傳統(tǒng)的遙感分類數(shù)據(jù)存儲空間大、處理時(shí)間長，使利用較高分辨率衛(wèi)星遙感數(shù)據(jù)實(shí)現(xiàn)區(qū)域冬小麥種植面積的提取仍然面臨諸多挑戰(zhàn)。作為基于全球地理空間分析的云計(jì)算平臺，Google Earth Engine（GEE）為快速分析遙感信息提供了新的機(jī)會。該研究以中國最大冬小麥種植區(qū)黃淮海平原為研究區(qū)域，基于GEE云計(jì)算平臺獲得高質(zhì)量Lnadsat-8圖像數(shù)據(jù)集，利用隨機(jī)森林算法對2019-2020生長季冬小麥進(jìn)行識別和制圖，并利用Sentinel-2影像對結(jié)果進(jìn)行空間分布驗(yàn)證。計(jì)算影像光譜指數(shù)、紋理特征和地形特征，通過對所有特征變量進(jìn)行重要性打分和評價(jià)，評估它們對冬小麥分類精度的貢獻(xiàn)，同時(shí)優(yōu)選排名前9名的特征構(gòu)建最佳特征子集，分別將全部34個(gè)特征構(gòu)成的集合和優(yōu)選特征子集作為隨機(jī)森林分類器的輸入變量并對比不同輸入變量對分類精度的影響。結(jié)果表明，兩種特征分類方案的精度差異很小，但全特征集合的分類效果略好于優(yōu)選特征子集，樣方驗(yàn)證的總體分類精度為86%-95%，Kappa系數(shù)分布在0.70-0.85之間，總面積的百分比誤差為5.42%。該研究結(jié)果展示了一種可靠的大范圍冬小麥種植區(qū)快速制圖方法，為探索其他作物的精確制圖提供了參考，對作物監(jiān)測和農(nóng)業(yè)發(fā)展具有重要意義。

[編譯自：Zhang D Y，Zhang M R，Lin F F，Pan Z G，Jiang F，He L，et al. Fast extraction of winter wheat planting area in Huang-Huai-Hai Plain using highresolution satellite imagery on a cloud computing platform.Int J Agric & Biol Eng，2022；15（1）：241–250.]