基于多时相MODIS数据的黑龙江省大豆种植区识别与面积估算

doi:10.3969/j.issn.1673-503X.2024.06.011

摘要/Abstract

摘要：

选用2017—2021年黑龙江省多时相MODIS影像数据，基于Google Earth Engine(GEE) 地理空间分析云平台，对比分析各类地物光谱反射率以及归一化植被指数(NDVI)、归一化水体指数(NDWI)等指数差异特征，建立分类决策树，识别黑龙江省大豆种植区、估算面积，并与其他分类方法进行比较。结果表明：基于决策树分类方法识别的2018年黑龙江省大豆种植区面积估算总精度为97.09%，Kappa系数为0.77，分类精度高于随机森林和支持向量机法。通过调整优化决策树模型，进行无样本年份大豆种植区识别和面积估算，得到2017—2021年黑龙江省大豆分布变化，总精度为90%以上，Kappa系数大于0.60，面积估算结果精度达95%以上。

关键词: 植被指数, 水体指数, 光谱分析, 决策树分类

Abstract:

Multi-temporal MODIS image data of Heilongjiang province from 2017 to 2021 were selected, and based on Google Earth Engine (GEE) geospatial analysis cloud platform, the spectral reflectance of various types of features as well as the difference characteristics of indices such as Normalized Difference Vegetation Index (NDVI) and Normalized Difference Water Index (NDWI) were compared and analyzed.A classification decision tree was established to identify soybean planting areas in Heilongjiang province, estimate the area, and compare with other classification methods.The results show that the total accuracy of estimating the area of soybean planting areas in Heilongjiang province in 2018 identified based on the decision tree classification method is 97.09%, and the Kappa coefficient is 0.77, which is higher than the random forest and support vector machine methods in terms of classification accuracy.By adjusting and optimizing the decision tree model for soybean planting area identification and area estimation in the year without sample, the soybean distribution change in Heilongjiang province from 2017 to 2021 was obtained with a total accuracy of more than 90%, a Kappa coefficient of more than 0.60, and an accuracy of more than 95% for the area estimation results.

Key words: Vegetation index, Water index, Spectral analysis, Decision tree classification

中图分类号:

TP79/P407.8

宋瑞,赵恒谦,于文颖,杨屹峰,李子涵. 基于多时相MODIS数据的黑龙江省大豆种植区识别与面积估算[J]. 气象与环境学报, 2024, 40(6): 89-97.

Rui SONG,Hengqian ZHAO,Wenying YU,Yifeng YANG,Zihan LI. Identification and area estimation of soybean planting areas in Heilongjiang province based on multi-temporal MODIS data[J]. Journal of Meteorology and Environment, 2024, 40(6): 89-97.

