EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 5: 938 - 947

DOI: https://doi.org/10.12082/dqxxkx.2021.200291

Crop Planting Area Extraction based on Google Earth Engine and NDVI Time Series Difference Index

  • JIANG Yilan , 1, 2 ,
  • CHEN Baowang 1 ,
  • HUANG Yufang 1 ,
  • CUI Jiaqi 1, 2 ,
  • GUO Yulong , 1, 2, *
Expand
  • 1. College of Resources and Environment , Henan Agricultural University, Zhengzhou 450002, China
  • 2. Henan Engineering Research Center of Land Consolidation and Ecological Restoration, Zhengzhou 450002, China
*GUO Yulong, E-mail:

Received date: 2020-06-08

  Request revised date: 2020-08-24

  Online published: 2021-07-25

Supported by

National Natural Science Foundation of China(41701422)

Key Research and Development and Promotion Projects in Henan Province(192102310251)

Copyright

Copyright reserved © 2021
Fold

Abstract

In order to improve the efficiency of remote sensing monitoring of crop planting and expand applications of remote sensing data, a method of crop planting area extraction based on NDVI time series difference index is proposed. With the development of remote sensing and cloud computing technologies, Google Earth Engine, as a global-scale geospatial analysis cloud platform, overcomes the disadvantages of traditional single-machine computing and brings new opportunities for rapid remote sensing classification. In this study, taking Qi County in Henan province as the study area, the NDVI time series difference index of different crops is constructed according to the characteristics of time series NDVI curve of each crop to extract crop planting information and distinguish different crop types using multi-temporal Sentinel-2 images in 2019-2020 based on the Google Earth Engine platform. The extraction accuracy is verified and compared with other existing methods. The results show that the NDVI time series difference index is based on crop phenology information and developed using GEE's high-performance computing capability, which forms a framework for rapid crop planting information extraction and has obvious advantages over traditional local computing. The winter wheat and garlic planting areas in Qi County have obvious spatial variation. The winter wheat planting areas are mainly concentrated in the northwest and southern rural residential areas of the study area. While the garlic in Qi County is mainly concentrated in the central and northeastern part of the study area due to the needs of transportation. Compared with other methods using support vector machine and maximum likelihood, the overall accuracy of crop planting area extraction using the NDVI time series difference index reaches 83.72%, and the Kappa coefficient is 0.67. The overall accuracy and the Kappa coefficient are 10.02% and 0.21 respectively higher than the maximum likelihood method, and are 4.18% and 0.09 respectively higher than the support vector machine method, which indicates that our method can extract crop planting information with high efficiency and high accuracy. We develop an efficient and accurate monitoring method for regional crop planting information extraction and expand the application of remote sensing data in the agricultural field, which has significant value for future agricultural applications.

Key words： Sentinel-2; NDVI; time-series; phenological characteristics; Google Earth Engine; crop extraction; accuracy comparison; Qi County

Cite this article

JIANG Yilan , CHEN Baowang , HUANG Yufang , CUI Jiaqi , GUO Yulong . Crop Planting Area Extraction based on Google Earth Engine and NDVI Time Series Difference Index[J]. Journal of Geo-information Science, 2021 , 23(5) : 938 -947 . DOI: 10.12082/dqxxkx.2021.200291

