農作物面積空間抽樣調查研究進展*

申克建，何 浩，蒙紅衛，孫冠楠

(1.北京師范大學資源學院，地表過程與資源生態國家重點實驗室，北京 100875;2.北京師范大學減災與應急管理研究院，北京 100875)

及時獲取農作物種植面積信息及其空間分布狀況，對于準確估計和預測農作物產量，制定農業政策，確保國家糧食安全具有重要意義［1-4］。中國法定部門主要通過兩種方式獲取農作物種植面積信息:一是層層上報;二是抽樣調查。層層上報受行政和人為因素干擾嚴重，準確性差;抽樣調查方法雖然人為干擾小、準確性高，但工作量大，人力、物力、財力投入大。兩種方法都無法提供農作物空間分布狀況［5］。

遙感具有覆蓋范圍大、探測周期短、現勢性強、費用成本低等特點，為快速、準確、動態監測糧食作物種植面積提供了技術手段［6-7］。按遙感在農作物面積調查中的作用，可以把農作物面積調查方法總結為三種:遙感數據為主要信息源的方法、多源數據復合方法和空間抽樣調查方法。遙感數據為主要信息源的方法有:目視解譯［8］、監督分類［9-10］、非監督分類與其它方法結合［11］、模糊分類［12-13］、人工神經網絡影像分類［14］、基于專家知識和地學知識的圖像分類［15-16］、面向對象分類［17-18］、混合像元分解［19］。多源數據復合方法有:輔助數據與遙感數據復合［11］、多時相遙感數據復合［20-21］、多分辨率遙感數據復合［22］。空間抽樣調查方法有回歸估計、系統抽樣、分層抽樣、小面積估計等方法。

農作物面積調查存在精度、時效和成本的矛盾。一些在小范圍取得高精度的方法不適合大尺度，還存在成本高等問題［23］。因此，大尺度農作物面積調查常采用空間抽樣調查方法［24］，這種方法較好地解決了精度、時效和成本之間的矛盾，已被應用于美國、歐盟和中國等國家和地區農作物面積調查。文章主要回顧農作物面積空間抽樣調查的發展過程，預測了農作物面積調查的發展趨勢，希望能對農作物抽樣調查的研究和應用提供指導。

1 農作物面積空間抽樣調查概述

傳統抽樣中每個對象被分配一個編號以區別抽樣對象，對換任意兩編號對象，不改變抽樣結果。和傳統抽樣調查相比，空間抽樣調查對象具有地理空間坐標，如果改變空間對象的位置，則改變抽樣調查總體，影響抽樣調查結果［25］，即空間抽樣調查對象有地理空間坐標和屬性值。農作物面積空間抽樣調查通常依據面積樣框進行，面積樣框抽樣源于美國國家農業統計局的面積抽樣調查，面積樣框抽樣彌補了目錄抽樣中目錄框現勢性差的不足。根據抽樣單元的形狀，面積樣框有點、樣條、切塊等形狀［26］。在理論上“點”是零維的，實際調查中被指定成小面積樣方用于觀測。樣條是具有一定寬度的“線”。切塊可以通過兩種方式定義面積單元，一種是以公路、鐵路、水渠等為自然邊界;另一種是正方形、長方形等規則樣框，相比之下，規則樣框的建立要快速經濟的多。這兩種面積樣框的估計精度已被證明是相似的［27］。

當采用面積樣框時，遙感數據可以輔助空間抽樣調查。在抽樣設計階段，遙感數據提供研究區概貌，輔助定義抽樣單元、定義層、抽樣單元大小;在估計階段，遙感分類影像作為回歸估計或基于混淆矩陣估計的輔助變量［26］。此外，遙感數據還能提供野外調查的地圖文件，控制測量結果質量［28］。

2 空間抽樣調查技術國外研究進展

20世紀70年代以來，美國、歐盟、加拿大、巴西、俄羅斯、印度等國家和地區先后開展了小麥、玉米、水稻、大豆、棉花等主要農作物種植面積和產量的估算等工作，實施了一系列重大計劃，利用遙感技術改進傳統農業統計方法，并形成了業務化運行的面積和估產系統［29］，創造了巨大經濟與社會效益。國際上與農作物面積估計有關的農情遙感監測與作物估產系統以美國、歐盟為主要代表［30］。

