基于PIE平台的棉花种植面积动态监测研究

周磊 林志树 玉林海 窦世卿

基于PIE平台的棉花种植面积动态监测研究

周磊 林志树 玉林海 窦世卿*

（桂林理工大学测绘地理信息学院，桂林 541000）

为实现高精度、快速、高效提取长时间序列的棉花种植面积及其分布，文章基于遥感大数据计算服务（PIE Engine Studio）平台，以Landsat8 C2 SR、Landsat5 C2 SR及Sentinel-2 MSI的遥感影像作为数据源，采用中值合成法计算NDVI与EVI指数构建特征数据，并载入随机森林算法对新疆石河子市研究区近10年的棉花种植面积进行动态监测与分析，并将部分结果与GEE平台计算结果和统计数据做了对比。结果表明：1）研究区基于PIE平台的棉花种植面积提取精度良好、分类结果较理想，总体精度优于GEE平台，其中Kappa系数和总体精度OA最高可达到0.963和97.1%，与统计数据相比，精度较高；2）研究区2012–2021年棉花种植面积总体稳定，并有上升的趋势；3）研究区近10年棉花种植区域空间变化明显，种植分布变化以石河子市的西部、南部以及北部地区为主。上述结果进一步验证了PIE国产云计算平台的实用性与优越性，可为石河子市的棉花生产提供辅助信息，助力棉花产业的发展。

地球科学引擎 随机森林算法 棉花种植面积 遥感应用

0 引言

新疆维吾尔自治区是我国主要的棉花产区，棉花产业带动了新疆人民生活质量水平的提高。使用遥感技术应用于棉花产业的农业生产调查已有诸多研究案例，多是基于单一时相遥感影像的棉花面积的提取[1-4]。而目前基于遥感云计算平台的各类资源或作物的提取与分类[5-6]、生态环境变化监测[7-8]和火灾动态变化研究[9-10]等大多使用美国的Google Earth Engine（以下简称GEE）平台。地球科学引擎数据计算服务（PIE-Engine Studio，以下简称PIE）是航天宏图公司2020年8月发布的独立自主研发的国产遥感云计算服务产品。相较于国外的GEE平台，国产遥感云计算平台PIE-Engine（以下简称PIE）的使用门槛更低、安全性更高，其利用遥感云计算强大算力的优势进行遥感动态监测研究，将成为我国遥感云计算应用的必然趋势。但由于平台推出时间短，仍处于市场磨合期，各种开发功能尚待进一步完善，再加之目前平台的学习成本大大高于GEE，使用单位和受众尚小。因此，研究利用PIE国产遥感云计算平台研究实现对农作物等各类资源的动态监测技术有着重大的现实意义。

本文基于国产遥感云计算平台PIE Engine Studio，采用2012–2021年的Landsat8 C2 SR、Landsat5 TM C2 SR与Sentinel-2 MSI数据构造归一化差值植被指数 (Normalized Difference Vegetation Index，NDVI)与增强植被指数（Enhanced Vegetation Index，EVI）作为特征数据，采用随机森林算法对新疆维吾尔自治区石河子市棉花面积进行长时序的动态监测，并将提取结果与GEE平台计算结果、官方统计数据做了对比，结果验证了国产遥感云计算平台PIE的实用性和优越性。基于该平台开展新疆棉花种植面积长时序动态监测，可为棉花生产提供辅助信息，助力棉花产业的发展[11]，同时也为相关的科学研究与平台推广提供了应用案例。

1 研究区与数据源

1.1 研究区概况

石河子市位于东经84°58′～86°24′、北纬43°26′～45°20′之间，地势平坦，平均海拔高度为450.8 m，地处新疆天山北麓中段，准噶尔盆地南部，总面积460 km2[12]。石河子市属典型的温带大陆性气候，冬季长而严寒，夏季短而炎热。整体上北部地区气温低于南部，年最高气温一般出现在7月，平均气温25.1～26.1 ℃。年降水量在125.0～207.7 mm之间，降水多集中于 4～7月。农作物主要为棉花，其余有小麦、辣椒、葡萄等作物，其中棉花种类主要包括淡点污棉、淡黄染棉、黄染棉3种[13]。

