摘要：茶葉是重要的經(jīng)濟樹種之一，分析茶葉種植面積的時空演變規(guī)律可為優(yōu)化河南茶葉布局提供科學(xué)依據(jù)?；?000—2020年Landsat和Sentinel-2衛(wèi)星數(shù)據(jù)，結(jié)合實地調(diào)查數(shù)據(jù)，采用隨機森林分類方法獲得河南省信陽市浉河區(qū)茶葉種植面積空間分布信息，采用趨勢分析、重心遷移等方法對浉河區(qū)茶葉生產(chǎn)空間布局與時空變化趨勢進行分析。結(jié)果表明：光譜+植被指數(shù)+紋理特征組合對茶葉分類精度最高，總體精度可達89.02%，Kappa系數(shù)為0.90；從時序變化來看，2000—2020年浉河區(qū)茶葉種植面積總體上呈現(xiàn)快速增長到穩(wěn)步上升趨勢。從空間變化來看，浉河區(qū)茶葉種植空間分布相對集中，主要分布于北部鄉(xiāng)鎮(zhèn)的丘陵地區(qū)和淺層山區(qū)。從重心變化來看，近20年浉河區(qū)茶葉種植面積重心呈現(xiàn)出由東向西轉(zhuǎn)移的趨勢，重心遷移總距離為5.47 km，遷移速度為0.273 5 km·a-1。研究結(jié)果為茶葉科學(xué)種植提供了數(shù)據(jù)支撐。

關(guān)鍵詞：茶葉；面積；多源；遙感；時空變化doi：10.13304/j.nykjdb.2023.0243

中圖分類號：S126；TS272 文獻標(biāo)志碼：A 文章編號：10080864（2024）12010708

茶起源于中國，是非常受歡迎的飲料原料。茶產(chǎn)業(yè)是河南省信陽市的優(yōu)勢產(chǎn)業(yè)和特色產(chǎn)業(yè)，也是農(nóng)村經(jīng)濟的特色支柱產(chǎn)業(yè)和農(nóng)民致富的主導(dǎo)產(chǎn)業(yè)，對農(nóng)業(yè)經(jīng)濟和農(nóng)村發(fā)展具有重要作用。精準(zhǔn)掌握茶葉種植面積及其擴張趨勢，對農(nóng)業(yè)部門規(guī)劃茶葉產(chǎn)業(yè)發(fā)展布局具有重要的指導(dǎo)意義[1]。

傳統(tǒng)的茶葉種植面積是通過人工野外調(diào)查后估算得到的，需要大量的人力、物力，且時效性差、精度低。遙感技術(shù)在獲取信息方面具有快速、準(zhǔn)確的優(yōu)勢，利用遙感技術(shù)實現(xiàn)茶葉種植區(qū)的自動提取是可行的[2]。徐偉燕等[3]使用ZY-3影像數(shù)據(jù)，結(jié)合光譜特征、植被指數(shù)特征和紋理特征，使用決策樹分類器提取了茶葉種植區(qū)；馬超等[4]提取中尺度光譜和時序物候特征，并結(jié)合決策樹模型提取茶葉種植區(qū)；楊艷魁等[5]采用支持向量機方法對茶葉進行分類和識別。張世超等[6]利用空間分辨率為0.5 m 的航空影像，在分析茶區(qū)與其他植被區(qū)在變差函數(shù)紋理特征差異的基礎(chǔ)上，構(gòu)建了決策樹分類模型提取茶種植區(qū)，精度可達83.69%。Dihkan等[7]使用支持向量機算法對茶葉多維紋理和光譜特征組合進行分類，獲得高精度的茶葉信息，總體精度達97.40%。孟浩然等[8]利用春、夏、秋3季的高分?jǐn)?shù)據(jù)進行油茶遙感提取，精度可達94.06%。上述茶葉種植區(qū)提取通過提前設(shè)計特征，然后使用機器學(xué)習(xí)分類器進行分類識別，取得了較好的精度結(jié)果。相比傳統(tǒng)手段，遙感監(jiān)測獲取的茶葉種植面積更具客觀性和空間可視性[9-11]。21 世紀(jì)以來，在社會經(jīng)濟發(fā)展和政策刺激下，河南省信陽市浉河區(qū)茶葉產(chǎn)業(yè)進入快速發(fā)展階段[12]。據(jù)《2021 年浉河區(qū)國民經(jīng)濟和社會發(fā)展統(tǒng)計公報》，浉河區(qū)茶葉種植面積4.144 萬hm2，約占全省茶葉種植面積的1/4，是河南省茶葉種植的主要產(chǎn)區(qū)。因此，本研究利用Landsat、Sentinel-2等中、高分辨率遙感影像數(shù)據(jù)精準(zhǔn)提取茶葉種植面積，剔除了茶園中的道路、附屬設(shè)施等干擾信息，得到了浉河區(qū)近20年來茶葉種植面積，打破以行政區(qū)劃為單元的限制，采用重心遷移模型，從時間和空間上對茶葉種植區(qū)的變化特征進行多維度分析，為調(diào)整優(yōu)化茶葉種植結(jié)構(gòu)，推動信陽茶葉產(chǎn)業(yè)發(fā)展提供決策支持。

