2025年4月14日星期一
首页 | 主办单位 | 期刊简介 | 编委会 | 作者指南 | 刊物订阅 | 下载中心 | 联系我们 | English | 期刊界

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

Sentinel-2红边波段在水稻识别中作用研究

以浙江省德清县为例

- ORCID：
张影 ^1,2
- ORCID：
王珍 ³
- ORCID：
孙政 ^1,2
- ORCID：
田甜 ^1,2
- ORCID：
曾妍 ^1,2
- ORCID：
王迪 ^1,2
✉

1. 中国农业科学院农业资源与农业区划研究所,北京 100081； 2. 农业农村部农业信息技术重点实验室,北京 100081； 3. 鞍山师范学院化学与生命科学学院,辽宁鞍山 114007

中图分类号： S511

最近更新：2022-01-27

DOI：10.7621/cjarrp.1005-9121.20211216

摘要

目的

水稻是我国南方地区种植面积最大的粮食作物，准确及时地获取水稻的面积及空间分布信息对于加强农业生产管理、保障国家粮食安全具有重要意义。以往利用卫星遥感技术进行水稻分类研究中影像的红边波段类型没有确定，影响着水稻面积监测的精度和效率。

方法

文章选取中国南方典型的水稻种植区——浙江省德清县为研究区，利用覆盖水稻主要生长期的5个时相（2019年5月24日、8月2日、8月17日、10月31日、11月15日）Sentinel-2卫星影像，采用随机森林算法进行水稻分类研究。分析研究区水稻及其余6种典型地物在不同波段下的反射光谱特征，采用J-M距离定量评价各时相下有无红边波段参与的各种地物光谱可分离性，比较不同红边波段下的水稻分类精度，优选水稻分类的关键时相和波段组合。

结果

相较于红、绿、蓝波段，7种典型地物在红边、近红外波段光谱差异更为明显。相比于无红边波段，有红边波段参与时水稻与其余6种地物的J-M距离更大，可分离性更强。5个时相中，在8月17日（水稻拔节期）时，水稻与其他地物可分离性最大。当3个红边波段全部参与分类时，水稻与其余6种典型地物的总体分类精度最高为91.58%，Kappa系数为0.89。Sentinel-2影像参与分类的7个波段，按重要性排序是：近红外波段>红边波段2>红边波段3>红波段>红边波段1>绿波段>蓝波段。

结论

该研究可为进一步提高国南方地区水稻面积监测精度与效率提供参考依据。

关键词

水稻分类; Sentinel-2卫星; 多时相; 红边波段; 光谱特征

0 引言

我国水稻种植面积居世界第一，水稻产量占全国粮食总产量的34%，在我国粮食生产中占有至关重要的地位^[

1-2]。及时准确地获取水稻种植面积和空间分布对制定农业政策、保障国家粮食安全具有重要意义^{[参考文献 3

百度学术}3]。传统的水稻面积信息获取方法多以统计数据为主，存在耗时、耗力、数据准确性低的缺陷^{[参考文献 4-5}4-5]。随着空间技术的不断发展，遥感技术凭借客观、快速、经济等优点已广泛应用于水稻面积及空间分布信息提取^{[参考文献 6

百度学术}6]。国内外学者开展了基于多时相MODIS^{[参考文献 7

百度学术}7]、Landsat^{[参考文献 8

百度学术}8]、GF-1/WFV^{[参考文献 9

百度学术}9]、Sentinel-2^{[参考文献 10

百度学术}10]系列卫星等数据源进行水稻空间分布和面积提取的研究。王建勋^{[参考文献 11

百度学术}11]等将MODIS 数据分别和GF-1 WFV、Landsat 8 影像进行数据融合，构建高时空分辨率的NDVI 时间序列集，对NDVI 序列进行滤波并获取各地物物候参数，采用决策树分类方法提取南方丘陵地区水稻种植面积。研究结果表明，GF-1 WFV 数据比Landsat 数据在南方水稻提取方面更具有优势，GF-1WFV 数据得到的分类总体精度为86.37%，单、双季稻的精度分别为62.26%与86.70%，Kappa 系数达到0.80。Kontgis^{[参考文献 12

