基于Sentinel-2遙感影像的農(nóng)作物分類與適宜性評(píng)價(jià)

趙孟辰，阿里木江·卡斯木

新疆師范大學(xué) 地理科學(xué)與旅游學(xué)院，烏魯木齊 830054

農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整優(yōu)化是當(dāng)前我國(guó)建設(shè)現(xiàn)代化農(nóng)業(yè),保障農(nóng)民持續(xù)增收,實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的必然選擇[1]．農(nóng)作物種植結(jié)構(gòu)是指一個(gè)地區(qū)主要農(nóng)作物類型和其空間分布狀況,及時(shí)有效地獲取農(nóng)業(yè)種植結(jié)構(gòu)信息對(duì)農(nóng)作物產(chǎn)量監(jiān)測(cè)、農(nóng)業(yè)用水精細(xì)化管理、區(qū)域農(nóng)業(yè)、可持續(xù)化發(fā)展等具有重要意義．以往的研究依據(jù)統(tǒng)計(jì)部門的逐級(jí)上報(bào)和抽樣估測(cè)數(shù)據(jù)集獲取農(nóng)作物種植結(jié)構(gòu)信息只能停留在量的層面,難以實(shí)現(xiàn)農(nóng)作物空間分布可視化,且此方法存在費(fèi)時(shí)、費(fèi)力、時(shí)間分辨率低和主觀性強(qiáng)等缺點(diǎn)．遙感技術(shù)具有大范圍數(shù)字成圖、高時(shí)效性和成本低等優(yōu)勢(shì),目前被廣泛用于資源普查,并逐步成為獲取農(nóng)業(yè)種植結(jié)構(gòu)信息的重要方式之一．

國(guó)內(nèi)外眾多學(xué)者對(duì)基于遙感影像的農(nóng)作物識(shí)別、分類及種植區(qū)域適宜性進(jìn)行了大量研究．Johnson[2]采用多尺度分割算法進(jìn)行分割,通過SVM(Support Vector Machine,SVM)分類模型,計(jì)算不同尺度下影像對(duì)象隸屬度及隸屬度類別;Shackelford等[3]以IKONOS 影像為實(shí)驗(yàn)數(shù)據(jù),采用面向?qū)ο蠛突谙袼氐姆椒ǚ謩e進(jìn)行分類,結(jié)果證明面向?qū)ο蟮姆椒ǚ诸惥雀?Strom[4]分別利用面向?qū)ο蠛蛡鹘y(tǒng)目視解譯的方法對(duì)SPOT(Systeme Probatoire d’Observation de la Terre)影像進(jìn)行分類,結(jié)果證明面向?qū)ο蠓诸惙椒ǖ木雀哂趥鹘y(tǒng)目視解譯方法;Zhang等[5]基于最近鄰分類算法、最大似然分類算法及SVM算法,提出一種面向像斑的空間特征分類方法．陳杰等[6]在SVM算法的基礎(chǔ)上,結(jié)合粗糙集粒度的計(jì)算方法對(duì)影像進(jìn)行分類;顧海燕等[7]驗(yàn)證了隨機(jī)森林算法在運(yùn)行速度和分類準(zhǔn)確性上有明顯優(yōu)勢(shì)．

不同特色經(jīng)濟(jì)作物的生長(zhǎng)發(fā)育與氣候、地形、土壤等自然環(huán)境條件密切相關(guān),在不同自然環(huán)境條件下的特色經(jīng)濟(jì)作物產(chǎn)量及品質(zhì)有明顯差異,因此如何根據(jù)各地區(qū)的自然條件,研究區(qū)域特色經(jīng)濟(jì)作物用地布局,因地制宜地發(fā)展特色經(jīng)濟(jì)作物,實(shí)現(xiàn)區(qū)域土地資源合理利用具有重要意義．傳統(tǒng)的土地適宜性評(píng)價(jià)方法計(jì)算和處理效率低而且精度差,利用GIS(Geographic Information Systems,地理信息系統(tǒng))技術(shù)進(jìn)行土地適宜性評(píng)價(jià),不僅可以將評(píng)價(jià)單元的空間數(shù)據(jù)與評(píng)價(jià)指標(biāo)數(shù)據(jù)結(jié)合起來,還可對(duì)這些數(shù)據(jù)進(jìn)行分析和處理,從而提高土地適宜性評(píng)價(jià)的效率和精度．龔珍等[8]、吳波等[9]分別使用GIS技術(shù)在我國(guó)不同地區(qū)針對(duì)茶樹、蘋果樹等多種不同品種的植物進(jìn)行了農(nóng)業(yè)氣候適宜性區(qū)劃研究;賈艷紅等[10]以立地條件和土壤性狀中海拔、土壤質(zhì)地等6個(gè)因子為指標(biāo),建立了羅漢果種植的土地適宜性評(píng)價(jià)體系,借助層次分析法確定評(píng)價(jià)因子權(quán)重等級(jí)標(biāo)準(zhǔn),劃分土地適宜性等級(jí),并利用GIS技術(shù)實(shí)現(xiàn)了桂林市羅漢果種植土地適宜性綜合評(píng)價(jià)．

