本文是一篇农业论文，笔者利用本研究构建的时空融合模型对2019-2020冬小麦生育期间缺失的影像进行预测重建，构建了30米16天的中高空间分辨率NDVI、DVI时序集，并采用S-G滤波算法对时序集进行平滑去噪。
1 文献综述
1.1 研究背景
中国是拥有14亿人口的大国，民以食为天，粮食安全始终是关系国家民生、国家安全和社会稳定的重大战略问题[1]。小麦是我国三大主要粮食作物之一，向来有着“夏粮丰则全年丰"的说法，其在国家粮食生产和粮食安全中的地位不言而喻。对于冬小麦种植面积的提取可以及时了解我国小麦种植及生产状况，是保证粮食安全的重要条件之一。因此，快速、准确地获取小麦种植信息及其面积对农作物长势研究、产量预估和灾情监测、粮食安全及政策制定等都具有重要意义[2-3]。
传统的作物种植信息获取多依赖人工调查，再加以汇总统计，这种方法的优点是能获得较准确的信息，原理简单，但会耗费大量的人力物力，且时效性较差，其次，传统的统计方法难以直观的呈现出农作物的空间分布情况[4]，在信息技术快速发展的今天，这种方法也逐渐减少。因此，需要新技术来掌握农情信息，随着遥感技术的不断发展，它以其成本较低、范围覆盖广等优点在各个领域有着大量的应用。其中，农业领域遥感技术更是一个不可或缺的存在，利用卫星遥感在农作物分类与识别、长势分析及产量估测等方面已经开展了较广泛的应用。
自二十世纪八十年代以来，大量的国内外学者利用遥感技术对农作物展开监测，以往的单景影像作物识别时混合像元问题突出，其精度难以满足进一步研究，而时序数据可以捕捉到更加丰富的作物信息和光谱特征，也开始逐渐被应用于作物信息提取[5]。时序数据开始在农业上应用，多是利用易获取且时间分辨率较高的MODIS数据，与单景影像相比取得了较好的分类精度，但是MODIS数据源空间分辨率较低，像我国多以小农经济为主，地块细碎且种植结构较为复杂，在精细作物分类方面稍显不足。以Landsat、哨兵等为主的中高分辨影像在复杂的作物类型识别中有着较好的精度，但是中高分辨率影像重访周期较长，加之云雨天气的影响很难获得高质量连续的时间序列影像。因此，综合考虑高时间、高空间分辨率两种类型影像的优势，国内外学者提出利用这两种类型的影像进行融合生成中高空间分辨率时序集，该研究目前也得到了一定应用。
...........................
1.2 研究目的与意义
快速、准确地获取小麦种植信息及其面积对农作物长势研究、产量估测和灾害监测、粮食安全及政策制定都有着重要意义。目前，遥感技术已成为农作物种植面积提取的重要手段。中高分辨率时序影像在作物种植面积提取上有着较好的效果，但受重访周期、云雨天气等影响连续影像不易获取，又因为一些技术和成本的制约，传感器观测到的影像时间和空间分辨率往往不可兼得。为了解决传感器无法同时兼顾影像的时间和空间这一问题，国内外学者提出了遥感影像时空融合的概念并展开研究。目前，时空融合模型的种类众多，但还存在一些问题，例如，模型间数据输入数量不一致，在评价模型效果时无法做到完全的客观统一，模型重建影像的精度在不同的数据集上都有着不同的表现等。另外，指数时序数据在作物识别上有着较好的表现，但单一的指数信息无法全面的捕捉作物信息和光谱特征。因此，在识别作物时可以引入多种指数和纹理特征，可以弥补单一指数带来的信息不足的缺陷。
因此，本研究基于2015-2020年间河南省长葛市冬小麦生长季的Landsat 8 OLI与MODIS数据，在已有研究基础上构建基于卷积神经网络的时空融合模型，加入多尺度卷积结构和注意力机制，并与目前主流的模型进行对比，探究本研究构建模型的有效性。同时，利用时空融合模型预测缺失影像，构建30米16天的中高分辨率植被指数时间序列集，再结合纹理等数据，建立5种识别方案，采用机器学习分类方法对2019-2020年间作物进行分类和冬小麦种植面积提取，研究结果可为同类研究提供技术支撑和参考。
..................................
