基于高时空分辨率遥感数据协同的作物种植结构调查

黄启厅 曾志康 谢国雪 骆剑承 覃泽林 兰宗宝

摘要：【目的】充分发掘遥感影像的空间、时间和光谱等特征谱信息，探索地块基元支持下的多源遥感数据作物种植信息自动识别方法，为作物种植结构信息的快速、精细化调查提供借鉴。【方法】以广西扶绥县为研究区，通过对高空间分辨率影像的多尺度分割和对象廓线编辑，提取精细农田地块信息；以地块为基元获取覆盖作物生育期内的时序光谱特征；基于时序光谱及其变化定义与作物长势状况相关的描述参量，形成静态光谱与动态过程特征结合的多维特征空间，结合作物的物候节律特征构建作物种植信息提取模型，实现主要农作物种植结构信息的提取。【结果】依据上述方法绘制出广西扶绥县甘蔗、水稻和其他作物农田及草地、林地、水体、城镇建设用地等的精细地块图，其中，提取广西扶绥县甘蔗和水稻作物的总面积分别为82420.01和6806.67 ha，作物提取的总体分类精度为86.8%，Kappa系数为0.84。【结论】提取的广西扶绥县作物种植结构的成果满足使用精度要求，可为精准农业补贴投放、农业灾害定损等政策制定提供依据，而技术方法对于作物种植结构信息的快速、精细化调查具有借鉴意义。

关键词： 种植结构；高时空分辨率；时间序列；精细地块；遥感数据协同

中图分类号： S127 文献标志码：A 文章编号：2095-1191（2017）03-0552-09

0 引言

【研究意义】作物种植结构反映一个地区的主要粮食和经济作物种植面积及布局情况，是土地资源利用科学性与合理性的指标之一。因此，快速、及时、准确掌握作物的种植结构，并依据科学理论和技术进行调整优化，对于促进资源的合理配置及可持续利用具有重要意义。遥感技术凭借宏观性、时空一致性及可重复观测的优势，已成为大区域作物种植结构及其变化信息获取的重要手段，其在理论方法和实际应用方面均已得到长足发展（唐华俊，1999；邢素丽和张广录，2003；闫慧敏等，2005b）。利用遥感技术调查作物种植结构能够提供准确的种植信息，为有关部门指导农林生产及调整作物布局提供参考依据。【前人研究进展】运用遥感技术调查作物结构在国内外已得到广泛研究和应用。大范围的作物结构调查更多采用SPOT、TM等中分数据或NOAA、MODIS等低分辨率遥感数据（顾晓鹤等，2007；熊勤学和黄敬峰，2009；黄振国等，2013；王琳等，2013；王磊等，2013；张莉等，2013），并主要依靠多时相分析或遥感分类与地面抽样调查相结合的统计方法来进行作物类型及其长势信息的估算（闫慧敏等，2005a；鹿琳琳和郭华东，2009；苗翠翠等，2011），如美国农业与资源空间遥感调查计划（刘海启等，1999）、欧盟农业遥感监测计划（周清波，2004）及我国的农情速报系统（吴炳方，2004）。由于中、低空间分辨率影像存在混合像元的因素，其分类识别精度难以进一步提升，因此更适用于全球、全国或省级区域的大尺度农情估测。随着高空间分辨率数据源的日益丰富，已有学者开展了基于单期高空间分辨率数据作物种植结构提取的探索研究（Mathur and Foody，2008；刘克宝等，2014），也有不少研究通过引入数据同化方法，将单一时相的高空间分辨率影像（如SPOT、ASTER等）和时序中低分辨率影像（如MODIS、HJ-1A/B）进行融合获取高空间分辨率时序数据，对作物种植信息进行提取（万华伟等，2006；蒙继华等，2011；王来刚等，2012）。【本研究切入点】虽然上述方法在几何和分类精度上有所提升，但总体而言，其作物种植结构信息仍停留在“片区”级尺度水平，难以满足更精细的中小区域应用需求；现代农业的定量化管理、农业补贴的精准投放及农业保险的灾后定损等领域应用的发展，迫切需要农田地块尺度的作物种植结构信息的支持。【拟解决的关键问题】以广西扶绥县为研究区，在遥感图谱认知理论支持下，通过对高空间和高时间分辨率遥感数据的协同利用，从米级分辨率影像上提取农田地块结构的图信息，结合多时相中分辨率影像的光谱及其变化特征，以地块为基元构建地块支持下的归一化植被指数（Normalized difference vegetation index，NDVI）时间序列数据，充分发掘遥感影像的空间、时间和光谱等特征谱信息，经由遥感信息图谱协同认知方式，探索地块基元支持下的多源遥感数据作物种植信息自动识别方法，为作物种植结构信息的快速、精细化调查提供借鉴。