本文基于Sentinel-2影像數(shù)據(jù),以河北省張家口市沽源縣為研究區(qū),選擇胡蘿卜、西藍(lán)花、玉米、馬鈴薯、油麥菜、生菜、白菜、野燕麥這8類研究區(qū)內(nèi)主要種植的農(nóng)作物,分別采用隨機(jī)森林分類、支持向量機(jī)(SVM)分類和決策樹分類方法,對(duì)研究區(qū)內(nèi)主要農(nóng)作物的分布情況進(jìn)行遙感分類,并將不同方法獲得的研究區(qū)內(nèi)農(nóng)作物分類精度進(jìn)行對(duì)比．通過遙感技術(shù)分析研究區(qū)內(nèi)主要農(nóng)作物的種植情況,從土地和氣候兩個(gè)方面分析河北省張家口市沽源縣主要農(nóng)作物的生長(zhǎng)適宜性,為政府相關(guān)部門了解農(nóng)作物種植情況提供輔助信息,同時(shí)為進(jìn)一步科學(xué)規(guī)劃農(nóng)作物種植結(jié)構(gòu)提供參考．

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

河北省張家口市沽源縣位于河北省西北部壩上地區(qū),與內(nèi)蒙古自治區(qū)接壤．全縣地勢(shì)南高北低、東高西低,平均海拔1 536 m,其中北部、西部為波狀高原,東部為低山丘陵,南部為中低山地,全縣總土地面積為3 654 km2,耕地面積15.5萬hm2．沽源縣“冬無嚴(yán)寒、夏無酷熱”,為冷溫帶半干旱大陸性季風(fēng)氣候[11],年平均氣溫1.4 ℃,≥10 ℃積溫1 900 ℃左右,年平均降水量409.9 mm,年蒸發(fā)量1 787.5 mm[12]．土壤類型有灰色森林土、栗鈣土、草甸土、沼澤土、鹽土,其中栗鈣土為主要類型,占全縣土壤分布面積的88%．植被類型為干草原稀樹草原,主要由耐寒旱生多年生草本植物組成．森林覆蓋率為35.64%,有楊、榆、樺、落葉松和云杉,部分地帶有杞柳、水策棠梨、枸杞等;糧食作物有小麥、莜麥、馬鈴薯等;經(jīng)濟(jì)作物有胡麻;蓄牧業(yè)主要發(fā)展大牲畜,馬、牛的頭數(shù)逐年增加,沽源牧場(chǎng)是河北省3大牧場(chǎng)之一．

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1 Sentinel-2 影像

哨兵2號(hào)(Sentinel-2)數(shù)據(jù)是歐洲“哥白尼計(jì)劃”的重要組成部分．Sentinel-2衛(wèi)星搭載的MSI成像儀能夠覆蓋13個(gè)光譜波段,幅寬為290 km,空間分辨率分別為10 m(4個(gè)波段)、20 m(6個(gè)波段)、60 m(3個(gè)波段)．在紅邊范圍內(nèi)有3個(gè)波段,可以有效監(jiān)測(cè)植被健康信息,也能夠用于森林監(jiān)測(cè)、氣候變化、土地利用變化、產(chǎn)量預(yù)測(cè)、山體滑坡等應(yīng)用,極大地提高了陸地監(jiān)測(cè)水平．在光學(xué)數(shù)據(jù)中,Sentinel-2數(shù)據(jù)是唯一一個(gè)在紅邊范圍含有3個(gè)波段的數(shù)據(jù),這對(duì)監(jiān)測(cè)植被健康信息非常有效．本文使用的Sentinel-2多光譜數(shù)據(jù)下載自歐空局(European Space Agency,ESA)數(shù)據(jù)中心(https：//scihub.copernicus.eu/dhus/),為表觀反射率數(shù)據(jù),對(duì)該數(shù)據(jù)的預(yù)處理過程如下：

