美文网首页
基于AIE平台的决策树算法的黔东南州水稻提取

基于AIE平台的决策树算法的黔东南州水稻提取

作者: 任源_c4d5 | 来源:发表于2022-10-19 20:19 被阅读0次

决策树模型实现黔东南州水稻提取

依据作物在不同物候期内卫星影像的光谱存在差异的特征和地形因子,可建立水稻提取算法,进行水稻提取。

初始化环境

import aie

aie.Authenticate()
aie.Initialize()

指定需要检索的区域

feature_collection = aie.FeatureCollection('China_City') \
                        .filter(aie.Filter.eq('city', '黔东南苗族侗族自治州'))
region = feature_collection.geometry()

DEM处理


# 指定检索数据集,可设置检索的空间范围
elevation = aie.ImageCollection('JAXA_ALOS_AW3D30_V3_2') \
             .filterBounds(region)\
             .select(['DSM'])\
             .mosaic()\
             .clip(region)



map = aie.Map(
    center=feature_collection.getCenter(),
    height=800,
    zoom=7
)
vis_params = {
    'bands': 'DSM',
    'min': 100,
    'max': 2200,
    'palette': [
        '#0000ff', '#00ffff', '#ffff00', '#ff0000', '#ffffff'
    ]
}
map.addLayer(
    elevation,
    vis_params,
    'Elevation',
    bounds=elevation.getBounds()
)
map
黔东南州高程分布图
task = aie.Export.image.toAsset(elevation,'dem_qdn',30)
task.start()
## 坡度,下载aie还不能计算,我这里使用ArcGIS运算

slope = aie.Image('user/c7ec068793e54fccb9ba8692ed9d0b91').clip(region)


vis_params = {
    'min': 0,
    'max': 80,
    'palette': [
        '#0000ff', '#00ffff', '#ffff00', '#ff0000', '#ffffff'
    ]
}
map.addLayer(
    slope,
    vis_params,
    'slope',
    bounds=slope.getBounds()
)
map
黔东南州坡度分布图

这里说一下,我的谷歌浏览器上传影像数据,不知道为什么失败,我是用edge浏览器上传的,我把我的谷歌浏览器版本上传给了官方。

Landsat 8 数据处理

# 插秧期影像

# 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)
img1 = aie.ImageCollection('LANDSAT_LC08_C02_T1_L2') \
             .filterBounds(region) \
             .filterDate('2021-4-01', '2021-6-10') \
             .filter(aie.Filter.lte('eo:cloud_cover', 20.0))\
             .median()\
             .clip(region)
# print(img1.size().getInfo())

vis_params = {
    'bands': ['SR_B4', 'SR_B3', 'SR_B2'],
    'min': 8000,
    'max': 13000,
}
map.addLayer(
    img1,
    vis_params,
    'img1',
    bounds=img1.getBounds()
)
map
# 生长期影像


img2 = aie.ImageCollection('LANDSAT_LC08_C02_T1_L2') \
             .filterBounds(region) \
             .filterDate('2021-6-20', '2021-8-30') \
             .filter(aie.Filter.lte('eo:cloud_cover', 45.0))\


print(img2.size().getInfo())

img2 = img2.median().clip(region)


vis_params = {
    'bands': ['SR_B4', 'SR_B3', 'SR_B2'],
    'min': 8000,
    'max': 13000,
}
map.addLayer(
    img2,
    vis_params,
    'img2',
    bounds=img2.getBounds()
)
map

NDVI 计算

# NDVI扩大10,好比较
NDVI1 = img1.normalizedDifference(['SR_B5', 'SR_B4'])\
            .multiply(aie.Image.constant(10)).rename(['NDVI'])
NDVI2 = img2.normalizedDifference(['SR_B5', 'SR_B4'])\
            .multiply(aie.Image.constant(10)).rename(['NDVI'])
NDVI_diff = NDVI2.subtract(NDVI1).rename(['Diff'])
import numpy as np

scale = 1000

histogram = NDVI1.reduceRegion(aie.Reducer.histogram(2000), None, scale)
histogram_info = histogram.getInfo()
# print(histogram_info)


bucketKey = histogram_info['NDVI_range']
bucketValue = histogram_info['NDVI_counts']

key = np.array(bucketValue)
accSum = np.cumsum(key)
# print(accSum[20])
# print(accSum[-1])
accPercent = accSum / accSum[-1]
    
p2 = np.searchsorted(accPercent, 0.2)

min_ndvi = bucketKey[p2 + 1]
print('min_ndvi1:%f' % min_ndvi)

p98 = np.searchsorted(accPercent, 0.98)
max_ndvi = bucketKey[p98]
print('max_ndvi1:%f' % max_ndvi)
查看NDVI

