靳鏡宇，白 潔，包安明，楊 涵，李均力，韓宏偉

（1. 新疆師范大學(xué)地理科學(xué)與旅游學(xué)院，烏魯木齊 830054； 2. 中國科學(xué)院新疆生態(tài)與地理研究所，荒漠與綠洲生態(tài)國家重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830011； 3. 新疆遙感與地理信息系統(tǒng)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830011； 4. 新疆林科院經(jīng)濟(jì)林研究所，烏魯木齊 830000；5. 新疆維吾爾自治區(qū)測繪成果中心，烏魯木齊 830002）

0 引 言

新疆是中國林果主產(chǎn)區(qū)，其林果面積約占全國林果種植面積13%。目前，全疆特色林果種植面積穩(wěn)定在146.67×10hm，年總產(chǎn)量達(dá)1 000×10t以上，年創(chuàng)產(chǎn)值1 000億元。借助獨(dú)特的氣候和資源優(yōu)勢，環(huán)塔里木盆地的南疆四地州已發(fā)展成為新疆特色林果（核桃、紅棗、巴旦木、杏、香梨、蘋果）的主產(chǎn)區(qū)，林果種植面積占全疆林果總面積的80%以上，林果收入占當(dāng)?shù)剞r(nóng)民收入的60%以上。隨著特色林果種植面積和產(chǎn)量的不斷提高，種植結(jié)構(gòu)和規(guī)?？臻g分布不清、品種混雜、農(nóng)民增產(chǎn)增量不增收等問題突出。實(shí)時(shí)和準(zhǔn)確掌握特色林果種植結(jié)構(gòu)空間信息對推進(jìn)南疆特色林果業(yè)提質(zhì)增效、增加農(nóng)民收入、穩(wěn)定脫貧攻堅(jiān)成果、實(shí)現(xiàn)鄉(xiāng)村振興具有重要意義。

傳統(tǒng)的林果種植信息獲取以統(tǒng)計(jì)上報(bào)和抽樣調(diào)查為主，主觀性較強(qiáng)、誤差大、耗時(shí)長，且缺乏位置和分布等空間信息。遙感技術(shù)具有高時(shí)效、寬范圍、多分辨率、低成本和大信息量等優(yōu)勢，在樹種類型、面積估算、長勢監(jiān)測等方面具有巨大的應(yīng)用潛力，可為林果業(yè)精細(xì)化管理提供有利的技術(shù)支持。目前，不同空間分辨率的遙感影像已大量應(yīng)用于不同尺度和區(qū)域的林果作物面積和種類信息提取研究中。低空間分辨率的長時(shí)序遙感影像（MODIS、FY-3）可以構(gòu)建多時(shí)相長時(shí)間序列植被指數(shù)曲線，具有時(shí)間分辨率高的優(yōu)勢，適用于開展大尺度、大區(qū)域、結(jié)構(gòu)單一的林果作物種植結(jié)構(gòu)提取。康凌艷等基于不同時(shí)相的MODIS植被指數(shù)產(chǎn)品，采用決策樹方法提取果樹、竹林以及茶園的空間分布信息，總體分類精度80%～85%之間。中等分辨率衛(wèi)星影像（Landsat TM/ETM/OLI、HJ-1A/B、Sentinel等）在監(jiān)測精度、數(shù)據(jù)時(shí)效性、獲取難易程度上均有明顯優(yōu)勢。于新洋等分別利用Landsat5或HJ-1A CCD遙感數(shù)據(jù)，輔助地面多種信息，利用決策樹模型提取果園空間分布信息。楊旭超等分別基于Sentinel-2、Landsat-8、HJ-CCD遙感數(shù)據(jù)構(gòu)建多種植被指數(shù)時(shí)序產(chǎn)品，提取果樹空間信息。相比最佳時(shí)相法和典型物候期法，時(shí)序植被指數(shù)法的精度更高，廣泛地應(yīng)用于中等分辨率遙感數(shù)據(jù)源。國產(chǎn)高分系列衛(wèi)星已可以提供亞米級的遙感產(chǎn)品，成為精細(xì)識(shí)別林果作物的重要高分?jǐn)?shù)據(jù)源。很多學(xué)者利用單時(shí)相的國產(chǎn)高分系列衛(wèi)星產(chǎn)品，綜合光譜、紋理和空間特征，采用面向?qū)ο蠡驒C(jī)器學(xué)習(xí)方法提取特色林果作物的空間信息。在精細(xì)林果分類精度上有很大提升，但因高分遙感數(shù)據(jù)易受低光譜和低時(shí)間分辨率等限制，使用單一時(shí)相的遙感數(shù)據(jù)容易出現(xiàn)“異物同譜”現(xiàn)象。因此綜合利用多源多時(shí)相遙感數(shù)據(jù)開展林果種植結(jié)構(gòu)信息提取成為研究熱點(diǎn)。

