基于不同遙感數(shù)據(jù)源的農(nóng)作物精細化分類研究

摘要 遙感技術(shù)已成為農(nóng)業(yè)信息提取的重要手段。為探究不同遙感數(shù)據(jù)源下的農(nóng)作物精細化識別與分類，選取廣西壯族自治區(qū)賀州市八步區(qū)東融供港蔬菜產(chǎn)業(yè)示范區(qū)為研究區(qū)，基于Planet、GF6 WFV、Landsat 8 OLI影像數(shù)據(jù)，利用支持向量機分類算法，對研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物進行識別與提取，通過類別可分離性、總體分類精度、Kappa系數(shù)、光譜變化、成圖效果等幾個方面對提取效果進行評價，結(jié)果表明GF6 WFV影像是研究區(qū)農(nóng)作物識別與提取的最佳數(shù)據(jù)源。

關(guān)鍵詞 Landsat 8 OLI；GF6 WFV；Planet；農(nóng)作物分類；支持向量機

中圖分類號 S127 文獻標識碼 A 文章編號 0517-6611（2024）17-0228-05

doi：10.3969/j.issn.0517-6611.2024.17.052

Crop Refinement Classification Based on Different Remote Sensing Data Sources

LIANG Ming-yue1，2， YANG Qian1，2， HE Wei-jun1，2 et al

（1.Guangxi Remote Sensing Center， Nanning， Guangxi 530023; 2.Guangxi Remote Sensing Geological Engineering Technology Research Center， Nanning， Guangxi 530023）

Abstract Remote sensing technology has become an important means of extracting agricultural information. In order to explore the identification and classification of crops of different remote sensing data sources， we selected Babu District Dongrong vegetable industry demonstration zone supplied to HongKong as the research area. Base on Planet， GF6 WFV， Landsat 8 OLI remote sensing images， we used the support vector machine method to identify and extract different crops of the tip leaves of bean， Xuedou， Qingzai， vegetable heart of pointed leaf， cabbage mustard. We also evaluated the extraction effect through class separability， overall classification， Kappa coefficient， spectral variation and mapping effect. Results showed that GF6 WFV images were the best resource for crop recognition and extraction in the study area.

Key words Landsat 8 OLI; GF6 WFV; Planet; Crop classification; SVM

基金項目 廣西壯族自治區(qū)地礦局部門預算前期項目“基于多源遙感數(shù)據(jù)融合的廣西特色農(nóng)產(chǎn)品遙感空間信息平臺構(gòu)建應用示范”（桂地礦綜研〔2023〕4 號）。

作者簡介 梁明月（1993—），女，廣西柳州人，工程師，碩士，從事遙感信息提取工作。

收稿日期 2023-09-27

習近平總書記在黨的二十大中強調(diào)，錨定建設農(nóng)業(yè)強國目標，切實抓好農(nóng)業(yè)農(nóng)村工作［1］。中國是一個農(nóng)業(yè)大國，農(nóng)業(yè)是中國經(jīng)濟的重要支柱。農(nóng)作物的精細化分類是分析農(nóng)作物種植結(jié)構(gòu)的關(guān)鍵，可有效為農(nóng)作物產(chǎn)量預測、作物長勢監(jiān)測、農(nóng)業(yè)風險評估、作物種類識別與空間分布研究等提供重要的數(shù)據(jù)支持［2-3］。傳統(tǒng)獲取農(nóng)作物數(shù)據(jù)的方式有2種：其一為以最小行政區(qū)劃為單位層層上報；其二為由國家統(tǒng)計局派遣調(diào)查人員對選定樣本村隨機抽取的數(shù)個地塊作為樣方進行測量后推算統(tǒng)計［4］。但這2種方式均存在工作周期長、速度慢、成本高的弊端，不僅耗費較大的人力物力，而且精度與準確性難以驗證。

