多源遙感數(shù)據(jù)特征優(yōu)選的大興安嶺沿麓不同農(nóng)作物提取

于利峰，烏蘭吐雅，李繼輝，于偉卓，敦惠霞

（1.內(nèi)蒙古自治區(qū)農(nóng)牧業(yè)科學(xué)院 農(nóng)牧業(yè)經(jīng)濟(jì)與信息研究所，內(nèi)蒙古 呼和浩特 010031；2.內(nèi)蒙古自治區(qū)農(nóng)業(yè)遙感工程技術(shù)研究中心，內(nèi)蒙古 呼和浩特 010031；3.奈曼旗林業(yè)工作站，內(nèi)蒙古 大沁他拉鎮(zhèn) 028300）

確保糧食安全一直是我國(guó)“三農(nóng)”工作的首要任務(wù)，我國(guó)是糧食生產(chǎn)大國(guó)也是進(jìn)口大國(guó)，我國(guó)對(duì)糧食消費(fèi)深刻影響著國(guó)際市場(chǎng)糧食品種價(jià)格。近年來(lái)，國(guó)際糧食貿(mào)易面臨著保護(hù)主義和單邊主義的干擾，不穩(wěn)定因素增加，因此，開(kāi)展農(nóng)作物面積動(dòng)態(tài)監(jiān)測(cè)，對(duì)合理規(guī)劃作物種植布局，深入實(shí)施“藏糧于地、藏糧于技”戰(zhàn)略，實(shí)現(xiàn)糧食自給自足保障糧食安全都有重要意義。

確保糧食安全，首先要有精準(zhǔn)的農(nóng)作物面積調(diào)查數(shù)據(jù)。基于統(tǒng)計(jì)方式的農(nóng)作物面積調(diào)查，缺少空間參考，且時(shí)效性較差。20 世紀(jì)70年代衛(wèi)星遙感技術(shù)的應(yīng)用，為多尺度的農(nóng)作物面積動(dòng)態(tài)監(jiān)測(cè)提供了條件，特別是近年來(lái)遙感數(shù)據(jù)質(zhì)量的提高和處理技術(shù)的發(fā)展，使遙感的農(nóng)作物面積提取精度不斷提升。國(guó)內(nèi)外學(xué)者針對(duì)遙感技術(shù)在農(nóng)作物面積監(jiān)測(cè)中應(yīng)用開(kāi)展了大量的研究，研究?jī)?nèi)容大致可以概括為利用時(shí)間序列遙感數(shù)據(jù)的作物提取研究[1-4]、多源數(shù)據(jù)的作物提取研究[5-9]、單時(shí)相高分辨率數(shù)據(jù)下作物提取研究[10-13]。其中，基于時(shí)間序列的分類方法刻畫(huà)了作物間的時(shí)間變化特征，用途較廣，作物提取效果較好。但使用時(shí)間序列受制條件有很多，若使用MODIS、Landsat、HJ 等中高分辨率光學(xué)遙感數(shù)據(jù)提取作物，混合像元?jiǎng)荼睾雎院芏嗟孛嫘畔?，如作物的間作套種；若使用Sentinel、ZY、GF 系列等高分辨光學(xué)遙感數(shù)據(jù)提取作物，不僅數(shù)據(jù)幅寬有限，而且云雨天氣會(huì)導(dǎo)致光學(xué)影像不確定，雖然GF-6的寬視場(chǎng)相機(jī)能滿足幅寬和分辨率的要求，但其單景數(shù)據(jù)超過(guò)6 GB，需要進(jìn)行正射校正處理，對(duì)計(jì)算機(jī)硬件要求較高。使用雷達(dá)和光學(xué)數(shù)據(jù)融合進(jìn)行農(nóng)作物提取能夠避免云雨天氣影響，但雷達(dá)數(shù)據(jù)處理周期較長(zhǎng)，產(chǎn)生的數(shù)據(jù)量較大，不適合大范圍提取。

