薛宇飛 張軍 張萍 李宇宸

摘 ?要：為探索快速、實(shí)時(shí)、精準(zhǔn)和更具成本效益的煙草面積和產(chǎn)量監(jiān)測(cè)方法，選取云南省德宏傣族景頗族自治州芒市為研究區(qū)域，采用Sentinel-2多光譜數(shù)據(jù)為數(shù)據(jù)源，對(duì)2020年3月份云南省德宏州芒市煙草、林地、水體等地物光譜特征和植被指數(shù)、紅邊指數(shù)進(jìn)行了分析，應(yīng)用面向?qū)ο蟮姆椒ň珳?zhǔn)提取烤煙種植區(qū)域信息，提取的煙草面積為3 873.34 hm2。精度評(píng)價(jià)結(jié)果表明，提取的總體精度達(dá)到94.38%，Kappa系數(shù)為0.93，可滿足煙葉生產(chǎn)管理的實(shí)際需求。認(rèn)為以Sentinel-2多光譜影像為數(shù)據(jù)源結(jié)合面向?qū)ο蟮姆椒梢杂行?shí)現(xiàn)煙草種植信息的精準(zhǔn)提取，進(jìn)而為縣域范圍內(nèi)煙草生產(chǎn)管理提供數(shù)據(jù)支撐。

關(guān)鍵詞：煙草;Sentinel-2;面向?qū)ο蠓诸?隨機(jī)森林分類;精準(zhǔn)提取

Abstract： In order to explore a fast， real-time， accurate and more cost-effective monitoring method for tobacco area and yield， Mang City， Dehong Dai Jingpo Autonomous Prefecture， Yunnan Province was selected as the study area， and Sentinel-2 multispectral data was used as the data source to analyze the spectral characteristics and vegetation index and red edge index of tobacco， woodland， water bodies and other features in Mangshi， Dehong Dai Jingpo Autonomous Prefecture， Yunnan Province， in March 2020. The object-oriented method was applied to accurately extract information on flue-cured tobacco planting area， and the extracted tobacco area was 3 873.34 ha. The accuracy evaluation results showed that the overall accuracy of extraction reached 94.38%， and the Kappa coefficient was 0.93， which could meet the actual needs of tobacco production management. It is concluded that the combination of Sentinel-2 multispectral images as the data source and the object-oriented approach can effectively realize the accurate extraction of tobacco planting information， and then provide data support for tobacco production management within the county.

Keywords： tobacco; Sentinel-2; object-oriented classification; random forest classification; accurate extraction

煙草是我國(guó)重要的經(jīng)濟(jì)作物之一。煙草的生長(zhǎng)發(fā)育對(duì)光、熱、水等自然環(huán)境條件反應(yīng)敏感，煙葉生產(chǎn)周期長(zhǎng)、種植勞動(dòng)強(qiáng)度大、用工投入多、技術(shù)要求高[1]?？焖?、實(shí)時(shí)、準(zhǔn)確和定位化獲取煙草生長(zhǎng)信息是實(shí)現(xiàn)煙葉精益生產(chǎn)、推動(dòng)現(xiàn)代煙草農(nóng)業(yè)發(fā)展的基礎(chǔ)[2]。目前煙草面積核查、產(chǎn)量估計(jì)仍是基于實(shí)地踏勘和人工測(cè)量估算，并逐級(jí)上報(bào)進(jìn)行統(tǒng)計(jì)匯總，中間過(guò)渡環(huán)節(jié)、人為因素干擾較多，且造成大量人力、物力和財(cái)力浪費(fèi)[3-4]。

遙感在監(jiān)測(cè)和區(qū)分不同類型的植被以及反演植被健康情況和作物成熟狀況方面發(fā)揮出顯著作用[5-7]，已在農(nóng)作物監(jiān)測(cè)領(lǐng)域得到廣泛應(yīng)用。呂小艷等[8]論述了應(yīng)用遙感監(jiān)測(cè)煙草病蟲(chóng)害、長(zhǎng)勢(shì)和產(chǎn)量的可行性，但受限于諸多因素，利用遙感在大尺度上對(duì)煙田面積精確提取面臨挑戰(zhàn)。李朋彥[2]應(yīng)用高光譜無(wú)人機(jī)對(duì)煙草長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)其長(zhǎng)勢(shì)好壞與光譜之間具有顯著相關(guān)性，證明利用無(wú)人機(jī)遙感監(jiān)測(cè)烤煙生長(zhǎng)、鑒別煙草類型及開(kāi)花程度具有可行性。陳金等[9]應(yīng)用無(wú)人機(jī)遙感影像針對(duì)寧鄉(xiāng)橫市基地單元煙草種植面積信息進(jìn)行了提取，結(jié)果表明其提取精度較高。嚴(yán)欣榮等[10]采用Sentienl-2遙感影像，在機(jī)器學(xué)習(xí)分類方法的支持下對(duì)滄源縣范圍內(nèi)分散分布的叢生竹林空間信息精確提取，發(fā)現(xiàn)滄源縣竹林主要分布在海拔900～1200 m的緩坡或傾斜處;并對(duì)比隨機(jī)森林分類（Random Forest， RF）、反向傳播神經(jīng)網(wǎng)絡(luò)分類（Back Propagation NeuralNetwork， BPNN）、支持向量機(jī)分類（Support Vector Machine， SVM）三種機(jī)器學(xué)習(xí)分類方法，得出隨機(jī)森林分類精度優(yōu)于支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)的結(jié)論。魏夢(mèng)凡[11]應(yīng)用Sentinel-2A遙感影像采用支持向量機(jī)分類、面向?qū)ο蠓诸惙椒▽?duì)開(kāi)封市冬小麥的種植面積信息進(jìn)行提取，并基于以上兩種方法提出了一種V2OAE（Vector Object Oriented Area Extraction）的分類方法，進(jìn)一步提高了冬小麥種植面積的提取精度。張陽(yáng)等[12]基于Sentinel-2A遙感影像采用決策樹(shù)分類法（Decision Tree）對(duì)湖南省茶陵縣烤煙種植面積進(jìn)行提取，其結(jié)果可滿足烤煙生產(chǎn)管理的實(shí)際需求。李龍偉等[13]利用Sentinel-2遙感影像研究一種快速、準(zhǔn)確提取茶園空間分布的新方法，根據(jù)Sentinel-2遙感影像中的紅邊波段與短波紅外波段構(gòu)建歸一化茶園指數(shù)（Normalized Difference Tea Garden Index， NDTI），成功實(shí)現(xiàn)浙西北茶園信息的提取，證明紅邊波段在提取茶園信息上具有較大潛力。陳蕊等[14]以山東省膠州地區(qū)遙感影像為例，分析評(píng)價(jià)了面向?qū)ο蠓诸惡捅O(jiān)督分類方法，結(jié)果表明面向?qū)ο蠓椒ň雀?、更可靠?/p>

上述學(xué)者多將遙感監(jiān)測(cè)技術(shù)應(yīng)用在常見(jiàn)作物的大規(guī)模信息提取，對(duì)于煙草作物的研究則是集中在小規(guī)模、無(wú)人機(jī)遙感方面，而對(duì)基于Sentinel-2衛(wèi)星遙感影像數(shù)據(jù)提取煙草作物信息方面的研究還不夠深入，尤其是通過(guò)應(yīng)用對(duì)植被信息敏感的紅邊波段及其衍生因子對(duì)煙草信息進(jìn)行更加精細(xì)化、準(zhǔn)確化的提取，更是鮮有研究。云南省是我國(guó)規(guī)模最大的煙葉生產(chǎn)基地，本研究選取云南省德宏傣族景頗族自治州芒市為研究區(qū)域，對(duì)Sentinel-2數(shù)據(jù)進(jìn)行預(yù)處理后，應(yīng)用面向?qū)ο蟮姆椒ň珳?zhǔn)提取烤煙種植區(qū)域信息，旨在為應(yīng)用遙感技術(shù)監(jiān)測(cè)煙草種植面積提供參考。

1 ?材料與方法

1.1 ?研究區(qū)概況

芒市位于云南省西部，東經(jīng)98°05′～98°44′，北緯24°05′～24°39′之間。芒市東西長(zhǎng)約71 km，南北寬約62 km，總面積2987 km2，其中山地面積占89%，盆壩平地河谷占11%;地勢(shì)東北高西南低，海拔469 m至2835 m。屬低緯度高原季風(fēng)氣候，其烤煙大田生長(zhǎng)期（2—6月）的氣候條件與優(yōu)質(zhì)煙葉產(chǎn)區(qū)津巴布韋在光、熱、水等自然條件方面具有較高的相似性?？緹煷筇锷L(zhǎng)期間光照條件好，能較好地進(jìn)行碳代謝和生物質(zhì)的積累，并有利于合成酯類化合物，形成較多的香氣物質(zhì)[17];降水強(qiáng)度不大，但降水有效性高，能有效滿足烤煙的生長(zhǎng)發(fā)育;氣溫相對(duì)適宜，最高氣溫36.2 ℃，最低氣溫-0.6 ℃，年平均氣溫19.6 ℃，能充分滿足整個(gè)烤煙生長(zhǎng)期需要的積溫，晝夜之間溫差較大，有利于煙株的糖分積累與分解以及次生代謝產(chǎn)物的形成，合成出更多的香氣物質(zhì)[15-17]。

1.2 ?數(shù)據(jù)源及預(yù)處理

研究所需Sentinel-2 L1C級(jí)免費(fèi)數(shù)據(jù)產(chǎn)品來(lái)源于歐洲航空局?jǐn)?shù)據(jù)共享網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home）[18]。Sentinel-2衛(wèi)星影像具有從可見(jiàn)光、近紅外到短波紅外共13個(gè)波段，與Landsat系列等光學(xué)衛(wèi)星相比，具有更豐富的光譜信息、更高的時(shí)間和空間分辨率;且Sentinel-2衛(wèi)星是目前唯一在紅邊范圍設(shè)有3個(gè)波段的衛(wèi)星，其紅邊波段可為植被分類、監(jiān)測(cè)植被健康信息、以及估算葉面積指數(shù)等提供有效的數(shù)據(jù)源[18-20]。相關(guān)參數(shù)見(jiàn)表1[21]。

為提高分類精度，首先了解研究區(qū)的先驗(yàn)知識(shí)，研究區(qū)主要作物類型為烤煙、水稻、玉米、茶葉、咖啡、甘蔗等。依據(jù)主要作物的農(nóng)事歷，11月初為烤煙播種期，12月初為烤煙的移栽期，之后烤煙進(jìn)入生長(zhǎng)期，次年4月初開(kāi)始采收。因此，本研究影像數(shù)據(jù)應(yīng)在12月至次年4月之間選取。經(jīng)篩選，選取2020年3月13日的影像數(shù)據(jù)，研究區(qū)內(nèi)云量少，圖像質(zhì)量好。數(shù)據(jù)參數(shù)見(jiàn)表2。

對(duì)于數(shù)據(jù)的預(yù)處理，使用ENVI 5.3、SNAP 8.0軟件為遙感影像處理軟件。Sentinel-2B_MSLL1C數(shù)據(jù)已經(jīng)過(guò)幾何精校正，故僅需使用SNAP軟件對(duì)其進(jìn)行大氣校正和重采樣處理，其中大氣校正在Sen2Cor-2.8.0模塊下進(jìn)行[22-23];裁剪研究區(qū)域等剩余操作在ENVI軟件中進(jìn)行。

1.3 ?構(gòu)建特征集及土地利用和覆被類型劃分

參考前人在煙草信息提取及相關(guān)方面的研究結(jié)果[2， 4， 9， 10， 12-13， 18]，發(fā)現(xiàn)應(yīng)用光譜特征可將水體、植被及其他類型的地物區(qū)分，但煙草、林地和其他類型農(nóng)作物的光譜曲線較為接近，部分還存在同譜異物現(xiàn)象。而植被指數(shù)根據(jù)綠色植被在紅光波段具有低反射率、在近紅外波段具有高反射率的特性，可反映植被蓋度、葉綠素含量等生物物理參數(shù)，不同的植被具有不同的植被指數(shù)[12， 24]，可用來(lái)區(qū)分植被區(qū)域，因此引入植被指數(shù)區(qū)分煙草、林地和其他農(nóng)作物。參考前人研究中煙草、林地、灌木的植被指數(shù)的比較結(jié)果[12]，選取歸一化植被指數(shù)（Normalized Difference Vegetation Index， NDVI）和插值植被指數(shù)（Difference Vegetation Index， DVI）參與分類，并依據(jù)Sentinel-2衛(wèi)星中紅邊波段專門用于監(jiān)測(cè)植被的特性，使用紅邊波段計(jì)算植被指數(shù)并加入到3種地物的分類特征變量集中。因此，本研究選取光譜特征、歸一化植被指數(shù)、紅邊指數(shù)[18]來(lái)構(gòu)建特征變量集，具體見(jiàn)表3[12]。

研究區(qū)內(nèi)作物種類較為復(fù)雜，且植被分類尚無(wú)統(tǒng)一標(biāo)準(zhǔn)，本研究參考地理國(guó)情普查內(nèi)容與指標(biāo)中設(shè)置的土地利用類型分類標(biāo)準(zhǔn)[25]，根據(jù)研究需要，將芒市主要地物類型劃分為水體、植被和其他用地3種類型，其中植被又劃分為煙田、林地、其他作物3類，其他用地劃分為建設(shè)用地和裸地2類;云層、云層產(chǎn)生的陰影單獨(dú)分類。

1.4 ?隨機(jī)森林分類方法

隨機(jī)森林算法（RF）是由多棵CART（Classification And Regression Tree）決策樹(shù)構(gòu)成的新型機(jī)器學(xué)習(xí)方法，如果把決策樹(shù)看成分類任務(wù)中的一個(gè)專家，隨機(jī)森林就是許多專家在一起對(duì)某種任務(wù)進(jìn)行分類，且對(duì)數(shù)據(jù)進(jìn)行分類的同時(shí)，還可以給出各個(gè)變量的重要性評(píng)分，評(píng)估各個(gè)變量在分類中所起的作用[26]。RF具有分析復(fù)雜相互作用分類特征的能力，可以實(shí)現(xiàn)較高的分類準(zhǔn)確率、較強(qiáng)的抗噪、抗異常值能力，并能同時(shí)處理大量數(shù)據(jù)[27]，已成為目前遙感影像分類算法中炙手可熱的分類器。

1.5 ?面向?qū)ο蟮挠跋穹诸惙椒?/p>

傳統(tǒng)的分類方法以像元為基本分類和處理單元，普遍存在“椒鹽”現(xiàn)象，具有一定的局限性[28];面向?qū)ο蟮倪b感影像分類方法打破了這種局限性，以含有更多語(yǔ)義信息（形狀、大小、紋理等）和對(duì)象之間的空間關(guān)系（拓樸關(guān)系、鄰近關(guān)系、方向關(guān)系等）的多個(gè)相鄰像元組成的對(duì)象為處理單元，處理單元的內(nèi)部像元特征一致或相近，相鄰分割斑塊間的異質(zhì)性達(dá)到最大，綜合計(jì)算每個(gè)單元的光譜和形狀異質(zhì)性因子的綜合特征值，通過(guò)模仿人們對(duì)現(xiàn)實(shí)世界中各種事物的認(rèn)知過(guò)程來(lái)實(shí)現(xiàn)較高層次的遙感圖像分類和目標(biāo)地物提取，達(dá)到較好的遙感圖像分類效果[29-30]。本研究中主要應(yīng)用了閾值分類和最鄰近分類的方法。

1.6 ?多尺度分割

多尺度分割（Multiresolution Segmentation）是eCognition軟件中最常用的一種分割算法。多尺度分割以分割對(duì)象異質(zhì)性最小、分割后對(duì)象與欲獲取目標(biāo)吻合度最高為依據(jù)，其相關(guān)參數(shù)指標(biāo)主要包括光譜異質(zhì)性、形狀異質(zhì)性（平滑、緊密）、整體異質(zhì)性，從多尺度、多角度對(duì)遙感影像進(jìn)行分割，從而可以使分割結(jié)果與實(shí)際情況更加適應(yīng)，具有更高的精度要求[31]。在分割過(guò)程中，區(qū)域合并從單像素對(duì)象開(kāi)始自下而上進(jìn)行，小的影像對(duì)象合并為大的影像對(duì)象，在兩兩聚類過(guò)程中，影像對(duì)象的異質(zhì)性權(quán)重通過(guò)底層優(yōu)化過(guò)程達(dá)到最小化。在此過(guò)程中，每一步中的相鄰影像對(duì)象如果符合規(guī)定的異質(zhì)性最小生長(zhǎng)條件，則被合并;但如果最小生長(zhǎng)超過(guò)了由尺度參數(shù)定義的閾值，則分割過(guò)程會(huì)停止，并得到一個(gè)尺度的分割結(jié)果[32]。通過(guò)調(diào)整尺度參數(shù)，使影像對(duì)象繼續(xù)合并或像素合并，直到合并生成的新對(duì)象的異質(zhì)性再次大于尺度參數(shù)設(shè)定閾值時(shí)結(jié)束合并[33]。重復(fù)上述過(guò)程，即可得到多個(gè)尺度下的分割結(jié)果，進(jìn)而建立對(duì)象層次網(wǎng)絡(luò)。

1.7 ?最鄰近分類

K最鄰近（K-Nearest Neighbor， KNN）算法是一種在特征空間中基于最鄰近的訓(xùn)練樣本來(lái)區(qū)分對(duì)象的方法。其基本思路是：一個(gè)對(duì)象的分類取決于其周圍最鄰近的樣本類別，在特征空間中，如果該對(duì)象的K個(gè)（K是一個(gè)正整數(shù)，通常很?。┳钹徑鼧颖局械拇蠖鄶?shù)屬于某一類，那么該樣本也屬于這一類。周圍有限且鄰近的樣本而非類域，是K最鄰近分類方法用來(lái)確定所屬類別的最主要依據(jù)。因此對(duì)于各種類域之間交叉或重疊比例較多的待分類樣本集來(lái)說(shuō)，K最鄰近分類方法較其他類型分類方法更為適合[34]。本文中研究區(qū)各作物種植區(qū)域之間交叉度比較高，采用K最鄰近分類方法比較適宜。

1.8 ?精度評(píng)價(jià)

遙感圖像分類結(jié)果的優(yōu)劣需要以精度進(jìn)行定量評(píng)價(jià)，即將分類后圖像中的對(duì)象與其對(duì)應(yīng)的實(shí)際地物進(jìn)行精度對(duì)比，以正確分類的占比表示每類的分類精度。常用混淆矩陣進(jìn)行分類精度的評(píng)價(jià)，混淆矩陣由n行×n列元素組成，矩陣中的每個(gè)元素代表每類地物的數(shù)量，從而算得分類精度?；煜仃嚹軌蚯宄乜吹矫總€(gè)地物正確分類的個(gè)數(shù)以及被錯(cuò)分的類別和個(gè)數(shù)，即各類別的混分和漏分誤差。但是，混淆矩陣并不能直接看出分類精度的好壞，因此衍生出來(lái)各種分類精度測(cè)量指標(biāo)，其主要測(cè)量指標(biāo)為全局精度（Overall Accuracy， OA）以及Kappa系數(shù)[35]。OA有很好的表征分類精度，但其值受到像元個(gè)數(shù)較多的類別的影響較大，不能很好地表征每個(gè)類別的地物。OA的具體公式如下：

Kappa系數(shù)是一個(gè)完全不同的概念，可以用更客觀的指標(biāo)來(lái)評(píng)價(jià)分類質(zhì)量。Kappa系數(shù)產(chǎn)生的評(píng)價(jià)指標(biāo)被稱為Khat統(tǒng)計(jì)，可反映提取結(jié)果與真實(shí)地物的吻合度。當(dāng)Kappa系數(shù)小于0.4時(shí)，表明吻合度較差;當(dāng)Kappa系數(shù)介于0.4～0.6之間，表明吻合度較一般，當(dāng)Kappa系數(shù)高于0.6時(shí)，說(shuō)明二者的吻合度較強(qiáng)[13， 30]。其計(jì)算公式如下：

式中，是混淆矩陣中總列數(shù)（即總的類別數(shù)）;是混淆矩陣中第行、第列上像素?cái)?shù)量（即正確分類的數(shù)目）;和分別是第行和第列的總像素?cái)?shù)量;是總的用于精度評(píng)估的像素?cái)?shù)量。

本文選取混淆矩陣作為精度評(píng)價(jià)的方法來(lái)客觀評(píng)價(jià)所采用的分類方式能否能較好地對(duì)煙草信息進(jìn)行提取。

1.9 ?技術(shù)路線

本研究總體思路：首先，對(duì)覆蓋研究區(qū)的Sentinel-2影像進(jìn)行預(yù)處理;其次，利用面向?qū)ο蟮姆诸惙椒ㄌ崛煵菪畔ⅲ⑴c隨機(jī)森林分類結(jié)果進(jìn)行對(duì)比，評(píng)價(jià)分類精度，最終獲得2020年芒市煙草種植區(qū)域圖。研究技術(shù)路線如圖1所示。

2 ?結(jié) ?果

2.1 ?分類特征選擇

根據(jù)3月份芒市主要地物的光譜響應(yīng)曲線（圖2）可知，水體在B5～B12波段的反射率明顯低于其他地物，其NDVI、NDVIre1～NDVIre3、DVI值遠(yuǎn)遠(yuǎn)小于其他地物（圖3），表明水體在近紅外（Near Infrared， NIR）波段的吸收率大于其他地物，據(jù)此可將水體與其他地物區(qū)分開(kāi);在B11、B12波段，裸地的反射率具有明顯特征且高于建設(shè)用地、其他作物、煙田及林地，可據(jù)此來(lái)識(shí)別裸地;建設(shè)用地在B6～B9波段與其他地物有較大區(qū)別，可以明顯區(qū)分;林地、煙田和其他作物3種植被的光譜曲線較為接近，但煙田、林地在B12波段反射率小于其他作物，其NDVI、NDVIre1值大于其他作物，可將此作為分類依據(jù);進(jìn)一步分析發(fā)現(xiàn)，煙田、林地的NDVI存在一定差異，林地的NDVI值要大于煙田，但煙田在B1～B12波段的光譜響應(yīng)曲線整體要高于林地。云層與其他地物類型差異過(guò)大，未在圖中展示。

2.2 ?確定最優(yōu)分割尺度

本研究中采用ESP2插件來(lái)確定最優(yōu)分割尺度，理想的分割結(jié)果是：分割后得到的對(duì)象應(yīng)具有較高的內(nèi)部均質(zhì)性，且異質(zhì)性達(dá)到最小，不會(huì)有混合目標(biāo);分割后所得相鄰對(duì)象之間應(yīng)有明顯的屬性特征差異，能夠很好地被區(qū)分[36]。經(jīng)多次試驗(yàn)，劃分為3層尺度（圖4），分別對(duì)應(yīng)閾值分類（區(qū)分水體與非水體、植被與非植被）和最鄰近分類。從圖4可以看出，Level 1的尺度為99，分割后得到的對(duì)象較大，與相鄰對(duì)象之間的屬性特征差異明顯，裸地、建筑、植被等能較好地區(qū)分，也能區(qū)分水體與非水體、植被與非植被;Level 2的尺度為63，分割后得到的對(duì)象較小，在Level 1尺度的基礎(chǔ)上進(jìn)行了細(xì)分，將一些屬性特征差異較明顯的相鄰對(duì)象進(jìn)行了分割;Level 3的尺度為40，分割的對(duì)象更小，相鄰對(duì)象的屬性特征差異不明顯。如圖4（c）中深綠色和淺綠色林地圖斑，同屬林地，因樹(shù)型、樹(shù)齡等的不同存在屬性特征差異，但不明顯，以及林地邊緣的裸地、覆蓋有微量植被的裸地和裸地的屬性特征差異同樣不明顯，但在Level 3的尺度下，能被較好分割。因此，本文選取Level 1尺度進(jìn)行閾值分類，首先區(qū)分水體與非水體、植被與非植被;選取Level 2、Level 3尺度進(jìn)行最鄰近分類，Level 2用以區(qū)分植被、裸地、建筑等，Level 3用以區(qū)分同類中屬性特征差異不明顯的對(duì)象。

2.3 ?分類規(guī)則與結(jié)果

本研究主要采用NDVI、NIR、各波段不同地物反射率等數(shù)據(jù)作為閾值分類和最鄰近分類的分類規(guī)則。根據(jù)分析，127≤NIR≤1500為水體，其余為非水體;0.25≤NDVIre2≤0.6為植被，其余為非植被。隨后，以煙田、林地、其他作物、建設(shè)用地、裸地為分類體系定義訓(xùn)練樣本，執(zhí)行面向?qū)ο笞钹徑诸悺?/p>

建立分類規(guī)則形成初步結(jié)果后，通過(guò)過(guò)濾小圖斑等處理，最終生成2020年芒市煙草種植區(qū)域圖，見(jiàn)圖5，并依據(jù)野外調(diào)查數(shù)據(jù)及輔助資料建立了基于研究區(qū)Sentinel-2真彩色合成影像的遙感解譯標(biāo)志，見(jiàn)表4。

由表4可知，圖5中水體顏色整體呈深藍(lán)色，與其他類型地物區(qū)分明顯;建設(shè)用地因包括的地物較多，顏色較為雜亂;裸地呈褐色;云層呈白色，云層陰影呈黑色;煙田、其他作物、林地的顏色都為綠色，但煙田的綠色偏向藍(lán)色顏色略深，林地顏色較深偏向黑色，其他作物的綠色偏淺。

2.4 ?分類及精度結(jié)果評(píng)價(jià)

通過(guò)基于樣本點(diǎn)的混淆矩陣精度評(píng)價(jià)方法（Error Matrix based on Samples）來(lái)定量評(píng)價(jià)面向?qū)ο蠓诸悺㈦S機(jī)森林分類方法結(jié)果精度（表5），在ArcGIS中生成隨機(jī)點(diǎn)，基于谷歌地球中高精度影像進(jìn)行目視解譯分類后作為樣本點(diǎn)。在生成隨機(jī)點(diǎn)之前首先基于研究區(qū)創(chuàng)建漁網(wǎng)，每個(gè)格網(wǎng)生成1個(gè)隨機(jī)點(diǎn)，以保證隨機(jī)點(diǎn)的生成能夠均勻分布在整景影像中，而不是集中分布在某一區(qū)域?qū)е戮冗^(guò)高或過(guò)低，共生成2905個(gè)隨機(jī)點(diǎn)。生成隨機(jī)點(diǎn)后，使用谷歌地球中的高精度影像對(duì)其進(jìn)行目視解譯，然后采用混淆矩陣在eCognition軟件中進(jìn)行精度評(píng)價(jià)。

綜合4個(gè)精度評(píng)價(jià)指標(biāo)，面向?qū)ο蠓诸惙椒ㄔ诿⑹袩煵菪畔⑻崛≈斜憩F(xiàn)出較優(yōu)的分類精度，總體精度、Kappa系數(shù)以及各地類的生產(chǎn)者精度（producer accuracy，PA）和用戶精度（user accuracy，UA）普遍高于RF。面向?qū)ο蠓诸惖腛A達(dá)到94.38%，Kappa系數(shù)達(dá)到0.93，后者OA為93.39%，Kappa系數(shù)為0.91。對(duì)于單一地類精度，面向?qū)ο蠓椒ㄌ崛〉臒煵莸腜A和UA均達(dá)到98%以上，其余各類UA也較高，表明其中錯(cuò)分現(xiàn)象較少;RF提取煙草的PA為92.20%，UA為86.09%，其他作物的PA為64.32%，UA為89.51%，表明存在一部分煙草與其他作物混分。此外，建設(shè)用地與裸地也存在大量混分現(xiàn)象。

在面積提取方面，面向?qū)ο蠓诸惙ǖ臒煵萏崛∶娣e為3 873.34 hm2，芒市2020年實(shí)際種植面積3 573.34 hm2[37]，面積誤差為8.40%;RF煙草提取面積為3229.46 hm2，面積誤差9.60%。兩種方法相比，面向?qū)ο蠓诸惙椒ㄈ〉昧溯^好的提取效果。從分類效率上來(lái)說(shuō)，RF的表現(xiàn)優(yōu)于面向?qū)ο蟆Ｃ嫦驅(qū)ο蠓椒ㄐ枰獙?duì)地物特征進(jìn)行選擇、構(gòu)建特征變量集等，確定最佳分割尺度也需要一定時(shí)間;RF無(wú)需做特征選擇，且訓(xùn)練速度快。

2.5 ?空間分布

將芒市2020年煙草種植區(qū)域與芒市的土地坡度與數(shù)字高程模型（Digital Elevation Model， DEM）進(jìn)行疊加（圖6），對(duì)其空間分布進(jìn)行分析，并統(tǒng)計(jì)其信息（表6）。

由圖6（a）和表6可知，芒市煙草集中分布于坡度≤6°的區(qū)域，占到了芒市煙草種植面積的91.98%;高度上集中分布于海拔469至1200 m的區(qū)域，占到了煙草總面積的98.75%。這些區(qū)域?qū)贈(zèng)_積平原（壩子）和山間河谷盆地，地勢(shì)平坦，地下水位低，土壤肥沃，適宜居住，周圍村落密集，人力資源豐富，有利于優(yōu)質(zhì)煙葉生產(chǎn)。

3 ?討 ?論

（1）本文針對(duì)德宏州芒市種植的煙草這類特定作物，利用面向?qū)ο蟮淖钹徑诸惡碗S機(jī)森林分類方法進(jìn)行了研究、比較。與學(xué)者張陽(yáng)[12]的研究相比，其煙草提取的總體分類精度為90.29%，本研究中面向?qū)ο蠓诸惙椒ǖ目傮w分類精度為94.38%，隨機(jī)森林方法的總體分類精度為93.39%，提取精度更高。其次，相比于文獻(xiàn)[4]只使用了比值植被指數(shù)（Ratio Vegetation Index， RVI）來(lái)反演葉面積指數(shù)（Leaf Area Index， LAI），文獻(xiàn)[12]未對(duì)植被紅邊指數(shù)加以研究，本文研究了煙草與其他作物在植被紅邊指數(shù)上的差異，并將其應(yīng)用于煙草種植面積信息提取工作中，此方法具有一定的優(yōu)越性。

（2）本研究也表明3月份煙草與部分林木、其他農(nóng)作物存在異物同譜現(xiàn)象，對(duì)其光譜特征（圖2）和主要植被指數(shù)（圖3）分析表明，煙草的光譜特征和5種植被指數(shù)與林地、其他作物的差異不顯著，3種地物在B5～B9波段的反射率均在0.3左右;進(jìn)一步分析發(fā)現(xiàn)煙草的NDVIre2、NDVIre3與林地、其他作物的差異不顯著，煙草和林地的DVI、NDVI、NDVIre1均高于其他作物，同時(shí)煙草的NDVI、NDVIre1略低于林地，可能是由于3月份芒市煙草逐漸進(jìn)入成熟期但又未完全成熟，葉面積指數(shù)逐漸變大，與還處于生長(zhǎng)期、葉面積指數(shù)較小的其他作物有所區(qū)分，且NDVI在高植被覆蓋區(qū)容易出現(xiàn)飽和現(xiàn)象[38]，因此煙草的NDVI、NDVIre1高于其他作物而略低于林地。這也說(shuō)明單一的光譜特征和DVI、NDVIre2、NDVIre3在單時(shí)相衛(wèi)星數(shù)據(jù)提取煙草面積時(shí)不適用。

（3）本研究說(shuō)明面向?qū)ο蠓诸惙椒ㄔ诿⑹袩煵菪畔⑻崛⊙芯恐杏辛己玫倪m用性，提取的煙草信息更符合實(shí)際情況、更有針對(duì)性，但在以下方面有待進(jìn)一步研究：一是衛(wèi)星數(shù)據(jù)時(shí)相選在煙草成熟期，時(shí)效性不足;其次是效率問(wèn)題，就總體分類精度而言，面向?qū)ο蠓诸惙椒ǖ暮臅r(shí)約為隨機(jī)森林方法耗時(shí)的2～3倍，但僅得到0.99%的提升，投入與產(chǎn)出失衡;三是只使用了1期數(shù)據(jù)進(jìn)行研究，數(shù)據(jù)論證不足，后續(xù)可考慮多時(shí)相、多波段、多植被指數(shù)組合研究。

（4）煙葉生產(chǎn)屬于勞動(dòng)密集型產(chǎn)業(yè)，后續(xù)對(duì)煙草種植區(qū)域的空間分析也表明煙草主要種植在海拔400～1200 m、坡度≤6°、人力資源豐富的壩子、山腳等人類宜居區(qū)，有利于煙草的生產(chǎn)管理，獲得較好的經(jīng)濟(jì)效益。

4 ?結(jié) ?論

本研究以芒市煙草物候期內(nèi)的Sentinel-2多光譜數(shù)據(jù)為數(shù)據(jù)源，采用NDVI、各波段不同的地物反射率等數(shù)據(jù)構(gòu)建特征變量集，并對(duì)地物光譜特征、植被指數(shù)、紅邊指數(shù)等進(jìn)行分析，以此構(gòu)建分類規(guī)則，應(yīng)用閾值和最鄰近分類的方法，對(duì)芒市主要作物煙草進(jìn)行種植面積信息精準(zhǔn)提取，最終提取出芒市煙草種植面積并與RF提取結(jié)果進(jìn)行對(duì)比分析，以面向?qū)ο蠓ǖ姆诸惤Y(jié)果作為最終分類結(jié)果，提取煙草面積為3 873.34 hm2，與年度實(shí)際種植面積相比，誤差為8.40%，總體分類精度達(dá)到94.38%，Kappa系數(shù)為0.93，提取精度較高，結(jié)果科學(xué)可靠，可滿足煙葉生產(chǎn)管理的實(shí)際需求。

參考文獻(xiàn)

[1]王劍. 中國(guó)煙草農(nóng)業(yè)風(fēng)險(xiǎn)特征與管理對(duì)策研究[J]. 經(jīng)濟(jì)視角，2012，212（3）：93，94-96.

WANG J. Study on risk characteristics and management countermeasures of tobacco agriculture in China[J]. Economic Vision， 2012， 212（3）： 93， 94-96.

[2]李朋彥. 基于無(wú)人機(jī)高光譜遙感的烤煙生長(zhǎng)監(jiān)測(cè)[D]. 鄭州：河南農(nóng)業(yè)大學(xué)，2019.

LI P Y. Monitoring flue-cured tobacco growth based on unmanned aerial vehicle hyperspectral remote sensing[D]. Zhengzhou： Henan Agricultural University， 2019.

[3]趙仁源，李世祥，張長(zhǎng)華. “3S”技術(shù)在遵義現(xiàn)代煙草農(nóng)業(yè)建設(shè)中的應(yīng)用[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2012，195（9）：38-40.

ZHAO R Y， LI S X， ZHANG C H. Application of "3S" technology in Zunyi modern tobacco agriculture [J]. Agricultural Network Information， 2012， 195（9）： 38-40.

[4]李富欣，張利紅，徐敏. 基于GIS的河南省烤煙移栽面積遙感監(jiān)測(cè)及產(chǎn)量估算[J]. 江西農(nóng)業(yè)學(xué)報(bào)，2014，26（7）：76-79，83.

LI F X， ZHANG L H， XU M. Remote-sensing monitoring of flue-cured tobacco transplanting area and estimation of tobacco yield in Henan Province based on GIS[J]. Acta Agriculturae Jiangxi， 2014， 26（7）： 76-79， 83.

[5]楊紅衛(wèi)，童小華. 中高分辨率遙感影像在農(nóng)業(yè)中的應(yīng)用現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（24）：138-149.

YANG H W， TONG X H. Application status of middle and high resolution remote sensing images in agriculture[J]. Transactions of the CSAE， 2012， 28（24）： 138-149.

