基于GEE平台形态学变换的枣树种植面积提取——以麦盖提县为例

Extraction Extraction of jujube planting area based on morphological transformation of GEE platform ——A case study of Maigaiti County

摘要

目的 准确的枣树种植面积提取与空间分布制图对于枣树种植区的管理极为重要，麦盖提县是新疆主要的枣树种植区，通过遥感技术快速提取枣树种植面积对麦盖提县的农业发展和相关辅助决策具有重要作用。同时在遥感云计算平台探索遥感卫星影像与“膨胀”“腐蚀”的形态学变换相结合的作物面积提取方法，在遥感技术应用方面具有研究意义。 方法 本研究使用Google Earth Engine遥感云计算分析平台，探索了基于枣树生育期的Sentinel-2影像与形态学变换相结合在枣树种植面积提取中的应用潜力。 结果 麦盖提县枣树种植面积达37 800 hm²，主要分布在麦盖提镇周边区域，验证提取的枣树种植面积，Kappa系数达0.82。用户精度、生产者精度和总体精度分别达82.4%、86.2%、84.3%。Sentinel-2遥感数据可以作为县域尺度枣树种植面积监测的重要数据源，“腐蚀”与“膨胀”相结合的形态学变换使提取的枣树分布与面积信息更接近实际。利用Google Earth Engine云计算可以高效地提取枣树面积信息，提高了信息提取效率，省去了影像下载、预处理等繁琐的本地处理工作。 结论 本研究基于Sentinel-2影像提取研究区枣树面积37 800 hm²，麦盖提县枣树种植在绿洲中部分布较为集中，主要分布在麦盖提镇以北、以南区域，而在绿洲北部以西、以东区域也有枣树种植，相对稀疏，其他区域枣树种植比较零散。基于GEE云平台对提取结果进行形态学变换能提升研究区枣树种植面积的提取精度。同时本研究探索了Sentinel-2影像在枣树作物的面积提取中的应用潜力，Sentinel-2遥感数据可以作为县域尺度枣树种植面积监测的数据源。

Abstract

Objective Accurate jujube planting area extraction and spatial distribution mapping are extremely important for the management of jujube planting area，and the rapid extraction of jujube planting area through remote sensing technology plays an important role in the agricultural development and related auxiliary decision-making of Maigaiti County.The study aimed to develop the method of crop area extraction by combining remote sensing satellite images with morphological transformation of "expansion" and "corrosion" on the remote sensing cloud computing platform，which is of significance in the application research of remote sensing technology. Method The Google Earth Engine remote sensing cloud computing analysis platform was used to explore the application potential of combining Sentinel-2 images in the growth period of jujube trees with morphological transformation in the extraction of jujube planting area. Result The planting area of jujube trees in Maigaiti County reached 37 800 hm²，mainly distributed in the surrounding area of Maigaiti Town，the seat of the county-level government of Maigaiti County.For the extracted planting area of jujube trees，the Kappa coefficient was 0.82.The user accuracy，producer accuracy and overall accuracy reached 82.4%，86.2% and 84.3%，respectively.Sentinel-2 remote sensing data could be used as an important data source for monitoring the planting area of jujube trees at the county scale，and the morphological transformation combining "corrosion" and "expansion" made the extracted information on jujube distribution and area closer to the reality.The use of Google Earth Engine cloud computing could efficiently extract jujube tree area information，improve the efficiency of information extraction，and eliminate cumbersome local processing work such as image download and preprocessing. Conclusion Based on Sentinel-2 image extraction，the study area covered 37 800 hm² of jujube trees.Jujube trees in Maigaiti County were more concentrated in the middle of oasis，mainly in the north and south of Maigaiti Town，while jujube trees were also planted in the west and east of the northern oasis，which was relatively sparse，while in other areas，jujube trees were scattered.Morphological transformation of extraction results based on GEE cloud platform could improve the extraction accuracy of jujube planting area in the study area.This study explored the application potential of Sentinel-2 image in the area extraction of jujube crops，and it was suggested that the Sentinel-2 remote sensing data may serve as a data source for monitoring the planted area of jujube trees at county scale.

Graphical abstract

关键词

枣树 / Google Earth Engine / 种植面积 / 提取 / 形态学变换

Key words

jujube tree / Google Earth Engine / planting area / image extraction / morphological transformation

传统的作物面积以人工抽样调查和分级上报的方法获得为主^［1］，相比而言，基于卫星影像实现地物分类和农作物面积提取的遥感技术可以减少人力和时间，在农作物面积提取与制图^［2-4］等方面应用广泛。枣树作为新疆广泛种植的一种农作物，在增加种植农户的收入以及为地方经济发展中做出了贡献。2020年麦盖提县枣树人均收入达到6 127元，收入占麦盖提县农民收入的50%以上。种植枣树真正成为当地乡村振兴的支柱产业和富民产业。快捷、准确地获取该县枣树种植面积可为当地农业政策提供支持，因此有必要对县域枣树种植面积信息提取进行研究。

包括林果在内的农作物分类与种植面积提取研究在遥感应用领域广泛，常见的农作物中，水稻^［5-7］、甘蔗^［8］、玉米^［9］、冬小麦^［10-13］等作物种植面积的提取研究以及面积时空变化过程的提取研究^［14-15］与种植设施如塑料大棚^［16］的提取研究以传统的遥感影像处理方式为主。近年来越来越多的研究在Google Earth Engine云平台开展^［17］，例如，耕地面积产品生产^［18］，土地分类与制图^［19-21］，灾情监测和评估^［22-24］，环境可持续性研究^［25］，沙漠化脆弱性研究^［26］等。在基于GEE云平台开展农业作物提取研究方面，出现了橡胶林产区的分布信息^［27］、柑橘果园空间分布^［28］与长势监测^［29］等研究。在枣树面积提取研究中^［30-32］，未出现使用Google Earth Engine平台完成“稀疏分布”的田间尺度枣地面积提取和制图，同时未有研究在应用遥感云计算平台提取种植作物方面与形态学变换相结合，探索基于遥感云平台的卫星影像与“膨胀”“腐蚀”的形态学变换相结合在作物面积提取中的应用潜力的研究尚未出现。

本研究以位于中国新疆喀什地区的麦盖提县为研究区，基于Google Earth Engine遥感数据云计算平台，以枣树生长期月份的Sentinel-2影像为数据源，对研究区内地物先分类，后提取目标地物，结合形态学变化减少目标地物错分现象，实现县域尺度的枣树种植面积提取研究。基于GEE遥感云计算与科学分析平台，筛选研究区Sentinel-2影像去云并进行中值合成。在实现研究区地物分类的基础上提取枣树种植区，根据对研究区枣树种植的实地调查情况，对提取的枣树面积进行形态学变换，探索其在实现县域尺度枣树种植面积信息中的应用潜力。

1 材料与方法

1.1 研究区概况

研究区位于中国新疆麦盖提县，E 77°28′~79°05′，N 38°25′~39°22′，隶属新疆喀什地区，属于典型的干旱沙漠性气候，夏季酷热、冬季温暖。独特的气候造就了麦盖提县产出的枣具有高品质和美誉度，麦盖提县枣果面平整，皮薄肉厚，质地致密、细脆、味甜、核小，果肉富有弹性^［33］。2021年，麦盖提县全县枣树种植面积为3.78万hm²，总产达26.75万t，总产值21.2亿元，枣农人均收入达到6 094元，实现了“枣业富民”的发展目标^［34］。

1.2 研究数据

1.2.1 样本数据

2021年7月~8月研究团队前往研究区使用手持式GPS获取枣树与其他地物类型的经纬度信息，探查麦盖提县实际种植作物类型和分布位置，实际调查麦盖提县枣树种植地块和其他各类地物的GPS位置信息。通过Google Earth高分辨率影像，分析枣树、其他植被、水体、建筑物及道路、沙漠及荒地的影像特征，根据表1各类地物影像特征选取目视解译样本点。将实际调查样点和目视解译样点（共计605个样点）构成的样本点（图2）汇集成本研究使用的样本集，其中70%用于模型训练，30%用于验证。

1.2.2 影像数据

Sentinel-2光学影像已广泛应用于农业、陆地生态系统监测等领域，Sentinel-2光学影像数据由两颗极轨卫星Sentinel-2A和Sentinel-2B获取，每颗Sentinel-2卫星都携带一个多光谱仪器MSI，在可见光、近红外和短波红外光谱范围中共有13个波段，结合枣树生长期，本研究中Sentinel-2影像的时间范围为2021年5~10月。使用Sentinel-2的B2、B3、B4、B5、B6、B7、B8、B8a波段，通过Sentinel-2云掩膜算法对指定时间和空间范围内影像进行处理，以中值合成方法重构最小云量影像。另外，研究区麦盖提县的行政区边界数据源自中国科学院资源环境科学数据中心网站（http：//www.resdc.cn/Default.aspx）。

