基于GEE平臺和自動統(tǒng)計分配算法的大范圍冬小麥提取

趙亮，劉莉，司麗麗，趙鐵松，黃敬峰

（1.河北省氣象災(zāi)害防御和環(huán)境氣象中心/河北省氣象與生態(tài)環(huán)境重點實驗室，石家莊 050021；2.浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，杭州 310058）

小麥?zhǔn)侨蚍N植范圍最廣泛的糧食作物。作為中國第二大糧食作物，小麥種植面積占糧食總面積的25%，產(chǎn)量占糧食總產(chǎn)的22%，在中國糧食構(gòu)成中占重要地位［1-3］。作為承災(zāi)體，許多農(nóng)業(yè)氣象災(zāi)害監(jiān)測工作的開展、指標(biāo)的制定都離不開作物的分布信息［4，5］。因此，在短時間內(nèi)獲取準(zhǔn)確的小麥種植信息對保障糧食安全、水資源利用和碳循環(huán)研究、指導(dǎo)農(nóng)業(yè)生產(chǎn)和防災(zāi)減災(zāi)工作都具有重要意義［6-8］。

傳統(tǒng)的農(nóng)業(yè)統(tǒng)計方法在很長一段時間一直被用于作物監(jiān)測（如FAOSTAT），這些統(tǒng)計數(shù)據(jù)提供了高度準(zhǔn)確的土地利用信息，但通常缺乏空間細(xì)節(jié)［9］，同時存在耗時費(fèi)力、信息發(fā)布滯后等缺點［10，11］。自20世紀(jì)80年代后期，遙感技術(shù)被廣泛用于作物類型識別、面積估算和物候信息獲?。?2-14］。趙葉等［15］基于2017年11月21日（小麥分蘗期）和2017年12月24日Landsat8 OLI影像，將MIR、NIR和RED波段進(jìn)行HSV變換，提取河北省中南部越冬前冬小麥的面積。而Sentinel-2衛(wèi)星具有幅寬大、重訪周期短、數(shù)據(jù)免費(fèi)、波段信息豐富以及較多的紅邊波段等特點，這些特點在農(nóng)作物識別和面積提取方面具有很大的優(yōu)勢［16，17］。尹捷等［18］利用Sentinel-2A、MODIS以及高光譜珠海一號OHS-2A衛(wèi)星等多源遙感數(shù)據(jù)，采用支持向量機(jī)算法提取河北省雄安新區(qū)的小麥信息，比較后發(fā)現(xiàn)Sentinel-2A對小麥的識別效果最佳，總體精度為85.57%，Kappa系數(shù)0.81。李方杰等［19］利用時序Sentinel-2遙感影像生成的歸一化植被指數(shù)（Normalized Difference Vegetation Index，ND?VI），提出基于復(fù)合型混合演化算法和區(qū)域作物種植面積總量控制的NDVI時序相似性閾值，提取河北省衡水市武邑縣的冬小麥面積總體精度達(dá)98.08%。

上述研究小麥信息提取精度普遍較高，但研究區(qū)相對較小，提取的也多為單年的信息。目前大面積農(nóng)作物信息遙感提取困難主要有兩個方面。①龐大的數(shù)據(jù)量以及由此產(chǎn)生的繁雜數(shù)據(jù)預(yù)處理和指數(shù)計算工作［20，21］，在利用高時空分辨率數(shù)據(jù)進(jìn)行大范圍農(nóng)作物多年信息提取時，這種困難尤其明顯。但隨著地理大數(shù)據(jù)與云平臺、云計算的發(fā)展，Google Earth Engine（GEE）作為一個基于云平臺的全球尺度地理空間分析平臺，為快速的數(shù)據(jù)預(yù)處理、下載以及遙感地物信息的提取帶來了新機(jī)遇［22-24］。②同一地區(qū)基于不同數(shù)據(jù)來源的農(nóng)作物種植面積不一致［9］。由于信息的獲取方法不同，不僅來自不同研究者的結(jié)果會不一致，基于單純遙感技術(shù)獲取的農(nóng)作物種植面積與農(nóng)作物統(tǒng)計面積數(shù)據(jù)之間也會不一致。這些會在一定程度上影響農(nóng)作物空間分布遙感信息在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用與尺度轉(zhuǎn)換［19］。因此，利用多源數(shù)據(jù)融合，以提高大范圍作物遙感識別精度，確保作物面積總量與作物面積統(tǒng)計數(shù)據(jù)一致性，值得進(jìn)一步研究。

