下载文档原格式
西安科技大学硕士学位论文基于ArcGIS的西安市人口空间分布规律研究姓名：闫宗元申请学位级别：硕士专业：地图学与地理信息系统指导教师：陈晓宁2011论文题目：基于ArcGIS的西安市人口空间分布规律研究专业：地图学与地理信息系统硕士生：闫宗元(签名)指导教师：陈晓宁(签名)摘要城市与区域研究首要任务是分析城市与区域的空间结构，而人口密度分布特征是重点。
人口密度特征是城市一个重要的社会经济特征，城市人口密度模型不仅揭示了城市的内部结构，而且还为城市的经济模型提供验证。
分析人口密度方程随时间的变化规律对揭示城市和区域结构的变迁也具有重要的意义。
本文基于西安市人口普查数据，采用GIS手段从宏观上系统分析了20世纪90年代以来西安市常住人口空间分布特征和时空演变趋势，并为此做出合理的原因分析；基于多种数学模型的回归分析结果比较，从微观上揭示了西安市2000年单中心和多中心的人口密度分布特征，并得出了一个较好的数学模型来描述。
应用GIS手段研究西安市的人口空间分布可为国内相关案例研究提供理论补充；对比传统的计算人口密度分布方法，本文所使用的研究方法有直观、全面、更加精确的优点，为今后的同类研究提供了一种新方法。
关键词：西安市；人口密度；GIS；空间统计分析；数学模型；研究类型：应用研究Subject ：Research on Spatial Distribution of Population in Xi’an Based on ArcGISSpecialty ：Cartography and Geographic Information SystemName ：Yan Zong-yuan (Signature)Instructor：Chen Xiao-ning (Signature)ABSTRACTThe prime task of studying city and region is to analyze the spatial structure of city and region. Characteristic of population density is an important feature of the city's socio-economic characteristics. Urban population density model not only reveals the internal structure of the city, but also provide validation for the city's economic model. Analysis of population density equation over time has great significance to reveal changes of urban and regional structure.Based on population census data of Xi’an City, spatial distribution of resident population and trends of spatial temporal evolution from the 1990s is analyzed systematically on a macro perspective by use the method of GIS. And the reasons will be analyzed at the same time. Based on the comparison among multiple regressive analysis results of mathematical models, the population density distribution of monocentric center and multi-center in Xi’an is revealed on a micro perspective. Meanwhile, a mathematical model is established to express the population density distribution.Research on spatial distribution of population density in Xi’an by use the method of GIS provides some theoretical complements for the study of related cases. Comparing with the traditional method of calculating the distribution of population density, the research method which is used in this paper are intuitive, comprehensive and more accurate and provide a new method for similar researchs in future.Keywords : Xi’an City Population Density GIS Spatial Statistical Analys Mathematical ModelThesis :Application Research1 绪论1 绪论1.1研究的背景与意义1.1.1研究的背景2009年5月4日，国务院颁布了开展2010年第六次全国人口普查的通知，拉开了全国第六次人口普查的序幕。
《近代西安城市空间结构演变研究（1840-1949）》篇一一、引言西安，古称长安，作为中国历史上的重要城市，其城市空间结构演变承载了深厚的历史文化底蕴。
自1840年鸦片战争后，中国逐渐进入半殖民地半封建社会，西安的城市空间结构也在此背景下发生了显著的变迁。
本文旨在梳理并分析这一时期内西安城市空间结构的变化及原因，以探讨近代西安城市发展的轨迹和特征。
二、背景与过程1. 时代背景从1840年至1949年，中国经历了从传统社会向近代社会的转型。
西方列强的入侵，使得中国的经济、政治、文化等方面都发生了巨大变化。
在这一背景下，西安作为西部地区的中心城市，其城市空间结构也经历了前所未有的变革。
2. 城市空间结构演变过程（1）开埠通商：随着对外贸易的增加，西安的城市空间开始向商业区扩展，商业街区逐渐形成。
（2）近代工业发展：随着洋务运动的开展和近代工业的兴起，西安开始出现工业区，城市空间结构出现了新的变化。
