doi：10.15889/j.issn.1002-1302.2024.20.013

摘要：為準確了解嶺南丘陵平原區(qū)水稻種植空間格局，以Sentinel-2A影像數據及耕地類型矢量數據為基礎，采用隨機森林（random forest，RF）對研究區(qū)水田范圍內覆被地物進行分類，進而提取研究區(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（P）3個方面統計分析其種植空間格局。結果表明：（1）基于RF結合Sentinel-2A數據獲得的組合植被指數（NDVI和NDRE705）能夠較好地對研究區(qū)水田掩膜后的影像進行覆被地物分類識別，分類的總體精度、Kappa系數分別為95.238%、0.926，其中水稻的用戶精度最高，為98.703%；根據提取結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、半陽坡和陽坡（112.6°～247.5°）范圍內處于優(yōu)勢水平，P值遠大于1。研究成果可為制定區(qū)域國土管理制度和農業(yè)科學決策提供參考，對調整和優(yōu)化水稻結構布局具有積極作用。

關鍵詞：水稻；種植信息；哨兵2號影像；隨機森林；空間格局；地形分布指數

中圖分類號：S127" 文獻標志碼：A

文章編號：1002-1302（2024）20-0104-09

收稿日期：2023-11-03

基金項目：云南省科技計劃基礎研究專項（編號：202401CF070082）；校級科研啟動專項（編號：110223010）；校級人文社科科研專項（編號：WKQN2309）。

作者簡介：劉珊珊（1992—），女，山西大同人，博士，講師，研究方向為農業(yè)遙感。E-mail：274881086@qq.com。

耕地是社會發(fā)展過程中最重要的土地覆蓋類型之一［1］，它作為糧食、燃料等生產的主要載體，對人類至關重要。然而，伴隨著人口持續(xù)增長、社會經濟快速發(fā)展等原因導致的城市擴張，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耕地影響最大的因素，進而決定了農作物的景觀轉換和破碎化［2-4］，致使農作物的空間格局受到影響。農作物的空間格局反映人類農業(yè)生產在空間范圍內利用農業(yè)生產資源的狀況，是了解農作物種類、結構、分布特征的重要信息，也是進行作物結構調整和優(yōu)化的重要依據［5］。

現有相關研究主要集中在對耕地的破碎化分析上［6］。例如Cheng等基于遙感和社會經濟數據，運用景觀格局指數、形態(tài)空間格局分析（MSPA）和馬爾可夫鏈模型，分析了蘇南農田的時空格局［7］。Su等利用面積加權平均斑塊面積、斑塊密度、面積加權平均形狀指數、平均歐氏近鄰距離等變量，對跳溪流域農田景觀破碎化動態(tài)進行了表征［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技術對黑龍江水稻種植面積進行人工目視解譯，在此基礎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、提取結果未經過精度驗證等缺陷。

綜上可知，盡管近年來有關作物種植面積變化得到了廣泛的關注，但城市化背景下，耕地 “非農化”“非糧化”現象導致作物空間分布信息不準確，作物空間格局解析不合理［10-12］。因此，有必要開展作物種植信息的高精度提取，在此基礎上分析其空間分布特征，探討驅動因素。赤紅壤區(qū)具有優(yōu)越的水熱條件，是嶺南地區(qū)糧食的重要生產基地；水田又作為嶺南地區(qū)主要的耕地類型，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)，同時被認為是廣州市城鎮(zhèn)化快速擴張的一個典型案例，具有典型的城市向傳統農村地區(qū)蔓延的過程。本研究以增城區(qū)為研究區(qū)，在準確提取典型作物水稻種植信息的基礎上，分別采用區(qū)域分布、空間破碎度和地形分布指數幾個指標，開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個行政街道和新塘、石灘、中新、小樓、正果、派潭6個鎮(zhèn)共38個社區(qū)、303個行政村，區(qū)政府駐荔城街道。

增城區(qū)地勢自北向南傾斜，依次分為中低山谷地、丘陵河谷平原、沖積平原3種類型。地處南亞熱帶，年平均氣溫22.9 ℃，年均日照時數1 762.3 h，光能有效輻射利用率1.81%，年無霜期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" 數據來源與預處理

