基于多時相遙感數(shù)據(jù)聚類決策樹方法的白水縣農作物識別

劉狀,李綱,石晨烈,魏永強,王建榮,楊秀策

基于多時相遙感數(shù)據(jù)聚類決策樹方法的白水縣農作物識別

劉狀1,2,3,李綱1,2,石晨烈3,魏永強1,2,王建榮1,2,楊秀策1,2

1. 地理信息工程國家重點實驗室, 陜西 西安 710054 2. 西安測繪研究所, 陜西 西安 710054 3. 西北大學城市與環(huán)境學院, 陜西 西安 710127

利用Sentinel-2、Landsat8OLI、SRTM等多源遙感數(shù)據(jù)，根據(jù)白水縣物候特征經驗構建不同典型時間序列數(shù)據(jù)集進行聚類分析，同時結合影像分割和決策樹支持方法首次對陜西省白水縣的多種農作物進行提取分類。結果表明：1）本文提出的方法能夠有效提取典型地物信息，總體分類精度達到91.22%，Kappa系數(shù)為0.8949，相比基于單一時相的光譜特征的分類有著較大優(yōu)勢。2）白水縣的三種主要農作物蘋果、玉米和小麥的物候特征顯著，分步提取的地物類別極少發(fā)生類間像素重疊，且表現(xiàn)的物候規(guī)律與白水縣農作物的實際物候規(guī)律高度吻合，側面證明了分類結果的適用性。3）白水縣蘋果種植分布西多東少，中北部多南部少；玉米主要分布于白水縣西部和北部較高海拔地區(qū)；小麥主要分布于白水縣南部；白水縣的蘋果種植仍有推廣空間。這些結果發(fā)展了聚類分析結合決策樹分類在農作物遙感方面的用法以及為白水縣的農業(yè)經濟發(fā)展提供有益參考。

遙感;聚類分析; 農作物識別

隨著遙感數(shù)據(jù)來源的不斷豐富和時空分辨率的不斷提高，高分辨率的遙感數(shù)據(jù)在資源調查等方面的應用越來越廣泛[1-4]，雖然單一時相的遙感影像對于固定地物的識別精度較高，但是對于隨時間不斷變化的農作物難以進行有效識別，在不同時相下的光譜特征中存在不同的同物異譜和異物同譜情況，因此基于多時相遙感數(shù)據(jù)的地物信息提取成為研究熱點之一。

遙感多時相數(shù)據(jù)包含了豐富的植被生長規(guī)律信息，基于多時相遙感數(shù)據(jù)的影像序列可以反映植被的季相特征以及物候變化規(guī)律[5-9]，能夠表現(xiàn)不同植被的生長物候差異，在農地物分類研究方面得到廣泛應用，例如Wardlow等利用MODIS250 m分辨率的時序產品數(shù)據(jù)提取平原區(qū)大范圍農作物信息[10,11]；劉瑞清分析了時間序列重構模型下基于植被物候特征的分類方法在濱海濕地分類中的優(yōu)勢及適用性,分類總體精度達87.61%[12]；同時，結合智能訓練學習和濾波的算法也應用于時間序列數(shù)據(jù)的處理中，例如杜保佳在SG濾波下的面向對象方法在作物分類的結果中精度較高[13]；王德軍在基于時序數(shù)據(jù)結合隨機森林分類算法取得了較高的分類精度[14]。以上研究利用多時相的遙感數(shù)據(jù)對農作物進行分類，取得了較好的分類結果，但多對于先驗知識有較高要求，對不同典型地區(qū)的分類效果和效率區(qū)別大，且還未見適用于關中平原與黃土高原過渡區(qū)域典型農耕區(qū)的作物分類研究。

關中平原是秦漢以來的主要糧食產地，黃土高原由于其地形和氣候因素糧食產量較少，白水縣作為關中平原最北部和黃土高原的最南部擁有獨特的氣候類型和農作物物候規(guī)律，本研究以陜西省白水縣為研究區(qū)，利用Sentinel-2和Landsat8影像數(shù)據(jù)構建典型時間序列數(shù)據(jù)集，同時考慮了時序特征、光譜特征和地形特征，結合聚類分析和影像分割等研究方法首次對白水縣的多種地物進行提取，探究適用于白水縣的地物分類決策樹模型，以期為白水縣的經濟發(fā)展和其他地區(qū)的相關研究提供有益借鑒。

