基于特征過濾法和Stacking集成學習的無人機影像作物精細分類

摘" 要： 針對目前多種典型作物分類中特征冗余導致同科作物混淆、分類精度低的問題，文中提出一種結合特征過濾法篩選特征和Stacking集成學習的作物精細分類方法。首先，結合敏感波段構造新型植被指數并進行閾值分割，實現作物區域提取；然后，提取不同作物的顏色和紋理特征，進而計算單類作物特征系數和作物間特征差異系數，實現各典型作物的分類特征過濾法優選；最后，構建融合多種機器學習算法的Stacking集成學習作物分類模型，其中第一層的基學習器選擇隨機森林、支持向量機、K?最近鄰算法，第二層的元學習器選擇邏輯回歸模型，實現多種典型作物精細分類。實驗結果表明，所提方法對7種典型作物的總體分類精度和Kappa系數分別為85.2%和83.34%，相比于未進行特征選擇的分類結果分別提升了2.18%和3.68%，具有較高的分類精度，為多種典型作物的精細分類提供了新方法。

關鍵詞： 作物分類； 特征選擇； Stacking集成學習； 植被指數； 閾值分割； 衍生特征

中圖分類號： TN911.73?34； TP751" " " " " " " " " 文獻標識碼： A" " " " " " " " " "文章編號： 1004?373X（2025）07?0001?10

UAV image fine crop classification based on feature filtering method

and Stacking ensemble learning

LIU Zhaohui， YANG Fengbao， ZHANG Lin

（School of Information and Communication Engineering， North University of China， Taiyuan 030051， China）

Abstract： The feature redundancy in multiple typical crop classifications at present leads to confusion and low classification accuracy of crops of the same family， so this paper proposes a crop fine classification method that combines the feature filtering method for feature screen and Stacking ensemble learning. A new type of vegetation index is constructed by combining sensitive bands， and the threshold value is segmented， so as to realize crop region extraction. The color and texture features of different crops are extracted， and then the feature coefficients of a single type of crop and the coefficients of feature differences among crops are calculated， so as to realize the classification feature filtering method preference for each typical crop. Finally， a Stacking ensemble learning crop classification model that integrates multiple machine learning algorithms is constructed. Among them， the random forest （RF）， support vector machine （SVM） and K?nearest neighbor （K?NN） algorithms are selected for the base learner in the first layer， and the logistic regression model is selected for the meta?learner in the second layer， so that the various typical crops are classified finely. The experimental results show that the overall classification accuracy and Kappa coefficient of the proposed method for the seven typical crops are 85.2% and 83.34%， respectively， which are 2.18% and 3.68% higher than the classification results without feature selection. To sum up， the proposed method has high classification accuracy， and can be used as a new method for the fine classification of multiple typical crops.

Keywords： crop classification; feature selection; Stacking ensemble learning; vegetation index; threshold segmentation; derivative feature

0" 引" 言

精準農業是實現農業低耗、高效、環保和優質發展的根本途徑，是提高世界和我國糧食產量的最佳選擇[1?3]。精準農業管理的實現有賴于對多種作物的精細分類，通過對多種典型作物進行精細分類，可以更好地了解作物的空間分布情況和生長情況，為實現作物的準確估產、精確施肥、定點噴藥提供有力的數據支撐[4]。傳統人工采集作物種類的方法費時、耗力、破壞性大且空間覆蓋不全，影響了作物分類的快速化發展[5]。衛星、航空遙感能夠大范圍、高頻次地獲取數據，從而準確、高效地識別和監測不同類型的作物。但是由于重訪周期和數據質量的限制，難以滿足精準農業對農田高時空分辨率信息獲取的要求，限制了作物分類的精細化發展[6]。近年來以無人機為代表的低空遙感平臺發展迅猛，具有信息采集快捷、空間覆蓋廣、數據分辨率高（毫米級至厘米級）等顯著優勢[7?9]，已經廣泛應用于多種作物的精細分類。

