土地利用数据|气象数据|社会经济数据|npp数据|ndvi数据-地理遥感生态网

一、背景介绍

土地是人类赖以生存与发展的重要资源和物质保障，在“人口－资源－环境－发展（PRED）”复合系统 中，土地资源处于基础地位。随着现代社会人口的不断增长以及工业化、城市化进程的加速，人类对土地资源的开发利用强度不断增大，对土地资源的不合理利用，导致了严重的水土流失和生态环境恶化，人类面临的土地利用问题较历史上任何时候都更为突出。土地利用现状分析是在土地利用现状调查的基础上进行的。通过对土地资源的数量与质量、结构与分布以及土地利用现状与开发潜力等方面的分析，明确规划区域内土地资源的整体优势与劣势、制约优势土地资源开发利用的主要因素，揭示土地利用中存在的问题，从而明确土地资源开发利用的方向和重点，提出改善土地利用、提高土地利用率和生产力的对策和途径，既可以发挥区域资源优势、强化区域土地系统功能，又强调人地协调发展的土地利用规划，为制定土地利用规划提供重要的科学依据。因此，进行土地利用现状分析，对促进土地利用结构的调整与优化、综合整治、保护土地、充分挖掘土地利用上的潜力以及保持国民经济的持续健康发展等都具有十分重要的意义。

全国大宗农作物产品是指在商品农业经济结构中占有较大权重，生产量、消费量、贸易量、运输量等较大的农作物产品。目前，我国主要的大宗农作物产品包括小麦、玉米、水稻、大豆、棉花、油菜、橡胶、棕榈油等。

农产品作为一种消费产品，其种植面积、产量及价格牵涉面广，历来受到各界广泛关注。不仅如此，在经济全球化背景及我国大宗农产品市场化推动下，我国大宗农产品价格越来越受国际农产品市场的影响。

地理遥感生态网平台应中国石油大学（北京）的要求，对北京市基于Landsat遥感影像生产的2013年与2017年30m栅格土地利用及黑龙江省2000年、2010年与2015年1km栅格大豆种植面积空间分布数据提供技术服务，以满足客户项目及科研工作的需要。

二．案例详情

本次技术服务的核心土地利用数据是基于Landsat8-OLI遥感影像生产的北京市土地利用数据产品，包括耕地、林地、草地、水域、建设用地和未利用地在内的6个一级类，包括有林地、灌木林、疏林地、其他林地和高、中、低覆盖度草地等25个二级类型，具体土地利用分类内容及含义如附件中表1所示。本次技术服务主要流程如下：

1.数据获取与数据准备

本研究采用的遥感影像数据来自美国马里兰大学和中国科学院国际科学数据服务平台，均采用美国陆地卫星于2013年和2017年所拍摄的Landsat8- OLI30m遥感影像，云量均接近0%。本文的遥感影像成像时间不一致，根据瞬时状态下最大限度使图像上尽可能丰富地反映地表信息的原则，本次遥感调查主要选择5月下旬至6月中旬或8月下旬至9月中旬的图像，由于地物信息较清楚，由此带来的地物反射光谱差异显著，容易识别，影像解译比较容易。

2.数据预处理

在对影像数据进行分类解译之前，首先要对数据做预处理工作，主要步骤有:

    （1）波段选择及融合

本文采用最佳指数法（Optimum Index Factor，简称）和特征值法相结合，共同确定了最佳波段组合，也就是 Landsat8-OLI5、4、3波段，分别赋予红、绿、蓝色作为标准假彩色合成的RGB波段。这一假彩色影像最关键的是突出了植被特征，并且能提供丰富的信息，能充分显示各种地物特征的差别，便于分类，可以保证分类的准确性。

