摘要： 為了解決在多云雨天氣與復(fù)雜地形條件下難以快速精準(zhǔn)大面積繪制喀斯特山區(qū)甘蔗種植區(qū)的問題，亟須探究適用于喀斯特山區(qū)甘蔗種植區(qū)提取的方法。以廣西壯族自治區(qū)崇左市為研究區(qū)域，利用Sentinel-2數(shù)據(jù)計(jì)算多種植被指數(shù)，根據(jù)Sentinel-2原始波段、光譜指數(shù)和紋理信息特征分析，選取地物訓(xùn)練樣本，并引入DEM、土地利用等輔助識(shí)別特征變量，采用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)3種機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)2018—2021年甘蔗種植區(qū)遙感提取，再利用Google Earth影像和統(tǒng)計(jì)數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。結(jié)果表明，基于Sentinel-2的甘蔗種植區(qū)遙感提取效果較好，崇左市甘蔗種植區(qū)總體分類精度均高于91%，κ系數(shù)均大于0.88；3種分類方法提取面積誤差均值為-4.84%。2018—2021年，崇左市甘蔗種植面積趨于較平穩(wěn)狀態(tài)；主要甘蔗種植區(qū)以扶綏縣、江州區(qū)、龍州縣及大新縣南部和寧明縣北部為主。Sentinel-2數(shù)據(jù)在識(shí)別地類復(fù)雜多樣、農(nóng)田極其碎片和多云天氣頻繁等特點(diǎn)的作物信息方面具有較好潛力。

關(guān)鍵詞： Sentinel-2；甘蔗；面積提取；機(jī)器學(xué)習(xí)方法；喀斯特山區(qū)；崇左

中圖分類號(hào)：S127；P237 "文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）01-0172-11

