基于多特征优选的平和县蜜柚园遥感提取与扩张分析

刘雪萍　周小成　崔雅君　肖祥希

摘要：本文基于谷歌地球引擎（google earth engine，GEE）平台中2020年Sentinel-2数据和数字高程模型（digital elevation model，DEM）数据，在递归特征消除的随机森林（random forest-recursive feature elimination，RF-RFE）特征选择算法基础上结合随机森林（random forest，RF）分类算法，实现了平和县蜜柚园的空间分布制图。根据蜜柚园扩张的先验知识，使用2020年蜜柚园的提取结果对历史Landsat数据进行掩膜，依次获得1990、2000、2010年平和县蜜柚园的空间分布，在此基础上对30年以来平和县蜜柚园的变化进行分析。结果表明：基于GEE平台，使用RF-RFE特征选择后的多特征分类方法可以快速、准确地提取平和县蜜柚园的空间分布。蜜柚园的生产精度和用户精度分别为89.83%和90.59%;平和县蜜柚园面积从1990年的10.5 km2增加到2020年632 km，增加的蜜柚园主要来源于有林地，其次为耕地和香蕉园。本研究可为平和县蜜柚产业的健康发展提供决策支持，同时可为南方地区的果园提取提供技术参考。

关键词：蜜柚园;Sentinel-2;随机森林算法;RF-RFE;平和县

中图分类号：S127;TP79 文献标志码：A

琯溪蜜柚原产于福建省平和县，三十年来发展迅速，已成为平和县农业增效、农民增收的一个经济增长点[1]。然而，粗犷的开发方式及不合理的管理手段，不仅导致蜜柚品质下降，还造成了严重的环境破坏[2]。开展蜜柚园种植面积和分布的遥感监测，可对平和县蜜柚产业规划、生态环境评价以及制定退果还林的政策提供重要的决策支持。

遥感方法在数据收集和制图方面优于传统的实地调查法，被广泛应用于空间分布制图。决策树模型具有清晰、直观、灵活、运算效率高等特点，在遥感分类方面具有很大的优势，被广泛应用于各种遥感影像信息提取[3-6]。于新洋等[7]选用决策树分类方法，综合归一化差值植被指数（normalization difference vegetable index，NDVI）、地形地貌和缨帽变换等多种辅助信息进行果园信息提取。然而，该方法在阈值选择方面往往更多的依赖专家经验，主观性强，具有一定的不确定性。随后，机器学习方法越来越多的被应用到果园遥感识别中，例如最大似然分类（maximumlikelihood classification，MLC）[8]、支持向量机（support vector machine， SVM）[9-10]和随机森林（random forest，RF）[11]等。与当前各类遥感影像分类算法相比，RF分类器具有显著的优势。如候蒙京等[12]使用RF算法对高寒湿地地区的土地覆盖进行分类，宋荣杰等[13]利用RF算法有效地提取了猕猴桃园的种植面积。随着更高分辨率遥感影像的出现，为了解决分类结果中存在的混合像元问题，衍生出了一种全新的面向对象分类方法。任传帅等[14]基于SPOT-6数据，利用面向对象分类方法对芒果林地信息进行提取，提取精度达到了90%以上。近年來，卷积神经网络（convolutional neural network，CNN）在图像分类处理领域取得了巨大的成功，比较成熟的CNN模型包括AlexNet、VGG、GoogleNet、ResNet等[15-16]。例如CSILLIK等[17]使用简单的CNN算法从多光谱无人机图像中检测柑橘树，总体精度达到96.24%。

