周珂^,1,3, 柳乐^1,3, 张俨娜^,2, 苗茹^1,3, 杨阳^1,31河南大学计算机与信息工程学院,河南开封 475004
²河南大学实验室与设备管理处,河南开封 475004
³河南省大数据分析与处理重点实验室/河南大学,河南开封 475004

Area Extraction and Growth Monitoring of Winter Wheat in Henan Province Supported by Google Earth Engine

ZHOU Ke^,1,3, LIU Le^1,3, ZHANG YanNa^,2, MIAO Ru^1,3, YANG Yang^1,31School of Computer and Information Engineering, Henan University, Kaifeng 475004, Henan
²Department of Laboratory and Equipment Management, Henan University, Kaifeng 475004, Henan
³Henan Key Laboratory of Big Data Analysis and Processing/ Henan University, Kaifeng 475004, Henan

通讯作者: 张俨娜,E-mail：zyn@henu.edu.cn

责任编辑: 杨鑫浩
收稿日期:2020-08-1接受日期:2020-09-27网络出版日期:2021-06-01

基金资助:

河南省科技攻关项目.202102210381 开封市重大科技专项项目.18ZD007

Received:2020-08-1Accepted:2020-09-27Online:2021-06-01
作者简介 About authors
周珂,E-mail：zhouke@radi.ac.cn。







摘要
【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎（Google Earth Engine,GEE）云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域（冬小麦种植区域）结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。
关键词： 冬小麦;长势监测;谷歌地球引擎;随机森林;归一化植被指数;Landsat;MODIS

Abstract
【Objective】 The aim of this study was to use remote sensing technology to extract the spatial distribution information of winter wheat in Henan province from 2017 to 2020, and then to monitor the growth of winter wheat in 2020 with high frequency and to analyze the meteorological conditions. 【Method】 Based on the cloud platform of Google Earth engine (GEE), the selected Landsat 8 image data were synthesized according to the maximum value of NDVI, and then the features were constructed to add terrain features, texture features, NDVI and a new feature NDVI amplification. Random forest classification method was used to train the sample data according to the constructed features to extract the winter wheat planting area in Henan province from 2017 to 2020. The accuracy of the extracted winter wheat sown area was verified by confusion matrix and Henan statistical yearbook data. After accuracy verification, a mask was generated for the extracted winter wheat planting area in Henan province in 2020. In the mask area (winter wheat planting area) combined with MODIS high time resolution image data, the NDVI synchronization difference method was used to monitor the winter wheat growth from February to April in 2020. 【Result】 The GEE cloud platform could be used to quickly map the spatial distribution information of winter wheat planting areas in Henan province. Using random forest method to add terrain feature, texture feature, NDVI and new feature NDVI could effectively improve the extraction accuracy of winter wheat and reduce the relative error with statistical data. Based on confusion matrix, the average overall classification accuracy was 95.2%, the average kappa coefficient was 0.909, and the average classification accuracy of winter wheat was 95.3%. Compared with the statistical yearbook data of Henan province, the relative errors of winter wheat sown area extracted by this method in Henan province from 2017 to 2019 were all less than 3%. The average relative error of winter wheat sown area in the main planting areas of winter wheat in Henan province was less than 6%. MODIS image data combined with NDVI difference model could be used to monitor the growth of winter wheat in Henan province in 2020. The growth of winter wheat in Henan province was better than that of previous years and 2019 during the return to green period. In the later growth stage of winter wheat, the growth of most areas was the same as that of previous years and 2019. On the whole, the growth of winter wheat in 2020 was better than that of previous years and 2019. 【Conclusion】 The method proposed in this paper could carry out high-precision extraction and high-frequency growth monitoring of winter wheat in Henan province, and could provide a scientific basis for local governments or some agricultural departments in arranging and guiding agricultural activities.
Keywords：winter wheat;growth monitoring;Google Earth Engine;random forests;NDVI;Landsat;MODIS


PDF (4856KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
周珂, 柳乐, 张俨娜, 苗茹, 杨阳. GEE支持下的河南省冬小麦面积提取及长势监测[J]. 中国农业科学, 2021, 54(11): 2302-2318 doi:10.3864/j.issn.0578-1752.2021.11.005
ZHOU Ke, LIU Le, ZHANG YanNa, MIAO Ru, YANG Yang. Area Extraction and Growth Monitoring of Winter Wheat in Henan Province Supported by Google Earth Engine[J]. Scientia Acricultura Sinica, 2021, 54(11): 2302-2318 doi:10.3864/j.issn.0578-1752.2021.11.005


开放科学（资源服务）标识码（OSID）：

0 引言

【研究意义】冬小麦作为我国三大主粮作物之一,在国民经济中占据着重要地位^[1]。河南省作为我国农业大省之一,以冬小麦种植为主,其播种面积占据全省粮食作物的54%,且其产量多年一直保持全国第一,占全国的20%以上^[2],及时获知河南省冬小麦的分布及长势情况对确保粮食产量具有重要意义。【前人研究进展】卫星遥感数据具有覆盖面广、光谱信息丰富、周期性强等特点,目前已成为监测冬小麦分布及长势的重要手段之一^{[3,4,5,6,7,8,9,10]}。常用的提取冬小麦播种面积的手段主要包括：（1）结合遥感影像,利用NDVI等植被指数的时序变化来设置合适阈值,对冬小麦的空间分布信息进行提取^{[11,12,13,14]};（2）使用机器学习的方法,对遥感影像各类型地物进行分类,进而提取冬小麦的播种面积^{[15,16,17,18,19]}。在机器学习方法中随机森林（RF）自动化程度高、较容易实现,且其计算开销小^[20],在遥感影像分类上被广泛应用。在冬小麦的空间分布信息提取上,李旭青等^[17]、LIU等^[19]使用RF分类算法对研究区域冬小麦的种植面积进行提取,均取得了较好的效果。在使用机器学习方法对遥感影像进行分类时,YOU等^[21]、杨蕙宇等^[22]、何昭欣等^[23]的研究数据表明,使用机器学习方法分类时加入地形、纹理特征能够提高分类精度。近年来,随着信息技术的不断发展,云计算也快速进入卫星遥感数据处理领域,并取得了很好的效果。Google Earth Engine（GEE）是谷歌公司开发的一款用于遥感数据分析的工具,有着强大的数据处理、分析、存储和可视化能力^[24]。国内遥感领域的科学研究者基于GEE云平台已进行了一些在遥感科学领域的研究。何昭欣等^[23]使用GEE云平台对江苏省夏收作物进行较好的遥感提取,且使用GEE处理较本地处理有明显优势;朱德海等^[25]使用GEE对山东省近30年来的农业大棚进行较高精度的提取。LIU等^[26]使用GEE中大量Landsat影像进行全球城市土地分类,并绘制了多时相的全球城市土地利用类型图。郝斌飞等^[27]对GEE进行分析,数据表明GEE是一个高效的科研工具,在相关领域的研究上粗略统计其综合效率（成本、效益等）能提升90%以上。【本研究切入点】目前结合云平台以及机器学习的方法在省域范围内提取冬小麦的研究还较少。在冬小麦长势监测方面^[28,29],较多研究使用MODIS影像数据,基于植被指数时序变化进行面积提取并构建长势检测模型^[28,29],而MODIS影像数据存在空间分辨率较低会产生大量混合像元的问题。【拟解决的关键问题】本文以河南省为研究区,基于Landsat 8 OLI、MODIS两种影像各自的优势,在GEE云平台上首先结合Landsat 8 OLI影像数据对训练特征进行构建,以机器学习的方法提取2017—2020年河南省冬小麦播种面积及其空间分布,然后使用MODIS MO9GQ产品数据对2020年2、3月份以及4月上中旬河南省的冬小麦进行长势监测及分析,为实现高频度的中高分辨率影像协同支持的农作物动态监测,进而构建基于云平台和机器学习的农作物信息提取系统以及农业生产提供参考依据和客观数据支撑。

