李長春　翟偉廣　王春陽　陳偉男　吳喜芳　顧明明

摘要： 使用遙感技術可以快速、準確地識別作物類型。本研究以河南省原陽縣為試驗區(qū)，基于Google Earth Engine（GEE）云平臺，以玉米、水稻關鍵生育期的Sentinel-1A影像為數(shù)據(jù)源，分析各類地物的極化特征時序曲線。對6期Sentinel-1A影像進行窮舉組合，使用隨機森林算法對所有影像組合分類，分析各生育期影像對作物分類的重要性，選出玉米、水稻分類最佳時間窗。結果表明，作物生長中后期影像對作物分類更重要，其中玉米的乳熟期最重要，水稻的灌漿期最重要。全生育期影像組合中玉米的用戶精度和生產(chǎn)者精度分別為90.43%和90.53%，水稻的用戶精度和生產(chǎn)者精度分別為88.89%和89.01%。經(jīng)過優(yōu)選，大喇叭口期至成熟期為玉米分類最佳時間窗，相較于全生育期影像組合，此生育期影像組合的玉米用戶精度和生產(chǎn)者精度分別提高了3.38個百分點和5.26個百分點；拔節(jié)期至成熟期為水稻分類最佳時間窗，相較于全生育期影像組合，此生育期影像組合的水稻用戶精度和生產(chǎn)者精度分別提高了4.73個百分點和2.66個百分點。本研究結果可以為Sentinel-1A影像在原陽縣及其附近區(qū)域的玉米、水稻種植結構監(jiān)測研究提供理論依據(jù)。

關鍵詞： Sentinel-1A影像；玉米；水稻；生育期；隨機森林；時間窗

中圖分類號： S127 文獻標識碼： A 文章編號： 1000-4440（2023）02-0413-10

Time window selection of corn and rice classification in Yuanyang County based on Sentinel-1A image

LI Chang-chun¹， ZHAI Wei-guang¹， WANG Chun-yang¹， CHEN Wei-nan¹， WU Xi-fang¹， GU Ming-ming²

（1.School of Surveying and Land Information Engineering， Henan Polytechnic University， Jiaozuo 454000， China;2.The First Geological Brigade of Henan Province Nonferrous Metals Geology and Mineral Bureau， Zhengzhou 450000， China）

Abstract： The use of remote sensing technology can quickly and accurately identify crop types. Taking Yuanyang County of Henan province as the research area， based on Google Earth Engine （GEE） cloud platform and Sentinel-1A images of corn and rice at the key growth period， the polarization characteristic time series curves of various ground objects were analyzed. The six Sentinel-1A images were combined exhaustively， and the random forest algorithm was used to classify all image combinations， analyze the importance of images in each growth period to crop classification， and select the best time window for corn and rice classification. The results showed that the image of the middle and late growth stages of crop growth was more important for classification. The milk ripening stage of maize was the most important， and the filling stage of rice was the most important. In the whole growth period image combination， the user accuracy and producer accuracy of corn were 90.43% and 90.53% respectively， and the user accuracy and producer accuracy of rice were 88.89% and 89.01% respectively. After optimization， the best time window for maize classification was from big bell stage to mature stage. Compared with the image combination in the whole growth stage， the user accuracy and producer accuracy of maize improved by 3.38 percentage points and 5.26 percentage points， respectively. The best time window for rice classification was from jointing stage to maturity stage. Compared with the image combination in the whole growth stage， the user accuracy and producer accuracy of rice increased by 4.73 percentage points and 2.66 percentage points， respectively. The results of this study can provide a theoretical basis for the monitoring and research of corn and rice planting structure in Yuanyang County and its nearby areas with Sentinel-1A image.

