摘 要 作物種植面積提取方式的選取，對(duì)農(nóng)作物遙感監(jiān)測(cè)有重要意義。為探究夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與星載合成孔徑雷達(dá)（synthetic aperture radar，SAR）融合時(shí)序3種方案在夏玉米種植區(qū)識(shí)別的差異，選取山東商河為研究區(qū)?；诠雀璧厍蛞妫℅oogle Earth Engine，GEE）云平臺(tái)Sentinel-1/2數(shù)據(jù)，構(gòu)建分類數(shù)據(jù)集，結(jié)合地面調(diào)查制作分類樣本，采用隨機(jī)森林法進(jìn)行3種方案下研究區(qū)夏玉米種植區(qū)域提取，并分析各方案精度。結(jié)果表明：3種方案均能較高精度地實(shí)現(xiàn)夏玉米與其他作物的區(qū)分；相對(duì)于夏玉米遙感識(shí)別最佳時(shí)相方案，夏玉米遙感識(shí)別光學(xué)時(shí)序方案下夏玉米總體分類精度由83.01%提高到89.44%，Kappa系數(shù)由0.77提高到0.86；相對(duì)于夏玉米遙感識(shí)別最佳時(shí)相和夏玉米遙感識(shí)別光學(xué)時(shí)序方案，夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序方案的總體分類精度最高，達(dá)92.51%，Kappa系數(shù)達(dá)0.89。研究表明，夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序方案可以在較高精度下有效識(shí)別夏玉米種植區(qū)，為發(fā)育期內(nèi)的農(nóng)情調(diào)查管理提供參考。

關(guān)鍵詞 谷歌地球引擎（GEE）；Sentinel-1/2衛(wèi)星；夏玉米；隨機(jī)森林法

中圖分類號(hào)： S127" 文獻(xiàn)標(biāo)志碼： A" 文章編號(hào)： 2096-3599（2024）03-0122-11

DOI：10.19513/j.cnki.hyqxxb.20240128001

Recognition methods of summer maize planting areas based on GEE and Sentinel-1/2 data

HAN Dongfeng1，2，3， LI Feng1，2，3， QIN Quan1，2，3， HU Xianfeng1，2，3， WANG Han1，2，3， DUAN Jinkui1，2，3， FENG Donghan1，2，3， CUI Ying4

（1. Key Laboratory for Meteorological Disaster Prevention and Mitigation of Shandong， Jinan 250031， China; 2. Shandong Climate Center， Jinan 250031， China; 3. Changdao National Climatology Observatory， Changdao 265800， China; 4. Research Center for Territorial Spatial Planning， Ministry of Natural Resources， Beijing 100034， China）

Abstract The selection of methods for extracting crop planting areas is of great significance for agricultural remote sensing monitoring. To explore the differences between optimum phase scheme， time series optical data scheme and optical-SAR （synthetic aperture radar） fusion phase scheme in remote sensing recognition of summer maize planting areas， Shanghe County of Shandong Province is taken as the study area. Based on the Sentinel-1/2 data from the GEE （Google Earth Engine） cloud platform， three datasets are constructed. Combined with ground survey samples， random forest method is used to extract the summer maize planting areas in the study area using three schemes， and the accuracy of each scheme is analyzed. The result shows that all the three schemes can achieve high accuracy in distinguishing summer maize planting areas from other crops. Compared with the optimum phase scheme， the time series optical data scheme improves the overall classification accuracy of summer maize from 83.01% to 89.44%， and the Kappa coefficient increases from 0.77 to 0.86. Compared with the optimum phase scheme and time series optical data scheme， the overall classification accuracy of the optical-SAR fusion phase scheme is the highest， reaching 92.51%， and the Kappa coefficient reaches 0.89. The classification results show that the optical-SAR fusion phase scheme can effectively recognize summer maize planting areas with high accuracy， providing reference for agricultural investigation and management during the growing season.

Keywords GEE （Google Earth Engine）; Sentinel-1/2 satellite; summer maize; random forest method

引言

玉米是世界三大糧食作物之一，在農(nóng)業(yè)生產(chǎn)中占據(jù)重要地位，客觀、及時(shí)、準(zhǔn)確提取玉米種植信息，對(duì)保障國(guó)家糧食安全和經(jīng)濟(jì)持續(xù)發(fā)展尤為重要［1-4］。夏玉米精細(xì)化提取依賴于對(duì)夏玉米和大豆玉米帶狀復(fù)合種植的精確提取，特別是大豆玉米帶狀復(fù)合種植推廣面積連年增長(zhǎng)，使得對(duì)夏季作物的田間管理等有了新的要求［5］，準(zhǔn)確估計(jì)夏玉米及大豆玉米帶狀復(fù)合種植面積對(duì)農(nóng)業(yè)生產(chǎn)有重要意義。

早期，通過人工地面抽樣調(diào)查和層層上報(bào)等方式獲取農(nóng)作物種植面積信息，存在效用低、數(shù)據(jù)空間分布不連續(xù)的問題［6］。遙感自誕生以來，以其快速、連續(xù)、高效的特點(diǎn)為監(jiān)測(cè)農(nóng)作物種植面積信息提供了極佳的數(shù)據(jù)源［7-8］，遙感結(jié)合抽樣調(diào)查的技術(shù)手段調(diào)查農(nóng)作物面積在農(nóng)作物種植面積提取方面具有潛在的應(yīng)用價(jià)值［9］。近年來，隨著高時(shí)空分辨率遙感數(shù)據(jù)日漸豐富，遙感數(shù)據(jù)已經(jīng)具備了明顯的大數(shù)據(jù)特征，如何利用不斷更新的遙感影像精確提取作物種植面積，繼而服務(wù)于農(nóng)業(yè)生產(chǎn)一直是農(nóng)業(yè)遙感關(guān)注的主要問題［10-11］。

