基于改进分离阈值特征优选的秋季作物遥感分类

王庚泽 靳海亮 顾晓鹤 杨贵军 冯海宽 孙 乾

(1.河南理工大学测绘与国土信息工程学院， 焦作 454000；2.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室， 北京 100097；3.国家农业信息化工程技术研究中心， 北京 100097； 4.北京市农业物联网工程技术研究中心， 北京 100097)

0 引言

快速准确获取农作物种植面积是农情监测、农业种植结构调整和农业经济政策制定的重要基础数据[1-3]。传统的逐级上报和抽样调查方法，具有一定的主观因素，费时费力、时效性差。利用遥感技术可以及时、准确、客观、快速获取大范围农作物的分布，是目前农业遥感的研究热点之一[4-5]。然而，农作物之间光谱相似，具有“同物异谱、异物同谱”现象。尤其秋季作物的种植结构复杂、种植周期相同、生育期较短，同时受秋季云雨天气较多和卫星回访周期影响，难以获得高质量和最佳物候期的遥感数据[6]。目前，国内外学者主要从时相、特征以及分类方法等角度进行了大量研究[3]。

随着模式识别技术在遥感图像分类方面的应用，国内外学者一直在探索高精度、高效率的遥感图像分类方法。早期利用多时相光谱信息和农作物物候信息提取农作物时，大多数学者采用决策树方法[7]，但传统的决策树法需人工设定阈值。随着机器学习技术的发展，有学者引入支持向量机[8-9]和人工神经网络[10-11]等方法来提取农作物。由于随机森林方法不容易出现过拟合，对噪声有一定的容忍度，且分类精度高，近年来在农作物提取上得到广泛的应用[12-13]。

利用以上方法提取秋季作物时，综合多时相遥感的多特征信息提取与优化是目前研究的热点之一。结合光谱特征、光谱衍生的指数特征、时相特征、纹理特征和DEM等多特征变量，使其优势互补，可以有效提高分类精度[14]。文献[15]通过RapidEye卫星影像，比较了红边光谱特征和纹理特征在提取韩国早熟型、中熟型和中晚熟型3种水稻种植面积中的重要性，发现在单时相中红边特征能较好提高不同品种水稻的分类精度，纹理特征只带来微小的精度提高。文献[7]将DEM数据作为特征参与决策树分类，有效提高了山区农作物分布的位置精度和面积精度，解决了山区分类精度比平原差的问题。文献[16]为提取黑龙江省北安市大豆、水稻、春小麦和玉米的空间分布信息，在Sentinel-2A多时相光谱的基础上，引入不同农作物、不同物候期的NDVI时序变化特征，对比发现，总体精度和Kappa系数分别提高7.7%和0.055。

特征过多容易降低分类器性能，造成精度和效率降低[17]。多特征优选可最大程度降低特征维数，使分类器具有较好的泛化能力。优选的特征集应具有特征和目标相关性强、特征之间冗余小和类间可分性强的特点[18]。目前和随机森林分类器结合最多的是Relief F算法和基于随机森林的平均不纯度减少算法。文献[19]利用Landsat-8 OLI数据提取黄河口滨海湿地信息，发现利用Relief F特征优选的随机森林法提取湿地信息具有高精度、高效率的优势。文献[20]提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)，结合随机森林分类法提取湿地信息，并分别与Relief F算法、Boruta算法和完整特征集进行对比，结果表明，总精度提高了0.35%～1.94%，代外误差降低0.91%～1.48%，特征维度降低至10%。文献[21]综合多特征采用平均不纯度减少算法优化特征子集，特征重要性排序前9个特征参与随机森林分类时精度最高，为热带、亚热带复杂土地覆盖分类提供了借鉴经验。以上2种特征优选算法在一定程度上提高了分类精度，但算法上仍有不足，平均不纯度减少算法特征关联导致分类贡献高特征可能重要性得分低，Relief F算法没有考虑特征之间的相关性。

