基于哨兵影像與多特征優(yōu)選的溧陽市上興鎮(zhèn)水稻識別

鐘怡琪 李家國 韓杰 邵雯

鐘怡琪，李家國，韓? 杰，等. 基于哨兵影像與多特征優(yōu)選的溧陽市上興鎮(zhèn)水稻識別［J］. 江蘇農業(yè)學報，2023，39（8）：1688-1697.

doi：10.3969/j.issn.1000-4440.2023.08.008

收稿日期：2022-11-14

基金項目：國家自然科學基金項目（41971391）；國家重點研發(fā)計劃項目（2020YFE0200700）；安徽省重點研究與開發(fā)計劃項目（2021003、2022107020028）；2022年度許昌學院國家級科研項目培育基金項目（2022GJPY007）

作者簡介：鐘怡琪（1998-），女，江西吉安人，碩士研究生，主要從事水稻遙感識別與估產研究。（E-mail）20201210035@nuist.edu.cn

通訊作者：李家國，（E-mail）jacoli@126.com

摘要：水稻是中國三大糧食作物之一，提供準確、及時的水稻種植信息對水稻生產管理、水稻種植保險賠償以及國家糧食安全指導、政策制定和實施等具有重要意義。針對中國南方水稻種植地塊破碎、種植結構復雜等造成的水稻識別難點，為提高水稻識別精度，本研究以哨兵一號（Sentinel-1）、哨兵二號（Sentinel-2）遙感影像為數據源，構建光譜特征、植被/水體指數特征、紋理特征和雷達特征等特征集，設置包括優(yōu)選特征在內的7種特征組合，采用隨機森林算法對江蘇省常州市溧陽市上興鎮(zhèn)的水稻進行識別。結果表明，在光譜特征中，紅邊波段對于水稻識別精度有著較高的提升作用。光譜特征結合植被/水體指數特征、雷達特征后，水稻識別精度有所提高?；趦?yōu)選特征進行分類的精度最高，總體分類精度、Kappa系數分別為93.26%、0.904 8。綜上，結合遙感影像的光譜特征、植被/水體指數特征和雷達特征等并進行特征優(yōu)選可以提高水稻識別精度。

關鍵詞：水稻識別；特征優(yōu)選；隨機森林；遙感影像

中圖分類號：S127；S511????? 文獻標識碼：A????? 文章編號：1000-4440（2023）08-1688-10

Identification of rice in Shangxing Town， Liyang City based on Sentinel image and multi-feature optimization

ZHONG Yi-qi1 LI Jia-guo2 HAN Jie3 SHAO Wen1

（1.School of Geographical Sciences， Nanjing University of Information Science & Technology， Nanjing 210044， China;2.Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing 100094， China;3.College of Urban and Environmental Sciences， Xuchang University， Xuchang 461000， China）

Abstract：Rice is one of the three major food crops in China. Providing accurate and timely rice planting information is of great significance to rice production management， rice planting insurance compensation， national food security guidance， policy formulation and implementation. Aiming at the difficulties in rice identification caused by the fragmentation of rice cultivation plots and the complexity of cultivation structure in southern China， and in order to improve the accuracy of rice identification， this study used Sentinel-1 and Sentinel-2 remote sensing images as data sources， constructed the feature sets including spectral features， vegetation/water index features， texture features， and radar features， set up seven combinations of features including the preferred features and adopted the random forest algorithm for the identification of the rice in Shangxing Town， Liyang City， Changzhou City， Jiangsu province， China. The results showed that among the spectral features， the red-edge band had a high improvement effect on the identification accuracy of rice. After combining spectral features with vegetation/water index features and radar features， the identification accuracy of rice was improved. And the classification based on the preferred features had the highest accuracy， with the overall accuracy and Kappa coefficient of 93.26% and 0.904 8， respectively. In summary， the combination of the spectral features of remote sensing images， vegetation/water index features and radar features and feature optimization can improve the accuracy of rice recognition.

