基于geemap的农作物分布制图技术详解

基于geemap的农作物分布制图技术详解

geemap 项目地址: https://gitcode.com/gh_mirrors/gee/geemap

前言

随着遥感技术和地理信息系统的快速发展，利用卫星影像进行农作物分布制图已成为农业监测和资源管理的重要手段。本文将介绍如何利用geemap这一强大的Python库，结合Google Earth Engine平台，实现高效、准确的农作物分布制图。

环境准备

首先需要安装geemap库，这是一个基于Google Earth Engine的Python接口，提供了丰富的空间分析和可视化功能。

import ee
import geemap

ESA WorldCover数据集应用

数据集简介

ESA WorldCover是欧洲空间局提供的全球10米分辨率土地覆盖产品，基于Sentinel-1和Sentinel-2数据生成，包含11种土地覆盖类型。

数据可视化方法

geemap提供了多种方式来加载和可视化ESA WorldCover数据：

1. 通过WMS服务加载：

Map = geemap.Map()
esa_wms = "https://services.terrascope.be/wms/v2"
Map.add_wms_layer(esa_wms, layers="WORLDCOVER_2020_MAP", name="Classification")

2. 直接通过Earth Engine加载：

esa = ee.ImageCollection("ESA/WorldCover/v100").first()
Map.addLayer(esa, {"bands": ["Map"]}, "ESA Land Cover")

统计分析功能

geemap提供了强大的统计分析工具，可以快速计算各类土地覆盖的面积：

# 生成直方图
histogram = geemap.image_histogram(esa, scale=1000)
histogram

# 获取统计数据表格
df = geemap.image_histogram(esa, scale=1000, return_df=True)

农作物分布提取与分析

农作物区域提取

以非洲为例，提取农作物分布区域（ESA分类代码为40）：

africa = countries.filter(ee.Filter.eq("CONTINENT", "Africa"))
cropland = esa.eq(40).clipToCollection(africa).selfMask()
Map.addLayer(cropland, {"palette": ["f096ff"]}, "Cropland")

区域统计分析

使用geemap的zonal_stats函数可以计算各国农作物面积：

geemap.zonal_stats(cropland, africa, "esa_cropland.csv")
df = geemap.csv_to_df("esa_cropland.csv")

可视化展示

geemap支持多种图表类型展示统计结果：

# 柱状图
geemap.bar_chart(df, x="NAME", y="sum")

# 饼图
geemap.pie_chart(df, names="NAME", values="sum")

ESRI全球土地覆盖数据集

数据集特点

ESRI全球土地覆盖数据集也是10米分辨率产品，基于Sentinel-2影像和深度学习模型生成，提供2017-2021年的年度数据。

时间序列分析

geemap支持时间序列数据的便捷分析：

# 加载不同年份数据
esri_2017 = esri.filterDate("2017-01-01", "2017-12-31").mosaic()
esri_2021 = esri.filterDate("2021-01-01", "2021-12-31").mosaic()

# 时间序列检查器
Map.ts_inspector(collection, years, esri_vis)

农作物变化分析

比较2017和2021年数据，分析农作物增减变化：

cropland_gain = esri_2017.neq(5).And(esri_2021.eq(5)).selfMask()
cropland_loss = esri_2017.eq(5).And(esri_2021.neq(5)).selfMask()

Dynamic World数据集

数据集优势

Dynamic World提供近实时的10米分辨率全球土地覆盖数据，更新频率高达每2-5天，非常适合动态监测。

结语

通过geemap结合各类土地覆盖数据集，可以实现从全球到区域尺度的农作物分布制图和变化监测。本文介绍的方法不仅适用于科学研究，也可为农业生产规划和资源管理提供数据支持。geemap的简洁API和丰富功能，大大降低了遥感数据分析的门槛，使更多人能够利用卫星数据进行有价值的分析。

实际应用中，建议根据具体需求选择合适的土地覆盖产品，并结合地面调查数据验证结果准确性。对于动态监测需求，可优先考虑更新频率更高的Dynamic World数据集。

geemap 项目地址: https://gitcode.com/gh_mirrors/gee/geemap