楊昆 王加勝

摘要 應(yīng)用高分辨率的Sentinel-2A數(shù)據(jù)，提出了隨機(jī)森林算法結(jié)合多特征的烤煙遙感提取方法。然后將支持向量機(jī)和分類回歸樹算法與隨機(jī)森林算法進(jìn)行了對(duì)比試驗(yàn)，3種分類器與光譜+地形+紋理+纓帽特征組合的平均驗(yàn)證精度分別為63%、88%和94%，隨機(jī)森林分類器結(jié)合光譜+地形+紋理+纓帽特征組合的分類精度最佳，制圖精度達(dá)到90%，用戶精度為98%，總體精度為96%，Kappa系數(shù)為0.94。結(jié)果顯示，研究區(qū)烤煙的最佳分類時(shí)相為4月下旬至5月下旬;隨機(jī)森林算法結(jié)合光譜+地形+紋理+纓帽特征的方法能夠精確地對(duì)研究區(qū)烤煙種植區(qū)進(jìn)行遙感提取，為云南高原山區(qū)農(nóng)作物提取提供技術(shù)參考。

關(guān)鍵詞 烤煙;隨機(jī)森林;Sentinel-2A;特征優(yōu)化;曲靖市

Abstract A remote sensing extraction method of flue-cured tobacco based on high-resolution sentinel-2A data was proposed. Then the support vector machine and classification regression tree algorithm were compared with the random forest algorithm.The average verification accuracy of the three classifiers combined with spectrum，terrain，texture and tassel cap features were 63%，88% and 94%，respectively.The classification accuracy of RF classifier combined with spectral，terrain，texture and tassel cap features was the best ，with mapping accuracy of 90%，user accuracy of 98%，overall accuracy of 96% and Kappa coefficient of 0.94.Results showed that the best classification period of flue-cured tobacco in the study area was from late April to late May;RF algorithm combined with spectrum，terrain，texture and tassel cap features could accurately extract tobacco planting area in the study area，which provided technical reference for crop extraction in Yunnan plateau mountainous area.

Key words Flue-cured tobacco;Random forest;Sentinel-2A;Feature optimization;Qujing City

曲靖市借助得天獨(dú)厚的地理位置和氣候條件，生產(chǎn)出了優(yōu)質(zhì)的煙葉，是亞洲最大的優(yōu)質(zhì)烤煙生產(chǎn)基地。但是隨著近幾年來氣候條件的惡化，對(duì)烤煙的種植空間的時(shí)空變化產(chǎn)生了一定的影響。因此合理優(yōu)化烤煙種植空間結(jié)構(gòu)，對(duì)烤煙種植區(qū)進(jìn)行監(jiān)測(cè)和制圖具有重要的現(xiàn)實(shí)意義。

GEE（Google Earth Engine）云計(jì)算平臺(tái)是一個(gè)集數(shù)據(jù)獲取、數(shù)據(jù)運(yùn)算以及可視化分析于一身的平臺(tái)。它強(qiáng)大的云計(jì)算能力能夠讓用戶幾秒鐘至幾分鐘之內(nèi)快速完成數(shù)據(jù)的獲取、數(shù)據(jù)的預(yù)處理、數(shù)據(jù)的分析以及展示，極大提高了影像處理的效率，節(jié)約時(shí)間成本。因此，近幾年來GEE云計(jì)算平臺(tái)被廣泛應(yīng)用在農(nóng)情監(jiān)測(cè)領(lǐng)域，比如Dong等[1]基于GEE平臺(tái)，使用Landsat8影像對(duì)2014年東北亞地區(qū)的水稻種植區(qū)進(jìn)行了提取，其中生產(chǎn)者精度為73%，用戶精度達(dá)到了92%。

