Google Earth Engine（GEE）农作物莳植布局提取

写在前面

前段时间由于考研的缘故因由不停没能更新，已经完成了农作物莳植布局的提取，现在给大家分享一下。
紧张也是联合前面写过的Google Earth Engine（GEE）利用土地利用数据（modis）上采样Landsat数据提取农田范围，将以上结果作为研究的基础，联合物候特性，光谱特性，地形特性，选择随机丛林算法进行农作物的提取。
不想看背面的同砚可以直接看代码：https://code.earthengine.google.com/3ed8a5303c610e063ae3a4517ca4e146
1.构建物候特性

在这里紧张通过不同农作物NDVI值的差异来选择符合的生长时间进行影像的选择。
通过构建典范地物的NDVI时序特性曲线，不同农作物随着时间的变革，NDVI值也在跟着变革，这种变革也反映了不同农作物在不同时期的光谱特性差异。因此，选择NDVI差异较大的越冬期和成熟期作为最佳辨认期进行农作物分类，可以有用进行农作物种类的区分。

1. var winter = ee.ImageCollection('COPERNICUS/S2_SR')
2.                   .filterDate('2021-11-30', '2022-01-01')
3.                   .filterBounds(roi)
4.                   .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10))
5.                   .map(maskS2clouds)
6.                   .map(mndwi)
7.                   .map(ndbi)
8.                   .map(ndvi)
9.                   .select(['B1','B2','B3','B4','B8','B12','QA60','MNDWI','NDBI','NDVI']);
11. var winter1=winter.median()
12.                  .addBands(elevation.rename("ELEVATION"))
13.                  .addBands(slope.rename("SLOPE"))
14.                  .clip(roi);
16. Map.addLayer(winter1, {bands: ['B4', 'B3', 'B2'],min:0, max: 0.3}, 'winter1',false);
18. var summer = ee.ImageCollection('COPERNICUS/S2_SR')
19.                   .filterDate('2022-03-01', '2022-04-01')
20.                   .filterBounds(roi)
21.                   .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10))
22.                   .map(maskS2clouds)
23.                   .map(mndwi)
24.                   .map(ndbi)
25.                   .map(ndvi)
26.                   .select(['B1','B2','B3','B4','B8','B12','QA60','MNDWI','NDBI','NDVI']);
28. var summer1=summer.median()
29.                  .addBands(elevation.rename("sum_ELEVATION"))
30.                  .addBands(slope.rename("sum_SLOPE"))
31.                  .clip(roi);

复制代码

这里我把基础影像根据农田范围进行了裁剪，只留下农地步区，能有用的清除一些非农地步物范例。

2.构建光谱特性

也就是构建NDVI、NDWI、NDBI等光谱指数，来区分植被、修建，水体等。

1. //构建光谱特征
2. function mndwi(image){
3.   return image.addBands(image.normalizedDifference(['B3', 'B8']).rename('MNDWI'))
4. }
5. function ndbi(image){
6.   return image.addBands(image.normalizedDifference(['B12', 'B8']).rename('NDBI'))
7. }
8. function ndvi(image){
9.   return image.addBands(image.normalizedDifference(['B8', 'B4']).rename('NDVI'))
10. }

复制代码

3.将全部影像归并为一幅影像

将上面选择的越冬期和成熟期的多幅影像归并为一幅，在这里需要更改波段名，否则会出现波段名重复的情况。

1. //更改波段名称,合成一幅影像
2. var useimage = winter1.addBands([
3.   summer1.select('B2').rename('sum_B2'),
4.   summer1.select('B3').rename('sum_B3'),
5.   summer1.select('B4').rename('sum_B4'),
6.   summer1.select('B8').rename('sum_B8'),
7.   summer1.select('B12').rename('sum_B12'),
8.   summer1.select('MNDWI').rename('sum_MNDWI'),
9.   summer1.select('NDBI').rename('sum_NDBI'),
10.   summer1.select('NDVI').rename('sum_NDVI'),
11.   summer1.select('sum_ELEVATION'),
12.   summer1.select('sum_SLOPE')
13.   ])
14.   
15. print(useimage,'useimage')
17. //求交集，对影像进行掩膜
18. var useimage1 = useimage.updateMask(esamask)
19. // var useimage1 = useimage
20. Map.addLayer(useimage1, {bands: ['sum_B4', 'sum_B3', 'sum_B2'],min:0, max: 0.3}, 'useimage1');
22. var usebands = ['B2','B3','B4','B8','B12','MNDWI','NDBI','NDVI','ELEVATION','SLOPE',
23.                 'sum_B2','sum_B3','sum_B4','sum_B8','sum_B12','sum_MNDWI','sum_NDBI','sum_NDVI','sum_ELEVATION','sum_SLOPE']

复制代码

4.构建随机丛林算法进行分类

构建算法也就是一些老套路了，无非就是创建样本，将样天职成训练样本和验证样本。
在这里想说一点，随机丛林的决定树棵树选择不能随便选择，需要进行不同棵数的实验，可以利用以下代码进行分析，选择精确率最高的颗数进行算法构建。

1. //选取森林棵树
2. var numTrees = ee.List.sequence(5, 50, 5);
3. var accuracies = numTrees.map(function(t)
4. {
5.    var classifier = ee.Classifier.smileRandomForest(t)
6.                      .train({
7.                      features: trainingPartition,
8.                      classProperty: 'landcover',
9.                      inputProperties: usebands
10.                      });
11.    return testingPartition
12.        .classify(classifier)
13.        .errorMatrix('landcover', 'classification')
14.        .accuracy();
15. });
16. print(ui.Chart.array.values({
17.    array: ee.Array(accuracies),
18.    axis: 0,
19.    xLabels: numTrees
20. }));

复制代码

得到的结果大概是如许，选择精确率最高的就可以了。

5.算法的存储

由于我们上面已经训练好了算法，以是这个算法是可以运用在其他年份的，我们将它生存在个人assets里，当缺少其他年份的样本时，可以利用该算法进行分类，也就是算法复用。

1. var trees = ee.List(ee.Dictionary(testclassifier.explain()).get('trees'))
2. var dummy = ee.Feature(roi.geometry())
3. var col = ee.FeatureCollection(trees.map(function(x){return dummy.set('tree',x)}))
4. print(col)
5. Export.table.toAsset(col,'save_classifier','projects/dyb/assets/2022chuzhou')

复制代码

6.面积统计

上面已经做好了农作物的分类，接下来可以对农作物的面积做一个统计。

1. var areaImage = ee.Image.pixelArea().addBands(classified)
3. var clsdArea = areaImage.reduceRegion({
4.     'reducer': ee.Reducer.sum().group({
5.         'groupField': 1,
6.         'groupName': 'class'
7.     }),
8.     'geometry': roi.geometry(),
9.     'scale': 10,
10.     'maxPixels': 1e13
11. })
13. print('Kerala landcover clsArea:', clsdArea.getInfo())

复制代码

最后把全部代码放在这里
https://code.earthengine.google.com/3ed8a5303c610e063ae3a4517ca4e146


来源：https://blog.csdn.net/qq_51118386/article/details/128572478
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！