周磊 林志樹 玉林海 竇世卿

基于PIE平臺的棉花種植面積動(dòng)態(tài)監(jiān)測研究

周磊 林志樹 玉林海 竇世卿*

（桂林理工大學(xué)測繪地理信息學(xué)院，桂林 541000）

為實(shí)現(xiàn)高精度、快速、高效提取長時(shí)間序列的棉花種植面積及其分布，文章基于遙感大數(shù)據(jù)計(jì)算服務(wù)（PIE Engine Studio）平臺，以Landsat8 C2 SR、Landsat5 C2 SR及Sentinel-2 MSI的遙感影像作為數(shù)據(jù)源，采用中值合成法計(jì)算NDVI與EVI指數(shù)構(gòu)建特征數(shù)據(jù)，并載入隨機(jī)森林算法對新疆石河子市研究區(qū)近10年的棉花種植面積進(jìn)行動(dòng)態(tài)監(jiān)測與分析，并將部分結(jié)果與GEE平臺計(jì)算結(jié)果和統(tǒng)計(jì)數(shù)據(jù)做了對比。結(jié)果表明：1）研究區(qū)基于PIE平臺的棉花種植面積提取精度良好、分類結(jié)果較理想，總體精度優(yōu)于GEE平臺，其中Kappa系數(shù)和總體精度OA最高可達(dá)到0.963和97.1%，與統(tǒng)計(jì)數(shù)據(jù)相比，精度較高；2）研究區(qū)2012–2021年棉花種植面積總體穩(wěn)定，并有上升的趨勢；3）研究區(qū)近10年棉花種植區(qū)域空間變化明顯，種植分布變化以石河子市的西部、南部以及北部地區(qū)為主。上述結(jié)果進(jìn)一步驗(yàn)證了PIE國產(chǎn)云計(jì)算平臺的實(shí)用性與優(yōu)越性，可為石河子市的棉花生產(chǎn)提供輔助信息，助力棉花產(chǎn)業(yè)的發(fā)展。

地球科學(xué)引擎 隨機(jī)森林算法 棉花種植面積 遙感應(yīng)用

0 引言

新疆維吾爾自治區(qū)是我國主要的棉花產(chǎn)區(qū)，棉花產(chǎn)業(yè)帶動(dòng)了新疆人民生活質(zhì)量水平的提高。使用遙感技術(shù)應(yīng)用于棉花產(chǎn)業(yè)的農(nóng)業(yè)生產(chǎn)調(diào)查已有諸多研究案例，多是基于單一時(shí)相遙感影像的棉花面積的提取[1-4]。而目前基于遙感云計(jì)算平臺的各類資源或作物的提取與分類[5-6]、生態(tài)環(huán)境變化監(jiān)測[7-8]和火災(zāi)動(dòng)態(tài)變化研究[9-10]等大多使用美國的Google Earth Engine（以下簡稱GEE）平臺。地球科學(xué)引擎數(shù)據(jù)計(jì)算服務(wù)（PIE-Engine Studio，以下簡稱PIE）是航天宏圖公司2020年8月發(fā)布的獨(dú)立自主研發(fā)的國產(chǎn)遙感云計(jì)算服務(wù)產(chǎn)品。相較于國外的GEE平臺，國產(chǎn)遙感云計(jì)算平臺PIE-Engine（以下簡稱PIE）的使用門檻更低、安全性更高，其利用遙感云計(jì)算強(qiáng)大算力的優(yōu)勢進(jìn)行遙感動(dòng)態(tài)監(jiān)測研究，將成為我國遙感云計(jì)算應(yīng)用的必然趨勢。但由于平臺推出時(shí)間短，仍處于市場磨合期，各種開發(fā)功能尚待進(jìn)一步完善，再加之目前平臺的學(xué)習(xí)成本大大高于GEE，使用單位和受眾尚小。因此，研究利用PIE國產(chǎn)遙感云計(jì)算平臺研究實(shí)現(xiàn)對農(nóng)作物等各類資源的動(dòng)態(tài)監(jiān)測技術(shù)有著重大的現(xiàn)實(shí)意義。

本文基于國產(chǎn)遙感云計(jì)算平臺PIE Engine Studio，采用2012–2021年的Landsat8 C2 SR、Landsat5 TM C2 SR與Sentinel-2 MSI數(shù)據(jù)構(gòu)造歸一化差值植被指數(shù) (Normalized Difference Vegetation Index，NDVI)與增強(qiáng)植被指數(shù)（Enhanced Vegetation Index，EVI）作為特征數(shù)據(jù)，采用隨機(jī)森林算法對新疆維吾爾自治區(qū)石河子市棉花面積進(jìn)行長時(shí)序的動(dòng)態(tài)監(jiān)測，并將提取結(jié)果與GEE平臺計(jì)算結(jié)果、官方統(tǒng)計(jì)數(shù)據(jù)做了對比，結(jié)果驗(yàn)證了國產(chǎn)遙感云計(jì)算平臺PIE的實(shí)用性和優(yōu)越性?；谠撈脚_開展新疆棉花種植面積長時(shí)序動(dòng)態(tài)監(jiān)測，可為棉花生產(chǎn)提供輔助信息，助力棉花產(chǎn)業(yè)的發(fā)展[11]，同時(shí)也為相關(guān)的科學(xué)研究與平臺推廣提供了應(yīng)用案例。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