1 材料与方法

1.1 研究区域与数据源

1.1.1 研究区域概况 河南省位于中原腹地,介于31°23′—36°22′N、110°21′—116°39′E之间（图1）。河南省在地势上西高东低,中东部地区多为平原地带,西部多为山区丘陵地带。气候四季分明,属于亚热带和暖温带季风气候,夏季高温且多雨,冬季寒冷且干燥。河南省全年无霜期为201—285 d,全省由南向北的年平均气温为10.5—16.7℃,降水以6—8月份最多,全省年平均降水量为407.7—1 295.8 mm,年平均日照为1 285.7—2 292.9 h,适宜多种农作物的生长^[30]。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区域地形图

Fig. 1Topographic map of the study area



1.1.2 影像数据集及预处理 本研究选用Landsat 8 OLI影像数据以及MODIS MO9GQ影像数据提取河南省冬小麦种植面积并进行长势监测。Landsat 8搭载OLI陆地成像仪,包括9个波段,Landsat 8卫星大约每2周对整个地球表面成像,包括多光谱和热数据。MODIS MO9GQ为地表反射率产品,空间分辨率为250 m,时间分辨率为1 d。Landsat 8影像数据具有较高的空间分辨率,为30 m,能够减少混合像元对冬小麦播种面积提取的影响;MODIS MO9GQ影像数据有很高的时间分辨率,能够对冬小麦长势进行持续跟踪。

河南省的冬小麦一般在秋末冬初进行播种,下一年的夏季进行收割,生育周期如表1所示。冬小麦在播种期到起身拔节期的NDVI变化较大,所以选取此区间的影像进行面积提取,考虑到受云量及其他因素的影响,同一个时间区间获取的影像可能不完整,而相邻年份同时间段的冬小麦种植区域差异不是太大,所以选取相邻年份的影像数据作为补充,具体选取的Landsat 8影像数据详情如表2所示。2月至4月上中旬,冬小麦从返青期到孕穗—抽穗期,在这个时间区段冬小麦的颜色是在不断变绿的,结合NDVI能够有效对河南省的冬小麦长势进行监测,因此选取2017—2020年2—3月份以及4月上中旬的MODIS MO9GQ影像数据,对研究区域2019—2020年冬小麦长势进行监测。选取影像后对其进行裁剪、镶嵌等数据预处理,所有操作均在GEE中进行。

Table 1
表1
表1河南省冬小麦生育周期
Table 1The growth cycle of winter wheat in Henan province

月份Month	09			10			11			12			01			02			03			04			05			06
旬 Ten days	上 First	中Middle	下 Last	上First	中Middle	下Last	上First	中Middle	下Last	上First	中Middle	下Last	上First	中Middle	下Last	上First	中 Middle	下 Last	上 First	中Middle	下Last	上 First	中Middle	下 Last	上 First	中 Middle	下 Last	上 First	中Middle	下 Last
冬小麦生 育期 Winter wheat growth period			播种期 Sowing stage			出苗-三叶期 Regreening stage			分蘖期 Tillering stage				越冬期 Over-wintering stage				返青期 Re-greening stage		起身拔节期 Rising stage			孕穗-抽穗期 Heading stage		开花期 Flowering stage		灌浆乳熟期 Mature stage

新窗口打开|下载CSV

Table 2
表2
表2Landsat 8选取影像详情
Table 2The details of selected Landsat 8 image

年份 Year	日期 Date (M-D)	选用影像数据年份Year of image data selected	筛选云量 Cloud covered	数量 Count
2017-2018	09-15—11-15	2015-2017	<20%	70
	12-01—03-25	2015-2018	<20%	133
2018-2019	09-15—11-15	2016-2018	<20%	83
	12-01—03-25	2016-2019	<20%	125
2019-2020	09-15—11-15	2017-2019	<20%	94
	12-01—03-25	2019-2020	<10%	36

新窗口打开|下载CSV

1.1.3 样本数据及验证数据 根据2019—2020年12—3月份合成影像的各类地物不同的纹理信息,结合Google Earth中的高分辨率影像,在研究区域内共选取3 889个样本点。样本数据分布均匀,覆盖全省范围,其中冬小麦样本点2 554个,非冬小麦样本点1 335个,非冬小麦样本包括水体、不透水面以及其他植被。样本选取依据如表3所示。验证数据来自河南省统计年鉴（http://www.henan.gov.cn/zwgk/zfxxgk/fdzdgknr/tjxx/tjnj/）发布的冬小麦播种面积数据。

Table 3
表3
表3样本选取依据
Table 3Basis for sample selection

样本种类 Sample type	解译标志 Interpretation mark	描述 Description
冬小麦 Winter wheat		研究区域冬小麦主要分布在平原地带的农村周边,在Google earth纹理较为清晰,成片出现,有较为规则的形状（矩形）,颜色为绿色或深绿色 Winter wheat in the study area is mainly distributed in the rural periphery of the plain area, the texture of Google earth is relatively clear, appears in pieces, has a more regular shape (rectangle), and the color is green or dark green
水体 Water		研究区域的水体区域主要由水库、湖泊、河流等组成,纹理上边缘明显,在颜色上水体区域在颜色上的表现为青色、淡蓝以及土黄色（黄河） The water area of the study area is mainly composed of reservoirs, lakes, rivers and so on, and the upper edge of the texture is obvious. In color, the water area is cyan, light blue and earth yellow
不透水面Town		研究区域内的不透水面有城镇建筑以及城镇周边道路组成,在Google earth上纹理信息较明显,也是成片出现,能够清晰的识别 The impervious water surface in the study area is composed of urban buildings and roads around towns, and the texture information is more obvious on Google earth, and it also appears in pieces, which can be clearly identified
其他植被 Other vegetation		其他植被由山体植被、城镇中的景观植物以及裸地植被等组成。在Google earth上此类地物具有清晰的特征,山体植被海拔较高成山体状;景观植物分布在城镇生活区域中;裸地植被也分布于城镇各处,表面较为稀疏 Other vegetation is composed of mountain vegetation, urban landscape plants and bare land vegetation. On Google earth, such features have clear characteristics, mountain vegetation is mountain-shaped at high altitude; Landscape plants are distributed in urban living areas; Bare land vegetation is also distributed throughout cities and towns, and the surface is relatively sparse

