王 琰，周亞男，汪順營

（河海大學(xué)水文水資源學(xué)院，南京 211100）

0 引 言

灌溉是提升糧食產(chǎn)量的最主要條件之一，灌溉農(nóng)業(yè)的單產(chǎn)水平是雨養(yǎng)農(nóng)業(yè)的2.5 倍[1]。此外，灌溉消耗了近80%的人類用水[2]，實際灌溉面積和灌溉空間范圍之間有著很強的不確定性，這也進(jìn)一步導(dǎo)致了在估計灌溉實際用水時的不確定性。準(zhǔn)確掌握灌溉耕地的數(shù)量和空間分布等信息，對國內(nèi)國際的糧食安全、水資源管理甚至氣候變化領(lǐng)域都有重要的現(xiàn)實意義。然而，傳統(tǒng)的灌溉數(shù)據(jù)統(tǒng)計方法通常要耗費大量的時間和人力，不僅效率不高、精度低，且可獲取的范圍有限。隨著科技的發(fā)展，遙感、GIS 等更加高效的技術(shù)手段有著覆蓋范圍大、探測周期短、成本低等優(yōu)點，已廣泛應(yīng)用于農(nóng)田地物識別研究中[2]。

在遙感提取灌溉耕地的方向上，學(xué)者們的研究大致有以下幾種方法：第一種是基于指數(shù)的方法，通過各類指數(shù)從土壤濕度、干旱程度等各方面判斷地塊是否進(jìn)行灌溉。例如Deines 等人[8]開發(fā)了兩個新的組合指數(shù)AGI 和WGI，嘗試將濕度信息和綠度指數(shù)相結(jié)合來擴大灌溉狀態(tài)的差異，在測試中該指數(shù)與傳統(tǒng)指數(shù)相比具有更高的重要性，可將該指數(shù)應(yīng)用于其他農(nóng)業(yè)地區(qū)灌溉耕地的分類。但基于指數(shù)的方法需要依賴大量的現(xiàn)有統(tǒng)計數(shù)據(jù)用于數(shù)學(xué)模型分析與驗證，對于一些缺少相關(guān)資料的地區(qū)難以使用該方法建立指數(shù)，因此該方法能夠應(yīng)用的范圍有限；第二種是基于機器學(xué)習(xí)的方法，機器學(xué)習(xí)作為一門源于人工智能和統(tǒng)計學(xué)的學(xué)科，是當(dāng)前數(shù)據(jù)分析領(lǐng)域重點研究方向之一，分類問題及其算法是機器學(xué)習(xí)的一個重要分支。如Ketchum 等人[9]建立了各類土地覆蓋的地理空間數(shù)據(jù)庫，基于谷歌地球引擎使用Landsat 衛(wèi)星圖像以及氣候、氣象、地形數(shù)據(jù)來訓(xùn)練隨機森林分類器并預(yù)測土地類型，繪制了30 m 分辨率的灌溉地圖IrrMapper。但各類別的機器學(xué)習(xí)算法都有各自擅長的領(lǐng)域和難以克服的缺陷，沒有一種算法可以解決所有問題，此外，數(shù)據(jù)降維、特征選擇等因素會對分類算法的發(fā)展產(chǎn)生很大的影響，因此在實際應(yīng)用中，應(yīng)該結(jié)合實際進(jìn)行比較和選擇適當(dāng)?shù)姆诸愃惴ㄒ赃_(dá)到更高的分類精度；第三種是空間分配的方法，Zhu 等人[10]估計出每個像素的灌溉潛力，并提出一種中國灌區(qū)的空間分配模型，將格網(wǎng)內(nèi)灌溉潛力最高的像素識別為灌溉像素，再把所有灌溉像素進(jìn)行組合以獲得整個研究區(qū)的灌溉地圖。這種空間分配的方法主要是通過構(gòu)建一定的分配規(guī)則后將像素識別為灌溉，但其中建立分配規(guī)則的依據(jù)通常是一些影響灌溉耕地空間分布的特征量，由于這些特征量過于依賴樣本數(shù)據(jù)，所以在很大程度上影響了結(jié)果的準(zhǔn)確性；還有一些其他方法，例如朱秀芳等人[11]利用降水、實際蒸散發(fā)和潛在蒸散發(fā)數(shù)據(jù)提出了雨養(yǎng)指示線的概念，以此來表征耕地受灌溉可能性的大小，為灌溉耕地制圖提供了指示意義強的灌溉特征參量。楊永民等人[12]使用水云模型實測土壤水分?jǐn)?shù)據(jù)，利用散射系數(shù)的時序變化探測灌溉信號，提取實際灌溉面積。但這種使用非遙感數(shù)據(jù)的方法所制作的地圖尺度較小，在制作大范圍灌溉地圖方面有所欠缺。

