GEE支持下的河南省冬小麥面積提取及長勢監(jiān)測

周珂，柳樂，張儼娜，苗茹，楊陽

GEE支持下的河南省冬小麥面積提取及長勢監(jiān)測

1河南大學(xué)計算機(jī)與信息工程學(xué)院，河南開封 475004；2河南大學(xué)實(shí)驗(yàn)室與設(shè)備管理處，河南開封 475004；3河南省大數(shù)據(jù)分析與處理重點(diǎn)實(shí)驗(yàn)室/河南大學(xué)，河南開封 475004

【】使用遙感技術(shù)對2017—2020年河南省冬小麥的空間分布信息進(jìn)行高精度的提取，然后對2020年冬小麥的長勢進(jìn)行高頻度的監(jiān)測并結(jié)合氣象條件進(jìn)行分析。本文基于谷歌地球引擎（Google Earth Engine，GEE）云平臺，對選取的Landsat 8影像數(shù)據(jù)根據(jù)NDVI最大值進(jìn)行合成，然后進(jìn)行特征構(gòu)建，添加地形特征、紋理特征、NDVI以及一個新特征NDVI增幅，使用隨機(jī)森林分類方法對樣本數(shù)據(jù)按照構(gòu)建的特征進(jìn)行訓(xùn)練提取河南省2017—2020年冬小麥的播種面積信息；經(jīng)過精度驗(yàn)證后對提取的河南省2020年的冬小麥種植區(qū)域生成掩膜，對掩膜區(qū)域（冬小麥種植區(qū)域）結(jié)合MODIS高時間分辨率影像數(shù)據(jù)，使用NDVI同期差值法對2020年2—4月份的冬小麥進(jìn)行高頻度的長勢監(jiān)測。使用GEE云平臺能夠?qū)幽鲜《←湻N植區(qū)域的空間分布信息進(jìn)行快速制圖；使用隨機(jī)森林方法加入地形特征、紋理特征、NDVI后再加入新特征NDVI增幅，能夠有效提高冬小麥的提取精度以及降低與統(tǒng)計數(shù)據(jù)的相對誤差，基于混淆矩陣計算的平均總體分類精度為95.2%、平均kappa系數(shù)為0.909、冬小麥的平均分類精度為95.3%，與河南省統(tǒng)計年鑒數(shù)據(jù)相比，本文方法提取的2017—2019年河南省冬小麥播種面積相對誤差均低于3%，河南省冬小麥主要種植區(qū)域的冬小麥播種面積的平均相對誤差低于6%；使用MODIS影像數(shù)據(jù)結(jié)合NDVI差值模型能夠?qū)幽鲜?020年的冬小麥進(jìn)行高頻度的長勢監(jiān)測，河南省冬小麥在返青初期長勢較往年及2019年好，到生育后期大部分區(qū)域長勢與往年及2019年持平，總體上2020年冬小麥的長勢較往年及2019年好。本文提出的方法能夠?qū)幽鲜《←溸M(jìn)行高精度的提取以及高頻度的長勢監(jiān)測，且能夠?yàn)榈胤秸蛘咭恍┺r(nóng)業(yè)部門在安排指導(dǎo)農(nóng)事活動上提供科學(xué)依據(jù)。

冬小麥；長勢監(jiān)測；谷歌地球引擎；隨機(jī)森林；歸一化植被指數(shù)；Landsat；MODIS

0 引言

【研究意義】冬小麥作為我國三大主糧作物之一，在國民經(jīng)濟(jì)中占據(jù)著重要地位[1]。河南省作為我國農(nóng)業(yè)大省之一，以冬小麥種植為主，其播種面積占據(jù)全省糧食作物的54%，且其產(chǎn)量多年一直保持全國第一，占全國的20%以上[2]，及時獲知河南省冬小麥的分布及長勢情況對確保糧食產(chǎn)量具有重要意義?！厩叭搜芯窟M(jìn)展】衛(wèi)星遙感數(shù)據(jù)具有覆蓋面廣、光譜信息豐富、周期性強(qiáng)等特點(diǎn)，目前已成為監(jiān)測冬小麥分布及長勢的重要手段之一[3-10]。常用的提取冬小麥播種面積的手段主要包括：（1）結(jié)合遙感影像，利用NDVI等植被指數(shù)的時序變化來設(shè)置合適閾值，對冬小麥的空間分布信息進(jìn)行提取[11-14]；（2）使用機(jī)器學(xué)習(xí)的方法，對遙感影像各類型地物進(jìn)行分類，進(jìn)而提取冬小麥的播種面積[15-19]。在機(jī)器學(xué)習(xí)方法中隨機(jī)森林（RF）自動化程度高、較容易實(shí)現(xiàn)，且其計算開銷小[20]，在遙感影像分類上被廣泛應(yīng)用。在冬小麥的空間分布信息提取上，李旭青等[17]、Liu等[19]使用RF分類算法對研究區(qū)域冬小麥的種植面積進(jìn)行提取，均取得了較好的效果。在使用機(jī)器學(xué)習(xí)方法對遙感影像進(jìn)行分類時，You等[21]、楊蕙宇等[22]、何昭欣等[23]的研究數(shù)據(jù)表明，使用機(jī)器學(xué)習(xí)方法分類時加入地形、紋理特征能夠提高分類精度。近年來，隨著信息技術(shù)的不斷發(fā)展，云計算也快速進(jìn)入衛(wèi)星遙感數(shù)據(jù)處理領(lǐng)域，并取得了很好的效果。Google Earth Engine（GEE）是谷歌公司開發(fā)的一款用于遙感數(shù)據(jù)分析的工具，有著強(qiáng)大的數(shù)據(jù)處理、分析、存儲和可視化能力[24]。國內(nèi)遙感領(lǐng)域的科學(xué)研究者基于GEE云平臺已進(jìn)行了一些在遙感科學(xué)領(lǐng)域的研究。何昭欣等[23]使用GEE云平臺對江蘇省夏收作物進(jìn)行較好的遙感提取，且使用GEE處理較本地處理有明顯優(yōu)勢；朱德海等[25]使用GEE對山東省近30年來的農(nóng)業(yè)大棚進(jìn)行較高精度的提取。Liu等[26]使用GEE中大量Landsat影像進(jìn)行全球城市土地分類，并繪制了多時相的全球城市土地利用類型圖。郝斌飛等[27]對GEE進(jìn)行分析，數(shù)據(jù)表明GEE是一個高效的科研工具，在相關(guān)領(lǐng)域的研究上粗略統(tǒng)計其綜合效率（成本、效益等）能提升90%以上?！颈狙芯壳腥朦c(diǎn)】目前結(jié)合云平臺以及機(jī)器學(xué)習(xí)的方法在省域范圍內(nèi)提取冬小麥的研究還較少。在冬小麥長勢監(jiān)測方面[28-29]，較多研究使用MODIS影像數(shù)據(jù)，基于植被指數(shù)時序變化進(jìn)行面積提取并構(gòu)建長勢檢測模型[28-29]，而MODIS影像數(shù)據(jù)存在空間分辨率較低會產(chǎn)生大量混合像元的問題?！緮M解決的關(guān)鍵問題】本文以河南省為研究區(qū)，基于Landsat 8 OLI、MODIS兩種影像各自的優(yōu)勢，在GEE云平臺上首先結(jié)合Landsat 8 OLI影像數(shù)據(jù)對訓(xùn)練特征進(jìn)行構(gòu)建，以機(jī)器學(xué)習(xí)的方法提取2017—2020年河南省冬小麥播種面積及其空間分布，然后使用MODIS MO9GQ產(chǎn)品數(shù)據(jù)對2020年2、3月份以及4月上中旬河南省的冬小麥進(jìn)行長勢監(jiān)測及分析，為實(shí)現(xiàn)高頻度的中高分辨率影像協(xié)同支持的農(nóng)作物動態(tài)監(jiān)測，進(jìn)而構(gòu)建基于云平臺和機(jī)器學(xué)習(xí)的農(nóng)作物信息提取系統(tǒng)以及農(nóng)業(yè)生產(chǎn)提供參考依據(jù)和客觀數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)域與數(shù)據(jù)源

1.1.1 研究區(qū)域概況 河南省位于中原腹地，介于31°23′—36°22′N、110°21′—116°39′E之間（圖1）。河南省在地勢上西高東低，中東部地區(qū)多為平原地帶，西部多為山區(qū)丘陵地帶。氣候四季分明，屬于亞熱帶和暖溫帶季風(fēng)氣候，夏季高溫且多雨，冬季寒冷且干燥。河南省全年無霜期為201—285 d，全省由南向北的年平均氣溫為10.5—16.7℃，降水以6—8月份最多，全省年平均降水量為407.7—1 295.8 mm，年平均日照為1 285.7—2 292.9 h，適宜多種農(nóng)作物的生長[30]。

圖1 研究區(qū)域地形圖

1.1.2 影像數(shù)據(jù)集及預(yù)處理本研究選用Landsat 8 OLI影像數(shù)據(jù)以及MODIS MO9GQ影像數(shù)據(jù)提取河南省冬小麥種植面積并進(jìn)行長勢監(jiān)測。Landsat 8搭載OLI陸地成像儀，包括9個波段，Landsat 8衛(wèi)星大約每2周對整個地球表面成像，包括多光譜和熱數(shù)據(jù)。MODIS MO9GQ為地表反射率產(chǎn)品，空間分辨率為250 m，時間分辨率為1 d。Landsat 8影像數(shù)據(jù)具有較高的空間分辨率，為30 m，能夠減少混合像元對冬小麥播種面積提取的影響；MODIS MO9GQ影像數(shù)據(jù)有很高的時間分辨率，能夠?qū)Χ←滈L勢進(jìn)行持續(xù)跟蹤。

河南省的冬小麥一般在秋末冬初進(jìn)行播種，下一年的夏季進(jìn)行收割，生育周期如表1所示。冬小麥在播種期到起身拔節(jié)期的NDVI變化較大，所以選取此區(qū)間的影像進(jìn)行面積提取，考慮到受云量及其他因素的影響，同一個時間區(qū)間獲取的影像可能不完整，而相鄰年份同時間段的冬小麥種植區(qū)域差異不是太大，所以選取相鄰年份的影像數(shù)據(jù)作為補(bǔ)充，具體選取的Landsat 8影像數(shù)據(jù)詳情如表2所示。2月至4月上中旬，冬小麥從返青期到孕穗—抽穗期，在這個時間區(qū)段冬小麥的顏色是在不斷變綠的，結(jié)合NDVI能夠有效對河南省的冬小麥長勢進(jìn)行監(jiān)測，因此選取2017—2020年2—3月份以及4月上中旬的MODIS MO9GQ影像數(shù)據(jù)，對研究區(qū)域2019—2020年冬小麥長勢進(jìn)行監(jiān)測。選取影像后對其進(jìn)行裁剪、鑲嵌等數(shù)據(jù)預(yù)處理，所有操作均在GEE中進(jìn)行。

1.1.3 樣本數(shù)據(jù)及驗(yàn)證數(shù)據(jù) 根據(jù)2019—2020年12—3月份合成影像的各類地物不同的紋理信息，結(jié)合Google Earth中的高分辨率影像，在研究區(qū)域內(nèi)共選取3 889個樣本點(diǎn)。樣本數(shù)據(jù)分布均勻，覆蓋全省范圍，其中冬小麥樣本點(diǎn)2 554個，非冬小麥樣本點(diǎn)1 335個，非冬小麥樣本包括水體、不透水面以及其他植被。樣本選取依據(jù)如表3所示。驗(yàn)證數(shù)據(jù)來自河南省統(tǒng)計年鑒（http://www.henan.gov.cn/zwgk/zfxxgk/fdzdgknr/ tjxx/tjnj/）發(fā)布的冬小麥播種面積數(shù)據(jù)。

表1 河南省冬小麥生育周期

表2 Landsat 8選取影像詳情

表3 樣本選取依據(jù)

1.2 研究方法

1.2.1 技術(shù)流程 本文基于GEE云平臺Landsat影像數(shù)據(jù)，使用機(jī)器學(xué)習(xí)分類方法提取研究區(qū)2017—2020年的冬小麥播種面積，結(jié)合MODIS影像數(shù)據(jù)，利用NDVI差值模型對研究區(qū)2020年2、3月份以及4月上中旬的冬小麥長勢進(jìn)行高頻度監(jiān)測。步驟如下：（1）從GEE云平臺獲取Landsat影像數(shù)據(jù)集，進(jìn)行篩選、影像鑲嵌等數(shù)據(jù)預(yù)處理操作；（2）按照NDVI最大值鑲嵌影像；（3）特征構(gòu)建；（4）對遙感影像分類提取研究區(qū)冬小麥播種面積；（5）精度驗(yàn)證；（6）對監(jiān)測時段的MODIS影像數(shù)據(jù)計算NDVI，并對每旬影像進(jìn)行NDVI最大值合成，然后進(jìn)行差值計算；利用同期對比法對2020年2、3月份的冬小麥進(jìn)行長勢監(jiān)測。流程圖如圖2所示。