2 数据来源与研究方法
2.1 研究内容与技术路线
本研究以2015-2020年间河南省长葛市冬小麦生长季的Landsat 8 OLI与MODIS为数据源，在已有研究基础上，构建基于卷积神经网络的时空融合模型，加入多尺度卷积结构和注意力机制，并与STARFM和DCSTFN模型融合精度进行对比，同时利用构建的时空融合模型对缺失影像进行预测，构建高空间分辨率NDVI、DVI时序集，结合纹理特征，对多特征进行优选，采用机器学习的分类方法对冬小麦及其他作物进行识别，技术路线图如图1所示。
农业论文怎么写
具体研究内容包括：
（1）影像预处理与数据集构建：获取2015-2020年间可用遥感影像，对其进行重采样、重投影、裁剪等预处理，并将预处理好的影像按时间对应分波段进行分组。
（2）融合模型的构建与精度评价：本研究针对目前时空融合中存在的一些问题，构建了一种基于卷积神经网络的时空融合模型。采用双流网络架构，先构建两个基础卷积神经网络对高、低分辨率影像特征进行提取；然后利用STARFM的融合思想对提取的特征加以融合，在融合部分，加入多尺度卷积结构，拓宽网络结构，增加感受野，更加全方位的提取影像特征，接着加入注意力机制模块，以学习更丰富和更深层的影像空间和时间细节。利用多种评价方式从多个方面对构建模型的精度进行评价。
（3）特征优选：选取最优模型对研究区2019-2020年冬小麦生育期内缺失影像进行重建补充，利用这一模型预测重建出的影像，构建高时空分辨率NDVI、DVI时序，提取纹理特征，再对众多特征进行重要性排序，构建最优特征集。
（4）分类结果的精度评价：采用机器学习的分类方法对研究区内冬小麦进行分类提取，并对不同数据源和不同分类方法的分类结果进行评价分析。以期为遥感影像的融合方法及农作物分类等提供技术参考。
...................................
2.2 研究区域概况
以河南省长葛市为研究区域，长葛市隶属于河南省许昌市，位于豫中平原，在北纬34°09′~34°20′，东经113°34′~114°08′之间，面积650km2，如图2所示。该地区处于亚热带到暖温带的过渡地带，是典型的北温带大陆性季风区，阳光、地热等资源充沛，四季分明，平均年气温在14.4℃，年降雨量在711.1毫米，整体地势西北高，东南低，呈现出缓慢倾斜的状态，地势较为平坦，有利于耕作。研究区常年农作物种植面积130万亩，作物类型包括粮食作物、油料作物及经济作物，其中主要粮食作物为冬小麦、玉米等，经济作物有花生等。
1967年NASA提出“地球资源技术卫星”计划，探究地球资源技术系列卫星的可行性，由此Landsat（陆地卫星）系列也应运而生。调查、监测和协助管理各类资源的使用和分布情况是该卫星的主要任务，如海洋、矿藏、农林畜牧、自然灾害等。Landsat系列自1972年发射以来，目前已经成功发射了8颗卫星，分别命名为Landsat1—Landsat9。其中Landsat1-5均已退役，Landsat6发射失败，Landsat7出现故障在2003年时退役，Landsat9于2021年9月成功发射。
....................................
