基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

姬旭升，李旭，万泽福，姚霞，朱艳，程涛

（1南京农业大学国家信息农业工程技术中心，南京210095；2江苏省信息农业重点实验室，南京 210095；3农业农村部农作物系统分析与决策重点实验室，南京 210095；4江苏省现代作物生产协同创新中心，南京 210095；5塔里木大学信息工程学院，新疆阿拉尔 843300）

0 引言

1 材料与方法

1.1 试验区概况

该研究区地处天山南麓，塔克拉玛干沙漠北部边缘，紧靠塔里木河，属塔里木河冲积细土平原；地理位置为 81°18′0″—81°22′30″E，40°39′30″—40°42′30″N（图 1）。该地区属暖温带极端大陆性干旱荒漠气候，雨量稀少，年均日照时间长，地表蒸发强烈，年均降水量为40.1—82.5 mm，年均蒸发量1 876.6—2 558.9 mm；年均日照2 556.3—2 991.8 h，年均太阳辐射133.7—146.3 kcal/cm2，日照率为58.69%，非常适合光学卫星遥感影像获取。

图1 研究区位置图Fig. 1 Location of the study area

棉花和枣树为该研究区的两种主要作物，种植面积所占比达95%以上，塔里木河和胜利水库为该地区作物灌溉的主要水系。研究区为新疆建设兵团第十师十团农场（阿拉尔农场）的代表性区域，该农场土壤肥沃、土地平坦、耕地连片、田块整齐、灌溉体系完善，可以很好反映新疆阿拉尔地区的作物种植模式，具有重要的研究意义。

1.2 数据

1.2.1 遥感影像获取及预处理 根据本研究的目的，我们获取到2016年高空间分辨率卫星影像，分别对应枣树的展叶期（2016-05-10）、果实膨大期（2016-09-07）、果实成熟期（2016-10-08），以及棉花的苗期（2016-05-10）、成熟吐絮前期（2016-09-07）、成熟吐絮后期（2016-10-08），其具体参数如表1所示。

通过对所获取的 3幅遥感影像进行一系列预处理，构建起该研究区高质量的高分辨率时序影像集。其中，预处理主要包括：（1）辐射定标。通过ENVI自带的定标工具，自动解析遥感影像的头文件进行定标，得到辐射亮度值。（2）大气校正。使用FLAASH大气校正模块去除大气及观测角等因素的影响，同时将辐射亮度值转化为反射率，提高遥感影像的精度及一致性。（3）空间重采样。由于SPOT-6、Pleiades-1、Worldview-3卫星影像的光谱及空间分辨率不同，本文利用重采样方法将所有影像统一重采样到6 m分辨率，且仅保留3个卫星传感器共有的红、绿、蓝、近红外4个波段，以保证卫星影像间的可比性。（4）影像配准。运用ENVI影像配准工具对不同时期的卫星影像进行配准，使三景影像的配准误差保持在0.5个像素以内[31]。

表1 获取的卫星影像Table 1 Acquired satellite images of study area

1.2.2 训练及检验数据 为了获取更具代表性的作物样本，笔者于2016 年 10月期间，对研究区的主要作物类型（棉花、枣树）进行了实地调查，并用便携式GPS定位仪记录每个样本的位置信息，此次实地调查共收集到样本点600个，以供下一步训练、验证之用，其中棉花200个，枣树200个，其他类别（行道树、建筑、水体等）200个。笔者将获取到的每类实测样本随机地分为训练样本和验证样本两组，每组样本均为 100个（训练样本﹕验证样本=1﹕1）。图 2展示了各类样点及实测田块的空间分布。

