基于Sentinel-2遥...影像的黄土高原覆膜农田识别_赵成.pdf

2 0 2 3 年 8 月农 业 机 械 学 报第 54 卷 第 8 期doi:106041/j issn 1000-1298 2023 08 017基于 Sentinel 2 遥感影像的黄土高原覆膜农田识别赵成1，2梁盈盈1，2冯浩2，3王钊4于强3，4何建强1，4(1 西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌 712100;2 西北农林科技大学中国旱区节水农业研究院，陕西杨凌 712100;3 中国科学院水利部水土保持研究所黄土高原土壤侵蚀与旱地农业国家重点实验室，陕西杨凌 712100;4 陕西省气象局秦岭和黄土高原生态环境气象重点实验室，西安 710016)摘要:及时、准确地获取覆膜农田的空间分布信息是防治地膜微塑料污染的基础。为准确地识别黄土高原地区的覆膜农田，本研究构建了基于 Sentinel 2 遥感影像和随机森林算法的适用于黄土高原覆膜农田遥感识别的特征集组合与多时相组合方案。以甘肃省临夏县、宁夏回族自治区彭阳县和山西省山阴县作为测试区，陕西省旬邑县作为验证区开展识别研究。首先，基于随机森林算法，针对3 个不同的作物生育期(播期、生长旺盛期和收获期)，在7种不同的特征集组合方案中优选出各时期识别精度最高的方案。然后，基于不同作物生育期的遥感影像及其对应的最优特征集组合方案，构建不同的多时相组合来进行覆膜农田识别并优选多时相组合。最后，利用旬邑县来验证构建的优选特征集组合与多时相组合识别覆膜农田的有效性，并绘制各研究区的覆膜农田空间分布图。结果表明:相比于其他遥感识别特征因子，Sentinel 2 遥感影像光谱特征集中的可见光波段(B2、B3 和 B4)和短波红外波段(B11 和 B12)，指数特征集中的归一化差值裸地与建筑用地指数(NDBBI)、归一化水体指数(NDWI)、裸土指数(BSI)、归一化建筑物指数(NDBI)和改进的归一化水体指数(MNDWI)，纹理特征集中的和平均(savg)和相关性(corr)可以作为覆膜农田识别的优选输入特征变量。在 7 种特征集组合方案中，光谱+指数方案是播期和收获期识别覆膜农田的优选方案，在这两个时期对 4 个研究区的覆膜农田进行识别的 F1 值分别大于 87%和 57%，而光谱+指数+纹理方案是生长旺盛期识别覆膜农田的优选方案，该方案识别 4 个研究区覆膜农田的 F1 值均大于71%。基于多时相遥感影像的覆膜农田识别精度高于仅基于单时相遥感影像的精度，其中播期+生长旺盛期+收获期多时相组合可作为黄土高原覆膜农田识别的优选多时相组合，该组合在 4 个研究区识别覆膜农田的 F1 值均大于 92%。总体而言，基于随机森林算法和本研究优选的特征集组合与多时相组合方案能够较为精准地识别黄土高原地区的覆膜农田。关键词:覆膜农田;遥感识别;多时相遥感影像;特征优选;Google Earth Engine;随机森林中图分类号:S127;TP79文献标识码:A文章编号:1000-1298(2023)08-0180-13OSID:收稿日期:2023 04 17修回日期:2023 05 23基金项目:国家自然科学基金项目(52079115、41961124006)、国家重点研发计划项目(2021YFD1900700)、陕西省重点研发计划重点产业创新链(群)农业领域项目(2019ZDLNY07 03)、西北农林科技大学人才专项资金项目(千人计划项目)和高等学校学科创新引智计划(111 计划)项目(B12007)作者简介:赵成(2000)，男，博士生，主要从事农业遥感和农业生态系统模拟研究，E-mail:zhaocheng_2018 nwafu edu cn通信作者:何建强(1977)，男，教授，博士生导师，主要从事农业生态系统模拟研究，E-mail:jianqiang_he nwsuaf edu cnPlastic-mulched Farmland ecognition in Loess Plateau Based onSentinel 2 emote-sensing ImagesZHAO Cheng1，2LIANG Yingying1，2FENG Hao2，3WANG Zhao4YU Qiang3，4HE Jianqiang1，4(1 Key Laboratory for Agricultural Soil and Water Engineering in Arid Area，Ministry of Education，Northwest AF University，Yangling，Shaanxi 712100，China2 Institute of Water-saving Agriculture in Arid Areas of China，Northwest AF University，Yangling，Shaanxi 712100，China3 State Key Laboratory of Soil Erosion and Dryland