（3）城市基础设施的改善：近代以来，城市交通、供水、排水等基础设施得到了改善，这为城市空间的进一步发展提供了基础。
三、城市空间结构演变的特征1. 商业区的兴起与扩展随着对外贸易的增加，西安的商业区逐渐从传统的市中心扩展到近郊地区。
商业街区的形成，使得城市空间结构更加复杂多样。
2. 工业区的出现与发展近代工业的兴起，使得西安开始出现工业区。
这些工业区多分布在城市近郊地区，与商业区相分离。
3. 城市基础设施的改善与升级近代以来，西安的城市基础设施得到了显著改善，如交通网络的扩展、供水系统的建设等，这些都为城市空间的进一步发展提供了条件。
四、影响因素分析1. 社会因素政治动荡、战争等因素对西安城市空间结构的演变产生了重要影响。
例如，战乱时期，城市空间结构往往因战火而遭受破坏，战后则需进行重建。
2. 经济因素经济发展水平是影响城市空间结构的重要因素。
随着近代工业和商业的发展，西安的城市空间结构发生了显著变化。
3. 文化因素文化传统和价值观对城市空间结构的演变也产生了影响。
基于地域文化视角的西安市城市空间结构演变研究
的开题报告
1. 研究背景
随着城市化进程的不断加速，城市空间结构的演变成为城市规划和管理的重要课题。
西安是中国历史悠久的城市，自古以来就具有独特的地域文化特征，其城市空间结构的演变也受到了历史、文化、经济等多方面因素的影响。
因此，基于地域文化视角研究西安市城市空间结构的演变，对于深入了解西安城市历史文化特征和发展规律，制定科学合理的城市发展战略和规划具有重要意义。
2. 研究内容
本研究将以西安市为研究对象，通过收集西安市历史文献资料和现场调查，以地域文化视角为切入点，探讨西安市城市空间结构的演变规律。
具体包括以下几个方面：
(1) 西安市城市空间结构的历史演变及其遗产保护与利用；
(2) 西安城市文化遗产的保护与利用及其对城市空间结构的影响；
(3) 西安市现代城市化进程中的城市空间结构演变及其对城市规划的启示。
3. 研究方法
本研究采用文献资料分析、案例调查和实地调研相结合的方法，结合地图、航拍和遥感图像等多种技术手段，深入挖掘西安市历史文化遗产，从而了解西安市城市空间结构的演变规律和历史文化发展特征，为城市规划和管理提供参考和启示。
4. 研究意义
(1) 较为全面地探讨了基于地域文化视角的西安市城市空间结构演变规律，深入了解了西安市历史文化特征和发展规律；
(2) 对于制定科学合理的城市发展战略和规划具有重要意义；
(3) 可以为其他历史悠久城市的城市规划和管理提供参考和启示。
城市经济学结课论文西安的城市空间结构学院：电气学院姓名：赵亮学号：1100100621西安的城市空间结构一、快速的城市化进程1、宏观现状：当前我国处于快速城市化的发展时期1949 到2009 年我国城市化水平由10.6 到46.6%（见图1-1），全国城镇人就比重由10.6%上升到46.6%，平均每年提升0.6 个百分点，远高于同期世界平均速度，（1950-2000，世界城镇人就比重从29%上升到47.2%，平均每年提升0.364个百分点）。
尤其是近二十年来，我国处于快速城市化的发展阶段。
城镇化以每年0.9 个百分点的速度快速提高，2010 年我城镇化率为49.1%，城市人口6.2 亿，比2000 年增加 1.63 亿人（见图1-2）。
城市化不断加速推进，城市化水平与社会经济发展水平关相，具体表现在不仅是城市的规模数量持续增加，而且城市规模在不断扩大。
纵观我国的城市化发展大致有两个阶段四个时期的发展历程。
第一阶段是1949 年建国后至1978 年改革开放以前，该时期我国经济发展缓慢，城市化进程缓慢；1978 年改革开放后，城市化进程大概又分为三个时期：第一个时期是1978-1984 年，以农村经济体制改革为主要动力推动城市化阶段，我国不断实施经济体制改革和对外开放政策，市场经济要素逐步放活，社会主义市场经济体制逐步建立。
在市场经济和政府行政作用下我国城市化进程不断加速。
第二个时期1985—1991 年乡镇企业和城市改革双重推动城市化阶段，这个阶段以发展新城镇为主，沿海地区出现了大量新兴的小城镇。
城市化水平由1985 年的23.71％提高到1991 年的26.94％，年均提高0.54 个百分点，城市化在前一阶段的恢复性增长后，进入平稳发展时期。
第三个时期是20 世纪90 年代以来，随着1992年中国市场经济体制改革目标的确立，市场要素资源不断发挥积极性，同时受到全球经济一体化和信息化的影响，我国城市化发展进入快速城市化阶段。
先秦至五代成都古城形态变迁研究的开题报告一、研究背景成都是中国西南地区的重要城市，其历史悠久、文化深厚。
先秦至五代时期，成都地区政治、经济、文化的发展对中国的历史进程产生了深远影响。
成都古城作为这一时期成都历史文化的载体，具有很高的研究价值和重要性。
随着社会经济的不断发展，成都古城形态也在不断变化。
通过对古城形态的研究，可以深入了解先秦至五代时期成都的历史和文化，同时对当今城市规划与发展具有一定的借鉴意义。
二、研究目的与意义本研究旨在对先秦至五代时期成都古城的形态变迁进行研究，探索古城形态演变的内在原因，分析其所反映的历史、文化、社会背景，并探究其对当今城市规划与发展的启示。
通过本研究的开展，具体目的如下：1. 系统地梳理先秦至五代时期成都古城的历史变迁，揭示其演变的过程和规律；2. 分析古城形态变迁背后的历史、文化、社会原因，探究其内在联系和影响；3. 探究古城形态演变对当今城市规划与发展的借鉴意义，为城市规划与发展提供有益的参考。
三、研究内容与方法研究内容包括：成都古城的位置、范围、形态、布局、特色、功能等方面的历史变迁与演变。
主要以先秦至五代时期为研究对象，从不同时期的历史、文化、经济等角度，分析其古城形态的演变规律和内在联系。
研究方法主要包括：历史文献研究法、考古发掘研究法、比较研究和案例研究等。
通过对古代文献、典籍、地图等采集、整理和分析，结合考古发掘、古建筑遗址等实地调查和研究，通过对不同时期的成都古城形态进行比较和研究，最终得出成都古城形态变迁的规律和内在联系，对当今城市规划与发展提供有价值的启示。
四、研究步骤与进度安排1.第一阶段:文献搜集，包括成都地区历史文献、旅游文献、考古发掘资料（计划时间：3个月）。
2.第二阶段:实地调查和考察，以历史文物保护单位、文化景观区、古代建筑遗址和历史街区为调查点，考察成都古城的历史演变，查阅古籍、图书、地图资料（计划时间：6个月）。
3.第三阶段:分析成都古城各时期的形态、布局、特色等，探讨其历史、文化、社会背景构成因素（计划时间：6个月）。
成都市地理环境