甘蔗在全球食糖生產(chǎn)中具有非常重要的地位，約占全球糖產(chǎn)量的70%［1］，也是乙醇生產(chǎn)的生物能源原料［2］。及時(shí)、準(zhǔn)確、客觀地獲取甘蔗種植區(qū)及面積等信息對(duì)甘蔗產(chǎn)業(yè)的規(guī)劃與管理、甘蔗可持續(xù)生產(chǎn)、鄉(xiāng)村振興、區(qū)域經(jīng)濟(jì)與環(huán)境等至關(guān)重要［3］。目前，甘蔗產(chǎn)區(qū)農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)主要來源于實(shí)地調(diào)查、生產(chǎn)者報(bào)告、問卷調(diào)查和訪談等［4-5］。傳統(tǒng)方法耗時(shí)耗力，且難以及時(shí)獲取大范圍甘蔗田信息［6］。衛(wèi)星遙感克服了傳統(tǒng)的基于地面獲取統(tǒng)計(jì)數(shù)據(jù)費(fèi)時(shí)費(fèi)力且空間覆蓋度低等缺陷，為及時(shí)高效測(cè)繪大范圍、連續(xù)性的區(qū)域或全球尺度作物信息提供了一種可行的手段［7］。在過去十幾年里，遙感數(shù)據(jù)已被廣泛用于評(píng)估甘蔗，如繪制甘蔗的分布情況［8-10］、監(jiān)測(cè)區(qū)域甘蔗的長(zhǎng)勢(shì)及受災(zāi)情況［11-12］、估算甘蔗產(chǎn)量等［13］。對(duì)于甘蔗分布的測(cè)繪，已實(shí)現(xiàn)全球各區(qū)域的甘蔗種植區(qū)遙感反演。從影像數(shù)據(jù)角度看，中低分辨率的多光譜圖像是目前最流行的數(shù)據(jù)。如陸地衛(wèi)星 （Landsat，30 m）［3］和EOS系列衛(wèi)星 （MODIS，250 m）［14-15］。為了進(jìn)一步提高甘蔗反演精度，有些學(xué)者會(huì)選擇采用高空間分辨率（數(shù)十米）和非常高空間分辨率（小于10 m）的光學(xué)和合成孔徑雷達(dá)（SAR）數(shù)據(jù)。如地球觀測(cè)衛(wèi)星（SPOT，10 m）［16］、印度遙感衛(wèi)星（IRS-P6，5.8 m）［10］和SAR遙感（Sentinel-1，10 m）的圖像［1，9］。雖然高分辨率圖像的使用得到了相當(dāng)多的關(guān)注，但其局限性是購買成本高和覆蓋范圍小，妨礙了連續(xù)大范圍的甘蔗覆蓋監(jiān)測(cè)。此外，甘蔗雖然廣泛分布在熱帶和亞熱帶地區(qū)，但是區(qū)域性非常強(qiáng)，受地表景觀環(huán)境影響非常大。如我國與印度甘蔗產(chǎn)區(qū)地理環(huán)境差異較大，因此對(duì)不同區(qū)域甘蔗的遙感監(jiān)測(cè)具有極強(qiáng)的區(qū)域特性。我國是繼巴西和印度之后的第三大食糖生產(chǎn)國，且90%以上的糖料來自甘蔗［17］。廣西壯族自治區(qū)是我國最大的甘蔗生產(chǎn)基地［18］，其甘蔗種植面積和產(chǎn)量均占全國總產(chǎn)量的65%以上［17］。然而，廣西壯族自治區(qū)云量大、石漠化嚴(yán)重、地塊極其破碎、種植結(jié)構(gòu)復(fù)雜、甘蔗種植區(qū)錯(cuò)綜凌亂等特點(diǎn)給遙感應(yīng)用帶來了諸多挑戰(zhàn)。因此，譚宗琨等基于EOS_MODIS、HJ_1、GF_1_WFV、GF_2、Landsat8_OLI等數(shù)據(jù)采用最大似然法、決策樹分類、面向?qū)ο?、非監(jiān)督分類、隨機(jī)森林分類等方法，實(shí)現(xiàn)了廣西壯族自治區(qū)不同區(qū)域甘蔗識(shí)別［19-22，8］。但采用的數(shù)據(jù)多為過去幾年前的數(shù)據(jù)，近實(shí)時(shí)的甘蔗動(dòng)態(tài)分布無法快速精準(zhǔn)反演。因此，大規(guī)模甘蔗最新動(dòng)態(tài)分布的測(cè)繪可能取決于新興傳感器的能力。Sentinel-2是目前全球開源影像數(shù)據(jù)中分辨率最高的多光譜成像產(chǎn)品，且重訪周期短（5 d），提供了13個(gè)多光譜波段，其中4個(gè)傳統(tǒng)波段（紅/綠/藍(lán)/近紅外）的空間分辨率為10 m，3個(gè)波段為用于植被探測(cè)的紅邊波段［23］。在光學(xué)數(shù)據(jù)中，Sentinel-2數(shù)據(jù)是唯一在紅邊范圍含有3個(gè)波段的數(shù)據(jù)，這對(duì)監(jiān)測(cè)植被等非常有效。Sentinel-2數(shù)據(jù)已被用于植被［24-25］，如估算森林冠層覆蓋度和葉面積指數(shù)［26］、繪制紅樹林地圖［27］以及預(yù)測(cè)森林生長(zhǎng)量［28］，但它們很少應(yīng)用于甘蔗。與傳統(tǒng)的Landsat（30 m）和MODIS（250 m）數(shù)據(jù)相比，Sentinel-2數(shù)據(jù)具有更高的時(shí)空分辨率和更多的光譜信息， 可以為喀斯特山區(qū)甘蔗種植區(qū)遙感提取提供新的思路。針對(duì)遙感在甘蔗作物測(cè)繪中的潛在局限性以及農(nóng)戶、 糖廠和地方政府對(duì)甘蔗種植情況及時(shí)準(zhǔn)確信息的實(shí)際需求，探討Sentinel-2 在廣西壯族自治區(qū)喀斯特山區(qū)甘蔗種植區(qū)提取中的應(yīng)用潛力，解決以下3個(gè)問題：第一，如何綜合利用對(duì)象特征（如紅邊帶、植被指數(shù)或紋理信息）對(duì)甘蔗種植區(qū)高精度識(shí)別？ 第二，3種機(jī)器學(xué)習(xí)分類方法（神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)）在廣西壯族自治區(qū)喀斯特甘蔗種植區(qū)Sentinel-2的分類精度如何？ 第三，免費(fèi)的全球Sentinel-2傳感器能否為甘蔗種植區(qū)遙感反演打開一個(gè)新的窗口？以期拓展常年多云天氣影響下的喀斯特山區(qū)作物種植信息提取和Sentinel-2數(shù)據(jù)的應(yīng)用領(lǐng)域。

