空间相关性和变异性对农作物面积空间抽样效率的影响研究

发布时间：2020-08-02 20:54

【摘要】：农作物面积信息是国家制定粮食政策和经济计划的重要依据。及时准确获取农作物面积信息对于科学调整种植业规模结构,加强农作物生产管理,保证农产品有效供给和国家粮食安全具有重要意义。随着对地观测技术的发展,将卫星遥感与传统抽样理论相结合构建的空间抽样方法,充分发挥了遥感与抽样统计的各自优势,已被美国、欧盟及中国在内的多个国家广泛应用于大区域农作物面积统计调查业务中,有效提高了农作物面积信息获取的精度和时效性。然而,以往农作物面积空间抽样研究与实践均假设抽样单元满足经典统计学要求的独立不相关原则,仅凭传统抽样方法进行样本抽选与总体外推,并未考虑农作物种植受自然条件、社会经济等因素影响所具有的空间相关性和变异性,导致在抽样方案设计的合理性与总体推断的准确性方面存在明显不足。针对上述问题,本文选取安徽省凤台县、吉林省德惠市、河南省濮阳县为研究区,利用GF-1遥感影像数据提取三种农作物,采用空间分析技术、地统计学理论和传统抽样方法相结合,定量评价各种农作物的空间自相关性和空间变异性,分析空间自相关性和空间变异性在不同抽样单元尺度下的变化特征和规律。设计多种抽样方案,选取样本容量(n)、抽样外推总体相对误差(Re)和总体总值估计量的变异系数(CV)作为抽样效率的评价指标,分析农作物的空间自相关性和空间变异性对抽样效率的影响,对比传统抽样与考虑空间自相关性和变异性的空间抽样的抽样效率,从抽样单元尺度、样本容量和样本布局三个方面实现空间自相关性和空间变异性农作物面积抽样方案的优选。全文主要结论如下:(1)采用全局空间自相关指数Moran’s I评价凤台县冬小麦面积的空间自相关性,发现抽样单元内冬小麦面积的空间自相关性随着抽样单元尺度的增加逐渐减小。3种空间抽样方案的外推估计结果表明,抽样单元内农作物面积的空间自相关性对抽样效率产生影响的有效尺度范围为500 m至2000 m,在此抽样单元尺度范围内,按5%抽样比进行分层抽样的空间抽样方案是适合空间自相关农作物的最优抽样方案。样本空间布局结果表明,在不考虑分层标志情况下,空间自相关性能够通过样本单元的布设方式提高抽样精度。(2)选取全局空间自相关指数Moran’s I、局部空间自相关指数Moran’s I和局部自相关LISA图作为农作物面积空间自相关性的评价指标,农作物面积的局部LISA聚集图表明抽样单元内冬小麦面积的局部自相关性表现出多类型聚集向单一类型聚集的过渡性变化特征,当抽样单元尺度为3500 m×3500 m时,抽样单元内农作物面积具有显著的全局空间自相关性,局部空间自相关性最强。采用传统抽样方法和空间抽样方法对3500 m×3500 m抽样单元尺度下的冬小麦面积进行外推估计并对比各种抽样方法的抽样效率,发现在10%的期望误差条件下,按抽样单元内冬小麦面积比作为分层标志的分层抽样具有相对最高的抽样效率。(3)利用变异函数作为农作物空间变异性的评价指标时,发现基台值随着抽样单元尺度的增加呈阶段性递减趋势,块金系数在500 m和2500 m处具有极大值,抽样单元内农作物面积在2500m处的空间自相关性最小,空间变异性最大。不同抽样方案对空间变异农作物面积的外推估计结果表明,抽样单元内农作物面积的空间变异性对抽样效率产生影响的有效尺度范围为500 m至3500m,按5%抽样比在此抽样单元尺度范围内进行分层抽样的抽样方案是最高效的空间变异农作物抽样方案。(4)根据样本单元内农作物面积的空间变异特征,利用克里金法对3种空间抽样方法的农作物面积外推估计精度进行评价和比较,其交叉验证和独立数据集验证结果表明,在10%的期望误差条件下,采用普通克里金插值估计法对抽样单元间空间变异程度相对较强的农作物面积进行最优估计时,空间系统抽样方法是一种使区域内误差更小、精度更高的样本单元布设方法。
【学位授予单位】：中国农业科学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F326.1
【图文】：

技术路线图,农作物,面积抽样,抽样效率

农作物种植面积空间分布数据农作物面积抽样单元空间相关性特征研究全局空间自相关性分析指标选取与评价局部空间自相关性分析指标选取与评价空间自相关性的尺度变化特征空间自相关性对农作物面积空间抽样效率的影农作物面积抽样单元空间变异性特征研究空间变异性的分析指标选取与模型构抽样单元农作物面积空间变异性的尺度变化特征农作物面积比的空间变异性结构特征分析空间变异性对农作物面积空间抽样效率的影响

凤台县,地理位置

本研究选取安徽省凤台县为研究区。凤台县地处淮北平原，位于116°21′-116°56′E、32河中游，全县总土地面积 1100km2，常用耕地面积 461km2。县境内地势自西向东南化范围在 19.4m~40m 之间。属亚热带季风气候，多年平均降雨量 800-1000mm，水主要粮食作物。种植结构主要是稻-麦一年两熟制，其中冬小麦主要在 10 月中旬播种获。图 2.1 给出了凤台县的地理位置及土地利用情况。

空间分布图,冬小麦,影像提取,监督分类

图 2. 2 基于 GF-1 影像提取冬小麦面积Fig 2.2 Winter wheat area was extracted based on GF-1 imageGF-1 数据经过预处理后，利用第 2（蓝）、3（绿）、4（红）波段合成假彩色图像，如图 2.2a 所示，经地面验证与目视解译对该假彩色图像进行监督分类。本文根据研究目的简单地将地物划分为冬小麦和非冬小麦，抽取冬小麦的训练样本（共 651 个像元），采用最大似然法得到凤台县冬小麦种植面积分类结果。为了验证分类结果，将 GF-1 2 m 分辨率的 PAN 全色影像对 8 m 分辨率的PMS 多光谱影像进行融合处理后的 2 m 分辨率的真彩色影像与 Google Earth 作为精度验证的主要信息源对分类结果进行精度评价。在冬小麦和非冬小麦图层上选取 300 个随机点，评价后得到的总体分类精度为 89%，Kappa 系数为 0.79。根据评价结果可以看出，该方法得到的冬小麦分类结果精度较高，能够近似准确的反映凤台县 2017 年的冬小麦种植面积情况。图 2.2b 给出了监督分类后的 2017 年凤台县冬小麦空间分布。2.3.2 空间自相关性评价度量空间自相关的前提是要定义“空间权重矩阵”(Spatial Weighted Matrix，Wij)（Maciel 等2010），通过本研究抽样单元方案设计与凤台县遥感影像，发现研究区内冬小麦基本上属于区域间a．预处理融合假彩色影像 b．监督分类提取冬小麦空间分布图

【相似文献】