目前，中分辨率影像在大面積農(nóng)作物識(shí)別領(lǐng)域廣泛應(yīng)用。柳文杰等[2]利用國產(chǎn)衛(wèi)星和MODIS融合數(shù)據(jù)對(duì)湖南洞庭湖區(qū)域的水稻種植區(qū)進(jìn)行了提取，結(jié)果表明NDVI+物候特征的方法參與水稻分類具有良好的效果。但是云南高原山區(qū)地形起伏不平，農(nóng)作物種類繁多，很多耕地不連成片且不規(guī)則，存在某個(gè)區(qū)域有多種農(nóng)作物種植，如果使用中分辨率的衛(wèi)星影像，很容易產(chǎn)生混合像元，大大降低制圖精度。因此，高精度的衛(wèi)星影像是高原山區(qū)農(nóng)作物提取的關(guān)鍵之一。

雖然研究人員對(duì)大量農(nóng)作物類型提取進(jìn)行了研究，但是鮮見烤煙的遙感提取研究。鑒于此，筆者以云南省曲靖市馬龍、陸良、師宗以及羅平4區(qū)縣為研究區(qū)，基于GEE平臺(tái)，應(yīng)用高分辨率的Sentinel-2A數(shù)據(jù)，提出了隨機(jī)森林算法結(jié)合多特征的烤煙遙感信息提取方法，并與支持向量機(jī)和分類回歸樹算法進(jìn)行對(duì)比，研究隨機(jī)森林算法在該地區(qū)烤煙識(shí)別的適用性，以期為云南高原山區(qū)農(nóng)作物識(shí)別、農(nóng)業(yè)規(guī)劃和決策提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)馬龍、陸良、師宗以及羅平4區(qū)縣位于云南省曲靖市南部，東臨貴州省，西與昆明市接壤，南與紅河州、文山州毗鄰（103°16′～104°43′E，24°20′～25°37′N），面積9 655 km2左右，約占全市面積的33.4%。研究區(qū)地處云貴高原，珠江源頭，地形屬于高原山地地形，地勢(shì)由西北向東南傾斜。研究區(qū)為亞熱帶高原季風(fēng)氣候，年平均氣溫14～16 ℃，年均降水量900～1 600 mm，年均日照時(shí)數(shù)1 500～2 500 h。烤煙的生長期為4—9月份，其物候歷信息如表1所示。

1.2 數(shù)據(jù)與預(yù)處理

該研究采用的數(shù)據(jù)包括Sentinel-2A影像數(shù)據(jù)、SRTM數(shù)字高程數(shù)據(jù)以及樣本數(shù)據(jù)。具體描述如下：①Sentinel-2A影像數(shù)據(jù)。與烤煙最難區(qū)分的農(nóng)作物類型就是玉米，烤煙與玉米的外形相似，因此光譜特征很相似，但它們的物候特征存在很大差異，烤煙在4月下旬到5月中旬移栽完之后要覆蓋地膜，以搶抓積溫，保持熱量充足，同時(shí)使墑內(nèi)水分充足，8月下旬至9月上旬進(jìn)行采收，玉米則在3月下旬至4月上旬播種完之后覆膜，有些地區(qū)不覆膜，8月下旬至9月上旬進(jìn)行采收。烤煙和玉米的覆膜時(shí)間相差1個(gè)多月，因此當(dāng)4月下旬至5月下旬烤煙存在地膜的時(shí)候，玉米的覆膜期快要結(jié)束，除此之外其他農(nóng)作物這時(shí)期不需要覆蓋地膜。因此關(guān)鍵物候期影像為4月下旬至5月下旬，考慮云影像，收集了4月27號(hào)的云量低于20的影像5幅。數(shù)據(jù)來源為GEE平臺(tái)，產(chǎn)品級(jí)別為1C級(jí)，該級(jí)別經(jīng)過了數(shù)字高程模型校正，影像空間分辨率為10 m，總共13個(gè)波段。預(yù)處理：首先計(jì)算QA60波段Bit10和Bit11的值，設(shè)置2者的值為0得到云掩膜，利用云掩膜去除影像中的云信息，然后對(duì)5幅影像進(jìn)行中值合成，最后裁剪研究區(qū)范圍，得到最佳分類影像。②SRTM數(shù)字高程數(shù)據(jù)。選用的是GEE平臺(tái)上由NASA噴氣推進(jìn)實(shí)驗(yàn)室提供的航天飛機(jī)雷達(dá)地形測(cè)繪任務(wù)（The Shuttle Radar Topography Mission，SRTM[3]）數(shù)字高程數(shù)據(jù)，分辨率為30 m，坐標(biāo)系統(tǒng)采用WGS84，定位精度為1 m，高程精度為±16 m，影像集ID為“USGS/SRTMGL1_003”。預(yù)處理：將SRTM數(shù)據(jù)按照研究區(qū)進(jìn)行裁剪即可。③樣本數(shù)據(jù)。樣本數(shù)據(jù)分為實(shí)地和線上采集2種方式進(jìn)行，將研究區(qū)主要地物劃分為烤煙、其他農(nóng)作物、建筑用地、林地和水體，總共采集12 553個(gè)樣本，其中烤煙2 157個(gè)，其他農(nóng)作物6 077個(gè)，建筑用地1 883個(gè)，林地1 683個(gè)，水體753個(gè)。實(shí)地采集數(shù)據(jù)時(shí)間為2019年9月21—24日，實(shí)地總共采集131個(gè)點(diǎn)樣本。線上采集是在Google Earth Pro上通過目視解譯法完成的，樣本遵循隨機(jī)、均勻的原則。所有樣本數(shù)據(jù)70%用作訓(xùn)練數(shù)據(jù)，30%用作驗(yàn)證數(shù)據(jù)。

1.3 研究方法

基于GEE平臺(tái)，通過物候分析選擇關(guān)鍵物候期哨兵2數(shù)據(jù)進(jìn)行快速地去云、拼接與裁剪，得到最佳時(shí)相影像數(shù)據(jù)，然后對(duì)光譜、紋理、地形以及纓帽特征進(jìn)行構(gòu)建與提取，利用J-M距離公式對(duì)特征集進(jìn)行優(yōu)化，最后分別使用支持向量機(jī)（Support Vector Machine，SVM）、分類回歸樹（Classification And Regression Trees，CART）以及隨機(jī)森林（Random Forest，RF）算法結(jié)合優(yōu)化后的特征對(duì)影像進(jìn)行分類以及精度評(píng)價(jià)（圖1）。

1.3.1 特征構(gòu)建。

1.3.1.1 光譜特征。該研究光譜特征包括原始特征和光譜指數(shù)。原始特征包括其中的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12總共10個(gè)原始光譜波段 。通過計(jì)算NDVI[4]（歸一化植被指數(shù)）、EVI[5]（增強(qiáng)型植被指數(shù)）、MSAVI[6]（修改型土壤調(diào)整植被指數(shù)）、NDWI[7]（歸一化水體指數(shù)）、LSWI[7]（地表水分指數(shù)）以及NDBI[8]（歸一化建筑指數(shù)）6種常見光譜指數(shù)，并將它們分別加入原始特征空間的構(gòu)建。

1.3.1.2 地形特征。地形特征作為研究區(qū)的突出特點(diǎn)之一。研究區(qū)所處地形為高原山區(qū)，烤煙一般需要連片的大田以及靠近水源，所以大體種植在相對(duì)平緩地勢(shì)較低的地方，很少種植在坡度較大海拔較高的區(qū)域。而其他農(nóng)作物和林地往往可以在坡地進(jìn)行種植和生長，因此可以利用地形特征更好地區(qū)分烤煙與其他植被，提高烤煙的提取精度。由于研究區(qū)海拔差異不明顯，將研究區(qū)SRTM數(shù)字高程數(shù)據(jù)計(jì)算得到的坡度（Slope）、坡向（Aspect）以及山體陰影（Hillshade）3個(gè)特征分量分別作為獨(dú)立波段參與原始特征的構(gòu)建。

1.3.1.3 紋理特征。紋理是遙感影像分類中重要的特征之一，它表現(xiàn)的是影像的表面或者結(jié)構(gòu)屬性?？緹熍c玉米的光譜特征以及紋理特征都很相似，但與其他農(nóng)作物紋理特征有很大不同，該研究可以很好地通過光譜的差異來解決烤煙和玉米、其他農(nóng)作物的混分，也可以通過紋理特征的差異區(qū)分烤煙與其他農(nóng)作物?；诨叶裙采仃嚕℅ray-Level Co-occurrence Matrix，GLCM）的統(tǒng)計(jì)方法[9-10]對(duì)紋理特征進(jìn)行計(jì)算，將其中得到的角二階矩（NDVI_asm）、對(duì)比度（NDVI_contrast）、相關(guān)性（NDVI_corr）、方差（NDVI_var）、逆差矩（NDVI_idm）、熵（NDVI_ent）6個(gè)紋理特征統(tǒng)計(jì)量參與到原始特征的構(gòu)建中。

1.3.1.4 纓帽變換特征。纓帽變換即坎斯-托馬斯變換（Kauth-Thomas Transformation，KT[12]），又稱纓帽變換（Tasselled Cap Transformation，TCT）。纓帽變換的轉(zhuǎn)換系數(shù)是固定的，依賴于影像的傳感器，纓帽變換通過這個(gè)轉(zhuǎn)換系數(shù)將多光譜影像變換到具有同樣多波段數(shù)的特征空間，其中得到的前3個(gè)特征分量為亮度指數(shù)、綠度指數(shù)、濕度指數(shù)。其變換公式如下：

式中，Y表示變換后的影像，C表示對(duì)應(yīng)影像的轉(zhuǎn)換系數(shù)矩陣，X表示變換前的原始影像。該研究的影像為哨兵2影像，基于常用的6個(gè)波段（Blue、Green、Red、Nir、Swir1、Swir2）和哨兵2變換矩陣系數(shù)[12]（表2），通過公式（7）經(jīng)過纓帽變換后選擇前3個(gè)重要波段Brightness、Greenness、Wetness作為獨(dú)立波段加入到原始特征的構(gòu)建。

1.3.2 特征優(yōu)化方法。如果將所有的特征都加入到分類器中，會(huì)造成數(shù)據(jù)的冗余，加重分類器的負(fù)擔(dān)，最終導(dǎo)致分類精度大大降低，因此特征優(yōu)化極其重要。該研究選擇的是通過J-M距離公式計(jì)算樣本間分離度的特征選擇方法，J-M距離的基本思想是選擇對(duì)類與類之間區(qū)分度大的屬性?；谀硞€(gè)特征或特征組合的類與類之間的J-M距離計(jì)算公式如下：

式中，Bij為某個(gè)特征或特征組合的巴氏距離，反映了類與類之間的重疊量;Mi與Mj為對(duì)應(yīng)的類別的某個(gè)特征的均值向量;Vi與Vj分別是對(duì)應(yīng)的類別的某個(gè)特征的協(xié)方差矩陣。其中JM的取值范圍是0～2，取值越接近于0表示樣本分離度越小，說明該特征完全混淆類別，取值越接近于2表示樣本分離度越大，說明該特征區(qū)分類別越佳。為了更好地排除區(qū)分度小的特征，選擇JM距離大于1且接近2的前2位特征[13-16]作為優(yōu)化后的特征參與到分類中。

