基于多种植被指数时间序列与机器学习的作物遥感分类研究
使用植被指数遥感图像进行农作物产量预测的技巧和要点
使用植被指数遥感图像进行农作物产量预测的技巧和要点在农业生产中，准确预测农作物的产量对于农民和政府决策者来说至关重要。
然而，传统的调查方法费时费力且成本高昂，因此人们开始利用遥感技术来进行农作物产量的监测和预测。
其中，使用植被指数遥感图像是一种常见且有效的方法。
本文将介绍使用植被指数遥感图像进行农作物产量预测的技巧和要点。
首先，我们需要了解什么是植被指数。
植被指数是一种通过遥感图像的反射率来估计植被生长状况和生产力的指标。
常见的植被指数包括归一化植被指数（NDVI）和差值植被指数（DVI）。
这些指数通常利用可见光和近红外波段的反射率计算得到，反映了植物叶绿素的含量和植被的覆盖程度。
其次，为了有效地利用植被指数进行农作物产量预测，我们需要掌握几个关键的技巧和要点。
首先是正确选择和获取遥感图像。
在选择遥感图像时，应考虑其空间和时间分辨率，以及传感器的波段配置。
通常情况下，较高的空间分辨率可以提供更详细的信息，而较高的时间分辨率可以实现连续的监测。
此外，还需要注意遥感图像的预处理，包括大气校正、亮度调整和几何校正等，以消除噪音和偏差。
其次是进行植被指数的计算和分析。
植被指数的计算通常基于不同波段的反射率组合，如NDVI=(NIR-RED)/(NIR+RED)，其中NIR代表近红外波段的反射率，RED代表红色波段的反射率。
通过计算不同时间点的植被指数，我们可以获得植被生长的时间序列数据。
然后，可以利用统计学或机器学习的方法对这些数据进行分析和建模，以预测农作物的产量。
另外，需要考虑地理和环境因素对植被指数的影响。
地理因素包括土壤类型、坡度和海拔等，而环境因素则包括气候条件、降水和温度等。
这些因素对植被生长和农作物产量都有重要的影响，因此需要在预测模型中进行合理的考虑和调整。
例如，可以将地理和环境因素作为自变量加入到预测模型中，进行全面的分析和预测。
最后，进行农作物产量的预测和评估。
利用建立的植被指数预测模型，可以对未来的农作物产量进行预测。
农作物单产遥感估算模型研究进展
农作物单产遥感估算模型研究进展随着科技的不断发展，遥感技术已经成为农作物单产估算的一种重要手段。
农作物单产遥感估算模型的研究进展，对于提高农业生产效率、优化资源配置以及指导农业生产具有重要意义。
本文将对农作物单产遥感估算模型进行概述，综述其研究现状，并探讨未来的发展方向。
农作物单产遥感估算模型在国内外学者的不断探索和研究下，已取得了一系列重要成果。
这些模型大致可以分为基于统计模型、机器学习模型和混合模型三类。
其中，统计模型利用地块级产量和遥感数据建立回归关系，机器学习模型则多采用神经网络、支持向量机（SVM）和支持向量回归（SVR）等方法进行预测。
混合模型则综合了统计模型和机器学习模型的优点，进一步提高了预测精度。
尽管农作物单产遥感估算模型已取得了显著成果，但仍存在一些问题和挑战。
由于遥感数据的时空分辨率较低，模型预测结果的准确性和精细化程度受到限制。
模型参数的确定和调整缺乏系统性的理论指导，导致预测结果存在一定的不确定性。
大多数模型仅考虑了单一的遥感数据源，如光学遥感或雷达遥感，而忽略了多种数据源的融合和互补性。
为了解决上述问题，本文将采用多源遥感数据融合的方法，充分利用不同类型数据的优势，提高模型的预测精度。
同时，将引入深度学习等先进的人工智能算法，构建更为精确的预测模型。
还将开展大量的实验验证，对比分析各种模型的优劣，为农业生产提供可靠的单产预测结果。
实验结果表明，基于多源遥感数据融合的深度学习模型在农作物单产遥感估算中具有较高的精度和稳定性。
相比传统模型，该模型能够更好地处理复杂的地形和气候条件，提高预测结果的精细化程度。
同时，该模型还具有较低的计算复杂度，能够满足大规模农作物单产预测的需求。
本文的研究成果对于推动农作物单产遥感估算模型的发展具有一定的参考价值。
然而，仍然存在一些未来研究方向值得探讨。
如何更好地利用高分辨率遥感数据进行农作物单产估算仍需进一步研究。
混合模型的构建和研究仍有很大的发展空间，可以通过融合更多类型的数据和采用更先进的算法来提高模型的预测精度和稳定性。
在农业产业中利用遥感技术预测作物病害的研究
在农业产业中利用遥感技术预测作物病害的研究遥感技术在农业产业中的应用已经成为近年来的研究热点之一。
通过遥感技术，农业专家可以迅速获取大量的地理、生态、气象等方面的数据，为作物病害的预测和防控提供可靠的依据。
本文将探讨遥感技术在农业产业中预测作物病害方面的研究和应用。
一、遥感技术与作物病害预测的原理和方法1. 遥感技术的原理与特点遥感技术是利用各种传感器获取地球表面上的信息，并进行记录、处理和分析的技术。
它可以通过感知电磁波辐射，获取植被物借助辐射与光谱的相互作用而表现出来的一系列特征。
遥感技术具有高效、快速、准确等特点，为作物病害的预测提供了有力支持。
2. 遥感技术在作物病害预测中的应用a. 遥感数据的采集与处理：通过卫星、无人机等平台获取遥感数据，采用遥感图像处理软件对数据进行处理，获得植被的光谱、温度等信息。
b. 作物病害的分类识别：根据遥感数据中反映的作物叶片颜色、光谱等特征，结合图像处理算法，将作物病害与正常植株进行区分与识别。
c. 病害的遥感监测与预警：通过长时间的监测与数据分析，遥感技术可以提前检测到作物病害的发生趋势，并进行预警与预测，帮助农民采取及时的防治措施。
d. 病害发生的空间分布研究：通过对遥感数据的空间统计分析，提取出病害的分布特征，为农业专家提供有关作物病害发生规律和趋势的参考依据。
二、利用遥感技术预测作物病害的优势与挑战1. 优势a. 高效性：遥感技术可以迅速获取大范围的数据，减少了传统调研方式的人力和时间成本。
b. 准确性：遥感技术通过传感器获取的数据具有较高的空间和时间分辨率，可以提供精细化病害信息。
c. 全面性：遥感技术能够获取不同光谱带的数据，从多个方面综合分析植物的叶面特征，提高了对作物病害的准确预测。
2. 挑战a. 数据质量问题：遥感数据受到云雾、气象条件等影响较大，获取到的数据质量可能存在一定程度的误差。
b. 数据处理复杂：遥感数据的处理需要运用一系列的算法和模型进行分析，这对研究人员的技术水平和计算能力提出了较高要求。
基于多源遥感数据融合和LSTM算法的作物分类研究
第35卷第15期农业工程学报V ol.35 No.15 2019年8月Transactions of the Chinese Society of Agricultural Engineering Aug. 2019 129基于多源遥感数据融合和LSTM算法的作物分类研究解毅1，张永清1，荀兰2，柴旭荣1（1. 山西师范大学地理科学学院，临汾041004；2. 中国科学院空天信息研究院，北京100094）摘要：准确、及时地获取农作物的空间分布信息，对于指导农业生产、制定农业政策具有重要意义。
为了检验长短时记忆网络（long short-term memory，LSTM）算法在基于时序遥感数据进行作物分类中的优势，该文以临汾盆地为研究区域，利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理，并采用ESTARFM（enhanced spatial and temporal adaptive reflectance fusion model）算法对滤波后的MODIS NDVI和Landsat NDVI进行融合，生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。
基于Landsat NDVI利用LSTM算法进行作物分类，同时，基于融合NDVI分别利用LSTM算法和神经网络（neural network，NN）算法进行作物分类，并对比3种方法的分类精度。
结果表明，Savitzky-Golay滤波后的时序MODIS NDVI能够反映不同作物的物候特征；基于融合NDVI的分类精度明显高于基于Landsat NDVI的分类精度，表明融合后的时序NDVI由于具有更高的时间分辨率，能够更加突出不同作物的物候特征，显著提高作物分类精度；基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度，前者的冬小麦面积估测精度高于后者的估测精度，表明LSTM算法的分类精度高于NN算法。
基于遥感技术的植被指数遥感与农作物监测
基于遥感技术的植被指数遥感与农作物监测遥感技术在农业领域的应用日益广泛，特别是通过植被指数遥感监测农作物的生长情况和状况已经成为一种常用的手段。
植被指数反映了植被的生命周期和健康状况，对于农作物的监测和精准农业管理具有重要意义。
植被指数是通过遥感技术获取的植被信息进行计算得出的一种指标，常用的有归一化植被指数（NDVI）和差异植被指数（DVI）。
通过绿光波段和近红外波段的反射率的比值，可以判断植被的茂盛程度和健康状况。
植被指数遥感可以实现大范围的农作物监测，及时掌握农作物的生长状况，对于农业生产决策具有重要参考价值。
为了实现植被指数遥感监测，需要从遥感影像中提取出植被指数信息。
遥感影像作为源数据，通过像元级的光谱分析和数学建模，可以计算得出每个像元的植被指数。
这些数据可以用来绘制植被指数分布图，进而分析不同地区的农作物种植情况和生长状态。
借助植被指数遥感技术，农业从业者可以更好地掌握农田的植被覆盖情况，及时采取措施防止病虫害的发生，提高农作物的生产性能。
通过植被指数遥感监测，可以实现对农作物的定量评估和生长模拟。
植被指数的数值对应了植被的覆盖度和健康程度，可以用来评估农作物的生长状况和产量潜力。
遥感影像可以定期获取，通过对比不同时间段的植被指数，可以分析农作物的生长趋势和变化，预测未来的产量和收成。
这对于农业生产的管理和规划非常有帮助，可以提高农作物的产量和质量，减少资源的浪费和损耗。
除了农作物监测，植被指数遥感技术还可以应用于土地利用和环境保护等领域。
通过对植被指数的分析和研究，可以定量评估土地的覆盖状况和利用类型，帮助土地规划和管理工作。
同时，植被指数也可以用来监测和评估自然环境的变化，如森林退化、湿地减少等问题。
通过遥感技术获取植被指数数据，可以对环境问题进行及时的监测和预警，促进生态环境的保护和恢复。
综上所述，基于遥感技术的植被指数遥感与农作物监测具有重要的应用价值。
通过植被指数遥感，可以实现对农作物生长情况和状况的全面监测和评估。
基于时间序列sentinel-1影像提取的多时相物候指数的全国范围农作物分类
基于时间序列sentinel-1影像提取的多时相物候指数的全国范围农作物分类1.引言1.1 概述本文旨在探讨基于时间序列Sentinel-1影像提取的多时相物候指数的全国范围农作物分类。
随着遥感技术的发展，利用卫星影像数据进行农作物分类和监测已经成为现代农业管理和精准农业中重要的研究方向之一。
本研究将结合Sentinel-1卫星影像数据，并运用适当的物候指数提取方法和农作物分类算法，实现对全国范围内农作物类型的准确分类。
1.2 研究背景随着人民生活水平的持续提高和城市化进程的不断推进，对粮食和其他农产品的需求也日益增加。
因此，准确了解和监测我国各地区的农作物种植情况具有重要意义。
传统上，通过野外调查等方法获取农作物信息耗时耗力且成本较高。
而遥感技术能够以遥远高空视角观察地表，获取大范围、高频次更新的遥感数据，使得对于农作物种植情况进行全面、及时监测成为可能。
1.3 目的和意义本研究旨在利用Sentinel-1卫星影像数据，结合物候指数提取方法和农作物分类算法，实现对全国范围内的农作物进行准确分类。
通过该研究，不仅可以帮助政府监测农业生产情况、指导粮食安全管理，还可以为农民制定科学种植策略提供参考。
此外，在应对灾害、气候变化等突发事件时，对于快速获取农作物种植信息也具有重要意义。
同时，本研究还可推动遥感技术与农业管理领域的深度融合，促进精准农业的发展。
以上是“1.引言”部分内容详细清晰撰写的回答，请检查确认是否符合要求。
2.数据与方法：2.1 Sentinel-1时间序列影像数据：Sentinel-1是一颗由欧洲空间局运行的雷达卫星，其提供了高质量的遥感影像数据。
在本研究中，我们使用了Sentinel-1时间序列影像数据来进行多时相物候指数的提取和农作物分类。
对于全国范围内的农作物分类研究，我们收集了一系列覆盖不同时间段的Sentinel-1影像。
这些影像具有很高的空间分辨率和频率，能够提供大范围、连续的地表观测信息。
基于卫星遥感技术的粮食作物分类研究
基于卫星遥感技术的粮食作物分类研究近年来，随着科技的日新月异，卫星遥感成为了大量研究的主题之一。
卫星遥感技术作为一种先进的科技手段，具有高效、高质、高精的特点，在环境监测、资源调查和农业生产等多个领域得到了广泛应用。
其中，在农业生产领域中，卫星遥感技术已经成为了一种不可或缺的工具，尤其是在粮食作物分类方面，卫星遥感技术的应用更是日益成熟。
本文将详细介绍基于卫星遥感技术的粮食作物分类研究的相关内容。
一、卫星遥感技术简介卫星遥感技术是指利用人造卫星对地表及其周围环境进行信息探测、信号传输、数据处理和分析的一种技术手段。
它通过卫星载荷（如光学、雷达等）感知地球物体反射或辐射的能量，获取地球表面、大气、海洋和其他天体的相关信息，并通过数字图像处理技术将这些信息转换成数字数据存储和传输。
在农业生产领域，卫星遥感技术可以应用于农田环境监测、土地利用调查、作物生长监测、水资源调查和监测、病虫害预测和监测等方面。
二、粮食作物分类的研究现状卫星遥感技术在粮食作物分类方面已经得到了广泛应用。
目前，国内外学者已经针对小麦、玉米、水稻等多种粮食作物，利用卫星遥感技术进行了分类研究。
其中，国内学者主要采用遥感影像解译的方法，根据遥感影像中植被指数、NDVI等指标，结合地面实地调查和遥感影像分析，对粮食作物进行识别和分类。
而国外学者则采用了遥感影像处理的机器学习方法，通过对大量遥感影像进行训练，建立起粮食作物分类模型，可以对大范围、大尺度的粮食作物进行自动快速分类。
三、粮食作物分类的主要技术指标在进行粮食作物分类研究时，需要根据卫星遥感影像的特点，选择合适的技术指标进行筛选和分类。
一般来说，粮食作物分类的主要技术指标包括：1. 植被指数植被指数是反映植被生长状况的重要指标，是利用遥感影像数据对植被进行监测和分类的主要依据。
常见的植被指数包括NDVI、EVI等，它们都是通过遥感影像中红、近红、蓝、绿等波段的反射率计算而得到的。
农作物长势的定义与遥感监测
农作物长势的定义与遥感监测一、本文概述随着遥感技术的快速发展，其在农业领域的应用越来越广泛，尤其是在农作物长势监测方面发挥着重要作用。
本文旨在探讨农作物长势的定义及其遥感监测方法。
我们将明确农作物长势的定义，阐述其重要性及影响因素。
接着，我们将详细介绍遥感监测在农作物长势评估中的应用，包括遥感数据的获取、处理与分析方法，以及长势监测的具体流程。
文章还将探讨遥感监测的优势与局限性，并对未来发展趋势进行展望。
通过本文的阐述，读者将能够更深入地了解农作物长势遥感监测的基本原理和实践应用，为农业生产的精准管理和决策提供有力支持。
二、农作物长势定义农作物长势是指农作物在生长发育过程中，其生理状态、生长速度和生物量的累积情况。
农作物长势的好坏直接反映了农作物的健康状况和产量潜力，是农业生产中重要的监测指标。
农作物长势的评估通常包括株高、叶面积、叶绿素含量、生物量等多个方面。
株高是农作物长势的直观表现，反映了作物地上部分的生长情况。
叶面积则反映了作物叶片的数量和大小，是评估作物光合能力和光能利用效率的重要指标。
叶绿素含量是评估作物叶片绿色程度和光合能力的关键参数，叶绿素含量越高，说明作物叶片的光合作用能力越强。
生物量则是指作物地上部分和地下部分的总重量，是评估作物生长速度和产量的重要依据。
农作物长势的监测对于农业生产具有重要意义。
通过对农作物长势的监测，可以及时发现作物生长过程中的问题，采取相应的管理措施，促进作物健康生长，提高产量和品质。
长势监测还可以为农业生产的决策提供支持，如调整种植密度、施肥量、灌溉量等，实现科学种植和精准管理。
随着遥感技术的发展，遥感监测已成为农作物长势监测的重要手段。
遥感技术具有覆盖范围广、监测效率高、数据连续性强等优点，可以实现对农作物长势的快速、准确监测。
通过遥感技术，可以获取作物生长过程中的多源遥感数据，结合地面观测数据，对作物长势进行综合评价和分析，为农业生产提供更加全面、准确的信息支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要 ： 开 展 了基 于 多种 植 被 指 数 （ ｖ ｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｘ ， Ｖ Ｉ ） 时 间序列 和机器 学习 （ ｍ ａ ｃ ｈ ｉ ｎ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ， ＭＬ ） 算法 的作物遥
感 分类研究 。从 Ｌ ａ ｎ ｄ ｓ ａ ｔ 一８ Ｏ Ｌ Ｉ 与Ｅ Ｏ一１ Ａ ｕ 影像 中提取 了内蒙古五原县 的时 间序列数据 。２颗卫星的参数类似 ， 且 它们联 合提供 了更 多无云覆盖的数据 。７种常用 的 Ⅵ 从时 间序列遥感 数据 中提取出来 ， 以用作 ＭＬ算 法的输入 。对
研究 ， 但他们仅利用 了 １种 Ｖ Ｉ 。Ｙ ｉ ｎ等对 比了 Ａ Ｖ ＨＲ Ｒ和 Ｓ Ｐ Ｏ Ｔ提取 的 Ｎ Ｄ Ｖ Ｉ 的差 异 ， 研 究 区域 是 内蒙 古 的农 田 。
Ｃ ｏ ｎ ｒ ａ ｄ等利用 Ｓ Ｐ Ｏ Ｔ和 Ａ Ｓ Ｔ Ｅ Ｒ提取的 Ｎ Ｄ Ｖ Ｉ 来识别乌兹别克
比分 析了 Ｓ Ｖ Ｍ、 Ｒ Ｆ 、 Ｄ Ｔ ３种 ＭＬ算法对玉米 、 向 日葵 和小麦 的区分 效果 。共选取 了 ２ ５ ８ ４个样本 ， 其中 １ ５ ５ ６个 样本用
于算 法训练 。得 到了 １ ２ ７种 Ｖ Ｉ 组合作为 输入 时 ３种算 法 的分 类精度 。结果表 明 ， Ｓ Ｖ Ｍ 的分类效 果优 于另外 ２种算 法； Ｖ Ｉ 数 目并非越多越好 ， 综合考虑算 法 的精度 和稳定性 ， ３种 Ｖ Ｉ 可以取得最佳 的效果 ； Ｓ Ｖ Ｍ＋Ｎ Ｄ Ｉ ５＋Ｎ Ｄ Ｖ Ｉ ＋Ｔ ｖ Ｉ 是 平 均分类精度最 高的组合 ， 平均 精度为 ９ １ ． ９ ７ ％。 关键词 ： 时间序列 ； 植 被指数 （ Ｖ Ｉ ） ； 机器 学习 （ ＭＬ ） ； 作物分类 ； 遥感
目前 ， 世界上大多数发 达国家都 已经开展 了基 于遥感 的
作物识别 研 究 。美 国农 业 部 早 在 ２ ０世 纪 ７ ０年 代 就 利 用
Ｌ ａ ｎ ｄ ｓ ａ ｔ 卫 星 获 取 的 时 间序 列 植 被 指 数 （ ｖ ｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｘ ， Ｖ Ｉ ）
江苏农业科学
２ ０ １ ７年第 ４ ５卷第 １ ６期
一 ２ １ ９一
苏腾 飞， 刘全 明， 苏秀 川．基 于多种植被指 数时问序列与机器 学 习的作物遥感分类研 究［ Ｊ ］ ．江 苏农业科学， ２ ０ １ ７ ， ４ ５ （ １ ６ ） ： ２ １ ９— ２ ２ ４
ｄ ｏ ｉ ： １ ０ ． １ ５ ８ ８ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ２—１ ３ ０ ２ ． ２ ０ １ ７ ． １ ６ ． ０ ５ ４
基 于多种 植被指数 时 间序列 与机器学 习的 作物遥感分类研究
苏腾 飞 ，刘全 明 ，苏 秀川
（ １ ． 内蒙古农业 大学水利与土木工程建筑学院 ， 内蒙古呼和浩特 ０ １ ０ ０ １ ８ ； ２ ． 内蒙古电力公 司电力 培训 中心 ， 内蒙古 呼和浩特 ０ １ ０ ０ １ ０ ）
确 的结果 。另外 ， 作物识别 算法 的研 究还可 以提 高农 业遥感
监测 的 自动化程度 ， 从而进一步减少农情监测 的成本 。
斯坦农业灌 区的作物种 类 。Ｄ ｕ ｒ ｏ等均采 用 了 Ｎ Ｄ Ｖ Ｉ 来 进
行作物识别研究 。在 以上研 究 中， 大 多算 法仅采 用 １ 种Ｖ Ｉ ， 采用多种 Ｖ Ｉ 的研究也很少评价不 同 Ｖ Ｉ 对作物分类的
要的； 采用合适 的 ＭＬ算法 及其最 优参 数 的选 取是农 作物 成 功识别 的关键。 Ｖ Ｉ 反映 了植被对 不 同光谱 波段 的响应 特征 。对 于不 同 种类 的作物 ， 由于其物 候特征 的差 异 ， 其 Ｖ Ｉ 时间序列会表 现 出不一样 的特点。 因此 ， 在 农业遥 感监 测 中， Ｖ Ｉ 是重 要 的研 究对象 。Ｐ ｅ ｉ ｆ ａ —Ｂ ａ ｒ ｒ ａ ｇ ａ ｎ等从 Ａ Ｓ Ｔ Ｅ Ｒ时 间序 列数 据 中提 取 了１ ２种 Ｖ Ｉ ， 并结合纹理特征 来构建 作物分类 算法 。Ｚ ｈ ｏ ｎ ｇ
识别是农业遥感 的基础研究 内容 。只有在 准确 获取农作 物种 类 的前提下 ， 作物长势 、 面积估计 和产量 预测才 可以得 到更准
豆进 行了识别 。Ｂ ｒ ｏ ｗ ｎ等利用从 ＭＯ Ｄ Ｉ Ｓ时间序列提取 的 ２ 种Ｖ Ｉ 数据 ， 对 巴西 地 区的棉花 、 大豆和 玉米进 行 了识别 Ｊ 。 Ｏ ｚ ｄ ｏ ｇ ａ ｎ也利用 了 ２种 Ｖ Ｉ ， 验证 了非监督 分类算法 在作物识 别中的应 用 。Ｓ ａ ｋ ａ ｍ ｏ ｔ ｏ等开 展 了玉米 和大豆 的遥感 分类
中图分类号 ：Ｓ １ ２ ７ 文献标志码 ： Ａ 文章编号 ： １ ０ ０ ２—１ ３ ０ ２ （ ２ ０ １ ７ Ｊ １ ６— ０ ２ １ ９— ０ ６
利用 遥感 影像 开展农作物的识别具有重要 意义” 。随 着科 学技 术的发展 ， 越来 越多 的遥 感卫 星可 以实时提供 大范 围的对地 观测 影像 ， 从 而极大地 减少 了大面积农 田监测 的成 本 。从遥 感影像中可 以获取 农作 物长势信 息 ， 并 用来估算 粮 食产量 ， 这些信息都可 以有效指 导农业 生产活 动。农 作物 的
效果 。实际上 ， 选取多种 Ｖ Ｉ ， 考察不 同 Ｖ Ｉ 对 各类作物 的识 别
效果 ， 对 于提高作物分类精度具有重要意义。 ＭＬ是业务化农 业遥 感监 测 的重要组 成部 分。近年 来 ， 多种 ＭＬ监督算法 被应 用到作 物分 全世界范围 的作 物种类识 别研究 。法 国、 加 拿大等 国家也都开展 了类似的研究 Ｊ 。利用遥感影像识别 作物种 类， 正 向着业务化 、 智能 化和 自动化发 展 ， 其 中包含 了 ２个方 面的重要 内容 ： 时间序 列 Ｖ Ｉ 对于提高作物识别精度是非常必