Key words： Sentinel-1A image;corn;rice;growth period;random forest;time window

隨著城市的快速發(fā)展以及人口的不斷增加，糧食安全已逐漸成為人們共同關注的問題^[1-3]。及時、準確獲取作物種植類型和空間分布信息可以保障糧食安全，促進社會經(jīng)濟發(fā)展^[4]。傳統(tǒng)的農(nóng)作物空間分布信息獲取方法需要大量人員實地考察統(tǒng)計，該過程不僅繁瑣且獲取的農(nóng)作物空間分布信息準確度較低。遙感技術在經(jīng)濟性、時效性等方面的優(yōu)勢，為快速、準確獲取農(nóng)作物空間分布信息提供了可能^[5]。

光學遙感影像在作物分類研究中發(fā)揮著重要作用，是目前作物分類研究主要的數(shù)據(jù)源。基于單生育期光學影像進行作物分類會受到異物同譜的影響，導致分類結果中存在較多的錯分、漏分。使用多生育期光學影像，結合作物各時期的光譜差異性，可有效解決異物同譜和同物異譜引起的錯分、漏分問題^[6]。前人基于長時序光學影像對作物進行了較為精確的分類提取，如Xu等^[7]使用多生育期多源光學遙感數(shù)據(jù)完成了山東省2018年冬小麥空間分布圖的繪制；吳靜等^[8]使用時序Sentinel-2光學影像對甘肅省景泰縣的作物進行了分類；蔡耀通等^[9]基于關鍵物候期的多時相多源遙感數(shù)據(jù)，使用卷積神經(jīng)網(wǎng)絡（CNN）算法對水稻種植信息進行提取，其總體精度達到92.11%；白燕英等^[10]提出了一種基于Landsat-8時序歸一化植被指數(shù)（NDVI）曲線的作物種植信息提取方法，作物分類精度達到82.00%以上。但是云雨天氣的影響極大地限制了光學影像的應用，本研究的試驗區(qū)河南省原陽縣的夏季存在頻繁的厚云和降雨，獲取長時序的高質(zhì)量光學影像存在一定難度。

合成孔徑雷達（SAR）分辨率高，重訪周期短，且不受云雨天氣的限制，可以全天候、全天時對地面進行觀測^[11-13]。與此同時，雷達遙感具有穿透性，獲取的影像可以反映作物的葉、莖、枝干等信息^[14-16]。近些年，使用SAR數(shù)據(jù)進行作物分類研究已取得較大進展。李俐等^[17]基于時序Sentinel-1A數(shù)據(jù)對河北省涿州市夏玉米進行了提取，精度高達92.96%；劉警鑒等^[18]使用多時相Sentinel-1A影像對早稻面積進行了提取，其總體精度達到89.01%；Frate等^[19]基于多時相SAR數(shù)據(jù)，使用神經(jīng)網(wǎng)絡算法進行了精確的作物分類；Zeyada等^[20]使用全極化Radarsat-2數(shù)據(jù)結合多種機器學習算法有效提高了多種農(nóng)作物的分類精度，總體精度達94.48%。以上研究結果表明，使用多時相和多極化的SAR數(shù)據(jù)進行作物分類可以取得較高精度，因此SAR數(shù)據(jù)在作物分類研究上具有重大意義^[21]。由于光學遙感影像的質(zhì)量無法得到保證，一定程度上限制了利用光學遙感影像對作物的分類，因此本研究選擇Sentinel-1A影像作為數(shù)據(jù)源。

與前人基于全生育期SAR數(shù)據(jù)對作物進行分類的研究不同，本研究主要探討作物生育期時間窗的優(yōu)化對作物分類的影響。優(yōu)化作物生育期時間窗可以獲得最優(yōu)的作物分類結果，確定作物生長周期內(nèi)哪個生育期對作物分類更重要，減少對整個作物生長周期影像數(shù)據(jù)的需求，降低數(shù)據(jù)冗余并提高分類精度。

本研究擬選取原陽縣玉米和水稻關鍵生育期的Sentinel-1A影像，對其進行窮舉組合，使用隨機森林算法對上述所有影像組合方案進行分類，根據(jù)分類結果優(yōu)選玉米、水稻分類最佳時間窗，以期為Sentinel-1A影像在玉米、水稻種植結構監(jiān)測研究中的應用提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本研究以原陽縣為研究區(qū)，其地處河南北部（北緯34°55′～35°11′，東經(jīng)113°36′～114°15′），區(qū)域總面積1 022 km²。原陽縣地處黃河北岸，是河南省玉米和水稻的主要產(chǎn)區(qū)之一，該地區(qū)為溫帶季風氣候，夏季和早秋多陰雨天氣。研究區(qū)作物一年兩熟，秋收作物主要為玉米和水稻，2種作物的生長周期較為相似，圖1為研究區(qū)地理位置圖。