成都市地理环境是四川省省会城市成都的自然特征和地理条件的总称。
成都地处中国西南地区，位于四川盆地西部，地势平坦，四周环山，气候湿润，是一座具有丰富自然资源和独特地理环境的城市。
地理位置
成都市位于四川省西部，四周环山，地处成都平原中心，地势低洼平坦。
成都市地处亚热带季风气候区，四季分明，气候湿润，雨量充沛，适宜农业生产。
气候特点
成都市气候温和湿润，夏季炎热多雨，冬季寒冷湿润，春秋季宜人。
成都市四季分明，气候适宜，是一个适合居住和旅游的城市。
自然资源
成都市拥有丰富的自然资源，包括水资源、土地资源、气候资源等。
成都平原肥沃，适宜农业发展；成都周边山区资源丰富，有利于生态保护和旅游开发。
生态环境
成都市注重生态环境保护，积极推进绿色发展，建设生态城市。
成都市拥有多处自然保护区和公园，保护良好的生态环境为市民提供了良好的休闲娱乐场所。
总结
成都市地理环境优越，气候宜人，自然资源丰富，生态环境良好。
这些特点使得成都成为一座宜居宜游的城市，吸引着众多游客和居民前来定居。
成都市人口时空分布特征分析【摘要】成都市作为中国西部重要的城市之一，人口数量一直保持着增长趋势。
本文通过分析成都市人口数量变化、空间分布特征、时空分布变化及影响因素，揭示了成都市人口时空分布的特征。
研究发现，成都市人口数量呈现逐年增长的趋势，其中东部地区人口密集，西部地区人口相对稀疏，城市周边人口分布较为分散。
影响成都市人口时空分布的因素主要包括经济发展水平、政策调控、地理环境等。
未来，随着城市的不断发展，成都市人口时空分布特征可能会发生改变，需要进一步研究和预测。
本文通过分析成都市人口时空分布特征，为城市规划和人口政策提供了重要参考。
【关键词】成都市、人口时空分布、特征分析、变化、因素分析、影响、趋势预测、展望1. 引言1.1 研究背景成都市作为中国西部地区重要的城市，人口数量持续增长，人口结构和空间分布也在不断变化。
随着城市化进程的加快和经济发展的不断壮大，成都市人口的时空分布特征日益突出，对城市发展和规划提出了新的挑战和机遇。
对成都市人口时空分布特征进行深入研究，可以帮助我们更好地了解城市人口的增长规律和空间分布特点，为城市规划和管理提供科学依据。
在这样的背景下，本文旨在通过对成都市人口时空分布特征进行分析，探讨成都市人口数量变化、空间分布特征、时空分布特征变化趋势以及影响成都市人口时空分布的因素等问题。
通过对成都市人口时空分布特征的研究，可以为城市规划和管理提供参考，促进城市可持续发展，实现人口与城市空间的优化匹配。
1.2 研究目的研究目的：本文旨在通过对成都市人口时空分布特征的深入分析，探讨成都市人口数量变化及空间分布的规律性，并揭示影响成都市人口时空分布的因素。
通过研究成都市人口时空分布特征的变化情况，可以更好地了解成都市人口的发展趋势和变化规律，为城市规划和人口政策制定提供科学依据。
通过分析成都市人口时空分布特征的影响因素，可以帮助相关部门更好地调控人口的分布，优化城市资源配置，提高城市发展水平。
江苏农业学报(ＪｉａｎｇｓｕＪ.ｏｆＡｇｒ.Ｓｃｉ.)ꎬ２０２４ꎬ４０(１):１０３￣１１１ｈｔｔｐ://ｊｓｎｙｘｂ.ｊａａｓ.ａｃ.ｃｎ盛艳芳ꎬ买买提 沙吾提ꎬ何旭刚ꎬ等.基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取[Ｊ].江苏农业学报ꎬ２０２４ꎬ４０(１):１０３￣１１１.ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１０００￣４４４０.２０２４.０１.０１１基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取盛艳芳１ꎬ２ꎬ３ꎬ㊀买买提 沙吾提１ꎬ２ꎬ３ꎬ㊀何旭刚１ꎬ２ꎬ３ꎬ㊀李荣鹏１ꎬ２ꎬ３(１.新疆大学地理与遥感科学学院ꎬ新疆乌鲁木齐８３００１７ꎻ２.新疆大学新疆绿洲生态重点实验室ꎬ新疆乌鲁木齐８３００１７ꎻ３.新疆大学智慧城市与环境建模自治区普通高校重点实验室ꎬ新疆乌鲁木齐８３００１７)收稿日期:２０２３￣０２￣０５基金项目:新疆自然科学计划(自然科学基金)联合基金项目(２０２１Ｄ０１Ｃ０５５)作者简介:盛艳芳(１９９３－)ꎬ女ꎬ新疆库尔勒人ꎬ硕士研究生ꎬ主要从事农业遥感分类等方面研究ꎮ(Ｅ￣ｍａｉｌ)ｓｙｆ２２５８１６４＠ｆｏｘ￣ｍａｉｌ.ｃｏｍ通讯作者:买买提 沙吾提ꎬ(Ｅ￣ｍａｉｌ)ｋｏｒｘａｔ＠ｘｊｕ.ｅｄｕ.ｃｎ㊀㊀摘要:㊀针对干旱区果园大面积遥感提取困难㊁识别精度低等问题ꎬ本研究基于ＧＥＥ(Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ)平台ꎬ综合应用Ｓｅｎｔｉｎｅｌ￣１/Ｓｅｎｔｉｎｅｌ￣２影像构建特征集ꎮ通过对比原始特征组合㊁Ｊｅｆｆｒｉｅｓ￣Ｍａｔｕｓｉｔａ(Ｊ￣Ｍ)距离㊁属性重要度３种优化方式ꎬ结合随机森林(ＲａｎｄｏｍｆｏｒｅｓｔꎬＲＦ)分类方法ꎬ对比得到最佳优化方式ꎬ探索果园最优分类特征集ꎮ结果表明:识别效果最好的方案为Ｇ１７ＪＭꎬ总体精度为９１ ２５％ꎬｋａｐｐａ系数为０ ８９ꎬ面积精度为８２ ５５％ꎮ最优特征集为Ｂ８＿ａｓｍ㊁Ｂ８＿ｅｎｔ㊁Ｂ８＿ｉｄｍ㊁ＮＤＶＩｒｅ３㊁Ｂ６㊁Ｂ７㊁ａ㊁ｅ㊁ｂ㊁ＥＶＩ㊁Ｂ１１㊁Ｂ８Ａ㊁Ｂ８㊁ＶＶꎮ使用Ｊ￣Ｍ距离进行特征集优化ꎬ有效降低数据量㊁提高计算效率ꎬ更有利于精确遥感识别果园种植面积ꎮ表明ＧＥＥ快速㊁准确获取果园种植面积的可行性ꎬ为获取果园动态变化提供强有力的基础ꎮ关键字:㊀Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ(ＧＥＥ)ꎻ特征优化ꎻＪ￣Ｍ距离ꎻ特征集中图分类号:㊀Ｓ１２７㊀㊀㊀文献标识码:㊀Ａ㊀㊀㊀文章编号:㊀１０００￣４４４０(２０２４)０１￣０１０３￣０９Ｒｅｍｏｔｅｓｅｎｓｉｎｇｅｘｔｒａｃｔｉｏｎｏｆｏｒｃｈａｒｄｉｎｔｈｅｃａｓｉｓｏｆｗｅｉｇａｎａｎｄｋｕｑａｒｉｖ￣ｅｒｓｂａｓｅｄｏｎＧｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅＳＨＥＮＧＹａｎ￣ｆａｎｇ１ꎬ２ꎬ３ꎬ㊀ＳＡＷＵＴＭａｍａｔ１ꎬ２ꎬ３ꎬ㊀ＨＥＸｕ￣ｇａｎｇ１ꎬ２ꎬ３ꎬ㊀ＬＩＲｏｎｇ￣ｐｅｎｇ１ꎬ２ꎬ３(１.ＣｏｌｌｅｇｅｏｆＧｅｏｇｒａｐｈｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＳｃｉｅｎｃｅｓꎬＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙꎬＵｒｕｍｑｉ８３００１７ꎬＣｈｉｎａꎻ２.