CN113657158A - 基于Google Earth Engine的大尺度大豆种植区域提取算法 - Google Patents
基于Google Earth Engine的大尺度大豆种植区域提取算法 Download PDFInfo
- Publication number
- CN113657158A CN113657158A CN202110789704.1A CN202110789704A CN113657158A CN 113657158 A CN113657158 A CN 113657158A CN 202110789704 A CN202110789704 A CN 202110789704A CN 113657158 A CN113657158 A CN 113657158A
- Authority
- CN
- China
- Prior art keywords
- data
- google earth
- remote sensing
- extraction algorithm
- usda
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 244000068988 Glycine max Species 0.000 title claims abstract description 44
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000009286 beneficial effect Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- 239000011159 matrix material Substances 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000012729 kappa analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 108010082495 Dietary Plant Proteins Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于Google Earth Engine的大尺度大豆种植区域提取算法，包括：对遥感影像数据Sentinel‑2进行预处理，从预处理后的遥感影像数据中选取对提取大豆有利的G个波段；计算归一化植被指数和归一化水指数，Sentinel‑2数据中包含G+2个数据；利用GEE平台提供某一年的USDA进行预处理；利用包含G+2个数据的Sentinel‑2数据和预处理后的USDA进行训练集和测试集的构建；将训练集输入三种分类器中进行训练，将测试集输入训练后的分类器中进行分类，根据分类结果得到大豆种植区域。用于解决遥感数据量巨大导致算法效率低、耗时久的问题以及单一算法提取大豆精度不够的问题。
Description
技术领域
本发明涉及遥感技术领域，具体涉及一种基于机器学习和特征选择的GoogleEarth Engine的大尺度大豆种植区域提取算法。
背景技术
粮食安全是人类可持续发展的重大挑战，消除饥饿是联合国可持续发展目标(SDG)的第二个目标。大豆耕地占地球耕地总量的主要部分，在主要农作物类别中排名第三。大豆可用作牲畜饲料、工业原料和人类食品，并且是世界上的主要农作物之一。大豆是理想的优质植物蛋白食品，多吃大豆和大豆产品有益于人类的生长、发育和健康。
为满足未来对粮食的需求，并实现可持续发展目标，需要提高农业生产率，尤其是大豆、玉米等农作物。对农业区域的检测可以使供应商、政策制定者和政府对作物种植面积进行最新的概述。然而传统获取农作物信息的方法，例如地面调查和采样，既费时、费力又费钱，而且无法获得农作物的连续空间分布数据。并且，由于受到时间、空间及影像质量等因素的影响，应用于某一研究区的遥感数据量受到限制，仅仅依靠少量的数据不能满足大面积农作物调查。
遥感卫星提供了大量的多光谱数据，特别是自从哨兵系列发射以来，数据量一直在不断增加。监测和定期重访农田的地球观测卫星是为作物测绘提供完整空间详细信息的廉价而出色的数据来源。近几十年来，许多研究都集中在利用高光谱和多光谱进行作物监测。由于大规模的农业区和复杂的测量，对大型作物的监测需要处理大量的轨道图像，其中需要复杂的计算基础设施来存储、管理和处理数据(大数据问题)。
传统的遥感影像分析需要首先对数据进行预处理再分析。而现今许多遥感大数据云平台可以为用户提供预处理之后的数据，即分析可用数据(Analysis Ready(AB))。用户可以根据自身研究目标和内容进行数据的筛选和分析，通过在线的平台门户获取数据甚至结果。例如USGS的Earth Explorer、Google Earth Engine云平台和Earth Server等平台，这些平台都为研究高效获取分析遥感数据提供技术支持。云平台存储大量的遥感数据，用户可以快捷简单地获取长时间跨度的数据；云平台也为提供了高性能的计算能力，使得分析处理数据更高效，为地区、国家、甚至全球尺度的遥感影像分析处理提供新的研究方向。遥感大数据云平台的出现，整合了大量多源异质数据源，因此可以为多种研究方向提供支持，比如作物产量统计、城市地区全球测绘、开发农业用地自动测绘算法等。
Google Earth Engine(GEE)是一个基于云的行星尺度地理空间分析平台,它将谷歌最先进的云计算和存储能力用于处理各种热点社会问题，包括森林砍伐、干旱、灾害、疾病、粮食安全、水资源管理、气候监测和环境保护。作为一个集成世界各地数百万台服务器的云平台，它不仅为传统的遥感科学工作者提供支持，而且还为更广泛的公众用户提供支持。例如：在遥感分类方面，用户利用GEE可以方便快速地提取农作物或其他地类。
