基于哨兵二號影像和特征優選模型的生姜面積提取研究

摘要：準確獲取生姜的種植面積和空間分布等重要信息對于預測市場價格、估算產量、災害預警和政策制定至關重要。然而，針對復雜種植模式下萊蕪地區的生姜遙感識別研究仍然相當匱乏。對生姜的種植特征及栽培管理特點進行深入分析，并構建兩個生姜指數用以參與特征因子重要性排序；基于Sentinel-2數據，采用隨機森林分類算法和特征優選模型提取生姜種植面積和空間分布。結果表明：Sentinel-2數據和構建的生姜指數的應用對萊蕪區生姜種植面積遙感監測有良好效果，總體分類精度可達91.32%，與實際年種植面積相比，誤差為4.47%，可滿足生姜生產經營的實際需要。對提取具有復雜田間布局和多樣化種植方式的生姜種植面積具有重要的參考價值。

關鍵詞：生姜面積；哨兵二號；生姜指數；特征優選；隨機森林

中圖分類號：S127""""" 文獻標識碼：A""""" 文章編號：2095?5553 （2025） 02?0207?10

Ginger area extraction study based on Sentinel-2 images and feature preference model

Li Jianfeng1， 2， 3， Liu Pingzeng1， 2， 3， Dong Chao1， Zhang Yan1， 2， 3

（1. School of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. Key Laboratory of Intelligent Agriculture Technology of the Yellow and Huaihai Sea， Ministry of Agriculture and Rural Affairs， Tai'an， 271018， China; 3. Agricultural Big Data Research Center， Shandong Agricultural University， Tai'an， 271018， China）

Abstract： Accurate acquisition of important information such as planting area and spatial distribution of ginger is essential for market price prediction， yield estimation， disaster warning and policy formulation. However， there is still a lack of research on remote sensing identification of ginger in the Laiwu area under complex cropping patterns. In this study， the planting characteristics and cultivation management characteristics of ginger were analyzed in depth and two ginger indices were constructed to participate in the importance ranking of feature factors， based on Sentinel-2 data， Random Forest classification algorithm and feature preference model were used to extract ginger planting area and spatial distribution. The results indicate that the application of Sentinel-2 data and the constructed ginger index has achieved good results in the remote sensing monitoring of ginger planting area in the Laiwu District， with an overall classification accuracy of 91.32%. Compared with the actual annual planting area， the error is 4.47%， which can meet the practical needs of ginger production and operation. This study has significant reference value for the extraction of ginger planting areas with complex field layouts and diverse cultivation methods.

Keywords： ginger area; Sentinel-2; ginger index; feature preference; Random Forest

收稿日期：2023年3月10日""""""" 修回日期：2023年6月12日

? 基金項目：山東省農業重大應用技術創新項目（SD2019ZZ019）；山東省科技特派員項目（2020KJTPY078）；山東省重大科技創新工程項目（2019JZZY010713）

第一作者：李劍風，女，1997年生，山東德州人，碩士研究生；研究方向為農業大數據與農業遙感。E?mail： fengluozhiguo_li@163.com

通訊作者：柳平增，男，1968年生，濟南人，博士，教授，博導；研究方向為農業大數據、農業物聯網、區塊鏈。E?mail： pzliu@sdau.edu.cn

0 引言

中國生姜栽培歷史悠久，其是經濟價值很高的蔬菜。雖然我國生姜種植面積最大、生產總量最高、出口最多，但仍然面臨著日益增長的市場需求與挑戰。及時有效地獲取生姜種植面積及其空間分布對價格走勢、作物長勢、災害預警等具有重要意義[1]。傳統的農業調查方法估算生姜種植面積通常會耗費大量時間與精力，且易受主觀因素影響，往往無法提供準確的空間分布信息[2]。

遙感技術可以更有效和客觀地實現大規模的農作物種植面積提取。近些年來，衛星傳感器逐漸朝著高空間分辨率和多光譜的方向發展，其中紅邊波段與短波紅外波段在農作物面積遙感提取中展現出巨大的潛力[3]。植被指數可以高效輔助光譜特征提升農作物的分類精度，盡管已有不少學者利用遙感技術開展對小麥、玉米、小宗作物等種植面積提取的多種研究，但當前研究多為大面積、地塊規整的農田產區，對地塊狹小、多以散戶種植為主、作物種植模式較為復雜的生姜主產區的萊蕪區鮮有關注。該地區農田景觀破碎，作物種植模式復雜，對遙感識別有著巨大挑戰[4]。因此，急需探究出一種適合此類地區的作物遙感提取方法。

