基于生長氣候分區的土地利用農作物種植面積快速提取研究
————以南京市油菜種植面積提取為例

肖善才

（南京農業大學土地管理學院，江蘇·南京 210095）

中國是一個農業生產大國，農業一直是其基礎產業，及時掌握農作物空間分布信息及其種植規模對監測土地利用變化、預測農作物產量及確保國家糧食安全具有重要意義[1,2]。傳統的逐層統計匯報和實地測量方法誤差大、耗時耗力，且缺乏直觀的空間分布信息。而遙感技術在土地利用、地表覆蓋調查等方面具有獨特的優勢，近年來在農業生產、水資源管理方面的應用越來越普及。

國內外關于作物種植面積監測的研究較多[3-7]，王連喜等利用中等分辨率的Landsat8影像數據和低等分辨率的MDDIS-NDVI時序數據采用決策樹和混合像元分解相結合的方法提取江蘇省的冬小麥種植面積，精度達到90%[8]；張健康等利用多時相的TM/ETM+遙感影像數據和13幅時間序列的MODIS-EVI遙感影像數據，采用基于生態分類法的監督分類與決策樹分類相結合的人機交互解譯方法，對黑龍港地區的主要作物進行了解譯，精度達到了91.3%[9]；張煥雪等利用多時相環境衛星HJ-1A/BCCD的NDVI時序數據，采用決策樹算法對黑龍江省北安市紅星農場開展了農作物分類研究，通過與單時相遙感數據分類結果對比分析，發現NDVI時序數據比僅使用3個時相的HJ-1 A/BCCD數據分類精度提高了5.45%[10]；Jakubauskas等研究了利用低空間分辨率NOAA/AVHRR數據作為數據源，并對耕地和作物空間格局動態變化進行了大尺度范圍研究[11]，這些研究都取得了良好的效果并豐富了遙感技術在農業生產方面應用的深度與廣度。

然而目前多數研究都是在中大尺度上提取作物種植信息[12-21]，小尺度的作物種植信息提取研究鮮有關注。并且這些研究大都忽略了即使是在同一時期內，研究區內部各處的氣候也是有差異的，這會導致同一種作物生育期的變化不一致，因而直接采用NDVI時序數據提取研究區的作物種植信息可能會對提取結果的精度產生影響。王凱、王連喜等也指出氣候差異會導致作物的生育期不一致，從而對作物種植分布信息提取產生較大的誤差[2,8]。為解決上述問題，本文提出了一種高精度小尺度的多時相作物種植信息快速提取方法。首先根據影響農作物生長發育的關鍵氣候條件，結合研究區的背景數據，劃分出合理的氣候區，然后采用多時相的中等分辨率遙感影像建立起各氣候區的作物種植信息提取模型，并利用高分辨率的遙感影像對提取結果進行進一步修正，得到最終的作物種植信息，最后利用南京市2016年油菜種植面積進行提取驗證。

1 研究方法

1.1 數據來源與預處理

遙感數據資料為美國地質調查局（United States Geological Survey，USGS）提供的 2015–2016年 Landsat8陸地成像儀（operational land imager，OLI）影像以及2016年的資源3號影像數據。Landsat8攜帶的陸地成像儀（OLI）包括9個波段，其中有8個分辨率為30m的多光譜波段：b1（Coastal，0.43–0.45um）、b2（Blue，0.45–0.51um）、b3（Green，0.53–0.59um）、b4（Red，0.64–0.67um）、b5（NIR，0.85–0.88um）、b6（SWIRI，1.57–1.65um）、b7（SWIRI2，2.11–2.29um）、b9（Cirrus，1.36–1.38um），1個分辨率為15m的全色波段：b8（Pan，0.50–0.68um），成像寬幅為185×185km。其中近紅外波段b5排除了0.825um處水汽吸收特征；全色波段b8范圍收窄，這種方式可以在全色圖像上更好地區分植被和無植被特征。只需要一景影像就可以覆蓋整個南京市，獲取6景的Landsat8影像的日期分別為2015年10月15日、2016年2月25日、2016年3月12日、2016年3月28日、2016年4月29日、2016年5月19日，通過計算機獲取它們的NDVI，并進行編號，依次為A、B、C、D、E、F，如圖1所示。

