摘" 要：该研究基于Sentinel-2A卫星的归一化差值植被指数（NDVI）时间序列数据，结合随机森林（RF）分类方法，对高山冷凉蔬菜种植区域进行精准识别与分类。以西吉县为研究区，利用2023年覆盖高山冷凉蔬菜全生育期的Sentinel-2A遥感数据，构建10 m高空间分辨率的NDVI时间序列数据，结合田间实测数据，使用RF分类方法对高山冷凉蔬菜进行识别分类。结果表明文章提出的方法在高山冷凉蔬菜种植区域识别中表现出了较高的精度和稳定性，总体精度达93.52%，Kappa系数为0.89。
关键词：Sentinel-2A；归一化差值植被指数（NDVI）；随机森林（RF）；高山冷凉蔬菜识别
中图分类号：TP391.4" 文献标识码：A" 文章编号：2096-4706（2024）19-0164-05
Identification of Alpine Cold Vegetables Based on Sentinel-2A NDVI Time Series Data and Random Forest Method
MA Qiang， REN Yuanlong， LI Hao， WANG Xiaozhuo
（School of Enology and Horticulture， Ningxia University， Yinchuan" 750021， China）
Abstract： Based on the Normalized Difference Vegetation Index time series data of Sentinel-2A satellite， combined with Random Forest classification method， this study accurately identifies and classifies the alpine cold vegetables planting area. Taking Xiji County as the research area， the Sentinel-2A remote sensing data covering the whole growth period of alpine cold vegetables in 2023 is used to construct NDVI time series data with 10 m high spatial resolution. Combined with field measurement data， Random Forest classification method is used to identify and classify alpine cold vegetables. The results show that the proposed method shows high accuracy and stability in the identification of alpine cold vegetables planting area， the overall accuracy is 93.52%， and the Kappa coefficient is 0.89.
Keywords： Sentinel-2A; Normalized Difference Vegetation Index （NDVI）; Random Forest （RF）; alpine cold vegetable identification
0" 引" 言
随着全球的气候变化和农业结构的调整，高山冷凉蔬菜的种植逐渐成为许多地区的重要产业。高山冷凉蔬菜不仅品质优良，口感独特，而且由于其独特的生长环境和生长周期，具有较高的经济价值和市场潜力。然而，高山冷凉蔬菜的种植区域往往分布在地理环境复杂、气候条件多变的山区，这给其种植和管理带来了诸多挑战。因此，有效地识别高山冷凉蔬菜的种植区域，对于优化种植布局、提高产量和品质、实现可持续发展具有重要意义。
传统的高山冷凉蔬菜空间分布信息获取不但效率低且成本高[1]，难以获取大区域详细的高山冷凉蔬菜空间分布信息。近年来，随着卫星遥感技术的飞速发展，对于高山冷凉蔬菜识别有了新的机遇。由于卫星数据覆盖面积广、重访周期短、数据获取相对容易和低成本等优点[2]，利用遥感数据成为高山冷凉蔬菜遥感识别的主要方法。