綜上，本研究借助GEE平臺，將遙感數(shù)據(jù)與統(tǒng)計數(shù)據(jù)協(xié)同使用，設(shè)計自動統(tǒng)計分配算法，以分析基于不同植被指數(shù)合成影像的冬小麥面積及分布信息提取精度；同時利用篩選出的最優(yōu)植被指數(shù)開展河北省多年的冬小麥信息提取工作。研究結(jié)果可為大范圍小麥快速分布制圖提供一定的技術(shù)方法參考和思路借鑒，為后續(xù)農(nóng)作物空間分布遙感信息在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用打下基礎(chǔ)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

河北省橫跨華北、東北兩大地區(qū)，位于東經(jīng)113°27′—119°50′，北 緯36°05′—42°40′，總 面 積18.85萬km2，地勢西北高、東南低，由西北向東南傾斜。河北省屬溫帶大陸性季風(fēng)氣候，大部分地區(qū)四季分明。年日照時數(shù)2 126~3 063 h，年無霜期80~205 d，年平均氣溫2.2~14.6℃，年降水量338.4~688.9 mm，降水量分布特點為東南多西北少，為作物生長提供了良好的環(huán)境［25］。

河北省是中國13個小麥主產(chǎn)省份之一，主要種植冬小麥-夏玉米，一年兩熟制，另外根據(jù)土水條件和氣候條件的差異，還存在少部分的單季玉米種植區(qū)和兩年三熟區(qū)。其中冬小麥多集中分布在中南部海拔較低的平原地區(qū)（圖1），而張家口市、承德市等北部地區(qū)鮮少種植。

圖1 河北省地理位置和高程分布

1.2 數(shù)據(jù)獲取與預(yù)處理

研究使用的數(shù)據(jù)主要包括哨兵2號衛(wèi)星數(shù)據(jù)、耕地分布數(shù)據(jù)、驗證樣本數(shù)據(jù)、面積統(tǒng)計數(shù)據(jù)、數(shù)字高程數(shù)據(jù)以及行政區(qū)劃數(shù)據(jù)等。

1.2.1 哨兵2號衛(wèi)星數(shù)據(jù)遙感影像主要來源于哨兵2號（Sentinel-2）衛(wèi)星。該衛(wèi)星作為歐洲空間局（European Space Agency，ESA）“哥白尼”計劃系列中的重要光學(xué)衛(wèi)星組成部分，分為2A和2B兩顆。每顆衛(wèi)星的重訪周期為10 d，兩顆互補(bǔ)，形成5 d的重訪周期。衛(wèi)星上攜帶的寬幅高分辨率多光譜成像儀（MultiSpectral Instrument，MSI），幅寬為290 km，覆蓋13個光譜帶。不同波段的空間分辨率略有不同，分為10、20和60 m 3個尺度［26-28］；另外有3個QA波段，其中QA60波段包含云掩膜信息，用以去除影像中的卷云和厚云。Sentinel-2數(shù)據(jù)以其相對較高的時空分辨率和免費(fèi)獲取的特點被廣泛應(yīng)用于地物信息提取中。

本研究使用GEE平臺數(shù)據(jù)庫提供的Sentinel-2 L1C產(chǎn)品，該等級產(chǎn)品已經(jīng)過數(shù)字高程模型校正以及亞像素多光譜配準(zhǔn)，提供的是經(jīng)過正射校正的大氣頂（Top of Atmosphere，TOA）反射率。通過JavaS?cript編程語言，在GEE平臺上進(jìn)行了去云、遙感影像光譜指數(shù)計算、最大值選取、拼接、剪裁、轉(zhuǎn)投影、重采樣等預(yù)處理步驟，得到2016—2019年的30 m分辨率、河北省全覆蓋的最大值合成影像，用于后續(xù)的小麥信息提取。以下是部分?jǐn)?shù)據(jù)預(yù)處理方法詳細(xì)介紹。

1）光學(xué)遙感影像云污染像素的去除。光學(xué)遙感影像在獲取時易受到云、云在地面投影時的陰影以及氣溶膠的影響［29，30］，嚴(yán)重影響地面信息的獲取。因此本研究利用GEE平臺上官方提供的Sentinel-2數(shù)據(jù)云掩膜算法，設(shè)置QA60波段所有像元Bit10和Bit11的值均為0，得到掩膜，對輸入的符合時間和空間范圍的影像數(shù)據(jù)集去除有云像元，之后合成目標(biāo)年份最小云量影像。圖2展示了利用GEE平臺2018年11月15日至2019年3月31日共622景Sen?tinel-2影像、經(jīng)去云后合成的河北省完整遙感影像。

