郭　交　朱　琳　靳　標(biāo)

(1.西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100)

0　引言

及時準(zhǔn)確地獲取農(nóng)作物種植面積信息及空間分布狀況對于政府部門制定糧食政策、調(diào)整農(nóng)業(yè)結(jié)構(gòu)、保障國家糧食安全十分重要，在農(nóng)作物普查、長勢監(jiān)測、產(chǎn)量預(yù)估和災(zāi)害評估等方面也有重要應(yīng)用[1-4]。遙感技術(shù)由于其快速、準(zhǔn)確地獲取地面作物分布的優(yōu)勢，已經(jīng)成為農(nóng)作物分類的主要手段之一，為農(nóng)作物的信息提取提供了良好的技術(shù)支撐[5-6]。

目前國內(nèi)外相關(guān)研究中多采用高分辨率的光學(xué)遙感數(shù)據(jù)，利用不同農(nóng)作物在生長發(fā)育過程中時間和生物量上的差異，結(jié)合物候信息，提取作物的時序生長曲線，從而實現(xiàn)農(nóng)作物分類[7-8]。KUSSUL等[9]融合Sentinel-1和Landsat-8衛(wèi)星的多時相多源遙感數(shù)據(jù)，提高了農(nóng)作物的分類精度。楊閆君等[10]利用HANTS濾波算法構(gòu)建GF-1/NDVI時間序列數(shù)據(jù)，通過ML、SVM和神經(jīng)網(wǎng)絡(luò)等多種分類方法對河北唐山南部地區(qū)的農(nóng)作物進行識別分類。張榮群等[11]利用時序植被指數(shù)對縣域作物進行分類，為小范圍作物識別提供了依據(jù)。盡管光學(xué)遙感技術(shù)在作物識別和面積監(jiān)測應(yīng)用中取得了顯著成果，且理論和技術(shù)都比較成熟，但是在實際應(yīng)用中，由于云雨、光照等因素的影響，光學(xué)遙感數(shù)據(jù)源的質(zhì)量無法保障，一定程度上限制了地面農(nóng)作物信息的準(zhǔn)確提取。為了克服這一缺點，研究人員通過對光學(xué)遙感數(shù)據(jù)進行去云、曲線平滑等處理以提高光學(xué)影像質(zhì)量，但去云處理只能在一定程度上降低云的噪聲影響，無法根本上消除局部噪聲[12-13]。

圖1　實驗區(qū)域圖像Fig.1　Images of experimental area

為完善對地觀測系統(tǒng)，更好地獲取地物信息，多國相繼提出并成功發(fā)射雷達衛(wèi)星。雷達技術(shù)相對于光學(xué)技術(shù)的最大優(yōu)點在于可全天時、全天候工作[14-16]。另外，光學(xué)數(shù)據(jù)反映的是目標(biāo)體光譜特征，而“同物異譜、異物同譜”現(xiàn)象廣泛存在，限制了光學(xué)數(shù)據(jù)對地物的識別能力[17]。雷達數(shù)據(jù)主要根據(jù)地物的后向散射特性獲得異于光學(xué)遙感的影像[18]；同時，雷達衛(wèi)星的穿透性不僅有利于獲取植被的表面信息，對植被的葉、莖、枝、干等信息也有一定的反映，能獲取與光學(xué)遙感不同的地物信息[19-20]。KUMAR等[21]利用RISAT-1衛(wèi)星C波段雙極化雷達遙感數(shù)據(jù)對印度北方邦瓦拉納西地區(qū)農(nóng)作物進行識別，結(jié)果表明生殖生長期的作物有較高的分類精度。王宇航等[22]利用Quickbird光學(xué)數(shù)據(jù)和Radarsat-2全極化雷達影像，對福建省三明市將樂林場進行識別和分類，取得了較好的分類結(jié)果。以上研究表明，利用融合數(shù)據(jù)進行作物分類具有可行性和實用性。

本文針對融合雷達和光學(xué)影像進行農(nóng)作物分類，采用Sentinel-1和Sentinel-2的多源遙感數(shù)據(jù)作為研究數(shù)據(jù)源，以陜西省渭南市大荔縣某農(nóng)場為研究區(qū)，分別對無云和少量云層覆蓋條件下農(nóng)作物進行分類，探索光學(xué)和雷達融合數(shù)據(jù)對于作物分類的優(yōu)勢。

