【研究意义】遥感技术广泛用于农作物监测和农业估产中，并随着遥感图像分辨率不断提高和数据类型的不断丰富，监测水平和产量的估算精度不断提高。遥感技术监测大规模种植的农作物如小麦和水稻，一般都采用中低分辨率的卫星图像［1-3］，而小规模特色种植的农作物，需要较高的分类精度，一般采用高分辨卫星影像［4-5］。香芋是粤北地区主要的特色农作物，国家地理标志产品，在国内外都具有较高的知名度［6］。对香芋的遥感识别和遥感监测有助于掌握香芋种植的动态，制定病虫害防治措施，调节种植结构，发挥特色经济作物的带动作用。
【前人研究进展】对作物的遥感识别和分类，经历了从低分辨率影像到高分辨率影像、波谱分析技术到融合波谱纹理分析技术的不同阶段。多光谱遥感影像具备丰富的作物光谱信息，可通过分析作物关键生育期的遥感影像和作物多时相不同生育期物候特征的遥感影像，进行作物分类。利用多时相关键物候期的遥感影像，具有能与物候期相匹配的高时间分辨率，可以克服同物异谱的现象，提高作物分类精度［7-8］。但是空间分辨率为中低分辨率，进而导致作物分类的精度较低，适用于大面积种植的作物如小麦、玉米、水稻等。随着遥感影像空间分类的不断提高，地物的形状纹理信息应用到了遥感分类［9-11］。融合了光谱和纹理信息的遥感影像，克服了光谱信息的同物异谱和异物同谱的现象，同时减少了对多时相遥感数据的依赖。
【本研究切入点】融合纹理的高分辨率遥感影像，往往忽略了多光谱影像的多种特征，如植被特征、水体特征和亮度特征，从而导致分类结果不尽理想。【拟解决的关键问题】为充分利用高分辨率卫星多特征信息，提高作物的分类精度，本研究利用高分二号卫星遥感影像，提取光谱的多特征信息如归一化植被指数（NDVI）、归一化差分水体指数（NDWI），并利用高分辨率全色波段提取形状纹理信息，构建融合多特征光谱纹理影像，对粤北地区特色作物香芋进行遥感识别。
1 材料与方法
1.1 研究对象
粤北地区香芋产区主要在乐昌盆地及四周山谷地带，土壤由花岗岩、砂页岩母质洪积物发育形成，土壤疏松肥沃、耕作层深厚，厚度在13～19 cm之间，有机质含量为3.89%，土壤pH值为6.9。
香芋又称地栗子，母芋外表呈黄褐色，外表皮细薄，可食用部分呈乳白色，肉质结构紧密光滑，口感粉而细滑、香气浓郁。粤北地区的香芋著名之处在于其大小和形状规整，球茎重量≥2.5 kg，长度≥30 cm，外形类似橄榄球又酷似炮弹，故又称为“炮弹香芋”。处于生长期的香芋叶面积较大，呈盾型，为奇数羽状复叶，互生，单叶面积可达1 m2（图1）。香芋需要生长在土质疏松、水分含量较少、肥沃的土壤环境当中。
图1 成长期（7月）的香芋
Fig. 1 Taro growing in July
香芋的生长需要湿润不积水的环境，要求土壤水含量保持稳定的状态，对耕地的排水和灌溉系统有较高要求。香芋的生产周期较长，一般在3月到4月上旬播种，4月上旬至5月下旬为幼苗期，6月上旬至11月下旬为生长期，11月下旬到翌年1月底为收获期。张溪香芋是地理标志保护产品，保护范围为广东省乐昌市乐城镇、廊田镇、长来镇、北乡镇等4个镇现辖行政区域，本文的研究区选在乐昌市廊田镇。
1.2 数据来源
高分二号卫星影像有1个0.8 m的全色波段（波谱范围为0.45～0.90 μm）、4个3.2 m分辨率的多光谱波段（波谱范围为蓝波段 0.45～0.52 μm，绿波段 0.52～0.59 μm，红波段 0.63～0.69 μm，红外波段0.77～0.89 μm）。为了更好的识别香芋，把香芋与其他地物较明显的区分，并根据香芋的生长周期，选择香芋为生长期阶段叶子面积到逐步达到最大、行距明显，纹理特征清晰影像。本研究选择覆盖研究区的高分二号遥感影像，数据由广东高分中心提供，存档影像获取时间为2019年7月17日，处于香芋的关键生长期，传感器为PMS1。
图2为研究区假彩色合成影像和全色影像，影像中有成片的香芋种植地块、裸露的耕地、早稻和其他作物。
1.3 研究方法
图2 研究区多光谱(A)和全色影像(B)
Fig. 2 Multispectral (A) and panchromatic image (B) in study area
1.3.1 光谱信息提取 归一化植被指数（NDVI）是利用作物在影像的红波段反射率很低而近红外波段反射率高，归一化差值计算出的植被指数来反演作物的生态特征［12-13］。在不同的生长期不同作物具有不同的光谱反射特征，可以区分出关键生育期的作物与其他地物［14］，如本研究影像中裸地、农作物以及林地等。
式中，NIR为近红外波段的反射值，R为红波段的反射值。
归一化差分水体指数（NDWI）用遥感影像的绿波段和近红外波段进行归一化差值处理，以反演影像中的地物含水量信息。由于香芋需要生长在含水量较少的土壤中，而同期水稻的土壤含水量较大，可以作为区分水稻和香芋作物的参考［15］。
式中，NIR为近红外波段的反射值，G为绿波段的反射值。
1.3.2 几何纹理信息提取 灰度共生矩阵可以反映影像灰度纹理的方向、纹理的变化程度、纹理沟纹的深浅程度等，并通过将这些纹理特征转化为纹理特征量，以便从不同的方向对纹理进行分析［16］。灰度共生矩阵理论从不同灰度级的排列和分析方向一共提出14种不同的纹理特征量，其中常用的纹理特征量有角二阶矩、对比度、相关性、均值、熵、均匀性、方差和相异性8种，且角二阶矩、相关性、对比度和熵这4种纹理特征统计量对遥感影像的统计效果较好［16-17］。对于纹理特征提取的效果，还有两个影响因素，即窗口的大小和方向，窗口主要是3×3、5×5、7×7，方向有0°、45°、90°以及135°。本研究对高分二号0.8 m全色波段提取纹理信息，选用3×3的滤波窗口，方向取平均值，以减少方向对纹理特征的影响。
1.4 数据处理
利用ENVI5.5软件平台结合“中国卫星”工具对高分二号PMS1影像进行预处理，包括辐射定标、FlAASH大气校正、正射校正，并将全色影像与多光谱影像融合，形成0.8 m分辨率的多光谱全色融合影像，然后进行研究区裁剪［19］，为提高试验速度和效果，裁剪710 m×580 m的矩形区域作为研究区。通过波段运算，提取多光谱归一化植被指数（NDVI）和归一化差分水体指数（NDWI），并重采样至0.8 m，叠加全色波段提取角二阶矩、相关性、对比度和熵4种纹理特征量，形成融合光谱和纹理特征的影像数据，得到研究区3种不同波段组合的影像，分别为多光谱影像、多光谱全色融合影像和多特征光谱纹理融合影像。
通过目视解译并以现场调研和谷歌地球高清影像为辅助，建立研究区遥感解译的训练样本，包括香芋、早稻、其他农作物、裸地和不透水表面5个类型，并在多光谱影像、多光谱全色融合影像和多特征光谱纹理融合影像验证训练样本的可分离性。总体上看，在这3种图像中，香芋样本与其他农作物、裸地和不透水表面样本的可分离性较好，均值在1.9以上；但是香芋样本与早稻样本的可分离性在多光谱影像、多光谱全色融合影像上表现较差，其值分别为1.45和1.79，而在多特征光谱纹理融合影像上的可分离性值为1.94。最后在选择影像分类方法上，对比最大似然比和支持向量机方法进行筛选。最大似然比方法速度快，但主要依靠光谱信息对类别进行判别，对图像信息利用不全；而支持向量机方法不仅可以利用光谱信息又可结合图像线性特征，适合于多特征的图像。因此选择支持向量机方法作为本研究的图像分类方法，对图像进行分类，识别研究区的香芋种植区域。数据处理技术流程见图3。
图3 数据处理技术流程
Fig. 3 Technical flow path of data processing
2 结果与分析
2.1 指数特征分析
