<button id="yg2go"><code id="yg2go"></code></button>
  •  <cite id="yg2go"></cite>
  • <abbr id="yg2go"><dl id="yg2go"></dl></abbr>
    

  • 亚洲欧美日韩精品久久久,夜色福利一区二区三区,视频日韩p影院永久免费,成人免费视频国产
    




    
    
            
    
                
            
    
    
    

    

    

    
    
        
    
            
    
                
    


                    

                    
    
                        
    

                        
                        其他數(shù)據(jù)論文
                        

                        

                            I 區(qū)論文（評審中）
                        

                        
                            ?
                            
                                版本

                                

    
        ZH2
    



                            
                        

                        
                            
                        

                    
    
                        
    







                        

                        

                        
    
                                下載
                                    
                        
    
                    
    
                    
    
                    
    


                    
    
                        
      
                            
      • 
                            
      • 






















                        
    
                    
    


                    
                    
                    
                    

                    
                        
    基于FY-3D的2020–2023年250米分辨率中國冬小麥主產(chǎn)區(qū)空間分布數(shù)據(jù)集
    A 250 m resolution spatial distribution dataset of main winter wheat producing areas in China from 2020 to 2023 based on FY-3D
    ?>>
                    
    ：
                        2024
                        -
                        04
                        -
                        11
    ：
                        2024
                        -
                        06
                        -
                        18
    ：
                        2024
                            -
                            06
                        -
                        18
    

                    


                    
    
                        
    

                    
    

                    
    

                        
                            

                        
                        786

                        
                            

                        
                        9

                        
                            

                        
                        0

                    
    
                    
    


                    

                        
    


                            
                                
    摘要&關(guān)鍵詞
    摘要：我國風(fēng)云3D（FengYun 3D，F(xiàn)Y-3D）氣象衛(wèi)星搭載的中分辨率光譜成像儀II（Medium Resolution Spectral Imager II, MERSI-II）是一種可與中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）相媲美的可見光和紅外光譜成像儀器，為大尺度的土地覆蓋測繪提供了重要機遇。利用2019–2023年的250 m分辨率FY-3D MERSI-II時間序列遙感數(shù)據(jù)集，采用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）方法訓(xùn)練了一個以綜合歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和增強植被指數(shù)（Enhanced Vegetation Index，EVI）時間序列數(shù)據(jù)為特征值的非線性模型，能夠準(zhǔn)確識別中國冬小麥主產(chǎn)區(qū)面積的空間分布。研究結(jié)果顯示，中國冬小麥主產(chǎn)區(qū)識別模型的總體準(zhǔn)確率為94.92%，Kappa系數(shù)為0.87，R2為0.73。在空間分布方面，基于MODIS冬小麥數(shù)據(jù)集與基于FY-3D冬小麥數(shù)據(jù)集的重疊率超過98%，面積誤差為2.6%。本研究表明，結(jié)合中分辨率FY-3D MERSI-II遙感數(shù)據(jù)集和DNN模型，能夠準(zhǔn)確識別大面積的作物信息。本數(shù)據(jù)集直觀反映了中國主產(chǎn)區(qū)冬小麥面積的空間分布情況，并豐富了中國冬小麥面積識別的數(shù)據(jù)產(chǎn)品，為FY-3D衛(wèi)星數(shù)據(jù)在農(nóng)作物上的應(yīng)用提供了更為有力的支持。
    關(guān)鍵詞：FY-3D；冬小麥；深度神經(jīng)網(wǎng)絡(luò)；歸一化差異植被指數(shù)；增強植被指數(shù)
    Abstract & Keywords
    Abstract:?The FengYun 3D (FY-3D) meteorological satellite carried the Medium Resolution Spectral Imager II (MERSI-II), which is comparable to the Moderate-resolution Imaging Spectroradiometer (MODIS) in visible and infrared spectral imaging capabilities, providing significant opportunities for large-scale land cover mapping. Utilizing the 250 m resolution FY-3D MERSI-II time series remote sensing dataset from 2019 to 2023, a nonlinear model was trained using a Deep Neural Network (DNN) approach with comprehensive Normalized Difference Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI) time series data as features to accurately identify the spatial distribution of China's winter wheat main production areas. The research results show that the overall accuracy of the identification model for China's winter wheat main production areas is 94.92%, with a Kappa coefficient of 0.87 and an R2 of 0.73. In terms of spatial distribution, the overlap rate between the MODIS winter wheat dataset and the FY-3D winter wheat dataset exceeds 98%, with an area error of 2.6%. This study demonstrates that combining the medium-resolution FY-3D MERSI-II remote sensing dataset with a DNN model can accurately identify large-scale crop information. This dataset intuitively reflects the spatial distribution of China's main winter wheat production areas and enriches the data products for identifying China's winter wheat area, providing stronger support for the application of FY-3D satellite data in agriculture.
    Keywords:?FY-3D;?Winter wheat;?Deep Neural Network;?Normalized Difference Vegetation Index;?Enhanced Vegetation Index
    數(shù)據(jù)庫（集）基本信息簡介
    數(shù)據(jù)庫（集）名稱基于FY-3D的2020-2023年250米分辨率中國冬小麥主產(chǎn)區(qū)空間分布數(shù)據(jù)集
    數(shù)據(jù)通信作者張方敏（fmin.zhang@nuist.edu.cn）
    數(shù)據(jù)作者王小飛、高歌、任祖光
    數(shù)據(jù)時間范圍2020-2023年
    地理區(qū)域106°E-123°E、28°N-42°N
    空間分辨率250 m
    數(shù)據(jù)量6.08 MB
    數(shù)據(jù)格式*.tif
    數(shù)據(jù)服務(wù)系統(tǒng)網(wǎng)址http://www.doi.org/10.57760/sciencedb.17920
    基金項目國家重點研發(fā)計劃（2023YFF0805402）；中國氣象局生態(tài)系統(tǒng)碳源匯重點實驗室開放基金（ECS-CMA202310）。
    數(shù)據(jù)庫（集）組成本數(shù)據(jù)集包含四個文件，分別為2020_FY-3D_winter-wheat.tif、2021_FY-3D_winter-wheat.tif、2022_FY-3D_winter-wheat.tif、2023_FY-3D_winter-wheat.tif，總數(shù)據(jù)量為6.08MB。
    Dataset Profile
    TitleA 250 m resolution spatial distribution dataset of main winter wheat producing areas in China from 2020 to 2023 based on FY-3D
    Data corresponding authorZHANG Fangmin (fmin.zhang@nuist.edu.cn)
    Data authorsWANG Xiaofei, GAO Ge, REN Zuguang
    Time range2020-2023年
    Geographical scope106°E-123°E, 28°N-42°N
    Spatial resolution250 m
    Data volume6.08 MB
    Data format*.tif
    Data service system<http://www.doi.org/10.57760/sciencedb.17920>
    Sources of fundingNational Key Research and Development Program of China (2023YFF0805402); Open Funding of Key Laboratory of Ecosystem Carbon Source and Sink, China Meteorological Administration (ECSS-CMA202310).
    Dataset compositionThis dataset contains four files, namely 2020-FY-3D_winter wheat. tif, 2021FY-3D_winter wheat. tif, 2022FY-3D_winter wheat. tif, and 2023-FY-3D_winter wheat. tif, with a total data volume of 6.08MB.
    

                                
            引  言        
    冬小麥作為中國重要的糧食作物之一，在國民經(jīng)濟和糧食安全中扮演著至關(guān)重要的角色。識別和監(jiān)測冬小麥種植區(qū)域?qū)τ谵r(nóng)業(yè)生產(chǎn)規(guī)劃、糧食供給和生態(tài)環(huán)境保護至關(guān)重要[1]。傳統(tǒng)的統(tǒng)計方法嚴(yán)重依賴地方行政部門花費大量的人力、物力進行統(tǒng)計報表、分步上報或采取一定比例的抽樣調(diào)查,不僅效率低下，而且容易受到遺漏、誤報等人為因素的影響，難以覆蓋廣大的農(nóng)田地區(qū)[2]。遙感技術(shù)提供了一種高效、經(jīng)濟、快捷的手段，能夠大范圍、多角度地獲取地表信息，為冬小麥的識別和監(jiān)測提供了可行的途徑[3]。因此，利用遙感技術(shù)進行冬小麥的識別和監(jiān)測變得尤為重要[4]。
    由于不同農(nóng)作物在光譜特征上的相似度較高，僅憑借單一時間點的遙感影像進行分類容易出現(xiàn)“異物同譜”和“同物異譜”的問題[5]。因此，學(xué)者們提出使用長時間序列的光譜信息反映不同農(nóng)作物的獨特物候特征，進而提高農(nóng)作物的識別分類精度[6-7]。基于近紅外光和紅光波段的歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI）作為最常見的植被光譜指數(shù)之一，在植被物候監(jiān)測中具有廣泛應(yīng)用[8]。然而，當(dāng)植被覆蓋度非常高時NDVI會飽和，難以區(qū)分不同植被的生長狀態(tài)[9-10]。相比之下，增強型植被指數(shù)（Enhanced Vegetation Index，EVI）結(jié)合了紅、近紅外和藍光波段的信息，更全面地反映了植被的光學(xué)性質(zhì)，但是在低植被覆蓋區(qū)域，EVI不如NDVI敏感，監(jiān)測效果不如NDVI[11-12]。相對于NDVI，基于近紅外光波段和紅光波段的比值植被指數(shù)（Ratio Vegetation Index，RVI）在植被生理特性和覆蓋密度方面表現(xiàn)相對較弱，限制了其適應(yīng)復(fù)雜植被類型和環(huán)境條件的能力[13]。此外，紅邊波段能夠更加精確地表征植被光譜特征，尤其在高光譜遙感中展現(xiàn)出優(yōu)異的性能[14-15]。然而，紅邊波段數(shù)據(jù)獲取和處理相對較為復(fù)雜，且受傳感器波段范圍的限制，限制了其廣泛應(yīng)用[16-17]。研究發(fā)現(xiàn)，當(dāng)對地面農(nóng)作物類型及覆蓋度狀況不了解時，結(jié)合多種植被指數(shù)互為補充，可以有助于提高農(nóng)作物的識別精度[18]。
    近年來，學(xué)者們利用中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）[19-20]、陸地（Landsat）[21]、哨兵（Sentinel）[22]、高分（GaoFen, GF）[23]等系列衛(wèi)星數(shù)據(jù)進行了冬小麥的遙感識別研究。主要方法包括機器學(xué)習(xí)和非機器學(xué)習(xí)兩種[24-25]。傳統(tǒng)的非機器學(xué)習(xí)方法在特定條件下表現(xiàn)良好，但難以泛化到不同時間、地點或環(huán)境條件下，受到一定限制[26-27]。相反，機器學(xué)習(xí)方法能夠自動從遙感數(shù)據(jù)中學(xué)習(xí)并提取多維特征，無需事先定義特定規(guī)則或閾值[28]。利用大量的訓(xùn)練樣本數(shù)據(jù)，機器學(xué)習(xí)模型能夠建立復(fù)雜的特征-類別關(guān)聯(lián)，提高了冬小麥識別的準(zhǔn)確性[29]。隨著機器學(xué)習(xí)算法的快速發(fā)展，深度學(xué)習(xí)算法通過多層結(jié)構(gòu)和大規(guī)模數(shù)據(jù)訓(xùn)練，能夠?qū)崿F(xiàn)高度的特征學(xué)習(xí)和模式識別，在地物分類應(yīng)用中取得了廣泛關(guān)注和顯著成果[30-31]。
    我國自主研發(fā)的風(fēng)云3D（FengYun 3D，F(xiàn)Y-3D）衛(wèi)星搭載的中分辨率光譜成像儀II（Medium Resolution Spectral Imager II，MERSI-II）具有較短的重訪周期，并提供了250 m分辨率數(shù)據(jù)，減少了同一地區(qū)數(shù)據(jù)缺失的問題，尤其對于廣闊地域、跨越較長時間的農(nóng)作物監(jiān)測而言至關(guān)重要，為在農(nóng)業(yè)領(lǐng)域的應(yīng)用帶來了新的可能性[32-34]。目前關(guān)于FY-3D MERSI-II在農(nóng)作物識別上的應(yīng)用還比較少，因此，本研究以2020–2023年的冬小麥為例，利用FY-3D MERSI-II時序數(shù)據(jù)，基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）模型完成2020–2023年中國冬小麥主產(chǎn)區(qū)空間分布的數(shù)據(jù)集，并評估冬小麥面積識別精度。通過本研究，不僅可以深入探究FY-3D衛(wèi)星數(shù)據(jù)在農(nóng)作物監(jiān)測領(lǐng)域的應(yīng)用潛力，也能為冬小麥種植區(qū)域的識別和監(jiān)測提供更為可靠的技術(shù)支持，進一步促進我國農(nóng)業(yè)現(xiàn)代化進程。本數(shù)據(jù)集可以豐富中國冬小麥面積識別的數(shù)據(jù)產(chǎn)品，為FY-3D衛(wèi)星數(shù)據(jù)在農(nóng)作物上的應(yīng)用提供更有力的支持。
    1
                        ?
                    數(shù)據(jù)采集和處理方法
    1.1
                        ?
                    數(shù)據(jù)采集方法
    1.1.1
                        ?
                    區(qū)域范圍
    我國廣泛種植小麥，其中冬小麥主產(chǎn)區(qū)北界大致位于長城附近，南界大致位于30°N附近。本研究將著重關(guān)注我國冬小麥主產(chǎn)區(qū)，并適度擴大研究范圍，即在地理上涵蓋了106°E–123°E、28°N–42°N范圍。該區(qū)域冬小麥種植面積占我國冬小麥種植總面積的90%以上（圖1）。


