Medical Journal of the Chinese People's Armed Police Forces

Journal of Changjiang River Scientific Research Institute >

2025 , Vol. 42 >Issue 10: 1 - 8

DOI: https://doi.org/10.11988/ckyyb.20250425

Special Contribution

Identificationof Winter Wheat Growth Stages Based on Sentinel-2 Remote Sensing Imagery

  • LI Xiao-tao , 1 ,
  • YUAN Shi-fan 1, 2
Expand
  • 1 China Institute of Water Resources and Hydropower Research,Beijing 100038,China
  • 2 College of Water Conservancy Science and Engineering, Taiyuan University of Technology, Taiyuan 030024, China

Received date: 2025-05-13

  Revised date: 2025-07-11

  Online published: 2025-09-15

Fold

Abstract

[Objective] High-precision, large-scale identification of crop growth stages in irrigation areas has long been one of the core demands for the development of smart agriculture. Based on Sentinel-2 satellite imagery data, this study systematically analyzes the effectiveness of spectral reflectance and vegetation index (VI) curves for identifying different growth stages of winter wheat, and proposes a remote sensing identification method for winter wheat growth stages that integrates multi-spectral features with ensemble learning. [Methods] Using a feature selection + heterogeneous ensemble learning approach, 83 Sentinel-2 Level-2A images were collected, covering all 9 growth stages of winter wheat (emergence, tillering, overwintering, regreening, jointing, booting, heading, grain filling, and maturity). The reflectance patterns of 12 original Sentinel-2 bands and 8 vegetation indices (NDVI, EVI, RECI, NDRE, GCI, LSWI, MASVI, GNDVI) across all growth stages of winter wheat were systematically analyzed. Recursive feature elimination combined with the XGBClassifier was applied to select key feature parameters. A Stacking ensemble architecture was used to heterogeneously integrate five different types of machine learning models—support vector machine (SVM), random forest (RF), extremely randomized trees (ERT), backpropagation neural network (BPNN), and k-nearest neighbors (KNN)—for the identification of winter wheat growth stages. [Results] The 13 feature parameters retained by recursive feature elimination were NDVI, LSWI, GCI, NDRE, EVI, B5, B9, B12, B1, B7, B8a, B11, and B4. Analysis of the selected parameters showed that NDRE, B5, and B7 were all related to the red-edge bands, confirming the unique advantage of red-edge bands in capturing key physiological changes of winter wheat (such as chlorophyll content and leaf structure). Furthermore, the overall importance of vegetation indices was significantly higher than that of original spectral bands, highlighting that vegetation indices derived from multi-band combinations could more effectively characterize changes in crop physiological status and reduce background interference. After accuracy validation, it was found that all six models achieved relatively high remote sensing classification accuracy for the growth stages of winter wheat, with overall accuracy exceeding 0.907 5, and Kappa coefficient and F1-Score above 0.891 6. Additionally, significant changes in spectral reflectance and vegetation indices were observed in the winter wheat canopy during certain growth stages, providing a crucial basis for distinguishing key growth stages. [Conclusions] (1) Significant differences are observed in the spectral reflectance and vegetation index values across different growth stages of winter wheat. Furthermore, the spectral reflectance curve of the winter wheat canopy shows completely opposite trends in the visible and near-infrared bands. The vegetation index curves generally exhibit consistent trends throughout all growth stages of winter wheat, but numerical differences between the curves are significant during specific stages. (2) Red-edge bands can effectively improve the accuracy of identification models for winter wheat growth stages. Compared to using spectral reflectance alone, vegetation indices are more effective in identifying different growth stages. (3) The identification model constructed using the Stacking ensemble achieves significantly higher accuracy than the other models and is suitable for research on growth stage identification. The overall model accuracy ranks as follows: stacking ensemble model>random forest model>extremely randomized trees model>k-nearest neighbors model>backpropagation neural network model>support vector machine model.

