1.本发明涉及一种卫星遥感图像处理方法，特别是一种利用已有卫星遥感图像数据获得柑橘种植地块的分布信息的方法。
背景技术：
：：2.柑橘(citrusreticulatabanco)是一种适宜中国南方发展的常绿果树，柑橘产业成为南方地区脱贫攻坚与乡村振兴的特色支柱产业[1‑3]。据统计数据显示，近年来柑橘产量及种植面积呈增长趋势。根据农业农村部数据，2018年全国柑橘种植面积达2.49×106hm2，已超越苹果成为中国栽培面积和产量最高的水果[4]。其中广西柑橘种植面积达3.88×105hm2，居全国第一位，产值突破1000亿元[5‑6]。柑橘产业不断扩张，并向集约化、规模化方向发展。获取柑橘果园的种植面积和空间分布信息，可以探索柑橘扩张的位置、扩张的过程及其背后的社会、经济、生态效益等，是指导柑橘产业科学发展的重要基础和依据。[0003]遥感技术为实时、准确、大范围获取植被空间分布信息提供可能[7‑9]。近年来，面向水稻、玉米、小麦、大豆等一年生作物的遥感制图技术已日趋成熟，面向柑橘等多年生作物的遥感制图研究正逐步兴起。王帅[10]利用高分一号数据结合面向对象的方法对柑橘分层次提取；张起明等[11]、陈优良等[12‑13]分别利用googleearth数据、landsat数据提取柑橘并对赣南地区不同县域的柑橘空间特征及面积变化进行分析；徐晗泽宇等[14]利用landsat数据结合随机森林的方法提取了春秋两季的柑橘果园，研究发现，农作物、稀疏林地等与柑橘果园光谱相似，易发生混分现象，柑橘与耕地的错分误差均在20％左右。尽管有限的光谱信息无法精准刻画柑橘遥感识别特征，但上述研究大多集中在中国赣南地区，该地区除柑橘外一般较少有其他果园，一定程度上简化了遥感识别对象的复杂性。有研究表明，研究区果园种植类型单一时，利用光谱和纹理等特征即可较好实现遥感识别[15]。但不同果园之间的光谱特征较为相似，因此，在光学遥感影像保障率与可用性低、果园种植类型复杂条件下，利用光谱信息直接开展柑橘遥感识别存在一定困难[16]。[0004]在光谱信息不充足的情况下，物候信息可作为对光谱信息的重要补充，当前许多研究选择多时间窗口物候信息对一年生作物进行遥感分类[17‑19]。例如，油菜花在花期会开出黄色花朵，在开花最旺盛的时期特征最明显，而在开花过程中和凋谢过程中特征减弱，基于此有研究提出了利用归一化黄色指数(normalizeddifferenceyellowindex，ndyi)等检测开花期峰值的识别方法[22]。有研究也开始尝试将物候信息应用于多年生作物遥感分类。梁守真等[20]利用landsat数据，以落叶时节的2月休眠期为关键物候期，对多年生橡胶树的空间分布进行提取；李龙伟等[21]基于4个季节的sentinel多光谱影像，分析茶园物候及光谱特征，最终确定5月为关键物候期，并成功构建归一化茶园指数提取多年生茶园的空间分布信息。由于多年生作物之间的关键物候期与物候特征各不相同，如何确定柑橘的关键物候期与物候特征尚未见报道。技术实现要素：[0005]本发明要解决的技术问题是提供一种基于多时相遥感植被指数的柑橘识别方法，以减少或避免前面所提到的问题。[0006]本发明提供了一种基于多时相遥感植被指数的柑橘识别方法，其用于获取指定地理区域内的柑橘种植地块的空间分布信息，其包括如下步骤：[0007]步骤a，对于所述指定管理区域，获取连续的至少三年的卫星遥感数据，基于云层覆盖评价，选取其中一年的8月、10月、11月、12月4个月份的数据，逐月构建多时相数据集。[0008]步骤b，根据步骤a获得的多时相数据集，按照如下公式进行归一化植被指数计算。[0009][0010]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率。[0011]之后即可根据所获得的的植被指数，对其他作物进行剔除，提取出保护柑橘的图层。[0012]之后，即可进一步根据下列公式进行再归一化的植被指数计算。[0013][0014]上式中，a为果实膨大期的最后一个月份，b为果实膨大期结束后的第一个月份，via是a月份的最大植被指数vi合成值，vib是b月份的最大植被指数vi合成值。基于rnvi指数建立研究区柑橘判定规则，若待判定像元的rnvi值为负值，则该像元判定为柑橘，若待判定像元的rnvi值为正值，则该像元判定为非柑橘。最终获得指定管理区域的柑橘种植地的空间分布信息。[0015]优选地，在步骤a中，卫星遥感数据sentinel‑2时序卫星遥感数据的level‑1c产品。[0016]优选地，在步骤a中，获取连续的至少三年的卫星遥感数据后，利用googleearthengine平台首先对影像进行质量评价和筛选，然后通过质量波段对高质量影像进行去除云层处理，最后从每一个影像像元时间序列栈内剪辑出中值，即影像时间序列上的合成。[0017]优选地，在步骤a中，使用median函数获取时间序列内影像的每个像元中值进行重构。sentinel‑2有3个质量波段，其中qa60是具有云层波段信息的位掩模波段，用bit10的值代表不透明云层，bit11代表卷云，设置两者的值均为0，得到云层掩膜，去除影像中的云层信息，经过裁剪和拼接处理后得到无云的重构影像。[0018]本发明所提供的一种基于多时相遥感植被指数的柑橘识别方法，可提供较高精度的柑橘种植地块的空间分布数据，从而为区域尺度的柑橘种植信息监测提供了便捷有效的技术手段。附图说明[0019]以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，[0020]图1为根据本发明的一个具体实施例的一种基于多时相遥感植被指数的柑橘识别方法所选择的地理区域的位置示意图；[0021]图2为南宁市武鸣区的sentinel‑2数据覆盖示意图；[0022]图3为图1所示地理区域的2017至2019年云层覆盖统计示意图；[0023]图4为图1所示地理区域的主要作物的物候历示意图；[0024]图5为图1所示地理区域的柑橘种植地块的分布示意图。具体实施方式[0025]为了对本发明的技术特征、目的和效果有更加清楚的理解，现参照附图说明本发明的具体实施方式。[0026]本发明提供了一种基于多时相遥感植被指数的柑橘识别方法，其用于获取指定地理区域内的柑橘种植地的空间分布信息，其包括如下步骤：[0027]步骤a，对于所述指定管理区域，获取连续的至少三年的卫星遥感数据，基于云层覆盖评价，选取其中一年的8月、10月、11月、12月4个月份的数据，逐月构建多时相数据集。[0028]图1为根据本发明的一个具体实施例的一种基于多时相遥感植被指数的柑橘识别方法所选择的地理区域的位置示意图；参见图1所示，为了更好的说明本发明所提供的技术方案，在本技术中，选取广西壮族自治区南宁市武鸣区为指定地理区域(22°59′58″n～23°33′16″n、107°49′26″e～108°37′22″e)。武鸣区总面积3378km2，辖13个乡镇，四周为低山、丘陵，中部为盆地，丘陵面积占63.50％。区域内年平均气温21.7℃，极极端最低气温‑0.8℃，年平均降雨1100～1700ml，年平均日照总时数1665h，属于亚热带季风气候，光热充足，雨量充沛，降雨均匀，雨热同季，秋季昼夜温差较大，有利于光合产物积累。区域内种植结构复杂，种类繁多，除柑橘外，水稻、玉米、甘蔗、香蕉等作物均有种植。根据广西壮族自治区统计年鉴，武鸣区柑橘约从2012年开始扩张，至2014—2015年形成一定的规模。[0029]图2为南宁市武鸣区的sentinel‑2数据覆盖示意图；参见图2所示，在本发明的具体实施例中，选用了sentinel‑2时序卫星遥感数据的level‑1c产品(空间分辨率10m)，并基于googleearthengine平台开展数据处理与分析。武鸣区由sentinel‑2的48qyl、48qym、48qzl、48qzm、49qbf、49qbg六景影像覆盖。数据产品为大气表观反射率(topofatmosphere，toa)，且已经过正射校正和亚像元级几何精校正，所有数据的处理均可通过平台在线编写代码实现(https://developers.google.com/earth‑engine/datasets/catalog/copernicus_s2)。[0030]在指定管理区域存在多云多雨情况的条件下，可获取的多景影像往往均存在云层干扰情况，为了有效去除云层的影响。