1.3 研究方法

1.3.1 基于Google Earth Engine平台的提取流程设计

本研究基于Google Earth Engine平台的提取过程为：①筛选影像，②样点采集，③特征构建与模型选择，④实现地物分类，⑤提取目标地物枣树种植区，⑥对提取的枣树面积进行形态学变换，见图3。

具体的提取过程为：实测和目视解译样本点使用GEE中的ee.Geometry.Point（lng，lat）数据类型调用方法在影像中进行创建，用于研究区影像上地物类型的分类；使用GEE中的Image/bands数据类型将Sentinel-2数据进行调用；类别定义与特征判断使用ee.Feature/FeatureCollection数据类型在GEE中进行分类特征输入，分类特征挑选Sentinel-2数据中的8个原始波段，并增加NDVI、RENDVI、SAVI、S2REP、NDBI、NDWI指数，共14个分类特征。首先使用对研究区进行分类的影像上提取出的样本点对应的波段特征放入随机分类器去训练，每个波段或指数对应一种特征。将训练好的分类器回用到整个研究区影像上得到分类的结果，再对分类的结果进行分类后处理，最后进行结果验证。NDVI、RENDVI、SAVI、S2REP、NDBI的计算公式如下：

NDVI=\frac{NIR-Red}{NIR+Red}（1）

RENDVI=\frac{Red-V_{RE}}{Red+V_{RE}}（2）

SAVI=\frac{NIR-Red}{NIR+Red+i}（3）

S\mathrm{2}REP=\mathrm{35}*\frac{\frac{\mathrm{1}}{\mathrm{2}}\left(Red+{V_{RE}}^{**}\right)-V_{RE}}{{V_{RE}}^{*}-V_{RE}}+\mathrm{705}（4）

NDBI=\frac{SWIR-NIR}{SWIR+NIR}（5）

NDWI=\frac{Green-NIR}{Green+NIR}（6）

式中：Green、Red、NIR、SWIR分别为Sentinel-2影像中的绿波段、红波段、近红外波段和短波红外波段；V_{RE}、{V_{RE}}^{*}、{V_{RE}}^{**}分别表示Sentinel-2影像中不同的植被红边波段；i表示为SAVI指数中的土壤调节因子，取值为0.5。

1.3.2 分类特征

应用多特征进行分类可以提高分类精度和准确性，在Sentinel-2原有的波段（B2、B3、B4、B5、B6、B7、B8、B8a）基础上增加了几种常用的植被指数作为分类特征应用于分类器。首先增加NDBI^［35］指数将麦盖提县建成区从Sentinel-2影像中分类；NDWI^［36］指数将麦盖提县域水库、湖泊等从影像中分类，加入这两类指数突出枣地和非植被类地物的差异；NDVI^［37］成为植被研究中最为广泛的指数之一，选用该指数用于区分麦盖提县枣树与其他种植物；RENDVI和S2REP^［38-39］利用Sentinel-2影像红边波段的优势，区分枣地和非枣地；SAVI^［40］指数可以有效降低背景因素（如土壤）对植被的影响，增加该指数用于使土地对于枣树种植区提取的影响减弱，进而增加基于影像的枣树种植面积提取的准确性。研究中使用机器学习中的随机森林分类算法对Sentinel-2影像进行分类，为检验研究区选用的分类特征变量的冗余性，在分类之前对表2中的分类特征的重要性得分进行计算，每个分类特征均显示了可参与模型构建的独立性。

1.3.3 形态学变换

基于Sentinel-2影像的分类结果中对枣树进行提取，提取结果中出现了许多“细微”图斑，为了消除分类提取后的破碎斑块，在GEE平台使用形态学变换中的“腐蚀”和“膨胀”代码，作相应的形态学变换处理。形态学变换是基于图像形状的变换过程，是处理二值图像的常用方法，该方法是基于某一种“滑动窗口”，采用的“滑动窗口”称为“结构元”或kernel。形态学变换中的开操作，即将图像进行先腐蚀后膨胀的处理，消除结果图像中的细小物体，在纤细处分离物体，对较大物体边界进行平滑。在GEE平台中调用focal_min（）操作方法进行腐蚀，调用focal_max（）操作方法对影像进行膨胀，然后将这两种操作方法组合后实现开操作^［41］。

