代佳佳

（北京師范大學(xué)地理科學(xué)學(xué)部，北京 100875）

0 引言

近年來(lái)，隨著遙感技術(shù)的不斷進(jìn)步，可以獲得的遙感影像的種類越來(lái)越多，光學(xué)、雷達(dá)以及平面、立體，遙感影像的分辨率也越來(lái)越高，因其具有實(shí)時(shí)、宏觀和快捷等優(yōu)點(diǎn)，遙感影像被廣泛應(yīng)用于農(nóng)作物的面積監(jiān)測(cè)和土地利用等研究領(lǐng)域，并取得了成功[1,2]，基于衛(wèi)星綜合應(yīng)用技術(shù)發(fā)展的新趨勢(shì)，運(yùn)用衛(wèi)星遙感、導(dǎo)航及信息服務(wù)等多種技術(shù)集成，針對(duì)行業(yè)應(yīng)用需求進(jìn)行監(jiān)測(cè)，解決行業(yè)“痛點(diǎn)”已經(jīng)成為遙感在各行業(yè)應(yīng)用的新趨勢(shì)。農(nóng)作物空間分布是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、病蟲害監(jiān)測(cè)和產(chǎn)量估測(cè)的基礎(chǔ)數(shù)據(jù),也是區(qū)域農(nóng)作物種植結(jié)構(gòu)優(yōu)化調(diào)整、水土資源管理和政府宏觀決策的重要支撐[3]。近年來(lái)，遙感技術(shù)日益成為農(nóng)作物空間分布制圖的主要技術(shù)手段。我國(guó)是世界蘋果產(chǎn)量大國(guó)，蘋果種植面積目前依舊采用層層上報(bào)模式，存在“報(bào)多少、是多少的問(wèn)題”，因此，如何準(zhǔn)確掌握蘋果園地面積與分布，為蘋果優(yōu)勢(shì)產(chǎn)區(qū)蘋果栽培情況動(dòng)態(tài)監(jiān)測(cè)及蘋果產(chǎn)業(yè)調(diào)查與決策提供可靠的數(shù)據(jù)，從而逐步實(shí)現(xiàn)我國(guó)蘋果產(chǎn)業(yè)的信息化管理是當(dāng)前亟待解決的重要問(wèn)題。

相對(duì)于利用衛(wèi)星技術(shù)廣泛應(yīng)用于小麥、水稻、玉米等方面[4]，在果樹的研究較少，主要研究集中在利用高光譜分析蘋果花微量元素含量以及蘋果花期冠層、盛果期冠層特征定量模型預(yù)測(cè)估產(chǎn)，多尺度空間分辨率的遙感影像還沒(méi)有廣泛應(yīng)用于蘋果園地提取研究上，但是也已經(jīng)逐步有學(xué)者開始研究。董芳[4]等利用多時(shí)相CBERS影像，對(duì)比分析蘋果樹與其他植被在不同時(shí)相中光譜特征的差異，并通過(guò)計(jì)算多種植被指數(shù)，確定了蘋果園地信息提取的最佳時(shí)相為蘋果花期，并采用花期中分影像進(jìn)行蘋果園提取。基于高分辨率影像紋理特征采用隨機(jī)森林方法提取蘋果園信息，效果良好，證明了高分紋理特征在蘋果園信息提取應(yīng)用中的貢獻(xiàn)和價(jià)值[5]。但是高分影像覆蓋周期長(zhǎng)，難以獲得不同地物在不同時(shí)相的遙感影像上的光譜特征差異，而中分影像相較于高分影像，數(shù)據(jù)保障性較好，可提供時(shí)序的光譜特征。在分類方法方面，目前，針對(duì)不同的遙感影像有很多種分類方法，包括監(jiān)督分類、非監(jiān)督分類和其他分類3種主要的分類方法，諸如平行算法、支持向量機(jī)、最小距離法和最大似然法、ISODATA法，其中最大似然法的應(yīng)用較為廣泛[6]，是傳統(tǒng)分類法中重要的分類方法。近年來(lái)，隨著遙感技術(shù)的縱深發(fā)展，遙感數(shù)據(jù)的時(shí)間、空間和光譜分辨率不斷提高，一些新的分類方法層出不窮，包括專家分類、人工智能神經(jīng)元網(wǎng)絡(luò)法（簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)法）專家、面向?qū)ο蠓诸惙?、深度學(xué)習(xí)方法等。但這些方法或者算法過(guò)于復(fù)雜、難以理解，或者對(duì)分類者有較高的遙感和地學(xué)知識(shí)要求，都未能在更大領(lǐng)域得到推廣和應(yīng)用[7]。決策樹分類法具有靈活、直觀、清晰、運(yùn)算效率高等特點(diǎn),在遙感分類問(wèn)題上表現(xiàn)出巨大優(yōu)勢(shì)。目前決策樹分類方法已經(jīng)開始應(yīng)用于各種遙感影像信息提取和土地利用/土地覆蓋分類中[8-11]。

