基于隨機(jī)森林的水稻信息提取與空間格局分析

doi：10.15889/j.issn.1002-1302.2024.20.013

摘要：為準(zhǔn)確了解嶺南丘陵平原區(qū)水稻種植空間格局，以Sentinel-2A影像數(shù)據(jù)及耕地類(lèi)型矢量數(shù)據(jù)為基礎(chǔ)，采用隨機(jī)森林（random forest，RF）對(duì)研究區(qū)水田范圍內(nèi)覆被地物進(jìn)行分類(lèi)，進(jìn)而提取研究區(qū)水稻種植信息，以鄉(xiāng)鎮(zhèn)為空間單元尺度，分別從區(qū)域分布特征、空間破碎度、地形分布指數(shù)（P）3個(gè)方面統(tǒng)計(jì)分析其種植空間格局。結(jié)果表明：（1）基于RF結(jié)合Sentinel-2A數(shù)據(jù)獲得的組合植被指數(shù)（NDVI和NDRE705）能夠較好地對(duì)研究區(qū)水田掩膜后的影像進(jìn)行覆被地物分類(lèi)識(shí)別，分類(lèi)的總體精度、Kappa系數(shù)分別為95.238%、0.926，其中水稻的用戶精度最高，為98.703%；根據(jù)提取結(jié)果得到水稻種植面積為12 529.797 hm2，占比為64.281%。（2）水稻種植區(qū)主要分布在石灘鎮(zhèn)和中新鎮(zhèn)，占比分別為21.149%、16.982%；增江街道水稻種植面積最少，僅占5.451%。（3）研究區(qū)水稻田塊的破碎度在空間上的差異較為明顯，破碎度高的水稻種植區(qū)域主要集中在研究區(qū)西部，而東部地區(qū)整體較低，在北部派潭鎮(zhèn)、中部朱村街道、正果鎮(zhèn)、荔城街道和增江街道以及南部的石灘鎮(zhèn)，水稻種植地塊破碎度相對(duì)較低，而中新鎮(zhèn)、小樓鎮(zhèn)和新塘鎮(zhèn)反之。（4）水稻種植區(qū)分別在坡度0°～8°、高程0～32 m、半陽(yáng)坡和陽(yáng)坡（112.6°～247.5°）范圍內(nèi)處于優(yōu)勢(shì)水平，P值遠(yuǎn)大于1。研究成果可為制定區(qū)域國(guó)土管理制度和農(nóng)業(yè)科學(xué)決策提供參考，對(duì)調(diào)整和優(yōu)化水稻結(jié)構(gòu)布局具有積極作用。

關(guān)鍵詞：水稻；種植信息；哨兵2號(hào)影像；隨機(jī)森林；空間格局；地形分布指數(shù)

中圖分類(lèi)號(hào)：S127" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0104-09

收稿日期：2023-11-03

基金項(xiàng)目：云南省科技計(jì)劃基礎(chǔ)研究專(zhuān)項(xiàng)（編號(hào)：202401CF070082）；校級(jí)科研啟動(dòng)專(zhuān)項(xiàng)（編號(hào)：110223010）；校級(jí)人文社科科研專(zhuān)項(xiàng)（編號(hào)：WKQN2309）。

作者簡(jiǎn)介：劉珊珊（1992—），女，山西大同人，博士，講師，研究方向?yàn)檗r(nóng)業(yè)遙感。E-mail：274881086@qq.com。

耕地是社會(huì)發(fā)展過(guò)程中最重要的土地覆蓋類(lèi)型之一［1］，它作為糧食、燃料等生產(chǎn)的主要載體，對(duì)人類(lèi)至關(guān)重要。然而，伴隨著人口持續(xù)增長(zhǎng)、社會(huì)經(jīng)濟(jì)快速發(fā)展等原因?qū)е碌某鞘袛U(kuò)張，土地不可持續(xù)利用、城鄉(xiāng)遷移、耕地撂荒和土地邊際化可能是對(duì)耕地影響最大的因素，進(jìn)而決定了農(nóng)作物的景觀轉(zhuǎn)換和破碎化［2-4］，致使農(nóng)作物的空間格局受到影響。農(nóng)作物的空間格局反映人類(lèi)農(nóng)業(yè)生產(chǎn)在空間范圍內(nèi)利用農(nóng)業(yè)生產(chǎn)資源的狀況，是了解農(nóng)作物種類(lèi)、結(jié)構(gòu)、分布特征的重要信息，也是進(jìn)行作物結(jié)構(gòu)調(diào)整和優(yōu)化的重要依據(jù)［5］。

現(xiàn)有相關(guān)研究主要集中在對(duì)耕地的破碎化分析上［6］。例如Cheng等基于遙感和社會(huì)經(jīng)濟(jì)數(shù)據(jù)，運(yùn)用景觀格局指數(shù)、形態(tài)空間格局分析（MSPA）和馬爾可夫鏈模型，分析了蘇南農(nóng)田的時(shí)空格局［7］。Su等利用面積加權(quán)平均斑塊面積、斑塊密度、面積加權(quán)平均形狀指數(shù)、平均歐氏近鄰距離等變量，對(duì)跳溪流域農(nóng)田景觀破碎化動(dòng)態(tài)進(jìn)行了表征［8］。少量研究從作物種植信息出發(fā)，分析空間分布格局。如劉克寶等利用RS技術(shù)對(duì)黑龍江水稻種植面積進(jìn)行人工目視解譯，在此基礎(chǔ)上分析水稻空間分布格局［9］，但其作物信息提取方法存在效率低、提取結(jié)果未經(jīng)過(guò)精度驗(yàn)證等缺陷。

