​

 简介

作为全球第二大玉米生产国，中国的玉米产量占全球总产量的 23%，在保证玉米市场稳定方面发挥着重要作用。尽管其重要性不言而喻，但目前还没有全中国 30 米空间分辨率的玉米分布图。本研究采用时间加权动态时间扭曲法，通过比较每个像素点的卫星植被指数时间序列与已知玉米田得出的标准时间序列的相似性来识别玉米种植区，绘制了占中国玉米种植面积 99% 以上的 22 个省份 2016 年至 2020 年的玉米分布图。基于 18800 个 30 米空间分辨率的田间调查像素，该分布图在整个调查省份的生产者和用户平均精确度分别为 76.15%和 81.59%。市级和县级普查数据在再现玉米空间分布方面也表现良好。这项研究提供了一种基于少量实地调查数据绘制大面积玉米地图的方法。

研究区

根据普查结果，2018 年中国大陆共有 30 个省、直辖市种植玉米，本研究选取了 22 个省、直辖市，约占中国玉米总种植面积的 99.29%，种植面积 4186 万公顷，产量占中国玉米总产量的 99.43%（2018 年为 2573 万吨）（http://www.moa.gov.cn/）。具体而言，研究区域包括安徽、甘肃、河北、黑龙江、河南、内蒙古、江苏、吉林、辽宁、宁夏、陕西、山东、山西、天津、新疆、重庆、广西、贵州、湖北、湖南、四川和云南。

研究区域包括中国 22 个省和直辖市（斜线覆盖区域）。黑点表示从谷歌地球引擎获取的样本，红色三角形表示实地调查的样本。 

时间加权动态时间扭曲

本研究采用的方法主要依赖于未知像素的归一化差异植被指数（NDVI）物候变化与已知玉米季节变化的相似性。采用 TWDTW 方法测量相似度[18, 24]。简而言之，TWDTW 是 DTW 的一种改进方法，它通过非线性排列，根据两个时间序列的最小距离来测量相似性。由于农作物有自己的物候期，TWDTW 方法使用时间范围来比较两个时间序列的最小路径 [29]。本研究使用了具有开放边界的逻辑 TWDTW（已被证明比线性 TWDTW 具有更高的精度）[29]来区分玉米和其他作物，并使用了 Pan 等人[21]建议的参数。

内蒙古一个无人机观测点和山东一个观测点的分类图。圆圈和三角形表示田间样本，紫色表示已识别的玉米像素。
具体而言，本研究采用了 Dong 等人[24]提出的方法来识别玉米的种植位置。首先，使用全球土地覆被精细分辨率观测与监测（FROM-GLC）产品排除非耕地（见第 2.3.1 节）。然后，检索已知玉米田的玉米标准 NDVI 曲线。采用 TWDTW 方法计算每个像素点的 NDVI 与标准 NDVI 曲线的差异值。当异同值较低时，时间序列与标准曲线更为相似，该像素更有可能对应种植的玉米。相似度阈值由省级统计区确定。计算所有像元的相似度值，将相似度小于阈值的像元识别为玉米，所有识别出的玉米像元的面积与省级统计区域相同。本研究未使用其他方法区分玉米与其他作物。
各省的季节变化标准 NDVI 曲线是从各省的实地调查和谷歌地球样本中随机抽取的 50 个玉米像素中确定的（见第 2.3.2 节）。总体而言，各省的标准曲线具有相似的季节变化（图 2）。本研究使用一组 2019 年的玉米标准曲线来确定所有调查年份（即 2016 年至 2020 年）的玉米种植面积，以进一步检验该方法的可扩展性。

研究结果

本研究绘制了 2016-2020 年中国 22 个省的玉米分布图（图 4）。五年间，中国玉米种植面积保持稳定，从 440 万公顷略微下降至 410 万公顷。东北和华北是玉米种植的两大主要地区，这两大地区的玉米种植面积较多（图 4）。平均而言，22 个省的总体识别准确率为 79.13%，用户和生产者的平均准确率分别为 81.59% 和 76.15%（表 1）。总体准确率最高的是辽宁省，为 91.62%，最低的是安徽省（66.81%）（表 1）。用户和生产商的准确率在各省之间存在较大差异。例如，在华南的几个省份（即安徽、江苏、重庆和广西），用户和生产商的准确率都很低（表 1）。图 5 展示了内蒙古和山东两地的无人机图片和观测到的玉米及其他作物样本的放大图像。无人机图片拍摄于 8 月，图片中大部分区域种植玉米。TWDTW方法可以代表当地玉米的详细分类情况。 

讨论

本研究考察了再现玉米种植面积空间变化的方法性能。值得注意的是，再现种植面积的时间变化也很重要。长期统计数据是检验时间变化性能的最重要数据集之一。此外，对同一地点多年作物类型的检测也是检验方法性能的另一种重要方法。通过使用同一地点多年的实地数据，可以通过检测不变和变化的精度来评估该方法再现年际变化的性能。 

此外，玉米作为夏季作物，其物候期与其他夏季作物（如大豆、花生和水稻）相似，这大大增加了区分玉米与其他夏季作物的难度。在大多数南方省份，水稻是更重要的夏收作物，这些地区的准确率低于北方省份。之前的一项研究也发现，使用 250 米的 MODIS 数据集识别作物分布时，玉米的识别精度与水稻和冬小麦相比最低[32]。因此，仅使用一种指数的时间序列不足以完全区分玉米和其他夏收作物。进一步的研究应调查玉米与其他夏季作物在植被指数或表面反射率上的差异，以提高分类精度。一些不同作物类型的比较研究表明，玉米的反射率与其他主要作物相比存在明显差异[46-48]，可利用这些差异将玉米与其他夏收作物区分开来。

结论

本研究旨在利用时间加权动态时间扭曲法绘制中国 30 米空间分辨率的玉米分布图。本研究基于陆地卫星和哨兵数据集，识别了中国 22 个省份 2016 年至 2020 年的玉米分布图，覆盖了中国 99% 的玉米种植面积。利用 18800 个田间调查样本和县级普查区检验了识别的准确性。分布图很好地显示了所有 22 个省的玉米种植位置。然而，卫星数据的质量在很大程度上决定了玉米物候信息检索的有效性，而物候信息又在很大程度上决定了分类的准确性。总的来说，这项研究绘制了一幅 30 米的中国玉米地图。这种方法只需要少量的实地调查数据，因此可以每年更新玉米的种植面积。

引用

A 30 m Resolution Distribution Map of Maize for China Based on Landsat and Sentinel Images. J Remote Sens. 2022;2022:DOI:10.34133/2022/9846712

​

网址推荐

0代码在线构建地图应用

Mapmost login

机器学习

https://www.cbedai.net/xg