    圖1
                    ?
                中國冬小麥主產(chǎn)區(qū)研究位置
    Figure 1 Research Location of Main Winter Wheat Production Areas in China
    1.1.2
                        ?
                    數(shù)據(jù)來源
    FY-3D是我國第二代極軌太陽同步氣象衛(wèi)星系列中的第四顆衛(wèi)星，于2017年11月15日成功發(fā)射，并于2019年1月1日正式投入運行。該衛(wèi)星的核心組件之一是MERSI-Ⅱ傳感器，在光譜通道、輻射定標(biāo)精度、探測能力和空間分辨率等方面相較于之前的傳感器有了顯著的提升。類似于MODIS，MERSI-II能夠提供6個250 m空間分辨率的波段和19個1 km波段。然而，相比之下，MERSI-II還額外增加了3個波段，從而增強了對精細(xì)地物的觀測能力，為其提供了更廣泛的應(yīng)用空間和價值[35]。
    本研究使用的遙感數(shù)據(jù)主要為FY-3D的光學(xué)影像，其中研究冬小麥需要的NDVI和EVI來源于2020–2023年FY-3D MERSI-II下的歸一化植被指數(shù)（Normalized Vegetation Index，NVI）產(chǎn)品，F(xiàn)Y-3D NVI產(chǎn)品是FY-3D上搭載的MERSI-II傳感器對地觀測合成的數(shù)據(jù)，每10天合成一幅影像，一年36期，主要分為250 m、1000 m、5000 m植被指數(shù)旬產(chǎn)品，F(xiàn)Y-3D NVI產(chǎn)品主要包含了NDVI、EVI等12個特征參量。冬小麥的研究采用了250 m植被指數(shù)旬產(chǎn)品作為數(shù)據(jù)源，使用GDAL、HDF等Python第三方處理遙感數(shù)據(jù)的庫將FY-3D NVI數(shù)據(jù)從HDF格式轉(zhuǎn)換為Tiff格式，進行重投影和裁剪等操作，得到2020–2023年中國冬小麥主產(chǎn)區(qū)每個生長季內(nèi)（10月10日到次年6月10日）25期的遙感數(shù)據(jù)。
    1.2
                        ?
                    數(shù)據(jù)處理方法


    圖2
                    ?
                冬小麥識別流程圖
    Figure 2 Winter Wheat Identification Flow Chart
    1.2.1
                        ?
                    時序數(shù)據(jù)缺失處理
    雖然FY-3D NVI數(shù)據(jù)采用10天的最大值合成，會減少像元值的缺失，但還會受云霧、水汽和積雪因素的影響，會造成像元值的缺失，某一時間序列數(shù)據(jù)缺少少量的像元值。如果把該時間序列數(shù)據(jù)遺棄掉，會降低冬小麥識別的準(zhǔn)確率，需要對該時間序列的空缺數(shù)據(jù)進行插值處理。本文使用基于Python的Pandas庫中的interpolate函數(shù)實現(xiàn)線性插值法對空缺數(shù)據(jù)進行填充，線性插值法計算公式為：
    
                    ?
                
    \(y0=y1+\frac{\left(x0-x1\right)\mathrm{*}\left(y2-y1\right)}{x2-x1}\)(1)
    式中，y0是在位置x0處估算的數(shù)據(jù)值，y1和y2是已知數(shù)據(jù)點的數(shù)據(jù)值，x1和x2是已知數(shù)據(jù)點的位置，x0是要估算的位置。
    1.2.2
                        ?
                    特征選擇
    由于研究區(qū)南北部氣候差異的原因，小麥種植和收獲的時間會存在一定差異，因此，需要確定識別冬小麥的起始和結(jié)束的時間，進而建立植被指數(shù)時間序列的特征曲線。研究區(qū)的冬小麥種植時間在秋季的10–11月之間，該季節(jié)夏季作物秋收完成，為了盡可能涵蓋研究區(qū)所有的冬小麥的生長周期，選擇10月10日作為起始時間，次年的6月10日為結(jié)束時間，共25期的植被指數(shù)值作為特征值，可以有效區(qū)分冬小麥與裸地、建筑地、水體、林地、草地、稻地、其它單峰類作物、其它雙峰類作物以及春玉米（圖3）。對于非冬小麥作物類樣本，該樣本僅僅表示該地種植過非冬小麥作物，生長周期并不完全與冬小麥重疊，會導(dǎo)致同一類的樣本時間序列曲線有較大的差別。


