基于中高分影像的丘陵区柑橘种植地块提取

谢国雪 黄启厅 杨绍锷 覃泽林 刘丽辉 邓铁军

摘要：【目的】利用多源中高分影像探索廣西富川县柑橘种植地块尺度遥感监测方法，为实现全区柑橘信息精准监测提供技术参考。【方法】以高分辨率影像和二调数据为基底，更新图斑形态边界，生成完整且稳定的地块数据;分别面向农作物、果园、林地地块对象，综合中高分影像光谱信息、纹理信息及时间序列影像特征，利用支持向量机分类器迭代识别柑橘信息;基于DEM计算柑橘地块实际面积。【结果】通过分析不同地物影像特征曲线发现，传统指数NDVI（1、4、12月）、RVI（9—12月）、LSWI（1、10和12月）及红边指数NDRE1（1—2月、10—12月）、MTCI（1、2、10和12月）、PSSRa（9—12月）、MCARI2（1月、9—12月）对于识别柑橘作物具有敏感性。本研究提取柑橘信息精度为93.4%，比前人柑橘作物提取成果精度更高、尺度更精细。研究区柑橘地块种植于坡地面积占20.26%，在DEM支持下计算柑橘种植总面积为18643.15 ha，比采用投影面积测量方法增加148.49 ha，一定程度上消除地形对面积统计的影响。提取结果表明富川县柑橘主要集中在麦岭镇、富阳镇、葛坡镇、福利镇、朝东镇等，而莲山镇、白沙镇、古城镇种植柑橘较少。【建议】为解决广西立地条件的难题，建议以低频高分影像更新地块边界，在地块数据基础上综合利用多星多时相中高分影像（尤其具有红边波段影像）提取作物信息，针对地形起伏较大区域，建议采用高精度DEM计算作物面积。

关键词： 遥感;柑橘;地块信息;监测;富川县

中图分类号： S127                         文献标志码： A 文章编号：2095-1191（2021）12-3454-09

Extraction of citrus planting plots based on

medium-high different images

XIE Guo-xue1， HUANG Qi-ting1， YANG Shao-e1， QIN Ze-lin1， LIU Li-hui2， DENG Tie-jun2*

（1Agricultural Science and Technology Information Research Institute， Guangxi Academy of Agricultural Sciences， Nanning  530007， China; 2Institute of Plant Protection， Guangxi Academy of Agricultural Sciences，

Nanning  530007， China）

Abstract：【Objective】Using multi-source medium and high score images to explore the remote sensing monitoring method of citrus planting plots in Fuchuan， Guangxi， and provide technical reference for the realization of accurate monitoring of citrus plot information in the whole region. 【Method】Based on high-resolution images and two-tone data， the morphological boundary of the patch was updated to generate complete and stable plot data. For crops， orchards， and woodland plot objects， the spectral information， texture information， time series image features of the mid-high score ima-ge were integrated， and the support vector machine classifier was used to iteratively identify the citrus information. DEM was calculated based on a true citrus land area. 【Result】Analysis of the characteristic curve indicated that the traditional indexes NDVI（January， April， and December）， RVI （September to December）， LSWI（January， October， and December） and the red edge indexes NDRE1（January to February， October to December）， MTCI （January， February， October， and December）， PSSRa （September to December）， MCARI2 （January， September to December） were sensitive to the identification of citrus crops. The accuracy of extracting citrus information in this study was 93.4%， which was higher than the existing citrus crop extraction results and had a finer scale. The citrus plot in the study area accounted for 20.26% of the sloping land area. Under the action of DEM， the citrus planting area was calculated to be 18643.15 ha， which was an increase of 148.49 ha compared with the projection area measurement method. To a certain extent， the influence of terrain on area statistics was eliminated. The extraction results showed that the citrus in Fuchuan County were mainly concentrated in the towns of Mailing， Fuyang， Gepo， Fuli， Chaodong， while the towns of Lianshan， Baisha and Gucheng had less citrus planting. 【Suggestion】In order to solve the problem of site conditions in Guangxi， it is recommended to update the plot boundaries with low-frequency and high-resolution images， and comprehensively use multi-star and multi-temporal mid- and high-resolution images （especially images with red edge bands） to extract crop information based on the plot data. For areas with large terrain fluctuations， it is recommended to use high-precision DEM to calculate the crop area.