1) 輻射定標(biāo)和大氣校正：使用SNAP(Sentinels Application Platform)軟件中的Sen2Cor插件對(duì)Sentinel-2數(shù)據(jù)完成輻射定標(biāo)和大氣校正,得到地表反射率數(shù)據(jù),采用雙線性內(nèi)插法將所有波段的分辨率重采樣為10 m,最后將校正結(jié)果轉(zhuǎn)換為ENVI格式．

2) 波段合成經(jīng)SNAP軟件輸出的ENVI(The Environment for Visualizing Images)格式Sentinel-2影像數(shù)據(jù)存儲(chǔ)結(jié)果為一個(gè)波段對(duì)應(yīng)一個(gè)圖像,本文采用波段合成工具將其順序調(diào)整后合成多波段圖像,同時(shí)將坐標(biāo)系設(shè)置為UTM(Universal Transverse Mercator Projection-通用橫軸墨卡托投影)投影,基準(zhǔn)面為WGS(World Geodetic System,世界大地坐標(biāo)系)-84．

3) 圖像鑲嵌和裁剪：圖像裁剪實(shí)驗(yàn)區(qū)所使用的Sentinel-2影像數(shù)據(jù)單景即可覆蓋,本文通過河北省張家口市沽源縣矢量數(shù)據(jù)在GIS軟件中對(duì)所使用的Sentinel-2數(shù)據(jù)進(jìn)行批量裁剪,由此得到實(shí)驗(yàn)區(qū)影像．

1.2.2 野外調(diào)查數(shù)據(jù)

為保證利用遙感影像進(jìn)行數(shù)據(jù)標(biāo)注的準(zhǔn)確性,本文對(duì)研究區(qū)展開野外實(shí)地?cái)?shù)據(jù)調(diào)查,通過實(shí)地走訪和拍照記錄等方式進(jìn)行采集．根據(jù)研究區(qū)規(guī)模,為了在調(diào)查過程中使用訓(xùn)練樣本進(jìn)行更高精度、更符合實(shí)際情況的分類,記錄了實(shí)地調(diào)查樣本點(diǎn)的經(jīng)、緯度,對(duì)實(shí)測(cè)樣點(diǎn)的農(nóng)作物進(jìn)行拍照留檔,以期更加準(zhǔn)確地把握各類主要農(nóng)作物的特征．采樣過程利用手持GPS(Global Positioning System,全球定位系統(tǒng))設(shè)備記錄采樣點(diǎn)位置信息,同時(shí)將采樣點(diǎn)在奧維地圖衛(wèi)星影像數(shù)據(jù)中打點(diǎn)標(biāo)記,以采樣點(diǎn)編號(hào)進(jìn)行備注．將樣本數(shù)據(jù)按照1.5∶1的比例隨機(jī)分為訓(xùn)練樣本數(shù)據(jù)集和驗(yàn)證樣本數(shù)據(jù)集(圖1)．

圖1 河北省張家口市沽源縣作物樣本點(diǎn)分布圖

2 研究方法

2.1 遙感影像分類算法

2.1.1 支持向量機(jī)法

支持向量機(jī)在線性可分的多特征空間中計(jì)算出最優(yōu)超平面,該平面在將被分類樣本正確分開的同時(shí)使分類間隔最大化[13]．通過SVM中軟間隔概念,將需要分類的樣本通過引入核函數(shù)映射到高維空間中,同時(shí)將解平面由線性擴(kuò)展為非線性并求得最優(yōu)分類超平面[14-15],能夠有效地解決農(nóng)作物分類中的線性不可分問題,減少運(yùn)算量,使SVM更加實(shí)用化．SVM算法通過選擇恰當(dāng)?shù)暮瘮?shù)子集、合適的對(duì)應(yīng)子集的判別函數(shù),依據(jù)有限樣本構(gòu)建最佳模型,使機(jī)器學(xué)習(xí)的實(shí)際風(fēng)險(xiǎn)降到最低．SVM分類器采用二次規(guī)劃尋找最優(yōu)解,利用核函數(shù),即使面對(duì)高維特征也可獲得較好的結(jié)果,有利于解決非線性分類問題．

