李長(zhǎng)春 陳偉男 王 宇 馬春艷 王藝琳 李亞聰

(河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院， 焦作 454000)

0 引言

農(nóng)業(yè)生產(chǎn)是國(guó)家社會(huì)經(jīng)濟(jì)發(fā)展的基礎(chǔ)，是國(guó)土資源管理和糧食安全的關(guān)鍵[1-3]。冬小麥?zhǔn)俏覈?guó)的主要糧食作物之一，其種植面積和產(chǎn)量對(duì)于國(guó)家制定經(jīng)濟(jì)發(fā)展規(guī)劃、調(diào)控種植結(jié)構(gòu)、確保社會(huì)穩(wěn)定具有重要意義[4-7]。及時(shí)準(zhǔn)確地獲取冬小麥種植面積對(duì)農(nóng)業(yè)政策的制定具有重要意義。傳統(tǒng)的作物種植面積和分布信息的獲取和更新，一般需要管理人員進(jìn)行實(shí)地考察或查詢當(dāng)?shù)剞r(nóng)業(yè)統(tǒng)計(jì)報(bào)表。該過(guò)程異常繁瑣，會(huì)消耗大量的人力和物力，并且會(huì)產(chǎn)生一些不可預(yù)料的錯(cuò)誤[8-10]。遙感技術(shù)的發(fā)展，使得快速、準(zhǔn)確地獲取農(nóng)作物種植面積和分布狀況成為可能，因此使用遙感數(shù)據(jù)進(jìn)行冬小麥種植面積提取具有重要意義。

目前，光學(xué)遙感影像是國(guó)內(nèi)外眾多學(xué)者在作物提取研究中使用的最主要數(shù)據(jù)。由于光學(xué)遙感影像受到云雨天氣的影響，質(zhì)量無(wú)法得到保證，一定程度上限制了作物信息的提取[11-12]。雷達(dá)衛(wèi)星具有全天候獲取影像的優(yōu)勢(shì)，可以為使用光學(xué)遙感數(shù)據(jù)進(jìn)行作物信息提取提供數(shù)據(jù)保障[13-14]。國(guó)內(nèi)外一些學(xué)者基于融合影像進(jìn)行農(nóng)作物類型空間分布圖繪制，結(jié)果表明使用融合影像提取作物種植信息較單一傳感器的識(shí)別精度均有不同程度的提升[8,15-17]。因此，進(jìn)行作物種植信息的提取時(shí)，光學(xué)遙感數(shù)據(jù)和雷達(dá)數(shù)據(jù)的有效結(jié)合可以彌補(bǔ)某一類數(shù)據(jù)的局限性，充分發(fā)揮兩者的優(yōu)勢(shì)。

使用多生育期的遙感數(shù)據(jù)進(jìn)行作物種植信息提取效果優(yōu)于單生育期數(shù)據(jù)。使用多生育期遙感影像進(jìn)行作物種植信息提取，可以降低“同物異譜”和“同譜異物”的影響[18-20]。與單生育期影像相比，多生育期影像包含更多的物候信息，文獻(xiàn)[21-25]研究發(fā)現(xiàn)，使用多生育期影像可以獲取較好的識(shí)別精度，提高了作物識(shí)別的準(zhǔn)確性。因此，將作物的物候生育期有效結(jié)合起來(lái)，可以為冬小麥的識(shí)別與提取提供新的思路。

本文以河南省扶溝縣為研究區(qū)域，以冬小麥拔節(jié)期、抽穗期、開(kāi)花期、乳熟期、成熟期的Sentinel影像為數(shù)據(jù)源，結(jié)合實(shí)地調(diào)查數(shù)據(jù)，基于隨機(jī)森林算法，綜合5個(gè)關(guān)鍵生育期的植被特征、光譜特征和極化特征，分別研究單生育期單傳感器、單生育期多傳感器、多生育期單傳感器、多生育期多傳感器的冬小麥識(shí)別方案，完成冬小麥種植面積的提取和空間分布圖的制作，對(duì)比分析上述4種方案的提取精度，優(yōu)選縣域冬小麥提取的最佳生育期，探討生育期融合數(shù)據(jù)在冬小麥識(shí)別中的可行性。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

扶溝縣位于河南省中部(北緯33.84°～34.34°、東經(jīng)114.26°～114.65°)，總面積1 173 km2(圖1，圖中DEM為數(shù)字高程模型)。該區(qū)域地處溫暖帶，氣候?yàn)榘霛駶?rùn)季風(fēng)氣候，冬季寒冷白天時(shí)間短，夏季燥熱白天時(shí)間長(zhǎng)，四季分明，呈現(xiàn)非常典型的冬冷夏熱特征。全年最多的風(fēng)向?yàn)闁|風(fēng)，歷年平均氣溫在14～15.8℃之間，年均光照時(shí)長(zhǎng)為1 489～1 848 h，年均降水量在630 mm左右，全年無(wú)霜期為215 d左右，非常適合冬小麥種植。根據(jù)農(nóng)業(yè)農(nóng)村部公布的信息，扶溝縣冬小麥的物候期為：10月播種，11月出苗分蘗，12月至翌年1月分蘗越冬，2月至3月越冬返青，4月拔節(jié)抽穗，5月開(kāi)花乳熟，6月成熟收獲[1]。

1.2 遙感數(shù)據(jù)獲取及預(yù)處理

1.2.1Sentinel-1數(shù)據(jù)及預(yù)處理

Sentinel-1由兩顆極軌衛(wèi)星組成，均搭載C波段傳感器，重訪周期為6 d[17,26-27]，包括4種成像模式：條帶模式(Stripmap，SM)、超寬幅模式(Extra wide swath，EW)、波譜模式(Wave，WM)和干涉寬幅模式(Interferometric wide swath，IW)，其中IW模式是陸地觀測(cè)的主要成像模式。選取IW模式下的地距多視產(chǎn)品(Ground range detected，GRD)為數(shù)據(jù)源，該數(shù)據(jù)擁有交叉極化VH和同極化VV兩種極化方式。使用SAR工具條對(duì)各生育期的雷達(dá)影像進(jìn)行預(yù)處理，首先完成軌道校正和輻射校正，然后選擇Refined Lee濾波器進(jìn)行相干斑濾波，并進(jìn)行地理編碼，最后使用矢量文件裁剪出研究區(qū)。為方便數(shù)據(jù)可視化以及提取研究，將標(biāo)準(zhǔn)后向散射系數(shù)進(jìn)行分貝化處理。

1.2.2Sentinel-2數(shù)據(jù)及預(yù)處理

Sentinel-2影像的時(shí)間分辨率在Sentinel-2B成功發(fā)射后升至5 d，兩顆衛(wèi)星均攜帶多光譜成像儀(Multi-spectral instrument，MSI)，軌道寬度為290 km。該衛(wèi)星擁有13個(gè)多光譜波段，其中4個(gè)波段分辨率為10 m，6個(gè)波段分辨率為20 m，3個(gè)波段分辨率為60 m[17,26-27]。根據(jù)質(zhì)量?jī)?yōu)良、清晰無(wú)云、無(wú)條帶噪聲影響的原則，對(duì)目標(biāo)影像進(jìn)行篩選。使用經(jīng)過(guò)幾何校正和輻射校正的L1C級(jí)影像，并使用Sen2Cor插件將其處理為L(zhǎng)2A級(jí)產(chǎn)品。單景Sentinel-2影像無(wú)法覆蓋整個(gè)研究區(qū)，因此將同期影像鑲嵌成一景能覆蓋整個(gè)研究區(qū)的影像，并裁剪出研究區(qū)。波段運(yùn)算前需要統(tǒng)一波段，使用雙線性插值法完成空間分辨率的統(tǒng)一，對(duì)空間分辨率為20 m的波段進(jìn)行重采樣。以Sentinel-2影像為基礎(chǔ)，將預(yù)處理后的Sentinel-1和Sentinel-2數(shù)據(jù)進(jìn)行影像配準(zhǔn)，生成包含光學(xué)波段和雷達(dá)波段的融合影像。

1.3 樣本數(shù)據(jù)

在進(jìn)行分類模型構(gòu)建與驗(yàn)證過(guò)程中，需獲取可靠的地面樣本數(shù)據(jù)。在地面樣本數(shù)據(jù)選取時(shí)，將野外調(diào)查和記錄數(shù)據(jù)與谷歌高分辨率影像目視解譯結(jié)合，篩選出精準(zhǔn)的樣本數(shù)據(jù)。根據(jù)研究區(qū)概況以及研究目的，將樣本數(shù)據(jù)劃分為5個(gè)類別：冬小麥、水體(人造湖、河流等)、建筑(建筑物、裸地、道路等)、地膜(地膜及塑料大棚)、其他植被(林地、草地等)。利用上述方法共獲取187個(gè)樣本數(shù)據(jù)，其中冬小麥36個(gè)、水體30個(gè)、建筑及裸地50個(gè)、地膜及塑料大棚20個(gè)、其他植被51個(gè)。隨機(jī)將樣本數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，其中70%的樣本數(shù)據(jù)用于模型構(gòu)建；30%的樣本數(shù)據(jù)用于分類精度驗(yàn)證。