本研究使用的數據主要包括哨兵2號（Sentinel-2）遙感影像數據、DEM數據、增城區(qū)行政邊界及耕地類型等矢量數據。Sentinel-2攜帶1枚多光譜成像儀，覆蓋13個光譜波段，空間分辨率分別為10、20、60 m。在光學數據中，Sentinel-2A/B是唯一一個在紅邊范圍含有3個波段的影像數據，能有效監(jiān)測陸地植被生長、土壤覆蓋狀況等信息［13］。本研究選取兩景無云量覆蓋的Sentinel-2A L1C級多光譜影像數據（來源：https：//scihub.copernicus.eu/），其獲取時間為2021年9月27日，對應典型作物水稻的關鍵生育期，投影坐標系為WGS_1984_UTM_Zone_49N。

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

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GF-1影像數據進行目視解譯的結果，于2022年10月5日進一步對增城區(qū)正果鎮(zhèn)、派潭鎮(zhèn)、中新鎮(zhèn)開展實地調查，發(fā)現在水田掩膜下的耕地利用現狀確實存在種植水稻、轉為水塘、搭建大棚、種植果樹或者閑置撂荒等情況。為了準確分析研究區(qū)水稻空間布局特征，本研究需要進一步對掩膜后的水田柵格數據進行不同覆被地物的分類提取，以獲得高精度的水稻種植范圍。

在野外調查的過程中，利用GPS記錄耕地覆被地物類型坐標信息，共獲得225個地面數據集。參考225個地面數據集對應Sentinel-2A影像數據的純凈像元，根據覆被地物類型采用分層隨機抽樣將數據集分解為空間不相關的訓練子集（70%）和驗證子集（30%）。

1.3.1.2" 植被指數計算

早在20世紀80年代，中、低分辨率陸地衛(wèi)星數據就已經被用于作物類型制圖。然而，低分辨率（如MODIS 250 m）和中等分辨率（如Landsat 30 m）的影像數據，其像素大小可與地塊面積相似，對于種植結構復雜、地塊破碎化程度大的研究區(qū)而言，不能提供高精度的識別結果［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研究［15］，提供了一個極好的目標像素比，并允許適當利用圖像處理特性，如紋理和色調［16］，但高分辨率影像數據成本高，重訪時間長。Sentinel-2任務在開放獲取地球觀測數據的質量和數量方面帶來了范式轉變，提供前所未有的10 m和20 m空間分辨率數據，其豐富的波段信息開啟了陸地監(jiān)測系統的新時代，尤其是在農情監(jiān)測領域。國內外已有大量研究使用單景Sentinel-2A影像數據進行作物識別［17-18］。

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

1.3.1.3" 隨機森林分類

隨機森林分類（random forest，RF）是一種基于機器學習的分類器，它對噪聲不敏感，不容易發(fā)生過擬合，因此優(yōu)于許多基于樹的分類算法［22-23］。大量研究表明，RF能夠較準確地實現高精度分類。也有大量研究通過比較RF分類器與其他分類算法的分類結果來測試RF分類器的性能。例如，Prasad等使用回歸樹分析、RF、套袋樹和多元自適應回歸樣條生成4種植物的植被圖，通過多個統計評價指標來評估比較這4種方法的分類精度。結果表明，RF的性能優(yōu)于其他方法［24］。因此，本研究使用RF分類法對研究區(qū)耕地水田范圍內主要覆蓋地物類型進行提取。

RF分類器可以描述為樹形結構分類器的集合，是對套袋算法的改進，其中加入了隨機性。它是由多棵決策樹分類器構成，其分類預測的輸出是由構成該森林的多棵決策樹分類結果經投票組合來確定。RF不是使用所有變量之間的最佳分割來分割每個節(jié)點，而是使用在該節(jié)點隨機選擇的預測器子集中的最佳分割來分割每個節(jié)點。在原始數據集的基礎上進行替換，生成新的訓練數據集，然后利用隨機特征選擇生成一棵樹。與現有算法相比，這種策略使得RF在精度上表現最佳，運行速度快，對過擬合具有魯棒性，且可以根據用戶需要形成盡可能多的樹［22］。