1 材料與方法

1.1 研究區(qū)概況

信陽市浉河區(qū)位于河南省南部（113°42′36″—114°08′34″E，31°24′06″—32°33′00″N），地處淮河上游、大別山北麓。地形由西南向東北緩傾，西部和南部分別是桐柏山和大別山，東部和北部是淮河沖積平原，最高海拔906 m，最低海拔54 m。氣候?qū)賮啛釒蚺瘻貛н^渡的大陸性季風(fēng)氣候，年平均氣溫15.1 ℃，年平均降水量1 109.11 mm，年平均相對濕度76%，年平均無霜期221 d，自然條件和氣候有利于茶葉的生長。

1.2 數(shù)據(jù)來源及處理

1.2.1 最佳監(jiān)測時間 每年10月上旬至次年2月中旬為茶葉越冬休眠期，茶樹為常年青植物，落葉樹處于落葉期，落葉后更易區(qū)分茶葉。因此，12月上旬至次年2月下旬是茶葉種植面積的最佳監(jiān)測時間。

1.2.2 遙感數(shù)據(jù)及處理 本研究采用的遙感數(shù)據(jù)為Sentinel-2、Landsat系列衛(wèi)星等長時間序列的遙感影像。其中，Landsat 系列衛(wèi)星包括Landsat5、Landsat7、Landsat8，數(shù)據(jù)來源于中國科學(xué)院空天信息創(chuàng)新研究院對地觀測共享計劃系統(tǒng)（http：//ids.ceode.ac.cn/index.aspx），30 m 空間分辨率，重訪周期16 d。Sentinel-2 衛(wèi)星數(shù)據(jù)來源于歐空局哥白尼數(shù)據(jù)中心（https：//scihub.copernicus.eu/），是歐洲航天局“全球環(huán)境與安全監(jiān)測”計劃的第二顆衛(wèi)星，于2015年6月23日發(fā)射，搭載多光譜成像儀（MSI），由2顆衛(wèi)星組成，能夠獲取13個波段信息，幅寬達290 km，10 m 空間分辨率，重訪周期10 d。

由于茶樹生長緩慢，從種植到獲得采茶收益需要3年至4年時間，結(jié)合浉河區(qū)茶葉種植的發(fā)展概況，選取2000、2005、2010、2015和2020年的衛(wèi)星影像，遙感數(shù)據(jù)如表1所示。數(shù)據(jù)預(yù)處理利用ENVI5.3軟件，參照文獻[13]的數(shù)據(jù)處理流程對獲取的遙感數(shù)據(jù)進行云量篩選、輻射定標(biāo)、大氣校正、幾何校正，并對Landsat影像進行重采樣為10 m后再裁剪鑲嵌，實現(xiàn)與Sentinel-2數(shù)據(jù)的重合。通過上述預(yù)處理得到研究區(qū)各年份遙感影像。

