康倩文　徐偉恒　王雷光　洪澤湖　劉運(yùn)

關(guān)鍵詞：甘蔗；物候；時間序列影像；影像合成；谷歌地球引擎

中圖分類號：S566.1 文獻(xiàn)標(biāo)識碼：A

甘蔗是全球第一大糖料作物和第二大生物能源作物，中國是世界上最主要的甘蔗種植國家之一[1]。從甘蔗中提取的蔗糖是中國食品行業(yè)中不可替代的重要原料，而云南省作為我國第二大蔗糖生產(chǎn)基地[2]，蔗糖產(chǎn)業(yè)是云南省的高原特色產(chǎn)業(yè)，更是扶貧產(chǎn)業(yè)[3]。云南的甘蔗主要種植于丘陵山區(qū)旱坡地，準(zhǔn)確識別甘蔗種植區(qū)分布范圍，對有關(guān)部門制定相應(yīng)的土地政策，為甘蔗產(chǎn)量和效益評估提供有效參考，對當(dāng)?shù)剞r(nóng)業(yè)可持續(xù)發(fā)展、保障食糖供給安全都具有重要現(xiàn)實(shí)意義。

農(nóng)作物的遙感識別方法主要包括兩大類：單時相遙感影像識別和多時相遙感變化監(jiān)測[4]。多時相遙感影像相較單時相影像更能反映植被的季節(jié)變化以及物候特征，有效增加農(nóng)作物的識別精度，目前已經(jīng)被廣泛應(yīng)用于農(nóng)作物的識別與監(jiān)測中[5]。如邊增淦等[6]利用2018 年18 景GF-1 WFV影像構(gòu)建出的歸一化植被指數(shù)時間序列并采用分層策略逐步提取出黑河流域中游地區(qū)的作物種植結(jié)構(gòu)。劉吉凱等[7]選用多時相GF_1 WFV 高分辨率遙感數(shù)據(jù)，采用多時相迭代法構(gòu)建甘蔗提取決策樹模型提取出廣西江州區(qū)的甘蔗種植區(qū)，總體精度（overall accuracy， OA）達(dá)到95.26%。大量研究表明，聯(lián)合多源遙感影像可以增加影像數(shù)量，增加對地觀測有效像元次數(shù)[8]，有效彌補(bǔ)單種數(shù)據(jù)源數(shù)據(jù)量少的局限性[9]，是實(shí)現(xiàn)多云霧地區(qū)、大范圍農(nóng)作物種植信息提取的主要手段[10]。如譚深等[11]融合Landsat-8 與Sentinel-2 光學(xué)數(shù)據(jù)、Sentinel-1 微波SAR 數(shù)據(jù)和其他輔助數(shù)據(jù)，解決了南方地區(qū)多云天氣導(dǎo)致影像質(zhì)量不佳的問題，準(zhǔn)確、高效地提取了海南省的水稻種植范圍，OA為93.2% 。ZHENG 等[12] 基于Landsat-7/8 、Sentinel-1/2 合成的時間序列影像利用TWDTW法評估作物的物候相似性，并識別出中國的甘蔗種植區(qū)，SR 數(shù)據(jù)的OA 為93.47%。

不同作物具有不同的物候特征，植被物候能夠反映植被生長規(guī)律，國內(nèi)外學(xué)者通過提取植被物候特征，進(jìn)行甘蔗等農(nóng)作物的識別與分類。ALEXANDRE 等[13]利用多時相MODIS-EVI 數(shù)據(jù)通過甘蔗與其他作物的增強(qiáng)型植被指數(shù)物候特征的差異實(shí)現(xiàn)巴西圣保羅州農(nóng)作物的分類。張東東等[14]通過選擇特定時相的HJ-1 CCD 影像，利用甘蔗生長特點(diǎn)，采用決策樹分類模型區(qū)分出中國南方地區(qū)的甘蔗與其他地物，OA 達(dá)到93.2%，Kappa 系數(shù)為0.81。WANG 等[15]基于Sentinel-1、Sentinel-2 和Landsat 影像構(gòu)建的時間序列數(shù)據(jù)，采用基于像元和物候?qū)W的方法繪制了2018 年廣西省甘蔗分布圖， 甘蔗的制圖精度（produceraccuracy， PA）和用戶精度（user accuracy， UA）分別為88%和96%。