1 材料与方法

1. 1 研究区概况

以广西崇左市扶绥县为研究区，该地区处于广西西南部，位于东经107°3′～108°6′、北纬22°11′～22°57′，西邻崇左市江洲区，南接防城市上思县，北靠南宁市隆安县，西南与崇左市宁明县交界，区域总面积约2836 km2。扶绥县地貌以中部的丘陵和台地平原为主，南、北部为山区，耕地主要分布于中部丘陵和台地平原地区，南、北部山区耕地较少。该地区属南亚热带季风气候区，常年多云雨天气，年均温21.3～22.8 ℃，年降水量1050～1300 mm。扶绥县传统产业包括蔗糖、粮食、水果和蔬菜产业，其中甘蔗和水稻分别是主要的经济和粮食作物（刘巽浩和陈阜，2005），甘蔗常年种植面积8万ha左右，是广西甘蔗种植重点县。研究区的气候、耕地和作物种植状况具有我国南方地区的典型特征，对遥感影像的时空分辨率及数据源获取提出了较高要求。

1. 2 数据来源

以国产卫星影像为主要数据源，采用8景高空间分辨率ZY-3影像及19景高时间分辨率的HJ-1、GF-WFV和Landsat 8影像。其中，ZY-3影像包括覆盖研究区的全色和多光谱各4景，两者融合后分辨率达2.1 m，能清晰分辨农田边界，且保留了大部分光谱特征，为地块边界的分割提取提供保障；中分辨率数据为2012年9月～2014年2月的多源多时相影像数据集，其在时间跨度上覆盖了大多数作物的生长周期；HJ-1A和HJ-1B光學卫星分别搭载了2台CCD相机，其分辨率均为30 m，重访周期达到2 d；GF-WFV采用4台传感器并列成像，可获得16 m分辨率的影像，重访周期为4 d；由于2013年5月的HJ-1和GF-WFV均无可用数据，因此选用一期Landsat 8影像。所有选用影像如表1所示。

1. 3 研究方法

1. 3. 1 卫星影像预处理 卫星影像的预处理主要包括几何校正、云影检测、辐射校正和无云NDVI时序影像获取。（1）几何校正：以1∶10000地形图选取控制点，利用PCI Geomatics 2013对ZY-3的全色和多光谱影像进行正射和融合处理；以纠正后的2.1 m ZY-3融合影像为参考底图，对GF-WFV、HJ-1和Landsat8影像进行几何纠正，使得中、高空间分辨率数据间及中分数据间的几何误差小于1个GF-WFV像元（16 m）。（2）云影检测：利用研究区边界矢量对影像分别进行裁切，生成坐标投影及范围一致的影像数据集；利用周伟等（2012）研究的云影检测方法对中分影像进行云影识别，检测结果经人工检查和修订后最终获得对应的云影掩膜数据集。（3）辐射校正：基于PCI Geomatics的ATCOR大气校正模型，根据影像头文件的定标系数、成像时间和太阳高度角等信息对中分影像数据集进行辐射定标和大气校正，将DN值转化为地表反射率，恢复影像的物理属性，为后期NDVI的计算和分类识别提供准确的辐射信息。（4）无云NDVI时序影像获取：根据公式（1）对19景辐射校正后的中分辨率影像计算NDVI，生成NDVI影像并与对应的云影栅格数据做掩膜处理，获取无云NDVI时间序列数据集。

式中，ρNIR为近红外波段反射率，ρRED为红波段反射率。

1. 3. 2 作物结构信息提取 针对多云雨气候条件下单一卫星传感器数据获取能力的不足，以及日益精细化农业应用的需求，本研究基于高时空分辨率多源遥感数据协同，在地块边界约束下，结合作物物候历和地物光谱、NDVI时序变化等多维特征，提取田地块尺度下作物种植结构信息。如图1所示，作物结构信息提取主要由以下3个步骤组成：①基于高空间分辨率ZY-3影像的多尺度分割与分类提取耕地范围，并在耕地基础上进行再分割和边界编辑，获得精细地块矢量；②基于高时间分辨率NDVI影像数据集，以地块为单元提取NDVI时间序列，对其平滑去噪，然后根据谱线量值和形态定义反映作物生育关键期变化特点的特征系列，形成支持后继分类识别的多维特征空间；③对研究区主要作物物候历和植被变化规律进行分析，并结合特征空间进行地物样本统计和阈值选取，构建基于决策树的作物遥感分类模型，最终获得研究区主要作物种植结构信息。

