許康 黃冰鑫 王鵬飛

許 康，黃冰鑫，王鵬飛. 基于特征優(yōu)選的GF-6 WFV影像主要糧食作物提?。跩］. 湖北農(nóng)業(yè)科學(xué)，2024，63（2）：59-66．

摘要：針對(duì)高分六號(hào)（GF-6）寬幅多光譜影像具有紅邊波段的特點(diǎn)，構(gòu)建一種基于特征優(yōu)選的GF-6 WFV影像主要糧食作物提取方法。首先從預(yù)處理后的GF-6影像中提取光譜特征、植被指數(shù)、水體指數(shù)和紅邊指數(shù)特征，然后利用遞歸特征消除算法進(jìn)行特征優(yōu)選來(lái)構(gòu)建最優(yōu)特征集，最后基于最優(yōu)特征集和機(jī)器學(xué)習(xí)算法對(duì)影像進(jìn)行分類從而提取主要糧食作物。以江蘇省南通市如東縣為研究區(qū)，采用6種方案進(jìn)行糧食作物提取試驗(yàn)，并探討不同特征、不同分類模型對(duì)小麥、水稻和玉米3種糧食作物提取精度的影響，結(jié)果表明，利用GF-6 WFV影像可以準(zhǔn)確提取主要糧食作物，尤其在紅邊波段和紅邊指數(shù)上主要糧食作物與其他地物間具有較高的可分性；利用最優(yōu)特征集和XGBoost算法對(duì)影像進(jìn)行分類的精度最高，在小麥和水稻、玉米提取試驗(yàn)中比未采用紅邊特征時(shí)的分類精度分別提高了3.08、5.58個(gè)百分點(diǎn)。

關(guān)鍵詞：高分六號(hào)；糧食作物；紅邊波段；特征選擇；XGBoost

中圖分類號(hào)：S127； S511；S512.1；513? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）02-0059-08

DOI：10.14088/j.cnki.issn0439-8114.2024.02.011 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Major food crops extraction from GF-6 WFV multispectral imagery based on?feature optimization

XU Kang1， HUANG Bing-xin2， WANG Peng-fei2

（1.Jiangsu Province Surveying & Mapping Engineering Institute， Nanjing? 210013， China；

2.School of Earth Science and Engineering， Hohai University， Nanjing? 211100， China）

Abstract： In view of the characteristics of multiple red edge bands of GF-6 wide field view （WFV） multispectral imagery， a method for extracting major food crops from GF-6 WFV image based on feature optimization was proposed. Firstly， characteristic variables， including spectral feature， vegetation index， water index and red edge index， were extracted from preprocessed GF-6 WFV image. Then， the optimal feature set was generated by using a recursive feature elimination algorithm with permutation importance. Finally， machine learning methods and the optimal feature combination were utilized to extract major food crops. Taking Rudong County， Jiangsu Province as the study area， six experiments were used to extract grain crops， and the effects of different characteristics and different classification models on the extraction accuracy of wheat， rice and corn were discussed. The results indicated that the GF-6 WFV image was suitable for extracting major food crops， and the two red-edge bands and red edge indexes of GF-6 WFV data played an important role in distinguishing three main food crops and other objects. Among the six experiments， the overall accuracy of the classification result based on the optimal feature combination and XGBoost algorithm was the highest， improving 3.08 and 5.58 percentage point respectively compared with the classification result without using red edge bands and indexes.

