.7，隨后EVI持續(xù)較高，直到第270天開始下降。另外，苜蓿只有1條參考曲線，這也說(shuō)明苜蓿與其他幾種作物分離度較高。冬小麥?zhǔn)嵌咀魑?，其EVI峰值期為第100到30天，EVI峰值為0.4到0.8?？傮w而言，本研究所涉及4種作物的參考EVI時(shí)間序列曲線具備可分離度。

3.2 驗(yàn)證本文獲得的2014年訓(xùn)練樣本

本文使用不同時(shí)間序列長(zhǎng)度的EVI時(shí)間序列，基于各種作物的參考EVI時(shí)間序列獲得2014年的訓(xùn)練樣本，并將這些訓(xùn)練樣本與2014年CDL數(shù)據(jù)進(jìn)行比較，結(jié)果如表2所示。由于本研究將CDL數(shù)據(jù)作為地面真實(shí)數(shù)據(jù)，所以本研究識(shí)別的樣本與CDL數(shù)據(jù)的作物類型相同時(shí)，認(rèn)為該樣本識(shí)別正確。

注：玉米和高粱的參考EVI時(shí)間序列數(shù)量較多，圖中用這2類作物參考曲線的平均值和標(biāo)準(zhǔn)差作為代表；日序DOY從1月1日計(jì)。

表2 本文識(shí)別的2014年訓(xùn)練樣本與CDL數(shù)據(jù)的比較

由表2可知，僅使用4月的數(shù)據(jù)時(shí)，識(shí)別樣本的正確率最低，為91.86%；其中高粱樣本的識(shí)別錯(cuò)誤較大，識(shí)別的55個(gè)樣本中僅有28個(gè)與CDL數(shù)據(jù)相同。玉米樣本的正確率相對(duì)較低，為89.79%。苜蓿和冬小麥樣本的正確率較高，分別為95.8%和98.9%。隨著延長(zhǎng)時(shí)間序列長(zhǎng)度，識(shí)別出的樣本數(shù)量增加。只使用4月的數(shù)據(jù)時(shí)，共識(shí)別樣本5 088個(gè)，而使用4－10月數(shù)據(jù)時(shí)，共識(shí)別樣本10 803個(gè)，且有95.5%的樣本與CDL數(shù)據(jù)的作物類型相同。錯(cuò)誤識(shí)別的樣本主要為玉米和高粱樣本，7 966個(gè)玉米樣本中，有421個(gè)與CDL數(shù)據(jù)不同，而131個(gè)高粱樣本中，有26個(gè)與CDL數(shù)據(jù)不同。本研究識(shí)別的高粱樣本較少，可能的原因是高粱僅有1 558個(gè)“潛在”高粱樣本，且高粱樣本與玉米樣本容易混淆。

雖然識(shí)別的樣本數(shù)量和識(shí)別樣本正確率隨著時(shí)間序列長(zhǎng)度增加而提高，當(dāng)時(shí)間序列為4－8月時(shí)，獲得樣本10 183個(gè)，其中9 808個(gè)與CDL數(shù)據(jù)相同，且高粱樣本的正確識(shí)別率為77.78%。使用更長(zhǎng)的時(shí)間序列不能明顯提高獲得的樣本的數(shù)量和正確率。這說(shuō)明，在分類年不能獲得地面數(shù)據(jù)的情況下，可以基于歷史數(shù)據(jù)參考曲線的方法在8月獲得用于識(shí)別作物的分類訓(xùn)練樣本。但是，高粱樣本中與CDL類型相同的樣本數(shù)量在時(shí)間序列長(zhǎng)度為2個(gè)月（4－5月時(shí)間序列）至7個(gè)月（4－10月時(shí)間序列）中沒(méi)有明顯變化，這些都說(shuō)明了高粱與其他作物容易混淆。

3.3 作物識(shí)別精度驗(yàn)證

針對(duì)不同時(shí)間序列長(zhǎng)度，本文使用相應(yīng)的訓(xùn)練樣本和對(duì)應(yīng)長(zhǎng)度的Landsat NDVI時(shí)間序列進(jìn)行30 m作物提取，并使用2014年的驗(yàn)證樣本（表1）進(jìn)行作物識(shí)別精度驗(yàn)證，結(jié)果如表3所示。在進(jìn)行2014年作物識(shí)別時(shí)，本文使用3.2小節(jié)中所有樣本（不只是與CDL數(shù)據(jù)相同的樣本），這樣可以評(píng)估基于歷史數(shù)據(jù)和參考曲線的方法，在分類年不能獲得地面數(shù)據(jù)時(shí)識(shí)別作物的精度。

表3 不同長(zhǎng)度Landsat NDVI時(shí)間序列的作物識(shí)別精度

注：表中PA（%）為制圖精度，UA（%）為用戶精度。

Notes: UA (%) means user’s accuracy and PA (%) means producer’s accuracy.