Key words： remote sensing; citrus; plot information; monitoring; Fuchuan County

Foundation item：Guangxi Innovation Driven Development Project（Guike AA20108003，Guike AA18118046）;Chinese Academy of Agricultural Sciences and Guangxi Academy of Agricultural Sciences Collaborative Innovation Project（XTCX2019026-2）;Science Development Fund of Guangxi Academy of Agricultural Sciences（Guinongke 2020YM82）

0 引言

【研究意义】广西是我国种植柑橘面积及产量最多的省（区）（汪烨，2020）。据统计，2018年柑橘产值突破1000亿元，成为广西第二个产值破千亿的产业。2019年广西柑橘种植面积达50.67万ha，产量超过1000万t，占全国产量的三分之一以上（赵丹等，2019）。柑橘产业是广西重要的特色产业之一，是脱贫致富的支柱产业，快速、准确地监测广西柑橘种植面积，掌握空间分布情况，对于柑橘产业规划发展及提升产业竞争力极其重要。传统逐级统计上报方法调查柑橘信息，存在时效性差、面积统计误差大、分布情况不直观等问题，已不适应现代化产业发展需求。遥感技术具有客观、高效和低耗等优势，在大区域农业资源调查、病虫害监测、农业干旱、长势及产量评估等方面已得到广泛应用。因此，研究柑橘作物遥感监测技术，实现大范围柑橘种植信息准确提取，对于掌握广西柑橘种植面积及产业规划发展具有重要意义。【前人研究进展】当前，利用遥感影像提取柑橘种植信息研究已取得一定成效。胡佩敏等（2014）综合利用环境星和TERRA星监测宜都市柑橘空间分布;李恒凯等（2017）基于EO-1Hyperion高光谱影像提取江西会昌县柑橘信息;陈优良等（2017a，2017b）采用Landsat TM/OLI遥感影像监测赣州市寻乌县、信丰县柑橘果园动态变化情况;胡锦景（2018）、徐晗泽宇等（2018）利用Landsat卫星数据监测赣南柑橘园空间分布信息;文超和陆琴（2019）基于Landsat、MODSI多时相NDVI提取江西省南丰县柑橘园;钟琪（2020）利用Landsat-8 OLI开展南丰县柑橘果园扩张动态监测。随着卫星技术的发展，高分辨率影像在柑橘产业得到了应用。王帅（2017）以GF-1影像为数据源，基于面向对象分类方法提取赣州市寻乌县柑橘种植面积;李明海和万丽娟（2019）利用GF-1影像提取江西信丰县脐橙种植面积;刘玉婷（2020）利用多时相GF-1 WFV和HJ-1A/B CCD等遥感数据，提取江西崇义县柑橘种植面积。【本研究切入点】前人多采用缺乏红光波段的中低分影像开展柑橘提取，虽然一定程度上实现了柑橘信息的监测，但技术方法不适用于广西柑橘地块提取，为解决广西高质量影像缺乏、地块破碎、种植结构复杂及识别精度低等立地条件问题，开展遥感技术监测柑橘地块研究。【拟解决的关键问题】以广西富川县为试验区，综合利用多源中高分影像，更新土地利用地块边界，面向地块对象综合中高分影像光谱信息、传统植被指数、红边植被指数和纹理信息，基于支持向量机分类器迭代识别柑橘信息，研究DEM支持下的实际面积统计方法，为开展广西柑橘及其他作物信息识别提供技术参考。

1 数据来源与研究方法

1. 1 研究区概况

富川瑶族自治县（以下简称富川县）位于广西东北部，由贺州市管辖，地处东经111°05′～111°28′、北纬24°37′～25°09′，地势北高南低，属喀斯特地貌区，具有典型的亚热带季风气候，阳光充足，平均气温为19 ℃，全年高于10 ℃的活动积温6072 ℃，雨量充沛，年降雨量1700 mm。富川县土地资源丰富，土壤肥沃，种植的主要作物包括水稻、玉米、花生、烤烟、柑橘、柿等。富川县是广西柑橘主产区，也是丘陵区种植柑橘脱贫的典范，种植面积大且分布广泛，品种包括脐橙、砂糖橘和沃柑等。脐橙是目前富川种植面积最大、产值最高的柑橘品种，入选2019年区域公共品牌榜，其品牌价值达42亿元。

