基于多时相遥感植被指数的柑橘果园识别

梁晨欣，黄启厅，王 思，王 聪，余强毅※，吴文斌

基于多时相遥感植被指数的柑橘果园识别

梁晨欣1，黄启厅2，王 思3，王 聪1，余强毅1※，吴文斌1

（1. 中国农业科学院农业资源与农业区划研究所/农业农村部农业遥感重点实验室，北京 100081；2. 广西农业科学院农业科技信息研究所，南宁 530000；3. 四川省农业科学院遥感应用研究所，成都 610066）

柑橘普遍种植于中国南方地区，受天气多云多雨、种植类型复杂等因素影响，利用光谱信息直接识别柑橘果园信息存在一定困难。该研究根据柑橘特有的物候特征，提出了“柑橘在其果实生长膨大过程中柑橘果园的植被信息可能减弱”的假设。根据此特征提出柑橘果园信息识别方法，确定关键时间窗口的阈值，并以广西壮族自治区南宁市武鸣区为研究区，开展柑橘果园信息遥感识别实证研究。首先，获取2018年研究区多时相Sentinel-2遥感影像，构建归一化植被指数（Normalized Difference Vegetation Index，NDVI）、绿色归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）、差值植被指数（Difference Vegetation Index，DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices，RESI）等多个植被光谱指数；其次，根据地面样本点信息，对比不同植被类型在不同时期的遥感植被信息差异，进而确定柑橘果园识别的最优特征。研究结果表明，柑橘果园与研究区其他主要作物类型（如甘蔗、香蕉、玉米、水稻等）没有明显的光谱特征差异，但研究区多时相遥感植被指数显示10月的柑橘果园NDVI相比11月出现明显低值0.47，且明显低于其他作物类型；10月的柑橘果园GNDVI也出现了低值0.43，但与其他月份相比差异不明显；而柑橘果园DVI的离散程度低，分离性不强。根据作物物候历，9—10月为柑橘果实迅速膨大期，这验证了该研究提出的科学假设，即该时期柑橘果园的植被信息会减弱。柑橘果实膨大期不同植被指数的离散程度差异明显，NDVI离散程度最高，差异性最强。根据10月柑橘果园NDVI的物候特征，进一步构建归一化指数，通过阈值法识别研究区柑橘果园空间分布，该识别方法的总体精度达到82.75%，优于其他植被指数的识别结果，研究结果可为柑橘果园信息遥感识别研究提供较好的理论与实践支撑。

遥感；分类；物候；柑橘；植被指数；Sentinel-2；Google Earth Engine

0 引 言

中国是柑橘（）重要的原产国之一，栽培历史长达四千多年。作为一种常绿果树，柑橘非常适宜在中国南方种植，柑橘产业也成为南方地区脱贫攻坚与乡村振兴的特色支柱产业[1-3]。据统计数据显示[4-5]，2018年全国柑橘种植面积达2.49×106hm2，已超越苹果成为中国栽培面积和产量最高的水果。其中广西柑橘果园近年来产量和种植面积均呈增长趋势，2018年相较上一年扩种6.67×104hm2，种植面积达3.88×105hm2，居全国第一位，产值突破1 000亿元[6]。柑橘产业不断扩张，并向集约化、规模化方向发展。精准获取柑橘果园的种植面积和空间分布信息，探明柑橘果园面积变化规律及其经济、社会、生态效益，对科学指导柑橘产业健康发展具有重要意义。

遥感技术为实时、准确、大范围获取植被空间分布信息提供可能[7-9]。近年来，面向水稻、玉米、小麦、大豆等一年生作物的遥感制图技术已日趋成熟，面向柑橘等多年生作物的遥感制图研究正逐步兴起。王帅[10]利用高分1号影像结合面向对象方法对柑橘果园分层次提取；张起明等[11]、陈优良等[12-13]分别利用Google Earth影像、Landsat影像提取柑橘果园信息并对中国赣南地区不同县域的柑橘空间特征与面积变化进行分析；徐晗泽宇等[14]利用Landsat影像结合随机森林算法提取了春秋两季的柑橘果园信息，农作物、稀疏林地等与低龄柑橘果园具有较为相似的光谱特征，易发生混分现象，柑橘果园与耕地的错分误差均在20%左右。已有柑橘果园遥感提取研究大多集中在赣南地区，该地区除柑橘外一般较少有其他果园，理论上能够简化遥感识别对象的复杂性[15]。尽管如此，这些研究普遍发现，利用单一时期影像光谱信息提取柑橘果园分布信息时，存在柑橘果园遥感识别特征描述不足的问题。

与赣南相比，广西的果园种植类型更为复杂，不同果园之间的光谱特征较为相似。因此，在光学遥感影像不足、果园种植类型复杂条件下，利用光谱信息在广西开展柑橘果园信息遥感识别存在更大挑战[16]。在光谱信息不充足的情况下，物候信息可作为对光谱信息的重要补充，有研究开始关注多时间窗口物候信息在一年生作物遥感分类的作用[17-19]。例如，油菜花在花期花朵变黄，在开花最旺盛的时期颜色特征最明显，在凋谢过程中颜色特征减弱，基于此有研究提出了归一化黄色指数，通过精确检测开花期峰值，提取油菜空间分布信息[20]。有研究也开始尝试将物候信息应用于多年生作物遥感分类。例如，梁守真等[21]利用Landsat影像，以落叶时期的2月休眠期为关键物候期，对多年生橡胶树的空间分布进行识别；李龙伟等[22]基于4个季节的Sentinel多光谱影像，分析茶园物候及光谱特征，最终确定5月为关键物候期，并构建归一化茶园指数，提取了多年生茶园的空间分布信息。由于多年生作物之间的关键物候期与物候特征各不相同，如何确定柑橘的关键物候期与物候特征仍鲜见报道。

