基于Sentinel-2影像的甘蔗種植區遙感提取方法

摘要： 為了解決在多云雨天氣與復雜地形條件下難以快速精準大面積繪制喀斯特山區甘蔗種植區的問題，亟須探究適用于喀斯特山區甘蔗種植區提取的方法。以廣西壯族自治區崇左市為研究區域，利用Sentinel-2數據計算多種植被指數，根據Sentinel-2原始波段、光譜指數和紋理信息特征分析，選取地物訓練樣本，并引入DEM、土地利用等輔助識別特征變量，采用神經網絡、隨機森林、支持向量機3種機器學習方法，實現2018—2021年甘蔗種植區遙感提取，再利用Google Earth影像和統計數據進行精度評價。結果表明，基于Sentinel-2的甘蔗種植區遙感提取效果較好，崇左市甘蔗種植區總體分類精度均高于91%，κ系數均大于0.88；3種分類方法提取面積誤差均值為-4.84%。2018—2021年，崇左市甘蔗種植面積趨于較平穩狀態；主要甘蔗種植區以扶綏縣、江州區、龍州縣及大新縣南部和寧明縣北部為主。Sentinel-2數據在識別地類復雜多樣、農田極其碎片和多云天氣頻繁等特點的作物信息方面具有較好潛力。

關鍵詞： Sentinel-2；甘蔗；面積提取；機器學習方法；喀斯特山區；崇左

中圖分類號：S127；P237 "文獻標志碼：A

文章編號：1002-1302（2024）01-0172-11

甘蔗在全球食糖生產中具有非常重要的地位，約占全球糖產量的70%［1］，也是乙醇生產的生物能源原料［2］。及時、準確、客觀地獲取甘蔗種植區及面積等信息對甘蔗產業的規劃與管理、甘蔗可持續生產、鄉村振興、區域經濟與環境等至關重要［3］。目前，甘蔗產區農業統計數據主要來源于實地調查、生產者報告、問卷調查和訪談等［4-5］。傳統方法耗時耗力，且難以及時獲取大范圍甘蔗田信息［6］。衛星遙感克服了傳統的基于地面獲取統計數據費時費力且空間覆蓋度低等缺陷，為及時高效測繪大范圍、連續性的區域或全球尺度作物信息提供了一種可行的手段［7］。在過去十幾年里，遙感數據已被廣泛用于評估甘蔗，如繪制甘蔗的分布情況［8-10］、監測區域甘蔗的長勢及受災情況［11-12］、估算甘蔗產量等［13］。對于甘蔗分布的測繪，已實現全球各區域的甘蔗種植區遙感反演。從影像數據角度看，中低分辨率的多光譜圖像是目前最流行的數據。如陸地衛星 （Landsat，30 m）［3］和EOS系列衛星 （MODIS，250 m）［14-15］。為了進一步提高甘蔗反演精度，有些學者會選擇采用高空間分辨率（數十米）和非常高空間分辨率（小于10 m）的光學和合成孔徑雷達（SAR）數據。如地球觀測衛星（SPOT，10 m）［16］、印度遙感衛星（IRS-P6，5.8 m）［10］和SAR遙感（Sentinel-1，10 m）的圖像［1，9］。雖然高分辨率圖像的使用得到了相當多的關注，但其局限性是購買成本高和覆蓋范圍小，妨礙了連續大范圍的甘蔗覆蓋監測。此外，甘蔗雖然廣泛分布在熱帶和亞熱帶地區，但是區域性非常強，受地表景觀環境影響非常大。如我國與印度甘蔗產區地理環境差異較大，因此對不同區域甘蔗的遙感監測具有極強的區域特性。我國是繼巴西和印度之后的第三大食糖生產國，且90%以上的糖料來自甘蔗［17］。廣西壯族自治區是我國最大的甘蔗生產基地［18］，其甘蔗種植面積和產量均占全國總產量的65%以上［17］。然而，廣西壯族自治區云量大、石漠化嚴重、地塊極其破碎、種植結構復雜、甘蔗種植區錯綜凌亂等特點給遙感應用帶來了諸多挑戰。因此，譚宗琨等基于EOS_MODIS、HJ_1、GF_1_WFV、GF_2、Landsat8_OLI等數據采用最大似然法、決策樹分類、面向對象、非監督分類、隨機森林分類等方法，實現了廣西壯族自治區不同區域甘蔗識別［19-22，8］。但采用的數據多為過去幾年前的數據，近實時的甘蔗動態分布無法快速精準反演。因此，大規模甘蔗最新動態分布的測繪可能取決于新興傳感器的能力。Sentinel-2是目前全球開源影像數據中分辨率最高的多光譜成像產品，且重訪周期短（5 d），提供了13個多光譜波段，其中4個傳統波段（紅/綠/藍/近紅外）的空間分辨率為10 m，3個波段為用于植被探測的紅邊波段［23］。在光學數據中，Sentinel-2數據是唯一在紅邊范圍含有3個波段的數據，這對監測植被等非常有效。Sentinel-2數據已被用于植被［24-25］，如估算森林冠層覆蓋度和葉面積指數［26］、繪制紅樹林地圖［27］以及預測森林生長量［28］，但它們很少應用于甘蔗。與傳統的Landsat（30 m）和MODIS（250 m）數據相比，Sentinel-2數據具有更高的時空分辨率和更多的光譜信息， 可以為喀斯特山區甘蔗種植區遙感提取提供新的思路。針對遙感在甘蔗作物測繪中的潛在局限性以及農戶、 糖廠和地方政府對甘蔗種植情況及時準確信息的實際需求，探討Sentinel-2 在廣西壯族自治區喀斯特山區甘蔗種植區提取中的應用潛力，解決以下3個問題：第一，如何綜合利用對象特征（如紅邊帶、植被指數或紋理信息）對甘蔗種植區高精度識別？ 第二，3種機器學習分類方法（神經網絡、隨機森林、支持向量機）在廣西壯族自治區喀斯特甘蔗種植區Sentinel-2的分類精度如何？ 第三，免費的全球Sentinel-2傳感器能否為甘蔗種植區遙感反演打開一個新的窗口？以期拓展常年多云天氣影響下的喀斯特山區作物種植信息提取和Sentinel-2數據的應用領域。