在特征提取方面，越来越多的特征被用到果园识别中，除光谱波段和植被指数外，还有纹理[9，18-19]、地形[20]、多时相[21]和其他的空间关系特征[22]。然而，不同特征对果园提取的贡献度却很少有研究估计。此外，在训练样本数量有限的情况下，特征冗余可能会对分类结果产生不利的影响。因此，为了更好地理解不同特征对蜜柚园提取的贡献，制定更具有判别性的特征子集尤为关键。递归特征消除的随机森林算法（random forest-recursive feature elimination，RF-RFE）是一种常见的特征选择算法，将递归消除的思想与随机森林分类器结合在一起，实现特征的优选。例如CHENG等[23]使用 Sentinel-2 数据进行秦岭山脉主要林分类型分类识别时，利用RF-RFE算法筛选出了最有利于林分类型分类的特征，提高了分类精度和效率。GEE可以支持并行云端计算[24]，结合特征优选方法可以更加快速有效地提取较大范围内的类别信息。

由于本研究分类区域同时涉及蜜柚园、茶园和耕地几个易混淆类型，而目前已有文献的分类类型较为单一，Sentinel-2数据具有较高空间分辨率和丰富的光谱信息，可以帮助区分易混淆类型[25-26];此外，利用卫星遥感进行蜜柚园的时空分布监测研究还是空白，Landsat数据具有最长时间序列的遥感数据，为开展蜜柚园的动态监测提供数据支撑。由于深度学习往往需要各地类足够多的样本，结合研究区影像特征发现茶园、耕地等样本不足，深度学习在评估蜜柚园和茶园、耕地的区分方面难以发挥优势。本文设置4组不同的特征组合方案结合随机森林分类器进行对比试验，以更好的提取蜜柚园信息，并分析蜜柚园的时空演变规律，为平和县蜜柚产业的健康发展提供决策支持。

1 数据

1.1 研究区概况

平和县位于中国福建省漳州市的西南部（图1），介于北纬24°02′—24°35′，东经116°54′—117°31′之间，面积2 328 km。该地区地形起伏，多为低山丘陵。县域处于亚热带季风气候，气候湿润，光照充足，降水丰沛，春秋冬温差小，夏季较长，适宜蜜柚生长。平和县2019年的抽样统计显示，平和蜜柚面积保守估计有460 km，出现了盲目扩张的态势。

1.2 数据收集及预处理

本研究使用的数据包括1990、2000、2010年Landsat-TM数据、2020年Sentinel-2数据、航天飞机雷达地形测绘使命（shuttle radar topography mission，SRTM）30 m的DEM数据及实测数据等。对于每一期数据，都选择两个时相影像用于更好的区分地物间的微小差异。GEE是一个基于云平台的地球观测数据检索和处理平台，云端存储大量历史免费数据（如Landsat系列、Sentinel系列、MODIS系列等部分数据），并具有支持并行云端运算的特点[27]。本文使用的数据均通过GEE平台获取，避免了大量的数据预处理工作。其中，Sentinel-2数据为经过Sen2Cor（Sentinel-2 Level-2A atmospheric correction processor）工具进行过大气校正的S2A产品，Landsat-TM数据为经过辐射定标的LITP产品。

从GEE平台上获取SRTM 30 m的DEM数据，该产品由美国国家航空航天局（national aeronautics and space administration，NASA）实验室提供，分辨率为30 m。由DEM数据获得的高程（Elevation）、坡度（Slope）、坡向（Aspect）和地形阴影（Hillshade）数据作为地形特征数据，辅助用于蜜柚园的分类制图。本研究所用的数据源见表1。

1.3 样本数据集

根据蜜柚园在高分辨率卫星影像上呈现的特征，利用地面调查数据、谷歌影像作为参考数据建立样本库，2020年影像上可采集有林地、蜜柚园、人工地表、水体、茶园、耕地、香蕉园7类，1990、2000、2010年各期只能采集到有林地、蜜柚园、耕地和香蕉园样本。选择有代表性且纯净的地类像元，并保证样本在空间上均匀分布。其中70%用于训练，其余30%用于验证，样本点数量见表2。