Key words： GF-6； food crop； red-edge band； feature selection； XGBoost

糧食安全是國(guó)家安全、社會(huì)穩(wěn)定和經(jīng)濟(jì)發(fā)展的重要保障，及時(shí)準(zhǔn)確獲取主要糧食作物的種植面積和空間分布對(duì)糧食區(qū)域平衡研究、耕地保護(hù)與動(dòng)態(tài)監(jiān)測(cè)等具有重要意義^［1］。衛(wèi)星遙感技術(shù)具有覆蓋范圍廣、觀測(cè)成本低等優(yōu)勢(shì)，已成為農(nóng)作物信息提取的主要技術(shù)手段。如余超等^［2］利用Landsat衛(wèi)星數(shù)據(jù)和決策樹方法獲得了南京市江寧區(qū)水稻面積動(dòng)態(tài)變化，Huang等^［3］采用時(shí)間序列Sentinel-2A衛(wèi)星數(shù)據(jù)提取作物分類信息，王東^［4］利用Sentintl-2、Landsat-7/8、HJ-1等衛(wèi)星影像協(xié)同提取湖北省荊州市農(nóng)作物種植結(jié)構(gòu)。隨著ZY-3、GF-1、GF-2等國(guó)產(chǎn)衛(wèi)星的成功發(fā)射，越來(lái)越多的國(guó)產(chǎn)衛(wèi)星影像陸續(xù)被應(yīng)用于小麥、玉米、水稻、大豆等糧食作物的監(jiān)測(cè)中^［4，5］。

2018年6月2日，中國(guó)成功發(fā)射第一顆具有紅邊波段的寬視場(chǎng)中高分辨率衛(wèi)星——高分六號(hào)（GF-6），這是中國(guó)首顆用于精準(zhǔn)農(nóng)業(yè)觀測(cè)的高分衛(wèi)星，該衛(wèi)星攜帶的寬幅相機(jī)（Wide field view，WFV）相比GF-1 WFV影像新增了紅邊、黃光和紫光波段。目前已有不少學(xué)者利用GF-6影像開(kāi)展了農(nóng)作物提取研究，如Xia等^［6］探討了GF-6 WFV影像應(yīng)用于復(fù)雜種植結(jié)構(gòu)地區(qū)農(nóng)作物分類的潛力，梁繼等^［7］研究了GF-6 WFV 影像紅邊特征在農(nóng)作物識(shí)別中的作用。目前關(guān)于GF-6 WFV影像在小麥、水稻和玉米等主要糧食作物提取方面的研究較有效，而紅邊波段及紅邊指數(shù)在主要糧食作物提取中的作用還有待深入探討。

針對(duì)上述問(wèn)題，本研究以江蘇省南通市如東縣為研究區(qū)，構(gòu)建一種基于特征優(yōu)選的GF-6 WFV影像主要糧食作物提取方法，并通過(guò)對(duì)比試驗(yàn)探討不同特征、不同分類模型對(duì)小麥、水稻和玉米3種糧食作物提取精度的影響，旨在分析紅邊波段和紅邊指數(shù)在主要糧食作物提取中的作用，挖掘GF-6 WFV影像在主要糧食作物提取方面的應(yīng)用潛力。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

以江蘇省南通市如東縣為研究區(qū)，如圖1所示。該縣位于南通市北部，陸域面積約2 122 km²，由于在該縣行政區(qū)內(nèi)東北方向的小島上沒(méi)有農(nóng)作物種植，因此不將其納入研究范圍。該區(qū)域?qū)俦眮啛釒ШＱ笮约撅L(fēng)氣候，年平均氣溫15.8 ℃，年均降水量? 1 074 mm。研究區(qū)內(nèi)耕地面積10.85萬(wàn)hm²，種植的主要糧食作物包括小麥、水稻和玉米。小麥為春季作物，種植時(shí)間為10月至次年5月；水稻和玉米均為夏季作物，水稻種植時(shí)間為5—10月，玉米種植時(shí)間為7—10月；其他還有油菜、蔬菜、果樹和大棚種植等。

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 遙感影像預(yù)處理 根據(jù)如東縣主要作物種植特點(diǎn)，選取2020年4月26日和2020年9月3日覆蓋研究區(qū)的GF-6 WFV影像分別進(jìn)行小麥、水稻和玉米的提取試驗(yàn)，影像波段信息見(jiàn)表1。影像獲取時(shí)期研究區(qū)內(nèi)糧食作物正處于生長(zhǎng)旺盛季，適合進(jìn)行作物的遙感識(shí)別和分類研究。影像預(yù)處理主要包括輻射定標(biāo)、大氣校正、正射校正等。