SVM可以表示為二次優(yōu)化問題,公式為：

(1)

(2)

(3)

在SVM分類器中,核函數(shù)的選擇十分關(guān)鍵,常用的核函數(shù)包括4種[16],其中高斯徑向基核函數(shù)能夠有效解決線性不可分問題,應(yīng)用較為普遍[17-18],因此本文選用高斯徑向基核函數(shù)進(jìn)行農(nóng)作物分類．

2.1.2 決策樹法

決策樹法適合對(duì)無序、無規(guī)則的多種空間數(shù)據(jù)通過尋找內(nèi)部暗藏規(guī)律進(jìn)行分類．在決策樹模型使用中需要考慮算法特性．決策樹模型的優(yōu)點(diǎn)：① 淺層的(Shallow)決策樹視覺上非常直觀,而且容易解釋;② 對(duì)數(shù)據(jù)結(jié)構(gòu)和分布不需作任何假設(shè);③ 可以捕捉住變量間的相互作用(Interaction)．但是,決策樹法也存在深層視覺上和解釋上比較困難、容易過分微調(diào)樣本數(shù)據(jù)而失去穩(wěn)定性和抗震蕩性、對(duì)樣本量(Sample Size)需求比較大和處理缺失值功能非常有限等缺陷．

2.1.3 隨機(jī)森林法

隨機(jī)森林(Random Forest,RF)是一種特殊的套袋算法,本質(zhì)是決策樹法的改進(jìn)．該算法特性良好,相對(duì)于單棵決策樹而言泛化能力更強(qiáng)、穩(wěn)定性更高,運(yùn)算速度較快且魯棒性較好,能夠避免因單棵決策樹引起的過擬合現(xiàn)象,在小樣本容量情況下依舊能夠保持較好的穩(wěn)定性,具備良好的抗噪能力,容易實(shí)現(xiàn),分類效果較好,在農(nóng)作物種植信息提取應(yīng)用中優(yōu)勢(shì)明顯．在隨機(jī)森林分類算法模型構(gòu)建過程中,特征變量數(shù)量m和決策樹數(shù)量n為需要設(shè)置的參數(shù),應(yīng)用不同其取值不同,計(jì)算公式為：

Model=RF_train(Index,Value)

(4)

Result=RF_class(Index,Value)

(5)

式(4)-式(5)中,Model為RF建立的模型,Index為RF輸入變量的數(shù)據(jù)集,Value為分類結(jié)果隸屬的代表數(shù)值,Result是RF的分類結(jié)果．

2.2 層次分析法

層次分析法是一種多層次權(quán)重分析決策方法[19],被廣泛應(yīng)用于農(nóng)作物適宜性評(píng)價(jià)．層次分析方法是將復(fù)雜問題先看作一個(gè)系統(tǒng),然后對(duì)其各組成要素進(jìn)行兩兩分析,合并層次形成各組成要素間有序的層次,進(jìn)而形成有序的層次模型[20]．然后,根據(jù)層次間的重要性對(duì)每一個(gè)層次因素給出判斷矩陣,求出每一層次全部要素的相對(duì)權(quán)值,就會(huì)得到最終每個(gè)因子的權(quán)重值,否則繼續(xù)進(jìn)行層次劃分[21]．層次分析是一種決策分析方法,也是一個(gè)量化過程,根據(jù)各因素之間的比較和計(jì)算可以得出相應(yīng)的決策方案,這些方案可以被選為最佳方案或作為被選為最佳方案的依據(jù)．

3 基于Sentinel-2數(shù)據(jù)的農(nóng)作物分類

3.1 基于Sentinel-2影像植被指數(shù)數(shù)據(jù)提取

利用多時(shí)相的Sentinel-2影像提取光譜特征、分割特征、顏色特征及紋理特征,構(gòu)建特征數(shù)據(jù)集,這些特征可以將土地覆蓋類型的光譜與空間信息進(jìn)行有效地結(jié)合,從而極大地提高遙感影像中農(nóng)作物的識(shí)別能力和準(zhǔn)確性,改善作物制圖的準(zhǔn)確率．