1.2 Google Earth Engine（GEE）云平臺與遙感數(shù)據(jù)獲取

GEE云平臺是由谷歌公司開發(fā)的遙感云計算處理平臺，該平臺可以對全球尺度的遙感影像進行可視化處理與分析。GEE云平臺具有以下優(yōu)勢：面向大眾的公益平臺；使用簡單，無需配置復雜的設備；數(shù)據(jù)處理迅速。GEE云平臺在作物分類研究中具有巨大潛力^[22-23]。

Sentinel-1A雷達衛(wèi)星是歐洲航天局哥白尼計劃中的地球觀測衛(wèi)星，具有雙極化、重訪周期短等優(yōu)勢^[11-15]。GEE云平臺中的Sentinel-1A影像已使用Sentinel-1工具箱進行過預處理，預處理包括：軌道矯正、熱噪聲去除、相干斑濾波、輻射定標和地形矯正。在GEE云平臺中使用少量代碼即可對預處理過的Sentinel-1A影像進行處理和分析。Sentinel-1A影像的基本參數(shù)見表1。

本研究選取了研究區(qū)6月到9月作物關鍵生育期的Sentinel-1A影像。表2列出了作物關鍵生育期及其對應的影像獲取時間，并對不同時期影像進行標記。

1.3 樣本數(shù)據(jù)獲取

2020年8月，在研究區(qū)進行野外調(diào)查記錄，使用中海達V30型GPS采樣，并結合目視解譯Google Earth高分辨率影像，選出精確可靠的樣本數(shù)據(jù)。將地物分為5大類：玉米、水稻、其他植被（樹林、草地等）、建筑（道路、裸地等）和水體（人造湖、河流等）。本研究共獲取2 090個樣本數(shù)據(jù)，其中水稻455個、玉米464個、水體383個、建筑408個、其他植被380個。將樣本數(shù)據(jù)隨機劃分為訓練集和驗證集，其中約80%的樣本數(shù)據(jù)用作構建訓練集；約20%的樣本數(shù)據(jù)用作構建驗證集。

1.4 試驗方法

首先選取研究區(qū)作物關鍵生育期的Sentinel-1A影像，通過分析各類地物的后向散射系數(shù)時序變化特征，探討各類地物的可分性；然后對各單生育期影像進行窮舉組合，采用隨機森林算法對上述所有影像組合進行分類，分析各生育期影像對作物分類的重要性，優(yōu)選作物分類最佳時間窗。技術流程見圖2。

1.4.1 特征變量數(shù)據(jù)集 在作物生長周期內(nèi)，作物的后向散射特性會隨著作物的生長發(fā)生變化，因此利用極化特征進行作物識別可以取得良好的效果^[24-25]。本研究選取Sentinel-1A影像VV和VH這2種極化方式的極化特征，這2種極化特征在作物分類方面有廣泛的應用場景^[26-27]。

1.4.2 影像數(shù)據(jù)窮舉組合 對作物各生育期Sentinel-1A影像進行窮舉組合。每種數(shù)量影像組合的個數(shù)可以用公式（1）計算：

所有影像組合的數(shù)量（C_All）用公式（2）計算：

式中m：影像組合中單期影像個數(shù)（取1～6）；n：所有單期影像數(shù)量（取6）。

1.4.3 分類方法 本研究采用隨機森林算法進行分類，在諸多遙感分類方法中，隨機森林算法應用廣泛，分類效果較優(yōu)^[28-31]。以往研究結果表明，隨機森林決策樹為50時分類精度高，運算效率快，因此本研究設置決策樹數(shù)量為50^[32]。

1.4.4 精度評定指標 為有效評估不同影像組合的分類結果，本研究采用總體精度（OA）、Kappa系數(shù)、用戶精度和生產(chǎn)者精度^[33]對分類結果進行綜合性分析和評估。

