农作物面积空间抽样调查研究进展*

申克建，何 浩，蒙红卫，孙冠楠

(1.北京师范大学资源学院，地表过程与资源生态国家重点实验室，北京 100875;2.北京师范大学减灾与应急管理研究院，北京 100875)

及时获取农作物种植面积信息及其空间分布状况，对于准确估计和预测农作物产量，制定农业政策，确保国家粮食安全具有重要意义［1-4］。中国法定部门主要通过两种方式获取农作物种植面积信息:一是层层上报;二是抽样调查。层层上报受行政和人为因素干扰严重，准确性差;抽样调查方法虽然人为干扰小、准确性高，但工作量大，人力、物力、财力投入大。两种方法都无法提供农作物空间分布状况［5］。

遥感具有覆盖范围大、探测周期短、现势性强、费用成本低等特点，为快速、准确、动态监测粮食作物种植面积提供了技术手段［6-7］。按遥感在农作物面积调查中的作用，可以把农作物面积调查方法总结为三种:遥感数据为主要信息源的方法、多源数据复合方法和空间抽样调查方法。遥感数据为主要信息源的方法有:目视解译［8］、监督分类［9-10］、非监督分类与其它方法结合［11］、模糊分类［12-13］、人工神经网络影像分类［14］、基于专家知识和地学知识的图像分类［15-16］、面向对象分类［17-18］、混合像元分解［19］。多源数据复合方法有:辅助数据与遥感数据复合［11］、多时相遥感数据复合［20-21］、多分辨率遥感数据复合［22］。空间抽样调查方法有回归估计、系统抽样、分层抽样、小面积估计等方法。

农作物面积调查存在精度、时效和成本的矛盾。一些在小范围取得高精度的方法不适合大尺度，还存在成本高等问题［23］。因此，大尺度农作物面积调查常采用空间抽样调查方法［24］，这种方法较好地解决了精度、时效和成本之间的矛盾，已被应用于美国、欧盟和中国等国家和地区农作物面积调查。文章主要回顾农作物面积空间抽样调查的发展过程，预测了农作物面积调查的发展趋势，希望能对农作物抽样调查的研究和应用提供指导。

1 农作物面积空间抽样调查概述

传统抽样中每个对象被分配一个编号以区别抽样对象，对换任意两编号对象，不改变抽样结果。和传统抽样调查相比，空间抽样调查对象具有地理空间坐标，如果改变空间对象的位置，则改变抽样调查总体，影响抽样调查结果［25］，即空间抽样调查对象有地理空间坐标和属性值。农作物面积空间抽样调查通常依据面积样框进行，面积样框抽样源于美国国家农业统计局的面积抽样调查，面积样框抽样弥补了目录抽样中目录框现势性差的不足。根据抽样单元的形状，面积样框有点、样条、切块等形状［26］。在理论上“点”是零维的，实际调查中被指定成小面积样方用于观测。样条是具有一定宽度的“线”。切块可以通过两种方式定义面积单元，一种是以公路、铁路、水渠等为自然边界;另一种是正方形、长方形等规则样框，相比之下，规则样框的建立要快速经济的多。这两种面积样框的估计精度已被证明是相似的［27］。

当采用面积样框时，遥感数据可以辅助空间抽样调查。在抽样设计阶段，遥感数据提供研究区概貌，辅助定义抽样单元、定义层、抽样单元大小;在估计阶段，遥感分类影像作为回归估计或基于混淆矩阵估计的辅助变量［26］。此外，遥感数据还能提供野外调查的地图文件，控制测量结果质量［28］。

2 空间抽样调查技术国外研究进展

20世纪70年代以来，美国、欧盟、加拿大、巴西、俄罗斯、印度等国家和地区先后开展了小麦、玉米、水稻、大豆、棉花等主要农作物种植面积和产量的估算等工作，实施了一系列重大计划，利用遥感技术改进传统农业统计方法，并形成了业务化运行的面积和估产系统［29］，创造了巨大经济与社会效益。国际上与农作物面积估计有关的农情遥感监测与作物估产系统以美国、欧盟为主要代表［30］。