綜上所述，學(xué)者們研究所用的數(shù)據(jù)大多是中低分辨率的多源衛(wèi)星影像及氣候數(shù)據(jù)，制作的國內(nèi)外灌溉產(chǎn)品多為大尺度。然而有研究表明，以地塊為單元的農(nóng)業(yè)遙感分析更符合農(nóng)業(yè)生產(chǎn)的應(yīng)用，而傳統(tǒng)基于像元的遙感分析方法往往會受到椒鹽噪聲的干擾，使地塊的基本形態(tài)遭到破壞，因而分類精度有限，所以本文以地塊尺度展開研究是核心要點之一。此外，在耕地較為精細(xì)、破碎的農(nóng)田區(qū)域，單時相衛(wèi)星影像所做出的地圖往往達(dá)不到所需精度[13]，而時序遙感提供了大量的高質(zhì)量、連續(xù)的地表信息，也方便進(jìn)行多源數(shù)據(jù)融合和分析，所以一直是遙感研究的熱門領(lǐng)域[14]，故本文使用了2020年3-10月的Sentinel-2高分辨率時間序列影像，這在獲取連續(xù)的高質(zhì)量研究區(qū)相關(guān)地表信息方面具有一定優(yōu)勢。同時本文還運用了機器學(xué)習(xí)中的XGBoost模型進(jìn)行灌溉耕地的訓(xùn)練和預(yù)測，通過使用集成了機器學(xué)習(xí)、時序遙感、以地塊為尺度這3個特點的創(chuàng)新思路來探究該方法應(yīng)用于灌溉耕地提取的潛力，并進(jìn)行對比驗證以證明該方法的必要性。經(jīng)驗證，本文的方法可實際應(yīng)用于灌溉耕地的調(diào)查與監(jiān)測，同時為該方向后續(xù)的研究提供了參考。

1 研究區(qū)和試驗數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)是一個以南普拉特河為主要水源的農(nóng)業(yè)灌溉集中區(qū)，有良好的灌溉數(shù)據(jù)基礎(chǔ)，它位于美國科羅拉多州東北部，這里氣候溫和干燥，年平均溫度在10～20 ℃左右，以丘陵為主，主要農(nóng)作物有玉米、小麥等。這里的農(nóng)田大部分依靠灌溉，灌溉系統(tǒng)主要通過地下水和河流水源來進(jìn)行，常用的灌溉方法包括噴灌、滴灌、漫灌等，灌溉面積僅次于加利福尼亞、德克薩斯和愛達(dá)荷，居全國第四位（見圖1）。

圖1 研究區(qū)示意圖Fig.1 Schematic diagram of the study area

1.2 數(shù)據(jù)及預(yù)處理

1.2.1 Google地圖影像

研究選用Google 地圖影像來提取研究區(qū)的農(nóng)田地塊。Google 地圖影像具有3個可見光波段、且其空間分辨率為1 m，能夠精細(xì)地描述研究區(qū)的農(nóng)業(yè)種植場景。