由表3可知，時(shí)間序列為4月和4－5月時(shí)，作物識(shí)別的精度較低，總體精度分別為66.12%和52.51%。僅有冬小麥的用戶精度高于90%，其他作物的制圖精度和用戶精度均較低，例如時(shí)間序列為4月時(shí)，苜蓿的用戶精度為43.29%。作物識(shí)別精度隨所用時(shí)間序列長(zhǎng)度延長(zhǎng)而升高，當(dāng)時(shí)間序列達(dá)到4－8月時(shí)，總體分類精度為94.02%，更長(zhǎng)的時(shí)間序列不能明顯提高分類精度，當(dāng)時(shí)間序列為4－10月時(shí)，總體分類精度為94.89%。

圖4為局部CDL數(shù)據(jù)與不同時(shí)間序列長(zhǎng)度的Landsat NDVI數(shù)據(jù)識(shí)別作物結(jié)果的對(duì)比。當(dāng)時(shí)間序列為4月和4－5月時(shí)，部分冬小麥被識(shí)別成苜蓿，而且分類結(jié)果中出現(xiàn)明顯的“椒鹽噪聲”。識(shí)別作物使用的時(shí)間序列較長(zhǎng)時(shí)，幾種主要作物的分布基本與CDL數(shù)據(jù)相同。本研究試驗(yàn)區(qū)的特點(diǎn)為地塊面積較大，在地塊邊緣出現(xiàn)錯(cuò)分。但在分類結(jié)果驗(yàn)證的混淆矩陣中沒(méi)能體現(xiàn)出地塊邊緣的錯(cuò)分。由于本文中使用的“假設(shè)樣本”均為MODIS“純”象元，但農(nóng)田地塊邊界處的混合象元是由農(nóng)作物和周圍非農(nóng)作物構(gòu)成，因而混合的象元易被錯(cuò)分。

表4為本研究提取的研究區(qū)內(nèi)主要作物的種植面積，其中包括了CDL數(shù)據(jù)和不同時(shí)間序列長(zhǎng)度情況下，使用本文獲得的訓(xùn)練樣本識(shí)別的作物種植面積。

圖4 不同長(zhǎng)度時(shí)間序列數(shù)據(jù)的作物識(shí)別結(jié)果（亞區(qū)）

表4 研究區(qū)不同長(zhǎng)度時(shí)間序列數(shù)據(jù)主要作物種植面積提取結(jié)果

當(dāng)時(shí)間序列較短時(shí)，作物面積與CDL數(shù)據(jù)差異較大，苜蓿和玉米的面積被高估，而冬小麥和高粱的面積被低估。例如僅使用4月的數(shù)據(jù)時(shí)，苜蓿的面積為1 462.4 km2，比CDL數(shù)據(jù)的苜蓿面積高943.9 km2。隨時(shí)間序列延長(zhǎng)，作物面積逐漸接近CDL數(shù)據(jù)的作物面積，例如使用4－8月數(shù)據(jù)時(shí)，苜蓿和冬小麥的面積分別為549.5和6 415.3 km2。

4 討 論

本研究中，使用MODIS EVI為媒介，將2006到2013年的作物特征轉(zhuǎn)換到2014年，這樣引起的問(wèn)題是同種作物的物候特征在多年間存在差異[23,25]。對(duì)于每種作物，2006到2013年的EVI時(shí)間序列曲線基本相同，但不同的天氣情況和作物管理狀況仍然引起了作物生長(zhǎng)情況的不同，導(dǎo)致MODIS EVI時(shí)間序列的變化（圖5）。例如在2013和2014年的日序?yàn)?00 d時(shí)，苜蓿的EVI為0.7左右，明顯低于其他年份。另外，可能是由于2012年嚴(yán)重干旱的原因[26]，高粱的EVI峰值為在2012年為0.5，也明顯低于其他年。因此，本研究使用多年EVI時(shí)間序列，包含了多種農(nóng)作物的生長(zhǎng)情況，這減小了多年間作物生長(zhǎng)差異對(duì)訓(xùn)練樣本的影響。