2015年谷歌地球引擎（Google Earth Engine，GEE）公測(cè)上線，標(biāo)志著利用云計(jì)算進(jìn)行遙感分析的時(shí)代正式到來［12］。GEE是一個(gè)專門處理衛(wèi)星影像和其他地球觀測(cè)數(shù)據(jù)的云端運(yùn)算平臺(tái)（https：//earthengine.google.com/），由谷歌、卡內(nèi)基梅隆大學(xué)、美國(guó)地質(zhì)調(diào)查局共同開發(fā)，能夠支持海量的數(shù)據(jù)運(yùn)算與地理信息數(shù)據(jù)可視化［13］。此平臺(tái)存儲(chǔ)了大量的遙感數(shù)據(jù)，包括中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）、美國(guó)陸地衛(wèi)星（Landsat）和哨兵衛(wèi)星（Sentinel）等系列影像數(shù)據(jù)集及各類產(chǎn)品數(shù)據(jù)集，在相關(guān)領(lǐng)域的研究中提供了極大的便利。宮詔健等［14］利用MODIS數(shù)據(jù)構(gòu)建玉米歸一化植被指數(shù)（normalized difference vegetation index，NDVI）時(shí)序曲線，采用動(dòng)態(tài)振幅閾值等方法提取了玉米關(guān)鍵物候期，利用決策樹分類法估計(jì)了遼寧春玉米種植面積，精度超過89.29%。張健康等［15］和李莉等［10］運(yùn)用多時(shí)相Landsat和MODIS 增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）遙感影像數(shù)據(jù)，采用監(jiān)督分類與決策樹分類相結(jié)合的方法對(duì)研究區(qū)主要農(nóng)作物進(jìn)行遙感解譯，結(jié)果表明多時(shí)相數(shù)據(jù)分類精度高，能較好地反映作物的分布狀況。單捷等［16］利用Radarsat-2影像和支持向量機(jī)及最大似然法對(duì)各時(shí)相水稻種植面積進(jìn)行提取，精度均超過90%。谷祥輝等［17］利用 Sentinel-2時(shí)間序列數(shù)據(jù)和多種植被指數(shù)，采用多種分類方法進(jìn)行作物分類研究，結(jié)果表明隨機(jī)森林法結(jié)合時(shí)間序列植被指數(shù)的分類效果最佳。Huang等［18］和Fan等［19］基于Sentinel-2時(shí)間序列影像使用隨機(jī)森林和分段邏輯函數(shù)算法進(jìn)行作物提取，在準(zhǔn)確度和時(shí)效性方面顯現(xiàn)出較大優(yōu)勢(shì)。Bhogapurapu等［20］利用GEE和Sentinel-1 地距多視影像（Ground Range Detected，GRD）數(shù)據(jù)的完整極化信息，提取雙極化指標(biāo)，用于小麥和油菜的生長(zhǎng)評(píng)估。葉智燕［21］利用Sentinel-2計(jì)算的EVI時(shí)序曲線鎖定冬小麥關(guān)鍵物候期，并結(jié)合Sentinel-1影像，極化方式為垂直-垂直極化（vertical-vertical polarization，簡(jiǎn)稱為“VV”）的后向散射系數(shù)在冬小麥關(guān)鍵物候期的特征，實(shí)現(xiàn)冬小麥的種植面積提取。董心君等［22］利用動(dòng)態(tài)歸一化后向散射系數(shù)（normalized difference sigma naught index，NDSI）實(shí)現(xiàn)水稻快速分類。夏季作物種植結(jié)構(gòu)復(fù)雜，大豆玉米帶狀復(fù)合種植的不斷推廣使得遙感用于夏玉米（大豆玉米帶狀復(fù)合種植）的提取面臨更多難點(diǎn)。目前，夏季作物遙感提取對(duì)夏玉米（大豆玉米帶狀復(fù)合種植）精細(xì)化提取研究仍較為缺乏，已有研究大多局限于中大尺度或單一指標(biāo)，如MODIS、Landsat相關(guān)指標(biāo)及Sentinel-1的VV波段、Sentinel-2 的NDVI等，基于多源數(shù)據(jù)與多種指標(biāo)的10 m級(jí)空間分辨率夏玉米（大豆玉米帶狀復(fù)合種植）精細(xì)化空間分布特征有待深入研究。