1. 2 数据来源

本研究涉及数据源有国产高分影像、哨兵二号影像、第二次全国土地调查数据（以下简称“二调数据”）、研究区乡镇边界和外业调查解译点。受多云雨天气影响，单一卫星影像难以满足要求，经查询高分一号、资源三号和北京二号卫星数据可形成2018年单期全覆盖无云影像，哨兵二号多时相影像时段为2017年11月—2018年12月。高分辨率影像和二调数据主要用于更新图斑边界，形成地块数据;单期高分影像和多时相哨兵二号影像用于识别柑橘作物。外业调查解译标志共806个，柑橘解译点579个、水稻47个、蔬菜41个、林地9个、其他130个，用于柑橘种植信息提取及精度验证提供依据。国产影像参数和哨兵二号影像信息分别见表1和表2。

1. 3 技术路线

综合利用中高分影像开展柑橘种植地块识别技术，基于DEM统计柑橘种植实际面积，本研究大致分为影像处理、地块边界更新、柑橘地块提取和基于DEM的柑橘面积计算4个部分（图1）。（1）通过影像处理形成标准化、高质量的中高分影像數据;（2）地块边界更新，即以高分影像为数据源，基于二调数据完成图斑形态边界更新，形成地块数据，为开展柑橘作物识别提供数据源;（3）柑橘地块提取为核心内容，包括样本库选取、植被指数敏感性分析、样本库训练及基于地块数据开展柑橘信息提取;（4）面向柑橘地块基于DEM划分柑橘平地地块和坡地地块，进而统计柑橘种植实际面积。

1. 4 影像处理

为使影像形成统一的标准，开展影像预处理，分为多源高分影像处理和多时相哨兵二号影像处理。高分影像经过预处理后形成一期覆盖研究区的多光谱影像，分辨率为2 m，存储格式为.tif，采用WGS_1984_UTM坐标系，影像偏移精度要求平原区2个像元以内，山区3个像元以内;中分影像经过处理后形成多期包含9个波段多光谱影像，分辨率为10 m，存储格式及坐标与高分影像一致。

（1）多源高分影像处理。获取国产高分影像高分一号、资源三号、北京二号为1级产品，不能直接用于作物识别，利用ERDAS 2014和ENVI 5.3完成影像处理。以0.5 m分辨率的谷歌地球影像为参考，应用ERDAS完成全色波段影像正射校正;以处理后的全色影像为参考，进行多光谱影像正射校正;将全色影像正射产品和多光谱影像正射产品进行融合处理，经重采样输出分辨率为2 m;利用ENVI的快速大气处理模块完成大气纠正;最后完成影像镶嵌匀色和裁剪处理，形成符合要求的高分辨率影像产品。

（2）多时相哨兵二号影像处理。获取的哨兵二号影像为Level-1C产品，已完成正射校正和几何精校正处理，进一步利用欧空局研发的Sen2Cor进行大气校正处理，形成大气底层反射率数据;选取9个波段（Band2～Band8、Band11和Band12）进行组合生成多光谱影像，重采样输出分辨率为10 m;经过影像裁剪处理输出11期多时相无云影像;通过坐标转换处理，使多时相中分影像与高分辨影像具有相同投影坐标。

1. 5 地块边界更新

南方丘陵区地形起伏大、地块破碎、种植结构复杂，通过分割算法难以形成完整地块对象，容易出现分割不足、分割过度问题。为解决上述难题，以研究区二调数据为基底，以高分辨率影像为数据源，开展地块边界更新。根据二调数据权属变更地块属性，按照农业用途划分为农作物、林地、果园、草地、水域、建设用地、道路、设施农业和其他用地九大类，其中农作物包括土地利用现状分类中的耕地。

1. 6 柑橘地块提取技术

光谱和纹理信息协同是提高分类精度的有效方法（张沁雨等，2019;李明明和李刚，2020）。本研究综合使用光谱特征和纹理特征开展柑橘作物提取，即基于地块对象以中高分影像光谱信息、传统植被指数、红边植被指数和纹理信息，通过迭代式支持向量机分类器识别柑橘信息。