图2 采样区空间分布Fig. 2 The spatial distribution of field samples

1.3 研究方法

图3为本文的技术路线图，本文的研究方法主要包括以下步骤：（1）影像分割。运用基于Sobel算子的分水岭（watershed）分割算法，进行研究区影像的分割及对象特征的获取。（2）作物分类。将传统的光谱角制图（spectral angle mapping，SAM）和 3种机器学习方法应用于该研究，进行研究区主要作物的分类和制图。（3）分类精度评价。通过对混淆矩阵中的总体分类精度（overall accuracy，OA）、生产者精度（producer’s accuracies，PA)、用户精度（user’s accuracies，UA）和 Kappa系数等指标进行分析，比较生育期对作物分类精度的影响；明确面向对象与基于像素分类方法的差异。

图3 作物分类流程图Fig. 3 The flowchart of crop classification

1.3.1 影像分割 图像分割是面向对象图像分析的前提和决定性步骤[11]，本研究以 ENVI FX（feature extraction）模块中内置的分水岭（watershed）分割算法为基础进行对象获取。分水岭分割是图像分割领域应用最广泛的分割算法之一，在该算法中图像被看作若干相连的盆地，图像的梯度值（gradient）被看作高程，从图像高程局部最低点开始“淹没”图像，在不同盆地水面交汇处（局部最高点）构建水坝，当水平面到达高程最高点时，分割过程停止，该区域被水坝分成若干小块，最终产生一个分割图像，并得到一系列的对象特征（光谱、纹理、空间特征）[32-33]。为了消除分割尺度对地物分类结果的影响，本研究采用单尺度的Sobel-Watershed分割算法（Scale：0；Merge：0）对研究区影像进行分割，以获取棉花和枣树的光谱、纹理、空间特征。

1.3.2 研究区作物分类 在进行作物分类之前，我们运用 Jeffries-Matusita算法对获取到的 3类训练样本（棉花、枣树、其他）进行了分离度计算，以确定 3类样本间的差异程度。计算结果表明，不同样本之间的分离度都大于1.9，所获取的样本之间差异度较大，符合各分类方法的基本要求。

针对公共安全服务供给矛盾的问题，国内学者也提出不同的看法。 一方面，有些学者对社区公共服务供给的适用理论进行了充分探讨，陈伟东和李雪萍这两位学者则将多中心治理理论运用到了城市社区研究领域，提出了社区公共产品供给多主体秩序理论[3]； 宋世明在《工业化国家公共服务市场化对中国行政改革的启示》一文中强调： 应把公共服务的市场化纳入到中国行政改革的实践框架中，这是符合配置政府权威制度与市场交换制度的功能优势的需要，这是遵循公共服务供给规律的客观需要，同样是提高政府能力的必然选择。[4]

为了比较对象与像素两种空间尺度上信息提取结果的异同，本文将光谱角制图（SAM）、支持向量机（SVM）、决策树（DTs）、随机森林（RF）这4种监督分类方法应用于研究区作物分类，由其对面向对象信息提取过程的优缺点进行客观呈现。为保证作物分类精度，提高分类方法的普适性，SVM分类方法使用目前最为流行的高斯核函数（radial basis function，RBF）作为基础函数，DTs分类方法以CART为基础算法。

本研究立足于面向对象的图像分析技术，通过对研究区棉花、枣树的光谱（16个）、纹理（16个）和空间特征（14个）进行分类，并与以光谱信息为基础的像素尺度的地物分类结果进行对比，探讨面向对象的遥感影像分析技术在作物识别方面的作用。

1.3.3 分类精度评价 分类精度评价分别从像素及对象尺度进行。通过构建混淆矩阵，可以运用生产者精度（producer’s accuracy，PA），用户精度（user’s accuracy，UA），总体精度（overall accuracy，OA）和kappa系数（kappa coefficient，K）对面向对象和基于像素的作物识别精度进行比较，评判各分类方法的优劣。