2 研究方法

本文主要分为影像数据获取、特征选择与分类、平和县蜜柚园的变化分析三部分。主要的步骤包括：（1）基于GEE平台，使用最小云量影像合成方法获得平和县1990、2000、2010年的Landsat-TM数据和2020年Sentinel-2A数据;（2）使用Sentinel-2数据和DEM数据，分别获取影像的光谱特征、纹理特征和地形特征，并作为特征变量，利用RF-RFE选择最优分类子集;（3）利用野外考察数据以及高分辨率的谷歌影像辅助分类样本选择，利用随机森林分类器进行分类并进行分类后处理，在最终分类结果基础上随机选择验证样本对分类结果进行精度评价;（4）在2020年蜜柚园的提取结果上掩膜1990—2010年早期影像，进一步采用相同的方法对早期Landsat-TM影像分类;（5）最后，对平和县蜜柚园的时空分布进行分析。详细的技术流程见图2。

2.1 特征提取

2.1.1 光谱特征

Landsat-TM数据和Sentinel-2数据都具有丰富的光谱信息，除此之外，Sentinel-2数据还有用于监测植被生长状态的红边波段。由于季相特征可以在一定程度上影响蜜柚园的提取精度，因此，本文分别选择春夏季和秋冬季的两个时相的影像，进行蜜柚园信息提取。

植被指数广泛用于植被长势、植被覆盖变化监测，可以有效提取植被信息。植被指数可以突出波段间的差异，有效区分不同地类。本文选取归一化植被指数I、差异归一化植被指数I、绿色叶绿素指数I 、土壤调节植被指数I、红边拐点I、MERIS陆地叶绿素指数I、归一化差异湿度指数I以及归一化燃烧比2 I，共计8个指数（表3）。

2.1.2 纹理特征

纹理可以反映物体空间结构特征，蜜柚园由于其特有的行列结构，与有林地、耕地的纹理特征存在明显的差异，因此，将这些特征加入到蜜柚园提取，可以弥补光谱特征空间信息的不足，提高分类精度。灰度共生矩阵（gray level co-occurrence matrix，GLCM）是提取纹理特征的一种经典算法[36]。原始波段之间存在一定的相关性，导致提取的纹理特征间存在冗余，不利于信息的提取，因此，使用主要成分分析（principal component analysis，PCA）变换后的第二主成分进行纹理特征提取。同时利用植被指数的纹理特征，更好地突出蜜柚园的空间信息。

2.1.3 地形特征

据实地考察发现，蜜柚园主要分布在海拔低于600 m，坡度小于25°的低山区和丘陵区，耕地主要分布在地势比较平坦地区，往往距离河流和居民区较近，因此，海拔、坡度等地形条件直接影响了蜜柚园的空间分布。本文选择了高程（Elevation）、坡向（Aspect）、坡度（Slope）和阴影（Hillshade）4个地形特征参与蜜柚园分类特征选择。

2.2 特征选择

提取的52个特征对蜜柚园的提取贡献大小不一，特征选择可以在很多特征中找到最有利于蜜柚园提取的特征子集，提升模型的效率和分類精度。递归消除算法（recursive feature elimination，RFE）是种集成算法，与RF算法相结合在特征选择方面可以达到较好的性能。把需要的特征子集初始化为整个特征子集，每次剔除一个排序准则分数最小的数据，直到获得最后的特征集，因此，RFE-RF是一个基于RF的最大间隔原理的序列后向选择算法[37]。该过程将样本等分为10份，每个特征集依次使用其中的9份作为训练样本，其余1份作为验证样本，以此类推，使用10次分类精度的平均值作为该特征的分类精度，最终对比不同特征子集的分类精度确定最佳的分类子集。