Key words： winter wheat; growth stage identification; machine learning; spectral analysis; Donglei Yellow River Irrigation Area

Cite this article

LI Xiao-tao , YUAN Shi-fan . Identificationof Winter Wheat Growth Stages Based on Sentinel-2 Remote Sensing Imagery[J]. Journal of Changjiang River Scientific Research Institute, 2025 , 42(10) : 1 -8 . DOI: 10.11988/ckyyb.20250425

开放科学(资源服务)标识码(OSID):

0 引言

作物生育期的识别是精准农业的重要组成部分[1]。首先,作物生育期信息可以有效地指导农业管理决策[2-3],例如特定阶段的灌溉、施肥以及农药喷洒,从而推动农业生产过程的智能化发展。其次,长序列的作物生育期识别也能侧面反映气候变化[4-6]。冬小麦是中国三大主要粮食作物之一,对其进行大范围且精确的生长监测对于解决我国粮食安全问题具有重大意义[7]。
目前作物生育期识别方法主要分为两大类:一类是依托于地面监测站点的实地观测法,另一类则是基于多源遥感数据的空间信息技术法。依托站点观测需要较长的时间和较高的人工成本, 且观测者的田间活动可能导致作物损害。而基于遥感的监测识别虽然观测准确性不如站点观测, 但是具有观测周期稳定和观测范围广的特点。鉴于此,研究基于遥感的冬小麦生育期识别方法,实现灌区冬小麦生育期实时、高效监测的需求显得尤为迫切。
近年来学者们基于光学遥感数据,计算作物不同时期植被指数,并据此设置临界阈值判断某生育期开始或结束进而识别不同生育期。Guo等[8]和游松财等[9]使用长序列植被指数曲线区分了植被的部分生育期信息。Sakamoto等[10]使用长时序的EVI曲线中的极值点识别水稻生育期信息。张旭辉等[11]通过长序列哨兵2号影像结合植被指数以及支持向量机算法实现了干旱区农作物种类的精确分类。梁继等[12]使用高分影像结合支持向量机算法多种分类器实现了对农作物的精确分类,总体分类精度>97%。杨振忠等[13]使用四波段辐射计以及多个机器学习模型完成了对水稻生育期的精确划分。然而,光学遥感数据容易受到云层影响,且大部分识别模型使用单一的机器学习模型进行作物生育期识别,存在着鲁棒性较差和普适性较低的问题,导致其在不同的环境和气候条件下应用效果不稳定。
与此同时,使用彩色图像数据进行作物生育期识别也取得了诸多成果[14]。与光学遥感数据不同,彩色图像主要基于图像的颜色、空间和纹理特征进行生育期识别。如时雷等[15]通过相机拍摄小麦不同生育期图像输入FasterNet的轻量化网络模型实现了对冬小麦4个生育期的精准识别。陆明等[16]通过提取RGB颜色空间的绿色像素、HSL颜色空间的黄色像素实现了大田条件下的玉米生育期识别。Han等[17]通过收集农田中水稻各生育期图像,采用深度卷积神经网络识别水稻生育期,准确率高达91.3%。徐建鹏等[18]通过收集水稻不同生育期彩色影像结合卷积神经网络模型,对水稻生育期进行精确分类,分类精度达到97.33%。通过彩色图像虽然可以精确识别作物生育期,但是需要高分辨率的彩色图像数据,所需设备的成本较高且监测面积较小,不适用于灌区大面积的作物生育期识别。
针对我国农业信息化建设的实际需求,本文旨在通过利用多光谱遥感技术,结合多种机器学习算法,构建集成学习模型,提高不同模型的鲁棒性与适用性,从而实现灌区冬小麦生育期的大范围精确识别,以期为智慧农业的发展和农业信息化建设提供更为经济、高效的技术支持。