目前，果樹類型信息提取的研究大部分集中在純林的單一種植模式，針對林農(nóng)復(fù)合種植模式的不多。在土地資源非常緊缺的新疆南疆特色林果區(qū)，林農(nóng)間作模式高達(dá)85%。林農(nóng)間作模式下的果樹地塊復(fù)雜性更高，且果樹光譜和紋理信息容易受到林下農(nóng)作物的影響，利用單一數(shù)據(jù)源或單一時(shí)相的遙感數(shù)據(jù)很難準(zhǔn)確提取立體種植模式下的果樹類型。結(jié)合高分影像空間分辨率高、紋理信息豐富的優(yōu)勢，以及中分影像時(shí)間分辨率高、光譜信息充足的優(yōu)勢，可以較好地提取南疆林農(nóng)間作模式下的果樹種植結(jié)構(gòu)信息。因此，本研究擬以南疆和田綠洲區(qū)為研究區(qū)，基于GF-2和Sentinel-2多源多時(shí)遙感數(shù)據(jù)，構(gòu)建林果作物全生育期NDVI時(shí)間序列曲線，采用面向?qū)ο蠓诸惙椒?，綜合利用物候信息、紋理特征等開展特色林果種植結(jié)構(gòu)信息提取研究。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

和田綠洲位于昆侖山北麓、塔克拉瑪干沙漠南緣，行政區(qū)包括和田市及和田、墨玉、洛浦三縣，面積約3 110 km2（圖1）。綠洲主體位于玉龍喀什河和喀拉喀什河之間的山前洪積平原，以人工灌溉綠洲為主。屬于暖溫帶干旱荒漠氣候，年均溫度11.3 ℃，年均降水量36.5 mm，年均蒸發(fā)量2 239 mm。光熱資源豐富，無霜期長，無霜期170～201 d。晝夜溫差大，≥10 ℃的年積溫為4 200 ℃。該地區(qū)土壤為砂質(zhì)土壤，通透性良好，0～100 cm土壤有機(jī)質(zhì)含量為6.3 g/kg，肥力中等。和田綠洲具有發(fā)展林果業(yè)得天獨(dú)厚的光、熱、水、土等自然資源和品種優(yōu)勢，栽培瓜果的歷史有2000多年，主要林果品種有核桃、紅棗、葡萄和杏等。截至2019年，全區(qū)林果作物面積達(dá)2.16×10hm，主要為林農(nóng)間作的立體種植模式，林下間作以小麥、玉米、牧草等作物為主。

圖1 研究區(qū)地理位置示意圖Fig.1 Geographical location of the study area

1.2 數(shù)據(jù)源及其預(yù)處理

1.2.1 數(shù)據(jù)源

1）遙感數(shù)據(jù)

本研究使用GF-2和Sentinel-2遙感數(shù)據(jù)為主要數(shù)據(jù)源。其中，GF-2遙感數(shù)據(jù)來自中國資源衛(wèi)星應(yīng)用中心（http://36.112.130.153:7777/DSSPlatform/productSearch.html），云覆蓋率小于10%，總計(jì)35景，包括4個(gè)多光譜數(shù)據(jù)波段（分辨率為3.2 m）和1個(gè)全色波段（分辨率為0.8 m），時(shí)間范圍2020年2－9月（表1）。圖像選取時(shí)主要考慮覆蓋研究區(qū)的完整性和圖像時(shí)相，影像云量小于20%。GF-2遙感數(shù)據(jù)具有空間分辨率高、空間結(jié)構(gòu)和紋理信息突出的特點(diǎn)，用于研究區(qū)內(nèi)四類基礎(chǔ)地物要素（農(nóng)田、純果園、果園混種、其他）的精確邊界信息提取。Sentinel-2遙感數(shù)據(jù)來自歐空局（https://scihub.copernicus.eu/dhus/），云覆蓋率小于10%，總計(jì)44景，包括可見光、近紅外波段（分辨率10 m），時(shí)間范圍2020年3－10月（表1）。Sentinel-2遙感數(shù)據(jù)具有重訪周期短、光譜信息豐富的特點(diǎn)，主要用于林果作物關(guān)鍵生育期物候曲線構(gòu)建和種類識(shí)別。

