摘要：棉花作為南疆地區(qū)重要的經(jīng)濟(jì)作物之一，在經(jīng)濟(jì)工作中起著至關(guān)重要的作用。及時(shí)、準(zhǔn)確地獲取棉花種植面積，對(duì)農(nóng)業(yè)政策和經(jīng)濟(jì)發(fā)展具有重要意義。為了實(shí)現(xiàn)這一目標(biāo)，需要綜合分析不同方法和遙感數(shù)據(jù)對(duì)最終棉花種植面積制圖精度的影響。本研究以新疆阿克蘇地區(qū)棉花種植區(qū)為例，借助Google Earth Engine云平臺(tái)，采用隨機(jī)森林法（RF）、支持向量機(jī)法（SVM）、最小距離分類法（MDC）等3種機(jī)器學(xué)習(xí)方法，利用2類中分辨率影像提取棉花種植信息，充分評(píng)估使用的檔案數(shù)據(jù)和官方統(tǒng)計(jì)數(shù)字。結(jié)果表明，采用Sentinel-2方法和RF獲得了最優(yōu)棉花圖，隨機(jī)森林法分類器的總體精度、Kappa系數(shù)和用戶精度分別高達(dá)97.4%、96.7%和91.1%，分別比Landsat-8圖像和RF模型的結(jié)果高出7.3百分點(diǎn)、0.081、2.8百分點(diǎn)。與官方統(tǒng)計(jì)數(shù)據(jù)相比，采用RF、SVM、MDC對(duì)Sentinel-2和Landsat-8圖像的棉花種植面積估算圖的精度分別為98.4%、95.8%、79.6%和90.3%、83.7%、72.5%。很明顯，Sentinel-2和RF模型的組合與官方數(shù)據(jù)的一致性最高。對(duì)比分析結(jié)果表明，Landsat-8和Sentinel-2數(shù)據(jù)可用于大范圍復(fù)雜種植結(jié)構(gòu)的棉花高精度測繪。本研究結(jié)果有望為棉花大面積鑒別提供一定的理論指導(dǎo)和實(shí)踐指導(dǎo)。

關(guān)鍵詞：棉花分類；Sentinel-2；Landsat-8；隨機(jī)森林；支持向量機(jī)；最小距離分類；Google Earth Engine

中圖分類號(hào)：S127" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）04-0223-08

收稿日期：2023-04-16

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：61563046）；綠洲生態(tài)農(nóng)業(yè)重點(diǎn)兵團(tuán)實(shí)驗(yàn)室開放課題（編號(hào)：202002）。

作者簡介：洪國軍（1995—），男，江西樂平人，碩士研究生，主要研究方向?yàn)檗r(nóng)業(yè)信息化。E-mail：hgj950603@163.com。

通信作者：李 旭，碩士，教授，主要研究方向?yàn)檗r(nóng)業(yè)信息化。E-mail：lixu2866@126.com。

棉花是農(nóng)作物中僅次于糧食的第二大作物，對(duì)國計(jì)民生具有重要戰(zhàn)略意義［1］。它不僅是1億多棉農(nóng)收入的主要來源，也是紡織工業(yè)的主要原料、廣大人民的生活必需品和出口創(chuàng)匯的重要商品［2］。準(zhǔn)確及時(shí)地獲取棉花種植面積信息對(duì)于制定農(nóng)業(yè)政策和促進(jìn)經(jīng)濟(jì)發(fā)展具有至關(guān)重要的意義。傳統(tǒng)的農(nóng)業(yè)統(tǒng)計(jì)技術(shù)和抽樣調(diào)查方法獲取棉花種植面積信息通常需要耗費(fèi)很長時(shí)間。相比之下，遙感影像具有重復(fù)觀測和廣泛覆蓋范圍的特點(diǎn)，在準(zhǔn)確獲取棉花種植面積方面具有重要作用，已被廣泛用于作物識(shí)別研究。

