推荐几篇利用Google Earth Engine完成的水稻遥感制图的有趣论文

近日小编在Google Scholar上浏览的时候，无意中发现几篇水稻遥感制图的有趣论文，因此整理出来供大家学习一下。其中，前两篇是最近发表在JAG期刊上的，第1和3篇论文很像，两者的标题在方法缩写上只差一个字，一个取名Spatial domain transfer，另一个则取名Spatial domain bridge transfer，最后一篇则是最容易理解也最容易上手的，同时该篇论文还是高被引和热点论文。

1. 论文标题

Sun L, Lou Y, Zhang L. Spatial domain transfer: Cross-regional paddy rice mapping with a few samples based on Sentinel-1 and Sentinel-2 data on GEE[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 128: 103762.

全球人口正在增长，导致对粮食资源的需求增加。准确的稻田测绘和监测已成为有效的粮食管理和产量估计的关键。利用基于阈值的物候方法制作了几种中、高分辨率的大尺度水稻图谱产品。主要缺点是由于气候和种植习惯的差异，水稻在不同地区存在差异，导致固定物候指标阈值在大规模水稻制图中存在局限性。因此，需要来自不同地区的水稻样本来解释水稻之间的区域差异，提高水稻制图的精度。针对现有样本生成方法的两个主要缺陷(DTW距离的非鲁棒性和样本生成的固定物候指标阈值的局限性)和跨区域样本生成的三个难点(不同种植时间、生长周期和种植强度)，本研究提出了一种基于空间域转移的跨区域水稻样本生成新方法，实现了跨区域水稻作图。在中国3个不同气候和地形条件的研究区域，与nesea - rice方法相比，精度达到95.16 ~ 97.54%，精度提高了5.89 ~ 19.06%，证明了该方法的有效性和在大尺度水稻制图中的潜力。该方法可以在没有水稻样本的地区获得高精度的水稻制图结果，并可应用于其他作物和土地覆盖类型的制图。

2. 论文标题

Meng L, Li Y, Shen R, et al. Large-scale and high-resolution paddy rice intensity mapping using downscaling and phenology-based algorithms on Google Earth Engine[J]. International Journal of Applied Earth Observation and Geoinformation, 2024, 128: 103725.

水稻种植强度(PRCI)的精确测绘影响着精准农业、水资源利用管理和知情决策。许多PRCI映射方法已经被开发出来并取得了显著的效果。然而，在中国南方，特别是在湖南省，大规模和高分辨率的PRCI制图仍然具有挑战性。在该地区，由于频繁的云层覆盖，光学数据丢失严重，而雷达数据通常受到山地地形的影响。多源数据融合可减轻数据丢失;然而，许多数据融合方法由于其巨大的计算复杂性而无法用于大规模应用。为了在中国南方大尺度地区实现精确的PRCI制图，我们提出了一种新的多源数据融合的大尺度降尺度方法。利用Google Earth Engine开发了一个新的PRCI制图框架。为了验证其性能，我们绘制了2020年湖南省10 m PRCI。总体定位精度为90.70%，kappa系数为0.81。估计播种面积与统计年鉴高度相关(R2 = 0.84, RMSE = 11.47 kha)。实验结果表明，本文提出的框架在中国南方大尺度高分辨率PRCI制图中具有显著的性能。

3. 论文标题

Zhang C, Zhang H, Zhang L. Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area[J]. Computers and Electronics in Agriculture, 2021, 181: 105978.

准确、及时地进行水稻制图具有重要意义，因为明确的空间水稻图对粮食安全和市场稳定起着至关重要的作用。几十年来，遥感技术为从光学卫星图像中提取水稻提供了巨大的潜力。常用的水稻制图方法主要有两大类。第一种是利用水稻独特物候特征的面向物候的方法，基于机器学习的方法是水稻提取的另一种主流方法，被认为是一种分类任务。然而，上述两种方法实际上都不适用于大云区水稻的自动绘制。由于云污染，物候方法受时间序列无云RS输入的可用性影响，而基于机器学习的方法通常局限于高质量收集的训练样本的可用性。因此，本研究提出了一种新的灵活框架，将上述两种方法结合起来，试图实现大云区水稻自动制图的目标。首先，对具有无云时间序列卫星影像的区域进行水稻物候制图，生成水稻势;然后，通过过滤操作纯化得到的水稻电位。最后，利用纯化后的样本对机器学习分类器进行训练，并在空间上转移到其他区域进行水稻提取。进行了几个实验来评估我们提出的框架和随后的映射结果。实验结果表明，我们的框架有助于克服机器学习方法对训练数据的强烈依赖，并减少自动化水稻映射的多时态输入数量，这可能为水稻提取提供新的范式。

4. 论文标题

Zhang C, Zhang H, Tian S. Phenology-assisted supervised paddy rice mapping with the Landsat imagery on Google Earth Engine: Experiments in Heilongjiang Province of China from 1990 to 2020[J]. Computers and Electronics in Agriculture, 2023, 212: 108105.

准确的水稻空间分布图对粮食安全和市场稳定具有重要意义。跨越数十年的陆地卫星图像对长期的水稻制图很有用。然而，由于观测稀疏、天气污染频繁、训练样本不足等因素，利用Landsat系列图像实现一致的水稻制图仍然具有挑战性。为了解决这些挑战，本研究提出了一个灵活的物候辅助监督水稻(PSPR)在谷歌地球引擎(GEE)上的制图框架。这是通过利用物候方法的自动化、训练数据的生成和净化以及机器学习方法的全季节分类能力来实现的。我们通过生成1990年至2020年中国黑龙江省30米高分辨率水稻地图来验证该方法。利用丰富的参考样本、四种现有水稻产品和现有的农业统计数据验证了所得的水稻图谱。结果表明，与以往的研究相比，性能得到了提高，且呈高度线性关系，平均R2为0.993。在时空分析的基础上发现，近30年来黑龙江省水稻种植发生了明显的北移，而且这种北移出现的时间比以往的研究要早，这是我们所知的在相关研究中最先发现的。多年数据集对水稻监测、水资源管理和政策制定非常有用。本研究中使用的所有数据和代码都可以在GitHub (https://github.com/MKGenesis/PSPR-rice-HLJ)上获取。

加入我们