農作物種植面積遙感估算的影響因素研究

張煥雪，李強子，文 寧，杜 鑫，陶青山，田亦陳

(1.中國科學院遙感與數字地球研究所，北京 100101;2.湖南省國土資源規劃院，長沙 410007)

0 引言

農作物種植面積是影響農產品產量的重要因素之一［1］。快速、準確、可靠的農作物種植面積調查結果，已經成為國家農業政策分析和糧食宏觀決策的重要支持信息之一［2］。遙感技術因其具有大范圍的宏觀觀測能力和客觀性，一直在農作物種植面積調查中發揮著重要作用，利用遙感影像進行各種農作物識別與面積估算的技術和方法也得到快速發展。農作物類型遙感識別從最初的人工目視判讀［3］到利用影像光譜特征進行監督和非監督分類［1，4－5］，目 前 已 經 在 利 用 遙 感 影 像 的 時 相 特征［6－8］、散射極化特征［9－11］、空間特征［12－13］等領域取得全面突破。為了提高分類精度，還發展了混合像元分解技術、面向對象的影像分類技術、多源數據融合技術［14－15］、輔助數據分析技術［16］以及新的分類識別模式［17－18］等。

目前，農作物的遙感識別已經形成了多源、多尺度遙感數據在像元、亞像元和對象尺度的各類監督和非監督分類方法，并發展了各類參數化和非參數化的分類算法［19］。但更高的分類精度是不斷追求的目標。盡管科學家們充分利用遙感技術獲取多源遙感數據，并一直致力于提高農作物的分類精度［14，20］;但目前關于不同影像特征(分辨率、時相等)以及農作物種植地塊特征等對分類精度的影響方面，還沒有得出一致性結論。針對某一具體研究區，要滿足預期的分類精度，應當設計什么樣的監測方案，選用多大分辨率的遙感影像，采用哪些特征進行分類，確定的監測方案和數據源可以達到多高的分類精度等等，一直沒有給出滿意的結果［21］。

本文以湖南省澧縣水稻產區為實驗區，以利用5 m分辨率的RapidEye影像提取的早稻種植信息為研究對象，模擬一系列不同分辨率的遙感數據，旨在分析影響農作物遙感識別的各主要因素(種植成數、種植破碎度和地塊形狀指數)在不同分辨率下對農作物面積估算精度的影響規律，建立各因素對農作物面積估算精度的綜合影響模型，為解決不同作物種植結構區遙感數據的選擇、面積估算精度的提高方式，以及特定研究區和數據源可以達到的面積估算精度水平等問題提供理論依據和實驗基礎。

1 實驗區概況與數據源

1.1 實驗區概況

本文的實驗區位于湖南省中北部澧縣和臨澧縣境內，中心位置的地理坐標為 E111°39'21″，N29°49'37″(圖 1)。

圖1 實驗區地理位置及RapidEye影像Fig.1 Geo－location and RapidEye im age of experimental area

該區屬亞熱帶濕潤氣候區，年降水量為1 200～1 500 mm;四季溫差明顯，年平均氣溫16°～18℃。種植的農作物類型主要有水稻、棉花和少量的大棚葡萄、蔬菜等。其中，水稻是主要的糧食作物，其種植結構主要是雙季稻或單季稻。單季中稻主要是6月初移栽，9月初收獲;雙季早稻生長季主要是從5月初到7月中下旬;晚稻主要是7月下旬種植，11月收獲。

1.2 數據源

根據實驗區主要農作物的物候歷及遙感影像的質量，本文選取了2012年6月19日獲取的Rapid-Eye影像。該影像清晰度好，覆蓋實驗區面積約為25 km×20 km(圖1);空間分辨率5m，幅寬77 km，5個波段的波譜范圍分別是B1(0.44～0.51μm)，B2(0.52～0.59μm)，B3(0.63～0.685μm)，B4(0.69～0.73μm)和 B5(0.76～0.85μm)，其中 B4是紅邊波段。成像時雙季早稻處于抽穗期，而單季中稻處于移栽期，比較適合早稻信息的提取。

