基于時(shí)序Sentinel-2影像的梨樹縣作物種植結(jié)構(gòu)

劉俊偉 陳鵬飛 張東彥 趙紅偉

摘要：Sentinel-2影像具有空間分辨率高，重訪周期短的優(yōu)勢。本研究探討了基于Sentinel-2數(shù)據(jù)開展梨樹縣作物精準(zhǔn)分類，進(jìn)而進(jìn)行種植結(jié)構(gòu)分析的可行性。為此，收集了多時(shí)相的Sentinel-2影像和大量地面不同作物類型樣點(diǎn)數(shù)據(jù)。基于以上數(shù)據(jù)，選擇決策樹法、最大似然法、支持向量機(jī)法等3種經(jīng)典分類方法開展影像分類，并對它們的結(jié)果進(jìn)行對比以選擇最優(yōu)分類方法。然后，利用最優(yōu)分類方法獲得的分類結(jié)果對梨樹縣作物種植結(jié)構(gòu)進(jìn)行分析。結(jié)果表明，基于時(shí)序Sentinel-2影像，利用作物的物候特征與其光譜特征之間的聯(lián)系可實(shí)現(xiàn)對梨樹縣作物種植面積和空間分布信息的準(zhǔn)確提取，從而對該縣種植結(jié)構(gòu)進(jìn)行客觀評價(jià)。3種分類方法中，決策樹法的分類精度最高，其總體分類精度為93.53%，Kappa系數(shù)達(dá)到0.890 6 。

關(guān)鍵詞：作物種植結(jié)構(gòu);Sentinel-2;光譜特征

中圖分類號：S127文獻(xiàn)標(biāo)識碼：A文章編號：1000-4440（2020）06-1428-09

Abstract： Sentinel-2 images have the advantages of high spatial resolution and short revisit cycle. This study investigated the feasibility of making accurate classification of crops and planting structure analysis in Lishu County based on Sentinel-2 data. Multi-temporal Sentinel-2 images and a large number of ground sample data of different crops were collected. Based on the above data， three classic classification methods including decision tree method， maximum likelihood method and support Vector machine method were selected in image classification， and their results were compared to select the best classification method. Then， the classification results obtained by the best method were used to analyze the crop planting structure of Lishu County. The results showed that based on time-series Sentinel-2 images， the planting area and spatial distribution information of crops in Lishu County could be extracted accurately by combining the phenological characteristics and spectral characteristics of the crops， then the planting structure of the county could be evaluated objectively. Among the three classification methods， the decision tree method got the best results， with the overall classification accuracy of 93.53% and the Kappa coefficient value of 0.890 6.

Key words：crop planting structure;Sentinel-2;spectral characteristics

作物的種植結(jié)構(gòu)能夠體現(xiàn)人們對某一地區(qū)農(nóng)業(yè)生產(chǎn)資源的利用情況[1]。及時(shí)、準(zhǔn)確地掌握作物種植結(jié)構(gòu)可為區(qū)域作物結(jié)構(gòu)調(diào)整和優(yōu)化提供有效依據(jù)[2]。梨樹縣是中國重要的商品糧生產(chǎn)基地[3]，素有“東北糧倉”和“松遼明珠”之稱，因此掌握梨樹縣作物的種植結(jié)構(gòu)信息對農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)可持續(xù)發(fā)展及保障農(nóng)民收益最大化等都具有重要意義。

