基于高時空分辨率遙感數據協同的作物種植結構調查

黃啟廳 曾志康 謝國雪 駱劍承 覃澤林 蘭宗寶

摘要：【目的】充分發掘遙感影像的空間、時間和光譜等特征譜信息，探索地塊基元支持下的多源遙感數據作物種植信息自動識別方法，為作物種植結構信息的快速、精細化調查提供借鑒。【方法】以廣西扶綏縣為研究區，通過對高空間分辨率影像的多尺度分割和對象廓線編輯，提取精細農田地塊信息；以地塊為基元獲取覆蓋作物生育期內的時序光譜特征；基于時序光譜及其變化定義與作物長勢狀況相關的描述參量，形成靜態光譜與動態過程特征結合的多維特征空間，結合作物的物候節律特征構建作物種植信息提取模型，實現主要農作物種植結構信息的提取。【結果】依據上述方法繪制出廣西扶綏縣甘蔗、水稻和其他作物農田及草地、林地、水體、城鎮建設用地等的精細地塊圖，其中，提取廣西扶綏縣甘蔗和水稻作物的總面積分別為82420.01和6806.67 ha，作物提取的總體分類精度為86.8%，Kappa系數為0.84。【結論】提取的廣西扶綏縣作物種植結構的成果滿足使用精度要求，可為精準農業補貼投放、農業災害定損等政策制定提供依據，而技術方法對于作物種植結構信息的快速、精細化調查具有借鑒意義。

關鍵詞： 種植結構；高時空分辨率；時間序列；精細地塊；遙感數據協同

中圖分類號： S127 文獻標志碼：A 文章編號：2095-1191（2017）03-0552-09

0 引言

【研究意義】作物種植結構反映一個地區的主要糧食和經濟作物種植面積及布局情況，是土地資源利用科學性與合理性的指標之一。因此，快速、及時、準確掌握作物的種植結構，并依據科學理論和技術進行調整優化，對于促進資源的合理配置及可持續利用具有重要意義。遙感技術憑借宏觀性、時空一致性及可重復觀測的優勢，已成為大區域作物種植結構及其變化信息獲取的重要手段，其在理論方法和實際應用方面均已得到長足發展（唐華俊，1999；邢素麗和張廣錄，2003；閆慧敏等，2005b）。利用遙感技術調查作物種植結構能夠提供準確的種植信息，為有關部門指導農林生產及調整作物布局提供參考依據。【前人研究進展】運用遙感技術調查作物結構在國內外已得到廣泛研究和應用。大范圍的作物結構調查更多采用SPOT、TM等中分數據或NOAA、MODIS等低分辨率遙感數據（顧曉鶴等，2007；熊勤學和黃敬峰，2009；黃振國等，2013；王琳等，2013；王磊等，2013；張莉等，2013），并主要依靠多時相分析或遙感分類與地面抽樣調查相結合的統計方法來進行作物類型及其長勢信息的估算（閆慧敏等，2005a；鹿琳琳和郭華東，2009；苗翠翠等，2011），如美國農業與資源空間遙感調查計劃（劉海啟等，1999）、歐盟農業遙感監測計劃（周清波，2004）及我國的農情速報系統（吳炳方，2004）。由于中、低空間分辨率影像存在混合像元的因素，其分類識別精度難以進一步提升，因此更適用于全球、全國或省級區域的大尺度農情估測。隨著高空間分辨率數據源的日益豐富，已有學者開展了基于單期高空間分辨率數據作物種植結構提取的探索研究（Mathur and Foody，2008；劉克寶等，2014），也有不少研究通過引入數據同化方法，將單一時相的高空間分辨率影像（如SPOT、ASTER等）和時序中低分辨率影像（如MODIS、HJ-1A/B）進行融合獲取高空間分辨率時序數據，對作物種植信息進行提取（萬華偉等，2006；蒙繼華等，2011；王來剛等，2012）。【本研究切入點】雖然上述方法在幾何和分類精度上有所提升，但總體而言，其作物種植結構信息仍停留在“片區”級尺度水平，難以滿足更精細的中小區域應用需求；現代農業的定量化管理、農業補貼的精準投放及農業保險的災后定損等領域應用的發展，迫切需要農田地塊尺度的作物種植結構信息的支持。【擬解決的關鍵問題】以廣西扶綏縣為研究區，在遙感圖譜認知理論支持下，通過對高空間和高時間分辨率遙感數據的協同利用，從米級分辨率影像上提取農田地塊結構的圖信息，結合多時相中分辨率影像的光譜及其變化特征，以地塊為基元構建地塊支持下的歸一化植被指數（Normalized difference vegetation index，NDVI）時間序列數據，充分發掘遙感影像的空間、時間和光譜等特征譜信息，經由遙感信息圖譜協同認知方式，探索地塊基元支持下的多源遙感數據作物種植信息自動識別方法，為作物種植結構信息的快速、精細化調查提供借鑒。