在本技术中，采用连续的至少三年的数据进行分析。[0031]具体来说，先收集2017、2018、2019三年数据，利用googleearthengine平台首先对影像进行质量评价和筛选，然后通过质量波段(thequalityassessment，qa)对高质量影像进行去除云层处理，最后从每一个影像像元时间序列中剪辑出中值，即影像时间序列上的合成[24]。图3为图1所示地理区域的2017至2019年云层覆盖统计示意图，参见图3所示，[0032]首先，对影像云覆盖情况进行统计和质量评价，发现各年份上半年数据质量普遍较差(云层覆盖量大于30％)，各年份下半年数据质量普遍优于上半年。分析所有下半年数据发现，2017年高质量数据缺失严重；2019年下半年质量良好的数据分布不均衡，尤其是10月至11月数据质量差，云层覆盖严重；2018年下半年数据质量总体优于其他年份。[0033]根据已有研究，在农作物进入收获期的10—12月，水稻、玉米、甘蔗、香蕉等作物的光谱特征与柑橘差异较大[25]。同时，根据云层覆盖分析结果，这一时段云层污染程度较低，影像数据质量较高。为了既能兼顾影像质量，又能兼顾柑橘关键物候期，本研究使用median函数获取2018年10—12月这一时间序列内影像的每个像元中值进行重构。sentinel‑2有3个质量波段，其中qa60是具有云层波段信息的位掩模波段，可用bit10的值代表不透明云层，bit11代表卷云，设置两者的值均为0，得到云层掩膜，去除影像中的云层信息，经过裁剪和拼接处理后得到无云的10—12月重构影像[24,26]，并将其用于地物光谱分析。此外，基于云层覆盖评价，进一步选取有较多高质量影像(云层覆盖小于30％)的8月、10月、11月、12月4个月份，逐月构建多时相数据集，将其用于提取多时相的植被指数。[0034]此外，需要说明的是，遥感影像分析结果需要地面真值数据进行精度验证。地面数据一般通过地面样方法或地面样本点法获取，前者指调查植物群落时所选用的有代表性的一定平方面积的地块，该方法成本较高、流程复杂，多用于生物量估算等定量遥感方面的研究[27‑28]；后者一般指反映土地覆盖类型的地理坐标，该方法成本较低、流程简单，多用于遥感影像分类研究。综合考虑前人研究[14‑16]与采样效率，在本技术的具体实施例中，选择地面样本点法开展遥感分类结果精度验证。发明人于2019年12月完成野外实地调查，保证样本点可以覆盖研究区柑橘种植面积较大的乡镇及周边区域，共采集柑橘样本点839个，非柑橘的主要植被样本点912个(样本点分布见图1)。非柑橘样本点包括4种主要作物类别，根据种植面积的统计数据，这4类作物在该区大面积种植，是研究区除柑橘以外的主导作物，涵盖香蕉(果树)、甘蔗(经济作物)、水稻(水田)和玉米(旱地)。由于中部平原地区种植面积大、种类繁多，在中部乡镇及周边采样较多；四周山区种植面积与其他乡镇相比较少，少量柑橘种植于山间盆地等，因此仅选取一个乡镇作为代表进行采样调查。[0035]在本技术中，假设柑橘分布情况不会在1年时间内发生显著变化，因此采用2019年的地面样本数据验证2018年的遥感分类结果。为进一步确保假设的合理性，野外调查期间重点确保了地面样本点在2018年与2019年不发生变化，同时，通过googleearth同期影像进一步比对确认，以确保样本数据的代表性和准确性[29‑30]。[0036]步骤b，根据步骤a获得的多时相数据集，按照如下公式进行归一化植被指数计算。[0037][0038]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率。[0039]之后即可根据所获得的的植被指数，对其他作物进行剔除，提取出保护柑橘的图层。[0040]之后，即可进一步根据下列公式进行再归一化的植被指数计算。[0041][0042]上式中，a为果实膨大期的最后一个月份，b为果实膨大期结束后的第一个月份，via是a月份的最大植被指数vi合成值，vib是b月份的最大植被指数vi合成值。基于rnvi指数建立研究区柑橘判定规则，若待判定像元的rnvi值为负值(rnvi<0)，则该像元判定为柑橘，若待判定像元的rnvi值为正值(rnvi>0)，则该像元判定为非柑橘。[0043]如前所述，在所述指定区域内，除柑橘外，水稻、玉米、甘蔗、香蕉等作物均有种植，图4为图1所示指定区域主要作物物候历。[0044]柑橘(citrusreticulatabanco)属芸香科下属植物，是热带、亚热带常绿果树，生长周期较长，一般种植2～3年可结果，果实成熟后挂果可长达3～4个月，花果同期。根据实地调研所获取的信息，建立研究区柑橘及其他主要作物类型的物候历并分析不同作物的物候信息(图4)。[0045]参考已有文献[31]对一年时间周期内成龄柑橘果树的物候信息进行分析。由于柑橘属阔叶常绿树种，叶片常常会遮挡花期的花朵，柑橘在花期并没有明显的光谱特征变化；在夏梢期，常绿树冠层颜色与花期基本一致，因此1—6月可能不是柑橘识别的最佳时间窗口。7—10月是果实膨大期，柑橘果实开始生长与成熟，颜色由绿色逐渐转变为成熟色(橙色/黄色)，而果实的膨大对叶片的遮挡作用也逐渐增加，因此柑橘果树的冠层光谱可能发生一定变化。11月和12月既是果实成熟期同时也是冬梢发生期，花芽分化与果实成熟同时发生，果实对柑橘果树冠层光谱的影响可能会减弱。柑橘果树在10月—11月之间存在果实成熟与新芽萌发的转折点，因此，10月作为果实膨大的末期，也是柑橘受到成熟果实影响最大的时期，可能是柑橘识别的关键月份。[0046]研究区其他主要作物类型有香蕉、甘蔗、水稻和玉米(图4)。林地主要以经济林为主，品种为桉树。根据实地调查结果，研究区内香蕉、甘蔗、水稻和玉米在8月均处于生长旺盛期。根据研究区的种植习惯，夏植香蕉大规模的收获期一般是9—12月；种植的水稻为两季稻，3月播种早稻，7月移栽晚稻，晚稻收获期为10—12月；甘蔗、玉米的也在10—12月基本结束收获。[0047]根据柑橘的物候特征，发明人在使用步骤a获得的多时相数据集，也即是10—12月去除云层影响的重构影像，基于柑橘、香蕉、甘蔗、水稻和玉米五类研究区主要作物类型，对比研究后发现，柑橘在红光波段red、红边波段re1的反射率略高于香蕉和甘蔗，但与水稻、玉米反射率值基本重合。玉米和柑橘在9个波段反射率数值与趋势基本一致。也即是说，不同作物原始波段信息特征差异不够明显，在本发明技术方案中，发明人通过波段组合构建植被指数，增强不同植被之间的光谱差异。[0048]具体来说，发明人在综合考虑研究区作物类型的生长特性及sentinel‑2高质量数据的可获取性，云层覆盖分析中云覆盖量较小的8月、10月、11月、12月数据均被选为关键时间窗口，并构建植被指数。以月为单位，根据植被指数计算公式编写代码，基于googleearthengine平台采用月度最大合成法进行数据重构，以消除云雨的影响。对比不同植被指数对柑橘及其他作物的区分效果，发明人选择归一化植被指数(normalizeddifferencevegetationindex，ndvi)[32]来进行计算，具体计算公式如下：[0049][0050]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率，[0051]在获得归一化植被指数ndvi数据后，即可根据柑橘、香蕉、甘蔗、水稻和玉米五种主要作物类型在不同时间窗口的物候特征，利用生长旺盛时期和收获时期，基于从简到繁分层次提取的思想[36]，对香蕉、甘蔗、水稻和玉米进行剔除[37]，多次筛选后得到预分类后的图层，具体的：首先对植被和非植被进行区分，得到植被图层；然后在植被图层中，基于生长旺盛期8月和收获期11月、12月，设定不同时期归一化植被指数ndvi的阈值，对香蕉、甘蔗、水稻和玉米进行逐层分类，初步剔除这四种类型；最后提取出包含柑橘的图层。果实生长发育造成的植被光谱特征变化是柑橘果园不同于其他四作物被的独有特征。不同于柑橘果clusteringanalysisoffoliagephenophase[j].remotesensing,2020,12(7):1199,[0067][8]reiskadim.identificationofhazelnutfieldsusingspectralandgabortexturalfeatures[j].isprsjournalofphotogrammetryandremotesensing,2011,66(5):652‑661.