1 數據與材料

1.1 研究區概況

崇左市位于廣西壯族自治區西南部，是廣西壯族自治區最年輕的地級市，全市轄扶綏、大新、天等、寧明、龍州、憑祥、江州7個縣（市、區），總面積1.73萬km2，其中耕地面積52.02萬hm2，主要種植糧食、甘蔗、水果、瓜菜、木薯等。崇左市地勢大致呈西北及西南略高，向東傾斜，境內山環岳繞，丘陵起伏，山多地少，地貌復雜多樣，以喀斯特巖溶地貌為主體（圖1）；地處北回歸線以南，屬亞熱帶季風氣候區。甘蔗是崇左市最主要的經濟作物，全市近3年平均甘蔗種植面積達28.77萬hm2，全市年產糖量200萬t左右，約占我國的1/5，被譽為“中國糖都”，是我國最大的甘蔗種植、蔗糖生產基地。其中，甘蔗種植區主要分布在崇左市的中部和東部地區，包括扶綏縣、江州區、大新縣南部、龍州縣南部、寧明縣北部和憑祥市東部等。由于受到喀斯特地形地貌等的影響，甘蔗田極其破碎分散，甘蔗、水稻和玉米等作物相間種植，林地、灌木和農田地類錯綜復雜，這給甘蔗田的精準遙感監測帶來一定的挑戰。

1.2 數據來源

本研究使用的Sentinel-2影像數據來源于歐洲航天局（簡稱歐空局）（https：//scihub.copernicus.eu/）。根據甘蔗的生長階段，主要選擇近4年（2018—2021年）甘蔗長勢相對旺盛的分蘗期和伸長期（5—10月）的影像。本研究使用Sentinel-2衛星 L1C 級品，L1C 是經正射校正和幾何精校正的大氣表觀反射率數據，但尚未進行大氣校正。采用歐 空局提供的Sen2cor 插件對采集的1C級圖像進行大氣校正和輻射定標，得到L2A級的底層大氣反射率產品。

此外，DEM數據來自我國地理空間數據云平臺（http：//www.gscloud.cn）。甘蔗種植面積統計數據來源于崇左市統計年鑒和崇左市每年的國民經濟和社會發展統計公報。廣西壯族自治區行政區劃和崇左市行政區劃矢量數據來源于全國地理信息資源目錄服務系統（http：//www.webmap.cn/）。