ＸｉｎｊｉａｎｇＫｅｙＬａｂｏｒａｔｏｒｙｏｆＯａｓｉｓＥｃｏｌｏｇｙꎬＸｉｎ￣ｊｉａｎｇＵｎｉｖｅｒｓｉｔｙꎬＵｒｕｍｑｉ８３００１７ꎬＣｈｉｎａꎻ３.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｍａｒｔＣｉｔｙａｎｄＥｎｖｉｒｏｎｍｅｎｔＭｏｄｅｌｌｉｎｇｏｆＨｉｇｈｅｒＥｄｕｃａｔｉｏｎＩｎｓｔｉｔｕｔｅꎬＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙꎬＵｒｕｍｑｉ８３００１７ꎬＣｈｉｎａ)㊀㊀Ａｂｓｔｒａｃｔ:㊀ＡｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｄｉｆｆｉｃｕｌｔｅｘｔｒａｃｔｉｏｎａｎｄｌｏｗｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｏｒｃｈａｒｄｓｉｎａｒｉｄａｒｅａｓꎬｂａｓｅｄｏｎｔｈｅＧｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ(ＧＥＥ)ｐｌａｔｆｏｒｍꎬｔｈｉｓｓｔｕｄｙｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙａｐｐｌｉｅｄＳｅｎｔｉｎｅｌ￣１/Ｓｅｎｔｉｎｅｌ￣２ｉｍａｇｅｓｔｏｃｏｎ￣ｓｔｒｕｃｔｆｅａｔｕｒｅｓｅｔｓ.ＢｙｃｏｍｐａｒｉｎｇｔｈｅｔｈｒｅｅｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｓｏｆｏｒｉｇｉｎａｌｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎꎬＪｅｆｆｒｉｅｓ￣Ｍａｔｕｓｉｔａ(Ｊ￣Ｍ)ｄｉｓｔａｎｃｅａｎｄａｔｔｒｉｂｕｔｅｉｍｐｏｒｔａｎｃｅꎬｃｏｍｂｉｎｅｄｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔ(ＲＦ)ｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄꎬｔｈｅｂｅｓｔｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｗａｓｏｂｔａｉｎｅｄꎬａｎｄｔｈｅｏｐｔｉｍａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｆｅａｔｕｒｅｓｅｔｏｆｏｒｃｈａｒｄｗａｓｅｘｐｌｏｒｅｄ.ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｂｅｓｔｒｅｃｏｇｎｉｔｉｏｎｓｃｈｅｍｅｗａｓＧ１７ＪＭꎬｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｗａｓ９１.２５％ꎬｋａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓ０.８９ꎬａｎｄａｒｅａａｃｃｕｒａｃｙｗａｓ８２.５５％.Ｔｈｅｏｐ￣ｔｉｍａｌｆｅａｔｕｒｅｓｅｔｗａｓＢ８＿ａｓｍꎬＢ８＿ｅｎｔꎬＢ８＿ｉｄｍꎬＮＤＶＩｒｅ３ꎬＢ６ꎬＢ７ꎬａꎬｅꎬｂꎬＥＶＩꎬＢ１１ꎬＢ８ＡꎬＢ８ꎬＶＶ.ＵｓｉｎｇＪ￣Ｍｄｉｓ￣ｔａｎｃｅｔｏｏｐｔｉｍｉｚｅｔｈｅｆｅａｔｕｒｅｓｅｔｃａｎｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｔｈｅａｍｏｕｎｔｏｆｄａｔａａｎｄｉｍｐｒｏｖｅｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙꎬｗｈｉｃｈｗａｓｍｏｒｅｃｏｎｄｕｃｉｖｅｔｏｔｈｅａｃｃｕｒａｔｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｏｒｃｈａｒｄｐｌａｎｔｉｎｇａｒｅａ.ＩｔｓｈｏｗｓｔｈａｔＧＥＥｉｓｆｅａｓｉｂｌｅｔｏｏｂｔａｉｎｏｒｃｈａｒｄｐｌａｎｔｉｎｇａｒｅａｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙꎬａｎｄｐｒｏｖｉｄｅｓａｓｔｒｏｎｇｂａｓｉｓｆｏｒｏｂｔａｉｎｉｎｇｏｒｃｈａｒｄｄｙｎａｍｉｃｃｈａｎｇｅｓ.Ｋｅｙｗｏｒｄｓ:㊀Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ(ＧＥＥ)ꎻｆｅａｔｕｒｅｏｐｔｉｍｉｚａｔｉｏｎꎻＪ￣Ｍｄｉｓｔａｎｃｅꎻｆｅａｔｕｒｅｓｅｔ㊀㊀新疆是世界六大果品生产带之一和久负盛名的 瓜果之乡 [１]ꎮ自２０１８年开始以 南疆特色林果提３０１质增效ꎬ助力脱贫攻坚 举措[２]为基础ꎬ全力推进林业扶贫工作ꎬ南疆林果业规模快速扩张ꎬ林果面积每年增加百万亩ꎬ形成环塔里木盆地林果主产区等林果基地ꎬ在推进新疆脱贫攻坚方面具有重要作用ꎮ然而ꎬ南疆林果业种植面积大㊁地块较为破碎㊁果粮间作种植模式普遍存在ꎬ传统的果园种植面积监测方式已经难以满足当前林果业快速发展的实际需求ꎮ近年来ꎬ随着遥感(多光谱㊁中高分辨率影像)的广泛使用ꎬ以及机器学习算法㊁谷歌地球引擎(ＧｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅꎬＧＥＥ)云计算平台不断发展ꎬ遥感技术在林果业信息提取㊁长势监测和估产等方面发挥了重要作用[３￣６]ꎮ利用Ｓｅｎｔｉｎｅｌ[７]㊁ＨＪ[８]㊁ＧＦ[９]系列等卫星影像ꎬ采用随机森林(ＲＦ)[１０]㊁支持向量机(ＳＶＭ)[１１]㊁ＢＰ神经网络(ＢＰ)[１２]等分类技术对小麦㊁玉米等常见的农作物进行种植面积信息提取[１３]ꎮＲＦ分类在调查果园分布的应用和研究中广泛使用[１４￣１７]ꎮ另外ꎬ大部分研究主要集中在江西[１８]㊁浙江[１９]㊁福建[２０]等丘陵地区ꎬ并且研究对象也仅局限于柑橘等芸香科果树ꎮ目前对于西北干旱区果树ꎬ尤其是新疆地区果园的遥感监测缺乏深入研究ꎮ基于现状ꎬ还需要加强对果树遥感分类的研究ꎬ不断增加遥感影像㊁改进面积与分布信息的提取方法以适应技术发展要求ꎬ实现快速提取果园面积空间分布状况的目的ꎮ本研究通过中高分辨率卫星影像ꎬ充分挖掘多源卫星遥感特征量ꎬ发展基于ＧＥＥ平台和机器学习的果园智能识别技术ꎬ突破高精度果园空间分布遥感制图的技术瓶颈ꎬ为果园种植面积空间分布调查和定期动态更新提供技术支持ꎮ１㊀材料与方法１.１㊀研究区概况渭干河￣库车河三角洲绿洲(渭￣库绿洲)是目前新疆重要的林果产业基地ꎬ位于新疆塔里木盆地(图１)ꎬ是典型的冲积扇绿洲ꎬ属暖温带大陆性干旱气候ꎬ平均气温１０ ０ħꎬ日照２８４５~２９７７ｈ/ａꎬ光热资源充裕ꎬ年降水量５９ｍｍꎮ相对充足的水分㊁热量ꎬ形成得天独厚的光㊁热等自然资源ꎬ有利于果树生长ꎮ图１㊀研究区示意图Ｆｉｇ.１㊀Ｍａｐｏｆｓｔｕｄｙａｒｅａ１.２㊀研究数据遥感数据源于ＧＥＥ平台ꎬ包括Ｓｅｎｔｉｎｅｌ￣２多光谱影像和Ｓｅｎｔｉｎｅｌ￣１雷达影像(表１)ꎮ预处理包括:轨道参数标定㊁热噪声去除㊁辐射定标㊁地形校正㊁后向散射系数提取等ꎬ通过ＧＥＥ内嵌算法统一坐标系确保不同数据源之间的几何配准精度ꎬ空间分辨率统一重采样至１０ｍꎮ使用平台ＪａｖａＳｃｒｉｐｔ语言构建模型进行果园信息提取识别ꎮ㊀㊀野外数据:分别在２０２１年５月２６日至６月３日㊁２０２２年６月２８日至７月７日进行２次野外实地考察ꎬ结合研究区域地物类型以及相关国家标准(ＧＢ/Ｔ㊀２１０１０－２０１７)确定研究区地物为:果园㊁建４０１江苏农业学报㊀２０２４年第４０卷第１期设用地㊁林地㊁草地㊁水域㊁耕地㊁其他地物ꎬ共获得典型地物样点９２０个ꎮ此外ꎬ使用Ｇｏｏｇｌｅｅａｒｔｈ影像结合野外获得的典型地物样本点进行目视解译来扩充样本数量ꎬ使样本点均匀分布在整个绿洲内部ꎬ最终样本总数为１１３９个ꎬ训练集和验证集比例为７ʒ３ꎮ表１㊀本研究使用的遥感数据Ｔａｂｌｅ１㊀Ｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｕｓｅｄｉｎｔｈｉｓｓｔｕｄｙ卫星波段数量空间分辨率(ｍ)影像数量成像时间Ｓｅｎｔｉｎｅｌ￣２１３１０３４３２０１９￣０１￣０７㊁ ㊁２０２１￣１２￣２２Ｓｅｎｔｉｎｅｌ￣１２１０１２２０２０￣０１￣１２㊁ ㊁２０２０￣１２￣０２１.３㊀研究方法本研究基于ＧＥＥ平台ꎬ使用Ｓｅｎｔｉｎｅｌ￣１和Ｓｅｎｔｉ￣ｎｅｌ￣２数据ꎬ计算得到６类特征ꎬ使用３种特征优化方法结合随机森林分类(ＲａｎｄｏｍｆｏｒｅｓｔꎬＲＦ)ꎬ确定提取果园信息的最优特征集(图２)ꎮ１.３.１㊀分类特征参数和特征优化方法㊀通过计算得到光谱特征㊁植被指数特征㊁红边特征㊁纹理特征㊁极化特征和物候特征构建分类特征集[２１]ꎬ共包含４２个子特征(表２)ꎮ图２㊀技术路线图Ｆｉｇ.２㊀Ｔｅｃｈｎｏｌｏｇｙｒｏａｄｍａｐ表２㊀分类特征参数Ｔａｂｌｅ２㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓ特征集特征参数说明或计算公式光谱特征(Ｂ)光谱特征参数Ｂ１㊁Ｂ２㊁Ｂ３㊁Ｂ４㊁Ｂ８㊁Ｂ８ａ㊁Ｂ９㊁Ｂ１０㊁Ｂ１１㊁Ｂ１２植被指数特征(Ｚ)归一化差异植被指数(ＮＤＶＩ)(Ｂ８ａ－Ｂ４)/(Ｂ８ａ＋Ｂ４)增强型植被指数(ＥＶＩ)２.５ˑ(Ｂ８ａ－Ｂ４)Ｂ８ａ＋６ˑＢ４－７.５ˑＢ２＋１归一化水体指数(ＮＤＷＩ)(Ｂ３－Ｂ８ａ)/(Ｂ３＋Ｂ８ａ)红边特征(Ｈ)归一化差异红边指数１(ＮＤＶＩｒｅ１)(Ｂ８ａ－Ｂ５)/(Ｂ８ａ＋Ｂ５)归一化差异红边指数２(ＮＤＶＩｒｅ２)(Ｂ８ａ－Ｂ６)/(Ｂ８ａ＋Ｂ６)归一化差异红边指数３(ＮＤＶＩｒｅ３)(Ｂ８ａ－Ｂ７)/(Ｂ８ａ＋Ｂ７)归一化差异红边边缘指数１(ＮＤｒｅ１)(Ｂ６－Ｂ５)/(Ｂ６＋Ｂ５)归一化差异红边边缘指数２(ＮＤｒｅ２)(Ｂ７－Ｂ５)/(Ｂ７＋Ｂ５)红边波段(Ｂｒｅ)Ｂ５㊁Ｂ６㊁Ｂ７纹理特征(Ｔ)Ｂ８＿ａｓｍ角二阶矩Ｂ８＿ｃｏｎｔｒａｓｔ对比度Ｂ８＿ｃｏｒｒ相关性Ｂ８＿ｖａｒ方差Ｂ８＿ｉｄｍ逆差距Ｂ８＿ｄｉｓｓ差异性Ｂ８＿ｓｅｎｔ和熵Ｂ８＿ｅｎｔ熵极化特征(Ｌ)ＶＶ入射波为垂直偏振时的垂直偏振后向散射ＶＨ入射波为垂直偏振时的水平偏振后向散射物候特征(Ｗ)ａ生长季开始ｂ生长季结束ｃ生长季长度ｄ基值ｅ生长季中期ｆ生长季拟合函数最大值ｇ生长季幅度ｈ生长季左导数ｉ生长季右导数ｊ生长季小积分ｋ生长季大积分１.３.２㊀特征集优化１.３.２.１㊀基于Ｊ￣Ｍ距离的特征集优化㊀Ｊ￣Ｍ距离衡量不同地物类型在波段间分离能力ꎬ对各地物类型的可分性进行定量分析ꎬ并据此进行特征集优５０１盛艳芳等:基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取化[２２]ꎮ表达式为:ＪＭ＝２(１－ｅ－Ｂ)式中Ｂ表示某一特征的巴氏距离(Ｂｈａｔｔａ￣ｃｈａｒｙｙａｄｉｓｔａｎｃｅ)ꎮ不同种类样本的巴氏距离同时样本满足正态分布的时为Ｂ＝１８ｅ１－ｅ２()２２δ２１＋δ２２＋１２ｌｎδ２１＋δ２２２δ２１ δ２２æèçöø÷式中ｅｋ表示某类特征的均值ꎬδｋ２表示某类特征的方差ꎮ１.３.２.２㊀基于随机森林属性重要度的特征集优化㊀随机森林分类器(ＲＦ)是一种非参数分类器ꎬ由一组决策树组成ꎬ具有便捷的特征选择算法[２３]ꎮ利用ＲＦ中的属性重要度ꎬ进行有效数据降维ꎬ根据得分由高至低对特征集进行优化ꎮ１.３.２.３㊀分类方案制定和精度验证㊀本研究利用ＧＥＥ平台中最优棵树选择ꎬ最终确定待生成的决策树(Ｎｔｒｅｅ)数目值为１００ꎮ为了说明有利于果园信息提取的最佳特征ꎬ设计了２３种试验方案(表３)ꎮ表３㊀分类方案Ｔａｂｌｅ３㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅ方案㊀㊀㊀㊀㊀㊀㊀特征集/说明㊀㊀Ｇ１Ｂ㊁ＺＧ２Ｂ㊁ＨＧ３Ｂ㊁ＬＧ４Ｂ㊁ＴＧ５Ｂ㊁ＷＧ６Ｂ㊁Ｚ㊁ＬＧ７Ｂ㊁Ｚ㊁ＴＧ８Ｂ㊁Ｚ㊁ＷＧ９Ｂ㊁Ｌ㊁ＴＧ１０Ｂ㊁Ｌ㊁ＷＧ１１Ｂ㊁Ｔ㊁ＷＧ１２Ｂ㊁Ｔ㊁Ｌ㊁ＷＧ１３Ｂ㊁Ｈ㊁Ｔ㊁ＷＧ１４Ｂ㊁Ｚ㊁Ｌ㊁ＴＧ１５Ｂ㊁Ｚ㊁Ｌ㊁ＷＧ１６Ｂ㊁Ｚ㊁Ｔ㊁ＷＧ１７Ｂ㊁Ｚ㊁Ｈ㊁Ｌ㊁Ｗ㊁ＴＧ４ＪＭ㊁Ｇ１２ＪＭ㊁Ｇ１７ＪＭＪ－Ｍ距离优化Ｇ４㊁Ｇ１２㊁Ｇ１７Ｇ４ＶＩＰ㊁Ｇ１２ＶＩＰ㊁Ｇ１７ＶＩＰ属性重要度优化Ｇ４㊁Ｇ１２㊁Ｇ１７Ｂ㊁Ｚ㊁Ｔ㊁Ｈ㊁Ｌ㊁Ｗ见表２ꎮ１.３.３㊀精度验证㊀研究结果表明ꎬ总体精度(ＯＡ)与Ｋａｐｐａ系数在遥感分类精度验证中是最基本㊁最能衡量分类结果的指标[２４]ꎮ其中ＯＡ是指被正确分类的像元之和占所有地类像元总数的百分比ꎬＫａｐｐａ系数表明分类结果与验证样本数据之间的一致性ꎮ因此本研究使用ＯＡ㊁Ｋａｐｐａ系数作为总体分类精度评价体系ꎬ使用统计年鉴数据对提取的果园种植面积信息进行验证ꎮ２㊀结果与分析２.１㊀果园物候特征分析为了确定果园信息提取的最佳时间窗口ꎬ使用Ｓｅｎｔｉｎｅｌ￣２数据ꎬ综合研究区域典型地物样本点建立归一化植被指数(ＮＤＶＩ)时间序列曲线ꎬ以及使用Ｔｉｍｅｓａｔ３.