正確使用遙感影像數據是有效提取農作物種植面積的前提。目前應用較多的MODIS、Landsat和GF—1WFV數據在空間分辨率、重訪周期、光譜波段等方面具有各自的缺陷[5]。相關研究表明，哨兵二號影像數據能夠有效提取種植模式復雜地區的作物面積，由于生姜具有獨特的栽培管理方式，其在生長季早期覆蓋白色地膜、生長季中期需要遮陰處理，與其他作物有著顯著差異，所以更有利于生姜識別。因此，針對目前遙感識別作物面積研究存在的不足，本文基于生姜識別的優選特征模型的哨兵二號影像，在田間調查數據和省區縣劃矢量數據等數據的輔助下，依據生姜獨有的栽培管理模式，建立生姜提取指數和生姜膜網指數并結合隨機森林分類方法在萊蕪地區提取生姜面積的表現，探究形成一套有效提取生姜種植面積的方法。

1 研究區與數據源

1.1 研究區概況

研究區域為山東省濟南市萊蕪區，地理坐標為北緯36°02'46″～36°33'10″，東經117°19'0″～117°58'05″；整體地形南緩北陡，北、東、南三面環山，中部地形為泰萊平原，地勢低緩起伏。萊蕪區屬于溫帶大陸性半濕潤季風氣候區，具有四季分明的氣候特征。年平均氣溫12.5"℃，無霜期191天，年平均降雨量760.9"mm，全年光照時數2"377.3"h。冷暖適宜，無霜期長，光照充足，光、熱、水資源的季節性變化與作物生長期之間存在較好的匹配關系，雨熱同期，無嚴重旱、澇、凍、雹等自然災害，特別是9—10月，秋高氣爽，光照充足，晝夜溫差大，正是生姜形成產量的關鍵時期，氣化條件非常有利于生姜的生長發育[6]。

萊蕪市糧食作物以種植小麥、玉米為主，布局在城東、城北、城南山區；城西沿河岸地區主要種植玉米和大蒜、大蔥、白菜等蔬菜作物。一般，玉米和大蒜等蔬菜作物輪作。而傳統的生姜的種植模式是一年只種一季，于4月中上旬覆膜播種，5—8月中下旬進行遮陰管理，同年10月中上旬收獲成熟。

1.2 數據源

1.2.1"Sentinel-2數據

綜合考慮影像質量、生姜種植特點等方面的影響，選取2021年4—10月L1C級別的濟南市萊蕪區的Sentinel-2影像數據（影像云量小于5%）已備研究，部分數據于GEE平臺上（數據集名稱為“COPERNICUS/S2”）免費獲取，部分影像于歐空局官方網站（http：//scihub.copernicus.eu/）下載[7]。

Sentinel-2數據共具有13個光譜波段，覆蓋了可見光、近紅外到短波紅外波普范圍，可以實現對地表連續、高頻和動態監測，有利于獲取作物的生長時期圖像并能顯示更豐富的田間地塊細節[8]。本文對其中9個波段進行研究，其中包含3個紅邊波段，如表1所示。

1.2.2 其他輔助數據

1）"濟南市萊蕪區各縣、區行政區劃矢量數據。數據來源于2019年中國（山東省）省、市、縣區劃最新矢量范圍數據。

2）"田間調查數據。為了解并確定研究區內不同的地物類型及典型樣本數據所處的空間位置。在獲取實地生姜樣本種植影像的同時，使用配備GPS和高清地圖的OvitalMap軟件及移動設備，記錄關鍵地塊的精確位置和地物類型。

3）"濟南市萊蕪區2021年統計年鑒數據和谷歌地圖影像數據。

1.3 技術路線

研究的技術路線包括數據獲取與處理、特征提取與特征優化、分類算法及精度評價等步驟。首先對研究區的Sentinel-2數據進行預處理，以獲取合格的影像數據。通過分析光譜特征和植被指數特征，構建最佳特征集合，并利用目視解譯和實地采樣數據采集樣本點數據，降低數據維度，提高特征選擇的準確性[9]。采用隨機森林算法進行分類，并進行參數調優。最后對分類結果進行精度評價，實現生姜種植面積的提取。具體的技術路線如圖1所示。

2 研究方法

2.1 數據處理

選用Sentinel-2影像數據進行影像預處理，過程包括：鑲嵌裁剪、輻射定標、大氣校正、像素重采樣、波段融合等。下面介紹基于GEE平臺的影像處理過程。

1）"定義樣本點，根據時間范圍進行數據每日合成并返回每個有數據日期的影像數據集，篩選出有效像元大于70%的影像[10]。

2）"去云操作處理。利用QA60波段所支持的云掩膜信息進行去云處理。該技術的原理基于云在藍色波段和遠紅外波段中所呈現的光譜特性，有效識別和區分低空密云和高空卷云等不同類型的云[11]。