1 數(shù)據(jù)與材料

1.1 研究區(qū)概況

崇左市位于廣西壯族自治區(qū)西南部，是廣西壯族自治區(qū)最年輕的地級(jí)市，全市轄扶綏、大新、天等、寧明、龍州、憑祥、江州7個(gè)縣（市、區(qū)），總面積1.73萬km2，其中耕地面積52.02萬hm2，主要種植糧食、甘蔗、水果、瓜菜、木薯等。崇左市地勢(shì)大致呈西北及西南略高，向東傾斜，境內(nèi)山環(huán)岳繞，丘陵起伏，山多地少，地貌復(fù)雜多樣，以喀斯特巖溶地貌為主體（圖1）；地處北回歸線以南，屬亞熱帶季風(fēng)氣候區(qū)。甘蔗是崇左市最主要的經(jīng)濟(jì)作物，全市近3年平均甘蔗種植面積達(dá)28.77萬hm2，全市年產(chǎn)糖量200萬t左右，約占我國的1/5，被譽(yù)為“中國糖都”，是我國最大的甘蔗種植、蔗糖生產(chǎn)基地。其中，甘蔗種植區(qū)主要分布在崇左市的中部和東部地區(qū)，包括扶綏縣、江州區(qū)、大新縣南部、龍州縣南部、寧明縣北部和憑祥市東部等。由于受到喀斯特地形地貌等的影響，甘蔗田極其破碎分散，甘蔗、水稻和玉米等作物相間種植，林地、灌木和農(nóng)田地類錯(cuò)綜復(fù)雜，這給甘蔗田的精準(zhǔn)遙感監(jiān)測(cè)帶來一定的挑戰(zhàn)。

1.2 數(shù)據(jù)來源

本研究使用的Sentinel-2影像數(shù)據(jù)來源于歐洲航天局（簡(jiǎn)稱歐空局）（https：//scihub.copernicus.eu/）。根據(jù)甘蔗的生長(zhǎng)階段，主要選擇近4年（2018—2021年）甘蔗長(zhǎng)勢(shì)相對(duì)旺盛的分蘗期和伸長(zhǎng)期（5—10月）的影像。本研究使用Sentinel-2衛(wèi)星 L1C 級(jí)品，L1C 是經(jīng)正射校正和幾何精校正的大氣表觀反射率數(shù)據(jù)，但尚未進(jìn)行大氣校正。采用歐 空局提供的Sen2cor 插件對(duì)采集的1C級(jí)圖像進(jìn)行大氣校正和輻射定標(biāo)，得到L2A級(jí)的底層大氣反射率產(chǎn)品。

此外，DEM數(shù)據(jù)來自我國地理空間數(shù)據(jù)云平臺(tái)（http：//www.gscloud.cn）。甘蔗種植面積統(tǒng)計(jì)數(shù)據(jù)來源于崇左市統(tǒng)計(jì)年鑒和崇左市每年的國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)。廣西壯族自治區(qū)行政區(qū)劃和崇左市行政區(qū)劃矢量數(shù)據(jù)來源于全國地理信息資源目錄服務(wù)系統(tǒng)（http：//www.webmap.cn/）。

2 研究方法

將崇左市2018—2021年（5—10月）系列時(shí)序Sentinel-2遙感影像經(jīng)過輻射定標(biāo)、大氣校正等預(yù)處理，利用Sentinel-2數(shù)據(jù)各波段計(jì)算多種植被指數(shù)，根據(jù)Sentinel-2原始波段、光譜指數(shù)和紋理信息特征分析，選取地物訓(xùn)練樣本；分別采用隨機(jī)森林（random forests classification，RFC）、神經(jīng)網(wǎng)絡(luò) （neural net classification，NNC）和支持向量機(jī)（support "vector machine classification，SVMC）3種機(jī)器學(xué)習(xí)分類方法，實(shí)現(xiàn)2018—2021年各年份甘蔗種植區(qū)遙感提??；最后利用Google Earth影像和統(tǒng)計(jì)數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。具體流程見圖2。

本研究使用Sentinel-2數(shù)據(jù)計(jì)算包含紅邊波段的植被指數(shù)和常用的不包含紅邊的植被指數(shù)來分析Sentinel-2影像在甘蔗識(shí)別中的潛力， 以實(shí)現(xiàn)甘蔗種植區(qū)精準(zhǔn)監(jiān)測(cè)。主要選用的植被指數(shù)包括歸一化差值植被指數(shù)（NDVI）、增強(qiáng)植被指數(shù)（EVI）、地表水分指數(shù)（LSWI）、改進(jìn)的歸一化水體指數(shù)（MNDWI） 、紅邊 1 歸一化植被指數(shù)（NDVIre1）（表1）。

2.2 甘蔗種植區(qū)遙感提取方法

本研究采用當(dāng)前最常用且效果較好的隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)3種機(jī)器學(xué)習(xí)分類方法，對(duì)崇左市2018—2021年的Sentinel-2影像進(jìn)行甘蔗種植區(qū)遙感提取，并對(duì)比分析甘蔗區(qū)提取結(jié)果與精度，揭示Sentinel-2在廣西壯族自治區(qū)甘蔗種植區(qū)提取中的應(yīng)用潛力和定性定量評(píng)估構(gòu)建的甘蔗種植區(qū)提取方法的有效性。