Google Earth Engine（GEE） 提供了一個(gè)通過(guò)Web 端和Python 語(yǔ)言端的數(shù)據(jù)分析云計(jì)算平臺(tái)。能夠并行化計(jì)算PB級(jí)遙感數(shù)據(jù)，可為用戶實(shí)現(xiàn)科學(xué)分析和可視化，使得遙感影像的巨大數(shù)據(jù)量不再成為研究廣度和深度的限制，也為大規(guī)模遙感數(shù)據(jù)的挖掘分析提供可能。JIN 等[14]利用GEE 平臺(tái)和多源遙感數(shù)據(jù)在肯尼亞和坦桑尼亞依次構(gòu)建了2017年的農(nóng)田分布圖、玉米分布圖和玉米產(chǎn)量10 m 分辨率圖；DONG 等[15]利用GEE 平臺(tái)和Landsat8 數(shù)據(jù)繪制了東亞地區(qū)的水稻分布圖；李宇宸等[16]利用GEE 平臺(tái)和Landsat8 數(shù)據(jù)研究了中、老、緬邊界橡膠林的提取分布圖；SINGHA 等[17]利用GEE 平臺(tái)和Sentinel-1 數(shù)據(jù)提取了孟加拉國(guó)和印度東北部的水稻分布情況。

上述基于GEE 平臺(tái)的研究?jī)?nèi)容主要集中在單一研究對(duì)象上，且提取的精度提升，在農(nóng)作物動(dòng)態(tài)監(jiān)測(cè)應(yīng)用中缺乏整體性，難以滿足政府部門(mén)對(duì)地區(qū)農(nóng)作物進(jìn)行全方位布局規(guī)劃的需求。因此，本研究基于GEE 平臺(tái)，采用Sentinel-1 和Sentinel-2為主的多源遙感數(shù)據(jù)作為研究數(shù)據(jù)源，以內(nèi)蒙古呼倫貝爾市為研究區(qū)，對(duì)多種作物加以提取，以期為多云多雨條件下、跨氣候帶區(qū)域和高寒旱作農(nóng)業(yè)區(qū)大尺度農(nóng)作物提取應(yīng)用提供解決方案。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)選擇大興安嶺沿麓主要農(nóng)業(yè)區(qū)的內(nèi)蒙古自治區(qū)呼倫貝爾市，其面積相當(dāng)于山東省和江蘇省的總和，研究區(qū)西與蒙古國(guó)、北與俄羅斯接壤，東與黑龍江省、南與內(nèi)蒙古興安盟相鄰，大興安嶺橫貫中部，將大興安嶺西麓劃為溫帶大陸性氣候，大興安嶺東麓劃為溫帶大陸性季風(fēng)氣候，四季分明。研究區(qū)也屬于北方高寒旱作農(nóng)業(yè)區(qū)，地處N47°05′～53°20′，E115°31′～126°04′（圖1），統(tǒng)計(jì)數(shù)據(jù)顯示，2018年呼倫貝爾農(nóng)作物播種面積為189.425 萬(wàn)hm2[18]，占內(nèi)蒙古農(nóng)作物播種面積的21.47%，研究區(qū)冬季寒冷漫長(zhǎng)，夏季溫涼短促，春季干燥風(fēng)大，秋季氣溫驟降霜凍早；熱量不足，晝夜溫差大，有效積溫利用率高，無(wú)霜期短，日照豐富，降水量差異大，降水期多集中在7—8月。

1.2 數(shù)據(jù)源

1.2.1 Sentinel-1 數(shù)據(jù) Sentinel-1 數(shù)據(jù)是歐盟地球監(jiān)測(cè)計(jì)劃“哥白尼計(jì)劃”的第一個(gè)星座，它搭載C 波段5.405 GHz的合成孔徑雷達(dá)傳感器，以A/B 雙星的形式，提供陸地和海洋全天候、雷達(dá)成像的服務(wù)，A/B 雙星對(duì)同一地理位置重訪周期為6 d。GEE 平臺(tái)中提供了Sentinel-1 干涉寬幅模式（IW）的地距多視產(chǎn)品（GRD）數(shù)據(jù)，這些數(shù)據(jù)已經(jīng)通過(guò)Sentinel-1Toolbox（https：//step.esa.int/main/toolboxes/sentinel-1-toolbox/）進(jìn)行了熱噪聲消除、輻射校準(zhǔn)和地形校正等處理，提供最高分辨率為10 m的VH、VV、HH和HV極化方式數(shù)據(jù)。由于HV 和HH 極化主要用于監(jiān)視極地環(huán)境以及海冰區(qū)，本研究使用的數(shù)據(jù)為VV 和VH極化方式數(shù)據(jù)。