1　研究區(qū)域與數(shù)據(jù)源

1.1　研究區(qū)域

研究區(qū)域位于陜西省渭南市大荔縣某農(nóng)場(109°10′49″E，34°47′60″N)，屬于暖溫帶半濕潤半干旱季風(fēng)氣候，四季分明，光照充足，雨量適宜，年降水量約600 mm，有利于發(fā)展農(nóng)業(yè)，區(qū)域內(nèi)主要農(nóng)作物的種類及生長周期和土地類型如表1所示。

表1　研究區(qū)域主要地物Tab.1　Main land covers in study area

選擇該農(nóng)場中約10 km×5 km的區(qū)域進行研究，地面真實農(nóng)作物分類情況通過地面實地測量獲取，具體實驗區(qū)域如圖1所示，其中，圖1a為實驗區(qū)無云層覆蓋的光學(xué)融合圖像，圖1b為實驗區(qū)有部分云層覆蓋的光學(xué)融合圖像，圖1c為實驗區(qū)雷達圖像，圖1d為實驗區(qū)各類農(nóng)作物的實際分布圖。

1.2　數(shù)據(jù)及預(yù)處理

1.2.1數(shù)據(jù)選擇

以Sentinel-1和Sentinel-2(簡稱S1、S2)作為數(shù)據(jù)源，S1和S2是由歐空局研發(fā)的Sentinel系列衛(wèi)星，其中S1衛(wèi)星是由A、B兩顆衛(wèi)星的星座組成，軌道相距180°，組成星座后重訪時間僅為6 d，均搭載一個基于C波段的雷達成像系統(tǒng)，該成像系統(tǒng)采用4種成像模式實現(xiàn)對地觀測，分別是：條帶模式，分辨率為5 m×5 m；干涉模式，分辨率為5 m×20 m；超幅寬模式，分辨率為20 m×20 m；波模式，分辨率為5 m×5 m。具有雙極化、短重訪周期的特點。S2衛(wèi)星采用天體平臺-L(AstroBus-L)，該平臺為歐洲空間標(biāo)準(zhǔn)組織(ECSS)標(biāo)準(zhǔn)模塊化平臺，無地面控制點圖像定位精度20 m，星敏感器安裝在相機上，可獲得更優(yōu)的精度和穩(wěn)定性[23]。其上安裝的多光譜成像儀有13個通道，從可見光到近紅外至短波紅外，空間分辨率為10～60 m，為農(nóng)作物遙感監(jiān)測和作物類型制圖提供了理想的數(shù)據(jù)源(具體的波段和分辨率見表2)。

表2　Sentinel-2數(shù)據(jù)信息Tab.2　Main parameters of Sentinel-2

圖2　各個波段下5種地物的參數(shù)分布Fig.2　Five land covers parameters distribution of different bands

雷達數(shù)據(jù)選取S1干涉模式下的VV、VH通道，光學(xué)數(shù)據(jù)選取S2空間分辨率為10 m的B2、B3、B4、B8(藍、綠、紅、近紅外)和S2空間分辨率為20 m的B5、B6、B7、B8b、B11、B12等10個波段，具體使用的數(shù)據(jù)為：2017年4月1日S2無云光學(xué)數(shù)據(jù)與2017年4月5日S1雷達數(shù)據(jù)、2017年4月21日S2有云光學(xué)數(shù)據(jù)與2017年4月17日S1雷達數(shù)據(jù)。

1.2.2數(shù)據(jù)預(yù)處理

本研究采用的S2數(shù)據(jù)已經(jīng)過輻射校正等處理，只需進行大氣校正即可。S1數(shù)據(jù)經(jīng)過輻射校正、輻射地形矯正、濾波等一系列預(yù)處理操作。另外，在數(shù)據(jù)融合前需對多源遙感數(shù)據(jù)進行精確配準(zhǔn)，將S1、S2數(shù)據(jù)和地面真值數(shù)據(jù)映射到WGS84坐標(biāo)系，在此基礎(chǔ)上利用地面控制點和基于數(shù)據(jù)進行精確配準(zhǔn)處理。