研究区的归一化植被指数取值范围为-0.45～0.54，从各地类的植被指数取值范围（图4A）来看，香芋与早稻交叉较多，与裸地和其他农作物没有交叉，说明香芋与早稻在归一化植被指数上不易区分，与其他地类区分较为明显。研究区的归一化差分水体指数取值范围为-0.62～0.18，从各地类的植被指数取值范围（图4B）来看，香芋与早稻有很少的交叉，与其他的地物基本没有交叉，说明在归一化差分水体指数图像上比较容易区分香芋与其他地物。
2.2 影像纹理分析
对全色波段影像进行纹理特征的提取得到4种纹理特征量的图像，分别是角二阶矩、相关性、对比度和熵，如图5所示。从通过纹理特征图像可以看出香芋种植的地块以及香芋种植的排列方向，以及其他地物分布情况［20-23］。角二阶矩反映图像中灰度分布的均匀程度和纹理的粗细程度，香芋和早稻的种植地块规整，因此图像上白色整齐分布的地块可能是香芋和早稻的种植区域；相关性反映遥感影像灰度之间的联系是否紧密，道路的纹理从相关性上表现比较清晰，对成片规整的香芋地块和早稻地块，显示内部比较一致；熵反映纹理的随意性，除了中间部分的裸地、早稻和香芋的地块比较均匀外，其他的区域的熵值较大，纹理散乱；对比度表示邻域内灰度的变化程度，差异性越大图形中的反差也越大，突出纹理的深浅程度，总体比较暗淡，主要是不透水表面与植被之间的反差，获取到的信息量较少。
图4 各类地物在NDVI（A）和NDWI（B）图像上的取值范围
Fig. 4 Range of values of various ground objects on NDVI（a） and NDWI（b） images
图5 高分二号遥感影像纹理特征
Fig. 5 Texture features of GF-2 remote sensing image
2.3 分类结果分析
分别对多光谱影像、多光谱全色融合影像、多特征光谱纹理融合影像利用支持向量机进行分类，结果见图6。然后对分类结果进行聚类处理，以实地调查结合室内判读建立分类图像的检验样本，最后分别对处理后的3个分类结果进行精度评价，评价结果见表1。
图6 不同影像组合的分类结果
Fig. 6 Classification results of different image combinations
表1 精度评价结果
Table 1 Accuracy evaluation results
用户（香芋）精度User（taro） accuracy（%）多光谱影像Multispectral image分类结果Classification result总体精度Overall accuracy（%）Kappa系数Kappa coefficient 91.4672 0.8959 89.20多光谱全色融合影像Multispectral panchromatic fusion image 93.0295 0.9032 92.17多特征光谱纹理融合影像Multi-feature spectral texture fusion image 96.0428 0.9452 95.30
总体来看，3种影像均能识别出香芋种植地块，但仍存在错分的现象。在多光谱影像上，香芋和水稻等作物的光谱很接近，分类时容易混淆；多光谱全色融合影像容易出现边界不清晰的情况，导致香芋种植地块被侵蚀；多特征光谱纹理融合影像的分类结果最为理想，香芋地块边界清晰，错分的现象少，其他地物的分类结果也比较明显。
从表1可以看出，3个分类结果的总体精度均达到90%以上，说明在香芋的关键物候期利用高分二号卫星影像识别香芋的效果明显。随着提取影像特征的增加，分类精度逐渐提高，多光谱全色影像融合后的总体精度提高了4.58个百分点，，Kappa系数提高了0.007，用户精度提高了2.97个百分点。多特征光谱纹理融合影像分类结果的总体精度相对多光谱影像本身提高了3.01个百分点，Kappa系数提高了0.042，用户精度提高了3.13个百分点。表明多特征光谱纹理融合影像对香芋的识别有较好的提升效果。