此文擬基于GEE云平臺(tái)構(gòu)建夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與星載合成孔徑雷達(dá)（synthetic aperture radar，SAR）融合時(shí)序及其相關(guān)指數(shù)如NDVI、EVI、地表水體指數(shù)（land surface water index，LSWI），構(gòu)建3種分類數(shù)據(jù)集應(yīng)用于夏玉米種植區(qū)提取中，并分析各方法精度。首先，基于米級(jí)分辨率數(shù)據(jù)和帶有地理信息的實(shí)地調(diào)查圖片制作夏季作物分類樣本點(diǎn)；其次，基于GEE云平臺(tái)按照不同時(shí)間段統(tǒng)籌3種數(shù)據(jù)集及相應(yīng)指數(shù)；最后，將樣本和數(shù)據(jù)集作為GEE隨機(jī)森林分類器的輸入，導(dǎo)出分類結(jié)果并進(jìn)行整體和樣例的精度驗(yàn)證，比較分析不同數(shù)據(jù)集情境下夏玉米種植區(qū)域提取結(jié)果。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為山東省濟(jì)南市商河縣（圖1），地處山東北部，地理位置為116°58′～117°26′E、37°06′～37°32′N，地勢(shì)平緩、河流較多，屬大陸性暖溫帶半濕潤(rùn)季風(fēng)氣候，年均氣溫為12.3 ℃，年降水量大約為600 mm。商河是典型農(nóng)業(yè)縣，種植結(jié)構(gòu)較為單一。由于前茬作物的不同，夏玉米播種時(shí)間存在差異，主要分為大蒜茬夏玉米和小麥茬夏玉米。

1.2 研究數(shù)據(jù)

1.2.1 地面數(shù)據(jù)采集與樣本構(gòu)建

利用外業(yè)數(shù)據(jù)采集地圖軟件外業(yè)精靈分別于2023年7月中旬和8月中旬在商河現(xiàn)場(chǎng)采集樣本，現(xiàn)場(chǎng)采集的地面調(diào)查地塊共201處?；诂F(xiàn)場(chǎng)采集樣本和衛(wèi)星影像，制作間距大于30 m的樣本點(diǎn)數(shù)據(jù)集，地類主要包括玉米、大豆玉米帶狀復(fù)合種植和其他類型，樣本點(diǎn)總數(shù)為3 987個(gè)（圖1）。在樣本點(diǎn)中隨機(jī)抽取90%進(jìn)行訓(xùn)練，其余樣本點(diǎn)用于精度驗(yàn)證。

1.2.2 分類影像選擇

本研究以Sentinel-1和Sentinel-2為數(shù)據(jù)源（表1），Sentinel-1目前僅有Sentinel-1A在軌工作，重訪周期為12 d，搭載基于C波段雷達(dá)成像系統(tǒng)；Sentinel-2由Sentinel A、B兩顆衛(wèi)星組成星座，組成星座后重訪周期僅為6 d，搭載多光譜成像儀有13個(gè)通道。本研究采集2023年6月1日—10月31日的Sentinel-2大氣校正產(chǎn)品（Sentinel-2 L2A）和 Sentinel-1 GRD產(chǎn)品。

1.3 研究方法

1.3.1 技術(shù)路線

為準(zhǔn)確探究不同分類指標(biāo)組合對(duì)夏玉米和大豆玉米帶狀復(fù)合種植識(shí)別的影響，基于GEE云平臺(tái)和不同分類指標(biāo)組合進(jìn)行夏玉米和大豆玉米帶狀復(fù)合種植面積提取，并進(jìn)行精度驗(yàn)證。選取 Sentinel-1/2構(gòu)建包含波段特征和相關(guān)指數(shù)的夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序、夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序特征數(shù)據(jù)集3種方案（表2），分析不同分類指標(biāo)組合情境對(duì)夏玉米及大豆玉米帶狀復(fù)合種植提取精度的影響（圖2）。

1.3.2 數(shù)據(jù)集構(gòu)建

Sentinel-1影像經(jīng)過按照時(shí)間、研究區(qū)和工作模式的篩選處理，Sentinel-2影像經(jīng)過按照時(shí)間、研究區(qū)的篩選以及利用Cloud Score+的去云處理。選取Sentinel-1的VV、垂直-水平極化（vertical-horizontal polarization，簡(jiǎn)稱為“VH”）波段及SDWI［23］［公式（1）］，Sentinel-2的6個(gè)波段（藍(lán)、綠、紅、近紅外、短波紅外1、短波紅外2）、NDWI［24］［公式（2）］和3個(gè)常用植被指數(shù)NDVI［25］［公式（3）］、EVI［26］［公式（4）］和LSWI［27］［公式（5）］共10個(gè)指標(biāo)參與監(jiān)督分類（表2）。

ISDW=ln（10·ρVV·ρVH）-8，（1）

INDW=ρGREEN-ρNIRρGREEN+ρNIR ，（2）

INDV=ρNIR-ρREDρNIR+ρRED ，（3）

IEV=2.5（ρNIR-ρRED）ρNIR+6ρRED-7.5ρBLUE+1 ，（4）

ILSW=ρNIR-ρSWIR1ρNIR+ρSWIR2 。（5）

式中：ISDW為Sentinel-1雙極化水體指數(shù)，ρVV為Sentinel-1 VV波段反射率，ρVH為Sentinel-1 VH波段反射率，INDW為歸一化水體指數(shù)，ρGREEN為Sentinel-2綠色波段反射率，ρNIR為Sentinel-2近紅外波段反射率，INDV為歸一化植被指數(shù)，ρRED為Sentinel-2紅色波段反射率，IEV為增強(qiáng)植被指數(shù)，ρBLUE為Sentinel-2藍(lán)色波段反射率，ILSW為地表水體指數(shù)，ρSWIR1和ρSWIR2為Sentinel-2短波紅外波段反射率。

