网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

摘要

[目的]

探寻李树遥感辨识的最佳时相与方法，为关中地区以及其他果区的李树遥感监测提供理论与方法支撑。

[方法]

文章以关中地区为研究区域，基于16种地物样地的感兴趣区数据，采用反射光谱及其差分序列对比与分析、光谱距离法、图像增强处理与分析法、图像差值与比值法、光谱指数法、光谱指数变化分析法和辨识方法优化组合7类方法，探究李树遥感识别并对辨识精度进行了验证。

[结果]

（1）李树遥感辨识的最佳时相为盛花期；（2）R₆₆₀/R₅₅₅阈值法对盛花期的李树具有较强的辨识效能；（3）两指数（NDVI_3-19与R₄₈₅+R₅₅₅）阈值联用法可以较高精度将盛花期的李树与同时期的梨树、冬小麦、冬油菜、撂荒地予以区分，但是该方法难以将李树与其他10种果树精确区分；（4）三指数（R₆₆₀/R₅₅₅、NDVI_3-19与R₄₈₅+R₅₅₅）阈值联用法可将盛花期的李树与同时期除撂荒地以外的其他地物予以精确区分，但是该方法对李树与撂荒地的区分精度依然不够理想；（5）NDVI_10-19阈值法可将10月中旬的李树与撂荒地精确区分；（6）四指数（R₆₆₀/R₅₅₅、NDVI_10-19、R₄₈₅+R₅₅₅与NDVI_3-19）阈值联用法可高精度识别当年的李树，李树类的分类精度可达95.49%，非李地物类的分类精度可达96.02%，总体分类精度可达95.92%。

[结论]

开展李树遥感监测时，融合李树盛花期与10月中旬两期影像，采用四指数阈值联用方法可获得较高的监测精度。

关键词

关中地区; 李树; GF1-WFV; 遥感辨识; 最佳时相

0 引言

近年来国内外迅速发展的遥感技术为快捷、精确地获取大面积果区内各种果树的栽植信息提供了技术保障。利用这些数据信息，各级果业主管部门可以及时、有效地指导辖区果农因地科学栽植果树，优化调控果树栽植结构。基于这些数据信息进一步可对果区内各地块上果树的长势、病—虫—冻害情、水分盈缺状况、营养元素胁迫状况以及果实量质高低等进行即时有效地遥感监测，以利适时指导果农科学施肥、节水灌溉、合理喷药、有效防害^［

1］。

目前，国内外学者针对果树的遥感识别开展了较多研究，相关研究成果较丰。这些研究就影像类型而言，既有采用多光谱或者高光谱卫星影像^［

2-22］，也有采用多光谱低空无人机影像的^{［参考文献 23

百度学术}23］；就研究对象而言，既有对苹果^{［参考文献 2-4}2-4，23］、柑橘^{［参考文献 5

百度学术}5，19，20］、山楂^{［参考文献 6

百度学术}6］、猕猴桃^{［参考文献 7

百度学术}7］、梨树^{［参考文献 8

百度学术}8，9，21，22］、葡萄^{［参考文献 10-11}10-11］、桃^{［参考文献 12

百度学术}12］、石榴^{［参考文献 13

百度学术}13］、杏树^{［参考文献 14

百度学术}14］等单种果树进行辨识研究的，也有对少数几种果树进行类别区分的^{［参考文献 15-18}15-18］；就采用的分类特征而言，既有采用纹理特征^{［参考文献 3

百度学术}3］、影像原始波段^{［参考文献 4

百度学术}4］、植被指数^{［参考文献 12

百度学术}12］或者邻期影像波段比值^{［参考文献 14

百度学术}14］的，也有采用多特征组合^{［参考文献 6

百度学术}6］的；就采用的分类算法而言，既有采用最大似然法^{［参考文献 5

百度学术}5］、支持向量机法（Support Vector Machine，SVM）^{［参考文献 7

百度学术}7］、包络线去除法^{［参考文献 18

百度学术}18］或者决策树分类法^{［参考文献 22

百度学术}22］的，也有采用多分类器组合法^{［参考文献 6

百度学术}6］的。总体来看，现有文献中针对李树开展遥感辨识的研究较少，如何利用遥感影像辨识李树、李树遥感辨识的最佳时相是什么等问题仍未答复。

鉴于此，文章以关中果区中段作为研究区，采用多时相的高分1号卫星的宽幅相机（GF1-WFV）影像，从反射光谱特性角度探寻李树的最佳辨识时相与方法，以期为关中地区以及其他果区的李树遥感监测提供理论与方法支撑。

1 数据与方法

1.1 研究区简介

研究区位于关中平原中部，包括乾县、礼泉县、咸阳市、兴平市和杨凌市（图1），经纬度范围为34°14′53″～34°36′48″、108°15′14″～108°43′49″，地貌以台塬为主，平均海拔562 m，地势较为平坦。研究区属暖温带半湿润气候，雨热同期，年均温14.18 ℃，无霜期217 d，年均降雨量550～593 mm。该区地处关中果业生产核心地段，内部树种复杂、多样，目前成规模栽植的树种包括苹果、葡萄、石榴、杏、柿、梨、桃、核桃、李、樱桃、桑葚和猕猴桃等，达12种以上。该区李树栽植较为广泛，局地集中连片。区内同种果树树型大致接近并且物候变化几近相同。除果业生产外，该区还种植冬小麦、冬油菜与大蒜（7～8月播种，来年6月收获）等粮油蔬菜作物。

图1 研究区区位

Fig.1 Scope of research area

A：乾县；B：礼泉县；C：咸阳市；D：兴平市；E：杨凌市

1.2 影像简介与预处理

1.2.1 影像简介

该文采用2020年的16期（景）GF1-WFV影像进行李树辨识研究（表1），选择该影像的原因主要有3个。首先，由于研究区内果树的树种与粮、油、蔬菜等地物的种类繁多，致使李树遥感辨识的难度较大。在试用一些单时相影像难以获取理想辨识精度的情形下，采用了多时相影像进行李树辨识研究。其次，选取的研究区不仅范围较大而且其内各种果树的栽植较为分散，在时间、经费等有限的条件下，未采用多时相多光谱的无人机影像。再次，相较国内外其他卫星传感器，GF1-WFV在近几年内所采集的、覆盖研究区的高质量影像能够相对完备地对应区内李树的不同物候期。

表1 遥感影像及对应物候期

Table 1 The remote sensing images and corresponding phenological periods

遥感影像	物候期	遥感影像	物候期
GF1-WFV1-20200130 GF1-WFV1-20200211 GF6-WFV-20200314* GF6-WFV-20200317* GF1-WFV1-20200319 GF1-WFV1-20210323 GF1-WFV2-20200409 GF6-WFV-20200427*	休眠期休眠期萌芽期始花期盛花期末花期展叶期幼果期	GF1-WFV2-20200528 GF1-WFV2-20200630 GF1-WFV1-20200708 GF1-WFV2-20200810 GF1-WFV1-20200907 GF1-WFV3-20201019 GF1-WFV2-20201108 GF1-WFV2-20201223	果实膨大期果实成熟期果实成熟期花芽分化期花芽分化期花芽分化期落叶期休眠期

遥感影像

物候期

遥感影像

物候期

GF1-WFV1-20200130

GF1-WFV1-20200211

GF6-WFV-20200314*

GF6-WFV-20200317*

GF1-WFV1-20200319

GF1-WFV1-20210323

GF1-WFV2-20200409

GF6-WFV-20200427*

休眠期

萌芽期

始花期

盛花期

末花期

展叶期

幼果期

GF1-WFV2-20200528

GF1-WFV2-20200630

GF1-WFV1-20200708

GF1-WFV2-20200810

GF1-WFV1-20200907

GF1-WFV3-20201019

GF1-WFV2-20201108

GF1-WFV2-20201223

果实膨大期

果实成熟期

花芽分化期

落叶期

休眠期

注：带*表示替代影像

该研究所用影像皆采购于中国资源卫星应用中心，空间分辨率为16 m，数据级别为L1A级，上述影像在覆盖研究区的范围内皆无浮云及其阴影浸掩。GF1-WFV影像有4个波段，b1～b4（b1即第1波段，下同）依次称作蓝、绿、红、近红外波段，其中心波长依次为485 nm、555 nm、660 nm和830 nm；GF6-WFV影像有8个波段，b1～b4波段依次称作蓝、绿、红、近红外波段，其中心波长依次为485 nm、555 nm、660 nm和830 nm。表1中的GF1-WFV1-20210323是用来代替缺失的2020年对应物候期的影像，3景GF6-WFV影像是用来代替缺失的2020年对应物候期的GF1-WFV影像（仅取GF6-WFV影像中的前4个波段）。

1.2.2 影像预处理

首先利用ENVI4.8软件对每景影像进行辐射定标与大气辐射校正；随后依据李树盛花期相近原则（即不同地点的李树几乎同日进入盛花期）将研究区从GF1-WFV1-20200319影像中剪取，并以其为模板对其他15期影像分别进行空间裁剪；最后对剪取的每期图像进行了几何校正与均值滤波（即对每期影像中的每个波段分别进行3×3的均值滤波，以剔除奇异灰度值）。

1.3 辨识目标限定

由于树龄不同的同种果树反射光谱差异较大^［

22］，加之所用影像空间分辨率相对（地块宽度）较低，因此该研究将树龄≥5年且≤25年（从2015年算起）、地块宽度≥32 m（即≥2个像元宽）并且接受正常管理的李树作为辨识目标，将树龄范围、地块宽度与李树相同的11种非李果树以及冬小麦、冬油菜、大蒜、撂荒地作为与李树区别的主要地物，而将易与李树区别的水体、人工建筑物、道路与沟壑等非植物地物作为次要辨识目标。

1.4 研究方法

1.4.1 ROI数据采集与处理

首先，在每期影像中对16种地物（即12种果树与冬小麦、冬油菜、大蒜、撂荒地）的感兴趣区（region of interest，ROI）数据分别进行采集（采集时避开样地边界处的混合像元），计算每块样地的全部像元在每个波段上的反射率均值以得到样地光谱，并计算同种地物的全部样地在每个波段上的反射率均值以得到地物光谱。

其次，采用以下七大类方法对地物、样地与像元3个级别的反射光谱进行处理与分析。（1）同期异种地物的反射光谱及其差分序列对比与分析，即对同一时期不同种类地物的反射光谱及其1、2阶差分序列进行对比与分析；（2）光谱距离法，即对同一时期的样地与地物之间、各样地之间、像元与样地之间的光谱距离（如欧氏、马氏、Jeffreys-Matusita（贾弗里斯-松下）距离和相似系数等）分别进行计算与分析；（3）波段差值或比值法，即相邻或相隔时期影像的同序号波段差值或比值法；（4）光谱指数求算与分析，即对同一时期各种地物的样地以及像元的反射光谱先后选用表2中的光谱指数并进行相应的波段运算与分析，以分析辨识精度较高的光谱指数及其对应时相；（5）光谱指数变化分析，即对相邻或相隔时期不同地物对应的同一光谱指数值的变化情况进行对比分析；（6）图像增强处理与分析，先后采用灰度拉伸（或称灰度扩展）、主成分分析与空间域滤波等图像增强方法对每期影像分别进行处理，并对处理后的图像或分量数据进行辨识效能分析；（7）多种方法复合，对上述探得的具有一定辨识效能的多种方法予以组合，并对其综合辨识效能分别进行探试与分析。

表 2 光谱指数

Table 2 Spectral indices

指数类别	计算公式
归一化植被指数^［ 24］增强型植被指数^［ 25］大气阻抗植被指数^［ 26］比值植被指数差值植被指数加和植被指数混合运算指数^［ 27］	NDVI=（R₈₃₀-R₆₆₀）/（R₈₃₀+R₆₆₀） EVI=2.5×［（R₈₃₀-R₆₆₀）/（R₈₃₀+6×R₆₆₀-7.5×R₄₈₅+1）］ ARVI=［R₈₃₀-（2×R₆₆₀-R₄₈₅）］/［R₈₃₀+（2×R₆₆₀-R₄₈₅）］ ①R_i/R_j　②lnR_i/lnR_j ①R_i-R_j　②1/R_i-1/R_j　③1/ln（R_i）-1/ln（R_j） ①R_i+R_j　②R_i+R_j+R_t　③R_i+R_j+R_t+R_z ①R₈₃₀×（1/R_i-1/R_j）　②（R_i±R_j）/R_t　③R_t/（R_i±R_j） ④（R_i±R_j）/（R_t±R_z）　⑤（1/R_i±1/R_j）/（1/R_t±1/R_z） ⑥［1/ln（R_i）±1/ln（R_j）］/［1/ln（R_t）±1/ln（R_z）］

指数类别

计算公式

归一化植被指数^［

24］

增强型植被指数^［

25］

大气阻抗植被指数^［

26］

比值植被指数

差值植被指数

加和植被指数

混合运算指数^［

27］

NDVI=（R₈₃₀-R₆₆₀）/（R₈₃₀+R₆₆₀）

EVI=2.5×［（R₈₃₀-R₆₆₀）/（R₈₃₀+6×R₆₆₀-7.5×R₄₈₅+1）］

ARVI=［R₈₃₀-（2×R₆₆₀-R₄₈₅）］/［R₈₃₀+（2×R₆₆₀-R₄₈₅）］

①R_i/R_j　②lnR_i/lnR_j

①R_i-R_j　②1/R_i-1/R_j　③1/ln（R_i）-1/ln（R_j）

①R_i+R_j　②R_i+R_j+R_t　③R_i+R_j+R_t+R_z

①R₈₃₀×（1/R_i-1/R_j）　②（R_i±R_j）/R_t　③R_t/（R_i±R_j）

④（R_i±R_j）/（R_t±R_z）　⑤（1/R_i±1/R_j）/（1/R_t±1/R_z）

⑥［1/ln（R_i）±1/ln（R_j）］/［1/ln（R_t）±1/ln（R_z）］

注： R_i、R_j、R_t、R_z、R₈₃₀、R₆₆₀和R₄₈₅分别表示中心波长为i nm、j nm、t nm、z nm、830 nm、660 nm和485 nm波段的反射率；当公式中两值相减时，i≠j，t≠z

1.4.2 影像辨识精度与实地勘查验证

（1）影像辨识精度验证。首先，对GF1-WFV1-20200319与GF1-WFV3-20201019两景影像进行配准，并采用波段代数运算的方法从GF1-WFV1-20200319影像中衍生出R₆₆₀/R₅₅₅、R₄₈₅+R₅₅₅与NDVI_3-19三帧图像，从GF1-WFV3-20201019影像中衍生出NDVI_10-19图像。其次，将R₆₆₀/R₅₅₅、R₄₈₅+R₅₅₅、NDVI_3-19和NDVI_10-19 4帧图像予以融合，形成了验证影像。再次，采用以4个指数的相应阈值构成的决策树（图2），对验证影像进行基于专家知识的决策树分类。最后，通过室内判读与实地勘查两种方式对分类结果的精度进行检验。

图2 辨识李树的分类决策树

Fig.2 Classification decision tree for identifying plum trees

（2）实地勘查验证。在此仅对图6经分类后处理（Analysis Method 选为Majority，Kernel Size设为 3×3，Center Pixel Weight设为3）的结果图进行验证，勘查方式为避开上述样地的随机抽查，勘查路线为研究区两对对角之间的Z字型连线。

图3 李树盛花期多草与少草李树样地的反射光谱

Fig.3 Reflection spectra of plum tree sample plots with fewer weeds or abundant weeds during the flowering period of plum trees

图4 R₆₆₀/R₅₅₅阈值法分类结果

Fig.4 Classification result by usingR₆₆₀/R₅₅₅ threshold method

图5 三指数阈值联用法分类结果

Fig.5 Classification result by using thresholds of three indices

图6 四指数阈值联用法分类结果

Fig.6 Classification result by using thresholds of four indices

2 结果与分析

2.1 ROI数据分析

基于表2中的光谱指数，采用上文中七大类方法对地物、样地与像元3个级别的反射光谱进行处理与分析发现，R₆₆₀/R₅₅₅阈值法、两指数（R₄₈₅+R₅₅₅与NDVI_3-19）阈值联用法、三指数（R₆₆₀/R₅₅₅、NDVI_3-19与R₄₈₅+R₅₅₅）阈值联用法、NDVI_10-19阈值法、四指数（R₆₆₀/R₅₅₅、NDVI_10-19、R₄₈₅+R₅₅₅与NDVI_3-19）联用法5种方法运算简便且具有较好的辨识效能。

2.1.1 R₆₆₀/R₅₅₅阈值法

采用表2中的光谱指数先后对源自李树盛花期影像（即GF1-WFV1-20200319）的ROI数据进行处理分析，发现李树样地及其像元的R₆₆₀/R₅₅₅值皆处于一个较窄的数值区间（0.988≤R₆₆₀/R₅₅₅≤1.065），用李树像元的R₆₆₀/R₅₅₅极值作为阈值进行分类可获得较理想的结果（表3像元错分率），该方法对16种地物全部像元的错分率为21.17%。

表3 像元极值及分类结果

Table 3 Extreme values of pixels and classification results

地物类型	样地块数（块）	像元个数（个）	R₆₆₀/R₅₅₅	R₄₈₅+R₅₅₅
李树梨树杏树桑葚苹果柿树石榴桃树樱桃核桃葡萄猕猴桃冬小麦冬油菜大蒜撂荒地	48 50 47 38 45 35 46 49 43 36 52 52 47 50 31 40	1 036 1 162 1 025 790 1 231 904 892 1 213 965 1 011 1 083 1 130 1 058 1 012 761 991	1.065/ 0.988/ 1.024 1.129/ 1.016/ 1.068 1.180/ 0.999/ 1.136 1.139/ 1.075/ 1.099 1.171/ 1.011/ 1.115 1.151/ 1.126/ 1.141 1.194/ 1.092/ 1.165 1.156/ 1.114/ 1.137 1.190/ 1.107/ 1.146 1.098/ 1.081/ 1.090 1.196/ 1.144/ 1.171 1.147/ 1.050/ 1.108 1.076/ 0.879/ 0.985 1.006/ 0.950/ 0.972 0.984/ 0.942/ 0.961 1.110/ 0.987/ 1.061	0.00 53.09 0.78 0.00 2.73 0.00 0.00 0.00 0.00 0.00 0.00 1.56 61.10 22.72 0.00 47.45	0.482 1/ 0.388 9/ 0.430 5 0.433 8/ 0.333 6/ 0.366 3 0.495 1/ 0.367 3/ 0.411 0 0.487 5/ 0.366 2/ 0.444 0 0.475 9/ 0.322 0/ 0.385 6 0.461 0/ 0.431 4/ 0.447 9 0.440 6/ 0.363 5/ 0.399 4 0.421 6/ 0.352 3/ 0.387 0 0.442 3/ 0.350 2/ 0.411 9 0.431 8/ 0.405 6/ 0.417 9 0.494 1/ 0.376 5/ 0.458 1 0.471 8/ 0.401 2/ 0.443 0 0.335 1/ 0.271 4/ 0.286 1 0.343 9/ 0.329 7/ 0.336 8 0.389 0/ 0.367 5/ 0.377 2 0.425 7/ 0.294 9/ 0.345 4	0.00 14.63 77.66 92.78 39.48 100.00 82.58 50.89 96.56 100.00 71.74 100.00 0.00 0.00 5.13 17.47
合计	709	16 264		21.17		49.21

地物类型

样地块数

（块）

像元个数

（个）

R₆₆₀/R₅₅₅

R₄₈₅+R₅₅₅

极大/极小/均值

像元错分率（%）

极大/极小/均值

像元错分率（%）

李树

梨树

杏树

桑葚

苹果

柿树

石榴

桃树

樱桃

核桃

葡萄

猕猴桃

冬小麦

冬油菜

大蒜

撂荒地

1 036

1 162

1 025

790

1 231

904

892

1 213

965

1 011

1 083

1 130

1 058

1 012

761

991

1.065/ 0.988/ 1.024

1.129/ 1.016/ 1.068

1.180/ 0.999/ 1.136

1.139/ 1.075/ 1.099

1.171/ 1.011/ 1.115

1.151/ 1.126/ 1.141

1.194/ 1.092/ 1.165

1.156/ 1.114/ 1.137

1.190/ 1.107/ 1.146

1.098/ 1.081/ 1.090

1.196/ 1.144/ 1.171

1.147/ 1.050/ 1.108

1.076/ 0.879/ 0.985

1.006/ 0.950/ 0.972

0.984/ 0.942/ 0.961

1.110/ 0.987/ 1.061

0.00

53.09

0.78

0.00

2.73

0.00

1.56

61.10

22.72

0.00

47.45

0.482 1/ 0.388 9/ 0.430 5

0.433 8/ 0.333 6/ 0.366 3

0.495 1/ 0.367 3/ 0.411 0

0.487 5/ 0.366 2/ 0.444 0

0.475 9/ 0.322 0/ 0.385 6

0.461 0/ 0.431 4/ 0.447 9

0.440 6/ 0.363 5/ 0.399 4

0.421 6/ 0.352 3/ 0.387 0

0.442 3/ 0.350 2/ 0.411 9

0.431 8/ 0.405 6/ 0.417 9

0.494 1/ 0.376 5/ 0.458 1

0.471 8/ 0.401 2/ 0.443 0

0.335 1/ 0.271 4/ 0.286 1

0.343 9/ 0.329 7/ 0.336 8

0.389 0/ 0.367 5/ 0.377 2

0.425 7/ 0.294 9/ 0.345 4

0.00

14.63

77.66

92.78

39.48

100.00

82.58

50.89

96.56

100.00

71.74

100.00

0.00

5.13

17.47

合计

709

16 264

21.17

49.21

从表3可知，在11种非李果树中有7种果树的像元R₆₆₀/R₅₅₅的最小值皆大于李树像元R₆₆₀/R₅₅₅的最大值1.065，因而该7种果树的像元错分率皆为0.00%；杏、苹果和猕猴桃3种果树像元R₆₆₀/R₅₅₅的均值虽大于李树像元R₆₆₀/R₅₅₅的最大值，但其R₆₆₀/R₅₅₅的最小值皆低于李树像元R₆₆₀/R₅₅₅的最大值，因此上述3种果树均有少数像元被错分为李树像元（错分率依次为0.78%、2.73%和1.56%）；在11种非李果树中，梨树像元R₆₆₀/R₅₅₅的均值与李树差异最小，导致梨树像元的错分率最高，达53.09%。

在4种非果树地物中，大蒜像元的R₆₆₀/R₅₅₅值与李树差异大，其像元错分率为0.00%；冬油菜与李树差异较大，仅有22.72%的像元被错分；冬小麦、撂荒地与李树差异皆较小，其像元错分率分别高达61.10%和47.45%。

2.1.2 两指数阈值联用法

在采用表2中的其他光谱指数对源自李树盛花期影像的ROI数据进行处理分析时发现，李树样地及其像元的R₄₈₅+R₅₅₅均值皆大于冬小麦、冬油菜、撂荒地和梨树样地及其像元的R₄₈₅+R₅₅₅均值，用李树像元的R₄₈₅+R₅₅₅极值（0.388 9≤R₄₈₅+R₅₅₅≤0.482 1）作为分类阈值可以较高精度将李树与这4种地物区分（表3）。此外，采用R₄₈₅+R₅₅₅阈值法对冬小麦、冬油菜、撂荒地和梨树的像元错分率依次为0.00%、0.00%、17.47%和14.63%，远低于R₆₆₀/R₅₅₅阈值法对这4种地物像元的错分率（依次为61.10%、22.72%、47.45%和53.09%）（表3）。该方法对其他多数地物的像元辨识精度皆较低，以致其对16种地物全部像元的错分率高达49.21%，该值远高于R₆₆₀/R₅₅₅阈值法对应的21.17%。

进一步分析发现，地面草多的李树样地（多草李树样地）在李树盛花期之前未曾锄草，其在假彩色合成影像中呈现粉红色，具有较大的NDVI_3-19值（3月19日的NDVI值）与较小的R₄₈₅+R₅₅₅值，而草少或无草的李树样地（少草李树样地）在李树盛花期之前至少有1次锄草过程，其在假彩色合成影像中呈现浅灰色或浅蓝色，具有较小的NDVI_3-19值与较大的R₄₈₅+R₅₅₅值（图2）。为了提高R₄₈₅+R₅₅₅阈值法的总体辨识精度，将NDVI_3-19与R₄₈₅+R₅₅₅两个指数予以联用，并以0.257≤NDVI_3-19≤0.300且0.442 0<R₄₈₅+R₅₅₅≤0.482 1、0.300<NDVI_3-19≤0.468且0.388 9 ≤R₄₈₅+R₅₅₅≤0.442 0作为分段阈值，对所有地物的像元进行分类。分类结果显示，葡萄、柿、桑葚、杏、苹果、樱桃、石榴树以及大蒜的像元错分率依次为86.96%、81.63%、72.16%、29.66%、7.27%、1.46%、0.615%和5.13%，冬小麦、撂荒地、梨树的像元错分率依次为0.00%、17.47%和2.41%，其余地物的像元错分率皆为0.00%。从整体分类结果来看，该方法对16种地物全部像元的错分率为11.86%。

2.1.3 三指数阈值联用法

从表3的分类结果可知，R₆₆₀/R₅₅₅阈值法与两指数阈值联用法在辨识16种地物时效能具有一定的效能互补性。因此，该研究将上述两种方法结合，采用三指数（R₆₆₀/R₅₅₅、NDVI_3-19与R₄₈₅+R₅₅₅）阈值联用法开展进一步辨识分析。结果显示，撂荒地、猕猴桃、苹果与杏树的像元错分率依次为5.78%、0.62%、0.25%和0.09%，其余地物的像元错分率皆为0.00%，16种地物全部像元的错分率为0.74%。

2.1.4 NDVI_10-19阈值法

分析上文中三指数阈值联用法的结果发现，其总体辨识精度虽然较高，但依然难以将李树与撂荒地精确区分。考虑到研究区内撂荒地的地块多、总面积较大的实际情况，为了进一步提升李树遥感监测的精确性，该研究进一步改用或联用其他时相的ROI数据对李树与撂荒地的区分方法进行了分析，结果显示NDVI_10-19阈值法可将李树与撂荒地予以精确区分。在采用NDVI光谱指数对源自GF1-WFV3-20201019影像的ROI数据进行分析时，发现李树样地的NDVI_10-19（即10月19日的NDVI值）均值高于撂荒地样地，撂荒地像元的NDVI_10-19值域与均值依次为0.26～0.39和0.32，而李树像元的NDVI_10-19值域与均值依次为0.41～0.53和0.48。两种地物的NDVI_10-19值域无重叠区，并且李树像元的NDVI_10-19最小值0.41比撂荒地像元的NDVI_10-19最大值0.39高0.02（表4）。利用李树像元的NDVI_10-19极小值作为分类阈值可将李树与撂荒地的像元完全区分。

表4 李树与撂荒地像元的NDVI_10-19值

Table 4 The NDVI_10-19 values corresponding to the pixels of plum trees or abandoned land

类别	最小值	最大值	均值
李树像元	0.41	0.53	0.48
撂荒地像元	0.26	0.39	0.32

2.1.5 四指数阈值联用法

为了进一步提升辨识精度，该研究采用四指数（R₆₆₀/R₅₅₅、NDVI_10-19、R₄₈₅+R₅₅₅与NDVI_3-19）阈值联用的方法，对全部像元进行了辨识分析。结果显示，猕猴桃、苹果与杏树的像元错分率依次为0.62%、0.25%和0.09%，包括撂荒地在内的其他地物的像元错分率皆为0.00%，16种地物全部像元的错分率为0.07%。在后续的研究中改用或联用其他时相的ROI数据对七大类方法的辨识效能进行逐一探试，未发现在精确性和简便性方面优于四指数阈值联用的单种方法或组合方法。研究区内李树遥感辨识的最佳时相为李树盛花期，最佳辨识方法为R₆₆₀/R₅₅₅、NDVI_10-19、R₄₈₅+R₅₅₅与NDVI_3-19四指数阈值联用法。

2.2 辨识精度与实地勘察验证

2.2.1 全域影像辨识精度验证

该研究采用室内解译的方式验证影像辨识精度，基于深度不同的决策树依次对李树进行辨识的结果如图4～6所示，绿色图斑表示包含李树在内的地物，白色图斑表示被识别为非李地物而予以剔除。

如图4所示，采用 R₆₆₀/R₅₅₅的阈值法可将研究区内的李树予以精确识别，李树样地与非样地的图斑边界基本完整，图斑内部几乎无缺失像元。桑葚、柿、石榴、桃、樱桃、核桃与葡萄树以及大蒜共8种地物的全部样地以及其内部所有像元也被精确识别并予以剔除。杏、猕猴桃与苹果树的个别样地中的少数像元被错分。梨树、撂荒地、冬小麦与冬油菜的一些样地与另一些样地中的部分像元被错分。研究区内的水体（如渭河、泔河等）、人工建筑物（如机场、屋顶、水泥地面等）、宽阔道路与沟壑等的内部也被精确识别并予以剔除，但其边沿以及狭窄道路所对应的像元多被错分。

如图5所示，三指数阈值联用法可将图4中留存的梨树、冬小麦与冬油菜的所有样地及其内部像元皆予以正确识别并剔除。杏、猕猴桃与苹果树样地中的错分像元数量进一步减少，仅有个别像元仍被错分而留存。图4留存的撂荒地样地或者样地中的部分像元多被正确识别并予以剔除，但仍有少部分依然留存。水体、人工建筑物与沟壑的边沿几乎全部被正确识别并予以剔除。较窄道路所对应的像元被错分的数量大幅减少，但仍有少部分依然留存。

如图6所示，四指数阈值联用方法虽然仍未将杏、猕猴桃与苹果树的留存像元予以全部剔除，但是该方法可精确识别撂荒地，撂荒地的所有样地及其内部像元全部被正确识别并予以剔除。图5中留存的较窄道路所对应的像元也被全部剔除。

2.2.2 实地勘查验证

为了验证辨识结果的准确性，该研究采用实地勘查的方式对四指数阈值联用法的辨识精度开展进一步分析。将图6经分类后处理（Analysis Method 选为Majority，Kernel Size设为 3×3，Center Pixel Weight设为 3），勘查方式为避开上述样地的随机抽查，勘查路线为研究区两对对角之间的Z字型连线。

结果显示：（1）不在辨识目标范围内的李树几乎全被错分，如沿途遇到的53块宽度<16 m的成年李树、11块宽度≥32 m的幼龄李树、7块宽度≥32 m的老化李树（有的树株不全、有的树冠残缺、有的甚至被弃致荒）皆被错分为非李树。13块宽度在16～32 m的成年李树，其内有或多或少的像元被识别为李树，但其像元的正确识别率皆<50%；（2）在42块被识别为李树的非样地中（为重点勘查对象），有3块处于阳坡、旱地的梨树（皆处于始花期）被错分为李树，其余39块李树皆被正确识别（若某地块>75%的像元被正确识别，则认为该地块被正确识别），但其邻边处以及地块内部皆有少数像元被错分；（3）杏、猕猴桃与苹果等果树以及撂荒地的一些非样本地块中有少数像元被错分；（4）被抽查到且符合辨识限定条件的16种地物非样本地块总数为538块（其中李树39块，其余地物的地块数皆在20～50块之间），这些地块内部的像元总数为1.107 2万个（其中李树像元821个，其他地物像元10 251个）。统计分析发现，在821个李树像元中有37个像元被错分，784个像元被正确识别。在1.025 1万个非李地物的像元中，有409个像元被错分，9 842个像元被正确识别。在1.107 2万个总像元数中，有446个像元被错分，1.062 6万个像元被正确识别。经简单计算后获知李树类的分类精度为95.49%，非李地物类的分类精度为96.02%，总体分类精度为95.92%。

2.3 辨识结果与分析

（1）R₆₆₀/R₅₅₅阈值法对盛花期的李树的确具有较强的辨识效能。该方法可从除梨树外的11种果树、大蒜、水体、人工建筑、宽阔道路、沟壑等地物中将李树予以精确识别。究其原因是盛花期的李树具有区别于其他绝大多数地物的独特林相以及其导致的独特光谱（见图7），具体而言，此时李树主杆之上留有众多细长的枝条，这些枝条上缀满雪白的花朵，枝上的树叶微小而不突显；此时杏树花期已过，枝上为较小的嫩叶与红色花托；其他果树此时处于萌芽或花苞待放期。从图7可见，在除梨树、撂荒地、冬小麦、冬油菜之外的其余地物中，李树在b2与b3上的反射率差异最小（亦即李树在b2与b3上的反射率的连线最为平直，见图8），以致李树样地及其像元的R₆₆₀/R₅₅₅值皆接近1.00。而其他地物在（b2与b3）上的反射率差异皆较大，以致其R₆₆₀/R₅₅₅值皆远离1.00。

图7 2020年3月19日李树与其他地物的反射光谱

Fig.7 Reflection spectra of plum trees and other ground objects on March 19，2020

图8 2020年3月19日李树花朵的反射光谱

Fig.8 Reflection spectrum of plum tree flowers on March 19，2020

该方法不能够精确辨别李树与梨树，其原因是此时的梨树即将开花，白色的花蕾已经显现，一些树冠大、花蕾繁多的梨树的反射光谱与一些树冠较小或者花朵稀疏的李树的反射光谱较为相似，以致李树与梨树较难区分。该方法难以精确区分李树与冬小麦、冬油菜、撂荒地，其原因是一些李树地块在李树开花之前从未锄草，地块内杂草丛生，这些杂草的反射光谱与李树的反射光谱叠加后形成的复合光谱与冬小麦、冬油菜、撂荒地的反射光谱较为相似。该方法可将水体、人工建筑物、宽阔道路、沟壑等的边沿以及狭窄道路错分为李树，其原因为异物同谱现象所致。

（2）两指数阈值联用法可以较高精度将盛花期的李树与同时期的梨树、冬小麦、冬油菜、撂荒地予以区分，其原因是在具有相近的NDVI_3-19数值的前提条件下，花朵盛开的李树具有较高的R₄₈₅+R₅₅₅值，而梨树、冬小麦、冬油菜、撂荒地分别对应的R₄₈₅+R₅₅₅值皆较低。该方法难以精确区分李树与柿、葡萄、苹果等其余10种果树，其原因是这些非李果树在此时或花期已过或正在萌芽，以致地块内有较大比例的地面裸露在外，地面在b1～b3上的较高反射率导致这些树种与李树不易区分。

（3）三指数阈值联用法可将盛花期的李树与同时期的不含撂荒地的其他地物予以精确区分。由于受异物同谱现象的影响，该方法对李树与撂荒地的区分精度依然不够理想。

（4）四指数阈值联用法可精确识别研究区内的李树。NDVI_10-19阈值法可精确辨别10月中旬的李树与撂荒地的原因是此时的李树依然较绿，以致其NDVI_10-19值较大，而此时的撂荒地其内部的高草（如蒿类等）已经枯萎，较矮的杂草已经变黄，从而导致撂荒地的NDVI_10-19值较低（图9）。

图9 2020年10月19日李树与撂荒地的反射光谱

Fig.9 Reflection spectra of plum trees and abandoned lands on October 19，2020

（5）研究区内李树遥感辨识的最佳时相为李树盛花期。李树盛花期之所以成为最佳辨识时相的原因是此时的李树与其他别种果树以及非果树地物之间的林相与反射光谱（在一年当中）差异最大。果实成熟期未成为较佳辨识时相的原因是此时的李树果实与叶片的色差较小（大多数地块中的李果呈黑、青色，紫红色的李果通常在未完全成熟前就被采收），以致李树与其他地物的反射光谱差异不大。

3 结论与讨论

该文选取果树栽植结构复杂的关中中部作为研究区，采用多时相的GF1-WFV影像对李树遥感辨识的最佳时相与方法进行了研究，得到的主要结论如下。

（1）李树遥感辨识的最佳时相是盛花期。邢东兴等^［

12-14，22］曾对该区石榴、杏、梨及桃树遥感辨识的最佳时相进行了研究，提出前3种果树的最佳辨识时相为盛花期，而桃树的最佳辨识时相为10月初，盛花期次之。董芳等^{［参考文献 2

百度学术}2］在对山东省栖霞市的苹果树进行遥感监测时，采用苹果盛花期的专题绘图仪（Thematic Mapper，TM）影像而获得了较高的监测精度。上述研究结果表明，盛花期仅是部分花朵外显的果树树种遥感辨识的最佳时相，而桃树等花朵外显果树及葡萄、猕猴桃与柿子等花朵隐于叶间果树树种的最佳辨识时相可能不是盛花期。

（2）在各种辨识方法中，R₆₆₀/R₅₅₅阈值法对盛花期的李树具有较强的辨识效能。其原因可能在于盛花期的李树具有区别于其他绝大多数地物的独特林相与反射光谱，且同期影像波段间的比值可在一定程度上降低影像中的干扰噪声而增强不同地物间的对比度。

（3）R₆₆₀/R₅₅₅阈值法难以将盛花期的李树与同时期的梨树、冬小麦、冬油菜、撂荒地予以精确区分，但是NDVI_3-19与R₄₈₅+R₅₅₅两指数阈值法的区分效果较好，这两种方法具有一定的互补性，二者联用可获得更高的辨识精度。此结果与前期文献^［

12］表明，采用春季遥感影像对花朵外显的果树树种进行辨识时，将某一辨识效能较佳的光谱指数（非NDVI）与NDVI予以联用，可能会获得较理想的辨识精度。

（4）联用李树盛花期影像与10月中旬影像，并采用四指数（R₆₆₀/R₅₅₅、NDVI_10-19、R₄₈₅+R₅₅₅与NDVI_3-19）阈值联用法可精确识别研究区内的李树。在果树栽植结构复杂、其他地物类型多样的研究区对某种果树进行遥感辨识时，由于异物同谱现象的存在，可能需要选取尽可能多的地物类型并对其样地的ROI数据进行采集、对比与分析，以获得较理想的辨识方法与辨识精度；若采用1期影像无法精确辨识目标树种时，应考虑2期甚至3期影像的联用。

该成果适用于关中果区正常年份（即花期无霜冻、夏季无冰雹）的李树遥感辨识，也适用于同纬度带的河南、山西、山东局地。对于与上述地域在地形、气候、水文、物候等方面存有差异的其他地区，在开展李树遥感辨识时可借鉴结论中的光谱指数及其联用方式。该研究结果仅基于空间与波谱分辨率皆较低的影像以及几种简素的光谱分析法得出，对于采用高空间、高光谱遥感影像以及纹理分析、分形维数、深层卷积神经网络等方法如何来辨识当地李树等问题，有待后续拓研。

参考文献

邢东兴. 基于高光谱数据的果树理化性状信息提取研究［博士论文］. 杨凌：西北农林科技大学，2009. [百度学术]

董芳，赵庚星，王凌. 基于实测光谱混合像元分解的苹果园地遥感提取技术. 应用生态学报，2012，23（12）：3361-3368. [百度学术]

Kumar A，Singh K N，Lal B，et. al. Mapping of apple orchards using remote sensing techniques in cold desert of Himachal Pradesh，India. Journal of the India Society of Remote Sensing，2008，36（4）：387-392. [百度学术]

宋荣杰，宁纪锋，刘秀英，等. 基于纹理特征和SVM的QuickBird影像苹果园提取. 农业机械学报，2017，38（3）：188-197. [百度学术]

Recio J A，Hermosilla T，Ruiz L A，et. al. Automated extraction of tree and plot-based parameters in citrus orchards from aerial images. Computers and Electronics in Agriculture，2013，90：24-34. [百度学术]

陈春秀，陈蜀江，徐世薇，等. 多特征辅助下的GF6-WFV影像准噶尔山楂识别研究. 干旱区研究，2021，38（2）：553-561. [百度学术]

宋荣杰，宁纪锋，常庆瑞，等. 基于小波纹理和随机森林的猕猴桃果园遥感提取. 农业机械学报，2018，49（4）：222-231. [百度学术]

杨屹鹍，蒋平安，武红旗，等. 基于高分一号与Landsat8卫星影像的库尔勒市香梨种植面积识别研究. 山东农业科学，2018，50（1）：153-157. [百度学术]

刘吉凯，钟仕全，陈玉兰，等. 基于卫星遥感数据的库尔勒香梨识别提取方法研究. 科学技术与工程，2014，14（26）：190-196. [百度学术]

赵希妮，璩向宁，王磊，等. 基于GF-1/WFV时间序列的葡萄遥感识别. 河南农业科学，2019，48（3）：153-160. [百度学术]

邢东兴，王明军，焦俏，等. 探寻葡萄树遥感辨识的最佳时相与方法. 西北林学院学报. 2019，34（5）：179-186. [百度学术]

邢东兴，王明军，陈玲侠，等. 桃树遥感辨识的最佳时相与方法. 江苏农业学报，2019，35（4）：919-926. [百度学术]

邢东兴，焦俏，王明军，等. 石榴树遥感辨识的最佳时相与方法. 果树学报，2020，37（3）：431-440. [百度学术]

邢东兴，王明军，焦俏，等. 杏树遥感图像辨识的最佳时相与方法. 河南农业科学，2020，49（1）：165-173. [百度学术]

岳俊，王振锡，冯振峰. 基于光谱与纹理特征的南疆盆地果树树种遥感识别研究. 新疆农业大学学报，2015，38（4）：326-333. [百度学术]

李雪，钟仕全，王蕾，等. 基于HJ卫星遥感数据的林果光谱特征分析. 新疆农业科学，2011，48（11）：1967-1973. [百度学术]

Peña M A，Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley，Chile. [百度学术]

Remote Sensing of Environment，2015，171：234-244. [百度学术]

黄祥，周蕊，王克晓，等. 基于包络线法的丘陵山区常见落叶果树光谱识别研究. 南方农业，2022，16（21）：99-102. [百度学术]

万祖毅. 基于无人机遥感的柑橘果树信息提取及应用研究［硕士论文］. 重庆：西南大学，2020. [百度学术]

梁晨欣，黄启厅，王思，等. 基于多时相遥感植被指数的柑橘果园识别. 农业工程学报，2021，37（24）：168-176. [百度学术]

刘雅倩. 黄冠梨树物候期智能识别技术研究［硕士论文］. 邯郸：河北工程大学，2021. [百度学术]

邢东兴，白萌，王明军，等. 关中地区梨树遥感辨识的最佳时相与方法. 果树学报，2022，39（8）：1490-1502. [百度学术]

张彦斐，魏鹏，宫金良，等. 复杂环境中苹果树识别与导航线提取方法. 农业机械学报，2022，53（10）：220-227. [百度学术]

Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment，1979，8（2）：127-150. [百度学术]

Huete A R，Justice C，Leeuwen W. MODIS vegetation index（MOD13）algorithm theoretical basis document. US：NASA Goddard Space Flight Center，1999. [百度学术]

Kaufman Y J，Tanre D. Atmospherically resistant vegetation index（ARVI）for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing，1992，30（2）：261-270. [百度学术]

耿云憬，姜爱辉，冷佩. 基于Sentinel-1A数据的冬小麦种植面积提取. 中国农业信息，2022，34（5）：1-10. [百度学术]

关中地区李树遥感辨识的最佳时相与方法

摘要

[目的]

[方法]

[结果]

[结论]

关键词

0 引言

1 数据与方法

1.1 研究区简介

1.2 影像简介与预处理

1.3 辨识目标限定

1.4 研究方法

2 结果与分析

2.1 ROI数据分析

2.2 辨识精度与实地勘察验证

2.3 辨识结果与分析

3 结论与讨论

参考文献