1.2 数据源及预处理

（1）数据源

本文利用PIE平台Landsat5 TM C2 SR（2012年）、Landsat8 C2 SR（2013–2017年）与Sentinel-2 MSI（2018–2021年）等遥感影像数据，共计404景。因研究期内石河子市的影像成像云量较多，需利用数据集的质量评估波段QA[14]对影像进行去云处理，之后再进行影像裁剪、镶嵌等[15]，并借助中值合成法对研究期内的时序影像进行像素值的计算，根据计算的像素中值合成新的影像，生成研究时期内符合质量要求的无云影像[16]，有效减小了云和云阴影的污染。

依据石河子市棉花生长周期，即苗期（4月20日至5月30日）、蕾期（6月1日至6月30日）、花铃期（7月1日至8月30日）以及吐絮期（9月01日至10月01日）[17]，将每年影像分4期做合成处理，以进行后续的指数波段计算。因PIE平台中缺少2012年的影像数据，故本文选取2011年影像数据代替2012年。

（2）影像分类标记

根据已有研究和影像目视判别确定研究区内建筑用地、裸地、水体、棉花、其他作物等5种地物，引进PIE平台提供的天地图影像（2 m分辨率）作为辅助参考以保证样本点采集准确，在采集样本点的过程中，需保证样本点分布均匀且要具有典型性、代表性。按以上5种地物对2012–2021年的影像数据进行分类整理，棉花采集100个样本点，除棉花外的其他地物各采集50个样本点，共计采集300个样本点。

（3）统计数据

对比分析中使用的2017–2020年的棉花种植面积统计数据来源于新疆石河子市统计局提供的《新疆生产建设兵团第八师石河子市统计年鉴》（2021）。

2 基于PIE云平台的棉花面积提取方法

PIE国产云计算平台因其海量数据存储、批量计算与云端算力等特点为国内用户进行遥感数据的处理与分析提供了全新的方案[18]。本文基于PIE平台，对影像进行去云合成、镶嵌、裁剪等预处理后，通过构建棉花生长周期内的归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）与增强植被指数（Enhanced Vegetation Index，EVI）作为特征数据，利用随机森林算法构建PIE平台随机森林分类器，进行石河子市2012–2021年长时间序列棉花种植面积的提取和分类效果评定，并将部分结果与GEE平台计算结果及官方统计数据进行对比分析，具体流程如图1所示。

图1 基于PIE国产云计算平台的棉花面积提取流程

2.1 指数波段特征计算

NDVI是反映农作物长势和营养信息的重要参数之一，因而NDVI能够作为表征棉花长势的特征数据，提高影像的分类精度[19-20]，即

式中NDV表示NDVI指数；R为红光波段地表反射率；NIR为近红外波段地表反射率。

EVI在减少背景和大气作用以及饱和问题上优于NDVI，可提高影像的分类精度[21]，即

式中EV表示EVI指数；为土壤调节参数，取值为1；B为蓝色波段地表反射率。

2.2 分类方法

随机森林是由许多决策树构成的集成算法，它使用Bootstrap采样，从原始训练集中得到训练子集，对抽取到的子集按照一定的规则建立决策树，由多棵决策树组合构建随机森林，综合随机森林中每棵树的判定得到最终结果[22]。随机森林有较高的预测准确率，对异常值和噪声有很好的容忍度，且不易出现过拟合。目前该算法广泛运用于各种地物分类研究[23-24]。在分类方法上，本实验使用经典机器学习中的随机森林分类算法对影像进行分类，以提取石河子市2012–2021年棉花的种植面积。

2.3 基于PIE云平台进行长时序棉花面积的提取

PIE云平台的主要工作流程为：1）用户根据相关的实验预期要求在前端进行代码的编写；2）点击运行，代码将返回后台使用云算力进行相关的解析，从而使数据执行处理结果达到用户预期要求；3）通过用户编写的相关输出要求，将运行结果实时地进行返回并输出。

本文提取结果及主要方法均基于PIE国产云计算平台实现：首先，调用Functoin函数与Map循环进行NDVI与EVI的计算；然后，调用随机森林方法的相关代码，构建随机森林分类器，将计算好的各期指数特征数据载入随机森林分类器中，按7︰3将样本点数据（300个）分成训练样本（210个）和验证样本（90个）进行数据训练，实现石河子市长时间序列棉花种植面积的提取；接着，在初步提取结果的基础上对异常图斑进行剔除与修正，具体做法是将初步分类后的结果与相应年份吐絮期真彩影像进行叠加对比，在平台上调用形态学膨胀运算与形态学腐蚀运算的相关代码，通过反复调参，发现将核半径设置为2，能使当年提取棉花面积分布与当年吐絮期内真彩影像的棉花分布实现高度吻合，从而达到有效地剔除与修正异常图斑的效果。

最后，利用PIE平台进行混淆矩阵与误差矩阵的构建，计算总体精度（OA）与Kappa系数，并在GEE平台中使用与PIE平台相同的原始数据集、采样点数据和尽可能一致的函数，以对比验证两个平台的提取精度。但两平台的随机森林算法参数均需要在各自平台上进行调优，因此无法实现所有内部参数完全一致，这属于正常现象。

2.4 精度评价

为定量评估基于PIE平台调用随机森林模型的分类效果，本文引进OA和Kappa系数，利用混淆矩阵进行精度评价。此外，通过与官方统计数据进行对比，根据与统计数据的误差来验证平台提取结果的可靠性，其中绝对误差可以表征提取结果与实际统计结果的偏离程度，相对误差可以客观地反映提取结果的可信程度，绝对误差与相对误差越小表示提取的棉花面积越精确。

OA表示正确分类像素占总像素数量的百分比[25]，其结果越接近100%表征分类精度越优异，即

Kappa系数[26]是检验一致性的指标，检查模型预测结果和实际分类结果是否一致，Kappa系数越接近1表明分类结果越好，即

绝对误差表示提取结果偏离实际统计结果的绝对值，其值越接近0表明提取结果的精度越高，即

式中rs为棉花提取面积；re为棉花实际统计面积。

绝对误差与实际统计结果之比即为相对误差，其结果越接近0表明提取精度越高，即

式中为相对误差。

3 结果分析

3.1 提取精度对比

使用PIE平台采用随机森林算法逐年提取2012–2021年石河子市建筑用地、裸地、水体、棉花以及其他作物等5类地物的面积，依据各年的训练样本与验证样本得到对应的混淆矩阵来计算其OA值、Kappa系数，结果见表1。

表1 2012–2021年PIE棉花面积提取结果的OA值与Kappa系数值

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

计算2017–2020年PIE与GEE两个云计算平台的棉花提取面积，并与同期该市棉花种植面积的统计值进行比较，分别计算两个平台提取结果的相对误差与绝对误差，客观地对两平台的提取精度进行评价，结果见表2。

表2 2017–2020年PIE与GEE平台棉花种植面积提取精度对比

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

由表1～2可知，PIE云平台的总体精度OA与Kappa系数两个分类精度指标均维持在较高数值区间内，PIE与GEE两平台提取结果的相对误差与绝对误差均维持在较低数值区间，Kappa系数最高可达到0.963，最低为0.851；总体精度OA最高可达到97.1%（2014年），最低为88.2%（2015年）。2017–2020年间，PIE平台的提取精度总体上显著优于GEE平台，PIE平台提取结果的相对误差最低为2017年的0.09%，最高为2020年的1.89%；而GEE平台提取结果的最低相对误差为0.86% （2020年），最高为8.20%（2017年）。两个云计算平台的棉花面积提取结果精度均可达到较高标准，基于PIE国产云计算平台的提取精度总体上更优。

两平台存在精度差异属正常情况，出现差异的原因主要在于：1）矢量边界存在不规则偏移，国内的矢量边界上传至GEE平台时，会存在一定程度不规则的偏移现象，进而造成区域统计的偏差；2）PIE平台采用的采样方式为双线性，而GEE平台采用的采样方式为Mean，使用同一份采样点在不同平台计算时会出现同一个点属于不同类别的情况，进而影响了最终的计算精度；3）面积计算函数的算法不同，当边界穿过一个像素时，PIE云平台统计整个像素的面积，而GEE平台按照像素的百分比计算落在边界内的面积，故两平台计算落在边界上的像素时会出现统计结果不一；4）随机森林算法的调节参数不同，为达到在不同平台内实现随机森林算法的最优提取效果，实验过程中在每个平台上均选取各自随机森林算法的最优参数，不同平台的随机森林算法的参数并未完全一致，会造成一定的结果偏差。但根据对提取结果的分析可知，两平台的提取结果存在差异较小，并且均已达到较高的提取精度要求，两平台间存在精度差异属正常情况。

3.2 棉花种植面积时间变化特征分析

本文利用PIE平台逐年提取石河子市2012–2021年棉花种植面积，在时间尺度上分析石河子市近10年棉花种植面积的变化特征，具体结果见图2。

图2 2012–2021年石河子市棉花种植面积

由图2可知，近10年里，石河子市棉花的种植面积年际间有所起伏，但总体趋势平稳，整体呈上升趋势。其中2012–2015年，棉花种植面积无明显波动，总体有增长趋势，其中2014年是近10年棉花种植面积最小的年份，仅有14 706.58 hm2。2011年，我国开始实施棉花临时收储政策，这对保护棉花生产者利益、稳定棉花生产和棉花市场起到了一定的积极作用，棉农种植积极性得到一定的提高，故2012–2013年棉花种植面积逐年增加。2013–2014年棉花种植成本逐渐增加，导致棉农种植积极性降低，与图2中棉花年种植面积同期出现减少的情况相符。

2016–2019年，棉花种植面积波动相对较大，从2016年的18 377.11 hm2逐渐下降至2017年的 14 964.51 hm2，面积减少了3 412.6 hm2。根据2014年中央1号文件关于启动新疆棉花目标价格改革试点的要求，自2014年4月起实行棉花目标价格政策，价格与政府补贴脱钩，实现了棉花生产布局的战略调整，促使2014–2016年石河子棉花实播面积逐年增加。2016年国家施行棉花目标价格改革，棉花价格有所下跌，致使2017年的棉花种植面积减少。

此后2017–2019年又呈持续增长态势，至2019年棉花种植面积达近10年最大（19 908.84 hm2），较2017年增加4 944.33 hm2。由于2016年灌溉用水费用普涨，农民对种植玉米、小麦及蔬菜作物的积极性下降，加上2011–2014年疆内大举水果种植，不仅导致水果价格大幅下跌而且很难运输出疆，水果产业收益的低迷使农民、种植大户加快调整种植结构，相对而言棉花种植“驾轻就熟”，因此棉花种植面积在2017–2019年逐渐回升。

2020–2021年棉花种植面积逐年减少，至2021年（17 435.85 hm2）共计减少2 472.99 hm2。2020年起由于新冠肺炎疫情的影响，棉花市场价格受到疫情的冲击，使棉农种植积极性受到影响，造成棉花实播面积减少。

3.3 棉花种植面积空间变化特征分析

本文基于PIE平台的棉花面积提取结果，在空间尺度上对石河子市2012–2021年棉花种植面积进行定量分析，得到近十年石河子市棉花种植在空间上的变化特征，结果见图3～4。

图3 2012–2021年石河子市棉花种植面积年际变化面积占比

由图3和图4可知，研究期内石河子市棉花面积的时空变化特征与年际变化存在明显的区域性变化。种植变化主要集中于石河子市南部、西部以及北部地区，年际变化总体呈增加的趋势，2012年以来共增加棉花种植面积1 574.87 hm2。根据研究区不同年份的提取结果来看，种植面积增加较明显的地区主要分布在石河子市北部（2017–2018年）和南部（2012–2013年与2015–2016年）；棉花种植面积减少较明显的地区主要分布在石河子市西部（2016–2017年）和东北部（2020–2021年）。2017–2018年石河子市的棉花种植面积总增长率最高，达到22.26%；2016–2017年间种植面积总减少率最高，为21.69%。

图4 石河子市2012–2021年棉花面积时空变化

4 结束语

本文基于PIE国产云计算平台，使用NDVI与EVI作为特征数据，采用随机森林算法对石河子市近10年的棉花面积进行长时序动态提取，并具体分析棉花种植面积在时间与空间尺度上的变化趋势。得出以下结论：

1）基于PIE国产云计算平台可对石河子市棉花种植面积进行有效的长时序动态提取和监测，经逐年影像对比分析，提取结果总体上优于GEE平台，具有良好的空间精度，其中Kappa系数最高达到0.963，总体精度OA最高可达到97.1%。

2）研究区棉花种植面积在研究期内部分年际变化波动较大，但总体较为稳定，种植面积呈上升趋势，2012年以来共增加种植面积1 574.87 hm2，平均种植面积为17 079.08 hm2，最低种植面积为14 706.58 hm2（2014年），最高种植面积为19 908.84 hm2（2019年）。