1.2.2 樣本與驗(yàn)證數(shù)據(jù) 根據(jù)實(shí)地踏勘和同時(shí)相GF-2影像目視解譯，針對(duì)小麥提取試驗(yàn)與水稻、玉米提取試驗(yàn)，分別在研究區(qū)內(nèi)隨機(jī)選擇訓(xùn)練樣本及測(cè)試樣本，各地類樣本情況如表2所示。

2 研究方法

針對(duì)GF-6 WFV影像構(gòu)建基于特征優(yōu)選的主要糧食作物提取方法。該方法的技術(shù)路線如圖2所示，包括：①GF-6 WFV影像預(yù)處理；②根據(jù)野外調(diào)研數(shù)據(jù)和GF-2影像目視解譯繪制訓(xùn)練樣本和測(cè)試樣本；③特征提取，主要提取影像光譜特征、植被指數(shù)、水體指數(shù)和紅邊指數(shù)；④作物分類，主要構(gòu)建不同分類方案，選擇較優(yōu)的分類模型并進(jìn)行特征選擇，基于最優(yōu)特征集利用最優(yōu)分類模型進(jìn)行作物分類，獲取最終分類結(jié)果并進(jìn)行精度評(píng)價(jià)。

2.1 特征集構(gòu)建

提取光譜特征、植被指數(shù)、水體指數(shù)和紅邊指數(shù)構(gòu)建特征集。其中，植被指數(shù)包括歸一化植被指數(shù)（NDVI）^［8］、差值植被指數(shù)（DVI）^［9］、比值植被指數(shù)（RVI）^［9］；水體指數(shù)為NDWI^［10］指數(shù)；由于紅邊波段是植被的敏感特征光譜波段，紅邊指數(shù)對(duì)農(nóng)作物和其他植被的分類具有重要影響，根據(jù)GF-6 WFV影像具有2個(gè)紅邊波段的特點(diǎn)，本研究提取了4個(gè)紅邊指數(shù)，分別為NDVI_re1^［11］、NDVI_re2^［11］、ND_re1^［12］和CI_re^［13］，并將紅邊指數(shù)單獨(dú)作為一類特征進(jìn)行分析。各種特征的詳細(xì)描述及其表達(dá)方式如表3所示。

2.2 分類模型

2.2.1 隨機(jī)森林分類算法 隨機(jī)森林（Random forest，RF）算法最早由Breiman^［14］于2001年提出，該方法將多棵獨(dú)立的決策樹進(jìn)行排列，每棵決策樹依賴獨(dú)立抽取的樣本進(jìn)行訓(xùn)練，并對(duì)決策樹節(jié)點(diǎn)進(jìn)行隨機(jī)分裂。隨機(jī)森林算法參數(shù)少、訓(xùn)練時(shí)間短的優(yōu)點(diǎn)使得其在遙感影像分類領(lǐng)域得到了廣泛應(yīng)用。

2.2.2 XGBoost分類算法 XGBoost（eXtreme gradient boosting）算法由CHEN等^［15］提出，是在梯度提升算法（Gradient boosting decision tree， GBDT）基礎(chǔ)上優(yōu)化而來(lái)。Boosting算法是將基分類器組合提升為強(qiáng)分類器的算法，首先利用初始訓(xùn)練集訓(xùn)練一個(gè)基分類器，根據(jù)表現(xiàn)調(diào)整下一個(gè)基分類器中訓(xùn)練樣本的權(quán)重，分類錯(cuò)誤的樣本得到更多的關(guān)注，多次重復(fù)達(dá)到滿足條件為止，最后將訓(xùn)練后的多個(gè)分類器加權(quán)組合。與GBDT相比，XGBoost具有準(zhǔn)確度高、不易過(guò)擬合、可擴(kuò)展性強(qiáng)等特點(diǎn)。

