張旭輝， 玉素甫江·如素力,2， 仇忠麗亞夏爾·艾斯克爾， 阿卜杜熱合曼·吾斯曼

（1.新疆師范大學(xué)地理科學(xué)與旅游學(xué)院流域信息集成與生態(tài)安全實(shí)驗(yàn)室，新疆 烏魯木齊 830054；2.新疆干旱區(qū)湖泊環(huán)境與資源重點(diǎn)實(shí)驗(yàn)室，新疆 烏魯木齊 830054）

農(nóng)作物種植信息是進(jìn)行農(nóng)作物產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和優(yōu)化的重要基礎(chǔ)和前提［1］。焉耆盆地是新疆重要的特色農(nóng)產(chǎn)品生產(chǎn)基地，為國家供應(yīng)大量糧食，但糧食生產(chǎn)受到荒漠化、土壤鹽堿化及干旱缺水等脅迫，作物種植結(jié)構(gòu)復(fù)雜、生態(tài)環(huán)境脆弱［2］。因此，及時(shí)準(zhǔn)確地掌握焉耆盆地農(nóng)作物種植信息對(duì)促進(jìn)干旱區(qū)農(nóng)業(yè)可持續(xù)發(fā)展和保障國家糧食安全具有重要意義［3-4］。

遙感技術(shù)因其覆蓋面大、探測(cè)速度快及成本低的特點(diǎn)，為及時(shí)準(zhǔn)確地獲取大面積農(nóng)作物種植信息提供了新的技術(shù)手段［5-6］。目前，基于單一影像源提取農(nóng)作物種植結(jié)構(gòu)信息的方法操作簡(jiǎn)單，但不易捕捉作物種植“最佳識(shí)別期”影像［7］；基于多時(shí)序影像源提取農(nóng)作物種植信息的方法充分利用了作物季相節(jié)律特征，成為當(dāng)下農(nóng)作物種植信息提取的主流方法［3］；在提取農(nóng)作物信息時(shí)，多特征參數(shù)法更適用于復(fù)雜的農(nóng)作物種植區(qū)，基于多特征參數(shù)的統(tǒng)計(jì)模型法在一定程度上解決了混合像元問題［8］；遙感影像與統(tǒng)計(jì)數(shù)據(jù)融合法可獲得大尺度農(nóng)作物結(jié)構(gòu)種植圖，但因較低的制圖分辨率使得產(chǎn)品區(qū)域適宜性較差［9-10］。在機(jī)器學(xué)習(xí)方法中支持向量機(jī)算法泛化能力強(qiáng)，且有較好的魯棒性，在遙感信息提取上被廣泛應(yīng)用［11-12］。梁繼等［6］、賈銀江等［13］和梁習(xí)卉子等［14］使用SVM 算法及其改進(jìn)后的分類器對(duì)區(qū)域農(nóng)作物信息進(jìn)行獲取，取得較好的分類效果（分類精度均高于90%）。邊增淦等［15］、田鑫等［16］和郭其樂等［17］研究指出，使用機(jī)器學(xué)習(xí)方法進(jìn)行遙感信息提取時(shí)加入光譜特征、紋理特征及物候特征可以提高農(nóng)作物分類的精度。隨著遙感大數(shù)據(jù)時(shí)代的到來，遙感云平臺(tái)為快速處理和分析海量遙感數(shù)據(jù)提供了機(jī)遇［18］。劉通等［19］、潘力等［20］和姜伊蘭等［21］借助GEE平臺(tái)分別對(duì)遼寧盤錦市、淮河流域和開封市杞縣的農(nóng)作物種植信息進(jìn)行提取，研究結(jié)果為當(dāng)?shù)剞r(nóng)作物信息提取和監(jiān)測(cè)提供了參考依據(jù)?？墒钱?dāng)下GEE平臺(tái)國內(nèi)用戶不便正常使用，且使用過程和處理結(jié)果的下載，受網(wǎng)絡(luò)條件的影響很大［22］。國產(chǎn)遙感云平臺(tái)PIE-Engine Studio 為共享數(shù)據(jù)、算法和計(jì)算資源構(gòu)建了一個(gè)開放的環(huán)境，以實(shí)現(xiàn)對(duì)遙感數(shù)據(jù)的按需訪問和海量數(shù)據(jù)的快速處理［22］。然而目前使用PIE-Engine Studio 云計(jì)算平臺(tái)結(jié)合機(jī)器學(xué)習(xí)方法應(yīng)用于干旱區(qū)農(nóng)作物識(shí)別的研究還相對(duì)較少，對(duì)于該平臺(tái)在干旱區(qū)農(nóng)作物識(shí)別的適用性還待進(jìn)一步研究，且基于該平臺(tái)的時(shí)間序列Sentinel-2農(nóng)作物識(shí)別的研究還鮮有涉及，Sentinel-2數(shù)據(jù)的高時(shí)間分辨率在農(nóng)作物分類識(shí)別中的優(yōu)勢(shì)還需進(jìn)一步明確。