[0068][9]shrivastavarahulj,gebeleinjenniferl.landcoverclassificationandeconomicassessmentofcitrusgrovesusingremotesensing[j].isprsjournalofphotogrammetryandremotesensing,2007,61:341‑353.[0069][10]王帅.基于面向对象的柑橘类果林信息提取方法研究[d].江西：江西理工大学，2017.wangshuai.studyontheinformationextractionmethodofcitrusorchardbasedonobject‑oriented[d],jiangxi:jiangxiuniversityofscienceandtechnology,2017.(inchinesewithenglishabstract)[0070][11]张起明，徐晗泽宇，江丰，等.赣南地区柑橘果园空间分布特征分析[j].江西科学，2018，36(4)：591‑598.[0071]zhangqiming,xuhanzeyu,jiangfeng,etal.spatialdistributioncharactersofcitrusorchardsinthesouthofjiangxiprovince[j].jiangxiscience，2018，36(4)：591‑598.(inchinesewithenglishabstract)[0072][12]陈优良，胡锦景，王兆茹，等.赣南柑橘果园面积动态变化分析:以信丰县为例[j].江西农业大学学报，2017，39(5)：884‑894.[0073]chenyouliang,hujinjing,wangzaoru,etal.ananalysisofthedynamicchangesintheareaoforangeorchardinsouthjiangxiprovince:acasestudyinxinfengcounty[j].actaagriculturaeuniversitatisjiangxiensis,2017,39(5):884‑894.(inchinesewithenglishabstract)[0074][13]陈优良，胡锦景，王兆茹，等.赣南柑橘果园面积动态变化分析：以寻乌县为例[j].江西理工大学学报，2017，38(5)：19‑25.[0075]chenyouliang,hujinjing,wangzaoru,etal.researchondynamicchangesofgannancitrusorchardareas:acasestudyinxunwucounty[j].journalofjiangxiuniversityofscienceandtechnology,2017,38(5):19‑25.(inchinesewithenglishabstract)[0076][14]徐晗泽宇，刘冲，齐述华，等.基于随机森林算法的赣南柑橘果园遥感信息提取[j].江西师范大学学报：自然科学版，2018，42(4)：434‑440.[0077]xuhanzeyu,liuchong,qishuhua,etal.thedetectionofcitrusorchardsinsouthernjiangxiprovincewithlandsatimagesusingrandomforestclassifier[j].journalofjiangxinormaluniversity:naturalscienceedition,2018,42(4):434‑440.(inchinesewithenglishabstract)[0078][15]任传帅，黄文江，叶回春，等.利用高分二号数据提取香蕉林信息及精度分析[j].遥感信息，2017，32(6)：78‑84.[0079]renchuanshuai,huangwenjiang,yehuichun,etal.extractionofbananaorchardsbasedongf‑2satelliteimageryanditsaccuracyanalysis[j].remotesensingofinformation,2017,32(6):78‑84.(inchinesewithenglishabstract)[0080][16]宋荣杰，宁纪锋，常庆瑞，等.基于小波纹理和随机森林的猕猴桃果园遥感提取[j].农业机械学报，2018，49(4)：222‑231.[0081]songrongjie,ningjirui,changqinrui,etal.kiwifruitorchardmappingbasedonwavelettexturesandrandomforest[j].transactionsofthechinesesocietyforagriculturalmachinery,2018,49(4):222‑231.(inchinesewithenglishabstract)[0082][17]songqian,huqiong,zhouqingbo,etal.in‑seasoncropmappingwithgf‑1/wfvdatabycombiningobject‑basedimageanalysisandrandomforest[j].remotesensing,2017,9(11).[0083][18]talemateshome,hailubinyamtesfaw.mappingricecropusingsentinels(1sarand2msi)imagesintropicalarea:acasestudyinfogerawereda,ethiopia[j/ol].remotesensingapplications:societyandenvironmentedition,2020,18,[2020‑04‑22],http://doi.org/10.1016/j.rsase.2020.100290.[0084][19]dongjinwei,xiaoxiangming,menarguezmichaela,etal.mappingpaddyriceplantingareainnortheasternasiawithlandsat8images,phenology‑basedalgorithmandgoogleearthengine[j].remotesensingofenvironment,2016,185:142‑154.[0085][20]梁守真，陈劲松，吴炳方，等.应用面向对象的决策树模型提取橡胶林信息[j].遥感学报，2015，19(3)：135‑144.[0086]liangshouzhen,chenjingsong,wubingfang,etal.extractingrubberplantationwithdecisiontreemodelbasedonobject‑orientedmethod[j].journalofremotesensing,2015,19(3):135‑144.(inchinesewithenglishabstract)[0087][21]李龙伟，李楠，陆灯盛.多时相sentinel‑2影像在浙西北茶园信息提取中的应用[j].浙江农林大学学报，2019，36(5)：841‑848.[0088]lilongwei,lilan,ludengsheng.mappingteagardensspatialdistributioninnorthwesternzhejiangprovinceusingmulti‑temporalsentinel‑2imagery[j].journalofzhejianga&funiversity,2019,36(5):841‑848.(inchinesewithenglishabstract)[0089][22]d'andrimont,taymansmatthieu,lemoineguido,etal.detectingfloweringphenologyinoilseedrapeparcelswithsentinel‑1and‑2timeseries[j/ol].remotesensingofenvironment,2020,239,[2020‑03‑15],http://doi.org/10.1016/j.rse.2020.111660.