王晶晶 蘭仕浩 邱琳 汪曙 單捷 黃曉軍 李牧

王晶晶，蘭仕浩，邱? 琳，等. 基于哨兵二號(hào)的大豆、玉米遙感識(shí)別——以江蘇徐淮地區(qū)為例［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（8）：1698-1706.

doi：10.3969/j.issn.1000-4440.2023.08.009

收稿日期：2022-11-07

基金項(xiàng)目：江蘇省農(nóng)業(yè)科技自主創(chuàng)新基金項(xiàng)目[CX（22）2001]

作者簡(jiǎn)介：王晶晶（1981-） ， 女 ， 江蘇揚(yáng)州人， 博士， 副研究員 ， 主要從事農(nóng)業(yè)遙感應(yīng)用研究。 （E-mail）immi103@163.com

摘要：本研究以哨兵二號(hào)影像為數(shù)據(jù)源，以江蘇徐淮地區(qū)邳州市西南部作為研究區(qū)，開(kāi)展大豆、玉米遙感識(shí)別研究。采用覆蓋玉米和大豆主要生長(zhǎng)期的多時(shí)相哨兵二號(hào)影像構(gòu)建遙感特征參數(shù)數(shù)據(jù)集，包括12個(gè)光譜波段的反射率和47個(gè)植被指數(shù)，采用遞歸特征消除與隨機(jī)森林、支持向量機(jī)相結(jié)合的算法開(kāi)展特征參數(shù)優(yōu)選，明確最優(yōu)識(shí)別時(shí)相-特征參數(shù)組合，在此基礎(chǔ)上，采用隨機(jī)森林和支持向量機(jī)分類(lèi)器進(jìn)行分類(lèi)，并比較分類(lèi)精度。研究結(jié)果表明，利用特征參數(shù)優(yōu)選方法提取最優(yōu)特征參數(shù)組合，在保證總體精度的前提下能夠減少特征參數(shù)數(shù)量；陸地水指數(shù)和倒數(shù)差值等植被指數(shù)是2種優(yōu)選算法所提取出的共性特征參數(shù)；9月8日是研究區(qū)玉米和大豆遙感識(shí)別的最佳時(shí)相，總體精度和Kappa系數(shù)均為0.99。

關(guān)鍵詞：玉米；大豆；哨兵二號(hào)影像；特征選擇；遙感識(shí)別

中圖分類(lèi)號(hào)：TP79????? 文獻(xiàn)標(biāo)識(shí)碼：A????? 文章編號(hào)：1000-4440（2023）08-1698-09

Recognition of corn and soybean based on Sentinel-2 imagery： a case study in Xuhuai area， Jiangsu province

WANG Jing-jing1 LAN Shi-hao2 QIU Lin1 WANG Shu1 SHAN Jie1 HUANG Xiao-jun1 LI Mu1

（1.Institute of Agricultural Information， Jiangsu Academy of Agricultural Sciences， Nanjing 210014， China;2.School of Remote Sensing and Geomatics Engineering， Nanjing University of Information Science and Technology， Nanjing 210044， China）

Abstract：In this study， the southwest of Pizhou City of Xuhuai area， Jiangsu province， China， was taken as the study area， and multi-temporal Sentinel-2 images covering the main growing period of the corn and soybean were adopted to build the multi-temporal candidate features data set including the reflectance of 12 spectral bands and 47 vegetation indices. Two machine-learning algorithms， i.e.， random forest and support vector machine combined with the recursive feature elimination process were employed and their respective performance in crop identification was evaluated to determine the optimal characteristic parameters of remote sensing identification with the best recognition time phases of corn and soybean. Results indicated that feature parameter selection method could be used to extract the optimal feature parameter combination and reduce the number of feature parameters under the premise of ensuring the overall accuracy. The combination of features of multiple time phases obtained by the two algorithms had some of the same preferred feature parameters including land surface water index and derivative difference vegetation index. The classification accuracy analysis showed that September 8 was the best phase for corn and soybean recognition in this study with the overall accuracy and kappa coefficient of 0.99.

