李文杰，郭曉雷，楊玲波，閆 鳴，鄒晨曦，方亞華，孫 涵，黃敬峰

基于GF-6衛(wèi)星影像多特征優(yōu)選的釀酒葡萄精準(zhǔn)識(shí)別

李文杰1,2，郭曉雷3，楊玲波1,2，閆 鳴3，鄒晨曦4，方亞華4，孫 涵5，黃敬峰1,2※

（1. 浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，杭州 310058； 2. 浙江省農(nóng)業(yè)遙感與信息技術(shù)重點(diǎn)研究實(shí)驗(yàn)室，杭州 310058；3. 銀川市氣象局，銀川 750000；4. 北京思湃德信息技術(shù)有限公司，北京 100086；5. 內(nèi)蒙古新天元防災(zāi)減災(zāi)研究院，呼和浩特 010051）

多源遙感信息和特征優(yōu)選是提高農(nóng)作物識(shí)別精度的重要支撐，高分六號(hào)（GF-6）衛(wèi)星作為首次引入紅邊波段的國(guó)產(chǎn)衛(wèi)星，其豐富的光譜信息為作物識(shí)別提供了新的思路和解決途徑。該研究基于寧夏回族自治區(qū)銀川市永寧縣2018年6月—2019年3月的GF-6數(shù)據(jù)，充分利用紅邊優(yōu)勢(shì)提取光譜特征、紋理特征和植被指數(shù)特征，構(gòu)建多種特征組合方案，并根據(jù)隨機(jī)森林算法對(duì)特征重要性進(jìn)行度量，選取最優(yōu)特征組合對(duì)釀酒葡萄進(jìn)行精準(zhǔn)識(shí)別。結(jié)果表明，與單一特征相比，多源遙感特征的增加顯著改善了釀酒葡萄分類(lèi)效果，其中，植被指數(shù)貢獻(xiàn)程度最大，光譜特征次之；基于隨機(jī)森林的優(yōu)選特征組合分類(lèi)效果最佳，其中，總體分類(lèi)精度為94.15%，釀酒葡萄用戶(hù)精度為94.23%，制圖精度為92.59%；以實(shí)地調(diào)查的4個(gè)酒莊為驗(yàn)證區(qū)，將釀酒葡萄提取結(jié)果與統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對(duì)比，面積相對(duì)精度均在70%以上，其中優(yōu)選特征結(jié)果相對(duì)精度在90%以上，研究結(jié)果將為國(guó)產(chǎn)衛(wèi)星紅邊波段在植被分類(lèi)和識(shí)別方面的應(yīng)用提供數(shù)據(jù)參考。

遙感；圖像處理；高分六號(hào)；釀酒葡萄；特征優(yōu)選；隨機(jī)森林；紅邊波段；精準(zhǔn)識(shí)別

0 引 言

農(nóng)作物信息的快速獲取和準(zhǔn)確識(shí)別是開(kāi)展精準(zhǔn)農(nóng)業(yè)的基礎(chǔ)，從依賴(lài)國(guó)外遙感數(shù)據(jù)到自主研發(fā)國(guó)產(chǎn)衛(wèi)星，中國(guó)農(nóng)業(yè)遙感技術(shù)從深度和廣度上都取得了顯著進(jìn)展[1]。隨著高分六號(hào)（GF-6）衛(wèi)星正式投入使用，中國(guó)首次增加了有效反映作物特有光譜特性的“紅邊”波段，實(shí)現(xiàn)了時(shí)間分辨率和光譜分辨率的優(yōu)化組合，打破了國(guó)外衛(wèi)星對(duì)紅邊波段遙感影像的壟斷。與中國(guó)高分六號(hào)衛(wèi)星相比，歐美衛(wèi)星對(duì)紅邊波段的應(yīng)用起步較早，如2008年，德國(guó)發(fā)射了全球第一顆具有“紅邊”波段的商業(yè)衛(wèi)星——RapidEye；2009年，美國(guó)成功發(fā)射Wordview-2衛(wèi)星，除4個(gè)業(yè)內(nèi)標(biāo)準(zhǔn)譜段外，該衛(wèi)星還提供了包括紅邊波段在內(nèi)的4個(gè)額外譜段；2015年，歐航局成功發(fā)射Sentinel-2衛(wèi)星，Sentinel-2是唯一一個(gè)在紅邊范圍內(nèi)含有3個(gè)波段的光學(xué)衛(wèi)星。

增加敏感波段和采用多源特征是農(nóng)作物精準(zhǔn)識(shí)別的2個(gè)重要手段[2]。紅邊波段（Red-edge）介于紅光波段和紅外波段之間，對(duì)作物冠層的微小變化敏感，是作物識(shí)別[3-4]和指示綠色植物生長(zhǎng)狀況[5-7]的特征波段之一。如劉佳等[8]采用監(jiān)督分類(lèi)方法對(duì)玉米、大豆等農(nóng)作物進(jìn)行分類(lèi)，計(jì)算了RapidEye影像有無(wú)紅邊參與條件下的分類(lèi)精度及景觀破碎度等指標(biāo)，研究表明，紅邊波段的引入后，總體精度提高了6.7%，同時(shí)降低了景觀破碎度；Adelabu等[9]采用支持向量機(jī)和隨機(jī)森林2種算法對(duì)RapidEye影像做分類(lèi)研究，有紅邊參與條件下，總體精度分別提高了19%和21%；Tigges等[10]利用不同波段組合方式的多時(shí)相RapidEye影像對(duì)柏林城市森林進(jìn)行了品種識(shí)別，加入紅邊波段后具有更高的樣本分離度和Kappa系數(shù)；Sertel等[11]建立了一套規(guī)則集，采用多級(jí)分割的面向?qū)ο蠓椒◤腤orldview-2影像中提取地物類(lèi)型信息，分類(lèi)精度達(dá)94.87%。以上研究表明，紅邊波段在農(nóng)業(yè)遙感應(yīng)用中已取得很大進(jìn)展，但數(shù)據(jù)來(lái)源主要是國(guó)外衛(wèi)星數(shù)據(jù)，中國(guó)衛(wèi)星紅邊波段的應(yīng)用研究尚處于起步階段，且研究對(duì)象多為小麥、水稻等大宗糧食作物，對(duì)經(jīng)濟(jì)作物的研究相對(duì)較少。

