0 引言

城市农业是当今世界重要的土地利用和经济活动之一，在解决城市居民粮食供应问题上做出了巨大贡献。相关资料表明，城市农业供应食品约占世界城市人口需求的1/4[1,2]。在众多农作物中，水稻、小麦、玉米是三大主要粮食作物，中国更是世界较大的水稻生产国之一[3,4]。传统依靠野外调查获取水稻田分布的方法耗费大量人力物力，同时还存在监测周期长、效率低和水稻田信息粗糙等问题，无法满足大面积监测的需求。国内外学者在利用遥感技术监测水稻田方面开展了大量工作，并取得了较好的成果[5-10]。光学传感器主要是利用作物在近红外波段反射率的不同提取水稻田，水稻从插秧期到成熟期，近红外反射率逐渐达到最大值，对应的可见光波段反射率达到最小值[11]。因此，可以利用反射率的变化提取水稻田分布信息，如徐超等利用SPOT影像的NDII和NDVI值提取水稻信息并进行对比研究[12],Wang等利用Landsat8影像提取水稻田信息[13-15]。微波(雷达)卫星主要依靠后向散射原理提取水稻田，在水稻生长初期，由于稻田被水淹没，后向散射较低，随着水稻生长，后向散射逐渐增加，进而根据其变化提取水稻田。如Mansaray等利用覆盖整个水稻生长期的雷达影像数据提取上海市水稻[9]。针对不同的传感器，当前常用的水稻田提取方法主要有监督与非监督分类算法、智能分类算法(神经网络、支持向量机、决策树及随机森林)、面向对象算法和综合提取算法等[16,17]。随着中国高分一号(GF-1)卫星的成功发射，在综合考虑传感器类型、不同监测方法的成本以及时效性之后，研究者开始选择将GF-1号卫星作为研究数据源，针对水稻、玉米等农作物监测问题提出了一系列有效的方法[18-22]。如刘国栋等在低分辨率农作物分类基础上，结合GF-1号高分辨率制图对农作物面积进行了抽样调查[23];杨闫君等首先利用两期GF-1号WFV影像结合NDVI与NDWI系数对安徽省的水稻信息进行了提取[24]，随后又基于GF-1/WFV的NDVI时间序列对河北省唐山市作物类型进行了分类，进一步验证了其分类方法的可行性[25]。但是，水稻田监测仅利用单一时相的月报表数据进行作物识别，分类精度较低。宋盼盼等在此基础上通过构建江苏省靖江市某区域6-11月的长时间序列数据集，提高了水稻的分类精度[26]。

比如《第一朵杏花》中有一段竺可桢爷爷与孩子的对话，是没有提示语的，我让学生加上提示语，体会没有提示语的对话表达了双方语言的急促，进而感悟竺爷爷听说第一朵杏花开放后兴奋的心情，表现了他醉心于科学研究的精神。《船长》一课中也有一段哈尔威与洛克机械师的对话没有提示语，表现了两人沉着冷静、熟悉业务、关心弱小的美德。

然而，由于我国水稻大面积的种植主要集中在南方，而南方天气多云多雨，较难获取充足光学数据，构建高质量的大区域、长时相影像数据集更加困难[27]。鉴于此，雷小雨等提出了一种基于时差特征与随机森林的水稻面积提取方法，利用两个时相的遥感数据构建差值特征，突出水稻物候信息，进而参与分类，但其仅仅使用了秧苗期和成熟期两个时相的Landsat8影像数据以及PVI、WDRVI和NDWI 3个指数特征[28];Shao等利用多时相、多模式的Radarsat数据，采用图像直接提取与地面实地测量相结合的方式，建立水稻生长模型,并利用插秧期、分蘖期及收获期3个时相雷达影像数据实现了水稻田的空间分布监测和估产[29]。