1.2.2 冬小麥種植面積信息獲取 本研究使用GE高分辨率影像選取4類地物的樣本點(diǎn)，結(jié)合Landsat 8影像繪制各類地物在9月份到次年4月份的NDVI變化（圖3）。從圖3中可以看出，研究區(qū)冬小麥從12月到次年4月的NDVI值在不斷增長且明顯高于其他地類，此時間區(qū)間為冬小麥的返青及起身期，冬小麥在不斷變綠。為了在影像上突出冬小麥的特征，本次研究在影像集合成上做了一些改變。本研究選擇12月份到次年3月份冬小麥返青到起身期的影像數(shù)據(jù)，計算每景影像的NDVI值，在GEE中對影像集的每個像元按照NDVI值從小到大進(jìn)行排序，提取根據(jù)NDVI最大值合成的影像（包含原始光譜信息）。NDVI計算公式如下：

式中，為紅波段，為近紅外波段。

河南省自西向東地勢從高變低，在西部地區(qū)由于地勢高山體丘陵較多，冬小麥種植區(qū)域較少且較難識別。為了提高冬小麥種植區(qū)域的分類精度，在訓(xùn)練特征中加入了地形特征和紋理特征。本文研究利用航天飛機(jī)雷達(dá)地形任務(wù)[31]（shuttle radar topography mission，SRTM）的SRTMG數(shù)據(jù)產(chǎn)品獲取研究區(qū)的地形特征，其分辨率為30 m。

紋理信息是圖像的一種重要特征，刻畫了圖像像素鄰域灰度空間分布的規(guī)律，不同的地物類型在遙感影像上有不同的紋理信息。冬小麥在遙感影像上具有連續(xù)的、規(guī)則的紋理，為了更好地提取研究區(qū)域的冬小麥空間分布信息，本研究在GEE上使用灰度共生矩陣（gray-level co-occurrence matrix，GLCM）構(gòu)建紋理特征。由于NDVI值能夠很好地反映冬小麥的特征，所以本研究在影像合成后，使用NDVI計算影像的紋理特征，并選擇4種相關(guān)性較低的紋理信息[32]。分別是角二階矩（ASM）、逆差距（IDM）、對比度（CON）、相關(guān)性（CORR），計算公式如下：

圖2 冬小麥長勢監(jiān)測流程

圖3 研究區(qū)各類地物時序NDVI變化

式中，為原始圖像的灰度級數(shù)，(,)為基于原始圖像生成的灰度共生矩陣，為均值，為方差。

除上述特征外，本文加入了一個新的特征NDVIincrease，NDVIincrease由王九中等[33]提出。結(jié)合圖3和冬小麥的生育周期中可以發(fā)現(xiàn)，冬小麥播種初期到冬小麥起身拔節(jié)期NDVI有明顯變化，增長幅度較其他3類地物高，基于這種變化計算冬小麥從播種期到起身拔節(jié)期NDVI增長的幅度，計算公式如下：

式中，NDVImin為播種時節(jié)9月份到11月份影像集合的最小NDVI合成影像；NDVImax為12月份到次年3月份影像集合的最大NDVI合成影像。

在分類方法上，本研究使用機(jī)器學(xué)習(xí)中的隨機(jī)森林分類（random forest，RF）算法對影像進(jìn)行分類，提取研究區(qū)2017— 2020年冬小麥的播種面積。RF是由BREIMAN等[34]提出的包含多棵決策樹的分類方法，其隨機(jī)主要體現(xiàn)在兩方面：一方面是子模型的訓(xùn)練樣本是有放回的隨機(jī)抽?。涣硪环矫媸亲幽Ｐ偷奶卣髯兞恳彩请S機(jī)抽取。隨機(jī)森林的每一棵決策樹都是一個分類器，當(dāng)輸入一個樣本時，隨機(jī)森林的任一棵樹都會產(chǎn)生相對應(yīng)的分類結(jié)果，而隨機(jī)森林收集了所有子樹的分類結(jié)果，將涵蓋子樹最多的類別作為最終的輸出結(jié)果。本研究在GEE平臺對構(gòu)建的特征以獨(dú)立的光譜波段添加到影像以及樣本數(shù)據(jù)中，然后使用RF分類方法提取研究區(qū)冬小麥的種植面積以及空間分布情況。參數(shù)設(shè)置上，綜合考慮冬小麥提取的精度、與統(tǒng)計數(shù)據(jù)的誤差以及計算效率，將決策樹的數(shù)量設(shè)置為500，最大葉節(jié)點(diǎn)數(shù)設(shè)為無限制，分割節(jié)點(diǎn)的特征數(shù)量設(shè)為輸入特征總數(shù)的平方根。

1.2.4 精度驗(yàn)證 獲得研究區(qū)冬小麥播種面積后，對2017—2019年遙感提取的冬小麥播種面積與河南省統(tǒng)計年鑒統(tǒng)計的冬小麥播種面積數(shù)據(jù)進(jìn)行比較，計算絕對誤差以及相對誤差。相對誤差能夠客觀描述提取精度且能夠更好地反映提取的冬小麥播種面積的可信度，相對誤差越小表示面積提取精度越高。絕對誤差和相對誤差的計算公式如下：

式中，為絕對誤差，I為遙感提取面積，I為統(tǒng)計的播種面積，為相對誤差。

除相對誤差驗(yàn)證外，本研究結(jié)合研究區(qū)域范圍及算法本身的特點(diǎn)，將選取的樣本數(shù)據(jù)按照4﹕1的比例進(jìn)行分配，在樣本數(shù)據(jù)中隨機(jī)選取80%的樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩下的20%的樣本數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)用來驗(yàn)證分類的精度。本研究在對影像分類后使用混淆矩陣對驗(yàn)證數(shù)據(jù)的識別結(jié)果進(jìn)行檢驗(yàn)，計算總體分類精度（）、系數(shù)以及冬小麥的分類精度（），計算公式如下：