2 结果

2.1 不同时期作物分类精度的比较

表 2总结了面向对象及基于像素的光谱角制图（SAM）、支持向量机（SVM）、决策树（DTs）、随机森林（RF）分类方法对不同时期作物的总体分类精度。从表2可以看出不同时期的作物总体分类精度呈现出显著的差异，作物的总体分类精度在64.62%—93.52%，跨度为28.90%；Kappa系数在0.47—0.90，跨度为 0.43。4种分类方法的最高精度均出现在第一时期（2016-05-10），分别为87.47%、90.25%、92.12%、95.35%；最大 Kappa系数分别为 0.81、0.85、0.88、0.90，作物分类效果较好。图 4总结了枣树及棉花不同时期的用户精度和生产者精度。如图4-a和4-b所示，除了SAM之外，其他3种方法的枣树用户精度在不同时期均保持在较高水平，不存在显著性差异；然而，4种方法的棉花用户精度在不同时期的差异较大，且表现出相同的变化趋势，即第一个时期最高（分别为 92.05%、70.42%、81.58%、82.29%），第三个时期次之（分别为44.21%、52.51%、54.55%、57.59%），第二个时期最低（分别为69.31%、5.37%、58.84%、62.21%）。与研究区各种作物的用户精度变化趋势相反，枣树的生产者精度在各个时期变化幅度较小，即第一时期最大，第三个时期次之，第二个时期最好；棉花的生产者精度除SAM外基本一致，为86.41%—95.64%，分类效果较好（图4-c和4-d）。

2.2 面向对象与基于像素的分类效果比较

除光谱角制图（SAM）外，支持向量机（SVM）、决策树算法（DTs）和随机森林（RF）这3种分类方法在对象水平比在像素水平得到的作物分类精度更高。各时期作物分类总体精度分别提高了 9.71%—11.9%（2016-05-10）、1.19%—8.64%（2016-09-07）、1.68%—5.03%（2016-10-08），最高总体分类精度均达到 90%以上。就对象水平与像素水平的分类精度差异而言，由随机森林方法得到的增幅最小，支持向量机方法得到的增幅最大，3个时相都表现出同样的趋势。

除第二个时期外，其他2个时期的作物精度较高，不便于分析面向对象分类方法对作物分类精度的影响，为了深入分析面向对象分类方法的特点，探究面向对象与基于像素的分类策略对棉花和枣树识别能力的异同，本文选取了分类精度最低的9月份影像进行作物空间分布制图（图 5），从而更加深入地理解面向对象分类方法的应用潜力。如表2所示，在使用面向对象的图像分析方法之后，该时期的总体分类精度及Kappa系数均得到了进一步提高（SAM基本保持不变），表3总结了该时期枣树及棉花的分类精度（用户精度及生产者精度），对2种方法的作物分类精度进行对比后发现，面向对象的分类方法（除SAM外）可以显著提升枣树和棉花的分类精度；棉花的用户精度分别提高了12.32%、12.57%、7.71%，棉花的漏分率大幅度降低；枣树的生产者精度也分别提高了16.71%、20.27%、9.65%，制图精度显著提高，枣树的错分率大幅度降低。对作物分布图目视解译后发现，除SAM 外，面向对象的分类可以使枣树的错分率显著降低，枣树的识别面积及空间分布更接近于实际情况。

表2 不同时期作物分类总体精度Table 2 Overall accuracies of crop classification for different growth stages

图4 基于像素的枣树及棉花各时期用户精度及生产者精度对比Fig. 4 Comparison of user’s accuracies and producer’s accuracies of jujube and cotton for different stages using pixel-based classification methods

表3 像素与对象水平的枣树及棉花单时期（2016-09-07）分类精度比较Table 3 Comparison of user’s accuracies and producer’s accuracies of jujube and cotton for single stages using pixel-based and object-oriented classification methods

如表2所示，本文所使用的4种分类方法中SVM、DTs、RF这3种分类算法在各个时期均可实现较高的作物分类总体精度，分类结果均明显优于SAM算法。但这3类算法的分类精度并未表现出明显差异。

图5 基于像素与面向对象的单时期（2016-09-07）作物分布图Fig. 5 Maps of crop classification from the image of September 7, 2016 using four classification methods at pixel and object levels

