摘" 要：糧食生產(chǎn)是維護(hù)我國(guó)社會(huì)穩(wěn)定和經(jīng)濟(jì)進(jìn)步的重要保障。準(zhǔn)確掌握農(nóng)作物的種植結(jié)構(gòu)空間分布情況，對(duì)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(cè)，維護(hù)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(lèi)特征變量和分類(lèi)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(jìn)展與未來(lái)發(fā)展方向，綜述內(nèi)容能夠?yàn)樽魑镞b感識(shí)別方法的改進(jìn)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(lèi)特征變量；分類(lèi)算法

中圖分類(lèi)號(hào)：S127" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：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(hù)我國(guó)社會(huì)穩(wěn)定、和諧發(fā)展及經(jīng)濟(jì)進(jìn)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(zhǔn)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(duì)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(cè)，維護(hù)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(huì)發(fā)生改變[2-3]。傳統(tǒng)的農(nóng)作物識(shí)別方法主要通過(guò)實(shí)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(jì)數(shù)據(jù)的形式記錄。這種識(shí)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(shí)施大范圍監(jiān)測(cè)效率較低，人力和物力耗費(fèi)較大，且僅依靠區(qū)域統(tǒng)計(jì)數(shù)據(jù)無(wú)法很好地反映農(nóng)作物連續(xù)的空間分布情況，對(duì)農(nóng)作物種植結(jié)構(gòu)時(shí)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(jì)算機(jī)技術(shù)的飛速發(fā)展，遙感技術(shù)已成為當(dāng)代主流的農(nóng)業(yè)調(diào)查手段[4]。各類(lèi)農(nóng)作物在不同的生長(zhǎng)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(diǎn)，能夠?qū)ψ魑镱?lèi)型加以區(qū)分。利用遙感技術(shù)能夠準(zhǔn)確快速地獲取大尺度范圍下農(nóng)作物種植的連續(xù)時(shí)空分布信息，在農(nóng)業(yè)資源調(diào)查與評(píng)估方面具有顯著的優(yōu)勢(shì)。

通過(guò)解譯圖像特征識(shí)別作物類(lèi)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(jì)算機(jī)以人機(jī)交互的方式，憑借解譯人員豐富的研究經(jīng)驗(yàn)、扎實(shí)的專(zhuān)業(yè)基礎(chǔ)和充分的資料數(shù)據(jù)，通過(guò)人腦的分析、推理與判斷，對(duì)作物類(lèi)型進(jìn)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(shí)別結(jié)果，但是易受人為主觀判斷的影響，對(duì)于遙感影像目視特征相似的作物類(lèi)型，會(huì)有判斷偏差。通過(guò)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(huì)存在一定的誤差。且人工目視解譯需要花費(fèi)大量人力、物力和時(shí)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(duì)人工目視解譯中出現(xiàn)的問(wèn)題，計(jì)算機(jī)自動(dòng)化識(shí)別地物的方式對(duì)其有顯著改善。即通過(guò)計(jì)算機(jī)構(gòu)建有效的模型算法，利用模型自動(dòng)學(xué)習(xí)影像特征的能力統(tǒng)計(jì)特征數(shù)據(jù)，挖掘特征信息，進(jìn)而對(duì)地物進(jìn)行自動(dòng)識(shí)別。計(jì)算機(jī)自動(dòng)識(shí)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(shí)別效率和精度，已是目前應(yīng)用廣泛的作物分類(lèi)方法[5]。