1.2.3 樣本數(shù)據(jù) 為了提高遙感影像選取樣本的準(zhǔn)確性，于2019年3月上旬在研究區(qū)進行野外實地調(diào)查，結(jié)合遙感影像進行目視解譯，確定研究區(qū)內(nèi)地物分為茶葉、林地、其他作物、裸地、建筑、水體。對2019 年1 月23 日Sentinel-2 影像采用紅邊/近紅外/紅波段組合進行假彩色合成，依據(jù)不同地物類型影像的表現(xiàn)特征確定Landsat的假彩色合成波段組合，據(jù)此在2000年、2005年、2010年、2015 年和2020 年的遙感影像上選取樣本數(shù)據(jù)，將樣本數(shù)據(jù)隨機選取30%作為驗證樣本，70%作為訓(xùn)練樣本，提取茶葉種植區(qū)信息。

1.3 研究方法

1.3.1 隨機森林分類 隨機森林是一種基于Bagging框架的決策樹模型，由于其具有準(zhǔn)確性、簡單性和靈活性特點，在遙感影像分類中應(yīng)用較為廣泛。構(gòu)建隨機森林模型主要包括以下4個步驟：①在原始樣本中，以有放回抽樣的方式隨機抽取N 個樣本組成訓(xùn)練樣本集組建單個決策樹；②根據(jù)不同特征，在M 個特征中隨機選擇m 個特征（m

茶葉種植面積識別過程中使用光譜特征、植被指數(shù)和紋理特征進行模型訓(xùn)練，篩選精度最高的特征組合用于研究區(qū)茶葉種植區(qū)遙感識別。參照已有研究[8，13-17]選取各特征參數(shù)，其中，光譜特征選取藍、綠、紅、近紅外4個波段，植被指數(shù)選取歸一化植被指數(shù)（normalized difference vegetationindex，NDVI）、增強型植被指數(shù)（enhancedvegetation index，EVI）、比值植被指數(shù)（relative"vegetation index，RVI）、歸一化綠度差值指數(shù)（normalized difference green index，NDGI）4 個指數(shù)。紋理特征選取均值、方差、對比度、同質(zhì)性、非相似性、信息熵、角二階矩陣、相關(guān)性共8種紋理特征指標(biāo)，從不同角度描述空間紋理的變化信息。由于窗口大小是影響灰度共生矩陣復(fù)雜度和性能的主要因素，如果窗口選擇過小，無法充分反映整個圖像的紋理特征，窗口選擇過大則會增大計算量，影響實際應(yīng)用。最常用的確定最佳窗口大小方法是比較紋理特征變量與因變量之間的相關(guān)系數(shù)，或者比較不同窗口大小下的分類精度。本研究分別在3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17 共9 種不同窗口大小下提取Sentinel-2數(shù)據(jù)的紋理信息，利用隨機森林分類算法對這9種窗口大小的紋理特征進行分類，通過分析不同窗口大小下的分類精度，發(fā)現(xiàn)窗口大小為5×5 時分類精度最高，總體精度為83.59%，因此選取5×5作為其他年份的紋理計算窗口。隨機森林分類中的n Feature的值設(shè)置為4，樹的棵樹nTree設(shè)置為100，其他參數(shù)采用默認(rèn)值。

1.3.2 重心遷移模型 利用重心遷移模型計算茶葉種植區(qū)的重心經(jīng)緯度坐標(biāo)，并通過重心遷移的方向、速度和距離解釋研究區(qū)內(nèi)茶葉種植區(qū)重心的變化趨勢和空間分布[18]。重心遷移模型中的重心經(jīng)緯度計算公式如下。