圖5 研究區(qū)主要農(nóng)作物的MODIS EVI曲線年際變化

針對(duì)Hao等[14]方法中需要進(jìn)行MODIS NDVI和Landsat NDVI轉(zhuǎn)換的問(wèn)題，本研究直接使用歷史（2006到2013年）MODIS EVI曲線獲得分類年（2014年）的分類樣本，避免了MODIS EVI和Landsat EVI間的轉(zhuǎn)換。但是，本方法仍然存在缺點(diǎn)：1）本研究使用2006到2013年的CDL數(shù)據(jù)作為地面真實(shí)數(shù)據(jù)，并選擇了CDL數(shù)據(jù)中用戶精度較高的農(nóng)作物種類，但CDL數(shù)據(jù)的錯(cuò)分會(huì)給參考EVI曲線帶來(lái)誤差。2）由于本研究定義2006到2013年的MODIS“純象元”樣本的閾值為80%，這也會(huì)引起2006到2013年MODIS EVI曲線的誤差，從而影響各種作物的參考曲線。

在今后的農(nóng)作物識(shí)別工作中有可能消除這2方面的缺陷。首先，從2014年起CDL數(shù)據(jù)開始提供分類置信度數(shù)據(jù)，可以挑選分類置信度較高的樣本建立參考時(shí)間序列曲線。第二，定義MODIS“純網(wǎng)格”的閾值是樣本質(zhì)量和樣本數(shù)量的平衡，較高的閾值增加了網(wǎng)格內(nèi)作物的純度，但降低了樣本的數(shù)量。所以，“純網(wǎng)格”的閾值應(yīng)根據(jù)不同試驗(yàn)區(qū)的情況由用戶定義。最后，在建立參考曲線時(shí)，還需要提高算法對(duì)樣本的容錯(cuò)能力，以降低不準(zhǔn)確的樣本對(duì)參考曲線的影響。

本文還嘗試了基于參考MODIS EVI時(shí)間序列和Landsat NDVI短時(shí)間序列的30 m作物提早識(shí)別，結(jié)果表明基于參考時(shí)間序列獲得的訓(xùn)練樣本和Landsat NDVI時(shí)間序列可以在8月時(shí)獲得精度較高的作物識(shí)別結(jié)果。Hao等[25]使用500 m分辨率的MODIS地表反射率數(shù)據(jù)進(jìn)行堪薩斯州作物提前識(shí)別試驗(yàn)，其結(jié)果也表明作物識(shí)別精度和分類確定性在8月達(dá)到飽和?？傊?，在堪薩斯研究區(qū)，目前多光譜數(shù)據(jù)和植被指數(shù)數(shù)據(jù)可以在8月實(shí)現(xiàn)作物識(shí)別，加入更多的分類特征有可能進(jìn)一步提高作物分類的時(shí)效性。

本文的試驗(yàn)區(qū)是美國(guó)堪薩斯州，研究區(qū)的特點(diǎn)是地塊較大，在MODIS影像上存在較多純象元。但在其他地區(qū)，例如中國(guó)大部分地區(qū)、東南亞等，地塊破碎，田塊面積較小，MODIS數(shù)據(jù)多為混合象元數(shù)據(jù)，因而不能直接使用MODIS數(shù)據(jù)作為媒介將作物的歷史知識(shí)傳遞到分類年，從而獲得訓(xùn)練樣本。所以，需要考慮使用更高分辨率的遙感數(shù)據(jù)建立時(shí)間序列，進(jìn)行作物分類知識(shí)的傳遞。例如，已有多種中分辨率的多光譜遙感衛(wèi)星，如美國(guó)的Landsat-8[27]、歐洲的Sentinel-2[28]、中國(guó)的環(huán)境星、高分一號(hào)和高分二號(hào)衛(wèi)星等[28-29]。在地塊破碎地區(qū)，可以嘗試綜合應(yīng)用這些中分辨率衛(wèi)星數(shù)據(jù)建立類似MODIS時(shí)間序列的中分辨率時(shí)間序列數(shù)據(jù)，并以中分辨率時(shí)間序列數(shù)據(jù)作為媒介，進(jìn)行作物知識(shí)的傳遞、在分類年不能獲得野外調(diào)查數(shù)據(jù)時(shí)生成分類的訓(xùn)練樣本。

