曹慶安，冷 鵬

（1.江西省核工業(yè)地質(zhì)調(diào)查院，江西 南昌 330038；2.江西核工業(yè)測繪院集團(tuán)有限公司，江西 南昌 330038）

0 引言

水稻是我國種植面積最大、總產(chǎn)量最高的糧食作物，在糧食生產(chǎn)中具有舉足輕重的地位［1］。水稻的年播種面積占糧食作物總播種面積的1/3［2］，產(chǎn)區(qū)主要分布于長江中下游地區(qū)，耕作制度以一年兩季為主［3］。目前，由于國內(nèi)外環(huán)境的復(fù)雜多變，我國不斷提高對糧食安全的重視程度，其中對于早稻播種面積的監(jiān)測是預(yù)測全年糧食產(chǎn)量的重要環(huán)節(jié)之一，及時(shí)準(zhǔn)確地監(jiān)測早稻種植面積情況對全年糧食種植的宏觀政策預(yù)判與調(diào)控具有至關(guān)重要的意義。

近年來，低空與高空遙感技術(shù)的發(fā)展突飛猛進(jìn)，但衛(wèi)星遙感技術(shù)因其數(shù)據(jù)獲取范圍廣、時(shí)效性強(qiáng)、成本低等優(yōu)勢，廣泛應(yīng)用于農(nóng)作物種植的監(jiān)測［4-5］。目前，基于光學(xué)傳感器獲取的遙感數(shù)據(jù)已經(jīng)難以滿足農(nóng)作物監(jiān)測的需求，特別是南方種植區(qū)的多云多雨天氣對光學(xué)遙感數(shù)據(jù)的獲取造成了較大干擾。合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是一種有較強(qiáng)穿透性的高分辨率成像雷達(dá)，能夠在復(fù)雜氣象條件下進(jìn)行全天候的對地監(jiān)測，目前已廣泛應(yīng)用于自然資源、農(nóng)林種植等領(lǐng)域［6］。

基于雷達(dá)的農(nóng)作物種植監(jiān)測研究已經(jīng)成為農(nóng)業(yè)資源遙感領(lǐng)域的熱點(diǎn)方向［7］，其中，水稻田因其具備高濕度的基底面，與旱生作物及其他地表覆蓋類型具有較大的區(qū)分度，在特定物候周期內(nèi)利用其后向散射系數(shù)的差異，可以實(shí)現(xiàn)較為準(zhǔn)確的識別。然而，由于單時(shí)相數(shù)據(jù)的獲取存在穩(wěn)定性不強(qiáng)和對比度不高等缺點(diǎn)，研究者們嘗試?yán)枚鄷r(shí)相、多極化的SAR數(shù)據(jù)提升識別精度［8］。目前，基于SAR的農(nóng)作物識別方法大多是利用單一散射系數(shù)，但由于作物的下墊面散射與其生長周期存在較高的相關(guān)性，可能存在較大的誤差并導(dǎo)致最終識別的精度不理想。

本文選取早稻不同生長期內(nèi)連續(xù)時(shí)序雙極化Sentinel-1A雷達(dá)數(shù)據(jù)，通過對比樣本點(diǎn)間不同極化方式(VV、VH)后向散射系數(shù)的變化特征，研究不同影像分類結(jié)果的精度，初步提取作物的種植圖斑。通過引入特定時(shí)間點(diǎn)的多光譜數(shù)據(jù)、坡度數(shù)據(jù)，對提取的作物圖斑進(jìn)行多因素決策分析，以期提升早稻種植圖斑的識別精度，為早稻種植面積的監(jiān)測提供快速、準(zhǔn)確、便捷的方法。

1 材料與方法

1.1 研究區(qū)

高安市是江西省宜春市下轄縣級市，位于江西省中部偏西北，地理坐標(biāo)介于115°00′~115°34′E、28°02′~28°38′N，屬長江中下游平原區(qū)，地形北高南低，為低丘崗地與河谷平原相間的地貌，屬亞熱帶季風(fēng)氣候，年平均雨量1560 mm，降水期主要分布在4—7月份。高安市耕地面積約占全市土地總面積的30%，是江西省重要的水稻產(chǎn)區(qū)，種植制度以兩季為主，部分地區(qū)也種植單季稻。