1.3.4 精度验证方法

以用户精度（User Accuracy，UA）、生产者精度（Producer Accuracy，PA）、总精度（Overall Accuracy，OA）和 Kappa系数进行精度验证，各指标计算公式依次如下：

UA=\frac{n_{ii}}{n_{i*}}\times \mathrm{100}\%（7）

PA=\frac{n_{ii}}{n_{*i}}\times \mathrm{100}\%（8）

OA=\frac{{\sum }_{i=\mathrm{1}}^q{n}_{ii}}{n}\times \mathrm{100}\%（9）

Kappa=\frac{\left[n\times {\sum }_{i=\mathrm{1}}^q{n}_{ii}-{\sum }_{i=\mathrm{1}}^q(n_{i*}\times n_{*i})\right]}{\left[n^{\mathrm{2}}-{\sum }_{i=\mathrm{1}}^q(n_{i*}\times n_{*i})\right]}（10）

式中：n_{ii}为混淆矩阵中第i行第i列的值，n_{i*}为混淆矩阵中第i行的和，n_{*i}为混淆矩阵中第i列的和，n为验证样本总数，i为混淆矩阵行列数。

2 结果与分析

2.1 基于Sentinel-2影像的麦盖提县地物分类结果

应用Google Earth Engine平台中的随机森林分类器，根据地物类型划分，在枣树、沙漠及荒地、其他植被、水体、建筑物及道路中，基于Sentinel-2影像的麦盖提县地物分类结果显示（图4），因麦盖提县地处塔克拉玛干沙漠西南边缘，县域中大部分区域为沙漠，沙漠广布。麦盖提县全域中东部区域为广阔的沙漠分布，名副其实的“中国唯一嵌入沙漠的县城”。麦盖提县全域只有西部以及西南部区域为绿洲区，为人们生活、生产、种植等提供自然基础。同时叶尔羌河从麦盖提县绿洲区中部西侧流经，麦盖提县两座较大的水库也位于绿洲区中部。

基于Sentinel-2影像的麦盖提县地物分类面积中（表3），枣树面积为477.97 km²，在麦盖提县绿洲中部分布较为集中，主要分布在麦盖提镇北部、南部，而在绿洲北部以西、以东区域也有枣树种植，相对稀疏，其他区域枣树种植比较零散。麦盖提县除枣树外的小麦、玉米、棉花等作物归类到其他种植物中，面积有1 137.75 km²，在麦盖提县绿洲北部、绿洲中部以南区域、叶尔羌河两岸分布，绿洲南部有其他作物种植。建筑与道路在麦盖提镇分布集中，在麦盖提绿洲南部分布密集。沙漠及荒地在麦盖提县分布范围最广，主要为塔里木盆地西缘在麦盖提县的塔克拉玛干沙漠区域，地物分类结果显示麦盖提县沙漠及荒漠的面积达80%以上，有11 887.60 km²。而分类结果中的水体主要为罕库勒水库、喀拉玛水库、吉仁勒玛水库、矸滩、叶尔羌河以及其余面积较小的湖泊。

2.2 麦盖提县枣树种植区的形态学变换

先使用形态学变换中的腐蚀，腐蚀可以将位于识别的枣树种植区边界的“零散”的像元“腐蚀”掉，但能保留枣树种植区大部分正确提取的像元，在正确识别的枣树种植区里去除噪声、去掉与枣树种植区“粘连”的错分像元。在腐蚀的基础上，进行形态学变换中的膨胀，将枣树地块内被误分的枣树像元重新划归为枣树，保留提取的枣树地块的完整性，减少枣树像元的漏分。

与未使用形态学变换的提取结果相比（图5），形态学变换后的提取结果减弱了细小的地物斑块混分为枣树种植区的影响，消除了一些路旁、居住房屋周围、非农业土地中的一些“破碎”的非枣树小斑块，进一步避免在面积统计中将该部分的面积统计为枣树种植面积。