對RapidEye影像的處理主要包括輻射定標和幾何糾正。輻射定標［17］是將影像的DN值轉化為大氣頂歸一化光譜反射率，并采用FLAASH模型［22］進行大氣校正;幾何糾正則以USGS提供的實驗區TM影像作為參考影像，采用二次多項式方法對RapidEye數據進行幾何精糾正，選取了40個地面控制點，使糾正誤差控制在0.5個像元內。

此外，在早稻提取過程中，還采用了取自國土資源二調土地利用數據集中的湖南省水田分布數據以及2012年6月采集的7個野外樣方數據(圖2)。

圖2 水田及7個地面調查樣方Fig.2 Paddy field and 7 field survey plots

2 研究方法

2.1 技術路線

本文首先利用RapidEye數據分類進行實驗區早稻種植地塊的提取，作為實驗研究的近似真值;然后以該早稻提取結果為基礎，通過尺度擴展構建不同分辨率影像序列，并將實驗區均勻布設成1 km×1 km樣區，計算每個樣區內早稻的種植成數、種植破碎度及地塊形狀指數指標;再通過統計面積估算精度及標準差，分析作物分類的主要影響因素(種植成數、種植破碎度和地塊形狀指數)隨不同影像空間分辨率對農作物面積估算精度的影響規律;最終建立影像空間分辨率和上述3個指標共4種因素對農作物面積估算精度的綜合影響模型。總體技術路線如圖3所示。

圖3 各因素影響分析技術流程Fig.3 Flowchart of all factors analysis

2.2 早稻種植地塊提取

在實驗區1∶1萬比例尺水田數據的支持下，首先從RapidEye影像中提取出水田區域;然后利用實地調查數據，選取8 319個像元作為訓練樣本，采用最大似然分類(MLC)、支持向量機(SVM)和人工神經網絡(ANN)3種分類方法得到早稻種植地塊分布信息，并估算其面積。根據野外實測樣方得到的7 142個驗證樣本對分類結果進行精度驗證，將精度最高的 SVM分類結果(總體分類精度95.99%，Kappa=0.89)作為5 m分辨率早稻分布的“準真值”，以便進行后續研究。

2.3 多分辨率影像序列獲取

本文通過尺度擴展方法對利用RapidEye影像提取的早稻種植地塊分布數據進行重采樣，獲得不同分辨率的影像序列。常用的尺度擴展方法主要包括簡單平均法、中心像元法、最近鄰法、雙線性內插和立方卷積等［23－24］。其中，最近鄰法、雙線性內插和立方卷積是常用的方法;但Hay等［25］發現，這3種方法在尺度轉換因子大于5時，不適合將影像從高分辨率轉換到低分辨率。故本文采用了簡單平均法進行影像的尺度擴展。

2.4 遙感分類精度的影響因素

通過將實驗中分類得到的農作物類型與地面調查得到的實地農作物分布類型進行比較分析，發現農作物的種植成數［26］(即面積比例)、種植破碎度［27］(即集聚程度)以及地塊的形狀指數［28］均對農作物遙感識別精度具有明顯的影響。因此，本文將25 km×20 km的實驗區均分成500個面積為1 km×1 km的樣區，計算每個樣區內原始5 m分辨率和一系列較低分辨率下的早稻的種植成數、種植破碎度和地塊形狀指數;分析其尺度效應，并通過多元線性回歸分析得到4種因素與面積估算精度之間的關系模型。

2.5 精度評價

為全面分析上述4種因素對農作物面積監測的影響，本文從面積估算精度和估算精度的穩定性2個方面進行評價。

1)面積估算精度Ki是用來比較相對精度的指標，按式(1)計算得到，即

式中:A0為從5 m分辨率RapidEye影像得到的早稻面積，本文將該值作為基準值;Ai為由尺度轉換得到的某種較低分辨率(i)下提取的早稻面積。

2)估算精度的穩定性以面積估算精度平均值的標準差δ(i)來衡量，用來反映整個實驗區各個樣區間早稻估算精度的離散程度(即與整個實驗區早稻平均面積估算精度的偏離程度)，計算方法為

3 結果與分析

3.1 種植成數的影響

本文通過計算不同分辨率下的早稻種植面積百分比，發現隨著種植成數的升高，面積估算精度呈增加趨勢，而且精確度也逐漸趨于穩定。圖4給出了10 m分辨率模擬影像中500個1 km×1 km樣區的面積估算精度與種植成數的二維散點圖。