本文以空间分辨率较高且重返周期较短的GF-1号和Sentinel-1为数据源，选取覆盖水稻整个生长期的3幅多光谱遥感影像和3幅雷达影像，综合考虑时态特征、多光谱影像反射率、NDVI、NDWI和EVI等派生特征及雷达影像的反向散射系数特征，利用粒子群优化的SVM分类器(PSO-SVM)[30]提取研究区水稻田信息。

1 研究区与试验数据

1.1 研究区概况

研究区位于南京市中部偏南地区(图1)，地理坐标为118°38′～118°52′E，31°33′～32°1′N,面积485 km2，涵盖建筑、水体、森林、水稻田等典型地物类型。该区域位于长江三角洲沿江地带，属于东亚季风区亚热带湿润气候，四季分明，温度适宜，雨量充沛，年均气温15.5 ℃，年降水量1 025 mm，无霜期214 d[31]。研究区中北部和西部地势偏高，属于山地地区;其他区域地势平坦，土地利用主要以灌溉水稻田、旱地、林业、水域为主，其中水稻是最主要的农作物。

1.2 影像数据

课堂教学，尤其是新课教授，是学生英语提升的关键。一直以来，高效课堂是学校教学不懈追求的目标。要实现高效，就要确保有效教学的覆盖面，让课堂真正成为全体学生的课堂。这就需要分层教学来实现。

预处理后将雷达影像重采样并投影到WGS_1984_UTM_Zone_50N坐标系统下，几何校正以及几何精校准后用研究区矢量掩膜裁剪，最终获得多光谱雷达影像组合的影像数据集(图2),从左到右分别为插秧期至成熟期的完整水稻生长周期及其相应时相的多光谱影像及雷达影像数据。

生长期水稻日期影像时间传感器质量插秧期6月中旬2016/06/01Sentinel⁃1AVH分蘖期7月中旬2016/07/19Sentinel⁃1AVH成熟期10月上旬2016/10/11Sentinel⁃1AVH拔节期8月上旬2016/07/28WFV11%抽穗期8月下旬2016/08/30WFV20%灌浆期9月中旬2016/09/12WFV40%

图4中，AA、OA、RA分别为平均精度、总体精度以及水稻分类精度，A_AA、A_OA、A_RA分别为表3中20个组合所对应AA、OA、RA的算术平均值。综合图4及表3可以直观地发现，所有包含MBR的组合方式分类的OA与AA均位于其算术平均值附近，而唯一不包含MBR的组合11，其AA、OA、RA均偏离算术平均值较大(精度最低)，可见MBR是一个不可或缺的分类特征。但单纯用MBR对研究区进行分类提取，精度相对较低(如组合1)，因此考虑通过组合其他特征来提高精度。然而，随着特征的逐渐增加，精度与之并不是正相关。从图4可以看到，所有6个特征信息复合在一起时(组合20)，其AA、OA、RA均相对较低，因此合理的特征信息复合对于研究区分类提取至关重要。

σ0=10alog10(b0 )

(1)

由于研究区存在多云多雨问题，无法获得覆盖水稻整个生长期的时间序列影像，因此采用覆盖插秧期、分蘖期和成熟期3个时相的Sentinel-1雷达影像数据与GF-1影像数据构成覆盖水稻整个生长周期的影像数据集(表1)。

1.3 野外实地调查数据

为提高水稻田分布信息提取的可靠性与准确性，于2016年10月9-10日(成熟期)对研究区域进行了抽样调查，尤其将水稻田分布较密的东南部作为重点调查区域，利用手持GPS确定该区域实际水稻田分布情况，共获取311个GPS样本数据，包括78个水体点、44个森林点、41个建筑点、148个水稻田点及32个其他类别点。

