基于MODIS-NDVI数据监测劳伦特大湖盆地的农业种植模式外文翻译资料

本科毕业设计（论文）

外文翻译

基于MODIS-NDVI数据监测劳伦特大湖盆地的农业种植模式

Ross S. Lunetta ^a,*，Yang Shao ^b，Jayantha Ediriwickrema ^c，John G. Lyon ^d,1

a US Environmental Protection Agency, National Exposure Research Laboratory, 109 T.W. Alexander Drive, E243-05, Research Triangle Park, NC 27711, United States

b US Environmental Protection Agency, National Research Council, National Exposure Research Laboratory, 109 T.W. Alexander Drive, Research Triangle Park, NC 27711, United States

c Computer Sciences Corporation, 2803 Slater Road, Morrisville, NC 27560, United States

d US Environmental Protection Agency, Office of the Science Advisor, 1200 Pennsylvania Avenue, Washington, DC 20004, United States

国际应用地球观测与地理信息杂志

摘要：采用中分辨率成像光谱仪(MODIS)归一化植被指数(NDVI) 16天复合数据产品(MOD12Q)，为劳伦特大湖盆地(GLB)开发了年度农田和作物特定地图产品(玉米、大豆和小麦)。通过对2005年、2006年和2007年年度作物地图产品的比较，对作物面积分布和轮作变化进行了表征。2005年和2006年，玉米和大豆的种植面积相对平衡(分别为31462平方公里和31283平方公里)，分别为30766平方公里和30972平方公里。相反，从2006年到2007年，玉米种植面积增加了约21%，而大豆和小麦种植面积分别减少了约9%和21%。

在2005-2006年和2006-2007年期间进行了为期两年的作物轮作变化分析。2007年玉米种植面积的大幅增加导致了GLB地区轮作的变化。与2005-2006年相比，2006-2007年的作物轮作模式导致玉米-玉米、大豆-玉米和小麦-玉米轮作增加。玉米种植面积的增加可能对营养负荷、农药暴露和沉积物介导的栖息地退化产生潜在的负面影响。2007年美国玉米种植面积的增加与新的生物燃料规定有关，而加拿大玉米种植面积的增加则归因于全球玉米价格的上涨。还需要进行更多的研究，以确定增加以玉米为基础的乙醇农业生产对流域生态系统和接收水域生产的潜在影响。

关键词：多时相图像分析，农田分类，MODIS—NDVI

1. 引言

从2005年到2007年，美国中西部地区的乙醇生产，尤其是玉米乙醇的产量迅速增加^[1]。最近，与基于玉米的乙醇生产相关的环境影响已经受到越来越多的关注^[2-5]。Zah等人的研究表明，与使用化石燃料相比，玉米乙醇的整体环境成本可能更高^[4]。水质，土壤侵蚀，空气污染，生物多样性和自然栖息地的丧失是地方和区域尺度上的问题^[6-8]。

环境评估常常需要关于作物分布的特定地点信息^[9]。研究人员不仅对乙醇作物生产的总面积感兴趣，而且还需要记录地理分布和随时间变化的数据，以支持分布式建模工作。这些信息对于识别可能造成环境破坏或生态退化的流域特别有用。由于国家农业统计服务（NASS）作物数据层（CDL）产品的可用性有限，研究往往依赖于美国农业部（USDA）NASS项目开发的农业统计估计值^[10]。根据估计的农业统计数据中通常无法获得作物位置，范围和分布以及作物变化模式的空间细节。因此，研究人员不得不对作物分布和作物轮作模式做出不切实际的假设，这可能对潜在环境影响的建模预测存在产生很大的不确定性。

利用遥感数据对作物作图显示出良好的潜力，可以用来表征农田的范围、分布和条件^[11-14]。中分辨率成像光谱仪（MODIS）数据结合了中等空间分辨率（250米）和高时间分辨率（1 - 2天重复周期），被发现对区分普通农田和非农田以及对不同作物类型进行分类特别有用^[15-18]。基于物候的归一化植被指数（MODIS-NDVI）分类（或时间序列分析）是最常用的方法之一^[19-21]。大多数以前的MODIS-NDVI作物绘图应用程序都集中在单一年份的作物绘图工作上。MODIS-NDVI数据集很少用于研究多年来的作物变化或轮作。多年MODIS-NDVI作物作图的潜力尚未得到充分开发。

