謝國雪 黃啟廳 楊紹鍔 覃澤林 劉麗輝 鄧鐵軍

摘要：【目的】利用多源中高分影像探索廣西富川縣柑橘種植地塊尺度遙感監(jiān)測方法，為實(shí)現(xiàn)全區(qū)柑橘信息精準(zhǔn)監(jiān)測提供技術(shù)參考?！痉椒ā恳愿叻直媛视跋窈投{(diào)數(shù)據(jù)為基底，更新圖斑形態(tài)邊界，生成完整且穩(wěn)定的地塊數(shù)據(jù);分別面向農(nóng)作物、果園、林地地塊對象，綜合中高分影像光譜信息、紋理信息及時間序列影像特征，利用支持向量機(jī)分類器迭代識別柑橘信息;基于DEM計(jì)算柑橘地塊實(shí)際面積。【結(jié)果】通過分析不同地物影像特征曲線發(fā)現(xiàn)，傳統(tǒng)指數(shù)NDVI（1、4、12月）、RVI（9—12月）、LSWI（1、10和12月）及紅邊指數(shù)NDRE1（1—2月、10—12月）、MTCI（1、2、10和12月）、PSSRa（9—12月）、MCARI2（1月、9—12月）對于識別柑橘作物具有敏感性。本研究提取柑橘信息精度為93.4%，比前人柑橘作物提取成果精度更高、尺度更精細(xì)。研究區(qū)柑橘地塊種植于坡地面積占20.26%，在DEM支持下計(jì)算柑橘種植總面積為18643.15 ha，比采用投影面積測量方法增加148.49 ha，一定程度上消除地形對面積統(tǒng)計(jì)的影響。提取結(jié)果表明富川縣柑橘主要集中在麥嶺鎮(zhèn)、富陽鎮(zhèn)、葛坡鎮(zhèn)、福利鎮(zhèn)、朝東鎮(zhèn)等，而蓮山鎮(zhèn)、白沙鎮(zhèn)、古城鎮(zhèn)種植柑橘較少?！窘ㄗh】為解決廣西立地條件的難題，建議以低頻高分影像更新地塊邊界，在地塊數(shù)據(jù)基礎(chǔ)上綜合利用多星多時相中高分影像（尤其具有紅邊波段影像）提取作物信息，針對地形起伏較大區(qū)域，建議采用高精度DEM計(jì)算作物面積。

關(guān)鍵詞： 遙感;柑橘;地塊信息;監(jiān)測;富川縣

中圖分類號： S127? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼： A 文章編號：2095-1191（2021）12-3454-09

Extraction of citrus planting plots based on

medium-high different images

XIE Guo-xue1， HUANG Qi-ting1， YANG Shao-e1， QIN Ze-lin1， LIU Li-hui2， DENG Tie-jun2*

（1Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning? 530007， China; 2Institute of Plant Protection， Guangxi Academy of Agricultural Sciences，

Nanning? 530007， China）

Abstract：【Objective】Using multi-source medium and high score images to explore the remote sensing monitoring method of citrus planting plots in Fuchuan， Guangxi， and provide technical reference for the realization of accurate monitoring of citrus plot information in the whole region. 【Method】Based on high-resolution images and two-tone data， the morphological boundary of the patch was updated to generate complete and stable plot data. For crops， orchards， and woodland plot objects， the spectral information， texture information， time series image features of the mid-high score ima-ge were integrated， and the support vector machine classifier was used to iteratively identify the citrus information. DEM was calculated based on a true citrus land area. 【Result】Analysis of the characteristic curve indicated that the traditional indexes NDVI（January， April， and December）， RVI （September to December）， LSWI（January， October， and December） and the red edge indexes NDRE1（January to February， October to December）， MTCI （January， February， October， and December）， PSSRa （September to December）， MCARI2 （January， September to December） were sensitive to the identification of citrus crops. The accuracy of extracting citrus information in this study was 93.4%， which was higher than the existing citrus crop extraction results and had a finer scale. The citrus plot in the study area accounted for 20.26% of the sloping land area. Under the action of DEM， the citrus planting area was calculated to be 18643.15 ha， which was an increase of 148.49 ha compared with the projection area measurement method. To a certain extent， the influence of terrain on area statistics was eliminated. The extraction results showed that the citrus in Fuchuan County were mainly concentrated in the towns of Mailing， Fuyang， Gepo， Fuli， Chaodong， while the towns of Lianshan， Baisha and Gucheng had less citrus planting. 【Suggestion】In order to solve the problem of site conditions in Guangxi， it is recommended to update the plot boundaries with low-frequency and high-resolution images， and comprehensively use multi-star and multi-temporal mid- and high-resolution images （especially images with red edge bands） to extract crop information based on the plot data. For areas with large terrain fluctuations， it is recommended to use high-precision DEM to calculate the crop area.

