发布日期：2023-03-28
[最新发表] 中国2017-2021年油菜分布遥感制图： 集成经验规则样本生成器与单类分类器的方法
[最新发表] 中国2017-2021年油菜分布遥感制图： 集成经验规则样本生成器与单类分类器的方法
发布日期：2023-01-13 16:19
浏览次数：975
【研究背景】
油菜作为全球第二大的油料作物，不仅是食用油的主要来源，也是重要的动物饲料和可再生能源业的生物原料。中国是世界上仅次于加拿大的全球第二大油菜籽生产国和全球第一大油菜籽进口国。受制于耕地资源和种植成本等因素，我国油菜的自给率不足30%，远不能满足国内市场的需求。因此，监测油菜的种植面积，对于科学的土地管理、进出口政策的制定、保障国家粮食和能源安全具有重要意义。
目前的油菜制图方法包括基于经验指数的方法和基于机器学习的方法。基于经验指数的方法基于油菜开花期亮黄色花的特征，通过构建黄花指数增强油菜花的信号来识别油菜。该类方法依赖于花期清晰的遥感影像，而中国大部分油菜种植区域在花期通常有较多的云覆盖，导致该类方法较大的漏分误差。基于机器学习的方法可以通过从训练样本中学习非花期的特征来克服这一问题。然而，该类方法难以从全国范围内获取足够数量、有代表性的训练样本。此外，我国油菜种植广泛，具有较大的物候差异，也给油菜制图带来了巨大的挑战。
油菜作为全球第二大的油料作物，不仅是食用油的主要来源，也是重要的动物饲料和可再生能源业的生物原料。中国是世界上仅次于加拿大的全球第二大油菜籽生产国和全球第一大油菜籽进口国。受制于耕地资源和种植成本等因素，我国油菜的自给率不足30%，远不能满足国内市场的需求。因此，监测油菜的种植面积，对于科学的土地管理、进出口政策的制定、保障国家粮食和能源安全具有重要意义。
目前的油菜制图方法包括基于经验指数的方法和基于机器学习的方法。基于经验指数的方法基于油菜开花期亮黄色花的特征，通过构建黄花指数增强油菜花的信号来识别油菜。该类方法依赖于花期清晰的遥感影像，而中国大部分油菜种植区域在花期通常有较多的云覆盖，导致该类方法较大的漏分误差。基于机器学习的方法可以通过从训练样本中学习非花期的特征来克服这一问题。然而，该类方法难以从全国范围内获取足够数量、有代表性的训练样本。此外，我国油菜种植广泛，具有较大的物候差异，也给油菜制图带来了巨大的挑战。
【方法介绍】
针对以上问题，本工作提出了一种结合样本生成规则和单类分类器的油菜制图方法（RSG-OC）。方法的主要流程如图1所示。 首先，基于油菜开花期的特征，我们开发了一套适用于全国的油菜样本选取规则。依据该规则，在全国范围内自动选取开花期影像中没有被云污染的像元作为训练样本。第二，针对全国范围内油菜物候差异较大的问题，选择基于油菜物候历的合成特征来消除不同区域油菜物候的差异。第三，针对基于花期特征选取的油菜样本难以代表开花期有云区域油菜的特征的问题，我们采用人为去除开花期观测数据的样本增强方法来提高对开花期影像缺失区域的泛化性。最后，为了避免在全国范围内选取各类的负样本，我们训练了基于PUL策略的单类随机森林分类器来绘制中国的油菜地图。
针对以上问题，本工作提出了一种结合样本生成规则和单类分类器的油菜制图方法（RSG-OC）。方法的主要流程如图1所示。 首先，基于油菜开花期的特征，我们开发了一套适用于全国的油菜样本选取规则。依据该规则，在全国范围内自动选取开花期影像中没有被云污染的像元作为训练样本。第二，针对全国范围内油菜物候差异较大的问题，选择基于油菜物候历的合成特征来消除不同区域油菜物候的差异。第三，针对基于花期特征选取的油菜样本难以代表开花期有云区域油菜的特征的问题，我们采用人为去除开花期观测数据的样本增强方法来提高对开花期影像缺失区域的泛化性。最后，为了避免在全国范围内选取各类的负样本，我们训练了基于PUL策略的单类随机森林分类器来绘制中国的油菜地图。
图1 流程图（a）数据预处理（b）样本生成（c）特征提取（d）样本增强（e）单类分类器与制图
基于我们所提出的RSG-OC的方法，使用GEE绘制了中国2017-2021年20米的油菜分布图，并在6个典型油菜种植区进行验证。同时，将RSG-OC与其它三种主流的油菜制图方法进行比较。 绘制的油菜分布图表明我国油菜种植区域主要分布在长江中下游流域、四川盆地、青藏高原东北部、新疆西部和东北呼伦贝尔地区（图2）。
图2 中国油菜分布图（以2020年为例）
RSG-OC的平均精度达到了94.90%，而其他方法的平均精度在83.33%到88.24%之间。基于RSG-OC方法所绘制的2017-2021年油菜分布图能够很好地在空间细节上反映不同区域油菜种植的年际变化（图3）。
图3 4个典型区域2017-2021年油菜制图空间细节比较图（a）荆州市，（b）曲靖市，（c）呼伦贝尔市，（d）青海省
此外，其他实验表明，RSG-OC对云污染、花期预测的偏差和样本选择规则的阈值不敏感。因此，RSG-OC是一种有效的、稳健的油菜制图方法，本文所生产的油菜地图总体是可靠的。
【主要结论】
我们开发了一种适用于全中国的油菜制图方法。通过专门设计的样本选取规则和样本增强方法，RSG-OC训练出的分类器对开花期特征的依赖性较小，可以有效地应用于开花期影像缺失区域的油菜制图。同时，PUL策略的使用避免了在全国范围内收集多种非油菜样本。本工作绘制的2017-2021年油菜地图填补了中国长时间和大范围油菜地图的空白，对国家粮食安全和土地管理具有重要意义。
该项研究论文已经发表在GIScience & Remote Sensing上。
Yunze Zang, Yuean Qiu, Xuehong Chen, Jin Chen, Wei Yang, Yifei Liu, Longkang Peng, Miaogen Shen & Xin Cao (2023) Mapping rapeseed in China during 2017-2021 using Sentinel data: an automated approach integrating rule-based sample generation and a one-class classifier (RSG-OC), GIScience & Remote Sensing, 60:1, DOI: 10.1080/15481603.2022.2163576
我们开发了一种适用于全中国的油菜制图方法。通过专门设计的样本选取规则和样本增强方法，RSG-OC训练出的分类器对开花期特征的依赖性较小，可以有效地应用于开花期影像缺失区域的油菜制图。同时，PUL策略的使用避免了在全国范围内收集多种非油菜样本。本工作绘制的2017-2021年油菜地图填补了中国长时间和大范围油菜地图的空白，对国家粮食安全和土地管理具有重要意义。
该项研究论文已经发表在GIScience & Remote Sensing上。
Yunze Zang, Yuean Qiu, Xuehong Chen, Jin Chen, Wei Yang, Yifei Liu, Longkang Peng, Miaogen Shen & Xin Cao (2023) Mapping rapeseed in China during 2017-2021 using Sentinel data: an automated approach integrating rule-based sample generation and a one-class classifier (RSG-OC), GIScience & Remote Sensing, 60:1, DOI: 10.1080/15481603.2022.2163576
https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2163576
【数据链接】：
GEE:https://code.earthengine.google.com/b457540737690943e0f0ac1d7dd41ed6
PIE-Engine: https://engine.piesat.cn/engine/home?sourceId=c81b7f6f7a414b8c944a4f7e087066e4
Zenodo：https://doi.org/10.5281/zenodo.7047270
【数据链接】：
GEE:https://code.earthengine.google.com/b457540737690943e0f0ac1d7dd41ed6
PIE-Engine: https://engine.piesat.cn/engine/home?sourceId=c81b7f6f7a414b8c944a4f7e087066e4
Zenodo：https://doi.org/10.5281/zenodo.7047270
Rapeseed Map
2017
2018
2019
2020
2021
分享到：