1.2.2 Sentinel-2影像

本文的主要數(shù)據(jù)源是高分辨率多光譜成像數(shù)據(jù)哨兵2 號（Sentinel-2）衛(wèi)星，地面分辨率分別為10 m、20 m 和60 m。本研究下載了2020 年3 月4 日至10 月25 日共48 幅L1C 級的遙感影像，使用歐空局（ESA）發(fā)布的插件Sen2cor 對這些影像進(jìn)行大氣校正，生成L2A 級產(chǎn)品數(shù)據(jù)，并在ENVI 中對影像進(jìn)行云掩膜。

1.2.3 灌溉樣本數(shù)據(jù) CIL

研究選用2020 年的科羅拉多灌溉耕地數(shù)據(jù)集(Colorado Irrigated Lands, CIL)來訓(xùn)練和驗證所提出的識別模型。灌溉耕地數(shù)據(jù)集以矢量多邊形的形式提供了灌溉耕地的空間分布，并記錄了作物類型、灌溉方式、灌溉面積等信息（見表1）。

灌溉耕地數(shù)據(jù)集為模型訓(xùn)練和驗證提供了足夠的正樣本。首先將灌溉耕地數(shù)據(jù)集CIL空間連接到研究區(qū)耕地地塊專題圖FP 上，然后計算FP 上落入每個耕地地塊P 內(nèi)的灌溉面積A；當(dāng)A 大于地塊P 總面積的70%時，我們認(rèn)為地塊P 為灌溉正樣本。接著，在耕地地塊專題圖FP 上，從非灌溉樣本地塊中隨機選取與灌溉正樣本相等數(shù)量的地塊，作為負(fù)樣本集。最后，研究共獲得2 000 個地塊灌溉樣本，并按照2∶2∶6 的比例，將其劃分為訓(xùn)練集、驗證集和測試集。

2 研究方法

本文研究流程如圖2 所示，主要包括以下內(nèi)容：利用Google地圖影像進(jìn)行耕地地塊的提取與修正，并結(jié)合經(jīng)過預(yù)處理的Sentinel-2 時序數(shù)據(jù)集進(jìn)行空間映射及地塊特征處理，得到地塊時序特征數(shù)據(jù)集后，結(jié)合灌溉樣本，利用XGBoost模型訓(xùn)練預(yù)測灌溉耕地，最后對分類展開分析與評價。

圖2 研究流程圖Fig.2 Research flow chart

2.1 耕地地塊提取

地塊提取參考了Wang 等人[20]提出的邊界語義融合深度卷積網(wǎng)絡(luò)，該方法的核心是將具有準(zhǔn)確空間定位的淺層邊界特征與用于類別識別的深層語義特征相結(jié)合進(jìn)行地塊識別，從而預(yù)測出整個研究區(qū)的耕地地塊并進(jìn)行修正。圖3展示了模型預(yù)測出的耕地地塊結(jié)果，結(jié)果表明，即使在農(nóng)田分布密集的地區(qū)，模型也可以精確提取出耕地的精細(xì)邊界，并且對河流、建筑等干擾地物有著良好的辨別能力[圖3（a）、圖3（b）]，這為本研究灌溉耕地提取提供了空間約束。

圖3 耕地預(yù)測結(jié)果Fig.3 Farmland prediction results

2.2 特征構(gòu)建與組合

對48景Sentinel-2數(shù)據(jù)基于地塊單元進(jìn)行分區(qū)統(tǒng)計，分別獲取每一期影像中b2～b8、b8a、b11～b12 共10 個波段的均值、中值、標(biāo)準(zhǔn)差及眾數(shù)作為特征變量，用于遙感分類的候選變量。為了比較采用不同光譜特征下的灌溉耕地識別精度，設(shè)計了11 種不同的組合方式如表2 所示，意在對比均值、中值、標(biāo)準(zhǔn)差、眾數(shù)這4類光譜特征及不同種類之間的相互組合在灌溉耕地識別上的不同效果，優(yōu)選出其中精度最高的特征組合方式對研究區(qū)進(jìn)行灌溉耕地識別。