1 引言

作物种植区分布状况很大程度地反映了一个地区的农业发展现状,是作物长势监测和估产分析、种植结构调整及优化、作物灌溉管理的主要依据[1]。传统手段进行作物种植区提取,需要大量实地调查,耗费大量人力物力,且时效性差,而遥感技术可以对大面积区域进行快速监测,为作物种植信息的提取提供了新的技术手段。
目前利用遥感技术进行作物种植区提取通常包括2种途径。首先,可以运用单一时相遥感影像数据进行作物分类,考虑到作物类型复杂多样,不同作物之间光谱区分度不够,很难达到理想的分类精度[2,3]。因此,近年来运用长时序NDVI数据对作物信息进行提取的相关研究已经取得了良好的进展,多时相遥感影像数据的分类方法能够充分利用作物季节变化特征,反映不同作物时间变化的趋势,是作物种植信息遥感提取的重要方法[4,5,6,7,8,9]。研究学者运用不同方法对长时序NDVI数据进行处理,如阈值法[10,11,12,13]、指数模型法[14,15]、决策树法[16,17,18,19,20,21,22]、监督分类法[23]、多尺度分割法[24,25]等提取作物信息,并取得了良好的效果。然而这些方法虽然能够以较高精度提取某一农作物或同时提取多种农作物,但需要基于单机逐个对影像进行时间序列NDVI曲线提取并制定作物提取的规则[26],而且长时间序列遥感影像的获取、处理过程复杂,一系列的辐射定标、大气校正、拼接、裁剪操作在消耗大量计算资源的同时,时效性相对较差,更多用于科学研究,不利于推广。
随着遥感技术的快速发展,越来越多的遥感卫星升空,海量遥感数据时代已经到来。为了满足大空间尺度、长时间序列遥感数据集的存储、组织和计算对软硬件环境的高要求,节省用户的计算资源,提高遥感专题应用的时效性和普适性,遥感卫星处理云平台应运而生。其中Google Earth Engine（GEE）是当前比较先进的云地理信息处理平台,可为用户实现科学分析和可视化,在平台上直接调用包括Landsat、 MODIS、 Sentinel等遥感数据后,通过云端的高性能计算可以快速、批量处理数量“巨大”的影像,具有存档数据时间跨度长、运行稳定、计算效率高、上手难度低、使用成本低等优点,使得遥感影像的巨大数据量不再成为研究广度和深度的限制,实现了全球范围内海量遥感数据的并行处理,节约了用户的计算资源,为长时序的遥感资料分析提供了高效便捷的处理平台,也为大规模遥感数据的挖掘分析提供可能。
因此,本次研究以河南省杞县为研究区域,借助Google Earth Engine平台,提出一种基于多时相遥感影像数据快速进行农作物种植区提取的技术框架,以研究区内冬季主要作物（小麦和大蒜）为例,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,与研究区作物物候信息相结合,基于时间序列NDVI曲线特征构建NDVI时序差异指数,通过简单的阈值提取法区分不同作物,得到研究区主要作物种植区提取结果,并与时间序列支持向量机法和最大似然法提取结果进行对比分析,以期为农情调查、管理提供重要的基础数据。

2 研究区概况与数据源

2.1 研究区概况

河南省开封市辖区杞县,位于河南省东部黄淮平原,黄河下游南岸,东临商丘,南临周口太康,地处34°13′ N—34°46′ N,114°36′ E—114°56′ E之间,总面积为1243 km2,如图1所示。该区域光照充足,雨量充沛,四季分明,年平均气温14.1 ℃,年均降水量722 mm,属温带大陆性季风气候。
图1 杞县位置及2019年作物样本点分布

Fig. 1 The location of Qi County and the distribution map of crop sample points in 2019

杞县农业发达,农产品丰富,是河南省重要的农产品生产区,主要作物有小麦、玉米、花生、大蒜、西瓜、棉花等,是全国大蒜六大主产区之一,大蒜种植面积、产量现居全国第二位。

2.2 遥感影像数据

Sentinel-2卫星星座是欧空局发射的Sentinel系列卫星中重要的遥感平台,其搭载的多光谱卫星传感器包括13个波段,其中4个波段的分辨率为 10 m, 6个波段分辨率为20 m, 3个波段的分辨率为60 m,光谱覆盖范围从可见光到近红外至短波红外,表1为该产品详细波段信息,且同地区重访周期为5 d,为农情遥感和作物类型制图提供了高质量的数据源。Sentinel-2遥感影像可在欧空局数据中心（https:∥scihub.Copernicus.eu/dhus/#/home）下载,本次研究则直接在GEE平台上调用覆盖整个研究区任意时期的Sentinel-2影像,产品等级为L1C级,根据官方发布的Sentinel-2影像数据说明, L1C级产品均为经过正射校正和大气表观反射率处理过的图像。用户在GEE平台实施运算过程中,无需过多考虑不同数据源之间的分辨率匹配,仅限定分析结果的输出分辨率即可,并通过在线编写代码可实现后续批量去云、筛选图像含云量、行政区矢量裁剪、NDVI时间序列及差值计算、简单阈值提取以及精度验证等一系列数据处理。
表1 Sentinel-2数据参数

