梁晨欣，黃啟廳，王 思，王 聰，余強毅※，吳文斌

基于多時相遙感植被指數(shù)的柑橘果園識別

梁晨欣1，黃啟廳2，王 思3，王 聰1，余強毅1※，吳文斌1

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點實驗室，北京 100081；2. 廣西農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所，南寧 530000；3. 四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，成都 610066）

柑橘普遍種植于中國南方地區(qū)，受天氣多云多雨、種植類型復(fù)雜等因素影響，利用光譜信息直接識別柑橘果園信息存在一定困難。該研究根據(jù)柑橘特有的物候特征，提出了“柑橘在其果實生長膨大過程中柑橘果園的植被信息可能減弱”的假設(shè)。根據(jù)此特征提出柑橘果園信息識別方法，確定關(guān)鍵時間窗口的閾值，并以廣西壯族自治區(qū)南寧市武鳴區(qū)為研究區(qū)，開展柑橘果園信息遙感識別實證研究。首先，獲取2018年研究區(qū)多時相Sentinel-2遙感影像，構(gòu)建歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、綠色歸一化植被指數(shù)（Green Normalized Difference Vegetation Index，GNDVI）、差值植被指數(shù)（Difference Vegetation Index，DVI）和紅邊波段指數(shù)（Sentinel-derived Red-edge Spectral Indices，RESI）等多個植被光譜指數(shù)；其次，根據(jù)地面樣本點信息，對比不同植被類型在不同時期的遙感植被信息差異，進而確定柑橘果園識別的最優(yōu)特征。研究結(jié)果表明，柑橘果園與研究區(qū)其他主要作物類型（如甘蔗、香蕉、玉米、水稻等）沒有明顯的光譜特征差異，但研究區(qū)多時相遙感植被指數(shù)顯示10月的柑橘果園NDVI相比11月出現(xiàn)明顯低值0.47，且明顯低于其他作物類型；10月的柑橘果園GNDVI也出現(xiàn)了低值0.43，但與其他月份相比差異不明顯；而柑橘果園DVI的離散程度低，分離性不強。根據(jù)作物物候歷，9—10月為柑橘果實迅速膨大期，這驗證了該研究提出的科學(xué)假設(shè)，即該時期柑橘果園的植被信息會減弱。柑橘果實膨大期不同植被指數(shù)的離散程度差異明顯，NDVI離散程度最高，差異性最強。根據(jù)10月柑橘果園NDVI的物候特征，進一步構(gòu)建歸一化指數(shù)，通過閾值法識別研究區(qū)柑橘果園空間分布，該識別方法的總體精度達到82.75%，優(yōu)于其他植被指數(shù)的識別結(jié)果，研究結(jié)果可為柑橘果園信息遙感識別研究提供較好的理論與實踐支撐。

遙感；分類；物候；柑橘；植被指數(shù)；Sentinel-2；Google Earth Engine

0 引 言

中國是柑橘（）重要的原產(chǎn)國之一，栽培歷史長達四千多年。作為一種常綠果樹，柑橘非常適宜在中國南方種植，柑橘產(chǎn)業(yè)也成為南方地區(qū)脫貧攻堅與鄉(xiāng)村振興的特色支柱產(chǎn)業(yè)[1-3]。據(jù)統(tǒng)計數(shù)據(jù)顯示[4-5]，2018年全國柑橘種植面積達2.49×106hm2，已超越蘋果成為中國栽培面積和產(chǎn)量最高的水果。其中廣西柑橘果園近年來產(chǎn)量和種植面積均呈增長趨勢，2018年相較上一年擴種6.67×104hm2，種植面積達3.88×105hm2，居全國第一位，產(chǎn)值突破1 000億元[6]。柑橘產(chǎn)業(yè)不斷擴張，并向集約化、規(guī)?；较虬l(fā)展。精準獲取柑橘果園的種植面積和空間分布信息，探明柑橘果園面積變化規(guī)律及其經(jīng)濟、社會、生態(tài)效益，對科學(xué)指導(dǎo)柑橘產(chǎn)業(yè)健康發(fā)展具有重要意義。

遙感技術(shù)為實時、準確、大范圍獲取植被空間分布信息提供可能[7-9]。近年來，面向水稻、玉米、小麥、大豆等一年生作物的遙感制圖技術(shù)已日趨成熟，面向柑橘等多年生作物的遙感制圖研究正逐步興起。王帥[10]利用高分1號影像結(jié)合面向?qū)ο蠓椒▽Ω涕俟麍@分層次提??；張起明等[11]、陳優(yōu)良等[12-13]分別利用Google Earth影像、Landsat影像提取柑橘果園信息并對中國贛南地區(qū)不同縣域的柑橘空間特征與面積變化進行分析；徐晗澤宇等[14]利用Landsat影像結(jié)合隨機森林算法提取了春秋兩季的柑橘果園信息，農(nóng)作物、稀疏林地等與低齡柑橘果園具有較為相似的光譜特征，易發(fā)生混分現(xiàn)象，柑橘果園與耕地的錯分誤差均在20%左右。已有柑橘果園遙感提取研究大多集中在贛南地區(qū)，該地區(qū)除柑橘外一般較少有其他果園，理論上能夠簡化遙感識別對象的復(fù)雜性[15]。盡管如此，這些研究普遍發(fā)現(xiàn)，利用單一時期影像光譜信息提取柑橘果園分布信息時，存在柑橘果園遙感識別特征描述不足的問題。

與贛南相比，廣西的果園種植類型更為復(fù)雜，不同果園之間的光譜特征較為相似。因此，在光學(xué)遙感影像不足、果園種植類型復(fù)雜條件下，利用光譜信息在廣西開展柑橘果園信息遙感識別存在更大挑戰(zhàn)[16]。在光譜信息不充足的情況下，物候信息可作為對光譜信息的重要補充，有研究開始關(guān)注多時間窗口物候信息在一年生作物遙感分類的作用[17-19]。例如，油菜花在花期花朵變黃，在開花最旺盛的時期顏色特征最明顯，在凋謝過程中顏色特征減弱，基于此有研究提出了歸一化黃色指數(shù)，通過精確檢測開花期峰值，提取油菜空間分布信息[20]。有研究也開始嘗試將物候信息應(yīng)用于多年生作物遙感分類。例如，梁守真等[21]利用Landsat影像，以落葉時期的2月休眠期為關(guān)鍵物候期，對多年生橡膠樹的空間分布進行識別；李龍偉等[22]基于4個季節(jié)的Sentinel多光譜影像，分析茶園物候及光譜特征，最終確定5月為關(guān)鍵物候期，并構(gòu)建歸一化茶園指數(shù)，提取了多年生茶園的空間分布信息。由于多年生作物之間的關(guān)鍵物候期與物候特征各不相同，如何確定柑橘的關(guān)鍵物候期與物候特征仍鮮見報道。