2.3 分类试验方案

本文设计了4组分类试验方案，如表4所示。

2.4 随机森林算法

本文基于分类数据的多维性与研究区地形的复杂度，选择RF分类方法，该方法已被证明在处理高维遥感数据方面优于其他的监督分类方法。RF分类器是Breiman提出的由多个决策树或分类树组成的集成学习算法。每棵树都是通过一定数量的随机样本和随机特征训练构造的。RF分类器的基本流程如下：（1）采用bootstrapping抽样方法，抽取三分之二的数据作为训练样本，其余三分之一作为验证样本，后者可以用来估计内部误差;（2）对每个训练样本构造一棵分类回归树，生成N棵树组成的随机森林。在每棵树的成长过程中，从所有特征中随机选择m个特征;（3）组合N棵决策树的分类结果，使用多数投票原则确定最终的分类结果[38]。

2.5 蜜柚园的动态变化监测

分类后比较是研究土地利用变化最常见的方法之一，其中，最关键的一步是获取各时相较高精度的分类结果。通过实地考察发现，平和县蜜柚园近30年来一直处于不断扩张的状态，为了更好的研究蜜柚园的扩张动态，本文利用获取的2020年蜜柚园专题分类结果对更早期影像进行掩膜，在掩膜基础上，进一步重复上述特征优选的分类方法，依次获得平和县1990、2000、2010年的蜜柚园专题分类结果。

2.6 精度评价

采用混淆矩阵计算总体分类精度O、用户精度U、生产者精度P和Kappa系数对2020年 的Sentinel-2卫星遥感影像中的蜜柚园分类结果进行精度评估，其中O和Kappa系数用来比较整体分类精度，P和U用来衡量特定类别的分类精度。由于分类结果可能会出现某种类别的P高而U低或者相反的情况，不便于分类结果的统计。因此，本文引入综合P和U的F统计量对分类结果中的某一类别进行精度评价[11]。其定义公式为：

F=2P U/P+U （1）

式中，P为类别m的生产者精度，U为类别m的用户精度，F为F统计值。

本研究采用随机抽样的方法收集验证样本，使用总体样本数量的30%用于精度验证。

3 结果与分析

3.1 特征优选结果

使用RF-RFE对52个特征进行选择，共选择出由纹理、地形和光谱共10个特征组成最优特征子集。从图3中可以看出，当参与分类的特征从1增加到10时，分类精度逐渐上升且在第10个特征处达到最高峰，当参与分类的特征数量继续增加时，分类精度趋于平稳，因此选择前10个特征作为优选的特征子集。特征按重要性从大到小的顺序为：Elevation、NBR2_savg（归一化燃烧比2的和平均）、Slope、NBR2、PC2_var（第二主成分的方差）、GCVI、REIP、B11_1、PC2_contrast（第二主成分的对比度）、MTCI。

3.2 分类结果对比分析

本研究的分类方法本质上属于基于像元分类，因此分类结果中难免出现小斑块，分析研究区的蜜柚分布，发现针对Sentinel-2影像，蜜柚园的最小可识别斑块为0.005 3 km，为了减少小斑块对分类结果的影响，依次使用Majority分析、聚类分析和过滤处理对分类结果中的小斑块进行滤除，选择77的卷积窗口对分类结果进行分类后处理（图4），选择不同的特征进行随机森林分类，定量比较不同分类特征对分类结果的影响，不同分类方案分类结果精度统计见表5，最优特征子集的分类混淆矩阵统计见表6。