圖4 10 m分辨率影像分類時農作物種植成數與面積估算精度關系散點圖Fig.4 Scatter plots of crop proportion and area estimation accuracy under 10 m resulation image classification

從圖4可以看出，在較低的種植成數水平下，面積估算精度具有較大的分散性(即精確度較低);而隨著種植成數的提高，面積估算精度趨于收斂，表明作物面積估算誤差也越來越小;且能實現對作物面積的無偏估計，當種植成數超過60%，面積估算精度穩定在85%以上。

為進一步考察隨影像空間分辨率的變化作物種植成數與面積估算精度的關系，本文將種植成數指標從0～100%進行分組統計，共分為10組(組間距10%)，分別統計不同空間分辨率下、不同種植成數水平與對應樣區的面積估算精度和平均標準差的變化趨勢(圖5)。

圖5 不同分辨率影像分類時農作物種植成數與面積估算精度(左)/標準差(右)的關系Fig.5 Relationship between crop proportion and area estim ation accuracy(left)/standard deviation(right)under different resolution image classifications

從圖5可以看出，隨著農作物種植成數的增加，各分辨率下的作物面積估算精度均呈增加趨勢，而標準差均呈遞減趨勢。作物種植成數低于10%時，各分辨率下的面積估算精度均處于最低值，而標準差均處于最大值;且隨著空間分辨率的降低，面積估算精度越來越低、標準差值越來越大，即面積估算精度的離散程度越來越大，面積估算結果越來越不穩定。當分辨率降至150 m時，面積估算精度僅為45%，標準差則大于25%。表明在種植成數低于10%時，要達到85%以上的面積估算精度，且保證估算標準差接近于0，需要采用分辨率高于10 m的遙感數據源。隨著種植成數和影像分辨率的提高，各分辨率下的面積估算精度呈現出較快的增長趨勢，并在種植成數達到40%～50%時接近最高并逐漸穩定在85%以上;相反，面積估算精度標準差則隨著種植成數和分辨率的提高出現顯著的降低趨勢，并在達到40%～50%的種植成數水平時，穩定在4%以下。說明當作物種植百分比在50%以上時，要想達到85%的分類精度，可以選取分辨率高于150 m的遙感數據。

3.2 種植破碎度的影響

由于我國自然環境和種植制度的復雜性，作物“插花”種植現象普遍存在［29］。本文研究了農作物種植破碎度與種植面積估算精度的關系，并對500個樣區的結果進行了統計分析，發現隨著種植破碎度的提高，種植面積估算精度趨于降低(圖6)。

圖6 10 m分辨率影像分類時農作物種植破碎度與面積估算精度關系散點圖Fig.6 Scatter plots of crop fragmentation and area estimation accuracy under 10 m resulation image classification

從圖6可以看出，在農作物種植破碎度較高的情況下，面積估算精度具有趨于分散和低精確度特征。亦即隨著種植破碎度的降低，面積估算精度趨于收斂且穩定;而隨著作物種植的分散化，面積估算誤差不斷遞增，當種植破碎度高于0.7時，面積估算精度很難保證足夠的精度，基本在85%以下。

為進一步考察不同空間分辨率影像分類中作物種植破碎度與面積估算精度的關系，對種植破碎度指標0～1.3進行分組實驗，共分9組(組間距如圖7所示)，分別統計不同的種植破碎度級別對應樣區的面積估算精度和平均標準差在不同空間分辨率下的變化趨勢(圖7)。

圖7 不同分辨率影像分類時農作物種植破碎度與面積估算精度(左)/標準差(右)的關系Fig.7 Relationship between crop fragmentation and area estimation accuracy(left)/standard deviation(right)under different resulation image classifications