文章以新疆焉耆盆地為研究區(qū)，利用PIE-Engine Studio 平臺(tái)，基于Sentinel-2時(shí)序數(shù)據(jù)和野外定位采樣數(shù)據(jù)，使用支持向量機(jī)算法對(duì)2022年焉耆盆地的農(nóng)作物種植信息進(jìn)行提取和精度評(píng)估，以期獲取最佳的農(nóng)作物信息提取方案，為干旱區(qū)農(nóng)作物種植信息的快速、精確提取提供新的思路和參考依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

焉耆盆地位于新疆巴音郭楞蒙古自治州境內(nèi)（85°45′25″～87°26′11″E，41°40′11″～42°25′46″N），塔里木盆地的東北側(cè)，面積約為7500 km2，地勢(shì)西北高東南低，地理區(qū)域包含焉耆回族自治縣、和靜縣、和碩縣、博湖縣及新疆生產(chǎn)建設(shè)兵團(tuán)部分團(tuán)場(chǎng)（圖1）。該地區(qū)四季分明，光照時(shí)間充足，晝夜溫差大，水熱資源豐富，屬典型的干旱區(qū)綠洲氣候。農(nóng)作物類型有番茄、辣椒、玉米、小麥、甜菜和棉花等，種植結(jié)構(gòu)較為復(fù)雜，其中研究區(qū)盛產(chǎn)番茄和辣椒，是新疆重要的特色農(nóng)產(chǎn)品生產(chǎn)基地。

圖1 研究區(qū)地理位置及作物樣本點(diǎn)分布Fig.1 Geographical location of the study area and distribution of crop sample points

1.2 數(shù)據(jù)來源

1.2.1 Sentinel-2 數(shù)據(jù)集本文使用的Level-2A 級(jí)Sentinel-2 多光譜影像數(shù)據(jù)集源自歐洲航天局?jǐn)?shù)據(jù)中心，該數(shù)據(jù)由Sentinel-2A 和Sentinel-2B 組成，具有空間分辨率高、重訪周期短、光譜波段通道數(shù)目多以及波段寬度窄等特點(diǎn)［23］。為方便研究不同農(nóng)作物生育期影像變化，研究在PIE 平臺(tái)中選擇2022年3—11 月的遙感影像，云量覆蓋百分比在10%以下，共9幅（表1）。

表1 研究區(qū)Sentinel-2影像數(shù)據(jù)Tab.1 Sentinel-2 image data for the study area

1.2.2 樣本數(shù)據(jù)研究團(tuán)隊(duì)于2022 年7 月26 日至2022年8月4日前往焉耆盆地對(duì)農(nóng)作物種植情況進(jìn)行調(diào)查，采用拍照和GPS 定位的方式，獲取1948 個(gè)典型地物樣點(diǎn)，其中農(nóng)作物包括5 種經(jīng)濟(jì)作物（甘草、葵花、蘆葦、棉花和葡萄）、3 種糧食作物（水稻、小麥和玉米）、3種蔬菜（番茄、辣椒、甜菜）和果樹作物（果林）。在采樣過程中使用GPS 定位作物樣點(diǎn)的經(jīng)緯度和海拔，并且對(duì)地物的周邊生長環(huán)境及灌溉方式進(jìn)行記錄，方便觀察不同農(nóng)作物的分布特征和生長環(huán)境。在分類過程中將樣點(diǎn)隨機(jī)分割成訓(xùn)練樣本和檢驗(yàn)樣本，得到5種樣點(diǎn)分割方案，即5:5、6:4、7:3、8:2和9:1（表2）。