1.2.3特征波段的選擇

目前關(guān)于農(nóng)作物分類研究主要依據(jù)植被指數(shù)的時序曲線，雖然植被指數(shù)可以形象準(zhǔn)確地區(qū)分不同作物，但因光學(xué)影像受到云雨、晝夜等外界因素影響較大，要獲取連續(xù)有效的光學(xué)影像較難，而運用單時相光學(xué)數(shù)據(jù)，植被指數(shù)難以準(zhǔn)確區(qū)分作物種類。因此，本文選擇幾組不同時相的數(shù)據(jù)進行作物分類研究。另外，用于農(nóng)情監(jiān)測的光學(xué)遙感數(shù)據(jù)多為紅、綠、藍和近紅外4個波段，且影像分辨率普遍較高，因此為了保證研究的通用性，本研究選取2組波段類型數(shù)據(jù)，一組為S2的紅、綠、藍、近紅外4個波段與S1的融合數(shù)據(jù)，另一組為表2中S2空間分辨率為10 m和20 m的10個波段與S1的融合數(shù)據(jù)。

由于地物波譜輻射在不同波段上的反映不同，所以同種地物在不同波段上反映的信息也不同，因此本文對不同作物在原始數(shù)據(jù)各個波段下的光譜特性進行了分析，分別計算了影像不同波段不同地物的均值及方差，各個波段所反映的不同地物如圖2所示。由圖2a可以看出，農(nóng)作物在近紅外波段(8號波段)附近輻射值均值明顯高于其他波段，而裸土與大棚變化不甚明顯；由圖2b可以看出，大棚在紅光波段(4號波段)附近輻射值方差明顯提高。

2　分類方法

本研究首先對多源遙感數(shù)據(jù)進行預(yù)處理，再根據(jù)有無云層覆蓋分為兩類，分別采用ML和SVM對2種條件下獲取的數(shù)據(jù)進行農(nóng)作物分類，并結(jié)合地面真值對分類結(jié)果進行精度分析。具體過程如圖3所示。

圖3　研究方法流程圖Fig.3　Flow chart of research method

ML監(jiān)督分類首先選取部分已知類別的區(qū)域作為訓(xùn)練樣本，通過計算得到?jīng)Q策值，并建立相應(yīng)的判別函數(shù)和判別準(zhǔn)則，然后將實驗區(qū)域樣本代入判別函數(shù)，利用判別準(zhǔn)則進行農(nóng)作物分類。

SVM以統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理為基礎(chǔ)，其分類原理是利用有限的樣本特征值在分類模型的復(fù)雜性和自學(xué)習(xí)能力之間尋求最佳平衡點，使目標(biāo)達到最佳泛化能力。其實現(xiàn)原理是：通過核函數(shù)將輸入向量映射一個高維特征空間，構(gòu)建最優(yōu)分類超平面，實現(xiàn)目標(biāo)的識別分類。

3　數(shù)據(jù)處理結(jié)果與分析

3.1　訓(xùn)練樣本集選擇

本研究所采用的ML和SVM都屬于監(jiān)督分類方法，在數(shù)據(jù)處理中每類農(nóng)作物都需事先選定一定數(shù)量的訓(xùn)練樣本，如圖4所示。

圖4　訓(xùn)練樣本的選取Fig.4　Selection of training samples

3.2　實驗區(qū)實測數(shù)據(jù)處理結(jié)果

3.2.1無云層覆蓋數(shù)據(jù)處理結(jié)果

分別利用ML和SVM對研究區(qū)融合數(shù)據(jù)進行農(nóng)作物分類，并對比分析分類結(jié)果。利用ML法對研究區(qū)的主要作物，即小麥、玉米、苜蓿，以及大棚、裸土進行分類，并對結(jié)果進行對比分析，ML方法對無云數(shù)據(jù)的處理結(jié)果沒有明顯改善。利用SVM對S2的紅、綠、藍、近紅外4個波段及其與S1的VV、VH波段融合數(shù)據(jù)進行農(nóng)作物分類，結(jié)果如圖5所示，其中圖5a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖5b為其誤差，圖5c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖5d為其誤差。對應(yīng)的各類農(nóng)作物識別精度、整體分類精度、Kappa系數(shù)如表3所示。

