林農間作模式下和田綠洲特色林果結構遙感信息提取

靳鏡宇，白 潔，包安明，楊 涵，李均力，韓宏偉

（1. 新疆師范大學地理科學與旅游學院，烏魯木齊 830054； 2. 中國科學院新疆生態與地理研究所，荒漠與綠洲生態國家重點實驗室，烏魯木齊 830011； 3. 新疆遙感與地理信息系統應用重點實驗室，烏魯木齊 830011； 4. 新疆林科院經濟林研究所，烏魯木齊 830000；5. 新疆維吾爾自治區測繪成果中心，烏魯木齊 830002）

0 引 言

新疆是中國林果主產區，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定在146.67×10hm，年總產量達1 000×10t以上，年創產值1 000億元。借助獨特的氣候和資源優勢，環塔里木盆地的南疆四地州已發展成為新疆特色林果（核桃、紅棗、巴旦木、杏、香梨、蘋果）的主產區，林果種植面積占全疆林果總面積的80%以上，林果收入占當地農民收入的60%以上。隨著特色林果種植面積和產量的不斷提高，種植結構和規模空間分布不清、品種混雜、農民增產增量不增收等問題突出。實時和準確掌握特色林果種植結構空間信息對推進南疆特色林果業提質增效、增加農民收入、穩定脫貧攻堅成果、實現鄉村振興具有重要意義。

傳統的林果種植信息獲取以統計上報和抽樣調查為主，主觀性較強、誤差大、耗時長，且缺乏位置和分布等空間信息。遙感技術具有高時效、寬范圍、多分辨率、低成本和大信息量等優勢，在樹種類型、面積估算、長勢監測等方面具有巨大的應用潛力，可為林果業精細化管理提供有利的技術支持。目前，不同空間分辨率的遙感影像已大量應用于不同尺度和區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序遙感影像（MODIS、FY-3）可以構建多時相長時間序列植被指數曲線，具有時間分辨率高的優勢，適用于開展大尺度、大區域、結構單一的林果作物種植結構提取。康凌艷等基于不同時相的MODIS植被指數產品，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。中等分辨率衛星影像（Landsat TM/ETM/OLI、HJ-1A/B、Sentinel等）在監測精度、數據時效性、獲取難易程度上均有明顯優勢。于新洋等分別利用Landsat5或HJ-1A CCD遙感數據，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遙感數據構建多種植被指數時序產品，提取果樹空間信息。相比最佳時相法和典型物候期法，時序植被指數法的精度更高，廣泛地應用于中等分辨率遙感數據源。國產高分系列衛星已可以提供亞米級的遙感產品，成為精細識別林果作物的重要高分數據源。很多學者利用單時相的國產高分系列衛星產品，綜合光譜、紋理和空間特征，采用面向對象或機器學習方法提取特色林果作物的空間信息。在精細林果分類精度上有很大提升，但因高分遙感數據易受低光譜和低時間分辨率等限制，使用單一時相的遙感數據容易出現“異物同譜”現象。因此綜合利用多源多時相遙感數據開展林果種植結構信息提取成為研究熱點。

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，針對林農復合種植模式的不多。在土地資源非常緊缺的新疆南疆特色林果區，林農間作模式高達85%。林農間作模式下的果樹地塊復雜性更高，且果樹光譜和紋理信息容易受到林下農作物的影響，利用單一數據源或單一時相的遙感數據很難準確提取立體種植模式下的果樹類型。結合高分影像空間分辨率高、紋理信息豐富的優勢，以及中分影像時間分辨率高、光譜信息充足的優勢，可以較好地提取南疆林農間作模式下的果樹種植結構信息。因此，本研究擬以南疆和田綠洲區為研究區，基于GF-2和Sentinel-2多源多時遙感數據，構建林果作物全生育期NDVI時間序列曲線，采用面向對象分類方法，綜合利用物候信息、紋理特征等開展特色林果種植結構信息提取研究。

1 研究區概況與數據源

1.1 研究區概況

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 ℃。該地區土壤為砂質土壤，通透性良好，0～100 cm土壤有機質含量為6.3 g/kg，肥力中等。和田綠洲具有發展林果業得天獨厚的光、熱、水、土等自然資源和品種優勢，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，全區林果作物面積達2.16×10hm，主要為林農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 研究區地理位置示意圖Fig.1 Geographical location of the study area