從圖7可以看出，隨著種植破碎度的增加和影像分辨率的降低，各種分辨率條件下的作物面積估算精度均呈遞減趨勢，標準差則基本呈遞增趨勢。作物種植破碎度指數為0～0.5時，種植較為完整，各分辨率下的面積估算精度均處于最高水平，標準差均處于最低水平;隨著影像空間分辨率的降低，面積估算精度越來越低，當分辨率降低至150 m時，面積估算精度僅為55%。表明在0～0.5破碎度等級下，要達到85%以上的面積估算精度，且保證估算標準差接近于0，需要采用空間分辨率高于20 m的遙感數據。隨著種植破碎度指數從0.5逐步增加，各分辨率下的面積估算精度呈降低趨勢，標準差表現出增加趨勢;但分辨率為10 m的數據除外，該分辨率下作物面積估算標準差隨種植破碎度的變化基本不變，說明當采用高于10 m分辨率的遙感數據時，作物種植破碎度已經不是影響其面積估算穩定性的主要因素。當種植破碎度達到1.2～1.3(即作物分布極為破碎)時，即使采用10 m分辨率的數據，面積估算精度也難以達到60%。說明當作物種植較為破碎時，要想達到85%的面積估算精度，不僅需要采用高于10 m空間分辨率的遙感影像，而且還需要通過其他技術手段提高面積估算精度。

3.3 地塊形狀指數的影響

受地形地勢及灌溉條件等限制，不同地區的農作物地塊形狀各不相同。本文通過計算地塊形狀指數并分析其與面積估算精度的關系，發現隨著形狀指數的提高(即地塊由正方形向細長形過度)，面積估算精度明顯下降(圖8)。

圖8 10 m分辨率影像分類時地塊形狀指數與面積估算精度關系散點圖Fig.8 Scatter plots of shape index and area estimation accuracy under 10 m resulation image classification

從圖8可以看出，當作物種植多為狹長地塊時，面積估算精度較低;隨著地塊形狀的變長，面積估算精度遞減且分布趨于分散。當地塊形狀指數低于0.13時，面積估算精度才能基本穩定在85%以上。

為進一步考察隨影像空間分辨率的變化地塊形狀指數與面積估算精度的關系，本文對形狀指數0～0.26進行分組實驗，共分15組(組間距如圖9所示)，分別統計不同的地塊形狀指數層次在不同分辨率影像分類后對面積估算精度和平均標準差的影響。

圖9 不同分辨率影像分類時地塊形狀指數與面積估算精度(左)/標準差(右)的關系Fig.9 Relationship between shape index and area estimation accuracy(left)/standard deviation(right)under different resulation image classifications

從圖9可以看出，隨著作物種植地塊趨向于狹長分布和影像分辨率的降低，各分辨率下作物面積估算精度均呈遞減趨勢，標準差則基本呈增加趨勢。農作物地塊形狀指數小于0.1時，各分辨率下的面積估算精度均處于最高水平，標準差均處于最低水平;隨著影像空間分辨率的降低，面積估算精度越來越低。當分辨率降低至150 m時，面積估算精度降到25%以下。即使選用分辨率為10 m的數據，面積估算精度也僅為70%。表明在地塊形狀指數小于0.1的情況下，要達到85%以上的估算精度，且保證估算標準差接近于0，需要采用分辨率高于10 m的遙感數據。隨著地塊形狀指數從0.1逐步增加(即種植地塊逐步趨向于狹長分布)，各分辨率下的面積估算精度均呈降低趨勢，同時標準差表現出增加趨勢;尤其是當地塊形狀指數達到0.25～0.26時，在不同分辨率下面積估算精度均不足30%。說明當作物種植地塊呈狹長形狀的情況下，需要采用分辨率高于10 m(甚至5 m)的遙感影像來提高其面積估算精度。

3.4 多因素綜合影響分析與建模

根據3.1—3.3節中得到的影像空間分辨率、種植成數、種植破碎度和地塊形狀指數4種農作物面積估算影響因素分析資料，進行多元回歸統計擬合，建立了4種因素對面積估算精度的綜合影響模型。

建模過程中的估計參數如表1所示。擬合優度R2值越大，所反映的自變量與因變量的共變量比率越高，模型與數據的擬合程度越好。

表1 分類模型的估計參數Tab.1 Estimate parameters of classification model

分類模型的回歸分析結果(表2)表明，本模型的顯著性水平sig.＜0.05，可以認為所建立的回歸方程有效。

表2 分類模型的回歸分析參數Tab.2 Regression analysis parameters of classification model

多元統計模型的相關參數及模型的顯著性檢驗結果見表3。多元統計模型中4個自變量回歸系數的顯著性水平Sig.=0.000均小于0.05，可以認為4 個自變量(種植成數、地塊形狀指數、種植破碎度和影像空間分辨率)對因變量(面積估算精度)均有顯著影響。最終，回歸分析得到的回歸方程為