1.3.3 分類精度評估 精度評估采用混淆矩陣比較茶葉種植面積識別結(jié)果和實際測量值之間的混淆程度。本研究選擇總體精度和Kappa系數(shù)對各個方案進行精度評估。

2 結(jié)果與分析

2.1 不同地物假彩色合成影像特征分析

采用紅邊/近紅外/紅波段組合對圖像進行假彩色合成，圖1為不同地物類型的影像特征：茶葉假彩色影像顏色呈亮綠色，紋理細(xì)膩，邊界明顯；常綠林地假彩色影像顏色呈深綠色，紋理粗糙；落葉林地假彩色影像顏色呈暗粉色，紋理粗糙；其他作物假彩色影像顏色呈深綠色，紋理細(xì)膩均勻，邊界明顯，易與常綠林地混淆；建筑用地假彩色影像顏色呈灰彩色，形狀不規(guī)整，整體外圍界線較清晰；水域假彩色影像顏色呈淡藍或深藍色，紋理細(xì)膩均勻，邊界圓滑。因此，確定Landsat的假彩色合成波段組合為短波紅外/近紅外/紅。

2.2 精度分析

采用混淆矩陣法評價不同特征組合的分類精度，結(jié)果如表2所示。單一特征組合中，光譜特征的精度最好，總體精度為82.66%，Kappa 系數(shù)為0.72，其次是植被指數(shù)特征，紋理特征最低，2種特征組合的分類效果基本相同。3種特征組合中，光譜+植被指數(shù)+紋理特征組合精度最高，總體精度達89.02%，Kappa系數(shù)為0.90。與分類效果最差的紋理特征相比，光譜+植被指數(shù)+紋理特征組合總體精度提高了8.61個百分點，Kappa系數(shù)值增加了0.21；與包含光譜、紋理和植被指數(shù)在內(nèi)的兩種交叉特征組合相比，光譜+植被指數(shù)+紋理特征組合總體精度可提高3%，Kappa 系數(shù)可增加0.08。結(jié)合分類結(jié)果表明，多種特征組合的分類效果優(yōu)于單一特征，光譜+植被指數(shù)+紋理特征的組合方式為茶葉種植區(qū)提取最佳分類方法。

2.3 茶葉面積空間變化分析

基于遙感數(shù)據(jù)識別的茶葉種植區(qū)面積結(jié)果，通過ArcGIS空間制圖功能，得到2000—2020年浉河區(qū)茶葉面積遙感監(jiān)測空間分布。由圖2可以看出，浉河區(qū)茶葉種植區(qū)集中在東南部和中北部地區(qū)，地形以丘陵和淺層山區(qū)為主。從2000—2005年，浉河區(qū)的茶葉種植區(qū)主要向西北和東南方向發(fā)展，并以原茶葉種植區(qū)為中心向周邊地區(qū)擴展。2005—2015年，浉河區(qū)東南部的茶葉種植區(qū)擴展速度快于西部，中部和東部茶葉種植區(qū)向水庫、河流等水源地擴張，西部和南部茶葉種植區(qū)沿公路擴張。2015—2020年，浉河區(qū)茶葉種植區(qū)空間擴張不明顯，主要是在原有茶葉種植區(qū)的基礎(chǔ)上小幅增加。