3 讨论

3.1 多时相卫星影像的应用潜力

棉花和枣树为研究区内的两大作物，受当地气候及耕作管理措施的影响，随着时间的推移这两类作物往往呈现出明显的时空变化特征。大量的研究已经表明生育期是进行作物识别的关键信息，这种信息会对作物分类结果产生不可忽视的影响[34-36]，然而大多数作物识别的研究都集中于对时间序列的分析，单个时期或关键生育期相互比较的研究往往少有涉及[37-38]，因高空间分辨率卫星重返周期长、影像获取成本高，采用关键生育期的影像进行作物分类通常更具实用价值。

图6 研究区不同时期的假彩色合成图Fig. 6 False color composites of the study area generated with satellite imagery acquired at different stages

图6展示了研究区不同时期（2016-05-10、2016-09-07、2016-10-08）的地物分布情况，从图中可以看出5月份影像呈现出特有的地物分布特征，即棉花田呈现出白色，经实地调研后发现该时期（棉花苗期）的棉田被地膜所覆盖，覆膜为新疆棉花苗期（生长早期）管理的一项重要的措施，且持续时间较长，该时期的棉花田与其他地物差异最大，所以棉花的分类效果最好；除此之外该时期的枣树处于展叶期，呈现出一定的植被光谱特征，且研究区作物/地物类型相对较少，所以作物分类效果相对较好。因此，利用新疆棉花和枣树生长早期的差异性光谱特征，可以对这两类农作物进行有效识别。

目前在轨的高分商业卫星通常获取成本高，很难从同一卫星获取作物生长季内的时序影像，甚至是多幅影像，这也是目前高分影像在农业应用中所面临的一大现实问题。受高分影像获取难度大的限制，本研究开展当年仅有 3景来自于不同传感器的高分卫星影像能覆盖研究区。虽然未能完整捕捉到棉花和枣树所有关键生育期的光谱特征，而且 3幅影像的空间分辨率和波段数量不同，但他们都拥有红、绿、蓝、近红 4个波段，而且可以重采样到最低的6 m分辨率，目前仍能从现有的3景影像分析影像获取时期对作物分类精度的影响，最大限度发挥历史影像在作物识别中的应用价值。因作物类型、种植面积及种植区域可能存在较大的年际变化，加入其他年度的影像会带入额外的不确定性，所以本研究没有加入相邻年度的遥感影像。在未来的研究中，可以对完整时间序列影像进行深入分析，进一步改善作物分类效果。

3.2 面向对象方法识别作物的优势

通过面向对象的图像处理我们可以对光谱、纹理及空间信息进行综合利用，虽然面向对象的策略在作物分类中表现出一定的潜力[39]，但在我国尤其是新疆的作物分类应用中还不多见，面向对象分类过程中光谱及纹理等特征所起的作用依然不够明确[40-42]。明确光谱、纹理及空间特征在作物分类中的重要性，对丰富作物分类体系、进一步提高作物分类效率大有裨益。

相较于9月份影像，10月份影像的作物分类精度出现了一定程度的提高（表2）。受当地气候的影响，枣树和棉花的反射率值在10月份都会经历一个下降阶段，此时部分棉花已经开始收获，受棉花分批成熟、多次收获的影响，棉花田内部表现出光谱差异增大的特征，但10月份影像分类精度却出现增高趋势，这种精度的提高很可能是由纹理信息的加入所致。