    圖3  
                    ?
                研究區(qū)不同地物植被指數(shù)時間序列曲線（2021年）
    Figure 3 Time series curves of vegetation indices for different land features in the study area (2021)
    注：裸地樣本位于106.46°E、39.45°N，建筑地樣本位于120.28°E、30.19°N，水體樣本位于120.11°E、31.29°N，冬小麥樣本位于114.94°E、33.07°N，林地樣本位于120.2°E、29.08°N，草地樣本位于107.9°E、35.94°N，稻地樣本位于120.57°E、32.7°N，其它雙峰類樣本位于118.59°E、35.13°N，其它單峰類樣本位于120.74°E、37.26°N，春玉米樣本位于116.39°E、38.68°N。
    常用的植被指數(shù)主要包括NDVI和EVI，其中NDVI是監(jiān)測植被覆蓋度和生長狀況的最佳指數(shù)，但受計算方法的影響容易在高植被覆蓋區(qū)產(chǎn)生飽和，而EVI加入了土壤背景調(diào)節(jié)參數(shù)和大氣修正參數(shù)，能彌補NDVI的不足。結(jié)合冬小麥的生長周期，進一步優(yōu)化NDVI和EVI的時序分析方法，以提高冬小麥面積提取的準(zhǔn)確性和穩(wěn)定性，由于FY-3D NVI數(shù)據(jù)的NDVI和EVI數(shù)據(jù)有大量缺失，需要通過該產(chǎn)品提供的波段重新計算這兩種指數(shù)，NDVI和EVI計算公式如下：
    
                    ?
                
    \(NDVI=\frac{\left(ch4-ch3\right)}{\left(ch4+ch3\right)}\)(2)
    \(EVI=\frac{2.5\mathrm{*}\left(ch4-ch3\right)}{L+ch4+C1\mathrm{*}ch3-C2\mathrm{*}ch1}\)(3)
    式中ch3和ch4分別為藍光波段、紅光波段和近紅外光波段的反射率值；L、C1和C2分別為土壤背景調(diào)節(jié)參數(shù)、大氣校正紅光參數(shù)和大氣校正藍光參數(shù)，其中L=1，C1=7.5，C2=2.5。（注：L、C1和C2的值風(fēng)云官網(wǎng)上沒有給出具體的值，該值是作者通過EVI的值和波段的反射率值反推得來的。）
    對于冬小麥的每個生長階段，NDVI和EVI的權(quán)重設(shè)置可以根據(jù)作物的特點和研究目的進行合理選擇。一般來說，不同生長階段冬小麥對NDVI和EVI的側(cè)重點有所不同，在冬小麥的種植初期，植株的數(shù)量較少，主要關(guān)注植被的覆蓋程度和密度。這時候可以給予NDVI較高的權(quán)重，以更好地反映植被的覆蓋情況，而給予EVI較低的權(quán)重。在冬小麥的生長期，植株逐漸增多，主要關(guān)注植被的生長狀態(tài)和葉綠素含量。這時候可以適當(dāng)平衡NDVI和EVI的權(quán)重。在冬小麥的成熟期，植株的生長減緩，主要關(guān)注葉綠素含量和植被的健康狀況。這時候給予EVI較高的權(quán)重，以更好地反映植被的健康狀況，而給予NDVI較低的權(quán)重。
    根據(jù)冬小麥的生長階段，將其分為三個主要的生長階段。使用試錯法分別為NDVI和EVI設(shè)置不同的權(quán)重，并對樣本數(shù)據(jù)進行訓(xùn)練測試（構(gòu)建冬小麥的訓(xùn)練模型過程詳見1.2.4節(jié)）。反復(fù)測試后，最終確定了權(quán)重值（表1）。通過確定NDVI和EVI的權(quán)重比例，得到了NDVI&EVI時間序列曲線（圖4）。
    表1
                    ?
                  NDVI和EVI權(quán)重設(shè)置表
    冬小麥生長階段NDVI權(quán)重EVI權(quán)重
    初期（10月10日–次年2月10日）0.80.2
    生長期（2月20日–4月10日）0.50.5
    成熟期（4月20日–6月10日）0.20.8