表1 遙感影像數(shù)據(jù)集Table 1 Remote sensing image data set

2）輔助數(shù)據(jù)

為了便于掌握和田綠洲特色林果作物的物候及分布情況，于2021年4月中下旬開展了和田綠洲3縣1市野外實(shí)地調(diào)查，共采集有效樣本點(diǎn)1 052個(gè)。其中，間作核桃482個(gè)，純核桃119個(gè)，純棗樹321個(gè)，純葡萄130個(gè)，其他林果作物（桃樹、櫻桃）19個(gè)。其中，19%作為訓(xùn)練樣本數(shù)據(jù)，81%作為精度驗(yàn)證數(shù)據(jù)。

此外，本研究還收集了2019年和田綠洲3縣1市的林果調(diào)查數(shù)據(jù)，以及通過文獻(xiàn)檢索和實(shí)地調(diào)研獲取當(dāng)?shù)刂饕止魑锏奈锖蛐畔?。正射影像的?shù)字地面高程（Digital Elevation Model，DEM）數(shù)據(jù)選用ASTER GDEM DEM數(shù)據(jù)產(chǎn)品（http://earthexplorer.usgs.gov/），分辨率12.5 m。2018年和田地區(qū)市縣行政區(qū)劃矢量數(shù)據(jù)（1∶100萬，分幅號(hào)J44），來自全國地理信息資源目錄服務(wù)系統(tǒng)（https://www.webmap.cn/mapDataAction.do?method=index）。

1.2.2 數(shù)據(jù)預(yù)處理

GF-2遙感數(shù)據(jù)獲取時(shí)間為2020年2－9月，采用基于區(qū)域網(wǎng)平差的數(shù)字正射影像圖（Digital Orthophoto Map，DOM）對GF-2遙感數(shù)據(jù)進(jìn)行預(yù)處理。首先利用CIPS軟件加載參考DEM，將糾正好的Sentinel-2遙感數(shù)據(jù)作為參考DOM，自動(dòng)進(jìn)行區(qū)域網(wǎng)平差和模型平差，快速完成連接點(diǎn)和控制點(diǎn)的自動(dòng)匹配，保證GF-2遙感影像的絕對和相對定位精度。然后基于平差成果和DEM數(shù)據(jù)，進(jìn)行GF-2遙感影像的正射糾正。再運(yùn)用Gram-Schmidt數(shù)據(jù)融合算法將糾正后的GF-2全色（0.8 m）與多光譜數(shù)據(jù)（3.2 m）進(jìn)行融合。該融合方法有較高的圖像保真效果，有利于影像目視判讀和光譜、形狀、紋理特征規(guī)則集的構(gòu)建。最后對融合數(shù)據(jù)進(jìn)行勻光勻色和鑲嵌成圖，生成DOM正射影像圖。

本研究利用哨兵2A大氣校正插件Sen2Cor軟件對Sentinel-2 L1C產(chǎn)品進(jìn)行大氣校正。然后，采用歐洲航天局發(fā)布的開源軟件SNAP軟件對處理后的數(shù)據(jù)進(jìn)行重采樣，生成Sentinel-2 L2A級數(shù)據(jù)產(chǎn)品，將空間分辨率重采樣到10 m。最后進(jìn)行波段合成、拼接處理，獲取研究區(qū)完整的Sentinel-2影像產(chǎn)品。