綜上所述，目前學(xué)者們已經(jīng)利用多時相、多數(shù)據(jù)源并結(jié)合物候特征的方法對甘蔗種植區(qū)進(jìn)行了提取，但是缺乏專門針對山區(qū)甘蔗提取的研究。由于山區(qū)地物類型復(fù)雜，耕地碎片化現(xiàn)象嚴(yán)重，耕地地塊細(xì)小狹窄且結(jié)構(gòu)復(fù)雜[16]，導(dǎo)致耕地信息難以快速、精準(zhǔn)獲取。為明確山區(qū)甘蔗種植區(qū)分布的情況和規(guī)律，本研究綜合利用多源、多時相遙感數(shù)據(jù)與植被物候的特點(diǎn)，以云南省玉溪市新平縣為研究區(qū)，采用谷歌地球引擎（Google EarthEngine， GEE）云計算平臺，基于Landsat-8 和Sentinel-2 長時間序列合成影像數(shù)據(jù)，依據(jù)甘蔗與不同地物之間的物候特征、地形特征，借助物候參數(shù)，探究適用于山區(qū)甘蔗種植區(qū)提取的方法。旨在開發(fā)一種適合提取山區(qū)甘蔗種植區(qū)的有效算法，為當(dāng)?shù)剞r(nóng)業(yè)部門制定合理的土地利用政策提供參考。

1 材料與方法

1.1 研究區(qū)概況

新平縣位于云南省玉溪市西部，地形復(fù)雜，多山地、丘陵，耕地空間破碎化，種植結(jié)構(gòu)復(fù)雜，是云南省甘蔗主要生產(chǎn)縣之一，也是云南元江干熱河谷的典型山區(qū)農(nóng)業(yè)縣[17] 。新平縣地處23°38′15″～24°26′05″N，101°16′30″～102°16′50″E，全縣面積約為4223 km²（圖1）。研究區(qū)地形以山地為主，地處哀牢山中段東麓，縣境山區(qū)面積達(dá)4139.6 km²，占縣域面積的98%；地勢西北高、東南低，海拔為418～3143 m。新平縣年均降雨800 mm 左右，降雨量少，蒸發(fā)量大，氣候干熱，全年無霜，有利于蔗糖的積累[18]，適宜栽種甘蔗。蔗糖產(chǎn)業(yè)是新平縣的傳統(tǒng)產(chǎn)業(yè)，是當(dāng)?shù)剞r(nóng)民增收、企業(yè)增效的主要來源之一。

1.2 甘蔗提取技術(shù)路線

首先，將Landsat-8 OLI 和Sentinel-2 MSI 影像數(shù)據(jù)經(jīng)過去云、光譜波段校準(zhǔn)后計算遙感指數(shù)得到遙感指數(shù)時間序列，并將影像進(jìn)行合成、插值、平滑，構(gòu)建出以10 d 為間隔的高質(zhì)量無云、無空洞的時間序列合成影像；其次，利用時間序列合成影像提取耕地圖層，并基于耕地圖層，利用甘蔗的物候特征、地形特征提取甘蔗，并進(jìn)行精度驗(yàn)證（圖2）。