2 提取方法

2.1 总体技术路线

多光谱数据集(GF-1)预处理后，对多时相光学影像分别计算其归一化水体指数(NDWI)、归一化植被指数(NDVI)、增强植被指数(EVI)、垂直植被指数(PVI)和动态植被指数(WDRVI)，组成多光谱派生特征数据集。雷达影像数据集预处理后，构建反向散射差值指数(BCDI)，组成雷达影像派生特征数据集，并与多光谱派生特征数据集组成输入数据集。综合研究区DEM数据、多时相影像数据、特征变量数据集以及实地野外调查数据集选取训练样本，将训练样本输入粒子群优化的SVM分类器，通过n次循环训练(n=5)找到最佳分类参数[30]。分别对不同特征变量数据集进行组合与分类，寻找水稻田提取的最优分类组合，并利用混淆矩阵进行精度评价(图3)。

2.2 特征提取与分析

综合研究区的数据以及土地利用现状，将研究区土地利用类型分为5类：水体、林地、水稻田、建筑物及其他[9]。根据上述类别划分，拟选取影像多波段反射率(MBR)以及NDWI、NDVI、EVI、PVI和WDRVI 5个派生特征与雷达派生特征组合参与水稻田提取(表2)，通过比较不同特征信息复合的水稻田分类精度，获得最优特征选取方案。

编号类别拟涉及特征指标1水体NDWI、MBR、NDVI等2建筑DEM、MBR、NDVI等3林地NDVI、EVI、WDRVI、PVI等4水稻NDVI、EVI、WDRVI、DEM等5其他NDVI、EVI、WDRVI等

NDVI是目前应用最广的植被指数，利用绿色植物在近红外和红光波段的光谱差异组合设计[32]，但在植被覆盖度大于0.6时，NDVI存在饱和现象。针对这种情况，Gitelson等提出了WDRVI指数，在覆盖度较高时，引入一个0～1的权重α，提高了NDVI的敏感性，且α取0.1时，水稻田提取效果较好[33]。Richardson等提出了PVI，在提取低覆盖植被信息时效果很好[34]。NDWI[35]与EVI[36]在实际分类提取应用中也取得较好的效果，因此也将其作为两个比较重要的派生特征引入。Nguyen等先后以ENVISAT ASAR和Sentinel-1A为数据源，通过分析水稻生长周期与反向散射系数的关系，利用决策树的方法提取水稻田[37-39]。由于数据有限，无法直接利用现有文献方法，综合考虑水稻生长期与反向散射系数后，本文提出BCDI作为派生特征。

GF-1卫星是中国第一颗高分辨率对地观测卫星，于2013年4月26日发射，搭载了4台WFV多光谱相机，幅宽达800 km，包含蓝(0.45～0.52 μm)、绿(0.52～0.59 μm)、红(0.63～0.69 μm)和近红外(0.77～0.89 μm)4个波段，空间分辨率为16 m，重返周期为4 d。通过调研当地水稻种植情况得知研究区主要以中稻为主，根据所需影像情况，选取覆盖研究区的4幅质量较好且处于最佳提取时期(拔节期、抽穗期、灌浆期)的光学影像提取水稻田分布信息。

(2)

式中：B1、B2、B3、B4分别对应GF-1号绿、蓝、红、近红外4个波段的反射率；参数a、b取值分别为0.96916和0.84726[34]；G为增益因子，取值为2.5[36]；气溶胶阻抗系数C1、C2分别为6和7.5[36]；L为冠层背景调整因子，取值为1[36]；权重α针对水稻田提取，本文取值为0.1[33]；f、l分别为两个时相的雷达影像，tf-tl为雷达影像的时间间隔。

中职卫生检验专业的无机化学教授的内容是比较枯燥，学生学习起来比较困惑，但只要教师认真改善教学方法，专研教学技巧，拓宽教学思路，那么无机化学的教学质量肯定会有提高，促进中职卫生检验专业学生无机化学的学习效果。

编号组合1{MBR，BCDI}2{MBR，NDVI，BCDI}3{MBR，NDWI，BCDI}4{MBR，PVI，BCDI}5{MBR，EVI，BCDI}6{MBR，WDRVI，BCDI}7{MBR，NDVI，NDWI，BCDI}8{MBR，NDWI，PVI，BCDI}9{MBR，NDWI，EVI，BCDI}10{MBR，NDWI，WDRVI，BCDI}11{NDVI，NDWI，WDRVI，BCDI}12{MBR，NDVI，EVI，BCDI}13{MBR，NDVI，PVI，BCDI}14{MBR，NDVI，WDRVI，BCDI}15{MBR，NDVI，NDWI，PVI，BCDI}16{MBR，NDVI，NDWI，EVI，BCDI}17{MBR，NDVI，NDWI，WDRVI，BCDI}18{MBR，NDVI，NDWI，PVI，EVI，BCDI}19{MBR，NDVI，NDWI，PVI，WDRVI，BCDI}20{MBR，NDVI，NDWI，PVI，EVI，WDRVI，BCDI}

GF-1号多光谱影像预处理主要包括辐射定标、大气校正、几何校正和拼接裁剪。Sentinel-1雷达数据是干涉宽幅(IM)工作模式下获取的经过多视处理的地距影像产品(GRD)，采用欧空局提供的Sentinel-1 Toolbox(S1TBX)软件进行预处理，包括轨道校正、地理编码、辐射定标、滤波以及斑点噪声去除，反向散射系数代入式(1)计算得到[9]。

图4中，组合2精度相对较低，由于水稻田分布较为密集，覆盖度较高，NDVI趋于饱和；而组合6相比组合2，用敏感性较高的WDRVI代替了NDVI，精度明显有所提升。此外，EVI与其他特征信息复合后，精度均有所下降，如组合1、组合2、组合3、组合15分别增加EVI特征后，其对应的组合5、组合12、组合9及组合18的精度有所下降，主要由EVI不适于观测较为矮小的植物引起[40，41]，因此与其他的特征信息复合后，反而降低了精度。组合7是由MBR、NDWI、NDVI及BCDI组合而成，其AA、OA、RA都偏低，然而该组合添加PVI特征后(组合15)，OA、AA及RA均有所提高，因为PVI较好地消除了土壤背景的影响，所以与PVI组合后精度有所提高[42]。但相对NDWI和WDRVI与MBR、BCDI的组合(组合3、组合6、组合10)，PVI与MBR、BCDI组合(组合4)后的精度较低，归因于PVI此类的土壤调节型因子，虽然降低了土壤亮度等背景干扰，但并不能完全消除土壤和大气的影响[11]。

综上，所有特征组合中，组合3的OA最高(OA=92.16%)，组合10的AA最高(AA=92.17%)，组合6的RA最高(RA=91.28%)。针对水稻田分类提取，虽然组合3的OA与AA较高，但其RA较组合6和组合10偏低，因此不宜用于本文水稻信息提取。组合10的RA虽略低于组合6(相差0.04%)，但其AA和OA高于组合6。综合比较组合6和组合10的OA、AA、RA之后，本文选取组合10(MBR+NDWI+WDRVI+BCDI)为研究区内水稻最优分类组合。为进一步验证分类器选取的合理性，分别将组合10在常规SVM和随机森林(RF)算法的分类结果与PSO-SVM分类结果做对比(图5)。

由图5可以看出，常规SVM算法整体分类精度偏低，仅在水体和建筑的分类精度略高。RF分类算法与PSO-SVM分类算法相比，其林地提取精度较高，两者水稻分布信息提取精度接近，但在平均精度和总体精度上，PSO-SVM算法更优。

根据式(2)分别计算研究区3个时相多光谱影像对应的NDVI、NDWI、EVI等5个派生特征以及3个时相雷达影像两两组成的BCDI，进而构建特征数据集并选取训练样本。训练样本的选取综合考虑多波段反射率、水稻分布特征、研究区DEM数据以及指标数据，充分保证样本点的准确性与合理性。结合研究区实地调查数据、谷歌地图高分辨率遥感数据及全国普查数据，选取分布均匀的训练样本，共39 506个像素，包含水体、林地、建筑、植被、裸地及水稻田等典型地物。将多光谱特征以及雷达特征组成的特征集输入到PSO-SVM分离器中，针对不同特征信息复合方式(表3)，取其中10%作为训练验本，其余用来验证，分类精度如图4所示。

将最优特征组合(MBR+NDWI+WDRVI+BCDI)输入PSO优化的SVM分类器对水稻田进行提取，结果如图6所示。选取70%样本用于训练，其余用于验证，得到的混淆矩阵和分类精度如表4、表5所示。由表4可知，2 632个水稻真实像元中，118个被错分为建筑；2 477个建筑真实像元中，72个被错分为水稻。可见水稻和建筑之间混淆较多，从而影响水稻的提取精度，这主要是因为分类采用的雷达影像数据集直接对建筑提取效果较差。其次水体、林地与水稻之间也存在一定的混淆，因为水稻生长初期与水体的反射率较为接近，在拔节期(多光谱影像)仍存在一定的混淆。在8月30日和9月12日这两个时相，水稻尚未到完熟期，会与部分林地误分。

2.3 最优分类及精度评价

孔老一翻进环形工事，也没发现一个人，眼下发生的一切让他惊恐不已，再看四周，整个衢州城简直就是一座死城，没有任何生命的死城。

乙组神经阻滞起效平均时间为（10.2±1.7）min，甲组为（13.8±2.6）min，组间差异明显，有统计学意义（t=4.032，P=0.031＜0.05）。

由表5分类结果精度可知，基于多特征组合的分类提取方法，总体精度、平均精度分别达到94.52%、94.31%，水稻的生产精度和用户精度分别为94.55%和93.42%，主要是由于光谱特征与NDWI以及WDRVI在所有特征组合中效果最优，且雷达数据集数据综合考虑反向散射系数随水稻生长期的变化，增加了地物之间光谱差异与可分性。

第二，研究细化阶段。本世纪十年左右的时间，学界对思想政治教育的接受内涵、接受系统、接受机制、接受过程、接受心理、接受类型、接受特点、接受影响因素等做了细化研究。

类别水体水稻建筑林地其他总计水体2518673232593水稻1102344727432603建筑9118234227112507林地59134271402844其他41226112261269总计2646263224772818124311816

类别生产精度(%)用户精度(%)建筑95．1697．11其他89．0690．05水稻94．5593．42林地96．3195．43水体98．6396．61总体精度(%)94．52平均精度(%)94．31Kappa系数0．93

3 结论

水稻作为主要农作物之一，对其进行宏观大面积监测的同时，还需要在城市地区进行局部监测。为填补城市土地利用中以水稻为代表的农作物监测方面的空白，本文以水稻生长期内的GF-1卫星影像(拔节期、抽穗期、灌浆期)和Sentinel-1雷达影像(插秧期、分蘖期、成熟期)为数据源，以南京市江宁区水稻种植的典型区域为研究区，通过计算影像的特征指数，构建派生特征数据集，并利用PSO-SVM分类器进行分类，得到以下结论：

(1)复合多特征信息提取水稻田分布信息时，多波段反射率是非常重要的，不同的特征信息复合除了可以针对水稻田分布信息进行提取以外，同样适用于其他类型作物的提取。

(2)采用PSO-SVM分类器，基于MBR、NDWI、WDRVI和BCDI的特征信息复合方式，研究区水稻分类用户精度可达93.42%，总体分类精度、平均分类精度和Kappa系数分别达到94.52%、94.31%和0.93。虽然PSO-SVM分类算法的水稻提取精度略低于随机森林算法，但实际分类应用需要综合考虑训练样本及分类效率，而PSO-SVM算法的平均精度、总体精度以及Kappa系数都高于常规SVM算法和随机森林分类算法。

㉝Elizabeth McGrath,“Personifying Ideals”,Art History,vol.6,no.3,1983,pp.363-68.

本文方法较好地解决了长时间序列数据获取困难时，依靠较少时相影像数据提取水稻田分布信息的问题。由于数据获取来源有限，为保证影像能覆盖水稻的整个生长周期，选择最利于水稻田提取的3个时相多光谱影像与另外3个时相雷达影像数据进行了分类，下一步考虑将高分影像去云算法引入本模型，以便获取更多时相的影像数据，进一步提升模型的适用性。

参考文献：

[1] SMIT J,RATTA A,NASR J.Urban Agriculture:Food,Jobs and Sustainable Cities[M].NYC:United Nations Development Program,1996.328.

[2] PICKETT S T,CADENASSO M L,GROVE J M,et al.Urban ecological systems:Scientific foundations and a decade of progress[J].Journal of Environmental Management,2011,92(3):331-362.

[3] SAMAD M,MERREY D,VERMILLION D,et al.Irrigation management strategies for improving the performance of irrigated agriculture[J].Outlook on Agriculture,1992,21(4):279-286.

[4] 郑长春,王秀珍,黄敬峰.多时相MODIS影像的浙江省水稻种植面积信息提取方法研究[J].浙江大学学报(农业与生命科学版),2009,35(1):98-104.

[5] 李卫国,李秉柏,石春林.基于模型和遥感的水稻长势监测研究进展[J].中国农学通报,2006,22(9):457-461.

[6] TENNAKOON S B,MURTY V V N,EIUMNOH A.Estimation of cropped area and grain yield of rice using remote sensing data[J].International Journal of Remote Sensing,1992,13(3):427-439.

[7] KUENZER C,KNAUER K.Remote sensing of rice crop areas[J].International Journal for Remote Sensing,2013,34(6):2101-2139.

[8] 唐延林,黄敬峰,王人潮,等.水稻遥感估产模拟模式比较[J].农业工程学报,2004,20(1):166-171.

[9] MANSARAY L,HUANG W,ZHANG D,et al.Mapping rice fields in urban Shanghai,Southeast China,using Sentinel-1A and Landsat 8 datasets[J].Remote Sensing,2017,9(3):257-280.

[10] 杨艳昭,郑亚南,姜鲁光,等.吉泰盆地水稻熟制遥感识别研究[J].地理与地理信息科学,2014,30(3):16-20.

[11] 李喆,胡蝶,赵登忠,等.宽波段遥感植被指数研究进展综述[J].长江科学院院报,2015,32(1):125-130.

[12] 徐超,朱秀芳,潘耀忠,等.基于NDII及NDVI提取水稻信息的对比研究[J].地理与地理信息科学,2008,24(5):44-46.

[13] WANG J,XIAO X M,QIN Y W,et al.Mapping paddy rice planting area in wheat-rice double-cropped areas through integration of Landsat-8 OLI,MODIS,and PALSAR images[J].Scientific Reports,2015,5:10088.

[14] DAO P D,LIOU Y A.Object-based flood mapping and affected rice field estimation with Landsat 8 OLI and MODIS data[J].Remote Sensing,2015,7(5):5077-5097.

[15] JIN C,XIAO X M,DONG J W,et al.Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain,northeast China[J].Frontiers of Earth Science,2016,10(1):49-62.

[16] 李杨,江南,吕恒,等.基于水稻特征波段的决策树分类研究[J].地理与地理信息科学,2010,26(2):11-14.

[17] 李志鹏,刘珍环,李正国,等.水稻空间分布遥感提取研究进展与展望[J].中国农业资源与区划,2014,35(6):9-18.

[18] 黄健熙,侯矞焯,苏伟,等.基于GF-1 WFV数据的玉米与大豆种植面积提取方法[J].农业工程学报,2017,33(7):164-170.

[19] 王利民,刘佳,杨福刚,等.基于GF-1卫星遥感的冬小麦面积早期识别[J].农业工程学报,2015,31(11):194-201.

[20] 贾玉秋,李冰,程永政,等.基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J].农业工程学报,2015,31(9):173-179.

[21] 欧阳玲,毛德华,王宗明,等.基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析[J].农业工程学报,2017,33(11):147-156.

[22] HAO P Y,WANG L,NIU Z.Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification:Case study in Xinjiang Uygur Autonomous Region,China[J].Journal of Applied Remote Sensing,2015,9(1):096035.

[23] 刘国栋,邬明权,牛铮,等.基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J].农业工程学报,2015,31(5):160-166.

[24] 杨闫君,占玉林,田庆久,等.基于GF-1/WFVNDVI时间序列数据的作物分类[J].农业工程学报,2015，31(24):155-161.

[25] YANG Y J,HUANG Y,TIAN Q J,et al.The extraction model of paddy rice information based on GF-1 satellite WFV images[J].Spectroscopy and Spectral Analysis,2015,35(11):3255-3261.

[26] 宋盼盼，杜鑫，吴良才,等.基于光谱时间序列拟合的中国南方水稻遥感识别方法研究[J].地球信息科学学报,2017,19(1):117-124.

[27] LECKIE D G,BRAND D G.Advances in remote sensing technologies for forest surveys and management[J].Canadian Journal of Forest Research,1990,20(4):464-483.

[28] 雷小雨,卓莉,叶涛,等.基于时差特征与随机森林的水稻种植面积提取[J].遥感技术与应用,2016,31(6):1140-1149.

[29] SHAO Y,FAN X T,LIU H,et al.Rice monitoring and production estimation using multitemporal RADARSAT[J].Remote Sensing of Environment,2001,76(3):310-325.

[30] XUE Z H,DU P J,SU H J.Harmonic analysis for hyperspectral image classification integrated with PSO optimized SVM[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(6):2131-2146.

[31] 周义,阮仁宗.多源信息复合的遥感影像水稻田信息提取方法研究[J].遥感信息,2009，24(3):30-33.

[32] ROUSE J W.Monitoring vegetation systems in the great plains with ERTS[J].Nasa Special Publication,1974,1(351):309-317.

[33] GITELSON A A.Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J].Journal of Plant Physiology,2004,161(2):165-173.

[34] RICHARDSON A J,WIEGAND C L.Distinguishing vegetation from soil background information[J].Photogrammetric Engineering & Remote Sensing,1977,43(12):1541-1552.

[35] MCFEETERS S K.The use of the normalized difference water index (NDWI) in the delineation of open water features[J].International Journal of Remote Sensing,2012,17(7):1425-1432.

[36] LIU H Q,HUETE A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J].IEEE Transactions on Geoscience & Remote Sensing,1995,33(2):457-465.

[37] NGUYEN D,WAGNER W,NAEIMI V,et al.Rice-planted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach:A case study for Red River Delta,Vietnam[J].International Archives of the Photogrammetry Remote Sensing and Spatial Information Science,2015,40(7):77-83.

[38] NGUYEN D B,GRUBER A,WAGNER W.Mapping rice extent and cropping scheme in the Mekong Delta using Sentinel-1A data[J].Remote Sensing Letters,2016,7(12):1209-1218.

[39] NGUYEN D B,WAGNER W.European rice cropland mapping with Sentinel-1 data:The mediterranean region case study[J].Water,2017,9(6):392-413.

[40] SOUZA C H W D,MERCANTE E,JOHANN J A,et al.Mapping and discrimination of soya bean and corn crops using spectro-temporal profiles of vegetation indices[J].International Journal of Remote Sensing,2015,36(7):1809-1824.

[41] CHANG K W,SHEN Y,LO J C.Predicting rice yield using canopy reflectance measured at booting stage[J].Agronomy Journal,2005,97(3):872-878.

[42] 刘瑜,韩震,周玮辰.基于垂直植被指数的湿地植被类型提取研究——以长江口九段沙湿地为例[J].遥感信息,2013,28(4):81-84.