2 研究方法

和田綠洲主要為林農(nóng)間作模式，農(nóng)村庭院和道路兩邊多種植果樹，標(biāo)準(zhǔn)化果園較少；耕地地塊密集破碎，與農(nóng)村房屋、果園、道路等地物鑲嵌混雜。因此，本研究依據(jù)典型果樹的光譜、形態(tài)和空間分布特征，以及提取復(fù)雜程度，分層次先提取林田地塊，再對果樹類型進(jìn)行分類識(shí)別。首先基于GF-2遙感數(shù)據(jù)，利用最優(yōu)尺度分割和面向?qū)ο蠓诸惙椒ㄌ崛⊙芯繀^(qū)內(nèi)的純果園、間作果園、農(nóng)田及其他地塊，得到果園（純果園和間作果園）地塊的精確邊界信息。然后基于Sentinel-2遙感數(shù)據(jù)構(gòu)建林果作物全生育期NDVI時(shí)間序列曲線，并結(jié)合林果作物物候特征，采用閾值提取/決策樹分類方法對已提取的林果地塊進(jìn)行分類，并完成果樹類型制圖。最后通過混淆矩陣的總體分類精度、生產(chǎn)者精度、用戶精度和Kappa系數(shù)指標(biāo)進(jìn)行精度分析和評價(jià)?？傮w技術(shù)流程見圖2。

圖2 研究技術(shù)路線圖Fig.2 Research technology route

2.1 基于多尺度圖像分割和面向?qū)ο蟮牧洲r(nóng)地塊信息提取

本研究基于GF-2影像數(shù)據(jù)的4個(gè)波段（Band 1為藍(lán)波段、Band 2為綠波段、Band 3為紅波段、Band 4為近紅外波段），利用eCognition軟件（Developer 64）對自然地塊進(jìn)行分割，并通過控制變量法確定分割尺度、形狀因子和緊致度因子為最佳參數(shù)。根據(jù)不同季節(jié)果園和農(nóng)田在GF-2影像數(shù)據(jù)上的光譜和紋理特征差異，設(shè)置不同時(shí)相的分割尺度參數(shù)。在春季和冬季，果樹未長葉或掛果，分割尺度設(shè)置為180，可以得到較為完整的地塊。在夏季和秋季，果樹均已長葉或掛果，分割尺度放大到200，避免將果樹樹冠與林下作物分割。因純果園、間作果園和農(nóng)田地塊均外形規(guī)則，可以適當(dāng)提高形狀參數(shù)的權(quán)重值。本研究經(jīng)過多次試驗(yàn)對比不同參數(shù)設(shè)置下的分割結(jié)果，最終確定分割尺度200（7－9月）和180（2月）、形狀權(quán)重0.6和緊致度權(quán)重0.5為最優(yōu)參數(shù)。在最優(yōu)參數(shù)設(shè)置下，分割單元內(nèi)部紋理均勻，且與相鄰地塊有較為明顯的紋理差異，得到的地塊邊緣擬合效果最好。

在上述最優(yōu)分割尺度分割下，本研究通過分析目標(biāo)對象與其他地物的歸一化植被指數(shù)、光譜特征和紋理特征信息，明確特征信息與地物之間的對應(yīng)關(guān)系，建立規(guī)則集，確定分類規(guī)則分為冬季（2月）和夏秋（7－9月）兩類。因?yàn)槎竟麡涮幵诼淙~期，農(nóng)作物（除冬小麥）已全部收獲，地表裸露；而夏秋季林農(nóng)作物處在生長期，地表被植被覆蓋，因此冬季影像數(shù)據(jù)亮度值較夏秋季普遍略高。然后采用逐步剔除非目標(biāo)地類的方法獲得四類地塊分類專題圖。

根據(jù)植被與非植被的NDVI和光譜亮度差異，冬季設(shè)置NDVI大于0.2且亮度閾值小于720，夏秋季設(shè)置NDVI大于0.38且亮度值小于680，提取植被信息?；谔崛〉闹脖换A(chǔ)上，將小于2 200像元（1.4 km）的小圖斑移除，得到完整的農(nóng)田地塊信息。農(nóng)田地塊由于有間作果樹呈現(xiàn)不同的紋理結(jié)構(gòu)，故使用NDVI、亮度特征和紋理特征相結(jié)合的方法，區(qū)分純農(nóng)田、間作果園和純果園，詳細(xì)分類規(guī)則如表2所示。常見紋理特征灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）包括對比度、能量、均一性、熵、相關(guān)性、均值、方差、相異性8個(gè)紋理特征。利用eCognition軟件計(jì)算主要的紋理特征值，結(jié)果顯示：GLCM可以識(shí)別地塊果樹尺度的樹冠。因不同季節(jié)果樹樹冠大小不同，冬季設(shè)置GLCM均值小于2、夏秋季設(shè)置GLCM均值小于3作為果樹提取的閾值，再設(shè)置面積小于100像元將紋理相似的草地信息剔除。最后由NDVI和亮度值作為提取規(guī)則區(qū)分純果園與間作果園。具體規(guī)則見表2。

