顾留碗，吴见*，邓凯，王端端

(1.滁州学院地理信息与旅游学院，安徽 滁州 239000；2.安徽省地理信息集成应用协同创新中心，安徽 滁州 239000；3.南京国图信息产业股份有限公司，江苏 南京 210036)

绿色植被在光谱特征上具有很多共性，常规宽波段的遥感数据较难区分作物类型[1–5]。高光谱成像技术的发展，使得在更窄波谱范围内探测作物的细微差别成为可能，可提高农作物的识别精度[6–8]。农作物的正确识别是作物长势、类型、分布范围等信息提取的前提和基础，是进行灾害监测、作物估产、农业资源调查的保障[9–10]。高光谱遥感技术具有常规影像数据不具备的光谱优势，对于精准农业的发展具有很重要的意义[11–14]。

笔者以江淮分水岭区域常见的8 种农作物为对象，通过对作物的高光谱反射特征的分析，研究了常见卫星传感器以及4 种常用植被指数对农作物的识别能力。在不同光谱变换形式分析的基础上，选取最优光谱形式构建BP 神经网络模型，对8 种农作物进行了识别。

1 数据获取及测试方法

2014年5—6月，于江淮分水岭部分地区，选取小麦、玉米、大豆、油菜、棉花、芝麻、番茄、辣椒8 种典型农作物作为光谱测试对象，每种作物选择10 处测试点，每个测试点选取6 株测试植株，采用 ASD FieldSpec Pro FR 光谱仪(光谱范围 350～2 500 nm，光谱分辨率3 nm@350～1 000 nm，10 nm@1 000～2 500 nm)，每株光谱测试3次，取平均值，即每种作物共获取60个光谱样本。测定时间为10: 00—14: 00，天气晴朗，无风，探头距离植株冠层顶约1.5 m，向下垂直。

2 农作物种类识别

2.1 8 种农作物的反射光谱特征

对测得的8 种农作物的异样光谱曲线进行筛选剔除，对剩余的光谱曲线进行均值处理，得到8 种农作物的光谱均值曲线，如图1 所示。……