1. 7 基于DEM的柑橘面积计算

为解决丘陵区起伏较大、投影面积与实际面积存在差异等问题，本研究基于DEM统计柑橘面积，主要利用30 m分辨率的DEM提取坡度信息，根据坡度将柑橘地块划分为平地柑橘地块（≤6°）和坡地柑橘地块（>6°），柑橘实际面积计算公式：

S=Sp+St/cosα

式中，S为柑橘实际面积，Sp为平地柑橘地块投影面积，St为坡地柑橘地块投影面积，α为坡地柑橘地块的坡度。

2 基于中高分影像的柑橘信息提取结果分析

2. 1 地块对象优势分析与有效区筛选

通常种植相同作物的田块因生长状况不相同，以及无植株覆盖的裸露耕地，在影像上呈现的纹理、光谱差异较大，利用机器自动分割算法容易形成多个对象，造成地块分割过度或分割不足现象，地形起伏大、地块破碎区域尤为明显。本研究基于高分影像更新二调数据，形成边界完整稳定的地块对象，能够有效减少影像分割不足问题，对于提取作物更具优势，富川县地块更新边界后按照农业用途划分为九大类。如图2所示，富川县柑橘种植面积多且分布广泛，外业实地调查发现该县柑橘主要种植于水田、旱地和坡地等，这些区域分别属于九大地类的农作物、林地和果园地类，以3种地类为对象开展柑橘信息提取，不仅有效减少研究范围，也能够使对象分层化，节约时间，更利于提高分类精度。

2. 2 敏感特征选取与时相分析

为了解哨兵二号影像对不同地物的反映，分别统计九大地类光谱曲线（图3），每个地类采集样点均匀分布，每个地类选取10个样点计算平均值。波长705～1610 nm范围不同地物光谱差异较大，基于有效波长选取传统特征指数NDVI、RVI、LSWI和红边特征指数MNDWI、NDRE1、NDI45、MTCI、IRECI、PSSRa、CIred-edge、MCARI、MCARI2分析其對柑橘作物的敏感性，哨兵二号12种特征指数详情如表3所示。

分别选取柑橘、果园（不包括柑橘）、林地、水稻和其他农作物样本，每类选取15个样本计算平均值，并绘制12种影像特征曲线（图4）。从特征曲线图分离程度发现不同作物的传统指数NDVI、RVI和LSWI差异较明显，同时，红边指数NDRE1、MTCI、PSSRa和MCARI2用于识别柑橘作物具有优势，因此选用上述7种特征指数监测柑橘。其中，2、6和11月时相的NDVI传统特征指数存在多种作物混淆现象，不利于柑橘识别，而1、4和12月时相有利于识别柑橘作物;2—6月时相的RVI传统指数容易与其他水果作物混淆，9—12月时相有利于提取柑橘信息;LSWI传统指数时相在2、6、9和11月识别柑橘容易造成错分，1、10和12月差异较大，可用于提取柑橘信息;NDRE1红边指数在3—9月的时相不宜用于识别柑橘，但1—2月及10—12月的时相监测柑橘具有优势;3—9月的MTCI红边指数时相不建议用于识别柑橘信息，1、2、10和12月时相提取柑橘效果更佳;PSSRa红边指数在9—12月的时相有利于识别柑橘，MCARI2红边指数1月及9—12月的时相可用于提取柑橘信息。