图7 基于增益比值的特征重要性Fig. 7 Importance of features based on the gain ratio

在对象水平，随机森林分类算法对9月份影像的作物分类精度提升效果最为明显（表 2），所以我们对该时期分类过程中所有变量的重要性进行了探究。图7展示了参与分类的46个特征的重要性，从图中可以看出重要性排名前 3的特征分别是 Texture Red Mean、Spectral Red Mean、Texture Blue Mean；紧接着的 2个特征分别是 Texture Green Mean、Spectral Green Max。以上表明纹理特征的重要性高于光谱特征，纹理特征所占比例在前3和前5中均达到一半以上。在参与分类的46个特征中，Texture Red Mean重要性最高，Spectral Red Mean次之，红波段位于叶绿素的主要吸收带，另外，由于枣树冠层有明显的行状特征，纹理特征明显，所以Texture Red Mean在研究区作物的分类中具有很高的重要性。除此之外，Texture Green Mean、Spectral Green Max也表现出较高的重要性，该时期的棉花处于成熟吐絮前期，而枣树处于果实膨大期，此时棉花的棉絮和棉铃大范围出现，棉絮和棉铃叶绿素含量较低，而枣树冠层不存在这种变化，枣树和棉花绿波段的反射率存在差异，所以该时期的绿波段对枣树和棉花有较好的区分效果。但是以往作物分类中常常使用的近红外波段在本研究中却排名靠后，这可能与枣树和棉花在该时期近红外波段的差异较小有关。

4 结论

本研究以多时相的高空间分辨率卫星影像为基本数据源，采用多种分类法（SAM、SVM、DTs、RF）对研究区主要作物（棉花、枣树）进行分类，全面比较了基于像素和面向对象的分类效果，结果表明：

（1）5月份棉花覆膜期的作物分类精度最高，新疆棉花和枣树在生长早期具有独特的空间特征，新疆枣树和棉花的遥感识别应在作物生长早期进行；将作物光谱特征与栽培特性相结合，具有提高作物分类精度的潜力。

（2）在4种监督分类方法中，决策树和随机森林方法比其他分类方法的作物分类效果更好，但随机森林输入参数更少，优势相对明显。

（3）与基于像素的方法相比，面向对象的分类算法可以综合使用纹理与光谱特征，取得更高的分类精度，最高可达93.52%；3种机器学习方法在像素水平和对象水平间的分类精度差异不同；分类图中的田块完整性好，分类结果中的田块边界可以为当地农田信息化管理提供重要支撑。

（4）在棉花和枣树识别过程中，纹理特征的重要性高于光谱和空间特征；相较于其他波段，红波段和绿波段的反射率对棉花和枣树识别的贡献更大。

[1] 新疆维吾尔自治区统计局. 新疆统计年鉴. 北京: 中国统计出版社,2016.National Bureau of Statistics of the Xinjiang Uygur Autonomous Region.Xinjiang Statistical Yearbook.Beijing China Statistics Press,2016. (in Chinese)

[2] 张焕雪, 李子强, 文宁, 杜鑫, 陶青山, 田亦陈. 农作物种植面积遥感估算的影响因素研究. 国土资源遥感, 2015, 27(4): 54-61.ZHANG H X, LI Z Q, WEN N, DU X, TAO Q S, TIAN Y C.Important factors affecting crop acreage estimation based on remote sensing image classification technique.Remote Sensing for Land and Resources, 2015, 27(4): 54-61. (in Chinese)

[3] WALDNER F, CANTO G S, DEFOUNRNY P. Automated annual cropland mapping using knowledge-based temporal features.ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110: 1-13.

[4] DALMAU O S, ALARCÓN T E, OLIVA F E. Crop classification in satellite images through probabilistic segmentation based on multiple sources.Sensors, 2017, 17(6): 1373.

[5] ABOUEL M L, TANTON T. Improvements in land use mapping for irrigated agriculture from satellite sensor data using a multi-stage maximum likelihood classification.Remote Sensing,2003, 24(21):4197-4206.

[6] ALGANCI U, SERTEL E, OZDOGAN M, ORMECI C. Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern turkey.Photogrammetric Engineering and Remote Sensing, 2013, 79 (11): 1053-1065.

[7] SAMANIEGO L, SCHULZ K. Supervised classification of agricultural land cover using a modified K-NN technique (mnn)and Landsat remote sensing imagery.Remote Sensing, 2009, 1(4):875-895.

[8] CRIST E P, CICONE R C. Application of the tasseled cap concept to simulated thematic mapper data.Photogrammetric Engineering &Remote Sensing,1984, 50 (3): 343-352.