文章綜合中高分?jǐn)?shù)據(jù)的特性，以單期高分二號(hào)影像（高分）、多期哨兵影像（中分）為數(shù)據(jù)源，綜合利用高分紋理特征和中分多時(shí)相光譜特征構(gòu)建不同分類組合特征、不同決策樹分類的分類模型，并通過(guò)對(duì)比不同分類組合特征以及分類方法對(duì)蘋果園提取的優(yōu)勢(shì)和劣勢(shì)，探索利用中高分影像進(jìn)行蘋果園準(zhǔn)確、高效識(shí)別方法途徑，為基于遙感技術(shù)準(zhǔn)確、快速地掌握蘋果園種植的規(guī)模和空間分布提供方法支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

寧縣（東經(jīng)107.665°～108.542°，北緯35.244°～35.882°）隸屬于甘肅省慶陽(yáng)市，位于甘肅省東部，縱跨兩個(gè)氣候帶，氣候溫和，日照長(zhǎng)，年均降雨量600mm，海拔800～1 200m，晝夜溫差大，土層深厚，質(zhì)地疏松，富含鉀、鈣、鎂、鋅、硒等多種微量元素，是全國(guó)蘋果產(chǎn)區(qū)中唯一符合最適宜區(qū)7項(xiàng)氣候指標(biāo)的最佳優(yōu)生區(qū)，全國(guó)蘋果最佳適生區(qū)之一，也是世界公認(rèn)的最大優(yōu)質(zhì)蘋果產(chǎn)區(qū)。

表1 蘋果物候期

1.2 遙感數(shù)據(jù)選取及預(yù)處理

中分?jǐn)?shù)據(jù)選擇光譜波段豐富、重放周期短的哨兵-2A數(shù)據(jù)，其波譜范圍0.4～2.4μm，空間分辨率10m、重訪周期10d。參考蘋果物候期，查詢下載了2019年4月19日、5月24日、8月15日、9月21日、10月24日5期數(shù)據(jù)。高分?jǐn)?shù)據(jù)選取從中國(guó)資源衛(wèi)星應(yīng)用中心下載的2019年5月31日的國(guó)產(chǎn)高分二號(hào)影像數(shù)據(jù)，包括藍(lán)光波段（0.45～0.52μm）、綠光波段（0.52～0.59μm）、紅光波段（0.63～0.69μm）、近紅外波段（0.77～0.89μm）4個(gè)多光譜波段和1個(gè)全色波段（0.45～0.90μm），多光譜波段分辨率4m，全色波段分辨率1m，重訪周期5d（測(cè)擺），69d（不測(cè)擺）。