在農作物精細分類中，機器學習、深度學習算法由于良好的非線性擬合能力而被廣泛應用，例如文獻[10]采用基于卷積神經網絡（Convolutional Neural Network， CNN）和遷移學習實現了5種典型作物可見光影像分類，但是受限于大量的數據標記，限制了深度學習作物精細分類算法在實際田間監測中的應用。機器學習是通過分析數據并提取模式和規律，自動改進和適應的算法，具有對小數據集的有效性、計算資源需求低和較高的模型解釋性等優點，其中分類算法的選擇對作物分類的精度有很大的影響[11]。在作物分類中常見的機器學習算法有支持向量機[12]（Support Vector Machine， SVM）、隨機森林[13]（Random Forest， RF）、K?近鄰[14]（K?Nearest Neighbors， K?NN）以及集成學習[15]等。文獻[16]分別利用SVM、RF、最大似然分類（Maximum Likelihood Classification， MLC）對玉米和大豆進行分類，結果顯示RF的分類精度最高。文獻[17]分別采用RF、K?NN、人工神經網絡（Artificial Neural Network， ANN）對WorldView?2影像中的水稻、棉花、荷三種作物進行分類，對比發現RF的分類精度最高。文獻[18]采用RF、分類回歸樹（Classification and Regression Tree， CART）、SVM構建出一種異構雙集成學習算法對大豆進行分類，分類精度高于三個基分類器。機器學習作為一種特征學習的算法，特征子集的構建對分類精度的提高有很大的作用[11]。文獻[19]通過ReliefF?Pearson特征降維方法對特征進行優選，再采用SVM、K?NN、ANN算法對四種作物進行分類。文獻[20]使用ReliefF算法和序列前向選擇（Sequential Forward Selection， SFS）算法進行特征優選，并分別采用SVM、RF、BPNN對大豆區域進行提取，通過特征選擇實現了提取精度的提升。上述研究雖然進行了特征優選及降維，但沒有對不同作物間不同特征進行詳細的評估及選擇，對相似作物分類難度較大。文獻[21]通過計算三種不同作物的變異系數和差異系數，對不同特征在不同作物間的分類效果進行了表征，使用最大似然法實現了三種作物的分類，為易混淆作物間的特征選擇提供了新思路。

綜上所述，本文首先基于傳統數據統計的方法構造出特征系數，并與作物間差異系數聯合對不同特征在不同作物間的分類效果進行評估以及優選；其次，選取合適的基學習器組合作為第一層進行基學習器的訓練與預測；最后，在此基礎上利用嶺回歸模型作為元學習器進行第二層的模型訓練，融合多種機器學習算法構建基于Stacking集成學習的作物分類模型，實現對多種典型作物的精細分類。

1" 研究區域與數據

以本團隊在山西省農業大學玉米研究所試驗場航攝獲取的無人機遙感影像進行實驗。采用大疆“精靈PHANTOM 4 RTK”無人機，配備1英寸CMOS、有效像素2 000萬的相機，航攝地點為“中國雜糧之都”忻州雜糧科技展示園，采集時間為2023年8月29日。設定行高為80 m，航向、旁向重疊度均為80%，其中作物區域包含12 m×20 m地塊20個，包含馬鈴薯、蕓豆、食用豆、藜麥、谷子、高粱、玉米7種作物，非作物區域主要為裸地以及綠色無紡布覆蓋區域。使用大疆Pix4D Mapper軟件進行畸變校正及影像拼接，生成研究區域位置及可見光影像如圖1所示。使用ENVI 5.3對數據進行標注，并構建為數據集。

2" 研究方法

本文方法的流程圖如圖2所示，主要由四個步驟組成，分別為數據采集與預處理、作物區域提取、特征提取與優選以及模型構建與分類。首先進行數據集構建；其次通過分析無紡布光譜信息構建出衍生特征，結合植被指數，使用閾值分割得到作物區域；然后提取紋理、顏色以及指數特征，計算特征系數與作物間差異系數對特征進行優選，實現特征子集的構建；最后，構建Stacking集成學習分類模型，實現多種典型作物的精細分類。

2.1" 作物區域提取

為了精確提取作物區域，首先對實驗區域所含非作物進行統計，主要包含裸地、綠色無紡布。基于研究區域的遙感影像，首先計算過綠指數（Excess Green Index， ExG）、過紅指數（Excess Red Index， ExR）、過綠減過紅指數（Excess Green Minus Excess Red Index， ExGR）、歸一化綠藍差值指數（Normalized Green?Blue Difference Index， NGBDI）、歸一化綠紅差值指數 （Normalized Green?Red Difference Index， NGRDI）、紅綠比值指數（Red?Green Ratio Index， RGRI）、可見光大氣阻抗指數（Visible Atmospherically Resistant Index， VARI）、可見光波段差異植被指數（Visible?band Difference Vegetation Index， VDVI）8個顏色指數特征[22?24]，計算方式如式（1）～式（8）所示：

[ExG=2G-R-B] （1）

[ExR=1.4R-G] （2）

[ExGR=ExG-ExR] （3）

[NGBDI=（G-B）/（G+B）] （4）

[NGRDI=（G-R）/（G+R）] （5）

[RGRI=R/G] （6）

[VARI=（G-R）/（G+R-B）] （7）

[VDVI=（2G-R-B）/（2G+R+B）] （8）

式中：[R]、[G]、[B]分別為原始RGB影像的紅色、綠色、藍色波段。

大津法（OTSU）[25]是一種計算圖像二值化分割閾值的算法，使用OTSU求得的閾值對圖像進行二值化分割后，前景與背景的類間方差最大，因此又被稱為最大類間方差法。

本文首先對實驗區域分別使用8種植被指數進行OTSU閾值分割，VARI閾值分割結果如圖3所示。結果表明，現有植被指數只可以有效分割裸地部分，無法剔除綠色無紡布（一般是為防止土壤水分流失以及揚塵所鋪，大多為綠色）。因此，本文對非植被區域的綠色無紡布進行光譜分析，發現無紡布與作物間的差異敏感波段為H波段和V波段，對數據集中無紡布有陰影遮擋和無陰影遮擋區域進行整體分析[26?29]，并結合敏感波段構造出區分無紡布和植被的植被指數（Non?wovens Vegetation Index， NWVI），計算公式如式（9）所示：

[NWVI=（H-S）V] （9）

式中：[H]、[S]、[V]分別為原始HSV影像的色相（Hue）、飽和度（Saturation）、明度（Value）波段。

在NWVI的基礎上進行固定閾值分割，分割結果如圖4所示，將兩個分割結果進行合并，依次進行形態學開運算和閉運算去除噪點，最終得到作物區域。

2.2" 特征提取與優選

圖5為研究區域內典型作物部分樣本示意圖。從圖5中可以看出，在顏色及紋理上7種作物有較為明顯的差異，是目視解譯判斷作物類型的基礎。但是由于作物品種不同，存在同時期處于不同生育期的藜麥，對藜麥的精細分類產生了很大的影響。

首先，在精細分割出的作物區域基礎上，使用ENVI 5.3軟件提取不同作物[R]、[G]、[B]波段全方位灰度共生矩陣的均值（Mean）、方差（Variance）、同質性（Homogeneity）、對比度（Contrast）、相異性（Dissimilarity）、信息熵（Entropy）、角二階矩（Angular Second Moment）和相關性（Correlation）等，共24個紋理特征[30]；使用Python提取不同作物的[R]、[G]、[B]、[H]、[S]和[V] 等6個波段顏色特征以及ExG、ExR、ExGR、NGBDI、NGRDI、RGRI、VARI和VDVI等8個植被指數特征。

其次對提取出的38個特征進行統計，計算出不同作物不同特征的均值和方差，計算單一作物特征的方差和全部作物該特征的方差的比值作為該作物特征的特征系數，結果如表1所示。再依據不同作物特征均值計算得到不同作物間差異系數，部分結果如表2所示。具體計算方法見式（10）、式（11）：

[F=V/VT×100%] （10）

[D=（M1-M2）/min{M1，M2}×100%] （11）

式中：[F]為特征系數；[V]為該特征的方差；[VT]為該特征所有作物總體的方差；[D]為作物1與作物2之間的差異系數；[M1]為作物1該特征的均值；[M2]為作物2該特征的均值。

特征系數反映了作物該特征的統計值相比于全部作物該特征的統計值的離散程度，特征系數越小，表明該特征對于從實驗區中分類出該作物的重要性程度越高；差異系數反映了兩種作物之間該特征的差異程度，差異系數的值越大，則表明越容易通過該特征將這兩種作物分類。

本文依據各項特征的特征系數以及作物間差異系數對特征進行優選，生成更加完備的特征子集。具體方法如下。

第1步：對每類作物的特征系數進行逆序排序，選出每類作物特征系數小于100%的特征，最終得到7個特征空間，對應數據集中的7種作物。

第2步：取每兩類作物特征空間的交集，得到[C27]=21個特征子集。

第3步：選擇作物間差異系數大于25%的特征，同樣得到21個特征子集。

第4步：將第2步和第3步得到的特征子集一一對應取交集，得到每兩類作物間的優秀分類特征。

第5步：由于各個植被指數間的相似性，在此基礎上對植被指數進行篩選，選擇植被指數特征中每兩類作物間差異系數最大的特征，從特征子集中剔除其余植被指數特征。

第6步：對每兩類的優秀分類特征求并集，得到最終的特征子集。

最終選出[R]_均值、[R]_方差、[R]_同質性、[R]_對比度、[R]_相異性、[R]_角二階矩、[G]_均值、[G]_同質性、[G]_對比度、[G]_相異性、[G]_角二階矩、[B]_均值、[B]_同質性、[B]_角二階矩、[R]、[G]、[H]、[S]、[V]、RGRI這20個特征作為特征子集。

2.3" 作物分類模型構建

集成學習分類模型是通過構建并結合多個分類器來完成分類任務，以獲得比單一分類器更加準確、更加穩健的預測結果[31]。集成學習的核心思想是將不同的基學習器融合生成預測結果，集成學習的關鍵在于如何選擇和組合這些學習器。基學習器可以是同類型也可以是不同類型，決策樹是最常用的基學習器之一，用于隨機森林和一些Boosting算法（如Gradient Boosting），此外，線性模型、SVM、K?NN、神經網絡等均可以作為基學習器進行組合以形成新的模型。

本文基于Stacking集成學習[32?33]構建了多典型作物分類模型。選取RF、SVM、K?NN作為Stacking集成學習的第一層基學習器進行組合。RF由眾多決策樹構成，最終結果由決策樹投票產生，在一定程度上避免了過擬合，具有較好的泛化能力。SVM通過核函數將分類數據映射到更高維的空間中，從而使得在原始空間中線性不可分的數據變得線性可分，該方法對于小樣本分類問題能夠取得較好的效果。K?NN算法直觀、易于理解和實現，適用于多類別分類問題。在此基礎上，利用邏輯回歸模型作為元學習器進行第二層的模型訓練，融合多種機器學習算法構建基于Stacking集成學習的多典型作物分類模型。

將Stacking集成學習的模型訓練與評估分為數據拆分、基學習器的訓練與預測、元學習器訓練、模型評估四部分。在本文中，將數據按7∶3的比例劃分為訓練集和測試集。模型訓練時，對RF、SVM、K?NN三個基學習器分別使用十折交叉驗證，即訓練集取其中的九折作為Training Data，另外一折作為Testing Data，每一次交叉驗證都基于Training Data生成的模型對Testing Data進行預測，訓練10次后，每一次的Testing Data的預測結果合成下一層模型新的二次訓練集。同時，十折交叉驗證時，每次也對數據原來的整個測試集進行預測，最終將 10次的預測值取算數平均，作為新的二次測試集。基模型訓練并生成二次訓練集后，利用每個基學習器在訓練集上得到的二次訓練集并列合并和訓練集的輸出變量共同作為二次集成數據集，以進行元學習器的訓練，本文選用邏輯回歸作為元學習器。元學習器訓練完成后，將基學習器對原始測試集預測生成的二次測試集輸入到元學習器中，得到最終測試集預測結果，與輸出變量對比，在測試集上評估最終的整個Stacking模型的性能。

3" 結果與分析

本節首先介紹了本文用到的主要評價指標；其次對不同植被指數提取的作物區域進行了精度評價與分析；最后，對Staking集成學習模型輸出的作物分類結果進行總體精度評價以及不同作物的分類精度評價。