綜上，考慮柑橘掛果期攜帶特定的果實顏色特征，推測柑橘果實生長膨大期前后植被信息可能發(fā)生顯著變化，進而假設(shè)柑橘果實生長膨大期可能成為柑橘果園遙感識別關(guān)鍵物候期。基于這一科學(xué)假設(shè)，本研究選擇氣候多云多雨、果園類型復(fù)雜、且柑橘果園擴張迅速的廣西壯族自治區(qū)開展實證研究，旨在通過分析不同作物在不同時相的光譜特征，找到柑橘果園信息識別的關(guān)鍵物候期及最優(yōu)植被指數(shù)，針對多云多雨、復(fù)雜種植條件，探尋一種基于多時相影像數(shù)據(jù)的柑橘果園信息識別方法，為科學(xué)構(gòu)建柑橘果園遙感識別指數(shù)，便捷、高效提取柑橘果園空間分布信息提供參考。

1 材料與方法

1.1 研究區(qū)概況

本研究選取廣西壯族自治區(qū)南寧市武鳴區(qū)為研究區(qū)域（22°59′N～23°33′N、107°49′E～108°37′E）。武鳴區(qū)總面積為3 378 km2，四周為低山、丘陵，中部為盆地，丘陵面積占全區(qū)面積的63.50%，根據(jù)土地利用現(xiàn)狀[23]，林地主要分布于該區(qū)域四周的丘陵、緩坡，耕地主要分布于中部的盆地（圖1）。

研究區(qū)內(nèi)年平均氣溫21.7 ℃，極端最低氣溫-0.8 ℃，年平均降雨量為1 100～1 700 mm，年平均日照總時數(shù)為1 665 h，屬于亞熱帶季風(fēng)氣候，光熱充足，雨量充沛，降雨均勻，雨熱同季，秋季晝夜溫差較大，有利于光合產(chǎn)物積累。研究區(qū)種植結(jié)構(gòu)復(fù)雜，除柑橘外，還廣泛種植水稻、玉米、甘蔗、香蕉等作物。研究區(qū)柑橘果園大約從2012年開始擴張，至2014—2015年柑橘果園形成一定的規(guī)模。

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1 遙感影像數(shù)據(jù)

本研究選用Sentinel-2時序衛(wèi)星遙感數(shù)據(jù)的Level-1C產(chǎn)品（空間分辨率10 m），基于Google Earth Engine（GEE）平臺在線編寫代碼實現(xiàn)遙感數(shù)據(jù)處理與分析。研究區(qū)由Sentinel-2數(shù)據(jù)的6景影像覆蓋。采用的數(shù)據(jù)產(chǎn)品為大氣表觀反射率數(shù)據(jù)，已經(jīng)過正射校正和亞像元級幾何精校正，在平臺可以通過JavaScript編程語言的應(yīng)用程序接口（Application Programming Interface，API）訪問該數(shù)據(jù)并處理（https://developers.google.com/earth-engine/datasets/ catalog/COPERNICUS_S2）。

在多云多雨的情況下，研究區(qū)各時期遙感影像容易受到云層干擾，如何有效去除云層的影響是開展本研究的前提。本研究廣泛收集2017、2018、2019三年Sentinel-2影像，基于GEE首先對影像進行質(zhì)量評價和篩選，其次通過質(zhì)量波段（Quality Assessment，QA）對高質(zhì)量影像進行去除云層處理，最后從每一個影像像元的時間序列剪輯出中值，即影像時間序列上的合成[24]。對每年各景影像的云層覆蓋率進行統(tǒng)計，設(shè)置高質(zhì)量影像的評價標準為云層覆蓋率小于或等于30%，發(fā)現(xiàn)各年份上半年數(shù)據(jù)質(zhì)量普遍較差（云層覆蓋率大于30%），各年份下半年數(shù)據(jù)質(zhì)量普遍優(yōu)于上半年。分析所有下半年數(shù)據(jù)發(fā)現(xiàn)，2017年高質(zhì)量影像缺失嚴重；2019年下半年高質(zhì)量影像分布不均衡，尤其是10—11月數(shù)據(jù)質(zhì)量差，云層覆蓋嚴重；2018年下半年數(shù)據(jù)質(zhì)量總體優(yōu)于其他年份，最終確定2018年為研究年份。已有研究表明[25]，農(nóng)作物進入收獲期時（即10—12月），不同作物間光譜特征差異較大。同時，根據(jù)本研究的云層覆蓋率分析結(jié)果，10—12月這一時段云層污染程度較低，影像數(shù)據(jù)質(zhì)量較高，能夠保證研究順利開展。

為了進一步獲取無云層且時間跨度上覆蓋作物收獲期的影像數(shù)據(jù)，基于GEE使用median函數(shù)，針對2018年10—12月時間序列內(nèi)影像的每個像元中值進行重構(gòu)，進而開展影像去除云層處理。Sentinel-2的質(zhì)量波段QA60是具有云層波段信息的位掩模波段，其中不同云層位數(shù)表示不同含義，云層位數(shù)Bit10代表不透明云層，云層位數(shù)Bit11代表卷云，本研究設(shè)置云層位數(shù)Bit10、Bit11的值均為0，得到云層掩膜，去除影像中的云層信息，經(jīng)過裁剪和拼接處理后得到無云的10—12月重構(gòu)影像[24,26]。此外，基于云層覆蓋評價（圖2），進一步選取高質(zhì)量影像（云層覆蓋率小于或等于30%）數(shù)量較多的8月、10月、11月、12月4個月份，逐月構(gòu)建多時相數(shù)據(jù)集，用于后續(xù)植被指數(shù)提取。

1.2.2 野外調(diào)查數(shù)據(jù)

遙感影像分析結(jié)果需要對比地面像元尺度相對真值作為驗證。地面實測數(shù)據(jù)一般通過地面樣方法或地面樣本點法獲取，其中地面樣方指調(diào)查植物群落時所選用的具有一定平方面積的代表性地塊，該方法成本較高、流程復(fù)雜，多用于生物量估算等定量遙感研究[27-28]；地面樣本點一般指反映土地覆蓋類型的地理坐標，該方法成本較低、流程簡單，多用于遙感影像分類研究。綜合考慮前人研究[14-16]與采樣效率，本研究采用地面樣本點法開展遙感分類結(jié)果精度驗證，并于2019年12月完成研究區(qū)野外地面樣本點采集工作。由于柑橘果園空間分布不會在1 年時間內(nèi)發(fā)生顯著變化，因此采用2019年的地面樣本數(shù)據(jù)驗證2018年的遙感分類結(jié)果具有合理性，同時，借鑒Google Earth同期影像比對確認、野外調(diào)查訪談等手段[29-30]，進一步確保地面數(shù)據(jù)與影像數(shù)據(jù)的一致性。

由于中部平原地區(qū)農(nóng)用地面積大、作物類型多，因此在中部鄉(xiāng)鎮(zhèn)及周邊采樣點較多；相反周圍山區(qū)多為林地，柑橘等作物種植面積少，因此采樣點較少。為保證地面樣本點的代表性，聚焦研究區(qū)柑橘種植面積較大的鄉(xiāng)鎮(zhèn)及周邊區(qū)域，共采集839個純凈像元作為柑橘樣本點，912個純凈像元作為非柑橘的主要作物樣本點（圖 1b）。非柑橘樣本點包括4種主要作物類型，即香蕉（果樹）、甘蔗（經(jīng)濟作物）、水稻（水田）和玉米（旱地），根據(jù)當?shù)剞r(nóng)業(yè)統(tǒng)計數(shù)據(jù)[31]，這些作物在研究區(qū)占比較大，是除柑橘以外的主要作物類型。

1.3 多時相的植被信息獲取與分析方法

1.3.1 物候與光譜特征

柑橘屬蕓香科下屬植物，是熱帶、亞熱帶常綠果樹，生長周期較長，一般種植2～3 a可結(jié)果，果實成熟后掛果可長達3～4個月，花果同期。根據(jù)本研究的實地調(diào)查訪談結(jié)果，建立研究區(qū)柑橘及其他主要作物類型的物候歷并分析不同作物的物候信息（圖3），研究區(qū)內(nèi)主要作物（包括香蕉、甘蔗、水稻和玉米）在8月均處于生長旺盛期；根據(jù)研究區(qū)的種植習(xí)慣，夏植香蕉大規(guī)模收獲期一般在9—12月；水稻一般為雙季稻，3月播種早稻，7月移栽晚稻，晚稻收獲期為10—12月；甘蔗、玉米也在10—12月基本結(jié)束收獲。

成齡柑橘果園的物候信息一般呈現(xiàn)以下特征：由于柑橘屬闊葉常綠樹種，全年植被信息總體保持穩(wěn)定；上半年柑橘處于開花期與夏梢期，葉片常常會遮擋花朵，且常綠樹冠層顏色與花期基本一致，柑橘果園的光譜特征變化不明顯；7月起柑橘進入果實膨大期，果實開始生長與成熟，顏色由綠色逐漸轉(zhuǎn)變?yōu)槌墒焐ǔ壬螯S色），而果實的膨大對冠層葉片的遮擋作用也逐漸增加；10月起柑橘進入果實成熟期及冬梢發(fā)生期，花芽分化與果實成熟同時發(fā)生，果實遮擋對柑橘果園冠層光譜的影響逐漸減弱[32]。綜合以上特征，本研究從物候信息的角度提出科學(xué)假設(shè)，即柑橘果園在其果實生長膨大過程中，柑橘果園的植被信息可能減弱，而在果實成熟及冬梢發(fā)生過程中，柑橘果園的植被信息可能逐步恢復(fù)。因此，7—10月可能是柑橘果園識別的理想時間窗口，尤其是，柑橘果園在10—11月之間存在果實成熟與新芽萌發(fā)的轉(zhuǎn)折點，10月作為果實膨大的末期，也是柑橘果園受到成熟果實影響最大的時期。

根據(jù)柑橘的物候特征，應(yīng)用研究區(qū)10—12月去除云層影響的重構(gòu)影像，基于柑橘、香蕉、甘蔗、水稻和玉米等研究區(qū)主要作物類型，隨機選取30%的地面實測樣本點統(tǒng)計各作物在各波段的反射率（圖4）。對比發(fā)現(xiàn)研究區(qū)內(nèi)5種作物類型的光譜反射率總體變化趨勢基本相似，數(shù)值差距不明顯，但仍有一些細節(jié)差異。其中，香蕉、甘蔗、水稻在紅邊波段1、紅邊波段2和近紅外波段的反射率均高于柑橘，且香蕉在此3個波段的反射率最高，分別為0.01、0.25、0.31。而在短波紅外波段1、短波紅外波段2恰恰相反，香蕉、甘蔗、水稻的反射率均低于柑橘，其中香蕉2個短波紅外波段的反射率最低，分別為0.15、0.07。柑橘在紅光波段、紅邊波段1的反射率為0.09、0.12，略高于香蕉和甘蔗，但與水稻、玉米反射率值基本重合。玉米和柑橘在9個波段反射率數(shù)值與趨勢基本一致。

1.3.2 植被指數(shù)的構(gòu)建

由圖5可知，不同作物原始波段信息特征差異不夠明顯，因此，本研究將通過波段組合構(gòu)建植被指數(shù)，增強不同植被之間的光譜差異。綜合考慮研究區(qū)內(nèi)不同作物類型的生長特性，針對Sentinel-2影像云層覆蓋率較小的8月、10月、11月、12月數(shù)據(jù)分別計算植被指數(shù)，用以區(qū)分研究區(qū)5種主要作物類型關(guān)鍵物候期的差異。對比不同植被指數(shù)對柑橘及其他作物類型的區(qū)分效果，本研究選擇歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）[33]、綠色歸一化植被指數(shù)（Green Normalized Difference Vegetation Index，GNDVI）[34]、差值植被指數(shù)（Difference Vegetation Index，DVI）[35]進行對比，其中GNDVI將綠光波段取代NDVI中的紅光波段，具有較好的穩(wěn)定性；而DVI則能較好地識別植被和水體。同時，引入Sentinel-2紅邊波段指數(shù)（Red-edge Spectral Indices，RESI）[36]與常用植被指數(shù)NDVI、GNDVI、DVI進行對比。各植被指數(shù)和RESI的計算如式（1）～式（4）所示：