目前，国外基于GEE平台开展研究工作己经取得了一定的进展，而国内目前相关研究仍较少。而且各种遥感分类器，诸如最大似然、支持向量机、随机森林等已被实践证明，能够有效地提取某一农作物或同时提取多种农作物，但是大多都是基于单机分类，分类速度较慢。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种基于Google EarthEngine的大尺度大豆种植区域提取算法，用于解决遥感数据量巨大导致算法效率低、耗时久的问题以及单一算法提取大豆精度不够的问题。
为了达到上述目的，本发明采用以下技术方案予以实现。
基于Google Earth Engine的大尺度大豆种植区域提取算法，包括以下步骤：
步骤1，对遥感影像数据Sentinel-2进行预处理，得到预处理后的遥感影像数据；
步骤2，从所述预处理后的遥感影像数据中选取对提取大豆有利的G个波段；
步骤3，计算归一化植被指数NDVI和归一化水指数NDWI两个遥感指数，将两个遥感指数加入到所述对提取大豆有利的G个波段中，此时，Sentinel-2数据中包含G+2个数据；
步骤4，利用Google Earth Engine平台提供某一年的美国农作物遥感影像图层USDA数据集，对USDA数据集进行预处理，得到预处理后的USDA数据集；
步骤5，利用包含G+2个数据的Sentinel-2数据和预处理后的USDA数据集进行训练集和测试集的构建；
步骤6，将所述训练集输入三种分类器中进行训练，得到训练后的分类器；将所述测试集输入所述训练后的分类器中进行分类，得到分类结果；根据所述分类结果得到大豆种植区域。
本发明技术方案的特点和进一步的改进为：
(1)步骤1中，所述预处理为：利用Google Earth Engine平台自带的maskS2clouds函数对Sentinel-2数据进行去云处理。
(2)步骤2中，所述对提取大豆有利的多个波段为B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11、B12波段。
(3)步骤3中，所述归一化植被指数NDVI为：
其中，NIR为近红外波段的反射值，R为红光波段的反射值；
所述归一化水指数NDWI为：
其中，Green为绿波段的反射值。
(4)步骤4中，所述对USDA数据集进行预处理具体为：从USDA数据集中筛选包含大豆标签的数据，并在Google Earth Engine平台中将大豆标签设置为1，其余标签设置为0。
(5)步骤5中，将包含G+2个数据的Sentinel-2数据和预处理后的USDA数据集进行叠加，用栅格图像筛选、裁剪叠加数据层，选取不同于目标区域的地区进行训练集和测试集的构建。
(6)步骤6中，所述三类分类器分别为分类回归树、支持向量机和随机森林。
(7)步骤6中，所述分类采用投票原则，如果有两个分类器的分类结果为1，一个分类结果为0，则最终结果为1。
(8)还包括步骤7，对所述分类结果进行特征优化，具体如下：
利用Google Earth Engine平台自带的explain函数计算包含G+2个数据的Sentinel-2数据中每个特征的重要性，再筛选最重要的五个特征，将这五个特征提取出来重新作为训练集，输入分类器中，重复步骤3-6，得到新的分类结果。
与现有技术相比，本发明的有益效果为：
(1)本发明在处理S2数据时，加入了NDVI和NDWI指数，得到多样性特征集，可以获取耕地遥感影像更丰富的信息，将多样性特征集的样本划分成训练样本和测试样本，并对随机森林、SVM和决策树分类模型进行训练并测试时，有效解决了同谱异物和同物异谱所导致的分类精度较低的问题，提高了农作物分类的能力。
(2)本发明在第一次分类之后加入了特征优化的步骤，提取出对于分类来说最重要的特征。这样不仅简化了运算变得复杂，提高了处理速度，而且在有限样本的情况下，能够提高分类精度。
(3)本发明利用了三个分类器，并将三个分类器的分类结果进行“投票”，投票结果为输出的最终结果。相比于只用单种分类器的分类方法，本发明使用多种分类器的分类结果精度更高、输出图像更准确、细节更完善。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明基于Google Earth Engine的大尺度大豆种植区域提取算法的实现流程图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。
参考图1，基于Google Earth Engine的大尺度大豆种植区域提取算法，包括以下步骤：
步骤1，遥感影像数据的预处理
利用GEE平台自带的maskS2clouds函数对Sentinel-2(S2)数据进行去云处理，去除云层有利于提高遥感影像的处理结果精度。
步骤2，选取S2数据波段
S2数据集包括23个波段，如表1所示。对全部波段进行机器学习算法分析会使数据量过大，平台无法处理的结果，由于云掩膜、气溶胶光学厚度、水蒸气压力等波段对于提取大豆这种农作物来说没有很大的作用，所以本发明选取对提取大豆有利的波段作为输入，即选取B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11、B12等12个波段。
表1Sentinel-2波段参数
步骤3，特征构建
在处理的Sentinel-2影像数据波段基础上，通过GEE及下述两个遥感指数计算公式，编码实现NDVI、NDWI遥感指数的构建。NDVI是归一化植被指数，用以检测植被生长状态、植被覆盖度和消除部分辐射误差等，其计算公式为：
其中，NIR为近红外波段的反射值，R为红光波段的反射值。
NDWI(Normalized Difference Water Index)是归一化水指数，用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息，其计算公式为：
其中，Green为绿波段的反射值，NIR为近红外波段的反射值。
计算出两个指数后，将这两个指数加入到S2数据中，此时S2数据包含了14个波段。
步骤4，USDA数据集的预处理
GEE平台提供的美国农业部统计的美国农作物遥感影像图层(USDA)是本发明用到的重要数据，通过提取某一年USDA的结果图像，筛选其cropland(耕地)标签，其中包含了大豆的标签数据，将标签重投影，在GEE中通过编程将大豆标签设置为1，其余标签设置为0，此时得到了大豆的真实种植区域图层。
步骤5，训练集和测试样本集的构建
为使训练集和验证集样本相互独立，算法不至于过度拟合，训练集和测试集要采用不同的数据。将选定区域的S2数据波段与USDA重投影图层进行叠加，用栅格图像筛选、裁剪叠加数据层，选取不同于目标区域的地区进行训练集和测试集的构造。
步骤6，分类器的构建
将训练集分别加入3种不同的分类器进行训练和分类，3种分类器分别是分类回归树(Classification and Regression Tree，CART)、支持向量机(Support VectorMachine，SVM)和随机森林(Random Forest)。这三种分类方法在GEE平台都有自己的函数，使用过程中可直接调用，具体如表2所示。
表2分类器
(6a)CART决策树算法由Breiman提出，它的基本原理是：将训练样本划分为测试变量(特征向量)和目标变量(实际地物类型)，通过对这两变量的循环分析形成二叉决策树。
(6b)SVM样本分类的基本原理主要包括：①对于非线性可分的数据，SVM通过映射将训练样本数据映射到高维空间，实现数据的线性可分；②在样本特征空间中通过核函数引导，将高维空间中复杂的内积运算转换为原输入空间的简单运算，寻找分离超平面，最大化样本中不同类别的距离。SVM处理的波段为上面B1-B12波段加NDVI、NDWI两个指数波段。
(6c)随机森林是分类树的集合。构建每棵分类树是随机森林算法的关键，操作中每次选取50棵树构建随机森林，既能保证程序运行通畅，也能保证分类精度。
将目标区域的S2数据即测试集分别输入三个分类器中，得到三个分类结果，最终的分类结果通过“投票原则”确定。如果有两个分类器的分类结果为1，一个结果为0，那么少数服从多数，最终结果为1。
步骤7，特征优化
可用于遥感图像分类的特征数有十种甚至数百种，如果将如此多的特征全部输送到分类器去训练，不仅使运算变得复杂，处理速度大大下降，而且在有限样本的情况下，过多的特征可能会导致分类精度降低。通过GEE自带的explain函数计算S2中每个特征的重要性再筛选最重要的五个特征，将这五个特征提取出来重新作为训练样本，输入分类器中，重复步骤3-6，得到新的分类结果。
步骤8，精度验证
在测试区域处的USDA图层创造5000个验证样本点(即测试集数据)，将样本点分为两类：一类带有“1”的标签，一类带有“0”的标签，要保证两类点数量差较小。用这些样本点作为验证点对分类结果进行检验，通过混淆矩阵(confusion matrix)计算出总体精度(Overall Accuracy,OA)、生产者精度(Producer's Accuracy,PA)、用户精度(User'sAccuracy,UA)及Kappa系数(Kappa Coefficient,KC)等。
混淆矩阵是用来表示精度评价的一种标准格式。混淆矩阵是n行n列的矩阵，其中n代表类别的数量，具体如表3所示。该矩阵的列为参考影像信息，行为被评价影像分类结果信息，行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目，样本数可以为像元数目或者分割对象数目。
矩阵的主对角元素(x11,x22,...xnn)为被分到正确类别的样本数，对角线以外的元素为遥感分类相对于参考数据的错误分类数，最右边一列是每类别在分类图上的总数量，而底部的一行显示的是每类别在参考图上的总数量。其中，xij是分类数据中第i类和参考数据类型第j类的分类样本数；
为分类所得到的第i类的总和；
为参考数据的第j类的总和；N为总的用于精度评估的样本数量。
表3混淆矩阵表
基于混淆矩阵，可以统计一系列评价指标对分类提取结果进行评价，基本的评价指标如下：
(1)总体精度为：
总体分类精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与参考数据所对应区域的实际类型相一致的概率；其中，xkk是混淆矩阵对角线上第k行、第k列上样本数量。
(2)生产者精度为：
生产者精度表示相对于参考数据中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率；其中，xjj是混淆矩阵中第j行、第j列上样本数量。
(3)用户精度为：
用户精度表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率；其中，xii是混淆矩阵中第i行、第i列上样本数量。
(4)Kappa分析为：
式中，n是混淆矩阵中总列数(即总的类别数)；xii是混淆矩阵中第i行、第i列上样本数量，即正确分类的样本数目；xi+和x+i分别是第i行和第i列的总样本数量；N是总的用于精度评估的样本数量。Kappa分析是一种定量评价遥感分类图与参考数据之间一致性或精度的方法，它采用离散的多元方法，更加客观地评价分类质量，克服了混淆矩阵过于依赖样本和样本数据的采集过程。
虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (9)
1.基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，包括以下步骤：
步骤1，对遥感影像数据Sentinel-2进行预处理，得到预处理后的遥感影像数据；
步骤2，从所述预处理后的遥感影像数据中选取对提取大豆有利的G个波段；
步骤3，计算归一化植被指数NDVI和归一化水指数NDWI两个遥感指数，将两个遥感指数加入到所述对提取大豆有利的G个波段中，此时，Sentinel-2数据中包含G+2个数据；
步骤4，利用Google Earth Engine平台提供某一年的美国农作物遥感影像图层USDA数据集，对USDA数据集进行预处理，得到预处理后的USDA数据集；
步骤5，利用包含G+2个数据的Sentinel-2数据和预处理后的USDA数据集进行训练集和测试集的构建；
步骤6，将所述训练集输入三种分类器中进行训练，得到训练后的分类器；将所述测试集输入所述训练后的分类器中进行分类，得到分类结果；根据所述分类结果得到大豆种植区域。