Key words：identification of rice;feature optimization;random forest;remote sensing image

水稻作為中國三大糧食作物之一，是中國60%以上人口的主要食物來源[1-2]。提供準確、及時的水稻信息，對水稻生產管理、水稻種植保險賠償以及國家糧食安全指導、政策制定和實施等具有重要意義[3-4]?？茖W技術的快速發(fā)展使得遙感技術在農作物識別、信息提取方面得到廣泛應用[5-7]，與傳統(tǒng)調查統(tǒng)計方法相比，利用遙感技術識別、提取水稻信息的時效性強、資源消耗低，故許多學者基于此項技術開展研究。

早期的遙感影像分類是根據解譯者的先驗知識，通過人工目視解譯的方法進行地類劃分，但這種方法完全依賴于解譯者，并且需要投入大量人力、物力、財力，具有效率低、主觀性強、無法及時更新等缺點，無法滿足人們的需求[8]。隨著計算機圖像處理能力的提高，基于遙感影像的自動分類方法逐漸成為重要的分類手段。目前常見的農作物自動分類方法主要有最小距離法、最大似然法等傳統(tǒng)方法以及決策樹、支持向量機、隨機森林等機器學習方法[9-10]。其中，隨機森林法和支持向量機法的應用最為普遍，隨機森林法的參數設置簡單，在大數據量的影像和高維數據上，其處理效率優(yōu)于支持向量機法，被公認為是可以降低高維數據維度的分類算法[11]，在農作物分類識別中被廣泛應用。何昭欣等[12]分別采用樸素貝葉斯、支持向量機、分類回歸樹和隨機森林4種分類器，對江蘇省冬小麥與冬油菜的空間分布信息進行提取，通過比較各分類器的分類精度，發(fā)現采用隨機森林分類器取得了較好結果。近年來興起的深度學習算法也被應用到農作物分類中，如汪傳建等[13]利用卷積神經網絡提取高分辨率遙感影像中的農作物特征，實現了農作物的精細分類，但該方法要想達到較高精度，需要大量的樣本數據、復雜的參數調整以及長時間的模型訓練，而隨機森林法僅需要較少的樣本訓練就能獲得高精度的分類結果[14]。

此外，分類特征也是影響農作物識別精度的重要因素。分類特征可以反映目標地物的多個角度，篩選出更能體現地物信息的若干特征應用于分類可以提高分類精度。在中國南方丘陵地區(qū)，地形破碎、常年多云多雨，單純使用地物光譜特征進行農作物分類容易出現“異物同譜”和“同物異譜”的現象，而有研究結果表明將各類特征相結合[15-17]，包括光譜特征、植被指數特征、幾何特征、形狀特征、紋理特征、時相特征、地形特征、雷達特征、空間特征和極化特征等[18-19]，可以有效改善農作物分類的效果，進一步提高農作物分類的精度。

哨兵二號擁有較高的空間分辨率與豐富的光譜信息，另外還包含紅邊波段，再加上具有較高時間分辨率和空間分辨率的哨兵一號的雷達特征，使遙感信息的利用更加充分，為農作物的高精度識別帶來更大可能性。然而有研究結果表明，過多的特征加入一定程度上會造成維數災難和數據冗余，分類精度反而會降低[20-22]。因此，選擇合適的特征及合適數量的特征（即特征優(yōu)選）也是提高農作物識別精度的關鍵。

綜上，本研究擬將哨兵光學影像的光譜特征、植被/水體指數特征、紋理特征等與雷達影像的后向散射特征結合起來對水稻進行識別，觀察各類特征對水稻識別精度的影響，并在此基礎上進行特征優(yōu)選，以期為進一步提高水稻識別精度、掌握水稻種植信息提供理論支撐。

1? 材料與方法

1.1? 研究區(qū)概況

研究區(qū)位于江蘇省常州市溧陽市上興鎮(zhèn)，地處31°21′N～31°38′N、119°8′E～119°18′E，屬于丘陵山區(qū)，地勢東低西高，東部為高亢平原，西部曹山、芳山、回峰山等延綿起伏，海拔200 m以上。圖1為上興鎮(zhèn)的具體地理位置及其高程。上興鎮(zhèn)屬于北亞熱帶季風氣候，干濕冷暖，四季分明，溫和濕潤，年平均氣溫15.5 ℃，月平均氣溫1月份2.7 ℃，7月份28.1 ℃，水資源較好，適宜農作物生長。上興鎮(zhèn)主要作物為水稻、小麥、茶樹、玉米，其中水稻生育期為5月至10月，一般5月中上旬播種，10月中下旬成熟，全生育期150～160 d。

1.2? 研究數據及預處理

1.2.1? 哨兵一號（Sentinel-1）、哨兵二號（Sentinel-2）數據及預處理??? 本研究中Sentinel-1、Sentinel-2數據從歐洲航天局官網（https：//scihub.Copernicus.eu/）免費下載，具體信息見表1，根據水稻的生育期特征，選取2021年8月31日水稻抽穗揚花期Sentinel-2衛(wèi)星影像及對應日期的Sentinel-1衛(wèi)星影像并利用其官方軟件SNAP對Sentinel-1、Sentinel-2衛(wèi)星影像數據進行預處理。

Sentinel-1數據為Level-1級別地距影像（GRD）干涉寬幅（IW）模式雙極化數據，極化方式為垂直-垂直+垂直-水平雙極化，分辨率為10 m。依次對其進行軌道校正、熱噪聲去除、輻射定標、多視處理、相干斑濾波處理、地形校正、分貝化以及重采樣等處理。

Sentinel-2數據為L1C級大氣表觀反射率產品。先利用官方插件（Sen2sor）進行大氣校正，再將大氣校正結果重采樣為所需格式。為保證空間分辨率的一致性，采用雙線性插值法將Band5、Band6、Band7、Band8A、Band11、Band12的分辨率由原來的20 m重采樣為10 m，最后將所需波段數據進行疊加、鑲嵌與裁剪。

1.2.2? 樣本數據?? ?根據南京真實性檢驗站2021年9月的綜合試驗實地采樣，并結合同時期谷歌地球影像對樣本數據進行篩選，共獲得360個樣本數據，包括水稻、水體、建設用地、其他植被、裸土、大棚（圖2）。每個類別樣本數量不一，為保證類別均衡，按照分層抽樣法將所有樣本以7∶3的比例隨機分為訓練樣本集和驗證樣本集。其中，訓練樣本個數為252，驗證樣本個數為108。

1.3? 研究方法

本研究結合Sentinel-1雷達影像和Sentinel-2光學影像，根據水稻的特性，提取光譜特征、植被/水體指數特征、紋理特征、雷達特征等，并采用特征重要性計算與反向特征消除提取優(yōu)選特征。根據不同類型特征和優(yōu)選特征設置7個方案，使用隨機森林法進行分類，以獲得最佳分類方案。技術路線見圖3。

1.3.1? 特征提取

1.3.1.1? 光譜特征? 光譜特征是指地物反射、發(fā)射或透射電磁波的特征，是地物在遙感影像上最直觀的表現形式和區(qū)分不同地物的重要依據。本研究選取Sentinel-2遙感影像除Band 1、Band 9、Band 10外的10個波段的反射率作為光譜特征。

1.3.1.2? 植被/水體指數特征? 植被/水體指數特征通過不同波段組合計算，突出波段間的差異，可以有效區(qū)分不同地物，在本研究中可以有效區(qū)分植被與非植被、水體與非水體，并有效提高水稻與其他地物的區(qū)分度。因此，本研究綜合分析水稻與其他地物特性，選擇歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、增強型植被指數（EVI）、修正的比值植被指數（MSR）、地表水分指數（LSWI）、歸一化水體指數（NDWI）、改進的歸一化水體指數（MNDWI）、紅邊歸一化植被指數1（NDVIre1）、紅邊歸一化植被指數2（NDVIre2）、紅邊歸一化植被指數3（NDVIre3）、歸一化差異紅邊1（NDre1）、歸一化差異紅邊2（NDre2）、紅邊葉綠素指數（CIre）等指數特征。

1.3.1.3? 紋理特征? 影像上的每一點都是波譜空間上某一點的映射，并由灰度矢量來表示，而地物目標的實際組合會形成相應灰度空間點的分布，將其分布模式通稱為紋理[23]。紋理是遙感影像中的重要信息，提取影像的紋理特征，可以減少由同物異譜、異物同譜造成的分類誤差。本研究基于Sentinel-2影像數據進行主成分分析，得到第一個主成分分析波段PC1，對這個波段計算得到均值、方差、同質性、對比度、相異性、信息熵、角二階矩、相關性8個紋理特征。

1.3.1.4? 雷達特征? 在微波遙感中，把入射方向上散射強度的參數或目標單位面積的平均雷達散射截面稱為后向散射系數。不同類型地物由于結構、含水量、粗糙度等差異而呈現不同的散射特征，其微波發(fā)射率特征也隨季節(jié)發(fā)生變化[24]。鄭煜等[25]發(fā)現將光學影像特征與雷達影像特征相結合進行地物分類有利于提高地物的分類精度。因此，本研究選擇Sentinel-1雷達影像中VV、VH、VV/VH、VV-VH這4個雷達特征，這些雷達極化特征有助于區(qū)別植被、非植被、水體邊界。

綜上，本研究根據研究區(qū)、研究對象的特點，在充分利用Sentinel-1雷達影像和Sentinel-2光學影像的基礎上，選取了包括Sentinel-2影像中植被、水體、紋理在內的22個特征，加上Sentinel-2影像的10個原始波段反射率以及Sentinel-1影像的4個雷達特征，共計36個特征（表2）。

B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12??? 分別表示哨兵二號影像原始波段2、3、4、5、6、7、8、8A、11、12的反射率。

1.3.2? 特征組合及分類??? 隨機森林（RF）是一種以多棵決策樹對樣本進行訓練并預測的一種分類器，與其他分類器相比，它具有較高的準確性，并且能夠處理具有高維特征的輸入樣本。另外，它還具有通過評估各個特征在分類問題上的重要性進行特征選擇的能力，可利用不參與訓練的袋外（OOB）數據計算每個特征變量的重要性，以確定RF模型的最佳輸入特征，減少特征冗余。本研究采用RF模型來進行分類及特征重要性計算和選擇，在RF模型中采用平均精確度減少算法（MDA）對所有特征進行重要性評估，以此確定最優(yōu)特征組合。

表3顯示，本研究設置了7個特征組合方案，綜合評估選擇的幾大類特征對水稻識別的作用。有研究發(fā)現紅邊波段對植被具有很好的敏感性，并將其用于農作物識別、信息提取中[26-32]，因此，新近發(fā)射的衛(wèi)星（如高分六號、哨兵二號）都設置了紅邊波段，哨兵二號更是首次配置了3個紅邊波段。我們在表3中設計了2種特征組合方案，對比不含紅邊波段的光譜特征與含紅邊波段的光譜特征的識別精度，以探究紅邊波段對水稻識別的提升效果。方案1為不含紅邊波段的光譜特征，表征為S-RE。方案2為含紅邊波段的光譜特征，表征為S。

將這些特征組合分別輸入RF分類器中，并采用Kappa系數、總體分類精度（OA）、生產者精度（PA）、用戶精度（UA）4個評價指標對7個特征組合方案的分類精度進行評價，觀察不同類型特征對分類精度的提升作用。

2? 結果與分析

2.1? 不同特征在水稻識別中的重要性

采用MDA對選擇的36個特征（即Sentinel-2影像的10個原始波段反射率、14個植被/水體指數特征、8個紋理特征以及Sentinel-1影像的4個雷達特征）進行特征重要性計算。圖4顯示，在36個特征中，哨兵二號影像原始波段12的反射率（B12）、哨兵二號影像原始波段11的反射率（B11）的特征重要程度較高，分別為0.099和0.082，這2個波段為短波紅外波段，對植被葉片含水量敏感，故可以較好地區(qū)分水稻與其他地物[33]；其次是地表水分指數（LSWI）、均值（Mean）、紅邊歸一化植被指數2（NDVIre2）、垂直-垂直極化后向散射系數（VV），特征重要程度分別為0.075、0.063、0.067、0.046，說明水體指數特征、紋理特征、紅邊特征、雷達特征在水稻分類研究中都具有較高價值。