Key words：corn;soybean;Sentinel-2 imagery;feature selection;remote sensing identification

玉米是目前世界上種植最廣泛的谷類(lèi)作物之一，其總產(chǎn)量位居三大谷類(lèi)作物（玉米、水稻和小麥）之首。近幾十年來(lái)，玉米是全球單位面積產(chǎn)量和種植面積增長(zhǎng)最快的大田作物[1]，在解決未來(lái)糧食需求方面發(fā)揮著重要作用。中國(guó)是世界主要大豆生產(chǎn)國(guó)之一，但大豆的產(chǎn)量遠(yuǎn)遠(yuǎn)不能滿(mǎn)足畜牧業(yè)生產(chǎn)和人們生活的需要，近年來(lái)大豆種植面積不斷增加。隨著玉米和大豆種植規(guī)模的不斷擴(kuò)大，快速準(zhǔn)確地了解玉米、大豆種植的空間分布和動(dòng)態(tài)變化等一系列問(wèn)題顯得日益緊迫。識(shí)別農(nóng)作物，掌握農(nóng)作物種植面積及其變化，是當(dāng)前農(nóng)業(yè)遙感監(jiān)測(cè)研究的重要目標(biāo)，引導(dǎo)和調(diào)節(jié)農(nóng)業(yè)結(jié)構(gòu)對(duì)規(guī)劃國(guó)家和區(qū)域經(jīng)濟(jì)社會(huì)發(fā)展戰(zhàn)略，制定農(nóng)產(chǎn)品進(jìn)出口計(jì)劃具有重要意義[2-3]，同時(shí)作物空間分布情況是作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)、災(zāi)害預(yù)警等農(nóng)情遙感監(jiān)測(cè)的基礎(chǔ)信息[4-5]。傳統(tǒng)方法通過(guò)人工實(shí)地調(diào)查獲取耕地種植情況，存在費(fèi)時(shí)費(fèi)力的局限性，不能大范圍使用。遙感技術(shù)具有宏觀、實(shí)時(shí)、動(dòng)態(tài)等優(yōu)點(diǎn)，已成為獲取耕地和農(nóng)作物信息的有效手段[6-7]。

在農(nóng)作物分類(lèi)識(shí)別研究中，原始遙感影像的光譜特征使用最多，利用線(xiàn)性或非線(xiàn)性變換得到的植被指數(shù)能有效提高玉米和大豆識(shí)別的效率，成為農(nóng)作物識(shí)別最重要的遙感特征[8-9]。紅邊、近紅外波段和短波紅外已被學(xué)者證明對(duì)玉米和大豆的識(shí)別至關(guān)重要[10-12]。由于作物具有明顯的季節(jié)生長(zhǎng)規(guī)律和物候特征，時(shí)相的選擇成為影響精度的重要因素[13-14]。目前，對(duì)玉米和大豆的種植分布研究主要集中在機(jī)械化程度高、種植連片的產(chǎn)區(qū)，例如美國(guó)、巴西、阿根廷以及中國(guó)東北地區(qū)[15]。玉米和大豆遙感識(shí)別研究以中低空間分辨率、大尺度、高時(shí)間分辨率的遙感數(shù)據(jù)源為主[8-10]，對(duì)于以散戶(hù)種植為主、種植結(jié)構(gòu)較為復(fù)雜的地區(qū)，例如地處中國(guó)黃淮海大豆、玉米種植區(qū)的江蘇省徐淮地區(qū)，由于農(nóng)田景觀破碎、作物插花種植程度較高，中低分辨率衛(wèi)星數(shù)據(jù)難以滿(mǎn)足種植田塊較小的玉米、大豆等作物種植分布精細(xì)識(shí)別的空間分辨率的要求。

本研究以江蘇省徐淮地區(qū)邳州市南部地區(qū)為研究區(qū)，以歐洲航天局（European Space Agency，ESA）哨兵二號(hào)（Sentinel-2）高分辨率影像為遙感數(shù)據(jù)源，開(kāi)展農(nóng)田景觀破碎地區(qū)玉米和大豆遙感識(shí)別特征選擇研究，通過(guò)地面實(shí)地調(diào)查獲得了玉米、大豆、水稻等主要作物樣本，提取樣本對(duì)應(yīng)遙感影像的波段反射率并計(jì)算多個(gè)植被指數(shù)作為遙感識(shí)別特征數(shù)據(jù)集，采用2種機(jī)器學(xué)習(xí)算法，即隨機(jī)森林 （Random forest， RF） 和支持向量機(jī) （Support vector machines， SVM） 結(jié)合遞歸特征消除（Recursive feature elimination， RFE） 算法，分析多個(gè)時(shí)相的遙感特征數(shù)據(jù)集中各個(gè)遙感特征對(duì)識(shí)別精度的重要性，探求玉米、大豆和其他作物分類(lèi)最優(yōu)遙感特征參數(shù)及適宜時(shí)相，最后利用時(shí)相-遙感參數(shù)的最優(yōu)特征組合提取研究區(qū)玉米和大豆的種植分布信息，并驗(yàn)證精度。