3 廣西壯族自治區(qū)崇左市甘蔗種植區(qū)遙感提取

3.1 建立典型地物解譯標(biāo)志

Sentinel-2在4-3-2波段自然真彩色合成下，根據(jù)地物類型的顏色、紋理特征，能較清晰地判斷出不同地物類型。根據(jù)分類的需要，目前主要將崇左市地物分成甘蔗、水稻、其他耕地、林地、草地/灌木、裸地、建設(shè)用地、水體8種地物類型。甘蔗、水稻、其他耕地都分布在較平坦、靠近交通道路的區(qū)域；林地、草地/灌木主要分布在高山區(qū)域；在喀斯特山區(qū)，有明顯的呈黃色裸露石頭或粉紅色的裸地；甘蔗與水稻、水稻與草地灌木較容易混淆，其他地物識(shí)別度都相對(duì)較高。甘蔗的紋理較粗，顏色較深，呈墨綠色，而水稻的紋理相對(duì)偏細(xì)，顏色較淺，呈淺綠色，多數(shù)靠近河流等水域。其他耕地顏色相對(duì)復(fù)雜，淺黃色、淺綠色、淺粉色等交錯(cuò)。此外，還可以根據(jù)地理位置，周邊環(huán)境等條件進(jìn)行進(jìn)一步區(qū)分（表2）。

3.2 基于植被指數(shù)、DEM、土地利用數(shù)據(jù)的特征分類

為了進(jìn)一步區(qū)分各地物類型，將Sentinel-2構(gòu)建的植被指數(shù)和DEM、土地利用數(shù)據(jù)進(jìn)行分析每類地物的特點(diǎn)，構(gòu)建特征分類。第1層，將植被、水體、建設(shè)用地和裸地區(qū)分，植被中的林地、草地/灌木、甘蔗、水稻等NDVI、LSWI和EVI都較高，Dong等將LSWIgt;0和EIVgt;0.2的算法應(yīng)用于MODIS和Landsat數(shù)據(jù)進(jìn)行中國、美國和泛熱帶地區(qū)的常綠植被制圖［34］。本研究使用相同的算法對(duì)廣西壯族自治區(qū)崇左市植被進(jìn)行提取。水體識(shí)別使用改進(jìn)的歸一化水體指數(shù)（MNDWI）、NDVI和EVI來 計(jì)算，（MDWIgt;NDVI 或 MNDWIgt;EVI） 和 （NDVIlt; 0.1或 EVIlt;0.1）［35］。建設(shè)用地和裸地的NDVI和LSWI一般都較低，鑒于廣西壯族自治區(qū)的景觀非常復(fù)雜和破碎，將LSWI的閾值從Dong 等 的0［34］修改為0.2 （LSWIlt;0.2），以識(shí)別建設(shè)用地、裸地和植被的混合像素。第2層，將耕地與裸地進(jìn)行區(qū)分，主要將林地、草地/灌木類與甘蔗、水稻和其他耕地類進(jìn)行區(qū)分。根據(jù)崇左市地形地貌的特點(diǎn)，耕地主要分布在較平坦的交通便利的峰叢谷地、峰叢洼地區(qū)域，其坡度一般都較小，可以采用DEM數(shù)據(jù)和原來的土地利用數(shù)據(jù)將耕地與非耕地進(jìn)行區(qū)分。第3層，在原來的基礎(chǔ)上，將甘蔗與水稻、其他耕地，林地與草地/灌木進(jìn)一步精確分類。將Sentinel-2計(jì)算的植被指數(shù)通過多次試驗(yàn)進(jìn)一步將所有地物類型進(jìn)行精確區(qū)分（表3）。

3.3 分析Sentinel-2不同地物波譜曲線

根據(jù)Sentinel-2自然真彩色圖像及建立的典型地物解譯標(biāo)志，提取各典型地物光譜特征，并繪制其光譜特征曲線（圖3）。經(jīng)過對(duì)比分析發(fā)現(xiàn)，甘蔗、水稻、林地和草地/灌木具有較相似的波譜變化特征，但其最高值（波譜8A）和1 600 nm（波譜11）處都有一定差異。其他耕地、裸地、建設(shè)用地、水體和云都可高度區(qū)分。

3.4 典型地物樣本選取及可分離度檢驗(yàn)

根據(jù)Sentinel-2所選取的解譯標(biāo)志，針對(duì)不同地物類型間的特征關(guān)系、紋理信息和波譜曲線特性，通過對(duì)比、分析和判斷，選取2018—2021年崇左市下墊面各典型地物類型訓(xùn)練樣本，每年樣本量約400個(gè)，并不斷循環(huán)調(diào)整，選擇可分離度最優(yōu)的訓(xùn)練樣本組合。