3）自2012年来，研究区棉花种植变化明显的区域主要以石河子市西部、南部以及北部地区为主，其中南部地区棉花种植覆盖面积最广阔，南部和北部地区棉花种植区域面积增加最明显，西部和东北部地区棉花种植区域面积减少最明显，总体棉花种植面积增加。

本文基于PIE平台所得棉花面积提取结果精度较高，实现了石河子市近10年棉花面积的有效提取与分析，研究结果可为该地区提供相关的数据补充，为当地的农业生产提供科学的数据参考，同时进一步验证了PIE国产云计算平台的科学实用意义，可极大助力石河子市的棉花农业生产。

[1] 戴建国, 薛金利, 赵庆展, 等. 利用无人机可见光遥感影像提取棉花苗情信息[J]. 农业工程学报, 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] 王文静, 张霞, 赵银娣, 等. 综合多特征的Landsat 8时序遥感图像棉花分类方法[J]. 遥感学报, 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] 伊尔潘·艾尼瓦尔, 买买提·沙吾提, 买合木提·巴拉提. 基于GF-2影像和Unet模型的棉花分布识别[J]. 自然资源遥感, 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] 玉苏甫·买买提, 吐尔逊·艾山, 买合皮热提·吾拉木, 等. 新疆渭-库绿洲棉花种植面积遥感监测研究[J]. 农业现代化研究, 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] 李伟光, 张京红, 刘少军, 等. 基于GEE的东南亚主产区橡胶林分布遥感提取[J]. 热带作物学报, 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] 马战林, 刘昌华, 薛华柱, 等. GEE环境下融合主被动遥感数据的冬小麦识别技术[J]. 农业机械学报, 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, 陈颖彪, 郑子豪, 等. 顾及时空背景的遥感生态指数适用性分析——以粤港澳大湾区为例[J]. 地理与地理信息科学, 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] 杨泽康, 田佳, 李万源, 等. 黄河流域生态环境质量时空格局与演变趋势[J]. 生态学报, 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] 毛丽君, 彭徐剑, 薛晓明, 等. 基于GEE平台的钱江源国家公园森林火灾动态变化研究[J]. 西南林业大学学报, 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] 盛艳玲, 张荫, 乔纪纲. 基于GEE的亚马逊生态区火灾变化特征及与降水关系[J]. 生态学杂志, 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, 贡璐, 张雪妮, 等. 新疆北疆棉花多元复合遥感估产模型研究[J]. 新疆农业科学, 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. 第八师石河子市水土保持规划要点分析[J]. 中国水土保持, 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] 钟艳霞, 陈锋, 洪涛. 基于生态环境遥感解译的石河子市水资源优化配置研究[J]. 哈尔滨工业大学学报(社会科学版), 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卫星热红外数据地表温度遥感反演研究进展[J]. 遥感学报, 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] 曹卫彬, 刘姣娣, 马蓉. 新疆棉花遥感监测识别区域的划分[J]. 农业工程学报, 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] 程伟, 钱晓明, 李世卫, 等. 时空遥感云计算平台PIE-Engine Studio的研究与应用[J]. 遥感学报, 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. 分割和多特征结合的高分辨率遥感影像变化检测方法研究[D]. 重庆: 重庆邮电大学, 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, 胡洁, 蔡志文, 等. 协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别[J]. 农业工程学报, 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] 郑文慧, 王润红, 曹银轩, 等. 基于Google Earth Engine的黄土高原覆膜农田遥感识别[J]. 农业机械学报, 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] 吴尚蓉, 任建强, 刘佳, 等. 农业区域多光谱遥感影像亚像元定位研究[J]. 农业机械学报, 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] 古丽努尔·依沙克, 买买提·沙吾提, 马春玥. 基于多时相双极化SAR数据的作物种植面积提取[J]. 作物学报, 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，桂林理工大学地理信息科学专业在读本科生。主要研究方向为遥感大数据技术及应用。 E-mail：1445707920@qq.com。

窦世卿，女，1977年生，2015年获中国矿业大学博士学位，教授。主要研究方向为从事三维GIS与遥感技术应用。E-mail：doushiqing@glut.edu.cn。

2022-05-04

国家自然科学基金（42061059）；广西八桂学者专项项目（DT2100001072）；桂林市科技局开发项目（2020010701）

周磊, 林志树, 玉林海, 等. 基于PIE平台的棉花种植面积动态监测研究[J]. 航天返回与遥感, 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)

（编辑：夏淑密）