基于GEE的多源遙感影像特征優選方法的水稻種植區信息提取

中圖分類號：TP79;S127 文獻標識碼：A 文章編號：1000-4440（2025）06-1159-10

Abstract：Multi-temporal Sentinel-1/2datademonstratesignificantadvantagesinidentifyingandmonitoringrice cultivation incomplex mountainousandhillyareas，aswellasincloudyandrainyenvironments，which providerich information forriceidentification.However，anexcesivenumberoffeature variablesmayleadtodimensionaldisastersandinformationredundancy.Inthis study，a featureselectionmethod wasemployedtoevaluate therecognitionaccuracyoffive feature combination schemes（spectral features，spectral features + vegetation indices，spectral features + vegetation indices + texture features，spectral features + vegetation indices + texture features + radarinformation，and feature selection） forricecultivationarea，using Sentinel-1/2multi-spectralandmulti-temporaldata.Thespatial mappingacuracyof each schemewas alsoanalyzed.Theresults indicatedthat Scheme five，which incorporatedfeature selection，performed the best in rice identification，with an overall accuracy of 92.60% ，a Kappa coefficient of O.903 O，and an F₁ score of 92.40 % ： Comparedwiththericecultivationareadatain2O24fromtheJiangxi Statistical Yearbook，Schemefiveachievedahighaccuracy of 98.73% in estimating the rice area in Jiangxi province，with a significantly lower relative error compared to

Schemeone-Scheme four.Theresults of this studyconfirm that the integrated application ofmulti-source remote sensing data and multi-temporal feature selection methods caneffectively reduce data redundancy and enhance the accuracy and precision of rice area extraction.

Key words：multi-source remote sensing；rice； Jiangxi province；feature selection；random forest method

糧食安全是國家安全與社會穩定的基石，黨的二十大報告強調“全方位夯實糧食安全根基”的重要性，對保障糧食安全提出更高的要求[1]。及時準確地掌握水稻種植面積對于科學預測產量變化趨勢、輔助農情監測、前瞻性引導市場供需平衡及保障國家糧食安全至關重要[2]。江西省作為中國水稻主要種植區之一，在水稻生產中占據重要地位。因此，獲取江西省的水稻種植面積數據顯得尤為重要。傳統的地面測量方法效率低、成本高且勞動強度大[3]。相對地，衛星遙感技術能夠提供頻繁、準確、經濟且動態的信息，極大地提高遙感識別的效率[4]。在農業遙感領域，使用單一的 Sentinel-1影像雖簡便，但由于其易受噪聲干擾且合成孔徑雷達（SAR）技術光譜信息有限，容易導致細小斑塊稻田的漏分現象[5]。相比之下，Sentinel-2能夠提供豐富的光譜信息，但在復雜地形或多云雨天氣下數據獲取受限[6-7]。因此，結合 Sentinel-1與 Sentinel-2的多源遙感數據能夠有效克服各自局限性，顯著提升作物識別精度。

在機器學習領域，隨機森林算法憑借抗過擬合能力強、識別精度高等優點，被廣泛應用于作物面積提取研究中[8-10]。姚園等[11]利用多時相Sentinel-1/2數據，結合物候參數和面向對象的隨機森林算法，有效提高了復雜地形區稻田的識別精度。研究發現物候參數在表征植被生長動態上具有明顯優勢，識別精度高達 94.47% ，Kappa系數為0.92。李恒凱等[12]利用Sentinel-1時序合成孔徑雷達（SAR）與Sentinel-2光學數據，提出一種融合SAR和光學影像特征的水稻識別方法。通過結合時序SAR特征、紅邊波段、增強植被指數（EVI）和地表植被指數（LSWI，使用隨機森林算法提取水稻種植面積，提取精度達92.67% ，Kappa系數為0.91。研究結果表明，結合多種光譜指數和極化信息的多源數據能夠在復雜地形區顯著提高作物識別精度。