多特征组合和特征优选是遥感图像分类研究的热点之一。目前，基于特征优选的随机森林分类方法应用于秋季作物的分类研究较少。Relief F算法是经典的Filter式特征选择算法，但其随机性对数量不均衡的高维小样本具有一定的局限性。EMISE算法充分考虑类内和类别之间的分离度，针对每种地物提取分离度高的特征。本文针对单一降维算法特征评价不全面的问题，通过取长补短将Relief F算法和EMISE算法融合，以增加类间距离、减小类内距离为基本评价准则，提出一种结合Relief F算法的改进分离阈值组合式特征优选算法(ReEMISE)，并结合随机森林法实现对石家庄市藁城区秋季作物种植面积的提取。同时分析不同特征组合对秋季作物分类精度的影响和不同特征对秋季作物分类的重要性，通过ReEMISE降维算法与Relief F算法和EMISE算法的对比，以验证ReEMISE特征优选的随机森林分类方法(RF_ReEMISE)在秋季作物分类中的优势。

1 研究区与数据获取

1.1 研究区概况

藁城区位于河北省西南部(37.51°～38.18°N，114.39°～114.59°E,见图1)，石家庄市东侧，总面积836 km2，耕地约540 km2。由于土壤多由洪积冲积物、河流冲积物组成，肥沃可耕、灌溉便利，是华北平原的主要产粮区，素有“河北粮仓”、“燕赵天府”之称。该区秋季作物主要以小麦、玉米一年两熟的轮作模式为主，其中东南部与赵县接壤，以贾市庄镇为主，主要种植梨树；与晋州区接壤的常安镇是大棚蔬菜的主要种植基地；滹沱河北部以南董镇的北洼和北高庄村为中心，是花卉苗木种植基地。近年来，藁城区为适应市场需求积极引导农民调整种植结构，大力帮扶农民种植大豆和富硒谷子。该区秋季作物以玉米和大豆为主，小宗农作物包括谷子、花生和高粱。秋季作物在6月中上旬播种，8月进入旺盛期，9月下旬至10月上旬为收获期。

1.2 数据获取与预处理

Sentinel-2数据下载自欧洲航天局(European Space Agency，ESA)的数据共享网站(https:∥scihub.copernicus.eu/)。Sentinel-2分别由欧洲航天局于2015年6月和2017年3月发射的双星组成，其双星重访周期5 d，最高空间分辨率10 m。其波段从可见光到短波红外包括13个光谱波段，是唯一包含3个红边波段(中心波长分别为560、665、705 nm)的光学遥感卫星。根据研究区作物物候特征，选取无云质量高的Sentinel-2上层大气反射的L1C级影像3景，成像时间分别为2019年7月2日、2019年8月16日和2019年8月31日。采用精度最高[22]的SNAP软件中的大气校正模型Sen2cor对下载数据进行大气校正，对影像的10个波段(不包括b1、b9和b10)双线性重采样为空间分辨率10 m的ENVI格式的影像数据。2019年9月底开展详细的藁城实地农业种植调查，采用高精度的手持GPS获取经纬度信息并拍照记录。根据实地调查情况，影像地物分为5大类，包括玉米、大豆、经济林(果林、景观林)、小宗作物(谷子、花生、高粱)和非植被，主要秋季作物玉米、大豆的分布见图1。其中玉米、大豆、经济林、小宗作物和非植被样本数分别为204、198、121、114、189个，按照2∶1随机分为训练样本和验证样本。

2 研究方法

2.1 特征说明

目前，综合多时相遥感影像的多特征变量提取与优化是农作物遥感识别的研究热点之一。Sentinel-2影像丰富的光谱信息具有植被红边波段的独特优势，研究发现通过引入红边波段数据及其相关指数，能整体提高农作物面积识别精度[23-25]，纹理特征丰富的地物信息，也可以提高中高分辨率遥感影像的分类精度[1-2]。王娜等[26]研究发现不同时相遥感影像的波段差值在优选特征子集中占大约35%。因此，本文选择原始光谱、传统光谱指数、红边指数、不同时相波段差值、不同时相波段比值和纹理6类特征，共183个特征。

原始光谱包括3景影像的10个波段(b2、b3、b4、b5、b6、b7、b8、b8A、b11、b12)的光谱反射率，共30个特征。

不同时相波段差值和不同时相波段比值是任意组合两组不同时相遥感影像对应波段之间的差值或比值[26]，共3组影像，30个不同时相波段差值特征和30个不同时相波段比值特征。在Python 3.7中利用GDAL(Geospatial data abstraction library)批处理得到。