綜上可知，盡管近年來(lái)有關(guān)作物種植面積變化得到了廣泛的關(guān)注，但城市化背景下，耕地 “非農(nóng)化”“非糧化”現(xiàn)象導(dǎo)致作物空間分布信息不準(zhǔn)確，作物空間格局解析不合理［10-12］。因此，有必要開(kāi)展作物種植信息的高精度提取，在此基礎(chǔ)上分析其空間分布特征，探討驅(qū)動(dòng)因素。赤紅壤區(qū)具有優(yōu)越的水熱條件，是嶺南地區(qū)糧食的重要生產(chǎn)基地；水田又作為嶺南地區(qū)主要的耕地類(lèi)型，以種植水稻為主。增城區(qū)是嶺南赤紅壤的主要分布區(qū)域，屬典型的丘陵平原區(qū)，同時(shí)被認(rèn)為是廣州市城鎮(zhèn)化快速擴(kuò)張的一個(gè)典型案例，具有典型的城市向傳統(tǒng)農(nóng)村地區(qū)蔓延的過(guò)程。本研究以增城區(qū)為研究區(qū)，在準(zhǔn)確提取典型作物水稻種植信息的基礎(chǔ)上，分別采用區(qū)域分布、空間破碎度和地形分布指數(shù)幾個(gè)指標(biāo)，開(kāi)展水稻空間分布格局特征分析研究。

1" 材料與方法

1.1" 研究區(qū)概況

增城區(qū)（113°29′4″～114°00′00″E， 23°04′42″～23°37′20″N）作為廣東省糧食主產(chǎn)區(qū)，是嶺南赤紅壤的主要分布區(qū)域，屬典型的丘陵平原區(qū)。該區(qū)交通便利，是廣州通往東莞、深圳、香港和粵東各地的交通咽喉（圖1）。增城區(qū)下轄荔城、增江、朱村3個(gè)行政街道和新塘、石灘、中新、小樓、正果、派潭6個(gè)鎮(zhèn)共38個(gè)社區(qū)、303個(gè)行政村，區(qū)政府駐荔城街道。

增城區(qū)地勢(shì)自北向南傾斜，依次分為中低山谷地、丘陵河谷平原、沖積平原3種類(lèi)型。地處南亞熱帶，年平均氣溫22.9 ℃，年均日照時(shí)數(shù)1 762.3 h，光能有效輻射利用率1.81%，年無(wú)霜期349 d，年均降水量和蒸發(fā)量分別為2 739.7 mm和1 450.85 mm。境內(nèi)河流眾多，水資源豐富，地表水多年徑流深 1 099.9 mm，年徑流量19.15億m3，地下水資源面積337.4 km2。

1.2" 數(shù)據(jù)來(lái)源與預(yù)處理

本研究使用的數(shù)據(jù)主要包括哨兵2號(hào)（Sentinel-2）遙感影像數(shù)據(jù)、DEM數(shù)據(jù)、增城區(qū)行政邊界及耕地類(lèi)型等矢量數(shù)據(jù)。Sentinel-2攜帶1枚多光譜成像儀，覆蓋13個(gè)光譜波段，空間分辨率分別為10、20、60 m。在光學(xué)數(shù)據(jù)中，Sentinel-2A/B是唯一一個(gè)在紅邊范圍含有3個(gè)波段的影像數(shù)據(jù)，能有效監(jiān)測(cè)陸地植被生長(zhǎng)、土壤覆蓋狀況等信息［13］。本研究選取兩景無(wú)云量覆蓋的Sentinel-2A L1C級(jí)多光譜影像數(shù)據(jù)（來(lái)源：https：//scihub.copernicus.eu/），其獲取時(shí)間為2021年9月27日，對(duì)應(yīng)典型作物水稻的關(guān)鍵生育期，投影坐標(biāo)系為WGS_1984_UTM_Zone_49N。

本研究基于歐空局提供的sen2cor工具對(duì)L1C級(jí)產(chǎn)品數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正，得到各波段的大氣底層反射率（L2A級(jí)產(chǎn)品）。對(duì)輻射校正后的Sentinel-2A影像數(shù)據(jù)中所有波段按10 m分辨率進(jìn)行重采樣，基于ENVI將重采樣后的兩景影像分別進(jìn)行波段合成，利用layer stacking工具將兩景影像鑲嵌使其覆蓋整個(gè)研究區(qū)，之后進(jìn)行空間配準(zhǔn)和矢量裁剪，得到增城區(qū)影像數(shù)據(jù)。

1.3" 研究方法

1.3.1" 作物提取方法

1.3.1.1" 樣本選取" 基于對(duì)GF-1影像數(shù)據(jù)進(jìn)行目視解譯的結(jié)果，于2022年10月5日進(jìn)一步對(duì)增城區(qū)正果鎮(zhèn)、派潭鎮(zhèn)、中新鎮(zhèn)開(kāi)展實(shí)地調(diào)查，發(fā)現(xiàn)在水田掩膜下的耕地利用現(xiàn)狀確實(shí)存在種植水稻、轉(zhuǎn)為水塘、搭建大棚、種植果樹(shù)或者閑置撂荒等情況。為了準(zhǔn)確分析研究區(qū)水稻空間布局特征，本研究需要進(jìn)一步對(duì)掩膜后的水田柵格數(shù)據(jù)進(jìn)行不同覆被地物的分類(lèi)提取，以獲得高精度的水稻種植范圍。

在野外調(diào)查的過(guò)程中，利用GPS記錄耕地覆被地物類(lèi)型坐標(biāo)信息，共獲得225個(gè)地面數(shù)據(jù)集。參考225個(gè)地面數(shù)據(jù)集對(duì)應(yīng)Sentinel-2A影像數(shù)據(jù)的純凈像元，根據(jù)覆被地物類(lèi)型采用分層隨機(jī)抽樣將數(shù)據(jù)集分解為空間不相關(guān)的訓(xùn)練子集（70%）和驗(yàn)證子集（30%）。