在最優(yōu)的樣本組合中，各典型地物的可分離度都很高，Jeffries- Matusita和Transformed Divergence參數(shù)均在1.9～2.0之間。以2020年的分類樣本為例，甘蔗與草地/灌木間的參數(shù)范圍最低（1.98左右）， 甘蔗與其他地物間的參數(shù)均在1.99以上。上述地物樣本的選取能滿足遙感分類的分離度需求。

3.5 甘蔗種植區(qū)遙感提取

根據(jù)所選的地物訓(xùn)練樣本，分別采用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)3種機(jī)器學(xué)習(xí)分類方法，繪制崇左市甘蔗種植區(qū)分布圖，以2020年為例，3種分類方法得到的結(jié)果見圖4。3種分類結(jié)果典型地物空間分布與原始Sentinel-2數(shù)據(jù)大致吻合，甘蔗、水稻、 其他耕地地物主要分布在崇左市中部、東部地勢(shì)平坦地區(qū)；林地、草地/灌木類主要分布在北部和南部高山區(qū)域；建設(shè)用地、裸地和水體能較準(zhǔn)確地提取。林地是最大的植被類型，其次是草地灌木，甘蔗排第三，甘蔗又是耕地中最多的類型。

將其中的一種分類方法（隨機(jī)森林）的分類結(jié)果局部放大，與Sentinel-2原圖做進(jìn)一步對(duì)比，可清晰地辨識(shí)各典型地物的提取情況。b點(diǎn)的建設(shè)用地能準(zhǔn)確分類出城市建筑和交通道路；c點(diǎn)的林地基本如實(shí)提取，偶合會(huì)出現(xiàn)與草地/灌木混淆的區(qū)域；d點(diǎn)的甘蔗反演與原圖基本對(duì)應(yīng)；e點(diǎn)的湖泊水體的識(shí)別度較好（圖5）。

將2018—2021年崇左市甘蔗種植區(qū)提取結(jié)果作比較，以隨機(jī)森林分類結(jié)果為例（圖6）。近4年廣西壯族自治區(qū)崇左市甘蔗種植分布和面積趨于較穩(wěn)定狀態(tài)。崇左市甘蔗種植主要集中在中部和東部，空間上呈集中連片分布，北部和南部較少，空間上分布較零散。其中，扶綏縣、江州區(qū)、龍州縣、大新縣甘蔗種植面積較大，寧明縣、天等縣、憑祥市種植較少。甘蔗的種植與地形地貌、河流水系和交通道路等因素密切相關(guān)。崇左市以喀斯特巖溶地貌為主，極大限制了甘蔗的種植區(qū)域。在地形平坦、耕作面積大、距離水系較近、交通便利的區(qū)域，甘蔗種植較密集；在丘陵山區(qū)，土地較貧瘠，地勢(shì)坡度較大，甘蔗分布較零星。

3.6 甘蔗種植面積精度檢驗(yàn)

3.6.1 混淆矩陣精度評(píng)價(jià)

基于驗(yàn)證樣本，將2018—2021年崇左市甘蔗分類結(jié)果采用混淆矩陣計(jì)算方法進(jìn)行解譯精度評(píng)價(jià)。具體以總體精度、κ系數(shù)、用戶精度和生產(chǎn)者精度作為主要檢驗(yàn)指標(biāo)（表4）。2018—2021年崇左市地物3種分類方法的分類總體精度均達(dá)91%以上，κ系數(shù)均達(dá)0.88以上，用戶精度達(dá)94%以上，生產(chǎn)者精度達(dá)92%以上。表明2018—2021年崇左市甘蔗種植區(qū)提取效果較好，分類精度較高，能滿足應(yīng)用需求。

3.6.2 統(tǒng)計(jì)數(shù)據(jù)精度評(píng)價(jià)

為了進(jìn)一步評(píng)價(jià)基于Sentinel-2的崇左市甘蔗種植區(qū)遙感反演精度，將解譯的2018—2021年崇左市甘蔗區(qū)面積與統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對(duì)比（圖7）。3種分類方法遙感解譯的甘蔗面積與統(tǒng)計(jì)數(shù)據(jù)面積非常接近。2018年反演精度較好的是支持向量機(jī)分類方法，其相對(duì)誤差為2.77%；2019年反演精度相對(duì)較高的是神經(jīng)網(wǎng)絡(luò)分類方法，其相對(duì)誤差是4.32%；2020年反演精度最好的為神經(jīng)網(wǎng)絡(luò)分類，相對(duì)誤差為-2.84%。2021年由于缺乏甘蔗種植面積統(tǒng)計(jì)數(shù)據(jù)，無法計(jì)算具體誤差。但2021年3種方法提取的甘蔗面積分別為31.08萬、25.58萬、24.42萬hm2，與2018—2020年統(tǒng)計(jì)的平均面積28.77萬hm2非常接近。