遙感技術(shù)具有宏觀性、及時性、準確性等優(yōu)勢，越來越多的國內(nèi)外學者將遙感影像數(shù)據(jù)應用于農(nóng)業(yè)信息的提取中。朱紫琳等［5］利用多時相Landsat 8數(shù)據(jù)與全球高精度土地覆蓋數(shù)據(jù)集GlobelLand 30，提取吉林省梨樹縣玉米種植面積。Sharma等［6］基于多源遙感數(shù)據(jù)構(gòu)建農(nóng)作物生長期內(nèi)的NDVI時間序列，利用支持向量機算法監(jiān)測季節(jié)性地下水灌溉的農(nóng)田。解文歡等［7］基于GF-6寬幅數(shù)據(jù)，利用隨機森林算法對黑龍江省拜泉縣玉米、水稻和大豆的空間分布進行提取。以往對農(nóng)作物信息提取局限于利用中低分辨率Landsat 8或中分辨率GF6寬幅影像數(shù)據(jù)，而近年發(fā)展迅猛的商業(yè)衛(wèi)星Planet農(nóng)作物精細化信息提取探索卻鮮見報道。鑒于此，筆者以廣西壯族自治區(qū)賀州市八步區(qū)東融供港蔬菜產(chǎn)業(yè)示范區(qū)為研究區(qū)，采用2022年11月18日的Planet、2022年11月13日的Landsat 8 OLI及2022年11月13日GF-6 WFV衛(wèi)星遙感影像數(shù)據(jù)，利用支持向量機算法，對研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物進行提取，對提取結(jié)果進行對比分析評價，探討不同影像數(shù)據(jù)提取農(nóng)作物方法的優(yōu)缺點，為未來農(nóng)作物信息提取研究時數(shù)據(jù)源的選擇提供科學依據(jù)。

1 研究區(qū)和數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)為東融供港蔬菜產(chǎn)業(yè)示范區(qū)，位于廣西壯族自治區(qū)賀州市八步區(qū)南部，占地66.67 hm2，周圍屬南嶺山系中低山山地地貌，海拔標高一般為500～800 m，最高為張公嶺山，海拔1 103 m，一般相對高差為300～500 m，最大相對高差為878 m。該區(qū)域?qū)賮啛釒Ъ撅L氣候，年均氣溫19.9 ℃，最低氣溫-1.9 ℃，日夜溫差較大，春天多霧，冬季有短期冰凍；年均降雨量為1 535 mm，4—6月為雨季。研究區(qū)2021年11月12日入選《全國農(nóng)村創(chuàng)業(yè)園區(qū)（基地）目錄（2021）》，該地發(fā)揮其區(qū)域及生態(tài)優(yōu)勢，大力發(fā)展綠色生態(tài)農(nóng)業(yè)，打造粵港澳大灣區(qū)“菜籃子”高品質(zhì)生產(chǎn)基地，每年約有70%蔬菜、50%生豬供應大灣區(qū)市場，享有粵港澳美麗“后花園”之譽。

1.2 數(shù)據(jù)源

1.2.1 Landsat 8 OLI。

Landsat 8是美國陸地衛(wèi)星計劃的第8顆衛(wèi)星，2013年2月11日在加利福尼亞范登堡空軍基地Atlas-V火箭塔發(fā)射，30 m多光譜中低分辨率陸地成像儀OLI含9個譜段。該研究下載2022年11月13日的Landsat 8 OLI Collection 2 Level 2數(shù)據(jù)，含7個譜段（表1），數(shù)據(jù)下載平臺為地理空間數(shù)據(jù)云。

1.2.2 GF-6 WFV。

GF-6是中國高分辨率對地觀測系統(tǒng)重大專項系列衛(wèi)星，2018年6月2日于酒泉衛(wèi)星發(fā)射中心發(fā)射，16 m多光譜中分辨率寬幅相機（WFV）含8個譜段（表2），是我國首顆增加“紅邊”譜段的衛(wèi)星。該研究采用2022年11月13日的GF-6 WFV影像數(shù)據(jù)對研究區(qū)進行農(nóng)作物精細化分類提取。數(shù)據(jù)申請網(wǎng)站：http：//rs.dnr.gxzf.gov.cn：8080/platform。

1.2.3 Planet。Planet曾命名為Planet Lab，是由數(shù)以百計的Dove衛(wèi)星組成的全球最大的微小衛(wèi)星群，可以在2～3 d對全球絕大多數(shù)地區(qū)進行覆蓋，2022年3月1日，Planet宣布新一代數(shù)據(jù)監(jiān)測產(chǎn)品PlanetScope上市，在提供4個光譜譜段的

數(shù)據(jù)服務基礎上新增至8個光譜譜段（表3），在海岸帶、地表類型識別、農(nóng)作物長勢評估、產(chǎn)量估算及環(huán)境監(jiān)測等方面應用廣泛。該研究采用 Planet數(shù)據(jù)時相為2022年11月18日。數(shù)據(jù)申請平臺為www.earthstar-cloud.com。

1.2.4 外業(yè)數(shù)據(jù)。2022年11月對研究區(qū)開展野外實地調(diào)查，共采集研究區(qū)及周邊林地、水體、廠房、居民地、道路、豆杯、學斗、青仔、尖葉菜心、芥藍等不同地物類型信息，采集野外點共127個，作為支持向量機算法的訓練樣本。利用野外點結(jié)合奧維地圖及國產(chǎn)高分辨率影像數(shù)據(jù)目視解譯研究區(qū)內(nèi)不同地物類型，用于構(gòu)建混淆矩陣，驗證提取精度。

2 研究方法

基于ENVI 5.3遙感圖像處理軟件平臺，對Planet、Landsat 8 OLI及GF6 WFV影像數(shù)據(jù)進行輻射定標、大氣校正、正射校正、幾何校正、裁剪等預處理，對研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物利用支持向量機算法進行提取分析，對比分析不同遙感數(shù)據(jù)源下的提取結(jié)果。

2.1 類別可分離性

根據(jù)研究區(qū)內(nèi)主要農(nóng)作物野外實地調(diào)查采集信息，利用空間特征及光譜信息分析不同地類樣本圖斑之間的可分離性。該參數(shù)值域區(qū)間為［0，2］，兩地物間光譜信息的冗余度隨該參數(shù)值的增加而減小。該值大于1.8表明訓練樣本圖斑滿足分類需求，大于1.9表明兩地物間訓練樣本圖斑光譜可分離性很好。該研究基于野外實地調(diào)查點，建立研究區(qū)林地、水體、廠房、居民地、道路、豆杯、學斗、青仔、尖葉菜心、芥藍等地物訓練樣本圖斑共計127個。

2.2 支持向量機（SVM）算法

基于預處理后的影像數(shù)據(jù)，采用監(jiān)督分類的方法對研究區(qū)進行農(nóng)作物精細化分類。ENVI5.3遙感圖像處理軟件平臺的監(jiān)督分類包括平行六邊形、最大似然、神經(jīng)網(wǎng)絡、支持向量機、馬氏距離、最小距離、波譜角等算法，其中支持向量機分類算法有較高的分類準確率和較好的推廣性。該算法是以統(tǒng)計學理論為基礎的一種機器學習方法，可自動尋找對分類有較大區(qū)分能力的支持向量，可將各類之間的間隔最大化，有效避免因噪聲引起的分類錯誤［8-10］。因此，該研究采用ENVI 5.3下監(jiān)督分類中支持向量機分類算法，對研究區(qū)的豆杯、學斗、青仔、尖葉菜心、芥藍等進行分類提取。

