基于Sentinel-2遙感影像的煙草種植信息精準提取

薛宇飛 張軍 張萍 李宇宸

摘 ?要：為探索快速、實時、精準和更具成本效益的煙草面積和產(chǎn)量監(jiān)測方法，選取云南省德宏傣族景頗族自治州芒市為研究區(qū)域，采用Sentinel-2多光譜數(shù)據(jù)為數(shù)據(jù)源，對2020年3月份云南省德宏州芒市煙草、林地、水體等地物光譜特征和植被指數(shù)、紅邊指數(shù)進行了分析，應用面向對象的方法精準提取烤煙種植區(qū)域信息，提取的煙草面積為3 873.34 hm2。精度評價結果表明，提取的總體精度達到94.38%，Kappa系數(shù)為0.93，可滿足煙葉生產(chǎn)管理的實際需求。認為以Sentinel-2多光譜影像為數(shù)據(jù)源結合面向對象的方法可以有效實現(xiàn)煙草種植信息的精準提取，進而為縣域范圍內煙草生產(chǎn)管理提供數(shù)據(jù)支撐。

關鍵詞：煙草;Sentinel-2;面向對象分類;隨機森林分類;精準提取

Abstract： In order to explore a fast， real-time， accurate and more cost-effective monitoring method for tobacco area and yield， Mang City， Dehong Dai Jingpo Autonomous Prefecture， Yunnan Province was selected as the study area， and Sentinel-2 multispectral data was used as the data source to analyze the spectral characteristics and vegetation index and red edge index of tobacco， woodland， water bodies and other features in Mangshi， Dehong Dai Jingpo Autonomous Prefecture， Yunnan Province， in March 2020. The object-oriented method was applied to accurately extract information on flue-cured tobacco planting area， and the extracted tobacco area was 3 873.34 ha. The accuracy evaluation results showed that the overall accuracy of extraction reached 94.38%， and the Kappa coefficient was 0.93， which could meet the actual needs of tobacco production management. It is concluded that the combination of Sentinel-2 multispectral images as the data source and the object-oriented approach can effectively realize the accurate extraction of tobacco planting information， and then provide data support for tobacco production management within the county.

Keywords： tobacco; Sentinel-2; object-oriented classification; random forest classification; accurate extraction

煙草是我國重要的經(jīng)濟作物之一。煙草的生長發(fā)育對光、熱、水等自然環(huán)境條件反應敏感，煙葉生產(chǎn)周期長、種植勞動強度大、用工投入多、技術要求高[1]?？焖?、實時、準確和定位化獲取煙草生長信息是實現(xiàn)煙葉精益生產(chǎn)、推動現(xiàn)代煙草農(nóng)業(yè)發(fā)展的基礎[2]。目前煙草面積核查、產(chǎn)量估計仍是基于實地踏勘和人工測量估算，并逐級上報進行統(tǒng)計匯總，中間過渡環(huán)節(jié)、人為因素干擾較多，且造成大量人力、物力和財力浪費[3-4]。

遙感在監(jiān)測和區(qū)分不同類型的植被以及反演植被健康情況和作物成熟狀況方面發(fā)揮出顯著作用[5-7]，已在農(nóng)作物監(jiān)測領域得到廣泛應用。呂小艷等[8]論述了應用遙感監(jiān)測煙草病蟲害、長勢和產(chǎn)量的可行性，但受限于諸多因素，利用遙感在大尺度上對煙田面積精確提取面臨挑戰(zhàn)。李朋彥[2]應用高光譜無人機對煙草長勢進行監(jiān)測，發(fā)現(xiàn)其長勢好壞與光譜之間具有顯著相關性，證明利用無人機遙感監(jiān)測烤煙生長、鑒別煙草類型及開花程度具有可行性。陳金等[9]應用無人機遙感影像針對寧鄉(xiāng)橫市基地單元煙草種植面積信息進行了提取，結果表明其提取精度較高。嚴欣榮等[10]采用Sentienl-2遙感影像，在機器學習分類方法的支持下對滄源縣范圍內分散分布的叢生竹林空間信息精確提取，發(fā)現(xiàn)滄源縣竹林主要分布在海拔900～1200 m的緩坡或傾斜處;并對比隨機森林分類（Random Forest， RF）、反向傳播神經(jīng)網(wǎng)絡分類（Back Propagation NeuralNetwork， BPNN）、支持向量機分類（Support Vector Machine， SVM）三種機器學習分類方法，得出隨機森林分類精度優(yōu)于支持向量機和反向傳播神經(jīng)網(wǎng)絡的結論。魏夢凡[11]應用Sentinel-2A遙感影像采用支持向量機分類、面向對象分類方法對開封市冬小麥的種植面積信息進行提取，并基于以上兩種方法提出了一種V2OAE（Vector Object Oriented Area Extraction）的分類方法，進一步提高了冬小麥種植面積的提取精度。張陽等[12]基于Sentinel-2A遙感影像采用決策樹分類法（Decision Tree）對湖南省茶陵縣烤煙種植面積進行提取，其結果可滿足烤煙生產(chǎn)管理的實際需求。李龍偉等[13]利用Sentinel-2遙感影像研究一種快速、準確提取茶園空間分布的新方法，根據(jù)Sentinel-2遙感影像中的紅邊波段與短波紅外波段構建歸一化茶園指數(shù)（Normalized Difference Tea Garden Index， NDTI），成功實現(xiàn)浙西北茶園信息的提取，證明紅邊波段在提取茶園信息上具有較大潛力。陳蕊等[14]以山東省膠州地區(qū)遙感影像為例，分析評價了面向對象分類和監(jiān)督分類方法，結果表明面向對象方法精度更高、更可靠。