表2 基于GF-2遙感數(shù)據(jù)的地塊分類規(guī)則集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樹類別提取

2.2.1 特色林果NDVI時(shí)序特征構(gòu)建

本研究基于野外采樣和GF-2遙感數(shù)據(jù)提取果園地塊空間信息，選取主要特色林果作物（核桃、棗樹、葡萄）各50個(gè)訓(xùn)練樣本并提取其基于Sentinel-2 NDVI時(shí)序數(shù)據(jù)，分別對不同類型的樣本地塊全生長期的NDVI時(shí)序數(shù)值進(jìn)行統(tǒng)計(jì)和計(jì)算，繪制時(shí)序曲線，得到核桃、棗樹和葡萄的NDVI時(shí)序曲線（圖3）。從圖3可以看出，提取的主要林果作物NDVI時(shí)序數(shù)據(jù)的變化趨勢總體符合其物候特征（見表3）。核桃的萌芽和開花最早，分別為3月下旬和4月中旬；果熟為9月上旬；落葉較晚為11月上旬，全生育期最長（3月下旬－11月上旬）。棗樹萌芽和開花為4月上旬和5月中旬；果熟在9月中旬，而落葉最早在10月上旬，全生育期（4月上旬－10月上旬）。葡萄萌芽和開花最晚，分別為4月下旬和5月下旬；果熟最早（8月下旬），落葉較晚為11月上旬；全生育期最短（4月下旬－11月上旬）。在圖3中，每年3月、5月下旬和10月中下旬的波谷剛好是核桃、棗樹和葡萄的灌水季節(jié)，當(dāng)?shù)仄毡椴捎么笏喾绞?，在果樹防水圈外的地面均被水淹沒，大水退后，林下土壤濕度也偏高，導(dǎo)致這段時(shí)間該果園地塊的平均NDVI值降低。當(dāng)水分充分被吸收之后，NDVI值又迅速上升。此外，8月上旬進(jìn)行的“打秋梢”措施，為保證果實(shí)營養(yǎng)，需要大量修剪果樹樹杈，也導(dǎo)致果園地塊的NDVI值下降。

圖3 主要林果Sentinel-2 NDVI時(shí)序曲線圖Fig.3 Sentinel-2 NDVI time series curve of typical fruit trees

表3 研究區(qū)特色果樹的物候期Table 3 Phenological period of fruit trees in study area

2.2.2 決策樹分類器

基于野外樣本點(diǎn)和Sentinel-2 NDVI時(shí)序曲線，并結(jié)合林果作物物候特征信息計(jì)算林果作物識(shí)別關(guān)鍵期的光譜閾值，構(gòu)建林果作物決策樹模型，如圖4所示。將分類結(jié)果疊加到基于GF-2遙感數(shù)據(jù)精確提取的林果地塊上，得到2020年新疆和田特色林果作物的空間分布圖。

圖4 基于Sentinel-2 NDVI時(shí)序數(shù)據(jù)決策樹流程圖Fig.4 Flow chart of decision tree based on the Sentinel-2 NDVI time series data

結(jié)合林果作物的NDVI時(shí)序曲線和典型物候期可見，林果作物生長期從3月下旬開始，11月上旬結(jié)束。純核桃、間作核桃、棗樹和葡萄的NDVI時(shí)序曲線雖然有少部分交錯(cuò)和重疊，但還是存在差異明顯的時(shí)間窗口。首先，從NDVI時(shí)序數(shù)據(jù)可見，7月為林果作物生長旺盛期，利用7月28日的NDVI值快速區(qū)分植被和非植被。設(shè)定NDVI＜0.27為閾值提取非植被類型，其他為植被類型。間作核桃因林下間作冬小麥，在冬小麥返青時(shí)（4月29日）出現(xiàn)NDVI峰值。冬小麥?zhǔn)崭詈螅?月7日）出現(xiàn)NDVI低谷。根據(jù)間作核桃樣點(diǎn)數(shù)據(jù)所在地塊數(shù)據(jù)在這兩期的統(tǒng)計(jì)值，設(shè)定0.68＜NDVI＜0.91、NDVI＞0.51為閾值提取間作核桃。純核桃5月24日－6月23日在各類林果作物NDVI值最高，設(shè)定NDVI+NDVI＞1.35為閾值提取純核桃。棗樹4月29日－8月7日的NDVI值均低于其他林果作物。同時(shí)，棗樹在5月中旬開花，9月中旬掛果，在6月23日和9月21日出現(xiàn)NDVI峰值。NDVI＜0.44、NDVI+NDVI＜1.14為閾值提取棗樹。葡萄整個(gè)生長期的NDVI值均低于核桃，高于棗樹。8月上旬葡萄打秋梢后其NDVI值下降，8月7日達(dá)到最低，設(shè)定葡萄閾值為0.43＜NDVI＜0.65、NDVI＞0.4。然后將野外實(shí)地考察獲得的有效樣本點(diǎn)隨機(jī)選擇作為測試集驗(yàn)證其分類精度。最后以GF-2遙感數(shù)據(jù)提取的林田地塊為基礎(chǔ)數(shù)據(jù)，將已分類好的4類果樹信息進(jìn)行賦值疊加，得到林果結(jié)構(gòu)分布。