圖2 基于GEE平臺合成的河北省Sentinel-2原始波段遙感影像（R/G/B=Band 4/3/2）

2）光譜指數(shù)的計算。對于復(fù)雜的地物覆蓋區(qū)使用原始影像單一波段或者幾個波段的信息進(jìn)行單獨分析往往具有很大的局限性，而將多光譜數(shù)據(jù)進(jìn)行組合運(yùn)算所得到的指數(shù)可將地物的差異放大或突出，特別對某些植被的長勢、生物量、健康狀況等具有一定的指示意義。這些通過組合運(yùn)算所產(chǎn)生的指數(shù)被稱為植被指數(shù)。傳統(tǒng)的植被指數(shù)有比值植被指數(shù)（Ration Vegetation Index，RVI）、歸一化植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（Enhanced Vegetation In?dex，EVI）［31］和二波段增強(qiáng)型植被指數(shù)（2-bands En?hanced Vegetation Index，EVI2）［32］等。本研究使用了后三者。其中，NDVI常被用于提取植被的生長狀態(tài)、植被覆蓋度等信息，其計算方法如下。

式中，NIR為近紅外波段反射率，R為紅光波段反射率。

而EVI相較于NDVI更加復(fù)雜，它引入對氣溶膠敏感的藍(lán)光波段來校正氣溶膠對紅光波段的影響，并且引入了冠層調(diào)整因子，使其對大多數(shù)冠層背景不敏感，其計算方法如下。

式中，G為增益系數(shù)，C1、C2為氣溶膠阻抗系數(shù)，L為冠層背景調(diào)整因子，BLUE為藍(lán)光波段反射率。計算過程中G、C1、C2、L分別取值為2.5、6.0、7.5、1.0。

EVI2則是一種于2008年被提出的基于增強(qiáng)型植被指數(shù)的變型，其在計算過程中未使用藍(lán)光波段，并且保持了與增強(qiáng)型植被指數(shù)的較好相似性。EVI2的計算公式如下。

式中，c為藍(lán)光反射率轉(zhuǎn)化成紅光反射率的轉(zhuǎn)換系數(shù)，取值為2.08。圖3展示了基于GEE平臺，利用合成的去云Sentinel-2影像（2018年11月15日至2019年3月31日）計算的NDVI、EVI和EVI2分布圖。1.2.2耕地分布數(shù)據(jù)本研究使用的河北省耕地分布數(shù)據(jù)來自2019年的地理國情數(shù)據(jù)，為第三次全國國土調(diào)查結(jié)果。原始數(shù)據(jù)由河北省第三測繪院提供，包括耕地、園地、林地、草地、商服用地、工礦倉儲用地、住宅用地等共12類。將原始柵格重采樣至30 m，與遙感影像保持一致。將柵格值為1的耕地像元提取出來，作為后續(xù)小麥信息自動統(tǒng)計分配格點化的基礎(chǔ)。

圖3 基于GEE平臺和去云Sentinel-2影像計算的2019年河北省NDVI、EVI和EVI2最大值合成圖

1.2.3 面積統(tǒng)計數(shù)據(jù)和驗證樣本數(shù)據(jù)通過收集和整理河北省農(nóng)村統(tǒng)計年鑒上的縣級小麥面積，得到整個河北省2016—2019年縣級小麥面積參考數(shù)據(jù)。另外為了更好地比較不同植被指數(shù)的信息提取效果，評估小麥自動統(tǒng)計分配格點化結(jié)果在空間分布上的準(zhǔn)確度，本研究利用GEE合成的整個河北省2019年冬小麥生長期最小云量影像（圖2），根據(jù)不同地物的不同顏色、紋理等差異，基于目視解譯和2020年實地考察結(jié)果（期間通過走訪調(diào)查，記錄了田塊近2年的種植情況），在小麥主要種植區(qū)河北省南部和中部地區(qū)選取了冬小麥、水體、山體、人工地表和其他（裸地和其他植被）5類地物共907個矢量面（表1），各地類矢量面的分布（圖4a）和特征（圖4b至圖4k）。河北省的山區(qū)多分布在西部，其他地類樣本隨機(jī)選取，均勻分布。