圖1 南京市6景Landsat8-NDVI影像Fig.1 Landsat8-NDVI images of Nanjing at six dates

資源3號衛星（ZY-3）是我國2012年發射成功的第一顆民用高分辨率立體測試衛星，至今已在生產中得到了廣泛應用。資源三號影像共有5個波段，其中4個為多光譜波段：b1（Blue，0.45–0.52um）、b2（Green，0.52–0.59um），b3（Red，0.63–0.69um），b4（NIR，0.77–0.89um），一個全色光波段：b5（Pan：0.45–0.80um），星下點全色分辨率為2.1m，前、后視22°全色分辨率3.6m，星下點多光譜分辨率為5.8m，星下點全色成像寬幅為50×50km，星下點多光譜成像寬幅為52×52km。由于資源3號影像較難獲取，因此本文只獲取了單時相的2景資源3號影像，日期為2016年5月19日，且未能覆蓋全南京。

本文對遙感數據的預處理主要包括：（1）對所有影像進行輻射校正、大氣校正、幾何校正和重采樣；（2）利用Mosaicking工具將2景資源三號數據鑲嵌，然后利用行政邊界矢量數據對該幅影像和landsat8影像進行裁剪；（3）對得到的影像數據疊加處理，得到每幅圖像相對應的NDVI值，便于分析作物參數，確定分類閾值。

1.2 氣候分區的必要性與劃分步驟

氣候條件作為影響農業生產的重要自然條件之一，直接或間接地為農業生物的生長發育及其產量形成提供必需的物質與能量。橘生淮南則為橘，生于淮北則為枳，這句話表明了由于氣候條件的不同，具有一定南北跨度的地域內不同地區的同類作物生長情況必然會有差異。由于氣候條件的差異造成的某種作物生育期的變化則會導致不同地區的該種作物的NDVI的變化趨勢產生差異，影響作物種植信息提取模型的建立從而影響到提取精度，因此根據研究區內各處的氣候差異劃分氣候區十分必要。影響作物生長發育的主要氣候條件有溫度、水分、光照以及二氧化碳和風等，其中溫度是影響作物生長發育期的重要因素，作物只有在達到一定的積溫后才能發育成熟，本文重點研究了溫度對作物生長的影響。其主要劃分步驟簡述如下：首先獲取研究區的氣候數據，數據來源于中國氣候數據共享網的《中國地面累年值日值數據集》，得到各氣候站點的溫度數據；然后采用克里金方法進行插值得到溫度分布圖，結合研究區背景數據，確立分區標準，劃分氣候區；最后以野外調查數據對分區結果進行驗證。

1.3 作物種植信息提取模型

在氣候分區的基礎上，結合作物的物候期，分析各區不同農作物的NDVI變化趨勢，選擇出合適時相的遙感影像，提取出區分不同類型作物的關鍵值作為閾值，采用人機交互式的決策樹方法建立起各氣候區作物種植信息的提取模型從而提取出各區的作物種植信息，將各氣候區的結果相加則可得到整個研究區的作物種植情況。為了獲取小尺度的研究區作物種植信息，中等分辨率的遙感影像已經不能滿足要求，因此利用高分辨率的影像對提取結果進行校正，修正低分辨率地區，使其滿足高分辨率，從而獲得小尺度的提取結果。具體的做法是在中等分辨率和高等分辨率的遙感影像上裁剪出多塊大面積種植作物的研究區，以相同的方法提取出兩種影像的作物種植信息，對比獲得兩種影像的比例系數，并以此修正中等分辨率的研究區影像進而得到小尺度的作物種植信息。