2.1 美國的農作物面積調查

1974～1977年，美國農業部 (USDA)、國家海洋大氣管理局 (NOAA)、宇航局 (NASA)和商業部合作主持了“大面積農作物估產實驗 (Large Area Crop Inventory and Experiment)”計劃，簡稱LACIE計劃。LACIE計劃早期采用遙感結合抽樣的方法進行農作物面積估計，使用Landsat Mss影像，抽樣單元大小是9.26×11.11km2。最初主要分析抽樣誤差的影響，很快發現面積估計的誤差主要來自影像分類的錯分誤差和漏分誤差［31，32］。

1980～1986年，美國農業部、宇航局、商業部、國家海洋大氣管理局和內政部開展了農業和資源的空間遙感調查計劃 (Agriculture and Resources Inventory Surveys Through Aerospace Remote Sensing，簡稱AgRISTARS計劃)［33］。農作物面積估算是將“六月農業測量”(June Agricultural Survey)數據和遙感分類結果建立回歸關系，按照分層抽樣模型匯總出整個調查區的農作物面積，樣方大小從259 hm2(耕地)到25.9 hm2(城區)，樣方選取比例是耕作區高，非耕作區低［34］。

1997年～至今，美國農業部的國家農業統計局 (National Agricultural Statistical Service)實施了農田數據層計劃 (Cropland Data Layer Program，簡稱CDL計劃)，將遙感分類結果 (TM或AWiFS數據)和六月測量數據進行回歸估計，2007年首次實現了作物生長季期間的農作物面積估算，2010年實現了27個州的16種農作物面積估算，通過小面積估計方法在作物生長季結束時實現了36個州的農作物面積估算［35］。美國農業部外國農業服務局 (Foreign Agricultural Service)的一項任務是監測全球其他國家的農作物長勢，估計其單產潛力，農作物種植面積估計主要靠各國政府的報告和統計資料［32］。

2.2 歐盟的農作物面積調查

2.2.1 MARS計劃

歐盟MARS計劃 (Monitoring Agriculture with Remote Sensing)是將遙感技術應用于農業統計的十年項目，1987年由負責歐盟農業的歐盟第六司提出，1988年與歐盟委員會統計辦公室合作開展，其協調和組織工作由位于意大利的歐盟聯合研究中心 (Joint Research Centre)的遙感應用研究所 (Institute of Remote Sensing Applications)負責［36-37］。研究目的是開發出能夠改善歐盟農業統計體系的新方法，通過在大尺度實驗建成能夠實際應用的運行系統。這個計劃分兩個階段:MARS－I和MARS－II。MARS－I(1989～1993)包括七項行動［36］，有兩項行動和農作物面積估算有關［37］。行動1是區域面積清查，目標是通過面積框抽樣估計農作物面積和產量。行動4是農作物面積和產量變化的快速估計，目標是快速估計農作物面積和產量［38］。MARS－II(1994～1998)包括 MARS－STAT、MARS－CAP、MARS－Extensions三項。MARS－STAT的目標是通過遙感技術改進農業統計，分為行動A和行動B，分別對應原MARS－I計劃中的行動1和行動4;MARS－CAP的目標是農業補貼政策研究;MARS－Extensions的目標是歐盟的方法應用于非歐盟國家和地區［39］。

行動1(行動A)最初選擇5個實驗區，1992年增加了西班牙、希臘、中歐的實驗區，借鑒USDANASS方案，通過分類結果 (主要是Landsat－TM，一些是SPOT XS)和面積框地面調查數據建立回歸關系［32］，估計了小麥、大麥、玉米、水稻、油菜、豆類、向日葵、甜菜等農作物的面積［39］。抽樣單元依據土地覆蓋狀況而定，從25hm2到200hm2，當時業務部門不能接受遙感技術的高成本［40］。

行動4(行動B)估計的對象是歐盟，從3月到11月，每月向歐盟委員會提供一次估計結果。采用兩階段抽樣方案，第一階段在歐盟范圍內布設60個40km×40km大小的樣區［38］，第二階段是在每一個樣區內布設16個700m×700m大小的樣方［37］，主要使用SPOT－XS影像，少量使用Landsat－TM影像，不使用地面調查數據。首先把92%的像元硬分類，8%的像元軟分類，然后將分類結果根據農業政策等其它輔助信息進行調整，主要農作物的精度從±10%到±30%［40］，遙感影像對估計誤差的影響還存在很大的爭論［32］。

2.2.2 LUCAS計劃

歐盟LUCAS計劃 (Land Use/Cover Area－frame Survey)是一個多目標和多使用者計劃，一個目標是進行主要農作物面積估計，為農業統計用戶服務［32，41］。這項計劃每三年一個周期，已經進行了三個階段:

LUCAS2001－2003采用集中樣方的兩階段系統抽樣，初級抽樣單元 (PSU)采用系統抽樣的方法，格網大小18km×18km，格網交點上布設10個樣方 (兩排，每排5個，樣方相距300m)，大約抽取了10 000個PSUs;次級抽樣 (SSU)單元是直徑3m大小的圓形樣方。具體一種土地覆蓋的估計是將研究區的面積乘以它在地面調查中所占比例［32］。

LUCAS2006采用非集中樣方的兩相系統抽樣，第一階段采用系統抽樣，以2km為步長布設樣方，布設990 000個樣方，這些樣方通過歷史高分辨數據 (大部分是1m分辨率)進行分類識別，然后對分類識別結果分層，分層會存一定誤差，但可以滿足大部分農作物估算精度的需求。第二階段根據第一階段分層結果，不同層抽取不同比例進行地面調查，比如農作物抽取50%樣本，裸地抽取10%樣本。最后抽取250 000個樣方［42］。具體一種土地覆蓋的估計是將研究區面積乘以它在地面調查中所占比例［43］。

LUCAS2009的抽樣方案類似于LUCAS2006年的抽樣方案，但是農業層的抽樣比減小，其它層的抽樣比增加，抽取230 000個樣方。LUCAS目前已經完成了實驗階段，成為一項歐盟的業務化運行業務，被應用為農業環境指標［32］。

2.2.3 Geoland2計劃

Geoland2計劃由歐盟第7框架計劃支持，開始于2008年9月，計劃持續50個月，耗資3 250萬歐元［44］，其子項目SATCHMO－AFS(Area Frame Sample)正在研究分辨率1～4m的遙感數據用于估算歐盟土地覆蓋面積 (變化)的潛力。Geoland2計劃采用系統抽樣方法，抽取約200個10 km ×10 km的單元，這種方法估計土地覆蓋的結果并不理想，但這種方法估算土地覆蓋變化的結果較好［45］。

2.3 其他國家

加拿大、巴西、俄羅斯、印度、阿根廷都建立了包含面積監測在內的農情遙感監測系統。這些系統的面積估算方法多是在LACIE和AgRISTAR項目基礎上發展起來的［29］，該文不作介紹。

2.4 國外空間抽樣調查技術小結

國外很多國家都建立了包含面積監測在內的農情遙感監測系統，對農作物面積進行業務化監測，為相關組織機構和政府決策提供依據。國外農作物面積空間抽樣調查的方法主要是回歸估計、小區域估計、系統抽樣、分層抽樣以及上述方法的組合。

美國的LACIE計劃、AgRISTARS計劃、CDL計劃中的農作物面積估算都采用了回歸估計實現主要農作物面積的估計，CDL計劃在36個州通過小區域估計進行了16種農作物面積的估計。

歐盟的MARS計劃、LUCAS計劃、Geoland2計劃中的農作物面積估算都采用了系統抽樣或者系統抽樣與分層抽樣結合的方法。LUCAS計劃已成為歐盟的一項業務化運行業務，其面積估計結果被應用為農業環境指標。Geoland2計劃的方法估計土地覆蓋的結果并不理想，但估算土地覆蓋變化的結果較好。

3 中國空間抽樣調查技術研究進展

我國農業土地覆蓋與美洲、歐洲和澳洲不同，地塊破碎，套種、間種普遍存在，為此國內進行了大量研究與應用示范，提出了許多針對我國復雜農情狀況的空間抽樣方法，建立的業務化運行系統有“全球農情遙感速報系統”和“北京市統計生態資源遙感測量運行系統”等。

周華茂以成都平原為研究區，以1:10萬地形圖作為工作底圖，將樣方大小定義為500m×500m，根據水稻生產的集約化程度、地形地貌、土地利用現狀等生長環境把研究區分為6層，建立了一套適合我國南方水稻播種面積抽樣調查的技術體系，調查精度能滿足水稻面積宏觀監測和水稻估產中面積調查的精度要求［46］。陳仲新等采用的抽樣單元為縣，以全國縣級冬小麥統計數據為分層指標，用累計平方根法將全國1411個冬小麥生產縣分為6層，建立全國冬小麥面積變化遙感監測抽樣外推模型，然后近似隨機地從各層抽取冬小麥生產縣，用TM影像人工判讀的方法解譯冬小麥的變化，最后利用外推模型得出全國冬小麥面積的變化［47］。焦險峰以全國1∶10萬土地利用圖為背景數據庫，提取主產區水田分布信息，以此為抽樣總體，采用1∶5萬比例尺標準地形圖幅作為分層抽樣的抽樣單元，以抽樣單元中水田面積作為分層標志，用累計平方根法將所有抽樣單元分為6層，以遙感數據與地面調查相結合的方法監測樣本的當年和上一年水稻種植面積，在給定精度條件下估算水稻種植面積年際變化率，為農業部全國水稻遙感監測提供了大尺度水稻遙感監測的運行方案［47］。

