通讯!各类农作物分布遥感监测数据大全

最近收集整理了大量的农作物分布的遥感监测数据,废话不多说,分享给大家,后面会持续更新!!

数据查看地址:


(相关资料图)

/%e9%81%a5%e6%84%9f%e8%a7%a3%e8%af%91%e5%90%8e%e6%88%90%e6%9e%9c%e6%95%b0%e6%8d%ae/%e5%86%9c%e4%bd%9c%e7%89%a9%e5%88%86%e5%b8%83%e6%95%b0%e6%8d%ae/

1、1985-2020年中国玉米主产区30米空间分辨率物候数据产品

30米空间分辨率和36年长时序逐年动态的中国玉米主产区物候产品。是以1985-2020年的美国陆地卫星数据为基础数据,基于谷歌地球引擎(GEE)平台进行研发。首先通过谐波拟合模型进行多年均态物候指标提取,并区分种植模式(春玉米和夏玉米),再将逐年数据与多年平均态数据进行对比,从而获取逐年物候动态数据。

2、2007至2015年中国冬小麦主产区地上生物量数据集

作为表征作物生长过程的关键变量,AGB在作物管理和生产中发挥着重要作用。基于过程的作物生长模型和遥感反演是作物 AGB 估算的两种重要科学方法。 2007 年至 2015 年中国主要冬小麦产区的 1 km 逐日AGB数据集。与地面实测数据相比,具有较好的一致性,R2在以上,均方根误差(RMSE)达到1377 kg·ha-1。与2007-2015年县级统计数据相比,R2、RMSE和平均绝对百分比误差(MAPE)的范围分别为~、953~1503 kg·ha-1和8%~12%。数据集可用于区域农业生产管理和产量估算的相关研究。

3、2015-2021年中国种植模式数据

数据说明:

复种是一种通过多种作物的轮作来强化作物生产的方法。带有作物描述的种植强度图对于可持续的农业管理非常重要。中国作为人口最多的国家,谷物产量在全球排名第一,复种的面积比例是全球平均水平的两倍。然而,中国没有可靠的更新的全国范围的种植模式地图。在此,我们提出了最新的基于物候学的算法和基于像素纯度的阈值,提供了中国首个基于MODIS的年度500m中国作物种植模式地图。这些地图提供了三种主要作物(玉米、水稻和小麦)的种植强度描述。基于地面实况数据,所绘制的种植模式图达到了89%的总体准确率,并与统计数据有良好的一致性(R2≥),中国耕作模式图(ChinaCP)

该数据集在 figshare 存储库中以 Geotiff 格式提供,数据集大小为。此数据集的空间坐标系为 EPSG:4326(WGS1984)。ChinaCP地图产品中类的编号不超过三位。代码的含义如下: “0”是“休耕”; “14”是“单一玉米”; “15”是“单一水稻”; “16”是“单一小麦”; “17”是“单一其他作物”; “245”是“水稻加玉米”; “246”是“小麦加玉米”; “255”是“双稻”; “256”是“小麦加水稻”; “277”是“其他双季作物”; “3”是“三季作物”。

属性说明:

(ⅰ). 我们在这里分享了六个包,“ChinaCP”、“ChinaCP DA”、“CPM”、“CropMappingCode”、“Refer”和“CCalendar”。

(ⅱ). 在“ChinaCP”软件包中,我们提供了2015年至2021年的中国种植模式数据。数据以Geotiff格式显示。对于每个数据,代码的含义如下:“0”是“休耕”;“14”是“单一玉米”;“15”是“单一大米”;“16”是“单一小麦”;“17”是“单身的其他人”;“245”是“大米加玉米”;“246”是“小麦加玉米”;“255”是“双米”;“256”是“小麦加大米”;“27”是“其他双季制”;“3”是“三熟制”。

(ⅲ). 在“ChinaCP DA”包中,我们提供了2015年至2021年的数据质量层。数据以Geotiff格式显示。对于每个数据,代码“1”表示观测的有效数量超过70%;代码“2”表示有效观测次数超过50%;代码“3”表示观测的有效数量小于50%。

