基于光譜特征和顏色特征的油菜提取研究

王　東　方圣輝　王　政

(1.武漢大學(xué)遙感信息工程學(xué)院， 武漢 430079； 2.紐卡斯?fàn)柎髮W(xué)工程學(xué)院， 紐卡斯?fàn)?NE1 7RU)

0　引言

油菜是主要的經(jīng)濟(jì)作物，是食用油的基本來源[1-2]，主要種植于氣候溫和的國家和地區(qū)[3-4]，中國油菜種植面積及總產(chǎn)量常年居世界第一位[5]。油菜是我國唯一的越冬油料作物[6]，對于優(yōu)化農(nóng)作物種植結(jié)構(gòu)、提高土地利用率有重要作用。因此，準(zhǔn)確、高效地識別和提取油菜具有重要的研究價(jià)值和實(shí)踐意義。

相較于傳統(tǒng)調(diào)查方法，遙感具有覆蓋范圍大、時(shí)效性強(qiáng)、信息豐富的特點(diǎn)，對于農(nóng)作物面積估算、時(shí)空分布研究具有獨(dú)特優(yōu)勢[7-8]。已有油菜提取相關(guān)研究大多基于油菜花期獨(dú)特光譜特征來實(shí)現(xiàn)[6]，主要包括：利用高光譜遙感通過光譜匹配、擬合等技術(shù)實(shí)現(xiàn)油菜提取，如PAN等[1]利用多尺度光譜特征擬合方法對Hyperion影像油菜樣本端元與實(shí)測光譜進(jìn)行擬合，從而提取油菜種植區(qū)域；佘寶等[6]基于油菜從花期到莢果期紅邊位置藍(lán)移特征，利用Hyperion影像分析紅邊閾值從而構(gòu)建決策樹實(shí)現(xiàn)油菜提取；WILSON等[9]選擇7個(gè)BBCH生長期進(jìn)行田間光譜測量，利用逐步分離分析方法評估油菜和同時(shí)期其它作物的分離性，得到不同時(shí)期分離油菜和其它作物的最佳波段。利用花期油菜與其他作物植被指數(shù)差異明顯的特征實(shí)現(xiàn)油菜提取方面，鐘仕全等[10]基于CBERS-02B影像典型地物在各波段的統(tǒng)計(jì)直方圖特征，構(gòu)建差值植被指數(shù)并設(shè)定閾值提取出云南省羅平縣的油菜種植區(qū)域；王凱等[11]根據(jù)花期油菜歸一化植被指數(shù)(Normalized difference vegetation index, NDVI)減小的特征，利用8個(gè)時(shí)期的MODIS-NDVI數(shù)據(jù)構(gòu)建決策樹實(shí)現(xiàn)湖北省油菜提取。利用傳統(tǒng)分類方法實(shí)現(xiàn)油菜提取方面，BRECKLING等[12]基于Landsat和IRS數(shù)據(jù)采用馬氏距離分類方法結(jié)合區(qū)域增長修正算法提取出德國北部的轉(zhuǎn)基因油菜種植區(qū)域；WANG等[13]利用SVM等監(jiān)督分類器對Landsat-5 TM數(shù)據(jù)的油菜和其它地物進(jìn)行分類，證明了無參分類器優(yōu)于參數(shù)分類器；王立輝等[14]以湖北省潛江市CBERS-02B衛(wèi)星影像為數(shù)據(jù)源，驗(yàn)證了線性光譜分解技術(shù)提取油菜種植面積的有效性。

分析上述研究，主要存在以下缺陷：高光譜數(shù)據(jù)波段特殊，光譜擬合方法難以推廣到多光譜數(shù)據(jù)。目前植被指數(shù)閾值法主要使用中低分辨率遙感影像，缺少高分辨率遙感影像的應(yīng)用。傳統(tǒng)分類方法存在樣本依賴性。近年來，我國高分系列衛(wèi)星發(fā)展迅速，具有幅寬大、空間分辨率高、時(shí)間分辨率高的特點(diǎn)，對于大區(qū)域農(nóng)作物制圖有重要意義[15-17]。基于以上分析，本文擬依據(jù)盛花期油菜的光譜特征和顏色特征，利用檢測油菜花的植被指數(shù)(NGVI)[4]和HSV顏色空間構(gòu)建一種油菜提取方法，以GF-1 WFV影像為數(shù)據(jù)源，實(shí)現(xiàn)湖北省油菜種植區(qū)域提取，并將該方法應(yīng)用到GF-2 PMS影像，以驗(yàn)證方法的魯棒性。

