王小飛 張方敏 任祖光 張世豪 高歌

摘要：為了精準獲取河南省冬小麥空間分布及面積數(shù)據(jù)，基于2003—2021年250 m MODIS-NDVI時間序列遙感數(shù)據(jù)集，通過設置不同的閾值條件獲得高質(zhì)量的樣本數(shù)據(jù)，采用深度神經(jīng)網(wǎng)絡（DNN）、隨機森林（RF）和支持向量機（SVM）算法，自動從NDVI時序數(shù)據(jù)中提取冬小麥特征，分別訓練出非線性模型，在250 m尺度對河南省冬小麥分布和面積進行識別。結果表明，基于DNN算法的河南省冬小麥面積識別模型精確率為97.26%，總體一致性為97.97%；基于RF、SVM算法的精確率分別為91.51%和89.31%，總體一致性均在90%以下。和RF、SVM算法相比，DNN算法在精度上有明顯的提升，能夠更好地反映河南省冬小麥的時間變化趨勢和空間面積分布。該研究說明，運用中等分辨率長時間序列影像結合DNN算法，在一定程度上可以更準確識別大區(qū)域的農(nóng)作物信息。

關鍵詞：冬小麥；深度神經(jīng)網(wǎng)絡；NDVI；遙感；時間序列

中圖分類號：S127? 文獻標志碼：A

文章編號：1002-1302（2024）06-0215-10

收稿日期：2023-04-19

基金項目：江蘇省碳達峰碳中和科技創(chuàng)新專項資金（編號：BK20220017）。

作者簡介：王小飛（1995—），男，河南周口人，碩士研究生，主要從事農(nóng)業(yè)遙感研究。E-mail：1573979951@qq.com。

通信作者：張方敏，博士，教授，主要從事農(nóng)業(yè)與生態(tài)氣象研究，E-mail：fmin.zhang@nuist.edu.cn；高歌，博士，研究員，主要從事氣候變化與評估研究，E-mail：gaoge@cma.gov.cn。

冬小麥是河南省的主要農(nóng)作物之一，其產(chǎn)量占全國小麥總產(chǎn)量的28%（2021年統(tǒng)計年鑒）。因此，獲取冬小麥準確的空間分布和種植面積信息，有助于充分發(fā)揮其潛在的生產(chǎn)力，促進我國農(nóng)業(yè)的發(fā)展和糧食安全，這一工作具有非常重要的意義^[1]。遙感技術在作物類型識別和分類中發(fā)揮著關鍵作用，能夠有效提取出不同作物的長勢特征和種植面積，是推進農(nóng)業(yè)現(xiàn)代化的關鍵一步^[2]。由于不同農(nóng)作物在光譜特征上的相似度較高，僅憑借單一時間點的遙感影像進行分類容易出現(xiàn)“異物同譜”和“同物異譜”的問題，從而影響地物的識別分類精度^[3]。針對這個問題，學者們提出使用長時間序列的植被指數(shù)反映不同農(nóng)作物的物候特征^[4]，進而提高農(nóng)作物分類的識別精度^[5]。

近年來，學者們利用MODIS^[6-7]、Landsat^[8]、哨兵^[9]、GF^[10]等系列衛(wèi)星數(shù)據(jù)開展了冬小麥的遙感識別研究。使用的方法主要包括機器學習和非機器學習2種^[11-12]。傳統(tǒng)的非機器學習方法在特定條件下表現(xiàn)良好，但其難以泛化到不同的時間、地點或環(huán)境條件下，因此受到了一定的限制。比如，這些方法通常依賴于手動定義的規(guī)則和閾值來進行特征提取和分類，對于復雜的植被覆蓋類型和變化不夠靈活^[13]。Busetto等^[14]、Skakun等^[15]、Chu等^[16]、Tao等^[17]、Qiu等^[18]和Dong等^[19]基于MODIS、Landsat時序數(shù)據(jù)分別采用PhenoRice算法、高斯混合法、雙高斯函數(shù)方法、冬小麥冬前高峰特征法、物候特征法和時間加權的動態(tài)時間歸整法進行了冬小麥特征提取。采用機器學習方法進行冬小麥遙感識別具有明顯優(yōu)勢，機器學習方法能夠自動從遙感數(shù)據(jù)中學習并提取多維特征，無需事先定義特定規(guī)則或閾值^[20]。利用大量的訓練樣本數(shù)據(jù)，機器學習模型能夠建立復雜的特征-類別關聯(lián)，從而提高冬小麥識別的準確性^[21]。