2.1 美国的农作物面积调查

1974～1977年，美国农业部 (USDA)、国家海洋大气管理局 (NOAA)、宇航局 (NASA)和商业部合作主持了“大面积农作物估产实验 (Large Area Crop Inventory and Experiment)”计划，简称LACIE计划。LACIE计划早期采用遥感结合抽样的方法进行农作物面积估计，使用Landsat Mss影像，抽样单元大小是9.26×11.11km2。最初主要分析抽样误差的影响，很快发现面积估计的误差主要来自影像分类的错分误差和漏分误差［31，32］。

1980～1986年，美国农业部、宇航局、商业部、国家海洋大气管理局和内政部开展了农业和资源的空间遥感调查计划 (Agriculture and Resources Inventory Surveys Through Aerospace Remote Sensing，简称AgRISTARS计划)［33］。农作物面积估算是将“六月农业测量”(June Agricultural Survey)数据和遥感分类结果建立回归关系，按照分层抽样模型汇总出整个调查区的农作物面积，样方大小从259 hm2(耕地)到25.9 hm2(城区)，样方选取比例是耕作区高，非耕作区低［34］。

1997年～至今，美国农业部的国家农业统计局 (National Agricultural Statistical Service)实施了农田数据层计划 (Cropland Data Layer Program，简称CDL计划)，将遥感分类结果 (TM或AWiFS数据)和六月测量数据进行回归估计，2007年首次实现了作物生长季期间的农作物面积估算，2010年实现了27个州的16种农作物面积估算，通过小面积估计方法在作物生长季结束时实现了36个州的农作物面积估算［35］。美国农业部外国农业服务局 (Foreign Agricultural Service)的一项任务是监测全球其他国家的农作物长势，估计其单产潜力，农作物种植面积估计主要靠各国政府的报告和统计资料［32］。

2.2 欧盟的农作物面积调查

2.2.1 MARS计划

欧盟MARS计划 (Monitoring Agriculture with Remote Sensing)是将遥感技术应用于农业统计的十年项目，1987年由负责欧盟农业的欧盟第六司提出，1988年与欧盟委员会统计办公室合作开展，其协调和组织工作由位于意大利的欧盟联合研究中心 (Joint Research Centre)的遥感应用研究所 (Institute of Remote Sensing Applications)负责［36-37］。研究目的是开发出能够改善欧盟农业统计体系的新方法，通过在大尺度实验建成能够实际应用的运行系统。这个计划分两个阶段:MARS－I和MARS－II。MARS－I(1989～1993)包括七项行动［36］，有两项行动和农作物面积估算有关［37］。行动1是区域面积清查，目标是通过面积框抽样估计农作物面积和产量。行动4是农作物面积和产量变化的快速估计，目标是快速估计农作物面积和产量［38］。MARS－II(1994～1998)包括 MARS－STAT、MARS－CAP、MARS－Extensions三项。MARS－STAT的目标是通过遥感技术改进农业统计，分为行动A和行动B，分别对应原MARS－I计划中的行动1和行动4;MARS－CAP的目标是农业补贴政策研究;MARS－Extensions的目标是欧盟的方法应用于非欧盟国家和地区［39］。

行动1(行动A)最初选择5个实验区，1992年增加了西班牙、希腊、中欧的实验区，借鉴USDANASS方案，通过分类结果 (主要是Landsat－TM，一些是SPOT XS)和面积框地面调查数据建立回归关系［32］，估计了小麦、大麦、玉米、水稻、油菜、豆类、向日葵、甜菜等农作物的面积［39］。抽样单元依据土地覆盖状况而定，从25hm2到200hm2，当时业务部门不能接受遥感技术的高成本［40］。

行动4(行动B)估计的对象是欧盟，从3月到11月，每月向欧盟委员会提供一次估计结果。采用两阶段抽样方案，第一阶段在欧盟范围内布设60个40km×40km大小的样区［38］，第二阶段是在每一个样区内布设16个700m×700m大小的样方［37］，主要使用SPOT－XS影像，少量使用Landsat－TM影像，不使用地面调查数据。首先把92%的像元硬分类，8%的像元软分类，然后将分类结果根据农业政策等其它辅助信息进行调整，主要农作物的精度从±10%到±30%［40］，遥感影像对估计误差的影响还存在很大的争论［32］。