2.3 麦盖提县枣树种植区提取结果与精度验证

基于Sentinel-2影像对研究区的地物类型按照枣树、其他植被、水体、建筑物及道路、沙漠及荒地五种类型地物进行分类，在Google Earth Engine平台调用监督分类功能实现研究区典型地物分类。之后在研究区典型地物类型分类的基础上，将目标提取地物枣树进行提取，对提取结果进行形态学变换，去除“细小”图斑，尽可能保留枣树地块的完整性，避免较多的非枣树像元错分为枣树像元。同样在GEE平台对枣树提取结果进行验证，用户精度、生产者精度和总体精度分别达82.4%、86.2%、84.3%，Kappa系数达0.82。图6为局部区域的实测枣树种植地块与提取结果的对比显示，结果显示本研究处理流程对枣树能进行正确识别与提取，但也存在一定程度的漏分和错分，具体分析详见讨论部分。

提取结果显示（如图7），研究区的枣树种植在麦盖提县绿洲中部分布较为集中，主要分布在麦盖提镇北部、南部，而在绿洲北部以西、以东区域也有枣树种植，相对稀疏，其他区域枣树种植比较零散。

基于上述工作将提取的枣树种植面积进行制图，研究区麦盖提县的枣树种植空间分布如图7，基于Sentinel-2影像提取枣树像元3 780 355个，每个像元面积为100 m²，转换为面积是3.78万hm²。

3 讨论

3.1 枣树特殊的种植结构对提取结果的影响

以喀什地区麦盖提县为研究区，基于多时相Sentinel-2影像对枣树种植面积进行提取。证明了Sentinel-2影像在应用于植被研究领域的广泛适用性，因为其具有较高的空间分辨率，Sentinel-2地表影像供全球研究者使用的时间可追溯至2015年，在时间上也满足近七至八年研究时段的工作。Sentinel-2影像具有13个空间分辨率在10~60 m之间的从气溶胶至短波红外的波段，特有的3个对植被参数敏感的红边波段更是将该数据在植被、林果中的应用潜力放大，枣树属于林果类，所以Sentinel-2应用于植被的优势同样能体现到如本研究的枣树中。

从提取结果分析，枣树种植区内的“非枣树像元”将整块地的枣树进行了某种意义上的“破坏”，使单块种植的枣树地的完整性缺失，这也使本研究在进行面积统计的时候会“漏掉”一些本该属于枣树的区域，这可能是由于枣树与其他作物相比的特殊种植结构造成的，枣树种植的间距较大，一块枣地中的一行枣树中，相邻两棵枣树种植间距往往在2~3 m，相邻两行枣树之间的间距更大，甚至在枣树的行与行之间套种别的作物，而间距中其他作物的反射率混入枣树反射率中间既增加了枣树提取的难度，又容易使这部分像元在提取时被当作非枣树种植地里的像元被过滤掉，进而影响最终的面积统计结果。

3.2 使用形态学变换提高提取结果的准确性

因为枣树的生长发育时期与其他果树基本相同，且枣树种植地与其他农作物种植地相混杂，容易出现错分、漏分的现象。这为枣树的提取增加了困难，在研究区，枣树中有骏枣、酸枣等不同品种，而不同品种的枣树的生长发育也有早有晚，更增加了枣树识别与提取的难度。枣树种植地块较为破碎、分布比较零散、枣树与其他作物的“套种”的种植结构复杂等现象，使得研究的提取结果存在一定程度的错分和漏分。使用形态学变换，对提取的枣树种植区进行开操作，能有效减少“细小碎斑”错分为目标提取地物，在研究区，枣树多呈“片块”分布，所以研究结果在地物分类基础上进行形态学变换，减少错分为枣树种植面积的“微小”斑块，使提取的枣树种植面积更接近麦盖提县的实际枣树种植面积（图8）。

由于枣树在田间尺度的特殊种植结构、干旱区道路两旁的行道树和农田旁的防风林，适用形态学变换解决提取的错分与漏分像元，同时验证结果也表现出应用形态学变换能提升枣树面积提取的精度，与未使用形态学变换的枣树提取结果相比，形态学变换后的枣树提取结果的用户精度、生产者精度、总体精度和Kappa系数分别提升了8.5%、6.2%、8.6%、6.4%。