1 材料與方法

1. 1 研究區概況

以廣西崇左市扶綏縣為研究區，該地區處于廣西西南部，位于東經107°3′～108°6′、北緯22°11′～22°57′，西鄰崇左市江洲區，南接防城市上思縣，北靠南寧市隆安縣，西南與崇左市寧明縣交界，區域總面積約2836 km2。扶綏縣地貌以中部的丘陵和臺地平原為主，南、北部為山區，耕地主要分布于中部丘陵和臺地平原地區，南、北部山區耕地較少。該地區屬南亞熱帶季風氣候區，常年多云雨天氣，年均溫21.3～22.8 ℃，年降水量1050～1300 mm。扶綏縣傳統產業包括蔗糖、糧食、水果和蔬菜產業，其中甘蔗和水稻分別是主要的經濟和糧食作物（劉巽浩和陳阜，2005），甘蔗常年種植面積8萬ha左右，是廣西甘蔗種植重點縣。研究區的氣候、耕地和作物種植狀況具有我國南方地區的典型特征，對遙感影像的時空分辨率及數據源獲取提出了較高要求。

1. 2 數據來源

以國產衛星影像為主要數據源，采用8景高空間分辨率ZY-3影像及19景高時間分辨率的HJ-1、GF-WFV和Landsat 8影像。其中，ZY-3影像包括覆蓋研究區的全色和多光譜各4景，兩者融合后分辨率達2.1 m，能清晰分辨農田邊界，且保留了大部分光譜特征，為地塊邊界的分割提取提供保障；中分辨率數據為2012年9月～2014年2月的多源多時相影像數據集，其在時間跨度上覆蓋了大多數作物的生長周期；HJ-1A和HJ-1B光學衛星分別搭載了2臺CCD相機，其分辨率均為30 m，重訪周期達到2 d；GF-WFV采用4臺傳感器并列成像，可獲得16 m分辨率的影像，重訪周期為4 d；由于2013年5月的HJ-1和GF-WFV均無可用數據，因此選用一期Landsat 8影像。所有選用影像如表1所示。

1. 3 研究方法

1. 3. 1 衛星影像預處理 衛星影像的預處理主要包括幾何校正、云影檢測、輻射校正和無云NDVI時序影像獲取。（1）幾何校正：以1∶10000地形圖選取控制點，利用PCI Geomatics 2013對ZY-3的全色和多光譜影像進行正射和融合處理；以糾正后的2.1 m ZY-3融合影像為參考底圖，對GF-WFV、HJ-1和Landsat8影像進行幾何糾正，使得中、高空間分辨率數據間及中分數據間的幾何誤差小于1個GF-WFV像元（16 m）。（2）云影檢測：利用研究區邊界矢量對影像分別進行裁切，生成坐標投影及范圍一致的影像數據集；利用周偉等（2012）研究的云影檢測方法對中分影像進行云影識別，檢測結果經人工檢查和修訂后最終獲得對應的云影掩膜數據集。（3）輻射校正：基于PCI Geomatics的ATCOR大氣校正模型，根據影像頭文件的定標系數、成像時間和太陽高度角等信息對中分影像數據集進行輻射定標和大氣校正，將DN值轉化為地表反射率，恢復影像的物理屬性，為后期NDVI的計算和分類識別提供準確的輻射信息。（4）無云NDVI時序影像獲取：根據公式（1）對19景輻射校正后的中分辨率影像計算NDVI，生成NDVI影像并與對應的云影柵格數據做掩膜處理，獲取無云NDVI時間序列數據集。

