林农间作模式下和田绿洲特色林果结构遥感信息提取

靳镜宇，白 洁，包安明，杨 涵，李均力，韩宏伟

（1. 新疆师范大学地理科学与旅游学院，乌鲁木齐 830054； 2. 中国科学院新疆生态与地理研究所，荒漠与绿洲生态国家重点实验室，乌鲁木齐 830011； 3. 新疆遥感与地理信息系统应用重点实验室，乌鲁木齐 830011； 4. 新疆林科院经济林研究所，乌鲁木齐 830000；5. 新疆维吾尔自治区测绘成果中心，乌鲁木齐 830002）

0 引 言

新疆是中国林果主产区，其林果面积约占全国林果种植面积13%。目前，全疆特色林果种植面积稳定在146.67×10hm，年总产量达1 000×10t以上，年创产值1 000亿元。借助独特的气候和资源优势，环塔里木盆地的南疆四地州已发展成为新疆特色林果（核桃、红枣、巴旦木、杏、香梨、苹果）的主产区，林果种植面积占全疆林果总面积的80%以上，林果收入占当地农民收入的60%以上。随着特色林果种植面积和产量的不断提高，种植结构和规模空间分布不清、品种混杂、农民增产增量不增收等问题突出。实时和准确掌握特色林果种植结构空间信息对推进南疆特色林果业提质增效、增加农民收入、稳定脱贫攻坚成果、实现乡村振兴具有重要意义。

传统的林果种植信息获取以统计上报和抽样调查为主，主观性较强、误差大、耗时长，且缺乏位置和分布等空间信息。遥感技术具有高时效、宽范围、多分辨率、低成本和大信息量等优势，在树种类型、面积估算、长势监测等方面具有巨大的应用潜力，可为林果业精细化管理提供有利的技术支持。目前，不同空间分辨率的遥感影像已大量应用于不同尺度和区域的林果作物面积和种类信息提取研究中。低空间分辨率的长时序遥感影像（MODIS、FY-3）可以构建多时相长时间序列植被指数曲线，具有时间分辨率高的优势，适用于开展大尺度、大区域、结构单一的林果作物种植结构提取。康凌艳等基于不同时相的MODIS植被指数产品，采用决策树方法提取果树、竹林以及茶园的空间分布信息，总体分类精度80%～85%之间。中等分辨率卫星影像（Landsat TM/ETM/OLI、HJ-1A/B、Sentinel等）在监测精度、数据时效性、获取难易程度上均有明显优势。于新洋等分别利用Landsat5或HJ-1A CCD遥感数据，辅助地面多种信息，利用决策树模型提取果园空间分布信息。杨旭超等分别基于Sentinel-2、Landsat-8、HJ-CCD遥感数据构建多种植被指数时序产品，提取果树空间信息。相比最佳时相法和典型物候期法，时序植被指数法的精度更高，广泛地应用于中等分辨率遥感数据源。国产高分系列卫星已可以提供亚米级的遥感产品，成为精细识别林果作物的重要高分数据源。很多学者利用单时相的国产高分系列卫星产品，综合光谱、纹理和空间特征，采用面向对象或机器学习方法提取特色林果作物的空间信息。在精细林果分类精度上有很大提升，但因高分遥感数据易受低光谱和低时间分辨率等限制，使用单一时相的遥感数据容易出现“异物同谱”现象。因此综合利用多源多时相遥感数据开展林果种植结构信息提取成为研究热点。

目前，果树类型信息提取的研究大部分集中在纯林的单一种植模式，针对林农复合种植模式的不多。在土地资源非常紧缺的新疆南疆特色林果区，林农间作模式高达85%。林农间作模式下的果树地块复杂性更高，且果树光谱和纹理信息容易受到林下农作物的影响，利用单一数据源或单一时相的遥感数据很难准确提取立体种植模式下的果树类型。结合高分影像空间分辨率高、纹理信息丰富的优势，以及中分影像时间分辨率高、光谱信息充足的优势，可以较好地提取南疆林农间作模式下的果树种植结构信息。因此，本研究拟以南疆和田绿洲区为研究区，基于GF-2和Sentinel-2多源多时遥感数据，构建林果作物全生育期NDVI时间序列曲线，采用面向对象分类方法，综合利用物候信息、纹理特征等开展特色林果种植结构信息提取研究。

1 研究区概况与数据源

1.1 研究区概况

和田绿洲位于昆仑山北麓、塔克拉玛干沙漠南缘，行政区包括和田市及和田、墨玉、洛浦三县，面积约3 110 km²（图1）。绿洲主体位于玉龙喀什河和喀拉喀什河之间的山前洪积平原，以人工灌溉绿洲为主。属于暖温带干旱荒漠气候，年均温度11.3 ℃，年均降水量36.5 mm，年均蒸发量2 239 mm。光热资源丰富，无霜期长，无霜期170～201 d。昼夜温差大，≥10 ℃的年积温为4 200 ℃。该地区土壤为砂质土壤，通透性良好，0～100 cm土壤有机质含量为6.3 g/kg，肥力中等。和田绿洲具有发展林果业得天独厚的光、热、水、土等自然资源和品种优势，栽培瓜果的历史有2000多年，主要林果品种有核桃、红枣、葡萄和杏等。截至2019年，全区林果作物面积达2.16×10hm，主要为林农间作的立体种植模式，林下间作以小麦、玉米、牧草等作物为主。

图1 研究区地理位置示意图Fig.1 Geographical location of the study area

1.2 数据源及其预处理

1.2.1 数据源

1）遥感数据

本研究使用GF-2和Sentinel-2遥感数据为主要数据源。其中，GF-2遥感数据来自中国资源卫星应用中心（http://36.112.130.153:7777/DSSPlatform/productSearch.html），云覆盖率小于10%，总计35景，包括4个多光谱数据波段（分辨率为3.2 m）和1个全色波段（分辨率为0.8 m），时间范围2020年2－9月（表1）。图像选取时主要考虑覆盖研究区的完整性和图像时相，影像云量小于20%。GF-2遥感数据具有空间分辨率高、空间结构和纹理信息突出的特点，用于研究区内四类基础地物要素（农田、纯果园、果园混种、其他）的精确边界信息提取。Sentinel-2遥感数据来自欧空局（https://scihub.copernicus.eu/dhus/），云覆盖率小于10%，总计44景，包括可见光、近红外波段（分辨率10 m），时间范围2020年3－10月（表1）。Sentinel-2遥感数据具有重访周期短、光谱信息丰富的特点，主要用于林果作物关键生育期物候曲线构建和种类识别。

表1 遥感影像数据集Table 1 Remote sensing image data set

2）辅助数据

为了便于掌握和田绿洲特色林果作物的物候及分布情况，于2021年4月中下旬开展了和田绿洲3县1市野外实地调查，共采集有效样本点1 052个。其中，间作核桃482个，纯核桃119个，纯枣树321个，纯葡萄130个，其他林果作物（桃树、樱桃）19个。其中，19%作为训练样本数据，81%作为精度验证数据。

此外，本研究还收集了2019年和田绿洲3县1市的林果调查数据，以及通过文献检索和实地调研获取当地主要林果作物的物候信息。正射影像的数字地面高程（Digital Elevation Model，DEM）数据选用ASTER GDEM DEM数据产品（http://earthexplorer.usgs.gov/），分辨率12.5 m。2018年和田地区市县行政区划矢量数据（1∶100万，分幅号J44），来自全国地理信息资源目录服务系统（https://www.webmap.cn/mapDataAction.do?method=index）。

1.2.2 数据预处理

GF-2遥感数据获取时间为2020年2－9月，采用基于区域网平差的数字正射影像图（Digital Orthophoto Map，DOM）对GF-2遥感数据进行预处理。首先利用CIPS软件加载参考DEM，将纠正好的Sentinel-2遥感数据作为参考DOM，自动进行区域网平差和模型平差，快速完成连接点和控制点的自动匹配，保证GF-2遥感影像的绝对和相对定位精度。然后基于平差成果和DEM数据，进行GF-2遥感影像的正射纠正。再运用Gram-Schmidt数据融合算法将纠正后的GF-2全色（0.8 m）与多光谱数据（3.2 m）进行融合。该融合方法有较高的图像保真效果，有利于影像目视判读和光谱、形状、纹理特征规则集的构建。最后对融合数据进行匀光匀色和镶嵌成图，生成DOM正射影像图。