1 研究数据与方法

1.1 研究区概况与数据来源

东雷一期抽黄灌区(见图1)位于陕西省关中东部渭北塬区(109°50'E—110°25'E, 34°15'N—35°15'N),为国家大Ⅱ型灌区,属温带大陆性季风气候[19],平均年降水量仅500 mm左右,降水时空分布不均,海拔为297~853 m,地势西北高、东南低,设计灌溉面积为102万亩(1亩≈667 m2),其中有效灌溉面积83.7万亩,惠泽渭北地区的合阳、大荔、澄城、蒲城4县12镇41.7万人口。
图1 研究区地理位置

Fig.1 Geographical location of the study area

使用的数据源为哨兵2号卫星Level-2A 级10 m多光谱数据,源自欧洲航天局数据中心,哨兵2号卫星由哨兵2A和哨兵2B两颗卫星组成,具有空间分辨率高、重访周期短、光谱波段通道数目多以及波段宽度窄等特点[20]。影像时间为2021—2022年每年10月份至次年6月份,云量覆盖比在20%之下,共83景影像,冬小麦不同生育期训练影像数如表1所示。
表1 冬小麦各生育期训练影像数

Table 1 Number of training images for each growth stage of winter wheat

序号 生育期 所处时段 影像数/景
1 出苗期 10月下旬—11月上旬 6
2 分蘖期 11月中旬—12月上旬 10
3 越冬期 12月中旬—2月中旬 19
4 返青期 2月下旬—3月上旬 7
5 拔节期 3月中旬—3月下旬 9
6 孕穗期 3月下旬—4月中旬 5
7 抽穗期 4月中旬—5月上旬 10
8 灌浆期 5月上旬—5月下旬 8
9 成熟期 5月下旬—6月上旬 9
为确保数据一致性,在同一点位提取各生育期样本点,共选取172个采样点合计14 276个样本数据,所有数据按照7∶3划分为训练集和测试集。不同生育期的遥感影像示例如图2所示。
图2 各生育期遥感影像

Fig.2 Remote sensing images of each growth stage

1.2 总体技术路线

冬小麦生育期识别技术路线如图3所示,首先将哨兵2号卫星数据按照生育期进行分类,计算各生育期植被指数,分析植被指数曲线与光谱反射率曲线在各生育期的差异,使用递归特征消除法对哨兵2号卫星12个波段以及植被指数进行特征参数筛选后作为输入参数导入Stacking模型,最后基于这些特征参数完成冬小麦生育期识别模型的构建。
图3 冬小麦生育期识别技术路线

Fig.3 Technical route for identification of winter wheat growth stages

1.3 植被指数计算

植被指数是用于监测和评估植被覆盖以及生长活力状况的一个重要指标[21]。通过利用植被对不同波段能量的反射特性定量表征植被的生理状况和密度,被广泛应用于农业监测、森林保护、生态环境评估等领域。利用哨兵2号卫星短波红外波段(SWIR)、近红外波段(NIR)、红边波段(RE)、红光波段(Red)、绿光波段(Green)以及蓝光波段(Blue)等构建多种植被指数(见表2)。
表2 植被指数计算公式

Table 2 Vegetation index calculation formula

指数名称 计算公式
归一化植被指数
(NDVI)		 (B8-B4)/(B8+B4)
绿叶叶绿素指数
(GCI)		 B8/B3-1
增强型植被指数
(EVI)		 2.5 B 8 - B 4 B 8 + 6 B 4 - 7.5 B 2 + 1
地表水体指数
(LSWI)		 (B8-B11)/(B8+B11)
红边叶绿素植被指数
(RECI)		 B 8 B 4-1
归一化差异红边指数
(NDRE)		 (B8-B6)/(B8+B6)
土壤调节植被指数
(MASVI)		 (2B8+1- 2 B 8 + 1 ) 2 - 8 ( B 8 - B 4 ))/2
绿色归一化植被指数
(GNDVI)		 (B8-B3)/(B8+B3)

注:B2、B3、B4、B6、B8、B11分别为蓝光波段、绿光波段、红光波段、红边波段、近红外波段、短波红外波段反射率。

1.4 特征参数选取

在构建机器学习模型的过程中使用较多的特征参数可以在一定程度上提升冬小麦生育期的分类精度,但较多的参数又会存在数据冗余以及机器学习模型拟合过度的情况,导致在实际检验中鲁棒性较差,因此特征参数的选择是影响作物分类精度的关键[22]。
递归特征消除法是一种常见的特征选择方法,通过训练模型、评估特征重要性并递归移除不重要特征的方式来优化模型性能。XGBClassifier 是一种基于梯度提升树的分类器,能够将多个组合多个决策树模型集成为一个多分类模型。本研究采用递归特征消除法,以XGBClassifier分类模型作为基模型对20个候选特征进行重要性分析,从而获得重要性排名以及不同特征数量的特征子集所对应的分类精度,从而综合考虑选择最优参数。

1.5 Stacking模型构建

机器学习模型目前被广泛应用于回归任务与分类任务,然而单一的机器学习模型可能存在一定的局限性,为此研究者们提出了集成学习方法[23]。集成学习是一种利用多个基学习器的组合来提高模型预测性能的机器学习技术,通过结合多个模型的预测结果克服单一模型的不足,从而提升整体性能和鲁棒性,防止过拟合问题。
本研究所使用的Stacking模型是一种异质集成方法,它的目标是利用不同类型的模型来学习数据的不同方面,从而得到较好的鲁棒性与准确性[24]。其中,第一层Stacking模型由支持向量机、随机森林、极端随机树、BP神经网络、K最邻近等5个分类模型组成,通过五折交叉验证法训练和验证模型,并获取其预测结果;第二层Stacking模型使用梯度提升分类器作为元学习器,输入特征为第一层基学习器的预测结果(预测1、 预测2 、预测3、 预测4、 预测5),得到最终的预测结果。模型架构如图4所示。
图4 冬小麦生育期识别模型架构

Fig.4 Framework of the identification model for winter wheat growth stages

2 结果分析

2.1 冬小麦生育期冠层光谱变化特征

通过收集各样本点长时序哨兵2号卫星各波段反射率,进行均值化处理后得到了冬小麦各生育期光谱反射率走势,如图5所示。通过观察反射率曲线发现在整个生育期中,冬小麦冠层的光谱反射率在可见光范围内呈现出先下降后上升的趋势。具体而言,在红光(波长665 nm)和蓝光(波长490 nm)波段,存在两个明显的吸收谷,而在绿光(波长560 nm)波段则表现出一个反射峰。而反射率的下降幅度在返青期至拔节期达到最大,并在孕穗期时达到各波段的最低值,随后各波段反射率缓慢上升,在成熟期时达到各波段的最高值。与此同时,在近红外波段(波长842 nm),冬小麦冠层的光谱反射率呈现出与可见光波段完全相反的趋势。
图5 冬小麦光谱反射曲线

Fig.5 Spectral reflectance curves of winter wheat

2.2 冬小麦生育期植被指数变化

依据哨兵2号卫星提供的长时序数据,计算得到了冬小麦全生育期8个植被指数时序变化曲线(图6)。这些曲线共同反映了冬小麦在整个生育周期内的植被生长状况。
图6 冬小麦生育期植被指数变化曲线

Fig.6 Variation curves of vegetation indices during growth stages of winter wheat

通过观察发现MASVI、GNDVI、LSWI、NDVI、EVI、RECI、GCI、NDRE等8条曲线走势基本一致,从出苗期缓慢增长后在越冬期小幅下降,随后在返青期迅速提升,在抽穗期后开始迅速下降。通过两两对比分析后发现,NDVI曲线与EVI曲线在拔节期与抽穗期均有较大差距,RECI曲线与GCI曲线在返青期与灌浆期完成高低转换,LSWI曲线相较于NDRE曲线在返青期迅速增长而在灌浆期则迅速下降,而GNDVI曲线则在整个生育期中略高于MASVI曲线,这些曲线在不同生育期间的差异可为生育期识别提供支持。

