基于時序Sentinel-2影像的梨樹縣作物種植結構

劉俊偉 陳鵬飛 張東彥 趙紅偉

摘要：Sentinel-2影像具有空間分辨率高，重訪周期短的優勢。本研究探討了基于Sentinel-2數據開展梨樹縣作物精準分類，進而進行種植結構分析的可行性。為此，收集了多時相的Sentinel-2影像和大量地面不同作物類型樣點數據。基于以上數據，選擇決策樹法、最大似然法、支持向量機法等3種經典分類方法開展影像分類，并對它們的結果進行對比以選擇最優分類方法。然后，利用最優分類方法獲得的分類結果對梨樹縣作物種植結構進行分析。結果表明，基于時序Sentinel-2影像，利用作物的物候特征與其光譜特征之間的聯系可實現對梨樹縣作物種植面積和空間分布信息的準確提取，從而對該縣種植結構進行客觀評價。3種分類方法中，決策樹法的分類精度最高，其總體分類精度為93.53%，Kappa系數達到0.890 6 。

關鍵詞：作物種植結構;Sentinel-2;光譜特征

中圖分類號：S127文獻標識碼：A文章編號：1000-4440（2020）06-1428-09

Abstract： Sentinel-2 images have the advantages of high spatial resolution and short revisit cycle. This study investigated the feasibility of making accurate classification of crops and planting structure analysis in Lishu County based on Sentinel-2 data. Multi-temporal Sentinel-2 images and a large number of ground sample data of different crops were collected. Based on the above data， three classic classification methods including decision tree method， maximum likelihood method and support Vector machine method were selected in image classification， and their results were compared to select the best classification method. Then， the classification results obtained by the best method were used to analyze the crop planting structure of Lishu County. The results showed that based on time-series Sentinel-2 images， the planting area and spatial distribution information of crops in Lishu County could be extracted accurately by combining the phenological characteristics and spectral characteristics of the crops， then the planting structure of the county could be evaluated objectively. Among the three classification methods， the decision tree method got the best results， with the overall classification accuracy of 93.53% and the Kappa coefficient value of 0.890 6.

Key words：crop planting structure;Sentinel-2;spectral characteristics

作物的種植結構能夠體現人們對某一地區農業生產資源的利用情況[1]。及時、準確地掌握作物種植結構可為區域作物結構調整和優化提供有效依據[2]。梨樹縣是中國重要的商品糧生產基地[3]，素有“東北糧倉”和“松遼明珠”之稱，因此掌握梨樹縣作物的種植結構信息對農業生產管理、農業可持續發展及保障農民收益最大化等都具有重要意義。

對于農作物種植結構的研究主要有數據統計和遙感監測2種方法。其中，數據統計法采用區域逐層匯總統計的步驟，存在主觀因素較大，容易造成統計不準確的缺陷，并且當統計對象區域范圍較大時，該方法耗時耗力。遙感監測是基于衛星遙感影像，根據不同作物反射光譜信息的差異來進行分類，進而獲取研究區農作物的空間分布信息。與統計方法相比，其結果更為客觀，而且效率更高。目前，已有大量基于遙感技術對縣級尺度作物進行分類的報道。基于多時相Landsat8影像，張榮群等[4]根據曲周縣主要農作物的物候特征，通過分析NDVI的時序變化，提取了該縣主要農作物的空間分布及面積;劉珺等[5]基于多時相HJ衛星CCD影像獲取了嘉祥縣主要秋收作物的種植結構信息。已有的類似研究大多基于MODIS、AVHRR、Landsat、HJ等遙感數據源，使用它們的時序數據并利用不同作物物候信息的差異展開分類。與以上提及的數據源相比，Sentinel-2數據具有空間分辨率高，重訪周期短的優勢。Sentinel-2衛星服役時間不長，其數據在土地覆蓋監測、生物量估計、風險災害預測等方面的應用正在陸續開展中[6-9]。王大釗等[10]為了監測鄱陽湖的洪澇災害情況，分別利用Sentinel-2和Landsat8影像提取了湖泊的水體分布信息，結果顯示使用Sentinel-2影像的提取精度相較于Landsat8高4%，體現了Sentinel-2數據在地物面積提取方面的優勢。劉懷鵬等[11]基于Sentinel-2A數據，利用光譜指數密度分割法與光譜波段分類法成功提取了內蒙古五原縣郊區的村落面積。這些研究推動了Sentinel-2數據的應用，但總的來說還需要開展廣泛的驗證，以評估其在農作物分類方面的能力和應用潛力。