夏玉米遙感識(shí)別最佳時(shí)相一般在穗期—抽雄期（8月10—20日）［28-29］，因此以8月中旬拼接的 Sentinel-2影像為最佳時(shí)相。為了避免夏季多云和重訪次數(shù)不均勻?qū)е驴捎眯詳?shù)量不確定的問題，應(yīng)為時(shí)間序列影像的融合指定適當(dāng)?shù)臅r(shí)間間隔，構(gòu)建最佳時(shí)相、光學(xué)時(shí)序和光學(xué)與SAR融合時(shí)序及相關(guān)指數(shù)的3種數(shù)據(jù)集。時(shí)間序列步長(zhǎng)應(yīng)滿足各期Sentinel-1/2影像覆蓋整個(gè)研究區(qū)，經(jīng)驗(yàn)證步長(zhǎng)應(yīng)以月為周期可滿足需求，GEE云平臺(tái)統(tǒng)計(jì)數(shù)據(jù)顯示序列影像共包含5期數(shù)據(jù)（圖3）。

1.3.3 隨機(jī)森林法與指標(biāo)重要性評(píng)價(jià)

目前遙感監(jiān)督分類常用方法有決策樹法、最大似然值法、支持向量機(jī)法、隨機(jī)森林法等［30］。本研究通過GEE平臺(tái)建立隨機(jī)森林分類模型，進(jìn)而提取研究區(qū)地類信息。隨機(jī)森林法通過隨機(jī)采樣并放回地抽取的方式對(duì)樣本進(jìn)行重采樣，其中約80%的樣本數(shù)據(jù)作為袋內(nèi)數(shù)據(jù)創(chuàng)建決策樹，約20%的樣本作為袋外數(shù)據(jù)進(jìn)行模型驗(yàn)證，相對(duì)于其他方法，隨機(jī)森林法具有更高的準(zhǔn)確率且不會(huì)過度擬合數(shù)據(jù)［31］。

特征重要性指的是特征指標(biāo)對(duì)于分類結(jié)果的影響程度，能夠判斷輸入指標(biāo)對(duì)于結(jié)果的貢獻(xiàn)。隨機(jī)森林可以用來對(duì)特征重要性進(jìn)行評(píng)估，主要分為2種方法：（1）平均不純度減少（Mean Decrease Impurity，MDI），通過統(tǒng)計(jì)節(jié)點(diǎn)分裂時(shí)不純度的下降數(shù)值來衡量某個(gè)節(jié)點(diǎn)的重要性；（2）平均精確率減少（Mean Decrease Accuracy，MDA），方法是隨機(jī)交換袋外數(shù)據(jù)集中某個(gè)特征的值，然后重新進(jìn)行預(yù)測(cè)，通過衡量分類或回歸的準(zhǔn)確度下降程度來計(jì)算該特征的重要性。本研究采用GEE隨機(jī)森林法重要性評(píng)估方法對(duì)方案3中包含的相關(guān)特征重要性進(jìn)行評(píng)估并統(tǒng)計(jì)制作柱狀圖，重要性越高，表明特征對(duì)結(jié)果的貢獻(xiàn)值和重要性越大。

1.3.4 精度驗(yàn)證

混淆矩陣也稱誤差矩陣，是對(duì)實(shí)地驗(yàn)證的像元類型與遙感影像相對(duì)應(yīng)分類結(jié)果的比較，通過混淆矩陣方法可以得到總體精度（overall accuracy，OA）［公式（6）］、生產(chǎn)者精度（producer accuracy，PA）［公式（7）］、用戶精度（user accuracy，UA）［公式（8）］和Kappa系數(shù)（Kappa coefficient）［公式（9）］等精度衡量指標(biāo)。

VOA=∑ni=1XiiX，（6）

VPA=XiiXi*，（7）

VUA=XiiX*i，（8）

K=X∑ni=1Xii-∑ri=1Xi*X*iX2-∑ni=1Xi*+X*i。（9）

式中：n為類別總數(shù)；Xii為正確分類的像元數(shù)量；Xi*和X*i分別為第i行和第i列的像元數(shù)量；X為評(píng)估樣本像元總數(shù)；VOA為總體精度，指所有正確分類的土地覆蓋類別的檢驗(yàn)點(diǎn)數(shù)所占總抽取的檢核點(diǎn)數(shù)的百分比；VPA為生產(chǎn)者精度，表示在此次分類中，該類別的地面真實(shí)參考數(shù)據(jù)被正確分類的概率；VUA為用戶精度，表示在分類圖上，落在該類別上的檢驗(yàn)點(diǎn)，被正確分類為該類別的比率；K為Kappa系數(shù)，表示分類結(jié)果比隨機(jī)分類好多少的指標(biāo)，Kappa值的范圍為0～1，Kappa值越大表示分類精度越高。

