融合主被動(dòng)遙感與隨機(jī)森林算法的冬小麥信息提取

李 想，張永彬，劉瑋佳，孫冉冉，尹 軒，楊 睿

（華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210）

引言

農(nóng)業(yè)是我國(guó)的第一產(chǎn)業(yè)，在國(guó)民經(jīng)濟(jì)中發(fā)揮重要作用[1]。同時(shí)，糧食安全是國(guó)家穩(wěn)定的基礎(chǔ)，保障糧食安全是推進(jìn)農(nóng)業(yè)現(xiàn)代化的首要任務(wù)。冬小麥作為我國(guó)三大主要糧食作物之一，及時(shí)、精準(zhǔn)地獲取冬小麥種植面積及其空間分布，對(duì)于農(nóng)業(yè)相關(guān)部門(mén)進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估算具有支撐作用，對(duì)促進(jìn)農(nóng)業(yè)生產(chǎn)發(fā)展和糧食安全有重要的現(xiàn)實(shí)意義[2]。

冬小麥種植面積的獲取主要有統(tǒng)計(jì)數(shù)據(jù)和遙感監(jiān)測(cè)兩種方式。傳統(tǒng)的統(tǒng)計(jì)抽樣調(diào)查手段，不僅消耗人力和物力，而且不能全面及時(shí)地更新重要信息[3]。然而，隨著中高分辨率遙感技術(shù)的不斷發(fā)展與廣泛應(yīng)用，其在短時(shí)間內(nèi)能夠連續(xù)收集大范圍地面信息的優(yōu)勢(shì)，為利用多時(shí)相遙感快速、準(zhǔn)確提取冬小麥種植信息提供數(shù)據(jù)基礎(chǔ)[4]。目前，光學(xué)影像是作物分類(lèi)研究中最常用的數(shù)據(jù)源，是由被動(dòng)遙感的方式獲取，并且單時(shí)相光學(xué)影像分類(lèi)，很容易受到“異物同譜”的影響，從而出現(xiàn)漏分和錯(cuò)分等問(wèn)題[5]。多時(shí)相光學(xué)影像結(jié)合作物不同物候期光譜差異，能夠降低“異物同譜”的干擾。石濤等利用Landsat-8 數(shù)據(jù)結(jié)合不同作物物候差異對(duì)皖北地區(qū)冬小麥進(jìn)行提取，精度達(dá)到90%以上[6]。光學(xué)影像容易受到云雨天氣影響，構(gòu)建時(shí)序數(shù)據(jù)難度較大，在作物信息提取上受到一定限制。合成孔徑雷達(dá)不受云雨天氣的限制并且穿透性強(qiáng)，能夠全天候獲取影像數(shù)據(jù)，屬于主動(dòng)遙感，在作物提取研究中廣泛應(yīng)用[7]。單捷等選用5 期Radarsat-2 全極化影像對(duì)江蘇鹽城區(qū)冬小麥面積提取，精度達(dá)到79.6%[8]。耿云憬等利用關(guān)鍵物候期多時(shí)相Sentinel-1A 的后向散射系數(shù)精準(zhǔn)提取冬小麥種植面積，發(fā)現(xiàn)VV 極化的誤差為13.17%，VH 極化的誤差為8.51%[9]。主動(dòng)遙感數(shù)據(jù)和被動(dòng)遙感數(shù)據(jù)各有優(yōu)勢(shì)，融合主被動(dòng)遙感數(shù)據(jù)結(jié)合多時(shí)相可以提高作物提取精度。張科謙等融合Sentinel-1A 和Sentinel-2 影像并結(jié)合多時(shí)相提取冬小麥空間分布，生產(chǎn)者精度為95.48%，相對(duì)于單一數(shù)據(jù)源，分類(lèi)精度有不同程度提升[10]。

目前，遙感數(shù)據(jù)用于農(nóng)作物提取的方法主要有基于像元和面向?qū)ο髢煞N。基于像元方法在分類(lèi)時(shí)容易出現(xiàn)椒鹽效應(yīng)，而面向?qū)ο蠓椒▌t通過(guò)對(duì)不同波段分割后的影像對(duì)象進(jìn)行分類(lèi)，能夠有效減少噪點(diǎn)的影響，避免椒鹽現(xiàn)象的出現(xiàn)[11]。在眾多分類(lèi)算法當(dāng)中，隨機(jī)森林分類(lèi)算法因其魯棒性強(qiáng)、性能穩(wěn)定，是農(nóng)作物分類(lèi)常用方法之一，在分析特征重要性和分類(lèi)提取等方面具有明顯優(yōu)勢(shì)。陳果等基于多特征隨機(jī)森林算法法進(jìn)行土地利用分類(lèi)，總體精度達(dá)到91.96%，Kappa 系數(shù)為0.902，提取效率快、精度高[12]。趙士肄等提出結(jié)合光譜特征、遙感指數(shù)特征、紋理特征等信息，對(duì)比不同分類(lèi)模型精度，發(fā)現(xiàn)面向?qū)ο?隨機(jī)森林算法的耕地信息提取精度最高，旱地精度達(dá)到99.6%[13]。因此，面向?qū)ο蠼Y(jié)合隨機(jī)森林算法能夠減弱“椒鹽”現(xiàn)象，并一定程度上提高提取精度。

本文針對(duì)Sentinel-2 光學(xué)影像和Sentinel-1A雷達(dá)影像的自身特點(diǎn)，結(jié)合時(shí)間序列諧波分析法選取關(guān)鍵物候期，融合多時(shí)相光學(xué)影像和雷達(dá)影像，采用面向?qū)ο?隨機(jī)森林算法對(duì)冬小麥作物進(jìn)行提取，探索主被動(dòng)遙感影像在大區(qū)域識(shí)別冬小麥作物的能力，為快速、精確提取冬小麥種植面積和空間分布提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

唐山市位于河北省東部、 華北平原東北部，南臨渤海，北依燕山，毗鄰京津（圖1），地跨東經(jīng)117°31′～119°19′，北緯38°55′～40°28′，地勢(shì)北高南低，平均海拔90m，氣候?qū)倥瘻貛О霛駶?rùn)大陸型季風(fēng)型氣候，年平均氣溫12℃左右，年平均降水量500～700mm[14]。全市土地總面積為143.4 萬(wàn)公頃，耕地面積為56.71 萬(wàn)公頃。截至2021 年，糧食播種面積49.0 萬(wàn)公頃，糧食產(chǎn)量293.8 萬(wàn)噸。冬小麥?zhǔn)翘粕绞兄饕Z食作物之一，每年10 月初寒露前后進(jìn)入播種期，11～12 月出苗分蘗后停長(zhǎng)越冬，次年3 月返青，4 月拔節(jié)抽穗，5 月灌漿，6 月中旬到達(dá)成熟期，生育期230～260 天。

圖1 研究區(qū)地理位置

1.2 數(shù)據(jù)獲取

1.2.1 Sentinel 數(shù)據(jù)獲取與預(yù)處理

本文所用Sentinel 系列衛(wèi)星遙感影像免費(fèi)從歐空局?jǐn)?shù)據(jù)共享網(wǎng)站獲取，Sentinel-1 搭載C 波段傳感器，具有全天候、 全天時(shí)對(duì)地觀測(cè)能力，由Sentine-1A 和Sentinel-1B 兩顆衛(wèi)星組成，對(duì)地重訪周期可達(dá)6d，本文選用Sentinel-1A 雷達(dá)干涉寬幅成像模式的Level 1 級(jí)別數(shù)據(jù)，極化模式為VV和VH，空間分辨率為10m。

Sentinel-2 衛(wèi)星包括Sentinel-2A 和Sentinel-2B 兩顆，重訪周期為5d，其多光譜傳感器捕捉了13 個(gè)波段，覆蓋了可見(jiàn)光、 近紅外和短波紅外范圍。其中，藍(lán)、綠、紅和近紅外波段的空間分辨率為10m，而三個(gè)紅邊波段、近紅外波段以及兩個(gè)短波紅外波段的空間分辨率為20m。海岸/氣溶膠波段、水蒸氣波段和短波紅外波段的分辨率為60m。

選取2022 年10 月～2023 年6 月冬小麥全生育期內(nèi)，覆蓋研究區(qū)且云量小于20%的Sentinel-2 L1C 級(jí)別數(shù)據(jù)產(chǎn)品，共計(jì)獲取36 景（4 景×9 期），該數(shù)據(jù)已經(jīng)過(guò)正射校正與幾何精校正，在此基礎(chǔ)上，本文選取經(jīng)Sen2Cor 大氣校正后的Band2 ～8、Band11 和Band12 進(jìn)行冬小麥信息提取，并統(tǒng)一空間分辨率至10m。同樣，Sentienl-1A 數(shù)據(jù)產(chǎn)品，共計(jì)獲取18 景（2 景×9 期），該數(shù)據(jù)需進(jìn)行熱噪聲去除、輻射校正和地形校正等預(yù)處理過(guò)程。最終根據(jù)研究區(qū)典型地物特征，篩選關(guān)鍵物候期影像進(jìn)行冬小麥空間信息提取。

1.2.2 特征變量數(shù)據(jù)集構(gòu)建

根據(jù)研究區(qū)植被生長(zhǎng)環(huán)境和地物物候特征，本文選用Sentinel-1A 影像的VV 和VH 兩種后向散射系數(shù)，Sentinel-2 影像的光譜反射率以及植被指數(shù)特征、紋理特征和形狀特征，共同提取唐山市冬小麥種植面積。其中，光譜反射率包括所有波段反射率均值（Mean）以及紅邊、近紅外波段光譜反射率（Band5～8）；植被指數(shù)特征包括：歸一化差值植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、紅邊位置指數(shù)（REPI）。為避免多紋理特征帶來(lái)的特征信息冗余，本文選取灰度共生矩陣生成的同質(zhì)性（GLCM Homogeneity）、熵（GLCM Entropy）、對(duì)比度（GLCM Contrast）、相關(guān)性（GLCM Correlation）、均 值（GLCM Mean）、標(biāo) 準(zhǔn) 差（GLCM StdDev）和異質(zhì)性（GLCM Dissimilarity）7 個(gè)紋理特征，以及矩形擬合和形狀指數(shù)2 個(gè)形狀特征，以上所選特征變量及其說(shuō)明如表1 所示。

表1 分類(lèi)特征變量集

1.2.3 野外調(diào)查數(shù)據(jù)

本研究分別于2023 年4 月29 日與5 月31日，對(duì)唐山市主要冬小麥種植區(qū)開(kāi)展野外調(diào)查，利用手持GPS 定位并記錄典型土地覆被類(lèi)型，共獲取典型地物樣點(diǎn)643 個(gè)，其中包括428 個(gè)冬小麥樣點(diǎn)及115 個(gè)其他類(lèi)型樣點(diǎn)。實(shí)地調(diào)查發(fā)現(xiàn)唐山市主要農(nóng)作物包括：冬小麥、夏玉米、水稻和花生等大田作物，此外，該區(qū)域還分布有蔬菜、綠化草坪、草本濕地與林地等主要植物類(lèi)型。結(jié)合遙感影像地物特征與野外調(diào)查數(shù)據(jù)，本研究將地物類(lèi)型劃分為：冬小麥、水體、林地、建筑和其他植被。

1.3 研究方法與精度評(píng)價(jià)

1.3.1 植被物候曲線擬合

時(shí)間序列諧波分析法（HANTS）基于傅里葉變換（FFT）和最小二乘法為擬合核心算法，對(duì)Sentinel-1A 影像生成的VH 和VV 以及Sentinel-2 NDVI 數(shù)據(jù)集波段重構(gòu)并進(jìn)行平滑和濾波處理，能夠充分利用遙感影像的時(shí)空特性，更能夠考慮到地物物候在不同時(shí)間段之間的差異。HANTS 算法不僅可以去除云污染點(diǎn)的干擾，而且對(duì)影像選取的時(shí)間間隔不受影響，具有更大的靈活性[15]。本文基于GEE 平臺(tái)采用HANTS 濾波算法構(gòu)建3 種特征時(shí)序曲線，以獲取冬小麥信息提取關(guān)鍵物候期。

1.3.2 面向?qū)ο?隨機(jī)森林方法

面向?qū)ο蠓诸?lèi)將遙感影像中的相鄰?fù)|(zhì)像元分割為影像對(duì)象，并以此為分類(lèi)基本單元，可綜合利用影像對(duì)象的光譜、紋理、形狀與對(duì)象間的上下文關(guān)系等更多語(yǔ)義信息，從而實(shí)現(xiàn)較高層次的地物信息提取，能夠有效改善傳統(tǒng)基于像元分類(lèi)結(jié)果中具有的“椒鹽”現(xiàn)象，顯著提升精細(xì)地物分類(lèi)的效率與精度[16]。面向?qū)ο蠓诸?lèi)的主要過(guò)程包括影像分割與分類(lèi)算法選擇。

多尺度分割通過(guò)一種自下而上的區(qū)域合并算法來(lái)實(shí)現(xiàn)影像對(duì)象分割，主要包括圖層權(quán)重、分割尺度、形狀因子與緊致度等關(guān)鍵參數(shù)，其中，分割尺度直接決定影像對(duì)象的大小[17]。圖層權(quán)重決定不同波段在分割過(guò)程中參與信息的多少，取值介于0～10 之間，權(quán)重越大，對(duì)應(yīng)波段信息用于影像分割就越多。另外，對(duì)象的光譜差異和形狀差異共同決定對(duì)象的異質(zhì)性，二者權(quán)重之和為1，多尺度分割中通過(guò)形狀因子設(shè)置來(lái)確定二者的權(quán)重；形狀因子則由光滑度和緊密度來(lái)衡量，二者權(quán)重之和亦為1[18]。

隨機(jī)森林（Random forest，RF）是目前機(jī)器學(xué)習(xí)中常用的一種分類(lèi)算法，由多棵CART 決策樹(shù)組合而成，屬于監(jiān)督分類(lèi)機(jī)器學(xué)習(xí)算法，具有精度高、參數(shù)少、性能穩(wěn)定等諸多優(yōu)勢(shì)。采用Bootstrap 抽樣從初始數(shù)據(jù)集中提取k 個(gè)樣本，每個(gè)樣本與原始數(shù)據(jù)集大小相同。然后，使用這些樣本構(gòu)建k 個(gè)決策樹(shù)模型，產(chǎn)生k 個(gè)分類(lèi)結(jié)果。最終，通過(guò)對(duì)每個(gè)記錄進(jìn)行綜合表決，得出最終的分類(lèi)結(jié)果。雖然隨機(jī)森林分類(lèi)器計(jì)算速度比其他單棵決策樹(shù)慢，但對(duì)于處理高維特征數(shù)據(jù)，不容易產(chǎn)生過(guò)擬合現(xiàn)象，可以生成更準(zhǔn)確的分類(lèi)結(jié)果[19]。

本研究基于eCognition 軟件進(jìn)行冬小麥信息提取，采用多尺度分割算法獲取影像對(duì)象層，經(jīng)多次試驗(yàn)將分割尺度、形狀因子和緊致度的大小分別設(shè)置為50、0.1 和0.5。將不同時(shí)相Sentinel-2 影像的近紅外波段權(quán)重設(shè)置為2，其余波段均為1。在影像對(duì)象層上分別選取冬小麥、水體、建筑、林地與其他植被（包括夏玉米、水稻、花生、蔬菜、綠化草坪和草本濕地等）典型對(duì)象作為訓(xùn)練樣本，計(jì)算1.2.2 中涉及的特征變量輸入到隨機(jī)森林分類(lèi)模型中，為減少時(shí)間成本，樹(shù)木數(shù)量（ntree）設(shè)置為50，其他參數(shù)均為默認(rèn)，對(duì)比不同特征變量集的分類(lèi)精度。

為探求主被動(dòng)遙感提取冬小麥的能力，設(shè)計(jì)兩種分類(lèi)方案：一為單獨(dú)使用多時(shí)相Sentinel-2 被動(dòng)遙感影像進(jìn)行冬小麥提取； 二為融合多時(shí)相Sentinel-1A 和Sentinel-2 主被動(dòng)遙感影像進(jìn)行冬小麥信息提取。

1.3.3 精度評(píng)價(jià)

通過(guò)野外實(shí)地調(diào)查數(shù)據(jù)與分類(lèi)結(jié)果計(jì)算混淆矩陣。采用總體精度（Overall accuracy，OA）、Kappa系數(shù)、用戶精度（User’s Accuracy，UA）和生產(chǎn)者精度（Producer’s Accuracy，PA）對(duì)分類(lèi)結(jié)果進(jìn)行綜合性評(píng)價(jià)[20]。計(jì)算公式如下：

式中N 代表總樣本數(shù)，m 為總類(lèi)別數(shù)；pii為被分到正確類(lèi)別的樣本數(shù)；p+i和pi+分別是第i 類(lèi)的真實(shí)樣本數(shù)和預(yù)測(cè)為第i 類(lèi)的樣本數(shù)。

2 結(jié)果與分析

2.1 Sentinel-1/2 影像地物物候曲線分析

光學(xué)數(shù)據(jù)揭示了目標(biāo)地物的瞬時(shí)物理光譜特征，通過(guò)時(shí)序和動(dòng)態(tài)的NDVI 波動(dòng)，可以呈現(xiàn)植被在不同生長(zhǎng)階段的物候特征變化。具有穿透能力的SAR 傳感器具備獲取植被表面后向散射信息的能力，而且不受天氣因素的制約。通過(guò)區(qū)分冬小麥與其他地物在不同物候期的光譜特征差異以及時(shí)序后向散射信息差異，進(jìn)一步提取冬小麥。圖2 為各類(lèi)地物的NDVI、VH 和VV 經(jīng)過(guò)HANTS 濾波后的物候曲線。從圖2（a）NDVI 時(shí)序曲線看出，在11～12月 和 次 年5～6 月，NDVI 數(shù) 值 較 高，2～3 月 期 間NDVI 數(shù)值較低，具有“兩峰一谷”的特性。冬小麥在越冬前期，植株經(jīng)過(guò)一段時(shí)間生長(zhǎng)，使其N(xiāo)DVI 數(shù)值逐漸提高； 進(jìn)入越冬期后，NDVI 數(shù)值逐漸降低；返青期到灌漿期之間，隨著植株葉綠素含量增加，NDVI 數(shù)值逐漸上升； 成熟期后冬小麥葉片含水率和葉綠素含量的下降將導(dǎo)致其N(xiāo)DVI 數(shù)值降低。11月中旬到次年2 月，冬小麥與其他地物之間呈現(xiàn)明顯的差異。而在4～5 月份，冬小麥正處于生長(zhǎng)旺盛階段，其他植被尚未進(jìn)入生長(zhǎng)旺期，因此冬小麥與其他地物之間的可分性較為顯著。從圖2（b）和（c）的VH 和VV 物候曲線看出，冬小麥整個(gè)生長(zhǎng)期的VH 和VV 后向散射系數(shù)數(shù)值均小于林地、 建筑以及其他植被，并且在11～12 月之間差異較大。隨著小麥的生長(zhǎng)，葉片密度增加，土壤的散射作用減弱，導(dǎo)致VH 和VV 后向散射系數(shù)呈現(xiàn)先下降后上升的趨勢(shì)。綜上所述，本文最終選取Sentinel-2 影像時(shí)間為2022 年11 月30 日和2023 年04 月29 日，云量小于20%，Sentinel-1A 影像時(shí)間為2022 年12月15 日和2023 年05 月08 日，融合主被動(dòng)遙感影像對(duì)冬小麥種植面積提取。

圖2 各類(lèi)地物物候曲線

2.2 融合主被動(dòng)遙感數(shù)據(jù)冬小麥信息提取

基于被動(dòng)遙感影像分類(lèi)精度評(píng)價(jià)如表2 所示，使用Sentinel-2 影像的總體精度為91.76%，Kappa系數(shù)為0.843，冬小麥的用戶精度為95.13%，生產(chǎn)者精度為95.79%。融合Sentinel-1A 影像和Sentinel-2 影像的分類(lèi)結(jié)果如表3 所示，分類(lèi)的總體精度為94.40%，Kappa 系數(shù)為0.894，冬小麥的用戶精度和生產(chǎn)者精度分別為96.74%和96.96%。相較于Sentinel-2 影像，總體精度提高2.64 個(gè)百分點(diǎn)，Kappa 系數(shù)提高了0.051，冬小麥用戶精度和生產(chǎn)者精度分別提高1.61、1.17 個(gè)百分點(diǎn)。因此，融合主被動(dòng)遙感影像有助于提高冬小麥的提取精度。

表2 基于被動(dòng)遙感影像分類(lèi)精度評(píng)價(jià)

融合主被動(dòng)遙感影像提取的唐山市冬小麥空間分布圖如圖3（a）所示，A、B、C 為小區(qū)域細(xì)節(jié)展示圖。唐山市冬小麥主要種植區(qū)在玉田縣、豐潤(rùn)區(qū)、豐南區(qū)、灤南縣和樂(lè)亭縣，其他地區(qū)少量分布。北部地區(qū)和南部地區(qū)，由于靠近山區(qū)和沿海，不適宜冬小麥生長(zhǎng)，因此，冬小麥分布區(qū)主要在西北至東南一帶的平原地區(qū)。從圖3（c）和（d）中可以看出，融合主被動(dòng)遙感提取的冬小麥效果良好，減少了零碎林地和水體周邊植被的干擾，道路、水體以及建筑提取完整。雷達(dá)影像在一定程度上反映了作物及其環(huán)境信息，能夠有效反應(yīng)植被結(jié)構(gòu)和生長(zhǎng)狀況，并且彌補(bǔ)了光學(xué)影像在分類(lèi)方面的缺陷。

圖3 唐山市冬小麥空間分布圖和不同數(shù)據(jù)源提取結(jié)果對(duì)比（a） 融合主被動(dòng)遙感影像的唐山市冬小麥空間分布圖；（b）方形區(qū)域假彩色影像；（c）方形區(qū)域融合主被動(dòng)遙感影像提取結(jié)果；（d）方形區(qū)域基于被動(dòng)遙感影像提取結(jié)果

2.3 隨機(jī)森林算法特征變量重要性分析

基于被動(dòng)遙感的前15 個(gè)隨機(jī)森林特征變量重要性排序如圖4（a）所示，Nov_NDVI 和Nov_EVI 對(duì)模型的貢獻(xiàn)度最高，重要性超過(guò)0.10，其次為Nov_SAVI，對(duì)模型貢獻(xiàn)度為0.087； 前15 個(gè)特征中，植被指數(shù)特征有8 個(gè)，光譜特征有7 個(gè)，紋理特征和形狀特征未進(jìn)入前15 名； 融合主被動(dòng)遙感的前15 個(gè)隨機(jī)森林特征變量重要性排序如圖4（b）所 示，Nov_NDVI、Dec_VH 和Apr_SAVI 的 對(duì) 模 型的貢獻(xiàn)度最高，重要性最高達(dá)到0.102，其次為Nov_EVI，對(duì)模型貢獻(xiàn)度為0.096；前15 個(gè)特征中，雷達(dá)特征有3 個(gè)，植被指數(shù)特征有7 個(gè)，光譜特征有5 個(gè)，紋理特征和形狀特征排名未進(jìn)入前15 名；5 種特征排序： 植被指數(shù)特征＞雷達(dá)特征＞光譜特征＞紋理特征＞形狀特征；植被指數(shù)特征和雷達(dá)特征顯著高于其他特征，因?yàn)?1～12 月冬小麥與其他地物在光譜特征和后向散射系數(shù)存在顯著差異，更利于冬小麥的識(shí)別。

圖4 前15 個(gè)隨機(jī)森林特征變量重要性排序

3 結(jié)論

本文應(yīng)用Sentinel 系列衛(wèi)星主被動(dòng)遙感數(shù)據(jù)，結(jié)合面向?qū)ο?隨機(jī)森林算法，根據(jù)總體分類(lèi)精度和Kappa 系數(shù)，對(duì)比分析融合多時(shí)相數(shù)據(jù)與單個(gè)數(shù)據(jù)的分類(lèi)精度，選取最優(yōu)分類(lèi)方案對(duì)唐山市冬小麥種植面積進(jìn)行提取，并分析其特征重要性，得到結(jié)論如下：

（1）唐山市冬小麥提取的關(guān)鍵時(shí)期為11 月份至次年2 月份、4～5 月份，該時(shí)期冬小麥的光譜特征和雷達(dá)特征明顯，與其他地物差異顯著，可分離性高，降低混分現(xiàn)象。

（2）融合多時(shí)相Sentinel 衛(wèi)星主被動(dòng)遙感數(shù)據(jù)，充分整合光譜和結(jié)構(gòu)信息，在冬小麥提取中，用戶精度和生產(chǎn)者精度均優(yōu)于使用單一光學(xué)數(shù)據(jù)，分別提高1.61、1.17 個(gè)百分點(diǎn)； 融合多時(shí)相主被動(dòng)遙感影像的分類(lèi)總體精度和Kappa 系數(shù)最高，分別為94.40%和0.894。唐山市冬小麥分布區(qū)主要在西北至東南一帶的平原地區(qū)。

（3）融合主被動(dòng)遙感數(shù)據(jù)的變量特征重要性排序中，植被指數(shù)特征、雷達(dá)特征、光譜特征在冬小麥信息提取中貢獻(xiàn)度較大。