1.3.1.2" 植被指數(shù)計(jì)算

早在20世紀(jì)80年代，中、低分辨率陸地衛(wèi)星數(shù)據(jù)就已經(jīng)被用于作物類(lèi)型制圖。然而，低分辨率（如MODIS 250 m）和中等分辨率（如Landsat 30 m）的影像數(shù)據(jù)，其像素大小可與地塊面積相似，對(duì)于種植結(jié)構(gòu)復(fù)雜、地塊破碎化程度大的研究區(qū)而言，不能提供高精度的識(shí)別結(jié)果［14］。高分辨率（如QuickBird、IKONOS和SPOT5）衛(wèi)星圖像也被廣泛用于作物分類(lèi)研究［15］，提供了一個(gè)極好的目標(biāo)像素比，并允許適當(dāng)利用圖像處理特性，如紋理和色調(diào)［16］，但高分辨率影像數(shù)據(jù)成本高，重訪時(shí)間長(zhǎng)。Sentinel-2任務(wù)在開(kāi)放獲取地球觀測(cè)數(shù)據(jù)的質(zhì)量和數(shù)量方面帶來(lái)了范式轉(zhuǎn)變，提供前所未有的10 m和20 m空間分辨率數(shù)據(jù)，其豐富的波段信息開(kāi)啟了陸地監(jiān)測(cè)系統(tǒng)的新時(shí)代，尤其是在農(nóng)情監(jiān)測(cè)領(lǐng)域。國(guó)內(nèi)外已有大量研究使用單景Sentinel-2A影像數(shù)據(jù)進(jìn)行作物識(shí)別［17-18］。

大量研究表明，紅、近紅外數(shù)據(jù)廣泛應(yīng)用于作物識(shí)別中，對(duì)干物質(zhì)含量、葉片結(jié)構(gòu)敏感。此外，紅邊波段對(duì)植被狀態(tài)十分敏感，常被用于植被監(jiān)測(cè)［19-20］。Sentinel-2影像數(shù)據(jù)包含豐富的紅邊波段信息，有助于提高地物分類(lèi)精度。植被指數(shù)能夠直接反映植被對(duì)光譜波段的響應(yīng)特征，被廣泛用于作物研究中。例如，NDVI與植被覆蓋度密切相關(guān)，已廣泛應(yīng)用于作物監(jiān)測(cè)和作物制圖中［14］；紅邊植被指數(shù)（NDRE）要求引入紅邊窄波段（705 nm）信息，是對(duì)NDVI的改進(jìn)，有助于作物識(shí)別［21］。因此，根據(jù)不同地物在同一時(shí)期的植被指數(shù)差異，本研究利用NDVI、NDRE705組合植被指數(shù)對(duì)水田田塊掩膜后影像上覆被地物類(lèi)型進(jìn)行分類(lèi)提取，獲取不同地物的空間分布數(shù)據(jù)。

1.3.1.3" 隨機(jī)森林分類(lèi)

隨機(jī)森林分類(lèi)（random forest，RF）是一種基于機(jī)器學(xué)習(xí)的分類(lèi)器，它對(duì)噪聲不敏感，不容易發(fā)生過(guò)擬合，因此優(yōu)于許多基于樹(shù)的分類(lèi)算法［22-23］。大量研究表明，RF能夠較準(zhǔn)確地實(shí)現(xiàn)高精度分類(lèi)。也有大量研究通過(guò)比較RF分類(lèi)器與其他分類(lèi)算法的分類(lèi)結(jié)果來(lái)測(cè)試RF分類(lèi)器的性能。例如，Prasad等使用回歸樹(shù)分析、RF、套袋樹(shù)和多元自適應(yīng)回歸樣條生成4種植物的植被圖，通過(guò)多個(gè)統(tǒng)計(jì)評(píng)價(jià)指標(biāo)來(lái)評(píng)估比較這4種方法的分類(lèi)精度。結(jié)果表明，RF的性能優(yōu)于其他方法［24］。因此，本研究使用RF分類(lèi)法對(duì)研究區(qū)耕地水田范圍內(nèi)主要覆蓋地物類(lèi)型進(jìn)行提取。

RF分類(lèi)器可以描述為樹(shù)形結(jié)構(gòu)分類(lèi)器的集合，是對(duì)套袋算法的改進(jìn)，其中加入了隨機(jī)性。它是由多棵決策樹(shù)分類(lèi)器構(gòu)成，其分類(lèi)預(yù)測(cè)的輸出是由構(gòu)成該森林的多棵決策樹(shù)分類(lèi)結(jié)果經(jīng)投票組合來(lái)確定。RF不是使用所有變量之間的最佳分割來(lái)分割每個(gè)節(jié)點(diǎn)，而是使用在該節(jié)點(diǎn)隨機(jī)選擇的預(yù)測(cè)器子集中的最佳分割來(lái)分割每個(gè)節(jié)點(diǎn)。在原始數(shù)據(jù)集的基礎(chǔ)上進(jìn)行替換，生成新的訓(xùn)練數(shù)據(jù)集，然后利用隨機(jī)特征選擇生成一棵樹(shù)。與現(xiàn)有算法相比，這種策略使得RF在精度上表現(xiàn)最佳，運(yùn)行速度快，對(duì)過(guò)擬合具有魯棒性，且可以根據(jù)用戶需要形成盡可能多的樹(shù)［22］。