1.2 數(shù)據(jù)選擇

1.2.1 SAR數(shù)據(jù) 本文使用的基礎(chǔ)雷達(dá)數(shù)據(jù)為2014年發(fā)射的Sentinel-1A衛(wèi)星C波段的SAR數(shù)據(jù)［9］。該衛(wèi)星的重訪周期為12 d，主要包括條帶(SM)、干涉寬幅(IW)、超寬幅(EW)和波(WM)模式4種數(shù)據(jù)。本文以干涉寬幅的雙極化(VH、VV)數(shù)據(jù)為基礎(chǔ)，時(shí)序范圍覆蓋了研究區(qū)早稻的整個(gè)生長周期。

1.2.2 地類樣本數(shù)據(jù) 為精確獲取研究區(qū)早稻的圖斑位置和播種情況等信息，于2021年3月下旬—7月底針對不同的土地利用類型采集了典型的地類樣本信息，包括早稻、蔬菜、林地、水面、建筑物以及其他地類等6類。此外，于2021年5月底—6月初通過無人機(jī)獲取高分辨率航空正射影像，對研究區(qū)內(nèi)的典型地類樣本進(jìn)行了二次篩選。最終確定了401個(gè)樣本集，其中早稻132個(gè)、非糧農(nóng)作物60個(gè)、旋耕田71個(gè)、林地30個(gè)、水面16個(gè)、建筑物60個(gè)以及其他地類32個(gè)。為驗(yàn)證像素分類的精度，采用分層隨機(jī)選取了70%的樣本作為訓(xùn)練樣本，剩余30%的樣本用于分類驗(yàn)證（表1），各類型樣本點(diǎn)見圖1。此外，2021年研究區(qū)的早稻物候期分別為：3月為播種期，4月為移栽（返青）期，5月為分蘗拔節(jié)期，6月為孕穗抽穗期，7月為灌漿成熟期，8月為收割期。

圖1 研究區(qū)樣本分布示意圖

表1 地類樣本統(tǒng)計(jì)情況

1.2.3 其他試驗(yàn)數(shù)據(jù) 本文用于分類決策的數(shù)據(jù)還包括：研究區(qū)30 m分辨率的ALOS WORLD 3D DSM數(shù)據(jù)，該數(shù)據(jù)由JAXA構(gòu)建并向公眾發(fā)布；多光譜數(shù)據(jù)，源自NASA與美國地質(zhì)調(diào)查局（USGS）合作開發(fā)并發(fā)射的Landsat 8的星載OLI陸地成像儀，時(shí)序數(shù)據(jù)覆蓋了早稻播種、生長和收割期；2021年度研究區(qū)的國土調(diào)查現(xiàn)狀圖斑數(shù)據(jù)。

1.3 研究數(shù)據(jù)處理方法

1.3.1 SAR數(shù)據(jù)預(yù)處理 利用ENVI 5.6+SARscape軟件對研究區(qū)的15幅SAR影像數(shù)據(jù)（2021年3月5日—8月20日）進(jìn)行軌道數(shù)據(jù)精處理、輻射定標(biāo)、多視處理、地形矯正以及濾波處理，經(jīng)上述步驟后得到了多時(shí)相VV和VH時(shí)序影像的雷達(dá)后向散射系數(shù)［10］。

1.3.2 影像分類處理 本研究選取了3種常用的遙感監(jiān)督分類方法對時(shí)序雷達(dá)后向散射影像圖進(jìn)行分類，并對分類結(jié)果進(jìn)行精度評定，通過對比不同方法的總體精度與Kappa系數(shù)選取出最優(yōu)的方法，最后對分類結(jié)果進(jìn)行最小圖斑處理并形成了初步的作物耕種圖斑分布圖。

1.3.3 土地利用圖斑處理 本研究引入了最新的土地利用圖斑，其能夠反映研究區(qū)土地利用的類型，即實(shí)地地塊的種植適宜度（是否為耕地）以及耕種屬性（水田、旱地），可較為準(zhǔn)確地提供適宜種植水稻的區(qū)域。因此，提取其中的水田圖斑范圍作為本次研究的早稻耕種本底數(shù)據(jù)能夠極大地提高種植范圍的提取精度。但土地利用現(xiàn)狀圖斑不能代表某一時(shí)刻的種植情況，還需要結(jié)合實(shí)地影像和其他參考資料進(jìn)行綜合分析。

1.3.4 植被指數(shù) 植被指數(shù)常用于監(jiān)測植被的變化情況和綠色植物的分布情況，其能夠有效反映研究區(qū)地表植被的生長狀況。其中，歸一化植被指數(shù)(NDVI)廣泛應(yīng)用于檢測生物量、植被覆蓋度、葉面積指數(shù)等植物生長狀況指標(biāo)［11-12］，計(jì)算公式為：