本文使用光谱特征、光谱特征+纹理特征、光谱特征+纹理特征+地形特征以及经过RF-RFE后的最优特征子集分别进行分类，分类结果显示，当仅使用光谱特征进行分类时，蜜柚园的生产精度和用户精度分别为82.83%和81.28%，F统计值为82.05%，总体精度为86.61%，kappa系数为0.784 3，此时，茶园、耕地与蜜柚园的混淆较为严重;当引入纹理特征后，蜜柚园的生产精度和用户精度都得到了明显的提升，生产精度提升了5.09%，用户精度提升了6.46%，F统计值提升了5.78%，此时的总体精度可以达到90.24%，kappa系数为0.842 6，分别提升了3.63%和0.06;经过野外考察及经验知识，了解到蜜柚园主要分布在海拔低于600 m及坡度小于25°的区域，因此考虑引入地形因素可能进一步提升蜜柚园的分类精度。结果发现，在光谱特征和纹理特征的基础上再加入地形特征，可以进一步消除蜜柚园与茶园、耕地之间的混淆，蜜柚园的生产精度增加到89.61%，相比基于光谱和纹理特征的分类精度提升了1.69%，F统计值提升了0.66%，总体精度提高到91.34%，kappa系数为0.861 1。但是59个特征之间存在着冗余现象，分类特征数量过多导致分类效率下降。试验发现，当用RF-RFE进行特征选择之后，利用前10个分类特征子集可以达到更好的分类精度，同时提升了分类效率，蜜柚園的生产精度和用户精度分别达到89.83%和90.59%，F统计值达到90.21%，总体精度达到92.09%，kappa系数为0.872 2，分类精度和效率实现了最优结果。但从最终结果的混淆矩阵来看，蜜柚园和有林地之间仍然存在着一定程度的混淆现象，进一步分析发现，主要是部分类似园地的稀疏林地与蜜柚园仍存在混淆，此外，虽然蜜柚园和耕地、茶园在很大程度上得到了有效的区分，但仍存在互混淆的情况，这是由于Sentinel卫星影像毕竟为10 m分辨率，受分辨率限制，地物在各类特征上的区分度有限，期望下一步使用更高分辨率影像解决这一问题。

3.3蜜柚园扩张动态

在2020年蜜柚园分类结果上使用掩膜方法对1990年的平和县蜜柚园进行提取，发现采用掩膜的方式生产精度得到了大幅度提升（表7）。1990、2000、2010年蜜柚园分类精度如表8所示。由表9可以得出，平和县蜜柚园近30年来面积持续增加，从1990年10.5 km增加到2020年632 km，增加了60倍，其中1990年到2000年蜜柚园面积增加了343.57 km，扩张速度最快，占近30年来新增蜜柚园面积的55.27%，这主要和80年代末政府积极鼓励蜜柚种植的政策密切相关。2000—2010年蜜柚园面积持续增加，2010年以后蜜柚园扩张面积明显减少，主要是由于蜜柚园不合理的扩张导致生态环境恶化，政府推行退果还林政策相关，同时也可能由于研究区可供蜜柚园扩张的土地有限。从空间上看，蜜柚园扩张主要集中分布于中部地区，蜜柚园由1990年少量零星分布形成广泛连片化的聚集分布特征。从各乡镇蜜柚园种植情况看，小溪镇、坂仔镇、山格镇3县为最早开始种植蜜柚的地区，到2000年，小溪镇、坂仔镇、山格镇、霞寨镇蜜柚种植已初具规模，2010年以来，各县蜜柚园种植面积呈现持续扩张的趋势。结合表10进一步发现，1990—2020年平和县蜜柚园的扩张主要来自于有林地（64.99%），其次为耕地（31.45%）。同时可以发现，从1990年到2010年，坂仔镇也有部分耕地和有林地被開发为香蕉园，继而转变为蜜柚园，查阅资料发现，这可能和种植蜜柚带来的经济效益更好有关。

4讨论

本文基于Sentinel-2数据，使用多特征优选的方法获得了2020年福建平和县蜜柚园的空间分布，在此基础上，根据蜜柚园扩张的先验知识，使用2020年蜜柚园提取结果对早期Landsat影像掩膜，分类获得1990、2000和2010年蜜柚园的空间分布。查阅已有文献发现，2019年徐泽晗宇等[27]直接使用特征参与分类的平均生产者精度和用户精度分别为66.98%和85.61%，本文分类结果的最低生产精度和用户精度分别为85.57%和85.56%，表明本文提出的方法可以有效提升分类精度。最终获得1990、2000、2010、2020年蜜柚园种植的遥感提取面积为10.5、354、555、632 km，查阅历史资料发现，平和县从80年代末陆续开始蜜柚种植，表明1990年蜜柚园提取面积较少较为合理。2000、2010、2020年蜜柚园抽样统计面积为333、550.8、533 km，其中，蜜柚园遥感提取面积比统计面积大，可能原因有几个方面：（1）影像分辨率较低会产生混合像元问题，会给蜜柚园分类结果造成客观误差;（2）抽样统计数据在一定程度上低估了农户种植蜜柚园的面积。2020年蜜柚园提取面积和统计面积相比较多，主要是因为平和县给出的统计数据是退果还林之后规划的面积，而实际情况是存在蜜柚园盲目扩张的情况，除此之外，许多偏远山区的农户将原来的耕地和有林地垦殖为蜜柚园，而这一部分可能未能及时纳入官方统计。