传统植被指数[4]与红边植被指数[27-28]区别在于是否有红边波段参与计算。3景影像共27个传统植被指数和42个红边植被指数。

根据前人研究，通过对原始影像主成分分析的第1主成分，在ENVI 5.3中利用灰度共生矩阵提取纹理特征[4]，主要包括对比度(contrast)、熵(entropy)、自相关(correlation)、均匀性(mean)、同质性(homogeneity)、方差(variance)、角二阶矩(Second moment)、非相似性(dissimilarity)。3景影像共24个纹理特征。

2.2 特征优选方法

2.2.1Relief F算法原理

KIRA等[29]1992年提出了计算特征权重的Relief算法。其基本思想通过最近邻学习，随机选取一个样本，较好的特征应该是同类样本之间的距离较小，而不同类样本之间的距离较大。通过赋予每个特征的权重判断特征的重要性。但Relief仅适用2个类别的样本。KONONENKO[30]提出了多类特征选择的Relief F算法。具体实现为：在样本中随机抽取一个实例样本R，在实例样本R的同类样本中搜索K个最近邻样本，分别在实例样本R所有的不同类样本中搜索K个最近邻样本，组成同类近邻样本集合H和不同类近邻样本集合T。再通过R与H和T中样本的距离计算特征权重W。假如m个特征，随机抽样n次的特征权重Wm的计算式为

(1)

式中c——异类样本的类别

R[m]——特征m中的随机样本R的值

H[m]——特征m中R的同类样本最近邻值

T(c)[m]——特征m中R的c类样本最近邻值

max(m)——特征m中最大值

min(m)——特征m中最小值

class(R)——样本R的类别

P(c)表示第c类目标的概率，其可由该类样本数与样本总数之比确定。

2.2.2基于图像熵的分离阈值算法(EMISE)

NUSSBAUM等[31]2006年提出了分离阈值(Separability and thresholds, SEaTH)算法。该算法通过J-M(Jeffries-Matusita)距离判断类别在特征上的分离度，对于2个类别其距离J为

J=2(1-e-B)

(2)

(3)

式中ai、σi——某特征上类别的均值和标准差,i=1,2

B——巴氏距离

余晓敏等[32]考虑到特征之间的冗余，提出了去相关性和加权类内距离的改进的分离阈值算法(Improved SEaTH, ISEaTH)。通过Pearson相关系数，设置阈值去掉相关性强的特征，其加权类内距离D计算公式为

D=(k1d1+k2d2)/(k1+k2)

(4)

(5)

式中d1、d2——某特征上某类别内所有样本的距离累加和

k1、k2——某类样本数量

ISEaTH根据类间距离、类内距离和Pearson相关系数提取影像最优特征子集，但没有考虑图像信息量。杨惠雯等[33]引入图像信息熵，提出了一种结合图像信息熵的阈值选择方法。信息熵公式为

(6)

式中p(x)——相应的概率分布函数

根据类间距离大和类内距离小原则，结合图像信息熵构建类间可分性的评价指标计算式为

(7)

可知S越大，类别的可分性越好。

2.2.3ReEMISE算法

Relief F算法具有效率高，不受数据类型限制的优势[34]。但只考虑特征与类别之间的相关性，忽略了特征之间的冗余性，特征评价不全面。EMISE算法不仅考虑图像的信息量，还通过Pearson相关系数去除特征之间的冗余。为发挥每种特征选择方法的优势，使其优势互补能全面评价特征。本文将Relief F评价准则和EMISE评价准则融合，提出了结合Relief F和EMISE算法的改进分离阈值组合式特征优选算法(ReEMISE)。首先，采用Relief F算法初选特征子集；然后对初选特征子集通过ISEaTH算法求出各特征类间距离与类内距离的比值，并乘于各特征的信息熵；再次，将ISEaTH算法计算的特征值赋予Relief F算法计算的特征权重值，即EMISE特征值与Relief F特征权重相乘；最后，计算各特征之间的Pearson相关性，通过设置阈值去除特征冗余，得到最优特征子集见图2。ReEMISE算法在Python 3.7环境下实现。

2.3 分类方法

随机森林是BREIMAN[35]于2001年提出的一种非参数分类与回归方法。该算法集成了Bagging集成学习理论和随机子空间方法，是一种高效的机器学习算法。由于其能容忍一定的噪声，不需要遵循特定的统计分布，分类精度高，对过度拟合不敏感，能处理高维数据，逐渐成为遥感影像分类应用最广泛的分类器。随机森林算法的基本思想：首选采用bootstrap抽样方法，从原始数据中有放回的重复随机抽取N个样本子集，大概每个子集的数据占总样本的2/3,1/3未被抽到的样本称为袋外数据。然后对N个样本子集构建N棵决策树，随机抽取m(m