2.3 基于置換重要性的遞歸特征消除算法

置換重要性（Permutation importance）^［16］是一種常用的計(jì)算特征重要性算法，其核心思想在于，如果用隨機(jī)排列的值替換特征，會(huì)導(dǎo)致模型分?jǐn)?shù)的下降。置換重要性的計(jì)算步驟如下：首先在由原始特征組成的數(shù)據(jù)集上評(píng)估初始得分，然后通過(guò)隨機(jī)破壞特征值并置換測(cè)試集上的相應(yīng)特征列，保持目標(biāo)變量和其他特征不變，再次評(píng)估分?jǐn)?shù)，初始得分和置換特征列中的得分之間的差異被定義為置換重要性。

遞歸特征消除（Recursive feature elimination， RFE）^［17］是通過(guò)特征重要性與遞歸過(guò)程得到最佳特征集的特征選擇方法。由于在逐步消除的過(guò)程中，特征間的相對(duì)重要性會(huì)發(fā)生變化，迭代的過(guò)程是必須的，因此本研究采用基于置換重要性的遞歸特征排除算法選擇特征。首先，以初始特征集訓(xùn)練模型并計(jì)算每個(gè)特征的重要性。然后，從當(dāng)前特征集中刪除重要性得分最低的特征并記錄當(dāng)前特征集的分類精度。不斷重復(fù)此過(guò)程直至特征集中特征數(shù)目為0，根據(jù)特征集分類精度選取最佳特征集?；谥脫Q重要性的遞歸特征消除算法如圖3所示。為了避免隨機(jī)置換的不確定性影響，將特征優(yōu)選算法重復(fù)100次并取均值。

2.4 類別可分性分析

采用J-M距離（Jeffreys-Matusita distance）^［18］方法分析主要糧食作物與其他地物在紅邊波段和紅邊指數(shù)特征上的可分性，計(jì)算式如下。

J=2（1-e^-B）? ? ? ? ? ? ? ? ?（1）

式中，J為J-M距離，J的取值范圍為0～2.0，J的數(shù)值越大，表明在特征空間中樣本的可分性越好。當(dāng)0

式中，m為某類特征的均值；δ為某類特征的標(biāo)準(zhǔn)差。

2.5 分類精度評(píng)價(jià)

基于混淆矩陣，采用總體精度（Overall accuracy，OA）和Kappa系數(shù)評(píng)價(jià)分類精度?？傮w精度等于正確分類的像元總和與總像元數(shù)的比值，其值越大表示精度越高；Kappa系數(shù)是一個(gè)可以衡量分類一致的指標(biāo)，其取值越大表示分類準(zhǔn)確度越高。

3 結(jié)果與分析

3.1 試驗(yàn)簡(jiǎn)介

為了驗(yàn)證GF-6 WFV影像在復(fù)雜環(huán)境下對(duì)主要糧食作物提取的有效性，并分析該影像光譜特征及各類指數(shù)特征在農(nóng)作物分類中的作用，共設(shè)計(jì)了6種試驗(yàn)方案進(jìn)行對(duì)比研究，各方案采用的特征組合如表4所示。其中，前5個(gè)方案采用RF算法進(jìn)行試驗(yàn)，該算法參數(shù)少、建模快的優(yōu)勢(shì)有利于探討不同特征對(duì)分類結(jié)果的影響；為了進(jìn)一步探討分類模型對(duì)結(jié)果的影響，在方案六中采用XGBoost算法，在基于遞歸特征消除算法獲得的最優(yōu)特征集上對(duì)比研究了RF和XGBoost模型的分類性能。

3.2 分類模型訓(xùn)練

利用研究區(qū)GF-6 WFV影像，使用訓(xùn)練樣本對(duì)XGBoost和RF模型進(jìn)行訓(xùn)練。通過(guò)網(wǎng)格搜索法使用Python優(yōu)化2個(gè)模型參數(shù)，如表5所示，其余參數(shù)皆為默認(rèn)值。