圖4 基于GEE平臺選取的5種樣本地類矢量面的分布（a）、各地類原始影像特征（b-f）和各地類EVI2分布特征（g-k）

表1 驗證樣本數(shù)據(jù)相關(guān)信息

1.2.4 數(shù)字高程數(shù)據(jù)和行政區(qū)劃數(shù)據(jù)利用先進(jìn)的星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（Ad?vanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model，ASTER GDEM）生產(chǎn)的數(shù)字高程數(shù)據(jù)，制作研究區(qū)底圖，輔助驗證樣本的判斷。該數(shù)據(jù)是根據(jù)NASA的對地觀測衛(wèi)星Terra的詳盡觀測結(jié)果制作完成的，空間分辨率為30 m。另外行政區(qū)劃數(shù)據(jù)包括省、市、縣三級行政區(qū)劃數(shù)據(jù)，來源于國家基礎(chǔ)地理信息系統(tǒng)中心，數(shù)據(jù)格式為ESRI Shapefile。

2 研究方法

2.1 試驗設(shè)計

本研究的試驗設(shè)計如下：①利用GEE平臺進(jìn)行Sentinel-2數(shù)據(jù)預(yù)處理和計算得到整個河北省2019年不同植被指數(shù)（NDVI/EVI/EVI2）影像（“1.2.1”部分）；②將各影像輸入自動統(tǒng)計分配算法中，得到基于不同植被指數(shù)的小麥分布圖；③利用“1.2.3”部分得到的驗證樣本（907個矢量面）對小麥分布圖進(jìn)行比較和檢驗，挑選出最優(yōu)的植被指數(shù)；④基于最優(yōu)的植被指數(shù)影像和自動統(tǒng)計分配算法，得到2016—2019年的河北省小麥分布圖，分析近年河北省小麥的分布變化。

2.2 自動統(tǒng)計分配算法原理與方法

由于農(nóng)作物的生長有著明顯而特別的季節(jié)性特征，利用不同作物物候及生長發(fā)育在時間序列上反映出的植被指數(shù)特征進(jìn)行作物信息識別。該方法已經(jīng)成為農(nóng)作物面積提取的一種重要方式。以EVI為例，冬小麥的植被指數(shù)在播種期最小，越冬前出現(xiàn)一個小峰值，在越冬后期出現(xiàn)波谷。返青后冬小麥種植區(qū)的植被指數(shù)會隨著小麥生物量的增加而逐步增加，并在抽穗期至乳熟期達(dá)到最大，之后隨著葉片變黃、麥穗成熟，植被指數(shù)又逐步下降［33］。河北省冬小麥約前一年10月下旬出苗結(jié)束，當(dāng)年的4月末開始抽穗，6月初開始成熟收獲。而在4月以前，其他作物鮮少種植，因此植被指數(shù)越大的像元為小麥的可能性越高［34］。所以自動統(tǒng)計分配算法的原理是自動將統(tǒng)計數(shù)據(jù)中的小麥面積分配給小麥可能性更高的像素，自適應(yīng)調(diào)整小麥的分布，直到累積小麥面積接近統(tǒng)計數(shù)據(jù)為止。

研究利用GEE平臺篩選前一年11月至當(dāng)年3月間無云的最大值像元，合成覆蓋整個研究區(qū)的30 m分辨率的植被指數(shù)（NDVI/EVI/EVI2）影像；之后利用耕地分布數(shù)據(jù)對得到的最大值影像進(jìn)行掩膜，只保留耕地像元；利用Python編程語言通過分縣自動設(shè)定并調(diào)整閾值，對耕地像元進(jìn)行篩選，保留冬小麥可能性更高的像元，直到累積小麥面積接近統(tǒng)計數(shù)據(jù)則停止篩選，以實現(xiàn)冬小麥種植區(qū)多年分布信息的提取。

2.3 精度評價方法

利用“1.2.3”部分得到的驗證樣本（907個矢量面）作為參考數(shù)據(jù)，對基于不同植被指數(shù)影像和自動統(tǒng)計分配算法得到的小麥分布圖進(jìn)行比較和檢驗，以判斷輸入不同植被指數(shù)影像對小麥信息提取結(jié)果的影響。具體方法是統(tǒng)計基于算法得到的小麥像元與各真實地類重合的像元個數(shù)并計算百分比。另外，利用統(tǒng)計數(shù)據(jù)，對算法提取的2016—2019年冬小麥分布結(jié)果進(jìn)行評估。驗證指標(biāo)有平均精度（Aˉx）、平均絕對誤差（MAE）和均方根誤差（RMSE），其計算方法如下。