上述學者多將遙感監(jiān)測技術應用在常見作物的大規(guī)模信息提取，對于煙草作物的研究則是集中在小規(guī)模、無人機遙感方面，而對基于Sentinel-2衛(wèi)星遙感影像數(shù)據(jù)提取煙草作物信息方面的研究還不夠深入，尤其是通過應用對植被信息敏感的紅邊波段及其衍生因子對煙草信息進行更加精細化、準確化的提取，更是鮮有研究。云南省是我國規(guī)模最大的煙葉生產(chǎn)基地，本研究選取云南省德宏傣族景頗族自治州芒市為研究區(qū)域，對Sentinel-2數(shù)據(jù)進行預處理后，應用面向對象的方法精準提取烤煙種植區(qū)域信息，旨在為應用遙感技術監(jiān)測煙草種植面積提供參考。

1 ?材料與方法

1.1 ?研究區(qū)概況

芒市位于云南省西部，東經(jīng)98°05′～98°44′，北緯24°05′～24°39′之間。芒市東西長約71 km，南北寬約62 km，總面積2987 km2，其中山地面積占89%，盆壩平地河谷占11%;地勢東北高西南低，海拔469 m至2835 m。屬低緯度高原季風氣候，其烤煙大田生長期（2—6月）的氣候條件與優(yōu)質煙葉產(chǎn)區(qū)津巴布韋在光、熱、水等自然條件方面具有較高的相似性?？緹煷筇锷L期間光照條件好，能較好地進行碳代謝和生物質的積累，并有利于合成酯類化合物，形成較多的香氣物質[17];降水強度不大，但降水有效性高，能有效滿足烤煙的生長發(fā)育;氣溫相對適宜，最高氣溫36.2 ℃，最低氣溫-0.6 ℃，年平均氣溫19.6 ℃，能充分滿足整個烤煙生長期需要的積溫，晝夜之間溫差較大，有利于煙株的糖分積累與分解以及次生代謝產(chǎn)物的形成，合成出更多的香氣物質[15-17]。

1.2 ?數(shù)據(jù)源及預處理

研究所需Sentinel-2 L1C級免費數(shù)據(jù)產(chǎn)品來源于歐洲航空局數(shù)據(jù)共享網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home）[18]。Sentinel-2衛(wèi)星影像具有從可見光、近紅外到短波紅外共13個波段，與Landsat系列等光學衛(wèi)星相比，具有更豐富的光譜信息、更高的時間和空間分辨率;且Sentinel-2衛(wèi)星是目前唯一在紅邊范圍設有3個波段的衛(wèi)星，其紅邊波段可為植被分類、監(jiān)測植被健康信息、以及估算葉面積指數(shù)等提供有效的數(shù)據(jù)源[18-20]。相關參數(shù)見表1[21]。

為提高分類精度，首先了解研究區(qū)的先驗知識，研究區(qū)主要作物類型為烤煙、水稻、玉米、茶葉、咖啡、甘蔗等。依據(jù)主要作物的農(nóng)事歷，11月初為烤煙播種期，12月初為烤煙的移栽期，之后烤煙進入生長期，次年4月初開始采收。因此，本研究影像數(shù)據(jù)應在12月至次年4月之間選取。經(jīng)篩選，選取2020年3月13日的影像數(shù)據(jù)，研究區(qū)內云量少，圖像質量好。數(shù)據(jù)參數(shù)見表2。

對于數(shù)據(jù)的預處理，使用ENVI 5.3、SNAP 8.0軟件為遙感影像處理軟件。Sentinel-2B_MSLL1C數(shù)據(jù)已經(jīng)過幾何精校正，故僅需使用SNAP軟件對其進行大氣校正和重采樣處理，其中大氣校正在Sen2Cor-2.8.0模塊下進行[22-23];裁剪研究區(qū)域等剩余操作在ENVI軟件中進行。

1.3 ?構建特征集及土地利用和覆被類型劃分

參考前人在煙草信息提取及相關方面的研究結果[2， 4， 9， 10， 12-13， 18]，發(fā)現(xiàn)應用光譜特征可將水體、植被及其他類型的地物區(qū)分，但煙草、林地和其他類型農(nóng)作物的光譜曲線較為接近，部分還存在同譜異物現(xiàn)象。而植被指數(shù)根據(jù)綠色植被在紅光波段具有低反射率、在近紅外波段具有高反射率的特性，可反映植被蓋度、葉綠素含量等生物物理參數(shù)，不同的植被具有不同的植被指數(shù)[12， 24]，可用來區(qū)分植被區(qū)域，因此引入植被指數(shù)區(qū)分煙草、林地和其他農(nóng)作物。參考前人研究中煙草、林地、灌木的植被指數(shù)的比較結果[12]，選取歸一化植被指數(shù)（Normalized Difference Vegetation Index， NDVI）和插值植被指數(shù)（Difference Vegetation Index， DVI）參與分類，并依據(jù)Sentinel-2衛(wèi)星中紅邊波段專門用于監(jiān)測植被的特性，使用紅邊波段計算植被指數(shù)并加入到3種地物的分類特征變量集中。因此，本研究選取光譜特征、歸一化植被指數(shù)、紅邊指數(shù)[18]來構建特征變量集，具體見表3[12]。