表2 研究區(qū)地物樣本統(tǒng)計(jì)表Tab.2 Statistics of feature samples in the study area

1.3 研究方法

1.3.1 分類特征構(gòu)建

（1）Sentinel-2光譜波段

Sentinel-2數(shù)據(jù)共有13 個(gè)波段，研究選擇其中用于土地類型檢測(cè)、陸表檢測(cè)、植被監(jiān)測(cè)和環(huán)境檢測(cè)的波段，共10 個(gè)，分別是B2、B3、B4、B5、B6、B7、B8、B8a、B11和B12［23］。

（2）植被指數(shù)構(gòu)建

植被指數(shù)因其經(jīng)過比值處理，可以部分消除因太陽高度角、衛(wèi)星觀測(cè)角、地形、大氣程輻射等所帶來的影響，被廣泛用于農(nóng)作物分類與識(shí)別、長勢(shì)監(jiān)測(cè)與產(chǎn)量估算等方面。研究利用Sentinel-2的波段構(gòu)建多種植被指數(shù)（表3）。

表3 植被指數(shù)計(jì)算公式Tab.3 Vegetation index calculation formula

1.3.2 特征參數(shù)優(yōu)選方法構(gòu)建較多的特征參數(shù)在一定程度上提高農(nóng)作物識(shí)別精度，但過多的特征參數(shù)往往會(huì)出現(xiàn)信息冗余現(xiàn)象，影響分類模型的效率和精度［17］。研究采用以下特征參數(shù)優(yōu)選方法：（1）See5.0 決策樹算法根據(jù)提供最大信息增益的字段對(duì)樣本數(shù)據(jù)進(jìn)行分割，并對(duì)決策樹的葉子進(jìn)行裁剪或合并以提高分類精度，最后確定每個(gè)葉子的最佳閾值，從而得到每個(gè)特征參數(shù)的重要性得分［24］。（2）隨機(jī)森林（Random forest，RF）方法通過對(duì)對(duì)象和變量進(jìn)行采樣來構(gòu)建預(yù)測(cè)模型，即生成多個(gè)決策樹并依次對(duì)對(duì)象進(jìn)行分類，最后將每個(gè)決策樹的分類結(jié)果匯總，所有預(yù)測(cè)類別的復(fù)數(shù)就是隨機(jī)森林預(yù)測(cè)的對(duì)象類別，分類精度得到提高，同時(shí)也計(jì)算了參與分類的不同特征的重要性［25］。（3）多元回歸（Multiple regression，MR）模型指含有多個(gè)解釋變量的線性回歸模型，用于解釋被解釋的變量與其他多個(gè)變量解釋變量之間的線性關(guān)系［26］。

1.3.3 分類方法與分類方案支持向量機(jī)（Support vector machines，SVM）算法是基于統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，該算法利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，在確保誤差最小的情況下，通過降低模型泛化誤差的上限來提高分類模型的泛化能力［27］，SVM算法的徑向基核函數(shù)可將訓(xùn)練樣本映射到高維空間，從而便于進(jìn)行多特征參數(shù)的農(nóng)作物分類。本文基于Sentinel-2 時(shí)序數(shù)據(jù)構(gòu)建特征參數(shù)，借助R 語言優(yōu)選特征參數(shù)，最后使用SVM 算法構(gòu)建5 種分類方案進(jìn)行農(nóng)作物信息提?。ū?）。

表4 農(nóng)作物分類方案Tab.4 Crop classification schemes

1.3.4 精度評(píng)價(jià)使用目視解譯和混淆矩陣對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，采用以下評(píng)價(jià)指標(biāo)評(píng)估模型的精度，總體精度（Overall accuracy，OA）、Kappa系數(shù)、用戶精度（User’s accuracy，UA）、制圖精度（Producer’s accuracy，PA）、F1 分?jǐn)?shù)（F1 score）、錯(cuò)分誤差（Commission error，CE）和漏分誤差（Omission error，OE）。計(jì)算公式如下：

式中：n為類別數(shù)量；N為驗(yàn)證樣本總數(shù)；Pii為每類中正確分類樣本的數(shù)量，是i行i列上的值；Pi+為分類器將驗(yàn)證樣本分為某一類別的總數(shù)；P+i為某一類別驗(yàn)證樣本總數(shù)。

