李亞妮，曹建君，楊樹(shù)文，李 霞，劉尚欽

(1.蘭州交通大學(xué)測(cè)繪與地理信息學(xué)院，甘肅蘭州730070；2.地理國(guó)情監(jiān)測(cè)技術(shù)應(yīng)用國(guó)家地方聯(lián)合工程研究中心，甘肅蘭州730070；3.甘肅省地理國(guó)情監(jiān)測(cè)工程實(shí)驗(yàn)室，甘肅蘭州730070；4.甘肅省自然資源技能鑒定指導(dǎo)中心，甘肅蘭州730070；5.甘肅省基礎(chǔ)地理信息中心，甘肅蘭州730070)

隨著城鎮(zhèn)化的快速發(fā)展和中國(guó)人口數(shù)量的不斷增加，糧食安全已經(jīng)成為人們最關(guān)注的問(wèn)題。目前，中國(guó)的糧食安全存在區(qū)域結(jié)構(gòu)矛盾突出、生產(chǎn)收益低、質(zhì)量安全隱患多等問(wèn)題[1]。及時(shí)準(zhǔn)確獲取作物的種植面積信息是掌握區(qū)域作物生產(chǎn)狀況、調(diào)整作物種植結(jié)構(gòu)以及優(yōu)化農(nóng)業(yè)資源配置的基礎(chǔ)，對(duì)宏觀(guān)經(jīng)濟(jì)、糧食安全、農(nóng)業(yè)決策、環(huán)境保護(hù)等方面具有重要意義[2]。

獲取作物種植面積信息主要有2種方式：一是通過(guò)問(wèn)卷調(diào)查，并按行政單元逐層上報(bào)，該方式不僅耗時(shí)耗力、存在人為干擾，而且無(wú)法獲取精確的空間分布信息[3]，不宜廣泛推廣使用。二是利用遙感影像監(jiān)測(cè)農(nóng)作物種植面積，該方式具有空間宏觀(guān)性高、數(shù)據(jù)易獲取、光譜信息豐富、時(shí)間密度較高和成本相對(duì)較低等特點(diǎn)，已被廣泛應(yīng)用[4]。