石河子市位于東經(jīng)84°58′～86°24′、北緯43°26′～45°20′之間，地勢平坦，平均海拔高度為450.8 m，地處新疆天山北麓中段，準(zhǔn)噶爾盆地南部，總面積460 km2[12]。石河子市屬典型的溫帶大陸性氣候，冬季長而嚴(yán)寒，夏季短而炎熱。整體上北部地區(qū)氣溫低于南部，年最高氣溫一般出現(xiàn)在7月，平均氣溫25.1～26.1 ℃。年降水量在125.0～207.7 mm之間，降水多集中于 4～7月。農(nóng)作物主要為棉花，其余有小麥、辣椒、葡萄等作物，其中棉花種類主要包括淡點(diǎn)污棉、淡黃染棉、黃染棉3種[13]。

1.2 數(shù)據(jù)源及預(yù)處理

（1）數(shù)據(jù)源

本文利用PIE平臺Landsat5 TM C2 SR（2012年）、Landsat8 C2 SR（2013–2017年）與Sentinel-2 MSI（2018–2021年）等遙感影像數(shù)據(jù)，共計(jì)404景。因研究期內(nèi)石河子市的影像成像云量較多，需利用數(shù)據(jù)集的質(zhì)量評估波段QA[14]對影像進(jìn)行去云處理，之后再進(jìn)行影像裁剪、鑲嵌等[15]，并借助中值合成法對研究期內(nèi)的時(shí)序影像進(jìn)行像素值的計(jì)算，根據(jù)計(jì)算的像素中值合成新的影像，生成研究時(shí)期內(nèi)符合質(zhì)量要求的無云影像[16]，有效減小了云和云陰影的污染。

依據(jù)石河子市棉花生長周期，即苗期（4月20日至5月30日）、蕾期（6月1日至6月30日）、花鈴期（7月1日至8月30日）以及吐絮期（9月01日至10月01日）[17]，將每年影像分4期做合成處理，以進(jìn)行后續(xù)的指數(shù)波段計(jì)算。因PIE平臺中缺少2012年的影像數(shù)據(jù)，故本文選取2011年影像數(shù)據(jù)代替2012年。

（2）影像分類標(biāo)記

根據(jù)已有研究和影像目視判別確定研究區(qū)內(nèi)建筑用地、裸地、水體、棉花、其他作物等5種地物，引進(jìn)PIE平臺提供的天地圖影像（2 m分辨率）作為輔助參考以保證樣本點(diǎn)采集準(zhǔn)確，在采集樣本點(diǎn)的過程中，需保證樣本點(diǎn)分布均勻且要具有典型性、代表性。按以上5種地物對2012–2021年的影像數(shù)據(jù)進(jìn)行分類整理，棉花采集100個(gè)樣本點(diǎn)，除棉花外的其他地物各采集50個(gè)樣本點(diǎn)，共計(jì)采集300個(gè)樣本點(diǎn)。

（3）統(tǒng)計(jì)數(shù)據(jù)

對比分析中使用的2017–2020年的棉花種植面積統(tǒng)計(jì)數(shù)據(jù)來源于新疆石河子市統(tǒng)計(jì)局提供的《新疆生產(chǎn)建設(shè)兵團(tuán)第八師石河子市統(tǒng)計(jì)年鑒》（2021）。

2 基于PIE云平臺的棉花面積提取方法

PIE國產(chǎn)云計(jì)算平臺因其海量數(shù)據(jù)存儲、批量計(jì)算與云端算力等特點(diǎn)為國內(nèi)用戶進(jìn)行遙感數(shù)據(jù)的處理與分析提供了全新的方案[18]。本文基于PIE平臺，對影像進(jìn)行去云合成、鑲嵌、裁剪等預(yù)處理后，通過構(gòu)建棉花生長周期內(nèi)的歸一化差值植被指數(shù)（Normalized Difference Vegetation Index，NDVI）與增強(qiáng)植被指數(shù)（Enhanced Vegetation Index，EVI）作為特征數(shù)據(jù)，利用隨機(jī)森林算法構(gòu)建PIE平臺隨機(jī)森林分類器，進(jìn)行石河子市2012–2021年長時(shí)間序列棉花種植面積的提取和分類效果評定，并將部分結(jié)果與GEE平臺計(jì)算結(jié)果及官方統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對比分析，具體流程如圖1所示。

圖1 基于PIE國產(chǎn)云計(jì)算平臺的棉花面積提取流程

2.1 指數(shù)波段特征計(jì)算

NDVI是反映農(nóng)作物長勢和營養(yǎng)信息的重要參數(shù)之一，因而NDVI能夠作為表征棉花長勢的特征數(shù)據(jù)，提高影像的分類精度[19-20]，即

