基于遙感數(shù)據(jù)的作物澇災(zāi)識(shí)別技術(shù)研究

摘要：澇災(zāi)導(dǎo)致農(nóng)作物生長(zhǎng)受阻，產(chǎn)量減少。及時(shí)獲取澇災(zāi)信息在作物估損、保險(xiǎn)理賠等方面具有重要意義。以作物澇災(zāi)遙感研究數(shù)據(jù)源、作物澇災(zāi)識(shí)別特征、澇災(zāi)識(shí)別方法及識(shí)別精度評(píng)價(jià)指標(biāo)為研究對(duì)象，對(duì)作物澇災(zāi)識(shí)別技術(shù)研究現(xiàn)狀進(jìn)行分析，指出遙感數(shù)據(jù)在作物澇災(zāi)識(shí)別領(lǐng)域的應(yīng)用特點(diǎn)和方向，從而為作物澇災(zāi)識(shí)別的深入研究提供參考。

關(guān)鍵詞：遙感； 光譜； 澇災(zāi)識(shí)別； 植被指數(shù)； 機(jī)器學(xué)習(xí)

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-1161（2024）04-0064-04

洪澇災(zāi)害是導(dǎo)致農(nóng)作物減產(chǎn)的一大自然災(zāi)害，對(duì)糧食安全構(gòu)成嚴(yán)重威脅[1-2]。傳統(tǒng)澇災(zāi)判定依賴人工目視，存在效率低、時(shí)效性差、主觀性強(qiáng)等問(wèn)題。遙感技術(shù)以其快速、宏觀、客觀等優(yōu)勢(shì)，在農(nóng)業(yè)領(lǐng)域應(yīng)用日益廣泛[3-5]，能夠快速精準(zhǔn)獲取作物生產(chǎn)信息。收集整理基于遙感技術(shù)的澇災(zāi)識(shí)別研究結(jié)果，系統(tǒng)梳理澇災(zāi)識(shí)別的數(shù)據(jù)源、方法、評(píng)價(jià)指標(biāo)等，旨在為遙感數(shù)據(jù)在作物澇災(zāi)識(shí)別中的實(shí)踐應(yīng)用提供參考。

1 研究數(shù)據(jù)和方法

1.1 研究數(shù)據(jù)

以中國(guó)知網(wǎng)數(shù)據(jù)庫(kù)為數(shù)據(jù)源，以作物澇災(zāi)、遙感識(shí)別、澇漬為關(guān)鍵詞進(jìn)行檢索，檢索時(shí)間跨度為1997—2023年，針對(duì)有效文獻(xiàn)進(jìn)行分類歸納，篩選該主題方向的期刊、碩博士論文38 篇，作為最終研究數(shù)據(jù)。

1.2 研究方法

采用文獻(xiàn)研究法和內(nèi)容分析法對(duì)獲取的研究數(shù)據(jù)進(jìn)行系統(tǒng)分析。文獻(xiàn)研究法是指在收集和整理某一研究主題的相關(guān)文獻(xiàn)的基礎(chǔ)上，對(duì)文獻(xiàn)進(jìn)行研究，形成新的理解，進(jìn)而形成對(duì)事實(shí)科學(xué)認(rèn)識(shí)的一種研究方法[6-7]。內(nèi)容分析法是一種對(duì)傳播信息內(nèi)容進(jìn)行系統(tǒng)、客觀和量化描述的研究方法[8]。

2 研究分析結(jié)果

2.1 作物澇災(zāi)識(shí)別數(shù)據(jù)源分析

2.1.1 遙感數(shù)據(jù)源和數(shù)據(jù)預(yù)處理分析 當(dāng)前研究所使用的澇災(zāi)識(shí)別遙感數(shù)據(jù)主要有多光譜遙感數(shù)據(jù)[9-10]、高光譜遙感數(shù)據(jù)[10-12]、激光雷達(dá)數(shù)據(jù)[13-14]。其中，多光譜和高光譜數(shù)據(jù)使用最多。與高光譜數(shù)據(jù)相比，多光譜數(shù)據(jù)具有時(shí)效性好、數(shù)據(jù)來(lái)源多、實(shí)時(shí)處理速度快、光譜波段較少、處理方便等特點(diǎn)，但是無(wú)法提供詳細(xì)的特性、組成和結(jié)構(gòu)信息。近年來(lái)，也有研究使用合成孔徑雷達(dá)SAR用于提取澇災(zāi)影像[15-16]。