    （2）图像几何校正与配准

本次技术服务采用的Landsat系列图像已经在中国遥感卫星地面站进行过辐射校正和几何粗校正，但为了使研究结果更加的科学、可信，则必须的对影像进行几何精校正。几何精校正是利用地面控制点(Ground control Point，GPC)对由各种随机因素引起的遥感图像进行几何畸变的校正。本研究以研究区的地形图作为参考图像，必要时辅以实地考察的GPS点，采用多项式几何纠正计算模型，对遥感影像进行几何精校正。

    （3）图像增强处理

传感器获取的遥感图像含有大量地物特征信息，在图像上这些特征信息以灰度形式表现出来，当地物特征间表现的灰度差很小时，目视判读就无法辨认，图像增强处理是的目的在于突出图像中有用的信息，扩大不同图像特征之间的差别，从而提高对图像的解译和分析能力。遥感数字图像增强处理一般可分为两大类：频域法和空间域法。本文主要采用空间域图像增强方法，其遵循视觉效果比较好、计算相对简单、合乎应用要求的原则。另外，在后面遥感图像分类的新波段变量构造部分还应用了NDVI指数以区分植被和非植被以提高分类精度。

    （4）影像拼接与裁剪

本案例中的研究区域为北京市，则遥感影像数据需要覆盖整个研究区，因此需要进行影像拼接，进行拼接时首先要参照某一遥感影像，将其它遥感影像进行直方图匹配处理，使得所有用到的遥感影像具有基本一致的色调，然后再将要用到的影像进行无缝的拼接处理，之后经过裁剪得到覆盖整个研究区的遥感影像。

3.分类方法

本次服务是基于Landsat等遥感信息基础上，在多位专家的参与下，采用全数字人机交互作业方法，同时参照有关地理图件和统计资料，结合外业实地考察验证，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，并在综合各位专家意见后，建立遥感影像解译标志。在内业建立解译标志与实现数据获取的基础上，不断的对解译模板进行修改，直到修改的模板经过评价以后比较满意为止，以提高土地利用/覆盖类型精度。动态图斑数据主要采用“动态分割图斑法”。参照国内外现有土地利用/土地覆盖 的分类体系，结合本项目的开展的目的和要求以及遥感信息源的情况，制定了有6个一级分类，25个二级分类的土地利用/土地覆盖分类体系。

在分类过程中，由于遥感图像自身的空间分辨率，同物异谱以及异物同谱现象广泛存在，所以错分和误分的情况很常见，因此对分类结果要做进一步的处理工作，也就是去除小图斑的工作，我们常称之为分类后处理。常用的分类后处理方法有：聚类统计（Clump）、过滤分析（Sieve）、去除分析（Eliminate）和分类重编码（Recode）等。

4.质量控制与检查

各工序过程质量按要求进行过程检查 ,需100%检查。

土地利用/覆盖数据抽样检查

对获取的土地利用/覆盖数据产品进行空间抽样检查，验证土地利用/覆盖数据类型定性是否正确。验证的方式主要依靠高分影像（要考虑影像的时效性）与野外实地验证相结合的方式作业，未达到抽样精度90%的重新修正数据。

5.技术服务成果展示如下图1

图.1北京市2017年土地利用现状图

        附件:

  表1  土地利用分类内容及含义

地理国情监测云平台提供的农作物种植空间分布数据，是以不同品种农作物的种植规律、物候特征、生长特性等为基础，建立不同品种农作物遥感识别的模型，选取适宜时相、适宜分辨率的遥感影像（主要数据源为Landsat和MODIS卫星遥感影像），进行信息提取，得到不同品种农作物种植的空间分布范围，做成多种尺度栅格数据，用于满足不同的分析应用需求。

本次大豆种植面积空间分布数据技术服务主要流程如下：

1.数据制作流程

    本次数据产品服务主要分为5个阶段，分别是数据准备、分类体系建立、解译标志建立、分类解译阶段和对解译结果的精度检查如图1所示。

            图1. 数据制作流程                    

2.技术服务成果展示

   本次产品加工技术服务成果如图2.所示：

图2.黑龙江省2015年大豆种植面积空间分布图