百度学术}12]采用多时相Landsat遥感数据对湄公河流域的水稻种植区进行提取，分析多时相EVI特征变化采用监督分类算法区分不同季候水稻，精度达到90%。许青云等^{[参考文献 13

百度学术}13]利用2003—2012年MODIS数据，通过构建农作物年际间动态阈值变化、结合物候信息的方法，实现了水稻的识别，分类总体精度为88.18%。但MODIS、Landsat、GF-1 WFV等遥感影像空间分辨率较低，在种植类型复杂地区水稻提取精度较低，有待提升。

Sentinel-2影像相对MODIS、Landsat、GF-1 WFV影像来说空间分辨率更高，对地块破碎、种植复杂地区作物识别能力更强，另外还包含红边波段，对监测植被健康信息非常有效，红边波段已在农作物监测、农作物面积提取中广泛应用^[

14-16]。Kim^{[参考文献 17

百度学术}17]等利用RapidEye影像对韩国水稻均匀种植区进行了识别研究，通过由红边波段和近红外波段数据构建新的光谱指数实现了对早熟、中熟和晚熟3 类不同水稻品种的识别，总体分类精度为79.3%。Yeom^{[参考文献 18

百度学术}18]等基于Rapid Eye数据，对韩国境内水稻分布及面积进行提取，研究表明单一时相情况下，引入红边波段后水稻提取精度略微增高。利用红边波段进行农作物类型识别、作物病虫害已经取得了一定的进展，但对于适合水稻提取研究的Sentinel-2影像红边波段范围还未确定。

针对上述问题，文章选取浙江省德清县为研究区，首先分析各个时相上地物的光谱特征，然后比较有无红边波段条件下水稻与其他地物的可分性以及分类精度，分析引入红边波段对水稻识别能力的影响，最后比较不同类型红边波段参与分类情况下水稻提取精度，通过随机森林重要性度量验证结果。优选出适合水稻提取的红边波段类型及时相，为改善南方地区水稻提取精度提供依据。

1 数据与方法

1.1　研究思路

为评价红边波段对水稻识别能力影响，该研究利用Sentinel-2遥感影像进行水稻提取研究。首先分析各个时相上地物的光谱特征，然后采用随机森林监督分类方法，获取有无红边波段、不同红边波段组合条件下分类精度，并计算J-M距离作为评价水稻与其他地物间可分离性指标。比较红边波段条件下水稻识别能力的提升作用，借此分析引入红边波段对水稻提取精度的影响，以及Sentinel-2影像红边波段的重要性。

1.2　研究区概况

该研究选取中国南方典型地区德清县作为研究区。德清县位于浙江省北部，地处30°26′E~30°42′E，119°45′N~120°21′N（图1），全县陆地面积为937.95km²，东西跨度55.95 km，南北跨度29.92 km。德清县气候属亚热带湿润季风区，温暖湿润，四季分明，年平均气温为13~16℃。无霜期220~236d，多年平均降水量1 379mm。德清县地处杭嘉湖平原，属低山丘陵区，地势自西向东倾斜，西部为天目山余脉，东部为平原水乡，中部为丘陵。建筑、水体、林地、茭白、水稻、其他植被、大棚为德清县主要地物。