3 讨论
高分二号卫星是我国自主研制的高分系列卫星，具有高空间分辨率的特性，与高分一号和高分六号卫星组网后形成高时间分辨率、稳定性强的卫星星座。高分二号卫星影像具有多光谱波段和高分辨率的全色波段，在农业估产和监测的应用日益增加。本研究采用3种不同组合的影像对粤北地区的香芋进行分类，首先是对遥感影像的时相进行选择，确定香芋生长的关键物候期，即成长期，这时香芋的叶面积最大，较易区分，而且研究区内有早稻、裸地和其他农作物等，地物类型较为多样，给验证分类结果提供理想的环境；其次为克服多光谱影像中同物异谱和异物同谱现象，加入了影像的纹理信息，并利用高分二号卫星影像的多光谱特征，提取归一化植被指数和归一化差异水体指数，为判别香芋种植的地块提供更多的信息，提高了识别精度；再者，对训练样本的选择，也要注意研究区各地物的特征，由于研究区种植耕地与收获过的耕地（裸地）和不透水表面区分明显，训练样本主要是在早稻、香芋和其他农作物上，早稻和香芋较难区分主要是由于两种作物长势都很好，出现异物同谱现象，因此要辅助其他信息建立训练样本。
同时，本研究还注意到3个问题：一是多时相遥感影像有助于增加分类精度，且能够利用作物关键物候期的差异，准备低区分跟中地物的边界，但是由于数据的可用性和可获取性，本研究采用了单时相影像，并提取影像的多特征以弥补不足。二是本研究在小区域进行试验，验证香芋的分类精度和可行性，但是对于粤北地区全域进行香芋种植的识别还有待验证，这主要是由于单个数据源全域遥感影像的覆盖时间往往跨度较大，甚至跨越了关键生育期，给作物分类造成困难；另外，全域数据量较大，需要较强的计算能力。三是在农作物遥感监测中，仅仅识别出香芋显然是不够的，不同地块的作物长势也是更应该关注的问题；由于作物长势与耕地的肥力和田间管理有很大的关系，决定了作物的产量，表现在遥感图像上，长势较好的地块颜色更深更饱和，可以通过构建时序归一化植被指数反演不同作物的长势情况［24］。因此后续研究可从构建多时相和多源遥感系列影像，对粤北地区香芋甚至其他特色作物如黄烟进行识别和不同地块的作物长势进行监测，并对分类方法进行优化。
4 结论
本研究结果表明，加入纹理信息和多特征光谱信息的遥感影像，分类精度得到较大的提高。多光谱影像中不透水表面有较大面积的错分，主要是与裸地的光谱信息相近；多光谱全色融合影像，整体提高了分类精度，但是由于分辨率的提高，导致很多碎图斑的出现，单独错分数增加，图像不美观。多特征光谱纹理融合影像，充分利用了多光谱的特征和不同地物的纹理特征，分类精度最好，错分的图斑最少，图像更加平滑，地物轮廓明显。错分的地物主要集中在不透水表面和裸地上，主要是由于在地物边界存在混合像元。香芋的识别精度达到了95%，说明高分二号影像在粤北地区的香芋分类上是可行的，但应用到大面积遥感分类还需对分类方法进行优化。
［1］ 陈思宁，赵艳霞，申双和. 基于波谱分析技术的遥感作物分类方 法［J］. 农业工程学报，2012, 28（5）: 154-160. doi:10.3969/j.issn.1002-6819.2012.05.026.CHEN S N, ZHAO Y X, SHEN S H. Crop classification by remote sensing based on spectral analysis［J］. Transactions of the Chinese Society of Agricultural Engineering,2012, 28（5）: 154-160.doi:10.3969/j.issn.1002-6819.2012.05.026.