３软件提取植被物候特征ꎮＮＤＶＩ时间序列曲线ꎬ反映了植被与非植被在２０２０年ＮＤＶＩ变化特征[２５]ꎮ如图３所示ꎬ非植被(建设用地㊁裸地㊁水域)的ＮＤＶＩ值全年较低ꎮ３月植被(果园㊁林地㊁耕地㊁草地)ＮＤＶＩ最小(ＮＤＶＩ<０ １)ꎻ３－６月植被ＮＤＶＩ开始快速上升ꎬ其中果园上升速度最快ꎬＮＤＶＩ最高ꎬ尤其在５月远高于其他地物(ＮＤＶＩ>０ ３５)ꎻ６－８月ꎬ植被ＮＤＶＩ逐渐增长至峰值ꎬ即生长旺盛期ꎻ８月裸地㊁建设用地㊁草地㊁果园㊁林地㊁耕地ＮＤ￣ＶＩ均开始下降ꎬ果园与林地ＮＤＶＩ相近ꎮ图３㊀２０２０年归一化植被指数(ＮＤＶＩ)时间序列曲线Ｆｉｇ.３㊀Ｔｉｍｅｓｅｒｉｅｓｃｕｒｖｅｏｆｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎ￣ｄｅｘ(ＮＤＶＩ)ｉｎ２０２０㊀㊀植被物候信息如图４Ａ所示ꎬ５月果园ＮＤＶＩ高于所有其他植被ꎬ结合图４Ｂ可知果园生长季在５月(ａ点)开始ꎬ此时果园在所有植被中ＮＤＶＩ最大(ＮＤＶＩ>０ ４)ꎻ而后所有植被的ＮＤＶＩ继续增加至生长季中期(６－７月)ꎬ７月中旬所有植被的ＮＤＶＩ达到最大值ꎬ即各植被均到达生长旺盛期(ＮＤＶＩ>０ ４)ꎻ８月开始所有植被的ＮＤＶＩ逐渐下降ꎬ１０月生长季结束ꎬＮＤＶＩ迅速下降ꎮ６０１江苏农业学报㊀２０２４年第４０卷第１期Ａ图为４种主要植被物候曲线图ꎻＢ图为果园物候信息点图ꎮ物候特征ａ~ｋ见表２ꎮ图４㊀４种主要植被物候曲线及果园物候信息点Ｆｉｇ.４㊀Ｆｏｕｒｍａｉｎｖｅｇｅｔａｔｉｏｎｐｈｅｎｏｌｏｇｉｃａｌｃｕｒｖｅｓａｎｄｏｒｃｈａｒｄｐｈｅｎｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎｐｏｉｎｔｓ㊀㊀为了探讨雷达数据在果园信息提取中的作用ꎬ基于２０２０年全年１２期的Ｓｅｎｔｉｎｅｌ￣１雷达遥感影像ꎬ由ＶＶ㊁ＶＨ极化数据算出典型地物的后向散射系数ꎬ得到典型地物后向散射特征时间序列(图５)ꎮ类型不同的地物ꎬ散射特征随着生长发育期的变化表现出不同的散射机制[２６]ꎮ从时间尺度ꎬ以及不同极化方式上来看ꎬＶＶ后向散射系数变化特征相比于ＶＨ显著ꎮ果树的萌芽期和展叶期在４－５月ꎬ在ＶＶ极化中果园与耕地区分不明显ꎬ趋势几乎一致ꎬ在ＶＨ极化中５月果园略高于耕地ꎮ本研究果园中的果树与林地中的树木存在一定的相似性ꎬ极化数据在不同类型作物的识别中具有较好的识别效果[２７]ꎻ林地在ＶＶ极化方式下ꎬ１－３月与果园的后向散射系数趋势一致ꎬ在４月开始有所区分ꎬ林地后向散射系数高于果园ꎬ峰值在６月达到－６.９９ｄＢꎬ在ＶＨ极化中ꎬ至８月前都有较好的分离性ꎬ因此提取果园信息的最佳时间点在５－７月ꎮ最后ꎬ综合Ｓｅｎｔｉｎｅｌ￣１极化影像后向散射特征和Ｓｅｎｔｉｎｅｌ￣２多光谱影像计算得到的ＮＤＶＩ时间序列与物候特征ꎬ可以确定５月为果园信息提取的最佳时间窗口ꎮ图５㊀２０２０年ＶＶ与ＶＨ极化后向散射系数时间序列曲线Ｆｉｇ.５㊀ＴｉｍｅｓｅｒｉｅｓｃｕｒｖｅｓｏｆＶＶａｎｄＶＨｐｏｌａｒｉｚｅｄｂａｃｋｓｃａｔｔｅｒｉｎｇｃｏｅｆｆｉｃｉｅｎｔｓｉｎ２０２０２.２㊀特征集优化分析２.２.１㊀分类方案特征集优选㊀所有特征排列组合形成不同的分类方案ꎬ并通过筛选得到１７个特征方案(表３)ꎬ使用ＲＦ分类(图６)ꎮ在原始特征组合而成的分类方案中ꎬ所有方案总体精度均达到了８０％以上ꎬ总体精度排列前三的方案分别是Ｇ１２㊁Ｇ４㊁Ｇ１７ꎮ２.２.２㊀基于Ｊ￣Ｍ距离与属性重要度的特征集优化㊀获取Ｊ￣Ｍ距离和属性重要度对各特征的评分ꎬ依据２种评价方法ꎬ依次加入特征ꎬ观察果园的分类总体精度变化(图７)ꎮ２种方法表现出一些类似的特点ꎬ随着所用特征数逐渐增加ꎬ总体精度表现为快速增长ꎬ当特征数达到１０即Ｂ６处时ꎬ总体精度开始趋于稳定ꎬ特征数达到４０即Ｂ８＿ｃｏｎｔｒａｓｔ时能达到最优精度约８９％ꎮ㊀㊀根据图７ꎬ按照６个特征类别进行分类统计(表４)ꎮ通过对比ꎬ在两种优化的方法中ꎬ纹理特征的可分离性ꎬ对分类贡献度均较高ꎬ纹理作为物体表面的一种基本属性广泛存在自然界中ꎬ是描述和识别物体的一种极为重要的特征[２８]ꎬ果园因其均匀㊁粗糙等纹理特征明显不同于其他地类ꎬ尤其是与林地间的差别较大ꎮ２种方法中排名靠前的物候特征是ａ㊁ｂ㊁ｅꎬ即生长７０１盛艳芳等:基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取季开始㊁生长季结束㊁生长季中期ꎬ它们可以直接反映植被的生长信息ꎮ所以纹理特征与物候特征相比其他特征更能凸显不同植被间的差异ꎬ更好突出果园与其他植被之间的差异[２９]Ｇ１㊁Ｇ２㊁Ｇ３㊁Ｇ４㊁Ｇ５㊁Ｇ６㊁Ｇ７㊁Ｇ８㊁Ｇ９㊁Ｇ１０㊁Ｇ１１㊁Ｇ１２㊁Ｇ１３㊁Ｇ１４㊁Ｇ１５㊁Ｇ１６㊁Ｇ１７见表３ꎮ图６㊀分类方案的总体精度Ｆｉｇ.６㊀ＴｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅＡ:Ｊ￣Ｍ距离优化方法ꎻＢ:属性重要度优化方法ꎮａ１:Ｂ８＿ａｓｍꎻａ２:Ｂ８＿ｅｎｔꎻａ３:ＮＤＶＩｒｅ３ꎻａ４:Ｂ８＿ｉｄｍꎻａ５:ａꎻａ６:Ｂ８＿ｓｅｎｔꎻａ７:ｅꎻａ８:ＥＶＩꎻａ９:ｄꎻａ１０:Ｂ６ꎻａ１１:ｂꎻａ１２:Ｂ１１ꎻａ１３:ｆꎻａ１４:ＮＤＷＩꎻａ１５:ＶＶꎻａ１６:Ｂ８ａꎻａ１７:Ｂ７ꎻａ１８:Ｂ８ꎻａ１９:ＮＤＶＩｒｅ１ꎻａ２０:Ｂ１２ꎻａ２１:ＶＨꎻａ２２:ＮＤＶＩꎻａ２３:ＮＤｒｅ２ꎻａ２４:ＮＤｒｅ１ꎻａ２５:Ｂ５ꎻａ２６:Ｂ３ꎻａ２７:Ｂ４ꎻａ２８:Ｂ１ꎻａ２９:Ｂ９ꎻａ３０:ＮＤＶＩｒｅ２ꎻａ３１:ｊꎻａ３２:ｇꎻａ３３:Ｂ２ꎻａ３４:ｉꎻａ３５:ｋꎻａ３６:ｈꎻａ３７:ｃꎻａ３８:Ｂ８＿ｖａｒꎻａ３９:Ｂ８＿ｄｉｓｓꎻａ４０:Ｂ８＿ｃｏｎｔｒａｓｔꎻａ４１:Ｂ１０ꎻａ４２:Ｂ８＿ｃｏｒｒꎮａ㊁ｂ㊁ｃ㊁ｄ㊁ｅ㊁ｆ㊁ｇ㊁ｈ㊁ｉ㊁ｊ㊁ｋ㊁ＮＤＶＩｒｅ１㊁ＮＤＶＩｒｅ２㊁ＮＤＶＩｒｅ３㊁ＮＤｒｅ１㊁ＮＤｒｅ２㊁Ｂ１㊁Ｂ２㊁Ｂ３㊁Ｂ４㊁Ｂ５㊁Ｂ６㊁Ｂ７㊁Ｂ８㊁Ｂ８Ａ㊁Ｂ９㊁Ｂ１０㊁Ｂ１１㊁Ｂ１２㊁Ｂ８＿ａｓｍ㊁Ｂ８＿ｃｏｎｔｒａｓｔ㊁Ｂ８＿ｃｏｒｒ㊁Ｂ８＿ｖａｒ㊁Ｂ８＿ｉｄｍ㊁Ｂ８＿ｄｉｓｓ㊁Ｂ８＿ｓｅｎｔ㊁Ｂ８＿ｅｎｔ㊁ＮＤＶＩ㊁ＥＶＩ㊁ＮＤＷＩ㊁ＶＶ㊁ＶＨ见表２ꎮ图７㊀总体精度变化图Ｆｉｇ.７㊀Ｏｖｅｒａｌｌａｃｃｕｒａｃｙｖａｒｉａｔｉｏｎｍａｐ表４㊀特征优化表Ｔａｂｌｅ４㊀Ｆｅａｔｕｒｅｏｐｔｉｍｉｚａｔｉｏｎｔａｂｌｅ优化方法纹理特征红边特征物候特征植被指数光谱特征极化特征Ｊ￣Ｍ距离Ｂ８＿ａｓｍＮＤＶＩｒｅ３ａＥＶＩＢ１１ＶＶＢ８＿ｅｎｔＢ６ｅ/Ｂ８ａ/Ｂ８＿ｉｄｍＢ７ｄ/Ｂ８/属性重要度Ｂ８＿ａｓｍＮＤＶＩｒｅ３ｅＥＶＩＢ１１ＶＶＢ８＿ｅｎｔＢ６ｂ/Ｂ８ａ/Ｂ８＿ｉｄｍＢ７ａ/Ｂ８/Ｂ８＿ａｓｍ㊁Ｂ８＿ｅｎｔ㊁Ｂ８＿ｉｄｍ㊁ＮＤＶＩｒｅ３㊁ＥＶＩ㊁ＶＶ㊁Ｂ６㊁Ｂ７㊁Ｂ８㊁Ｂ８Ａ㊁Ｂ１１㊁ａ㊁ｂ㊁ｅ㊁ｄ见表２ꎮ２.