同时，基于GEE平台的枣树种植面积提取研究减少了遥感数据的下载、几何校准、辐射校正等本地数据处理步骤，提高了研究区枣树提取工作的效率。与传统的作物种植面积提取相比，应用GEE云计算平台进行的面积提取研究减少了本地的数据存储与处理流程，依赖GEE平台的云服务能力，减轻研究工作对硬件条件的配置要求。

4 结论

以中国新疆喀什地区麦盖提县为研究区，基于先进的遥感云计算平台Google Earth Engine，以Sentinel-2影像为数据源，调用、编写研究过程中所需代码模块，在研究区地物分类的基础上，将枣树种植面积进行提取，得出如下结论：

1） 本研究基于Sentinel-2影像提取研究区枣树面积3.78万hm²，麦盖提县枣树种植在绿洲中部分布较为集中，主要分布在麦盖提镇以北、以南区域，而在绿洲北部以西、以东区域也有枣树种植，相对稀疏，其他区域枣树种植比较零散。

2） 基于GEE云平台对提取结果进行形态学变换，去除“细小”图斑，尽可能保留枣树地块的完整性，避免较多的非枣树像元错分为枣树像元，与未使用形态学变换的枣树提取结果相比，验证结果也表现出应用形态学变换能提升枣树提取精度。同时本研究探索了Sentinel-2影像在枣树作物的面积提取中的应用潜力，Sentinel-2遥感数据可以作为县域尺度枣树种植面积监测的数据源。

参考文献

[1] 潘力，夏浩铭，王瑞萌，等.基于Google Earth Engine的淮河流域越冬作物种植面积制图［J］.农业工程学报，2021，37（18）：211-218.

[2] 牛海鹏，王占奇，肖东洋.基于时空数据融合的县域水稻种植面积提取［J］.农业机械学报，2020，51（4）：156-163.

[3] He Y L， Dong J W， Liao X Y，et al.Examining rice distribution and cropping intensity in a mixed single- and double-cropping region in South China using all available Sentinel 1/2 images［J］.International Journal of Applied Earth Observation and Geoinformation，2021，101：102351.

[4] Chen B Q， Xiao X M， Li X P，et al.A mangrove forest map of China in 2015：Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2017，131：104-120.

[5] Xiao W， Xu S C， He T T.Mapping paddy rice with Sentinel-1/2 and phenology-，object-based algorithm—A implementation in Hangjiahu Plain in China using GEE platform［J］.Remote Sensing，2021，13（5）：990.

[6] 彭乐文，张亚.基于多时相遥感数据的水稻种植面积信息提取［J］.湖北农业科学，2020，59（2）：157-160+165.

[7] Qiu B W， Lu D F， Tang Z H，et al.Automatic and adaptive paddy rice mapping using landsat images：Case study in Songnen Plain in Northeast China［J］.Science of the Total Environment，2017，598：581-592.

[8] 张东东，周振，宋晓东.基于HJ卫星的中国南方地区甘蔗面积提取研究［J］.中国农学通报，2019，35（16）：141-147.

[9] 陈彦四，黄春林，侯金亮，等.基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究［J］.遥感技术与应用，2021，36（2）：324-331.

[10] 刘红超，梁燕，张喜旺.多时相影像的冬小麦种植面积提取及估产［J］.遥感信息，2017，32（5）：87-92.

[11] 王蓉，冯美臣，杨武德，等.基于Sentinel-2A影像的县域冬小麦种植面积遥感监测［J］.山西农业科学，2019，47（5）：854-860.

[12] 单捷，邱琳，孙玲，等.基于Radarsat-2的冬小麦种植面积提取方法研究［J］.麦类作物学报，2017，37（9）：1209-1215.

[13] 王利民，刘佳，姚保民，等.基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测［J］.农业工程学报，2018，34（8）：184-191.

[14] 颉耀文，陈云海，田文婷，等.1963～2012年山丹绿洲的时空变化过程［J］.甘肃农业大学学报，2014，49（4）：147-153.

[15] 张兆鹏，李增元，田昕，等.1987～2016年红崖山水库面积时空变化分析［J］.甘肃农业大学学报，2018，53（5）：127-135.

[16] 郑磊，何直蒙，丁海勇.基于ENVINet5的高分辨率遥感影像稀疏塑料大棚提取研究［J］.遥感技术与应用，2021，36（4）：908-915.