式（1）中：Nir為近紅外波段的反射值，R為紅光波段的反射值。

NDVI能夠直觀地反映地表覆蓋的量化特征。在早稻的生長期間，由于早稻的生長狀況具有高度的一致性，其植被指數(shù)也具有極高的相似性。因此，通過對比樣本點(diǎn)的NDVI差異，能夠有效區(qū)分出早稻與其他植被覆蓋樣本。本研究利用早稻生長期內(nèi)的播種初期、生長旺盛期2期以及收割期4期的NDVI灰度圖，對相鄰2期作差，獲取了3幅NDVI差值灰度圖。由于NDVI的系數(shù)一般介于-1~1，其差值可能存在負(fù)值。為突出顯示NDVI的變化情況，需將作差后的結(jié)果統(tǒng)一歸正后求倒數(shù)，該過程的計(jì)算公式為：

式（2）~式（3）中：NDVIΔ為相鄰2期的植被指數(shù)的差值，NDVIi為第i期NDVI，NDVI′為植被指數(shù)差值歸正后的倒數(shù)。

1.3.5 坡度數(shù)據(jù) 研究區(qū)位于長江中下游平原，主要是無坡耕地，基本分布在平原和河谷等地形相對平緩的區(qū)域。根據(jù)“三調(diào)”的地形坡度分布情況，耕地的坡度基本在0°~25°。通過30 m分辨率DEM獲取研究區(qū)的坡度數(shù)據(jù)，計(jì)算公式為：

式（4）中，α為坡度，ΔH為高程差，D為水平距離。

1.4 分類方法

1.4.1 最小距離分類法 最小距離分類法是利用訓(xùn)練樣本對象對分類地物進(jìn)行特征分析，計(jì)算出不同樣本地類的均值和標(biāo)準(zhǔn)差向量［13］。一般是將待分類圖像的像元與樣本之間的均值向量的距離進(jìn)行比較，數(shù)值最小的則歸入該類樣本。該分類方法中距離就是判別依據(jù)，距離越小說明距離該類別越近。距離的計(jì)算方法包括歐幾里得度量和折線距離［14］。其中歐幾里得度量的計(jì)算公式為：

式（5）中，N為波段數(shù)量，xi為第i個(gè)波段的像元值，Mij為第j類在第i個(gè)波段的均值。其分類的原則是將xi歸入到Dej值最小的類別。

折線距離是計(jì)算像元值在各個(gè)波段中與類均值的距離差值的絕對值之和［15］，計(jì)算公式為：

1.4.2 最大似然分類法 最大似然分類法又稱為貝葉斯分類法，其面向待分類影像的波段數(shù)據(jù)的多維正態(tài)分布構(gòu)造分類函數(shù)，首先統(tǒng)計(jì)每種樣本地物的均值、方差和協(xié)方差等，然后將待分類像元代入構(gòu)造好的分類函數(shù)中，計(jì)算其分類概率［16］，計(jì)算公式為：

式（7）中：Si為第i類的第n個(gè)波段的協(xié)方差矩陣，i為波段數(shù)量，μi為均值向量，x為隨機(jī)變量，P(Gi|x)為類別Gi對應(yīng)x的概率。

1.4.3 SVM分類法 支持向量機(jī)(SVM)對小樣本集具有良好的支持性，被廣泛應(yīng)用于遙感影像信息的分類提?。?7］。SVM的原理是利用核函數(shù)將樣本數(shù)據(jù)升維后重新規(guī)劃，尋找最優(yōu)懲罰因子和松弛變量。利用不同樣本數(shù)據(jù)間超維度平面間隔大小作為分類依據(jù)。核函數(shù)一般使用徑向基函數(shù)［18］，公式為：

式（8）中：K(xi,xj)是SVM的核函數(shù)，γ為松弛向量。

1.5 精度評價(jià)

影像分類結(jié)果的評價(jià)方法包含用戶精度和制圖精度［19］。精度評價(jià)存在一定程度的相對性，依賴于實(shí)際地類的結(jié)果驗(yàn)證又具有較大難度［20］。本研究利用遙感影像與其他多因素相結(jié)合的方法獲取研究區(qū)的早稻種植圖斑，并應(yīng)用樣本圖斑對分類結(jié)果進(jìn)行精度驗(yàn)證。