2 研究方法

2.1 技術(shù)路線

研究的基本流程如圖2(圖中R、G、B分別表示紅波段、綠波段和藍(lán)波段，SWIRⅠ、SWIRⅡ表示短波紅外波段)所示。首先對(duì)Sentinel-1和Sentinel-2數(shù)據(jù)進(jìn)行預(yù)處理和配準(zhǔn)；然后根據(jù)樣本數(shù)據(jù)構(gòu)建不同分類特征的多生育期變化曲線，分析不同類型地物在分類特征上的差異；最后使用隨機(jī)森林算法分別對(duì)4種方案的影像進(jìn)行分類，得到提取結(jié)果，完成精度分析。

2.2 隨機(jī)森林算法

本文使用的分類方法是隨機(jī)森林算法，該算法由BREIMAN提出，是一種集成分類器[27-28]。由于該算法具有魯棒性好、分類速度快、分類精度高、不易產(chǎn)生過(guò)擬合等優(yōu)勢(shì)，已經(jīng)被廣泛應(yīng)用在農(nóng)業(yè)領(lǐng)域[5-6,24-25]。

2.3 生育期數(shù)據(jù)篩選

考慮衛(wèi)星重訪周期和云層覆蓋度對(duì)Sentinel-2數(shù)據(jù)質(zhì)量的影響，選擇云量小于10%的光學(xué)遙感影像作為數(shù)據(jù)源。為降低數(shù)據(jù)源時(shí)間差異造成的影響，以Sentinel-2影像為參考，對(duì)過(guò)境時(shí)間跨度在3 d以內(nèi)的Sentinel-1影像進(jìn)行篩選。表1列舉了Sentinel影像的獲取時(shí)間和數(shù)量，并且采用英文字母對(duì)冬小麥的不同生育期進(jìn)行注記。

2.4 分類特征選擇與計(jì)算

考慮到研究區(qū)的生態(tài)環(huán)境、各類地物的結(jié)構(gòu)、冬小麥的物候特征、土壤背景信息的影響以及各種分類特征的意義[5,15,25]，選取5種光譜特征、3種極化特征和4種植被指數(shù)特征進(jìn)行冬小麥提取。除了農(nóng)情監(jiān)測(cè)常用的3個(gè)可見(jiàn)光R、G、B波段以外，還選取了Sentinel-1影像的VV、VH以及VH/VV比值，Sentinel-2影像的SWIRⅠ、SWIRⅡ以及歸一化植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)、紅邊歸一化植被指數(shù)、紅邊位置指數(shù)作為分類特征。由于各類地物在不同分類特征上包含的信息不同，因此對(duì)不同地物的時(shí)間特征進(jìn)行分析，觀察圖3可以發(fā)現(xiàn)冬小麥在各種分類特征上均容易與其他地物區(qū)分開(kāi)來(lái)。其中，VH/VV比值可以降低輻射不穩(wěn)定與環(huán)境因素等造成的影響，是評(píng)估植被生長(zhǎng)狀態(tài)的良好指標(biāo)[13-14]；SWIRⅠ、SWIRⅡ、VV、VH可以反映植物冠層含水率的狀況；土壤調(diào)節(jié)植被指數(shù)反映了土壤背景的情況，可以降低土壤背景對(duì)植被的影響[5,24]；歸一化植被指數(shù)是目前檢測(cè)植被生長(zhǎng)狀態(tài)的最佳指標(biāo)[21,27]，紅邊歸一化植被指數(shù)和紅邊位置指數(shù)充分利用Sentinel-2影像紅邊波段的優(yōu)勢(shì)，更加有效地區(qū)分各類農(nóng)作物[6]。歸一化植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)、紅邊歸一化植被指數(shù)、紅邊位置指數(shù)公式分別為

(1)

(2)

(3)

(4)

式中B4——紅波段反射率

B8——近紅外波段反射率

B8A——窄近紅外波段反射率

B5、B6、B7——紅邊波段反射率

i——土壤調(diào)節(jié)因子，取0.5

2.5 精度評(píng)定指標(biāo)

使用混淆矩陣對(duì)分類精度進(jìn)行評(píng)估?；诨煜仃嚕梢垣@取總體精度、Kappa系數(shù)，它們是定量描述分類精度的評(píng)價(jià)指標(biāo)[29-30]。

3 結(jié)果與分析

3.1 時(shí)間特征曲線分析

地物的極化特征、光譜特征、植被指數(shù)特征均會(huì)隨農(nóng)作物生育期的推移而變化，因此農(nóng)作物生長(zhǎng)發(fā)育的變化情況可以為農(nóng)作物識(shí)別提供有效、可靠的信息[24]。通過(guò)計(jì)算各類地物樣本的各項(xiàng)特征平均值，繪制各類地物時(shí)間特征曲線，結(jié)果如圖3所示。

從圖3中可以得到，不同類型地物的特征變化差異非常明顯：分析光譜特征可知，曲線呈現(xiàn)先減少后增加的趨勢(shì)，在抽穗期達(dá)到最小值后，開(kāi)始增長(zhǎng)，并且在成熟期達(dá)到最大；地膜、建筑、水體地物在光譜特征波段保持平穩(wěn)，沒(méi)有大幅度增減；其他植被在光譜特征波段均呈現(xiàn)逐漸降低并趨于平穩(wěn)的趨勢(shì)。分析植被指數(shù)特征可知，曲線呈現(xiàn)先增加后降低的趨勢(shì)，并且在抽穗期達(dá)到峰值，然后開(kāi)始降低，成熟期降到最低；其他植被的植被指數(shù)曲線均在開(kāi)花期后趨于平穩(wěn)；其他類型地物的曲線均在一定范圍內(nèi)上下波動(dòng)。分析極化特征可知，3種極化特征均呈現(xiàn)先降低后增加的趨勢(shì)，在抽穗期降到最低，在成熟期達(dá)到最高；其他植被的曲線呈現(xiàn)先增加后降低的趨勢(shì)，在開(kāi)花期達(dá)到最高；其他類型地物則呈現(xiàn)比較平穩(wěn)的趨勢(shì)，沒(méi)有較大波動(dòng)。

分析上述變化特點(diǎn)，可以得到如下結(jié)論：①冬小麥在各特征波段的變化曲線與其他地物類型的曲線較易區(qū)分，這與冬小麥獨(dú)特的物候特征密不可分。②對(duì)光譜特征進(jìn)行分析，在抽穗期，冬小麥的冠層對(duì)可見(jiàn)光(R、G、B)和SWIR波段的反射率達(dá)到最高，此時(shí)冬小麥的光譜特征值降到最低，抽穗期后，冬小麥開(kāi)始衰老，光譜特征值開(kāi)始逐漸增大。③對(duì)植被指數(shù)特征進(jìn)行分析，從拔節(jié)期到抽穗期，冬小麥生長(zhǎng)迅速，各項(xiàng)植被指數(shù)在抽穗期達(dá)到峰值，與植被冠層的葉綠素含量密不可分。抽穗期后，冬小麥光合作用衰減，葉片逐漸泛黃，葉面積指數(shù)降低，直至冬小麥葉片完全變黃，植被指數(shù)降到最小。④對(duì)極化特征進(jìn)行分析，從拔節(jié)期到抽穗期，葉密度和稈密度逐漸增加，土壤對(duì)后向散射的影響開(kāi)始降低，冠層散射占據(jù)主導(dǎo)地位，冬小麥的極化特征值開(kāi)始降低。從抽穗期到成熟期，冬小麥進(jìn)入衰老狀態(tài)，開(kāi)始出現(xiàn)麥穗，冬小麥植株的含水率逐漸降低，冠層密度也降低，土壤的散射作用逐漸增強(qiáng)，使3種極化特征值增加。⑤綜合分析上述分類特征可知，冬小麥的變化曲線均有著明顯區(qū)別于其他地物類型的特征，為冬小麥識(shí)別和種植面積提取提供了理論基礎(chǔ)。