2. 3 多对象的柑橘地块迭代分类

基于地块信息利用筛选的敏感性，构建柑橘信息提取模型，实现柑橘精准分类。首先，以农作物、林地和果园矢量地块信息为基底，以中高分影像为数据源，利用棋盘分割算法开展影像切割形成完整的地块对象。其次，综合外业解译标志点与高分辨率影像，选取柑橘、果园、林地、水稻和其他农作物样本，基于多时相中分辨率影像特征指数（NDVI、RVI、LSWI、NDRE1、MTCI、PSSRa、MCARI2）、光谱信息（Mean.Green、Mean.NIR）和单期高分辨率影像特征指数（NDVI、RVI）、纹理信息（GLCM.Mean.B5、GLCM.Dissimilarity.B6）、光谱信息（Mean.Green、Mean.NIR）训练样本。第三，基于训练样本，综合利用中高分影像特征指数、光谱信息和纹理信息，应用支持向量机分类器开展柑橘作物识别。最后，在分类结果中挑选柑橘地块扩充样本迭代分类，截至柑橘作物精度检验满足要求为止。在分类过程中，将农作物、林地和果园为独立对象开展分类，分别迭代了3、4和3次。对象分层迭代分类与面向全部对象的分类方法不同，主要表现在样本、特征指数和被分类对象3个方面。常规方法选择一套样本，面向全部对象建立分类规则识别作物，但本研究在分类过程根据被分类对象建立对应的样本，选用最优特征指数完成分类，虽然需要分三大地类迭代执行，但能使研究对象分层化，减少地物干扰，充分发挥特征指数优势，更有利提高分类精度。综合中高分影像开展柑橘信息提取，一定程度上解决了广西丘陵区高质量影像不足、地块破碎、作物识别精度低等问题，该方法适用于南方多云雨丘陵区作物识别，使用在地势平坦、种植作物面积呈片、结构简单等区域更具优势。

2. 4 精度验证与DEM支持下的面积计算

为检验分类精度，随机抽取350个柑橘解译标志进行精度验证，验证标志点未被选为样本，准确识别为柑橘地块327个，提取精度为93.4%。采用投影面积统计全县柑橘地块种植面积为18494.66 ha，基于DEM计算柑橘实际面积为18643.15 ha，两者相差148.49 ha。试验区柑橘地块种植于坡地面积仅占20.26%，为此利用两种计算方法统计面积在数值上差异不大，但随着监测区范围增多、坡度增大投影面积与实际种植面积偏差越大，同时DEM精度越高面积计算越准确，为反映客观情况基于高精度DEM计算面积具有必要性。

2. 5 研究区柑橘种植信息分析

基于地块对象综合使用中高分影像，利用支持向量机分类器迭代识别柑橘作物信息，成果如图5所示。图中显示富川县种植柑橘分布区域十分广泛，整体上柑橘种植在平坦及土丘缓坡地带，中部和东北部较为集中，西部山区不适宜种植柑橘。据统计，富川县柑橘产区主要集中在麦岭镇、富阳镇、葛坡镇、福利镇、朝东镇等。麦岭镇柑橘种植面积占比最大，面积为3433.05 ha，占柑橘总面积的18.14%，该镇除东南部种植略少，其他区域种植面积较多;富阳镇种植面积仅次于麦岭镇，面积为2917.67 ha，由于西部为山脉，地势高峻，以林地为主，柑橘主要种植在该镇东部和东北部;葛坡镇种植面积居第3位，为2185.58 ha，主要分布在该镇的北部、南部、东南部和西南部。莲山镇、白沙镇和古城镇种植柑橘较少，种植面积均不足柑橘总种植面积的4%，尤其是古城镇，面积仅461.54 ha，主要种植在该镇的西北部和南部，其他区域零星分布。

3 讨论

有关文献显示，胡佩敏等（2014）提取宜都市柑橘精度为86.1%;陈优良等（2017b）提取2009年信丰县柑橘精度为85.79%;李恒凯等（2017）提取江西省会昌县柑橘信息精度为90%以上;钟琪（2020）提取南丰县柑橘精度为89.86%。与前人提取精度相比，本研究基于中高分影像的柑橘种植地块提取精度为93.4%，精度较高。除精度更高外，提取对象方面也不同，一方面前人多采用基于像元分类方法，容易产生椒盐现象;另一方面采用分割算法形成对象基础上提取柑橘信息，容易出现分割过度或分割不足的问题，而本研究以地块对象为基底识别柑橘信息，更有效保障地块的完整性（覃泽林等，2017）。现有研究多采用分辨率为30～250 m中低分影像，仅少量研究影像资源高于16 m，而本研究利用2 m分辨率影像完成图斑形态边界更新，应用单期高分影像和多期哨兵二号影像（10 m分辨率）开展柑橘地块识别，影像质量更优，提取成果尺度更精细。