通常采用的基于遙感影像的作物制圖方法是建立遙感影像反射率和作物生長特征之間的關(guān)系。Sentinel-2（S2）影像數(shù)據(jù)具有比Landsat-8（L8）影像數(shù)據(jù)更好的光譜信息、更高的時(shí)間和空間分辨率［3］。很多學(xué)者都對(duì)這2種數(shù)據(jù)的實(shí)際應(yīng)用效果進(jìn)行了對(duì)比分析。例如，邱萬林等通過哨兵-2號(hào)和Landsat-8衛(wèi)星影像對(duì)比，結(jié)合4種機(jī)器學(xué)習(xí)算法建立松材線蟲病監(jiān)測模型，結(jié)果顯示，哨兵-2號(hào)影像數(shù)據(jù)建立的監(jiān)測模型對(duì)受害松林的識(shí)別準(zhǔn)確率高于Landsat-8遙感衛(wèi)星影像［4］。Wang等使用Landsat-8和Sentinel-2多光譜衛(wèi)星圖像來繪制我國北方人工林中樹種，研究發(fā)現(xiàn)，Sentinel-2圖像在所有分類試驗(yàn)中表現(xiàn)均優(yōu)于Landsat-8圖像，研究了Sentinel-2和Landsat-8數(shù)據(jù)在估算森林類型方面的差異，得出Sentinel-2優(yōu)于Landsat-8的結(jié)論［5］。韓濤等研究使用Sentinel-2A和Landsat-8影像提取油菜種植面積，并比較2種影像在不同分類方法和條件下的油菜識(shí)別精度，結(jié)果表明，Sentinel-2A 影像具有更高的光譜特征可分離性，并且在支持向量機(jī)分類器下具有更高的油菜識(shí)別精度［6］。Korhonen等基于Sentinel-2A和Landsat-8衛(wèi)星影像提取森林樹冠覆蓋度和葉面積指數(shù)信息，研究結(jié)果表明，相比Landsat-8衛(wèi)星影像，Sentinel- 2A衛(wèi)星影像具有更優(yōu)秀的提取效果［7］。黃家興等利用Sentinel-2和Landsat-8數(shù)據(jù)計(jì)算5種植被指數(shù)，與野外實(shí)測地上生物量（AGB）建立草地AGB遙感估算模型，結(jié)果表明，基于Sentinel-2數(shù)據(jù)建立的AGB估算模型總體上優(yōu)于Landsat-8的估算結(jié)果［8］。然而，綜合研究Sentinel-2和Landsat-8遙感影像對(duì)各種方法棉花識(shí)別的影響研究較少。

上述研究一般都是在客戶端環(huán)境中進(jìn)行，在一定程度上效率較低，難以滿足大面積應(yīng)用的需求。遙感云計(jì)算平臺(tái)的出現(xiàn)，改變了傳統(tǒng)的遙感數(shù)據(jù)處理和分析模式，為遙感大數(shù)據(jù)挖掘提供了前所未有的機(jī)遇，使得大區(qū)域的分析和應(yīng)用成為可能［9］。Google Earth Engine（GEE）云平臺(tái)利用谷歌強(qiáng)大的計(jì)算能力和龐大的在線數(shù)據(jù)，實(shí)現(xiàn)大規(guī)模遙感數(shù)據(jù)處理和挖掘分析。在實(shí)際操作過程中，用戶可以找到GEE平臺(tái)發(fā)布的大數(shù)據(jù)產(chǎn)品，結(jié)合自己的實(shí)際需求，完成在線計(jì)算和操作，大大減少了數(shù)據(jù)采集和處理的工作量。這一技術(shù)已經(jīng)被廣泛應(yīng)用于制作農(nóng)田、城市、森林、濕地和水體等大尺度的地圖［10］，特別是在農(nóng)作物種植的制圖方面，該技術(shù)表現(xiàn)出了重要的優(yōu)勢［11-12］。