1.2 數據源及其預處理

1.2.1 數據源

1）遙感數據

本研究使用GF-2和Sentinel-2遙感數據為主要數據源。其中，GF-2遙感數據來自中國資源衛星應用中心（http://36.112.130.153:7777/DSSPlatform/productSearch.html），云覆蓋率小于10%，總計35景，包括4個多光譜數據波段（分辨率為3.2 m）和1個全色波段（分辨率為0.8 m），時間范圍2020年2－9月（表1）。圖像選取時主要考慮覆蓋研究區的完整性和圖像時相，影像云量小于20%。GF-2遙感數據具有空間分辨率高、空間結構和紋理信息突出的特點，用于研究區內四類基礎地物要素（農田、純果園、果園混種、其他）的精確邊界信息提取。Sentinel-2遙感數據來自歐空局（https://scihub.copernicus.eu/dhus/），云覆蓋率小于10%，總計44景，包括可見光、近紅外波段（分辨率10 m），時間范圍2020年3－10月（表1）。Sentinel-2遙感數據具有重訪周期短、光譜信息豐富的特點，主要用于林果作物關鍵生育期物候曲線構建和種類識別。

表1 遙感影像數據集Table 1 Remote sensing image data set

2）輔助數據

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市野外實地調查，共采集有效樣本點1 052個。其中，間作核桃482個，純核桃119個，純棗樹321個，純葡萄130個，其他林果作物（桃樹、櫻桃）19個。其中，19%作為訓練樣本數據，81%作為精度驗證數據。

此外，本研究還收集了2019年和田綠洲3縣1市的林果調查數據，以及通過文獻檢索和實地調研獲取當地主要林果作物的物候信息。正射影像的數字地面高程（Digital Elevation Model，DEM）數據選用ASTER GDEM DEM數據產品（http://earthexplorer.usgs.gov/），分辨率12.5 m。2018年和田地區市縣行政區劃矢量數據（1∶100萬，分幅號J44），來自全國地理信息資源目錄服務系統（https://www.webmap.cn/mapDataAction.do?method=index）。

1.2.2 數據預處理

GF-2遙感數據獲取時間為2020年2－9月，采用基于區域網平差的數字正射影像圖（Digital Orthophoto Map，DOM）對GF-2遙感數據進行預處理。首先利用CIPS軟件加載參考DEM，將糾正好的Sentinel-2遙感數據作為參考DOM，自動進行區域網平差和模型平差，快速完成連接點和控制點的自動匹配，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數據，進行GF-2遙感影像的正射糾正。再運用Gram-Schmidt數據融合算法將糾正后的GF-2全色（0.8 m）與多光譜數據（3.2 m）進行融合。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、紋理特征規則集的構建。最后對融合數據進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產品進行大氣校正。然后，采用歐洲航天局發布的開源軟件SNAP軟件對處理后的數據進行重采樣，生成Sentinel-2 L2A級數據產品，將空間分辨率重采樣到10 m。最后進行波段合成、拼接處理，獲取研究區完整的Sentinel-2影像產品。

2 研究方法

和田綠洲主要為林農間作模式，農村庭院和道路兩邊多種植果樹，標準化果園較少；耕地地塊密集破碎，與農村房屋、果園、道路等地物鑲嵌混雜。因此，本研究依據典型果樹的光譜、形態和空間分布特征，以及提取復雜程度，分層次先提取林田地塊，再對果樹類型進行分類識別。首先基于GF-2遙感數據，利用最優尺度分割和面向對象分類方法提取研究區內的純果園、間作果園、農田及其他地塊，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遙感數據構建林果作物全生育期NDVI時間序列曲線，并結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、生產者精度、用戶精度和Kappa系數指標進行精度分析和評價。總體技術流程見圖2。

圖2 研究技術路線圖Fig.2 Research technology route

2.1 基于多尺度圖像分割和面向對象的林農地塊信息提取

本研究基于GF-2影像數據的4個波段（Band 1為藍波段、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。根據不同季節果園和農田在GF-2影像數據上的光譜和紋理特征差異，設置不同時相的分割尺度參數。在春季和冬季，果樹未長葉或掛果，分割尺度設置為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、間作果園和農田地塊均外形規則，可以適當提高形狀參數的權重值。本研究經過多次試驗對比不同參數設置下的分割結果，最終確定分割尺度200（7－9月）和180（2月）、形狀權重0.6和緊致度權重0.5為最優參數。在最優參數設置下，分割單元內部紋理均勻，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。