作物澇災(zāi)識(shí)別使用的遙感數(shù)據(jù)一般通過(guò)衛(wèi)星和無(wú)人機(jī)獲取。衛(wèi)星遙感數(shù)據(jù)主要通過(guò)GF-1 衛(wèi)星、Planetlabs 遙感衛(wèi)星群、Landsat 衛(wèi)星、HJ 衛(wèi)星、Sentinel-2A 衛(wèi)星及Sentinel-1 衛(wèi)星獲取。無(wú)人機(jī)遙感數(shù)據(jù)主要通過(guò)無(wú)人機(jī)搭載可見(jiàn)光、多光譜、高光譜成像儀對(duì)受澇地塊進(jìn)行數(shù)據(jù)采集獲取。與衛(wèi)星相比，無(wú)人機(jī)數(shù)據(jù)采集具有快速高效、獲取靈活、分辨率高、處理速度快和運(yùn)行成本低的優(yōu)勢(shì)[9]。因此，無(wú)人機(jī)被廣泛應(yīng)用于小區(qū)域目標(biāo)影像獲取[17]。國(guó)內(nèi)現(xiàn)有澇災(zāi)識(shí)別研究采用的數(shù)據(jù)覆蓋東北三省、江西省、安徽省、內(nèi)蒙古自治區(qū)等地，研究對(duì)象主要包括玉米、大豆、水稻等作物[18-31]。

獲取作物澇災(zāi)識(shí)別所需遙感圖像的過(guò)程中可能會(huì)產(chǎn)生數(shù)據(jù)失真、幾何畸變等情況，因此需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪聲、旋轉(zhuǎn)、幾何糾正、鑲嵌、增強(qiáng)等操作，以提高圖像質(zhì)量。對(duì)遙感影像數(shù)據(jù)中存在未知區(qū)域的情況，可采用克里金插值法等插值方法對(duì)遙感影像進(jìn)行插值處理。對(duì)不可避免的噪聲或因飛行高度過(guò)高產(chǎn)生的遙感影像失真現(xiàn)象，可進(jìn)行大氣校正、輻射定標(biāo)和正射校正等處理。對(duì)因環(huán)境光線、溫度改變?cè)斐傻墓庾V數(shù)據(jù)噪聲情況，可將光譜數(shù)據(jù)進(jìn)行微分處理，能在一定程度上削弱噪聲，一般采用一階微分導(dǎo)數(shù)處理。除對(duì)遙感影像進(jìn)行微分預(yù)處理外，還可以對(duì)遙感影像進(jìn)行對(duì)數(shù)、歸一化、倒數(shù)變換、相鄰平均法、SG濾波、主成分分析、核主成分分析[32]等預(yù)處理。

2.1.2 地面監(jiān)測(cè)數(shù)據(jù)分析 研究涉及的地面監(jiān)測(cè)數(shù)據(jù)包括葉綠素含量、葉面積指數(shù)、株高和禿尖長(zhǎng)度等表征作物長(zhǎng)勢(shì)的地面數(shù)據(jù)。葉綠素含量是指單位面積內(nèi)葉片中所含葉綠素的質(zhì)量，用來(lái)反映植物的生長(zhǎng)狀況、光合作用效率和營(yíng)養(yǎng)狀態(tài)。SPAD值可以用來(lái)反映葉綠素含量，一般使用ASD公司的SPAD-502測(cè)定儀測(cè)量。葉面積指數(shù)是指單位地表面積上植被覆蓋物的一側(cè)所擁有的葉片表面積總和，是衡量植被覆蓋程度、評(píng)價(jià)生態(tài)系統(tǒng)功能、估算生產(chǎn)力等方面的重要參數(shù)。獲取葉面積指數(shù)一般采用比葉重法或使用LAI2000C設(shè)備進(jìn)行測(cè)量[19，26，30-31]。株高、禿尖長(zhǎng)度、棒長(zhǎng)、根部直徑可使用卷尺進(jìn)行測(cè)量[18]。

2.2 作物澇災(zāi)識(shí)別方法

作物澇災(zāi)遙感識(shí)別方法是指通過(guò)對(duì)無(wú)人機(jī)遙感影像或衛(wèi)星遙感影像進(jìn)行處理，找到能較好地反映作物是否受澇的特征并基于此建立精度較高的澇災(zāi)識(shí)別模型的構(gòu)建方法。研究涉及的作物澇災(zāi)識(shí)別方法主要可歸納為兩類：基于光譜、紋理特征的澇災(zāi)識(shí)別方法和基于植被指數(shù)的澇災(zāi)識(shí)別方法。

2.2.1 基于光譜、紋理特征的澇災(zāi)識(shí)別方法 獲取作物的光譜和紋理特征對(duì)作物澇災(zāi)識(shí)別具有重要意義。有研究發(fā)現(xiàn)，作物光譜反射特征與葉綠素含量。葉面積指數(shù)等能反映作物農(nóng)情特征，并有著較高的相關(guān)性[18-19，26-27，30，33]。例如，葉綠素低反射形成的綠峰一般出現(xiàn)在550 nm 波段，葉綠素吸收紅光形成的紅谷一般出現(xiàn)在650 nm 波段，葉綠素對(duì)紅光的強(qiáng)吸收和對(duì)近紅外光的強(qiáng)反射形成的紅邊一般出現(xiàn)在680～750 nm 波段。也有研究表明，作物光譜反射特征與葉綠素含量、葉面積指數(shù)等能反映作物受災(zāi)情況，這主要是因?yàn)楦珊怠⒑樗⑸硥m暴等氣候?yàn)?zāi)害能在短時(shí)間內(nèi)造成作物生理生化信息驟變，而確定上述驟變敏感的光譜波段是澇災(zāi)識(shí)別的關(guān)鍵。

最簡(jiǎn)單的方法是通過(guò)控制變量法監(jiān)測(cè)作物，比較作物受澇前后光譜反射率的差異，選取變化較大的波段作為敏感波段進(jìn)行進(jìn)一步分析。有學(xué)者引入光譜距離判別某一波段范圍識(shí)別能力，并采用核主成分分析、光譜敏感度法對(duì)獲取的敏感波段進(jìn)行特征提取，能夠縮小敏感波段范圍[23，27，31]。近年來(lái)，還有研究人員在對(duì)光譜數(shù)據(jù)一階導(dǎo)數(shù)變換后，采用連續(xù)統(tǒng)去除法消除不相關(guān)背景信息、增強(qiáng)感興趣吸收特征，來(lái)篩選敏感波段[24]。

紋理作為物體表面的一種基本屬性，能夠很好地表征圖像的信息[34]。有研究表明，利用紋理特征能夠有效降低椒鹽現(xiàn)象，解決光譜相似性目標(biāo)的識(shí)別問(wèn)題；但單一的紋理特征容易受到遙感影像空間分辨率的影響，不具有普適性，需與光譜信息或其他作物長(zhǎng)勢(shì)信息相結(jié)合，才能在澇災(zāi)識(shí)別中獲得較好的效果。有研究發(fā)現(xiàn)，紋理特征和光譜特征結(jié)合可以提高分類精度，相比于僅使用原始光譜特征的分類結(jié)果，紋理特征的加入使分類精度獲得不同程度的提高[17，24，35-37]。

2.2.2 基于植被指數(shù)的澇災(zāi)識(shí)別方法 植被指數(shù)是指通過(guò)遙感技術(shù)獲取的反映植被生長(zhǎng)、覆蓋和生物量等狀況的指標(biāo)。比起單一波段，植被指數(shù)能更好地表達(dá)植物的活力[38]。植被指數(shù)的變化可以預(yù)測(cè)和監(jiān)測(cè)自然災(zāi)害的發(fā)生，也可以評(píng)估旱災(zāi)、水澇、風(fēng)災(zāi)等災(zāi)害對(duì)農(nóng)業(yè)生產(chǎn)的影響。植被指數(shù)還能夠反映作物受澇時(shí)的健康狀態(tài)。近年來(lái)，許多學(xué)者基于植被指數(shù)在作物澇災(zāi)識(shí)別領(lǐng)域展開了相關(guān)研究，較為常見(jiàn)的是利用植被指數(shù)和產(chǎn)量的關(guān)系建立澇災(zāi)識(shí)別模型。例如，任楓荻[18]通過(guò)線性回歸方程、二次曲線方程、指數(shù)函數(shù)回歸方程擬合作物植被指數(shù)與產(chǎn)量的關(guān)系，選擇決定系數(shù)較高的植被指數(shù)做標(biāo)準(zhǔn)化處理，劃定受澇閾值，判斷區(qū)域作物的受澇情況。馮琳[19]基于植被指數(shù)，采用線性、冪乘、指數(shù)回歸方程建立玉米產(chǎn)量、葉綠素模型，根據(jù)植被指數(shù)標(biāo)準(zhǔn)化劃定閾值，對(duì)受澇漬玉米的損失程度進(jìn)行評(píng)價(jià)。也有研究利用植被指數(shù)和環(huán)境參數(shù)相結(jié)合建立澇災(zāi)識(shí)別模型。例如，劉聰[20]在植被指數(shù)的基礎(chǔ)上提出一種利用溫度—植被指數(shù)（LST-VI）特征空間，構(gòu)建溫度植被干旱指數(shù)（TVDI）建模識(shí)別澇災(zāi)的模型，也取得了不錯(cuò)的效果。還有學(xué)者利用植被指數(shù)和時(shí)間序列法相結(jié)合建立澇災(zāi)識(shí)別模型，通過(guò)計(jì)算研究區(qū)每個(gè)時(shí)相的植被指數(shù)中值，采用SG濾波法對(duì)植被指數(shù)時(shí)間序列去噪，得到研究區(qū)作物標(biāo)準(zhǔn)長(zhǎng)勢(shì)植被指數(shù)時(shí)間序列曲線，通過(guò)對(duì)比不同時(shí)相下受澇和未受澇作物的歸一化植被指數(shù)，判斷該地作物是否受澇，識(shí)別精度達(dá)到86.74%[21]。

對(duì)調(diào)研文獻(xiàn)進(jìn)行分析可知，歸一化植被指數(shù)是目前廣泛使用的植被指數(shù)，同時(shí)也有學(xué)者采用差值植被指數(shù)、比值植被指數(shù)、結(jié)構(gòu)獨(dú)立色素指數(shù)、光化學(xué)植被指數(shù)、增強(qiáng)型植被指數(shù)等指數(shù)進(jìn)行作物澇災(zāi)識(shí)別研究。應(yīng)用于澇災(zāi)識(shí)別中的植被指數(shù)見(jiàn)表1[16，18-28，30，39-40]。

2.3 作物澇災(zāi)識(shí)別模型精度評(píng)價(jià)

作物澇災(zāi)識(shí)別模型的準(zhǔn)確性通常使用評(píng)價(jià)指標(biāo)來(lái)進(jìn)行判斷。研究涉及的作物澇災(zāi)識(shí)別模型中常用的評(píng)價(jià)指標(biāo)有決定系數(shù)（R2）、均方根誤差（RMSE）、Kappa 系數(shù)和混淆矩陣。評(píng)價(jià)指標(biāo)及公式見(jiàn)表2。其中，機(jī)器學(xué)習(xí)方法對(duì)應(yīng)的評(píng)價(jià)指標(biāo)一般為R2 和RMSE。R2表示實(shí)測(cè)值與模擬值的擬合程度，取值范圍是0～1.0，數(shù)值越接近1.0，模型擬合越好，即自變量解釋因變量的能力越強(qiáng)。一般認(rèn)為當(dāng)R2gt;0.7時(shí)，所建立的模型擬合效果較好；而當(dāng)R2lt;0.3時(shí)，認(rèn)為模型的擬合效果較差。RMSE 表示實(shí)測(cè)值與模擬值偏離的程度，RMSE 越趨近于0，表明模型精度越高。Kappa系數(shù)是一種統(tǒng)計(jì)量，用于衡量?jī)蓚€(gè)分類器之間的一致性。兩個(gè)分類器完全一致時(shí)，Kappa 系數(shù)=1；當(dāng)Kappa 系數(shù)=0時(shí)，表示兩個(gè)分類器的分類結(jié)果等同于隨機(jī)分類，兩個(gè)分類器的分類結(jié)果相互矛盾時(shí)，Kappa 系數(shù)lt;0。Kappa 系數(shù)可以配合總體精度、生產(chǎn)者精度、用戶精度一同使用[24，26-27]。

3 結(jié)論

聚焦作物澇災(zāi)識(shí)別技術(shù)研究，從作物澇災(zāi)遙感數(shù)據(jù)源、作物澇災(zāi)識(shí)別方法、澇災(zāi)識(shí)別模型精度評(píng)價(jià)3 個(gè)方面，對(duì)已經(jīng)開展的該領(lǐng)域研究工作進(jìn)行系統(tǒng)分析，得出如下結(jié)論：第一，作物澇災(zāi)遙感數(shù)據(jù)源以多光譜和高光譜數(shù)據(jù)為主。隨著遙感影像分辨率越來(lái)越高，遙感技術(shù)在澇災(zāi)識(shí)別領(lǐng)域應(yīng)用前景廣闊。第二，光譜特征、紋理特征、植被指數(shù)能夠較好地表征作物在受澇條件下生理生化信息的變化，可以作為作物是否受澇的判斷依據(jù)。第三，現(xiàn)有的作物澇災(zāi)識(shí)別方法大多基于光譜特征和植被指數(shù)建立回歸模型，對(duì)澇災(zāi)的識(shí)別精度均在85.00% 以上。

隨著遙感技術(shù)和人工智能技術(shù)的發(fā)展，未來(lái)可以探索基于遙感數(shù)據(jù)，結(jié)合深度學(xué)習(xí)方法，建立普適性更強(qiáng)的澇災(zāi)識(shí)別模型，并根據(jù)遙感數(shù)據(jù)，結(jié)合植被指數(shù)等作物生理生化特征，設(shè)定澇災(zāi)閾值，劃分作物受澇等級(jí)。

參考文獻(xiàn)

[1] 趙光麗，張玉書，紀(jì)瑞鵬，等.主要農(nóng)業(yè)災(zāi)害對(duì)遼寧農(nóng)業(yè)生產(chǎn)的影響[J].中國(guó)農(nóng)學(xué)通報(bào)，2013，29（20）：119-123.

[2] 王春乙.重大農(nóng)業(yè)氣象災(zāi)害研究進(jìn)展[M].北京：氣象出版社，2007.

[3] 史舟，梁宗正，楊媛媛，等.農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（2）：247-260.

[4] 周國(guó)乾.遙感技術(shù)應(yīng)用領(lǐng)域綜述[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2018（4）：86-88.

[5] 聶巖，張珂，張錚豪.遙感技術(shù)在農(nóng)業(yè)信息化中的應(yīng)用[J].數(shù)字通信世界，2020（12）：168-169.

[6] 杜曉利.富有生命力的文獻(xiàn)研究法[J].上海教育科研，2013，317（10）：1.

[7] 黃李輝，阮永平.文獻(xiàn)分析法在我國(guó)管理會(huì)計(jì)研究中的應(yīng)用——基于33篇樣本文獻(xiàn)的分析[J].財(cái)會(huì)通訊，2017（4）：39-43.

[8] 鄒菲.內(nèi)容分析法的理論與實(shí)踐研究[D].武漢：武漢大學(xué)，2004.

[9] 陳成.多光譜無(wú)人機(jī)農(nóng)業(yè)遙感應(yīng)用[J].現(xiàn)代化農(nóng)業(yè)，2021（10）：61-62.

[10] 師艷子，李云松，鄭毓軒.國(guó)內(nèi)外衛(wèi)星遙感數(shù)據(jù)源綜述[J].衛(wèi)星與網(wǎng)絡(luò)，2018（4）：54-58.

[11] 張兵.高光譜圖像處理與信息提取前沿[J].遙感學(xué)報(bào)，2016，20（5）：1062-1090.

[12] 王海軍.高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用研究進(jìn)展[J].農(nóng)業(yè)開發(fā)與裝備，2023（2）：124-125.

[13] 劉斌，張軍，魯敏，等.激光雷達(dá)應(yīng)用技術(shù)研究進(jìn)展[J].激光與紅外，2015，45（2）：117-122.

[14] 趙一鳴，李艷華，商雅楠，等.激光雷達(dá)的應(yīng)用及發(fā)展趨勢(shì)[J].遙測(cè)遙控，2014，35（5）：4-22.

[15] KUMAR H，KARWARIYA S K，KUMAR R.Google earth engine-based identification of flood extent and flood-affected paddy rice fields using Sentinel-2 MSI and Sentinel-1 SAR data in Bihar state， india[J].Journal of the Indian Society of Remote Sensing，2022，50（5）：791-803.

[16] PROFETI G，MACINTOSH H.Flood management through Landsat TM and ERS SAR data： A case study[J].Hydrological Processes，1997，11（10）：1397-1408.

[17] 劉吉?jiǎng)P，鐘仕全，徐雅，等.基于多時(shí)相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J].廣東農(nóng)業(yè)科學(xué)，2014，41（18）：149-154.

[18] 任楓荻.作物澇害光譜監(jiān)測(cè)方法研究[D].長(zhǎng)春：吉林大學(xué)，2021.

[19] 馮琳.基于遙感的玉米澇漬監(jiān)測(cè)與評(píng)價(jià)技術(shù)研究[D].長(zhǎng)春：吉林大學(xué)，2020.

[20] 劉聰.基于多源數(shù)據(jù)的東北地區(qū)春玉米澇漬災(zāi)害監(jiān)測(cè)研究[D].南昌：東華理工大學(xué)，2020.

[21] 張展騫.基于植被指數(shù)時(shí)間序列的洪澇災(zāi)害遙感監(jiān)測(cè)模型[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2019.

[22] 陳振.基于遙感數(shù)據(jù)的玉米澇災(zāi)監(jiān)測(cè)與評(píng)估技術(shù)研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2016.

[23] 徐鵬.洪澇脅迫的水稻長(zhǎng)勢(shì)光譜響應(yīng)與災(zāi)情遙感評(píng)估[D].西安：西安科技大學(xué)，2014.

[24] 邵逸群.友誼農(nóng)場(chǎng)洪澇災(zāi)害遙感監(jiān)測(cè)及時(shí)空特征研究[D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2021.

[25] 黃詩(shī)峰，馬建威，孫亞勇.我國(guó)洪澇災(zāi)害遙感監(jiān)測(cè)現(xiàn)狀與展望[J].中國(guó)水利，2021（15）：15-17.

[26] 甘平.基于遙感技術(shù)的玉米澇災(zāi)表型信息解析及災(zāi)情評(píng)估方法研究[D].青島：山東科技大學(xué)，2018.

[27] 楊菲菲.冬小麥澇漬脅迫程度高光譜遙感監(jiān)測(cè)研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2020.

[28] 高小梅.漬害脅迫下冬小麥SPAD值遙感監(jiān)測(cè)研究[D].武漢：長(zhǎng)江大學(xué)，2022.

[29] 王利民，劉佳，楊玲波，等.基于無(wú)人機(jī)影像的農(nóng)情遙感監(jiān)測(cè)應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（18）：136-145.

[30] 王帥.澇漬脅迫條件下抽雄期夏玉米生理生化參數(shù)的高光譜反演[D].合肥：安徽農(nóng)業(yè)大學(xué)，2021.

[31] 曾風(fēng)玲.拔節(jié)期弱光澇漬脅迫下夏玉米生理特性及高光譜響應(yīng)研究[D].合肥：安徽農(nóng)業(yè)大學(xué)，2022.

[32] YU H，XU Z，WANG Y，et al.The use of KPCA over subspaces for cross-scale superpixel based hyperspectral image classification[J].Remote Sensing Letters，2021，12（5）：470-477.

[33] 秦占飛.西北地區(qū)水稻長(zhǎng)勢(shì)遙感監(jiān)測(cè)研究[D].楊凌：西北農(nóng)林科技大學(xué)，2016.

[34] 王龍.圖像紋理特征提取及分類研究[D].青島：中國(guó)海洋大學(xué)，2014.

[35] 張超，喬敏，劉哲，等.基于無(wú)人機(jī)和衛(wèi)星遙感影像的制種玉米田識(shí)別紋理特征尺度優(yōu)選[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（17）：98-104.

[36] SHABAN M A，DIKSHIT O.Improvement of classification in urban areas by the use of textural features：The case study of Lucknow city， Uttar Pradesh[J].International Journal of Remote Sensing，2001，22（4）：565-593.

[37] 陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學(xué)報(bào)，2007，11（2）：221-227.

[38] 敖登，楊佳慧，丁維婷，等.54種植被指數(shù)研究進(jìn)展綜述[J].安徽農(nóng)業(yè)科學(xué)，2023，51（1）：13-21+28.

[39] 張琍，羅文庭，張皓寰，等.時(shí)序Sentinel-1和Sentinel-2數(shù)據(jù)支持下的鄱陽(yáng)湖濕地草本植物群落制圖分類[J].遙感學(xué)報(bào)，2023，27（6）：1362-1375.

[40] 崔賓閣，吳景，李心慧，等.結(jié)合深度學(xué)習(xí)和植被指數(shù)的濱海濕地高分二號(hào)遙感影像信息提取[J].遙感學(xué)報(bào)，2023，27（6）：1376-1386.