基于多時相Sentinel-2影像，本研究以梨樹縣為試驗區，探討基于Sentinel-2數據開展梨樹縣農作物分類，進行種植結構分析的可行性，以期推動高分辨Sentinel-2影像應用于縣域尺度作物分類，提高作物分類、種植結構分析等相關研究的精度。

1材料與方法

1.1研究區概況

梨樹縣隸屬于吉林省四平市（123°45′～124°53′ E，43°02′～43°46′ N），轄15個鎮、6個鄉，面積為4 209 km2。其位于長白山區向草原過渡地帶[12]，地勢成階梯狀分布，南部地區為低山丘陵，中部及北部地區為平原。屬北溫帶半濕潤大陸季風性氣候，日照時間長，降水充沛，且雨熱同季[13]。梨樹縣土壤肥沃，有機質含量多，主要類型為黑土和黑鈣土[14]，適宜一年一熟作物的生長，主要種植玉米、水稻、大豆、蔬菜等。研究區的地理位置如圖1所示。

1.2數據源

1.2.1遙感數據及預處理本研究采用的是Sentinel-2影像數據。它含有2A和2B兩顆衛星，兩星組網后重訪周期為5 d[15]。Sentinel-2衛星攜帶的多光譜成像儀（MSI）共有13個波段，能形成10 m、20 m、60 m 3種分辨率的影像，本研究在進行作物分類時，使用了10 m分辨率的影像，它的波段為B2（藍波段）、B3（綠波段）、B4（紅波段）、B8（近紅外波段）。影像數據下載自網站https：//earthexplorer.usgs.gov。對梨樹縣來講，共需要4景影像來覆蓋整個研究區。考慮到作物生長季是5-10月，剔除云量過多、不同景影像拼接色差大的數據，最終使用的影像信息如表1所示。此外，從上述網站上下載的影像是只經過幾何精校正的L1C級數據，還需進行輻射定標和大氣校正。本研究基于歐洲航天局發布的開源軟件SNAP軟件對影像進行輻射定標和大氣校正，以生成L2A級數據，然后進行波段合成、拼接、裁剪處理，以獲取研究區影像。

1.2.2數字高程數據本研究還使用了數字高程數據（Digital Elevation Model， DEM），用于計算坡度信息，進行研究區內山區面積的提取。數據下載自地理空間數據云平臺（http：//www.gscloud.cn）。

1.2.3地面調查數據地面調查在2018年8月5-10日開展，借助當地農機技術推廣站工作人員的經驗，選擇調查路線以使考察經過最多的植被類型。調查時，基于選定的路線，隨機選擇樣點，記錄樣點的植被類型、經緯度等信息并拍照。考察中共獲取玉米樣點245個，大豆樣點38個，水稻樣點64個，蔬菜樣點68個，林地樣點56個，其他樣點（建筑、道路、水體等）62個。所有樣點的位置分布如圖1所示。

1.3數據分析方法

影像分類時，采用了決策樹分類、最大似然分類和支持向量機分類3種常用的分類方法。首先，將所有采集到的樣點隨機選擇2/3作為訓練樣本，1/3作為驗證樣本，然后基于訓練樣本分別建立3種方法下的分類模型，最后基于模型來進行分類并利用驗證樣本對分類結果進行驗證，以比較3種方法的優劣。