1　研究區(qū)和數(shù)據(jù)

1.1　研究區(qū)

湖北省地處我國中部，長江流域中段，位于29°05′～33°20′N，108°21′～ 116°07′E，中部平原、四面環(huán)山，省內(nèi)江河湖泊眾多，屬于亞熱帶季風(fēng)性濕潤氣候區(qū)，光照充足，熱量豐富，雨水充沛，且雨熱同季。據(jù)中國統(tǒng)計(jì)年鑒，湖北省油菜種植面積和產(chǎn)量常年位居全國第一，約占全國1/6。省內(nèi)最大油菜生產(chǎn)區(qū)為沿長江、漢江的江漢平原，主要包括荊州、天門、潛江、仙桃及武漢、孝感、宜昌、荊門部分區(qū)域；其次為東部平原區(qū)，主要包括黃岡、黃石、鄂州、咸寧和武漢、孝感部分區(qū)域；此外為鄂中北區(qū)域，主要包括荊門、襄陽、宜昌、孝感部分區(qū)域；事實(shí)上，除鄂西高山地區(qū)，全省均適宜油菜生長。

1.2　數(shù)據(jù)收集及預(yù)處理

1.2.1衛(wèi)星數(shù)據(jù)

衛(wèi)星數(shù)據(jù)包括：從遙感集市下載的覆蓋湖北省范圍的2016年3月中下旬的GF-1 WFV影像，西部和東南部山區(qū)影像云覆蓋量較大；從湖北高分?jǐn)?shù)據(jù)中心獲取的一景覆蓋當(dāng)陽市部分區(qū)域的2016年3月18日的GF-2 PMS影像。GF-1 WFV影像預(yù)處理包括：利用ENVI 5.3實(shí)現(xiàn)輻射定標(biāo)和大氣校正；利用有理函數(shù)模型結(jié)合影像的rpc文件、ASTER DEM數(shù)據(jù)實(shí)現(xiàn)正射校正；將預(yù)處理完成的GF-1 WFV影像拼接并用湖北省矢量文件進(jìn)行裁剪。GF-2 PMS多光譜影像預(yù)處理過程和GF-1 WFV一致，全色影像進(jìn)行正射校正，在此基礎(chǔ)上，利用ENVI 5.3的Gram-Schmidt(G-S)融合工具進(jìn)行融合處理，得到1 m分辨率融合影像，并對融合影像進(jìn)行目視解譯，得到油菜參考圖。

1.2.2輔助數(shù)據(jù)

輔助數(shù)據(jù)包括：中國統(tǒng)計(jì)年鑒、湖北統(tǒng)計(jì)年鑒和湖北農(nóng)村統(tǒng)計(jì)年鑒，從國家統(tǒng)計(jì)局和湖北統(tǒng)計(jì)局網(wǎng)站下載，用于結(jié)果驗(yàn)證；但2016年農(nóng)業(yè)廳僅公布了省級、市級統(tǒng)計(jì)數(shù)據(jù)，根據(jù)20多年統(tǒng)計(jì)年鑒數(shù)據(jù)分析，每年變化量約為0.2%，具有較高的穩(wěn)定性，因此可以用2015年的統(tǒng)計(jì)數(shù)據(jù)代替未公布區(qū)域的數(shù)據(jù)。ASTER GDEM V2數(shù)據(jù)，是2015年發(fā)布的分辨率為30 m，且精度更高的全球數(shù)字高程模型數(shù)據(jù)，從地理空間數(shù)據(jù)云網(wǎng)站下載，用于正射校正。

1.2.3樣本收集

樣本收集包括實(shí)地調(diào)查和影像解譯，其中實(shí)地調(diào)查主要于2015、2016年在武穴市油菜基地和武穴市區(qū)北側(cè)進(jìn)行，共2 734個(gè)樣本點(diǎn)。影像解譯的基礎(chǔ)是盛花期時(shí)油菜花的顏色特征，根據(jù)田間實(shí)驗(yàn)及調(diào)查，油菜和非油菜在田間、彩色照片、衛(wèi)星影像上均有顯著區(qū)別，利用盛花期影像可以正確解譯油菜和非油菜樣本；對照農(nóng)業(yè)氣象站記錄，本研究中的遙感數(shù)據(jù)均處于盛花期。因此，本文利用ENVI 5.3的ROI工具，結(jié)合Google Earth，在GF-1 WFV影像上選取更多樣本，共獲得1 356個(gè)油菜訓(xùn)練ROI(46 405像元)和698個(gè)驗(yàn)證ROI(25 237像元)，525個(gè)非油菜訓(xùn)練ROI(76 624像元)和139個(gè)驗(yàn)證ROI(46 949像元)。

2　研究方法

2.1　技術(shù)路線

本文基于油菜與非油菜在花期的光譜、顏色差異提出油菜提取方法，如圖1所示，主要流程包括：利用GF-1 WFV影像、Google Earth影像和田間調(diào)查數(shù)據(jù)解譯樣本，GF-1 WFV影像和GF-2 PMS影像預(yù)處理，目視解譯油菜參考圖，進(jìn)行HSV變換、NGVI計(jì)算并構(gòu)建油菜提取決策方法，利用GF-1 WFV影像提取湖北省油菜并驗(yàn)證其精度，利用GF-2 PMS影像提取油菜并對比分析其結(jié)果。

圖1　基于HSV變換的油菜提取流程圖Fig.1　Flow chart of oilseed rape extraction based on HSV transformation

2.2　植被指數(shù)模型

在本研究中，非植被像元均為噪聲，因此，剔除非植被像元是首要任務(wù)。NDVI是植被生長過程中常用的一個(gè)參數(shù)，是一種通用的區(qū)分植被和非植被的指標(biāo)[18-19]，其公式定義為

(1)

式中NDVI——?dú)w一化植被指數(shù)

ρnir——近紅外波段反射率

ρred——紅波段反射率

在油菜花期，由于油菜花的反射，油菜的反射率發(fā)生重大改變[1,4,20-21]，因此，利用光譜變化識別油菜有重要意義。FANG等[4]利用花期無人機(jī)影像反演油菜植被覆蓋率時(shí)發(fā)現(xiàn)，有花和無花植被覆蓋率模型差異很大，并發(fā)現(xiàn)550 nm和900 nm反射率定義的新植被指數(shù)NGVI能夠很好地區(qū)分有花和無花樣本；此外，花期油菜在520～600 nm和760～900 nm的反射率在一定程度上都高于其它植被[4,11,22]。GF衛(wèi)星影像的綠波段和近紅外波段與上述波段相近，因此可以將FANG等[4]研究中的NGVI推廣到GF衛(wèi)星影像，輔助決定像元是否含花，其公式定義為

(2)

式中ρgreen——綠波段反射率

2.3　HSV變換

利用顏色特征可以有效識別地物類別[23-25]，油菜在花期的另一個(gè)明顯特征即是呈現(xiàn)亮黃色花朵，因此，利用顏色特征輔助油菜識別是一個(gè)新的突破。在目標(biāo)識別和提取研究中，HSV變換是一個(gè)有效并被廣泛應(yīng)用的處理方法[24,26-27]。在HSV顏色空間中，H分量(0°～360°)代表顏色，S分量(0～1)代表顏色純度，V分量(0～1)代表顏色亮度。遙感影像一般表示為RGB顏色空間，利用標(biāo)準(zhǔn)顏色空間轉(zhuǎn)換實(shí)現(xiàn)RGB空間到HSV空間的轉(zhuǎn)換，這種轉(zhuǎn)換方法不包含過多復(fù)雜函數(shù)，是一種對于衛(wèi)星影像處理非常高效的像元級轉(zhuǎn)換方法[24,26,28]，轉(zhuǎn)換公式為

V=max(R,G,B)

(3)

(4)

(5)

式中R——紅波段反射率

G——綠波段反射率

B——藍(lán)波段反射率

2.4　油菜提取方法

經(jīng)過大量植被像元和非植被像元分析，利用NDVI不小于0.25可去除非植被像元。對掩膜后的影像進(jìn)行NGVI計(jì)算、HSV變換，得到油菜和非油菜樣本基于GF-1 WFV影像的NGVI和H、S、V值，為了方便后續(xù)分析，對H分量進(jìn)行歸一化處理，圖2為油菜和非油菜樣本的上述特征值的直方圖分布。

圖2　油菜和非油菜樣本分析Fig.2　Samples analysis of oilseed rape and non-oilseed rape

油菜提取方法主要包含如下4步：

(1)利用NGVI判定樣本是否含花。圖2a為全部樣本的NGVI分布，非油菜樣本NGVI取值范圍完全包含油菜樣本，這是由于非油菜包含地物類型較多，既有長勢旺盛的植被類型(如小麥等)，也有處于生長期早期的植被類型(如玉米、棉花等)。因此，僅僅依靠NGVI難以完全區(qū)分油菜和非油菜，但可利用NGVI取值范圍[0.35,0.65]排除大量非油菜樣本，輔助油菜精確提取。

(2)利用H分量區(qū)分黃色和其他顏色。對所有樣本按步驟(1)中油菜NGVI閾值范圍進(jìn)行掩膜，圖2b為掩膜后的油菜樣本和非油菜樣本歸一化處理值分布，可見，經(jīng)NGVI掩膜后的H分量能較好地區(qū)分油菜和非油菜。油菜H分量為[0.167,0.264]，處于黃色值域范圍(0.167，0.25)，這是由于盛花期油菜冠層為亮黃色；非油菜則為[0.1,0.5]，范圍較大，這是由于非油菜的冠層既有均一植被的綠色，也有土壤和植被混合的顏色。

(3)利用S分量輔助區(qū)分黃色和其他顏色。經(jīng)H分量判定后，油菜和非油菜仍存在部分混淆；S分量代表純度，油菜類型單一，非油菜類型則存在混合，因此可以用S分量輔助區(qū)分油菜和非油菜。圖2c為步驟(2)樣本經(jīng)H分量閾值范圍掩膜后的S分量分布，油菜和非油菜分離性很高，S分量閾值為0.3。

(4)利用V分量精確區(qū)分油菜和非油菜。經(jīng)S分量判定后，油菜和非油菜已基本區(qū)分開，但仍存在少量混淆；所有樣本均為植被類型，則V分量代表綠波段反射率，而花期油菜的綠波段反射率一般大于同時(shí)期的其它植被[22]，因此V分量可以輔助區(qū)分油菜和非油菜。圖2d為步驟(3)樣本經(jīng)S分量閾值范圍掩膜后的V分量分布，油菜與非油菜已完全分開，閾值為0.09。

綜上，本文提取油菜的參數(shù)范圍為

(6)

2.5　驗(yàn)證

湖北省油菜提取結(jié)果驗(yàn)證包括精度評價(jià)以及與統(tǒng)計(jì)數(shù)據(jù)進(jìn)行比較。其中精度評價(jià)利用1.2.3節(jié)中的驗(yàn)證樣本進(jìn)行混淆矩陣分析，計(jì)算總體精度、Kappa系數(shù)、油菜提取用戶精度和生產(chǎn)者精度；此外，利用應(yīng)用最廣且精度相對較高的支持向量機(jī)(Support vector machine，SVM)對湖北省GF-1 WFV影像進(jìn)行分類，對比分析本文方法與SVM方法的油菜提取精度。與統(tǒng)計(jì)數(shù)據(jù)比較分為省級、市級、縣級3個(gè)尺度的面積對比，其中省級尺度用相對誤差表示驗(yàn)證精度，相對誤差公式定義為

(7)

式中RE——相對誤差Se——提取面積

Sr——參考面積

市級、縣級尺度用決定系數(shù)(R2)表示驗(yàn)證精度。GF-2 PMS影像油菜提取結(jié)果驗(yàn)證依據(jù)油菜參考圖進(jìn)行，包括油菜提取面積相對誤差和空間一致度。空間一致度為：油菜提取結(jié)果與參考圖之間油菜分布一致的像元數(shù)占參考圖中油菜像元數(shù)的百分比。

3　結(jié)果與分析

3.1　湖北省2016年油菜提取結(jié)果及分析

3.1.1油菜提取結(jié)果及精度驗(yàn)證

圖3為利用本文方法，基于GF-1 WFV影像提取的湖北省2016年油菜分布圖。油菜主要分布在江漢平原、湖北省東部和中北部區(qū)域，與農(nóng)業(yè)廳統(tǒng)計(jì)的三大油菜產(chǎn)區(qū)位置相符。其中江漢平原種植面積為4.78×105hm2，湖北省東部區(qū)域種植面積為2.28×105hm2，湖北省中北部區(qū)域種植面積為2.06×105hm2，三大產(chǎn)區(qū)油菜種植面積占全省種植總面積的78.23%，與80%農(nóng)業(yè)廳統(tǒng)計(jì)數(shù)據(jù)吻合。

圖4　油菜提取面積與統(tǒng)計(jì)面積比較Fig.4　Comparison between estimated oilseed rape acreage and statistical acreage

圖3　基于GF-1 WFV影像提取的湖北省2016年油菜分布圖Fig.3　Oilseed rape distribution map of Hubei Province in 2016 based on GF-1 WFV images

表1為混淆矩陣分析結(jié)果，與SVM方法相比，本文方法總體精度提高約4個(gè)百分點(diǎn)，Kappa系數(shù)提高約0.1，油菜用戶精度提高約1個(gè)百分點(diǎn)，生產(chǎn)者精度提高約11個(gè)百分點(diǎn)；此外，本文方法為非監(jiān)督方法，在應(yīng)用過程中不受樣本影響，且計(jì)算效率高，因此，基于本文方法進(jìn)行油菜提取有一定的科學(xué)意義。

表1　油菜提取結(jié)果精度分析Tab.1　Accuracy analysis of oilseed rape extraction

利用本文方法提取的湖北省2016年油菜種植面積為1.01×106hm2，統(tǒng)計(jì)數(shù)據(jù)為1.17×106hm2，相對誤差為-14.14%。圖4為市級和縣級尺度的油菜提取面積與統(tǒng)計(jì)數(shù)據(jù)的擬合結(jié)果，其中市級尺度R2為0.837(n=17)，縣級尺度R2為0.738(n=83)，相關(guān)性在0.01檢驗(yàn)水平下均顯著。進(jìn)一步分析可知，恩施自治州、十堰市、咸寧市3個(gè)市的油菜提取面積與統(tǒng)計(jì)數(shù)據(jù)相差較大，其原因?yàn)楦采w這3個(gè)市的影像云量較多，從而影響油菜提取結(jié)果。恩施、十堰、咸寧3個(gè)市地形以山地為主，油菜種植面積相對較少；其它地區(qū)結(jié)果與統(tǒng)計(jì)數(shù)據(jù)相比，相關(guān)性較高；而統(tǒng)計(jì)數(shù)據(jù)獲取工作量大且沒有詳細(xì)的空間分布信息，因此，利用本文方法提取油菜種植區(qū)域有一定的實(shí)際價(jià)值。

3.1.2不同油菜種植區(qū)提取效果

圖5　不同油菜種植區(qū)油菜提取結(jié)果Fig.5　Extraction results of oilseed rape in different regions

湖北省地形相對復(fù)雜，油菜種植區(qū)多樣，主要包括：主種油菜兼種其它作物種植區(qū)、主種小麥兼種油菜種植區(qū)、山區(qū)油菜種植區(qū)3類。其中第1類主要分布于長江、漢江流域的油菜主產(chǎn)區(qū)，第2類主要分布于襄陽、隨州等地，第3類主要分布于山區(qū)、山區(qū)與平原交匯區(qū)。隨機(jī)選取3類種植區(qū)部分影像，分析利用本文方法提取油菜的效果如圖5所示。圖5a、5d、5g、5j代表第1類種植區(qū)，圖5a位于荊門市鐘祥市內(nèi)、圖5g位于天門市內(nèi)，圖像尺寸均為150像元×150像元，圖5d、5j為對應(yīng)的油菜(紅色區(qū)域)提取結(jié)果。圖5b、5e、5h、5k代表第2類種植區(qū)，圖5b位于襄陽市棗陽市內(nèi)，圖5h位于襄陽市老河口市內(nèi)，圖像尺寸均為150像元×150像元，圖5e、5k為對應(yīng)的油菜提取結(jié)果。圖5c、5f、5i、5l代表第3類種植區(qū)，圖5c位于襄陽市保康縣內(nèi)，圖5i位于宜昌市當(dāng)陽市內(nèi)，圖像尺寸均為500像元×500像元，圖5f、5l為對應(yīng)的油菜提取結(jié)果。可見，利用本文方法對不同種植區(qū)的油菜均有較好的提取效果，與實(shí)際情況相符。因此，利用本文方法可以有效地提取油菜種植區(qū)域，對于大范圍油菜種植區(qū)調(diào)查及制圖具有重要意義。

3.2　GF-2 PMS影像油菜提取結(jié)果及分析

將本文方法應(yīng)用到GF-2 PMS(獲取時(shí)間為2016年3月18日)的G-S融合影像上，提取GF-2油菜分布，其結(jié)果如圖6所示。其中，圖6a為油菜參考圖，油菜面積為8.40×103hm2，圖6b為本文方法提取的油菜結(jié)果，油菜面積為7.70×103hm2，即相對誤差為-8.33%。經(jīng)空間分析，圖6a完全包含圖6b，油菜提取的空間一致度為91.67%。圖6c為圖6a與圖6b空間不一致區(qū)域，主要分布于油菜田塊邊界區(qū)域，該區(qū)域主要為油菜、雜草、土壤的混合，因此光譜及顏色均存在混淆，利用本文方法不能精確區(qū)分該部分區(qū)域。但基于GF-2 PMS影像提取油菜的總體精度、空間一致度均較高，因此本文方法具有較好的魯棒性，能應(yīng)用到有相似波段設(shè)計(jì)的其它影像上。

圖6　GF-2 PMS影像油菜提取結(jié)果及其與對應(yīng)區(qū)域GF-1 WFV影像油菜提取結(jié)果對比分析Fig.6　Oilseed rape extraction results of GF-2 PMS image and comparative analysis with GF-1 WFV-derived oilseed rape results of corresponding region of GF-2 PMS image

將油菜參考圖利用雙線性采樣方式重采樣為16 m分辨率作為參考影像，與同區(qū)域GF-1 WFV影像(獲取時(shí)間為2016年3月21日)油菜提取結(jié)果對比，圖6d為GF-1 WFV影像油菜提取結(jié)果，圖6e為圖6d與參考影像不一致區(qū)域(GF-1 WFV與GF-2 PMS經(jīng)配準(zhǔn)裁剪后，圖6e、6d空間范圍略小于原GF-2 PMS影像)。GF-1 WFV影像油菜提取面積為9.64×103hm2，參考影像為8.31×103hm2，相對誤差為13.76%。經(jīng)過空間分析，油菜提取的空間一致度為78.94%；空間不一致區(qū)域主要分布于油菜田塊邊界、小田塊區(qū)域，其原因?yàn)镚F-1 WFV影像分辨率遠(yuǎn)低于GF-2 PMS影像。如圖6f所示，紅框區(qū)域內(nèi)GF-2 PMS影像部分小田塊非油菜在GF-1 WFV影像中表現(xiàn)為油菜，且GF-2 PMS影像非常清晰的田埂區(qū)域在GF-1 WFV中也表現(xiàn)為油菜，因此與GF-2 PMS相比，GF-1 WFV存在過提取現(xiàn)象，這是影像分辨率引起的固有問題。

4　結(jié)論

(1)研究結(jié)果理想，油菜提取總體精度為94.51%，比支持向量機(jī)方法提高4個(gè)百分點(diǎn)，為油菜提取研究提供了一種簡單、精確的策略。

(2)本文方法估算的湖北省油菜種植面積與統(tǒng)計(jì)數(shù)據(jù)相關(guān)性較高，在不同油菜種植區(qū)均能有效、準(zhǔn)確地提取油菜，因此，本文方法不僅能快速估算油菜種植面積，還能提供準(zhǔn)確的空間信息，為大區(qū)域油菜制圖提供了可能性。

(3)將本文方法應(yīng)用到GF-2 PMS影像取得了非常好的效果，因此，本文方法具有一定的通用性，是一種非監(jiān)督方法且計(jì)算效率高，從而解決了傳統(tǒng)分類方法的樣本隨機(jī)性問題，具有重要的應(yīng)用價(jià)值。

1PAN Z, HUANG J, WANG F. Multi range spectral feature fitting for hyperspectral imagery in extracting oilseed rape planting area[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 25: 21-29.

2ZHANG X, HE Y. Rapid estimation of seed yield using hyperspectral images of oilseed rape leaves[J]. Industrial Crops and Products, 2013, 42: 416-420.

3NOWOSAD K, LIERSCH A, POPAWSKA W, et al. Genotype by environment interaction for seed yield in rapeseed (BrassicanapusL.) using additive main effects and multiplicative interaction model[J]. Euphytica, 2016, 208(1): 187-194.

4FANG S, TANG W, PENG Y, et al. Remote estimation of vegetation fraction and flower fraction in oilseed rape with unmanned aerial vehicle data[J]. Remote Sensing, 2016, 8(5): 416.

5白敬, 徐友, 魏新華, 等. 基于光譜特性分析的冬油菜苗期田間雜草識別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(20): 128-134.

BAI Jing, XU You, WEI Xinhua, et al. Weed identification from winter rape at seedling stage based on spectrum characteristics analysis[J]. Transactions of the CSAE, 2013, 29(20): 128-134. (in Chinese)

6佘寶, 黃敬峰, 石晶晶, 等. 基于紅邊位置變化特征的油菜種植區(qū)域提取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(15): 145-152.

SHE Bao, HUANG Jingfeng, SHI Jingjing, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the CSAE, 2013, 29(15): 145-152. (in Chinese)

7GERSTMANN H, M LLER M, GL ER C. Optimization of spectral indices and long-term separability analysis for classification of cereal crops using multi-spectral RapidEye imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 52: 115-125.

8ZHANG X, XIONG Q, DI L, et al. Phenological metrics-based crop classification using HJ-1 CCD images and Landsat 8 imagery[J]. International Journal of Digital Earth, 2017(3)： 1-22.

9WILSON J, ZHANG C, KOVACS J. Separating crop species in Northeastern Ontario using hyperspectral data[J]. Remote Sensing, 2014, 6(2): 925.

10鐘仕全, 陳燕麗, 莫建飛, 等. 基于中巴02B星遙感數(shù)據(jù)的油菜識別技術(shù)研究[J]. 國土資源遙感, 2010,22(2): 77-79.

ZHONG Shiquan, CHEN Yanli, MO Jianfei, et al. Colefeature extraction from CBERS-02B remote sensing images[J]. Remote Sensing for Land & Resources, 2010, 22(2): 77-79. (in Chinese)

11王凱, 張佳華. 基于 MODIS 數(shù)據(jù)的湖北省油菜種植分布信息提取[J]. 國土資源遙感, 2015, 27(3): 65-70.

WANG Kai, ZHANG Jiahua. Extraction of rape seed cropping distribution information in Hubei Province based on MODIS images[J]. Remote Sensing for Land and Resources, 2015, 27(3): 65-70. (in Chinese)

12BRECKLING B, LAUE H, PEHLKE H. Remote sensing as a data source to analyse regional implications of genetically modified plants in agriculture—oilseed rape (Brassicanapus) in Northern Germany[J]. Ecological Indicators, 2011, 11(4): 942-950.

13WANG Y, HUANG J, WANG X, et al. Oilseed rape planting area extraction by support vector machine using landsat TM data [M]. Springer US, 2008.

14王立輝, 黃進(jìn)良, 孫俊英. 基于線性光譜混合模型的油菜種植面積遙感監(jiān)測方法研究[J]. 遙感信息, 2010(3)： 61-66.

WANG Lihui, HUANG Jinliang, SUN Junying. Study on remote sensing monitoring of rape acreage based on linear spectral mixture model[J]. Remote Sensing Information, 2010(3)： 61-66. (in Chinese)

15黃健熙, 賈世靈, 武洪峰, 等. 基于GF-1 WFV影像的作物面積提取方法研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015,46(增刊): 253-259. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2015S041&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.S0.041.

HUANG Jianxi, JIA Shiling, WU Hongfeng, et al. Extraction method of crop planted area based on GF-1 WFV image[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 253-259. (in Chinese)

16徐磊, 巫兆聰, 羅飛, 等. 基于 GF-1/WFV 與 MODIS 時(shí)空融合的森林覆蓋定量提取[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(7): 145-152. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170718&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.07.018.

XU Lei,WU Zhaocong, LUO Fei, et al. Quantitative extraction of forest cover based on fusing of GF-1/WFV and MODIS data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 145-152. (in Chinese)

17SONG Q, ZHOU Q B, WU W B, et al. Mapping regional cropping patterns by using GF-1 WFV sensor data[J]. Journal of Integrative Agriculture, 2017, 16(2): 337-347.

18BECK P, ATZBERGER C, HOGDA K, et al. Improved monitoring of vegetation dynamics at very high latitudes: a new method using MODIS NDVI[J]. Remote Sensing of Environment, 2006, 100(3): 321-334.

19KERN A, MARJANOVIH, BARCZA Z. Evaluation of the quality of NDVI 3g dataset against Collection 6 MODIS NDVI in central Europe between 2000 and 2013[J]. Remote Sensing, 2016, 8(11): 955.

20PENUELAS J, FILELLA I, SERRANO L, et al. Cell wall elasticity and Water Index (R970 nm/R900 nm) in wheat under different nitrogen availabilities[J]. International Journal of Remote Sensing, 1996, 17(2): 373-382.

21BEHRENS T, M LLER J, DIEPENBROCK W. Utilization of canopy reflectance to predict properties of oilseed rape (BrassicanapusL.) and barley (HordeumvulgareL.) during ontogenesis[J]. European Journal of Agronomy, 2006, 25(4): 345-355.

22SULIK J J, LONG D S. Spectral indices for yellow canola flowers[J]. International Journal of Remote Sensing, 2015, 36(10): 2751-2765.

23BURGOS-ARTIZZU X P, RIBEIRO A, GUIJARRO M, et al. Real-time image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture, 2011, 75(2): 337-346.

24PEKEL J F, CECCATO P, VANCUTSEM C, et al. Development and application of multi-temporal colorimetric transformation to monitor vegetation in the desert locust habitat[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 318-326.

25HAMUDA E, MC GINLEY B, GLAVIN M, et al. Automatic crop detection under field conditions using the HSV colour space and morphological operations[J]. Computers and Electronics in Agriculture, 2017, 133: 97-107.

26PEKEL J F, VANCUTSEM C, BASTIN L, et al. A near real-time water surface detection method based on HSV transformation of MODIS multi-spectral time series data[J]. Remote Sensing of Environment, 2014, 140:704-716.

27LESSEL J, CECCATO P. Creating a basic customizable framework for crop detection using landsat imagery[J]. International Journal of Remote Sensing, 2016, 37(24): 6097-6107.

28SMITH A R. Color gamut transform pairs[J]. ACM Siggraph Computer Graphics, 1978, 12(3): 12-19.