基于Sentinel 2A/B時序數據的黑龍港流域主要農作物分類

宋宏利　雷海梅　尚明

摘要： 黑龍港流域是中國季節性休耕的試點區域，利用遙感技術及時、準確監測該區域的農作物種植結構，對于精準評價休耕政策的實施效果具有重要意義。本研究以黑龍港流域南部區域為研究對象，采用2019年1-12月的21景Sentinel 2A/B為數據源，構建3種植被指數的時序數據集，結合作物典型時相多光譜數據，采用隨機森林法提取研究區內冬小麥、夏玉米、棉花、大蒜、蔬菜等農作物信息，并結合野外調查數據對分類結果進行驗證，對比分析不同特征參數提取農作物信息的精度。結果表明，歸一化差值紅邊指數（NDRE1）+典型時相多光譜數據（S20831）取得了最高的總體精度和Kappa系數，其值分別為87.27%和0.85。采用歸一化差分植被指數（NDVI）+S20831，冬小麥-夏玉米、大蒜-夏玉米2種雙峰型輪作農作物的用戶精度最高，分別為94.92%和86.41%。采用S20831+NDRE1，蔬菜及棉花2種單峰型農作物的用戶精度最高，分別為91.95%和91.67%。因此，在黑龍港流域農作物的精細分類研究中，結合Sentinel 2A/B植被指數時序數據與典型時相多光譜數據進行分類的精度較高，可用于該區域農作物種植結構監測及休耕政策執行效果評價。

關鍵詞： 黑龍港流域;Sentinel 2A/B;時序植被指數;農作物分類

中圖分類號： TP79 文獻標識碼： A 文章編號： 1000-4440（2021）01-0083-10

Crop classification based on Sentinel 2A/B time series data in Heilonggang river basin

SONG Hong-li， LEI Hai-mei， SHANG Ming

（College of Geosciences and Engineering， Hebei University of Engineering， Handan 056038， China）

Abstract： Heilonggang river basin is the pilot area of seasonal fallow in China， using remote sensing technology for timely and accurately monitoring the crop planting structure in this area is of great significance for accurately evaluating the implementation effect of fallow policy. In this study， the southern area of Heilonggang river basin was taken as the research region， and 21 sceneries Sentinel 2A/B from January to December 2019 was used as the data source， the time series data set of three vegetation indices was constructed， combined with the typical time-phase multi spectral data of crops， the winter wheat， summer corn， cotton， garlic， vegetables and other crops in the study area were extracted by random forest classification method. The classified results were verified by combining the above data with the data from field investigation to compare the precision of different characteristic parameters in extracting crop information. The results showed that normalized difference red edge index （NDRE1）+ typical time phase multispectral data （S20831） acquired the best overall accuracy and Kappa coefficient， the value were 87.27% and 0.85， respectively. From the perspective of users， winter wheat-summer maize and garlic-summer maize got the highest accuracy by using normalized difference vegetation index （NDVI）+S2083， the user accuracy was 94.92% and 86.41%， respectively. In addition， vegetables and cotton got the highest accuracy by using S20831 + NDRE1， the user accuracy was 91.95% and 91.67%， respectively. Therefore， the combination of time series Sentinel 2A/B vegetation index and typical time-phase multi-band data has a better effect for the fine classification of crops in Heilonggang river basin， which can be used for the monitoring of crop planting structure and the evaluation of fallow policy effects.

Key words： Heilonggang river basin;Sentinel 2A/B;time series vegetation index;crop classification

農作物類型識別是農作物種植面積提取、長勢分析以及產量估測的基礎，也是農情遙感的重要內容[1]。傳統農作物分布信息獲取主要以野外抽樣調查和逐級統計為主要手段，費時、費力且主觀性較強，存在一定的時間滯后性，無法對農作物的分布情況進行空間表達。近年來，隨著傳感器技術的不斷發展，遙感數據的空間分辨率和時間分辨率均有明顯提高，促使其成為農作物類型識別的重要手段[2]。在農作物生育期內，由于其體內的色素含量、細胞結構及水分含量等理化特征具有一定的相似性，導致不同農作物光譜特征的相似度較高，僅憑單一時相遙感影像數據難以準確區分農作物類型[3]。農作物具有特有的物候特征，并且同一農作物在不同生育期及不同農作物在同一生育期的物候特征差異比較明顯，覆蓋農作物整個生長季時序遙感數據的植被指數曲線變化特征能夠充分體現不同農作物的物候特征，進而實現對多種農作物的識別以及種植結構信息的提取[4]。

近年來，國內外學者在利用時間序列遙感數據進行農作物制圖方面進行了大量研究，并取得了較多成果。由于數據獲取可行性及數據成本等因素限制，現有研究主要集中于MODIS[5-10]、Landsat[11-14]及GF-1 WFV[15-20]等數據，采用的時序植被指數主要為歸一化差分植被指數（NDVI）、增強型植被指數（EVI）等。MODIS數據有良好的重返周期，時間分辨率較高，但其較為粗糙的空間分辨率容易造成混合像元問題，難以實現復雜種植區域及地塊破碎區域農作物的提取。Landsat數據的30 m空間分辨率適用于多數情況下的農作物分類，但其重返周期為16 d，時間分辨率較低，容易受到云、雨等天氣因素影響，從而造成數據污染，難以獲取作物關鍵生長季內的高質量光譜數據。GF-1 WFV數據具有良好的空間分辨率和時間分辨率，但其僅包含藍、綠、紅和近紅外4個波段，沒有對植被較為敏感的紅邊波段。相對于MODIS、Landsat、GF-1 WFV，Sentinel 2A/B能夠提供5 d重訪周期和最高10 m空間分辨率的多光譜數據，該數據具有3個對植被光譜特征敏感的紅邊波段，因此更適合用于農作物制圖，并且能夠從更加精細的空間尺度對地表農作物類別進行辨識。近幾年來，國內學者對Sentinel2數據用于農作物分類的相關研究進行了積極探索，杜保佳等[21]采用Sentinel 2A NDVI時間序列數據及面向對象決策樹方法對黑龍江省北安市的農作物進行了識別，郭交等[22]探討了哨兵2號數據和哨兵1號數據在陜西省大荔農場農作物分類中的應用效果，吳靜等[23]采用哨兵2A時間序列數據及隨機森林法對甘肅省景泰縣的農作物類型進行了提取，畢愷藝等[24]采用Sentinel 2A NDVI時序數據及面向對象決策樹方法對陜西省陳家灣流域的植被進行了精細提取。上述研究結果為采用Sentinel 2A數據進行區域尺度農作物分類提供了重要依據，但由于地表景觀結構、氣候、種植模式的差異，致使不同區域的農作物種類、分布、物候特征不盡相同。因此，探索Sentinel 2A/B時序數據特別是其紅邊波段在種植模式相對復雜，地塊破碎相對明顯的華北區域的應用具有重要意義。

黑龍港流域位于河北省中南部，是中國重要的冬小麥產區，同時也是地下水超采最嚴重的區域之一?！短剿鲗嵭懈剌喿餍莞贫仍圏c方案》[25]中將黑龍港流域深層地下水漏斗區列為季節性休耕試點區域，明確提出應利用遙感技術對休耕情況進行監測，以便精準評價休耕政策的實施效果。基于此，本研究擬以黑龍港南部區域為研究對象，利用2019年覆蓋作物整個生長季的多時相Sentinel 2A/B數據，構建歸一化差分植被指數（NDVI）、歸一化差值紅邊指數（NDRE1）和簡單比值指數（SRre）時序數據集，結合農作物生長旺盛期的多光譜數據，采用隨機森林法提取研究區冬小麥、夏玉米、棉花、大蒜等農作物的種植信息，并結合野外實地調查數據對分類結果進行驗證，對比分析不同特征參數提取農作物信息的精度，以期為該區域休耕政策實施效果的監測提供科學依據。

1 材料與方法

1.1 研究區概況

研究區地處黑龍港流域南部（圖1），位于北緯36°35′～36°56′，東經114°30′～114°52′，行政區劃屬于邯鄲市永年區。該區域為山前平原地帶，地勢低平，屬于典型的暖溫帶季風氣候，四季分明，日照充足，雨熱同期，干冷同季。年平均降水量為503.6 mm，年平均日照時數為2 463.8 h。本區域種植的農作物主要包括冬小麥、夏玉米、大蒜、棉花、蔬菜，是著名的大蒜之鄉和有機蔬菜之鄉。冬小麥和夏玉米是該區域的主要糧食作物，采用輪作方式種植，具備典型的黑龍港流域農作物種植特征。

1.2 衛星數據及預處理

Sentinel 2A/B遙感數據下載自歐洲航天局（ESA）數據中心（https：//scihub.copernicus.eu/dhus/），產品級別為L1C級。Sentinel 2衛星攜帶的多光譜成像儀（MSI）包含從可見光到短波紅外的13個光譜波段（表1），S2A和S2B衛星分別發射于2015年和2017年，二者可達到5 d的重返周期，是光學遙感數據中唯一在紅邊范圍內含3個波段的數據，能夠有效監測植被生長信息。為了保持與野外調查樣本時間的一致性，選用了覆蓋研究區農作物整個生長期（2019年1月3日至12月19日）的共21期較高質量的Sentinel 2A/B衛星影像用于農作物分類。

L1C級數據是大氣表觀反射率產品，經過了正射校正和幾何精校正，但未進行大氣校正[26]。為了提高數據質量，在進行植被指數計算及農作物分類之前，使用歐洲航天局提供的Sen2cor插件對下載的Sentinel 2A/B L1C級數據進行大氣校正，進而得到大氣層底反射率數據。校正之后采用SNAP軟件將大氣校正結果重采樣為ENVI軟件可用格式。為保證空間分辨率的一致性，采用最鄰近插值法[27]將Band5、Band6、Band7、Band8A、Band11、Band12由原來的20 m重采樣為10 m，將Band1、Band9由原來的60 m重采樣為10 m。利用ENVI軟件將所有波段數據進行疊加、裁剪，獲取植被指數時序數據集。

1.3 野外調查數據

課題組于2019年5-8月共進行了6次野外調查取樣。在采樣過程中，為了盡量減小樣本定位誤差對分類精度的影響，采樣時均選擇較大地塊，且在地塊中間用手持GPS記錄地塊的經緯度坐標信息以及農作物類型、物候信息。整理野外調查數據，獲取有效樣本總數2 866個，其中建設用地330個，水體114個，冬小麥-夏玉米642個，棉花431個，大蒜-夏玉米319個，其他210個，果園338個，蔬菜482個，并將其按照7∶3的比例隨機分為訓練樣本2 002個，驗證樣本864個。

1.4 試驗方法

本研究基于預處理后的多時相Sentinel 2A/B遙感影像構建植被指數時序數據集，結合野外樣本數據對比分析不同農作物在不同指數下的時間序列變化曲線，結合典型時相的多光譜數據構建不同分類方案，采用隨機森林法對農作物類型及空間分布信息進行識別，最終采用總體精度、Kappa系數等指標進行分類精度評價，以獲取該區域農作物分類的最優方案，具體過程見圖2。

1.4.1 試驗方案設計 為了獲取研究區域最優的農作物分類特征參量，本研究設計了2套試驗方案，一是單獨使用多時相植被指數序列數據作為特征參量;二是聯合使用多時相植被指數序列數據及特定時相多光譜數據作為特征參量，具體方案見表2。

1.4.2 植被指數時序數據集的構建

選擇歸一化差分植被指數（NDVI）、歸一化差值紅邊指數（NDRE1）和簡單比值指數（SRre）進行作物分類，各指數具體計算公式見表3。

為了提高植被指數質量，消除水汽、氣溶膠等因素造成的異常點和空值點，獲取符合農作物生長規律的時間序列曲線，本研究采用Savitzky-Golay（S-G）濾波處理對原有植被指數時序數據進行重新構建。S-G濾波處理是一種基于局域多項式的最小二乘法擬合濾波方法，其在有效濾除噪音的同時，可保持信號的形狀，并能清晰描述時序數據的長期變化趨勢[31]。