1? 材料與方法

1.1? 研究區(qū)概況

江蘇徐淮地區(qū)是中國(guó)典型的玉米、大豆種植區(qū)。研究區(qū)位于江蘇省邳州市西南部（ 34°07′～34°21′N(xiāo)，117°37′～117°57′E）。邳州市位于江蘇省西北部，黃河與淮河之間，屬于暖溫帶濕潤(rùn)半濕潤(rùn)季風(fēng)氣候區(qū)，年平均氣溫14.4 ℃，年平均日照時(shí)數(shù)2219.7 h，年平均降水量853.2 mm，玉米和大豆種植面積分別為36 710 hm2和5 490 hm2，主要分布在邳州西南部地區(qū)（圖1）。

本圖為哨兵二號(hào)（Sentinel-2）MSI 4.3.2，4、3、2波段真彩色合成影像。

1.2? 數(shù)據(jù)獲取與預(yù)處理

本研究涉及的數(shù)據(jù)主要包括Sentinel-2影像和不同類(lèi)型農(nóng)作物的田間樣本。本研究采用的衛(wèi)星影像包括2020年7月至2020年10月五景Sentinel-2影像，影像數(shù)據(jù)從歐洲航天局?jǐn)?shù)據(jù)中心（https：∥scihub.Copernicus.eu/dhus/#/home）下載，五景影像的成像時(shí)間和清晰度如表1所示。Sentinel-2是1顆高分辨率多光譜成像衛(wèi)星，它搭載多光譜成像儀（MSI），覆蓋了從可見(jiàn)光以及近紅外到短波紅外的13個(gè)光譜波段，是唯一具有紅邊范圍3個(gè)波段光學(xué)影像數(shù)據(jù)的高分辨率多光譜成像衛(wèi)星，對(duì)作物監(jiān)測(cè)具有重要意義。本研究使用的Sentinel-2數(shù)據(jù)為L(zhǎng)EVEL-2A級(jí)，產(chǎn)品進(jìn)行了輻射校正、大氣校正、正射校正和幾何校正。在大氣校正過(guò)程中，卷云波段（中心波長(zhǎng)1 375 nm）被自動(dòng)去除，將其余12個(gè)波段疊加重采樣至10 m分辨率。最后，根據(jù)研究區(qū)域的位置對(duì)圖像進(jìn)行裁剪。

2020年7月至2020年10月，在研究區(qū)進(jìn)行了3次實(shí)地調(diào)查，收集了地面不同類(lèi)型作物樣本的信息。研究區(qū)中與玉米、大豆同一生長(zhǎng)季節(jié)的主要農(nóng)作物是水稻。采用亞米級(jí)全球定位系統(tǒng)獲取作物樣本位置，測(cè)量獲得樣本369個(gè)，其中玉米樣本123個(gè)，大豆樣本120個(gè)，水稻樣本126個(gè)（圖2）。

1.3? 遙感識(shí)別特征參數(shù)

本研究選用并建立的遙感識(shí)別特征主要有兩大類(lèi)。第一類(lèi)是Sentinel-2影像12個(gè)波段的反射率，第二類(lèi)是利用藍(lán)光、綠光、紅光、紅邊、近紅外和短波紅外波段構(gòu)建的植被指數(shù)。根據(jù)Sentinel-2數(shù)據(jù)的波段設(shè)置，本研究選取ρ1、ρ2、ρ3、ρ4、ρ5、ρ6、ρ7、ρ8、ρ8A、ρ9、ρ11、ρ12、NDVI、NDVIGreen、RVI、RVIGreen、SRNIR/RE、SRRed/RE、SRRed/Green、TVI、SAVI、DVI、DDVI、EVI、LSWI、TDVI、OSAVI、VARIGreen、NLI、MNLI作為玉米、大豆遙感識(shí)別特征參數(shù)（表2），建模特征參數(shù)共計(jì)59個(gè)。Sentinel-2影像的第5、第6、第7波段是3個(gè)紅邊波段，第8和第8A波段是2個(gè)近紅外波段，第11和第12波段是2個(gè)短波紅外波段，后續(xù)用于分析建模的遙感特征數(shù)據(jù)集中的各個(gè)因子，以Sentinel-2波段名稱(chēng)命名。