1.3.1基于決策樹的分類決策樹是一種由內部節點判斷屬性，分支代表結果輸出，葉節點代表類別的樹狀結構。其分類規則是實現決策樹分類的關鍵，而獲取分類規則主要通過專家先驗知識、數理歸納統計或者根據CART、ID3、C4.5等算法自動獲取[16]。本研究基于訓練樣本中不同植被類型波段反射率和各種光譜指數的差異，歸納統計確定它們之間區分的闕值，從而基于闕值構建決策樹分類模型。

由于梨樹縣東南部為丘陵區，山區地物光譜特征與平原會有所差異，因此在分類過程中首先基于DEM數字高程數據計算坡度，然后利用坡度將研究區分為山區與平原區。根據水體、建筑、道路、林地等非農業用地光譜特征的差異，在山區與平原區中分別提取出這些非農業用地面積。最后，再根據山區與平原區主要作物的物候特征，找出它們之間的光譜特征差異，提取出區域內的各種作物面積，并根據研究目的，通過合并將所有地物分為玉米、大豆、水稻、蔬菜、其他經濟作物、非農業用地共6類。

技術路線圖如圖2所示，各類地物提取流程詳述如下。首先提取非農業用地的面積，非農業用地包括水體、建筑、道路和林地。對于非農業用地，山區與平原區的提取流程是一樣的，但所用闕值有所不同。首先，利用歸一化水體指數（NDWI）[17]將水體面積提取出來，其計算過程如公式（1）所示。其中，在山區選擇的闕值為0.02，在非山區選擇的闕值為0.04。其次，利用比值植被指數（RVI）[18]提取建筑用地、道路的面積，其計算過程如公式（2）所示。分析不同地物的RVI時序曲線，發現建筑用地、道路等的RVI值比較低，且不會隨時間有太大波動（圖3）。8月，大部分植被都處于生長旺盛階段，RVI值較高，與建筑用地、道路等這些非植被地物相比，差異很大。因此，根據8月份的RVI信息可以將建筑用地、道路的面積提取出來。其中，在山區選擇的闕值為01.6、RVI1105>1.1，非山區林地的分類闕值為RVI0504>2.7、RVI1105>1.2。

然后提取農業用地的面積，農業用地即種植作物的地塊，梨樹縣主要種植的作物有玉米、水稻、大豆和蔬菜。結合作物的物候變化分析其光譜特征的時序變化，可找出不同作物的分類依據。表2為它們的物候期。由于山區地形崎嶇復雜，不便運輸，且土壤類型單一，梨樹縣山區的主要作物只有玉米。因此，在山區，林地面積提取后，剩下的植被區劃分為玉米地。在非山區，玉米、水稻、大豆、蔬菜等4種作物都有。首先，提取蔬菜種植面積。蔬菜分為大棚蔬菜和大田蔬菜。大棚蔬菜種植種類多樣，而大田蔬菜以白菜為主。本研究基于歸一化植被指數（NDVI）[19]提取大棚蔬菜的種植面積，其計算過程如公式（3）所示。通過對比大棚蔬菜與其他作物NDVI特征曲線（圖4a），發現大棚蔬菜的NDVI值較為平均，一直處于0.35～0.50，并在5月時其NDVI在所有作物中處于最高，8月時處于最低。這是由于5月除大棚蔬菜外大部分作物都剛播種，而此時大棚蔬菜相較于這些植被特征不明顯的地塊對紅外光的反射能力較強，對紅光的反射能力較弱，則NDVI較高。8月是大部分作物植被特征最明顯的時候，NDVI值比較高，且與大棚蔬菜的NDVI差值較大。所以最終確定大棚蔬菜的分類闕值為NDVI0504>0.23，00.68。提取出蔬菜種植面積后，玉米、水稻、大豆的分類主要基于它們物候特征的差異，通過比較它們綠波段反射率ρG和近紅外波段反射率ρNIR的變化（圖4c、圖4d）將它們的種植面積分別提取出來。通過比較發現5月下旬水稻的ρNIR是所有作物中最低的，這是由于此時水稻剛插秧，水田對紅外光的反射能力較弱。因此，選擇水稻的分類闕值為0<ρNIR0524<0.145;大豆的ρNIR在8月初處于峰值，且是幾種作物之中最高的。這是因為大豆7月下旬進入結莢期，葉綠素的吸收能力逐漸增強，因此對紅外光的反射能力增強。因此，選擇大豆的分類闕值為ρNIR0802>0.460;10月初玉米的ρG要低于水稻和大豆，且由圖4a作物NDVI特征曲線可看出此時玉米的NDVI值最高。這是因為10月除玉米外大部分作物已經收獲完畢，只有玉米還具有植被特征。因此，選擇玉米的分類闕值為0<ρG1001<0.07、NDVI1001>0.37。

1.3.2基于最大似然的分類最大似然分類又稱貝葉斯分類，它的原理是根據貝葉斯判決準則進行分類，即假設所有訓練樣本的分布函數都為正態分布，首先計算每一個待分類的像元歸屬于每一種訓練樣本的歸屬概率，然后將該像元分到歸屬概率最大的一類樣本中[20]。最大似然法具有簡單便捷、理論依據充足的優點。但是它的應用范圍較窄，一般只適用于波段較少的數據，且它對訓練集大小要求也較高。

在前面決策樹方法中，已詳細描述作物物候特征與光譜信息間的關系，以及由此帶來的最佳區分各種作物的時間與所用光譜特征參數，這些規律同樣可在其他分類方法中應用。因此，為了保證3種方法數據源相同，在基于最大似然分類中，本研究首先將決策樹分類法中涉及的坡度和光譜特征等（Slop、NDWI0802、RVI0504、RVI0802、RVI1105、NDVI0504、NDVI0916、NDVI1001、ρNIR0524、ρNIR0802、ρG1001）共11個數據作為波段合并到同一影像中，然后利用訓練樣本集數據基于最大似然法訓練得到分類模型，最后基于分類模型進行分類獲得相關分類結果。

1.3.3基于支持向量機的分類支持向量是指距離分類超平面近的那些點，支持向量機的基本思想就是在樣本空間中構建出最優分類超平面，使得支持向量距離該分類超平面的間隔最大，這個最大間隔代表了該分類超平面對兩類數據的區分度強，不易錯分。最優分類超平面的方程和約束條件如公式（4）、公式（5）所示。支持向量機具有計算復雜度低、穩定性較強、抗噪性強等優點。其模型思路理論上會獲得很高的分類精度，但實際使用中獲取高精度需要取決于很多因素，如數據的預處理精度、訓練集的大小、特征參數及核函數的選擇等[21]。

同最大似然法的分類過程相同，本研究首先合并坡度數據和相應光譜特征為同一影像，然后再基于訓練樣點通過支持向量機訓練得到分類模型，最優基于分類模型進行分類獲得相關分類結果。

1.3.4精度驗證本研究使用地面調查數據中各類作物的驗證樣本對分類結果進行驗證，計算混淆矩陣、每一種作物的制圖精度和用戶精度以及總體分類精度和Kappa系數。精度驗證的計算公式如表3所示，其中k代表混淆矩陣行列數即分類的類別數量，Xii代表混淆矩陣中對角線上的值即正確分類的像元數，N代表驗證的像元總數，Xi代表混淆矩陣第i行元素相加之和，Xj代表混淆矩陣第j列元素相加之和。

2結果與分析

2.1分類結果精度評價

基于驗證樣本集，決策樹法、最大似然法和支持向量機法的驗證結果如表4～表6所示。從誤差矩陣看，在所有作物中，玉米、水稻在3種分類方法中的分類精度最高。其中，玉米的制圖精度分別為96.34%（決策樹法）、93.90%（最大似然法）、96.43%（支持向量機法），用戶精度分別為96.34%（決策樹法）、93.90%（最大似然法）、92.05%（支持向量機法）。這是由于其種植面積大，獲取的樣本點最多，較多的樣本點保證了玉米具有很好的制圖和用戶精度。水稻的制圖精度分別為100.00%（決策樹法）、95.24%（最大似然法）、95.24%（支持向量機法），用戶精度分別為95.45%（決策樹法）、95.24%（最大似然法）、95.24%（支持向量機法）。水稻的分類精度高，一方面是因為5月下旬時水田特征很明顯，其近紅外波段的反射率與其他地物差別大，其種植面積的提取效果較好;另一方面，梨樹縣的水稻多為集中種植，各田塊光譜特征差異較小。蔬菜種類繁多，包括大棚蔬菜和大田蔬菜，分類精度中等。其中，制圖精度分別為83.33%（決策樹法）、84.21%（最大似然法）、82.61%（支持向量機法），用戶精度分別為86.96%（決策樹法）、88.89%（最大似然法）、100.00%（支持向量機法）。大豆的分類精度最低。其中，制圖精度分別為83.33%（決策樹法）、70.00%（最大似然法）、66.67%（支持向量機法），用戶精度分別為83.33%（決策樹法）、63.64%（最大似然法）、66.67%（支持向量機法）。這是因為大豆的種植區域比較分散，不易尋找，在采集地面樣點時獲取的樣點比較少，缺乏足夠的樣本來訓練導致的。

從3種分類方法的總體分類精度看，決策樹法的總體分類精度為93.53%，Kappa系數達到0.890 6;最大似然法的總體分類精度為90.91%，Kappa系數為0.838 5;支持向量機法的總體分類精度為91.43%，Kappa系數為0.849 8。3種方法中決策樹法的分類精度最高。

2.2作物種植結構分析

基于決策樹的分類結果如圖5所示。對梨樹縣種植結構進行分析，發現糧食作物的種植面積遠遠超過經濟作物（表7），這是因為梨樹縣的自然條件適于旱作農業，尤其適宜種植玉米。因此糧食作物的種植面積較大，是中國的重要糧食基地。從空間分布看，玉米總種植面積為235 619 hm2，占作物總種植面積的84.30%。由于中部地區是平原，土地平坦肥沃，因此中部萬發鎮、泉眼嶺鄉、金山鄉、白山鄉等地區大面積種植玉米。水稻種植面積占作物總種植面積的3.76%，約為10 515 hm2，其主要分布在北部地區的小寬鎮、孤家子鎮，這是因為梨樹縣北部地區是風沙鹽堿地，地勢低洼，適宜水稻生長。由于白菜是喜濕作物，因此白菜也主要分布在水源較多的小寬鎮、孤家子鎮及小城子鎮。大棚蔬菜集中在中心城區梨樹鎮周圍，主要為了交通運輸方便。蔬菜的總種植面積占梨樹縣作物總種植面積的3.40%，約為9 507 hm2。南部十家堡鎮和孟家嶺鎮地塊少，多為山地丘陵地帶，因此山林灌木眾多，但也種植少量玉米。西部地區喇嘛甸鎮、林海鎮、劉家館子鎮、四棵樹鄉經濟作物的種類繁多，這是因為西部地區土壤類型豐富，適宜種植大豆等經濟作物。

3討論

基于多時相GF-WFV和GF-2PAN數據，Zhang等[22]采用Sobel邊緣檢測和Hough變換紋理分析識別玉米，精度高達90%;趙建鵬等[23]使用多時相的ZY-3和GF-2數據，通過構建NDVI差值模型提取固安縣柳泉鎮冬小麥種植面積，精度達到95.54%;杜保佳等[24]基于Sentinel-2A影像對北安市作物進行分類，引入NDVI時間序列特征后，使用多時相數據的分類精度相較于使用典型單時相數據提高7.7%。不同作物不同時期長勢存在差異，可以通過它們在多時相影像光譜特征的差異來對其進行識別，從而提高作物的分類精度，而使用單景衛星影像時，往往會出現云量多、植被長勢無差異等現象，使得分類精度降低。本研究同樣使用了多時相遙感數據，通過分析不同地物光譜特征的時序變化，分別使用決策樹法、最大似然法、支持向量機法3種分類方法，最終得到93.53%、90.91%、91.43%的分類精度，與以上基于其他高分影像的分類精度差不多。

本研究在提取非農業用地和大田白菜的種植面積時，比較了RVI和NDVI? 2種光譜指數的分類效果，發現在高植被覆蓋度下，RVI的提取效果要優于NDVI。比如在利用夏季影像提取非農業用地面積時，RVI的效果要優于NDVI，能更好地體現出地塊的輪廓。在利用9月中旬影像提取大田白菜等排列不緊密、覆蓋度較低的植被面積時，NDVI的提取效果要優于RVI，而此時使用RVI提取大田白菜種植面積時會出現大量的漏分。這印證了錢銘杰[25]在比較RVI與NDVI在植被面積提取中的研究結果，當植被覆蓋度高時，RVI對植被的敏感性要高于NDVI，反之則NDVI的敏感性更高。因此，為提高分類精度，在提取不同地物面積時應結合實際情況，選擇不同的植被指數。

本研究中決策樹法的分類精度要高于最大似然法、支持向量機法這2種監督分類算法，這是由于決策樹法相對于其他算法不需要假設先驗概率分布，具有更好的靈活性和魯棒性，且對于數據集的離散性和規則性的要求都較低。王姝力等[26]基于光學數據使用CART自動決策樹法識別海冰類型的精度要高于使用最大似然法的識別精度。許童羽等[27]使用CART決策樹和BP神經網絡相結合的方法提取粳稻種植面積，相較于單一通過BP神經網絡的方法，精度提高了1.70%。本研究與這些研究結果類似，說明決策樹法的實用性和準確性。

本研究設定的決策樹法作物分類闕值目前只基于2018年數據進行了驗證，其是否適合在其他年份或其他地區應用，還有待進一步驗證。

4結論

本研究基于多時相Sentinel-2影像和地面采集樣點數據，分別通過決策樹法、最大似然法、支持向量機法3種分類方法實現了梨樹縣作物種植面積的自動提取，并對它們的分類效果進行了對比評價，并在此基礎上分析了梨樹縣作物的種植結構空間分布情況。結果表明，決策樹法總體分類精度最高為93.53%，Kappa系數達到0.890 6。從種植結構上看，梨樹縣以種植糧食作物為主，經濟作物為輔。其中，玉米在全縣各區域都有，但集中在中部地區;水稻多種植在北部地區;大豆等經濟作物主要種植在西部地區。耦合時序Sentinel-2影像和本研究所構建的決策樹自動分類方法能很好地對梨樹縣作物進行分類，從而達到客觀評價其種植結構的目的。

參考文獻：

[1]胡瓊，吳文斌，宋茜，等. 農作物種植結構遙感提取研究進展[J].中國農業科學，2015，48（10）：1900-1914.

[2]唐華俊，吳文斌，楊鵬，等. 農作物空間格局遙感監測研究進展[J].中國農業科學，2010，43（14）：2879-2888.

[3]張養貞，張樹文，常麗萍，等. 縣級玉米遙感估產實驗及其效果研究[J].地理科學，1995（2）：144-153.

[4]張榮群，王盛安，高萬林，等. 基于時序植被指數的縣域作物遙感分類方法研究[J].農業機械學報，2015，46（S1）：246-252.

[5]劉珺，田慶久，黃彥，等. 利用多時相HJ衛星CCD遙感影像提取嘉祥縣秋收作物[J].遙感信息，2012，27（2）：67-70.

[6]NASRALLAH A， BAGHDADI N， MHAWEJ M， et al. A novel approach for mapping wheat areas using high resolution sentinel-2 images[J].Sensors， 2018，18：7.

[7]SONOBE R， YAMAYA Y， TANI H， et al. Crop classification from Sentinel-2-derived vegetation indices using ensemble learning[J].Journal of Applied Remote Sensing，2018，12（2）：26-45.

[8]ZHU J， PAN Z W， WANG H， et al. An improved multi-temporal and multi-feature tea plantation identification method using Sentinel-2 imagery[J].Sensors，2019，19：9.

[9]CORENTIN B， ADRIEN M， PETER G， et al. Forest mapping and species composition using supervised per pixel classification of Sentinel-2 imagery[J].Biotechnologie，Agronomie，Société et Environnement，2018，22：3.

[10]王大釗，王思夢，黃昌. Sentinel-2和Landsat8影像的四種常用水體指數地表水體提取對比[J].國土資源遙感，2019，31（3）：157-165.

[11]劉懷鵬，安慧君. 基于Sentinel-2A的農田包圍型村落提取[J].內蒙古農業大學學報（自然科學版），2019，40（3）：41-45.

[12]王祁春，張柏，張樹文，等. 玉米長勢區域分異遙感監測──以松嫩平原玉米遙感估產實驗區（梨樹縣）為例[J].遙感信息，1994（4）：20-23.

[13]平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農作物分類[J].自然資源學報，2016，31（3）：503-513.

[14]張曉萌，劉建祥，溫馨，等. 基于遙感的植被覆蓋度和水土流失信息提取[J].水土保持，2017，5（4）：21-28.

[15]范唯唯. Sentinel-2B衛星發射成功[J].空間科學學，2017，37（4）：371-372.

[16]張潤雷. 基于決策樹的遙感圖像分類綜述[J].電子制作，2018（24）：16-18，55.

[17]AHMED K R， AKTER S. Analysis of landcover change in southwest bengal delta due to floods by NDVI， NDWI and K-Means cluster with landsat Multi-spectral surface reflectance satellite data[J].Remote Sensing Applications： Society and Environment，2017（8）：168-181.

[18]劉人午. 基于LANDSAT衛星數據對內江主城區城市綠化監測研究[J].內江科技，2017，38（12）：38-41.

[19]TIAN Y C， BAI X Y， WANG S J， et al. Spatial-temporal changes of vegetation cover in guizhou province， southern China[J].Chinese Geographical Science，2017，27（1）：25-38.

[20]王婷婷，李山山，李安，等. 基于Landsat 8衛星影像的北京地區土地覆蓋分類[J].中國圖象圖形學報，2018，20（9）：1275-1284.

[21]李平，吳曼喬，曾聯明. 支持向量機技術在土地利用監測的應用研究[J].測繪通報，2010（8）：28-30.

[22]ZHANG C， JIN H， LIU Z， et al. Seed maize identification based ontexture analysis of GF remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering，2016，32（21）：183-188.

[23]趙建鵬，李國洪，金永濤，等. 縣域尺度上基于多時相影像的冬小麥面積監測[J].河北師范大學學報（自然科學版），2018，42（6）：524-530.

[24]杜保佳，張晶，王宗明，等. 應用Sentinel-2A NDVI時間序列和面向對象決策樹方法的農作物分類[J].地球信息科學學報，2019，21（5）：740-751.

[25]錢銘杰. RVI與NDVI在植被信息提取中的應用比較[C]//中國地理信息系統協會中國遙感協會.第七屆ArcGIS暨ERDAS中國用戶大會論文集.北京：地震出版社，2006：662-666.

[26]王姝力，王志勇，王磊. 基于Landsat-8和Sentinel-1A遼東灣海冰分類研究[J].北京測繪，2019，33（12）：1486-1492.

[27]許童羽，胡開越，周云成，等. 基于CART決策樹和BP神經網絡的landsat 8影像粳稻提取方法[J].沈陽農業大學學報，2020，51（2）：169-176.

（責任編輯：陳海霞）