3）"對L1C級數據進行大氣校正，采用空間分辨率為10"m的4個波段與20"m的5個波段開展對生姜面積的提取與研究，為使各個波段的空間分辨率具有一致性，進行波段融合，并將Sentinel-2所有分辨率數據統一重采樣至10"m。根據設定的時間窗口，使用Reduce方法實現影像的中值合成，再把合成的影像輸入到分類器中進行分類處理[12]。

4）"監督分類處理：加載地圖底圖；獲取研究區影像數據；創建訓練樣本；分類器訓練；影像監督分類；分類結果顏色修改；添加圖例和可視化展示；分類結果導出。

2.2 集成分類方法

2.2.1 分層逐級提取方法

為使優選得到的遙感判別特征更具有針對性，首選基于Sentinel-2影像，利用分層逐級提取方法[13]，分別利用歸一化建筑指數NDBI[14]、改進的歸一化水體指數MNDWI[15]以及近紅外波段反射率，構建決策樹篩選規則剔除人工地物（如建筑、道路等）、水體、裸地等地物類型的分布區域。為進一步提高結果的可靠性，借助2020年中國土地利用覆蓋數據集（CLUDS）提供的耕地分布作為分類的輔助條件，進一步篩選出結果中農林作物地物類型區域[16]。最后基于生成的掩膜文件進行掩膜處理得到田間植被的總體分布，進而更精準地提取生姜所在區域。

式中： G——綠波段；

NIR——近紅外波段；

SWIR1——短波紅外波段。

2.2.2 隨機森林分類

隨機森林（Random"Forest，RF）分類器的一個突出優點是不容易過度擬合，且對噪聲和異常值有更大的容忍度[17]。它使用多棵樹來訓練和預測樣本，從給定的訓練數據集中訓練得到一個最優模型（該模型屬于某個函數的集合，最優表示某個評價準則下是最佳的），再利用這個模型將所有的輸入映射為相應的輸出，如圖2所示。

隨機森林分類主要包括兩個隨機選擇的步驟：基于bootstrap抽樣原理，從原始樣本數據集中建立約2/3的訓練數據樣本，并為每個訓練樣本分別生成決策樹，基于剩余的數據樣本用來評估袋外（OOB）誤差并進行內部的交叉驗證[18]，以此評估隨機森林分類器的分類結果的高低；由Gini系數來確定各個節點的分裂條件并將所有決策樹組合，最終搭建完成隨機森林。

2.3 田間植被影像顏色特征

結合研究區域的農作物種植情況和遙感影像反映的信息，綜合考慮并選擇具有明顯光譜差異的4月、8月和10月影像展示生姜地塊與其他作物地塊的顏色特征差異，表2中影像為Google"Earth街景圖。

由表2可知，在4月，生姜地塊采用農膜覆蓋，地膜圖斑為白色，區別于無覆膜的農田且圖斑紋理呈突起的條狀；農田呈平面的塊狀。而大蒜地塊則具有明顯的顏色特征，易于與生姜地塊區分。在8月，生姜地塊使用黑色遮陰網管理，同時期玉米和紅薯等蔬菜作物正處于旺盛期，顏色特征為綠色。在10月，生姜剛收獲時期，其他地塊的農作物已枯黃或者收獲，有些地塊剛播種（如大蒜地塊已覆蓋白色地膜）或待種植冬季作物，而生姜的地面葉組織仍然呈現綠色狀態，所以此時遙感影像上生姜地塊顏色特征呈青綠色。生姜收獲后至次年播種期間土地休耕，農田則呈現出黃灰色的裸地狀態。

2.4 生姜遙感識別模型的構建

2.4.1 生姜指數建立

經研究發現，紅邊波段能夠評估植被覆蓋度和健康狀況，具有區分不同農作物的優勢。由于VRE6波段處于植被光譜紅邊區域的中心位置，對植被的響應更為敏感。在生姜地塊的分類和面積提取中，選擇VRE6波段參與后續的研究分析。

為提高生姜地塊的識別率，定義一個累積波段CB，包括紅波段R、綠波段G、藍波段B、紅邊波段VRE6、近紅外波段NIR、短波紅外SWIR1、短波紅外SWIR2波段。其計算如式（3）所示。

[CB=R+G+B+VRE6+NIR+SWIR1+SWIR2] （3）

對每期影像的選用波段的反射率值進行比較分析，不同地物對不同波段的光譜響應不同，圖3為不同地物的光譜波段的反射率均值圖。由圖3可知，萊蕪區的主要地物在R、NIR、SWIR2等波段中的反射率差異明顯，在CB波段中的反射率差異最為顯著。水體在各個波段的反射率與其他地物相比明顯較低，尤其是在近紅外波段差別最大。表明水體在近紅外波段的吸收率大于其他地物；裸土、人工地物在紅、綠、藍波段與水體和其他植被有顯著的差異。生姜和其他植被的光譜曲線特征較為相似，但生姜在近紅外波段和累積波段的反射率明顯大于植被。

由2.3節所分析的生姜與其他作物的物候差異同樣證實：姜田早期的白色地膜和夏季的黑色遮陰網是識別生姜的一個基本特征，其顯著影響表面反射率和光譜特征[19]。為放大生姜的物候特征，定義一個生姜栽培管理指數（Ginger Cultivation Management Index， GMNI），采用4—8月間累積波段的差異來表示，其計算如式（4）所示。

[GMNI=CB（4月）-CB（8月）] （4）

式中： [CB（4月）]——生姜4月的累積波段的反射率；

[CB（8月）]——生姜8月的累積波段的反射率。

2.4.2 擴展特征指數

在遙感圖像中，通常使用反射率波段作為地物分類的指標[20]。然而實際應用中，并非所有波段都能有效地識別生姜。因此，在波段選擇和優化的基礎上，考慮引入多種基于選用的波段衍生所得的擴展特征指數，如多種植被指數、建筑指數和水體指數等特征來參與地物類型的分類，進而實現對生姜種植面積的提取[21]。表3中列出5種擴展特征指數[22， 23]，包括歸一化植被指數（NDVI）、增強型植被指數（EVI）、土壤調節植被指數（SAVI）、紅邊歸一化植被指數（NDVIre2）、紅綠植被指數（GRVIre2），其中，R代表紅波段、G代表綠波段、B代表藍波段、VRE6代表紅邊波段、NIR代表近紅外波段。

2.4.3 特征子集優選

利用ReliefF算法先進行特征因子的重要性評估[24]，該算法通過對每個樣本進行隨機采樣，并計算樣本之間的距離來確定最近鄰和次近鄰，然后根據這些相鄰因子之間的差異來評估每個特征的重要性。經過進行多次計算，每次計算時都考慮一個特征的權重，并根據分類結果來調整該特征的權重。最終將所有計算結果的平均值作為每個特征的最終權重，以此來確定哪些特征對分類任務更為重要。其計算如式（5）所示。

在特征權重評估的基礎上，采用順序前向選擇判定法[25]，實現判斷特征子集的最佳維度。即將權重最大的特征因子輸入某個分類器，得到初始分類精度，接著按照特征權重從高到低的順序依次加入下一個權重略低的特征，與前面已加入的特征組合成新的輸入數據，并計算相應的總體分類精度；每次添加一個特征并執行精度評估，直到所有特征全部輸入完畢。

為比較不同輔助特征分類的效果，設置3個RF分類模型（M1～M3）。如表4所示，模型M1作為基準模型包含哨兵影像的9個光譜波段；模型M2包含M1中的光譜波段、擴展特征指數與建立的生姜指數特征；模型M3是篩選所得的最優特征因子組合。

2.4.4 最優模型的判定

將不同的特征組合形式作為輸入，結合隨機森林算法，基于相同的樣本集分別評估三種模型下的分類精度和生姜種植面積的提取精度。借助地面真實數據，基于混淆矩陣[26]計算的總體精度OA、用戶精度UA和制圖精度PA、Kappa系數4個評價指標對所得結果進行分析比較。4個評價指標的計算如式（4）～式（7）所示。

3 試驗結果與分析

3.1 植被指數分割閾值決策樹

結合研究區內對5種地物類型的光譜反射率與指數值分析，通過反復試驗確定了分層提取的決策樹分類規則以及各閾值條件對應的地物類型[27]。圖4為具體的決策樹篩選規則。

人工地物與水體在MNDWI指標上的差異十分顯著，容易實現水體的分離[28]。其中，在研究區內的林木多零散分布于道路和房屋周圍，植被指數（如NDVI或EVI等）數值處于中等水平，僅利用植被指數難以將其與耕地區分開來。由于林木在近紅外波段（NIR）和耕地具有顯著差異，因此，可以基于這個指標差異建立判別規則。根據圖4中數據顯示，當地物的MNDWI值大于-0.26時，地物類型為水體；當地物的MNDWI值≤-0.26時，地物類型為非水體；當地物的NDBI值大于-0.24時，地物類型為人工地物；當地物的NDBI值≤-0.24時地物類型為植被；當地物的近紅外波段的反射率大于0.35時，地物類型為林木；當近紅外波段的反射率≤0.35時，地物類型為耕地；根據GLUDS數據集作為決策樹的最后的判別條件分為田間植被和其他植被。

3.2 生姜和其他作物的物候特征分析

根據對田間植被的調查實況，隨機選取100個生姜、玉米、其他蔬菜的樣本進行分析。圖5為生姜光譜指數，圖6為其他植被光譜指數，其分別顯示這些樣本點的NDVI、EVI、MNDWI的時間序列，其中，橫軸顯示時間變化，縱軸為反射率值。

由圖5和圖6可知，生姜與其他作物在4月下旬的EVI值變化差異明顯；在10月中下旬生姜的NDVI值（0.39～0.52）、EVI值（0.26～0.37）與MNDWI值（0.02～0.18）都較高，而其他植被的3個值相對較低，且MNDWI值達到負值。分析可得，生姜和其他植被類型在4月下旬與10月中旬時期有顯著的物候差異，生姜的綠化時間比其他作物類型要晚，并且收獲時仍為綠色，且含水量較高，而其他田間植被在收割成熟時葉表為黃色或褐色。

3.3"RF模型下的最優特征選擇

結合以上處理的哨兵影像，采用ReliefF算法來評估選取的候選特征因子在生姜識別中的重要性[29]。由圖7可得，在原始光譜波段中NIR的權重值最大，說明近紅外波段對生姜提取的貢獻度很大。NDVIre2是有紅邊波段參與生成的特征因子，依據結果顯示，與紅邊波段相關的特征指數的重要性排序都比較靠前，表明紅邊波段有利于對生姜地塊的遙感識別；此外，EVI和SAVI比其他常用植被指數的識別更有意義。當加入累積波段CB和生姜栽培管理指數GMNI時，特征權重值發生了變化，結果顯示GMNI和CB特征權重值處于前兩位，對于實現生姜和其他農田植被的分離非常有效。

為確保最終得到的特征組合具有最高的分類精度和最小的冗余性，采用最優特征組合的最優維度判定方法[30]。該方法通過逐步添加得分較高的特征因子，將特征權重最大的CB特征添加到分類器中，然后逐步添加得分相對較低的后續特征，直至最后添加NDBI特征，確定出最優特征組合。由圖8可以看出，當輸入的特征個數為8時，分類精度為局部最優。隨著后續特征的繼續增加，精度略有下降并在小范圍內波動；最終選擇了排名前8位的特征變量作為該RF模型的最優特征組合：GMNI、CB、NIR、NDVIre2、SWIR2、VRE6、EVI、R。

3.4 不同最佳特征子集在生姜提取中的表現

將谷歌地球高分辨影像作為生姜種植區空間分布的真實地面參考值，借助320個地面驗證樣本來評估3種模型方案下生姜地塊的提取結果，表5分別列出使用RF分類器結合M1、M2、M3方案所得的不同地物類型的提取精度。由表5可得，RF-M1、RF-M2、RF-M3模型下對生姜地塊的制圖精度分別為80.25%、84.13%、89.29%；用戶精度分別為79.11%、84.87%、88.15%。單一對比M1、M2、M3三種方案分析可得，M3中對各地物類型提取的制圖精度、用戶精度顯著比M1、M2高。由此說明，隨機森林分類器具有良好的分類效果，在加入構建的生姜指數所構成的最優特征集合可以實現較高精度的生姜種植區域的提取。

基于RF分類器，采用M1、M2、M3三個分類模型提取得到的生姜空間分布分別如圖9所示。

由圖9可知，在M1中僅有原始光譜波段參與的分類結果中錯分成其他植被的像元較多，而生姜像元較少，與生姜真實分布具有較大差距；而M3的分類方案在生姜的分布更接近于現實地塊的分類，提取效果較好。據此，結合萊蕪區區劃圖可以看出生姜的種植區主要分布于大王莊鎮、高莊、寨里鎮、羊里鎮、方下鎮等為平原地區、長埠嶺及丘陵地帶。

以大王莊鎮（圖10（a））生姜種植區為例，選取瓜屋子村①、虎口崖村②、下崮村③的生姜地塊為樣方（圖10（b）），樣方內生姜地塊分布較集中，總體空間分布的一致性較強，而在局部地塊具有顯著差別。圖中黃色分類點區域為生姜所在種植區。

將谷歌地球高分辨影像作為生姜種植區空間分布作的真實地面參考值來評估3種模型方案下生姜地塊的提取結果，表6列出M1、M2、M3方案中3處驗證樣方的生姜地塊的提取精度。3種模型在3個驗證樣方的局部地塊與實際的空間分布都存在一定的差異，尤其是在地塊狹長的生姜、玉米鄰接地塊。

從表6可以看出，M1的制圖精度、用戶精度、總體精度和Kappa系數顯著比M2、M3低。與M1相比，M2和M3在所有樣方內的提取效果均得到顯著改善。

在M3中，三處樣方的Kappa系數均在0.80以上，M1在樣方虎口崖村的Kappa系數最低為0.68；M3中三處樣方的Kappa系數分別比M2高0.06、0.08、0.11，提取效果好于M2，提取效果最佳。因此，在加入構建的生姜指數構成的最優特征集合可以實現較高精度的生姜種植區域的提取。

3.5 生姜地塊的分類結果及精度評價

基于生姜獨特的物候特征與隨機森林分類方法初步提取研究區的生姜種植面積。利用統計工具計算3種模型下生姜地塊所占的像元總數、生姜地塊的占比率、總體分類精度；用生姜像元數與每個像元所代表的實際面積相乘[31]，最終提取生姜地塊的種植面積，并與實際年度統計數據4"660.2"hm2相比，求得誤差率如表7所示。由表7可得，RF-M3模型下分類所得的生姜像元占總像元數的2.56%，提取到的生姜面積為4"451.84"hm2，最接近實際數據，誤差僅為4.47%。

4 討論

隨著遙感技術的不斷發展，在當前國內外的農作物面積提取方面，大部分研究主要是利用Landsat、MODIS等影像針對玉米、大豆、小麥、水稻等大面積區域的作物提取研究[32]，而在實際應用中利用遙感提取生姜種植面積的相關研究甚微，針對種植模式比較復雜的地區的生姜面積提取方面的研究更少，迫切需要充分利用生姜特殊的栽培管理特點探索出一套適合生姜遙感識別的方法。

采用多時相Sentinel-2數據獲取山東省濟南市萊蕪區生姜種植區空間分布并提取生姜地塊的種植面積。研究結果表明，哨兵二號影像適合種植模式復雜情況下的生姜地塊的遙感提取研究；分層逐級提取策略將研究對象聚焦于田間植被，可以較好地篩選出田間植被像元，使得到的特征針對性更強且不會對作物提取結果產生不利影響；為準確提取生姜的種植面積，篩選出最優特征組合，利用隨機森林算法對所選的全部特征進行重要性評估，包括累積波段、7個光譜波段和衍生的7個基本的植被指數。其中，構建的兩個生姜指數可以有效地提高生姜地塊與其他地物的可區分性；同時也驗證紅邊波段和紅邊指數可以顯著提升研究區不同地物之間的區分能力；利用篩選最佳特征組合的方法可以有效地提高生姜種植面積提取模型的精度和可靠性。該研究證明在生姜特殊的生長季管理時期的衛星影像適合該農作物的識別，RF分類器與優選特征子集結合應用在生姜種植面積提取中具有一定優勢，且根據生姜獨特的物候特征構建的生姜指數有利于在研究區內更好的提取效果。

選用研究區內的3個樣方來檢驗生姜的提取精度，根據生姜的主產地的分布特征選擇了大王莊鎮的瓜屋子村、虎口崖村、下崮村進行驗證生姜的占比情況。由田間調查研究發現，萊蕪區生姜大多為散戶種植，田間種植結構復雜且在生姜田和其他農田植被的鄰接地塊，由于有些地塊細小和狹長，田間破碎程度較高，所用影像的波段的像元大小為10"m，且某些地塊寬度可能不及一個像元，導致“混合像元效應”明顯，增大了遙感提取的難度，降低了生姜的提取精度，后續將使用高分辨影像或者無人機低空識別進一步探討特殊種植模式下的生姜地塊的面積提取與分類或者探究混合像元分解方法在該地區內生姜地塊的提取效果[33]。

此外，本研究的田間調查工作還不夠完善，尤其是采樣點數量不夠充足，覆蓋的地物類型不夠廣泛。且本研究只關注了一個生長季，后續將在更大尺度上針對多個生長季開展生姜種植面積的提取研究，來檢驗該項研究所得結論的適用性和魯棒性。

5 結論

1）"基于Sentinel-2影像，以萊蕪區生姜主產區為例，針對種植模式復雜、種植結構多樣化以及田間景觀破碎的客觀事實，提出一種基于生姜獨特的物候特征和監督分類結合的方法對包括原始9個光譜波段、擴展的7個特征指數和構建的2個生姜提取指數在內的共18個特征因子進行重要性評估，篩選出識別生姜的最優特征組合，并采用田間調查數據、谷歌地球數據、統計年鑒數據等作為驗證獲取生姜種植區分布和面積。

2）"結果表明，特征重要性排名在前八位的特征，即GMNI（生姜栽培管理指數）、CB（累積波段）、紅邊波段VRE6、短波紅外波段SWIR2、近紅外波段NIR、紅波段R、EVI和NDVIre2是識別生姜的最佳特征組合。最佳特征組合的Kappa系數為0.80～0.85，采用優選特征子集得到的生姜提取精度顯著高于9個原始工作波段。最終結果顯示總體分類精度為91.32%，與實際年度種植面積相比，誤差僅為4.47%。

3）"所提出的研究思路可以為相似種植條件下的生姜遙感識別相關研究提供有益參考，研究成果可以為當地農業部門開展農情調查、長勢評估等工作提供有價值的依據。

參 考 文 獻

[ 1 ]""""" 張開智. 基于大數據平臺的生姜種植面積預測研究與實現[D]. 泰安： 山東農業大學， 2020.

[ 2 ]""""" 趙春江， 楊信廷， 李斌， 等. 中國農業信息技術發展回顧及展望[J]. 中國農業文摘—農業工程， 2018， 30（4）： 3-7.

Zhao Chunjiang， Yang Xinting， Li Bin， et al. The retrospect and prospect of agricultural information technology in China [J]. Agricultural Science and Engineering in China， 2018， 30（4）： 3-7

[ 3 ]""""" Tian H， Pei J， Huang J， et al. Remote sensing garlic and winter wheat identification based on active and passive satellite imagery and the Google Earth Engine in northern China [J]. Remote Sensing， 2020， 12（4）： 1339-1355.

[ 4 ]""""" 張磊， 宮兆寧， 王啟為， 等. Sentinel-2影像多特征優選的黃河三角洲濕地信息提取[J]. 遙感學報， 2019， 23（2）： 313-326.

Zhang Lei， Gong Zhaoning， Wang Qiwei， et al. Wetland mapping of Yellow River Delta wetlands based on multi?feature optimization of Sentinel-2 images [J]. National Remote Sensing Bulletin， 2019， 23（2）： 313-326.

[ 5 ]""""" 韓濤， 潘劍君， 張培育， 等. Sentinel-2A與Landsat-8影像在油菜識別中的差異性研究[J]. 遙感技術與應用， 2018， 33（5）： 890-899.

[ 6 ]""""" 王利民， 劉佳， 季富華. 中國農業遙感技術應用現狀及發展趨勢[J]. 中國農學通報， 2021， 37（25）： 138-143.

Wang Limin， Liu Jia， Ji Fuhua. Status quo and development trend of agriculture remote sensing technology application in China [J]. Chinese Agricultural Science Bulletin， 2021， 37（25）： 138-143.

[ 7 ]""""" 田海峰. 基于Sentinel-1amp;2衛星影像的中國主產區冬小麥遙感識別研究[D]. 北京： 中國科學院大學（中國科學院遙感與數字地球研究所）， 2021.

[ 8 ]nbsp;"""" Ying L， Zhang H， Xue X， et al. Deep learning for remote sensing image classification： A survey [J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2018（12）： e1264.

[ 9 ]""""" 黃艷紅. 基于多源遙感數據的茶園面積提取[D]. 杭州： 浙江大學， 2020.

[10]""""" Review of land use/cover change classification methods based on remote sensing image [J]. Advances in Geosciences， 2020， 10（6）： 500-507.

[11]""""" 唐華俊. 農業遙感研究進展與展望[J]. 農學學報， 2018， 8（1）： 167-171.

Tang Huajun. Progress and prospect of agricultural remote sensing research [J]. Journal of Agriculture， 2018， 8（1）： 167-171.

[12]""""" 呂清章. 萊蕪生姜病蟲害防治措施[J]. 中國果菜， 2019， 39（6）： 71-73.

Lü Qingzhang. Diseases and pests control measures of ginger in Laiwu City [J]. China Fruit amp; Vegetable， 2019， 39（6）： 71-73.

[13]""""" 金永濤， 楊秀峰， 高濤， 等. 基于面向對象與深度學習的典型地物提取[J]. 國土資源遙感， 2018， 30（1）： 22-29.

[14]""""" 包旭瑩， 王燕， 馮琦勝， 等. Sentinel-2和GF-1影像結合提取苜蓿空間分布[J]. 農業工程學報， 2021， 37（16）： 153-160.

Bao Xuying， Wang Yan， Feng Qisheng， et al. Spatial distribution extraction of alfalfa based on Sentinel-2 and GF-1 images [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（16）： 153-160.

[15]""""" 薄乾禎， 陳志杰， 汪權方. 基于決策樹分類的水稻干旱災損評估[J]. 湖北大學學報（自然科學版）， 2021， 43（2）： 155-162.

Bo Qianzhen， Chen Zhijie， Wang Quanfang. Drought damage evaluation of rice based on decision tree classification [J]. Journal of Hubei University （Natural Science）， 2021， 43（2）： 155-162.

[16]""""" 陳燕生， 趙麗娜， 吳亞娟， 等. 改進U-Net的小宗作物遙感圖像分割研究[J]. 科學技術創新， 2021（14）： 11-14.

[17]""""" Rezaee M， Mahdianpari M， Zhang Y， et al. Deep convolutional neural network for complex wetland classification using optical remote sensing imagery [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018（9）： 1-10.

[18]""""" 陽昌霞， 劉漢湖， 張春. 基于SVM與RF的無人機高光譜農作物精細分類[J]. 河南科學， 2020， 38（12）： 1987-1995.

[19]""""" 李明澤， 馬浩然， 吳培昊. 遙感影像在農業中的應用[J]. 天津農學院學報， 2019， 26（3）： 78-82.

Li Mingze， Ma Haoran， Wu Peihao. The application of remote sensing in agriculture [J]. Journal of Tianjin Agricultural University， 2019， 26（3）： 78-82.

[20]""""" Brooker A， Renner K， Price R F， et al. Evaluating high?resolution optical and thermal reflectance of maize interseeded with cover crops across spatial scales using remotely sensed imagery [J]. Agronomy Journal， 2021， 113（3）.

[21]""""" Lee R Y， Chang K C， Ou D Y， et al. Evaluation of crop mapping on fragmented and complex slope farmlands through random forest and object?oriented analysis using unmanned aerial vehicles [J]. Geocarto International， 2020， 35（12）.

[22]""""" 趙偉昱， 張宏海， 仲波. 基于深度學習的遙感影像地塊分割方法[J]. 數據與計算發展前沿， 2021， 3（2）： 133-141.

Zhao Weiyu， Zhang Honghai， Zhong Bo. A deep learning based method for remote sensing image parcel segmentation [J]. Frontiers of Data amp; Computing， 2021， 3（2）： 133-141.

[23]""""" 屈煬， 袁占良， 趙文智， 等. 基于多時序特征和卷積神經網絡的農作物分類[J]. 遙感技術與應用， 2021， 36（2）： 304-313.

[24]""""" 張東彥， 楊玉瑩， 黃林生， 等. 結合Sentinel-2影像和特征優選模型提取大豆種植區[J]. 農業工程學報， 2021， 37（9）： 110-119.

"""" Zhang Dongyan， Yang Yuying， Huang Linsheng， et al. Extraction of soybean planting areas combining Sentinel-2 images and optimized feature model [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 110-119.

[25]""""" Sanjay H， Parmar G R， Patel M M. Trivedi. Remote sensing and GIS based crop acreage estimation of the Rabi season growing crop of the middle gujarat （India） [J]. International Journal of Environment and Climate Change， 2022.

[26]""""" Li Weiguo， Zhang Hong， Li Wei， et al. Extraction of winter wheat planting area based on multi?scale fusion [J]. Remote Sensing， 2022， 15（1）.

[27]""""" Wang Shuo， Feng Wei， Quan Yinghui， et al. A heterogeneous double ensemble algorithm for soybean planting area extraction in Google Earth Engine [J]. Computers and Electronics in Agriculture， 2022， 197.

[28]""""" Wu Lin， Qi Wenwen， Guo Zhengwei， et al. Winter wheat planting area extraction using SAR change detection [J]. Remote Sensing Letters， 2021， 12（10）.

[29]""""" Zhang Shengqing， Yang Peng， Xia Jun， et al. Remote sensing inversion and prediction of land use land cover in the middle reaches of the Yangtze River basin， China [J]. Environmental Science and Pollution Research International， 2023.

[30]""""" Liu Yang， Liu Junhui， Zheng Yingjuan， et al. Tracking changing evidence of water erosion in ordos plateau， China Using the Google Earth Engine [J]. Land， 2022， 11（12）.

[31]""""" Cao Juan， Zhang Zhao， Zhang Liangliang， et al. Damage evaluation of soybean chilling injury based on Google Earth Engine （GEE） and crop modeling [J]. Journal of Geographical Sciences， 2020， 30（8）： 1249-1265.

[32]""""" 李杰， 劉陳立， 汪紅， 等. 基于多源遙感數據的羅平油菜種植面積提取方法研究[J]. 西南林業大學學報（自然科學）， 2018， 38（4）： 133-138.

Li Jie， Liu Chenli， Wang Hong， et al. The research on identification methods of oilseed rape based on multi?source remote sensing data in Luoping County [J]. Journal of Southwest Forestry University （Natural Sciences）， 2018， 38（4）： 133-138.

[33]""""" 白浩然， 趙美芳， 王飛， 等. 基于模糊c—均值算法的水耕人為土土系預測制圖[J]. 南京農業大學學報， 2020， 43（6）： 1124-1133.

Bai Haoran， Zhao Meifang， Wang Fei， et al. Prediction and mapping of Stagnic Anthrosols soil series based on fuzzy c?means algorithm [J]. Journal of Nanjing Agricultural University， 2020， 43（6）： 1124-1133.