隨著機器學習算法的快速發(fā)展，深度學習算法通過多層結構和大規(guī)模數(shù)據(jù)訓練，能夠?qū)崿F(xiàn)高度的特征學習和模式識別，在各種應用中能取得卓越的性能^[22]，明顯強于傳統(tǒng)機器學習算法^[23-26]，因此，在基于遙感的地物分類應用也得到了廣泛關注。張乾坤等利用Landsat-8數(shù)據(jù)，通過構建相對最優(yōu)的卷積神經(jīng)網(wǎng)絡結構實現(xiàn)了新疆地物高精度分類^[27]；Sun等使用Landsat-8數(shù)據(jù)構建時間序列，利用深度神經(jīng)網(wǎng)絡（deep neural network，DNN）算法完成美國北達科他州地區(qū)不同作物的分類，總體精度超過了82%^[28]；姚錦一等采用Sentinel-2數(shù)據(jù)，結合DNN算法對色楞格河流域的水體信息進行了提取，總體精度達到了97.65%^[29]；Kussul等結合Landsat-8和Sentinel-1A遙感數(shù)據(jù)，建立時間序列數(shù)據(jù)用于提取作物的物候特征，采用卷積神經(jīng)網(wǎng)絡算法實現(xiàn)了烏克蘭基輔地區(qū)不同農(nóng)作物的分類，精度可達94.6%^[30]。

MODIS提供了較長時間序列的時序數(shù)據(jù)，解決了中高分辨率影像數(shù)據(jù)量大、重訪周期長、大范圍內(nèi)同一時間影像缺失等問題。因此，本研究基于2003—2021年MODIS的250 m歸一化植被指數(shù)（normalized difference vegetation index，NDVI）時序數(shù)據(jù)，利用具有更強的學習能力和更好的泛化性能的DNN算法提取河南省冬小麥種植面積，并和基于隨機森林（random decision forests，RF）、支持向量機（support vector machine，SVM）的機器學習算法的結果進行對比，分析3種機器學習算法下的河南省冬小麥種植面積的提取精度。

1? 研究區(qū)域與數(shù)據(jù)

1.1? 研究區(qū)域概況

河南省是我國內(nèi)陸腹地的一部分，地理位置介于110.21～116.39°E、31.23～36.22°N之間。河南省屬于溫帶季風氣候區(qū)，四季分明，夏季雨水集中，氣候炎熱，冬季干冷。年平均氣溫為10.5～16.7 ℃，年降水量407.7～1 295.8 mm，受東南季風影響，呈現(xiàn)由東南向西北逐漸減少的趨勢。河南省地勢高低不平，西部以山地和丘陵為主，東部以平原為主。平原地區(qū)土層深厚，土質(zhì)肥沃，棕壤和褐土是主要土壤類型，適合冬小麥的生長。河南省是全國冬小麥主要產(chǎn)區(qū)之一。

1.2? 研究數(shù)據(jù)

1.2.1? 遙感數(shù)據(jù)

NDVI數(shù)據(jù)來源于2003—2021年MODIS MYD13Q1產(chǎn)品（http：//earthexplorer.usgs.gov/），16 d融合產(chǎn)品，1年23期，空間分辨率為250 m。使用MODIS數(shù)據(jù)處理工具（MODIS Reprojection Tool）將MYD13Q1數(shù)據(jù)從HDF格式轉(zhuǎn)換為Tiff格式，進行重投影和裁剪等操作，得到河南省冬小麥每年生長季內(nèi)（10月8日到次年6月17日）17期的NDVI數(shù)據(jù)（因閏年和平年的原因，所述日期和實際選取的日期會有1 d的誤差）^[31]。

1.2.2? 樣本數(shù)據(jù)

為獲取河南省主要地物類型分布，結合Google Earth和中國氣象科學數(shù)據(jù)共享服務網(wǎng)（http：//data.cma.cn/）下載的參考樣本點數(shù)據(jù)，在冬小麥生長季將河南省地物類型分為6大類別，即冬小麥、單峰類作物、其他雙峰類作物、林地、建筑用地和水體（圖1）。在研究區(qū)每年共獲得9 970個左右的樣本點（30 580個左右的像元點），包括冬小麥6 000個左右（20 000個左右的像元點）、單峰類作物550個左右（600個左右的像元點）、其他雙峰類作物900個左右（1 000個左右的像元點）、林地1 500個左右（5 700個左右的像元點）、建筑用地1 000個左右（3 100個左右的像元點）、水體20個左右（180個左右的像元點）。隨機選取75%的樣本點作為訓練集，剩下的25%樣本點用于測試集，用來建立冬小麥識別的訓練模型。

