摘要" 為評估其在多類地物分類中的有效性，本研究利用GF-6寬幅遙感影像（WFV），對四川西南部復(fù)雜山區(qū)開展大尺度地物分類研究。通過波段組合和植被指數(shù)計(jì)算，提升對植被健康狀況的監(jiān)測能力。特別是紅邊波段（B5）和黃波段（B8）的引入，為植被和土地利用分類帶來了技術(shù)優(yōu)勢。在監(jiān)督分類方法方面，采用了馬氏距離、極大似然法、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和支持向量機(jī)（SVM）4種方法。結(jié)果表明，SVM在處理高維光譜數(shù)據(jù)和復(fù)雜地形條件下表現(xiàn)出色，分類精度最高。馬氏距離和極大似然法的分類精度較低，主要受數(shù)據(jù)假設(shè)和樣本量限制的影響，而神經(jīng)網(wǎng)絡(luò)方法的表現(xiàn)不佳，主要是由于訓(xùn)練樣本數(shù)量和多樣性的不足，導(dǎo)致模型的泛化能力不強(qiáng)。綜合以上結(jié)果，GF-6 WFV影像在地物分類中展現(xiàn)出優(yōu)異性能，尤其在精準(zhǔn)農(nóng)業(yè)和林業(yè)管理方面。未來研究應(yīng)關(guān)注多源遙感數(shù)據(jù)的整合，優(yōu)化算法以提升分類精度，并減少計(jì)算資源消耗。

關(guān)鍵詞" 山區(qū)地物分類；寬幅遙感影像；多光譜信息；紅邊波段；支持向量機(jī)監(jiān)督分類

中圖分類號" Q948；TP79" " " "文獻(xiàn)標(biāo)識碼" A" " " "文章編號" 1007-7731（2024）17-0063-06

DOI號" 10.16377/j.cnki.issn1007-7731.2024.17.016

Application of Gaofen-6 WFV in complex mountain feature classification

ZHANG Luming1，2" " "WANG Baojiang1，2" " SUN Hong1，2" " ZHONG Kun1，2" " LI Dan1，2

（1Key Laboratory of Liangshan Agriculture Digital Transformation of Sichuan Provincial Education Department，

Xichang 615013，China；

2Xichang University ， Xichang 615013，China）

Abstract" Aiming to evaluate its effectiveness in multi-class land cover classification， the GF-6 WFV imagery was used to conduct large-scale land cover classification research in the complex mountainous region of southwest Sichuan. By combining spectral bands and calculating vegetation indices， the ability to monitor vegetation health was enhanced. The introduction of the red-edge band （B5） and yellow band （B8） provided new technical advantages for vegetation and land use classification. In terms of supervised classification methods， four approaches were employed， including Mahalanobis distance， Maximum likelihood， Convolutional neural networks （CNN）， and Support vector machine （SVM）. The research indicated that SVM performed exceptionally well in handling high-dimensional spectral data and complex terrain conditions， achieving the highest classification accuracy. The classification accuracy of the Mahalanobis distance and Maximum likelihood methods was lower， mainly due to data assumptions and sample size limitations. The performance of the Neural network method was suboptimal， primarily due to insufficient quantity and diversity of training samples， which resulted in weak model generalization. The results demonstrated that GF-6 WFV imagery exhibits superior performance in land cover classification， particularly in precision agriculture and forestry management. Future research should focus on integrating multi-source remote sensing data， optimizing algorithms to improve classification accuracy， and reducing computational resource consumption.

Keywords" mountain feature classification; wide field of view; multispectral information; red-edge; Support vector machine classification

隨著科技的進(jìn)步，衛(wèi)星遙感技術(shù)已成為獲取地表信息的重要途徑之一，尤其在地形復(fù)雜的山區(qū)，部分常規(guī)地面調(diào)查方法效率低且覆蓋范圍有限。高分六號衛(wèi)星（GF-6）搭載的多光譜寬幅遙感影像（Wide field of view， WFV）憑借其高空間分辨率和廣覆蓋范圍，在精準(zhǔn)農(nóng)業(yè)和林業(yè)領(lǐng)域表現(xiàn)出色。特別是紅邊波段和黃邊波段的引入，為地物分類提供了技術(shù)支持[1]。這些波段不僅豐富了光譜信息，還明顯提升了分類的準(zhǔn)確性和效率。