３㊀最佳分类方案精度评价按照优化后的特征集ꎬ对原始特征组合中精度较高的方案Ｇ４㊁Ｇ１２㊁Ｇ１７依次优化ꎮ如表５所示ꎬ其中精度最高的方案Ｇ１７ＪＭꎬ总体精度比优化前的方案高２ ０５个百分点ꎬ其次方案Ｇ１２ＪＭ的总体精度比Ｇ１２高１ １６个百分点ꎻ方案Ｇ４㊁Ｇ４ＪＭ㊁Ｇ４ＶＩＰ总体精度均未达到９０％ꎬ因此参与的特征数较少时ꎬ识别效果较差ꎮ总体而言ꎬ使用Ｊ￣Ｍ距离优化的方案总体精度均８０１江苏农业学报㊀２０２４年第４０卷第１期较高ꎬ相比于原始特征组合方案有１~２个百分点的提升ꎬ比使用属性重要度优化的高１~３个百分点ꎬ优化效果较好ꎮ表５㊀分类精度对比Ｔａｂｌｅ５㊀Ｃｏｍｐａｒｉｓｏｎｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ方案总体精度(％)Ｋａｐｐａ系数Ｇ４８２.９５０.７９Ｇ１２８９.６７０.８７Ｇ１７８９.２００.８６Ｇ４ＪＭ７８.２１０.７３Ｇ１２ＪＭ９０.８３０.８８Ｇ１７ＪＭ９１.２５０.８９Ｇ４ＶＩＰ８１.３７０.７７Ｇ１２ＶＩＰ８９.１３０.８６Ｇ１７ＶＩＰ９０.２１０.８８Ｇ４㊁Ｇ１２㊁Ｇ１７㊁Ｇ４ＪＭ㊁Ｇ１２ＪＭ㊁Ｇ１７ＪＭ㊁Ｇ４ＶＩＰ㊁Ｇ１２ＶＩＰ㊁Ｇ１７ＶＩＰ见表３ꎮ㊀㊀精度最高的３种方案如图８所示ꎬ从空间分布上来看ꎬ果园主要分布在库车市和新和县ꎻ沿河流与农田交错分布ꎬ呈片状㊁由上至下扇形分布在绿洲中上部ꎮ为了比较分类效果ꎬ选取经实地考察并包括果园周围常见地类(农田㊁林地㊁建设用地等)的局部区域与高分影像(１ｍ)对比分析(图９)ꎮＧ１２方案与Ｇ１７ＶＩＰ方案识别效果相似ꎬ可以完整识别果园地块ꎬ但部分其他用地被错分为建设用地ꎬ林地识别不完整ꎬ草地提取范围过大ꎻＧ１７ＪＭ方案识别效果更精细ꎬ果园地块周围的耕地㊁草地识别完整ꎬ可以将果园与林地准确分开ꎮ分类识别的果园种植面积为６６９２１.６２ｈｍ２ꎬ统计年鉴[３０]中库车㊁沙雅㊁新和果园总面积为８１０６６.６７ｈｍ２ꎬ面积精度为８２ ５５％ꎮ故Ｊ￣Ｍ距离优化特征的方案Ｇ１７ＪＭ总体精度最高ꎬ识别效果最好ꎮＡ㊁Ｂ㊁Ｃ分别为Ｇ１２㊁Ｇ１７ＪＭ㊁Ｇ１７ＶＩＰ方案提取的果园信息空间分布ꎮＧ１２㊁Ｇ１７ＪＭ㊁Ｇ１７ＶＩＰ见表３ꎮ图８㊀提取的果园空间分布图Ｆｉｇ.８㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｏｆｔｈｅｅｘｔｒａｃｔｅｄｏｒｃｈａｒｄｉｎｆｏｒｍａｔｉｏｎＡ为高分原始影像ꎻＢ㊁Ｃ㊁Ｄ分别为Ｇ１２㊁Ｇ１７ＪＭ㊁Ｇ１７ＶＩＰ方案提取的果园信息空间分布细节图ꎮＧ１２㊁Ｇ１７ＪＭ㊁Ｇ１７ＶＩＰ见表３ꎮ图９㊀提取的果园信息空间分布细节图Ｆｉｇ.９㊀Ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｄｅｔａｉｌｍａｐｏｆｔｈｅｅｘｔｒａｃｔｅｄｏｒｃｈａｒｄｉｎｆｏｒｍａｔｉｏｎ９０１盛艳芳等:基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取３㊀讨论利用ＧＥＥ平台强大的数据运算和存储能力ꎬ使用Ｓｅｎｔｉｎｅｌ￣１/２遥感数据和ＲＦ分类算法ꎬ在果园信息提取中对特征进行优化的研究相对较少ꎬ大多研究集中在农作物监测方面[３１]ꎬ随着ＧＥＥ平台的发展ꎬ逐渐出现不同的研究方向如湖泊面积测量[３２]㊁沙漠化监测[３３]㊁黄河大尺度面积制图[３４]等ꎬ均取得较好的效果ꎮ渭库绿洲作为典型干旱区绿洲ꎬ是新疆重要的林果产业基地ꎮ种植的人工林区域(果园)与自然林地存在区别ꎬ果园地块破碎但边界整齐ꎬ纹理规律ꎬ经实地调查ꎬ以及综合采集多种果园地物ꎬ可以发现不同类型果树物候期存在细小差别ꎬ茂盛期基本一致ꎬ可以利用茂盛期相似的纹理特征㊁极化特征等ꎬ对果园信息进行提取ꎮ赵安周等[３５]㊁徐超等[３６]㊁张祯祺等[３７]㊁宁晓刚等[３８]从中尺度上进行的动态监测研究结果ꎬ以及本试验为实现大面积果园动态监测所做的研究结果ꎬ都证明了果园信息泛化㊁统一大面积提取的可行性ꎮ但是根据以往针对果园的研究中[１４￣１６]ꎬ大多使用传统的监督分类方法进行面积信息提取ꎬ在今后的研究中可以考虑更多方法的对比研究ꎬ如面向对象结合决策树㊁面向对象结合随机森林等方法ꎻ此外ꎬＳｅｎｔｉｎｅｌ￣２数据空间分辨率为１０ｍꎬ针对研究区域内相对较小的破碎果园地块无法识别ꎬ可以尝试精度更高的遥感影像ꎬ如ＧＦ＿２等ꎬ得到更高的制图精度ꎮ从研究结果看ꎬ对比３种优化方法ꎬＪ￣Ｍ距离优化方法可以有效提高识别效果ꎬ这与宁晓刚等[３８]的研究结果一致ꎬ充分说明使用Ｊ￣Ｍ距离是进行特征优化时优于属性重要度优化方法ꎮ此外ꎬ通过总体精度变化图发现ꎬ适用于果园信息提取的最优特征集应最少包含１０个子特征ꎬ当特征数达到１０时ꎬ总体精度开始趋于稳定ꎬ分类可以取得较好的效果ꎮ研究结果表明ꎬ使用ＲＦ识别果园时物候㊁纹理㊁极化等特征结合Ｊ￣Ｍ距离进行特征集优化可以降低数据量㊁提高计算效率ꎬ使用得到的最优特征集进行分类ꎬ总体精度与面积精度均高于８０％ꎬ效果较好ꎮ本研究基本都在ＧＥＥ平台中进行并获得了较好的分类总体精度ꎬ证明了使用ＧＥＥ实时获取渭库绿洲果园面积动态变化的可行性ꎬ为果园面积动态监测提供强有力的基础ꎮ４㊀结论本研究结论如下:(１)本研究共计包括２３种分类方案ꎬ对比方案精度ꎬ所有精度均到达８０％以上ꎬ其中精度最高的Ｇ１７ＪＭ方案ꎬ其总体精度为９１ ２５％ꎬＫａｐｐａ系数为０ ８９ꎬ面积精度为８２ ５５％ꎻ(２)综合使用ＮＤＶＩ时间序列曲线㊁物候曲线和极化时序曲线确定的窗口为５月ꎬ即５月为果园信息提取的最佳时间ꎻ(３)综合对比３种优化方法ꎬＪ￣Ｍ距离为最佳优化方法ꎬ得到的优化方案(Ｇ１７ＪＭ)总体精度较高ꎬ且效果最好ꎮ提取果园信息的最优特征集ꎬ具体为:Ｂ８＿ａｓｍ㊁Ｂ８＿ｅｎｔ㊁Ｂ８＿ｉｄｍ㊁ＮＤＶＩｒｅ３㊁Ｂ６㊁Ｂ７㊁ａ㊁ｅ㊁ｂ㊁ＥＶＩ㊁Ｂ１１㊁Ｂ８Ａ㊁Ｂ８㊁ＶＶꎮ参考文献:[１]㊀唐㊀冶ꎬ杨志华ꎬ曹占洲ꎬ等.南疆环塔里木盆地林果种植区近５０ａ气候变化特征及对果树生长的影响[Ｊ].农业网络信息ꎬ２０１４(４):２７￣３１.[２]㊀李㊀婷.南疆林果业助力脱贫攻坚的思考研究[Ｊ].新疆林业ꎬ２０１９(４):１１￣１４.[３]㊀桑国庆ꎬ唐志光ꎬ毛克彪ꎬ等.基于ＧＥＥ云平台与Ｓｅｎｔｉｎｅｌ数据的高分辨率水稻种植范围提取 以湖南省为例[Ｊ].作物学报ꎬ２０２２ꎬ４８(９):２４０９￣２４２０.[４]㊀王汇涵ꎬ张㊀泽ꎬ康孝岩ꎬ等.基于Ｓｅｎｔｉｎｅｌ￣２Ａ的棉花种植面积提取及产量预测[Ｊ].农业工程学报ꎬ２０２２ꎬ３８(９):２０５￣２１４. [５]㊀周㊀珂ꎬ柳㊀乐ꎬ张俨娜ꎬ等.ＧＥＥ支持下的河南省冬小麦面积提取及长势监测[Ｊ].