GEE云平臺(tái)嵌入了全球范圍內(nèi)的多源遙感數(shù)據(jù)，如Landsat和Sentinel，提供了強(qiáng)大的算法處理和云計(jì)算能力。到目前為止，在GEE云平臺(tái)上使用Sentinel-2和Landsat-8數(shù)據(jù)進(jìn)行棉花鑒定的對(duì)比研究仍然很少。本研究利用GEE云平臺(tái)上的Sentinel-2和Landsat-8圖像，采用不同的分類方法提取棉花種植區(qū)。此外，利用實(shí)地?cái)?shù)據(jù)和官方統(tǒng)計(jì)數(shù)據(jù)對(duì)提取精度進(jìn)行對(duì)比分析，探索Sentinel-2和Landsat-8數(shù)據(jù)在種植結(jié)構(gòu)復(fù)雜的大規(guī)模地區(qū)提取棉花種植面積的能力。通過大量的對(duì)比分析，本研究有望為南疆阿克蘇地區(qū)的農(nóng)業(yè)現(xiàn)代化提供潛在的機(jī)遇，為學(xué)者在棉花分類數(shù)據(jù)源和分類算法的選擇上提供可靠的參考信息。

阿克蘇地區(qū)位于新疆南部，地處39°30′～42°41′N，78°03′～84°07′E之間（圖1）。主要由2個(gè)縣級(jí)市和7個(gè)縣組成，面積13.13萬km2。阿克蘇地區(qū)地勢北高南低，由西北向東南傾斜。此外，阿克蘇地區(qū)地處溫帶大陸性氣候帶，內(nèi)陸較深，四周群山環(huán)繞，使得當(dāng)?shù)亟邓浅Ｏ∩俸透稍?。但高寒河流水資源豐富，日照時(shí)間長，是典型的灌溉農(nóng)業(yè)區(qū)。該地區(qū)主要作物有棉花、水稻、冬小麥、玉米等，其中棉花是主要的經(jīng)濟(jì)作物。

1 材料與方法

1.1 數(shù)據(jù)源及預(yù)處理

根據(jù)數(shù)據(jù)的可獲得性，選取研究區(qū)2021年7月10日至2021年8月20日的Sentinel-2和Landsat-8云量低的影像數(shù)據(jù)進(jìn)行棉花種植信息提取，該時(shí)相正值棉花花玲期，遙感影像質(zhì)量較好。在預(yù)處理中，由于Landsat-8和Sentinel-2數(shù)據(jù)都來自于GEE云平臺(tái)，而GEE云平臺(tái)中存儲(chǔ)的所有Landsat-8和Sentinel-2數(shù)據(jù)都已進(jìn)行過大氣校正與輻射定標(biāo)，所以僅需利用阿克蘇地區(qū)的矢量數(shù)據(jù)裁剪出Landsat-8和Sentinel-2數(shù)據(jù)的對(duì)應(yīng)影像。

1.2 研究區(qū)土地利用類型劃分及樣本數(shù)據(jù)處理

根據(jù)2021年5—6月在研究區(qū)野外考察所采集的樣本點(diǎn)并且利用GEE云平臺(tái)最新高清影像，將天然河流、人工養(yǎng)殖水面、水庫等統(tǒng)一歸入水體；將棗樹、蘋果樹和其他植被等統(tǒng)一歸為樹木；將沙漠、冰川和裸土統(tǒng)一歸為裸地；將住宅、學(xué)校、工廠等歸為建筑用地；將稻田歸為水稻；將棉花田歸為棉花。由于棉花花玲期與其他作物光譜特征差異顯著，區(qū)分較為容易，是提取棉花的關(guān)鍵物候期。綜上，最終確定6種分類類型：棉花、建筑用地、樹木、水稻、裸地、水體。經(jīng)過篩選，可用阿克蘇地區(qū)的樣本點(diǎn)共計(jì)4 337個(gè)（表1），并按照隨機(jī)原則將其中80%作為訓(xùn)練樣本，20%用作驗(yàn)證樣本，以進(jìn)行對(duì)各類別的識(shí)別與分類后的精度評(píng)價(jià)。