研究區(qū)內作物種類較為復雜，且植被分類尚無統(tǒng)一標準，本研究參考地理國情普查內容與指標中設置的土地利用類型分類標準[25]，根據(jù)研究需要，將芒市主要地物類型劃分為水體、植被和其他用地3種類型，其中植被又劃分為煙田、林地、其他作物3類，其他用地劃分為建設用地和裸地2類;云層、云層產(chǎn)生的陰影單獨分類。

1.4 ?隨機森林分類方法

隨機森林算法（RF）是由多棵CART（Classification And Regression Tree）決策樹構成的新型機器學習方法，如果把決策樹看成分類任務中的一個專家，隨機森林就是許多專家在一起對某種任務進行分類，且對數(shù)據(jù)進行分類的同時，還可以給出各個變量的重要性評分，評估各個變量在分類中所起的作用[26]。RF具有分析復雜相互作用分類特征的能力，可以實現(xiàn)較高的分類準確率、較強的抗噪、抗異常值能力，并能同時處理大量數(shù)據(jù)[27]，已成為目前遙感影像分類算法中炙手可熱的分類器。

1.5 ?面向對象的影像分類方法

傳統(tǒng)的分類方法以像元為基本分類和處理單元，普遍存在“椒鹽”現(xiàn)象，具有一定的局限性[28];面向對象的遙感影像分類方法打破了這種局限性，以含有更多語義信息（形狀、大小、紋理等）和對象之間的空間關系（拓樸關系、鄰近關系、方向關系等）的多個相鄰像元組成的對象為處理單元，處理單元的內部像元特征一致或相近，相鄰分割斑塊間的異質性達到最大，綜合計算每個單元的光譜和形狀異質性因子的綜合特征值，通過模仿人們對現(xiàn)實世界中各種事物的認知過程來實現(xiàn)較高層次的遙感圖像分類和目標地物提取，達到較好的遙感圖像分類效果[29-30]。本研究中主要應用了閾值分類和最鄰近分類的方法。

1.6 ?多尺度分割

多尺度分割（Multiresolution Segmentation）是eCognition軟件中最常用的一種分割算法。多尺度分割以分割對象異質性最小、分割后對象與欲獲取目標吻合度最高為依據(jù)，其相關參數(shù)指標主要包括光譜異質性、形狀異質性（平滑、緊密）、整體異質性，從多尺度、多角度對遙感影像進行分割，從而可以使分割結果與實際情況更加適應，具有更高的精度要求[31]。在分割過程中，區(qū)域合并從單像素對象開始自下而上進行，小的影像對象合并為大的影像對象，在兩兩聚類過程中，影像對象的異質性權重通過底層優(yōu)化過程達到最小化。在此過程中，每一步中的相鄰影像對象如果符合規(guī)定的異質性最小生長條件，則被合并;但如果最小生長超過了由尺度參數(shù)定義的閾值，則分割過程會停止，并得到一個尺度的分割結果[32]。通過調整尺度參數(shù)，使影像對象繼續(xù)合并或像素合并，直到合并生成的新對象的異質性再次大于尺度參數(shù)設定閾值時結束合并[33]。重復上述過程，即可得到多個尺度下的分割結果，進而建立對象層次網(wǎng)絡。

1.7 ?最鄰近分類

K最鄰近（K-Nearest Neighbor， KNN）算法是一種在特征空間中基于最鄰近的訓練樣本來區(qū)分對象的方法。其基本思路是：一個對象的分類取決于其周圍最鄰近的樣本類別，在特征空間中，如果該對象的K個（K是一個正整數(shù)，通常很?。┳钹徑鼧颖局械拇蠖鄶?shù)屬于某一類，那么該樣本也屬于這一類。周圍有限且鄰近的樣本而非類域，是K最鄰近分類方法用來確定所屬類別的最主要依據(jù)。因此對于各種類域之間交叉或重疊比例較多的待分類樣本集來說，K最鄰近分類方法較其他類型分類方法更為適合[34]。本文中研究區(qū)各作物種植區(qū)域之間交叉度比較高，采用K最鄰近分類方法比較適宜。

1.8 ?精度評價

遙感圖像分類結果的優(yōu)劣需要以精度進行定量評價，即將分類后圖像中的對象與其對應的實際地物進行精度對比，以正確分類的占比表示每類的分類精度。常用混淆矩陣進行分類精度的評價，混淆矩陣由n行×n列元素組成，矩陣中的每個元素代表每類地物的數(shù)量，從而算得分類精度?；煜仃嚹軌蚯宄乜吹矫總€地物正確分類的個數(shù)以及被錯分的類別和個數(shù)，即各類別的混分和漏分誤差。但是，混淆矩陣并不能直接看出分類精度的好壞，因此衍生出來各種分類精度測量指標，其主要測量指標為全局精度（Overall Accuracy， OA）以及Kappa系數(shù)[35]。OA有很好的表征分類精度，但其值受到像元個數(shù)較多的類別的影響較大，不能很好地表征每個類別的地物。OA的具體公式如下：