中國科學院遙感應用研究所建設和運行了“全球農情遙感速報系統”，是全球尺度農情遙感業務監測的主要運行系統之一，可以在全球尺度提供作物長勢、單產、種植面積、產量和旱情等農情信息。自1998年建設至今，監測范圍拓展到全球26個國家，監測目標從冬小麥單一作物發展到小麥、水稻、玉米等多種作物，監測結果為國家重大決策提供了可靠的信息支持［49］。作物種植面積遙感監測方面，系統采用GVG農情采樣系統進行全國范圍的作物種植結構調查，農作物種植面積估算的報告單元可以是縣級和省級。正在開展的光學遙感數據與SAR數據融合的作物識別方法研究，有望進一步發展作物精準識別方法，解決國外作物種植面積監測的難題［49］。GVG農情采樣系統存在樣本代表性的問題，在我國種植結構復雜地區無法獲取作物的真實比例［50］。系統存在著強度大，費用高的不足［29］。

全國范圍的農作物面積遙感監測由于缺乏運行化的規范方法而一直未能正式納入政府統計體系［11］。國家統計局在北京師范大學的支撐下建設和運行了“國家糧食主產區糧食作物種植面積遙感測量與估產業務系統”，農作物面積遙感測量與估產連續多年在江蘇、河南、湖北、吉林開展示范應用，基本具備了推廣應用基礎［51］。在北京師范大學的技術支持下，北京市統計局建設和運行了“北京市統計生態資源遙感測量運行系統”，采用遙感結合抽樣的技術手段調查農作物面積，取代了傳統的層層上報和傳統抽樣調查，2009年正式應用到北京市的統計工作中［52］。

4 結束語

經過30多年的發展，國外在農作物面積估算方面的突出優點總結為以下幾個方面:第一，建立了業務化運行系統，其估計結果被用于指導國內外農業政策的制定;第二，隨著新數據的誕生、新監測技術的發展以及對全球尺度農情信息需求的不斷增加，估算方法不斷改進，遙感結合抽樣的方法是其主要估算方法。

國外的研究對我國同類研究和應用的借鑒有以下幾個方面:第一，借鑒其遙感結合抽樣的方法，設計符合中國土地覆蓋特點的抽樣估算方法。第二，借鑒美國的小區域估計，使抽取的樣本既能估計本級總體，又能滿足估計下一級總體的要求［53］。第三，借鑒其空間抽樣和調查的技術標準和規范，包括其土地覆蓋分類系統，幾何校正等遙感數據處理標準，外業調查規范等，以及空間抽樣框架的選擇、樣本容量的計算、總體外推和抽樣精度的定量表達等。

此外，還需深入研究樣本空間布局合理性問題，成本和精度最優化等問題。上述農作物面積監測計劃沒有充分發揮遙感技術的潛力，農作物種植面積監測不是依賴大量的地面調查，就是依賴高分辨率遙感數據。要使大尺度農作物面積空間抽樣調查方案達到農業統計的要求，需要進一步研究地統計學在農作物面積估算的潛在應用價值［28］。隨著無人機遙感技術在民用領域的廣泛應用［54-55］，它具有減少地面調查強度，降低成本，保障高分辨數據獲取的優勢［56］，因此它有望代替地面調查。Laliberte［57］等應用無人機遙感數據進行牧場監測，證明無人機遙感數據可以補充或者替代部分地面調查數據;Breckenridge［58］研究證明無人機可以在較短的時間內能采集大范圍的影像，其采集效率比地面數據采集要高的多。因此，航空遙感結合航天遙感技術，將是多種行業應用的發展趨勢，也是農業統計重要發展方向。

［1］Quarmby N A，Milnes M，Hindle T L，et al．The use of multi－temporal NDVI measurements from AVHRR data for crop yield estimation and prediction．International Journal of Remote Sensing．1993，14(2):199～210