[0090][23]gongpeng,liuhan,zhangmeinan,etal.stableclassificationwithlimitedsample:transferringa30‑mresolutionsamplesetcollectedin2015tomapping10‑mresolutiongloballandcoverin2017[j].sciencebulletin,2019,64(6):370‑373.[0091][24]何昭欣，张淼，吴炳方，等.googleearthengine支持下的江苏省夏收作物遥感提取[j].地球信息科学学报，2019，21(5)：126‑140.[0092]hezhaoxin,zhangmiao,wubingfang,etal.extractionofsummercropinjiangsubasedongoogleearthengine[j].journalofgeo‑informationscience,2019,21(5):126‑140.(inchinesewithenglishabstract)[0093][25]钟琪，罗津，齐述华.随机森林分类算法提取柑橘果园的样本数量敏感性分析[j].江西科学，2019，37(5)：664‑669.[0094]zhongqi,luojin,qishuhua.samplesensitivityanalysisofcitrusorchardsextractedbyrandomforestclassificationalgorithm[j].jiangxiscience,2019,37(5):664‑669.(inchinesewithenglishabstract)[0095][26]silvajuniorcarlosantonioda,leonel‑juniorantoniohérbetesousa,rossifernandosaragosa,etal.mappingsoybeanplantingareainmidwestbrazilwithremotelysensedimagesandphenology‑basedalgorithmusingthegoogleearthengineplatform[j/ol].computersandelectronicsinagriculture,2020,169,[2020‑03‑15],http://doi.org/10.1016/j.compag.2019.105194.[0096][27]金云翔，徐斌，杨秀春，等.内蒙古锡林郭勒盟草原产草量动态遥感估算[j].中国科学：生命科学，2011，41(12)：1185‑1195.[0097]jinyunxiang,xubin,yangxiuchun,etal.remotesensingdynamicestimationofgrassproductioninxilinguole,innermongolia[j].scientiasinicavitae,2011,41(12):1185‑1195.(inchinesewithenglishabstract)[0098][28]辛晓平，张保辉，李刚，等.1982—2003年中国草地生物量时空格局变化研究[j].自然资源学报，2009，24(9)：1582‑1592.[0099]xinxiaoping,zhangbaohui,ligang,etal.variationinspatialpatternofgrasslandbiomassinchinafrom1982to2003[j].journalofnaturalresources,2009,24(9):1582‑1592.(inchinesewithenglishabstract)[0100][29]杨红卫，童小华.高分辨率影像的橡胶林分布信息提取[j].武汉大学学报：信息科学版，2014，39(4)：411‑416，421.[0101]yanghongwei,tongxiaohua.distributioninformationextractionofrubberwoodsusingremotesensingimageswithhighresolution[j].geomaticsandinformationscienceofwuhanuniversity,2014,39(4):411‑416,421.(inchinesewithenglishabstract)[0102][30]regniersolivier,bombrunlionel,guyondominique,etal.wavelet‑basedtexturefeaturesfortheclassificationofageclassesinamaritimepineforest[j].ieeegeoscienceandremotesensingletters,2015,12(3):621‑625.[0103][31]胡佩敏，李正跃，李传仁，等.宜都市柑橘空间分布的遥感反演[j].湖北农业科学，2014，53(4)：795‑798.[0104]hupeimin,lizhengyue,lichuanren,etal.theretrievalofcitrusspatialdistributioninyiducityusingremotesensing[j].hubeiagriculturalsciences,2014,53(4):795‑798.(inchinesewithenglishabstract)[0105][32]王李娟，孔钰如，杨小冬，徐艺，梁亮，王树果.基于特征优选随机森林算法的农耕区土地利用分类[j].农业工geoinformationscience,2018,20(3):396‑404.(inchinesewithenglishabstract)[0119][39]刘佳，王利民，杨福刚，等.红边与短波红外谱段的玉米大豆识别能力研究[j].中国农学通报，2018，34(35)：120‑129.[0120]liujia,wanglimin,yangfugang,etal.recognitionabilityofrededgeandshortwaveinfraredspectrumonmaizeandsoybean[j].chineseagriculturalsciencebulletin,2018,34(35):120‑129.(inchinesewithenglishabstract)[0121][40]张磊，宫兆宁，王启为，等.sentinel‑2影像多特征优选的黄河三角洲湿地信息提取[j].遥感学报，2019，23(2)：313‑326.[0122]zhanglei,gongzaoning,wangqiwei,etal.wetlandmappingofyellowriverdeltawetlandsbasedonmulti‑featureoptimizationofsentinel‑2images[j].journalofremotesensing,2019,23(2):313‑326.(inchinesewithenglishabstract)[0123][41]谢国雪，黄文校，卢远，等.基于高分辨率遥感影像的桑树信息提取研究—以广西鹿寨县为例[j].中国农业资源与区划，2015，36(2)：44‑53.[0124]xieguoxue,huangwenxiao,luyuan,etal.informationextractionofsilkworm‑croppingareasbasedonhighspatialresolutionremotesensingimage‑acasestudyofluzaicounty,guangxi,china[j].chinesejournalofagriculturalresourcesandregionalplanning,2015,36(2):44‑53.(inchinesewithenglishabstract)当前第1页12当前第1页12
