基于Google Earth Engine与多源遥感数据的海南水稻分类研究

水稻是中国乃至亚洲的重要粮食作物之一,稻米产量关系到民生福祉。及时、准确的水稻分布信息是监测水稻产量、调控农业资源配给的基础。遥感(Remote Sensing)技术能够提供大范围地表的时间序列光谱变化特征,常用于大尺度范围的作物监测。然而,传统基于水稻生长关键时期光谱特征的分类、提取方法对遥感数据的时间分辨率要求较高。由于我国南方水稻产区湿热,雨季云污染降低了遥感数据的有效时间分辨率,因此上述方法在该地难以推广。融合多源遥感数据的分类方案变相缩短了卫星的重访周期,使多云气候区基于遥感影像的水稻分类成为可能。然而,集成多源数据所需更高的数据处理效率和存储需求也成为限制省级乃至更大范围水稻分类的主要因素。本研究基于谷歌地球引擎(Google Earth Engine)云平台,在线调用中分辨率的光学、微波遥感数据,创新性地采用了按月提取、按直方图大小提取特征的方式,采用随机森林分类器,绘制海南省2016年10 m分辨率水稻种植分布图。实验结果证明,该方法可以用于南方多云地区水稻分类,提取结果能够体现不同地类之间的差异,且与实际地表的地块边界、纹理符合良好。经过地表样本点的验证,总体精度为93.2%,满足实际应用需求。因此,本研究采用的自动分类流程能够准确、高效地提取海南省的水稻种植范围,可以向其他地区大范围推广。