除影像分辨率更高外，使用影像波段信息和特征也存在差异。胡锦景（2018）、徐晗泽宇（2018）、文超和陆琴（2019）以不同的中低分影像（HJ-1、Landsat、MODIS等）为数据源，采用NDVI、NDMI、SAVI、波段均值、亮度和纹理特征等识别柑橘信息，上述研究具有共性，即使用影像缺乏红边波段信息;而张沁雨等（2019）的试验肯定了红边波段有利于提高作物识别精度。本研究综合使用国产高分辨影像和具有红边波段的哨兵二号影像为数据源，采用了传统指数、红边指数、光谱信息和纹理信息识别作物，不仅充分发挥了高分影像对于识别地块边界的稳定性，而且有效利用了红边波段对作物信息提取的敏感性。在分类规则上差异也较大，前人多采用一套规则面向所有对象开展柑橘提取，而本研究分别以农作物、林地和果园为对象，建立3套样本，基于不同特征建立分类规则。虽然本研究操作步骤更多，但能有效地将地块对象分层化，避免多种地物造成干扰。本研究发现传统指数NDVI、RVI、LSWI及红边指数NDRE1、MTCI、PSSRa、MCARI2对于识别柑橘作物具有优势，按照地类对象分层开展作物识别利于提高精度，对于解决广西丘陵区影像缺乏、地块破碎、种植结构复杂和作物识别精度低等问题具有一定成效，为提取丘陵区柑橘等作物提供了技术参考。

本研究参考张沁雨等（2019）的经验选用光谱信息Mean.Green、Mean.NIR和纹理信息GLCM.Mean.B5、GLCM.Dissimilarity.B6识别柑橘作物，未进行光谱及纹理信息分析，有可能存在更优指标，下一步可选取样本分析光谱纹理特征对于识别柑橘的敏感性。本研究采用多时相多特征指数开展柑橘作物识别，虽然能够有效提高提取精度，但過程较为复杂，为提高方法的普适性，下一步需分析最优时相和最优特征指数，减少中分影像处理数量和特征计算，以提升分类效率。同时，利用30 m分辨率DEM计算柑橘面积，一定程度上与实际情况更贴切，但因分辨率较低，统计值与实际值存在差距，接下来的任务需要获取高精度DEM计算柑橘面积，以提升柑橘面积与实际面积的一致性。

4 建议

4. 1 充分利用基础数据开展地块生产

针对南方丘陵区地形起伏大、地块破碎等问题，使用二调数据叠加高分影像完成图斑形态边界更新，形成稳定地块对象，有效解决南方丘陵区面临的难题。为提高地块生产效率和质量，建议充分利用第三次全国土地调查数据、第三次全国农业普查、农村土地确权、土地利用等基础数据。虽然基础数据与高分辨影像时相可能不一致，但在高精度基础数据支持下，能快速完成地块数据更新，形成具有稳定边界的地块对象，改善自动分割算法切割影像出现分割不足或分割过度的问题，为开展作物识别提供有效数据，提高分类结果尺度。

4. 2 综合利用多源中高分影像开展南方丘陵区作物识别

高分辨率影像不仅能反映地块边界，且纹理信息对于识别作物至关重要，但受卫星重访周期及天气影响，高质量高分辨率影像十分欠缺，中分辨影像可有效弥补不足，尤其具有红边波段的中分影像对于识别作物具有优势。建议综合利用多时相中高分影像光谱信息、传统植被指数、红边植被指数和纹理信息，开展南方丘陵区作物识别，解决高质量影像不足、种植结构复杂、作物识别精度低等难题。

4. 3 基于高精度DEM统计作物实际面积

地形起伏的程度越大对面积计算影响越显著，为减少地形对作物面积测量的影响，坡度较大区域可利用高精度DEM划分为坡地和平地地块，进而分别计算2种地块面积。平地地块采用投影面积计算，坡地地块可利用坡度和投影面积共同完成面积计算，通过该方法计算地形起伏较大区域的面积能够与实际情况更相符。DEM精度直接影响面积计算准确性，在条件允许下可优先使用高精度数据完成面积统计。

参考文献：

陈优良，胡锦景，王兆茹，连伟海. 2017a. 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，38（5）：19-25. [Chen Y L，Hu J J，Wang Z R，Lian W H. 2017a. Research on dynamic changes of Gannan citrus orchard areas—A case study in Xunwu County[J]. Journal of Jiangxi University of Science and Technology，38（5）：19-25.] doi：10.13265/j.cnki.jxlgdxxb.2017.05.004.