近年來，基于高分六號寬幅遙感影像，在農(nóng)作物識別、林業(yè)調(diào)查和火情監(jiān)測等領(lǐng)域開展了廣泛研究。梁繼等[2]、姚保民等[3]和段金饋等[4]利用高分六號多光譜影像證實(shí)了新增譜段對農(nóng)作物識別精度的改善；黃建文等[5]和武紅敢等[6]分別通過隨機(jī)森林和預(yù)警監(jiān)測模型，提升了人工林分類和黃化森林植被監(jiān)測的效果；覃先林等[7]和劉倩等[8]探討了光譜指數(shù)在火燒跡地識別中的應(yīng)用；吉長東等[9]提出的新指數(shù)方法有效提高了對城鎮(zhèn)建成區(qū)的提取精度。上述研究表明，高分六號高分辨率影像在提升地物分類精度方面具有明顯效果，其在復(fù)雜地形的多類地物分類上尚待進(jìn)一步研究。

本研究利用GF-6 WFV，結(jié)合先進(jìn)的數(shù)據(jù)處理和分類技術(shù)，對四川西南部地區(qū)復(fù)雜山區(qū)的地物進(jìn)行大尺度分類研究。首先介紹了GF-6衛(wèi)星影像的特點(diǎn)及其在地物分類中的應(yīng)用潛力，然后通過對比不同的分類方法，探索了適合復(fù)雜山區(qū)多類型地物分類的適宜方法，并評估了其在實(shí)際應(yīng)用中的有效性，旨在為資源調(diào)查、環(huán)境保護(hù)和農(nóng)業(yè)生產(chǎn)等領(lǐng)域提供依據(jù)和技術(shù)支持，促進(jìn)遙感技術(shù)在復(fù)雜山區(qū)的進(jìn)一步應(yīng)用。

1 材料與方法

1.1 數(shù)據(jù)來源

采用GF-6 WFV作為數(shù)據(jù)源，每景幅寬860 km，空間分辨率16 m，為Level 1A級別初級產(chǎn)品，共有兩景數(shù)據(jù)，覆蓋了整個研究區(qū)。北部一景采集時間為2022年11月19日12：16：47，南部一景采集時間為2022年11月27日12：12：37，兩景影像均具有較高的成像質(zhì)量，云量均為1%。該數(shù)據(jù)由中國資源衛(wèi)星應(yīng)用中心（www.cresda.com）提供。GF-6 WFV的空間分辨率約為Landsat8 OLI的2倍。其中，B7為紫波段，適用于淺水和空氣質(zhì)量研究；B1為藍(lán)波段，適用于深水和大氣研究；B2為綠波段，適用于植被研究；B3為紅波段，對人造物體、土壤和植被敏感；B4為近紅外波段，適用于健康植被分類以及水和植被的分辨；B5和B6為紅邊波段，適用于農(nóng)作物的分類研究，能區(qū)分健康農(nóng)作物和不健康的農(nóng)作物；B8為黃波段，可用來識別缺錳的大豆葉片，也可按季節(jié)對單個樹種和作物類型進(jìn)行分類[10]。

1.2 數(shù)據(jù)預(yù)處理

由于WFV數(shù)據(jù)量大，預(yù)處理時間較長，因此首先對兩景影像進(jìn)行輻射定標(biāo)處理，然后進(jìn)行裁剪，再進(jìn)行幾何校正和大氣校正，以減少處理的數(shù)據(jù)量，加快處理進(jìn)度。最后利用ENVI軟件中的Seamless Mosaic無縫拼接技術(shù)，采用基于圖像配準(zhǔn)的拼接方法，將上下兩個遙感影像按照重疊部分進(jìn)行精確定位和配準(zhǔn)，再進(jìn)行融合，得到無縫拼接的遙感影像。拼接后的圖像清晰，上下影像色調(diào)一致，邊緣匹配（圖1A）。圖1B顯示了經(jīng)預(yù)處理的Landsant8遙感影像，圖中箭頭所示的位置存在明顯的拼接痕跡，其原因在于Landsat8影像需8景才能完全覆蓋研究區(qū)，影像拼接涉及8幅圖像的匹配問題，不同遙感影像可能受到光照、季節(jié)、視角和地貌等因素的影響，導(dǎo)致數(shù)據(jù)量和復(fù)雜度增加，可能產(chǎn)生一些匹配錯誤。而GF-6 WFV為寬幅影像，僅需兩景便可完全覆蓋整個研究區(qū)，圖像拼接相對容易。從兩種影像拼接結(jié)果可以看出，GF-6 WFV的拼接效果優(yōu)于Landsat8，更適合大尺度的遙感觀測。