式中，ρNIR為近紅外波段反射率，ρRED為紅波段反射率。

1. 3. 2 作物結構信息提取 針對多云雨氣候條件下單一衛星傳感器數據獲取能力的不足，以及日益精細化農業應用的需求，本研究基于高時空分辨率多源遙感數據協同，在地塊邊界約束下，結合作物物候歷和地物光譜、NDVI時序變化等多維特征，提取田地塊尺度下作物種植結構信息。如圖1所示，作物結構信息提取主要由以下3個步驟組成：①基于高空間分辨率ZY-3影像的多尺度分割與分類提取耕地范圍，并在耕地基礎上進行再分割和邊界編輯，獲得精細地塊矢量；②基于高時間分辨率NDVI影像數據集，以地塊為單元提取NDVI時間序列，對其平滑去噪，然后根據譜線量值和形態定義反映作物生育關鍵期變化特點的特征系列，形成支持后繼分類識別的多維特征空間；③對研究區主要作物物候歷和植被變化規律進行分析，并結合特征空間進行地物樣本統計和閾值選取，構建基于決策樹的作物遙感分類模型，最終獲得研究區主要作物種植結構信息。

2 結果與分析

2. 1 高空間分辨率的地塊邊界提取

ZY-3融合影像的空間分辨率為2.1 m，其獲取的地塊輪廓清晰且地塊內部具有較好的光譜均質性，能夠為地塊邊界的計算機提取提供良好基礎。由于水體、城鎮建設用地、林地和裸地等地塊類型在高分影像上表現出明顯異于耕地的亮度、色調和紋理特征，因此，首先采用面向對象技術對影像進行多尺度分割，然后選取各地塊類型的典型樣本進行基于支持向量機（Support vector machine，SVM）的監督分類，以獲得各地塊類型的分布范圍。在耕地范圍內進行參數優化再分割，并輔以人工邊界編輯和平滑處理，即可得到地塊的完整邊界矢量。經對比實驗選取的最佳分割尺度和形狀因子分別為60和0.3，顏色因子和空間緊致度設置為0.8和0.4，最終的分割提取效果如圖2所示。需要說明的是，由于草地和某些耕地作物在單一時相ZY-3影像中難以有效區分，因此在初次分類中將草地歸為耕地共同參與地塊的分割提取；同時，提取的結果地塊中也包含了少量分布于耕地當中的小塊林地和園地，這些非目標地類可通過后期結合時序NDVI的多時相特征分析加以區分和歸類。

2. 2 高時間分辨率的地塊特征提取

由于不同月份的NDVI影像在頻率和時間間隔上均不相同，加之農作物的覆被狀況因翻耕、收割等人為因素在短期內可能發生較大變化，因此，直接利用原始序列值或采用最大值合成進行特征計算，難以反映作物覆被變化的真實狀況，可能會影響特征表達的準確性及可比性。三次樣條插值函數（Cubic spline interpolation）是一類分段光滑、并且在各段交接處也有一定光滑性的函數，屬于樣條函數的一種，已廣泛應用到逼近論、數據擬合和計算機輔助設計領域。本研究采用三次樣條插值對初始時序值進行曲線擬合，并從2012年3月1日～11月30日以旬為單位進行NDVI曲線插值計算，獲取等時間間隔序列，效果如圖3所示。

獲取地塊NDVI序列之后，根據NDVI曲線量值和形態定義一系列物候和光譜統計特征，構建多維特征空間。作物物候參數的提取采用動態閾值法（Jonsson and Eklunndh，2002），該方法是一種動態比值形式，即給定像元（地塊）和時間點的植被指數（Vegetation index，IV）值與VI（波動頻率）之比。李治等（2013）研究表明，比值閾值可減少背景因素的影響，比絕對閾值或差值閾值具有更好的適用性。本研究中定義的物候特征包括：①基底值，即曲線左側最小值與右側最小值的均值；②曲線峰數，即一次導數為0的高值頂點數；③生長季長度，即曲線值高于振幅20%的時長；④峰值，即一次導數為0的頂點值；⑤凋零速率，即NDVI從頂點峰值降至當年振幅20%的降低速率。以上特征可有效反映作物的熟制、生長周期、鼎盛期和收割期的植被覆蓋變化和物候節律特點，由這些動態過程的物候特征及NDVI月均值、NDVI年均值等靜態光譜特征構成的特征空間豐富了信息提取的可辨識維度，使得地物的遙感識別準確度進一步提高。