3.2 冬小麥識(shí)別精度分析

3.2.1單生育期

分別對(duì)單生育期的3種影像組合分類結(jié)果進(jìn)行分析，繪制冬小麥空間分布圖，并評(píng)估分類的準(zhǔn)確性。在單生育期影像中，光學(xué)影像包含9個(gè)分類特征，雷達(dá)影像包含3個(gè)分類特征。表2為各生育期分類總體精度與Kappa系數(shù)，由表2可知，融合影像較僅使用光學(xué)影像和雷達(dá)影像，分類精度均有不同程度的提升。以Sentinel-2影像分類結(jié)果為基準(zhǔn)，分析融合影像的分類精度，5個(gè)生育期的總體精度依次提升了0.1、0.9、5.9、3.8、1.7個(gè)百分點(diǎn)，Kappa系數(shù)依次提升了0.1、1.2、7.8、5.0、2.4個(gè)百分點(diǎn)。

表2 各生育期總體精度與Kappa系數(shù)Tab.2 Overall accuracy and Kappa coefficient of mono-temporal images %

進(jìn)一步對(duì)比分析冬小麥在不同生育期遙感影像的分類結(jié)果。拔節(jié)期的雷達(dá)影像分類精度最高，其他植被在該生育期還未完全進(jìn)入生長(zhǎng)期，冬小麥的冠層密度相對(duì)較高，此時(shí)易與其他植被區(qū)分，但是該生育期的分類精度仍舊無(wú)法滿足冬小麥遙感識(shí)別精度要求。成熟期的光學(xué)影像分類精度最高，在該生育期，冬小麥植株體內(nèi)的葉綠素含量降到最低，其他植被進(jìn)入旺期生長(zhǎng)期，具有很明顯的植被指數(shù)特征，此時(shí)冬小麥在光學(xué)影像分類特征中很容易與其他地物類型進(jìn)行區(qū)分。在成熟期，融合影像分類精度最高，這是由于該生育期冬小麥植株含水率降低到最小，冠層密度達(dá)到最低，土壤背景的散射影響較大，結(jié)合冬小麥在成熟期光學(xué)影像上的良好表現(xiàn)，很容易將冬小麥與其他地物類型區(qū)分開(kāi)來(lái)。研究結(jié)果表明將光學(xué)影像和雷達(dá)影像進(jìn)行融合，可以提高分類精度，這與文獻(xiàn)[8,15-17]的研究結(jié)論一致。

3.2.2多生育期

分別對(duì)多生育期3種影像組合分類結(jié)果進(jìn)行分析，繪制冬小麥空間分布圖，對(duì)分類的準(zhǔn)確性進(jìn)行評(píng)估。在多生育期影像中，光學(xué)影像包含45個(gè)用于分類的特征，雷達(dá)影像包含15個(gè)分類特征。圖4為多生育期遙感影像的總體分類精度與Kappa系數(shù)，多生育期融合影像的分類精度最高；多生育期雷達(dá)影像分類精度最低，總體精度僅為81.9%，Kappa系數(shù)為76.4%；與多生育期雷達(dá)影像分類結(jié)果相比，多生育期光學(xué)影像的分類精度相對(duì)較高，總體精度為95.6%，Kappa系數(shù)為94.5%，但此精度仍低于多生育期融合影像。此外，由于融合后的多生育期影像，光譜特征和植被指數(shù)特征所占比例較大，多生育期融合影像分類結(jié)果比多生育期雷達(dá)影像提高較為顯著，而對(duì)于分類精度較高的多生育期光學(xué)影像的改善較小。這與文獻(xiàn)[13]使用多時(shí)相Sentinel-1和Sentinel-2數(shù)據(jù)在基于像元層面對(duì)農(nóng)作物進(jìn)行分類的研究結(jié)果一致。

由此可以得出，融合影像可以彌補(bǔ)雷達(dá)影像和光學(xué)影像的不足，對(duì)于提高冬小麥遙感識(shí)別精度非常有效。受重訪周期和光學(xué)影像質(zhì)量的影響，光學(xué)影像在某個(gè)生育期缺失時(shí)，可以使用雷達(dá)影像作為補(bǔ)充數(shù)據(jù)完成冬小麥的識(shí)別[8]。

3.3 分類結(jié)果

3.3.1典型地塊提取結(jié)果分析

對(duì)拔節(jié)期雷達(dá)VV影像和成熟期光學(xué)真彩色影像目視解譯，將冬小麥空間分布情況與4種實(shí)驗(yàn)方案制圖結(jié)果進(jìn)行對(duì)比分析。選擇包含5種地物類型的典型區(qū)域，對(duì)提取結(jié)果進(jìn)行比較分析，如圖5所示。