式中NDV表示NDVI指數(shù)；R為紅光波段地表反射率；NIR為近紅外波段地表反射率。

EVI在減少背景和大氣作用以及飽和問題上優(yōu)于NDVI，可提高影像的分類精度[21]，即

式中EV表示EVI指數(shù)；為土壤調(diào)節(jié)參數(shù)，取值為1；B為藍(lán)色波段地表反射率。

2.2 分類方法

隨機(jī)森林是由許多決策樹構(gòu)成的集成算法，它使用Bootstrap采樣，從原始訓(xùn)練集中得到訓(xùn)練子集，對抽取到的子集按照一定的規(guī)則建立決策樹，由多棵決策樹組合構(gòu)建隨機(jī)森林，綜合隨機(jī)森林中每棵樹的判定得到最終結(jié)果[22]。隨機(jī)森林有較高的預(yù)測準(zhǔn)確率，對異常值和噪聲有很好的容忍度，且不易出現(xiàn)過擬合。目前該算法廣泛運(yùn)用于各種地物分類研究[23-24]。在分類方法上，本實(shí)驗(yàn)使用經(jīng)典機(jī)器學(xué)習(xí)中的隨機(jī)森林分類算法對影像進(jìn)行分類，以提取石河子市2012–2021年棉花的種植面積。

2.3 基于PIE云平臺進(jìn)行長時(shí)序棉花面積的提取

PIE云平臺的主要工作流程為：1）用戶根據(jù)相關(guān)的實(shí)驗(yàn)預(yù)期要求在前端進(jìn)行代碼的編寫；2）點(diǎn)擊運(yùn)行，代碼將返回后臺使用云算力進(jìn)行相關(guān)的解析，從而使數(shù)據(jù)執(zhí)行處理結(jié)果達(dá)到用戶預(yù)期要求；3）通過用戶編寫的相關(guān)輸出要求，將運(yùn)行結(jié)果實(shí)時(shí)地進(jìn)行返回并輸出。

本文提取結(jié)果及主要方法均基于PIE國產(chǎn)云計(jì)算平臺實(shí)現(xiàn)：首先，調(diào)用Functoin函數(shù)與Map循環(huán)進(jìn)行NDVI與EVI的計(jì)算；然后，調(diào)用隨機(jī)森林方法的相關(guān)代碼，構(gòu)建隨機(jī)森林分類器，將計(jì)算好的各期指數(shù)特征數(shù)據(jù)載入隨機(jī)森林分類器中，按7︰3將樣本點(diǎn)數(shù)據(jù)（300個(gè)）分成訓(xùn)練樣本（210個(gè)）和驗(yàn)證樣本（90個(gè)）進(jìn)行數(shù)據(jù)訓(xùn)練，實(shí)現(xiàn)石河子市長時(shí)間序列棉花種植面積的提?。唤又诔醪教崛〗Y(jié)果的基礎(chǔ)上對異常圖斑進(jìn)行剔除與修正，具體做法是將初步分類后的結(jié)果與相應(yīng)年份吐絮期真彩影像進(jìn)行疊加對比，在平臺上調(diào)用形態(tài)學(xué)膨脹運(yùn)算與形態(tài)學(xué)腐蝕運(yùn)算的相關(guān)代碼，通過反復(fù)調(diào)參，發(fā)現(xiàn)將核半徑設(shè)置為2，能使當(dāng)年提取棉花面積分布與當(dāng)年吐絮期內(nèi)真彩影像的棉花分布實(shí)現(xiàn)高度吻合，從而達(dá)到有效地剔除與修正異常圖斑的效果。

最后，利用PIE平臺進(jìn)行混淆矩陣與誤差矩陣的構(gòu)建，計(jì)算總體精度（OA）與Kappa系數(shù)，并在GEE平臺中使用與PIE平臺相同的原始數(shù)據(jù)集、采樣點(diǎn)數(shù)據(jù)和盡可能一致的函數(shù)，以對比驗(yàn)證兩個(gè)平臺的提取精度。但兩平臺的隨機(jī)森林算法參數(shù)均需要在各自平臺上進(jìn)行調(diào)優(yōu)，因此無法實(shí)現(xiàn)所有內(nèi)部參數(shù)完全一致，這屬于正?，F(xiàn)象。

2.4 精度評價(jià)

為定量評估基于PIE平臺調(diào)用隨機(jī)森林模型的分類效果，本文引進(jìn)OA和Kappa系數(shù)，利用混淆矩陣進(jìn)行精度評價(jià)。此外，通過與官方統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對比，根據(jù)與統(tǒng)計(jì)數(shù)據(jù)的誤差來驗(yàn)證平臺提取結(jié)果的可靠性，其中絕對誤差可以表征提取結(jié)果與實(shí)際統(tǒng)計(jì)結(jié)果的偏離程度，相對誤差可以客觀地反映提取結(jié)果的可信程度，絕對誤差與相對誤差越小表示提取的棉花面積越精確。

OA表示正確分類像素占總像素?cái)?shù)量的百分比[25]，其結(jié)果越接近100%表征分類精度越優(yōu)異，即

Kappa系數(shù)[26]是檢驗(yàn)一致性的指標(biāo)，檢查模型預(yù)測結(jié)果和實(shí)際分類結(jié)果是否一致，Kappa系數(shù)越接近1表明分類結(jié)果越好，即