1.2.3? 驗證數(shù)據(jù)

為了更好地驗證本研究基于DNN算法的分類精度，使用CLCD 30 m的土地覆蓋數(shù)據(jù)集（https：//zenodo.org/records/4417810）^[32]、國家青藏高原科學數(shù)據(jù)中心提供的2001—2018年250 m 華北平原農(nóng)作物種植區(qū)分布數(shù)據(jù)集（https：//data.tpdc.ac.cn/）^[33]和河南省統(tǒng)計年鑒2003—2021年的冬小麥種植面積（https：//tjj.henan.gov.cn/）進行精度驗證。

2? 研究方法

本研究技術路線如圖2所示。首先，從樣本點中獲取NDVI時序數(shù)據(jù)，然后利用設定的閾值過濾掉低質(zhì)量樣本。然后，運用機器學習模型（包括DNN、RF和SVM）結合樣本的NDVI時序數(shù)據(jù)，對冬小麥進行識別模型的訓練。最后將MODIS-NDVI時序數(shù)據(jù)輸入經(jīng)過訓練的冬小麥識別模型，對冬小麥進行遙感識別，并且對3種機器學習算法的模型精度和冬小麥識別精度分別進行詳細分析。

2.1? 閾值設置

閾值主要是剔除冬小麥樣本中出現(xiàn)的低質(zhì)量像元和一些異像元。冬小麥的生長狀況受雨水、日照等天氣條件影響比較大，比如在2003年、2006年、2008年、2013年一些地區(qū)的冬小麥NDVI值偏低，因此在冬小麥的樣本中通過設置閾值，過濾掉低質(zhì)量的樣本。經(jīng)過多次試驗測試，認為位于冬小麥孕穗期和抽穗期4月14日、4月30日、5月16日的NDVI值能反映出小麥的長勢，在NDVI值偏低的4年，任意時間節(jié)點的NDVI值大于0.78即判斷為質(zhì)量高的冬小麥樣本，在其他NDVI年均值較高的年份，3個時間節(jié)點的NDVI值大于0.8判斷為質(zhì)量高的冬小麥樣本。

在其他單峰類作物、雙峰類作物、林地、建筑用地和水體的樣本中，提取時間序列的NDVI值同樣

需要剔除一些異常值。經(jīng)過多次試驗，認為單峰類作物和雙峰類作物在每個時間節(jié)點的NDVI值不為空值即可，建筑用地的每個時間節(jié)點的NDVI值不應超過0.4。

2.2? 特征選擇

由于河南省南北部氣候差異的原因，小麥種植和收獲的時間會存在一定差異，因此，需要確定識別冬小麥的起始和結束的時間，進而建立NDVI時間序列的特征曲線。冬小麥種植時間在秋季的10—11月之間，該季節(jié)夏玉米、大豆等作物秋收完成，此時的NDVI值介于0.2～0.3之間，河南省冬小麥種植時間差異不大，選擇10月8日作為起始時間。

河南省冬小麥收獲時間大部分集中在5月20日之后和6月20日之前，由圖3可知，在2018年6月2日之后NDVI的曲線走勢出現(xiàn)明顯不同，這是由于2地的冬小麥成熟時間不一致導致的。樣本2所在區(qū)域為南陽地區(qū)，經(jīng)過調(diào)研，此地區(qū)的冬小麥成熟時間大部分集中在5月下旬，收割結束之后，會種植夏糧作物，NDVI值在6月17日會達到0.4以上，而此時河南省東部和北部的小麥正處于收割階段，因此最后一個特征值選擇6月2日的NDVI值。綜上，選擇從10月8日到次年的6月2日共16期的NDVI值作為特征值，可以有效區(qū)分冬小麥、單峰類植物、其他雙峰類植物、林地、建筑用地以及水體（圖4）。

