网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

基于时序Sentinel-2数据的马铃薯遥感识别研究

- ORCID：
刘克宝
✉
- ORCID：
陆忠军
✉
- ORCID：
辛蕊
- ORCID：
付斌
- ORCID：
黄楠
- ORCID：
刘艳霞
- ORCID：
王婷

黑龙江省农业科学院农业遥感与信息研究所，哈尔滨 150086

最近更新：2024-01-19

DOI：10.12105/j.issn.1672-0423.20230302

摘要

[目的]

文章以黑龙江省北大荒农垦集团克山农场为研究区域，以当地马铃薯全生育期为研究时段，以早熟马铃薯、晚熟马铃薯及其他主要农作物大豆、玉米、水稻为研究对象，开展基于时序Sentinel-2数据的识别差异性研究。

[方法]

基于早熟马铃薯、晚熟马铃薯及大豆、玉米、水稻各时期各波段光谱反射值，利用光谱差异性指数，创建了光谱振幅指数，结合各种作物生育期数据，评价不同波段、不同时间序列对早熟马铃薯、晚熟马铃薯识别的差异性；筛选出可以较好区分早熟马铃薯、晚熟马铃薯、大豆、玉米、水稻的波段和时间序列组合。

[结果]

在该文的时序内，能够同时区分早熟马铃薯、晚熟马铃薯与大豆、玉米、水稻的Sentinel-2数据时段为2022年8月9日和8月31日，波段为Band 5、Band 7和Band 11。利用计算机自动分类，结合人工目视解译方式获得2022年克山农场种植结构，马铃薯、大豆、玉米、水稻、其他作物比例为13∶57∶27∶0∶2（其中的水稻比例不足0.30%）。

[结论]

综合Sentinel-2数据各波段反射值、光谱差异性指数，结合生育期资料，使用单一时相识别马铃薯时，最佳时段为晚熟马铃薯的成熟期后，地面光谱表现为裸地，其他作物光谱仍然表现为作物。

关键词

马铃薯; 波段; 生育期; 遥感识别

0 引言

马铃薯是世界第四大主要粮食作物，粮菜兼用，适应性强，产量高^［

1-2］，作为薯类品种的主要输出产品，具有比较突出的经济效益，在薯类种植业生产中占据重要地位，对国家粮食安全和推进脱贫攻坚向乡村振兴平稳过渡具有重要支撑作用^{［参考文献 3

百度学术}3］。黑龙江省是全国重要的马铃薯种薯和商品薯生产基地，马铃薯主产区分布在西部和北部，包括齐齐哈尔市、黑河市、绥化市、大庆市和大兴安岭地区；新兴产区主要包括哈尔滨市和牡丹江市，以鲜食薯生产为主，有一定的省外销售和对俄贸易^{［参考文献 4

百度学术}4］。近年来，遥感技术在取得长足进展的同时，在农作物识别、估产等方面的应用已进入业务化运行。开展马铃薯遥感识别研究，有助于获取马铃薯种植面积及空间分布信息，进而为马铃薯快速估产、区域农作物种植结构优化等提供数据保障，具有重要的现实意义。

遥感技术因其高时效、宽范围和低成本的优点，为大区域快速获取农作物种植结构及其变化信息提供了新的技术手段，被广泛应用于农作物种植结构的提取研究中，包括玉米、大豆^［

5］、水稻^{［参考文献 6-8}6-8］、冬小麦^{［参考文献 9-10}9-10］、棉花^{［参考文献 11

百度学术}11］、艾草^{［参考文献 12

百度学术}12］、油菜籽^{［参考文献 13

百度学术}13］、蔬菜^{［参考文献 14

百度学术}14］、香芋^{［参考文献 15

百度学术}15］等。在马铃薯遥感识别方面，周扬帆等^{［参考文献 16-17}16-17］基于高光谱曲线开展了吉林省马铃薯结薯期与大豆、玉米和水稻的光谱差异性分析，研究结果表明，反射率值在480 nm附近蓝色波段位置差异最显著，比值植被指数、增强型植被指数可以较好区分马铃薯、大豆、玉米和水稻；并利用landsat8 OLI遥感数据，构建三层式BP神经网络耕地分类模型应用于研究区马铃薯提取，生产者精度超过94%。黄思宇等^{［参考文献 18