2.3 特征参数排名以及重要性系数

由于不同的特征参数之间存在一定的相关性,将所有参数全部输入容易造成数据冗余以及拟合过度的情况,并因此降低模型运算性能。
为解决上述问题,通过递归特征消除法结合交叉验证来确定所需要保留的参数(图7),可知,当输入特征参数数量在10之内时,交叉验证的准确率迅速提升,但当输入特征参数达到10个之后,交叉验证准确率提升速度下降,表明此时增加特征参数对模型的信息增益逐步减弱,当输入特征参数达到14个后,交叉验证准确率达到最高值,随后随着特征参数数量的增加,交叉验证准确率出现小幅度下降。考虑到模型简洁性与性能表现的最优平衡原则,最终决定选取13个特征参数(NDVI、LSWI、GCI、NDRE、EVI这5个植被指数及B5、B9、B12、B1、B7、B8a、B11、B4这8个波段的光谱反射率)作为最优输入参数集,并使用XGBClassifier提供的参数重要性系数对保留的13个特征参数进行了重要性排序(见图8)。
图7 特征参数数量与模型精度的关系

Fig.7 Relationship between umber of features and model accuracy

图8 特征参数重要性系数

Fig.8 Importance coefficients of characteristic parameters

从图8可知,NDVI对生育期识别的影响程度最高,其变化与冬小麦关键生育期节点呈现强相关性,使用该参数更有利于分辨冬小麦生育期。 此外,在保留的参数中,植被指数的重要性系数均大于各波段反射率的重要性系数,说明植被指数相较于波段反射率对冬小麦生育期的变化更加敏感,其通过多波段组合运算,能更好地捕捉作物生理状态变化并减轻大气与土壤对光谱反射率的干扰。 并且NDRE、B5、B7这3个参数均与红边波段有关,表明红边参数组合对于识别作物生育期具有明显优势,这一研究结果与黄双燕等[25]以及牛乾坤等[26]的研究结果相吻合。

2.4 机器学习模型精度与验证

为全面评估模型性能,依据2023年东雷抽黄灌区伏六系统冬小麦种植范围图,使用Stacking冬小麦生育期识别模型对2023年4月8日与2023年5月15日冬小麦生育期进行了生育期识别(图9),并验证了各模型精度(表3)。
图9 冬小麦生育期分布

Fig.9 Distribution of growthstages of winter wheat

表3 模型精度

Table 3 Model accuracy analysis

日期 分类模型 总体精度 Kappa系数 F1-Score
2023年
4月8日		 支持向量机 0.907 5 0.894 1 0.892 0
极端随机树 0.956 8 0.954 2 0.945 7
随机森林 0.969 6 0.955 2 0.946 8
K最邻近法 0.954 7 0.948 2 0.935 3
BP神经网络 0.942 1 0.935 2 0.921 4
Stacking集成模型 0.976 5 0.968 6 0.965 5
2023年
5月15日		 支持向量机 0.917 5 0.897 1 0.891 6
极端随机树 0.946 8 0.944 2 0.943 9
随机森林 0.964 6 0.953 1 0.951 8
K最邻近法 0.944 7 0.939 2 0.925 1
BP神经网络 0.932 7 0.932 0 0.912 5
Stacking集成模型 0.971 5 0.966 3 0.964 7
根据图9可知,2023年4月8日与2023年5月15日,东雷抽黄灌区伏六系统内冬小麦分别处于拔节期与灌浆期,这与地面实测站点数据基本吻合,仅有零星地块处于孕穗期与抽穗期。可能原因在于拔节期与孕穗期、灌浆期与抽穗期具有一定的相似性以及模型本身的误差。
从表3可以看出6个模型的冬小麦生育期遥感分类识别精度均较高,总体精度均在0.907 5以上,Kappa系数与F1-Score也均在0.891 6以上,该结果表明使用多光谱反射率数据以及植被指数数据作为机器学习模型的输入进行冬小麦生育期遥感分类研究是可行的;其中各模型识别效果排序为Stacking集成模型、随机森林模型、极端随机树模型、K最近邻模型、BP 神经网络模型、支持向量机模型;相较于单一机器学习模型,使用多个机器学习模型构建的Stacking集成学习模型能够极大地提高各基模型的泛化能力,使得模型的总体精度、Kappa 系数以及F1-Score大幅提升。