Kappa系數(shù)是一個完全不同的概念，可以用更客觀的指標來評價分類質量。Kappa系數(shù)產(chǎn)生的評價指標被稱為Khat統(tǒng)計，可反映提取結果與真實地物的吻合度。當Kappa系數(shù)小于0.4時，表明吻合度較差;當Kappa系數(shù)介于0.4～0.6之間，表明吻合度較一般，當Kappa系數(shù)高于0.6時，說明二者的吻合度較強[13， 30]。其計算公式如下：

式中，是混淆矩陣中總列數(shù)（即總的類別數(shù)）;是混淆矩陣中第行、第列上像素數(shù)量（即正確分類的數(shù)目）;和分別是第行和第列的總像素數(shù)量;是總的用于精度評估的像素數(shù)量。

本文選取混淆矩陣作為精度評價的方法來客觀評價所采用的分類方式能否能較好地對煙草信息進行提取。

1.9 ?技術路線

本研究總體思路：首先，對覆蓋研究區(qū)的Sentinel-2影像進行預處理;其次，利用面向對象的分類方法提取煙草信息，并與隨機森林分類結果進行對比，評價分類精度，最終獲得2020年芒市煙草種植區(qū)域圖。研究技術路線如圖1所示。

2 ?結 ?果

2.1 ?分類特征選擇

根據(jù)3月份芒市主要地物的光譜響應曲線（圖2）可知，水體在B5～B12波段的反射率明顯低于其他地物，其NDVI、NDVIre1～NDVIre3、DVI值遠遠小于其他地物（圖3），表明水體在近紅外（Near Infrared， NIR）波段的吸收率大于其他地物，據(jù)此可將水體與其他地物區(qū)分開;在B11、B12波段，裸地的反射率具有明顯特征且高于建設用地、其他作物、煙田及林地，可據(jù)此來識別裸地;建設用地在B6～B9波段與其他地物有較大區(qū)別，可以明顯區(qū)分;林地、煙田和其他作物3種植被的光譜曲線較為接近，但煙田、林地在B12波段反射率小于其他作物，其NDVI、NDVIre1值大于其他作物，可將此作為分類依據(jù);進一步分析發(fā)現(xiàn)，煙田、林地的NDVI存在一定差異，林地的NDVI值要大于煙田，但煙田在B1～B12波段的光譜響應曲線整體要高于林地。云層與其他地物類型差異過大，未在圖中展示。

2.2 ?確定最優(yōu)分割尺度

本研究中采用ESP2插件來確定最優(yōu)分割尺度，理想的分割結果是：分割后得到的對象應具有較高的內部均質性，且異質性達到最小，不會有混合目標;分割后所得相鄰對象之間應有明顯的屬性特征差異，能夠很好地被區(qū)分[36]。經(jīng)多次試驗，劃分為3層尺度（圖4），分別對應閾值分類（區(qū)分水體與非水體、植被與非植被）和最鄰近分類。從圖4可以看出，Level 1的尺度為99，分割后得到的對象較大，與相鄰對象之間的屬性特征差異明顯，裸地、建筑、植被等能較好地區(qū)分，也能區(qū)分水體與非水體、植被與非植被;Level 2的尺度為63，分割后得到的對象較小，在Level 1尺度的基礎上進行了細分，將一些屬性特征差異較明顯的相鄰對象進行了分割;Level 3的尺度為40，分割的對象更小，相鄰對象的屬性特征差異不明顯。如圖4（c）中深綠色和淺綠色林地圖斑，同屬林地，因樹型、樹齡等的不同存在屬性特征差異，但不明顯，以及林地邊緣的裸地、覆蓋有微量植被的裸地和裸地的屬性特征差異同樣不明顯，但在Level 3的尺度下，能被較好分割。因此，本文選取Level 1尺度進行閾值分類，首先區(qū)分水體與非水體、植被與非植被;選取Level 2、Level 3尺度進行最鄰近分類，Level 2用以區(qū)分植被、裸地、建筑等，Level 3用以區(qū)分同類中屬性特征差異不明顯的對象。

2.3 ?分類規(guī)則與結果

本研究主要采用NDVI、NIR、各波段不同地物反射率等數(shù)據(jù)作為閾值分類和最鄰近分類的分類規(guī)則。根據(jù)分析，127≤NIR≤1500為水體，其余為非水體;0.25≤NDVIre2≤0.6為植被，其余為非植被。隨后，以煙田、林地、其他作物、建設用地、裸地為分類體系定義訓練樣本，執(zhí)行面向對象最鄰近分類。

建立分類規(guī)則形成初步結果后，通過過濾小圖斑等處理，最終生成2020年芒市煙草種植區(qū)域圖，見圖5，并依據(jù)野外調查數(shù)據(jù)及輔助資料建立了基于研究區(qū)Sentinel-2真彩色合成影像的遙感解譯標志，見表4。

