基于机器学习算法的河南省冬小麦面积提取研究

王小飞 张方敏 任祖光 张世豪 高歌

摘要：为了精准获取河南省冬小麦空间分布及面积数据，基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集，通过设置不同的阈值条件获得高质量的样本数据，采用深度神经网络（DNN）、随机森林（RF）和支持向量机（SVM）算法，自动从NDVI时序数据中提取冬小麦特征，分别训练出非线性模型，在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明，基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%，总体一致性为97.97%；基于RF、SVM算法的精确率分别为91.51%和89.31%，总体一致性均在90%以下。和RF、SVM算法相比，DNN算法在精度上有明显的提升，能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明，运用中等分辨率长时间序列影像结合DNN算法，在一定程度上可以更准确识别大区域的农作物信息。

关键词：冬小麦；深度神经网络；NDVI；遥感；时间序列

中图分类号：S127  文献标志码：A

文章编号：1002-1302（2024）06-0215-10

收稿日期：2023-04-19

基金项目：江苏省碳达峰碳中和科技创新专项资金（编号：BK20220017）。

作者简介：王小飞（1995—），男，河南周口人，硕士研究生，主要从事农业遥感研究。E-mail：1573979951@qq.com。

通信作者：张方敏，博士，教授，主要从事农业与生态气象研究，E-mail：fmin.zhang@nuist.edu.cn；高歌，博士，研究员，主要从事气候变化与评估研究，E-mail：gaoge@cma.gov.cn。

冬小麦是河南省的主要农作物之一，其产量占全国小麦总产量的28%（2021年统计年鉴）。因此，获取冬小麦准确的空间分布和种植面积信息，有助于充分发挥其潜在的生产力，促进我国农业的发展和粮食安全，这一工作具有非常重要的意义^[1]。遥感技术在作物类型识别和分类中发挥着关键作用，能够有效提取出不同作物的长势特征和种植面积，是推进农业现代化的关键一步^[2]。由于不同农作物在光谱特征上的相似度较高，仅凭借单一时间点的遥感影像进行分类容易出现“异物同谱”和“同物异谱”的问题，从而影响地物的识别分类精度^[3]。针对这个问题，学者们提出使用长时间序列的植被指数反映不同农作物的物候特征^[4]，进而提高农作物分类的识别精度^[5]。

近年来，学者们利用MODIS^[6-7]、Landsat^[8]、哨兵^[9]、GF^[10]等系列卫星数据开展了冬小麦的遥感识别研究。使用的方法主要包括机器学习和非机器学习2种^[11-12]。传统的非机器学习方法在特定条件下表现良好，但其难以泛化到不同的时间、地点或环境条件下，因此受到了一定的限制。比如，这些方法通常依赖于手动定义的规则和阈值来进行特征提取和分类，对于复杂的植被覆盖类型和变化不够灵活^[13]。Busetto等^[14]、Skakun等^[15]、Chu等^[16]、Tao等^[17]、Qiu等^[18]和Dong等^[19]基于MODIS、Landsat時序数据分别采用PhenoRice算法、高斯混合法、双高斯函数方法、冬小麦冬前高峰特征法、物候特征法和时间加权的动态时间归整法进行了冬小麦特征提取。采用机器学习方法进行冬小麦遥感识别具有明显优势，机器学习方法能够自动从遥感数据中学习并提取多维特征，无需事先定义特定规则或阈值^[20]。利用大量的训练样本数据，机器学习模型能够建立复杂的特征-类别关联，从而提高冬小麦识别的准确性^[21]。

随着机器学习算法的快速发展，深度学习算法通过多层结构和大规模数据训练，能够实现高度的特征学习和模式识别，在各种应用中能取得卓越的性能^[22]，明显强于传统机器学习算法^[23-26]，因此，在基于遥感的地物分类应用也得到了广泛关注。张乾坤等利用Landsat-8数据，通过构建相对最优的卷积神经网络结构实现了新疆地物高精度分类^[27]；Sun等使用Landsat-8数据构建时间序列，利用深度神经网络（deep neural network，DNN）算法完成美国北达科他州地区不同作物的分类，总体精度超过了82%^[28]；姚锦一等采用Sentinel-2数据，结合DNN算法对色楞格河流域的水体信息进行了提取，总体精度达到了97.65%^[29]；Kussul等结合Landsat-8和Sentinel-1A遥感数据，建立时间序列数据用于提取作物的物候特征，采用卷积神经网络算法实现了乌克兰基辅地区不同农作物的分类，精度可达94.6%^[30]。