Farming on the Loess Plateau，Institute of Water andSoil Conservation，Chinese Academy of Science and Ministry of Water esource，Yangling，Shaanxi 712100，China4 Key Laboratory of Eco-Environment and Meteorology for the Qinling Mountains and Loess Plateau，Shaanxi Provincial Meteorological Bureau，Xi an 710016，China)Abstract:Plastic film mulching has greatly increased crop yields in arid and semi-arid regions of China，but also caused a lot of environmental problems Thus，timely and accurate mapping of plastic-mulchedfarmlands through remote sensing technology is helpful for governments to plan agricultural production anddeal with micro-plastic pollutions However，the existing recognition methods based on single-temporalremote-sensing images with low and medium resolutions are unable to accurately recognize the plastic-mulched farmlands in the Loess Plateau due to its complex terrain and fragmented agriculturallandscapes In order to accurately recognize plastic-mulched farmlands in the Loess Plateau，differentfeature set combination schemes and multi-temporal image combination schemes applicable to recognizeplastic-mulched farmlands in the Loess Plateau were constructed based on Sentinel 2 remote-sensingimages and random forest algorithmThree testing areas were selected for constructing recognitionschemes mentioned above，including Linxia County in Gansu Province，Pengyang County in Ningxia HuiAutonomous egion，and Shanyin County in Shanxi Province，and one validation area of Xunyi County inShaanxi Province were chosen as the scheme validation areaFirstly，based on the random forestalgorithm，the optimal feature set combination scheme with the highest recognition accuracy was selectedfrom seven different feature set combination schemes for each growth stage(sowing stage，flourishingstage，and harvesting stage)Then，based on the remote-sensing images of the three different cropgrowth stages and their corresponding optimal feature set combination schemes，different multi-temporalimage combination schemes were constructed to recognize the plastic-mulched farmlands，and then theoptimal multi-temporal image combination scheme was selected