图1 研究区地理位置及野外样点分布

研究区水稻物候自移栽后，依次经历返青期、分蘖期、拔节孕穗期、抽穗期、成熟期5个生长阶段，水稻各个物候期对应的具体日期表1所示。

表1 2019年研究区水稻物候期

返青期	分蘖期	拔节期	抽穗期	成熟期
5月中旬至6月上旬	6月上旬至8月上旬	8月中旬至9月上旬	9月中旬至10月下旬	10月下旬至11月中旬

1.3　研究数据

1.3.1　遥感数据与预处理

数据源选择Sentinel-2卫星遥感影像，该卫星携带一枚多光谱成像仪（MSI），飞行高度为786km，可覆盖13个光谱波段（包括3个红边波段），幅宽达290 km。从可见光、近红外到短波红外，具有不同的空间分辨率，空间分辨率分别为10m、20m和60m，一颗卫星的重访周期为10d，两颗卫星互补，重访周期为5d。Sentinel-2卫星各波段详细信息如表2所示，该文使用的波段号为2、3、4、5、6、7、8。每个生育阶段均选取遥感影像，一共选取5个时相，10景Sentinel-2影像，时间分别是2019-05-24、2019-08-02、2019-08-17、2019-10-31、2019-11-15。数据选取条件为云量小于10%，遥感影像覆盖整个德清县。

表2 波段详细信息

波段序号	波段名称	中心波长（μm）	空间分辨率（m）
1	海岸/气溶胶波段	0.443	60
2	蓝波段	0.490	10
3	绿波段	0.560	10
4	红波段	0.665	10
5	红边波段1	0.705	20
6	红边波段2	0.740	20
7	红边波段3	0.783	20
8	近红外波段（宽）	0.842	10
8A	近红外波段（窄）	0.865	20
9	水蒸气波段	0.945	60
10	短波红外波段	1.375	60
11	短波红外波段	1.610	20
12	短波红外波段	2.190	20

Sentinel-2多光谱影像预处理步骤包括辐射定标、大气校正、图像拼接与裁剪、图像融合处理。采用ENVI5.3软件对Sentinel-2影像进行辐射定标，将遥感影像记录的原始DN值转换为辐射亮度值。大气校正是通过FLASSH大气校正模块将辐射定标后影像辐亮度转换为地表反射率，目的是为了消除大气和光照等因素对地物反射的影响。为了提高红边波段的空间分辨率，将20m的红边波段与10m的近红外波段进行融合，采用的是ENVI5.3模块Gram-Schmidt算法。对融合后的Sentinel-2影像进行拼接处理覆盖整个研究区，然后利用德清县矢量边界进行裁剪，得到研究区影像数据。

1.3.2　地面调查数据

在德清县境内开展地面调查，为水稻提取和精度验证提供参考依据，选取的样点在研究区内尽量均匀分布。在德清县境内开展为期3d的野外调查，调查德清县主要土地利用类型，并结合高分辨率的Google影像对研究区内的建筑、水稻、水体等地物进行GPS定位。地面采集地物类型样本数如表3所示，其中2/3作为训练样本，1/3作为验证样本，同时利用相机对野外环境进行拍照记录，此次共采集野外样点分布如图1所示。

1.4　研究方法

1.4.1　地物类别可分离性分析

地物可分性判定依据有J-M距离、欧式距离、光谱距离、离散度等^[

19]。该文选择J-M 距离来衡量不同作物类型在波段间分离能力，通过J-M 距离分析能够对红边波段数据对水稻识别能力有初步判断，计算公式为^{[参考文献 20-21}20-21]：

J_{i j} = 2 (1 - e^{- B})

（1）

B = \frac{1}{8} {(μ_{i} - μ_{j})}^{2} (\frac{2}{σ_{i}^{2} + σ_{j}^{2}}) (μ_{i} - μ_{j}) + \frac{1}{2} l n [\frac{σ_{i}^{2} + σ_{j}^{2}}{2 σ_{i} σ_{j}}]

（2）

式（1）（2）中， $J_{i j}$ 为第 $i$ 类别与第 $j$ 类别之间的J-M距离； $B$ 是某一特征维的巴氏距离； $μ_{i} 、 μ_{j}$ 是第 $i ， j$ 类别在某个特征上的样本均值； $σ_{i}^{2} 、 σ_{j}^{2}$ 是第 $i ， j$ 类别特征的方差。 $J_{i j}$ 值在0~2之间，值越大代表着两种类别的可分离性越好，1.8< $J_{i j}$ <2.0代表样本可分离性高，1.6< $J_{i j}$ <1.8代表样本可分离性一般，0< $J_{i j}$ <1.6代表样本可分离性较差。