    圖4 
                    ?
                 研究區(qū)冬小麥植被指數(shù)時間序列曲線對比圖
    Figure 4 Comparison of Time Series Curves of Winter Wheat Vegetation Index in the Study Area
    注：該冬小麥樣本位于114.94°E、33.07°N
    1.2.3
                        ?
                    冬小麥樣本數(shù)據(jù)生成
    當(dāng)進行大規(guī)模繪制全國的土地分類情況時，充分的樣本數(shù)據(jù)至關(guān)重要[36]。通常情況下，大規(guī)模測繪任務(wù)所需的樣本數(shù)據(jù)來自目視解譯以及從現(xiàn)有產(chǎn)品中自動提取的樣本[37]。為獲取中國冬小麥主產(chǎn)區(qū)的主要地物類型分布，本研究結(jié)合了多個數(shù)據(jù)源，包括Google Earth、中國氣象科學(xué)數(shù)據(jù)中心（http://data.cma.cn/）、CLCD 30m土地覆蓋數(shù)據(jù)集（https://zenodo.org/record/）[38]，以及國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心提供的《全國冬小麥500m分辨率時空分布數(shù)據(jù)集》（http://www.geodata.cn/）[39]。在冬小麥生長季節(jié)，將冬小麥主產(chǎn)區(qū)的地物類型分為10大類別，包括冬小麥、裸地、建筑地、水體、林地、草地、稻地、其它單峰類作物、其它雙峰類作物以及春玉米。在研究區(qū)域共獲得69709個樣本數(shù)據(jù)，其中包括冬小麥15437個、裸地3134個、建筑地2630個、水體4308個、林地10288個、草地9061個、稻地6617個、其他單峰類作物6471個、其他雙峰類作物6800個以及春玉米4963個。在樣本數(shù)據(jù)中，隨機選取了75%作為訓(xùn)練集，剩下的25%作為測試集，用于構(gòu)建冬小麥的訓(xùn)練模型。
    1.2.4
                        ?
                    構(gòu)建基于DNN的冬小麥訓(xùn)練模型
    使用Python編程語言結(jié)合TensorFlow深度學(xué)習(xí)框架進行數(shù)據(jù)處理和DNN模型的建立、訓(xùn)練以及測試。以下是關(guān)于DNN模型的關(guān)鍵設(shè)置：
    網(wǎng)絡(luò)結(jié)構(gòu)：包括拉直層、全連接層和輸出層。拉直層用于將輸入數(shù)據(jù)壓縮成一維數(shù)據(jù)，全連接層設(shè)置128個神經(jīng)元用于向量處理，輸出層有2個神經(jīng)元，分別表示冬小麥和非冬小麥的類別。
    激活函數(shù)：在全連接層中使用ReLU作為激活函數(shù)，而在輸出層使用Softmax確保輸出結(jié)果是概率分布。
    訓(xùn)練方法：采用Adam算法，它能夠自適應(yīng)地更新權(quán)重，使用梯度信息調(diào)整學(xué)習(xí)率，加快收斂速度。
    訓(xùn)練參數(shù)：設(shè)定迭代次數(shù)為100，批量大小為64，驗證集比例為0.25，驗證頻率為每次迭代后進行一次。
    最后，利用訓(xùn)練好的模型對FY-3D遙感影像進行分類，提取冬小麥的空間分布和種植面積信息。
    2
                        ?
                    數(shù)據(jù)樣本描述
    本數(shù)據(jù)集涵蓋了中國主要冬小麥產(chǎn)區(qū)在2020–2023年間的空間分布情況。數(shù)據(jù)以1個壓縮文件（2020–2023年中國冬小麥主產(chǎn)區(qū)空間分布數(shù)據(jù)集.zip）的形式保存，包含4個tif格式的文件。每個tif文件都是以8位柵格數(shù)據(jù)結(jié)構(gòu)保存的，使用整型數(shù)據(jù)表示屬性信息。在這些文件中，像元數(shù)值1代表著冬小麥，而0則代表其他。整個數(shù)據(jù)集的大小為6.08 MB，采用的坐標(biāo)系統(tǒng)為UTM-WGS84。
    3
                        ?
                    數(shù)據(jù)質(zhì)量控制和評估
    3.1
                        ?
                    數(shù)據(jù)結(jié)果
    根據(jù)研究區(qū)2020–2023年的樣本數(shù)據(jù)，利用NDVI&EVI時序數(shù)據(jù)，訓(xùn)練出基于DNN的冬小麥模型，通過Python遍歷讀取冬小麥生長季內(nèi)25期FY-NVI遙感影像的每一個像元，把每組像元作為特征值輸入訓(xùn)練好的DNN模型得到識別結(jié)果，識別結(jié)果如圖5所示。中國冬小麥主要分布在黃淮海、江漢和渭河平原，具有集中連片分布的特征，識別研究區(qū)2020–2023年冬小麥播種總面積依次為265444.94 km2、263937.81 km2、257241.88 km2和256171.13 km2（2020年“MODIS冬小麥”面積為262414.5 km2，2021年“MODIS冬小麥”面積為275015.5 km2）。以2021年冬小麥識別的結(jié)果為例，根據(jù)圖6（b–g）的識別結(jié)果可以得出，250 m空間分辨率的FY遙感影像對道路、河流等線狀地物識別能力差，易將這些地物錯誤地識別為冬小麥。


    圖5
                    ?
                基于FY-NDVI&EVI時序數(shù)據(jù)冬小麥識別結(jié)果（2020–2023年）
    Figure 5  Winter Wheat Recognition Results Based on FY-NDVI and EVI Time Series Data (2020–2023)


    圖6
                    ?
                基于FY-NDVI&EVI時序數(shù)據(jù)冬小麥識別結(jié)果局部放大（2021年）
    Figure 6  Partial amplification of winter wheat recognition results based on FY-NDVI and EVI temporal data (2021)
    3.2
                        ?
                    數(shù)據(jù)驗證
    3.2.1
                        ?
                    數(shù)據(jù)驗證方法
    精度評價主要從像素尺度出發(fā)通過構(gòu)建混淆矩陣（Confusion Matrix，CM），混淆矩陣是一個重要的評價工具，用于比較分類結(jié)果和真實類別之間的一致性。通過混淆矩陣計算總體分類精度（Overall Accuracy，OA）、決定系數(shù)（R2）、用戶精度和Kappa系數(shù)，進而進行分類精度評價[40]。
    另外使用了國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心提供的《全國冬小麥500 m分辨率時空分布數(shù)據(jù)集》（http://www.geodata.cn）對本文冬小麥識別的結(jié)果進行驗證，該數(shù)據(jù)集在本文中簡稱為“MODIS冬小麥”，其基于空間分辨率為500m的MODIS數(shù)據(jù)生成[39]。另外，還使用了國家生態(tài)科學(xué)數(shù)據(jù)中心提供的《中國冬小麥30 m分辨率種植分布數(shù)據(jù)集》（http://www.nesdc.org.cn），該數(shù)據(jù)集在本文中簡稱為“Landsat冬小麥”，是基于空間分辨率為30 m的Landsat數(shù)據(jù)生成[22]。
    3.2.2
                        ?
                    數(shù)據(jù)驗證結(jié)果
    利用NDVI&EVI時序數(shù)據(jù)，基于DNN模型訓(xùn)練出的模型結(jié)果如表2所示。利用NDVI&EVI的訓(xùn)練出的模型總體精度合計為94.92%，Kappa系數(shù)為0.87，R2為0.73，其中冬小麥的用戶精度為92.03%，其他類型的用戶精度為95.87%。
    表2  
                    ?
                2020–2023年使用NDVI和EVI時序數(shù)據(jù)基于DNN的訓(xùn)練模型結(jié)果
    年總體精度（%）Kappa系數(shù)R2冬小麥精度（%）其他類型精度（%）
    202095.220.870.7492.8396.02
    202195.320.870.7391.8096.32
    202294.620.860.7291.1995.81
    202394.530.860.7192.2895.31
    合計94.920.870.7392.0395.87
    使用ArcMap軟件對“MODIS冬小麥”和“Landsat冬小麥”進行研究區(qū)的裁剪，然后使用NDVI&EVI時序數(shù)據(jù)得到的250 m冬小麥識別圖進行空間對比（圖6）。使用FY-3D NDVI&EVI時序數(shù)據(jù)得到的結(jié)果與“MODIS冬小麥”的結(jié)果較一致。通過對冬小麥像元數(shù)量及空間位置的統(tǒng)計，基于NDVI&EVI的冬小麥與2020年和2021年“MODIS冬小麥”空間分布重疊率達到95%以上。
    統(tǒng)計研究區(qū)內(nèi)冬小麥的識別結(jié)果，其中使用基于NDVI&EVI時序得到的2020年和2021年冬小麥面積與“MODIS冬小麥”面積誤差為2.6%，表明使用基于NDVI&EVI時序數(shù)據(jù)能完成冬小麥面積的識別。與“Landsat冬小麥”相比，2020年和2021年基于FY識別的冬小麥空間分布基本一致。然而，由于空間分辨率的問題，基于FY和MODIS的冬小麥面積識別要多于“Landsat冬小麥”。
    基于FY遙感數(shù)據(jù)和DNN模型，利用四種不同的時序數(shù)據(jù)分別得出了冬小麥的分布結(jié)果，并將其與“Landsat冬小麥”和“MODIS冬小麥”進行了比較（圖8），分別以115.98°E、35.17°N和115.89°E、37.79°N為中心生成的冬小麥面積數(shù)據(jù)。結(jié)果顯示，使用NDVI&EVI時序數(shù)據(jù)對應(yīng)的R2均在0.9以上。與“Landsat冬小麥”相比，斜率分別介于1.3左右；而與“MODIS冬小麥”相比，斜率范圍在0.92–1之間。由此可推斷，基于FY遙感數(shù)據(jù)得到的冬小麥面積較“Landsat冬小麥”面積更大，而與“MODIS冬小麥”面積基本一致。


