各類農作物分布遙感監(jiān)測數(shù)據(jù)大全
最近收集整理了大量的農作物分布的遙感監(jiān)測數(shù)據(jù)，廢話不多說，分享給大家，后面會持續(xù)更新?。?/span>
數(shù)據(jù)查看地址：
https://www.dilitanxianjia.com/%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年中國玉米主產區(qū)30米空間分辨率物候數(shù)據(jù)產品
? ? ? ?30米空間分辨率和36年長時序逐年動態(tài)的中國玉米主產區(qū)物候產品。是以1985-2020年的美國陸地衛(wèi)星數(shù)據(jù)為基礎數(shù)據(jù)，基于谷歌地球引擎（GEE)平臺進行研發(fā)。首先通過諧波擬合模型進行多年均態(tài)物候指標提取，并區(qū)分種植模式（春玉米和夏玉米），再將逐年數(shù)據(jù)與多年平均態(tài)數(shù)據(jù)進行對比，從而獲取逐年物候動態(tài)數(shù)據(jù)。
2、2007至2015年中國冬小麥主產區(qū)地上生物量數(shù)據(jù)集
? ? ? ?作為表征作物生長過程的關鍵變量，AGB在作物管理和生產中發(fā)揮著重要作用?；谶^程的作物生長模型和遙感反演是作物 AGB 估算的兩種重要科學方法。 2007 年至 2015 年中國主要冬小麥產區(qū)的 1?km 逐日AGB數(shù)據(jù)集。與地面實測數(shù)據(jù)相比，具有較好的一致性，R2在0.9以上，均方根誤差（RMSE）達到1377?kg·ha-1。與2007-2015年縣級統(tǒng)計數(shù)據(jù)相比，R2、RMSE和平均絕對百分比誤差（MAPE）的范圍分別為0.73~0.89、953~1503?kg·ha-1和8%~12%。數(shù)據(jù)集可用于區(qū)域農業(yè)生產管理和產量估算的相關研究。
3、2015-2021年中國種植模式數(shù)據(jù)
數(shù)據(jù)說明：
? ? ? ?復種是一種通過多種作物的輪作來強化作物生產的方法。帶有作物描述的種植強度圖對于可持續(xù)的農業(yè)管理非常重要。中國作為人口最多的國家，谷物產量在全球排名第一，復種的面積比例是全球平均水平的兩倍。然而，中國沒有可靠的更新的全國范圍的種植模式地圖。在此，我們提出了最新的基于物候學的算法和基于像素純度的閾值，提供了中國首個基于MODIS的年度500m中國作物種植模式地圖。這些地圖提供了三種主要作物（玉米、水稻和小麥）的種植強度描述?；诘孛鎸崨r數(shù)據(jù)，所繪制的種植模式圖達到了89%的總體準確率，并與統(tǒng)計數(shù)據(jù)有良好的一致性（R2≥0.89）,中國耕作模式圖（ChinaCP）
? ? ? ?該數(shù)據(jù)集在 figshare 存儲庫中以 Geotiff 格式提供，數(shù)據(jù)集大小為112.81Mb。此數(shù)據(jù)集的空間坐標系為 EPSG：4326（WGS1984）。ChinaCP地圖產品中類的編號不超過三位。代碼的含義如下: “0”是“休耕”; “14”是“單一玉米”; “15”是“單一水稻”; “16”是“單一小麥”; “17”是“單一其他作物”; “245”是“水稻加玉米”; “246”是“小麥加玉米”; “255”是“雙稻”; “256”是“小麥加水稻”; “277”是“其他雙季作物”; “3”是“三季作物”。
屬性說明：
? ? ? ?(ⅰ). 我們在這里分享了六個包，“ChinaCP”、“ChinaCP DA”、“CPM”、“CropMappingCode”、“Refer”和“CCalendar”。
