如何用卫星遥感数据识别油棕榈种植区域

油棕是重要的经济作物，其分布信息对农业监测、土地利用评估及资源管理具有重要意义。本文提出一种结合 Sentinel-1（哨兵一号）与      Sentinel-      2（哨兵二号）数据的多源遥感方法，用于高精度提取油棕分布信息。Sentinel-1 （哨兵一号）提供全天候、全天时的雷达影像，不受天气的影响； Sentinel-2 （哨兵二号）为光学影像，包含植被指数与纹理特征等丰富信息。二者的互补性为油棕的识别提供了良好条件。   

 研究方法

选取印度尼西亚某一区域为研究区（图1），对该区域2025的种植范围进行提取，数据选取时间为2024年6月1日至2025年5月31日。通过GEE平台对数据进行预处理，包括波段提取、指数计算、SAR数据去噪，如图2示例，并重采样至 10 米分辨率，坐标系为WGS84。  

  图1 研究区域  

图2（a）VV              

 图2（b）NDVI

通过Gini系数对数据的特征进行排序如图3所示。Gini系数共选取了来自Sentinel-1（哨兵一号）和       Sentinel-      2（哨兵二号）数据的14个特征，其中8个特征来自Sentinel-2（哨兵二号）数据，6个特征来自Sentinel-1（哨兵一号）数据。将SAR数据作为第一特征进行分类，VH和VV波段及其差异在分类模型中表现出较高的相关性，这些特征对于油棕种植区的检测非常重要。此外，纹理信息和植被指数也可用于植被分类，纹理特征比植被指数更有效地提高了油棕的检测精度。    

  图3 Gini系数排序  

 提取结果

选取其中的VV、VH、B3、B8、NDVI以及特征纹理熵和对比度进行特征构建，然后通过随机森林提取研究区内的油棕区域，提取结果如下（图4）：   

 图4 油棕种植区提取结果

本文通过 Sentinel-1 （哨兵一号）与       Sentinel-      2 （哨兵二号）数据融合的方法对油棕区进行提取，通过特征构建、随机森林，实现了较高精度的种植区识别。研究表明，多源遥感数据融合是提升农业植被识别能力的重要方向。未来工作可进一步探索基于深度学习的语义分割方法，提升边界精度与时间序列动态分析能力。