初始化射頻算法需要用戶定義2個(gè)參數(shù)N和m，分別是樹(shù)的數(shù)量和用于分割每個(gè)節(jié)點(diǎn)變量的數(shù)量。首先，從2/3的訓(xùn)練數(shù)據(jù)集中抽取N個(gè)引導(dǎo)樣本，剩下的1/3訓(xùn)練數(shù)據(jù)，也稱(chēng)為out-of-bag （OOB）數(shù)據(jù)，用于測(cè)試預(yù)測(cè)的誤差。然后，從每個(gè)引導(dǎo)樣本中生長(zhǎng)1棵未修剪的樹(shù)，在每個(gè)節(jié)點(diǎn)上隨機(jī)選擇m個(gè)預(yù)測(cè)器作為預(yù)測(cè)變量的子集，并從這些變量中選擇最佳的分割。選擇足夠低的相關(guān)性和足夠的預(yù)測(cè)能力的變量數(shù)量至關(guān)重要，RF使用分類(lèi)和回歸樹(shù)（CART）算法來(lái)創(chuàng)建樹(shù)［24］。在每個(gè)節(jié)點(diǎn)上，根據(jù)CART算法中的1個(gè)標(biāo)準(zhǔn)執(zhí)行拆分。本研究采用基尼系數(shù)進(jìn)行分割?；嵯禂?shù)衡量的是類(lèi)的同質(zhì)性，可以寫(xiě)成如下式：

∑∑j≠1f（Ci，T）｜T｜f（Cj，T）｜T｜。（1）

式中：T是一個(gè)給定的訓(xùn)練集；Ci是一個(gè)隨機(jī)選擇的像素屬于的類(lèi)；f（Ci，T）｜T｜是所選情況屬于類(lèi)Ci的概率［25］。

隨著基尼系數(shù)的增加，類(lèi)別的異質(zhì)性也在增加。另一方面，基尼系數(shù)的下降增加了階層的同質(zhì)性。如果基尼系數(shù)的子節(jié)點(diǎn)小于父節(jié)點(diǎn)，則拆分成功。當(dāng)基尼索引為0時(shí)，樹(shù)分裂終止，即每個(gè)終端節(jié)點(diǎn)只有1個(gè)類(lèi)存在［26］。一旦N棵樹(shù)在森林中生長(zhǎng)完畢，新的數(shù)據(jù)將基于N棵樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行預(yù)測(cè)。

1.3.1.4" 分類(lèi)精度驗(yàn)證

本研究基于實(shí)地調(diào)查獲得樣本點(diǎn)數(shù)據(jù)與目視解譯GF-1影像數(shù)據(jù)，使用Kappa系數(shù)、總體分類(lèi)精度（overall accuracy，OA）、制圖精度（mapping accuracy，MA）和用戶精度（user accuracy，UA）4個(gè)指標(biāo)對(duì)分類(lèi)結(jié)果進(jìn)行精度驗(yàn)證，計(jì)算公式如下：

K=N∑ki=1xii-∑ki=1xi+x+iN2-∑ki=1xi+x+i；（2）

OA=∑ki=1xiiN×100%。（3）

式中：K為類(lèi)別數(shù)；xii為分類(lèi)結(jié)果中第i類(lèi)與參考類(lèi)型數(shù)據(jù)第i類(lèi)所占的組成成分；N為像元總數(shù)；xi+、x+i分別為混淆矩陣第 i行和第i列的元素之和。

1.3.2" 空間分布格局分析方法

1.3.2.1" "空間破碎度

耕地破碎度反映了耕地利用格局的連通性［27］，并潛在影響農(nóng)業(yè)生產(chǎn)的強(qiáng)度和效率［28］。計(jì)算公式如下：

FI=NPiCAi×100%。（4）

式中：NPi表示耕地在第i個(gè)空間區(qū)域的地塊個(gè)數(shù)；CAi表示耕地在第i個(gè)空間區(qū)域的分布面積。

1.3.2.2" 地形分布指數(shù)模型

由于不同的地形環(huán)境能夠?yàn)樽魑锾峁┑墓庹铡囟?、水分等條件存在差異，根據(jù)作物的生長(zhǎng)習(xí)性，其種植區(qū)域的分布概率受到地形等級(jí)面積差異的影響。為了能更好地反映研究區(qū)地形因子不同等級(jí)下作物的分布規(guī)律，通過(guò)地形分布指數(shù)模型計(jì)算分布頻率，分析作物的種植區(qū)域分布特征。其計(jì)算公式如下［29］：

P=ArcgAr×AAcg。（5）

式中：c表示高程、坡度、坡向3個(gè)地形因子；P為分布指數(shù)；Arcg為c地形因子特定等級(jí)g下的水稻種植面積；Ar為水稻種植總面；A為研究區(qū)總面積；Acg為研究區(qū)c地形因子特定等級(jí)g下的面積。通過(guò)公式（5）計(jì)算可得不同等級(jí)高程、坡度、坡向下分布指數(shù)P，當(dāng)Pgt;1，且P越大，則表示作物在c地形特定等級(jí)g上的分布水平優(yōu)勢(shì)越大；反之Plt;1，表明作物在c地形的特定等級(jí)g上屬于劣勢(shì)分布。

2" 研究結(jié)果與分析

2.1" 基于隨機(jī)森林的作物提取結(jié)果

本研究利用RF分類(lèi)算法結(jié)合從Sentinel-2A影像數(shù)據(jù)提取的融合植被指數(shù)NDVI和NDRE705，對(duì)研究區(qū)水田覆被地物進(jìn)行分類(lèi)，從而獲得水稻空間分布信息。在最初的分類(lèi)結(jié)果中，某一分類(lèi)區(qū)域中零散地存在著像元極少的其他類(lèi)別，缺少空間連續(xù)性，而實(shí)際地物往往集聚在一起。聚類(lèi)處理運(yùn)用數(shù)學(xué)形態(tài)學(xué)算子（腐蝕和膨脹），將臨近的類(lèi)似分類(lèi)區(qū)域聚類(lèi)并進(jìn)行合并，且不會(huì)被臨近類(lèi)別的編碼干擾。因此，為了得到更加準(zhǔn)確的地物分類(lèi)結(jié)果，本研究對(duì)最初的分類(lèi)結(jié)果進(jìn)行聚類(lèi)處理，得到的分類(lèi)結(jié)果如圖2-a所示，圖2-c、圖2-d為聚類(lèi)處理局部放大效果。