對于農(nóng)作物種植結(jié)構(gòu)的研究主要有數(shù)據(jù)統(tǒng)計(jì)和遙感監(jiān)測2種方法。其中，數(shù)據(jù)統(tǒng)計(jì)法采用區(qū)域逐層匯總統(tǒng)計(jì)的步驟，存在主觀因素較大，容易造成統(tǒng)計(jì)不準(zhǔn)確的缺陷，并且當(dāng)統(tǒng)計(jì)對象區(qū)域范圍較大時(shí)，該方法耗時(shí)耗力。遙感監(jiān)測是基于衛(wèi)星遙感影像，根據(jù)不同作物反射光譜信息的差異來進(jìn)行分類，進(jìn)而獲取研究區(qū)農(nóng)作物的空間分布信息。與統(tǒng)計(jì)方法相比，其結(jié)果更為客觀，而且效率更高。目前，已有大量基于遙感技術(shù)對縣級尺度作物進(jìn)行分類的報(bào)道?；诙鄷r(shí)相Landsat8影像，張榮群等[4]根據(jù)曲周縣主要農(nóng)作物的物候特征，通過分析NDVI的時(shí)序變化，提取了該縣主要農(nóng)作物的空間分布及面積;劉珺等[5]基于多時(shí)相HJ衛(wèi)星CCD影像獲取了嘉祥縣主要秋收作物的種植結(jié)構(gòu)信息。已有的類似研究大多基于MODIS、AVHRR、Landsat、HJ等遙感數(shù)據(jù)源，使用它們的時(shí)序數(shù)據(jù)并利用不同作物物候信息的差異展開分類。與以上提及的數(shù)據(jù)源相比，Sentinel-2數(shù)據(jù)具有空間分辨率高，重訪周期短的優(yōu)勢。Sentinel-2衛(wèi)星服役時(shí)間不長，其數(shù)據(jù)在土地覆蓋監(jiān)測、生物量估計(jì)、風(fēng)險(xiǎn)災(zāi)害預(yù)測等方面的應(yīng)用正在陸續(xù)開展中[6-9]。王大釗等[10]為了監(jiān)測鄱陽湖的洪澇災(zāi)害情況，分別利用Sentinel-2和Landsat8影像提取了湖泊的水體分布信息，結(jié)果顯示使用Sentinel-2影像的提取精度相較于Landsat8高4%，體現(xiàn)了Sentinel-2數(shù)據(jù)在地物面積提取方面的優(yōu)勢。劉懷鵬等[11]基于Sentinel-2A數(shù)據(jù)，利用光譜指數(shù)密度分割法與光譜波段分類法成功提取了內(nèi)蒙古五原縣郊區(qū)的村落面積。這些研究推動(dòng)了Sentinel-2數(shù)據(jù)的應(yīng)用，但總的來說還需要開展廣泛的驗(yàn)證，以評估其在農(nóng)作物分類方面的能力和應(yīng)用潛力。

基于多時(shí)相Sentinel-2影像，本研究以梨樹縣為試驗(yàn)區(qū)，探討基于Sentinel-2數(shù)據(jù)開展梨樹縣農(nóng)作物分類，進(jìn)行種植結(jié)構(gòu)分析的可行性，以期推動(dòng)高分辨Sentinel-2影像應(yīng)用于縣域尺度作物分類，提高作物分類、種植結(jié)構(gòu)分析等相關(guān)研究的精度。

1材料與方法

1.1研究區(qū)概況

梨樹縣隸屬于吉林省四平市（123°45′～124°53′ E，43°02′～43°46′ N），轄15個(gè)鎮(zhèn)、6個(gè)鄉(xiāng)，面積為4 209 km2。其位于長白山區(qū)向草原過渡地帶[12]，地勢成階梯狀分布，南部地區(qū)為低山丘陵，中部及北部地區(qū)為平原。屬北溫帶半濕潤大陸季風(fēng)性氣候，日照時(shí)間長，降水充沛，且雨熱同季[13]。梨樹縣土壤肥沃，有機(jī)質(zhì)含量多，主要類型為黑土和黑鈣土[14]，適宜一年一熟作物的生長，主要種植玉米、水稻、大豆、蔬菜等。研究區(qū)的地理位置如圖1所示。

1.2數(shù)據(jù)源

1.2.1遙感數(shù)據(jù)及預(yù)處理本研究采用的是Sentinel-2影像數(shù)據(jù)。它含有2A和2B兩顆衛(wèi)星，兩星組網(wǎng)后重訪周期為5 d[15]。Sentinel-2衛(wèi)星攜帶的多光譜成像儀（MSI）共有13個(gè)波段，能形成10 m、20 m、60 m 3種分辨率的影像，本研究在進(jìn)行作物分類時(shí)，使用了10 m分辨率的影像，它的波段為B2（藍(lán)波段）、B3（綠波段）、B4（紅波段）、B8（近紅外波段）。影像數(shù)據(jù)下載自網(wǎng)站https：//earthexplorer.usgs.gov。對梨樹縣來講，共需要4景影像來覆蓋整個(gè)研究區(qū)?？紤]到作物生長季是5-10月，剔除云量過多、不同景影像拼接色差大的數(shù)據(jù)，最終使用的影像信息如表1所示。此外，從上述網(wǎng)站上下載的影像是只經(jīng)過幾何精校正的L1C級數(shù)據(jù)，還需進(jìn)行輻射定標(biāo)和大氣校正。本研究基于歐洲航天局發(fā)布的開源軟件SNAP軟件對影像進(jìn)行輻射定標(biāo)和大氣校正，以生成L2A級數(shù)據(jù)，然后進(jìn)行波段合成、拼接、裁剪處理，以獲取研究區(qū)影像。