Finally，the effectiveness of the optimalfeature set combination scheme and multi-temporal image combination sheme for recognizing plastic-mulched farmlands was verified in Xunyi County，and the spatial distribution maps of plastic-mulchedfarmland in each research area were drawn The results showed that the visible bands(B2，B3，and B4)and the short-wave infrared bands(B11 and B12)in the spectral feature set of Sentinel 2 remote-sensing images，the normalized difference bareness and built-up index(NDBBI)，normalized differencewater index(NDWI)，bare soil index(BSI)，normalized difference built-up index(NDBI)，andmodified normalized difference water index(MNDWI)in the index feature set，and the sum average(savg)and correlation(corr)in the textural feature set can be used as optimal input feature variables forrecognizing plastic-mulched farmlands Among the seven different feature set combination schemes，the“spectum+index”scheme was the optimal scheme for recognizing plastic-mulched farmlands during thesowing and harvesting stages The F1-score for plastic-mulched farmland recognition in these two stagesin the four study areas was greater than 87%and 57%，respectively The“spctrum+index+texture”scheme was the optimal scheme for recognizing plastic-mulched farmlands during the flourishing stagewith F1-score greater than 71%in the four study areasGenerally，the plastic-mulched farmlandrecognition accuracy based on multi-temporal remote-sensing images was higher than that based on single-temporal remote-sensing images Among different multi-temporal image combination schemes，“sowingstage+flourishing stage+harvesting stage”can be used as the optimal scheme for plastic-mulchedfarmland recognition，and the F1-score for recognizing plastic-mulched farmlands in the four study areaswas greater than 92%In general，plastic-mulched farmlands in the Loess Plateau can be accuratelyrecognized based on random forest algorithm and the optimal feature set combination schemes and multi-temporal image combination schemeKey words:plastic-mulched farmlands;remote-sensing recognition;multi-temporal remote-sensingimages;feature optimization;Google Earth Engine;random forest0引言黄土高原是我国北方典型的旱作农业区1。