? ? ? ?(ⅱ). 在“ChinaCP”軟件包中，我們提供了2015年至2021年的中國種植模式數(shù)據(jù)。數(shù)據(jù)以Geotiff格式顯示。對于每個數(shù)據(jù)，代碼的含義如下：“0”是“休耕”；“14”是“單一玉米”；“15”是“單一大米”；“16”是“單一小麥”；“17”是“單身的其他人”；“245”是“大米加玉米”；“246”是“小麥加玉米”；“255”是“雙米”；“256”是“小麥加大米”；“27”是“其他雙季制”；“3”是“三熟制”。
? ? ? ?(ⅲ). 在“ChinaCP DA”包中，我們提供了2015年至2021年的數(shù)據(jù)質量層。數(shù)據(jù)以Geotiff格式顯示。對于每個數(shù)據(jù)，代碼“1”表示觀測的有效數(shù)量超過70%；代碼“2”表示有效觀測次數(shù)超過50%；代碼“3”表示觀測的有效數(shù)量小于50%。
? ? ? ?(ⅳ). 在“CPM”軟件包中，我們提供了基于2020年GlobeL30數(shù)據(jù)的每個MODIS像素的耕地百分比圖。
? ? ? ?(ⅴ). 在“CropMappingCode”軟件包中，我們提供了用于作物分類的Matlab代碼。
? ? ? ?每個代碼文件的用途如下：
? ? ? ?文件“decloud_QA”是一個用于減少云影響的函數(shù)。
? ? ? ?文件“加密”是一種用于對數(shù)據(jù)進行插值的功能，可以減少數(shù)據(jù)丟失的影響。
? ? ? ?文件“Fan_peaks”是一個用于查找數(shù)據(jù)序列峰值的函數(shù)。
? ? ? ?文件“WS”是一個用于平滑數(shù)據(jù)序列的函數(shù)。
? ? ? ?文件“FindLocMax”是一個用于通過連續(xù)小波變換找到局部最大值的函數(shù)。
? ? ? ?文件“玉米”是用于映射玉米的核心代碼。
? ? ? ?文件“Rice”是用于映射Rice的核心代碼。
? ? ? ?文件“小麥”是用于繪制小麥圖的核心代碼。
? ? ? ?文件“裁剪強度”是用于識別裁剪強度的核心代碼。
? ? ? ?(ⅵ). 在“參考”文件包中，我們提供了參考數(shù)據(jù)以供驗證。數(shù)據(jù)以形狀文件格式顯示。對于每個數(shù)據(jù)，代碼的含義如下：“4”是玉米，“5”是水稻，“6”是小麥，“7”是其他作物。年份的含義顯示了用于驗證的參考數(shù)據(jù)的時間。
? ? ? ?(ⅶ). 在“CCalendar”軟件包中，我們提供了中國小麥的預計抽穗期和早期生長長度。數(shù)據(jù)以Geotiff格式顯示。提供了新疆、甘肅、內蒙古、黑龍江、吉林、遼寧等6個北方省份春小麥的作物日歷（抽穗期和早期生長長度）。為中部和南部省份提供了冬小麥的作物日歷（抽穗日期和早期生長長度）。
4、2017-2019年東北亞和東南亞高分辨率年度水稻地圖
? ? ? ?一份準確的水稻圖譜對于確保糧食安全至關重要，特別是對于東南亞和東北亞。MODIS衛(wèi)星數(shù)據(jù)可用于大陸尺度的水稻制圖，但由于空間分辨率較低，存在混合像元問題。為了減少混合像素，將Sentinel-1時間序列數(shù)據(jù)與MODIS數(shù)據(jù)相結合，生成2017-2019年東南亞和東北亞的年度水稻地圖(NESEA-Rice10)。水稻圖譜與農業(yè)統(tǒng)計數(shù)據(jù)之間的線性決定系數(shù)(R2)在0.80 ~ 0.97之間。2017年越南(R2 = 0.93)和中國東北(R2 = 0.99)水稻種植面積與現(xiàn)有地圖在空間上基本一致。2017-2019年水稻復合圖的空間分布與國際水稻研究所的水稻圖一致。