本文早稻種植圖斑的提取精度是以分類結(jié)果落入樣本地類的圖斑面積占比進(jìn)行評價(jià)。由于樣本地類的面積大小不一致，其單個(gè)圖斑的分類精度勢必對總精度的影像存在差異，因此采用圖斑面積權(quán)重的精度作為精度評價(jià)結(jié)果，計(jì)算公式為：

式（9）~式（10）中：E為精度，S為分類面積的總精度，Skn為單個(gè)圖斑占總樣本面積權(quán)重，Si為第i個(gè)樣本圖斑賦權(quán)后的精度，n為樣本總數(shù)。

2 結(jié)果與分析

2.1 典型樣本的后向散射系數(shù)特征

相對于監(jiān)測其他類型的植物，農(nóng)作物的生長周期具有固定性和可控性的特點(diǎn)。在特定區(qū)域內(nèi)，由于水稻種植的時(shí)間也相對固定，該區(qū)域內(nèi)水稻的生長狀況也會(huì)具有高度一致性。因此，通過比較雷達(dá)數(shù)據(jù)的后向散射系數(shù)，可將早稻田與其他類型地物進(jìn)行區(qū)分。

本研究的樣本訓(xùn)練包括早稻、非糧農(nóng)作物、旋耕田、林地、水面、建筑物以及其他地類等7個(gè)類別，按照早稻生長期的15個(gè)時(shí)相的VV和VH極化圖像進(jìn)行統(tǒng)計(jì)分析（圖2）。由圖2可知，不同類型樣本在不同的極化圖像和時(shí)間段內(nèi)的后向散射特性具有明顯的差異，VV極化下的散射系數(shù)比VH極化下的要高；在2種極化條件下，水體都呈現(xiàn)出最低的散射系數(shù)，而建筑物都呈現(xiàn)出最高的散射系數(shù)，但水體在VH極化條件下的散射系數(shù)最為穩(wěn)定；林地、旋耕田以及其他非糧農(nóng)作物的散射系數(shù)表現(xiàn)出穩(wěn)定的波動(dòng)性，且三者的趨勢具有較高一致性，旋耕田由于地表裸露且含有大量的水分，其散射系數(shù)明顯比其他典型地物低，且波動(dòng)性?。籚H和VV極化條件下的早稻樣本的散射系數(shù)均呈現(xiàn)出了較為明顯的波動(dòng)性，如在4月下旬和7月下旬存在波谷，推測分別是處于播種期和收割期，5月中旬—7月上旬的散射系數(shù)呈現(xiàn)出明顯的上升趨勢，其反映出早稻處于生長的高峰期。從不同極化類型的地物分離度來看，VV極化不同地物散射系數(shù)區(qū)分度大，波動(dòng)穩(wěn)定性也相對較差，VH極化下不同地物間的散射系數(shù)差異較小，波動(dòng)穩(wěn)定性好。

圖2 不同極化條件下的典型地物后向散射系數(shù)

以VV、VH極化為基礎(chǔ)，根據(jù)早稻生長的不同周期，將波動(dòng)的3個(gè)階段分別以紅、綠、藍(lán)3種顏色顯示，其中4月22日為紅色、7月15日為綠色，8月8日為藍(lán)色，形成了不同極化條件下的后向散射系數(shù)假彩色合成圖像（圖3）。

圖3 VH極化（a）、VV極化（b）條件下的雷達(dá)后向散射系數(shù)RGB合成圖

2.2 樣本可分離度評價(jià)

可分離度是衡量不同地物差異程度的量化指標(biāo)，一般采用J-M距離(Jeffries-Matusita distance)對訓(xùn)練樣本進(jìn)行可分離性的定量評價(jià)［21］。J-M距離一般介于0~2.0之間，數(shù)值越大說明樣本之間的可分離度越高，一般來說大于等于1.8可以較好地區(qū)分不同的樣本。由表2可以看出，2種極化條件下的早稻樣本數(shù)據(jù)與其他樣本數(shù)據(jù)的分離度均超過了1.8，其中VH極化數(shù)據(jù)明顯比VV的分離度要高。在VH極化條件下，早稻樣本與非糧農(nóng)作物的分離度相較于其他樣本稍低，這是由于該時(shí)段一些水生作物或高濕度下墊面作物與早稻有較為相似的雷達(dá)反射特征。此外，4—7月份是全年降雨集中期，過高的水濕條件也對分離度的影響較大。因此，樣本分離度不能將早稻與其他作物完全區(qū)分。