Tab. 1 Sentinel-2 data parameters

属性 中心波长/μm 分辨率/m
Band 1 气溶胶 0.443 60
Band 2 蓝 0.490 10
Band 3 绿 0.560 10
Band 4 红 0.665 10
Band 5 植被红边1 0.705 20
Band 6 植被红边2 0.740 20
Band 7 植被红边3 0.783 20
Band 8 近红外 0.842 10
Band 8A 植被红边4 0.865 20
Band 9 水蒸气 0.945 60
Band 10 短波红外-卷云 1.375 60
Band 11 短波红外1 1.610 20
Band 12 短波红外2 2.190 20
QA60 云掩膜 - -

2.3 地面实测数据

地面样本调查数据采集的时间为2019年12月23日—24日共2 d,调查内容主要包括农作物类型、物候期、以及GPS采集的经纬度信息,由于研究区面积较大,均匀采集实测数据较难实现,因此将野外实地调查与Google Earth高分辨率影像样本点提取2种方法相结合,并借助Google Earth进行逐点验证。杞县冬季主要作物为冬小麦和大蒜,本次研究采集了200个样本点,其中100个样本点对应冬小麦,100个样本点对应大蒜,并按照7:3的比例将其随机分为用于NDVI时序差异指数阈值观察以及监督分类的训练样本点和用于精度评价的分类精度验证点;并提取了冬小麦和大蒜共8个用于提取NDVI时间序列曲线的样方,采样点位置如图1所示。

2.4 主要作物物候期

本文主要对研究区2019年冬季种植面积最大的小麦、大蒜的种植区信息进行遥感提取,在实测中所观察到的菠菜以及莴苣等农作物,由于面积极小且分布于建筑用地如屋舍周围以及塑料大棚中,因此都归为建筑用地。冬小麦是越冬生长的,杞县地区冬小麦一般在10月中旬播种,12月下旬开始进入越冬期,第二年3月开始返青生长,4月进入生长旺期,6月中旬以前基本收割完毕,生长季近8个月。杞县的大蒜在10月上旬开始播种,在5月之前就能收获完毕,据此可确定指数计算的时间。作物的生育期详见表2。
表2 主要作物生育期

Tab. 2 Main crop growth period

作物类型
小麦 大蒜
1月 越冬 幼苗期
2月 越冬 幼苗期
3月 返青 幼苗期
4月 拔节孕穗 花芽和鳞茎分化期
5月 抽穗灌浆 鳞茎肥大期
6月 成熟 休眠期
7月 - 休眠期
8月 - 休眠期
9月 -
10月 播种出苗 播种发芽
11月 - 幼苗期
12月 分蘖 幼苗期

3 研究方法

研究的技术路线如图2所示,主要包括遥感影像预处理、NDVI序列和NDVI时序差异指数构建、建筑用地掩膜、种植区提取、精度验证与对比5个部分。
图2 技术路线

Fig. 2 Technical route

3.1 遥感影像预处理

为获得无云的研究区影像数据,在GEE平台中对研究区内2019—2020年的多时相影像进行去云处理：Sentinel-2产品的QA60波段存储着云掩膜信息（表1）,其中QA60的Bit10和Bit11为厚云和卷云,计算Bit10和Bit11的值,并赋值为0,即可得到云掩膜数据,运用云掩膜去除影像中的云信息,不再参与后续计算,以保证图像质量。再将研究区边界矢量数据导入到GEE中,通过裁剪口令,按照行政区边界对影像数据进行裁剪。

3.2 NDVI序列和NDVI时序差异指数构建

归一化差值植被指数NDVI作为反映植被生长状态和覆盖度的指数,其值的增长或降低与作物生长变化过程相对应[24],其计算公式如下。
NDVI = ( ρ NIR - ρ R ) / ( ρ NIR + ρ R )
式中： ρ NIR 为近红外波段的反射率; ρ R 为红光波段的反射率。
在GEE中筛选云污染像元后,根据NDVI指数计算公式编写代码,计算各个像元NDVI月均值,再将NDVI月均值影像合成为时间序列影像数据集,方便构造研究区的NDVI时间序列曲线。
NDVI时间序列曲线的变化,直观地反映了作物在不同时期的NDVI动态变化趋势。不同作物由于物候期的不同,NDVI时间序列曲线也存在差异,基于杞县实测定位数据,用8个随机样方（如图1,包括4个大蒜样方和与之对应的4个小麦样方）,在GEE中计算出相应地块的NDVI均值并提取NDVI时间序列曲线,找出存在NDVI均值差异最大和最小的时间区间,并构建该时间段内整个研究区域含NDVI的时序差异指数(NTDI),公式如下：
NTDI = ( NDV I max - NDV I min ) / ( NDV I max + NDV I min )
式中：式中：NDVImax为生长期内不同作物差异最大时的NDVI值; NDVImin为生长期内不同作物差异最小时的NDVI值。