本文以遙感數(shù)據(jù)源、分類(lèi)特征變量和分類(lèi)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(jìn)展與發(fā)展方向。綜述內(nèi)容能夠?yàn)樽魑镞b感識(shí)別方法的改進(jìn)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(cè)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(guó)甚至全球大范圍尺度下的農(nóng)作物遙感識(shí)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(xì)的地物信息，常被用于精細(xì)識(shí)別小范圍重點(diǎn)區(qū)的農(nóng)作物種植結(jié)構(gòu)識(shí)別。例如，盧輝雄等[6]利用65景Landsat 8 OLI數(shù)據(jù)，對(duì)我國(guó)華北平原的小麥、玉米、水稻和大豆作物進(jìn)行了有效的大面積提??；劉俊偉等[7]利用Sentinel-2數(shù)據(jù)對(duì)吉林省梨樹(shù)縣的玉米、水稻、蔬菜和大豆進(jìn)行提取，作物分類(lèi)精度可達(dá)90%以上；Arvor等[8]利用MODIS數(shù)據(jù)對(duì)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(jìn)行分類(lèi)，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(lèi)型的農(nóng)作物，但由于提供的波譜信息有限，會(huì)導(dǎo)致在可見(jiàn)光-紅外波段反射特征相似的作物識(shí)別精度較低，無(wú)法準(zhǔn)確區(qū)分。尤其當(dāng)空間分辨率相對(duì)較低時(shí)，這種錯(cuò)誤分類(lèi)的現(xiàn)象更為嚴(yán)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(huì)影響分類(lèi)精度。主動(dòng)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(dá)影像數(shù)據(jù)，用以表征不同作物的后向散射特征，通過(guò)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(dá)到97%；朱鳳敏等[10]利用Sentinel-1B的VV極化雷達(dá)數(shù)據(jù)對(duì)我國(guó)三江平原地區(qū)的玉米和大豆進(jìn)行提取，分類(lèi)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(shí)別，僅利用微波影像精細(xì)提取農(nóng)作物類(lèi)型存在較大困難。應(yīng)用主、被動(dòng)遙感技術(shù)協(xié)同實(shí)現(xiàn)農(nóng)作物自動(dòng)識(shí)別，充分利用光學(xué)數(shù)據(jù)和雷達(dá)數(shù)據(jù)豐富不同作物的光譜和后向散射特征信息，對(duì)于識(shí)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(diǎn)研究方向。Onojeghuo等[11]綜合利用Sentinel-1和Landsat數(shù)據(jù)，完成了中國(guó)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(dá)影像和Sentinel-2光學(xué)影像為主要數(shù)據(jù)源，對(duì)陜西省渭南市農(nóng)場(chǎng)內(nèi)冬小麥、玉米和苜蓿進(jìn)行識(shí)別，總體精度可達(dá)90.25%。

2" 分類(lèi)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(shí)相、單種類(lèi)的分類(lèi)特征變量發(fā)展為多時(shí)相、多種類(lèi)的分類(lèi)特征變量，通過(guò)綜合應(yīng)用多源數(shù)據(jù)來(lái)充分提取農(nóng)作物的遙感影像特征，進(jìn)而能夠更加準(zhǔn)確地識(shí)別作物類(lèi)型。較為常見(jiàn)的是利用單時(shí)相的光學(xué)或雷達(dá)影像數(shù)據(jù)的原始波段為基本分類(lèi)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(lèi)型。但由于作物間具有相似的植被特征，導(dǎo)致分類(lèi)精度往往無(wú)法滿足制圖需求。為了提高識(shí)別準(zhǔn)確度，對(duì)原始波段數(shù)據(jù)進(jìn)行增強(qiáng)處理，進(jìn)一步突出不同作物的影像特征。常采用圖像比值運(yùn)算法計(jì)算特征指數(shù)，如植被指數(shù)NDVI和水體指數(shù)MNDWI等，通過(guò)波段運(yùn)算可使作物的植被和濕度特征增強(qiáng)，有助于提高分類(lèi)精度。韓冰冰[13]利用Landsat-8數(shù)據(jù)計(jì)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(lèi)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(qiáng)地物影像特征的有效方法之一，可通過(guò)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(xì)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(duì)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(lèi)精度有效提高4.13%。