2.3? 構建基于DNN的冬小麥訓練模型

使用Python編程語言對數(shù)據(jù)進行預處理，在基于TensorFlow的深度學習框架下進行DNN模型的搭建、訓練和測試。

2.3.1? DNN網(wǎng)絡層數(shù)和神經(jīng)元個數(shù)設置

網(wǎng)絡結構采用輸入層、全連接層和輸出層，其中輸入層是將輸入的數(shù)據(jù)壓成一維的數(shù)據(jù)，再用全連接層（設置128個神經(jīng)元）接收一維數(shù)據(jù)，進行向量處理，最后由輸出層輸出結果，因為輸出結果有6個（冬小麥、單峰類作物、雙峰類作物、林地、建筑用地、水體），輸出層的神經(jīng)元個數(shù)設置為6。

2.3.2? DNN激活函數(shù)設置

在全連接層中使用relu激活函數(shù)，可以規(guī)避sigmoid函數(shù)飽和區(qū)對網(wǎng)絡收斂的限制，加快模型訓練速度。在神經(jīng)網(wǎng)絡的輸出層中，采用softmax作為激活函數(shù)對全連接層的輸出進行變換，使得輸出符合概率分布。這樣的處理可以將每個輸出值限制在[0，1]之間，并且所有輸出的總和為1，從而更好地表示分類概率。

式中：x為來自上一層神經(jīng)網(wǎng)絡的輸入向量。

式中：σ是softmax激活函數(shù)；z_j表示神經(jīng)網(wǎng)絡模型中第j個節(jié)點的輸出值；K表示模型輸出的節(jié)點個數(shù)，即分類的類別個數(shù)。

2.3.3? DNN訓練方法設置

在compile中配置訓練方法時，選擇adam算法。該算法能夠基于訓練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡的權重，通過計算梯度的一階估計和二階估計為不同的參數(shù)設計獨立的自適應性學習率。本研究使用adam默認參數(shù)，其中一階矩陣指數(shù)衰減率為0.9，二階矩陣指數(shù)衰減率為0.99，穩(wěn)定性常數(shù)為10^-8。

2.3.4? DNN訓練參數(shù)設置

迭代次數(shù)（epochs）設置為100，這表示將對數(shù)據(jù)進行100次迭代訓練。批量大?。╞atch size）設置64，每次迭代從訓練數(shù)據(jù)中隨機選擇64個樣本進行訓練。validation_split設置為0.25，每次會自動隨機選擇75%的數(shù)據(jù)為訓練集，剩下25%的數(shù)據(jù)為測試集。驗證頻率（validation frequency）設置為1，每次迭代后都進行1次驗證，以監(jiān)測模型性能。

最后，使用訓練好的模型對MODIS-NDVI遙感影像進行分類，提取出冬小麥的空間分布和種植面積。

2.4? 構建基于RF和SVM的冬小麥訓練模型

為驗證DNN算法的優(yōu)越性，將其與機器學習框架下的RF和SVM算法進行對比。基于RF和SVM算法的冬小麥訓練模型使用和DNN算法一樣的數(shù)據(jù)集。其中，RF訓練模型的參數(shù)設置：子樹的數(shù)量為100，每棵樹的最大深度為9，隨機種子為42；SVM訓練模型的參數(shù)設置：使用線性基作為SVM的核函數(shù)，懲罰因子C為1，松弛變量γ為10^-1，隨機種子為42。RF和SVM將數(shù)據(jù)集75%的樣本作為訓練集，剩下25%的樣本為測試集。

3? 結果與分析

3.1? 識別結果

根據(jù)2003—2021年的樣本數(shù)據(jù)，基于DNN訓練出冬小麥識別模型，利用這個模型遍歷讀取了冬小麥生長季內(nèi)的16期MODIS-NDVI遙感影像，依次得到河南省2003—2021年冬小麥的空間分布圖（圖5），并統(tǒng)計得到冬小麥面積時間序列圖（圖6）。由圖5和圖6可知，2003—2021年河南省的冬小麥空間分布格局變化不明顯，河南省冬小麥種植面積整體呈上升趨勢。

3.2? 分類精度分析

3.2.1? 模型精度分析

在本研究中，通過精確率和損失率來評估模型的優(yōu)劣，精確率衡量了模型預測的陽性樣本中真正陽性樣本的比例，而損失率則代表了模型預測錯誤的樣本所占的比例^[34]。如表1所示，基于DNN算法的多年精確率為97.26%（最高為2003年的98.43%，最低為2012年的95.14%），比RF、SVM算法精確率分別提升5.75、7.95百分點?；跇颖军c的多年損失率為7.07%，其中最高為2012年的12.27%，最低為2003年的4.12%，比RF、SVM算法損失率分別降低19.79、22.46百分點。該結果與張榮群等^[3]、王連喜等^[23]、張錦水等^[35]和徐青云等^[36]對比，精確率分別提升8.31、2.10、1.77、11.54百分點，表明該模型的精度較好，可以對河南省冬小麥的空間分布和面積進行提取。

3.2.2? 識別精度分析

使用ArcMap軟件對2003—2021年CLCD 30 m的土地覆蓋數(shù)據(jù)集進行250 m重采樣，然后分別與使用DNN、RF和SVM方法的250 m冬小麥分類圖進行空間對比。以2005、2015年為例（圖7），2005年基于DNN的方法冬小麥分布較稀疏，2015年3種方法的結果較一致。遍歷每個年份的250 m分辨率的冬小麥分類圖和CLCD數(shù)據(jù)集，比較2個數(shù)據(jù)集中相同像元位置上的類別，并記錄冬小麥和CLCD數(shù)據(jù)集中相同類別的像元數(shù)量，統(tǒng)計每個年份的冬小麥總像元數(shù)量，并計算相同類別像元數(shù)量與冬小麥總像元數(shù)量的比值，得到2003—2021年DNN預測的冬小麥空間分布與CLCD數(shù)據(jù)集耕地的重疊率達到98%以上，RF和SVM預測的冬小麥空間分布重疊率為90%左右。

以國家青藏高原科學數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)分布圖作為實際數(shù)據(jù)，使用DNN、RF和SVM方法得出的結果作為預測數(shù)據(jù)，比較實際冬小麥面積數(shù)據(jù)和DNN、RF和SVM方法預測的冬小麥數(shù)據(jù)。結果表明，2003—2018年河南省冬小麥面積與DNN預測的面積一致性達到95%以上，與RF和SVM預測的面積一致性在90%以下。以2018年商丘和2017年周口的結果為例（圖8），一致性分別為95.29%、98.62%，與RF方法的一致性分別為92.02%、89.43%，與SVM的一致性分別為92.43%、87.56%。對比結果進一步說明了使用基于DNN的冬小麥訓練模型能夠較好地獲取河南省2003—2021年冬小麥空間分布信息。

同樣采用上述方法，與河南省統(tǒng)計年鑒中的冬小麥播種面積數(shù)據(jù)進行對比，結果（表2）表明，基于DNN方法計算2003—2021年的分類面積與統(tǒng)計面積的一致性平均為97.97%（最高為2016年的99.99%，最低為2003年的93.28%），并且和基于統(tǒng)計面積的變化趨勢一致，均為遞增趨勢。而RF和SVM算法預測面積在2003—2006年誤差率高達20%～35%，導致基于RF和SVM算法的2003—2021年河南省冬小麥預測面積呈遞減趨勢，與統(tǒng)計年鑒面積趨勢變化呈相反結果。結果說明了基于DNN的冬小麥訓練模型優(yōu)于RF和SVM算法，亦能很好地反映河南省冬小麥的多年面積變化情況。

4? 討論

盡管冬小麥生長周期內(nèi)的NDVI時間序列曲線基本一致，但是由于每年氣候變化和作物管理方式不同，每年的NDVI時間序列曲線仍有變化^[37]，如圖9所示（該冬小麥樣本點位于116.19°E、33.88°N），2019年冬小麥的NDVI明顯低于其他年份，2012年10月到12月的NDVI值遠高于其他年份，2008年1月9日的NDVI值達到歷年最低。因此，本研究根據(jù)當年的樣本集訓練出當年的冬小麥模型，會減小多年間作物生長差異對模型精度的影響。

本研究所使用的是250 m MODIS遙感數(shù)據(jù)，存在混合像元的情況。為了提高分類結果的準確性，本研究將混合像元中實際冬小麥占比大于50%的像元分類為冬小麥，實際冬小麥占比小于50%的像元分類為非冬小麥，由于冬小麥的時序曲線變化和其他雙峰類作物的曲線類似，需要收集更多的其他雙峰類作物的樣本，充分發(fā)揮DNN對于大樣本大數(shù)據(jù)處理的優(yōu)勢，減少混合像元帶來的誤差。因此，未來的研究可以采用多種高分辨率遙感數(shù)據(jù)和多種機器學習算法相結合的方法提高識別精度。

