0 引言

随着全球生态环境恶化以及人类社会活动的加剧，湿地退化问题日渐突出[1]，而快速准确地提取湿地类型和分布等现状信息是保护和恢复湿地生态系统的基础。湿地在年内会发生较大的季节性消长。时间序列遥感数据不仅可以提取季节性湿地，还可以准确地获得湿地的年际变化趋势，广泛应用于湿地的提取和监测研究中。MODIS数据的时间分辨率高，是基于时间序列数据提取湿地的主流数据源[2,3]；但该数据空间分辨率较低，难以提取面积较小的湿地。美国陆地资源卫星Landsat数据空间分辨率(30 m)较高，当前基于Landsat数据的湿地提取和监测研究也取得了很大进展[4-7]；但Landsat卫星的重访周期(16 d)较长，且受大气条件和云等因素的影响，年内完整时间序列数据获取困难。已有研究使用单时相或某几期间隔不等的Landsat数据代表一年或一个年代，很少研究季节性湿地的提取，致使不同年份湿地分类结果不具备可比性。

湿地遥感提取的基础是分析湿地的光谱反射率特征。华润葵等[8]建立了芦苇湿地的Landsat MSS光谱特征解译标识。还可以对多光谱数据进行光谱维扩展[9]，例如，通过多光谱运算获得植被指数和水体指数等特征，以及通过图像变换(如主成分变换、缨帽变换)获得新特征分量等。另外，Lunetta等[10]指出多时相的遥感数据能反映湿地的季相差异，有利于提高湿地分类精度。应用上述特征提取湿地已有大量研究，但对湿地识别贡献最大的分类特征尚不明确。因此，本研究的目的为：1)使用月合成的方法构建Landsat时间序列数据(地表反射率、NDVI、NDWI和TC-Wetness)；2)利用随机森林算法(Random Forest，RF)和扩展的Jeffries-Matusita距离(JBh)对月合成时间序列数据进行筛选，获得湿地提取的优选特征；3)基于优选特征提取研究区湿地，并评价提取结果的精度。

任务型教学法是以任务为核心，强调学生的参与度，它把学习内容和目标转化为一个个切实可行的小任务，在学生完成这些任务的过程中获得知识，进而提高和培养学生的语言表达和应用能力。类似于杜威的“从做中学，以学生为核心”的教育理念，是交际教学法的进一步完善和发展。在实施任务型阅读教学的过程中，教师应围绕特定的阅读材料，设计出具体的、适应学生发展的任务，学生通过表达、扮演、汇报等各种形式来完成任务，以达到掌握内化阅读技巧的效果。

1 研究区和数据

1.1 研究区及分类体系

研究区(122°30′～124°30′E，46°～47°N)位于内蒙古、吉林和黑龙江交界处(图1，彩图见附录2)，属温带大陆性季风性气候，年均气温3.2～5.2 ℃，年降水量400～450 mm，年日照时数2 600～3 100 h。

基于研究区土地覆盖类型实际分布情况，并结合30 m分辨率Landsat遥感数据对不同土地覆盖类型的可分性，将分类体系划分为两级：一级包括湿地和非湿地；二级中，湿地包括永久性水体、永久性草本沼泽、洪泛湿地、季节性草本沼泽和水稻田，非湿地包括草地、旱地、森林、建设用地和盐碱地(表1)。考虑到永久性草本沼泽、水稻田、草地和旱地的区分度较低[11,12]，本文在讨论识别所有地类(10地类)的同时，针对这4种容易混淆的地类(简称“4地类”)进行单独讨论。

一级二级类型定义与说明训练样本(个)验证样本(个)湿地永久性水体河流、湖泊等水体，且每月的NDVI值均小于0271259永久性草本沼泽以湿生草本植被覆盖为主，NDVI值的范围为[0 1，0 5]257261季节性草本沼泽以湿生草本植被覆盖为主，NDVI值在丰水期小于06981洪泛湿地位于河流、湖泊附近的过饱和土壤，低植被覆盖(<30%)，无开阔明水覆盖，包括河流、湖泊等周期性淹没区；NDVI值小于0 2，丰水期NDVI小于09585水稻田泡田期NDVI值接近0，在作物收获后出现NDVI陡降473446非湿地森林生长季NDVI值大于0 52929草地以旱生草本覆盖为主，覆盖度大于5%；生长季NDVI值介于[0 3，0 6]之间170196旱地人工经营的旱生作物，年周期内会出现NDVI值缓升和陡降769525建设用地人工建设形成的非植被覆盖的地表，包括各类建筑、道路、施工地等，NDVI值在[0，0 2]之间117120盐碱地盐碱度偏高的土地，NDVI值在[0，0 2]之间4239

