基于高空間分辨率衛星影像的新疆阿拉爾市棉花與棗樹分類

姬旭升，李旭，萬澤福，姚霞，朱艷，程濤

（1南京農業大學國家信息農業工程技術中心，南京210095；2江蘇省信息農業重點實驗室，南京 210095；3農業農村部農作物系統分析與決策重點實驗室，南京 210095；4江蘇省現代作物生產協同創新中心，南京 210095；5塔里木大學信息工程學院，新疆阿拉爾 843300）

0 引言

1 材料與方法

1.1 試驗區概況

該研究區地處天山南麓，塔克拉瑪干沙漠北部邊緣，緊靠塔里木河，屬塔里木河沖積細土平原；地理位置為 81°18′0″—81°22′30″E，40°39′30″—40°42′30″N（圖 1）。該地區屬暖溫帶極端大陸性干旱荒漠氣候，雨量稀少，年均日照時間長，地表蒸發強烈，年均降水量為40.1—82.5 mm，年均蒸發量1 876.6—2 558.9 mm；年均日照2 556.3—2 991.8 h，年均太陽輻射133.7—146.3 kcal/cm2，日照率為58.69%，非常適合光學衛星遙感影像獲取。

圖1 研究區位置圖Fig. 1 Location of the study area

棉花和棗樹為該研究區的兩種主要作物，種植面積所占比達95%以上，塔里木河和勝利水庫為該地區作物灌溉的主要水系。研究區為新疆建設兵團第十師十團農場（阿拉爾農場）的代表性區域，該農場土壤肥沃、土地平坦、耕地連片、田塊整齊、灌溉體系完善，可以很好反映新疆阿拉爾地區的作物種植模式，具有重要的研究意義。

1.2 數據

1.2.1 遙感影像獲取及預處理 根據本研究的目的，我們獲取到2016年高空間分辨率衛星影像，分別對應棗樹的展葉期（2016-05-10）、果實膨大期（2016-09-07）、果實成熟期（2016-10-08），以及棉花的苗期（2016-05-10）、成熟吐絮前期（2016-09-07）、成熟吐絮后期（2016-10-08），其具體參數如表1所示。

通過對所獲取的 3幅遙感影像進行一系列預處理，構建起該研究區高質量的高分辨率時序影像集。其中，預處理主要包括：（1）輻射定標。通過ENVI自帶的定標工具，自動解析遙感影像的頭文件進行定標，得到輻射亮度值。（2）大氣校正。使用FLAASH大氣校正模塊去除大氣及觀測角等因素的影響，同時將輻射亮度值轉化為反射率，提高遙感影像的精度及一致性。（3）空間重采樣。由于SPOT-6、Pleiades-1、Worldview-3衛星影像的光譜及空間分辨率不同，本文利用重采樣方法將所有影像統一重采樣到6 m分辨率，且僅保留3個衛星傳感器共有的紅、綠、藍、近紅外4個波段，以保證衛星影像間的可比性。（4）影像配準。運用ENVI影像配準工具對不同時期的衛星影像進行配準，使三景影像的配準誤差保持在0.5個像素以內[31]。

表1 獲取的衛星影像Table 1 Acquired satellite images of study area

1.2.2 訓練及檢驗數據 為了獲取更具代表性的作物樣本，筆者于2016 年 10月期間，對研究區的主要作物類型（棉花、棗樹）進行了實地調查，并用便攜式GPS定位儀記錄每個樣本的位置信息，此次實地調查共收集到樣本點600個，以供下一步訓練、驗證之用，其中棉花200個，棗樹200個，其他類別（行道樹、建筑、水體等）200個。筆者將獲取到的每類實測樣本隨機地分為訓練樣本和驗證樣本兩組，每組樣本均為 100個（訓練樣本﹕驗證樣本=1﹕1）。圖 2展示了各類樣點及實測田塊的空間分布。