1.3 植被指標(biāo)提取

遙感地物識(shí)別的理論基礎(chǔ)是在于各種地物對(duì)波譜產(chǎn)生的反應(yīng)不同，由于不同的波譜反應(yīng)就構(gòu)成了地物間光譜值的差異性，因此通過對(duì)光譜差異性的分析研究，最終可以作為棉花識(shí)別的理論基礎(chǔ)。健康的綠色植物對(duì)紅波段和近紅外波段的反射差異較大，因此本研究根據(jù)Landsat-8和Sentinel-2遙感影像光譜波段特征，利用紅波段和近紅外波段建立了相應(yīng)的植被指數(shù)，用于對(duì)棉花遙感信息的識(shí)別。用差值植被指數(shù)（DVI）來識(shí)別棉花的特征植被指數(shù)，DVI是2個(gè)波段之差，對(duì)土壤背景變化特別靈敏，能很好地識(shí)別植被與土壤。計(jì)算公式為

DVI=RNIR-RRed。（1）

式中：RRed為紅波段的反射率；RNIR為近紅外波段的反射率。

1.4 分類系統(tǒng)及技術(shù)路線

Landsat-8和Sentinel-2數(shù)據(jù)利用GEE云平臺(tái)，分別使用最小距離法（MDC）和隨機(jī)森林法（RF）與支持向量機(jī)法（SVM）進(jìn)行分類，并根據(jù)驗(yàn)證點(diǎn)構(gòu)建混淆矩陣，以區(qū)分各方法的分類精度，同時(shí)，通過對(duì)比3種分類方法在不同空間分辨率影像下，所提取對(duì)應(yīng)棉花面積與官方數(shù)據(jù)值之間的差異，并對(duì)差異性原因進(jìn)行分析。其研究技術(shù)路線見圖2。

選擇合適的分類方法對(duì)提高分類精度具有重要影響［13］。在本研究中，選擇了3種廣泛使用的方法來評(píng)估分類性能，包括最小距離分類法（MDC）［14］、隨機(jī)森林法（RF）［15］和支持向量機(jī)法（SVM）［16-18］。

（1）最小距離分類法（MDC）。

最小距離分類法（MDC）是分類器里面最基礎(chǔ)的一種分類方法。在一個(gè)n維空間中，用最小距離分類法（MDC）先求每個(gè)已知類別XA（用矢量表示是XA1，XA2，…，XAn）的各個(gè)維度的平均數(shù)，產(chǎn)生一個(gè)平均數(shù)，就形成一個(gè)平均數(shù)UA（用向量表示是UA1，UA2，…，UAn），當(dāng)A為類別的名稱時(shí)，XA是類別A的樣本特征集合，XA1是類別A的第１維特征集合，UA1是第1維特征集合的平均數(shù)，n為總的特征維數(shù)；同理，求得另一種類別XB（用矢量表示是XB1，XB2，…，XBn）的平均數(shù)UB（用向量表示是UB1，UB2，…，UBn）。對(duì)待分類的樣本特征向量為x，可以依次求與XA和XB之間的一段距離d（x，uA）和d（x，uB），以歐氏距離法為例，間距的計(jì)算公式如下：