然而该地区干旱少雨、降水时空分布不均匀，使得该地区水资源严重匮乏2。地膜覆盖技术能够有效地减少土壤水分蒸发、提高土壤耕层温度和促进作物生长发育，因此该技术在黄土高原地区得到了广泛应用3。然而，随着地膜的大量使用，土壤中地膜残留量的增加会对作物的生长发育带来严重的负面影响4 5。此外，农用地膜作为人工合成的高分子化合物，其在耕地中的残留部分在自然条件下难以降解，由此带来的地膜微塑料污染问题近年来也成为环境和农业领域研究的热点6 8。因此，及时、准确地获取黄土高原覆膜农田的空间分布信息，将有助于相关部门科学合理地规划农业生产，充分发挥地膜覆盖技术的积极作用，同时降低地膜残留对环境造成的污染。遥感技术具有速度快、覆盖面积广和数据时效性强的特点，因此被广泛应用于土地利用分类和农作物信息提取等研究9 11。特别地，欧洲航天局(European Space Agency，ESA)哥白尼计划中发射的第 2 组卫星(Sentinel 2)为地物遥感识别提供了高181第 8 期赵成 等:基于 Sentinel 2 遥感影像的黄土高原覆膜农田识别时空分辨率(5 d，10 m)的卫星数据12。相比于目前广泛使用的 30 m 空间分辨率的 Landsat 系列卫星数据，Sentinel 2 卫星数据能够更为准确地刻画小面积农田的空间分布特征13，从而为黄土高原覆膜农田的遥感识别提供了理想数据源。目前，已有部分学者基于中低分辨率遥感影像开展了覆膜农田遥感识别研究。LU 等14 基于1998、2007、2011 年 Landsat 5 TM 遥感影像的光谱特征，通过构建决策树分类器提取了新疆的覆膜棉花种植区，总体精度达到 90%以上;随后，LU 等15 基于 MODIS 卫星影像的 NDVI 时间序列数据，通过阈值法对新疆地区的覆膜棉田再次进行识别，总体精度在 80%以上。然而，相比于新疆等作物种植面积较大、种植结构相对均一的地区，黄土高原地区种植结构复杂、地块形状不规则且分布破碎凌乱，导致覆膜农田的识别更加困难。针对黄土高原地区，郑文慧等16 利用作物播期的 Landsat 8 单时相影像对甘肃省定西市安定区团结镇的覆膜农田进行识别，总体精度大于 95%。此外，罗琪等17 利用NNDiffuse Pan Sharpening 方法融合了 Sentinel 2 多光谱影像和 GF 1 全色影像，并基于该单时相融合影像，识别了河北省邯郸市邱县的覆膜农田。虽然这些研究使用了较高空间分辨率的卫星影像识别覆膜农田，但所使用的影像均为作物播期的单时相遥感影像，因此识别结果中存在较为严重的错分和漏分现象。针对此问题，HASITUYA 等18基于多时相 Landsat 8 影像和随机森林算法提取了河北省衡水市冀州区的覆膜农田，总体精度高达 97%。然而对于黄土高原覆膜农田的准确识别，Landsat 8 影像的空间分辨率明显偏低，识别结果中混合像元较多、无法准确反映当地覆膜农田的细节信息。综上所述，以往的研究大多集中在地膜连片分布的某一典型研究区，基于中低分辨率的单时相卫星遥感影像进行覆膜农田识别，对于利用 Sentinel 2遥感影像和机器学习算法识别地块破碎的黄土高原覆膜农田鲜有报道，且缺少可参考的有效特征变量和时相选择。因此，本研究选择甘肃省临夏县、宁夏回族自治区彭阳县和山西省山阴县作为测试区，探索适用于黄土高原覆膜农田识别的特征集组合与多时相组合，并且以陕西省旬邑县作为验证区，验证方法的可行性。1材料和方法1.1研究区概况黄土高原位于黄河流域中部，面积约为 6.4 105km2，地形复杂，农业景观破碎。该地区降水少且时空分布不均匀，年均降水量为 400 600 mm，年均蒸发量大于 1 400 mm，属于典型的大陆性季风气候区19，地膜覆盖技术以其节水保墒的特点而在该地区得到了广泛应用。本研究参考中国农业资源环境分区20 并结合 Google Earth 街景图是否可获得高分辨率覆膜影像的实际情况，由南到北选择了位于地形复杂、地块破碎的黄土高原沟壑区和晋豫土石山区的 4 个代表县开展覆膜农田识别研究。其中，甘肃 省 临 夏 回 族 自 治 州 临 夏 县(102 41 10340E、3457 3612N，1 212 km2)、宁夏回族自治区固原市彭阳县(10632 10658E、3541 3617N，2 533 km2)、山西省朔州市山阴县(11225 11304E、3911 3947N，1 651 km2)作为测试区，而陕西省咸阳市旬邑县(10808 10852E、3457 3533N，1 811 km2)因其具有覆膜农田面积的统计值，因此选择该县作为验证区(图 1)。研究区主要的覆膜作物为春玉米、春油菜和马铃薯，播期集中在 4 月中旬至 5 月上旬21 23(图 2)。所选区域以白色地膜为主要地膜类型，因此本研究仅针对白色地膜开展遥感识别方法研究。1.2数据来源与预处理1.2.1遥感数据采集与预处理本研究所使用的 Sentinel 2 卫星遥感影像来源于 Google Earth Engine(GEE)云平台(https:earthengine google com)中 2020 年的 Level 2A 地表反射率(Surface reflectance，S)产品。Sentinel 2由 Sentinel 2A 和 Sentinel 2B 两颗卫星组成，在赤道地区的重访周期为 5 d，在中纬度地区为 2 3d。其搭载的多光谱成像仪包含由可见光到近红外再到短波红外的 13 个光谱波段，空间分辨率包括10、20、60 m。其较高的时空分辨率为全球土地变化监测、气候变化监测和灾害监测提供了高质量的免费遥感数据12，24。随机选取彭阳县一典型小区(354402N，1062646E)，分析各类地物在归一化植被指数(Normalized difference vegetation index，NDVI)上的光谱反射率(图 3b)，可知在播期(4 月中旬5 月上旬)覆膜农田不受作物冠层影响，NDVI 反射率呈现低值，且接近不透水层和裸土的 NDVI 反射率;在生长旺盛期(6 月上旬8 月上旬)，随着覆膜作物的快速生长，NDVI 反射率快速上升，到达峰值;在收获期(9 月上旬10 月上旬)，随着作物收获，地块呈现出裸土、残茬和残膜的混合光谱信息，NDVI 反射率迅速下降。相比于其他地物，覆膜农田的 NDVI反射率随着覆膜作物的生长而发生剧烈变化。因281农业机械学报2 0 2 3 年图 1研究区地理位置和样本点空间分布Fig 1Geographical locations of study areas and spatial distribution of sampling points图 2研究区主要作物的物候历Fig 2Phenological calendars of main crops in study areas图 3彭阳县一典型小区各类地物的 NDVI 时间序列曲线Fig 3NDVI time series curves of different land cover types at a typical area in Pengyang County此，本研究根据覆膜农田的光谱反射率变化特点，分别选取各研究区 2020 年播期、生长旺盛期和收获期的 3 景影像构成多时相数据(表 1)。对于云污染较重的影像，首先在 GEE 中利用去云函数去除云和云阴影，然后利用该影像前后 5 d 内去云区域的无云影像进行镶嵌拼接，最后由研究区的行政边界矢量裁剪出符合条件的研究区无云影像。1.2.2地面样本数据采集与预处理样本点的数量、空间分布状况和代表性都会影响地物遥感识别的精度。本研究根据研究区的实际状况，将临夏县和彭阳县的地物类型划分为 5 类(不透水层、裸地、覆膜农田、植被、水体)。由于山阴县和旬邑县的水体面积占总区域面积的比例不足5%，因此将这两个地区的地物类型划分为 4 类(不381第 8 期赵成 等:基于 Sentinel 2 遥感影像的黄土高原覆膜农田识别表 12020 年 4 个典型研究区内 3 个不同作物生育期的 Sentinel 2 遥感影像选择Tab1Selection of Sentinel 2 images at three differentcrop growth stages at four representative areas in 2020研究区播期生长旺盛期收获期临夏县05 0206 1809 06彭阳县05 0108 2409 18、09 23山阴县05 1007 1910 02、10 07旬邑县05 0307 0708 26透水层、裸地、覆膜农田、植被)。本研究综合 2020年 ESA 全球10 m 土地利用数据集(ESA WorldCover10 m v100)、Google Earth 高分辨率街景图和多时相Sentinel 2 遥感影像进行目视解译获取样本点，取样时遵循随机、均匀的原则使各类样本点在研究区内随机均匀分布(图 1)。最终在临夏县、彭阳县、山阴县和旬邑县分别选取 1 205、1 687、1 353、1 155 个样本点(表 2)，并在 GEE 平台中按照 7 3的比例将各类样本点随机划分为训练样本和验证样本。表 2黄土高原 4 个典型研究区各类样本点的数量Tab2Number of different types of sampling pointsat the four representative areas in Loess Plateau地物类型临夏县彭阳县山阴县旬邑县不透水层(建筑物、道路等)334389321254裸地(裸土、休耕地、撂荒地等)154254315245覆膜农田(白色地膜)302554314339植被(农作物、灌木、草地等)302376403317水体(湖泊、河流、灌溉渠道等)11311400样本点总数1 2051 6871 3531 1551.3基于 Sentinel 2 遥感影像的覆膜农田识别方案1.3.1覆膜农田遥感识别的主要步骤基于 Sentinel 2 遥感影像识别黄土高原覆膜农田的主要步骤包括:对研究区多时相 Sentinel 2 遥感影像进行预处理，构建遥感影像的光谱特征集、指数特征集，以及第一主成分与第二主成分的纹理特征集。通过随机森林算法评价上述 3 类特征集中各个特征因子的重要性，并进行特征因子优选，然后利用优选的 3 类特征集构建 7 种不同的覆膜农田识别特征集组合方案。基于上述 7 种不同的特征集组合方案和随机森林算法，对不同作物生育期(播期、生长旺盛期、收获期)的覆膜农田进行识别，优选出不同作物生育期的最优特征集组合方案。基于所选的最优特征集组合方案，利用不同作物生育期的遥感影像组合进行覆膜农田识别，筛选最优多时相组合方案，最后利用陕西省旬邑县验证最优特征集组合与多时相组合识别覆膜农田的有效性(图 4)。图 4基于 Sentinel 2 遥感影像的覆膜农田遥感识别技术路线图Fig 4Technology roadmap for remote sensing recognitionof plastic-mulched farmlands in Loess Plateau based onSentinel 2 images1.3.2覆膜农田遥感识别特征集构建针对每一个典型研究区的各 3 景Sentinel 2遥感影像，分别提取了光谱、指数和纹理 3 种特征集作为覆膜农田遥感识别的输入特征变量，其中包括 10种光谱特征因子、9 种指数特征因子和 28 种纹理特征因子(表 3)。在构建纹理特征集的过程中，首先对原始影像进行主成分分析，分析结果显示 4 个典型研究区每一景影像的第一与第二主成分的累积贡献率均在 90%以上。因此，为提高纹理特征因子的提取效率，本研究在 GEE 平台中对第一与第二主成分 利 用 灰 度 共 生 矩 阵(Gray-level co-occurrencematrix，GLCM)25 分别提取 14 种纹理特征因子(共计14 2=28 种)作为纹理特征集。1.3.3分类方法与特征因子优选采用随机森林算法(andom forest，F)35 对覆膜农田进行遥感识别。F 算法作为一种集成算法，其泛化性好、运算速度快、精度高并且对异常值和481农业机械学报2 0 2 3 年表 3黄土高原覆膜农田识别所需的 Sentinel 2 遥感影像特征变量Tab3Feature parameters of Sentinel 2 images used in recognition of plastic-mulched farmlands in Loess Plateau特征集特征因子数量特征因子光谱特征10B2(蓝)、B3(绿)、B4(红)、B5(红边 1)、B6(红边 2)、B7(红边 3)、B8(近红外)、B8A(红边 4)、B11(短波红外 1)、B12(短波红外 2)指数特征9归一化植被指数(NDVI)26、差值植被指数(DVI)27、比值植被指数(VI)28、土壤调节植被指数(SAVI)29、裸土指数(BSI)30、归一化建筑物指数(NDBI)31、归一化差值裸地与建筑用地指数(NDBBI)32、改进的归一化水体指数(MNDWI)33、归一化水体指数(NDWI)34 纹理特征28熵(pc1/pc2_ent)、差方差(pc1/pc2_dvar)、差熵(pc1/pc2_dent)、角二阶矩(pc1/pc2_asm)、最大相关系数(pc1/pc2_maxcorr)、对比度(pc1/pc2_con)、相关性(pc1/pc2_corr)、方差(pc1/pc2_var)、逆差矩(pc1/pc2_idm)、和平均(pc1/pc2_savg)、和方差(pc1/pc2_svar)、和熵(pc1/pc2_sent)、相关信息测度 1(pc1/pc2_imcorr1)、相关信息测度2(pc1/pc2_imcorr2)注:土壤调节植被指数的土壤调节因子 L 取值为 0.50;pc1、pc2 为第一主成分和第二主成分缩写形式。噪声具有较好的容忍性，因此在地物分类、农作物空间分布制图和水体识别等领域被广泛利用36 37。在 GEE 平台中调用 F 算法进行分类前需要对算法中决策树的数量 T 和节点分裂特征个数 M 这两个参数进行优化。根据多次测试，本研究将参数 T 设置为 500，M 默认为每次分类时输入特征因子数量的平方根。多时相数据和多特征变量参与分类会使输入算法的数据量剧增，可能会造成数据冗余和“维度灾难”。因此为提高算法的识别精度和运算效率，本研究以 F 算法的基尼系数(Gini index)为评价指标，分别对每一个典型研究区 3 景影像中的光谱、指数和纹理特征因子进行重要性分析，然后计算每一个特征因子在 3 景影像中的累积重要性得分38 作为该特征因子的最终重要性得分，最后按照特征因子重要性由大到小的顺序分别逐一添加光谱、指数和纹理特征因子进行覆膜农田识别，以 F1 值(F1-score)作为评价指标优选各类特征因子，并构建优选特征集。1.3.4覆膜农田识别特征集组合方案与多时相组合方案为了评价在 3 个不同的作物生育期中采用不同特征集组合进行覆膜农田识别的有效性，基于优选的特征集构建 7 种特征集组合方案，其中包括 3 种单一特征集方案:光谱特征集方案(方案 S)、指数特征集方案(方案 I)、纹理特征集方案(方案 T);4 种组合特征集方案:光谱+指数特征集方案(方案 S+I)、光谱+纹理特征集方案(方案 S+T)、指数+纹理特征集方案(方案 I+T)、光谱+指数+纹理特征集方案(方案 S+I+T)。针对每一个典型研究区，基于上述 7 种特征集组合方案构建 3 个不同作物生育期的覆膜农田识别 F 算法模型，并以覆膜农田识别的 F1 值作为评价指标优选不同作物生育期的最优特征集组合方案。同时，考虑到覆膜农田的光谱反射率随着作物冠层的生长发育而变化，为了评价不同作物生育期遥感影像组合用于覆膜农田识别的有效性，本研究基于 3 个不同作物生育期的遥感影像及其对应的最优特征集组合构建了 4 种多时相组合识别方案，分别为:播期+生长旺盛期组合方案、播期+收获期组合方案、生长旺盛期+收获期组合方案、播期+生长旺盛期+收获期组合方案。基于上述 4 种不同的多时相组合方案开展覆膜农田遥感识别，并以识别精度为评价指标来确定黄土高原覆膜农田遥感识别的最优多时相组合方案。1.4覆膜农田识别精度评价指标基于验证样本点，利用混淆矩阵对覆膜农田识别结果进行精度评价，所使用的精度评价指标包括制图精度(PA)、用户精度(UA)39 和 F1 值。2结果与分析2.1特征因子优选结果2.1.1光谱特征因子优选由光谱特征因子的重要性评价结果(图 5)可知，在不同测试区，Sentinel 2 遥感影像的可见光波段(B2、B3 和 B4)和短波红外波段(B11 和 B12)重要性较高。此外，利用 3 个测试区的不同作物生育期遥感影像识别覆膜农田时，随着光谱特征因子数量的增加，F1 值均呈现先快速上升后趋于平缓的趋势，且在可见光和短波红外波段的基础上继续添加其他光谱特征因子进行覆膜农田识别，F1 值没有明显提升。因此，本研究确定 B2、B3、B4、B11 和 B12为黄土高原覆膜农田遥感识别的优选光谱特征因子。2.1.2指数特征因子优选分析 3 个测试区不同指数特征因子的重要性评价结果(图 6)，可知指数特征因子 NDBBI、NDWI、BSI、NDBI、MNDWI 的重要性较高，而其余指数特征581第 8 期赵成 等:基于 Sentinel 2 遥感影像的黄土高原覆膜农田识别图 5黄土高原 3 个测试区光谱特征因子重要性与不同作物生育期的覆膜农田识别精度Fig 5Importance of spectral feature factors and recognition accuracy of plastic-mulched farmlandsat different crop growth stages at three testing areas in Loess Plateau图 6黄土高原 3 个测试区指数特征因子重要性与不同作物生育期的覆膜农田识别精度Fig 6Importance of index feature factors and recognition accuracy of plastic-mulched farmlandsat different crop growth stages at three testing areas in Loess Plateau因子的重要性较低。在上述 5 种指数特征因子的基础上继续添加其他指数特征因子，在不同作物生育图 7黄土高原 3 个测试区纹理特征因子重要性与不同作物生育期的覆膜农田识别精度Fig 7Importance of textural feature factors and recognition accuracy of plastic-mulched farmlandsat different crop growth stages at three testing areas in Loess Plateau期识别3 个测试区覆膜农田的 F1 值趋于平缓，且无明显提升。因此，本研究确定 NDBBI、NDWI、BSI、NDBI 和 MNDWI 为黄土高原覆膜农田遥感识别的优选指数特征因子。2.1.3纹理特征因子优选由 3 个测试区排名前 10 位的纹理特征因子重要性评价结果(图 7)可知，纹理特征因子中和平均的重要性最高，其次是相关性，而其余纹理特征因子681农业机械学报2 0 2 3 年的重要性普遍较低。在 pc1_savg、pc2_savg 和 pc2_corr 的基础上添加其他纹理特征因子，识别 3 个测试区不同作物生育期的覆膜农田的 F1 值呈现缓慢下降的趋势。因此，本研究确定 pc1_savg、pc2_savg和 pc2_corr 为黄土高原覆膜农田遥感识别的优选纹理特征因子。2.2不同作物生育期的优选特征集组合利用上述 3 种单一特征集方案(方案 S、方案 I、方案T)和4 种组合特征集方案(方案S+I、方案S+T、方案 I+T、方案 S+I+T)构建不同作物生育期的覆膜农田识别 F 算法模型，通过验证样本和混淆矩阵计算覆膜农田识别的 F1 值(表 4)。结果表明，基于播期影像识别 3 个测试区的覆膜农田，组合特征集