综上，考虑柑橘挂果期携带特定的果实颜色特征，推测柑橘果实生长膨大期前后植被信息可能发生显著变化，进而假设柑橘果实生长膨大期可能成为柑橘果园遥感识别关键物候期。基于这一科学假设，本研究选择气候多云多雨、果园类型复杂、且柑橘果园扩张迅速的广西壮族自治区开展实证研究，旨在通过分析不同作物在不同时相的光谱特征，找到柑橘果园信息识别的关键物候期及最优植被指数，针对多云多雨、复杂种植条件，探寻一种基于多时相影像数据的柑橘果园信息识别方法，为科学构建柑橘果园遥感识别指数，便捷、高效提取柑橘果园空间分布信息提供参考。

1 材料与方法

1.1 研究区概况

本研究选取广西壮族自治区南宁市武鸣区为研究区域（22°59′N～23°33′N、107°49′E～108°37′E）。武鸣区总面积为3 378 km2，四周为低山、丘陵，中部为盆地，丘陵面积占全区面积的63.50%，根据土地利用现状[23]，林地主要分布于该区域四周的丘陵、缓坡，耕地主要分布于中部的盆地（图1）。

研究区内年平均气温21.7 ℃，极端最低气温-0.8 ℃，年平均降雨量为1 100～1 700 mm，年平均日照总时数为1 665 h，属于亚热带季风气候，光热充足，雨量充沛，降雨均匀，雨热同季，秋季昼夜温差较大，有利于光合产物积累。研究区种植结构复杂，除柑橘外，还广泛种植水稻、玉米、甘蔗、香蕉等作物。研究区柑橘果园大约从2012年开始扩张，至2014—2015年柑橘果园形成一定的规模。

1.2 数据来源与预处理

1.2.1 遥感影像数据

本研究选用Sentinel-2时序卫星遥感数据的Level-1C产品（空间分辨率10 m），基于Google Earth Engine（GEE）平台在线编写代码实现遥感数据处理与分析。研究区由Sentinel-2数据的6景影像覆盖。采用的数据产品为大气表观反射率数据，已经过正射校正和亚像元级几何精校正，在平台可以通过JavaScript编程语言的应用程序接口（Application Programming Interface，API）访问该数据并处理（https://developers.google.com/earth-engine/datasets/ catalog/COPERNICUS_S2）。

在多云多雨的情况下，研究区各时期遥感影像容易受到云层干扰，如何有效去除云层的影响是开展本研究的前提。本研究广泛收集2017、2018、2019三年Sentinel-2影像，基于GEE首先对影像进行质量评价和筛选，其次通过质量波段（Quality Assessment，QA）对高质量影像进行去除云层处理，最后从每一个影像像元的时间序列剪辑出中值，即影像时间序列上的合成[24]。对每年各景影像的云层覆盖率进行统计，设置高质量影像的评价标准为云层覆盖率小于或等于30%，发现各年份上半年数据质量普遍较差（云层覆盖率大于30%），各年份下半年数据质量普遍优于上半年。分析所有下半年数据发现，2017年高质量影像缺失严重；2019年下半年高质量影像分布不均衡，尤其是10—11月数据质量差，云层覆盖严重；2018年下半年数据质量总体优于其他年份，最终确定2018年为研究年份。已有研究表明[25]，农作物进入收获期时（即10—12月），不同作物间光谱特征差异较大。同时，根据本研究的云层覆盖率分析结果，10—12月这一时段云层污染程度较低，影像数据质量较高，能够保证研究顺利开展。

为了进一步获取无云层且时间跨度上覆盖作物收获期的影像数据，基于GEE使用median函数，针对2018年10—12月时间序列内影像的每个像元中值进行重构，进而开展影像去除云层处理。Sentinel-2的质量波段QA60是具有云层波段信息的位掩模波段，其中不同云层位数表示不同含义，云层位数Bit10代表不透明云层，云层位数Bit11代表卷云，本研究设置云层位数Bit10、Bit11的值均为0，得到云层掩膜，去除影像中的云层信息，经过裁剪和拼接处理后得到无云的10—12月重构影像[24,26]。此外，基于云层覆盖评价（图2），进一步选取高质量影像（云层覆盖率小于或等于30%）数量较多的8月、10月、11月、12月4个月份，逐月构建多时相数据集，用于后续植被指数提取。

1.2.2 野外调查数据

遥感影像分析结果需要对比地面像元尺度相对真值作为验证。地面实测数据一般通过地面样方法或地面样本点法获取，其中地面样方指调查植物群落时所选用的具有一定平方面积的代表性地块，该方法成本较高、流程复杂，多用于生物量估算等定量遥感研究[27-28]；地面样本点一般指反映土地覆盖类型的地理坐标，该方法成本较低、流程简单，多用于遥感影像分类研究。综合考虑前人研究[14-16]与采样效率，本研究采用地面样本点法开展遥感分类结果精度验证，并于2019年12月完成研究区野外地面样本点采集工作。由于柑橘果园空间分布不会在1 年时间内发生显著变化，因此采用2019年的地面样本数据验证2018年的遥感分类结果具有合理性，同时，借鉴Google Earth同期影像比对确认、野外调查访谈等手段[29-30]，进一步确保地面数据与影像数据的一致性。