新窗口打开|下载CSV

1.2 研究方法

1.2.1 技术流程 本文基于GEE云平台Landsat影像数据,使用机器学习分类方法提取研究区2017—2020年的冬小麦播种面积,结合MODIS影像数据,利用NDVI差值模型对研究区2020年2、3月份以及4月上中旬的冬小麦长势进行高频度监测。步骤如下：（1）从GEE云平台获取Landsat影像数据集,进行筛选、影像镶嵌等数据预处理操作;（2）按照NDVI最大值镶嵌影像;（3）特征构建;（4）对遥感影像分类提取研究区冬小麦播种面积;（5）精度验证;（6）对监测时段的MODIS影像数据计算NDVI,并对每旬影像进行NDVI最大值合成,然后进行差值计算;利用同期对比法对2020年2、3月份的冬小麦进行长势监测。流程图如图2所示。

图2

新窗口打开|下载原图ZIP|生成PPT
图2冬小麦长势监测流程

Fig. 2Monitoring process of winter wheat growth



1.2.2 冬小麦种植面积信息获取 本研究使用GE高分辨率影像选取4类地物的样本点,结合Landsat 8影像绘制各类地物在9月份到次年4月份的NDVI变化（图3）。从图3中可以看出,研究区冬小麦从12月到次年4月的NDVI值在不断增长且明显高于其他地类,此时间区间为冬小麦的返青及起身期,冬小麦在不断变绿。为了在影像上突出冬小麦的特征,本次研究在影像集合成上做了一些改变。本研究选择12月份到次年3月份冬小麦返青到起身期的影像数据,计算每景影像的NDVI值,在GEE中对影像集的每个像元按照NDVI值从小到大进行排序,提取根据NDVI最大值合成的影像（包含原始光谱信息）。NDVI计算公式如下：

（1）${\text{NDVI = }}\frac{{NIR - Red}}{{NIR + Red}}$

图3

新窗口打开|下载原图ZIP|生成PPT
图3研究区各类地物时序NDVI变化

Fig. 3Time series NDVI changes of various features in the study area



式中,Red为红波段,NIR为近红外波段。

河南省自西向东地势从高变低,在西部地区由于地势高山体丘陵较多,冬小麦种植区域较少且较难识别。为了提高冬小麦种植区域的分类精度,在训练特征中加入了地形特征和纹理特征。本文研究利用航天飞机雷达地形任务^[31]（shuttle radar topography mission,SRTM）的SRTMG数据产品获取研究区的地形特征,其分辨率为30 m。

纹理信息是图像的一种重要特征,刻画了图像像素邻域灰度空间分布的规律,不同的地物类型在遥感影像上有不同的纹理信息。冬小麦在遥感影像上具有连续的、规则的纹理,为了更好地提取研究区域的冬小麦空间分布信息,本研究在GEE上使用灰度共生矩阵（gray-level co-occurrence matrix,GLCM）构建纹理特征。由于NDVI值能够很好地反映冬小麦的特征,所以本研究在影像合成后,使用NDVI计算影像的纹理特征,并选择4种相关性较低的纹理信息^[32]。分别是角二阶矩（ASM）、逆差距（IDM）、对比度（CON）、相关性（CORR）,计算公式如下：

（2）${\text{ASM = }}\sum\limits_{i{\text{ = }}0}^{k - 1} {\sum\limits_{j{\text{ = }}0}^{k - 1} {M{{(i,j)}^2}} }$
（3）${\text{IDM = }}\sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {\frac{{M(i,j)}}{{1 + {{(i - j)}^2}}}} }$
（4）${\text{CON = }}\sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {M(i,j){{(i - j)}^2}} }$
（5）${\text{CORR = }}\sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {\frac{{(i - \mu )(j - \mu )M{{(i,j)}^2}}}{\sigma }} }$
（6）$\mu {\text{ = }}\sum\limits_{i = 0}^{k - 1} {i\sum\limits_{j = 0}^{k - 1} {M(i,j)} }$
（7）$\sigma = \sum\limits_{i = 0}^{k - 1} {\sum\limits_{i = 0}^{k - 1} {M(i,j) \times {{(i - \mu )}^2}} }$
式中,k为原始图像的灰度级数,M(i,j)为基于原始图像生成的灰度共生矩阵,μ为均值,σ为方差。

除上述特征外,本文加入了一个新的特征NDVI_increase,NDVI_increase由王九中等^[33]提出。结合图3和冬小麦的生育周期中可以发现,冬小麦播种初期到冬小麦起身拔节期 NDVI有明显变化,增长幅度较其他3类地物高,基于这种变化计算冬小麦从播种期到起身拔节期NDVI增长的幅度,计算公式如下：

（8）${\operatorname{NDVI} _{increase}} = \frac{{NDV{I_{max}} - NDV{I_{min}}}}{{|NDV{I_{min}}|}}$
式中,NDVI_min为播种时节9月份到11月份影像集合的最小NDVI合成影像;NDVI_max为12月份到次年3月份影像集合的最大NDVI合成影像。

在分类方法上,本研究使用机器学习中的随机森林分类（random forest,RF）算法对影像进行分类,提取研究区2017— 2020年冬小麦的播种面积。RF是由BREIMAN等^[34]提出的包含多棵决策树的分类方法,其随机主要体现在两方面：一方面是子模型的训练样本是有放回的随机抽取;另一方面是子模型的特征变量也是随机抽取。随机森林的每一棵决策树都是一个分类器,当输入一个样本时,随机森林的任一棵树都会产生相对应的分类结果,而随机森林收集了所有子树的分类结果,将涵盖子树最多的类别作为最终的输出结果。本研究在GEE平台对构建的特征以独立的光谱波段添加到影像以及样本数据中,然后使用RF分类方法提取研究区冬小麦的种植面积以及空间分布情况。参数设置上,综合考虑冬小麦提取的精度、与统计数据的误差以及计算效率,将决策树的数量设置为500,最大叶节点数设为无限制,分割节点的特征数量设为输入特征总数的平方根。

1.2.3 冬小麦长势信息提取 通过1.2.2方法获得研究区冬小麦播种面积后,将研究区冬小麦种植区域生成掩膜,结合MODIS影像数据对掩膜区域进行计算,对2020年研究区冬小麦长势进行以旬为周期的监测。为了保证数据的完整性,减小云的影响,本文对选用MODIS的影像进行处理。首先对河南省2017—2020年2—3月以及4月上中旬的影像按照Landsat8 影像的投影方式进行重投影,然后对每旬影像数据进行NDVI最大值合成,最后应用NDVI差值模型对2020年2—3月以及4月上中旬冬小麦的长势与往年（2017—2019年）以及2019年进行对比。与2019年进行对比的NDVI差值模型如式（9）,式中,NDVI_2019xy、NDVI_2020xy为每旬NDVI最大合成影像的NDVI值,x、y分别代表月份和旬份。与往年进行对比的NDVI差值模型如式（10）,式中,$\overline {{\text{NDVI}}xy}$表示2017—2019年每旬最大NDVI合成影像的均值。根据D_n (D_L)的计算结果结合正态统计规则将河南省2020年2、3月份以及4月中上旬冬小麦长势分为3类：当f (D_L(D_n))=-1时表示长势比往年或2019年差,f (D_L(D_n))=0时表示长势与往年或2019年持平,f (D_L(D_n))=1时表示长势比往年或2019年好。