(ⅳ). 在“CPM”软件包中,我们提供了基于2020年GlobeL30数据的每个MODIS像素的耕地百分比图。

(ⅴ). 在“CropMappingCode”软件包中,我们提供了用于作物分类的Matlab代码。

每个代码文件的用途如下:

文件“decloud_QA”是一个用于减少云影响的函数。

文件“加密”是一种用于对数据进行插值的功能,可以减少数据丢失的影响。

文件“Fan_peaks”是一个用于查找数据序列峰值的函数。

文件“WS”是一个用于平滑数据序列的函数。

文件“FindLocMax”是一个用于通过连续小波变换找到局部最大值的函数。

文件“玉米”是用于映射玉米的核心代码。

文件“Rice”是用于映射Rice的核心代码。

文件“小麦”是用于绘制小麦图的核心代码。

文件“裁剪强度”是用于识别裁剪强度的核心代码。

(ⅵ). 在“参考”文件包中,我们提供了参考数据以供验证。数据以形状文件格式显示。对于每个数据,代码的含义如下:“4”是玉米,“5”是水稻,“6”是小麦,“7”是其他作物。年份的含义显示了用于验证的参考数据的时间。

(ⅶ). 在“CCalendar”软件包中,我们提供了中国小麦的预计抽穗期和早期生长长度。数据以Geotiff格式显示。提供了新疆、甘肃、内蒙古、黑龙江、吉林、辽宁等6个北方省份春小麦的作物日历(抽穗期和早期生长长度)。为中部和南部省份提供了冬小麦的作物日历(抽穗日期和早期生长长度)。

4、2017-2019年东北亚和东南亚高分辨率年度水稻地图

一份准确的水稻图谱对于确保粮食安全至关重要,特别是对于东南亚和东北亚。MODIS卫星数据可用于大陆尺度的水稻制图,但由于空间分辨率较低,存在混合像元问题。为了减少混合像素,将Sentinel-1时间序列数据与MODIS数据相结合,生成2017-2019年东南亚和东北亚的年度水稻地图(NESEA-Rice10)。水稻图谱与农业统计数据之间的线性决定系数(R2)在 ~ 之间。2017年越南(R2 = )和中国东北(R2 = )水稻种植面积与现有地图在空间上基本一致。2017-2019年水稻复合图的空间分布与国际水稻研究所的水稻图一致。

通过整合MODIS和Sentinel-1数据,构建了为期3年(2017-2019年)的东南亚和东北亚洲水稻地图数据库(neea - rice10),空间分辨率为10 m。

5、2017-2022年中国单季水稻(10m20m)高分辨率分布数据

数据来源

Google Earth Engine云计算平台,Sentinel-2遥感影像

数据产生或加工方法

首先基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了多维时间序列分类特征集;结合地面调查和Collect Earth、历史时期谷歌高清影像和目视解译的方法收集大量的地面样本点;然后利用随机森林模型、特征优选算法,自2017年起逐年绘制作物类型分布图;最后,利用历史时期的分类模型和分类器迁移思想,实现无样本年份农作物信息提取。

数据空间投影

Projected Coordinate System:WGS_1984 _UTM_Zone_51N Geographic Coordinate System:WGS_1984、、、、,玉米R2 分别为、、、,大豆R2 分别为、、、。

6、GEE提取东北地区长时(2013-2021)序主要作物(玉米、水稻、大豆)数据(30米分辨率)

作为中国重要的粮仓之一,东北对于中国的粮食安全起着至关重要的作用。为了应对粮食需求和土壤保护的挑战,东北已经实行了轮作和免耕,这些政策的实施也引起了年际作物种植面积和分布的变化。为了更好的在区域尺度对作物种植类型进行时序监测,基于六边形策略和分块分类的自动样本采样的随机森林分类方法。利用该方法,利用Landsat-8影像进行了东北地区2013-2021年长时序作物分类。通过与统计数据对比,该作物制图有较高的一致性,并且有较高的总体精度。