豐富的多源遙感特征可以彌補(bǔ)單一類(lèi)型特征關(guān)鍵信息不足、分類(lèi)結(jié)果破碎度高等缺陷，改善分類(lèi)效果，提升植被分析的精度。然而，特征過(guò)量易出現(xiàn)信息冗余、處理效率低等問(wèn)題，嚴(yán)重時(shí)會(huì)發(fā)生“維數(shù)災(zāi)難”現(xiàn)象[12]，不僅增加了處理成本，還會(huì)降低分類(lèi)精度，因此，合理選擇有效特征對(duì)農(nóng)作物識(shí)別具有重要意義[13-14]。程希萌等[15]采用最小冗余最大相關(guān)（minimal Redundancy Maximal Relevance，mRMR）算法對(duì)特征進(jìn)行優(yōu)選，證明了mRMR特征優(yōu)選算法在分類(lèi)過(guò)程中的有效性；Atkinson等[16]結(jié)合支持向量機(jī)與特征遞歸消除法在272個(gè)特征集中選取17個(gè)最優(yōu)特征，對(duì)南非東部金縷草的分布進(jìn)行了有效監(jiān)測(cè)。除此之外，不少學(xué)者采用隨機(jī)森林算法對(duì)特征進(jìn)行優(yōu)選，如張磊等[17]利用光譜特征、水體指數(shù)等信息，采用隨機(jī)森林算法對(duì)Sentinel影像進(jìn)行了多特征優(yōu)選，實(shí)現(xiàn)了對(duì)黃河三角洲實(shí)地信息的提取，總體精度達(dá)90.93%；蒙莉娜等[18]通過(guò)隨機(jī)森林模型獲得16個(gè)環(huán)境輔助變量的相對(duì)重要性，研究了綠洲土壤鹽分的空間分布與環(huán)境變量間的關(guān)系。目前，基于遙感信息開(kāi)展的識(shí)別研究中，不足之處在于特征較單一，如光譜特征僅利用可見(jiàn)光波段及近紅外波段，植被指數(shù)特征多使用歸一化差值植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）等，很少使用紅邊指數(shù)特征。

針對(duì)以上問(wèn)題，本文選取釀酒葡萄作為研究對(duì)象，基于高分六號(hào)衛(wèi)星影像對(duì)研究區(qū)釀酒葡萄進(jìn)行精準(zhǔn)識(shí)別，通過(guò)多種特征組合比較分類(lèi)結(jié)果差異，全面客觀地評(píng)價(jià)特征優(yōu)選對(duì)釀酒葡萄精準(zhǔn)識(shí)別的影響，為國(guó)產(chǎn)衛(wèi)星紅邊波段在農(nóng)作物識(shí)別上的性能提升以及農(nóng)業(yè)遙感領(lǐng)域的后續(xù)應(yīng)用提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

永寧縣隸屬于寧夏回族自治區(qū)銀川市，地處105o49′～106o22′E、38o7′～38o29′N(xiāo)之間，地勢(shì)西高東低，面積為934 km2。該區(qū)屬中溫帶干旱氣候區(qū)，年平均溫度8.7 ℃，無(wú)霜期平均167 d，年均降水量201.4 mm，全年平均日照2 866 h，光能資源豐富。永寧縣地處寧夏賀蘭山東麓釀酒葡萄核心種植區(qū)，日溫差大，有利于有機(jī)物質(zhì)的合成和積累，適宜優(yōu)質(zhì)釀酒葡萄生長(zhǎng)，是世界公認(rèn)的葡萄種植“黃金”地帶[19]，葡萄酒產(chǎn)業(yè)是永寧縣的支柱產(chǎn)業(yè)之一。除釀酒葡萄外，研究區(qū)主要作物還有小麥、玉米等。

1.2 數(shù)據(jù)及其預(yù)處理

1.2.1 GF-6數(shù)據(jù)

高分六號(hào)低軌光學(xué)遙感衛(wèi)星是中國(guó)首顆精準(zhǔn)農(nóng)業(yè)觀測(cè)的高分衛(wèi)星，搭載了觀測(cè)幅寬為800 km的寬視場(chǎng)（Wide Field of View，WFV）傳感器和觀測(cè)幅寬為90 km的全色多光譜傳感器（Panchromatic Multispectral Sensor，PMS），具有高分辨率、寬覆蓋、高質(zhì)量成像等特點(diǎn)[20]。其中，WFV傳感器空間分辨率為16 m，其多光譜數(shù)據(jù)共包含8個(gè)波段，本文選取GF-6/WFV的藍(lán)光（0.45～0.52m）、綠光（0.52～0.59m）、紅光（0.63～0.69m）、近紅外（0.77～0.89m）、紅邊波段1（0.69～0.73m）和紅邊波段2（0.73～0.77m）作為試驗(yàn)波段，分別標(biāo)記為1～6波段。

本文所用到的經(jīng)過(guò)系統(tǒng)幾何和輻射校正的GF-6影像1級(jí)產(chǎn)品數(shù)據(jù)均由中國(guó)資源衛(wèi)星應(yīng)用中心提供（http://www.cresda.com）。在此基礎(chǔ)上，對(duì)所有數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和幾何校正，并以同期10 m分辨率的Sentinel-2數(shù)據(jù)作為參考影像進(jìn)行幾何精校正。預(yù)處理中使用的數(shù)字高程模型（Digital Elevation Model，DEM）采用分辨率為90 m的SRTM DEM數(shù)據(jù)。

