冬小麦是我国重要的粮食作物之一，其产量和种植面积在粮食作物中位居前列。当前中国耕地保护形势严峻，国内粮食产量增速放缓，粮食进口量上升，对外依存度不断增加。农作物遥感识别是实现作物产量预测的前提与基础，是农业遥感关注的核心问题之一。准确快速地获取冬小麦的种植面积可以为农业部门制定粮食政策、调整农作物种植结构、管理农业生产等提供指导。

当前的研究主要利用植被指数影像与农作物长势的时序互动规律，通过随机森林、支持向量机、卷积神经网络等监督分类方法对作物种植面积提取。然而监督分类对训练样本的依赖性强，样本获取困难费力，且难以适用于种植结构复杂，景观异质性强的区域。针对上述关键问题，爱博lovebet1098教授解毅等人将冬小麦制图指数与自动阈值法相结合，开展了不依赖于大量样本，自动化程度高，分类结果稳定的冬小麦提取方法研究工作。研究成果以第一作者发表在《GIScience & Remote Sensing》。

本研究选取Sentinel-2遥感影像，使用GEE云计算平台合成冬小麦生长期内的月度EVI时序数据，并结合农作物长势规律，构建冬小麦指数对河南省冬小麦进行种植区域提取。结果表明冬小麦种植面积与统计年鉴数据高度相关，市级和县级的平均相对误差（MRES）分别为6.78%和19.87%，面积提取精度高、分类结果稳定，可以为大区域作物分布制图提供一定的技术参考。

解毅教授将继续从事农业遥感领域的相关研究工作，逐步形成具有原创性的大区域冬小麦面积提取、产量估测及预测体系，从而进一步推动定量遥感技术在农业领域的应用和发展。

论文信息

Yi Xie, Shujing Shi, Lan Xun & Pengxin Wang (2023) A multitemporal indexfor the automatic identification of winter wheat based on Sentinel-2 imagery time series,GIScience & Remote Sensing, 60:1, 2262833

论文链接

https://doi.org/10.1080/15481603.2023.2262833

作者简介

/info/1063/5224.htm

图 1. 从Sentinel-2真彩色合成影像上获取的部分样本示例：（a）冬小麦、（b）其他作物、（c）林地、（d）建筑用地和（e）水体

图2. 冬小麦、其他作物、林地、建筑用地和水体样本的EVI时间序列曲线和标准误差条。

图3. (a) 冬小麦指数（WWMI）影像与（b）河南省2020年冬小麦种植分布区域