1 研究區(qū)概括

白水縣古稱粟邑縣，位于關中平原東北部，屬于關中平原與黃土高原的過渡區(qū)域，總面積約986 km2，海拔454～1 556嗎，年平均氣溫11.4 ℃。從圖1可以看出，洛河穿縣而過，地勢從東南到西北逐漸抬升，屬于關中平原向北延伸末端，境內土層深厚，獨特水質和充足光照可以滿足優(yōu)質蘋果生長期間對養(yǎng)分的要求[15]，相比關中平原具有較大晝夜溫差，與黃土高原相比有豐潤的降水量，典型氣候特點也有利于蘋果糖分和有機物的積累。雖然蘋果的畝產經濟收益高，但蘋果樹苗存在三年無果期，種植十五年后產量下降，成本周期較長，拉枝定果套袋等作業(yè)無法機械化，對體力和經驗要求高，部分留守中老年人沒有條件在果園勞作，還存在果價不穩(wěn)等經濟問題，因此小麥、玉米等也是白水縣的主要經濟作物之一。

圖1 研究區(qū)位置示意圖

2 數(shù)據(jù)源

本研究的數(shù)據(jù)包括Sentinel-2、Landsat8和SRTM。Sentinel-2空間分辨率較高，在可見光和近紅外波段的分辨率達到10 m，且雙星重訪周期為5 d[16]，本文選取白水縣域2021年20個時相的40幅Sentinel-2 L2A數(shù)據(jù)產品，研究區(qū)域的云量均小于1%，該產品是已經經過Sen2cor插件大氣校正的地表反射率數(shù)據(jù)，數(shù)據(jù)下載網址為歐空局數(shù)據(jù)中心網站（https://scihub.copernicus.eu），投影均為WGS_1984_UTM_zone_49N。由于Sentinel-2在三月份影像云量均較大，選取3月27日的Landsat8OLI影像作為時間序列的補充，下載自地理空間數(shù)據(jù)云（https://www.gscloud.cn）。SRTM數(shù)據(jù)有一定精度保障，且易于獲取[17]，選取白水縣域的SRTM數(shù)據(jù)作為坡度計算的數(shù)據(jù)來源，下載自（https://earthexplorer.usgs.gov）。

3 方法與步驟

本文以多種遙感數(shù)據(jù)為基礎，構建時間序列數(shù)據(jù)集，同時在時序特征、光譜特征和地形特征下構建適用于研究區(qū)地物分類的決策樹模型，分類地物包括建設用地，水體，蘋果，小麥，玉米，林地，灌草和其他人造（主要是其他農作物）。數(shù)據(jù)預處理過程包括landsat8OLI影像的大氣校正以及Sentinel-2 L2A的裁剪、鑲嵌和點云濾波等步驟。

技術路線如圖2所示：

圖2 研究技術流程

3.1 植被指數(shù)時間序列數(shù)據(jù)集構建與聚類分析

歸一化植被指數(shù)（Normalized Difference Vegetation Index,)是應用最為廣泛的植被指數(shù)之一，能夠有效的衡量植被覆蓋度[18]。取值范圍位于[-1,1]之間，正值代表有植被覆蓋，并隨著植被覆蓋度增加而增加。計算公式為：

=(近紅波段-紅波段)/(近紅波段+紅波段) (1)

作為關中平原和黃土高原的過渡地帶，白水縣有獨特的作物和成熟模式，蘋果樹3月份發(fā)芽，11月份落葉，小麥10月種植，6月份收割，玉米4月份種植，10月份收割。關中平原地區(qū)通?？梢栽谝荒曛邢群蠓N植小麥和玉米，表現(xiàn)為兩熟區(qū)，糧食產量高，是秦漢以來的重要糧食產區(qū)，與關中平原不同的是，白水縣的小麥和玉米在一年內通常只能二選其一，表現(xiàn)為一熟制，因此白水縣的小麥和玉米收獲后，通常會種植蔬菜豆類等經濟作物或休耕，而這使得全年的植被指數(shù)曲線更加復雜，直接分析其植被指數(shù)曲線存在較大的噪音。

表1 白水縣主要農作物物候

針對白水縣的三種主要農作物蘋果、小麥和玉米構建其獨特的時間序列，可以使得時間序列規(guī)律性部分顯現(xiàn)出來。依據(jù)蘋果、小麥和玉米的生長周期，分別選取3月17日至11月14日、11月14日至6月22日和5月8日至11月14日柵格進行波段合成三個時間序列數(shù)據(jù)集。使用ISODATA聚類分析方法對時間序列數(shù)據(jù)集進行分類[6,19]，得到三個初步分類柵格數(shù)據(jù)，柵格屬性值沒有量化的高低之分，僅代表初步分類類別。