3.1" 實驗結果評價指標

對于作物區域提取結果與作物分類結果，本文選取總體精度（Overall Accuracy）、Kappa系數、生產者精度（Producer's Accuracy）與用戶精度（User's Accuracy）進行客觀評價。OA表征分類的整體準確率，即所有樣本中正確分類的比例；Kappa系數可以反映分類結果的可信度；PA表示該類別的地面真實值被正確分類的概率；UA表示分類結果中，分類為該類別的樣本被正確分類的概率。

3.2" 作物區域提取結果

對不同植被特征進行OTSU閾值分割，對NWVI進行固定閾值分割，將8個植被指數的分割結果分別與NWVI的分割結果取交集，得到8個作物區域提取結果，如圖6所示，其中地面真實值表示實驗區真實作物區域。

不同植被指數作物區域提取結果的各項評估指標如表3所示，直觀顯示了不同植被指數的OA、Kappa系數以及作物區域的PA和UA。

由表3的提取精度可以看出，植被指數VARI結合NWVI的總體精度以及Kappa系數最高，分別達到了96.54%和91.9%，且PA與UA也分別達到了96.06%和99.12%。

3.3" 作物分類結果

分別使用全部的38個特征和本文方法選擇出的20個特征訓練Stacking集成學習模型，對測試集進行分類，分類結果如圖7所示。通過混淆矩陣計算出未進行特征選擇和進行特征選擇后的總體分類精度分別為83.02%和85.2%，Kappa系數分別為79.66%和83.34%，其中，每個類別的UA與PA分別如表4所示。

對比圖7的分類結果與地面真實值，其中馬鈴薯、蕓豆、食用豆分類效果最優，且這三類作物的PA和UA均在80%以上；谷子、高粱、玉米同為禾本科，由圖5可以看出，三者間具有非常高的相似性，圖7的分類結果中谷子、高粱、玉米三種作物之間有一定程度的混淆，分類精度次之，三者的PA和UA均在70%以上；藜麥的分類精度最低，很大程度上被錯分為谷子、高粱和玉米，這是由于數據集中存在多個生育期的藜麥，導致藜麥類別的特征方差較大，PA僅為52.65%。從表4的分類精度可以看出，所有作物的PA和UA均有提升，表明本文所提特征選擇方法具有一定的有效性。

4" 討" 論

在實驗結果方面：

1） 本文構造出植被指數（NWVI），結合現有植被指數通過閾值分割去除非植被區域，其中VARI指數與本文特征結合的分割精度最高，提取精度達到了96.54%，Kappa系數為91.90%，表明NWVI對分割出植被與綠色無紡布具有一定的有效性。但在谷子、高粱、玉米區域，這三種作物的穗與裸地還存在一定程度的混淆，需要通過構造出具有更高辨識度的衍生特征或采用特征維度更高的設備（如多光譜以及高光譜等設備）提高提取精度。

2） 本文通過計算特征系數與差異系數對特征進行優選，并采用Stacking集成學習模型實現作物分類。結合圖7和表4發現，在分類結果中，谷子和玉米之間混淆嚴重，且兩者與高粱也有一定程度上的混淆，谷子、玉米都一定程度上被錯分為藜麥。如表5、表6所示，谷子和玉米只有藍色角二階矩兩個系數滿足條件為31.78%，紅色方差差異系數為40.1%，但特征系數大于100%，其余所選特征差異系數都很小；而谷子、玉米與高粱間兩個系數滿足條件的特征差異系數也比較小，但所選特征中特征系數大于100%的特征差異系數較大的較多，使得谷子和玉米兩者與高粱間混淆程度相對較輕；谷子、玉米與藜麥間符合條件的特征較少，且特征差異系數都較小，使得兩者部分被錯分為藜麥，造成藜麥的PA相對較低。

但是，本文的特征選擇方法僅考慮了不同特征對作物分類的重要性，沒有深入考慮到特征之間的內在因果關系，且在選擇過程中根據閾值對特征進行選擇，選擇出一些僅對其中兩類作物間分類有效，其余作物都不符合條件的特征（如紅色均值，僅食用豆和蕓豆之間符合特征選擇條件），反而在一定程度上影響了其余作物的分類。在后續的研究中，將繼續完善特征選擇的方法，綜合考慮特征間存在的潛在因果關系，使得特征子集更加完備且互補。

3） 由圖7可以看出，在分類結果中存在大量的“椒鹽噪聲”，這是基于像素分類的缺陷，在后續的研究中將嘗試采用面向對象的方法減少“椒鹽噪聲”，提高分類精度。

總的來說，本文在作物分類任務中提出的特征選擇方法，以及構建的Stacking分類模型具有較好的分類效果，但也存在一定的不足：首先，本文所提特征選擇方法是基于數據統計的特征選擇方法，沒有研究特征間潛在的關系，當處理特征維度很高的數據時，可能無法給出最優的特征子集；其次，沒有考慮同種作物不同品種間所處生育期的差異，導致藜麥分類精度較低。

5" 結" 論

在多種典型作物分類任務中，本文構造出NWVI并結合傳統植被指數實現作物區域的精確提取，提出一種基于特征系數和差異系數的特征過濾法進行特征選擇，通過該方法結合Stacking集成學習算法對多種典型作物進行分類，取得了良好的分類效果。主要結論如下：

1） 本文提出的植被指數（NWVI）能夠較好地分割植被與綠色無紡布，實現作物區域的精確提取。

2） 本文提出的特征選擇方法可以很好地表征出每個特征對于不同作物間分類的重要性，對特征空間的優化及分類精度的提高具有重要的作用。

未來，將結合特征間潛在的因果關系繼續優化特征選擇方法，并嘗試使用多光譜以及高光譜等特征維度更高、更全面的數據實現多種作物的精細分類，并對作物多生育期的特征進行分析，解決不同品種作物處于不同生育期導致的分類精度低的問題。

注：本文通訊作者為楊風暴。

參考文獻

[1] YAN Y L， RYU Y. Exploring Google street view with deep learning for crop type mapping [J]. ISPRS journal of photogrammetry and remote sensing， 2021， 171： 278?296.

[2] YANG S T， GU L J， LI X F， et al. Crop classification method based on optimal feature selection and hybrid CNN?RF networks for multi?temporal remote sensing imagery [J]. Remote sensing， 2020， 2（19）： 3119.

[3] GAO M， YANG F B， WEI H， et al. Individual maize location and height estimation in field from UAV?borne LiDAR and RGB images [J]. Remote sensing， 2022， 14（10）： 2292.

[4] BHOLSE K， MUSANDE V. Evaluation of CNN model by comparing with convolutional autoencoder and deep neural network for crop classification on hyperspectral imagery [J]. Geocarto international， 2022， 37（3）： 813?827.

[5] BOUGUETTAYA A， ZARZOUR H， KECHIDA A， et al. Deep learning techniques to classify agricultural crops through UAV imagery： A review [J]. Neural computing amp; applications， 2022， 34（12）： 9511?9536.

[6] FENG Q L， YANG J Y， LIU Y M， et al. Multi?temporal unmanned aerial vehicle remote sensing for vegetable mapping using an attention?based recurrent convolutional neural network [J]. Remote sensing， 2020， 12（10）： 1668.

[7] JU C Y， SON H I. Multiple UAV systems for agricultural applications： Control， implementation， and evaluation [J]. Electronics， 2018， 7（9）： 162.

[8] KATTENBORN T， EICHEL J， FASSNACHT F E. Convolutional neural networks enable efficient， accurate and fine?grained segmentation of plant species and communities from high?resolution UAV imagery [J]. Scientific reports， 2019， 9： 17656.

[9] FLOREANO D， WOOD R J. Science， technology and the future of small autonomous drones [J]. Nature， 2015， 521（7553）： 460?466.

[10] CHEW R， RINEER J， BEACH R， et al. Deep neural networks and transfer learning for food crop identification in UAV images [J]. Drones， 2020， 4（1）： 7.

[11] SHEYKHMOUSA M， MAHDIANPARI M， GHANBARI H， et al. Support vector machine versus random forest for remote sensing image classification： A meta?analysis and systematic review [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2020， 13： 6308?6325.

[12] 楊閆君，占玉林，田慶久，等.基于GF?1/WFVNDVI時間序列數據的作物分類[J].農業工程學報，2015，31（24）：155?161.

[13] YOU N S， DONG J W， HUANG J X， et al. The 10?m crop type maps in northeast China during 2017—2019 [J]. Scientific data， 2021， 8（1）： 41.

[14] 胡順石，楊斌，黃英，等.不同種植設施背景蔬菜作物無人機高光譜精細分類[J].遙感學報，2024，28（1）：280?292.

[15] ZHANG Y Z， LIU J J， SHEN W J. A review of ensemble learning algorithms used in remote sensing applications [J]. Applied sciences， 2022， 12（17）： 8654.

[16] 王利民，劉佳，楊玲波，等.隨機森林方法在玉米?大豆精細識別中的應用[J].作物學報，2018，44（4）：569?580.

[17] 張鵬，胡守庚.地塊尺度的復雜種植區作物遙感精細分類[J].農業工程學報，2019，35（20）：125?134.

[18] WANG S， FENG W， QUAN Y H， et al. A heterogeneous double ensemble algorithm for soybean planting area extraction in Google earth engine [J]. Computers and electronics in agriculture， 2022， 197： 106955.

[19] 戴建國，張國順，郭鵬，等.基于無人機遙感可見光影像的北疆主要農作物分類方法[J].農業工程學報，2018，34（18）：122?129.

[20] SHE B， HU J T， HUANG L S， et al. Mapping soybean planting areas in regions with complex planting structures using machine learning models and Chinese GF?6 WFV data [J]. Agriculture， 2024， 14（2）： 231.

[21] 郭鵬，武法東，戴建國，等.基于無人機可見光影像的農田作物分類方法比較[J].農業工程學報，2017，33（13）：112?119.

[22] 汪小欽，王苗苗，王紹強，等.基于可見光波段無人機遙感的植被信息提取[J].農業工程學報，2015，31（5）：152?157.

[23] 丁雷龍，李強子，杜鑫，等.基于無人機圖像顏色指數的植被識別[J].國土資源遙感，2016，28（1）：78?86.

[24] XUE J R， SU B F. Significant remote sensing vegetation indices： A review of developments and applications [J]. Journal of sensors， 2017（1）： 1353691.

[25] OTSU N. A threshold selection method from gray?level histograms [J]. IEEE transactions on systems， man， and cybernetics， 1979， 9（1）： 62?66.

[26] 楊風暴，吉琳娜，王肖霞.可能性理論及應用[M].北京：科學出版社，2019.

[27] ZHAO D J， JI L N， YANG F B， et al. A possibility?based method for urban land cover classification using airborne lidar data [J]. Remote sensing， 2022， 14（23）： 5941.

[28] 劉曉霞，楊風暴，衛紅，等.一種農田作物無人機遙感影像陰影檢測算法[J].電子測量技術，2022，45（2）：135?139.

[29] 白慧，楊風暴.基于高辨識復合衍生特征的LiDAR數據分類方法研究[J].激光與光電子學進展，2021，58（5）：280?288.

[30] 郭倩，魏嘉豪，張健，等.基于無人機多光譜影像和隨機森林的蔬菜識別[J].中國農業科技導報，2023，25（2）：99?110.

[31] GANAIE M A， HU M H， MALIK A K， et al. Ensemble deep learning： A review [J]. Engineering applications of artificial intelligence， 2022， 115： 105151.

[32] DONG X B， YU Z W， CAO W M， et al. A survey on ensemble learning [J]. Frontiers of computer science， 2020， 14（2）： 241?258.

[33] MOHAMMED A， KORA R. A comprehensive review on ensemble deep learning： Opportunities and challenges [J]. Journal of King Saud University： Computer and information sciences， 2023， 35（2）： 757?774.

作者簡介：劉朝輝（2001—），男，山西運城人，碩士研究生，研究方向為遙感圖像處理。

楊風暴（1968—），男，山西臨汾人，博士研究生，教授，博士生導師，研究方向為通信系統與信息融合、信息探測與處理、光電信息技術與系統。

張" 琳（2000—），女，山西太原人，碩士研究生，研究方向為遙感圖像處理。

收稿日期：2024?07?25" " " " " "修回日期：2024?08?14

基金項目：國家自然科學基金面上項目（61972363）；中央引導地方科技發展資金項目（YDZJSX2021C008）