綜合考慮研究區(qū)內(nèi)作物的發(fā)育時(shí)期以及樣本類(lèi)型，本文選取了2018年6月—2019年3月之間的10景影像進(jìn)行識(shí)別，成像時(shí)間分別為：2018年6月13日、2018年6月22日、2018年7月12日、2018年7月16日、2018年9月8日、2018年10月2日、2018年11月12日、2019年2月10日、2019年3月3日、2019年3月23日。該時(shí)期包含了開(kāi)花坐果期、漿果生長(zhǎng)期以及成熟采收期等釀酒葡萄的主要物候期，有利于釀酒葡萄的識(shí)別和提取。經(jīng)實(shí)地調(diào)查，研究區(qū)內(nèi)葡萄種植以釀酒葡萄為主，鮮食葡萄對(duì)本研究的影響可忽略不計(jì)。

1.2.2 樣本數(shù)據(jù)

本文通過(guò)實(shí)地調(diào)查研究和Google Earth高分辨率影像目視解譯，共獲取20個(gè)酒莊樣點(diǎn)數(shù)據(jù)和865個(gè)分類(lèi)樣本數(shù)據(jù)：釀酒葡萄（172個(gè)）、耕地（158個(gè)）、林地（165個(gè)）、草地（79個(gè)）、裸地（56個(gè)）、建筑（134個(gè)）、水體（101個(gè)），總面積達(dá)34.02 km2。其中，本文將玉米、小麥等作物統(tǒng)分為耕地類(lèi)型；將果樹(shù)、行道樹(shù)以及山林等統(tǒng)分為林地；將房屋、道路、工業(yè)園區(qū)等統(tǒng)分為建筑；將池塘、河流等統(tǒng)分為水體。樣本均勻分布在整個(gè)研究區(qū)內(nèi)，其中，60%用作訓(xùn)練樣本，40%用作驗(yàn)證樣本，樣本分布情況如圖1所示。

圖1 研究區(qū)樣本分布

2 研究方法

2.1 技術(shù)路線(xiàn)

本研究釀酒葡萄精準(zhǔn)識(shí)別過(guò)程包括數(shù)據(jù)預(yù)處理、樣本選擇、特征提取和優(yōu)選、分類(lèi)及精度驗(yàn)證等內(nèi)容（圖2）。本研究充分利用GF-6衛(wèi)星紅邊優(yōu)勢(shì)提取光譜特征、植被指數(shù)特征和紋理特征，使用基于隨機(jī)森林基尼指數(shù)的特征優(yōu)選算法探索釀酒葡萄識(shí)別中的最優(yōu)特征組合并進(jìn)行分類(lèi)。

圖2 本研究技術(shù)路線(xiàn)

2.2 特征提取

2.2.1 光譜特征

經(jīng)調(diào)查研究，9—10月份為釀酒葡萄成熟期，植株茂盛，光譜特征突出，與其他地物的物候差異較大，是識(shí)別釀酒葡萄的最佳時(shí)間段，因此選取2018年9月8日影像作為最佳時(shí)相數(shù)據(jù)，取其1～6波段作為光譜特征。圖3為2018年9月8日GF-6影像的光譜反射率平均值曲線(xiàn)，藍(lán)光波段、綠光波段和紅光波段的釀酒葡萄-林地兩類(lèi)地物光譜反射率接近，識(shí)別難度較大；近紅外波段光譜反射率平均值明顯高于其他波段，但地物混淆度高，“異物同譜”現(xiàn)象嚴(yán)重；紅邊波段1是較易區(qū)分釀酒葡萄的波段，裸地和水體等非植被類(lèi)型與其他地物分層明顯，釀酒葡萄-耕地-林地-草地4類(lèi)植被類(lèi)型也較易區(qū)分；在紅邊波段2中，釀酒葡萄和草地的反射率曲線(xiàn)趨于重疊，但其他地物的光譜可分度明顯增大，如釀酒葡萄-耕地、釀酒葡萄-林地和裸地-草地等地物，釀酒葡萄-草地可結(jié)合紅邊波段1進(jìn)行區(qū)分。

圖3 2018-09-08典型地物GF-6平均光譜反射率曲線(xiàn)

2.2.2 植被指數(shù)特征

歸一化差值紅邊指數(shù)（Normalized Difference Red-Edge Index，NDRE）可充分發(fā)揮紅邊波段在植被識(shí)別方面的優(yōu)越性，相比于其他寬帶綠度指數(shù)，NDRE具有更高的靈敏度，廣泛應(yīng)用于精細(xì)農(nóng)業(yè)、森林監(jiān)測(cè)、植被脅迫性探測(cè)等；歸一化差值植被指數(shù)（Normalized Difference Vegetation Index，NDVI）能夠反映植被在可見(jiàn)光、近紅外波段反射與土壤背景之間的差異，適用于植被早、中期生長(zhǎng)階段的動(dòng)態(tài)監(jiān)測(cè)。季節(jié)性是植被最顯著的特征之一[21]，NDVI隨時(shí)間變化與植被的物候信息呈現(xiàn)一定的規(guī)律性，可監(jiān)測(cè)植被生長(zhǎng)狀態(tài)和植被覆蓋度[22]，是區(qū)分地物的重要特征；相比于NDVI，增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）對(duì)植被密集區(qū)的冠層結(jié)構(gòu)變化更加敏感[23]，在研究植被遙感時(shí)可以與NDVI相互補(bǔ)充。本文所用植被指數(shù)介紹如表1所示。

表1 植被指數(shù)

本研究應(yīng)用多時(shí)相遙感數(shù)據(jù)，利用GF-6數(shù)據(jù)分別合成NDRE、NDVI和EVI時(shí)間序列，在植被指數(shù)時(shí)間序列構(gòu)建過(guò)程中，時(shí)相選擇以釀酒葡萄物候期為主要依據(jù)，同時(shí)結(jié)合耕地（以小麥、玉米為主）、林地等地物類(lèi)別的物候特點(diǎn)，10景影像滿(mǎn)足全覆蓋、無(wú)云、可見(jiàn)度高等條件[24]。

2.2.3 紋理特征

紋理特征借助像素點(diǎn)的空間結(jié)構(gòu)相似性對(duì)像元表面粗糙度、均勻性等情況進(jìn)行度量，是圖像分類(lèi)的重要特征之一[28]。豐富的紋理信息比單一光譜信息具有更好的分類(lèi)效果，對(duì)解決錯(cuò)分問(wèn)題提高分類(lèi)精度具有重要意義，因此常將紋理特征作為光譜特征和植被指數(shù)特征的重要補(bǔ)充來(lái)參與圖像分類(lèi)。

本文選用普遍認(rèn)可的灰度共生矩陣（Grey-Level Co-occurrence Matrix，GLCM）方法對(duì)紋理信息進(jìn)行提取，首先對(duì)2018年9月8日GF-6影像2個(gè)紅邊波段進(jìn)行主成分分析，提取第一和第二主成分分量，分別計(jì)算8個(gè)紋理特征，即同質(zhì)性（Homogeneity）、方差（Variance）、對(duì)比度（Contrast）、信息熵（Entropy）、均值（Mean）、二階距（Second moment）、相關(guān)性（Correlation）和相異性（Dissimilarity），取主成分分量特征的平均值作為最終紋理特征值。

2.3 特征組合

基于光譜波段、植被指數(shù)和紋理特征構(gòu)建特征集，選取植被指數(shù)序列的40景影像作為植被指數(shù)特征，其中由紅邊波段1計(jì)算得到NDRE指數(shù)標(biāo)記為1NDRE，由紅邊波段2計(jì)算得到NDRE指數(shù)標(biāo)記為2NDRE；選取2018年9月8日GF-6影像1～6波段作為光譜特征；選取由紅邊波段計(jì)算得到的8個(gè)紋理信息作為紋理特征，用于分類(lèi)的特征集信息如表2所示。

表2 多源特征集描述

注：序號(hào)“1~10”依次為2018-06-13至2019-03-23的10個(gè)時(shí)相；序號(hào)“5”為最佳時(shí)相2018-09-08。

Note: Order number “1-10” is from 2018-06-13 to 2019-03-23; Order number “5” is the optimal data 2018-09-08.

2.4 特征優(yōu)選

最后，將所有樹(shù)上的特征得分進(jìn)行歸一化處理得到最終特征重要性得分。

各特征重要性排序圖如圖4所示，特征數(shù)目與總體精度和Kappa系數(shù)的關(guān)系如圖5所示，特征描述方式如表2所示。

圖4 特征重要性分析

圖5 特征變量數(shù)目與分類(lèi)精度關(guān)系

由圖4可知，54個(gè)特征變量權(quán)重差異較大，其中，2NDRE6的重要性得分最高，EVI2的重要性得分最低，2個(gè)紅邊波段特征重要性排名分別為第3和第6。由圖5可知，當(dāng)特征數(shù)目為1時(shí)，總體精度值和Kappa系數(shù)值最低，均低于0.75，隨后總體精度值和Kappa系數(shù)值隨特征數(shù)目增多而變大；特征數(shù)目從4開(kāi)始，總體精度值和Kappa系數(shù)不再與特征數(shù)目呈正相關(guān)變化，參數(shù)值呈波動(dòng)狀態(tài)，但2個(gè)參數(shù)總體變化趨勢(shì)相近，且數(shù)值基本保持在0.80以上；當(dāng)特征數(shù)目取17時(shí)，總體精度值和Kappa系數(shù)值達(dá)到最高，因此將重要性得分排名前17的特征作為優(yōu)選特征參與分類(lèi)。前17個(gè)優(yōu)選特征中，包含4個(gè)光譜特征、11個(gè)植被指數(shù)特征（7個(gè)NDRE指數(shù)、3個(gè)NDVI指數(shù)、1個(gè)EVI指數(shù)）和2個(gè)紋理特征，特征貢獻(xiàn)度大小依次為植被指數(shù)特征、光譜特征、紋理特征，重要時(shí)相主要分布在7、9、10和11月。

2.5 隨機(jī)森林分類(lèi)器

隨機(jī)森林（Random Forest，RF）算法是一種采用多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的機(jī)器學(xué)習(xí)算法，最早由Breiman[30]提出。該方法對(duì)訓(xùn)練樣本和待選特征變量進(jìn)行雙重隨機(jī)采樣，可有效解決過(guò)擬合現(xiàn)象，并通過(guò)集成學(xué)習(xí)的思想構(gòu)建多棵決策樹(shù)，每顆決策樹(shù)在不做任何修剪的前提下最大限度地生長(zhǎng)，通過(guò)內(nèi)部評(píng)估在隨機(jī)森林生成過(guò)程中對(duì)誤差進(jìn)行無(wú)偏估計(jì)，最終預(yù)測(cè)結(jié)果和分類(lèi)結(jié)果由多棵樹(shù)預(yù)測(cè)值的均值和分類(lèi)器投票決定。

隨機(jī)森林法對(duì)于遙感影像分類(lèi)具有很好的抗噪聲性能[31]，在當(dāng)前分類(lèi)算法中，具有較高的分類(lèi)精度；處理具有高維特征的樣本集時(shí)，不需要做降維處理，便捷又高效；同時(shí)，隨機(jī)森林算法可以對(duì)大數(shù)據(jù)集進(jìn)行有效運(yùn)行，并能較好地評(píng)估各特征變量在分類(lèi)過(guò)程中的重要性，在數(shù)據(jù)挖掘和視覺(jué)學(xué)習(xí)領(lǐng)域具有廣泛的應(yīng)用前景[32]。

3 結(jié)果與分析

3.1 Jeffries-Matusita距離

Jeffries-Matusita（J-M）距離是基于條件概率論的地表光譜可分性判定指標(biāo)，作為研究不同波段組合對(duì)地物特征識(shí)別能力的重要參數(shù)，其實(shí)質(zhì)是計(jì)算不同地物間的概率密度之差[33]，公式如下

為定量化分析7種地物的可分性，本文利用Jeffries-Matusita算法計(jì)算了7種地物類(lèi)型的統(tǒng)計(jì)距離，表3列出釀酒葡萄與另外6種地物的Jeffries-Matusita距離。由表3可知，釀酒葡萄與裸地、建筑和水體等非植被類(lèi)型地物的可分性明顯高于3種植被類(lèi)地物；包含2種及2種以上特征組合的地物可分性高于單一特征的可分性，比如，與單一光譜特征組合相比，優(yōu)選特征組合中釀酒葡萄-耕地的可分性由1.57提高到1.99，釀酒葡萄-林地的可分性由1.40提高到1.97，這表明多源信息更有助于混合像元中釀酒葡萄樣本的準(zhǔn)確識(shí)別，但包含優(yōu)選特征組合在內(nèi)的5種多源特征組合之間可分性測(cè)度差異不大。

3.2 精度驗(yàn)證

通過(guò)實(shí)地調(diào)查研究和Google Earth高分辨率影像目視解譯選取驗(yàn)證樣本并采用混淆矩陣方法對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，分類(lèi)精度如表4所示。單一特征組合中，光譜特征和紋理特征各精度指標(biāo)在所有組合中均較低；多時(shí)相植被指數(shù)特征組合在總體精度、釀酒葡萄的制圖精度和用戶(hù)精度方面得到較大提升；多源特征中，優(yōu)選特征總體精度最高，達(dá)到94.15%，釀酒葡萄用戶(hù)精度為94.23%，制圖精度為92.59%；與分類(lèi)效果最差的紋理特征組合相比，優(yōu)選特征總體精度提高了19.62%，Kappa系數(shù)值增加了0.24，釀酒葡萄用戶(hù)精度提高了16.40%，制圖精度提高了28.65%；與包含光譜、紋理和植被指數(shù)在內(nèi)的交叉特征組合相比，優(yōu)選特征總體精度提高了2.85%，釀酒葡萄用戶(hù)精度和制圖精度分別提高了2.77%和2.24%，Kappa系數(shù)值增加了0.03。結(jié)合結(jié)果數(shù)據(jù)分析，得到以下幾個(gè)結(jié)論：優(yōu)選特征一定程度上減少了冗余信息的干擾，對(duì)有效信息的利用率增加，有利于提高分類(lèi)精度；多源遙感特征分類(lèi)效果優(yōu)于單一特征，多時(shí)相數(shù)據(jù)比單時(shí)相數(shù)據(jù)更適用于分類(lèi)。

表3 不同地物Jeffries-Matusita距離結(jié)果

表4 分類(lèi)精度統(tǒng)計(jì)

注：UA為用戶(hù)精度；PA為制圖精度，即生產(chǎn)者精度；OA為總體精度；Kappa為Kappa系數(shù)。

Note: UA is user’s accuracy, PA is mapping accuracy, that is, producer’s accuracy, OA is overall accuracy, Kappa is Kappa coefficient.

3.3 面積驗(yàn)證

本文選取實(shí)地調(diào)查的4個(gè)葡萄酒莊為驗(yàn)證區(qū)，酒莊位置及優(yōu)選特征分類(lèi)結(jié)果如圖6所示。

對(duì)各組合方案識(shí)別出的釀酒葡萄進(jìn)行面積統(tǒng)計(jì)，將統(tǒng)計(jì)結(jié)果與統(tǒng)計(jì)局（統(tǒng)計(jì)年鑒）提供的釀酒葡萄種植面積統(tǒng)計(jì)數(shù)據(jù)進(jìn)行比較，計(jì)算其相對(duì)精度。結(jié)果顯示各酒莊面積精度均在70%以上，其中，優(yōu)選特征面積精度在90%以上。

圖6 不同特征組合面積驗(yàn)證圖

本研究得到的永寧縣釀酒葡萄分布圖顯示，永寧縣的釀酒葡萄主要分布在西部地區(qū)，賀蘭山東麓分布最為密集；各特征組合中釀酒葡萄分布的細(xì)節(jié)信息差異較大，光譜、紋理和植被指數(shù)等單一特征組合中錯(cuò)分現(xiàn)象嚴(yán)重；相比于單一特征組合，多源特征分類(lèi)得到的景觀破碎度更低，地物間誤判面積小，整體識(shí)別準(zhǔn)確度較高。從目視解譯和數(shù)據(jù)對(duì)比角度觀察，優(yōu)選特征以及其他多源特征組合的釀酒葡萄識(shí)別效果更好。

4 討 論

本研究針對(duì)當(dāng)前農(nóng)作物遙感監(jiān)測(cè)中特征信息有效性弱、針對(duì)性不足以及特征單一等問(wèn)題，共設(shè)計(jì)了8組特征組合方案，包含單一特征組合、多源特征組合以及優(yōu)選特征組合，通過(guò)計(jì)算特征重要性得分，獲取最佳特征種類(lèi)和數(shù)目，從而實(shí)現(xiàn)釀酒葡萄的精準(zhǔn)識(shí)別，主要?jiǎng)?chuàng)新點(diǎn)在于：

首次在釀酒葡萄識(shí)別中引入GF-6衛(wèi)星紅邊波段和紅邊指數(shù)。傳統(tǒng)可見(jiàn)光波段和近紅外波段中，不同地物間光譜反射率相近，尤其釀酒葡萄、耕地、林地、草地等存在嚴(yán)重的“異物同譜”現(xiàn)象；而在2個(gè)紅邊波段中，“異物同譜”現(xiàn)象明顯減弱，釀酒葡萄、耕地、林地、草地等地物分類(lèi)精度得到提升，因此，可通過(guò)2個(gè)紅邊波段優(yōu)勢(shì)互補(bǔ)實(shí)現(xiàn)多地物復(fù)雜背景下釀酒葡萄的識(shí)別和提取。GF-6衛(wèi)星是中國(guó)首顆具有紅邊波段的衛(wèi)星，本文利用GF-6衛(wèi)星實(shí)現(xiàn)了對(duì)釀酒葡萄的精準(zhǔn)識(shí)別，可為農(nóng)業(yè)資源監(jiān)測(cè)、防災(zāi)減災(zāi)等精準(zhǔn)農(nóng)業(yè)的發(fā)展提供數(shù)據(jù)支撐，推動(dòng)國(guó)產(chǎn)衛(wèi)星在農(nóng)業(yè)領(lǐng)域的應(yīng)用，同時(shí)也為國(guó)產(chǎn)衛(wèi)星紅邊波段的性能改進(jìn)和提升提供參考。

利用隨機(jī)森林算法對(duì)多源特征集進(jìn)行優(yōu)選。通過(guò)隨機(jī)森林算法計(jì)算特征的分類(lèi)貢獻(xiàn)度，獲得特征重要性排名以及最佳特征數(shù)目，從而獲取最佳特征組合。最佳特征組合中包含4個(gè)光譜特征、11個(gè)植被指數(shù)特征和2個(gè)紋理特征，重要時(shí)相集中在7月、9月、10月和11月，原因在于此時(shí)釀酒葡萄與研究區(qū)內(nèi)其他作物如玉米、小麥等物候特征差異較大，易于識(shí)別。優(yōu)選特征組合與其余組合相比，分類(lèi)精度最高，釀酒葡萄、耕地、林地等易混淆地物的誤判面積顯著減小，且地塊破碎度低，更加符合實(shí)際情況。優(yōu)選特征既結(jié)合了多源特征信息豐富的優(yōu)勢(shì)，又避免了特征冗余，最大程度利用有效信息。

以賀蘭山東麓釀酒葡萄核心種植區(qū)永寧縣為研究區(qū)對(duì)釀酒葡萄進(jìn)行遙感識(shí)別，以點(diǎn)及面，為后續(xù)大尺度遙感監(jiān)測(cè)奠定基礎(chǔ)。釀酒葡萄種植業(yè)是賀蘭山東麓的支柱產(chǎn)業(yè)，對(duì)發(fā)展當(dāng)?shù)靥厣r(nóng)業(yè)及加強(qiáng)生態(tài)保護(hù)具有重要意義。本研究以核心區(qū)永寧縣為切入點(diǎn)提取釀酒葡萄空間分布信息，為今后賀蘭山東麓釀酒葡萄動(dòng)態(tài)大尺度監(jiān)測(cè)及管理提供了技術(shù)支撐和實(shí)踐基礎(chǔ)，具有重要的社會(huì)價(jià)值和生態(tài)價(jià)值。

以上是本文主要?jiǎng)?chuàng)新點(diǎn)，但與以往研究相比，還存在一些不足，比如本文植被指數(shù)特征采用時(shí)間序列，而光譜和紋理特征采用單時(shí)相數(shù)據(jù)，未深入研究特征變量時(shí)相不同帶來(lái)的影響；本文重點(diǎn)研究了釀酒葡萄的分類(lèi)情況，對(duì)于耕地、草地、林地等地物劃分不夠細(xì)致，易造成錯(cuò)分，應(yīng)對(duì)其進(jìn)行更詳細(xì)的劃分，比如耕地細(xì)分為玉米、小麥等，草地細(xì)分為草原、草甸等；國(guó)外對(duì)紅邊波段的研究多采用更高空間分辨率的Sentinel數(shù)據(jù)，對(duì)于釀酒葡萄而言，以地塊尺度的酒莊種植為主，更適合從高分辨率角度開(kāi)展研究。

5 結(jié) 論

本文基于GF-6遙感數(shù)據(jù)，以釀酒葡萄為主要研究對(duì)象，提取光譜特征、植被指數(shù)特征和紋理特征進(jìn)行特征組合，通過(guò)隨機(jī)森林算法對(duì)多源特征進(jìn)行優(yōu)選及分類(lèi)，得到以下結(jié)論：

特征優(yōu)選對(duì)合理配置資源、提高分類(lèi)精度具有重要意義。通過(guò)計(jì)算特征重要性得分，本研究對(duì)特征變量進(jìn)行降維，根據(jù)特征重要性得分在54個(gè)特征中選取17個(gè)有效特征。與引入全部特征相比，優(yōu)選特征組合的總體精度提高了2.85%，釀酒葡萄用戶(hù)精度和制圖精度分別提高了2.77%和2.24%。

GF-6衛(wèi)星紅邊波段的引入可以減弱“異物同譜”現(xiàn)象，提高釀酒葡萄與其他地物的光譜響應(yīng)差異。紅邊波段是綠色植被的敏感波段，在增大釀酒葡萄可分性和區(qū)分地物上優(yōu)于近紅外、綠光和藍(lán)光等可見(jiàn)光波段，2個(gè)紅邊波段特征重要性排名分別為第3和第6，在所有光譜特征中具有更高的重要性得分。

針對(duì)研究不足之處，未來(lái)將在以下幾個(gè)方面進(jìn)行深入探索：優(yōu)化分類(lèi)算法，嘗試其他機(jī)器學(xué)習(xí)算法并根據(jù)研究對(duì)象的特點(diǎn)對(duì)算法進(jìn)行優(yōu)化，實(shí)現(xiàn)大尺度遙感監(jiān)測(cè)；嘗試構(gòu)建完整的對(duì)比模型，將GF-6與高分系列衛(wèi)星的性能和效果進(jìn)行對(duì)比，從定性和定量?jī)煞矫嫔钊胩骄考t邊波段對(duì)農(nóng)作物識(shí)別的影響。

[1]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 with English abstract)

[2]趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(12)：277-293. Zhao Chunjiang. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 277-293. (in Chinese with English abstract)

[3]佘寶，黃敬峰，石晶晶，等. 基于紅邊位置變化特征的油菜種植區(qū)域提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(15)：145-152. She Bao, Huang Jingfeng, Shi Jingjing, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(15): 145-152. (in Chinese with English abstract)

[4]鄒紅玉，鄭紅平. 淺述植被“紅邊”效應(yīng)及其定量分析方法[J]. 遙感信息，2010(4)：112-116. Zou Hongyu, Zheng Hongping. The effect and method of quantitative analysis of ‘‘red edge’’of vegetation[J]. Remote Sensing Information, 2010(4): 112-116. (in Chinese with English abstract)

[5]蘇偉，侯寧，李琪，等. 基于Sentine1-2遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(1)：151-156. Su Wei, Hou Ning, Li Qi, et al. Retrieving leaf area index of corn or canopy Sentinel-2 Remote Sensing based on image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 151-156. (in Chinese with English abstract)

[6]黃敬峰，王淵，王福民，等. 油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2006，22(8)：22-26. Huang Jingfeng, Wang Yuan, Wang Fumin, et al. Red edge characteristics and leaf area index estimation model using hyperspectral data for rape[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(8): 22-26. (in Chinese with English abstract)

[7]Huang Wenjiang, Guan Qingsong, Luo Juhua, et al. New optimized spectral indices for identifying and monitoring winter wheat diseases[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2516-2524.

[8]劉佳，王利民，滕飛，等. RapidEye衛(wèi)星紅邊波段對(duì)農(nóng)作物面積提取精度的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(13)：140-148. Liu Jia, Wang Limin, Teng Fei, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 140-148. (in Chinese with English abstract)

[9]Adelabu S, Mutanga O, Adam E. Evaluating the impact of red-edge band from Rapideye image for classifying insect defoliation levels[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 95: 34-41.

[10]Tigges J, Lakes T, Hostert P. Urban vegetation classification: Benefits of multitemporal RapidEye satellite data[J]. Remote Sensing of Environment, 2013, 136: 66-75.

[11]Sertel E, Yay I. Vineyard parcel identification from Worldview-2 images using object-based classification model[J]. Journal of Applied Remote Sensing, 2014, 8: 1-17.

[12]Hughes G F. On the mean accuracy of statistical pattern recognizers[J]. IEEE Transactions on Information Theory, 1968, 14(1): 55-63.

[13]王娜，李強(qiáng)子，杜鑫，等. 單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識(shí)別[J]. 遙感學(xué)報(bào)，2017，21(4)：519-530. Wang Na, Li Qiangzi, Du Xin, et al. Identification of main crops based on the univariate feature selection in Subei[J]. Journal of Remote Sensing, 2017, 21(4): 519-530. (in Chinese with English abstract)

[14]王文靜，張霞，趙銀娣，等. 綜合多特征的Landsat 8時(shí)序遙感圖像棉花分類(lèi)方法[J]. 遙感學(xué)報(bào)，2017，21(1)：115-124. Wang Wenjing, Zhang Xia, Zhao Yindi, et al. Cotton extraction method of integrated multi-features based on multitemporal Landsat 8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115-124. (in Chinese with English abstract)

[15]程希萌，沈占鋒，邢廷炎，等. 基于mRMR特征優(yōu)選算法的多光譜遙感影像分類(lèi)效率精度分析[J]. 地球信息科學(xué)學(xué)報(bào)，2016，18(6)：815-823. Cheng Ximeng, Shen Zhanfeng, Xing Tingyan, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016, 18(6): 815-823. (in Chinese with English abstract)

[16]Atkinson J T, Ismail R, Robertson M. Mapping bugweed () infestations in pinus patula plantations using hyperspectral imagery and support vector machines[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 17-28.

[17]張磊，宮兆寧，王啟為，等. Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 遙感學(xué)報(bào)，2019，23(2)：313-326. Zhang Lei, Gong Zhaoning, Wang Qiwei, et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019, 23(2): 313-326. (in Chinese with English abstract)

[18]蒙莉娜，丁建麗，王敬哲，等. 基于環(huán)境變量的渭干河-庫(kù)車(chē)河綠洲土壤鹽分空間分布[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(1)：175-181. Meng Lina, Ding Jianli, Wang Jingzhe, et al. Spatial distribution of soil salinity in Ugan-Kuqa River delta oasis based on environmental variables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 175-181. (in Chinese with English abstract)

[19]韓穎娟，張磊，衛(wèi)建國(guó)，等. 寧夏釀酒葡萄生育期氣象條件及管理措施綜述[J]. 中國(guó)農(nóng)業(yè)氣象，2011，32(增刊)：108-112. Han Yingjuan, Zhang Lei, Wei Jianguo, et al. Review on research of meteorological conditions and managing measure for wine grape growth in Ningxia[J]. Chinese Journal of Agrometeorology, 2011, 32(Suppl. ): 108-112. (in Chinese with English abstract)

[20]鄭利娟. 基于高分一/六號(hào)衛(wèi)星影像特征的農(nóng)作物分類(lèi)研究[D]. 北京：中國(guó)科學(xué)院大學(xué)，2017. Zheng Lijuan. Crop Classification Using Multi-features of Chinese Gaofen-1/6 Satellite Remote Sensing Images[D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese with English abstract)

[21]Zhong Liheng, Hu Lina, Zhou Hang. Deep learning based multi-temporal crop classification[J]. Remote Sensing of Environment, 2019, 221: 430-443.

[22]王福民，黃敬峰，王秀珍，等. 波段位置和寬度對(duì)不同生育期水稻NDVI影響研究[J]. 遙感學(xué)報(bào)，2008，12(4)：626-632. Wang Fumin, Huang Jingfeng, Wang Xiuzhen, et al. Effects of band position and band width on NDVI measurements of rice at different growth stages[J]. Journal of Remote Sensing, 2008, 12(4):626-632. (in Chinese with English abstract)

[23]Bolton D K, Friedl M A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics[J]. Agricultural and Forest Meteorology, 2013, 173: 74-84.

[24]張晶，占玉林，李如仁. 高分一號(hào)歸一化植被指數(shù)時(shí)間序列用于冬小麥識(shí)別[J]. 遙感信息，2017，32(1)：50-56. Zhang Jing, Zhan Yulin, Li Ruren. Application of GF-1 NDVI time series in winter wheat identification[J]. Remote Sensing Information, 2017, 32(1): 50-56. (in Chinese with English abstract)

[25]Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286-292.

[26]Tucker Compton J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127-150.

[27]Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[28]Kim H O, Yeom J M. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data[J]. International Journal of Remote Sensing, 2014, 35(19): 7046-7068.

