目录

1 方法原理

1.1 步骤一

1.2 步骤二

1.3 步骤三

1.4 步骤四

2 完整代码

3 运行结果

---

近年来，随着乡村振兴战略的提出，我国的农业种植模式呈现出多元化的趋势。白莲具有易种植、经济效益高的特点，由此被广泛种植，本文介绍如何使用GEE进行白莲种植范围的提取。

1 方法原理

荷花盛开的7-8月份，荷田、森林、早稻的光谱特征相似且近似平行，但荷田的反射率高于其他两者。反射峰出现在绿色和近红外波段，反射谷出现在蓝色和红色波段。

基于以上特性，设计四个步骤来提取白莲：

1.1 步骤一

步骤一：非繁殖信息的分离

利用特征的光谱反射特性，建立了非植被信息分离的数学模型F1：

1.2 步骤二

步骤二：莲田与其他地型差异的增强

计算F2，以提高荷花田和其他植被类型如森林或早稻之间的差异：

1.3 步骤三

步骤三：利用NDVI值进一步分离

不同类型的地貌和植被覆盖率不同的地貌往往表现出不同的NDVI值，因此经常使用NDVI提取植被：

1.4 步骤四

步骤四：将F1和F2分别二值化后得到F1’、F2’，与NDVI相乘，得到F3，F3值越大，则表示白莲的概率越大。

2 完整代码

var roi = ee.FeatureCollection("projects/ee-zhangkanghnust/assets/HuNan");

function maskS2clouds(image) {
  var cloudProb = image.select('MSK_CLDPRB');
  var cloud = cloudProb.lte(5);
  var scl = image.select('SCL');
  var shadow = scl.eq(3); // 3 = cloud shadow
  var cirrus = scl.eq(10); // 10 = cirrus
  // Cloud probability less than 5% or cloud shadow classification
  var mask = cloud.and(cirrus.neq(1)).and(shadow.neq(1));
  return image.updateMask(mask)
    .select("B.*")
    .copyProperties(image);
}

var s2c = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterDate("2024-7-1", "2024-8-31")
  .filterBounds(roi)
  .map(maskS2clouds)
  .select("B2", "B3", "B4", "B8", "B11")
  // .filter(ee.Filter.lte("CLOUDY_PIXEL_PERCENTAGE", 5))
  .median()
  .clip(roi);

Map.addLayer(s2c, { min: 0, max: 2000, bands: ["B4", "B3", "B2"] }, "S2C");

var calculateF1 = function(image) {
  var red = image.select('B4');
  var green = image.select('B3');
  var nir = image.select('B8');
  return image.expression(
    '(red - green) / abs(red - green) * (red - nir) / abs(red - nir)',
    { 'red': red, 'green': green, 'nir': nir }
  ).rename('F1');
};

var F1 = calculateF1(s2c);
var F1new = F1.where(F1.eq(-1), 0);
print(F1new);
Map.addLayer(F1new, { min: 0, max: 1, palette: ["black", "white"] }, "F1");

var CalculateF2 = function(image) {
  var red = image.select('B4');
  var green = image.select('B3');
  var nir = image.select('B8');
  return image.expression(
    '-(green * (nir - red) / (1 - red) / 100000)',
    { 'red': red, 'green': green, 'nir': nir }
  ).rename('F2');
};

var F2 = CalculateF2(s2c);
print(F2);

var F2new = F2.where(F2.gte(0.07).and(F2.lte(0.1233)), 1)
  .where(F2.lt(0.07).or(F2.gt(0.1233)), 0);
Map.addLayer(F2new, { min: 0, max: 1, palette: ["white", "black"] }, "F2");

var CalculateF3 = function(image) {
  var LSWI = s2c.normalizedDifference(['B8', 'B11']).rename('LSWI');
  var NDVI = s2c.normalizedDifference(['B8', 'B4']).rename('NDVI');
  return image.expression(
    'F1new * F2new * NDVI',
    { 'F1new': F1new, 'F2new': F2new, 'NDVI': NDVI }
  ).rename('F3');
};

var F3 = CalculateF3(s2c);
var F3new = F3.where(F3.gte(0.764).and(F3.lte(0.852)), 1)
  .where(F3.lt(0.764).or(F3.gt(0.852)), 0);
Map.addLayer(F3new, { min: 0, max: 1, palette: ["white", "green"] }, "lotus");
Map.centerObject(roi);

Export.image.toDrive({
  image: F3new,
  description: "lotusfuzhou",
  scale: 10,
  region: roi,
  crs: "EPSG:32650",
  maxPixels: 1e13
});

3 运行结果