（9）${D_n} = {\text{NDV}}{{\text{I}}_{{\text{202}}{{\text{0}}_{xy}}}}{\text{ - NDV}}{{\text{I}}_{{\text{2019}}xy}}$
（10）${D_L} = {\text{NDV}}{{\text{I}}_{{\text{2020}}xy}}{\text{ - }}\mathop {{\text{NDV}}{{\text{I}}_{xy}}}\limits^{————}$
（11）$f({D_n}({D_L})) = \left\{ \begin{gathered} - 1,{D_n}({D_L}) < {{\text{n}}_{\text{1}}} \hfill \\ 0,{{\text{n}}_{\text{1}}} \leqslant {D_n}({D_L}) \leqslant {{\text{n}}_{\text{2}}} \hfill \\ 1{D_n}({D_L}) > {{\text{n}}_{\text{2}}} \hfill \\ \end{gathered} \right.$
1.2.4 精度验证 获得研究区冬小麦播种面积后,对2017—2019年遥感提取的冬小麦播种面积与河南省统计年鉴统计的冬小麦播种面积数据进行比较,计算绝对误差以及相对误差。相对误差能够客观描述提取精度且能够更好地反映提取的冬小麦播种面积的可信度,相对误差越小表示面积提取精度越高。绝对误差和相对误差的计算公式如下：

（12）$e = |{I_{rs}} - {I_{re}}|$
（13）$p = \frac{e}{{{I_{re}}}} \times 100\%$
式中,e为绝对误差,I_rs为遥感提取面积,I_re为统计的播种面积,p为相对误差。

除相对误差验证外,本研究结合研究区域范围及算法本身的特点,将选取的样本数据按照4﹕1的比例进行分配,在样本数据中随机选取80%的样本数据作为训练数据,剩下的20%的样本数据作为验证数据用来验证分类的精度。本研究在对影像分类后使用混淆矩阵对验证数据的识别结果进行检验,计算总体分类精度（OA）、kappa系数以及冬小麦的分类精度（W）,计算公式如下：

（14）$OA{\text{ = }}\frac{{\sum\limits_{i = 0}^{k - 1} {C(i,i)} }}{{\sum\limits_{i = 0}^{k - 1} {\sum\limits_{j = 0}^{k - 1} {C(i,j)} } }}$
（15）
（16）$W{\text{ = }}\frac{{C(a,a)}}{{\sum\limits_{j = 0}^{k - 1} {C(a,j)} }}$
式中,k为样本种类的个数,C(i,j)为混淆矩阵,主对角线位置为验证样本数据中各个类别正确分类的个数。

2 结果

2.1 面积监测结果

本文通过GEE云平台对选取的Landsat 8影像进行特征构建,使用RF分类对2017—2020年河南省冬小麦的种植面积进行计算,并与河南省统计局统计的冬小麦种植面积进行比较计算相对误差（表4）,发现加入NDVI增幅后,2017—2019年的冬小麦的提取相对误差有所降低,且相对误差均在3%以内,在省域范围内提取误差较小。为了更好地检验此方法提取的精确性,对河南省冬小麦主要种植区域的冬小麦种植面积进行提取并计算相对误差（表5）,结果表明加入NDVI增幅这一特征后,提取2017—2019年河南省冬小麦主要种植区域的冬小麦的相对误差有很大降低,2017—2018年冬小麦的平均相对误差从12.10%降低到5.69%,2018—2019年冬小麦的平均相对误差从10.84%降低到5.49%,在市域范围上提取效果也较好。除上述验证外,本文基于混淆矩阵对验证样本计算分类后的总体分类精度、kappa系数以及冬小麦分类精度（表6）,发现加入NDVI增幅后,总体精度、kappa系数、冬小麦分类精度均有提高。通过以上分析可以看出本研究所使用的方法提取河南省冬小麦的精度较高、效果较好。

Table 4
表4
表4河南省冬小麦遥感提取的播种面积与统计的播种面积比较
Table 4Comparison of sown area extracted by remote sensing and statistical sown area

特征 Feature	年份 Year	提取面积 Extraction area (hm2)	统计面积 Statistical area (hm2)	绝对误差 Absolute error (hm2)	相对误差 Relative error (%)
光谱+地形+纹理+NDVI Spectrum + terrain + texture + NDVI	2017-2018	5930815	5714640	216175	3.78
	2018-2019	6043211	5739850	303361	5.28
光谱+地形+纹理+NDVI+NDVI增幅 Spectrum+topography+texture+NDVI+ NDVIincrease	2017-2018	5548529	5714640	166111	2.91
	2018-2019	5604970	5739850	134670	2.35
	2019-2020	5843632

新窗口打开|下载CSV

Table 5
表5
表5河南省冬小麦主要种植区域的遥感提取的播种面积与统计的播种面积比较
Table 5Comparison between the sown area extracted by remote sensing and the statistical sown area in the main planting areas of winter wheat in Henan province

特征 Feature		2017-2018				2018-2019
光谱+地形+纹理+NDVI Spectrum + topography + texture + NDVI	市 City	提取面积 Extraction area (hm2)	统计面积 Statistical area (hm2)	绝对误差 Absolute error (hm2)	相对误差 Relative error (%)	提取面积 Extraction area (hm2)	统计面积 Statistical area (hm2)	绝对误差 Absolute error (hm2)	相对误差 Relative error (%)
	南阳 Nanyang	803278	709020	94258	13.29	771926	724660	47266	4.09
	驻马店 Zhumadian	929103	750520	178583	23.79	914174	781670	132504	16.95
	周口 Zhoukou	846381	718350	128031	17.82	893891	734380	159511	21.72
	商丘 Shangqiu	611644	588870	22774	3.87	705349	603380	101969	16.90
	开封 Kaifeng	330408	299920	30488	10.16	322177	305200	16977	5.50
	许昌 Xuchang	238458	228960	9498	4.15	226581	233010	6429	2.76
	新乡 Xinxiang	442132	379410	62722	16.53	437147	387670	49477	12.76
	安阳 Anyang	307150	320380	13230	7.22	305831	325730	19539	6.00
光谱+地形+纹理+ NDVI+NDVI增幅 Spectrum + topography +texture+NDVI+ NDVIincrease	南阳 Nanyang	721819	709020	12799	1.81	695001	724660	29659	4.09
	驻马店 Zhumadian	849960	750520	9944	13.25	834591	781670	52921	6.77
	周口 Zhoukou	809734	718350	91384	12.72	808415	734380	74035	10.08
	商丘 Shangqiu	575660	588870	13210	2.24	629586	603380	26206	4.34
	开封 Kaifeng	300274	299920	354	0.12	316275	305200	11075	3.63
	许昌 Xuchang	230127	228960	1167	0.51	224240	233010	8770	3.76
	新乡 Xinxiang	427995	379410	485.85	12.80	41784	387670	30170	7.78
	安阳 Anyang	313655	320380	6725	2.10	304353	325730	11377	3.49