3 結(jié)果與分析

3.1 最優(yōu)植被指數(shù)挑選結(jié)果

統(tǒng)計基于算法得到的小麥像元與各真實地類重合的像元個數(shù)，并計算百分比。不同植被指數(shù)的小麥信息提取精度評價結(jié)果如表2所示。結(jié)果表明，基于NDVI、EVI和EVI2的小麥分布結(jié)果準(zhǔn)確率差別不大。冬小麥真實樣本總共有136 312個，其中EVI的用戶精度為94.58%，制圖精度為91.67%，Kappa系數(shù)為0.967 3，均為最大。EVI2的結(jié)果與EVI相似，而NDVI的 準(zhǔn)確率 相對EVI和EVI2為最低，用戶精度、制圖精度和Kappa系數(shù)分別為94.10%、91.66%和0.966 6。最終確定EVI為自動統(tǒng)計分配算法的最優(yōu)輸入。但不難看出，無論是基于哪個植被指數(shù)，自動統(tǒng)計分配算法提取的小麥分布信息準(zhǔn)確率均大于94.00%，總體精度均大于98.00%，Kappa系數(shù)均大于0.96，提取結(jié)果真實可靠。

表2 不同植被指數(shù)2019年冬小麥分布結(jié)果精度評價混淆矩陣

3.2 河北省冬小麥提取結(jié)果精度分析

將GEE平臺得到的河北省EVI影像輸入自動統(tǒng)計分配算法中，得到2016—2019年河北省30 m分辨率的小麥分布（圖5）。由圖5可以看出，河北省的小麥主要分布在中南部地區(qū)，廊坊市和秦皇島市的種植密度較低，承德市和張家口市沒有冬小麥種植區(qū)。

圖5 2016—2019年的河北省冬小麥空間分布

分別計算2016—2019年河北省所有小麥種植縣冬小麥面積的平均精度，見表3。由表3可知，2016—2019年河北省冬小麥面積平均精度均大于97.00%，算法提取的整個河北省小麥面積與統(tǒng)計面積高度一致。另外計算所有縣的MAE和RMSE，并輸出散點圖，輸出結(jié)果如圖6所示，算法提取結(jié)果與統(tǒng)計結(jié)果有很好的線性關(guān)系。

圖6 2016—2019年的河北省冬小麥縣級精度驗證散點圖

表3 冬小麥面積精度驗證結(jié)果

3.3 河北省冬小麥分布變化

計算每個像元2016—2019年冬小麥種植年份數(shù)，得到整個河北省冬小麥分布變化圖；另外，統(tǒng)計河北省各個市每年的小麥面積并制作折線圖，結(jié)果如圖7所示。研究發(fā)現(xiàn)，2016—2019年，河北省冬小麥面積從224.595萬hm2上漲至227.956萬hm2，增長幅度不大，2018年達(dá)到最高，為231.748萬hm2。相較2016年，邢臺、衡水和秦皇島市的小麥種植面積總體呈增長趨勢，其中衡水市漲幅最大，2019年相較2016年增長了7.180萬hm2，呈由北向南擴(kuò)張趨勢；保定和滄州市4年內(nèi)的小麥種植面積基本保持不變；而其他市的小麥種植面積總體呈下降趨勢，其中石家莊市下降最多，2019年相較2016年減少了2.683萬hm2，減少區(qū)域主要為石家莊西部地區(qū)。