4 討論

本研究采用免費(fèi)的Sentinel-2衛(wèi)星遙感數(shù)據(jù)作為主要數(shù)據(jù)源，對(duì)我國主要的甘蔗種植基地——廣西壯族自治區(qū)崇左市的甘蔗作物信息進(jìn)行提取。數(shù)據(jù)獲取的時(shí)間范圍是2018—2021年，崇左市的甘蔗、玉米和水稻是主要作物。同時(shí)，主要以喀斯特地形地貌為主，農(nóng)作物和果樹（香蕉、火龍果、橘子等）的套種模式是崇左市較普遍的農(nóng)業(yè)種植模式。該區(qū)域具備甘蔗生長(zhǎng)的雨熱條件，非常適合種植甘蔗。但常年受云雨天氣影響嚴(yán)重，農(nóng)田極其破碎分散，作物相間種植，地類錯(cuò)綜復(fù)雜等特點(diǎn)給精準(zhǔn)遙感應(yīng)用帶來一定的挑戰(zhàn)。因此， 在多云雨天氣條件下的復(fù)雜破碎景觀中探究適用于喀斯特山區(qū)甘蔗種植區(qū)提取的方法十分有意義，不僅是農(nóng)業(yè)調(diào)查一個(gè)新方向，也可以拓展Sentinel-2數(shù)據(jù)的應(yīng)用領(lǐng)域。

本研究利用Sentinel-2數(shù)據(jù)計(jì)算多種植被指數(shù)，根據(jù)Sentinel-2原始波段、光譜指數(shù)和紋理信息特征分析，選取地物訓(xùn)練樣本，并引入DEM等輔助識(shí)別特征變量，采用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)3種機(jī)器學(xué)習(xí)方法，實(shí)現(xiàn)2018—2021年甘蔗種植 區(qū)遙感提取。對(duì)分類結(jié)果進(jìn)行定量與定性的分析，結(jié)果表明：（1）使用Sentinel-2數(shù)據(jù)計(jì)算包含紅邊波段的植被指數(shù)和常用的不包含紅邊的植被指數(shù)：歸一化差值植被指數(shù)（NDVI）、增強(qiáng)植被指數(shù)（EVI）、地表水分指數(shù)（LSWI）、改進(jìn)的歸一化水體指數(shù)（MNDWI） 、紅邊 1 歸一化植被指數(shù)（NDVIre1）。利用Sentinel-2構(gòu)建的植被指數(shù)和DEM、土地利用數(shù)據(jù)，構(gòu)建特征分類，為實(shí)現(xiàn)喀斯特山區(qū)甘蔗種植區(qū)精準(zhǔn)監(jiān)測(cè)提供了非常有利的信息。Sentinel-2在4-3-2波段自然真彩色合成下，不同地物類型的顏色、紋理特征差異較大，能較清晰地判斷出不同地物類型。同時(shí)，Sentinel-2不同地物 波譜曲線明顯，可高度區(qū)分。因此，在最優(yōu)的樣本組合中，各典型地物的可分離度都很高。如2020年甘蔗與草地/灌木間的參數(shù)范圍最低（1.98左右），甘蔗與其他地物間的參數(shù)均在1.99以上。（2）分別采用隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)3種機(jī)器學(xué)習(xí)分類方法，繪制2018—2021年崇左市甘蔗種植區(qū)分布圖，進(jìn)一步證明Sentinel-2提取甘蔗種植區(qū)的適用性。從2018—2021年各年份的分類精度、κ系數(shù)來看，比之前基于EOS_MODIS、HJ_1、GF_1_WFV、Landsat8_OLI等遙感數(shù)據(jù)提取的甘蔗種植區(qū)的精度要高。（3）本研究區(qū)域?yàn)閺V西壯族自治區(qū)崇左市，范圍較小，屬于喀斯特地形地貌，對(duì)于非喀斯特地區(qū)的甘蔗種植區(qū)遙感提取需要進(jìn)一步驗(yàn)證。后期擬開展全國范圍的甘蔗種植區(qū)遙感提取與實(shí)地調(diào)研，爭(zhēng)取在全國尺度上實(shí)現(xiàn)近實(shí)時(shí)甘蔗種植區(qū)的高效、精確提取，進(jìn)而為自動(dòng)提取甘蔗種植區(qū)域提供新的解決方法與技術(shù)路線。

5 結(jié)論

本研究基于Sentinel-2數(shù)據(jù)對(duì)廣西壯族自治區(qū)崇左市2018—2021年甘蔗種植區(qū)遙感進(jìn)行提取，得到如下結(jié)論：第一，Sentinel-2的原始波段光譜信息、光譜指數(shù)和紋理信息在甘蔗種植區(qū)高精度識(shí)別都可提供非常有利的信息，識(shí)別度都較高。3種機(jī)器學(xué)習(xí)分類方法（神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)） 在廣西壯族自治區(qū)喀斯特甘蔗種植區(qū)Sentinel-2 的提取效果都較好。崇左市甘蔗種植區(qū)總體分類精度高于91%，κ系數(shù)均大于0.88；3種分類方法提取面積誤差均值為-4.84%?？蓾M足開展廣西壯族自治區(qū)崇左市甘蔗種植布局優(yōu)化、災(zāi)害監(jiān)測(cè)及農(nóng)業(yè)規(guī)劃等的需求。第二，2018—2021年，崇左市甘蔗種植面積趨于較穩(wěn)定狀態(tài)；主要甘蔗種植區(qū)以扶綏縣、江州區(qū)、龍州縣及大新縣南部和寧明縣北部為主，全市甘蔗沿著河流水系、平坦地形地貌成片集聚分布，最北的天等縣和最南的寧明縣分布較少。

該結(jié)果與統(tǒng)計(jì)數(shù)據(jù)高度吻合，可為快速甘蔗統(tǒng)計(jì)與產(chǎn)量估算提供可靠數(shù)據(jù)支撐。第三，免費(fèi)的全球Sentinel-2影像是目前全球開源影像數(shù)據(jù)中分辨率最高的多光譜成像產(chǎn)品，且重訪周期短，更新速度快，在識(shí)別地物類型多樣、農(nóng)田碎片化和多云天氣頻繁的復(fù)雜景觀中的作物信息具有較好潛力，可為喀斯特山區(qū)甘蔗種植區(qū)提取提供新的思路，也能為地方政府、農(nóng)業(yè)學(xué)家和甘蔗管理者選擇遙感影像提供參考。

參考文獻(xiàn)：

［1］ Wang J，Xiao X M，Liu L，et al. Mapping sugarcane plantation dynamics in Guangxi，China，by time series Sentinel-1，Sentinel-2 and Landsat images［J］. Remote Sensing of Environment，2020，247：111951.

［2］Cardona C A，Quintero J A，Paz I C. Production of bioethanol from "sugarcane bagasse：status and perspectives［J］. Bioresource Technology， 2010，101（13）：4754-4766.

［3］Mulianga B，Bégué A，Clouvel P，et al. Mapping cropping practices of a sugarcane-based cropping system in Kenya using remote sensing［J］. Remote Sensing，2015，7（11）：14428-14444.

［4］謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)［J］. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)（中英文），2021（2）：410-422.

［5］郝鵬宇，唐華俊，陳仲新，等. 基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（13）：179-186.

［6］Massey R，Sankey T T，Congalton R G，et al. MODIS phenology-derived，multi-year distribution of conterminous U.S. crop types［J］. Remote Sensing of Environment，2017，198：490-503.

［7］Sidike P，Sagan V，Maimaitijiang M，et al. dPEN：deep progressively expanded network for mapping heterogeneous agricultural landscape using WorldView-3 satellite imagery［J］. Remote Sensing of Environment，2019，221：756-772.

［8］Zhou Z，Huang J F，Wang J，et al. Object-oriented classification of sugarcane using time-series middle-resolution remote sensing data based on AdaBoost［J］. PLoS One，2015，10（11）：e0142069.

［9］Jiang H，Li D，Jing W L，et al. Early season mapping of sugarcane by applying machine learning algorithms to sentinel-1A/2 time series data：a case study in Zhanjiang City，China［J］. Remote Sensing，2019，11（7）：861.

［10］ Verma A K，Garg P K，Hari Prasad K S.Sugarcane crop identification from LISS Ⅳ data using ISODATA，MLC，and indices based decision tree approach［J］. Arabian Journal of Geosciences，2017，10（1）：16.

［11］陳燕麗，蒙良莉，黃肖寒，等. 基于SPEI的廣西甘蔗生育期干旱時(shí)空演變特征分析［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35（14）：149-158.

［12］丁美花，鐘仕全，譚宗琨，等. MODIS與ETM數(shù)據(jù)在甘蔗長(zhǎng)勢(shì)遙感監(jiān)測(cè)中的應(yīng)用［J］. 中國農(nóng)業(yè)氣象，2007，28（2）：195-197，211.

［13］何亞娟，潘學(xué)標(biāo)，裴志遠(yuǎn)，等. 基于SPOT遙感數(shù)據(jù)的甘蔗葉面積指數(shù)反演和產(chǎn)量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（5）：226-231.

［14］Mulianga B，Bégué A，Simoes M，et al. Forecasting regional sugarcane yield based on time integral and spatial aggregation of MODIS NDVI［J］. Remote Sensing，2013，5（5）：2184-2199.