2 結果與分析

2.1 后向散射系數(shù)時序曲線分析

繪制研究區(qū)內(nèi)各類地物VV極化、VH極化后向散射系數(shù)時序曲線（圖3），通過分析各類地物的后向散射系數(shù)變化探究各類地物的可分性。

不同地物的后向散射系數(shù)存在較大差異，其中建筑的后向散射系數(shù)最大，水體的后向散射系數(shù)最小，這2種地物的后向散射系數(shù)在不同時間均沒有太大變化；其他植被的后向散射系數(shù)先降低后升高，7月8日降至最低，然后開始升高；玉米和水稻的后向散射系數(shù)先降低后升高，8月1日降至最低，然后開始升高，9月18日升至最高。2種作物的后向散射系數(shù)前期差異較小，后期差異較大，玉米后期的后向散射系數(shù)比水稻高。表明利用極化特征對作物進行分類具有較好的可分性。

分析各類地物的極化特征時序曲線，可以得到以下結論：①2種作物的后向散射系數(shù)先降低后升高，這是因為作物播種后，前期植株矮小、密度較低，此時土壤的散射作用占據(jù)主導地位，后向散射系數(shù)較高。隨著作物生長，作物覆蓋度逐漸升高，冠層散射作用逐漸增強，后向散射系數(shù)隨冠層密度的增加逐漸變小，玉米的大喇叭口期、水稻的拔節(jié)期降至最低。之后進入作物生長后期，由于果實的生成，葉片逐漸衰老，植被含水率逐漸降低，使土壤的散射作用逐漸增強，后向散射系數(shù)逐漸升高。②隨著時間的推移，2種作物之間的后向散射系數(shù)差異逐漸明顯，并且玉米的后向散射系數(shù)高于水稻。這是因為玉米、水稻種植環(huán)境不同，2種作物的地質(zhì)差異較大，玉米種植地含水率較小，水稻種植地含水率較大，盡管2種作物在生長后期含水率都呈下降趨勢，但是受地質(zhì)影響，玉米含水率始終低于水稻，以致玉米的后向散射系數(shù)較高且隨著生育期的推移與水稻差異逐漸增大。因此，玉米和水稻后期的分類效果相較于前期會更好。

2.2 最佳時間窗分析

對6期影像進行窮舉組合，共計63種組合，所有影像組合的OA、Kappa系數(shù)以及2種作物的用戶精度、生產(chǎn)者精度（以總體精度為基準，從小到大排序）見圖4。

圖4顯示，基于影像數(shù)量多的組合對作物進行分類，其分類精度不一定比影像數(shù)量少的組合高。3期中后期影像組合DEF相較于4期前中期影像組合ABCD，玉米的用戶精度和生產(chǎn)者精度分別提高了1.98個百分點和2.55個百分點，水稻的用戶精度和生產(chǎn)者精度分別提高了4.39個百分點和4.74個百分點；2期后期影像組合EF相較于3期前期影像組合ABC，玉米的用戶精度和生產(chǎn)者精度分別提高了11.20個百分點和10.48個百分點，水稻的用戶精度和生產(chǎn)者精度分別提高了10.21個百分點和8.49個百分點。這是因為玉米和水稻在剛播種時，植株矮小，密度較低，未進入生長期，分類特征不明顯，所以前期識別精度較低。隨著玉米和水稻進入生長中期，2種作物植株增大，冠層密度變大，特征明顯，此時2種作物易與其他地物區(qū)分。之后玉米和水稻進入生長后期，玉米含水率比水稻低，2種作物的后向散射系數(shù)差異逐漸增大，此時玉米和水稻易于區(qū)分。說明利用中后期影像分類效果更佳，對作物分類更重要，多生育期影像組合中添加更多的中后期影像，可以使分類器捕獲更多作物類別之間的差異。