2. 3 作物種植結構信息遙感反演

針對地塊是多維特征有效載體的特點，本研究采用決策樹分類算法進行地塊作物的遙感分類。與常規分類方法相比，決策樹分類方法無需假設樣本先驗概率分布，其非參數化和樹結構特征具有更高的靈活性和魯棒性，不僅可以處理光譜、空間和高程等多源數據，還能有效處理大量高維數據和非線性關系（李治等，2013）。常規遙感分類方法基于單一時相影像信息，因地物“同譜異物”和“同物異譜”現象的影響導致分類精度難以有效提升，因此借助多源輔助信息來提高遙感識別精度成為新趨勢，其中對地物變化過程特征的挖掘和利用是重要方向之一。植被的生長發育具有明顯的物候節律性，表2顯示了研究區（扶綏縣）主要農作物的物候歷，將研究區物候知識與多時相遙感光譜信息有機融合，能有效提高作物分類精度。

本研究將研究區耕地植被分為甘蔗、水稻、其他作物、草地和林地5種類型，其他作物包括玉米、花生、蔬菜等小規模作物，草地包含自然草地和撂荒地，林地主要包括高分影像中漏分的小塊林地和園地。本研究主要對甘蔗、水稻兩大類農作物進行遙感識別。在作物生長期間進行野外調查，沿境域內主要道路獲取每個土地類型不少于20個GPS定位數據用以閾值統計；另外，部分區域結合2013年7月的WorldoView-2 0.5 m分辨率影像隨機選取300個樣點進行目視解譯，以解譯結果作為驗證樣點。將GPS點位疊加到地塊矢量上，以點位對應的地物類別作為點位所在地塊樣本，通過對地物隨時間的變化特征分析從多維特征空間選取參與分類的屬性子集，并基于樣本統計獲取各地類的分類特征閾值，構建決策樹遙感分類模型從而實現分類。

2. 3. 1 非作物地塊識別 自然植被的生長是一個漸變過程，其NDVI時序表現為平緩的曲線。農作物一般生育周期較短，且由于收割、復種等人為干預導致植被覆蓋狀況在短期內可發生較大變化，其變化在NDVI時序曲線上表現為曲線斜率在某一時刻的突然降低，通過對曲線陡變點的檢測可區分農田作物與林草地等自然植被。曲線陡變點可用凋零速率來描述，凋零速率越小表示植被覆蓋變化越強烈。在自然植被中，由于林地的NDVI整體比草地高，因此通過NDVI均值的比較可將兩者進一步區分。經樣本統計，自然植被的凋零速率一般大于-0.5，其中林地NDVI均值通常大于0.42，草地則反之，因此分別得到林地和草地的識別模型：

式中，△NDVIMin為NDVI曲線的凋零速率，NDVIMean為全年的NDVI均值。

2. 3. 2 甘蔗識別 由表2可知，研究區7～8月雙季稻和玉米均處于第一季收割、第二季剛播種雙季交替階段，NDVI處于低值狀態，而此時甘蔗正處于生長盛期而呈現較高的NDVI；甘蔗為單熟作物，從2～4月開始長葉抽節直至11月后開始收割，生育周期長達8個月以上，物候上與其他作物存在明顯差異。綜合以上特征及樣本統計結果可得到甘蔗的識別模型為：

式中，NDVI（7）、NDVI（8）為7、8月的NDVI均值；NumPeak為NDVI時序曲線的波峰數，反映了作物的熟制或田塊復種程度；△NDVIMin為NDVI最小值；GrowPeriod為生長季長度。

2. 3. 3 水稻識別 由表2可看出，研究區雙季稻第一季（早稻）從4月開始播種至7月中下旬收割，第二季（晚稻）8月初播種至11月上旬收割，每一季的周期一般為3～4個月，NDVI在7～8月有較大回落，表現明顯的雙峰特征，因此，雙季稻識別模型為：