絕對誤差表示提取結(jié)果偏離實(shí)際統(tǒng)計(jì)結(jié)果的絕對值，其值越接近0表明提取結(jié)果的精度越高，即

式中rs為棉花提取面積；re為棉花實(shí)際統(tǒng)計(jì)面積。

絕對誤差與實(shí)際統(tǒng)計(jì)結(jié)果之比即為相對誤差，其結(jié)果越接近0表明提取精度越高，即

式中為相對誤差。

3 結(jié)果分析

3.1 提取精度對比

使用PIE平臺采用隨機(jī)森林算法逐年提取2012–2021年石河子市建筑用地、裸地、水體、棉花以及其他作物等5類地物的面積，依據(jù)各年的訓(xùn)練樣本與驗(yàn)證樣本得到對應(yīng)的混淆矩陣來計(jì)算其OA值、Kappa系數(shù)，結(jié)果見表1。

表1 2012–2021年P(guān)IE棉花面積提取結(jié)果的OA值與Kappa系數(shù)值

Tab.1 Overall precision OA and Kappa coefficient of PIE cotton area extraction results from 2012 to 2021

計(jì)算2017–2020年P(guān)IE與GEE兩個(gè)云計(jì)算平臺的棉花提取面積，并與同期該市棉花種植面積的統(tǒng)計(jì)值進(jìn)行比較，分別計(jì)算兩個(gè)平臺提取結(jié)果的相對誤差與絕對誤差，客觀地對兩平臺的提取精度進(jìn)行評價(jià)，結(jié)果見表2。

表2 2017–2020年P(guān)IE與GEE平臺棉花種植面積提取精度對比

Tab.2 Comparison of cotton acreage extraction accuracy between PIE and GEE platforms from 2017 to 2020

由表1～2可知，PIE云平臺的總體精度OA與Kappa系數(shù)兩個(gè)分類精度指標(biāo)均維持在較高數(shù)值區(qū)間內(nèi)，PIE與GEE兩平臺提取結(jié)果的相對誤差與絕對誤差均維持在較低數(shù)值區(qū)間，Kappa系數(shù)最高可達(dá)到0.963，最低為0.851；總體精度OA最高可達(dá)到97.1%（2014年），最低為88.2%（2015年）。2017–2020年間，PIE平臺的提取精度總體上顯著優(yōu)于GEE平臺，PIE平臺提取結(jié)果的相對誤差最低為2017年的0.09%，最高為2020年的1.89%；而GEE平臺提取結(jié)果的最低相對誤差為0.86% （2020年），最高為8.20%（2017年）。兩個(gè)云計(jì)算平臺的棉花面積提取結(jié)果精度均可達(dá)到較高標(biāo)準(zhǔn)，基于PIE國產(chǎn)云計(jì)算平臺的提取精度總體上更優(yōu)。

兩平臺存在精度差異屬正常情況，出現(xiàn)差異的原因主要在于：1）矢量邊界存在不規(guī)則偏移，國內(nèi)的矢量邊界上傳至GEE平臺時(shí)，會存在一定程度不規(guī)則的偏移現(xiàn)象，進(jìn)而造成區(qū)域統(tǒng)計(jì)的偏差；2）PIE平臺采用的采樣方式為雙線性，而GEE平臺采用的采樣方式為Mean，使用同一份采樣點(diǎn)在不同平臺計(jì)算時(shí)會出現(xiàn)同一個(gè)點(diǎn)屬于不同類別的情況，進(jìn)而影響了最終的計(jì)算精度；3）面積計(jì)算函數(shù)的算法不同，當(dāng)邊界穿過一個(gè)像素時(shí)，PIE云平臺統(tǒng)計(jì)整個(gè)像素的面積，而GEE平臺按照像素的百分比計(jì)算落在邊界內(nèi)的面積，故兩平臺計(jì)算落在邊界上的像素時(shí)會出現(xiàn)統(tǒng)計(jì)結(jié)果不一；4）隨機(jī)森林算法的調(diào)節(jié)參數(shù)不同，為達(dá)到在不同平臺內(nèi)實(shí)現(xiàn)隨機(jī)森林算法的最優(yōu)提取效果，實(shí)驗(yàn)過程中在每個(gè)平臺上均選取各自隨機(jī)森林算法的最優(yōu)參數(shù)，不同平臺的隨機(jī)森林算法的參數(shù)并未完全一致，會造成一定的結(jié)果偏差。但根據(jù)對提取結(jié)果的分析可知，兩平臺的提取結(jié)果存在差異較小，并且均已達(dá)到較高的提取精度要求，兩平臺間存在精度差異屬正常情況。

