高分六號紅邊波段對夏玉米種植區識別的影響

段金饋，李峰，秦泉，胡先鋒，王晗，韓東楓，顧琛

摘要：為探究高分六號衛星新增紅邊波段對夏玉米種植區識別的影響，選取山東省蘭陵縣為研究區，基于多時相高分六號寬幅相機遙感影像，構建4種波段組合方案，結合地面數據分析不同方案樣本類型可分離性，采用支持向量機方法，提取研究區不同前茬作物夏玉米種植區域，分析光譜反射率變化及識別結果精度。結果表明：高分六號衛星兩個紅邊波段都能不同程度提高不同物候期夏玉米與其他作物的區分度，較無紅邊波段參與相比，紅邊波段參與下不同作物間可分離度有一定提高；大蒜收獲后、冬小麥收獲后播種的夏玉米總體分類精度分別由80.1%、77.3%提高到90.3%、91.1%，分別提升10.2%和13.8%，Kappa系數分別由0.60、0.56提高至0.80、0.81。研究表明，新增紅邊波段可以有效提高夏玉米識別和提取精度，能夠為紅邊波段的農業應用提供參考。

關鍵詞：高分六號；紅邊波段；夏玉米；支持向量機

中圖分類號：S127；S513? ?文獻標志碼：A? ? 文章編號：2096-3599（2023）03-0001-00

DOI：10.19513/j.cnki.issn2096-3599.2023.03.010

Effect of GF-6 red-edge bands on identification of summer maize planting area

DUAN Jinkui1，2， Li Feng1，2， QIN Quan1，2， HU Xianfeng1，2， WANG Han1，2， HAN Dongfeng1，2， GU Chen3

（1. Key Laboratory for Meteorological Disaster Prevention and Mitigation of Shandong， Jinan 250031， China; 2. Shandong Climate Center， Jinan 250031， China; 3. College of Geodesy and Geomatics， Shandong University of Science and Technology， Qingdao 266590， China）

Abstract： In order to explore the effect of the newly added red-edge bands of GF-6 satellite on the identification of summer maize planting area， Lanling County of Shandong Province is taken as the study area. Based on the multi-temporal GF-6 wide field view （WFV） remote sensing images， 4 band combination schemes are constructed， and the separability of sample types of different schemes is analyzed combined with the ground data. The support vector machine （SVM） method is used to extract the summer maize planting areas of different previous crops in the study area， and the spectral reflectance changes and identification accuracy are analyzed. The results are shown below. The two red-edge bands of GF-6 can improve the degree of differentiation between summer maize and other crops in different phenological periods; compared with the absence of red-edge bands， the degree of differentiation between different crops improves with the participation of red-edge bands. The overall classification accuracy of summer maize sown after garlic and winter wheat increases from 80.1% to 90.3% and from 77.3% to 91.1%， i.e.， increases by 10.2% and 13.8%， respectively; Kappa coefficient increases from 0.60 to 0.80 and from 0.56 to 0.81， respectively. The classification results show that the newly added red-edge bands can significantly improve the accuracy of summer maizes identification and extraction， and provide reference for the agricultural application of red-edge bands.

Keywords： GF-6 remote sensing satellite; red-edge band; summer maize; support vector machine （SVM）

引言

夏玉米是我國主要糧食作物，山東作為黃淮海平原夏玉米主產區，播種面積、產量、加工能力、產值均居全國前列。及時、準確的掌握夏玉米種植分布狀況，對于提高農業生產效率和管理水平，保障糧食安全生產，推進農業現代化建設有重要意義[1]。