[6]廖娟，周忠發(fā)，李波，等. 基于高分辨率SAR數(shù)據(jù)的高原山區(qū)煙草后向散射特征分析[J]. 中國(guó)煙草科學(xué)，2014，35（6）：74-79.

LIAO J， ZHOU Z F， LI B， et al. Analysis of tobacco scattering characteristics based on high resolution SAR data in plateau mountainous area[J]. Chinese Tobacco Science， 2014， 35（6）： 74-79.

[7]陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào)，2016，20（5）：748-767.

CHEN Z X， REN J Q， TANG H J， et al. Progress and prospects of agricultural remote sensing research applications[J]. Journal of Remote Sensing， 2016， 20（5）： 748-767.

[8]呂小艷，競(jìng)霞，薛琳，等. 遙感技術(shù)在煙草長(zhǎng)勢(shì)監(jiān)測(cè)及估產(chǎn)中的應(yīng)用進(jìn)展[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2020，36（25）：137-141.

LV X Y， JING X， XUE L， et al. Remote sensing technology applied in growth monitoring and yield estimation of tobacco： a review [J]. Chinese Agricultural Science Bulletin， 2020， 36（25）： 137-141.

[9]陳金，劉品超，黃國(guó)強(qiáng)，等. 基于無(wú)人機(jī)遙感影像的煙草種植面積信息提取[J]. 湖南農(nóng)業(yè)科學(xué)，2018，388（1）：96-99，103.

CHEN J， LIU P C， HUANG G Q， et al. Information extraction of tobacco planting area based on unmanned aerial vehicle remote sensing images[J]. Hunan Agricultural Science， 2018， 388（1）： 96-99， 103.

[10]嚴(yán)欣榮，張美曼，鄭亞雄，等. 基于Sentinel-2的叢生竹林信息提取方法比較及分布特征[J]. 生態(tài)學(xué)雜志，2020，39（3）：1056-1066.

YAN X R， ZHANG M， ZHENG Y X， et al. Comparison of extraction methods and the distribution characteristics of cluster bamboo forest information based on Sentinel-2[J]. Chinese Journal of Ecology， 2020， 39（3）： 1056-1066.

[11]魏夢(mèng)凡. 基于Sentinel-2A衛(wèi)星遙感影像的開(kāi)封市冬小麥種植面積提取技術(shù)研究[D]. 鄭州：河南大學(xué)，2019.

WEI M F. Research on extraction technology of winter wheat planting area in Kaifeng city based on Sentinel-2A satellite remote sensing image[D]. Zhengzhou： Henan University， 2019.

[12]張陽(yáng)，屠乃美，陳舜堯，等. 基于Sentinel-2A數(shù)據(jù)的縣域烤煙種植面積提取分析[J]. 煙草科技，2020，53（11）：15-22.

ZHANG Y， TU N M， CHEN S Y， et al. Extraction of flue-cured tobacco planting area on county scale based on Sentinel-2A data[J]. Tobacco Science and Technology， 2020， 53（11）： 15-22.

[13]李龍偉，李楠，陸燈盛. 多時(shí)相Sentinel-2影像在浙西北茶園信息提取中的應(yīng)用[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)，2019，36（5）：841-848.

LI L W， LI N， LU D S. Mapping tea gardens spatial distribution in northwestern Zhejiang Province using multi-temporal Sentinel-2 imagery[J]. Journal of Zhejiang Agriculture and Forestry University， 2019， 36（5）： 841-848.

[14]陳蕊，張繼超. 基于eCognition的遙感圖像面向?qū)ο蠓诸惙椒ㄑ芯縖J]. 測(cè)繪與空間地理信息，2020，43（2）：91-95.

CHEN R， ZHANG J C. Study on object-oriented classification method of remote sensing image based on eCognition [J]. Geomatics and Spatial Information Technology， 2020， 43（2）： 91-95.

[15]螞蟻文庫(kù). 津巴布韋煙葉生產(chǎn)特點(diǎn)分析[EB/OL]. https：//www.mayiwenku.com/p-1418788.html.2018-02-07.

Ants Library. Analysis of tobacco production characteristics in Zimbabwe [EB/OL]. https：//www.mayiwenku.com/p-1418788.html. 2018-02-07.

[16]張芯麗. 淺談云南德宏烤煙種植自然環(huán)境條件和種植區(qū)劃[J]. 熱帶農(nóng)業(yè)科技，2015，38（1）：30-32.

ZHANG X L. Natural environment conditions and planting division of tobacco in Dehong of Yunnan Province[J]. Tropical Agricultural Science and Technology， 2015， 38（1）： 30-32.

[17]李天福，馬二登，楊雪彪，等. 云南德宏與津巴布韋的烤煙氣候相似性分析[C]//中國(guó)煙草學(xué)會(huì)2015年度優(yōu)秀論文匯編，2015：1463-1468.

LI T F， MA E D， YANG X B， et al. Climatic similarity analysis of roasted tobacco in Yunnan Dehong and Zimbabwe[C]//China Tobacco Society 2015 Annual Outstanding Paper Collection， 2015： 1463-1468.

[18]常文濤，王浩，寧曉剛，等. 融合Sentinel-2紅邊波段和Sentinel-1雷達(dá)波段影像的扎龍濕地信息提取[J]. 濕地科學(xué)，2020，18（1）：10-19.

CANG W T， WANG H， NING X G， et al. Extraction of Zhalong wetlands information based on images of Sentinel-2 Red-edge bands and Sentinel-1 radar bands[J]. Wetland Science， 2020， 18（1）： 10-19.

[19]LAURI K， HADI， PETTERI P， et al. 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.

[20]MATTHEW L C. Comparison of multi-seasonal Landsat 8， Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 159： 26-40.

[21]李亭亭. 基于時(shí)序遙感數(shù)據(jù)的水環(huán)境時(shí)空采樣布局優(yōu)化方法研究[D]. 武漢：武漢大學(xué)，2018.

LI T T. Spatio-temporal sampling schemes optimization for aquatic environment based on time-series remote sensing data[D]. Wuhan： Wuhan University， 2018.

[22]LABIB S M， HARRIS A. The potential of Sentinel-2A andLandsat-8 data in green infrastructure extraction， using object based image analysis （OBIA） method[J]. European Journal of Remote Sensing， 2018， 51（1）： 231-240.

[23]潘嫄嫄，李長(zhǎng)春，馬瀟瀟，等. Sentinel-2A衛(wèi)星大氣校正方法及校正效果[J]. 遙感信息，2018，33（5）：41-48.

PAN L L， LI C C， MA X X， et al. Atmospheric correction method of Sentinel-2A satellite and result analysis[J]. Remote Sensing Information， 2018， 33（5）： 41-48.

[24]蘇偉，侯寧，李琪，等. 基于Sentinel-2遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（1）： 151-156.

SU W， HOU N， LI Q， et al. Retrieving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（1）： 151-156.

[25]國(guó)務(wù)院第一次全國(guó)地理國(guó)情普查領(lǐng)導(dǎo)小組辦公室. 地理國(guó)情普查基本統(tǒng)計(jì)技術(shù)規(guī)定：GDPJ 02—2013[S].

Office of the Leading Group of the First National Geographic Census of the State Council. Basic statistical technical provisions for geographic national census： GDPJ 02—2013[S].

[26]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優(yōu)選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學(xué)學(xué)報(bào)，2016，18（6）：815-823.

CHENG X M， SHEN Z F， XING T Y， et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science， 2016， 18（6）： 815-823.

[27]姚登舉，楊靜，詹曉娟. 基于隨機(jī)森林的特征選擇算法[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（1）：137-141.

YAO D J， YANG J， ZHAN X J. Feature selection algorithm based on random forest[J]. Journal of Jilin University （Engineering and Technology Edition）， 2014， 44（1）： 137-141.

[28]陳遠(yuǎn)麗，路春燕，劉金福，等. 漳江口濕地變化的遙感監(jiān)測(cè)[J]. 森林與環(huán)境學(xué)報(bào)，2019，39（1）： 61-69.

CHEN Y L， LU C Y， LIU J F， et al. Remote sensing monitoring of Zhangjiang Estuary Wetland[J]. Journal of Forest and Environment， 2019， 39（1）： 61-69.

[29]李天坤. 基于面向?qū)ο蠓诸惙椒ǖ臒煵莘N植面積提取研究[D]. 雅安：四川農(nóng)業(yè)大學(xué)，2013.

LI T K. The research of extracted tobacco planting area based on object-oriented classification method[D]. Yaan： Sichuan Agricultural University， 2013.

[30]白韜. 面向?qū)ο蟮腉F-2遙感影像多層次分類方法研究[D]. 長(zhǎng)春：吉林大學(xué)，2020.

BAI T. Research on object-oriented multi-level classification method of GF-2 remote sensing image[D]. Changchun： Jilin University， 2020.

[31]李杰，張軍，李宇宸. Sentinel-2A與GF-1數(shù)據(jù)在油菜種植提取中的差異性分析及提取方法對(duì)比研究[J]. 云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（4）：678-688.

LI J， ZHANG J， LI Y C. Difference analysis of Sentinel-2A and GF-1 data in oilseed rape extraction and comparative research of extraction methods[J]. Journal of Yunnan University （Natural Science Edition）， 2019， 41（4）： 678-688.

[32]孫曉艷. 面向?qū)ο蟮拿窳址植歼b感信息提取及調(diào)查因子估算[D]. 杭州：浙江農(nóng)林大學(xué)，2014.

SUN X Y. Object-based extraction of Moso Bamboo forest and estimation of Moso Bamboo inventory factors[D]. Hangzhou： Zhejiang Agriculture and Forestry University， 2014.

[33]吳海燕，盧遠(yuǎn). 基于eCognition面向?qū)ο蠓诸惙椒ǖ乃痉N植面積提取[J]. 廣西師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2014，31（2）：81-87.

WU H Y， LU Y. Extraction of rice planting area based on eCognition object-oriented classification[J]. Journal of Guangxi Teachers Education University： Natural Science Edition， 2014， 31（2）： 81-87.

[34]蔡誠(chéng)，寧宇. 分系統(tǒng)級(jí)電纜網(wǎng)接點(diǎn)智能匹配方法[C]//2020中國(guó)自動(dòng)化大會(huì)（CAC2020）論文集，2020：641-644.

CAI C， NING Y. Intelligent matching method for cable network contacts at subsystem level [C]// Proceedings of the China Automation Conference 2020 （CAC2020）. 2020： 641-644.

[35]蔡克洋. 基于特征融合的Landsat圖像云檢測(cè)算法研究[D]. 武漢：武漢理工大學(xué)，2018.

CAI K Y. Research of cloud detection algorithm for Landsat image based on feature fusion[D]. Wuhan， Wuhan University of Technology， 2018.

[36]CARLEER A P， DEBEIR O， WOLFF E. Assessment of Very High Spatial Resolution Satellite Image Segmentations[J]. Photogrammetric Engineering & Remote Sensing， 2005， 5238（11）： 1285-1294.

[37]芒市農(nóng)業(yè)農(nóng)村局. 芒市農(nóng)業(yè)農(nóng)村局2020年部門預(yù)算編制說(shuō)明[EB/OL]. http：//www.dhms.gov.cn/nyj/Web/_F0_0_28D01OCHST42PQ2PGY6LUC220M.htm， 2020-02-14.

Mangshi Bureau of Agriculture and Rural Affairs. Explanation of the 2020 departmental budget of the Municipality Agricultural and Rural Bureau[EB/OL]. http：//www.dhms.gov.cn/nyj/Web/_F0_0_28D01OCHST42PQ2PGY6LUC220M.htm， 2020-02-14.

[38]李喆，胡蝶，趙登忠，等. 寬波段遙感植被指數(shù)研究進(jìn)展綜述[J]. 長(zhǎng)江科學(xué)院院報(bào)，2015，32（1）：125-130.

LI Z， HU D， ZHAO D Z， et al. Research advance of broadband vegetation index using remotely sensed images[J]. Journal of Yangtze River Scientific Research Institute， 2015， 32（1）： 125-130.

1997501186301