圖4顯示，2種作物的用戶精度和生產(chǎn)者精度均在4期影像組合方案CDEF中取得最大值。為分析其原因，統(tǒng)計2種作物用戶精度和生產(chǎn)者精度排名前10的組合。圖5顯示，排名前10的影像組合均為4期及4期以上影像組合。排名前10的4期、5期和6期影像組合的玉米平均用戶精度分別為91.28%、91.25%和90.43%，玉米平均生產(chǎn)者精度分別為91.61%、91.13%和90.53%，水稻平均用戶精度分別為90.56%、89.49%和88.89%，水稻平均生產(chǎn)者精度分別為89.39%、89.08%和89.01%。排名前10的組合中，4期影像組合處理2種作物的平均用戶精度和生產(chǎn)者精度均為最高。由此可知，4期影像組合分類性能達到最佳，繼續(xù)增加影像會因為數(shù)據(jù)冗余導致分類精度降低。

分析全生育期影像組合中各單生育期影像特征變量權重，圖6顯示，不同生育期影像特征權重不同，隨著作物的生長，各生育期影像特征權重整體呈上升趨勢，證明了作物生長中后期影像對作物分類更重要的結論，這與周濤等^[12]的研究結果一致。E影像的特征權重最大，其次分別是F影像、D影像和C影像，因此4期影像組合中CDEF影像組合的分類精度最高，玉米的用戶精度和生產(chǎn)者精度分別為93.81%和95.79%，水稻的用戶精度和生產(chǎn)者精度分別為93.62%和91.67%。在此基礎上，增加A、B影像的全生育期影像組合ABCDEF的玉米用戶精度和生產(chǎn)者精度分別為90.43%和90.53%，水稻的用戶精度和生產(chǎn)者精度分別為88.89%和89.01%，因為數(shù)據(jù)冗余導致玉米的用戶精度和生產(chǎn)者精度分別降低了3.38個百分點和5.26個百分點，水稻的用戶精度和生產(chǎn)者精度分別降低了4.73個百分點和2.66個百分點。

統(tǒng)計不同影像數(shù)量組合的OA、Kappa系數(shù)以及2種作物用戶精度、生產(chǎn)者精度的最大值。結果（圖7）表明，影像數(shù)量1至6個最佳性能組合分別為E、EF、DEF、CDEF、BCDEF、ABCDEF，其特點是都包含了中后期影像。

統(tǒng)計最佳性能組合中單期影像出現(xiàn)的頻數(shù)，表3顯示，影像E（對應玉米的乳熟期，水稻的灌漿期）出現(xiàn)的頻數(shù)最高，其次是影像F和影像D，進一步證明作物生長中后期影像對作物分類更重要。

2.3 分類結果

2.3.1 典型區(qū)域分類結果分析 選擇包含5種地物類型的典型區(qū)域，將上述6個最佳性能組合的分類結果進行對比分析。其中綠色為玉米，紅色為水稻，白色為其他地物。結果（圖8）表明，單生育期Sentinel-1A影像和多生育期Sentinel-1A影像在作物分類方面存在較大差異。單生育期影像E存在嚴重的錯分和漏分，很難區(qū)分玉米和水稻；所提取的玉米和水稻較為破碎，零碎的種植地塊提取效果較差；受椒鹽噪聲影響，在此分類結果中，水稻呈散落分布。這與單生育期Sentinel-1A影像包含的散射信息較少且玉米和水稻的極化特征相似有關。說明單生育期Sentinel-1A影像在作物分類研究中存在一定的局限性。

相較于單生育期影像，多生育期影像組合分類結果得到明顯改善。EF影像組合的玉米和水稻分類結果較為粗糙；DEF影像組合的椒鹽噪聲明顯減少，但仍存在部分道路旁的林地被誤分為作物的現(xiàn)象，導致道路很難完整地被提取出來；ABCDEF影像組合的玉米和水稻之間的邊界逐漸明顯，所提取的玉米和水稻種植地塊較為完整；BCDEF影像組合中比較窄的道路被提取出來，分類效果進一步提升；CDEF影像組合中的種植規(guī)整、大面積的玉米和水稻地塊完全分離，零碎的種植地塊也被提取出來，其分類結果與目視解譯結果最為接近，且分類效果最好。這是因為多生育期Sentinel-1A影像具有更多的分類特征，包含的散射信息也更多。因此，多生育期Sentinel-1A影像分類效果更好。