結(jié)果表明不同數(shù)據(jù)類型的制圖結(jié)果存在較大差異。對(duì)單生育期影像分類結(jié)果進(jìn)行分析，此3種分類結(jié)果“椒鹽”噪聲比較嚴(yán)重，圖5c中，錯(cuò)分、漏分最嚴(yán)重，該分類方案將水體誤分為冬小麥，這是由水體與冬小麥的極化特征相近造成的，分類結(jié)果準(zhǔn)確性較低，無(wú)法滿足制圖要求；圖5d中，無(wú)法將地膜與收割后的小麥區(qū)分開(kāi)，圖5e中，無(wú)法將收割后的冬小麥與裸地區(qū)分開(kāi)，這是由收割后的冬小麥與裸地、地膜的分類特征相似造成的，這兩種情況均對(duì)冬小麥種植面積的正確估算產(chǎn)生干擾。單生育期的影像在一定程度上可以將冬小麥與其他地物進(jìn)行有效區(qū)分，但物候特征在不同生育期的差異較大，蘊(yùn)含的信息量也不同，所以單生育期影像在冬小麥提取上具有一定的局限性。

對(duì)多生育期影像分類結(jié)果進(jìn)行分析，此3種分類結(jié)果較單生育期影像分類結(jié)果，“椒鹽”噪聲均得到改善。圖5f中，地塊內(nèi)部比較粗糙，且冬小麥地塊與其他地物之間的邊界比較模糊，錯(cuò)分、漏分現(xiàn)象依舊存在，受樹(shù)木冠層散射的影響，分類結(jié)果中的道路比實(shí)際的寬；圖5g中，地塊內(nèi)部相對(duì)均勻，道路與冬小麥地塊的邊界效果較優(yōu)，受冬小麥與其他植被之間存在“異物同譜”的影響，冬小麥地塊的輪廓邊緣依舊不是很清晰；圖5h將兩種數(shù)據(jù)融合后，分類結(jié)果中各類地物的分布范圍目視解譯結(jié)果基本保持一致，分類邊界最清晰，消除了將小塊水體誤分為冬小麥的現(xiàn)象，面積較大的植被與冬小麥地塊完全分離，可以將較窄的道路提取出來(lái)，有利于縣域冬小麥的遙感提取與制圖。

3.3.2冬小麥空間分布圖

針對(duì)研究的4種方案，選擇總體精度最高的多生育期融合影像繪制冬小麥空間分布圖。多生育期融合影像的總體精度和Kappa系數(shù)分別為96.8%和95.7%，分類結(jié)果可靠，具有良好的實(shí)用價(jià)值。圖6為基于多生育期融合影像繪制的2019年扶溝縣冬小麥空間分布圖，可以看出，冬小麥?zhǔn)欠鰷峡h境內(nèi)的主要夏收作物。以扶溝縣城區(qū)為中心，扶溝縣城區(qū)附近的冬小麥種植比較零散，其他地區(qū)的冬小麥種植分布均勻，地塊連續(xù)，與實(shí)地情況相符。

4 結(jié)論

(1)時(shí)間特征曲線表明，冬小麥生長(zhǎng)過(guò)程中，各種分類特征變化明顯，各類地物差異較大，可以進(jìn)行有效區(qū)分，為冬小麥種植面積提取提供理論依據(jù)。

(2)單生育期的雷達(dá)影像很難滿足制圖要求，使用多生育期的雷達(dá)影像可以解決該問(wèn)題。單生育期中，拔節(jié)期識(shí)別精度最高，但總體精度僅為62.9%。使用多生育期的雷達(dá)影像可以提高分類精度，總體精度達(dá)到81.9%，基本滿足制圖要求。

(3)使用單生育期的融合影像進(jìn)行分類，較同期的光學(xué)影像和雷達(dá)影像，分類精度均有不同程度提高。成熟期的融合影像分類精度最高，總體精度達(dá)到95.1%，Kappa系數(shù)達(dá)到94.8%，對(duì)于同一生育期，融合影像可以提高分類精度。

(4)多生育期的融合影像分類效果最優(yōu)，融合影像可以提高冬小麥識(shí)別精度。使用多生育期融合影像進(jìn)行冬小麥種植面積提取，可以繪制更為精準(zhǔn)的扶溝縣冬小麥空間分布圖。