2 結(jié)果與分析

2.1 結(jié)果及各分類方法比較

基于夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序、夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序3種方案提取商河玉米和大豆玉米帶狀復(fù)合種植面積（圖4）。3個(gè)方案提取結(jié)果均表明夏玉米全縣分布廣泛，中部和西南地區(qū)城市、工業(yè)用地集中的區(qū)域玉米分布相對(duì)稀疏。大豆玉米帶狀復(fù)合種植區(qū)主要分布在西部和北部，分布相對(duì)集中，與實(shí)地調(diào)查及從當(dāng)?shù)剞r(nóng)業(yè)部門獲取的信息較為符合。2022年統(tǒng)計(jì)年鑒顯示全縣夏玉米播種6.20萬hm2、大豆玉米帶狀復(fù)合種植播種620.00 hm2，占耕地總面積的84.03%。方案1—3夏玉米提取面積分別為7.33萬、7.53萬和6.90萬hm2，大豆玉米帶狀復(fù)合種植面積分別為913.33、813.33和600.00 hm2。與2023年統(tǒng)計(jì)年鑒相比，方案3提取的玉米和大豆玉米帶狀復(fù)合種植面積結(jié)果與統(tǒng)計(jì)數(shù)據(jù)僅差1.03萬hm2和20.00 hm2，精度分別達(dá)到86.96%和97.05%（表3）。

利用驗(yàn)證數(shù)據(jù)集通過混淆矩陣得到分類精度評(píng)價(jià)（表4）。所有分類方案的總體精度均大于80%，Kappa系數(shù)均大于0.77。方案1的總體精度最低，其分類特征僅包含光學(xué)衛(wèi)星波段及衍生指數(shù)，OA和Kappa系數(shù)分別為83.01%、0.77。方案2在方案1的基礎(chǔ)上加入了時(shí)序影像，OA和Kappa系數(shù)分別提高到89.44%、0.86。方案3的OA和Kappa系數(shù)最高，其加入SAR衛(wèi)星波段及衍生指數(shù)，與方案1比較，OA和Kappa系數(shù)分別提高了9.5%、0.12，達(dá)到92.51%、0.89（表4）。這表明方案3夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序是研究區(qū)夏玉米、大豆玉米帶狀復(fù)合種植面積提取的最佳方案。

圖4鷹眼圖區(qū)域展示3種方案分類結(jié)果與夏玉米遙感識(shí)別最佳時(shí)相RGB合成（R：B8，G：B4，B：B3）、6—8月SAR影像VV波段RGB合成（R：6月，G：7月，B：8月）和6—8月NDVI數(shù)據(jù)RGB合成（R：6月，G：7月，B：8月）進(jìn)行對(duì)比分析，結(jié)果顯示3種方案均包含區(qū)分夏玉米和大豆玉米帶狀復(fù)合種植的部分信息，時(shí)間序列數(shù)據(jù)和SAR數(shù)據(jù)挖掘了夏玉米和大豆玉米帶狀復(fù)合種植的其他信息，使得作物信息提取結(jié)果在圖斑邊緣和“椒鹽現(xiàn)象”有一定改善，圖斑邊界平滑性明顯提升。針對(duì)樣例區(qū)域進(jìn)行人工提取玉米、大豆玉米帶狀復(fù)合種植和其他作物面積的正確分類像元，正確分類像元驗(yàn)證各方案提取各作物面積的用戶精度（表5）。所有分類方案中玉米和其他的分類精度均較高，超過92%，大豆玉米帶狀復(fù)合種植的分類精度在時(shí)序特征和SAR特征加入后有明顯提升。其中方案1的大豆玉米帶狀復(fù)合種植分類精度為71.81%，方案2分類精度為89.97%，方案3分類精度為95.07%。結(jié)果表明，夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序、夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序3種方案均能實(shí)現(xiàn)夏玉米的有效提取，且3種方案數(shù)據(jù)數(shù)量不斷增加提升了夏玉米和大豆玉米帶狀復(fù)合種植面積提取精度。

2.2 分類貢獻(xiàn)度

基于最優(yōu)方案3，利用GEE計(jì)算12個(gè)分類特征在不同時(shí)段的重要性，并根據(jù)分類指標(biāo)和時(shí)段進(jìn)行統(tǒng)計(jì)。

按照分類特征進(jìn)行特征重要性均值匯總，光譜分類特征中SWIR1、BLUE和NIR重要性相對(duì)較高，重要性分別達(dá)到322.06、316.52和316.15；衍生指數(shù)中EVI、NDWI和LSWI指數(shù)重要性相對(duì)較高，重要性分別達(dá)到312.82、310.91和310.53；光譜分類特征及其衍生指數(shù)重要性偏差不大，SAR衛(wèi)星及其衍生指數(shù)重要性相對(duì)較低（圖5）。重要性均值反映的是各指標(biāo)整體的貢獻(xiàn)程度，不同分類特征重要性標(biāo)準(zhǔn)差反映各指標(biāo)在不同月份貢獻(xiàn)程度的差異性，其中標(biāo)準(zhǔn)差最小的是LSWI，其重要性指數(shù)也相對(duì)較高，表明LSWI指數(shù)在各月對(duì)分類結(jié)果的貢獻(xiàn)程度均較大（圖6）。

按照不同時(shí)段進(jìn)行特征重要性月度匯總，8月重要性為309.69。9月和10月重要性相對(duì)較低，分別為283.64和297.63（圖7）；不同分類時(shí)段內(nèi)各指標(biāo)重要性標(biāo)準(zhǔn)差反映各指標(biāo)貢獻(xiàn)程度的差異，不同時(shí)段重要性標(biāo)準(zhǔn)差最大月份為8月，最小為10月（圖8）。這說明8月對(duì)夏秋作物識(shí)別具有較高價(jià)值，其間月合成影像及其指數(shù)對(duì)夏季作物識(shí)別重要性的差異最大。