式中，為樣本種類的個數(shù)，混淆矩陣，主對角線位置為驗(yàn)證樣本數(shù)據(jù)中各個類別正確分類的個數(shù)。

2 結(jié)果

2.1 面積監(jiān)測結(jié)果

本文通過GEE云平臺對選取的Landsat 8影像進(jìn)行特征構(gòu)建，使用RF分類對2017—2020年河南省冬小麥的種植面積進(jìn)行計算，并與河南省統(tǒng)計局統(tǒng)計的冬小麥種植面積進(jìn)行比較計算相對誤差（表4），發(fā)現(xiàn)加入NDVI增幅后，2017—2019年的冬小麥的提取相對誤差有所降低，且相對誤差均在3%以內(nèi)，在省域范圍內(nèi)提取誤差較小。為了更好地檢驗(yàn)此方法提取的精確性，對河南省冬小麥主要種植區(qū)域的冬小麥種植面積進(jìn)行提取并計算相對誤差（表5），結(jié)果表明加入NDVI增幅這一特征后，提取2017—2019年河南省冬小麥主要種植區(qū)域的冬小麥的相對誤差有很大降低，2017—2018年冬小麥的平均相對誤差從12.10%降低到5.69%，2018—2019年冬小麥的平均相對誤差從10.84%降低到5.49%，在市域范圍上提取效果也較好。除上述驗(yàn)證外，本文基于混淆矩陣對驗(yàn)證樣本計算分類后的總體分類精度、kappa系數(shù)以及冬小麥分類精度（表6），發(fā)現(xiàn)加入NDVI增幅后，總體精度、kappa系數(shù)、冬小麥分類精度均有提高。通過以上分析可以看出本研究所使用的方法提取河南省冬小麥的精度較高、效果較好。

本研究使用GEE對河南省2017—2020年的冬小麥播種面積區(qū)域進(jìn)行提取，其能夠快速對遙感影像的數(shù)據(jù)預(yù)處理進(jìn)行操作，并能夠?qū)幽鲜《←湻N植區(qū)域的空間分布信息進(jìn)行快速制圖。河南省2017—2020年冬小麥的播種面積的空間信息如圖4所示，從中可以看出冬小麥主要分布在河南中東部平原和南陽盆地，由于西部山體丘陵較多以及信陽地區(qū)靠南，小麥種植較少。從表4可以看出遙感所測的2017—2019年河南省冬小麥播種面積處于增長狀態(tài)，與河南省統(tǒng)計局統(tǒng)計的冬小麥播種面積變化一致，且2020年遙感所測的冬小麥面積也在增加，因此預(yù)計河南省2020年冬小麥的播種面積要高于往年。

表4 河南省冬小麥遙感提取的播種面積與統(tǒng)計的播種面積比較

表5 河南省冬小麥主要種植區(qū)域的遙感提取的播種面積與統(tǒng)計的播種面積比較

表6 研究區(qū)冬小麥基于混淆矩陣提取精度比較

2.2 長勢監(jiān)測結(jié)果

本研究所使用的方法對河南省冬小麥的播種面積提取精度較高，提取結(jié)果可靠，所以將河南省2020年的冬小麥種植面積分布應(yīng)用式（10）的NDVI差值模型與往年同期進(jìn)行對比，統(tǒng)計NDVI對應(yīng)增量的像元個數(shù)（圖5），發(fā)現(xiàn)與往年同期相比，從2月上旬到3月中旬，NDVI增量大于0的像元個數(shù)明顯多于NDVI增量小于0的像元個數(shù)，說明冬小麥種植區(qū)域絕大數(shù)區(qū)域的NDVI值大于往年，在2月上旬到3月中旬冬小麥長勢情況較往年好；3月下旬到4月中旬的NDVI增量大于0與小于0的像元個數(shù)相差不大，為了更好地觀察此時間段的冬小麥長勢，本文應(yīng)用式（11）對NDVI差值結(jié)果進(jìn)行分類，發(fā)現(xiàn)從3月下旬到4月中旬，曲線變化幅度較小，NDVI增量在-0.1到0.1區(qū)間內(nèi)的像元個數(shù)最多。王利民等[35]、孫麗等[28]、黃青等[29]研究數(shù)據(jù)表明在冬小麥生育后期大部分長勢與往年持平，因此本文將式（11）中的n1設(shè)為-0.1，n2設(shè)為0.1，根據(jù)設(shè)定的值對2020年冬小麥與往年及2019年相比各類長勢的面積占比進(jìn)行統(tǒng)計（圖6—7），并與往年同期相比冬小麥各類長勢情況分布區(qū)域進(jìn)行制圖（圖8）。結(jié)果發(fā)現(xiàn)，與2019年相比，2020年2月上旬到3月上旬冬小麥長勢好于2019年同期；從3月中旬到4月中旬，長勢較好的區(qū)域漸漸減少，較差的區(qū)域增多，但總體上依然是長勢好的區(qū)域高于長勢差的區(qū)域。與往年相比，2020年2月上旬到3月中旬大部分區(qū)域冬小麥的長勢好于往年，這個結(jié)果與圖5統(tǒng)計的結(jié)果一致，在3月下旬到4月中旬，長勢較好的區(qū)域大幅減少，90%以上的冬小麥種植區(qū)域長勢與往年持平，但總體上長勢好的區(qū)域多于長勢差的區(qū)域。

圖5 2020年冬小麥種植區(qū)域與往年相比的NDVI變化

圖6 與2019年相比研究區(qū)2020年2—4月的冬小麥的長勢情況

圖7 與往年相比研究區(qū)2020年2—4月的冬小麥的長勢情況

圖8 與往年相比研究區(qū)2020年2—4月的冬小麥的長勢分布

氣候變化對冬小麥的長勢有很大影響，因此本文對河南省氣象局現(xiàn)代農(nóng)業(yè)網(wǎng)（http://www.hnnw. net/）發(fā)布的2017—2020年2—4月份的農(nóng)業(yè)氣象周報數(shù)據(jù)進(jìn)行統(tǒng)計（圖9），然后根據(jù)統(tǒng)計數(shù)據(jù)，對河南省冬小麥的長勢做出分析。從圖5—8可以看出，在2月上旬到2月下旬，無論是與2019同期相比還是與往年同期相比，2020年冬小麥的長勢要遠(yuǎn)好于2019年及往年同期，通過圖9對比可以看出2020年2月份氣溫較2019年及往年同期要高，且有充足的光照時間，有利于冬小麥生長，因此冬小麥進(jìn)入返青期要快于往年及2019年；3月下旬到4月中旬期間，2020年與往年及2019年同期相比氣溫在降低，光照時間在不斷變化，但光照時間總體較往年及2019年短，因此冬小麥長勢放緩。雖然冬小麥長勢受到氣候的影響，但總體上2020年冬小麥的長勢依舊要好于往年及2019年。