圖5中所標(biāo)出的紅色區(qū)域，由于雷達數(shù)據(jù)依據(jù)地物的后向散射特性進行作物分類，所以融合數(shù)據(jù)分類結(jié)果中裸土與大棚分類精度明顯提升。但是由于部分農(nóng)作物具有相似生長周期，并表現(xiàn)相似的波譜特性，如小麥、玉米，其分類結(jié)果沒有顯著改善。通過圖5和表3的對比分析可以看出，SVM分類方法中，融合數(shù)據(jù)整體分類精度相對光學(xué)數(shù)據(jù)提高約2個百分點，Kappa系數(shù)提高了5個百分點。另外，利用SVM對含S2特征波段數(shù)為10的光學(xué)數(shù)據(jù)及其與S1融合的數(shù)據(jù)進行農(nóng)作物分類，由于光學(xué)特征波段所占比例較大，融合數(shù)據(jù)分類結(jié)果相較于光學(xué)數(shù)據(jù)無明顯變化。綜上，對于無云數(shù)據(jù)，S2特征波段較少且使用SVM分類方法時，融合數(shù)據(jù)結(jié)果比光學(xué)數(shù)據(jù)提高較為顯著，而ML方法對分類精度的改善較小。

圖5　SVM方法處理含S2特征波段數(shù)為4的無云數(shù)據(jù)分類結(jié)果Fig.5　Classification results of SVM based on four bands of S2 in data with no cloud

表3　SVM方法處理含S2特征波段數(shù)為4的無云數(shù)據(jù)分類結(jié)果評估Tab.3　Classification result evaluation of SVM based on four bands of S2 in data with no cloud　　%

3.2.2有云層覆蓋數(shù)據(jù)處理結(jié)果

對有云層覆蓋的數(shù)據(jù)同樣分別利用ML和SVM 2種方法進行作物分類，利用ML法對S2的紅、綠、藍、近紅外4個波段及其與S1的VV、VH波段融合數(shù)據(jù)進行農(nóng)作物分類，結(jié)果如圖6所示，其中圖6a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖6b為其誤差，圖6c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖6d為其誤差。對應(yīng)的各類農(nóng)作物識別精度、整體分類精度、Kappa系數(shù)如表4所示。

圖6　ML處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果Fig.6　Classification results of ML based on four bands of S2 in data with cloud

表4　ML處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果評估Tab.4　Classification result evaluation of ML based on four bands of S2 in data with cloud　　%

通過圖6和表4的對比分析，可以看出融合數(shù)據(jù)整體分類精度比光學(xué)數(shù)據(jù)提高了約2個百分點，Kappa系數(shù)提升了約4個百分點。對圖中標(biāo)出區(qū)域，由于雷達數(shù)據(jù)可以反映出作物的莖葉等信息，使融合數(shù)據(jù)分類結(jié)果中玉米分類精度提高了7個百分點。另外，由于裸土樣本受云層影響較大，并且雷達數(shù)據(jù)所占比例較小，所以裸土與大棚分類結(jié)果沒有明顯變化。另外，利用ML法對含S2特征波段數(shù)為10的光學(xué)數(shù)據(jù)和融合數(shù)據(jù)進行作物分類，由于雷達數(shù)據(jù)所占比例過少，結(jié)果基本不變。

利用SVM分類方法對S2的紅、綠、藍、近紅外4個波段及其S1的融合數(shù)據(jù)進行分類，得到分類結(jié)果如圖7所示，其中圖7a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖7b為其誤差，圖7c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖7d為其誤差。表5為對應(yīng)的農(nóng)作物分類精度。

圖7　SVM方法處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果Fig.7　Classification results of SVM based on four bands of S2 in data with cloud

表5　SVM方法處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果評估Tab.5　Classification result evaluation of SVM based on four bands of S2 in data with cloud　　%

通過對圖7的分類結(jié)果和表5的分類精度進行對比分析可以看出，對于含S2特征波段數(shù)為4的數(shù)據(jù)而言，融合數(shù)據(jù)整體分類精度相較于光學(xué)數(shù)據(jù)提高了6個百分點，Kappa系數(shù)提高了8個百分點。對圖中標(biāo)出的區(qū)域，因為雷達數(shù)據(jù)可以通過農(nóng)作物的后向散射特性獲取農(nóng)作物的莖、葉、干等信息，所以融合數(shù)據(jù)分類結(jié)果中，小麥分類精度提高約11個百分點，苜蓿、大棚的分類精度提高約5個百分點。

利用SVM方法對S2的特征波段數(shù)為10的光學(xué)數(shù)據(jù)及其S1融合的融合數(shù)據(jù)進行農(nóng)作物分類，得到分類結(jié)果如圖8所示，其中圖8a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖8b為其誤差，圖8c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖8d為其誤差。表6為農(nóng)作物分類精度。

圖8　SVM方法處理含S2特征波段數(shù)為10的有云數(shù)據(jù)分類結(jié)果Fig.8　Classification results of SVM based on ten bands of S2 in data with cloud