［15］Adami M，Rudorff B F T，F(xiàn)reitas R M，et al. Remote sensing time series to evaluate direct land use change of recent expanded sugarcane crop in Brazil［J］. Sustainability，2012，4（4）：574-585.

［16］El Hajj M，Bégué A，Guillaume S，et al. Integrating SPOT-5 time series，crop growth modeling and expert knowledge for monitoring agricultural practices-the case of sugarcane harvest on Reunion Island［J］. Remote Sensing of Environment，2009，113（10）：2052-2061.

［17］Li Y R，Yang L T. Sugarcane agriculture and sugar industry in China［J］. Sugar Tech，2015，17（1）：1-8.

［18］Zhu Q H，Lowe E A，Wei Y A，et al. Industrial symbiosis in China：a case study of the Guitang Group［J］. Journal of Industrial Ecology，2008，11（1）：31-42.

［19］譚宗琨，吳良林，丁美花，等. EOS/MODIS數(shù)據(jù)在廣西甘蔗種植信息提取及面積估算的應(yīng)用［J］. 氣象，2007，33（11）：76-81.

［20］丁美花，譚宗琨，李 輝，等. 基于HJ-1衛(wèi)星數(shù)據(jù)的甘蔗種植面積調(diào)查方法探討［J］. 中國農(nóng)業(yè)氣象，2012，33（2）：265-270.

［21］王久玲，黃進(jìn)良，王立輝，等. 面向?qū)ο蟮亩鄷r(shí)相HJ星影像甘蔗識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：145-151.

［22］劉吉?jiǎng)P，鐘仕全，徐 雅，等. 基于多時(shí)相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提?。跩］. 廣東農(nóng)業(yè)科學(xué)，2014，41（18）：149-154.

［23］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.

［24］Immitzer M，Vuolo F，Atzberger C.First experience with sentinel-2 data for crop and tree species classifications in central Europe［J］. Remote Sensing，2016，8（3）：166.

［25］林陳捷，劉振華，張小媛，等. 基于紅邊指數(shù)的耕地質(zhì)量遙感制圖［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：233-240.

［26］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.

［27］Wang D Z，Wan B，Qiu P H，et al. Evaluating the performance of sentinel-2，landsat 8 and pléiades-1 in mapping mangrove extent and species［J］. Remote Sensing，2018，10（9）：1468.

［28］ Puliti S，Saarela S，Gobakken T，et al. Combining UAV and Sentinel- 2 auxiliary data for forest growing stock volume estimation through hierarchical model-based inference［J］. Remote Sensing of Environment，2018，204：485-497.

［29］Tucker C，Pinzon J，Brown M，et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data［J］. International Journal of Remote Sensing，2005，26（20）：4485-4498.

［30］Huete A，Didan K，Miura T，et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］. Remote Sensing of Environment，2002，83（1/2）：195-213.

［31］Xiao X，Boles S，Liu J，et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images［J］. Remote Sensing of Environment，2005，95（4）：480-492.

［32］Xu H. Modification of normalised difference water index （NDWI） to enhance open water features in remotely sensed imagery［J］. International Journal of Remote Sensing，2006，27（14）：3025-3033.

［33］Gitelson A，Merzlyak M N .Quantitative estimation of chlorophyll-a using reflectance spectra：experiments with autumn chestnut and maple leaves［J］. Journal of Photochemistry and Photobiology B Biology，1994，22（3）：247-252.

［34］Dong J W，Xiao X M，Kou W L，et al. Tracking the dynamics of paddy rice planting area in 1986—2010 through time series Landsat images and phenology-based algorithms［J］. Remote Sensing of Environment，2015，160：99-113.

［35］Zou Z H，Xiao X M，Dong J W，et al. Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016［J］. Proceedings of the National Academy of Sciences of the United States of America，2018，115（15）：3810-3815.

收 稿日期：2023-03-27

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：42061071）；廣西科技基地和人才專項(xiàng)（編號(hào)：桂科AD20297027）；廣西自然科學(xué)基金（編號(hào)：2021GXNSFBA220061）；廣西高校中青年教師科研基礎(chǔ)能力提升項(xiàng)目（編號(hào)：2021KY0397）；統(tǒng)計(jì)學(xué)廣西一流學(xué)科建設(shè)項(xiàng)目（編號(hào)：桂教科研〔2022〕1號(hào)）。

作者簡(jiǎn)介：楊 妮（1989—），女，廣西桂平人，博士研究生，副教授，主要從事GIS與遙感應(yīng)用以及空間信息技術(shù)應(yīng)用與服務(wù)研究。E-mail：yangniyyy@163.com。

通信作者：鄧樹林，博士，助理研究員，主要從事資源環(huán)境遙感研究。E-mail：dengshulin12531@163.com。