百度学术}18］利用HJ-1 A/B CCD 遥感数据基于NDVI物候特征在广东省惠州市开展了华南地区冬种马铃薯遥感提取方法研究，筛选出了SAM方法有效提取研究区马铃薯种植面积，总体提取精度超过80%。总体来看，遥感已经在不同时空尺度下的农作物种植结构提取中发挥了重要作用，无论理论方法还是实践应用，都取得了长足的进展^{［参考文献 19-20}19-20］。但是目前针对马铃薯的遥感识别研究多是基于无人机平台数据获取叶绿素、地上生物量等信息，以期满足田间管理的需要；同时借助遥感影像进行农作物面积的提取主要应用于大豆、玉米、水稻、小麦等禾本科及豆科作物，目前基于植被指数等的作物识别研究中，存在区域性差，模型泛化能力差等缺点^{［参考文献 21

百度学术}21］，同时对马铃薯等茄科作物研究较少，无法满足宏观决策、种植结构调整、区划布局等方面的需求。

基于此，文章选择黑龙江省马铃薯主产区的克山农场为研究区域，以中高分辨率卫星Sentinel-2数据为数据源，面向早熟和晚熟马铃薯品种，结合地面调查，开展马铃薯全生育期Sentinel-2数据的马铃薯与大豆、玉米、水稻的光谱特征分析，包含光谱反射值、波段振幅及差异指数分析，明确黑龙江省马铃薯规模种植区早熟和晚熟品种各个时期的最佳识别波段，以期为马铃薯等主要农作物的泛化模型的构建空间分布遥感识别（早期识别）及业务化监测提供技术支撑，为马铃薯长势监测、单产估算及灾害监测与预警提供理论参考；同时开展2022年克山农场主要农作物时空变化分析，为政策制定提供数据支撑。

1 材料及方法

1.1 试验区

克山农场隶属北大荒农垦集团齐齐哈尔分公司，地处小兴安岭西麓、松嫩平原东北部，位于齐齐哈尔市克山县与讷河市交界处，地理位置为东经125°07′40″～125°37′30″，北纬48°11′15″～48°24′07″，属温凉型气候区，春旱多风，夏季高温多雨，秋季降温迅速、霜冻早，冬季较长、多雪、严寒干燥。该地区地势丘陵漫岗，土质肥沃，黑钙土占土地面积的98%，适宜农作物生长，具有着悠久的马铃薯种植历史和产业发展史。2005年北大荒薯业集团在克山农场建厂，薯业集团薯丰公司、全粉公司和种薯研发中心也先后在此落地，农场拥有完善的马铃薯产业链，是“中国绿色马铃薯之都”。克山农场地理区位如图1所示。

图1 研究区

Fig.1 Schematic diagram of the study area

1.2 数据获取

1.2.1 卫星影像数据获取与处理

该文采用的Sentinel-2数据来源于欧空局官网，下载经过辐射定标和大气校正的L2A级数据，波段为Band 2、Band 3、Band 4、Band 5、Band 6、Band 7、Band 8、Band 8A、Band 9、Band 11、Band 12等与作物识别相关的11个波段，波段参数如表1所示。影像日期为2022年5月8日至10月5日，选择云量较小的影像共计12期，覆盖整个马铃薯生育期，时间序列见表2。依据外业调查样本，针对早熟马铃薯、晚熟马铃薯、大豆、玉米、水稻，每种作物选择5个样区（每个样区面积大于500 m×500 m），利用ENVI软件统计12个时期各作物光谱值数据均值。

表1 Sentinel-2数据波段参数

Table 1 Band parameters of Sentinel-2 data

Sentinel-2波段	中心波长（μm）	分辨率（m）	波段宽度（nm）	波段说明
Band1-Coastal aerosol	0.443	60	20	海岸/气溶胶波段，用于监测近岸水体和大气中的气溶胶
Band2-Blue	0.490	10	65	可见光波段
Band3-Green	0.560	10	35
Band4-Red	0.665	10	30
Band5-Vegetation Red Edge	0.705	20	15	红边范围内波段，用于监测植被健康信息
Band6-Vegetation Red Edge	0.740	20	15
Band7-Vegetation Red Edge	0.783	20	20
Band8-NIR	0.842	10	115	近红外波段，用于评估植被的健康状况、叶绿素含量以及植被覆盖度
Band8A-Narrow NIR	0.865	20	20	近红外波段，用于评估植被的健康状况、叶绿素含量以及植被覆盖度
Band9-Water vapour	0.945	60	20	水蒸气波段
Band10-SWIR-Cirrus	1.375	60	20	短波红外波段，用于天气预报和气候研究等领域
Band11-SWIR	1.610	20	90	短波红外波段，用于土地覆盖分类、植被监测和水体分析等应用
Band12-SWIR	2.190	20	180	短波红外波段，用于土地覆盖分类、植被监测和水体分析等应用