濾波處理采用ENVI軟件中的Savizky-Golay Filter擴展工具實現，經過試驗，最終參數設置為：平滑多項式次數（d）=4，決定移動窗口大小（m）=5。

1.4.3 分類方法 隨機森林（RF）分類器是由Breiman[32]于2001年提出的一種分類方法，它是由若干決策樹以及投票機制組成的一種集成學習分類器，相比其他分類器表現出較強的抗噪能力，實現相對簡單，預測準確率較高。采用Bootstrap自助抽樣技術有放回地從原始數據中隨機選取訓練集，基于基尼系數最小原則選擇最優特征進行分裂，以減少出現過擬合現象，最終的分類結果由多棵樹分類器投票決定[33]。

隨機森林構建決策樹過程中需要設置2個參數：決策樹的數量（N）和特征變量的數量（m）。本研究確定N=1 000，m=M（M為分類特征總數）。

1.4.4 精度驗證 基于2019年野外調查驗證樣本數據，生成不同試驗方案下的混淆矩陣，采用總體精度、Kappa系數、用戶精度和生產者精度對不同試驗方案分類結果進行評價。

2 結果與分析

2.1 不同農作物典型時相光譜數據及植被指數時序曲線特征分析

基于S-G濾波處理后的植被指數特征影像，通過訓練樣本獲取NDVI、NDRE1、SRre的均值，并繪制時間序列特征曲線。圖3顯示，各個農作物均在8月31日達到生長旺盛期，該時期多光譜數據影像質量較好，且近紅外波段的灰度值（DN值）具有區分作物類型的能力。因此，綜合考慮農作物生長的季節性及其光譜特征差異，本研究選擇8月31日Sentinel 2B影像作為典型時相多光譜數據，進行光譜特征分析。

圖4顯示，水體在Band6、Band7、Band8、Band8A、Band9、Band11、Band12處的DN值均低于其他地類，在近紅外波段的差值最大;建設用地在Band1至Band5及Band11至Band12的DN值均高于其他地類，光譜特征明顯。由此可見，僅使用光譜特征可較好地將建設用地和水體與植被區分開。不同農作物間的波譜特征具有一定相似性，在可見光波段范圍難以將其分開，在近紅外波段，棉花的DN值明顯高于其他作物，可以作為棉花識別的重要特征。

結合物候歷（表4）及植被指數時序曲線（圖3）可知，冬小麥于10月上中旬播種，7 d左右出苗，植被指數值逐漸升高，在12月出現一個小波峰，此時NDVI、NDRE1、SRre值均高于其他作物，該時間點3種植被指數均可作為冬小麥識別的重要特征。1月上旬為冬小麥的越冬期，該時段內冬小麥處于冬眠狀態，光合作用衰減，植被指數值有所下降;2月下旬-3月冬小麥開始返青起身，植被指數值迅速升高;4月中下旬至5月上旬進入孕穗期，達到生長期內第一個峰值，此時NDVI、NDRE1和SRre高于其他作物，是識別冬小麥的關鍵特征時期;6月成熟收獲，植被指數值下降明顯。輪作作物夏玉米于6月上中旬播種出苗，7月中下旬拔節，8月進入抽穗期，生長旺盛，植被指數值明顯升高并于8月中下旬達到第二個峰值，9月上旬進入灌漿期，中下旬成熟收獲，植被指數值逐漸降低。

大蒜于9月下旬開始播種，10月中下旬進入萌芽期，植被指數值緩慢上升，11月中下旬幼苗生長，開始覆蓋塑料薄膜，植被指數值略微下降。3月中下旬為大蒜的返青期，植被指數值迅速上升，此時NDVI、NDRE1值高于其他作物，是區分大蒜的特征時期。大蒜于5月上旬進入生理休眠期，6月上旬收獲，植被指數值下降明顯。

棉花為單峰型作物，于4月下旬播種，5-6月出苗現蕾，7月中下旬開花，植被指數值緩慢升高，9月中下旬吐絮，10月下旬成熟收獲，植被指數值下降。棉花8月31日的NDVI、NDRE1和SRre值均低于雙峰值作物（圖3）。

2.2 不同試驗方案分類精度對比分析

采用隨機森林法分別基于NDVI、NDRE1、SRre這3種時序植被指數及典型時相多光譜數據（S20831）進行分類，并利用864個驗證樣本計算總體精度和Kappa系數。結果（表5）表明，采用單時相多光譜數據時，分類的總體精度僅為72.56%，明顯低于采用時序植被指數作為特征參量時的總體精度，其中利用時序植被指數NDRE1進行分類的總體精度最高，其值為85.49%;其次是利用時序植被指數SRre，總體精度為83.56%;利用時序植被指數NDVI進行分類的總體精度為82.91%。說明在農作物生長周期內，不同農作物在特定時間具有相似的光譜特征，僅依靠單時相多光譜數據難以區分多種農作物。由于農作物具有獨特的物候特征，并且同一農作物在不同生育期及不同農作物在同一生育期的物候差異比較明顯。例如，冬小麥在10月份播種，次年6月份成熟收割，棉花則在4月份播種，10月份成熟，可利用物候特征差異性導致的植被指數時序變化實現農作物類型識別和空間分布信息提取。根據Kappa系數大小對分類精度效果的定義[34-35]，基于NDRE1和SRre進行分類的Kappa系數為0.8～1.0，分類效果屬于非常好級別，基于NDVI進行分類的Kappa系數為0.6～0.8，屬于較好分類級別。

當聯合使用典型時相多光譜數據和時序植被指數時，總體精度和Kappa系數均在僅依靠時序植被指數的基礎上得到了提高，其中基于S20831+NDRE1進行分類的總體精度最高，其值達到了87.27%，比基于單一時序植被指數NDRE1提高了1.78個百分點;基于S20831+NDVI和S20831+SRre進行分類的總體精度則分別比基于單一時序植被指數NDVI和SRre提高了2.97、2.20個百分點?；赟20831+NDRE1、S20831+NDVI和S20831+SRre進行分類的Kappa系數值均為0.8～1.0，分類效果屬于非常好級別，與杜保佳等[21]、畢愷藝等[24]的研究結果相似。本研究結果說明，盡管利用植被指數時序變化能夠充分體現不同農作物的物候特征，但植被指數計算過程中僅采用了近紅外、紅邊以及紅光等少數幾個波段，造成部分光譜信息丟失，而與時相多光譜數據的集成，有效彌補了這種信息缺失，進而在一定程度上提高了農作物的分類精度。

表6、表7顯示，僅使用NDVI、NDRE1和SRre時序植被指數進行分類時，各類農作物用戶精度均達到80.00%以上，生產者精度均達到70.00%以上，引入典型時相多光譜數據后，各類農作物的用戶精度提升至85.00%以上，生產者精度提升至75.00%以上，說明分類方法相同時，典型時相多光譜數據的引入能夠有效提升各類農作物的分類精度。其中，冬小麥-夏玉米和大蒜-夏玉米這2類輪作作物在S20831+NDVI分類方案下的用戶精度達到最高，分別為94.92%和86.41%，生產者精度分別為97.84%和81.96%，表明NDVI時序植被指數聯合典型時相多光譜數據對研究區輪作農作物提取效果較好。蔬菜和棉花在S20831+NDRE1分類方案下的用戶精度達到最高，分別為91.95%和91.67%，生產者精度分別為98.56%和84.62%，表明NDRE1紅邊指數時序植被指數聯合典型時相多光譜數據后蔬菜和棉花這2類農作物的提取效果較好。總體而言，各類農作物的分類精度均較高，驗證了Sentinel 2A/B植被指數時序數據特別是紅邊指數時序數據結合典型時相多光譜數據在黑龍港流域農作物分類應用方面的可行性。

2.3 研究區主要農作物分布

采用總體精度最高的S20831+NDRE1試驗方案繪制出研究區農作物分布圖（圖5），其混淆矩陣見表8。圖5顯示，冬小麥-夏玉米種植面積最大，主要分布在研究區北部及中部;蔬菜種植面積次之，主要分布在研究區中南部，呈片狀分布;大蒜-夏玉米主要分布在研究區中南部，種植密集但范圍較小;棉花主要分布在研究區南部及東南部，種植面積較小，分布較為分散。表8顯示，冬小麥-夏玉米與大蒜-夏玉米之間有錯分、漏分的情況，這是因為大蒜與冬小麥的播種、收獲日期相近，且二者接茬作物均為夏玉米，二者在物候特征上的相似性導致其時序紅邊指數的差異性較小，在植被指數曲線中重疊部分較多。除此之外，4種主要農作物均與其他地類（包括研究區內少量未利用荒地、休耕地及種植面積較小的一些農作物）存在混分現象，造成該現象的原因是研究區地塊破碎，種植結構較為復雜，呈嵌套式分布，其他地類面積較小且零星分布在主要農作物地塊周圍，在Sentinel 2A/B 10 m空間分辨率影像上構成混合像元，因此在分類過程中容易混淆。

3 結論

時序植被指數特征曲線分析結果表明，根據覆蓋農作物生長季內的21景時序圖像，可以較好地判斷研究區內農作物生長的物候差異，能有效區分不同農作物類型。

在研究區域內單獨使用植被指數作為特征參量進行分類時，基于NDRE1進行分類的總體精度和Kappa系數最高，當聯合使用典型時相多光譜數據和時序植被指數數據時，各分類方案總體精度和Kappa系數均得到了不同程度的提高。這說明，雖然植被指數時序變化能夠充分體現不同農作物的物候特征，但是植被指數計算過程中僅采用了紅光、近紅外、紅邊等少數幾個波段，造成一定光譜信息的丟失，通過與典型時相多光譜數據的聯合，可以有效彌補了這種信息缺失，進而在一定程度上提高了農作物的分類精度。

NDVI時序數據結合農作物生長旺季多光譜數據適用于具有雙峰特征的輪作型農作物的提取，而NDRE1時序數據結合農作物生長旺季多光譜數據則適用于一年一季單峰型農作物的提取。

參考文獻：

[1] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFV NDVI時間序列數據的作物分類[J]. 農業工程學報， 2015，31（24）： 155-161.

[2] 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.

[3] 許文波，田亦陳. 作物種植面積遙感提取方法的研究進展[J]. 云南農業大學學報， 2005， 20（1）： 94-98.

[4] LEE E， KASTENS J H， EGBERT S L. Investigating collection 4 versus collection 5 MODIS 250 m NDVI time-series data for crop separability in Kansas， USA[J]. International Journal of Remote Sensing， 2016， 37（1/2）： 341-355.

[5] 許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數據的農作物種植識別[J]. 農業工程學報， 2014，30（11）： 134-144.

[6] WARDLOW B D， EGBERT S L. Large-area crop mapping using time-series MODIS 250 m NDVI data： an assessment for the US Central Great Plains[J]. Remote Sensing of Environment， 2008， 112（3）： 1096-1116.

[7] SHAO Y， LUNETTA R S， EDIRIWICKREMA J， et al. Mapping cropland and major crop types across the Great Lakes Basin using MODIS-NDVI data[J]. Photogrammetric Engineering & Remote Sensing， 2015， 75（1）： 73-84.

[8] OZDOGAN M. The spatial distribution of crop types from MODIS data： temporal unmixing using independent component analysis[J]. Remote Sensing of Environment， 2010， 114（6）： 1190-1204.

[9] 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.

[10]吳風華，郎婷婷，江 東，等. 京津冀地區冬小麥播種面積快速提取技術研究[J]. 江蘇農業科學， 2019， 47（16）： 224-229.

[11]王文靜，張 霞，趙銀娣，等. 綜合多特征的 Landsat 8 時序遙感圖像棉花分類方法 [J]. 遙感學報， 2017， 21（1）： 115-124.

[12]李曉慧，王 宏，李曉兵，等. 基于多時相Landsat 8 OLI影像的農作物遙感分類研究[J].遙感技術與應用， 2019， 34（2）： 389-397.

[13]鄧劉洋，沈占鋒，柯映明，等. 基于地塊尺度多時相遙感影像的冬小麥種植面積提取[J].農業工程學報， 2018， 34（21）： 165-172.

[14]SRIKANTH P， RAMANA K V， DEEPIKA U， et al. Comparison of various polarimetric decomposition techniques for crop classification[J]. Journal of the Indian Society of Remote Sensing， 2016， 44（4）： 635-642.

[15]邱鵬勛，汪小欽，茶明星，等. 基于TWDTW的時間序列GF-1 WFV農作物分類[J]. 中國農業科學， 2019， 52（17）： 2951-2961.

[16]黃健熙，侯矞焯，蘇 偉，等. 基于GF-1 WFV數據的玉米與大豆種植面積提取方法[J]. 農業工程學報， 2017，33（7）： 164-170.

[17]劉國棟，鄔明權，牛 錚，等. 基于GF-1衛星數據的農作物種植面積遙感抽樣調查方法[J]. 農業工程學報， 2015， 31（5）： 160-166.

[18]劉雅清，王 磊，趙希妮，等. 基于GF-1/WFV時間序列的綠洲作物類型提取[J]. 干旱區研究， 2019， 36（3）： 781-789.

[19]王冬利，張安兵，趙安周，等. 非監督分類的冬小麥種植信息提取模型[J]. 測繪通報，? 2019（8）： 68-71.

[20]李 冰，梁燕華，李丹丹，等. 多時相GF-1衛星PMS影像提取農作物種植結構[J]. 中國農業資源與區劃， 2017，38（9）： 56-62.

[21]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.

[22]郭 交，朱 琳，靳 標. 基于Sentinel-1和Sentinel-2A數據融合的農作物分類[J]. 農業機械學報， 2018， 49（4）：192 -198.

[23]吳 靜，呂玉娜，李純斌，等. 基于多時相Sentinel-2A的縣域農作物分類[J]. 農業機械學報， 2019， 50（9）： 194-200.

[24]畢愷藝，牛 錚，黃 妮，等. 基于Sentinel-2A時序數據和面向對象決策樹方法的植被識別[J]. 地理與地理信息科學， 2017， 33（5）：16-20.

[25]中央全面深化改革領導小組. 探索實行耕地輪作休耕制度試點方案[R/OL]. （2016-05-20） [2019-05-20]. https：//baike.baidu.com/item/.

[26]FERNNDEZ M A， FERNNDEZ M O， QUINTANO C. Sentinel-2A red-edge spectral indices suitability for discriminating burn severity[J]. International Journal of Applied Earth Observation and Geoinformation， 2016， 50： 170-175.

[27]鄭 陽，吳炳方，張 淼. Sentinel-2數據的冬小麥地上干生物量估算及評價[J]. 遙感學報， 2017， 21（2）： 318-328.

[28]TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing and Environment， 1979， 8（2）：127-150.

[29]GITELSON A A， GRITZ Y， MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology， 2003， 160（3）： 271-282.

[30]JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology， 1969， 50（4）： 663-666.

[31]顧 娟，李 新，黃春林. NDVI時間序列數據集重建方法述評[J]. 遙感技術與應用， 2006， 21（4）： 391-395.

[32]BREIMAN L. Random forests[J]. Machine Learning， 2001， 45： 5-32.

[33]劉 毅，杜培軍，鄭 輝，等. 基于隨機森林的國產小衛星遙感影像分類研究[J]. 測繪科學， 2012， 37（4）： 194-196.

[34]JANSSEN L L F， WEL F J M. Accuracy assessment of satellite derived land-cover data： a review[J]. Photogrammetric Engineering & Remote Sensing， 1994， 60（4）： 410-432.

[35]LANDIS J R， KOCH G G. The measurement of observer agreement for categorical data[J]. Biometrics， 1977， 33：159-174.

（責任編輯：王 妮）

收稿日期：2020-06-01

基金項目：河北省自然科學基金項目（D2019402067）;河北省高等學校科學技術研究重點項目（ZD2017212）;河北省研究生示范課建設項目（KCJSX2019065）

作者簡介：宋宏利（1980-），男，河北撫寧人，博士，副教授，主要從事3S技術集成及應用研究。（E-mail）songholi2003@163.com