呂偉 宋軒 楊歡

摘要：玉米作為我國主要糧食作物之一，及時準確監(jiān)測其種植范圍及面積對農業(yè)產(chǎn)能評估、保障糧食安全具有重要意義。以華北平原典型農業(yè)區(qū)——原陽縣為例，基于歐空局Sentinel-1 SAR和Sentinel-2 MSI遙感影像數(shù)據(jù)，在谷歌地球引擎云平臺的支持下通過提取雷達后向散射系數(shù)時序曲線以及歸一化植被指數(shù)（NDVI）時序曲線，搭建卷積神經(jīng)網(wǎng)絡（CNN）模型，并將時序數(shù)據(jù)輸入模型得到典型地物分類結果，提取了研究區(qū)玉米種植區(qū)域，利用野外調查數(shù)據(jù)進行精度驗證，并與隨機森林分類對種植區(qū)的提取結果進行對比。結果表明，基于光學和SAR融合遙感影像數(shù)據(jù)的識別效果最佳，總體精度達到93.33%，κ系數(shù)為0.911；與隨機森林分類法相比，卷積神經(jīng)網(wǎng)絡分類的總體精度更高，分類效果更好。因此，采用卷積神經(jīng)網(wǎng)絡以及多源遙感數(shù)據(jù)的融合能夠實現(xiàn)玉米種植面積的準確監(jiān)測。

關鍵詞：深度學習；多源遙感；融合數(shù)據(jù)；卷積神經(jīng)網(wǎng)絡；種植識別；時序數(shù)據(jù)；玉米

中圖分類號：TP79；S127? 文獻標志碼：A

文章編號：1002-1302（2023）23-0171-07

玉米作為我國主要糧食作物之一，及時準確監(jiān)測玉米的種植面積對掌握玉米產(chǎn)量、保障糧食安全以及經(jīng)濟和環(huán)境的可持續(xù)發(fā)展有至關重要的意義［1］。傳統(tǒng)玉米種植面積監(jiān)測主要通過問卷調查和實地訪談統(tǒng)計信息并逐層上報，需要大量的人力物力［2］，且耗時較長［3］。遙感分類法是基于1幅或多幅玉米種植影像進行面積提取的方法［4］，衛(wèi)星遙感技術以其覆蓋面大、重訪周期短、多時空分辨率等優(yōu)勢，在植被面積監(jiān)測方面取得了巨大成就［5］。遙感分類法主要包括2種，一種選取作物光譜特征差異明顯的1期影像來實現(xiàn)分類，另一種是基于多期遙感影像，提取作物生育期內光譜變化的時序特征進行面積提取。后者精度更高，是目前作物精細分類的主要方式［6］，但是需要人工預處理并提取相關特征［7］，數(shù)據(jù)重建工作復雜，不利于快速與自動化分類作物。近年來，深度學習作為機器學習和數(shù)據(jù)挖掘領域的突破性技術，廣泛應用于圖像分類、目標識別等領域。深度學習在特征表示方面具有特有的靈活性，基于原始輸入數(shù)據(jù)和輸入標簽，使用卷積運算自動提取特征，實現(xiàn)模型端到端訓練，不需要專家先驗知識即可實現(xiàn)高精度、自動化分類［8］。Kussul等基于多源多時序遙感數(shù)據(jù)對比分析后認為，卷積神經(jīng)網(wǎng)絡（CNNs）要優(yōu)于隨機森林方法，各種作物的目標分類精度均在85%以上［9］。Garnot等使用CNN、RNN、R-CNN對時序哨兵二號數(shù)據(jù)進行分類，發(fā)現(xiàn)所有深度學習模型均優(yōu)于隨機森林模型，突出了深度學習模型在農業(yè)地塊分類方面的潛力［10］。目前國內外作物面積提取主要采用多光譜遙感影像，但是夏季作物生長關鍵期云雨天氣頻繁［11］，難以獲得有效的多時相遙感數(shù)據(jù)［12］。相比之下，合成孔徑雷達能穿透云、霧，不受天氣影響，但雷達影像中存在很大的散斑噪聲［13］和幾何形變現(xiàn)象（如透視收縮、疊掩和陰影等）［14］，會影響地物識別的精度。如何將多光譜和雷達圖像進行融合，從而提高作物種植面積提取精度顯得尤為重要。因此，本研究以華北平原典型玉米種植區(qū)的識別為例，基于Sentinel-1 SAR和Sentinel-2 MSI融合的時間序列遙感數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡算法（CNN），評估CNN在時間序列分類任務中的適用性，探索光學和雷達遙感融合數(shù)據(jù)在作物種植類型識別中的優(yōu)勢。

1 研究區(qū)域和數(shù)據(jù)處理

1.1 研究區(qū)域概況

研究區(qū)選擇河南省新鄉(xiāng)市原陽縣，該縣地處豫北平原，南臨黃河，位于34.55°～35.11°N、113.36°～114.15°E，東接封丘縣，西鄰武陟縣、獲嘉縣，背靠新鄉(xiāng)縣、延津縣，南與鄭州市隔河相望，總面積1 022 km2。地貌屬沖積平原，地勢西南高、東北低。溫帶大陸性季風氣候，年均氣溫約為14.3 ℃，平均降水量為556? mm，全年無霜期227 d。

原陽縣農業(yè)發(fā)達，是華北平原主要農作物種植區(qū)之一，以1年2熟的作物輪作模式為主，玉米為夏季主要作物之一，一般于6月中上旬播種，8月進入生長旺盛期，10月中下旬收獲，生育期為每年的6—10月（圖1）。

1.2 數(shù)據(jù)來源及預處理

1.2.1 遙感影像數(shù)據(jù)

選取哨兵一號雷達影像（Sentinel-1 SAR ）和哨兵二號多光譜影像（Sentinel-2 MSI），數(shù)據(jù)訪問、處理及模型構建通過谷歌地球引擎（Google Earth Engine，GEE）云平臺進行。哨兵系列影像具有重訪周期短、空間分辨率高、影像覆蓋范圍大、數(shù)據(jù)免費等優(yōu)點，是現(xiàn)今較有優(yōu)勢的一種對地觀測數(shù)據(jù)。

1.2.1.1 Sentinel-1 SAR GRD數(shù)據(jù)

該數(shù)據(jù)通過GEE云平臺獲取，采用干涉測量寬幅模式（interferometric wide swath，IW）下的VH （垂直發(fā)射水平接收）極化方式和VV（垂直發(fā)射垂直接收）極化方式，利用Sentinel-1 Toolbox （S1TBX）工具進行預處理，包括熱噪聲去除、輻射定標、地形校正等，空間分辨率為 10 m，重訪周期為12 d。

1.2.1.2 Sentinel-2 MSI數(shù)據(jù)

Sentinel-2 MSI采用Level-1C產(chǎn)品，共13個波段，其中分辨率為10 m的波段有4個，分辨率為20 m的有6個，分辨率為60 m的有3個，光譜覆蓋范圍從可見光到近紅外、短波紅外波段［15］，時間分辨率 5 d，其自帶質量評估（QA）波段識別云像元。本研究通過GEE云平臺篩選出作物生長期云量少于25%的8幅影像。

1.2.2 野外數(shù)據(jù)

為準確獲取樣本信息，2020年7月利用GPS采集作物分布信息，同時利用Sentinel-1/2 數(shù)據(jù)選取其他地物典型像元作為樣本，并將所選樣本導入 Google Earth，調用同年份高分辨率影像，檢查樣本正確性。最終獲得的樣本信息見表1。以6 ∶[KG-*3]2 ∶[KG-*3]2的比例從中選擇720個樣本進行訓練，240個樣本用于驗證分類精度，240個樣本用于測試模型準確性。

2 研究方法和技術路線

2.1 技術路線

本研究技術路線見圖2。第一，數(shù)據(jù)集的構建，利用GEE云計算平臺對Sentinel-1/2數(shù)據(jù)進行預處理，并根據(jù)樣本坐標點信息提取各種地物類型的不同遙感數(shù)據(jù)作物生長期時序曲線。第二，對各類時序數(shù)據(jù)進行組合，在GEE云平臺上基于不同組合數(shù)據(jù)集構建單變量或多變量卷積神經(jīng)網(wǎng)絡，對數(shù)據(jù)進行作物分類，對比試驗采用隨機森林方法。第三，分析測試數(shù)據(jù)的分類結果，得到作物分類識別的最優(yōu)數(shù)據(jù)組合。

2.2 時間序列NDVI/后向散射曲線提取

2.2.1 GEE提取時序數(shù)據(jù)

歸一化植被指數(shù)（normalized difference vegetation index，NDVI）能較好地反映植被綠度變化，是植被生長狀態(tài)及植被覆蓋度的最佳指示因子［16］，其結果在［-1，1］之間。計算公式為

NDVI=（ρNIR-ρR）/（ρNIR+ρR）。（1）

式中：NDVI表示歸一化植被指數(shù)；ρNIR表示近紅外波段反射率；ρR表示紅外波段反射率。

將樣本坐標點處理成shp文件，上傳至GEE云平臺顯示標注地圖，提取每一地物樣本數(shù)據(jù)集（以實地考察樣點為主）相應的時序數(shù)據(jù)。并通過光學影像質量標識剔除因云雨天氣導致質量不高的數(shù)據(jù)［17］，最終得到相應的NDVI、VV后向散射系數(shù)、VH后向散射系數(shù)時序數(shù)據(jù)。

對不同時序數(shù)據(jù)進行組合，共產(chǎn)生5組數(shù)據(jù)集：NDVI數(shù)據(jù)、交叉極化數(shù)據(jù)（VH數(shù)據(jù)）、單一極化數(shù)據(jù)（VV數(shù)據(jù)）、融合2類極化數(shù)據(jù)（VH+VV數(shù)據(jù)）、融合2類影像提取的NDVI和極化數(shù)據(jù)得到的融合數(shù)據(jù)（NDVI+VV+VH）。

2.2.2 Savitzky-Golay濾波平滑

由于云、氣溶膠、太陽高度角等因素，原始遙感數(shù)據(jù)集存在很多噪聲，在此情況下提取的時序曲線，波動性較大，不具有代表性。因此，需要對時間序列進行去噪處理。Savitzky-Golay（S-G）濾波被廣泛應用于數(shù)據(jù)流平滑去噪，可以在消除噪聲的同時確保信號的形狀、寬度不變，是遙感植被指數(shù)時間序列的主要濾波方法。它是一種時域低通濾波法，通過局部多項式回歸模型平滑時序數(shù)據(jù)，是移動窗口的加權平均算法，通過將給定高階多項式的最小二乘法在滑動窗口內擬合得到加權系數(shù)?；舅枷胧牵夯诙囗検皆跒V波窗口內利用最小二乘法對數(shù)據(jù)進行擬合［18］。

式中：Y表示原始數(shù)值；Y′表示擬合值；Ci表示第i個點的權重；N=2n+1表示濾波窗口的大小。

進行數(shù)據(jù)清洗后，將每類地物所有樣本的時序數(shù)據(jù)在同一時間上分別求平均，通過 S-G 濾波器對平均時序數(shù)據(jù)進行濾波處理，得到較平滑的時序曲線［19］。為得到較好的平滑結果，經(jīng)多次試驗后，濾波核左右各選取5點，設平滑多項式次數(shù)為 2，最終的標準時序曲線分別見圖3、圖4、圖5。

2.3 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（CNN）是深度學習方法中最成功的網(wǎng)絡架構之一，是建立在傳統(tǒng)人工神經(jīng)網(wǎng)絡上的一種深度學習算法，也是第1個成功訓練多層網(wǎng)絡的算法［20］。CNN具有局部連接、權值共享和池化層降采樣的特點，與傳統(tǒng)神經(jīng)網(wǎng)絡相比，可以減少參數(shù)量、降低模型復雜度，并賦予模型對平移和形變的容忍性［21］。卷積層通過計算卷積核與覆蓋區(qū)域信號值的點擊來確定神經(jīng)元的輸出。

CNN一般由用于分層提取特征的卷積濾波層和用于計算輸出值的全連接層2個部分組成。網(wǎng)絡層數(shù)的選擇、卷積核的數(shù)量和大小、激活函數(shù)等，在CNN結構設計中尤為重要。經(jīng)多次調參嘗試，本研究選擇4層Conv1D來提取特征值，每2層Conv1D后添加1層MaxPooling1D保留主要特征，減少計算量。每層卷積層使用修正線性單元ReLU函數(shù)作為激活函數(shù)來提高神經(jīng)網(wǎng)絡對模型的表達能力。池化層被固定為最大池化層，窗口大小為2。后面接1個全連接層、1個Dropout層、1個Dense層進行Softmax分類。模型訓練選擇Adam優(yōu)化器，損失函數(shù)采用交叉熵損失函數(shù)（CEloss），公式如下［22］。

式中：N表示每批訓練樣本的數(shù)量；C表示所有類別的集合；I（n）c表示當前批次第n個樣本獨熱標簽類；P（n）c表示模型預測樣本n為c類的概率，ln P（n）c用來表示懲罰模型對錯誤分類的樣本的預測。

Dropout是一種正則化技術，通過隨機失活一些神經(jīng)元，防止數(shù)據(jù)集較小時容易造成過擬合［23-24］，以提高神經(jīng)網(wǎng)絡的性能，設置為0.5。全連接層經(jīng)過Dropout層后，輸入Softmax層，最終輸出4種類別的概率結果。經(jīng)過濾波處理的5組不同特征組合的時序數(shù)據(jù)集均輸入該模型，模型架構見圖6。

2.4 精度評價指標

構建混淆矩陣時選取用戶精度（user accuracy，UA）、生產(chǎn)者精度（producer accuracy，PA）、總體精度（overall accuracy，OA）、κ系數(shù)、F1分數(shù)（F1-score，

別稱平衡F分數(shù)）5個評價指標。其中，OA用于描述驗證樣本與分類結果一致的概率；PA表示地面的某類別被正確分類的概率；UA表示正確分類某類別的概率，主要用來評價分類結果的可信度；F1分數(shù)指標為綜合考慮PA和UA的調和值［24］；κ系數(shù)用于描述混淆矩陣的一致性，表征分類結果的可信度，當κ>80%時，表示分類精度最高；當 40%<κ<80%時，表示分類精度中等；當κ<40%時，表示分類精度最差［25］。

3 結果與分析

整體而言，采用1D-CNN分類方法的各種組合數(shù)據(jù)集均獲得較好的分類效果，總體分類精度均高于85%，κ系數(shù)高于80%，所有試驗結果中，NDVI數(shù)據(jù)與SAR極化數(shù)據(jù)融合分類效果最好。分類結果分別見表2、表3。隨機森林分類效果較差，其總體分類精度及κ系數(shù)結果見表3。

3.1 基于時序NDVI數(shù)據(jù)的典型地物分類

由表3可知，基于時序NDVI數(shù)據(jù)的典型地物分類總精度為92.08%，κ系數(shù)為0.894，高于SAR極化數(shù)據(jù)分類精度。從單個類別的分類效果看，采用NDVI數(shù)據(jù)分類在水稻、玉米、建筑等3類地物的提取中有較好的分類效果，僅低于NDVI數(shù)據(jù)和極化數(shù)據(jù)融合的分類效果，其中玉米提取的F1分數(shù)為87.3%，但在水體提取上效果最差。

3.2 基于時序SAR后向散射數(shù)據(jù)的典型地物分類

首先比較2種極化方式分類結果，發(fā)現(xiàn)VV極化數(shù)據(jù)分類效果最差，基于時序VV極化數(shù)據(jù)的識別總精度為86.25%，κ系數(shù)0.817；VH極化數(shù)據(jù)分類效果較好，優(yōu)于VV極化效果，識別總精度為89.17%， κ系數(shù)0.856； 與單一VH極化數(shù)據(jù)相比，VH+VV的組合數(shù)據(jù)分類效果更好，總精度為91.21%，κ系數(shù)為0.883，相比于單獨利用VH或VV極化數(shù)據(jù)，VH+VV的組合分類總精度分別提高4.96、2.04百分點，κ系數(shù)分別提高0.066、0.027。從單個類別的分類效果來看，后向散射系數(shù)對水體的分類效果較好，因為水體與其他地物后向散射系數(shù)差異明顯，單獨使用VV極化數(shù)據(jù)和單獨使用VH極化數(shù)據(jù)，對水體分類的F1分數(shù)均能達到99%以上，但是對玉米這類旱地作物分類效果較差，尤其是VV極化數(shù)據(jù)，對玉米分類的F1分數(shù)僅能達到76.34%，但VH極化數(shù)據(jù)對玉米分類的F1分數(shù)能達到86.21%，說明在提取玉米面積時，雷達圖像具有可分性。

3.3 基于融合時序NDVI和SAR后向散射數(shù)據(jù)的典型地物分類

由表3可知，融合數(shù)據(jù)分類總精度為93.33%，κ系數(shù)為0.911。相比NDVI數(shù)據(jù)總精度提高1.25百分點，κ系數(shù)提高約0.017；相對于單一極化數(shù)據(jù)，融合數(shù)據(jù)總精度分別提高7.08、4.86百分點，κ系數(shù)分別提高0.094、0.055；相對于VV+VH組合數(shù)據(jù)，融合數(shù)據(jù)總精度提高了2.12百分點，κ系數(shù)提高0.028。融合數(shù)據(jù)的玉米提取的F1分數(shù)為88.71%，較其他數(shù)據(jù)方案均有明顯提升。綜上，融合2類遙感影像提取出的數(shù)據(jù)用于作物分類效果更佳，對玉米提取精度的提高有明顯效果。

3.4 CNN在玉米面積提取中的表現(xiàn)

整體而言，利用CNN對5類組合數(shù)據(jù)進行地物分類，均得到較好的分類效果，總體分類精度均高于85%，高于隨機森林分類方法，κ系數(shù)均高于80%，說明使用卷積神經(jīng)網(wǎng)絡能夠有效地應用于典型地物識別。各數(shù)據(jù)組合方案中，除單一VV極化數(shù)據(jù)外，玉米提取F1分數(shù)均在85%以上，說明卷積神經(jīng)網(wǎng)絡能有效區(qū)分玉米，能達到玉米識別精度要求。不同數(shù)據(jù)集整體分類結果較接近，但NDVI數(shù)據(jù)分類結果有一定的錯分現(xiàn)象，含有后向散射系數(shù)數(shù)據(jù)的分類結果椒鹽現(xiàn)象較明顯，這是因為雷達影像存在斑點噪聲，單個像元受噪聲影響較大，影響了時序曲線的構建。結合NDVI時序數(shù)據(jù)以及后向散射系數(shù)數(shù)據(jù)的分類精度更高，椒鹽現(xiàn)象及錯分現(xiàn)象都得到明顯改善，減少了將建筑錯分為玉米的現(xiàn)象，有利于玉米的遙感提取與制圖。

3.5 玉米面積提取

綜上，本研究采用卷積神經(jīng)網(wǎng)絡和多源遙感時序數(shù)據(jù)，獲取原陽縣的玉米種植面積及分布（圖7），可見玉米為原陽縣主要夏季農作物，主要分布于除太平鎮(zhèn)和葛埠口鄉(xiāng)以外的大部分地區(qū)?！?021年新鄉(xiāng)統(tǒng)計年鑒》記錄原陽縣2020年的玉米種植面積為477.2 km2，分類結果中玉米種植面積為 446.1 km2，提取玉米面積與統(tǒng)計數(shù)據(jù)的一致性為93.5%。

4 結論與討論

4.1 結論

本研究基于Sentinel-1/2數(shù)據(jù)，采用5種組合數(shù)據(jù)方案，結合GEE云平臺以及1D CNN分類器，以華北平原典型農作物種植區(qū)為例，通過多光譜和雷達影像的數(shù)據(jù)融合，基于深度學習對玉米種植面積進行識別與提取，主要結論如下：（1）不同數(shù)據(jù)組合方式對分類識別結果存在差異，融合數(shù)據(jù)效果最好，總精度為93.33%，κ系數(shù)為0.911。SAR極化數(shù)據(jù)識別總精度均在85%以上，VV+VH的組合識別總精度最高，為91.21%，κ系數(shù)為0.883；NDVI數(shù)據(jù)分類精度高于SAR極化數(shù)據(jù)，總精度為92.08%，κ系數(shù)為0.894。（2）針對玉米提取，除VV極化數(shù)據(jù)效果較差，另外4種方案的F1分數(shù)均能達到85%以上。（3）采用卷積神經(jīng)網(wǎng)絡，總體精度均在85%以上，κ系數(shù)均在0.8以上，分類效果均高于隨機森林的分類效果。

4.2 討論

本研究充分利用GEE云平臺強大的計算能力，通過建立研究區(qū)遙感地物分類模型，分析采用CNN算法使用Sentinel-1/2數(shù)據(jù)對華北平原玉米種植面積進行提取的效果。從方法上看，采用卷積神經(jīng)網(wǎng)絡，使用光學遙感數(shù)據(jù)或SAR后向散射系數(shù)數(shù)據(jù)，均能有效提取玉米種植面積，相較于隨機森林算法而言，卷積神經(jīng)網(wǎng)絡能更好地提取作物時序信息，5種數(shù)據(jù)組合分類效果均高于隨機森林的分類效果，總體分類精度均高于85%，κ系數(shù)均高于80%，說明使用卷積神經(jīng)網(wǎng)絡能夠有效地應用于典型地物識別。玉米提取的F1分數(shù)除采用VV數(shù)據(jù)的分類方式外，均能達到85%以上，說明卷積神經(jīng)網(wǎng)絡能有效提取玉米種植面積，滿足精細農業(yè)種植面積提取的需求，證明卷積神經(jīng)網(wǎng)絡在作物分類等應用中具有巨大的潛力。從數(shù)據(jù)上看，光學遙感數(shù)據(jù)分類效果比SAR后向散射系數(shù)數(shù)據(jù)分類效果更好。光學遙感數(shù)據(jù)對作物提取更有效，水體的后向散射系數(shù)與其他地物后向散射系數(shù)差異明顯，故雷達影像數(shù)據(jù)對水體的提取效果更好。另外，在光學數(shù)據(jù)缺失的情況下，采用雷達后向散射時序數(shù)據(jù)也能達到較好的識別精度，對玉米的提取效果滿足精細農業(yè)種植面積提取的需求，說明雷達影像在玉米面積提取上具備可分性。融合數(shù)據(jù)分類精度較單一數(shù)據(jù)分類精度更高，NDVI數(shù)據(jù)分類結果有一定的錯分現(xiàn)象，含有后向散射系數(shù)數(shù)據(jù)的分類結果椒鹽現(xiàn)象較明顯，這是因為雷達影像存在斑點噪聲，單個像元受噪聲影響較大，會影響時序曲線的構建。但是，SAR數(shù)據(jù)的地物后向散射特征不同于光學影像，其穿透性不僅能獲取植被的表面信息，對植被的莖、枝、葉等信息也有一定的反應，結合光學影像的光譜特性，能增加作物種植區(qū)的識別精度。結合NDVI時序數(shù)據(jù)以及后向散射系數(shù)數(shù)據(jù)椒鹽現(xiàn)象及錯分現(xiàn)象都得到明顯的改善，降低將建筑錯分為玉米的現(xiàn)象，有利于玉米的遙感提取與制圖。綜上，數(shù)據(jù)融合在一定程度上可以提高作物可分性，對提高作物分類精度有一定的效果。

參考文獻：

［1］李 俐，孔慶玲，王鵬新，等. 基于時間序列Sentinel-1A數(shù)據(jù)的玉米種植面積監(jiān)測研究［J］. 資源科學，2018，40（8）：1608-1621.

［2］Sonobe R，Yamaya Y，Tani H，et al. Assessing the suitability of data from Sentinel-1A and 2A for crop classification［J］. GIScience & Remote Sensing，2017，54（6）：918-938.

［4］潘 力，夏浩銘，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物種植面積制圖［J］. 農業(yè)工程學報，2021，37（18）：211-218.

［4］魏鵬飛，徐新剛，楊貴軍，等. 基于多時相影像植被指數(shù)變化特征的作物遙感分類［J］. 中國農業(yè)科技導報，2019，21（2）：54-61.

［5］黃啟廳，曾志康，謝國雪，等. 基于高時空分辨率遙感數(shù)據(jù)協(xié)同的作物種植結構調查［J］. 南方農業(yè)學報，2017，48（3）：552-560.

［6］羅 明，陸 洲，徐飛飛，等. 基于快速設定決策閾值的大范圍作物種植分布的遙感監(jiān)測研究［J］. 中國農業(yè)資源與區(qū)劃，2019，40（6）：27-33.

［7］王庚澤，靳海亮，顧曉鶴，等. 基于改進分離閾值特征優(yōu)選的秋季作物遙感分類［J］. 農業(yè)機械學報，2021，52（2）：199-210.

［8］Zou Q，Ni L H，Zhang T，et al. Deep learning based feature selection for remote sensing scene classification［J］. IEEE Geoscience and Remote Sensing Letters，2015，12（11）：2321-2325.

［9］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.

［10］Garnot V S F，Landrieu L，Giordano S，et al. Time-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series［C］//2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama，2019：6247-6250.

［11］朱鳳敏，吳 迪，楊佳琪. 基于Sentinel-1B SAR數(shù)據(jù)的農作物分類方法研究［J］. 測繪與空間地理信息，2020，43（5）：105-108.

［12］謝新喬，楊繼周，鄧邵文，等. 多時相Sentinel-1影像反演玉溪典型煙區(qū)烤煙種植分布的方法［J］. 農業(yè)資源與環(huán)境學報，2023，40（1）：188-195.

［13］Ndikumana E，Minh D H T，Baghdadi N，et al. Deep recurrent neural network for agricultural classification using multitemporal SAR sentinel-1 for Camargue，F(xiàn)rance［J］. Remote Sensing，2018，10（8）：1217.

［14］郭 交，朱 琳，靳 標. 基于Sentinel-1和Sentinel-2數(shù)據(jù)融合的農作物分類［J］. 農業(yè)機械學報，2018，49（4）：192-198. [HJ2mm]

［15］成科揚，榮 蘭，蔣森林，等. 基于深度學習的遙感圖像超分辨率重建方法綜述［J］. 鄭州大學學報（工學版），2022，43（5）：8-16.

［16］姜伊蘭，陳保旺，黃玉芳，等. 基于Google Earth Engine和NDVI時序差異指數(shù)的作物種植區(qū)提?。跩］. 地球信息科學學報，2021，23（5）：938-947.

［17］張 淼，吳炳方，于名召，等. 未種植耕地動態(tài)變化遙感識別——以阿根廷為例［J］. 遙感學報，2015，19（4）：550-559.

［18］楊澤航，王 文，鮑健雄. 融合多源遙感數(shù)據(jù)的黑河中游地區(qū)生長季早期作物識別［J］. 地球信息科學學報，2022，24（5）：996-1008.

［19］陳思寧，趙艷霞，申雙和. 基于波譜分析技術的遙感作物分類方法［J］. 農業(yè)工程學報，2012，28（5）：154-160.

［20］趙子娟，劉 東，杭中橋. 作物遙感識別方法研究現(xiàn)狀及展望［J］. 江蘇農業(yè)科學，2019，47（16）：45-51.

［21］羅榮輝，袁 航，鐘發(fā)海，等. 基于卷積神經(jīng)網(wǎng)絡的道路擁堵識別研究［J］. 鄭州大學學報（工學版），2019，40（2）：18-22.

［22］Kampffmeyer M，Salberg A B，Jenssen R. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Las Vegas，2016：680-688.

［23］屈 煬，袁占良，趙文智，等. 基于多時序特征和卷積神經(jīng)網(wǎng)絡的農作物分類［J］. 遙感技術與應用，2021，36（2）：304-313.

［24］Zhong L H，Hu L N，Zhou H. Deep learning based multi-temporal crop classification［J］. Remote Sensing of Environment，2019，221：430-443.

［25］王小慧，姜雨林，傅漫琪，等. 海河低平原典型縣種植制度與農田景觀格局變化遙感監(jiān)測［J］. 農業(yè)工程學報，2022，38（1）：297-304.