[9] WARDLOW B D, EGBERT S L, KASTENS J H. Analysis of timeseries MODIS 250 m vegetation index data for crop classification in the us central great plains.Remote Sensing of Environment, 2007,108(3): 290-310.

[10] DURO D C, FRANKLIN S E, DUBÉ M G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using spot-5 hrg imagery.Remote Sensing of Environment, 2012, 118:259-272.

[11] ALGANCI U, SERTEL E, OZDOGAN M, ORMECI C. Parcel-level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern turkey.PhotogrammetricEngineering and Remote Sensing,2013, 79 (11): 1053-1065.

[12] LIU J, SHAO G, ZHU H, LIU S. A neural network approach for enhancing information extraction from multispectral image data.CanadianJournal ofRemote Sensing,2005, 31 (6): 432-438.

[13] OMKAR S, SENTHILNATH J, MUDIGERE D, KUMAR M M. Crop classification using biologically-inspired techniques with high resolution satellite image.Journal of the Indian Society of Remote Sensing, 2008, 36 (2): 175-182.

[14] MASSE A. Développement et automatisation de méthodes de classification partir de séries temporelles d’images de télédétection -application aux changements d’occupation des sols et à l’estimation du bilan carbone[D]. Toulouse: Université Toulouse III Paul Sabatier,2013: 223.

[15] PETITJEAN F, INGLADA J, GANÇARSKI P. Satellite image time series analysis under time warping.IEEE Transactions on Geoscience and Remote Sensing,50 (8): 3081-3095.

[16] OSMAN J, INGLADA J, DEJOUX J F. Assessment of a markov logic model of crop rotations for early crop mapping.Computers and Electronics in Agriculture, 2015, 113: 234-243.

[17] MARIANA B, OVIDIU C. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis.Remote Sensing of Environment, 2018, 204: 509-523.

[18] 刘吉凯, 钟仕全, 梁文海. 基于多时相Landsat 8 OLI影像的作物种植结构提取. 遥感技术与应用, 2015, 30(4): 775-783.LIU J K, ZHONG S Q, LIANG W H. Extraction on crops planting structure based on multi-temporal Landsat8 OLI images.Remote Sensing of Technology and Application, 2015, 30(4): 775-783. (in Chinese)

[19] 黄健熙, 侯焯, 武洪峰, 刘峻明, 朱德海. 基于时间序列MODIS的农作物类型空间制图方法. 农业机械学报, 2017, 48(10): 142-148.HUANG J X, HOU Z, WU H F, LIU J M, ZHU D H. Crop type mapping method based on time-series MODIS data in Heilongjiang province.Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 142-148. (in Chinese)

[20] MCCARTY J L, NEIGH C S R, CARROLL M L, WOOTEN M R.Extraction smallholder cropped area in Tigray, Ethiopia, with wall-to-wall sub-meter WorldView and moderate resolution Landsat 8 imagery.Remote Sensing of Environment, 2017, 202: 142-151.

[21] WEI C W, HUANG J F, MANSARAY L, LI Z H, LIU W W, HAN J H.Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method.Remote Sensing,2017, 9(5): 488-503.

[22] 刘克宝, 刘述彬, 陆忠军, 宋茜, 刘艳霞, 张冬梅, 吴文斌. 利用高空间分辨率遥感数据的农作物种植结构提取. 中国农业资源与区划, 2014, 35(1): 1-5.LIU K B, LIU S B, LU ZJ, SONG X, LIU Y X, ZHANG D M, WU W B. Cropping structure Extraction based on high spatial resolution remotely sensed data.ChineseJournal of Agricultural Resources and Regional Planning, 2014, 35(1): 1-5. (in Chinese)

[23] AKBARI M, MAMANPOUSH A R, GIESKE A. MIRANZADEH M.,TORABI M, SALEMI H. Crop and land cover classification in Iran using Landsat 7 imagery.International Journal of Remote Sensing,2006, 27 (19): 4117-4135.

