張 超 喬 敏 劉 哲 劉帝佑 金虹杉 朱德海

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.國(guó)土資源部農(nóng)用地質(zhì)量與監(jiān)控重點(diǎn)實(shí)驗(yàn)室， 北京 100035)

0 引言

種子產(chǎn)量數(shù)據(jù)的準(zhǔn)確性和時(shí)效性直接關(guān)系到國(guó)家對(duì)種植結(jié)構(gòu)、播種面積的宏觀調(diào)控，目前農(nóng)作物種子生產(chǎn)面積通常采用行業(yè)統(tǒng)計(jì)和抽樣調(diào)查兩種方法獲取。這兩種方法各有它們自身的局限性，因此僅僅依靠傳統(tǒng)調(diào)查統(tǒng)計(jì)的模式已無(wú)法滿足管理機(jī)構(gòu)對(duì)數(shù)據(jù)準(zhǔn)確性和時(shí)效性的要求。遙感技術(shù)能夠結(jié)合制種作物的種植方式、物候歷特征、生物學(xué)特性、背景環(huán)境的區(qū)域性差異等地學(xué)信息，以及光譜特點(diǎn)、紋理結(jié)構(gòu)、空間位置及鄰近關(guān)系、時(shí)間序列及發(fā)展規(guī)律等影像信息，客觀、及時(shí)地獲取作物種植的面積及空間分布信息。新疆是我國(guó)玉米制種重點(diǎn)區(qū)域，準(zhǔn)確、及時(shí)地掌握玉米制種面積，可以為政府加強(qiáng)種子質(zhì)量監(jiān)管、保障種子供給安全、控制種子總量與結(jié)構(gòu)平衡等提供強(qiáng)有力的支撐。

國(guó)內(nèi)外已有大量的研究將多時(shí)相分析法運(yùn)用在農(nóng)作物識(shí)別中[1-4]，在光譜特征提取中常采用的單一植被指數(shù)難以表達(dá)作物間多維度的光譜差異，近幾年，國(guó)內(nèi)外研究人員開(kāi)始將多種植被指數(shù)同時(shí)運(yùn)用到植被和作物提取中[5-7]，但在現(xiàn)有的制種玉米識(shí)別研究中，大多只考慮了單一植被指數(shù)[8-9]。

針對(duì)光譜信息相近的同種作物，如制種玉米與大田玉米，可利用它們?cè)诟叻直媛蔬b感影像上反映出不同紋理信息作為經(jīng)過(guò)光譜特征提取制種玉米種植田識(shí)別結(jié)果后的輔助信息，實(shí)現(xiàn)高精度的制種玉米田識(shí)別[8-9]。近年來(lái)國(guó)內(nèi)外出現(xiàn)了很多關(guān)于紋理特征算法在圖像分類(lèi)應(yīng)用中的研究[10-11]。

圖1 研究區(qū)域和遙感數(shù)據(jù)示意圖Fig.1 Map of study area and remote sensing data

由于灰度共生矩陣是基于統(tǒng)計(jì)學(xué)原理，根據(jù)灰度圖像中各個(gè)像素間的距離和方向而構(gòu)成的，本文中的制種玉米條狀紋理信息的方向性突出，因此紋理特征提取之前首先需要考慮影像中紋理的方向性問(wèn)題。目前國(guó)內(nèi)外研究學(xué)者針對(duì)紋理灰度共生矩陣在旋轉(zhuǎn)不變性方面已進(jìn)行了較多的研究[12-15]。

分類(lèi)器選擇上，采用決策樹(shù)[8-9]設(shè)立規(guī)則的分類(lèi)方法，在規(guī)則設(shè)定閾值過(guò)程中人為干擾太大。隨機(jī)森林算法是BREIMAN[16]提出的一種基于分類(lèi)與回歸決策樹(shù)(Classification and regression tree，CART)的組合算法，HAM等[17]將隨機(jī)森林用于高光譜遙感數(shù)據(jù)的土地利用類(lèi)型分類(lèi)中，并比較隨機(jī)森林相對(duì)于傳統(tǒng)分類(lèi)方法存在的優(yōu)越性；在土地覆被分類(lèi)研究中，GUO等[18]利用隨機(jī)森林對(duì)多時(shí)相C波段SAR數(shù)據(jù)進(jìn)行土地覆被的分類(lèi)研究，實(shí)驗(yàn)結(jié)果表明利用隨機(jī)森林對(duì)多時(shí)相數(shù)據(jù)進(jìn)行分析，可以得到準(zhǔn)確度較高的分類(lèi)結(jié)果。

本文利用多源遙感數(shù)據(jù)：高分一號(hào)WFV多光譜影像、Landsat8 OLI影像和高分二號(hào)PMS全色影像，根據(jù)制種玉米與大田玉米田塊間存在的光譜和紋理差異，通過(guò)實(shí)地調(diào)研的作物樣本點(diǎn)，利用隨機(jī)森林分類(lèi)器提取制種玉米田，以期為我國(guó)雜交玉米制種監(jiān)測(cè)提供方法支撐。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

選取新疆維吾爾自治區(qū)伊犁州霍城縣為研究區(qū)，如圖1所示?；舫强h是新疆伊犁的直屬縣，地理范圍為東經(jīng)80°11′～81°24′，北緯43°39′～44°50′，地處伊犁河谷西北部的開(kāi)闊地帶?？h域地勢(shì)東北高西南低，北部山區(qū)是天然林區(qū)、河流發(fā)源地和高山草場(chǎng)，具有沿邊、沿路、沿河、沿山的獨(dú)特地緣優(yōu)勢(shì)?；舫强h總面積5 460 km2，土地資源豐富，地屬溫帶半干旱氣候，全年光照充足，冬夏冷熱懸殊，春溫不穩(wěn)定，秋溫下降快，晝夜溫差大，干旱少雨，為玉米、水稻、棉花、葡萄、小麥、甜菜等主要農(nóng)作物提供了良好的種植環(huán)境，也是伊犁州制種玉米最主要的種植區(qū)。

1.2 數(shù)據(jù)源簡(jiǎn)介

1.2.1衛(wèi)星數(shù)據(jù)

考慮到新疆地區(qū)作物類(lèi)型簡(jiǎn)單，種植田塊較大，以及制種玉米獨(dú)特的物候歷和種植特征，本文選用覆蓋制種玉米生育期(2016年3—9月)多時(shí)相國(guó)產(chǎn)GF- 1衛(wèi)星WFV多光譜影像數(shù)據(jù)，影像空間分辨率16 m，掃描幅寬800 km；由于云層以及衛(wèi)星軌道設(shè)定和天氣等因素的影響，作為補(bǔ)充部分Landsat8衛(wèi)星搭載的OLI數(shù)據(jù)，多光譜波段空間分辨率為30 m，成像幅寬為185 km；以及7月下旬砍除父本行后的國(guó)產(chǎn)GF- 2全色(PAN)影像數(shù)據(jù)，影像分辨率1 m，掃描幅寬45 km，衛(wèi)星影像數(shù)據(jù)參數(shù)如表1所示。

表1 研究區(qū)衛(wèi)星影像數(shù)據(jù)參數(shù)Tab.1 Satellite image data parameters in study area

1.2.2外業(yè)調(diào)查數(shù)據(jù)和土地利用分類(lèi)數(shù)據(jù)

野外樣本數(shù)據(jù)為遙感影像分類(lèi)提供了基本的參考數(shù)據(jù)，也為本文后面的機(jī)器分類(lèi)提供了學(xué)習(xí)樣本，根據(jù)研究區(qū)范圍大小，主要作物分布情況以及實(shí)際交通情況，進(jìn)行適當(dāng)?shù)碾S機(jī)樣點(diǎn)布設(shè)，共采集162樣點(diǎn)，其中制種玉米106個(gè)，大田玉米13個(gè)，其他作物包括水稻、棉花、葡萄、小麥、甜菜等主要農(nóng)作物共43個(gè)。其中隨機(jī)抽取70%實(shí)測(cè)樣點(diǎn)作為影像分類(lèi)器構(gòu)建的訓(xùn)練樣本，30%樣點(diǎn)作為對(duì)分類(lèi)結(jié)果的驗(yàn)證樣本。

根據(jù)國(guó)家對(duì)制種玉米規(guī)范化的種植和管理，其田塊地理位置短時(shí)間內(nèi)不易發(fā)生變動(dòng)；同時(shí)為縮小研究區(qū)范圍，避免林地草地等其他利用地類(lèi)型的干擾，因此利用2014年霍城縣16 m土地利用分類(lèi)數(shù)據(jù)作為耕地提取的輔助數(shù)據(jù)，得到研究區(qū)耕地遙感影像數(shù)據(jù)集，研究區(qū)耕地及樣點(diǎn)分布情況如圖2所示。

2 研究方法

利用多源遙感數(shù)據(jù)，構(gòu)建了多時(shí)相光譜特征和高空間分辨率遙感影像LBP- GLCM紋理特征的制種玉米田識(shí)別方法體系。首先利用玉米生育期GF- 1 WFV和Landsat8 OLI數(shù)據(jù)，構(gòu)建了多時(shí)相植被指數(shù)體系，利用隨機(jī)森林分類(lèi)器，實(shí)現(xiàn)制種玉米田的初步識(shí)別結(jié)果；接著利用去雄時(shí)相的GF- 2 PAN影像，根據(jù)LBP- GLCM紋理特征檢測(cè)方法，實(shí)現(xiàn)制種玉米田的再次識(shí)別，具體流程圖如圖3所示。

圖2 霍城縣樣點(diǎn)及耕地分布圖Fig.2 Samples and land distribution in Huocheng County

2.1 多時(shí)相植被指數(shù)體系

植被指數(shù)(Vegetable index，VI)主要反映植被在可見(jiàn)光、近紅外波段的反射情況與土壤背景之間的差異，根據(jù)波段間的組合、運(yùn)算，在一定條件下可以用來(lái)定量說(shuō)明植被生長(zhǎng)狀況的指標(biāo)[19-21]。本文考慮到作物物候歷、季相差異以及不同植被指數(shù)的意義和抗飽和性程度，構(gòu)建的植被指數(shù)體系包括NDVI、EVI、RVI、GNDVI、TVI、DVI、SAVI、NDWI 8個(gè)植被指數(shù)，彌補(bǔ)了單一植被指數(shù)無(wú)法全面反映作物光譜特征和過(guò)飽和的缺陷。

圖3 制種玉米田識(shí)別技術(shù)路線圖Fig.3 Technology roadmap for identification of seed maize field

(1)歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)，是應(yīng)用最為廣泛的植被指數(shù)，主要用于檢測(cè)植被生物量的多少以及植被的覆蓋度，即

NDVI=(NIR-R)/(NIR+R)

(1)

(2)增強(qiáng)型植被指數(shù)(Enhance vegetable index，EVI)，有效地反映植被覆蓋量和消除了大氣的影像，與植被覆蓋度相關(guān)性較好，不易達(dá)到飽和，即

EVI=2.5(NIR-R)/(NIR+6R-7.5B+1)

(2)

(3)比值植被指數(shù)(Ratio vegetable index，RVI)，綠色植物的靈敏指示參數(shù)，與植被覆蓋度、生物量、葉綠素含量相關(guān)性高，即

RVI=NIR/R

(3)

(4)綠色歸一化差值植被指數(shù)(Green normalized difference vegetation index，GNDVI)，利用近紅外和綠波段不同反射程度，對(duì)植被葉綠素含量極為敏感，有效表達(dá)植被的綠度和覆蓋度，即

