利用物候差异与面向对象决策树提取油菜种植面积

简介: 利用物候差异与面向对象决策树提取油菜种植面积

基于决策树模型的安义县油菜花种植面积提取

利用多时序油菜花的不同光谱特征,构建决策树模型,进而提取出油菜花

初始化环境

import aie
aie.Authenticate()
aie.Initialize()

研究区域

# 指定需要检索的区域
feature_collection = aie.FeatureCollection('China_District') \
                        .filter(aie.Filter.eq('district', '安义县'))
geometry = feature_collection.geometry()
# 需要调用task.start()来启动后台导出任务
# task = aie.Export.feature.toAsset(feature_collection, 'feature_collection_export_result')
# task.start()
# 指定检索数据集,可设置检索的空间和时间范围,以及属性过滤条件(如云量过滤等)
dataset = aie.ImageCollection('SENTINEL_MSIL2A') \
             .filterBounds(geometry) \
             .filterDate('2021-03-01', '2021-03-31') \
             .filter(aie.Filter.lte('eo:cloud_cover',10.0)) \
             .limit(10)\
             .mosaic()\
             .clip(geometry)
map = aie.Map(
    center=feature_collection.getCenter(),
    height=800,
    zoom=9
)
vis_params = {
    'bands': ['B4', 'B3', 'B2'],
    'min': 0,
    'max': 2000,
}
map.addLayer(
    dataset,
    vis_params,
    'True Color (432)',
    bounds=dataset.getBounds()
)
map

安义县哨兵2号影像

植被指数计算

NDVI = dataset.normalizedDifference(['B8','B4']).rename(['NDVI'])

RVI = (dataset.select(['B8']).divide(dataset.select(['B3']))).rename(['RVI'])

缨帽变换

在ENVI,QGIS,R,GEE,PIE中实现缨帽变换,但是好像只有GEE支持哨兵2号(Sentinel-2)缨帽变换得到亮度(Brightness)、绿度(Greenness)、和湿度(Wetness)。不知道为什么我在GEE里面的缨帽变换的数值范围和文章里面的相差很大。

brightness = aie.Image('user/e4987f27c44143ffb7d1c75defd7a94b')
brightness = brightness.select(['B1'])
brightness = brightness.clip(geometry)

vis_params = {
    'bands': 'B1',
    'min': 0,
    'max': 1,
    'palette': [
        '#0000ff', '#00ffff', '#ffff00', '#ff0000', '#ffffff'
    ]
}
map.addLayer(
    brightness.clip(geometry),
    vis_params,
    'Brightness',
    bounds=brightness.getBounds()
)
map

缨帽变换亮度结果

构建决策树

# 油菜提取规则集
mask1 = NDVI.lt(aie.Image.constant(0.1))     # 过滤水体、不透水面、裸地等非植被区域
mask2 = NDVI.gt(aie.Image.constant(0.4)).And(brightness.gt(aie.Image.constant(0.7)))  # 农作物

mask3 = RVI.gt(aie.Image.constant(3))   # 油菜

cole  = (mask2.And(mask3)).gt(aie.Image.constant(0))
mask_vis  = {
    'min': 0,
    'max': 1,
    'palette': ['#ffffff', '#008000']    # 0:白色, 1:绿色
}


map.addLayer(cole,mask_vis, 'cole', bounds=geometry.getBounds())    # 绿色区域为小麦

map

油菜花提取结果

总结

利用决策树模型来提取就是快,我也没有能力去验证,在安义县的同学可以联系我帮忙去印证一下,已经报告了AI Earth官方了,相信不久以后,AIE就可以支持缨帽变换了,还有就是谁知道哨兵2号数据的缨帽变换可以联系我,我用GEE做出来的很别人的值范围差异比较大。本案例主要引用了:
[1]基于PIE遥感图像处理软件的油菜提取解决方案
[2]李中元,吴炳方,张淼,邢强,李名勇,闫娜娜.利用物候差异与面向对象决策树提取油菜种植面积[J].地球信息科学学报,2019,21(05):720-730.

相关文章
|
26天前
|
数据可视化 算法 JavaScript
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
本文探讨了如何利用图论分析时间序列数据的平稳性和连通性。通过将时间序列数据转换为图结构,计算片段间的相似性,并构建连通图,可以揭示数据中的隐藏模式。文章介绍了平稳性的概念,提出了基于图的平稳性度量,并展示了图分区在可视化平稳性中的应用。此外,还模拟了不同平稳性和非平稳性程度的信号,分析了图度量的变化,为时间序列数据分析提供了新视角。
54 0
基于图论的时间序列数据平稳性与连通性分析:利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
|
6月前
|
数据可视化
R语言生态学进化树推断物种分化历史:分类单元数与时间关系、支系图可视化
R语言生态学进化树推断物种分化历史:分类单元数与时间关系、支系图可视化
R语言生态学进化树推断物种分化历史:分类单元数与时间关系、支系图可视化
|
6月前
|
前端开发 数据建模 计算机视觉
R语言主成分回归(PCR)、 多元线性回归特征降维分析光谱数据和汽车油耗、性能数据
R语言主成分回归(PCR)、 多元线性回归特征降维分析光谱数据和汽车油耗、性能数据
|
6月前
|
数据可视化 索引 Python
数据分享|Python用PyMC3贝叶斯模型平均BMA:采样、信息准则比较和预测可视化灵长类动物的乳汁成分数据
数据分享|Python用PyMC3贝叶斯模型平均BMA:采样、信息准则比较和预测可视化灵长类动物的乳汁成分数据
|
6月前
|
前端开发 数据库
R语言基于Bootstrap的线性回归预测置信区间估计方法分析汽车制动距离|数据分享
R语言基于Bootstrap的线性回归预测置信区间估计方法分析汽车制动距离|数据分享
|
6月前
R语言如何用潜类别混合效应模型(LCMM)分析抑郁症状
R语言如何用潜类别混合效应模型(LCMM)分析抑郁症状
|
6月前
|
数据可视化
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(一)
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(一)
|
6月前
|
移动开发 数据可视化
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(二)
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(二)
|
6月前
R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图
R语言广义加性模型GAMs分析温度、臭氧环境数据绘制偏回归图与偏残差图
|
机器学习/深度学习 数据采集 索引
探索数据的维度:多元线性回归在实际应用中的威力
探索数据的维度:多元线性回归在实际应用中的威力