在上述最優分割尺度分割下，本研究通過分析目標對象與其他地物的歸一化植被指數、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關系，建立規則集，確定分類規則分為冬季（2月）和夏秋（7－9月）兩類。因為冬季果樹處在落葉期，農作物（除冬小麥）已全部收獲，地表裸露；而夏秋季林農作物處在生長期，地表被植被覆蓋，因此冬季影像數據亮度值較夏秋季普遍略高。然后采用逐步剔除非目標地類的方法獲得四類地塊分類專題圖。

根據植被與非植被的NDVI和光譜亮度差異，冬季設置NDVI大于0.2且亮度閾值小于720，夏秋季設置NDVI大于0.38且亮度值小于680，提取植被信息。基于提取的植被基礎上，將小于2 200像元（1.4 km）的小圖斑移除，得到完整的農田地塊信息。農田地塊由于有間作果樹呈現不同的紋理結構，故使用NDVI、亮度特征和紋理特征相結合的方法，區分純農田、間作果園和純果園，詳細分類規則如表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、相關性、均值、方差、相異性8個紋理特征。利用eCognition軟件計算主要的紋理特征值，結果顯示：GLCM可以識別地塊果樹尺度的樹冠。因不同季節果樹樹冠大小不同，冬季設置GLCM均值小于2、夏秋季設置GLCM均值小于3作為果樹提取的閾值，再設置面積小于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則區分純果園與間作果園。具體規則見表2。

表2 基于GF-2遙感數據的地塊分類規則集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時序特征構建

本研究基于野外采樣和GF-2遙感數據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個訓練樣本并提取其基于Sentinel-2 NDVI時序數據，分別對不同類型的樣本地塊全生長期的NDVI時序數值進行統計和計算，繪制時序曲線，得到核桃、棗樹和葡萄的NDVI時序曲線（圖3）。從圖3可以看出，提取的主要林果作物NDVI時序數據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，當地普遍采用大水漫灌方式，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，導致這段時間該果園地塊的平均NDVI值降低。當水分充分被吸收之后，NDVI值又迅速上升。此外，8月上旬進行的“打秋梢”措施，為保證果實營養，需要大量修剪果樹樹杈，也導致果園地塊的NDVI值下降。

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

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

2.2.2 決策樹分類器

基于野外樣本點和Sentinel-2 NDVI時序曲線，并結合林果作物物候特征信息計算林果作物識別關鍵期的光譜閾值，構建林果作物決策樹模型，如圖4所示。將分類結果疊加到基于GF-2遙感數據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時序數據決策樹流程圖Fig.4 Flow chart of decision tree based on the Sentinel-2 NDVI time series data

結合林果作物的NDVI時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月上旬結束。純核桃、間作核桃、棗樹和葡萄的NDVI時序曲線雖然有少部分交錯和重疊，但還是存在差異明顯的時間窗口。首先，從NDVI時序數據可見，7月為林果作物生長旺盛期，利用7月28日的NDVI值快速區分植被和非植被。設定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（4月29日）出現NDVI峰值。冬小麥收割后（8月7日）出現NDVI低谷。根據間作核桃樣點數據所在地塊數據在這兩期的統計值，設定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，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NDVI峰值。NDVI＜0.44、NDVI+NDVI＜1.14為閾值提取棗樹。葡萄整個生長期的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日達到最低，設定葡萄閾值為0.43＜NDVI＜0.65、NDVI＞0.4。然后將野外實地考察獲得的有效樣本點隨機選擇作為測試集驗證其分類精度。最后以GF-2遙感數據提取的林田地塊為基礎數據，將已分類好的4類果樹信息進行賦值疊加，得到林果結構分布。

2.3 精度驗證

本研究采用混淆矩陣的方式對林果作物遙感提取結果進行精度驗證評價，評價指標包括總體分類精度（Over Accuracy, OA）、用戶精度（User Accuracy, UA）、生產者精度（Produces Accuracy, PA）以及Kappa系數。選取了實地調查樣本點共849個，其中間作核桃430個、棗樹270個、核桃樹69個以及葡萄80個。

3 結果與分析

3.1 提取結果精度評價

如表4所示，林果分類結果的總體精度為96.82%，Kappa系數為94.95%。其中間作核桃和棗樹的用戶精度和生產者精度都超過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 種植結構提取結果

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

圖5 基于GF-2遙感數據提取的地塊分類圖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，研究區內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（墨玉縣的阿克薩拉依鄉、托胡拉鄉、闊依其鄉、芒來鄉和吐外特鄉；和田縣的巴格其鎮和拉依喀鄉以及洛浦縣的納瓦鄉和恰爾巴格鄉），以大片連續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，多分布不連續的純農田，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帶，甚至沙質荒漠中，呈規則的大型條帶狀分布。尤其在墨玉縣西部的兵團二二四團和洛浦縣東部的拜什托格拉克鄉，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，墨玉縣境內的喀爾賽鄉和兵團四十七團六連，集中在沙質荒漠土壤上。