根據重要性排序，依次剔除重要性最低的那個特征，并分別計算總體分類精度，獲取特征變量個數與總體分類精度的關系（圖5）。特征變量個數從1增至27，總體分類精度隨特征變量個數的增加而波動上升，且在前期呈迅速上升趨勢，此時加入的特征重要性較高、特征間相關性較小、冗余少，分類精度有較大提高，當特征數為27時總體分類精度達到最高值（93.26%），隨后略微下降，此時特征冗余及相關特征增加，影響分類精度。故本研究將重要性排名前27的特征作為優(yōu)選特征。統(tǒng)計優(yōu)選特征中各類型的特征數，圖6顯示，在前27個優(yōu)選特征中，包含光譜特征9個，植被/水體指數特征14個，紋理特征1個，雷達特征3個，說明本研究選擇的幾類特征在水稻識別中皆起到一定作用。

2.2? 不同特征組合分類結果比較

在本研究中，7種特征組合的分類結果（圖7）表明，從目視效果來看，各地物分類結果與原始影像大致吻合，僅利用Sentinel-2非紅邊光譜特征（方案1，圖7A）分類，“椒鹽現象”明顯；利用含紅邊波段的光譜特征（方案2，圖7B）進行分類，“椒鹽現象”得到明顯改善，在此基礎上加入植被/水體指數特征（方案3，圖7C）、紋理特征（方案4，圖7D）、雷達特征（方案5，圖7E）、植被/水體指數特征+紋理特征+雷達特征（方案6，圖7F）以及優(yōu)選特征（方案7，圖7G），各地物分類圖斑的破碎度均有所降低，“椒鹽現象”進一步改善。

對7種分類方案的總體分類精度、Kappa系數、生產者精度與用戶精度進行對比分析，結果（表4）表明：僅使用不含紅邊波段的光譜特征（方案1）進行分類，總體分類精度為89.89%、Kappa系數為0.857 3，說明通過哨兵影像豐富的光譜信息就已經可以較好地區(qū)分不同地類。使用含紅邊波段的光譜特征（方案2）進行分類，分類精度有較大提升，總體分類精度由89.89%提升到92.06%，Kappa系數由0.857 3提升到0.888 0。另外，在含紅邊波段光譜特征的基礎上加入不同的特征也會對水稻的識別產生不同程度的影響，加入紋理特征（方案4），總體分類精度、Kappa系數均略有下降，這可能是因為該地區(qū)水稻紋理特征與部分其他植被紋理特征相似而波譜差別較大導致誤分所致；分別加入植被/水體指數特征（方案3）、雷達特征（方案5）及植被/水體指數特征+雷達特征+紋理特征（方案6），分類精度都有所上升，總體分類精度分別達到92.73%、92.43%、92.76%，Kappa系數分別達到0.897 4、0.893 0、0.897 8，這說明植被/水體指數特征、雷達特征可以提高水稻識別的精度。最后，通過特征優(yōu)選去除因特征數量增加帶來的冗余影響后的優(yōu)選特征（方案7）的分類精度達到最高，總體分類精度、Kappa系數分別達到93.26%、0.904 8。

2.3? 水稻空間分布

針對設置的7種分類方案，采用分類精度最高的方案7單獨提取出水稻信息，繪制2021年上興鎮(zhèn)水稻空間分布圖（圖8）。從水稻的空間分布情況來看，其種植區(qū)域占比較大且比較連續(xù)，主要分布在上興鎮(zhèn)中東部及南部地勢平坦地區(qū)，與實際情況相符。

3? 結? 論

本研究基于2021年上興鎮(zhèn)水稻抽穗揚花期的Sentinel-1、Sentinel-2影像，觀察光譜特征、植被/水體指數特征、紋理特征和雷達特征等對水稻識別的影響程度，并通過特征優(yōu)選來提高識別精度，主要結論如下：

（1）在光譜特征中，紅邊波段對于水稻識別精度有著較高的提升作用。與采用不含紅邊波段的光譜特征進行分類的結果相比，采用含紅邊波段的光譜特征進行分類的總體分類精度和Kappa系數分別提高了2.17個百分點和0.030 7。

（2）光譜特征結合植被/水體指數特征和雷達特征后，水稻識別精度可以進一步提高，但不同特征對水稻識別精度的提高程度不同。含紅邊波段的光譜特征結合植被/水體指數特征、雷達特征以及植被/水體指數特征+紋理特征+雷達特征，總體分類精度分別達到92.73%、92.43%、92.76%，提升了0.67個百分點、0.37個百分點、0.70個百分點，Kappa系數分別達到0.897 4、0.893 0、0.897 8，提升了0.009 4、0.005 0、0.009 8。

（3）合適特征的加入能提高水稻識別精度，但加入過多特征會造成數據冗余反而降低精度，通過特征優(yōu)選可以解決此問題。在進行特征優(yōu)選時，當特征變量個數從1增至27時，總體分類精度隨特征變量個數的增加而波動上升，當特征變量個數為27時總體分類精度到達最高值（93.26%），然后隨特征變量個數的繼續(xù)增加而稍微下降。

特征優(yōu)選的方法可以有效提高水稻識別精度。中國南方地塊相對破碎，水稻易與其他作物混合，通過加入不同特征可一定程度提高分類精度，但本研究只使用了水稻抽穗揚花期的一期影像，沒有利用水稻各個生育期與其他地類的差異，后續(xù)考慮加入不同生育期影像進行時序分析，進一步提高水稻的識別精度。

參考文獻：

[1]? 龐乾林，林? 海，阮劉青，等. 中國稻米文化和現代成就[J]. 中國稻米，2004（3）：3-5.

[2]趙? 凌，趙春芳，周麗慧，等. 中國水稻生產現狀與發(fā)展趨勢[J]. 江蘇農業(yè)科學，2015，43（10）：105-107.

[3]章秀福，王丹英，方福平，等. 中國糧食安全和水稻生產[J]. 農業(yè)現代化研究，2005（2）：85-88.

[4]梁成權，莊恒揚，高? 輝，等. GIS技術在水稻優(yōu)質高產栽培中的應用研究進展[J]. 中國稻米，2013，19（2）：14-17.

[5]JIN C， XIAO X， DONG J， et al. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain， northeast China[J]. Frontiers of Earth Science，2016，10（1）：49-62.

[6]孫華生，黃敬峰，彭代亮. 利用MODIS數據識別水稻關鍵生長發(fā)育期[J]. 遙感學報，2009，13（6）：1122-1137.

[7]鄭長春，王秀珍，黃敬峰. 多時相MODIS影像的浙江省水稻種植面積信息提取方法研究[J]. 浙江大學學報（農業(yè)與生命科學版），2009，35（1）：98-104.

[8]劉仁釗，廖文峰. 遙感圖像分類應用研究綜述[J]. 地理空間信息，2005，3（5）：11-13.

[9]楊沈斌，景元書，王? 琳，等. 基于MODIS時序數據提取河南省水稻種植分布[J]. 大氣科學學報，2012，35（1）：113-120.

[10]呂婷婷，劉? 闖. 基于MODIS數據的泰國耕地信息提取[J]. 農業(yè)工程學報，2010，26（2）：244-250.

[11]牛明香，趙庚星，李尊英，等. 南四湖濕地遙感信息分區(qū)分層提取研究[J]. 地理與地理信息學，2004，20（2）：45-48，52.

