基于Sentinel-2多時(shí)相遙感影像的冬小麥種植面積監(jiān)測

收稿日期：2023-11-15

作者簡介：于天祥（2000-），男，內(nèi)蒙古巴彥淖爾人，碩士研究生，主要從事農(nóng)業(yè)遙感方面的研究。（E-mail）1224745953@qq.com

通訊作者：樊 紅，（E-mail）hfan3@whu.edu.cn

摘要： 針對農(nóng)業(yè)保險(xiǎn)精準(zhǔn)理賠對農(nóng)作物真實(shí)種植面積的數(shù)據(jù)需求，提出1種快速有效提取冬小麥分布與種植面積的方法。以湖北省荊州市荊州區(qū)作為研究區(qū)，選取2019-2020年的Sentinel-2影像，計(jì)算多時(shí)相紅邊植被指數(shù)與黃度值，并將其作為特征用于優(yōu)化分類模型，利用隨機(jī)森林法、支持向量機(jī)算法提取冬小麥的分布圖，對比分析不同方法的分類結(jié)果。結(jié)果表明，包括紅邊指數(shù)在內(nèi)的多時(shí)相植被指數(shù)的加入可以有效提高小麥地塊分類的完整度；相比于支持向量機(jī)，用隨機(jī)森林法提取的小麥地塊邊界更清晰、完整且準(zhǔn)確性更高；基于多時(shí)相特征的隨機(jī)森林法分類結(jié)果的總精度、Kappa系數(shù)分別為 97.49%、0.968 6；不同分類方法提取的分類小麥面積與統(tǒng)計(jì)年鑒記錄的小麥面積的比值為91.28%。由研究結(jié)果可以看出，歸一化植被指數(shù)（NDVI）、歸一化紅邊指數(shù)（NDre1）、新型倒紅邊葉綠素指數(shù)（IRECI）和黃度值是隨機(jī)森林模型中重要性較高的分類特征。

關(guān)鍵詞： 冬小麥分布圖提?。患t邊植被指數(shù)；Sentinel-2；隨機(jī)森林；支持向量機(jī)

中圖分類號： TP79"" 文獻(xiàn)標(biāo)識碼： A"" 文章編號： 000-4440（2024）09-1653-09

Remote sensing monitoring of winter wheat planting area based on multi-temporal Sentinel-2 imagery

YU Tianxiang， FAN Hong

（State Key Laboratory of Information Engineering in Surveying， Mapping and Remote Sensing， Wuhan University， Wuhan 430079， China）

Abstract： Aiming at the data demand of the real planting area of crops in the accurate claims of agricultural insurance， a fast and efficient method for crop classification was proposed in this study. Taking Jingzhou District of Jingzhou City， Hubei province as the research area， Sentinel-2 images from 2019 to 2020 were selected to calculate multi-temporal red-edge vegetation index and yellowness value for feature optimization. Random forest and support vector machine algorithms were used to extract the distribution images of winter wheat. The results showed that adding multi-temporal vegetation index as a classification feature could effectively improve the integrity of wheat plot classification. Compared with support vetcor machine （SVM）， the wheat boundary extracted by random forest was clearer， more complete and more accurate. The total accuracy and Kappa coefficient of the classification results of the random forest method based on multi-temporal features were 97.49% and 0.968 6， respectively. The ratio of the wheat area extracted by different classification methods to the wheat area recorded in the statistical yearbook was 91.28%. Normalized difference vegetation index （NDVI）， normalized difference red-edge （NDre1）， novel inverted red-edge chlorophyll index （IRECI） and yellowness value were the most important classification features in random forest models.

Key words： extraction of winter wheat distribution image;red-edged vegetation index;Sentinel-2;random forest;support vector machine

在農(nóng)業(yè)保險(xiǎn)相關(guān)領(lǐng)域，快速、準(zhǔn)確地獲取作物的真實(shí)播種面積與分布情況是實(shí)現(xiàn)精準(zhǔn)理賠的關(guān)鍵[1-2]。小麥?zhǔn)侵袊匾募Z食作物之一，據(jù)統(tǒng)計(jì)，2021年中國小麥播種面積占糧食作物播種面積的20.03%，占農(nóng)作物播種面積的13.97%[3]，小麥投保面積大且區(qū)域分散。統(tǒng)計(jì)傳統(tǒng)農(nóng)作物面積需要通過大量實(shí)地調(diào)查，費(fèi)時(shí)費(fèi)力，時(shí)效性差，且無法獲取作物的空間信息，存在很大局限性，難以為農(nóng)業(yè)保險(xiǎn)提供數(shù)據(jù)支持。遙感技術(shù)具有大范圍重復(fù)監(jiān)測的能力，已被廣泛應(yīng)用于農(nóng)作物面積估算中[4-5]。

不同農(nóng)作物具有不同的物候特征，而多時(shí)相的遙感分析可以充分利用地物在不同時(shí)段的特征，因此其在農(nóng)作物監(jiān)測中的應(yīng)用廣泛。中分辨率成像光譜儀（MODIS）具有重返周期短的特點(diǎn)，非常適合用于作物生長周期的時(shí)間序列監(jiān)測。許青云等[6]基于多年MODIS NDVI序列，利用動態(tài)閾值法對陜西省主要農(nóng)作物進(jìn)行分類。Zhang等[7]基于MODIS數(shù)據(jù)構(gòu)建了增強(qiáng)植被指數(shù)時(shí)間序列曲線用于監(jiān)測華北地區(qū)的冬小麥，并提取了物候期。但是，由于受到空間分辨率的限制，MODIS難以滿足小區(qū)域作物分類的需求。隨著衛(wèi)星技術(shù)的發(fā)展，Landsat 8等中分辨率影像開始在農(nóng)作物分類中得到應(yīng)用。Cai等[8]基于多時(shí)相Landsat8數(shù)據(jù)，利用基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型對玉米、大豆進(jìn)行分類。謝登峰等[9]融合Landsat 8和MODIS影像數(shù)據(jù)，采用支持向量機(jī)識別秋糧作物，獲得了較高的識別精度。但是，由于Landsat 8的重返周期較長，當(dāng)受到云層干擾時(shí)，難以獲取作物完整生長周期的時(shí)序影像。Sentinel-2衛(wèi)星具有最高10 m的空間分辨率和5 d的重返周期，解決了以往影像時(shí)空分辨率不足的問題，為精細(xì)農(nóng)業(yè)監(jiān)測提供了數(shù)據(jù)支持。王利軍等[10]采用Sentinel-2A影像數(shù)據(jù)，結(jié)合決策樹與支持向量機(jī)（SVM）對河南省濮陽縣的秋季作物進(jìn)行了分類，分類總體精度、Kappa系數(shù)分別為92.3%、0.886。Johann等[11]采用多時(shí)相Sentinel-2影像，應(yīng)用機(jī)器學(xué)習(xí)算法對美國愛荷華州、內(nèi)布拉斯加州的玉米產(chǎn)量進(jìn)行預(yù)測。Sentinel-2在紅邊范圍內(nèi)有3個(gè)波段，能夠提供豐富的光譜信息，但是目前的作物分類研究大多利用Sentinel-2高時(shí)空分辨率的特點(diǎn)，利用紅邊波段構(gòu)建紅邊植被指數(shù)，將多時(shí)相植被指數(shù)應(yīng)用于農(nóng)作物分類的相關(guān)研究較少。

綜上，本研究擬以湖北省荊州市荊州區(qū)作為研究區(qū)，選取2019-2020年的Sentinel-2 影像數(shù)據(jù)，對多時(shí)相紅邊植被指數(shù)與黃度值進(jìn)行特征優(yōu)化，利用隨機(jī)森林法、支持向量機(jī)算法提取冬小麥的分布影像，對比不同分類方法的結(jié)果，探究多時(shí)相特征與不同分類算法對小麥影像提取精度的影響，以期為農(nóng)業(yè)保險(xiǎn)精準(zhǔn)理賠提供數(shù)據(jù)依據(jù)和方法參考。

1 研究區(qū)概況

本研究選擇湖北省荊州市荊州區(qū)作為研究區(qū)，荊州區(qū)位于湖北省中南部，地理位置為30°04′N～30°35′N，112°55′E～113°38′E。該地區(qū)地形以平原、丘陵、山地為主，主要海拔為200～500 m；屬亞熱帶季風(fēng)氣候區(qū)，氣候溫和濕潤，四季分明，夏季較熱，冬季較冷，研究區(qū)的遙感影像如圖1所示。

研究區(qū)的主要夏收作物為小麥、油菜，這2類作物的混種在研究區(qū)比較普遍，容易在分類中造成混淆。小麥與油菜對應(yīng)的生育期見表1。

2 數(shù)據(jù)概況

2.1 影像數(shù)據(jù)及預(yù)處理

Sentinel-2衛(wèi)星星座是歐洲空間局發(fā)射的Sentinel系列衛(wèi)星中重要的遙感平臺，其搭載的多光譜成像儀有13個(gè)光譜波段，涵蓋可見光、近紅外光和短波紅外光，最高空間分辨率可達(dá)10 m。Sentinel-2由Sentinel-2A、Sentinel-2B 2顆衛(wèi)星組成，單顆衛(wèi)星的重返周期為10 d，在雙星系統(tǒng)下，重返周期可達(dá)5 d。

本研究使用的Setintine-2影像產(chǎn)品等級為L2A級，已經(jīng)過輻射定標(biāo)與大氣校正。為了保證影像質(zhì)量，篩選2019年11月1日至2020年6月30日間云覆蓋量小于30%的19景影像，并對其進(jìn)行裁剪與月度均值的合成。

2.2 樣本數(shù)據(jù)

本研究在實(shí)地調(diào)查的基礎(chǔ)上，結(jié)合Google Earth高分辨率影像和特定日期的Sentinel-2影像進(jìn)行目視解譯，共標(biāo)注1 237個(gè)樣本點(diǎn)，包括6類地物，其中小麥地物262個(gè)，油菜地物204個(gè)，不透水面地物278個(gè)，水體地物89個(gè)，林草地地物323個(gè)，其他作物地物81個(gè)。將樣本點(diǎn)按照6∶4的比例劃分為訓(xùn)練集與驗(yàn)證集，樣本點(diǎn)的分布情況見圖2。

3 研究方法

3.1 技術(shù)路線

圖3是本研究的技術(shù)路線，首先進(jìn)行影像的篩選與預(yù)處理，然后通過分析不同特征指數(shù)的時(shí)序變化，選取最佳時(shí)期，構(gòu)建分類特征。利用隨機(jī)森林與支持向量機(jī)模型進(jìn)行分類，從驗(yàn)證集與統(tǒng)計(jì)年鑒數(shù)據(jù)2個(gè)方面開展分類結(jié)果的評價(jià)與分析。

3.2 分類特征的選擇

分類特征直接影響著模型的分類效果，因此選取有效的分類特征十分重要。本研究在Sentinel-2的12個(gè)原始波段的基礎(chǔ)上，加入歸一化水體指數(shù)（NDWI）、裸土指數(shù)（BSI）、歸一化植被指數(shù)（NDVI）、黃度值、歸一化紅邊指數(shù)（NDre1）、新型倒紅邊葉綠素指數(shù)（IRECI）6個(gè)遙感指數(shù)。表2列出了本研究選取的18個(gè)特征。其中，NDWI可突出影像中的水體信息，區(qū)分水體和非水體[12]；BSI可增強(qiáng)裸土地的亮度值[13]；NDVI可反映不同作物的長勢。

開花期的油菜在真彩色影像中呈現(xiàn)黃色，此時(shí)油菜的黃度值與小麥差異明顯，可用此特征對小麥與油菜進(jìn)行區(qū)分[14]。黃度值按公式（1）進(jìn)行計(jì)算：

Y=DNG-DNB（1）

式中，DNG、DNB分別為綠光波段、藍(lán)光波段的光譜值。

Sentinel-2包含3個(gè)紅邊波段，為紅邊指數(shù)的應(yīng)用提供了重要的基礎(chǔ)[15]。本研究加入了2個(gè)紅邊植被指數(shù)作為分類特征。NDre1分別用紅邊的峰、谷來代替?zhèn)鹘y(tǒng)NDVI中的紅光、近紅外波段，可用于估算植物葉面積指數(shù)、葉綠素含量[16]，其計(jì)算方法如公式（2）所示：

NDre1=βred2-βred1βred2+βred1（2）

式中，βred1、βred2分別對應(yīng)Sentinel-2的紅邊波段1（B5）、紅邊波段2（B6）。

IRECI與植物冠層葉綠素含量、葉面積指數(shù)有很好的相關(guān)性，可用于定量表征植物的葉綠素含量[17]，其計(jì)算方法如公式（3）所示：

IRECI=β783-β665β705/β740（3）

式中，β783、β665、β705、β740分別對應(yīng)Sentinel-2的紅邊波段3（B7）、紅波段（B4）、B5、B6。

3.3 分類時(shí)相選取

圖4為研究區(qū)內(nèi)小麥、油菜和林草地樣本點(diǎn)的黃度值、NDVI及NDre1月均值的時(shí)間序列。3月份開始小麥先后進(jìn)入返青期、拔節(jié)期，在此期間NDVI、NDre1會快速升高，達(dá)到生長周期中的峰值（圖4a、圖4b）；油菜則進(jìn)入開花期，黃度值、NDVI和NDre1均有所下降，降幅最大的是黃度值（圖4c），與小麥、林草地間表現(xiàn)出明顯差異。6月份油菜與小麥均已成熟并收獲，此時(shí)2類作物樣本點(diǎn)的NDVI、NDre1均出現(xiàn)大幅度下降，林草地的NDVI、NDre1卻達(dá)到峰值（圖4a、圖4b）。由此可見，3月是區(qū)分小麥與油菜的最佳時(shí)期，6月是區(qū)分小麥、油菜與林草地的最佳時(shí)期。本研究選擇3月份的影像來構(gòu)建分類特征，同時(shí)還補(bǔ)充加入用6月份影像計(jì)算得到的NDVI、NDre1、IRECI，進(jìn)行特征優(yōu)化。

3.4 分類算法

分別采用隨機(jī)森林（RF）法和支持向量機(jī)（SVM）算法對研究區(qū)內(nèi)的作物進(jìn)行分類，并比較用2類模型提取冬小麥影像的精度。

RF法是通過組合多個(gè)決策樹分類器，并采用投票方式確定測試樣本類別的機(jī)器學(xué)習(xí)算法。該算法不需要過多人工干預(yù)，能容忍一定的噪聲和異常值，能并行化處理高維海量數(shù)據(jù)，運(yùn)算效率較高[18]。RF最重要的參數(shù)是決策樹的數(shù)量，本研究將決策樹數(shù)量設(shè)置為1 000，以充分發(fā)揮GEE的計(jì)算能力。

SVM法通過構(gòu)造核函數(shù)，將低維空間向量集映射到高維空間，增大其可分離性，提升了分類器的泛化能力，能夠處理復(fù)雜數(shù)據(jù)的分類問題[19-22]。

3.5 精度評價(jià)方法

從驗(yàn)證樣本數(shù)據(jù)、統(tǒng)計(jì)年鑒數(shù)據(jù)2個(gè)方面展開精度評價(jià)。首先，根據(jù)驗(yàn)證數(shù)據(jù)構(gòu)建混淆矩陣，計(jì)算用戶精度（UA）、生產(chǎn)者精度（PA）、總精度（OA）及Kappa系數(shù)。然后，通過提取的冬小麥面積與統(tǒng)計(jì)年鑒中記錄的實(shí)際播種面積的比值來衡量分類的正確性，比值越接近1，說明分類面積與真實(shí)播種面積越接近。

4 結(jié)果與分析

4.1 不同分類方法精度的對比

4.1.1 驗(yàn)證集精度的評價(jià) 為了探究多時(shí)相特征及不同分類算法對小麥提取精度的影響，本研究對3種分類方法的精度進(jìn)行對比。如表3所示，基于單時(shí)相特征的RF模型的精度較低，基于多時(shí)相特征的RF模型的精度最高，用戶精度和生產(chǎn)者精度均達(dá)98.00%以上，總精度為97.49%，Kappa系數(shù)為0.968 6。

4.1.2 不同分類方法提取的小麥面積精度評價(jià) 由表4可以看出，基于單時(shí)相特征的RF模型的提取面積少于實(shí)際面積，基于多時(shí)相特征的RF模型的提取面積更接近實(shí)際面積，方法1、方法2提取的面積少于實(shí)際面積，方法3提取的面積多于實(shí)際面積。

圖5是同一小麥地塊的影像在3種方法中的分布提取對比結(jié)果，圖5a是該地塊的原始影像，左右兩部分深色區(qū)域代表小麥，圖5b～圖5d中的淺灰色區(qū)域代表各方法提取出的小麥分布情況。加入多時(shí)相特征后，提取的小麥地塊完整度有了明顯提高，更接近實(shí)際面積（圖5b、圖5d）。與SVM模型相比，用RF模型提取的地塊邊界更清晰完整且沒有內(nèi)部空洞（圖5c、圖5d）。為了保證樣本數(shù)據(jù)的正確性，采樣多在易辨識的田塊內(nèi)部進(jìn)行，這是3種方法在驗(yàn)證集上的精度評價(jià)接近，而在統(tǒng)計(jì)年鑒面積對比評價(jià)中差距明顯的原因。

4.1.3 RF模型與SVM模型的對比 除了上述差異外，SVM模型提取的小麥地塊影像中存在大量椒鹽噪聲，不僅將其他地物像元錯分為小麥，還存在將部分零散種植的油菜錯分為小麥的情況。因此，SVM模型提取的小麥地塊影像完整度雖不如RF模型，分類面積卻更多。相比之下，RF對于小麥與其他地物的區(qū)分度更高，沒有出現(xiàn)SVM模型錯分油菜和小麥的情況，椒鹽噪聲也明顯減少。

4.2 特征重要性分析

由表5可以看出，RF模型分類特征中重要性較高的特征是6月的NDVI、IRECI、NDre1及3月的NDre1、B5、黃度值，其中B5是Sentinel-2的第1個(gè)紅邊波段，其中心波長為703.9 nm，該波段有助于區(qū)分形態(tài)相似的作物間的細(xì)微差異。由此可見，加入紅邊指數(shù)特征及多時(shí)相植被指數(shù)，對提高小麥地塊影像的提取精度是十分有效的。重要性較低的是B1、B9，B1是海岸氣溶膠波段，主要用于監(jiān)測近岸水體、大氣中的氣溶膠，B9是水蒸氣波段，這2個(gè)波段在作物分類中的作用不顯著。

4.3 提取小麥的空間分布

不同分類方法提取的小麥分布情況如圖6所示，冬小麥主要分布于荊州區(qū)西部的菱角湖管理區(qū)、太湖港管理區(qū)和南部的彌市鎮(zhèn)、李埠鎮(zhèn)。

5 結(jié)論

本研究選取2019-2020年多時(shí)相Sentinel-2影像數(shù)據(jù)，計(jì)算多時(shí)相紅邊植被指數(shù)與黃度值，并將其作為特征用于優(yōu)化分類模型，利用隨機(jī)森林法、支持向量機(jī)算法提取湖北省荊州市荊州區(qū)冬小麥的分布情況，對比不同分類方法的結(jié)果，得出以下結(jié)論：（1）包括紅邊指數(shù)在內(nèi)的多時(shí)相植被指數(shù)的加入可以有效地提高小麥地塊分類的完整度，更好地進(jìn)行農(nóng)作物種植面積監(jiān)測。（2）相比于SVM模型，用RF模型提取的小麥地塊邊界更清晰完整，且與其他地物間的區(qū)分度更高，椒鹽噪聲顯著減少。基于多時(shí)相特征的隨機(jī)森林分類結(jié)果的總精度、Kappa系數(shù)分別為97.49%、0.968 6，分類面積與統(tǒng)計(jì)年鑒中面積的比值為91.28%，該方法能夠滿足冬小麥面積監(jiān)測的精度要求。（3）6月的NDVI、NDre1、IRECI和3月的NDre1、B5和黃度值是RF模型中重要性較高的分類特征，驗(yàn)證了包括紅邊指數(shù)在內(nèi)的多時(shí)相植被指數(shù)及黃度值特征在作物分類中的有效性。（4）冬小麥主要分布于研究區(qū)西部的菱角湖管理區(qū)、太湖港管理區(qū)和南部的彌市鎮(zhèn)、李埠鎮(zhèn)。

本研究存在下列不足，需要進(jìn)一步開展研究：（1）Sentinel-2的雙星系統(tǒng)使得重返周期達(dá)5 d，但是仍無法避免受到云污染的影響，如1月受云層影響無法篩選出有效影像，在繪制特征時(shí)間序列曲線時(shí)缺少1月的數(shù)據(jù)。在后續(xù)研究中，可以嘗試融合多源影像或不同預(yù)處理方法以減少云的影響。（2）Sentinel-2最高的空間分辨率可達(dá)10 m， 在地物的邊緣存在混合像元，且在同類地物內(nèi)部可能也存在“同物異譜”現(xiàn)象。由于本研究使用的方法本質(zhì)上是基于像元的分類， 將不可避免地導(dǎo)致椒鹽噪聲的出現(xiàn)。目前， 深度學(xué)習(xí)算法在地物分類和識別方面表現(xiàn)出優(yōu)越性能，后續(xù)可以嘗試使用高分辨率影像結(jié)合深度學(xué)習(xí)的方法進(jìn)行更精細(xì)化的作物分類。

參考文獻(xiàn)：

[1] 潘 力，夏浩銘，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物種植面積制圖[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（18）：211-218.

[2] 陳 岳，寇衛(wèi)利，李 瑩，等. 農(nóng)作物遙感災(zāi)損評估研究進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué)，2022，50（16）：12-20.

[3] 吳炳方，范錦龍，田亦陳，等. 全國作物種植結(jié)構(gòu)快速調(diào)查技術(shù)與應(yīng)用[J]. 遙感學(xué)報(bào)，2004，8（6）：618-627.

[4] DHUMAL R K， VIBHUTE A D， NAGNE A D， et al. Advances in classification of crops using remote sensing data[J]. International Journal of Advanced Remote Sensing and GIS，2015，4（1）：1410-1418.

[5] 史 舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（2）：247-260.

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

[7] ZHANG M W， FAN J L， ZHU X X， et al. Monitoring winter-wheat phenology in North China using time-series MODIS EVI[C]//SPIE. SPIE Remote Sensing 2009. Zhangjiajie：SPIE，2009：232-242.

[8] CAI Y P， GUAN K Y， PENG J， et al. A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach[J]. Remote Sensing of Environment，2018，210：35-47.

[9] 謝登峰，張錦水，潘耀忠，等. Landsat 8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學(xué)報(bào)，2015，19（5）：791-805.

[10]王利軍，郭 燕，賀 佳，等. 基于決策樹和SVM的Sentinel-2A影像作物提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（9）：146-153.

[11]JOHANN D， DINO I， ANTOINE B. Out-of-year corn yield prediction at field-scale using Sentinel-2 satellite imagery and machine learning methods[J]. Computers and Electronics in Agriculture，2023，209：107807.

[12]王志輝，易善楨. 不同指數(shù)模型法在水體遙感提取中的比較研究[J]. 科學(xué)技術(shù)與工程，2007，7（4）：534-537.

[13]林建平，鄧愛珍，朱 青，等. 基于BP神經(jīng)網(wǎng)絡(luò)模型的南方離子型稀土礦區(qū)開采遙感監(jiān)測研究[J]. 中國稀土學(xué)報(bào)，2022，40（2）：339-350.

[14]李亞妮，曹建君，楊樹文，等. 基于決策樹的大尺度復(fù)雜地區(qū)夏收作物遙感提取與分析[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（5）：1257-1264.

[15]方燦瑩，王 琳，徐涵秋. 不同植被紅邊指數(shù)在城市草地健康判別中的對比研究[J]. 地球信息科學(xué)學(xué)報(bào)，2017，19（10）：1382-1392.

[16]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.

[17]FRAMPTON W J， DASH J， WATMOUGH G， et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，82：83-92.

[18]龍亦凡，喬雯鈺，孫 靜. 基于SVM的大屯礦區(qū)遙感影像變化檢測[J]. 測繪與空間地理信息，2020，43（12）：107-110，115.

[19]江遠(yuǎn)東，李新國，楊 涵. 基于連續(xù)小波變換的表層土壤有機(jī)碳含量的高光譜估算[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（1）：118-125.

[20]路 陽，楊化龍，陳 宇，等. 基于TSDPSO-SVM的水稻稻瘟病圖像識別[J]. 江蘇農(nóng)業(yè)科學(xué)，2022，50（23）：164-170.

[21]何 云，黃 翀，李 賀，等. 基于Sentinel-2A影像特征優(yōu)選的隨機(jī)森林土地覆蓋分類[J]. 資源科學(xué)，2019，41（5）：992-1001.

[22]黃靖舒，高心丹，景維鵬. 基于BOVW和SVM的城市土地類型遙感變化監(jiān)測研究[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（3）：37-44.

（責(zé)任編輯：徐 艷）