基于GF-2遙感影像的澳洲堅果林空間分布信息提取

DOI：10.3969/j.issn.2095-1191.2025.01.007

摘要：【目的】基于GF-2遙感影像快速準(zhǔn)確獲取澳洲堅果林的空間分布信息，為有效利用GF-2遙感影像研究西南山區(qū)澳洲堅果林分布及為山地丘陵區(qū)其他地物類型信息的提取提供參考依據(jù)。【方法】以云南省臨滄市鎮(zhèn)康縣南傘鎮(zhèn)為研究區(qū)，GF-2影像和數(shù)字高程模型（DEM）為數(shù)據(jù)源。通過面向?qū)ο蟮姆椒ǎ崛∮跋駥ο蟮墓庾V特征、紋理特征、形狀特征和地形特征共90維特征變量，設(shè)計8種組合方案（方案A1～方案A8），使用平均不純度減少的方法對特征重要性進行度量，選取最佳特征組合，采用隨機森林、支持向量機和決策樹算法對澳洲堅果林進行提取，探討不同特征類型和分類算法對澳洲堅果林提取精度的影響。【結(jié)果】相比遍歷分割參數(shù)法，尺度參數(shù)估算（ESP）工具和鄰域差分絕對值與標(biāo)準(zhǔn)差比（RMAS）結(jié)合的方法能夠更高效、客觀地確定特定地物的最佳分割尺度；通過對比方案A8和方案A7可知，方案A8中加入地形特征后，整體特征維度有所降低，主要表現(xiàn)為紋理特征數(shù)量減少，僅保留4個紋理特征。不同類型特征對澳洲堅果林識別的貢獻排序為光譜特征gt;地形特征gt;紋理特征gt;形狀特征。在分類算法角度方面，隨機森林在總體精度（OA）、用戶精度（UA）、生產(chǎn)者精度（PA）和Kappa系數(shù)等精度指標(biāo)上均優(yōu)于支持向量機和決策樹，方案A8融合了所有特征取得最佳的分類效果，4個指標(biāo)均高于其他方案。光譜特征、紋理特征、形狀特征和地形特征組合的隨機森林分類方法精度最佳，OA達95.8%，澳洲堅果林的PA為87.7%，UA為94.3%。澳洲堅果林空間分布特征結(jié)果顯示，澳洲堅果在15°～20°坡度范圍的種植面積最大，為2.9 km2；澳洲堅果林面積主要分布在東南坡向和900～1200 m的海拔范圍內(nèi)。【結(jié)論】地形+紋理+形狀+地形組合方案經(jīng)特征優(yōu)選后結(jié)合隨機森林算法，能夠有效識別澳洲堅果林的分布。GF-2遙感數(shù)據(jù)與面向?qū)ο蠓ㄔ谀戏缴降厍鹆陞^(qū)澳洲堅果林制圖與資源監(jiān)測具有應(yīng)用潛力，可用于該地區(qū)其他地物類型信息的識別。

關(guān)鍵詞：澳洲堅果；GF-2遙感影像；面向?qū)ο螅惶卣鲀?yōu)選；隨機森林

中圖分類號：S664.939文獻標(biāo)志碼：A文章編號：2095-1191（2025）01-0074-13

Spatial distribution information extraction of macadamia forest based on GF-2 remote sensing image

WANG Yao-lei1，ZHENG Yi2，ZHANG Cheng-cheng3，RONGYu-hong4，LIANG Qi-bin5，WANG Yan-xia1，HOU Lei5，LI Xiao-lin1*

（1College of Soil and Water Conservation，Southwest Forestry University，Kunming，Yunnan 650224，China；2Yunnan Open University，Kunming，Yunnan 650500，China；3Southwest Investigation and Planning Institute，NationalForestry and Grassland Administration，Kunming，Yunnan 650021，China；4Yunnan Institute of TropicalCrops，Jinghong，Yunnan 666100，China；5College of Ecology and Environment，Southwest ForestryUniversity，Kunming，Yunnan 650224，China）

Abstract：【Objective】This study aimed to quickly and accurately obtain the spatial distribution information of maca-damia forests based on GF-2 remote sensing image.It provided reference for the effective utilization of GF-2 remotesensing image to study the distribution of macadamia forests in the southwestern mountainous areas，as well as for the ex-traction of other land cover types in hilly and mountainous regions.【Method】The study area was located in Nansan Town，Zhenkang County，Lincang City，Yunnan Province.GF-2 image and digital elevation model（DEM）were used as data sources.An object-oriented approach was employed to extract 90 dimensional feature variables，including spectral，texture，shape and terrain features.Eight feature combination schemes（A1 to A8）were designed.The importance of thefeatures was measured using the mean decrease in impurity（MDI）method，and the best feature combination was se-lected.Random forest（RF），support vector machine（SVM），and decision tree（DT）algorithms were used for the ex-traction of macadamia nut forests.The study explored the influence of different feature types and classification algorithms on the accuracy of macadamia nut forest extraction.【Result】Compared to the exhaustive segmentation parameter method，the combination of the scale parameter estimation（ESP）tool and the neighborhood difference absolute value and standard deviation ratio（RMAS）method was more efficient and objective in determining the optimal segmentation scale for spe-cificland cover types.By comparing scheme A8 with scheme A7，it was found that adding terrain as a feature in scheme A8 reduced the overall feature dimensionality，particularly in the texture features，with only 4 texture features retained.The contribution of different feature types to the macadamia nut forest identification was ranked as follows：spectral fea-turesgt;terrain featuresgt;texture featuresgt;shape features.In terms of classification algorithms，random forest outper-formed support vector machine and decision tree in overall accuracy（OA），user accuracy（UA），producer accuracy（PA）and Kappa coefficient.Scheme A8，which integrated all features，achieved the best classification results，all higherthan those of other schemes.Among the combinations of spectral，texture，shape，and terrain features，the random forest classification method achieved the best accuracy，with an OA of 95.8%，PA of 87.7%，and UA of 94.3%.The spatial distribution of macadamia nut forests showed that the largest plantation area was in the slope range of 15°-20°，covering 2.9 km2.The macadamia nut forest area was mainly distributed in the southeast-facing slopes and at altitudes of 900-1200 m.【Conclusion】The combination scheme of terrain，texture，shape，and terrain after featureselection along with the randomforest algorithm can effectively identify the distribution of macadamia nut forests.GF-2 remote sensing data and the object-oriented method have potential applications for mapping and resource monitoring of macadamia forests in thesouthern mountainous hilly regions and can be used for the identification of other land cover types in the region.