表2 不同極化條件下的時(shí)序數(shù)據(jù)樣本可分離度評價(jià)表

2.3 影像分類及結(jié)果

采用最小距離法、最大似然法和SVM分類法對研究區(qū)VH極化條件下的3個(gè)典型時(shí)相地物后向散射RGB合成圖進(jìn)行分類（圖4），并計(jì)算了分類后的總體精度和Kappa系數(shù)。由表3可知，SVM分類法的總體精度較高，達(dá)到了87.43%，Kappa系數(shù)為0.8240。

圖4 VH極化條件下的分類結(jié)果圖

表3 不同分類方法的精度評價(jià)

2.4 多因素分析

雷達(dá)的后向散射對早稻的提取可能存在一定的誤差，本研究結(jié)合土地利用現(xiàn)狀圖斑、植被指數(shù)、地形坡度等多因素判定的方法對分類結(jié)果進(jìn)行優(yōu)化提取。

2.4.1 土地利用現(xiàn)狀圖斑 土地利用現(xiàn)狀圖斑是在經(jīng)過實(shí)地調(diào)查的基礎(chǔ)上形成的土地利用基底數(shù)據(jù)，其反映了該地塊的土地利用類型，主要包括耕地、林地、園地、建設(shè)用地、未利用土地等，其中耕地繼續(xù)細(xì)分為水田和旱地。本研究根據(jù)“三調(diào)”數(shù)據(jù)提取研究區(qū)的水田圖斑（圖5）。

圖5 研究區(qū)土地利用現(xiàn)狀水田圖斑分布圖

2.4.2 植被指數(shù)差值 對早稻生長過程的4期Landsat TM影像分別提取平均NDVI，各個(gè)影像的具體時(shí)間分別為2021年4月9日、5月27日和7月19日和8月20日，分別代表早稻種植過程的移栽（播種）期、抽穗期、灌漿成熟期和收割期。由表4可知，早稻在生長期的葉面生長狀況存在明顯的差異，表現(xiàn)為移栽（播種）期最低，灌漿成熟期和抽穗期最高；從樣本平均NDVI差值來看，早稻圖斑具有明顯的波峰，并持續(xù)了2個(gè)監(jiān)測時(shí)間點(diǎn)，直至8月20日才有明顯下降；非糧農(nóng)作物、其他地類以及旋耕田的指數(shù)差值變化不明顯，且區(qū)分度不高；林地由于其植被生長特征，NDVI持續(xù)處于高值；建筑物、水面持續(xù)處于較低的水平。

表4 典型樣本的平均NDVI

經(jīng)過分析，擬將分類的訓(xùn)練樣本地類歸為：早稻、水面和建筑物、林地以及其他地類4類。為突出NDVI變化的情況，將依據(jù)4期影像的NDVI差值先正值化，然后分別求其倒數(shù)合成3幅灰度值圖，分別賦紅綠藍(lán)合成假彩色圖（圖6）。采用SVM分類法對樣本點(diǎn)進(jìn)行分類，最終提取了早稻種植圖斑。經(jīng)精度評價(jià)，整體分類精度達(dá)到了89.64%，Kappa系數(shù)為0.8710，具有較強(qiáng)的可信度。

圖6 NDVI差值時(shí)序影像合成圖（a）及分類結(jié)果圖（b）

2.4.3 坡度提取 通過DEM提取研究區(qū)坡度數(shù)據(jù)并對其進(jìn)行分析。按照0°~5°、5°~15°、15°~25°、＞25°等4個(gè)級別進(jìn)行分級。最終形成了坡度分類結(jié)果（圖7）。

圖7 研究區(qū)地形坡度圖

2.5 綜合分析結(jié)果

將后向散射系數(shù)灰度值分類結(jié)果圖、土地利用現(xiàn)狀圖斑、植被指數(shù)差值分類結(jié)果圖以及坡度提取結(jié)果圖進(jìn)行疊加分析，最終形成了研究區(qū)早稻種植分布圖。根據(jù)圖斑統(tǒng)計(jì)結(jié)果可知，2021年研究區(qū)早稻種植總面積為341.27 hm2，其主要分布于城西河谷平原地區(qū)（圖8）。

圖8 研究區(qū)早稻種植圖斑分布

2.6 精度評價(jià)