d（x，ui）=|x-ui|2=（x-ui）T（x-ui）=xTx-（xTui+uTi-uTiui）。（2）

然后找出在d（x，uA）和d（x，uB）之間的最小值，如果前者小，則x屬于A類，如果后者小，則x屬于B類。MDC的原理圖見圖3。

（2）隨機(jī)森林法（RF）。

隨機(jī)森林是一種精度很高的分類算法，可用于處理大量輸入數(shù)據(jù)，計(jì)算效率和速度都很高，被廣泛應(yīng)用于各個(gè)領(lǐng)域［15］。簡單地說，RF分類器由1組使用訓(xùn)練數(shù)據(jù)中的自舉樣本訓(xùn)練的分類樹組成。在每個(gè)引導(dǎo)樣本中，大約 2/3 的訓(xùn)練數(shù)據(jù)（袋中樣本）用于生長未修剪的分類（或回歸）樹，其余的樣本（袋中樣本）用于估計(jì)袋中誤差。每棵樹都是通過遞歸算法將數(shù)據(jù)劃分為節(jié)點(diǎn)，直到每個(gè)節(jié)點(diǎn)都包含非常相似的樣本，或者直到滿足一個(gè)停止條件。后者的例子達(dá)到了最大深度，或者當(dāng)節(jié)點(diǎn)上的樣本數(shù)量低于預(yù)定義的閾值時(shí)。RF使用基尼指數(shù)（Gini index）找到最佳特征和圖點(diǎn)，將訓(xùn)練樣本分成同質(zhì)組（類）。隨機(jī)森林的一個(gè)關(guān)鍵特征是，在尋找最佳分割點(diǎn)時(shí)，只評(píng)估所有可用特征的隨機(jī)子集［19］。子集中的特征數(shù)量由用戶控制，通常稱為mtry［20］。因此，對(duì)于RF所使用的大型樹，至少可以想象，在生長樹的同時(shí)，在某個(gè)時(shí)候搜索分裂點(diǎn)時(shí)，所有的特征都可能被使用。最終的分類結(jié)果是通過考慮從所有樹中計(jì)算的多數(shù)投票來獲得的，這就是為什么RF被稱為裝袋（bagging）方法。隨機(jī)森林模型示意見圖4。

（3）支持向量機(jī)法（SVM）。

SVM是Vapnik在1995年提出的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法［21］。它通過自動(dòng)尋找具有較好分類區(qū)分能力的支持向量，構(gòu)造分類器，使類間間隔最大化，被認(rèn)為是一種分類精度較高的算法。支持向量機(jī)的基本策略是在高維空間中找到一個(gè)超平面，將訓(xùn)練數(shù)據(jù)分離為類，使類成員最大限度地分開。換句話說，SVM找到最大裕度的超平面，其中裕度是從每個(gè)類的最近點(diǎn)到超平面的距離之和。邊緣上的點(diǎn)稱為支持向量。SVM方法的原理圖見圖5。

2 結(jié)果與分析

2.1 分類結(jié)果的準(zhǔn)確性評(píng)價(jià)

表2列出了不同分類方法和衛(wèi)星數(shù)據(jù)的驗(yàn)證指標(biāo)。由表2可知，Sentinel-2圖像MDC的總體精度為85.5%，Kappa系數(shù)為0.818%，是所有分類結(jié)果中最低的。其余類型總體精度和Kappa系數(shù)均在86.1%和0.822及以上。其中，結(jié)合Sentinel-2數(shù)據(jù)的RF模型的精度最高，總體精度和Kappa系數(shù)分別達(dá)到97.4%和0.967%。基于整個(gè)指標(biāo)，發(fā)現(xiàn)用戶精度的最大值和最小值分別為99.1%和91.0%。此外，制圖精度的最大值和最小值分別為99.4%和97.9%。生產(chǎn)者精度和用戶精度均較高，說明分類結(jié)果滿足本研究的制圖需求。所選圖像可能是在棉花花鈴期階段，光譜特征明顯，適合與其他圖像進(jìn)行區(qū)分，取得了滿意的結(jié)果。

