GEE|假彩色目视解译山东省玉米、水稻、小麦等样本集制作代码

相关背景：

     山东种植的玉米主要是夏玉米，采用与冬小麦轮作的种植制度。一般在6月冬小麦收获后播种；9 月底至 10 月收获，收获夏玉米后便播种冬小麦。与之对应的，播种期在春季、收获在秋天的春玉米则占比很小。如果是春玉米，山东地区则一般于4月初播种，8 月末收获。玉米全生育期分为播种、出苗、三叶、七叶、拔节、抽雄、开花、灌浆、 乳熟、成熟等主要发育时期。玉米生育期是指玉米从播种到新种子成熟所经历的天数。生育期的长短因品种、播种期、光照、温度等环境条件差异而有所不同，一般品种早熟、播种晚、温度高等情况下，玉米生育期相对短一些。

主要思想：

        样本部分通过图像预处理即按一定的云量覆盖进行筛选后进行去云，再按照最小值、中值、均值等方式进行影像融合，同时按照能较为清晰地反映各地物差别的波段组合函数，选择时间尺度为各个作物生育期内遥感影像，生成 real、 Corn_NIRSW1SW2、Rice_SW1NIRR、wheat_NIRRG 共四个图层。再根据这些图层经过目视解译标注玉米cron_samples和其他类地物 other_samples 两类样本点，其中，其他类包括但不限于水稻、小麦、花生、大豆、山、河流水域、城镇、交通用地、建筑用地等。每类样本点标注不少于 300 个后，生成数据点相 同的两个数据集 corn 和 other 用于后续进行随机森林分类。并将 corn 的 value 值设置为 1，other 设置为 2，方便后续分类训练。

成果展示：

代码：

//===========================加载山东省行政边界数据===========================
var shpfile= ee.FeatureCollection('users/xianda19/China_shp').filter(ee.Filter.eq('ID','Shandong')) 
//===========================确定地图中心与放缩比例===========================
Map.centerObject(shpfile)
//===========================建立Landsat5去云函数============================
function maskL5sr(image) {
  var cloudShadowBitMask = 1 << 3;
  var cloudsBitMask = 1 << 5;
  var qa = image.select('pixel_qa');
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
      .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask).divide(10000); //
}      
//=================引入Landsat5地表反射率数据，并进行云量筛选====================
var composition = function(startdate,enddate,cloudiness,compositiontype,bands){
var image = ee.ImageCollection('LANDSAT/LT05/C01/T1_SR').filterDate(startdate,enddate)
.filterBounds(shpfile).filter(ee.Filter.lt('CLOUD_COVER',cloudiness))
//===================================去云===================================
image = image.map( maskL5sr)
//===============================多时相影像融合==============================
//0—使用最小值融合、1—使用均值融合、2—使用中值融合
if(compositiontype === 0){image = image.min()}
else if(compositiontype == 1){image = image.mean()}
else if(compositiontype == 2){image = image.median()}
else image = image.max()
//================================裁剪======================================
image = image.clip(shpfile)
//================================显示图层==================================
if(bands == 543) {Map.addLayer(image,{min:0, max:0.3, bands:["B5", "B4", "B3"]},'Rice_SW1NIRR'+startdate)}
else if(bands == 457) {Map.addLayer(image,{min:0, max:0.3, bands:["B4", "B5", "B7"]},'Corn_NIRSW1SW2'+startdate)}
else if(bands == 432) {Map.addLayer(image,{min:0, max:0.3, bands:["B4", "B3", "B2"]},'wheat_NIRRG_'+startdate)}
else if(bands == 321) {Map.addLayer(image,{min:0, max:0.3, bands:["B3", "B2", "B1"]},'real'+startdate)}
}
// // 目视解译识别小麦
composition('1990-03-01', '1990-04-30',100,2,432)
composition('1990-08-12', '1990-11-30',100,2,543)
// // 目视解译识别水稻 
composition('1990-08-12', '1990-11-30',100,2,543)
// 目视解译识别玉米
composition('1990-07-12', '1990-09-30',100,2,457)
//真彩色合成
composition('1990-06-12', '1990-09-30',100,2,321)
//==============================下载样本数据集 =============================
Export.table.toDrive({
collection:corn_samples,
description: "corn",
fileNamePrefix: "corn_samples",
fileFormat: "KML"
});

Export.table.toDrive({
collection:other_samples,
description: "other",
fileNamePrefix: "other_samples",
fileFormat: "KML"
});