2.4 茶葉面積時間變化分析

基于隨機森林算法，采用光譜+植被指數(shù)+紋理特征組合的方式提取浉河區(qū)2000年、2005年、2010 年、2015 年和2020 年5 個年份的茶葉種植區(qū)，總體精度可達85%以上，可較好反映浉河區(qū)茶葉種植區(qū)的變化情況。對每個年份的茶葉種植區(qū)遙感監(jiān)測得到的面積進行統(tǒng)計（圖3），可以看出，2000—2020年浉河區(qū)茶葉面積由8 800 hm2迅速增長到3.71萬hm2，增加了2.83萬hm2，增長率達321.18%。其中，2000—2005年茶葉面積增加1.13 萬hm2，增長率為130%；2005—2010 年面積增加3 000 hm2，增長率為20%；2010—2015年面積增加6 666.67 hm2，增長率為29%；2015—2020年面積增加5 733.33 hm2，增長率為18%。從總體變化趨勢來看，浉河區(qū)茶葉面積增長呈現(xiàn)先快后慢，再趨于平穩(wěn)的發(fā)展態(tài)勢。

2.5 茶葉種植區(qū)的重心遷移

2000—2020 年浉河區(qū)茶葉種植區(qū)重心遷移方向總體呈現(xiàn)出由東向西的趨勢（圖4），重心遷移總距離為5.47 km，遷移速度為0.273 5 km·a-1，其中2000—2005 年遷移距離最大，為2.87 km，2010—2015年遷移距離最小，為0.63 km。

3 討論

對茶葉種植區(qū)空間分布的精準(zhǔn)提取可以探索茶葉種植區(qū)的空間規(guī)律，對遠(yuǎn)期茶葉種植區(qū)的建立和茶葉的種植具有一定的參考價值。茶樹作為一種常綠灌木，其光譜特征很容易與其他木本植物混淆[19]。然而，茶樹獨特的栽培方式使其具有獨特的紋理特征，可以將茶葉與其他植被區(qū)分開來。本研究采用多種特征分類精度優(yōu)于單一特征分類精度，光譜+植被指數(shù)+紋理特征組合是茶葉種植區(qū)分類的最佳方式，提高了茶葉種植區(qū)面積識別精度，總體精度達89.02%，Kappa系數(shù)為0.90。此外，在分析茶葉種植面積時空格局演變規(guī)律中，數(shù)據(jù)基礎(chǔ)采用更為客觀的遙感識別結(jié)果數(shù)據(jù)，通過趨勢分析和重心遷移模型分析了2000—2020年浉河區(qū)茶葉種植區(qū)時空格局演變特征，分析結(jié)果也更具客觀性和真實性。本研究結(jié)果表明：從時間變化來看，2000—2020年浉河區(qū)茶葉種植規(guī)模總體呈現(xiàn)快速增長到穩(wěn)步上升的趨勢；從空間變化來看，浉河區(qū)茶葉種植區(qū)相對集中，主要分布在東南部和中北部地區(qū)，地形以丘陵和淺層山區(qū)為主。2000—2020年，浉河區(qū)茶葉種植區(qū)重心遷移方向呈現(xiàn)出由東向西的趨勢，重心遷移總距離5.47 km，遷移速度0.273 5 km·a-1。通過前人研究結(jié)果[12]結(jié)合現(xiàn)場調(diào)研可知，浉河區(qū)茶葉發(fā)展歷程分為2個階段，2000—2009年為茶葉規(guī)?？焖侔l(fā)展階段，受政府和市場的引導(dǎo)，農(nóng)民將水稻田改種茶葉；2010—2020年為茶葉規(guī)模發(fā)展緩慢階段，不同鄉(xiāng)鎮(zhèn)茶葉面積有增有減，減少部分主要是經(jīng)濟原因，造成部分茶園荒廢或改種果樹、油茶等其他經(jīng)濟效益更好的樹種，新增部分多為企業(yè)行為，上述變化趨勢與本研究得出的結(jié)果基本一致。

利用遙感數(shù)據(jù)得到的茶葉種植面積結(jié)果相比于傳統(tǒng)統(tǒng)計方法更具科學(xué)性和客觀性，為茶葉科學(xué)種植提供了科學(xué)數(shù)據(jù)支撐。然而，由于茶葉種植區(qū)主要位于丘陵和山地地區(qū)，土地表面起伏地形的坡度和曲率會對面積結(jié)果產(chǎn)生一定的誤差，后續(xù)研究可以結(jié)合高程數(shù)據(jù)實現(xiàn)茶葉種植區(qū)表面積的精準(zhǔn)量算。

參考文獻

［1］ 吳芹瑤，楊江帆，林程，等.中國茶葉生產(chǎn)布局變遷研究[J].茶葉科學(xué)，2022，42（2）：290-300.

