决策树模型实现冬小麦提取_pie提取冬小麦代码

决策树模型实现冬小麦提取

依据作物在不同物候期内卫星影像的光谱存在差异的特征，可建立冬小麦提取算法，进行像元尺度冬小麦提取。

初始化环境

import aie

aie.Authenticate()
aie.Initialize()
1
2
3
4

指定需要检索的区域

feature_collection = aie.FeatureCollection('China_Province') \
                        .filter(aie.Filter.eq('province', '贵州省'))
region = feature_collection.geometry()
1
2
3

去云

因为SENTINEL_MSIL2A数据集现在AIE还没有去云波段，所以这一步目前还不能做。

影像检索

贵州省冬小麦典型物候期。播种期 10中上旬-11月上旬，旺长期2月上旬-3月，成熟期4月下旬-5月上旬

# 播种期影像
img1 = aie.ImageCollection('SENTINEL_MSIL2A') \
             .filterBounds(region) \
             .filterDate('2020-10-01', '2020-11-11') \
             .filter(aie.Filter.lte('eo:cloud_cover',60.0)) \
             .select(["B11","B8","B4","B3","B2"])\
             .median()
             # .map(removeLandsatCloud)          
1
2
3
4
5
6
7
8

# 拔节期影像
img2 = aie.ImageCollection('SENTINEL_MSIL2A')\
    .filterDate("2021-02-01", "2021-03-01")\
    .filterBounds(region)\
    .filter(aie.Filter.lt('eo:cloud_cover', 60))\
    .select(["B11","B8","B4","B3"])\
    .median()
1
2
3
4
5
6
7

# 成熟收获期影像
img3 = aie.ImageCollection('SENTINEL_MSIL2A')\
    .filterDate("2021-04-20", "2021-05-10")\
    .filterBounds(region)\
    .filter(aie.Filter.lt('eo:cloud_cover', 60))\
    .select(["B11","B8","B4","B3","B2",])\
    .median()
1
2
3
4
5
6
7

波段提取

red1 = img1.select("B4")
nir1 = img1.select("B8")
swir1 = img1.select("B11")
red2 = img2.select("B4")
nir2 = img2.select("B8")
red3 = img3.select("B4")
nir3 = img3.select("B8")
1
2
3
4
5
6
7

ndvi1 = (nir1.subtract(red1)).divide(nir1.add(red1)).rename(["NDVI"]).select("NDVI")
nbr1 = (nir1.subtract(swir1)).divide(nir1.add(swir1)).rename(["NBR"]).select("NBR")
ndvi2 = (nir2.subtract(red2)).divide(nir2.add(red2)).rename(["NDVI"]).select("NDVI")
ndvi3 = (nir3.subtract(red3)).divide(nir3.add(red3)).rename(["NDVI"]).select("NDVI")
1
2
3
4

# 小麦在10月份的近红外波段更大，短波红外波段更小
# 条件1：播种期NDVI小，NBR小
# 条件2：拔节期抽穗期 NDVI大
# 条件3：成熟期NDVI小于拔节期NDVI

wheat = ndvi1.lt(aie.Image.constant(0.3))\
            .And(nbr1.lt(aie.Image.constant(0.07)))\
            .And(ndvi2.gt(aie.Image.constant(0.32)))\
            .And(ndvi3.lt(ndvi2))\
            .clip(region)
1
2
3
4
5
6
7
8
9
10

数据可视化

之前我运行过了，等一下我们之间看本地效果。

# 结果可视化

map = aie.Map(
    center=region.getCenter(),
    height=800,
    zoom=7
)

vis_params = {
    'color': '#00FF00'
}

map.addLayer(
    region,
    vis_params,
    'region',
    bounds=region.getBounds()
)

mask_vis  = {
    'min': 0,
    'max': 1,
    'palette': ['#ffffff', '#008000']    # 0:白色, 1:绿色
}

ndvi_vis  = {
    'min': -0.2,
    'max': 0.6,
    'palette': ['#d7191c', '#fdae61', '#ffffc0', '#a6d96a', '#1a9641']
}

map.addLayer(ndvi1,ndvi_vis, 'ndvi1', bounds=region.getBounds())
map.addLayer(nir1,ndvi_vis, 'nir1', bounds=region.getBounds())
map.addLayer(ndvi2,ndvi_vis, 'ndvi2', bounds=region.getBounds())
map.addLayer(ndvi3,ndvi_vis, 'ndvi3', bounds=region.getBounds())
map.addLayer(wheat,mask_vis, 'wheat', bounds=region.getBounds())    # 绿色区域为小麦

map
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

重分类

wheat = wheat.where(wheat.eq(aie.Image.constant(0)),aie.Image(0))\
             .where(wheat.eq(aie.Image.constant(1)),aie.Image(1))
1
2

导出数据

task = aie.Export.image.toAsset(wheat,'wheat',100)
task.start()
1
2

精度评价

由于分类后处理的很多函数，aie都还没有，所以，可以去ArcGIS来看看结果。

这里可以计算一下面积，然后和贵州省冬小麦的播种的实际面积进行比较。



$$AIE提取面积S1=125867\ast 100\ast 100/10000=125867ha=125kha$$
$$PIE提取面积S2=114kha$$
$$统计年鉴播种面积S3=138.05kha$$
以S2为真值，则
$$\frac{\left|S1-S3\right|}{S3}=\frac{\left|125-138\right|}{138}=9.4\%$$
$$\frac{\left|S2-S3\right|}{S3}=\frac{\left|114-138\right|}{138}=17.3\%$$

总结一下吧，我也不是比较，完全没有黑的意思，也没有踩和贬的意思。就是一样的数据，差不多的代码，跑下来结果相差有一点点大。原因的话，AIE里面没有去云，没有分类后处理，还有就是AIE里面我运行下来，空值较多，当然这也是和我的搜索条件有关。
本案例主要引用了AIE和PIE里面的案例，然后自己修改的。