3.3 建筑用地掩膜

建筑用地在作物种植区提取中容易对提取结果造成干扰,而不透水面建筑材料在热红外波段的反射率很高,但在近红外波段的反射率却很低,因此以此为框架构成复合波段运算,即徐涵秋提出的建筑指数（NDISI）[27],运用该指数在GEE中进行计算,并对处理后的指数图像中的建筑用地进行掩膜,公式如下：
NDISI = { TIR - [ ( VI S 1 + NIR + MI R 1 ) / 3 ] } / { TIR + [ ( VI S 1 + N IR + MI R 1 ) / 3 ] }
式中：NIR、MIR1和TIR分别为近红外、中红外和热红外波段;Sentinel-2 L1C数据中数据中所对应的是b8、b11和b12波段;VIS1代表可见光红、蓝、绿3个波段中的任何一个。

3.4 分类及验证

图像分类方法一直是遥感研究的热点,不同的地区选择不同的分类方法可以得出不同的分类结果。本文中,NTDI指数法是基于NTDI指数,通过观察和统计指数图像中用训练样本点提取的感兴趣区的像元值,确定阈值范围,从而进行作物分类,提取作物种植区信息。传统的监督分类法在土地利用变化监测等领域得到了广泛的应用,它是用被确认类别的样本像元识别其他未知类别像元的过程[28],其中,最大似然法是根据训练样本的均值和方差来评价其他像元和训练类别之间的相似性,而支持向量机法则通过对每个训练样本引入模糊隶属度参数来实现分类[29]。为了进一步对NTDI指数法分类效果进行评价,基于训练样本提取的感兴趣区,借助GEE平台,调用2019年3—6月杞县的Sentinel-2影像L1C级产品,运用最大似然法和支持向量机法,分别提取杞县地区的时间序列作物种植信息,并与NTDI指数法提取结果进行对比分析。
基于地面样方数据验证是精度验证的主要手段之一,也是说明提取结果准确程度的指标之一,分类后,基于按比例随机选取的精度验证样本点数据,构建混淆矩阵,计算Kappa系数,用户精度、制图精度、总体精度等验证指标进行精度检验[30]。

4 结果与分析

4.1 提取结果分析

4.1.1 样方NDVI时序曲线对比
对比图1中a、b、c、d 4个地区小麦和大蒜样方的NDVI时间序列曲线（图3）可以看出：杞县冬小麦在10月10日—10月15日进入播种期,一周左右的时间全田50%子粒第一片真叶露出离地面两厘米的胚芽鞘,此时NDVI呈上升趋势;10月下旬至12月,冬小麦大部分处于三叶到分蘖期,在此期间NDVI持续上升,并且出现一个较小的波峰,最高峰值达0.4;第二年1月至2月底,温度较低光照时间短,小麦植株基本停止生长,因此, NDVI下降,至0.3左右趋于平缓;3月,冬小麦进入返青期,大田由暗绿变为青绿色, NDVI也随之上升;4月中上旬,冬小麦进入拔节期, NDVI大幅上涨,并在4月下旬至5月上旬小麦进入抽穗期时,NDVI到达第二个峰值,此时NDVI可达0.6,另外,根据土壤测试结果,此时a、b两地的土壤肥力相对较低,有可能出现脱肥现象,因此冬小麦生长状况较差, NDVI有所下降;至6月上旬,冬小麦进入成熟期,适宜收获, 6月7日收获完成,NDVI迅速下降。杞县的大蒜在10月上旬开始播种,至次年3月中旬为大蒜幼苗期,幼苗期可细分为3个阶段：生长期初生叶片展开,NDVI上升,至12寒冬季节来临之际NDVI峰值出现;越冬期为抵御严寒,大蒜叶片不再生长,叶肉组织变厚,此时NDVI呈下降趋势;春季发育期是大蒜生长速度最快的时期,这个时期NDVI出现第二个峰值,峰值为0.5左右,在5月大蒜彻底收获时NDVI迅速下降。
图3 杞县不同地区小麦和大蒜2019—2020年时间序列NDVI曲线对比

Fig. 3 Comparison of NDVI curves of wheat and garlic time series in different regions of Qi County from 2019 to 2020