由表4可知，圖5中水體顏色整體呈深藍色，與其他類型地物區(qū)分明顯;建設用地因包括的地物較多，顏色較為雜亂;裸地呈褐色;云層呈白色，云層陰影呈黑色;煙田、其他作物、林地的顏色都為綠色，但煙田的綠色偏向藍色顏色略深，林地顏色較深偏向黑色，其他作物的綠色偏淺。

2.4 ?分類及精度結果評價

通過基于樣本點的混淆矩陣精度評價方法（Error Matrix based on Samples）來定量評價面向對象分類、隨機森林分類方法結果精度（表5），在ArcGIS中生成隨機點，基于谷歌地球中高精度影像進行目視解譯分類后作為樣本點。在生成隨機點之前首先基于研究區(qū)創(chuàng)建漁網(wǎng)，每個格網(wǎng)生成1個隨機點，以保證隨機點的生成能夠均勻分布在整景影像中，而不是集中分布在某一區(qū)域導致精度過高或過低，共生成2905個隨機點。生成隨機點后，使用谷歌地球中的高精度影像對其進行目視解譯，然后采用混淆矩陣在eCognition軟件中進行精度評價。

綜合4個精度評價指標，面向對象分類方法在芒市煙草信息提取中表現(xiàn)出較優(yōu)的分類精度，總體精度、Kappa系數(shù)以及各地類的生產(chǎn)者精度（producer accuracy，PA）和用戶精度（user accuracy，UA）普遍高于RF。面向對象分類的OA達到94.38%，Kappa系數(shù)達到0.93，后者OA為93.39%，Kappa系數(shù)為0.91。對于單一地類精度，面向對象方法提取的煙草的PA和UA均達到98%以上，其余各類UA也較高，表明其中錯分現(xiàn)象較少;RF提取煙草的PA為92.20%，UA為86.09%，其他作物的PA為64.32%，UA為89.51%，表明存在一部分煙草與其他作物混分。此外，建設用地與裸地也存在大量混分現(xiàn)象。

在面積提取方面，面向對象分類法的煙草提取面積為3 873.34 hm2，芒市2020年實際種植面積3 573.34 hm2[37]，面積誤差為8.40%;RF煙草提取面積為3229.46 hm2，面積誤差9.60%。兩種方法相比，面向對象分類方法取得了較好的提取效果。從分類效率上來說，RF的表現(xiàn)優(yōu)于面向對象。面向對象方法需要對地物特征進行選擇、構建特征變量集等，確定最佳分割尺度也需要一定時間;RF無需做特征選擇，且訓練速度快。

2.5 ?空間分布

將芒市2020年煙草種植區(qū)域與芒市的土地坡度與數(shù)字高程模型（Digital Elevation Model， DEM）進行疊加（圖6），對其空間分布進行分析，并統(tǒng)計其信息（表6）。

由圖6（a）和表6可知，芒市煙草集中分布于坡度≤6°的區(qū)域，占到了芒市煙草種植面積的91.98%;高度上集中分布于海拔469至1200 m的區(qū)域，占到了煙草總面積的98.75%。這些區(qū)域屬沖積平原（壩子）和山間河谷盆地，地勢平坦，地下水位低，土壤肥沃，適宜居住，周圍村落密集，人力資源豐富，有利于優(yōu)質煙葉生產(chǎn)。

3 ?討 ?論

（1）本文針對德宏州芒市種植的煙草這類特定作物，利用面向對象的最鄰近分類和隨機森林分類方法進行了研究、比較。與學者張陽[12]的研究相比，其煙草提取的總體分類精度為90.29%，本研究中面向對象分類方法的總體分類精度為94.38%，隨機森林方法的總體分類精度為93.39%，提取精度更高。其次，相比于文獻[4]只使用了比值植被指數(shù)（Ratio Vegetation Index， RVI）來反演葉面積指數(shù)（Leaf Area Index， LAI），文獻[12]未對植被紅邊指數(shù)加以研究，本文研究了煙草與其他作物在植被紅邊指數(shù)上的差異，并將其應用于煙草種植面積信息提取工作中，此方法具有一定的優(yōu)越性。

（2）本研究也表明3月份煙草與部分林木、其他農(nóng)作物存在異物同譜現(xiàn)象，對其光譜特征（圖2）和主要植被指數(shù)（圖3）分析表明，煙草的光譜特征和5種植被指數(shù)與林地、其他作物的差異不顯著，3種地物在B5～B9波段的反射率均在0.3左右;進一步分析發(fā)現(xiàn)煙草的NDVIre2、NDVIre3與林地、其他作物的差異不顯著，煙草和林地的DVI、NDVI、NDVIre1均高于其他作物，同時煙草的NDVI、NDVIre1略低于林地，可能是由于3月份芒市煙草逐漸進入成熟期但又未完全成熟，葉面積指數(shù)逐漸變大，與還處于生長期、葉面積指數(shù)較小的其他作物有所區(qū)分，且NDVI在高植被覆蓋區(qū)容易出現(xiàn)飽和現(xiàn)象[38]，因此煙草的NDVI、NDVIre1高于其他作物而略低于林地。這也說明單一的光譜特征和DVI、NDVIre2、NDVIre3在單時相衛(wèi)星數(shù)據(jù)提取煙草面積時不適用。