Key words： remote sensing; citrus; plot information; monitoring; Fuchuan County

Foundation item：Guangxi Innovation Driven Development Project（Guike AA20108003，Guike AA18118046）;Chinese Academy of Agricultural Sciences and Guangxi Academy of Agricultural Sciences Collaborative Innovation Project（XTCX2019026-2）;Science Development Fund of Guangxi Academy of Agricultural Sciences（Guinongke 2020YM82）

0 引言

【研究意義】廣西是我國種植柑橘面積及產(chǎn)量最多的?。▍^(qū)）（汪燁，2020）。據(jù)統(tǒng)計(jì)，2018年柑橘產(chǎn)值突破1000億元，成為廣西第二個產(chǎn)值破千億的產(chǎn)業(yè)。2019年廣西柑橘種植面積達(dá)50.67萬ha，產(chǎn)量超過1000萬t，占全國產(chǎn)量的三分之一以上（趙丹等，2019）。柑橘產(chǎn)業(yè)是廣西重要的特色產(chǎn)業(yè)之一，是脫貧致富的支柱產(chǎn)業(yè)，快速、準(zhǔn)確地監(jiān)測廣西柑橘種植面積，掌握空間分布情況，對于柑橘產(chǎn)業(yè)規(guī)劃發(fā)展及提升產(chǎn)業(yè)競爭力極其重要。傳統(tǒng)逐級統(tǒng)計(jì)上報方法調(diào)查柑橘信息，存在時效性差、面積統(tǒng)計(jì)誤差大、分布情況不直觀等問題，已不適應(yīng)現(xiàn)代化產(chǎn)業(yè)發(fā)展需求。遙感技術(shù)具有客觀、高效和低耗等優(yōu)勢，在大區(qū)域農(nóng)業(yè)資源調(diào)查、病蟲害監(jiān)測、農(nóng)業(yè)干旱、長勢及產(chǎn)量評估等方面已得到廣泛應(yīng)用。因此，研究柑橘作物遙感監(jiān)測技術(shù)，實(shí)現(xiàn)大范圍柑橘種植信息準(zhǔn)確提取，對于掌握廣西柑橘種植面積及產(chǎn)業(yè)規(guī)劃發(fā)展具有重要意義?！厩叭搜芯窟M(jìn)展】當(dāng)前，利用遙感影像提取柑橘種植信息研究已取得一定成效。胡佩敏等（2014）綜合利用環(huán)境星和TERRA星監(jiān)測宜都市柑橘空間分布;李恒凱等（2017）基于EO-1Hyperion高光譜影像提取江西會昌縣柑橘信息;陳優(yōu)良等（2017a，2017b）采用Landsat TM/OLI遙感影像監(jiān)測贛州市尋烏縣、信豐縣柑橘果園動態(tài)變化情況;胡錦景（2018）、徐晗澤宇等（2018）利用Landsat衛(wèi)星數(shù)據(jù)監(jiān)測贛南柑橘園空間分布信息;文超和陸琴（2019）基于Landsat、MODSI多時相NDVI提取江西省南豐縣柑橘園;鐘琪（2020）利用Landsat-8 OLI開展南豐縣柑橘果園擴(kuò)張動態(tài)監(jiān)測。隨著衛(wèi)星技術(shù)的發(fā)展，高分辨率影像在柑橘產(chǎn)業(yè)得到了應(yīng)用。王帥（2017）以GF-1影像為數(shù)據(jù)源，基于面向?qū)ο蠓诸惙椒ㄌ崛≮M州市尋烏縣柑橘種植面積;李明海和萬麗娟（2019）利用GF-1影像提取江西信豐縣臍橙種植面積;劉玉婷（2020）利用多時相GF-1 WFV和HJ-1A/B CCD等遙感數(shù)據(jù)，提取江西崇義縣柑橘種植面積?！颈狙芯壳腥朦c(diǎn)】前人多采用缺乏紅光波段的中低分影像開展柑橘提取，雖然一定程度上實(shí)現(xiàn)了柑橘信息的監(jiān)測，但技術(shù)方法不適用于廣西柑橘地塊提取，為解決廣西高質(zhì)量影像缺乏、地塊破碎、種植結(jié)構(gòu)復(fù)雜及識別精度低等立地條件問題，開展遙感技術(shù)監(jiān)測柑橘地塊研究。【擬解決的關(guān)鍵問題】以廣西富川縣為試驗(yàn)區(qū)，綜合利用多源中高分影像，更新土地利用地塊邊界，面向地塊對象綜合中高分影像光譜信息、傳統(tǒng)植被指數(shù)、紅邊植被指數(shù)和紋理信息，基于支持向量機(jī)分類器迭代識別柑橘信息，研究DEM支持下的實(shí)際面積統(tǒng)計(jì)方法，為開展廣西柑橘及其他作物信息識別提供技術(shù)參考。

1 數(shù)據(jù)來源與研究方法

1. 1 研究區(qū)概況

富川瑤族自治縣（以下簡稱富川縣）位于廣西東北部，由賀州市管轄，地處東經(jīng)111°05′～111°28′、北緯24°37′～25°09′，地勢北高南低，屬喀斯特地貌區(qū)，具有典型的亞熱帶季風(fēng)氣候，陽光充足，平均氣溫為19 ℃，全年高于10 ℃的活動積溫6072 ℃，雨量充沛，年降雨量1700 mm。富川縣土地資源豐富，土壤肥沃，種植的主要作物包括水稻、玉米、花生、烤煙、柑橘、柿等。富川縣是廣西柑橘主產(chǎn)區(qū)，也是丘陵區(qū)種植柑橘脫貧的典范，種植面積大且分布廣泛，品種包括臍橙、砂糖橘和沃柑等。臍橙是目前富川種植面積最大、產(chǎn)值最高的柑橘品種，入選2019年區(qū)域公共品牌榜，其品牌價值達(dá)42億元。