1.2.2數(shù)字高程數(shù)據(jù)本研究還使用了數(shù)字高程數(shù)據(jù)（Digital Elevation Model， DEM），用于計(jì)算坡度信息，進(jìn)行研究區(qū)內(nèi)山區(qū)面積的提取。數(shù)據(jù)下載自地理空間數(shù)據(jù)云平臺(tái)（http：//www.gscloud.cn）。

1.2.3地面調(diào)查數(shù)據(jù)地面調(diào)查在2018年8月5-10日開展，借助當(dāng)?shù)剞r(nóng)機(jī)技術(shù)推廣站工作人員的經(jīng)驗(yàn)，選擇調(diào)查路線以使考察經(jīng)過最多的植被類型。調(diào)查時(shí)，基于選定的路線，隨機(jī)選擇樣點(diǎn)，記錄樣點(diǎn)的植被類型、經(jīng)緯度等信息并拍照?？疾熘泄搏@取玉米樣點(diǎn)245個(gè)，大豆樣點(diǎn)38個(gè)，水稻樣點(diǎn)64個(gè)，蔬菜樣點(diǎn)68個(gè)，林地樣點(diǎn)56個(gè)，其他樣點(diǎn)（建筑、道路、水體等）62個(gè)。所有樣點(diǎn)的位置分布如圖1所示。

1.3數(shù)據(jù)分析方法

影像分類時(shí)，采用了決策樹分類、最大似然分類和支持向量機(jī)分類3種常用的分類方法。首先，將所有采集到的樣點(diǎn)隨機(jī)選擇2/3作為訓(xùn)練樣本，1/3作為驗(yàn)證樣本，然后基于訓(xùn)練樣本分別建立3種方法下的分類模型，最后基于模型來進(jìn)行分類并利用驗(yàn)證樣本對分類結(jié)果進(jìn)行驗(yàn)證，以比較3種方法的優(yōu)劣。

1.3.1基于決策樹的分類決策樹是一種由內(nèi)部節(jié)點(diǎn)判斷屬性，分支代表結(jié)果輸出，葉節(jié)點(diǎn)代表類別的樹狀結(jié)構(gòu)。其分類規(guī)則是實(shí)現(xiàn)決策樹分類的關(guān)鍵，而獲取分類規(guī)則主要通過專家先驗(yàn)知識、數(shù)理歸納統(tǒng)計(jì)或者根據(jù)CART、ID3、C4.5等算法自動(dòng)獲取[16]。本研究基于訓(xùn)練樣本中不同植被類型波段反射率和各種光譜指數(shù)的差異，歸納統(tǒng)計(jì)確定它們之間區(qū)分的闕值，從而基于闕值構(gòu)建決策樹分類模型。

由于梨樹縣東南部為丘陵區(qū)，山區(qū)地物光譜特征與平原會(huì)有所差異，因此在分類過程中首先基于DEM數(shù)字高程數(shù)據(jù)計(jì)算坡度，然后利用坡度將研究區(qū)分為山區(qū)與平原區(qū)。根據(jù)水體、建筑、道路、林地等非農(nóng)業(yè)用地光譜特征的差異，在山區(qū)與平原區(qū)中分別提取出這些非農(nóng)業(yè)用地面積。最后，再根據(jù)山區(qū)與平原區(qū)主要作物的物候特征，找出它們之間的光譜特征差異，提取出區(qū)域內(nèi)的各種作物面積，并根據(jù)研究目的，通過合并將所有地物分為玉米、大豆、水稻、蔬菜、其他經(jīng)濟(jì)作物、非農(nóng)業(yè)用地共6類。

技術(shù)路線圖如圖2所示，各類地物提取流程詳述如下。首先提取非農(nóng)業(yè)用地的面積，非農(nóng)業(yè)用地包括水體、建筑、道路和林地。對于非農(nóng)業(yè)用地，山區(qū)與平原區(qū)的提取流程是一樣的，但所用闕值有所不同。首先，利用歸一化水體指數(shù)（NDWI）[17]將水體面積提取出來，其計(jì)算過程如公式（1）所示。其中，在山區(qū)選擇的闕值為0.02，在非山區(qū)選擇的闕值為0.04。其次，利用比值植被指數(shù)（RVI）[18]提取建筑用地、道路的面積，其計(jì)算過程如公式（2）所示。分析不同地物的RVI時(shí)序曲線，發(fā)現(xiàn)建筑用地、道路等的RVI值比較低，且不會(huì)隨時(shí)間有太大波動(dòng)（圖3）。8月，大部分植被都處于生長旺盛階段，RVI值較高，與建筑用地、道路等這些非植被地物相比，差異很大。因此，根據(jù)8月份的RVI信息可以將建筑用地、道路的面積提取出來。其中，在山區(qū)選擇的闕值為01.6、RVI1105>1.1，非山區(qū)林地的分類闕值為RVI0504>2.7、RVI1105>1.2。