由于中部平原地区农用地面积大、作物类型多，因此在中部乡镇及周边采样点较多；相反周围山区多为林地，柑橘等作物种植面积少，因此采样点较少。为保证地面样本点的代表性，聚焦研究区柑橘种植面积较大的乡镇及周边区域，共采集839个纯净像元作为柑橘样本点，912个纯净像元作为非柑橘的主要作物样本点（图 1b）。非柑橘样本点包括4种主要作物类型，即香蕉（果树）、甘蔗（经济作物）、水稻（水田）和玉米（旱地），根据当地农业统计数据[31]，这些作物在研究区占比较大，是除柑橘以外的主要作物类型。

1.3 多时相的植被信息获取与分析方法

1.3.1 物候与光谱特征

柑橘属芸香科下属植物，是热带、亚热带常绿果树，生长周期较长，一般种植2～3 a可结果，果实成熟后挂果可长达3～4个月，花果同期。根据本研究的实地调查访谈结果，建立研究区柑橘及其他主要作物类型的物候历并分析不同作物的物候信息（图3），研究区内主要作物（包括香蕉、甘蔗、水稻和玉米）在8月均处于生长旺盛期；根据研究区的种植习惯，夏植香蕉大规模收获期一般在9—12月；水稻一般为双季稻，3月播种早稻，7月移栽晚稻，晚稻收获期为10—12月；甘蔗、玉米也在10—12月基本结束收获。

成龄柑橘果园的物候信息一般呈现以下特征：由于柑橘属阔叶常绿树种，全年植被信息总体保持稳定；上半年柑橘处于开花期与夏梢期，叶片常常会遮挡花朵，且常绿树冠层颜色与花期基本一致，柑橘果园的光谱特征变化不明显；7月起柑橘进入果实膨大期，果实开始生长与成熟，颜色由绿色逐渐转变为成熟色（橙色或黄色），而果实的膨大对冠层叶片的遮挡作用也逐渐增加；10月起柑橘进入果实成熟期及冬梢发生期，花芽分化与果实成熟同时发生，果实遮挡对柑橘果园冠层光谱的影响逐渐减弱[32]。综合以上特征，本研究从物候信息的角度提出科学假设，即柑橘果园在其果实生长膨大过程中，柑橘果园的植被信息可能减弱，而在果实成熟及冬梢发生过程中，柑橘果园的植被信息可能逐步恢复。因此，7—10月可能是柑橘果园识别的理想时间窗口，尤其是，柑橘果园在10—11月之间存在果实成熟与新芽萌发的转折点，10月作为果实膨大的末期，也是柑橘果园受到成熟果实影响最大的时期。

根据柑橘的物候特征，应用研究区10—12月去除云层影响的重构影像，基于柑橘、香蕉、甘蔗、水稻和玉米等研究区主要作物类型，随机选取30%的地面实测样本点统计各作物在各波段的反射率（图4）。对比发现研究区内5种作物类型的光谱反射率总体变化趋势基本相似，数值差距不明显，但仍有一些细节差异。其中，香蕉、甘蔗、水稻在红边波段1、红边波段2和近红外波段的反射率均高于柑橘，且香蕉在此3个波段的反射率最高，分别为0.01、0.25、0.31。而在短波红外波段1、短波红外波段2恰恰相反，香蕉、甘蔗、水稻的反射率均低于柑橘，其中香蕉2个短波红外波段的反射率最低，分别为0.15、0.07。柑橘在红光波段、红边波段1的反射率为0.09、0.12，略高于香蕉和甘蔗，但与水稻、玉米反射率值基本重合。玉米和柑橘在9个波段反射率数值与趋势基本一致。

1.3.2 植被指数的构建

由图5可知，不同作物原始波段信息特征差异不够明显，因此，本研究将通过波段组合构建植被指数，增强不同植被之间的光谱差异。综合考虑研究区内不同作物类型的生长特性，针对Sentinel-2影像云层覆盖率较小的8月、10月、11月、12月数据分别计算植被指数，用以区分研究区5种主要作物类型关键物候期的差异。对比不同植被指数对柑橘及其他作物类型的区分效果，本研究选择归一化植被指数（Normalized Difference Vegetation Index，NDVI）[33]、绿色归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）[34]、差值植被指数（Difference Vegetation Index，DVI）[35]进行对比，其中GNDVI将绿光波段取代NDVI中的红光波段，具有较好的稳定性；而DVI则能较好地识别植被和水体。同时，引入Sentinel-2红边波段指数（Red-edge Spectral Indices，RESI）[36]与常用植被指数NDVI、GNDVI、DVI进行对比。各植被指数和RESI的计算如式（1）～式（4）所示：

式中NIR为近红外波段反射率，GREEN为绿光波段反射率，RED为红光波段反射率，RE1、RE2和RE3分别为3个红边波段反射率。

为了进一步检验3种植被指数与RESI的离散程度，本研究引入变异系数（Coefficient of Variation，CV）进行分析。变异系数即离散系数，是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比，其计算如式（5）所示。