3.2 影像分割

多尺度分割是指將影像中空間異質性較小的相接像元自下而上合并為相同屬性的影像對象[20,21]，影像分割是后續(xù)進一步分類的范圍基礎，分割的大小尺度直接關系到分類的精度。本文利用 eCognition軟件的Multiresolution Segmentation模塊進行多尺度分割。實際調繪過程中發(fā)現(xiàn)農田分布較細碎，部分農田分塊寬度僅為10多米，考慮到影像分辨率僅為10 m，分割尺度不宜過大，經過多次不同尺度測試，分割尺度設置為34。分割效果如圖所示，同一矢量對象內部具有較好的一致性，不同矢量對象間有較大異質性。

圖3 尺度34的分割效果

3.3 典型指數(shù)提取與閾值分割

歸一化水體指數(shù)(Normalized Difference Water Index, NDWI)是最早提出的可以凸顯水體信息的指數(shù)，已得到了廣泛的驗證與應用[22]，計算公式為：

=(綠波段-近紅波段)/(綠波段+近紅波段) (2)

比值居民地指數(shù)（Ratio Resident-area Index，RRI）最早發(fā)現(xiàn)于于TM影像上，TM影像中第1和第4波段對比度較大，能很好地反映城鎮(zhèn)和裸地信息[23]，馬應用Sentinel-2影像對不同的建筑指數(shù)進行了對比，發(fā)現(xiàn)相比歸一化建筑指數(shù)（Normalized Difference Built-up Index，NDBI）和垂直不透水層指數(shù)（Perpendicular Impervious Index，PII）具有更高的精度[24]，計算公式為：

=(藍波段)/(近紅波段) (3)

選取2021年5月8日的Sentinel-2L2A數(shù)據(jù)，分別計算其NDWI和RRI柵格，對SRTM數(shù)據(jù)轉換投影坐標系，利用ArcMap坡度工具計算坡度柵格，采用大津法[25]和人機交互結合的方法確定閾值，最終、和坡度的分割閾值分別為-0.09、0.44和7，將其重分類為二值化柵格圖像。

3.4 決策樹構建

構建決策樹對白水縣域地物進行分類提取，對于固定地物主要采用了閾值分割方法進行提取，對于植被主要考慮其物候特征以及地形因素，具體如下：

（1）利用NDWI閾值區(qū)分水體。（2）在未分類像元中利用RRI閾值區(qū)分道路建筑用地。（3）對蘋果對應的聚類柵格數(shù)據(jù)重分類，將屬于林木的部分提取出來，這其中包括了蘋果樹和自然林地，這兩者有相似的物候規(guī)律，山區(qū)坡度大作業(yè)難度高，無法種植蘋果，均為自然林地，而平原區(qū)域都得到了很好地利用，坡度可以很好地區(qū)分這兩種地物，用二值化坡度柵格對分類結果進一步加權區(qū)分，分別提取平原蘋果樹像元和山區(qū)林地像元。（4）對麥田對應的聚類柵格數(shù)據(jù)重分類，提取麥田像元。（5）對玉米對應的聚類柵格數(shù)據(jù)重分類，提取玉米像元。（6）用二值化坡度柵格對剩余像元進一步區(qū)分，將山區(qū)未分類像元歸為灌草，將平原未分類像元歸為其他人造地表。

4 結果與分析

4.1 白水縣植被物候曲線特征對比分析

如圖4為白水縣地物分類結果中林地、蘋果、小麥和玉米四種植被的變化曲線。

圖4 植被指數(shù)變化曲線

林地和蘋果園的時間序列變化曲線相似，蘋果園在五月份和八月份的值有兩個小低谷，這是由于蘋果在五月份進入花期，平視和俯視果樹均有大量的白色蘋果花遮擋綠葉，導致值降低，六月份花落，果樹結出極小的青色蘋果，隨著夏季到來急劇升高，蘋果八月份逐漸成熟，果實膨大轉紅，導致值暫時降低，而在九月份蘋果采摘后值又再次回升，從十月末進入深秋后樹木落葉增多，蘋果和林地的值逐漸降低。