3.3 特征分析

3.3.1 特征的重要性排序及分析 基于遞歸特征消除算法計(jì)算出的特征消除順序可以反映出特征間的相對(duì)重要性，在小麥提取試驗(yàn)和水稻、玉米提取試驗(yàn)中的特征消除順序分別如圖4a和圖4b所示，綜合2個(gè)特征消除順序可以發(fā)現(xiàn)，植被指數(shù)DVI、RVI和紅邊指數(shù)CI_re、ND_re1在特征消除順序中相對(duì)靠前，說(shuō)明這些特征在分類過(guò)程中的重要性較低或?qū)φ麄€(gè)特征集產(chǎn)生冗余。而紅邊指數(shù)NDVI_re1、NDVI_re2和NDVI、NDWI、B₂、B₃、B₇等特征在消除過(guò)程中相對(duì)靠后，說(shuō)明這些特征在分類中重要性較高。

3.3.2 紅邊特征分析 為了進(jìn)一步討論紅邊波段和紅邊指數(shù)對(duì)主要糧食作物提取的影響，計(jì)算了主要糧食作物樣本與其他地物樣本在紅邊波段（B₅、B₆）和紅邊指數(shù)特征（NDVI_re1、NDVI_re2、ND_re1、CI_re）上的J-M距離，計(jì)算結(jié)果如圖5所示。從圖5可以發(fā)現(xiàn)，在主要糧食作物與非植被類地物的可分性方面，除了小麥與大棚在紅邊波段和紅邊指數(shù)特征上的J-M距離較低以外，其余J-M距離普遍較高，說(shuō)明紅邊波段和紅邊指數(shù)有利于區(qū)分主要糧食作物與大部分非植被類地物。在主要糧食作物與植被類地物的可分性方面，玉米與其他植被在紅邊波段和紅邊指數(shù)特征上的J-M距離最低，即可分性較差；水稻與其他植被以及水稻與玉米除了在B₆波段上J-M距離較低以外，在其余紅邊特征上的J-M距離均較高，說(shuō)明水稻在這些紅邊特征上與植被類地物的可分性較好；小麥與其他植被在紅邊指數(shù)特征NDVI_re2上的J-M距離最高。

3.4 分類結(jié)果及評(píng)價(jià)

采用6種方案中不同的特征分別對(duì)兩期GF-6 WFV影像進(jìn)行分類，并對(duì)總體精度和Kappa系數(shù)進(jìn)行統(tǒng)計(jì)，如表6所示。從表6可以看出，相較于其他5個(gè)方案，方案六在小麥提取試驗(yàn)和水稻、玉米提取試驗(yàn)中的總體精度和Kappa系數(shù)均更高，表明經(jīng)過(guò)特征優(yōu)化后能提高分類精度，有利于主要糧食作物的提??；在方案六中相同的特征下進(jìn)行的2個(gè)分類試驗(yàn)結(jié)果中，采用XGBoost模型進(jìn)行分類的精度（方案六-2）略高于RF模型（方案六-1）；對(duì)比前5個(gè)方案可以發(fā)現(xiàn)，方案三、方案四、方案五的分類精度總體高于方案一、方案二，表明紅邊特征的加入可以提高主要糧食作物的提取精度；對(duì)比方案三和方案四可以發(fā)現(xiàn)，無(wú)論是小麥提取試驗(yàn)還是水稻、玉米提取試驗(yàn)，方案三的精度都高于方案四，表明紅邊1波段比紅邊2波段更有利于主要糧食作物提取。