1.4.2　分类算法

随机森林模型整合了多棵决策树，是一种较为实用的集成学习方法，随机森林模型有两个重要参数，分别是决策树棵数以及分裂结点个数。随机森林是利用多棵决策树对数据进行训练、分类和预测的方法^[

22]。随机森林算法通过利用多个分类器进行投票分类，可以有效减少单个分类器的误差，提升分类准确度^{[参考文献 23

百度学术}23]。随机森林算法具有较高的稳定性，并且能够进行大规模数据的高效处理。

随机森林是由多个决策树构成，其中每一棵决策树之间是没有关联的。采用基尼指数对分类过程中每棵决策树的每一个节点进行纯度判断并进行最优属性划分，最终使得每个节点样本尽可能属于同一类别，随着划分过程的不断进行，结点的类别纯度越高^[

24-25]。用随机森林进行特征重要性评估的思想其实是明确每个特征在随机森林中的每颗树上重要性得分，然后取平均值比较特征之间贡献大小^{[参考文献 26

百度学术}26]。随机森林决策树数量设置为100，节点分裂输入的特征变量为输入特征数的平方根。

1.4.3　精度评价

不同时相有无红边波段、不同红边波段组合水稻分布提取结果的精度验证是采用野外调查验证集数据，采用建立误差矩阵（或称为混淆矩阵）的方法，选用总体分类精度、用户精度、制图精度以及 Kappa系数对德清县水稻分类结果进行精度评价。

2 结果与分析

2.1　研究区内典型地物光谱特征分析

为了分析研究区各个时相不同波段下水稻、林地、建筑、水体、其他植被、茭白、大棚7种典型地物的光谱差异，图2给出了Sentinel-2影像5个时相7个波段下典型地物的反射光谱变化。由图2可以看出，5个时相在2、3、4波段除了建筑反射率略高于其他地物，水稻、茭白、林地、其他植被、大棚其他地物变化趋势则非常相似，光谱差异小，难以区分。在5、6、7、8波段上水体反射率低于其他地物，并且水稻、茭白、林地、其他植被、大棚反射率均呈现出上升的趋势。相较于6、7、8波段相比，5波段上各地物反射率上升趋势开始明显，反射率变化较为相似，光谱差异小。在6、7、8波段上，图2a水稻、茭白光谱特征存在差异；图2b可区分大棚、水稻；图2c大棚、水稻、茭白存在一定差异；图2d林地、茭白光谱差异明显；图2e在6、7、8波段上茭白、林地、大棚、水稻、其他植被均存在差异。总的来说，6、7、8波段光谱差异大于5波段大于2、3、4波段，即与红、绿、蓝波段相比，红边波段1、红边波段2、近红外波段各地物反射率均有更为明显的变化，是区分地物类型的依据所在。

图2 2019年5个时相不同波段下典型地物反射光谱变化

2.2　有无红边波段条件下典型地物可分离性分析

Sentinel-2影像包括3个红边波段，该研究分别基于全部7个波段及不包括红边的4个波段计算J-M距离以及分类精度。为了分析红边波段对水稻可分离性及识别能力的影响，表4给出了有无红边波段条件下研究区典型地物的J-M距离及分类精度。由表4得到5个时相影像引入红边波段，水稻与其他地物可分离性距离均增加，表明引入红边波段可增加水稻可分离性。引入红边波段后，单时相影像水稻可分离距离仍有小于1.8的类别（5个时相的其他植被—水稻、5月24日的水稻—水体等），可分离能力较差，影响水稻提取精度。8月2日林地—水稻、茭白—水稻J-M距离分别为1.976和2.000，可分离能力最优，8月17日其他植被—水稻、水稻—水体、建筑—水稻、大棚—水稻J-M距离均最大。8月17日的影像单时相红边波段水稻与其他地物可分离能力最优。