2.2 面積比較與統(tǒng)計(jì)和影像衍生結(jié)果

本研究采用3種分類方法對(duì)Landsat-8和Sentinel-2圖像的棉花種植面積進(jìn)行了比較，并與新疆2021年統(tǒng)計(jì)年鑒中的統(tǒng)計(jì)數(shù)據(jù)［22］進(jìn)行比較。通常，當(dāng)相對(duì)誤差大于0時(shí)，往往表明在提取棉花種植面積的過程中存在誤分類。另一方面，當(dāng)相對(duì)誤差小于0時(shí)，則表明最終分類圖中出現(xiàn)了遺漏。據(jù)統(tǒng)計(jì)數(shù)據(jù)（圖6）顯示，2021年阿克蘇地區(qū)棉花預(yù)計(jì)種植面積為780.170 km2。通過Sentinel-2圖像和RF獲得的棉花種植面積為 792.546 km2，制圖精度為98.4%，相對(duì)誤差值為1.6%。這一比較結(jié)果表明，在Sentinel-2衍生的棉花地圖中，局部區(qū)域可能存在一些錯(cuò)誤分類，但總體結(jié)果是令人滿意的。其中，Landsat-8影像的MDC衍生棉花面積為565.848 km2。該結(jié)果在面積估計(jì)方面的一致性僅為72.5%，相對(duì)誤差高達(dá) -27.5%，說明最終地圖存在很大的分類錯(cuò)誤。SVM方法中，Sentinel-2和Landsat-8圖像得到的棉花種植面積分別為747.185 km2和914.930 km2，相對(duì)誤差分別為 -4.2% 和17.3%。這種不一致可能是由于Sentinel-2的空間分辨率較高，很容易漏掉一些像素，而30 m的Landsat-8圖像很可能會(huì)遇到錯(cuò)誤分類。

2.3 提取方法對(duì)比分析

結(jié)合表2和圖7可以發(fā)現(xiàn)，基于Sentinel-2的棉花圖，基于RF模型的總體精度、Kappa系數(shù)和估計(jì)面積最好，分別比SVM和MDC高1.7百分點(diǎn)、0.021和3.4%及11.9百分點(diǎn)、0.149和19.5%。對(duì)于Landsat-8數(shù)據(jù)，RF仍然比SVM和MDC表現(xiàn)出更高的性能，比SVM的總體精度、Kappa系數(shù)和估計(jì)面積分別增加了1.4百分點(diǎn)、0.031和7.5%，比MDC分別增加了4.0百分點(diǎn)、0.064和18.4%。

2.4 數(shù)據(jù)源差異性分析

通過分析不同方法在棉花制圖中數(shù)據(jù)源的不同性能。結(jié)果表明，與Landsat-8數(shù)據(jù)相比，支持向量機(jī)和隨機(jī)森林方法在Sentinel-2數(shù)據(jù)上獲得了更高的精度。具體而言，使用RF模型，Sentinel-2數(shù)據(jù)棉花制圖結(jié)果的總體精度和Kappa系數(shù)分別比Landsat-8數(shù)據(jù)高7.3百分點(diǎn)和0.081。同樣，對(duì)于支持向量機(jī)模式，Sentinel-2得到的總體精度和Kappa系數(shù)分別比Landsat-8數(shù)據(jù)高7.0百分點(diǎn)和0.091。相反，從Sentinel-2數(shù)據(jù)中獲得的MDC的總體精度和Kappa系數(shù)分別比Landsat-8數(shù)據(jù)低0.6百分點(diǎn)和0.004。這種獨(dú)特的現(xiàn)象可能由于以下原因：在分類過程中，MDC只考慮了不同樣本集的平均值，忽略了不同樣本的分布規(guī)律，更忽略了不同類別之間的相關(guān)性，導(dǎo)致Sentinel-2數(shù)據(jù)與Landsat-8數(shù)據(jù)相比性能較差。

2.5 棉花種植區(qū)空間分布

不同方法和影像數(shù)據(jù)的空間棉花種植面積如圖8所示，雖然不同方法存在差異，但仍能清楚地看出，棉花主要種植在阿克蘇、庫車、阿拉爾、新河、阿瓦提、沙雅等地區(qū)。這些地區(qū)水源豐富，地勢平坦，耕地面積大，日照充足，適宜棉花種植。在其他地區(qū)，由于水源分布不均、干旱和缺乏降雨，也偶有棉花種植。