通過2020年2—4月份的冬小麥長勢與往年及2019年對比分析，發(fā)現(xiàn)河南省2020年的冬小麥長勢相比2019年要好。在冬小麥產(chǎn)量方面，盛磊等[2]研究表明在冬小麥從返青期到抽穗期植被指數(shù)與產(chǎn)量的相關(guān)系數(shù)最高，千懷遂[36]研究認(rèn)為小麥單產(chǎn)的最佳時相為拔節(jié)后期到抽穗期，而本文的研究數(shù)據(jù)表明無論是從返青期到抽穗期，還是拔節(jié)后期到抽穗期，NDVI增量大于0的區(qū)域要大于NDVI增量小于0的區(qū)域，冬小麥長勢好的區(qū)域要多于冬小麥長勢差的區(qū)域，因此判斷河南省2020年冬小麥的總體產(chǎn)量要好于往年及2019年。

圖9 2017—2020年2—4月份的平均氣溫及周平均日照

3 討論

本研究所使用的方法能夠很好地對河南省2017—2020年的冬小麥的空間分布信息進(jìn)行快速提取并制圖，并對2020年的冬小麥進(jìn)行高頻度的長勢監(jiān)測，但在平臺以及方法上還存在一些不足之處。

在冬小麥種植信息提取方面，本研究使用Landsat 8影像數(shù)據(jù)構(gòu)建訓(xùn)練特征，通過RF分類方法提取河南省2017—2020年的冬小麥種植空間分布信息，與李方杰等[37]、鄧榮鑫等[38]的研究方法相比，本文使用中高分辨率Landsat 8 影像數(shù)據(jù)在影像合成上突出了冬小麥的特征，且在模型訓(xùn)練時加入紋理特征、地形特征、NDVI以及一個新特征NDVI增幅，提取的冬小麥種植區(qū)域存在的混合像元較少，基于混淆矩陣計算平均總體精度有所提高，且與統(tǒng)計數(shù)據(jù)相比總體相對誤差也較小。目前研究雖然整體提取效果較好，但在冬小麥種植區(qū)域較多的地區(qū)（如駐馬店、周口）提取的面積還存在較大誤差，Landsat 8影像為中高分辨率影像，也不可避免地存在一些混合像元，此外，原始光譜波段間還存在較大的相關(guān)性，下一步研究方向?qū)⒔Y(jié)合更高空間分辨率影像與高時間分辨率影像進(jìn)行融合，然后對原始光譜特征進(jìn)行優(yōu)化，使用深度學(xué)習(xí)方法對更大范圍內(nèi)冬小麥的種植面積進(jìn)行提取。

在冬小麥長勢監(jiān)測方面，孫麗等[28]、黃青等[29]基于MODIS影像數(shù)據(jù)，使用NDVI閾值法提取冬小麥的空間分布信息，在此基礎(chǔ)上構(gòu)建模型對研究區(qū)域的冬小麥進(jìn)行長勢監(jiān)測，此方法提取的冬小麥種植區(qū)域存在較多的混合像元以及自動化程度不高。為了更好地提取冬小麥的種植區(qū)域，從而對冬小麥進(jìn)行更加準(zhǔn)確地監(jiān)測，本研究在Landsat 8合成影像上，使用隨機(jī)森林方法對河南省冬小麥進(jìn)行較高精度地提取，對提取的區(qū)域生成掩膜，對掩膜區(qū)域結(jié)合MODIS影像數(shù)據(jù)，利用NDVI差值法進(jìn)行長勢監(jiān)測。試驗(yàn)表明，本研究使用的方法既能夠獲取較高精度的冬小麥種植分布信息，又能進(jìn)行高頻度的長勢監(jiān)測。對于冬小麥長勢監(jiān)測的方法，本文還存在一定的不足，本文利用每旬MODIS合成影像的NDVI與次年以及往年進(jìn)行比較，在部分地區(qū)偶爾會出現(xiàn)NDVI的誤差情況，下一步將考慮對NDVI時序曲線進(jìn)行修正，進(jìn)一步提高監(jiān)測的精度；關(guān)于苗情分級，較多的文獻(xiàn)是根據(jù)農(nóng)學(xué)和地面實(shí)測數(shù)據(jù)進(jìn)行分級分類，部分借助于遙感手段的方式方法比較復(fù)雜，增加了苗情判讀的復(fù)雜度，本文嘗試在盡可能提高精度的情況下簡化苗情分類判讀方式，計劃在下一步的研究中，通過試驗(yàn)對比結(jié)合數(shù)據(jù)分析尋求較為實(shí)用的長勢評估手段。

GEE能夠高效地處理海量遙感數(shù)據(jù)，使用GEE云平臺能夠?qū)幽鲜?017—2020年的冬小麥進(jìn)行提取并對冬小麥種植區(qū)域進(jìn)行快速制圖。但由于使用的是GEE平臺免費(fèi)資源，所以提供的計算能力有限，當(dāng)研究區(qū)域過大時，在計算過程中偶爾會出現(xiàn)“計算超時”“計算超出限制”或者瀏覽器崩潰等錯誤，隨著后續(xù)的改進(jìn)，會逐漸完善。在應(yīng)用價值上，本文以GEE云平臺的海量遙感數(shù)據(jù)為支撐，開展了小麥長勢的監(jiān)測，具有一定的實(shí)用性，在后續(xù)工作中可以以本文工作為基礎(chǔ)，基于GEE云平臺開發(fā)供農(nóng)業(yè)統(tǒng)計遙感的業(yè)務(wù)化運(yùn)行系統(tǒng)，以利于提升監(jiān)測分析的效率且為地方政府或一些農(nóng)業(yè)部門在農(nóng)事活動的安排指導(dǎo)上提供科學(xué)依據(jù)。