    圖7
                    ?
                基于NDVI&EVI時序數(shù)據(jù)冬小麥識別結(jié)果與“MODIS冬小麥”、“Landsat冬小麥”對比
    Figure 7 Comparison of Winter Wheat Recognition Results Based on NDVI and EVI Time Series Data with "MODIS Winter Wheat" and "Landsat Winter Wheat"


    圖8
                    ?
                “MODIS冬小麥”和“Landsat冬小麥”面積與FY-3D預(yù)測冬小麥面積的比較
    Figure 8 Comparison of the Area of MODIS Winter Wheat and Landsat Winter Wheat with FY-3D Prediction of Winter Wheat Area
    4
                        ?
                    數(shù)據(jù)價值
    本數(shù)據(jù)集可以用于冬小麥的長勢監(jiān)測、產(chǎn)量預(yù)估等問題研究。相較于前人的研究，本研究的創(chuàng)新點在于結(jié)合了DNN模型和NDVI&EVI時序數(shù)據(jù)，通過線性插值法完成對數(shù)據(jù)缺失的處理。FY-3D NVI數(shù)據(jù)解決了中高分辨率影像數(shù)據(jù)量大、重訪周期長、大范圍內(nèi)同一時間影像缺失等問題。NDVI和EVI的結(jié)合更能反映冬小麥的生長周期特點。DNN模型具有更強的學(xué)習(xí)能力和更好的泛化性能，在基于大樣本數(shù)據(jù)的情況下，可以有效地避免混合像元帶來的誤差，最終提高冬小麥種植面積的提取精度。
    5
                        ?
                    數(shù)據(jù)使用方法和建議
    2020–2023年中國冬小麥主產(chǎn)區(qū)250 m數(shù)據(jù)產(chǎn)品采用TIF格式和UTM-WGS84坐標(biāo)系統(tǒng)保存，可使用ArcGIS、QGIS、ENVI、ERDAS等常用的GIS和遙感軟件或Matlab、Python、R等編程語言讀取、查看、分析、處理和應(yīng)用。
    致  謝
    感謝“國家科技基礎(chǔ)條件平臺—國家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(http://www.geodata.cn)”和“國家科技基礎(chǔ)條件平臺—國家生態(tài)科學(xué)數(shù)據(jù)中心(http://www.nesdc.org.cn)”的數(shù)據(jù)支持。
    [1]
    CHU L, LIU Q S, HUANG C, et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: a case study in the Yellow River Delta, China[J]. Journal of Integrative Agriculture, 2016, 15(10): 2403–2416. DOI: 10.1016/S2095-3119(15)61319-3.
    +?CSCD?·?Baidu Scholar
    [2]
    鄔明權(quán), 楊良闖, 于博, 等. 基于遙感與多變量概率抽樣調(diào)查的作物種植面積測量[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(2): 146–152. DOI: 10.3969/j.issn.1002-6819.2014.02.019. [WU M Q, YANG L C, YU B, et al. Mapping crops acreages based on remote sensing and sampling investigation by multivariate probability proportional to size[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(2): 146–152. DOI: 10.3969/j.issn.1002-6819.2014.02.019.]
    +?CSCD?·?Baidu Scholar
    [3]
    CHEN Y, ZHANG C M, WANG S Y, et al. Extracting crop spatial distribution from Gaofen 2 imagery using a convolutional neural network[J]. Applied Sciences, 2019, 9(14): 2917. DOI: 10.3390/app9142917.
    +?CSCD?·?Baidu Scholar
    [4]
    KANG Y P, MENG Q Y, LIU M, et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors, 2021, 21(13): 4328. DOI: 10.3390/s21134328.
    +?CSCD?·?Baidu Scholar
    [5]
    JIA K, LIANG S L, ZHANG L, et al. Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 32–38. DOI: 10.1016/j.jag.2014.04.015.
    +?CSCD?·?Baidu Scholar
    [6]
    WU S, LU H, GUAN H L, et al. Optimal bands combination selection for extracting garlic planting area with multi-temporal sentinel-2 imagery[J]. Sensors, 2021, 21(16): 5556. DOI: 10.3390/s21165556.
    +?CSCD?·?Baidu Scholar
    [7]
    CONESE C, MASELLI F. Use of multitemporal information to improve classification performance of TM scenes in complex terrain[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991, 46(4): 187–197. DOI: 10.1016/0924-2716(91)90052-W.
    +?CSCD?·?Baidu Scholar
    [8]
    WU D H, WU H, ZHAO X, et al. Evaluation of spatiotemporal variations of global fractional vegetation cover based on GIMMS NDVI data from 1982 to 2011[J]. Remote Sensing, 2014, 6(5): 4217–4239. DOI: 10.3390/rs6054217.
    +?CSCD?·?Baidu Scholar
    [9]
    QIU J Z, YANG J X, WANG Y P, et al. A comparison of NDVI and EVI in the DisTrad model for thermal sub-pixel mapping in densely vegetated areas: a case study in Southern China[J]. International Journal of Remote Sensing, 2018, 39(8): 2105–2118. DOI: 10.1080/01431161.2017.1420929.
    +?CSCD?·?Baidu Scholar
    [10]
    DUBOVYK O, LANDMANN T, ERASMUS B F N, et al. Monitoring vegetation dynamics with medium resolution MODIS-EVI time series at sub-regional scale in southern Africa[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 175–183. DOI: 10.1016/j.jag.2015.01.002.
    +?CSCD?·?Baidu Scholar
    [11]
    MATSUSHITA B, YANG W, CHEN J, et al. Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest[J]. Sensors, 2007, 7(11): 2636–2651. DOI: 10.3390/s7112636.
    +?CSCD?·?Baidu Scholar
    [12]
    GUO N, WANG X P, CAI D H, et al. Comparison and evaluation between MODIS vegetation indices in Northwest China[C]//2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona, Spain. IEEE, 2007: 3366–3369. DOI: 10.1109/IGARSS.2007.4423566.
    +?CSCD?·?Baidu Scholar
    [13]
    YULIARA I M, RATINI N N, KASMAWAN I G A. Comparative study on NDVI with RVI for estimated area and class distribution[J]. International Journal of Physical Sciences and Engineering, 2019, 3(2): 12–20. DOI: 10.29332/ijpse.v3n2.310.
    +?CSCD?·?Baidu Scholar
    [14]
    MEHDAOUI R, ANANE M. Exploitation of the red-edge bands of Sentinel 2 to improve the estimation of durum wheat yield in Grombalia Region (Northeastern Tunisia)[J]. International Journal of Remote Sensing, 2020, 41(23): 8986–9008. DOI: 10.1080/01431161.2020.1797217.
    +?CSCD?·?Baidu Scholar
    [15]
    SCHUSTER C, F?RSTER M, KLEINSCHMIT B. Testing the red edge channel for improving land-use classifications based on high-resolution multi-spectral satellite data[J]. International Journal of Remote Sensing, 2012, 33(17): 5583–5599. DOI: 10.1080/01431161.2012.666812.
    +?CSCD?·?Baidu Scholar
    [16]
    LIU R J, ZHANG J, CUI B G, et al. Red tide detection based on high spatial resolution broad band satellite data: a case study of GF-1[J]. Journal of Coastal Research, 2019, 90(sp1): 120. DOI: 10.2112/si90-015.1.
    +?CSCD?·?Baidu Scholar
    [17]
    SONG X P, HUANG W L, HANSEN M C, et al. An evaluation of Landsat, Sentinel-2, Sentinel-1 and MODIS data for crop type mapping[J]. Science of Remote Sensing, 2021, 3: 100018. DOI: 10.1016/j.srs.2021.100018.
    +?CSCD?·?Baidu Scholar
    [18]