從圖2-a中可以看出，研究區(qū)水田內(nèi)的覆被地物類(lèi)型大多為水稻，東南部石灘鎮(zhèn)的水田中種植果樹(shù)現(xiàn)象普遍，而在中部的小樓鎮(zhèn)，大棚面積較其他區(qū)域分布更廣泛（圖2-b）。在圖2-c中，某一類(lèi)的分布區(qū)域內(nèi)明顯存在著零星幾個(gè)其他地物類(lèi)型的像元，導(dǎo)致不同地物的空間分布比較零散，比如圖2-c右側(cè)的果樹(shù)分布情況。對(duì)比圖2-c和圖2-d 可以發(fā)現(xiàn)，經(jīng)過(guò)聚類(lèi)處理后，同種地物類(lèi)型在空間分布上更加符合實(shí)際情況，空間連續(xù)性有所提高。

采用驗(yàn)證數(shù)據(jù)集，對(duì)聚類(lèi)處理后的分類(lèi)結(jié)果進(jìn)行精度驗(yàn)證，分別計(jì)算其總體精度、Kappa系數(shù)、制圖精度和用戶精度，分析不同地物類(lèi)型研究區(qū)水田總面積的占比情況，結(jié)果見(jiàn)表1。

根據(jù)表1得知，研究區(qū)水田圖斑中，水稻、果樹(shù)、裸土、大棚和水塘面積占總面積的比例分別為64.281%、12.806%、12.598%、3.902%和6.413%。分類(lèi)總體精度、Kappa系數(shù)分別為95.238%、0.926。此外，5種地物中，大棚的制圖精度最高，為97.739%，裸土最低，為87.039%；水稻的用戶精度最高，為98.703%，果樹(shù)最低，為90.472%。以上結(jié)果說(shuō)明基于RF結(jié)合Sentinel-2A數(shù)據(jù)獲得的組合植被指數(shù)（NDVI和NDRE705）能夠較好地對(duì)研究區(qū)水田掩膜后的影像進(jìn)行覆被地物分類(lèi)識(shí)別，滿足作物提取需求，用于后續(xù)的分析研究。

2.2" 作物空間分布格局分析

本研究采用水稻種植面積區(qū)域分布、破碎度以及與地形因子關(guān)聯(lián)關(guān)系進(jìn)行水稻空間分布格局特征分析。

2.2.1" 作物的區(qū)域分布特征分析

以鎮(zhèn)為空間單元尺度，統(tǒng)計(jì)水稻在不同鎮(zhèn)的種植面積（表2），分析其在區(qū)域上的空間分布特征。

從表2中可知，研究區(qū)水稻種植總面積為 12 529.797 hm2。進(jìn)一步比較各鎮(zhèn)種植面積及占比情況，得知石灘鎮(zhèn)的水稻種植面積最多，為 2 649.909 hm2，占總面積的21.149%；其次為中新鎮(zhèn)，該鎮(zhèn)水稻的種植面積是2 127.784 hm2，占總面積的16.982%；增城區(qū)水稻種植面積最少的鎮(zhèn)為增江街道，僅有683.014 hm2，占增城區(qū)水稻種植總面積的5.451%。

2.2.2" 作物種植區(qū)破碎度分析

為了能更好地反映研究區(qū)水稻種植的破碎度情況，本研究基于FRAGSTATS軟件在村級(jí)尺度下根據(jù)公式（4）計(jì)算研究區(qū)水稻種植田塊的破碎度，結(jié)果如圖3所示。

從圖3可以看出，研究區(qū)水稻田塊破碎度在空間上的差異較為顯著，破碎度高的水稻田主要集中在研究區(qū)西部，而東部地區(qū)整體較低。以鎮(zhèn)為空間單元來(lái)分析，在北部派潭鎮(zhèn)、中部朱村街道、正果鎮(zhèn)、荔城街道和增江街道以及南部的石灘鎮(zhèn)，水稻田的破碎度相對(duì)較低，而中新鎮(zhèn)、小樓鎮(zhèn)和新塘鎮(zhèn)的水稻田破碎度較高。

區(qū)域田塊的破碎度由其數(shù)量和單一田塊的面積決定，地形條件是影響兩者的內(nèi)在因素。根據(jù)水稻田的區(qū)域分布特征得知，中新鎮(zhèn)的水稻種植面積較多，盡管如此，該鎮(zhèn)位于研究區(qū)中西部，屬于丘陵地區(qū)，水稻田普遍呈現(xiàn)出分布零散，沒(méi)有集中連片的空間特征，因此致使該鎮(zhèn)的水稻田破碎度偏高。對(duì)于新塘鎮(zhèn)而言，其位于研究區(qū)南部的沖積平原區(qū)，該鎮(zhèn)的耕地雖相對(duì)集中，但由于灌溉保證率低，多為旱地，水稻種植面積較少，最終導(dǎo)致其水稻田的破碎度也相對(duì)較高。此外，從外界因素進(jìn)行解析，增城西部地區(qū)與廣州市接壤，受社會(huì)經(jīng)濟(jì)迅速發(fā)展的輻射影響，使該區(qū)域水稻田存在較多撂荒現(xiàn)象，這可能是另一個(gè)導(dǎo)致研究區(qū)西部水稻田破碎度高的外在驅(qū)動(dòng)因素。

