摘" 要：糧食生產(chǎn)是維護我國社會穩(wěn)定和經(jīng)濟進步的重要保障。準確掌握農(nóng)作物的種植結(jié)構(gòu)空間分布情況，對于優(yōu)化和調(diào)整作物結(jié)構(gòu)，宏觀指導(dǎo)農(nóng)業(yè)生產(chǎn)和農(nóng)情監(jiān)測，維護土地資源可持續(xù)發(fā)展具有重要意義。研究旨在以遙感數(shù)據(jù)源、分類特征變量和分類算法為論述框架，系統(tǒng)梳理和討論遙感技術(shù)在農(nóng)作物種植結(jié)構(gòu)信息提取中的應(yīng)用進展與未來發(fā)展方向，綜述內(nèi)容能夠為作物遙感識別方法的改進與創(chuàng)新提供思路，為后續(xù)農(nóng)業(yè)遙感應(yīng)用提供參考。

關(guān)鍵詞：農(nóng)作物；種植結(jié)構(gòu)；遙感數(shù)據(jù)；分類特征變量；分類算法

中圖分類號：S127" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）15-0076-05

Abstract： Food production is a crucial guarantee for social stability and economic growth. It is significant to accurately monitor the spatial distribution of crop planting structure for adjusting crop structure， improving the agricultural production， monitoring crop condition， and preserving the sustainable development of land resources. The purpose of this paper is to systematically review and discuss the research progress and future development of the crop planting structure information extraction using remote sensing technology. In this paper， we mainly discuss the use of remote sensing data， classification characteristic variables， and classification methods for automatic identification of crop planting structure. This review can provide support for the development of crop planting structure identification methods as well as references for the agriculture remote sensing applications.

Keywords： crops; planting structure; remote sensing data; classification characteristic variables; classification algorithm

糧食生產(chǎn)是維護我國社會穩(wěn)定、和諧發(fā)展及經(jīng)濟進步的重要保障。農(nóng)作物種植結(jié)構(gòu)指單位區(qū)域內(nèi)農(nóng)作物的分布特征和面積比例。準確掌握農(nóng)作物的種植結(jié)構(gòu)及空間分布情況，合理配置耕地資源，對于優(yōu)化和調(diào)整作物結(jié)構(gòu)，提高耕地利用率，宏觀指導(dǎo)農(nóng)業(yè)生產(chǎn)、農(nóng)作物估產(chǎn)及農(nóng)情監(jiān)測，維護土地資源可持續(xù)發(fā)展具有重要意義[1]。

受土壤條件、水資源環(huán)境、地理位置、城鎮(zhèn)化發(fā)展、耕地管理模式和農(nóng)業(yè)政策等多種因素的影響，農(nóng)作物種植結(jié)構(gòu)會發(fā)生改變[2-3]。傳統(tǒng)的農(nóng)作物識別方法主要通過實地調(diào)查獲取研究區(qū)域的作物種植結(jié)構(gòu)及耕種面積，并以統(tǒng)計數(shù)據(jù)的形式記錄。這種識別方式雖然可以獲得農(nóng)作物種植情況，但調(diào)查結(jié)果更新速度慢，實施大范圍監(jiān)測效率較低，人力和物力耗費較大，且僅依靠區(qū)域統(tǒng)計數(shù)據(jù)無法很好地反映農(nóng)作物連續(xù)的空間分布情況，對農(nóng)作物種植結(jié)構(gòu)時空格局演變規(guī)律的分析與判斷具有局限性。隨著航天產(chǎn)業(yè)和計算機技術(shù)的飛速發(fā)展，遙感技術(shù)已成為當代主流的農(nóng)業(yè)調(diào)查手段[4]。各類農(nóng)作物在不同的生長階段具有不同的電磁輻射特性，反映在遙感影像上可以表現(xiàn)出不同的紋理、結(jié)構(gòu)和形狀等特點，能夠?qū)ψ魑镱愋图右詤^(qū)分。利用遙感技術(shù)能夠準確快速地獲取大尺度范圍下農(nóng)作物種植的連續(xù)時空分布信息，在農(nóng)業(yè)資源調(diào)查與評估方面具有顯著的優(yōu)勢。

通過解譯圖像特征識別作物類型是利用遙感技術(shù)提取農(nóng)作物種植結(jié)構(gòu)信息的基礎(chǔ)工作和關(guān)鍵步驟。借助計算機以人機交互的方式，憑借解譯人員豐富的研究經(jīng)驗、扎實的專業(yè)基礎(chǔ)和充分的資料數(shù)據(jù)，通過人腦的分析、推理與判斷，對作物類型進行人工目視解譯是較為傳統(tǒng)的作物結(jié)構(gòu)信息提取方式。人工目視解譯方法能夠取得較好的識別結(jié)果，但是易受人為主觀判斷的影響，對于遙感影像目視特征相似的作物類型，會有判斷偏差。通過人工的方式數(shù)字化作物種植地塊，勾勒的矢量邊界與柵格像元間的位置匹配可能會存在一定的誤差。且人工目視解譯需要花費大量人力、物力和時間，效率極低，不適用于大面積的作物種植結(jié)構(gòu)信息提取。針對人工目視解譯中出現(xiàn)的問題，計算機自動化識別地物的方式對其有顯著改善。即通過計算機構(gòu)建有效的模型算法，利用模型自動學(xué)習(xí)影像特征的能力統(tǒng)計特征數(shù)據(jù)，挖掘特征信息，進而對地物進行自動識別。計算機自動識別的方式也逐漸在作物信息結(jié)構(gòu)提取方面推廣應(yīng)用，顯著提高了識別效率和精度，已是目前應(yīng)用廣泛的作物分類方法[5]。

本文以遙感數(shù)據(jù)源、分類特征變量和分類算法為論述框架，系統(tǒng)梳理遙感技術(shù)在農(nóng)作物種植結(jié)構(gòu)信息提取中的應(yīng)用進展與發(fā)展方向。綜述內(nèi)容能夠為作物遙感識別方法的改進與創(chuàng)新提供思路，為后續(xù)農(nóng)業(yè)遙感應(yīng)用提供參考。

1" 遙感數(shù)據(jù)源

光學(xué)遙感數(shù)據(jù)在農(nóng)作物種植結(jié)構(gòu)信息提取的相關(guān)研究中應(yīng)用最為廣泛，依據(jù)監(jiān)測范圍的大小選擇不同空間尺度的遙感影像：中高空間分辨率Landsat、Sentinel-2、HJ-1衛(wèi)星影像數(shù)據(jù)及中低空間分辨率MODIS和AVHRR影像數(shù)據(jù)常作為各地區(qū)、全國甚至全球大范圍尺度下的農(nóng)作物遙感識別的主要數(shù)據(jù)源；高空間分辨率RapidEye、Worldview、GF和航空影像數(shù)據(jù)能夠提供更詳細的地物信息，常被用于精細識別小范圍重點區(qū)的農(nóng)作物種植結(jié)構(gòu)識別。例如，盧輝雄等[6]利用65景Landsat 8 OLI數(shù)據(jù)，對我國華北平原的小麥、玉米、水稻和大豆作物進行了有效的大面積提取；劉俊偉等[7]利用Sentinel-2數(shù)據(jù)對吉林省梨樹縣的玉米、水稻、蔬菜和大豆進行提取，作物分類精度可達90%以上；Arvor等[8]利用MODIS數(shù)據(jù)對巴西馬托格羅索州農(nóng)業(yè)種植區(qū)內(nèi)大豆、玉米和棉花進行分類，總體精度為74%，有效獲取了不同作物的種植面積，為該農(nóng)業(yè)區(qū)作物制圖和農(nóng)業(yè)管理提供了高效方法。

依據(jù)光學(xué)遙感數(shù)據(jù)的波譜特征能夠有效區(qū)分不同類型的農(nóng)作物，但由于提供的波譜信息有限，會導(dǎo)致在可見光-紅外波段反射特征相似的作物識別精度較低，無法準確區(qū)分。尤其當空間分辨率相對較低時，這種錯誤分類的現(xiàn)象更為嚴重。且光學(xué)傳感器易受云雨天氣影響，較難獲取高質(zhì)量的影像數(shù)據(jù)，會影響分類精度。主動微波傳感器發(fā)射的微波能夠穿透云層，不易受天氣影響，可獲得清晰的雷達影像數(shù)據(jù)，用以表征不同作物的后向散射特征，通過后向散射系數(shù)差異區(qū)分不同的農(nóng)作物。目前已有大量研究利用ERS、Radarsat-2和Sentinel-1等微波影像數(shù)據(jù)提取作物種植結(jié)構(gòu)。田海峰等[9]利用Radarsat-2影像有效提取了復(fù)雜種植結(jié)構(gòu)背景下的春小麥和油菜，總體精度達到97%；朱鳳敏等[10]利用Sentinel-1B的VV極化雷達數(shù)據(jù)對我國三江平原地區(qū)的玉米和大豆進行提取，分類精度在65%左右。由于微波傳感器成像方式不同，作物影像特征不易識別，僅利用微波影像精細提取農(nóng)作物類型存在較大困難。應(yīng)用主、被動遙感技術(shù)協(xié)同實現(xiàn)農(nóng)作物自動識別，充分利用光學(xué)數(shù)據(jù)和雷達數(shù)據(jù)豐富不同作物的光譜和后向散射特征信息，對于識別精度的提高具有重要意義，已成為目前作物種植結(jié)構(gòu)信息提取的熱點研究方向。Onojeghuo等[11]綜合利用Sentinel-1和Landsat數(shù)據(jù)，完成了中國東北三江平原典型區(qū)域水稻種植區(qū)制圖；朱琳[12]以Sentinel-1雷達影像和Sentinel-2光學(xué)影像為主要數(shù)據(jù)源，對陜西省渭南市農(nóng)場內(nèi)冬小麥、玉米和苜蓿進行識別，總體精度可達90.25%。

2" 分類特征變量

利用遙感影像提取農(nóng)作物種植結(jié)構(gòu)信息已逐步從利用單時相、單種類的分類特征變量發(fā)展為多時相、多種類的分類特征變量，通過綜合應(yīng)用多源數(shù)據(jù)來充分提取農(nóng)作物的遙感影像特征，進而能夠更加準確地識別作物類型。較為常見的是利用單時相的光學(xué)或雷達影像數(shù)據(jù)的原始波段為基本分類特征變量，提取不同作物的光譜反射或后向散射特征用以區(qū)分類型。但由于作物間具有相似的植被特征，導(dǎo)致分類精度往往無法滿足制圖需求。為了提高識別準確度，對原始波段數(shù)據(jù)進行增強處理，進一步突出不同作物的影像特征。常采用圖像比值運算法計算特征指數(shù)，如植被指數(shù)NDVI和水體指數(shù)MNDWI等，通過波段運算可使作物的植被和濕度特征增強，有助于提高分類精度。韓冰冰[13]利用Landsat-8數(shù)據(jù)計算NDVI、NDWI和NDBI 3種植被指數(shù)，與光譜特征結(jié)合構(gòu)建了多維分類特征集，用以提取玉米、大豆和水稻。空間鄰域處理法也是增強地物影像特征的有效方法之一，可通過改變像元與相鄰像元間的數(shù)量關(guān)系，突出圖像邊緣和紋理等細節(jié)特征，如灰度共生矩陣法（GLCM）。曹偉男等[14]利用GF-2數(shù)據(jù)提取了相關(guān)性、均值、熵、同質(zhì)性和對比度等多種GLCM紋理特征變量，并與光譜反射率變量和指數(shù)變量組合，構(gòu)建最優(yōu)特征數(shù)據(jù)集，提取了玉米、水稻和花生作物。研究表明，紋理變量的加入能夠使分類精度有效提高4.13%。

通過提取單時相遙感數(shù)據(jù)特征變量，能夠在一定程度上有效區(qū)分作物種類，但提取精度有限，對于某一時期光譜特征相似的作物，識別時仍存在較大誤差。在作物生長過程中，植物冠層結(jié)構(gòu)、植被含水量和土壤濕度等均隨時間變化呈現(xiàn)不同狀態(tài)，會與電磁波有不同的響應(yīng)特性。鑒于此，諸多研究者采用多時相、多源特征數(shù)據(jù)，豐富作物在不同時期的電磁波譜信息，有利于作物分類精度的提高。祁向前等[15]利用多時相Sentinel-2數(shù)據(jù)提取NDVI時間序列，分析作物在不同時段的數(shù)據(jù)特征，并篩選最優(yōu)的多時相波譜特征變量，將冬小麥、花生、玉米和大豆較準確識別，分類精度在81%～92%左右。禹璇[16]利用多時相的GF-1、Landsat-8和Sentinel-1數(shù)據(jù)提取NDVI植被指數(shù)、后向散射強度和紋理均值等特征，構(gòu)建多特征多時相遙感圖像分類數(shù)據(jù)集，較高精度地識別了水稻、小麥、玉米和菜地。

3" 分類算法

作物種植結(jié)構(gòu)分類方法從分類基本單元來看，基于像素的分類方法發(fā)展較早且應(yīng)用廣泛，主要利用遙感數(shù)據(jù)的光譜信息識別地物類型，操作簡單、易實現(xiàn)。但由于獨立像元噪聲引起的“椒鹽現(xiàn)象”普遍存在于分類結(jié)果中，作物識別精度會受到嚴重影響，分類誤差較大。面向?qū)ο蠓诸惙椒軌蛴行П苊猹毩⑾裨肼曇鸬姆诸惥认陆祮栴}，且能夠較好地保留地物空間鄰域特征。該方法需首先將待分類圖像按照一定規(guī)則分割成異質(zhì)性最小的獨立區(qū)域，生成基于對象的基本分類單元。分割尺度的大小直接影響分類的效率和精度。分割尺度過大，可能使對象包含2種或2種以上類別，使鄰近作物不能很好地區(qū)分；分割尺度過小，使影像對象過于破碎，運算量大幅度提高，降低分類效率。周靜平等[17]采用面向?qū)ο蠓诸惙ㄌ崛×擞衩缀退?，有效剔除田間道路及附屬林帶溝渠對作物分類的干擾，總體精度提升6%左右；歐陽玲等[18]利用面向?qū)ο蠓诸惙ㄓ行ёR別了水稻、玉米和大豆作物，準確識別作物的地塊邊界，為后續(xù)產(chǎn)量估算提供了重要的基礎(chǔ)數(shù)據(jù)。

作物種植結(jié)構(gòu)分類方法從計算模型上來看，基于機器學(xué)習(xí)理論的監(jiān)督分類法應(yīng)用較為廣泛，如支持向量機算法（SVM）、神經(jīng)網(wǎng)絡(luò)算法（BP）和隨機森林算法（RF）等。機器學(xué)習(xí)算法具備非線性的模型結(jié)構(gòu)，可以有效挖掘訓(xùn)練數(shù)據(jù)中的地物特征信息。隨著不斷的迭代學(xué)習(xí)過程逐步優(yōu)化模型，使其能夠更好地表征影像特征與類別標簽之間的映射關(guān)系。利用機器學(xué)習(xí)算法自動識別作物類型，可以獲得較高的分類精度，模型具有較好的泛化能力和魯棒性，運算效率高。呂昱等[19]利用隨機森林算法對新疆糧食主產(chǎn)區(qū)內(nèi)的小麥、玉米、打瓜和葵花4類主要作物類型進行分類，總體精度可達94.5%；韓濤等[20]利用Sentinel-2遙感數(shù)據(jù)，采用支持向量機分類算法對種植結(jié)構(gòu)復(fù)雜的小尺度都市農(nóng)業(yè)區(qū)內(nèi)的油菜進行識別，分類精度為90.%；周揚帆[21]利用Landsat-8遙感影像對吉林省長春市馬鈴薯分布進行遙感提取，采用BP神經(jīng)網(wǎng)絡(luò)算法以較高的識別精度將馬鈴薯與玉米、大豆和水稻區(qū)分開，馬鈴薯的分類精度為89.18%。

傳統(tǒng)的機器學(xué)習(xí)算法需要通過充分挖掘高維特征變量中的信息來區(qū)分作物特征，分類特征變量的選用會直接影響識別精度。此外，傳統(tǒng)的機器學(xué)習(xí)模型結(jié)構(gòu)較單一，獲得的數(shù)據(jù)信息是淺層表象的，無法很好地擬合更為復(fù)雜的映射關(guān)系，模型泛化能力有限。隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)模型逐漸在圖像檢索與分類、數(shù)據(jù)挖掘和語音識別等領(lǐng)域發(fā)揮重要作用。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中應(yīng)用廣泛的模型結(jié)構(gòu)，能夠利用少量的特征變量，通過多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，逐層提取特征，挖掘深層次的高級信息，模型識別精度較高，穩(wěn)定性和泛化能力強。LeNet、AlexNet、VGG和GoogleNet等均是較為經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。但是，由于卷積神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)結(jié)構(gòu)的輸出層之間通常存在全連接層，使最終輸出的分類結(jié)果是類別概率。為了更好地實現(xiàn)端對端的逐像素分類，全卷積神經(jīng)網(wǎng)絡(luò)逐漸發(fā)展起來。與卷積神經(jīng)網(wǎng)絡(luò)不同的是，其將全連接層替換成卷積層，并通過上采樣的處理方式使輸出圖像保留了原始圖像尺寸，使分類結(jié)果不再是類別概率，而是在每個像素上都有與原位置相對應(yīng)的類別，很好地解決了卷積神經(jīng)網(wǎng)絡(luò)在像素級分類任務(wù)中的缺陷，高效地實現(xiàn)了語義級別的圖像分割問題。FCN、Unet、SegNet等均是目前應(yīng)用較廣的全卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。雖已有研究利用深度學(xué)習(xí)模型識別作物種植結(jié)構(gòu)，但仍處于發(fā)展階段，需要更多深入的研究來完善深度學(xué)習(xí)在作物識別方面的應(yīng)用。例如，董秀春等[22]以WorldView-2遙感影像為數(shù)據(jù)源，構(gòu)建Unet和DeepLab3+語義分割深度學(xué)習(xí)模型自動識別小麥，分類總精度可達94%以上，顯著優(yōu)于傳統(tǒng)的機器學(xué)習(xí)分類方法；孫浩然[23]構(gòu)建CNN卷積網(wǎng)絡(luò)模型深度挖掘Sentinel-2影像的光譜信息和紅邊波段的時序變化信息，實現(xiàn)了灌區(qū)農(nóng)業(yè)大棚、小麥、玉米、棉花和蔬菜等主要地物的高精度空間分布圖的繪制；伊爾潘·艾尼瓦爾等[24]以國產(chǎn)GF-2影像為數(shù)據(jù)源，構(gòu)建Unet模型提取干旱區(qū)棉花、玉米和辣椒，總體精度為84.22%，比傳統(tǒng)機器學(xué)習(xí)算法的總體精度高12%左右。

4" 結(jié)束語

本文從遙感數(shù)據(jù)源、分類特征變量和分類算法3個方面系統(tǒng)梳理了遙感技術(shù)在農(nóng)作物種植結(jié)構(gòu)信息提取方面的研究現(xiàn)狀。利用遙感技術(shù)監(jiān)測作物長勢、種植結(jié)構(gòu)和分布面積，已成為農(nóng)業(yè)管理與發(fā)展領(lǐng)域重要的技術(shù)手段。隨著計算機技術(shù)和遙感技術(shù)的發(fā)展，數(shù)據(jù)多源化和模型智能化已是前沿的發(fā)展趨勢。利用主被動遙感協(xié)同技術(shù)和深度學(xué)習(xí)人工智能算法實現(xiàn)作物精細識別是當下的研究熱點。隨著大數(shù)據(jù)時代的到來，云計算技術(shù)的開發(fā)及云平臺的構(gòu)建和使用，能夠更加方便快捷地實現(xiàn)大范圍的作物種植結(jié)構(gòu)時空分布格局監(jiān)測。越來越多的研究者將本地模型在阿里云、Google等云平臺搭建與使用，將遙感技術(shù)高效、快捷和大面積實時監(jiān)測等特點充分發(fā)揮與利用。

參考文獻：

[1] 潘曉卉，張平宇，劉世薇.東北地區(qū)主要糧食作物種植結(jié)構(gòu)時空變化分析[J].土壤與作物，2018，7（3）：303-311.

[2] 劉亞群.基于多時相遙感影像的黑河流域農(nóng)作物種植結(jié)構(gòu)提取研究[D].重慶：重慶交通大學(xué)，2016.

[3] 張莉.貴州省農(nóng)作物種植結(jié)構(gòu)時空演變及驅(qū)動因素研究[D].貴陽：貴州大學(xué)，2022.

[4] 劉雪兒.基于RS技術(shù)的賓縣作物種植結(jié)構(gòu)時空特征變化分析[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2019.

[5] 康金忠.基于機器學(xué)習(xí)的農(nóng)作物種植結(jié)構(gòu)提取方法研究[D].武漢：武漢大學(xué)，2020.

[6] 盧輝雄，田言亮，董雙發(fā)，等.基于Landsat 8 OLI數(shù)據(jù)的華北平原農(nóng)作物種植結(jié)構(gòu)遙感解譯研究[J].物探化探計算技術(shù)，2017，39（3）：416-424.

[7] 劉俊偉，陳鵬飛，張東彥，等.基于時序Sentinel-2影像的梨樹縣作物種植結(jié)構(gòu)[J].江蘇農(nóng)業(yè)學(xué)報，2020，36（6）：1428-1436.

[8] ARVOR D， JONATHAN M， MEIRELLES M S P， et al. Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso， Brazil[J].International Journal of Remote Sensing，32（22）：7847-7871.

[9] 田海峰，鄔明權(quán)，牛錚，等.基于Radarsat-2影像的復(fù)雜種植結(jié)構(gòu)下旱地作物識別[J].農(nóng)業(yè)工程學(xué)報，2015，31（23）：154-159.

[10] 朱鳳敏，吳迪，楊佳琪.基于Sentinel-1B SAR數(shù)據(jù)的農(nóng)作物分類方法研究[J].測繪與空間地理信息，2020，43（5）：105-108.

[11] ONOJEGHUO A O， BLACKBURN G A， WANG Q， et al. Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data[J].International journal of remote sensing， 2018，39（4）：1042-1067.

[12] 朱琳.基于Sentinel多源遙感數(shù)據(jù)的作物分類及種植面積提取研究[D].楊凌：西北農(nóng)林科技大學(xué)，2018.

[13] 韓冰冰.吉林省大宗作物分布遙感制圖[D].長春：吉林大學(xué)，2020.

[14] 曹偉男，王文高，王欣，等.基于高分二號衛(wèi)星數(shù)據(jù)的農(nóng)作物分類方法研究[J].測繪與空間地理信息，2021，44（4）：158-161.

[15] 祁向前，孫德浩，賈連星.哨兵2號多時相植被指數(shù)作物分類及監(jiān)測[J].測繪工程，2022，31（6）：47-53.

[16] 禹璇.基于多源多時相遙感數(shù)據(jù)的寧夏平原中小片作物分類研究[D].銀川：寧夏大學(xué)，2020.

[17] 周靜平，李存軍，史磊剛，等.基于決策樹和面向?qū)ο蟮淖魑锓植夹畔⑦b感提取[J].農(nóng)業(yè)機械學(xué)報，2016，47（9）：318-326.

[18] 歐陽玲，毛德華，王宗明，等.基于GF-1與Landsat8 OLI影像的作物種植結(jié)構(gòu)與產(chǎn)量分析[J].農(nóng)業(yè)工程學(xué)報，2017，33（11）：147-156.

[19] 呂昱，范燕敏，武紅旗，等.面向?qū)ο蟮淖魑锓N植信息提取研究——以新疆奇臺縣為例[J].山東農(nóng)業(yè)科學(xué)，2020，52（6）：137-143.

[20] 韓濤，潘劍君，張培育，等.Sentinel-2A與Landsat-8影像在油菜識別中的差異性研究[J].遙感技術(shù)與應(yīng)用，2018，33（5）：890-899.

[21] 周揚帆.基于BP神經(jīng)網(wǎng)絡(luò)方法提取馬鈴薯空間分布研究[D].中國農(nóng)業(yè)科學(xué)院，2018.

[22] 董秀春，劉忠友，蔣怡，等.基于WorldView-2影像和語義分割模型的小麥分類提取[J].遙感技術(shù)與應(yīng)用，2022，37（3）：564-570.

[23] 孫浩然.基于Sentinel-2圖像和深度學(xué)習(xí)的山東位山灌區(qū)農(nóng)作物識別[D].淮南：安徽理工大學(xué)，2020.

[24] 伊爾潘·艾尼瓦爾，買買提·沙吾提，買合木提·巴拉提.基于GF-2影像和Unet模型的棉花分布識別[J].自然資源遙感，2022，34（2）：242-250.