DNN是由多個感知器組成的集成學習模型，具有很強的非線性擬合能力，通過本研究3種機器學習算法的精度對比可以發(fā)現(xiàn)，DNN的分類能力遠遠優(yōu)于其他2種機器學習算法，但是也存在一定的不確定性。在分類的結果中，有小部分冬小麥像元會識別成其他類型，其原因可能是該地區(qū)的天氣相關，如冬季的雨雪天氣、春季的干旱以及管理農(nóng)作物方式的不同都會導致NDVI的異常，也可能是由于模型的不足，會對精度的評價產(chǎn)生一定的影響。因此需要對DNN模型的分類過程進行更深入的研究，以揭示其“黑盒”性質(zhì)，提高對其分類結果的信任度和可靠性^[38]。

5? 結論

本研究以2003—2021年的MODIS-NDVI為數(shù)據(jù)源，根據(jù)河南省的地勢和氣候完成對地表混合像元和異常值的處理，利用處理后的NDVI時間序列作為特征值，構建基于DNN、RF和SVM的冬小麥識別機器學習算法模型，與已知的數(shù)據(jù)對比對識別的冬小麥進行精度驗證。結果表明，在空間上，基于DNN算法的2003—2021年冬小麥分布與CLCD數(shù)據(jù)集在耕地上的重疊率達到98%以上，與青藏高原科學數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)的一致性達95%以上，與河南省統(tǒng)計年鑒中的冬小麥面積一致性平均為97.97%，并且變化趨勢保持一致?；赗F和SVM算法的冬小麥分布的識別結果與相同數(shù)據(jù)集的對比顯示，在重疊率和一致性上這2種算法均低于DNN的冬小麥識別結果，并且不能很好地反映冬小麥的時間變化趨勢。結果說明了基于DNN算法的模型能更有效地提取反映作物生長信息的時間和空間特征，提高了大范圍冬小麥的空間分布和面積數(shù)據(jù)的精確度。

參考文獻：

[1]孫九林. 中國農(nóng)作物遙感動態(tài)監(jiān)測與估產(chǎn)總論[M]. 北京：中國科學技術出版社，1996：1-8.

[2]何忠，謝國雪，林垚君，等. 遙感技術在我國甘蔗產(chǎn)業(yè)的應用綜述[J]. 國土資源信息化，2020（4）：22-27.

[3]張榮群，王盛安，高萬林，等. 基于時序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機械學報，2015，46（增刊1）：246-252.

[4]饒新宇，李紅軍，張圣微，等. 草原植被長勢遙感監(jiān)測方法適宜性研究[J]. 中國生態(tài)農(nóng)業(yè)學報（中英文），2021，29（12）：2084-2092.

[5]Liang S L. Quantitative remote sensing of land surfaces[M]. New Jersey：John Wiley & Sons，2003：494-501.

[6]Bognár P，Kern A，Pásztor S，et al. Yield estimation and forecasting for winter wheat in Hungary using time series of MODIS data[J]. International Journal of Remote Sensing，2017，38（11）：3394-3414.

[7]Pan Y Z，Li L，Zhang J S，et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment，2012，119：232-242.

[8]Skakun S，Vermote E，F(xiàn)ranch B，et al. Winter wheat yield assessment from Landsat 8 and Sentinel-2 data：incorporating surface reflectance，through phenological fitting，into regression yield models[J]. Remote Sensing，2019，11（15）：1768.

[9]Xu F，Li Z F，Zhang S Y，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.

[10]Huawei Mou A，Huan Li B，Yuguang Zhou C，et al. Estimating winter wheat straw amount and spatial distribution in Qihe County，China，using GF-1 satellite images[J]. Journal of Renewable and Sustainable Energy，2021，13（1）：013102.

[11]Zhang X W，Qiu F，Qin F. Identification and mapping of winter wheat by integrating temporal change information and Kullback-Leibler divergence[J]. International Journal of Applied Earth Observation and Geoinformation，2019，76：26-39.

[12]Zhang Q X，Wang G F，Wang G J，et al. Identifying winter wheat using landsat data based on deep learning algorithms in the North China Plain[J]. Remote Sensing，2023，15（21）：5121.

[13]Shi W Z，Zhang M，Zhang R，et al. Change detection based on artificial intelligence：state-of-the-art and challenges[J]. Remote Sensing，2020，12（10）：1688.

[14]Busetto L，Zwart S J，Boschetti M. Analysing spatial-temporal changes in rice cultivation practices in the Senegal River Valley using MODIS time-series and the PhenoRice algorithm[J]. International Journal of Applied Earth Observation and Geoinformation，2019，75：15-28.

[15]Skakun S，F(xiàn)ranch B，Vermote E，et al. Early season large-area winter crop mapping using MODIS NDVI data，growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment，2017，195：244-258.

[16]Chu L，Liu Q S，Huang C，et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series：a case study in the Yellow River Delta，China[J]. Journal of Integrative Agriculture，2016，15（10）：2403-2416.

[17]Tao J B，Wu W B，Zhou Y，et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture，2017，16（2）：348-359.

[18]Qiu B W，Hu X，Chen C C，et al. Maps of cropping patterns in China during 2015—2021[J]. Scientific Data，2022，9：479.

[19]Dong J，F(xiàn)u Y Y，Wang J J，et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data，2020，12（4）：3081-3095.

[20]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.

[21]Li Y S，Li X W，Zhang Y J，et al. Cost-efficient information extraction from massive remote sensing data：when weakly supervised deep learning meets remote sensing big data[J]. International Journal of Applied Earth Observation and Geoinformation，2023，120：103345.

[22]Goodfellow I，Bengio Y，Courville A. Deep learning[M]. Cambridge：The Massachusetts Institute of Technology Press，2016：164-172.

[23]王連喜，徐勝男，李琪，等. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學報，2016，32（5）：182-187.

[24]李龍，李旭青，吳伶，等. 基于決策樹和神經(jīng)網(wǎng)絡的農(nóng)作物分類研究——以廊坊市為例[J]. 紅外，2019，40（3）：24-31，36.

[25]蘇騰飛，劉全明，蘇秀川. 基于多種植被指數(shù)時間序列與機器學習的作物遙感分類研究[J]. 江蘇農(nóng)業(yè)科學，2017，45（16）：219-224.

[26]楊野，楊德昌，孫紅，等. 基于無人機多光譜遙感和機器學習算法的南疆棉花生物量估算[J]. 江蘇農(nóng)業(yè)科學，2023，51（15）：179-187.

[27]張乾坤，蒙繼華，任超.構建地塊二維表征及CNN模型的作物遙感分類[J]. 遙感學報，2022，26（7）：1437-1449.

[28]Sun Z H，Di L P，F(xiàn)ang H，et al. Deep learning classification for crop types in North Dakota[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：2200-2213.

[29]姚錦一，王卷樂，嚴欣榮，等. 基于深度神經(jīng)網(wǎng)絡的蒙古國色楞格河流域水體信息提取[J]. 地球信息科學學報，2022，24（5）：1009-1017.

[30]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.

[31]李炳軍，張一帆. 不同生育期氣候變化對河南省冬小麥產(chǎn)量影響的量化分析[J]. 江蘇農(nóng)業(yè)科學，2022，50（12）：238-246.

[32]Yang J，Huang X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data，2021，13（8）：3907-3925.

[33]Li J D，Lei H M. Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001—2018[J]. Computers and Electronics in Agriculture，2021，187：106222.

[34]Pleoianu A I，Stupariu M S，andric I，et al. Individual tree-crown detection and species classification in very high-resolution remote sensing imagery using a deep learning ensemble model[J]. Remote Sensing，2020，12（15）：2426.

[35]張錦水，趙光政，洪友堂，等. 基于像元物候曲線匹配的生長季內(nèi)河北省冬小麥空間分布識別[J]. 農(nóng)業(yè)工程學報，2020，36（23）：193-200.

[36]許青云，楊貴軍，龍慧靈，等. 基于MODIS NDVI多年時序數(shù)據(jù)的農(nóng)作物種植識別[J]. 農(nóng)業(yè)工程學報，2014，30（11）：134-144.

[37]Wu C Y，Chen J M. Diverse responses of vegetation production to interannual summer drought in North America[J]. International Journal of Applied Earth Observation and Geoinformation，2013，21：1-6.

[38]田富有，吳炳方，曾紅偉，等. 基于多層神經(jīng)網(wǎng)絡與Sentinel-2數(shù)據(jù)的大豆種植區(qū)識別方法[J]. 地球信息科學學報，2019，21（6）：918-927.