1.4? 特征參數(shù)優(yōu)選算法

本研究分別將遞歸特征消除算法與隨機(jī)森林、支持向量機(jī)相結(jié)合，構(gòu)建了RF-RFE及SVM-RFE特征參數(shù)優(yōu)選與分類(lèi)算法，開(kāi)展玉米和大豆所對(duì)應(yīng)的農(nóng)作物遙感識(shí)別特征參數(shù)優(yōu)選研究。從樣本中隨機(jī)抽取2/3，用于建模，以另外1/3未被抽中的樣本用于模型的精度評(píng)價(jià)。

RF-RFE算法首先將某一時(shí)相建模使用的所有特征參數(shù)集代入RF分類(lèi)器，得到分類(lèi)總體精度，再利用隨機(jī)森林特征重要性估計(jì)，得到各個(gè)特征參數(shù)的重要程度，利用后向迭代特征遞歸消除方法，刪除重要性最小的特征，再次將新的特征參數(shù)集代入RF分類(lèi)器，得到總體精度，循環(huán)評(píng)價(jià)完所有特征，篩選出總體精度達(dá)到相對(duì)穩(wěn)定的峰值時(shí)的特征參數(shù)組合，確定為該時(shí)相玉米和大豆的最佳遙感特征參數(shù)組合。

SVM-RFE算法輸入的原始特征數(shù)據(jù)集與RF-RFE算法輸入的相同，首先將某一時(shí)相建模使用的所有特征因子集代入SVM高斯徑向基核函數(shù)分類(lèi)器，得到分類(lèi)總體精度，再利用支持向量機(jī)線(xiàn)性核函數(shù)訓(xùn)練得到每個(gè)特征參數(shù)的重要性，同樣利用后向迭代特征參數(shù)遞歸消除方法，刪除重要性最小的特征，再次將新的特征參數(shù)集代入SVM分類(lèi)器，得到總體精度，循環(huán)評(píng)價(jià)完所有的特征參數(shù)，篩選出總體精度達(dá)到相對(duì)穩(wěn)定的峰值時(shí)的特征參數(shù)組合，確定為該時(shí)相玉米和大豆的最佳遙感特征參數(shù)組合。

1.5? 玉米和大豆種植分布信息提取

通過(guò)比較RF-RFE和SVM-FRE特征選擇結(jié)果，選擇最適宜時(shí)相的Sentinel-2圖像，計(jì)算該時(shí)相玉米和大豆最佳遙感特征參數(shù)組合所需要的各個(gè)植被指數(shù)及波段反射率，將所有參數(shù)所在波段進(jìn)行組合，然后根據(jù)研究區(qū)已有農(nóng)田矢量邊界，提取出農(nóng)田范圍信息，選擇最適宜分類(lèi)算法，將實(shí)地樣本作為訓(xùn)練樣本輸入分類(lèi)器，提取研究區(qū)玉米和大豆的空間分布信息。

ρBlue、ρGreen、ρRed、ρRE、ρNIR、ρSWIR分別表示藍(lán)波段反射率、綠波段反射率、紅波段反射率、紅邊反射率、近紅外波段反射率、短波紅外波段反射率；SAVI計(jì)算中的L值為0.5；WDRVI中a值為0.1。

2? 結(jié)果與分析

2.1? 最優(yōu)特征參數(shù)組合選擇

分別利用RF和SVM特征參數(shù)重要性評(píng)價(jià)方法，對(duì)5個(gè)時(shí)相59個(gè)特征參數(shù)依次刪除得分最低的遙感特征參數(shù)，然后得到分類(lèi)的總體精度，參與分類(lèi)的特征參數(shù)數(shù)量與總體精度的變化情況如圖3所示。