由于中分辨率成像光譜儀(Moderate-resolution imaging spectroradiometer，MODIS)具有重訪(fǎng)周期短的特點(diǎn)，可對(duì)作物生長(zhǎng)過(guò)程進(jìn)行高頻次動(dòng)態(tài)變化監(jiān)測(cè)。目前研究中利用MODIS數(shù)據(jù)通過(guò)多時(shí)相或者時(shí)間序列分析方法提取時(shí)序特征可實(shí)現(xiàn)大尺度作物分類(lèi)。如賈博中等[5]基于MODIS數(shù)據(jù)構(gòu)建了2019年4-9月的時(shí)間序列數(shù)據(jù)，對(duì)內(nèi)蒙古沿黃平原6種主要農(nóng)作物(小麥、葵花、玉米、苜蓿、西葫蘆和番茄)的空間分布信息進(jìn)行識(shí)別，最后作物總體分類(lèi)精度達(dá)到78.29%，Kappa系數(shù)為0.747。王凱等[6]基于MODIS數(shù)據(jù)對(duì)2008-2013年湖北省油菜種植分布信息進(jìn)行提取。楊歡等[7]利用MODIS數(shù)據(jù)構(gòu)建了2009-2010年時(shí)序曲線(xiàn)對(duì)江漢平原冬小麥和油菜的種植信息進(jìn)行識(shí)別，最終冬小麥和油菜作物總體分類(lèi)精度分別為87.1%和93.7%。但由于MODIS數(shù)據(jù)空間分辨率較低且存在混合像元，難以滿(mǎn)足復(fù)雜地形的動(dòng)態(tài)監(jiān)測(cè)要求。隨著高空間分辨率衛(wèi)星的迅速發(fā)展，中國(guó)高分系列衛(wèi)星數(shù)據(jù)可反映地物精細(xì)的空間結(jié)構(gòu)。近年來(lái)，一些學(xué)者利用高分系列衛(wèi)星數(shù)據(jù)通過(guò)面向?qū)ο蟮确椒蓪?shí)現(xiàn)小區(qū)域作物精細(xì)制圖。如王梓銘[8]利用GF-2數(shù)據(jù)構(gòu)建了基于面向?qū)ο蟮霓r(nóng)作物分類(lèi)模型，對(duì)長(zhǎng)春市雙陽(yáng)區(qū)玉米和水稻進(jìn)行分類(lèi)識(shí)別。單治彬等[9]使用GF-1數(shù)據(jù)構(gòu)建了面向?qū)ο蟮闹С窒蛄繖C(jī)SVM分類(lèi)方法對(duì)寧夏回族自治區(qū)特色農(nóng)作物硒砂瓜、枸杞、大棗空間分布進(jìn)行識(shí)別，最終總體分類(lèi)精度達(dá)到94.94%，Kappa系數(shù)為0.917 4。張飛飛等[10]利用GF-2數(shù)據(jù)使用規(guī)則集的面向?qū)ο蟮姆椒▽?duì)安徽省六安市蘇埠鎮(zhèn)大麻地塊進(jìn)行提取，平均分類(lèi)精度可達(dá)91.09%。但是由于中國(guó)高分系列衛(wèi)星數(shù)據(jù)光譜波段有限，易導(dǎo)致光譜信息相似的易混淆作物錯(cuò)分[11]。而Sentinel-2數(shù)據(jù)由歐洲航天局(European Space Agency，ESA)提供，具有重訪(fǎng)周期短、空間分辨率高、波段數(shù)量多、完全開(kāi)源等優(yōu)勢(shì)，可以大幅度推進(jìn)復(fù)雜地形易混淆作物的常規(guī)全球監(jiān)測(cè)進(jìn)程。如何昭欣等[12]利用Sentinel-2數(shù)據(jù)對(duì)江蘇省冬小麥和冬油菜的空間分布信息進(jìn)行提取，在小麥拔節(jié)期，油菜正處于開(kāi)花期，此時(shí)兩者的光譜信息相差很大，是區(qū)分小麥和油菜的最佳時(shí)間階段。陶莉等[13]以長(zhǎng)江中下游丘陵地帶為研究區(qū)，利用Sentinel-2數(shù)據(jù)識(shí)別復(fù)雜農(nóng)作物的種植結(jié)構(gòu)。

近年來(lái)學(xué)者對(duì)農(nóng)作物分類(lèi)的研究區(qū)域主要集中于小區(qū)域或者地勢(shì)平坦的平原，多是鑒于小區(qū)域節(jié)省財(cái)力物力、平原地塊形態(tài)規(guī)整、作物種植類(lèi)型單一，是作物分類(lèi)的理想場(chǎng)所。而與小區(qū)域、平原地區(qū)不同，大尺度復(fù)雜地形區(qū)域的作物分類(lèi)研究較少，因?yàn)榇蟪叨鹊匦螐?fù)雜區(qū)域的研究存在許多困難。以中國(guó)甘肅省為例，主要的挑戰(zhàn)在于：甘肅省地域遼闊，地形復(fù)雜，多為山地和高原；地塊零散分布，大多細(xì)小破碎。小麥和油菜是甘肅省的主要夏收作物，由于其光譜信息相似，分類(lèi)時(shí)易混淆，且一年多熟，存在間作套種現(xiàn)象，導(dǎo)致小麥和油菜種植面積和空間分布信息獲取艱難。因此，開(kāi)展大區(qū)域復(fù)雜地形夏收作物分類(lèi)提取研究對(duì)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。很多研究結(jié)果表明，由于作物分布復(fù)雜、數(shù)據(jù)量大，簡(jiǎn)單應(yīng)用長(zhǎng)時(shí)間序列光譜特征很難提取大面積作物類(lèi)型[14]，因此在特定時(shí)間將目標(biāo)作物的光譜指標(biāo)和獨(dú)特物候信號(hào)結(jié)合起來(lái)，是大尺度、高分辨率作物制圖所必需的先決條件[15]。面向?qū)ο蠓椒赏瓿尚^(qū)域作物分類(lèi)優(yōu)化，但由于其對(duì)大尺度區(qū)域地形的識(shí)別計(jì)算量大，速度慢，并且對(duì)地塊細(xì)節(jié)識(shí)別不好，導(dǎo)致該方法不適合大尺度復(fù)雜區(qū)域作物分類(lèi)。而決策樹(shù)方法規(guī)則簡(jiǎn)單易懂，計(jì)算速度快，能夠處理不同尺度的數(shù)據(jù)[16]。