2.2.2 LUCAS计划

欧盟LUCAS计划 (Land Use/Cover Area－frame Survey)是一个多目标和多使用者计划，一个目标是进行主要农作物面积估计，为农业统计用户服务［32，41］。这项计划每三年一个周期，已经进行了三个阶段:

LUCAS2001－2003采用集中样方的两阶段系统抽样，初级抽样单元 (PSU)采用系统抽样的方法，格网大小18km×18km，格网交点上布设10个样方 (两排，每排5个，样方相距300m)，大约抽取了10 000个PSUs;次级抽样 (SSU)单元是直径3m大小的圆形样方。具体一种土地覆盖的估计是将研究区的面积乘以它在地面调查中所占比例［32］。

LUCAS2006采用非集中样方的两相系统抽样，第一阶段采用系统抽样，以2km为步长布设样方，布设990 000个样方，这些样方通过历史高分辨数据 (大部分是1m分辨率)进行分类识别，然后对分类识别结果分层，分层会存一定误差，但可以满足大部分农作物估算精度的需求。第二阶段根据第一阶段分层结果，不同层抽取不同比例进行地面调查，比如农作物抽取50%样本，裸地抽取10%样本。最后抽取250 000个样方［42］。具体一种土地覆盖的估计是将研究区面积乘以它在地面调查中所占比例［43］。

LUCAS2009的抽样方案类似于LUCAS2006年的抽样方案，但是农业层的抽样比减小，其它层的抽样比增加，抽取230 000个样方。LUCAS目前已经完成了实验阶段，成为一项欧盟的业务化运行业务，被应用为农业环境指标［32］。

2.2.3 Geoland2计划

Geoland2计划由欧盟第7框架计划支持，开始于2008年9月，计划持续50个月，耗资3 250万欧元［44］，其子项目SATCHMO－AFS(Area Frame Sample)正在研究分辨率1～4m的遥感数据用于估算欧盟土地覆盖面积 (变化)的潜力。Geoland2计划采用系统抽样方法，抽取约200个10 km ×10 km的单元，这种方法估计土地覆盖的结果并不理想，但这种方法估算土地覆盖变化的结果较好［45］。

2.3 其他国家

加拿大、巴西、俄罗斯、印度、阿根廷都建立了包含面积监测在内的农情遥感监测系统。这些系统的面积估算方法多是在LACIE和AgRISTAR项目基础上发展起来的［29］，该文不作介绍。

2.4 国外空间抽样调查技术小结

国外很多国家都建立了包含面积监测在内的农情遥感监测系统，对农作物面积进行业务化监测，为相关组织机构和政府决策提供依据。国外农作物面积空间抽样调查的方法主要是回归估计、小区域估计、系统抽样、分层抽样以及上述方法的组合。

美国的LACIE计划、AgRISTARS计划、CDL计划中的农作物面积估算都采用了回归估计实现主要农作物面积的估计，CDL计划在36个州通过小区域估计进行了16种农作物面积的估计。

欧盟的MARS计划、LUCAS计划、Geoland2计划中的农作物面积估算都采用了系统抽样或者系统抽样与分层抽样结合的方法。LUCAS计划已成为欧盟的一项业务化运行业务，其面积估计结果被应用为农业环境指标。Geoland2计划的方法估计土地覆盖的结果并不理想，但估算土地覆盖变化的结果较好。

3 中国空间抽样调查技术研究进展

我国农业土地覆盖与美洲、欧洲和澳洲不同，地块破碎，套种、间种普遍存在，为此国内进行了大量研究与应用示范，提出了许多针对我国复杂农情状况的空间抽样方法，建立的业务化运行系统有“全球农情遥感速报系统”和“北京市统计生态资源遥感测量运行系统”等。