背景技术：
：：2.柑橘(citrusreticulatabanco)是一种适宜中国南方发展的常绿果树，柑橘产业成为南方地区脱贫攻坚与乡村振兴的特色支柱产业[1‑3]。据统计数据显示，近年来柑橘产量及种植面积呈增长趋势。根据农业农村部数据，2018年全国柑橘种植面积达2.49×106hm2，已超越苹果成为中国栽培面积和产量最高的水果[4]。其中广西柑橘种植面积达3.88×105hm2，居全国第一位，产值突破1000亿元[5‑6]。柑橘产业不断扩张，并向集约化、规模化方向发展。获取柑橘果园的种植面积和空间分布信息，可以探索柑橘扩张的位置、扩张的过程及其背后的社会、经济、生态效益等，是指导柑橘产业科学发展的重要基础和依据。[0003]遥感技术为实时、准确、大范围获取植被空间分布信息提供可能[7‑9]。近年来，面向水稻、玉米、小麦、大豆等一年生作物的遥感制图技术已日趋成熟，面向柑橘等多年生作物的遥感制图研究正逐步兴起。王帅[10]利用高分一号数据结合面向对象的方法对柑橘分层次提取；张起明等[11]、陈优良等[12‑13]分别利用googleearth数据、landsat数据提取柑橘并对赣南地区不同县域的柑橘空间特征及面积变化进行分析；徐晗泽宇等[14]利用landsat数据结合随机森林的方法提取了春秋两季的柑橘果园，研究发现，农作物、稀疏林地等与柑橘果园光谱相似，易发生混分现象，柑橘与耕地的错分误差均在20％左右。尽管有限的光谱信息无法精准刻画柑橘遥感识别特征，但上述研究大多集中在中国赣南地区，该地区除柑橘外一般较少有其他果园，一定程度上简化了遥感识别对象的复杂性。有研究表明，研究区果园种植类型单一时，利用光谱和纹理等特征即可较好实现遥感识别[15]。但不同果园之间的光谱特征较为相似，因此，在光学遥感影像保障率与可用性低、果园种植类型复杂条件下，利用光谱信息直接开展柑橘遥感识别存在一定困难[16]。[0004]在光谱信息不充足的情况下，物候信息可作为对光谱信息的重要补充，当前许多研究选择多时间窗口物候信息对一年生作物进行遥感分类[17‑19]。例如，油菜花在花期会开出黄色花朵，在开花最旺盛的时期特征最明显，而在开花过程中和凋谢过程中特征减弱，基于此有研究提出了利用归一化黄色指数(normalizeddifferenceyellowindex，ndyi)等检测开花期峰值的识别方法[22]。有研究也开始尝试将物候信息应用于多年生作物遥感分类。梁守真等[20]利用landsat数据，以落叶时节的2月休眠期为关键物候期，对多年生橡胶树的空间分布进行提取；李龙伟等[21]基于4个季节的sentinel多光谱影像，分析茶园物候及光谱特征，最终确定5月为关键物候期，并成功构建归一化茶园指数提取多年生茶园的空间分布信息。由于多年生作物之间的关键物候期与物候特征各不相同，如何确定柑橘的关键物候期与物候特征尚未见报道。技术实现要素：[0005]本发明要解决的技术问题是提供一种基于多时相遥感植被指数的柑橘识别方法，以减少或避免前面所提到的问题。[0006]本发明提供了一种基于多时相遥感植被指数的柑橘识别方法，其用于获取指定地理区域内的柑橘种植地块的空间分布信息，其包括如下步骤：[0007]步骤a，对于所述指定管理区域，获取连续的至少三年的卫星遥感数据，基于云层覆盖评价，选取其中一年的8月、10月、11月、12月4个月份的数据，逐月构建多时相数据集。[0008]步骤b，根据步骤a获得的多时相数据集，按照如下公式进行归一化植被指数计算。[0009][0010]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率。[0011]之后即可根据所获得的的植被指数，对其他作物进行剔除，提取出保护柑橘的图层。[0012]之后，即可进一步根据下列公式进行再归一化的植被指数计算。[0013][0014]上式中，a为果实膨大期的最后一个月份，b为果实膨大期结束后的第一个月份，via是a月份的最大植被指数vi合成值，vib是b月份的最大植被指数vi合成值。基于rnvi指数建立研究区柑橘判定规则，若待判定像元的rnvi值为负值，则该像元判定为柑橘，若待判定像元的rnvi值为正值，则该像元判定为非柑橘。最终获得指定管理区域的柑橘种植地的空间分布信息。[0015]优选地，在步骤a中，卫星遥感数据sentinel‑2时序卫星遥感数据的level‑1c产品。[0016]优选地，在步骤a中，获取连续的至少三年的卫星遥感数据后，利用googleearthengine平台首先对影像进行质量评价和筛选，然后通过质量波段对高质量影像进行去除云层处理，最后从每一个影像像元时间序列栈内剪辑出中值，即影像时间序列上的合成。[0017]优选地，在步骤a中，使用median函数获取时间序列内影像的每个像元中值进行重构。sentinel‑2有3个质量波段，其中qa60是具有云层波段信息的位掩模波段，用bit10的值代表不透明云层，bit11代表卷云，设置两者的值均为0，得到云层掩膜，去除影像中的云层信息，经过裁剪和拼接处理后得到无云的重构影像。[0018]本发明所提供的一种基于多时相遥感植被指数的柑橘识别方法，可提供较高精度的柑橘种植地块的空间分布数据，从而为区域尺度的柑橘种植信息监测提供了便捷有效的技术手段。附图说明[0019]以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，[0020]图1为根据本发明的一个具体实施例的一种基于多时相遥感植被指数的柑橘识别方法所选择的地理区域的位置示意图；[0021]图2为南宁市武鸣区的sentinel‑2数据覆盖示意图；[0022]图3为图1所示地理区域的2017至2019年云层覆盖统计示意图；[0023]图4为图1所示地理区域的主要作物的物候历示意图；[0024]图5为图1所示地理区域的柑橘种植地块的分布示意图。具体实施方式[0025]为了对本发明的技术特征、目的和效果有更加清楚的理解，现参照附图说明本发明的具体实施方式。[0026]本发明提供了一种基于多时相遥感植被指数的柑橘识别方法，其用于获取指定地理区域内的柑橘种植地的空间分布信息，其包括如下步骤：[0027]步骤a，对于所述指定管理区域，获取连续的至少三年的卫星遥感数据，基于云层覆盖评价，选取其中一年的8月、10月、11月、12月4个月份的数据，逐月构建多时相数据集。[0028]图1为根据本发明的一个具体实施例的一种基于多时相遥感植被指数的柑橘识别方法所选择的地理区域的位置示意图；参见图1所示，为了更好的说明本发明所提供的技术方案，在本技术中，选取广西壮族自治区南宁市武鸣区为指定地理区域(22°59′58″n～23°33′16″n、107°49′26″e～108°37′22″e)。武鸣区总面积3378km2，辖13个乡镇，四周为低山、丘陵，中部为盆地，丘陵面积占63.50％。区域内年平均气温21.7℃，极极端最低气温‑0.8℃，年平均降雨1100～1700ml，年平均日照总时数1665h，属于亚热带季风气候，光热充足，雨量充沛，降雨均匀，雨热同季，秋季昼夜温差较大，有利于光合产物积累。区域内种植结构复杂，种类繁多，除柑橘外，水稻、玉米、甘蔗、香蕉等作物均有种植。根据广西壮族自治区统计年鉴，武鸣区柑橘约从2012年开始扩张，至2014—2015年形成一定的规模。[0029]图2为南宁市武鸣区的sentinel‑2数据覆盖示意图；参见图2所示，在本发明的具体实施例中，选用了sentinel‑2时序卫星遥感数据的level‑1c产品(空间分辨率10m)，并基于googleearthengine平台开展数据处理与分析。武鸣区由sentinel‑2的48qyl、48qym、48qzl、48qzm、49qbf、49qbg六景影像覆盖。数据产品为大气表观反射率(topofatmosphere，toa)，且已经过正射校正和亚像元级几何精校正，所有数据的处理均可通过平台在线编写代码实现(https://developers.google.com/earth‑engine/datasets/catalog/copernicus_s2)。[0030]在指定管理区域存在多云多雨情况的条件下，可获取的多景影像往往均存在云层干扰情况，为了有效去除云层的影响。在本技术中，采用连续的至少三年的数据进行分析。