[17] Mutanga O， Kumar L.Google Earth Engine Applications［J］.Remote Sensing，2019，11（5）：591.

[18] Teluguntla P， Thenkabail P， Oliphant A，et al.A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2018，144：325-340.

[19] Zhang M N， Huang H B， Li Z C，et al.Automatic high-resolution land cover production in madagascar using sentinel-2 time series，tile-based image classification and google earth engine［J］.Remote Sensing，2020，12（21）：3663.

[20] Belgiu M， Csillik O.Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis［J］.Remote Sensing of Environment，2018，204：509-523.

[21] Tassi A， Vizzari M.Object-oriented LULC classification in Google Earth Engine combining SNIC，GLCM，and machine learning algorithms［J］.Remote Sensing，2020，12（22）：3776.

[22] Sazib N， Mladenova I， Bolten J.Leveraging the google earth engine for drought assessment using global soil moisture data［J］.Remote Sensing，2018，10（8）：1265.

[23] Lal P， Prakash A， Kumar A.Google Earth Engine for concurrent flood monitoring in the lower basin of Indo-Gangetic-Brahmaputra plains［J］.Natural Hazards，2020，104（2）：1947-1952.

[24] Khan R， Gilani H.Global drought monitoring with big geospatial datasets using Google Earth Engine［J］.Environmental Science and Pollution Research，2021，28（14）：17244-17264.

[25] Xia X W， Jiao C T， Song S X，et al.Developing a method for assessing environmental sustainability based on the Google Earth Engine platform［J］.Environmental Science and Pollution Research，2022：1-16.

[26] Moura M M， Walter L S， Lins T R D S，et al.Temporal analysis of desertification vulnerability in Northeast Brazil using Google Earth Engine［J］.Transactions in GIS，2022：26（4）：2041-2055.

[27] 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.

[28] 徐晗泽宇，刘冲，王军邦，等.Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究［J］.地球信息科学学报，2018，20（3）：396-404.

[29] 周珂，柳乐，张俨娜，等.GEE支持下的河南省冬小麦面积提取及长势监测［J］.中国农业科学，2021，54（11）：2302-2318.

[30] Bai T C， Zhang N N， Mercatoris B，et al.Jujube yield prediction method combining Landsat 8 vegetation index and the phenological length［J］.Computers and Electronics in Agriculture，2019，162：1011-1027.

[31] 安霞.基于时序卫星遥感图像的枣树种植面积提取技术研究［D］.塔里木：塔里木大学，2021.

[32] 沈江龙，郑江华，尼格拉·吐尔逊，等.若羌绿洲特色林果种植信息遥感提取方法适用性分析［J］.中国农业资源与区划，2022，43（2）：206-219.

[33] 麦盖提县人民政府.麦盖提灰枣简介［EB/OL］.

[34] 麦盖提县人民政府.【乡村振兴进行时】做好红枣夏季管理 促进红枣提质增效［EB/OL］.

[35] 查勇，倪绍祥，杨山.一种利用TM图像自动提取城镇用地信息的有效方法［J］.遥感学报，2003，7（1）：37-40.

[36] Gao B C.NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space［J］.Remote sensing of environment，1996，58（3）：257-266.

[37] 白燕英，高聚林，张宝林.基于Landsat8影像时间序列NDVI的作物种植结构提取［J］.干旱区地理，2019，42（4）：893-901.

[38] 吴静，吕玉娜，李纯斌，等.基于多时相Sentinel-2A的县域农作物分类［J］.农业机械学报，2019，50（9）：194-200.

[39] 李长春，陈伟男，王宇，等.基于多源Sentinel数据的县域冬小麦种植面积提取［J］.农业机械学报，2021，52（12）：207-215.

[40] Xu F， Li Z F， Zhang S Y，et al.Mapping winter wheat with combinations of temporally aggregated sentinel-2 and landsat-8 data in Shandong Province，China［J］.Remote Sensing，2020，12（12）：2065.

[41] 董金伟，李世卫，曾也鲁，等.遥感云计算与科学分析——应用与实践［M］.北京：科学出版社，2020.

基金资助

新疆特色林果业典型树种——红枣树种植面积与主要健康参数遥感反演(2020670007)

新疆特色林果业典型树种——红枣分布遥感监测与种植面积估算(202105140018)