初始化射頻算法需要用戶定義2個參數N和m，分別是樹的數量和用于分割每個節(jié)點變量的數量。首先，從2/3的訓練數據集中抽取N個引導樣本，剩下的1/3訓練數據，也稱為out-of-bag （OOB）數據，用于測試預測的誤差。然后，從每個引導樣本中生長1棵未修剪的樹，在每個節(jié)點上隨機選擇m個預測器作為預測變量的子集，并從這些變量中選擇最佳的分割。選擇足夠低的相關性和足夠的預測能力的變量數量至關重要，RF使用分類和回歸樹（CART）算法來創(chuàng)建樹［24］。在每個節(jié)點上，根據CART算法中的1個標準執(zhí)行拆分。本研究采用基尼系數進行分割。基尼系數衡量的是類的同質性，可以寫成如下式：

∑∑j≠1f（Ci，T）｜T｜f（Cj，T）｜T｜。（1）

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

隨著基尼系數的增加，類別的異質性也在增加。另一方面，基尼系數的下降增加了階層的同質性。如果基尼系數的子節(jié)點小于父節(jié)點，則拆分成功。當基尼索引為0時，樹分裂終止，即每個終端節(jié)點只有1個類存在［26］。一旦N棵樹在森林中生長完畢，新的數據將基于N棵樹的預測結果進行預測。

1.3.1.4" 分類精度驗證

本研究基于實地調查獲得樣本點數據與目視解譯GF-1影像數據，使用Kappa系數、總體分類精度（overall accuracy，OA）、制圖精度（mapping accuracy，MA）和用戶精度（user accuracy，UA）4個指標對分類結果進行精度驗證，計算公式如下：

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

OA=∑ki=1xiiN×100%。（3）

式中：K為類別數；xii為分類結果中第i類與參考類型數據第i類所占的組成成分；N為像元總數；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］，并潛在影響農業(yè)生產的強度和效率［28］。計算公式如下：

FI=NPiCAi×100%。（4）

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

1.3.2.2" 地形分布指數模型

由于不同的地形環(huán)境能夠為作物提供的光照、溫度、水分等條件存在差異，根據作物的生長習性，其種植區(qū)域的分布概率受到地形等級面積差異的影響。為了能更好地反映研究區(qū)地形因子不同等級下作物的分布規(guī)律，通過地形分布指數模型計算分布頻率，分析作物的種植區(qū)域分布特征。其計算公式如下［29］：

P=ArcgAr×AAcg。（5）

式中：c表示高程、坡度、坡向3個地形因子；P為分布指數；Arcg為c地形因子特定等級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g下的面積。通過公式（5）計算可得不同等級高程、坡度、坡向下分布指數P，當Pgt;1，且P越大，則表示作物在c地形特定等級g上的分布水平優(yōu)勢越大；反之Plt;1，表明作物在c地形的特定等級g上屬于劣勢分布。

2" 研究結果與分析

2.1" 基于隨機森林的作物提取結果

本研究利用RF分類算法結合從Sentinel-2A影像數據提取的融合植被指數NDVI和NDRE705，對研究區(qū)水田覆被地物進行分類，從而獲得水稻空間分布信息。在最初的分類結果中，某一分類區(qū)域中零散地存在著像元極少的其他類別，缺少空間連續(xù)性，而實際地物往往集聚在一起。聚類處理運用數學形態(tài)學算子（腐蝕和膨脹），將臨近的類似分類區(qū)域聚類并進行合并，且不會被臨近類別的編碼干擾。因此，為了得到更加準確的地物分類結果，本研究對最初的分類結果進行聚類處理，得到的分類結果如圖2-a所示，圖2-c、圖2-d為聚類處理局部放大效果。

