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。