表2 不同特征類型組合方式Tab.2 Combination of different feature types

2.3 灌溉耕地提取模型

本研究使用的是XGBoost 算法，由Chen 等人[21]在2016 年提出，這是一種基于集成學(xué)習(xí)原理Boosting 的機器學(xué)習(xí)方法，除了有精度高、速度快的優(yōu)點，XGBoost 算法還可以對影像缺失值進(jìn)行處理[22]。它以CART 決策樹作為基分類器，充分利用了多核CPU 并行計算的優(yōu)勢，大幅度提高了模型的運算速度和預(yù)測分類精度[23]，基模型為：

式中：xi是第i個樣本的預(yù)測值；fk(xi)是第k棵樹對數(shù)據(jù)集中第i個樣本的計算分?jǐn)?shù)；F是所有樹的集合。

并定義XGBoost目標(biāo)函數(shù)為：

式中：N為樣本的數(shù)量；為損失函數(shù)；為正則化項。

損失函數(shù)衡量模型與數(shù)據(jù)的吻合程度，正則化項衡量模型的復(fù)雜性。對目標(biāo)函數(shù)的泰勒展開式進(jìn)行整合、重組，轉(zhuǎn)化為與預(yù)測殘差相關(guān)的多項式，得到葉節(jié)點最優(yōu)權(quán)重和目標(biāo)值最優(yōu)解分別為：

2.4 精度評價指標(biāo)

在機器學(xué)習(xí)的分類任務(wù)中，常用的精度評價指標(biāo)有很多，本研究中使用的指標(biāo)共5 種（以下公式中，TP 指真正例（True Positive），TN 指真反例（True Negative），F(xiàn)P 指假正例（False Positive），F(xiàn)N 指假反例（False Negative）），相關(guān)指標(biāo)定義詳見文獻(xiàn)[24]。

（1）總體精度（Overall Accuracy - OA）?？傮w精度衡量的是分類正確的比例，計算公式如下：

（2）F1分?jǐn)?shù)（F1_Score）。F1是精確率和召回率的調(diào)和均值，同時考慮了查準(zhǔn)率和查全率，F(xiàn)1值越大認(rèn)為學(xué)習(xí)器的性能越好，計算公式如下：

（3）精確率（Precision）。精確率又叫查準(zhǔn)率，是指被預(yù)測為正樣本的所有樣本中預(yù)測正確的占比，代表對正樣本結(jié)果的預(yù)測準(zhǔn)確程度，計算公式如下：

（4）召回率（Recall）。召回率又叫查全率，是指在實際為正的樣本中被預(yù)測為正樣本的概率，計算公式如下：

（5）Kappa 系數(shù)（Kappa Coefficient）。Kappa 系數(shù)綜合考慮了分類器預(yù)測結(jié)果與實際情況之間的差異和隨機誤差，可以衡量分類器在各類別上的分類能力是否超過了隨機選擇的水平，計算公式如下：

式中：po也就是總體分類精度；pe是所有類別分別對應(yīng)的實際與預(yù)測數(shù)量的乘積的總和除以樣本總數(shù)的平方。

3 結(jié)果與分析

3.1 精度分析

3.1.1 特征組合精度分析

本研究中，在地塊尺度下利用11 種特征組合進(jìn)行灌溉耕地的識別，得到不同組合方式下的識別精度（表3）。結(jié)果表明，包含了均值、中值、標(biāo)準(zhǔn)差這三類光譜特征的組合8獲得了最高精度0.850 3，對灌溉耕地的識別最有利。由組合1、2、3可知單個變量的加入對提升分類精度影響不大，從組合11的精度表現(xiàn)可以看出眾數(shù)的參與會導(dǎo)致分類精度下降，在灌溉耕地的分類中應(yīng)避免輸入該特征以降低被誤分類的可能?；诖?，在提取灌溉耕地時可將均值、中值、標(biāo)準(zhǔn)差輸入模型，以提高識別精度，準(zhǔn)確地提取特征并分類，同時也保證了模型的泛化能力和穩(wěn)定性。

表3 各組合不同指標(biāo)下的分類精度Tab.3 Classification accuracy under different indicators of each combination