3.2 棉花種植面積時(shí)間變化特征分析

本文利用PIE平臺逐年提取石河子市2012–2021年棉花種植面積，在時(shí)間尺度上分析石河子市近10年棉花種植面積的變化特征，具體結(jié)果見圖2。

圖2 2012–2021年石河子市棉花種植面積

由圖2可知，近10年里，石河子市棉花的種植面積年際間有所起伏，但總體趨勢平穩(wěn)，整體呈上升趨勢。其中2012–2015年，棉花種植面積無明顯波動(dòng)，總體有增長趨勢，其中2014年是近10年棉花種植面積最小的年份，僅有14 706.58 hm2。2011年，我國開始實(shí)施棉花臨時(shí)收儲政策，這對保護(hù)棉花生產(chǎn)者利益、穩(wěn)定棉花生產(chǎn)和棉花市場起到了一定的積極作用，棉農(nóng)種植積極性得到一定的提高，故2012–2013年棉花種植面積逐年增加。2013–2014年棉花種植成本逐漸增加，導(dǎo)致棉農(nóng)種植積極性降低，與圖2中棉花年種植面積同期出現(xiàn)減少的情況相符。

2016–2019年，棉花種植面積波動(dòng)相對較大，從2016年的18 377.11 hm2逐漸下降至2017年的 14 964.51 hm2，面積減少了3 412.6 hm2。根據(jù)2014年中央1號文件關(guān)于啟動(dòng)新疆棉花目標(biāo)價(jià)格改革試點(diǎn)的要求，自2014年4月起實(shí)行棉花目標(biāo)價(jià)格政策，價(jià)格與政府補(bǔ)貼脫鉤，實(shí)現(xiàn)了棉花生產(chǎn)布局的戰(zhàn)略調(diào)整，促使2014–2016年石河子棉花實(shí)播面積逐年增加。2016年國家施行棉花目標(biāo)價(jià)格改革，棉花價(jià)格有所下跌，致使2017年的棉花種植面積減少。

此后2017–2019年又呈持續(xù)增長態(tài)勢，至2019年棉花種植面積達(dá)近10年最大（19 908.84 hm2），較2017年增加4 944.33 hm2。由于2016年灌溉用水費(fèi)用普漲，農(nóng)民對種植玉米、小麥及蔬菜作物的積極性下降，加上2011–2014年疆內(nèi)大舉水果種植，不僅導(dǎo)致水果價(jià)格大幅下跌而且很難運(yùn)輸出疆，水果產(chǎn)業(yè)收益的低迷使農(nóng)民、種植大戶加快調(diào)整種植結(jié)構(gòu)，相對而言棉花種植“駕輕就熟”，因此棉花種植面積在2017–2019年逐漸回升。

2020–2021年棉花種植面積逐年減少，至2021年（17 435.85 hm2）共計(jì)減少2 472.99 hm2。2020年起由于新冠肺炎疫情的影響，棉花市場價(jià)格受到疫情的沖擊，使棉農(nóng)種植積極性受到影響，造成棉花實(shí)播面積減少。

3.3 棉花種植面積空間變化特征分析

本文基于PIE平臺的棉花面積提取結(jié)果，在空間尺度上對石河子市2012–2021年棉花種植面積進(jìn)行定量分析，得到近十年石河子市棉花種植在空間上的變化特征，結(jié)果見圖3～4。

圖3 2012–2021年石河子市棉花種植面積年際變化面積占比

由圖3和圖4可知，研究期內(nèi)石河子市棉花面積的時(shí)空變化特征與年際變化存在明顯的區(qū)域性變化。種植變化主要集中于石河子市南部、西部以及北部地區(qū)，年際變化總體呈增加的趨勢，2012年以來共增加棉花種植面積1 574.87 hm2。根據(jù)研究區(qū)不同年份的提取結(jié)果來看，種植面積增加較明顯的地區(qū)主要分布在石河子市北部（2017–2018年）和南部（2012–2013年與2015–2016年）；棉花種植面積減少較明顯的地區(qū)主要分布在石河子市西部（2016–2017年）和東北部（2020–2021年）。2017–2018年石河子市的棉花種植面積總增長率最高，達(dá)到22.26%；2016–2017年間種植面積總減少率最高，為21.69%。

圖4 石河子市2012–2021年棉花面積時(shí)空變化

4 結(jié)束語

本文基于PIE國產(chǎn)云計(jì)算平臺，使用NDVI與EVI作為特征數(shù)據(jù)，采用隨機(jī)森林算法對石河子市近10年的棉花面積進(jìn)行長時(shí)序動(dòng)態(tài)提取，并具體分析棉花種植面積在時(shí)間與空間尺度上的變化趨勢。得出以下結(jié)論：

1）基于PIE國產(chǎn)云計(jì)算平臺可對石河子市棉花種植面積進(jìn)行有效的長時(shí)序動(dòng)態(tài)提取和監(jiān)測，經(jīng)逐年影像對比分析，提取結(jié)果總體上優(yōu)于GEE平臺，具有良好的空間精度，其中Kappa系數(shù)最高達(dá)到0.963，總體精度OA最高可達(dá)到97.1%。

2）研究區(qū)棉花種植面積在研究期內(nèi)部分年際變化波動(dòng)較大，但總體較為穩(wěn)定，種植面積呈上升趨勢，2012年以來共增加種植面積1 574.87 hm2，平均種植面積為17 079.08 hm2，最低種植面積為14 706.58 hm2（2014年），最高種植面積為19 908.84 hm2（2019年）。

3）自2012年來，研究區(qū)棉花種植變化明顯的區(qū)域主要以石河子市西部、南部以及北部地區(qū)為主，其中南部地區(qū)棉花種植覆蓋面積最廣闊，南部和北部地區(qū)棉花種植區(qū)域面積增加最明顯，西部和東北部地區(qū)棉花種植區(qū)域面積減少最明顯，總體棉花種植面積增加。

本文基于PIE平臺所得棉花面積提取結(jié)果精度較高，實(shí)現(xiàn)了石河子市近10年棉花面積的有效提取與分析，研究結(jié)果可為該地區(qū)提供相關(guān)的數(shù)據(jù)補(bǔ)充，為當(dāng)?shù)氐霓r(nóng)業(yè)生產(chǎn)提供科學(xué)的數(shù)據(jù)參考，同時(shí)進(jìn)一步驗(yàn)證了PIE國產(chǎn)云計(jì)算平臺的科學(xué)實(shí)用意義，可極大助力石河子市的棉花農(nóng)業(yè)生產(chǎn)。

[1] 戴建國, 薛金利, 趙慶展, 等. 利用無人機(jī)可見光遙感影像提取棉花苗情信息[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(4): 63-71. DAI Jianguo, XUE Jinli, ZHAO Qingzhan, et al. Extraction of Cottorn Seeding Growth Information Using UAV Visible Light Remote Sensing, Images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 63-71. (in Chinese)

[2] 王文靜, 張霞, 趙銀娣, 等. 綜合多特征的Landsat 8時(shí)序遙感圖像棉花分類方法[J]. 遙感學(xué)報(bào), 2017, 21(1): 115-124. WANG Wenjing, ZHANG Xia, ZHAO Yindi, et al.Cotton Extraction Method of Integrated Multi-Features Based on Multi-Temporal Landsat 8 Images[J].Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese)

[3] 伊爾潘·艾尼瓦爾, 買買提·沙吾提, 買合木提·巴拉提. 基于GF-2影像和Unet模型的棉花分布識別[J]. 自然資源遙感, 2022, 34(2): 242-250. ERPAN Anwar, MAMAT Sawut, MAIHEMUTI Balati.Recognition of Cotton Distribution Based on GF-2 Images and Unet Model[J].Remote Sensing for Natural Resources, 2022, 34(2): 242-250. (in Chinese)

[4] 玉蘇甫·買買提, 吐爾遜·艾山, 買合皮熱提·吾拉木, 等. 新疆渭-庫綠洲棉花種植面積遙感監(jiān)測研究[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2014, 35(2): 240-243. Yusup MAMAT, Tursun HASAN, Magpirat GULAM, et al.Remote Sensing of Cotton Plantation Areas Monitoring in Delta Oasis of Ugan-Kucha River, Xinjiang[J].Research of Agricultural Modernization, 2014, 35(2): 240-243. (in Chinese)

[5] 李偉光, 張京紅, 劉少軍, 等. 基于GEE的東南亞主產(chǎn)區(qū)橡膠林分布遙感提取[J]. 熱帶作物學(xué)報(bào), 2021, 42(11): 3345-3350. LI Weiguang, ZHANG Jinghong, LIU Shaojun, et al.GEE-based Extraction of Rubber Forest Distribution in Main Producing Areas of Southeast Asia[J].Chinese Journal of Tropical Crops, 2021, 42(11): 3345-3350. (in Chinese)

[6] 馬戰(zhàn)林, 劉昌華, 薛華柱, 等. GEE環(huán)境下融合主被動(dòng)遙感數(shù)據(jù)的冬小麥識別技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021, 52(9): 195-205. MA Zhanlin, LIU Changhua, XUE Huazhu, et al.Identification of Winter Wheat by Integrating Active and Passive Remote Sensing Data Based on Google Earth Engine Platform[J].Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(9): 195-205. (in Chinese)

[7] 郭城, 陳穎彪, 鄭子豪, 等. 顧及時(shí)空背景的遙感生態(tài)指數(shù)適用性分析——以粵港澳大灣區(qū)為例[J]. 地理與地理信息科學(xué), 2021, 37(5): 23-30. GUO Cheng, CHEN Yingbiao, ZHENG Zihao, et al.Applicability Analysis of RSEI Considering Spatio-temporal Background: A Case Study of Guangdong-Hong Kong-Macao Greater Bay Area[J].Geography and Geo-Information Science, 2021, 37(5): 23-30. (in Chinese)

[8] 楊澤康, 田佳, 李萬源, 等. 黃河流域生態(tài)環(huán)境質(zhì)量時(shí)空格局與演變趨勢[J]. 生態(tài)學(xué)報(bào), 2021, 41(19): 7627-7636. YANG Zekang, TIAN Jia, LI Wanyuan, et al.Spatio-Temporal Pattern and Evolution Trend of Ecological Environment Quality in the Yellow River Basin[J].Acta Ecologica Sinica, 2021, 41(19): 7627-7636. (in Chinese)

