摘"要：【目的】""利用遥感数据和深度学习方法准确获取农作物的种植结构和分布。
【方法】""通过实地调查新疆奇台县获取样本集，借助Google Earth Engine云平台获取Sentinel-2号和Sentinel-1号影像，利用Google Colab进行深度学习算法的模型训练和验证，调整和优化深度学习的相关参数来提升分类精度，并且比较了深度学习、随机森林和支持向量机3种分类方法的精度。
【结果】""深度学习的分类精度最高，总体精度达到94.6%。
【结论】""利用深度学习算法可实现奇台县农作物种植结构的精准监测。
关键词：""农作物；遥感分类；深度学习；谷歌地球引擎；Google Colab
中图分类号："S11+7""""文献标志码："A""""文章编号："1001-4330（2024）11-2807-08
0"引 言
【研究意义】农业遥感技术在实现精准农业、优化农业资源配置、提高农业生产效率等方面具有重要作用［1］。而农作物遥感分类是农业遥感技术的一个重要研究方向，其在农业生产、生态环境保护和自然资源管理等领域中应用广泛［2］。随着遥感技术和人工智能技术的不断发展，农作物遥感分类方法也在不断更新和优化。借助谷歌地球引擎GEE（Google Earth Engine）利用不同机器学习方法对农作物进行遥感分类，可为农业生产提供可靠的遥感监测手段和科学决策依据［3-4］。因此，对不同遥感分类方法进行对比研究，寻找更加准确高效的分类方法，对于农业遥感技术的进一步发展和应用具有重要意义［5］。【前人研究进展】近年来，对农作物遥感分类技术的研究不断深入，不断涉及到遥感数据源、分类方法以及特征提取等多方面［6］。Zhong等［7］使用多景Landsat TM/ETM 遥感影像，以物候参数、积温和光谱信息等为特征，采用随机森林RF（Random Forest）分类器对玉米和大豆进行分类提取，整体分类精度高达88%；Chong等［8］使用GEE和哨兵1/2图像，将每月反射率、植被指数和极化波段的复合图像作为输入特征，并使用随机森林分类器对作物进行分类；Di等［9］结合多类型特征和多时间极化SAR（PolSAR）图像，采用随机森林和支持向量机算法对旱地作物和其他土地覆盖类型进行分类，提高了旱地作物玉米和棉花分类的准确性；Kang等［10］针对国产高分六号宽幅载荷GF-6/WFV数据具有多条红边带的特点，以河北省衡水市为研究区，进行了红边特征分析和作物分类；常布辉等［11］使用高分一号宽幅载荷GF-1/WFV影像为数据源，构建NDVI（Normalized Difference Vegetation Index）时间序列，并采用决策树DT（Decision Tree）和支持向量机SVM（Support Vector Machine）结合的方法提取，整体精度达到92.24%；马凯等［12］使用30 m分辨率的Landsat8 OLI遥感数据在青海湖区展开研究，借鉴GoogLeNet Inception结构，设计卷积神经网络模型提取特征并分类，卷积神经网络CNN（Convolutional Neural Networks）模型的总体分类效果明显优于最大似然分类和SVM分类方法；杨泽航等［13］通过随机森林分类方法对黑河流域中游地区作物种植结构进行提取，利用对应作物生长期为3至10月Sentinel-2的影像归一化差值植被指数NDVI时间序列，得到了作物分类精度为92.95%的结果。【本研究切入点】不同的遥感数据源、特征提取方法和分类算法可以在农作物遥感分类中发挥重要作用。干旱区作物种植结构复杂，使用传统的算法进行分类效果不佳。近年来基于深度学习进行作物遥感分类的研究逐渐增多，精度相比传统分类方法有明显的提升，需利用深度学习算法结合GEE平台有望准确获取新疆奇台县农作物的种植结构和分布，实现奇台县农作物种植结构的精准监测。【拟解决的关键问题】以新疆奇台县农区为研究对象，利用GEE和Google colab平台，对3种不同机器学习算法进行作物分类对比，选取最适合的算法，通过进一步调节算法相关参数，获取该地区的作物分布，为干旱区作物分类提供技术参考。
1"材料与方法
1.1"材 料
1.1.1"研究区概况
研究区域位于中国新疆昌吉回族自治州奇台县（42°44′～43°51′N，89°06′～90°12′E），总面积为1.93×104 km2，为中亚干旱带，气候干燥，年均降水量仅为160 mm左右。此次研究主要调查该县部分农区的作物分布，调查作物为小麦、玉米、甜菜和西瓜等。
研究使用哨兵1号和哨兵2号卫星影像。哨兵1号卫星是一颗雷达遥感卫星，能够在任何天气条件下获取地表信息，并且具有较高的分辨率（5 m至20 m）具体包含VV （Vertical Receive） and VH （Vertical Transmit And Horizontal Receive）等波段。这些影像具有高分辨率和较低的云量，可提供清晰的地表信息。哨兵2号卫星是欧洲空间局ESA（European Space Agency）发射的一颗多光谱遥感卫星，其具有高分辨率（10、20和60 m），包含B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B10、B11和B12等波段，并且能够覆盖全球范围。表1"
选用4种植被指数，其中，NDVI 是最常用的植被指数之一，通过计算红光和近红外波段的反射率之比，反映出地表植被的覆盖度和生长状况。研究采用NDVIre1，NDVIre2和NDVIre3［14］，通过对不同波段的反射率进行组合。通过对影像数据进行预处理和计算，得到每个像元的NDVI、NDVIRE1、NDVIRE2、NDVIRE3值，定量分析植被覆盖度。表2
1.1.2"样本选择
于2022年5月1日～9月30日于奇台县选择样本。将样本点分为8类，分别是小麦、玉米、甜菜、西瓜、其他作物、建筑道路、草地和戈壁。每类样本选择300个样本点，一共选择2 400个样本点用于训练和测试分类模型。采用随机抽样的方法，实地调查和相关资料进行合理分布和选择，以保证样本点的充分覆盖和代表性。采用7∶"3（T/V）的训练集T（Training Set）和验证集V（Validation Set）比例，确保分类模型的泛化能力和准确性。
1.2"方 法
应用遥感数据中哨兵1号的VV和VH波段和哨兵2号的B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11、B12等波段以及4种植被指数来进行作物分类，随机森林和决策树算法使用同样的数据集进行分类，通过设定的分类精度指标与深度学习算法进行比较。
1.2.1"分类
1.2.1.1"深度学习
多层感知机MLP（Multilayer Perceptron）是一种经典的前向人工神经网络模型，其主要用于解决分类问题。MLP模型由多个神经元组成的输入层、隐藏层和输出层构成。在输入层和隐藏层之间，每个神经元都与前一层的每个神经元相连，每个连接都有一个对应的权重。MLP模型可以通过正向传播算法计算每个神经元的输出，然后使用反向传播算法更新每个神经元的权重，以优化模型的分类准确率［15］。
这种方法的内部神经网络层可以分为三种类型：输入层、隐藏层和输出层。该分类方法的输入层包括构建的特征空间中的所有特征，而三个隐藏层则被设计用于预测分类后的图像。利用GEE平台提供的卫星影像数据，将图像数据转换成像素向量作为MLP网络的输入。通过Google Colab进行MLP算法的实现，对提取的特征数据集进行训练和测试。将训练集和验证集分别输入到MLP网络中进行训练和验证，以得到最终的分类结果。
1.2.1.2"随机森林
在RF中，多棵决策树并行生成，每棵决策树对训练集进行随机抽样，并使用随机选取的特征集进行训练，以增加模型的多样性和减少过拟合的风险。当新样本输入到RF中时，每棵决策树都会输出一个预测结果，通过投票或平均等方式确定最终的预测结果［16］。
将随机森林中的决策树数量设置为60。此外，将用于分类的输入特征指定为多个波段，包括B1到B12波段以及各类指数（如NDVI、NDVIRE1等）和哨兵1号卫星数据（VV和VH波段），以充分捕捉地物的特征。
1.2.1.3"支持向量机
SVM是一种基于统计学习理论的机器学习分类算法。在分类时，将新的数据点映射到该高维空间中，判断其在超平面的哪一侧，从而进行分类。SVM在解决小样本、非线性和高维数据分类问题上有着较好的表现［17］。
SVM的参数设置对于分类器的性能和泛化能力至关重要。研究选择径向基函数RBF（Radial Basis Function）作为核函数，调整了核函数的参数Gamma，设置为0.1，同时通过参数Cost控制正则化项的权重，设置为10。通过参数的设置，对SVM进行训练，并采用训练好的SVM模型对影像数据进行分类，将不同类别的地物进行有效地分割，并计算验证精度指标以评估分类器的性能。"
1.2.2"分类精度评价指标
分类精度评价指标用于衡量分类结果的准确性和可靠性，采用的主要指标包括：总体精度OA（Overall Accuracy），Kappa系数（Kappa），生产者精度PA（Producers Accuracy），以及用户精度UA（Users Accuracy）。
OA（c%）="∑"n"i=1"Pii"N"×100%. "（1）
Kappaι="N∑"i=1"Pii－∑"n"i=1"（Pi+×P+i）"N2－∑"n"i=1"（Pi+×P+i）". （2）
UA"%"="Pii"Pi+"×100% . （3）
PA（%）="Pii"P+i"×100% . （4）
式中，n为类别数量；N为验证样本总数；Pii是每类中正确分类样本的数量，是i行i列上的值；Pi+为分类器将验证样本分为某一类别的总数；P+i为某一类别验证样本总数。OA表示分类器对所有样本进行分类的准确率，是分类正确的样本数与总样本数之比。Kappa用于衡量分类器预测结果与随机预测结果之间的一致性，其消除了分类器在预测过程中的随机性因素，将分类器的准确率与随机预测的准确率进行比较。PA表示在真实类别为正例的样本中，被正确分类为正例的样本比例。UA表示在预测类别为正例的样本中，真实类别为正例的样本比例。
1.3"数据处理
选择适合的卫星遥感数据进行图像预处理，包括辐射定标、大气校正、几何校正等，以消除图像中的噪声和误差；选择合适的分类算法进行分类，如MLP、RF、SVM等；根据分类结果绘制混淆矩阵，并计算各种分类指标，如OA、Kappa、PA、UA等；最后对分类结果进行评估和分析，确定分类结果的准确性和可靠性，并根据实际需求进行后续处理和应用，在探究卫星遥感数据分类的关键技术和方法，为遥感图像的应用和研究提供支持和指导［18］。"
数据采集和预处理，包括采集农业数据、去除异常值和缺失值处理等。其次是分类前的准备工作，包括样本采集、特征分析和特征空间构建。利用MLP、RF和SVM等算法进行作物分类，选择分类精度较高的模型进行最终分类。图1
2"结果与分析
2.1"深度学习参数调整
MLP参数设置过程中，通过调整隐藏层数、Epochs个数和神经元个数的方式，探索不同参数对分类精度的影响。随着隐藏层数、Epochs和神经元个数的增加，MLP总体精度也在不断增加，当在三个隐藏层的情况下，使用128、64、32个神经元进行10 000个Epochs的训练获得了最高的分类精度值为0.946，随后总体精度在不断减少。表3
2.2"三种分类方式精度
研究表明，MLP的分类精度高于RF和SVM。具体来说，MLP的OA为94.6％，Kappa系数为0.941，UA和PA均高于单独使用RF和SVM的结果；RF的分类精度次之，其OA为91.1％，Kappa系数为0.898；SVM的精度最差OA为84.2％，Kappa系数为0.819。
在多层感知器（MLP）算法的应用下，小麦的UA值为0.895，PA值为0.921。基于随机森林（RF）算法和支持向量机（SVM）算法，小麦的精度较低。玉米在MLP算法展现出了最佳性能，具有较高的UA（0.946）和PA（0.934）。RF算法和SVM算法也能够在一定程度上对玉米进行分类，但分类精度稍逊。甜菜分类精度均相对较高，特别是在MLP算法下达到了极高的程度UA（0.963）和PA（0.985）。RF和SVM算法也展现出较高的分类精度，但略低于MLP算法。表4
在甜菜分类中，三种算法均可取得良好的结果。西瓜的MLP算法在UA（0.954）和PA（0.980）方面表现出色，而RF和SVM算法的分类精度稍低。其他作物的分类结果呈现一定的差异。在MLP算法下，其他作物的分类精度较高（UA为0.901，PA为0.753），而在RF和SVM算法下，分类精度较低。
MLP算法在奇台县2022年农作物分类中表现出较高的分类准确性和可靠性，尤其在玉米、甜菜和西瓜的分类中表现优异。RF和SVM算法也在一定程度上能够对作物进行分类，但其分类精度相对较低。因此，在奇台县农作物分类应用中，MLP算法应用的有效方法。表5
2.3"三种分类结果对比
研究表明，地块边界，RF的结果稍见模糊，而SVM应为分类精度较差，最后分类出的影像已经十分模糊，不易分辨出地块轮廓，分类精度越高，分类后的结果越明显，MLP分类后的地块明显要优于RF和SVM。MLP算法展现出了较高的分类精度。图2～3，表6"
3"讨 论
3.1
深度学习方法的高分类精度和强大可迁移性使其成为农作物分类的有力工具［2］。薛乃丹等［19］的研究以GF-1遥感影像为数据源，通过对比分析SVM和RF，以及深度残差神经网络ResNet（Residual Neural Network）的分类方法，发现ResNet在分类精度上明显优于传统方法SVM和RF，从而进一步验证了深度学习在农作物分类方面的潜力。
3.2
研究中借助GEE和Google Colab平台，采用MLP算法，成功对奇台县部分农区的作物进行了自动化分类和监测。所得结果进一步证实了深度学习在农作物分类中的实用性。同时也强调了深度学习结构的优化对于分类精度的显著提升，通过调整隐藏层数、Epochs个数和神经元个数，观察到分类精度的明显增加，该结论与张国顺［20］研究的结果一致，卷积核结构的调整和条件随机场CRFs（Conditional Random Fields）的优化同样被证明可以有效提高分类精度。
3.3
影像数据的选择仅限于哨兵1号和哨兵2号影像，这些影像可能受到时空分辨率限制，从而可能影响了分类精度和结果的准确性。未来的研究应考虑使用更高分辨率的遥感数据，例如高分卫星影像或由无人机获取的影像，以进一步提高分类的精度和准确性［21］。例如，可以尝试基于卷积神经网络CNN（Convolutional Neural Networks）等深度学习架构，或者探索其他创新的深度学习方法，以进一步提高分类精度［22］。
4"结 论
4.1
MLP算法在分类精度方面表现最好，达到了94.6%的准确率。训练模型时，通过调整隐藏层数、Epochs个数和神经元个数，最终显示设置三个隐藏层，每层分别为128、64、32个神经元时，获得最高的分类精度。MLP方法不仅在玉米、甜菜和西瓜等作物的遥感分类中表现出较高的准确性，而且在其他非作物的分类中也能获得较高的精度。MLP方法能够产生清晰可见的地块边界，分类效果明显优于RF和SVM方法。
4.2
RF算法尽管在分类精度方面略低于MLP方法，但仍能在一定程度上对作物进行分类。RF的准确率为91.1%。RF的分类结果相对模糊，作物地块的界线不够清晰。相对于MLP，RF算法在分类精度和界线清晰度方面存在一些局限性。
4.3
SVM方法分类精度相对较低，仅为84.2%。与MLP和RF相比，SVM在本研究中的表现较为有限。分类结果中作物地块的界线模糊，分类精度不如MLP方法。
4.4
在奇台县农作物分类应用中，MLP方法为有效方法。
参考文献"（References）
［1］"王爱芳， 张运， 黄静， 等.作物遥感分类研究进展［J］.测绘与空间地理信息， 2021， 44（10）： 80-83， 88.
WANG Aifang， ZHANG Yun， HUANG Jing， et al.Recent progresses in research of crop classification by using remote sensing［J］.Geomatics amp; Spatial Information Technology， 2021， 44（10）： 80-83， 88.
［2］ 赵红伟， 陈仲新， 刘佳.深度学习方法在作物遥感分类中的应用和挑战［J］.中国农业资源与区划， 2020， 41（2）： 35-49.
ZHAO Hongwei， CHEN Zhongxin， LIU Jia.Deep learning for crop classification of remote sensing data： applications and challenges［J］.Chinese Journal of Agricultural Resources and Regional Planning， 2020， 41（2）： 35-49.
［3］ Onojeghuo A O， Blackburn G A， Wang Q M， et al.Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data［J］.International Journal of Remote Sensing， 2018， 39（4）： 1042-1067.
［4］ Lin Z X， Zhong R H， Xiong X G， et al.Large-scale rice mapping using multi-task spatiotemporal deep learning and sentinel-1 SAR time series［J］.Remote Sensing， 2022， 14（3）： 699.
［5］ 张乾坤， 蒙继华， 任超.构建地块二维表征及CNN模型的作物遥感分类［J］.遥感学报， 2022， 26（7）： 1437-1449.
ZHANG Qiankun， MENG Jihua， REN Chao.Crop classification based on two-dimensional representation and CNN model from remote sensing［J］.National Remote Sensing Bulletin， 2022， 26（7）： 1437-1449.
［6］ 黄翀， 侯相君.基于Bi-LSTM模型的时间序列遥感作物分类研究［J］.中国农业科学， 2022， 55（21）： 4144-4157.
HUANG Chong， HOU Xiangjun.Crop classification with time series remote sensing based on Bi-LSTM model［J］.Scientia Agricultura Sinica， 2022， 55（21）： 4144-4157.
［7］ Zhong L H， Gong P， Biging G S.Efficient corn and soybean mapping with temporal extendability： a multi-year experiment using Landsat imagery［J］.Remote Sensing of Environment， 2014， 140： 1-13.
［8］ Luo C， Liu H J， Lu L， et al.Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine［J］.Journal of Integrative Agriculture， 2021， 20（7）： 1944-1957.
［9］ Wang D， Liu C A， Zeng Y， et al.Dryland crop classification combining multitype features and multitemporal quad-polarimetric RADARSAT-2 imagery in Hebei Plain， China［J］.Sensors， 2021， 21（2）： 332.
［10］ Kang Y P， Meng Q Y， Liu M， et al.Crop classification based on red edge features analysis of GF-6 WFV data［J］.Sensors， 2021， 21（13）： 4328.
［11］ 常布辉， 王军涛， 罗玉丽， 等.河套灌区沈乌灌域GF-1/WFV遥感耕地提取［J］.农业工程学报， 2017， 33（23）： 188-195.
CHANG Buhui， WANG Juntao， LUO Yuli， et al.Cultivated land extraction based on GF-1/WFV remote sensing in Shenwu irrigation area of Hetao Irrigation District［J］.Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（23）： 188-195.
［12］ 马凯， 罗泽.基于卷积神经网络的青海湖区域遥感影像分类［J］.计算机系统应用， 2018， 27（9）： 137-142.
MA Kai， LUO Ze.Classification of remote sensing images in Qinghai Lake based on convolutional neural network［J］.Computer Systems amp; Applications， 2018， 27（9）： 137-142.
［13］ 杨泽航， 王文， 鲍健雄.融合多源遥感数据的黑河中游地区生长季早期作物识别［J］.地球信息科学学报， 2022， 24（5）： 996-1008.
YANG Zehang， WANG Wen， BAO Jianxiong.Identifying crop types in early growing season in the middle reaches of Heihe River by fusing multi-source remote sensing data［J］.Journal of Geo-Information Science， 2022， 24（5）： 996-1008.
［14］ Teluguntla P， Thenkabail P S， Oliphant A， et al.A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform［J］.ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 144： 325-340.
［15］ 李前景， 刘珺， 米晓飞， 等.面向对象与卷积神经网络模型的GF-6 WFV影像作物分类［J］.遥感学报， 2021， 25（2）： 549-558.
LI Qianjing， LIU Jun， MI Xiaofei， et al.Object-oriented crop classification for GF-6 WFV remote sensing images based on Convolutional Neural Network［J］.National Remote Sensing Bulletin， 2021， 25（2）： 549-558.
［16］ 杨庆振， 郭敏， 范新成.基于随机森林算法的高光谱遥感作物分类［J］.测绘与空间地理信息， 2023， 46（4）： 149-151， 154.
YANG Qingzhen， GUO Min， FAN Xincheng.Hyper-spectral remote sensing crop classification based on random forest algorithm［J］.Geomatics amp; Spatial Information Technology， 2023， 46（4）： 149-151， 154.
［17］ 王利军， 郭燕， 贺佳， 等.基于决策树和SVM的Sentinel-2A影像作物提取方法［J］.农业机械学报， 2018， 49（9）： 146-153.
WANG Lijun， GUO Yan， HE Jia， et al.Classification method by fusion of decision tree and SVM based on sentinel-2A image［J］.Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（9）： 146-153.
［18］ Yao J X， Wu J， Xiao C Z， et al.The classification method study of crops remote sensing with deep learning， machine learning， and google earth engine［J］.Remote Sensing， 2022， 14（12）： 2758.
［19］ 薛乃丹.基于高分卫星遥感影像的农作物分类方法研究［D］.沈阳： 沈阳农业大学， 2022.
XUE Naidan."Study on Crop Classification Method Based on GF Satellite Remote Sensing Image［D］.Shenyang： Shenyang Agricultural University， 2022.
［20］ 张国顺.基于高分辨率影像的北疆农作物分类研究［D］.石河子： 石河子大学， 2020.
ZHANG Guoshun.Crop Classification of Northern Xinjiang Based on High Resolution Imagery［D］.Shihezi： Shihezi University， 2020.
［21］ 杨舒婷.基于深度学习的高分辨率遥感影像农作物分类算法研究［D］.长春： 吉林大学， 2021.
YANG Shuting.Research on Crop Classification Algorithms Based on Deep Learning Using High-resolution Remote Sensing Imagery［D］.Changchun： Jilin University， 2021.
［22］ 马永建.基于CNN的高分辨率遥感影像典型农作物分类方法研究［D］.石河子： 石河子大学， 2020.
MA Yongjian.Study on Typical Crops Classification with High-resolution Remote Sensing Images Based on CNN［D］.Shihezi： Shihezi University， 2020.
Crop remote sensing classification study in Qitai County ""based on deep learning and Google earth engine （GEE）
ZHAO Haonan1， MA Haiyan2，3， Asiya Manlike2，3， TIAN Cong，XU Jun2，3， PAN Jing1， ""SUN Zongjiu1， ZHENG Fengling2，3
（1. "College of Grassland Science， Xinjiang Agricultural University， Urumqi 830052，China; 2.Grassland Research Institute of Xinjiang Academy of Animal Sciences， Urumqi 830057，China; 3.Xinjiang Academy of Animal Science Field Orientation Observation and Research Station of Grassland Ecological Environment on the Northern Slope of Tianshan Mountains， Urumqi 830057，China）
Abstract：【Objective】 ""This study aims to accurately acquire the crop planting structure and distribution using remote sensing data and deep learning methods in view of the complex crop planting structure .
【Methods】 ""A sample set was obtained through field investigations.Sentinel-2 and Sentinel-1 images were acquired using the Google Earth Engine cloud platform; Model training and validation for deep learning algorithms were conducted using Google Colab; Classification accuracy was improved by adjusting and optimizing relevant parameters of deep learning.Additionally， the accuracy of three classification methods—deep learning， random forest， and support vector machine—was compared.
【Results】 """The deep learning approach achieved the highest classification accuracy， with an overall accuracy of 94.6%.
【Conclusion】 """The utilization of deep learning algorithms enables precise monitoring of crop planting structure in Qitai County.
Key words：""crop；remote sensing classification；deep learning；Google Earth Engine；Google Colab
Fund projects：""Sponsored by Natural Science Foundation of Xinjiang Uygur Autonomous Region\"Research on Identification and Yield Estimation of Artificial Grassland Based on Multi-Source Remote Sensing Time-Series Data - A Case of Alfalfa\"（2023D01A75）;Supported by the earmarked fund for XJARS（XJARS-11）;The National Natural Science Foundation of China（31860679）
Correspondence author：""ZHENG Fengling （1974- ）， male， from Urumqi， Xinjiang，associate researcher， research direction： Vegetation Remote Sensing and Spatial Information Technology， （E-mail）xjzheng@sina.com
收稿日期（Received）：
2024-03-11
基金项目：
新疆维吾尔自治区自然科学基金项目“基于多源遥感时序数据的人工草地识别与估产研究-以苜蓿为例”（2023D01A75）；新疆维吾尔自治区奶产业技术体系（XJARS-11）；国家自然科学基金项目（31860679）
作者简介：
赵昊楠（1999-），男，河北张家口人，硕士研究生，研究方向为植被遥感和空间信息技术，（E-mail）zhn113355@gmail.com
通讯作者：
郑逢令（1974-），男，新疆乌鲁木齐人，副研究员，博士，硕士生导师，研究方向为植被遥感和空间信息技术，（E-mail）xjzheng@sina.com