1.4 提取結果的驗證方法

為了驗證該方法的合理性，采用空間和定量兩種方法對提取結果進行驗證。空間驗證方法利用作物感興趣區與上述方法提取出的作物種植分布信息進行對比，確定提取精度；定量驗證方法采用統計數據與提取的作物種植面積進行比較，從而確定提取精度。

2 實例應用研究

2.1 研究區概況

2.2 氣候分區

2.2.1 氣候條件的選取

影響油菜生長發育的主要因素是溫度和水分，根據中國地面累年值年值數據集查得南京市不同地區的年降雨量并無明顯差異，但積溫差異較大，因此選取積溫為核心氣候指標，劃分氣候區域，南京市氣候站點油菜各生育期平均溫度見表1，從北到南依次為六合、浦口、南京主城區、溧水、高淳。由表1可以看出，由北向南各生育期的平均溫度逐漸升高，積溫也呈現相似的趨勢，且六合與高淳的積溫相差最大。

表1 南京市氣候站點油菜各生育期平均溫度（℃）Table 1 Average temperature of rape growth period in Nanjing meteorological sites (℃)

2.2.2 插值處理

克里金法是1951年由南非地質學家 Krige 提出，并因此而命名。在1962年法國地理學家Matheron給出了Kriging的一般公式，其公式為：

式中，s為不同位置的點，可以認為是用經緯度表示的空間坐標；z(s)為s處的變量值，其可分解確定趨勢值μ(s)和自相關隨機誤差?(s)。通過對這個公式進行變化，可以生成克里金方法的不同類型。

在地統計分析中，克里金法是建立在平穩假設的基礎上，這種假設在一定程度上要求所有數據集具有相同的變異性。另外，一些克里金插值（如普通克里金法、簡單克里金法和泛克里金法等）都假設數據服從正態分布。如果數據不服從正態分布，需要進行一定的數據變換，使其服從正態分布。因此，在地統計分析前，需要對選取的氣候指標數據檢驗其分布特征，剔除異常值后，進行插值得到氣候區。首先利用正態QQ圖檢驗17個站點的積溫分布特征如圖2所示。

圖2 氣候站點積溫正態QQ圖Fig.2 Accumulated temperature normal QQ figure of meteorological sites

從圖2中可以發現，除右上角的一個站點—高淳的數據外基本都在一條直線上，即這些站點都服從正態分布，采用普通克里金法對南京市周圍的16個氣候站點的積溫數據進行插值。普通克里金法是區域化變量的線性估計，它假設數據變化成正態分布，認為區域化變量Z的期望值是未知的常量。插值的過程類似于加權滑動平均，權重值的確定來自于空間數據分析，插值后得到南京市氣候區分布圖，由北向南劃分為北區、中區和南區。劃分的依據即積溫閾值是根據南京的農作物種植格局來確定的，南京市南部如高淳、溧水，北部如六合是傳統的農業種植中心，區內油菜較其他行政區都呈大面積分布，而在中部如浦口、江寧等主要是城市和鄉鎮，油菜呈小面積或零星分布。依據該種情況劃分了氣候區，如圖3所示。

圖3 南京市氣候區分布圖Fig.3 Distribution of climate area of Nanjing

從圖3中可以看出，南京市的積溫由南向北逐漸減少，這說明江南與江北地區的油菜成熟時間有差異，且由南向北，油菜成熟時間越來越晚。這符合野外實地調研過程中所觀察到的現象——在5月20日至5月24日為期4天的野外調查中，我們發現江南的油菜例如高淳和溧水地區油菜成熟的時間較早，某些地區的油菜甚至已經完成了收割工作，而江北地區的油菜例如六合和浦口地區等普遍沒有成熟，距離收割工作還需一段時間。氣候區的劃分與野外調研的結果基本一致，南區積溫最高，油菜成熟最早，基本已完成收割；中區積溫居中，油菜成熟比南區晚，收割工作基本還未開始；北區積溫最低，油菜距離成熟還需一段時間，因此，溫度是影響南京市油菜成熟期的重要因素，以積溫為氣候指標為南京市劃分氣候區合理。

