使用 GEE 实施评估从粗到细分辨率多光谱卫星绘制稻田地图的效率

GEE遥感训练营 · 公众号 · · 2024-03-18 21:30

正文

请到「今天看啥」查看全文

题目：Evaluating the efciency of coarser to fner resolution multispectral satellites in mapping paddy rice felds using GEE implementation

期刊：Scientific Reports

第一作者：MirzaWaleed

发表单位：COMSATS University Islamabad

发表日期：2022年

1. 摘要

研究背景：稻田是重要的农作物之一，对其准确制图对于农业生产和粮食安全至关重要。多光谱卫星数据在稻田制图中发挥着重要作用，但不同分辨率的卫星数据对制图效率和准确性可能有不同影响。因此，评估不同分辨率卫星数据在稻田制图中的效率具有重要意义。早期的研究支持了Sentinel-2、Landsat-8和MODIS多光谱仪的单独能力，用于稻田作物分类。然而，到目前为止，没有研究比较这些多光谱仪在分类单个稻田作物方面的效率。

拟解决的科学问题：研究旨在比较Sentinel-2、Landsat-8和MODIS多光谱仪器在稻田作物分类方面的效率。这些仪器的数据被用于GEE平台上的稻田作物分类，通过准确性评估和面积估计来比较。研究的结果将帮助决策者和政策制定者在制定政策时获得关于稻田作物生产区域和产量预测的关键信息。

创新点：本研究的创新点在于，它比较了Sentinel-2、Landsat-8和MODIS多光谱仪器在稻田作物分类方面的效率，通过准确性评估和面积估计。

2. 研究方法

研究使用了Sentinel-2、Landsat-8和MODIS数据集（在GEE数据目录中免费可用），分别和单独地用于稻田分类。为了公平比较这三个数据集，保持了相同的训练和验证数据、相同的卫星数据获取日期（7月至10月）、使用中位数以确保最佳像素覆盖、使用相同的光谱波段（如果存在）、在每个分类中使用相同的RF分类器，并最后，应用相同的程序进行准确性评估和面积估计。这些数据集在GEE内部使用，首先，这些数据集与云遮罩单独使用，确保数据中的最小云覆盖。然后，过滤了7月至10月之间的图像，并取中位数。然后，将数据集裁剪到研究区域的边界。对于Sentinel-2和Landsat-8 ，使用可见波段与NIR和SWIR波段，因为NIR和SWIR波段增强了作物分类。然而，对于MODIS，使用250米分辨率的波段1 SWIR和波段2 NIR图像

水稻作物分类方法流程图

3. 研究结果

研究发现，Sentinel-2的总体准确性为 96% ，Landsat-8为 91.7% ，MODIS为 82.6% 。F1-Scores对于Sentinel-2、Landsat-8和MODIS分别为83.8%、75.5%和65.5%。稻田估计面积相对较好地与农业部提供的作物统计报告相对应，Sentinel-2和MODIS的平均百分比差异少于20%，Landsat-8为33%。研究的结果突出了三个要点：(a)稻田映射准确性随空间分辨率的增加而提高，(b) Sentinel-2能够有效地区分单个农场级稻田，而Landsat-8无法做到，(c)使用卫星图像比政府提供的统计数据观察到了稻田种植面积的增加。

研究区域（南旁遮普省）的地图

2020年南旁遮普省水稻生产的实况数据

稻谷的平均 NDVI 时间曲线，使用 Sentinel-2、Landsat-8 和 MODIS 衍生的 NDVI 数据，以及稻谷的平均 Sentinel-1 回波系数（dB）时间曲线

南旁遮克里夫地区 202 0 年季节中，利用 Sentinel-2 的作物 NDVI 时间变化（a），以及平均每月白天和黑夜的陆地表面温度 (LST) 以及 CHIRPS 降水的时间变化（b）

研究区域的训练样本，(a) 所有样本，(b) 稻田样本，(c) 非稻田样本，和 (d) 水体样本

稻田照片，拍摄于研究区域内不同位置和时间段的训练样本收集期间。这些照片（a-c）由第一作者在实地调查中拍摄

2020年南部旁遮普的水稻作物地图，使用Sentinel-2、Landsat-8和MODIS数据集

在南部旁遮普的随机位置比较分类地图，使用VHR Google Earth影像（a），Sentinel-2 10m衍生的NDVI（b），使用Sentinel -2（c）、Landsat-8（d）和MODIS（e）进行水稻分类的地图

将使用三种仪器估算的水稻种植面积与之前发表的研究和2020年的作物统计报告进行比较。注意：图中的面积是针对木兰区进行比较的，在条形图中的标注显示了与作物统计报告相比面积的百分比增加或减少

4. 结果与讨论

在这项研究中，比较了三种免费开放的卫星数据集（Sentinel-2（10米）、Landsat-8（30米）和MODIS（250米）），以评估它们在巴基斯坦南部旁遮普省稻田映射中的效率和有效性。结果显示，随着空间分辨率的增加，稻田分类得到了改善。在这三种数据集中，空间分辨率最低的数据集 MODIS无法精确分类个别的稻田。然而，另外两个高分辨率数据集（即Sentinel-2和Landsat-8）能够准确跟踪作物的生长阶段，制作其生长曲线并研究时间趋势。通过视觉解译、精度评估和面积估计的平均差异，观察到在这种情况下，MODIS无法正确分类个别的稻田。然而，Landsat-8能够准确地分类水稻田，但存在适度的误分类。与MODIS和Landsat-8相比， Sentinel-2在区分个别的稻田方面表现最佳，误分类较低，并且显示出较小的平均面积估计差异。由于资源和训练数据有限，这项研究仅侧重于使用RF分类器对南部旁遮普省进行分类。

在GEE内部使用JavaScript API，可以轻松地实现未来研究中采用相同方法的方法。未来的研究可能会集中在以下几个方面：（1）对整个巴基斯坦的稻田进行映射，可以使用相同的方法和代码在GEE内部轻松实现；（2）比较不同的机器学习分类器（如随机森林RF、支持向量机和人工神经网络）以有效分类水稻；（3）比较合成孔径雷达和多光谱仪器以有效映射水稻。

参考文献： Waleed M, Mubeen M, Ahmad A, et al. Evaluating the efficiency of coarser to finer resolution multispectral satellites in mapping paddy rice fields using GEE implementation[J]. Scientific Reports, 2022, 12(1): 13210.

- 往期回顾 -

1. GEE 去云专题与数据下载详解

2. Nature 子刊 | 运河网络调节了从退化热带泥炭地流失的碳量

3. GEE _ xtract：面向多时空尺度生态制图的高质量遥感数据准备与提取