1.2 数据

“你选择雪萤的哥哥作为车祸的受害者，原来是为了破坏我和雪萤之间的关系？你太卑鄙、太残忍了。”一杭愤愤地说。

传感器4月5月6月7月8月9月10月ETM+4/64/225/85/246/25 7/117/278/128/289/139/2910/1510/31OLI4/144/305/16 6/16/177/37/198/48/209/59/2110/710/23

(1)

(2)

(3)

式中：Refn表示本月内单景影像的地表反射率。

2 方法

本研究技术流程(图2)为： 1)基于Landsat7 ETM+和Landsat8 OLI，利用月合成方法构建Landsat 30 m时间序列数据(4-10月的NDVI、NDWI、TC-Wetness以及2-7波段地表反射率，简称“63特征”)。2)为探讨提取湿地的最优特征，首先基于随机森林算法计算每个特征的重要性得分，将重要性得分最高的特征确定为所选特征。然后按重要性得分由高到低的顺序依次增加一个特征，计算地类的可分度(JBh距离)。随着特征个数的增加，地类之间的可分度增大，当使用的特征达到一定数量后，地类之间的可分度增加逐渐变缓，据此获得优选特征。利用上述方法从63个特征中获得4地类和10地类的优选特征，去掉重复特征，得到研究区的最终优选特征。3)根据最终优选特征，采用RF算法对研究区湿地进行提取，并对结果进行精度评价。

2.1 月合成方法

影像合成技术广泛用于弥补条带、云覆盖等因素造成的单景影像数据缺失。研究发现，以月为时间单位合成的地表反射率很少受到条带和云覆盖影响。因此，采用非云覆盖和非条带处的地表反射率月中值合成Landsat时间序列数据，以7月份为例，月合成前后影像对比如图3(彩图见附录2)所示。月合成地表反射率Ref月计算方法如下：

1930年12月，蔡元培致函昔日莱比锡大学同学、时任汉堡民族博物馆非洲部主任的但采尔，请他来中研院社会科学研究所担任民族学方面的特约研究员，同时协助筹建民族博物馆。但采尔对蔡元培创办民族博物馆和进行国际间民族学标本交换的想法十分支持，表示愿意来中国，并说打算先搜集一些美、非、澳洲土人的物品，埃及、巴比伦、亚西利亚等各种图案，于来华时带来，以供中研院之交换物品。蔡元培认为，“此于民族学之建设，裨益非浅”[10]258，因此爽快答应但采尔提出的月俸800元以及他和夫人往返费用由中方负担的要求，同时要求中研院秘书处主任许寿裳准备一份聘书，以便随复函寄去[10]268。

Ref月=MEDIAN(Ref1,Ref2,…,Refn)

(4)

1.2.2 样本数据 训练样本选取原则不仅要充分考虑地类的光谱、结构和纹理特征，还要结合地类时间序列NDVI曲线。如洪泛湿地在丰水期NDVI值小于0，其他月份介于0～0.2之间。验证样本基于ArcGIS的Hawths Tools工具在研究区随机分布获取，然后通过目视解译判读验证样本点的地表覆盖类型。各地类训练样本和验证样本的数量见表1。

注：ETM+，R、G、B：Band4、Band3、Band2；OLI，R、G、B：Band5、Band4、Band3。

2.2 RF算法

RF算法是Breiman[17]于2001年提出的一种结合多分类回归树的集成机器学习算法。该算法首先通过Bootstrap自助抽样法[18]，从原始训练集中抽出约2/3的样本，用于构建多个树分类器；然后，根据每个分类器得到各自独立的分类结果；最后，通过对所有分类结果进行多数投票确定最终输出结果。剩余的近1/3样本称为袋外数据(Out of Bag，OOB)，被用于估计分类器的泛化性能。当随机森林中树的数目足够多使测试误差收敛时，OOB估计为无偏估计[17]。RF算法的另外一个重要功能是基于OBB误差率对单个特征进行重要性评估。随机置换某个特征后，计算所有树上OOB样本的误差率均值作为该特征的重要性度量。分类过程中，RF算法的参数除了特征因子外，另外一个关键参数为树的个数，本研究设置为1 000。

2.3 JM距离及其扩展JBh距离

判定两类之间可分性的方法很多，如JM(Jeffries-Matusita)距离、欧氏距离和B距离等。相较于其他指标，JM距离能更准确地表示类别之间的可分性[19]。本研究采用JM距离计算地类之间的可分性，JM距离的范围为0～2，值越高，表示两地类的可分性越高[20]。JM距离计算方法如下：

(5)

式中：p(X/ci)表示第i个像元属于ci地类的概率。

1.2.1 遥感数据 从美国地质调查局(USGS)网站(https://earthexplorer.usgs.gov/)下载了2016年4-10月云覆盖量均低于60%的全部Landsat 7 ETM+和Landsat 8 OLI[13]地表反射率产品数据(表2)，轨道号(Path/Row)为120/28。上述数据已经过系统辐射校正和地面控制点几何校正，满足研究区分类要求。湿地光谱信息是湿地植被、水文和土壤等光谱信息的综合。本研究选择了能反映湿地植被、水文和土壤特征的归一化植被指数NDVI[14]、归一化水体指数NDWI[15]和缨帽变换的湿度分量TC-Wetness[16]作为特征因子，计算方法如式(1)-式(3)。计算所用波段为月合成后的地表反射率，波段按Landsat 8 OLI命名[13]。

在正态分布假设下，式(5)可简化为JM=2(1-e-B),其中，B的计算方法如下：

(6)

式中：ui和uj分别是地类i和地类j的样本平均向量；Ci和Cj分别表示地类i和地类j的协方差矩阵。

JM距离的扩展JBh距离被用于计算多地类之间的可分性，基于Bhattacharyya原理， JBh的计算方法[21]如下：

(7)

由图6a可知：5月森林NDVI值达到0.75以上，而其他地类的NDVI值均小于0.50，因此，5月NDVI对森林的识别度最高， JM距离均达到1.90以上。5月水稻田处于灌水期，NDVI值小于0.15；而永久性草本沼泽的土壤含水量较高，随着5月温度的回升，沼泽植被快速生长，NDVI值接近0.50。因此，永久性草本沼泽和水稻田以及草地和建设用地也都在5月具有较高的NDVI可分性，JM距离分别为0.91和0.86。冯锐等[23]在东北水稻田提取研究中也发现湿地较水稻田返青早，5月NDVI和EVI可以区分水稻田和湿地。7-8月研究区降雨量大，永久性水体、季节性草本沼泽和洪泛湿地表现为永久性水体的特征，其在8月NDVI值低于0.10；而永久性草本沼泽和水稻田表现为植被的特征，其在8月NDVI值大于0.60(图6a)。因此，永久性草本沼泽和季节性草本沼泽、永久性草本沼泽和洪泛湿地、水稻田和洪泛湿地、水稻田和盐碱地、水稻田和永久性水体以及旱地和盐碱地在8月NDVI特征上的可分性最好，JM距离分别为1.65、1.94、2.00、2.00、2.00和1.99。

2.4 精度评价方法

为了评价分类精度，需建立混淆矩阵，根据混淆矩阵统计分类结果的总体精度、用户精度、制图精度和Kappa系数[22]。总体精度表示分类结果与地面所对应区域的实际类型相一致的概率；用户精度指正确分到某类的像元总数与分类器将影像的像元分为该类像元总数的比率；制图精度是正确分到某类的像元总数与该类真实参考总数的比率；Kappa系数表示分类结果与地表真实结果的吻合度，其值越高，说明分类结果越好。公式如下：

(8)

pui=pii/pi+

(9)

pAi=pii/p+i

(10)

(11)

式中：pc表示总体精度，r表示总的地类数，pii表示正确分为i地类的数目，N表示用于精度评估的样点总数目；pui表示i地类的用户精度，pi+表示分类影像中分为i地类的总数目；pAi表示i地类的制图精度，p+i表示i地类真实参考的总数目。

3 结果与分析

3.1 优选特征

由图4可知，特征个数由1增加到10时，易混4地类的JBh距离值由2.00增加到5.29，10地类的JBh距离值由2.0增加到14.42；而特征个数由11增加到63时，二者的JBh值均变化不大。由此说明，区分易混4地类和区分10地类均选重要性得分排名前10的特征即可。

区分两两地类最优的单个特征包括4月、5月、7月和8月的NDVI，6月和8月的NDWI 以及5月的TC-Wetness等，与通过随机森林和JBh距离优选的用于研究区分类的15个优选特征基本吻合，说明优选的15个特征可以很好地区分研究区内各地类。

3.2 地类可分性

式中：N表示地类的数目；p(wi)和p(wj)分别表示i地类和j地类通过训练样本计算的先验概率。

本文的NDWI是由近红外和短波红外波段计算得到，主要用于植物含水量的遥感反演[24]。由图6b可知：6月为永久性草本沼泽的生长季，且受背景水的影响，NDWI值高于0.55；而旱地6月处于出苗至拔节期，植物含水量较低，NDWI值低于0.25。因此，永久性草本沼泽和旱地在6月NDWI的特征上可分性最高，JM距离为1.50。8月为丰水期，永久性草本沼泽受背景水的影响，NDWI值高于0.53；而草地的NDWI值只反映草本植被的含水量，其值低于0.25。因此，永久性草本沼泽和草地、永久性草本沼泽和建设用地、水稻田和建设用地、旱地和草地以及旱地和建设用地在8月NDWI的特征上可分性最高，JM距离分别为1.24、1.55、2.00、1.55和1.80。

由图6c可知：旱地在5月处于播种期，草地植被处于生长季初期，TC-Wetness值均较低，小于-0.22；而东北5月的水稻田处于泡田期，以反映永久性水体的特征为主，TC-Wetness值大于0。因此，水稻田和旱地以及水稻田和草地在5月TC-Wetness的特征上可分性最高，JM距离分别为1.87和2.00。杨闫君等[25]在对农作物提取研究中也发现，5月份较易区分水稻田与其他植被。

区分易混4地类的优选特征(简称“4地类优选特征”)(图5a)按重要性得分由高到低依次为5月NDVI、6月NDWI、6月NDVI和8月NDWI等，重要性得分分别为28.65、27.12、25.09和23.33等。区分10地类的优选特征(简称“10地类优选特征”)(图5b)按重要性得分由高到低依次为8月NDVI、10月Band1、7月NDVI和5月NDVI等，重要性得分分别为35.32的、28.93、28.81和27.60等。去掉两组优选特征的重复特征后，将剩余的15个特征作为研究区的最终优选特征(简称“优选15特征”)。

通过对比发现，基于优选15特征的分类精度略低于63特征的分类精度。洪泛湿地精度降低最明显，主要是因为增加了永久性水体和建设用地错分为洪泛湿地以及洪泛湿地漏分为永久性水体和盐碱地的像元。洪泛湿地与永久性水体、建设用地和盐碱地的本质不同表现为水分特征的差异。因此，只包含5月、6月、8月的NDWI和TC-Wetness的优选15特征比含有7个月NDWI和TC-Wetness的63特征提取的洪泛湿地精度略低。总体而言，优选的15特征和63特征提取研究区内10地类的表现相差较小，且湿地类型也都得到了较好的提取，说明优选15特征已具备研究区湿地提取的能力。

3.3 分类精度

基于优选15特征和全部63特征的分类结果细节对比如图7(彩图见附录2)所示。精度评价结果(表3)显示，基于优选15特征和63特征的总体精度分别为0.91、0.92，Kappa系数分别为0.89、0.90。永久性水体和水稻田的用户精度和制图精度均高于0.94；永久性草本沼泽和季节性草本沼泽的用户精度和制图精度均高于0.88；洪泛湿地的用户精度和制图精度均高于0.81；其他非湿地类型的用户精度和制图精度均高于0.80。

随着时间的推移，队员们不但发力正确了，而且动作整齐，慢慢还学会了变换队形，想进想退都很随意，显示出良好的协调性。

优选15特征/63特征真实地表类型旱地洪泛湿地森林草地永久性草本沼泽水稻田盐碱地季节性草本沼泽建设用地永久性水体总数用户精度分类结果旱地465/4780/01/116/1616/1522/210/00/02/90/0513/5400．89/0．89洪泛湿地0/073/770/00/01/00/01/17/73/05/290/870．81/0．89森林1/10/028/280/00/00/00/00/00/00/029/290．97/0．97草地21/180/00/0162/1708/60/00/00/08/30/0199/1970．81/0．86永久性草本沼泽17/150/00/08/3230/2303/50/02/03/00/0264/2530．88/0．91水稻田10/60/00/00/04/3420/4190/01/20/00/0443/4300．97/0．97盐碱地0/03/10/00/00/00/035/340/05/30/042/380．81/0．90季节性草本沼泽0/14/30/00/02/11/00/071/720/00/078/780．91/0．92建设用地11/60/10/010/70/50/13/30/099/1050/0123/1290．80/0．82永久性水体0/05/30/00/00/00/00/00/00/0254/257259/2600．98/0．99总数525/52585/8529/29196/196261/261446/44639/3981/81120/120259/2592041制图精度0．89/0．910．86/0．910．97/0．970．83/0．870．88/0．880．94/0．940．90/0．900．88/0．890．83/0．880．98/0．99

4 结论

本研究以Landsat 多光谱遥感影像为数据源，采用月合成的方法构建了4-10月时间序列地表反射率、NDVI、NDWI和TC-Wetness，然后基于随机森林算法和扩展的JM距离优选了分类特征并对研究区内湿地进行提取。主要结论如下：

在此阶段，以小组为单位，小组组长负责陈述问题的解决方案，小组成员针对组长发言适当提出补充建议。发言的形式各式各样，即小组长轮流口头阐述、小组之间进行辩论赛、以小组为单位进行表演等。另外，在小组自由讨论的时候，保持不同意见的同学，可以单独向全班同学和教师表达自己的观点，然后全班同学一起讨论。因此在这一过程中，小组长需要代表小组在全班同学面前发言，这样一来，不仅能够锻炼学生的英语口语表达能力，还能够增强学生的心理素质。

3）渭北北部和陕北海拔较高、水肥条件较差和采用乔化砧（短枝型品种）与5～5.5 m×3.5～4 m行株距定植的苹果园，宜先采用自由纺锤形，初果期逐步改为变则主干形，盛果期逐步改为小冠开心形。

(2)麻石黄棕壤：分布在双溪村—风形村，母岩主要是片麻岩，土壤由残积、坡积发育而成；土壤中砂粒含量较适中，物理性质良好，该粘粒部分的硅、铝、铁成分破坏，分离不明显，有粘化特征。

(1)采用月合成方法构建时间序列数据，有效地去除了云层和条带等的影响，提高了影像的质量。重构后的月合成时间序列数据集(NDVI、NDWI等指数)能有效反映湿地植物物候、农作物的种植模式以及水域淹没等信息，弥补了由于数据缺失造成的时间序列数据不完整，可为湿地提取以及湿地植被生长状况的监测提供高质量的基础数据。

(2)基于优选特征的总体分类精度为0.91， Kappa系数为0.89，且所有地表覆盖类型的用户精度和制图精度均达到0.80。可见特征优选不仅减少了数据冗余，提高了运算效率，同时也满足了研究区湿地提取。5月的NDVI、6月和8月的NDWI以及5月的TC-Wetness是区分永久性草本沼泽、水稻田和其他易混地类的最优特征。本研究区位于我国东北地区，自然湿地类型以水体、草本沼泽为主，人工湿地类型以单季水稻田为主，旱地以玉米作物为主,样本分布均匀、典型，最优特征适用于类似区域的湿地提取。但由于不同地域的湿地特征、旱地作物和水稻田的种植季相不同，因此最优特征存在差异性。

2）随时让学生认知设备或者训练技能的教学效果不理想。学生从听课转向实训操作需要时间，由于课时量的限制，很难实现这一理想的情景。教师讲一个部位，几十名学生无法一起认知一台设备；分成几个小组先后认知一台设备，无疑会降低课堂的时间利用率。设备数量足够的话，分成几个小组同时认知或者操作机器设备，教师又无法做到一一指教。

湿地提取的最优特征选择可为大尺度湿地遥感监测提供理论基础。本研究的旱生和水生作物均以单季为主，在后续研究中将针对一年多熟的种植制度，进一步探讨利用时间序列数据区分湿地、旱地和草地等地表覆盖类型的能力。

参考文献：

[1] BRINSON M M,MALVREZ A I.Temperate freshwater wetlands:Types,status,and threats[J].Environmental Conservation,2002,29(2):115-133.

[2] ZHAO B,YAN Y,GUO H,et al.Monitoring rapid vegetation succession in estuarine wetland using time series MODIS-based indicators:An application in the Yangtze River Delta area[J].Ecological Indicators,2009,9(2):346-356.

[3] TANA G,LETU H,CHENG Z,et al.Wetlands mapping in north America by decision rule classification using MODIS and ancillary data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2013,6(6):2391-2401.

[4] LI X,XUE Z,GAO J.Dynamic changes of plateau wetlands in Madou County,the Yellow River source zone of China:1990-2013[J].Wetlands,2016,36(2):299-310.

[5] TIAN B,ZHOU Y,THOM R M,et al.Detecting wetland changes in Shanghai,China using FORMOSAT and Landsat TM imagery[J].Journal of Hydrology,2015,529:1-10.

[6] FICKAS K C,COHEN W B,YANG Z.Landsat-based monitoring of annual wetland change in the Willamette Valley of Oregon,USA from 1972 to 2012[J].Wetlands Ecology and Management,2016,24(1):73-92.

[7] ROKNI K,AHMAD A,SELAMAT A,et al.Water feature extraction and change detection using multitemporal Landsat imagery[J].Remote Sensing,2014,6(5):4173-4189.

[8] 华润葵,李玉勤.博斯腾湖芦苇资源调查中遥感技术的应用[J].地理科学,1983,3(2):151-158.

[9] LU D,LI G,MORAN E,et al.The roles of textural images in improving land-cover classification in the Brazilian Amazon[J].International Journal of Remote Sensing,2014,35(24):8188-8207.

[10] LUNETTA R S,BALOGH M E.Application of multi-temporal Landsat 5 TM imagery for wetland identification[J].Photogrammetric Engineering and Remote Sensing,1999,65(11):1303-1310.

[11] ZHANG S,NA X,KONG B,et al.Identifying wetland change in China′s Sanjiang Plain using remote sensing[J].Wetlands,2009,29(1):302-313.

[12] OTUKEI J R,BLASCHKE T.Land cover change assessment using decision trees,support vector machines and maximum likelihood classification algorithms[J].International Journal of Applied Earth Observation and Geoinformation,2010,12:S27-S31.

[13] FLOOD N.Continuity of reflectance data between Landsat-7 ETM+ and Landsat-8 OLI,for both top-of-atmosphere and surface reflectance:A study in the Australian landscape[J].Remote Sensing,2014,6(9):7952-7970.

[14] TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sensing of Environment,1979,8(2):127-150.

[15] ZARCO-TEJADA P J,RUEDA C A,USTIN S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods[J].Remote Sensing of Environment,2003,85(1):109-124.

[16] 李博伦,遆超普,颜晓元.Landsat8 陆地成像仪影像的缨帽变换推导[J].测绘科学,2016,41(4):102-107.

[17] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

[18] EFRON B,TIBSHIRANI R.Bootstrap methods for standard errors,confidence intervals,and other measures of statistical accuracy[J].Statistical Science,1986,1(1):54-77.

[19] VAN NIEL T G,MCVICAR T R,DATT B.On the relationship between training sample size and data dimensionality:Monte Carlo analysis of broadband multi-temporal classification[J].Remote Sensing of Environment,2005,98(4):468-480.

[20] ADAM E,MUTANGA O.Spectral discrimination of papyrus vegetation (Cyperus papyrus L.) in swamp wetlands using field spectrometry[J].ISPRS Journal of Photogrammetry and Remote Sensing,2009,64(6):612-620.

[21] BRUZZONE L,ROLI F,SERPICO S B.An extension of the Jeffreys-Matusita distance to multiclass cases for feature selection[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(6):1318-1321.

[22] CONGALTON R G.A review of assessing the accuracy of classifications of remotely sensed data[J].Remote sensing of environment,1991,37(1):35-46.

[23] 冯锐,张玉书,钱永兰,等.基于多时相 MODIS 数据的东北地区一季稻面积提取[J].生态学杂志,2011,30(11):2570-2576.

[24] 邢丽玮,牛振国,张海英.不同湿度指数在湿地分类中的对比研究[J].地理与地理信息科学,2015,31(6):35-40.

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