圖5 基于方案3的分類特征重要性排序

3 討論

GEE云平臺(tái)的發(fā)展有力推動(dòng)了衛(wèi)星遙感影像的數(shù)據(jù)挖掘、研究及應(yīng)用，如土地利用分類和變化監(jiān)測(cè)等諸多方面［7，13，31-34］。傳統(tǒng)遙感影像處理方法存在數(shù)據(jù)收集、存儲(chǔ)、預(yù)處理繁瑣和運(yùn)算緩慢等問題，與傳統(tǒng)方法相比，GEE云平臺(tái)極大地簡(jiǎn)化了對(duì)遙感影像的預(yù)處理、篩選和運(yùn)算過程。統(tǒng)計(jì)表明GEE云平臺(tái)綜合效率提升超過90％，如果將內(nèi)存資源消耗、用戶使用體驗(yàn)等因素加權(quán)在內(nèi)，GEE云平臺(tái)的綜合效率會(huì)提升更多［35-36］。在以往的作物面積信息提取工作中，在地面調(diào)查完成的情況下仍需要花費(fèi)數(shù)天時(shí)間，占用大量存儲(chǔ)和運(yùn)算資源，本文使用GEE云平臺(tái)則顯著提升了效率。

夏季作物提取的研究主要集中于夏玉米，大豆玉米帶狀復(fù)合種植的情況較少受到關(guān)注，且現(xiàn)有的夏季作物提取研究多使用中低分辨率衛(wèi)星數(shù)據(jù)，很少采用高分辨率圖像，這使得破碎地塊環(huán)境下存在大量混合像元，導(dǎo)致作物種植面積的錯(cuò)估，特別是種植面積較少的作物如大豆玉米帶狀復(fù)合種植的低估。本文基于高分辨率光學(xué)和SAR影像，在GEE云平臺(tái)中設(shè)計(jì)實(shí)現(xiàn)了基于夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序的作物面積信息提取，夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序3種方案識(shí)別作物分布總體趨勢(shì)一致，光學(xué)與SAR融合時(shí)序在作物面積信息提取精度上最為優(yōu)異。

以往諸多農(nóng)業(yè)遙感的研究均致力于探索解決作物最佳時(shí)相的選擇，依靠其弱化其他因素的干擾，降低遙感信息中可能存在的誤差，減少信息處理難度［37-38］。夏玉米遙感識(shí)別最佳時(shí)相一般在穗期—抽雄期前［28-29，39］，本文以對(duì)應(yīng)的8月中旬Sentinel-2 L2A與植被相關(guān)的可見光、近紅外、紅邊波段為夏玉米遙感識(shí)別最佳時(shí)相數(shù)據(jù)［6，28，34］，結(jié)果實(shí)現(xiàn)了80%以上的總體精度。Sentinel-2空間分辨率最高達(dá)10 m，相對(duì)于MODIS、Landsat8/9數(shù)據(jù)250 m和30 m的分辨率，較好分類依賴于其能夠更為精細(xì)地識(shí)別破碎地塊及減少混合像元。夏玉米遙感識(shí)別光學(xué)時(shí)序通過夏玉米發(fā)育期內(nèi)構(gòu)建每月Sentinel-2夏玉米遙感識(shí)別最佳時(shí)相用于作物面積提取，作物信息提取結(jié)果顯示基于時(shí)序特征的分類結(jié)果比夏玉米遙感識(shí)別最佳時(shí)相分類結(jié)果總體精度高6.43%以上，盡管夏玉米統(tǒng)計(jì)值僅差3.16%（方案2）和1.69%（方案3），但圖斑存在的“椒鹽現(xiàn)象”得到了改正，地塊連續(xù)性、完整以及邊界平滑性明顯提升。各分類指標(biāo)對(duì)分類結(jié)果重要性上相差不大，但各指標(biāo)在不同時(shí)段中重要性有較大差異，這可能與作物不同發(fā)育期的作物形態(tài)等特性有關(guān)，不同時(shí)段重要性穩(wěn)定的指標(biāo)對(duì)作物發(fā)育早期作物信息的提取有較大貢獻(xiàn)，通過這些指標(biāo)可能實(shí)現(xiàn)作物在發(fā)育早期的面積提取。夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序在夏玉米遙感識(shí)別光學(xué)時(shí)序加入 Sentinel-1A GRD相關(guān)波段和SDWI指數(shù)，基于光學(xué)與SAR融合時(shí)序特征的提取結(jié)果顯示，大豆玉米帶狀復(fù)合種植面積僅比統(tǒng)計(jì)值偏小20 hm2，表明具有時(shí)序特征的分類指標(biāo)特別在玉米及大豆玉米帶狀復(fù)合種植區(qū)精準(zhǔn)識(shí)別上具有優(yōu)勢(shì)。在作物種植結(jié)構(gòu)復(fù)雜的夏季，“同譜異物”現(xiàn)象導(dǎo)致作物光譜信息差別不顯著［29］，無法將作物特別是玉米及大豆玉米帶狀復(fù)合種植區(qū)分開，SAR及相關(guān)指標(biāo)為研究區(qū)的夏玉米和大豆玉米帶狀復(fù)合種植的區(qū)分提供額外的信息，如土壤水分、植株高度等信息，有助于提高分類模型的作物分類能力［22，40-41］。但重要性評(píng)估結(jié)果SAR波段重要性較低，其原因一方面可能是SAR數(shù)據(jù)的噪聲難以避免，另一方面可能是未充分利用雙極化Sentinel-1數(shù)據(jù)中包含的后向散射系數(shù)等極化信息［20］。