由于方案六中在最優(yōu)特征下基于XGBoost算法的分類精度最高，因此將此結(jié)果作為方案六的最終結(jié)果，并繪制如東縣主要糧食作物分類結(jié)果如圖6和圖7所示。從圖6a、圖7a可以看出，小麥和水稻主要種植區(qū)分別分布在研究區(qū)的中部和西部地區(qū)，而玉米種植主要分布在研究區(qū)的東南部。進(jìn)一步選取局部典型區(qū)域繪制不同方案的3種主要糧食作物提取結(jié)果，小麥提取結(jié)果如圖6b至圖6g所示，水稻提取結(jié)果如圖7b至圖7g所示，玉米提取結(jié)果如圖8h至圖8m所示。從圖6、圖7可以看出，方案六對(duì)主要糧食作物提取效果最好，其圖斑更完整，分類結(jié)果中的“椒鹽現(xiàn)象”影響最小，表明進(jìn)行優(yōu)選后的特征集能對(duì)主要糧食作物提取產(chǎn)生較好的效果；對(duì)比方案一和方案二可以發(fā)現(xiàn)，方案二對(duì)主要糧食作物提取結(jié)果整體視覺(jué)效果與方案一差異不大；對(duì)比方案三、方案四、方案五和方案一可以發(fā)現(xiàn)，這3個(gè)方案的提取效果與方案一相比均有不同程度的改善，特別是方案五的提取效果最好；對(duì)比3種主要糧食作物的提取結(jié)果可以發(fā)現(xiàn)，玉米在不同方案下的提取效果差別不明顯，說(shuō)明紅邊特征和特征優(yōu)化對(duì)小麥和水稻的提取產(chǎn)生的積極影響較大，而對(duì)玉米提取的影響相對(duì)較小。

4 小結(jié)

紅邊波段是GF-6衛(wèi)星作為農(nóng)業(yè)遙感衛(wèi)星設(shè)置的特色波段，本研究以江蘇省南通市如東縣為研究區(qū)，利用小麥、水稻和玉米各自生長(zhǎng)期內(nèi)的兩期GF-6 WFV影像開(kāi)展主要糧食作物提取研究，探討該影像在農(nóng)業(yè)遙感領(lǐng)域的應(yīng)用潛力以及GF-6 WFV影像的紅邊波段和紅邊指數(shù)在主要糧食作物提取中的優(yōu)勢(shì)。通過(guò)研究得出如下結(jié)論。

1）利用GF-6 WFV影像能夠有效提取主要糧食作物，尤其是其新增的2個(gè)紅邊波段和其紅邊指數(shù)能夠提高主要糧食作物的分類精度。通過(guò)計(jì)算J-M距離進(jìn)行類別可分性分析，可以發(fā)現(xiàn)在紅邊波段和紅邊指數(shù)上主要糧食作物與其他地物間具有較高的可分性；在特征優(yōu)選過(guò)程中可以發(fā)現(xiàn)紅邊指數(shù)NDVI_re1、NDVI_re2等特征排除順序相對(duì)靠后。

2）在所有的方案中，利用最優(yōu)特征集和XGBoost算法對(duì)影像進(jìn)行分類的精度最高，在小麥和水稻、玉米提取試驗(yàn)中的總體分類精度分別達(dá)85.11%和90.54%，比未采用紅邊波段僅采用光譜、植被指數(shù)和水體指數(shù)（方案二）時(shí)分別提高了3.08、5.58個(gè)百分點(diǎn)，比僅采用光譜和紅邊指數(shù)特征未進(jìn)行特征優(yōu)選（方案五）時(shí)分別提高了1.83、1.43個(gè)百分點(diǎn)，說(shuō)明紅邊特征的引入以及特征優(yōu)選有利于提高主要糧食作物的提取精度。

本研究分析了GF-6 WFV數(shù)據(jù)的紅邊特征，探討了不同紅邊特征在主要糧食作物提取中的應(yīng)用潛力，促進(jìn)了GF-6 WFV影像在農(nóng)業(yè)遙感領(lǐng)域的推廣應(yīng)用。但是試驗(yàn)中發(fā)現(xiàn)GF-6 WFV影像的紅邊特征對(duì)玉米提取的作用并不明顯，后續(xù)將進(jìn)一步分析更多與紅邊波段相關(guān)的指數(shù)特征以及紫外波段、黃波段在主要糧食作物提取中的作用。

參考文獻(xiàn)：

［1］ ZHAO C J. Advances of research and application in remote sensing for agriculture［J］. Transactions of the Chinese society for agricultural machinery， 2014， 45（12）： 277-293.