[9] 毛麗君, 彭徐劍, 薛曉明, 等. 基于GEE平臺的錢江源國家公園森林火災(zāi)動(dòng)態(tài)變化研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào), 2022, 42(5): 158-164. MAO Lijun, PENG Xujian, XUE Xiaoming, et al.Research on Dynamic Changes of Forest Fires in National Parks Based from GEE Platform[J].Journal of Southwest Forestry University, 2022, 42(5): 158-164. (in Chinese)

[10] 盛艷玲, 張蔭, 喬紀(jì)綱. 基于GEE的亞馬遜生態(tài)區(qū)火災(zāi)變化特征及與降水關(guān)系[J]. 生態(tài)學(xué)雜志, 2021, 40(8): 2553-2562. SHENG Yanling, ZHANG Yin, QIAO Jigang.Changes of Fire and the Relationship with Precipitation in Amazon Ecological Area Based on GEE[J].Chinese Journal of Ecology, 2021, 40(8): 2553-2562. (in Chinese)

[11] 程乙峰, 貢璐, 張雪妮, 等. 新疆北疆棉花多元復(fù)合遙感估產(chǎn)模型研究[J]. 新疆農(nóng)業(yè)科學(xué), 2012, 49(8): 1497-1502. CHENG Yifeng, GONG Lu, ZHANG Xueni, et al.Study of the Remote Sensing Cotton Yield Estimation Model in Northern Xinjiang[J].Xinjiang Agricultural Sciences, 2012, 49(8): 1497-1502. (in Chinese)

[12] 王淑虹. 第八師石河子市水土保持規(guī)劃要點(diǎn)分析[J]. 中國水土保持, 2021(9): 33-35. WANG Shuhong.Key Points of Soil and Water Conservation Planning in Shihezi City of the Eighth Division[J].Soil and Water Conservation in China, 2021(9): 33-35. (in Chinese)

[13] 鐘艷霞, 陳鋒, 洪濤. 基于生態(tài)環(huán)境遙感解譯的石河子市水資源優(yōu)化配置研究[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)(社會科學(xué)版), 2018, 20(2): 121-128. ZHONG Yanxia, CHEN Feng, HONG Tao.A Preliminary Exploration on the Optimal Allocation of Water Resources in Shihezi City Based on Remote Sensing Interpretation of Ecological Environment[J].Journal of Harbin Institute of Technology(Social Sciences Edition), 2018, 20(2): 121-128. (in Chinese)

[14] FOGA S, SCARAMUZZA P L, GUO S, et al. Cloud Detection Algorithm Comparison and Validation for Operational Landsat Data Products[J]. Remote Sensing of Environment, 2017, 194: 379-390.

[15] 段四波, 茹晨, 李召良, 等. Landsat衛(wèi)星熱紅外數(shù)據(jù)地表溫度遙感反演研究進(jìn)展[J]. 遙感學(xué)報(bào), 2021, 25(8): 1591-1617. DUAN Sibo, RU Chen, LI Zhaoliang, et al.Reviews of Methods for Land Surface Temperature Retrieval from Landsat Thermal Infrared Data[J].National Remote Sensing Bulletin, 2021, 25(8): 1591-1617. (in Chinese)

[16] NABOUREH A, LI A N, BIAN J H, et al. A Hybrid Data Balancing Method for Classification of Imbalanced Training Data within Google Earth Engine: Case Studies from Mountainous Regions[J]. Remote Sensing, 2020, 12(20): 3301.

[17] 曹衛(wèi)彬, 劉姣娣, 馬蓉. 新疆棉花遙感監(jiān)測識別區(qū)域的劃分[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008(4): 172-176.CAO Weibin, LIU Jiaodi, MA Rong. Regional Planning of Xinjiang Cotton Growing Areas for Monitoring and Recognition Using Remote Sensing[J].Transactions of the Chinese Society of Agricultural Engineering, 2008(4): 172-176. (in Chinese)

[18] 程偉, 錢曉明, 李世衛(wèi), 等. 時(shí)空遙感云計(jì)算平臺PIE-Engine Studio的研究與應(yīng)用[J]. 遙感學(xué)報(bào), 2022, 26(2): 335-347. CHENG Wei, QIAN Xiaoming, LI Shiwei, et al.Research and Application of PIE-Engine Studio for Spatiotemporal Remote Sensing Cloud Computing Platform[J].National Remote Sensing Bulletin, 2022, 26(2): 335-347. (in Chinese)

[19] GOWARD S N, XUE Y K, CZAJKOWSKI K P. Evaluating Land Surface Moisture Conditions from the Remotely Sensed Temperature/Vegetation Index Measurements―An Exploration with the Simplified Simple Biosphere Model[J]. Remote Sensing of Environment, 2002(79): 225-242.

