基于面向对象分类方法的南方山区猕猴桃园提取

doi:10.15933/j.cnki.1004-3268.2026.08.014

摘要/Abstract

摘要： 为准确掌握猕猴桃种植区分布信息，选取湖南省永顺县松柏镇为试验区，基于国产GF-6，构建了融合多时相特征与纹理特征的面向对象随机森林分类模型，系统比较了单时相特征（7月）、单时相+纹理特征、多时相（5、7、9月）+纹理特征12种特征组合下的分类性能。结果表明，多时相+纹理特征组合分类模型在猕猴桃园提取中表现较优，可实现研究区猕猴桃园的高精度识别。多时相特征是提升分类精度的关键因素，相较于单时相+纹理特征组合（RF2—RF6），引入多时相特征后（RF7—RF12），F值从89.35%~91.09%提升至91.59%~93.48%，总体精度（OA）从83.65%~87.33%提升至91.00%~93.18%，Kappa系数从0.78~0.80提升至0.86~0.90。相较于单时相特征（RF1），单时相+纹理特征组合对分类精度提升有限，F值最高仅提升1.03百分点，Kappa系数最大仅为0.80。在不同纹理+多时相特征组合中，基于Energy统计量提取的小波纹理（RF9）表现最优，RF9的F值和OA分别达到93.48%和93.18%，相对于GLCM纹理（RF8）分别提高1.89、2.04百分点，相对于多时相特征（RF7）分别提高1.59、2.18百分点。表明利用多时相+小波纹理特征组合的面向对象随机森林分类方法是复杂山区猕猴桃园高精度提取的有效途径。

关键词: 猕猴桃园, 面向对象, 时序特征, 小波纹理, 随机森林

Abstract: To accurately map kiwifruit cultivation zones，Songbai Town，Yongshun County，Hunan Province was selected as the experimental area. Based on the domestically developed GF‐6 sensor，an object‐oriented random forest classification model integrating multi‐temporal and textural features was constructed.The classification performance was systematically evaluated across 12 feature combinations：single‐temporal（July），single‐temporal+textural，and multi‐temporal（May，July，September）+textural.The results showed that the multi‐temporal+texture feature combination classification model performed better in the extraction of kiwifruit orchards，which could achieve high‐precision identification of kiwifruit orchards in the study area.The multi‐temporal feature was the key factor to improve the classification accuracy.Compared with the single‐temporal+texture feature combination（RF2—RF6），after introducing multi‐temporal features（RF7—RF12），the F value increased from 89.35%—91.09% to 91.59%—93.48%，the overall accuracy（OA）increased from 83.65%—87.33% to 91.00%—93.18%，and the Kappa coefficient increased from 0.78—0.80 to 0.86—0.90.Compared with the single‐phase feature（RF1），the single‐phase+texture feature combination showed limited improvement in classification accuracy.The F value was only increased by 1.03 percentage points，and the Kappa coefficient was only 0.80.In the combination of different texture+multi‐temporal features，the wavelet texture（RF9）extracted based on energy statistics performed best.The F value and OA of RF9 reached 93.48% and 93.18%，respectively，which were 1.89 and 2.04 percentage points higher than those of GLCM texture（RF8），and 1.59 and 2.18 percentage points higher than those of multi‐temporal features（RF7）.These indicate that the object‐oriented random forest classification method utilizing multi‐temporal+wavelet texture feature combination is an effective approach for high‐precision extraction of kiwifruit orchards in complex mountainous terrain.

Key words: Kiwifruit orchard, Object‐oriented, Temporal features, Wavelet texture, Random forest

中图分类号:

S127
TP79

赵怡凝, 田尊华, 王莹莹, 段良霞, 谢红霞, 周清. 基于面向对象分类方法的南方山区猕猴桃园提取[J]. 河南农业科学, 2026, 55(8): 136-147.

Zhao Yining, Tian Zunhua, Wang Yingying, Duan Liangxia, Xie Hongxia, Zhou Qing. Extraction of Kiwifruit Orchards in Southern Mountainous Regions Based on Object‐Oriented Classification Methods[J]. Journal of Henan Agricultural Sciences, 2026, 55(8): 136-147.