4 結(jié)論

本研究基于GEE云平臺，使用Landsat 8影像數(shù)據(jù)對特征進(jìn)行構(gòu)建，使用RF分類法提取河南省2017—2020年冬小麥面積，然后對河南省2020年的冬小麥的播種面積區(qū)域進(jìn)行掩膜處理，在MODIS影像上對掩膜區(qū)域進(jìn)行NDVI差值計算，對冬小麥進(jìn)行高頻度的長勢監(jiān)測，并對2020年河南省2、3月份以及4月上中旬的冬小麥長勢結(jié)合氣候因素進(jìn)行監(jiān)分析，得到結(jié)論如下：

（1）GEE提供的高性能計算能力以及Landsat 8、MODIS影像數(shù)據(jù)，可以為冬小麥的種植面積提取以及長勢的動態(tài)監(jiān)測提供數(shù)據(jù)保障和計算能力保障。本文所使用的方法能夠?qū)幽鲜?017—2020年的冬小麥播種面積進(jìn)行有效提取，基于混淆矩陣計算的平均總體分類精度為95.2%，平均kappa系數(shù)為0.909，平均冬小麥分類精度為95.3%，在省域范圍內(nèi)與河南省統(tǒng)計的數(shù)據(jù)相比相對誤差均低于3%。

（2）本文結(jié)合Landsat8以及MODIS 2種影像各自的優(yōu)勢，能夠很好地對河南省2020年的冬小麥進(jìn)行高頻度的長勢監(jiān)測。受到氣候等因素的影響，河南省絕大部分區(qū)域2020年冬小麥在2月份返青初期長勢較2019年及往年好，到了3月上旬長勢放緩，從3月下旬開始，冬小麥各類長勢變化波動不大，趨于穩(wěn)定狀態(tài)，絕大部分種植區(qū)域冬小麥長勢與往年持平?？傮w上，河南省2020年冬小麥的播種面積要高于往年，長勢較往年及2019年要好。

[1] 鄭文倩. 我國小麥價格形成機(jī)制及波動特征分析[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2016.

ZHENG W Q. Study on wheat price formation mechanism and price volatility characteristics in China[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)

[2] 盛磊, 何亞娟, 吳全, 王飛. 河南省冬小麥產(chǎn)量遙感監(jiān)測精度比較研究. 中國農(nóng)業(yè)信息, 2018, 30(2): 95-102.

SHENG L, HE Y J, WU Q, WANG F. Comparative study on accuracy of winter wheat production by remote sensing monitoring in Henan

province. China Agricultural Information, 2018, 30(2): 95-102. (in Chinese)

[3] HAN J C, ZHANG Z, CAO J, LUO Y C, ZHANG L L, LI Z Y, ZHANG J. Prediction of winter wheat yield based on multi-source data and machine learning in China. Remote Sensing, 2020, 12(2): 236.

[4] 劉新杰, 魏云霞, 焦全軍, 孫奇, 劉良云. 基于時序定量遙感的冬小麥長勢監(jiān)測與估產(chǎn)研究. 遙感技術(shù)與應(yīng)用, 2019, 34(4): 756-765.

LIU X J, WEI Y X, JIAO Q J, SUN Q, LIU L Y. Growth monitoring and yield prediction of winter wheat based on time-series quantitative remote sensing data. Remote Sensing Technology and Application, 2019, 34(4): 756-765. (in Chinese)

[5] 楊珺雯, 張錦水, 潘耀忠, 孫佩軍, 朱爽. 基于遙感識別誤差校正面積的農(nóng)作物種植面積抽樣高效分層指標(biāo)研究——以冬小麥為例. 中國農(nóng)業(yè)科學(xué), 2018, 51(4): 675-687.

YANG J W, ZHANG J S, PAN Y Z, SUN P J, ZHU S. An efficient hierarchical indicator based on the correction area of remote sensing identification error for planting acreage sampling-A case study of winter wheat. Scientia Agricultura Sinica, 2018, 51(4): 675-687. (in Chinese)

[6] FRANCH B, VERMOTE E F, SKAKUN S, ROGER J C, BECKER- RESHEF I, MURPHY E, JUSTICE C. Remote sensing based yield monitoring: Application to winter wheat in United States and Ukraine. International Journal of Applied Earth Observation and Geoinformation, 2019, 76: 112-127.

[7] HAO Z, ZHAO H L, ZHANG C, WANG H, JIANG Y, YI Z. Estimating winter wheat area based on an SVM and the variable fuzzy set method. Remote Sensing Letters, 2019, 10(4): 343-352.

[8] ZHANG X W, LIU J F, QIN Z Y, QIN F. Winter wheat identification by integrating spectral and temporal information derived from multi- resolution remote sensing data. Journal of Integrative Agriculture, 2019, 18(11): 2628-2643.

[9] MENG S Y, ZHONG Y F, LUO C, HU X, WANG X Y, HUANG S X. Optimal temporal window selection for winter wheat and wapeseed mapping with sentinel-2 images: A case study of Zhongxiang in China. Remote Sensing, 2020, 12(2): 226.

[10] 譚昌偉, 羅明, 楊昕, 馬昌, 嚴(yán)翔, 周健, 杜穎, 王雅楠. 用PLS算法由HJ-1A/1B遙感影像估測區(qū)域冬小麥理論產(chǎn)量. 中國農(nóng)業(yè)科學(xué), 2015, 48(20): 4033-4041.

TAN C W, LUO M, YANG X, MA C, YAN X, ZHOU J, DU Y, WANG Y N. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images. Scientia Agricultura Sinica, 2015, 48(20): 4033-4041. (in Chinese)

[11] DONG C, ZHAO G X, QIN Y W, WAN H. Area extraction and spatiotemporal characteristics of winter wheat–summer maize in Shandong province using NDVI time series. PloS one, 2019, 14(12): 226508.

[12] 王利民, 劉佳, 姚保民, 季富華, 楊福剛. 基于GF-1影像NDVI年度間相關(guān)分析的冬小麥面積變化監(jiān)測. 農(nóng)業(yè)工程學(xué)報, 2018, 34(8): 184-191.