1. 2 數(shù)據(jù)來源

本研究涉及數(shù)據(jù)源有國產(chǎn)高分影像、哨兵二號影像、第二次全國土地調(diào)查數(shù)據(jù)（以下簡稱“二調(diào)數(shù)據(jù)”）、研究區(qū)鄉(xiāng)鎮(zhèn)邊界和外業(yè)調(diào)查解譯點(diǎn)。受多云雨天氣影響，單一衛(wèi)星影像難以滿足要求，經(jīng)查詢高分一號、資源三號和北京二號衛(wèi)星數(shù)據(jù)可形成2018年單期全覆蓋無云影像，哨兵二號多時相影像時段為2017年11月—2018年12月。高分辨率影像和二調(diào)數(shù)據(jù)主要用于更新圖斑邊界，形成地塊數(shù)據(jù);單期高分影像和多時相哨兵二號影像用于識別柑橘作物。外業(yè)調(diào)查解譯標(biāo)志共806個，柑橘解譯點(diǎn)579個、水稻47個、蔬菜41個、林地9個、其他130個，用于柑橘種植信息提取及精度驗(yàn)證提供依據(jù)。國產(chǎn)影像參數(shù)和哨兵二號影像信息分別見表1和表2。

1. 3 技術(shù)路線

綜合利用中高分影像開展柑橘種植地塊識別技術(shù)，基于DEM統(tǒng)計(jì)柑橘種植實(shí)際面積，本研究大致分為影像處理、地塊邊界更新、柑橘地塊提取和基于DEM的柑橘面積計(jì)算4個部分（圖1）。（1）通過影像處理形成標(biāo)準(zhǔn)化、高質(zhì)量的中高分影像數(shù)據(jù);（2）地塊邊界更新，即以高分影像為數(shù)據(jù)源，基于二調(diào)數(shù)據(jù)完成圖斑形態(tài)邊界更新，形成地塊數(shù)據(jù)，為開展柑橘作物識別提供數(shù)據(jù)源;（3）柑橘地塊提取為核心內(nèi)容，包括樣本庫選取、植被指數(shù)敏感性分析、樣本庫訓(xùn)練及基于地塊數(shù)據(jù)開展柑橘信息提取;（4）面向柑橘地塊基于DEM劃分柑橘平地地塊和坡地地塊，進(jìn)而統(tǒng)計(jì)柑橘種植實(shí)際面積。

1. 4 影像處理

為使影像形成統(tǒng)一的標(biāo)準(zhǔn)，開展影像預(yù)處理，分為多源高分影像處理和多時相哨兵二號影像處理。高分影像經(jīng)過預(yù)處理后形成一期覆蓋研究區(qū)的多光譜影像，分辨率為2 m，存儲格式為.tif，采用WGS_1984_UTM坐標(biāo)系，影像偏移精度要求平原區(qū)2個像元以內(nèi)，山區(qū)3個像元以內(nèi);中分影像經(jīng)過處理后形成多期包含9個波段多光譜影像，分辨率為10 m，存儲格式及坐標(biāo)與高分影像一致。

（1）多源高分影像處理。獲取國產(chǎn)高分影像高分一號、資源三號、北京二號為1級產(chǎn)品，不能直接用于作物識別，利用ERDAS 2014和ENVI 5.3完成影像處理。以0.5 m分辨率的谷歌地球影像為參考，應(yīng)用ERDAS完成全色波段影像正射校正;以處理后的全色影像為參考，進(jìn)行多光譜影像正射校正;將全色影像正射產(chǎn)品和多光譜影像正射產(chǎn)品進(jìn)行融合處理，經(jīng)重采樣輸出分辨率為2 m;利用ENVI的快速大氣處理模塊完成大氣糾正;最后完成影像鑲嵌勻色和裁剪處理，形成符合要求的高分辨率影像產(chǎn)品。

（2）多時相哨兵二號影像處理。獲取的哨兵二號影像為Level-1C產(chǎn)品，已完成正射校正和幾何精校正處理，進(jìn)一步利用歐空局研發(fā)的Sen2Cor進(jìn)行大氣校正處理，形成大氣底層反射率數(shù)據(jù);選取9個波段（Band2～Band8、Band11和Band12）進(jìn)行組合生成多光譜影像，重采樣輸出分辨率為10 m;經(jīng)過影像裁剪處理輸出11期多時相無云影像;通過坐標(biāo)轉(zhuǎn)換處理，使多時相中分影像與高分辨影像具有相同投影坐標(biāo)。

1. 5 地塊邊界更新

南方丘陵區(qū)地形起伏大、地塊破碎、種植結(jié)構(gòu)復(fù)雜，通過分割算法難以形成完整地塊對象，容易出現(xiàn)分割不足、分割過度問題。為解決上述難題，以研究區(qū)二調(diào)數(shù)據(jù)為基底，以高分辨率影像為數(shù)據(jù)源，開展地塊邊界更新。根據(jù)二調(diào)數(shù)據(jù)權(quán)屬變更地塊屬性，按照農(nóng)業(yè)用途劃分為農(nóng)作物、林地、果園、草地、水域、建設(shè)用地、道路、設(shè)施農(nóng)業(yè)和其他用地九大類，其中農(nóng)作物包括土地利用現(xiàn)狀分類中的耕地。

1. 6 柑橘地塊提取技術(shù)

光譜和紋理信息協(xié)同是提高分類精度的有效方法（張沁雨等，2019;李明明和李剛，2020）。本研究綜合使用光譜特征和紋理特征開展柑橘作物提取，即基于地塊對象以中高分影像光譜信息、傳統(tǒng)植被指數(shù)、紅邊植被指數(shù)和紋理信息，通過迭代式支持向量機(jī)分類器識別柑橘信息。

1. 7 基于DEM的柑橘面積計(jì)算

為解決丘陵區(qū)起伏較大、投影面積與實(shí)際面積存在差異等問題，本研究基于DEM統(tǒng)計(jì)柑橘面積，主要利用30 m分辨率的DEM提取坡度信息，根據(jù)坡度將柑橘地塊劃分為平地柑橘地塊（≤6°）和坡地柑橘地塊（>6°），柑橘實(shí)際面積計(jì)算公式：

S=Sp+St/cosα

式中，S為柑橘實(shí)際面積，Sp為平地柑橘地塊投影面積，St為坡地柑橘地塊投影面積，α為坡地柑橘地塊的坡度。

2 基于中高分影像的柑橘信息提取結(jié)果分析

2. 1 地塊對象優(yōu)勢分析與有效區(qū)篩選

通常種植相同作物的田塊因生長狀況不相同，以及無植株覆蓋的裸露耕地，在影像上呈現(xiàn)的紋理、光譜差異較大，利用機(jī)器自動分割算法容易形成多個對象，造成地塊分割過度或分割不足現(xiàn)象，地形起伏大、地塊破碎區(qū)域尤為明顯。本研究基于高分影像更新二調(diào)數(shù)據(jù)，形成邊界完整穩(wěn)定的地塊對象，能夠有效減少影像分割不足問題，對于提取作物更具優(yōu)勢，富川縣地塊更新邊界后按照農(nóng)業(yè)用途劃分為九大類。如圖2所示，富川縣柑橘種植面積多且分布廣泛，外業(yè)實(shí)地調(diào)查發(fā)現(xiàn)該縣柑橘主要種植于水田、旱地和坡地等，這些區(qū)域分別屬于九大地類的農(nóng)作物、林地和果園地類，以3種地類為對象開展柑橘信息提取，不僅有效減少研究范圍，也能夠使對象分層化，節(jié)約時間，更利于提高分類精度。

2. 2 敏感特征選取與時相分析

為了解哨兵二號影像對不同地物的反映，分別統(tǒng)計(jì)九大地類光譜曲線（圖3），每個地類采集樣點(diǎn)均勻分布，每個地類選取10個樣點(diǎn)計(jì)算平均值。波長705～1610 nm范圍不同地物光譜差異較大，基于有效波長選取傳統(tǒng)特征指數(shù)NDVI、RVI、LSWI和紅邊特征指數(shù)MNDWI、NDRE1、NDI45、MTCI、IRECI、PSSRa、CIred-edge、MCARI、MCARI2分析其對柑橘作物的敏感性，哨兵二號12種特征指數(shù)詳情如表3所示。

分別選取柑橘、果園（不包括柑橘）、林地、水稻和其他農(nóng)作物樣本，每類選取15個樣本計(jì)算平均值，并繪制12種影像特征曲線（圖4）。從特征曲線圖分離程度發(fā)現(xiàn)不同作物的傳統(tǒng)指數(shù)NDVI、RVI和LSWI差異較明顯，同時，紅邊指數(shù)NDRE1、MTCI、PSSRa和MCARI2用于識別柑橘作物具有優(yōu)勢，因此選用上述7種特征指數(shù)監(jiān)測柑橘。其中，2、6和11月時相的NDVI傳統(tǒng)特征指數(shù)存在多種作物混淆現(xiàn)象，不利于柑橘識別，而1、4和12月時相有利于識別柑橘作物;2—6月時相的RVI傳統(tǒng)指數(shù)容易與其他水果作物混淆，9—12月時相有利于提取柑橘信息;LSWI傳統(tǒng)指數(shù)時相在2、6、9和11月識別柑橘容易造成錯分，1、10和12月差異較大，可用于提取柑橘信息;NDRE1紅邊指數(shù)在3—9月的時相不宜用于識別柑橘，但1—2月及10—12月的時相監(jiān)測柑橘具有優(yōu)勢;3—9月的MTCI紅邊指數(shù)時相不建議用于識別柑橘信息，1、2、10和12月時相提取柑橘效果更佳;PSSRa紅邊指數(shù)在9—12月的時相有利于識別柑橘，MCARI2紅邊指數(shù)1月及9—12月的時相可用于提取柑橘信息。

2. 3 多對象的柑橘地塊迭代分類

基于地塊信息利用篩選的敏感性，構(gòu)建柑橘信息提取模型，實(shí)現(xiàn)柑橘精準(zhǔn)分類。首先，以農(nóng)作物、林地和果園矢量地塊信息為基底，以中高分影像為數(shù)據(jù)源，利用棋盤分割算法開展影像切割形成完整的地塊對象。其次，綜合外業(yè)解譯標(biāo)志點(diǎn)與高分辨率影像，選取柑橘、果園、林地、水稻和其他農(nóng)作物樣本，基于多時相中分辨率影像特征指數(shù)（NDVI、RVI、LSWI、NDRE1、MTCI、PSSRa、MCARI2）、光譜信息（Mean.Green、Mean.NIR）和單期高分辨率影像特征指數(shù)（NDVI、RVI）、紋理信息（GLCM.Mean.B5、GLCM.Dissimilarity.B6）、光譜信息（Mean.Green、Mean.NIR）訓(xùn)練樣本。第三，基于訓(xùn)練樣本，綜合利用中高分影像特征指數(shù)、光譜信息和紋理信息，應(yīng)用支持向量機(jī)分類器開展柑橘作物識別。最后，在分類結(jié)果中挑選柑橘地塊擴(kuò)充樣本迭代分類，截至柑橘作物精度檢驗(yàn)滿足要求為止。在分類過程中，將農(nóng)作物、林地和果園為獨(dú)立對象開展分類，分別迭代了3、4和3次。對象分層迭代分類與面向全部對象的分類方法不同，主要表現(xiàn)在樣本、特征指數(shù)和被分類對象3個方面。常規(guī)方法選擇一套樣本，面向全部對象建立分類規(guī)則識別作物，但本研究在分類過程根據(jù)被分類對象建立對應(yīng)的樣本，選用最優(yōu)特征指數(shù)完成分類，雖然需要分三大地類迭代執(zhí)行，但能使研究對象分層化，減少地物干擾，充分發(fā)揮特征指數(shù)優(yōu)勢，更有利提高分類精度。綜合中高分影像開展柑橘信息提取，一定程度上解決了廣西丘陵區(qū)高質(zhì)量影像不足、地塊破碎、作物識別精度低等問題，該方法適用于南方多云雨丘陵區(qū)作物識別，使用在地勢平坦、種植作物面積呈片、結(jié)構(gòu)簡單等區(qū)域更具優(yōu)勢。

2. 4 精度驗(yàn)證與DEM支持下的面積計(jì)算

為檢驗(yàn)分類精度，隨機(jī)抽取350個柑橘解譯標(biāo)志進(jìn)行精度驗(yàn)證，驗(yàn)證標(biāo)志點(diǎn)未被選為樣本，準(zhǔn)確識別為柑橘地塊327個，提取精度為93.4%。采用投影面積統(tǒng)計(jì)全縣柑橘地塊種植面積為18494.66 ha，基于DEM計(jì)算柑橘實(shí)際面積為18643.15 ha，兩者相差148.49 ha。試驗(yàn)區(qū)柑橘地塊種植于坡地面積僅占20.26%，為此利用兩種計(jì)算方法統(tǒng)計(jì)面積在數(shù)值上差異不大，但隨著監(jiān)測區(qū)范圍增多、坡度增大投影面積與實(shí)際種植面積偏差越大，同時DEM精度越高面積計(jì)算越準(zhǔn)確，為反映客觀情況基于高精度DEM計(jì)算面積具有必要性。

2. 5 研究區(qū)柑橘種植信息分析

基于地塊對象綜合使用中高分影像，利用支持向量機(jī)分類器迭代識別柑橘作物信息，成果如圖5所示。圖中顯示富川縣種植柑橘分布區(qū)域十分廣泛，整體上柑橘種植在平坦及土丘緩坡地帶，中部和東北部較為集中，西部山區(qū)不適宜種植柑橘。據(jù)統(tǒng)計(jì)，富川縣柑橘產(chǎn)區(qū)主要集中在麥嶺鎮(zhèn)、富陽鎮(zhèn)、葛坡鎮(zhèn)、福利鎮(zhèn)、朝東鎮(zhèn)等。麥嶺鎮(zhèn)柑橘種植面積占比最大，面積為3433.05 ha，占柑橘總面積的18.14%，該鎮(zhèn)除東南部種植略少，其他區(qū)域種植面積較多;富陽鎮(zhèn)種植面積僅次于麥嶺鎮(zhèn)，面積為2917.67 ha，由于西部為山脈，地勢高峻，以林地為主，柑橘主要種植在該鎮(zhèn)東部和東北部;葛坡鎮(zhèn)種植面積居第3位，為2185.58 ha，主要分布在該鎮(zhèn)的北部、南部、東南部和西南部。蓮山鎮(zhèn)、白沙鎮(zhèn)和古城鎮(zhèn)種植柑橘較少，種植面積均不足柑橘總種植面積的4%，尤其是古城鎮(zhèn)，面積僅461.54 ha，主要種植在該鎮(zhèn)的西北部和南部，其他區(qū)域零星分布。

3 討論

有關(guān)文獻(xiàn)顯示，胡佩敏等（2014）提取宜都市柑橘精度為86.1%;陳優(yōu)良等（2017b）提取2009年信豐縣柑橘精度為85.79%;李恒凱等（2017）提取江西省會昌縣柑橘信息精度為90%以上;鐘琪（2020）提取南豐縣柑橘精度為89.86%。與前人提取精度相比，本研究基于中高分影像的柑橘種植地塊提取精度為93.4%，精度較高。除精度更高外，提取對象方面也不同，一方面前人多采用基于像元分類方法，容易產(chǎn)生椒鹽現(xiàn)象;另一方面采用分割算法形成對象基礎(chǔ)上提取柑橘信息，容易出現(xiàn)分割過度或分割不足的問題，而本研究以地塊對象為基底識別柑橘信息，更有效保障地塊的完整性（覃澤林等，2017）?，F(xiàn)有研究多采用分辨率為30～250 m中低分影像，僅少量研究影像資源高于16 m，而本研究利用2 m分辨率影像完成圖斑形態(tài)邊界更新，應(yīng)用單期高分影像和多期哨兵二號影像（10 m分辨率）開展柑橘地塊識別，影像質(zhì)量更優(yōu)，提取成果尺度更精細(xì)。

除影像分辨率更高外，使用影像波段信息和特征也存在差異。胡錦景（2018）、徐晗澤宇（2018）、文超和陸琴（2019）以不同的中低分影像（HJ-1、Landsat、MODIS等）為數(shù)據(jù)源，采用NDVI、NDMI、SAVI、波段均值、亮度和紋理特征等識別柑橘信息，上述研究具有共性，即使用影像缺乏紅邊波段信息;而張沁雨等（2019）的試驗(yàn)肯定了紅邊波段有利于提高作物識別精度。本研究綜合使用國產(chǎn)高分辨影像和具有紅邊波段的哨兵二號影像為數(shù)據(jù)源，采用了傳統(tǒng)指數(shù)、紅邊指數(shù)、光譜信息和紋理信息識別作物，不僅充分發(fā)揮了高分影像對于識別地塊邊界的穩(wěn)定性，而且有效利用了紅邊波段對作物信息提取的敏感性。在分類規(guī)則上差異也較大，前人多采用一套規(guī)則面向所有對象開展柑橘提取，而本研究分別以農(nóng)作物、林地和果園為對象，建立3套樣本，基于不同特征建立分類規(guī)則。雖然本研究操作步驟更多，但能有效地將地塊對象分層化，避免多種地物造成干擾。本研究發(fā)現(xiàn)傳統(tǒng)指數(shù)NDVI、RVI、LSWI及紅邊指數(shù)NDRE1、MTCI、PSSRa、MCARI2對于識別柑橘作物具有優(yōu)勢，按照地類對象分層開展作物識別利于提高精度，對于解決廣西丘陵區(qū)影像缺乏、地塊破碎、種植結(jié)構(gòu)復(fù)雜和作物識別精度低等問題具有一定成效，為提取丘陵區(qū)柑橘等作物提供了技術(shù)參考。

本研究參考張沁雨等（2019）的經(jīng)驗(yàn)選用光譜信息Mean.Green、Mean.NIR和紋理信息GLCM.Mean.B5、GLCM.Dissimilarity.B6識別柑橘作物，未進(jìn)行光譜及紋理信息分析，有可能存在更優(yōu)指標(biāo)，下一步可選取樣本分析光譜紋理特征對于識別柑橘的敏感性。本研究采用多時相多特征指數(shù)開展柑橘作物識別，雖然能夠有效提高提取精度，但過程較為復(fù)雜，為提高方法的普適性，下一步需分析最優(yōu)時相和最優(yōu)特征指數(shù)，減少中分影像處理數(shù)量和特征計(jì)算，以提升分類效率。同時，利用30 m分辨率DEM計(jì)算柑橘面積，一定程度上與實(shí)際情況更貼切，但因分辨率較低，統(tǒng)計(jì)值與實(shí)際值存在差距，接下來的任務(wù)需要獲取高精度DEM計(jì)算柑橘面積，以提升柑橘面積與實(shí)際面積的一致性。

4 建議

4. 1 充分利用基礎(chǔ)數(shù)據(jù)開展地塊生產(chǎn)

針對南方丘陵區(qū)地形起伏大、地塊破碎等問題，使用二調(diào)數(shù)據(jù)疊加高分影像完成圖斑形態(tài)邊界更新，形成穩(wěn)定地塊對象，有效解決南方丘陵區(qū)面臨的難題。為提高地塊生產(chǎn)效率和質(zhì)量，建議充分利用第三次全國土地調(diào)查數(shù)據(jù)、第三次全國農(nóng)業(yè)普查、農(nóng)村土地確權(quán)、土地利用等基礎(chǔ)數(shù)據(jù)。雖然基礎(chǔ)數(shù)據(jù)與高分辨影像時相可能不一致，但在高精度基礎(chǔ)數(shù)據(jù)支持下，能快速完成地塊數(shù)據(jù)更新，形成具有穩(wěn)定邊界的地塊對象，改善自動分割算法切割影像出現(xiàn)分割不足或分割過度的問題，為開展作物識別提供有效數(shù)據(jù)，提高分類結(jié)果尺度。

4. 2 綜合利用多源中高分影像開展南方丘陵區(qū)作物識別

高分辨率影像不僅能反映地塊邊界，且紋理信息對于識別作物至關(guān)重要，但受衛(wèi)星重訪周期及天氣影響，高質(zhì)量高分辨率影像十分欠缺，中分辨影像可有效彌補(bǔ)不足，尤其具有紅邊波段的中分影像對于識別作物具有優(yōu)勢。建議綜合利用多時相中高分影像光譜信息、傳統(tǒng)植被指數(shù)、紅邊植被指數(shù)和紋理信息，開展南方丘陵區(qū)作物識別，解決高質(zhì)量影像不足、種植結(jié)構(gòu)復(fù)雜、作物識別精度低等難題。

4. 3 基于高精度DEM統(tǒng)計(jì)作物實(shí)際面積

地形起伏的程度越大對面積計(jì)算影響越顯著，為減少地形對作物面積測量的影響，坡度較大區(qū)域可利用高精度DEM劃分為坡地和平地地塊，進(jìn)而分別計(jì)算2種地塊面積。平地地塊采用投影面積計(jì)算，坡地地塊可利用坡度和投影面積共同完成面積計(jì)算，通過該方法計(jì)算地形起伏較大區(qū)域的面積能夠與實(shí)際情況更相符。DEM精度直接影響面積計(jì)算準(zhǔn)確性，在條件允許下可優(yōu)先使用高精度數(shù)據(jù)完成面積統(tǒng)計(jì)。

參考文獻(xiàn)：

陳優(yōu)良，胡錦景，王兆茹，連偉海. 2017a. 贛南柑橘果園面積動態(tài)變化分析——以尋烏縣為例[J]. 江西理工大學(xué)學(xué)報，38（5）：19-25. [Chen Y L，Hu J J，Wang Z R，Lian W H. 2017a. Research on dynamic changes of Gannan citrus orchard areas—A case study in Xunwu County[J]. Journal of Jiangxi University of Science and Technology，38（5）：19-25.] doi：10.13265/j.cnki.jxlgdxxb.2017.05.004.

陳優(yōu)良，胡錦景，王兆茹，王之玉. 2017b. 贛南柑橘果園面積動態(tài)變化分析——以信豐縣為例[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報，39（5）：884-894. [Chen Y L，Hu J J，Wang Z R，Wang Z Y. 2017b. An analysis of the dynamic changes in the area of orange orchard in south Jiangxi Province：A case study in Xinfeng County[J]. Acta Agriculturae Universitatis Jiangxiensis，39（5）：884-894.] doi：10.13836/j.jjau.2017114.

胡錦景. 2018. 遙感與GIS技術(shù)支持下的贛南柑橘果園面積動態(tài)變化分析——以信豐縣為例[D]. 贛州：江西理工大學(xué). [Hu J J. 2018. Analysis of RS and GIS technology under the support of Gannan citrus orchard area dynamic changes—A case study in Xinfeng County[D]. Ganzhou：Jiangxi University of Science and Technology.] doi：10. 7666/d.D01423944.

胡佩敏，李正躍，李傳仁，曹詩宏. 2014. 宜都市柑橘空間分布的遙感反演[J]. 湖北農(nóng)業(yè)科學(xué)，53（4）：795-798. [Hu P M，Li Z Y，Li C R，Cao S H. 2014. The retrieval of citrus spatial distribution in Yidu City using remote sensing[J]. Hubei Agricultural Sciences，53（4）：795-798.] doi：10.3969/ j.issn.0439-8114.2014.04.013.

李明明，李剛. 2020. 植被類型對樹輪重建賀蘭山NDVI的影響[J]. 甘肅農(nóng)業(yè)大學(xué)學(xué)報，55（5）：152-161. [Li M M，Li G. 2020. Effects of vegetation type on tree ring based NDVI reconstruction for Helan Mountains[J]. Journal of Gansu Agricultural University，55（5）：152-161.] doi：10. 13432/j.cnki.jgsau.2020.05.018.

李恒凱，歐彬，劉雨婷，邱玉寶. 2017. 基于混合像元分解的高光譜影像柑橘識別方法[J]. 遙感技術(shù)與應(yīng)用，32（4）：743-750. [Li H K，Ou B，Liu Y T，Qiu Y B. 2017. Citrus recognition methods of hyperspectral remotes sensing ima-ge based on spectral unmixing model[J]. Remotes Sen-sing Technology and Application，32（4）：743-750.] doi：10.11873/j.issn.1004-0323.2017.4.0743.

李明海，萬麗娟. 2019. 基于高分一號遙感影像臍橙種植區(qū)域面積提取[J]. 區(qū)域治理，（43）：170-172. [Li M H，Wan L J. 2019. Extraction of navel orange planting area based on GF-1 remote sensing image[J]. Regional Governance，（43）：170-172.] doi：10.3969/j.issn.2096-4595.2019.43. 057.

劉玉婷. 2020. 贛南柑橘園地信息提取及其葉綠素遙感估算研究[D]. 贛州：江西理工大學(xué). [Liu Y T. 2020. Study on the information extraction of citrus in south of Jiangxi Province and the estimation of chlorophyll by remote sensing[D]. Ganzhou：Jiangxi University of Science and Technology.]

覃澤林，謝國雪，李宇翔，蘭宗寶，蘇秋群，謝福倩，張家玫，張秀龍. 2017. 多時相高分一號影像在丘陵地區(qū)大宗農(nóng)作物提取中的應(yīng)用[J]. 南方農(nóng)業(yè)學(xué)報，48（1）：181-188. [Qin Z L，Xie G X，Li Y X，Lan Z B，Su Q Q，Xie F Q，Zhang J M，Zhang X L. 2017. Application of multi-temporal GF-1 image in extraction of staple crops in hilly region[J]. Journal of Southern Agriculture，48（1）：181-188.] doi：10.3969/j：issn.2095-1191.2017.01.181.

王帥. 2017. 基于面向?qū)ο蟮母涕兕惞中畔⑻崛》椒ㄑ芯縖D]. 贛州：江西理工大學(xué). [Wang S. 2017. Study on the information extraction method of citrus orchard based on object-oriented[D]. Ganzhou：Jiangxi University of Science and Technology.] doi：10.7666/d.D01237710.