[24] POTGIETER A B, APAN A, DUNN P, HAMMER G. Estimating crop area using seasonal time series of enhanced vegetation index from modis satellite imagery.Crop Pasture Science, 2007, 58 (4): 316-325.

[25] ARVOR D, JONATHAN M, MEIRELLES M S P, DUBREUIL V,DURIEUX L. Classification of MODIS EVI time series for crop mapping in the state of mato grosso, brazil.International Journal of Remote Sensing,2011, 32 (22): 7847-7871.

[26] MYINT S W, PATRICIA G, ANTHONY B, SUSANNE G C, WEN Q H. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery.Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[27] BLASCHKE T, GEOFFREY J H, MAGGI K, STEFAN L, PETER H,ELISABETH A, RAUL Q F, FREEK M, HARALD W, FRIEKE C,DIRK T. Geographic object-based image analysis - towards a new paradigm.ISPRS Journal of Photogrammetry and Remote Sensing,2014, 87: 180-191.

[28] MA L, LI M C, MA X X. CHENG L, DU P J, LIU Y X. A review of supervised object-based land-cover image classification.ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 277-293.

[29] LI Q Z, CAO X, JI K, ZHANG M, DONG Q H. Crop type identification by integration of high-spatial resolution multispectral data with features extracted from coarse-resolution time-series vegetation index data.International Journal of Remote Sensing, 2014,35(16): 6076-6088.

[30] BLASCHKE T. Object based image analysis for remote sensing.ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1):2-16.

[31] 邓书斌. ENVI 遥感图像处理方法. 北京: 科学出版社, 2010.DENG S B.ENVI Remote Sensing Image Processing Method. Beijing:Science Press, 2010. (in Chinese)

[32] ROERDINK J B, MEIJSTER A. The watershed transform: definitions,algorithms, and parallelization strategies.Fundamenta informaticae,2001, 41: 187-228.

[33] BLEAU A, LEON L J. Watershed-based segmentation and region merging.computer Vision and Image Understanding, 2000, 77(3):317-370.

[34] PEÑA-BARRAGÁN J M, NGUGI M K, RICHARD E P, JOHAN S.Object-based crop identification using multiple vegetation indices,textural features and crop phenology.Remote Sensing of Environment,2011, 115(6): 1301-1316.

[35] ZHONG C, WANG C Z, WU C S. MODIS-based fractional crop mapping in the U.S. midwest with spatially constrained phenological mixture analysis,Remote Sensing, 2015, 7(1): 512-529.

[36] ZHONG L, HAWKINS T, BIGING G, GONG P. A phenology-based approach to map crop types in the San Joaquin Valley, California.International Journal of Remote Sensing, 2011, 32(22): 7777-7804.

[37] HELMHOLZ P, ROTTENSTEINER F, HEIPKE C. Semi-automatic verification of cropland and grassland using very high resolution mono-temporal satellite images.ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 204-218.

[38] LÖW F, KNÖFEL P, CONRAD C. Analysis of uncertainty in multitemporal object-based classification.ISPRS Journal of Photogrammetryand Remote Sensing, 2015, 105: 91-106.

[39] LI Q T, WANG C Z, ZHANG B, LU L L. Object-based crop classification with Landsat-MODIS enhanced time-series data.Remote Sensing, 2015, 7(12): 16091-16107.

[40] DURO D C, FRANKLIN S E, DUBÉ M G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery.Remote Sensing of Environment, 2012,118: 259-272.

[41] MA L, CHENG L, LI M C, LIU Y X, MA X X. Training set size, scale,and features in Geographic Object-Based Image Analysis of very high resolution unmanned aerial vehicle imagery.ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102: 14-27.

[42] LALIBERTE A S, BROWNING D M, RANGO A. A comparison of three feature selection methods for object-based classification of sub-decimeter resolution UltraCam-L imagery.International Journal of Applied Earth Observation and Geoinformation, 2012, 15: 70-78.