從圖2-a中可以看出，研究區(qū)水田內的覆被地物類型大多為水稻，東南部石灘鎮(zhèn)的水田中種植果樹現象普遍，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，某一類的分布區(qū)域內明顯存在著零星幾個其他地物類型的像元，導致不同地物的空間分布比較零散，比如圖2-c右側的果樹分布情況。對比圖2-c和圖2-d 可以發(fā)現，經過聚類處理后，同種地物類型在空間分布上更加符合實際情況，空間連續(xù)性有所提高。

采用驗證數據集，對聚類處理后的分類結果進行精度驗證，分別計算其總體精度、Kappa系數、制圖精度和用戶精度，分析不同地物類型研究區(qū)水田總面積的占比情況，結果見表1。

根據表1得知，研究區(qū)水田圖斑中，水稻、果樹、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%。分類總體精度、Kappa系數分別為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%，果樹最低，為90.472%。以上結果說明基于RF結合Sentinel-2A數據獲得的組合植被指數（NDVI和NDRE705）能夠較好地對研究區(qū)水田掩膜后的影像進行覆被地物分類識別，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聯關系進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，統計水稻在不同鎮(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軟件在村級尺度下根據公式（4）計算研究區(qū)水稻種植田塊的破碎度，結果如圖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量和單一田塊的面積決定，地形條件是影響兩者的內在因素。根據水稻田的區(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)，水稻田普遍呈現出分布零散，沒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，最終導致其水稻田的破碎度也相對較高。此外，從外界因素進行解析，增城西部地區(qū)與廣州市接壤，受社會經濟迅速發(fā)展的輻射影響，使該區(qū)域水稻田存在較多撂荒現象，這可能是另一個導致研究區(qū)西部水稻田破碎度高的外在驅動因素。

2.2.3" 作物種植分布與地形因子的關聯關系

本文利用DEM數據（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，以最低高程為起始基準，采用自然階段點分級法將研究區(qū)高程分為6個等級（表3）；坡度依據《農用地分等規(guī)程》劃分為6個級別（表4）；提取的研究區(qū)坡向信息范圍為0°～360°，平面為-1，正北方向為0°，按照順時針方向，將研究區(qū)坡向分為5個等級（表5）。在此基礎上，采用空間疊加分析方法，統計水稻在不同等級高程、坡度和坡向下的種植面積，繪制研究區(qū)水稻種植區(qū)地形因子等級專題圖（圖4）。根據公式（5）計算各級地形因子的分布指數（P）（表3至表5），揭示地形因子與水稻種植區(qū)域分布之間的關聯關系，反映地形因子對水稻種植區(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)的高程等級主要集中

在1～3級，主要分布在研究區(qū)中部和南部地區(qū)；高程等級為4～6級的種植區(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)的坡度等級主要集中在1～2級，3～6級的水稻田塊極少，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)。根據圖4-c可知，水稻種植區(qū)的坡向主要集中在4～5級，且均勻地分布在各鎮(zhèn)，空間上的差異不顯著。

大氣溫度和濕度會隨著海拔的升高產生顯著的變化，最終帶來作物種植類型在海拔上的縱向差異。根據表3可知，不同級別的高程帶之間水稻種植面積差異顯著，第1級高程帶（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%。從高程的分布指數來看，1級和2級的P值分別為14.196和5.943，遠大于1，說明水稻種植區(qū)在高程0～32 m的范圍內處于優(yōu)勢水平。高程的分布指數在第4～6級（高程gt;57 m）的P值分別為0.500、0.155、0.055，均小于1，說明水稻種植區(qū)在這幾個高程帶處于劣勢分布，尤其在第6級高程帶，幾乎無水稻種植。

坡度對土地利用的方式和土地承載力有直接的作用，它影響著地表物質流動，種植區(qū)種植作物的類型很大程度由坡度決定。從表4可以看出，不同級別的坡度帶之間水稻種植面積也存在明顯的差異，第2級坡度帶（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%。從坡度的分布指數來看，1～3級的P值分別為1.339、15.229和2.553，均大于1，說明水稻種植區(qū)在坡度0°～8° 之間處于優(yōu)勢水平；在第4～6級（坡度gt;8°）的P值分別為0.973、0.079、0.002，均小于1，說明水稻種植區(qū)在這幾個坡度帶處于劣勢分布，尤其在第6級坡度帶，水稻種植面積極少，這主要由于是隨著坡度的增大達到一定坡度后，生產活動的難度高，且土壤養(yǎng)分的積累難度加大，水土流失嚴重，不利于農業(yè)生產。