5结论与展望

本文基于GEE平台中的Sentinel-2和Landsat-TM数据，使用RF-RFE特征优选方法，实现了1990、2000、2010、2020年平和县蜜柚园专题制图和扩展分析，主要结论如下：

1）在光谱特征、纹理特征和地形特征的基础上，使用RF-RFE构建最优分类特征子集参与随机森林分类，结果表明RF-RFE特征选择算法可以在降低运算时间的同时可以保证较高的分类精度，优选后的特征子集由光谱、纹理和地形特征组成，包括：Elevation、NBR2_savg、Slope、NBR2、PC2_var、GCVI、REIP、B11_1、PC2_contrast、MTCI，分类结果的生产精度和用户精度分别可以达到89.83%和90.59%，总体精度和Kappa系数分别可以达到92.09%和0.872 2。

2）使用2020年平和县蜜柚园提取结果对1990、2000、2010年Landsat-TM掩膜和分类，获得1990、2000、2010年蜜柚园提取结果，蜜柚园的生产精度最低为81.81%，最高生产精度可达91.3%，用户精度最低为85.56%，最高用户精度可达92.64%。表明通过蜜柚园不断扩张的先验知识进行Landsat-TM影像的蜜柚园提取，可以有效改善早期低分辨率Landsat影像蜜柚园的准确获取问题。

3）遥感监测表明，福建平和县蜜柚园面积从1990年的10.5 km迅速增加到2020年632 km，增加了60倍，蜜柚园分布由1990年零星分布逐渐形成规模化、连片化的分布特征，蜜柚园的主要来源为有林地，其次为耕地和香蕉园。

由于部分稀疏林地、茶园同低龄的蜜柚园存在相似的光谱和纹理特征，比较容易发生混淆，而蜜柚园固有的纹理特征在高分辨率卫星影像中更为明显，因此，下一步将使用更高分辨率的遥感影像，以期更为准确地识别蜜柚园的空间分布。参考文献：

[1]林旗华， 林燕金， 姜翠翠， 等. 1991—2013年平和县蜜柚种植规模变化及新品种介绍[J]. 东南园艺， 2015， 3（4）： 45-48.

[2] 黄美凤. 浅析平和县生态环境保护[J]. 海峡科学， 2014（7）： 34-35.

[3] LI L， DONG J W， SIMON N T， et al. Mapping oil palm plantations in cameroon using palsar 50 m orthorectified mosaic images[J]. Remote Sensing， 2015， 7（2）： 1206-1224.

[4] POORTINGA A， TENNESON K， SHAPIRO A， et al. Mapping plantations in myanmar by fusing landsat-8， sentinel-2 and sentinel-1 data along with systematic error quantification[J]. Remote Sensing， 2019， 11（7）： 831.

[5] 王利军， 郭燕， 贺佳， 等. 基于决策树和SVM的Sentinel-2A影像作物提取方法[J]. 农业机械学报， 2018， 49（9）： 146-153.

[6] 徐伟燕， 孙睿， 金志凤. 基于资源三号卫星影像的茶树种植区提取[J]. 农业工程学报， 2016， 32（S1）： 161-168.

[7] 于新洋， 赵庚星， 常春艳， 等. 随机森林遥感信息提取研究进展及应用展望[J]. 遥感信息， 2019， 34（2）： 8-14.

[8] CHENG Y Q， YU L， XU Y D， et al. Towards global oil palm plantation mapping using remote-sensing data[J]. International Journal of Remote Sensing， 2018， 39（18）： 5891-5906.

[9] DIHKAN M， GUNEROGLU N， KARSLI F， et al. Remote sensing of tea plantations using an svm classifier and pattern-based accuracy assessment technique[J]. International Journal of Remote Sensing， 2013， 34（23）： 8549-8565.

[10]WANG Y R， ZHU X L， WU B. Automatic detection of individual oil palm trees from uav images using hog features and an svm classifier[J]. International Journal of Remote Sensing， 2018， 40（19）： 7356-7370.

[11]徐晗澤宇， 刘冲， 齐述华， 等. 基于随机森林算法的赣南柑橘果园遥感信息提取[J]. 江西师范大学学报： 自然科学版， 2018， 42（4）： 434-440.

[12]侯蒙京， 殷建鹏， 葛静， 等. 基于随机森林的高寒湿地地区土地覆盖遥感分类方法[J]. 农业机械学报， 2020， 51（7）： 220-227.

[13]宋荣杰， 宁纪锋， 常庆瑞， 等. 基于小波纹理和随机森林的猕猴桃果园遥感提取[J]. 农业机械学报， 2018， 49（4）： 222-231.

[14]任传帅， 叶回春， 崔贝， 等. 基于面向对象分类的芒果林遥感提取方法研究[J]. 资源科学， 2017， 39（8）： 1584-1591.

[15]MASOUD M， BAHRAM S， MOHAMMAD R， et al. Very deep convolutional neural networks for complex land cover mapping using multispectral remote sensing imagery[J]. Remote Sensing， 2018， 10（7）： 1119.

[16]LI W J， FU H H， YU L， et al. Deep learning based oil palm tree detection and counting for high-resolution remote sensing images[J]. Remote Sensing， 2016， 9（1）： 22.

[17]CSILLIK O， CHERBINI J， JOHNSON R， et al. Identification of citrus trees from unmanned aerial vehicle imagery using convolutional neural networks[J]. Drones， 2018， 2（4）： 39.

[18]AKAR O， GUNG R O. Integrating multiple texture methods and ndvi to the random forest classification algorithm to detect tea and hazelnut plantation areas in northeast turkey[J]. International Journal of Remote Sensing， 2015， 36（2）： 442-464.

[19]宋荣杰， 宁纪锋， 刘秀英， 等. 基于纹理特征和SVM的QuickBird影像苹果园提取[J]. 农业机械学报， 2017， 48（3）： 188-197.

[20]LI G Y， CHENG Z L， LU D S， et al. Examining hickory plantation expansion and evaluating suitability for it using multitemporal satellite imagery and ancillary data[J]. Applied Geography， 2019， 109： 102035.

[21]ZHU Y H， YANG G J， YANG H， et al. Identification of apple orchard planting year based on spatiotemporally fused satellite images and clustering analysis of foliage phenophase[J]. Remote Sensing， 2020， 12（7）： 1199.

[22]閆利， 江维薇. 一种利用结构特征的高分辨率遥感影像种植园自动提取方法[J]. 测绘学报， 2016， 45（9）： 1065-1072.

[23]CHENG K， WANG J. Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm—a case study in the qinling mountains[J]. Forests， 2019， 10（7）： 559.

[24]李宇宸， 张军， 薛宇飞， 等. 基于Google Earth Engine的中老缅交界区橡胶林分布遥感提取[J]. 农业工程学报， 2020， 36（8）： 174-181.

[25]ZHU J， PAN Z， WANG H， et al. An improved multi-temporal and multi-feature tea plantation identification method using sentinel-2 imagery[J]. Sensors， 2019， 19（9）： 2087.