然后提取農(nóng)業(yè)用地的面積，農(nóng)業(yè)用地即種植作物的地塊，梨樹縣主要種植的作物有玉米、水稻、大豆和蔬菜。結(jié)合作物的物候變化分析其光譜特征的時(shí)序變化，可找出不同作物的分類依據(jù)。表2為它們的物候期。由于山區(qū)地形崎嶇復(fù)雜，不便運(yùn)輸，且土壤類型單一，梨樹縣山區(qū)的主要作物只有玉米。因此，在山區(qū)，林地面積提取后，剩下的植被區(qū)劃分為玉米地。在非山區(qū)，玉米、水稻、大豆、蔬菜等4種作物都有。首先，提取蔬菜種植面積。蔬菜分為大棚蔬菜和大田蔬菜。大棚蔬菜種植種類多樣，而大田蔬菜以白菜為主。本研究基于歸一化植被指數(shù)（NDVI）[19]提取大棚蔬菜的種植面積，其計(jì)算過程如公式（3）所示。通過對比大棚蔬菜與其他作物NDVI特征曲線（圖4a），發(fā)現(xiàn)大棚蔬菜的NDVI值較為平均，一直處于0.35～0.50，并在5月時(shí)其NDVI在所有作物中處于最高，8月時(shí)處于最低。這是由于5月除大棚蔬菜外大部分作物都剛播種，而此時(shí)大棚蔬菜相較于這些植被特征不明顯的地塊對紅外光的反射能力較強(qiáng)，對紅光的反射能力較弱，則NDVI較高。8月是大部分作物植被特征最明顯的時(shí)候，NDVI值比較高，且與大棚蔬菜的NDVI差值較大。所以最終確定大棚蔬菜的分類闕值為NDVI0504>0.23，00.68。提取出蔬菜種植面積后，玉米、水稻、大豆的分類主要基于它們物候特征的差異，通過比較它們綠波段反射率ρG和近紅外波段反射率ρNIR的變化（圖4c、圖4d）將它們的種植面積分別提取出來。通過比較發(fā)現(xiàn)5月下旬水稻的ρNIR是所有作物中最低的，這是由于此時(shí)水稻剛插秧，水田對紅外光的反射能力較弱。因此，選擇水稻的分類闕值為0<ρNIR0524<0.145;大豆的ρNIR在8月初處于峰值，且是幾種作物之中最高的。這是因?yàn)榇蠖?月下旬進(jìn)入結(jié)莢期，葉綠素的吸收能力逐漸增強(qiáng)，因此對紅外光的反射能力增強(qiáng)。因此，選擇大豆的分類闕值為ρNIR0802>0.460;10月初玉米的ρG要低于水稻和大豆，且由圖4a作物NDVI特征曲線可看出此時(shí)玉米的NDVI值最高。這是因?yàn)?0月除玉米外大部分作物已經(jīng)收獲完畢，只有玉米還具有植被特征。因此，選擇玉米的分類闕值為0<ρG1001<0.07、NDVI1001>0.37。

1.3.2基于最大似然的分類最大似然分類又稱貝葉斯分類，它的原理是根據(jù)貝葉斯判決準(zhǔn)則進(jìn)行分類，即假設(shè)所有訓(xùn)練樣本的分布函數(shù)都為正態(tài)分布，首先計(jì)算每一個(gè)待分類的像元?dú)w屬于每一種訓(xùn)練樣本的歸屬概率，然后將該像元分到歸屬概率最大的一類樣本中[20]。最大似然法具有簡單便捷、理論依據(jù)充足的優(yōu)點(diǎn)。但是它的應(yīng)用范圍較窄，一般只適用于波段較少的數(shù)據(jù)，且它對訓(xùn)練集大小要求也較高。