WANG L M, LIU J, YAO B M, JI F H, YANG F G. Area change monitoring of winter wheat based on relationship analysis of GF-1 NDVI among different years. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(8): 184-191. (in Chinese)

[13] 申健, 常慶瑞, 李粉玲, 王力. 基于時序NDVI的關(guān)中地區(qū)冬小麥種植信息遙感提取. 農(nóng)業(yè)機(jī)械學(xué)報, 2017, 48(3): 215-220, 260.

SHEN J, CHANG Q R, LI F L, WANG L. Extraction of winter wheat information based on time-series NDVI in Guanzhong area. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 215-220, 260. (in Chinese)

[14] 安塞, 沈彥俊, 趙彥茜, 郭英, 郭碩, 肖捷穎. 基于NDVI時間序列數(shù)據(jù)的冬小麥種植面積提取. 江蘇農(nóng)業(yè)科學(xué), 2019, 47(15): 236-240.

AN S, SHEN Y J, ZHAO Y Q, GUO Y, GUO S, XIAO J Y. Extraction of winter wheat planting area based on NDVI time series data. Jiangsu Agricultural Science, 2019, 47(15): 236-240. (in Chinese)

[15] SHAN J, WANG Z M, SUN L, QIU L, YU K, WNAG J G. Study on extraction methods of winter wheat area based on GF-1 satellite images//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics). IEEE, 2019: 1-5.

[16] 羅桓, 李衛(wèi)國, 景元書, 徐向華, 陳華. 基于SVM的縣域冬小麥種植面積遙感提取. 麥類作物學(xué)報, 2019, 39(4): 81-88.

LUO H, LI W G, JING Y S, XU X H, CHEN H. Remote sensing extraction of winter wheat planting area based on SVM. Journal of Triticeae Crops, 2019, 39(4): 81-88. (in Chinese)

[17] 李旭青, 劉世盟, 李龍, 金永濤, 范文磊, 吳憐. 基于RF算法優(yōu)選多時相特征的冬小麥空間分布自動解譯. 農(nóng)業(yè)機(jī)械學(xué)報, 2019, 50(6): 218-225.

LI X Q, LIU S M, LI L, JIN Y T, FAN W L, WU L. Automatic interpretation of spatial distribution of winter wheat based on random forest algorithm to optimize multi-temporal features. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(6): 218-225. (in Chinese)

[18] 賀原惠子, 王長林, 賈慧聰, 陳方. 基于隨機(jī)森林算法的冬小麥提取研究. 遙感技術(shù)與應(yīng)用, 2018, 33(6): 1132-1140.

HE Y H Z, WANG C L, JIA H C, CHEN F. Research on extraction of winter wheat based on random forest. Remote Sensing Technology and Application, 2018, 33(6): 1132-1140. (in Chinese)

[19] LIU J T, FENG Q L, GONG J H, ZHOU J P, LIANG J M, LI Y. Winter wheat mapping using a random forest classifier combined with multi-temporal and multi-sensor data. International Journal of Digital Earth, 2018, 11(8): 783-802.

[20] 周志華. 機(jī)器學(xué)習(xí). 北京: 清華大學(xué)出版社, 2016: 179-180.

ZHOU Z H. Machine Learning. Beijing: Tsinghua University Press, 2016: 179-180. (in Chinese)

[21] YOU J, PEI Z Y, WANG F, WU Q, GUO L. Area extraction of winter wheat at county scale based on modified multivariate texture and G satellite images. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 131-139.

[22] 楊蕙宇, 王征強(qiáng), 白建軍, 韓紅珠. 基于多特征提取與優(yōu)選的冬小麥面積提取. 陜西師范大學(xué)學(xué)報(自然科學(xué)版), 2020, 48(1): 40-49.

YANG H Y, WANG Z Q, BAI J J, HAN H Z. Winter wheat area extraction based on multi-feature extraction and feature selection. Journal of Shaanxi Normal University(Natural Science Edition), 2020, 48(1): 40-49. (in Chinese)

[23] 何昭欣, 張淼, 吳炳方, 邢強(qiáng). Google Earth Engine支持下的江蘇省夏收作物遙感提取. 地球信息科學(xué)學(xué)報, 2019, 21(5): 752-766.

HE Z X, ZHANG M, WU B F, XING Q. Extraction of summer crop in Jiangsu based on Google Earth Engine. Journal of Geo-information Science, 2019, 21(5): 752-766. (in Chinese)

[24] GORELICK N, HANCHER M, DIXON M, ILYUSHCHENKO S, THAU D, MOORE R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017, 202: 18-27.

[25] 朱德海, 劉逸銘, 馮權(quán)瀧, 歐聰, 郭浩, 劉建濤. 基于GEE的山東省近30年農(nóng)業(yè)大棚時空動態(tài)變化研究. 農(nóng)業(yè)機(jī)械學(xué)報, 2020, 51(1): 168-175.

ZHU D H, LIU Y M, FENG Q L, OU C, GUO H, LIU J T. Spatial- temporal dynamic changes of agricultural greenhouses in Shandong province in recent 30 years based on Google Earth Engine. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 168-175. (in Chinese)

[26] LIU X P, HU G H, CHEN Y M, LI X, XU X C, LI S Y, PEI F S, WANG S J. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote sensing of environment, 2018, 209: 227-239.

[27] 郝斌飛, 韓旭軍, 馬明國, 劉一韜, 李世衛(wèi). Google Earth Engine在地球科學(xué)與環(huán)境科學(xué)中的應(yīng)用研究進(jìn)展. 遙感技術(shù)與應(yīng)用, 201 8, 33(4): 600-611.

HAO B F, HAN X J, MA M G, LIU Y T, LI S W. Research progress on the application of Google Earth Engine in geoscience and environmental sciences. Remote Sensing Technology and Application, 2018, 33(4): 600-611. (in Chinese)

[28] 孫麗, 王蔚丹, 陳媛媛, 董沫. 2019年美國冬小麥長勢遙感監(jiān)測分析. 安徽農(nóng)業(yè)科學(xué), 2020, 48(1): 241-244.

SUN L, WANG W D, CHEN Y Y, DONG M. Analysis of winter wheat growth of united states with remote sensing data in 2019. Journal of Anhui Agricultural Sciences, 2020, 48(1): 241-244. (in Chinese)

[29] 黃青, 李丹丹, 陳仲新, 劉佳, 王利民. 基于MODIS數(shù)據(jù)的冬小麥種植面積快速提取與長勢監(jiān)測. 農(nóng)業(yè)機(jī)械學(xué)報, 2012,43(7): 163-167.