2.3.2 研究區(qū)作物空間分布情況 4期影像組合CDEF的分類效果最好，玉米、水稻的用戶精度和生產(chǎn)者精度最高，因此選取玉米大喇叭口期至成熟期為玉米分類最佳時間窗，選取水稻拔節(jié)期至成熟期為水稻分類最佳時間窗?；?期影像組合CDEF繪制原陽縣玉米和水稻的空間分布圖（圖9），玉米種植廣泛，在全縣都有種植，主要種植在適合大規(guī)模灌溉和機械化的土地上。原陽縣是河南省水稻重要的生產(chǎn)、加工基地，因此水稻主要集中在城市周邊和交通發(fā)達的地區(qū)，其余地區(qū)種植較為零散。表4顯示，玉米的用戶精度和生產(chǎn)者精度高于水稻的用戶精度和生產(chǎn)者精度，這是因為研究區(qū)內(nèi)玉米種植面積較大，地塊較為規(guī)整，分類效果較好；水稻的種植規(guī)模較小，地塊較為破碎，影像中存在較多的混合像元，因此分類精度低于玉米。

3 結論

后向散射系數(shù)時序曲線分析結果表明，玉米、水稻與其他地物的后向散射系數(shù)差異明顯；在玉米和水稻的生長過程中，后向散射系數(shù)前期差異較小，后期差異較大，為玉米和水稻的分類提供了理論依據(jù)。

不同生育期的Sentinel-1A影像對作物分類的效果存在差異，通過對63種影像組合和6個最佳性能影像組合分析可知，作物生長中后期的影像對作物分類更重要，多生育期影像組合中添加更多的中后期影像分類效果更好。

全生育期的影像組合并非最優(yōu)分類組合，優(yōu)選出的玉米和水稻分類最佳時間窗影像組合相較于全生育期影像組合，2種作物的用戶精度和生產(chǎn)者精度均得到了不同程度的提升。這說明增加影像數(shù)量在一定程度上可以提高分類精度，但是過多的分類特征會引起數(shù)據(jù)冗余，影響分類效果。優(yōu)選作物分類最佳時間窗可以減少對作物整個生長周期時間序列數(shù)據(jù)的需求，有效降低數(shù)據(jù)冗余并提高分類精度。

參考文獻：

[1] 謝登峰，張錦水，潘耀忠，等. Landsat 8和MODIS融合構建高時空分辨率數(shù)據(jù)識別秋糧作物[J]. 遙感學報， 2015， 19（5）： 791-805.

[2] 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)學報， 2021， 37（1）： 83-92.

[3] DONG Q， CHEN X， CHEN J， et al. Mapping winter wheat in north China using sentinel 2A/B data： a method based on phenology-time weighted dynamic time warping[J]. Remote Sensing， 2020， 12（8）：1274.

[4] 李衛(wèi)國. 作物旱澇災情遙感監(jiān)測進展與思考[J]. 江蘇農(nóng)業(yè)學報， 2013， 29（6）： 1503-1506.

[5] 王慶林，李衛(wèi)國，王榮富. 基于不同時相遙感的冬小麥種植面積的提取[J]. 江蘇農(nóng)業(yè)學報， 2014， 30（6）： 1286-1291.

[6] ZHONG L， HU L， ZHOU H. Deep learning based multi-temporal crop classification[J]. Remote Sensing of Environment， 2019， 221： 430-443．

[7] XU F， LI Z， ZHANG S， 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.

[8] 吳 靜，呂玉娜，李純斌，等. 基于多時相Sentinel-2A的縣域農(nóng)作物分類[J]. 農(nóng)業(yè)機械學報， 2019， 50（9）： 194-200.

[9] 蔡耀通，劉書彤，林 輝，等. 基于多源遙感數(shù)據(jù)的CNN水稻提取研究[J]. 國土資源遙感， 2020， 32（4）： 97-104.

[10]白燕英，高聚林，張寶林. 基于Landsat8影像時間序列NDVI的作物種植結構提取[J]. 干旱區(qū)地理， 2019， 42（4）： 893-901.