2 結(jié)果與分析

2.1 農(nóng)作物植被指數(shù)時(shí)序特征

基于Sentinel-2 時(shí)序數(shù)據(jù)計(jì)算植被指數(shù)，得到研究區(qū)農(nóng)作物植被指數(shù)時(shí)序變化曲線（圖2）。由圖2 可知，不同農(nóng)作物因各自生物學(xué)差異在各植被指數(shù)中呈現(xiàn)不同的曲線波動(dòng)趨勢(shì)。由圖2a可知，研究區(qū)農(nóng)作物NDVI 值總體呈先上升后下降的變化趨勢(shì)，其中小麥和甜菜的NDVI 值與其他農(nóng)作物差異顯著，容易區(qū)分；引入紅邊波段后，各農(nóng)作物的NDVI值在7、8、9月差異較為明顯（圖2b～d），其中小麥的NDVI 值在5 月達(dá)到峰值，與其他農(nóng)作物差異明顯，容易區(qū)分；甜菜的NDVI 值在10 月達(dá)到峰值，與其他農(nóng)作物相差較大，容易區(qū)分；與NDVI 值相比，不同農(nóng)作物的NDVI705、NDVI740和NDVI783曲線分離較好，不同農(nóng)作物的物候特征更直觀、更清晰，這是因?yàn)榧t邊是綠色植被反射光譜在680～780 nm 之間的最大斜率點(diǎn)，因此更能反映農(nóng)作物的微小變化。由圖2m 可知，水稻的EVI 曲線在8 月達(dá)到峰值，與其他農(nóng)作物相比差異明顯；由圖2n～o 可知，棉花的RNDVI 和SRI 曲線在7 月達(dá)到峰值，與其他農(nóng)作物相比差異明顯。除NDWI（圖2e）外，其他農(nóng)作物植被指數(shù)（圖2f～o）呈現(xiàn)先增加后減少趨勢(shì)，由于植被指數(shù)與農(nóng)作物本身的特性有關(guān)，不同農(nóng)作物的物候差異導(dǎo)致植被指數(shù)在增加、減少和峰值出現(xiàn)的時(shí)間等方面有差異。

圖2 植被指數(shù)時(shí)序曲線圖Fig.2 Time-serie graphs of vegetation index

2.2 特征參數(shù)重要性評(píng)價(jià)

研究利用See5.0、RF 和MR 方法得到特征參數(shù)的重要性評(píng)價(jià)結(jié)果（圖3）。由圖3可知，3種方法得到的特征參數(shù)重要性排序均不相同。See5.0 和RF方法的結(jié)果中Sentinel-2近紅外波段（B8）的重要性得分最高，說明近紅外波段對(duì)農(nóng)作物分類結(jié)果的貢獻(xiàn)最大，對(duì)分類精度影響頗深。對(duì)比3 種重要性結(jié)果發(fā)現(xiàn)，排名前10 的特征參數(shù)中均有NDVI 或紅邊NDVI，說明NDVI 或者紅邊NDVI 可以很好地反映出不同農(nóng)作物的生長狀態(tài)和覆蓋度，對(duì)農(nóng)作物分類結(jié)果貢獻(xiàn)較大。因此根據(jù)特征參數(shù)重要性評(píng)價(jià)結(jié)果選取3個(gè)特征參數(shù)集：

圖3 特征參數(shù)重要性評(píng)價(jià)Fig.3 Importance evaluation of feature parameters

（1）See5.0 算法的特征重要性得分和累計(jì)百分比（圖3a），獲取重要性得分大于0的特征參數(shù)，符合條件的有B8、EVI、B5、B6、TVI、B7、TCARI、NDVI705、GI、B3、B2、VIgreen、B4、NDVI740、NDWI、RNDVI、NDVI、NDVI783、MCARI、B11、B8a和SRI，共22個(gè)。

（2）RF的特征參數(shù)重要性評(píng)價(jià)（圖3b），選取累計(jì)百分比大于90%的特征參數(shù)，符合條件的有B8、NDVI705、B3、B6、TVI、B11、B2、B4、EVI、B7、MCARI、RNDVI、B8a、VIgreen、GI、B5、NDVI740、TCARI、GNDVI和NDWI，共20個(gè)。

（3）MR模型的特征參數(shù)重要性評(píng)價(jià)（圖3c），選取回歸系數(shù)大于0的特征參數(shù)，符合條件的有MCARI、NDVI、TCARI、SRI、TVI、VIgreen、NDVI783、MSR、B5、B4、B8a和EVI，共12個(gè)。

2.3 精度評(píng)價(jià)

研究對(duì)25種分類結(jié)果進(jìn)行精度驗(yàn)證與對(duì)比，結(jié)果見圖4：（1）所有農(nóng)作物分類模型的OA 均大于92.20%，Kappa 系數(shù)均大于0.9037，說明在PIE 平臺(tái)中使用SVM 算法開展干旱區(qū)農(nóng)作物遙感分類研究是可行的。（2）對(duì)比SVM-無紅邊和SVM-有紅邊的結(jié)果發(fā)現(xiàn)，加入紅邊波段后，農(nóng)作物的OA 和Kappa系數(shù)均有所上升，SVM-有紅邊分類模型的各樣方分割方案OA均大于93.00%，Kappa系數(shù)均大于0.9100，由此可見在農(nóng)作物遙感分類時(shí)加入紅邊波段可以提高分類精度。（3）相較于SVM-有紅邊，SVM-RF、SVM-MR和SVM-See5.0方法在加入植被指數(shù)后，OA均值提高了4.18%、3.82%和3.62%，Kappa系數(shù)提高了0.0519、0.0473 和0.0446。（4）對(duì)比不同分類模型的均值發(fā)現(xiàn)，不同分類模型OA和Kappa的大小關(guān)系為：SVM-RF>SVM-MR>SVM-See5.0>SVM-有紅邊>SVM-無紅邊，說明SVM-RF分類模型的分類效果最好，相較于其他分類模型更適合在焉耆盆地開展農(nóng)作物分類研究。

圖4 不同分類模型總體精度和Kappa系數(shù)的熱圖Fig.4 Heat map of overall accuracy and Kappa coefficient for different classification models

2.4 分類結(jié)果對(duì)比

選取每種分類模型與樣方分割方案的最佳組合進(jìn)行對(duì)比分析（圖5）。由圖5可知，5種最佳分類組合的OA關(guān)系為：SVM-RF（8:2）>SVM-See5.0（7:3）>SVM-MR（5:5）>SVM-有紅邊（5:5）>SVM-無紅邊（7:3），5 種最佳分類組合中分類效果最好的是SVM-RF 分類模型在樣方分割為8:2時(shí)取得的分類結(jié)果，其OA和Kappa 系數(shù)最高，分別是98.72%和0.9866，表明SVM-RF（8:2）分類組合與地面實(shí)際情況具有較好的一致性；對(duì)比5 種最佳分類組合的PA 和UA 精度發(fā)現(xiàn)，SVM-RF（8:2）的PA和UA最高，分別比SVM-MR（5:5）、SVM-See5.0（7:3）、SVM-有紅邊（5:5）和SVM-無紅邊（7:3）的PA和UA高出0.21%和0.68%、0.09%和0.76%、1.60%和7.21%、4.68%和9.88%，表明SVM-MR（5:5）分類圖中的結(jié)果與地面真實(shí)情況較為相符；F1 score 的關(guān)系為SVM-RF（8:2）>SVM-See5.0（7:3）>SVM-MR（5:5）>SVM-有紅邊（5:5）>SVM-無紅邊（7:3），說明SVM-RF（8:2）分類模型精確度較其他分類模型高。OE 和CE 的關(guān)系均為SVM-無紅邊（7:3）>SVM-有紅邊（5:5）>SVM-MR（5:5）>SVM-See5.0（7:3）>SVM-RF（8:2），表明SVM-無紅邊（7:3）的“錯(cuò)分”和“漏分”現(xiàn)象較多，SVM-RF（8:2）的“錯(cuò)分”和“漏分”現(xiàn)象較少。綜上，SVM-RF（8:2）分類模型的分類結(jié)果在OA、Kappa 系數(shù)、PA、UA、F1 score、CE和OE 等方面表現(xiàn)最好，其分類效果優(yōu)于其他分類模型。

圖5 5種最佳分類模型評(píng)價(jià)指標(biāo)的雷達(dá)圖Fig.5 Radar plot of evaluation indicators for the 5 best classification models