在前面決策樹方法中，已詳細(xì)描述作物物候特征與光譜信息間的關(guān)系，以及由此帶來的最佳區(qū)分各種作物的時(shí)間與所用光譜特征參數(shù)，這些規(guī)律同樣可在其他分類方法中應(yīng)用。因此，為了保證3種方法數(shù)據(jù)源相同，在基于最大似然分類中，本研究首先將決策樹分類法中涉及的坡度和光譜特征等（Slop、NDWI0802、RVI0504、RVI0802、RVI1105、NDVI0504、NDVI0916、NDVI1001、ρNIR0524、ρNIR0802、ρG1001）共11個(gè)數(shù)據(jù)作為波段合并到同一影像中，然后利用訓(xùn)練樣本集數(shù)據(jù)基于最大似然法訓(xùn)練得到分類模型，最后基于分類模型進(jìn)行分類獲得相關(guān)分類結(jié)果。

1.3.3基于支持向量機(jī)的分類支持向量是指距離分類超平面近的那些點(diǎn)，支持向量機(jī)的基本思想就是在樣本空間中構(gòu)建出最優(yōu)分類超平面，使得支持向量距離該分類超平面的間隔最大，這個(gè)最大間隔代表了該分類超平面對兩類數(shù)據(jù)的區(qū)分度強(qiáng)，不易錯(cuò)分。最優(yōu)分類超平面的方程和約束條件如公式（4）、公式（5）所示。支持向量機(jī)具有計(jì)算復(fù)雜度低、穩(wěn)定性較強(qiáng)、抗噪性強(qiáng)等優(yōu)點(diǎn)。其模型思路理論上會(huì)獲得很高的分類精度，但實(shí)際使用中獲取高精度需要取決于很多因素，如數(shù)據(jù)的預(yù)處理精度、訓(xùn)練集的大小、特征參數(shù)及核函數(shù)的選擇等[21]。

同最大似然法的分類過程相同，本研究首先合并坡度數(shù)據(jù)和相應(yīng)光譜特征為同一影像，然后再基于訓(xùn)練樣點(diǎn)通過支持向量機(jī)訓(xùn)練得到分類模型，最優(yōu)基于分類模型進(jìn)行分類獲得相關(guān)分類結(jié)果。

1.3.4精度驗(yàn)證本研究使用地面調(diào)查數(shù)據(jù)中各類作物的驗(yàn)證樣本對分類結(jié)果進(jìn)行驗(yàn)證，計(jì)算混淆矩陣、每一種作物的制圖精度和用戶精度以及總體分類精度和Kappa系數(shù)。精度驗(yàn)證的計(jì)算公式如表3所示，其中k代表混淆矩陣行列數(shù)即分類的類別數(shù)量，Xii代表混淆矩陣中對角線上的值即正確分類的像元數(shù)，N代表驗(yàn)證的像元總數(shù)，Xi代表混淆矩陣第i行元素相加之和，Xj代表混淆矩陣第j列元素相加之和。

2結(jié)果與分析

2.1分類結(jié)果精度評價(jià)

基于驗(yàn)證樣本集，決策樹法、最大似然法和支持向量機(jī)法的驗(yàn)證結(jié)果如表4～表6所示。從誤差矩陣看，在所有作物中，玉米、水稻在3種分類方法中的分類精度最高。其中，玉米的制圖精度分別為96.34%（決策樹法）、93.90%（最大似然法）、96.43%（支持向量機(jī)法），用戶精度分別為96.34%（決策樹法）、93.90%（最大似然法）、92.05%（支持向量機(jī)法）。這是由于其種植面積大，獲取的樣本點(diǎn)最多，較多的樣本點(diǎn)保證了玉米具有很好的制圖和用戶精度。水稻的制圖精度分別為100.00%（決策樹法）、95.24%（最大似然法）、95.24%（支持向量機(jī)法），用戶精度分別為95.45%（決策樹法）、95.24%（最大似然法）、95.24%（支持向量機(jī)法）。水稻的分類精度高，一方面是因?yàn)?月下旬時(shí)水田特征很明顯，其近紅外波段的反射率與其他地物差別大，其種植面積的提取效果較好;另一方面，梨樹縣的水稻多為集中種植，各田塊光譜特征差異較小。蔬菜種類繁多，包括大棚蔬菜和大田蔬菜，分類精度中等。其中，制圖精度分別為83.33%（決策樹法）、84.21%（最大似然法）、82.61%（支持向量機(jī)法），用戶精度分別為86.96%（決策樹法）、88.89%（最大似然法）、100.00%（支持向量機(jī)法）。大豆的分類精度最低。其中，制圖精度分別為83.33%（決策樹法）、70.00%（最大似然法）、66.67%（支持向量機(jī)法），用戶精度分別為83.33%（決策樹法）、63.64%（最大似然法）、66.67%（支持向量機(jī)法）。這是因?yàn)榇蠖沟姆N植區(qū)域比較分散，不易尋找，在采集地面樣點(diǎn)時(shí)獲取的樣點(diǎn)比較少，缺乏足夠的樣本來訓(xùn)練導(dǎo)致的。