（3）本研究說明面向對象分類方法在芒市煙草信息提取研究中有良好的適用性，提取的煙草信息更符合實際情況、更有針對性，但在以下方面有待進一步研究：一是衛(wèi)星數(shù)據(jù)時相選在煙草成熟期，時效性不足;其次是效率問題，就總體分類精度而言，面向對象分類方法的耗時約為隨機森林方法耗時的2～3倍，但僅得到0.99%的提升，投入與產(chǎn)出失衡;三是只使用了1期數(shù)據(jù)進行研究，數(shù)據(jù)論證不足，后續(xù)可考慮多時相、多波段、多植被指數(shù)組合研究。

（4）煙葉生產(chǎn)屬于勞動密集型產(chǎn)業(yè)，后續(xù)對煙草種植區(qū)域的空間分析也表明煙草主要種植在海拔400～1200 m、坡度≤6°、人力資源豐富的壩子、山腳等人類宜居區(qū)，有利于煙草的生產(chǎn)管理，獲得較好的經(jīng)濟效益。

4 ?結 ?論

本研究以芒市煙草物候期內的Sentinel-2多光譜數(shù)據(jù)為數(shù)據(jù)源，采用NDVI、各波段不同的地物反射率等數(shù)據(jù)構建特征變量集，并對地物光譜特征、植被指數(shù)、紅邊指數(shù)等進行分析，以此構建分類規(guī)則，應用閾值和最鄰近分類的方法，對芒市主要作物煙草進行種植面積信息精準提取，最終提取出芒市煙草種植面積并與RF提取結果進行對比分析，以面向對象法的分類結果作為最終分類結果，提取煙草面積為3 873.34 hm2，與年度實際種植面積相比，誤差為8.40%，總體分類精度達到94.38%，Kappa系數(shù)為0.93，提取精度較高，結果科學可靠，可滿足煙葉生產(chǎn)管理的實際需求。

參考文獻

[1]王劍. 中國煙草農(nóng)業(yè)風險特征與管理對策研究[J]. 經(jīng)濟視角，2012，212（3）：93，94-96.

WANG J. Study on risk characteristics and management countermeasures of tobacco agriculture in China[J]. Economic Vision， 2012， 212（3）： 93， 94-96.

[2]李朋彥. 基于無人機高光譜遙感的烤煙生長監(jiān)測[D]. 鄭州：河南農(nóng)業(yè)大學，2019.

LI P Y. Monitoring flue-cured tobacco growth based on unmanned aerial vehicle hyperspectral remote sensing[D]. Zhengzhou： Henan Agricultural University， 2019.

[3]趙仁源，李世祥，張長華. “3S”技術在遵義現(xiàn)代煙草農(nóng)業(yè)建設中的應用[J]. 農(nóng)業(yè)網(wǎng)絡信息，2012，195（9）：38-40.

ZHAO R Y， LI S X， ZHANG C H. Application of "3S" technology in Zunyi modern tobacco agriculture [J]. Agricultural Network Information， 2012， 195（9）： 38-40.

[4]李富欣，張利紅，徐敏. 基于GIS的河南省烤煙移栽面積遙感監(jiān)測及產(chǎn)量估算[J]. 江西農(nóng)業(yè)學報，2014，26（7）：76-79，83.

LI F X， ZHANG L H， XU M. Remote-sensing monitoring of flue-cured tobacco transplanting area and estimation of tobacco yield in Henan Province based on GIS[J]. Acta Agriculturae Jiangxi， 2014， 26（7）： 76-79， 83.

[5]楊紅衛(wèi)，童小華. 中高分辨率遙感影像在農(nóng)業(yè)中的應用現(xiàn)狀[J]. 農(nóng)業(yè)工程學報，2012，28（24）：138-149.

YANG H W， TONG X H. Application status of middle and high resolution remote sensing images in agriculture[J]. Transactions of the CSAE， 2012， 28（24）： 138-149.

[6]廖娟，周忠發(fā)，李波，等. 基于高分辨率SAR數(shù)據(jù)的高原山區(qū)煙草后向散射特征分析[J]. 中國煙草科學，2014，35（6）：74-79.

LIAO J， ZHOU Z F， LI B， et al. Analysis of tobacco scattering characteristics based on high resolution SAR data in plateau mountainous area[J]. Chinese Tobacco Science， 2014， 35（6）： 74-79.

[7]陳仲新，任建強，唐華俊，等. 農(nóng)業(yè)遙感研究應用進展與展望[J]. 遙感學報，2016，20（5）：748-767.

CHEN Z X， REN J Q， TANG H J， et al. Progress and prospects of agricultural remote sensing research applications[J]. Journal of Remote Sensing， 2016， 20（5）： 748-767.

[8]呂小艷，競霞，薛琳，等. 遙感技術在煙草長勢監(jiān)測及估產(chǎn)中的應用進展[J]. 中國農(nóng)學通報，2020，36（25）：137-141.

LV X Y， JING X， XUE L， et al. Remote sensing technology applied in growth monitoring and yield estimation of tobacco： a review [J]. Chinese Agricultural Science Bulletin， 2020， 36（25）： 137-141.

[9]陳金，劉品超，黃國強，等. 基于無人機遙感影像的煙草種植面積信息提取[J]. 湖南農(nóng)業(yè)科學，2018，388（1）：96-99，103.

CHEN J， LIU P C， HUANG G Q， et al. Information extraction of tobacco planting area based on unmanned aerial vehicle remote sensing images[J]. Hunan Agricultural Science， 2018， 388（1）： 96-99， 103.

[10]嚴欣榮，張美曼，鄭亞雄，等. 基于Sentinel-2的叢生竹林信息提取方法比較及分布特征[J]. 生態(tài)學雜志，2020，39（3）：1056-1066.

YAN X R， ZHANG M， ZHENG Y X， et al. Comparison of extraction methods and the distribution characteristics of cluster bamboo forest information based on Sentinel-2[J]. Chinese Journal of Ecology， 2020， 39（3）： 1056-1066.

[11]魏夢凡. 基于Sentinel-2A衛(wèi)星遙感影像的開封市冬小麥種植面積提取技術研究[D]. 鄭州：河南大學，2019.

WEI M F. Research on extraction technology of winter wheat planting area in Kaifeng city based on Sentinel-2A satellite remote sensing image[D]. Zhengzhou： Henan University， 2019.

[12]張陽，屠乃美，陳舜堯，等. 基于Sentinel-2A數(shù)據(jù)的縣域烤煙種植面積提取分析[J]. 煙草科技，2020，53（11）：15-22.

ZHANG Y， TU N M， CHEN S Y， et al. Extraction of flue-cured tobacco planting area on county scale based on Sentinel-2A data[J]. Tobacco Science and Technology， 2020， 53（11）： 15-22.

[13]李龍偉，李楠，陸燈盛. 多時相Sentinel-2影像在浙西北茶園信息提取中的應用[J]. 浙江農(nóng)林大學學報，2019，36（5）：841-848.

LI L W， LI N， LU D S. Mapping tea gardens spatial distribution in northwestern Zhejiang Province using multi-temporal Sentinel-2 imagery[J]. Journal of Zhejiang Agriculture and Forestry University， 2019， 36（5）： 841-848.

[14]陳蕊，張繼超. 基于eCognition的遙感圖像面向對象分類方法研究[J]. 測繪與空間地理信息，2020，43（2）：91-95.

CHEN R， ZHANG J C. Study on object-oriented classification method of remote sensing image based on eCognition [J]. Geomatics and Spatial Information Technology， 2020， 43（2）： 91-95.

[15]螞蟻文庫. 津巴布韋煙葉生產(chǎn)特點分析[EB/OL]. https：//www.mayiwenku.com/p-1418788.html.2018-02-07.

Ants Library. Analysis of tobacco production characteristics in Zimbabwe [EB/OL]. https：//www.mayiwenku.com/p-1418788.html. 2018-02-07.

[16]張芯麗. 淺談云南德宏烤煙種植自然環(huán)境條件和種植區(qū)劃[J]. 熱帶農(nóng)業(yè)科技，2015，38（1）：30-32.

ZHANG X L. Natural environment conditions and planting division of tobacco in Dehong of Yunnan Province[J]. Tropical Agricultural Science and Technology， 2015， 38（1）： 30-32.

[17]李天福，馬二登，楊雪彪，等. 云南德宏與津巴布韋的烤煙氣候相似性分析[C]//中國煙草學會2015年度優(yōu)秀論文匯編，2015：1463-1468.

LI T F， MA E D， YANG X B， et al. Climatic similarity analysis of roasted tobacco in Yunnan Dehong and Zimbabwe[C]//China Tobacco Society 2015 Annual Outstanding Paper Collection， 2015： 1463-1468.

[18]常文濤，王浩，寧曉剛，等. 融合Sentinel-2紅邊波段和Sentinel-1雷達波段影像的扎龍濕地信息提取[J]. 濕地科學，2020，18（1）：10-19.

CANG W T， WANG H， NING X G， et al. Extraction of Zhalong wetlands information based on images of Sentinel-2 Red-edge bands and Sentinel-1 radar bands[J]. Wetland Science， 2020， 18（1）： 10-19.

[19]LAURI K， HADI， PETTERI P， et al. 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.

[20]MATTHEW L C. Comparison of multi-seasonal Landsat 8， Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 159： 26-40.

[21]李亭亭. 基于時序遙感數(shù)據(jù)的水環(huán)境時空采樣布局優(yōu)化方法研究[D]. 武漢：武漢大學，2018.

LI T T. Spatio-temporal sampling schemes optimization for aquatic environment based on time-series remote sensing data[D]. Wuhan： Wuhan University， 2018.

[22]LABIB S M， HARRIS A. The potential of Sentinel-2A andLandsat-8 data in green infrastructure extraction， using object based image analysis （OBIA） method[J]. European Journal of Remote Sensing， 2018， 51（1）： 231-240.

[23]潘嫄嫄，李長春，馬瀟瀟，等. Sentinel-2A衛(wèi)星大氣校正方法及校正效果[J]. 遙感信息，2018，33（5）：41-48.

PAN L L， LI C C， MA X X， et al. Atmospheric correction method of Sentinel-2A satellite and result analysis[J]. Remote Sensing Information， 2018， 33（5）： 41-48.