另外，本文從CDL數(shù)據(jù)產(chǎn)品中提取驗(yàn)證樣本進(jìn)行分類精度驗(yàn)證。雖然CDL數(shù)據(jù)是遙感產(chǎn)品，存在不確定性，但本文通過(guò)選擇分類精度高于85%的作物、建立CDL分類置信度掩膜和“純”MODIS象元篩選，盡可能使用可信度高的樣本作為驗(yàn)證樣本。所以本文雖然沒(méi)有使用地面數(shù)據(jù)驗(yàn)證分類結(jié)果，但其驗(yàn)證精度具有較強(qiáng)的說(shuō)服力[30-31]。由于美國(guó)農(nóng)業(yè)部提供了連續(xù)多年的農(nóng)作物分布?xì)v史數(shù)據(jù)，可以支持本研究的內(nèi)容，而且這是能在研究區(qū)獲得的唯一數(shù)據(jù)；所以本文選用堪薩斯州作為研究區(qū)。在今后會(huì)繼續(xù)嘗試在國(guó)內(nèi)獲得多年歷史作物分布數(shù)據(jù)，并將這個(gè)方法應(yīng)用于國(guó)內(nèi)作物分布提取業(yè)務(wù)。

5 結(jié) 論

針對(duì)目前農(nóng)作物遙感識(shí)別工作中存在的缺乏地面數(shù)據(jù)和識(shí)別作物時(shí)效性較低的問(wèn)題，本研究提出了使用多年歷史樣本直接獲得分類年訓(xùn)練樣本的方法。在堪薩斯州東南（ASD30區(qū)域）試驗(yàn)區(qū)，基于2006到2013年數(shù)據(jù)獲得2014年的訓(xùn)練樣本，使用這些樣本和Landat NDVI數(shù)據(jù)進(jìn)行了2014年30 m農(nóng)作物提取，并探討了使用短時(shí)間序列數(shù)據(jù)提前獲得作物識(shí)別結(jié)果的可行性。試驗(yàn)結(jié)果表明：

1）使用完整的時(shí)間序列時(shí)，基于歷史數(shù)據(jù)獲得的分類訓(xùn)練樣本數(shù)量為10 803，其中有10 317個(gè)樣本的作物類型與CDL數(shù)據(jù)相同，使用這些樣本識(shí)別作物時(shí)，總體精度為94.89%。

2）使用4－8月數(shù)據(jù)時(shí)，獲得2014年樣本的數(shù)量（10183個(gè)）、正確率（96.32%）、分類精度（94.02%）和作物面積（苜蓿549.5 km2、玉米1 999.5 km2、大豆2 839.1 km2和冬小麥6 415.3 km2）都已接近使用完整時(shí)間序列所獲得的結(jié)果，這表明基于參考時(shí)間序列獲得的訓(xùn)練樣本可以在8月進(jìn)行高精度的作物分布制圖，在今后的工作中可以使用CDL置信度數(shù)據(jù)進(jìn)一步提高參與建立參考曲線的樣本質(zhì)量。

[1] 唐華俊，吳文斌，余強(qiáng)毅，等. 農(nóng)業(yè)土地系統(tǒng)研究及其關(guān)鍵科學(xué)問(wèn)題[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2015，48(5)：900－910.

Tang Huajun, Wu Wenbin, Yu Qiangyi, et al. Key research priorities for agricultural land system studies[J]. ScientiaAgriculturaSinica, 2015, 48(5): 900－910. (in Chinese with English abstract)

[2] Atzberger Clement. Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs[J]. Remote Sensing, 2013, 5(2): 949－981.

[3] Pan Yaozhong, Li Le, Zhang Jinshui, et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment, 2012, 119(3): 232－242.

[4] 陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào)，2016，20(5)：748－767.

Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748－767. (in Chinese with English abstract)

[5] Gallego J, Craig M, Michaelsen J, et al. Best practices for crop area estimation with remote sensing [C]. Ispra: GEOSS Community of Practice Ag 0703a. 2008.

[6] Zhong L H, Gong P, Biging G S. Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140(1): 1－13.

[7] 黃亞博，廖順寶. 多源數(shù)據(jù)的土地覆被樣本自動(dòng)提取[J]. 遙感學(xué)報(bào)，2017，21(5)：757－766

Huang Yabo, Liao Shunbao. An automatic method of samples collection for land cover classification based on multisource datasets[J]. Journal of Remote Sensing, 2017, 21(5): 757－766. (in Chinese with English abstract)

[8] Dong J, Xiao X, Kou W, et al. Tracking the dynamics of paddy rice planting area in 1986－2010 through time series Landsat images and phenology-based algorithms[J]. Remote Sensing of Environment, 2015, 160(4): 99－113.

