GEE数据集：美国玉米、大豆和冬小麦 QDANN 30m 产量图/数据集

news2024/10/12 1:09:06

QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S美国玉米、大豆和冬小麦 QDANN 30m 产量图

简介

数据集预处理

代码

引用

许可

QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S美国玉米、大豆和冬小麦 QDANN 30m 产量图

简介

该数据集展示了一个新颖的规模转移框架，用于利用卫星遥感和机器学习技术估算子田级别的作物产量。该框架被称为量子损失域对抗神经网络（QDANN），它利用县级数据集的知识来精确绘制更精细空间分辨率的产量图，解决了用于模型训练和评估的地面实况数据稀缺所带来的限制。QDANN 采用了一种无监督领域适应策略，在利用未标记的子田数据的同时，对已标记的县级数据进行训练，从而消除了对子田级产量信息的需求。

该数据集基于 Landsat 图像和 Gridmet 气象数据，重点关注美国的玉米、大豆和冬小麦田。该数据集利用约一百万个田间年观测数据中的产量监测记录进行验证。QDANN 的性能与利用模拟产量记录或县级数据的各种基于过程的方法和机器学习方法进行了比较。

主要结果包括 - 玉米、大豆和冬小麦的 R² 分数（RMSE）分别为 48%（2.29 吨/公顷）、32%（0.85 吨/公顷）和 39%（1.40 吨/公顷），与基准方法相比，显示出更高的准确性。- 当产量汇总到县一级时，QDANN 的性能显著提高，玉米的 R² 分数（RMSE）达到 78%（0.98 吨/公顷），大豆达到 62%（0.37 吨/公顷），冬小麦达到 53%（1.00 吨/公顷）。

这项研究表明，QDANN 框架即使在缺乏精细尺度产量数据的情况下，也能有效地在子田水平上进行可靠的产量测绘。数据集包括自 2008 年以来生成的美国主要作物生产州的 30 米年产量地图，单位为千克/公顷。

数据集预处理

作者最初将数据集作为图像输入文件夹，并在文件夹中标明州缩写和年份，以便查找特定图像。现在，这些数据集被移入玉米-大豆和冬季-小麦两个单独的数据集中。州缩写被添加为名为 "state_abbv "的属性，日期被添加为表示时间段的属性。这样就可以很容易地按州和日期对数据集进行筛选。

Raster	Band Info	Unit
Corn & Soybean	b1: corn, b2: soybean	kg/ha
Winter Wheat	b1: winter wheat	kg/ha

代码

var corn_soybean = ee.ImageCollection("projects/sat-io/open-datasets/lobell-lab/VAE_QDANN_YIELD_MAP/CORN_SOY_MAP");
/**
Modified GEE code to demostrate the QDANN Yield Map (corn and soybean)
Band info: b1: corn; b2: soybean
Unit: kg/ha
Author: Samapriya Roy
Date: 2024-09-22
**/

var vis = {bands: ['b1'], min: 4000, max: 16000, palette: ['black', 'blue', 'green', 'yellow' ,'red']}


var mosaic_2008 = corn_soybean.filterDate('2008-01-01','2008-12-31')
.mosaic();

var mask = mosaic_2008.select('b1').neq(0)
var masked = mosaic_2008.updateMask(mask)

Map.setCenter(-89.0926, 41.18, 10)
Map.addLayer(masked, vis, 'Corn Yield Map 2008 in kg/ha')

引用

Ma, Yuchi, Sang-Zi Liang, D. Brenton Myers, Anu Swatantran, and David B. Lobell. "Subfield-level crop yield mapping without ground truth data:
A scale transfer framework." Remote Sensing of Environment 315 (2024): 114427.