2.3 油菜種植信息提取模型建立、結果提取與校正

2.3.1 油菜提取模型的建立

南京市越冬農作物只有冬小麥和油菜，而油菜和冬小麥具有相同的物候期，都是在10月下旬至次年5月上旬；所以，提取油菜種植面積的關鍵是區分油菜和冬小麥。表2為南京市油菜與冬小麥的物候期。

表2 南京市油菜與冬小麥物候期Table 2 Rape and winter wheat phenological period in Nanjing

油菜和冬小麥在11–12月處于緩慢生長階段，NDVI曲線平緩上升；1–2月處于越冬期，油菜和冬小麥停止生長，NDVI變化很小；3–4月返青后，油菜和冬小麥均快速生長，NDVI曲線快速上升；4–5月成熟收獲期，NDVI曲線開始下降。兩者相比較，在3月中旬之后，油菜與冬小麥的NDVI曲線有相反的變化，在此期間油菜進入盛花期，所以NDVI曲線有所下降；而冬小麥在拔節期繼續生長，其NDVI曲線則繼續上升，因此可根據這種差異區分出油菜和小麥。而且同時間段內的其他農作物（如早稻、棉花及玉米）尚未移栽，所以3、4月份是識別冬小麥和油菜的最佳時相。然而由于氣候條件、種植時間等因素的不同，3、4月份的遙感影像中油菜和冬小麥的NDVI值會出現相同的情況，單從一景影像很難區分油菜與冬小麥，因此利用多時相遙感影像進行作物種植信息提取。

Landsat-8影像的選擇也遵循上述規律，2015年10月15日油菜和小麥還未播種，此時NDVI值很低；2016年的2月25日至3月12日是油菜和小麥返青時期，NDVI值迅速上升；2016年3月28日至4月29日小麥在拔節期繼續生長，NDVI繼續上升，而油菜進入盛花期，NDVI降低；2016年5月19日油菜已經基本成熟或已收割完成，NDVI值很低。

利用野外調查采取的油菜和小麥樣點結合油菜與小麥的物候期及它們的NDVI值變化趨勢，采用決策樹方法建立起各個氣候區的油菜面積提取模型。各個氣候區的部分油菜樣點的6個時相的NDVI值如表3所示。

表3 氣候區油菜樣點6個時相的NDVI值Table 3 NDVI value of rape sample in climate area at 6 dates

決策樹各分支約束條件的閾值即野外樣點對應的NDVI值，通常以某一類別的最小值為閾值，爭取到大部分相似的像元，然后再輔以其他約束條件進行篩選和刪除。根據NDVI曲線、NDVI值和決策樹模型閾值選取原則，得到每個子研究區的決策樹識別模型如下（式中b1、b2、b3、b4、b5、b6 代表各個時相的遙感影像的NDVI值）：

（1）北區油菜識別模型：對北區的油菜NDVI值的變化趨勢研究后發現，小麥的NDVI值在第4個時相和第5個時相時總有一個大于0.68，油菜的NDVI值最高也沒有超過0.68。那么，北區油菜識別模型為：

b1＜b2 and b2＜b3 and b3＜b4 and b5＞b6

b1＜0.2 and b6＜0.2 and b4＜0.68 and b5＜0.68

（2）中區油菜識別模型：研究中區的油菜NDVI值的變化趨勢后可以知道，研究區內各個樣點的油菜NDVI值的變化趨勢基本相同，第3時相到第4時相油菜的NDVI值大于0.5，第4時相的NDVI值小于0.65，而小麥大都大于0.65，第5時相油菜的NDVI值都大于0.58，則中區油菜識別模型為：