本研究利用哨兵2A大气校正插件Sen2Cor软件对Sentinel-2 L1C产品进行大气校正。然后，采用欧洲航天局发布的开源软件SNAP软件对处理后的数据进行重采样，生成Sentinel-2 L2A级数据产品，将空间分辨率重采样到10 m。最后进行波段合成、拼接处理，获取研究区完整的Sentinel-2影像产品。

2 研究方法

和田绿洲主要为林农间作模式，农村庭院和道路两边多种植果树，标准化果园较少；耕地地块密集破碎，与农村房屋、果园、道路等地物镶嵌混杂。因此，本研究依据典型果树的光谱、形态和空间分布特征，以及提取复杂程度，分层次先提取林田地块，再对果树类型进行分类识别。首先基于GF-2遥感数据，利用最优尺度分割和面向对象分类方法提取研究区内的纯果园、间作果园、农田及其他地块，得到果园（纯果园和间作果园）地块的精确边界信息。然后基于Sentinel-2遥感数据构建林果作物全生育期NDVI时间序列曲线，并结合林果作物物候特征，采用阈值提取/决策树分类方法对已提取的林果地块进行分类，并完成果树类型制图。最后通过混淆矩阵的总体分类精度、生产者精度、用户精度和Kappa系数指标进行精度分析和评价。总体技术流程见图2。

图2 研究技术路线图Fig.2 Research technology route

2.1 基于多尺度图像分割和面向对象的林农地块信息提取

本研究基于GF-2影像数据的4个波段（Band 1为蓝波段、Band 2为绿波段、Band 3为红波段、Band 4为近红外波段），利用eCognition软件（Developer 64）对自然地块进行分割，并通过控制变量法确定分割尺度、形状因子和紧致度因子为最佳参数。根据不同季节果园和农田在GF-2影像数据上的光谱和纹理特征差异，设置不同时相的分割尺度参数。在春季和冬季，果树未长叶或挂果，分割尺度设置为180，可以得到较为完整的地块。在夏季和秋季，果树均已长叶或挂果，分割尺度放大到200，避免将果树树冠与林下作物分割。因纯果园、间作果园和农田地块均外形规则，可以适当提高形状参数的权重值。本研究经过多次试验对比不同参数设置下的分割结果，最终确定分割尺度200（7－9月）和180（2月）、形状权重0.6和紧致度权重0.5为最优参数。在最优参数设置下，分割单元内部纹理均匀，且与相邻地块有较为明显的纹理差异，得到的地块边缘拟合效果最好。

在上述最优分割尺度分割下，本研究通过分析目标对象与其他地物的归一化植被指数、光谱特征和纹理特征信息，明确特征信息与地物之间的对应关系，建立规则集，确定分类规则分为冬季（2月）和夏秋（7－9月）两类。因为冬季果树处在落叶期，农作物（除冬小麦）已全部收获，地表裸露；而夏秋季林农作物处在生长期，地表被植被覆盖，因此冬季影像数据亮度值较夏秋季普遍略高。然后采用逐步剔除非目标地类的方法获得四类地块分类专题图。

根据植被与非植被的NDVI和光谱亮度差异，冬季设置NDVI大于0.2且亮度阈值小于720，夏秋季设置NDVI大于0.38且亮度值小于680，提取植被信息。基于提取的植被基础上，将小于2 200像元（1.4 km）的小图斑移除，得到完整的农田地块信息。农田地块由于有间作果树呈现不同的纹理结构，故使用NDVI、亮度特征和纹理特征相结合的方法，区分纯农田、间作果园和纯果园，详细分类规则如表2所示。常见纹理特征灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）包括对比度、能量、均一性、熵、相关性、均值、方差、相异性8个纹理特征。利用eCognition软件计算主要的纹理特征值，结果显示：GLCM可以识别地块果树尺度的树冠。因不同季节果树树冠大小不同，冬季设置GLCM均值小于2、夏秋季设置GLCM均值小于3作为果树提取的阈值，再设置面积小于100像元将纹理相似的草地信息剔除。最后由NDVI和亮度值作为提取规则区分纯果园与间作果园。具体规则见表2。

表2 基于GF-2遥感数据的地块分类规则集Table 2 Classification rule sets of plots based on GF-2 remote sensing data