表3 多元統計模型參數Tab.3 Parameters ofmultivariate statisticalmodel

式中:Y為面積估算精度;X1為種植成數;X2為地塊形狀指數;X3為種植破碎度;X4為影像空間分辨率。

4 結論與展望

4.1 結論

本文通過簡單平均法將原始空間分辨率為5 m的遙感影像分別模擬到10m，20m，30m，60m，90m，120m和150m分辨率，其中10m，20m，30m和60m分辨率分別對應農作物種植面積遙感測量中常用的SPOT，CBERS，TM 和 IRS－P6數據。通過本文研究，最終得到了影響農作物分類精度的主要因素(種植成數、種植破碎度、地塊形狀指數)隨不同影像分辨率的變化對農作物種植面積估算精度的影響規律，以及4種因素對農作物面積估算精度的綜合影響模型。為解決不同研究區數據源的選取、農作物面積估算精度的提高方式以及特定研究區和數據源可以達到的農作物面積估算精度水平等問題提供了理論基礎。得出如下結論:

1)隨著農作物種植成數的增加，各影像分辨率下作物面積估算精度均呈增加趨勢，標準差呈遞減趨勢。作物種植成數百分比為0～10%時，要達到85%以上的面積估算精度，且保證估算標準差接近于0，需要采用分辨率高于10 m的遙感數據源。當作物種植成數百分比在50%以上時，在不同影像分辨率下面積估算精度基本均穩定在88%以上，標準差穩定在4%以下;要想達到85%的分類精度，可以選取分辨率高于150 m的任意遙感數據。

2)隨著農作物種植越來越破碎，各影像分辨率下作物面積估算精度均呈遞減趨勢，標準差基本呈增加趨勢。作物種植破碎度指數為0～0.5時，作物種植較為完整，要達到85%以上的面積估算精度，且保證估算標準差接近于0，需要采用分辨率高于20 m的遙感數據源。當作物種植較為破碎(例如破碎度指標為1.2～1.3)時，要想達到85%的面積估算精度，除了需要提高影像的空間分辨率，還需要通過多元回歸統計擬合等其他技術手段提高面積估算精度。

3)隨著農作物種植地塊逐步趨向于狹長分布，各影像分辨率下作物面積估算精度均呈遞減趨勢，標準差呈增加趨勢。農作物地塊形狀指數為0～0.1時，要達到85%以上的面積估算精度，且保證估算標準差接近于0，需要采用分辨率高于10 m的遙感數據源。當農作物種植地塊為狹長分布(例如形狀指數指標為0.25～0.26)時，僅僅提高影像的空間分辨率并不能保證面積估算精度，還需要通過其他技術手段才能達到85%的面積估算精度需求。

4)4種影響因素(種植成數X1、地塊形狀指數X2、種植破碎度X3和影像空間分辨率X4)對農作物面積估算的精度均有顯著影響，具體的定量影響方式為:Y=98.70+0.73X1+4.83X2－4.78X3－0.23X4。

4.2 展望

在以后的研究中還需在以下方面做進一步討論和改進:

1)本文所采用的一系列較低空間分辨率數據，是由5m分辨率的RapidEye多光譜影像中的早稻提取信息基于簡單平均法模擬得到的，這樣做是為了避免其他因素的影響而單純地分析遙感影像空間分辨率對農作物面積估算精度的影響。在今后的研究中將嘗試直接采用不同空間分辨率影像進行分類精度評價，并對這2種不同的方法進行比較分析，以期得到更加符合實際情況的結論。

2)本文設計的農作物提取結果只區分了目標作物和非目標作物2類。在今后的研究中，將考慮對更多的其他作物進行更為全面的影響因素分析，并嘗試在其他不同地貌類型和種植結構的典型作物區進行試驗，以進一步測試本文結論的普適性。

［1］ 吳炳方.中國農情遙感速報系統［J］.遙感學報，2004，8(6):481－497.Wu B F.China crop watch system with remote sensing［J］.Journal of Remote Sensing，2004，8(6):481－497.

［2］ Chen J.Rapid urbanization in China:A real challenge to soil protection and food security［J］.Catena，2007，69(1):1－15.

［3］ 蔣雪中，趙 銳，李強子，等.利用GVG線采樣技術提取農作物種植面積及其精度分析［J］.南京氣象學院學報，2002，25(1):78－83.Jiang X Z，Zhao R，Li Q Z，et al.Extraction of crop acreage using GVG system and its precision analysis［J］.Journal of Nanjing Institute of Meteorology，2002，25(1):78－83.

［4］ 梁友嘉，徐中民.基于SPOT－5衛星影像的灌區作物識別［J］.草業科學，2013，30(2):161－167.Liang Y J，Xu Z M.Crop identification in the irrigation district based on SPOT－5 satellite imagery［J］.Pratacultural Science，2013，30(2):161－167.

［5］ 劉 磊，江 東，徐 敏，等.基于多光譜影像和專家決策法的作物分類研究［J］.安徽農業科學，2011，39(25):15809－15811.Liu L，Jiang D，Xu M，et al.Crops classification based on multispectral image and decision treemethod［J］.Journal of Anhui Agricultural Sciences，2011，39(25):15809－15811.

［6］ 歐文浩，蘇 偉，薛文振，等.基于HJ－1衛星影像的三大農作物估產最佳時相選擇［J］.農業工程學報，2010，26(11):176－182.Ou W H，Su W，Xue W Z，et al.Selection of optimum phase for yield estimation of threemajor crops based on HJ－1 satellite images［J］.Transactions of the Chinese Society of Agricultural Engineering，2010，26(11):176－182.

［7］ Wardlow B D，Egbert SL.Large－area cropmapping using time series MODIS 250 m NDVIdata:An assessment for the U.S.Central Great Plains［J］.Remote Sensing of Environment，2008，112(33):1096－1116.

［8］ Jia K，Wu B F，LiQ Z.Crop classification using HJ satellite multi spectral data in the North China Plain［J］.Journal of Applied Remote Sensing，2013，7(1):073576.

［9］ Yonezawa C，Negishi M，Azuma K，et al.Growth monitoring and classification of rice fields using multi temporal RADARSAT－2 full－polarimetric data［J］.International Journal of Remote Sensing，2012，33(18):5696－5711.

［10］ Jia K，Li Q Z，Tian Y C，et al.Crop classification using multiconfiguration SAR data in the North China Plain［J］.International Journal of Remote Sensing，2012，33(1):170－183.

［11］ 馬紅章，劉素美，朱曉波，等.基于被動微波遙感技術的玉米冠層葉面積指數反演［J］.國土資源遙感，2013，25(3):66－71.doi:10.6046/gtzyyg.2013.03.12.Ma H Z，Liu SM，Zhu X B，et al.Crop LAI inversion based on the passivemicrowave remote sensing technology［J］.Remote Sensing for Land and Resources，2013，25(3):66－71.doi:10.6046/gtzyyg.2013.03.12.

［12］ Balaguer A，Ruiz L A，Hermosill T，et al.Definition of a comprehensive set of texture semivariogram features and their evaluation for object－oriented image classification［J］.Computers and Geosciences，2010，36(2):231－240.

［13］ Berberoglu S，Curran P J，Lloyd C D，et al.Texture classification of Mediterranean land cover［J］.International Journal of Applied Earth Observation and Geoinformation，2007，9(3):322－334.

［14］ Li Q Z，Wu B F，Jia K，etal.Maize acreage estimation using ENVISATMERISand CBERS－02B CCD data in the North China Plain［J］.Computers and Electronics in Agriculture，2011，78(2):208－214.

［15］ 胥 兵，方 臣.ZY－102 C星圖像與ETM+圖像融合方法及效果評價［J］.國土資源遙感，2014，26(3):80－85.doi:10.6046/gtzyyg.2014.03.13.Xu B，Fang C.Data fusionmethods of ZY－102 C and ETM+images and effect evaluation［J］.Remote Sensing for Land and Resources，2014，26(3):80－85.doi:10.6046/gtzyyg.2014.03.13.

［16］ 程 乾，王人潮.數字高程模型和多時相MODIS數據復合的水稻種植面積遙感估算方法研究［J］.農業工程學報，2005，21(5):89－92.Cheng Q，Wang RC.Estimation of the rice planting areausing digital elevationmodel and multitemporalmoderate resolution imaging spectroradiometer［J］.Transactions of the Chinese Society of Agricultural Engineering，2005，21(5):89－92.