1.3.3 柑橘果园空间分布识别方法构建

本研究分两步构建柑橘果园空间分布识别方法。第一步，根据研究区柑橘、香蕉、甘蔗、水稻和玉米5种主要作物类型在不同时间窗口的物候特征，利用5种作物生长旺盛时期和收获时期，基于从简到繁分层次提取的思想[37]，对香蕉、甘蔗、水稻和玉米进行剔除，经多次筛选后得到预分类后的影像，具体步骤如下：首先对植被和非植被进行区分，保留植被信息，剔除非植被信息；然后基于生长旺盛期8月和收获期11月、12月，设定不同时期植被指数的阈值，对香蕉、甘蔗、水稻和玉米进行逐层分类[38]，初步剔除这4种作物类型；最后提取出包含柑橘果园信息的预分类后影像。第二步，在逐层分类基础上，利用柑橘在物候期独有的特征与光谱变化，参考Xiao等[36]提出的再归一化的红边波段指数，根据对不同时期植被指数“再归一化”以增强物候差异的原理，进一步构造再归一化的植被指数（Re-Normalization of Vegetation Indices，RNVI，其计算如式（6）所示：

式中VI为果实膨大期的最后一个月份的最大植被指数合成值，VI为果实膨大期结束后的第一个月份的最大植被指数合成值。基于RNVI指数建立研究区柑橘果园判定规则，对包含柑橘果园信息的预分类后影像进行判别，若影像待判定像元的RNVI值为负值，则该像元判定为柑橘果园；若影像待判定像元的RNVI值为正值，则该像元判定为非柑橘果园。受种植时间和果园管理的影响，研究区部分柑橘物候期存在不同步的现象，因此本研究仅识别成龄柑橘果园，未识别低龄柑橘果园。

1.4 精度评价

为定量评价不同指数对柑橘果园的识别精度，本研究随机获取所采集的30%样本点计算分类结果的混淆矩阵，得到用户精度（User accuracy，UA）、生产者精度（Production accuracy，PA）、总体分类精度（Overall accuracy，OA）和Kappa系数[33]。本研究用OA和Kappa系数评价总体分类效果，用评UA和PA价柑橘果园识别精度，并结合柑橘果园识别面积进行检验。

2 结果与分析

2.1 作物物候与光谱特征提取

对比柑橘果园、香蕉、甘蔗、水稻和玉米的植被指数在不同时间窗口的差别（图5），发现柑橘果园的NDVI反射率在10—11月的变化明显有别于其他作物类型。仅柑橘果园的NDVI反射率在10月份明显下降，为0.47，至11月又有一定的回升，为0.56。对应柑橘的物候期，验证了10月为柑橘果实的膨大末期，其体积变大与黄化使得冠层植被信息减弱，即NDVI反射率下降；11月进入冬梢期，柑橘果园的冠层植被信息逐渐回升，即NDVI反射率升高。此外，在果实成熟的关键物候期，柑橘果园与其他4种作物类型的DVI和RESI指数反射率区分不大，柑橘果园的GNDVI在该时期特征不明显，说明仅NDVI对柑橘果实膨大特征具有较高的敏感性。果实生长发育造成的植被光谱特征变化是柑橘果园不同于其他四种作物的独有果实膨大期特征。不同于柑橘果园，香蕉、甘蔗、水稻在4个时间窗口中NDVI反射率变化趋势一致：在生长旺盛期8月，4类作物的NDVI反射率均出现最大值，分别为0.80、0.68和0.72；而在收获期10—12月，4类作物的NDVI反射率逐渐下降，香蕉、甘蔗、水稻、玉米在12月的NDVI反射率分别为0.60、0.49、0.31和0.41。

进一步计算柑橘果园的NDVI、GNDVI、DVI和RESI在物候期10月的变异系数，分别为0.16、0.12、0.11和0.08，发现柑橘果园的NDVI在10月的CV值最高，为0.16，即不同作物类型之间的NDVI离散程度最高，差异性最强，对柑橘果园的区分效果最优。

2.2 柑橘果园空间分布识别结果

由于归一化植被指数NDVI对各种作物类型的离散程度最高，对柑橘果园的分离性最好，本研究选择NDVI进一步构建RNVI指数识别柑橘果园；同时，选择具有类似柑橘果实膨大特征但区分度较差的绿色归一化植被指数GNDVI进行对比；而无特征的DVI、RESI则未被选择进行柑橘果园识别。基于RNVI公式选择NDVI和GNDVI作为再归一化的变量，及其分别在10月（果实膨大末期）与11月（冬梢期）的植被指数反射率，构建再归一化NDVI和再归一化GNDVI，并分别利用再归一化NDVI和再归一化GNDVI识别2018年研究区的柑橘果园（图6）。由图6可知，2种指数识别结果的总体空间分布上，柑橘果园主要分布于平原、盆地以及低矮山坡，较少分布于海拔较高的山丘，再归一化NDVI识别的柑橘果园较为完整，而再归一化GNDVI识别的柑橘果园较为破碎。

对研究区各乡镇的柑橘果园面积进行统计（图7），利用再归一化NDVI识别的研究区柑橘果园总面积为3.42×104hm2，而利用再归一化GNDVI识别的研究区柑橘果园总面积为3.47×104hm2，2种植被指数的柑橘果园识别面积基本相同，与统计数据3.07×104hm2基本一致[6]。