1.2.2 Sentinel-2 數(shù)據(jù) Sentinel-2 衛(wèi)星攜帶一顆多光譜的光學(xué)傳感儀（MSI），可拍攝涵蓋可見(jiàn)光、近紅外線與短波紅外線的13個(gè)波段影像，A/B 雙星對(duì)同一地理位置重訪周期為5 d。目前Sentinel-2 共有兩種數(shù)據(jù)產(chǎn)品，分別為L(zhǎng)evel-1C 產(chǎn)品和Level-2A 產(chǎn)品，Level-1C 產(chǎn)品是由大氣頂層（TOA）反射率觀測(cè)得到，Level-2A 產(chǎn)品由大氣底層反射率（BOA）觀測(cè)得到，也可以從Level-1C級(jí)圖像使用ESA 提供的專用工具箱（https：//github.com/senbox-org）進(jìn)行大氣校正得到。2018年研究區(qū)范圍內(nèi)GEE 中僅提供了大氣頂層（TOA）反射率，相關(guān)研究表明不進(jìn)行大氣校正不會(huì)影響地類的識(shí)別精度[19]。因此，本研究采用GEE提供的Sentinel-2 大氣頂層（TOA）反射率數(shù)據(jù)。

1.2.3 輔助數(shù)據(jù) 在以往的研究中，大尺度區(qū)域耕地、草地、灌木和林地容易混淆，導(dǎo)致分類精度降低[20]。遙感輔助數(shù)據(jù)的作用是排除非耕地信息的干擾，以實(shí)現(xiàn)提高分類精度的目的。研究區(qū)地處大興安嶺沿麓，地形起伏復(fù)雜，開(kāi)墾種植農(nóng)作物往往不會(huì)在25°以上陡坡地，且海拔高度也會(huì)影響氣候條件，進(jìn)而影響農(nóng)作物的種植結(jié)構(gòu)。因此，本研究選擇美國(guó)航天局航天飛機(jī)雷達(dá)地形任務(wù)（SRTM）數(shù)據(jù)集中全球數(shù)字高程模型（DEM）及其衍生數(shù)據(jù)坡度。除此，研究區(qū)還有大片林地和草原，本研究使用MODIS 土地覆蓋類型產(chǎn)品MCD12Q1 用于區(qū)分地表信息，MCD12Q1是使用監(jiān)督分類算法生成的每年土地覆蓋類型（2000—2018年），空間分辨率為500 m，包含6種分類方案，已被證明是擁有較高分類精度的土地利用數(shù)據(jù)[21]。

1.2.4 樣本數(shù)據(jù) 本研究中將樣本分為作物樣本和非作物樣本。使用的作物樣本數(shù)據(jù)為實(shí)地觀測(cè)的2018年呼倫貝爾市作物野外樣本數(shù)據(jù)，使用BDS 手持機(jī)采集，經(jīng)過(guò)差分校正和影像疊加目視校正，合計(jì)1 797個(gè)；非作物樣本數(shù)據(jù)使用對(duì)應(yīng)年份的Google earth 高分辨率影像選取，合計(jì)311個(gè)。所有樣本合計(jì)2 108個(gè)，在使用時(shí)隨機(jī)選擇70%樣本進(jìn)行分類訓(xùn)練，其余的30%部分進(jìn)行精度驗(yàn)證（表1）。

表1 樣本數(shù)據(jù)

2 研究方法

研究區(qū)的農(nóng)作物分布存在地區(qū)差異，大興安嶺西麓屬于蒙古高原延伸地帶，主要種植春小麥、春油菜、甜菜等作物；大興安嶺東麓屬于東北平原的邊緣，主要種植玉米、大豆、水稻等作物。其中，每年最早播種的是春小麥在4月初，最晚收獲的是水稻在10月中旬。因此，本研究利用2018年Sentinel-1 數(shù)據(jù)構(gòu)建VH、VV 兩種極化方式的時(shí)序數(shù)據(jù)集；利用2018年Sentinel-2 構(gòu)建作物生長(zhǎng)季（4月1日—10月30日）多光譜和遙感指數(shù)數(shù)據(jù)集。