图/表 12

图1

表1

表2

图2

图3

图4

图5

表3

表4

图6

表5

表6

参考文献 37

1	Zhi F , Dong Z H , Guga S R , et al. Rapid and automated mapping of crop type in Jilin province using historical crop labels and the Google Earth Engine[J]. Remote Sensing, 2022, 14 (16): 4028. doi: 10.3390/rs14164028
2	崔方宁, 宋晓宇, 孙宝生, 等. 基于多时相TM影像的冬小麦面积变化监测[J]. 遥感信息, 2012, 27 (5): 89- 95. doi: 10.3969/j.issn.1000-3177.2012.05.016
3	Yi Z W , Jia L , Chen Q T . Crop classification using multi-temporal Sentinel-2 data in the Shiyang river basin of China[J]. Remote Sensing, 2020, 12 (24): 4052. doi: 10.3390/rs12244052
4	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. doi: 10.3964/j.issn.1000-0593(2011)02-0483-05
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.
6	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.
7	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.
8	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.
9	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. doi: 10.6041/j.issn.1000-1298.2015.S0.040
10	黄青, 吴文斌, 邓辉, 等. 2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测[J]. 江苏农业科学, 2010, (6): 508- 511. doi: 10.3969/j.issn.1002-1302.2010.06.201
11	乔红波, 张慧, 程登发. 不同时序EOS /MODIS-NDVI监测河南省冬小麦面积[J]. 安徽农业科学, 2008, 36 (27): 11940- 11941. doi: 10.3969/j.issn.0517-6611.2008.27.173
12	李颖, 陈秀万, 段红伟, 等. 多源多时相遥感数据在冬小麦识别中的应用研究[J]. 地理与地理信息科学, 2010, 26 (4): 47-49, 封3.
13	姬忠林, 张月平, 李乔玄, 等. 基于GF-1影像的冬小麦和油菜种植信息提取[J]. 遥感技术与应用, 2017, 32 (4): 760- 765.
14	姜伊兰, 陈保旺, 黄玉芳, 等. 基于Google Earth Engine和NDVI时序差异指数的作物种植区提取[J]. 地球信息科学学报, 2021, 23 (5): 938- 947.
15	Yao J X , Wu J , Xiao C Z , et al. The classification method study of crops remote sensing with deep learning, machine learning, and Google Earth Engine[J]. Remote Sensing, 2022, 14 (12): 2758. doi: 10.3390/rs14122758
16	周珂, 柳乐, 张俨娜, 等. 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
17	潘力, 夏浩铭, 王瑞萌, 等. 基于Google Earth Engine的淮河流域越冬作物种植面积制图[J]. 农业工程学报, 2021, 37 (18): 211- 218. doi: 10.11975/j.issn.1002-6819.2021.18.025
18	Phalke A , Ozdogan M , Thenkaball P , et al. Mapping croplands of Europe, Middle East, Russia, and Central Asia using Landsat 30-m data, machine learning algorithms and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167, 104- 122. doi: 10.1016/j.isprsjprs.2020.06.022
19	Tian H F , Pei J , Huang J X , et al. Garlic and winter wheat identification based on active and passive satellite imagery and the Google Earth Engine in Northern China[J]. Remote Sensing, 2020, 12 (21): 3539. doi: 10.3390/rs12213539
20	翟墨, 李秀芬, 刘丹, 等. 黑龙江省大豆生长季旱涝时空分布特征[J]. 气象与环境学报, 2023, 39 (1): 92- 99. doi: 10.3969/j.issn.1673-503X.2023.01.011
21	于文颖, 冯锐, 纪瑞鹏, 等. 基于MODIS数据的水稻种植面积提取研究进展[J]. 气象与环境学报, 2011, 27 (2): 56- 61. doi: 10.3969/j.issn.1673-503X.2011.02.010
22	王璇. 基于MODIS时间序列的河南主要农作物种植信息提取[D]. 开封: 河南大学, 2019.
23	石涛, 张安伟, 杨太明, 等. 基于高分卫星的一季稻面积遥感估算[J]. 气象与环境学报, 2020, 36 (2): 92- 97. doi: 10.3969/j.issn.1673-503X.2020.02.012
24	唐晓玲, 任红玲, 王杰, 等. 吉林省主要产粮区NDVI时空变化特征[J]. 气象与环境学报, 2015, 31 (2): 103- 107.
25	冯锐, 纪瑞鹏, 武晋雯, 等. 基于FY3/MERSI数据的辽宁省植被指数重建及时空变化分析[J]. 气象与环境学报, 2022, 38 (1): 65- 73. doi: 10.3969/j.issn.1673-503X.2022.01.009
26	张悦琦, 李荣平, 穆西晗, 等. 基于多时相GF-6遥感影像的水稻种植面积提取[J]. 农业工程学报, 2021, 37 (17): 189- 196. doi: 10.11975/j.issn.1002-6819.2021.17.021
27	秦慧杰, 王宗伟, 陈成, 等. 基于序列影像的东台市秋季农作物提取[J]. 安徽农业科学, 2021, 49 (15): 227- 231.
28	刘状, 李纲, 石晨烈, 等. 基于多时相遥感数据聚类决策树方法的白水县农作物识别[J]. 山东农业大学学报(自然科学版), 2022, 53 (5): 728- 734. doi: 10.3969/j.issn.1000-2324.2022.05.010
29	吴宏安, 蒋建军, 张海龙, 等. 比值居民地指数在城镇信息提取中的应用[J]. 南京师大学报(自然科学版), 2006, 29 (3): 118- 121.
30	余超, 李明阳, 何隆华. 利用决策树分类方法的南京江宁水稻面积变化研究[J]. 遥感信息, 2015, 30 (2): 80- 84.
31	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.
32	孙庆松. 基于Sentinel数据的县域尺度农作物分类研究[D]. 邯郸: 河北工程大学, 2021.
33	权文婷, 王钊. 冬小麦种植面积遥感提取方法研究[J]. 国土资源遥感, 2013, 25 (4): 8- 15.
34	Tatsuml K , Yamashiki Y , Morante A K M , et al. Pixel-based crop classification in Peru from Landsat 7 ETM+ images using a Random Forest model[J]. Journal of Agricultural Meteorology, 2016, 72 (1): 1- 11.
35	何昭欣, 张淼, 吴炳方, 等. Google Earth Engine支持下的江苏省夏收作物遥感提取[J]. 地球信息科学学报, 2019, 21 (5): 752- 766.
36	You N S , Dong J W , Huang J X , et al. The 10-m crop type maps in Northeast China during 2017-2019[J]. Scientific Data, 2021, 8 (1): 41.
37	吴宗洋, 蔡卓雅, 郭英, 等. 黄河流域多源遥感土地覆被数据精度评价与一致性分析[J]. 中国生态农业学报(中英文), 2023, 31 (6): 917- 927.

波段名称	波段简称	波长/nm	波段描述	分辨率/m
sur_refl_b01	Band1	620~670	红光波段(Red)	500
sur_refl_b02	Band2	841~876	近红外波段(NIR)	500
sur_refl_b03	Band3	459~479	蓝光波段(Blue)	500
sur_refl_b04	Band4	545~565	绿光波段(Green)	500
sur_refl_b05	Band5	1230~1250	短波红外波段(SWIR)	500
sur_refl_b06	Band6	1628~1652	-	500
sur_refl_b07	Band7	2105~2155	-	500

数据日期	大豆生育期	玉米生育期	水稻生育期
2018/05/25	出苗期	出苗期	移栽期
2018/06/18	三真叶期	七叶期	分蘖期
2018/07/28	开花期	抽穗期	孕穗期
2018/08/13	结荚期	吐丝期	抽穗期
2018/09/14	鼓粒期	乳熟期	乳熟期

方法	总体精度/(%)	Kappa系数	识别面积/ha
决策树法	97.09	0.77	3.575×10⁶
随机森林法	95.42	0.50	3.140×10⁶
支持向量机法	93.26	0.55	8.943×10⁶

年份	影像日期	特征指标阈值设置
2017年	2017/05/25 2017/06/18 2017/08/13	RRI₀₈₁₃ < 0.10 NDVI₀₅₂₅ < 0.53 NDWI₀₅₂₅ < -0.45 NDVI₀₅₂₅>0.36 NDVI₀₆₁₈ < 0.72
2018年	2018/05/25 2018/06/18 2018/08/13	RRI₀₈₁₃ < 0.10 NDVI₀₅₂₅ < 0.52 NDWI₀₅₂₅ < -0.45 NDVI₀₅₂₅>0.36 NDVI₀₆₁₈ < 0.72
2019年	2019/05/25 2019/06/18 2019/07/28 2019/09/14	RRI₀₇₂₈ < 0.10 NDWI₀₅₂₅ < -0.42 NDVI₀₅₂₅>0.33 NDVI₀₆₁₈ < 0.72 sur_refl_b05₀₉₁₄>0.247 sur_refl_b07₀₉₁₄>0.08
2020年	2020/05/24 2020/06/25 2020/08/12	RRI₀₈₁₂ < 0.10 NDVI₀₅₂₄ < 0.50 NDWI₀₅₂₄ < -0.45 NDVI₀₆₂₅>0.63
2021年	2021/06/18 2021/08/13 2021/09/14	RRI₀₈₁₃ < 0.10 NDVI₀₉₁₄ < 0.64 NDWI₀₉₁₄ < -0.57 NDVI₀₆₁₈ < 0.74 sur_refl_b07₀₉₁₄>0.09

年份	识别大豆种植区面积/ha	农业统计大豆种植面积/ha	相对误差/(%)
2017年	3.7629×10⁶	3.7355×10⁶	0.7
2018年	3.5735×10⁶	3.5682×10⁶	0.1
2019年	4.3155×10⁶	4.2795×10⁶	0.8
2020年	4.6782×10⁶	4.8322×10⁶	-3.2
2021年	3.8929×10⁶	3.8882×10⁶	0.1