提取规则

# 水稻提取规则集

## 水稻一般生长在海拔900m以下,坡度在20度以下
mask1 = elevation.lt(aie.Image.constant(900)).clip(region) 
mask2 = slope.lt(aie.Image.constant(20)).clip(region) 

## 水稻播种期NDVI一般在0.32至0.38,每个地方可能有差异
mask3 = NDVI1.gt(aie.Image.constant(3.2)).And(NDVI1.lt(aie.Image.constant(3.8)))

## 水稻生长期NDVI和播种期NDVI一般在-0.9至0.6,每个地方可能有差异
mask4 = NDVI_diff.gt(aie.Image.constant(-0.9)).And(NDVI_diff.lt(aie.Image.constant(0.6)))
rice = mask1.And(mask2).And(mask3).And(mask4)
mask_vis  = {
    'min': 0,
    'max': 1,
    'palette': ['#ffffff', '#008000']    # 0:白色, 1:绿色
}



map.addLayer(rice,mask_vis, 'wheat', bounds=region.getBounds())    # 绿色区域为水稻

水稻提取结果
task = aie.Export.image.toAsset(rice,'rice_extract',30)
task.start()

精度评价

这一部分在ArcGIS和Excel里面完成,查找统计年鉴可知黔东南州水稻种植面积S1=233 万亩,提取出来的面积S2= 252万亩,提取下来结果如表所示,总的来说还是比较粗糙,希望大家有更好的算法。
总体误差= \frac{\left | S2-S1 \right |}{S1} = \frac{\left | 252-233 \right |}{233}=8.1\%

模型构建器
提取结果

相关文章

  • 基于AIE平台的决策树算法的黔东南州水稻提取

    决策树模型实现黔东南州水稻提取 依据作物在不同物候期内卫星影像的光谱存在差异的特征和地形因子,可建立水稻提取算法,...

  • 2017.11.06

    今天学习了决策树这部分的知识, 1.了解了基于不同准则的决策树算法 基于信息增益 ID3 算法;基于增益率 C4....

  • 第八章 数据决策分析算法——基于C4.5算法的决策树

    8.2 基于C4.5算法的决策树 C4.5是J.Ross Quinlan基于ID3算法改进后得到的另一个分类决策树...

  • 机器学习之决策树

    决策树是机器学习最基础的算法之一,基于决策树可衍生出AdaBoostTree、随机森林、GBDT等高级算法。本文重...

  • day10-决策树

    今天学了决策树的基本知识。 基于信息论的决策树算法有:ID3, CART, C4.5等算法。 ID3 算法是根...

  • 《机器学习实战》读书笔记3

    决策树算法概述 简单的说,决策树算法可以从训练数据集中提取出一系列规则,这种根据数据集创建规则的过程,就是机器学习...

  • 2018-05-14

    机器学习算法优缺点及其应用领域 决策树 一、 决策树优点 1、决策树易于理解和解释,可以可视化分析,容易提取出规则...

  • 常用机器学习算法优缺点及其应用领域

    机器学习算法优缺点及其应用领域 决策树 一、 决策树优点 1、决策树易于理解和解释,可以可视化分析,容易提取出规...

  • Python 决策树

    1、决策树算法 决策树(decision tree)又叫判定树,是基于树结构对样本属性进行分类的分类算法。以二分类...

  • 泰坦尼克乘客生存预测

    决策树算法是经常使用的数据挖掘算法,这是因为决策树就像一个人脑中的决策模型一样,呈现出来非常直观。基于决策树还诞生...

网友评论

      本文标题:基于AIE平台的决策树算法的黔东南州水稻提取

      本文链接:https://www.haomeiwen.com/subject/xmcyzrtx.html