2 研究方法

將崇左市2018—2021年（5—10月）系列時序Sentinel-2遙感影像經過輻射定標、大氣校正等預處理，利用Sentinel-2數據各波段計算多種植被指數，根據Sentinel-2原始波段、光譜指數和紋理信息特征分析，選取地物訓練樣本；分別采用隨機森林（random forests classification，RFC）、神經網絡 （neural net classification，NNC）和支持向量機（support "vector machine classification，SVMC）3種機器學習分類方法，實現2018—2021年各年份甘蔗種植區遙感提取；最后利用Google Earth影像和統計數據進行精度評價。具體流程見圖2。

本研究使用Sentinel-2數據計算包含紅邊波段的植被指數和常用的不包含紅邊的植被指數來分析Sentinel-2影像在甘蔗識別中的潛力， 以實現甘蔗種植區精準監測。主要選用的植被指數包括歸一化差值植被指數（NDVI）、增強植被指數（EVI）、地表水分指數（LSWI）、改進的歸一化水體指數（MNDWI） 、紅邊 1 歸一化植被指數（NDVIre1）（表1）。

2.2 甘蔗種植區遙感提取方法

本研究采用當前最常用且效果較好的隨機森林、神經網絡和支持向量機3種機器學習分類方法，對崇左市2018—2021年的Sentinel-2影像進行甘蔗種植區遙感提取，并對比分析甘蔗區提取結果與精度，揭示Sentinel-2在廣西壯族自治區甘蔗種植區提取中的應用潛力和定性定量評估構建的甘蔗種植區提取方法的有效性。

3 廣西壯族自治區崇左市甘蔗種植區遙感提取

3.1 建立典型地物解譯標志

Sentinel-2在4-3-2波段自然真彩色合成下，根據地物類型的顏色、紋理特征，能較清晰地判斷出不同地物類型。根據分類的需要，目前主要將崇左市地物分成甘蔗、水稻、其他耕地、林地、草地/灌木、裸地、建設用地、水體8種地物類型。甘蔗、水稻、其他耕地都分布在較平坦、靠近交通道路的區域；林地、草地/灌木主要分布在高山區域；在喀斯特山區，有明顯的呈黃色裸露石頭或粉紅色的裸地；甘蔗與水稻、水稻與草地灌木較容易混淆，其他地物識別度都相對較高。甘蔗的紋理較粗，顏色較深，呈墨綠色，而水稻的紋理相對偏細，顏色較淺，呈淺綠色，多數靠近河流等水域。其他耕地顏色相對復雜，淺黃色、淺綠色、淺粉色等交錯。此外，還可以根據地理位置，周邊環境等條件進行進一步區分（表2）。

3.2 基于植被指數、DEM、土地利用數據的特征分類

為了進一步區分各地物類型，將Sentinel-2構建的植被指數和DEM、土地利用數據進行分析每類地物的特點，構建特征分類。第1層，將植被、水體、建設用地和裸地區分，植被中的林地、草地/灌木、甘蔗、水稻等NDVI、LSWI和EVI都較高，Dong等將LSWIgt;0和EIVgt;0.2的算法應用于MODIS和Landsat數據進行中國、美國和泛熱帶地區的常綠植被制圖［34］。本研究使用相同的算法對廣西壯族自治區崇左市植被進行提取。水體識別使用改進的歸一化水體指數（MNDWI）、NDVI和EVI來 計算，（MDWIgt;NDVI 或 MNDWIgt;EVI） 和 （NDVIlt; 0.1或 EVIlt;0.1）［35］。建設用地和裸地的NDVI和LSWI一般都較低，鑒于廣西壯族自治區的景觀非常復雜和破碎，將LSWI的閾值從Dong 等 的0［34］修改為0.2 （LSWIlt;0.2），以識別建設用地、裸地和植被的混合像素。第2層，將耕地與裸地進行區分，主要將林地、草地/灌木類與甘蔗、水稻和其他耕地類進行區分。根據崇左市地形地貌的特點，耕地主要分布在較平坦的交通便利的峰叢谷地、峰叢洼地區域，其坡度一般都較小，可以采用DEM數據和原來的土地利用數據將耕地與非耕地進行區分。第3層，在原來的基礎上，將甘蔗與水稻、其他耕地，林地與草地/灌木進一步精確分類。將Sentinel-2計算的植被指數通過多次試驗進一步將所有地物類型進行精確區分（表3）。