［2］ 余 超，李明陽(yáng)，何隆華.利用決策樹分類方法的南京江寧水稻面積變化研究［J］.遙感信息，2015，30（2）：80-84.

［3］ HUANG S Y， YANG L， CHEN X， et al. Study of typical arid crops classification based on machine learning［J］. Spectroscopy and spectral analysis， 2018， 38（10）： 3169-3176.

［4］ 王 東. 基于多源遙感影像協(xié)同的農(nóng)作物種植結(jié)構(gòu)提取研究［D］. 武漢： 武漢大學(xué)， 2018.

［5］ 李國(guó)庭， 王德強(qiáng)， 趙德良， 等. 基于多源異構(gòu)數(shù)據(jù)的糧食作物種植面積提?。跩］. 山東國(guó)土資源， 2022（8）： 51-55.

［6］ XIA T， HE Z， CAI Z， et al. Exploring the potential of Chinese GF-6 images for crop mapping in regions with complex agricultural landscapes［J］. International journal of applied earth observation and geoinformation， 2022， 107： 102702.

［7］ 梁 繼， 鄭鎮(zhèn)煒， 夏詩(shī)婷， 等. 高分六號(hào)紅邊特征的農(nóng)作物識(shí)別與評(píng)估［J］. 遙感學(xué)報(bào)， 2020， 24（10）： 1168-1179.

［8］ BECKER F， CHOUDHURY B J. Relative sensitivity of normalized difference vegetation index （NDVI） and microwave polarization difference index （MPDI） for vegetation and desertification monitoring［J］. Remote sensing of environment， 1988， 24（2）： 297-311.

［9］ KAUFMAN Y J ， TANRE D . Atmospherically resistant vegetation index （ARVI） for EOS-MODIS［J］. IEEE transactions on geoscience and remote sensing， 1992， 30（2）：261-270.

［10］ MCFEETERS S K. The use of the normalized difference water index （NDWI） in the delineation of open water features［J］. International journal of remote sensing， 1996， 17（7）： 1425-1432.

［11］ BARNES E M， CLARKE T R， RICHARDS S E， et al. Coincident detection of crop water stress， nitrogen status and canopy density using ground based multispectral data［A］.Proceedings of the fifth international conference on precision agriculture［C］.Bloomington， MN， USA：American society of agronomy， 2000.1-15.

［12］ GITELSON A， MERZLYAK 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（3）： 286-292.

［13］ GITELSON A A， GRITZ Y， MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves［J］. Journal of plant physiology， 2003， 160（3）： 271-282.

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

［15］ CHEN T， GUESTRIN C. Xgboost： A scalable tree boosting system［A］. Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining［C］. New York， United States： Association for computeing machinery， 2016.785-794.

［16］ ALTMANN A， TOLO?I L， SANDER O， et al. Permutation importance： A corrected feature importance measure［J］. Bioinformatics， 2010， 26（10）： 1340-1347.

［17］ GRANITTO P M， FURLANELLO C， BIASIOLI F， et al. Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products［J］. Chemometrics and intelligent laboratory systems， 2006， 83（2）： 83-90.

［18］ 馬 娜， 胡云鋒， 莊大方， 等. 基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應(yīng)用為例［J］. 遙感技術(shù)與應(yīng)用， 2010， 25（3）： 358-365.

收稿日期：2023-11-03

基金項(xiàng)目：自然資源部國(guó)土衛(wèi)星遙感應(yīng)用重點(diǎn)實(shí)驗(yàn)室經(jīng)費(fèi)資助項(xiàng)目（KLSMNR-K202209）；江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金項(xiàng)目［CX（22）2001］

作者簡(jiǎn)介：許 康（1980-），男，江蘇揚(yáng)州人，高級(jí)工程師，碩士，主要從事測(cè)繪工程研究，（電話）13584005583（電子信箱）99958463@qq.com。