7月8日的結(jié)果顯示，使用RF-RFE算法，前4個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.81，使用SVM-RFE算法，前7個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.81，達(dá)到總體精度的穩(wěn)定值之后，2種算法隨著特征參數(shù)數(shù)量進(jìn)一步增加，總體分類(lèi)精度變化幅度較小，59個(gè)特征參數(shù)的總體精度分別為0.77和0.82。8月17日的結(jié)果顯示，使用RF-RFE算法，前9個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.92，之后隨著特征參數(shù)數(shù)量增加，總體精度呈現(xiàn)小幅度波動(dòng)，59個(gè)特征參數(shù)的總體精度為0.88；使用SVM-RFE算法，前3個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.89，之后隨著特征參數(shù)數(shù)量增加，總體分類(lèi)精度呈現(xiàn)降低的趨勢(shì)，59個(gè)特征參數(shù)的總體精度為0.82。9月8日的結(jié)果顯示，使用RF-RFE算法，前5個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.99，之后隨著特征參數(shù)數(shù)量增加，總體精度呈現(xiàn)穩(wěn)定狀況，59個(gè)特征參數(shù)的總體精度為0.99；使用SVM-RFE算法，前4個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.99，之后隨著特征參數(shù)數(shù)量增加，總體分類(lèi)精度呈現(xiàn)降低的趨勢(shì)，59個(gè)特征參數(shù)的總體精度為0.87。9月18日的結(jié)果顯示，使用RF-RFE算法，前3個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.96，之后隨著特征參數(shù)數(shù)量增加，總體精度呈現(xiàn)小幅度波動(dòng)，59個(gè)特征參數(shù)的總體精度為0.94；使用SVM-RFE算法，前9個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.98，之后隨著特征參數(shù)數(shù)量增加，總體分類(lèi)精度呈現(xiàn)降低的趨勢(shì)，59個(gè)特征參數(shù)的總體精度為0.84。10月1日的結(jié)果顯示，使用RF-RFE算法，前28個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.86，之后隨著特征參數(shù)數(shù)量增加，總體精度呈現(xiàn)小幅度波動(dòng)，59個(gè)特征參數(shù)的總體精度為0.83；使用SVM-RFE算法，前10個(gè)特征參數(shù)的分類(lèi)總體精度達(dá)到0.90，之后隨著特征參數(shù)數(shù)量增加，總體分類(lèi)精度呈現(xiàn)先降低再趨于穩(wěn)定的趨勢(shì)，59個(gè)特征參數(shù)的總體精度為0.89。

通過(guò)比較分類(lèi)總體精度，選擇5個(gè)時(shí)相分類(lèi)總體精度達(dá)到穩(wěn)定峰值時(shí)所對(duì)應(yīng)的特征參數(shù)集為最優(yōu)特征集，使用RF-RFE和SVM-RFE算法優(yōu)選出來(lái)的不同時(shí)相最優(yōu)特征參數(shù)子集，如表3及表4所示。

5個(gè)時(shí)相的最優(yōu)特征參數(shù)組合中，短波紅外波段、近紅外以及紅邊波段構(gòu)建的DDVI和LSWI是2種特征優(yōu)選算法提取出的共性特征參數(shù)，對(duì)研究區(qū)的大豆、玉米和水稻有較好的區(qū)分性。

2.2? 分類(lèi)精度評(píng)價(jià)

選擇5個(gè)時(shí)相優(yōu)選后的遙感特征參數(shù)組合作為變量輸入到RF和SVM分類(lèi)器，以1/3樣本驗(yàn)證分類(lèi)精度。根據(jù)混淆矩陣計(jì)算出總體精度、Kappa系數(shù)、用戶(hù)精度、制圖精度4個(gè)評(píng)價(jià)指標(biāo)，對(duì)2種分類(lèi)方法的精度進(jìn)行評(píng)價(jià)。

RF和SVM 2種分類(lèi)方法的總體精度和Kappa系數(shù)在不同時(shí)相上的變化趨勢(shì)較為一致（圖4、圖5），7月8日的分類(lèi)精度最低，RF算法的總體精度和Kappa系數(shù)分別為0.81和0.71，SVM方法的總體精度和Kappa系數(shù)分別是0.82和0.74，9月8日的分類(lèi)精度最高，RF和SVM算法的總體精度和Kappa系數(shù)均為0.99，同時(shí)2種算法在9月8日的玉米與大豆的用戶(hù)精度及制圖精度均為5個(gè)時(shí)相中的最高值（圖6、圖7），利用RF分類(lèi)方法獲得的玉米制圖精度為1.00，用戶(hù)精度為0.98，大豆制圖精度為0.97，用戶(hù)精度為1.00，總體分類(lèi)精度為0.99，Kappa系數(shù)為0.99，利用SVM方法獲得的玉米制圖精度為0.98，用戶(hù)精度為1.00，大豆制圖精度為1.00，用戶(hù)精度為0.97。由此可知，9月8日是研究區(qū)大豆和玉米遙感識(shí)別的最佳時(shí)相。