通過(guò)提取單時(shí)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(lèi)，但提取精度有限，對(duì)于某一時(shí)期光譜特征相似的作物，識(shí)別時(shí)仍存在較大誤差。在作物生長(zhǎng)過(guò)程中，植物冠層結(jié)構(gòu)、植被含水量和土壤濕度等均隨時(shí)間變化呈現(xiàn)不同狀態(tài)，會(huì)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(shí)相、多源特征數(shù)據(jù)，豐富作物在不同時(shí)期的電磁波譜信息，有利于作物分類(lèi)精度的提高。祁向前等[15]利用多時(shí)相Sentinel-2數(shù)據(jù)提取NDVI時(shí)間序列，分析作物在不同時(shí)段的數(shù)據(jù)特征，并篩選最優(yōu)的多時(shí)相波譜特征變量，將冬小麥、花生、玉米和大豆較準(zhǔn)確識(shí)別，分類(lèi)精度在81%～92%左右。禹璇[16]利用多時(shí)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(qiáng)度和紋理均值等特征，構(gòu)建多特征多時(shí)相遙感圖像分類(lèi)數(shù)據(jù)集，較高精度地識(shí)別了水稻、小麥、玉米和菜地。

3" 分類(lèi)算法

作物種植結(jié)構(gòu)分類(lèi)方法從分類(lèi)基本單元來(lái)看，基于像素的分類(lèi)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(shí)別地物類(lèi)型，操作簡(jiǎn)單、易實(shí)現(xiàn)。但由于獨(dú)立像元噪聲引起的“椒鹽現(xiàn)象”普遍存在于分類(lèi)結(jié)果中，作物識(shí)別精度會(huì)受到嚴(yán)重影響，分類(lèi)誤差較大。面向?qū)ο蠓诸?lèi)方法能夠有效避免獨(dú)立像元噪聲引起的分類(lèi)精度下降問(wèn)題，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(lèi)圖像按照一定規(guī)則分割成異質(zhì)性最小的獨(dú)立區(qū)域，生成基于對(duì)象的基本分類(lèi)單元。分割尺度的大小直接影響分類(lèi)的效率和精度。分割尺度過(guò)大，可能使對(duì)象包含2種或2種以上類(lèi)別，使鄰近作物不能很好地區(qū)分；分割尺度過(guò)小，使影像對(duì)象過(guò)于破碎，運(yùn)算量大幅度提高，降低分類(lèi)效率。周靜平等[17]采用面向?qū)ο蠓诸?lèi)法提取了玉米和水稻，有效剔除田間道路及附屬林帶溝渠對(duì)作物分類(lèi)的干擾，總體精度提升6%左右；歐陽(yáng)玲等[18]利用面向?qū)ο蠓诸?lèi)法有效識(shí)別了水稻、玉米和大豆作物，準(zhǔn)確識(shí)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(lèi)方法從計(jì)算模型上來(lái)看，基于機(jī)器學(xué)習(xí)理論的監(jiān)督分類(lèi)法應(yīng)用較為廣泛，如支持向量機(jī)算法（SVM）、神經(jīng)網(wǎng)絡(luò)算法（BP）和隨機(jī)森林算法（RF）等。機(jī)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(guò)程逐步優(yōu)化模型，使其能夠更好地表征影像特征與類(lèi)別標(biāo)簽之間的映射關(guān)系。利用機(jī)器學(xué)習(xí)算法自動(dòng)識(shí)別作物類(lèi)型，可以獲得較高的分類(lèi)精度，模型具有較好的泛化能力和魯棒性，運(yùn)算效率高。呂昱等[19]利用隨機(jī)森林算法對(duì)新疆糧食主產(chǎn)區(qū)內(nèi)的小麥、玉米、打瓜和葵花4類(lèi)主要作物類(lèi)型進(jìn)行分類(lèi)，總體精度可達(dá)94.5%；韓濤等[20]利用Sentinel-2遙感數(shù)據(jù)，采用支持向量機(jī)分類(lèi)算法對(duì)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(jìn)行識(shí)別，分類(lèi)精度為90.%；周揚(yáng)帆[21]利用Landsat-8遙感影像對(duì)吉林省長(zhǎng)春市馬鈴薯分布進(jìn)行遙感提取，采用BP神經(jīng)網(wǎng)絡(luò)算法以較高的識(shí)別精度將馬鈴薯與玉米、大豆和水稻區(qū)分開(kāi)，馬鈴薯的分類(lèi)精度為89.18%。