式中，NDVI（6）、NDVI（8）、NDVI（9）為6、8、9月的NDVI均值；NumPeak為NDVI時序曲線的波峰數，反映作物的熟制或田塊復種程度；△NDVIMin為NDVI最小值；GrowPeriod為生長季長度。

2. 3. 4 其他作物歸類 研究區的玉米、花生和蔬菜等作物種植規模較小，分布零散，因此在地塊中不再一一進行細分。將除了甘蔗、水稻之外的地塊均歸為其他作物類別，得到其他作物的面積和分布。

2. 3. 5 作物種植結構提取 利用上述構建的決策樹遙感分類模型提取研究區作物種植結構信息，提取的效果如圖4所示。

2. 4 分類精度評價

為了檢驗本研究技術方法的效果，利用驗證樣本對所有土地類型均進行驗證和分類精度評價。由表3可知，所有土地類型的總體分類精度為86.8%，Kappa系數為0.84，整體分類效果良好。（1）雖然研究區的水體和城鎮建設用地基于單時相高分影像進行分類，但這兩類地物的光譜特征與其他土地類型具有明顯差異且隨時間變化小，因此仍取得了很好的分類效果，其中，水體全部得到正確劃分，而城鎮建設用地的制圖精度與用戶精度也達到85.19%和95.83%。（2）在植被型土地類型中，林地由于常年保持較高NDVI且經過兩次分類純化過程，因此分類精度最高；甘蔗和水稻也達到較高的識別精度，甘蔗地塊的制圖精度和用戶精度分別可達92.11%和90.91%，水稻分別為88.89%和90.91%。研究還發現，同樣以利用植被在時間維的變化信息為主，水稻分類精度比甘蔗的低，其原因可能是：一是水稻地塊普遍比甘蔗地塊小，破碎程度更高，多期影像間的配準誤差對水稻地塊的影響更加明顯：二是在種植方式上，有些農戶早稻收割后輪種其他作物或撂荒，在地塊年變化曲線上表現出與玉米、草地等相似的特點從而造成漏分；草地和其他作物類別的精度依次居于水稻之后，主要是因為耕地作物中的其他作物類別包括了除甘蔗和水稻之外的所有作物，土地類型復雜，易與草地和水稻混淆而導致錯分和漏分，該類別不是研究關注對象，其分類精度并不影響本研究所使用方法的有效性。結果表明，高分數據對于水體和城鎮建設用地等具有相對時空穩定性的非植被型土地類型具有較好的分類精度；對于作物而言，在高精度地塊的約束下，利用多時相NDVI序列結合物候特征進行作物類型信息提取能夠取得較滿意的識別分類效果，同時，作物種植結構信息的幾何精度也有較大改善。

2. 5 提取結果分析

本研究采用高時空分辨率遙感數據協同提取廣西扶綏縣主要農作物種植面積，其中，提取的甘蔗種植面積為82420.01 ha，水稻種植面積為6806.67 ha。2013年廣西崇左市農業信息網公布的甘蔗和晚稻種植面積分別為83346.67和7900.00 ha，以統計數據為面積精度評價標準，甘蔗種植面積提取誤差為-1.12%，水稻種植面積提取誤差為-13.82%，甘蔗提取精度高于水稻提取精度，與分類精度評價結果一致，甘蔗提取面積與實際情況較吻合，存在較小的偏差是由于甘蔗種植區域坡地占了相當比重，因缺少高精度坡度數據，本研究以平面投影面積代替實際坡面面積而導致面積總數的減少。經過對比分析顯示總體上提取的甘蔗和水稻作物種植面積與實際情況較接近，提取成果對于指導農業生產和規劃具有重要意義。

本研究將提取作物種植結構成果以專題圖顯示（圖4），能夠直觀反映其地理位置分布情況，從圖4-A可知，研究區甘蔗種植面積廣闊，主要分布于中部的平坦及緩坡丘陵地帶，北部和南部山區由于山高坡陡而甘蔗分布較少，主要以林地和草地為地表覆蓋類型；水稻種植面積相較于甘蔗少很多，且總體分布較為零散，主要集中于中部及偏北部的城鎮建設用地周邊，南部靠近山區的水稻分布破碎程度更高，常見于山谷的低洼地帶；其他作物零碎分布在甘蔗地塊之間，規模較小。由圖4-B可知，本研究方法可在農田地塊尺度上對作物類型及其面積進行精細識別和計算，其結果不僅指示了每一塊農田的作物類型，還避免了像素級分類中的“椒鹽”現象，為精準農業補貼投放、農業災害定損等應用提供基礎依據。