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

和田地區核桃種植區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，核桃生長發育需要大量的水分，尤其是果實發育期要有充足的水分供應。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，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越、土壤相對肥沃、氣候相對濕潤的河流上游兩側，更有利于核桃樹的生長發育和提質增效。而棗樹和葡萄分布在河流下游。主要因為棗樹和葡萄較核桃更喜光、抗旱、抗寒、耐瘠薄。下游綠洲荒漠交錯帶多為沙質荒漠土壤，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統計數據（2019年）進行比較，并計算相對精度。據林調統計數據，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年該區內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增效的改良工程，依據“宜果則果，宜糧則糧”的原則，將低產間作模式的果園轉為耕地或牧草地，使得2019年林調數據與2020年遙感提取數據存在一定的差異。

4 討 論

馮振峰對南疆環塔里木盆地的棗樹、蘋果和香梨進行遙感識別，總體精度達78.14%。沈江龍等運用面向對象的影像分析提取若羌綠洲的棗樹面積，精度達到88.43%。楊遼基于多源影像數據結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86.36%。與相同區域不同果樹類型遙感信息提取精度對比發現，本文結合面向對象和決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90%以上，解譯精度相對較高。對比不同區域類似果樹的提取精度分析，邢東興等采用最佳時相法對關中平原葡萄進行分類識別，其總體精度達96.53%；而本文提取的葡萄分類精度為91.25%，精度相當。楊旭超基于多時相Sentinel數據構建時序NDVI對大理核桃進行信息提取，其總體精度為83.54%。且大理核桃林屬于純核桃林，不存在與農作物間作的情況。本文研究區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別能力有限。在分類方法方面，雖然面向對象和決策樹分類相結合的方法可以選取最佳的識別特征量和閾值，但其對訓練樣本的質量和數量具有較強的依賴性，依然需要嘗試更智能、提取精度更高的分類關鍵技術研究。其次，能否獲取高時空分辨率的遙感影像是精準提取林果作物空間分布信息的關鍵，GF-2和Sentinel-2遙感數據受云的影響，在研究區范圍較大時難以完全滿足解譯，還需要進一步探索多源高時空分辨率衛星數據的綜合應用方法，避免天氣狀況對林果作物識別結果的影響。最后在時空尺度方面，由于林果作物的植被指數與周圍環境息息相關，當降水、溫度等氣象條件達不到生長需求時，果樹長勢會出現較大變動。針對不同研究區仍需結合實地調研情況進行具體判斷，需要根據研究區條件設置合理的分類因子來準確提取林果作物的空間分布信息。從而實現擴展研究區至省級范圍，尤其地形復雜和種植結構復雜條件下的大區域林果作物種植結構提取。

5 結 論

本研究針對林農間作模式下果樹類型和面積提取研究在數據源單一和提取精度不高方面的不足，在兩大方面進行了嘗試。首先，在數據源的選擇上，針對不同林果作物在遙感影像上呈現出復雜的時空異質性和尺度敏感性的特征，采用具有高空間分辨率的國產GF-2遙感數據和具有高時間分辨率的Sentinel-2遙感數據，解決現有研究中單一影像數據信息不足的問題。其次，在分類方法上，提出了一種基于GF-2遙感數據的果園地塊空間信息和多時相Sentinel-2NDVI時序數據提取特色林果作物種植結構的方法，結合面向對象和決策樹分析，并利用研究區內主要林果作物的物候信息和NDVI時序數據的差異，實現了研究區內2020年特色林果（核桃、棗樹、葡萄）的種植結構提取，滿足了遙感提取種植面積的精度要求。主要研究結論如下：

1）提出了基于GF-2遙感數據的果園地塊空間信息＋多時相Sentinel-2NDVI時序數據和物候信息的種植面積提取方法對研究區域特色林果種植面積進行提取。多時序影像能夠更加詳細的提供研究作物在整個生長周期內的變化情況，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，以便及時為林業部門提供有效信息。

2）結合面向對象和決策樹分類方法能夠較好地適用于研究區內的種植結構提取。2020年在研究區內對核桃、棗樹和葡萄種植面積進行分類提取，用戶精度和總體分類精度均高達90%以上，Kappa系數高達94.95%，可以滿足縣市級尺度的林地遙感監測精度需求。

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