2.3? 玉米和大豆種植分布信息提取

綜合比較RF-RFE和SVM-RFE 2種算法的精度和輸入?yún)?shù)數(shù)量，本研究選取2020年9月8日Sentinel-2影像，以研究區(qū)LSWI（ρ8，ρ11）、LSWI（ρ8A，ρ11）、LSWI（ρ8，ρ12）、LSWI（ρ6，ρ8A）作為遙感特征參數(shù)輸入數(shù)據(jù)集，采用SVM分類(lèi)器，提取研究區(qū)玉米和大豆的空間分布（圖8）。

3? 結(jié)? 論

本研究基于典型研究區(qū)玉米和大豆生長(zhǎng)過(guò)程中5個(gè)時(shí)相的Sentinel-2影像，構(gòu)建以波段反射率和植被指數(shù)為主要識(shí)別特征的遙感特征參數(shù)集，并通過(guò)RF-RFE和SVM-RFE算法確定玉米和大豆識(shí)別的優(yōu)選特征參數(shù)與最佳識(shí)別時(shí)相，進(jìn)一步利用實(shí)測(cè)樣本對(duì)識(shí)別進(jìn)行驗(yàn)證和比較，得出如下結(jié)論。

第一，多時(shí)相Sentinel-2影像在農(nóng)田景觀破碎、作物插花種植程度較高的徐淮地區(qū)表現(xiàn)出較好的作物識(shí)別能力，在9月8日及9月18日2個(gè)時(shí)相，玉米、大豆和水稻的總體分類(lèi)精度和Kappa系數(shù)均超過(guò)0.90，9月8日是本研究玉米、大豆識(shí)別提取的最佳時(shí)相，總體分類(lèi)精度可達(dá)0.99。

第二，通過(guò)構(gòu)建遞歸特征消除與隨機(jī)森林及支持向量機(jī)相結(jié)合的特征優(yōu)選算法，在獲得穩(wěn)定的總體分類(lèi)精度的同時(shí)，可以減少特征參數(shù)的輸入數(shù)量。除了10月1日之外的4個(gè)時(shí)相，2種特征優(yōu)選算法獲得最大分類(lèi)精度對(duì)應(yīng)的特征參數(shù)數(shù)量均少于10個(gè)。

第三，RF-RFE和SVM-RFE 2種特征優(yōu)選算法獲得的研究區(qū)多個(gè)時(shí)相的優(yōu)選特征參數(shù)組合擁有一些相同的特征參數(shù)。使用Sentinel-2 近紅外和短波紅外波段構(gòu)建的LSWI指數(shù)以及利用紅邊和近紅外波段構(gòu)建的DDVI指數(shù)在研究區(qū)8月至10月多個(gè)時(shí)相的玉米、大豆遙感識(shí)別特征篩選中顯示出重要作用。

參考文獻(xiàn)：

[1]? 郭? 偉，趙春江，顧曉鶴，等. 鄉(xiāng)鎮(zhèn)尺度的玉米種植面積遙感監(jiān)測(cè) [J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（9）：69-74.

[2]MATHUR A， FOODY G. Crop classification by support vector machine with intelligently selected training data for an operational application [J]. International Journal of Remote Sensing，2008，29：2227-2240.

[3]陳仲新，任建強(qiáng)，唐華俊，等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望 [J]. 遙感學(xué)報(bào)，2016，20（5）：748-767.

[4]楊邦杰. 農(nóng)情遙感監(jiān)測(cè)[M]. 1版.北京：中國(guó)農(nóng)業(yè)出版社，2005.

[5]許青云，楊貴軍，龍慧靈，等. 基于MODIS-NDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別 [J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：134-144.

[6]唐華俊. 農(nóng)業(yè)遙感研究進(jìn)展與展望 [J]. 農(nóng)學(xué)學(xué)報(bào)，2018，8（1）：167-171.

[7]董金瑋，吳文斌，黃健熙，等. 農(nóng)業(yè)土地利用遙感信息提取的研究進(jìn)展與展望 [J]. 地球信息科學(xué)學(xué)報(bào)，2020，22（4）：772-783.