Key words：macadamia；GF-2 remote sensing image；object-oriented；feature optimization；random forest

Foundation items：Yunnan Agriculture Fundamental Research Joint Special Project（202101BD070001-111）；Yun-nan Major Science and Technology Project—Forestry and Grass Science and Technology Innovation Joint Project（202404CB090001）；Yunnan State-owned Natural Resources Assets Equity Management Pilot Project（632171）；Yunnan Yuntianhua Co.，Ltd.Project（YTH-4320-WB-2021-037666-00）

0引言

【研究意義】澳洲堅果是山龍眼科的一種常綠喬木，以其細膩的口感和豐富的營養(yǎng)成分而著稱，被譽為“干果之王”（劉姚等，2023）。云南省是澳洲堅果的主要種植區(qū)域，占全國種植面積的88.43%。澳洲堅果已成為云南省脫貧攻堅和鄉(xiāng)村振興的重要支柱（楊麗萍等，2021）。隨著澳洲堅果種植面積的不斷增加，其管理成本也逐漸增加。依托現(xiàn)代信息技術(shù)降低生產(chǎn)成本并實現(xiàn)對作物的精準(zhǔn)管理已成為必然趨勢。遙感技術(shù)因其具有高效性和可重復(fù)性，已成為監(jiān)測和優(yōu)化果園生產(chǎn)的關(guān)鍵工具之一。因此，通過遙感技術(shù)準(zhǔn)確識別澳洲堅果林的種植面積和空間分布，可為澳洲堅果的種植管理、病蟲害防治以及產(chǎn)量估算提供重要的基礎(chǔ)數(shù)據(jù)支持。【前人研究進展】目前，大多數(shù)關(guān)于農(nóng)林作物識別的研究依賴于中等分辨率影像，如SPOT-1和Landsat。盡管這些影像能夠識別作物，但由于分辨率較低，難以實現(xiàn)精細識別。2014年我國成功發(fā)射了具有亞米級分辨率的GF-2衛(wèi)星，為農(nóng)林作物的精細識別提供了可能。GF-2影像已廣泛應(yīng)用于精準(zhǔn)農(nóng)業(yè)（Wu et al.，2019）、濕地監(jiān)測（崔賓閣等，2023）和樹種識別（夏清等，2023）等領(lǐng)域，并展現(xiàn)出卓越性能。運用高分辨率影像進行農(nóng)林作物識別時，其面向?qū)ο蠓椒ㄏ噍^于傳統(tǒng)的像元方法，能顯著減少“椒鹽現(xiàn)象”，并通過結(jié)合光譜、空間和上、下文屬性，顯著提高分類精度，已成為當(dāng)前的主流方法（黃邵東等，2021；Luo et al.，2022）。影像分割是面向?qū)ο蠓诸惖氖滓襟E，而分割參數(shù)對分類結(jié)果的影響至關(guān)重要。目前，尺度參數(shù)估算（Estimation of scale parameter，ESP）工具是常用的分割尺度評價方法，但需要人工遍歷結(jié)果以確定最佳分割尺度，其過程具有一定局限性。而將ESP與鄰域差分絕對值與標(biāo)準(zhǔn)差比（Ratio of mean difference to neighbors，RMAS）結(jié)合能有效確定特定地物的最佳分割尺度，從而減少人為主觀因素的影響（湯紫霞等，2020）。面向?qū)ο蠓椒ㄒ褟V泛應(yīng)用于水稻（劉紹貴等，2017）、玉米（呂昱等，2020）等作物的識別，而在南方山地丘陵地區(qū)，由于植被覆蓋廣泛、林分結(jié)構(gòu)復(fù)雜且地形破碎，遙感作物提取面臨諸多挑戰(zhàn)。因此諸多學(xué)者通過構(gòu)建多源特征集合，探討了不同特征在作物識別中的作用。如黃邵東等（2021）基于GF-1影像，結(jié)合光譜、紋理和形狀特征，對普洱市的茶園進行分類研究，發(fā)現(xiàn)與僅利用光譜特征的像元分類方法相比，其總體精度（OA）提高了23.32%。羅紅霞等（2024）基于GF-2影像，利用光譜、植被指數(shù)和紋理特征對椰子林進行識別，發(fā)現(xiàn)光譜與紋理特征組合的分類精度最高，達95.77%。上述研究結(jié)果顯示多種特征融合在作物識別中具有顯著應(yīng)用效果。盡管多源特征的融合能夠顯著提升分類精度，但現(xiàn)有研究卻常忽視地形特征在復(fù)雜地形區(qū)域中的關(guān)鍵作用。為此，錢瑞等（2023）利用GF-5影像和數(shù)字高程模型（DEM），結(jié)合光譜、植被指數(shù)和地形特征對山區(qū)茶園進行識別研究，結(jié)果表明，地形特征的引入可顯著提高茶園的提取精度。趙國兵等（2024）基于Sentine-l影像和SRTM地形數(shù)據(jù)，提取了44個特征用于識別新疆紅棗種植區(qū)，結(jié)果發(fā)現(xiàn)高程特征的重要性排序位居首位。上述研究突顯了地形特征在復(fù)雜地形區(qū)域作物識別中的重要性。盡管多特征的引入和組合能彌補單一特征信息的不足，但仍會面臨計算效率下降、模型復(fù)雜度增加等問題，甚至可能對分類精度產(chǎn)生負面影響（金夢婷等，2023）。因此，在進行澳洲堅果林的識別過程中，確定特征的數(shù)量、重要性排序及其合理組合方式至關(guān)重要。【本研究切入點】目前基于高分辨率遙感影像提取澳洲堅果林空間分布信息的研究仍處于初步探索階段，特別是在地形復(fù)雜、破碎化程度高的丘陵山區(qū)。針對澳洲堅果林的最佳分割尺度、特征重要性以及最佳分類器的選擇尚未得到深入研究。【擬解決的關(guān)鍵問題】以鎮(zhèn)康縣澳洲堅果種植區(qū)的GF-2遙感影像為主要數(shù)據(jù)源，結(jié)合ESP和RMAS方法確定澳洲堅果林等地物類型的最佳分割尺度；通過eCogni-tion 9.0平臺提取研究區(qū)的光譜特征、紋理特征、形狀特征和地形特征，設(shè)計不同特征組合方案，并運用隨機森林算法對不同特征進行特征排序和組合優(yōu)化。采用隨機森林、支持向量機和決策樹3種分類算法提取澳洲堅果林的空間分布信息，為有效利用GF-2遙感影像研究西南山區(qū)澳洲堅果林分布及為山地丘陵區(qū)其他地物類型信息的提取提供參考依據(jù)。