数据精度:根据混淆矩阵得知,从2013年到2021年的所有分类结果,OA均高于,平均 OA 为 ,Kappa系数从到不等。

原始影像:Landsat-8影像

时间:2013-2021

地区:东北

数据分辨率:30m

作物类型:玉米、大豆、水稻

7、东北地区10m分辨率主要作物分布数据集(2017-2019年)

东北地区10m分辨率主要作物分布数据集(2017-2019年)基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了一种适用于东北地区的作物分类框架,采用“分层分区全时序”策略实现全区主要作物信息提取。首先,基于Sentinel-2遥感影像构建了多维时间序列分类特征;其次,结合地面调查和Collect Earth、历史时期谷歌高清影像和目视解译的方法收集大量的地面样本点;然后,利用随机森林模型、特征优选算法,逐年绘制自2017年起10m分辨率的作物类型分布图。该套数据集地面精度验证较高,与统计数据在市级尺度上吻合度高。通过地面样本点计算混淆矩阵进行数据精度验证,2017-2019年验证精度分别为:总体精度(OA)=81%、81%、87%。通过与统计数据在市级尺度上对比进行交叉验证,2017-2018年在市级尺度上对比结果为:水稻R2 分别为、,玉米R2 分别为、,大豆R2 分别为、。

数据来源

Google Earth Engine云计算平台,Sentinel-2遥感影像

数据产生或加工方法

基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了一种适用于东北地区的作物分类框架,采用“分层分区全时序”策略。首先分层,先提取耕地,然后在耕地图层上识别不同作物类型。然后分区,基于农业区划方案,在每个农业气候区内单独训练分类模型。最后利用插值和平滑技术构建作物生长季内完整的遥感时间序列,并利用特征优选算法遴选最优分类特征,最终得到东北地区2017-2019年逐年10m分辨率的作物类型空间分布数据集。

数据空间投影

Geographic Coordinate System:WGS_1984

数据质量说明

通过地面样本点计算计算混淆矩阵进行数据精度验证,2017-2019年验证精度分别为:总体精度(OA)=81%、81%、87%。通过与统计数据在市级尺度上对比进行交叉验证,2017-2018年在市级尺度上对比结果为:水稻R2 分别为、,玉米R2 分别为、,大豆R2 分别为、。

8、三大作物(玉米、水稻、小麦)分布面积监测数据(2000-2015,分辨率1km)

时间范围:2000-2015

数据分辨率:1km

作物类型:水稻、玉米、小麦

空间范围:全国

概述:将中国土地利用现状遥感监测数据的旱地层和水田层分别用于提取旱地作物(玉米、小麦)和水稻,并根据每种作物定义的三个关键物候期能同时提取出来的条件确定作物的种植格点。

水稻主要广泛分布在东北平原、长江中下游平原、四川、云贵高原梯田和珠江三角洲。小麦的分布更为集中,主要在华北平原和四川。相比于水稻和小麦,玉米的分布横跨整个中国,包括东北、华北和西南地区。

9、 三大作物(玉米、水稻、小麦)物候1K监测数据(2000-2015,分辨率1km)

基于全球陆地表面卫星(GLASS)叶面积指数(LAI)产品,即ChinaCropPhen1km,为2000年至2015年间的三个主要作物制作了1公里网格作物物候数据集。这个数据集提供了中国稻谷、小麦和玉米这三种主要作物在2000年至2015年期间的1公里网格作物物候数据。

数据格式为:tif

包括玉米、小麦、水稻(SR&ER)和水稻(LR),其中水稻(SR&ER)表示单季稻和早季稻,水稻(LR)表示仅有晚季稻。

作物物候阶段:

GR&EM:小麦的幼苗和出苗日期;

V3:玉米的三叶期阶段;

TR:水稻的插秧日期;

HE:所有作物的抽穗日期;

MA:所有作物的成熟日期。

数值范围:从2000年到2015年。

10、中国冬小麦种植分布数(2016-2020年,30米,全国、tif)