［2］ 刘吉凯，钟仕全，梁文海. 基于多时相Landsat8 OLI影像的作物种植结构提取［J］. 遥感技术与应用，2015, 30（4）: 775-783.doi:10.11873/j.issn.1004-0323.2015.4.0775.LIU J K，ZHONG S Q, LIANG W H. Extraction on crops planting structure based on multi-temporal landsat 8 OLI images［J］. Remote Sensing Technology and Application, 2015,30（4）:775-683.doi:10.11873/j.issn.1004-0323.2015.4.0775.
［3］ 曹丹，景海涛，孙金珂，万娜，冯建中. 多时相MODIS指数提取东北三省水稻种植面积［J］. 测绘科学，2018, 43（7）: 54-60.doi:10.16251/j.cnki.1009-2307.2018.07.009.CAO D, JING H T, SUN J K, WAN N, FENG J Z. Extraction of rice area in Northeast China based on MODIS timing indexes［J］. Science of Surveying and Mapping, 2018, 43（7）: 54-60. doi:10.16251/j.cnki.1009-2307.2018.07.009.
［4］ 刘心云，郑江华. 基于分形纹理特征的新疆罗布麻遥感分类［J］.中山大学学报（自然科学版），2019, 58（1）: 22-29. doi:10.13471/j.cnki.acta.snus.2019.01.003.LIU X Y，ZHENG J H. The fractal theory texture-based classification of Apocynum venetum in Xinjiang,China［J］. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2019, 58（1）: 22-29.doi:10.13471/j.cnki.acta.snus.2019.01.003.
［5］ 单治彬，孔金玲，张永庭，李欢，关红，胡永新，李健锋，张文博.面向对象的特色农作物种植遥感调查方法研究［J］. 地球信息科学学报，2018, 20（10）: 1509-1519. doi:10.12082/dqxxkx.2018.180116.SHAN Z B, KONG J L, ZHANG Y T, LI H, GUAN H, HU Y X, LI J F,ZHANG W B. Remote sensing investigation method of object-oriented crops with special characteristics［J］. Journal of Geo-information Science, 2018,20（10）:1509-1519. doi:10.12082/dqxxkx.2018.180116.
［6］ 高琳，陈晓远，林昌华，王卫，张宇鹏. 韶关市典型香芋产区土壤剖面特征及其养分变化研究［J］. 西南农业学报，2018, 31（9）: 1864-1869. doi:10.16213/j.cnki.scjas.2018.9.017.GAO L, CHEN X Y, LIN C H, WANG W, ZHANG Y P. Characteristics of soil profile and nutrient change of fragrant taro typical region in Shaoguan［J］. Southwest China Journal of Agricultural Sciences,2018, 31（9）: 1864-1869. doi:10.16213/j.cnki.scjas.2018.9.017.
［7］ 魏鹏飞，徐新刚，杨贵军，李中元，王建雯，陈帼. 基于多时相影像植被指数变化特征的作物遥感分类［J］. 中国农业科技导报，2019,21（2）: 54-61. doi:10.13304/j.nykjdb.2018.0063.WEI P F, XU X G, YANG G J, LI Z Y, WANG J W, CHEN G. Remote sensing classification of crops based on the change characteristics of multi-phase vegetation index［J］. Journal of Agricultural Science and Technology, 2019, 21（2）: 54-61. doi:10.13304/j.nykjdb.2018.0063.
