社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

RSE论文复现|使用gee深度学习快速复现RSE期刊上的中国玉米和大豆分类产品

走天涯徐小洋地理数据科学 • 2 月前 • 158 次点击  

早些时候,我们发布了马里兰大学制作完成的中国10米分辨率玉米和大豆产品(见马里兰大学发布的中国10米分辨率玉米和大豆产品数据暨如何在GEE中调用),那篇文章是用Random Forest完成的。虽然公开了宝贵的数据,但是没有公开代码,所以我们就想复现一下,不过使用的是gee深度学习技术。

Li, H., Song, X. P., Hansen, M. C., Becker-Reshef, I., Adusei, B., Pickering, J., ... & Justice, C. (2023). Development of a 10-m resolution maize and soybean map over China: Matching satellite-based crop classification with sample-based area estimation. Remote Sensing of Environment, 294, 113623.

图片


首先是影像数据的调用和处理,这里我们和原文保持了一致,都是使用2019年5月到9月的影像数据,然后使用CNN模型来进行分类,代码如下所示:

var imgSoy_Maize = ee.Image('projects/ee-openscidataset/assets/China_maize_soy_10m_2019');

var visParam = {'palette':['white','green','yellow'],'min':0,'max':2};
var imgLabel = imgSoy_Maize.clip(roi);
Map.addLayer(imgLabel,visParam,'imgLabel',false);

// Sentinel-2 image
var yearStart = 2019;
var yearEnd = 2019;
var monthStart = 5;
var monthEnd = 9;

var imgS2 = imgS2Composite(roi,yearStart,yearEnd,monthStart,monthEnd);
print("imgS2",imgS2);

var rgbVis = {
min: 0,
max: 0.3,
bands: ['Band_03_red', 'Band_02_green', 'Band_01_blue']};

Map.addLayer(imgS2,rgbVis,'imgMedian');

// remove cloud from Sentinel-2
function rmS2cloud(image) {
var qa = image.select('QA60');
// Bits 10 and 11 are clouds and cirrus, respectively.
var cloudBitMask = 1 <10;
var cirrusBitMask = 1 <11;
// Both flags should be set to zero, indicating clear conditions.
var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
      .and(qa.bitwiseAnd(cirrusBitMask).eq(0));
return image.updateMask(mask).divide(10000)
              .copyProperties(image)
              .copyProperties(image, ["system:time_start", "system:time_end"]);
}

function imgS2Composite(roiRegion,yearStart,yearEnd,monthStart,monthEnd){
// ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED"); //S2_SR or S2
var S2_BANDS = ['B2', 'B3', 'B4', 'B8', 'B11', 'B12', ];
var Band_Std = ['Band_01_blue','Band_02_green','Band_03_red','Band_04_NIR','Band_05_swir1','Band_06_swir2'];

// load S2 images
var imgS2SR = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")//.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',20))
                .filter(ee.Filter.calendarRange(yearStart,yearEnd,'year'))
                .filter(ee.Filter.calendarRange(monthStart,monthEnd,'month'))
                .filterBounds(roiRegion)
                .map(rmS2cloud)
                .select(S2_BANDS,Band_Std)
                .median().clip(roiRegion);
return imgS2SR;
}
最后,我们来看下运行的效果,依次是Sentinel-2影像、CNN分类结果和马里兰大学分类结果。

再来看一下局部细节,可以发现原来的分类结果存在明显的椒盐噪声点,而我们的初步试验结果就会好很多。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200702