b1＜b2 and b2＜b3 and b5＞b6

b1＜0.2 and b6＜0.2 and b3＞0.5 and b4＜0.65 and b5＞0.58

（3）南區油菜識別模型：同理，研究南區油菜的NDVI值的變化趨勢后發現，第3時相到第4時相NDVI值的降低是區分油菜和小麥的最明顯標志，此時高淳區內油菜的NDVI值處于上升階段，且小麥的NDVI值在第四個時相時總是大于0.65。因此，南區油菜識別模型為：

b1＜b2 and b2＜b3 and b3＞b4

b1＜0.2 and b2＞0.35 and b4＜0.65

2.3.2 提取結果

對提取結果研究分析后發現，多時相的影像很好地區分了油菜與小麥，其中C、D、E三個時相是區分油菜與小麥的關鍵。由表3可以看出，區分效果最好的是南區，只利用了4個時相的影像就很好的區分開油菜與小麥，其中C時相的影像是區分油菜與小麥的關鍵，C時相之后，油菜的NDVI值呈下降趨勢，而小麥的NDVI值呈上升趨勢；中區和南區的區分效果較南區較差，都需要用6個時相的影像才能較好地區分油菜與小麥，其中D、E兩個時相的影像是區分油菜與小麥的關鍵，中區和北區的油菜NDVI值變化趨勢各異，因此只能設置合理的閾值來區分油菜與小麥。這可能是由于中區和北區油菜種植較為分散，部分油菜通常是伴隨著大面積的小麥種植的，因而各處的NDVI值變化趨勢各異，而南區油菜是呈大面積種植，小麥種植較油菜相對較少，所以區分效果較中區和北區更佳。

利用Landsat8數據采用上述方法提取的南京市油菜種植面積為17.28千公頃。

2.3.3 高分辨率遙感影像校正結果

以資源3號衛星數據來校正低空間分辨率遙感影像像元，利用南京市行政區劃矢量圖裁剪后，得到部分研究區的影像，選取該研究區中國油菜呈大面積種植的區域，采用決策樹分類方法對這些區域內的油菜面積進行提取，得到5m小尺度油菜面積。裁剪出與這些區域相同大小的中等精度的Landsat8影像數據，運用相同的決策樹方法得到該地區的中等空間分辨率的油菜面積，從而得到該地區的校正系數，利用該系數對基于氣候區建立的油菜面積提取模型提取出的結果進行校正，得到5m小尺度的南京市油菜種植信息。

X為校正系數，S1為高分辨率影像的作物面積，S2為低分辨率影像的作物面積。

在利用Landsat8數據提取的油菜面積結果上，利用資源3號進行修正后的油菜種植面積為17.80千公頃。

2.3.4 提取精度驗證

（1）定量精度分析：根據南京市農委的統計資料顯示2016年南京市油菜種植面積約為20千公頃，則利用高分辨率的資源3號影像修正前和修正后的提取精度分別為86.3%和89%，這表明采用上述方法能夠提取出高精度小尺度的油菜。

（2）空間精度分析：利用野外調查選取的樣點制作的油菜感興趣區與分類結果進行對比得到油菜的提取精度，如表4所示。

表4 基于氣候區的油菜提取精度Table 4 Rape extraction precision based on climate area

從表4可以看出，南區的油菜提取精度達到了90%以上，這與實際情況相符，較北區和中區，南區的油菜呈大面積分布，特別是在固城湖和石臼湖附近分布很集中，純凈像元較多，所以提取精度能夠達到90%；中區的油菜提取精度為為85.10%，是3個氣候區中提取精度最低的，這是因為中區內低山，丘陵，崗地較南北區較多，境內有老山、黃龍山、湯山等，故油菜分布較為分散，因而提取精度較低；北區的油菜提取精度為87.84%，研究后發現，北區北部為丘陵山崗地區，油菜分布分散，而中南部為河谷平原、崗地區，油菜分布較為集中，因而提取精度只有87.84%。采用上述方法提取的各區的油菜面積精度都在85%以上，且總體精度達到了89.40%，說明了本方法能夠很好的提取油菜信息。