图/表 13

参考文献

［1］Deng J，Pan S，Zhou M，et al. Optimum sampling window size and vegetation index selection for low‐altitude multispectral estimation of root soil moisture content for Xuxiang kiwifruit［J］. Agricultural Water Management，2023，282：108297.
［2］Zhu S，Cui N，Guo L，et al. Enhancing precision of root‐zone soil moisture content prediction in a kiwifruit orchard using UAV multi‐spectral image features and ensemble learning［J］. Computers and Electronics in Agriculture，2024，221：108943.
［3］Savian F，Martini M，Ermacora P，et al. Prediction of the kiwifruit decline syndrome in diseased orchards by remote sensing［J］. Remote Sensing，2020，12（14）：2194.
［4］Jia L，Wang Y，Ma L，et al. Integrated positioning system of kiwifruit orchard mobile robot based on UWB/LiDAR/ODOM［J］. Sensors，2023，23（17）：7570.
［5］Zhang Y，Ta N，Guo S，et al. Combining spectral and textural information from UAV RGB images for leaf area index monitoring in kiwifruit orchard［J］. Remote Sensing，2022，14（5）：1063.
［6］Niu Z，Deng J，Zhang X，et al. Identifying the branch of kiwifruit based on unmanned aerial vehicle（UAV）images using deep learning method［J］. Sensors，2021，21（13）：4442.
［7］Pan S，Niu Z，Deng J，et al. Dense orchard landscape mapping based on image merging with skeleton prediction［J］. International Journal of Applied Earth Observation and Geoinformation，2023，125：103578.
［8］张佑铭. 基于多源遥感数据的猕猴桃园 LAI反演研究［D］. 杨凌：西北农林科技大学，2022.
Zhang Y M. Research on LAI inversion of kiwifruit orchard based on multi‐source remote sensing data［D］.Yangling：Northwest A & F University，2022.
［9］宋荣杰. 基于高分辨率遥感影像的果园与设施农业用地提取方法研究［D］. 杨凌：西北农林科技大学，2019.
Song R J. Extraction methods of orchards and facility agriculture land based on high spatial resolution remote sensing images［D］. Yangling：Northwest A & F University，2019.
［10］杨彦荣，宋荣杰，胡国强，等. 基于随机森林和纹理特征的苹果园遥感提取［J］. 现代电子技术，2020，43（3）：40‐44.

Yang Y R，Song R J，Hu G Q，et al. Apple orchard remote sensing extraction based on random forest and texture features［J］. Modern Electronic Technique，2020，43（3）：40‐44.

［11］刘羽. 基于卫星遥感的苹果果园分类和估产模型研究［D］. 西安：西安科技大学，2021.

Liu Y. Research on apple orchard classification and yield estimation model based on satellite remote sensing［D］. Xi’an：Xi’an University of Science and Technology，2021.

［12］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.

Liang C X，Huang Q T，Wang S，et al. Identification of citrus orchard under vegetation indexes using multi‐emporal remote sensing［J］. Transactions of the Chinese Society of Agricultural Engineering，2021，37（24）：168‐176.

［13］Li Z，Li H，Liu Y. A remote sensing extraction method for the area of a multi‐featured Citrus field in Jiangxi，Southeast China［J］. Arabian Journal of Geosciences，2022，15（5）：378.

［14］朱永森，曾永年，张猛. 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，2017，33（14）：258‐265.

Zhu Y S，Zeng Y N，Zhang M. Extract of land use/cover information based on HJ satellites data and object‐oriented classification［J］. Transactions of the Chinese Society of Agricultural Engineering，2017，33 （14）：258‐265.

［15］罗红霞，戴声佩，李茂芬，等. 基于Gaofen-2影像和面向对象的椰子林分类研究［J］. 热带作物学报，2024，45（5）：1021‐1030.

Luo H X，Dai S P，Li M F，et al. Object‐oriented classification of coconut palms based on Gaofen‐2 imagery ［J］. Chinese Journal of Tropical Crops，2024，45（5）：1021‐1030.

［16］罗贞宝，陆妍如，高知灵，等. 基于GF-1/2影像数据的烟草种植区信息遥感监测［J］. 中国烟草科学，2022，43（4）：87‐95.

Luo Z B，Lu Y R，Gao Z L. et al. Remote sensing monitoring of tobacco growing areas based on GF‐1/2 image data［J］. China Tobacco Science，2022，43（4）：87‐95.

［17］王佳玥，蔡志文，王文静，等. 协同多源国产高分影像和面向对象方法的南方农作物遥感识别［J］. 中国农业科学，2023，56（13）：2474‐2490.