2.2 基于物候特征的主要果树类别提取

2.2.1 特色林果NDVI时序特征构建

本研究基于野外采样和GF-2遥感数据提取果园地块空间信息，选取主要特色林果作物（核桃、枣树、葡萄）各50个训练样本并提取其基于Sentinel-2 NDVI时序数据，分别对不同类型的样本地块全生长期的NDVI时序数值进行统计和计算，绘制时序曲线，得到核桃、枣树和葡萄的NDVI时序曲线（图3）。从图3可以看出，提取的主要林果作物NDVI时序数据的变化趋势总体符合其物候特征（见表3）。核桃的萌芽和开花最早，分别为3月下旬和4月中旬；果熟为9月上旬；落叶较晚为11月上旬，全生育期最长（3月下旬－11月上旬）。枣树萌芽和开花为4月上旬和5月中旬；果熟在9月中旬，而落叶最早在10月上旬，全生育期（4月上旬－10月上旬）。葡萄萌芽和开花最晚，分别为4月下旬和5月下旬；果熟最早（8月下旬），落叶较晚为11月上旬；全生育期最短（4月下旬－11月上旬）。在图3中，每年3月、5月下旬和10月中下旬的波谷刚好是核桃、枣树和葡萄的灌水季节，当地普遍采用大水漫灌方式，在果树防水圈外的地面均被水淹没，大水退后，林下土壤湿度也偏高，导致这段时间该果园地块的平均NDVI值降低。当水分充分被吸收之后，NDVI值又迅速上升。此外，8月上旬进行的“打秋梢”措施，为保证果实营养，需要大量修剪果树树杈，也导致果园地块的NDVI值下降。

图3 主要林果Sentinel-2 NDVI时序曲线图Fig.3 Sentinel-2 NDVI time series curve of typical fruit trees

表3 研究区特色果树的物候期Table 3 Phenological period of fruit trees in study area

2.2.2 决策树分类器

基于野外样本点和Sentinel-2 NDVI时序曲线，并结合林果作物物候特征信息计算林果作物识别关键期的光谱阈值，构建林果作物决策树模型，如图4所示。将分类结果叠加到基于GF-2遥感数据精确提取的林果地块上，得到2020年新疆和田特色林果作物的空间分布图。

图4 基于Sentinel-2 NDVI时序数据决策树流程图Fig.4 Flow chart of decision tree based on the Sentinel-2 NDVI time series data

结合林果作物的NDVI时序曲线和典型物候期可见，林果作物生长期从3月下旬开始，11月上旬结束。纯核桃、间作核桃、枣树和葡萄的NDVI时序曲线虽然有少部分交错和重叠，但还是存在差异明显的时间窗口。首先，从NDVI时序数据可见，7月为林果作物生长旺盛期，利用7月28日的NDVI值快速区分植被和非植被。设定NDVI＜0.27为阈值提取非植被类型，其他为植被类型。间作核桃因林下间作冬小麦，在冬小麦返青时（4月29日）出现NDVI峰值。冬小麦收割后（8月7日）出现NDVI低谷。根据间作核桃样点数据所在地块数据在这两期的统计值，设定0.68＜NDVI＜0.91、NDVI＞0.51为阈值提取间作核桃。纯核桃5月24日－6月23日在各类林果作物NDVI值最高，设定NDVI+NDVI＞1.35为阈值提取纯核桃。枣树4月29日－8月7日的NDVI值均低于其他林果作物。同时，枣树在5月中旬开花，9月中旬挂果，在6月23日和9月21日出现NDVI峰值。NDVI＜0.44、NDVI+NDVI＜1.14为阈值提取枣树。葡萄整个生长期的NDVI值均低于核桃，高于枣树。8月上旬葡萄打秋梢后其NDVI值下降，8月7日达到最低，设定葡萄阈值为0.43＜NDVI＜0.65、NDVI＞0.4。然后将野外实地考察获得的有效样本点随机选择作为测试集验证其分类精度。最后以GF-2遥感数据提取的林田地块为基础数据，将已分类好的4类果树信息进行赋值叠加，得到林果结构分布。

2.3 精度验证

本研究采用混淆矩阵的方式对林果作物遥感提取结果进行精度验证评价，评价指标包括总体分类精度（Over Accuracy, OA）、用户精度（User Accuracy, UA）、生产者精度（Produces Accuracy, PA）以及Kappa系数。选取了实地调查样本点共849个，其中间作核桃430个、枣树270个、核桃树69个以及葡萄80个。

3 结果与分析

3.1 提取结果精度评价

如表4所示，林果分类结果的总体精度为96.82%，Kappa系数为94.95%。其中间作核桃和枣树的用户精度和生产者精度都超过95%，表明此方法分类精度较高，可以满足主要林果作物遥感监测需求。但对地块面积较小的纯核桃和葡萄果园，容易分别与间作核桃和枣树混淆，用户精度均低于95%。

表4 分类精度Table 4 Accuracy of the classification result

3.2 种植结构提取结果

在最优分割尺度分割下，通过建立规则集，采用逐步剔除非目标地类的方法获得4类地块分类专题图，如图5所示。

图5 基于GF-2遥感数据提取的地块分类图Fig.5 Classification map of plots based on GF-2 remote sensing data

基于遥感提取的和田绿洲主要林果作物总面积4.28×10hm，主要为核桃（纯核桃和间作核桃），面积330.98×10hm；其中，间作核桃面积占63.8%。枣树和葡萄面积分别为8.29×10和1.40×10hm，如图6所示。

由图6可知，研究区内特色林果作物主要分布在水资源较好和地势平坦的玉龙喀什河和喀拉喀什河两岸上游老绿洲区（墨玉县的阿克萨拉依乡、托胡拉乡、阔依其乡、芒来乡和吐外特乡；和田县的巴格其镇和拉依喀乡以及洛浦县的纳瓦乡和恰尔巴格乡），以大片连续的核桃间作果园为主，且其中零星分布纯核桃果园。在核桃间作果园外围新垦绿洲上，多分布不连续的纯农田，破碎地块较多，且面积不大。枣树大多分布在下游绿洲荒漠交错带，甚至沙质荒漠中，呈规则的大型条带状分布。尤其在墨玉县西部的兵团二二四团和洛浦县东部的拜什托格拉克乡，可见大面积新开垦土地种植枣树，多为幼年小树苗。葡萄多分布在喀拉喀什河下游，墨玉县境内的喀尔赛乡和兵团四十七团六连，集中在沙质荒漠土壤上。

图6 和田绿洲特色林果遥感结构空间分布（2020年）Fig.6 Spatial distribution of fruit trees by remote sensing in Hotan oasis (2020)

和田地区核桃种植区主要分布在玉龙喀什河和喀拉喀什河上游，因核桃为喜温、喜光、喜肥的树种。同时，核桃生长发育需要大量的水分，尤其是果实发育期要有充足的水分供应。又因在玉龙喀什河和喀拉喀什河上游为古老的和田绿洲分布区，长期灌溉淤积，土壤不断熟化，形成适宜核桃生长的砂壤土。因此，将核桃种植在灌溉条件优越、土壤相对肥沃、气候相对湿润的河流上游两侧，更有利于核桃树的生长发育和提质增效。而枣树和葡萄分布在河流下游。主要因为枣树和葡萄较核桃更喜光、抗旱、抗寒、耐瘠薄。下游绿洲荒漠交错带多为沙质荒漠土壤，且水资源相对匮乏，气候少雨干燥，有利于果树病虫害防治，更适宜种植枣树和葡萄。

本研究将基于遥感提取的三种林果作物面积与林调统计数据（2019年）进行比较，并计算相对精度。据林调统计数据，2019年和田绿洲核桃（包括间作和纯核桃）、红枣、葡萄的总种植面积分别为5.33×10、8.48×10、1.64×10hm。2020年该区内基于遥感提取的核桃、红枣、葡萄种植面积分别为3.31×10、8.29×10、1.40×10hm，相对精度分别是62.1%、97.8%、85.2%。其中红枣葡萄提取精度较高。核桃精度不高是由于2020年和田绿洲核桃果园的提质增效的改良工程，依据“宜果则果，宜粮则粮”的原则，将低产间作模式的果园转为耕地或牧草地，使得2019年林调数据与2020年遥感提取数据存在一定的差异。