[20] 蔡怤晟. 分割和多特征結(jié)合的高分辨率遙感影像變化檢測方法研究[D]. 重慶: 重慶郵電大學(xué), 2020. CAI Fusheng.Research on High Resolution Remote Sensing Image Change Detection Method Based on Segmentation and Multi-Features[D].Chongqing: Chongqing University of Posts and Telecommunications, 2020. (in Chinese)

[21] HUETE A, DIDAN K, MIURA T, et al. Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[22] PAL M. Random Forest Classifier for Remote Sensing Classification[J]. International Journal of Remote Sensing, 2005, 26(1): 217-222.

[23] 何真, 胡潔, 蔡志文, 等. 協(xié)同多時(shí)相國產(chǎn)GF-1和GF-6衛(wèi)星影像的艾草遙感識別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2022, 38(1): 186-195. HE Zhen, HU Jie, CAI Zhiwen, et al.Remote Sensing Identification for Artemisia Argyi Integrating Multi-Temporal GF-1 and GF-6 Images[J].Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(1): 186-195. (in Chinese)

[24] 鄭文慧, 王潤紅, 曹銀軒, 等. 基于Google Earth Engine的黃土高原覆膜農(nóng)田遙感識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(1): 224-234. ZHENG Wenhui, WANG Runhong, CAO Yinxuan, et al.Remote Sensing Recognition of Plastic-film-mulched Farmlands on Loess Plateau Based on Google Earth Engine[J].Transactions of the Chinese Society of Agricultural Engineering, 2022, 53(1): 224-234. (in Chinese)

[25] 吳尚蓉, 任建強(qiáng), 劉佳, 等. 農(nóng)業(yè)區(qū)域多光譜遙感影像亞像元定位研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(10): 311-320. WU Shangrong, REN Jianqiang, LIU Jia, et al.Multispectral Images Sub-pixel Mapping in Agricultural Region[J].Transactions of the Chinese Society of Agricultural Engineering, 2015, 46(10): 311-320. (in Chinese)

[26] 古麗努爾·依沙克, 買買提·沙吾提, 馬春玥. 基于多時(shí)相雙極化SAR數(shù)據(jù)的作物種植面積提取[J]. 作物學(xué)報(bào), 2020, 46(7): 1099-1111. ISAK Gulnur, SAWUT Mamat, MA Chunyue.Extraction of Crop Acreage Based on Multi-Temporal and Dual-Polarization SAR Data[J].Acta Agronomica Sinica, 2020, 46(7): 1099-1111. (in Chinese)

Dynamic Monitoring of Cotton Planting Area under PIE Platform

ZHOU Lei LIN Zhishu YU Linhai DOU Shiqing*

（College of Geomatics and Geoinformation of Guilin University of Technology, Guilin 541000, China）

In order to achieve high-precision, fast and efficient extraction of long time series of cotton planting distribution and its area, the article uses remote sensing images of Landsat8 C2 SR, Landsat5 C2 SR and Sentinel-2 MSI as data sources based on the platform of remote sensing big data computing service (PIE Engine Studio), and uses the median synthesis method to calculate NDVI and EVI indices and to construct feature data, and the random forest algorithm was loaded to monitor and analyze the cotton cultivation area of the study area in Shihezi, Xinjiang for the past 10 years. The results show that: 1) the cotton planted area in the study area based on PIE platform has good extraction accuracy and better classification results, and the overall accuracy is better than that of GEE platform, in which the highest Kappa coefficient and overall accuracy OA can reach 0.963 and 97.1%, and the accuracy is higher compared with the statistical data; 2) the cotton planted area in the study area from 2012 to 2021 is generally stable and has an increasing trend; 3) the spatial changes of cotton planting area in the study area in the past 10 years were obvious, and the planting distribution was dominated by changes in the western and southern as well as northern areas of Shihezi city. The above results further verify the practicality and superiority of PIE's domestic cloud computing platform, which can provide auxiliary information for cotton production in Shihezi and help the development of cotton industry.

PIE-Engine; random forest algorithm; cotton planting area; remote sensing application

V445

A

1009-8518(2023)03-0108-11

10.3969/j.issn.1009-8518.2023.03.012

周磊，男，2000年生，桂林理工大學(xué)地理信息科學(xué)專業(yè)在讀本科生。主要研究方向?yàn)檫b感大數(shù)據(jù)技術(shù)及應(yīng)用。 E-mail：1445707920@qq.com。

竇世卿，女，1977年生，2015年獲中國礦業(yè)大學(xué)博士學(xué)位，教授。主要研究方向?yàn)閺氖氯SGIS與遙感技術(shù)應(yīng)用。E-mail：doushiqing@glut.edu.cn。

2022-05-04

國家自然科學(xué)基金（42061059）；廣西八桂學(xué)者專項(xiàng)項(xiàng)目（DT2100001072）；桂林市科技局開發(fā)項(xiàng)目（2020010701）

周磊, 林志樹, 玉林海, 等. 基于PIE平臺的棉花種植面積動(dòng)態(tài)監(jiān)測研究[J]. 航天返回與遙感, 2023, 44(3): 108-118.

ZHOU Lei, LIN Zhishu, YU Linhai, et al. Dynamic Monitoring of Cotton Planting Area under PIE Platform[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(3): 108-118. (in Chinese)

（編輯：夏淑密）