随着遥感技术的快速发展，数据源的多样化，为农作物监测与分类提供了更为广阔的空间。在此背景下，基于时间序列的农作物遥感识别技术因其独特的优势，逐渐成为作物分类研究的热点[3]。目前，NDVI已被广泛用于作物分类和生长状况评价[4]。Baeza等[5]利用MODIS NDVI数据和决策树分类器，生成了拉丁美洲巴西里约热内卢的植被分类图；白燕英等[6]使用Landsat-8 NDVI时间序列数据，完成了对内蒙古土默特右旗平原区作物的空间种植分布信息；Dali等[7]基于Sentinel-2影像数据生成NDVI时间序列数据集，对印度北阿坎德邦哈里德瓦尔地区拉比主要作物（小麦和甘蔗）分布进行分类；Bazzi等[8]基于Sentinel-1 SAR和Sentinel-2 NDVI时间序列数据，建立随机森林分类器使得2020年法国中北部奥尔尔萨姆斯市灌溉区分类总体准确率达到84.3%；Gumma等[9]利用Sentinel-2 NDVI 10 m分辨率的15 d时间序列数据对印度研究区的作物进行分类，总体准确率为84%。然而，到目前为止，尚无有关高分辨率遥感影像的NDVI时间序列数据对蔬菜作物的研究分类。
综上所述，由于西吉县种植类型多样，且该地区多云多雨，导致中低分辨率的遥感影像难以满足西吉县高山冷凉蔬菜空间分布信息的获取。为了解决中低分辨率遥感影像无法满足对西吉县蔬菜进行分类。鉴于此，本文使用Sentinel-2A遥感数据，以固原市西吉县为研究区，探讨了基于10 m分辨率的Sentinel-2A NDVI时间序列数据和随机森林方法的高山冷凉蔬菜识别方法。首先介绍Sentinel-2A卫星数据和NDVI指数的计算方法，然后描述随机森林模型的构建，最后通过实验验证所提出方法的有效性和可靠性。本文的研究结果将为高山冷凉蔬菜的种植和管理提供科学依据和技术支持，有助于推动高山冷凉蔬菜产业。
1" 研究区及数据源
1.1" 研究区概况
西吉县（35°35′～36°14′N，105°20′～ 106°04′E）位于宁夏回族自治区南部，六盘山西麓，年平均气温5.3 ℃，年均降水量450 mm，海拔1 688～2 633 m，总面积3 144 km2[10]。该县因其独特的地理环境与气候条件非常适宜冷凉蔬菜生产，其中甘蓝、芹菜、辣椒为主要蔬菜作物。图1为研究区和样点分布。
1.2" 数据源
1.2.1" 影像数据
Sentinel-2A的遥感影像从欧空局哥白尼数据开放访问中心网（https：//scihub.caopernicus.eu/）获取，波段选择Band2、Band3、Band4、Band8等与高山冷凉蔬菜识别相关的4个波段，空间分辨率为10 m。本研究获取影像日期为2023年1月6日—11月2日，选择云量较小的影像共计18幅。
1.2.2" 实地调查数据
本研究采取野外GPS定位和拍照相结合的方法获取样本。于2023年5月5日—10月15日前往西吉县对蔬菜种植情况进行调查。以研究区甘蓝、辣椒及芹菜为研究对象，通过野外调查所获得的地物真实样点，详细信息如表1所示。
2" 研究方法
本研究的技术路线主要包括五个部分：Sentinel-2A遥感影像的预处理；建立西吉县样本集；利用S-G滤波构建NDVI时间序列曲线；采用RF分类方法识别高山冷凉蔬菜；精度评价。
2.1" 数据预处理
利用ENVI 5.3软件对获取的18幅遥感影像进行辐射定标、几何校正、图像融合及剪裁等预处理工作。
2.2" NDVI时间序列构建
为避免异物同源现象，选取研究区辣椒全生育期，对2023年12月至10月的NDVI值构建时间序列。归一化差值植被指数（NDVI）是遥感识别作物常用的指标之一，用于反映土地覆盖植被状况[11]。该指数采用归一化差值公式，并使用叶绿素的最高吸收和反射区域，因此在各种条件下都很稳定。然而，在植被茂密的情况下，当LAI变高时，NDVI可能会饱和。其公式为：
（1）
式中，NIR为近红外波段的反射率；R为红波段的反射率
2.3" 随机森林分类算法
迄今为止，随机森林（RF）被认为是使用遥感数据进行土地覆被分类应用最广泛的算法之一[12]，由Breiman开发的一种集成学习方法，用于解决分类和回归问题。本研究将构建的NDVI时间序列特征，采用随机森林分类算法提取了2023年西吉县高山冷凉蔬菜分布图。在参数设置方面，考虑到蔬菜提取的准确性和计算效率，80%的样本数据作为训练样本，20%作为验证样本。
2.4" 精度评价
为了检验高山露地冷凉蔬菜遥感识别的最终效果，需要对分类后的结果进行精度评价。目前在遥感领域中，对地物分类的评价方法主要通过获取分类结果的混淆矩阵，分别计算制图精度（PA）、用户精度（UA）、总体精度（OA）和Kappa系数来评估分类准确性。
（2）
（3）
（4）
（5）
式中，M为样本点总数；aii为被分到正确类别的样本数；ai和aj分别为第i和第j列的总样本数量。
3" 结果与分析
3.1" NDVI时间序列曲线分析
基于18景时序的Sentinel-2遥感影像数据，使用ENVI软件的植被指数计算工具，通过式（1）计算生成18景NDVI影像，如图2所示。根据实地采集样本，分别获取研究区甘蓝、辣椒、芹菜共3种地物类型的NDVI时间序列值，采集2023年1月—2023年11月的遥感影像，包含高山冷凉蔬菜的整个物候期。