2.3 精度驗(yàn)證

本研究采用混淆矩陣的方式對林果作物遙感提取結(jié)果進(jìn)行精度驗(yàn)證評價(jià)，評價(jià)指標(biāo)包括總體分類精度（Over Accuracy, OA）、用戶精度（User Accuracy, UA）、生產(chǎn)者精度（Produces Accuracy, PA）以及Kappa系數(shù)。選取了實(shí)地調(diào)查樣本點(diǎn)共849個(gè)，其中間作核桃430個(gè)、棗樹270個(gè)、核桃樹69個(gè)以及葡萄80個(gè)。

3 結(jié)果與分析

3.1 提取結(jié)果精度評價(jià)

如表4所示，林果分類結(jié)果的總體精度為96.82%，Kappa系數(shù)為94.95%。其中間作核桃和棗樹的用戶精度和生產(chǎn)者精度都超過95%，表明此方法分類精度較高，可以滿足主要林果作物遙感監(jiān)測需求。但對地塊面積較小的純核桃和葡萄果園，容易分別與間作核桃和棗樹混淆，用戶精度均低于95%。

表4 分類精度Table 4 Accuracy of the classification result

3.2 種植結(jié)構(gòu)提取結(jié)果

在最優(yōu)分割尺度分割下，通過建立規(guī)則集，采用逐步剔除非目標(biāo)地類的方法獲得4類地塊分類專題圖，如圖5所示。

圖5 基于GF-2遙感數(shù)據(jù)提取的地塊分類圖Fig.5 Classification map of plots based on GF-2 remote sensing data

基于遙感提取的和田綠洲主要林果作物總面積4.28×10hm，主要為核桃（純核桃和間作核桃），面積330.98×10hm；其中，間作核桃面積占63.8%。棗樹和葡萄面積分別為8.29×10和1.40×10hm，如圖6所示。

由圖6可知，研究區(qū)內(nèi)特色林果作物主要分布在水資源較好和地勢平坦的玉龍喀什河和喀拉喀什河兩岸上游老綠洲區(qū)（墨玉縣的阿克薩拉依鄉(xiāng)、托胡拉鄉(xiāng)、闊依其鄉(xiāng)、芒來鄉(xiāng)和吐外特鄉(xiāng)；和田縣的巴格其鎮(zhèn)和拉依喀鄉(xiāng)以及洛浦縣的納瓦鄉(xiāng)和恰爾巴格鄉(xiāng)），以大片連續(xù)的核桃間作果園為主，且其中零星分布純核桃果園。在核桃間作果園外圍新墾綠洲上，多分布不連續(xù)的純農(nóng)田，破碎地塊較多，且面積不大。棗樹大多分布在下游綠洲荒漠交錯(cuò)帶，甚至沙質(zhì)荒漠中，呈規(guī)則的大型條帶狀分布。尤其在墨玉縣西部的兵團(tuán)二二四團(tuán)和洛浦縣東部的拜什托格拉克鄉(xiāng)，可見大面積新開墾土地種植棗樹，多為幼年小樹苗。葡萄多分布在喀拉喀什河下游，墨玉縣境內(nèi)的喀爾賽鄉(xiāng)和兵團(tuán)四十七團(tuán)六連，集中在沙質(zhì)荒漠土壤上。