2.1 Sentinel-1 時(shí)間序列

農(nóng)作物的生長(zhǎng)發(fā)育隨時(shí)間發(fā)生改變，表現(xiàn)在光譜反射率變化、群體結(jié)構(gòu)和郁閉度變化、高度變化等信息，遙感時(shí)序數(shù)據(jù)能監(jiān)測(cè)上述動(dòng)態(tài)變化特征，但研究區(qū)多云多雨天氣致使光學(xué)數(shù)據(jù)影像難以進(jìn)行大尺度長(zhǎng)時(shí)間序列觀測(cè)，可通過(guò)構(gòu)建Sentinel-1時(shí)間序列分析農(nóng)作物的時(shí)間變化特征，筆者在該地區(qū)使用Sentinel-1 時(shí)間序列數(shù)據(jù)開(kāi)展的局部研究試驗(yàn)已經(jīng)取得了比較好的農(nóng)作物分類結(jié)果[22]。大尺度遙感觀測(cè)需要將相鄰不同軌道的衛(wèi)星影像拼接形成滿足觀測(cè)范圍和內(nèi)容需求的影像產(chǎn)品，Sentinel-1傳感器的相鄰軌道存在時(shí)間差，可以通過(guò)多周期合成方式實(shí)現(xiàn)整體數(shù)據(jù)獲取，即在研究范圍內(nèi)利用多時(shí)相合成數(shù)據(jù)以達(dá)到數(shù)據(jù)的最佳觀測(cè)窗口，本研究對(duì)研究區(qū)Sentinel-1 數(shù)據(jù)進(jìn)行月均值合成構(gòu)建時(shí)序數(shù)據(jù)集。

SAR 數(shù)據(jù)存在相干斑噪聲，會(huì)導(dǎo)致分類結(jié)果產(chǎn)生“椒鹽現(xiàn)象”，本研究中利用Boxcar 濾波方法對(duì)多時(shí)相雙極化Sentinel-1 數(shù)據(jù)進(jìn)行斑點(diǎn)濾波處理，Boxcar 濾波在合成孔徑雷達(dá)數(shù)據(jù)處理中通過(guò)用滑動(dòng)窗口內(nèi)連續(xù)的像素點(diǎn)的平均值，代替原有連續(xù)的像素點(diǎn)增強(qiáng)雷達(dá)信號(hào)的信噪比。相關(guān)的研究表明，使用Boxcar 濾波器后的多極化雷達(dá)數(shù)據(jù)能夠提高數(shù)據(jù)的計(jì)算效率并能提高分類精度[23]，其公式

2.2 Sentinel-2 生長(zhǎng)季合成

利用Google Earth Engine 對(duì)研究區(qū)2018年的Sentinel-2 影像進(jìn)行云量統(tǒng)計(jì)，分析云的分布特征（圖2）。2018年4—10月研究區(qū)范圍內(nèi)共有4 651幅Sentinel-2 TOA 影像，其中云量低于20%的影像有1 945幅，占41.8%，且云量低于20%的數(shù)據(jù)主要集中在4月、9月和10月，無(wú)法在該區(qū)域利用多光譜數(shù)據(jù)制作時(shí)序數(shù)據(jù)集，本研究中使用Sentinel-2 影像合成生長(zhǎng)季數(shù)據(jù)，以云量得分最低的像元復(fù)合成為一幅最小云量合成影像。利用Sentinel-2 生長(zhǎng)季合成數(shù)據(jù)計(jì)算NDVI、NDWI、NDBI、EVI 和GVI，5個(gè)參數(shù)用以突出植被信息，區(qū)分水體、不透水面、沙地、灘涂等非作物區(qū)域；計(jì)算NDRE 用以突出作物間的差異。

2.3 分類特征變量

為了研究不同數(shù)據(jù)組合下的農(nóng)作物提取能力，實(shí)現(xiàn)分類精度最大化，本研究利用濾波后Sentinel-1的VV極化方式、VH極化方式及VV+VH 極化時(shí)間序列數(shù)據(jù)集，Sentinel-2 多光譜波段、遙感指數(shù)、地形數(shù)據(jù)和土地利用數(shù)據(jù)組成多源數(shù)據(jù)集38個(gè)特征變量，進(jìn)行對(duì)比分析（表2）。