1材料與方法

1.1研究區(qū)概況及數(shù)據(jù)來源

研究區(qū)位于云南省臨滄市鎮(zhèn)康縣南傘鎮(zhèn)（23°50′34″N，98°49′50″E），面積約為72.3 km2。鎮(zhèn)康縣地處低緯度地區(qū)，屬于亞熱帶季風(fēng)氣候區(qū)，年平均氣溫18.7℃，年降水量1625.4 mm。區(qū)域內(nèi)主要土地利用類型包括林地、耕地、建設(shè)用地、未利用地和水體。全縣海拔最高2978 m，最低510 m，相對高差2468 m，地形坡度變化復(fù)雜（圖1）。截至2021年底，鎮(zhèn)康縣澳洲堅果種植面積穩(wěn)定在43萬ha，其中掛果面積26萬ha，已成為云南省主要的堅果種植區(qū)（李華康等，2022）。

本研究使用的數(shù)據(jù)包括遙感影像數(shù)據(jù)、數(shù)字高程模型數(shù)據(jù)以及實地調(diào)研數(shù)據(jù)。其中，GF-2遙感影像數(shù)據(jù)由自然資源部國土衛(wèi)星遙感應(yīng)用中心提供，拍攝日期為2023年3月17日無云且質(zhì)量較高的GF-2遙感影像，包含1m分辨率的全色數(shù)據(jù)和4m分辨率的多光譜數(shù)據(jù)（紅、綠、藍和近紅外波段）。在ENVI 5.3平臺上對影像進行輻射定標(biāo)、大氣校正和幾何校正等預(yù)處理。隨后采用NNDiffuse PAN Sharpening算法將多光譜影像與全色影像進行融合，以獲取1m分辨率的多光譜影像。

DEM數(shù)據(jù)來自NASA地球科學(xué)數(shù)據(jù)網(wǎng)站，使用ALOS 12.5 m DEM數(shù)據(jù)。基于該數(shù)據(jù)，利用Arc-GIS 10.8的地形分析功能提取研究區(qū)的坡度和坡向信息，參與影像的分割并提取對象的坡度、坡向和海拔特征。

于2023年9月在鎮(zhèn)康縣南傘鎮(zhèn)調(diào)查研究區(qū)內(nèi)的地物類型并對澳洲堅果林樣點進行標(biāo)記采集。此外，借助GF-2影像對樣本集進行目視解譯共獲得樣本數(shù)據(jù)2577個，其中包括澳洲堅果林380個，耕地559個，水體19個，不透水層120個，林地1499個。樣本數(shù)據(jù)的70%用于模型訓(xùn)練，剩余30%用于模型驗證。

1.2影像分割及最佳分割尺度評價

對融合后的GF-2影像進行多尺度分割，分割參數(shù)包括波段權(quán)重、形狀、光譜、緊致度和尺度參數(shù)。首先，利用ESP工具對地物的分割尺度進行初步評價，然后采用RMAS方法統(tǒng)計澳洲堅果林的RMAS值，以確定其最佳分割尺度。ESP工具通過局部變化率（LV）及方差變化率（ROC）進行評估，當(dāng)ROC達到峰值時，對應(yīng)的分割尺度為最佳。其中，ROC計算公式如下：

ROC（%）=×100（1）

式中，Li為在目標(biāo)層第i對象層的平均標(biāo)準(zhǔn)差，Li- 1為在目標(biāo)層第i-1對象層的平均標(biāo)準(zhǔn)差。

RMAS通過計算對象內(nèi)部的標(biāo)準(zhǔn)差與鄰域均值差分的絕對值構(gòu)建分割評價指數(shù)。當(dāng)RMAS值最大時，分割效果最佳。RMAS的計算公式如下：

式中，L為影像對象波段層數(shù)，ΔCL為在L波段層單個尺度分割對象與鄰域均值差分絕對值，SL為在L波段層單個尺度分割對象的標(biāo)準(zhǔn)差。CLi為L波段層的i個像素點灰度值，為尺度分割層上的波段均值，n為影像對象內(nèi)的像素個數(shù)，l為目標(biāo)對象的邊界長度，lsj為目標(biāo)對象和第j個直接相鄰對象的公共邊界長度，m為與目標(biāo)對象直接相鄰的對象個數(shù)。

在eCognition Developer軟件中使用ESP工具，起始分割尺度設(shè)定為50，形狀參數(shù)為0.3，緊致度參數(shù)為0.5，各波段權(quán)重均設(shè)為1。

1.3特征集構(gòu)建

為充分挖掘和利用GF-2影像信息，在原有4個光譜波段的基礎(chǔ)上，結(jié)合澳洲堅果林與其他地物在光譜特征、紋理特征、形狀特征和地形特征方面的差異，構(gòu)建4類特征集（表1）。光譜特征用于量化地物或景物的光譜信息，包括光譜波段及基于光譜波段計算的遙感指數(shù)，共21維光譜特征。紋理特征反映遙感影像中強或弱規(guī)律性相似圖形的結(jié)構(gòu)特征，包含GLCM紋理特征（Haralick，1979）和GLDV紋理特征（Ke etal.，2010）。由于每個紋理特征基于5個角度（包括所有方向和0°、45°、90°、135°）計算，總計60維紋理特征。形狀特征描述影像對象的大小和形狀，選取6維形狀特征。地形特征提供澳洲堅果林在坡度、坡向和海拔方面與其他地物的差異信息，選取3維地形特征。