表4 有无红边波段条件下典型地物的J-M距离和分类精度

时相	类型	无红边波段			有红边波段
时相	类型	J-M距离	总体分类精度（%）	制图精度（%）	J-M距离	总体分类精度（%）	制图精度（%）
5月24日	其他植被—水稻	1.078	87.38	69.80	1.222	88.36	74.17
	水稻—水体	1.673			1.760
	建筑—水稻	1.594			1.827
	大棚—水稻	1.798			1.891
	林地—水稻	1.959			1.976
	茭白—水稻	1.999			2.000
	平均值	1.684			1.779
8月2日	其他植被—水稻	1.143	81.83	68.89	1.606	87.94	80.11
	水稻—水体	1.809			1.926
	建筑—水稻	1.968			1.987
	大棚—水稻	1.783			1.891
	林地—水稻	0.869			1.426
	茭白—水稻	1.874			1.955
	平均值	1.574			1.799
8月17日	其他植被—水稻	1.122	81.44	83.18	1.647	91.58	92.89
	水稻—水体	1.977			2.000
	建筑—水稻	1.993			2.000
	大棚—水稻	1.862			1.993
	林地—水稻	1.368			1.846
	茭白—水稻	1.893			1.981
	平均值	1.703			1.911
10月31日	其他植被—水稻	0.882	87.73	78.91	1.179	89.90	81.00
	水稻—水体	1.998			1.999
	建筑—水稻	1.971			1.986
	大棚—水稻	1.665			1.772
	林地—水稻	1.698			1.866
	茭白—水稻	1.962			1.981
	平均值	1.696			1.797
11月15日	其他植被—水稻	1.266	88.26	82.66	1.430	89.11	81.61
	水稻—水体	1.992			1.997
	建筑—水稻	1.945			1.973
	大棚—水稻	1.816			1.893
	林地—水稻	1.852			1.971
	茭白—水稻	1.988			1.995
	平均值	1.810			1.877

有红边波段分类精度均优于无红边波段，5月24日总体分类精度由87.38上升到88.36%，增加了0.02个百分点，水稻制图精度由69.80%上升到74.17%，上升了4.37个百分点；8月2日总体分类精度由81.83%上升到87.94%，增加了6.11个百分点，水稻制图精度由68.89%上升到80.11%，上升了11.22个百分点；8月17日总体分类精度由81.44%上升到91.58%，增加了10.14个百分点，水稻制图精度由83.18%上升到92.89%，上升了9.71个百分点；10月31日总体分类精度由87.73%上升到89.90%，增加了2.17个百分点，水稻制图精度由78.91%上升到81.00%，上升了2.09个百分点；11月15日总体分类精度由88.26%上升到89.11%，增加了0.85个百分点，水稻制图精度由82.66%下降到81.61%，降低了1.05个百分点。引入红边波段后，5个时相总体分类精度呈现上升的趋势，水稻制图精度除了11月15日其他时相均增加。从总体分类精度来看，8月17日最高为91.58%，8月2日最低为87.94%；从水稻制图精度来看8月17日最高为92.89%，5月24日最低为74.14%。最低的原因可能是水稻处于返青期，在遥感影像上水体与水稻光谱特征相似，水稻和水体出现严重错分的情况。

综上所述，8月17日影像水稻与其他地物间可分离性最好，总体分类精度、水稻制图精度最高，即在水稻生长拔节期能较好的识别水稻。原因是此时水稻位于水体低反射率与其他植被高反射率之间，与水体与其他植被均能区分开。