2.根据权利要求1所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤1中，所述预处理为：利用Google Earth Engine平台自带的maskS2clouds函数对Sentinel-2数据进行去云处理。
3.根据权利要求1所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤2中，所述对提取大豆有利的多个波段为B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11、B12波段。
4.根据权利要求1所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤3中，所述归一化植被指数NDVI为：
其中，NIR为近红外波段的反射值，R为红光波段的反射值；
所述归一化水指数NDWI为：
其中，Green为绿波段的反射值。
5.根据权利要求1所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤4中，所述对USDA数据集进行预处理具体为：从USDA数据集中筛选包含大豆标签的数据，并在Google Earth Engine平台中将大豆标签设置为1，其余标签设置为0。
6.根据权利要求5所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤5中，将包含G+2个数据的Sentinel-2数据和预处理后的USDA数据集进行叠加，用栅格图像筛选、裁剪叠加数据层，选取不同于目标区域的地区进行训练集和测试集的构建。
7.根据权利要求6所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤6中，所述三类分类器分别为分类回归树、支持向量机和随机森林。
8.根据权利要求7所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，步骤6中，所述分类采用投票原则，如果有两个分类器的分类结果为1，一个分类结果为0，则最终结果为1。
9.根据权利要求1所述的基于Google Earth Engine的大尺度大豆种植区域提取算法，其特征在于，还包括步骤7，对所述分类结果进行特征优化，具体如下：
利用Google Earth Engine平台自带的explain函数计算包含G+2个数据的Sentinel-2数据中每个特征的重要性，再筛选最重要的五个特征，将这五个特征提取出来重新作为训练集，输入分类器中，重复步骤3-6，得到新的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110789704.1A CN113657158A (zh) | 2021-07-13 | 2021-07-13 | 基于Google Earth Engine的大尺度大豆种植区域提取算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110789704.1A CN113657158A (zh) | 2021-07-13 | 2021-07-13 | 基于Google Earth Engine的大尺度大豆种植区域提取算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657158A true CN113657158A (zh) | 2021-11-16 |
Family
ID=78489334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110789704.1A Pending CN113657158A (zh) | 2021-07-13 | 2021-07-13 | 基于Google Earth Engine的大尺度大豆种植区域提取算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657158A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612794A (zh) * | 2022-03-01 | 2022-06-10 | 中国农业大学 | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 |
| CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
| CN115082808A (zh) * | 2022-06-17 | 2022-09-20 | 安徽大学 | 基于高分一号数据与U-Net模型的大豆种植区提取方法 |
| CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666999A (zh) * | 2020-06-03 | 2020-09-15 | 周雷文 | 一种遥感图像的分类方法 |
| CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及系统 |
-
2021
- 2021-07-13 CN CN202110789704.1A patent/CN113657158A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666999A (zh) * | 2020-06-03 | 2020-09-15 | 周雷文 | 一种遥感图像的分类方法 |
| CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 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, no. 05, 5 June 2019 (2019-06-05), pages 752 - 766 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612794A (zh) * | 2022-03-01 | 2022-06-10 | 中国农业大学 | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 |
