基于GF-2 PMS影像和隨機森林的甘肅臨夏花椒樹種植監測

柳明星， 劉建紅， 馬敏飛，蔣婭， 曾靖超

(1.西北大學城市與環境學院，西安 710127; 2.西北大學陜西地表系統與環境承載力重點實驗室，西安 710127)

0 引言

甘肅省臨夏回族自治州(以下簡稱臨夏州)位于甘肅省西南部，不僅是我國農業農村部重點扶持的“三州三區”深度貧困區之一，也是我國主要的花椒生產地。臨夏州自然條件非常適合花椒種植，距今已有1 300多年的栽培歷史。自1979年國家啟動天然林保護計劃后，花椒種植面積迅速擴大，并在1999年實施退耕還林工程后得到進一步擴大[1-2]。州內大部分鄉鎮80%以上的耕地和適宜的荒山、荒坡均栽植了花椒樹，如蓮花鎮、南塬鄉、銀川鄉、安集鄉、河灘鄉等[2-3]。花椒樹核心種植帶分布在黃河沿線以及環劉家峽庫區周圍等光熱條件較好的河谷、川臺塬及淺山坡。據統計，截至2020年底，全州共有57個鄉鎮267個行政村種植花椒樹，全州花椒樹種植總面積達到1萬km2。

花椒樹不僅是當地最重要的生態樹種，也為當地農戶帶來了持續的經濟收益。臨夏州依托各項生態工程，借助國家精準扶貧和農業供給側改革等政策機遇，因地制宜大力種植花椒樹，積極發展地方特色經濟，形成了以花椒為主導的生態扶貧產業[4-5]。2020年，臨夏州實現花椒年產量2 100多萬kg，總產量1.66萬t，總產值6.6億元。然而，花椒樹常因極端環境變化發生病變、死亡，如自然災害(干旱、泥石流等)、極端天氣(持續高溫、寒潮等)、花椒病蟲害(黑脛病、枝枯病、蚜蟲、銅色花椒跳甲等)等，這嚴重制約了當地生態保護和社會經濟的協調發展[3，6]。因此，及時、準確地獲取花椒樹的種植面積和空間布局信息，對于及時、合理地調整生態工程實施方案，保障生態扶貧成效，促進經濟、生態和社會可持續發展具有重要的意義。

在近幾十年間，隨著遙感技術和圖像分析技術不斷發展，植被遙感監測受到人們的廣泛關注[7]，如植被類型識別[8-10]、作物產量監測[11-15]、植被動態變化分析[16-18]、植被生長及病蟲害監測[19-21]、碳氮和生物物理參數機制研究等[22-26]，涉及到人工神經網絡[27-30]、支持向量機[31-33]、隨機森林[34-35]、深度學習等[36-37]多種算法。然而，在目前植被遙感監測中，大類作物往往容易獲得更多的關注，如榆樹[38]、小麥[11，39]、甘蔗[40]、玉米和大豆[41]、水稻[11，42]等，而對于具有特殊生態功能和經濟效益的小類樹種卻明顯關注不足，特別是以花椒樹為代表的特殊或不常見樹種[43]。雖然此類少數作物種植面積相對較少，但也是生態系統中不可或缺的組成部分。其不僅能夠有效增加生物多樣性，進而提高生態復原力和養分利用率，而且對于全球糧食和營養安全也有著重要的作用[44-46]。對特殊或不常見樹種進行及時準確的監測是保障生態保護、環境治理及規劃決策分析的重要內容。

與其他生態工程常見樹種(如松樹、楊樹和樺樹等)相比，種植花椒樹每年都可獲得較高的經濟效益和持續的生態效益。綜合全面地調查臨夏州花椒樹的種植狀況，有助于提高農戶經濟收入，促進當地生態、經濟、社會可持續發展。本文基于GF-2 PMS影像和隨機森林算法，綜合使用光譜波段、歸一化植被指數(normalized difference vegetation index,NDVI)、紋理以及數字高程模型(digital elevation model,DEM)特征，設計了3種分類方案，深入探討了花椒樹遙感監測的可行性，以期為后續生態工程布局、其他生態樹種或小類植被遙感監測提供指導意義。

1 研究區及其數據源

1.1 研究區概況

為了探究GF-2 PMS在花椒樹遙感識別中的可行性，本文選擇了臨夏州花椒核心種植區進行分析。且受到地形、季風和水汽等原因，在花椒樹生長季(3月25日—10月30日)中，研究區遙感影像含云量較高，僅獲得了2景云量低于5%的GF-2 PMS遙感影像。研究區地理位置為N35.6°～35.8°，E103.1°～103.4°，總面積為1 026.59 km2(圖1)。臨夏州地處黃土高原與青藏高原、中原農業與西部牧區的過度地帶，州內大部分地區屬大陸性季風氣候[47]。年平均氣溫為6.3℃，最高氣溫為32.5℃，最低氣溫為-27.8℃，年均降雨量為442 mm， 年平均蒸發量在1 198～1 745 mm之間，年均日照時數為2 572.3 h[48]。研究區海拔位于1 683～2 584 m之間，相對高差為901 m。

圖1 研究區地理位置與范圍

臨夏花椒栽植區土層深厚、氣候溫和、光照充足，晝夜溫差大，其自然條件非常適宜花椒樹種植。臨夏州種植的花椒品種以刺椒(伏椒)、棉椒為主，樹齡普遍在20～30 a之間，郁密度普遍小于0.2。刺椒質量較優，但不耐凍，主要分布于河谷、庫區周邊光熱條件較好、海拔于1 740 ～1 900 m的地區，占全州花椒總產量的30%左右。棉椒果實顏色艷紅，產量高，較抗凍，但質量稍次，主要分布在南塬、安集等海拔在1 900 ～2 300 m之間的地區。臨夏州的花椒樹普遍呈順地壟行狀分布，具有明顯的行距與株距(2 m×4 m)，每年的7—8月花椒成熟并進行采摘。

1.2 數據來源與預處理

1.2.1 GF-2 PMS影像

GF-2是我國首顆自主研發，且空間分辨率為亞米級的民用遙感衛星，分別搭載了2臺含有全色(1 m)波段和多光譜(4 m)波段的相機(PMS)[49]。GF-2 PMS具有快速姿態機動、高定位精度、地表信息豐富等特點，在精細地物的識別和提取中發揮著重要的作用[49]。其基本衛星參數規格如表1所示。本文從中國資源衛星應用中心獲取了2018年6月11日2景無云GF-2 PMS影像。使用ENVI 5.3軟件對GF-2 PMS影像進行預處理。首先，對全色波段、多光譜波段分別做正射校正； 然后，對多光譜波段做輻射校正(包括輻射定標和大氣校正)； 其次，對全色和多光譜波段做幾何精糾正，再將全色、多光譜波段進行數據融合，得到空間分辨率為1 m的多光譜影像； 最后，將2景影像鑲嵌在一起。

表1 GF-2 PMS衛星參數規格

1.2.2 地面參考數據

2019年7月開展了野外實地調查，并記錄了396個樣本的地理位置和作物種植信息。在調查過程中，發現不同的土地覆蓋類型表現出明顯的種植差異，如花椒樹的種植密度(1 500～1 800棵/ hm2)較低,而玉米的種植密度(52 500～75 000株/hm2)相對較高。因此，根據實地調查所獲取的信息，進一步在GF-2 PMS影像上隨機選擇了2 604個樣本，共3 000個樣本，包括訓練樣本和驗證樣本(圖1)。樣本數據集包含純花椒(只種植花椒樹的地塊)、混合花椒(花椒樹與其他作物混合種植的地塊)、玉米、樹林、茂密草地、稀疏草地、渾濁水體、清澈水體、人工地表、裸地共10種土地覆蓋類型(表2)。

表2 本文采集的地面樣本數據集

1.2.3 DEM數據

花椒樹喜陽、不耐蔭、耐寒，且根系耐水性較差，實際種植情況受地形條件影響較大[50]。根據當地花椒種植戶反映，花椒樹多分布于海拔1 740～2 300 m之間。因此，本文從地理空間數據云下載了空間分辨率為30 m的ASTGTM DEM數據作為花椒樹識別的附加預測變量。為了與GF-2 PMS影像共同參與分類過程，基于ArcGIS 10.2軟件計算了研究區的坡度和坡向變量，然后重采樣至1 m分辨率。

2 研究方法

2.1 解譯標志建立

建立正確的解譯標志是遙感影像解譯的基礎，本文的主要目的是將純花椒、混合花椒與其他土地覆蓋類型進行有效區分。雖然GF-2 PMS影像的光譜信息有限(僅含4個波段)，不足以直接區分花椒樹和其他植被，但是高分辨率提供了豐富的空間細節，可以很好地增強地物之間的可區分性。并且，花椒樹種植較規律，會在遙感影像上表現出與其他土地覆蓋類型不同的紋理信息。例如，在純花椒樹種植地塊中，花椒樹具有明顯的行距和株距。在混合花椒地塊中，由于混合種植了玉米、芝麻、蔬菜等其他作物，不如純花椒地可以明顯地區別于其他土地覆蓋類型，但是依然可以看到花椒樹呈點狀分布的特征。2種花椒樹種植類型的特征是其所特有的，與其他土地覆蓋類型(玉米、樹林、稀疏草地等)明顯不同。結合現場調查和GF-2 PMS融合影像，確定了10種土地覆蓋類型的解譯標志(圖2)。

(a) 純花椒(b) 混合花椒(c) 玉米(d) 樹林(e) 茂密草地

(f) 稀疏草地(g) 渾濁水體(h) 清澈水體(i) 人工地表(j) 裸地

2.2 NDVI計算

NDVI是評估綠色植被生長狀態及植被空間分布密度的最佳指示因子[51]。由于其出色的植被表征性能，NDVI已經成為植被監測領域最重要的指標之一[52-54]。為了提高不同植被類型之間的可分性，本文計算了研究區的NDVI，其計算公式為：

(1)

式中Red和NIR分別代表紅光、近紅外波段亮度值，分別對應GF-2 PMS影像的B3和B4。

2.3 紋理特征提取

花椒樹與其他土地覆蓋類型具有明顯的紋理差異，因此本文也將紋理特征作為附加變量參與分類過程。目前，最常用的紋理分析方法是灰度共生矩陣(gray level co-occurrence matrix，GLCM)[55-56]。因此，本文基于GLCM計算了GF-2 PMS影像的8種紋理特征： 均值(mean)、方差(variance)、同質性(homogeneity)、對比度(contrast)、異質性(dissimilarity)、熵(entropy)、角二階矩(second moment)及相關性(correlation)。

由于GF-2融合影像數據量非常大，單景影像融合后數據量就達到了6 G，普通電腦端難以處理，為了確定紋理特征的最優窗口，本文以花椒種植最核心的區域(長為8.4 km，寬為5.2 km)為試驗區，設置6種滑動窗口 (7×7,9×9,11×11,13×13,15×15,17×17)來計算GLCM紋理特征。

圖3表示了8種紋理特征在不同滑動窗口下的反射率情況。從圖3可得，試驗區內各土地覆蓋類型的均值、同質性、異質性、對比度隨窗口的增大幾乎不變或變化很小； 各土地覆蓋類型熵的差異隨著計算窗口的增大而增大，而不同土地覆蓋之間相似度和角二階矩的差異卻隨著窗口的增大而減小。從8種紋理特征區分不同土地覆蓋類型的能力上看，均值、熵和相似度可以最大程度地反映不同地物之間的差異。因此，最終選擇了在11×11窗口下計算的均值、熵和相似度，并參與分類過程。

(a) 均值 (b) 熵 (c) 相似度

(d) 角二階矩 (e) 同質性 (f) 方差

(g) 異質性 (h) 對比度

2.4 隨機森林分類

隨機森林是通過設置多棵隨機森林樹對樣本進行訓練并預測結果的監督分類器，常用于處理分類、回歸等問題[57]。在分類模式下，多棵樹分別對樣本進行投票并根據投票率決定最終分類結果。首先，從樣本集中通過自舉重采樣的方法隨機有放回地選出訓練樣本集，其中約2/3的樣本用于模型訓練，剩余1/3樣本用于模型的內部驗證(即“袋外誤差”)。然后，對每一個訓練樣本分別設置對應的決策樹模型，持續分裂，直到該節點的所有訓練樣本都屬于同一類型。最后，將生成的多棵決策樹組成隨機森林，按照投票概率決定最優分類[57]。隨機森林算法已經廣泛應用于林業[35]、農業[58]、土地覆蓋[59]等眾多領域中。

基于隨機森林算法，本文設計了3種分類方案來探究不同輸入特征在花椒樹種植識別中的能力： ①S1,僅使用光譜波段; ②S2,組合使用光譜波段、NDVI和DEM； ③S3，組合使用光譜波段、NDVI、紋理特征和DEM。

本文隨機森林算法是基于RStudio (4.0.2 版本)中的“randomForest”程序包實現的。其中，通過反復實驗，發現3種分類方案均在隨機森林數ntree為500時表現最好，其中每個節點上使用的特征數位mtry為輸入特征總數的平方根。

2.5 準確性評估

為了評估不同分類方案的分類效果，基于隨機分層抽樣方法，在分類結果中分別從每種土地覆蓋類型中隨機選了300個，共3 000個樣本，采取目視解譯的方法對每個樣本對應的真實類型進行記錄。然后，使用以下指標對S1，S2和S3分類方案進行評估： 總體精度(overall accuracy，OA)，Kappa系數(kappa coefficient)，制圖精度(producer’s accuracy，PA)，用戶精度(user’s accuracy，UA)以及F1得分[60]。其中，F1得分計算公式為：

(2)

3 結果與分析

3.1 花椒樹與其他土地覆蓋類型的光譜差異

基于GF-2 PMS融合影像和地面樣本，首先分析了花椒樹與其他土地覆蓋類型之間的光譜差異(圖4)?？梢园l現，10種土地覆蓋類型在不同波段上的反射率比較接近，光譜曲線十分相似，從而造成了明顯的光譜重疊，特別是同為植被的純花椒、混合花椒、玉米、林地、茂密草地、稀疏草地。GF-2 PMS僅含4個光譜波段，光譜信息弱，僅使用GF-2 PMS的光譜信息難以獲得較好的花椒樹分類效果。

圖4 基于GF-2 PMS的土地覆蓋類型光譜曲線

為量化不同土地覆蓋類型之間的可分離性，計算了Jefferies-Matusita (JM)距離。JM值通常位于0～2之間，值越高說明其可分離性越強[61]。本文將JM距離劃分為4個等級，代表著不同等級的可分離性： 可分離性好[1.9，2.0)、可分離性較好[1.8，1.9)、可分離性較差[1.0，1.8)、可分離性差[0，1.0)(圖5)。其中，C1，C2，C3，C4，C5，C6，C7，C8，C9，C10分別代表裸地、人工地表、茂密草地、樹林、玉米、混合花椒、純花椒、 稀疏草地、渾濁水體、清澈水體。紅色表示可分離性滿足分類要求，灰色表示可分離性不滿足分類要求。 圓的大小表示可分離性的大小。結果表明，單獨使用GF-2 PMS影像的光譜信息時(圖5(a))， 除渾濁水體和清澈水體能夠明顯區分，其余土地覆蓋類型之間的可分離性都比較低，JM值多低于1.8。而增加NDVI和DEM后，整體的可分離度有所提高(圖5(b))，但還有部分地物類型之間的JM值低于1.0。進一步增加紋理特征后，少部分土地覆蓋類型之間的JM值在[1.0，1.8)之間，但整體土地覆蓋類型的可分離性明顯提高(圖5(c))。說明在GF-2 PMS光譜信息的基礎上，增加NDVI和DEM，特別是紋理特征，可以極大地增加地物之間的可區分性，提高分類精度。

(a) 基于光譜波段的可分離性 (b) 基于光譜波段、NDVI和 DEM的可分離性 (c) 基于光譜波段、NDVI、紋理特征 和DEM的可分離性

圖5 基于JM距離的各地物類型可分離性

3.2 不同方案的分類精度

為了深入探究光譜波段、NDVI、紋理特征以及DEM在花椒樹分類識別中的影響程度，分別設計了3種不同的分類方案參與隨機森林分類過程。基于混淆矩陣，結果顯示，S1,S2和S3的OA分別為65.90%，67.67%和74.43%，Kappa系數分別為0.62，0.64和0.72。與S1相比，增加NDVI和DEM時，OA提高了1.77個百分點； 進一步增加紋理特征，OA提高了8.53個百分點。這表明增加植被指數和地形變量只能略微改善分類效果，而增加紋理特征卻明顯提高分類精度。3種分類方案中不同土地覆蓋類型的PA,UA和F1分數結果如圖6所示。

(a) PA結果 (b) UA結果 (c) F1得分結果

圖6 S1，S2和S3分類方案的準確性評估結果

對于單一的土地覆蓋類型來說，根據PA，UA和F1得分，分類效果為： S3>S2>S1。水體在3種分類方案中都表現出較高的準確性，而裸地、樹林、純花椒的識別效果則低于其他土地覆蓋類型。對于花椒樹而言，純花椒在S3方案中，UA和F1得分最高，分別是53.92%和54.73%； 對于混合花椒而言，S3的PA，UA和F1得分均高于60.18%。對于花椒樹而言，除PA外，混合花椒的UA和F1得分都高于純花椒，說明混合花椒的分類效果優于純花椒。綜上所述，S3方案的分類效果是最好的，這也進一步說明了紋理特征在花椒樹分類識別中的重要性。

3.3 花椒樹種植的規模和空間格局

基于最優分類方案(S3)，獲得了研究區2018年花椒樹的空間分布情況(圖7)。研究結果顯示，研究區內的花椒樹廣泛種植于劉家峽庫區岸邊及東南部，總種植面積為231.59 km2，占研究區總面積的22.56%。其中，純花椒種植區主要分布在研究區東南部，種植面積為189.06 km2。而混合花椒種植區多集中在靠近農村居民點劉家峽水庫東南側，有利于農戶在管理花椒的同時種植其他作物，其種植面積為42.53 km2。

圖7 研究區花椒樹空間分布

為了更好地可視化隨機森林在花椒樹種植識別中的效果，對純花椒和混合花椒的典型種植區域進行放大分析(圖8)。其中，區域A為純花椒種植地塊，區域B為混合花椒種植地塊。研究結果顯示，在區域A中，存在小部分區域被錯分為混合花椒，但是分類結果還是以純花椒為主； 在區域B中，分類結果基本上為混合花椒。整體來說，雖然存在一定的錯分和誤分現象，但隨機森林分類結果是比較準確的。

(a) 區域A純花椒GF-2影像(b) 區域A純花椒分類結果

(c) 區域B混合花椒GF-2影像(d) 區域B混合花椒分類結果

圖8 隨機森林分類結果局部放大

3.4 花椒樹分布的地理特征

進一步，基于海拔和坡度信息分析了花椒樹的地理分布特征(圖9)。從圖9(a)中可知，研究區[2 100,2 200) m海拔范圍內的花椒樹分布最為密集，種植面積占比為20%。其次是[1 683,1 800) m和[2 200，2 300) m海拔區域內的花椒樹，其面積占比為18%?？傮w上，隨著海拔的增加呈現出“先減少-再增加-再減少”的趨勢。這種趨勢變化應該與花椒樹種植的品種有關，不同品種的花椒樹對地形的適應性不同。在實地調查中發現，研究區內種植的花椒品種主要為刺椒和綿椒。刺椒不耐凍，主要分布于河谷、庫區周邊光熱條件好、海拔在[1 740，1 900) m的地區； 而綿椒較為抗凍，主要分布于海拔在[1 900,2 300) m之間的地區。總的來說，90%的花椒樹集中分布在[1 683,2 300) m海拔范圍內。

(a) 花椒海拔分布情況(b) 花椒坡度分布情況

此外，按照臨夏州的退耕還林政策，本文將花椒樹分布的坡度劃分為6個等級： [0，5)°，[5，8)°，[8，15)°，[15，20)°，[20，25)°和≥25°。從圖9(b)可知，[8，15)°坡度范圍內種植的花椒樹最多，分布頻率達到了24%。而50%的花椒樹都種植在坡度≥15°的地區，這與臨夏州的生態恢復工程的實際情況相符合。

4 討論

作為重要的生態樹種，與其他常見生態樹種(如松樹、楊樹和樺樹等)相比，花椒樹每年都能獲得客觀的經濟收益。但是，在目前林業生態遙感監測中，多集中于基于NDVI的植被動態變化、植被覆蓋度變化監測等的宏觀監測[62-64]，少有針對各類生態樹種的微觀分類研究，特別是以花椒樹為代表的特殊或不常見樹種。

本文基于GF-2 PMS影像和隨機森林算法對花椒樹種植進行監測識別，盡管可使用的遙感影像數量有限，但研究結果表明了GF-2 PMS在花椒樹遙感監測中具有較高潛力?；ń窐浞N植識別的最高精度達到了74.43%。當僅利用GF-2 PMS的光譜信息時，花椒樹與其他土地覆蓋類型難以完全分開，但是通過增加NDVI、紋理特征和DEM則可以進一步提高可分離性，獲得更好的分類結果，這也與前人的研究相一致[65-67]。

然而，本文的研究還存在一定的局限性。首先，使用基于像元的分類方法(隨機森林)時，對于高分辨率的遙感影像來說，會存在一定程度的錯分、漏分現象。因此，基于最優分類方案(S3)與隨機森林，本文進一步分析各土地覆蓋類型的分類結果一致性 (圖10)。分類結果與地面真實類型一樣，則定義為分類結果一致，若出現偏差，則定義分類結果不一致。從圖6可知，渾濁水體和清澈水體的分類精度較高，因此僅對純花椒、混合花椒、玉米、樹林等其他8種土地覆蓋類型進行分析。

圖10 基于最優分類方案(S3)的土地覆蓋類型結果一致性分析

基于分層抽樣方法，從地面參考數據集中隨機抽取了約1/3共754個樣本進行分析。對于純花椒而言，主要錯分為稀疏草地、裸地及人工地表，其錯分率分別為29%，11%，4%。對于混合花椒而言，主要錯分為玉米、茂密草地及稀疏草地，其錯分率分別為14%，4%，4%。在其他6種土地覆蓋類型中，純花椒在稀疏草地中漏分情況最嚴重，其漏分率為18%，其次是人工地表和裸地，其漏分率分別為10%和7%。而混合花椒在樹林、茂密草地、玉米、稀疏草地中的漏分率分別為19%，13%，9%，8%。究其原因，在于花椒與其他土地覆蓋類型相似的光譜和紋理特征，特別是純花椒與混合花椒、純花椒與裸地、純花椒與稀疏草地、混合花椒與玉米、混合花椒與樹林、混合花椒與茂密草地(圖4)，這很大程度上導致了分類精度相對偏低。未來工作中應該考慮面向對象的分類方法，以期能夠更好地提高分類精度。

此外，各種生態工程已經實施多年，如三北防護林計劃(1978年)、天然林保護計劃(1979年)、退耕還林工程(1999年)等，無論是從時間序列上進行長期動態監測，還是大面積規模監測都是很有必要的。GF-2 PMS衛星于2014年發射，在軌運行時間較短，可用遙感數據并不多，且難以獲取2014年之前的遙感數據，暫時無法實現生態樹種長期動態監測的目標。另一方面，由于GF-2 PMS衛星的亞米級空間分辨率，數據量巨大，對于普通電腦客戶端，難以實現大區域地區監測?，F有的遙感衛星中，如Landsat8 OLI或 Sentinel-2 MSI等，雖然空間分辨率不足以計算紋理信息，但是都具有豐富的光譜信息[68-69]，且Landsat 系列衛星可以實現長期工程效益監測。因此，進一步改善生態工程樹種動態監測的可能方法是將高分辨率影像(如GF-2)與多光譜影像(如Landsat8 OLI)等組合探索。

5 結論

本文以GF-2 PMS融合影像為基礎，通過光譜波段、NDVI、紋理特征(均值、熵和相似度)以及DEM信息共4種分類特征，基于隨機森林分類算法分別設計了3種不同的分類方案，以此探索甘肅省臨夏州花椒樹種植遙感監測的可行性。主要結論如下：

1)4種分類特征在花椒種植識別中都表現出不同的作用效果，其中紋理特征最重要。僅使用光譜波段時，總體精度為65.90%； 增加NDVI和DEM信息，總體精度為67.67%； 進一步增加紋理特征，總體精度達到了74.43%，共提高了8.53個百分點，有效改善了分類效果。

2)2018年研究區內的花椒樹主要種植在黃河沿岸和劉家峽庫區周邊，其總種植面積為231.59 km2，占研究區總面積的22.56%。其中，只種植花椒樹的面積為189.06 km2，混合種植花椒樹的面積為42.53 km2。

3)花椒樹分布具有特定的地理分布特征。90%以上的花椒樹種植在[1 683,2 300) m海拔范圍內，且隨海拔升高呈現出 “先減少-再增加-再減少”的分布特征； 58%的花椒樹分布在[8，15)°坡度范圍內，這與當地退耕還林政策相符合。

總的來說，GF-2 PMS影像在花椒樹種植監測中具有較高的潛力。開發對花椒樹的遙感識別方法，不僅有助于當地生態產業調控和后續生態工程布局，并且對其他地區的生態樹種或小類植被物種開展相關遙感監測工作也具有較強的指導意義。