［17］ 楊小喚，張香平，江 東.基于MODIS時序NDVI特征值提取多作物播種面積的方法［J］.資源科學，2004，26(6):17－22.Yang X H，Zhang X P，Jiang D.Extraction ofmulti－crop planting areas from MODIS data［J］.Resources Science，2004，26(6):17－22.

［18］ 于菲菲，曾永年，徐艷艷，等.基于植被分區的多特征遙感智能分類［J］.國土資源遙感，2014，26(1):63－70.doi:10.6046/gtzyyg.2014.01.12.Yu F F，Zeng Y N，Xu Y Y，etal.Intelligent remote sensing classification ofmulti－character data based on vegetation partition［J］.Remote Sensing for Land and Resources，2014，26(1):63－70.doi:10.6046/gtzyyg.2014.01.12.

［19］ 權文婷，王 釗.冬小麥種植面積遙感提取方法研究［J］.國土資源遙感，2013，25(4):8－15.doi:10.6046/gtzyyg.2013.04.02.Quan W T，Wang Z.Researches on the extraction of winter wheat planting area using remote sensingmethod［J］.Remote Sensing for Land and Resources，2013，25(4):8－15.doi:10.6046/gtzyyg.2013.04.02.

［20］ 賈 坤，李強子，田亦陳，等.微波后向散射數據改進農作物光譜分類精度研究［J］.光譜學與光譜分析，2011，31(2):483－487.Jia K，Li Q Z，Tian Y C，et al.Accuracy improvement of spectral classification of crop using microwave backscatter data［J］.Spectroscopy and Spectral Analysis，2011，31(2):483－487.

［21］ 張煥雪，李強子.空間分辨率對作物識別及種植面積估算的影響研究［J］.遙感信息，2014，29(2):38－42.Zhang H X，Li Q Z.Effects of spatial resolution on crop identification and acreage estimation［J］.Remote Sensing Information，2014，29(2):38－42.

［22］ Vermote E F，TanréD，DeuzéJ L，et al.Second simulation of the satellite signal in the solar spectrum，6S:An overview［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35(3):675－686.

［23］ Kavzoglu T.Simulating landsat ETM+imagery using DAIS 7915 hyperspectral scanner data［J］.International Journal of Remote Sensing，2004，25(22):5049－5067.

［24］ Woodcock C，Harward V J.Nested－hierarchical scenemodels and image segmentation［J］.International Journal of Remote Sensing，1992，13(16):3167－3187.

［25］ Hay G J，Niemann KO，Goodenough DG.Spatial thresholds，image－objects，and upscaling:A multiscale evaluation［J］.Remote Sensing of Environment，1997，62(1):1－19.

［26］ 李強子，吳炳方，許文波.農作物分類成數的精度檢驗［J］.遙感學報，2004，8(6):588－597.Li Q Z，Wu B F，Xu W B.Accuracy assessment of crop type proportion using GVG instrument on transect line［J］.Journal of Remote Sensing，2004，8(6):588－597.

［27］ 胡潭高，張錦水，潘耀忠，等.景觀破碎度在冬小麥面積抽樣設計中的應用研究［J］.遙感學報，2010，14(6):1117－1138.Hu TG，Zhang JS，Pan Y Z，et al.Application of landscape fragmentation in winterwheat area sampling design［J］.Journal of Remote Sensing，2010，14(6):1117－1138.

［28］ 尹 鍇，趙千鈞，文美平，等.海島型城市森林景觀格局效應及其生態系統服務評估［J］.國土資源遙感，2014，26(2):128－133.doi:10.6046/gtzyyg.2014.02.21.Yin K，Zhao Q J，Wen M P，et al.Assessment of landscape pattern effect and ecosystem services of island urban forest［J］.Remote Sensing for Land and Resources，2014，26(2):128－133.doi:10.6046/gtzyyg.2014.02.21.

［29］ 吳炳方，李強子.基于兩個獨立抽樣框架的農作物種植面積遙感估算方法［J］.遙感學報，2004，8(6):551－569.Wu B F，LiQ Z.Crop acreage estimation using two individual sampling frameworks with stratification［J］.Journal of Remote Sensing，2004，8(6):551－569.