1.3 數(shù)據(jù)源及預(yù)處理

1.3.1 遙感影像及預(yù)處理 本研究基于GEE 平臺調(diào)用了2019 年10 月1 日到2021 年7 月1 日的覆蓋研究區(qū)所有的Landsat-8 OLI 與Sentinel-2MSI 影像共計1022 張。所用Landsat-8 OLI 影像、Sentinel-2 MSI 影像分別來自美國地質(zhì)調(diào)查局提供的Landsat-8 一級表面反射率數(shù)據(jù)集和Sentinel-2 的Level-2A 級地球表觀反射率數(shù)據(jù)集（表1），2 種數(shù)據(jù)集均已經(jīng)過幾何校正、輻射定標(biāo)、大氣校正， 同時利用Landsat-8 OLI 的QA_PIXEL 波段和Sentinel-2 MSI 的QA 波段分別對數(shù)據(jù)集進(jìn)行云和云陰影的掩膜。研究區(qū)內(nèi)像元的總觀測次數(shù)的空間分布見圖3A，研究區(qū)內(nèi)像元的良好觀測次數(shù)即掩膜云和云陰影后的像元的有效觀測次數(shù)的空間分布見圖3B，統(tǒng)計結(jié)果顯示，所有像元在2019 年10 月1 日到2021 年7 月1 日期間至少有35 次良好的觀測，圖3A 與圖3B 中右下角觀測次數(shù)較高的原因是該區(qū)域恰好位于Landsat-8 OLI 行列號為129/43、129/44、130/43的影像的重疊區(qū)域以及Sentinel-2 MSI 行列號為N0208_R104 、N0209_R104 、N0300_R104 、N0208_R061、N0209_R061、N0300_R061 的影像的重疊區(qū)域。

本研究采用ZHANG 等[19]提供的校正系數(shù)對Landsat-8 和Sentinel-2 影像進(jìn)行光譜波段校準(zhǔn)，以消除不同衛(wèi)星傳感器之間的差異。計算每張影像的光譜指數(shù)： 歸一化植被指數(shù)（ normalizeddifference vegetation index， NDVI）[20]、陸表水分指數(shù)（land surface water index， LSWI）[21]、增強(qiáng)型植被指數(shù)（enhanced vegetation index， EVI）[22]和修正后歸一化差異水體指數(shù)（modified normalizeddifference water index， MNDWI）[23]，計算公式如式（1）～（4）所示。

1.3.2 數(shù)字高程模型 數(shù)字高程模型（digitalelevation model， DEM）可生成坡度、坡向、剖面圖等，輔助地形地貌分析。本研究所采用的DEM開源數(shù)據(jù)來源于美國國家航空航天局提供的第三級產(chǎn)品， 空間分辨率為30 m ， 產(chǎn)品ID 為“USGS/SRTMGL1_003”。由于新平縣多山地的地形地貌，因此本研究考慮引入地形因子來輔助分析甘蔗的地形特征。

1.3.3 野外調(diào)查數(shù)據(jù) 為確定新平縣甘蔗的物候特征，本團(tuán)隊(duì)于2022 年4 月進(jìn)行實(shí)地調(diào)研。樣本集由實(shí)地調(diào)查定位出在2020 年作物的種植類型未發(fā)生改變的樣本和谷歌地球結(jié)合目視解譯的解譯樣本組成，包括常綠植被、水體、不透水層、甘蔗與其他農(nóng)作物。甘蔗與其他農(nóng)作物的樣本組成如表2 所示。

1.4 時間序列影像合成

影像合成壓縮了數(shù)據(jù)的時間維度，減少了數(shù)據(jù)冗余，合成后的時間序列影像十分規(guī)則有序[24]，有利于研究地物的物候特征。最大值合成法可避免云雨天氣對遙感影像計算的NDVI 值存在低值噪聲的影響[25]，因此，本研究以10 d 為影像合成的時間窗口，以最大值合成法生成NDVI 時間序列，以均值合成法生成LSWI、EVI、MNDWI 時間序列，并將合成后的影像全部重采樣為10 m。采用線性插值法[25]填補(bǔ)影像由于去云和去云影造成的空洞，利用移動窗口大小為9，濾波器階數(shù)為2 的Savitzky-Golay 濾波器來平滑NDVI 時間序列，以消除數(shù)據(jù)噪聲影響[26]?；诖?，本研究構(gòu)建了新平縣2019 年10 月1 日至2021 年7 月1 日的時間序列合成影像數(shù)據(jù)集。

1.5 甘蔗種植區(qū)提取算法

實(shí)地調(diào)研顯示，新平縣的主要土地類型大致分為4 類：常綠植被、水體、不透水層和耕地。借鑒前人的理論基礎(chǔ)通過遙感指數(shù)時間序列對4類地物進(jìn)行提取，識別算法如表3 所示。其中，常綠植被在時間序列中被定義為全年存在超過90%的觀測值的LSWI 大于0 且EVI 大于0.2；水體在時間序列中被定義為全年存在至少5%的觀測值的MNDWI 大于NDVI 且NDVI 小于0.1；不透水層在時間序列中被定義為全年超過90%的觀測值的LSWI 小于0.2。耕地圖層通過掩膜常綠植被、水體、不透水層的圖層范圍得到，并通過在耕地圖層中研究甘蔗與其他作物的物候差異來實(shí)現(xiàn)對甘蔗種植區(qū)的提取。

植物物候現(xiàn)象是環(huán)境條件季節(jié)和年際變化最直觀、最敏感的生物指示器[30]。植被指數(shù)時間序列能夠較好地反映植被的代謝強(qiáng)度及其季節(jié)性變化及年際變化。通過研究分析甘蔗與研究區(qū)內(nèi)主要農(nóng)作物（水稻、玉米、香蕉）的NDVI 時間序列曲線（圖4），發(fā)現(xiàn)新平縣甘蔗大多在3 月末至4 月初播種，此時甘蔗的NDVI 值最低，9 月甘蔗的NDVI 值上升到0.7 以上，11—12 月甘蔗成熟，12 月至次年4 月為甘蔗收割期，甘蔗的NDVI 值開始下降；研究區(qū)內(nèi)水稻大多為雙季稻，在1 年內(nèi)有2 個生長周期，與甘蔗明顯不同；玉米比甘蔗的種植時間晚而收獲時間早；香蕉與甘蔗的NDVI 曲線類似，但是甘蔗收割后表現(xiàn)出與裸土相似的NDVI 值，與香蕉明顯不同。甘蔗的生長周期較長，一般在8 個月至1 年以上[31]，并且甘蔗是一種高生物量作物，因此甘蔗有較長一段時間的NDVI 值處于較高水平。

為了定量研究甘蔗與其他農(nóng)作物的物候特征差異，我們引入物候參數(shù)來說明。植被指數(shù)時間序列被廣泛應(yīng)用于植被物候參數(shù)提取[32]。利用物候參數(shù)可以較好地進(jìn)行農(nóng)作物分類研究[33]。本研究根據(jù)NDVI 時間序列曲線提取的物候參數(shù)如圖5 所示，物候參數(shù)的說明如表4 所示，其中基值（base of season， BOS）為生長季階段NDVI 曲線左邊最小值（a 點(diǎn)）與右邊最小值（f 點(diǎn)）的均值，振幅（amplitude， AMP）為生長季階段NDVI 曲線最大值與基值的差值，上升時間（rise time， Tr）表示生長季階段NDVI 從振幅的10%（b 點(diǎn)）上升到振幅的90%（c 點(diǎn)）所用的時間，下降時間（fall time， Tf）表示生長季階段NDVI 從振幅的90%（d 點(diǎn)）下降到振幅的10%（e 點(diǎn)）所用的時間，上積分（above integral of season， AIOS）表示生長季階段NDVI 曲線與基值之間的積分，下積分（below integral of season， BIOS）表示生長季階段基值與坐標(biāo)0 軸之間的積分[34]。本研究選擇物候參數(shù)上升時間、下降時間、上積分、下積分作為甘蔗提取的物候特征，并繪制甘蔗與其他農(nóng)作物的訓(xùn)練樣本在物候參數(shù)上升時間、下降時間、上積分、下積分上的直方圖分布（圖6）。本研究基于90%的置信區(qū)間獲取甘蔗訓(xùn)練樣本的物候參數(shù)范圍，并依據(jù)此范圍進(jìn)行研究區(qū)內(nèi)甘蔗種植區(qū)的提取。物候參數(shù)閾值分布范圍為：上升時間大于30 d 且小于190 d，下降時間大于70 d 且小于200 d，上積分大于90 且小于164，下積分大于26 且小于82。

由于新平縣地形以山地為主，因此本研究考慮引入海拔、坡度因子作為山區(qū)甘蔗提取的輔助特征。據(jù)研究報道，云南省甘蔗海拔分布范圍為422～1300 m[35-37]，坡度達(dá)到25°以上。實(shí)地調(diào)研顯示， 新平縣甘蔗種植區(qū)大致分布在海拔480～1330 m，坡度30°以下。因此綜合考慮研究報道以及實(shí)地調(diào)研結(jié)果調(diào)整研究區(qū)內(nèi)提取甘蔗種植區(qū)的海拔及坡度因子范圍為海拔為400～1400 m，坡度在30°以下。

綜上，本研究提出的甘蔗種植區(qū)提取算法為：30

2 結(jié)果與分析

2.1 主要土地類型提取結(jié)果

本研究提取的新平縣常綠植被、水體、不透水層和耕地如圖7A 所示。圖7B 為圖7A 中標(biāo)記為1 區(qū)域的細(xì)節(jié)放大圖，綠色區(qū)域?yàn)樾缕娇h常綠植被提取結(jié)果的局部示意圖；圖7C 為圖7A 中標(biāo)記為2 區(qū)域的細(xì)節(jié)放大圖，藍(lán)色區(qū)域?yàn)樾缕娇h水體提取結(jié)果的局部示意圖；圖7D 為圖7A 中標(biāo)記為3 區(qū)域的細(xì)節(jié)放大圖，粉色區(qū)域?yàn)樾缕娇h不透水層提取結(jié)果的局部示意圖；圖7E 為圖7A 中標(biāo)記為4 區(qū)域的細(xì)節(jié)放大圖，黃色區(qū)域?yàn)樾缕娇h耕地提取結(jié)果的局部示意圖。由圖7A 可知，新平縣耕地主要集中在新平縣中部及北部。

2.2 甘蔗提取結(jié)果及精度評價

為了驗(yàn)證本研究算法對研究區(qū)甘蔗的提取精度，依據(jù)實(shí)地調(diào)研情況在Google Earth 中隨機(jī)選取274 個甘蔗樣本與470 個其他農(nóng)作物樣本作為驗(yàn)證樣本，基于混淆矩陣構(gòu)建OA、Kappa 系數(shù)、PA 和UA 進(jìn)行山區(qū)甘蔗提取精度評估。新平縣甘蔗提取的OA 達(dá)97.07%，Kappa 系數(shù)為0.83，從分類精度評價指標(biāo)來看，提取OA 較高，整體分類精度滿足空間分析與實(shí)際應(yīng)用需求。甘蔗提取的PA 與UA 分別達(dá)到88.86%和80.57%，其他農(nóng)作物PA 與UA 分別達(dá)到97.88%和98.89%，提取面積為7705 hm²，提取結(jié)果較好。