[11]LIU C， SHANG J， VACHON P， et al. Multiyear crop monitoring using polarimetric RADARSAT-2 data.[J]. IEEE Transactions on Geoscience and Remote Sensing， 2013，51 （4）： 2227-2240.

[12]周 濤，潘劍君，韓 濤，等. 基于多時相合成孔徑雷達與光學影像的冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學報， 2017， 33（10）： 215-221.

[13]王 迪，周清波，陳仲新，等. 基于合成孔徑雷達的農(nóng)作物識別研究進展[J]. 農(nóng)業(yè)工程學報， 2014， 30（16）： 203-212.

[14]SKAKUN S， KUSSUL N， SHELESTOV A Y， et al. Efficiency assessment of multitemporal C-band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2016， 9（8）： 3712-3719.

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

[16]TORRES R， SNOEIJ P， GEUDTNER D， et al. GMES sentinel-1 mission[J]. Remote Sensing of Environment， 2012， 120： 9-24.

[17]李 俐，孔慶玲，王鵬新，等. 基于時間序列Sentinel-1 A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.

[18]劉警鑒，李洪忠，華 璀，等 .基于Sentinel-1A數(shù)據(jù)的臨高縣早稻面積提取[J]. 國土資源遙感， 2020， 32（1）： 191-199.

[19]FRATE F D， SCHIAVON G， SOLIMINI D， et al. Crop classification using multiconfiguration C-band SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（7）： 1611-1619.

[20]ZEYADA H， EZZ M M， NASR A H， et al. Evaluation of the discrimination capability of full polarimetric SAR data for crop classification[J]. International Journal of Remote Sensing， 2016， 37（11）： 2585-2603.

[21]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.

[22]KUMAR L， MUTANGA O. Google earth engine applications since inception： usage， trends， and potential[J]. Remote Sensing， 2018， 10（10）： 1509.

[23]PHAN T N， KUCH V， LEHNERT L W. Land cover classification using Google Earth Engine and random forest classifier——the role of image composition[J]. Remote Sensing， 2020， 12（15）： 2411.

[24]SMALL D. Flattening gamma： radiometric terrain correction for SAR imagery[J]. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（8）： 3081-3093.

[25]ALCANTARA C， KUEMMERLE T， PRISHCHEPOV A V， et al. Mapping abandoned agriculture with multi-temporal MODIS satellite data[J]. Remote Sensing of Environment， 2012， 124： 334-347.

[26]胡 瓊，吳文斌，宋 茜，等. 農(nóng)作物種植結構遙感提取研究進展[J]. 中國農(nóng)業(yè)科學， 2015， 48（10）： 1900-1914.

[27]SRIKANTH P， RAMANA K V， DEEPIKA U， et al. Comparison of various polarimetric decomposition techniques for crop classification[J]. Journal of the Indian Society of Remote Sensing， 2016， 44（4）： 635-642.

[28]LAWRENCE R L， WOOD S D， SHELEY R L. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications （RandomForest）[J]. Remote Sensing of Environment， 2006， 100（3）： 356-362.

[29]李彬彬，謝 歡，童小華，等. 基于隨機森林的ICESat-2衛(wèi)星數(shù)據(jù)地表覆蓋分類[J]. 紅外與激光工程， 2020， 49（11）： 115-121.

[30]劉 毅，杜培軍，鄭 輝，等. 基于隨機森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J]. 測繪科學， 2012， 37（4）： 194-196.

[31]LOOSVELT L， PETERS J， SKRIVER H， et al. Random forests as a tool for estimating uncertainty at pixel-level in SAR image classification[J]. International Journal of Applied Earth Observation and Geoinformation， 2012， 19： 173-184．

[32]郭群佐，鄧榮鑫，魏義長，等. 河南省原陽縣引黃灌區(qū)水稻田信息提取研究[J]. 濕地科學， 2021， 19（1）： 40-46.

[33]馬戰(zhàn)林，劉昌華，薛華柱，等. GEE環(huán)境下融合主被動遙感數(shù)據(jù)的冬小麥識別技術[J]. 農(nóng)業(yè)機械學報， 2021， 52（9）： 195-205.

（責任編輯：王 妮）