式中NIR為近紅外波段反射率，GREEN為綠光波段反射率，RED為紅光波段反射率，RE1、RE2和RE3分別為3個紅邊波段反射率。

為了進一步檢驗3種植被指數(shù)與RESI的離散程度，本研究引入變異系數(shù)（Coefficient of Variation，CV）進行分析。變異系數(shù)即離散系數(shù)，是概率分布離散程度的一個歸一化量度，其定義為標準差與平均值之比，其計算如式（5）所示。

1.3.3 柑橘果園空間分布識別方法構(gòu)建

本研究分兩步構(gòu)建柑橘果園空間分布識別方法。第一步，根據(jù)研究區(qū)柑橘、香蕉、甘蔗、水稻和玉米5種主要作物類型在不同時間窗口的物候特征，利用5種作物生長旺盛時期和收獲時期，基于從簡到繁分層次提取的思想[37]，對香蕉、甘蔗、水稻和玉米進行剔除，經(jīng)多次篩選后得到預(yù)分類后的影像，具體步驟如下：首先對植被和非植被進行區(qū)分，保留植被信息，剔除非植被信息；然后基于生長旺盛期8月和收獲期11月、12月，設(shè)定不同時期植被指數(shù)的閾值，對香蕉、甘蔗、水稻和玉米進行逐層分類[38]，初步剔除這4種作物類型；最后提取出包含柑橘果園信息的預(yù)分類后影像。第二步，在逐層分類基礎(chǔ)上，利用柑橘在物候期獨有的特征與光譜變化，參考Xiao等[36]提出的再歸一化的紅邊波段指數(shù)，根據(jù)對不同時期植被指數(shù)“再歸一化”以增強物候差異的原理，進一步構(gòu)造再歸一化的植被指數(shù)（Re-Normalization of Vegetation Indices，RNVI，其計算如式（6）所示：

式中VI為果實膨大期的最后一個月份的最大植被指數(shù)合成值，VI為果實膨大期結(jié)束后的第一個月份的最大植被指數(shù)合成值?；赗NVI指數(shù)建立研究區(qū)柑橘果園判定規(guī)則，對包含柑橘果園信息的預(yù)分類后影像進行判別，若影像待判定像元的RNVI值為負值，則該像元判定為柑橘果園；若影像待判定像元的RNVI值為正值，則該像元判定為非柑橘果園。受種植時間和果園管理的影響，研究區(qū)部分柑橘物候期存在不同步的現(xiàn)象，因此本研究僅識別成齡柑橘果園，未識別低齡柑橘果園。

1.4 精度評價

為定量評價不同指數(shù)對柑橘果園的識別精度，本研究隨機獲取所采集的30%樣本點計算分類結(jié)果的混淆矩陣，得到用戶精度（User accuracy，UA）、生產(chǎn)者精度（Production accuracy，PA）、總體分類精度（Overall accuracy，OA）和Kappa系數(shù)[33]。本研究用OA和Kappa系數(shù)評價總體分類效果，用評UA和PA價柑橘果園識別精度，并結(jié)合柑橘果園識別面積進行檢驗。

2 結(jié)果與分析

2.1 作物物候與光譜特征提取

對比柑橘果園、香蕉、甘蔗、水稻和玉米的植被指數(shù)在不同時間窗口的差別（圖5），發(fā)現(xiàn)柑橘果園的NDVI反射率在10—11月的變化明顯有別于其他作物類型。僅柑橘果園的NDVI反射率在10月份明顯下降，為0.47，至11月又有一定的回升，為0.56。對應(yīng)柑橘的物候期，驗證了10月為柑橘果實的膨大末期，其體積變大與黃化使得冠層植被信息減弱，即NDVI反射率下降；11月進入冬梢期，柑橘果園的冠層植被信息逐漸回升，即NDVI反射率升高。此外，在果實成熟的關(guān)鍵物候期，柑橘果園與其他4種作物類型的DVI和RESI指數(shù)反射率區(qū)分不大，柑橘果園的GNDVI在該時期特征不明顯，說明僅NDVI對柑橘果實膨大特征具有較高的敏感性。果實生長發(fā)育造成的植被光譜特征變化是柑橘果園不同于其他四種作物的獨有果實膨大期特征。不同于柑橘果園，香蕉、甘蔗、水稻在4個時間窗口中NDVI反射率變化趨勢一致：在生長旺盛期8月，4類作物的NDVI反射率均出現(xiàn)最大值，分別為0.80、0.68和0.72；而在收獲期10—12月，4類作物的NDVI反射率逐漸下降，香蕉、甘蔗、水稻、玉米在12月的NDVI反射率分別為0.60、0.49、0.31和0.41。

進一步計算柑橘果園的NDVI、GNDVI、DVI和RESI在物候期10月的變異系數(shù)，分別為0.16、0.12、0.11和0.08，發(fā)現(xiàn)柑橘果園的NDVI在10月的CV值最高，為0.16，即不同作物類型之間的NDVI離散程度最高，差異性最強，對柑橘果園的區(qū)分效果最優(yōu)。

2.2 柑橘果園空間分布識別結(jié)果

由于歸一化植被指數(shù)NDVI對各種作物類型的離散程度最高，對柑橘果園的分離性最好，本研究選擇NDVI進一步構(gòu)建RNVI指數(shù)識別柑橘果園；同時，選擇具有類似柑橘果實膨大特征但區(qū)分度較差的綠色歸一化植被指數(shù)GNDVI進行對比；而無特征的DVI、RESI則未被選擇進行柑橘果園識別?；赗NVI公式選擇NDVI和GNDVI作為再歸一化的變量，及其分別在10月（果實膨大末期）與11月（冬梢期）的植被指數(shù)反射率，構(gòu)建再歸一化NDVI和再歸一化GNDVI，并分別利用再歸一化NDVI和再歸一化GNDVI識別2018年研究區(qū)的柑橘果園（圖6）。由圖6可知，2種指數(shù)識別結(jié)果的總體空間分布上，柑橘果園主要分布于平原、盆地以及低矮山坡，較少分布于海拔較高的山丘，再歸一化NDVI識別的柑橘果園較為完整，而再歸一化GNDVI識別的柑橘果園較為破碎。