主要存在2方面不足：一是按月構(gòu)建時(shí)間序列可能存在多云導(dǎo)致的無數(shù)據(jù)現(xiàn)象，可能存在的數(shù)據(jù)缺失問題值得進(jìn)一步研究，如 Sentinel-2后續(xù)衛(wèi)星如期發(fā)射，將極大改善數(shù)據(jù)不足的現(xiàn)象；二是分類指標(biāo)選擇依賴于文獻(xiàn)報(bào)道，僅選擇了2個(gè)衛(wèi)星的8個(gè)波段及衍生的5個(gè)指數(shù)，未考慮其他波段、指數(shù)及其他數(shù)據(jù)的作用，如海拔、坡度、后向散射系數(shù)和目標(biāo)極化分解參數(shù)等，有待進(jìn)一步探索。

4 結(jié)論

基于高分辨率光學(xué)和SAR影像，在GEE云平臺(tái)中設(shè)計(jì)實(shí)現(xiàn)了基于夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序的作物面積信息提取，光學(xué)與SAR融合時(shí)序的分類結(jié)果總體準(zhǔn)確率（92.51%）高于其他2種方案（83.01%和89.44%），結(jié)果表明夏玉米遙感識(shí)別最佳時(shí)相、夏玉米遙感識(shí)別光學(xué)時(shí)序和夏玉米遙感識(shí)別光學(xué)與SAR融合時(shí)序3種方案識(shí)別作物分布總體趨勢(shì)一致，光學(xué)與SAR融合時(shí)序在作物面積信息提取精度上最為優(yōu)異。后續(xù)擬基于GEE進(jìn)一步優(yōu)化多源數(shù)據(jù)融合與時(shí)序分析指標(biāo)等，提高作物識(shí)別和提取能力。

參考文獻(xiàn)：

［1］ 周松.玉米種植戶帶狀復(fù)合種植模式采納行為及影響因素研究：以東營(yíng)市墾利區(qū)為例［D］.泰安：山東農(nóng)業(yè)大學(xué)，2023.

［2］羅桓.縣域夏玉米生長(zhǎng)遙感監(jiān)測(cè)與產(chǎn)量估算研究［D］.南京：南京信息工程大學(xué)，2020.

［3］張娟.玉米大豆分布遙感圖首次服務(wù)秋糧產(chǎn)量預(yù)測(cè)［N］.中國(guó)氣象報(bào)，2023-09-25（3）.

［4］王雪婷，張莎，鄧帆，等.基于作物空間物候差異提取黃淮海夏玉米種植面積［J］.中國(guó)農(nóng)業(yè)氣象，2019，40（10）：647-659.

［5］冀建華.河南省大豆玉米帶狀復(fù)合種植技術(shù)的研究與思考［J］.河南農(nóng)業(yè)，2024（1）：55-56.

［6］田海峰.基于Sentinel-1amp;2衛(wèi)星影像的中國(guó)主產(chǎn)區(qū)冬小麥遙感識(shí)別研究［D］.北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院遙感與數(shù)字地球研究所），2019.

［7］周珂，柳樂，張儼娜，等.GEE支持下的河南省冬小麥面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)［J］.中國(guó)農(nóng)業(yè)科學(xué)，2021，54（11）：2302-2318.

［8］趙詩(shī)童，時(shí)曉曚，吳曉京，等.三種經(jīng)典夜間陸地霧遙感反演方法的適用性對(duì)比分析［J］.海洋氣象學(xué)報(bào)，2021，41（1）：45-57.

［9］申克建，何浩，蒙紅衛(wèi)，等.農(nóng)作物面積空間抽樣調(diào)查研究進(jìn)展［J］.中國(guó)農(nóng)業(yè)資源與區(qū)劃，2012，33（4）：11-16.

［10］李莉，劉志紅，韓晨琛，等.基于衛(wèi)星遙感的臨沂市冬小麥種植時(shí)空變化特征分析［J］.海洋氣象學(xué)報(bào)，2020，40（3）：126-135.

［11］李新磊，陳桂芬，焦鴻斌.基于時(shí)序遙感數(shù)據(jù)的玉米種植面積提取方法研究［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（11）：25-27.

［12］王小娜，田金炎，李小娟，等.Google Earth Engine云平臺(tái)對(duì)遙感發(fā)展的改變［J］.遙感學(xué)報(bào)，2022，26（2）：299-309.

［13］錢鑫.基于GEE云平臺(tái)的蘇北湖泊時(shí)空變化分析研究［D］.連云港：江蘇海洋大學(xué)，2022.

［14］宮詔健，田景仁，陳杰，等.基于MODIS NDVI數(shù)據(jù)的遼寧省玉米種植面積提取研究［J］.江西農(nóng)業(yè)學(xué)報(bào)，2020，32（9）：119-126.

［15］張健康，程彥培，張發(fā)旺，等.基于多時(shí)相遙感影像的作物種植信息提?。跩］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28（2）：134-141.

［16］單捷，邱琳，孫玲，等.基于Radarsat-2的水稻種植面積提?。跩］.江蘇農(nóng)業(yè)學(xué)報(bào)，2017，33（3）：561-567.