[8]DE SOUZA C H W， MERCANTE E， JOHANN J A， et al. Mapping and discrimination of soya bean and corn crops using spectro-temporal profiles of vegetation indices [J]. International Journal of Remote Sensing，2015，36：1809-1824.

[9]DA SILVA JUNIOR C A， NANNI M R， TEODORO P E， et al. Vegetation indices for discrimination of soybean areas： a new approach [J]. Agronomy Journal，2017，109：1331-1343.

[10]ZHONG L H， HU L N， YU L， et al. Automated mapping of soybean and corn using phenology [J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016，119：151-164.

[11]劉? 佳，王利民，滕? 飛，等. RapidEye衛(wèi)星紅邊波段對(duì)農(nóng)作物面積提取精度的影響 [J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（13）：140-148.

[12]YIN L K， YOU N S， ZHANG G L， et al. Optimizing feature selection of individual crop types for improved crop mapping[J]. Remote Sensing，2020，12（1）：1-20.

[13]FOERSTER S， KADEN K， OERSTER M， et al. Crop type mapping using spectral-temporal profiles and phenological information [J]. Computers and Electronics in Agriculture，2012，89：30-40.

[14]HU Q， SULLA D， XU B D， et al. A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series [J]. International Journal of Applied Earth Observation and Geoinformation，2019，80：218-229.

[15]黃健熙，侯矞焯，蘇? 偉，等. 基于GF-1 WFV數(shù)據(jù)的玉米與大豆種植面積提取方法 [J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（7）：164-170.

[16]DEFRIES R， TOWNSHEND J. NDVI-derived land classifications at a global scale [J]. Journal of Remote Sensing，1994，17：3567-3586.

[17]GITELSON A A， KAUFMAN Y J， MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS [J]. Remote Sensing of Environment，1996，58：289-298.

[18]JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor [J]. Ecology，1969，50：663-666.

[19]GITELSON A A， MERALYAK M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation [J]. Journal of Plant Physiology，1994，143：286-292.

[20]CHAPPELLE E W， KIM M S， MC MURTREY J E. Ratio analysis of reflectance spectra （RARS）： an algorithm for the remote estimation of the concentrations of chlorophyll A， chlorophyll B， and carotenoids in soybean leaves [J]. Remote Sensing of Environment，1992，39：239-247.

[21]SIMS D A， GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages [J]. Remote Sensing of Environment，2002，81：337-354.

[22]HUETE A R. A soil-adjusted vegetation index（SAVI） [J]. Remote Sensing of Environment，1988，25：295-309.

[23]RICHARDSON A J， EVERITT J H. Using spectral vegetation indices to estimate rangeland productivity [J]. Geocarto International，1992，7：63-69.

[24]GITELSON A， SOLOVCHENKO A. Non-invasive quantification of foliar pigments： Possibilities and limitations of reflectance- and absorbance-based approaches [J]. Journal of Photochemistry and Photobiology? B-Biology，2018，178：537-544.

[25]HUETE A， JUSTICE C， LIU H. Development of vegetation and soil indices for MODIS-EOS [J]. Remote Sensing of Environment，1994，49：224-234.

[26]XIAO X， BOLES S， LIU J， et al. Characterization of forest types in Northeastern China， using multi-temporal SPOT-4 VEGETATION sensor data [J]. Remote Sensing of Environment，2002，82：335-348.

[27]BANNARI A， ASALHI H， TEILLET P M. Transformed difference vegetation index（TDVI） for vegetation cover mapping [C]. Toronto， Canada： IGARSS，2002：3053-3055.

[28]RONDEAUX G， STEVEN M， BARET F. Optimization of soil-adjusted vegetation indices [J]. Remote Sensing of Environment，1996，55：95-107.

[29]GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation [J]. Journal of Plant Physiology，2004，161：165-173.

[30]GITELSON A A， KAUFMAN Y J， STARK R， et al. Novel algorithms for remote estimation of vegetation fraction [J]. Remote Sensing，2002，80：76-87.

[31]GOEL N S， QIN W. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR： a computer simulation [J]. Remote Sensing Reviews，1994，10：309-347.

[32]GONG P， PU R， BIGING G S， et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data [J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41：1355-1362.

（責(zé)任編輯：陳海霞）