3 基于卷积神经网络的时空数据融合方法研究 ........................... 21
3.1 基于卷积神经网络的时空融合模型构建 ....................... 21
3.1.1 网络总体架构 ........................................ 21
3.1.2 基础特征提取网络 ............................... 21
4 作物识别及冬小麦种植面积提取 ................................... 30
4.1 样本可分离性分析 ................................... 30
4.2 基于融合后单时相影像作物识别...................................... 30
4.3 基于融合后多时相影像作物识别............................... 32
5 结论与展望 .......................... 42
5.1 结论 ................................... 42
5.2 展望 ............................. 43
4 作物识别及冬小麦种植面积提取
4.1 样本可分离性分析
在监督分类时，用到训练样本的好坏对分类精度有着重大影响，假如样本之间都是独立的纯净像元，可以增加分类结果的准确性。
本文利用ENVI中提供的样本质量分析工具Compute ROI Separability来计算样本的可分离性，也就是任意类别间的统计距离进行计算，采用的方法是Jffries–Matusita（JM）和转换分离度(Transformed pergence)。样本可分离指标通常分布0~2之间，数值越大表明样本点的可分离性越高，数值达到1.9以上样本属于合格样本，小于1.8时表明样本可分离性较差，则需要对样本进行重新选择。
表10显示了利用JM方法所计算的训练样本分离系数，从表中可以看出本文所选取的样本可分离性均在1.9以上，说明所选取的样本分离性较好，能够满足训练要求。
农业论文参考
...............................
5 结论与展望
5.1 结论
为了解决卫星传感器时间与空间无法兼得，长时间连续高分辨率数据获取困难，以及现有模型精度不高等问题，本研究在已有研究基础上，以河南省长葛市2015-2020年间冬小麦生长期的Landsat OLI与MODIS为数据源，构建了一种基于卷积神经网络的时空融合模型，加入多尺度卷积和注意力机制，并研究对比不同的时空融合模型精度差异。在此基础上，利用时空融合模型预测缺失影像，生成高空间分辨率NDVI、DVI时序集，同时提取纹理特征，采用不同的机器学习分类方法对作物进行分类并对冬小麦种植面积提取，研究结果为遥感影像数据时空融合及作物分类与种植面积提取提供依据和参考。主要研究结论如下：
（1）在已有研究基础上，构建了一种基于卷积神经网络的时空融合模型。与传统时空融合模型输入5景影像不同，该模型使用3景影像作为输入。首先是网络的基础特征提取阶段，利用基础的卷积层进行操作，分别对高、低分辨率影像特征进行提取，再利用STARFM的融合思想对提取的特征信息进行合并；然后是网络的融合阶段，利用多尺度卷积结构横向拓宽网络，在不增加网络深度的同时提取多个尺度的特征图；接着加入通道注意力模块和空间注意力模块，再次聚焦影像的通道和空间维度，让网络对影像中的重要特征加深学习。利用本研究构建的数据集对模型进行训练和验证，在SSIM、PSNR、ERGAS、RMSE等指标上都取得了较好的结果。在2020年2月16日的预测结果中，SSIM为0.849，与STARFM和DCSTFN模型的结果相比分别提升0.03和0.028，PSNR为30.319，分别提升0.827和0.768，ERGAS为2.159，分别降低0.318和0.073，RMSE为0.034，比其他两模型分别减少0.002和0.001。从目视效果来看，纹理和色彩上均比其他两个模型更接近原始影像。且基于CNN的融合模型一旦训练完成，后期在预测重建时能在短时间内得出影像结果，在重建大量影像时其运算效率优于STARFM。
（2）利用本研究构建的时空融合模型对2019-2020冬小麦生育期间缺失的影像进行预测重建，构建了30米16天的中高空间分辨率NDVI、DVI时序集，并采用S-G滤波算法对时序集进行平滑去噪。同时基于NDVI、DVI时序集、纹理特征等多特征数据，利用随机森林特征优选方式对特征重要性进行排序，最终确定前31个特征构建最优特征集。在最优特征集的前10个重要特征中有4个是纹理特征，表明纹理数据在识别作物时起到了重要的作用。
参考文献（略）