2.4 隨機(jī)森林分類器

隨機(jī)森林是機(jī)器學(xué)習(xí)算法中一種將多棵決策樹(shù)組合預(yù)測(cè)的算法，將投票次數(shù)最多的類別指定為輸出結(jié)果，特別是對(duì)于高維特征的輸入樣本，無(wú)需降維和調(diào)整參數(shù)也可以得到很好的分類結(jié)果。RF的重要參數(shù)之一是決策樹(shù)的數(shù)量，相比其他決策樹(shù)算法，RF 算法不存在過(guò)度擬合的問(wèn)題，但會(huì)產(chǎn)生一定限度的泛化誤差[24]。BREIMAN 提出，泛化誤差總是隨著樹(shù)的數(shù)量的增加而收斂[25]，因此，決策樹(shù)的數(shù)量可以盡可能大，但超過(guò)一定點(diǎn)時(shí)，多余的決策樹(shù)對(duì)目標(biāo)預(yù)測(cè)的貢獻(xiàn)并不大。RF 已被證明在各種應(yīng)用中具有良好的效果，本研究以最常用的500 樹(shù)設(shè)定為默認(rèn)值，并嘗試調(diào)整決策樹(shù)的數(shù)量以驗(yàn)證不同決策樹(shù)下的分類效果。

3 結(jié)果與分析

3.1 農(nóng)作物后向散射特征

不同地物的后向散射值會(huì)隨著時(shí)間變化而產(chǎn)生變化，由圖3可知，VVB和VHB極化方式下農(nóng)作物表現(xiàn)出相同的變化趨勢(shì)，即在120 d（4月30日）進(jìn)入生長(zhǎng)期，由于地表作物的生長(zhǎng)，表面發(fā)生變化，由相對(duì)光滑的表面轉(zhuǎn)為粗糙表面，導(dǎo)致后向散射系數(shù)增大，在180（6月29日）～240 d（8月28日）后向散射系數(shù)達(dá)到峰值，此時(shí)正值作物生長(zhǎng)最旺盛的時(shí)期，隨后作物的后向散射系數(shù)開(kāi)始下降，主要原因是大部分作物在300 d 時(shí)成熟后向散射系數(shù)恢復(fù)120 d的水平，此時(shí)是農(nóng)作物的收獲期地表又恢復(fù)到裸露土壤的狀態(tài)。

表2 分類特征變量

非農(nóng)作物地類中，大興安嶺的林地類型主要為針葉林，四季變化不明顯，林地類型在一年內(nèi)沒(méi)有大的起伏變化，在200（6月19日）～235 d（8月23日）后向散射系數(shù)略微升高并與農(nóng)作物變化曲線相交，隨后又略微下降，同理，城市、沙地及灘涂表面基本固定，因此，后向散射系數(shù)年內(nèi)沒(méi)有大的起伏變化。草地的曲線趨勢(shì)與作物相似，100 d（4月10日），草地進(jìn)入返青期，自125 d（5月5日）開(kāi)始進(jìn)入穩(wěn)定期，變化幅度較小，250 d（9月7日）前后開(kāi)始下降，此時(shí)草地進(jìn)入了枯黃期。水體的VH 極化曲線表現(xiàn)為先下降后平穩(wěn)的特征，主要原因是水體的冰融化導(dǎo)致。

不同的極化方式下，兩種極化方式的變化趨勢(shì)相似，地物的后向散射特征略有不同，主要表現(xiàn)在：VV極化方式的后向散射系數(shù)整體比VH極化方式高；VV 極化的相同節(jié)點(diǎn)上重疊度較高，不利于作物間、作物和非作物的區(qū)分，會(huì)導(dǎo)致分類精度下降。