遙感數(shù)據(jù)預(yù)處理主要包括幾何校正、正射校正、圖像融合。高分二號(hào)衛(wèi)星影像預(yù)處理以獲取的研究區(qū)0.93m高分辨率Google數(shù)據(jù)作為參考數(shù)據(jù)，利用PCI GXL軟件對(duì)高分二號(hào)衛(wèi)星影像進(jìn)行幾何校正、正射校正，并采用UNB PanSharp方法對(duì)全色與多光譜影像進(jìn)行融合，輸出1m分辨率的融合影像。哨兵數(shù)據(jù)預(yù)處理通過(guò)Google Earth Engine在線編程方式完成，數(shù)據(jù)分辨率為10m。

圖1 野外采集點(diǎn)分布

1.3 野外調(diào)查數(shù)據(jù)及樣本選取

為獲取研究區(qū)實(shí)際地物覆蓋情況，于5月20—21日進(jìn)行了為期2d的野外調(diào)查。該次野外采用手機(jī)軟件“AW拍”（iOS、安卓版可以通過(guò)手機(jī)應(yīng)用市場(chǎng)下載安裝），共采集23個(gè)樣本點(diǎn)和對(duì)應(yīng)的現(xiàn)場(chǎng)照片，點(diǎn)分布如圖1，其中冬小麥6個(gè)，蘋果11個(gè)，蔬菜2個(gè)，其他樹種4個(gè)，其他地物如林地、草地、水體、建筑、休耕地等從影像上看地物特征非常明顯，所以野外調(diào)查中未采集。依據(jù)野外采集點(diǎn)標(biāo)識(shí)的地物光譜特征和紋理結(jié)構(gòu)特征，經(jīng)過(guò)目視解譯，研究區(qū)主要種植類型為冬小麥和蘋果，為了突出目標(biāo)地物，減少其他類別的干擾，將研究區(qū)地物劃分為4類：蘋果、農(nóng)作物用地（冬小麥、休耕地等）、林地、其他（道路、建筑物、水體等）。為了分類訓(xùn)練和分類精度評(píng)價(jià)，該文利用ENVI 5.3軟件的感興趣區(qū)工具，對(duì)照哨兵影像，在高分二號(hào)衛(wèi)星影像上選取一套用來(lái)進(jìn)行蘋果種植面積分類樣本和精度評(píng)價(jià)的參考真值。經(jīng)統(tǒng)計(jì)，共計(jì)30 180像元，其中20 478像元作為訓(xùn)練樣本，剩余的9 702像元作為驗(yàn)證樣本，見表2所示。

表2 各地物類型訓(xùn)練樣本與驗(yàn)證樣本

2 蘋果園提取方法

2.1 基于高分影像的紋理特征提取

特征變量選擇是開展農(nóng)作物遙感圖像分類的重要步驟，能否有效地使用多種特征變量用于分類是農(nóng)作物遙感分類精度提升的關(guān)鍵。農(nóng)作物在高分辨率遙感影像上的影像特征主要表現(xiàn)為光譜特征和紋理特征。高分影像能提供豐富的紋理特征，基于高分影像的特征提取分為兩個(gè)部分：一是紋理特征的提取，二是特征選擇。

紋理特征提取：灰度共生矩陣[12]是通過(guò)計(jì)算圖像灰度級(jí)之間條件概率密度函數(shù)來(lái)提取紋理特征的一種統(tǒng)計(jì)分析方法（下文簡(jiǎn)稱為GLCM），該文采用灰度共生矩陣紋理特征提取方法提取均值、對(duì)比度、方差、差異性、信息熵、相關(guān)性、協(xié)同性、二階矩8種紋理特征。紋理窗口大小設(shè)定時(shí)，考慮到窗口設(shè)定太小，則會(huì)在同一種紋理內(nèi)部出現(xiàn)誤分割；而分析窗太大，則會(huì)在紋理邊界區(qū)域出現(xiàn)許多誤分割，為了分析紋理窗口大小對(duì)分類結(jié)果的影響，該文選取8種紋理特征，方向?yàn)?5°，步長(zhǎng)為1，分別選用3×3、5×5、7×7、9×9大小的窗口提取4組GLCM紋理，討論不同窗口大小對(duì)分類結(jié)果的影響，選取最佳提取參數(shù)。最終基于紋理特征最佳窗口參數(shù)對(duì)高分影像進(jìn)行紋理特征提取。由于高分影像有4個(gè)波段，因此每組紋理特征中包含32個(gè)波段信息。

特征選擇：特征選擇的目的是為了提高分類速度，減少影像噪聲特征的加入，有利于改善分類結(jié)果，所以需要計(jì)算出每一個(gè)特征的重要性并對(duì)這些特征進(jìn)行一個(gè)排序，進(jìn)而可以從所有特征中選擇出重要性靠前的特征作為優(yōu)選。隨機(jī)森林作為一種集成學(xué)習(xí)方法，具有高效、準(zhǔn)確度高等特點(diǎn)，在中高分分辨率影像分類中不僅能保證較高的精度，也能保證較快的速度，且具有特征選擇的能力[13-15]。該文對(duì)特征重要性評(píng)估和特征選擇在Python平臺(tái)下編程實(shí)現(xiàn)，通過(guò)調(diào)用隨機(jī)森林分類器建立隨機(jī)森林模型，并使用平均不純度減少的方法計(jì)算模型中特征的重要性，對(duì)得到的特征重要性結(jié)果排序，選擇特征重要性累計(jì)大于90%以上的特征波段進(jìn)行分析得到最優(yōu)特征。

2.2 基于高分與中分的空間特征組合

高分影像能提供豐富的紋理特征，中分辨率影像重訪周期短，能在作物生長(zhǎng)周期內(nèi)提供豐富的光譜信息，兩種數(shù)據(jù)類型相互補(bǔ)充，能一定程度上提高地物識(shí)別精度。為比較不同生長(zhǎng)周期光譜特征對(duì)蘋果園提取的貢獻(xiàn)，將高分紋理特征分別與高分二號(hào)融合影像、多期哨兵影像進(jìn)行組合，構(gòu)建得到高分紋理與多光譜、高分紋理與多光譜+單期中分多光譜、高分紋理與多光譜+全時(shí)序中分多光譜3類空間特征。

2.3 分類方法

決策樹分類是一種常見的分類方法，遙感應(yīng)用中經(jīng)常利用該方法對(duì)地物進(jìn)行提取分類。該研究選擇C4.5、CART、RF，3種常用方法實(shí)現(xiàn)分類。C4.5算法是由Ross Quinlan[16]開發(fā)的用于產(chǎn)生決策樹的算法，用信息增益率來(lái)選擇屬性，產(chǎn)生的分類規(guī)則易于理解，準(zhǔn)確率較高，但是該算法將連續(xù)屬性離散化時(shí)，需遍歷該屬性的所有值，效率有所降低。CART（Classification and Regression Trees）[17]是由Leo Breiman,Jerome Friedman等于1984年提出，被稱為數(shù)據(jù)挖掘領(lǐng)域內(nèi)里程碑式的算法。該算法生成的決策樹精度較高，但隨著決策樹復(fù)雜度的提高，分類精確度會(huì)有所降低。RF方法是Breiman于2001年提出的由多棵CART決策樹組合構(gòu)成的一種非常有效的機(jī)器學(xué)習(xí)算法。隨機(jī)森林算法適用于處理高維數(shù)據(jù)且運(yùn)行速度相對(duì)較快，近年來(lái)在遙感影像分類領(lǐng)域得到了廣泛應(yīng)用。RF算法有兩個(gè)重要參數(shù)，即Mtry和Ntree，該研究綜合考慮分類精度和計(jì)算效率，最終將Mtry設(shè)置為全部特征平方根，Ntree設(shè)值為100進(jìn)行分類，其他參數(shù)均為默認(rèn)。

但是，以“酉雞”與“卯兔”來(lái)解釋日中的“金雞”與月中的“玉兔”，卻與人們?cè)诂F(xiàn)實(shí)生活中的觀察不符。因?yàn)殡u所屬的“酉”時(shí)是傍晚的五時(shí)至七時(shí)，并無(wú)太陽(yáng)，反而是月亮初升的時(shí)刻；而兔所屬的“卯”時(shí)，則為早晨的五時(shí)至七時(shí)，也沒(méi)有月亮，反而是太陽(yáng)初升之時(shí)，明顯與“日中有金雞，乃酉之屬；月中有玉兔，乃卯之屬”的說(shuō)法矛盾。于是，便又有試圖以“鏡像”的觀念來(lái)解釋東方的兔在西邊的月中、而西方的雞在東邊的日中的現(xiàn)象者，如北宋人陸佃在其《埤雅》中說(shuō)：

數(shù)據(jù)挖掘工作平臺(tái)——懷卡托智能分析環(huán)境（Waikato Environment for Knowledge Analysis,WEKA）[18]，是新西蘭懷卡托大學(xué)開發(fā)的公開的數(shù)據(jù)挖掘系統(tǒng)，實(shí)現(xiàn)了基本的決策樹分類算法，提供了適用于各類數(shù)據(jù)集的數(shù)據(jù)預(yù)處理以及算法性能評(píng)估方法，具有很強(qiáng)的擴(kuò)展性和兼容性[19]。上述分類方法均依托WEKA平臺(tái)實(shí)現(xiàn)。

2.4 精度評(píng)價(jià)方法

對(duì)分類識(shí)別出的結(jié)果與驗(yàn)證樣本構(gòu)建混淆矩陣，評(píng)估不同特征組合下C4.5、CART、RF 3種方法分類結(jié)果的總體精度，kappa系數(shù)以及蘋果分類精度，其中蘋果園分類精度定義為：

其中，PA是制圖精度，TP表示分類器正確劃分的蘋果樣本數(shù)量，F(xiàn)N表示分類器將蘋果樣本錯(cuò)誤劃分為其他地物類型的樣本數(shù)量；UA是用戶精度，F(xiàn)P表示分類器將其他地物類型樣本錯(cuò)誤劃分為蘋果的數(shù)量；TA是在綜合考慮蘋果錯(cuò)入、錯(cuò)出情況下的識(shí)別精度。

3 結(jié)果與分析

3.1 GLCM最佳窗口選取

將基于3×3、5×5、7×7、9×9不同大小紋理窗口提取的4組GLCM紋理與高分二號(hào)多光譜影像組合，采用C4.5、CART、RF進(jìn)行分類實(shí)驗(yàn)，總體分類精度見表3。由表3可知，GLCM紋理窗口大小為7×7像元時(shí)分類效果最佳。

表3 不同紋理窗口、不同分類方法下的總體精度

3.2 最優(yōu)紋理特征選擇

在ENVI軟件中，采用方向45°，步長(zhǎng)1，窗口大小7×7等參數(shù)對(duì)高分二號(hào)融合影像進(jìn)行紋理特征提取，構(gòu)成如表4所示的紋理特征，其中B1、B2、B3、B4分別表示藍(lán)、綠、紅、近紅外融合后的波段。

將以上紋理特征作為輸入，通過(guò)隨機(jī)森林特征選擇模塊，設(shè)定迭代次數(shù)為100，計(jì)算特征重要性，按照重要性排序，對(duì)特征重要性進(jìn)行累計(jì)，如圖2所示，默認(rèn)選擇特征重要性累計(jì)大于90.78%的特征波段進(jìn)行分析，從圖2可以看出，貢獻(xiàn)最大的是均值特征，其次是相關(guān)性、信息熵和方差，所以選用均值、相關(guān)性、方差、信息熵4種紋理特征進(jìn)行后續(xù)訓(xùn)練和預(yù)測(cè)。