GNDVI=(NIR-G)/(NIR+G)

(4)

(5)三角植被指數(shù)(Triangle vegetation index，TVI)，能夠較好地反映作物葉綠素含量，抗飽和性能較強(qiáng)，即

TVI=60(NIR-G)-100(R-G)

(5)

(6)差值植被指數(shù)(Difference vegetation index，DVI)，對(duì)土壤背景的變化極為敏感，當(dāng)植被覆蓋度低時(shí)效果較好，即

DVI=NIR-R

(6)

(7)土壤調(diào)節(jié)植被指數(shù)(Soil-adjusted vegetation index，SAVI)，用于調(diào)整土壤亮度，消除土壤反射率，即

SAVI=(1+L)(NIR-R)/(NIR+R+L)

(7)

(8)歸一化差值水指數(shù)(Normalized difference water index，NDWI)，能夠有效地提取植被冠層的水分含量，即

NDWI=(G-NIR)/(G+NIR)

(8)

式中B——藍(lán)色波段反射率

G——綠色波段反射率

R——紅色波段反射率

NIR——近紅外波段反射率

L——土壤調(diào)節(jié)參數(shù)，取0.5

2.2 LBP- GLCM紋理特征檢測(cè)

(9)

LBP均勻模式的計(jì)算公式為

(10)

式中P——算法作用的圓形鄰域所取的像素個(gè)數(shù)

R——鄰域半徑

gc——圓形鄰域中心像元的灰度

gp——圍繞gc，以R為半徑的像素點(diǎn)的灰度

2.3 隨機(jī)森林分類(lèi)方法

隨機(jī)森林分類(lèi)器由多棵Cart樹(shù)組成，每棵決策樹(shù)之間是沒(méi)有關(guān)聯(lián)的，每一棵Cart樹(shù)是由原始訓(xùn)練樣本集N中有放回的隨機(jī)抽取K個(gè)訓(xùn)練樣本，通過(guò)一定的分類(lèi)規(guī)則生成，在得到森林之后，當(dāng)有一個(gè)新數(shù)據(jù)輸入時(shí)，森林中的每一棵Cart樹(shù)分別對(duì)其應(yīng)該屬于哪一類(lèi)別進(jìn)行投票，統(tǒng)計(jì)得票數(shù)最高的類(lèi)型作為新數(shù)據(jù)的類(lèi)別。在建立每一顆決策樹(shù)的過(guò)程中，最為重要的兩個(gè)環(huán)節(jié)分別是采樣與分裂規(guī)則判斷，其中主要通過(guò)基尼指數(shù)和信息增益兩個(gè)參考指數(shù)進(jìn)行分類(lèi)純度度量，一般選擇具有最小基尼分裂指數(shù)的屬性值作為分裂屬性值、選擇具有最大信息增益的屬性作為分裂屬性。

3 實(shí)驗(yàn)結(jié)果與分析

圖4 多時(shí)相植被指數(shù)體系時(shí)序曲線Fig.4 Time series curves of multi-temporal vegetation index system

采用多景遙感數(shù)據(jù)，由于影像成像過(guò)程中的輻射失真和幾何畸變，所以每景影像都需要進(jìn)行輻射校正、大氣校正和正射校正等預(yù)處理操作；另外，由于不同傳感器不同時(shí)間獲取的遙感影像具有一定的位置偏差，地理位置不能完全準(zhǔn)確契合，因此，需要進(jìn)行影像配準(zhǔn)；其次，為了建立遙感影像時(shí)序數(shù)據(jù)集，便于采集相同地理位置不同時(shí)相的光譜反射值，需要對(duì)多時(shí)相影像進(jìn)行圖層疊加處理，合成時(shí)序影像數(shù)據(jù)集；此外與耕地?cái)?shù)據(jù)套合，提取出主要作物研究區(qū)。

3.1 不同作物時(shí)序曲線構(gòu)建與分析

對(duì)于某一植被指數(shù)時(shí)序曲線的構(gòu)建，主要利用ENVI spectrum library工具提取實(shí)測(cè)樣本對(duì)應(yīng)的多時(shí)相植被指數(shù)，根據(jù)作物物候歷和同一作物類(lèi)型曲線聚集點(diǎn)和走勢(shì)，判斷并刪除異常樣本，并以時(shí)相為橫坐標(biāo)，植被指數(shù)值為縱坐標(biāo)，得到多時(shí)相植被指數(shù)時(shí)序曲線，重復(fù)以上步驟，得到8種植被指數(shù)的時(shí)序曲線，如圖4所示。

3.2 基于隨機(jī)森林的多時(shí)相影像分類(lèi)

以制種玉米為監(jiān)測(cè)目標(biāo)，只對(duì)制種玉米田的分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，大田玉米、甜菜、小麥、葡萄、水稻、棉花被歸為其他作物。精度評(píng)價(jià)利用ENVI confusion matrix工具，錯(cuò)分率、精度和Kappa系數(shù)等都是從混淆矩陣中得到的實(shí)際值，如表2所示。

利用隨機(jī)森林進(jìn)行分類(lèi)，需要設(shè)置Cart樹(shù)的數(shù)量，本文選擇3—9月玉米全生育期內(nèi)植被指數(shù)影像集進(jìn)行Cart樹(shù)數(shù)量參數(shù)測(cè)試，分別在10～200區(qū)間內(nèi)梯度增加(10、30、50、70、100、120、150、170、200)。結(jié)果顯示，隨著Cart樹(shù)數(shù)量的增加，制圖精度相對(duì)穩(wěn)定，用戶精度和總體精度逐漸提高，在Cart樹(shù)為150時(shí)趨于穩(wěn)定，如表2所示。故本文選擇Cart樹(shù)為150作為后期實(shí)驗(yàn)中隨機(jī)森林分類(lèi)器的決策樹(shù)個(gè)數(shù)，進(jìn)行制種玉米田的識(shí)別。

將野外調(diào)查的研究區(qū)樣本點(diǎn)，隨機(jī)抽取70%作為影像分類(lèi)器構(gòu)建的訓(xùn)練樣本，放入隨機(jī)森林分類(lèi)器進(jìn)行學(xué)習(xí)，得到研究區(qū)制種玉米田的光譜分類(lèi)結(jié)果，如圖5所示。

表2 不同Cart樹(shù)數(shù)量的分類(lèi)精度評(píng)價(jià)Tab.2 Evaluation of classification accuracy useddifferent Cart tree numbers

圖5 “光譜”分析制種玉米田分類(lèi)結(jié)果Fig.5 Spectral analysis classification results of seed maize field

3.3 基于LBP- GLCM的制種玉米田紋理特征分析

由于多時(shí)相多指數(shù)光譜分析后的制種玉米種植田存在一些被錯(cuò)分為制種玉米田的其他作物類(lèi)型，因此本文采用制種玉米抽穗期間的高分辨率遙感影像上的紋理信息作為輔助特征，以刪除被誤分的作物來(lái)提高識(shí)別精度。

利用LBP- GLCM方法進(jìn)行影像紋理分析，對(duì)比未經(jīng)LBP旋轉(zhuǎn)不變處理和計(jì)算LBP旋轉(zhuǎn)不變量后在0°、45°、90°、135°方向上GLCM的均值、對(duì)比度、熵3個(gè)紋理特征量，發(fā)現(xiàn)原始影像在不同方向上的GLCM同一紋理特征量相差較大，無(wú)法作為分類(lèi)特征；而經(jīng)過(guò)旋轉(zhuǎn)不變性的LBP轉(zhuǎn)換后的影像，分別計(jì)算不同方向上的GLCM 3個(gè)紋理特征量，同一特征量在不同方向上的量化值差異相對(duì)較小，可以作為反映其紋理結(jié)構(gòu)的分類(lèi)特征，如圖6所示。

圖6 4個(gè)方向上的GLCM與LBP- GLCM紋理特征值Fig.6 Texture features of GLCM and LBP- GLCM in four directions

由圖6可知，經(jīng)過(guò)LBP- GLCM處理得到的紋理特征量基本消除了方向變量的影響，0°、45°、90°和135°這4個(gè)紋理方向上的紋理特征均可以作為本次實(shí)驗(yàn)中的作物分類(lèi)特征，同時(shí)由于研究區(qū)制種玉米種植田紋理結(jié)構(gòu)統(tǒng)一，在構(gòu)建GLCM中的步長(zhǎng)距離固定，因此本文對(duì)LBP變換后的影像以0°方向、1個(gè)像素距離生成GLCM，計(jì)算均值、對(duì)比度、熵3個(gè)特征量分別表征紋理的不同結(jié)構(gòu)特征，并將3個(gè)特征影像合成具有3個(gè)波段的紋理特征影像集，作為后續(xù)分類(lèi)的影像基礎(chǔ)。

3.4 基于隨機(jī)森林的紋理特征提取

把覆蓋圖5制種玉米田分布區(qū)域的高分二號(hào)亞米級(jí)空間分辨率的遙感影像放入已通過(guò)紋理特征量訓(xùn)練的隨機(jī)森林分類(lèi)器中，通過(guò)隨機(jī)森林Cart樹(shù)的投票判斷，進(jìn)一步識(shí)別制種玉米種植田塊，最終結(jié)果如圖7所示。

圖7 “光譜+紋理”分析制種玉米田分類(lèi)結(jié)果Fig.7 Spectral and texture analysis classification results of seed maize field

通過(guò)比較3—9月多時(shí)相遙感數(shù)據(jù)集僅利用光譜分析(簡(jiǎn)稱(chēng)“光譜”)和利用光譜結(jié)合高分二號(hào)全色影像紋理分析(簡(jiǎn)稱(chēng)“光譜+紋理”)進(jìn)行制種玉米田識(shí)別的兩種方法，如表3所示，由表3可得：①根據(jù)有限的精度驗(yàn)證樣本得出的精度評(píng)價(jià)結(jié)果顯示，兩種方法識(shí)別出制種玉米種植田的總體精度和Kappa系數(shù)幾乎相等，“光譜+紋理”的識(shí)別方法略高于“光譜”的識(shí)別方法。②其中，“光譜+紋理”得到的制種玉米田識(shí)別結(jié)果錯(cuò)分率趨于0，明顯低于“光譜”得到的識(shí)別結(jié)果，其漏分率近似且略高于“光譜”識(shí)別結(jié)果，為了滿足實(shí)際應(yīng)用中制種玉米識(shí)別“宜漏不宜錯(cuò)”的原則，兩種方法具有近似漏分率的前提下，錯(cuò)分率更低的“光譜+紋理”的遙感識(shí)別方法準(zhǔn)確性明顯更高。③“光譜+紋理”是在“光譜”基礎(chǔ)上對(duì)識(shí)別結(jié)果的進(jìn)一步提煉，通過(guò)圖5、7中兩種方法得到的分布情況，“光譜+紋理”刪除了僅依靠“光譜”中其他作物誤分的種植田塊，同時(shí)減少了一定的椒鹽點(diǎn)，可以刪除部分面積小且分散的種植田，識(shí)別出的制種玉米田更為連片集中。但是由于部分制種玉米田塊種植制度或影像質(zhì)量等原因，紋理結(jié)構(gòu)較為模糊，因此部分制種玉米田產(chǎn)生了被漏分的情況。

表3 “光譜”和“光譜+紋理”精度評(píng)價(jià)Tab.3 Accuracy evaluation between “spectrum” and “spectrum and texture” classification ways

4 結(jié)論

(1)依據(jù)研究區(qū)作物類(lèi)型與種植制度差異，從生物量、土壤背景反射率、冠層含水量3個(gè)角度選擇了8個(gè)植被指數(shù)：EVI、NDVI、TVI、GNDVI、RVI、SAVI、DVI、NDWI，通過(guò)多個(gè)植被指數(shù)反映作物光譜特征，有效防止了單一植被指數(shù)的易飽和性，增加了不同作物分類(lèi)屬性特征，更易識(shí)別出作物類(lèi)型。最終以全生育期3—9月的多時(shí)相光譜分析作物總體分類(lèi)精度達(dá)到90.57%，制種玉米田分類(lèi)用戶精度為95.98%，制圖精度87.02%。

(2)對(duì)亞米級(jí)空間分辨率的高分二號(hào)全色影像計(jì)算LBP旋轉(zhuǎn)不變量，有效減弱了相同紋理結(jié)構(gòu)的作物田GLCM方向變量的影響，在實(shí)際應(yīng)用中則可選擇固定的方向參數(shù)進(jìn)行紋理特征提取。最終由隨機(jī)森林對(duì)均值、對(duì)比度、熵特征集影像分類(lèi)，得到的作物分類(lèi)總體精度為91.51%，制種玉米田分類(lèi)結(jié)果用戶精度為99.20%，制圖精度為86.68%。由于水稻、棉花等其他幾種作物之間的混淆，使得分類(lèi)結(jié)果總體精度并未顯著提高，但是經(jīng)過(guò)紋理特征提取進(jìn)一步分類(lèi)后得到的制種玉米種植田識(shí)別結(jié)果錯(cuò)分率為0.4%，更能夠保證制種玉米田識(shí)別的準(zhǔn)確性。

1 YOUNG S S, WANG C Y. Land-cover changes analysis of China using global-scale Pathfinder AVHRR Landcover (PAL) data [J]. International Journal of Remote Sensing, 2001, 22(2): 1457-1477.

2 馬麗, 徐新剛, 賈建華, 等. 利用多時(shí)相TM影像進(jìn)行作物分類(lèi)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(增刊2): 191-195.

MA Li, XU Xin’gang, JIA Jianhua, et al. Crop classification method using multi-temporal TM images [J]. Transactions of the CSAE, 2008, 24(Supp.2): 191-195. (in Chinese)

3 劉佳, 王利民, 楊福剛, 等. 基于HJ時(shí)間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(3): 199-206.

LIU Jia, WANG Limin, YANG Fugang, et al. Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the CSAE, 2015, 31(3): 199-206. (in Chinese)

4 黃健熙, 牛文豪, 馬鴻元, 等. 基于時(shí)間序列HJ- 1 A/B衛(wèi)星數(shù)據(jù)的冬小麥成熟期預(yù)測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(11): 278-284. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20161138&flag=1. DOI: 10.6041 /j.issn. 1000-1298. 2016.11.038.

HUANG Jianxi, NIU Wenhao, MA Hongyuan, et al. Prediction of maturity data for winter wheat based on time series of HJ- 1 A/B CCD images [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 278-284. (in Chinese)

5 PENA-BARRAGAN J M, NGUGI M K, PIANT R E, et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology [J]. Remote Sensing of Environment, 2011, 115(6): 1301-1316.

6 李映雪, 朱艷, 戴廷波,等. 小麥葉面積指數(shù)與冠層反射光譜的定量關(guān)系[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2006, 17(8): 1443-1447.

LI Yingxue, ZHU Yan, DAI Tingbo, et al. Quantitative relationship between leaf area index and canopy reflection spectra of wheat [J]. Chinese Journal of Applied Ecology, 2006, 17(8): 1443-1447. (in Chinese)

7 蘇岫, 耿杰, 馬曉瑞, 等. 基于多種植被指數(shù)信息與聯(lián)合稀疏表示的紅樹(shù)林種類(lèi)識(shí)別[J]. 海洋環(huán)境科學(xué), 2017, 36(1): 114-120.

SU Xiu, GENG Jie, MA Xiaorui, et al, Mangrove species classification based on multiple vegetation index extraction and joint sparse representation[J]. Marine Environmental Science, 2017, 36(1): 114-120. (in Chinese)

8 劉哲, 李智曉, 張延寬, 等. 基于時(shí)序EVI決策樹(shù)分類(lèi)與高分紋理的制種玉米識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(10): 321-327. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20151043&flag=1. DOI: 10.6041 /j. issn.1000-1298.2015.10.043.

LIU Zhe, LI Zhixiao, ZHANG Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 321-327. (in Chinese)

9 張超, 金虹杉, 劉哲, 等. 基于GF遙感數(shù)據(jù)紋理分析識(shí)別制種玉米[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(21): 183-188.

ZHANG Chao, JIN Hongshan, LIU Zhe, et al. Seed maize identification based on texture analysis of GF remote sensing data [J]. Transactions of the CSAE, 2016, 32(21): 183-188. (in Chinese)

10 白雪冰, 王克奇, 王輝. 基于灰度共生矩陣的木材紋理分類(lèi)方法的研究[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2005, 37(12): 1667-1670.

BAI Xuebing, WANG Keqi, WANG Hui. Research on the classification of wood texture based on gray level co-occurrence matrix [J]. Transactions of Journal of Harbin Institute of Technology, 2005, 37(12): 1667-1670. (in Chinese)

11 ZHANG Gong, JAYAS D S, JIANG Deyun, et al. Grain classification with combined texture model [J]. Transactions of the CSAE, 2001, 17(1): 149-153.

12 商立群 ,杜亞娟. Hu矩和Zernike矩在圖象識(shí)別中的應(yīng)用[J]. 西安科技學(xué)院學(xué)報(bào), 2000, 20(1): 53-56.

SHANG Liqun, DU Yajuan. On application of Hu moments and Zernike moments in images identification [J]. Journal of Xi’an University of Science & Technology, 2000, 20(1): 53-56. (in Chinese)

13 OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.

14 楊龍飛. 基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究[D]. 蘭州：蘭州大學(xué), 2016.

YANG Longfei. The study on texture feature extraction method based on LBP and GLCM [D]. Lanzhou: Lanzhou University, 2016. (in Chinese)

15 王國(guó)德, 張培林, 任國(guó)全, 等. 融合LBP與GLCM的紋理特征提取方法[J]. 計(jì)算機(jī)工程, 2012, 38(11): 199-201.

WANG Guode, ZHANG Peilin, REN Guoquan, et al. Texture feature extraction method fused with LBP and GLCM [J]. Computer Engineering, 2012, 38(11): 199-201. (in Chinese)

16 BREIMA L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

17 HAM J, CHEN Y C, GRAWFORD M M, et al. Investigation of the random forest framework for classification of hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 492-501.

18 GUO L, CHEHATA N, MALLET C, et al. Relevance of airborne lidar and multispectral image data for urban scene classification using random forests[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(1): 56-66.

19 姜海玲, 楊杭, 陳小平, 等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J]. 光譜學(xué)與光譜分析, 2015, 35(4): 975-981.

JIANG Hailing, YANG Hang, CHEN Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 975-981. (in Chinese)

20 王玉. 基于時(shí)序光譜庫(kù)的棉花種植面積信息提取研究[D]. 北京：中國(guó)地質(zhì)大學(xué)(北京), 2013.

WANG Yu. Research on cotton planting areas extraction based on MODIS- EVI time-series data base[D]. Beijing: China University of Geosciences(Beijing), 2013.(in Chinese)

21 張喜旺, 秦耀辰, 秦奮. 綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(8): 154-163.

ZHANG Xiwang, QIN Yaochen, QIN Fen. Remote sensing estimation of planting area for winter wheat by integrating seasonal rhythms and spectral characteristics[J]. Transactions of the CSAE, 2013, 29(8): 154-163. (in Chinese)