研究借助PIE 平臺(tái)對(duì)5種最佳分類模型的分類結(jié)果進(jìn)行制圖，研究區(qū)作物空間分布如圖6 所示。對(duì)比圖6c～e 可見，3 種分類模型的分類結(jié)果與當(dāng)?shù)貙?shí)際數(shù)據(jù)吻合度較高。焉耆盆地農(nóng)作物以辣椒、玉米、小麥和葡萄為主，種植面積分別約為1166.98 km2、430.32 km2、344.23 km2和205.79 km2，分別約占研究區(qū)耕地面積的43.58%、16.07%、12.85%和7.68%。整體上，焉耆盆地工業(yè)辣椒的種植面積最廣，主要分布在焉耆回族自治縣和博湖縣；玉米、小麥和葡萄主要種植在和碩縣；甜菜主要種植在和靜縣，水稻和果林主要種植在博湖縣；兵團(tuán)地區(qū)農(nóng)作物種植分布較為集中，主要種植經(jīng)濟(jì)作物（工業(yè)辣椒和工業(yè)番茄）。綜上，焉耆盆地主要農(nóng)作物集中分布在土壤肥沃且灌溉設(shè)施較為完善的地區(qū)，種植面積較大且在研究區(qū)內(nèi)連續(xù)分布，其他農(nóng)作物種植較少且呈鑲嵌式分布在研究區(qū)。

圖6 5種分類模型的農(nóng)作物分類結(jié)果Fig.6 Crop classification results for the five classification models

3 討論

本文借助PIE-Engine Studio 平臺(tái)，使用支持向量機(jī)算法，調(diào)用Sentinel-2時(shí)序數(shù)據(jù)，構(gòu)建農(nóng)作物時(shí)序植被指數(shù)，分割訓(xùn)練樣本和檢驗(yàn)樣本，實(shí)現(xiàn)了對(duì)焉耆盆地農(nóng)作物種植信息的提取與評(píng)估。PIE平臺(tái)免費(fèi)向公眾開放，可以實(shí)時(shí)調(diào)用平臺(tái)中存儲(chǔ)的Sentinel-2 遙感影像，在強(qiáng)大的云計(jì)算服務(wù)支持下，降低了遙感數(shù)據(jù)獲取的門檻和計(jì)算成本，可滿足不同尺度的研究需求［22］。研究結(jié)果在一定程度上解決了因干旱區(qū)生態(tài)環(huán)境脆弱、種植結(jié)構(gòu)復(fù)雜且地塊破碎、農(nóng)作物生長周期相近及光譜差異小等原因產(chǎn)生的分類精度較低的問題，為利用國產(chǎn)云平臺(tái)實(shí)現(xiàn)干旱區(qū)農(nóng)作物種植信息的快速、精確提取提供了新的思路和參考依據(jù)。

3.1 引入紅邊特征對(duì)分類精度的影響

從特征重要性結(jié)果可以看出，排名前十的特征參數(shù)中均有紅邊特征參數(shù)，表明紅邊特征參數(shù)在農(nóng)作物分類識(shí)別領(lǐng)域具有明顯優(yōu)勢(shì)，對(duì)于農(nóng)作物生長狀態(tài)和健康狀況的判斷具有重要的指導(dǎo)作用。研究中紅邊特征參數(shù)的引入使得SVM-有紅邊分類模型的OA和Kappa系數(shù)均值分別比SVM-無紅邊提高了0.96%和0.012。因此，在特征重要性分析中，排名前十的特征參數(shù)中出現(xiàn)紅邊特征參數(shù)是合理的，并且可以說明紅邊特征參數(shù)在農(nóng)作物分類識(shí)別中的重要性。黃雙燕等［28］和牛乾坤等［29］研究表明，在農(nóng)作物遙感分類中引入紅邊光譜和紅邊指數(shù)，使機(jī)器學(xué)習(xí)分類器的OA得到提高，并使春、冬小麥的識(shí)別效果得到明顯提升，表明紅邊光譜特征對(duì)分類精度起著決定性作用，河套灌區(qū)平均OA 達(dá)到81%，Kappa 系數(shù)達(dá)到0.68。綜上，紅邊特征參數(shù)可以幫助分類器更靈敏地捕捉到不同農(nóng)作物特有的生長特征和物候?qū)W差異從而提高分類模型的精度。