植被指數(shù)由衛(wèi)星影像數(shù)據(jù)不同波段組合而得,將光譜信息壓縮為一個(gè)通道,能夠反映地表植被的生長(zhǎng)狀況[22-23]．多種植被指數(shù),如歸一化建筑指數(shù)、歸一化水體指數(shù)、歸一化差值紅邊指數(shù)、簡(jiǎn)單比值指數(shù)和紅邊葉綠素指數(shù)已經(jīng)被廣泛應(yīng)用于植被分類[24-25]、干旱監(jiān)測(cè)[26]、全球與區(qū)域土地覆蓋[27-28]、農(nóng)作物識(shí)別[29-31]、作物和牧草估產(chǎn)等領(lǐng)域的研究中．紅邊是描述植物色素、健康狀況的重要指示波段,能夠有效地應(yīng)用于參數(shù)計(jì)算、植被狀態(tài)監(jiān)測(cè)等領(lǐng)域．

已有研究發(fā)現(xiàn),紅邊信息能夠用來有效地區(qū)分地物類別．目前,幾十種植被指數(shù)已被定義,對(duì)不同地物的敏感性也具有差異．其中,歸一化差分植被指數(shù)(Normalized Difference Vegetation Index,NDVI)在農(nóng)作物提取和監(jiān)測(cè)中應(yīng)用較為廣泛．考慮到Sentinel-2影像的波段特點(diǎn),本文除NDVI植被指數(shù)外,選取了歸一化建筑指數(shù)(Normalized Difference Building Index,NDBI)、歸一化水體指數(shù)(Normalized Difference Water Index,NDWI)、歸一化差值紅邊指數(shù)(Normalized Difference Red Edge Index,NDRE1)[34]、簡(jiǎn)單比值指數(shù)(Simple Ratio Index,SRre)[35]和紅邊葉綠素指數(shù)(Red-Edge Chlorophyll Index,CIred-edge)共同作為指數(shù)特征進(jìn)行研究,各植被指數(shù)的計(jì)算公式見表1．

表1 植被指數(shù)及計(jì)算公式

3.2 主要農(nóng)作物分類精度評(píng)價(jià)

3.2.1 精度評(píng)價(jià)標(biāo)準(zhǔn)

通過計(jì)算混淆矩陣來獲取各分類方案在不同分類器下農(nóng)作物分類結(jié)果的精度．混淆矩陣是衡量不同分類器分類精度最直觀、最便捷的方式．本文主要利用總體精度和Kappa系數(shù)這2個(gè)評(píng)價(jià)指標(biāo)來分析各方案及算法的農(nóng)作物分類精度．

進(jìn)行常規(guī)健康教育，健康教育6 個(gè)月后，對(duì)病人集體進(jìn)行1次 60 min的骨質(zhì)疏松預(yù)防知識(shí)講解，同時(shí)為每例病人免費(fèi)提供1本 2 型糖尿病病人骨質(zhì)疏松預(yù)防小冊(cè)。

總體精度(Overall Accuracy,OA)為被正確分類的樣本個(gè)數(shù)占樣本總數(shù)的比例,其計(jì)算公式為：

(6)

式(6)中,OA為總體精度;N為樣本總數(shù);r為分類類別總個(gè)數(shù);i為第j類地物被正確分類的樣本個(gè)數(shù)．

Kappa系數(shù)計(jì)算公式為：

(7)

式(7)中,N為樣本點(diǎn)像元總數(shù);xi+和x+i分別為第i列、第i行的和;xii為主對(duì)角線上的值．

3.2.2 精度評(píng)價(jià)

本研究所選用的分割方法為棋盤分割(Chess Board),以3個(gè)像素格為單位作為一個(gè)棋盤格,一個(gè)像素格面積為900 m2．為了比較農(nóng)作物分類過程中支持向量機(jī)(SVM)、決策樹、隨機(jī)森林(RF)3種分類器的分類精度,優(yōu)選出適合地形復(fù)雜地區(qū)農(nóng)作物的分類算法,通過野外實(shí)地調(diào)查獲取驗(yàn)證數(shù)據(jù),采用建立混淆矩陣的方法對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證．

具體評(píng)價(jià)指標(biāo)為總體分類精度(OA)和Kappa系數(shù),其中總體精度是正確分類像元數(shù)占參與分類總像元數(shù)比例的表征;Kappa系數(shù)則用來度量分類結(jié)果與實(shí)際數(shù)據(jù)的一致性,分類結(jié)果評(píng)價(jià)精度見表2．