1.3 研究方法

1.3.1 波段組合 GF-6 WFV 16 m寬幅影像的主要優(yōu)勢在于增加了2個紅邊波段、1個黃波段和1個紫波段。這些新增波段通過組合使用，能夠更全面地獲取地表信息，如地形、植被和水體，顯著提高了地物識別的精度和準(zhǔn)確度。

在精準(zhǔn)農(nóng)林業(yè)中，紅邊波段能夠更靈敏地反映植被的健康狀況，而黃波段有助于作物生長狀態(tài)的監(jiān)測。對于海洋和大氣觀測，紫波段提供了更有效的監(jiān)測手段。在土地利用規(guī)劃中，結(jié)合可見光波段與紅外波段，可有效獲取地表植被信息及土地利用狀況。在自然資源管理中，利用紅邊波段與水體指數(shù)的組合，可以實(shí)現(xiàn)對森林和水資源的有效監(jiān)測與管理。此外，在環(huán)境監(jiān)測中，組合可見光波段與紅外波段的數(shù)據(jù)，可用于監(jiān)測火災(zāi)和氣候等環(huán)境變化。

1.3.2 植被指數(shù)計(jì)算 植被指數(shù)用于反映植被的覆蓋狀況和生長情況，廣泛應(yīng)用于實(shí)際觀測中。常見的植被指數(shù)有歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、增強(qiáng)型植被指數(shù)（Enhanced vegetation index，EVI）、葉綠素指數(shù)（Chlorophyll index， CI）以及植被覆蓋度指數(shù)（Fractional vegetation cover，F(xiàn)VC）等。其中，NDVI由近紅外波段和紅波段計(jì)算得到，用于估算植被覆蓋度和生長狀況。相比之下，GF-6 WFV通過結(jié)合近紅外和新增的紅邊波段計(jì)算的歸一化差異紅邊指數(shù)（Normalized difference red edge index，NDRE），在檢測植被葉綠素含量方面表現(xiàn)得更加敏感。這使得NDRE在作物健康狀況的監(jiān)測中更加精確，尤其適用于精準(zhǔn)農(nóng)業(yè)和植被生長的動態(tài)評估[11-12]。

1.3.3 監(jiān)督分類 在遙感地物分類中，常用的監(jiān)督分類方法包括馬氏距離、極大似然法、支持向量機(jī)（Support vector machine，SVM）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）等。馬氏距離是一種基于統(tǒng)計(jì)學(xué)的分類方法，通過測量樣本間的相似度進(jìn)行分類，適用于樣本數(shù)量較多且協(xié)方差矩陣差異不大的情況。其計(jì)算簡單且速度快，但對樣本數(shù)量要求較高，在樣本量不足或數(shù)據(jù)不符合正態(tài)分布時，分類效果較差[13]。極大似然法依賴于統(tǒng)計(jì)概率，假設(shè)數(shù)據(jù)服從正態(tài)分布，通過計(jì)算像素的條件概率進(jìn)行分類。在數(shù)據(jù)分布接近正態(tài)時，該方法能夠充分利用訓(xùn)練樣本的統(tǒng)計(jì)特性，提供較高的分類精度。然而，極大似然法對訓(xùn)練樣本數(shù)量和數(shù)據(jù)分布的要求較高，在樣本量不足或數(shù)據(jù)不符合正態(tài)分布時，分類性能會明顯下降，且計(jì)算過程較為復(fù)雜[14]。神經(jīng)網(wǎng)絡(luò)模擬生物神經(jīng)系統(tǒng)，通過多層感知機(jī)（Multi-Layer perceptron，MLP）或CNN等模型進(jìn)行復(fù)雜的非線性分類。CNN具有強(qiáng)大的學(xué)習(xí)能力，能夠自動提取數(shù)據(jù)特征，適合處理大規(guī)模數(shù)據(jù)和復(fù)雜分類問題。然而，其缺點(diǎn)在于需要大量訓(xùn)練數(shù)據(jù)，訓(xùn)練過程復(fù)雜，容易出現(xiàn)過擬合問題[15]。支持向量機(jī)（SVM）通過構(gòu)建最佳分類超平面，將不同類別的樣本在高維空間中最大化分離。SVM在處理高維和非線性問題時表現(xiàn)優(yōu)異，尤其適用于樣本分布不均衡的情況，但SVM對參數(shù)選擇敏感，在處理大規(guī)模數(shù)據(jù)集時計(jì)算量較大，訓(xùn)練時間較長[16]。

2 結(jié)果與分析

2.1 波段組合定性分析

在GF-6 WFV中，紅邊波段（B5）的引入顯著提高了植被監(jiān)測能力，特別是在葉綠素含量變化的分析上。使用波段5、3、2的組合，能夠?qū)崿F(xiàn)精確的植被物候監(jiān)測和農(nóng)作物估測，健康植被呈紅色，城區(qū)呈青藍(lán)色。波段5、4、3組合則適用于估算植被覆蓋度和葉綠素含量，表現(xiàn)出卓越的性能。對于裸地和水體的監(jiān)測，波段7、3、6組合通過紫波段反映土地裸露度及水體水質(zhì)。用于水稻等農(nóng)作物監(jiān)測的波段3、6、8組合，充分體現(xiàn)了GF-6 WFV在農(nóng)業(yè)領(lǐng)域的廣泛應(yīng)用潛力[17]。

2.2" 植被指數(shù)定量分析

由于NDRE對葉綠素含量更敏感，在植被健康狀況監(jiān)測方面，特別是在農(nóng)業(yè)領(lǐng)域中，對于精細(xì)化的植被覆蓋度分析，使用NDRE可能會比NDVI更具優(yōu)勢。通過設(shè)定NDRE經(jīng)驗(yàn)門檻值，能夠提取并分析植被分布狀況。在圖2A中，設(shè)定NDRE大于0.2為植被覆蓋區(qū)域，將遙感影像數(shù)據(jù)中的植被區(qū)域提取出來，用綠色標(biāo)識，將非植被區(qū)域（建筑、水體、云、道路和裸地等）用白色進(jìn)行標(biāo)識。在圖2B中，使用類似于基于NDVI方法估算植被覆蓋度（FVC），F(xiàn)VC=（NDRE-

NDRE_min）/（NDRE_max-NDRE_min）。其中，NDRE_min對應(yīng)裸土的NDRE值，NDRE_max對應(yīng)完全植被覆蓋的NDRE值。通過設(shè)定不同的FVC門檻值，將植被區(qū)域進(jìn)一步細(xì)分為不同的覆蓋等級，以更加細(xì)致地描述植被的分布情況：FVClt;0.1，為植被極低覆蓋區(qū)，用紅色表示；而0.1≤FVClt;0.3，為植被低覆蓋區(qū)，用深黃色表示；0.3≤FVClt;0.5，為植被中覆蓋區(qū)，用白色表示；0.5≤FVClt;0.7，為植被中高覆蓋區(qū)，用淡綠色表示；0.7≤FVClt;1.0，為植被高覆蓋區(qū)，用綠色表示。

2.3 監(jiān)督分類分析

使用同時期高分辨率Google Earth影像，并結(jié)合“假彩色”等波段組合，選取了GF-6 WFV中的7種地物類型：水體、森林、建筑、大棚、裸地、耕地和光伏用地，并計(jì)算不同類型之間的分離度，即不同地物類別在光譜特征上的差異程度。7種地物的分離度如表1所示，其中，裸地和耕地之間的分離度最低，為1.885 9，這意味著這兩種地物在光譜特征上的區(qū)分較為困難，可能導(dǎo)致分類混淆。而水體與大棚、大棚與光伏用地之間的分離度最高，均為2.000 0，表明這些地物之間的光譜特征差異明顯，分類效果較好。此外，其他地物類型的分離度也接近2.000 0，整體上顯示出較高的樣本可分離性，這對于提高監(jiān)督分類的精度非常有利。