對研究區(qū)各鄉(xiāng)鎮(zhèn)的柑橘果園面積進行統(tǒng)計（圖7），利用再歸一化NDVI識別的研究區(qū)柑橘果園總面積為3.42×104hm2，而利用再歸一化GNDVI識別的研究區(qū)柑橘果園總面積為3.47×104hm2，2種植被指數(shù)的柑橘果園識別面積基本相同，與統(tǒng)計數(shù)據(jù)3.07×104hm2基本一致[6]。

2.3 精度評價與分析

本研究采用總體精度、Kappa 系數(shù)、生產(chǎn)精度和用戶精度作為柑橘果園識別結(jié)果的評價指標[33]，精度驗證結(jié)果表明（表2），再歸一化NDVI對柑橘果園識別的總體精度為82.75%，Kappa系數(shù)為0.66，說明基于物候信息的植被指數(shù)方法在種植類型復(fù)雜、多云多雨條件下有較好的識別精度。利用再歸一化NDVI識別的柑橘果園生產(chǎn)精度為84.86%，用戶精度為80.27%，均高于80%，識別效果較好。而再歸一化GNDVI對柑橘果園識別的總體精度為75.78%，Kappa系數(shù)為0.51，均低于再歸一化NDVI。此外，再歸一化GNDVI對柑橘識別的生產(chǎn)精度僅為66.03%，用戶精度為79.94%，在漏分誤差和錯分誤差上均次于再歸一化NDVI，尤其是漏分現(xiàn)象較為嚴重。

錯分現(xiàn)象主要分為兩種：一是稀疏林地、甘蔗地，二是反射率較高的建筑物。林地錯分誤差主要來自于西北部的丘陵地區(qū)，有研究證明稀疏林地和灌叢同柑橘低齡果園間光譜較為相似，易產(chǎn)生混淆[39]。研究區(qū)丘陵山地地區(qū)有大面積林桉樹種植，可能影像遙感分類結(jié)果。由于桉樹無果實，與柑橘果園物候特征存在顯著差異，且柑橘表現(xiàn)出逐行栽種、相鄰樹種間隔相似且植株不高的規(guī)則性特征，后續(xù)研究可考慮優(yōu)先區(qū)分桉樹林分布[37]，排除稀疏林地對柑橘果園遙感識別的干擾。

漏分現(xiàn)象主要來自NDVI數(shù)值異常的柑橘果園。柑橘果園的光譜特征與環(huán)境、樹齡、人類管理等有一定的關(guān)系，研究區(qū)柑橘果園雖大多已是成齡果園，但部分生長階段不同步的柑橘果園易出現(xiàn)漏分現(xiàn)象，如新種的柑橘樹苗發(fā)育至可掛果的成齡果樹需要2～3 a，且樹苗小，樹高低，葉片稀疏，難以用果實成熟期的物候特性識別。此外，部分果園在人工管理如拉枝處理后生長更加旺盛，果實成熟時樹種間隔較密，NDVI數(shù)值偏高，易出現(xiàn)漏分。

表2 基于不同植被指數(shù)的分類精度對比

3 結(jié) 論

本研究根據(jù)柑橘果園的生長特性，提出了基于物候特征的柑橘果園信息識別方法，并對比了不同植被指數(shù)在不同時期識別柑橘果園信息的效果，通過引入物候信息彌補了多年生常綠柑橘果樹在遙感識別中光譜信息的不足，得到以下主要結(jié)論：

1）證實了“柑橘果實生長膨大過程會導(dǎo)致植被信息逐漸減弱”這一科學(xué)假設(shè)。對比研究區(qū)其他作物類型，該時期柑橘果園特征差異明顯，果實體積變大，顏色變成熟，柑橘果樹葉片光譜信息受到一定的影響，是識別柑橘果園的重要特征。

2）發(fā)現(xiàn)了不同植被指數(shù)對柑橘果實特征變化的敏感性差異。歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）對果實發(fā)育帶來植被信息減弱這一果實膨大特征刻畫較優(yōu)，即物候期NDVI反射率下降明顯、離散程度大、分離性強，這些特征明顯優(yōu)于綠色歸一化植被指數(shù)（Green Normalized Difference Vegetation Index，GNDVI）、差值植被指數(shù)（Normalized Difference Vegetation Index，DVI）和紅邊波段指數(shù)（Sentinel-derived Red-edge Spectral Indices，RESI）。

3）明確了不同植被指數(shù)對柑橘果園分布提取的不同效果。利用關(guān)鍵物候期提取研究區(qū)柑橘果園空間分布，基于多時相的NDVI識別的柑橘果園信息總體精度達82.75%，優(yōu)于GNDVI識別的柑橘果園信息總體精度75.78%，對比識別結(jié)果，GNDVI識別的柑橘果園更加破碎，且漏分和錯分現(xiàn)象嚴重。

柑橘關(guān)鍵物候期正好位于Sentinel-2數(shù)據(jù)云層污染較少的月份，部分解決了南方地區(qū)多云多雨導(dǎo)致的多時相數(shù)據(jù)不足的問題。該方法為種植復(fù)雜、多云多雨條件下的柑橘果園遙感識別提供了較好的理論與實踐支撐，也為構(gòu)建普適性更強的柑橘指數(shù)提供了參考和基礎(chǔ)。本研究采用Sentinel-2光學(xué)數(shù)據(jù)，暫未考慮Sentinel-1等雷達數(shù)據(jù)，其主要目的是通過光譜變化揭示柑橘果實顏色變化特征對柑橘果園識別的作用。未來有必要深入挖掘紅邊波段在柑橘果園信息識別中的應(yīng)用潛力，引入多種紅邊波段指數(shù)，并結(jié)合Sentinel-1等多源數(shù)據(jù)，與柑橘果園特有的物候信息相結(jié)合，尋找更優(yōu)的柑橘識別方法，進一步推動柑橘果園遙感識別理論與方法創(chuàng)新。

[1] 趙彤. 基于GIS的重慶市柑橘農(nóng)業(yè)氣候區(qū)劃[D]. 重慶：重慶師范大學(xué)，2018.

