# millet

**Repository Path**: maergaiyun/millet

## Basic Information

- **Project Name**: millet
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-16
- **Last Updated**: 2026-05-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 沁县小米种植范围提取

基于公开遥感数据（Sentinel-2）的沁县小米种植范围提取本科论文项目。

## 项目概述

- **研究区域**: 山西省长治市沁县
- **目标作物**: 谷子（小米）
- **数据来源**: Google Earth Engine 公开数据集
- **方法**: 多时相 Sentinel-2 + 随机森林分类
- **时间范围**: 2025 年生长季（4-10月）

## 技术架构

```
┌─────────────────────────────────────────────────────────────┐
│                        数据层                               │
├─────────────────────────────────────────────────────────────┤
│  Sentinel-2 L2A  │  Landsat 8/9  │  DEM  │  WorldCover     │
│  (主数据)        │  (辅数据)      │ (地形)│  (先验)          │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      特征工程                                │
├─────────────────────────────────────────────────────────────┤
│  光谱指数: NDVI, EVI, NDRE, GI, SAVI, NDWI                 │
│  地形因子: 坡度, 坡向 (含 sin/cos 变换)                    │
│  时序特征: 苗期/拔节期/抽穗期/成熟期 多期合成               │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      分类模型                                │
├─────────────────────────────────────────────────────────────┤
│  随机森林 (100 树) + 物候特征筛选 + DEM 约束               │
│  后处理: 碎斑过滤 + 形态学开闭运算                         │
└─────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────┐
│                      输出结果                               │
├─────────────────────────────────────────────────────────────┤
│  分类GeoTIFF  │  面积统计  │  交互地图  │  时序曲线        │
└─────────────────────────────────────────────────────────────┘
```

## 快速开始

### 1. 环境安装

```bash
# 方式一：运行安装脚本
chmod +x setup.sh
./setup.sh

# 方式二：手动安装
pip install -r requirements.txt
```

### 2. GEE 认证

```bash
earthengine authenticate
```

### 3. 运行

```bash
# 快速预览（检验数据可用性）
python main.py --mode preview

# 完整流程
python main.py --mode full

# 指定年份
python main.py --year 2024
```

## 项目结构

```
qinxian-millet/
├── config.yaml              # 项目配置文件
├── main.py                  # 主流程入口
├── gee_utils.py             # GEE 初始化 + AOI 获取
├── gee_preprocessing.py     # 影像预处理 + 特征工程
├── gee_samples.py           # 训练样本生成
├── gee_classification.py   # 分类 + 后处理
├── gee_visualization.py    # 可视化出图
├── requirements.txt        # Python 依赖
├── setup.sh               # 安装脚本
├── README.md              # 说明文档
└── outputs/              # 输出目录
    ├── classification_map.html
    ├── ndvi_timeseries_map.html
    ├── classification_result.png
    ├── ndvi_timeseries.png
    └── ...
```

## 配置说明

修改 `config.yaml` 可调整：

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `PRIMARY_YEAR` | 分析年份 | 2025 |
| `SENTINEL2.cloud_threshold` | 云量阈值(%) | 10 |
| `SENTINEL2.mosaic_method` | 合成方式 | median |
| `RANDOM_FOREST.n_estimators` | 树数量 | 100 |
| `POST_PROCESSING.min_area_pixels` | 最小图斑(像素) | 10 |
| `OUTPUT.export_resolution` | 输出分辨率(m) | 10 |

## 数据来源

| 数据集 | ID | 用途 |
|--------|-----|------|
| Sentinel-2 L2A | `COPERNICUS/S2_SR_HARMONIZED` | 主影像 |
| Landsat 8 | `LANDSAT/LC08/C02/T1_L2` | 时序补空 |
| DEM | `USGS/SRTMGL1_003` | 地形因子 |
| WorldCover | `ESA/WorldCover/v100` | 耕地先验 |
| 行政边界 | `FAO/GAUL/2015/level2` | AOI |

## 核心模块

### 1. 数据获取 (`gee_utils.py`)

```python
from gee_utils import initialize_gee, get_qinxian_geometry

initialize_gee()
aoi = get_qinxian_geometry()
```

### 2. 特征构建 (`gee_preprocessing.py`)

```python
from gee_preprocessing import build_multitemporal_features

feature_image = build_multitemporal_features(aoi, year=2025)
```

### 3. 样本生成 (`gee_samples.py`)

```python
from gee_samples import generate_training_samples

training_samples = generate_training_samples(aoi, feature_image)
```

### 4. 分类 (`gee_classification.py`)

```python
from gee_classification import train_random_forest_gee, apply_post_processing

classifier, confusion = train_random_forest_gee(training_samples, feature_bands)
classified = apply_post_processing(classified, dem=dem)
```

## 输出示例

运行完成后生成：

1. **分类结果图** (`outputs/classification_result.png`)
2. **面积统计** (`outputs/area_statistics.png`)
3. **混淆矩阵** (`outputs/confusion_matrix.png`)
4. **特征重要性** (`outputs/feature_importance.png`)
5. **交互地图** (`outputs/classification_map.html`)
6. **GeoTIFF** (Google Drive)

## 注意事项

1. **GEE 配额**: 首次使用需认证，影像导出需要 Google Drive 空间
2. **精度限制**: 无本地真值样本，分类结果为"近似估算"
3. **光谱混淆**: 小米与玉米、谷子存在光谱相似性，误判难以避免
4. **分辨率限制**: 10m 分辨率对山地细碎地块可能偏大

## 常见问题

### Q: 运行报错 "EEServiceException"

A: 需要运行 `earthengine authenticate` 完成 GEE 认证

### Q: 影像数量为 0

A: 尝试调高 `SENTINEL2.cloud_threshold`（如改为 20）

### Q: 内存不足

A: 减小研究区范围或降低输出分辨率

### Q: 训练样本不足

A: 调整 `gee_samples.py` 中的 `n_positive` 和 `n_negative` 参数

## 参考

- [Sentinel-2 数据产品](https://sentinels.copernicus.eu/sentinel-data-access/sentinel-products/sentinel-2-data-products)
- [GEE Python API](https://developers.google.com/earth-engine/tutorials/tutorial/python_01)
- [geemap 文档](https://geemap.org/)

## 作者

本科论文项目 - 遥感技术与应用

---

**⚠️ 声明**: 本项目使用公开数据，结果为研究参考，不能替代官方统计或实际测量。