| CN115049920A (zh) * | 2022-04-19 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 基于gee结合生育期属性和面向对象的大区域作物提取方法 |
| CN115082808A (zh) * | 2022-06-17 | 2022-09-20 | 安徽大学 | 基于高分一号数据与U-Net模型的大豆种植区提取方法 |
| CN115205688A (zh) * | 2022-09-07 | 2022-10-18 | 浙江甲骨文超级码科技股份有限公司 | 茶树种植区域提取方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
| Hu et al. | A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series | |
| Abdullahi et al. | Convolution neural network in precision agriculture for plant image recognition and classification | |
| CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
| CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
| Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
| Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
| Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
| LUO et al. | Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery | |
| Panda et al. | Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques | |
| CN110163101A (zh) | 中药材种子区别及等级快速判别方法 | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
| Ruiz et al. | Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network | |
| Amirruddin et al. | Assessing leaf scale measurement for nitrogen content of oil palm: performance of discriminant analysis and Support Vector Machine classifiers | |
| Meng et al. | Fine hyperspectral classification of rice varieties based on self-attention mechanism | |
| Zhang et al. | Multispectral drone imagery and SRGAN for rapid phenotypic mapping of individual chinese cabbage plants | |
| Hao et al. | Establishment of online deep learning model for insect-affected pests in “Yali” pears based on visible-near-infrared spectroscopy | |
| Zeng et al. | Early detection of rubber tree powdery mildew using UAV-based hyperspectral imagery and deep learning | |
| Sharma et al. | Detection and classification of plant diseases by Alexnet and GoogleNet deep learning architecture | |
| Dahiya et al. | An Effective Detection of Litchi Disease using Deep Learning | |
| Jha et al. | Wheat acreage estimation using remote sensing in tarai region of Uttarakhand | |
| Husain et al. | Date Palm Crop Yield Estimation a Framework | |
| Brook et al. | Canopy Volume as a Tool for Early Detection of Plant Drought and Fertilization Stress: Banana plant fine-phenotype | |
| Zambrano et al. | UAV Remote Sensing applications and current trends in crop monitoring and diagnostics: A Systematic Literature Review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |