王振興　劉東　王敏

摘要：快速準確地掌握作物種植類型和布局，對農(nóng)業(yè)生產(chǎn)和管理具有重要意義。選取西遼河流域為研究區(qū)，基于Google Earth Engine（GEE）云平臺，以Landsat和MODIS影像作為數(shù)據(jù)源，構(gòu)建時序NDVI、物候參數(shù)、光譜指數(shù)、反射率及地形因子等多維特征。分別采用隨機森林、支持向量機、分類回歸樹等方法，對比不同特征和分類器組合，選擇優(yōu)選特征和隨機森林分類器，完成西遼河流域玉米、大豆和水稻的提取。結(jié)果表明，基于GEE平臺可快速構(gòu)建作物識別的多維特征，進一步利用遞歸消除隨機森林優(yōu)選特征，當加入重要性前30位特征參數(shù)時，總體精度可基本達到最高。選擇優(yōu)選特征組合并基于隨機森林模型進行訓(xùn)練分類，可以實現(xiàn)高效率、高精度的作物空間分布制圖。在驗證指標中總體精度、κ系數(shù)、統(tǒng)計R2等驗證指標均大于0.9，說明作物識別精度較高。西遼河流域農(nóng)作物主要沿河流兩側(cè)呈條帶狀分布，玉米是最主要的農(nóng)作物類型，大豆、水稻種植面積較少。

關(guān)鍵詞：西遼河流域；GEE云平臺；多維特征；作物識別；種植結(jié)構(gòu)

中圖分類號：S127文獻標志碼：A

文章編號：1002-1302（2023）21-0200-09

我國是人口大國，糧食生產(chǎn)一直是黨和國家工作的重中之重。準確及時地獲取作物種植結(jié)構(gòu)信息，可以為政府部門提供基礎(chǔ)決策信息，提高農(nóng)業(yè)生產(chǎn)的科學(xué)管理水平，對糧食安全和經(jīng)濟發(fā)展具有重要意義［1-2］。農(nóng)作物的種植結(jié)構(gòu)是指區(qū)域內(nèi)農(nóng)作物的種類、面積和分布特征［3］。遙感因具有觀測范圍廣、時效高和成本低的優(yōu)點，在農(nóng)業(yè)應(yīng)用中發(fā)揮了重要作用，成為獲取作物空間分布信息的重要手段［4］。農(nóng)作物識別主要依據(jù)作物間光譜、時相、紋理等多種特征的差異，按照一定規(guī)則進行提取。原先的土地分類僅用少量的波譜特征，在作物識別中難以區(qū)分光譜相似度較高的不同作物，而通過構(gòu)建高維特征，如光譜指數(shù)、時間序列、后向散射、地形以及紋理等，能夠體現(xiàn)出作物全方位、多元化的特征差異，可以有效提高作物的識別能力［5-7］。牛乾坤等采用Sentinel-2影像，通過構(gòu)建光譜特征、紋理特征和植被特征提取河套灌區(qū)作物的種植結(jié)構(gòu)［8］。楊澤航等將Sentinel-2影像與MOD09GQ影像進行時空融合，得到時間序列NDVI數(shù)據(jù)，可以增加作物生長信息并實現(xiàn)對黑河流域作物的早期識別［9］。在樣本有限的條件下，特征超過一定數(shù)量會影響模型性能和處理效率，降低分類精度。因此，需要選擇適當數(shù)量和作用明顯的特征。朱夢豪等通過改進JM距離，確定作物識別的最優(yōu)特征組合，并獲得高精度的作物分類結(jié)果［10］。劉戈等使用Relief F算法在原始特征中選擇出24個最優(yōu)特征，并利用卷積神經(jīng)網(wǎng)絡(luò)方法完成分類，提高了運算效率［11］。因此，合理構(gòu)建作物分類的多維特征并進行適當選擇是實現(xiàn)作物高精度制圖的重要工作。分類算法也是影響分類精度的關(guān)鍵因素，常用的隨機森林、支持向量機等機器學(xué)習(xí)方法在多年實踐中得到廣泛應(yīng)用并取得良好效果，近年來以卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)以及全卷積網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法進一步提高了作物識別的準確率，但深度學(xué)習(xí)模型訓(xùn)練需要足夠數(shù)量的樣本，在樣本有限時難以適用［12-13］。與傳統(tǒng)遙感影像處理平臺相比，Google Earth Engine（GEE）等云計算平臺可以快速完成數(shù)據(jù)獲取、預(yù)處理以及分類等任務(wù)，極大地提高了工作效率，成為大面積農(nóng)作物制圖的重要工具［14-15］。因此，利用GEE云平臺的豐富資源和強大算力，構(gòu)建并優(yōu)化多維特征，選擇合適的作物制圖方法是目前農(nóng)作物識別的重要工作。西遼河流域是我國重要的玉米商品糧種植基地，近年來不合理的生產(chǎn)活動導(dǎo)致流域生態(tài)環(huán)境惡化，同時受不同政策（生態(tài)修復(fù)工程、鐮刀彎政策等）影響，農(nóng)作物種植結(jié)構(gòu)發(fā)生較大改變。本研究基于GEE云平臺，以Landsat影像為基礎(chǔ)數(shù)據(jù)源，建立作物分類的多維特征，探索適合該區(qū)域的作物制圖方案，以期為推動未來種植業(yè)結(jié)構(gòu)調(diào)整和綠色農(nóng)業(yè)可持續(xù)發(fā)展提供數(shù)據(jù)支持。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)簡介

西遼河流域（116°36′～124°34′E，41°05′～45°12′N）位于我國北方農(nóng)牧交錯帶東部三北交界處，連接華北平原、東北平原和蒙古高原，流經(jīng)內(nèi)蒙古自治區(qū)、吉林省、河北省和遼寧省4個?。▍^(qū)），主要涉及的地級市包括內(nèi)蒙古自治區(qū)赤峰市、通遼市等，流域面積約13.6萬km2（圖1）。西遼河流域?qū)儆谂瘻貛О霛駶櫄夂蛳蛑袦貛О敫珊禋夂虻倪^渡區(qū)域，年均氣溫5～6 ℃，年均降水量300～400 mm、蒸發(fā)量1 200～2 200 mm。主要河流包括西遼河干流、教來河、老哈河、西拉木倫河、烏力吉木倫河和新開河。西、南、北三面環(huán)山，整體呈扇狀，地勢表現(xiàn)為西南高東北低。流域內(nèi)主要糧食作物有玉米、大豆、水稻等，1年1熟。

1.2 數(shù)據(jù)來源及處理

研究數(shù)據(jù)包括Landsat 8 OLI影像、MOD09Q1影像、DEM數(shù)據(jù)、統(tǒng)計年鑒數(shù)據(jù)及實地采樣數(shù)據(jù)。

Landsat 8 OLI影像由GEE平臺獲取，該數(shù)據(jù)集已經(jīng)過大氣校正和正射校正處理。Landsat 8 OLI是美國Landsat系列第8顆衛(wèi)星上的傳感器，包括9個波段，除全色波段外空間分辨率為30 m，運行重訪周期為16 d。Landsat影像因具有較高空間分辨率和長時間運行周期被廣泛使用，也是本研究的主要數(shù)據(jù)源。衛(wèi)星運行中會受到云、雨等天氣狀況的影響，造成可用像元數(shù)量的減少［16］。因此，本研究分析研究區(qū)內(nèi)Landsat影像的覆蓋分布與去云后的像元數(shù)量（圖2）。以 2017 年作物生長季3—11 月為例，西遼河流域完整覆蓋共需 22 幅不同編號的 Landsat 影像，其間共有 342幅影像記錄數(shù)據(jù)。剔除云等因素干擾的像元后，在影像互有重疊的情況下，不同像元位置處最高有33次重訪，最低僅有1次重訪。進一步統(tǒng)計發(fā)現(xiàn)，未去云前，2.39%像元位置重訪次數(shù)為0～15；去云后，42.9%像元位置的重訪次數(shù)為0～15，充分表明云、雨等天氣可以降低Landsat影像的有效可用數(shù)量［17］。

MOD09Q1影像由GEE平臺獲取，包含250 m空間分辨率8 d合成的紅外波段和近紅外波段，還包括1個質(zhì)量控制波段。SRTM DEM由GEE平臺獲取，具有30 m空間分辨率。統(tǒng)計數(shù)據(jù)來源于《內(nèi)蒙古調(diào)查年鑒》《吉林統(tǒng)計年鑒》《遼寧統(tǒng)計年鑒》《河北統(tǒng)計年鑒》《河北農(nóng)村統(tǒng)計年鑒》，用來統(tǒng)計并驗證西遼河流域各縣（旗、區(qū)）玉米、大豆和水稻的種植面積。

作物采樣數(shù)據(jù)是2017年于西遼河流域?qū)嵉孬@取，包括作物類型和位置信息，用于農(nóng)作物分類的訓(xùn)練和驗證。原始樣本由實地考察獲取，受各種條件限制，采集數(shù)量較少，難以滿足分類要求。通過計算已有樣本的歸一化植被指數(shù)（NDVI）和反射率序列特征的均值（見“2.1.1”節(jié)和“2.1.3”節(jié)），在耕地范圍內(nèi)計算與均值的光譜角距離，設(shè)定閾值為均值+1倍標準差，在閾值范圍內(nèi)選擇距離最接近的樣本，并利用高分辨率影像對比，刪去錯誤明顯的樣本點后，擴充原始樣本數(shù)量（表1）。將樣本按照7 ∶3隨機劃分為訓(xùn)練集和測試集。

2 研究方法

首先，在GEE平臺獲取研究所需的數(shù)據(jù)并進行相關(guān)預(yù)處理；其次，構(gòu)建時間序列NDVI、物候參數(shù)、反射率、光譜指數(shù)、地形等多個特征。利用遞歸消除隨機森林進行特征選擇，進一步設(shè)計6組對照特征方案，分別基于隨機森林、支持向量機、分類回歸樹對比分析總體精度，選擇最適分類方案。作物分類中，提取耕地分布作為掩膜圖像，在上述方案的基礎(chǔ)上完成西遼河流域主要糧食作物識別；最后，利用驗證樣本、統(tǒng)計數(shù)據(jù)評價分類精度（圖3）。

2.1 特征集構(gòu)建

本研究構(gòu)建包括時序NDVI、物候參數(shù)、光譜指數(shù)、反射率、地形特征等139 個作物分類特征（表2）。

2.1.1 時間序列 NDVI 特征

本研究通過GF-SG（Gap Filling and Savitzky-Golay）算法重構(gòu)得到3—11月8 d、30 m分辨率的Landsat NDVI圖像，共34期。GF-SG算法是利用Landsat和MOD09Q1 影像的高時空分辨率影像重建算法，有3個主要優(yōu)點：第一，可有效提高 Landsat NDVI時間序列長期連續(xù)缺失情況下的重建精度。第二，通過加權(quán)SG濾波器可減少云檢測誤差引起的殘余噪聲影響。第三，方法簡單易運算，沒有復(fù)雜的非線性參數(shù)優(yōu)化過程，可在GEE平臺實現(xiàn)［18］。算法的具體過程參照文獻［18］。利用GF-SG算法重構(gòu)后的NDVI序列平滑連貫，可以有效彌補去云后Landsat NDVI的長時間缺失（圖4）。

2.1.2 物候參數(shù)特征

利用GF-SG生成的時序NDVI計算植被物候參數(shù)，包括生長季開始時間、生長季結(jié)束時間、生長季持續(xù)時間、NDVI 最大值、NDVI最小值、NDVI幅度和NDVI最大值日期（圖5）。NDVI最小值計算采用NDVI 時間序列前4個時間點（3月）和最后4個時間點（11月）的均值，這樣可有效減少異常值干擾。NDVI最大值即為NDVI時間序列中的最大值。NDVI幅度即為最大值與最小值的差值。生長季開始時間是從 NDVI最小值增長到振幅的10%處所對應(yīng)的時間日期。生長季結(jié)束時間是NDVI曲線下降距離最低點振幅10%處所對應(yīng)的時間日期［19］。生長季持續(xù)時間是生長季開始時間和生長季結(jié)束時間的差值［20］。物候參數(shù)位置見圖5。

2.1.3 反射率、光譜指數(shù)以及地形特征

分別計算3—11月OLI影像的 2～7波段和NDVI、EVI、LSWI、MNDWI、NDTI、NDSVI等植被指數(shù)的百分數(shù)（5%、25%、50%、75%、95%）、均值、差值（5%～95%）以及標準差影像，作為反射率和光譜指數(shù)特征，百分數(shù)、均值和標準差影像分別通過GEE中函數(shù)ee.Reduce.percentile（）、ee.Reduce.mean（）和ee.Reduce.stdDev（）計算而來。植被指數(shù)具體名稱及計算公式見表3。此外，選擇 DEM 數(shù)據(jù)的高程和坡度信息作為地形特征。

2.2 耕地識別

對西遼河流域進行土地利用分類，識別出耕地分布作為作物分類的掩膜圖像。分類樣本在Google Earth Engine平臺按照均勻、隨機的原則每類目視選取400～600個樣本點。分類源數(shù)據(jù)是4—10月Landsat 8 OLI影像，分類特征包括2～7波段和NDVI、EVI、LSWI、MNDWI、NDTI、NDBI等光譜指數(shù)的時間序列百分數(shù)（5%、25%、50%、75%、95%）影像。利用隨機森林分類器進行樣本訓(xùn)練，通過精度評價，重復(fù)改進樣本直至滿足要求，最終得到耕地分布圖。

2.3 特征選擇

采用遞歸消除隨機森林方法（RF-RFE）選擇適當數(shù)量和作用明顯的分類特征。該方法將隨機森林和遞歸消除算法（recursive feature eliminate，RFE）結(jié)合使用。先利用隨機森林計算特征重要性并進行排序，再把所有特征作為初始特征集，依次去除重要性最低的特征加入模型中訓(xùn)練，通過迭代計算出模型精度，最終在特征數(shù)量和模型精度間選擇數(shù)量較少和精度較高的特征數(shù)據(jù)集。本研究鑒于原始特征數(shù)量較多，故每次去除特征數(shù)量設(shè)為5個。

2.4 分類算法

隨機森林（random forest，RF）分類器是由多個決策樹模型組合形成的集成學(xué)習(xí)分類器，可以有效地避免模型過擬合，使其具有良好的魯棒性；同時可以處理高維特征數(shù)據(jù)，并提供比傳統(tǒng)分類器更快、更可靠的分類結(jié)果，而無需顯著增加計算工作量［21-22］。

支持向量機（support vector machine，SVM）是一類基于統(tǒng)計學(xué)習(xí)的機器學(xué)習(xí)算法［23］。SVM通過將特征向量映射到高維特征空間，尋找不同類別區(qū)別度最高的超平面實現(xiàn)分類，具有較高的泛化能力，適用于樣本數(shù)量較少的情景。

分類回歸樹（classification and regression tree，CART）既可用于分類，也可用于回歸。CART分類包括二叉樹生成和“剪枝”，使用基尼系數(shù)進行特征選擇和閾值劃分。該方法計算簡單快捷，對異常值不敏感。

RF分類器設(shè)置參數(shù)樹的數(shù)量為30，其余參數(shù)選擇默認。SVM分類器核函數(shù)類型為RBF，核函數(shù)γ值為0.5，cost參數(shù)為10。CART分類器參數(shù)默認。

2.5 試驗方案

為驗證不同特征組合在不同分類算法下的精度，本研究設(shè)置6組特征組合（表4），分別是反射率、光譜指數(shù)、反射率+光譜指數(shù)、反射率+光譜指數(shù)+時序NDVI、所有特征和優(yōu)選特征。上述特征組合分別基于隨機森林、支持向量機和分類回歸樹訓(xùn)練分類，得到總體精度，對比分析篩選出最適分類方案。

2.6 精度驗證

通過混淆矩陣和統(tǒng)計數(shù)據(jù)2種方式對提取作物的結(jié)果進行精度驗證?；煜仃噭e稱誤差矩陣，將分類結(jié)果與參考類別相比較得到分類結(jié)果的精度，是衡量遙感影像分類精度的常用方法。利用混淆矩陣計算制圖精度、用戶精度、總體精度和κ系數(shù)。

統(tǒng)計數(shù)據(jù)通過對比統(tǒng)計年鑒中的種植面積進行驗證，包括流域尺度和縣（旗、區(qū)）尺度。流域尺度是通過整理流域內(nèi)各作物整體種植面積進行比較，其中部分行政區(qū)在流域內(nèi)的縣（旗、區(qū)），通過行政區(qū)面積所占比例折算作物種植面積。縣（旗、區(qū)）尺度是將流域內(nèi)具有完整行政單元縣（旗、區(qū)）的統(tǒng)計數(shù)據(jù)與解譯數(shù)據(jù)進行直線擬合，得到統(tǒng)計R2作為驗證指標。

3 結(jié)果與分析

3.1 特征重要性及優(yōu)選結(jié)果分析

按平均重要性排名，各類特征依次是地形、反射率波段、時序NDVI、光譜指數(shù)和物候參數(shù)。按平均排名，順序類似。地形特征中高程特征重要性突出，坡度信息排名靠后。反射率波段特征整體重要性高于其他特征，時序NDVI和光譜指數(shù)重要性其次（表5）。由時序NDVI計算而來的物候參數(shù)特征整體重要性偏低。

將特征按重要性排名依次遞減5個投入隨機森林模型中，觀察到特征數(shù)量由5到10時，總體精度較大幅度增加，由10到20時平緩增加，特征數(shù)量達到20后，總體精度隨著特征數(shù)量增加在94%附近波動變化，在特征數(shù)量為30時，總體精度達到局部最大值94.51%。雖然在特征數(shù)量80和120位置處，總體精度仍存在局部最大值，但此時特征數(shù)量較多且與特征數(shù)量30時總體精度相差不大，考慮到特征數(shù)量增加導(dǎo)致的計算效率下降等問題，把特征重要性前30位的特征作為優(yōu)選特征方案（圖6）。進一步統(tǒng)計優(yōu)選特征中各類別數(shù)量，反射率波段特征依然最多，其次是光譜指數(shù)和時序NDVI，物候參數(shù)和地形特征僅有1個。

3.2 不同方案對比分析

本研究利用6種特征組合分別在3種分類器下訓(xùn)練分類，得到總體精度并進行比較分析（圖7）?；陔S機森林分類器中，僅利用反射率或光譜指數(shù)的總體精度分別為90.57%、90.35%；當兩者都加入模型后，精度增加至91.89%；再加入時序NDVI，精度再次增加至94.74%；當加入所有特征時，精度下降，為93.64%；利用優(yōu)選特征時，精度為94.52%，稍低于方案四的0.22%。該結(jié)果表明，不同類型特征的加入能提高作物識別總體精度，但重要性較弱的特征加入后反而會降低精度。基于分類回歸樹分類器中，僅加入所有特征時，精度超90%；優(yōu)選特征組合的精度緊隨其后，為89.47%?；谥С窒蛄繖C分類器中，方案一至方案四精度逐漸增加至94.96%，但加入所有特征時，精度驟降至42.98%；優(yōu)選特征方案也只有72.15%。這是因為支持向量機需要輸入特征的數(shù)據(jù)量度范圍統(tǒng)一，物候參數(shù)和地形特征的加入破壞了方案四中特征的一致性。綜合來看，隨機森林模型在處理多類型、多維度特征時，無需進行數(shù)據(jù)的歸一化操作，精度便可高于另外2個分類器；優(yōu)選特征組合在特征數(shù)量較少的前提下，模型也基本可以達到較高的分類精度。因此，選擇優(yōu)選特征組合并基于隨機森林模型進行訓(xùn)練分類，既可以降低運算復(fù)雜度，又可以保證較高分類精度。

3.3 提取作物精度及布局分析

耕地制圖的精度是作物識別準確性的前提，對其分類結(jié)果進行驗證。耕地制圖精度為95.2%，用戶精度為89.7%，分類結(jié)果可以滿足農(nóng)作物制圖的使用要求。本研究分別基于樣本數(shù)據(jù)和統(tǒng)計數(shù)據(jù)驗證作物提取的準確性（表6）。2017年作物分類的總體精度為0.94，κ系數(shù)為0.92，均大于0.9，各作物的制圖精度和用戶精度也均大于0.9，說明從驗證樣本的角度考慮，模型分類精度較高。其中水稻的制圖精度和用戶精度均等于1，間接表明擴充樣本由于依賴于實際采集的少量數(shù)據(jù)，雖然樣本數(shù)量在分類過程中滿足了要求，但是樣本的代表性、多樣性有所下降，導(dǎo)致模型存在一定程度的過擬合。進一步從統(tǒng)計數(shù)據(jù)的角度分析作物分類精度。全域來看，3類作物的面積誤差絕對值在10%以內(nèi)，玉米的提取面積和統(tǒng)計數(shù)據(jù)基本一致，大豆提取面積高于統(tǒng)計面積8 km2左右，水稻提取面積低于統(tǒng)計面積38 km2左右。本研究用西遼河流域內(nèi)行政區(qū)單元完整的11個縣（旗、區(qū)）的解譯面積和統(tǒng)計面積擬合直線得到R2，3類作物R2均大于0.9，表明識別作物整體布局與統(tǒng)計結(jié)果基本吻合?；诮y(tǒng)計數(shù)據(jù)的擬合方程中，玉米斜率為1.22，大豆斜率為1.15，水稻為1.08，3類作物擬合斜率均大于1，表明在部分驗證縣（旗、區(qū)）解譯面積有高估趨勢。綜合來看，雖然部分縣（旗、區(qū)）解譯面積與統(tǒng)計面積有所出入，但分類結(jié)果的作物整體布局和面積基本準確，基于優(yōu)選特征的隨機森林分類方案可以得到高精度的作物分布。

本研究得到2017年西遼河流域玉米、大豆以及水稻的空間分布（圖8）。西遼河流域主要糧食作物分布在海拔較低的東、北部平原地區(qū)，沿河流兩側(cè)呈條帶狀分布。西遼河干流和新開河流域一帶的縣（旗、區(qū)）種植分布最密集；老哈河、教來河、西拉木倫河及烏爾吉木倫河種植面積相對較少。玉米是西遼河流域最主要的作物類型，在整個流域內(nèi)均有種植，分布范圍廣，面積約17 193.45 km2，在流域東部、南部地區(qū)最集中。流域內(nèi)科爾沁左翼中旗、科爾沁區(qū)和開魯縣是種植面積最多的縣（旗、區(qū)），面積分別為2 199.62、1 941.87、1 726.66 km2；元寶山區(qū)和紅山區(qū)種植面積較少，僅分別為193.54、43.20 km2。大豆整體種植面積較少，約為 348.42 km2，種植集中分布在流域東北部的長嶺縣、雙遼市部分地區(qū)和流域中南部的敖漢旗、翁牛特旗部分地區(qū)（圖8-a、圖8-b）。水稻種植面積較少，約為492.78 km2，分布區(qū)域較集中，主要在西拉木倫河和老哈河流域的翁牛特旗北部、東部和科爾沁左翼后旗東部區(qū)域，其他地區(qū)種植分布較零散（圖 8-c、圖8-d）。

4 結(jié)論與討論

本研究以Landsat 8 OLI 和MOD09Q1影像為基礎(chǔ)數(shù)據(jù)源，構(gòu)建時序NDVI、物候參數(shù)、光譜指數(shù)、反射率以及地形等多維特征。對比分析不同特征和分類器組合，最終使用基于RF-RFE選擇的特征子集和隨機森林分類器，提取西遼河流域玉米、大豆和水稻的種植信息。主要結(jié)論有以下4點。第一，基于GEE平臺可快速獲取并構(gòu)建作物分類的多維特征，分別從時序曲線、物候、地形、光譜反射以及光譜指數(shù)等多方面區(qū)分作物間的細微差距。進一步利用RF-RFE方法選擇特征時，發(fā)現(xiàn)模型中加入重要性前30名的特征時總體精度可基本達到最高。第二，利用6種特征組合方案分別在3種分類器下訓(xùn)練分類，對比分析發(fā)現(xiàn)選擇優(yōu)選特征組合并基于隨機森林模型進行分類，可以保證在特征數(shù)量較少的前提下，處理多類型、多維度特征，分類模型總體精度基本可以達到較高水平。第三，分別基于樣本數(shù)據(jù)和統(tǒng)計數(shù)據(jù)展開作物制圖精度驗證，作物分類的總體精度、 κ系數(shù)、各作物的制圖精度和用戶精度以及統(tǒng)計R2均大于0.9，3類作物解譯面積誤差絕對值在10%以內(nèi)，說明解譯作物整體布局和面積準確度較高。第四，西遼河流域農(nóng)作物主要分布在海拔較低的東、北部平原地區(qū)，沿河流兩側(cè)呈條帶狀分布，西遼河干流和新開河附近區(qū)域最密集。玉米是流域內(nèi)最主要的農(nóng)作物類型，分布范圍廣，大豆、水稻種植面積較少，僅在部分區(qū)域集中分布。

本研究沒有使用空間和時間分辨率更具優(yōu)勢的Sentinel系列影像，是因為本研究意在探索適用于以Landsat為基礎(chǔ)數(shù)據(jù)源的作物分類方案，將有助于向前或向后拓展監(jiān)測年份，而Sentinel衛(wèi)星在軌運行時間短，難以完成2015年前歷史年份的監(jiān)測。同時，西遼河流域作物種植分布集中，以平原地區(qū)為主，沒有復(fù)雜地形的干擾，30 m分辨率可以清晰地展現(xiàn)作物的空間細節(jié)。受篇幅和時間限制，后續(xù)將進一步探究基于現(xiàn)有年份的分類模型遷移方法，并完成長時間序列作物制圖任務(wù)。

參考文獻：

［1］史 舟，梁宗正，楊媛媛，等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望［J］. 農(nóng)業(yè)機械學(xué)報，2015，46（2）：247-260.

［2］何 可，宋洪遠. 資源環(huán)境約束下的中國糧食安全：內(nèi)涵、挑戰(zhàn)與政策取向［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2021，21（3）：45-57.

［3］唐華俊，吳文斌，楊 鵬，等. 農(nóng)作物空間格局遙感監(jiān)測研究進展［J］. 中國農(nóng)業(yè)科學(xué)，2010，43（14）：2879-2888.

［4］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(nóng)業(yè)科學(xué)，2019，47（16）：45-51.

［5］Tatsumi K，Yamashiki Y，Canales Torres M A，et al. Crop classification of upland fields using random forest of time-series Landsat 7 ETM+data［J］. Computers and Electronics in Agriculture，2015，115：171-179.