3.2 農(nóng)作物提取結(jié)果

3.2.1 不同分類特征集下分類結(jié)果分析 通過(guò)不同特征集的組合分類，得到了研究區(qū)農(nóng)作物分類精度和Kappa 系數(shù)的分布情況（圖4）。由圖4可知，使用單獨(dú)Boxcar 濾波后的VHB或VVB極化方式時(shí)間序列數(shù)據(jù)的分類精度都低于80%，使用Boxcar 濾波后的VHB極化方式時(shí)間序列數(shù)據(jù)的分類精度要高于VVB極化方式時(shí)間序列，驗(yàn)證了之前的后向散射變化曲線的分析結(jié)果，將兩種極化方式時(shí)間序列進(jìn)行組合后，數(shù)據(jù)間進(jìn)行了優(yōu)勢(shì)互補(bǔ)，使分類精度有所提升，但分類精度僅有79.83%，上述結(jié)果說(shuō)明僅使用Sentinel-1 時(shí)間序列數(shù)據(jù)進(jìn)行分類仍然會(huì)存在較大的分類偏差，農(nóng)作物提取能力具有一定的局限性；利用Sentinel-2 TOA 生長(zhǎng)季合成數(shù)據(jù)及其衍生的指數(shù)特征集組合的分類結(jié)果略好于Sentinel-1 時(shí)間序列數(shù)據(jù)，引入輔助數(shù)據(jù)T（地形）和L（土地利用）后精度進(jìn)一步提高為79.53%，由于研究區(qū)的作物關(guān)鍵生育期（7月、8月）大部多云多雨使得光學(xué)數(shù)據(jù)利用率較差，但光學(xué)數(shù)據(jù)仍有廣泛應(yīng)用潛力。

通過(guò)將Boxcar 濾波后的Sentinel-1 雙極化雷達(dá)數(shù)據(jù)、Sentinel-2 光學(xué)數(shù)據(jù)以及輔助數(shù)據(jù)T（地形）和L（土地利用）進(jìn)行組合VVB+VHB+M+I+T+L，最終得到87.41%的農(nóng)作物分類精度，比單獨(dú)的組合（VVB+VHB、M+I+T+L）提取結(jié)果分別提高了7.57個(gè)百分點(diǎn)和7.87個(gè)百分點(diǎn)，說(shuō)明多源數(shù)據(jù)組合方式既可以利用Sentinel-1 提供作物的時(shí)間變化信息，又可以利用Sentinel-2 對(duì)農(nóng)作物空間信息提取，同時(shí)輔助數(shù)據(jù)提高了分類精度。

3.2.2 最佳特征組合方式下不同決策樹(shù)分類結(jié)果分析 使用VVB+VHB+M+I+T+L 組合分類結(jié)果的精度最高，為充分研究隨機(jī)森林分類器中決策樹(shù)對(duì)分類精度的影響，通過(guò)改變決策樹(shù)的數(shù)量得到如圖5所示的分類結(jié)果的精度對(duì)比結(jié)果。由圖5可知，分類精度會(huì)隨著決策樹(shù)的變化而產(chǎn)生變化，較少的決策樹(shù)可能無(wú)法捕捉目標(biāo)預(yù)測(cè)細(xì)節(jié)信息，使用10 樹(shù)的分類結(jié)果精度較低為85.01%，隨機(jī)森林分類器中的決策樹(shù)需保持足夠多的數(shù)量，本研究中使用500 樹(shù)的分類精度最高為87.41%，與300 樹(shù)在保留小數(shù)位數(shù)后分類精度近似，它們之間也存在著細(xì)微差異。同時(shí)可以發(fā)現(xiàn)，當(dāng)決策樹(shù)的數(shù)量超過(guò)500 樹(shù)，分類精度下降，表明過(guò)多的決策樹(shù)并沒(méi)有提高分類器的性能。

3.2.3 特征變量?jī)?yōu)選與評(píng)價(jià)分析 隨機(jī)森林分類器可以輸出特征變量重要性，用來(lái)評(píng)價(jià)特征變量對(duì)目標(biāo)變量預(yù)測(cè)的貢獻(xiàn)能力。本研究利用GEE 對(duì)所用的特征向量進(jìn)行相對(duì)重要性計(jì)算，如圖6 中展示了本研究中特征變量相對(duì)重要性排名的分布情況。

由圖6可知，在參與分類的38 特征變量中，統(tǒng)計(jì)不同特征變量的重要性得分發(fā)現(xiàn)：不同特征變量的重要性得分差異較大，VHB6（9月合成數(shù)據(jù)）特征的重要性得分最高，對(duì)分類影響相對(duì)較大，而B(niǎo)10、SLOPE、LC_Type1 3個(gè)特征重要性得分低于500，表明這3個(gè)特征向量對(duì)分類影響較小。

