若羌绿洲特色林果种植信息遥感提取方法适用性分析*

沈江龙，郑江华，尼格拉·吐尔逊，王 蕾，罗 磊※

（1.新疆大学资源与环境科学学院绿洲重点实验室，乌鲁木齐 830011；2.新疆林业科学院现代林业研究所，乌鲁木齐 830012）

0 引言

若羌位于新疆的东南部，其得天独厚的自然条件使得若羌红枣肉质紧实、口感甜润，已经成为中国最优红枣生产基地，素有“中国红枣第一乡”的美誉[1]。种植红枣也是农户重要的收入来源，也是国家产业扶贫的重要支撑，然而盲目扩大种植面积，导致市场供销关系失衡，不仅给农民造成巨大经济损失，而且浪费农业资源，因此快速有效地掌握当地的作物种植信息，对农业部门科学有效调整农业政策具有重要意义[2]。

传统农业资源调查依靠逐级上报和统计的方法，不仅效率低、实时性差，而且具有一定的主观性，遥感具有快速大面积获取地面信息的能力，已经在农业资源调查方面广泛应用[3]。在农作物遥感分类中，基于像元的分类方法，其结果常常存在“椒盐噪声”，而且解译结果的面积是以像元为单位统计得到，与实际面积差别较大[4]。面向对象的遥感解译方法，以经过分割而成的均质影像单元为基本的分类单元，可以避免椒盐噪声造成精度不高的问题。目前基于面向对象的影像分析方法已广泛运用于遥感分类研究中。例如：单治彬等[5]利用国产GF-1 PMS遥感影像，在分析3类特色农作物光谱特征和纹理特征的基础上，建立面向对象的支持向量机(SVM)分类模型，提取了宁夏特色农作物的种植信息。裴欢等[6]基于Landsat 8 OLI影像，以河北省石家庄市为研究区，分析了面向对象与最大似然、马氏距离、SVM 等方法提取土地利用∕覆盖的效果。Belgiu 等[7]在意大利、罗马尼亚、美国分别选取了典型的农业种植区，研究基于面向对象的作物制图方法的分类效果。Xiong 等[8]基于Google Earth Engine 平台，整合了基于像元和基于对象两种分类方法对非洲进行了农作物填图研究。高国龙等[9]采用SPOT5 高分辨率影像，构建植被指数特征和纹理特征，使用最近邻和CART两种分类方法提取了浙江省安吉县山川乡毛竹林种植信息。基于面向对象的影像分析方法，分类的基本单元是经过分割后的对象，提高了影像分析的效率，同时既保留影像的光谱信息，又具有位置、结构等信息，分类结果具有较高的精度。

单一时相地物的光谱信息往往存在“同物异谱、异物同谱”现象，使得分类精度降低。随着遥感卫星的发展，用于遥感解译的数据源不断增多，遥感数据的时间、空间、光谱分辨率不断提高，多时相的遥感解译方法已成为提高分类精度的重要手段[10]。另一方面随着计算机图像解译技术的发展，不仅可以从影像中获得丰富的光谱特征、植被指数特征、纹理特征、时序指数特征、位置特征，增加分类数据集的维度，提高分类精度，而且分类算法、策略也不断被提出。在作物遥感制图研究中，常常根据研究区的种植情况，分析不同地物的影像特征，形成遥感分类的先验知识，提出符合实际的遥感分类方法。例如：黄健熙等[11]在分析了MODIS 多时相植被指数特征的基础上，使用SVM 分类方法对黑龙江省的主要农作物进行了分类，总体分类精度为74.18%，Kappa系数为0.60，认为支持向量机法精度优于最大似然法、随机森林法。张超等[12]基于GF1-WFV 影像计算8 个相关性高的植被指数，使用随机森林算法提取了奇台县的玉米种植区，并利用玉米抽雄期的一期0.7m 分辨率的Kompsat-3全色影像提取了Subtract纹理特征，进一步识别了制种玉米田。Thanh Noi等[13]基于Sentinel-2影像，测试了支持向量机、随机森林、K-近邻等分类算法在红河三角洲土地覆盖类型分类研究中的精度，得出支持向量机精度好于随机森林、K-近邻的结果。Sitokonstantinou等[14]基于sentinel-2影像，对比了使用支持向量机和随机森林两种监督分类方法在作物分类中的精度，并探讨了植被指数特征对分类结果的影响。特征数据集的增加并不总是提高遥感分类的精度，不同的遥感分类算法的分类精度也不相同，以上研究集中于小麦、玉米、棉花等大宗农作物，关于特色林果作物的研究较少，所以研究不同特征数据集、分类算法对特色林果作物遥感分类精度的影响和适用性具有重要意义。

文章以若羌河绿洲为研究区，通过野外调查和文献资料分析快速建立遥感解译的先验知识，确定影像日期、分类类别。基于面向对象的影像分析方法，使用多尺度分割方法分割影像，构建多时相的光谱、植被指数、纹理、形状等特征，使用决策树、随机森林等方法进行遥感分类。通过比较遥感分类算法、特征集组合对分类精度的影响，探究不同分类算法、不同特征数据集在受干旱因素制约、作物种植情况复杂的若羌林果种植区进行作物种植信息遥感提取的适用性，旨在找到符合若羌当地农业种植情况、精度较高的分类方法，为新疆南疆的特色林果作物种植信息遥感提取提供参考和依据。

1 研究区概况和数据源

1.1 研究区概况

研究选取若羌县典型的农作物种植区若羌河绿洲。若羌河绿洲地处若羌县中西部，北接塔克拉玛干沙漠东南缘，南临昆仑山阿尔金山山地，东经88°3＇～88°28＇，北纬38°57＇～39°7＇，冬季寒冷，夏季酷热少雨，风大尘多，日温差悬殊，年均气温11.5℃，年平均降水量28.5mm，年平均无霜期197d，属典型的大陆温带干旱、半干旱气候区。若羌绿洲面积约为5.60×104hm2，主要依靠发源于南部阿尔金山积雪融化汇集形成的若羌河灌溉，若羌河贯穿绿洲中部，东西两侧为绿洲冲积平原，东部为铁干里克乡，西部为吾塔木乡，农作物主要有红枣、枸杞、小麦、玉米、甜瓜等。

1.2 数据源

遥感数据采用欧空局（ESA）发布的Sentinel-2-MSI数据。根据若羌县作物生长周期和数据质量下载覆盖研究区的影像数据，利用欧空局发布的Sencor插件生产经过大气校正、辐射校正的L2A级数据。预处理后的影像利用欧空局官方影像处理软件SNAP 对进行拼接、裁剪、重采样到10m 等操作得到覆盖研究区的遥感影像数据。

真实样本数据来源：（1）林果样本来源于新疆林业科学院2019 年若羌县特色林果业资源清查矢量图斑数据（2）农作物样本来源于研究小组2019 年若羌野外调查时获取的样地中心经纬度坐标对照高分辨率遥感影像现场勾绘的样方数据。样本数据共计242 个，其中红枣62 个，枸杞25 个，农作物24 个，居民地30个，道路34个，荒地67个。

2 研究方法

图1 研究区

2.1 遥感先验知识的建立

如何把遥感解译原理同研究的实际情况相结合找到适合其研究区实际情况的分类算法是分类结果是否具有实践意义的关键。田间调查不仅是为了获取遥感解译需要用到的实地样本数据，而且是了解实地作物种植情况、获取农业种植信息从而形成遥感解译的先验知识的基础[15,16]。研究小组于2019年7月、2019年10月、2020年5月前往若羌进行了3次野外调查，调查发现若羌县主要种植的作物有红枣、枸杞、棉花、小麦、玉米等。一般红枣树龄在5年以下的枣园，枣树的冠幅小，郁闭度较低，存在红枣园套种冬小麦的情况，而红枣树龄在5年以上的枣园，枣树的冠幅大，郁闭度高，多为纯林种植。枸杞的种植方式有两种，大部分是单作方式，一些则是与玉米、瓜果间作，近年来由于红枣市场行情不佳，在水资源短缺的田块有大面积红枣地改为枸杞地。棉花和玉米种植方式为大面积的单作方式。小麦的种植方式有两种，一种是单作方式，一种是与红枣套作。

若羌县主要作物的生长期如表1。为利用作物主要的生长期所展现出不同影像特征，影像选择4 月16、7月25日、10月8日、11月7日等4期遥感影像数据。

表1 若羌绿洲主要作物的生长期

若羌红枣一般以纯林种植，但近年来由于市场行情变化，部分红枣地块变为枸杞，或者与小麦、玉米、枸杞等作物套种。根据2018 年若羌县政府统计数据，红枣种植面积1.57万hm2，其中若羌河绿洲约0.8万hm2，瓦石峡绿洲约0.73万hm2。农作物种植面积0.608万hm2，其中：粮食种植面积0.27万hm2，其中小麦面积0.14万hm2；棉花种植面积万0.21万hm2；瓜种植面积0.053万hm2；菜种植面积0.014万hm2；枸杞种植面积0.025万hm2；薯类种植面积0.003万hm2；其他作物种植面积0.033万hm2。实地调查中研究区以红枣纯林单作、农作物与红枣混种、枸杞单作为主要的种植方式，综合考虑林果作物和农作物生长期信息、种植比例，分类类别设定为红枣、农作物、枸杞、居民地、道路、荒地6类。

2.2 分割参数的选择

与基于像原的分类方法不同，面向对象的影像分析方法的分类单元是分割后的对象，所以进行分类的第一步是对影像进行分割。遥感影像地物分类应用广泛的是多尺度分割算法[17,18]。多尺度分割算法主要通过尺度、形状和紧致度3 个参数的设置来控制分割结果。尺度因子设置越小的，分割的对象数量越多，单个对象的面积越小，反之则对象数量越少，单个对象的面积越大。每个对象的均质性由形状和颜色参数控制，形状和颜色总贡献率为1，而形状参数由紧致度和平滑度两个参数组成，总贡献率为1[19]。该研究采用控制变量法，控制尺度、形状、紧致度其中两个量不变，手动调整剩余的一个变量根据目视判定分割结果与实际地物边界的吻合程度确定该变量的最优值，最终多尺度分割参数设置为尺度因子65、形状因子0.7、紧致度因子0.2。

图2 多尺度分割参数

2.3 特征数据集的构建

Sentinel-2 数据在近红外波段有3 个红边波段可以对植被进行监测，如张磊等[20]基于Sentinel-2 数据构建植被指数特征、水体指数、红边指数用于黄河湿地的信息提取研究。20世纪70年代初Haralick等[21]提出了灰度共生理论（GLCM），灰度共生矩阵计算某一方向θ相距步长D出现的某一灰度值的概率，可以提取影像的空间结构特征，有研究表明加入灰度共生矩阵能够提高遥感图像分类的精度[22～24]。为平衡纹理特征4 个方向（0°，45°，90°，135°）的影响，选取所有方向的统计均值作为纹理特征集。多尺度分割后生成的影像对象层，若不同地物之间具有明显的形状差异则可构建形状特征集来提高遥感分类精度[25,26]。该研究根据上述前人研究的经验在光谱特征的基础上构建植被指数特征、纹理特征、形状特征用于后续研究，详尽的特征集如表2。

表2 特征集描述

为探讨不同特征集的加入对分类结果的影响，在光谱特征的基础上加入形状、植被指数、纹理等特征，不同的特征集组合方案如表3。

表3 特征集组合方案

2.4 分类算法的概述

该研究采用两种常用的机器学习算法，CART 决策树和随机森林算法（Random forest algorithm，RF）对遥感影像进行分类。常用的决策树算法有ID3，C4.5 和CART（Classification And Re⁃gression Tree）3 种，ID3 和C4.5 都是以信息熵为判别条件进行节点划分的，CART 是一个二叉树结构，由一个父节点和两个子节点构成，父节点是否分裂成两个节点由基尼指数（GINI）判别[27]。

式（1）中，D代表样本集，PK表示第K类样本所占的比例，基尼指数可以视为衡量选区划分特征有效程度的标准。CART 算法的分类效果一般优于其他决策树算法。

随机森林是由Breiman[28]年提出的机器学习算法，它由多个分类器组成，把总样本随机分成多个子样本集，用多个分类器进行分类，用每个分类器分类结果对总的分类结果进行投票得出可靠的结果。随机森林算法参数默认使用eCognition9.0 根据输入特征数量、样本数量自动计算的值，其中决策树数量50，最大类别16。

2.5 精度评价方法

精度混淆矩阵一般被用来评价和分析遥感分类的结果。精度混淆矩阵使用实际地物的验证样本集统计分成每个地物种类的数量，计算每个类别的制图精度（Producer Ac⁃curacy）和用户精度(User Accuracy)，能够直观地体现出各个类别的错分和混分情况。制图精度表示在此次分类过程中该类别的真实参考数据被正确分类成该类别的概率，能够反映分类结果的错分情况。用户精度表示在此次分类中，在分类图上落在该类别上的验证点，被正确分类为该类别的比率，能够反映分类结果的混分情况。通过混淆矩阵计算出分类结果的总体精度和Kappa系数能够反映出遥感分类的总体分类精度。

3 结果和分析

3.1 基于资源清查数据的精度分析

遥感分类结果有红枣、枸杞、农作物、居民地、道路和荒地6类地物，为便于分类结果与实地林果资源调查矢量图斑数据的对比分析，把分类结果中红枣、枸杞、农作物地类的矢量结果导出，得到分类结果如图3。实地林果资源调查清图各地类面积统计如表4，遥感分类各地类面积统计如表5。2014 年红枣市场行情较好，若羌县的农业种植结构基本是以红枣的纯林种植为主，所以1.24万hm2基本是若羌河绿洲的总耕地面积，表5中以2014年林果资源调查总面积为基准计算遥感分类结果的绝对误差和相对误差。

表4 2014年和2019年林果资源调查清图各地类面积统计 万hm2

表5 遥感分类结果面积统计 万hm2

图3 实地林果资源调查数据与遥感分类结果比较

由表4 可知2014年若羌河绿洲林果种植主要以红枣为主，总面积为1.24万hm2，2019年若羌河绿洲林果种植面积增加约0.14万hm2，达到1.38万hm2，主要是枸杞耕种面积的增加。由表5 可知遥感分类的总耕地面积在1.06万～1.26万hm2，与2014年相比，总耕地面积相差较小，绝对误差在0.007万～0.185万hm2，相比于2019 年林果资源清查数据少0.12 万～0.32万hm2，主要是因为绿洲边缘新增加的枸杞、红枣地被分成了荒地的原因，由图3可知绿洲东南部和北部的漏分较为严重。由图3中可知，遥感分类结果与林果资源调查清图相比，总耕地面积相差较小，但是在红枣、枸杞的面积相差较大。红枣面积差异的主要原因是在野外调查和分类过程中把农作物与新枣树混种的地块归为了农作物类别。近年来受红枣市场波动影响，枣农把树龄较小、株行距较宽的红枣地块套种了小麦、玉米等农作物，农作物地类中有大部分是与红枣套种，若把红枣与农作物面积相加之后与2018 年若羌县政府统计数据的红枣种植面积0.8万hm2相比则相差较小。造成枸杞混分的原因，在绿洲的边缘由于市场变化、水分分配不均，有许多枣园荒弃，冠幅较小，造成整个地块的郁闭度不高，在遥感影像上表现为与枸杞地块相近的影像特征，造成混分比较严重。

结合图3、表4、表5 探讨不同分类算法、特征集组合对分类结果的影响。首先探讨不同数据集的加入对分类结果的影响。由图3可知，不同特征集的加入使得不同地类分类效果存在明显的差异。光谱特征作为影像分析的基础特征，只使用光谱特征分类就可以基本分出各种地类，但是由表5 可知，光谱，光谱+形状，光谱+植被等3 种特征组合的解译面积明显低于资源清查数据的面积，相对误差明显的高于光谱+纹理和综合特征的组合方案。对比图3中其3种特征组合的解译结果与清查数据，发现这3种特征集组合把红枣、农作物分成了非农业用地。相比之下光谱+纹理、综合特征2 种组合的相对误差比较小，并且与清查数据比较分类结果较为一致，分类效果较好。

其次比较在相同的特征数据集情况下不同分类算法分类结果的差异。由表5 可知，2 种分类算法在加入不同特征数据集后，相对误差的变化趋势较为一致，但是CART算法的误差变化比较剧烈，并且在加入了植被指数之后误差达到了最高值14.86%，而相比之下随机森林算法相对误差则比较稳定。对比图3中2种分类算法的分类结果可知，随机森林算法的分类效果好于CART 算法，CART 算法在加入纹理特征后把道路错分成了枸杞，并且在绿洲南部明显是荒地地方，把荒地错分成枸杞，形成黄色的枸杞小班块。综上所述认为随机森林算法在特征集的加入后能够从更多维度描述地物的特征使得分类结果更加精确，相比于CART算法更适合多维特征数据集的遥感解译任务。

3.2 基于精度混淆矩阵精度分析

3.2.1 总体精度分析

3.1 分析了遥感分类结果与实际资源清查数据差异及其原因。由于清查数据只包括林果数据，与若羌县政府官网公布的统计数据分类系统不一致，面积也存在较大差异。而且实际种植情况受市场行情、水源供给等因素影响使得实际存在较多的林果作物和粮食作物套种、混种情况，种植结构复杂、变化差异较大，所以本节基于精度混淆矩阵的总体精度进一步分析不同分类算法、特征集组合对分类精度的影响。

如图4是基于精度混淆矩阵计算得到总体分类精度，随机森林的总体精度都要高于CART 决策树，随机森林的精度要比CART 算法高3.91%～13.23%。并且两种方法的分类精度对特征集组合的响应是不同的，CART 算法在光谱特征基础上加入不同的特征数据集对分类结果精度的提升小于随机森林，而且光谱+形状和光谱+纹理的组合方案总体精度甚至低于单一光谱特征方案。而随机森林算法的分类精度在加入不同特征数据集之后，相比于比单一光谱特征，除光谱+纹理组有小幅降低之外，其余特征集的加入都提高了分类结果的总体精度，其中光谱+形状特征的组合方案提升了5.79%，光谱+植被特征的组合方案提升了4.13%，综合特征的组合方案提升了2.89%。这一结果验证了3.1 的分析结论，随机森林算法的分类效果优于CART 决策树算法，随机森林算法相比CART 算法更适应于多维特征数据集分类任务。不同的特征集的加入能够提高随机森林算法的遥感分类精度，而CART算法可能不仅不能提高分类精度反而可能会降低分类精度。

图4 总体精度

另一方面分析不同特征数据集对分类精度的影响。CART算法中除加入植被指数特征和综合特征集两组的分类结果好于光谱特征外，加入形状、纹理特征反而降低了总体精度。而随机森林算法中除纹理特征降低了分类精度外，其余特征都提升了总体精度，尤其是形状特征，总体精度提高了13.23%。以上说明特征集的增加并不总是提高分类精度，而且不同的分类算法对特征集的响应是不一致的，形状、植被指数能提高遥感分类的精度，而纹理特征降低了分类精度。

3.2.2 基于精度混淆矩阵的具体分析

由前文分析可知资源清查数据与分类结果的对比分析结果与总体精度分析结果存在较大差异，前者表明使用随机森林算法的光谱+纹理与综合特征组合具有较好的面积精度，但后者显示使用随机森林算法的光谱+形状特征组合具有最高的总体精度，所以该节基于所有分类算法、特征集组合的精度混淆矩阵进行对比分析，以此确定最优的分类方法。

对比CART 和RF 两种分类算法的精度混淆矩阵可知（CART 算法表6～10，RF 算法表11～15），随机森林算法的分类精度都高于CART 算法，不同特征集的加入对随机森林组的精度提升较大，而对CART 组的精度影响较小。其次分析随机森林算法在光谱特征的基础上加入不同特征数据集对分类精度的影响。由表6～15 可知，红枣、居民地、荒地等地类在所有分类方法中都具有较高的分类精度，而造成分类精度下降的主要是由于枸杞、农作物、道路等地类错分。当加入了形状特征后，减少了道路与其他地物的错分，并且农田错分成道路个数也有所减少，说明形状特征对有明显形状差异的地物具有识别能力。加入植被指数特征之后，减少了荒地、枸杞、居民地、道路的错分，说明植被指数特征能提高植被与非植被地物分类精度。当加入纹理特征之后，对地物分类精度影响较小。

表6 CART1精度混淆矩阵

表7 CART2精度混淆矩阵

表8 CART3精度混淆矩阵

表9 CART4精度混淆矩阵

表10 CART5精度混淆矩阵

表11 RF1精度混淆矩阵

表12 RF2精度混淆矩阵

表13 RF3精度混淆矩阵

表14 RF4精度混淆矩阵

表15 RF5精度混淆矩阵

不同特征集的加入对各个地类分类精度的影响是不同的，当加入一种特征集之后，提高了某一地物的分类精度，但同时也可能降低其他地物的分类精度，应该综合分析其造成分类精度下降的原因，找到最优的分类方法。在该研究中虽然光谱+形状特征组合具有最高的分类精度，但是与实际清查数据比较严重漏分了红枣、农作物，却未能体现在精度混淆矩阵上，可能是验证样本获取过于单一、代表性较差所致。综合所有特征使用随机森林算法的分类结果，提高了红枣、农作物、道路等地类的分类精度，并且与资源清查数据相比具有较高的面积精度，分类结果与实地情况相符，是该研究中最优的分类算法与特征集组合。