［6］郭昱杉，劉慶生，劉高煥，等. 基于MODIS時序NDVI主要農(nóng)作物種植信息提取研究［J］. 自然資源學(xué)報，2017，32（10）：1808-1818.

［7］宋宏利，雷海梅，尚 明. 基于Sentinel2A/B時序數(shù)據(jù)的黑龍港流域主要農(nóng)作物分類［J］. 江蘇農(nóng)業(yè)學(xué)報，2021，37（1）：83-92.

［8］牛乾坤，劉 瀏，黃冠華，等. 基于GEE和機器學(xué)習(xí)的河套灌區(qū)復(fù)雜種植結(jié)構(gòu)識別［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（6）：165-174.

［9］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(xué)學(xué)報，2022，24（5）：996-1008.

［10］朱夢豪，李國清，彭壯壯. 特征優(yōu)選下的農(nóng)作物遙感分類研究［J］. 測繪科學(xué)，2022，47（3）：122-128.

［11］劉 戈，姜小光，唐伯惠. 特征優(yōu)選與卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物精細分類中的應(yīng)用研究［J］. 地球信息科學(xué)學(xué)報，2021，23（6）：1071-1081.[HJ2.06mm]

［12］Ji S P，Zhang C，Xu A J，et al. 3D convolutional neural networks for crop classification with multi-temporal remote sensing images［J］. Remote Sensing，2018，10（2）：75.

［13］王德軍，姜琦剛，李遠華，等. 基于Sentinel-2 A/B時序數(shù)據(jù)與隨機森林算法的農(nóng)耕區(qū)土地利用分類［J］. 國土資源遙感，2020，32（4）：236-243.

［14］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.

［15］張紫荊，華 麗，鄭 萱，等. 基于GEE平臺與Sentinel-NDVI時序數(shù)據(jù)江漢平原種植模式提?。跩］. 農(nóng)業(yè)工程學(xué)報，2022，38（1）：196-202.

［16］黃 波. 時空遙感影像融合研究的進展與趨勢［J］. 四川師范大學(xué)學(xué)報（自然科學(xué)版），2020，43（4）：427-434，424.

［17］劉建波，馬 勇，武易天，等. 遙感高時空融合方法的研究進展及應(yīng)用現(xiàn)狀［J］. 遙感學(xué)報，2016，20（5）：1038-1049.

［18］Chen Y，Cao R Y，Chen J，et al. A practical approach to reconstruct high-quality Landsat NDVI time-series data by gap filling and the Savitzky-Golay filter［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2021，180：174-190.

［19］周玉科. 基于遙感的中國東北植被物候不對稱特征分析［J］. 遙感技術(shù)與應(yīng)用，2019，34（2）：345-354.

［20］項銘濤，衛(wèi) 煒，吳文斌. 植被物候參數(shù)遙感提取研究進展評述［J］. 中國農(nóng)業(yè)信息，2018，30（1）：55-66.

［21］張馨予，蔡志文，楊靖雅，等. 時序濾波對農(nóng)作物遙感識別的影響［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（4）：215-224.

［22］劉 杰，劉吉凱，安晶晶，等. 基于時序Landsat 8 OLI多特征與隨機森林算法的作物精細分類研究［J］. 干旱地區(qū)農(nóng)業(yè)研究，2020，38（3）：281-288，298.

［23］丁世飛，齊丙娟，譚紅艷. 支持向量機理論與算法研究綜述［J］. 電子科技大學(xué)學(xué)報，2011，40（1）：2-10.

收稿日期：2023-02-21

基金項目：國家自然科學(xué)基金（編號：41671525）。

作者簡介：王振興（1998—），男，山東東營人，碩士研究生，從事農(nóng)作物遙感識別研究。E-mail：wangzhenxing20@mails.ucas.ac.cn。

通信作者：劉 東，博士，副教授，從事資源環(huán)境遙感與區(qū)域發(fā)展研究。E-mail：lldking@ucas.ac.cn。