3 討論

本研究在遙感圖譜認知理論支持下，綜合利用高空間分辨率和高時間分辨率的多源衛星遙感數據，通過時空信息耦合的圖譜協同方式對縣級區域的作物種植信息進行提取研究，獲得了農田地塊尺度下的作物種植結構信息。胡瓊等（2015）指出使用單期影像提取作物結構存在弊端，提出使用最佳物候期的多時相影像，根據光譜和空間特征提取作物是提高分類精度的關鍵，本研究的技術方法與其觀點一致。因此，基于國產衛星多星協同的數據源獲取方案，彌補了以往單一衛星數據源存在的欠缺，顯著提高了數據有效時空覆蓋度，為我國南方多云雨地區遙感數據的獲取及滿足作物長勢監測所需的多時相遙感數據提供有力支撐。同時，綜合高空間分辨率數據的圖信息和高時間分辨率數據的譜信息，以農田地塊為基本單元構建以空間碎片化、時間序列化為特點的時間序列多特征集，結合作物物候特點構建合適的作物遙感分類模型，可以實現對作物類型的準確判別。利用高分辨率數據提取地塊單元，并以地塊為基元進行作物識別，不但可以減輕多期影像配準中少量偏差帶來的計算誤差，避免象素級分類中的“椒鹽”現象，而且精準的地塊邊界比傳統面向對象分類的不規則圖斑更具有自然和社會屬性意義，可進一步應用于土地確權、農業補貼、災害定損等領域。此外，由于農田地塊邊界的相對穩定性，由高分影像獲取的地塊邊界數據可以一次提取、多次利用，可實現多年農作物種植信息的自動、快速更新。

但本研究也存在不少需要改進之處，如基于高分影像的農田地塊邊界獲取目前仍需要較多的人工編輯工作，如何改進現有的影像分割算法，使得機器分割效果與地塊實際邊界吻合，從而最大程度減輕人工工作量是開展大范圍區域應用必須考慮的問題。此外，由于不同作物立地條件不一致，農作物種植信息提取過程中仍需考慮地形等因素，引入高程和坡度等多源信息，進一步提高作物面積提取精度。本研究主要開展了縣級區域的小范圍應用試驗，以甘蔗和水稻為對象進行作物的分類識別。我國各地氣候、地形和耕種模式復雜多樣，采用固定的分類判別模型必然會增加分類結果的不準確性。因此，結合當地耕作制度和作物生長模型等先驗知識，探討復雜條件下作物種植結構信息的智能化提取將是今后研究的重要方向。

4 結論

本研究提取的廣西扶綏縣作物種植結構的成果滿足使用精度要求，可為精準農業補貼投放、農業災害定損等政策制定提供依據，而技術方法對于作物種植結構信息的快速、精細化調查具有借鑒意義。

參考文獻：

顧曉鶴，潘耀忠，朱秀芳，張錦水，韓立建，王雙. 2007. MODIS與TM冬小麥種植面積遙感測量一致性研究——小區域實驗研究[J]. 遙感學報，11（5）： 350-358.

Gu X H， Pan Y Z， Zhu X F， Zhang J S， Han L J， Wang S. 2007. Consistency study between MODIS and TM on winter wheat plant area monitoring——A case in small area[J]. Journal of Remote Sensing， 11（5）： 350-358.

胡瓊，吳文斌，宋茜，余強毅，楊鵬，唐華俊. 2015. 農作物種植結構遙感提取研究進展[J]. 中國農業科學， 48（10）： 1900-1914.

Hu Q， Wu W B， Song Q， Yu Q Y， Yang P， Tang H J. 2015. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica， 48（10）： 1900-1914.

黃振國，陳仲新，劉芳清，劉軍. 2013. 基于HJ-1影像的大棚菜地遙感監測技術研究——以山東壽光市為例[J]. 中國農業資源與區劃， 34（5）： 102-106.

Huang Z G， Chen Z X， Liu F Q， Liu J. 2013. Monitoring of greenhouse vegetables land using HJ-1 remotely-sensed imagery[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（5）： 102-106.

李治，楊曉梅，夢樊，范文義. 2013. 物候特征輔助下的隨機森林宏觀尺度土地覆蓋分類方法研究[J]. 遙感信息， 28（6）： 48-55.

Li Z， Yang X M， Meng F， Fan W Y. 2013. LULC classification based on random forest with the aid of phenological features[J]. Remote Sensing Information， 28（6）： 48-55.

劉海啟，金敏毓， 龔維鵬. 1999. 美國農業遙感技術應用狀況概述[J]. 中國農業資源與區劃， 20（2）： 56-60.

Liu H Q， Jin M Y， Gong W P. 1999. Applications of remote sensing in agriculture in the United States[J]. Chinese Journal of Agricultural Resources and Regional Planning， 20（2）： 56-60.

劉克寶，劉述彬，陸忠軍，宋茜，劉艷霞，張冬梅，吳文斌. 2014.利用高空間分辨率遙感數據的農作物種植結構提取[J].中國農業資源與區劃， 35（1）： 21-26.

Liu K B， Liu S B， Lu Z J， Song Q， Liu Y X， Zhang D M， Wu W B. 2014. Extraction on cropping structure based on high spatial resolution remote sensing data[J]. Chinese Journal of Agricultural Resources and Regional Planning， 35（1）： 21-26.

劉巽浩，陳阜. 2005. 中國農作制[M]. 北京：中國農業出版社： 95-106.

Liu X H， Chen F. 2005. Farming System in China[M]. Beijing： China Agriculture Press： 95-106.

鹿琳琳，郭華東. 2009. 基于SPOT/VEGETATION時間序列的冬小麥物候提取方法[J]. 農業工程學報， 25（6）： 174-179.

Lu L L， Guo H D. 2009. Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data[J]. Transactions of the Chinese Society Agricultural Engineer-

ing， 25（6）： 174-179.

蒙繼華，吳炳方，杜鑫，張飛飛. 2011. 高時空分辨率NDVI數據集構建方法[J]. 遙感學報， 15（1）： 44-59.

Meng J H， Wu B F， Du X， Zhang F F. 2011. Method to construct high spatial and temporal resolution NDVI DataSet-STAVFM[J]. Journal of Remote Sensing， 15（1）： 44-59.

苗翠翠，江南，彭世揆，呂恒，李揚，張瑜，王妮，李軍. 2011. 基于NDVI時序數據的水稻種植面積遙感監測分析——以江蘇省為例[J]. 地球信息科學學報， 13（2）： 273-280.

Miao C C， Jiang N， Peng S K， Lü H， Li Y， Zhang Y， Wang N， Li J. 2011. Extraction of paddy land area based on NDVI time-series data： Taking Jiangsu province as an example[J]. Journal of Geo-Information Science， 13（2）： 273-280.

唐華俊. 1999.遙感技術在農業資源區劃中的應用與展望[J].中國農業資源與區劃， 20（4）： 22-26.

Tang H J. 1999. The application and prospect of the remote sensing technology in the regional planning of the agricultural resources[J]. Chinese Journal of Agricultural Resources and Regional Planning， 20（4）： 22-26.

萬華偉，王錦地，肖志強，李麗. 2006. 融合MODIS與ASTER數據生成高空間分辨率時間序列LAI方法研究[J]. 北京師范大學學報（自然科學版）， 43（3）： 303-308.

Wan H W， Wang J D， Xiao Z Q， Li L. 2006. Generating the high spatial and temporal resolution LAI by fusing MODIS and ASTER[J]. Journal of Beijing Normal University（Natu-

ral Science）， 43（3）： 303-308.

王琳，景元書，楊沈斌. 2013. 基于多時相遙感數據提取水稻種植面積的研究[J]. 中國農業資源與區劃， 34（2）： 20-25.

Wang L， Jing Y S， Yang S B. 2013. Study on extraction of rice cropping area using multi-temporal remote sensing date[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（2）： 20-25.

王磊，王賀，盧艷麗，白由路，楊俐蘋. 2013. NDVI在農作物監測中的研究與應用[J]. 中國農業資源與區劃， 34（4）： 43-50.

Wang L， Wang H， Lu Y L， Bai Y L， Yang L P. 2013. The research and application of NDVI in crop monitoring[J]. Chinese Journal of Agricultural Resources and Regional Planning， 34（4）： 43-50.

王來剛，田永超，朱艷， 姚霞， 鄭國清， 曹衛星. 2012. 不同時空分辨率遙感數據融合估算冬小麥葉面積指數[J]. 農業工程學報， 28（17）： 117-124.

Wang L G， Tian Y C， Zhu Y， Yao X， Zheng G Q， Cao W X. 2012. Estimation of winter wheat leaf area index by fusing different spatial and temporal resolution remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering， 28（17）： 117-124.

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

Wu B F. 2004. China crop watch system with remote sensing[J]. Journal of Remote Sensing， 8（6）： 481-497.

邢素麗，張廣錄. 2003. 我國農業遙感的應用現狀與展望[J]. 農業工程學報， 19（6）： 174-178.

Xing S L， Zhang G L. 2003. Application status quo and prospect of agriculture remote sensing in China[J]. Transactions of the Chinese Society Agricultural Engineering， 19（6）： 174-178.

熊勤學，黃敬峰. 2009. 利用NDVI指數時序特征監測秋收作物種植面積[J]. 農業工程學報， 25（1）： 144-148.

Xiong Q X， Huang J F. 2009. Estimation of autumn harvest crop planting area based on NDVI sequential characteristics[J]. Transactions of the Chinese Society Agricultural Engineering， 25（1）： 144-148.

閆慧敏，曹明奎，劉紀遠，莊大方，郭建坤，劉明亮. 2005a. 基于多時相遙感信息的中國農業種植制度空間格局研究[J]. 農業工程學報， 21（4）： 85-90.

Yan H M， Cao M K， Liu J Y， Zhuang D F， Guo J K， Liu M L. 2005a. Characterizing spatial patterns of multiple cropping system in China from multi-temporal remote sensing images[J]. Transactions of the Chinese Society Agricultural Engineering， 21（4）： 85-90.

閆慧敏，劉紀遠，曹明奎. 2005b. 近20年中國耕地復種指數的時空變化[J]. 地理學報， 60（4）： 559-566.

Yan H M， Liu J Y， Cao M K. 2005b. Remotely sensed multiple cropping index variations in China during 1981-2000[J]. Acta Geographica Sinica， 60（4）： 559-566.

張莉，吳文斌，左麗君，周清波. 2013. 基于EOS/MODIS數據的南方水稻面積提取技術[J].中國農業資源與區劃， 32（4）： 39-44.

Zhang L， Wu W B， Zuo L J， Zhou Q B. 2013. Extracting plan-

ting of paddy rice in southern China by EOS/MODIS data[J]. Chinese Journal of Agricultural Resources and Regional Planning， 32（4）： 39-44.

周清波. 2004. 國內外農情遙感現狀與發展趨勢[J]. 中國農業資源與區劃， 25（5）： 9-14.

Zhou Q B. 2004. Status and tendency for development in remote sensing of agriculture situation[J]. Chinese Journal of Agricultural Resources and Regional Planning，25（5）：9-14.

周偉，關鍵，姜濤，何友. 2012. 多光譜遙感影像中云影區域的檢測與修復[J]. 遙感學報， 16（1）： 132-142.

Zhou W， Guan J， Jiang T， He Y. 2012. Automatic detection and repairing of cloud and shadow regions in multi-spectral remote sensing images[J]. Journal of Remote Sensing，16（1）： 132-142.

Jonsson P， Eklunndh L. 2002. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. IEEE Transac-

tions on Geoscience and Remote Sensing， 40（8）：1824-1832.

Mathur A， Foody G M. 2008. Crop classification by support vector machine with intelligently selected training data for an operational application[J]. International Journal of Remote Sensing， 29（8）： 2227-2240.

（責任編輯 鄧慧靈）