HUNAG Q, LI D D, CHEN Z X, LIU J, WANG L M. Monitoring of planting area and growth condition of winter wheat in China based on MODIS data. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(7): 163-167. (in Chinese)

[30] 何亞萍. 河南省循環(huán)農(nóng)業(yè)發(fā)展研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2018.

HE Y P. Study on the development of circular agriculture in Henan province[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)

[31] FARR T G, ROSEN P A, CARO E. The shuttle radar topography mission. Reviews of geophysics, 2007, 45(2):1-13.

[32] ULABY F T, KOUYATE F, BRISCO B, WILLIAMS T L. Textural Infornation in SAR Images. Geoscience and Remote Sensing, IEEE Transactions on GE-24, 1986, 24(2): 235-245.

[33] 王九中, 田海峰, 鄔明權(quán), 王力, 王長耀. 河南省冬小麥快速遙感制圖. 地球信息科學(xué)學(xué)報, 2017, 19(6): 846-853.

WANG J Z, TIAN H F, WU M Q, WANG L, WANG C Y. Rapid mapping of winter wheat in Henan province. Journal of Geo- information Science, 2017, 19(6): 846-853. (in Chinese)

[34] BREIMAN L. Random forests. Machine Learning, 2001, 45(1): 5-32.

[35] 王利民, 劉佳, 唐鵬欽, 姚保民, 劉榮高. 農(nóng)作物長勢遙感監(jiān)測需求、系統(tǒng)框架及業(yè)務(wù)應(yīng)用. 中國農(nóng)業(yè)信息, 2019, 31(2): 1-10.

WANG L M, LIU J, TANG P Q, YAO B M, LIU R G. Demands, system framework, and operational application of crop growth remote sensing monitoring. China Agricultural Information, 2019, 31(2): 1-10. (in Chinese)

[36] 千懷遂. 農(nóng)作物遙感估產(chǎn)最佳時相的選擇研究——以中國主要糧食作物為例. 生態(tài)學(xué)報, 1998,18(1):48-55 .

Qian H S. Selection of the optimum temporal for crop estimation using remote sensing data-Main food crops in China. Acta Ecologica Sinica, 1998,18(1):48-55. (in Chinese)

[37] 李方杰, 任建強(qiáng), 吳尚蓉, 陳仲新, 張寧丹. 河南省冬小麥種植頻率時空變化及影響因素分析. 中國農(nóng)業(yè)科學(xué), 2020, 53(9): 1773-1794.

LI F J, REN J Q, WU S R, CHEN Z X, ZHANG N D. Spatio-temporal variations of winter wheat planting frequency and their analysis of influencing factors in Henan province. Scientia Agricultura Sinica, 2020, 53(9): 1773-1794. (in Chinese)

[38] 鄧榮鑫, 王文娟, 魏義長, 張富, 李春靜, 劉文玉. 河南省冬小麥種植面積遙感監(jiān)測及其時空特征研究. 灌溉排水學(xué)報, 2019, 38(9): 49-54.

DENG R X, WANG W Q, WEI Y C, ZHANG F, LI C J, LIU W Y. Remote estimation of winter wheat area and its spatio-temporal characteristics in Henan province. Journal of Irrigation and Drainage, 2019, 38(9): 49-54. (in Chinese)

Area extraction and growth Monitoring of Winter Wheat in Henan Province supported by Google Earth Engine

1School of Computer and Information Engineering, Henan University, Kaifeng 475004, Henan;2Department of Laboratory and Equipment Management, Henan University, Kaifeng 475004, Henan;3Henan Key Laboratory of Big Data Analysis and Processing/ Henan University, Kaifeng 475004, Henan

【】The aim of this study was to use remote sensing technology to extract the spatial distribution information of winter wheat in Henan province from 2017 to 2020, and then to monitor the growth of winter wheat in 2020 with high frequency and to analyze the meteorological conditions. 【】Based on the cloud platform of Google Earth engine (GEE), the selected Landsat 8 image data were synthesized according to the maximum value of NDVI, and then the features were constructed to add terrain features, texture features, NDVI and a new feature NDVI amplification. Random forest classification method was used to train the sample data according to the constructed features to extract the winter wheat planting area in Henan province from 2017 to 2020. The accuracy of the extracted winter wheat sown area was verified by confusion matrix and Henan statistical yearbook data. After accuracy verification, a mask was generated for the extracted winter wheat planting area in Henan province in 2020. In the mask area (winter wheat planting area) combined with MODIS high time resolution image data, the NDVI synchronization difference method was used to monitor the winter wheat growth from February to April in 2020. 【】The GEE cloud platform could be used to quickly map the spatial distribution information of winter wheat planting areas in Henan province. Using random forest method to add terrain feature, texture feature, NDVI and new feature NDVI could effectively improve the extraction accuracy of winter wheat and reduce the relative error with statistical data. Based on confusion matrix, the average overall classification accuracy was 95.2%, the average kappa coefficient was 0.909, and the average classification accuracy of winter wheat was 95.3%. Compared with the statistical yearbook data of Henan province, the relative errors of winter wheat sown area extracted by this method in Henan province from 2017 to 2019 were all less than 3%. The average relative error of winter wheat sown area in the main planting areas of winter wheat in Henan province was less than 6%. MODIS image data combined with NDVI difference model could be used to monitor the growth of winter wheat in Henan province in 2020. The growth of winter wheat in Henan province was better than that of previous years and 2019 during the return to green period. In the later growth stage of winter wheat, the growth of most areas was the same as that of previous years and 2019. On the whole, the growth of winter wheat in 2020 was better than that of previous years and 2019. 【】The method proposed in this paper could carry out high-precision extraction and high-frequency growth monitoring of winter wheat in Henan province, and could provide a scientific basis for local governments or some agricultural departments in arranging and guiding agricultural activities.

winter wheat; growth monitoring; Google Earth Engine; random forests; NDVI; Landsat; MODIS

10.3864/j.issn.0578-1752.2021.11.005

2020-08-01；

2020-09-27

河南省科技攻關(guān)項目（202102210381）、開封市重大科技專項項目（18ZD007）

周珂，E-mail：zhouke@radi.ac.cn。通信作者張儼娜，E-mail：zyn@henu.edu.cn

（責(zé)任編輯 楊鑫浩）