從3種分類方法的總體分類精度看，決策樹法的總體分類精度為93.53%，Kappa系數(shù)達(dá)到0.890 6;最大似然法的總體分類精度為90.91%，Kappa系數(shù)為0.838 5;支持向量機(jī)法的總體分類精度為91.43%，Kappa系數(shù)為0.849 8。3種方法中決策樹法的分類精度最高。

2.2作物種植結(jié)構(gòu)分析

基于決策樹的分類結(jié)果如圖5所示。對梨樹縣種植結(jié)構(gòu)進(jìn)行分析，發(fā)現(xiàn)糧食作物的種植面積遠(yuǎn)遠(yuǎn)超過經(jīng)濟(jì)作物（表7），這是因?yàn)槔鏄淇h的自然條件適于旱作農(nóng)業(yè)，尤其適宜種植玉米。因此糧食作物的種植面積較大，是中國的重要糧食基地。從空間分布看，玉米總種植面積為235 619 hm2，占作物總種植面積的84.30%。由于中部地區(qū)是平原，土地平坦肥沃，因此中部萬發(fā)鎮(zhèn)、泉眼嶺鄉(xiāng)、金山鄉(xiāng)、白山鄉(xiāng)等地區(qū)大面積種植玉米。水稻種植面積占作物總種植面積的3.76%，約為10 515 hm2，其主要分布在北部地區(qū)的小寬鎮(zhèn)、孤家子鎮(zhèn)，這是因?yàn)槔鏄淇h北部地區(qū)是風(fēng)沙鹽堿地，地勢低洼，適宜水稻生長。由于白菜是喜濕作物，因此白菜也主要分布在水源較多的小寬鎮(zhèn)、孤家子鎮(zhèn)及小城子鎮(zhèn)。大棚蔬菜集中在中心城區(qū)梨樹鎮(zhèn)周圍，主要為了交通運(yùn)輸方便。蔬菜的總種植面積占梨樹縣作物總種植面積的3.40%，約為9 507 hm2。南部十家堡鎮(zhèn)和孟家?guī)X鎮(zhèn)地塊少，多為山地丘陵地帶，因此山林灌木眾多，但也種植少量玉米。西部地區(qū)喇嘛甸鎮(zhèn)、林海鎮(zhèn)、劉家館子鎮(zhèn)、四棵樹鄉(xiāng)經(jīng)濟(jì)作物的種類繁多，這是因?yàn)槲鞑康貐^(qū)土壤類型豐富，適宜種植大豆等經(jīng)濟(jì)作物。

3討論

基于多時(shí)相GF-WFV和GF-2PAN數(shù)據(jù)，Zhang等[22]采用Sobel邊緣檢測和Hough變換紋理分析識別玉米，精度高達(dá)90%;趙建鵬等[23]使用多時(shí)相的ZY-3和GF-2數(shù)據(jù)，通過構(gòu)建NDVI差值模型提取固安縣柳泉鎮(zhèn)冬小麥種植面積，精度達(dá)到95.54%;杜保佳等[24]基于Sentinel-2A影像對北安市作物進(jìn)行分類，引入NDVI時(shí)間序列特征后，使用多時(shí)相數(shù)據(jù)的分類精度相較于使用典型單時(shí)相數(shù)據(jù)提高7.7%。不同作物不同時(shí)期長勢存在差異，可以通過它們在多時(shí)相影像光譜特征的差異來對其進(jìn)行識別，從而提高作物的分類精度，而使用單景衛(wèi)星影像時(shí)，往往會(huì)出現(xiàn)云量多、植被長勢無差異等現(xiàn)象，使得分類精度降低。本研究同樣使用了多時(shí)相遙感數(shù)據(jù)，通過分析不同地物光譜特征的時(shí)序變化，分別使用決策樹法、最大似然法、支持向量機(jī)法3種分類方法，最終得到93.53%、90.91%、91.43%的分類精度，與以上基于其他高分影像的分類精度差不多。