Wang J Y，Cai Z W，Wang W J，et al. Integrating multi‐source Gaofen images and object‐based methods for crop type identification in south China［J］. Scientia Agricultura Sinica，2023，56（13）：2474‐2490.

［18］金梦婷，徐权，郭鹏，等. 基于面向对象多特征学习的无人机影像农作物精细分类方法［J］. 遥感技术与应用，2023，38（3）：588‐598.

Jin M T，Xu Q，Guo P，et al. Crop classification method from UAV images based on object‐oriented multi‐feature learning［J］. Remote Sensing Technology and Application，2023，38（3）：588‐598.

［19］何真，胡洁，蔡志文，等. 协同多时相国产GF-1和GF-6 卫星影像的艾草遥感识别［J］. 农业工程学报，2022，

38（1）：186‐195.

He Z，Hu J，Cai Z W，et al. Remote sensing identification for artemisia argyi integrating multi‐temporal GF‐1 and GF‐6 images［J］.Transactions of the Chinese Society of Agricultural Engineering，2022，38（ 1）：186‐195.

［20］贺志智，张生浩，刘明星. 湖南省永顺县猕猴桃种植的气候条件分析［J］. 北京农业，2015（9）：229‐230.

He Z Z，Zhang S H，Liu M X. Analysis of climatic conditions for kiwifruit planting in Yongshun County，Hunan Province［J］. Beijing Agriculture，2015（9）：229‐230.

［21］贺付伟，田宏伟，赵志宇，等. 基于高分6号卫星的冬小麦赤霉病和条锈病遥感监测研究［J］. 气象与环境科学，2025，48（3）：94‐102.

He F W，Tian H W，Zhao Z Y，et al. Research on remote sensing monitoring of wheat scab and stripe rust based on GF‐6 satellite data［J］. Meteorological and Environmental Sciences，2025，48（3）：94‐102.

［22］Myint S W，Mesev V. A comparative analysis of spatial indices and wavelet‐based classification［J］. Remote Sensing Letters，2012，3（2）：141‐150.

［23］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园遥感提取［J］. 农业机械学报，2018，49（4）：222‐231.

Song R J，Ning J F，Chang Q R，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.

［24］倪玲，张剑清，姚巍. 基于小波的SAR影像纹理分析［J］. 武汉大学学报（信息科学版），2004，29（4）：367‐370.

Ni L，Zhang J Q，Yao W. SAR image’s texture analysis based on wavelet［J］. Geomatics and Information Science of Wuhan University，2004，29（4）：367‐370.

［25］唐淑兰，孟勇. 结合小波变换、SVM和投票法的ASTER 影像岩性分类：以东天山尾亚地区为例［J］. 遥感学报，2023，27（7）：1702‐1712.

Tang S L，Meng Y. Lithological classification from the ASTER data based on wavelet transform，SVM，and voting methods：a case study for the Weiya area in the eastern Tian Shan［J］. National Remote Sensing Bulletin，2023，27（7）：1702‐1712.

［26］韦春桃，王宁，张利恒，等. 基于纹理特征的高分辨率遥感影像分类方法［J］. 桂林理工大学学报，2013，33（1）：80‐85.

Wei C T，Wang N，Zhang L H，et al. Remote sensing image classification based on texture features［J］.Journal of Guilin University of Technology，2013，33 （1）：80‐85.

［27］Ouma Y O，Ngigi T G，Tateishi R. On the optimization and selection of wavelet texture for feature extraction from high‐resolution satellite imagery with application towards urban‐tree delineation ［J］. International Journal of Remote Sensing，2006，27（1）：73‐104.

［28］陈俊杰. 基于高分辨率遥感影像纹理特征的柑橘果园提取研究［D］. 赣州：江西理工大学，2023.

Chen J J. Research on extracting citrus orchard based on texture features of high resolution remote sensing images［D］. Ganzhou：Jiangxi University of Science and Technology，2023.

［29］Haralick R M，Shanmugam K，Dinstein I H. Textural features for image classification［J］. IEEE Transactions on Systems，Man，and Cybernetics，1973（6）：610‐621.

［30］赵兴磊，祝美丽，胡克文，等. 利用机载激光雷达归一化差异水指数的水体提取［J］. 光学学报，2025，45（12）：1228003.

Zhao X L，Zhu M L，Hu K W，et al. Water extraction based on normalized difference water index for airborne LiDAR［J］. Acta Optica Sinica，2025，45（12）：1228003.