圖2 蘋果識(shí)別高分紋理特征重要性得分

3.3 空間特征組合與分類

為構(gòu)建高分紋理與多光譜、高分紋理與多光譜+單期中分多光譜、高分紋理與多光譜+全時(shí)序中分多光譜這3類空間特征，首先在ENVI軟件中，將預(yù)處理好的哨兵數(shù)據(jù)（10m分辨率）重采樣為1m，使其與紋理特征分辨率保持一致，并采用Layer Stacking功能將高分紋理特征分別與高分二號(hào)融合影像、4月、5月、8月、9月、10月5期哨兵影像進(jìn)行組合，構(gòu)建得到高分紋理與多光譜、高分紋理與多光譜+4月中分多光譜、高分紋理與多光譜+5月中分多光譜、高分紋理與多光譜+8月中分多光譜、高分紋理與多光譜+9月中分多光譜、高分紋理與多光譜+10月中分多光譜、高分紋理與多光譜+全時(shí)序中分多光譜，共計(jì)7組空間組合特征。然后依托WEKA平臺(tái)，根據(jù)選取的訓(xùn)練樣本（表2），從上述7組組合特征中分別提取訓(xùn)練樣本信息作為建模信息，并分別采用C4.5、CART、RF方法進(jìn)行模型構(gòu)建實(shí)驗(yàn)，基于構(gòu)建好的預(yù)測(cè)模型，依據(jù)7組組合特征，提取蘋果種植范圍，共計(jì)21個(gè)分類結(jié)果。

3.4 精度評(píng)價(jià)

為驗(yàn)證不同分類方法對(duì)蘋果園識(shí)別的效果，選用相同的獨(dú)立測(cè)試集（表2），采用混淆矩陣的方法對(duì)不同提取結(jié)果進(jìn)行精度評(píng)價(jià)，結(jié)果如表5所示。

從表5可以看出，采用C4.5、CART、RF任意分類方法，高分與中分組合特征精度都高于單一高分特征，且蘋果園分類精度分辨提升至少5.01%，4.30%，3.05%，總體精度分別提升至少5.12%，4.74%，3.16%，說(shuō)明中高分組合特征有助于蘋果園地提取。但是采用高分與中分全時(shí)序組合特征提取的蘋果園分類精度和總體精度并不一定高于高分與單一中分組合特征，表明加入的特征越多，機(jī)器噪聲越多，而且噪聲的累加還不是線性的。

表4 紋理特征

表5 不同分類方法精度評(píng)價(jià)

圖3 蘋果園分類精度對(duì)比

從整體時(shí)序上分析，無(wú)論采用哪種方法，高分與哨兵4月份組合的分類精度最高，可達(dá)99.06%，其蘋果園地分類精度、總體精度比單一高分紋理光譜組合特征分別提高至少8.14%、8.29%，比高分紋理光譜與多時(shí)相中分光譜組合特征分別提高至少1.14%、0.95%，主要原因是4月19日（花期）各類地物可分離性較好，因?yàn)?月初，冬小麥開始返青，植被信息強(qiáng)，但是蘋果園地未呈現(xiàn)植被信息，容易與裸地混淆，5月幼果期的蘋果園地植被信息強(qiáng)，容易與林地混淆，而4月19日，屬于蘋果初花期，初花期蘋果葉片較小，綠量偏低，紅光吸收偏小，同時(shí)花骨朵顏色整體偏紅，紅光呈現(xiàn)強(qiáng)烈反射，所以相對(duì)于易混淆的林地，紅光波段光譜值偏高，提高了蘋果園的可分離度，因此4月份中分光譜特征對(duì)蘋果園提取貢獻(xiàn)最大，即利用非最優(yōu)的高分與花期中分能得到最優(yōu)的精度（圖4為分別采用3種分類方法基于高分與中分4月花期的影像分類識(shí)別結(jié)果）。