［2］Tao F，Yokozawa M，Zhang Z，et al．Remote sensing of crop production in China by production efficiency models:models comparisons，estimates and uncertainties．Ecological modelling．2005，183(4):385 ～396

［3］Blaes X，Vanhalle L，Defourny P．Efficiency of crop identification based on optical and SAR image time series．Remote sensing of environment．2005，96(3-4):352～365

［4］Tsiligirides T A．Remote sensing as a tool for agricultural statistics:a case study of area frame sampling methodology in Hellas．Computers and electronics in agriculture．1998，20(1):45～77

［5］馬麗，顧曉鶴，徐新剛，等．地塊數據支持下的玉米種植面積遙感測量方法．農業工程學報．2009，25(8):147～151

［6］劉紀遠．國家資源環境遙感宏觀調查與動態監測研究．遙感學報．1997，1(03):225～230

［7］童慶禧．遙感科學技術進展．地理學報．1994，49(S1):616～624

［8］王乃斌．中國小麥遙感動態監測與估產．北京:中國科學技術出版社，1996:305

［9］劉東林，周建林，王晶鑫，等．農作物遙感分類中一種改進的最大似然法．中國農業資源與區劃．1998(05):15～18

［10］Baban S，Luke C．Mapping agricultural land use using retrospective ground referenced data，satellite sensor imagery and GIS．International Journal of Remote Sensing．2000，21(8):1757～1762

［11］焦險峰．大尺度作物面積遙感抽樣調查方法研究．中國農業大學學報，2006

［12］李郁竹，曾燕．應用NOAA/AVHRR數據測算局地水稻種植面積方法研究．遙感學報．1998，2(02):125～130

［13］尤淑撐，張瑋，嚴泰來，等．模糊分類技術在作物類型識別中的應用．國土資源遙感．2000，(1):39～43

［14］閻靜，王汶，李湘閣．利用神經網絡方法提取水稻種植面積——以湖北省雙季早稻為例．遙感學報．2001，5(03):227～230

［15］傅肅性．地學分析在遙感專題制圖中的應用．國土資源遙感．1994(03):41～47

［16］楊存建，周成虎．基于知識的遙感圖像分類方法的探討．地理學與國土研究．2001，17(01):72～76

［17］張建國，李憲文，吳延磊．面向對象的冬小麥種植面積遙感估算研究．農業工程學報．2008，24(05):156～159

［18］鄧媛媛，巫兆聰，易俐娜，等．面向對象的高分辨率影像農用地分類．國土資源遙感．2010(04):117～121

［19］Quarmby N A，Townshend J，Settle J J，et al．Linear mixture modelling applied to AVHRR data for crop area estimation．International Journal of Remote Sensing．1992，13(3):415～425

［20］馬麗，徐新剛，賈建華，等．利用多時相TM影像進行作物分類方法．農業工程學報．2008，24(S2):191～195

［21］Xiao X，Boles S，Liu J，et al．Mapping paddy rice agriculture in southern China using multi－ temporal MODIS images．Remote Sensing of Environment．2005，95(4):480 ～492

［22］康曉風，王乃斌，楊小喚．糧食種植面積提取方法的發展與現狀．資源科學．2002，24(5):8～12

［23］許文波．大范圍作物種植面積遙感監測方法研究．中國:2004

［24］黃青，王迪，劉佳．農情遙感監測中空間抽樣技術研究現狀與發展趨勢．中國農業資源與區劃．2009，30(2):13～17

［25］姜成晟，王勁峰，曹志冬．地理空間抽樣理論研究綜述．地理學報．2009，64(3):368～380

［26］Carfagna E，Gallego F J．Using remote sensing for agricultural statistics．International statistical review．2005，73(3):389 ～404

［27］Alonso F G，Soria S L，Cuevas Gozalo J M．Comparing two methodologies for crop area estimation in Spain using Landsat TM images and ground-gathered data．Remote Sensing of Environment．1991，35(1):29 ～35

［28］Gallego F J．Remote sensing and land cover area estimation．International Journal of Remote Sensing．2004，25(15):3019 ～3047

［29］吳炳方，蒙繼華，李強子．國外農情遙感監測系統現狀與啟示．地球科學進展．2010，25(10):1003～1012

［30］吳炳方．中國農情遙感速報系統．遙感學報．2004，8(6):481～497

［31］Heydorn R P．Using satellite remotely sensed data to estimate crop proportions．Communications in Statistics-Theory and Methods．1984，13(23):2881～2903

［32］Benedetti R，Piersimoni F，Bee M，et al．Agricultural survey methods．Wiley Online Library，2010

［33］周清波．國內外農情遙感現狀與發展趨勢．中國農業資源與區劃．2004，23(5):10～14

［34］Macdonald R B，Hall F G．Global crop forecasting．Science．1980，208(4445):670

［35］Bailey J T，Boryan C G．Remote Sensing Applications in Agriculture at the USDA National Agricultural Statistics Service．2010．

［36］劉海啟．歐盟MARS計劃簡介與我國農業遙感應用思路．中國農業資源與區劃．1999，20(03):55～57

［37］Ringvall A，Stahl G，Teichmann V，et al．Two－phase approaches to point and transect relascope sampling of downed logs．Canadian Journal of Forest Research － Revue Canadienne de Recherche Forestière．2001，31(6):971 ～977

［38］Gallego J，Carfagna E，Baruth B．Accuracy，Objectivity and Efficiency of Remote Sensing for Agricultural Statistics．2008

［39］Gallego F J．Crop area estimation in the MARS project:Conference on ten years of the MARS Project，Brussels．1999．1 ～11

［40］Workshop I W V．ISPRS Archives XXXVI－8/W48 Workshop proceedings:Remote sensing support to crop yield forecast and area estimates．http://www．isprs．org/publications/PDF/ISPRS_Archives_WorkshopStresa2006．pdf，2006

［41］Delinc J．A European approach to area frame survey:Proceedings of the Conference on Agricultural and Environmental Statistical Applications in Rome(CAESAR)．2001．5～7

［42］Jacques P，Gallego J．The LUCAS 2006 project– A new methodology．Joint Research Centre，European Commision．Avaiable on－line:http://mars．jrc．it/Bulletins-Publications/The－LUCAS－2006－project－A－new methodology．2006

［43］Gallego J，Bamps C．Using CORINE land cover and the point survey LUCAS for area estimation．International Journal of Applied Earth Observation and Geoinformation．2008，10(4):467～475

［44］http://www．gmes．info/pages－principales/projects/land－projects/more－on－geoland2/［EB/OL］．2011

［45］Gallego F J．The efficiency of sampling very high resolution images for area estimation in the European Union．2011，1:1 ～13

［46］周華茂．水稻播面遙感抽樣調查技術探討．西南農業學報．1996，9(03):100～105

［47］陳仲新，劉海啟，周清波，等．全國冬小麥面積變化遙感監測抽樣外推方法的研究．農業工程學報．2000，16(05):126～129

［48］焦險峰，楊邦杰，裴志遠．基于分層抽樣的中國水稻種植面積遙感調查方法研究．農業工程學報．2006，22(5):105～110

［49］吳炳方，蒙繼華，李強子，等．“全球農情遙感速報系統 (CropWatch)”新進展．地球科學進展．2010，25(10):1013～1022

［50］陳水森，柳欽火，陳良富，等．糧食作物播種面積遙感監測研究進展．農業工程學報．2005，21(6):6

［51］國家統計局農村司．國家統計遙感業務系統關鍵技術研究與應用”項目課題驗收工作順利完成 ［EB/OL］．http://www．stats．gov．cn/tjdt/gjtjjdt/t20110714_402739381．htm:2011－07－14，2011

［52］新華網．衛星遙感技術首次應用于北京統計工作 ［EB/OL］．http://news．qq．com/a/20090217/001427．htm:2009－02－17

［53］趙雪慧．抽樣調查理論和方法的最新進展．統計與信息論壇．2003，18(05):24～27

［54］Han Y．An autonomous unmanned aerial vehicle－based imagery system development and remote sensing images classification for agricultural applications．United States － － Utah:Utah State University，2009

［55］李繼宇，張鐵民，彭孝東，等．小型無人機在農田信息監測系統中的應用．農機化研究．2010，32(005):183～186

［56］范承嘯，韓俊，熊志軍，等．無人機遙感技術現狀與應用．測繪科學．2009，34(5):214～215

［57］Laliberte A S，Herrick J E，Rango A，et al．Acquisition，orthorectification，and object－ based classification of unmanned aerial vehicle(UAV)imagery for rangeland monitoring．Photogrammetric Engineering and Remote Sensing．2010，76(6):661～672

［58］Breckenridge R．Improving rangeland monitoring and assessment:Integrating remote sensing，GIS，and unmanned aerial vehicle systems．United States－－ Idaho:University of Idaho，2007