衛星遙感技術的快速發展為及時、準確、大范圍獲取地面信息[2-4]，尤其是農作物種植面積和分布區域信息提供了重要技術手段。國內外學者利用多源衛星遙感數據在農作物種植識別和提取方面開展了大量研究，以MODIS Terra和Aqua[5-6]、HJ-1 A/B[7-8]、Landsat[9]、Sentinel-2[10]等衛星為主要數據源，提取國家、地區、省域和市域等尺度內農作物種植信息。近年來國產高分系列衛星發展迅速，高分一號衛星數據在農作物面積提取和監測等方面得到了更多的應用[11-13]。張海東等[11]基于16景高分一號寬幅相機（wide field view，WFV）遙感影像，利用歸一化差值植被指數（normalized difference vegetation index，NDVI）、NDWI-RVI（ratio vegetation index；比值植被指數）差值法提取耕地地塊破碎區水稻分布。賀佳等[14]基于高分一號WFV遙感影像建立一元與多元回歸模型，動態估算夏玉米光合有效吸收輻射比率。Luo等[15]基于高分一號衛星數據，利用支持向量機和隨機森林算法提取海南島芒果種植面積。高分一號衛星能夠更好地反映農作物信息，但它僅有的4個傳統波段制約了作物識別精度的提高[16]。

2018年發射的高分六號衛星新增紫、黃和2個紅邊波段，具有16 m多光譜中分辨率寬幅（WFV）、全色/多光譜傳感器（panchromatic and multispectral sensor，PMS）兩種不同空間分辨率，是我國首顆設置紅邊波段的農業監測高分衛星。紅邊波段介于紅光波段和近紅外波段之間，植被葉片反射率在紅邊波段范圍內會發生突變，且受背景信息影響較小[17]。已有研究表明紅邊波段對于綠色植被生長狀況有更高敏感性[13，18]，在農作物遙感監測方面發揮著重要作用，可以作為農作物葉綠素濃度、葉面積指數、含水量和氮濃度等參數的重要指示[19-21]。有研究基于可分離性測試、分類精度等驗證，發現在紅邊波段參與下，提高了小麥、水稻、大豆、油菜等農作物種植面積提取精度[17，22-24]；不少學者也基于國產高分六號衛星數據探究紅邊波段對農作物種植識別精度的影響[16，25-28]。Kang等[25]基于高分六號WFV數據，對衡水市多種農作物分類，并分析不同紅邊波段對分類精度的影響，結果表明引入紅邊波段可以不同程度的提高作物分類精度。Jiang等[26]利用高分六號紅邊波段，構建紅邊決策樹提取水田分布零散區域內的水稻種植面積，分類總體精度較傳統決策樹提高約7.0%。姜楠等[28]通過高分六號新增波段提出NDSI28等光譜指數構建決策樹模型，利用支持向量機等多種分類方法，提取固始縣油菜種植分布區域，提取精度都有不同程度的提高。目前，利用帶有紅邊波段的高分六號遙感影像進行夏玉米種植區精確識別的研究還較少。

鑒于此，為探究高分六號遙感影像數據紅邊波段對夏玉米種植區識別精度的影響，基于2019年7月5日和8月20日高分六號WFV遙感影像數據，構建4套不同波段組合方案，以山東省臨沂市蘭陵縣為研究區，利用支持向量機算法，對不同物候期夏玉米和其他作物進行種植面積提取與評估，分析不同波段組合對樣本可分離性、光譜反射率和識別精度的影響，探究紅邊波段在夏玉米種植面積提取中的重要性，以期為復雜種植結構中夏玉米識別和提取提供方法參考。

1 材料與方法

1.1研究區概況

蘭陵縣地處山東省南部，位于117°41"～118°18"E、34°37"～35°06"N之間（圖1，底圖為2019年8月20日遙感影像），地勢西北高東南低，海拔為40～580 m；屬溫帶季風區大陸性氣候，年平均氣溫為13.5 ℃，年平均降水量835.3 mm。蘭陵縣農作物種類繁多，是山東省內典型的種植結構復雜區域，農作物播種面積為170 816.8 hm?，其中2019年蘭陵縣玉米播種面積為46 128.5 hm?，占全縣農作物總播種面積的27.0%。由于前茬作物發育期不同，研究區夏玉米播種時間存在差異，主要分為大蒜收獲后種植的夏玉米（以下簡稱“大蒜茬夏玉米”）和冬小麥收獲后種植的夏玉米（以下簡稱“冬小麥茬夏玉米”）。基于高分六號遙感影像和地面調查點將蘭陵縣分為夏玉米、其他作物（主要包括花生、大豆、蔬菜等）、設施農業、林地、建設用地（城鎮、道路等）、裸地、水體7種地物類型。

1.2遙感影像數據獲取與預處理

高分六號衛星WFV傳感器多光譜空間分辨率為16 m，幅寬為860 km，在傳統的藍、綠、紅、近紅外波段的基礎上，新增紅邊710 nm波段、紅邊750 nm波段、紫波段和黃波段（表1）。

根據蘭陵縣作物物候信息（表2）及影像質量，選取2019年7月5日和8月20日兩景晴空遙感影像，探究紅邊波段對不同前茬作物夏玉米種植區識別的影響。利用ENVI5.3軟件，結合行政邊界矢量數據，對影像進行正射校正、輻射定標、大氣校正和裁剪等預處理。正射校正用于消除圖像空間偏離，通過輻射定標將原始影像數字信號（digital number，DN）值轉化為輻射亮度值，大氣校正能夠去除大氣干擾，利用ENVI5.3中基于輻射傳輸模型（moderate resolution tanssios，MODTRAN 4）的FLAASH（fast line-of sight atmospheric analysis of spectral hypercubes）模塊進行大氣校正，將輻射亮度值轉化為地表反射率[29]。

1.3地面數據獲取

地面數據主要包括地面調查點、解譯標志點和地面驗證點3類。地面調查點共42個，2019年7月和8月，利用手持全球定位系統（global positioning system，GPS），開展實地調查，采集夏玉米、其他作物、設施農業、林地等不同地類信息。共采集解譯標志點278個，包括夏玉米、其他作物、水體、道路等，用于計算樣本類型可分離性，并作為作物監督分類的訓練樣本。地面驗證點共500個（圖1），利用地面調查點結合谷歌地球（Google Earth）和天地圖高分辨率影像進行目視解譯隨機選取，包括夏玉米和其他作物，用于構建混淆矩陣，進行提取精度驗證。

1.4研究方法

1.4.1技術路線

為探究高分六號遙感影像數據紅邊波段對夏玉米識別的影響，基于多時相影像光譜信息進行提取不同物候期夏玉米和其他作物，并進行精度驗證。構建無紅邊波段參與、單一紅邊波段參與和全部紅邊波段參與下的4種波段組合方案，分析不同前茬作物夏玉米和其他作物在各波段光譜反射率，基于各樣本間最小J-M（Jeffreys-Matusita）距離計算樣本類別可分離性，確認各類地物間樣本可分離性大于1.800后，采用支持向量機（support vector machine，SVM）方法分別提取作物種植信息，利用混淆矩陣驗證提取結果精度，比較不同紅邊波段在作物識別中發揮的作用，分析紅邊波段對不同物候期夏玉米提取精度的影響以及紅邊波段的重要性（圖2）。

1.4.2類別可分離性

基于主要農作物的地面調查信息，使用空間特征優化算法進行光譜特征優選分析。通過計算不同特征空間組合中各個樣本之間的最小J-M距離來確定最優特征值。J-M距離越大，分離度越大，大于1.9表示訓練樣本之間的光譜可分離性良好，最大分離度對應特征空間的最佳組合。J-M距離是基于條件概率理論的光譜可分離性指標，用于衡量光譜在類別之間的可分離性。其波段指數是研究不同波段組合識別和提取不同地物特征能力的重要參數[27]。公式如下：

（1）

式中：為條件概率密度，即第個像元歸屬為個類別的概率；取值范圍為0～2，其大小表示類別之間的分離程度。

1.4.3支持向量機分類方法

目前遙感監督分類常用方法主要有決策樹法、最大似然法、支持向量機法、隨機森林算法[30]。支持向量機算法通過學習樣本的統計特征，基于結構風險最小化原則、最優化理論以及核函數概念，得出一個超平面分割樣本，且樣本與該平面間盡可能有最大間隔[31-32]。在最大間隔基礎上的分類可以最大程度地消除噪聲影響，更好地避免因噪聲引起地分類錯誤。

任何超平面均可表達為點集：。數據集，的值為1或-1，表示數據點所屬的類別；代表超平面的法向量，在約束條件下和變量由訓練樣本求出唯一確定值；若有新的樣本，就能根據的結果對其分類[33]。

1.4.4精度驗證

基于地面驗證點，利用混淆矩陣計算Kappa系數、總體分類精度（overall accuracy，OA）、用戶精度（user accuracy，UA）和制圖精度（mapping accuracy，MA）對不同紅邊波段組合下的分類結果進行精度驗證[34]：

VKappa （2）

VOA （3）

VMA （4）

VUA （5）

式中：m為正確分類的驗證點數，N為驗證點總數，為第i類的分類正確驗證點數，為第i類的真實驗證點總數，為第i類的分類驗證點總數，n為分類數[16]。

1.4.5波段組合方案

基于高分六號衛星WFV波段信息，在無紅邊波段參與、紅邊710 nm波段（第5波段）參與、紅邊750 nm波段（第6波段）參與和全部紅邊波段參與的條件下，構建4種波段組合方案（表3）。

2 結果與分析

2.1不同紅邊波段下樣本類別可分離性

基于4種波段組合方案，利用相同訓練樣本，計算J-M距離，獲得玉米—其他作物的樣本類別可分離性（表4）。結果表明：（1）相較于無紅邊波段參與，方案4全部紅邊波段參與下，大蒜茬和冬小麥茬夏玉米—其他作物樣本類別可分離性都有小幅度提高，分別從1.934和1.982增加到1.983和1.998，分別增加0.049和0.016，加入紅邊波段信息可以一定程度增加影像中夏玉米和其他作物的區分度。（2）對比方案2和方案3引入不同紅邊波段，大蒜茬和冬小麥茬夏玉米—其他作物的可分離性有所上升，分別從1.965和1.994提高到1.976和1.997，表明紅邊750 nm（第6波段）波段對夏玉米—其他作物的區分貢獻度大于紅邊710 nm（第5波段）波段。（3）紅邊波段的參與對大蒜茬夏玉米—其他作物的可分離性增加幅度大于冬小麥茬夏玉米—其他作物，表明紅邊波段對區分大蒜茬夏玉米和其他作物的貢獻度較大。

以上分析結果表明紅邊波段參與可以一定程度上增加夏玉米，特別是大蒜茬夏玉米—其他作物的區分度，但提升幅度有限，差別僅發生在小數點后第3位，其中紅邊750 nm波段對于夏玉米—其他作物的分類貢獻度大于紅邊710 nm波段。

2.2光譜反射率變化分析

基于地面數據，分析兩景高分六號遙感影像8個波段上不同作物的光譜反射率最小值、最大值、平均值等統計數據差異（圖3），當各波段的點間隔較大時被認為有明顯區分，而點重疊或相距較近時被認為區分度較低。可以看出：（1）紅邊750 nm波段（第6波段）是唯一能全部區分兩類作物統計特征的波段，且大蒜茬和冬小麥茬夏玉米—其他作物各統計數值間隔較大，區分度較高。（2）在紅邊710 nm波段（第5波段），冬小麥茬夏玉米—其他作物區分度都很明顯，但大蒜茬夏玉米—其他作物點的間隔較小，不能很好地區分兩類作物。（3）近紅外波段（第4波段）可以有效區分大蒜茬夏玉米—其他作物；但對于冬小麥茬夏玉米—其他作物點的間隔相對較小，在最小值處出現“異物同譜”現象。（4）黃波段（第8波段）能夠區分兩類作物統計特征，但點的間隔較小，區分度有限。

綜上結果可以看出，紅邊710 nm、紅邊750 nm波段都是區分夏玉米—其他作物的有效波段，特別是紅邊750 nm波段上兩類作物光譜反射率差異要優于紅邊710 nm波段，這與2.1節樣本可分離性分析的結果相吻合。