新窗口打开|下载CSV

Table 6
表6
表6研究区冬小麦基于混淆矩阵提取精度比较
Table 6Comparison of extraction accuracy of winter wheat based on confusion matrix in the study area

特征 Feature	年份 Year	总体精度 OA (%)	Kappa系数 Kappa	冬小麦分类精度 Classification accuracy of winter wheat (%)
光谱+地形+纹理+NDVI Spectrum + topography + texture + NDVI	2017-2018	93.3	0.862	93.5
	2018-2019	94.8	0.891	95.1
	2019-2020	94.7	0.892	94.5
光谱+地形+纹理+NDVI+NDVI增幅 Spectrum + topography + texture + NDVI+NDVIincrease	2017-2018	94.8	0.893	94.6
	2018-2019	95.6	0.921	95.3
	2019-2020	95.8	0.913	95.9

新窗口打开|下载CSV

本研究使用GEE对河南省2017—2020年的冬小麦播种面积区域进行提取,其能够快速对遥感影像的数据预处理进行操作,并能够对河南省冬小麦种植区域的空间分布信息进行快速制图。河南省2017—2020年冬小麦的播种面积的空间信息如图4所示,从中可以看出冬小麦主要分布在河南中东部平原和南阳盆地,由于西部山体丘陵较多以及信阳地区靠南,小麦种植较少。从表4可以看出遥感所测的2017—2019年河南省冬小麦播种面积处于增长状态,与河南省统计局统计的冬小麦播种面积变化一致,且2020年遥感所测的冬小麦面积也在增加,因此预计河南省2020年冬小麦的播种面积要高于往年。

图4

新窗口打开|下载原图ZIP|生成PPT
图4研究区2017—2020年冬小麦播种面积分布图

Fig. 4Distribution map of sown area of winter wheat in the study area from 2017 to 2020

2.2 长势监测结果

本研究所使用的方法对河南省冬小麦的播种面积提取精度较高,提取结果可靠,所以将河南省2020年的冬小麦种植面积分布应用式（10）的NDVI差值模型与往年同期进行对比,统计NDVI对应增量的像元个数（图5）,发现与往年同期相比,从2月上旬到3月中旬,NDVI增量大于0的像元个数明显多于NDVI增量小于0的像元个数,说明冬小麦种植区域绝大数区域的NDVI值大于往年,在2月上旬到3月中旬冬小麦长势情况较往年好;3月下旬到4月中旬的NDVI增量大于0与小于0的像元个数相差不大,为了更好地观察此时间段的冬小麦长势,本文应用式（11）对NDVI差值结果进行分类,发现从3月下旬到4月中旬,曲线变化幅度较小,NDVI增量在-0.1到0.1区间内的像元个数最多。王利民等^[35]、孙丽等^[28]、黄青等^[29]研究数据表明在冬小麦生育后期大部分长势与往年持平,因此本文将式（11）中的n₁设为-0.1,n₂设为0.1,根据设定的值对2020年冬小麦与往年及2019年相比各类长势的面积占比进行统计（图6—7）,并与往年同期相比冬小麦各类长势情况分布区域进行制图（图8）。结果发现,与2019年相比,2020年2月上旬到3月上旬冬小麦长势好于2019年同期;从3月中旬到4月中旬,长势较好的区域渐渐减少,较差的区域增多,但总体上依然是长势好的区域高于长势差的区域。与往年相比,2020年2月上旬到3月中旬大部分区域冬小麦的长势好于往年,这个结果与图5统计的结果一致,在3月下旬到4月中旬,长势较好的区域大幅减少,90%以上的冬小麦种植区域长势与往年持平,但总体上长势好的区域多于长势差的区域。

图5

新窗口打开|下载原图ZIP|生成PPT
图52020年冬小麦种植区域与往年相比的NDVI变化

Fig. 5NDVI changes of winter wheat planting areas in 2020 compared with previous years

图6

新窗口打开|下载原图ZIP|生成PPT
图6与2019年相比研究区2020年2—4月的冬小麦的长势情况

Fig. 6The growth situation of winter wheat in the study area from February to April in 2020 compared with the usual year

图7

新窗口打开|下载原图ZIP|生成PPT
图7与往年相比研究区2020年2—4月的冬小麦的长势情况

Fig. 7The growth of winter wheat in the study area from February to April in 2020 compared with previous years

图8

新窗口打开|下载原图ZIP|生成PPT
图8与往年相比研究区2020年2—4月的冬小麦的长势分布

Fig. 8The growth distribution of winter wheat in the study area from February to April in 2020 compared with previous years



气候变化对冬小麦的长势有很大影响,因此本文对河南省气象局现代农业网（http://www.hnnw.net/）发布的2017—2020年2—4月份的农业气象周报数据进行统计（图9）,然后根据统计数据,对河南省冬小麦的长势做出分析。从图5—8可以看出,在2月上旬到2月下旬,无论是与2019同期相比还是与往年同期相比,2020年冬小麦的长势要远好于2019年及往年同期,通过图9对比可以看出2020年2月份气温较2019年及往年同期要高,且有充足的光照时间,有利于冬小麦生长,因此冬小麦进入返青期要快于往年及2019年;3月下旬到4月中旬期间,2020年与往年及2019年同期相比气温在降低,光照时间在不断变化,但光照时间总体较往年及2019年短,因此冬小麦长势放缓。虽然冬小麦长势受到气候的影响,但总体上2020年冬小麦的长势依旧要好于往年及2019年。

图9

新窗口打开|下载原图ZIP|生成PPT
图92017—2020年2—4月份的平均气温及周平均日照

Fig. 9Mean temperature and sunshine from February to April in 2017-2020



通过2020年2—4月份的冬小麦长势与往年及2019年对比分析,发现河南省2020年的冬小麦长势相比2019年要好。在冬小麦产量方面,盛磊等^[2]研究表明在冬小麦从返青期到抽穗期植被指数与产量的相关系数最高,千怀遂^[36]研究认为小麦单产的最佳时相为拔节后期到抽穗期,而本文的研究数据表明无论是从返青期到抽穗期,还是拔节后期到抽穗期,NDVI增量大于0的区域要大于NDVI增量小于0的区域,冬小麦长势好的区域要多于冬小麦长势差的区域,因此判断河南省2020年冬小麦的总体产量要好于往年及2019年。

3 讨论

本研究所使用的方法能够很好地对河南省2017—2020年的冬小麦的空间分布信息进行快速提取并制图,并对2020年的冬小麦进行高频度的长势监测,但在平台以及方法上还存在一些不足之处。