3.3 分析Sentinel-2不同地物波譜曲線

根據Sentinel-2自然真彩色圖像及建立的典型地物解譯標志，提取各典型地物光譜特征，并繪制其光譜特征曲線（圖3）。經過對比分析發現，甘蔗、水稻、林地和草地/灌木具有較相似的波譜變化特征，但其最高值（波譜8A）和1 600 nm（波譜11）處都有一定差異。其他耕地、裸地、建設用地、水體和云都可高度區分。

3.4 典型地物樣本選取及可分離度檢驗

根據Sentinel-2所選取的解譯標志，針對不同地物類型間的特征關系、紋理信息和波譜曲線特性，通過對比、分析和判斷，選取2018—2021年崇左市下墊面各典型地物類型訓練樣本，每年樣本量約400個，并不斷循環調整，選擇可分離度最優的訓練樣本組合。

在最優的樣本組合中，各典型地物的可分離度都很高，Jeffries- Matusita和Transformed Divergence參數均在1.9～2.0之間。以2020年的分類樣本為例，甘蔗與草地/灌木間的參數范圍最低（1.98左右）， 甘蔗與其他地物間的參數均在1.99以上。上述地物樣本的選取能滿足遙感分類的分離度需求。

3.5 甘蔗種植區遙感提取

根據所選的地物訓練樣本，分別采用隨機森林、神經網絡、支持向量機3種機器學習分類方法，繪制崇左市甘蔗種植區分布圖，以2020年為例，3種分類方法得到的結果見圖4。3種分類結果典型地物空間分布與原始Sentinel-2數據大致吻合，甘蔗、水稻、 其他耕地地物主要分布在崇左市中部、東部地勢平坦地區；林地、草地/灌木類主要分布在北部和南部高山區域；建設用地、裸地和水體能較準確地提取。林地是最大的植被類型，其次是草地灌木，甘蔗排第三，甘蔗又是耕地中最多的類型。

將其中的一種分類方法（隨機森林）的分類結果局部放大，與Sentinel-2原圖做進一步對比，可清晰地辨識各典型地物的提取情況。b點的建設用地能準確分類出城市建筑和交通道路；c點的林地基本如實提取，偶合會出現與草地/灌木混淆的區域；d點的甘蔗反演與原圖基本對應；e點的湖泊水體的識別度較好（圖5）。

將2018—2021年崇左市甘蔗種植區提取結果作比較，以隨機森林分類結果為例（圖6）。近4年廣西壯族自治區崇左市甘蔗種植分布和面積趨于較穩定狀態。崇左市甘蔗種植主要集中在中部和東部，空間上呈集中連片分布，北部和南部較少，空間上分布較零散。其中，扶綏縣、江州區、龍州縣、大新縣甘蔗種植面積較大，寧明縣、天等縣、憑祥市種植較少。甘蔗的種植與地形地貌、河流水系和交通道路等因素密切相關。崇左市以喀斯特巖溶地貌為主，極大限制了甘蔗的種植區域。在地形平坦、耕作面積大、距離水系較近、交通便利的區域，甘蔗種植較密集；在丘陵山區，土地較貧瘠，地勢坡度較大，甘蔗分布較零星。

3.6 甘蔗種植面積精度檢驗

3.6.1 混淆矩陣精度評價

基于驗證樣本，將2018—2021年崇左市甘蔗分類結果采用混淆矩陣計算方法進行解譯精度評價。具體以總體精度、κ系數、用戶精度和生產者精度作為主要檢驗指標（表4）。2018—2021年崇左市地物3種分類方法的分類總體精度均達91%以上，κ系數均達0.88以上，用戶精度達94%以上，生產者精度達92%以上。表明2018—2021年崇左市甘蔗種植區提取效果較好，分類精度較高，能滿足應用需求。

3.6.2 統計數據精度評價

為了進一步評價基于Sentinel-2的崇左市甘蔗種植區遙感反演精度，將解譯的2018—2021年崇左市甘蔗區面積與統計數據進行對比（圖7）。3種分類方法遙感解譯的甘蔗面積與統計數據面積非常接近。2018年反演精度較好的是支持向量機分類方法，其相對誤差為2.77%；2019年反演精度相對較高的是神經網絡分類方法，其相對誤差是4.32%；2020年反演精度最好的為神經網絡分類，相對誤差為-2.84%。2021年由于缺乏甘蔗種植面積統計數據，無法計算具體誤差。但2021年3種方法提取的甘蔗面積分別為31.08萬、25.58萬、24.42萬hm2，與2018—2020年統計的平均面積28.77萬hm2非常接近。

4 討論

本研究采用免費的Sentinel-2衛星遙感數據作為主要數據源，對我國主要的甘蔗種植基地——廣西壯族自治區崇左市的甘蔗作物信息進行提取。數據獲取的時間范圍是2018—2021年，崇左市的甘蔗、玉米和水稻是主要作物。同時，主要以喀斯特地形地貌為主，農作物和果樹（香蕉、火龍果、橘子等）的套種模式是崇左市較普遍的農業種植模式。該區域具備甘蔗生長的雨熱條件，非常適合種植甘蔗。但常年受云雨天氣影響嚴重，農田極其破碎分散，作物相間種植，地類錯綜復雜等特點給精準遙感應用帶來一定的挑戰。因此， 在多云雨天氣條件下的復雜破碎景觀中探究適用于喀斯特山區甘蔗種植區提取的方法十分有意義，不僅是農業調查一個新方向，也可以拓展Sentinel-2數據的應用領域。

本研究利用Sentinel-2數據計算多種植被指數，根據Sentinel-2原始波段、光譜指數和紋理信息特征分析，選取地物訓練樣本，并引入DEM等輔助識別特征變量，采用神經網絡、隨機森林、支持向量機3種機器學習方法，實現2018—2021年甘蔗種植 區遙感提取。對分類結果進行定量與定性的分析，結果表明：（1）使用Sentinel-2數據計算包含紅邊波段的植被指數和常用的不包含紅邊的植被指數：歸一化差值植被指數（NDVI）、增強植被指數（EVI）、地表水分指數（LSWI）、改進的歸一化水體指數（MNDWI） 、紅邊 1 歸一化植被指數（NDVIre1）。利用Sentinel-2構建的植被指數和DEM、土地利用數據，構建特征分類，為實現喀斯特山區甘蔗種植區精準監測提供了非常有利的信息。Sentinel-2在4-3-2波段自然真彩色合成下，不同地物類型的顏色、紋理特征差異較大，能較清晰地判斷出不同地物類型。同時，Sentinel-2不同地物 波譜曲線明顯，可高度區分。因此，在最優的樣本組合中，各典型地物的可分離度都很高。如2020年甘蔗與草地/灌木間的參數范圍最低（1.98左右），甘蔗與其他地物間的參數均在1.99以上。（2）分別采用隨機森林、神經網絡、支持向量機3種機器學習分類方法，繪制2018—2021年崇左市甘蔗種植區分布圖，進一步證明Sentinel-2提取甘蔗種植區的適用性。從2018—2021年各年份的分類精度、κ系數來看，比之前基于EOS_MODIS、HJ_1、GF_1_WFV、Landsat8_OLI等遙感數據提取的甘蔗種植區的精度要高。（3）本研究區域為廣西壯族自治區崇左市，范圍較小，屬于喀斯特地形地貌，對于非喀斯特地區的甘蔗種植區遙感提取需要進一步驗證。后期擬開展全國范圍的甘蔗種植區遙感提取與實地調研，爭取在全國尺度上實現近實時甘蔗種植區的高效、精確提取，進而為自動提取甘蔗種植區域提供新的解決方法與技術路線。

5 結論

本研究基于Sentinel-2數據對廣西壯族自治區崇左市2018—2021年甘蔗種植區遙感進行提取，得到如下結論：第一，Sentinel-2的原始波段光譜信息、光譜指數和紋理信息在甘蔗種植區高精度識別都可提供非常有利的信息，識別度都較高。3種機器學習分類方法（神經網絡、隨機森林、支持向量機） 在廣西壯族自治區喀斯特甘蔗種植區Sentinel-2 的提取效果都較好。崇左市甘蔗種植區總體分類精度高于91%，κ系數均大于0.88；3種分類方法提取面積誤差均值為-4.84%。可滿足開展廣西壯族自治區崇左市甘蔗種植布局優化、災害監測及農業規劃等的需求。第二，2018—2021年，崇左市甘蔗種植面積趨于較穩定狀態；主要甘蔗種植區以扶綏縣、江州區、龍州縣及大新縣南部和寧明縣北部為主，全市甘蔗沿著河流水系、平坦地形地貌成片集聚分布，最北的天等縣和最南的寧明縣分布較少。