圖6 和田綠洲特色林果遙感結(jié)構(gòu)空間分布（2020年）Fig.6 Spatial distribution of fruit trees by remote sensing in Hotan oasis (2020)

和田地區(qū)核桃種植區(qū)主要分布在玉龍喀什河和喀拉喀什河上游，因核桃為喜溫、喜光、喜肥的樹種。同時(shí)，核桃生長發(fā)育需要大量的水分，尤其是果實(shí)發(fā)育期要有充足的水分供應(yīng)。又因在玉龍喀什河和喀拉喀什河上游為古老的和田綠洲分布區(qū)，長期灌溉淤積，土壤不斷熟化，形成適宜核桃生長的砂壤土。因此，將核桃種植在灌溉條件優(yōu)越、土壤相對肥沃、氣候相對濕潤的河流上游兩側(cè)，更有利于核桃樹的生長發(fā)育和提質(zhì)增效。而棗樹和葡萄分布在河流下游。主要因?yàn)闂棙浜推咸演^核桃更喜光、抗旱、抗寒、耐瘠薄。下游綠洲荒漠交錯(cuò)帶多為沙質(zhì)荒漠土壤，且水資源相對匱乏，氣候少雨干燥，有利于果樹病蟲害防治，更適宜種植棗樹和葡萄。

本研究將基于遙感提取的三種林果作物面積與林調(diào)統(tǒng)計(jì)數(shù)據(jù)（2019年）進(jìn)行比較，并計(jì)算相對精度。據(jù)林調(diào)統(tǒng)計(jì)數(shù)據(jù)，2019年和田綠洲核桃（包括間作和純核桃）、紅棗、葡萄的總種植面積分別為5.33×10、8.48×10、1.64×10hm。2020年該區(qū)內(nèi)基于遙感提取的核桃、紅棗、葡萄種植面積分別為3.31×10、8.29×10、1.40×10hm，相對精度分別是62.1%、97.8%、85.2%。其中紅棗葡萄提取精度較高。核桃精度不高是由于2020年和田綠洲核桃果園的提質(zhì)增效的改良工程，依據(jù)“宜果則果，宜糧則糧”的原則，將低產(chǎn)間作模式的果園轉(zhuǎn)為耕地或牧草地，使得2019年林調(diào)數(shù)據(jù)與2020年遙感提取數(shù)據(jù)存在一定的差異。

4 討 論

馮振峰對南疆環(huán)塔里木盆地的棗樹、蘋果和香梨進(jìn)行遙感識(shí)別，總體精度達(dá)78.14%。沈江龍等運(yùn)用面向?qū)ο蟮挠跋穹治鎏崛∪羟季G洲的棗樹面積，精度達(dá)到88.43%。楊遼基于多源影像數(shù)據(jù)結(jié)合香梨的物候信息提取庫爾勒香梨的種植面積，解譯精度達(dá)86.36%。與相同區(qū)域不同果樹類型遙感信息提取精度對比發(fā)現(xiàn)，本文結(jié)合面向?qū)ο蠛蜎Q策樹分類方法提取和田綠洲核桃、棗樹和葡萄的種植面積，總體精度可達(dá)90%以上，解譯精度相對較高。對比不同區(qū)域類似果樹的提取精度分析，邢東興等采用最佳時(shí)相法對關(guān)中平原葡萄進(jìn)行分類識(shí)別，其總體精度達(dá)96.53%；而本文提取的葡萄分類精度為91.25%，精度相當(dāng)。楊旭超基于多時(shí)相Sentinel數(shù)據(jù)構(gòu)建時(shí)序NDVI對大理核桃進(jìn)行信息提取，其總體精度為83.54%。且大理核桃林屬于純核桃林，不存在與農(nóng)作物間作的情況。本文研究區(qū)涉及純核桃和間作核桃的分別，解譯難度曾大，純核桃和間作核桃的用戶精度92.75%和98.14%，分類精度相對較高。