2.4 实验方案

为提高秋季作物分类精度，本文设计2种实验方案，见表1。方案1设计4组实验对比分析不同特征降维算法的随机森林分类精度以及与支持向量机分类器的对比研究。方案2设计7组实验对比分析不同特征组合。其研究目的为：① 研究不同特征选择算法对分类精度的影响，分析不同特征的重要性程度。② 通过不同实验对比，研究不同特征组合对分类精度的影响。

表1 实验方案Tab.1 Experimental programs

3 结果与分析

3.1 RF_ReEMISE分类精度分析

3.1.1分类结果及精度分析

ReEMISE特征优选随机森林分类法中，Relief F特征初选阈值为100，即选取特征权重排序较大的前100个特征组成特征初选子集。本文根据前人研究成果[32-33,36]以及实验对相关性系数阈值选取0.96。最终得到重要性较高的68个特征见图3，图中，7、8、9分别表示2019年7月2日、2019年8月16日、2019年8月31日影像，r89b11表示2019年8月31日影像b11波段和2019年8月16日影像b11波段的比值，依此类推。在特征数为9个时分类精度最高，总体精度和Kappa系数分别为95.391 8%和0.939 7，见表2。前9个特征重要性得分高，分类精度急剧上升。9个之后特征重要性较低，对分类虽有一定程度的贡献，但特征之间冗余性增强，随机森林分类器性能受影响，分类精度处于波动状态。RF_ReEMIS分类精度混淆矩阵见表2，玉米的生产者精度大于用户精度，造成用户精度低主要是玉米与小宗作物和经济林发生错分，因为小宗作物地块交叉在大片玉米田中，预处理时的重采样使类别边界模糊以及混合像元造成玉米和小宗作物错分，玉米和经济林的光谱相似也造成两者错分。经济林生产者精度较低，主要因为农民在小果树下种植蔬菜以及在道路两旁的景观林下种植大豆造成漏分。小宗作物生产者精度和用户精度都是最低的。主要原因为：① 小宗作物样本少，特征选择和随机森林分类算法的偏向造成。② 常安镇里庄村蔬菜种植地块狭小，种类繁多以及收获时期不同，容易和裸地发生混淆。③ 南董镇的花卉基地地块破碎，实地调研发现花农会在裸地种植小块作物和蔬菜，容易和经济林发生混淆，见图4a。

表2 ReEMISE特征选择的随机森林分类精度Tab.2 Classification accuracy of RF_ReEMISE

3.1.2选取特征重要性分析

从图3中看出，特征重要性差异较大，最高的重要性得分达2 622.217 611，最低重要性得分只有0.019 185，对分类几乎不产生影响。重要性得分排序前9个特征是7contrast、8b2、8b4、7variance、8b3、r89b11、7PSSRa、9b3、8MNDWI。纹理特征7contrast和7variance分别位居第1和第4位，重要性得分远高于其他。在前60个特征中出现的纹理特征只包括3个不同时相的对比度(contrast)、方差(variance)和非相似性(dissimilarity)，其都体现了图像的差异性,说明在秋季作物分类中应选择与差异性有关的纹理特征。2019年7月2日影像纹理特征重要，主要因为此物候期植被地表覆盖度不同(覆盖度由大到小依次为：经济林、玉米、大豆、非植被)。虽然玉米和大豆都处于苗期，但玉米地表覆盖度大影像亮度较暗，大豆土壤裸露多影像较亮。原始光谱在重要性中占有重要地位，前9个特征中8b2、8b4、8b3、9b3得分769.823 441、417.334 399、246.646 688、88.710 256。可知，在Sentinel-2的3个时相30个光谱中可见光波段最重要，其次是短波红外，这与王利民等[37]的研究结果一致，短波红外的加入可以一定程度上提高玉米和大豆的分类精度。红边波段是植被在红光波段和近红外波段之间的一个“爬坡现象”，是Sentinel-2卫星除10 m分辨率外的又一优势。很多学者对红边波段在植被分类中的重要性进行了研究[38-39]。从特征重要性得分排序看出，红边波段对农作物面积提取有一定帮助，主要体现在红边的b5波段，与MARKUS等[25]研究结果一致。红边波段排在其次的是b6波段，b7波段被全部剔除。r78b5和r78b6分别排在40位和43位，不同时相的红边波段比值的重要性反映了红边波段对植被变化比较敏感。近红外波段对农作物提取贡献最小，主要体现在不同时相的短波红外光谱比值，其r89b11特征排在第6位。水体指数重要性较高主要因为研究区内包括了滹沱河和人工湖，改进的归一化差异水体指数(MNDWI)比归一化水体指数(NDWI)重要性高，说明利用短波红外代替近红外的MNDWI提取水体更有效[40]。从特征重要性得分和排序上看，红边植被指数比传统指数中的传统植被指数重要性高，传统植被指数主要体现在能有效降低土壤背景噪声影响的修正土壤调节植被指数(MSAVI)和增强植被指数(EVI)。红边植被指数重要性最高的是冠层叶绿素指数(PSSRa)，其次是叶绿素吸收指数(MCARI2)、地面叶绿素指数(MTCI)、红边叶绿素指数(CIre)。红边植被指数的重要性体现在和叶绿素的相关性较大的指数上，说明不同植被叶绿素含量不同，光谱具有差异。利用与叶绿素相关性高的指数可以提高秋季作物分类精度，为农作物种植面积提取提供新思路。分类效果最佳时，9个特征中不同特征所占的比重见图5，多时相光谱特征最显著，达到44.4%，其次是纹理特征，占比22.2%。

从表3中可以看出，8月中旬是提取农作物的最佳时相，此时主要秋季作物玉米、大豆、谷子和花生等处于茂盛期，光谱信息丰富，同类地物光谱差异小，不易造成“同物异谱”现象。同时，藁城区主要种植的漏天蔬菜菜花处于刚定植时期，生长稀疏，易于光谱识别。其次是7月上旬，此时秋季主要作物处于苗期，而果林和景观林长势茂盛，易于光谱识别。8月末和9月上旬，此时同种作物播种时间差异光谱反映明显，“同物异谱”现象严重。

表3 优选特征子集不同时相分布Tab.3 Feature subsets preferably distributed in different phases

3.2 方案1不同特征选择算法及不同分类器精度比较

为比较ReEMISE算法特征选择效果，分别与Relief F算法和EMISE算法的随机森林分类精度比较。同时与支持向量机分类法比较，验证随机森林处理高维小样本数据的性能。4种不同实验的分类结果见图4，通过目视解译法与原始图像比较，RF_Relief F和SVM_ReEMISE椒盐现象严重，右下角的梨园存在严重的错分情况，见图6。为定量评价不同实验的分类精度，实验评价指标包括总体分类精度、错分误差、漏分误差和Kappa系数。由表4可知，在特征变量9个时，ReEMISE算法达到最高分类精度，其总体精度和Kappa系数分别为95.391 8%和0.939 7，相比EMISE算法和Relief F算法总体分类精度分别提高1.654 9%和24.036 8%，Kappa系数提高0.021 6和0.309 6。Relief F算法在特征变量18个时达到最高精度，其总体精度和Kappa系数分别为95.340 3%和0.939。Relief F算法在特征变量45个时达到最高精度，其总体精度和Kappa系数分别为95.315%和0.938 7。由于前9个特征重要性得分高，3种算法分类精度指标都快速上升。ReEMISE算法在9个特征达到最高精度，然后随着特征增加，特征之间出现冗余并且重要性降低，造成精度下降。Relief F算法特征变量在9～18之间精度指标逐渐上升达到最高，然后处于波动状态。EMISE算法特征变量9个之后精度指标逐渐缓慢上升，45个时达到最高精度，然后略有下降。从图7可以直观看出，利用ReEMISE特征优选算法提取农作物，每种类别的错分误差和漏分误差都小于其他算法。ReEMISE算法错分误差和漏分误差最大的是小宗作物分别为30.24%和11.60%，与EMISE算法相比错分误差降低6个百分点，漏分误差降低8.43个百分点。与Relief F算法相比错分误差降低19.02个百分点，漏分误差降低15.18个百分点。由以上得出，ReEMISE算法选择子集最优，主要包括2个方面：① 最高精度时特征变量数量最少。

表4 不同特征选择算法随机森林分类精度比较Tab.4 Comparison of classification accuracy of random forest with different feature selections