［17］谷祥輝，張英，桑會(huì)勇，等.基于哨兵2時(shí)間序列組合植被指數(shù)的作物分類研究［J］.遙感技術(shù)與應(yīng)用，2020，35（3）：702-711.

［18］HUANG C， ZHANG C C， HE Y， et al. Land cover mapping in cloud-prone tropical areas using Sentinel-2 data： integrating spectral features with NDVI temporal dynamics［J］. Remote Sens，2020，12（7）：1163.

［19］FAN X Y， VRIELING A， MULLER B， et al. Winter cover crops in Dutch maize fields： variability in quality and its drivers assessed from multi-temporal Sentinel-2 imagery［J］. Int J Appl Earth Obs Geoinf，2020，91：102139.

［20］BHOGAPURAPU N， DEY S， BHATTACHARYA A， et al. Dual-polarimetric descriptors from Sentinel-1 GRD SAR data for crop growth assessment［J］. ISPRS J Photogramm Remote Sens，2021，178：20-35.

［21］葉智燕.基于Sentinel-1和Sentinel-2的河南省冬小麥種植面積提?。跩］.測(cè)繪與空間地理信息，2023，46（6）：49-52.

［22］董心君，田馨.基于Sentinel-1的動(dòng)態(tài)NDSI水稻分類方法研究［J］.測(cè)繪工程，2023，32（5）：27-33.

［23］賈詩(shī)超，薛東劍，李成繞，等.基于Sentinel-1數(shù)據(jù)的水體信息提取方法研究［J］.人民長(zhǎng)江，2019，50（2）：213-217.

［24］GAO B C. NDWI： a normalized difference water index for remote sensing of vegetation liquid water from space［J］. Remote Sens Environ，1996，58（3）：257-266.

［25］TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sens Environ，1979，8（2）：127-150.

［26］HUETE A， DIDAN K， MIURA T， et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］. Remote Sens Environ，2002，83（1/2）：195-213.

［27］XIAO X M， BOLES S， LIU J Y， et al. Characterization of forest types in Northeastern China， using multi-temporal SPOT-4 VEGETATION sensor data［J］. Remote Sens Environ，2002，82（2/3）：335-348.

［28］段金饋，李峰，秦泉，等.高分六號(hào)紅邊波段對(duì)夏玉米種植區(qū)識(shí)別的影響［J］.海洋氣象學(xué)報(bào)，2023，43（3）：104-112.

［29］王楠.黑龍江省作物種植結(jié)構(gòu)提取及時(shí)空變化研究［D］.哈爾濱：東北農(nóng)業(yè)大學(xué)，2018.

［30］王立國(guó)，趙亮，劉丹鳳.SVM在高光譜圖像處理中的應(yīng)用綜述［J］.哈爾濱工程大學(xué)學(xué)報(bào)，2018，39（6）：973-983.

［31］陳印，剛成誠(chéng)，劉歡歡，等.基于GEE的蘋果園地遙感信息提取研究：以陜西省渭北旱塬區(qū)為例［J］.西北林學(xué)院學(xué)報(bào)，2024，39（1）：36-43.

［32］潘力，夏浩銘，王瑞萌，等.基于Google Earth Engine的淮河流域越冬作物種植面積制圖［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：211-218.

［33］FENG S Y， LI W L， XU J， et al. Land use/land cover mapping based on GEE for the monitoring of changes in ecosystem types in the upper Yellow River basin over the Tibetan Plateau［J］. Remote Sens，2022，14（21）：5361.

［34］TIAN F Y， WU B F， ZENG H W， et al. Efficient identification of corn cultivation area with multitemporal synthetic aperture radar and optical images in the Google Earth Engine cloud platform［J］. Remote Sens，2019，11（6）：629.

［35］郝斌飛，韓旭軍，馬明國(guó)，等.Google Earth Engine在地球科學(xué)與環(huán)境科學(xué)中的應(yīng)用研究進(jìn)展［J］.遙感技術(shù)與應(yīng)用，2018，33（4）：600-611.

［36］AZZARI G， LOBELL D B. Landsat-based classification in the cloud： an opportunity for a paradigm shift in land cover monitoring［J］. Remote Sens Environ，2017，202：64-74.

［37］張峰，吳炳方，劉成林，等.利用時(shí)序植被指數(shù)監(jiān)測(cè)作物物候的方法研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2004，20（1）：155-159.

［38］齊臘，劉良云，趙春江，等.基于遙感影像時(shí)間序列的冬小麥種植監(jiān)測(cè)最佳時(shí)相選擇研究［J］.遙感技術(shù)與應(yīng)用，2008，23（2）：154-160.

［39］趙秀蘭，徐玲玲，張艷紅，等.未來黃淮海地區(qū)夏玉米光溫水資源適宜度及災(zāi)害風(fēng)險(xiǎn)演變特征［J］.海洋氣象學(xué)報(bào)，2023，43（3）：88-103.

［40］鄭少蘭，劉龍威.單時(shí)相Sentinel-1A衛(wèi)星SAR數(shù)據(jù)水稻信息提取［J］.地理空間信息，2020，18（4）：61-64.

［41］盧獻(xiàn)健，張煥鈴，晏紅波，等.協(xié)同Sentinel-1/2多特征優(yōu)選的甘蔗提取方法［J］.自然資源遙感，2024，36（1）：86-94.