从图2可以看出，甘蓝的定植期是4月中旬，由于幼苗刚定植，植株较小，所以4月中旬的NDVI值较低，变动较小，因此在4月6日和4月11日遥感影像中甘蓝种植区域的NDVI值接近裸地状态；5月上旬甘蓝处于莲座期，遥感影像中的NDVI值有明显上升趋势；5月下旬至6月上旬甘蓝处于结球期，此时甘蓝的覆盖度有所增加，NDVI值逐渐上升，因此在6月5日时遥感影像中的NDVI值显著上升；6月中旬至6月下旬甘蓝处于成熟期，此时甘蓝叶片快速扩展，覆盖度加大，因此6月30日遥感影像中NDVI值达到峰值；7月中旬，甘蓝采收结束，此区域变为裸地，因此遥感影像中NDVI值迅速下降；随后在7月下旬进行第二茬甘蓝定植，由于气温较高，此茬甘蓝在8月中旬进入莲座期，因此8月14日和8月24日影像中的NDVI曲线开始缓慢上升；8月中下旬至9月上旬进入甘蓝结球期，甘蓝叶片快速扩展，植被覆盖度加大，因此9月13日遥感影像中的NDVI达到整个生长期最高值；10月甘蓝采收结束，NDVI开始降低，因此10月28日和11月2日遥感影像中甘蓝种植区域NDVI值降至最低。
芹菜在5月中旬播种，此时芹菜区域为裸地，NDVI值没有变化；6月中上旬芹菜第一片真叶出现，因此6月5日遥感影像中NDVI值有上升趋势，但不明显；6月中旬至6月下旬芹菜长出4～5片真叶，NDVI值略微上升；7月上旬至7月中下旬为芹菜叶丛生长期，由于芹菜幼苗长势迅速，覆盖度加大，因此在7月25日遥感影像的NDVI值上升迅速；8月中旬芹菜进入心叶膨大期，此时芹菜覆盖度达到最高，因此8月14日遥感影像中NDVI值达到最高为0.690；8月下旬至9月中旬芹菜达到采收期，NDVI值开始下降；9月下旬芹菜采收结束，NDVI值缓慢下降至最低，因此10月28日遥感影像中芹菜种植区域NDVI值进一步降至裸地状态。
同属于一年一季的辣椒，幼苗生长期与芹菜比较接近，5月中旬至6月中旬为辣椒定植期，由于辣椒处于缓苗阶段，覆盖度较低，因此5月16日和6月5日遥感影像中的NDVI值较低；6月中下旬辣椒处于幼苗期，植株不断增长，覆盖度也随之增加，NDVI值缓慢上升；7月上旬至8月中旬辣椒为开花坐果期，植株开始有分支，使得覆盖度达到最高，因此，8月14日遥感影像中NDVI值达到整个生育期的峰值；8月中旬至9月中旬为辣椒采收期，NDVI值曲线保持稳定，而该时期研究区内甘蓝和芹菜的NDVI值变化浮动较大，与辣椒差异比较明显，也是辣椒区别于其他作物的明显特征；9月中旬受气候影响，辣椒开花结束，辣椒果实进入采收后期，因此NDVI值逐渐下降。
3.2" 精度分析
本文利用NDVI时间序列和RF分类方法对2023年西吉县高山冷凉蔬菜进行遥感识别与提取，表2为基于Sentinel-2 遥感影像的分类精度。结果表明：总体精度可以达到93.52%，Kappa系数为0.89。其中，辣椒的制图精度最高为96.67%，由于辣椒在开花期花朵为白色而芹菜和甘蓝没有此特征，因此错分相对较少；而甘蓝、芹菜由于地块极易生杂草，使得甘蓝、芹菜地块的在提取NDVI时受到干扰，不能完全准确反应甘蓝、芹菜的植被指数特征，从而导致了甘蓝、芹菜易与其他蔬菜错分的现象。
3.3" 西吉县高山冷凉蔬菜空间分布图
图3为2023年西吉县高山冷凉蔬菜分布图，采用Sentinel-2A遥感影像提取。从图中可以看出，甘蓝、芹菜种植区主要分布在西吉县的东南部、南部、西南部，北部甘蓝种植极少，以辣椒为主。
4" 结" 论
本研究基于Sentinel-2A NDVI时间序列数据和RF分类方法，深入分析了我国高山冷凉蔬菜主产区-固原市西吉县的主要蔬菜在完整生育期的识别与空间分布。通过对比三类蔬菜在NDVI时间序列中的变化趋势，并结合混淆矩阵评估分类精度，揭示了NDVI时间序列与RF方法在蔬菜识别方面的显著优势，得到如下结论：
1）Sentinel-2A卫星的时序遥感影像，在覆盖蔬菜整个生长周期的情况下，所构建的NDVI时间序列数据能够精确反映西吉县高山冷凉蔬菜的生长和发育过程，不仅满足蔬菜分类的精确性要求，还能有效地区分三类不同的蔬菜作物。充分验证了Sentinel-2A NDVI时间序列在蔬菜作物识别与提取应用中的技术可行性和高效性。
2）基于NDVI时间序列，结合RF分类方法，较准确地识别并提取出西吉县高山冷凉蔬菜的类型，总体精度达到了93.52%，Kappa系数为0.89。甘蓝、辣椒、芹菜的制图精度分别为94.92%、96.67%、84.21%，用户精度分别为98.25%、87.88%、88.88%。
3）结合Sentinel-2A NDVI时间序列数据和随机森林方法，可以实现对高山冷凉蔬菜种植区域的精细识别，为农业生产和管理提供有力支持。
参考文献：
[1] 张敏娟.联合SLIC-MRF与SwinTransformer的GF-6WFV影像农作物分类 [D].成都：西南交通大学，2024.