② 3种算法不同特征变量数量达到最高精度时ReEMISE算法分类精度指标最高。在ReEMISE特征选择下，比较随机森林分类器和支持向量机分类器性能。随机森林9个特征变量时达到最高精度，比支持向量机总体精度提高16.96%，Kappa系数提高0.219 1。支持向量机分类法在特征变量33个时达到最高精度，总体精度和Kappa系数分别为95.135 9%和0.936 5。由表4看出，随机森林分类器总体上优于支持向量机分类器。采用i7-9750H CPU,16 GB内存的测试环境，随机森林分类时，183个特征全部参与分类用时610 s，9个特征分类用时123 s。支持向量机法在最高精度33个特征时分类用时542 s。ReEMISE降维算法能在保证精度下提高分类速度。

3.3 方案2不同特征组合精度分析

为了定量准确评价不同特征组合对农作物提取精度的影响，本文通过在光谱特征基础上分别加入不同特征共设计7组实验进行验证，其评价指标主要包括总体精度、Kappa系数、生产者精度和用户精度，见图8。多时相光谱特征实验总体精度为93.043 4%，Kappa系数为0.908 8。在多时相光谱特征的基础上加入传统指数和红边指数后分类精度都有所提升，总体精度分别提高1.502 1、1.571 7个百分点，Kappa系数分别提高0.019 8和0.020 7。其中红边指数特征精度最高，说明植被的红边可以显著提高秋季作物分类精度。但加入纹理特征、波段比值特征和波段差值特征后精度都略有下降，其中加入纹理特征后只对非植被精度略有改善，而导致植被类包括玉米、大豆、小宗作物和经济林的生产者和用户精度降低。说明中分辨率10 m的遥感影像纹理特征不一定能提高秋季作物分类精度，甚至可能降低精度。加入波段差值和波段比值特征精度下降，说明多时相光谱特征与波段差比特征相关性强，对分类贡献小。这与图3特征的重要性排序结果一致，从183个特征中选择重要性较高的68个特征，不同时相的波段差值特征全部被剔除。加入传统指数，除了非植被类别用户精度略微降低外，其他类别用户精度和生产者精度都有提升，尤其对经济林、小宗作物和大豆的生产者精度分别提高2.89、2.26、2.61个百分点。说明传统指数的加入有助于提高经济林、小宗作物和大豆的精度。加入红边指数，经济林的生产者精度提高最显著，由83.72%提高到90.94%。加入红边指数对提高大豆和玉米的精度也有帮助，但小宗作物的生产者精度下降1.4个百分点。波段差值导致各类别用户精度和生产者精度不增反降。波段比值除大豆生产者精度和小宗作物用户精度下降外，其他都有不同程度提高。说明不同时相波段比值特征比波段差值特征对提高秋季作物分类精度更有帮助。ReEMISE算法特征优选结果与多时相光谱相比总体精度提高2.348 4个百分点，Kappa系数提高0.030 9。特征优选中各类别的生产者精度和用户精度都比其他特征组合的精度高，说明多种特征组合可以有效提高秋季作物分类精度。

4 结论

(1)在随机森林分类前，利用ReEMISE降低特征维度可以有效提高运算速度和分类精度。相比Relief F和EMISE降维算法，ReEMISE在保证分类精度的前提下，可大幅降低特征维度，说明ReEMISE优选的特征子集数据冗余小、特征重要性高，能很好地平衡特征维度和分类精度，与支持向量机分类器相比，随机森林分类精度更高。

(2)在多时相光谱特征基础上，通过单独引入不同特征研究了不同特征对秋季作物分类精度的影响。传统指数特征和红边指数特征对分类精度产生积极影响，分别加入纹理特征、不同时相波段比值特征和不同时相波段差值特征后分类精度有所下降。全部特征参与的特征优选组合生产者精度和用户精度都比其他组合高，综合多特征是提高秋季作物分类精度的关键。

(3)特征重要性分析表明，原始光谱信息的8b2(2019年8月16日影像蓝光)、8b4(2019年8月16日影像红光)、8b3(2019年8月16日影像绿光)、9b3(2019年8月31日影像绿光)最重要，其次是纹理信息的7contrast(2019年7月2日影像对比度)、7variance(2019年7月2日影像方差)，证明了能表现差异性的纹理特征在农作物分类中的重要性。不同时相波段的差值特征全部被舍弃。