本研究提取的2020 年新平縣的甘蔗種植區(qū)分布圖見圖8A，其中圖8B 和圖8C 分別為圖8A中標(biāo)記為1、2 區(qū)域的細(xì)節(jié)放大圖（透明度60%的淺綠色區(qū)域?yàn)樽R別的甘蔗）。由圖8A 可知，2020年新平縣甘蔗種植區(qū)大多分布于新平縣中南部及北部，集中于漠沙鎮(zhèn)、戛灑鎮(zhèn)、老廠鄉(xiāng)，其他地區(qū)甘蔗種植區(qū)零星分布。從甘蔗種植區(qū)分布地形地貌來看，2020 年新平縣甘蔗種植區(qū)多分布于新平縣北部及中部偏南，分布于地勢較平坦、海拔相對較低的地帶，由于新平縣地勢西北高、東南低，甘蔗種植區(qū)也呈現(xiàn)東南多于西北的現(xiàn)象。進(jìn)一步分析研究區(qū)內(nèi)甘蔗種植區(qū)的空間分布情況可知，新平縣甘蔗地塊分散且不規(guī)則，地塊邊界模糊。該分布圖可以作為開展甘蔗種植區(qū)長勢、災(zāi)害等遙感監(jiān)測的基礎(chǔ)數(shù)據(jù)。從鄉(xiāng)鎮(zhèn)尺度來看，新平縣甘蔗分布面積較多的區(qū)域是漠沙鎮(zhèn)、戛灑鎮(zhèn)、老廠鄉(xiāng)，其中漠沙鎮(zhèn)甘蔗分布最多（圖9）。漠沙鎮(zhèn)、戛灑鎮(zhèn)、老廠鄉(xiāng)的甘蔗種植面積分別為2786、1458、1332 hm²，分別占新平縣甘蔗種植面積的36.16%、18.92%、17.29%。新平縣甘蔗分布面積較少的區(qū)域分別是古城街道、桂山街道、建興鄉(xiāng)，古城街道甘蔗分布最少，古城街道、桂山街道、建興鄉(xiāng)的甘蔗種植面積分別為0.87、54.00 、13.70 hm²，分別占新平縣甘蔗種植面積的0.01%、0.70%、0.18%。分析發(fā)現(xiàn)新平縣各鄉(xiāng)鎮(zhèn)甘蔗提取分布趨勢情況與實(shí)地調(diào)研結(jié)果一致。

2.3 物候參數(shù)敏感性分析

對本研究中用到的上升時間、下降時間、上積分、下積分4 個物候參數(shù)進(jìn)行敏感性分析（圖10）?？梢园l(fā)現(xiàn)，選取上升時間、下降時間、上積分、下積分這4 個物候參數(shù)作為提取山區(qū)甘蔗種植區(qū)的物候特征時，甘蔗提取算法中甘蔗的UA為88.85%達(dá)到最高，PA 為80.57%，此時甘蔗的錯分誤差最小，漏分誤差最大。當(dāng)甘蔗提取算法中物候參數(shù)分別設(shè)為下降時間、上積分、下積分（Tf+AIOS+BIOS），上升時間、上積分、下積分（Tr+AIOS+BIOS），上升時間、下降時間、上積分（Tr+Tf+AIOS），上升時間、下降時間、下積分（Tr+Tf+BIOS）這4 種情況時，甘蔗提取算法中甘蔗的UA 分別下降為88.50%、79.37%、75.35%、67.20%，PA 分別上升為82.42%、84.40%、83.52%、85.00%。物候參數(shù)敏感性分析表明，選取上升時間、下降時間、上積分、下積分4 個物候參數(shù)參與甘蔗提取算法時甘蔗提取效果最好，4個物候參數(shù)在提取甘蔗時都是重要的物候參數(shù)，都是甘蔗制圖算法的重要組成部分。本研究甘蔗制圖算法中所用物候參數(shù)對于耕地中甘蔗種植區(qū)的提取有較好的提取能力，有助于甘蔗與其他農(nóng)作物的物候特征分析。