? ? ? ?通過整合MODIS和Sentinel-1數(shù)據(jù)，構建了為期3年(2017-2019年)的東南亞和東北亞洲水稻地圖數(shù)據(jù)庫(neea - rice10)，空間分辨率為10 m。
5、2017-2022年中國單季水稻（10m20m）高分辨率分布數(shù)據(jù)
數(shù)據(jù)來源
Google Earth Engine云計算平臺，Sentinel-2遙感影像
數(shù)據(jù)產生或加工方法
首先基于Google Earth Engine云計算平臺和Sentinel-2遙感影像構建了多維時間序列分類特征集；結合地面調查和Collect Earth、歷史時期谷歌高清影像和目視解譯的方法收集大量的地面樣本點；然后利用隨機森林模型、特征優(yōu)選算法，自2017年起逐年繪制作物類型分布圖；最后，利用歷史時期的分類模型和分類器遷移思想，實現(xiàn)無樣本年份農作物信息提取。
數(shù)據(jù)空間投影
Projected Coordinate System：WGS_1984 _UTM_Zone_51N Geographic Coordinate System：WGS_1984、0.98、0.99、0.99、0.99，玉米R2 分別為0.91、0.99、0.98、0.94，大豆R2 分別為0.96、0.91、0.96、0.96。
6、GEE提取東北地區(qū)長時（2013-2021）序主要作物（玉米、水稻、大豆）數(shù)據(jù)（30米分辨率）
? ? ? ?作為中國重要的糧倉之一，東北對于中國的糧食安全起著至關重要的作用。為了應對糧食需求和土壤保護的挑戰(zhàn)，東北已經(jīng)實行了輪作和免耕，這些政策的實施也引起了年際作物種植面積和分布的變化。為了更好的在區(qū)域尺度對作物種植類型進行時序監(jiān)測，基于六邊形策略和分塊分類的自動樣本采樣的隨機森林分類方法。利用該方法，利用Landsat-8影像進行了東北地區(qū)2013-2021年長時序作物分類。通過與統(tǒng)計數(shù)據(jù)對比，該作物制圖有較高的一致性，并且有較高的總體精度。
? ? ? ?數(shù)據(jù)精度：根據(jù)混淆矩陣得知，從2013年到2021年的所有分類結果，OA均高于0.9，平均 OA 為 0.94，Kappa系數(shù)從0.83到0.95不等。
? ? ? ?原始影像：Landsat-8影像
? ? ? ?時間：2013-2021
? ? ? ?地區(qū)：東北
? ? ? ?數(shù)據(jù)分辨率：30m
? ? ? ?作物類型：玉米、大豆、水稻
7、東北地區(qū)10m分辨率主要作物分布數(shù)據(jù)集（2017-2019年）
? ? ? ?東北地區(qū)10m分辨率主要作物分布數(shù)據(jù)集（2017-2019年）基于Google Earth Engine云計算平臺和Sentinel-2遙感影像構建了一種適用于東北地區(qū)的作物分類框架，采用“分層分區(qū)全時序”策略實現(xiàn)全區(qū)主要作物信息提取。首先，基于Sentinel-2遙感影像構建了多維時間序列分類特征；其次，結合地面調查和Collect Earth、歷史時期谷歌高清影像和目視解譯的方法收集大量的地面樣本點；然后，利用隨機森林模型、特征優(yōu)選算法，逐年繪制自2017年起10m分辨率的作物類型分布圖。該套數(shù)據(jù)集地面精度驗證較高，與統(tǒng)計數(shù)據(jù)在市級尺度上吻合度高。通過地面樣本點計算混淆矩陣進行數(shù)據(jù)精度驗證，2017-2019年驗證精度分別為：總體精度(OA)=81%、81%、87%。通過與統(tǒng)計數(shù)據(jù)在市級尺度上對比進行交叉驗證，2017-2018年在市級尺度上對比結果為：水稻R2 分別為0.99、0.99，玉米R2 分別為0.98、0.99，大豆R2 分別為0.83、0.94。
? ? ? ?數(shù)據(jù)來源
? ? ? ?Google Earth Engine云計算平臺，Sentinel-2遙感影像
? ? ? ?數(shù)據(jù)產生或加工方法
? ? ? ?基于Google Earth Engine云計算平臺和Sentinel-2遙感影像構建了一種適用于東北地區(qū)的作物分類框架，采用“分層分區(qū)全時序”策略。首先分層，先提取耕地，然后在耕地圖層上識別不同作物類型。然后分區(qū)，基于農業(yè)區(qū)劃方案，在每個農業(yè)氣候區(qū)內單獨訓練分類模型。最后利用插值和平滑技術構建作物生長季內完整的遙感時間序列，并利用特征優(yōu)選算法遴選最優(yōu)分類特征，最終得到東北地區(qū)2017-2019年逐年10m分辨率的作物類型空間分布數(shù)據(jù)集。
? ? ? ?數(shù)據(jù)空間投影
? ? ? ?Geographic Coordinate System：WGS_1984
? ? ? ?數(shù)據(jù)質量說明
? ? ? ?通過地面樣本點計算計算混淆矩陣進行數(shù)據(jù)精度驗證，2017-2019年驗證精度分別為：總體精度(OA)=81%、81%、87%。通過與統(tǒng)計數(shù)據(jù)在市級尺度上對比進行交叉驗證，2017-2018年在市級尺度上對比結果為：水稻R2 分別為0.99、0.99，玉米R2 分別為0.98、0.99，大豆R2 分別為0.83、0.94。
8、三大作物（玉米、水稻、小麥）分布面積監(jiān)測數(shù)據(jù)（2000-2015，分辨率1km）
? ? ? ?時間范圍：2000-2015
? ? ? ?數(shù)據(jù)分辨率：1km
? ? ? ?作物類型：水稻、玉米、小麥
? ? ? ?空間范圍：全國
? ? ? ?概述：將中國土地利用現(xiàn)狀遙感監(jiān)測數(shù)據(jù)的旱地層和水田層分別用于提取旱地作物（玉米、小麥）和水稻，并根據(jù)每種作物定義的三個關鍵物候期能同時提取出來的條件確定作物的種植格點。
? ? ? ?水稻主要廣泛分布在東北平原、長江中下游平原、四川、云貴高原梯田和珠江三角洲。小麥的分布更為集中，主要在華北平原和四川。相比于水稻和小麥，玉米的分布橫跨整個中國，包括東北、華北和西南地區(qū)。
9、 三大作物（玉米、水稻、小麥）物候1K監(jiān)測數(shù)據(jù)（2000-2015，分辨率1km）
? ? ? ?基于全球陸地表面衛(wèi)星（GLASS）葉面積指數(shù)（LAI）產品，即ChinaCropPhen1km，為2000年至2015年間的三個主要作物制作了1公里網(wǎng)格作物物候數(shù)據(jù)集。這個數(shù)據(jù)集提供了中國稻谷、小麥和玉米這三種主要作物在2000年至2015年期間的1公里網(wǎng)格作物物候數(shù)據(jù)。
? ? ? ?數(shù)據(jù)格式為：tif
? ? ? ?包括玉米、小麥、水稻（SR&ER）和水稻（LR），其中水稻（SR&ER）表示單季稻和早季稻，水稻（LR）表示僅有晚季稻。
? ? ? ?作物物候階段：
? ? ? ?GR&EM：小麥的幼苗和出苗日期；
? ? ? ?V3：玉米的三葉期階段；
? ? ? ?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。
? ? ? ?數(shù)值范圍：從2000年到2015年。
10、中國冬小麥種植分布數(shù)（2016-2020年，30米，全國、tif）