2.2.3" 作物種植分布與地形因子的關(guān)聯(lián)關(guān)系

本文利用DEM數(shù)據(jù)（空間分辨率30 m）提取研究區(qū)地形因子高程、坡度、坡向?；贏rcgis 10.8平臺(tái)，以最低高程為起始基準(zhǔn)，采用自然階段點(diǎn)分級(jí)法將研究區(qū)高程分為6個(gè)等級(jí)（表3）；坡度依據(jù)《農(nóng)用地分等規(guī)程》劃分為6個(gè)級(jí)別（表4）；提取的研究區(qū)坡向信息范圍為0°～360°，平面為-1，正北方向?yàn)?°，按照順時(shí)針?lè)较?，將研究區(qū)坡向分為5個(gè)等級(jí)（表5）。在此基礎(chǔ)上，采用空間疊加分析方法，統(tǒng)計(jì)水稻在不同等級(jí)高程、坡度和坡向下的種植面積，繪制研究區(qū)水稻種植區(qū)地形因子等級(jí)專(zhuān)題圖（圖4）。根據(jù)公式（5）計(jì)算各級(jí)地形因子的分布指數(shù)（P）（表3至表5），揭示地形因子與水稻種植區(qū)域分布之間的關(guān)聯(lián)關(guān)系，反映地形因子對(duì)水稻種植區(qū)分布的影響。

圖4直觀地顯示出研究區(qū)水稻種植區(qū)地形因子（高程、坡度、坡向）不同等級(jí)在空間上的分布情況。圖4-a可以看出水稻種植區(qū)的高程等級(jí)主要集中

在1～3級(jí)，主要分布在研究區(qū)中部和南部地區(qū)；高程等級(jí)為4～6級(jí)的種植區(qū)零散分布在研究區(qū)北部，主要集中在中新鎮(zhèn)、派潭鎮(zhèn)、小樓鎮(zhèn)和正果鎮(zhèn)。圖 4-b 反映出研究區(qū)水稻種植區(qū)的坡度等級(jí)主要集中在1～2級(jí)，3～6級(jí)的水稻田塊極少，與高程的分布特征相似，同樣集中在研究區(qū)北部的中新鎮(zhèn)、派潭鎮(zhèn)、小樓鎮(zhèn)和正果鎮(zhèn)。根據(jù)圖4-c可知，水稻種植區(qū)的坡向主要集中在4～5級(jí)，且均勻地分布在各鎮(zhèn)，空間上的差異不顯著。

大氣溫度和濕度會(huì)隨著海拔的升高產(chǎn)生顯著的變化，最終帶來(lái)作物種植類(lèi)型在海拔上的縱向差異。根據(jù)表3可知，不同級(jí)別的高程帶之間水稻種植面積差異顯著，第1級(jí)高程帶（lt;16 m）水稻種植面積最大，為6 551.982 hm2，占水稻種植總面積的52.455%。第6級(jí)高程帶（174～661 m）的種植面積最小，為39.183 hm2，僅占水稻種植總面積的0.314%。從高程的分布指數(shù)來(lái)看，1級(jí)和2級(jí)的P值分別為14.196和5.943，遠(yuǎn)大于1，說(shuō)明水稻種植區(qū)在高程0～32 m的范圍內(nèi)處于優(yōu)勢(shì)水平。高程的分布指數(shù)在第4～6級(jí)（高程gt;57 m）的P值分別為0.500、0.155、0.055，均小于1，說(shuō)明水稻種植區(qū)在這幾個(gè)高程帶處于劣勢(shì)分布，尤其在第6級(jí)高程帶，幾乎無(wú)水稻種植。

坡度對(duì)土地利用的方式和土地承載力有直接的作用，它影響著地表物質(zhì)流動(dòng)，種植區(qū)種植作物的類(lèi)型很大程度由坡度決定。從表4可以看出，不同級(jí)別的坡度帶之間水稻種植面積也存在明顯的差異，第2級(jí)坡度帶（2°～5°）水稻種植面積最大，為8 266.532 hm2，占水稻種植總面積的66.182%；第6級(jí)坡度帶（gt;25°）的種植面積最小，為1.667 hm2，僅占水稻種植總面積的0.013%。從坡度的分布指數(shù)來(lái)看，1～3級(jí)的P值分別為1.339、15.229和2.553，均大于1，說(shuō)明水稻種植區(qū)在坡度0°～8° 之間處于優(yōu)勢(shì)水平；在第4～6級(jí)（坡度gt;8°）的P值分別為0.973、0.079、0.002，均小于1，說(shuō)明水稻種植區(qū)在這幾個(gè)坡度帶處于劣勢(shì)分布，尤其在第6級(jí)坡度帶，水稻種植面積極少，這主要由于是隨著坡度的增大達(dá)到一定坡度后，生產(chǎn)活動(dòng)的難度高，且土壤養(yǎng)分的積累難度加大，水土流失嚴(yán)重，不利于農(nóng)業(yè)生產(chǎn)。

由于坡向影響著太陽(yáng)輻射能量的分配和土壤水分的再分配，因此對(duì)農(nóng)作物種植區(qū)具有重要意義。表5直觀地反映出，半陽(yáng)坡和陽(yáng)坡（112.6°～247.5°）的水稻種植面積最大，分別為4 139.926、7 002.013 hm2，占水稻種植總面積的比例相應(yīng)為33.144%、56.090%；平坡的水稻種植面積最小，為0.734 hm2，僅占水稻種植總面積的0.006%。從坡向的分布指數(shù)來(lái)看，半陽(yáng)坡和陽(yáng)坡的P值分別為8.533和8.935，遠(yuǎn)大于1，說(shuō)明水稻種植區(qū)在陽(yáng)坡和半陽(yáng)坡處于優(yōu)勢(shì)水平。表中顯示，陰坡、半陰坡的P值亦大于1，存在水稻種植區(qū)，原因是由于研究區(qū)可用于耕作的土地面積少，在遠(yuǎn)離廣州市區(qū)的部分區(qū)域中耕地利用水平較高。平坡的P值接近0，水稻種植面積極少，說(shuō)明水稻種植區(qū)在平坡處于劣勢(shì)分布，結(jié)合研究區(qū)不同坡向級(jí)別面積統(tǒng)計(jì)結(jié)果，可知其原因是研究區(qū)處于平坡的種植面積僅占總面積的0.006%。

3" 討論與結(jié)論

本研究只選取了2021年水稻關(guān)鍵生育期Sentinel-2A影像數(shù)據(jù)進(jìn)行水稻種植信息提取與空間布局的特征分析，未從時(shí)間序列上出發(fā)探索研究區(qū)水稻空間布局的變化趨勢(shì)。因此，今后有望收集長(zhǎng)時(shí)間序列的影像數(shù)據(jù)，綜合分析水稻空間布局的變化趨勢(shì)并剖析驅(qū)動(dòng)因素。

雖然本研究顯示了利用Sentinel-2A影像數(shù)據(jù)結(jié)合RF能夠?qū)崿F(xiàn)水稻種植信息的快速提取，但受衛(wèi)星影像空間和光譜分辨率的限制，提取精度同樣在一定程度上受到了影響。今后更多更先進(jìn)的傳感器投入使用，將能在更廣的空間獲取更精細(xì)的遙感影像。隨著空間分辨率和光譜分辨率的不斷提高，對(duì)于區(qū)域尺度下作物種植信息高精度提取的進(jìn)一步提升將是非常顯著的。此外，隨著分類(lèi)方法的不斷創(chuàng)新，今后以期增加準(zhǔn)確性更高的分類(lèi)方法來(lái)提高作物信息提取的效率和精度。

本研究基于Sentinel-2A影像數(shù)據(jù)及耕地類(lèi)型矢量數(shù)據(jù)，利用RF分類(lèi)法對(duì)增城區(qū)水田范圍內(nèi)覆被地物進(jìn)行分類(lèi)，從而提取研究區(qū)水稻種植信息。在此基礎(chǔ)上，以鄉(xiāng)鎮(zhèn)為空間單元尺度，分別從區(qū)域分布特征、空間破碎度、地形分布指數(shù)3個(gè)方面統(tǒng)計(jì)分析研究區(qū)典型作物水稻的種植空間格局特征，得到如下結(jié)論：

（1）基于RF分類(lèi)的總體精度、Kappa系數(shù)分別為95.238%、0.926，水稻的用戶精度最高為98.703%，說(shuō)明基于RF結(jié)合Sentinel-2A數(shù)據(jù)獲得的組合植被指數(shù)（NDVI和NDRE705）能夠較好地對(duì)增城區(qū)水田掩膜后的影像進(jìn)行覆被地物分類(lèi)識(shí)別。

（2）增城區(qū)水稻種植區(qū)域破碎度在空間上的差異顯著，其中，西部水稻田的破碎度較高，東部地區(qū)反之；以鎮(zhèn)為空間單元進(jìn)行分析，北部派潭鎮(zhèn)、中部朱村街道、正果鎮(zhèn)、荔城街道和增江街道以及南部石灘鎮(zhèn)，水稻田的破碎度相對(duì)較低，而中新鎮(zhèn)、小樓鎮(zhèn)和新塘鎮(zhèn)反之。導(dǎo)致上述結(jié)果的驅(qū)動(dòng)因素主要為地形條件和經(jīng)濟(jì)發(fā)展水平的差異。

（3）根據(jù)水稻種植區(qū)域高程的分布指數(shù)，第1級(jí)高程帶（lt;16 m）水稻種植面積最大，第6級(jí)高程帶（174～661 m）最小，兩者水稻種植總面積占比分別為52.455%、0.314%。水稻種植區(qū)在高程0～32 m范圍內(nèi)屬優(yōu)勢(shì)水平，在第4～6級(jí)（高程gt;57 m）高程帶屬劣勢(shì)分布，尤其在第6級(jí)高程帶，幾乎無(wú)水稻種植。大氣溫度和濕度會(huì)隨著海拔的升高產(chǎn)生顯著的變化，最終帶來(lái)作物種植類(lèi)型在海拔上的縱向差異。

（4）不同級(jí)別的坡度帶之間水稻種植面積也存在明顯差異，第2級(jí)坡度帶（2°～5°）水稻種植面積最大，第6級(jí)坡度帶（gt;25°）反之，水稻種植面積占比分別為66.182%、0.013%。根據(jù)坡度的分布指數(shù)P值，水稻種植區(qū)在坡度0°～8° 之間屬優(yōu)勢(shì)水平，在第4～6級(jí)（坡度gt;8°）的P值均小于1，屬于劣勢(shì)分布。坡度對(duì)土地利用方式和土地承載力有直接的作用，影響著地表物質(zhì)流動(dòng)，種植區(qū)種植作物類(lèi)型很大程度由坡度決定，隨著坡度的增大，生產(chǎn)活動(dòng)的難度逐漸增加，且土壤養(yǎng)分的積累難度加大，水土流失嚴(yán)重，不利于農(nóng)業(yè)生產(chǎn)。

（5）半陽(yáng)坡和陽(yáng)坡（112.6°～247.5°）的水稻種植面積最大，占水稻種植總面積的比例相應(yīng)為33.144%、56.090%，平坡的水稻種植面積最小，占比僅為0.006%。從坡向的分布指數(shù)來(lái)看，水稻種植區(qū)在陽(yáng)坡和半陽(yáng)坡處于優(yōu)勢(shì)水平，陰坡、半陰坡的P值亦大于1，存在水稻種植區(qū)，究其原因是增城區(qū)耕地面積少，在遠(yuǎn)離廣州市區(qū)的部分區(qū)域耕地利用率高；水稻種植區(qū)在平坡處于劣勢(shì)分布，其根本原因是增城區(qū)處于平坡的耕地面積極少。

參考文獻(xiàn)：

［1］Foley J A，Ramankutty N，Brauman K A，et al. Solutions for a cultivated planet［J］. Nature，2011，478（7369）：337-342.