該結果與統計數據高度吻合，可為快速甘蔗統計與產量估算提供可靠數據支撐。第三，免費的全球Sentinel-2影像是目前全球開源影像數據中分辨率最高的多光譜成像產品，且重訪周期短，更新速度快，在識別地物類型多樣、農田碎片化和多云天氣頻繁的復雜景觀中的作物信息具有較好潛力，可為喀斯特山區甘蔗種植區提取提供新的思路，也能為地方政府、農業學家和甘蔗管理者選擇遙感影像提供參考。

參考文獻：

［1］ Wang J，Xiao X M，Liu L，et al. Mapping sugarcane plantation dynamics in Guangxi，China，by time series Sentinel-1，Sentinel-2 and Landsat images［J］. Remote Sensing of Environment，2020，247：111951.

［2］Cardona C A，Quintero J A，Paz I C. Production of bioethanol from "sugarcane bagasse：status and perspectives［J］. Bioresource Technology， 2010，101（13）：4754-4766.

［3］Mulianga B，Bégué A，Clouvel P，et al. Mapping cropping practices of a sugarcane-based cropping system in Kenya using remote sensing［J］. Remote Sensing，2015，7（11）：14428-14444.

［4］謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長勢監測［J］. 中國生態農業學報（中英文），2021（2）：410-422.

［5］郝鵬宇，唐華俊，陳仲新，等. 基于歷史增強型植被指數時序的農作物類型早期識別［J］. 農業工程學報，2018，34（13）：179-186.

［6］Massey R，Sankey T T，Congalton R G，et al. MODIS phenology-derived，multi-year distribution of conterminous U.S. crop types［J］. Remote Sensing of Environment，2017，198：490-503.

［7］Sidike P，Sagan V，Maimaitijiang M，et al. dPEN：deep progressively expanded network for mapping heterogeneous agricultural landscape using WorldView-3 satellite imagery［J］. Remote Sensing of Environment，2019，221：756-772.

［8］Zhou Z，Huang J F，Wang J，et al. Object-oriented classification of sugarcane using time-series middle-resolution remote sensing data based on AdaBoost［J］. PLoS One，2015，10（11）：e0142069.

［9］Jiang H，Li D，Jing W L，et al. Early season mapping of sugarcane by applying machine learning algorithms to sentinel-1A/2 time series data：a case study in Zhanjiang City，China［J］. Remote Sensing，2019，11（7）：861.

［10］ Verma A K，Garg P K，Hari Prasad K S.Sugarcane crop identification from LISS Ⅳ data using ISODATA，MLC，and indices based decision tree approach［J］. Arabian Journal of Geosciences，2017，10（1）：16.

［11］陳燕麗，蒙良莉，黃肖寒，等. 基于SPEI的廣西甘蔗生育期干旱時空演變特征分析［J］. 農業工程學報，2019，35（14）：149-158.

［12］丁美花，鐘仕全，譚宗琨，等. MODIS與ETM數據在甘蔗長勢遙感監測中的應用［J］. 中國農業氣象，2007，28（2）：195-197，211.

［13］何亞娟，潘學標，裴志遠，等. 基于SPOT遙感數據的甘蔗葉面積指數反演和產量估算［J］. 農業機械學報，2013，44（5）：226-231.

［14］Mulianga B，Bégué A，Simoes M，et al. Forecasting regional sugarcane yield based on time integral and spatial aggregation of MODIS NDVI［J］. Remote Sensing，2013，5（5）：2184-2199.

［15］Adami M，Rudorff B F T，Freitas R M，et al. Remote sensing time series to evaluate direct land use change of recent expanded sugarcane crop in Brazil［J］. Sustainability，2012，4（4）：574-585.

［16］El Hajj M，Bégué A，Guillaume S，et al. Integrating SPOT-5 time series，crop growth modeling and expert knowledge for monitoring agricultural practices-the case of sugarcane harvest on Reunion Island［J］. Remote Sensing of Environment，2009，113（10）：2052-2061.