在冬小麦种植信息提取方面,本研究使用Landsat 8影像数据构建训练特征,通过RF分类方法提取河南省2017—2020年的冬小麦种植空间分布信息,与李方杰等^[37]、邓荣鑫等^[38]的研究方法相比,本文使用中高分辨率Landsat 8 影像数据在影像合成上突出了冬小麦的特征,且在模型训练时加入纹理特征、地形特征、NDVI以及一个新特征NDVI增幅,提取的冬小麦种植区域存在的混合像元较少,基于混淆矩阵计算平均总体精度有所提高,且与统计数据相比总体相对误差也较小。目前研究虽然整体提取效果较好,但在冬小麦种植区域较多的地区（如驻马店、周口）提取的面积还存在较大误差,Landsat 8影像为中高分辨率影像,也不可避免地存在一些混合像元,此外,原始光谱波段间还存在较大的相关性,下一步研究方向将结合更高空间分辨率影像与高时间分辨率影像进行融合,然后对原始光谱特征进行优化,使用深度学习方法对更大范围内冬小麦的种植面积进行提取。

在冬小麦长势监测方面,孙丽等^[28]、黄青等^[29]基于MODIS影像数据,使用NDVI阈值法提取冬小麦的空间分布信息,在此基础上构建模型对研究区域的冬小麦进行长势监测,此方法提取的冬小麦种植区域存在较多的混合像元以及自动化程度不高。为了更好地提取冬小麦的种植区域,从而对冬小麦进行更加准确地监测,本研究在Landsat 8合成影像上,使用随机森林方法对河南省冬小麦进行较高精度地提取,对提取的区域生成掩膜,对掩膜区域结合MODIS影像数据,利用NDVI差值法进行长势监测。试验表明,本研究使用的方法既能够获取较高精度的冬小麦种植分布信息,又能进行高频度的长势监测。对于冬小麦长势监测的方法,本文还存在一定的不足,本文利用每旬MODIS合成影像的NDVI与次年以及往年进行比较,在部分地区偶尔会出现NDVI的误差情况,下一步将考虑对NDVI时序曲线进行修正,进一步提高监测的精度;关于苗情分级,较多的文献是根据农学和地面实测数据进行分级分类,部分借助于遥感手段的方式方法比较复杂,增加了苗情判读的复杂度,本文尝试在尽可能提高精度的情况下简化苗情分类判读方式,计划在下一步的研究中,通过试验对比结合数据分析寻求较为实用的长势评估手段。

GEE能够高效地处理海量遥感数据,使用GEE云平台能够对河南省2017—2020年的冬小麦进行提取并对冬小麦种植区域进行快速制图。但由于使用的是GEE平台免费资源,所以提供的计算能力有限,当研究区域过大时,在计算过程中偶尔会出现“计算超时”“计算超出限制”或者浏览器崩溃等错误,随着后续的改进,会逐渐完善。在应用价值上,本文以GEE云平台的海量遥感数据为支撑,开展了小麦长势的监测,具有一定的实用性,在后续工作中可以以本文工作为基础,基于GEE云平台开发供农业统计遥感的业务化运行系统,以利于提升监测分析的效率且为地方政府或一些农业部门在农事活动的安排指导上提供科学依据。

4 结论

本研究基于GEE云平台,使用Landsat 8影像数据对特征进行构建,使用RF分类法提取河南省2017—2020年冬小麦面积,然后对河南省2020年的冬小麦的播种面积区域进行掩膜处理,在MODIS影像上对掩膜区域进行NDVI差值计算,对冬小麦进行高频度的长势监测,并对2020年河南省2、3月份以及4月上中旬的冬小麦长势结合气候因素进行监分析,得到结论如下：

（1）GEE提供的高性能计算能力以及Landsat 8、MODIS影像数据,可以为冬小麦的种植面积提取以及长势的动态监测提供数据保障和计算能力保障。本文所使用的方法能够对河南省2017—2020年的冬小麦播种面积进行有效提取,基于混淆矩阵计算的平均总体分类精度为95.2%,平均kappa系数为0.909,平均冬小麦分类精度为95.3%,在省域范围内与河南省统计的数据相比相对误差均低于3%。

（2）本文结合Landsat8以及MODIS 2种影像各自的优势,能够很好地对河南省2020年的冬小麦进行高频度的长势监测。受到气候等因素的影响,河南省绝大部分区域2020年冬小麦在2月份返青初期长势较2019年及往年好,到了3月上旬长势放缓,从3月下旬开始,冬小麦各类长势变化波动不大,趋于稳定状态,绝大部分种植区域冬小麦长势与往年持平。总体上,河南省2020年冬小麦的播种面积要高于往年,长势较往年及2019年要好。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 郑文倩. 我国小麦价格形成机制及波动特征分析
[D]. 北京: 中国农业科学院, 2016.
[本文引用: 1]

ZHENG W Q. Study on wheat price formation mechanism and price volatility characteristics in China
[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)
[本文引用: 1]

[2] 盛磊, 何亚娟, 吴全, 王飞. 河南省冬小麦产量遥感监测精度比较研究
中国农业信息, 2018,30(2):95-102.
[本文引用: 2]

SHENG L, HE Y J, WU Q, WANG F. Comparative study on accuracy of winter wheat production by remote sensing monitoring in Henan province
China Agricultural Information, 2018,30(2):95-102. (in Chinese)
[本文引用: 2]

[3] HAN J C, ZHANG Z, CAO J, LUO Y C, ZHANG L L, LI Z Y, ZHANG J. Prediction of winter wheat yield based on multi-source data and machine learning in China
Remote Sensing, 2020,12(2):236.
DOI:10.3390/rs12020236URL [本文引用: 1]

[4] 刘新杰, 魏云霞, 焦全军, 孙奇, 刘良云. 基于时序定量遥感的冬小麦长势监测与估产研究
遥感技术与应用, 2019,34(4):756-765.
[本文引用: 1]

LIU X J, WEI Y X, JIAO Q J, SUN Q, LIU L Y. Growth monitoring and yield prediction of winter wheat based on time-series quantitative remote sensing data
Remote Sensing Technology and Application, 2019,34(4):756-765. (in Chinese)
[本文引用: 1]

[5] 杨珺雯, 张锦水, 潘耀忠, 孙佩军, 朱爽. 基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例
中国农业科学, 2018,51(4):675-687.
[本文引用: 1]

YANG J W, ZHANG J S, PAN Y Z, SUN P J, ZHU S. An efficient hierarchical indicator based on the correction area of remote sensing identification error for planting acreage sampling-A case study of winter wheat
Scientia Agricultura Sinica, 2018,51(4):675-687. (in Chinese)
[本文引用: 1]

[6] FRANCH B, VERMOTE E F, SKAKUN S, ROGER J C, BECKER- RESHEF I, MURPHY E, JUSTICE C. Remote sensing based yield monitoring: Application to winter wheat in United States and Ukraine
International Journal of Applied Earth Observation and Geoinformation, 2019,76:112-127.
DOI:10.1016/j.jag.2018.11.012URL [本文引用: 1]

[7] HAO Z, ZHAO H L, ZHANG C, WANG H, JIANG Y, YI Z. Estimating winter wheat area based on an SVM and the variable fuzzy set method
Remote Sensing Letters, 2019,10(4):343-352.
DOI:10.1080/2150704X.2018.1552811URL [本文引用: 1]