周华茂以成都平原为研究区，以1:10万地形图作为工作底图，将样方大小定义为500m×500m，根据水稻生产的集约化程度、地形地貌、土地利用现状等生长环境把研究区分为6层，建立了一套适合我国南方水稻播种面积抽样调查的技术体系，调查精度能满足水稻面积宏观监测和水稻估产中面积调查的精度要求［46］。陈仲新等采用的抽样单元为县，以全国县级冬小麦统计数据为分层指标，用累计平方根法将全国1411个冬小麦生产县分为6层，建立全国冬小麦面积变化遥感监测抽样外推模型，然后近似随机地从各层抽取冬小麦生产县，用TM影像人工判读的方法解译冬小麦的变化，最后利用外推模型得出全国冬小麦面积的变化［47］。焦险峰以全国1∶10万土地利用图为背景数据库，提取主产区水田分布信息，以此为抽样总体，采用1∶5万比例尺标准地形图幅作为分层抽样的抽样单元，以抽样单元中水田面积作为分层标志，用累计平方根法将所有抽样单元分为6层，以遥感数据与地面调查相结合的方法监测样本的当年和上一年水稻种植面积，在给定精度条件下估算水稻种植面积年际变化率，为农业部全国水稻遥感监测提供了大尺度水稻遥感监测的运行方案［47］。

中国科学院遥感应用研究所建设和运行了“全球农情遥感速报系统”，是全球尺度农情遥感业务监测的主要运行系统之一，可以在全球尺度提供作物长势、单产、种植面积、产量和旱情等农情信息。自1998年建设至今，监测范围拓展到全球26个国家，监测目标从冬小麦单一作物发展到小麦、水稻、玉米等多种作物，监测结果为国家重大决策提供了可靠的信息支持［49］。作物种植面积遥感监测方面，系统采用GVG农情采样系统进行全国范围的作物种植结构调查，农作物种植面积估算的报告单元可以是县级和省级。正在开展的光学遥感数据与SAR数据融合的作物识别方法研究，有望进一步发展作物精准识别方法，解决国外作物种植面积监测的难题［49］。GVG农情采样系统存在样本代表性的问题，在我国种植结构复杂地区无法获取作物的真实比例［50］。系统存在着强度大，费用高的不足［29］。

全国范围的农作物面积遥感监测由于缺乏运行化的规范方法而一直未能正式纳入政府统计体系［11］。国家统计局在北京师范大学的支撑下建设和运行了“国家粮食主产区粮食作物种植面积遥感测量与估产业务系统”，农作物面积遥感测量与估产连续多年在江苏、河南、湖北、吉林开展示范应用，基本具备了推广应用基础［51］。在北京师范大学的技术支持下，北京市统计局建设和运行了“北京市统计生态资源遥感测量运行系统”，采用遥感结合抽样的技术手段调查农作物面积，取代了传统的层层上报和传统抽样调查，2009年正式应用到北京市的统计工作中［52］。

4 结束语

经过30多年的发展，国外在农作物面积估算方面的突出优点总结为以下几个方面:第一，建立了业务化运行系统，其估计结果被用于指导国内外农业政策的制定;第二，随着新数据的诞生、新监测技术的发展以及对全球尺度农情信息需求的不断增加，估算方法不断改进，遥感结合抽样的方法是其主要估算方法。

国外的研究对我国同类研究和应用的借鉴有以下几个方面:第一，借鉴其遥感结合抽样的方法，设计符合中国土地覆盖特点的抽样估算方法。第二，借鉴美国的小区域估计，使抽取的样本既能估计本级总体，又能满足估计下一级总体的要求［53］。第三，借鉴其空间抽样和调查的技术标准和规范，包括其土地覆盖分类系统，几何校正等遥感数据处理标准，外业调查规范等，以及空间抽样框架的选择、样本容量的计算、总体外推和抽样精度的定量表达等。

此外，还需深入研究样本空间布局合理性问题，成本和精度最优化等问题。上述农作物面积监测计划没有充分发挥遥感技术的潜力，农作物种植面积监测不是依赖大量的地面调查，就是依赖高分辨率遥感数据。要使大尺度农作物面积空间抽样调查方案达到农业统计的要求，需要进一步研究地统计学在农作物面积估算的潜在应用价值［28］。随着无人机遥感技术在民用领域的广泛应用［54-55］，它具有减少地面调查强度，降低成本，保障高分辨数据获取的优势［56］，因此它有望代替地面调查。Laliberte［57］等应用无人机遥感数据进行牧场监测，证明无人机遥感数据可以补充或者替代部分地面调查数据;Breckenridge［58］研究证明无人机可以在较短的时间内能采集大范围的影像，其采集效率比地面数据采集要高的多。因此，航空遥感结合航天遥感技术，将是多种行业应用的发展趋势，也是农业统计重要发展方向。