表6　SVM方法處理含S2特征波段數(shù)為10的有云數(shù)據(jù)分類結(jié)果評估Tab.6　Classification result evaluation of SVM based on ten bands of S2 in data with cloud　　%

通過對圖8的分類結(jié)果和表6的分類精度進行對比分析可以看出，對含S2特征波段數(shù)為10的有云數(shù)據(jù)來說，融合數(shù)據(jù)整體分類精度相較于光學(xué)數(shù)據(jù)提高了約5個百分點，Kappa系數(shù)提高了約8個百分點。對圖8中標(biāo)出區(qū)域，由于雷達數(shù)據(jù)可以反映農(nóng)作物枝干信息，所以融合數(shù)據(jù)將波段信息相似的裸土和苜蓿區(qū)分出，裸土分類精度提高約11個百分點，并且其他作物分類精度也有所提高。

由上述結(jié)果可知，對于有云層覆蓋的融合數(shù)據(jù)而言，ML整體分類精度有小幅度提升；SVM分類結(jié)果中，融合數(shù)據(jù)整體分類精度及Kappa系數(shù)都有較大幅度提高；對于不同的數(shù)據(jù)源而言，含S2特征波段數(shù)為10的融合數(shù)據(jù)比含4個波段的S2融合數(shù)據(jù)分類結(jié)果更好。

綜上所述，由融合數(shù)據(jù)和光學(xué)數(shù)據(jù)的作物分類結(jié)果對比可知，融合數(shù)據(jù)用于作物分類結(jié)果更佳；對于有少量云層覆蓋的影像，融合數(shù)據(jù)對作物分類的整體精度和Kappa系數(shù)有較大的提高；對部分生長周期相似作物，含10個波段的S2融合數(shù)據(jù)比4個波段分類精度更高。

4　結(jié)論

(1)在2種分類方法下SVM提升幅度較明顯，其中，S1與S2特征波段數(shù)為4的融合數(shù)據(jù)在無云情況下對作物分類精度提高了2個百分點，Kappa系數(shù)提高了5個百分點；在有云情況下，S1與S2特征波段數(shù)為4的融合數(shù)據(jù)對農(nóng)作物總體分類精度和Kappa系數(shù)分別提高了6個百分點和8個百分點。

(2)采用S2中4個波段相比其10個波段，融合數(shù)據(jù)的農(nóng)作物分類精度提升效果更為顯著，而且利用SVM達到的分類結(jié)果更優(yōu)。

(3)S1雷達衛(wèi)星與S2光學(xué)衛(wèi)星都屬于歐空局為完善對地觀測而發(fā)射的Sentinel系列衛(wèi)星，最高空間分辨率都達到了10 m，在不同傳感器影像配準(zhǔn)融合方面具有較大優(yōu)勢，在作物分類等應(yīng)用中具有巨大潛力。

1BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6):1312-1323.

2陳仲新,任建強,唐華俊,等.農(nóng)業(yè)遙感研究應(yīng)用進展與展望[J].遙感學(xué)報, 2016, 20(5):748-767.

CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767. (in Chinese)

3BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program[J]. Geocarto International, 2011, 26(5): 341-358.

4FRITZ S, SEE L, YOU L, et al. The need for improved maps of global cropland[J]. Eos Transactions American Geophysical Union, 2013, 94(3):31-32.

5SEIFI M R, HASSAN G.A probabilistic SVM approach for hyperspectral image classification using spectral and texture features[J]. International Journal of Remote Sensing, 2017, 38(15): 4265-4284.

6蘇偉,姜方方,朱德海，等. 基于決策樹和混合像元分解的玉米種植面積提取方法[J/OL]. 農(nóng)業(yè)機械學(xué)報, 2015, 46(9): 289-295,301. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20150942&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.09.042.

SU Wei, JIANG Fangfang, ZHU Dehai, et al. Extraction of maize planting area based on decision tree and mixed-pixel unmixing methods[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9):289-295,301.(in Chinese)

7陳健,劉云慧,宇振榮.基于時序MODIS-EVI數(shù)據(jù)的冬小麥種植信息提取[J].中國農(nóng)學(xué)通報, 2011, 27(1):446-450.

CHEN Jian, LIU Yunhui, YU Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin, 2011, 27(1): 446-450. (in Chinese)

8ZHANG S W, LEI Y P, WANG L P, et al. Crop classification using MODIS NDVI data denoised by wavelet: a case study in Hebei Plain, China[J]. Chinese Geographical Science, 2011, 21(3): 322-333.