傳統(tǒng)的機(jī)器學(xué)習(xí)算法需要通過(guò)充分挖掘高維特征變量中的信息來(lái)區(qū)分作物特征，分類(lèi)特征變量的選用會(huì)直接影響識(shí)別精度。此外，傳統(tǒng)的機(jī)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(wú)法很好地?cái)M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(lèi)、數(shù)據(jù)挖掘和語(yǔ)音識(shí)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(guò)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(jí)信息，模型識(shí)別精度較高，穩(wěn)定性和泛化能力強(qiáng)。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(lèi)結(jié)果是類(lèi)別概率。為了更好地實(shí)現(xiàn)端對(duì)端的逐像素分類(lèi)，全卷積神經(jīng)網(wǎng)絡(luò)逐漸發(fā)展起來(lái)。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(guò)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(lèi)結(jié)果不再是類(lèi)別概率，而是在每個(gè)像素上都有與原位置相對(duì)應(yīng)的類(lèi)別，很好地解決了卷積神經(jīng)網(wǎng)絡(luò)在像素級(jí)分類(lèi)任務(wù)中的缺陷，高效地實(shí)現(xiàn)了語(yǔ)義級(jí)別的圖像分割問(wèn)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(shí)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(lái)完善深度學(xué)習(xí)在作物識(shí)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(yǔ)義分割深度學(xué)習(xí)模型自動(dòng)識(shí)別小麥，分類(lèi)總精度可達(dá)94%以上，顯著優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)分類(lèi)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(shí)序變化信息，實(shí)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(guó)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(jī)器學(xué)習(xí)算法的總體精度高12%左右。

4" 結(jié)束語(yǔ)

本文從遙感數(shù)據(jù)源、分類(lèi)特征變量和分類(lèi)算法3個(gè)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(cè)作物長(zhǎng)勢(shì)、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(jì)算機(jī)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(shì)。利用主被動(dòng)遙感協(xié)同技術(shù)和深度學(xué)習(xí)人工智能算法實(shí)現(xiàn)作物精細(xì)識(shí)別是當(dāng)下的研究熱點(diǎn)。隨著大數(shù)據(jù)時(shí)代的到來(lái)，云計(jì)算技術(shù)的開(kāi)發(fā)及云平臺(tái)的構(gòu)建和使用，能夠更加方便快捷地實(shí)現(xiàn)大范圍的作物種植結(jié)構(gòu)時(shí)空分布格局監(jiān)測(cè)。越來(lái)越多的研究者將本地模型在阿里云、Google等云平臺(tái)搭建與使用，將遙感技術(shù)高效、快捷和大面積實(shí)時(shí)監(jiān)測(cè)等特點(diǎn)充分發(fā)揮與利用。

參考文獻(xiàn)：

[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(shí)空變化分析[J].土壤與作物，2018，7（3）：303-311.

[2] 劉亞群.基于多時(shí)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(shí)空演變及驅(qū)動(dòng)因素研究[D].貴陽(yáng)：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(shí)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(jī)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(jì)算技術(shù)，2017，39（3）：416-424.

[7] 劉俊偉，陳鵬飛，張東彥，等.基于時(shí)序Sentinel-2影像的梨樹(shù)縣作物種植結(jié)構(gòu)[J].江蘇農(nóng)業(yè)學(xué)報(bào)，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(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，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(lèi)方法研究[J].測(cè)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(lèi)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(zhǎng)春：吉林大學(xué)，2020.

[14] 曹偉男，王文高，王欣，等.基于高分二號(hào)衛(wèi)星數(shù)據(jù)的農(nóng)作物分類(lèi)方法研究[J].測(cè)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(hào)多時(shí)相植被指數(shù)作物分類(lèi)及監(jiān)測(cè)[J].測(cè)繪工程，2022，31（6）：47-53.

[16] 禹璇.基于多源多時(shí)相遙感數(shù)據(jù)的寧夏平原中小片作物分類(lèi)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(shù)和面向?qū)ο蟮淖魑锓植夹畔⑦b感提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（9）：318-326.

[18] 歐陽(yáng)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(bào)，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(tái)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(shí)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(yáng)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(guó)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(yǔ)義分割模型的小麥分類(lèi)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(shí)別[D].淮南：安徽理工大學(xué)，2020.

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