MODIS提供了较长时间序列的时序数据，解决了中高分辨率影像数据量大、重访周期长、大范围内同一时间影像缺失等问题。因此，本研究基于2003—2021年MODIS的250 m归一化植被指数（normalized difference vegetation index，NDVI）时序数据，利用具有更强的学习能力和更好的泛化性能的DNN算法提取河南省冬小麦种植面积，并和基于随机森林（random decision forests，RF）、支持向量机（support vector machine，SVM）的机器学习算法的结果进行对比，分析3种机器学习算法下的河南省冬小麦种植面积的提取精度。

1  研究区域与数据

1.1  研究区域概况

河南省是我国内陆腹地的一部分，地理位置介于110.21～116.39°E、31.23～36.22°N之间。河南省属于温带季风气候区，四季分明，夏季雨水集中，气候炎热，冬季干冷。年平均气温为10.5～16.7 ℃，年降水量407.7～1 295.8 mm，受东南季风影响，呈现由东南向西北逐渐减少的趋势。河南省地势高低不平，西部以山地和丘陵为主，东部以平原为主。平原地区土层深厚，土质肥沃，棕壤和褐土是主要土壤类型，适合冬小麦的生长。河南省是全国冬小麦主要产区之一。

1.2  研究数据

1.2.1  遥感数据

NDVI数据来源于2003—2021年MODIS MYD13Q1产品（http：//earthexplorer.usgs.gov/），16 d融合产品，1年23期，空间分辨率为250 m。使用MODIS数据处理工具（MODIS Reprojection Tool）将MYD13Q1数据从HDF格式转换为Tiff格式，进行重投影和裁剪等操作，得到河南省冬小麦每年生长季内（10月8日到次年6月17日）17期的NDVI数据（因闰年和平年的原因，所述日期和实际选取的日期会有1 d的误差）^[31]。

1.2.2  样本数据

为获取河南省主要地物类型分布，结合Google Earth和中国气象科学数据共享服务网（http：//data.cma.cn/）下载的参考样本点数据，在冬小麦生长季将河南省地物类型分为6大类别，即冬小麦、单峰类作物、其他双峰类作物、林地、建筑用地和水体（图1）。在研究区每年共获得9 970个左右的样本点（30 580个左右的像元点），包括冬小麦6 000个左右（20 000个左右的像元点）、单峰类作物550个左右（600个左右的像元点）、其他双峰类作物900个左右（1 000个左右的像元点）、林地1 500个左右（5 700个左右的像元点）、建筑用地1 000个左右（3 100个左右的像元点）、水体20个左右（180个左右的像元点）。随机选取75%的样本点作为训练集，剩下的25%样本点用于测试集，用来建立冬小麦识别的训练模型。

1.2.3  验证数据

为了更好地验证本研究基于DNN算法的分类精度，使用CLCD 30 m的土地覆盖数据集（https：//zenodo.org/records/4417810）^[32]、国家青藏高原科学数据中心提供的2001—2018年250 m 华北平原农作物种植区分布数据集（https：//data.tpdc.ac.cn/）^[33]和河南省统计年鉴2003—2021年的冬小麦种植面积（https：//tjj.henan.gov.cn/）进行精度验证。

2  研究方法

本研究技术路线如图2所示。首先，从样本点中获取NDVI时序数据，然后利用设定的阈值过滤掉低质量样本。然后，运用机器学习模型（包括DNN、RF和SVM）结合样本的NDVI时序数据，对冬小麦进行识别模型的训练。最后将MODIS-NDVI时序数据输入经过训练的冬小麦识别模型，对冬小麦进行遥感识别，并且對3种机器学习算法的模型精度和冬小麦识别精度分别进行详细分析。

2.1  阈值设置

阈值主要是剔除冬小麦样本中出现的低质量像元和一些异像元。冬小麦的生长状况受雨水、日照等天气条件影响比较大，比如在2003年、2006年、2008年、2013年一些地区的冬小麦NDVI值偏低，因此在冬小麦的样本中通过设置阈值，过滤掉低质量的样本。经过多次试验测试，认为位于冬小麦孕穗期和抽穗期4月14日、4月30日、5月16日的NDVI值能反映出小麦的长势，在NDVI值偏低的4年，任意时间节点的NDVI值大于0.78即判断为质量高的冬小麦样本，在其他NDVI年均值较高的年份，3个时间节点的NDVI值大于0.8判断为质量高的冬小麦样本。

在其他单峰类作物、双峰类作物、林地、建筑用地和水体的样本中，提取时间序列的NDVI值同样

需要剔除一些异常值。经过多次试验，认为单峰类作物和双峰类作物在每个时间节点的NDVI值不为空值即可，建筑用地的每个时间节点的NDVI值不应超过0.4。

2.2  特征选择

由于河南省南北部气候差异的原因，小麦种植和收获的时间会存在一定差异，因此，需要确定识别冬小麦的起始和结束的时间，进而建立NDVI时间序列的特征曲线。冬小麦种植时间在秋季的10—11月之间，该季节夏玉米、大豆等作物秋收完成，此时的NDVI值介于0.2～0.3之间，河南省冬小麦种植时间差异不大，选择10月8日作为起始时间。

河南省冬小麦收获时间大部分集中在5月20日之后和6月20日之前，由图3可知，在2018年6月2日之后NDVI的曲线走势出现明显不同，这是由于2地的冬小麦成熟时间不一致导致的。样本2所在区域为南阳地区，经过调研，此地区的冬小麦成熟时间大部分集中在5月下旬，收割结束之后，会种植夏粮作物，NDVI值在6月17日会达到0.4以上，而此时河南省东部和北部的小麦正处于收割阶段，因此最后一个特征值选择6月2日的NDVI值。综上，选择从10月8日到次年的6月2日共16期的NDVI值作为特征值，可以有效区分冬小麦、单峰类植物、其他双峰类植物、林地、建筑用地以及水体（图4）。

2.3  构建基于DNN的冬小麦训练模型

使用Python编程语言对数据进行预处理，在基于TensorFlow的深度学习框架下进行DNN模型的搭建、训练和测试。

2.3.1  DNN网络层数和神经元个数设置

网络结构采用输入层、全连接层和输出层，其中输入层是将输入的数据压成一维的数据，再用全连接层（设置128个神经元）接收一维数据，进行向量处理，最后由输出层输出结果，因为输出结果有6个（冬小麦、单峰类作物、双峰类作物、林地、建筑用地、水体），输出层的神经元个数设置为6。

2.3.2  DNN激活函数设置

在全连接层中使用relu激活函数，可以规避sigmoid函数饱和区对网络收敛的限制，加快模型训练速度。在神经网络的输出层中，采用softmax作为激活函数对全连接层的输出进行变换，使得输出符合概率分布。这样的处理可以将每个输出值限制在[0，1]之间，并且所有输出的总和为1，从而更好地表示分类概率。

式中：x为来自上一层神经网络的输入向量。

式中：σ是softmax激活函数；z_j表示神经网络模型中第j个节点的输出值；K表示模型输出的节点个数，即分类的类别个数。

2.3.3  DNN训练方法设置

在compile中配置训练方法时，选择adam算法。该算法能够基于训练数据迭代更新神经网络的权重，通过计算梯度的一阶估计和二阶估计为不同的参数设計独立的自适应性学习率。本研究使用adam默认参数，其中一阶矩阵指数衰减率为0.9，二阶矩阵指数衰减率为0.99，稳定性常数为10^-8。

2.3.4  DNN训练参数设置

迭代次数（epochs）设置为100，这表示将对数据进行100次迭代训练。批量大小（batch size）设置64，每次迭代从训练数据中随机选择64个样本进行训练。validation_split设置为0.25，每次会自动随机选择75%的数据为训练集，剩下25%的数据为测试集。验证频率（validation frequency）设置为1，每次迭代后都进行1次验证，以监测模型性能。

最后，使用训练好的模型对MODIS-NDVI遥感影像进行分类，提取出冬小麦的空间分布和种植面积。

2.4  构建基于RF和SVM的冬小麦训练模型

为验证DNN算法的优越性，将其与机器学习框架下的RF和SVM算法进行对比。基于RF和SVM算法的冬小麦训练模型使用和DNN算法一样的数据集。其中，RF训练模型的参数设置：子树的数量为100，每棵树的最大深度为9，随机种子为42；SVM训练模型的参数设置：使用线性基作为SVM的核函数，惩罚因子C为1，松弛变量γ为10^-1，随机种子为42。RF和SVM将数据集75%的样本作为训练集，剩下25%的样本为测试集。

3  结果与分析

3.1  识别结果

根据2003—2021年的样本数据，基于DNN训练出冬小麦识别模型，利用这个模型遍历读取了冬小麦生长季内的16期MODIS-NDVI遥感影像，依次得到河南省2003—2021年冬小麦的空间分布图（图5），并统计得到冬小麦面积时间序列图（图6）。由图5和图6可知，2003—2021年河南省的冬小麦空间分布格局变化不明显，河南省冬小麦种植面积整体呈上升趋势。

3.2  分类精度分析

3.2.1  模型精度分析

在本研究中，通过精确率和损失率来评估模型的优劣，精确率衡量了模型预测的阳性样本中真正阳性样本的比例，而损失率则代表了模型预测错误的样本所占的比例^[34]。如表1所示，基于DNN算法的多年精确率为97.26%（最高为2003年的98.43%，最低为2012年的95.14%），比RF、SVM算法精确率分别提升5.75、7.95百分点。基于样本点的多年损失率为7.07%，其中最高为2012年的12.27%，最低为2003年的4.12%，比RF、SVM算法损失率分别降低19.79、22.46百分点。该结果与张荣群等^[3]、王连喜等^[23]、张锦水等^[35]和徐青云等^[36]对比，精确率分别提升8.31、2.10、1.77、11.54百分点，表明该模型的精度较好，可以对河南省冬小麦的空间分布和面积进行提取。

3.2.2  识别精度分析

使用ArcMap软件对2003—2021年CLCD 30 m的土地覆盖数据集进行250 m重采样，然后分别与使用DNN、RF和SVM方法的250 m冬小麦分类图进行空间对比。以2005、2015年为例（图7），2005年基于DNN的方法冬小麦分布较稀疏，2015年3种方法的结果较一致。遍历每个年份的250 m分辨率的冬小麦分类图和CLCD数据集，比较2个数据集中相同像元位置上的类别，并记录冬小麦和CLCD数据集中相同类别的像元数量，统计每个年份的冬小麦总像元数量，并计算相同类别像元数量与冬小麦总像元数量的比值，得到2003—2021年DNN预测的冬小麦空间分布与CLCD数据集耕地的重叠率达到98%以上，RF和SVM预测的冬小麦空间分布重叠率为90%左右。

以国家青藏高原科学数据中心提供的华北平原农作物种植区分布图作为实际数据，使用DNN、RF和SVM方法得出的结果作为预测数据，比较实际冬小麦面积数据和DNN、RF和SVM方法预测的冬小麦数据。结果表明，2003—2018年河南省冬小麦面积与DNN预测的面积一致性达到95%以上，与RF和SVM预测的面积一致性在90%以下。以2018年商丘和2017年周口的结果为例（图8），一致性分别为95.29%、98.62%，与RF方法的一致性分别为92.02%、89.43%，与SVM的一致性分别为92.43%、87.56%。对比结果进一步说明了使用基于DNN的冬小麦训练模型能够较好地获取河南省2003—2021年冬小麦空间分布信息。

同樣采用上述方法，与河南省统计年鉴中的冬小麦播种面积数据进行对比，结果（表2）表明，基于DNN方法计算2003—2021年的分类面积与统计面积的一致性平均为97.97%（最高为2016年的99.99%，最低为2003年的93.28%），并且和基于统计面积的变化趋势一致，均为递增趋势。而RF和SVM算法预测面积在2003—2006年误差率高达20%～35%，导致基于RF和SVM算法的2003—2021年河南省冬小麦预测面积呈递减趋势，与统计年鉴面积趋势变化呈相反结果。结果说明了基于DNN的冬小麦训练模型优于RF和SVM算法，亦能很好地反映河南省冬小麦的多年面积变化情况。

4  讨论

尽管冬小麦生长周期内的NDVI时间序列曲线基本一致，但是由于每年气候变化和作物管理方式不同，每年的NDVI时间序列曲线仍有变化^[37]，如图9所示（该冬小麦样本点位于116.19°E、33.88°N），2019年冬小麦的NDVI明显低于其他年份，2012年10月到12月的NDVI值远高于其他年份，2008年1月9日的NDVI值达到历年最低。因此，本研究根据当年的样本集训练出当年的冬小麦模型，会减小多年间作物生长差异对模型精度的影响。

本研究所使用的是250 m MODIS遥感数据，存在混合像元的情况。为了提高分类结果的准确性，本研究将混合像元中实际冬小麦占比大于50%的像元分类为冬小麦，实际冬小麦占比小于50%的像元分类为非冬小麦，由于冬小麦的时序曲线变化和其他双峰类作物的曲线类似，需要收集更多的其他双峰类作物的样本，充分发挥DNN对于大样本大数据处理的优势，减少混合像元带来的误差。因此，未来的研究可以采用多种高分辨率遥感数据和多种机器学习算法相结合的方法提高识别精度。

DNN是由多个感知器组成的集成学习模型，具有很强的非线性拟合能力，通过本研究3种机器学习算法的精度对比可以发现，DNN的分类能力远远优于其他2种机器学习算法，但是也存在一定的不确定性。在分类的结果中，有小部分冬小麦像元会识别成其他类型，其原因可能是该地区的天气相关，如冬季的雨雪天气、春季的干旱以及管理农作物方式的不同都会导致NDVI的异常，也可能是由于模型的不足，会对精度的评价产生一定的影响。因此需要对DNN模型的分类过程进行更深入的研究，以揭示其“黑盒”性质，提高对其分类结果的信任度和可靠性^[38]。

5  结论

本研究以2003—2021年的MODIS-NDVI为数据源，根据河南省的地势和气候完成对地表混合像元和异常值的处理，利用处理后的NDVI时间序列作为特征值，构建基于DNN、RF和SVM的冬小麦识别机器学习算法模型，与已知的数据对比对识别的冬小麦进行精度验证。结果表明，在空间上，基于DNN算法的2003—2021年冬小麦分布与CLCD数据集在耕地上的重叠率达到98%以上，与青藏高原科学数据中心提供的华北平原农作物种植区的一致性达95%以上，与河南省统计年鉴中的冬小麦面积一致性平均为97.97%，并且变化趋势保持一致。基于RF和SVM算法的冬小麦分布的识别结果与相同数据集的对比显示，在重叠率和一致性上这2种算法均低于DNN的冬小麦识别结果，并且不能很好地反映冬小麦的时间变化趋势。结果说明了基于DNN算法的模型能更有效地提取反映作物生长信息的时间和空间特征，提高了大范围冬小麦的空间分布和面积数据的精确度。

参考文献：

[1]孙九林. 中国农作物遥感动态监测与估产总论[M]. 北京：中国科学技术出版社，1996：1-8.

[2]何忠，谢国雪，林垚君，等. 遥感技术在我国甘蔗产业的应用综述[J]. 国土资源信息化，2020（4）：22-27.

[3]张荣群，王盛安，高万林，等. 基于时序植被指数的县域作物遥感分类方法研究[J]. 农业机械学报，2015，46（增刊1）：246-252.

[4]饶新宇，李红军，张圣微，等. 草原植被长势遥感监测方法适宜性研究[J]. 中国生态农业学报（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，Franch 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，Franch 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，Fu 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]王连喜，徐胜男，李琪，等. 基于决策树和混合像元分解的江苏省冬小麦种植面积提取[J]. 农业工程学报，2016，32（5）：182-187.

[24]李龙，李旭青，吴伶，等. 基于决策树和神经网络的农作物分类研究——以廊坊市为例[J]. 红外，2019，40（3）：24-31，36.

[25]苏腾飞，刘全明，苏秀川. 基于多种植被指数时间序列与机器学习的作物遥感分类研究[J]. 江苏农业科学，2017，45（16）：219-224.

[26]杨野，杨德昌，孙红，等. 基于无人机多光谱遥感和机器学习算法的南疆棉花生物量估算[J]. 江苏农业科学，2023，51（15）：179-187.

[27]张乾坤，蒙继华，任超.构建地块二维表征及CNN模型的作物遥感分类[J]. 遥感学报，2022，26（7）：1437-1449.

[28]Sun Z H，Di L P，Fang 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]姚锦一，王卷乐，严欣荣，等. 基于深度神经网络的蒙古国色楞格河流域水体信息提取[J]. 地球信息科学学报，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]李炳军，张一帆. 不同生育期气候变化对河南省冬小麦产量影响的量化分析[J]. 江苏农业科学，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]張锦水，赵光政，洪友堂，等. 基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别[J]. 农业工程学报，2020，36（23）：193-200.

[36]许青云，杨贵军，龙慧灵，等. 基于MODIS NDVI多年时序数据的农作物种植识别[J]. 农业工程学报，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，吴炳方，曾红伟，等. 基于多层神经网络与Sentinel-2数据的大豆种植区识别方法[J]. 地球信息科学学报，2019，21（6）：918-927.