3 討論

本研究提出了適用于山區(qū)復(fù)雜地形，基于Landsat-8 OLI 與Sentinel-2 MSI 合成的時間序列遙感影像數(shù)據(jù)的甘蔗種植區(qū)的提取方法。以典型山區(qū)甘蔗種植區(qū)新平縣為研究區(qū)，生成一幅10 m空間分辨率的2020 年新平縣甘蔗種植區(qū)分布圖。本研究中甘蔗種植區(qū)提取的OA 為97.07%，Kappa系數(shù)為0.83， 提取精度較為良好， 表明基于Landsat-8 OLI 與Sentinel-2 MSI 合成的時間序列遙感影像數(shù)據(jù)結(jié)合光譜指數(shù)特征、物候特征與地形特征可以實(shí)現(xiàn)山區(qū)甘蔗種植區(qū)的提取并繪制出甘蔗分布圖，精度滿足基本需求。提取的新平縣甘蔗種植區(qū)面積為7705 hm²，其中漠沙鎮(zhèn)、戛灑鎮(zhèn)、老廠鄉(xiāng)的甘蔗種植最多，總共占新平縣甘蔗種植區(qū)的72.37%，古城街道、桂山街道和建興鄉(xiāng)的甘蔗種植最少，總共占新平縣甘蔗種植區(qū)的0.89%，可見鄉(xiāng)鎮(zhèn)間甘蔗種植區(qū)分布差異顯著。本研究提出的甘蔗種植區(qū)提取算法的UA和PA 不是很高，其原因是新平縣耕地種植結(jié)構(gòu)復(fù)雜，地塊破碎，中等空間分辨率的影像像元內(nèi)可能包含多種地類；本研究選擇可免費(fèi)獲取的Landsat-8 和Sentinel-2 影像在多云天氣的新平縣很難保證每個像元在10 d 內(nèi)有一幅高質(zhì)量的衛(wèi)星影像，經(jīng)過插值后的像元值在反映作物生長的真實(shí)情況時存在一定的不確定性，因此未來可利用不受天氣影響的Sentinel-1 A/B 影像來輔助進(jìn)行甘蔗種植區(qū)的提取。

新平縣是典型的山區(qū)甘蔗種植區(qū)，在利用物候特征提取山區(qū)甘蔗時，多源、多時相遙感數(shù)據(jù)的融合可極大提高遙感影像的空間與時間分辨率，盡可能避免山區(qū)多云雨、復(fù)雜的地形地貌因素導(dǎo)致山區(qū)遙感影像質(zhì)量不高[38]的問題，為山區(qū)甘蔗提取與精細(xì)化制圖提供一種有效參考。本研究基于NDVI 時間序列數(shù)據(jù)，借助甘蔗與常綠植被、水體、不透水層、其他農(nóng)作物在光譜指數(shù)特征、物候特征、地形特征上的差異，采用上升時間、下降時間、上積分、下積分4 個物候參數(shù)以及海拔、坡度因子確定提取甘蔗的最佳閾值，相較張東東等[14]學(xué)者選擇用多時相影像，單一光譜特征，利用純凈甘蔗訓(xùn)練樣本進(jìn)行決策樹分類的方法來進(jìn)行甘蔗種植區(qū)的提取，本研究不僅增加了研究區(qū)內(nèi)像元良好觀測次數(shù)，克服了山區(qū)等多云雨地區(qū)影像質(zhì)量不高的問題，并且可以更充分地利用甘蔗的生長特征及物候特征，對甘蔗樣本長勢情況的依賴相對較小。本研究利用4 個物候參數(shù)確定了甘蔗提取的最佳物候參數(shù)閾值，上升時間、下降時間、上積分、下積分4 個物候參數(shù)在提取甘蔗時都是重要的物候參數(shù)，為未來其他地區(qū)的山區(qū)甘蔗種植區(qū)提取提供重要的物候特征參考。

研究區(qū)內(nèi)地貌復(fù)雜，耕地破碎度較高，由于研究區(qū)海拔及氣候等因素的影響，耕地在休耕期會出現(xiàn)雜草叢生，作物收割殘留枝葉等現(xiàn)象，在影像上導(dǎo)致光譜混淆，容易出現(xiàn)“異物同譜”現(xiàn)象。因此，使得在甘蔗種植區(qū)提取過程中難免出現(xiàn)錯提或漏提現(xiàn)象。今后考慮將使用更高分辨率的遙感數(shù)據(jù)或運(yùn)用更小的時間分辨率組成的時間序列數(shù)據(jù)來進(jìn)一步提高提取的精度，建立普適性更高的山區(qū)甘蔗種植區(qū)提取算法。本研究的提取精度雖然滿足縣域的山區(qū)甘蔗提取精度，適用于作為當(dāng)?shù)剞r(nóng)業(yè)部門的決策建議，但是甘蔗提取的用戶精度和制圖精度還是有待提高。希望之后考慮通過引入甘蔗的紋理特征等，提高山區(qū)甘蔗的提取精度，實(shí)現(xiàn)山區(qū)甘蔗的精細(xì)化提取。