基于MODIS数据的水稻种植面积提取研究进展.docx

基于MODIS数据的水稻种植面积提取研究进展
摘要
水稻是世界上最重要的粮食作物之一，其种植面积和产量对于保障全球粮食安全具有重要意义。以遥感数据为基础的水稻种植面积提取方法，具有快速、高效、精度高的优点，因此得到了广泛应用。本文总结了国内外基于MODIS数据的水稻种植面积提取研究进展，包括基于传统阈值法、指数法和机器学习等方法的研究，针对其特点和不足提出了一些改进方案。同时，对未来的水稻种植面积提取研究进行了展望。
关键词：水稻种植面积提取；MODIS数据；遥感；阈值法；指数法；机器学习
Abstract
Riceisoneofthemostimportantfoodcropsintheworld.Itsplantingareaandproductionareofgreatsignificanceforensuringglobalfoodsecurity.Thericeplantingareaextractionmethodbasedonremotesensingdatahastheadvantagesofrapid,efficientandhighaccuracy,andhasbeenwidelyused.ThispapersummarizestheresearchprogressofriceplantingareaextractionbasedonMODISdataathomeandabroad,includingtraditionalthresholdmethod,indexmethod,machinelearningandothermethods.Italsoputsforwardsomeimprovementschemesfortheircharacteristicsanddeficiencies.Atthesametime,thefutureresearchonriceplantingareaextractionisprospected.
Keywords:riceplantingareaextraction;MODISdata;remotesensing;thresholdmethod;indexmethod;machinelearning
一、引言
水稻是我国的主要粮食作物之一，其种植面积和产量对于保障我国粮食安全具有重要意义。如何快速准确地提取出水稻的种植面积，是农业生产管理和政策制定的基础和前提。而水稻的种植面积提取，传统的调查方法耗时费力、精度不高，因此寻找一种高效准确的水稻种植面积提取方法变得尤为重要。
随着遥感技术的不断发展，其在农业生产中的应用也越来越广泛。MODIS（ModerateResolutionImagingSpectroradiometer）是一颗载荷为36个波段的传感器，其覆盖范围广泛，时空分辨率适中，被广泛应用于植被覆盖度、陆地表面温度和地表反照率等方面的研究。因此，基于MODIS数据的水稻种植面积提取也成为了研究的热点之一。
本文将综述国内外关于基于MODIS数据的水稻种植面积提取研究的进展，包括研究方法、模型算法、数据处理流程等内容，并对其特点和不足进行分析，提出一些改进方案。同时，对未来的研究进行了展望，以期为相关人员提供参考和借鉴。
二、研究方法
近年来，基于MODIS数据的水稻种植面积提取研究呈现出多样化的趋势，主要包括传统的阈值法、指数法和机器学习等方法。
2.1阈值法
阈值法是一种最为简单的分类方法，其基本思想是根据一定的阈值来将图像中不同的像元进行分类，通常将类别分为植被和非植被两类。在研究水稻种植中，阈值法常用于基于植被指数（如归一化植被指数和归一化差值植被指数）对影像进行分类。
国内研究中，江苏省水稻种植区域水稻种植面积提取采用最大类间方差法自动判阈值进行分类，得到的分类结果准确率较高（98.5%）。[1]外国学者对于印度尼西亚林加雷村的试验区，应用阈值和迭代分类方法，在最优阈值的基础上对影像进行分割，调整分割结果的阈值，得到了91.6%的精度。[2]
2.2指数法
指数法是一种将数据指标化的方法，它不同于阈值法的固定阈值，而是将数据指标化为[0,1]之间，再通过极值分割或者降维分类等方法进行分类。通常使用的指数包括归一化植被指数、水体指数、植被指数水体指数等。
国内学者应用NDVI-RVI指数法提取松花江流域水稻种植面积，得到了94.3%的精度。[3]外国学者将土地表面温度、归一化植被指数和反射率等数据进行指数化处理，采用最小距离分类、最大似然分类和K-最近邻分类，取得了85.1%至92.7%的精度。
2.3机器学习
机器学习是一种通过训练数据让模型自主学习和优化的方法，以此得到一种适用于新数据的模型。常见的机器学习算法包括支持向量机、随机森林和神经网络等。