圖2 采樣區空間分布Fig. 2 The spatial distribution of field samples

1.3 研究方法

圖3為本文的技術路線圖，本文的研究方法主要包括以下步驟：（1）影像分割。運用基于Sobel算子的分水嶺（watershed）分割算法，進行研究區影像的分割及對象特征的獲取。（2）作物分類。將傳統的光譜角制圖（spectral angle mapping，SAM）和 3種機器學習方法應用于該研究，進行研究區主要作物的分類和制圖。（3）分類精度評價。通過對混淆矩陣中的總體分類精度（overall accuracy，OA）、生產者精度（producer’s accuracies，PA)、用戶精度（user’s accuracies，UA）和 Kappa系數等指標進行分析，比較生育期對作物分類精度的影響；明確面向對象與基于像素分類方法的差異。

圖3 作物分類流程圖Fig. 3 The flowchart of crop classification

1.3.1 影像分割 圖像分割是面向對象圖像分析的前提和決定性步驟[11]，本研究以 ENVI FX（feature extraction）模塊中內置的分水嶺（watershed）分割算法為基礎進行對象獲取。分水嶺分割是圖像分割領域應用最廣泛的分割算法之一，在該算法中圖像被看作若干相連的盆地，圖像的梯度值（gradient）被看作高程，從圖像高程局部最低點開始“淹沒”圖像，在不同盆地水面交匯處（局部最高點）構建水壩，當水平面到達高程最高點時，分割過程停止，該區域被水壩分成若干小塊，最終產生一個分割圖像，并得到一系列的對象特征（光譜、紋理、空間特征）[32-33]。為了消除分割尺度對地物分類結果的影響，本研究采用單尺度的Sobel-Watershed分割算法（Scale：0；Merge：0）對研究區影像進行分割，以獲取棉花和棗樹的光譜、紋理、空間特征。

1.3.2 研究區作物分類 在進行作物分類之前，我們運用 Jeffries-Matusita算法對獲取到的 3類訓練樣本（棉花、棗樹、其他）進行了分離度計算，以確定 3類樣本間的差異程度。計算結果表明，不同樣本之間的分離度都大于1.9，所獲取的樣本之間差異度較大，符合各分類方法的基本要求。

針對公共安全服務供給矛盾的問題，國內學者也提出不同的看法。 一方面，有些學者對社區公共服務供給的適用理論進行了充分探討，陳偉東和李雪萍這兩位學者則將多中心治理理論運用到了城市社區研究領域，提出了社區公共產品供給多主體秩序理論[3]； 宋世明在《工業化國家公共服務市場化對中國行政改革的啟示》一文中強調： 應把公共服務的市場化納入到中國行政改革的實踐框架中，這是符合配置政府權威制度與市場交換制度的功能優勢的需要，這是遵循公共服務供給規律的客觀需要，同樣是提高政府能力的必然選擇。[4]

為了比較對象與像素兩種空間尺度上信息提取結果的異同，本文將光譜角制圖（SAM）、支持向量機（SVM）、決策樹（DTs）、隨機森林（RF）這4種監督分類方法應用于研究區作物分類，由其對面向對象信息提取過程的優缺點進行客觀呈現。為保證作物分類精度，提高分類方法的普適性，SVM分類方法使用目前最為流行的高斯核函數（radial basis function，RBF）作為基礎函數，DTs分類方法以CART為基礎算法。

本研究立足于面向對象的圖像分析技術，通過對研究區棉花、棗樹的光譜（16個）、紋理（16個）和空間特征（14個）進行分類，并與以光譜信息為基礎的像素尺度的地物分類結果進行對比，探討面向對象的遙感影像分析技術在作物識別方面的作用。

1.3.3 分類精度評價 分類精度評價分別從像素及對象尺度進行。通過構建混淆矩陣，可以運用生產者精度（producer’s accuracy，PA），用戶精度（user’s accuracy，UA），總體精度（overall accuracy，OA）和kappa系數（kappa coefficient，K）對面向對象和基于像素的作物識別精度進行比較，評判各分類方法的優劣。

2 結果

2.1 不同時期作物分類精度的比較

表 2總結了面向對象及基于像素的光譜角制圖（SAM）、支持向量機（SVM）、決策樹（DTs）、隨機森林（RF）分類方法對不同時期作物的總體分類精度。從表2可以看出不同時期的作物總體分類精度呈現出顯著的差異，作物的總體分類精度在64.62%—93.52%，跨度為28.90%；Kappa系數在0.47—0.90，跨度為 0.43。4種分類方法的最高精度均出現在第一時期（2016-05-10），分別為87.47%、90.25%、92.12%、95.35%；最大 Kappa系數分別為 0.81、0.85、0.88、0.90，作物分類效果較好。圖 4總結了棗樹及棉花不同時期的用戶精度和生產者精度。如圖4-a和4-b所示，除了SAM之外，其他3種方法的棗樹用戶精度在不同時期均保持在較高水平，不存在顯著性差異；然而，4種方法的棉花用戶精度在不同時期的差異較大，且表現出相同的變化趨勢，即第一個時期最高（分別為 92.05%、70.42%、81.58%、82.29%），第三個時期次之（分別為44.21%、52.51%、54.55%、57.59%），第二個時期最低（分別為69.31%、5.37%、58.84%、62.21%）。與研究區各種作物的用戶精度變化趨勢相反，棗樹的生產者精度在各個時期變化幅度較小，即第一時期最大，第三個時期次之，第二個時期最好；棉花的生產者精度除SAM外基本一致，為86.41%—95.64%，分類效果較好（圖4-c和4-d）。

2.2 面向對象與基于像素的分類效果比較

除光譜角制圖（SAM）外，支持向量機（SVM）、決策樹算法（DTs）和隨機森林（RF）這3種分類方法在對象水平比在像素水平得到的作物分類精度更高。各時期作物分類總體精度分別提高了 9.71%—11.9%（2016-05-10）、1.19%—8.64%（2016-09-07）、1.68%—5.03%（2016-10-08），最高總體分類精度均達到 90%以上。就對象水平與像素水平的分類精度差異而言，由隨機森林方法得到的增幅最小，支持向量機方法得到的增幅最大，3個時相都表現出同樣的趨勢。

除第二個時期外，其他2個時期的作物精度較高，不便于分析面向對象分類方法對作物分類精度的影響，為了深入分析面向對象分類方法的特點，探究面向對象與基于像素的分類策略對棉花和棗樹識別能力的異同，本文選取了分類精度最低的9月份影像進行作物空間分布制圖（圖 5），從而更加深入地理解面向對象分類方法的應用潛力。如表2所示，在使用面向對象的圖像分析方法之后，該時期的總體分類精度及Kappa系數均得到了進一步提高（SAM基本保持不變），表3總結了該時期棗樹及棉花的分類精度（用戶精度及生產者精度），對2種方法的作物分類精度進行對比后發現，面向對象的分類方法（除SAM外）可以顯著提升棗樹和棉花的分類精度；棉花的用戶精度分別提高了12.32%、12.57%、7.71%，棉花的漏分率大幅度降低；棗樹的生產者精度也分別提高了16.71%、20.27%、9.65%，制圖精度顯著提高，棗樹的錯分率大幅度降低。對作物分布圖目視解譯后發現，除SAM 外，面向對象的分類可以使棗樹的錯分率顯著降低，棗樹的識別面積及空間分布更接近于實際情況。

表2 不同時期作物分類總體精度Table 2 Overall accuracies of crop classification for different growth stages

圖4 基于像素的棗樹及棉花各時期用戶精度及生產者精度對比Fig. 4 Comparison of user’s accuracies and producer’s accuracies of jujube and cotton for different stages using pixel-based classification methods

表3 像素與對象水平的棗樹及棉花單時期（2016-09-07）分類精度比較Table 3 Comparison of user’s accuracies and producer’s accuracies of jujube and cotton for single stages using pixel-based and object-oriented classification methods

如表2所示，本文所使用的4種分類方法中SVM、DTs、RF這3種分類算法在各個時期均可實現較高的作物分類總體精度，分類結果均明顯優于SAM算法。但這3類算法的分類精度并未表現出明顯差異。

圖5 基于像素與面向對象的單時期（2016-09-07）作物分布圖Fig. 5 Maps of crop classification from the image of September 7, 2016 using four classification methods at pixel and object levels

3 討論

3.1 多時相衛星影像的應用潛力

棉花和棗樹為研究區內的兩大作物，受當地氣候及耕作管理措施的影響，隨著時間的推移這兩類作物往往呈現出明顯的時空變化特征。大量的研究已經表明生育期是進行作物識別的關鍵信息，這種信息會對作物分類結果產生不可忽視的影響[34-36]，然而大多數作物識別的研究都集中于對時間序列的分析，單個時期或關鍵生育期相互比較的研究往往少有涉及[37-38]，因高空間分辨率衛星重返周期長、影像獲取成本高，采用關鍵生育期的影像進行作物分類通常更具實用價值。

圖6 研究區不同時期的假彩色合成圖Fig. 6 False color composites of the study area generated with satellite imagery acquired at different stages

圖6展示了研究區不同時期（2016-05-10、2016-09-07、2016-10-08）的地物分布情況，從圖中可以看出5月份影像呈現出特有的地物分布特征，即棉花田呈現出白色，經實地調研后發現該時期（棉花苗期）的棉田被地膜所覆蓋，覆膜為新疆棉花苗期（生長早期）管理的一項重要的措施，且持續時間較長，該時期的棉花田與其他地物差異最大，所以棉花的分類效果最好；除此之外該時期的棗樹處于展葉期，呈現出一定的植被光譜特征，且研究區作物/地物類型相對較少，所以作物分類效果相對較好。因此，利用新疆棉花和棗樹生長早期的差異性光譜特征，可以對這兩類農作物進行有效識別。

目前在軌的高分商業衛星通常獲取成本高，很難從同一衛星獲取作物生長季內的時序影像，甚至是多幅影像，這也是目前高分影像在農業應用中所面臨的一大現實問題。受高分影像獲取難度大的限制，本研究開展當年僅有 3景來自于不同傳感器的高分衛星影像能覆蓋研究區。雖然未能完整捕捉到棉花和棗樹所有關鍵生育期的光譜特征，而且 3幅影像的空間分辨率和波段數量不同，但他們都擁有紅、綠、藍、近紅 4個波段，而且可以重采樣到最低的6 m分辨率，目前仍能從現有的3景影像分析影像獲取時期對作物分類精度的影響，最大限度發揮歷史影像在作物識別中的應用價值。因作物類型、種植面積及種植區域可能存在較大的年際變化，加入其他年度的影像會帶入額外的不確定性，所以本研究沒有加入相鄰年度的遙感影像。在未來的研究中，可以對完整時間序列影像進行深入分析，進一步改善作物分類效果。

3.2 面向對象方法識別作物的優勢

通過面向對象的圖像處理我們可以對光譜、紋理及空間信息進行綜合利用，雖然面向對象的策略在作物分類中表現出一定的潛力[39]，但在我國尤其是新疆的作物分類應用中還不多見，面向對象分類過程中光譜及紋理等特征所起的作用依然不夠明確[40-42]。明確光譜、紋理及空間特征在作物分類中的重要性，對豐富作物分類體系、進一步提高作物分類效率大有裨益。

相較于9月份影像，10月份影像的作物分類精度出現了一定程度的提高（表2）。受當地氣候的影響，棗樹和棉花的反射率值在10月份都會經歷一個下降階段，此時部分棉花已經開始收獲，受棉花分批成熟、多次收獲的影響，棉花田內部表現出光譜差異增大的特征，但10月份影像分類精度卻出現增高趨勢，這種精度的提高很可能是由紋理信息的加入所致。

圖7 基于增益比值的特征重要性Fig. 7 Importance of features based on the gain ratio

在對象水平，隨機森林分類算法對9月份影像的作物分類精度提升效果最為明顯（表 2），所以我們對該時期分類過程中所有變量的重要性進行了探究。圖7展示了參與分類的46個特征的重要性，從圖中可以看出重要性排名前 3的特征分別是 Texture Red Mean、Spectral Red Mean、Texture Blue Mean；緊接著的 2個特征分別是 Texture Green Mean、Spectral Green Max。以上表明紋理特征的重要性高于光譜特征，紋理特征所占比例在前3和前5中均達到一半以上。在參與分類的46個特征中，Texture Red Mean重要性最高，Spectral Red Mean次之，紅波段位于葉綠素的主要吸收帶，另外，由于棗樹冠層有明顯的行狀特征，紋理特征明顯，所以Texture Red Mean在研究區作物的分類中具有很高的重要性。除此之外，Texture Green Mean、Spectral Green Max也表現出較高的重要性，該時期的棉花處于成熟吐絮前期，而棗樹處于果實膨大期，此時棉花的棉絮和棉鈴大范圍出現，棉絮和棉鈴葉綠素含量較低，而棗樹冠層不存在這種變化，棗樹和棉花綠波段的反射率存在差異，所以該時期的綠波段對棗樹和棉花有較好的區分效果。但是以往作物分類中常常使用的近紅外波段在本研究中卻排名靠后，這可能與棗樹和棉花在該時期近紅外波段的差異較小有關。

4 結論

本研究以多時相的高空間分辨率衛星影像為基本數據源，采用多種分類法（SAM、SVM、DTs、RF）對研究區主要作物（棉花、棗樹）進行分類，全面比較了基于像素和面向對象的分類效果，結果表明：

（1）5月份棉花覆膜期的作物分類精度最高，新疆棉花和棗樹在生長早期具有獨特的空間特征，新疆棗樹和棉花的遙感識別應在作物生長早期進行；將作物光譜特征與栽培特性相結合，具有提高作物分類精度的潛力。

（2）在4種監督分類方法中，決策樹和隨機森林方法比其他分類方法的作物分類效果更好，但隨機森林輸入參數更少，優勢相對明顯。

（3）與基于像素的方法相比，面向對象的分類算法可以綜合使用紋理與光譜特征，取得更高的分類精度，最高可達93.52%；3種機器學習方法在像素水平和對象水平間的分類精度差異不同；分類圖中的田塊完整性好，分類結果中的田塊邊界可以為當地農田信息化管理提供重要支撐。

（4）在棉花和棗樹識別過程中，紋理特征的重要性高于光譜和空間特征；相較于其他波段，紅波段和綠波段的反射率對棉花和棗樹識別的貢獻更大。

[1] 新疆維吾爾自治區統計局. 新疆統計年鑒. 北京: 中國統計出版社,2016.National Bureau of Statistics of the Xinjiang Uygur Autonomous Region.Xinjiang Statistical Yearbook.Beijing China Statistics Press,2016. (in Chinese)

[2] 張煥雪, 李子強, 文寧, 杜鑫, 陶青山, 田亦陳. 農作物種植面積遙感估算的影響因素研究. 國土資源遙感, 2015, 27(4): 54-61.ZHANG H X, LI Z Q, WEN N, DU X, TAO Q S, TIAN Y C.Important factors affecting crop acreage estimation based on remote sensing image classification technique.Remote Sensing for Land and Resources, 2015, 27(4): 54-61. (in Chinese)

[3] WALDNER F, CANTO G S, DEFOUNRNY P. Automated annual cropland mapping using knowledge-based temporal features.ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110: 1-13.

[4] DALMAU O S, ALARCóN T E, OLIVA F E. Crop classification in satellite images through probabilistic segmentation based on multiple sources.Sensors, 2017, 17(6): 1373.

[5] ABOUEL M L, TANTON T. Improvements in land use mapping for irrigated agriculture from satellite sensor data using a multi-stage maximum likelihood classification.Remote Sensing,2003, 24(21):4197-4206.

[6] ALGANCI U, SERTEL E, OZDOGAN M, ORMECI C. Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern turkey.Photogrammetric Engineering and Remote Sensing, 2013, 79 (11): 1053-1065.

[7] SAMANIEGO L, SCHULZ K. Supervised classification of agricultural land cover using a modified K-NN technique (mnn)and Landsat remote sensing imagery.Remote Sensing, 2009, 1(4):875-895.

[8] CRIST E P, CICONE R C. Application of the tasseled cap concept to simulated thematic mapper data.Photogrammetric Engineering &Remote Sensing,1984, 50 (3): 343-352.

[9] WARDLOW B D, EGBERT S L, KASTENS J H. Analysis of timeseries MODIS 250 m vegetation index data for crop classification in the us central great plains.Remote Sensing of Environment, 2007,108(3): 290-310.

[10] DURO D C, FRANKLIN S E, DUBé M G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using spot-5 hrg imagery.Remote Sensing of Environment, 2012, 118:259-272.

[11] ALGANCI U, SERTEL E, OZDOGAN M, ORMECI C. Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern turkey.PhotogrammetricEngineering and Remote Sensing,2013, 79 (11): 1053-1065.

[12] LIU J, SHAO G, ZHU H, LIU S. A neural network approach for enhancing information extraction from multispectral image data.CanadianJournal ofRemote Sensing,2005, 31 (6): 432-438.

[13] OMKAR S, SENTHILNATH J, MUDIGERE D, KUMAR M M. Crop classification using biologically-inspired techniques with high resolution satellite image.Journal of the Indian Society of Remote Sensing, 2008, 36 (2): 175-182.

[14] MASSE A. Développement et automatisation de méthodes de classification partir de séries temporelles d’images de télédétection -application aux changements d’occupation des sols et à l’estimation du bilan carbone[D]. Toulouse: Université Toulouse III Paul Sabatier,2013: 223.

[15] PETITJEAN F, INGLADA J, GAN?ARSKI P. Satellite image time series analysis under time warping.IEEE Transactions on Geoscience and Remote Sensing,50 (8): 3081-3095.

[16] OSMAN J, INGLADA J, DEJOUX J F. Assessment of a markov logic model of crop rotations for early crop mapping.Computers and Electronics in Agriculture, 2015, 113: 234-243.

[17] MARIANA B, OVIDIU C. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis.Remote Sensing of Environment, 2018, 204: 509-523.

[18] 劉吉凱, 鐘仕全, 梁文海. 基于多時相Landsat 8 OLI影像的作物種植結構提取. 遙感技術與應用, 2015, 30(4): 775-783.LIU J K, ZHONG S Q, LIANG W H. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images.Remote Sensing of Technology and Application, 2015, 30(4): 775-783. (in Chinese)

[19] 黃健熙, 侯焯, 武洪峰, 劉峻明, 朱德海. 基于時間序列MODIS的農作物類型空間制圖方法. 農業機械學報, 2017, 48(10): 142-148.HUANG J X, HOU Z, WU H F, LIU J M, ZHU D H. Crop type mapping method based on time-series MODIS data in Heilongjiang province.Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 142-148. (in Chinese)

[20] MCCARTY J L, NEIGH C S R, CARROLL M L, WOOTEN M R.Extraction smallholder cropped area in Tigray, Ethiopia, with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery.Remote Sensing of Environment, 2017, 202: 142-151.

[21] WEI C W, HUANG J F, MANSARAY L, LI Z H, LIU W W, HAN J H.Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method.Remote Sensing,2017, 9(5): 488-503.

[22] 劉克寶, 劉述彬, 陸忠軍, 宋茜, 劉艷霞, 張冬梅, 吳文斌. 利用高空間分辨率遙感數據的農作物種植結構提取. 中國農業資源與區劃, 2014, 35(1): 1-5.LIU K B, LIU S B, LU ZJ, SONG X, LIU Y X, ZHANG D M, WU W B. Cropping structure Extraction based on high spatial resolution remotely sensed data.ChineseJournal of Agricultural Resources and Regional Planning, 2014, 35(1): 1-5. (in Chinese)

[23] AKBARI M, MAMANPOUSH A R, GIESKE A. MIRANZADEH M.,TORABI M, SALEMI H. Crop and land cover classification in Iran using Landsat 7 imagery.International Journal of Remote Sensing,2006, 27 (19): 4117-4135.

[24] POTGIETER A B, APAN A, DUNN P, HAMMER G. Estimating crop area using seasonal time series of enhanced vegetation index from modis satellite imagery.Crop Pasture Science, 2007, 58 (4): 316-325.

[25] ARVOR D, JONATHAN M, MEIRELLES M S P, DUBREUIL V,DURIEUX L. Classification of MODIS EVI time series for crop mapping in the state of mato grosso, brazil.International Journal of Remote Sensing,2011, 32 (22): 7847-7871.

[26] MYINT S W, PATRICIA G, ANTHONY B, SUSANNE G C, WEN Q H. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery.Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[27] BLASCHKE T, GEOFFREY J H, MAGGI K, STEFAN L, PETER H,ELISABETH A, RAUL Q F, FREEK M, HARALD W, FRIEKE C,DIRK T. Geographic object-based image analysis - towards a new paradigm.ISPRS Journal of Photogrammetry and Remote Sensing,2014, 87: 180-191.

[28] MA L, LI M C, MA X X. CHENG L, DU P J, LIU Y X. A review of supervised object-based land-cover image classification.ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 277-293.

[29] LI Q Z, CAO X, JI K, ZHANG M, DONG Q H. Crop type identification by integration of high-spatial resolution multispectral data with features extracted from coarse-resolution time-series vegetation index data.International Journal of Remote Sensing, 2014,35(16): 6076-6088.

[30] BLASCHKE T. Object based image analysis for remote sensing.ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1):2-16.

[31] 鄧書斌. ENVI 遙感圖像處理方法. 北京: 科學出版社, 2010.DENG S B.ENVI Remote Sensing Image Processing Method. Beijing:Science Press, 2010. (in Chinese)

[32] ROERDINK J B, MEIJSTER A. The watershed transform: definitions,algorithms, and parallelization strategies.Fundamenta informaticae,2001, 41: 187-228.

[33] BLEAU A, LEON L J. Watershed-based segmentation and region merging.computer Vision and Image Understanding, 2000, 77(3):317-370.

[34] PE?A-BARRAGáN J M, NGUGI M K, RICHARD E P, JOHAN S.Object-based crop identification using multiple vegetation indices,textural features and crop phenology.Remote Sensing of Environment,2011, 115(6): 1301-1316.

[35] ZHONG C, WANG C Z, WU C S. MODIS-based fractional crop mapping in the U.S. midwest with spatially constrained phenological mixture analysis,Remote Sensing, 2015, 7(1): 512-529.

[36] ZHONG L, HAWKINS T, BIGING G, GONG P. A phenology-based approach to map crop types in the San Joaquin Valley, California.International Journal of Remote Sensing, 2011, 32(22): 7777-7804.

[37] HELMHOLZ P, ROTTENSTEINER F, HEIPKE C. Semi-automatic verification of cropland and grassland using very high resolution mono-temporal satellite images.ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 204-218.

[38] L?W F, KN?FEL P, CONRAD C. Analysis of uncertainty in multitemporal object-based classification.ISPRS Journal of Photogrammetryand Remote Sensing, 2015, 105: 91-106.

[39] LI Q T, WANG C Z, ZHANG B, LU L L. Object-based crop classification with Landsat-MODIS enhanced time-series data.Remote Sensing, 2015, 7(12): 16091-16107.

[40] DURO D C, FRANKLIN S E, DUBé M G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery.Remote Sensing of Environment, 2012,118: 259-272.

[41] MA L, CHENG L, LI M C, LIU Y X, MA X X. Training set size, scale,and features in Geographic Object-Based Image Analysis of very high resolution unmanned aerial vehicle imagery.ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102: 14-27.

[42] LALIBERTE A S, BROWNING D M, RANGO A. A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery.International Journal of Applied Earth Observation and Geoinformation, 2012, 15: 70-78.