3.1.2 時相敏感性分析

從時間維度來探究灌溉耕地識別精度的變化規(guī)律，將不同長度時間序列遙感影像數(shù)據(jù)以月為單位輸入模型，數(shù)據(jù)長度等差增長，將完整的時間序列進(jìn)行分割，得到了不同時間節(jié)點的灌溉耕地識別情況。

圖4 中精度總體呈逐漸上升趨勢，當(dāng)加入4 月和5 月的特征時，精度增長幅度最大，此時正是農(nóng)作物迅速生長的季節(jié)，后續(xù)繼續(xù)加入特征時增長幅度逐漸趨于平緩，是由于農(nóng)作物于9、10月份完全成熟進(jìn)入了收獲期。再結(jié)合研究區(qū)當(dāng)?shù)刈匀粭l件，5 月前和9 月后的天氣多為寒潮及大范圍降雪[24]，積雪的覆蓋不利于影像的識別，這也是導(dǎo)致精度不高的原因之一。綜上得出下列結(jié)論：對灌溉耕地提取較為敏感的時相集中在農(nóng)作物生長季的中后期，該時相的遙感影像用于提取灌溉耕地可獲取較高的制圖精度。

圖4 不同時序長度下總體精度變化圖Fig.4 Overall accuracy variation chart under different time series lengths

總體來看，灌溉耕地識別的最佳時間與作物的生長階段特征關(guān)系明顯，在成熟期作物出現(xiàn)較為獨特、明顯的特征后識別精度將會大幅度提升，而當(dāng)作物早期特征不明顯時，應(yīng)使用完整的生長序列提取灌溉耕地以保證識別精度。從3月份到5月份精度迅速增加，分類精度提升效果明顯，說明這一時期的數(shù)據(jù)含有較多信息量。繼續(xù)增加時間長度，可以看到精度仍不斷上升，證明時間序列長度的增加可以有效提升分類精度，作物在8月份之后可以達(dá)到84%以上的精度，是一個比較理想的水平。當(dāng)使用完整時間序列長度的數(shù)據(jù)時，識別精度最高，可見隨著時間序列長度的增加，特征數(shù)量也隨之增加，識別精度能夠達(dá)到最高水平。

以上結(jié)果表明，與傳統(tǒng)的單時相影像相比，結(jié)構(gòu)化的時間序列影像數(shù)據(jù)不僅可以降低天氣對識別的影響，同時還蘊含了更多的特征信息，有利于灌溉耕地的提取。

3.2 灌溉耕地提取結(jié)果

根據(jù)3.1.1 節(jié)的結(jié)論，將精度最高的特征組合8 放入模型生成研究區(qū)灌溉耕地空間分布圖，并給出該模型的混淆矩陣，對精度進(jìn)行評價，同時還使用特征重要性這一評價標(biāo)準(zhǔn)對每個特征要素在模型預(yù)測中的作用進(jìn)行了評估。

3.2.1 灌溉耕地空間分布

由圖5可知，南北兩端灌溉耕地的規(guī)模很小，多數(shù)分布于研究區(qū)的中西部地區(qū)及東北部。灌溉耕地靠近南普拉特河以及一些水庫，是由于美國西半部干旱缺水，所以在許多河干、支流上興建了大型的引水工程用于農(nóng)業(yè)灌溉，靠近河流便于獲取水源進(jìn)行輸水，依靠灌溉手段才能更好地發(fā)展農(nóng)業(yè)。例如，在該州的艾爾伯特縣和沙拉摩亞縣，大量種植玉米、小麥和大豆等灌溉作物。模型提取出的灌溉耕地大量聚集在研究區(qū)的最左側(cè)邊緣，因為這里靠近科羅拉多河流域，在這片流域內(nèi)有許多重要的灌溉水源，如科羅拉多河的支流莫阿布河、弗拉格斯塔夫河、漢尼拔河等，這些河流的水源較為充足，可以為灌溉作物提供足夠的水資源。

圖5 研究區(qū)灌溉耕地預(yù)測結(jié)果Fig.5 Prediction results of irrigated farmland in the research area