[2] 唐琪，李恒凯，周艳兵，等.融合Sentinel-2与时序Sentinel-1 SAR特征的赣南柑橘种植区识别 [J].农业机械学报，2024：1-17.http：//kns.cnki.net/kcms/detail/11.1964.S.20240115.1239.007.html.
[3] 杨闫君，占玉林，田庆久，等.基于GF-1/WFVNDVI时间序列数据的作物分类 [J].农业工程学报，2015，31（24）：155-161.
[4] XU X，TANG J，ZHANG N，et al. Remote Sensing Classification of Temperate Grassland in Eurasia Based on Normalized Difference Vegetation Index （NDVI） Time-Series Data [J/OL].Sustainability，2023，15（20）：14973（2023-10-17）.https：//doi.org/10.3390/su152014973.
[5] BAEZA S，PARUELO J M. Land Use/Land Cover Change （2000–2014） in the Rio de la Plata Grasslands： An Analysis Based on MODIS NDVI Time Series [J/OL].Remote sensing，2020，12（3）：381（2020-01-24）.https：//doi.org/10.3390/rs12030381.
[6] 白燕英，高聚林，张宝林.基于Landsat8影像时间序列NDVI的作物种植结构提取 [J].干旱区地理，2019，42（4）：893-901.
[7] DALI A，JAIN K，KHARE S，et al. Deep Learning Based Multi Task Road Extractor Model for Parcel Extraction and Crop Classification Using Knowledge Based Ndvi Time Series Data [J].ISPRS Annals of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2023，10：799-804.
[8] BAZZI H，BAGHDADI N，AMIN G，et al. An Operational Framework for Mapping Irrigated Areas at Plot Scale Using Sentinel-1 and Sentinel-2 Data [J/OL].Remote Sensing，2021，13（13）：2584（2021-07-21）.https：//doi.org/10.3390/rs13132584.
[9] GUMMA M K，TUMMALA K，DIXIT S，et al. Crop Type Identification and Spatial Mapping Using Sentinel-2 Satellite Data with Focus on Field-level Information [J].Geocarto International，2022，37（7）：1833-1849.
[10] 庞顺家.西吉县冷凉蔬菜产业高质量发展现状及对策 [J].中国农技推广，2022，38（4）：15-17.
[11] WANG M，FU J，WU Z，et al. Spatiotemporal Variation of NDVI in the Vegetation Growing Season in the Source Region of the Yellow River， China [J/OL].ISPRS International Journal of Geo-Information，2020，9（4）：282（2020-04-24）.https：//doi.org/10.3390/ijgi9040282.
[12] PELLETIER C，VALERO S，INGLADA J，et al. Assessing the Robustness of Random Forests to Map Land Cover with High Resolution Satellite Image Time Series Over Large Areas [J].Remote Sensing of Environment，2016，187：156-168.
作者简介：马强（1997—），男，回族，宁夏银川人，硕士研究生，研究方向：遥感农作物分类识别；通信作者：王晓卓（1988—），男，汉族，黑龙江齐齐哈尔人，讲师，博士，研究方向：设施蔬菜栽培与生理。
基金项目：宁夏大学研究生创新项目（CXXM202351）