表2 分類結(jié)果評(píng)價(jià)精度

3.3 基于Sentinel-2影像農(nóng)作物分類結(jié)果分析

根據(jù)支持向量機(jī)(SVM)分類、決策樹分類、隨機(jī)森林(RF)分類算法的分類結(jié)果(表3),可以看出所有分類方法中只有決策樹分類法未識(shí)別出西藍(lán)花,其余方法中SVM分類法提取的作物面積最?。?/p>

表3 不同分類結(jié)果的各農(nóng)作物種植面積

3.4 干預(yù)后隨機(jī)森林分類結(jié)果

將隨機(jī)森林分類法得到的結(jié)果進(jìn)行人為干預(yù)后得到研究區(qū)主要農(nóng)作物分布情況(圖2)．從圖2中可以看出,8種農(nóng)作物廣泛分布在研究區(qū)內(nèi)．經(jīng)分析發(fā)現(xiàn),研究區(qū)內(nèi)主要農(nóng)作物分布整體呈鑲嵌結(jié)構(gòu),結(jié)合表3中各農(nóng)作物的種植面積分析可知,在干預(yù)后隨機(jī)森林分類法得到的研究區(qū)主要農(nóng)作物分類中,白菜的種植面積最大,約為471.11 km2,廣泛分布于研究區(qū)全區(qū);油麥菜種植面積其次,約為451.12 km2,接著從大到小依次為玉米、野燕麥、生菜、馬鈴薯、胡蘿卜、西藍(lán)花;其中種植面積最小的是西藍(lán)花,約為47.58 km2(圖2)．

圖2 干預(yù)后隨機(jī)森林分類主要農(nóng)作物提取分布情況

4 種植區(qū)域土地適宜性評(píng)價(jià)

4.1 種植區(qū)域土地適宜性指標(biāo)體系結(jié)構(gòu)及權(quán)重確定

作物經(jīng)濟(jì)性評(píng)價(jià)理論認(rèn)為,作物在其區(qū)域能否正常生長(zhǎng)及取得多大的經(jīng)濟(jì)效益取決于3個(gè)因素：① 作物生長(zhǎng)所處的自然物理環(huán)境,包括氣候條件、地形地貌、土壤質(zhì)量等．② 作物生長(zhǎng)的社會(huì)條件,包括基礎(chǔ)設(shè)施情況、人文環(huán)境等．③ 作物本身對(duì)經(jīng)濟(jì)適宜性評(píng)價(jià)的影響,包括葉綠素含量、水分含量、有效氮含量等．這3個(gè)因素決定了物種的地理空間分布,本文也正是基于這個(gè)理論來進(jìn)行作物種植經(jīng)濟(jì)適宜性評(píng)價(jià)研究．

河北省張家口市沽源縣2012年土地變更調(diào)查耕地面積為1 319 km2,主要農(nóng)作物有燕麥、馬鈴薯、亞麻、雜豆、蔬菜等,是華北最大的脫毒薯基地．根據(jù)鄉(xiāng)鎮(zhèn)種植意向調(diào)查資料顯示,蔬菜、莜麥、甜菜、玉米、雜豆等農(nóng)作物種植面積增長(zhǎng),零星種植的馬鈴薯、小麥、油料等種植面積有所下降．研究中考慮到評(píng)價(jià)因子的相關(guān)性、穩(wěn)定性及各因子數(shù)據(jù)的可獲得性,選取海拔、坡度、坡向、土壤類型及土壤侵蝕度作為研究區(qū)主要農(nóng)作物種植土地適宜性評(píng)價(jià)因子．采用層次分析法(Analytic Hierarchy Process,簡(jiǎn)稱AHP)來確定各評(píng)價(jià)因子的權(quán)重(表4)．

表4 種植區(qū)域土地適宜性評(píng)價(jià)指標(biāo)及權(quán)重

4.2 種植區(qū)域土地適宜性分級(jí)結(jié)果分析

根據(jù)河北省張家口市沽源縣主要農(nóng)作物種植生態(tài)適宜性指標(biāo)體系,將土壤侵蝕度和土壤類型作為土壤要素因子;并將海拔、坡度和坡向3個(gè)地形指標(biāo)綜合為地形要素因子．參照以往的研究,根據(jù)層次分析法(AHP)的具體步驟,利用和積法對(duì)判斷矩陣進(jìn)行歸一化和正規(guī)化處理,確定各評(píng)價(jià)因子權(quán)重[32],并對(duì)各因子的影響程度進(jìn)行分級(jí)．按照自然分?jǐn)喾?劃分為3類土地適宜性等級(jí)[33]．根據(jù)《土地評(píng)價(jià)綱要》中對(duì)特定用途土地適宜性程度評(píng)價(jià)等級(jí)劃分要求及河北省張家口市沽源縣主要農(nóng)作物種植的自然條件,將土地適宜性分為適宜、中度適宜和不適宜3個(gè)等級(jí)(表5)．