2.3分類精度比較

基于相同的訓練樣本，利用SVM分類方法，實現4種波段組合方案作物分類，疊加融合兩景影像分類結果，方案1—4夏玉米提取面積分別為28 983.6 hm?、36 800.8 hm?、39 986.5 hm?和43 180.3 hm?，與2019年種植面積統計數據相比，方案4提取結果最接近，面積一致性為93.6%。方案4研究區夏玉米種植區域提取結果如圖4所示，夏玉米主要分布在蘭陵縣南部和東部地勢平坦地區，與實地調查及當地農業部門獲取的信息較為符合，表明紅邊波段參與可以提高夏玉米種植區識別與提取精度。

利用研究區地面驗證點數據，通過混淆矩陣進行分類精度評價（表5）。較方案1，不同前茬作物夏玉米引入全部紅邊波段后方案4分類精度有明顯提升，OA分別由80.1%和77.3%提高到90.3%和91.1%，分別提升10.2%和13.8%，Kappa系數分別由0.60和0.56提高至0.80和0.81。在單一紅邊波段參與下，紅邊750 nm波段參與下OA略高于紅邊710 nm波段，分別提升3.7%和4.0%，Kappa系數相差0.07。

與方案1相比，方案2和方案3夏玉米分類MA明顯提高，而方案3提高幅度更大，不同前茬作物夏玉米分別提升13.0%和19.9%，與方案4全部紅邊波段參與下僅差3.5%和4.8%，表明紅邊750 nm波段在夏玉米分類中貢獻度大于紅邊710 nm波段，這與2.1、2.2節中的結果基本吻合。其他作物的MA變化相對較小，可能的原因是其他作物種植種類豐富、發育期不同，種植區域零散，且遙感影像分辨率較低，降低了分類精度。

結合分類精度，通過典型區域內不同波段組合方案分類結果分析不同紅邊波段對夏玉米提取結果的影響（圖5）。較方案1來說，在引入紅邊波段后，方案2—4都不同程度的解決了夏玉米錯分、漏分的現象，提高了對夏玉米種植區的識別能力。圖5a—e矩形區域內和圖5f—j橢圓形區域內以夏玉米為主，矩形區域內出現夏玉米圖斑的“椒鹽現象”，在方案2—4中得到不同程度的改正，分類結果中圖斑有更好的連續性和完整性，圖斑邊界平滑性明顯提升；橢圓形區域內方案1明顯的漏分現象在方案4中顯著降低。

3 結論與討論

通過構建不同紅邊波段組合方案，基于多時相高分六號遙感影像數據識別和提取不同前茬作物夏玉米及同發育期其他作物，分析兩個紅邊波段對不同發育期夏玉米樣本類別可分離性、光譜反射率變化和分類精度的影響，得以下結論：

（1）紅邊波段參與可以在一定程度上提高不同作物樣本類別可分離性，但提升幅度有限，差別僅發生在第3位小數。相較于無紅邊波段，全部紅邊波段參與下不同前茬作物夏玉米—其他作物的可分離度分別增加0.049和0.016；單一紅邊波段參與與無紅邊波段參與相比，夏玉米—其他作物樣本可分離度也有略微提高，且紅邊750 nm波段對于夏玉米—其他作物區分貢獻度更大，表明引入紅邊波段可以提高夏玉米的識別能力。

（2）紅邊710 nm和紅邊750 nm波段都是區分夏玉米—其他作物的有效波段。特別是紅邊750 nm波段在不同前茬作物夏玉米全部統計特征上區分度都較高；紅邊710 nm波段在大蒜茬夏玉米—其他作物點的間隔較小，區分度略低。

（3）在僅利用影像光譜信息基礎上，較無紅邊波段參與，不同前茬作物夏玉米全部紅邊波段的參與下作物OA分別由80.1%和77.3%提高到90.3%和91.1%，分別提升10.2%和13.8%，Kappa系數分別由0.60和0.56提高至0.80和0.81；紅邊710 nm和紅邊750 nm單獨參與進行作物識別和提取時，不同前茬作物夏玉米OA較無紅邊波段參與分別提高3.7%和7.4%、8.1%和12.1%；兩種單一紅邊波段參與下，紅邊750 nm波段參與下夏玉米MA高于紅邊710 nm波段，分別提高6.6%和7.7%，紅邊750 nm波段在夏玉米識別時特征重要性優于紅邊710 nm波段。結合作物分類結果分析，引入紅邊波段一定程度上降低不同前茬作物夏玉米錯分、漏分的情況，增強分類結果中圖斑的連續性和完整性，有效降低分類結果中出現的“椒鹽現象”，使作物種植區域識別和提取結果更加科學合理。可見，高分六號衛星新增2個紅邊波段，特別是紅邊750 nm波段能夠不同程度地提高作物識別和提取能力，有廣闊的應用前景。

在研究高分六號衛星紅邊波段對不同前茬作物夏玉米種植區識別的影響過程中，發現一些問題和討論：

（1）受云覆蓋、衛星重訪周期等影響，本研究僅分析了紅邊波段對夏玉米遙感影像光譜特征最顯著時期的影響，難以獲取夏玉米其他關鍵發育期內更多時相遙感影像數據，且研究區內其他作物種類繁多，受遙感影像空間分辨率限制，作物分類總體精度仍有待提升，下一步研究中將綜合利用多源遙感影像，進一步提高時空分辨率，以改善作物識別和提取精度。

（2）研究區內以直播夏玉米為主，后續將結合多源遙感影像，開展紅邊波段對套種區域夏玉米識別影響的研究。

（3）利用SVM方法實現不同紅邊波段組合下夏玉米等作物種植區識別，但并未與其他監督分類方法進行對比分析，也未與Landsat8、Landsat9、Sentinel-2等空間分辨率接近的影像進行分類結果和精度對比，這也是下一步研究的重點。

參考文獻：

[1]王雪婷，張莎，鄧帆，等.基于作物空間物候差異提取黃淮海夏玉米種植面積[J].中國農業氣象， 2019，40（10）：647-659.

[2]王晗，李峰，王昊，等.基于FY-3B/VIRR數據的濟南市城市熱島效應與影響因素分析[J].海洋氣象學報，2021，41（2）：126-137.

[3]瞿植，羅漫雅，趙永華，等.黃河流域大型天然湖泊面積與岸線形態的時空動態[J].應用生態學報，2023，34（4）：1102-1108.

[4]趙詩童，時曉曚，吳曉京，等.三種經典夜間陸地霧遙感反演方法的適用性對比分析[J].海洋氣象學報，2021，41（1）：45-57.

[5]ZHANG G L， XIAO X M， DONG J W， et al. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J]. ISPRS J Photogramm Remote Sens，2015，106：157-171.

[6]李莉，劉志紅，韓晨琛，等.基于衛星遙感的臨沂市冬小麥種植時空變化特征分析[J]. 海洋氣象學報，2020，40（3）：126-135.

[7]柳文杰，曾永年，張猛.融合時間序列環境衛星數據與物候特征的水稻種植區提取[J]. 遙感學報，2018，22（3）381-391.

[8]CHEN J S， HUANG J X， HU J X. Mapping rice planting areas in southern China using the China Environment Satellite data[J]. Math Comput Model， 2011， 54（3/4）：1037-1043.

[9] CABRAL A I R， COSTA F L. Land cover changes and landscape pattern dynamics in Senegal and Guinea Bissau borderland[J]. Appl Geogr，2017，82：115-128.

[10]陳彥四，黃春林，侯金亮，等.基于多時相Sentinel-2影像的黑河中游玉米種植面積提取研究[J].遙感技術與應用，2021，36（2）：324-331.

[11]張海東，田婷，張青，等.基于GF-1影像的耕地地塊破碎區水稻遙感提取[J].遙感技術與應用，2019，34（4）：785-792.

[12]馬尚杰，裴志遠，王飛，等.基于GF-1影像的沿淮地區冬季耕地撂荒遙感調查應用[J]. 農業工程學報，2019，35（1）：227-233.

[13] ZHOU Q B， YU Q Y， LIU J， et al. Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring[J]. J Integr Agric，2017，16（2）：242-251.

[14]賀佳，郭燕，張彥，等.基于GF-1數據的夏玉米FPAR遙感動態估算[J].農業機械學報，2022，53（4）：164-172.

[15]LUO H X， DAI S P， LI M F， et al. Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery[J].J Integr Agric，2020，19（11）：2815-2828.

[16]張悅琦，李榮平，穆西晗，等.基于多時GF-遙感影像的水稻種植面積提取[J].農業工程學報，2021，37（17）：189-196.

[17]劉佳，王利民，滕飛，等.RapidEye衛星紅邊波段對農作物面積提取精度的影響[J].農業工程學報，2016，32（13）：140-148.

[18]ELVIDGE C D， CHEN Z K. Comparison of broad-band and narrow-band red and near-infrared vegetation indices[J]. Remote Sens Environ，1995，54（1）：38-48.

[19]LAMB D W， STEYN-ROSS M， SCHAARE P， et al. Estimating leaf nitrogen concentration in ryegrass （Lolium spp.） pasture using the chlorophyll red-edge： theoretical modelling and experimental observations[J]. Int J Remote Sens，2002，23（18）：3619-3648.

[20]DANSON F M， PLUMMER S E. Red-edge response to forest leaf area index[J]. Int J Remote Sens，1995，16（1）：183-188.

[21]FILELLA I， PENUELAS J. The red edge position and shape as indicators of plant chlorophyll content， biomass and hydric status[J]. Int J Remote Sens，1994，15（7）：1459-1470.

[22] MEHDAOUI R， ANANE M. Exploitation of the red-edge bands of Sentinel 2 to improve the estimation of durum wheat yield in Grombalia region （Northeastern Tunisia）[J]. Int J Remote Sens，2020，41（23）：8986-9008.

[23]田富有，吳炳方，曾紅偉，等.基于多層神經網絡與Sentinel-2數據的大豆種植區識別方法[J].地球信息科學學報，2019，21（6）：918-927.

[24]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域提取[J].農業工程學報，2013，29（15）：145-152.

[25]KANG Y P， MENG Q Y， LIU M， et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors （Basel），2021，21（13）：4328.

[26]JIANG X Q， FANG S H， HUANG X， et al. Rice mapping and growth monitoring based on time series GF-6 images and red-edge bands[J].Remote Sens，2021，13（4）：579.

[27]王利軍，郭燕，王來剛，等.GF6衛星紅邊波段對春季作物分類精度的影響[J].河南農業科學，2020，49（6）：165-173.

[28]姜楠，張雪紅，汶建龍，等.基于高分六號寬幅影像的油菜種植分布區域提取方法[J].地球信息科學學報，2021，23（12）：2275-2291.

[29]曹引，冶運濤，趙紅莉，等.高分六號影像在內陸水體葉綠素a反演中的應用潛力分析[J].地球信息科學學報，2022，24（3）：546-557.

[30]杜中曼，馬文明，周青平，等.基于遙感技術的植被識別方法研究進展[J].生態科學，2022，41（6）222-229.

[31]朱夢豪，李國清，彭壯壯.特征優選下的農作物遙感分類研究[J].測繪科學，2022，47（3）：122-128.

[32]王立國，趙亮，劉丹鳳.SVM在高光譜圖像處理中的應用綜述[J].哈爾濱工程大學學報，2018，39（6）：973-983.

[33]G?RON A. Hands-on machine learning with Scikit-Learn and TensorFlow： concepts， tools， and techniques to build intelligent systems[M]. Boston：OReilly Media，2017：1-547.

[34]CONGALTON R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sens Environ，1991，37（1）：35-46.