為分析光譜特征、紋理特征、形狀特征和地形特征在澳洲堅果林識別中的貢獻，基于光譜特征、紋理特征、形狀特征和地形特征等4類特征構(gòu)建8種方案，即8種初始分類特征空間（表2）。其中，方案A1～方案A3為單一特征方案，方案A4～方案A8為多特征組合方案。由于地形特征僅包含3個維度，因此未單獨作為方案。鑒于初始特征方案中特征變量數(shù)量較多且彼此相關(guān)性強，可能導(dǎo)致特征冗余和過擬合問題，因此對所有方案進行特征優(yōu)選，以獲得對應(yīng)的最佳分類特征空間。

1.4特征優(yōu)選

采用基于基尼（Gini）指數(shù)的隨機森林算法評估特征重要性并對特征進行優(yōu)選，Gini指數(shù)表示樣本集合中隨機樣本被錯分的概率，Gini指數(shù)越小則集合的純度越高，被錯分的概率越小；反之，集合越不純（張悅琦和任鴻瑞，2023）。集合A的Gini指數(shù)［Gini（A）］計算公式如下：

Gini（A）=1-PM（2）（5）

式中，M為訓(xùn)練樣本中的種類數(shù)；PM為集合A中隨機選取的樣本屬于類別M的概率。若集合A根據(jù)特征N是否取某一值γ被分為A1和A2兩個部分，則在特征N的條件下，集合A的Gini指數(shù)［Gini（A，N）］計算公式如下：

Gini（A，N）=Gini（A1）+Gini（A2）（6）

式中，|A|為集合A中的樣本數(shù)，|A 1|為集合A1中的樣本數(shù)，|A2|為集合A2中的樣本數(shù)。

特征重要性評估采用平均不純度減少（Mean Decrease Impurity，MDI）的方法，該方法計算每個特征在所有樹中導(dǎo)致的Gini指數(shù)減少量的平均值。平均不純度減少（ΔGini）計算公式如下：

ΔGini=Ginij（A）-Ginij（A，N）]（7）

式中，Ntree為隨機森林模型中決策樹個數(shù)；Gini（A）、Gini（A，N）分別為第j棵決策樹經(jīng)過特征N劃分前后集合A的Gini指數(shù)。

Gini指數(shù)可用于表示隨機實例被錯誤分類的概率，可用于評估每個特征變量的重要性。按照特征重要性從高到低的順序逐步增加特征數(shù)量，并觀察澳洲堅果林提取過程中Kappa系數(shù)和OA的變化。當(dāng)隨著特征變量數(shù)量增加，Kappa系數(shù)和OA不再顯著提升，甚至開始下降時，此時所參與分類的特征維度即為最佳分類特征空間。

1.5分類算法與精度評價

1.5.1分類算法通過比較隨機森林、決策樹和支持向量機3種方法的分類精度，確定澳洲堅果林的最佳提取方法。隨機森林算法由Breiman（2001）提出，是一種通過訓(xùn)練多棵決策樹并基于多數(shù)投票確定最終分類結(jié)果的機器學(xué)習(xí)算法。已有研究表明，當(dāng)決策樹的數(shù)量為100時，分類誤差最為穩(wěn)定（黃建文等，2021）。因此將Ntree設(shè)置為100，特征變量的數(shù)量設(shè)置為輸入特征總數(shù)的平方根。

決策樹是一種基于樣本特征創(chuàng)建分類規(guī)則的算法。首先選擇對樣本類別區(qū)分性最強的特征值，然后根據(jù)該特征值將節(jié)點分裂為2個子節(jié)點，并對每個子節(jié)點重復(fù)這一過程。當(dāng)1個節(jié)點上的所有樣本均屬于同一類時，停止分裂。為提高分類器的穩(wěn)定性并減少過擬合，需要對生成的決策樹進行修剪（Shang et al.，2018）。本研究參照馮林艷等（2022）的方法將決策樹的最大類別數(shù)設(shè)置為16，并采用三折交叉驗證進行模型評估。

支持向量機通過構(gòu)建最優(yōu)超平面，以最大化樣本空間中不同類別之間的間隔實現(xiàn)分類。由于其泛化能力強、分類精度高且運算速度快，支持向量機被廣泛應(yīng)用于遙感領(lǐng)域（張睿和馬建文，2009）。本研究參照馮林艷等（2022）的方法將支持向量機的Gamma參數(shù)和懲罰參數(shù)分別設(shè)置為0.25和100。

1.5.2精度評價使用隨機森林、支持向量機、決策樹3種分類算法對8個方案的分類效果通過多項精度指標(biāo)進行評價，評價指標(biāo)包括生產(chǎn)者精度（Pro-ducer’s accuracy，PA）、用戶精度（User’s accuracy，UA）、OA和Kappa系數(shù)4個指標(biāo)。4個指標(biāo)用于衡量各類別的遺漏和誤判誤差，通過計算4個指標(biāo)能全面評估圖像分類的準(zhǔn)確性。

2結(jié)果與分析

2.1不同地物類型最佳分割尺度評價結(jié)果

利用ESP對研究區(qū)地物類型的分割尺度進行初步評價，結(jié)果如圖2-A所示。ROC峰值對應(yīng)的分割尺度為113、131、158、188、221、227、233、239、245、269、290和302。基于這些分割尺度，進一步統(tǒng)計研究區(qū)各地物類型的RMAS，結(jié)果如圖2-B所示，得出水體的最佳分割尺度為269，林地為188，建筑為113，澳洲堅果林為188，耕地為221。各典型地物類型影像的分割效果如圖3所示。

2.2對澳洲堅果林的特征優(yōu)選分析結(jié)果

由圖4可知，從整體來看，除了方案A2、方案A3和方案A6外，其余5種方案的最佳特征數(shù)量所對應(yīng)的OA均超過90%，Kappa系數(shù)均超過0.9。不同方案的特征維度存在明顯差異。其中，方案A4的特征維度最高，為55維；而方案A1的特征維度最低，僅為10維。OA和Kappa系數(shù)表現(xiàn)最佳的為方案A8，特征維度為17維，包含12個光譜特征、4個紋理特征和1個地形特征。特征的重要性排序為光譜特征gt;地形特征gt;紋理特征gt;形狀特征。相比之下，方案A7的特征維度為43維，包含17個光譜特征、24個紋理特征和2個形狀特征。通過對比方案A8和方案A7可知，方案A8中加入地形特征后，整體特征維度有所降低，主要表現(xiàn)為紋理特征數(shù)量減少，僅保留4個紋理特征，說明加入地形特征對優(yōu)化特征選擇和提升模型性能方面發(fā)揮重要作用。

2.3對澳洲堅果林的分類算法與精度評價結(jié)果

利用隨機森林、支持向量機和決策樹3種算法對8種方案進行澳洲堅果林提取，分類精度結(jié)果如表3所示。在分類算法角度方面，隨機森林在OA、UA、PA和Kappa系數(shù)等精度指標(biāo)上均優(yōu)于支持向量機和決策樹。僅使用形狀特征的方案A3分類精度最低，3種算法的OA為40.0%～62.0%。當(dāng)采用隨機森林分類算法時，方案A4在方案A1基礎(chǔ)上加入紋理特征后，PA提高5.8%，UA提高5.1%；在方案A4基礎(chǔ)上加入形狀特征的方案A7，相比方案A4，PA提高1.1%，UA提升了1.1%，說明形狀特征對澳洲堅果林的識別作用不明顯；方案A8融合了所有特征，取得了最佳的分類效果，其PA、UA、OA和Kappa系數(shù)分別為87.7%、94.3%、95.8%和0.95，4個指標(biāo)均高于其他方案。與方案A7相比，方案A8的PA提升了9.9%，OA提升了0.9%。結(jié)果表明，紋理特征和地形特征的引入對澳洲堅果林的提取有明顯作用。根據(jù)澳洲堅果林的PA和UA精度指標(biāo)，不同類型特征對澳洲堅果林識別的貢獻排序為光譜特征gt;地形特征gt;紋理特征gt;形狀特征。

由圖5可知，在8種方案中，單一特征方案（方案A1～方案A3）的地物類型分類結(jié)果較為破碎。以光譜特征的方案A1中，澳洲堅果林中夾雜了許多小的耕地和林地斑塊；方案A2和方案A3分別采用紋理特征和形狀特征，雖然能提供地物表面的粗糙度和形狀信息，但由于缺乏光學(xué)信息，無法有效識別水體、不透水層和澳洲堅果林。同樣，紋理特征和形狀特征組合的方案A6也存在地物類型之間相互混合的現(xiàn)象。方案A4在光譜特征的基礎(chǔ)上加入紋理特征，對不透水層和林地的過濾效果明顯，地物類型間誤分類現(xiàn)象明顯減少。方案A7加入形狀特征后，對分類效果僅有微小提升，主要體現(xiàn)在能更清晰地勾勒出不透水層的邊界。加入地形特征的方案A8與真實地塊一致性高，且明顯高于其他方案，說明由于南方山地丘陵區(qū)地形破碎、山地陰影嚴(yán)重、森林植被茂盛、不同樹種交錯分布的環(huán)境特點，使得地形特征中的海拔、坡度和坡向有效減少了澳洲堅果林的錯分概率。此外，隨機森林算法在整體分類精度和澳洲堅果林識別精度上均優(yōu)于支持向量機和決策樹。由隨機森林算法下8種方案的局部澳洲堅果林細節(jié)圖及其對應(yīng)的GF-2影像結(jié)果（圖6）可知，不同方案在澳洲堅果林識別上的表現(xiàn)各異，多特征組合方案A7和方案A8較其他特征組合表現(xiàn)效果更好，而單一形狀特征方案A3對澳洲堅果林的識別效果不明顯。澳洲堅果屬于常綠喬木，與林地相鄰的邊緣地帶在光譜特征和紋理特征上具有相似性，易在分類時產(chǎn)生誤分（圖6-A）。澳洲堅果種植區(qū)內(nèi)的幼苗與有植被覆蓋的耕地在分類時容易混淆（圖6-B）。

2.4澳洲堅果林空間分布特征

如圖7所示，澳洲堅果作為鎮(zhèn)康縣的主要經(jīng)濟樹種，種植區(qū)域分布廣泛，呈現(xiàn)出小規(guī)模聚集與大范圍零星種植的空間分布特征。在坡度特征上，以5°為區(qū)間單位，將坡度劃分為9個區(qū)間（圖7-A）。澳洲堅果主要分布于10°～25°的坡度范圍內(nèi)，其中15°～20°坡度范圍的種植面積最大，為2.9 km2。在15°～20°坡度范圍內(nèi)澳洲堅果林、林地和耕地分別占三者總面積的16.4%、52.1%和31.5%。根據(jù)坡向特征，可將坡向分為8個方位（圖7-D），澳洲堅果面積分布最大的坡向為東南方向，北向的分布最少，其余坡向面積分布差異較小。根據(jù)海拔特征，以100 m為間隔，可將海拔劃分為7個區(qū)間（圖7-G），其中，澳洲堅果林主要分布在900～1200 m的海拔范圍內(nèi)，其中1000～1100 m區(qū)間的種植面積最大，達3.66 km2。在1000～1100 m的海拔范圍內(nèi)澳洲堅果林、林地、耕地分別占三者總面積的21.0%、47.6%和31.4%。

3討論

本研究以GF-2影像和DEM為主要數(shù)據(jù)源，結(jié)合面向?qū)ο蟮姆椒ǎㄟ^多尺度分割、特征優(yōu)選和隨機森林3種方法，實現(xiàn)了對鎮(zhèn)康縣主要澳洲堅果產(chǎn)區(qū)的精確識別。在面向?qū)ο蟮姆诸愡^程中，影像分割是關(guān)鍵的第一步。目前，影像分割算法層出不窮，多尺度分割已成為高分辨率遙感影像分類中的主流方法。然而，由于不同影像和地物的特性差異，普適的分割尺度尚未形成。合適的分割尺度對分類結(jié)果的準(zhǔn)確性至關(guān)重要，但目前選擇合適的尺度仍是挑戰(zhàn)（朱紅春等，2015；徐朋等，2019）。針對以往高分辨率影像分割中常用的遍歷試誤法在確定分割尺度時存在的局限性（湯紫霞等，2020），本研究結(jié)合ESP工具和RMAS方法，確定澳洲堅果林的最佳分割尺度，可為高分辨率遙感影像中特定地物的最佳分割尺度選擇提供定量依據(jù)。

在特征選擇方面，由于澳洲堅果林的光譜特征與耕地和林地較為相似，容易在分類過程中造成混淆。因此，本研究采用了多特征組合的方案A8（光譜特征+紋理特征+形狀特征+地形特征）以提高分類精度。光譜特征在區(qū)分不同地物類型時發(fā)揮了重要作用，但對于光譜信息相近的植被覆蓋區(qū)，需要結(jié)合紋理特征進行更精確識別。澳洲堅果林的種植密度一般株行距為4 m×7m（徐凡迪等，2022），這一特性在遙感影像中具有獨特的紋理特征，能夠有效區(qū)分其他類型植被。在地形復(fù)雜的區(qū)域，地形特征則提供了額外的輔助信息，幫助區(qū)分光譜特征和紋理特征相似的地物類型。本研究結(jié)果表明，在分類精度最高的方案A8中，地形特征的重要性僅次于光譜特征，為區(qū)分澳洲堅果林與其他地物提供了關(guān)鍵特征，與錢瑞等（2023）在西南山區(qū)茶園提取研究發(fā)現(xiàn)地形特征參與的方案中海拔特征的重要性居于首位的研究結(jié)果相一致。澳洲堅果林的生長對于海拔有一定的要求，通常適宜在海拔低于1200m的丘陵地區(qū)（吳涵敏等，2023）。

在遙感影像分類中，分類器的選擇對分類精度和效率具有關(guān)鍵影響。侯蒙京等（2020）基于GF-1影像融合多源特征對高寒濕地地區(qū)進行土地利用分類的研究表明，隨機森林分類器的OA為90.07%，顯著優(yōu)于支持向量機和ANN分類器。本研究中隨機森林分類器在所有特征組合下的表現(xiàn)最佳，OA均高于支持向量機和決策樹，OA最高達95.8%，與孟浩然等（2023）基于GF-2數(shù)據(jù)構(gòu)建植被指數(shù)、紋理特征和主成分分析等特征組合對油茶進行識別，隨機森林分類器的OA達95.62%，效果最佳的結(jié)果一致。此外，大量研究表明，隨機森林是遙感分類中精度最高的機器學(xué)習(xí)算法之一（Wang et al.，2022）。隨機森林分類器對特征維度變化不敏感，表現(xiàn)出較強的魯棒性。相比之下，支持向量機分類器在使用小樣本訓(xùn)練時容易受到輸入特征數(shù)量的影響，產(chǎn)生“休斯現(xiàn)象”（Ma etal.，2017），導(dǎo)致其在本研究中的表現(xiàn)不如隨機森林穩(wěn)定。相較于決策樹，隨機森林通過構(gòu)建多棵樹來增強魯棒性，減少了對單一特征值的敏感性，從而提高了分類的穩(wěn)定性，而決策樹則對數(shù)據(jù)變化較為敏感，穩(wěn)定性相對較差。

盡管本研究在地勢起伏較大、作物種植結(jié)構(gòu)復(fù)雜的西南山區(qū)實現(xiàn)了高精度的澳洲堅果林提取，但仍存在一些不足之處。首先，本研究中使用的3種分類器參數(shù)均基于前人在樹種和茶園分類中的最優(yōu)參數(shù)，而這些參數(shù)未必是針對澳洲堅果林識別的最佳選擇，未來研究可進一步優(yōu)化這些參數(shù)以提升分類精度。其次，考慮到澳洲堅果林在不同生長階段（如修剪期）的物候特征，選擇最佳時相的遙感影像進行分類識別，具有較高的應(yīng)用潛力。此外，本研究僅使用了一景GF-2影像，未來可探索將紋理信息豐富的高分辨率影像與光譜信息豐富的高光譜影像相結(jié)合，以實現(xiàn)更大尺度范圍內(nèi)的澳洲堅果林高精度識別，這將是今后研究的重要方向。

4結(jié)論

結(jié)合ESP工具和RMAS方法獲得澳洲堅果林最佳分割尺度為188。地形+紋理+形狀+地形組合方案經(jīng)特征優(yōu)選后結(jié)合隨機森林算法，能夠有效識別澳洲堅果林的分布。GF-2遙感數(shù)據(jù)與面向?qū)ο蠓ㄔ谀戏缴降厍鹆陞^(qū)澳洲堅果林制圖與資源監(jiān)測具有應(yīng)用潛力，可用于該地區(qū)其他地物類型信息的識別。

參考文獻（References）：

崔賓閣，吳景，李心慧，任廣波，路燕.2023.結(jié)合深度學(xué)習(xí)和植被指數(shù)的濱海濕地高分二號遙感影像信息提取［J］.遙感學(xué)報，27（6）：1376-1386.［Cui B G，Wu J，Li X H，Ren G B，Lu Y.2023.Combination of deep learning and vegetation index for coastal wetland mapping using GF-2 remote sensing images［J］.National Remote Sensing Bulle-tin，27（6）：1376-1386.］doi：10.11834/jrs.20221658.

馮林艷，譚炳香，劉清旺，周超凡，于航，張會儒，符利勇.2022.基于GF-2影像的崇禮冬奧核心區(qū)土地覆蓋和樹種分類［J］.林業(yè)科學(xué)，58（10）：10-23.［Feng LY，Tan B X，Liu Q W，Zhou C F，Yu H，Zhang H R，F(xiàn)u L Y.2022.Land cover and tree species classification of the Chongli Winter Olympic core area based on GF-2 images［J］.Scientia Sil-vae Sinicae，58（10）：10-23.］doi：10.11707/j.1001-7488.20 221002.

侯蒙京，殷建鵬，葛靜，李元春，馮琦勝，梁天剛.2020.基于隨機森林的高寒濕地地區(qū)土地覆蓋遙感分類方法［J］.農(nóng)業(yè)機械學(xué)報，51（7）：220-227.［Hou M J，Yin J P，Ge J，Li Y C，F(xiàn)en Q S，Liang T G.2020.Land cover remote sensing classification method of alpine wetland region based on random forest algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，51（7）：220-227.］doi：10.6041/j.issn.1000-1298.2020.07.025.

黃建文，李增元，陳爾學(xué)，趙磊，莫冰萍.2021.高分六號寬幅多光譜數(shù)據(jù)人工林類型分類［J］.遙感學(xué)報，25（2）：539-548.［Huang J W，Li Z Y，Chen E X，Zhao L，Mo B P.2021.Classification of plantation types based on WFV multispectral imagery of the GF-6 satellite［J］.NationalRemote Sensing Bulletin，25（2）：539-548.］doi：10.11834/jrs.20219090.

黃邵東，徐偉恒，熊源，吳超，代飛，徐海峰，王雷光，寇衛(wèi)利.2021.結(jié)合紋理和空間特征的多光譜影像面向?qū)ο蟛鑸@提取［J］.光譜學(xué)與光譜分析，41（8）：2565-2571.［Huang S D，Xu W H，Xiong Y，Wu C，Dai F，Xu H F，Wang L G，Kou W L.2021.Combining textures and spatial features to extract tea plantations based on object-oriented method by using multispectral image［J］.Spectroscopy and Spectral Analysis，41（8）：2565-2571.］doi：10.3964/j.issn.1000-0593（2021）08-2565-07.

金夢婷，徐權(quán)，郭鵬，韓寶華，金軍.2023.基于面向?qū)ο蠖嗵卣鲗W(xué)習(xí)的無人機影像農(nóng)作物精細分類方法［J］.遙感技術(shù)與應(yīng)用，38（3）：588-598.［Jin M T，Xu Q，Guo P，Han B H，Jin J.2023.Crop classification method from UAV images based on object-oriented multi-feature learning［J］.Remote Sensing Technology and Application，38（3）：588-598.］doi：10.11873/i.issn.1004-0323.2023.3.0588.

李華康，吳金龍，車雄，陳鵬鑫.2022.基于SWOT分析的鎮(zhèn)康澳洲堅果產(chǎn)業(yè)發(fā)展戰(zhàn)略研究［J］.廣東蠶業(yè)，56（12）：71-73.［Li H K，Wu J L，Che X，Chen P X.2022.Research on Zhenkang macadamia nut industry development strategy based on SWOT analysis［J］.Guangdong Sericulture，56（12）：71-73.］doi：10.3969/j.issn.2095-1205.2022.12.20.

劉紹貴，姬忠林，張月平，李文西，高暉，杭天文，陳明，顏怡，姜義，吳兵，龔鑫鑫，祝飄，任紅艷.2017.基于GF-1影像面向?qū)ο蠓诸惙椒ǖ乃痉N植信息提取研究［J］.中國稻米，23（6）：43-46.［Liu S G，Ji Z L，Zhang Y P，Li W X，Gao H，Hang T W，Chen M，Yan Y，Jiang Y，Wu B，Gong X X，Zhu P，Ren H Y.2017.Planting information extrac-tion of rice by object-oriented classification method based on GF-1 images［J］.China Rice，23（6）：43-46.］doi：10.3969/j.issn.1006-8082.2017.06.008.

劉姚，何楠，曾小姍，吳世軍.2023.關(guān)于澳洲堅果研究的文獻分析及發(fā)展趨勢［J］.中國南方果樹，52（3）：247-249.［Liu Y，He N，Zeng X S，Wu S J.2023.Literature analysis and future development of macadamia nut research［J］.South China Fruits，52（3）：247-249.］doi：10.13938/j.issn.1007-1431.20220231.

羅紅霞，戴聲佩，李茂芬，李海亮，胡盈盈，鄭倩，禹萱.2024.基于Gaofen-2影像和面向?qū)ο蟮囊恿址诸愌芯浚跩］.熱帶作物學(xué)報，45（5）：1021-1030.［Luo H X，Dai S P，Li M F，Li H L，Hu Y Y，Zheng Q，Yu X.2024.Object-oriented classification of coconut palms based on Gaofen-2 imagery［J］.Chinese Journal of Tropical Crops，45（5）：1021-1030.］doi：10.3969/j.issn.1000-2561.2024.05.017.

呂昱，范燕敏，武紅旗，彭田田，皇甫蓓炯，賀夢婕.2020.面向?qū)ο蟮淖魑锓N植信息提取研究——以新疆奇臺縣為例［J］.山東農(nóng)業(yè)科學(xué)，52（6）：137-143.［LüY，F(xiàn)an Y M，Wu H Q，Peng T T，Huangfu B J，He M J.2020.Study on extracting crop planting information by object-oriented method taking Qitai County of Xinjiang as example［J］.Shandong Agricultural Sciences，52（6）：137-143.］doi：10.14083/j.issn.1001-4942.2020.06.024.

孟浩然，李存軍，鄭翔宇，宮雨生，劉玉，潘瑜春.2023.綜合光譜紋理和時序信息的油茶遙感提取研究［J］.光譜學(xué)與光譜分析，43（5）：1589-1597.［Meng H R，Li C J，Zheng X Y，Gong Y S，Liu Y，Pan Y C.2023.Research on extrac-tion of Camellia oleifera by integrating spectral，texture-and time sequence remote sensing information［J］.Spec-troscopy and Spectral Analysis，43（5）：1589-1597.］doi：10.3964/j.issn.1000-0593（2023）05-1589-09.

錢瑞，徐偉恒，黃邵東，王雷光，魯寧，歐光龍.2023.應(yīng)用GF-5高光譜遙感影像提取山區(qū)茶園［J］.光譜學(xué)與光譜分析，43（11）：3591-3598.［Qian R，Xu W H，Huang S D，Wang L G，Lu N，Ou G L.2023.Tea plantations extraction based on GF-5 hyperspectral remote sensing imagery inthe mountainous area［J］.Spectroscopy and Spectral Ana-lysis，43（11）：3591-3598.］doi：10.3964/j.issn.1000-0593（2023）11-3591-08.

湯紫霞，李蒙蒙，汪小欽，邱鵬勛.2020.基于GF-2遙感影像的葡萄大棚信息提取［J］.中國農(nóng)業(yè)科技導(dǎo)報，22（11）：95-105.［Tang Z X，Li M M，Wang X Q，Qiu P X.2020.Extraction of grape greenhouses from GF-2 remote sen-sing images［J］.Journal of Agricultural Science and Tech-nology，22（11）：95-105.］doi：10.13304/j.nykjdb.2019.0759.

吳涵敏，李金星，勞慧潔.2023.百色市老山林場澳洲堅果優(yōu)質(zhì)高產(chǎn)栽培管理技術(shù)［J］.南方農(nóng)業(yè)，17（16）：49-51.［Wu H M，Li J X，Lao H J.2023.High quality and high yield cultivation and management techniques for macadamia nuts in Laoshan forest farm of Baise City［J］.South China Agriculture，17（16）：49-51.］doi：10.19415/j.cnki.1673-890x.2023.16.016.

夏清，李建華，代碩，張涵，邢學(xué)敏.2023.顧及潮汐影響的中國紅樹林高分二號遙感制圖［J］.遙感學(xué)報，27（6）：1320-1333.［Xia Q，Li J H，Dai S，Zhang H，Xing X M.2023.Mapping high-resolution mangrove forests in China using GF-2 imagery under the tide［J］.National Remote Sensing Bulletin，27（6）：1320-1333.］doi：10.11834/jrs.20221848.

徐凡迪，白海東，樊紹光，萬曉麗，楊建榮，李智華，蘇建榮，張燕平，吳疆翀，趙云晉.2022.澳洲堅果繁育系統(tǒng)研究進展［J］.世界林業(yè)研究，35（5）：37-41.［Xu F D，Bai H D，F(xiàn)an S G，Wan X L，Yang J R，Li Z H，Su J R，Zhang Y P，Wu J C，Zhao Y J.2022.Research advances in macadamia breeding system［J］.World Forestry Research，35（5）：37-41.］doi：10.13348/j.cnki.sjlyyj.2022.0043.y.

徐朋，徐偉誠，羅陽帆，趙祚喜.2019.基于無人機可見光遙感影像的耕地精準(zhǔn)分類方法研究［J］.中國農(nóng)業(yè)科技導(dǎo)報，21（6）：79-86.［Xu P，Xu W C，Luo Y F，Zhao Z X.2019.Precise classification of cultivated land based on visible remote sensinc image of UAV［J］.Journal of Agricultural Science and Technology，21（6）：79-86.］doi：10.13304/j.nykjdb.2019.0103.

楊麗萍，岳海，何雙凌，陶亮，賀熙勇.2021.云南澳洲堅果園土壤和葉片養(yǎng)分評價［J］.熱帶作物學(xué)報，42（8）：2269-2274.［Yang L P，Yue H，He S L，Tao L，He X Y.2021.Evaluation of soil and leaf nutrients in macadamia orchards in Yunnan China［J］.Chinese Journal of Tropical Crops，42（8）：2269-2274.］doi：10.3969/j.issn.1000-2561.2021.08.020.

張睿，馬建文.2009.支持向量機在遙感數(shù)據(jù)分類中的應(yīng)用新進展［J］.地球科學(xué)進展，24（5）：555-562.［Zhang R，Ma J W.2009.State of the art on remotely sensed data classifica-tion based on support vector machines［J］.Advances in Earth Science，24（5）：555-562.］doi：10.3321/j.issn：1001-8166.2009.05.012.

張悅琦，任鴻瑞.2023.融合特征優(yōu)選與隨機森林算法的GF-6影像東北一季稻遙感提取［J］.遙感學(xué)報，27（9）：2153-2164.［Zhang Y Q，Ren H R.2023.Remote sensing extrac-tion of paddy rice in Northeast China from GF-6 images by combining feature optimization and random forest［J］.National Remote Sensing Bulletin，27（9）：2153-2164.］doi：10.11834/jrs.20221338.

趙國兵，鄭江華，王蕾，高健，羅磊，尼格拉·吐爾遜，韓萬強，關(guān)靖云.2024.基于RF分類調(diào)優(yōu)和SNIC聚類的新疆紅棗種植區(qū)遙感提取［J］.干旱區(qū)地理，47（6）：1004-1014.［Zhao G B，Zheng J H，Wang L，Gao J，Luo L，Nigela T，Han W Q，Guan J Y.2024.Remote sensing extraction of jujube planting area in Xinjiang based on RF classification optimization and SNlC clustering［J］.Arid Land Geogra-phy，47（6）：1004-1014.］doi：10.12118/j.issn.1000-6060.2023.382.

朱紅春，蔡麗杰，劉海英，江濤.2015.高分辨率影像分類的最佳分割尺度計算［J］.測繪科學(xué)，40（3）：71-75.［Zhu H C，Cai L J，Liu H Y，Jiang T.2015.Optimal segmentationscale calculation for high-resolution remote sensing image［J］.Science of Surveying and Mapping，40（3）：71-75.］doi：10.16251/j.cnki.1009-2307.2015.03.015.

Breiman L.2001.Random forests［J］.Machine Learning，45（1）：5-32.doi：10.1023/a：1010933404324.

Haralick R M.1979.Statistical and structural approaches to tex-ture［J］.Proceedings of the IEEE，67（5）：786-804.doi：10.1109/PROC.1979.11328.

Ke Y H，Quackenbush L J，Im J H.2010.Synergistic use of Quick Bird multispectral imagery and LIDAR data for object-based forest species classification［J］.Remote Sen-sing of Environment，114：1141-1154.doi：10.1016/j.rse.2010.01.002.

Luo H X，Li M F，Dai S P，Li H L，Li Y P，Hu Y Y，Zheng Q，Yu X，F(xiàn)ang J H.2022.Combinations of feature selection and machine learning algorithms for object-oriented betel palms and mango plantations classification based on Gaofen-2 imagery［J］.Remote Sensing，14（7）：1757.doi：10.3390/rs 14071757.

Ma L，F(xiàn)u T Y，Blaschke T，Li M C，Tiede D，Zhou Z J，Ma X X，Chen D L.2017.Evaluation of featureselection metho-ds for object-based land cover mapping of unmanned aerial vehicle imagery using random forest and support vector Machine classifiers［J］.ISPRS International Journal of Geo-Information，6（2）：51.doi：110.3390/ijgi6020051.

Shang M，Wang S X，Zhou Y，Du C，Liu W L.2018.Object-based image analysis of suburban landscapes using landsat-8 imagery［J］.International Journal of Digital Earth，12（6）：720-736.doi：10.1080/17538947.

Wang M C，Li M J，Wang F Y，Ji X.2022.Exploring the opti-mal feature combination of tree species classification by fusing multi-feature and multi-temporal sentinel-2 data in Changbai Mountain［J］.Forests，13（7）：1058.doi：10.3390/f13071058.

Wu Q，Zhong R F，Zhao W J，Song K，Du L M.2019.Land-cover classification using GF-2 images and airborne lidar data based on random forest［J］.International Journal of Remote Sensing，40（5-6）：2410-2426.doi：10.1080/01431 161.2018.1483090.

（責(zé)任編輯：陳燕，李洪艷）