基于Sentinel-1和Sentinel-2數(shù)據(jù)融合的農(nóng)作物分類

郭　交　朱　琳　靳　標(biāo)

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100)

0　引言

及時(shí)準(zhǔn)確地獲取農(nóng)作物種植面積信息及空間分布狀況對(duì)于政府部門制定糧食政策、調(diào)整農(nóng)業(yè)結(jié)構(gòu)、保障國(guó)家糧食安全十分重要，在農(nóng)作物普查、長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)估和災(zāi)害評(píng)估等方面也有重要應(yīng)用[1-4]。遙感技術(shù)由于其快速、準(zhǔn)確地獲取地面作物分布的優(yōu)勢(shì)，已經(jīng)成為農(nóng)作物分類的主要手段之一，為農(nóng)作物的信息提取提供了良好的技術(shù)支撐[5-6]。

目前國(guó)內(nèi)外相關(guān)研究中多采用高分辨率的光學(xué)遙感數(shù)據(jù)，利用不同農(nóng)作物在生長(zhǎng)發(fā)育過(guò)程中時(shí)間和生物量上的差異，結(jié)合物候信息，提取作物的時(shí)序生長(zhǎng)曲線，從而實(shí)現(xiàn)農(nóng)作物分類[7-8]。KUSSUL等[9]融合Sentinel-1和Landsat-8衛(wèi)星的多時(shí)相多源遙感數(shù)據(jù)，提高了農(nóng)作物的分類精度。楊閆君等[10]利用HANTS濾波算法構(gòu)建GF-1/NDVI時(shí)間序列數(shù)據(jù)，通過(guò)ML、SVM和神經(jīng)網(wǎng)絡(luò)等多種分類方法對(duì)河北唐山南部地區(qū)的農(nóng)作物進(jìn)行識(shí)別分類。張榮群等[11]利用時(shí)序植被指數(shù)對(duì)縣域作物進(jìn)行分類，為小范圍作物識(shí)別提供了依據(jù)。盡管光學(xué)遙感技術(shù)在作物識(shí)別和面積監(jiān)測(cè)應(yīng)用中取得了顯著成果，且理論和技術(shù)都比較成熟，但是在實(shí)際應(yīng)用中，由于云雨、光照等因素的影響，光學(xué)遙感數(shù)據(jù)源的質(zhì)量無(wú)法保障，一定程度上限制了地面農(nóng)作物信息的準(zhǔn)確提取。為了克服這一缺點(diǎn)，研究人員通過(guò)對(duì)光學(xué)遙感數(shù)據(jù)進(jìn)行去云、曲線平滑等處理以提高光學(xué)影像質(zhì)量，但去云處理只能在一定程度上降低云的噪聲影響，無(wú)法根本上消除局部噪聲[12-13]。

圖1　實(shí)驗(yàn)區(qū)域圖像Fig.1　Images of experimental area

為完善對(duì)地觀測(cè)系統(tǒng)，更好地獲取地物信息，多國(guó)相繼提出并成功發(fā)射雷達(dá)衛(wèi)星。雷達(dá)技術(shù)相對(duì)于光學(xué)技術(shù)的最大優(yōu)點(diǎn)在于可全天時(shí)、全天候工作[14-16]。另外，光學(xué)數(shù)據(jù)反映的是目標(biāo)體光譜特征，而“同物異譜、異物同譜”現(xiàn)象廣泛存在，限制了光學(xué)數(shù)據(jù)對(duì)地物的識(shí)別能力[17]。雷達(dá)數(shù)據(jù)主要根據(jù)地物的后向散射特性獲得異于光學(xué)遙感的影像[18]；同時(shí)，雷達(dá)衛(wèi)星的穿透性不僅有利于獲取植被的表面信息，對(duì)植被的葉、莖、枝、干等信息也有一定的反映，能獲取與光學(xué)遙感不同的地物信息[19-20]。KUMAR等[21]利用RISAT-1衛(wèi)星C波段雙極化雷達(dá)遙感數(shù)據(jù)對(duì)印度北方邦瓦拉納西地區(qū)農(nóng)作物進(jìn)行識(shí)別，結(jié)果表明生殖生長(zhǎng)期的作物有較高的分類精度。王宇航等[22]利用Quickbird光學(xué)數(shù)據(jù)和Radarsat-2全極化雷達(dá)影像，對(duì)福建省三明市將樂(lè)林場(chǎng)進(jìn)行識(shí)別和分類，取得了較好的分類結(jié)果。以上研究表明，利用融合數(shù)據(jù)進(jìn)行作物分類具有可行性和實(shí)用性。

本文針對(duì)融合雷達(dá)和光學(xué)影像進(jìn)行農(nóng)作物分類，采用Sentinel-1和Sentinel-2的多源遙感數(shù)據(jù)作為研究數(shù)據(jù)源，以陜西省渭南市大荔縣某農(nóng)場(chǎng)為研究區(qū)，分別對(duì)無(wú)云和少量云層覆蓋條件下農(nóng)作物進(jìn)行分類，探索光學(xué)和雷達(dá)融合數(shù)據(jù)對(duì)于作物分類的優(yōu)勢(shì)。

1　研究區(qū)域與數(shù)據(jù)源

1.1　研究區(qū)域

研究區(qū)域位于陜西省渭南市大荔縣某農(nóng)場(chǎng)(109°10′49″E，34°47′60″N)，屬于暖溫帶半濕潤(rùn)半干旱季風(fēng)氣候，四季分明，光照充足，雨量適宜，年降水量約600 mm，有利于發(fā)展農(nóng)業(yè)，區(qū)域內(nèi)主要農(nóng)作物的種類及生長(zhǎng)周期和土地類型如表1所示。

表1　研究區(qū)域主要地物Tab.1　Main land covers in study area

選擇該農(nóng)場(chǎng)中約10 km×5 km的區(qū)域進(jìn)行研究，地面真實(shí)農(nóng)作物分類情況通過(guò)地面實(shí)地測(cè)量獲取，具體實(shí)驗(yàn)區(qū)域如圖1所示，其中，圖1a為實(shí)驗(yàn)區(qū)無(wú)云層覆蓋的光學(xué)融合圖像，圖1b為實(shí)驗(yàn)區(qū)有部分云層覆蓋的光學(xué)融合圖像，圖1c為實(shí)驗(yàn)區(qū)雷達(dá)圖像，圖1d為實(shí)驗(yàn)區(qū)各類農(nóng)作物的實(shí)際分布圖。

1.2　數(shù)據(jù)及預(yù)處理

1.2.1數(shù)據(jù)選擇

以Sentinel-1和Sentinel-2(簡(jiǎn)稱S1、S2)作為數(shù)據(jù)源，S1和S2是由歐空局研發(fā)的Sentinel系列衛(wèi)星，其中S1衛(wèi)星是由A、B兩顆衛(wèi)星的星座組成，軌道相距180°，組成星座后重訪時(shí)間僅為6 d，均搭載一個(gè)基于C波段的雷達(dá)成像系統(tǒng)，該成像系統(tǒng)采用4種成像模式實(shí)現(xiàn)對(duì)地觀測(cè)，分別是：條帶模式，分辨率為5 m×5 m；干涉模式，分辨率為5 m×20 m；超幅寬模式，分辨率為20 m×20 m；波模式，分辨率為5 m×5 m。具有雙極化、短重訪周期的特點(diǎn)。S2衛(wèi)星采用天體平臺(tái)-L(AstroBus-L)，該平臺(tái)為歐洲空間標(biāo)準(zhǔn)組織(ECSS)標(biāo)準(zhǔn)模塊化平臺(tái)，無(wú)地面控制點(diǎn)圖像定位精度20 m，星敏感器安裝在相機(jī)上，可獲得更優(yōu)的精度和穩(wěn)定性[23]。其上安裝的多光譜成像儀有13個(gè)通道，從可見(jiàn)光到近紅外至短波紅外，空間分辨率為10～60 m，為農(nóng)作物遙感監(jiān)測(cè)和作物類型制圖提供了理想的數(shù)據(jù)源(具體的波段和分辨率見(jiàn)表2)。

表2　Sentinel-2數(shù)據(jù)信息Tab.2　Main parameters of Sentinel-2

圖2　各個(gè)波段下5種地物的參數(shù)分布Fig.2　Five land covers parameters distribution of different bands

雷達(dá)數(shù)據(jù)選取S1干涉模式下的VV、VH通道，光學(xué)數(shù)據(jù)選取S2空間分辨率為10 m的B2、B3、B4、B8(藍(lán)、綠、紅、近紅外)和S2空間分辨率為20 m的B5、B6、B7、B8b、B11、B12等10個(gè)波段，具體使用的數(shù)據(jù)為：2017年4月1日S2無(wú)云光學(xué)數(shù)據(jù)與2017年4月5日S1雷達(dá)數(shù)據(jù)、2017年4月21日S2有云光學(xué)數(shù)據(jù)與2017年4月17日S1雷達(dá)數(shù)據(jù)。

1.2.2數(shù)據(jù)預(yù)處理

本研究采用的S2數(shù)據(jù)已經(jīng)過(guò)輻射校正等處理，只需進(jìn)行大氣校正即可。S1數(shù)據(jù)經(jīng)過(guò)輻射校正、輻射地形矯正、濾波等一系列預(yù)處理操作。另外，在數(shù)據(jù)融合前需對(duì)多源遙感數(shù)據(jù)進(jìn)行精確配準(zhǔn)，將S1、S2數(shù)據(jù)和地面真值數(shù)據(jù)映射到WGS84坐標(biāo)系，在此基礎(chǔ)上利用地面控制點(diǎn)和基于數(shù)據(jù)進(jìn)行精確配準(zhǔn)處理。

1.2.3特征波段的選擇

目前關(guān)于農(nóng)作物分類研究主要依據(jù)植被指數(shù)的時(shí)序曲線，雖然植被指數(shù)可以形象準(zhǔn)確地區(qū)分不同作物，但因光學(xué)影像受到云雨、晝夜等外界因素影響較大，要獲取連續(xù)有效的光學(xué)影像較難，而運(yùn)用單時(shí)相光學(xué)數(shù)據(jù)，植被指數(shù)難以準(zhǔn)確區(qū)分作物種類。因此，本文選擇幾組不同時(shí)相的數(shù)據(jù)進(jìn)行作物分類研究。另外，用于農(nóng)情監(jiān)測(cè)的光學(xué)遙感數(shù)據(jù)多為紅、綠、藍(lán)和近紅外4個(gè)波段，且影像分辨率普遍較高，因此為了保證研究的通用性，本研究選取2組波段類型數(shù)據(jù)，一組為S2的紅、綠、藍(lán)、近紅外4個(gè)波段與S1的融合數(shù)據(jù)，另一組為表2中S2空間分辨率為10 m和20 m的10個(gè)波段與S1的融合數(shù)據(jù)。

由于地物波譜輻射在不同波段上的反映不同，所以同種地物在不同波段上反映的信息也不同，因此本文對(duì)不同作物在原始數(shù)據(jù)各個(gè)波段下的光譜特性進(jìn)行了分析，分別計(jì)算了影像不同波段不同地物的均值及方差，各個(gè)波段所反映的不同地物如圖2所示。由圖2a可以看出，農(nóng)作物在近紅外波段(8號(hào)波段)附近輻射值均值明顯高于其他波段，而裸土與大棚變化不甚明顯；由圖2b可以看出，大棚在紅光波段(4號(hào)波段)附近輻射值方差明顯提高。

2　分類方法

本研究首先對(duì)多源遙感數(shù)據(jù)進(jìn)行預(yù)處理，再根據(jù)有無(wú)云層覆蓋分為兩類，分別采用ML和SVM對(duì)2種條件下獲取的數(shù)據(jù)進(jìn)行農(nóng)作物分類，并結(jié)合地面真值對(duì)分類結(jié)果進(jìn)行精度分析。具體過(guò)程如圖3所示。

圖3　研究方法流程圖Fig.3　Flow chart of research method

ML監(jiān)督分類首先選取部分已知類別的區(qū)域作為訓(xùn)練樣本，通過(guò)計(jì)算得到?jīng)Q策值，并建立相應(yīng)的判別函數(shù)和判別準(zhǔn)則，然后將實(shí)驗(yàn)區(qū)域樣本代入判別函數(shù)，利用判別準(zhǔn)則進(jìn)行農(nóng)作物分類。

SVM以統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理為基礎(chǔ)，其分類原理是利用有限的樣本特征值在分類模型的復(fù)雜性和自學(xué)習(xí)能力之間尋求最佳平衡點(diǎn)，使目標(biāo)達(dá)到最佳泛化能力。其實(shí)現(xiàn)原理是：通過(guò)核函數(shù)將輸入向量映射一個(gè)高維特征空間，構(gòu)建最優(yōu)分類超平面，實(shí)現(xiàn)目標(biāo)的識(shí)別分類。

3　數(shù)據(jù)處理結(jié)果與分析

3.1　訓(xùn)練樣本集選擇

本研究所采用的ML和SVM都屬于監(jiān)督分類方法，在數(shù)據(jù)處理中每類農(nóng)作物都需事先選定一定數(shù)量的訓(xùn)練樣本，如圖4所示。

圖4　訓(xùn)練樣本的選取Fig.4　Selection of training samples

3.2　實(shí)驗(yàn)區(qū)實(shí)測(cè)數(shù)據(jù)處理結(jié)果

3.2.1無(wú)云層覆蓋數(shù)據(jù)處理結(jié)果

分別利用ML和SVM對(duì)研究區(qū)融合數(shù)據(jù)進(jìn)行農(nóng)作物分類，并對(duì)比分析分類結(jié)果。利用ML法對(duì)研究區(qū)的主要作物，即小麥、玉米、苜蓿，以及大棚、裸土進(jìn)行分類，并對(duì)結(jié)果進(jìn)行對(duì)比分析，ML方法對(duì)無(wú)云數(shù)據(jù)的處理結(jié)果沒(méi)有明顯改善。利用SVM對(duì)S2的紅、綠、藍(lán)、近紅外4個(gè)波段及其與S1的VV、VH波段融合數(shù)據(jù)進(jìn)行農(nóng)作物分類，結(jié)果如圖5所示，其中圖5a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖5b為其誤差，圖5c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖5d為其誤差。對(duì)應(yīng)的各類農(nóng)作物識(shí)別精度、整體分類精度、Kappa系數(shù)如表3所示。

圖5中所標(biāo)出的紅色區(qū)域，由于雷達(dá)數(shù)據(jù)依據(jù)地物的后向散射特性進(jìn)行作物分類，所以融合數(shù)據(jù)分類結(jié)果中裸土與大棚分類精度明顯提升。但是由于部分農(nóng)作物具有相似生長(zhǎng)周期，并表現(xiàn)相似的波譜特性，如小麥、玉米，其分類結(jié)果沒(méi)有顯著改善。通過(guò)圖5和表3的對(duì)比分析可以看出，SVM分類方法中，融合數(shù)據(jù)整體分類精度相對(duì)光學(xué)數(shù)據(jù)提高約2個(gè)百分點(diǎn)，Kappa系數(shù)提高了5個(gè)百分點(diǎn)。另外，利用SVM對(duì)含S2特征波段數(shù)為10的光學(xué)數(shù)據(jù)及其與S1融合的數(shù)據(jù)進(jìn)行農(nóng)作物分類，由于光學(xué)特征波段所占比例較大，融合數(shù)據(jù)分類結(jié)果相較于光學(xué)數(shù)據(jù)無(wú)明顯變化。綜上，對(duì)于無(wú)云數(shù)據(jù)，S2特征波段較少且使用SVM分類方法時(shí)，融合數(shù)據(jù)結(jié)果比光學(xué)數(shù)據(jù)提高較為顯著，而ML方法對(duì)分類精度的改善較小。

圖5　SVM方法處理含S2特征波段數(shù)為4的無(wú)云數(shù)據(jù)分類結(jié)果Fig.5　Classification results of SVM based on four bands of S2 in data with no cloud

表3　SVM方法處理含S2特征波段數(shù)為4的無(wú)云數(shù)據(jù)分類結(jié)果評(píng)估Tab.3　Classification result evaluation of SVM based on four bands of S2 in data with no cloud　　%

3.2.2有云層覆蓋數(shù)據(jù)處理結(jié)果

對(duì)有云層覆蓋的數(shù)據(jù)同樣分別利用ML和SVM 2種方法進(jìn)行作物分類，利用ML法對(duì)S2的紅、綠、藍(lán)、近紅外4個(gè)波段及其與S1的VV、VH波段融合數(shù)據(jù)進(jìn)行農(nóng)作物分類，結(jié)果如圖6所示，其中圖6a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖6b為其誤差，圖6c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖6d為其誤差。對(duì)應(yīng)的各類農(nóng)作物識(shí)別精度、整體分類精度、Kappa系數(shù)如表4所示。

圖6　ML處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果Fig.6　Classification results of ML based on four bands of S2 in data with cloud

表4　ML處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果評(píng)估Tab.4　Classification result evaluation of ML based on four bands of S2 in data with cloud　　%

通過(guò)圖6和表4的對(duì)比分析，可以看出融合數(shù)據(jù)整體分類精度比光學(xué)數(shù)據(jù)提高了約2個(gè)百分點(diǎn)，Kappa系數(shù)提升了約4個(gè)百分點(diǎn)。對(duì)圖中標(biāo)出區(qū)域，由于雷達(dá)數(shù)據(jù)可以反映出作物的莖葉等信息，使融合數(shù)據(jù)分類結(jié)果中玉米分類精度提高了7個(gè)百分點(diǎn)。另外，由于裸土樣本受云層影響較大，并且雷達(dá)數(shù)據(jù)所占比例較小，所以裸土與大棚分類結(jié)果沒(méi)有明顯變化。另外，利用ML法對(duì)含S2特征波段數(shù)為10的光學(xué)數(shù)據(jù)和融合數(shù)據(jù)進(jìn)行作物分類，由于雷達(dá)數(shù)據(jù)所占比例過(guò)少，結(jié)果基本不變。

利用SVM分類方法對(duì)S2的紅、綠、藍(lán)、近紅外4個(gè)波段及其S1的融合數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果如圖7所示，其中圖7a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖7b為其誤差，圖7c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖7d為其誤差。表5為對(duì)應(yīng)的農(nóng)作物分類精度。

圖7　SVM方法處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果Fig.7　Classification results of SVM based on four bands of S2 in data with cloud

表5　SVM方法處理含S2特征波段數(shù)為4的有云數(shù)據(jù)分類結(jié)果評(píng)估Tab.5　Classification result evaluation of SVM based on four bands of S2 in data with cloud　　%

通過(guò)對(duì)圖7的分類結(jié)果和表5的分類精度進(jìn)行對(duì)比分析可以看出，對(duì)于含S2特征波段數(shù)為4的數(shù)據(jù)而言，融合數(shù)據(jù)整體分類精度相較于光學(xué)數(shù)據(jù)提高了6個(gè)百分點(diǎn)，Kappa系數(shù)提高了8個(gè)百分點(diǎn)。對(duì)圖中標(biāo)出的區(qū)域，因?yàn)槔走_(dá)數(shù)據(jù)可以通過(guò)農(nóng)作物的后向散射特性獲取農(nóng)作物的莖、葉、干等信息，所以融合數(shù)據(jù)分類結(jié)果中，小麥分類精度提高約11個(gè)百分點(diǎn)，苜蓿、大棚的分類精度提高約5個(gè)百分點(diǎn)。

利用SVM方法對(duì)S2的特征波段數(shù)為10的光學(xué)數(shù)據(jù)及其S1融合的融合數(shù)據(jù)進(jìn)行農(nóng)作物分類，得到分類結(jié)果如圖8所示，其中圖8a為S2光學(xué)數(shù)據(jù)分類結(jié)果，圖8b為其誤差，圖8c為S2與S1的融合數(shù)據(jù)分類結(jié)果，圖8d為其誤差。表6為農(nóng)作物分類精度。

圖8　SVM方法處理含S2特征波段數(shù)為10的有云數(shù)據(jù)分類結(jié)果Fig.8　Classification results of SVM based on ten bands of S2 in data with cloud

表6　SVM方法處理含S2特征波段數(shù)為10的有云數(shù)據(jù)分類結(jié)果評(píng)估Tab.6　Classification result evaluation of SVM based on ten bands of S2 in data with cloud　　%

通過(guò)對(duì)圖8的分類結(jié)果和表6的分類精度進(jìn)行對(duì)比分析可以看出，對(duì)含S2特征波段數(shù)為10的有云數(shù)據(jù)來(lái)說(shuō)，融合數(shù)據(jù)整體分類精度相較于光學(xué)數(shù)據(jù)提高了約5個(gè)百分點(diǎn)，Kappa系數(shù)提高了約8個(gè)百分點(diǎn)。對(duì)圖8中標(biāo)出區(qū)域，由于雷達(dá)數(shù)據(jù)可以反映農(nóng)作物枝干信息，所以融合數(shù)據(jù)將波段信息相似的裸土和苜蓿區(qū)分出，裸土分類精度提高約11個(gè)百分點(diǎn)，并且其他作物分類精度也有所提高。

由上述結(jié)果可知，對(duì)于有云層覆蓋的融合數(shù)據(jù)而言，ML整體分類精度有小幅度提升；SVM分類結(jié)果中，融合數(shù)據(jù)整體分類精度及Kappa系數(shù)都有較大幅度提高；對(duì)于不同的數(shù)據(jù)源而言，含S2特征波段數(shù)為10的融合數(shù)據(jù)比含4個(gè)波段的S2融合數(shù)據(jù)分類結(jié)果更好。

綜上所述，由融合數(shù)據(jù)和光學(xué)數(shù)據(jù)的作物分類結(jié)果對(duì)比可知，融合數(shù)據(jù)用于作物分類結(jié)果更佳；對(duì)于有少量云層覆蓋的影像，融合數(shù)據(jù)對(duì)作物分類的整體精度和Kappa系數(shù)有較大的提高；對(duì)部分生長(zhǎng)周期相似作物，含10個(gè)波段的S2融合數(shù)據(jù)比4個(gè)波段分類精度更高。

4　結(jié)論

(1)在2種分類方法下SVM提升幅度較明顯，其中，S1與S2特征波段數(shù)為4的融合數(shù)據(jù)在無(wú)云情況下對(duì)作物分類精度提高了2個(gè)百分點(diǎn)，Kappa系數(shù)提高了5個(gè)百分點(diǎn)；在有云情況下，S1與S2特征波段數(shù)為4的融合數(shù)據(jù)對(duì)農(nóng)作物總體分類精度和Kappa系數(shù)分別提高了6個(gè)百分點(diǎn)和8個(gè)百分點(diǎn)。

(2)采用S2中4個(gè)波段相比其10個(gè)波段，融合數(shù)據(jù)的農(nóng)作物分類精度提升效果更為顯著，而且利用SVM達(dá)到的分類結(jié)果更優(yōu)。

(3)S1雷達(dá)衛(wèi)星與S2光學(xué)衛(wèi)星都屬于歐空局為完善對(duì)地觀測(cè)而發(fā)射的Sentinel系列衛(wèi)星，最高空間分辨率都達(dá)到了10 m，在不同傳感器影像配準(zhǔn)融合方面具有較大優(yōu)勢(shì)，在作物分類等應(yīng)用中具有巨大潛力。

1BECKER R I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6):1312-1323.

2陳仲新,任建強(qiáng),唐華俊,等.農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J].遙感學(xué)報(bào), 2016, 20(5):748-767.

CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767. (in Chinese)

3BORYAN C, YANG Z, MUELLER R, et al. Monitoring US agriculture: the US Department of Agriculture, National Agricultural Statistics Service, cropland data layer program[J]. Geocarto International, 2011, 26(5): 341-358.

4FRITZ S, SEE L, YOU L, et al. The need for improved maps of global cropland[J]. Eos Transactions American Geophysical Union, 2013, 94(3):31-32.

5SEIFI M R, HASSAN G.A probabilistic SVM approach for hyperspectral image classification using spectral and texture features[J]. International Journal of Remote Sensing, 2017, 38(15): 4265-4284.

6蘇偉,姜方方,朱德海，等. 基于決策樹(shù)和混合像元分解的玉米種植面積提取方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(9): 289-295,301. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20150942&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.09.042.

SU Wei, JIANG Fangfang, ZHU Dehai, et al. Extraction of maize planting area based on decision tree and mixed-pixel unmixing methods[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9):289-295,301.(in Chinese)

7陳健,劉云慧,宇振榮.基于時(shí)序MODIS-EVI數(shù)據(jù)的冬小麥種植信息提取[J].中國(guó)農(nóng)學(xué)通報(bào), 2011, 27(1):446-450.

CHEN Jian, LIU Yunhui, YU Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin, 2011, 27(1): 446-450. (in Chinese)

8ZHANG S W, LEI Y P, WANG L P, et al. Crop classification using MODIS NDVI data denoised by wavelet: a case study in Hebei Plain, China[J]. Chinese Geographical Science, 2011, 21(3): 322-333.

9KUSSUL N, LEMOINE G, GALLEGO F J, et al. Parcel-based crop classification in Ukraine using Landsat-8 data and Sentinel-1A data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(6): 2500-2508.

10楊閆君,占玉林,田慶久,等.基于GF-1/WFV NDVI時(shí)間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(24): 155-161.

YANG Yanjun, ZHAN Yulin, TIAN Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the CSAE, 2015, 31(24): 155-161.(in Chinese)

11張榮群,王盛安,高萬(wàn)林,等. 基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(增刊): 246-252. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file _no=2015S040&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.S0.040.

ZHANG Rongqun, WANG Sheng’an, GAO Wanlin, et al. Remote-sensing classification method of county-level agricultural crops using time-series NDVI[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 246-252. (in Chinese)

12劉新圣,孫睿,武芳,等. 利用MODIS-EVI時(shí)序數(shù)據(jù)對(duì)河南省土地覆蓋進(jìn)行分類[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(1): 213-219.

LIU Xinsheng, SUN Rui, WU Fang, et al. Land-cover classification for Henan Province with time-series MODIS-EVI data[J]. Transactions of the CSAE, 2010, 26(1): 213-219. (in Chinese)

13徐磊,巫兆聰,羅飛,等. 基于GF-1/WFV與MODIS時(shí)空融合的森林覆蓋定量提取[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(7): 145-152. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170718&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.07.018.

XU Lei, WU Zhaocong, LUO Fei, et al. Quantitative extraction of forest cover based on fusing of GF-1/WFV and MODIS data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 145-152. (in Chinese)

14ZHONG N, YANG W, CHERIAN A, et al. Unsupervised classification of Polarimetric SAR images via riemannian sparse coding[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(9): 5381-5390.

15LI X W, ZHANG L, WANG L Y, et al. Effects of BOW model with affinity propagation and spatial pyramid matching on Polarimetric SAR image classification[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(7): 3314-3322.

16樊勇,朱曦,張圣笛,等. 基于多源遙感數(shù)據(jù)的淮河流域城鎮(zhèn)擴(kuò)張研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(11): 252-261. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161135&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.11.035.

FAN Yong, ZHU Xi, ZHANG Shengdi, et al. Urban expansion of Huaihe River basin based on multi-source remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 252-261. (in Chinese)

17謝登峰,張錦水,潘耀忠,等. Landsat 8和MODIS 融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋糧作物[J]. 遙感學(xué)報(bào), 2015, 19(5):791-805.

XIE Dengfeng, ZHANG Jinshui, PAN Yaozhong, et al. Fusion of MODIS and Landsat-8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015, 19(5): 791-805. (in Chinese)

18王松寒,何隆華. 雷達(dá)遙感技術(shù)在水稻識(shí)別中的研究進(jìn)展[J]. 遙感信息, 2015, 30(2): 3-9.

WANG Songhan, HE Longhua. Advances of rice recognition by SAR[J]. Remote Sensing Information, 2015, 30(2): 3-9. (in Chinese)

19BARGIEL D. A new method for crop classification combining time series of radar images and crop phenology information[J]. Remote Sensing of Environment, 2017, 198: 369-383.

20許璟,安裕倫,劉綏華,等. 基于Sentinel-1A后向散射特性的高原山區(qū)地物分類探討[J]. 貴州師范大學(xué)學(xué)報(bào):自然科學(xué)版, 2016, 34(6):15-19,38.

XU Jing, AN Yulun, LIU Suihua, et al. Discussion on classification for Sentinel-1A SAR data in mountainous plateau based on backscatter features[J]. Journal of Guizhou Normal University: Natural Sciences, 2016, 34(6):15-19,38.(in Chinese)

21KUMAR P, PRASAD R, MISHRA V N, et al. Artificial neural network for crop classification using C-band RISAT-1 satellite datasets[J]. Russian Agricultural Sciences, 2016, 42(3):281-284.

22王宇航,范文義,劉超逸. 基于面向?qū)ο蟮?QUICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類[J]. 東北林業(yè)大學(xué)學(xué)報(bào), 2016, 44(9): 44-49.

WANG Yuhang，F(xiàn)AN Wenyi，LIU Chaoyi. An object-based fusion of QUICKBIRD data and RADARSAR SAR data for classification analysis[J]. Journal of Northeast Forestry University, 2016, 44(9): 44-49. (in Chinese)

23鄭陽(yáng),吳炳方,張淼. Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評(píng)價(jià)[J]. 遙感學(xué)報(bào), 2017, 21(2):318-328.

ZHENG Yang, WU Bingfang, ZHANG Miao. Estimating the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese)