基于機器學習算法的河南省冬小麥面積提取研究

王小飛 張方敏 任祖光 張世豪 高歌

摘要：為了精準獲取河南省冬小麥空間分布及面積數據，基于2003—2021年250 m MODIS-NDVI時間序列遙感數據集，通過設置不同的閾值條件獲得高質量的樣本數據，采用深度神經網絡（DNN）、隨機森林（RF）和支持向量機（SVM）算法，自動從NDVI時序數據中提取冬小麥特征，分別訓練出非線性模型，在250 m尺度對河南省冬小麥分布和面積進行識別。結果表明，基于DNN算法的河南省冬小麥面積識別模型精確率為97.26%，總體一致性為97.97%；基于RF、SVM算法的精確率分別為91.51%和89.31%，總體一致性均在90%以下。和RF、SVM算法相比，DNN算法在精度上有明顯的提升，能夠更好地反映河南省冬小麥的時間變化趨勢和空間面積分布。該研究說明，運用中等分辨率長時間序列影像結合DNN算法，在一定程度上可以更準確識別大區域的農作物信息。

關鍵詞：冬小麥；深度神經網絡；NDVI；遙感；時間序列

中圖分類號：S127? 文獻標志碼：A

文章編號：1002-1302（2024）06-0215-10

收稿日期：2023-04-19

基金項目：江蘇省碳達峰碳中和科技創新專項資金（編號：BK20220017）。

作者簡介：王小飛（1995—），男，河南周口人，碩士研究生，主要從事農業遙感研究。E-mail：1573979951@qq.com。

通信作者：張方敏，博士，教授，主要從事農業與生態氣象研究，E-mail：fmin.zhang@nuist.edu.cn；高歌，博士，研究員，主要從事氣候變化與評估研究，E-mail：gaoge@cma.gov.cn。

冬小麥是河南省的主要農作物之一，其產量占全國小麥總產量的28%（2021年統計年鑒）。因此，獲取冬小麥準確的空間分布和種植面積信息，有助于充分發揮其潛在的生產力，促進我國農業的發展和糧食安全，這一工作具有非常重要的意義^[1]。遙感技術在作物類型識別和分類中發揮著關鍵作用，能夠有效提取出不同作物的長勢特征和種植面積，是推進農業現代化的關鍵一步^[2]。由于不同農作物在光譜特征上的相似度較高，僅憑借單一時間點的遙感影像進行分類容易出現“異物同譜”和“同物異譜”的問題，從而影響地物的識別分類精度^[3]。針對這個問題，學者們提出使用長時間序列的植被指數反映不同農作物的物候特征^[4]，進而提高農作物分類的識別精度^[5]。

近年來，學者們利用MODIS^[6-7]、Landsat^[8]、哨兵^[9]、GF^[10]等系列衛星數據開展了冬小麥的遙感識別研究。使用的方法主要包括機器學習和非機器學習2種^[11-12]。傳統的非機器學習方法在特定條件下表現良好，但其難以泛化到不同的時間、地點或環境條件下，因此受到了一定的限制。比如，這些方法通常依賴于手動定義的規則和閾值來進行特征提取和分類，對于復雜的植被覆蓋類型和變化不夠靈活^[13]。Busetto等^[14]、Skakun等^[15]、Chu等^[16]、Tao等^[17]、Qiu等^[18]和Dong等^[19]基于MODIS、Landsat時序數據分別采用PhenoRice算法、高斯混合法、雙高斯函數方法、冬小麥冬前高峰特征法、物候特征法和時間加權的動態時間歸整法進行了冬小麥特征提取。采用機器學習方法進行冬小麥遙感識別具有明顯優勢，機器學習方法能夠自動從遙感數據中學習并提取多維特征，無需事先定義特定規則或閾值^[20]。利用大量的訓練樣本數據，機器學習模型能夠建立復雜的特征-類別關聯，從而提高冬小麥識別的準確性^[21]。

隨著機器學習算法的快速發展，深度學習算法通過多層結構和大規模數據訓練，能夠實現高度的特征學習和模式識別，在各種應用中能取得卓越的性能^[22]，明顯強于傳統機器學習算法^[23-26]，因此，在基于遙感的地物分類應用也得到了廣泛關注。張乾坤等利用Landsat-8數據，通過構建相對最優的卷積神經網絡結構實現了新疆地物高精度分類^[27]；Sun等使用Landsat-8數據構建時間序列，利用深度神經網絡（deep neural network，DNN）算法完成美國北達科他州地區不同作物的分類，總體精度超過了82%^[28]；姚錦一等采用Sentinel-2數據，結合DNN算法對色楞格河流域的水體信息進行了提取，總體精度達到了97.65%^[29]；Kussul等結合Landsat-8和Sentinel-1A遙感數據，建立時間序列數據用于提取作物的物候特征，采用卷積神經網絡算法實現了烏克蘭基輔地區不同農作物的分類，精度可達94.6%^[30]。

MODIS提供了較長時間序列的時序數據，解決了中高分辨率影像數據量大、重訪周期長、大范圍內同一時間影像缺失等問題。因此，本研究基于2003—2021年MODIS的250 m歸一化植被指數（normalized difference vegetation index，NDVI）時序數據，利用具有更強的學習能力和更好的泛化性能的DNN算法提取河南省冬小麥種植面積，并和基于隨機森林（random decision forests，RF）、支持向量機（support vector machine，SVM）的機器學習算法的結果進行對比，分析3種機器學習算法下的河南省冬小麥種植面積的提取精度。

1? 研究區域與數據

1.1? 研究區域概況

河南省是我國內陸腹地的一部分，地理位置介于110.21～116.39°E、31.23～36.22°N之間。河南省屬于溫帶季風氣候區，四季分明，夏季雨水集中，氣候炎熱，冬季干冷。年平均氣溫為10.5～16.7 ℃，年降水量407.7～1 295.8 mm，受東南季風影響，呈現由東南向西北逐漸減少的趨勢。河南省地勢高低不平，西部以山地和丘陵為主，東部以平原為主。平原地區土層深厚，土質肥沃，棕壤和褐土是主要土壤類型，適合冬小麥的生長。河南省是全國冬小麥主要產區之一。

1.2? 研究數據

1.2.1? 遙感數據

NDVI數據來源于2003—2021年MODIS MYD13Q1產品（http：//earthexplorer.usgs.gov/），16 d融合產品，1年23期，空間分辨率為250 m。使用MODIS數據處理工具（MODIS Reprojection Tool）將MYD13Q1數據從HDF格式轉換為Tiff格式，進行重投影和裁剪等操作，得到河南省冬小麥每年生長季內（10月8日到次年6月17日）17期的NDVI數據（因閏年和平年的原因，所述日期和實際選取的日期會有1 d的誤差）^[31]。

1.2.2? 樣本數據

為獲取河南省主要地物類型分布，結合Google Earth和中國氣象科學數據共享服務網（http：//data.cma.cn/）下載的參考樣本點數據，在冬小麥生長季將河南省地物類型分為6大類別，即冬小麥、單峰類作物、其他雙峰類作物、林地、建筑用地和水體（圖1）。在研究區每年共獲得9 970個左右的樣本點（30 580個左右的像元點），包括冬小麥6 000個左右（20 000個左右的像元點）、單峰類作物550個左右（600個左右的像元點）、其他雙峰類作物900個左右（1 000個左右的像元點）、林地1 500個左右（5 700個左右的像元點）、建筑用地1 000個左右（3 100個左右的像元點）、水體20個左右（180個左右的像元點）。隨機選取75%的樣本點作為訓練集，剩下的25%樣本點用于測試集，用來建立冬小麥識別的訓練模型。

1.2.3? 驗證數據

為了更好地驗證本研究基于DNN算法的分類精度，使用CLCD 30 m的土地覆蓋數據集（https：//zenodo.org/records/4417810）^[32]、國家青藏高原科學數據中心提供的2001—2018年250 m 華北平原農作物種植區分布數據集（https：//data.tpdc.ac.cn/）^[33]和河南省統計年鑒2003—2021年的冬小麥種植面積（https：//tjj.henan.gov.cn/）進行精度驗證。

2? 研究方法

本研究技術路線如圖2所示。首先，從樣本點中獲取NDVI時序數據，然后利用設定的閾值過濾掉低質量樣本。然后，運用機器學習模型（包括DNN、RF和SVM）結合樣本的NDVI時序數據，對冬小麥進行識別模型的訓練。最后將MODIS-NDVI時序數據輸入經過訓練的冬小麥識別模型，對冬小麥進行遙感識別，并且對3種機器學習算法的模型精度和冬小麥識別精度分別進行詳細分析。

2.1? 閾值設置

閾值主要是剔除冬小麥樣本中出現的低質量像元和一些異像元。冬小麥的生長狀況受雨水、日照等天氣條件影響比較大，比如在2003年、2006年、2008年、2013年一些地區的冬小麥NDVI值偏低，因此在冬小麥的樣本中通過設置閾值，過濾掉低質量的樣本。經過多次試驗測試，認為位于冬小麥孕穗期和抽穗期4月14日、4月30日、5月16日的NDVI值能反映出小麥的長勢，在NDVI值偏低的4年，任意時間節點的NDVI值大于0.78即判斷為質量高的冬小麥樣本，在其他NDVI年均值較高的年份，3個時間節點的NDVI值大于0.8判斷為質量高的冬小麥樣本。

在其他單峰類作物、雙峰類作物、林地、建筑用地和水體的樣本中，提取時間序列的NDVI值同樣

需要剔除一些異常值。經過多次試驗，認為單峰類作物和雙峰類作物在每個時間節點的NDVI值不為空值即可，建筑用地的每個時間節點的NDVI值不應超過0.4。

2.2? 特征選擇

由于河南省南北部氣候差異的原因，小麥種植和收獲的時間會存在一定差異，因此，需要確定識別冬小麥的起始和結束的時間，進而建立NDVI時間序列的特征曲線。冬小麥種植時間在秋季的10—11月之間，該季節夏玉米、大豆等作物秋收完成，此時的NDVI值介于0.2～0.3之間，河南省冬小麥種植時間差異不大，選擇10月8日作為起始時間。

河南省冬小麥收獲時間大部分集中在5月20日之后和6月20日之前，由圖3可知，在2018年6月2日之后NDVI的曲線走勢出現明顯不同，這是由于2地的冬小麥成熟時間不一致導致的。樣本2所在區域為南陽地區，經過調研，此地區的冬小麥成熟時間大部分集中在5月下旬，收割結束之后，會種植夏糧作物，NDVI值在6月17日會達到0.4以上，而此時河南省東部和北部的小麥正處于收割階段，因此最后一個特征值選擇6月2日的NDVI值。綜上，選擇從10月8日到次年的6月2日共16期的NDVI值作為特征值，可以有效區分冬小麥、單峰類植物、其他雙峰類植物、林地、建筑用地以及水體（圖4）。

2.3? 構建基于DNN的冬小麥訓練模型

使用Python編程語言對數據進行預處理，在基于TensorFlow的深度學習框架下進行DNN模型的搭建、訓練和測試。

2.3.1? DNN網絡層數和神經元個數設置

網絡結構采用輸入層、全連接層和輸出層，其中輸入層是將輸入的數據壓成一維的數據，再用全連接層（設置128個神經元）接收一維數據，進行向量處理，最后由輸出層輸出結果，因為輸出結果有6個（冬小麥、單峰類作物、雙峰類作物、林地、建筑用地、水體），輸出層的神經元個數設置為6。

2.3.2? DNN激活函數設置

在全連接層中使用relu激活函數，可以規避sigmoid函數飽和區對網絡收斂的限制，加快模型訓練速度。在神經網絡的輸出層中，采用softmax作為激活函數對全連接層的輸出進行變換，使得輸出符合概率分布。這樣的處理可以將每個輸出值限制在[0，1]之間，并且所有輸出的總和為1，從而更好地表示分類概率。

式中：x為來自上一層神經網絡的輸入向量。

式中：σ是softmax激活函數；z_j表示神經網絡模型中第j個節點的輸出值；K表示模型輸出的節點個數，即分類的類別個數。

2.3.3? DNN訓練方法設置

在compile中配置訓練方法時，選擇adam算法。該算法能夠基于訓練數據迭代更新神經網絡的權重，通過計算梯度的一階估計和二階估計為不同的參數設計獨立的自適應性學習率。本研究使用adam默認參數，其中一階矩陣指數衰減率為0.9，二階矩陣指數衰減率為0.99，穩定性常數為10^-8。

2.3.4? DNN訓練參數設置

迭代次數（epochs）設置為100，這表示將對數據進行100次迭代訓練。批量大?。╞atch size）設置64，每次迭代從訓練數據中隨機選擇64個樣本進行訓練。validation_split設置為0.25，每次會自動隨機選擇75%的數據為訓練集，剩下25%的數據為測試集。驗證頻率（validation frequency）設置為1，每次迭代后都進行1次驗證，以監測模型性能。

最后，使用訓練好的模型對MODIS-NDVI遙感影像進行分類，提取出冬小麥的空間分布和種植面積。

2.4? 構建基于RF和SVM的冬小麥訓練模型

為驗證DNN算法的優越性，將其與機器學習框架下的RF和SVM算法進行對比?；赗F和SVM算法的冬小麥訓練模型使用和DNN算法一樣的數據集。其中，RF訓練模型的參數設置：子樹的數量為100，每棵樹的最大深度為9，隨機種子為42；SVM訓練模型的參數設置：使用線性基作為SVM的核函數，懲罰因子C為1，松弛變量γ為10^-1，隨機種子為42。RF和SVM將數據集75%的樣本作為訓練集，剩下25%的樣本為測試集。

3? 結果與分析

3.1? 識別結果

根據2003—2021年的樣本數據，基于DNN訓練出冬小麥識別模型，利用這個模型遍歷讀取了冬小麥生長季內的16期MODIS-NDVI遙感影像，依次得到河南省2003—2021年冬小麥的空間分布圖（圖5），并統計得到冬小麥面積時間序列圖（圖6）。由圖5和圖6可知，2003—2021年河南省的冬小麥空間分布格局變化不明顯，河南省冬小麥種植面積整體呈上升趨勢。

3.2? 分類精度分析

3.2.1? 模型精度分析

在本研究中，通過精確率和損失率來評估模型的優劣，精確率衡量了模型預測的陽性樣本中真正陽性樣本的比例，而損失率則代表了模型預測錯誤的樣本所占的比例^[34]。如表1所示，基于DNN算法的多年精確率為97.26%（最高為2003年的98.43%，最低為2012年的95.14%），比RF、SVM算法精確率分別提升5.75、7.95百分點?；跇颖军c的多年損失率為7.07%，其中最高為2012年的12.27%，最低為2003年的4.12%，比RF、SVM算法損失率分別降低19.79、22.46百分點。該結果與張榮群等^[3]、王連喜等^[23]、張錦水等^[35]和徐青云等^[36]對比，精確率分別提升8.31、2.10、1.77、11.54百分點，表明該模型的精度較好，可以對河南省冬小麥的空間分布和面積進行提取。

3.2.2? 識別精度分析

使用ArcMap軟件對2003—2021年CLCD 30 m的土地覆蓋數據集進行250 m重采樣，然后分別與使用DNN、RF和SVM方法的250 m冬小麥分類圖進行空間對比。以2005、2015年為例（圖7），2005年基于DNN的方法冬小麥分布較稀疏，2015年3種方法的結果較一致。遍歷每個年份的250 m分辨率的冬小麥分類圖和CLCD數據集，比較2個數據集中相同像元位置上的類別，并記錄冬小麥和CLCD數據集中相同類別的像元數量，統計每個年份的冬小麥總像元數量，并計算相同類別像元數量與冬小麥總像元數量的比值，得到2003—2021年DNN預測的冬小麥空間分布與CLCD數據集耕地的重疊率達到98%以上，RF和SVM預測的冬小麥空間分布重疊率為90%左右。

以國家青藏高原科學數據中心提供的華北平原農作物種植區分布圖作為實際數據，使用DNN、RF和SVM方法得出的結果作為預測數據，比較實際冬小麥面積數據和DNN、RF和SVM方法預測的冬小麥數據。結果表明，2003—2018年河南省冬小麥面積與DNN預測的面積一致性達到95%以上，與RF和SVM預測的面積一致性在90%以下。以2018年商丘和2017年周口的結果為例（圖8），一致性分別為95.29%、98.62%，與RF方法的一致性分別為92.02%、89.43%，與SVM的一致性分別為92.43%、87.56%。對比結果進一步說明了使用基于DNN的冬小麥訓練模型能夠較好地獲取河南省2003—2021年冬小麥空間分布信息。

同樣采用上述方法，與河南省統計年鑒中的冬小麥播種面積數據進行對比，結果（表2）表明，基于DNN方法計算2003—2021年的分類面積與統計面積的一致性平均為97.97%（最高為2016年的99.99%，最低為2003年的93.28%），并且和基于統計面積的變化趨勢一致，均為遞增趨勢。而RF和SVM算法預測面積在2003—2006年誤差率高達20%～35%，導致基于RF和SVM算法的2003—2021年河南省冬小麥預測面積呈遞減趨勢，與統計年鑒面積趨勢變化呈相反結果。結果說明了基于DNN的冬小麥訓練模型優于RF和SVM算法，亦能很好地反映河南省冬小麥的多年面積變化情況。

4? 討論

盡管冬小麥生長周期內的NDVI時間序列曲線基本一致，但是由于每年氣候變化和作物管理方式不同，每年的NDVI時間序列曲線仍有變化^[37]，如圖9所示（該冬小麥樣本點位于116.19°E、33.88°N），2019年冬小麥的NDVI明顯低于其他年份，2012年10月到12月的NDVI值遠高于其他年份，2008年1月9日的NDVI值達到歷年最低。因此，本研究根據當年的樣本集訓練出當年的冬小麥模型，會減小多年間作物生長差異對模型精度的影響。

本研究所使用的是250 m MODIS遙感數據，存在混合像元的情況。為了提高分類結果的準確性，本研究將混合像元中實際冬小麥占比大于50%的像元分類為冬小麥，實際冬小麥占比小于50%的像元分類為非冬小麥，由于冬小麥的時序曲線變化和其他雙峰類作物的曲線類似，需要收集更多的其他雙峰類作物的樣本，充分發揮DNN對于大樣本大數據處理的優勢，減少混合像元帶來的誤差。因此，未來的研究可以采用多種高分辨率遙感數據和多種機器學習算法相結合的方法提高識別精度。

DNN是由多個感知器組成的集成學習模型，具有很強的非線性擬合能力，通過本研究3種機器學習算法的精度對比可以發現，DNN的分類能力遠遠優于其他2種機器學習算法，但是也存在一定的不確定性。在分類的結果中，有小部分冬小麥像元會識別成其他類型，其原因可能是該地區的天氣相關，如冬季的雨雪天氣、春季的干旱以及管理農作物方式的不同都會導致NDVI的異常，也可能是由于模型的不足，會對精度的評價產生一定的影響。因此需要對DNN模型的分類過程進行更深入的研究，以揭示其“黑盒”性質，提高對其分類結果的信任度和可靠性^[38]。

5? 結論

本研究以2003—2021年的MODIS-NDVI為數據源，根據河南省的地勢和氣候完成對地表混合像元和異常值的處理，利用處理后的NDVI時間序列作為特征值，構建基于DNN、RF和SVM的冬小麥識別機器學習算法模型，與已知的數據對比對識別的冬小麥進行精度驗證。結果表明，在空間上，基于DNN算法的2003—2021年冬小麥分布與CLCD數據集在耕地上的重疊率達到98%以上，與青藏高原科學數據中心提供的華北平原農作物種植區的一致性達95%以上，與河南省統計年鑒中的冬小麥面積一致性平均為97.97%，并且變化趨勢保持一致?；赗F和SVM算法的冬小麥分布的識別結果與相同數據集的對比顯示，在重疊率和一致性上這2種算法均低于DNN的冬小麥識別結果，并且不能很好地反映冬小麥的時間變化趨勢。結果說明了基于DNN算法的模型能更有效地提取反映作物生長信息的時間和空間特征，提高了大范圍冬小麥的空間分布和面積數據的精確度。

參考文獻：

[1]孫九林. 中國農作物遙感動態監測與估產總論[M]. 北京：中國科學技術出版社，1996：1-8.

[2]何忠，謝國雪，林垚君，等. 遙感技術在我國甘蔗產業的應用綜述[J]. 國土資源信息化，2020（4）：22-27.

[3]張榮群，王盛安，高萬林，等. 基于時序植被指數的縣域作物遙感分類方法研究[J]. 農業機械學報，2015，46（增刊1）：246-252.

[4]饒新宇，李紅軍，張圣微，等. 草原植被長勢遙感監測方法適宜性研究[J]. 中國生態農業學報（中英文），2021，29（12）：2084-2092.

[5]Liang S L. Quantitative remote sensing of land surfaces[M]. New Jersey：John Wiley & Sons，2003：494-501.

[6]Bognár P，Kern A，Pásztor S，et al. Yield estimation and forecasting for winter wheat in Hungary using time series of MODIS data[J]. International Journal of Remote Sensing，2017，38（11）：3394-3414.

[7]Pan Y Z，Li L，Zhang J S，et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment，2012，119：232-242.

[8]Skakun S，Vermote E，Franch B，et al. Winter wheat yield assessment from Landsat 8 and Sentinel-2 data：incorporating surface reflectance，through phenological fitting，into regression yield models[J]. Remote Sensing，2019，11（15）：1768.

[9]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.

[10]Huawei Mou A，Huan Li B，Yuguang Zhou C，et al. Estimating winter wheat straw amount and spatial distribution in Qihe County，China，using GF-1 satellite images[J]. Journal of Renewable and Sustainable Energy，2021，13（1）：013102.

[11]Zhang X W，Qiu F，Qin F. Identification and mapping of winter wheat by integrating temporal change information and Kullback-Leibler divergence[J]. International Journal of Applied Earth Observation and Geoinformation，2019，76：26-39.

[12]Zhang Q X，Wang G F，Wang G J，et al. Identifying winter wheat using landsat data based on deep learning algorithms in the North China Plain[J]. Remote Sensing，2023，15（21）：5121.

[13]Shi W Z，Zhang M，Zhang R，et al. Change detection based on artificial intelligence：state-of-the-art and challenges[J]. Remote Sensing，2020，12（10）：1688.

[14]Busetto L，Zwart S J，Boschetti M. Analysing spatial-temporal changes in rice cultivation practices in the Senegal River Valley using MODIS time-series and the PhenoRice algorithm[J]. International Journal of Applied Earth Observation and Geoinformation，2019，75：15-28.

[15]Skakun S，Franch B，Vermote E，et al. Early season large-area winter crop mapping using MODIS NDVI data，growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment，2017，195：244-258.

[16]Chu L，Liu Q S，Huang C，et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series：a case study in the Yellow River Delta，China[J]. Journal of Integrative Agriculture，2016，15（10）：2403-2416.

[17]Tao J B，Wu W B，Zhou Y，et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture，2017，16（2）：348-359.

[18]Qiu B W，Hu X，Chen C C，et al. Maps of cropping patterns in China during 2015—2021[J]. Scientific Data，2022，9：479.

[19]Dong J，Fu Y Y，Wang J J，et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data，2020，12（4）：3081-3095.

[20]Amani M，Ghorbanian A，Ali Ahmadi S，et al. Google earth engine cloud computing platform for remote sensing big data applications：a comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：5326-5350.

[21]Li Y S，Li X W，Zhang Y J，et al. Cost-efficient information extraction from massive remote sensing data：when weakly supervised deep learning meets remote sensing big data[J]. International Journal of Applied Earth Observation and Geoinformation，2023，120：103345.

[22]Goodfellow I，Bengio Y，Courville A. Deep learning[M]. Cambridge：The Massachusetts Institute of Technology Press，2016：164-172.

[23]王連喜，徐勝男，李琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農業工程學報，2016，32（5）：182-187.

[24]李龍，李旭青，吳伶，等. 基于決策樹和神經網絡的農作物分類研究——以廊坊市為例[J]. 紅外，2019，40（3）：24-31，36.

[25]蘇騰飛，劉全明，蘇秀川. 基于多種植被指數時間序列與機器學習的作物遙感分類研究[J]. 江蘇農業科學，2017，45（16）：219-224.

[26]楊野，楊德昌，孫紅，等. 基于無人機多光譜遙感和機器學習算法的南疆棉花生物量估算[J]. 江蘇農業科學，2023，51（15）：179-187.

[27]張乾坤，蒙繼華，任超.構建地塊二維表征及CNN模型的作物遙感分類[J]. 遙感學報，2022，26（7）：1437-1449.

[28]Sun Z H，Di L P，Fang H，et al. Deep learning classification for crop types in North Dakota[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：2200-2213.

[29]姚錦一，王卷樂，嚴欣榮，等. 基于深度神經網絡的蒙古國色楞格河流域水體信息提取[J]. 地球信息科學學報，2022，24（5）：1009-1017.

[30]Kussul N，Lavreniuk M，Skakun S，et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters，2017，14（5）：778-782.

[31]李炳軍，張一帆. 不同生育期氣候變化對河南省冬小麥產量影響的量化分析[J]. 江蘇農業科學，2022，50（12）：238-246.

[32]Yang J，Huang X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data，2021，13（8）：3907-3925.

[33]Li J D，Lei H M. Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001—2018[J]. Computers and Electronics in Agriculture，2021，187：106222.

[34]Pleoianu A I，Stupariu M S，andric I，et al. Individual tree-crown detection and species classification in very high-resolution remote sensing imagery using a deep learning ensemble model[J]. Remote Sensing，2020，12（15）：2426.

[35]張錦水，趙光政，洪友堂，等. 基于像元物候曲線匹配的生長季內河北省冬小麥空間分布識別[J]. 農業工程學報，2020，36（23）：193-200.

[36]許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數據的農作物種植識別[J]. 農業工程學報，2014，30（11）：134-144.

[37]Wu C Y，Chen J M. Diverse responses of vegetation production to interannual summer drought in North America[J]. International Journal of Applied Earth Observation and Geoinformation，2013，21：1-6.

[38]田富有，吳炳方，曾紅偉，等. 基于多層神經網絡與Sentinel-2數據的大豆種植區識別方法[J]. 地球信息科學學報，2019，21（6）：918-927.