2.3 精度评价与分析

本研究采用总体精度、Kappa 系数、生产精度和用户精度作为柑橘果园识别结果的评价指标[33]，精度验证结果表明（表2），再归一化NDVI对柑橘果园识别的总体精度为82.75%，Kappa系数为0.66，说明基于物候信息的植被指数方法在种植类型复杂、多云多雨条件下有较好的识别精度。利用再归一化NDVI识别的柑橘果园生产精度为84.86%，用户精度为80.27%，均高于80%，识别效果较好。而再归一化GNDVI对柑橘果园识别的总体精度为75.78%，Kappa系数为0.51，均低于再归一化NDVI。此外，再归一化GNDVI对柑橘识别的生产精度仅为66.03%，用户精度为79.94%，在漏分误差和错分误差上均次于再归一化NDVI，尤其是漏分现象较为严重。

错分现象主要分为两种：一是稀疏林地、甘蔗地，二是反射率较高的建筑物。林地错分误差主要来自于西北部的丘陵地区，有研究证明稀疏林地和灌丛同柑橘低龄果园间光谱较为相似，易产生混淆[39]。研究区丘陵山地地区有大面积林桉树种植，可能影像遥感分类结果。由于桉树无果实，与柑橘果园物候特征存在显著差异，且柑橘表现出逐行栽种、相邻树种间隔相似且植株不高的规则性特征，后续研究可考虑优先区分桉树林分布[37]，排除稀疏林地对柑橘果园遥感识别的干扰。

漏分现象主要来自NDVI数值异常的柑橘果园。柑橘果园的光谱特征与环境、树龄、人类管理等有一定的关系，研究区柑橘果园虽大多已是成龄果园，但部分生长阶段不同步的柑橘果园易出现漏分现象，如新种的柑橘树苗发育至可挂果的成龄果树需要2～3 a，且树苗小，树高低，叶片稀疏，难以用果实成熟期的物候特性识别。此外，部分果园在人工管理如拉枝处理后生长更加旺盛，果实成熟时树种间隔较密，NDVI数值偏高，易出现漏分。

表2 基于不同植被指数的分类精度对比

3 结 论

本研究根据柑橘果园的生长特性，提出了基于物候特征的柑橘果园信息识别方法，并对比了不同植被指数在不同时期识别柑橘果园信息的效果，通过引入物候信息弥补了多年生常绿柑橘果树在遥感识别中光谱信息的不足，得到以下主要结论：

1）证实了“柑橘果实生长膨大过程会导致植被信息逐渐减弱”这一科学假设。对比研究区其他作物类型，该时期柑橘果园特征差异明显，果实体积变大，颜色变成熟，柑橘果树叶片光谱信息受到一定的影响，是识别柑橘果园的重要特征。

2）发现了不同植被指数对柑橘果实特征变化的敏感性差异。归一化植被指数（Normalized Difference Vegetation Index，NDVI）对果实发育带来植被信息减弱这一果实膨大特征刻画较优，即物候期NDVI反射率下降明显、离散程度大、分离性强，这些特征明显优于绿色归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）、差值植被指数（Normalized Difference Vegetation Index，DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices，RESI）。

3）明确了不同植被指数对柑橘果园分布提取的不同效果。利用关键物候期提取研究区柑橘果园空间分布，基于多时相的NDVI识别的柑橘果园信息总体精度达82.75%，优于GNDVI识别的柑橘果园信息总体精度75.78%，对比识别结果，GNDVI识别的柑橘果园更加破碎，且漏分和错分现象严重。

柑橘关键物候期正好位于Sentinel-2数据云层污染较少的月份，部分解决了南方地区多云多雨导致的多时相数据不足的问题。该方法为种植复杂、多云多雨条件下的柑橘果园遥感识别提供了较好的理论与实践支撑，也为构建普适性更强的柑橘指数提供了参考和基础。本研究采用Sentinel-2光学数据，暂未考虑Sentinel-1等雷达数据，其主要目的是通过光谱变化揭示柑橘果实颜色变化特征对柑橘果园识别的作用。未来有必要深入挖掘红边波段在柑橘果园信息识别中的应用潜力，引入多种红边波段指数，并结合Sentinel-1等多源数据，与柑橘果园特有的物候信息相结合，寻找更优的柑橘识别方法，进一步推动柑橘果园遥感识别理论与方法创新。

[1] 赵彤. 基于GIS的重庆市柑橘农业气候区划[D]. 重庆：重庆师范大学，2018.

Zhao Tong. The Study on Agricultural Climate Regionalization of Citrus in Chongqing Province Based on GIS[D]. Chongqing: Chongqing Normal University, 2018. (in Chinese with English abstract)

[2] 柏秦凤，霍治国，王景红，等. 中国主要果树气象灾害指标研究进展[J]. 果树学报，2019，36(9)：1229-1243.

Bai Qinfeng, Huo Zhiguo, Wang Jinghong, et al. Progress in research on meteorological disaster indicators of major fruit trees in China[J]. Journal of Fruit Science, 2019, 36(9): 1229-1243. (in Chinese with English abstract)

[3] 兰涵旗，邓秀新. 果树学科服务产业扶贫的实践探索与模式探究—基于华中农业大学柑橘团队为例[J]. 中国农业科技导报，2019，21(4)：1-7.

Lan Hanqi, Deng Xiuxin. Industrial poverty alleviation mode supported by research team of pomology discipline-Based on the cases by citrus team of Huazhong Agricultural University[J]. Journal of Agricultural Science and Technology, 2019, 21(4): 1-7. (in Chinese with English abstract)

[4] 刘玉婷. 赣南柑橘园地信息提取及其叶绿素遥感估算研究[D]. 赣州：江西理工大学，2020.