WU Q Y， YANG J F， LIN C， et al.. Research on the changes of China’s tea production layout [J]. J. Tea Sci.， 2022，42（2）：290-300.

［2］ 黃邵東，徐偉恒，吳超，等.遙感在茶園監(jiān)測中的應(yīng)用研究進展[J].西部林業(yè)科學(xué)，2020，49（2）：1-9，23.

HUANG S D， XU W H， WU C， et al .. Research progress of remote sensing on tea plantation monitoring [J]. J. West China Forestry Sci.， 2020，49（2）：1-9，23.

［3］ 徐偉燕，孫睿，金志鳳.基于資源三號衛(wèi)星影像的茶樹種植區(qū)提取[J].農(nóng)業(yè)工程學(xué)報，2015， 32（S1）：161-168.

XU W Y， SUN R， JIN Z F. Extracting tea plantations based on ZY-3 satellite data [J]. Trans. Chin. Soc. Agric. Eng.， 2015， 32（S1）：161-168.

［4］ 馬超，楊飛，王學(xué)成.基于中尺度光譜和時序物候特征提取南方丘陵山區(qū)茶園[J].國土資源遙感，2019， 31（1）：141-148.

MA C， YANG F， WANG X C. Extracting tea plantations in southern hilly and mountainous region based on mesoscale spectrum and temporal phenological features [J]. Remote Sens.Nat. Resour.， 2019 ，31（1）：141-148.

［5］ 楊艷魁，陳蕓芝，吳波，等.基于高分二號影像結(jié)合紋理信息的茶園提取[J].江蘇農(nóng)業(yè)科學(xué)， 2019， 47（2）：210-214.

YANG Y K， CHEN Y Z， WU B， et al .. Tea extraction based on GF-2 image combined with texture information [J]. Jiangsu Agric. Sci.， 2019， 47（2）：210-214.

［6］ 張世超，王常穎，李勁華，等.一種面向?qū)ο蠼Y(jié)合變差函數(shù)的高分辨率遙感影像茶種植區(qū)自動提取方法[J]. 遙感信息，2020，36（1）：126-136.

ZHANG S C， WANG C Y， LI J H， et al .. An object-oriented and variogram based method for automatic extraction of tea planting area from high resolution remote sensing imagery [J].Remote Sens. Inform.， 2020，36（1）：126-136.

［7］ DIHKAN M， GUNEROGLU N， KARSLI F， et al .. Remote sensing of tea plantations using an SVM classifier and patternbased accuracy assessment technique [J]. Int. J. Remote Sens.，2013， 34（23）：8549-8565.

［8］ 孟浩然，李存軍，鄭翔宇，等.綜合光譜紋理和時序信息的油茶遙感提取研究[J].光譜學(xué)與光譜分析，2023，43（5）：1589-1597.

MENG H R， LI C J， ZHENG X Y， et al.. Research on extraction of camellia oleifera by integrating spectral， texture and time sequence remote sensing information [J]. Spectroscopy Spectral Anal.，2023，43（5）：1589-1597.

［9］ 刁亞芹，韓瑩，李兆富.2000年以來天目湖流域茶園分布變化及趨勢模擬[J].湖泊科學(xué)，2013，25（6）：799-808.

DIAO Y Q， HAN Y， LI Z F. Spatio-temporal change of tea plantation since 2000 and model-based prediction in the Tianmuhu reservoir watershed [J]. J. Lake Sci.， 2013， 25（6）：799-808.

［10］ 鄭鵬，林海榮，占昕，等.基于CA-Markov模型的安溪縣茶葉種植區(qū)動態(tài)變化[J].生態(tài)學(xué)雜志， 2018，37（9）：2776-2785.

ZHENG P， LIN H R， ZHAN X， et al .. Dynamics of tea planting areas in Anxi county based on CA-Markov model [J]. Chin. J.Ecol.， 2018，37（9）：2776-2785.

［11］ 陳慧，江洪，蔣世豪. 面向?qū)ο笞顑?yōu)分割尺度下的茶園提取[J].測繪與空間地理信息，2020，43（12）：17-20.

CHEN H， JIANG H， JIANG S H. Tea plantation extraction under object-oriented optimal segmentation scale [J]. Geomatics Spatial Inform. Technol.， 2020，43（12）：17-20.

［12］ 張清改.新中國成立70年來信陽茶發(fā)展的基本歷程與主要經(jīng)驗[J].農(nóng)業(yè)考古， 2020（2）：247-253.

ZHANG Q G， The basic course and main experience of Xinyang tea development in the 70 years since the founding of new China [J]. Agric. Archaeol.， 2020（2）：247-253.

［13］ 楊晨曦.基于隨機森林算法的信陽茶葉種植區(qū)提取及其時空變化分析[D].信陽：信陽師范學(xué)院，2022.

YANG C X. Extraction of Xinyang tea planting area based on random forest algorithm and its temporal and spatial variation analysis [D]. Xinyang： Xinyang Normal University， 2022.

［14］ 李雪柔，陳飛燕，林愛文，等.基于隨機森林回歸的茶園擴張驅(qū)動機制分析[J].生態(tài)與農(nóng)村環(huán)境學(xué)報，2020， 36（1） ：44-52.

LI X R， CHEN F Y， LIN A W， et al .. Driving mechanism of tea plantation expansion using a random forest regression model [J]. J.Ecol. Rural Environ.， 2020， 36（1）：44-52.

［15］ 高金萍，于慧娜，王月婷，等.環(huán)境減災(zāi)二號A/B衛(wèi)星在森林樹種識別中的應(yīng)用[J].航天器工程，2022，31（3）：187-194.

GAO J P， YU H N， WANG Y T， et al .. Application of HJ-2A/B satellites in field of forest tree species identification [J].Spacecraft Eng.， 2022，31（3）：187-194.

［16］ 董靈波，梁凱富，張一帆，等.基于Landsat 8時間序列數(shù)據(jù)的翠崗林場森林類型劃分[J].應(yīng)用生態(tài)學(xué)報，2022，33（9）：2339-2346.

DONG L B， LIANG K F， ZHANG Y F， et al .. Classification of forest types in Cuigang forest farm based on time series data of Landsat 8 [J]. Chin. J. Appl. Ecol.， 2022， 33（9）：2339-2346.

［17］ 林娜，王偉，王斌.基于隨機森林和Landsat8 OLI影像的臍橙果園種植信息提取[J].地理空間信息，2020，19（11）：96-100.

LIN N， WANG W， WANG B. Navel orange orchard plantation information extraction based on random forest and Landsat 8 OLI images [J]. Geospatial Inform.， 2020，19（11）：96-100.

［18］ 王介勇， 劉彥隨. 1990年至2005年中國糧食產(chǎn)量重心演進格局及其驅(qū)動機制[J].資源科學(xué)，2009，31（7）：1188-1194.

WANG J Y， LIU Y S. The changes of grain output center of gravity and its driving forces in China since 1990 [J]. Resour.Sci.， 2009，31（7）：1188-1194.

［19］ ZHU J， PAN Z W， WANG H， et al .. An improved multitemporal and multi-feature tea plantation identification method using Sentinel-2 imagery [J/OL]. Sensors， 2019， 19（9）： 2087[2024-03-04]. https：//doi.org/10.3390/s19092087.