小麥在年初的的值比其他地物均高，這是由于僅有小麥在冬季生長，二月末小麥返青，值逐漸增高，小麥在五月抽穗期前后的值達到最高，在六月份急劇下降，在六月以后，麥田通常長雜草或種植較短周期的經濟作物。玉米在四月底發(fā)芽，六月份起急劇升高，九月末隨著作物成熟逐漸降低，玉米在年初的值也一直較低，這說明了玉米種植地的休耕期太短，沒有條件利用休耕期種植其他作物，這主要是由白水縣的氣候條件造成。白水縣的地物分類結果表現(xiàn)的物候規(guī)律與走訪調查的農作物物候規(guī)律吻合，側面證明了分類結果的適用性。

4.2 分類精度驗證對比分析

除了上文在不同典型時間序列下構建的決策樹分類，還對全年不加篩選的時間序列進行直接分類以及對單一時相光譜特征進行分類，以便對比分析該決策樹的適用性，其中水體和建設用地作為底部圖層不變。

表2 分類精度指標

在研究區(qū)內選擇524個精度驗證點，通過野外實地調繪、高德衛(wèi)星圖和Google Earth綜合判定地物類別，其中132個點為實地調繪點，392個點為均勻分布的漁網點，應用混淆矩陣對分類結果進行精度評價，精度評價結果如表1所示。

對全年時間序列直接進行分類的總體分類精度達到84.73%，Kappa系數(shù)為0.8174，與典型時間序列決策樹模型分類結果相比，存在更多的錯分情況，蘋果、小麥和玉米的生產者精度與典型時序分類的生產者精度接近，但其用戶精度存在明顯差距，在北乾村的大量花椒樹應分類為其他人造地表，而其錯分為蘋果，圖5第一行顯示村落的庭院樹和縣城的行道樹等也錯分為蘋果，三種主要農作物基本是在典型時序分類結果的基礎上擴大了范圍，花椒樹、油菜、苜蓿和豆類等其他經濟作物分別歸為蘋果、小麥和玉米中。6月22日麥田已經收割，玉米仍在拔節(jié)期，經過實驗對比已經處于最佳分類時相，但在單一時相光譜特征下的分類精度仍然最低，總體分類精度僅為64.31%，Kappa系數(shù)為0.5726，基于光譜特征分類中的林地和小麥的分類精度尚可，這是由于這兩者具有易于識別的光譜特征，而玉米分類精度極低，在全縣區(qū)域普遍存在玉米和蘋果的混雜情況，在圖5前兩行行中可以看出郁閉度較低的蘋果樹苗像元被歸為玉米，在縣城東部的大量太陽能發(fā)電場地錯分為灌草，在圖5第四行中可以看出方山林場區(qū)域存在大量玉米圖斑被錯分為其他人造地表，在圖5第三行中扶蒙村西部的梯田實際為花椒樹，屬于其他人造地表，被錯分為玉米地，這些都導致在光譜特征下分類的總體分類精度較低。

圖5 分類結果局部對比

在典型時間序列決策樹模型下的分類精度最高，總體分類精度為91.22%，Kappa系數(shù)達到0.8949。水體提取效果最好，林皋水庫、鐵牛河水庫邊界清晰準確；縣城東南的部分大棚由于其反射率較高被錯分為建設用地；天然林地內部沒有錯分情況，蘋果的分類精度也較高，但林地和蘋果地交界處存在錯分情況，在史官鎮(zhèn)西部小溝內的林地被錯分為蘋果，這主要是由于SRTM分辨率有限，雖然經過重采樣處理，但與Sentinel-2 L210 m的空間分辨率相比仍存在差距；麥田主要分布于海拔較低的縣城周邊，分類精度僅次于水體；其他人造地表主要是蘋果、玉米和小麥之外的經濟作物以及待建設的撂荒地；玉米主要分布于白水西部和北部高海拔地區(qū)，林皋湖以西和洛河以北，山坡上開墾的梯田多為玉米地。蘋果的分布最廣，在全縣多個地區(qū)有連片的蘋果園，除此之外，從北乾村至扶蒙坡的溝內的開墾地無法大面積灌溉，不利于種植蘋果樹，種植了耐旱的花椒樹，還有少量油菜、苜蓿、豆類和大棚蔬菜等經濟作物種植于全縣各處。分類結果和實地調繪結果均顯示蘋果、玉米和小麥三種農作物占據(jù)了白水縣大部分可耕用地。

圖6 白水縣2021年分類結果

5 結論

本文主要利用多源遙感數(shù)據(jù)，根據(jù)白水縣物候特征經驗構建不同基于典型時間序列數(shù)據(jù)集進行聚類分析，同時結合影像分割和決策樹支持方法首次對陜西省白水縣的主要作物進行提取分類，提出了適用于白水縣地情的分類方法，進行精度評價對比，主要結論如下。

（1）白水縣作物種類較為單一，且三種主要農作物物候特征差異性顯著，同一農作物物候特征統(tǒng)一，主要噪音來自其他地物以及農作物生長空窗期，本文在沒有先驗知識條件下能夠快速有效提取白水縣三種主要典型農地物信息，地形變化地區(qū)存在部分錯分情況，但總體分類精度達到91.22%，相比基于單一時相的光譜特征的分類有著巨大優(yōu)勢。白水縣地物分類結果表現(xiàn)的物候規(guī)律與白水縣農作物的實際物候規(guī)律高度吻合，側面證明了分類結果的適用性；

（2）蘋果、玉米和小麥是白水縣最主要的農作物，占據(jù)了全縣大部分耕地。白水縣蘋果種植分布西多東少，中北部多南部少；玉米主要分布于白水縣西部和北部較高海拔地區(qū)；小麥主要分布于白水縣南部。白水縣的蘋果種植仍有推廣空間，白水縣大部分地區(qū)的主糧每年只能一熟，相較關中平原沒有糧食種植的氣候優(yōu)勢，政府應幫助蘋果產業(yè)擴大銷路，促使在新的供需條件下自發(fā)調節(jié)蘋果種植，把握白水縣獨特的氣候條件；

（3）蘋果樹由于灌溉和拉枝等作業(yè)便捷性方面原因，只能在平地種植，與天然林地存在十分顯著的地形區(qū)分關系，而玉米和小麥的物候特征是可以顯著區(qū)分的，不涉及地形因素，因此本文利用坡度區(qū)分林地和果樹的邊界在白水縣是合理精確的，SRTM空間分辨率和精度對蘋果和林地的分類精度有一定影響，替換國內天繪衛(wèi)星和資源衛(wèi)星經過人機立體交互編輯的秘級DEM數(shù)據(jù)，可以對分類精度有進一步的提升。

[1] 李前景,劉珺,米曉飛,等.面向對象與卷積神經網絡模型的GF-6 WFV影像作物分類[J].遙感學報,2021,25(2):549-558

[2] 陳玲,賈佳,王海慶.高分遙感在自然資源調查中的應用綜述[J].國土資源遙感,2019,31(1):1-7

[3] Vintrou E, Desbrosse A, Bégué A,Crop area mapping in West Africa using landscape stratification of MODIS time series and com-parison with existing global land products [J]. International Journal of Applied Earth Observation and Geoinformation, 2012,14(1):83-93

[4] 朱永森,曾永年,張猛.基于HJ衛(wèi)星數(shù)據(jù)與面向對象分類的土地利用/覆蓋信息提取[J].農業(yè)工程學報,2017,33(14):266-273

[5] 劉昊.基于Sentinel-2影像的河套灌區(qū)作物種植結構提取[J].干旱區(qū)資源與環(huán)境,2021,35(2):88-95

[6] Ball GH, Hall DJ. ISODATA, a novel method of data analysis and pattern classification [R]. California:Stanford Research Institute, 1965

[7] 郝鵬宇,牛錚,王力,等.基于歷史時序植被指數(shù)庫的多源數(shù)據(jù)作物面積自動提取方法[J].農業(yè)工程學報,2012,28(23):123-131,297

[8] Atzberger C, Rembold F. Mapping the spatial distribution of winter crops at sub-pixel level using avhrrtime series and neural nets [J]. Remote Sensing, 2013,5(3):1335-1354

[9] Masek JG, Goward SN, Kennedy RE,. United states forest disturbance trends observed using Landsat time series [J]. Ecosystems, 2013,16:1087-1104

[10] Wardlow BD, Egbert SL. Large-area crop mapping using time series MODIS-250m NDVI data An assessment for the U.S. Central Great Plains [J]. Remote Sensing of Environment, 2008,112(3):1096-1116

[11] 畢愷藝,牛錚,黃妮,等.基于Sentinel-2A時序數(shù)據(jù)和面向對象決策樹方法的植被識別[J].地理與地理信息科學, 2017,33(5):16-20,27,127

[12] 劉瑞清,李加林,孫超,等.基于Sentinel-2遙感時間序列植被物候特征的鹽城濱海濕地植被分類[J].地理學報,2021,76(7):1680-1692

[13] 杜保佳,張晶,王宗明,等.應用Sentinel-2A時間序列和面向對象決策樹方法的農作物分類[J].地球信息科學 學報,2019,21(5):740-751

[14] 王德軍,姜琦剛,李遠華,等.基于Sentinel-2A/B時序數(shù)據(jù)與隨機森林算法的農耕區(qū)土地利用分類[J].國土資源遙感, 2020,32(4):236-243

[15] 馬遇伯,李全新.中國蘋果產業(yè)發(fā)展現(xiàn)狀與前景——以陜西省白水縣為例[J].農業(yè)展望,2019,15(4):38-42

[16] Drusch M, Del Bello U, Carlier S,. Sentinel-2:ESA’s Optical High-Resolution Mission for GMES Operational Services [J]. Remote Sensing of Environment, 2012,120(2018):25-36

[17] 高志遠,謝元禮,劉狀,等.陜北黃土區(qū)SRTMDEM精度對不同地形因子的響應[J].水土保持研究,2019,26(3):174-178

[18] 程紅芳,章文波,陳鋒.植被覆蓋度遙感估算方法研究進展[J].國土資源遙感,2008,20(1):13-18

[19] 侯榆青,胡躍林,易黃建,等.應用ISODATA選取可行域的熒光分子斷層成像[J].光學精密工程,2018,26(8):2074-2083

[20] 田甜,范文義,盧偉,等.面向對象的優(yōu)勢樹種類型信息提取技術[J].應用生態(tài)學報,2015,26(6):1665-1672

[21] Drgut L, Tiede D, Levick SR. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data [J]. International Journal of Geographical Information Science, 2010,24(5/6):859-871

[22] Katja D, Anna G, Peter G,. Water constituents and water depth retrieval from Sentinel-2A: A first evaluation in an oligotrophic lake [J]. Remote Sensing, 2016,8(11):941-965

[23] 查勇,倪紹祥,楊山.一種利用TM圖像自動提取城鎮(zhèn)用地信息的有效方法[J].遙感學報,2003,7(1):37-40

[24] 馬羽赫,趙牡丹,周鵬,等.基于兩種衛(wèi)星傳感器的不透水面提取指數(shù)比較[J].航天返回與遙感,2021,42(2):139-151

[25] Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Trans on Systems, Man and Cybernetic, 1979,9(1):62-66

Identification for Crops in Baishui County by Clustering Decision Tree Method Based on Multi-temporal Remote Sensing Data

LIU Zhuang1,2,3, LI Gang1,2, SHI Chen-lie3, WEI Yong-qiang1,2, WANG Jian-rong1,2, YANG Xiu-ce1,2

1.710054,2.710054,3.710127,

Using Sentinel-2, landsat8OLI, SRTM and other multi-source remote sensing data, according to the experience of Baishui County's phenological characteristics,and different typicaltime series datasets were constructed for cluster analysis, used image segmentation and decision tree support methods classify various land objects in BaiShui County,Shanxi Province for the first time. The results show that: 1) The method proposed in this paper can effectively extract the information of typical land objects,the overall accuracy of mapping of phenological characteristics was 91.22% and the Kappa increased was 0.8949,compared with the classification of the spectral features based on a single phase, it has great advantages. 2) The three main crops in BaiShui County have significant phenological characteristics, the land object categories extracted by the step-by-step extraction rarely have pixel overlap between categories, and the phenological law of the performance is highly consistent with the actual phenological law of crops in Baishui County, which proves the applicability of the classification results. 3) The distribution of apple planting in Baishui County is more in the west and less in the east, and more in the north and south than in the south; maize is mainly distributed in the west and north of Baishui County at higher altitudes; wheat is mainly distributed in the south of Baishui County; there is still room for promotion of apple planting in Baishui County. These results develop the use of cluster analysis combined with decision tree classification in remote sensing of agricultural crops as well as provide useful references for the economic development of Baishui.

Remote sensing;cluster analysis; crops identification

S127

A

1000-2324(2022)05-0728-07

2022-06-04

2022-07-13

地理信息工程國家重點實驗室開放基金(SKLGIE2021-zz-2);航天系統(tǒng)部綜合研究項目(TJ20203C040257)

劉狀(1994-),男,碩士,研究方向為遙感技術應用，地理信息數(shù)據(jù)空間分析. Email:1065661608@qq.com