2.3 精度驗證方法

通過對不同遙感數(shù)據(jù)源分類圖像的精度評價，客觀分析分類結(jié)果?；煜仃囀窃u價遙感分類結(jié)果的常用指標。該研究基于野外調(diào)查點，結(jié)合奧維地圖及國產(chǎn)高分辨率影像數(shù)據(jù)目視解譯研究區(qū)內(nèi)不同農(nóng)作物，構(gòu)建混淆矩陣，利用總體分類精度及Kappa系數(shù)，對Planet、GF6 WFV、Landsat 8 OLI影像分類結(jié)果進行精度驗證。

2.3.1 總體分類精度（Overall Accuracy）?？傮w分類精度為被正確分類的像元總和與總像元數(shù)量的比值。表達式為：

OA=Mi=1aiiN（1）

式中：OA為總體分類精度；N為總像元數(shù)量；m為類型總數(shù)；i為類型數(shù)；aii為被正確分類的像元?？傮w分類精度越大，分類精度越高。

2.3.2 Kappa系數(shù)（Kappa Coefficient）［11-12］。Kappa系數(shù)是基于混淆矩陣，用于一致性檢驗及衡量分類精度的指標。該指標將總像元數(shù)量與被正確分類的像元總數(shù)相乘，減去混淆矩陣中每類行列像元總數(shù)乘積之和，再除以縱像元數(shù)平方減去混淆矩陣中每類行列像元總數(shù)乘積之和。表達式為：

K=Nmi=1aii-mi=1（aii×aji）N2-mi=1（aii×aji）（2）

式中，N為總像元數(shù)量，m為類型總數(shù)，i為類型數(shù)，aij為類型i所在行的總像元數(shù)，aji為類型j所在列的總像元數(shù)。Kappa系數(shù)可直接反映分類結(jié)果與地面信息間的一致性，一致性直接反映分類結(jié)果質(zhì)量。Kappa系數(shù)和分類結(jié)果與地面信息間一致性及分類質(zhì)量對應關(guān)系見表4。

3 農(nóng)作物分類結(jié)果與分析

3.1 不同遙感數(shù)據(jù)源下農(nóng)作物樣本類別可分離性

基于Planet、GF6 WFV、Landsat 8 OLI不同遙感數(shù)據(jù)源，利用相同訓練樣本圖斑，計算各類別間可分離性，結(jié)果見表5～7。

（1）Planet影像數(shù)據(jù)下，青仔和尖葉菜心與豆杯、學斗、芥藍可分離性很高，均達到1.900，青仔-學斗、青仔-芥藍、尖葉菜心-學斗、尖葉菜心-芥藍可分離性甚至達到1.999 0。但豆杯-學斗、豆杯-芥藍的可分離性很低，分別為1.226 9和1.484 9，不能滿足分類需求，表明Planet影像下青仔和尖葉菜心均與學斗和芥藍較易區(qū)分，豆杯易與學斗、芥藍混淆，但學斗與芥藍之間也有很好的區(qū)分度。

（2）GF6 WFV影像數(shù)據(jù)下，青仔-學斗、芥藍-青仔、芥藍-尖葉菜心可分離性極高，達到1.999 0，豆杯與學斗和芥藍的可分離性較低，分別為1.803 2和1.824 6，但均大于1.800 0，滿足分類需求。這表明GF6 WFV影像下芥藍、青仔、尖葉菜心較易區(qū)分，豆杯與學斗和芥藍較易混淆，但學斗和芥藍之間也有很好的區(qū)分度。

（3）Landsat 8 OLI影像數(shù)據(jù)下，豆杯與學斗可分離性較低，為1.898 9，該值小于1.900 0但大于1.800 0，滿足分類需求。其他農(nóng)作物之間可分離度較高，表明Landsat 8 OLI影像下各農(nóng)作物之間能夠很好區(qū)分。

（4）3種遙感數(shù)據(jù)源下，豆杯-學斗的可分離性較其他任兩種農(nóng)作物的可分離性均為最低，表明豆杯與學斗在3種數(shù)據(jù)源下均較難區(qū)分。Planet影像下豆杯與學斗的可分離性不可滿足分類需求，GF6 WFV、Landsat 8 OLI影像下可分離性不高但可滿足分類需求。

（5）除豆杯-學斗外，Planet與GF6 WFV影像下豆杯與芥藍的可分離性也較低，Planet不滿足分類需求，GF6 WFV可分離性不高但滿足分類需求。

3.2 光譜反射率變化分析

基于野外驗證數(shù)據(jù)，選取同名地物點分析Planet、GF6 WFV、Landsat 8 OLI遙感影像數(shù)據(jù)各譜段上不同農(nóng)作物的光譜特征，各農(nóng)作物的光譜曲線在某譜段點間隔較大時被認為該幾類農(nóng)作物在該譜段可較好區(qū)分，若點距離相近或重疊則被認為較難區(qū)分。從圖1～3可以得出以下結(jié)論：

（1）Planet影像數(shù)據(jù)下，青仔、尖葉菜心、豆杯在第5譜段黃譜段處能夠區(qū)分農(nóng)作物統(tǒng)計特征，但間隔較小，區(qū)分度有限，該譜段無法區(qū)分芥藍與學斗；在第8譜段近紅外譜段處能夠區(qū)分青仔、尖葉菜心和芥藍的光譜統(tǒng)計特征，且間隔較大，區(qū)分度較高，但無法區(qū)分豆杯與學斗。

（2）GF6 WFV影像下，青仔、尖葉菜心、芥藍、學斗、豆杯在第4譜段黃譜段與第6譜段紅邊譜段均有反射峰，青仔與尖葉菜心的光譜統(tǒng)計數(shù)值間隔較大，能夠很好區(qū)分2類作物；芥藍、學斗、豆杯在第4譜段黃譜段也能區(qū)分作物統(tǒng)計特征，但點間隔較小，區(qū)分度不高；第7譜段紅邊譜段可區(qū)分5類農(nóng)作物統(tǒng)計特征，但點間隔不大，區(qū)分度有限。

（3）Landsat 8 OLI影像下，青仔、尖葉菜心、芥藍、學斗、豆杯在第5譜段近紅外譜段光譜統(tǒng)計數(shù)值間隔較大，能夠區(qū)分該5類農(nóng)作物，在第6譜段短波紅外譜段豆杯、芥藍、學斗點間隔較大，區(qū)分度較高，但青仔和尖葉菜心點間隔極近，區(qū)分度不佳。

綜上結(jié)果可以看出，Planet影像數(shù)據(jù)下沒有能夠全部區(qū)分5類農(nóng)作物統(tǒng)計特征的譜段；GF6 WFV影像數(shù)據(jù)下第譜段黃譜段與第7譜段紅邊譜段能夠區(qū)分5類農(nóng)作物，但區(qū)分度有限；Landsat 8 OLI影像數(shù)據(jù)下第5譜段近紅外譜段能夠完全區(qū)分5類農(nóng)作物統(tǒng)計特征，區(qū)分度較高。

3.3 不同數(shù)據(jù)源下分類精度比較

基于ENVI5.3遙感圖像處理軟件平臺，對Planet、GF6 WFV及Landsat 8 OLI影像數(shù)據(jù)利用支持向量機算法，對研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物進行提取，通過成圖效果對分類結(jié)果進行主觀評價，根據(jù)總體分類精度及Kappa系數(shù)對分類結(jié)果進行客觀評價，對比分析不同遙感數(shù)據(jù)源下農(nóng)作物提取效果。

3.3.1 主觀評價。

利用3種不同數(shù)據(jù)源對研究區(qū)內(nèi)5類不同農(nóng)作物進行提取，提取結(jié)果如圖4。從分類結(jié)果可知，3種

影像下提取不同農(nóng)作物的空間位置幾乎一致，但圖斑大小稍有差別；從成圖效果來看，Planet提取結(jié)果圖斑

更加規(guī)整，更能體現(xiàn)地物細節(jié)；Landsat 8影像鋸齒狀明顯，細小圖斑在后期處理時會被兼并至周圍的大圖斑，出現(xiàn)錯分的情況；GF6 WFV與Landsat 8 OLI的提取結(jié)果道路出現(xiàn)間斷的情況。綜上，成圖效果Planet影像最好，GF6 WFV次之，Landsat 8 OLI最差。

3.3.2 客觀評價。

主觀評價與判讀人員的分析能力及知識水平有關(guān)，得出的結(jié)果具有極大的主觀性。除定性評價外，還需要對分類結(jié)果進行客觀評價。該研究利用野外驗證數(shù)據(jù)，結(jié)合奧維地圖及國產(chǎn)高分辨率影像數(shù)據(jù)，通過構(gòu)建混淆矩陣，利用總體分類精度與Kappa系數(shù)對分類結(jié)果進行評價（表8）。Planet、GF6 WFV、Landsat 8 OLI影像數(shù)據(jù)下農(nóng)作物

的分類總體精度均達到75%，Kappa系數(shù)均大于0.6，滿足分類生產(chǎn)需求。其中，GF6 WFV影像數(shù)據(jù)總體分類精度最高，達89.193 1%，Kappa系數(shù)也最高，達0.897 3，表明GF6 WFV影像分類質(zhì)量極好，分類結(jié)果與地面信息幾乎一致；Planet影像數(shù)據(jù)分類精度低于GF6 WFV，為83.224 7%，Kappa系數(shù)為0.766 2，表明Planet影像分類質(zhì)量很好，分類結(jié)果與地面信息高度一致。Landsat 8 OLI影像總體分類精度最低，僅有75.206 6%，Kappa系數(shù)為0.699 0。

4 結(jié)論與討論

基于Planet、GF6 WFV、Landsat 8 OLI影像數(shù)據(jù)識別和提取研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物，分析不同數(shù)據(jù)源下農(nóng)作物樣本類別可分離性、光譜曲線、成圖效果和分類精度，得出以下結(jié)論：

（1）在3種數(shù)據(jù)源下，豆杯與學斗較其他任2種農(nóng)作物可分離度較低，GF6 WFV與Landsat 8 OLI下豆杯、學斗、青仔、尖葉菜心、芥藍的可分離度滿足分類要求，Landsat 8 OLI農(nóng)作物樣本可分離度最高。

（2）Planet影像數(shù)據(jù)下豆杯和學斗的光譜曲線在全譜段的統(tǒng)計特征皆極為相近，且沒有能夠完全區(qū)分5類農(nóng)作物統(tǒng)計特征的譜段；GF6 WFV影像數(shù)據(jù)下第4譜段黃譜段與第7譜段紅邊譜段能夠區(qū)分5類農(nóng)作物，但區(qū)分度有限；Landsat 8 OLI影像數(shù)據(jù)下第5譜段近紅外譜段能夠完全區(qū)分5類農(nóng)作物統(tǒng)計特征，區(qū)分度較高。

（3）Planet提取結(jié)果圖斑圓滑、規(guī)整，能區(qū)分相鄰較近但面積不大的2種地物；由于分辨率問題，Landsat 8 OLI影像鋸齒狀明顯，細小圖斑在后期處理時會被兼并至周圍的大圖斑，出現(xiàn)錯分的情況；成圖效果Planet影像最好，GF6 WFV可滿足需求，Landsat 8 OLI最差。

（4）從總體分類精度與Kappa系數(shù)上對比分析，3種數(shù)據(jù)源下識別提取研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物的結(jié)果均滿足生產(chǎn)需求，GF6 WFV分類精度最高，分類結(jié)果與地面信息一致性最好。

（5）Landsat 8 OLI影像下農(nóng)作物樣本可分離度最高，有區(qū)分度較高且能完全區(qū)分5類農(nóng)作物統(tǒng)計特征的譜段，但由于研究區(qū)面積不大，影像空間分辨率較低，提取精度及成圖效果不好，該數(shù)據(jù)適用于對農(nóng)作物大面積提取。GF6 WFV影像下農(nóng)作物樣本可分離度滿足分類要求，有可區(qū)分5類農(nóng)作物統(tǒng)計特征的譜段，成圖效果較好，分類精度較高，分類結(jié)果與地面信息一致性最好，GF6 WFV影像是研究區(qū)農(nóng)作物識別與提取的最佳數(shù)據(jù)源；Planet影像數(shù)據(jù)分辨率較高，重訪周期短，提取結(jié)果成圖效果好，分類精度能達到生產(chǎn)需求，該數(shù)據(jù)源適合小面積青仔、尖葉菜心、芥藍的周期性監(jiān)測。

在研究Planet、GF6 WFV、Landsat 8 OLI影像數(shù)據(jù)識別和提取研究區(qū)豆杯、學斗、青仔、尖葉菜心、芥藍等不同農(nóng)作物時，該研究采用了監(jiān)督分類中的支持向量機分類算法，但未與如最大似然法、隨機森林、最小距離、神經(jīng)網(wǎng)絡等其他監(jiān)督分類算法進行對比分析，這將是下一步研究的重點。

參考文獻

［1］

習近平：加快建設農(nóng)業(yè)強國 推進農(nóng)業(yè)農(nóng)村現(xiàn)代化［EB/QL］.（2023-03-15）［2023-03-17］.https：//www.gov.cn/xinwen/2023-03/15/content_5746861.htm.

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

［3］ 張榮天，張赟.江蘇省農(nóng)作物種植結(jié)構(gòu)時空格局演變探析［J］.中國稻米，2023，29（2）：48-52.

［4］ 劉煥軍，閆巖，張新樂，等.面向農(nóng)業(yè)區(qū)劃的作物種植結(jié)構(gòu)遙感提?。跩］.中國農(nóng)業(yè)資源與區(qū)劃，2017，38（8）：43-54.

［5］ 朱紫琳，王加，潘陽虹，等.基于Landsat8數(shù)據(jù)的梨樹縣玉米種植面積提取研究［J］.科技創(chuàng)新與應用，2023（13）：47-50.

［6］ SHARMA A K，HUBERT-MOY L，BUVANESHWARI S，et al.Identifying seasonal groundwater-irrigated cropland using multi-source NDVI time-series images［J］.Remote sensing，2021，13（10）：1-21.

［7］ 解文歡，張有智，吳黎，等.基于GF-6影像的農(nóng)作物種植結(jié)構(gòu)提取研究［J］.現(xiàn)代農(nóng)機，2023（3）：61-63.

［8］ 朱夢豪，李國清，彭壯壯.特征優(yōu)選下的農(nóng)作物遙感分類研究［J］.測繪科學，2022，47（3）：122-128.

［9］ 王立國，趙亮，劉丹鳳.SVM在高光譜圖像處理中的應用綜述［J］.哈爾濱工程大學學報，2018，39（6）：973-983.

［10］ 段金饋，李峰，秦泉，等.高分六號紅邊波段對夏玉米種植區(qū)識別的影響［J］.海洋氣象學報，2023，43（3）：104-112.

［11］ 曹宇佳，孫嘉迎，孫微，等.基于珠海一號高光譜數(shù)據(jù)的農(nóng)作物精細化分類研究［J］.測繪與空間地理信息，2023，46（S1）：101-103，106.

［12］ 許志龍.基于多源衛(wèi)星影像的農(nóng)作物種植信息遙感提取方法研究［J］.現(xiàn)代化農(nóng)業(yè)，2023（7）：62-65.