此外，光譜波段、植被指數、紋理指數及極化信息等多種特征均可用于水稻遙感識別，但引入過多特征變量會引發“維數災難”，導致信息冗余，甚至降低識別精度[13-20]。因此，農業遙感研究中采用合適的特征選擇算法，篩選出最優特征，是提升水稻面積提取精度的關鍵步驟。盡管多源遙感數據和特征優選方法在提高作物識別精度和信息全面性方面取得顯著進展，但應用中仍面臨諸如數據下載量大、預處理復雜、計算需求高和存儲空間占用大的挑戰，限制了其在實際生產中的推廣。谷歌地球引擎（GEE）依靠強大的云計算能力和豐富的遙感影像數據庫[2I-25]，可以快速調用Sentinel-1/2等多源遙感數據，結合多種識別算法實現高效的大區域數據處理和分析。基于GEE平臺開發的利用Sentinel-1/2數據的水稻面積提取模型，不僅突破了傳統遙感技術的應用瓶頸，還為大范圍高精度水稻種植監測提供重要的技術支撐。

為解決江西省丘陵地區地形復雜、水稻分布零散及氣候多變導致的遙感困難的問題，本研究依托GEE云平臺，結合Sentinel-1SAR和Sentinel-2MSI影像，提取光譜波段、植被指數、紋理特征及極化特征，篩選出對水稻識別精度較高的特征。利用隨機森林算法對不同特征組合進行識別試驗，系統評估其識別性能，探索適用于江西丘陵地區的高精度水稻遙感識別方法。本研究結果將為復雜地形條件下的水稻種植信息提取提供技術參考。

研究區與數據源

1.1研究區概況

研究區位于江西省，地處長江中下游南岸（ 113^° 34^′～118^°28^′E ， 24^°29^′～30^°04^′N） ，總面積約為166900km² ，其地理位置優越，是連接中國東南沿海地區與內陸地區的重要通道。研究區主要由山地丘陵構成，東、西、南三面被山脈包圍，中部地形起伏，而北部地形相對平坦，并擁有中國最大的淡水湖——鄱陽湖。研究區屬中亞熱帶溫暖濕潤季風氣候，擁有充足的熱量和豐富的降水，年均氣溫為16.3～19.5°C ，年均降雨量為1 341～1934mm ，這樣的環境非常適合水稻生長。

1.2數據源及預處理

本研究以江西省為研究區，研究時間為水稻移栽期（2023年5-6月）、抽穗期（2023年8-9月）和成熟期（2023年10-11月）。利用GEE平臺對Sen-tinel-2影像數據進行處理。首先，采用Cloudscore算法剔除云影，生成無云影像。隨后，使用S2_HARMONIZED數據進行大氣和輻射校正，消除大氣散射與吸收影響，并將反射率標準化，確保數據的一致性和可比性。為進一步減少噪聲和殘留云影，對各時段影像進行中值合成處理，提升數據質量。對處理后的影像進行區域裁剪并進行幾何校正，以確保空間精度和數據適用性。

同時，Sentinel-1影像數據在3個時段均采用均值合成處理，以減少噪聲并提高時空穩定性。通過矢量數據對Sentinel-1影像進行空間裁剪，提取研究區域內的數據。最終，獲取3個時段的光譜波段、植被指數、紋理指數和極化特征數據集，為水稻生長監測提供高精度的遙感數據支持。

1.3 覆被類型劃分及樣本數據處理

本研究依托Sentinel-1/2衛星影像，結合實地調查與全球定位系統（GPS）定位，收集水稻及其他地物的地面數據。數據導人GEE云平臺進行處理，主要研究區域為復雜地形下的耕作區，通過目視解譯結合谷歌地球輔助工具識別林草地、水體和建筑。水稻的地理坐標和特征信息主要通過實地采樣確定。最終形成5種覆被類型：水稻、林草地、建筑物、水體及其他作物。使用隨機原則， 50% 的數據被選為訓練樣本，剩余 50% 用作驗證樣本（表1），以評估識別精度。各類樣本的分布和數量詳見圖1與表1。

2 研究方法

2.1 特征提取

2.1.1光譜特征/植被指數本研究選取Sentinel-2影像后期參與建模的10個波段和5個植被指數[綠色葉綠素植被指數（GCVI）、歸一化植被指數（ND-VI）、植被差異指數（DVI）、增強植被指數（EVI）和地表植被指數（LSWI）]進行分析。Sentinel-2波段數據在識別中的具體應用及特征詳見表2，相關植被指數的計算公式見表3。

2.1.2紋理特征在遙感圖像分析中，紋理描述圖像的粗糙度、相關性和對比度等屬性，是補充光譜特征、反映地物空間結構的重要特征。特別是在水稻的關鍵移栽物候期，水稻紋理與水體的紋理特征差異顯著，十分有利于進行精準識別。本研究在3個關鍵時期（移栽期、抽穗期和成熟期），采用均值、方差、協同性、對比度、相異性、熵、二階矩和相關性等

8種紋理特征[32]（表4）進行水稻識別。這些紋理特征的綜合運用不僅能彌補光譜特征在空間信息方面的不足，還可以顯著提升識別精度，使得水稻與其他地表類型的區分更為準確。

2.1.3雷達信息在本研究中，針對水稻的3個關鍵物候期，從2023年5月至11月選擇多時相數據進行水稻識別。利用Sentinel-1衛星的主動微波雷達技術，該技術無需依賴外部光源，可通過雷達波探測地表信息。Sentinel-1搭載的C波段SAR傳感器支持多種成像模式，包括條帶模式（SM）、干涉寬幅模式（IW）、超寬幅模式（EW）和波模式（WV）。本研究采用Sentinel-1A的單視復數產品（SLC）和IW成像模式，結合垂直發射-垂直接收（VV）和垂直發射-水平接收（VH）的極化方式[33]

2.2 識別試驗方案

2.2.1特征優選在本研究中，綜合利用Sentinel-1/2多時相遙感數據多特征優勢，對水稻信息進行精細化識別。研究結果表明，由于特征間的差異性，未經篩選的多特征集合可能導致信息冗余和維度災難，影響識別結果的精確性。因此，為優化識別效果，本研究采用隨機森林算法中的嵌入式特征選擇方法，系統評估各特征在水稻識別中的貢獻度。從3個關鍵生育期（移栽期、抽穗期和成熟期）篩選、獲取75個變量，其中包括30個光譜波段、15個植被指數、24個紋理指數和6個極化特征。如圖2所示，剔除重要性低于400的特征后，共保留54個特征。為提高模型效率并避免冗余干擾，本研究進一步從中篩選出18個對水稻識別影響顯著的關鍵特征參與后續建模。

2.2.2水稻識別試驗方案為評估不同物候特征及隨機森林特征優選對水稻識別精度的影響，本研究設置5個試驗組，分別探索包括光譜特征、植被指數、紋理特征及雷達信息在內的不同特征組合。試驗的具體方案及其組成特征在表5中詳細列出，供進一步分析和比較。

2.3 隨機森林算法

隨機森林（RF）算法通過構建多個決策樹并采用投票機制確定最終識別結果，有效克服單一決策樹在復雜數據集上的識別不穩定性。該算法在建樹過程中隨機選擇訓練樣本和特征，結合Bagging的集成學習思想和隨機特征選擇策略[34]，提高決策樹間的獨立性，增強模型的泛化能力。RF算法特別適用于處理高維數據，具有很強的抗過擬合性和優秀的異常值處理能力。在谷歌地球引擎（GEE）平臺上進行的應用測試結果顯示，當決策樹數量設置為500時，模型誤差顯示出明顯的收斂趨勢，驗證了該參數設置的有效性。

2.4精度評價與技術路線

為評估2023年Sentinel-1/2衛星遙感影像中的江西省水稻識別效果，本研究采用混淆矩陣計算總體精度（OA）Kappa系數、制圖精度、用戶精度和 F₁ 分數。 OA 和Kappa系數用于評估整體識別精度，制圖精度、用戶精度和 F₁ 分數專門用來衡量水稻識別的精度。本試驗的詳細技術流程見圖3。

3 結果與分析

3.1 江西省水稻識別精度分析

在本研究中，采用隨機森林算法，并結合不同特征組合對水稻進行識別，深人分析這些特征組合對識別精度的影響。最初只使用光譜特征進行識別，水稻面積識別的總體精度達到 88.73% ，Kappa系數為0.8511（表6），這驗證了光譜特征在基本的水稻識別中的有效性。植被指數能有效反映植被生長狀態，有利于區分水稻和林草地，引入植被指數后，識別的總體精度提升至 90.33% ，Kappa系數增至0.8732。加人紋理特征后，識別的總體精度進一步提升至91. 16% ，Kappa系數達到 0.883 9 。通過整合Sentinel-1的VV/VH極化數據，利用其在移栽物候期間水稻與水體的不同反射特性，總體精度提升至 92.40% ，Kappa系數達到 0.9005 。通過優化和剔除冗余數據，最終的總體精度提升至 92.60% ，Kappa系數達到 |0.903 0 。這些結果（表6）表明，特征優選的策略在提高水稻識別精度方面具有顯著效果，水稻種植區域提取對比結果見圖4。

3.2水稻面積提取與官方統計數據對比分析

在本研究中，利用Sentinel-1/2遙感圖像，采用RF方法，結合5種試驗方案，估算江西省的水稻種植面積，并將結果與2023年江西省中稻及一季晚稻的官方統計數據進行比較。由圖5可以看出，方案1＼～方案5模型提取水稻面積和相對誤差分別為9 747.28 km² 一 10027.20km² 、 10 090.44km² ）9 561.38 km² 、 9479.17km² 和 4.14% ！ 7.13%

7.80% 、2. 16% 、 1.27% ，均大于《江西統計年鑒》中統計的水稻面積（ 9 360.00km² ）。其中方案5水稻面積與《江西統計年鑒》水稻面積最為接近，可見，使用特征優選后的特征組合提取的水稻面積更接近真實值。而方案2和方案3雖然在植被指數和紋理指數的加入下精度有所提升，但也導致誤差的增加和精度的降低，主要是由于這些特征增加了水稻識別模型的復雜度，導致出現錯分現象。

3.3特征組合優化對水稻識別精度的影響

在江西省進行的水稻種植面積遙感分析中，本研究使用基于Sentinel-1/2數據的RF算法結合特征優選的方案5，圖6和表6顯示，該方案在總體精度和Kappa系數方面表現最為優異。相較于其他模型組合，方案5在總體精度上提升0.20至3.87個百分點，而Kappa系數提升0.0025至0.0519。此外，該方案通過優選對水稻識別精度最具影響力的特征，顯著減少了信息冗余，并提高了水稻識別精度。例如，方案1僅利用基礎光譜特征，在水稻與其他地物的區分上表現不佳，導致水稻識別精度較低。方案2和方案3通過加入植被指數和紋理特征，雖然在一定程度上提高了水稻識別精度，但在光譜特性相似的水體的識別上仍有局限性，且易發生錯分方案1～方案5具體內容見表5。審圖號：GS（2019）3333號。

柱形圖表示水稻面積，折線圖表示相對誤差。

現象。方案4通過加入VV/VH雷達信息，提升了對水體的區分能力，降低了錯分現象，但由于數據冗余未能達到最優精度。方案5通過優選對水稻識別精度影響最大的特征，大幅提升了模型的準確性。本研究結果可以為在復雜地形和多變氣候下精確評估水稻種植面積提供重要參考。

3.4江西省水稻種植空間分布

本研究詳細分析了各個方案在水稻識別中的表現。方案5采用特征優選的方法，選取對水稻識別精度最具影響力的特征集，因而在總體精度、Kappa系數、用戶精度及 F₁ 分數等方面展現出最佳效果。在江西省，采用該方案的水稻面積估算精度高達98.73% 。空間分布分析結果揭示，水稻主要集中在環鄱陽湖流域及其北部地區，且由中心向外逐漸減少。這種分布模式與江西省的地形特點密切相關，該地區東、南、西三面環山，北部平原廣闊，江湖眾多。鄱陽湖流域及北部地區的豐富水資源和充足陽光為水稻的生長創造了有利條件。

4討論

本研究使用GEE云平臺上的Sentinel-1/2遙感影像，探索江西省2023年水稻種植面積的估算方法。通過分析多時相數據，設計5種特征組合進行水稻識別精度和面積估算。5種方案為方案1（光譜特征）、方案2（光譜特征 + 植被指數）、方案3（光譜特征 + 植被指數 + 紋理特征）、方案4（光譜特征 + 植被指數 + 紋理特征 +VV/VH 雷達信息）、方案5（特征優選），研究對比各方案的性能，并與實地調查及官方統計數據對比，以評估各種方案的效果，旨在為江西省水稻面積的精確測繪提供參考。

通過整合光譜波段、植被指數、紋理指數，并加人VV/VH雷達信息，方案4和方案5在總體精度、Kappa系數及面積提取相對誤差方面實現顯著提升，分別為 92.40%.0.9005.2.16% 以及 92.60% 10.903 0.1.27% 。與方案4相比，方案5通過特征優選，進一步提升水稻識別精度，并量化各特征對整體效果的具體貢獻，其中移栽期的VH雷達信息對水稻識別的貢獻最大。這種顯著的性能提升主要得益于VH雷達信息的加入，該信息提供傳統光譜信息所無法覆蓋的物理測量維度，尤其在識別水稻作物的水分和結構變化方面顯示出高敏感度。甘聰聰等[的研究結果也表明，VH雷達信息在區分水稻與非水稻植被背景，特別是在潮濕或有水的環境中，具有顯著的優勢。因此，利用雷達信息不僅提高了水稻識別精度，也為精確監測水稻種植面積提供有效的技術手段。

研究結果顯示，方案5在總體精度、Kappa系數及水稻細節識別方面顯著優于其他方案，這與王季娟等[20]的研究結論一致，突顯了特征優選在提升水稻識別精度及減少誤判中的重要性。方案1僅利用基礎光譜特征進行水稻識別分析，在復雜背景下難以區分水稻與相似光譜特性的地物（如濕地或低矮植被），表現不佳。方案2和方案3通過引入植被指數（如NDVI）和紋理特征，增強植被與非植被的對比，并利用紋理特征捕捉地物的空間結構，提升水稻識別精度。然而，這些方案在區分光譜特性相似的水體時仍有局限性，容易發生錯分現象，特別是在水稻與濕地之間。方案4通過加入VV/VH雷達信息，有效區分水體和水稻，因為這些地物在極化響應上存在明顯差異，減少了錯分現象，但數據維度的增加也可能帶來冗余，影響水稻識別精度。方案5通過篩選出對水稻識別精度最有影響力的特征，顯著提升水稻識別效率和精度，實現最高的識別總體精度。這一方案不僅減少了特征冗余，還優化了模型的效率和準確性，顯示出特征選擇增強模型的水稻識別能力和泛化性潛力。本研究綜合利用多源遙感數據和多時相特征，篩選出對水稻識別影響顯著的關鍵變量，從而提升模型在水稻識別中的精度。未來研究可引入優化算法以優化模型參數，并結合先進的深度學習識別方法，以進一步提高估算的精度和可靠性。

5結論

本研究綜合利用GEE平臺和Sentinel-1/2衛星數據，對江西省水稻種植面積進行詳細分析。通過綜合多時相和多源數據，采用5種特征組合方案對水稻進行精確識別，其中特征優選的方案5表現最為突出，顯著提高了識別的總體精度和Kappa系數，分別達到 92.60% 和 0.9030 。研究結果表明，結合Sentinel-1的極化信息和Sentinel-2的高分辨率光學數據，可以有效地提高水稻種植區的識別精度，尤其是在復雜地形和多云條件下。此外，本研究還突顯特征優選在提高水稻識別精度中的重要性，為江西省及類似地區的水稻種植監測和管理提供重要的科學依據和技術支持，有助于精確農業的發展和糧食安全的保障。

參考文獻：

[1］鐘鈺，王曦照，巴雪真，等.全方位夯實糧食安全根基;戰略 內涵、現實制約與突破路徑[J].農業經濟與管理，2024（1）： 12-22.

[2］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].農業工程學報，2022，38（12）：189-196.

[3]HUANG D，XULJ， ZOU SL，et al.Mapping paddy rice in ricewetland coexistence zone by integrating sentinel-1 and sentinel-2 data[J].Agriculture，2024，14（3）：345.

[4]ZHANG T，TANG BH，HUANGL，et al.Rice and greenhouse identificationin plateau areas incorporating Sentinel-1/2 optical and radar remote sensing data from google earth engine[J].Remote Sensing，2022，14（22）：5727.

[5］蔡玉林，劉照磊，孟祥磊，等.基于HRNet 和自注意力機制的多 源遙感影像水稻提取[J].農業工程學報，2024，40（4）：186- 193.

[6]于飛，呂爭，隋正偉，等.基于特征優選的多時相 SAR數 據水稻信息提取方法[J].農業機械學報，2023，54（3）：259- 265，327.

[7］甘聰聰，邱炳文，張建陽，等.基于 Sentinel-1/2 動態耦合移栽 期特征的水稻種植模式識別[J].地球信息科學學報，2023，25 （1） ：153-162.

[8]WALEED M，MUBEEN M，AHMAD A， et al. Evaluating the effciency of coarser to finer resolution multispectral satelltes in mapping paddy rice fields using GEE implementation[J].Scientific Reports，2022，12（1） ：13210.

[9]TARIQ A，YAN JG， GAGNON A S， et al. Mapping of cropland， cropping patterns and crop types by combining optical remote sensingimages with decision tree classifier and random forest[J].Geospatial Information Science，2023，26（3） ：302-320.

[10]CHOUDHARYK，SHI W，DONGY，et al.Random forest for rice yield mapping and prediction using Sentinel-2 data with google earth engine[J]. Advances in Space Research，2022，70（8）： 2443-2457.

[11］姚園，毋亭，李一凡，等.基于水稻物候參數及面向對象算 法的稻田識別[J].農業工程學報，2024，40（11）：150-158.

[12］李恒凱，賀明華，王秀麗.時序SAR與光學影像的南方丘陵區 水稻種植識別[J].測繪科學，2023，48（5）：78-86.

[13]LIU YF， XIAO D Q， YANG W T. An algorithm for early rice area mapping from satelite remote sensing data in southwestern Guangdong in China based on feature optimization and random forest[J]. Ecological Informatics，2022，72：101853.

[14]SUNB，QIN PY，LI CL，et al. Integrating vegetation phenological characteristics and polarization features with object-oriented techniques for grassand type identification[J].Geo-spatial Information Science，2024，27（3） ：794-810.

[15]ZHAOGB，WANGL，ZHENGJH，et al.Optimized extraction method of fruit planting distribution based on spectral and radar data fusion of key time phase[J].Remote Sensing，2023，15（17） ： 4140.

[16]TRIVEDI M B， MARSHALL M，ESTES L，et al. Cropland mapping in tropical smallholder systems with seasonally stratified sentinel-1 and sentinel-2 spectral and textural features[J].Remote Sensing，2023，15（12）：3014.

[17］曾學亮，郭熙，鐘亮，等.基于多源遙感特征融合與卷積神 經網絡（CNN）的丘陵地區水稻識別[J].江蘇農業學報，2024， 40（1） ：93-102.

[18]孟浩然，李存軍，鄭翔宇，等.綜合光譜紋理和時序信息的油茶 遙感提取研究[J].光譜學與光譜分析，2023，43（5）：1589- 1597.

[19]CHENG G，DING H，YANG J，et al. Crop type classification with combined spectral，texture，and radar features of time-series Sentinel-1 and Sentinel-2 data[J].International Journal of Remote Sensing，2023，44（4） ：1215-1237.

[20］王李娟，孔鈺如，楊小冬，等.基于特征優選隨機森林算法的農 耕區土地利用分類[J].農業工程學報，2020，36（4）：244-250.

[21]LYUY，FENGW，WANG S，etal.Anensemble-based framework for sophisticated crop classification exploiting google earth engine[J].Remote Sensing，2024，16（5）：917.

[22]HUANGCH，YOUS，LIUAX，etal.High-resolution nationalscale mapping of paddy rice based on sentinel-1/2 data[J].Remote Sensing，2022，15：4055.

[23]潘建平，安新永，崔偉，等.基于GEE平臺的水稻種植范圍 識別研究：以黑龍江省為例[J].測繪地理信息，2024，49（3）： 101-106.

[24］張征云，江文淵，張彥敏，等.基于哨兵SAR數據和多光譜數據 的水稻識別研究[J].生態與農村環境學報，2023，39（4）：556- 564.

[25]高心怡，池泓，黃進良，等.水稻遙感制圖研究綜述[J].遙感 學報，2024，28（9）：2144-2169.

[26]SUAREZ L A，ROBSON A，BRINKHOFFJ. Early-Season forecasting of citrus block-yield using time series remote sensing and machine learning：a case study in Australian orchards[J]. InternationalJournal of Applied Earth Observationand Geoinformation， 2023，122：103434.

[27］陳媛媛，郭瑩瑩，魏翀，等.基于多源時序遙感影像和GEE 的濱海濕地分類與比較[J].長江流域資源與環境，2024，33 （8）：1691-1701.

[28]喬樹亭，葉回春，黃文江，等.基于Sentinel-1/2影像的水稻種 植面積提取方法研究：以三江平原為例[J].遙感技術與應用， 2023，38（1） ：78-89.

[29]FANG WJ，ZHUHF，LI S，etal.Rapid identification of main vegetation types in the lingkong mountain nature reserve based on multi-temporal modified vegetation indices[J].Sensors，2023，23 （2） ：659.

[30]MENG HR，LIC J，LIU Y，et al. Corn land extraction based on integrating optical and SAR remote sensing images[J].Land， 2023，12（2） ：398.

[31］張馨予，蔡志文，楊靖雅，等.時序濾波對農作物遙感識別的影 響[J].農業工程學報，2022，38（4）：215-224.

[32］鐘怡琪，李家國，韓杰，等.基于哨兵影像與多特征優選的溧 陽市上興鎮水稻識別[J].江蘇農業學報，2023，39（8）：1688- 1697.

[33]CLAUSS K，OTTINGER M，KUNZER C. Mapping rice areas with Sentinel-1 time series and superpixel segmentation[J]. International Journal of Remote Sensing，2018，39（5）：1399-1420.

[34]ZAFARZ，ZUBAIRM，ZHAYY，etal.Performance assessment of machine learning algorithms for mapping of land use/land cover usingremotesensing data[J].The Egyptian Journal of Remote Sensingand Space Sciences，2024，27（2） ：216-226.

（責任編輯：陳海霞）