    YAN E P, WANG G X, LIN H, et al. Phenology-based classification of vegetation cover types in Northeast China using MODIS NDVI and EVI time series[J]. International Journal of Remote Sensing, 2015, 36(2): 489–512. DOI: 10.1080/01431161.2014.999167.
    +?CSCD?·?Baidu Scholar
    [19]
    BOGNáR P, KERN A, PáSZTOR S, et al. Yield estimation and forecasting for winter wheat in Hungary using time series of MODIS data[J]. International Journal of Remote Sensing, 2017, 38(11): 3394–3414. DOI: 10.1080/01431161.2017.1295482.
    +?CSCD?·?Baidu Scholar
    [20]
    PAN Y Z, LI L, ZHANG J S, 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: 232–242. DOI: 10.1016/j.rse.2011.10.011.
    +?CSCD?·?Baidu Scholar
    [21]
    QU C, LI P J, ZHANG C M. A spectral index for winter wheat mapping using multi-temporal Landsat NDVI data of key growth stages[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 175: 431–447. DOI: 10.1016/j.isprsjprs.2021.03.015.
    +?CSCD?·?Baidu Scholar
    [22]
    DONG J, FU Y Y, WANG J J, et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data, 2020, 12(4): 3081–3095. DOI: 10.5194/essd-12-3081-2020.
    +?CSCD?·?Baidu Scholar
    [23]
    LIU J T, FENG Q L, GONG J H, et al. Winter wheat mapping using a random forest classifier combined with multi-temporal and multi-sensor data[J]. International Journal of Digital Earth, 2018, 11(8): 783–802. DOI: 10.1080/17538947.2017.1356388.
    +?CSCD?·?Baidu Scholar
    [24]
    ZHANG X W, QIU F, QIN F. Identification and mapping of winter wheat by integrating temporal change information and Kullback–Leibler divergence[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 76: 26–39. DOI: 10.1016/j.jag.2018.11.002.
    +?CSCD?·?Baidu Scholar
    [25]
    FANG P, ZHANG X W, WEI P P, et al. The classification performance and mechanism of machine learning algorithms in winter wheat mapping using sentinel-2 10 m resolution imagery[J]. Applied Sciences, 2020, 10(15): 5075. DOI: 10.3390/app10155075.
    +?CSCD?·?Baidu Scholar
    [26]
    WANG S, AZZARI G, LOBELL D B. Crop type mapping without field-level labels: Random forest transfer and unsupervised clustering techniques[J]. Remote Sensing of Environment, 2019, 222: 303–317. DOI: 10.1016/j.rse.2018.12.026.
    +?CSCD?·?Baidu Scholar
    [27]
    SKAKUN S, FRANCH B, VERMOTE E, et al. Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment, 2017, 195: 244–258. DOI: 10.1016/j.rse.2017.04.026.
    +?CSCD?·?Baidu Scholar
    [28]
    AMANI M, GHORBANIAN A, ALI AHMADI S, et al. Google earth engine cloud computing platform for remote sensing big data applications: a comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1052, 13: 5326–5350. DOI: 10.1109/JSTARS.2020.3021052.
    +?CSCD?·?Baidu Scholar
    [29]
    LI Y S, LI X W, ZHANG Y J, et al. Cost-efficient information extraction from massive remote sensing data: When weakly supervised deep learning meets remote sensing big data[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 120: 103345. DOI: 10.1016/j.jag.2023.103345.
    +?CSCD?·?Baidu Scholar
    [30]
    KUSSUL N, LAVRENIUK M, SKAKUN S, et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(5): 778–782. DOI: 10.1109/LGRS.2017.2681128.
    +?CSCD?·?Baidu Scholar
    [31]
    ZHONG L H, HU L N, ZHOU H, et al. Deep learning based winter wheat mapping using statistical data as ground references in Kansas and northern Texas, US[J]. Remote Sensing of Environment, 2019, 233: 111411. DOI: 10.1016/j.rse.2019.111411.
    +?CSCD?·?Baidu Scholar
    [32]
    WANG Y Y, LI G C. Global land cover mapping using annual clear-sky composites from FY3D/MERSI-II[J]. International Journal of Remote Sensing, 2022, 43(2): 510–531. DOI: 10.1080/01431161.2021.2019848.
    +?CSCD?·?Baidu Scholar
    [33]
    XU N, NIU X H, HU X Q, et al. Prelaunch calibration and radiometric performance of the advanced MERSI II on FengYun-3D[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4866–4875. DOI: 10.1109/TGRS.2018.2841827.
    +?CSCD?·?Baidu Scholar
    [34]
    XIAO F, LIU Q, LI S, et al. A Study of the Method for Retrieving the Vegetation Index from FY-3D MERSI-II Data[J]. Remote Sensing, 2023, 15(2): 491. DOI:10.3390/rs15020491.
    +?CSCD?·?Baidu Scholar
    [35]
    JIN S K, ZHANG M, MA Y Y, et al. Adapting the dark target algorithm to advanced MERSI sensor on the FengYun-3-D satellite: retrieval and validation of aerosol optical depth over land[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(10): 8781–8797. DOI: 10.1109/TGRS.2020.3021021.
    +?CSCD?·?Baidu Scholar
    [36]
    FOODY G M, MATHUR A. Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification[J]. Remote Sensing of Environment, 2004, 93(1/2): 107–117. DOI: 10.1016/j.rse.2004.06.017.
    +?CSCD?·?Baidu Scholar
    [37]
    ZHANG X, LIU L Y, CHEN X D, et al. GLC_FCS30: global land-cover product with fine classification system at 30m using time-series Landsat imagery[J]. Earth System Science Data, 2021, 13(6): 2753–2776. DOI: 10.5194/essd-13-2753-2021.
    +?CSCD?·?Baidu Scholar
    [38]
    YANG J, HUANG X. 30m annual land cover and its dynamics in China from 1990 to 2019[J]. Earth System Science Data (Discussions), 2021: 1-29. DOI:10.5194/essd-13-3907-2021.
    +?CSCD?·?Baidu Scholar
    [39]
    QIU B W, HU X, CHEN C C, et al. Maps of cropping patterns in China during 2015-2021[J]. Scientific Data, 2022, 9(1): 479. DOI: 10.1038/s41597-022-01589-8.
    +?CSCD?·?Baidu Scholar
    [40]
    HAO Z B, LIN L L, POST C J, et al. Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN)[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178: 112–123. DOI: 10.1016/j.isprsjprs.2021.06.003.
    +?CSCD?·?Baidu Scholar
    數(shù)據(jù)引用格式
    王小飛, 張方敏, 高歌, 等. 基于FY-3D的2020-2023年250米分辨率中國冬小麥主產(chǎn)區(qū)空間分布數(shù)據(jù)集[DS/OL]. V1. Science Data Bank, 2024, (2024-06-18). DOI: 10.57760/sciencedb.17920.
    


                            
                            
    
                                    
                                    
    
                                        稿件與作者信息
                                        
                                            
                                        
                                        
                                            
                                        
                                    
    
                                    
    
                                        
                                            
    論文引用格式
    王小飛, 張方敏, 高歌, 等. 基于FY-3D的2020-2023年250米分辨率中國冬小麥主產(chǎn)區(qū)空間分布數(shù)據(jù)集[J/OL]. 中國科學(xué)數(shù)據(jù), 2024, (2024-06-18). DOI: 10.11922/11-6035.csd.2024.0078.zh.
    王小飛
    WANG Xiaofei
    主要承擔(dān)工作：數(shù)據(jù)處理、解譯、驗證與論文撰寫。 
    （1995—），男，河南省周口人，碩士研究生，主要從事農(nóng)業(yè)遙感研究。
    張方敏
    ZHANG Fangmin
    主要承擔(dān)工作：數(shù)據(jù)集整體設(shè)計、技術(shù)方案制定及論文撰寫。 
    fmin.zhang@nuist.edu.cn
    （1983—），女，江蘇省南京人，博士，教授，主要從事農(nóng)業(yè)與生態(tài)氣象研究。
    高歌
    GAO Ge
    主要承擔(dān)工作：數(shù)據(jù)檢查與論文撰寫。 
    （1972—），女，北京人，碩士，正高級工程師，主要從事氣候變化與評估。
    任祖光
    REN Zuguang
    主要承擔(dān)工作：數(shù)據(jù)處理和分析。
    （1996—），男，河南省周口人，碩士，主要從事農(nóng)業(yè)遙感研究。
    國家重點研發(fā)計劃（2023YFF0805402）；中國氣象局生態(tài)系統(tǒng)碳源匯重點實驗室開放基金（ECS-CMA202310）。
    National Key Research and Development Program of China (2023YFF0805402); Open Funding of Key Laboratory of Ecosystem Carbon Source and Sink, China Meteorological Administration (ECSS-CMA202310). 
    

                                        


                                        
    

    
    
    出版歷史
    
    
    

        
           
     I區(qū)發(fā)布時間：2024年6月18日
            （
            版本ZH2）
    
        

        

        

    
        

        

        


        
        

        

        

        

        

    
    

    



                                        
                                    
    


                                
    


                        
    

                    
                
    

            
    
            
        
    
    
    


    
    
    
    
    
        
    
        
        
    參考文獻列表中查看
    
    
    
    
    
    
        
    
    
    

    
    
    
    
    
    
        
    
            
    
                
    
                    
                    
    中國科學(xué)數(shù)據(jù)
    
                    
    csdata
    
                    
                
    
                
    
                    
    
                        


                    
    
                    
      
                        

                        
      
                        
    • 
                            
                                
      --
      
                            
                        
      •