[8] ZHANG X W, LIU J F, QIN Z Y, QIN F. Winter wheat identification by integrating spectral and temporal information derived from multi- resolution remote sensing data
Journal of Integrative Agriculture, 2019,18(11):2628-2643.
DOI:10.1016/S2095-3119(19)62615-8URL [本文引用: 1]

[9] MENG S Y, ZHONG Y F, LUO C, HU X, WANG X Y, HUANG S X. Optimal temporal window selection for winter wheat and wapeseed mapping with sentinel-2 images: A case study of Zhongxiang in China
Remote Sensing, 2020,12(2):226.
DOI:10.3390/rs12020226URL [本文引用: 1]

[10] 谭昌伟, 罗明, 杨昕, 马昌, 严翔, 周健, 杜颖, 王雅楠. 用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量
中国农业科学, 2015,48(20):4033-4041.
[本文引用: 1]

TAN C W, LUO M, YANG X, MA C, YAN X, ZHOU J, DU Y, WANG Y N. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images
Scientia Agricultura Sinica, 2015,48(20):4033-4041. (in Chinese)
[本文引用: 1]

[11] DONG C, ZHAO G X, QIN Y W, WAN H. Area extraction and spatiotemporal characteristics of winter wheat-summer maize in Shandong province using NDVI time series
PLoS ONE, 2019,14(12):226508.
[本文引用: 1]

[12] 王利民, 刘佳, 姚保民, 季富华, 杨福刚. 基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测
农业工程学报, 2018,34(8):184-191.
[本文引用: 1]

WANG L M, LIU J, YAO B M, JI F H, YANG F G. Area change monitoring of winter wheat based on relationship analysis of GF-1 NDVI among different years
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(8):184-191. (in Chinese)
[本文引用: 1]

[13] 申健, 常庆瑞, 李粉玲, 王力. 基于时序NDVI的关中地区冬小麦种植信息遥感提取
农业机械学报, 2017,48(3):215-220, 260.
[本文引用: 1]

SHEN J, CHANG Q R, LI F L, WANG L. Extraction of winter wheat information based on time-series NDVI in Guanzhong area
Transactions of the Chinese Society for Agricultural Machinery, 2017,48(3):215-220, 260. (in Chinese)
[本文引用: 1]

[14] 安塞, 沈彦俊, 赵彦茜, 郭英, 郭硕, 肖捷颖. 基于NDVI时间序列数据的冬小麦种植面积提取
江苏农业科学, 2019,47(15):236-240.
[本文引用: 1]

AN S, SHEN Y J, ZHAO Y Q, GUO Y, GUO S, XIAO J Y. Extraction of winter wheat planting area based on NDVI time series data
Jiangsu Agricultural Science, 2019,47(15):236-240. (in Chinese)
[本文引用: 1]

[15] SHAN J, WANG Z M, SUN L, QIU L, YU K, WNAG J G. Study on extraction methods of winter wheat area based on GF-1 satellite images//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics)
IEEE, 2019: 1-5.
[本文引用: 1]

[16] 罗桓, 李卫国, 景元书, 徐向华, 陈华. 基于SVM的县域冬小麦种植面积遥感提取
麦类作物学报, 2019,39(4):81-88.
[本文引用: 1]

LUO H, LI W G, JING Y S, XU X H, CHEN H. Remote sensing extraction of winter wheat planting area based on SVM
Journal of Triticeae Crops, 2019,39(4):81-88. (in Chinese)
[本文引用: 1]

[17] 李旭青, 刘世盟, 李龙, 金永涛, 范文磊, 吴怜. 基于RF算法优选多时相特征的冬小麦空间分布自动解译
农业机械学报, 2019,50(6):218-225.
[本文引用: 2]

LI X Q, LIU S M, LI L, JIN Y T, FAN W L, WU L. Automatic interpretation of spatial distribution of winter wheat based on random forest algorithm to optimize multi-temporal features
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(6):218-225. (in Chinese)
[本文引用: 2]

[18] 贺原惠子, 王长林, 贾慧聪, 陈方. 基于随机森林算法的冬小麦提取研究
遥感技术与应用, 2018,33(6):1132-1140.
[本文引用: 1]

HE Y H Z, WANG C L, JIA H C, CHEN F. Research on extraction of winter wheat based on random forest
Remote Sensing Technology and Application, 2018,33(6):1132-1140. (in Chinese)
[本文引用: 1]

[19] LIU J T, FENG Q L, GONG J H, ZHOU J P, LIANG J M, LI Y. Winter wheat mapping using a random forest classifier combined with multi-temporal and multi-sensor data
International Journal of Digital Earth, 2018,11(8):783-802.
DOI:10.1080/17538947.2017.1356388URL [本文引用: 2]

[20] 周志华. 机器学习. 北京: 清华大学出版社, 2016: 179-180.
[本文引用: 1]

ZHOU Z H. Machine Learning. Beijing: Tsinghua University Press, 2016: 179-180. (in Chinese)
[本文引用: 1]

[21] YOU J, PEI Z Y, WANG F, WU Q, GUO L. Area extraction of winter wheat at county scale based on modified multivariate texture and G satellite images
Transactions of the Chinese Society of Agricultural Engineering, 2016,32(13):131-139.
[本文引用: 1]

[22] 杨蕙宇, 王征强, 白建军, 韩红珠. 基于多特征提取与优选的冬小麦面积提取
陕西师范大学学报(自然科学版), 2020,48(1):40-49.
[本文引用: 1]

YANG H Y, WANG Z Q, BAI J J, HAN H Z. Winter wheat area extraction based on multi-feature extraction and feature selection
Journal of Shaanxi Normal University(Natural Science Edition), 2020,48(1):40-49. (in Chinese)
[本文引用: 1]

[23] 何昭欣, 张淼, 吴炳方, 邢强. Google Earth Engine支持下的江苏省夏收作物遥感提取
地球信息科学学报, 2019,21(5):752-766.
DOI:10.12082/dqxxkx.2019.180420 [本文引用: 2]
江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。
HE Z X, ZHANG M, WU B F, XING Q. Extraction of summer crop in Jiangsu based on Google Earth Engine
Journal of Geo-information Science, 2019,21(5):752-766. (in Chinese)
DOI:10.12082/dqxxkx.2019.180420 [本文引用: 2]
江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。

[24] GORELICK N, HANCHER M, DIXON M, ILYUSHCHENKO S, THAU D, MOORE R. Google Earth Engine: Planetary-scale geospatial analysis for everyone
Remote Sensing of Environment, 2017,202:18-27.
DOI:10.1016/j.rse.2017.06.031URL [本文引用: 1]

[25] 朱德海, 刘逸铭, 冯权泷, 欧聪, 郭浩, 刘建涛. 基于GEE的山东省近30年农业大棚时空动态变化研究
农业机械学报, 2020,51(1):168-175.
[本文引用: 1]

ZHU D H, LIU Y M, FENG Q L, OU C, GUO H, LIU J T. Spatial- temporal dynamic changes of agricultural greenhouses in Shandong province in recent 30 years based on Google Earth Engine
Transactions of the Chinese Society for Agricultural Machinery, 2020,51(1):168-175. (in Chinese)
[本文引用: 1]

