包旭瑩，王 燕，馮琦勝，葛 靜，侯蒙京，劉暢宇，高新華，梁天剛

Sentinel-2和GF-1影像結(jié)合提取苜?？臻g分布

包旭瑩1，王 燕2，馮琦勝1，葛 靜1，侯蒙京1，劉暢宇1，高新華1，梁天剛1※

（1.蘭州大學(xué)草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室/蘭州大學(xué)農(nóng)業(yè)農(nóng)村部草牧業(yè)創(chuàng)新重點實驗室/蘭州大學(xué)草地農(nóng)業(yè)教育部工程研究中心/蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，蘭州 730020；2.崇信縣第一中學(xué)，平?jīng)?744200）

及時準(zhǔn)確地獲取苜蓿空間分布信息有利于對草業(yè)生產(chǎn)發(fā)展和管理提供科學(xué)數(shù)據(jù)支撐。該研究基于GF-1/WFV和Sentinel-2遙感影像，以甘肅省金昌市作為研究區(qū)，構(gòu)建了苜蓿的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）數(shù)據(jù)集，并結(jié)合苜蓿光譜反射率隨生育期的變化規(guī)律，提出一種利用MATLAB尋峰函數(shù)（Findpeaks）提取苜蓿遙感特征的方法，通過確定最小峰值突出（Minimum Peak Prominence，MPP）值實現(xiàn)金昌市苜?？臻g分布信息的提取。研究結(jié)果表明，基于Sentinel-2遙感數(shù)據(jù)的識別苜蓿精度優(yōu)于GF-1/WFV，識別精度和Kappa系數(shù)在85%和0.7以上，主要是由于Sentinel-2數(shù)據(jù)的NDVI時間序列曲線密度較GF-1/WFV大，可以更好地識別苜蓿刈割前后的關(guān)鍵時間點；尋谷法的苜蓿提取總體精度、Kappa系數(shù)、用戶精度、制圖精度指標(biāo)均比尋峰法高，基于Sentinel-2影像的尋谷法苜蓿遙感識別總體精度為92.25%，Kappa系數(shù)為0.81，位置精度為86.44%；2019年金昌市苜?？臻g分布整體呈現(xiàn)從北到南逐漸增多的趨勢，統(tǒng)計得到苜蓿種植面積為15 449.07 hm2，其中金川區(qū)的苜蓿面積為1 353.42 hm2，占金昌市苜蓿總面積的8.76%；永昌縣的苜蓿面積為14 095.65 hm2，占總面積的91.24%。研究結(jié)果證實，基于Sentinel-2遙感數(shù)據(jù)的尋谷法可以有效識別苜?？臻g分布，對于實現(xiàn)草牧場精準(zhǔn)化管理和草牧業(yè)生產(chǎn)信息精準(zhǔn)監(jiān)測具有重要意義。

遙感；圖像識別；時間序列；苜蓿；歸一化植被指數(shù)NDVI；信息提取

0 引 言

苜蓿具有產(chǎn)量高、營養(yǎng)豐富、適口性好、易于家畜消化等特點[1]，是世界上廣泛分布的優(yōu)良牧草，素有“牧草之王”的美稱[2]。苜蓿作為重要飼草飼料的來源，在保障生態(tài)安全和食品安全方面發(fā)揮著重要作用。近年來，隨著畜牧業(yè)的大力發(fā)展以及農(nóng)業(yè)結(jié)構(gòu)的調(diào)整，苜蓿作為優(yōu)質(zhì)牧草，在中國部分省區(qū)大面積集約種植，促進(jìn)了苜蓿產(chǎn)業(yè)得到快速發(fā)展[3]。但是，針對大面積的苜蓿，目前尚缺乏精確快速的宏觀監(jiān)測方法，苜蓿生產(chǎn)和宏觀調(diào)控缺乏精準(zhǔn)便捷的數(shù)據(jù)支撐[4]。

針對苜蓿遙感識別，李存軍等[5]觀測了北京順義區(qū)和昌平區(qū)4月初到6月初苜蓿和冬小麥的光譜特征，發(fā)現(xiàn)該地區(qū)冬小麥和苜蓿在5月下旬到6月初的Landsat 8影像近紅外波段反射率差異明顯，認(rèn)為該時間段是區(qū)分冬小麥和苜蓿的最佳時期。任海娟等[6]基于Landsat 8 OLI遙感影像，利用歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）差值加和法區(qū)分了內(nèi)蒙古阿魯科爾沁旗苜蓿草地與其他土地覆蓋類型的差異，該方法可識別的總體完整斑塊精度為94.55%。劉濤等[7]利用多時相的GF-1衛(wèi)星影像構(gòu)建了內(nèi)蒙古林西縣旱作苜蓿的NDVI時間序列數(shù)據(jù)集，采用閾值法逐一剔除干擾地物，斑塊位置精度為89.47%。

盡管上述方法在小區(qū)域取得了良好的效果，但是在實際應(yīng)用中存在較大局限性，難以進(jìn)行大范圍苜蓿草地的分類識別。主要原因包括2個方面：第一，苜蓿的收獲時間取決于種植時間、種植年限、品種、收割機(jī)械和天氣狀況等多種因素[8]，苜蓿地塊間的統(tǒng)計特征差異較大，相鄰地塊在遙感影像上可能呈現(xiàn)出明顯不同的光譜特征，因此無法利用同一標(biāo)準(zhǔn)進(jìn)行大范圍苜蓿草地的判識和衡量。第二，苜蓿與部分農(nóng)作物（如冬小麥、玉米菠菜、洋蔥等）的物候期具有相當(dāng)長時間的重疊性，僅針對特定成像時間的遙感影像閾值法區(qū)分苜蓿草地與其他地物的方法仍具有很大局限性，難以完全剔除其他地物的干擾。

遙感NDVI時間序列數(shù)據(jù)具有的季節(jié)節(jié)律是植物季相變化特征的綜合反映[9]，可用于區(qū)域或全球尺度植被物候特征的識別，也是提取農(nóng)作物信息的一個常用指標(biāo)[10]。然而，李勝林等[11-12]研究表明，具有短時間重返周期和高空間分辨率的遙感影像NDVI時間序列數(shù)據(jù)才能夠高效捕捉和定量反演農(nóng)作物或草地等的物候變化信息。GF-1/WFV和Sentinel-2遙感衛(wèi)星數(shù)據(jù)具有周期短、分辨率高等優(yōu)點，均具有構(gòu)建高時空分辨率NDVI時序數(shù)據(jù)集和開展作物分類識別研究的巨大潛力[13]。楊閆君等[14]利用GF-1影像構(gòu)建了NDVI時間序列數(shù)據(jù)集，對研究區(qū)作物進(jìn)行分類，支持向量機(jī)分類方法總體精度最高可達(dá)96.33%。谷祥輝等[15]利用Sentinel-2數(shù)據(jù)的多種植被指數(shù)組合成時間序列數(shù)據(jù)進(jìn)行作物分類，總體精度最高的隨機(jī)森林方法的分類精度達(dá)87.92%。

本研究以高空間分辨率的GF-1/WFV和Sentinel-2遙感影像作為數(shù)據(jù)源，將甘肅省金昌市作為研究區(qū)，結(jié)合研究區(qū)苜蓿生長周期和生產(chǎn)規(guī)律在NDVI時間序列上的表現(xiàn)，探尋苜蓿信息提取問題，以期提供一種基于遙感數(shù)據(jù)獲取苜?？臻g分布和種植面積的最優(yōu)方法，為草業(yè)發(fā)展的精準(zhǔn)監(jiān)測以及苜蓿產(chǎn)業(yè)的宏觀調(diào)控管理提供可靠的技術(shù)支撐和科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

金昌市位于東經(jīng)101°04′35″～102°43′40″，北緯37°47′10″～39°00′30″（圖1a），下轄地區(qū)為金川區(qū)和永昌縣，地處甘肅省河西走廊東段，祁連山北麓，阿拉善臺地南緣。地勢自西南向東北傾斜，地形以山地、平原為主，戈壁、綠洲、大漠東西展開，南北交替，相間排列。屬大陸性溫帶干旱氣候，年均氣溫4.8～9.2 ℃，年日照率51%～66%，年降水量140～350 mm，全年無霜期96～186 d，適宜苜蓿生長[16]，是國內(nèi)優(yōu)質(zhì)牧草的重要產(chǎn)地[17]。2016年，金昌市苜蓿種植面積達(dá)14 100 hm2，主要集中在金昌市永昌縣的東寨鎮(zhèn)、六壩鄉(xiāng)等鄉(xiāng)鎮(zhèn)[18]。苜蓿屬耐寒性較強(qiáng)的作物，春季返青早，5月中下旬即進(jìn)入初花收割期[19]。

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1 實地測量數(shù)據(jù)

野外調(diào)查于2019年7—11月進(jìn)行，共調(diào)查146個苜蓿樣地，利用奧維互動地圖軟件（http://www.gpsov.com/ cn/main.php），現(xiàn)場繪制苜蓿的邊界范圍，其中最小地塊面積為0.25 hm2，最大地塊面積為296.52 hm2。此外，為了驗證識別結(jié)果精度，記錄非苜蓿樣地地理位置18個。運用地理信息系統(tǒng)平臺ArcGIS 10.2建立野外調(diào)查樣地的屬性和空間數(shù)據(jù)庫（圖1b）。

1.2.2 GF-1/WFV衛(wèi)星數(shù)據(jù)

GF-1衛(wèi)星搭載了4臺寬視域（Wide Field of View，WFV）的多光譜相機(jī)，掃描幅寬800 km，分辨率16 m。WFV傳感器共設(shè)置4個波段，光譜范圍為0.45～0.89m，紅光和近紅外波段分別為0.63～0.69 和0.77～0.89m，重訪周期為4 d[20-21]。本研究采用的GF-1遙感影像為2019年4月至11月成像的WFV衛(wèi)星數(shù)據(jù)，下載自中國資源衛(wèi)星應(yīng)用中心（http://www.cresda.com/CN/），共21景，圖像選取時主要考慮覆蓋研究區(qū)的完整性和圖像時相，影像云量小于20%。

利用ENVI5.3遙感圖像處理軟件對GF-1/WFV數(shù)據(jù)進(jìn)行預(yù)處理，主要包括輻射定標(biāo)、大氣校正、正射校正、幾何精校正等。首先，采用GF-1/WFV衛(wèi)星自帶的有理多項式系數(shù)（Rational Polynomial Coefficient，RPC）參數(shù)，結(jié)合NASA（http://reverb.echo.nasa.gov/reverb/）的全球數(shù)字地面模型（Global Digital Elevation Model，GDEM）數(shù)據(jù)進(jìn)行正射校正；其次，從地理空間數(shù)據(jù)云平臺（http://www.gscloud.cn）獲取覆蓋研究區(qū)的Landsat 8 OLI數(shù)據(jù)，以重采樣為10 m作為控制影像進(jìn)行幾何精校正[22]；最后完成對影像的投影轉(zhuǎn)換，并利用金昌市行政分區(qū)矢量數(shù)據(jù)裁剪出GF-1/WFV數(shù)據(jù)所覆蓋的研究區(qū)。

1.2.3 Sentinel-2衛(wèi)星數(shù)據(jù)

Sentinel-2是高分辨率的多光譜成像衛(wèi)星，分為Sentinel-2A和Sentinel-2B兩顆衛(wèi)星。2顆衛(wèi)星互補(bǔ)的重訪周期為5 d，覆蓋13個光譜波段，包括10 m分辨率的3個可見光波段和1個近紅外波段，20 m分辨率的3個紅邊波段、1個近紅外波段和2個短波紅外波段，60 m分辨率的海岸、水汽和卷積云波段[23]。產(chǎn)品等級有Level-1C（L1C）和Level-2A（L2A），其中L1C級產(chǎn)品已經(jīng)完成輻射校正、幾何校正和輻射定標(biāo)[24]，因此只需要進(jìn)行大氣校正。本研究采用的Sentinel-2遙感影像為2019年4月至11月云覆蓋量小于20%的衛(wèi)星數(shù)據(jù)，下載自歐空局（https://scihub. copernicus.eu/），共24景，其中L2A產(chǎn)品數(shù)據(jù)17景，L1C產(chǎn)品數(shù)據(jù)7景，同一時相完整覆蓋金昌市影像4幅。

利用歐洲航空局（European Space Agency，ESA）開發(fā)的哨兵衛(wèi)星數(shù)據(jù)處理開源軟件SNAP對Sentinel-2影像進(jìn)行處理。首先，利用該軟件的Sen2Cor-2.4.0插件對L1C級產(chǎn)品進(jìn)行大氣校正，得到L2A級別產(chǎn)品；其次，利用SNAP軟件自帶的Graph Builder工具計算基于L2A產(chǎn)品數(shù)據(jù)的NDVI，完成Sentinel-2數(shù)據(jù)的預(yù)處理；最后，對影像進(jìn)行投影轉(zhuǎn)換、影像鑲嵌，并利用金昌市行政分區(qū)矢量數(shù)據(jù)裁剪出Sentinel-2數(shù)據(jù)所覆蓋的研究區(qū)。

1.2.4 耕地數(shù)據(jù)

采用10 m分辨率的全球地表土地覆蓋產(chǎn)品（Finer Resolution Observation and Monitoring-Global Land Cover 10，F(xiàn)ROM-GLC10）（http://data.ess.tsinghua.edu.cn/）[25]。該產(chǎn)品將全球地表土地覆蓋分為10種類型，包括耕地、林地、草地、灌木林地、濕地、水域、苔原、不透水面、裸地、積雪和冰川。本研究提取其中的耕地數(shù)據(jù)，利用覆蓋研究區(qū)7月23日的Sentinel-2數(shù)據(jù)進(jìn)行校正，用于分析苜蓿的空間地理位置。

1.3 研究方法

1.3.1 技術(shù)路線

本研究以GF-1/WFV和Sentinel-2遙感影像作為數(shù)據(jù)源，計算研究區(qū)的NDVI時間序列數(shù)據(jù)集，綜合考慮苜蓿的物候期、生長特征、生產(chǎn)管理措施等，結(jié)合野外調(diào)查的苜蓿樣地地理位置等信息，構(gòu)建基于NDVI時序數(shù)據(jù)的苜蓿識別方法，提取金昌市苜蓿的空間分布信息。具體研究方法和技術(shù)流程如圖2。

1.3.2 精度評價

本研究采用Kappa系數(shù)、總體精度、制圖精度、用戶精度共4項指標(biāo)開展苜蓿識別方法的精度評價[26]。另外，為了評估苜蓿識別的位置準(zhǔn)確度，利用遙感識別的苜蓿種植面積進(jìn)行位置精度（，%）的驗證。

位置精度是指研究區(qū)內(nèi)所有地塊或像元識別正確的百分比。本研究對苜蓿種植面積的位置精度以樣地為單元進(jìn)行評價[27]，其計算如式（1）所示：

式中m為遙感識別得到的第個樣地內(nèi)的苜蓿面積百分比，%；m0為實測數(shù)據(jù)中第個樣地內(nèi)的苜蓿面積百分比，%，作為準(zhǔn)真值；S為第個苜蓿樣地的面積，m2；為樣地個數(shù)，146。

1.3.3 苜蓿遙感提取算法

1）苜蓿NDVI時序特征

NDVI時間序列曲線反映了作物在整個生長季的NDVI變化特征[27]。圖3a是基于GF-1/WFV和Sentinel-2遙感影像提取的146個樣地的NDVI均值?？梢钥闯?，在全年生長期內(nèi)，NDVI呈現(xiàn)多次升高-峰值-降低的趨勢，即NDVI時間序列出現(xiàn)了多個波峰和波谷，其中峰代表苜蓿在某一生長階段NDVI達(dá)到較高值，是生長旺盛期；谷反映了苜蓿刈割后的狀態(tài)，即苜蓿經(jīng)過刈割收獲后生物量減少，影像中的NDVI值也隨之驟降。研究區(qū)苜蓿在全年生長期內(nèi)有3～4個波谷出現(xiàn)，谷的個數(shù)與刈割次數(shù)相對應(yīng)，谷的位置與刈割時間點相同，與調(diào)研苜蓿每年刈割3～4次的實際情況相符合。此外，峰出現(xiàn)在谷之前且峰的個數(shù)通常大于或等于谷的個數(shù)，為3～5 個。因此，可以利用GF-1/WFV和Sentinel-2的NDVI時序數(shù)據(jù)來判識刈割苜蓿的次數(shù)。

從野外調(diào)研的甘肅省國營八一農(nóng)場中選取位置相鄰的3個樣地，分別記為樣地1（N 102.0164，E 38.2422）、樣地2（N 102.0229，E 38.2427）、樣地3（N 102.0210，E 38.2474），提取3塊樣地的Sentinel-2和GF-1/WFV影像NDVI并計算均值，得到NDVI時間序列曲線，如圖3b。可以看出，雖然樣地1、樣地2和樣地3處于同一區(qū)域，但是峰谷位置仍難以達(dá)到完全相同，Sentinel-2影像NDVI時間序列曲線圖中3塊樣地谷的位置位于165～335 d，而GF-1/WFV影像NDVI時間序列曲線圖中3塊樣地谷的位置位于180～300 d。進(jìn)一步以Sentinel-2影像NDVI時間序列曲線圖為例進(jìn)行分析發(fā)現(xiàn)，樣地1發(fā)生第一個谷的天數(shù)為180 d，而樣地2和樣地3第一次谷的時間節(jié)點均在180 d以前，這是由于刈割時間受天氣情況、土壤條件等多種因素影響，在同一時期的遙感圖像上NDVI的變化不完全同步。

2）苜蓿遙感特征提取

苜蓿周期性刈割這種獨特的生產(chǎn)模式有利于基于時間序列遙感數(shù)據(jù)對苜蓿和其他作物進(jìn)行區(qū)分。本研究針對這種特殊的栽培管理特征在NDVI時序圖上的表現(xiàn)，提出苜蓿識別的尋峰法（Find Peaks，F(xiàn)P）和尋谷法（Find Troughs，F(xiàn)T）。

MATLAB計算器的尋峰函數(shù)（Findpeaks）具有返回輸入信號局部最大值（峰值）的特性，可以通過參數(shù)的閾值設(shè)定查找感興趣的峰值。最小峰值突出（Minimum Peak Prominence，MPP）是MATLAB計算器尋峰函數(shù)的參數(shù)，使用該參數(shù)可以快速尋找并返回相對重要的一些峰值。本研究中，NDVI時間序列影像的峰谷差值等同于MPP值，即當(dāng)MPP值達(dá)到某一個設(shè)定值時，計算機(jī)可自動識別為波峰，基于峰谷關(guān)聯(lián)分析，即可確定相應(yīng)的波谷。

3）最小峰值突出（MPP）值的確定

根據(jù)圖3的NDVI時間序列變化曲線可以看出，苜蓿在生長旺盛期的NDVI值通?？梢赃_(dá)到0.70～1.0，而刈割后的NDVI值大部分位于0～0.40，由此計算峰谷差值的最小值為0.30。在本研究中，NDVI峰谷差值對應(yīng)MPP值，為了探尋最合理準(zhǔn)確的MPP值，將MPP值以0.30的最小值為基礎(chǔ)，分別預(yù)設(shè)0.30、0.35、0.40和0.45的梯度變化提取苜蓿信息，然后進(jìn)行位置精度驗證。發(fā)現(xiàn)識別分類位置精度隨著MPP值的變化而改變（圖4）。由圖4可知，當(dāng)MPP在0.30～0.40范圍內(nèi)，識別位置精度隨著MPP值的增大而增加。MPP值為0.40時位置精度達(dá)到最大值，其中GF-1/WFV數(shù)據(jù)的尋谷法和Sentinel-2數(shù)據(jù)的尋峰法、尋谷法識別的位置精度均達(dá)到80%以上。當(dāng)MPP值為0.45時，位置精度相較于0.40有所降低，出現(xiàn)這種情況的原因可能是MPP值設(shè)置過大導(dǎo)致苜蓿識別面積變小，出現(xiàn)識別地塊不完整的情況，相應(yīng)的位置精度變差。所以，確定0.40為提取金昌市苜蓿信息最為合理的MPP值。

注：FP表示尋峰法，F(xiàn)T表示尋谷法。

2 結(jié)果與分析

2.1 苜蓿識別結(jié)果精度評價

2.1.1 不同數(shù)據(jù)源的識別結(jié)果與分析

本研究利用地理信息系統(tǒng)平臺ArcGIS 10.2中的Creat random points工具分別創(chuàng)建基于實地調(diào)研數(shù)據(jù)的苜蓿和非苜蓿樣本驗證集，對解譯結(jié)果的位置準(zhǔn)確度和識別的精度進(jìn)行驗證，結(jié)果如表1所示?；贕F-1/WFV數(shù)據(jù)識別的苜?？傮w精度均小于85%，用戶精度均小于80%且Kappa系數(shù)在0.6左右，說明分類結(jié)果與實際樣地一致性較差。而Sentinel-2影像識別的研究區(qū)苜蓿總體精度和Kappa系數(shù)均在85%和0.7以上，整體識別效果較好，其中基于Sentinel-2影像的尋谷法識別效果表現(xiàn)最優(yōu)，總體精度達(dá)到92.25%，Kappa系數(shù)為0.81，用戶精度和制圖精度分別為90.33%和99.26%，識別結(jié)果與驗證樣地之間高度一致。Sentinel-2影像尋谷法識別的位置精度為86.44%，對空間位置有較好的監(jiān)測效果，滿足解譯需求。從總面積識別結(jié)果來看，基于Sentinel-2數(shù)據(jù)識別的研究區(qū)苜蓿總面積均達(dá)到1.5萬hm2以上，而GF-1/WFV數(shù)據(jù)識別的苜蓿種植面積較小。造成以上差異的主要原因有：1）遙感數(shù)據(jù)的時間分辨率和研究區(qū)域的天氣狀況直接影響遙感識別結(jié)果。遙感識別所用的衛(wèi)星圖像時間分辨率越高且研究區(qū)內(nèi)晴天天氣越多，遙感圖像越能更加精準(zhǔn)地識別苜蓿刈割的具體日期。本研究中，Sentinel-2數(shù)據(jù)的NDVI時間序列曲線密度較GF-1/WFV數(shù)據(jù)大，可以更好地捕捉苜蓿識別的關(guān)鍵時間點，從而滿足尋峰和尋谷識別方法的要求；2）遙感數(shù)據(jù)的空間分辨率對作物提取的精準(zhǔn)性具有顯著影響。結(jié)合地塊單元的苜蓿遙感識別是精準(zhǔn)解譯分析的關(guān)鍵，Sentinel-2影像的空間分辨率為10 m，而GF-1/WFV影像的分辨率是16 m，更高的空間分辨率能越能準(zhǔn)確地剔除天然草地、灌木、田間道路、水渠、田坎等干擾物，減少錯分情況，從而進(jìn)一步提高分類精度。

2.1.2 不同識別方法的結(jié)果與分析

通過對比研究區(qū)苜蓿遙感識別與精度評價結(jié)果，發(fā)現(xiàn)尋谷法更具優(yōu)勢，利用該方法提取的苜蓿總體精度、Kappa系數(shù)、用戶精度、制圖精度指標(biāo)均比尋峰法高。其中，基于Sentinel-2數(shù)據(jù)的尋谷法精度評價指標(biāo)結(jié)果最高，而基于GF-1/WFV和Sentinel-2數(shù)據(jù)的尋峰法各項評價指標(biāo)均較低，Kappa系數(shù)為0.60～0.75。進(jìn)一步對比同種遙感數(shù)據(jù)，發(fā)現(xiàn)尋峰法識別的研究區(qū)苜蓿種植面積均小于尋谷法。分析發(fā)現(xiàn)，尋峰法識別的苜蓿地塊內(nèi)明顯有像元分布零散、聚集度不高的現(xiàn)象；尋谷法識別的苜蓿地塊內(nèi)的像元分布較為集中且飽和程度高，說明尋谷法比尋峰法的空間監(jiān)測結(jié)果更可靠。導(dǎo)致這種差異的主要原因可能是：1）苜蓿的NDVI時間序列曲線中峰代表苜蓿生長旺盛期，持續(xù)時間較長；而谷代表苜蓿被刈割或者被刈割恢復(fù)生長初期的狀態(tài)，在NDVI時間序列曲線上表現(xiàn)為突降，更好地對應(yīng)苜蓿特殊的生產(chǎn)管理形態(tài)，使得尋峰函數(shù)能夠更加靈敏地識別到苜蓿NDVI時序數(shù)據(jù)的數(shù)值“突變”；2）在實際生產(chǎn)中，企業(yè)和農(nóng)戶會采取相應(yīng)管理措施保證苜蓿安全越冬，來年再度萌發(fā)。相關(guān)研究表明，當(dāng)年末茬收獲時留茬高度與越冬率成正比，且留茬高度會大于前幾次[28]。所以，在遙感識別過程中NDVI谷值也相應(yīng)變大；同時10月以后溫度較低苜蓿生長難以達(dá)到旺盛期水平，遙感識別的NDVI峰值變低，進(jìn)而峰谷差值變小，第4或第5個峰谷差值小于設(shè)定MPP值（0.40）。因此，難以檢測到第4或第5個峰，從而影響苜蓿信息的提取。

2.2 苜蓿面積及分布

結(jié)合上述精度評價結(jié)果，利用基于Sentinel-2影像NDVI時間序列的尋谷法提取2019年金昌市苜蓿，統(tǒng)計研究區(qū)苜蓿面積識別情況（表2），由表2可知，截止2019年，金昌市苜蓿種植面積達(dá)15 449.07 hm2，其中金川區(qū)的苜蓿面積為1 353.42 hm2，僅占金昌市苜?？偯娣e的8.76%；永昌縣的苜蓿面積為14 095.65 hm2，占總面積的91.24%，是金昌市苜蓿的主要種植區(qū)域。根據(jù)文獻(xiàn)報道[29]，金昌市2019年苜蓿種植總面積為16 666.67 hm2，本文方法的總體識別精度達(dá)到92.69%。

表1 金昌市苜蓿識別結(jié)果和精度評價

根據(jù)野外調(diào)研將苜蓿樣地分為a、b、c、d四個驗證區(qū)，進(jìn)一步檢驗研究區(qū)內(nèi)苜蓿的遙感提取空間分布效果，如圖5所示?？梢钥闯?，金昌市苜蓿種植分布整體呈現(xiàn)從北到南逐漸增多的趨勢，苜蓿大部分連片種植的區(qū)域主要集中在金昌市的中南部和西南部，北部部分區(qū)域有零星分布。驗證區(qū)a、b、c識別出的苜蓿大面積連片式分布，苜蓿地塊形狀明顯且飽滿程度高。處在金昌市東北部的驗證區(qū)d中識別出的苜蓿空間分布較為零散，地塊飽滿程度較低，種植面積較小。整體而言，金昌市識別出的苜蓿地理位置、空間分布與野外實測苜蓿樣地的匹配度較高，滿足遙感解譯需求。

表2 不同區(qū)域的苜蓿面積

國內(nèi)苜蓿產(chǎn)業(yè)正處于發(fā)展階段，國家為了積極實施振興奶業(yè)苜蓿發(fā)展行動，投入專項資金，建設(shè)高產(chǎn)優(yōu)質(zhì)苜蓿示范區(qū)，帶動優(yōu)質(zhì)苜蓿種植面積不斷擴(kuò)大，有力促進(jìn)了苜蓿產(chǎn)業(yè)和奶業(yè)的發(fā)展。截止2015年，已經(jīng)形成了甘肅河西走廊、內(nèi)蒙古科爾沁草地、寧夏河套灌區(qū)等一批6 000 hm2以上集中連片的優(yōu)質(zhì)苜蓿種植基地。苜蓿種植面積超過600 hm2的縣有405個。本文研究區(qū)的金川區(qū)和永昌縣為苜蓿發(fā)展重點縣[30]。受政策的影響，企業(yè)和農(nóng)戶為了提高苜蓿干草產(chǎn)量，促進(jìn)苜蓿商品化轉(zhuǎn)化，苜蓿從年刈割2次發(fā)展為3～4次，苜蓿生產(chǎn)收益增大。苜?？臻g分布的遙感監(jiān)測對政策制定、發(fā)展和實施具有一定的貢獻(xiàn)意義。

3 結(jié) 論

本文以甘肅省金昌市為研究區(qū)，以GF-1/WFV和Sentinel-2兩種高時空分辨率的多時相遙感影像為數(shù)據(jù)源，提出利用MATLAB計算器尋峰函數(shù)自動尋找NDVI時間序列數(shù)據(jù)的波峰或波谷特征的苜蓿提取方法，綜合野外實測苜蓿樣地的地理位置信息，分析了研究區(qū)苜蓿的空間分布特征。主要結(jié)論如下：

1）高時空分辨率的NDVI時間序列數(shù)據(jù)集是有效提取苜蓿面積信息及其空間分布格局的關(guān)鍵?；赟entinel-2數(shù)據(jù)的識別精度要優(yōu)于GF-1/WFV，識別精度和Kappa系數(shù)均在85%和0.7以上，識別結(jié)果與驗證樣地之間有高度的一致性。造成差異的原因在于Sentinel-2數(shù)據(jù)的NDVI時間序列曲線密度較GF-1/WFV大，可以更好地識別苜蓿刈割時期前后的關(guān)鍵時間點，從而滿足尋峰和尋谷識別方法的要求；Sentinel-2數(shù)據(jù)的分辨率較GF-1/WFV高，可以更加準(zhǔn)確地識別田埂等細(xì)節(jié)，剔除干擾物，從而進(jìn)一步提高分類精度。

2）尋谷法在進(jìn)行研究區(qū)苜蓿識別時更具優(yōu)勢，遙感識別的苜?？傮w精度、Kappa系數(shù)、用戶精度、制圖精度指標(biāo)均比尋峰法高。說明苜蓿NDVI時間序列曲線中的谷能夠更好地對應(yīng)苜蓿特殊的生產(chǎn)管理形態(tài)，利用尋谷法識別的苜蓿樣地內(nèi)像素的飽和程度高且形狀更為完整。

3）基于Sentinel-2數(shù)據(jù)的尋谷法識別的精度最高，總體精度達(dá)到92.25%，Kappa系數(shù)為0.81，用戶精度和制圖精度分別為90.33%和99.26%，位置精度達(dá)到86.44%，監(jiān)測效果較好，自動化程度高，不具有區(qū)域特殊性，有很大的實際推廣應(yīng)用潛力。

4）金昌市苜?？臻g分布整體呈現(xiàn)從北到南逐漸增多的趨勢，大部分連片的區(qū)域主要集中在金昌市的中南部和西南部，北部區(qū)域僅有零星分布。基于Sentinel-2影像的尋谷法識別的2019年金昌市苜蓿種植面積為15 449.07 hm2，其中金川區(qū)的苜蓿面積為1 353.42 hm2，占金昌市苜?？偯娣e的8.76%；永昌縣的苜蓿面積為14 095.65 hm2，占總面積的91.24%。

由于苜蓿的植被指數(shù)與其當(dāng)年所處的環(huán)境息息相關(guān)，降水、溫度等氣候條件達(dá)不到生長需求時，苜蓿長勢以及刈割次數(shù)會出現(xiàn)較大變動。針對不同研究區(qū)仍需結(jié)合實地調(diào)研情況進(jìn)行具體判斷，需要根據(jù)研究區(qū)條件設(shè)置合理的最小峰值突出（Minimum Peak Prominence，MPP）值和峰谷個數(shù)來準(zhǔn)確提取苜蓿的空間分布信息。其次，能否獲取高時空分辨率的遙感影像是精準(zhǔn)提取苜?？臻g分布信息的關(guān)鍵。GF-1/WFV和Sentinel-2影像受云的影響較為嚴(yán)重，部分區(qū)域的NDVI值存在偏差和缺失，難以完全滿足解譯，因此還需要進(jìn)一步探索多源高時空分辨率衛(wèi)星數(shù)據(jù)（如GF-1/6 WFV和Sentinel-1/2等）的綜合應(yīng)用方法，避免天氣狀況對部分區(qū)域苜蓿識別結(jié)果的影響，優(yōu)化提取結(jié)果。在未來的研究中也可以考慮更多的輔助信息（如不同區(qū)域農(nóng)事操作時間節(jié)點、氣象等）作為判別變量，利用機(jī)器學(xué)習(xí)算法進(jìn)一步提高苜蓿遙感識別的精度，為苜蓿的科學(xué)管理和產(chǎn)業(yè)發(fā)展提供更為精確的數(shù)據(jù)支撐。

[1] 張春梅，王成章，胡喜峰，等. 紫花苜蓿的營養(yǎng)價值及應(yīng)用研究進(jìn)展[J]. 中國飼料，2005(1)：15-17.

Zhang Chunmei, Wang Chengzhang, Hu Xifeng, et al. The nutritional value of alfalfa and its application in feedstuffs[J]. China Feed, 2005(1): 15-17. (in Chinese with English abstract)

[2] 楊青川，孫彥. 中國苜蓿育種的歷史、現(xiàn)狀與發(fā)展趨勢[J]. 中國草地學(xué)報，2011，33(6)：95-101.

Yang Qingchuan, Sun Yan. The history, current situation and development of alfalfa breeding in China[J]. Chinese Journal of Grassland, 2011, 33(6): 95-101. (in Chinese with English abstract)

[3] 李向林，萬里強(qiáng). 苜蓿青貯技術(shù)研究進(jìn)展[J]. 草業(yè)學(xué)報，2005(2)：9-15.

Li Xiang, Wang Liqiang. Research progress onsilage technology[J]. Acta Prataculturae Sinica, 2005(2): 9-15. (in Chinese with English abstract)

[4] 陶莎. 2019年1-10月國內(nèi)飼料市場形勢分析及2020年走勢預(yù)測[J]. 中國乳業(yè)，2020(1)：17-20.

Tao Sha. Analysis of domestic feed market situation from January to October 2019 and forecast of 2020 trend [J]. China Dairy, 2020(1): 17-20. (in Chinese with English abstract)

[5] 李存軍，王紀(jì)華，劉良云，等. 利用多時相Landsat近紅外波段監(jiān)測冬小麥和苜蓿種植面積[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(2)：96-101.

Li Cunjun, Wang Jihua, Liu Liangyun, et al. Land cover mapping of winter wheat and clover using muti-temporal Landsat NIR band in a growing season[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(2): 96-101. (in Chinese with English abstract)

[6] 任海娟，董建軍，李曉媛，等. 利用多時相Landsat8圖像提取苜蓿人工草地信息[J]. 中國草地學(xué)報，2015，37(2)：81-87.

Ren Haijuan, Dong Jianjun, Li Xiaoyuan, et al. Extraction artificial alfalfa grassland information using Landsat 8 remote sensing data[J]. Chinese Journal of Grassland, 2015, 37(2): 81-87. (in Chinese with English abstract)

[7] 劉濤，韓鵬，郭茉苒，等. 基于多時相遙感數(shù)據(jù)提取旱作苜蓿人工草地空間分布信息[J]. 中國草地學(xué)報，2018，40(6)：56-63.

Liu Tao, Han Peng, Guo Moran, et al. Extracting spatial distribution of rainfed artificial alfalfa grassland based on multi-temporal remoting sensing data[J]. Chinese Journal of Grassland, 2018, 40(6): 56-63. (in Chinese with English abstract)

[8] Ashourloo D, Shahrabi H S, Azadbakht M, et al. A novel automatic method for alfalfa mapping using time series of Landsat-8 OLI data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(99): 4478-4487.

[9] 劉煥軍，武丹茜，孟令華，等. 基于NDVI時間序列數(shù)據(jù)的施肥方式遙感識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(17)：162-168.

Liu Huanjun, Wu Danqian, Meng Linghua, et al. Remote sensing recognition method of different fertilization methods in NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2019, 35(17): 162-168. (in Chinese with English abstract)

[10] 平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農(nóng)作物分類[J]. 自然資源學(xué)報，2016，31(3)：503-513.

Ping Yuepeng, Zang Shuying. Crop classification based on MODIS time series and phenological characteristics[J]. Journal of Natural Resources, 2016, 31(3): 503-513. (in Chinese with English abstract)

[11] 李勝林，李大成，韓啟金，等. 基于時空融合的NDVI時序生成技術(shù)在冬小麥監(jiān)測中的應(yīng)用[J]. 太原理工大學(xué)學(xué)報，2019，50(1)：69-75.

Li Shenglin, Li Dacheng, Han Qijin, et al. Application of NDVI time series generation technology based on spatial-temporal fusion in winter wheat monitoring[J]. Journal of Taiyuan University of Technology, 2019, 50(1): 69-75. (in Chinese with English abstract)

[12] 張敏. 基于高時空分辨率NDVI數(shù)據(jù)集的草原植被返青期遙感反演[D]. 成都：西南交通大學(xué)，2019.

Zhang Min. Inversion of Grassland Vegetation Greenup Based on High Temporal and Spatial Resolution NDVI Dataset by Remote Sensing[D]. Chengdu: Southwest Jiaotong University, 2019. (in Chinese with English abstract)

[13] 王凱，趙軍，朱國鋒，等. 基于GF-1遙感數(shù)據(jù)決策樹與混合像元分解模型的冬小麥種植面積早期估算[J]. 遙感技術(shù)與應(yīng)用，2018，33(1)：158-167.

Wang Kai, Zhao Jun, Zhu Guofeng, et al. Early estimation of winter wheat planting area by decision tree and pixel unmixing methods based on GF-1 satelite data[J]. Remote Sensing Technology and Application, 2018, 33(1): 158-167. (in Chinese with English abstract)

[14] 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 Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155-161. (in Chinese with English abstract)

[15] 谷祥輝，張英，桑會勇，等. 基于哨兵2時間序列組合植被指數(shù)的作物分類研究[J]. 遙感技術(shù)與應(yīng)用，2020，35(3)：702-711.

Gu Xianghui, Zhang Ying, Sang Huiyong, et al. Research on crop classification method based on Sentinel-2 time series combined vegetation index[J]. Remote Sensing Technology and Application, 2020, 35(3): 702-711. (in Chinese with English abstract)

[16] 馬黎. 河西走廊綠洲區(qū)草產(chǎn)業(yè)發(fā)展現(xiàn)狀及對策——以金昌市金川區(qū)為例[D].蘭州：蘭州大學(xué)，2017.

Ma Li. Situation and Countermeasures of Grass Industry Development in Oasis Area of Hexi Corridor: A Case Study of Jinchuan District, Jinchang City[D]. Lanzhou: Lanzhou University, 2017. (in Chinese with English abstract)

[17] 謝曉玲. 金昌：種養(yǎng)結(jié)合延長肉羊產(chǎn)業(yè)鏈[J]. 農(nóng)產(chǎn)品市場，2020，932(2)：40-41.

Xie Xiaoling. Jinchang: the combination of planting and breeding extends the industry chain of mutton sheep[J]. Agricultural products Market, 2020, 932(2): 40-41. (in Chinese with English abstract)

[18] 趙國智，蒲中彬. 金昌市草產(chǎn)業(yè)調(diào)查[J]. 中國畜牧業(yè)，2017(24)：62-63.

Zhao Guozhi, Pu Zhongbin. Survey on grass industry in Jinchang[J]. China Animal Industry, 2017(24): 62-63. (in Chinese with English abstract)

[19] 張秀平，陳林，袁興茂，等. 苜蓿春季返青期田間管理技術(shù)[J]. 北方牧業(yè)，2017(7)：23.

Zhang Xiuping, Chen Lin, Yuan Xingmao, et al. Field management techniques of alfalfa returning to green in spring[J]. Northern Animal Husbandry, 2017(7): 23. (in Chinese with English abstract)

[20] 侯蒙京，殷建鵬，葛靜，等. 基于隨機(jī)森林的高寒濕地地區(qū)土地覆蓋遙感分類方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51(7)：220-227.

Hou Mengjing, Yin Jianpeng, Ge Jing, et al. Land cover remote sensing classification method of alpine wetland region based on random forest algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 220-227. (in Chinese with English abstract)

[21] 劉雅清，王磊，趙希妮，等. 基于GF-1/WFV時間序列的綠洲作物類型提取[J]. 干旱區(qū)研究，2019，36(3)：781-789.

Liu Yaqing, Wang Lei, Zhao Xini, et al. Extraction of crops in oasis based on GF-1/WFV time series[J]. Arid Zone Research, 2019, 36(3): 781-789. (in Chinese with English abstract)

[22] 劉晉陽，辛存林，武紅敢，等. GF-6衛(wèi)星WFV數(shù)據(jù)在林地類型監(jiān)測中的應(yīng)用潛力[J]. 航天返回與遙感，2019，40(2)：111-120.

Liu Jinyang, Xin Cunlin, Wu Honggan, et al. Application potential of GF-6 satellite WFV data in monitoring forestland types[J]. Space Reentry and Remote Sensing, 2019, 40(2): 111-120. (in Chinese with English abstract)

[23] 何云，黃翀，李賀，等. 基于Sentinel-2A影像特征優(yōu)選的隨機(jī)森林土地覆蓋分類[J]. 資源科學(xué)，2019，41(5)：992-1001.

He Yun, Huang Chong, Li He, et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science, 2019, 41(5): 992-1001. (in Chinese with English abstract)

[24] 龔燃. 哨兵-2A光學(xué)成像衛(wèi)星發(fā)射升空[J]. 國際太空，2015(8)：36-40.

Gong Ran. Sentinel-2A satellite launches[J]. Space International, 2015(8): 36-40. (in Chinese with English abstract)

[25] Gong P, Liu H, Zhang M, et al. Stable classification with limited sample: Transferring a 30m resolution sample set collected in 2015 to mapping 10m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6): 370-373.

[26] 趙英時. 遙感應(yīng)用分析原理與方法[M]. 北京：科學(xué)出版社，2003.

[27] 王碧晴，韓文泉，許馳. 基于圖像分割和NDVI時間序列曲線分類模型的冬小麥種植區(qū)域識別與提取[J]. 國土資源遙感，2020，32(2)：219-225.

Wang Biqing, Han Wenquan, Xu Chi. Winter wheat planting region recognition and extraction based on image segmentation and NDVI time series curve classification model[J]. Remote Sensing for Land and Resources, 2020, 32(2): 219-225. (in Chinese with English abstract)

[28] 原國新，張世君. 紫花苜蓿越冬刈割時間及留茬高度[J]. 中國農(nóng)村科技，2001(10)：15.

Yuan Guoxin, Zhang Shijun. Overwintering cutting time and stubble height of alfalfa[J]. China Rural Science and Technology, 2001(10): 15. (in Chinese with English abstract)

[29] 楊瑞. 牧草種植面積達(dá)25萬畝金昌成甘肅省最大商品苜蓿種植基地[EB/OL]. 2019-10-21, http://www.amic.agri. gov.cn/nxtwebfreamwork/html/0/1788.htm.

[30] 劉源，張院萍. 全國苜蓿產(chǎn)業(yè)發(fā)展規(guī)劃（2016-2020）[J]. 中國畜牧業(yè)，2017(11)：32.

Spatial distribution extraction of alfalfa based on Sentinel-2 and GF-1 images

Bao Xuying1, Wang Yan2, Feng Qisheng1, Ge Jing1, Hou Mengjing1, Liu Changyu1, Gao Xinhua1, Liang Tiangang1※

(1.-;,;,;,,730020,; 2.No.1,744200,)

Alfalfa is a perennial crop to serve as a key feed variety for the development of herbivorous animal husbandry and food safety in China. Timely and accurate acquisition of alfalfa spatial distribution can greatly contribute to the data support for the scientific management of grass production. In this study, a new extraction was proposed to obtain the remote sensing characteristics of alfalfa using the Findpeaks function of MATLAB, combined with the change of spectral reflectance of alfalfa with the growth stage. A Normalized Difference Vegetation Index (NDVI) dataset was also constructed using high-resolution GF-1/WFV (Wide Field of View) and Sentinel-2 remote sensing images in Jinchang City, Gansu Province, China. The limitation of automatic identification and area extraction was solved to extract the spatial distribution of alfalfa via determining Minimum Peak Prominence (MPP) value. Firstly, an analysis was made on the time series of alfalfa NDVI. It was found that the alfalfa NDVI increased many times, as the peak value decreased in one year. Specifically, there were many peaks and troughs in the NDVI time series curve, among which the peaks represented the high value of NDVI in a growing period (the flourishing period of alfalfa growth and development), whereas, the troughs reflected the alfalfa from the peak period to the cutting state. Then, a field investigation was conducted to determine the peaks and troughs number of alfalfa, where the trough number was 3-4, and the peak number was 3-5 in the NDVI time series curve. Thirdly, a verification of position accuracy found that the classification accuracy increased when the value of MPP was in the range of 0.3 to 0.4 and reached the maximum when the value of MPP was 0.4, while the classification accuracy tended to decrease with the increase of MPP value. Therefore, the MPP value of 0.4 was set to extract the potential spatial distribution of alfalfa using the Findpeaks function of MATLAB software. As such, the spatial distribution dataset of alfalfa planting area was established in the study area by masking the terrain and cultivated land with the removal of forests and other land objects. Finally, the spatial distribution of alfalfa in the study area in 2019 was obtained using ENVI software for the subsequent classification post-processing, such as multiplicity filtering and fragment elimination. The results show that: 1) The recognition accuracy and Kappa coefficient of Sentinel-2 remote sensing data were more than 85% and 0.7, better than that of GF-1/WFV. The larger density of NDVI time series curve in Sentinel-2 data than that of GF-1/WFV was attributed to better capture the key time points of alfalfa. 2) In terms of identification methods, it was found that the find troughs presented the higher overall accuracy, Kappa coefficient, user accuracy, and mapping accuracy of extracted alfalfa in the study area, compared with the find peaks. 3) The find troughs using Sentinel-2 image performed the best for the remote sensing recognition of alfalfa, with an overall accuracy of 92.25%, a Kappa coefficient of 0.81, and a position accuracy of 86.44%, indicating an excellent monitoring performance in terms of spatial location. 4) The spatial distribution of alfalfa showed a gradual increase from the north to south, while most continuous areas were mainly concentrated in the south-central and southwest, and there was only sporadic distribution in the north of the study area. Specifically, the alfalfa planting area that identified by find troughs using Sentinel-2 image was 15 449.07 hm2in 2019, of which the alfalfa area of Jinchuan district was 1 353.42 hm2, accounting for 8.76% of the total alfalfa area of Jinchang, and the alfalfa area of Yongchang county was 14 095.65 hm2, accounting for 91.24% of the total area. The research data confirmed that the find troughs using Sentinel-2 remote sensing data can be expected to effectively identify alfalfa in the study area. The finding can provide important practical support to the refined management of pasture for the precise monitoring of grass production.

remote sensing; image recognition; time series; alfalfa; NDVI; information extraction

包旭瑩，王 燕，馮琦勝，等. Sentinel-2和GF-1影像結(jié)合提取苜?？臻g分布[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(16)：153-160.doi：10.11975/j.issn.1002-6819.2021.16.019 http://www.tcsae.org

Bao Xuying, Wang Yan, Feng Qisheng, et al. Spatial distribution extraction of alfalfa based on Sentinel-2 and GF-1 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 153-160. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.16.019 http://www.tcsae.org

2020-09-28

2021-05-08

現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項資金（CARS-34）；中國工程院重點咨詢研究項目（2021-HZ-5，2020-XZ-29，2018-XZ-25）；蘭州大學(xué)中央高?；究蒲袠I(yè)務(wù)費專項（lzujbky-2020-kb29）；長江學(xué)者和創(chuàng)新團(tuán)隊發(fā)展計劃（IRT_17R50）

包旭瑩，研究方向為草地農(nóng)業(yè)遙感與地理信息系統(tǒng)。Email：baoxy19@lzu.edu.cn

梁天剛，博士，教授，博士生導(dǎo)師，研究方向為草地農(nóng)業(yè)資源與環(huán)境遙感。Email：tgliang@lzu.edu.cn

10.11975/j.issn.1002-6819.2021.16.019

S127

A

1002-6819(2021)-16-0153-08