9KUSSUL N, LEMOINE G, GALLEGO F J, et al. Parcel-based crop classification in Ukraine using Landsat-8 data and Sentinel-1A data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2500-2508.

10楊閆君,占玉林,田慶久,等.基于GF-1/WFV NDVI時間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(24): 155-161.

YANG Yanjun, ZHAN Yulin, TIAN Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the CSAE, 2015, 31(24): 155-161.(in Chinese)

11張榮群,王盛安,高萬林,等. 基于時序植被指數(shù)的縣域作物遙感分類方法研究[J/OL]. 農(nóng)業(yè)機械學(xué)報, 2015, 46(增刊): 246-252. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file _no=2015S040&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.S0.040.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Remote-sensing classification method of county-level agricultural crops using time-series NDVI[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 246-252. (in Chinese)

12劉新圣,孫睿,武芳,等. 利用MODIS-EVI時序數(shù)據(jù)對河南省土地覆蓋進行分類[J]. 農(nóng)業(yè)工程學(xué)報, 2010, 26(1): 213-219.

LIU Xinsheng, SUN Rui, WU Fang, et al. Land-cover classification for Henan Province with time-series MODIS-EVI data[J]. Transactions of the CSAE, 2010, 26(1): 213-219. (in Chinese)

13徐磊,巫兆聰,羅飛,等. 基于GF-1/WFV與MODIS時空融合的森林覆蓋定量提取[J/OL]. 農(nóng)業(yè)機械學(xué)報, 2017, 48(7): 145-152. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170718&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.07.018.

XU Lei, WU Zhaocong, LUO Fei, et al. Quantitative extraction of forest cover based on fusing of GF-1/WFV and MODIS data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 145-152. (in Chinese)

14ZHONG N, YANG W, CHERIAN A, et al. Unsupervised classification of Polarimetric SAR images via riemannian sparse coding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(9): 5381-5390.

15LI X W, ZHANG L, WANG L Y, et al. Effects of BOW model with affinity propagation and spatial pyramid matching on Polarimetric SAR image classification[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3314-3322.

16樊勇,朱曦,張圣笛,等. 基于多源遙感數(shù)據(jù)的淮河流域城鎮(zhèn)擴張研究[J/OL]. 農(nóng)業(yè)機械學(xué)報, 2016, 47(11): 252-261. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161135&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.11.035.

FAN Yong, ZHU Xi, ZHANG Shengdi, et al. Urban expansion of Huaihe River basin based on multi-source remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 252-261. (in Chinese)

17謝登峰,張錦水,潘耀忠,等. Landsat 8和MODIS 融合構(gòu)建高時空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學(xué)報, 2015, 19(5):791-805.

XIE Dengfeng, ZHANG Jinshui, PAN Yaozhong, et al. Fusion of MODIS and Landsat-8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 19(5): 791-805. (in Chinese)

18王松寒,何隆華. 雷達遙感技術(shù)在水稻識別中的研究進展[J]. 遙感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR[J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

19BARGIEL D. A new method for crop classification combining time series of radar images and crop phenology information[J]. Remote Sensing of Environment, 2017, 198: 369-383.

20許璟,安裕倫,劉綏華,等. 基于Sentinel-1A后向散射特性的高原山區(qū)地物分類探討[J]. 貴州師范大學(xué)學(xué)報:自然科學(xué)版, 2016, 34(6):15-19,38.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features[J]. Journal of Guizhou Normal University: Natural Sciences, 2016, 34(6):15-19,38.(in Chinese)

21KUMAR P, PRASAD R, MISHRA V N, et al. Artificial neural network for crop classification using C-band RISAT-1 satellite datasets[J]. Russian Agricultural Sciences, 2016, 42(3):281-284.

22王宇航,范文義,劉超逸. 基于面向?qū)ο蟮?QUICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類[J]. 東北林業(yè)大學(xué)學(xué)報, 2016, 44(9): 44-49.

WANG Yuhang，F(xiàn)AN Wenyi，LIU Chaoyi. An object-based fusion of QUICKBIRD data and RADARSAR SAR data for classification analysis[J]. Journal of Northeast Forestry University, 2016, 44(9): 44-49. (in Chinese)

23鄭陽,吳炳方,張淼. Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評價[J]. 遙感學(xué)報, 2017, 21(2):318-328.

ZHENG Yang, WU Bingfang, ZHANG Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese)