协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别

艾叶具有巨大的食用和医用价值,近些年艾草种植面积在中国南方地区显著增加。掌握艾草空间分布信息对于区域作物种植结构调整、艾草产业布局优化具有重要现实意义。该研究以中国艾草主要生产地--湖北省蕲春县为例,探讨国产高分1号（GF-1）和高分6号（GF-6）卫星影像识别艾草的潜力。本文首先基于高分影像构建了20个光谱特征,然后采用随机森林分类器进行分类,最后分析了红边指数对识别艾草的贡献度。为了评估协同GF-1和GF-6影像识别艾草的潜力,研究还比较了不同影像组合情景识别艾草的精度。结果表明,协同GF-1和GF-6影像提取的蕲春县艾草的用户精度是92.73%,制图精度是88.74%,均显著高于基于单一GF-1或GF-6影像识别艾草的精度。各乡镇艾草遥感制图面积和统计面积拟合的相关性系数R2达到0.7,表明研究结果能够准确反映艾草的种植面积和空间分布。基于随机森林的重要性得分排名前50的特征中,红边波段以及红边植被指数的数量占比达54%,其中6月23日GF-6影像的红边波段I贡献度得分最高,是识别艾草的最优光谱特征。GF-6的另一新增的紫波段相较于其他传统波段,也对于区分艾草和其他作物做出了重要贡献。5月上旬和9月上旬分别为艾草第一茬和第二茬叶片快速繁殖生长阶段,是艾草的最佳识别时期,6月下旬和9月下旬也是区分艾草和其他作物的关键时期。研究表明,GF-6 WFV影像的新增波段以及基于红边波段构建的植被指数能够有效提高作物识别的准确性,协同GF-1和GF-6影像通过提高影像时间信息,能较好捕获作物的关键物候特征,从而提高作物识别精度。该研究为充分发挥多源国产高分卫星协同利用优势提供了典型应用示范,呈现的作物识别方法不仅适用于艾草,也适用于其他区域和其他农作物。     

基于GF-6时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据,在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%,总体分类精度达到了93%～95%。将模型异地迁移后,各模型的总体分类精度下降7.2%～41.0%,基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力,优于基于注意力的深度学习模型和随机森林模型。在时间消耗上,各深度学习模型相比于随机森林模型,训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要,且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

基于Sentinel-2影像的西南山区不同生长期水稻识别

山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。     

基于GF-2数据结合多纹理特征的塑料大棚识别

塑料大棚在全球范围的大量使用带来经济效益,同时也引发了很多环境问题,及时准确的塑料大棚空间分布信息是农业生产和土壤治理决策的重要依据。塑料大棚的使用改变了土壤表面的光谱特性和空间结构,塑料薄膜材质的特殊性,使其反射光谱具有强烈的方向性和不确定性,因而仅依靠地物反射光谱特征难以准确识别塑料大棚。本文以GF-2影像作为单一数据源,针对塑料大棚特有的空间分布细节信息,分析不同纹理提取算法对塑料大棚识别的适用性。结果表明:1)纹理能有效提高基于遥感影像的塑料大棚识别精度;2)使用单一纹理算法识别不同空间分布结构塑料大棚的分类方案中,采用LBP (local binary pattern)纹理算法的塑料大棚识别精度均优于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)纹理算法,其中研究区A基于LBP纹理特征的塑料大棚识别总体精度为96.85%,Kappa系数为0.95,研究区B的总体识别精度为95.58%,Kappa系数为0.94;3)本文使用3种不同的纹理特征组合分类方案,均能提高塑料大棚的识别精度,但不同纹理特征组合算法运用到空间结构差异较大的2个区域时表现不同。加入GLCM的纹理特征组合能提高分布范围较大且聚集度高的塑料大棚识别精度(研究区A塑料大棚斑块平均面积为3.39 hm2,聚集度指数为80.64),对于塑料大棚使用面积小且分布破碎的区域识别精度提升效果不明显(研究区B塑料大棚斑块平均面积为1.37hm2,聚集度指数为72.98)。本试验结果中研究区A的地物光谱特征、NDVI和3种纹理特征组合的大棚识别精度最高,总体识别精度和Kappa系数分别达到了98.13%和0.97,研究区B的地物光谱特征、NDVI、PSI和LBP纹理特征组合识别精度最高(总体精度为96.13%,Kappa系数为0.95)。基于影像对象的多纹理特征能够实现塑料大棚的精细识别,该方法对塑料大棚空间分布精确制图具有重要意义。     

GF-1卫星多时相组合近红外数据水稻识别能力

针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。     

基于GF-1/WFV数据的冬小麦条锈病遥感监测

条锈病是冬小麦常见病害,利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像,结合条锈病地面光谱数据分析,采用冬小麦条锈病遥感监测指数(wheat stripe rust index,WSRI)对河南西华县冬小麦条锈病发病范围进行了估测。首先,利用冬小麦NDVI加权指数(weighted NDVI index,WNDVI)获取冬小麦种植区域。其次,利用影像4个波段反射率之和提取不同冬小麦品种的分布范围,值较高的为条锈病高抗品种(郑麦系列),较低的则是条锈病易感品种(矮壮系列)。再次,构建冬小麦条锈病指数(wheat stripe rust index,WSRI),结合地面实地调查的条锈病分布数据,通过设定合理的WSRI指数划分阈值,提取条锈病染病区域并进行精度验证。结果表明,研究区内小麦条锈病空间分布识别的总体精度在84.0%以上,具有区域监测应用的潜力。该方法简单,可操作性强,表明宽波段GF-1影像结合WSRI指数的技术,是一种比较可行的小麦条锈病遥感监测方案。     

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。     

基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。     

基于暗目标法和GF-1的农作物光合有效辐射反演

光合有效辐射是农田生产力和产量估算的依据,也是农作物参数遥感反演的主要研究内容。该文基于大气辐射传输模型,选择覆盖山东禹城市2014年4月－2014年12月共12景GF-1/WFV（wide field view,WFV）数据,结合浓密植被（暗目标）蓝光波段、红光波段之间反射率的线性关系,基于查找表（look-up table,LUT）技术反演了大气气溶胶光学厚度（aerosol optical depth,AOD）等大气参数,提出了基于蓝、绿、红3个离散波段反演光合有效辐射（photosynthetically available radiation,PAR）的算法。其中,浓密植被是根据WFV/NDVI（normal differential vegetation index）设置阈值的方式筛选的;红光波段与蓝光波段地表反射率的比例系数为1.7977,截距为0.0034,相关系数达0.9826,是根据美国地质调查局（U.S. Geological Survey,USGS）提供的典型植被波谱库数据理论计算获取;GF-1/WFV数据蓝、绿、红波段转换为400～700 nm谱段间光合有效辐射值之间的转换系数分别为0.09156、0.09951、0.1007。采用中国生态系统研究网络禹城实验站实测的 PAR 数据进行对比验证,光合有效辐射的总体精度达到了95.77%,误差绝对值平均为11.36 W/m2,平均误差小于5%,表明了该方法具有较高的精度。该方法不需要额外辅助数据,产品生产过程简单,是比较理想的GF-1/WFV数据光合有效辐射业务反演备选算法。     

Sentinel-2和GF-1影像结合提取苜蓿空间分布

及时准确地获取苜蓿空间分布信息有利于对草业生产发展和管理提供科学数据支撑。该研究基于GF-1/WFV和Sentinel-2遥感影像,以甘肃省金昌市作为研究区,构建了苜蓿的归一化植被指数（Normalized Difference Vegetation Index,NDVI）数据集,并结合苜蓿光谱反射率随生育期的变化规律,提出一种利用MATLAB寻峰函数（Findpeaks）提取苜蓿遥感特征的方法,通过确定最小峰值突出（Minimum Peak Prominence,MPP）值实现金昌市苜蓿空间分布信息的提取。研究结果表明,基于Sentinel-2遥感数据的识别苜蓿精度优于GF-1/WFV,识别精度和Kappa系数在85%和0.7以上,主要是由于Sentinel-2数据的NDVI时间序列曲线密度较GF-1/WFV大,可以更好地识别苜蓿刈割前后的关键时间点;寻谷法的苜蓿提取总体精度、Kappa系数、用户精度、制图精度指标均比寻峰法高,基于Sentinel-2影像的寻谷法苜蓿遥感识别总体精度为92.25%,Kappa系数为0.81,位置精度为86.44%;2019年金昌市苜蓿空间分布整体呈现从北到南逐渐增多的趋势,统计得到苜蓿种植面积为15 449.07 hm2,其中金川区的苜蓿面积为1 353.42 hm2,占金昌市苜蓿总面积的8.76%;永昌县的苜蓿面积为14 095.65 hm2,占总面积的91.24%。研究结果证实,基于Sentinel-2遥感数据的寻谷法可以有效识别苜蓿空间分布,对于实现草牧场精准化管理和草牧业生产信息精准监测具有重要意义。     

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。     

基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。     

MODIS数据辅助的GF-1影像晴空光合有效辐射反演

面向农作物产量监测对中高分辨率遥感数据光合有效辐射(photosynthetically available radiation,PAR)反演的实际需求,该文选择山东省禹城市2014年1月至2014年12月共13景GF-1/WFV卫星影像作为数据源,基于中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)地表反射率产品作为辅助数据源,开发了适于业务运行的WFV数据气溶胶光学厚度(aerosol optical depth,AOD)及PAR的反演算法。算法核心是采用6S(second simulation of satellite signal in the solar spectrum)大气辐射传输模型,建立包括AOD在内的大气参数与查找表(look-up table,LUT),结合大气顶层太阳入射辐照度及卫星入瞳处辐射亮度值反演地表反射率数据,通过与WFV蓝光波段地表反射率数据对比获取大气参数。通过反演的大气参数计算400~700 nm连续光谱区间的PAR值,并建立WFV数据离散红、绿、蓝光波段与连续光谱区间PAR的转换系数,实现WFV数据PAR的反演。其中,WFV蓝光波段反射率数据与MODIS地表反射率数据关系、离散到连续谱段PAR的关系可以从美国地质勘探局(United States Geological Survey,USGS)提供的典型地物波谱库数据理论计算获取。利用中国生态系统研究网络(chinese ecosystem research network,CERN)禹城站地面观测值进行验证结果表明,该文提出的算法总体精度达到92.63%,平均绝对误差为14.56 W/m~2,平均相对误差7.37%,具有业务应用的潜力。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数（leaf are index, LAI）的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证（LOOCV, leave-one-out cross validation）和交叉验证对模型精度进行了检验。结果表明：1）对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差（RMSE, root mean square error, RMSE=0.378）;2）对于各类植被指数,花蕾期（20170616）和花铃期（20170802）时增强植被指数（EVI, enhanced vegetation index,）表现最佳（RMSE分别为0.352和0.367）,开花期（20180623）时校正土壤调节植被指数（MSAVI2, modified soil adjusted vegetation index 2,）估算精度最高（RMSE=0.323）;3）单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的（inverted red-edge chlorophyll index）全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

GF-1 PMS1与ZY-3 MUX传感器NDVI数据的对比分析

中国民用对地观测卫星在近10 a得到迅速发展,2012年和2013年相继发射的ZY-3和GF-1遥感卫星已成为中国现阶段主要应用的高分影像卫星,但二者对地观测能力是否相同并不清楚。因此,基于2对同日过空的GF-1 PMS1和ZY-3 MUX影像对,利用归一化植被指数NDVI对二者的植被观测能力进行对比。结果表明,GF-1 PMS1和ZY-3 MUX的植被观测能力虽然很接近,但也存在一定的差异。主要表现在ZY-3 MUX植被指数NDVI的信息量和信号总体强于GF-1PMS1,后者的低估幅度为可达-3%;但随着NDVI的增强,GF-1 PMS1的低估会逐渐减少,在NDVI的高值区甚至可超过ZY-3 MUX。由于二者之间存在差异,因此它们如要应用于同一项目,建议要进行数据转换,以确保结果的准确对比。分析表明,这2种传感器数据之间的差异是二者在光谱响应函数、空间分辨率以及定标精度等方面的差异引起的。     

基于水稻物候参数及面向对象算法的稻田识别

水稻是中国主要的粮食作物之一,实时且准确获取稻田区域及其空间分布特征是指导和管理农业生产的基础,对于保障国家粮食安全具有重要意义。但传统遥感变量与基于像元的机器学习分类算法在准确识别破碎度较高的稻田方面存在较大挑战。物候参数能够反映不同植被的生长动态,在识别稻田方面具有较大的应用潜力。面向对象的随机森林分类可以有效避免“椒盐”现象,提高稻田的分类精度。鉴于此,该研究以中国南方典型山地丘陵区——福建省漳州市稻田为研究对象,基于归一化植被指数、改进归一化水体指数、土壤调节植被指数、垂直极化后向散射系数、交叉极化后向散射系数和物候参数等多个遥感变量,利用面向对象的随机森林分类算法识别稻田,验证和分析物候参数与面向对象的随机森林分类法在提高南方复杂地形区稻田识别精度方面的有效性。结果表明：1）福建省漳州市稻田的最高识别精度为94.47%,Kappa系数为0.92,传统遥感变量、物候参数及面向对象的随机森林分类算法在准确识别破碎度较高的稻田方面具有协同优势;2）物候参数在表征植被生长与植被类型差异等方面具有显著优势,相较于仅基于传统遥感变量的试验组,物候参数与传统遥感变量的组合能够将稻田识别总体精度提高8.78～9.36个百分点;3）对于复杂地形区破碎度较高的稻田,面向对象的随机森林分类方法能够清晰明确地勾勒出稻田的形状与边界信息,且能够有效避免“椒盐”现象,相较于基于像元的分类方法,面向对象的分类法可将稻田识别精度提高0.58～1.53个百分点,因此,更适用于复杂地形区破碎农田的遥感提取。该研究结果可提高福建省漳州市稻田制图产品的应用价值,也可为中国南方复杂地形区稻田识别精度的进一步提高提供参考。