表2 2022年克山农场马铃薯生育期及影像时序

Table 2 Potato growth period and the image phase in Keshan Farm in 2022

生育期	早熟品种	晚熟品种	Sentinel-2卫星影像时相
出苗期	5月29日至6月3日	6月1—15日	5月28日、6月7日
幼苗期	6月12—17日	6月16—21日	6月17日
发棵期	6月22—28日	6月26日至7月9日	7月2日
结薯期	7月1—10日	7月3—12日	7月10日、7月20日、8月1日、8月9日
成熟期	8月10—26日	8月28日至9月18日	8月21日、8月31日、9月10日、9月20日

1.2.2 生育期资料获取

通过咨询马铃薯育种及栽培专家、马铃薯种植大户，结合地面调查等方式，获取马铃薯生育期数据，如表2所示。

1.3 研究方法

1.3.1 光谱振幅分析

为量化说明某种作物处于不同生育期时，在Sentinel-2数据某个波段的受影响情况，建立光谱振幅指数A_iw，即在第w波段，整个生育期内某种作物i光谱最大反射率值w_i_max与最小反射值w_i_min之差与之和比值的百分率，计算公式为：

A_{i w} = \frac{w_{i m a x} - w_{i m i n}}{w_{i m a x} + w_{i m i n}} \times 100 %

（1）

式（1）中，A_iw为光谱振幅指数，w_i_max和w_i_min为i作物全生育期最大光谱反射值和最小反射值。

1.3.2 光谱差异性分析

为量化说明某种作物与其他作物在Sentinel-2数据某个波段光谱反射率的差异特征^［

15］，建立光谱反射率差异性指数DR_ij，即在第w波段，某种作物i光谱反射率值与另一种作物j光谱反射率值之差的绝对值与该种作物光谱反射率值比值的百分率，计算公式为：

D R_{i j} = \frac{|R_{i w} - R_{j w}|}{R_{i w}} \times 100 %

（2）

式（2）中，DR_ij为光谱反射率差异性指数，R_iw为作物i光谱反射率值，R_jw为作物j光谱反射率值。

2 结果与分析

利用马铃薯与主要农作物的原始光谱值、光谱振幅以及光谱差异性指数，分析早晚熟马铃薯与大豆、玉米、水稻的最佳识别波段，结果显示：因时期不同，最佳识别波段略有差异，同时考虑分辨率、差异化等因素，Band 5、Band 7和Band 11为综合效果最佳的波段组合，Band 6、Band 7、Band 8和Band 9具有同质性。

2.1 主要农作物原始光谱值及光谱振幅特征

对比分析早熟马铃薯、晚熟马铃薯、大豆、玉米、水稻地块全生育期Sentinel-2数据11个波段光谱反射率均值，结果如图2所示。根据图2a～j，整个生育期内大豆、玉米、水稻、早晚熟马铃薯光谱反射值在Band 2波段差值不明显；Band 3波段在7月20日至8月9日，早晚熟马铃薯与大豆、玉米、水稻的差值相对明显，但是早晚熟马铃薯之间反射值基本相同，大豆、玉米、水稻的反射值同样很接近；Band 4波段在8月31日，晚熟马铃薯与大豆、玉米、水稻光谱差值较大，但是其他作物的反射值接近，9月10日，早晚熟马铃薯之间以及与大豆、玉米、水稻光谱差值明显；Band 5波段在7月20日之后早晚熟马铃薯与大豆、玉米、水稻光谱差值显著，但是早晚熟马铃薯反射值接近；8月31日至9月10日，早晚熟马铃薯之间以及与大豆、玉米、水稻差值显著；Band 6波段在8月21日和9月10日，早晚熟马铃薯之间以及与大豆、玉米、水稻的光谱差值较为显著；Band 7、Band 8、Band 8A、Band 9这4个波段在目标作物的反射值及整个生育期趋势基本一致，在8月1日和8月31日早晚熟马铃薯、玉米、水稻之间差值较为显著，但是晚熟马铃薯与大豆反射值较为接近；Band 11波段，在8月1日和8月31日，早晚马铃薯、大豆、玉米、水稻之间光谱差值较其他时段显著；Band 12波段在8月31日至9月10日，早熟马铃薯、大豆、水稻光谱差值显著，但是晚熟马铃薯与玉米光谱值接近。

图2 2022年基于时序Sentinel-2数据的克山农场主要农作物各波段光谱值及振幅指数

Fig.2 Spectral values and amplitude indices of main crops in Keshan Farm at various wavebands based on time series Sentinel-2 data in 2022

根据图2m和表3，大豆、玉米、水稻、早熟马铃薯、晚熟马铃薯在整个生育期内原始波段Band 2、Band 3、Band 4、Band 5、Band 11和Band 12波段振幅均值在13%～30%之间，波段振幅整体较小；在原始波段Band 6、Band 7、Band 8、Band 8A和Band 9波段振幅均值在51%～56%之间，波段振幅整体较大。

表3 克山农场主要农作物光谱振幅指数

Table 3 Spectral amplitude index of major crops in Keshan Farm ( % )

波段	大豆	玉米	水稻	早熟马铃薯	晚熟马铃薯
Band 2	14.42	13.93	18.68	9.15	12.00
Band 3	15.87	14.23	19.14	16.08	14.93
Band 4	32.57	23.96	23.97	20.10	19.84
Band 5	31.99	16.62	27.24	19.01	22.16
Band 6	49.06	49.93	48.17	53.76	55.25
Band 7	54.47	54.05	53.05	57.08	58.58
Band 8	52.70	53.23	53.63	54.01	56.58
Band 8A	52.83	52.30	54.05	54.35	56.61
Band 9	52.91	52.34	62.67	53.90	56.59
Band 11	16.66	20.24	33.79	18.15	13.64
Band 12	28.50	39.56	23.60	26.75	30.76

2.2 光谱差异性特征

对比分析早熟马铃薯、晚熟马铃薯、大豆、玉米、水稻地块全生育期Sentinel 2数据11个波段光谱反射率均值，结果如图3所示。

图3 2022年基于时序Sentinel-2数据的克山农场主要农作物各波段差异性指数

Fig.3 Difference index of main crops in Keshan Farm based on time series Sentinel-2 data in 2022

5月28日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较小，均低于15%；与水稻的光谱反射率差异性指数较大，在50%左右；整体显示为Band 11、Band 12波段的光谱反射率差异性指数较大。

6月7日，早晚马铃薯之间的光谱反射率差异性指数指数较小，均低于11%；与大豆、玉米的光谱反射率差异性指数较小，均低于31%；与水稻的光谱反射率差异性指数较大，在60%左右；整体显示为Band 8、Band 11、Band 12波段的光谱反射率差异性指数较大。6月17日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较小，均低于24%；与水稻的光谱反射率差异性指数较大，在60%左右；整体显示为Band 8、Band 9、Band 11和Band 12波段的光谱反射率差异性指数较大。

7月2日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较小，均低于32%；与水稻的光谱反射率差异性指数较大，在40%左右；整体显示为Band 5、Band 9和Band 12波段的光谱反射率差异性指数较大。7月10日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较小，均低于30%；与水稻的光谱反射率差异性指数较大，在40%左右；整体显示为Band 6、Band 8、Band 9和Band 11波段的光谱反射率差异性指数较大。7月20日，早晚熟马铃薯之间，以及与大豆的光谱反射率差异性指数较小，均低于23%；与玉米、水稻的光谱反射率差异性指数较大，在35%左右；整体显示为Band 5、Band 6和Band 12波段的光谱反射率差异性指数较大。

8月1日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较小，均低于32%；与水稻的光谱反射率差异性指数较大，在50%左右；整体显示为Band 5、Band 6、Band 7波段的光谱反射率差异性指数较大。8月9日，早晚熟马铃薯之间，以及与大豆、玉米、水稻的光谱反射率差异性指数较大，在42%以下；整体显示为Band 5、Band 6、Band 7波段的光谱反射率差异性指数较大。8月21日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较大，最高至88%；整体显示为Band 5、Band 6、Band 7波段的光谱反射率差异性指数较大。8月31日，早晚熟马铃薯之间，以及早熟马铃薯与大豆、玉米、水稻的光谱反射率差异性指数较大，最高至173%；晚熟马铃薯与大豆、玉米、水稻的光谱反射率差异性较小，在20%～30%左右；整体显示为Band 5、Band 6、Band 7、Band 11波段的光谱反射率差异性指数较大。

9月10日，早晚熟马铃薯之间，以及与大豆、玉米的光谱反射率差异性指数较大，最高至193%；晚熟马铃薯与水稻的光谱反射率差异性较小，在10%左右；整体显示为Band 4、Band 7、Band 8、Band 8A波段的光谱反射率差异性指数较大。9月20日，早晚熟马铃薯之间，以及与大豆、玉米、水稻的光谱反射率差异性指数均较大，最高至114%；整体显示为Band 8、Band 8A、Band 12波段的光谱反射率差异性指数较大。

2.3 马铃薯遥感识别及精度验证

基于以上分析结果，同时区分早熟马铃薯、晚熟马铃薯与当地主要农作物大豆、玉米、水稻，该文选取2022年8月9日和8月31日的2期影像数据，选取差异性指数明显的Band 5、Band 7、Band 11，利用计算机自动分类，结合人工目视解译方式获得克山农场种植结构，结果如图4和表4所示。根据表4，2022年克山农场马铃薯、大豆、玉米、水稻、其他作物比例为13∶57∶27∶0∶2（其中水稻比例不足0.30%）。

图4 2022年克山农场主要农作物分类

Fig.4 Spatial distribution of main crops in Keshan Farm in 2022

表4 2022年克山农场主要农作物面积

Table 4 Main crop area in Keshan Farm in 2022

序号	作物类型	面积（hm²）
1	马铃薯	3 812.45
2	大豆	16 562.21
3	玉米	8 002.28
4	水稻	67.39
5	其他作物	665.94
合计	—	29 110.28

2022年共采集验证点270个（图5），包括马铃薯81个、大豆112个、玉米52个、水稻3个、其他作物22个，误差矩阵见表5，用户精度为98.52%，Kappa系数为0.979，精度较高。研究采集的马铃薯验证点几乎包含研究区所有马铃薯地块，但因区域内大豆种植面积远超出马铃薯种植，所以，大豆验证点数量多于马铃薯验证点。

图5 验证点类型及分布

Fig.5 Verification point type and distribution map

表5 误差矩阵分布

Table 5 Error matrix distribution

误差矩阵		真实值
误差矩阵		马铃薯	大豆	玉米	水稻	其他作物
预测值	马铃薯	79	0	0	0	0
	大豆	2	110	0	0	0
	玉米	0	0	52	0	0
	水稻	0	0	0	3	0
	其他作物	0	2	0	0	22

3 结论与讨论

该文以黑龙江省北大荒农垦集团克山农场为研究区域，以当地马铃薯全生育期为研究时段，以早熟马铃薯、晚熟马铃薯及其他主要农作物大豆、玉米、水稻为研究对象，开展基于时序Sentinel-2数据的马铃薯遥感识别研究，以筛选区域内马铃薯识别最佳波段及时相。研究方法为结合生育期资料，通过计算Sentinel-2数据各波段反射值、光谱振幅、光谱差异性指数，确定克山农场早晚熟马铃薯全生育期内最佳识别波段为Band 5、Band 7、Band 11，最早识别在结薯期中后期（7月20日），区分早晚熟马铃薯的最佳时段为早熟马铃薯收获期后，晚熟马铃薯收获前，使用单一时相识别马铃薯时，最佳识别时段为晚熟马铃薯的成熟期后，地面光谱表现为裸地。根据筛选出的波段及时相，通过计算机自动分类，结合人工目视解译方式获取2022年克山农场种植结构分布，马铃薯、大豆、玉米、水稻、其他作物比例为13∶57∶27∶0∶2（其中的水稻比例不足0.30%）。分类用户精度为98.52%，Kappa系数为0.979，精度较高，说明此研究方法筛选出的波段及时相在区域内能够较好识别马铃薯与其他作物，并为当地马铃薯估产、区域农作物种植结构优化调整等提供数据支撑。

在马铃薯遥感方面，此前多为了满足田间管理需求，关注于小尺度、基于无人机平台获取叶绿素、地上生物量等信息，对于大田作物、规模化种植区马铃薯与其他作物差异化识别等研究较少。该研究弥补了作物遥感识别禾本科、豆科作物较多而茄科作物较少的缺点，专注于早晚熟马铃薯遥感识别是该研究的独特之处。研究筛选出了马铃薯遥感识别的波段及时相，在克山农场马铃薯遥感识别取得了较好效果。

由于克山农场境内没有小麦种植，该文仅仅考虑大豆、玉米、水稻与早晚熟马铃薯的差异性，并结合了多时相数据采用计算机自动分类结合人工目视解译，利用作物的收获期差异，有效地区分早晚熟马铃薯，并未考虑小麦等其他与早晚马铃薯具有相同收获期的作物。该文只对单波段的马铃薯识别能力进行了分析，未对波段组合的能力进行综合评价。通过提取马铃薯不同时期的作物光谱值，针对不同时期的原始波段的差异性进行了评价，未来将尝试利用人工智能算法结合差异显著波段实现马铃薯的智能识别，同时基于阈值实现大豆、玉米、水稻、早晚熟马铃薯的识别，实现基于先验知识的主要农作物快速识别。由于研究时间尚短，在该文中筛选的最优波段与时相并未在其他省份及黑龙江省内其他地区进行验证，所以关于二者的普适性尚未进行深入分析。未来将尝试在黑龙江省内其他区域继续进行此类研究，以期具有普遍适用性，模式可复制。

参考文献

蔡林志，贡丹敏，丁仁，等. 施氮水平对不同马铃薯品种生长与产量的影响. 中国瓜菜，2023，36（2）：84-90. [百度学术]

罗其友，高明杰，张烁，等. 中国马铃薯产业国际比较分析. 中国农业资源与区划，2021，42（7）：1-8. [百度学术]

刘楠，杨海波，高飞，等. 基于查找表法和优化光谱指数的马铃薯叶绿素反演. 中国马铃薯，2022，36（6）：495-507. [百度学术]

石瑛. 优化产业价值链推动“龙江薯”高质量发展. 奋斗，2022（1）：44-46. [百度学术]

幸泽峰，焦为杰，王丹琼，等. 遥感技术在“两区”作物种植结构监测中的应用研究——以黑龙江省富锦市为例. 中国农业资源与区划，2023，44（9）：171-178. [百度学术]

Onojeghuo A O，Blackburn G A，Wang Q，et al. Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data. International Journal of Remote Sensing，2018，39（4）：1042–1067. [百度学术]

王利民，刘佳，杨福刚，等. GF-1卫星多时相组合近红外数据水稻识别能力. 农业工程学报，2017，33（23）：196-202. [百度学术]

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. 地球信息科学学报，2017，19（1）：117-124. [百度学术]

杨珺雯，张锦水，潘耀忠，等. 基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例. 中国农业科学，2018，51（4）：675-687. [百度学术]

游炯，裴志远，王飞，等. 基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取. 农业工程学报，2016，32（13）：131-139. [百度学术]

刘姣娣，曹卫彬，刘学，等. 棉花遥感识别的混合像元分解. 农业工程学报，2011，27（6）：182-186. [百度学术]

何真，胡洁，蔡志文，等. 协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别. 农业工程学报，2022，38（1）：186-195. [百度学术]

余新华，王宏. 基于BP神经网络的油菜籽遥感识别研究. 调研世界，2020（6）：16-24. [百度学术]

樊东东，李强子，王红岩，等. 通过训练样本采样处理改善小宗作物遥感识别精度. 遥感学报，2019，23（4）：730–742. [百度学术]

王卫，李敬，陈晓远，等. 基于高分二号卫星影像的粤北地区香芋遥感识别研究. 广东农业科学，2020，47（6）：126-133. [百度学术]

周扬帆，陈佑启，何英彬. 基于高光谱曲线的马铃薯与其他主要作物光谱差异性分析. 中国农业资源与区划，2017，38（11）：10-16. [百度学术]

周扬帆，陈佑启，邹金秋，等. 基于BP神经网络的马铃薯马铃薯遥感识别图像数据分析研究. 中国科技资源导刊，2017，49（5）：104-110. [百度学术]

黄思宇，陈水森，李丹，等. 基于NDVI物候特征的华南地区冬种马铃薯遥感提取方法. 热带地理，2016，36（6）：976-984. [百度学术]

刘克宝，刘述彬，陆忠军，等. 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）：21-26. [百度学术]

刘克宝，陆忠军，宋茜，等. 松嫩平原中部农作物空间格局时空变化分析. 中国农业信息，2018，30（2）：42-52. [百度学术]

王爱芳，张运，黄静，等. 作物遥感分类研究进展. 测绘与空间地理信息，2021，44（10）：80-88. [百度学术]