汪燁. 2020. 柑橘產(chǎn)業(yè)助力鄉(xiāng)村振興[J]. 農(nóng)經(jīng)，（C1）：64-67. [Wang Y. 2020. Citrus industry boosts rural revitalization[J]. Agriculture Economics，（C1）：64-67.]

文超，陸琴. 2019. 南豐縣桔園空間分布信息的遙感提取[J]. 江蘇科技信息，36（11）：53-56. [Wen C，Lu Q. 2019. Remote sensing extraction of spatial distribution information of citrus garden in Nanfeng County[J]. Jiangsu Scien-ce & Technology Information，36（11）：53-56.] doi：10. 3969/j.issn.1004-7530.2019.11.014.

徐晗澤宇，劉沖，齊述華，趙國帥. 2018. 基于隨機(jī)森林算法的贛南柑橘果園遙感信息提取[J]. 江西師范大學(xué)學(xué)報（自然科學(xué)版），42（4）：434-440. [Xu H Z Y，Liu C，Qi S H，Zhao G S. 2018. The detection of citrus orchards in southern Jiangxi Province with landsat images using random forest classifier[J]. Journal of Jiangxi Normal University（Natural Science），42（4）：434-440.] doi：10.16357/j.cnki.issn1000-5862.2018.04.20.

徐涵秋. 2005. 利用改進(jìn)的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J]. 遙感學(xué)報，9（5）：589-595. [Xu H Q. 2005. A study on information extraction of water body with the modified normalized difference water index（MNDWI）[J]. Journal of Remote Sensing，9（5）：589-595.]

張沁雨，李哲，夏朝宗，陳健，彭道黎. 2019. 高分六號遙感衛(wèi)星新增波段下的樹種分類精度分析[J]. 地球信息科學(xué)學(xué)報，21（10）：1619-1628. [Zhang Q Y，Li Z，Xia C Z，Chen J，Peng D L. 2019. Tree species classification based on the new bands of GF-6 remote sensing satellite[J]. Journal of Geo-information Science，21（10）：1619-1628.] doi： 10.12082/dqxxkx.2019.190116.

趙丹，楊肖華，胡晶晶，王穎. 2019. 廣西瘋狂擴(kuò)種后，產(chǎn)業(yè)迎來拐點(diǎn)[J]. 營銷界，（31）：34-40. [Zhao D，Yang X H，Hu J J，Wang Y. 2019. After the crazy expansion of Guangxi，the industry ushered in an inflection point[J]. Marketing Industry，（31）：34-40.]

鐘琪. 2020. 南豐縣柑橘果園種植擴(kuò)張的遙感評價[D]. 南昌：江西師范大學(xué). [Zhong Q. 2020. Remote sensing eva-luation of citrus orchard planting expansion in Nanfeng Country[D]. Nanchang：Jiangxi Normal University.]

Blackburn G A. 1998. Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral Approaches[J]. Remote Sensing of Environment，66（3） ：273-285. doi：10.1016/S0034-4257（98）000 59-5.

Dash J，Curran P J.2004. MTCI：The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing，25（549）：151-161. doi：10.1109/IGARSS.2004.1369009.

Daughtry C S T，Walthall C L，Kim M S，de Colstoun E B，McMurtrey J E. 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment，74（2）：229-239. doi：10.1016/S0034-4257（00）00113-9.

Delegido J，Verrelst J，Alonso L，Moreno J. 2011. Evaluation of Sentinel-2 Red-Edge Bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors，11（7）：7063-7081. doi：10.3390/s110707063.

Gitelson A A，Keydan G P，Merzlyak M N. 2006.Three-band model for noninvasive estimation of chlorophyll，carote-noids，and anthocyanin contents in higher plant leaves[J]. Geophysical Research Letters，33（11）：1-5. doi：10. 1029/2006GL026457.

Gitelson A A，Merzlyak M N.1994. Spectral reflectance chan-ges associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology，143（3）：286-292. doi：10.1016/S0176-1617（11）81633-0.

Guyot G，Baret F. 1988. Utilisation de la haute resolution spectrale pour suivre Letat des couverts vegetaux[C]//French National Institute for Agriculture，F(xiàn)ood，and Environment（INRAE）. Proceedings of the 4th International Colloquium on Spectral Signatures of Objects in Remote Sensing：279-286.

Jordan C E. 1969. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology，50（4）：663-666. doi：10.1043/0012-9658（1969）050[0663：DOLIFQ]2.0.CO.

Rouse J W Jr，Haas R H，Schell J A，Deering D W. 1973. Monitoring vegetation systems in the Great Plains with Erts[C]//Proceedings of the Third ERTS Symposium：309-317.

Wu C Y，Niu Z，Tang Q，Huang W J. 2008. Estimating chlorophyll content from hyperspectral vegetation indices：Mo-deling and validation[J]. Agricultural and Forest Meteorology，148（8-9）：1230-1241. doi：10.1016/j.agrformet.2008. 03.005.

Xiao M M，Boles S，Liu J Y，Zhuang D F，F(xiàn)rolking S，Li C S，Salas W，Moore III B. 2005. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，95（4）：480-492. doi：10.1016/j.rse.2004.12.009.

（責(zé)任編輯 鄧慧靈）