Liu Yuting. Study on the Information Extraction of Citrus Field in South of Jiangxi Province and the Estimation of Chlorophyll by Remote Sensing[D]. Ganzhou: Jiangxi University of Science and Technology, 2020. (in Chinese with English abstract)

[5] 祁春节，顾雨檬，曾彦. 我国柑橘产业经济研究进展[J]. 华中农业大学学报，2021，40(1)：58-69.

Qi Chunjie, Gu Yumeng, Zeng Yan. Process of citrus industry economy in China[J]. Journal of Huazhong Agricultural University, 2021, 40(1): 58-69. (in Chinese with English abstract)

[6] 向云，梁小丽，陆倩. 广西柑橘生产的区域比较优势及其影响因素—基于29个主产县区的实证[J]. 热带农业科学，2020，40(11)：126-134.

Xiang Yun, Liang Xiaoli, Lu Qian. Comparative advantages and influencing factors of citrus production in Guangxi: An empirical analysis based on the data of 29 major citrus producing counties/districts[J]. Chinese Journal of Tropical Agriculture, 2020, 40(11): 126-134. (in Chinese with English abstract)

[7] Zhu Y H, Yang G J, Yang H, et al. Identification of apple orchard planting year based on spatiotemporally fused satellite images and clustering analysis of foliage phenophase[J/OL]. Remote Sensing, 2020, 12(7), [2020-04-03]. https: //www. researchgate.net/ publication/340511732_Identification_of_ Apple_Orchard_Planting_Year_Based_on_Spatiotemporally_ Fused_Satellite_Images_and_Clustering_Analysis_of_Foliage_ Phenophase.

[8] Reis S, Taşdemir K. Identification of hazelnut fields using spectral and Gabor textural features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(5): 652-661.

[9] Shrivastava R J, Gebelein J L. Land cover classification and economic assessment of citrus groves using remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 61(5): 341-353.

[10] 王帅. 基于面向对象的柑橘类果林信息提取方法研究[D]. 赣州：江西理工大学，2017.

Wang Shuai. Study on the Information Extraction Method of Citrus Orchard Based on Object-Oriented[D]. Ganzhou: Jiangxi University of Science and Technology, 2017. (in Chinese with English abstract)

[11] 张起明，徐晗泽宇，江丰，等. 赣南地区柑橘果园空间分布特征分析[J]. 江西科学，2018，36(4)：591-598.

Zhang Qiming, Xu Hanzeyu, Jiang Feng, et al. Spatial distribution characters of citrus orchards in the south of Jiangxi Province[J]. Jiangxi Science, 2018, 36(4): 591-598. (in Chinese with English abstract)

[12] 陈优良，胡锦景，王兆茹，等. 赣南柑橘果园面积动态变化分析：以信丰县为例[J]. 江西农业大学学报，2017，39(5)：884-894.

Chen Youliang, Hu Jinjing, Wang Zhaoru, et al. An analysis of the dynamic changes in the area of orange orchard in south Jiangxi Province: A case study in Xinfeng County[J]. Acta Agriculturae Universitatis Jiangxiensis, 2017, 39(5): 884-894. (in Chinese with English abstract)

[13] 陈优良，胡锦景，王兆茹，等. 赣南柑橘果园面积动态变化分析：以寻乌县为例[J]. 江西理工大学学报，2017，38(5)：19-25.

Chen Youliang, Hu Jinjing, Wang Zhaoru, et al. Research on dynamic changes of Gannan citrus orchard areas: A case study in Xunwu County[J]. Journal of Jiangxi University of Science and Technology, 2017, 38(5): 19-25. (in Chinese with English abstract)

[14] 徐晗泽宇，刘冲，齐述华，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，2018，42(4)：434-440. Xu Hanzeyu, Liu Chong, Qi Shuhua, et al. The detection of citrus orchards in southern Jiangxi Province with Landsat images using random forest classifier[J]. Journal of Jiangxi Normal University: Natural Science Edition, 2018, 42(4): 434-440. (in Chinese with English abstract)

[15] 任传帅，黄文江，叶回春，等. 利用高分二号数据提取香蕉林信息及精度分析[J]. 遥感信息，2017，32(6)：78-84.

Ren Chuanshuai, Huang Wenjiang, Ye Huichun, et al. Extraction of banana orchards based on GF-2 satellite imagery and its accuracy analysis[J]. Remote Sensing of Information, 2017, 32(6): 78-84. (in Chinese with English abstract)

[16] 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[J]. 农业机械学报，2018，49(4)：222-231.

Song Rongjie, Ning Jifeng, Chang Qingrui, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 222-231. (in Chinese with English abstract)

[17] Song Q, Hu Q, Zhou Q B, et al. In-season crop mapping with GF-1/WFV data by combining object-based image analysis and random forest[J/OL]. Remote Sensing, [2017-11-16] https: //doi. org/10. 3390/rs9111184.

[18] Talema T, Hailu B T. Mapping rice crop using sentinels (1 SAR and 2 MSI) images in tropical area: A case study in Fogera wereda, Ethiopia[J/OL]. Remote Sensing Applications: Society and Environment, 2020-04-22] http: //doi. org/10. 1016/j. rsase. 2020. 100290.

[19] Dong J W, Xiao X M, Menarguez M A, et al. Mapping paddy rice planting area in Northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185: 142-154.

[20] D'Andrimont R, Taymans M, Lemoine G, et al. Detecting flowering phenology in oil seed rape parcels with Sentinel-1 and -2 time series[J/OL]. Remote Sensing of Environment, [2020-03-15] http: //doi. org/10. 1016/j. rse. 2020. 111660.

[21] 梁守真，陈劲松，吴炳方，等. 应用面向对象的决策树模型提取橡胶林信息[J]. 遥感学报，2015，19(3)：135-144.

Liang Shouzhen, Chen Jinsong, Wu Bingfang, et al. Extracting rubber plantation with decision tree model based on object-oriented method[J]. Journal of Remote Sensing, 2015, 19(3): 135-144. (in Chinese with English abstract)

[22] 李龙伟，李楠，陆灯盛. 多时相Sentinel-2影像在浙西北茶园信息提取中的应用[J]. 浙江农林大学学报，2019，36(5)：841-848.

Li Longwei, Li Nan, Lu Dengsheng. Mapping tea gardens spatial distribution in northwestern Zhejiang Province using multi-temporal Sentinel-2 imagery[J]. Journal of Zhejiang A&F University, 2019, 36(5): 841-848. (in Chinese with English abstract)

[23] Gong P, Liu H, Zhang M N, et al. Stable classification with limited sample: Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6): 370-373.

[24] 何昭欣，张淼，吴炳方，等. Google Earth Engine支持下的江苏省夏收作物遥感提取[J]. 地球信息科学学报，2019，21(5)：126-140.

He Zhaoxin, Zhang Miao, Wu Bingfang, et al. Extraction of summer crop in Jiangsu based on Google Earth Engine[J]. Journal of Geo-information Science, 2019, 21(5): 126-140. (in Chinese with English abstract)

[25] 钟琪，罗津，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，2019，37(5)：664-669.

Zhong Qi, Luo Jin, Qi Shuhua. Sample sensitivity analysis of citrus orchards extracted by random forest classification algorithm[J]. Jiangxi Science, 2019, 37(5): 664-669. (in Chinese with English abstract)

[26] da Silva J C A, Leonel-Junior A H S, Rossi F S, et al. Mapping soybean planting area in midwest Brazil with remotely sensed images and phenology-based algorithm using the Google Earth Engine platform[J/OL]. Computers and Electronics in Agriculture, [2020-03-15] http://doi. org/10. 1016/j. compag. 2019. 105194.

[27] 金云翔，徐斌，杨秀春，等. 内蒙古锡林郭勒盟草原产草量动态遥感估算[J]. 中国科学：生命科学，2011，41(12)：1185-1195.

Jin Yunxiang, Xu Bin, Yang Xiuchun, et al. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia[J]. Scientia Sinica: Vitae, 2011, 41(12): 1185-1195. (in Chinese with English abstract)

[28] 辛晓平，张保辉，李刚，等. 1982—2003年中国草地生物量时空格局变化研究[J]. 自然资源学报，2009，24(9)：1582-1592.

Xin Xiaoping, Zhang Baohui, Li Gang, et al. Variation in spatial pattern of grassland biomass in China from 1982 to 2003[J]. Journal of Natural Resources, 2009, 24(9): 1582-1592. (in Chinese with English abstract)

[29] 杨红卫，童小华. 高分辨率影像的橡胶林分布信息提取[J]. 武汉大学学报：信息科学版，2014，39(4)：411-416，421.

Yang Hongwei, Tong Xiaohua. Distribution information extraction of rubber woods using remote sensing images with high resolution[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 411-416, 421. (in Chinese with English abstract)

[30] Regniers O, Bombrun L, Guyon D, et al. Wavelet-based texture features for the classification of age classes in a maritime pine forest[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3): 621-625.

[31] 覃爱颖. 南宁市武鸣区农业产业化背景下农村土地经营模式研究[D]. 南宁：广西大学，2019.

Qin Aiying. Research on Rural Land Management Mode in Wuming District of Nannnign City Under the Background of Agricultural Industrialization[D]. Nanning: Guangxi University, 2019. (in Chinese with English abstract)

[32] 胡佩敏，李正跃，李传仁，等. 宜都市柑橘空间分布的遥感反演[J]. 湖北农业科学，2014，53(4)：795-798.

Hu Peimin, Li Zhengyue, Li Chuanren, et al. The retrieval of citrus spatial distribution in Yidu City using remote sensing[J]. Hubei Agricultural Sciences, 2014, 53(4): 795-798. (in Chinese with English abstract)

[33] 王李娟，孔钰如，杨小冬，等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报，2020，36(4)：244-250.

Wang Lijuan, Kong Yuru, Yang Xiaodong, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 244-250. (in Chinese with English abstract)

[34] 韩文霆，彭星硕，张立元，等. 基于多时相无人机遥感植被指数的夏玉米产量估算[J]. 农业机械学报，2020，51(1)：148-155.

Han Wenting, Peng Xingshuo, Zhang Liyuan, et al. Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 148-155. (in Chinese with English abstract)

[35] 邓江，谷海斌，王泽，等. 基于无人机遥感的棉花主要生育时期地上生物量估算及验证[J]. 干旱地区农业研究，2019，37(5)：55-61，69.