圖7 2016—2019年的河北省各市冬小麥面積和分布變化

4 討論與結(jié)論

4.1 研究的優(yōu)勢、不足及下階段計劃

從衛(wèi)星產(chǎn)品估算的農(nóng)田面積通常與統(tǒng)計數(shù)據(jù)不一致，會阻礙農(nóng)田地圖在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用。本研究采用遙感數(shù)據(jù)和統(tǒng)計數(shù)據(jù)協(xié)同使用的自動統(tǒng)計分配算法，制作了河北省多年的30 m分辨率小麥分布圖。算法有以下3項優(yōu)勢。①解決了訓(xùn)練樣本挑選難的問題。傳統(tǒng)的大范圍作物分布制圖通常需要相對大量的訓(xùn)練樣本來訓(xùn)練模型，訓(xùn)練樣本的挑選通常需要較大的時間和精力投入，同時訓(xùn)練樣本的準(zhǔn)確性也決定了算法的準(zhǔn)確性，而本算法不需要訓(xùn)練樣本，能夠快速在其他年份復(fù)制使用。②研究基于GEE平臺進(jìn)行數(shù)據(jù)預(yù)處理，極大地提高了制圖效率。作為可免費(fèi)訪問、基于云數(shù)據(jù)的地理空間計算平臺，GEE平臺為高效處理大量遙感數(shù)據(jù)提供了新途徑［35］，隨著數(shù)據(jù)可用性和強(qiáng)大計算資源的增加，越來越多的遙感信息提取工作在GEE平臺開展［36，37］。GEE樣本選取方便及精度驗證簡單等優(yōu)點讓研究者能專注于開發(fā)和改進(jìn)自動統(tǒng)計分配算法本身，提高算法信息提取的精度，而不需要過多關(guān)注一些重復(fù)的技術(shù)性工作。③極大提高了作物分布制圖的準(zhǔn)確性，使之與官方統(tǒng)計數(shù)據(jù)一致，為產(chǎn)量預(yù)測、水資源利用以及農(nóng)作物氣象災(zāi)害監(jiān)測等后續(xù)研究打好基礎(chǔ)。

本研究使用的驗證樣本是矢量面，雖然在采集過程中盡量保證矢量面內(nèi)地物的一致性，但由于人為主觀因素的存在，加上混合像元的問題，驗證樣本仍然存在一定的不準(zhǔn)確性。另外，本研究使用冬小麥生長期內(nèi)植被指數(shù)的變化差異作為基礎(chǔ)進(jìn)行小麥的提取且精度較高，是因為在相同的生長季內(nèi)（前一年11月至當(dāng)年3月），河北省鮮少有其他作物大面積被種植。這使得算法在與河北省種植制度相似的地區(qū)復(fù)刻，同樣能獲得較好的結(jié)果，但在冬季作物種類偏多的地區(qū)，例如南方冬小麥和油菜的混合種植區(qū)，為獲得較高的精度，自動統(tǒng)計分配算法需添加額外的條件，這也是下階段算法的改進(jìn)目標(biāo)。同時，不同遙感數(shù)據(jù)的聯(lián)合使用也值得進(jìn)一步研究。

4.2 結(jié)論

為快速準(zhǔn)確獲取大范圍小麥信息，本研究基于Google Earth Engine云平臺進(jìn)行Sentinel-2數(shù)據(jù)的預(yù)處理和植被指數(shù)計算，得到整個河北省2019年不同植被指數(shù)（NDVI/EVI/EVI2）影像；輸入自動統(tǒng)計分配算法，得到基于不同植被指數(shù)的小麥分布圖并比較，挑選出最優(yōu)的植被指數(shù)；基于最優(yōu)的植被指數(shù)影像和自動統(tǒng)計分配算法，快速得到2016—2019年河北省冬小麥的空間位置分布信息。主要結(jié)論如下。

1）利用GEE平臺輔助提取作物信息，有數(shù)據(jù)獲取容易、計算速度快、樣本選取方便等優(yōu)點。GEE能夠快速完成整個河北省多年影像的去云、鑲嵌、裁剪及指數(shù)計算等預(yù)處理工作，較本地處理有明顯優(yōu)勢。

2）NDVI、EVI和EVI2三者的小麥分布制圖準(zhǔn)確率差別不大，均大于94.00%，其中EVI的精度最高。河北省所有小麥種植縣2016—2019年的平均精度均大于97%。相較2016年，衡水市小麥面積4年增長了7.180萬hm2，主要呈由北向南擴(kuò)張趨勢；石家莊市減少2.683萬hm2，減少區(qū)域主要為西部區(qū)域。

3）自動統(tǒng)計分配算法不需要依賴訓(xùn)練樣本，極大地降低了大面積作物分布制圖的成本，且能快速地在其他年份復(fù)制使用，提高了大面積作物分布制圖效率。另外，算法將遙感數(shù)據(jù)和統(tǒng)計數(shù)據(jù)協(xié)同使用，獲得的小麥面積和分布與真實情況有良好的一致性。本研究可為大范圍小麥分布制圖提供一定的技術(shù)方法參考和思路借鑒，為指導(dǎo)農(nóng)業(yè)生產(chǎn)、農(nóng)業(yè)氣象災(zāi)害監(jiān)測和防災(zāi)減災(zāi)工作提供基礎(chǔ)。