由此可见,在春季2种作物快速生长至成熟的这段时期,冬小麦和大蒜存在NDVI值在生长期差异最大和收获期差异最小的特征,是区分冬小麦和大蒜的关键时期。因此选择3月—6月为计算研究区域NDVI时间序列的归一化指数的特征时期。
4.1.2 不透水面剔除
运用建筑指数NDISI对在GEE中处理过的指数图像中的建筑用地进行掩膜处理,如图4,白色的不透水面主要分布在城区（图4（b））,将阈值设置为0,可以很好地将不透水面与植被地表进行区分。表明NDISI指数对当前研究区中不透水面剔除效果较好。
图4 杞县局部地区建筑用地掩膜

Fig. 4 Construction landin local areas mask of Qi County area

4.1.3 NTDI阈值的确定
确定NTDI阈值是提取作物种植信息的重要环节,运用实测数据中随机选取的训练样本点提取小麦和大蒜的POI,计算和统计POI内像元的NTDI指数值,提取并观察2类作物的指数直方图特征。
如图5所示,大蒜在0.44左右到达一个峰值,小麦在0.52和0.69处有2个峰值,而大蒜直方图和小麦直方图在0.49附近交叉。经过进一步地统计、观察以及对不同阈值下作物分类精度的对比选取0.49为区分杞县大蒜和小麦的NTDI阈值,任何低于或者高于0.49的阈值选取都会造成分类结果精度的降低,因此确定该年份杞县大蒜的最佳阈值为：0~0.49,小麦的阈值为：0.49~0.69。利用得到的阈值,在GEE中进行阈值提取,并制作杞县作物种植区提取结果图。
图5 杞县小麦和大蒜感兴趣区NTDI阈值统计

Fig. 5 NTDI threshold statistics of wheat and garlic regions of interest in Qi County

4.1.4 杞县作物种植区提取结果与精度分析
基于上述方法进行杞县作物种植区提取（图6）,考虑到杞县冬季主要作物为冬小麦和大蒜,获得的NTDI指数法提取结果如图6（c）所示。可以看出,研究区内冬小麦和大蒜的种植区有明显的空间分异性,小麦是重要的粮食作物,其分布规律与农村居民点的分布较为密切。因此杞县冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围;而杞县是全国重要的大蒜生产、加工、贮藏和出口基地,产品流通需要倚靠市场运输和信息网络等基础设施建设,因此主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边。
图6 杞县2019—2020年主要作物不同方法提取结果对比

Fig. 6 Comparison of extraction results of main crops in Qi County from 2019 to 2020

基于时间序列图像采用最大似然法和支持向量机法分别对杞县地区2019年3—6月的冬小麦和大蒜进行提取（图6）,从图中可以看出由于NTDI指数法与监督分类提取的结果整体较为接近,但最大似然法图6（a）和支持向量机法图6（b）都存在一定的地块破碎和严重的错分现象,其中最大似然法的斑块破碎现象和错分现象更为严重,相较而言,NTDI指数提取法图6（c）能很好地解决上述问题,而且提取过程也更加快捷便利,能较好地满足多时相遥感影像提取作物种植信息的要求。
根据所调查的实测数据,采用按比例随机选取分类精度验证样本点,建立ROI感兴趣区,运用混淆矩阵的方法对2019—2020年作物种植区提取结果进行验证;同时利用随机选取的验证样本点,计算混淆矩阵,对最大似然法和支持向量机法进行精度验证,如表3所示。基于NTDI指数分类方法的总体精度为83.72%,Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09。
表3 杞县作物种植区提取验证精度对比

Tab. 3 Comparison of verification accuracy of crop planting structure in Qi County

分类方法 大蒜 小麦 总体精度/% Kappa 系数
用户精度/% 制图精度/% 用户精度/% 制图精度/%
NTDI指数法 88.94 82.59 77.44 85.33 83.72 0.67
最大似然法 77.78 77.40 67.94 68.43 73.71 0.46
支持向量机法 91.74 61.14 75.19 95.28 79.54 0.58

4.2 讨论

（1）当前,遥感提取作物种植区的方法有很多,前人的研究中并没有普遍适用且精度最高的一种方法,作物种植信息的提取本质上是结合了作物物候信息的遥感图像分类问题,作为遥感应用中的经典问题之一,相同的分类方法对于不同地物的分类精度也存在差异,对多种作物分类精度的评价还需要理论上的论证。研究提出的NDVI时序差异指数以作物物候信息为基础,机理清晰,得到的区域作物种植区提取精度可以满足需求。且NDVI是最经典的植被指数之一,适用于目前绝大多数光学遥感数据,未来可以在不同的时空尺度上对作物种植信息进行综合研究。同时,研究最大的优势是可以结合Google Earth Engine平台,形成作物种植信息快速提取框架,可以方便快捷地进行数据处理,利于推广。理论上,一旦得到目标作物的物候信息,就可以利用该框架迅速得到全球任一区域内目标作物的种植区提取结果,为区域农情管理提供第一手资料,促进遥感大数据在农业研究中的应用。
（2）研究提出的种植信息快速提取框架,依赖作物物候信息这一重要的先验知识。作物物候决定了NDVI时间序列起止时间,以及NDVI时序差异指数自变量的时间点。随着植被物候信息遥感技术的快速发展,未来可将研究得到的作物种植信息快速提取框架与物候信息的自动提取技术相结合,建立典型作物物候信息数据库,实现物候信息与种植信息的同步提取。与此同时,虽然Sentinel-2卫星已经具有5 d的重访周期,并在农业遥感中迅速地展现出巨大应用潜力,但在研究中发现,随着NDVI时序数据时间分辨率的提升（如从一个月提高到半个月甚至一周）,云污染的影响将变得越来越无法忽视。这对于提取更加精细的物候信息无疑是一种阻碍。所幸,随着卫星遥感技术的快速发展,投入使用的遥感卫星影像越来越多,海量遥感卫星之间成像时间的互补可以大大丰富NDVI时序数据,提高时序数据时间分辨率。在当前框架中融入多源遥感数据,将进一步提升作物分类结果
（3）本研究还存在一定的不足之处,在作物交叉种植区和部分线状地物仍存在一定的“错分”现象,需要通过后续研究提高作物种植区提取精度;并且目前仍需要通过对数据分布的观察以及对不同阈值下结果的比对来确定阈值,未来通过研究实现数据特征自动确定阈值是一个重要的发展方向。

5 结论与展望

本文将研究区作物物候信息与Sentinel-2时间序列NDVI数据相结合,基于Google Earth Engine平台,在NDVI时序差异指数法（NTDI）下,对河南省杞县地区冬季作物进行识别与提取研究,并与时间序列影像下监督分类方法所提取的作物分类精度进行了对比分析,从而评价NTDI指数在作物识别方面的优势,得到如下结论：
（1） GEE可快速地访问海量遥感图像及其他数据资源,并能以其高性能的云计算能力快速完成覆盖杞县影像数据的去云、裁剪及指数构建等处理。NDVI时序差异指数法以作物物候信息为基础,与GEE相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势。
（2） 杞县冬季作物以冬小麦和大蒜为主,其种植区有明显的空间分异性,冬小麦种植区分布规律与农村居民点的分布较为密切,主要集中在研究区西北部以及南部的农村居民点周围;而杞县大蒜由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边。
（3） 基于NDVI时序差异指数提取方法的总体精度为83.72%,Kappa系数为0.67,分别比最大似然法提高了10.01%和0.21,比支持向量机法提高了4.18%和0.09,同时同种提取方法对于不同地物的分类精度存在差异。用时间序列数据进行监督分类过程中,因为小麦和大蒜光谱特性在大多数时间体现出相似的变化规律,整体时序变化趋势接近,可能会对监督分类时光谱距离的计算造成干扰,对分类造成影响,达不到理想效果,并且监督分类需要根据实测结果以及高清影像确定感兴趣区地块作物类型,在获得充分的先验知识的前提下对研究区作物进行提取,较为繁琐。相较之下,基于GEE平台的NTDI指数分类法在满足精度需求的基础上还能够高效率的进行数据处理,方便快捷地提取作物信息,利于推广。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
白燕英, 高聚林, 张宝林. 基于Landsat8影像时间序列NDVI的作物种植结构提取[J]. 干旱区地理, 2019,42(4):893-901.

[ Bai Y Y, Gao J L, Zhang B L. Extraction of crop planting structure based on time-series NDVI of Landsat8 images[J]. Arid Land Geography, 2019,42(4):893-901. ]

[2]
Jia K, Wu B F, Li Q Z. Crop classification using HJ satellite multispectral data in the North China Plain[J]. Journal of Applied Remote Sensing, 2013,7(1):073576.

DOI

[3]
贾坤, 李强子, 田亦陈, 等. 微波后向散射数据改进农作物光谱分类精度研究[J]. 光谱学与光谱分析, 2011,31(2):483-487.

[ Jia K, Li Q Z, Tian Y C, et al. Accuracy improvement of spectral classification of crop using microwave backscatter data[J]. Spectroscopy and Spectral Analysis, 2011,31(2):483-487. ]

[4]
胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015,48(10):1900-1914.

[ Hu Q, Wu W B, Song Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015,48(10):1900-1914. ]

[5]
马丽, 徐新刚, 刘良云, 等. 基于多时相NDVI及特征波段的作物分类研究[J]. 遥感技术与应用, 2008,23(5):520-524.

[ Ma L, Xu X G, Liu L Y, et al. Study on crops classification based on multi-temporal NDVI and characteristic bands[J]. Remote Sensing Technology and Application, 2008,23(5):520-524. ]

[6]
康峻, 侯学会, 牛铮, 等. 基于拟合物候参数的植被遥感决策树分类[J]. 农业工程学报, 2014,30(9):148-156.

[ Kang J, Hou X H, Niu Z, et al. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(9):148-156. ]

[7]
张焕雪, 曹新, 李强子, 等. 基于多时相环境星NDVI时间序列的农作物分类研究[J]. 遥感技术与应用, 2015,30(2):304-311.

[ Zhang H X, Cao X, Li Q Z, et al. Research on crop identification using multi-temporal NDVI HJ images[J]. Remote Sensing Technology and Application, 2015,30(2):304-311. ]

[8]
李晓东, 姜琦刚. 基于多时相遥感数据的农田分类提取[J]. 农业工程学报, 2015,31(7):145-150.

[ Li X D, Jiang Q G. Extraction of farmland classification based on multi-temporal remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(7):145-150. ]

[9]
陈君颖, 田庆久. 高分辨率遥感植被分类研究[J]. 遥感学报, 2007,11(2):221-227.

[ Chen J Y, Tian Q J. Vegetation classification based on high-resolution satellite image[J]. Journal of Remote Sensing, 2007,11(2):221-227. ]

[10]
Bolton, Douglas K, Josh M Gray, et al. Continental-scale land surface phenology from harmonized Landsat 8 and Sentinel-2 imagery[J]. Remote Sensing of Environment, 2020,240:111685.

DOI

[11]
Arvor D, Jonathan M, Meirelles M S P, et al. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso, Brazil[J]. International Journal of Remote Sensing, 2011,32(22):7847-7871.

DOI

[12]
郝鹏宇, 牛铮, 王力, 等. 基于历史时序植被指数库的多源数据作物面积自动提取方法[J]. 农业工程学报, 2012,28(23):123-131,297.

[ Hao P Y, Niu Z, Wang L, et al. Multi-source automatic crop pattern mapping based on historical vegetation index profiles[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012,28(23):123-131,297. ]

[13]
潘耀忠, 李乐, 张锦水, 等. 基于典型物候特征的MODIS-EVI时间序列数据农作物种植面积提取方法——小区域冬小麦实验研究[J]. 遥感学报, 2011,15(3):578-594.

[ Pan Y Z, Li L, Zhang J S, et al. Crop area estimation based on MODIS-EVI time series according to distinct characteristics of key phenology phases: A case study of winter wheat area estimation in small-scale area[J]. Journal of Remote Sensing, 2011,15(3):578-594. ]

[14]
陈安旭, 李月臣. 基于Sentinel-2影像的西南山区不同生长期水稻识别[J]. 农业工程学报, 2020,36(7):192-199.

[ Chen A X, Li Y C. Rice recognition of different growth stages based on Sentinel-2 images in mountainous areas of Southwest China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020,36(7):192-199. ]

[15]
刘佳, 王利民, 姚保民, 等. 基于多时相OLI数据的宁夏大尺度水稻面积遥感估算[J]. 农业工程学报, 2017,33(15):200-209.

[ Liu J, Wang L M, Yao B M, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017,33(15):200-209. ]

[16]
黄健熙, 贾世灵, 武洪峰, 等. 基于GF-1 WFV影像的作物面积提取方法研究[J]. 农业机械学报, 2015,46(S1):253-259.

[ Huang J X, Jia S L, Wu H F, et al. Extraction method of crop planted area based on GF-1 WFV image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(S1):253-259. ]

[17]
刘佳, 王利民, 杨福刚, 等. 基于HJ时间序列数据的农作物种植面积估算[J]. 农业工程学报, 2015,31(3):199-206.

[ Liu J, Wang L M, Yang F G, et al. Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(3):199-206. ]

[18]
周静平, 李存军, 史磊刚, 等. 基于决策树和面向对象的作物分布信息遥感提取[J]. 农业机械学报, 2016,47(9):318-326,333.

[ Zhou J P, Li C J, Shi L G, et al. Crops distribution information extracted by remote sensing based on decision tree and object-oriented method[J]. Transactions of the Chinese Society of Agricultural Machinery, 2016,47(9):318-326,333. ]

[19]
康峻, 侯学会, 牛铮, 等. 基于拟合物候参数的植被遥感决策树分类[J]. 农业工程学报, 2014,30(9):148-156.

[ Kang J, Hou X H, Niu Z, et al. Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(9):148-156. ]

[20]
李鑫川, 徐新刚, 王纪华, 等. 基于时间序列环境卫星影像的作物分类识别[J]. 农业工程学报, 2013,29(2):169-176,298.

[ Li X C, Xu X G, Wang J H, et al. Crop classification recognition based on time-series images from HJ satellite[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(2):169-176,298. ]

[21]
张荣群, 王盛安, 高万林, 等. 基于时序植被指数的县域作物遥感分类方法研究[J]. 农业机械学报, 2015,46(S1):246-252.

[ Zhang R Q, Wang S A, Gao W L, et al. Remote-sensing classification method of County-level agricultural crops using time-series NDVI[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(S1):246-252. ]

[22]
杜保佳, 张晶, 王宗明, 等. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019,21(5):740-751.

DOI

[ Du B J, Zhang J, Wang Z M, et al. Crop mapping based on sentinel-2A NDVI time series using object-oriented classification and decision tree model[J]. Geo-Information Science, 2019,21(5):740-751. ]

[23]
杨闫君, 占玉林, 田庆久, 等. 基于GF-1/WFVNDVI时间序列数据的作物分类[J]. 农业工程学报, 2015,31(24):155-161.

[ Yang Y J, Zhan Y L, Tian Q J, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(24):155-161. ]

[24]
张焕雪, 曹新, 李强子, 等. 基于多时相环境星NDVI时间序列的农作物分类研究[J]. 遥感技术与应用, 2015,30(2):304-311.

[ Zhang H X, Cao X, Li Q Z, et al. Research on crop identification using multi-temporal NDVI HJ images[J]. Remote Sensing Technology and Application, 2015,30(2):304-311. ]

[25]
刘焕军, 闫岩, 张新乐, 等. 面向农业区划的作物种植结构遥感提取[J]. 中国农业资源与区划, 2017,38(8):43-54.

[ Liu H J, Yan Y, Zhang X L, et al. Remotesensing extraction of crop planting structure oriented to agricultural regionalization[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017,38(8):43-54. ]

[26]
王林江, 吴炳方, 张淼, 等. 关键生育期冬小麦和油菜遥感分类方法[J]. 地球信息科学学报, 2019,21(7):1121-1131.

DOI

[ Wang L J, Wu B F, Zhang M, et al. Winter wheat and rapeseed classification during key growth period by integrating multi-source remote sensing data[J]. Journal of Geo-information Science, 2019,21(7):1121-1131. ]

[27]
徐涵秋. 一种快速提取不透水面的新型遥感指数[J]. 武汉大学学报·信息科学版, 2008,33(11):1150-1153,1211.

[ Xu H Q. A new remote sensing index for fastly extracting impervious surface information[J]. Geomatics and Information Science of Wuhan University, 2008,33(11):1150-1153,1211. ]

[28]
赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003.

[ Zhao Y S. Principles and methods of remote sensing application analysis[M]. Beijing: Science Press, 2003. ]

[29]
王利军, 郭燕, 贺佳, 等. 基于决策树和SVM的Sentinel-2A影像作物提取方法[J]. 农业机械学报, 2018,49(9):146-153.

[ Wang L J, Guo Y, He J, et al. Classification method by fusion of decision tree and SVM based on Sentinel-2A image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018,49(9):146-153. ]

[30]
Congalton, Russell G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991,37(1):35-46.

DOI

Options
Outlines

/

〈 〉