4 讨 论

冯振峰对南疆环塔里木盆地的枣树、苹果和香梨进行遥感识别，总体精度达78.14%。沈江龙等运用面向对象的影像分析提取若羌绿洲的枣树面积，精度达到88.43%。杨辽基于多源影像数据结合香梨的物候信息提取库尔勒香梨的种植面积，解译精度达86.36%。与相同区域不同果树类型遥感信息提取精度对比发现，本文结合面向对象和决策树分类方法提取和田绿洲核桃、枣树和葡萄的种植面积，总体精度可达90%以上，解译精度相对较高。对比不同区域类似果树的提取精度分析，邢东兴等采用最佳时相法对关中平原葡萄进行分类识别，其总体精度达96.53%；而本文提取的葡萄分类精度为91.25%，精度相当。杨旭超基于多时相Sentinel数据构建时序NDVI对大理核桃进行信息提取，其总体精度为83.54%。且大理核桃林属于纯核桃林，不存在与农作物间作的情况。本文研究区涉及纯核桃和间作核桃的分别，解译难度曾大，纯核桃和间作核桃的用户精度92.75%和98.14%，分类精度相对较高。

目前提取的林果作物主要集中在核桃、枣树、葡萄等主要林果作物；而樱桃、新梅、杏子、桃树等小宗林果的识别能力有限。在分类方法方面，虽然面向对象和决策树分类相结合的方法可以选取最佳的识别特征量和阈值，但其对训练样本的质量和数量具有较强的依赖性，依然需要尝试更智能、提取精度更高的分类关键技术研究。其次，能否获取高时空分辨率的遥感影像是精准提取林果作物空间分布信息的关键，GF-2和Sentinel-2遥感数据受云的影响，在研究区范围较大时难以完全满足解译，还需要进一步探索多源高时空分辨率卫星数据的综合应用方法，避免天气状况对林果作物识别结果的影响。最后在时空尺度方面，由于林果作物的植被指数与周围环境息息相关，当降水、温度等气象条件达不到生长需求时，果树长势会出现较大变动。针对不同研究区仍需结合实地调研情况进行具体判断，需要根据研究区条件设置合理的分类因子来准确提取林果作物的空间分布信息。从而实现扩展研究区至省级范围，尤其地形复杂和种植结构复杂条件下的大区域林果作物种植结构提取。

5 结 论

本研究针对林农间作模式下果树类型和面积提取研究在数据源单一和提取精度不高方面的不足，在两大方面进行了尝试。首先，在数据源的选择上，针对不同林果作物在遥感影像上呈现出复杂的时空异质性和尺度敏感性的特征，采用具有高空间分辨率的国产GF-2遥感数据和具有高时间分辨率的Sentinel-2遥感数据，解决现有研究中单一影像数据信息不足的问题。其次，在分类方法上，提出了一种基于GF-2遥感数据的果园地块空间信息和多时相Sentinel-2NDVI时序数据提取特色林果作物种植结构的方法，结合面向对象和决策树分析，并利用研究区内主要林果作物的物候信息和NDVI时序数据的差异，实现了研究区内2020年特色林果（核桃、枣树、葡萄）的种植结构提取，满足了遥感提取种植面积的精度要求。主要研究结论如下：

1）提出了基于GF-2遥感数据的果园地块空间信息＋多时相Sentinel-2NDVI时序数据和物候信息的种植面积提取方法对研究区域特色林果种植面积进行提取。多时序影像能够更加详细的提供研究作物在整个生长周期内的变化情况，能够有效地避免因“同物异谱”或“同谱异物”问题带来的误差，从而更精确地获知不同林果的种植面积及空间分布，以便及时为林业部门提供有效信息。

2）结合面向对象和决策树分类方法能够较好地适用于研究区内的种植结构提取。2020年在研究区内对核桃、枣树和葡萄种植面积进行分类提取，用户精度和总体分类精度均高达90%以上，Kappa系数高达94.95%，可以满足县市级尺度的林地遥感监测精度需求。

3）在林农间作立体种植模式的地区，利用单一中分辨率遥感影像进行地物解译时，混合像元问题突出，难以满足遥感提取的精度要求，同时结合高空间分辨率遥感影像进行有效补充，可以在兼顾影像成本的情况下有效提高结构提取精度。