3 討論

本研究利用Google Earth Engine（GEE）云平臺(tái)上的Sentinel-2和Landsat-8遙感影像，對(duì)新疆南部阿克蘇地區(qū)2021年棉花種植面積的提取進(jìn)行了探索。為了評(píng)價(jià)不同方法的性能，選擇最小距離法（MDC）、隨機(jī)森林法（RF）和支持向量機(jī)法（SVM）進(jìn)行分類，然后利用現(xiàn)場數(shù)據(jù)和統(tǒng)計(jì)數(shù)字進(jìn)行全面

評(píng)估。基于這些比較和評(píng)價(jià)，期望對(duì)我國最重要的棉花產(chǎn)地新疆的棉花種植測繪提供一些參考。

在6種提取組合（2種圖像源和3種分類方法）中，除了MDC和Sentinel-2組合的精度較低外，其他組合的總體精度和Kappa系數(shù)分別在86.1%和82.2%及以上，表明取得了滿意的精度。此外，用戶和生產(chǎn)者對(duì)所有組合的精度在91.0%及以上。這種高精度可能與所選擇的時(shí)間窗口有關(guān)，它在棉花和其他土地類型之間表現(xiàn)出良好的可分離性。

本研究發(fā)現(xiàn)，對(duì)于相同的遙感（RS）數(shù)據(jù)，RF模型在總體精度和Kappa系數(shù)方面優(yōu)于SVM和MDC，SVM的性能優(yōu)于MDC。MDC的最差性能可能是由于其固有的缺點(diǎn)，即只考慮每種樣本的均值向量，而不考慮每種樣本的分布和類之間的相關(guān)性。SVM方法屬于一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，它的優(yōu)點(diǎn)是自動(dòng)找到那些在區(qū)分不同類中起重要作用的支持向量，然后構(gòu)建一個(gè)分類器來最大化類之間的間隔。由于難以大面積采集訓(xùn)練樣本，由SVM模型推導(dǎo)出的各項(xiàng)精度排在第2位。RF模型由多棵決策樹組成，利用了集成策略。與SVM和MDC方法相比，RF模型能有效避免過擬合問題，具有較高的穩(wěn)定精度。

4 結(jié)論

本研究利用Google Earth Engine（GEE）云平臺(tái)上的多源Landsat-8和Sentinel-2影像，結(jié)合原始光譜和植被指數(shù)特征，提取新疆阿克蘇地區(qū)棉花種植信息。利用最小距離法（MDC）、隨機(jī)森林法（RF）和支持向量機(jī)法（SVM）等3種不同的方法來評(píng)估Landsat-8和Sentinel-2圖像對(duì)最終棉花制圖的影響。通過大量的評(píng)價(jià)，對(duì)阿克蘇地區(qū)的棉花種植進(jìn)行測繪，最終得出以下結(jié)論，以期對(duì)今后的棉花種植有一定的指導(dǎo)意義。

對(duì)于MDC，本研究發(fā)現(xiàn)，在大面積復(fù)雜結(jié)構(gòu)的復(fù)雜條件下，不適合用Sentinel-2圖像作為輸入進(jìn)行棉花分類。此外，基于MDC、RF和SVM的Landsat-8圖像，以及基于SVM模型的Sentinel-2圖像，達(dá)到了可接受但不是預(yù)期的精度。采用隨機(jī)森林模型的Sentinel-2圖像在大面積復(fù)雜種植結(jié)構(gòu)的棉花測繪中實(shí)現(xiàn)了最佳和最優(yōu)的精度。GEE平臺(tái)配備了豐富的自由遙感圖像數(shù)據(jù)，在加快棉花種植面積識(shí)別等影像應(yīng)用方面越來越重要。

參考文獻(xiàn)：

［1］周 潔. 新疆棉花生產(chǎn)中的環(huán)境成本研究［D］. 阿拉爾：塔里木大學(xué)，2014.