2.4 方法創新性驗證

為了能夠更好地體現本方法的創新性，本文在不劃分氣候區的基礎上，以南京市為研究區域利用多時相遙感影像，提取南京市油菜種植面積，進而與文章提取的新方法比較優勢性。

通過對各氣候區的油菜NDVI值變化趨勢的研究后，綜合每個區的NDVI值的變化趨勢，確定整個南京地區的油菜識別模型：

b2＜b3 and b1＜b2 and b5＞b6

b2＞0.35 and b3＞0.45 and b4＞0.48 and b5＞0.45

b1＜0.2 and b3＜0.65

b4＜0.7 and b5＜0.7and b6＜0.2

（1）定量精度分析：以校正系數來修正上述方法提取出的結果，得到南京市油菜種植面積為24.20千公頃，較南京市真實油菜播種面積多出了4.20千公頃，比文章提取的新方法提取出的油菜面積多了6.40千公頃。

（2）空間精度分析：利用ENVI軟件結合野外調研資料制作的油菜驗證數據與分類結果進行對比得到油菜的提取精度，其對照像元4147個，正確分類像元3579個，分類精度為86.3%。由此可知，以南京市為研究區提取油菜面積精度為86.3%，低于表4中以氣候區提取油菜面積精度，后者比前者高了3.1%。

由定量和空間兩種分析方法可知，本文所提出的方法較已有的不考慮研究區內部氣候差異，直接以研究區作為整體建立作物種植信息提取模型來提取作物分布情況的方法具有創新性。

3 結論與討論

獲取高精度的作物種植規模一直都是作物種植信息提取研究中的重點，本文根據研究區內部氣候差異，劃分氣候區，然后利用中等分辨率的多時相遙感影像建立作物種植面積提取模型，并利用高分辨率的影像對提取結果修正，最后通過南京市2016年油菜種植面積進行提取檢驗。與統計數據相比，總體精度達到89%，表明該方法能夠很好地提取出作物種植信息。為了更好地表明本方法的優勢，將本研究提出的新方法與當前多數研究以研究區為整體提取作物分布信息進行比較[22-24]，結果表明運用本文方法提取的結果優于后者，證明本文提出的新方法更具優勢性。由于具有一定南北跨度的地區之間氣候必然會有差異，而這樣的地區在中國很多見，因此本方法又具有普遍適用性。

另外，與以往較為復雜的混合像元分解法[8,12]相比——以最小二乘法為基礎，建立分解模型，本文中提出了以高等空間分辨的影像像元來校正中等空間分辨率的像元的方法，并在實例研究中取得了較好的效果，提取精度提高了2.7%。在未使用多景高分辨率遙感影像的情況下，只利用一景中分辨率的影像就獲得了高分辨率高精度的南京市作物種植分布信息，證明該種方法切實可行。

Wardlow B.D.等利用12個月16d一期的MODIS數據對美國中部大平原的作物信息進行了提取[15]，Pringle等人也利用了MODIS數據對土地覆蓋進行分類并對特定地物進行了面積的提取[24]。雖然MODIS數據時間分辨率高，但空間分辨率低，多針對于大尺度區域的作物種植結構提取，面向小尺度研究區域則容易出現較大誤差[25]，且所需要的景數較多，而如果都利用高空間分辨率的影像來提取小尺度的作物信息，一是成本太高，可能需要多景影像才能覆蓋一個研究區，二是合適高空間分辨率影像難獲取，例如影像云量較多又或者作物關鍵生育期時相的影像沒有等。本文的方法中只需要少量的可免費獲取中等空間分辨率遙感影像外加幾景高空間分辨率的遙感影像結合作物物候期就能夠提取出小尺度的作物種植信息，具有經濟高效性。

但是，本文提出的方法也有一些需要改進的地方：在建立氣候區時，只考慮了溫度因素，而沒考慮其他對作物有影響的氣候條件，它們對氣候區的劃分也可能會有一定的影響；沒有考慮農民播種時間的影響，這可能會對提取結果有一定的影響。

參考文獻(References)

[1]王松林,張佳華,劉學鋒. 基于MODIS多時相的江蘇啟東市油菜種植面積提取[J]. 遙感技術與應用,2015,30(5):946-951.Wang S L, Zhang J H, Liu X F. Extraction of rape planting areas based on multi-temporal MODIS data in Qidong, Jiangsu province[J].Remote Sensing Technology and Application,2015,30(5):946-951.