[26]陈安旭， 李月臣. 基于Sentinel-2影像的西南山区不同生长期水稻识别[J]. 农业工程学报， 2020， 36（7）： 192-199.

[27]徐晗泽宇， 刘冲， 王军邦， 等. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报， 2018， 20（3）： 396-404.

[28]张磊， 宫兆宁， 王启为， 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报， 2019， 23（2）： 313-326.

[29]LONG T F， ZHANG Z M， HE G J， et al. 30 M resolution global annual burned area mapping based on landsat images and google earth engine[J]. Remote Sensing， 2019， 11（5）： 489.

[30]任海娟， 董建军， 李晓媛， 等. 利用多时相Landsat8图像提取苜蓿人工草地信息[J]. 中国草地学报， 2015， 37（2）： 81-87.

[31]HUETE R A. A soil-adjusted vegetation index （SAVI）[J]. Remote Sensing of Environment， 1988， 25（3）： 295-309.

[32]方灿莹， 王琳， 徐涵秋. 不同植被红边指数在城市草地健康判别中的对比研究[J]. 地球信息科学学报， 2017， 19（10）： 1382-1392.

[33]谭深， 吴炳方， 张鑫. 基于Google Earth Engine与多源遥感数据的海南水稻分类研究[J]. 地球信息科学学报， 2019， 21（6）： 937-947.

[34]DASH J， CURRAN P J. The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing， 2004， 25（23）： 5403-5413.

[35]WILSON E H， SAGER S A. Detection of forest harvest type using multiple dates of landsat tm imagery[J]. Remote Sensing of Environment， 2002， 80（3）： 385-396.

[36]裴欢， 孙天娇， 王晓妍. 基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类[J]. 农业工程学报， 2018， 34（2）： 248-255.

[37]张磊， 宫兆宁， 王启为， 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报， 2019， 23（2）： 313-326.

[38]吕杰， 郝宁燕， 李崇贵， 等. 利用随机森林和纹理特征的森林类型识别[J]. 遥感信息， 2017， 32（6）： 109-114.

（责任编辑：于慧梅）

Spatio-temporal Change Analysis of Pomelo Orchards in

Pinghe County Based on Multi-feature Optimization

LIU Xueping ZHOU Xiaocheng CUI Yajun XIAO Xiangxi

（1.Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education， National & Local Joint Engineering

Research Center of Satellite Geospatial Information Technology， Fuzhou University， Fuzhou 350108， China;

2. Fujian Academy of Forestry Sciences，Fuzhou 350012， China）Abstract： Based on the Sentinel-2 data and digital elevation model data in google earth engine platform in 2020， and based on random forest-recursive feature elimination algorithm and random forest classification algorithm， the spatial distribution mapping of pomelo orchard in Pinghe County was achieved. According to the priori-knowledge of pomelo orchards expansion， the extraction results of pomelo orchards in 2020 were used to mask the data of Landsat in 1990， 2000 and 2010， and the spatial distribution of pomelo orchards in Pinghe County in 1990， 2000 and 2010 was obtained. On this basis， the dynamic changes of pomelo orchards in Pinghe County in the past 30 years were analyzed. The results show that the multi-feature classification method based on GEE platform using RF-RFE feature selection can quickly and accurately extract the spatial distribution of pomelo orchards in Pinghe County. The classification results for pomelo orchards showed that the overall accuracy and Kappa coefficient were 92.09% and 0.87， respectively， and the pomelo orchards producer's accuracy and user's accuracy were 89.83% and 90.59%， respectively. The area of pomelo orchards in Pinghe County increased from 10.5 km2 in 1990 to 632 km2 in 2020， the increase of pomelo orchards mainly came from forest land， followed by cultivated land and banana garden. This study can provide decision support for the healthy development of honey pomelo industry in Pinghe County. At the same time， it can provide method guidance for orchard extraction in southern region.

Key words： pomelo orchards; Sentinel-2; random forest algorithm; RF-RFE; Pinghe County