本研究以大尺度、地貌復(fù)雜的甘肅省為研究區(qū)，利用時(shí)序Sentinel-2數(shù)據(jù)分別計(jì)算NDVI和黃度值，采用決策樹(shù)方法對(duì)研究區(qū)的易混淆主要夏收作物小麥和油菜的面積進(jìn)行提取，并繪制2021年甘肅省小麥和油菜的空間分布圖，結(jié)合樣本點(diǎn)的驗(yàn)證結(jié)果來(lái)對(duì)比分析甘肅省不同區(qū)域作物提取精度，以探討Sentinel-2數(shù)據(jù)采用決策樹(shù)方法應(yīng)用于大尺度復(fù)雜區(qū)域作物分類(lèi)研究的可行性，為大尺度復(fù)雜區(qū)域作物空間分布信息提取提供技術(shù)支撐和理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

甘肅省位于中國(guó)西北部(32°11′N(xiāo)～42°57′N(xiāo)，92°13′E～108°46′E)，地處青藏高原、內(nèi)蒙古高原與黃土高原的交界處，總面積4.559×105km2。境內(nèi)地形呈狹長(zhǎng)狀，地貌復(fù)雜多樣，山地、高原、平原、戈壁和沙漠等縱橫交錯(cuò)，山地、高原占總面積的70.00%以上，西北部沙漠和戈壁約占總面積的14.99%，海拔自西南向東北遞減(圖 1)。由于其獨(dú)特的地理位置和地形，大部分地區(qū)氣候相對(duì)干燥，早晚溫差大，日照充足。而降水受季風(fēng)影響顯著，主要集中在6-8月，降雨量大致自東南-西北遞減。

該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號(hào)為GS(2019)3333號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無(wú)修改。

甘肅省主要作物有小麥、玉米、油菜、馬鈴薯和棉花等[17]。其中，主要夏收作物小麥和油菜的物候期相似且存在混雜種植現(xiàn)象(表1)，在遙感識(shí)別中容易造成混淆。此外，冬小麥主要種植區(qū)域?yàn)槠經(jīng)觥c陽(yáng)、天水、隴南等地，春小麥主要種植區(qū)域?yàn)楹游鞯貐^(qū)、中部沿黃灌溉區(qū)、甘南等地[18]；冬油菜主要種植在隴東南等地，春油菜主要種植在祁連山、甘南高原、河西走廊等地[19]。

表1 甘肅省小麥和油菜物候期

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 Sentinel-2影像及預(yù)處理 以ESA數(shù)據(jù)共享網(wǎng)站(https://scihub.copernicus.eu/)提供的Sentinel-2影像作為主要數(shù)據(jù)源。Sentinel-2衛(wèi)星攜帶著一臺(tái)多光譜成像儀(Multiple spectral instrument，MSI)，由2A和2B 2顆衛(wèi)星組成，其空間分辨率高達(dá)10 m，雙星互補(bǔ)，重訪(fǎng)周期達(dá)到5 d。Sentinel-2數(shù)據(jù)有13個(gè)光譜波段，涵蓋可見(jiàn)光、近紅外和短波紅外波譜范圍，可以有效地監(jiān)測(cè)植被信息。為確保研究區(qū)影像質(zhì)量，所選影像云量均小于10%。為了充分覆蓋整個(gè)研究區(qū)域和小麥、油菜的關(guān)鍵物候期，獲取成像時(shí)間為2021年5月6日至2021年7月28日，共209景影像。由于甘肅省幅員遼闊，地域跨度大，不同區(qū)域的農(nóng)作物物候期差異較大，為減少物候差異對(duì)數(shù)據(jù)及提取精度的影響，在實(shí)際提取中采用分市(州)方式進(jìn)行影像處理與作物提取。所選影像利用Sen2cor插件進(jìn)行大氣校正，使用SNAP軟件重采樣為10 m分辨率，并保存為ENVI格式，完成影像波段合成、鑲嵌和裁剪步驟后，最終得到研究區(qū)范圍的待分類(lèi)影像。

1.2.2 輔助數(shù)據(jù) 使用的輔助數(shù)據(jù)包括甘肅省行政邊界矢量數(shù)據(jù)、甘肅省耕地矢量數(shù)據(jù)和數(shù)字高程模型DEM數(shù)據(jù)。行政邊界矢量數(shù)據(jù)和耕地矢量數(shù)據(jù)均由甘肅省自然資源廳提供。耕地矢量數(shù)據(jù)主要用于剔除分類(lèi)結(jié)果中的非耕地區(qū)域，以確保作物提取結(jié)果準(zhǔn)確。DEM數(shù)據(jù)在地理空間數(shù)據(jù)云(https://www.gscloud.cn/)獲取，空間分辨率為90 m，主要用于作物分布地形分析。

1.2.3 樣本數(shù)據(jù) 樣本數(shù)據(jù)由野外實(shí)地調(diào)查點(diǎn)和Google Earth高分辨率影像采集點(diǎn)的數(shù)據(jù)組成。2021年5月24日至2021年6月12日在甘肅省各市(州)分別選擇一個(gè)縣進(jìn)行野外實(shí)地調(diào)查，利用手持GPS采集樣本點(diǎn)坐標(biāo)。由于研究區(qū)面積過(guò)大，均勻采集實(shí)地測(cè)量點(diǎn)數(shù)據(jù)難以實(shí)現(xiàn)，因此在2021年5月至7月的高清Google Earth影像上遵循空間分布均勻原則選擇樣本點(diǎn)作為補(bǔ)充。共獲取5 670個(gè)樣本點(diǎn)，其中小麥2 860個(gè)，油菜1 348個(gè)，其他地物1 462個(gè)。按照7∶3的比例將樣本劃分為訓(xùn)練樣本(3 969個(gè))和驗(yàn)證樣本(1 701個(gè))。

1.3 研究方法

基于像素分類(lèi)思想，提取甘肅省小麥和油菜的光譜特征，選取決策樹(shù)模型進(jìn)行分類(lèi)，以探討Sentinel-2數(shù)據(jù)的光譜特征應(yīng)用于復(fù)雜地形作物分類(lèi)研究的可行性。具體方法流程：(1)對(duì)整個(gè)甘肅省采用分市(州)的方式獲取作物的最佳時(shí)相遙感影像并進(jìn)行預(yù)處理。(2)提取小麥和油菜的光譜特征(NDVI指數(shù)和黃度值)。(3)利用光譜特征使用決策樹(shù)方法提取小麥和油菜分布信息，得到2021年甘肅省小麥和油菜分布圖，并對(duì)其空間分布進(jìn)行分析。(4)利用樣本點(diǎn)驗(yàn)證甘肅省各市(州)提取精度，分析影響各市(州)提取精度的因素。技術(shù)流程圖如圖2所示。

圖2 甘肅省小麥和油菜遙感提取流程圖

1.3.1 計(jì)算光譜特征 選取2021年5月至2021年7月的Sentinel-2影像，通過(guò)組合波段4(紅)、組合波段3(綠)、組合波段2(藍(lán))從真彩色影像中提取小麥和油菜信息。小麥處于抽穗期，影像上呈綠色；油菜處于開(kāi)花期，影像上呈黃色；小麥和油菜均收割，影像上呈裸地狀態(tài)。因此，利用開(kāi)花期油菜影像的黃度值比小麥的大這一關(guān)鍵特征[20]對(duì)小麥和油菜進(jìn)行提取。黃度值Y的計(jì)算公式如公式(1)所示：

Y=DNG-DNB

(1)

式中，DNG為綠光波段的光譜值，DNB為藍(lán)光波段的光譜值。

NDVI可用于作物監(jiān)測(cè)，其數(shù)值的變化大小和作物生長(zhǎng)過(guò)程相對(duì)應(yīng)[ 21]。NDVI的計(jì)算公式如式(2)所示：

(2)

式中，ρNIR為近紅外波段的反射率值，ρR為紅光波段的反射率值。

1.3.2 分類(lèi)方法 決策樹(shù)分類(lèi)是一種圖像分類(lèi)方法，即對(duì)一組訓(xùn)練數(shù)據(jù)特征進(jìn)行歸納推理，建立樹(shù)形結(jié)構(gòu)，對(duì)圖像各類(lèi)信息進(jìn)行比較，得到新的分支當(dāng)作新的節(jié)點(diǎn)更新規(guī)則，繼續(xù)分類(lèi)直到最終得到滿(mǎn)意的分類(lèi)結(jié)果[22]。

針對(duì)每個(gè)市(州)，標(biāo)記訓(xùn)練樣本，計(jì)算特定物候期的光譜值，比較小麥和油菜的光譜特征差異。以5月NDVI值為第1波段，以7月NDVI為第2波段，以黃度值為第3波段，獲取波段特征圖，尋找小麥和油菜的最佳波段與閾值。5月的小麥和油菜處于生長(zhǎng)期，對(duì)應(yīng)地塊NDVI值較高；7月的小麥和油菜已收割，對(duì)應(yīng)地塊NDVI值大幅降低；5月油菜的黃度值比小麥的黃度值高(圖3)。不同的市(州)，小麥和油菜的物候期不同，構(gòu)建的決策樹(shù)也有所不同。不同的市(州)通過(guò)不斷調(diào)整光譜指標(biāo)的閾值達(dá)到最優(yōu)的分類(lèi)效果，從而獲得適合整個(gè)甘肅省夏收作物分類(lèi)的閾值范圍。

圖3 甘肅省夏收作物分類(lèi)的決策樹(shù)模型

1.3.3 精度驗(yàn)證方法 利用驗(yàn)證樣本數(shù)據(jù)，構(gòu)建混淆矩陣，通過(guò)計(jì)算生產(chǎn)者精度(PA)、用戶(hù)精度(UA)、總體精度(OA)和Kappa系數(shù)(Kappa)進(jìn)行精度驗(yàn)證[23]。

(3)

(4)

(5)

(6)

上述式(3～6)中，Xii表示第i行i列的值，Xi+表示第i行的總和，X+i表示第i列的總和，M、n分別表示驗(yàn)證樣本總數(shù)和分類(lèi)類(lèi)別總數(shù)。

2 結(jié)果與分析

2.1 不同分類(lèi)方法的分類(lèi)精度對(duì)比

由于甘肅省幅員遼闊、影像數(shù)據(jù)多，因此選擇小麥和油菜分布較多且地形屬于黃土高原溝壑的慶陽(yáng)市作為參考區(qū)，分別采用基于支持向量機(jī)的監(jiān)督分類(lèi)、基于尺度分割的閾值分類(lèi)和基于時(shí)序影像特征的決策樹(shù)分類(lèi)3種方法獲取小麥和油菜種植分布信息(圖4)。其中，基于支持向量機(jī)的監(jiān)督分類(lèi)使用徑向基函數(shù)(RBF)作為核函數(shù)，核函數(shù)參數(shù)為0.01，懲罰因子為100?；诔叨确指畹拈撝捣诸?lèi)中，分割尺度為80，合并尺度為10，紋理核大小為3，分類(lèi)規(guī)則為5月NDVI>0.42，7月NDVI<0.3，黃度值>620，將小麥和油菜的面積信息提取出來(lái)。從圖4中可以看出基于尺度分割的閾值分類(lèi)法圖(4b)和基于時(shí)序影像特征的決策樹(shù)分類(lèi)法圖(4c)的分類(lèi)結(jié)果較為接近，但基于支持向量機(jī)的監(jiān)督分類(lèi)法圖(4a)存在將其他作物錯(cuò)分為油菜的現(xiàn)象。對(duì)比不同方法分類(lèi)精度(表2)可知，基于時(shí)序影像特征的決策樹(shù)分類(lèi)法總體精度為82.6%,Kappa系數(shù)為0.81,運(yùn)行時(shí)間為3 min，與基于尺度分割的閾值分類(lèi)法相比精度差異微小，但節(jié)省運(yùn)行時(shí)間65 min，與基于支持向量機(jī)的監(jiān)督分類(lèi)法相比精度提高了9.1個(gè)百分點(diǎn)，節(jié)省運(yùn)行時(shí)間136 min。因此，選用基于時(shí)序影像特征的決策樹(shù)分類(lèi)法對(duì)整個(gè)甘肅省的小麥和油菜進(jìn)行分類(lèi)。

圖4 慶陽(yáng)市小麥和油菜不同方法提取結(jié)果對(duì)比

表2 慶陽(yáng)市不同分類(lèi)結(jié)果精度的對(duì)比

2.2 甘肅省小麥和油菜種植區(qū)域分布提取結(jié)果

甘肅省小麥和油菜種植區(qū)域主要位于東南部地區(qū)，河西地區(qū)種植面積較少，均零散分布，總體上呈現(xiàn)由北向南遞增的趨勢(shì)(圖5)。甘肅省各市(州)小麥和油菜提取面積如表3所示。2021年甘肅省遙感提取的小麥和油菜種植面積共2.461 65×105hm2，其中小麥種植總面積為2.084 99×105hm2，油菜種植總面積為3.766 6×104hm2，小麥的種植面積約為油菜種植面積的5.5倍。

表3 甘肅省各市(州)遙感提取的小麥和油菜面積

該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站審圖號(hào)為GS(2019)3333號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無(wú)修改。

河西地區(qū)的酒泉市和嘉峪關(guān)市小麥總面積為6.676×103hm2，占全省小麥種植總面積的3.2%；中部的張掖市、武威市、蘭州市、白銀市、臨夏回族自治州等小麥種植面積分別占全省小麥種植總面積的7.6%、10.2%、1.6%、8.1%、4.0%，其中張掖市的民樂(lè)縣和山丹縣、武威市的涼州區(qū)和古浪縣、白銀市的會(huì)寧縣，以及臨夏回族自治州的臨夏縣和康樂(lè)縣等是小麥種植區(qū)較為集中的縣區(qū)。東南部地區(qū)的天水市小麥種植面積為3.917 7×104hm2，占全省小麥種植總面積的18.8%，主要分布于天水市的清水縣、秦安縣以及甘谷縣。慶陽(yáng)市小麥種植面積為3.573 8×104hm2，占全省小麥種植總面積的17.1%，其中慶城縣、環(huán)縣、寧縣、鎮(zhèn)原縣是慶陽(yáng)市小麥面積較多的縣區(qū)。平?jīng)鍪泻碗]南市小麥種植面積分別為3.056 5×104hm2、1.569 2×104hm2，占全省小麥種植總面積的14.7%、7.5%。油菜主要分布于甘肅省的東南部地區(qū)，包括天水市、隴南市、平?jīng)鍪小c陽(yáng)市等，油菜種植面積共為2.074 2×104hm2，占全省油菜種植總面積的55.1%，而甘肅省中部、河西地區(qū)油菜的種植面積較少。

2.3 基于時(shí)序影像特征的決策樹(shù)分類(lèi)法精度驗(yàn)證

為了檢驗(yàn)研究區(qū)小麥和油菜的分類(lèi)精度，利用驗(yàn)證樣本，構(gòu)建混淆矩陣，分別計(jì)算甘肅省14個(gè)市(州)小麥和油菜面積信息提取總體精度和Kappa系數(shù)(表4)。甘肅省小麥和油菜提取平均總體精度為87.4%，結(jié)果表明甘肅省小麥和油菜的提取效果好，與野外實(shí)地調(diào)查點(diǎn)、谷歌地圖影像樣本點(diǎn)高度一致。

表4 甘肅省各市(州)小麥和油菜的分類(lèi)精度

總的來(lái)看，甘肅省中部地區(qū)白銀市、蘭州市、臨夏回族自治州小麥和油菜提取平均總體精度為92.4%，分類(lèi)精度較好。河西地區(qū)酒泉市、張掖市、嘉峪關(guān)市、武威市、金昌市小麥和油菜平均總體精度為87.7%，低于中部地區(qū)4.7%，分類(lèi)精度有微小誤差，主要由于這里種植的藥材(甘草)、豌豆和正值抽穗期的玉米光譜信息與油菜相似，因此解譯結(jié)果有誤差。東南部地區(qū)天水市、平?jīng)鍪小c陽(yáng)市、隴南市、定西市以及甘南藏族自治州等小麥和油菜提取平均總體精度為82.0%，低于中部地區(qū)(10.4%)，也存在一些分類(lèi)精度誤差，主要由于這里地勢(shì)復(fù)雜，山地居多，造成耕地破碎度較高，形狀不規(guī)則，而所用的Sentinel-2影像分辨率相對(duì)較低，存在大量混合像元，因此給作物分類(lèi)帶來(lái)了困難。

3 結(jié)論

本研究使用時(shí)序Sentinel-2數(shù)據(jù)，計(jì)算NDVI指數(shù)和黃度值，利用決策樹(shù)方法進(jìn)行甘肅省小麥和油菜面積提取，其分類(lèi)的平均總體精度為87.4%，其中，甘肅省中部地區(qū)平均總體精度為92.4%，河西地區(qū)平均總體精度為87.7%，東南部地區(qū)平均總體精度為82.0%。結(jié)果表明，基于Sentinel-2衛(wèi)星影像采用決策樹(shù)方法進(jìn)行大尺度復(fù)雜區(qū)域、高分辨率作物制圖是可行的，可為當(dāng)?shù)剞r(nóng)業(yè)部門(mén)開(kāi)展農(nóng)情調(diào)查、長(zhǎng)勢(shì)評(píng)估等工作提供依據(jù)。

雖然本研究精確提取了甘肅省小麥和油菜的空間分布信息，但是仍存在一些影響提取精度的因素。(1)云量：對(duì)于云與云影覆蓋的地區(qū)無(wú)法提取，因此部分作物區(qū)域存在空缺。在未來(lái)研究中，為了不受天氣影響，可以結(jié)合Sentinel-1數(shù)據(jù)進(jìn)行作物制圖。(2)混合像元：由于甘肅省東南部耕地以梯田與坡耕地為主，地塊多呈狹長(zhǎng)帶狀分布，面積較小，而Sentinel-2圖像空間分辨率為10 m，因此存在混合像元使分類(lèi)結(jié)果產(chǎn)生誤差。在未來(lái)的研究中，可以基于更高空間分辨率的影像，采用深度學(xué)習(xí)的方法，來(lái)提高大尺度復(fù)雜區(qū)域作物的提取精度和速度。(3)不同地區(qū)影響：由于氣候差異，不同地區(qū)的小麥和油菜物候期不同。雖然本研究分市(州)進(jìn)行作物提取，但是作物物候期還是存在微小差異。此外，探討不同區(qū)域地理環(huán)境對(duì)提取精度的影響，也是未來(lái)大尺度復(fù)雜地區(qū)作物制圖研究的趨勢(shì)。