[2]王凱,張佳華. 基于MODIS數據的湖北省油菜種植分布信息提取[J]. 國土資源遙感,2015,27(3):65-70.Wang K, Zhang J H. Extraction of rape seed cropping distribution information in Hubei province based on MODIS images[J].Remote Sensing for Land and Resources, 2015,27(3):65-70.

[3]陳思寧,趙艷霞,申雙和. 基于波譜分析技術的遙感作物分類方法[J]. 農業工程學報,2012,28(5):154-160.Chen S N, Zhao Y X, Shen S H. Crop classification by remote sensing based on spectral analysis[J].Transactions of the Chinese Society of Agricultural Engineering, 2012,28(5):154-160.

[4]李丹丹. 基于中高空間分辨率遙感影像的油菜種植面積信息提取研究[D]. 北京:中國農業科學院,2011.Li D D. Crop planted area extraction based on middle and high resolution remote sensing images[D]. Beijing: Chinese Academy of Agricultural Sciences, 2011.

[5]楊嘯. 基于時序NDVI的湖北省植被覆蓋動態變化監測分析[J].長江流域資源與環境,2013,22(2):226-231.Yang X. Vegetation cover dynamic monitoring of Hubei province based on time-series NDVI[J].Resource and Environment in the Yangtze Basin, 2013,22(2):226-231.

[6]Liu T T, Liu C. Study on extraction of crop information using time-series MODIS data in the Chao Phraya Basin of Thailand[J].Advances in Space Research, 2010,45(6):775-784.

[7]李芬. 資源三號衛星數據在土地利用遙感監測中的應用研究[D]. 長春:吉林大學,2013.Li F. Extraction of vegetation information based on resources satellite No.3 (ZY-3) data[D]. Changchun: Jilin University, 2013.

[8]王連喜,徐勝男,李琪. 基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農業工程學報,2016,32(5):182-187.Wang L X, Xu S N, Li Q. Extraction of winter wheat planted area in Jiangsu province using decision tree and mixed-pixel methods[J].Transactions of the Chinese Society of Agricultural Engineering,2016,32(5):182-187.

[9]張健康,程彥培,張發旺. 基于多時相遙感影像的作物種植信息提取[J]. 農業工程學報,2012,28(2):134-141.Zhang J K, Cheng Y P, Zhang F W. Crops planting information extraction based on multi-temporal remote sensing images[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(2):134-141.

[10]張煥雪,曹新,李強子. 基于多時相環境星NDVI時間序列的農作物分類研究[J]. 遙感技術與應用,2015,30(2):304-311.Zhang H X, Cao X, Li Q Z. Research on crop identification using multi-temporal NDVI HJ images[J].Remote Sensing Technology and Application, 2015,30(2):304-311.

[11]Jakubauskas M E, Legates D R, Kastens J H. Crop identification using harmonic analysis of time-series AVHRR NDVI data[J].Computer and Electronics in Agriculture, 2002,37(1):127-139.

[12]Lunetta R S, Shao Y, Ediriwickrema J, et al. Monitoring agriculture cropping patterns across the Laurentian Great Lakes Basin using MODIS-NDVI data[J].International Journal of Applied Earth Observation and Geoinformation, 2010,(12):81-88.

[13]Wardlow B D, Egbert S L, Kastens J H. Analysis of time-series MODIS 250m vegetation index for crop classification in the US Central Great Plains[J].Remote sensing of Environment,2007(108):290-310.

[14]梁益同,萬君. 基于HJ-1A/B-CCD影像的湖北省冬小麥和油菜分布信息的提取方法[J].中國農業氣象,2012,33(4):573-578.Liang Y T, Wan J. Application of HJ-1A/B-CCD images extracting the distribution of winter wheat and rape in Hubei province[J].Chinese Journal of Agrometeorology, 2012,33(4):573-578.

[15]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.Quan W T, Wang Z. Researches on the extraction of winter wheat planting area using remote sensing method[J].Remote Sensing for Land and Resources, 2013,25(4):8-15.

[16]楊紅衛,童小華. 中高分辨率遙感影像在農業中的應用現狀[J].農業工程學報,2012,28(24):138-149.Yang H W, Tong X H. Application status of middle and high resolution remote sensing images in agriculture[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(24):138-149.

[17]宋明明,鄭文龍,卞國棟. 基于多時相Landsat8數據的南方丘陵區典型地物信息提取—以秦淮河流域為例[J]. 科學技術與工程,2016,16(18):211-216.Song M M, Zheng W L, Bian G D. Typical southern hillside area information extraction based on multiple time Landsat8 data[J].Science Technology and Engineering, 2016,16(18):211-216.

[18]韓婷婷,習曉環,王成. 基于決策樹方法的云南省森林分類研究[J]. 遙感技術與應用,2014,29(5):744-751.Han T T, Xi X H, Wang C. Study on forest classification in Yunnan baesd on decision tree algorithm[J].Remote Sensing Technology and Application, 2014,29(5):744-751.

[19]苗翠翠. 基于NDVI時間序列的水稻面積提取研究[D]. 南京:南京林業大學,2010.Miao C C. Rice area extraction based on NDVI time seris[D].Nanjing: Nanjing Forest University, 2010.

[20]郝衛平,梅旭榮,蔡學良. 基于多時相遙感影像的東北三省作物分布信息提取[J]. 農業工程學報,2011,27(1):201-207.Hao W P, Mei X R, Cai X L. Crop planting extraction based on multi-temporal remote sensing data in northeast China[J].Transactions of the Chinese Society of Agricultural Engineering,2011,27(1):201-207.

[21]徐涵秋,唐菲. 新一代Landsat系列衛星:Landsat8遙感影像新增特征及其生態環境意義[J]. 生態學報,2013,33(11):3249-3257.Xu H Q, Tang F. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance[J].Acta Ecologica Sinica, 2013,33(11):3249-3257.

[22]Pringle M J, Denham R J, Devadas R. Identification of cropping activity in central and sourthern Queensland, Australia, with the aid of MODIS MOD13Q1 imagery[J].International Journal of Applied Earth Observation and Geoinformation, 2012,19:276-285.

[23]汪擴軍. 農業氣候業務[M]. 北京:氣象出版社,2013:183-188.Wang K J. Agricultural meteorological operations[M]. Beijing:Meteorological Press, 2013:183-188.

[24]Oliver M A. Kringing: A method of interpolation for geographical information system[J].International Journal of Geographic Information Systems, 1990,49(4):313-332.

[25]李軍龍,張劍,張叢. 氣候要素空間插值方法的比較分析[J]. 草業科學,2006,23(8):6-11.Li J L, Zhang J, Zhang C. Analysis and compare the spatial interpolation methods for climate factor[J].Pratacultural Science,2006,23(8):6-11.

[26]阿力木江,朱秀芳,努爾麥麥提. 基于時序歸一化植被指數的撂荒地調查研究[J]. 上海國土資源,2016,37(4):34-37.Alimujiang, Zhu X F, Nuermaimaiti. Studying abandoned farmland using temporal NDVI data[J].Shanghai Land & Resources,2016,37(4):34-37.

[27]涂曉揚. 福建省植被指數與地形要素多尺度空間格局分析[J]. 上海國土資源,2016,37(2):9-12,20.Tu X Y. Multi-scale features of spatial patterns of the normalised difference vegetation index and topographic factors in Fujian province[J].Shanghai Land & Resources, 2016,37(2):9-12,20.