本研究分別采用馬氏距離、極大似然、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和支持向量機(jī)（SVM）4種監(jiān)督分類方法對研究區(qū)的地表覆蓋物進(jìn)行分類試驗(yàn)。在進(jìn)行分類計(jì)算時，將GF-6 WFV 8個波段和NDVI、FVC、EVI 3個指數(shù)合成為11個波段來進(jìn)行分類，以提高數(shù)據(jù)的敏感度和充分度。圖3A～D分別顯示了馬氏距離分類、極大似然分類、神經(jīng)網(wǎng)絡(luò)分類及支持向量機(jī)4種不同監(jiān)督分類方法的結(jié)果。

對上述4種監(jiān)督分類結(jié)果進(jìn)行小范圍高分辨率影像分類驗(yàn)證，結(jié)果顯示，支持向量機(jī)的分類結(jié)果精度最高，更加符合實(shí)際，其Kappa系數(shù)為0.983 7，總精度達(dá)99.165 3%；馬氏距離分類精度最低，其Kappa系數(shù)為0.933 8，總精度為96.898 0%（表2）。僅使用GF-6 WFV 8個波段進(jìn)行監(jiān)督分類時，分類結(jié)果的精度明顯降低，如極大似然分類的Kappa系數(shù)僅為0.901 8，總精度為94.871 4%，相比利用11個波段計(jì)算的分類結(jié)果分別低0.039 9和2.169 1%，表明更多波段能夠提供更多的信息，有利于提高分類的精度。

監(jiān)督分類結(jié)果表明，研究區(qū)大部分地表被森林覆蓋，人工大棚主要分布在中部和南部地區(qū)（圖中標(biāo)注為青色），呈南北向的帶狀分布。耕地主要分布在中西部和東部地區(qū)，裸地則分布在西北部和東部地區(qū)。該結(jié)果與波段組合及植被指數(shù)定性分析的結(jié)果相符合，并與實(shí)際情況一致。支持向量機(jī)分類方法在本研究中取得最高的精度和Kappa系數(shù)。

3 結(jié)論與討論

本研究表明，研究區(qū)森林廣泛分布，耕地主要分布在中西部和東部，建筑用地主要集中在中西部、北部、南部及東部，農(nóng)業(yè)大棚主要分布在中部和南部，裸地主要位于西北部及中東部，光伏發(fā)電用地則零星分布在中西部。該分類結(jié)果與波段組合及植被指數(shù)的提取結(jié)果相符合，并與實(shí)際情況一致，驗(yàn)證了所采用方法的有效性。

GF-6 WFV中的紅邊波段（B5）、黃波段（B8）和紫波段（B7）通過與常規(guī)波段組合，顯著提升了地物識別精度。NDRE在植物健康監(jiān)測中表現(xiàn)出比NDVI更高的靈敏度，能夠更有效地反映植被葉綠素含量，尤其在精準(zhǔn)農(nóng)業(yè)和動態(tài)植被評估中表現(xiàn)出明顯優(yōu)勢。通過設(shè)定NDRE的經(jīng)驗(yàn)門檻值，進(jìn)一步分析了植被覆蓋度（FVC），并將植被區(qū)域細(xì)分為不同的覆蓋等級，提供了更詳細(xì)的植被分布情況，有助于精準(zhǔn)評估植被的覆蓋度和健康狀況。支持向量機(jī)（SVM）分類方法在處理高維光譜數(shù)據(jù)和復(fù)雜地形條件下表現(xiàn)更佳，分類精度最高（Kappa系數(shù)為0.983 7，總精度為99.165 3%）。這說明SVM能夠有效處理高維度數(shù)據(jù)和復(fù)雜地物特征。相比之下，馬氏距離分類由于假設(shè)不同類別的協(xié)方差矩陣相同或近似，不適用于復(fù)雜山區(qū)地物的多變特征；極大似然分類受限于數(shù)據(jù)分布假設(shè)和樣本代表性不足，導(dǎo)致其分類精度較低；神經(jīng)網(wǎng)絡(luò)分類方法需要大量訓(xùn)練數(shù)據(jù)和復(fù)雜參數(shù)調(diào)整，在復(fù)雜山區(qū)難以獲得足夠數(shù)量的樣本。

GF-6 WFV的高空間分辨率和新增的紅邊波段為地物分類和監(jiān)測提供了豐富的光譜信息，特別是在精準(zhǔn)農(nóng)業(yè)和林業(yè)管理方面顯示出顯著優(yōu)勢。相比Landsat8影像，GF-6 WFV在拼接效果和數(shù)據(jù)完整性方面更佳，適合大尺度遙感觀測。未來研究應(yīng)整合來自不同遙感數(shù)據(jù)源的數(shù)據(jù)，以提高分類精度和覆蓋范圍。進(jìn)一步優(yōu)化現(xiàn)有分類算法，探索更高效的方法，以減少計(jì)算資源消耗，縮短處理時間。還需結(jié)合雷達(dá)和LiDAR數(shù)據(jù)等多種數(shù)據(jù)源，并開展動態(tài)監(jiān)測，以適應(yīng)環(huán)境條件的快速變化。

參考文獻(xiàn)

[1] 陸春玲，白照廣，李永昌，等. 高分六號衛(wèi)星技術(shù)特點(diǎn)與新模式應(yīng)用[J]. 航天器工程，2021，30（1）：7-14.

[2] 梁繼，鄭鎮(zhèn)煒，夏詩婷，等. 高分六號紅邊特征的農(nóng)作物識別與評估[J]. 遙感學(xué)報，2020，24（10）：1168-1179.

[3] 姚保民，王利民，王鐸，等. 高分六號衛(wèi)星WFV新增譜段對農(nóng)作物識別精度的改善[J]. 衛(wèi)星應(yīng)用，2020（12）：31-34.

[4] 段金饋，李峰，秦泉，等. 高分六號紅邊波段對夏玉米種植區(qū)識別的影響[J]. 海洋氣象學(xué)報，2023，43（3）：104-112.

[5] 黃建文，李增元，陳爾學(xué)，等. 高分六號寬幅多光譜數(shù)據(jù)人工林類型分類[J]. 遙感學(xué)報，2021，25（2）：539-548.

[6] 武紅敢，米國兵，曾慶偉.高分六號寬幅數(shù)據(jù)的森林植被黃化監(jiān)測應(yīng)用[J].衛(wèi)星應(yīng)用，2022（10）：37-42.

[7] 覃先林，李增元，李凡，等. 高分六號衛(wèi)星數(shù)據(jù) 在森林草原火情監(jiān)測中的應(yīng)用[J]. 衛(wèi)星應(yīng)用，2020（12）：35-37.

[8] 劉倩，覃先林，胡心雨，等. 高分六號寬幅數(shù)據(jù)識別火燒跡地的光譜及指數(shù)分析[J]. 光譜學(xué)與光譜分析，2021，41（8）：2536-2542.

[9] 吉長東，康仲林. 高分六號衛(wèi)星城市建成區(qū)提取方法[J]. 激光與光電子學(xué)進(jìn)展，2021，58（4）：0428003.

[10] VERHOEVEN G J. Near-infrared aerial crop mark archaeology：from its historical use to current digital implementations[J]. Journal of archaeological method and theory，2012，19（1）：132-160.

[11] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian journal of remote sensing，1996，22（3）：229-242.

[12] KANG Y P，MENG Q Y，LIU M，et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors，2021，21（13）：4328.

[13] 王卓卓，何英彬，羅善軍，等. 基于冠層高光譜數(shù)據(jù)與馬氏距離的馬鈴薯品種識別[J]. 江蘇農(nóng)業(yè)學(xué)報，2018，34（5）：1036-1041.

[14] BOSTAD P，LILLESAND T M. Rapid maximum likelihood classification[J].Environmental remote sensing center，1991，57（1）：67-74.

[15] 修麗娜，劉湘南. 人工神經(jīng)網(wǎng)絡(luò)遙感分類方法研究現(xiàn)狀及發(fā)展趨勢探析[J]. 遙感技術(shù)與應(yīng)用，2003，18（5）：339-345.

[16] 王振武，孫佳駿，于忠義，等.基于支持向量機(jī)的遙感圖像分類研究綜述[J].計(jì)算機(jī)科學(xué)，2016，43（9）：11-17，31.

[17] 王利軍，郭燕，王來剛，等.GF6衛(wèi)星紅邊波段對春季作物分類精度的影響[J].河南農(nóng)業(yè)科學(xué)，2020，49（6）：165-173.

（責(zé)任編輯：何" 艷）