[24]蘇偉，侯寧，李琪，等. 基于Sentinel-2遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機械學報，2018，49（1）： 151-156.

SU W， HOU N， LI Q， et al. Retrieving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（1）： 151-156.

[25]國務院第一次全國地理國情普查領導小組辦公室. 地理國情普查基本統(tǒng)計技術規(guī)定：GDPJ 02—2013[S].

Office of the Leading Group of the First National Geographic Census of the State Council. Basic statistical technical provisions for geographic national census： GDPJ 02—2013[S].

[26]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優(yōu)選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學學報，2016，18（6）：815-823.

CHENG X M， SHEN Z F， XING T Y， et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science， 2016， 18（6）： 815-823.

[27]姚登舉，楊靜，詹曉娟. 基于隨機森林的特征選擇算法[J]. 吉林大學學報（工學版），2014，44（1）：137-141.

YAO D J， YANG J， ZHAN X J. Feature selection algorithm based on random forest[J]. Journal of Jilin University （Engineering and Technology Edition）， 2014， 44（1）： 137-141.

[28]陳遠麗，路春燕，劉金福，等. 漳江口濕地變化的遙感監(jiān)測[J]. 森林與環(huán)境學報，2019，39（1）： 61-69.

CHEN Y L， LU C Y， LIU J F， et al. Remote sensing monitoring of Zhangjiang Estuary Wetland[J]. Journal of Forest and Environment， 2019， 39（1）： 61-69.

[29]李天坤. 基于面向對象分類方法的煙草種植面積提取研究[D]. 雅安：四川農(nóng)業(yè)大學，2013.

LI T K. The research of extracted tobacco planting area based on object-oriented classification method[D]. Yaan： Sichuan Agricultural University， 2013.

[30]白韜. 面向對象的GF-2遙感影像多層次分類方法研究[D]. 長春：吉林大學，2020.

BAI T. Research on object-oriented multi-level classification method of GF-2 remote sensing image[D]. Changchun： Jilin University， 2020.

[31]李杰，張軍，李宇宸. Sentinel-2A與GF-1數(shù)據(jù)在油菜種植提取中的差異性分析及提取方法對比研究[J]. 云南大學學報（自然科學版），2019，41（4）：678-688.

LI J， ZHANG J， LI Y C. Difference analysis of Sentinel-2A and GF-1 data in oilseed rape extraction and comparative research of extraction methods[J]. Journal of Yunnan University （Natural Science Edition）， 2019， 41（4）： 678-688.

[32]孫曉艷. 面向對象的毛竹林分布遙感信息提取及調查因子估算[D]. 杭州：浙江農(nóng)林大學，2014.

SUN X Y. Object-based extraction of Moso Bamboo forest and estimation of Moso Bamboo inventory factors[D]. Hangzhou： Zhejiang Agriculture and Forestry University， 2014.

[33]吳海燕，盧遠. 基于eCognition面向對象分類方法的水稻種植面積提取[J]. 廣西師范學院學報（自然科學版），2014，31（2）：81-87.

WU H Y， LU Y. Extraction of rice planting area based on eCognition object-oriented classification[J]. Journal of Guangxi Teachers Education University： Natural Science Edition， 2014， 31（2）： 81-87.

[34]蔡誠，寧宇. 分系統(tǒng)級電纜網(wǎng)接點智能匹配方法[C]//2020中國自動化大會（CAC2020）論文集，2020：641-644.

CAI C， NING Y. Intelligent matching method for cable network contacts at subsystem level [C]// Proceedings of the China Automation Conference 2020 （CAC2020）. 2020： 641-644.

[35]蔡克洋. 基于特征融合的Landsat圖像云檢測算法研究[D]. 武漢：武漢理工大學，2018.

CAI K Y. Research of cloud detection algorithm for Landsat image based on feature fusion[D]. Wuhan， Wuhan University of Technology， 2018.

[36]CARLEER A P， DEBEIR O， WOLFF E. Assessment of Very High Spatial Resolution Satellite Image Segmentations[J]. Photogrammetric Engineering & Remote Sensing， 2005， 5238（11）： 1285-1294.

[37]芒市農(nóng)業(yè)農(nóng)村局. 芒市農(nóng)業(yè)農(nóng)村局2020年部門預算編制說明[EB/OL]. http：//www.dhms.gov.cn/nyj/Web/_F0_0_28D01OCHST42PQ2PGY6LUC220M.htm， 2020-02-14.

Mangshi Bureau of Agriculture and Rural Affairs. Explanation of the 2020 departmental budget of the Municipality Agricultural and Rural Bureau[EB/OL]. http：//www.dhms.gov.cn/nyj/Web/_F0_0_28D01OCHST42PQ2PGY6LUC220M.htm， 2020-02-14.

[38]李喆，胡蝶，趙登忠，等. 寬波段遙感植被指數(shù)研究進展綜述[J]. 長江科學院院報，2015，32（1）：125-130.

LI Z， HU D， ZHAO D Z， et al. Research advance of broadband vegetation index using remotely sensed images[J]. Journal of Yangtze River Scientific Research Institute， 2015， 32（1）： 125-130.

1997501186301