［31］姚园，毋亭，李一凡，等. 基于水稻物候参数及面向对象算法的稻田识别［J］. 农业工程学报，2024，40（11）：150‐158.

Yao Y，Wu T，Li Y F，et al. Paddy field identification using rice phenological parameters and object‐oriented algorithm［J］. Transactions of the Chinese Society of Agricultural Engineering，2024，40（11）：150‐158.

［32］Gao Y，Zhao Z，Shang G，et al. Optimal feature selection and crop extraction using random forest based on GF‐6 WFV data［J］. International Journal of Remote Sensing，2024，45（19/20）：7395‐7414.

［33］Van Beijma S，Comber A，Lamb A. Random forest classification of salt marsh vegetation habitats using quad‐polarimetric airborne SAR，elevation and optical RS data［J］. Remote Sensing of Environment，2014，149：118‐129.

［34］ Belgiu M，Drăguţ L. Random forest in remote sensing：A review of applications and future directions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2016，114：24‐31.

［35］宋荣杰，宁纪锋，刘秀英，等. 基于纹理特征和SVM的QuickBird影像苹果园提取［J］. 农业机械学报，2017，48（3）：188‐197.

Song R J，Ning J F，Liu X Y，et al. Apple Orchard extraction with QuickBird imagery based on texture features and support vector machine［J］. Transactions of the Chinese Society for Agricultural Machinery，2017，48（3）：188‐197.

［36］王莹莹，段良霞，赵怡凝，等. 基于面向对象与机器学习融合的南方山区水稻识别研究［J］. 河南农业科学，2025，54（4）：144‐154.

Wang Y Y，Duan L X，Zhao Y N，et al. Identification of rice in southern mountainous area based on object‐oriented and machine learning methods［J］.Journal of Henan Agricultural Sciences，2025，54（4）：144‐154.

[1]	史凯旋, 杨华东. 基于GEE联合多特征与随机森林的花生种植信息提取方法研究[J]. 河南农业科学, 2026, 55(5): 146-154.
[2]	刘星麟, 刘园, 杨凡, 刘布春, 韩锐. 基于机器学习算法的河南省县级冬小麦产量模拟研究[J]. 河南农业科学, 2025, 54(8): 167-180.
[3]	马雨欣, 李晨曦, 马士耐, 王轶昂, 刘焕军, 暴帅. 典型黑土水蚀区田块尺度精准管理分区研究[J]. 河南农业科学, 2025, 54(5): 149-158.
[4]	王莹莹, 段良霞, 赵怡凝, 孙广睿, 杨丽红, 周清, 谢红霞. 基于面向对象与机器学习融合的南方山区水稻识别研究[J]. 河南农业科学, 2025, 54(4): 144-154.
[5]	付博, 杨永锋, 刘向真, 赵森森, 刘茂林, 贾国涛, 牛洋洋, 张坤芳, 于建军, 彭桂新, 姬小明. 基于近红外光谱的烤烟香型分类模型研究[J]. 河南农业科学, 2023, 52(7): 163-171.
[6]	张科谦, 程钢, 吴微, 宋向阳, 张子谦, 姚顺, 吴帅. 融合主被动遥感影像的冬小麦种植面积提取研究[J]. 河南农业科学, 2023, 52(6): 160-171.
[7]	徐夕博, 吕明荟, 王海会, 周忠科, 彭远新, 颜学文. 利用空间关联随机森林模型与遥感影像估算裸土期耕地土壤盐分含量的研究[J]. 河南农业科学, 2022, 51(5): 162-170.
[8]	金晶, 毛星, 张欣, 刘杨, 陆学文, 任妮 . 基于Sentinel-2 影像的淡水养殖水生动物类型识别研究[J]. 河南农业科学, 2022, 51(4): 160-170.
[9]	陈越豪, 何光熊, 李婕, 史亮涛, 方海东, 史正涛. 基于面向对象GF-2 遥感数据的元谋热区番茄识别[J]. 河南农业科学, 2021, 50(12): 170-180.
[10]	王利军, 郭燕, 王来刚, 贺佳, 张红利, 刘婷. GF6卫星红边波段对春季作物分类精度的影响[J]. 河南农业科学, 2020, 49(6): 165-173.
[11]	杨福芹，沙从术，冯海宽，韩瑞芳，徐平. 基于EFAST方法的苹果叶片叶绿素含量估算[J]. 河南农业科学, 2017, 46(5): 157-160.