本研究在提取非農(nóng)業(yè)用地和大田白菜的種植面積時(shí)，比較了RVI和NDVI? 2種光譜指數(shù)的分類效果，發(fā)現(xiàn)在高植被覆蓋度下，RVI的提取效果要優(yōu)于NDVI。比如在利用夏季影像提取非農(nóng)業(yè)用地面積時(shí)，RVI的效果要優(yōu)于NDVI，能更好地體現(xiàn)出地塊的輪廓。在利用9月中旬影像提取大田白菜等排列不緊密、覆蓋度較低的植被面積時(shí)，NDVI的提取效果要優(yōu)于RVI，而此時(shí)使用RVI提取大田白菜種植面積時(shí)會(huì)出現(xiàn)大量的漏分。這印證了錢銘杰[25]在比較RVI與NDVI在植被面積提取中的研究結(jié)果，當(dāng)植被覆蓋度高時(shí)，RVI對植被的敏感性要高于NDVI，反之則NDVI的敏感性更高。因此，為提高分類精度，在提取不同地物面積時(shí)應(yīng)結(jié)合實(shí)際情況，選擇不同的植被指數(shù)。

本研究中決策樹法的分類精度要高于最大似然法、支持向量機(jī)法這2種監(jiān)督分類算法，這是由于決策樹法相對于其他算法不需要假設(shè)先驗(yàn)概率分布，具有更好的靈活性和魯棒性，且對于數(shù)據(jù)集的離散性和規(guī)則性的要求都較低。王姝力等[26]基于光學(xué)數(shù)據(jù)使用CART自動(dòng)決策樹法識別海冰類型的精度要高于使用最大似然法的識別精度。許童羽等[27]使用CART決策樹和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法提取粳稻種植面積，相較于單一通過BP神經(jīng)網(wǎng)絡(luò)的方法，精度提高了1.70%。本研究與這些研究結(jié)果類似，說明決策樹法的實(shí)用性和準(zhǔn)確性。

本研究設(shè)定的決策樹法作物分類闕值目前只基于2018年數(shù)據(jù)進(jìn)行了驗(yàn)證，其是否適合在其他年份或其他地區(qū)應(yīng)用，還有待進(jìn)一步驗(yàn)證。

4結(jié)論

本研究基于多時(shí)相Sentinel-2影像和地面采集樣點(diǎn)數(shù)據(jù)，分別通過決策樹法、最大似然法、支持向量機(jī)法3種分類方法實(shí)現(xiàn)了梨樹縣作物種植面積的自動(dòng)提取，并對它們的分類效果進(jìn)行了對比評價(jià)，并在此基礎(chǔ)上分析了梨樹縣作物的種植結(jié)構(gòu)空間分布情況。結(jié)果表明，決策樹法總體分類精度最高為93.53%，Kappa系數(shù)達(dá)到0.890 6。從種植結(jié)構(gòu)上看，梨樹縣以種植糧食作物為主，經(jīng)濟(jì)作物為輔。其中，玉米在全縣各區(qū)域都有，但集中在中部地區(qū);水稻多種植在北部地區(qū);大豆等經(jīng)濟(jì)作物主要種植在西部地區(qū)。耦合時(shí)序Sentinel-2影像和本研究所構(gòu)建的決策樹自動(dòng)分類方法能很好地對梨樹縣作物進(jìn)行分類，從而達(dá)到客觀評價(jià)其種植結(jié)構(gòu)的目的。

參考文獻(xiàn)：

[1]胡瓊，吳文斌，宋茜，等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J].中國農(nóng)業(yè)科學(xué)，2015，48（10）：1900-1914.

[2]唐華俊，吳文斌，楊鵬，等. 農(nóng)作物空間格局遙感監(jiān)測研究進(jìn)展[J].中國農(nóng)業(yè)科學(xué)，2010，43（14）：2879-2888.

[3]張養(yǎng)貞，張樹文，常麗萍，等. 縣級玉米遙感估產(chǎn)實(shí)驗(yàn)及其效果研究[J].地理科學(xué)，1995（2）：144-153.

[4]張榮群，王盛安，高萬林，等. 基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（S1）：246-252.

[5]劉珺，田慶久，黃彥，等. 利用多時(shí)相HJ衛(wèi)星CCD遙感影像提取嘉祥縣秋收作物[J].遙感信息，2012，27（2）：67-70.

[6]NASRALLAH A， BAGHDADI N， MHAWEJ M， et al. A novel approach for mapping wheat areas using high resolution sentinel-2 images[J].Sensors， 2018，18：7.