[26] LIU X P, HU G H, CHEN Y M, LI X, XU X C, LI S Y, PEI F S, WANG S J. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform
Remote sensing of environment, 2018,209:227-239.
DOI:10.1016/j.rse.2018.02.055URL [本文引用: 1]

[27] 郝斌飞, 韩旭军, 马明国, 刘一韬, 李世卫. Google Earth Engine在地球科学与环境科学中的应用研究进展
遥感技术与应用, 2018,33(4):600-611.
[本文引用: 1]

HAO B F, HAN X J, MA M G, LIU Y T, LI S W. Research progress on the application of Google Earth Engine in geoscience and environmental sciences
Remote Sensing Technology and Application, 2018,33(4):600-611. (in Chinese)
[本文引用: 1]

[28] 孙丽, 王蔚丹, 陈媛媛, 董沫. 2019年美国冬小麦长势遥感监测分析
安徽农业科学, 2020,48(1):241-244.
[本文引用: 4]

SUN L, WANG W D, CHEN Y Y, DONG M. Analysis of winter wheat growth of united states with remote sensing data in 2019
Journal of Anhui Agricultural Sciences, 2020,48(1):241-244. (in Chinese)
[本文引用: 4]

[29] 黄青, 李丹丹, 陈仲新, 刘佳, 王利民. 基于MODIS数据的冬小麦种植面积快速提取与长势监测
农业机械学报, 2012,43(7):163-167.
[本文引用: 4]

HUNAG Q, LI D D, CHEN Z X, LIU J, WANG L M. Monitoring of planting area and growth condition of winter wheat in China based on MODIS data
Transactions of the Chinese Society for Agricultural Machinery, 2012,43(7):163-167. (in Chinese)
[本文引用: 4]

[30] 何亚萍. 河南省循环农业发展研究
[D]. 北京: 中国农业科学院, 2018.
[本文引用: 1]

HE Y P. Study on the development of circular agriculture in Henan province
[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)
[本文引用: 1]

[31] FARR T G, ROSEN P A, CARO E. The shuttle radar topography mission
Reviews of geophysics, 2007,45(2):1-13.
[本文引用: 1]

[32] ULABY F T, KOUYATE F, BRISCO B, WILLIAMS T L. Textural Infornation in SAR Images
Geoscience and Remote Sensing, IEEE Transactions on GE-24, 1986,24(2):235-245.
[本文引用: 1]

[33] 王九中, 田海峰, 邬明权, 王力, 王长耀. 河南省冬小麦快速遥感制图
地球信息科学学报, 2017,19(6):846-853.
DOI:10.3724/SP.J.1047.2017.00846 [本文引用: 1]
在省域尺度上,冬小麦遥感识别中存在冬小麦物候不一致、地表环境复杂、数据处理复杂、遥感数据冗余、选择适当的分类样本困难、分类精度低等问题,而遥感数据云平台为解决这些问题提供了良好的数据基础和数据处理能力。以河南省为研究区,以谷歌地球引擎(Google Earth Engine)云平台为支撑,基于2015年和2002年前后年份河南省冬小麦识别关键期内的2296景Landsat遥感影像,采用NDVI重构增幅算法建立冬小麦大区域遥感快速制图模型,实现了2015年和2002年的河南省冬小麦分布制图。结果表明：2015年和2002年冬小麦种植面积分别为56 055.79 km²和47 296.11 km²,与统计数据比,精度达到97%;2002-2015年,河南省冬小麦种植分布存在明显变化,总体播种面积呈增加趋势,2015年比2002年增加8759.69 km²,增幅为18.52%。与传统计算机冬小麦制图方法相比,基于Google Earth Engine云平台的数据处理和制图效率均获得千倍以上的提升。
WANG J Z, TIAN H F, WU M Q, WANG L, WANG C Y. Rapid mapping of winter wheat in Henan province
Journal of Geo- information Science, 2017,19(6):846-853. (in Chinese)
DOI:10.3724/SP.J.1047.2017.00846 [本文引用: 1]
在省域尺度上,冬小麦遥感识别中存在冬小麦物候不一致、地表环境复杂、数据处理复杂、遥感数据冗余、选择适当的分类样本困难、分类精度低等问题,而遥感数据云平台为解决这些问题提供了良好的数据基础和数据处理能力。以河南省为研究区,以谷歌地球引擎(Google Earth Engine)云平台为支撑,基于2015年和2002年前后年份河南省冬小麦识别关键期内的2296景Landsat遥感影像,采用NDVI重构增幅算法建立冬小麦大区域遥感快速制图模型,实现了2015年和2002年的河南省冬小麦分布制图。结果表明：2015年和2002年冬小麦种植面积分别为56 055.79 km²和47 296.11 km²,与统计数据比,精度达到97%;2002-2015年,河南省冬小麦种植分布存在明显变化,总体播种面积呈增加趋势,2015年比2002年增加8759.69 km²,增幅为18.52%。与传统计算机冬小麦制图方法相比,基于Google Earth Engine云平台的数据处理和制图效率均获得千倍以上的提升。

[34] BREIMAN L. Random forests
Machine Learning, 2001,45(1):5-32.
DOI:10.1023/A:1010933404324URL [本文引用: 1]

[35] 王利民, 刘佳, 唐鹏钦, 姚保民, 刘荣高. 农作物长势遥感监测需求、系统框架及业务应用
中国农业信息, 2019,31(2):1-10.
[本文引用: 1]

WANG L M, LIU J, TANG P Q, YAO B M, LIU R G. Demands, system framework, and operational application of crop growth remote sensing monitoring
China Agricultural Information, 2019,31(2):1-10. (in Chinese)
[本文引用: 1]

[36] 千怀遂. 农作物遥感估产最佳时相的选择研究——以中国主要粮食作物为例
生态学报, 1998,18(1):48-55 .
[本文引用: 1]

QIAN H S. Selection of the optimum temporal for crop estimation using remote sensing data-Main food crops in China
Acta Ecologica Sinica, 1998,18(1):48-55. (in Chinese)
[本文引用: 1]

[37] 李方杰, 任建强, 吴尚蓉, 陈仲新, 张宁丹. 河南省冬小麦种植频率时空变化及影响因素分析
中国农业科学, 2020,53(9):1773-1794.
[本文引用: 1]

LI F J, REN J Q, WU S R, CHEN Z X, ZHANG N D. Spatio-temporal variations of winter wheat planting frequency and their analysis of influencing factors in Henan province
Scientia Agricultura Sinica, 2020,53(9):1773-1794. (in Chinese)
[本文引用: 1]

[38] 邓荣鑫, 王文娟, 魏义长, 张富, 李春静, 刘文玉. 河南省冬小麦种植面积遥感监测及其时空特征研究
灌溉排水学报, 2019,38(9):49-54.
[本文引用: 1]

DENG R X, WANG W Q, WEI Y C, ZHANG F, LI C J, LIU W Y. Remote estimation of winter wheat area and its spatio-temporal characteristics in Henan province
Journal of Irrigation and Drainage, 2019,38(9):49-54. (in Chinese)
[本文引用: 1]