本数据集用基于时间权重的动态时间规划方法,通过比较已知冬小麦田块和未知地物类型的季节变化曲线的相似程度,得出了 2016–2020 年全国 11 个省(种植面积占全国冬小麦面积的99%以上) 30 米空间分辨率的冬小麦种植面积。经过野外调查样本的验证,冬小麦识别总体精度达到 %,生产者精度和用户精度分别为 %和 %。

基本信息

最新发布日期: 2020-09-09

存储量:

存储类型: 栅格图像

学科分类: 测绘科学技术>摄影测量与遥感技术

时间范围: 2016-2020年

空间范围: 全国

11、中国甘蔗分布数据(2016-2020,30米,全国、tif)

中国的甘蔗主要种植在中国南部,从秦岭北部到海南南部。如图1所示,我们在中国95%以 。上的种植区鉴定了甘蔗,包括广西(%)、云南(%)、广东(%)和海南(%)。其中广西是中国甘蔗产地,约占全国甘蔗产量的65%。在这些省份中,主要产区分布 在广西中南部、云南西南部、广东西部和海南西部。

利用陆地卫星-7/8、哨兵-1和哨兵-2图像来识别中国的甘蔗种植区 。从2016年至 2020年,利用SR和TOA数据,以30 m的空间分辨率绘制了中国的甘蔗地图。对野外样本和农业统 计数据的验证表明,该地图的准确性较高。

12、中国灌溉农田分布数据(2016年,500米)

灌溉是最重要的农田管理措施之一,对决定作物产量起着重要作用。2016年东北地区灌溉田主要分布在三个冲积平原(松嫩 、辽河、三江平原)和三江(松花江、五苏里、黑龙江)的河谷。由于近10年灌溉农田向北扩张,黑龙江省占三个省总灌溉面积的近%。

13、中国双季水稻种植分布图(2016-2020年,10米,全国、各省)

空间分辨率:10米

ER:早稻

LR:晚稻

AH:安徽省

FJ:福建省

GD:广东省

GX:广西壮族自治区

HaiN:海南省

HuB:湖北省

HuN:湖南省

JX:江西省

ZJ:浙江省

14、中国玉米种植分布图(2016–2020年,30米,全国)

玉米是中国重要的粮食作物之一,对粮食安全有着重要影响。当前中国还没有一个全国范围的30m分辨率的玉米种植图。该研究使用基于时间权重的动态时间规划法(TWDTW),绘制了2016–2020年全国22个省份的30m分辨率玉米种植图,平均生产者精度与用户精度分别达到%和%。

使用Landsat与Sentinel-2卫星的反射率产品来计算获得研究区域内半月合成的30m分辨率的NDVI。数据经过去云,线性插值、SG滤波获得平滑的NDVI时间序列。从每个省的样本点中随机选择50个玉米像元,将这些像元的时间序列的平均曲线作为该省份的标准NDVI曲线,并使用TWDTW方法计算每个像元的NDVI时间序列与标准曲线的差异。TWDTW方法是将两条时间序列非线性对齐,获取它们在最相似的情形下的差异大小。通过省级统计面积确定差异的阈值,小于该阈值的像元将被识别为玉米,被识别的玉米像元的面积总和等于省级统计面积。为进一步检验该方法的可扩展性,研究使用2019年的标准曲线识别所有年份(2016–2020年)的玉米种植位置以及野外调查数据和县级统计年鉴对结果进行验证。

说明:数据也可在关键词中搜索查找

关键词:

推荐DIY文章
主机存在磨损或划痕风险 PICO4便携包宣布召回
穿越湖海!特斯拉Cybertruck电动皮卡可以当“船”用
vivoXFold+折叠旗舰开售 配备蔡司全焦段旗舰四摄
飞凡R7正式上市 全系标配换电架构
中兴Axon30S开售 拥有黑色蓝色两款配色
荣耀MagicBookV14 2022正式开售 搭载TOF传感器
it