4 结论和讨论

该研究以若羌河绿洲为研究区，首先以野外田间调查、地物影像特征分析、作物生长周期分析、搜集文献资料建立遥感解译的先验知识，然后基于面向对象的影像分析方法提取若羌绿洲的作物种植信息，分析使用光谱、形状、植被指数、纹理、综合所有特征等5 种特征数据集组合，CART、随机森林等两种分类算法的不同组合对分类结果的影响。结果表明：（1）随机森林算法更适合于多维特征的遥感分类任务，分类效果好于CART算法。（2）植被指数、形状、纹理特征能从不同的维度反应地物的影像特征，对分类精度的影响也不同，形状特征对具有明显形状差异的地物具有较强的识别能力，植被指数特征能有效识别植被与非植被地物，纹理特征对分类精度的影响不明显。（3）综合所有的特征集组合，结合使用随机森林算法的分类方法分类效果最好，总体精度88.43%，Kappa系数85.47%，面积精度96.89%。

遥感解译的先验知识对寻求适合研究问题的分类算法和策略具有重要意义，同时也影响遥感分类精度。新疆地处干旱区内陆，水资源分配不均，土地管理水平不一致，土地破碎程度严重，又因市场因素，混种、套种情况较多，土地种植结构复杂，制约着农业资源调查效率。在作物遥感制图中，精度验证是决定研究是否能够运用于生产实践的重要保证，而实地样本数据采集的科学性直接影响分类结果及精度。在实际的野外调查中，由于若羌当地农作物、枸杞种植面积较少，使得样本采集数量较少，而红枣地类样本单一，缺乏代表性，这些因素直接影响了精度混淆矩阵的结果，给研究造成一定的不确定性。

多尺度分割结果会影响遥感分类的结果，匹配良好的分割和参考对象会提高面向对象的分类精度。Drăguţ 等[29]提出了一种自动计算分割最优参数的工具，它给出若干个使对象间光谱差异最大的分割参数，用户需要通过设置这些参数然后目视判别最优的分割参数。该研究使用控制变量法结合目视判别分割效果来决定多尺度分割参数，判别标准即该参数下的分割结果能保证区分出实际地物的数量最多。这种方法虽然相比于多尺度分割工具操作要繁琐，需要不断试验设置参数的结果找寻最优的分割参数，但是这种方法是基于专家经验、先验知识的分割参数选择方法，能够保证分割参数符合该研究分类地物的实际边界，而多尺度参数的选择如何影响特色林果作物遥感分类则需要进一步的研究。

在该研究中CART 算法的分类效果不如随机森林算法好。CART 算法在加入多维特征集之后，分类精度并没有明显提高，而随机森林算法的分类精度却明显提高，说明随机森林算法适合多维特征的遥感分类任务。但是随机森林算法的解释性不如决策树算法，CART算法适用于基于样本特征分析之后再加入特定的特征集，并且可以通过生成的决策树来分析遥感分类的策略。从另一方面分析，遥感分类中并不是特征集越多，分类精度就越好，该研究分析了不同算法、不同特征集的加入对各个分类地物的分类精度影响，并没有考虑特征集之间的数据冗余问题，以及每种特征的重要性和占整个特征的比例问题。目前较多研究通过随机森林算法试验不同特征的袋外误差寻找多特征的最优组合来提高遥感分类的精度，因此利用随机森林多特征优选的方法来判别对特色林果作物遥感分类精度的影响需要进一步研究。

综上所述该研究根据田间调查和文献资料阅读快速建立遥感分类的先验知识确定遥感影像时间、分类类别，基于面向对象的影像分析方法，使用控制变量法选择多尺度分割参数，基于光谱特征构建了植被指数、纹理、形状等特征，采用CART、随机森林算法对分割结果进行分类，分析了不同特征数据集、分类算法对分类结果和精度的影响，得到了若羌特色林果作物种植信息遥感提取的最优分类方法，为后续全疆的特色林果作物资源调查工作提供了参考和依据。