? ? ? ?本數(shù)據(jù)集用基于時間權重的動態(tài)時間規(guī)劃方法，通過比較已知冬小麥田塊和未知地物類型的季節(jié)變化曲線的相似程度，得出了 2016–2020 年全國 11 個?。ǚN植面積占全國冬小麥面積的99%以上） 30 米空間分辨率的冬小麥種植面積。經(jīng)過野外調查樣本的驗證，冬小麥識別總體精度達到 89.88%，生產者精度和用戶精度分別為 89.30%和 90.59%。
? ? ? ?基本信息
最新發(fā)布日期： 2020-09-09
存儲量： 292.83MB
存儲類型： 柵格圖像
學科分類： 測繪科學技術>攝影測量與遙感技術
時間范圍： 2016-2020年
空間范圍： 全國
11、中國甘蔗分布數(shù)據(jù)（2016-2020,30米，全國、tif）
? ? ? ?中國的甘蔗主要種植在中國南部，從秦嶺北部到海南南部。如圖1所示，我們在中國95%以 。上的種植區(qū)鑒定了甘蔗，包括廣西（64.01%）、云南（17.70%）、廣東（12.20%）和海南（1.32%）。其中廣西是中國甘蔗產地，約占全國甘蔗產量的65%。在這些省份中，主要產區(qū)分布 在廣西中南部、云南西南部、廣東西部和海南西部。
? ? ? ?利用陸地衛(wèi)星-7/8、哨兵-1和哨兵-2圖像來識別中國的甘蔗種植區(qū) 。從2016年至 2020年，利用SR和TOA數(shù)據(jù)，以30 m的空間分辨率繪制了中國的甘蔗地圖。對野外樣本和農業(yè)統(tǒng) 計數(shù)據(jù)的驗證表明，該地圖的準確性較高。
12、中國灌溉農田分布數(shù)據(jù)（2016年，500米）
? ? ? ?灌溉是最重要的農田管理措施之一，對決定作物產量起著重要作用。2016年東北地區(qū)灌溉田主要分布在三個沖積平原（松嫩 、遼河、三江平原）和三江（松花江、五蘇里、黑龍江）的河谷。由于近10年灌溉農田向北擴張，黑龍江省占三個省總灌溉面積的近52.11%。
13、中國雙季水稻種植分布圖（2016-2020年，10米，全國、各?。?/strong>
? ? ? ?空間分辨率：10米
? ? ? ?ER：早稻
? ? ? ?LR：晚稻
? ? ? ?AH：安徽省
? ? ? ?FJ：福建省
? ? ? ?GD：廣東省
? ? ? ?GX：廣西壯族自治區(qū)
? ? ? ?HaiN：海南省
? ? ? ?HuB：湖北省
? ? ? ?HuN：湖南省
? ? ? ?JX：江西省
? ? ? ?ZJ：浙江省
14、中國玉米種植分布圖（2016–2020年，30米，全國）
? ? ? ?玉米是中國重要的糧食作物之一，對糧食安全有著重要影響。當前中國還沒有一個全國范圍的30m分辨率的玉米種植圖。該研究使用基于時間權重的動態(tài)時間規(guī)劃法（TWDTW），繪制了2016–2020年全國22個省份的30m分辨率玉米種植圖，平均生產者精度與用戶精度分別達到76.15%和81.59%。
? ? ? ? 使用Landsat與Sentinel-2衛(wèi)星的反射率產品來計算獲得研究區(qū)域內半月合成的30m分辨率的NDVI。數(shù)據(jù)經(jīng)過去云，線性插值、SG濾波獲得平滑的NDVI時間序列。從每個省的樣本點中隨機選擇50個玉米像元，將這些像元的時間序列的平均曲線作為該省份的標準NDVI曲線，并使用TWDTW方法計算每個像元的NDVI時間序列與標準曲線的差異。TWDTW方法是將兩條時間序列非線性對齊，獲取它們在最相似的情形下的差異大小。通過省級統(tǒng)計面積確定差異的閾值，小于該閾值的像元將被識別為玉米，被識別的玉米像元的面積總和等于省級統(tǒng)計面積。為進一步檢驗該方法的可擴展性，研究使用2019年的標準曲線識別所有年份（2016–2020年）的玉米種植位置以及野外調查數(shù)據(jù)和縣級統(tǒng)計年鑒對結果進行驗證。
說明：數(shù)據(jù)也可在關鍵詞中搜索查找