Zhao Tong. The Study on Agricultural Climate Regionalization of Citrus in Chongqing Province Based on GIS[D]. Chongqing: Chongqing Normal University, 2018. (in Chinese with English abstract)

[2] 柏秦鳳，霍治國，王景紅，等. 中國主要果樹氣象災(zāi)害指標研究進展[J]. 果樹學(xué)報，2019，36(9)：1229-1243.

Bai Qinfeng, Huo Zhiguo, Wang Jinghong, et al. Progress in research on meteorological disaster indicators of major fruit trees in China[J]. Journal of Fruit Science, 2019, 36(9): 1229-1243. (in Chinese with English abstract)

[3] 蘭涵旗，鄧秀新. 果樹學(xué)科服務(wù)產(chǎn)業(yè)扶貧的實踐探索與模式探究—基于華中農(nóng)業(yè)大學(xué)柑橘團隊為例[J]. 中國農(nóng)業(yè)科技導(dǎo)報，2019，21(4)：1-7.

Lan Hanqi, Deng Xiuxin. Industrial poverty alleviation mode supported by research team of pomology discipline-Based on the cases by citrus team of Huazhong Agricultural University[J]. Journal of Agricultural Science and Technology, 2019, 21(4): 1-7. (in Chinese with English abstract)

[4] 劉玉婷. 贛南柑橘園地信息提取及其葉綠素遙感估算研究[D]. 贛州：江西理工大學(xué)，2020.

Liu Yuting. Study on the Information Extraction of Citrus Field in South of Jiangxi Province and the Estimation of Chlorophyll by Remote Sensing[D]. Ganzhou: Jiangxi University of Science and Technology, 2020. (in Chinese with English abstract)

[5] 祁春節(jié)，顧雨檬，曾彥. 我國柑橘產(chǎn)業(yè)經(jīng)濟研究進展[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報，2021，40(1)：58-69.

Qi Chunjie, Gu Yumeng, Zeng Yan. Process of citrus industry economy in China[J]. Journal of Huazhong Agricultural University, 2021, 40(1): 58-69. (in Chinese with English abstract)

[6] 向云，梁小麗，陸倩. 廣西柑橘生產(chǎn)的區(qū)域比較優(yōu)勢及其影響因素—基于29個主產(chǎn)縣區(qū)的實證[J]. 熱帶農(nóng)業(yè)科學(xué)，2020，40(11)：126-134.

Xiang Yun, Liang Xiaoli, Lu Qian. Comparative advantages and influencing factors of citrus production in Guangxi: An empirical analysis based on the data of 29 major citrus producing counties/districts[J]. Chinese Journal of Tropical Agriculture, 2020, 40(11): 126-134. (in Chinese with English abstract)

[7] 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/OL]. Remote Sensing, 2020, 12(7), [2020-04-03]. https: //www. researchgate.net/ publication/340511732_Identification_of_ Apple_Orchard_Planting_Year_Based_on_Spatiotemporally_ Fused_Satellite_Images_and_Clustering_Analysis_of_Foliage_ Phenophase.

[8] Reis S, Ta?demir K. Identification of hazelnut fields using spectral and Gabor textural features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(5): 652-661.

[9] Shrivastava R J, Gebelein J L. Land cover classification and economic assessment of citrus groves using remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 61(5): 341-353.

[10] 王帥. 基于面向?qū)ο蟮母涕兕惞中畔⑻崛》椒ㄑ芯縖D]. 贛州：江西理工大學(xué)，2017.

Wang Shuai. Study on the Information Extraction Method of Citrus Orchard Based on Object-Oriented[D]. Ganzhou: Jiangxi University of Science and Technology, 2017. (in Chinese with English abstract)

[11] 張起明，徐晗澤宇，江豐，等. 贛南地區(qū)柑橘果園空間分布特征分析[J]. 江西科學(xué)，2018，36(4)：591-598.

Zhang Qiming, Xu Hanzeyu, Jiang Feng, et al. Spatial distribution characters of citrus orchards in the south of Jiangxi Province[J]. Jiangxi Science, 2018, 36(4): 591-598. (in Chinese with English abstract)

[12] 陳優(yōu)良，胡錦景，王兆茹，等. 贛南柑橘果園面積動態(tài)變化分析：以信豐縣為例[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報，2017，39(5)：884-894.

Chen Youliang, Hu Jinjing, Wang Zhaoru, et al. An analysis of the dynamic changes in the area of orange orchard in south Jiangxi Province: A case study in Xinfeng County[J]. Acta Agriculturae Universitatis Jiangxiensis, 2017, 39(5): 884-894. (in Chinese with English abstract)

[13] 陳優(yōu)良，胡錦景，王兆茹，等. 贛南柑橘果園面積動態(tài)變化分析：以尋烏縣為例[J]. 江西理工大學(xué)學(xué)報，2017，38(5)：19-25.

Chen Youliang, Hu Jinjing, Wang Zhaoru, et al. Research on dynamic changes of Gannan citrus orchard areas: A case study in Xunwu County[J]. Journal of Jiangxi University of Science and Technology, 2017, 38(5): 19-25. (in Chinese with English abstract)

[14] 徐晗澤宇，劉沖，齊述華，等. 基于隨機森林算法的贛南柑橘果園遙感信息提取[J]. 江西師范大學(xué)學(xué)報：自然科學(xué)版，2018，42(4)：434-440. Xu Hanzeyu, Liu Chong, Qi Shuhua, et al. The detection of citrus orchards in southern Jiangxi Province with Landsat images using random forest classifier[J]. Journal of Jiangxi Normal University: Natural Science Edition, 2018, 42(4): 434-440. (in Chinese with English abstract)

[15] 任傳帥，黃文江，葉回春，等. 利用高分二號數(shù)據(jù)提取香蕉林信息及精度分析[J]. 遙感信息，2017，32(6)：78-84.

Ren Chuanshuai, Huang Wenjiang, Ye Huichun, et al. Extraction of banana orchards based on GF-2 satellite imagery and its accuracy analysis[J]. Remote Sensing of Information, 2017, 32(6): 78-84. (in Chinese with English abstract)

[16] 宋榮杰，寧紀鋒，常慶瑞，等. 基于小波紋理和隨機森林的獼猴桃果園遙感提取[J]. 農(nóng)業(yè)機械學(xué)報，2018，49(4)：222-231.

Song Rongjie, Ning Jifeng, Chang Qingrui, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 222-231. (in Chinese with English abstract)

[17] Song Q, Hu Q, Zhou Q B, et al. In-season crop mapping with GF-1/WFV data by combining object-based image analysis and random forest[J/OL]. Remote Sensing, [2017-11-16] https: //doi. org/10. 3390/rs9111184.

[18] Talema T, Hailu B T. Mapping rice crop using sentinels (1 SAR and 2 MSI) images in tropical area: A case study in Fogera wereda, Ethiopia[J/OL]. Remote Sensing Applications: Society and Environment, 2020-04-22] http: //doi. org/10. 1016/j. rsase. 2020. 100290.

[19] Dong J W, Xiao X M, Menarguez M A, et al. Mapping paddy rice planting area in Northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154.

[20] D'Andrimont R, Taymans M, Lemoine G, et al. Detecting flowering phenology in oil seed rape parcels with Sentinel-1 and -2 time series[J/OL]. Remote Sensing of Environment, [2020-03-15] http: //doi. org/10. 1016/j. rse. 2020. 111660.

[21] 梁守真，陳勁松，吳炳方，等. 應(yīng)用面向?qū)ο蟮臎Q策樹模型提取橡膠林信息[J]. 遙感學(xué)報，2015，19(3)：135-144.

Liang Shouzhen, Chen Jinsong, Wu Bingfang, et al. Extracting rubber plantation with decision tree model based on object-oriented method[J]. Journal of Remote Sensing, 2015, 19(3): 135-144. (in Chinese with English abstract)

[22] 李龍偉，李楠，陸燈盛. 多時相Sentinel-2影像在浙西北茶園信息提取中的應(yīng)用[J]. 浙江農(nóng)林大學(xué)學(xué)報，2019，36(5)：841-848.

Li Longwei, Li Nan, Lu Dengsheng. Mapping tea gardens spatial distribution in northwestern Zhejiang Province using multi-temporal Sentinel-2 imagery[J]. Journal of Zhejiang A&F University, 2019, 36(5): 841-848. (in Chinese with English abstract)

[23] Gong P, Liu H, Zhang M N, et al. Stable classification with limited sample: Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6): 370-373.

[24] 何昭欣，張淼，吳炳方，等. Google Earth Engine支持下的江蘇省夏收作物遙感提取[J]. 地球信息科學(xué)學(xué)報，2019，21(5)：126-140.

He Zhaoxin, Zhang Miao, Wu Bingfang, et al. Extraction of summer crop in Jiangsu based on Google Earth Engine[J]. Journal of Geo-information Science, 2019, 21(5): 126-140. (in Chinese with English abstract)

[25] 鐘琪，羅津，齊述華. 隨機森林分類算法提取柑橘果園的樣本數(shù)量敏感性分析[J]. 江西科學(xué)，2019，37(5)：664-669.

Zhong Qi, Luo Jin, Qi Shuhua. Sample sensitivity analysis of citrus orchards extracted by random forest classification algorithm[J]. Jiangxi Science, 2019, 37(5): 664-669. (in Chinese with English abstract)

[26] da Silva J C A, Leonel-Junior A H S, Rossi F S, et al. Mapping soybean planting area in midwest Brazil with remotely sensed images and phenology-based algorithm using the Google Earth Engine platform[J/OL]. Computers and Electronics in Agriculture, [2020-03-15] http://doi. org/10. 1016/j. compag. 2019. 105194.

[27] 金云翔，徐斌，楊秀春，等. 內(nèi)蒙古錫林郭勒盟草原產(chǎn)草量動態(tài)遙感估算[J]. 中國科學(xué)：生命科學(xué)，2011，41(12)：1185-1195.

Jin Yunxiang, Xu Bin, Yang Xiuchun, et al. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia[J]. Scientia Sinica: Vitae, 2011, 41(12): 1185-1195. (in Chinese with English abstract)

[28] 辛?xí)云剑瑥埍］x，李剛，等. 1982—2003年中國草地生物量時空格局變化研究[J]. 自然資源學(xué)報，2009，24(9)：1582-1592.

Xin Xiaoping, Zhang Baohui, Li Gang, et al. Variation in spatial pattern of grassland biomass in China from 1982 to 2003[J]. Journal of Natural Resources, 2009, 24(9): 1582-1592. (in Chinese with English abstract)

[29] 楊紅衛(wèi)，童小華. 高分辨率影像的橡膠林分布信息提取[J]. 武漢大學(xué)學(xué)報：信息科學(xué)版，2014，39(4)：411-416，421.

Yang Hongwei, Tong Xiaohua. Distribution information extraction of rubber woods using remote sensing images with high resolution[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 411-416, 421. (in Chinese with English abstract)

[30] Regniers O, Bombrun L, Guyon D, et al. Wavelet-based texture features for the classification of age classes in a maritime pine forest[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3): 621-625.

[31] 覃愛穎. 南寧市武鳴區(qū)農(nóng)業(yè)產(chǎn)業(yè)化背景下農(nóng)村土地經(jīng)營模式研究[D]. 南寧：廣西大學(xué)，2019.

Qin Aiying. Research on Rural Land Management Mode in Wuming District of Nannnign City Under the Background of Agricultural Industrialization[D]. Nanning: Guangxi University, 2019. (in Chinese with English abstract)

[32] 胡佩敏，李正躍，李傳仁，等. 宜都市柑橘空間分布的遙感反演[J]. 湖北農(nóng)業(yè)科學(xué)，2014，53(4)：795-798.

Hu Peimin, Li Zhengyue, Li Chuanren, et al. The retrieval of citrus spatial distribution in Yidu City using remote sensing[J]. Hubei Agricultural Sciences, 2014, 53(4): 795-798. (in Chinese with English abstract)

[33] 王李娟，孔鈺如，楊小冬，等. 基于特征優(yōu)選隨機森林算法的農(nóng)耕區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(4)：244-250.

Wang Lijuan, Kong Yuru, Yang Xiaodong, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 244-250. (in Chinese with English abstract)

[34] 韓文霆，彭星碩，張立元，等. 基于多時相無人機遙感植被指數(shù)的夏玉米產(chǎn)量估算[J]. 農(nóng)業(yè)機械學(xué)報，2020，51(1)：148-155.

Han Wenting, Peng Xingshuo, Zhang Liyuan, et al. Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 148-155. (in Chinese with English abstract)

[35] 鄧江，谷海斌，王澤，等. 基于無人機遙感的棉花主要生育時期地上生物量估算及驗證[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37(5)：55-61，69.

Deng Jiang, Gu Haibin, Wang Ze, et al. Estimation and validation of above-ground biomass of cotton during main growth period using Unmanned Aerial Vehicle (UAV)[J]. Agricultural Research in the Arid Areas, 2019, 37(5): 55-61, 69. (in Chinese with English abstract)

[36] Xiao C W, Li P, Feng Z M, et al. Sentinel-2 red-edge spectral indices (RESI) suitability for mapping rubber boom in Luang Namtha Province, northern Lao PDR[J/OL]. International Journal of Applied Earth Observation and Geoinformation, [2020-12-01] https: //doi. org/10. 1016/j. jag. 2020. 102176.

[37] 蒙良莉，鐘仕全，莫建飛，等. 基于 GF-1 面向?qū)ο蟮蔫駱淞中畔⑻崛⊙芯縖J]. 地球空間信息，2019，17(8)：24-29.

Meng Liangli, Zhong Shiquan, Mo Jianfei, et al. Research on eucalyptus information extraction based on GF-1 object- oriented[J]. Geospatial Information, 2019, 17(8): 24-29. (in Chinese with English abstract)

[38] 李宇宸，張軍，薛宇飛，等. 基于 Google Earth Engine 的中老緬交界區(qū)橡膠林遙感提取[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(8)：174-181. Li Yucheng, Zhang Jun, Xue Yufei, et al. Remote sensing image extraction for rubber forest distribution in the border regions of China, Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 174-181. (in Chinese with English abstract)

[39] 徐晗澤宇，劉沖，王軍邦，等. Google Earth Engine平臺支持下的贛南柑橘果園遙感提取研究[J]. 地球信息科學(xué)學(xué)報，2018，20(3)：396-404.

Xu Hanzeyu, Liu Chong, Wang Junbang, et al. Study on extraction of citrus orchard in Gannan region based on Google Earth Engine platform[J]. Journal of Geo-Information Science, 2018, 20(3): 396-404. (in Chinese with English abstract)

Identification of citrus orchard under vegetation indexes using multi-temporal remote sensing

Liang Chenxin1, Huang Qiting2, Wang Si3, Wang Cong1, Yu Qiangyi1※, Wu Wenbin1

(1.,,,100081,; 2.,,530000,;3.,,610066,)

Citrus has been widely planted in the south of China in recent years. However, the multiple crop types and frequent cloud cover locally have posed a great challenge to the direct identification of the large-scale citrus orchard using the spectral information. In this study, a systematic approach was developed to identify the citrus orchard using the phenological characteristics of citrus during the fruit expansion stage, where the threshold value was determined to the key time window. Taking the Wuming District of Nanning Guangxi Zhuang Autonomous Region in southwest China as the study area, an empirical investigation was carried out using the Google Earth Engine platform. 1 751 ground samples were also collected in the field for validation. Meanwhile, the cloud coverage assessment was performed on the Sentinel-2 images over the whole year of 2018. According to the citrus phenology in the study area, the characteristics of flowering were not outstanding in the first half of 2018 (the flowering period of citrus), while the key identification features were found in the second half of 2018 (the peak stage of citrus fruit growth and expansion). As such, the second half of 2018 was determined as the study period, considering the data availability and citrus phenological stage. Then, a multi-temporal image dataset was obtained from August to December. The specific procedure was as follows. Firstly, some indices were calculated using the time series Sentinel-2 data in 2018, including the multiple vegetation indices (e.g. Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Difference Vegetation Index (DVI)), and Sentinel-derived Red-Edge Spectral Indices (RESI). The vegetation information of multi-temporal remote sensing was then obtained for the entire study area. Secondly, the vegetation information of various planting types was compared in different growing periods, according to the measured ground data. The results showed that there was no outstanding spectral difference between the citrus orchards and other vegetation types (e.g. sugarcane, banana, maize, and rice) in the study area. However, the vegetation indices of multi-temporal remote sensing presented that the NDVI of 0.47 for the citrus orchards was distinctly lower than that for the other vegetation types in October. There was also a lower GNDVI of citrus orchards in October and November. But there was no difference in the DVI of citrus orchards from other vegetation. Furthermore, the fruit expansion stage of citrus was located from September to October, indicating weak vegetation information of citrus. Nevertheless, there were significant differences among different vegetation indices, where the NDVI presented the highest. In addition, a renormalization of vegetation indices was further constructed to identify the spatial distribution of citrus in the study area by a threshold, according to the NDVI in October. The overall accuracy of citrus orchards reached 82.75% using the renormalization of NDVI, where the Kappa coefficient was 0.66, indicating a better identification, compared with the rest of renormalized vegetation indices (GNDVI, DVI, and RESI). The NDVI presented more complete identification for the citrus orchards, whereas, the GNDVI performed more fragmented identification. Consequently, the total area of citrus planting was calculated as 3.42×104hm2using the phenological parameters of citrus orchards. This finding can provide strong theoretical and practical support to timely mapping the citrus orchards using remote sensing.

remote sensing; classification; phenology; citrus; vegetation index; Sentinel-2; Google Earth Engine

2020-10-12

2021-11-23

中國農(nóng)科院-廣西農(nóng)科院協(xié)同創(chuàng)新項目課題“廣西智慧耕地關(guān)鍵技術(shù)研發(fā)與集成示范”（XTCX2019026-2）

梁晨欣，研究方向為農(nóng)業(yè)遙感。Email：82101182284@caas.cn

余強毅，副研究員，研究方向為農(nóng)業(yè)遙感。Email：yuqiangyi@caas.cn

10.11975/j.issn.1002-6819.2021.24.019

S127；TP79

A

1002-6819(2021)-24-0168-09

梁晨欣，黃啟廳，王思，等. 基于多時相遙感植被指數(shù)的柑橘果園識別[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(24)：168-176. doi：10.11975/j.issn.1002-6819.2021.24.019 http://www.tcsae.org

Liang Chenxin, Huang Qiting, Wang Si, et al.Identification of citrus orchard under vegetation indexes using multi-temporal remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 168-176. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.24.019 http://www.tcsae.org