基于分层抽样水稻种植面积回归估计.docVIP

基于分层抽样水稻种植面积回归估计 　　摘要：随着农业统计需求和遥感技术的发展，中国农业部即将使用中分辨率遥感数据开展中国主要农作物的全覆盖遥感调查，如何修正全覆盖调查结果使其更接近农作物面积真值是需要研究的问题。以水稻为例，在区域尺度上利用基于样本无人机数据解译得到的水稻种植面积修正基于中分辨率数据解译得到的水稻种植面积，分别比较分层分别回归估计和分层合并回归估计，利用基于全覆盖无人机数据解译得到的水稻种植面积验证回归估计值。在给定5%误差和95%置信水平下，抽样比为036%（最小样本量公式换算）的抽样结果表明：（1）2种方法的估计精度都大于95%；（2）合并比估计的精度好于分别比估计。 　　关键词：水稻种植面积；中分辨率数据；无人机数据；分层抽样；回归估计 　　中图分类号： S127文献标志码： 　　文章编号：1002-1302（2017）16-0206-05 　　收稿日期：2016-10-11 　　基金项目：国家自然科学基金（编号；国家重点研发计划（编号：2016YFB0501505）。 　　作者简介：申克建（1982―），男，河北廊坊人，博士，工程师，研究方向为农业遥感。E-mail：ashenkejian@126com。 　　农作物面积是各级管理部门进行生产指导、农业补贴、农业保险核查等决策的重要依据，也是农作物产量预测和环境管理等研究的重要依据。这些管理和研究需要解决的重要问题是提高农作物面积估算精度。遥感技术结合地理信息系统（GIS）和全球定位系统（GPS）等现代地球信息技术能提供及时、客观的农作物面积信息。目前，30 m格网尺度、20～30个类别的土地覆盖类型监测总体精度大约在80%～85%之间，高分辨数据的分类精度超过95%[2-3]。随着地球资源卫星对地观测能力不断提高，中分辨率数据（10～60 m）正逐渐可以保证大尺度全覆盖，但是由于混合像元等问题不能满足农业统计等行业应用的精度要求[4]。高分辨率数据（5 m）可以得到符合要求的行业应用精度，但它受幅宽和重访周期的局限，无法满足调查区域的影像全覆盖，甚至不能提供满足抽样要求的影像[5]。在3S技术（指遥感、地理信息系统、全球定位系统）的支持下，遥感和抽样调查相结合的空间抽样调查方法得到了广泛应用，地面调查是获取抽样样本的重要手段，但地面调查存在强度大、费用高等不足。近些年来，无人机被广泛应用于民用领域，它具有机动、灵活的特点，有降低地面调查强度和保障高分辨数据获取的优势。Laliberte 等应用无人机遥感数据进行牧场监测，证明无人机遥感数据可以补充或者替代部分地面调查数据[8]。Breckenridge研究证明，无人机可以在较短的时间内采集大范围影像，比地面调查的效率高很多，他预见无人机对牧草地监测的影响，将像全球定位系统影响导航和野外数据采集一样[9]。 　　目前遥感与抽样相结合的空间抽样方案设计被广泛应用[10-13]。例如，美国农业部现行农作物面积估算方法是将遥感全覆盖结果和6月调查结果进行回归分析，回归模型是Y=a+b×X。其中Y是估计面积；X是全覆盖作物遥感分类面积（cropland data layer classified acres，?称CDL），6月调查数据是全美11 000个地块的地面调查信息（约占国土面积 250%，耕地地块约为161 km2，城市区域地块约为 016 km2，未利用地块为 644～1288 km2）；a和b是基于6月调查数据和CDL样本数据使用最小二乘法得到的[14]。孙佩军等使用分层分别回归估计估算河南省冬小麦面积，使用无人机解译的冬小麦面积样本进行事后分层，辅助信息来自全覆盖中分辨率数据（Landsat TM5和HJ）解译的冬小麦面积[15]。 　　随着农业统计需求和遥感技术的发展，中国农业部即将使用中分辨率遥感数据开展中国主要农作物的全覆盖遥感调查，如何修正全覆盖调查结果使其更接近农作物面积的真实值是需要研究的问题。本研究以水稻作物为例，研究在区域尺度上利用基于样本无人机数据解译得到的水稻种植面积修正基于中分辨率数据解译得到的水稻种植面积，旨在为修正中分辨率全覆盖遥感调查结果提供参考抽样方法。 　　1材料与方法 　　11研究数据 　　研究数据位于江苏省盐城市，选取理由：（1）该区域位于水稻主产区；（2）在水稻生长季节内获取了无云覆盖的光学遥感数据SPOT5；（3）该区域不是无人机禁飞区。 　　研究数据主要包括无人机数据和SPOT5多光谱数据。无人机数据拍摄于2014年9月24日至2014年9月27日，经过处理后覆盖面积12 16600 hm2，一共5条样带，每条样带长度约300 km，宽度07～10 km，通过人工目视解译得到水稻种植面积5 23774 hm2