3.2 引入植被指數(shù)對(duì)分類精度的影響

研究中農(nóng)作物植被指數(shù)的引入使得SVMSee5.0、SVM-RF 和SVM-MR 分類模型的OA 均值比SVM-有紅邊分別提高了3.62%、4.18%和3.82%，Kappa系數(shù)均值分別提高了0.0446、0.0519和0.0473，說明植被指數(shù)在農(nóng)作物分類中具有有效性和重要性，能夠捕捉到農(nóng)作物的生長特征并幫助區(qū)分不同農(nóng)作物的類別。姜伊蘭等［21］研究指出利用NDVI時(shí)序差異指數(shù)提取的農(nóng)作物OA 和Kappa 系數(shù)比最大似然法和支持向量機(jī)法分別提高10.02%、0.21 和4.18%和0.09；谷祥輝等［30］研究表明時(shí)間序列組合植被指數(shù)用于農(nóng)作物分類是可行的，分類模型的精度和Kappa系數(shù)分別達(dá)到88.52%和0.8650；綜上，多種植被指數(shù)結(jié)合時(shí)間序列信息可以從生長時(shí)期和生長狀態(tài)上區(qū)分農(nóng)作物，從而提高農(nóng)作物識(shí)別的準(zhǔn)確性。

研究使用了3種特征優(yōu)選方法獲得特征參數(shù)的重要性排序，排名前十的特征參數(shù)均含有紅邊波段或紅邊指數(shù)，表明紅邊波段和紅邊指數(shù)在農(nóng)作物分類中發(fā)揮著重要作用。因此，在后續(xù)研究中將考慮更多與紅邊波段有關(guān)的植被指數(shù)，選取其中重要性較高的植被指數(shù)，提高作物分類精度。研究也存有不足，作物分類結(jié)果中部分農(nóng)田存在“錯(cuò)分”和“漏分”現(xiàn)象，后續(xù)需通過人工干預(yù)和增加分類特征來減少“錯(cuò)分”和“漏分”現(xiàn)象的發(fā)生；另外，本次研究影像數(shù)據(jù)較為單一，后續(xù)考慮將Sentinel-2 影像與其他遙感影像進(jìn)行融合［31-32］，充分挖掘地物的光譜特征、紋理特征和物候特征，進(jìn)一步提高農(nóng)作物識(shí)別精度。

4 結(jié)論

（1）使用PIE 平臺(tái)可快速地訪問海量遙感圖像及其他數(shù)據(jù)資源，因其高性能的云計(jì)算能力可快速完成覆蓋焉耆盆地影像數(shù)據(jù)的去云、裁剪及植被指數(shù)構(gòu)建等處理?；诙鄷r(shí)間序列影像源與PIE相結(jié)合可方便快捷地進(jìn)行作物種植信息提取，較本地處理具有明顯優(yōu)勢(shì)。

（2）25 種分類模型的OA 和Kappa 系數(shù)均在92.20%和0.9037 以上，其中SVM-RF 方法在樣方分割為8:2 時(shí)，OA 和Kappa 系數(shù)最高，分別為98.72%和0.9866，說明在PIE 中使用SVM 算法提取作物信息是可行的。

（3）5 種SVM 算法分類組合的OA 均值關(guān)系為SVM-RF（97.95%）>SVM-MR（97.59%）>SVM-See5.0（97.39%）>SVM-有紅邊（93.77%）>SVM-無紅邊（92.81%），Kappa系數(shù)均值關(guān)系為SVM-RF（0.9755）>SVM-MR（0.9709）>SVM-See5.0（0.9682）>SVM-有紅邊（0.9236）>SVM-無紅邊（0.9116），其中SVM-RF、SVM-See5.0 和SVM-MR 方法中加入了紅邊波段和植被指數(shù)，提高了作物識(shí)別的精度。

（4）焉耆盆地農(nóng)作物以辣椒、玉米、小麥和葡萄為主，種植面積分別約為1166.98 km2、430.32 km2、344.23 km2和205.79 km2，分別約占研究區(qū)耕地面積的43.58%、16.07%、12.85%和7.68%，集中分布在土壤肥沃且灌溉設(shè)施較為完善的地區(qū)，種植面積較大且在研究區(qū)內(nèi)連續(xù)分布，其他農(nóng)作物種植較少，呈現(xiàn)鑲嵌式分布。