[发明专利]基于Google Earth Engine的大尺度大豆种植区域提取算法

说明书

本发明公开了一种基于Google Earth Engine的大尺度大豆种植区域提取算法，包括：对遥感影像数据Sentinel‑2进行预处理，从预处理后的遥感影像数据中选取对提取大豆有利的G个波段；计算归一化植被指数和归一化水指数，Sentinel‑2数据中包含G+2个数据；利用GEE平台提供某一年的USDA进行预处理；利用包含G+2个数据的Sentinel‑2数据和预处理后的USDA进行训练集和测试集的构建；将训练集输入三种分类器中进行训练，将测试集输入训练后的分类器中进行分类，根据分类结果得到大豆种植区域。用于解决遥感数据量巨大导致算法效率低、耗时久的问题以及单一算法提取大豆精度不够的问题。

技术领域

本发明涉及遥感技术领域，具体涉及一种基于机器学习和特征选择的GoogleEarth Engine的大尺度大豆种植区域提取算法。

背景技术

粮食安全是人类可持续发展的重大挑战，消除饥饿是联合国可持续发展目标(SDG)的第二个目标。大豆耕地占地球耕地总量的主要部分，在主要农作物类别中排名第三。大豆可用作牲畜饲料、工业原料和人类食品，并且是世界上的主要农作物之一。大豆是理想的优质植物蛋白食品，多吃大豆和大豆产品有益于人类的生长、发育和健康。

为满足未来对粮食的需求，并实现可持续发展目标，需要提高农业生产率，尤其是大豆、玉米等农作物。对农业区域的检测可以使供应商、政策制定者和政府对作物种植面积进行最新的概述。然而传统获取农作物信息的方法，例如地面调查和采样，既费时、费力又费钱，而且无法获得农作物的连续空间分布数据。并且，由于受到时间、空间及影像质量等因素的影响，应用于某一研究区的遥感数据量受到限制，仅仅依靠少量的数据不能满足大面积农作物调查。

遥感卫星提供了大量的多光谱数据，特别是自从哨兵系列发射以来，数据量一直在不断增加。监测和定期重访农田的地球观测卫星是为作物测绘提供完整空间详细信息的廉价而出色的数据来源。近几十年来，许多研究都集中在利用高光谱和多光谱进行作物监测。由于大规模的农业区和复杂的测量，对大型作物的监测需要处理大量的轨道图像，其中需要复杂的计算基础设施来存储、管理和处理数据(大数据问题)。

传统的遥感影像分析需要首先对数据进行预处理再分析。而现今许多遥感大数据云平台可以为用户提供预处理之后的数据，即分析可用数据(Analysis Ready(AB))。用户可以根据自身研究目标和内容进行数据的筛选和分析，通过在线的平台门户获取数据甚至结果。例如USGS的Earth Explorer、Google Earth Engine云平台和Earth Server等平台，这些平台都为研究高效获取分析遥感数据提供技术支持。云平台存储大量的遥感数据，用户可以快捷简单地获取长时间跨度的数据；云平台也为提供了高性能的计算能力，使得分析处理数据更高效，为地区、国家、甚至全球尺度的遥感影像分析处理提供新的研究方向。遥感大数据云平台的出现，整合了大量多源异质数据源，因此可以为多种研究方向提供支持，比如作物产量统计、城市地区全球测绘、开发农业用地自动测绘算法等。

Google Earth Engine(GEE)是一个基于云的行星尺度地理空间分析平台,它将谷歌最先进的云计算和存储能力用于处理各种热点社会问题，包括森林砍伐、干旱、灾害、疾病、粮食安全、水资源管理、气候监测和环境保护。作为一个集成世界各地数百万台服务器的云平台，它不仅为传统的遥感科学工作者提供支持，而且还为更广泛的公众用户提供支持。例如：在遥感分类方面，用户利用GEE可以方便快速地提取农作物或其他地类。

目前，国外基于GEE平台开展研究工作己经取得了一定的进展，而国内目前相关研究仍较少。而且各种遥感分类器，诸如最大似然、支持向量机、随机森林等已被实践证明，能够有效地提取某一农作物或同时提取多种农作物，但是大多都是基于单机分类，分类速度较慢。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于Google EarthEngine的大尺度大豆种植区域提取算法，用于解决遥感数据量巨大导致算法效率低、耗时久的问题以及单一算法提取大豆精度不够的问题。