2.3　不同红边波段下水稻提取精度分析

为了分析不同红边波段组合对水稻提取精度的影响，表5给出了8种方案不同红边波段组合参与的总体分类精度、Kappa系数、水稻制图精度、用户精度。从表5可以看出单时相遥感影像引入红边波段作物提取总体分类精度、Kappa系数、水稻制图精度均呈现出上升的趋势，总体分类精度由81.44%提高到91.58%，增加了10.14个百分点，Kappa系数由0.76增加到0.89，水稻制图精度由83.18%增加到92.89%。方案2、3、4分别加入不同的红边波段参与分类，总体分类精度方案3优于方案4优于方案2，方案3相较于方案2和4总体分类精度增加了2.27%和1.67%，水稻制图精度增加了1.33%和0.20%，即表明水稻识别能力Band6（红边波段2）优于Band7（红边波段3）优于Band5（红边波段1）。

表5 不同红边波段参与时的水稻分类精度

方案	波段组合	总体分类精度（%）	Kappa系数	制图精度（%）	用户精度（%）
1	2+3+4+8	81.44	0.76	83.18	63.80
2	2+3+4+5+8	83.20	0.79	89.71	70.75
3	2+3+4+6+8	85.47	0.81	91.04	71.66
4	2+3+4+7+8	83.80	0.79	90.84	69.80
5	2+3+4+5+6+8	86.36	0.82	91.73	70.62
6	2+3+4+5+7+8	85.92	0.8	89.33	71.56
7	2+3+4+6+7+8	88.78	0.84	92.19	71.67
8	2+3+4+5+6+7+8	91.58	0.89	92.89	93.85

由表5可以得到方案1，即无红边波段参与分类总体分类精度最低，为81.44%，Kappa系数为0.76，水稻制图精度为83.18%，用户精度为63.80%；方案8，即3个红边波段均参与分类时，总体分类精度最高，为91.58%，Kappa系数为0.89，水稻制图精度为92.89%，用户精度为93.85%。红边波段参与分类，总体分类精度增加了10.14个百分点，Kappa系数由0.76增加到0.89，水稻制图精度增加了9.71个百分点。

图3给出了8月17日7个波段随机森林分类时各波段的重要性排序，从大到小为Band8> Band6> Band7> Band4> Band5> Band3> Band2，红边波段和近红外波段在水稻提取中均比较重要；对于3个红边波段来说，重要性排序为Band6> Band7> Band5，与不同红边条件下分类精度比较分析的结果相吻合，即利用Sentinel-2影像提取水稻时，红边波段2、红边波段3发挥重要作用，需要着重关注。

图3 Sentinel-2卫星各波段在水稻分类中的重要性排序

8月17日单时相遥感影像德清县随机森林分类混淆矩阵如表6所示，7种典型地物分类结果如图4所示。从表6可以看出8月17日水稻提取总体分类精度为91.58%，Kappa系数为0.89，水稻制图精度为92.89%，错分误差为7.11%，水稻用户精度为93.85%，漏分误差为6.15%。水稻与大棚、建筑、茭白、水体错分像元较少，主要是和其他植被、林地错分严重，原因可能是8月17日水稻处于拔节期，此时水稻在遥感影像上显示为植被光谱特征，与林地、其他植被反射率相似，光谱差异小。从图4可以看出德清县水稻种植面积少，空间分布较为分散，水稻主要分布在德清县东部平原地区，西部地区主要以林地为主，有少量水稻分布在西部地区。

表6 7个波段下单时相下典型地物分类的混淆矩阵

类别	水稻	其他植被	大棚	建筑	茭白	林地	水体	总计	用户精度
水稻	1 541	53	2	4	9	33	0	1 642	93.85
其他植被	54	2 027	43	38	37	303	0	2 502	81.02
大棚	5	17	161	225	20	1	0	429	37.53
建筑	4	3	43	2 802	0	0	0	2 852	98.25
茭白	0	65	0	0	451	0	0	516	87.40
林地	55	339	0	0	0	5 792	0	6 186	93.63
水体	0	0	0	5	0	0	2 003	2 008	99.75
总计	1 659	2 504	249	3 074	517	6 129	2 003	16 135
制图精度（%）	92.89	80.95	64.66	91.15	87.23	94.50	100.00
总体分类精度（%）	91.58 0.89
Kappa系数	91.58 0.89

图4 3个红边波段参与的7种典型地物分类

3 结论

为了分析红边波段对水稻分类结果的影响，该文以Sentinel-2多光谱数据作为数据源，采用随机森林方法提取研究区内水稻分布，得到以下结论。

（1）7类典型地物的光谱特征在Sentinel-2影像上，红、绿、蓝波段各地物光谱差异小，难以区分，而红边波段、近红外波段各地物反射率变化则较为明显，为区分地物类型提供依据。

（2）与无红边波段相比，有红边波段的5个时相影像上水稻与其他地物之间的J-M距离均增加，其中8月2日林地—水稻、茭白—水稻J-M距离分别为1.976和2.000，可分离能力最优，8月17日其他植被—水稻、水稻—水体、建筑—水稻、大棚—水稻J-M距离均最大。从总体分类精度来看，8月17日最高为91.58%，8月2日最低为87.94%；从水稻制图精度来看8月17日最高为92.89%，5月24日最低为74.14%。由此得到8月17日影像水稻与其他地物间可分离性最好，总体分类精度、水稻制图精度也为最高，即在水稻生长拔节期时做适合进行水稻分类研究。

（3）Sentinel-2影像中3个红边波段不同组合参与分类，水稻识别能力Band6（红边波段2）>Band7（红边波段3）优于Band5（红边波段1）；3个红边波段均参与分类时，总体分类精度最高，为91.58%，Kappa系数为0.89，水稻制图精度为92.89%；随机森林重要性排序结果与不同红边条件下分类精度比较的结果相吻合，即利用Sentinel-2影像提取水稻时，红边波段2、红边波段3发挥重要作用，需要着重关注。

（上接第143页）

目制定个性化的培养方案，并组织相关专家开展论证，在具体的课程操作中实现理论课与实践课的结合与衔接，将大学生培养成高技能的创新创业者。其次，借助特色小镇良好的创业氛围和优惠的配套政策和服务搭建创新创业实践平台，制定大学生创新创业训练计划，为大学生提供小微创业机会。各地特色小镇建设有政府相关优惠政策和创意经费、平台的支持，学校可对接特色小镇创客空间，为学生提供真正的实践机会和相应的创业支持，配备有实操经营管理经验的指导老师，帮助学生在创业中提升创新能力。同时各大院校可结合自身的办学理念和人才培养目标依托当地企业项目为不同专业学生创业寻找突破口，将学生自身的专业优势转化为小镇发展优势，实现学生、学校、企业及特色小镇建设的共赢。

推动创新创业教育，提升学生的创新创业能力是当前我国高等教育的现实需求，特色小镇的建设与大学生创新创业能力的培养相辅相成，相得益彰。《创新创业成功之道——基于梦想小镇发展实践的研究》一书介绍了我国经济转型升级背景下特色小镇建设的特点和价值，为各地特色小镇的建设指引了方向，也为大学生创新创业教育提供了新思路。

参考文献

胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展. 中国农业科学, 2015, 48(10): 1900-1914. [百度学术]

陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望. 遥感学报, 2016, 20(5): 748-767. [百度学术]

Salmon J M, Friedl M A, Frolking S, et al. Global rain-fed, irrigated, and paddy croplands: A new high resolution map derived from remote sensing, crop inventories and climate data. International Journal of Applied Earth Observation &Geoinformation, 2015, 38: 321-334. [百度学术]

王迪, 周清波, 陈仲新, 等. 基于合成孔径雷达的农作物识别研究进展. 农业工程学报, 2014, 30(16): 203-212. [百度学术]

Wardlow B, Egbert S, Kastens. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains. Remote Sensing Environment, 2007, 108: 290-310. [百度学术]

刘哲, 刘帝佑, 朱德海, 等. 作物遥感精细识别与自动制图研究进展与展望. 农业机械学报, 2018, 49(12): 1-12. [百度学术]

Shibayama M, Akiyama T.Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass. Remote Sensing of Environment, 1989, 27(2): 119-127. [百度学术]

Yang Y, Huang Y, Tian Q, et al. The extraction model of paddy rice information based on GF -1 satellite WFV images. Spectroscopy and Spectral Analysis, 2015, 35( 11) : 3255-3261． [百度学术]

Ozdogan M. The spatial distribution of crop types from MODIS data: Temporal unmixing using independent component analysis. Remote Sens. Environ . 2010, 114: 1190-1204. [百度学术]

Villa P, Stroppiana D, Fontanelli G, et al. In-season mapping of crop type with optica land x-band SAR data: A classification tree approach using synoptic seasonal features. Remote Sensing, 2015, 7: 12859-12886. [百度学术]

王建勋, 华丽, 邓世超, 等. 基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究. 中国农业资源与区划, 2019, 40(5): 37-46. [百度学术]

Kontgis C, Schneide R A, Ozdogan M. Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of landsat data．Remote Sensing of Environment, 2015, 169: 255-269． [百度学术]

许青云, 杨贵军, 龙慧灵, 等．基于MODIS NDVI 多年时序数据的农作物种植识别. 农业工程学报, 2014, 30( 11) : 134-144． [百度学术]

张沁雨, 李哲, 夏朝宗, 等.高分六号遥感卫星新增波段下的树种分类精度分析.地球信息科学学报, 2019, 21(10): 1619-1628. [百度学术]

Christopher D E, Chen Z K. Comparison of broad-band and narrow-band red and near-infrared vegetation indexes. Remote Sensing of Environment, 1995, 54(1): 38-48. [百度学术]

Li X J, Chen G, Liu J Y, et al. Effects of rapid eye imagery's red-edge band and vegetation indices on land cover classification in an arid region. Chinese Geographical Science, 2017, 27(5): 827-835. [百度学术]

Kim H, Yeom J. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data. International Journal of Remote Sensing, 2014, 35(19): 7046-7068. [百度学术]

Yeom J M. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data. International Journal of Remote Sensing, 2014, 35(19): 7046-7068. [百度学术]

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．农业工程学报, 2015, 31( 11) : 155 -161. [百度学术]

刘佳, 王利民, 滕飞, 等．RapidEye卫星红边波段对作物面积提取精度的影响．农业工程学报, 2016, 32( 13) : 140-148． [百度学术]

谭玉敏, 夏玮.基于最佳波段组合的高光谱遥感影像分类.测绘与空间地理信息, 2014, 37(4): 19-22. [百度学术]

Pan Y, Li L, Zhang J, et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index. Remote Sensing of Environment, 2012, 119: 232-242. [百度学术]

贺原惠子, 王长林, 贾慧聪, 等.基于随机森林算法的冬小麦提取研究.遥感技术与应用, 2018, 33(6): 1132-1140. [百度学术]

Radoux J, CHOMé G, Jacques D C, et al. Sentinel-2’s potential for sub-pixel landscape feature detection. Remote Sensing, 2016, 8( 6): 488． [百度学术]

Ghosh A, Sharma R, Joshi P K. Random forest classification of urban landscape using Landsat archive and ancillary data: Combining seasonal maps with decision level fusion. Applied Geography, 2014, 48( 2) : 31-41． [百度学术]

王娜, 李强子, 杜鑫, 等. 单变量特征选择的苏北地区主要农作物遥感识别. 遥感学报, 2017, 21(4) : 519-530． [百度学术]

Sentinel-2红边波段在水稻识别中作用研究

以浙江省德清县为例

摘要

目的

方法

结果

结论

关键词

0 引言

1 数据与方法

1.1 研究思路

1.2 研究区概况

1.3 研究数据

1.4 研究方法