［2］劉傳跡，金曉斌，徐偉義，等. 2000—2020年南疆地區(qū)棉花種植空間格局及其變化特征分析［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（16）：223-232.

［3］Drusch M，Del Bello U，Carlier S，et al. Sentinel-2：ESA’s optical high-resolution mission for GMES operational services［J］. Remote Sensing of Environment，2012，120：25-36.

［4］邱萬林，宗世祥 .基于多光譜衛(wèi)星影像與機(jī)器學(xué)習(xí)算法的松材線蟲病受害林分識(shí)別研究［J］. 環(huán)境昆蟲學(xué)報(bào)，2023，45（2）：408-420.

［5］Wang M Y，Zheng Y，Huang C Q，et al. Assessing Landsat-8 and Sentinel-2 spectral-temporal features for mapping tree species of northern plantation forests in Heilongjiang Province，China［J］. Forest Ecosystems，2022，9：100032.

［6］韓 濤，潘劍君，張培育，等. Sentinel-2A與Landsat-8影像在油菜識(shí)別中的差異性研究［J］. 遙感技術(shù)與應(yīng)用，2018，33（5）：890-899.

［7］Korhonen L，Packalen P，Rautiainen M. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index［J］. Remote Sensing of Environment，2017，195：259-274.

［8］黃家興，吳 靜，李純斌，等. 基于Sentinel-2和Landsat 8數(shù)據(jù)的天?？h草地地上生物量遙感反演［J］. 草地學(xué)報(bào)，2021，29（9）：2023-2030.

［9］桑國慶，唐志光，毛克彪，等. 基于GEE云平臺(tái)與Sentinel數(shù)據(jù)的高分辨率水稻種植范圍提取——以湖南省為例［J］. 作物學(xué)報(bào)，2022，48（9）：2409-2420.

［10］Gorelick N，Hancher M，Dixon M，et al. Google Earth Engine：planetary-scale geospatial analysis for everyone［J］. Remote Sensing of Environment，2017，202：18-27.

［11］Dong J W，Xiao X M，Menarguez M A，et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images，phenology-based algorithm and Google Earth Engine［J］. Remote Sensing of Environment，2016，185：142-154.

［12］Jin Z N，Azzari G，You C，et al. Smallholder maize area and yield mapping at national scales with Google Earth Engine［J］. Remote Sensing of Environment，2019，228：115-128.

［13］Wang P，F(xiàn)an E，Wang P. Comparative analysis of image classification algorithms based on traditional machine learning and deep learning［J］. Pattern Recognition Letters，2021，141：61-67.

［14］Patil M B，Desai C G，Umrikar B N. Image classification tool for land use/land cover analysis：a comparative study of maximum likelihood and minimum distance method［J］. International Journal of Geology，Earth and Environmental Sciences，2012，2（3）：189-196.

［15］Breiman L. Random forests［J］. Machine Learning，2001，45（1）：5-32.

［16］Vapnik V，Chapelle O. Bounds on error expectation for support vector machines［J］. Neural Computation，2000，12（9）：2013-2036.

［17］Mountrakis G，Im J，Ogole C. Support vector machines in remote sensing：a review［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（3）：247-259.

［18］路 陽，楊化龍，陳 宇，等. 基于TSDPSO-SVM的水稻稻瘟病圖像識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（23）：164-170.

［19］Chan J C W，Paelinckx D. Evaluation of random forest and adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery［J］. Remote Sensing of Environment，2008，112（6）：2999-3011.

［20］Zhang C K，Zhang H Y，Zhang L P. Spatial domain bridge transfer：an automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area［J］. Computers and Electronics in Agriculture，2021，181：105978.

［21］Vapnik V N. The nature of statistical learning theory［M］. 2nd ed.New York：Springer，2000.

［22］新疆維吾爾族自治區(qū)統(tǒng)計(jì)局. 新疆統(tǒng)計(jì)年鑒2021［J］. 北京：中國統(tǒng)計(jì)出版社，2021.