[7]SONOBE R， YAMAYA Y， TANI H， et al. Crop classification from Sentinel-2-derived vegetation indices using ensemble learning[J].Journal of Applied Remote Sensing，2018，12（2）：26-45.

[8]ZHU J， PAN Z W， WANG H， et al. An improved multi-temporal and multi-feature tea plantation identification method using Sentinel-2 imagery[J].Sensors，2019，19：9.

[9]CORENTIN B， ADRIEN M， PETER G， et al. Forest mapping and species composition using supervised per pixel classification of Sentinel-2 imagery[J].Biotechnologie，Agronomie，Société et Environnement，2018，22：3.

[10]王大釗，王思夢，黃昌. Sentinel-2和Landsat8影像的四種常用水體指數(shù)地表水體提取對比[J].國土資源遙感，2019，31（3）：157-165.

[11]劉懷鵬，安慧君. 基于Sentinel-2A的農(nóng)田包圍型村落提取[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（3）：41-45.

[12]王祁春，張柏，張樹文，等. 玉米長勢區(qū)域分異遙感監(jiān)測──以松嫩平原玉米遙感估產(chǎn)實(shí)驗(yàn)區(qū)（梨樹縣）為例[J].遙感信息，1994（4）：20-23.

[13]平躍鵬，臧淑英. 基于MODIS時(shí)間序列及物候特征的農(nóng)作物分類[J].自然資源學(xué)報(bào)，2016，31（3）：503-513.

[14]張曉萌，劉建祥，溫馨，等. 基于遙感的植被覆蓋度和水土流失信息提取[J].水土保持，2017，5（4）：21-28.

[15]范唯唯. Sentinel-2B衛(wèi)星發(fā)射成功[J].空間科學(xué)學(xué)，2017，37（4）：371-372.

[16]張潤雷. 基于決策樹的遙感圖像分類綜述[J].電子制作，2018（24）：16-18，55.

[17]AHMED K R， AKTER S. Analysis of landcover change in southwest bengal delta due to floods by NDVI， NDWI and K-Means cluster with landsat Multi-spectral surface reflectance satellite data[J].Remote Sensing Applications： Society and Environment，2017（8）：168-181.

[18]劉人午. 基于LANDSAT衛(wèi)星數(shù)據(jù)對內(nèi)江主城區(qū)城市綠化監(jiān)測研究[J].內(nèi)江科技，2017，38（12）：38-41.

[19]TIAN Y C， BAI X Y， WANG S J， et al. Spatial-temporal changes of vegetation cover in guizhou province， southern China[J].Chinese Geographical Science，2017，27（1）：25-38.

[20]王婷婷，李山山，李安，等. 基于Landsat 8衛(wèi)星影像的北京地區(qū)土地覆蓋分類[J].中國圖象圖形學(xué)報(bào)，2018，20（9）：1275-1284.

[21]李平，吳曼喬，曾聯(lián)明. 支持向量機(jī)技術(shù)在土地利用監(jiān)測的應(yīng)用研究[J].測繪通報(bào)，2010（8）：28-30.

[22]ZHANG C， JIN H， LIU Z， et al. Seed maize identification based ontexture analysis of GF remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering，2016，32（21）：183-188.

[23]趙建鵬，李國洪，金永濤，等. 縣域尺度上基于多時(shí)相影像的冬小麥面積監(jiān)測[J].河北師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，42（6）：524-530.

[24]杜保佳，張晶，王宗明，等. 應(yīng)用Sentinel-2A NDVI時(shí)間序列和面向?qū)ο鬀Q策樹方法的農(nóng)作物分類[J].地球信息科學(xué)學(xué)報(bào)，2019，21（5）：740-751.

[25]錢銘杰. RVI與NDVI在植被信息提取中的應(yīng)用比較[C]//中國地理信息系統(tǒng)協(xié)會(huì)中國遙感協(xié)會(huì).第七屆ArcGIS暨ERDAS中國用戶大會(huì)論文集.北京：地震出版社，2006：662-666.

[26]王姝力，王志勇，王磊. 基于Landsat-8和Sentinel-1A遼東灣海冰分類研究[J].北京測繪，2019，33（12）：1486-1492.

[27]許童羽，胡開越，周云成，等. 基于CART決策樹和BP神經(jīng)網(wǎng)絡(luò)的landsat 8影像粳稻提取方法[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，51（2）：169-176.

（責(zé)任編輯：陳海霞）