3.2.2 精度評價

此次分類模型各項表現(xiàn)如表4所示，Kappa系數(shù)達(dá)到0.69，顯示出了相對較高的一致性水平，總體精度達(dá)到85.03%，意味著模型能夠正確地分類大部分樣本，其中灌溉耕地分類精度為86.76%，非灌溉耕地分類精度為82.30%。綜上，該分類模型在整體上表現(xiàn)良好，并且在灌溉耕地和非灌溉耕地的分類任務(wù)上都有著有優(yōu)異的表現(xiàn)，各項精度指標(biāo)均優(yōu)于Zhu 等人[10]的研究。

表4 灌溉耕地分類混淆矩陣Tab.4 Classification confusion matrix of irrigated farmland

3.2.3 特征及重要性評價

（1）最佳特征變量。優(yōu)選出20 個表現(xiàn)最好的特征變量如圖6 所示，其中包含了10 個均值特征、7 個標(biāo)準(zhǔn)差特征、3 個中值特征，0個眾數(shù)特征，可以看出均值和標(biāo)準(zhǔn)差對提升整體分類精度的影響較大。在眾多特征變量中，5 月13 日影像b8波段的標(biāo)準(zhǔn)差、8 月21 日影像b1 和b3 波段的均值的特征重要性遠(yuǎn)高于其他特征變量，在分類中起到重要作用。

圖6 組合8前20個最佳特征變量Fig.6 Combining the top 20 best feature variables of 8

（2）時序特征。即使是相同類型的特征變量在不同時相也會具有不同的敏感性，圖7中每一期影像的特征重要性都由均值、中值、標(biāo)準(zhǔn)差這三類變量共同組成，但其在灌溉耕地識別中的作用截然不同。在美國，玉米、大豆等主要農(nóng)作物的物候期一般集中在4-11 月，從圖7 可以明顯看出有利于識別的遙感影像集中在5-9月，而該時間段正是農(nóng)作物的生長期及成熟期，此結(jié)論與3.1.2 節(jié)相符。也有部分影像的重要性為0，可能是這幾期影像云量較大范圍較廣，覆蓋了整個研究區(qū)，使用這些重要性較低的特征變量進(jìn)行制圖對分類精度的提升可能沒有作用甚至起到副作用，所以在進(jìn)行灌溉制圖前有必要進(jìn)行特征的選擇工作。

圖7 時序特征重要性Fig.7 Importance of temporal features

（3）不同類型特征的重要性。從圖8可以看出，均值變量在分類中的重要性最高，對灌溉耕地的識別最有幫助；標(biāo)準(zhǔn)差的重要性略低于均值，但總體重要性得分也高；比起均值和標(biāo)準(zhǔn)差，中值這一類型的特征變量在參與分類任務(wù)時的作用較小，但對灌溉耕地和非灌溉耕地的分類也具有一定影響。

圖8 特征類別重要性Fig.8 Importance of feature categories

4 討 論

4.1 分類方法對比

本文利用高分辨率Google 影像，結(jié)合研究區(qū)耕地的形態(tài)特征，利用邊界語義融合深度卷積網(wǎng)絡(luò)提取當(dāng)?shù)氐母剡吔?，該方法與常規(guī)模型進(jìn)行地塊分割或提取的方法相比，對本文農(nóng)業(yè)灌溉集中區(qū)的耕地提取更加精細(xì)，鮮少有錯提、漏提的現(xiàn)象，為后續(xù)耕地分類提供了良好的基礎(chǔ)。在使用時序遙感影像方面，與單時相遙感影像相比，本文充分考慮科羅拉多州地區(qū)作物種植類型及耕地類型復(fù)雜多樣的特點，通過綜合多類型、多時相的特征變量提升分類精度。在分類模型選擇方面，和常用的隨機森林方法相比，本文選擇的XGBoost分類方法已被證實有速度快、精度高等優(yōu)點，且對于本實驗采用的光學(xué)數(shù)據(jù)源由于云的覆蓋導(dǎo)致的特征信息缺失的部分，XGBoost分類方法能對缺失值進(jìn)行相關(guān)處理[22]，因此該方法更適用于本研究。

4.2 分類結(jié)果不確定性分析

由于研究區(qū)內(nèi)作物種植類型及耕地類型的多樣性，使分類工作成為一個很大的挑戰(zhàn)，分類過程中引入的一些誤差會導(dǎo)致分類結(jié)果的不確定性，具體內(nèi)容如下：

（1）地塊提取的工作仍有一定的進(jìn)步空間，由于影像的質(zhì)量的問題，還是存在一定的地塊錯分、漏提的現(xiàn)象，這也進(jìn)一步導(dǎo)致了在耕地識別時發(fā)生錯誤的可能性。

（2）不同類型耕地上種植的作物可能由于生長期相近，導(dǎo)致有相似的特征信息，這不利于區(qū)分耕地類型。

（3）光學(xué)遙感影像易受天氣影響，當(dāng)云霧或水汽等遮擋時會導(dǎo)致圖像質(zhì)量下降或無法成像，導(dǎo)致在特征構(gòu)建時有缺失現(xiàn)象，會在一定程度上影響模型分類精度。

4.3 問題與展望

由于Sentinel-2 易受天氣影響的原因，在后續(xù)的工作中，考慮增加Sentinel-1 等微波數(shù)據(jù)以多源數(shù)據(jù)融合的方式進(jìn)一步展開研究，利用微波遙感滲透力強、全天候工作的優(yōu)勢，以提高分類精度。此外還可構(gòu)建物候、紋理、地形等特征解決“同物異譜”或“異物同譜”的現(xiàn)象，通過更多的特征組合方式建立更加精確的灌溉耕地提取模型。在算法方面，數(shù)據(jù)降維、特征選擇等因素會對分類算法產(chǎn)生很大的影響，可以結(jié)合實際對比擇優(yōu)使用更加穩(wěn)定、精確的模型，選擇適當(dāng)?shù)姆诸愃惴ㄒ赃_(dá)到更高的分類精度。

5 結(jié) 論

本文以美國科羅拉多州南普拉特河流域的農(nóng)業(yè)灌溉集中區(qū)為研究區(qū)，綜合利用高分辨率遙感影像和Sentinel-2 時間序列影像開展地塊尺度的灌溉耕地提取，分析不同時相和不同特征組合情況下的識別精度，探究了XGBoost模型在時序遙感灌溉耕地提取中的應(yīng)用潛力，得出以下結(jié)論：

（1）相比于傳統(tǒng)基于像元的遙感灌溉提取，本文基于地塊的提取方法不會破環(huán)地塊基本形態(tài)，在耕地情況破碎、復(fù)雜的區(qū)域也能夠?qū)崿F(xiàn)灌溉耕地的精確提取，且長時間序列的影像蘊含更豐富的特征信息，為灌溉耕地的提取提供了有力的支撐，結(jié)合XGBoost機器學(xué)習(xí)模型，此次分類總體精度高達(dá)85.03%；

（2）在特征的構(gòu)建與組合中，不同類型的光譜特征表現(xiàn)不同，精度表現(xiàn)最好的是均值、標(biāo)準(zhǔn)差、中值這三類光譜特征的組合，Kappa 系數(shù)達(dá)到0.69，其中灌溉耕地分類精度為86.76%，非灌溉耕地分類精度為82.30%；

（3）從時相敏感性分析結(jié)果可知，對灌溉耕地和非灌溉耕地的區(qū)分較為敏感的時相集中在農(nóng)作物生長季的中后期，其分類精度隨著時序長度的增加而不斷提高。

本研究利用高分辨率影像的光譜特征進(jìn)行灌溉耕地的識別，為灌溉制圖提供了研究思路，對準(zhǔn)確掌握灌溉耕地的數(shù)量和空間分布等信息有重要的現(xiàn)實意義，將來有望廣泛應(yīng)用于大區(qū)域乃至全球灌溉耕地空間產(chǎn)品研制。