［2］Pili S，Grigoriadis E，Carlucci M，et al. Towards sustainable growth？A multi-criteria assessment of （changing） urban forms［J］. Ecological Indicators，2017，76：71-80.

［3］Colantoni A，Grigoriadis E，Sateriano A，et al. Cities as selective land predators？A lesson on urban growth，deregulated planning and sprawl containment［J］. Science of the Total Environment，2016，545/546：329-339.

［4］Salvati L，Morelli V G，Rontos K，et al. Latent exurban development：city expansion along the rural-to-urban gradient in growing and declining regions of southern Europe［J］. Urban Geography，2013，34（3）：376-394.

［5］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.

［6］Duvernoy I，Zambon I，Sateriano A，et al. Pictures from the other side of the fringe：urban growth and peri-urban agriculture in a post-industrial city （Toulouse，F(xiàn)rance）［J］. Journal of Rural Studies，2018，57：25-35.

［7］Cheng L，Xia N，Jiang P H，et al. Analysis of farmland fragmentation in China Modernization Demonstration Zone since “Reform and Openness”：a case study of South Jiangsu Province［J］. Scientific Reports，2015，5：11797.

［8］Su S L，Hu Y N，Luo F H，et al. Farmland fragmentation due to anthropogenic activity in rapidly developing region［J］. Agricultural Systems，2014，131：87-93.

［9］劉克寶，陸忠軍，劉述彬，等. 基于RS的黑龍江省水稻種植空間分布格局研究［J］. 黑龍江農(nóng)業(yè)科學(xué)，2015（8）：136-141.

［10］常媛媛，劉俊娜，張" 琦，等. 糧食主產(chǎn)區(qū)耕地非糧化空間格局分異及其成因［J］. 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2022，39（4）：817-826.

［11］李金朝，買(mǎi)買(mǎi)提·沙吾提. 基于多分類(lèi)器集成的GF-2作物信息精細(xì)提取研究［J］. 西南農(nóng)業(yè)學(xué)報(bào)，2023，36（2）：435-444.

［12］蔣" 怡，黃" 平，董秀春，等. 基于Softmax分類(lèi)器的小春作物種植空間信息提?。跩］. 西南農(nóng)業(yè)學(xué)報(bào)，2019，32（8）：1880-1885，1967.

［13］Clevers J G P W，Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3［J］. International Journal of Applied Earth Observation and Geoinformation，2013，23：344-351.

［14］Lebourgeois V，Dupuy S，Vintrou ，et al. A combined random forest and OBIA classification scheme for mapping smallholder agriculture at different nomenclature levels using multisource data （simulated sentinel-2 time series，VHRS and DEM）［J］. Remote Sensing，2017，9（3）：259.

［15］Turker M，Ozdarici A. Field-based crop classification using SPOT4，SPOT5，IKONOS and QuickBird imagery for agricultural areas：a comparison study［J］. International Journal of Remote Sensing，2011，32（24）：9735-9768.

［16］Pea-Barragán J M，Ngugi M K，Plant R E，et al. Object-based crop identification using multiple vegetation indices，textural features and crop phenology［J］. Remote Sensing of Environment，2011，115（6）：1301-1316.

［17］Lambert M J，Traoré P C S，Blaes X，et al. Estimating smallholder crops production at village level from Sentinel-2 time series in Malis cotton belt［J］. Remote Sensing of Environment，2018，216：647-657.

［18］王利軍，郭" 燕，賀" 佳，等. 基于決策樹(shù)和SVM的Sentinel-2A影像作物提取方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（9）：146-153.

［19］Gitelson A，Merzlyak M N. Spectral reflectance changes 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，1994，143（3）：286-292.

［20］Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages［J］. Remote Sensing of Environment，2002，81（2/3）：337-354.

［21］谷祥輝，張" 英，桑會(huì)勇，等. 基于哨兵2時(shí)間序列組合植被指數(shù)的作物分類(lèi)研究［J］. 遙感技術(shù)與應(yīng)用，2020，35（3）：702-711.

［22］Ok A O，Akar O，Gungor O. Evaluation of random forest method for agricultural crop classification［J］. European Journal of Remote Sensing，2012，45（1）：421-432.

［23］楊培杰，韓保棟，張玉燕，等. Sentinel-2影像結(jié)合空間關(guān)聯(lián)隨機(jī)森林模型反演裸土期耕地土壤全氮含量［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（11）：185-192.

［24］Prasad A M，Iverson L R，Liaw A. Newer classification and regression tree techniques：bagging and random forests for ecological prediction［J］. Ecosystems，2006，9（2）：181-199.

［25］Pal M. Random forest classifier for remote sensing classification［J］. International Journal of Remote Sensing，2005，26（1）：217-222.

［26］Watts J D，Powell S L，Lawrence R L，et al. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery［J］. Remote Sensing of Environment，2011，115（1）：66-75.

［27］Forman R T T.Some general principles of landscape and regional ecology［J］. Landscape Ecology，1995，10（3）：133-142.

［28］Coppedge B R，Engle D M，F(xiàn)uhlendorf S D，et al. Landscape cover type and pattern dynamics in fragmented southern Great Plains grasslands，USA［J］. Landscape Ecology，2001，16（8）：677-690.

［29］倫" 丹. 西藏“一江兩河” 流域農(nóng)作物種植區(qū)時(shí)空分布特征研究［D］. 重慶：西南大學(xué)，2017：33-37.