[29]劉明，李忠任，張海濤，等. 基于二分搜索結(jié)合修剪隨機(jī)森林的特征選擇算法在近紅外光譜分類(lèi)中的應(yīng)用[J]. 激光與光電子學(xué)進(jìn)展，2017，54(10)：455-462. Liu Ming, Li Zhongren, Zhang Haitao, et al. Feature selection algorithm application in near-infrared spectroscopy classification based on binary search combined with random forest pruning[J]. Laser & Optoelectronics Progress, 2017, 54(10): 455-462. (in Chinese with English abstract)

[30]Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[31]王利民，劉佳，楊玲波，等. 隨機(jī)森林方法在玉米-大豆精細(xì)識(shí)別中的應(yīng)用[J]. 作物學(xué)報(bào)，2018，44(4)：569-580. Wang Limin, Liu Jia, Yang Lingbo, et al. Application of random forest method in maize-soybean accurate identification[J]. Acta Agronomica Sinica, 2018, 44(4): 569-580. (in Chinese with English abstract)

[32]Yang Lingbo, Mansaray Lamin, Huang Jingfeng, et al. Optimal segmentation scale parameter, feature subset and classification algorithm for geographic object-based crop recognition using multisource satellite imagery[J]. Remote Sensing, 2019, 11(5): 1-23.

[33]李靜，楊敏華，吳孔江. 基于波段選擇的高光譜遙感影像分類(lèi)[J]. 測(cè)繪信息與工程，2012，37(2)：41-44. Li Jing, Yang Minhua, Wu Kongjiang. Band selection based hyperspectral remote sensing image classification[J]. Journal of Geomatics, 2012, 37(2): 41-44. (in Chinese with English abstract)

Accurate recognition of wine grapes using multi-feature optimization based on GF-6 satellite images

Li Wenjie1,2, Guo Xiaolei3, Yang Lingbo1,2, Yan Ming3, Zou Chenxi4, Fang Yahua4, Sun Han5, Huang Jingfeng1,2※

(1.,,310058,;2.,,310058,; 3.,750000,; 4.,100086,; 5.,010051,)

Multi-source remote sensing information and feature optimization have become important supports to improve the accuracy of crop recognition. As the first Chinese satellite to introduce red-edge bands, the rich spectral information of GF-6 satellite provides new ideas for crop recognition. However, the use of crop features is confine to one single source, and previous studies on cash crop is relatively lacking. In this study, an available recognition method was proposed for the wine grape on multi-features using GF-6 satellite images. This paper first introduced the red-edge bands of GF-6 to the multi-source features in the study of accurate recognition for wine grape. Based on the GF-6 satellite data from June 2018 to March 2019 of Yongning County, Yinchuan City, Ningxia Hui Autonomous Region, two red-edge bands were selected to extract the spectral, texture, and temporal vegetation index features, including Normalized Difference Red-Edge Index (NDRE), Normalized Difference Vegetation Index (NDVI), and Enhanced Vegetation Index (EVI). A Random Forest algorithm with Gini index was used to choose the optimal number of features according to the measured importance scores, thereby to construct the optimal feature combination. Seven types samples of ground objects were selected to accurately recognize wine grape. Seven combinations of comparative features were designed, including three single-source and four multi-source feature combinations. Training samples and verification samples were obtained by the field investigation and visual interpretation with the Google Earth. The results showed that, compared with single-source features, the multi-source remote sensing features significantly improved the recognition effect of wine grape, where the vegetation index features contributed the most, then followed by the spectral and texture features. The accuracy of user and producer for the wine grape were 94.23% and 92.59%, respectively, the overall classification accuracy was 94.15%, and the Kappa coefficient was 0.93 in the optimal feature combination. Compared with spectral feature combination, the Jeffries-Matusita distance between wine grape-farmland and wine grape-woodland were improved from 1.57 to 1.99 and 1.40 to 1.97 respectively in the optimal feature combination.. Compared with the combination 7, which includes all fifty-four features, the overall accuracy was improved by 2.85% in the optimal feature combination with only seventeen features. Taking four wine chateaus by field survey as the verification area, the results of wine grape extraction were compared with the statistical data, where the relative area accuracy of eight feature combinations were all above 70%, and that of the optimal feature combination was above 90%. Compared with other seven feature combinations, the optimal feature combination improved the separable measure of different ground objects and reduced field fragment, indicating more conformable with actual situation. In addition, the operation time of classification model was shortened, and the reasonable allocation of resources was realized by feature optimization. The successful launch of GF-6 enriched the existing satellite data sources, including red-edge bands, (such as RapidEye of Germany and Sentinel-2 of Europe). The findings can contribute to the large-scale remote sensing monitoring of wine grape and popularize the application of red-edge bands of Chinese satellite in agriculture, and also provide a sound reference to improve the performance of red-edge bands of Chinese satellite.

remote sensing; image processing; GF-6 satellite; wine grape; feature optimization; Random Forest; red-edge band; accurate recognition

李文杰，郭曉雷，楊玲波，等. 基于GF-6衛(wèi)星影像多特征優(yōu)選的釀酒葡萄精準(zhǔn)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(18)：165-173.doi：10.11975/j.issn.1002-6819.2020.18.020 http://www.tcsae.org

Li Wenjie, Guo Xiaolei, Yang Lingbo, et al. Accurate recognition of wine grapes using multi-feature optimization based on GF-6 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(18): 165-173. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.18.020 http://www.tcsae.org

2020-06-02

2020-08-27

國(guó)家科技重大專(zhuān)項(xiàng)：高分辨率對(duì)地觀測(cè)系統(tǒng)重大專(zhuān)項(xiàng)（09-Y20A05-9001-17/18）；銀川市科技計(jì)劃項(xiàng)目（2018-ZY-18017）

李文杰，主要從事衛(wèi)星圖像處理與農(nóng)業(yè)遙感方面的研究。Email：liwenjie@ zju.edu.cn

黃敬峰，博士，教授，主要從事農(nóng)業(yè)遙感與信息技術(shù)方面的研究。Email：hjf@zju.edu.cn

10.11975/j.issn.1002-6819.2020.18.020

TP79；S127

A

1002-6819(2020)-18-0165-09