對最終提取的研究區(qū)早稻種植圖斑與預(yù)留樣本的圖斑進(jìn)行對比分析，精度評價(jià)將最終提取的早稻種植圖斑落入預(yù)留樣本圖斑內(nèi)的面積占比作為單個(gè)樣本的分類精度，總體精度為所有預(yù)留樣本的總面積的占比為權(quán)重計(jì)算單個(gè)樣本賦權(quán)后精度進(jìn)行匯總（表6~表7）。最終評定的分類面積精度為92.22%，賦權(quán)精度為94.76%。

表6 多因素決策的分類結(jié)果

表7 驗(yàn)證樣本賦權(quán)分類結(jié)果

3 結(jié)論與討論

3.1 結(jié)論

本文以Sentinel-1A的雷達(dá)影像數(shù)據(jù)為基礎(chǔ)，對高安市的早稻種植面積進(jìn)行了監(jiān)測。以VH和VV極化方式對研究區(qū)早稻種植生長物候期的15期雷達(dá)影像進(jìn)行了后向散射系數(shù)的分析，利用其變化情況組成時(shí)間序列影像。采用不同的分類方法對研究區(qū)的影像進(jìn)行分類和評定，通過引入土地利用現(xiàn)狀圖斑、植被指數(shù)和坡度等多因素指標(biāo)對分類結(jié)果進(jìn)行優(yōu)化，最終形成了早稻種植面積提取結(jié)果并進(jìn)行了精度評價(jià)，得出以下結(jié)論：

（1）不同極化的雷達(dá)影像數(shù)據(jù)對不同地表覆蓋類型的后向散射系數(shù)具有一定的差異。其中水體具有持續(xù)的較低的后向散射特征，建筑物和裸地表等具有持續(xù)的較強(qiáng)的后向散射特征。水稻的后向散射特征與其生長期基本匹配，主要表現(xiàn)出生長初期較低、生長期明顯升高、收割期后顯著回落的特征。林地以及其他植被覆蓋具有較為穩(wěn)定的后向散射系數(shù)。

（2）利用面向?qū)ο蟛煌跋穹诸惖慕Y(jié)果發(fā)現(xiàn)，SVM的分類方法明顯優(yōu)于最大似然法和最小距離法。但最小距離分類方法對后向散射持續(xù)較高的建筑物和裸地等分類精度較優(yōu)，最大似然法對后向散射較為穩(wěn)定的林地等喬本植物覆蓋分類精度較優(yōu)。

（3）利用NDVI差值變化情況能夠較好地將水稻等植被指數(shù)變化較為明顯的農(nóng)作物提取出來，本文提出了一種新的利用NDVI提取水稻圖斑的方法：利用NDVI差值序列影像組合波段數(shù)據(jù)，基于樣本地類對其進(jìn)行SVM分類，最終提取的水稻種植圖斑精度達(dá)到89.64%，能夠較為準(zhǔn)確地區(qū)分各個(gè)類型的地物。

（4）引入了土地利用現(xiàn)狀圖斑和地形坡度數(shù)據(jù)對提取結(jié)果進(jìn)行優(yōu)化，采用多因素分析的方式可以進(jìn)一步提升水稻種植面積提取的精度。

3.2 討論

（1）雷達(dá)后向散射系數(shù)在對農(nóng)作物的識別中易受到基底水熱條件的變化影響。一般來說，透水層反射的敏感度較大。本研究未能深入探討不同地表覆蓋在后向散射系數(shù)上的特征變化情況，這將是今后進(jìn)一步研究的方向。

（2）旋耕田的雷達(dá)反射系數(shù)與早稻種植初期的和收割期后的水田反射特征具有較高的相似度。此外，其他水生作物（如茭白、蓮藕）等也會(huì)對早稻種植面積的提取造成一定的影響。雖然本研究為排除旋耕田和水生作物對分類結(jié)果的負(fù)面影響進(jìn)行了一定的探索，但并未深入進(jìn)行定量統(tǒng)計(jì)和實(shí)地驗(yàn)證，今后需要在該方向上做更多的探索。

（3）基于landsat TM影像的植被指數(shù)雖然能夠反映不同植被的生長狀況，但其分辨率較低（30 m），采用更高分辨率的影像如Sentinel-2、GF-2等能夠提供更優(yōu)的數(shù)據(jù)支撐。

（4）利用本方法對國產(chǎn)的GF-3衛(wèi)星雷達(dá)影像進(jìn)行早稻種植面積提取可以作為本方法的衍生研究。