1.3.3 分類方法。隨機(jī)森林算法是一種近年來比較流行且廣泛應(yīng)用的集成學(xué)習(xí)方法[17]。它的基本組成是決策樹，由成百上千個(gè)決策樹共同對(duì)樣本進(jìn)行訓(xùn)練和分類，綜合考慮多個(gè)學(xué)習(xí)器的預(yù)測(cè)結(jié)果最后做出決策。隨機(jī)森林的核心就是隨機(jī)性，體現(xiàn)在：①樣本的隨機(jī)。對(duì)于每一棵決策樹，使用bootstrap采樣方法從訓(xùn)練樣本中有放回的隨機(jī)抽取一部分訓(xùn)練樣本，作為每一棵決策樹的訓(xùn)練集，沒有被抽到的樣本作為袋外樣本，用來評(píng)估隨機(jī)森林的袋外誤差。②特征的隨機(jī)。隨機(jī)從樣本的所有特征中選擇特征子集，每次樹分裂時(shí)，從特征子集中選擇最優(yōu)特征。有了這2個(gè)隨機(jī)性，在處理復(fù)雜且高維的數(shù)據(jù)時(shí)，隨機(jī)森林就不會(huì)出現(xiàn)過擬合現(xiàn)象，抗噪能力很強(qiáng)。

1.3.4 精度評(píng)價(jià)方法。采用混淆矩陣[18-19]的方法評(píng)估模型的優(yōu)劣。具體評(píng)價(jià)指標(biāo)有制圖精度、用戶精度、總體精度以及Kappa系數(shù)，它們從不同的角度評(píng)估分類精度。

2 結(jié)果與分析

2.1 特征優(yōu)化結(jié)果 通過計(jì)算每組地類組合的每種特征的J-M距離，選擇每組組合中每類特征的J-M距離大于1且排名前2位的特征，最后得到NDVI、MSAVI、NDBI、NDWI、EVI_min、slope、NDVI_asm、NDVI_idm、NDVI_ent和greenness共10個(gè)最優(yōu)特征。

2.2 3種分類器精度比較與分析 分類器選擇支持向量機(jī)、CART決策樹與隨機(jī)森林分類器進(jìn)行對(duì)比試驗(yàn)。特征優(yōu)化使用3個(gè)分類器和4種特征分別進(jìn)行組合，采用交叉驗(yàn)證策略進(jìn)行精度的比較（表3），交叉驗(yàn)證策略如下：①每次隨機(jī)取樣本的70%用來分類，其余30%用來驗(yàn)證;②每種組合每次計(jì)算分類的總體精度作為驗(yàn)證精度，總共計(jì)算10次，10次結(jié)果的平均值作為每種組合的平均驗(yàn)證精度。

3種分類器中，SVM分類器的平均驗(yàn)證精度最低，分類效果最差，SVM分類器平均驗(yàn)證精度僅63%，而CART決策樹和隨機(jī)森林分類器的平均驗(yàn)證精度分別為88%和94%。以隨機(jī)森林分類器為例，僅結(jié)合光譜特征的平均驗(yàn)證精度為85%。加入地形特征之后提升了2%，說明在研究區(qū)復(fù)雜地形中加入坡度因子有助于區(qū)別地類;加入紋理特征（角二階矩陣、逆差矩和熵）之后提升了4%，達(dá)到了89%，說明對(duì)于表面差異大的地類能夠通過加入紋理特征很好地區(qū)分;加入纓帽特征（即綠度）之后提升為88%，說明綠度特征的加入能夠更好區(qū)分植被與非植被以及不同植被。結(jié)合地形+紋理+纓帽特征的平均驗(yàn)證精度為81%，而結(jié)合光譜+地形+紋理+纓帽特征的平均驗(yàn)證精度提升了13%，達(dá)到了94%，說明光譜特征在研究區(qū)的地物分類中扮演著至關(guān)重要的角色。

2.3 精度驗(yàn)證以及烤煙種植區(qū)分布

由于隨機(jī)森林分類器結(jié)合光譜+地形+紋理+纓帽組合的分類效果最佳，其第6次精度驗(yàn)證的混淆矩陣如表4所示，烤煙的生產(chǎn)者精度達(dá)到90%，烤煙測(cè)試樣本總計(jì)647個(gè)，其中正確分類580個(gè)，未正確分類67個(gè)，包括61個(gè)被分類為其他農(nóng)作物，6個(gè)被分類為建筑用地，用戶精度達(dá)到98%，10個(gè)其他農(nóng)作物和3個(gè)建筑用地被錯(cuò)分為烤煙。總體精度為96%，Kappa系數(shù)為0.94。