由圖7可知，可將分類精度變化趨勢(shì)分為3個(gè)階段。第一階段（排名前1～8 特征），隨著參與分類的特征變量的增加，分類精度呈現(xiàn)急速上升的趨勢(shì)，從單個(gè)特征分類精度為23.77%迅速達(dá)到81.27%，這主要因?yàn)榍捌谔卣髯兞康闹匾栽u(píng)分高，特征之間相關(guān)性小和冗余特征少，從而提高了分類器的性能，對(duì)精度提高有明顯影響的分別是ELEVATION（24.21%）、VHB6（23.77%）、VHB4（16.98%）、B1（6.79%）、NDVI（5.70%）；第二階段（排名前9～24 特征）分類精度提升速度大幅降低，但是仍然呈現(xiàn)平穩(wěn)上升的趨勢(shì)，分類精度從81.27%逐步達(dá)到87.76%；第三階段（排名前25～38 特征），分類精度呈現(xiàn)波動(dòng)下降的趨勢(shì)。這是因?yàn)楹笃谌哂嗵卣骱筒幌嚓P(guān)特征增加，降低了分類器的性能，導(dǎo)致分類精度降低。由圖7也可知，當(dāng)特征變量保持在相對(duì)重要性排名前24個(gè)時(shí)，分類精度和Kappa 系數(shù)均達(dá)到最大值，分別為87.76%和0.86，將前24個(gè)特征作為最終結(jié)果參與分類。

3.2.4 分類結(jié)果圖形分析 使用特征優(yōu)選后的數(shù)據(jù)提取農(nóng)作物分布結(jié)果見(jiàn)圖8。對(duì)比Google Earth 可看出，耕地與非耕地區(qū)分結(jié)果較好，耕地的結(jié)構(gòu)明顯，界限清晰；從農(nóng)作物分布情況來(lái)看，農(nóng)作物沿大興安嶺山麓分布，西南方向主要分布春小麥、春油菜等作物，東北方向主要分布玉米、大豆、水稻、高粱等作物，結(jié)果與實(shí)際情況吻合；從目視效果來(lái)看，西南方向作物提取效果較好，東北方向的作物提取效果較差。玉米大豆

從細(xì)節(jié)上看，分類結(jié)果中產(chǎn)生了許多破碎像元，主要集中在研究區(qū)東部，根據(jù)實(shí)際調(diào)查發(fā)現(xiàn)，2018年研究區(qū)東部夏季多雨產(chǎn)生洪澇災(zāi)害，導(dǎo)致作物長(zhǎng)勢(shì)不均勻，產(chǎn)生了混合像元（圖9a、圖9b），西部則影響較小，地塊界限比較清晰，混合像元較少（圖9c、圖9d）。

4 結(jié)論與討論

本研究使用Sentinel-1、Sentinel-2 等多源遙感數(shù)據(jù)，在Google Earth Engine 平臺(tái)中對(duì)數(shù)據(jù)集進(jìn)行特征優(yōu)選，并在此基礎(chǔ)上提取呼倫貝爾市的農(nóng)作物分布信息。通過(guò)結(jié)果分析，獲得了比較理想的作物分布圖，可實(shí)現(xiàn)常規(guī)業(yè)務(wù)化監(jiān)測(cè)。但本研究也存在部分不足之處，首先，在遙感指數(shù)的選取上僅依靠經(jīng)驗(yàn)選取了部分指數(shù)，未進(jìn)行更多試驗(yàn)以尋求最佳指數(shù)特征；其次，在縣域尺度和全國(guó)尺度對(duì)模型參數(shù)還需進(jìn)一步驗(yàn)證。未來(lái)在本研究基礎(chǔ)上對(duì)數(shù)據(jù)選取、處理與研究方法加以改進(jìn)完善，以期提高多源遙感數(shù)據(jù)在大尺度農(nóng)業(yè)資源監(jiān)測(cè)中的優(yōu)勢(shì)。

致謝：本研究的外業(yè)數(shù)據(jù)采集工作得到了內(nèi)蒙古自治區(qū)農(nóng)牧廳、呼倫貝爾市農(nóng)牧局及其所轄各旗縣區(qū)農(nóng)牧（科技）局的大力協(xié)助，在此表示感謝！