［8］ 魏永霞，杨军明，吴昱，王斌. SHEHAKK M，侯景翔.基于多源数据融合模型的水稻面积提取［J］. 农业机械学报，2018, 49（10）:300-306. doi:10.6041/j.issn.000-1298.2018.10.034.WEI Y X, YANG J M, WU Y, WANG B, SHEHAKK M, HOU J X.Rice planting area extraction based on multi-source data fusion［J］.Transactions of the Chinese Society for Agricultural Machinery,2018, 49（10）: 300-306. doi:10.6041/j.issn.000-1298.2018.10.034.
［9］ 马长辉，黄登山. 纹理与几何特征信息在高空间分辨率遥感影像分类中的应用［J］. 测绘地理信息，2019, 44（6）: 66-70, 92.doi:10.14188/j.2095-6045.2018026.MA C H, HUANG D S. Application of texture features and geometric feature information in high spatial resolution remote［J］. Journal of Geomatics, 2019, 44（6）: 66-70, 92. doi:10.14188/j.2095-6045.2018026.
［10］ 张卫春，刘洪斌，武伟. 基于随机森林和Sentinel-2影像数据的低山丘陵区土地利用分类——以重庆市江津区李市镇为例［J］. 长江流域资源与环境，2019, 28（6）: 1334-1343.ZHANG W C, LIU H B, WU W. Classification of land use in low mountain and hilly area based on random forest and sentinel-2 satellite data［J］. Resources and Environment in the Yangtze Basin, 2019, 28（6）: 1334-1343.
［11］ 赵钧阳，赖格英. 高分辨率遥感影像中小尺度梯田纹理信息的增强与提取［J］. 江西科学，2020, 38（2）: 263-268. doi:10.13990/j.issn1001-3679.2020.02.024.ZHAO J Y, LAI G Y. Enhancement and extraction of smallscale terrace texture information for high-resolution remote sening［J］. Jiangxi Science, 2020, 38（2）: 263-268. doi:10.13990/j.issn1001-3679.2020.02.024.
［12］ 张淮栋，陈争光，张成龙. 基于高分二号-NDVI的大豆遥感估产的时相选择［J］. 湖北农业科学，2018, 57（6）: 103-108. doi:10.14088/j.cnki.issn0439-8114.2018.06.026.ZHANG H D, CHEN Z G, ZHANG C L. Time selection of estimation yield with remote sensing of soybean based on GF-2-NDVI［J］, Hubei Agricultural Sciences, 2018, 57（6）: 103-108. doi:10.14088/j.cnki.issn0439-8114.2018.06.026.
［13］ 石宽，刘琪璟，李法玲，焦志敏，周华. 大气校正对九连山植被覆盖度遥感估算的影响［J］. 广东农业科学，2014, 41（9）: 2, 198-202.doi:10.16768/j.issn.1004-874X.2014.09.014.SHI K, LIU Q J, LI F L, JIAO Z M, ZHOU H. Effects of atmospheric correction on remote sensing estimation of vegetation coverage in Jiulianshan［J］. Guangdong Agricultural Sciences, 2014, 41（9）: 2,198-202. doi:10.16768/j.issn.1004-874X.2014.09.014.
［14］ 刘吉凯，钟仕全，徐雅，陈燕丽. 基于多时相GF-1 WFV数据的南方丘陵地区甘蔗种植面积提取［J］. 广东农业科学，2014, 41（18）:149-154. doi:10.16768/j.issn.1004-874X.2014.18.016.LIU J K, ZHONG S Q, XU Y, CHEN Y L. Sugarcane extraction in the southern hills using multi-temporal GF-1 WFV data［J］. Guangdong Agricultural Sciences, 2014, 41（18）: 149-154. doi:10.16768/j.issn.1004-874X.2014.18.016.
［15］ 蒋金豹，张玲，崔希民，蔡庆空，孙灏. 植被覆盖区土壤水分反演研究——以北京市为例［J］. 国土资源遥感，2014, 26（2）: 27-32.JIANG J B, ZHANG L, CUI X M, CAI Q K, SUN H. Soil moisture inversion in the vegetation-covered area: A case study of Beijing City［J］. Remote Sensing for Land & Resources, 2014, 26（2）: 27-32.
［16］ 王佐成. 基于纹理的遥感图像分类研究［D］. 成都: 西南交通大学，2007.WANG Z C. Research on classification of remote sensing image with texture［D］. Chengdu: Southwest Jiaotong University,2007.
［17］ HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural features for image classification［J］. IEEE Transactions on Systems Man and Cybernetics, 1973,3（6）: 610-621. doi:10.1109/TSMC.1973.4309314.
［18］ 郭德军，宋蛰存.基于灰度共生矩阵的纹理图像分类研究［J］.林业机械与木工设备，2005, 33（7）:21-23. doi:10.3969/j.issn.2095-2953.2005.07.008.GUO D J, SONG Z C. A study on texture image classifying based on gray-level co-occurrence matrix［J］. Forestry Machinery &Woodworking Equipment, 2005, 33（7）: 20-23. doi:10.3969/j.issn.2095-2953.2005.07.008.
［19］ 刘原峰. 基于多时相GF-1 WFV影像的绿洲主要粮食作物识别及估产［D］. 兰州: 西北师范大学，2016.LIU Y. Oasis main food crops remote-sensing recognition and yield estimation based on multi-temporal GF-1 WFV images［D］. Lanzhou:Northwest Normal University, 2016.
［20］ 王超阳.灰度共生矩阵下的遥感图像分类处理［J］.电脑知识与技术，2019,15（5）:167-168. doi:10.14004/j.cnki.ckt.2019.0428.WANG C Y. Remote sensing image classification processing based on gray level co-occurrence matrix［J］. Computer Knowledge and Technology, 2019,15（5）:167-168. doi:10.14004/j.cnki.ckt.2019.0428.
［21］ 刘斌. 基于无人机遥感影像的农作物分类研究［D］. 北京: 中国农业科学院，2019.LIU B. Classification of crops based on UAV remote sensing images［D］.Beijing: Chinese Academy of Agricultural Sciences, 2019.
［22］ 吴锦玉，刘晓龙，柏延臣，史正涛，付卓. 基于GF-2数据结合多纹理特征的塑料大棚识别［J］.农业工程学报，2019,35（12）:173-183.doi:10.11975/j.issn.1002-6819.2019.12.021.WU J Y, LIU X L, BO Y C, SHI Z T, FU Z. Plastic greenhouse recognition based on GF-2 data and multi-texture features［J］.Transactions of the Chinese Society of Agricultural Engineering,2019, 35（12）:173-183. doi:10.11975/j.issn.1002-6819.2019.12.021.
［23］ 阚丽萍，邹亚荣，胡卓玮.多光谱与纹理特征结合的WorldView-2影像海岸线提取方法研究——以马来西亚棉花岛为例［J］.海洋学研究，2018,36（4）:43-52. doi:10.3969/j.issn.1001-909X.2018.04.006.KAN L P, ZOU Y R, HU Z W. Research on coastline extraction method of WorldView-2 image combined with multi-spectral and texture features: Take the Cotton Island of Malaysia as an example［J］. Journal of Marine Sciences, 2018,36（04）:43-52. doi:10.3969/j.issn.1001-909X.2018.04.006.
［24］ 孙雪莲，舒清态，欧光龙，张博，胥辉.基于随机森林回归的不同龄组思茅松人工林生物量遥感估测［J］. 广东农业科学，2015, 42（15）:148-153, 193. doi:10.16768/j.issn.1004-874X.2015.15.022.SUN X L, SHU Q T, OU G L, ZHANG B, XU H. Remote sensing estimation of biomass of Simao pine artificial forest at different ages based on random forest regression［J］. Guangdong Agricultural Sciences, 2015, 42（15）: 148-153, 193. doi:10.16768/j.issn.1004-874X.2015.15.022.