陈优良，胡锦景，王兆茹，王之玉. 2017b. 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，39（5）：884-894. [Chen Y L，Hu J J，Wang Z R，Wang Z Y. 2017b. 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，39（5）：884-894.] doi：10.13836/j.jjau.2017114.

胡锦景. 2018. 遥感与GIS技术支持下的赣南柑橘果园面积动态变化分析——以信丰县为例[D]. 赣州：江西理工大学. [Hu J J. 2018. Analysis of RS and GIS technology under the support of Gannan citrus orchard area dynamic changes—A case study in Xinfeng County[D]. Ganzhou：Jiangxi University of Science and Technology.] doi：10. 7666/d.D01423944.

胡佩敏，李正躍，李传仁，曹诗宏. 2014. 宜都市柑橘空间分布的遥感反演[J]. 湖北农业科学，53（4）：795-798. [Hu P M，Li Z Y，Li C R，Cao S H. 2014. The retrieval of citrus spatial distribution in Yidu City using remote sensing[J]. Hubei Agricultural Sciences，53（4）：795-798.] doi：10.3969/ j.issn.0439-8114.2014.04.013.

李明明，李刚. 2020. 植被类型对树轮重建贺兰山NDVI的影响[J]. 甘肃农业大学学报，55（5）：152-161. [Li M M，Li G. 2020. Effects of vegetation type on tree ring based NDVI reconstruction for Helan Mountains[J]. Journal of Gansu Agricultural University，55（5）：152-161.] doi：10. 13432/j.cnki.jgsau.2020.05.018.

李恒凯，欧彬，刘雨婷，邱玉宝. 2017. 基于混合像元分解的高光谱影像柑橘识别方法[J]. 遥感技术与应用，32（4）：743-750. [Li H K，Ou B，Liu Y T，Qiu Y B. 2017. Citrus recognition methods of hyperspectral remotes sensing ima-ge based on spectral unmixing model[J]. Remotes Sen-sing Technology and Application，32（4）：743-750.] doi：10.11873/j.issn.1004-0323.2017.4.0743.

李明海，万丽娟. 2019. 基于高分一号遥感影像脐橙种植区域面积提取[J]. 区域治理，（43）：170-172. [Li M H，Wan L J. 2019. Extraction of navel orange planting area based on GF-1 remote sensing image[J]. Regional Governance，（43）：170-172.] doi：10.3969/j.issn.2096-4595.2019.43. 057.

刘玉婷. 2020. 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. [Liu Y T. 2020. Study on the information extraction of citrus in south of Jiangxi Province and the estimation of chlorophyll by remote sensing[D]. Ganzhou：Jiangxi University of Science and Technology.]

覃泽林，谢国雪，李宇翔，兰宗宝，苏秋群，谢福倩，张家玫，张秀龙. 2017. 多时相高分一号影像在丘陵地区大宗农作物提取中的应用[J]. 南方农业学报，48（1）：181-188. [Qin Z L，Xie G X，Li Y X，Lan Z B，Su Q Q，Xie F Q，Zhang J M，Zhang X L. 2017. Application of multi-temporal GF-1 image in extraction of staple crops in hilly region[J]. Journal of Southern Agriculture，48（1）：181-188.] doi：10.3969/j：issn.2095-1191.2017.01.181.

王帅. 2017. 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. [Wang S. 2017. Study on the information extraction method of citrus orchard based on object-oriented[D]. Ganzhou：Jiangxi University of Science and Technology.] doi：10.7666/d.D01237710.

汪烨. 2020. 柑橘产业助力乡村振兴[J]. 农经，（C1）：64-67. [Wang Y. 2020. Citrus industry boosts rural revitalization[J]. Agriculture Economics，（C1）：64-67.]

文超，陆琴. 2019. 南丰县桔园空间分布信息的遥感提取[J]. 江苏科技信息，36（11）：53-56. [Wen C，Lu Q. 2019. Remote sensing extraction of spatial distribution information of citrus garden in Nanfeng County[J]. Jiangsu Scien-ce & Technology Information，36（11）：53-56.] doi：10. 3969/j.issn.1004-7530.2019.11.014.

徐晗澤宇，刘冲，齐述华，赵国帅. 2018. 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），42（4）：434-440. [Xu H Z Y，Liu C，Qi S H，Zhao G S. 2018. The detection of citrus orchards in southern Jiangxi Province with landsat images using random forest classifier[J]. Journal of Jiangxi Normal University（Natural Science），42（4）：434-440.] doi：10.16357/j.cnki.issn1000-5862.2018.04.20.

徐涵秋. 2005. 利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J]. 遥感学报，9（5）：589-595. [Xu H Q. 2005. A study on information extraction of water body with the modified normalized difference water index（MNDWI）[J]. Journal of Remote Sensing，9（5）：589-595.]

张沁雨，李哲，夏朝宗，陈健，彭道黎. 2019. 高分六号遥感卫星新增波段下的树种分类精度分析[J]. 地球信息科学学报，21（10）：1619-1628. [Zhang Q Y，Li Z，Xia C Z，Chen J，Peng D L. 2019. Tree species classification based on the new bands of GF-6 remote sensing satellite[J]. Journal of Geo-information Science，21（10）：1619-1628.] doi： 10.12082/dqxxkx.2019.190116.

赵丹，杨肖华，胡晶晶，王颖. 2019. 广西疯狂扩种后，产业迎来拐点[J]. 营销界，（31）：34-40. [Zhao D，Yang X H，Hu J J，Wang Y. 2019. After the crazy expansion of Guangxi，the industry ushered in an inflection point[J]. Marketing Industry，（31）：34-40.]

钟琪. 2020. 南丰县柑橘果园种植扩张的遥感评价[D]. 南昌：江西师范大学. [Zhong Q. 2020. Remote sensing eva-luation of citrus orchard planting expansion in Nanfeng Country[D]. Nanchang：Jiangxi Normal University.]

Blackburn G A. 1998. Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral Approaches[J]. Remote Sensing of Environment，66（3） ：273-285. doi：10.1016/S0034-4257（98）000 59-5.

Dash J，Curran P J.2004. MTCI：The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing，25（549）：151-161. doi：10.1109/IGARSS.2004.1369009.

Daughtry C S T，Walthall C L，Kim M S，de Colstoun E B，McMurtrey J E. 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment，74（2）：229-239. doi：10.1016/S0034-4257（00）00113-9.

Delegido J，Verrelst J，Alonso L，Moreno J. 2011. Evaluation of Sentinel-2 Red-Edge Bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors，11（7）：7063-7081. doi：10.3390/s110707063.

Gitelson A A，Keydan G P，Merzlyak M N. 2006.Three-band model for noninvasive estimation of chlorophyll，carote-noids，and anthocyanin contents in higher plant leaves[J]. Geophysical Research Letters，33（11）：1-5. doi：10. 1029/2006GL026457.

Gitelson A A，Merzlyak M N.1994. Spectral reflectance chan-ges associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology，143（3）：286-292. doi：10.1016/S0176-1617（11）81633-0.

Guyot G，Baret F. 1988. Utilisation de la haute resolution spectrale pour suivre Letat des couverts vegetaux[C]//French National Institute for Agriculture，Food，and Environment（INRAE）. Proceedings of the 4th International Colloquium on Spectral Signatures of Objects in Remote Sensing：279-286.

Jordan C E. 1969. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology，50（4）：663-666. doi：10.1043/0012-9658（1969）050[0663：DOLIFQ]2.0.CO.

Rouse J W Jr，Haas R H，Schell J A，Deering D W. 1973. Monitoring vegetation systems in the Great Plains with Erts[C]//Proceedings of the Third ERTS Symposium：309-317.

Wu C Y，Niu Z，Tang Q，Huang W J. 2008. Estimating chlorophyll content from hyperspectral vegetation indices：Mo-deling and validation[J]. Agricultural and Forest Meteorology，148（8-9）：1230-1241. doi：10.1016/j.agrformet.2008. 03.005.

Xiao M M，Boles S，Liu J Y，Zhuang D F，Frolking S，Li C S，Salas W，Moore III B. 2005. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，95（4）：480-492. doi：10.1016/j.rse.2004.12.009.

（責任编辑 邓慧灵）

南方农业学报2021年12期