基于GEE的多源遙感影像青梅種植信息提取

收稿日期：2024-03-23

基金項目：廣東省普通高校重點領域專項（2021ZDZX4111）；國家自然科學基金地區(qū)基金項目（42061046）

作者簡介：喻彩麗（1989-），女，河南周口人，碩士研究生，講師，研究方向為遙感與數字農業(yè)。（E-mail）purejade@163.com

通訊作者：洪國軍，（E-mail）hgj950603@163.com

摘要： 針對粵東青梅種植區(qū)多為山地、丘陵兼有的復雜地形，實地測量青梅種植面積及其空間分布存在一定難度，本研究聚焦廣東省汕尾市和揭陽市，利用Sentinel-1和Sentinel-2多光譜遙感影像數據，采用隨機森林算法，探索4種不同特征組合在青梅分類精度方面的表現(xiàn)，并對Sentinel-1、Sentinel-2影像在空間制圖中的精度進行了深入分析。研究結果表明，Sentinel-1、Sentinel-2影像采用組合4（光譜特征+植被指數+VV/VH+紋理特征）并運用隨機森林算法獲得了最優(yōu)青梅分類精度，總體精度、Kappa系數和制圖精度分別高達96.55%、0.957 6和98.03%；與官方統(tǒng)計數據相比，在揭陽市普寧市和汕尾市陸河縣應用組合4估算青梅種植面積的精度分別高達99.70%和99.20%。研究發(fā)現(xiàn)，綜合利用Sentinel-1、Sentinel-2多源遙感數據和多種特征的分類方法可以精準識別青梅的種植面積并提高制圖精度。本研究結果不僅為粵東地區(qū)青梅種植者提供準確的種植面積估算和空間分布信息，而且為青梅種植管理和病蟲害防治策略的制定提供技術參考。

關鍵詞： 青梅；多源遙感；隨機森林算法；Google Earth Engine

中圖分類號： S127；Q949.758.6 文獻標識碼： A 文章編號： 1000-4440（2024）08-1455-09

Extraction of greengage planting information from multi-source remote sensing images based on GEE

YU Caili1， LU Jianqiang2， DOU Xufeng3， HONG Guojun4

（1.College of Ocean， Shanwei Institute of Technology， Shanwei 516600， China;2.College of Electronic Engineering & College of Artificial Intelligence， South China Agricultural University， Guangzhou 510642， China;3.College of Life Science and Technology， Tarim University， Alaer 843300， China;4.Institute of Regional Development， Jiangxi University of Technology， Nanchang 330200， China）

Abstract： The planting area of greengage in eastern Guangdong is mostly a complex terrain with both mountains and hills. It is difficult to measure the planting area and spatial distribution of greengage in the field. This study focused on Shanwei City and Jieyang City， and used the random forest algorithm to explore the performance of four different feature combinations in the classification accuracy of greengage based on Sentinel-1 and Sentinel-2 multi-spectral remote sensing image data. In addition， the accuracy of Sentinel-1 and Sentinel-2 images in spatial mapping was analyzed in depth. The results showed that the optimal classification accuracy of greengage was obtained when Sentinel-1 and Sentinel-2 images were processed by combination 4 （spectral feature + vegetation index + VV/VH + texture feature） and random forest algorithm. The overall accuracy， Kappa coefficient and mapping accuracy were 96.55%， 0.957 6 and 98.03%， respectively. Compared with the official statistics， the accuracy of estimating the planting area of greengage by using combination 4 in Puning City of Jieyang City and Luhe County of Shanwei City was 99.70% and 99.20%， respectively. The comprehensive utilization of Sentinel-1 and Sentinel-2 multi-source remote sensing data and the classification methods using multiple features could accurately identify the planting area of greengage and improve the mapping accuracy. The results of this study not only provide accurate planting area estimation and spatial distribution information for greengage growers in eastern Guangdong， but also provide technical reference for the formulation of greengage planting management and pest control strategies.

Key words： greengage;multi-source remote sensing;random forest algorithm;Google Earth Engine

粵東地區(qū)被譽為“中國青梅之鄉(xiāng)”，青梅種植面積和產量在中國均居首位[1]。青梅種植對當地農業(yè)發(fā)展和經濟增長具有重要意義。在傳統(tǒng)的農業(yè)管理實踐中，青梅種植面積的統(tǒng)計通常依賴于農業(yè)調查和統(tǒng)計數據，但這些方法存在明顯的局限性。這些傳統(tǒng)方法不僅難以實現(xiàn)大規(guī)模和系統(tǒng)性的區(qū)域測量，而且在提供及時和準確數據方面往往無法滿足現(xiàn)代農業(yè)的需求。相較之下，遙感技術以其廣闊的覆蓋范圍、快速的數據獲取能力以及效益高的特點，在農業(yè)生產和管理領域展現(xiàn)出顯著優(yōu)勢[2-3]。在當前農業(yè)遙感研究中，雖然基于單一影像源的農作物種植信息提取方法操作簡單，但它存在一個明顯的局限：難以捕捉作物種植信息的“最佳識別期”[4]。相較于單一數據源，多源數據的應用能顯著提升地物的識別精度[5-7]。研究結果表明，綜合運用多種特征變量（如多時相、光譜特征、植被指數、雷達極化特征和紋理特征等）可以顯著提高對地物的識別和分類精度[8-14]。這些特征的綜合利用改善了作物與其他地物間的區(qū)分能力，特別適合在大面積復雜地形和種植模式下應用。在機器學習領域，隨機森林算法因能有效避免過擬合問題而在遙感信息提取中被廣泛使用[15-17]。Hao等[14]利用MODIS數據并運用隨機森林算法，通過對計算特征的重要性評分來對農作物進行分類，并分析了時間序列長度如何影響作物制圖的精度。張悅琦等[18]研究結果證明，基于水稻移栽階段單時序圖像的特征優(yōu)化隨機森林模型在實際應用中分類精度更高，GF-6衛(wèi)星在作物的精確識別和面積提取方面顯示出很大應用潛力。范莉等[19]研究發(fā)現(xiàn)，在30分割尺度、緊湊度因子和形狀因子均為0.5時，可實現(xiàn)最優(yōu)的植被邊緣分割；通過結合多種光譜特征指數和地形特征構建的分類模型總體精度達到90.8%，水稻、玉米、甘薯的分類精度分別為85.7%、83.3%和80.7%。綜上分析，結合多種光譜特征指數和地形特征的方法在識別復雜地形地區(qū)農作物種植面積方面具有較高精度，實際應用價值更高。在農業(yè)遙感領域，多源遙感數據和多特征的作物識別方法雖然提高了識別精度和信息的全面性，但也面臨諸如大量數據下載、復雜預處理、高計算量和大存儲空間的挑戰(zhàn)。然而，谷歌地球引擎（Google Earth Engine， GEE）等云計算平臺的出現(xiàn)有效解決了這些問題[20-22]。這些平臺提供的強大云計算資源和簡化的數據處理流程極大地降低了處理和分析大量遙感影像的難度，提高了數據處理的效率和效果。這使得GEE等平臺在多源遙感數據的整合與應用中展現(xiàn)出新機遇，推動了遙感技術在農業(yè)領域的深入應用，為農作物識別和監(jiān)測提供了有效的技術支持[23]。

目前，針對廣東省汕尾市和揭陽市青梅種植面積估算的研究尚屬空白。本研究針對兩市地形復雜、植被類型多樣易混淆等現(xiàn)狀，利用Sentinel-1、Sentinel-2高空間分辨率和豐富的光譜信息，為區(qū)分青梅與其他植被類型提供技術支持。另外，由于樣本數量不足，尤其是草灌地和林地類別樣本不足，限制了模型的分類效果。為了解決這一問題，本研究設計了4種不同的特征組合方案，采用隨機森林分類器進行比較試驗，有效提取青梅種植信息并分析其空間分布。這項研究旨在為汕尾市和揭陽市青梅產業(yè)的發(fā)展提供科學決策支持，并為類似區(qū)域的精確植被分類提供新的研究視角和方法。

1 數據及研究方法

1.1 數據

1.1.1 研究區(qū)概況 汕尾與揭陽兩市位于廣東省東部，北緯22°37′～23°46′，東經114°54′～116°37′（圖1）。該地區(qū)總面積為10 078 km2。汕尾市位于蓮花山南麓，山脈呈東北向西南傾斜趨勢，揭陽市地勢則自西向東逐漸傾斜，地形上呈現(xiàn)出低山高丘和谷地平原交錯分布的特點。此外，汕尾市和揭陽市屬于亞熱帶季風氣候，是中國光照、熱量、水資源最為豐富的地區(qū)之一，年降雨主要集中在4-9月，具有雨季與熱季相一致的氣候特點。

1.1.2 數據源及預處理 根據數據的可獲得性，選取研究區(qū)2021年10月（青梅葉片枯萎期）、2022年1月（青梅開花期）、2022年3月（青梅返青展葉期）、2022年6-8月（青梅旺長期）4個青梅生長關鍵時期在GEE中依次對Sentienl-2數據按日期、空間位置進行篩選并對數據進行去云、中值合成、裁剪等處理，利用Cloud Score+S2_HARMONIZED V1合成無云影像，分別得到4個時期的Sentinel-2影像數據。再用Sentinel-1影像數據對這4個時期數據進行均值合成處理，最后利用汕尾市和揭陽市的矢量數據裁剪Sentinel-1、Sentinel-2影像數據中對應的影像。

1.1.3 研究區(qū)土地利用及樣本數據處理 根據青梅在Sentinel-1、Sentinel-2衛(wèi)星影像上呈現(xiàn)的特征，借助2021年12月至2022年1月在研究區(qū)野外考察所采集的樣本，利用GEE云平臺最新高清影像、地面調查數據以及Sentinel-1、Sentinel-2影像作為參考數據建立樣本庫，最終確定6種分類類型：青梅、草灌、樹林、農作物、建筑物、水體。按照隨機原則將其中70%樣本作為訓練樣本，30%樣本用作驗證樣本，用于對各類型的識別和分類后的精度評價，樣本如表1所示。

1.2 研究方法

1.2.1 特征提取

1.2.1.1 光譜特征/植被指數 Sentinel-2衛(wèi)星影像數據不僅提供了豐富的光譜信息，而且還有能反映被監(jiān)測植被生長狀態(tài)的紅邊波段和RGB影像。在青梅種植信息提取過程中，考慮到不同生長階段的時間特征對提取精度的影響，本研究選取青梅生長周期中4個關鍵期：2021年10月青梅枯萎期、2022年1月青梅開花期、2022年3月青梅返青展葉期和2022年6-8月青梅旺長期。基于這些時期Sentinel-2影像，本研究利用紅波段和近紅外波段的特性，建立了一系列植被指數用于提高對青梅遙感信息的識別精度。研究區(qū)植被指數的詳細信息[15，18，24-29]見表2。

1.2.1.2 雷達信息 Sentinel-1衛(wèi)星采用主動光波雷達技術，這種技術不依賴于外部光源，而是使用自身的雷達波進行探測。在其干涉寬幅（IW）模式下，結合了垂直發(fā)射-垂直接收（VV）和垂直發(fā)射-水平接收（VH）的極化方式[30]，Sentinel-1能有效進行地表特征探測。這種模式和極化配置在青梅開花期特別有利于區(qū)分青梅與其他地物特征。利用這些特征可以更準確地區(qū)分青梅與其他地物，從而提高分類精度。

1.2.1.3 紋理特征 紋理特征是一種重要的工具，用于反映物體的空間結構特征。青梅獨特的行列結構與林地和耕地的紋理特征存在顯著差異，有利于區(qū)分出青梅種植區(qū)域。為了準確提取青梅種植信息，本研究分析了青梅葉片枯萎期、開花期、返青展葉期、旺長期4個時期的數據，并考慮了包括均值、對比度、二階矩、信息熵、相關性、協(xié)同性、方差和相異性在內的多種紋理特征[31]。這些紋理特征的綜合應用有助于補充光譜特征在空間信息方面的不足，從而顯著提高分類精度。通過這種方法，可以更準確地區(qū)分青梅與其他地物類型。

1.2.2 分類試驗方案 本研究設計了4組分類試驗方案，目的是評估將光譜特征與其他特征信息相結合時，對青梅地物分類精度的具體影響。這些試驗方案分別考慮了光譜特征與不同特征的結合，包括植被指數、雷達信息和紋理特征。通過表3列出的4種分類試驗方案，探索對于提高青梅分類精度的最優(yōu)特征組合。

1.2.3 隨機森林算法 針對汕尾市與揭陽市地形復雜和青梅分類數據的多維性，本研究選取了包括原始光譜信息、植被指數、雷達信息和紋理特征等多種特征進行分類。為高效處理這些高維遙感數據，本研究采用隨機森林算法（RF），該算法是由多個決策樹組成的集成學習算法，特別適合處理大量復雜數據。其具體實施步驟包括：使用抽樣方法從總數據中選取2/3作為訓練樣本，剩余部分用作驗證樣本以估計誤差；構造500棵分類回歸樹，每棵樹基于隨機選取的特征進行訓練；再將這500棵分類回歸樹的結果合并，最后采用多數投票原則確定分類結果。

1.2.4 精度評價與技術路線 采用混淆矩陣計算總體精度、制圖精度、用戶精度和Kappa系數，對2022-2023年的Sentienl-1、Sentinel-2衛(wèi)星遙感影像中的青梅分類結果進行精度評估，其中總體精度和 Kappa系數用來比較整體分類精度，制圖精度、用戶精度用來衡量特定類別的分類精度。本試驗詳細的技術流程見圖2。

2 結果與分析

2.1 多特征組合對青梅分類精度的影響

本研究采用隨機森林算法結合不同特征組合對青梅進行分類，分析了各種特征組合對分類精度的影響。首先，僅使用光譜特征進行分類，青梅的總體精度達到91.43%，Kappa系數為0.904 1，這驗證了光譜特征在青梅識別中的有效性。引入植被指數后，由于植被指數是反映植被生長狀態(tài)的關鍵信息，分類的總體精度提升至92.92%，Kappa系數增至0.914 5。隨后，融合Sentinel-1的VV/VH數據，該數據提供了極化信息，有助于進一步區(qū)分青梅與其他地物，使得總體精度提高到94.32%，Kappa系數提升至0.934 8。最后，加入紋理特征進一步增強了分類的細節(jié)解析能力，將總體精度提升至96.55%，Kappa系數達到0.957 6（表4、圖3）。結果表明，多特征組合的策略在提高青梅分類精度方面具有顯著效果。

2.2 提取的青梅種植面積比較、統(tǒng)計和影像衍生結果

本研究基于Sentinel-1、Sentinel-2遙感圖像，通過使用隨機森林算法結合4種特征組合來估算揭陽市普寧市和汕尾市陸河縣的青梅種植面積，并將結果與2022年官方統(tǒng)計數據相比較（圖4）。組合4的結果顯示，揭陽市普寧市和汕尾市陸河縣的青梅種植面積分別為16.89 km2和12.6 km2，相對誤差為0.003和0.008，組合4的估算結果與官方統(tǒng)計數據高度一致。然而，在組合1中，揭陽市普寧市青梅種植面積被高估至17.73 km2，汕尾市陸河縣青梅種植面積被低估至11.17 km2，相對誤差分別為0.052和-0.106，顯示出較大的分類錯誤和遺漏。這些誤差反映了地形復雜性和種植模式多樣性對估算精度的影響，尤其體現(xiàn)在地形起伏較大的區(qū)域。

2.3 特征組合對比與差異性分析

根據表4和圖4的數據對汕尾市和揭陽市進行青梅圖像分析，采用基于Sentinel-1、Sentinel-2遙感數據的組合4在總體精度、Kappa系數以及揭陽市普寧市青梅種植面積估算方面表現(xiàn)最佳。相比于組合1、組合2和組合3，組合4的分類能力進一步提升。這種提升歸因于增加的特征維度，例如組合2在組合1的基礎上引入植被指數增強了模型區(qū)分青梅與其他地物的能力；組合3在組合2的基礎上添加VV/VH數據幫助區(qū)分草灌；而組合4在組合3的基礎上引入紋理特征則進一步提升了在林地環(huán)境中識別青梅的精度。這表明，綜合利用多種時相和特征可以顯著提高分類精度，尤其是在揭陽市普寧市，組合4使青梅種植面積的估算更為準確。這一發(fā)現(xiàn)對于管理復雜地理和環(huán)境條件下的青梅種植至關重要，為精確評估青梅種植面積提供了有效技術路徑，也為類似環(huán)境下的農業(yè)精準管理提供了方法。

2.4 青梅種植區(qū)面積預測與空間分布

本研究深入分析了不同特征組合在分類效果上的表現(xiàn)。組合4（光譜特征+植被指數+VV/VH+紋理特征）包含了最廣泛的特征集合，在制圖精度、用戶精度、總體精度和Kappa系數方面表現(xiàn)最佳。在揭陽市普寧市和汕尾市陸河縣該組合估算青梅種植面積的精度分別高達99.70%和99.20%。據此，本研究進一步估算了汕尾市和揭陽市的青梅種植面積，總計約242.13 km2。空間分布分析結果表明，青梅主要集中在這兩市的中西部地區(qū)，中東部地區(qū)也有少量種植（圖5），這些地區(qū)的豐富水源、平坦地形和充足日照為青梅的生長提供了理想條件。

3 討論

本研究利用GEE云平臺上的Sentinel-1、Sentinel-2遙感影像，對廣東省汕尾市和揭陽市2022年青梅種植面積及其空間分布情況進行了探索。在多時相數據的基礎上，設計了4種不同的特征組合進行青梅的分類和種植面積估算，并與實地調查結果和官方統(tǒng)計數據進行比較以評估各種組合的分類精度。基于這些比較和評價，期望對中國青梅主產地廣東省汕尾市和揭陽市青梅測繪提供參考。

在4種組合中，除了組合1外，其余3種組合的總體精度和Kappa系數都較高。此外，所有組合的用戶精度和制圖精度均高于90.77%。這種高精度可能與本研究調查了青梅生長全周期有關，有利于區(qū)分青梅和其他地物類型。

本研究結果顯示，組合1僅依賴光譜特征，未能將青梅與其他地物精準區(qū)分；組合2引入植被指數，組合3引入植被指數和VV/VH極化特征后，雖改善了青梅與建筑物、水體和耕地的區(qū)分，但在復雜種植模式下以及對相似光譜特征的林地識別上仍存在局限性；相較而言，組合4在總體精度、Kappa系數及青梅細節(jié)識別方面明顯優(yōu)于其他組合，驗證了多時相和多特征融合在提升分類精度及減少誤判中的重要性。本研究突出了在青梅種植面積估算中綜合利用多種遙感特征的重要性，并建議未來研究應進一步優(yōu)化特征組合與分類算法。同時，提倡結合地物與氣候信息的復合模型，以提升估算的精確度和可靠性。

4 結論

本研究通過GEE云平臺，利用Sentinel-1、Sentinel-2影像，設計4種特征組合，結合隨機森林算法，對廣東省汕尾市和揭陽市青梅種植信息進行了精確提取，可為未來青梅種植測繪工作提供指導。

在多時相不同的特征組合中，本研究結果發(fā)現(xiàn)組合1在復雜地物環(huán)境和類似種植結構條件下，Sentinel-1、Sentinel-2圖像作為輸入數據的分類效果不太理想；組合2和組合3雖然達到了可接受的精度，但并未達到預期效果；組合4通過將光譜特征、植被指數、VV/VH極化特征和紋理特征結合使用，實現(xiàn)了青梅測繪的最佳方法和最優(yōu)精度。本研究結果表明，綜合利用Sentinel-1、Sentinel-2多源遙感數據和多種特征的分類方法可以顯著提高對青梅種植面積的估算和測繪精度。GEE平臺豐富的遙感數據資源和強大的處理能力為青梅種植信息提取提供了有力支持。

參考文獻：

[1] 吳和原，方書遠，方凱華，等. 青梅優(yōu)良新株系——普寧矮白梅的選育報告[J]. 中國南方果樹，2001（4）：39.

[2] 馬紅雨，李仙岳，孫亞楠，等. 基于無人機遙感的不同控釋肥夏玉米SPAD差異性[J]. 排灌機械工程學報，2023，41（12）：1261-1267.

[3] 李長春，翟偉廣，王春陽，等. 基于Sentinel-1A影像的原陽縣玉米和水稻分類時間窗選擇[J]. 江蘇農業(yè)學報，2023，39（2）：413-422.

[4] JIA K， WU B F， LI Q Z. Crop classification using HJ satellite multispectral data in the North China Plain[J]. Journal of Applied Remote Sensing，2013，7（1）：73576.

[5] XU F， LI Z F， ZHANG S Y， et al. Mapping winter wheat with combinations of temporally aggregated Sentinel-2 and Landsat-8 data in Shandong Province， China[J]. Remote Sensing，2020，12（12）：2065.

[6] 姚金璽，肖成志，張 志，等. 基于GEE多源遙感數據的干旱區(qū)植被地物類型提取[J]. 干旱區(qū)研究，2024，41（1）：157-168.

[7] 張 穎，何貞銘，吳貞江. 基于多源遙感影像的農作物分類提取[J]. 山東農業(yè)大學學報（自然科學版），2021，52（4）：615-618.

[8] 胡春霞，聶翔宇，林 聰，等. 利用多特征協(xié)同深度網絡的高分遙感影像分類[J]. 測繪通報，2023（10）：74-79，104.

[9] 姚金璽，王 浪，李建忠，等. 青海諾木洪地區(qū)多源遙感及多特征組合地物分類[J]. 農業(yè)工程學報，2022，38（3）：247-256.

[10]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.

[11]孟月波，王 菲，劉光輝，等. 多元特征提取與表征優(yōu)化的遙感多尺度目標檢測[J]. 光學精密工程，2023，31（16）：2465-2482.

[12]盧獻健，張煥鈴，晏紅波，等. 協(xié)同Sentinel-1/2多特征優(yōu)選的甘蔗提取方法[J]. 自然資源遙感，2024，36（1）：86-94.

[13]關士英，袁占良，謝傳節(jié). 基于多特征的高分時序冬小麥提取研究[J]. 地理空間信息，2020，18（5）：14-19，6.

[14]HAO P Y， ZHAN Y L， SHAKIR M. Feature selection of time series MODIS data for early crop classification using random forest：a case study in Kansas， USA[J]. Remote Sensing，2015，7（5）：5347-5369.

[15]洪國軍，周保平，李明哲，等. 基于GEE的Landsat-8與Sentinel-2影像在棉花種植提取中差異性分析及提取方法對比研究[J]. 江蘇農業(yè)科學，2024，52（4）：223-230.

[16]王春玲，樊怡琳，龐 勇，等. 基于GEE與Sentinel-2影像的落葉針葉林提取[J]. 北京林業(yè)大學學報，2023，45（8）：1-15.

[17]陳 健，李 虎，劉玉鋒，等. 基于Sentinel-2數據多特征優(yōu)選的農作物遙感識別研究[J]. 自然資源遙感，2023，35（4）：292-300.

[18]張悅琦，任鴻瑞. 融合特征優(yōu)選與隨機森林算法的GF-6影像東北一季稻遙感提取[J]. 遙感學報，2023，27（9）：2153-2164.

[19]范 莉，王 妍，祝 好，等. 多種光譜指數聯(lián)合地形特征對復雜地形區(qū)主要糧食作物種植面積的遙感識別[J]. 中國農業(yè)氣象，2023，44（9）：845-856.

[20]梁錦濤，陳 超，孫偉偉，等. 長時序Landsat和GEE云平臺的杭州灣土地利用/覆被變化時空格局演變[J]. 遙感學報，2023，27（6）：1480-1495.

[21]趙 月，孟 丹，丁 鳳，等. 基于GEE云平臺的2000-2022年雄安新區(qū)生態(tài)質量動態(tài)評價[J]. 地球物理學進展，2023，38（5）：2023-2036.

[22]劉 通，任鴻瑞. GEE平臺下利用物候特征進行面向對象的水稻種植分布提取[J]. 農業(yè)工程學報，2022，38（12）：189-196.

[23]王振興，劉 東，王 敏. 基于GEE平臺和多維特征優(yōu)選的糧食作物提取——以西遼河流域為例[J]. 江蘇農業(yè)科學，2023，51（21）：200-208.

[24]呂 偉，宋 軒，楊 歡. 基于深度學習和多源遙感數據的玉米種植面積提取[J]. 江蘇農業(yè)科學， 2023，51（23）：171-178.

[25]閆柏琨，甘甫平，印 萍，等. 1989-2021年中國大陸海岸帶潮灘、海岸線、養(yǎng)殖水體遙感觀測[J]. 自然資源遙感，2023，35（3）：53-63.

[26]ZHANG L， ZHANG Z， LUO Y， et al. Integrating satellite-derived climatic and vegetation indices to predict smallholder maize yield using deep learning[J]. Agricultural and Forest Meteorology，2021，311：108666.

[27]梁晨欣，黃啟廳，王 思，等. 基于多時相遙感植被指數的柑橘果園識別[J]. 農業(yè)工程學報，2021，37（24）：168-176.

[28]王建步，張 杰，馬 毅，等. 基于高分一號WFV衛(wèi)星影像的黃河口濕地草本植被生物量估算模型研究[J]. 激光生物學報，2014，23（6）：604-608.

[29]JABRI K A， AL-MULLA Y A， MELGANI F， et al. Remote sensing analysis for vegetation assessment of a Large-Scale constructed wetland treating produced water polluted with oil hydrocarbons[J]. Remote Sensing，2023，15（24）：5632.

[30]MARCO V. PlanetScope， Sentinel-2， and sentinel-1 data integration for object-based land cover classification in Google Earth Engine[J]. Remote Sensing，2022，14（11）：2628.

[31]潘勝權，陳 凱，解印山，等. 基于多紋理特征融合的麥田收割邊界檢測[J]. 農業(yè)工程學報，2023，39（12）：123-131.

（責任編輯：黃克玲）