中国农业科学ꎬ２０２１ꎬ５４(１１):２３０２￣２３１８.[６]㊀ＴＩＡＮＨＦꎬＨＵＡＮＧＮꎬＮＩＵＺꎬｅｔａｌ.ＭａｐｐｉｎｇｗｉｎｔｅｒｃｒｏｐｓｉｎＣｈｉｎａｗｉｔｈｍｕｌｔｉ￣ｓｏｕｒｃｅｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙａｎｄｐｈｅｎｏｌｏｇｙ￣ｂａｓｅｄａｌ￣ｇｏｒｉｔｈｍ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１９ꎬ１１(７):８２０￣８４３. [７]㊀张东彦ꎬ杨玉莹ꎬ黄林生ꎬ等.结合Ｓｅｎｔｉｎｅｌ￣２影像和特征优选模型提取大豆种植区[Ｊ].农业工程学报ꎬ２０２１ꎬ３７(９):１１０￣１１９.[８]㊀朱永森ꎬ曾永年ꎬ张㊀猛.基于ＨＪ卫星数据与面向对象分类的土地利用/覆盖信息提取[Ｊ].农业工程学报ꎬ２０１７ꎬ３３(１４):２５８￣２６５.[９]㊀张悦琦ꎬ李荣平ꎬ穆西晗ꎬ等.基于多时相ＧＦ￣６遥感影像的水稻种植面积提取[Ｊ].农业工程学报ꎬ２０２１ꎬ３７(１７):１８９￣１９６. [１０]马战林ꎬ刘昌华ꎬ薛华柱ꎬ等.ＧＥＥ环境下融合主被动遥感数据的冬小麦识别技术[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(９):１９５￣２０５. [１１]熊皓丽ꎬ周小成ꎬ汪小钦ꎬ等.基于ＧＥＥ云平台的福建省１０ｍ分辨率茶园专题空间分布制图[Ｊ].地球信息科学学报ꎬ２０２１ꎬ２３(７):１３２５￣１３３７.[１２]孙少杰ꎬ吴门新ꎬ庄立伟ꎬ等.基于ＣＮＮ卷积神经网络和ＢＰ神经网络的冬小麦县级产量预测[Ｊ].农业工程学报ꎬ２０２２ꎬ３８(１１):１５１￣１６０.０１１江苏农业学报㊀２０２４年第４０卷第１期[１３]冯志敏ꎬ刘兆旭ꎬ辛海强.遥感技术在林果种植区调查中的应用研究[Ｊ].测绘与空间地理信息ꎬ２０１３ꎬ３６(１０):８３￣８７. [１４]林㊀娜ꎬ王㊀伟ꎬ王㊀斌.基于随机森林和Ｌａｎｄｓａｔ８ＯＬＩ影像的脐橙果园种植信息提取[Ｊ].地理空间信息ꎬ２０２１ꎬ１９(１１):９６￣１００.[１５]钟㊀琪ꎬ罗㊀津ꎬ齐述华.随机森林分类算法提取柑橘果园的样本数量敏感性分析[Ｊ].江西科学ꎬ２０１９ꎬ３７(５):６６４￣６６９. [１６]徐晗泽宇ꎬ刘㊀冲ꎬ齐述华ꎬ等.基于随机森林算法的赣南柑橘果园遥感信息提取[Ｊ].江西师范大学学报(自然科学版)ꎬ２０１８ꎬ４２(４):４３４￣４４０.[１７]宋荣杰ꎬ宁纪锋ꎬ常庆瑞ꎬ等.基于小波纹理和随机森林的猕猴桃果园遥感提取[Ｊ].农业机械学报ꎬ２０１８ꎬ４９(４):２２２￣２３１. [１８]徐晗泽宇ꎬ刘㊀冲ꎬ王军邦ꎬ等.ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ平台支持下的赣南柑橘果园遥感提取研究[Ｊ].地球信息科学学报ꎬ２０１８ꎬ２０(３):３９６￣４０４.[１９]王㊀斌ꎬ何丙辉ꎬ林㊀娜ꎬ等.基于随机森林特征选择的茶园遥感提取[Ｊ].吉林大学学报(工学版)ꎬ２０２２ꎬ５２(７):１７１９￣１７３２. [２０]陈钰嘉.基于高光谱和雷达数据特征融合的茶园提取研究[Ｄ].北京:中国地质大学ꎬ２０２１.[２１]赵英时.遥感应用分析原理与方法[Ｍ].北京:科学出版社ꎬ２０１３.[２２]张㊀猛ꎬ曾永年ꎬ朱永森.面向对象方法的时间序列ＭＯＤＩＳ数据湿地信息提取 以洞庭湖流域为例[Ｊ].遥感学报ꎬ２０１７ꎬ２１(３):４７９￣４９２.[２３]马㊀玥ꎬ姜琦刚ꎬ孟治国ꎬ等.基于随机森林算法的农耕区土地利用分类研究[Ｊ].农业机械学报ꎬ２０１６ꎬ４７(１):２７９￣３０３. [２４]王㊀刚.基于Ｌａｎｄｓａｔ遥感图像的山地丘陵区果园识别与监测[Ｄ].昆明:云南师范大学ꎬ２０２１.[２５]郭㊀交ꎬ尉鹏亮ꎬ周正舒ꎬ等.基于时变特征的多时相ＰｏｌＳＡＲ农作物分类方法[Ｊ].农业机械学ꎬ２０１７ꎬ４８(１２):１７４￣１８２. [２６]李宇宸ꎬ张㊀军ꎬ薛宇飞ꎬ等.基于ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ的中老缅交界区橡胶林分布遥感提取[Ｊ].农业工程学报ꎬ２０２０ꎬ３６(８):１７４￣１８１.[２７]古丽努尔 依沙克ꎬ买买提 沙吾提ꎬ马春玥.基于多时相双极化ＳＡＲ数据的作物种植面积提取[Ｊ].作物学报ꎬ２０２０ꎬ４６(７):１０９９￣１１１１.[２８]高程程ꎬ惠晓威.基于灰度共生矩阵的纹理特征提取[Ｊ].计算机系统应用ꎬ２０１０ꎬ１９(６):１９５￣１９８.[２９]薛朝辉ꎬ钱思羽.融合Ｌａｎｄｓａｔ８与Ｓｅｎｔｉｎｅｌ￣２数据的红树林物候信息提取与分类[Ｊ].遥感学报ꎬ２０２２ꎬ２６(６):１１２１￣１１４２. [３０]阿克苏地区统计局.２０２１年阿克苏地区统计年鉴[Ｍ].北京:中国统计出版社ꎬ２０２１.[３１]何旭刚ꎬ买买提 沙吾提ꎬ盛艳芳ꎬ等.基于ＧＥＥ平台渭库绿洲棉花水分生产率遥感估算[Ｊ].干旱区地理ꎬ２０２３ꎬ４６(１０):１６３２￣１６４２.[３２]祁昌贤ꎬ任㊀燕ꎬ彭海月ꎬ等.基于ＧＥＥ云平台的三江源湖泊面积提取及动态变化研究[Ｊ].长江科学院院报ꎬ２０２３ꎬ４０(７):１￣９.[３３]马浩文ꎬ王永芳ꎬ郭恩亮.基于ＧＥＥ的翁牛特旗土地沙漠化遥感监测[Ｊ].干旱区研究ꎬ２０２３(３):１￣１３.[３４]ＬＩＵＪＴꎬＬＩＹＸꎬＺＨＡＮＧＹꎬｅｔａｌ.Ｌａｒｇｅ￣ｓｃａｌｅｉｍｐｅｒｖｉｏｕｓｓｕｒ￣ｆａｃｅａｒｅａｍａｐｐｉｎｇａｎｄｐａｔｔｅｒｎｅｖｏｌｕｔｉｏｎｏｆｔｈｅＹｅｌｌｏｗＲｉｖｅｒｄｅｌｔａｕｓｉｎｇｓｅｎｔｉｎｅｌ￣１/２ｏｎｔｈｅＧＥＥ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０２２ꎬ１５(１):１３６.[３５]赵安周ꎬ田新乐.基于ＧＥＥ平台的１９８６－２０２１年黄土高原植被覆盖度时空演变及影响因素[Ｊ].生态环境学报ꎬ２０２２ꎬ３１(１１):２１２４￣２１３３.[３６]徐㊀超ꎬ吕婧妤ꎬ刘昱君ꎬ等.基于ＧＥＥ的宝鸡峡灌区耕地灌溉面积遥感监测方法[Ｊ].排灌机械工程学报ꎬ２０２２ꎬ４０(１１):１１６７￣１１７２.[３７]张祯祺ꎬ蔡惠文ꎬ张平平ꎬ等.基于ＧＥＥ遥感云平台的三江源植被碳源/汇时空变化研究[Ｊ].自然资源遥感ꎬ２０２３ꎬ３５(１):２３１￣２４２.[３８]宁晓刚ꎬ常文涛ꎬ王㊀浩ꎬ等.联合ＧＥＥ与多源遥感数据的黑龙江流域沼泽湿地信息提取[Ｊ].遥感学报ꎬ２０２２ꎬ２６(２):３８６￣３９６.(责任编辑:成纾寒)１１１盛艳芳等:基于Ｇｏｏｇｌｅｅａｒｔｈｅｎｇｉｎｅ渭￣库绿洲果园遥感提取。