表5 主要農(nóng)作物種植區(qū)域土地適宜性分級(jí)指標(biāo)

4.3 種植區(qū)域土地適宜性評(píng)價(jià)

利用GIS層次分析法與土地適宜性分級(jí)指標(biāo)進(jìn)行評(píng)估,獲得河北省張家口市沽源縣主要農(nóng)作物種植土地綜合適宜性等級(jí)分布圖(圖3)．由圖3分析可知,研究區(qū)內(nèi)中度適宜種植當(dāng)?shù)刂饕r(nóng)作物的用地面積最大,其次是適宜種植面積,不適宜種植地區(qū)的面積最?。畯恼w上看,河北省張家口市沽源縣適宜和中度適宜種植用地均勻分布在研究區(qū)內(nèi),不太適宜種植用地主要分布在沽源縣白土窯鄉(xiāng)、西辛營(yíng)鄉(xiāng)、西坡、閃電河鄉(xiāng)等地區(qū)．由此分析,對(duì)于沽源縣主要農(nóng)作物種植中度適宜地區(qū),建議培肥地力,提升該區(qū)域的土地質(zhì)量;在不適宜地區(qū)發(fā)展其他產(chǎn)業(yè),更加合理地規(guī)劃利用土地;在種植適宜區(qū)應(yīng)完善現(xiàn)有種植園,創(chuàng)新種植技術(shù)和生產(chǎn)模式,促進(jìn)當(dāng)?shù)禺a(chǎn)業(yè)發(fā)展(圖3)．

圖3 區(qū)域種植土地綜合適宜性等級(jí)分布圖

5 結(jié)論

5.1 研究區(qū)內(nèi)農(nóng)作物種植信息

以Sentinel-2提取的NDV,NDBI,NDWI,NDRE1,SRre,CIred-edge數(shù)據(jù)及組合為分類特征,分別采用SVM分類法、決策樹分類法、隨機(jī)森林分類法提取研究區(qū)內(nèi)農(nóng)作物種植信息．結(jié)果表明,隨機(jī)森林分類法對(duì)研究區(qū)內(nèi)8種主要農(nóng)作物進(jìn)行分類的精度最高,其總體準(zhǔn)確率為65.10%,Kappa系數(shù)為0.587 1．

5.2 研究區(qū)內(nèi)主要農(nóng)作物分布情況

將隨機(jī)森林分類法得到的結(jié)果進(jìn)行人為干預(yù)后得到研究區(qū)主要農(nóng)作物分布情況,發(fā)現(xiàn)8種農(nóng)作物廣泛分布在研究區(qū)內(nèi),整體呈鑲嵌結(jié)構(gòu),其中馬鈴薯種植面積最大,約為22 728 hm2,廣泛分布于研究區(qū)全區(qū);生菜種植面積其次,約為21 565 hm2,接著從大到小依次為野燕麥、玉米、油麥菜、白菜、西藍(lán)花,其中野燕麥和玉米主要分布在沽源縣的中部和西部地區(qū),有較少部分分布于以“塞北管理區(qū)—豐源店”為界的東部地區(qū);種植面積最小的是胡蘿卜,約6 826 hm2,最集中區(qū)域在沽源縣南部,在東北邊遠(yuǎn)地區(qū)種植較少．

5.3 研究區(qū)主要農(nóng)作物種植區(qū)域土地綜合適宜性等級(jí)

利用GIS加權(quán)疊加法與土地適宜性分級(jí)指標(biāo)進(jìn)行評(píng)估,獲得沽源縣主要農(nóng)作物種植土地綜合適宜性等級(jí),發(fā)現(xiàn)研究區(qū)內(nèi)中度適宜種植當(dāng)?shù)刂饕r(nóng)作物的用地面積最大,其次是適宜種植面積,不適宜種植地區(qū)的面積最?。畯恼w上看,河北省張家口市沽源縣適宜和中度適宜種植用地均勻分布在研究區(qū)內(nèi)．