3 结论

本研究通过结合野外调研采样,应用10 m分辨率的哨兵2号卫星多光谱影像,获取了研究区内10 m分辨率的多个植被指数数据,分析了冬小麦全生育期植被指数曲线以及光谱反射率曲线,并将计算得到的植被指数以及多光谱反射率数据作为机器学习模型输入参数实现对冬小麦生育期的精确分类。主要结论如下:
(1) 冬小麦各生育期光谱反射率与植被指数存在较大差距,通过观察反射率曲线发现冬小麦冠层光谱曲线在可见光波段反射率与近红外波段反射率走势完全相反;此外NDVI、EVI、GCI、RECI、MASVI、GNDVI、NDRE、LSWI这8条植被指数曲线在冬小麦全生育期中走势基本一致,但在部分生育期各曲线又存在较大差距。
(2)红边波段可有效提升冬小麦生育期识别模型精度,且相较于各光谱反射率使用植被指数更能有效地识别各生育期,从特征重要性排序结果可以看,排名前13的特征参数为NDVI、LSWI、GCI、NDRE、EVI、B5、B9、B12、B1、B7、B8a、B11、B4,其中NDVI、LSWI、GCI、NDRE、EVI等五个植被指数的计算均与近红外波段有关,该现象表明近红外波段对于识别冬小麦生育期具有明显优势,可使分类精度获得较大提升。
(3)使用Stacking模型构建的识别模型在识别精度上远高于其他模型,可用于生育期识别研究,6个机器学习模型分类精度与Kappa 系数均高于0.891 6,模型精度排序为Stacking集成模型、随机森林模型、极端随机树模型、K最近邻模型、BP 神经网络模型、支持向量机模型。
综上,本文通过提取冬小麦各生育期光谱与植被指数特征,构建了能够更精确地识别冬小麦所处生育期的识别模型,可为后续田间作物的精准管理和决策提供重要依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
ZHOU M, ZHENG H B, HE C, et al. Wheat Phenology Detection with the Methodology of Classification Based on the Time-series UAV Images[J]. Field Crops Research, 2023, 292: 108798.

[2]
PIMSTEIN A, EITEL J U H, LONG D S, et al. A Spectral Index to Monitor the Head-emergence of Wheat in Semi-arid Conditions[J]. Field Crops Research, 2009, 111(3): 218-225.

[3]
ZWART S J, BASTIAANSSEN W G M. Review of Measured Crop Water Productivity Values for Irrigated Wheat, Rice, Cotton and Maize[J]. Agricultural Water Management, 2004, 69(2): 115-133.

[4]
BEAUBIEN E G, FREELAND H J. Spring Phenology Trends in Alberta, Canada:Links to Ocean Temperature[J]. International Journal of Biometeorology, 2000, 44(2):53-59.

[5]
KELMAN W M, DOVE H. Growth and Phenology of Winter Wheat and Oats in a Dual-purpose Management System[J]. Crop and Pasture Science, 2009, 60(10):921.

[6]
CRAUFURD P Q, WHEELER T R. Climate Change and the Flowering Time of Annual Crops[J]. Journal of Experimental Botany, 2009, 60(9): 2529-2539.

DOI PMID

[7]
魏永康, 杨天聪, 丁信尧, 等. 基于不同空间分辨率无人机多光谱遥感影像的小麦倒伏区域识别方法[J]. 智慧农业(中英文), 2023, 5(2): 56-67.

(WEI Yong-kang, YANG Tian-cong, DING Xin-yao, et al. Wheat Lodging Area Recognition Method Based on Different Resolution UAV Multispectral Remote Sensing Images[J]. Smart Agriculture, 2023, 5(2): 56-67. (in Chinese))

DOI

[8]
GUO L, AN N, WANG K C. Reconciling the Discrepancy in Ground- and Satellite-observed Trends in the Spring Phenology of Winter Wheat in China from 1993 to 2008[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(3):1027-1042.

[9]
游松财, 宋春桥, 柯灵红, 等. 基于MODIS植被指数的藏北高原植被物候空间分布特征[J]. 生态学杂志, 2011, 30(7):1513-1520.

(YOU Song-cai, SONG Chun-qiao, KE Ling-hong, et al. Spatial Distribution Characteristics of Vegetation Phenology in Northern Tibetan Plateau Based on MODIS Enhanced Vegetation Index[J]. Chinese Journal of Ecology, 2011, 30(7):1513-1520. (in Chinese))

[10]
SAKAMOTO T, YOKOZAWA M, TORITANI H, et al. A Crop Phenology Detection Method Using Time-series MODIS Data[J]. Remote Sensing of Environment, 2005, 96(3/4): 366-374.

[11]
张旭辉, 玉素甫江·如素力, 仇忠丽, 等. 基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估[J]. 干旱区地理, 2024, 47(4): 672-683.

DOI

(ZHANG Xu-hui, Yusufujiang RUSULI, QIU Zhong-li, et al. Remote Sensing Identification and Assessment of Crops in the Yanqi Basin, Xinjiang, China Based on Sentinel-2 Time Series Data[J]. Arid Land Geography, 2024, 47(4): 672-683. (in Chinese))

DOI

[12]
梁继, 郑镇炜, 夏诗婷, 等. 高分六号红边特征的农作物识别与评估[J]. 遥感学报, 2020, 24(10):1168-1179.

(LIANG Ji, ZHENG Zhen-wei, XIA Shi-ting, et al. Crop Recognition and Evaluationusing Red Edge Features of GF-6 Satellite[J]. Journal of Remote Sensing, 2020, 24(10): 1168-1179. (in Chinese))

[13]
杨振忠, 方圣辉, 彭漪, 等. 基于机器学习结合植被指数阈值的水稻关键生育期识别[J]. 中国农业大学学报, 2020, 25(1): 76-85.

(YANG Zhen-zhong, FANG Sheng-hui, PENG Yi, et al. Recognition of the Rice Growth Stage by Machine Learning Combined with Vegetation Index Threshold[J]. Journal of China Agricultural University, 2020, 25(1): 76-85. (in Chinese))

[14]
冯健昭, 潘永琪, 熊悦淞, 等. 基于mRMR-XGBoost的水稻关键生育期识别[J]. 农业工程学报, 2024, 40(15):111-118.

(FENG Jian-zhao, PAN Yong-qi, XIONG Yue-song, et al. Rice Key Growth Stage Identification Based on MRMR-XGBoost[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(15):111-118. (in Chinese))

[15]
时雷, 雷镜楷, 王健, 等. 基于改进FasterNet的轻量化小麦生育期识别模型[J]. 农业机械学报, 2024, 55(5): 226-234.

(SHI Lei, LEI Jing-kai, WANG Jian, et al. Lightweight Wheat Growth Stage Identification Model Based on Improved FasterNet[J]. Transactions of the Chinese Society for Agricultural Machinery, 2024, 55(5): 226-234. (in Chinese))

[16]
陆明, 申双和, 王春艳, 等. 基于图像识别技术的夏玉米生育期识别方法初探[J]. 中国农业气象, 2011, 32(3):423-429.

(LU Ming, SHEN Shuang-he, WANG Chun-yan, et al. Initial Exploration of Maize Phenological Stage Based on Image Recognition[J]. Chinese Journal of Agrometeorology, 2011, 32(3):423-429. (in Chinese))

[17]
HAN J Y, SHI L S, YANG Q, et al. Real-time Detection of Rice Phenology through Convolutional Neural Network Using Handheld Camera Images[J]. Precision Agriculture, 2021, 22(1): 154-178.

[18]
徐建鹏, 王杰, 徐祥, 等. 基于RAdam卷积神经网络的水稻生育期图像识别[J]. 农业工程学报, 2021, 37(8):143-150.

(XU Jian-peng, WANG Jie, XU Xiang, et al. Image Recognition for Different Developmental Stages of Rice by RAdam Deep Convolutional Neural Networks[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(8):143-150. (in Chinese))

[19]
宋文龙, 李萌, 路京选, 等. 基于GF-1卫星数据监测灌区灌溉面积方法研究: 以东雷二期抽黄灌区为例[J]. 水利学报, 2019, 50(7): 854-863.

(SONG Wen-long, LI Meng, LU Jing-xuan, et al. Method of Monitoring Irrigation Area Based on GF-1 Satellite Data-a Case Study of Donglei Phase Ⅱ Irrigation District[J]. Journal of Hydraulic Engineering, 2019, 50(7): 854-863. (in Chinese))

[20]
田颖, 陈卓奇, 惠凤鸣, 等. 欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析[J]. 北京师范大学学报(自然科学版), 2019, 55(1): 57-65.

(TIAN Ying, CHEN Zhuo-qi, HUI Feng-ming, et al. ESA Sentinel-2A/B Satellite: Characteristics and Applications[J]. Journal of Beijing Normal University (Natural Science), 2019, 55(1): 57-65. (in Chinese))

[21]
贺英, 邓磊, 毛智慧, 等. 基于数码相机的玉米冠层SPAD遥感估算[J]. 中国农业科学, 2018, 51(15):66-77.

(HE Ying, DENG Lei, MAO Zhi-hui, et al. Remote Sensing Estimation of Canopy SPAD Value for Maize Based on Digital Camera[J]. Scientia Agricultura Sinica, 2018, 51(15):66-77. (in Chinese))

[22]
张影, 赵小娟, 王迪. 基于高光谱遥感的农作物分类研究进展[J]. 中国农业信息, 2019, 31(5): 1-12.

(ZHANG Ying, ZHAO Xiao-juan, WANG Di. Research Advances on Crop Identification Using Hyperspectral Remote Sensing[J]. China Agricultural Informatics, 2019, 31(5): 1-12. (in Chinese))

[23]
徐继伟, 杨云. 集成学习方法:研究综述[J]. 云南大学学报(自然科学版), 2018, 40(6):1082-1092.

(XU Ji-wei, YANG Yun. A Survey of Ensemble Learning Approaches[J]. Journal of Yunnan University (Natural Sciences Edition), 2018, 40(6):1082-1092. (in Chinese))

[24]
XU J X, SU Q M, LI X T, et al. A Spatial Downscaling Framework for SMAP Soil Moisture Based on Stacking Strategy[J]. Remote Sensing, 2024, 16(1): 200.

[25]
黄双燕, 杨辽, 陈曦, 等. 机器学习法的干旱区典型农作物分类[J]. 光谱学与光谱分析, 2018, 38(10):3169-3176.

(HUANG Shuang-yan, YANG Liao, CHEN Xi, et al. Study of Typical Arid Crops Classification Based on Machine Learning[J]. Spectroscopy and Spectral Analysis, 2018, 38(10):3169-3176. (in Chinese))

[26]
牛乾坤, 刘浏, 黄冠华, 等. 基于GEE和机器学习的河套灌区复杂种植结构识别[J]. 农业工程学报, 2022, 38(6):165-174.

(NIU Qian-kun, LIU Liu, HUANG Guan-hua, et al. Extraction of Complex Crop Structure in the Hetao Irrigation District of Inner Mongolia Using GEE and Machine Learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(6):165-174. (in Chinese))

Options
Outlines

/

〈 〉

Copyright © Journal of Changjiang River Scientific Research Institute, All Rights Reserved.
Powered by Beijing Magtech Co. Ltd.