由于坡向影響著太陽輻射能量的分配和土壤水分的再分配，因此對農作物種植區(qū)具有重要意義。表5直觀地反映出，半陽坡和陽坡（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%。從坡向的分布指數來看，半陽坡和陽坡的P值分別為8.533和8.935，遠大于1，說明水稻種植區(qū)在陽坡和半陽坡處于優(yōu)勢水平。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，說明水稻種植區(qū)在平坡處于劣勢分布，結合研究區(qū)不同坡向級別面積統計結果，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" 討論與結論

本研究只選取了2021年水稻關鍵生育期Sentinel-2A影像數據進行水稻種植信息提取與空間布局的特征分析，未從時間序列上出發(fā)探索研究區(qū)水稻空間布局的變化趨勢。因此，今后有望收集長時間序列的影像數據，綜合分析水稻空間布局的變化趨勢并剖析驅動因素。

雖然本研究顯示了利用Sentinel-2A影像數據結合RF能夠實現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。今后更多更先進的傳感器投入使用，將能在更廣的空間獲取更精細的遙感影像。隨著空間分辨率和光譜分辨率的不斷提高，對于區(qū)域尺度下作物種植信息高精度提取的進一步提升將是非常顯著的。此外，隨著分類方法的不斷創(chuàng)新，今后以期增加準確性更高的分類方法來提高作物信息提取的效率和精度。

本研究基于Sentinel-2A影像數據及耕地類型矢量數據，利用RF分類法對增城區(qū)水田范圍內覆被地物進行分類，從而提取研究區(qū)水稻種植信息。在此基礎上，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3個方面統計分析研究區(qū)典型作物水稻的種植空間格局特征，得到如下結論：

（1）基于RF分類的總體精度、Kappa系數分別為95.238%、0.926，水稻的用戶精度最高為98.703%，說明基于RF結合Sentinel-2A數據獲得的組合植被指數（NDVI和NDRE705）能夠較好地對增城區(qū)水田掩膜后的影像進行覆被地物分類識別。

（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較低，而中新鎮(zhèn)、小樓鎮(zhèn)和新塘鎮(zhèn)反之。導致上述結果的驅動因素主要為地形條件和經濟發(fā)展水平的差異。

（3）根據水稻種植區(qū)域高程的分布指數，第1級高程帶（lt;16 m）水稻種植面積最大，第6級高程帶（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范圍內屬優(yōu)勢水平，在第4～6級（高程gt;57 m）高程帶屬劣勢分布，尤其在第6級高程帶，幾乎無水稻種植。大氣溫度和濕度會隨著海拔的升高產生顯著的變化，最終帶來作物種植類型在海拔上的縱向差異。

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

（5）半陽坡和陽坡（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%。從坡向的分布指數來看，水稻種植區(qū)在陽坡和半陽坡處于優(yōu)勢水平，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：

［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］. 農業(yè)工程學報，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，France）［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］. 黑龍江農業(yè)科學，2015（8）：136-141.

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

［11］李金朝，買買提·沙吾提. 基于多分類器集成的GF-2作物信息精細提取研究［J］. 西南農業(yè)學報，2023，36（2）：435-444.

［12］蔣" 怡，黃" 平，董秀春，等. 基于Softmax分類器的小春作物種植空間信息提?。跩］. 西南農業(yè)學報，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. 基于決策樹和SVM的Sentinel-2A影像作物提取方法［J］. 農業(yè)機械學報，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，桑會勇，等. 基于哨兵2時間序列組合植被指數的作物分類研究［J］. 遙感技術與應用，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影像結合空間關聯隨機森林模型反演裸土期耕地土壤全氮含量［J］. 江蘇農業(yè)科學，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，Fuhlendorf 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” 流域農作物種植區(qū)時空分布特征研究［D］. 重慶：西南大學，2017：33-37.