圖2為2019年4月份烤煙、水體、其他農(nóng)作物、林地和建筑用地遙感提取結(jié)果，為了突出烤煙種植區(qū)分布，只保留水體，將其他農(nóng)作物、林地以及建筑用地歸并為其他類顯示。

從圖2可以看出，研究區(qū)烤煙馬龍縣主要分布在北部的王家營鎮(zhèn)、西部的舊縣鎮(zhèn)、西南的馬鳴鄉(xiāng)以及大莊鄉(xiāng)、東部以及東南部的月望鄉(xiāng)、納章鎮(zhèn)，馬龍縣烤煙整體分布比較均勻，陸良縣包括中部的芳華鎮(zhèn)、西南的小百戶鎮(zhèn)以及大莫古鎮(zhèn)、東部和東南部的活水鄉(xiāng)以及龍海鄉(xiāng)、南部的召夸鎮(zhèn)，師宗縣主要分布在彩云鎮(zhèn)以及龍慶鄉(xiāng)，南部以及東南部地區(qū)多為山區(qū)，地勢(shì)起伏太大，因此烤煙種植較少且零散分布，羅平縣烤煙主要分布在西北部的阿崗鎮(zhèn)，羅平街道、臘山街道以及板橋鎮(zhèn)分布較少，主要原因是該地區(qū)油菜花與烤煙實(shí)行輪作制，此時(shí)有些油菜花還沒收割，因此烤煙分布較少。

3 結(jié)論

基于GEE云平臺(tái)，通過烤煙物候特征選取了最佳分類時(shí)相，對(duì)覆蓋研究區(qū)的2019年4月27號(hào)的四景影像進(jìn)行去云、鑲嵌和裁剪等預(yù)處理，構(gòu)建了光譜、地形、紋理和纓帽特征，并通過計(jì)算J-M距離來優(yōu)化原始特征空間得到最優(yōu)特征，之后進(jìn)行了SVM、CART以及Random Forest共3種分類器與最優(yōu)特征的組合對(duì)比試驗(yàn)，并對(duì)精度進(jìn)行了評(píng)估，快速提取了曲靖市馬龍、陸良、師宗以及羅平4區(qū)縣的烤煙種植區(qū)空間分布信息，主要結(jié)論如下：

（1）烤煙提取的難點(diǎn)之一在于和玉米的區(qū)分，通過物候分析其存在覆膜的時(shí)間差且反射率差異大，從而得到研究區(qū)烤煙的最佳分類時(shí)相在4月下旬至5月下旬。

（2）隨機(jī)森林分類器結(jié)合光譜+地形+紋理+纓帽特征的分類效果最佳，提取精度較高，表明該方法能夠有效地運(yùn)用于區(qū)域烤煙種植區(qū)遙感提取，可為云南高原山區(qū)農(nóng)作物識(shí)別提供技術(shù)參考。

由于云南地區(qū)云量較多，遮擋現(xiàn)象比較嚴(yán)重，對(duì)提取造成了一定的影響，因此獲得清晰且長時(shí)間序列的影像是后續(xù)農(nóng)作物提取的研究重點(diǎn)。除此之外，研究區(qū)地處滇東高原山區(qū)，部分地區(qū)地勢(shì)起伏較大，農(nóng)作物類型復(fù)雜且某些地方存在間作套種，與平原地區(qū)成片平坦的農(nóng)田不同，很多耕地處在陡峭的斜坡上呈階梯狀（梯田），有些耕地會(huì)被斜坡陰影所遮蓋，給分類的精度帶來了一定的影響，雖然使用了10 m分辨率的哨兵數(shù)據(jù)，但仍存在一定的混合像元現(xiàn)象，因此今后需要借助更高精度的影像來提升提取精度，實(shí)現(xiàn)對(duì)農(nóng)作物的精細(xì)化提取，進(jìn)行農(nóng)作物面積變化、產(chǎn)量估算以及驅(qū)動(dòng)力因素等研究。

參考文獻(xiàn)

[1]DONG J W，XIAO X M，MENARGUEZ M A，et al.Mapping paddy rice planting area in northeastern Asia with Landsat 8 images，phenology-based algorithm and Google Earth Engine[J].Remote sensing of environment，2016，185：142-154.

[2]柳文杰，曾永年，張猛.融合時(shí)間序列環(huán)境衛(wèi)星數(shù)據(jù)與物候特征的水稻種植區(qū)提取[J].遙感學(xué)報(bào)，2018，22（3）：381-391.

[3]VAN ZYL J J.The Shuttle Radar Topography Mission （SRTM）：A breakthrough in remote sensing of topography[J].Acta astronautica，2001，48（5/6/7/8/9/10/11/12）：559-565.

[4]PETERS A J，WALTER-SHEA E A，JI L，et al.Drought monitoring with NDVI-based standardized vegetation index[J].Photogrammetric engineering and remote sensing，2002，68（1）：71-75.

[5]王正興，劉闖，陳文波，等.MODIS增強(qiáng)型植被指數(shù)EVI與NDVI初步比較[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2006，31（5）：407-410，427.

[6]蔡宗磊，包妮沙，劉善軍.國產(chǎn)高分一號(hào)數(shù)據(jù)估算草地植被覆蓋度方法研究：以呼倫貝爾草原露天煤礦區(qū)為例[J].地理與地理信息科學(xué)，2017，33（22）：32-38，44.

[7]YANG X C，ZHAO S S，QIN X B，et al.Mapping of urban surface water bodies from sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening[J].Remote sensing，2017，9（6）：1-18.

[8]LI K N，CHEN Y H.A Genetic algorithm-based urban cluster automatic threshold method by combining VIIRS DNB，NDVI，and NDBI to monitor urbanization[J].Remote sensing，2018，10（2）：1-21.

[9]宋榮杰，寧紀(jì)鋒，劉秀英，等.基于紋理特征和SVM的QuickBird影像蘋果園提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（3）：188-197.

[10]PUISSANT A，HIRSCH J，WEBER W.The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery[J].Znternational journal of remote sensing，2005，26（4）：733-745.

[11]CRIST E P.A TM Tasseled Cap equivalent transformation for reflectance factor data[J].Remote sensing of environment，1985，17（3）：301-306.

[12]NEDKOV R.Orthogonal transformation of segmented images from the satellite sentinel-2[J].Comptes rendus de l'Academie bulgare des ences：Sciences mathematiques et naturelles，2017，70（5）：687-692.

[13]NUSSBAUM S，NIEMEYER I，CANTY M J.SEaTH-A new tool for automated feature extraction in the context of object-based image analysis[C]//Proceedings of the 1st international conference on object-based image analysis（OBIA 2006）.Salzburg：[s.n.]，2006.

[14]余曉敏，湛飛并，廖明生，等.利用改進(jìn)SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2012，37（8）：921-924.

[15]陳安旭，李月臣.基于Sentinel-2影像的西南山區(qū)不同生長期水稻識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（7）：192-199.

[16]蔣丹丹，盧剛，陳成.基于單極化TerraSAR-X影像提取建筑區(qū)研究[J].地理與地理信息科學(xué)，2016，32（1）：60-65，127.

[17]BREIMAN L.Random forests[J].Machine learning，2001，45（1）：5-32.

[18]HUANG D M，XU S J，SUN J Q，et al.Accuracy assessment model for classification result of remote sensing image based on spatial sampling[J/OL].Journal of applied remote sensing，2017，11（4）[2020-07-21].https：//doi.org/10.1117/1.JRS.11.046023.

[19]鐘仕全，莫建飛，陳燕麗，等.基于HJ-1B衛(wèi)星遙感數(shù)據(jù)的水稻識(shí)別技術(shù)研究[J].遙感技術(shù)與應(yīng)用，2010，25（4）：464-468.