［17］Li Y R，Yang L T. Sugarcane agriculture and sugar industry in China［J］. Sugar Tech，2015，17（1）：1-8.

［18］Zhu Q H，Lowe E A，Wei Y A，et al. Industrial symbiosis in China：a case study of the Guitang Group［J］. Journal of Industrial Ecology，2008，11（1）：31-42.

［19］譚宗琨，吳良林，丁美花，等. EOS/MODIS數據在廣西甘蔗種植信息提取及面積估算的應用［J］. 氣象，2007，33（11）：76-81.

［20］丁美花，譚宗琨，李 輝，等. 基于HJ-1衛星數據的甘蔗種植面積調查方法探討［J］. 中國農業氣象，2012，33（2）：265-270.

［21］王久玲，黃進良，王立輝，等. 面向對象的多時相HJ星影像甘蔗識別方法［J］. 農業工程學報，2014，30（11）：145-151.

［22］劉吉凱，鐘仕全，徐 雅，等. 基于多時相GF-1WFV數據的南方丘陵地區甘蔗種植面積提取［J］. 廣東農業科學，2014，41（18）：149-154.

［23］Drusch M，del Bello U，Carlier S，et al. Sentinel-2：ESA's optical high-resolution mission for GMES operational services［J］. Remote Sensing of Environment，2012，120：25-36.

［24］Immitzer M，Vuolo F，Atzberger C.First experience with sentinel-2 data for crop and tree species classifications in central Europe［J］. Remote Sensing，2016，8（3）：166.

［25］林陳捷，劉振華，張小媛，等. 基于紅邊指數的耕地質量遙感制圖［J］. 江蘇農業科學，2022，50（20）：233-240.

［26］Korhonen L，Packalen P，Rautiainen M.Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index［J］. Remote Sensing of Environment，2017，195：259-274.

［27］Wang D Z，Wan B，Qiu P H，et al. Evaluating the performance of sentinel-2，landsat 8 and pléiades-1 in mapping mangrove extent and species［J］. Remote Sensing，2018，10（9）：1468.

［28］ Puliti S，Saarela S，Gobakken T，et al. Combining UAV and Sentinel- 2 auxiliary data for forest growing stock volume estimation through hierarchical model-based inference［J］. Remote Sensing of Environment，2018，204：485-497.

［29］Tucker C，Pinzon J，Brown M，et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data［J］. International Journal of Remote Sensing，2005，26（20）：4485-4498.

［30］Huete A，Didan K，Miura T，et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］. Remote Sensing of Environment，2002，83（1/2）：195-213.

［31］Xiao X，Boles S，Liu J，et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images［J］. Remote Sensing of Environment，2005，95（4）：480-492.

［32］Xu H. Modification of normalised difference water index （NDWI） to enhance open water features in remotely sensed imagery［J］. International Journal of Remote Sensing，2006，27（14）：3025-3033.

［33］Gitelson A，Merzlyak M N .Quantitative estimation of chlorophyll-a using reflectance spectra：experiments with autumn chestnut and maple leaves［J］. Journal of Photochemistry and Photobiology B Biology，1994，22（3）：247-252.

［34］Dong J W，Xiao X M，Kou W L，et al. Tracking the dynamics of paddy rice planting area in 1986—2010 through time series Landsat images and phenology-based algorithms［J］. Remote Sensing of Environment，2015，160：99-113.

［35］Zou Z H，Xiao X M，Dong J W，et al. Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016［J］. Proceedings of the National Academy of Sciences of the United States of America，2018，115（15）：3810-3815.

收 稿日期：2023-03-27

基金項目：國家自然科學基金（編號：42061071）；廣西科技基地和人才專項（編號：桂科AD20297027）；廣西自然科學基金（編號：2021GXNSFBA220061）；廣西高校中青年教師科研基礎能力提升項目（編號：2021KY0397）；統計學廣西一流學科建設項目（編號：桂教科研〔2022〕1號）。

作者簡介：楊 妮（1989—），女，廣西桂平人，博士研究生，副教授，主要從事GIS與遙感應用以及空間信息技術應用與服務研究。E-mail：yangniyyy@163.com。

通信作者：鄧樹林，博士，助理研究員，主要從事資源環境遙感研究。E-mail：dengshulin12531@163.com。