Deng Jiang, Gu Haibin, Wang Ze, et al. Estimation and validation of above-ground biomass of cotton during main growth period using Unmanned Aerial Vehicle (UAV)[J]. Agricultural Research in the Arid Areas, 2019, 37(5): 55-61, 69. (in Chinese with English abstract)

[36] Xiao C W, Li P, Feng Z M, et al. Sentinel-2 red-edge spectral indices (RESI) suitability for mapping rubber boom in Luang Namtha Province, northern Lao PDR[J/OL]. International Journal of Applied Earth Observation and Geoinformation, [2020-12-01] https: //doi. org/10. 1016/j. jag. 2020. 102176.

[37] 蒙良莉，钟仕全，莫建飞，等. 基于 GF-1 面向对象的桉树林信息提取研究[J]. 地球空间信息，2019，17(8)：24-29.

Meng Liangli, Zhong Shiquan, Mo Jianfei, et al. Research on eucalyptus information extraction based on GF-1 object- oriented[J]. Geospatial Information, 2019, 17(8): 24-29. (in Chinese with English abstract)

[38] 李宇宸，张军，薛宇飞，等. 基于 Google Earth Engine 的中老缅交界区橡胶林遥感提取[J]. 农业工程学报，2020，36(8)：174-181. Li Yucheng, Zhang Jun, Xue Yufei, et al. Remote sensing image extraction for rubber forest distribution in the border regions of China, Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 174-181. (in Chinese with English abstract)

[39] 徐晗泽宇，刘冲，王军邦，等. Google Earth Engine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，2018，20(3)：396-404.

Xu Hanzeyu, Liu Chong, Wang Junbang, et al. Study on extraction of citrus orchard in Gannan region based on Google Earth Engine platform[J]. Journal of Geo-Information Science, 2018, 20(3): 396-404. (in Chinese with English abstract)

Identification of citrus orchard under vegetation indexes using multi-temporal remote sensing

Liang Chenxin1, Huang Qiting2, Wang Si3, Wang Cong1, Yu Qiangyi1※, Wu Wenbin1

(1.,,,100081,; 2.,,530000,;3.,,610066,)

Citrus has been widely planted in the south of China in recent years. However, the multiple crop types and frequent cloud cover locally have posed a great challenge to the direct identification of the large-scale citrus orchard using the spectral information. In this study, a systematic approach was developed to identify the citrus orchard using the phenological characteristics of citrus during the fruit expansion stage, where the threshold value was determined to the key time window. Taking the Wuming District of Nanning Guangxi Zhuang Autonomous Region in southwest China as the study area, an empirical investigation was carried out using the Google Earth Engine platform. 1 751 ground samples were also collected in the field for validation. Meanwhile, the cloud coverage assessment was performed on the Sentinel-2 images over the whole year of 2018. According to the citrus phenology in the study area, the characteristics of flowering were not outstanding in the first half of 2018 (the flowering period of citrus), while the key identification features were found in the second half of 2018 (the peak stage of citrus fruit growth and expansion). As such, the second half of 2018 was determined as the study period, considering the data availability and citrus phenological stage. Then, a multi-temporal image dataset was obtained from August to December. The specific procedure was as follows. Firstly, some indices were calculated using the time series Sentinel-2 data in 2018, including the multiple vegetation indices (e.g. Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Difference Vegetation Index (DVI)), and Sentinel-derived Red-Edge Spectral Indices (RESI). The vegetation information of multi-temporal remote sensing was then obtained for the entire study area. Secondly, the vegetation information of various planting types was compared in different growing periods, according to the measured ground data. The results showed that there was no outstanding spectral difference between the citrus orchards and other vegetation types (e.g. sugarcane, banana, maize, and rice) in the study area. However, the vegetation indices of multi-temporal remote sensing presented that the NDVI of 0.47 for the citrus orchards was distinctly lower than that for the other vegetation types in October. There was also a lower GNDVI of citrus orchards in October and November. But there was no difference in the DVI of citrus orchards from other vegetation. Furthermore, the fruit expansion stage of citrus was located from September to October, indicating weak vegetation information of citrus. Nevertheless, there were significant differences among different vegetation indices, where the NDVI presented the highest. In addition, a renormalization of vegetation indices was further constructed to identify the spatial distribution of citrus in the study area by a threshold, according to the NDVI in October. The overall accuracy of citrus orchards reached 82.75% using the renormalization of NDVI, where the Kappa coefficient was 0.66, indicating a better identification, compared with the rest of renormalized vegetation indices (GNDVI, DVI, and RESI). The NDVI presented more complete identification for the citrus orchards, whereas, the GNDVI performed more fragmented identification. Consequently, the total area of citrus planting was calculated as 3.42×104hm2using the phenological parameters of citrus orchards. This finding can provide strong theoretical and practical support to timely mapping the citrus orchards using remote sensing.

remote sensing; classification; phenology; citrus; vegetation index; Sentinel-2; Google Earth Engine

2020-10-12

2021-11-23

中国农科院-广西农科院协同创新项目课题“广西智慧耕地关键技术研发与集成示范”（XTCX2019026-2）

梁晨欣，研究方向为农业遥感。Email：82101182284@caas.cn

余强毅，副研究员，研究方向为农业遥感。Email：yuqiangyi@caas.cn

10.11975/j.issn.1002-6819.2021.24.019

S127；TP79

A

1002-6819(2021)-24-0168-09

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[J]. 农业工程学报，2021，37(24)：168-176. doi：10.11975/j.issn.1002-6819.2021.24.019 http://www.tcsae.org

Liang Chenxin, Huang Qiting, Wang Si, et al.Identification of citrus orchard under vegetation indexes using multi-temporal remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(24): 168-176. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.24.019 http://www.tcsae.org