從分類方法上分析，RF是一種新型高效的組合決策樹分類方法，具有實(shí)現(xiàn)簡(jiǎn)單、分類速度快、分類精度高、抗噪聲能力強(qiáng)的優(yōu)點(diǎn)，目前在農(nóng)作物信息提取方面被廣泛使用[20-22]。當(dāng)采用相同分類特征時(shí)，RF分類的精度高于C4.5和CART分類結(jié)果，圖3為3種分類方法采用相同分類特征分類時(shí)的蘋果園分類精度對(duì)比圖；與C4.5分類相比，蘋果園精度和總體精度最高分別提升6.43%、6.87%；與CART分類相比，蘋果園精度和總體精度最高提升6.96%，7.09%；綜合蘋果園提取精度來(lái)看，當(dāng)采用相同分類特征時(shí)，隨機(jī)森林分類方法提取蘋果園地精度最好，蘋果園提取精度均在90%以上，表明采用集成學(xué)習(xí)方法提取蘋果園的效果和穩(wěn)定性相對(duì)于其他方法較優(yōu)。

圖4 單一高分特征、高分與最優(yōu)時(shí)相中分組合的C4.5、CART、RF分類

4 結(jié)論與討論

GF-2號(hào)和哨兵兩種影像都是遙感分類常用影像，兩者各有優(yōu)勢(shì)。GF-2號(hào)空間分辨率高、地物紋理、細(xì)節(jié)豐富，但是重訪周期長(zhǎng)，數(shù)據(jù)獲取困難，光譜信息少，在分類中也容易產(chǎn)生錯(cuò)分現(xiàn)象，哨兵數(shù)據(jù)光譜信息豐富、重訪周期短，數(shù)據(jù)容易獲得，但是分辨率低，但是將兩者結(jié)合起來(lái)應(yīng)用具有取長(zhǎng)補(bǔ)短的效果，該文利用蘋果生長(zhǎng)期中GF-2號(hào)影像和多期哨兵影像為數(shù)據(jù)源，綜合運(yùn)用高分紋理及光譜特征與時(shí)序變化的中分光譜特征組合特征，利用決策樹分類技術(shù)進(jìn)行蘋果園地信息提取。通過(guò)對(duì)比不同特征組合的分類精度，發(fā)現(xiàn)GF-2號(hào)影像與4月花期哨兵影像組合特征精度最高，其蘋果園地分類精度、總體精度比單一高分紋理光譜組合特征分別提高至少8.14%、8.29%，比高分紋理光譜與多時(shí)相中分光譜組合特征分別提高至少1.14%、0.95%，通過(guò)對(duì)比RF、CART和C4.5分類方法，當(dāng)采用相同分類特征時(shí)，RF分類方法提取蘋果園地效果最好，蘋果園提取精度均在90%以上，結(jié)果表明，中高分特征組合能充分利用高分影像紋理特征差異和不同時(shí)相中分遙感影像上的光譜特征差異，有效提升蘋果園提取精度，蘋果花期是蘋果園遙感識(shí)別最佳時(shí)相的選擇，隨機(jī)森林分類方法提取蘋果園效果和穩(wěn)定性最好。

所以得出以下結(jié)論，利用非最優(yōu)時(shí)相的高分影像結(jié)合花期中分影像能夠得到最優(yōu)的精度，如果沒(méi)有花期中分影像，其他時(shí)相中分影像與非最優(yōu)時(shí)相高分影像組合也能夠得到比較優(yōu)的精度。利用中高分影像提取蘋果園地一定程度上排除了與蘋果園紋理相似、物候期不同的地物干擾。但是與蘋果園地相似物候期、紋理特征的其他地物還是無(wú)法區(qū)分，近年來(lái)，深度學(xué)習(xí)方法在基于高分辨率遙感影像的農(nóng)作物種植信息提取領(lǐng)域應(yīng)用廣泛，精度相較于傳統(tǒng)的分類方法會(huì)有較明顯的提升，在今后的研究中，如何引入深度學(xué)習(xí)方法于蘋果園地提取應(yīng)用中，從而進(jìn)一步快速準(zhǔn)確地提取蘋果園地信息有待進(jìn)一步研究。