[9] 郝鵬宇，牛錚，王力, 等. 基于歷史時(shí)序植被指數(shù)庫(kù)的多源數(shù)據(jù)作物面積自動(dòng)提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(23)：123－131.

Hao Pengyu, Niu Zheng, Wang Li, et al. Multi-source automatic crop pattern mapping based on historical vegetation index profiles [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(23): 123－131. (in Chinese with English abstract)

[10] Muhammad S, Niu Z, Wang L, et al. Crop classification based on time series MODIS EVI and ground observation for three adjoining years in Xinjiang[J]. Spectroscopy and Spectral Analysis, 2015, 35(5): 1345－1350 .

[11] Muhammad S, Zhan Y L, Wang L, et al. Major crops classification using time series MODIS EVI with adjacent years of ground reference data in the US state of Kansas[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(1): 1071－1077.

[12] Howard D M, Bruce K W. Annual crop type classification of the US Great Plains for 2000 to 2011[J]. Photogrammetric Engineering and Remote Sensing. 2014, 80(6): 537－549.

[13] Friesz A M, Wylie B K, Howard D M. Temporal expansion of annual crop classification layers for the CONUS using the C5 decision tree classifier[J]. Remote Sensing Letters, 2017, 8(4): 389－398.

[14] Hao P Y, Wang L, Zhan Y L. Using moderate-resolution temporal NDVI profiles for high-resolution crop mapping in years of absent ground reference data: A case study of Bole and Manas counties in Xinjiang, China [J]. ISPRS International Journal of Geo-Information, 2016, 5(5): 67.

[15] Wardlow B D, Stephen L E. Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096－1116.

[16] Masialeti I S E, Wardlow B D. A comparative analysis of phenological curves for major crops in kansas[J]. Giscience& Remote Sensing, 2010, 47(2): 241－259.

[17] Shroyer J P, Thompson C, Brown R, et al. Kansas crop planting guide [EB/OL]. [2018-06-20] https://www.bookstore.ksre.ksu.edu/pubs/L818.pdf.

[18] USDA. National Agricultural Statistics Service [EB/OL]. [2018-06-20]http://www.nass.usda.gov/research/Cropland/SARS1a.htm.

[19] 邊金虎，李愛農(nóng)，宋孟強(qiáng)，等. MODIS植被指數(shù)時(shí)間序列Savitzky-Golay濾波算法重構(gòu)[J]. 遙感學(xué)報(bào)，2010，14(4)：725－741.

Bian Jinhu, Li Ai’nong, Song Mengqiang, et al. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter[J]. Journal of Remote Sensing, 2010, 14(4): 725－741. (in Chinese with English abstract)

[20] USGS. Landsat Collections [EB/OL]. [2018-06-20] https://landsat.usgs.gov/ landsat-collections.

[21] Boryan C, Yang Z W, Mueller R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, Cropland Data Layer Program[J]. Geocarto International, 2011, 26(5): 341－358.

[22] Zhong Y F, Zhang L P. An adaptive artificial immune network for supervised classification of multi-/hyperspectral remote sensing imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 894－909.

[23] Lhermitte S J, Verbesselt W W, Verstraeten P, et al. A comparison of time series similarity measures for classification and change detection of ecosystem dynamics[J]. Remote Sensing of Environment, 2011, 115(12): 3129－3152.

[24] Breiman L. Random forests [J]. Machine learning, 2001, 45(1): 5－32.

[25] Hao P Y, Zhan Y L, Wang L, et al. Feature selection of time series modis data for early crop classification using random forest: A case study in kansas, USA[J]. Remote Sensing, 2015, 7(5): 5347－5369.

[26] Wu C, Chen J M. Diverse responses of vegetation production to interannual summer drought in North America[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21(1): 1－6.

[27] Irons J R, Dwyer J L, Barsi J A. The next landsat satellite: The landsat data continuity mission[J]. Remote Sensing of Environment, 2012, 122(1): 11－21.

[28] Drusch M, Del Bello U, Carlier S, et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational Services[J]. Remote Sensing of Environment, 2012, 120(1): 25－36.

[29] Hao P, Wang L, Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification: Case study in Xinjiang Uygur autonomous region, China[J]. Journal of Applied Remote Sensing, 2015, 9(6): 096035.

[30] Hao P, Wang L, Zhan Y, et al. Crop classification using crop knowledge of the previous year: Case study in southwest Kansas, USA[J]. European Journal of Remote Sensing, 2016, 49(6): 1061－1077.

[31] 郝鵬宇. 基于多時(shí)相遙感數(shù)據(jù)的農(nóng)作物分類研究[D]. 北京：中國(guó)科學(xué)院大學(xué)，2017.

Hao Pengyu. Crop Classification Using Time Series Remote Sensing Data [D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese with English abstract)

Early season crop type recognition based on historical EVI time series

Hao Pengyu1, Tang Huajun1※, Chen Zhongxin1, Niu Zheng2

(1./100081,; 2.,,,100101,)

Timely and accurate crop distribution maps derived from satellite observations could assist crop growth monitoring. Although crop mapping methodologies have been widely studied, there are still some drawbacks, such as the limitation of ground reference data and low efficiency of crop type mapping caused by using time series data of the entire year. The objectives of this study are: (1) to develop a new method, which can identify crop types using the crop records of the previous years; (2) to evaluate the performance of the method with different time series length, and try to acquire the crop type map at 30 m spatial resolution. The study area of this paper was the ASD30 of Kansas State, USA. We firstly used the cropland data layer (CDL) data and MODIS EVI(enhanced vegetation index) time series between 2006 and 2013 to generate reference EVI time series with the ABNet algorithm for the major crops in the study area, i.e. alfalfa, corn, sorghum and winter wheat. Then, we acquired the “possible” training samples in 2014 using the CDL records between 2006 and 2013. If a pixel was labeled as “Crop A” more than 4 times among the 8-year CDL records, the pixel was labeled as “possible Crop A” in 2014. Next, we compared the MODIS EVI of the “possible crop A” pixels and the reference EVI time series of Crop A, if the 2 profiles were matched, the “possible Crop A” was confirmed as a training sample of “Crop A”. Finally, we used these training samples and monthly composited Landsat NDVI (normalized differential vegetation index) to identify crop types at 30 m resolution. To analyze the effect of time series length on crop type identification performance, we tried 7 time series lengths (April, April-May, April-June, April-July, April-August, April-September and April-October), used MODIS EVI time series to acquire training samples for each time series length, and then identified crop types using the corresponding training samples and Landsat NDVI time series. Several metrics derived from the confusion matrix, such as overall accuracy, Kappa coefficient, were used to evaluate the classification performance. Results showed that when only time series data in April were used, we acquired 5 088 samples, and 91.86% among these samples had the same crop label with the CDL data. When longer time series data were used, more training samples in 2014 were acquired with higher accuracy. When entire EVI time series data were applied, 10 803 samples were acquired and 10 317 samples had same crop label with CDL data. When using these training samples and monthly composted Landsat NDVI to identify crop types at 30 m resolution, classification accuracies were low if April or April-May time series data were used, and overall accuracies were 66.12% and 52.51%, respectively. When time series length was April-October, overall classification was 94.89%. April-August time series achieved good classification performance, as 10 183 training samples were acquired, 96.32% samples had same label to CDL data, overall classification accuracy was 94.02%, and acreage of major crops was similar to CDL data. Finally, we could conclude: (1) The method proposed in this study can acquire train samples in the classification year when the ground reference data are absent. Using these training samples, we can obtain crop type distribution maps with high accuracy (better than 90%). (2) We can acquire the crop type map of the study area in August with the high classification accuracy which is similar to the result derived from the entire EVI time series, and has the similar crop acreage with CDL data for each crop. In the future, we can enhance this method by improving the previous-year training samples with CDL crop confidence layer.

crops; remote sensing; recognition; reference EVI time series; crop type classification; training samples; artificial annual network; cropland data layer (CDL)

郝鵬宇，唐華俊，陳仲新，牛 錚. 基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(13)：179－186.doi：10.11975/j.issn.1002-6819.2018.13.021 http://www.tcsae.org

Hao Pengyu, Tang Huajun, Chen Zhongxin, Niu Zheng. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 179－186. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.13.021 http://www.tcsae.org

2018-03-05

2018-06-04

博士后創(chuàng)新人才支持計(jì)劃（編號(hào)：2017BX00286）；農(nóng)業(yè)部“948”計(jì)劃項(xiàng)目（2016-X38）

郝鵬宇，男，博士，現(xiàn)從事農(nóng)作物遙感制圖研究。Email：haopy8296@163.com

唐華俊，男，研究員，中國(guó)工程院院士，研究方向?yàn)檗r(nóng)業(yè)遙感、全球變化與土地科學(xué)的理論和應(yīng)用。Email：tanghuajun@caas.cn

10.11975/j.issn.1002-6819.2018.13.021

TP701

A

1002-6819(2018)-13-0179-08