[0031]具体来说，先收集2017、2018、2019三年数据，利用googleearthengine平台首先对影像进行质量评价和筛选，然后通过质量波段(thequalityassessment，qa)对高质量影像进行去除云层处理，最后从每一个影像像元时间序列中剪辑出中值，即影像时间序列上的合成[24]。图3为图1所示地理区域的2017至2019年云层覆盖统计示意图，参见图3所示，[0032]首先，对影像云覆盖情况进行统计和质量评价，发现各年份上半年数据质量普遍较差(云层覆盖量大于30％)，各年份下半年数据质量普遍优于上半年。分析所有下半年数据发现，2017年高质量数据缺失严重；2019年下半年质量良好的数据分布不均衡，尤其是10月至11月数据质量差，云层覆盖严重；2018年下半年数据质量总体优于其他年份。[0033]根据已有研究，在农作物进入收获期的10—12月，水稻、玉米、甘蔗、香蕉等作物的光谱特征与柑橘差异较大[25]。同时，根据云层覆盖分析结果，这一时段云层污染程度较低，影像数据质量较高。为了既能兼顾影像质量，又能兼顾柑橘关键物候期，本研究使用median函数获取2018年10—12月这一时间序列内影像的每个像元中值进行重构。sentinel‑2有3个质量波段，其中qa60是具有云层波段信息的位掩模波段，可用bit10的值代表不透明云层，bit11代表卷云，设置两者的值均为0，得到云层掩膜，去除影像中的云层信息，经过裁剪和拼接处理后得到无云的10—12月重构影像[24,26]，并将其用于地物光谱分析。此外，基于云层覆盖评价，进一步选取有较多高质量影像(云层覆盖小于30％)的8月、10月、11月、12月4个月份，逐月构建多时相数据集，将其用于提取多时相的植被指数。[0034]此外，需要说明的是，遥感影像分析结果需要地面真值数据进行精度验证。地面数据一般通过地面样方法或地面样本点法获取，前者指调查植物群落时所选用的有代表性的一定平方面积的地块，该方法成本较高、流程复杂，多用于生物量估算等定量遥感方面的研究[27‑28]；后者一般指反映土地覆盖类型的地理坐标，该方法成本较低、流程简单，多用于遥感影像分类研究。综合考虑前人研究[14‑16]与采样效率，在本技术的具体实施例中，选择地面样本点法开展遥感分类结果精度验证。发明人于2019年12月完成野外实地调查，保证样本点可以覆盖研究区柑橘种植面积较大的乡镇及周边区域，共采集柑橘样本点839个，非柑橘的主要植被样本点912个(样本点分布见图1)。非柑橘样本点包括4种主要作物类别，根据种植面积的统计数据，这4类作物在该区大面积种植，是研究区除柑橘以外的主导作物，涵盖香蕉(果树)、甘蔗(经济作物)、水稻(水田)和玉米(旱地)。由于中部平原地区种植面积大、种类繁多，在中部乡镇及周边采样较多；四周山区种植面积与其他乡镇相比较少，少量柑橘种植于山间盆地等，因此仅选取一个乡镇作为代表进行采样调查。[0035]在本技术中，假设柑橘分布情况不会在1年时间内发生显著变化，因此采用2019年的地面样本数据验证2018年的遥感分类结果。为进一步确保假设的合理性，野外调查期间重点确保了地面样本点在2018年与2019年不发生变化，同时，通过googleearth同期影像进一步比对确认，以确保样本数据的代表性和准确性[29‑30]。[0036]步骤b，根据步骤a获得的多时相数据集，按照如下公式进行归一化植被指数计算。[0037][0038]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率。[0039]之后即可根据所获得的的植被指数，对其他作物进行剔除，提取出保护柑橘的图层。[0040]之后，即可进一步根据下列公式进行再归一化的植被指数计算。[0041][0042]上式中，a为果实膨大期的最后一个月份，b为果实膨大期结束后的第一个月份，via是a月份的最大植被指数vi合成值，vib是b月份的最大植被指数vi合成值。基于rnvi指数建立研究区柑橘判定规则，若待判定像元的rnvi值为负值(rnvi<0)，则该像元判定为柑橘，若待判定像元的rnvi值为正值(rnvi>0)，则该像元判定为非柑橘。[0043]如前所述，在所述指定区域内，除柑橘外，水稻、玉米、甘蔗、香蕉等作物均有种植，图4为图1所示指定区域主要作物物候历。[0044]柑橘(citrusreticulatabanco)属芸香科下属植物，是热带、亚热带常绿果树，生长周期较长，一般种植2～3年可结果，果实成熟后挂果可长达3～4个月，花果同期。根据实地调研所获取的信息，建立研究区柑橘及其他主要作物类型的物候历并分析不同作物的物候信息(图4)。[0045]参考已有文献[31]对一年时间周期内成龄柑橘果树的物候信息进行分析。由于柑橘属阔叶常绿树种，叶片常常会遮挡花期的花朵，柑橘在花期并没有明显的光谱特征变化；在夏梢期，常绿树冠层颜色与花期基本一致，因此1—6月可能不是柑橘识别的最佳时间窗口。7—10月是果实膨大期，柑橘果实开始生长与成熟，颜色由绿色逐渐转变为成熟色(橙色/黄色)，而果实的膨大对叶片的遮挡作用也逐渐增加，因此柑橘果树的冠层光谱可能发生一定变化。11月和12月既是果实成熟期同时也是冬梢发生期，花芽分化与果实成熟同时发生，果实对柑橘果树冠层光谱的影响可能会减弱。柑橘果树在10月—11月之间存在果实成熟与新芽萌发的转折点，因此，10月作为果实膨大的末期，也是柑橘受到成熟果实影响最大的时期，可能是柑橘识别的关键月份。[0046]研究区其他主要作物类型有香蕉、甘蔗、水稻和玉米(图4)。林地主要以经济林为主，品种为桉树。根据实地调查结果，研究区内香蕉、甘蔗、水稻和玉米在8月均处于生长旺盛期。根据研究区的种植习惯，夏植香蕉大规模的收获期一般是9—12月；种植的水稻为两季稻，3月播种早稻，7月移栽晚稻，晚稻收获期为10—12月；甘蔗、玉米的也在10—12月基本结束收获。[0047]根据柑橘的物候特征，发明人在使用步骤a获得的多时相数据集，也即是10—12月去除云层影响的重构影像，基于柑橘、香蕉、甘蔗、水稻和玉米五类研究区主要作物类型，对比研究后发现，柑橘在红光波段red、红边波段re1的反射率略高于香蕉和甘蔗，但与水稻、玉米反射率值基本重合。玉米和柑橘在9个波段反射率数值与趋势基本一致。也即是说，不同作物原始波段信息特征差异不够明显，在本发明技术方案中，发明人通过波段组合构建植被指数，增强不同植被之间的光谱差异。[0048]具体来说，发明人在综合考虑研究区作物类型的生长特性及sentinel‑2高质量数据的可获取性，云层覆盖分析中云覆盖量较小的8月、10月、11月、12月数据均被选为关键时间窗口，并构建植被指数。以月为单位，根据植被指数计算公式编写代码，基于googleearthengine平台采用月度最大合成法进行数据重构，以消除云雨的影响。对比不同植被指数对柑橘及其他作物的区分效果，发明人选择归一化植被指数(normalizeddifferencevegetationindex，ndvi)[32]来进行计算，具体计算公式如下：[0049][0050]上式中，ρnir、ρred分别是sentinel‑2的近红外波段反射率、红光波段反射率，[0051]在获得归一化植被指数ndvi数据后，即可根据柑橘、香蕉、甘蔗、水稻和玉米五种主要作物类型在不同时间窗口的物候特征，利用生长旺盛时期和收获时期，基于从简到繁分层次提取的思想[36]，对香蕉、甘蔗、水稻和玉米进行剔除[37]，多次筛选后得到预分类后的图层，具体的：首先对植被和非植被进行区分，得到植被图层；然后在植被图层中，基于生长旺盛期8月和收获期11月、12月，设定不同时期归一化植被指数ndvi的阈值，对香蕉、甘蔗、水稻和玉米进行逐层分类，初步剔除这四种类型；最后提取出包含柑橘的图层。果实生长发育造成的植被光谱特征变化是柑橘果园不同于其他四作物被的独有特征。不同于柑橘果clusteringanalysisoffoliagephenophase[j].remotesensing,2020,12(7):1199,[0067][8]reiskadim.identificationofhazelnutfieldsusingspectralandgabortexturalfeatures[j].isprsjournalofphotogrammetryandremotesensing,2011,66(5):652‑661.[0068][9]shrivastavarahulj,gebeleinjenniferl.landcoverclassificationandeconomicassessmentofcitrusgrovesusingremotesensing[j].isprsjournalofphotogrammetryandremotesensing,2007,61:341‑353.[0069][10]王帅.基于面向对象的柑橘类果林信息提取方法研究[d].江西：江西理工大学，2017.wangshuai.studyontheinformationextractionmethodofcitrusorchardbasedonobject‑oriented[d],jiangxi:jiangxiuniversityofscienceandtechnology,2017.(inchinesewithenglishabstract)[0070][11]张起明，徐晗泽宇，江丰，等.赣南地区柑橘果园空间分布特征分析[j].江西科学，2018，36(4)：591‑598.[0071]zhangqiming,xuhanzeyu,jiangfeng,etal.spatialdistributioncharactersofcitrusorchardsinthesouthofjiangxiprovince[j].jiangxiscience，2018，36(4)：591‑598.(inchinesewithenglishabstract)[0072][12]陈优良，胡锦景，王兆茹，等.赣南柑橘果园面积动态变化分析:以信丰县为例[j].江西农业大学学报，2017，39(5)：884‑894.[0073]chenyouliang,hujinjing,wangzaoru,etal.ananalysisofthedynamicchangesintheareaoforangeorchardinsouthjiangxiprovince:acasestudyinxinfengcounty[j].actaagriculturaeuniversitatisjiangxiensis,2017,39(5):884‑894.(inchinesewithenglishabstract)[0074][13]陈优良，胡锦景，王兆茹，等.赣南柑橘果园面积动态变化分析：以寻乌县为例[j].江西理工大学学报，2017，38(5)：19‑25.[0075]chenyouliang,hujinjing,wangzaoru,etal.researchondynamicchangesofgannancitrusorchardareas:acasestudyinxunwucounty[j].journalofjiangxiuniversityofscienceandtechnology,2017,38(5):19‑25.(inchinesewithenglishabstract)[0076][14]徐晗泽宇，刘冲，齐述华，等.基于随机森林算法的赣南柑橘果园遥感信息提取[j].江西师范大学学报：自然科学版，2018，42(4)：434‑440.[0077]xuhanzeyu,liuchong,qishuhua,etal.thedetectionofcitrusorchardsinsouthernjiangxiprovincewithlandsatimagesusingrandomforestclassifier[j].journalofjiangxinormaluniversity:naturalscienceedition,2018,42(4):434‑440.(inchinesewithenglishabstract)[0078][15]任传帅，黄文江，叶回春，等.利用高分二号数据提取香蕉林信息及精度分析[j].遥感信息，2017，32(6)：78‑84.[0079]renchuanshuai,huangwenjiang,yehuichun,etal.extractionofbananaorchardsbasedongf‑2satelliteimageryanditsaccuracyanalysis[j].remotesensingofinformation,2017,32(6):78‑84.(inchinesewithenglishabstract)[0080][16]宋荣杰，宁纪锋，常庆瑞，等.基于小波纹理和随机森林的猕猴桃果园遥感提取[j].农业机械学报，2018，49(4)：222‑231.[0081]songrongjie,ningjirui,changqinrui,etal.kiwifruitorchardmappingbasedonwavelettexturesandrandomforest[j].transactionsofthechinesesocietyforagriculturalmachinery,2018,49(4):222‑231.(inchinesewithenglishabstract)[0082][17]songqian,huqiong,zhouqingbo,etal.in‑seasoncropmappingwithgf‑1/wfvdatabycombiningobject‑basedimageanalysisandrandomforest[j].remotesensing,2017,9(11).[0083][18]talemateshome,hailubinyamtesfaw.mappingricecropusingsentinels(1sarand2msi)imagesintropicalarea:acasestudyinfogerawereda,ethiopia[j/ol].remotesensingapplications:societyandenvironmentedition,2020,18,[2020‑04‑22],http://doi.org/10.1016/j.rsase.2020.100290.[0084][19]dongjinwei,xiaoxiangming,menarguezmichaela,etal.mappingpaddyriceplantingareainnortheasternasiawithlandsat8images,phenology‑basedalgorithmandgoogleearthengine[j].remotesensingofenvironment,2016,185:142‑154.[0085][20]梁守真，陈劲松，吴炳方，等.应用面向对象的决策树模型提取橡胶林信息[j].遥感学报，2015，19(3)：135‑144.[0086]liangshouzhen,chenjingsong,wubingfang,etal.extractingrubberplantationwithdecisiontreemodelbasedonobject‑orientedmethod[j].journalofremotesensing,2015,19(3):135‑144.(inchinesewithenglishabstract)[0087][21]李龙伟，李楠，陆灯盛.多时相sentinel‑2影像在浙西北茶园信息提取中的应用[j].浙江农林大学学报，2019，36(5)：841‑848.[0088]lilongwei,lilan,ludengsheng.mappingteagardensspatialdistributioninnorthwesternzhejiangprovinceusingmulti‑temporalsentinel‑2imagery[j].journalofzhejianga&funiversity,2019,36(5):841‑848.(inchinesewithenglishabstract)[0089][22]d'andrimont,taymansmatthieu,lemoineguido,etal.detectingfloweringphenologyinoilseedrapeparcelswithsentinel‑1and‑2timeseries[j/ol].remotesensingofenvironment,2020,239,[2020‑03‑15],http://doi.org/10.1016/j.rse.2020.111660.[0090][23]gongpeng,liuhan,zhangmeinan,etal.stableclassificationwithlimitedsample:transferringa30‑mresolutionsamplesetcollectedin2015tomapping10‑mresolutiongloballandcoverin2017[j].sciencebulletin,2019,64(6):370‑373.[0091][24]何昭欣，张淼，吴炳方，等.googleearthengine支持下的江苏省夏收作物遥感提取[j].地球信息科学学报，2019，21(5)：126‑140.[0092]hezhaoxin,zhangmiao,wubingfang,etal.extractionofsummercropinjiangsubasedongoogleearthengine[j].journalofgeo‑informationscience,2019,21(5):126‑140.(inchinesewithenglishabstract)[0093][25]钟琪，罗津，齐述华.随机森林分类算法提取柑橘果园的样本数量敏感性分析[j].江西科学，2019，37(5)：664‑669.[0094]zhongqi,luojin,qishuhua.samplesensitivityanalysisofcitrusorchardsextractedbyrandomforestclassificationalgorithm[j].jiangxiscience,2019,37(5):664‑669.(inchinesewithenglishabstract)[0095][26]silvajuniorcarlosantonioda,leonel‑juniorantoniohérbetesousa,rossifernandosaragosa,etal.mappingsoybeanplantingareainmidwestbrazilwithremotelysensedimagesandphenology‑basedalgorithmusingthegoogleearthengineplatform[j/ol].computersandelectronicsinagriculture,2020,169,[2020‑03‑15],http://doi.org/10.1016/j.compag.2019.105194.[0096][27]金云翔，徐斌，杨秀春，等.内蒙古锡林郭勒盟草原产草量动态遥感估算[j].中国科学：生命科学，2011，41(12)：1185‑1195.[0097]jinyunxiang,xubin,yangxiuchun,etal.remotesensingdynamicestimationofgrassproductioninxilinguole,innermongolia[j].scientiasinicavitae,2011,41(12):1185‑1195.(inchinesewithenglishabstract)[0098][28]辛晓平，张保辉，李刚，等.1982—2003年中国草地生物量时空格局变化研究[j].自然资源学报，2009，24(9)：1582‑1592.[0099]xinxiaoping,zhangbaohui,ligang,etal.variationinspatialpatternofgrasslandbiomassinchinafrom1982to2003[j].journalofnaturalresources,2009,24(9):1582‑1592.(inchinesewithenglishabstract)[0100][29]杨红卫，童小华.高分辨率影像的橡胶林分布信息提取[j].武汉大学学报：信息科学版，2014，39(4)：411‑416，421.[0101]yanghongwei,tongxiaohua.distributioninformationextractionofrubberwoodsusingremotesensingimageswithhighresolution[j].geomaticsandinformationscienceofwuhanuniversity,2014,39(4):411‑416,421.(inchinesewithenglishabstract)[0102][30]regniersolivier,bombrunlionel,guyondominique,etal.wavelet‑basedtexturefeaturesfortheclassificationofageclassesinamaritimepineforest[j].ieeegeoscienceandremotesensingletters,2015,12(3):621‑625.[0103][31]胡佩敏，李正跃，李传仁，等.宜都市柑橘空间分布的遥感反演[j].湖北农业科学，2014，53(4)：795‑798.[0104]hupeimin,lizhengyue,lichuanren,etal.theretrievalofcitrusspatialdistributioninyiducityusingremotesensing[j].hubeiagriculturalsciences,2014,53(4):795‑798.(inchinesewithenglishabstract)[0105][32]王李娟，孔钰如，杨小冬，徐艺，梁亮，王树果.基于特征优选随机森林算法的农耕区土地利用分类[j].农业工geoinformationscience,2018,20(3):396‑404.(inchinesewithenglishabstract)[0119][39]刘佳，王利民，杨福刚，等.红边与短波红外谱段的玉米大豆识别能力研究[j].中国农学通报，2018，34(35)：120‑129.[0120]liujia,wanglimin,yangfugang,etal.recognitionabilityofrededgeandshortwaveinfraredspectrumonmaizeandsoybean[j].chineseagriculturalsciencebulletin,2018,34(35):120‑129.(inchinesewithenglishabstract)[0121][40]张磊，宫兆宁，王启为，等.sentinel‑2影像多特征优选的黄河三角洲湿地信息提取[j].遥感学报，2019，23(2)：313‑326.[0122]zhanglei,gongzaoning,wangqiwei,etal.wetlandmappingofyellowriverdeltawetlandsbasedonmulti‑featureoptimizationofsentinel‑2images[j].journalofremotesensing,2019,23(2):313‑326.(inchinesewithenglishabstract)[0123][41]谢国雪，黄文校，卢远，等.基于高分辨率遥感影像的桑树信息提取研究—以广西鹿寨县为例[j].中国农业资源与区划，2015，36(2)：44‑53.[0124]xieguoxue,huangwenxiao,luyuan,etal.informationextractionofsilkworm‑croppingareasbasedonhighspatialresolutionremotesensingimage‑acasestudyofluzaicounty,guangxi,china[j].chinesejournalofagriculturalresourcesandregionalplanning,2015,36(2):44‑53.(inchinesewithenglishabstract)当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