[12]何昭欣，張? 淼，吳炳方，等. Google Earth Engine支持下的江蘇省夏收作物遙感提取[J]. 地球信息科學學報，2019，21（5）：752-766.

[13]汪傳建，趙慶展，馬永建，等. 基于卷積神經網絡的無人機遙感農作物分類[J]. 農業(yè)機械學報，2019，50（11）：161-168.

[14]溫小樂，鐘? 奧，胡秀娟. 基于隨機森林特征選擇的城市綠化喬木樹種分類[J]. 地球信息科學學報，2018，20（12）：1777-1786.

[15]劉元亮，李? 艷，吳劍亮. 基于LSWI和NDVI時間序列的水田信息提取研究[J]. 地理與地理信息科學，2015，31（3）：32-37.

[16]苗翠翠，江? 南，彭世揆，等. 基于NDVI時序數據的水稻種植面積遙感監(jiān)測分析——以江蘇省為例[J]. 地球信息科學學報，2011，13（2）：273-280.

[17]王文靜，張? 霞，趙銀娣，等. 綜合多特征的Landsat8時序遙感圖像棉花分類方法[J]. 遙感學報，2017，21（1）：115-124.

[18]賈? 坤，李強子. 農作物遙感分類特征變量選擇研究現狀與展望[J]. 資源科學，2013，35（12）：2507-2516.

[19]王? 娜，李強子，杜? 鑫，等. 單變量特征選擇的蘇北地區(qū)主要農作物遙感識別[J]. 遙感學報，2017，21（4）：519-530.

[20]PENG H， LONG F， DING C. Feature selection based on mutual information： criteria of max-dependency， max-relevance， and min-redundancy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（8）：1226-1238.

[21]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優(yōu)選算法的多光譜遙感影像分類效率精度分析[J]. 地球信息科學學報，2016，18（6）：815-823.

[22]王李娟，孔鈺如，楊小冬，等. 基于特征優(yōu)選隨機森林算法的農耕區(qū)土地利用分類[J]. 農業(yè)工程學報，2020，36（4）：244-250.

[23]周廷剛，郭達志，盛業(yè)華. 灰度矢量多波段遙感影像紋理特征及其描述[J]. 西安科技學院學報，2000，20（4）：336-338.

[24]張勇攀，蔣玲梅，邱玉寶，等. 不同地物類型微波發(fā)射率特征分析[J]. 光譜學與光譜分析，2010，30（6）：1446-1451.

[25]鄭? 煜，陳圣波，陳彥冰，等. 基于Sentinel-1A雷達數據和Sentinel-2A多光譜數據特征融合的地物分類[J]. 世界地質，2021，40（2）：438-444.

[26]王利民，劉? 佳，楊福剛，等. GF-1 衛(wèi)星多時相組合近紅外數據水稻識別能力[J]. 農業(yè)工程學報，2017，33（23）：196-202.

[27]梁? 繼，鄭鎮(zhèn)煒，夏詩婷，等. 高分六號紅邊特征的農作物識別與評估[J]. 遙感學報，2020，24（10）：1168-1179.

[28]張? 影，王? 珍，孫? 政，等. Sentinel-2紅邊波段在水稻識別中作用研究——以浙江省德清縣為例[J]. 中國農業(yè)資源與區(qū)劃，2021，42（12）：144-153.

[29]劉道芳，王景山，李勝陽. 高分六號衛(wèi)星紅邊波段及紅邊植被指數對水稻分類精度的影響[J]. 河南科學，2021，39（9）：1417-1423.

[30]? KANFG Y P， MENG Q Y， LIU M， et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors，2021，21（13）：4328.

[31]JIANG X Q， FANG S H， HUANG X， et al. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands[J]. Remote Sensing，2021，13（4）：579.

[32]張悅琦，李榮平，穆西晗，等. 基于多時相GF-6遙感影像的水稻種植面積提取[J]. 農業(yè)工程學報，2021，37（17）：189-196.

[33]CHEN D， HUANG J， JACKSON T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment，2005，98（2/3）：225-236.

（責任編輯：王? 妮）