目前提取的林果作物主要集中在核桃、棗樹、葡萄等主要林果作物；而櫻桃、新梅、杏子、桃樹等小宗林果的識(shí)別能力有限。在分類方法方面，雖然面向?qū)ο蠛蜎Q策樹分類相結(jié)合的方法可以選取最佳的識(shí)別特征量和閾值，但其對訓(xùn)練樣本的質(zhì)量和數(shù)量具有較強(qiáng)的依賴性，依然需要嘗試更智能、提取精度更高的分類關(guān)鍵技術(shù)研究。其次，能否獲取高時(shí)空分辨率的遙感影像是精準(zhǔn)提取林果作物空間分布信息的關(guān)鍵，GF-2和Sentinel-2遙感數(shù)據(jù)受云的影響，在研究區(qū)范圍較大時(shí)難以完全滿足解譯，還需要進(jìn)一步探索多源高時(shí)空分辨率衛(wèi)星數(shù)據(jù)的綜合應(yīng)用方法，避免天氣狀況對林果作物識(shí)別結(jié)果的影響。最后在時(shí)空尺度方面，由于林果作物的植被指數(shù)與周圍環(huán)境息息相關(guān)，當(dāng)降水、溫度等氣象條件達(dá)不到生長需求時(shí)，果樹長勢會(huì)出現(xiàn)較大變動(dòng)。針對不同研究區(qū)仍需結(jié)合實(shí)地調(diào)研情況進(jìn)行具體判斷，需要根據(jù)研究區(qū)條件設(shè)置合理的分類因子來準(zhǔn)確提取林果作物的空間分布信息。從而實(shí)現(xiàn)擴(kuò)展研究區(qū)至省級范圍，尤其地形復(fù)雜和種植結(jié)構(gòu)復(fù)雜條件下的大區(qū)域林果作物種植結(jié)構(gòu)提取。

5 結(jié) 論

本研究針對林農(nóng)間作模式下果樹類型和面積提取研究在數(shù)據(jù)源單一和提取精度不高方面的不足，在兩大方面進(jìn)行了嘗試。首先，在數(shù)據(jù)源的選擇上，針對不同林果作物在遙感影像上呈現(xiàn)出復(fù)雜的時(shí)空異質(zhì)性和尺度敏感性的特征，采用具有高空間分辨率的國產(chǎn)GF-2遙感數(shù)據(jù)和具有高時(shí)間分辨率的Sentinel-2遙感數(shù)據(jù)，解決現(xiàn)有研究中單一影像數(shù)據(jù)信息不足的問題。其次，在分類方法上，提出了一種基于GF-2遙感數(shù)據(jù)的果園地塊空間信息和多時(shí)相Sentinel-2NDVI時(shí)序數(shù)據(jù)提取特色林果作物種植結(jié)構(gòu)的方法，結(jié)合面向?qū)ο蠛蜎Q策樹分析，并利用研究區(qū)內(nèi)主要林果作物的物候信息和NDVI時(shí)序數(shù)據(jù)的差異，實(shí)現(xiàn)了研究區(qū)內(nèi)2020年特色林果（核桃、棗樹、葡萄）的種植結(jié)構(gòu)提取，滿足了遙感提取種植面積的精度要求。主要研究結(jié)論如下：

1）提出了基于GF-2遙感數(shù)據(jù)的果園地塊空間信息＋多時(shí)相Sentinel-2NDVI時(shí)序數(shù)據(jù)和物候信息的種植面積提取方法對研究區(qū)域特色林果種植面積進(jìn)行提取。多時(shí)序影像能夠更加詳細(xì)的提供研究作物在整個(gè)生長周期內(nèi)的變化情況，能夠有效地避免因“同物異譜”或“同譜異物”問題帶來的誤差，從而更精確地獲知不同林果的種植面積及空間分布，以便及時(shí)為林業(yè)部門提供有效信息。

2）結(jié)合面向?qū)ο蠛蜎Q策樹分類方法能夠較好地適用于研究區(qū)內(nèi)的種植結(jié)構(gòu)提取。2020年在研究區(qū)內(nèi)對核桃、棗樹和葡萄種植面積進(jìn)行分類提取，用戶精度和總體分類精度均高達(dá)90%以上，Kappa系數(shù)高達(dá)94.95%，可以滿足縣市級尺度的林地遙感監(jiān)測精度需求。

3）在林農(nóng)間作立體種植模式的地區(qū)，利用單一中分辨率遙感影像進(jìn)行地物解譯時(shí)，混合像元問題突出，難以滿足遙感提取的精度要求，同時(shí)結(jié)合高空間分辨率遙感影像進(jìn)行有效補(bǔ)充，可以在兼顧影像成本的情況下有效提高結(jié)構(gòu)提取精度。