本研究的主要目的是利用MODIS-NDVI数据生成的地图产品来研究大湖盆地（GLB）的农田变化。由于美国政府在研究期间（2005-2007年）实施了大量补贴以鼓励玉米乙醇生产，GLB地区被认为在种植模式上发生了重大变化。感兴趣的研究问题包括如下: （1）作物面积分布如何（即玉米，大豆和小麦）通过GLB变化?（2)玉米乙醇需求的增加是否改变了作物轮作模式?（3）如果是，是否存在与GLB作物轮作模式变化相关的地理差异（即美国与加拿大地区的地理环境）? 这些问题的答案对于确定具有高度环境退化潜力的地区特别重要。本文的两个具体研究目标是绘制2005年，2006年和2007年GLB地区的年度作物分布图，并比较2005-2006和2006-2007两年的作物变化或轮作模式。

1. 研究区

GLB地区包括美国八个州的全部或部分以及加拿大安大略省的一部分 （图1）。而盆地是世界上最发达的地区，南部的部分GLB是玉米的主要地区，大豆和其他类型的农业作物生产^[22]。GLB农业生产分别占美国总产量的7%和加拿大总产量的25% ^[22]。从1970年到2001年，GLB在美国的农业用地总量略有下降^[23]。农业用地流失主要发生在城市边缘地区。例如，从1990年到2000年，仅密歇根东南部就失去了13%的农业用地；而主要原因是由于城市扩张^[24]。安大略省大部分主要的农业用地位于该省的南部；也受到了广泛的城市扩张。从1976年到1996年，安大略省大约18%的主要农业用地已转为城市用地^[25]。然而，由于技术的改进，在过去的几十年里，主要作物类型的作物产量显著增加^[26]。城市化和集约化农业生产被认为会导致一系列的环境问题，包括：（a）泥沙淤积和过量的营养负荷^[27]；（b）水文变化^[28]；（c）自然栖息地的丧失和生物多样性的减少^[29]。

图1利用MODIS-NDVI得到了2005年GLB地区的耕地面积和分布情况

1. 研究方法

3.1数据

使用Lunetta等人开发的方法对MODIS-NDVI数据进行预处理^[30]。进行MODIS-NDVI数据预处理以提供过滤的（异常数据移除）和清理（排除的数据值估计）不间断数据流从而实现时间序列分析。 2000年2月至2007年12月期间的MODIS-NDVI HDF格式的16天复合网格数据（MOD13Q1，版本5.0）是由NASA地球观测系统（EOS）数据网关获得的。 记录MODIS NDVI合成过程和质量评估科学数据集（QASDS）的详细信息可以在NASA的MODIS网站上找到^[31]。 NDVI数据是GLB研究边界（10 km缓冲区）的子集，使用最近邻重采样程序从正弦曲线重新投影到Albers Equal-Area Conic投影，并进入250 mtimes; 250 m网格单元多层图像堆栈。为原始NDVI数据和QASDS开发了单独的数据栈。

首先对NDVI数据栈进行过滤，以消除异常的高（上升）和低（下降）值，然后使用QASDS评级对NDVI数据栈进行第二次过滤，以删除质量较差的数据值。通过删除突然减少或增加的数据值，然后立即返回到接近以前的NDVI值，有效地消除了上升和下降。去除伪升降的阈值设置为0.15%，以达到最佳设置（定性确定），消除大多数异常点，同时不会无意中删除良好的数据点，从而获得更平滑的时间剖面。然后使用MODIS QASDS数据质量评级，只保留那些被评为“可接受”或更高的像素。然后用离散傅里叶变换将滤波后的数据转换成频域，分离信号和噪声频谱^[32-34]。使用Roberts等人^[32]描述的非线性反褶积方法，从频域信号频谱中估计去除（损坏）的NDVI数据点，以估计GLB内每个像素的完整的“过滤和清除”NDVI时间剖面。

经过过滤和清理的NDVI时间剖面提供了一个“高质量”的数据集，用于支持一般农田和特定作物(如玉米、大豆、小麦)的映射。在农田与非农田制图中，利用2001年全国土地覆盖数据集(NLCD-2001)提供训练数据。我们亦收集了2000至2002年间大部分可用的Landsat增强型专题地图(ETM )图像，为GLB构建无缝图像拼接。陆地卫星的无缝拼接提供了足够的空间分辨率，以视觉解释一般农田和非农田类。这对于农田测绘结果的验证是有用的，特别是对于GLB的加拿大部分。

对于作物类型的特定分类（例如，玉米、大豆、小麦），我们获得了GLB美国部分2007年所有可用的农田数据层（CDLs）。CDL数据主要来自先进的广域传感器（AWiFS）图像，对大多数主要作物类型具有较高的分类精度（gt;90%）^[35]。与CDL相关的一个问题是其有限的空间覆盖—主要集中在美国中西部的集约化农业区。在整个GLB区域，只有有限的CDLs空间覆盖可用，主要是密歇根州和俄亥俄州。此外，我们还获得了来自NASS和安大略省农业、食品和农村事务部（OMAFRA）的州和省级农业统计数据。

3.2一般农田绘图

在使用来自NLCD-2001(参考数据)的训练样本进行作物特异性鉴定之前，对一般农田和非农田覆盖类型进行了分类。具体地说，本研究在NLCD-2001和MODIS-NDVI数据集之间建立了地理连接。对于MODIS像素的每个中心位置，本研究从NLCD-2001开始计算不同类型覆盖的覆盖率。本研究没有计算250 mtimes;250m MODIS-NDVI像素内的覆盖类型比例，而是使用300 m像素分辨率来减少配准误差的影响。主要覆盖类型包括水、城市、荒地、森林、灌木/灌木、干草/牧场、栽培作物和湿地。当300 m分辨率的像素主要由一种覆盖类型（即gt; 85%均匀）。然后随机选择样本，收集每个覆盖类型对应的MODIS训练像素。训练像素进一步分为耕地和非耕地两大类。耕地和非耕地的训练像素分别为5170和4349。值得注意的是，在这项研究中，干草/牧草类被包括在农田类中。我们没有使用NLCD-2001来生成农田掩模，因为它只包含GLB的美国部分。为了保持美国和加拿大的分类一致性，为整个GLB研究区域建立一个通用的MODIS-NDVI分类器是非常重要的。

本研究使用三层MLP(多层感知器)神经网络分类器对耕地和非耕地进行分类^[20、36]。MLP中的输入层由13个节点组成，对应于儒略日 97-289的13个MODIS-NDVI值。其余日期的MODIS-NDVI值由于信息含量较低(即冬天积雪覆盖)。在隐藏层中总共使用了15个节点。输出层由两个节点组成，表示两类农田和非农田。MLP分类器使用三层交叉验证方法进行训练，以提高性能^[37]。然后利用训练后的网络对整个GLB研究区域的MODIS-NDVI图像进行分类。本研究以陆地卫星无缝拼接为参考，对原始农田图进行了评估。识别出明显的分类错误，迭代添加额外的训练数据点，提高分类结果。对与2005年、2006年和2007年相对应的MODIS-NDVI年度数据集进行耕地分类。

以陆地卫星ETM 无缝拼接为主要参考数据源，对2005年农田图进行了精度评估。本研究分别随机选择了300像素的农田和非农田。从ETM 马赛克图像中对像素进行视觉解释，以评估农田地图的准确性。值得注意的是，2002年的ETM 镶嵌图和2005年的MODISNDVI农田图之间有三年的时间差；然而，对于所选择的研究区域和时间段，它是唯一可用的独立数据集。

3.3特定作物制图

每一历年，在农田掩模内进行个别作物类型的鉴定。考虑了三种主要作物类型，包括玉米、大豆和小麦。干草的鉴定最初被考虑过，但由于其高物候变异性而

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[272315]，资料为PDF文档或Word文档，PDF文档可免费转换为Word