［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］马丽，顾晓鹤，徐新刚，等．地块数据支持下的玉米种植面积遥感测量方法．农业工程学报．2009，25(8):147～151

［6］刘纪远．国家资源环境遥感宏观调查与动态监测研究．遥感学报．1997，1(03):225～230

［7］童庆禧．遥感科学技术进展．地理学报．1994，49(S1):616～624

［8］王乃斌．中国小麦遥感动态监测与估产．北京:中国科学技术出版社，1996:305

［9］刘东林，周建林，王晶鑫，等．农作物遥感分类中一种改进的最大似然法．中国农业资源与区划．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］焦险峰．大尺度作物面积遥感抽样调查方法研究．中国农业大学学报，2006

［12］李郁竹，曾燕．应用NOAA/AVHRR数据测算局地水稻种植面积方法研究．遥感学报．1998，2(02):125～130

［13］尤淑撑，张玮，严泰来，等．模糊分类技术在作物类型识别中的应用．国土资源遥感．2000，(1):39～43

［14］阎静，王汶，李湘阁．利用神经网络方法提取水稻种植面积——以湖北省双季早稻为例．遥感学报．2001，5(03):227～230

［15］傅肃性．地学分析在遥感专题制图中的应用．国土资源遥感．1994(03):41～47

［16］杨存建，周成虎．基于知识的遥感图像分类方法的探讨．地理学与国土研究．2001，17(01):72～76

［17］张建国，李宪文，吴延磊．面向对象的冬小麦种植面积遥感估算研究．农业工程学报．2008，24(05):156～159

［18］邓媛媛，巫兆聪，易俐娜，等．面向对象的高分辨率影像农用地分类．国土资源遥感．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］马丽，徐新刚，贾建华，等．利用多时相TM影像进行作物分类方法．农业工程学报．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］康晓风，王乃斌，杨小唤．粮食种植面积提取方法的发展与现状．资源科学．2002，24(5):8～12

［23］许文波．大范围作物种植面积遥感监测方法研究．中国:2004

［24］黄青，王迪，刘佳．农情遥感监测中空间抽样技术研究现状与发展趋势．中国农业资源与区划．2009，30(2):13～17

［25］姜成晟，王劲峰，曹志冬．地理空间抽样理论研究综述．地理学报．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］吴炳方，蒙继华，李强子．国外农情遥感监测系统现状与启示．地球科学进展．2010，25(10):1003～1012

［30］吴炳方．中国农情遥感速报系统．遥感学报．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．国内外农情遥感现状与发展趋势．中国农业资源与区划．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］刘海启．欧盟MARS计划简介与我国农业遥感应用思路．中国农业资源与区划．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］周华茂．水稻播面遥感抽样调查技术探讨．西南农业学报．1996，9(03):100～105

［47］陈仲新，刘海启，周清波，等．全国冬小麦面积变化遥感监测抽样外推方法的研究．农业工程学报．2000，16(05):126～129

［48］焦险峰，杨邦杰，裴志远．基于分层抽样的中国水稻种植面积遥感调查方法研究．农业工程学报．2006，22(5):105～110

［49］吴炳方，蒙继华，李强子，等．“全球农情遥感速报系统 (CropWatch)”新进展．地球科学进展．2010，25(10):1013～1022

［50］陈水森，柳钦火，陈良富，等．粮食作物播种面积遥感监测研究进展．农业工程学报．2005，21(6):6

［51］国家统计局农村司．国家统计遥感业务系统关键技术研究与应用”项目课题验收工作顺利完成 ［EB/OL］．http://www．stats．gov．cn/tjdt/gjtjjdt/t20110714_402739381．htm:2011－07－14，2011

［52］新华网．卫星遥感技术首次应用于北京统计工作 ［EB/OL］．http://news．qq．com/a/20090217/001427．htm:2009－02－17

［53］赵雪慧．抽样调查理论和方法的最新进展．统计与信息论坛．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］李继宇，张铁民，彭孝东，等．小型无人机在农田信息监测系统中的应用．农机化研究．2010，32(005):183～186

［56］范承啸，韩俊，熊志军，等．无人机遥感技术现状与应用．测绘科学．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