2 结果与分析

2. 1 高空间分辨率的地块边界提取

ZY-3融合影像的空间分辨率为2.1 m，其获取的地块轮廓清晰且地块内部具有较好的光谱均质性，能够为地块边界的计算机提取提供良好基础。由于水体、城镇建设用地、林地和裸地等地块类型在高分影像上表现出明显异于耕地的亮度、色调和纹理特征，因此，首先采用面向对象技术对影像进行多尺度分割，然后选取各地块类型的典型样本进行基于支持向量机（Support vector machine，SVM）的监督分类，以获得各地块类型的分布范围。在耕地范围内进行参数优化再分割，并辅以人工边界编辑和平滑处理，即可得到地块的完整边界矢量。经对比实验选取的最佳分割尺度和形状因子分别为60和0.3，颜色因子和空间紧致度设置为0.8和0.4，最终的分割提取效果如图2所示。需要说明的是，由于草地和某些耕地作物在单一时相ZY-3影像中难以有效区分，因此在初次分类中将草地归为耕地共同参与地块的分割提取；同时，提取的结果地块中也包含了少量分布于耕地当中的小块林地和园地，这些非目标地类可通过后期结合时序NDVI的多时相特征分析加以区分和归类。

2. 2 高时间分辨率的地块特征提取

由于不同月份的NDVI影像在频率和时间間隔上均不相同，加之农作物的覆被状况因翻耕、收割等人为因素在短期内可能发生较大变化，因此，直接利用原始序列值或采用最大值合成进行特征计算，难以反映作物覆被变化的真实状况，可能会影响特征表达的准确性及可比性。三次样条插值函数（Cubic spline interpolation）是一类分段光滑、并且在各段交接处也有一定光滑性的函数，属于样条函数的一种，已广泛应用到逼近论、数据拟合和计算机辅助设计领域。本研究采用三次样条插值对初始时序值进行曲线拟合，并从2012年3月1日～11月30日以旬为单位进行NDVI曲线插值计算，获取等时间间隔序列，效果如图3所示。

获取地块NDVI序列之后，根据NDVI曲线量值和形态定义一系列物候和光谱统计特征，构建多维特征空间。作物物候参数的提取采用动态阈值法（Jonsson and Eklunndh，2002），该方法是一种动态比值形式，即给定像元（地块）和时间点的植被指数（Vegetation index，IV）值与VI（波动频率）之比。李治等（2013）研究表明，比值阈值可减少背景因素的影响，比绝对阈值或差值阈值具有更好的适用性。本研究中定义的物候特征包括：①基底值，即曲线左侧最小值与右侧最小值的均值；②曲线峰数，即一次导数为0的高值顶点数；③生长季长度，即曲线值高于振幅20%的时长；④峰值，即一次导数为0的顶点值；⑤凋零速率，即NDVI从顶点峰值降至当年振幅20%的降低速率。以上特征可有效反映作物的熟制、生长周期、鼎盛期和收割期的植被覆盖变化和物候节律特点，由这些动态过程的物候特征及NDVI月均值、NDVI年均值等静态光谱特征构成的特征空间丰富了信息提取的可辨识维度，使得地物的遥感识别准确度进一步提高。

2. 3 作物种植结构信息遥感反演

针对地块是多维特征有效载体的特点，本研究采用决策树分类算法进行地块作物的遥感分类。与常规分类方法相比，决策树分类方法无需假设样本先验概率分布，其非参数化和树结构特征具有更高的灵活性和鲁棒性，不仅可以处理光谱、空间和高程等多源数据，还能有效处理大量高维数据和非线性关系（李治等，2013）。常规遥感分类方法基于单一时相影像信息，因地物“同谱异物”和“同物异谱”现象的影响导致分类精度难以有效提升，因此借助多源辅助信息来提高遥感识别精度成为新趋势，其中对地物变化过程特征的挖掘和利用是重要方向之一。植被的生长发育具有明显的物候节律性，表2显示了研究区（扶绥县）主要农作物的物候历，将研究区物候知识与多时相遥感光谱信息有机融合，能有效提高作物分类精度。

本研究将研究区耕地植被分为甘蔗、水稻、其他作物、草地和林地5种类型，其他作物包括玉米、花生、蔬菜等小规模作物，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块林地和园地。本研究主要对甘蔗、水稻两大类农作物进行遥感识别。在作物生长期间进行野外調查，沿境域内主要道路获取每个土地类型不少于20个GPS定位数据用以阈值统计；另外，部分区域结合2013年7月的WorldoView-2 0.5 m分辨率影像随机选取300个样点进行目视解译，以解译结果作为验证样点。将GPS点位叠加到地块矢量上，以点位对应的地物类别作为点位所在地块样本，通过对地物随时间的变化特征分析从多维特征空间选取参与分类的属性子集，并基于样本统计获取各地类的分类特征阈值，构建决策树遥感分类模型从而实现分类。

2. 3. 1 非作物地块识别 自然植被的生长是一个渐变过程，其NDVI时序表现为平缓的曲线。农作物一般生育周期较短，且由于收割、复种等人为干预导致植被覆盖状况在短期内可发生较大变化，其变化在NDVI时序曲线上表现为曲线斜率在某一时刻的突然降低，通过对曲线陡变点的检测可区分农田作物与林草地等自然植被。曲线陡变点可用凋零速率来描述，凋零速率越小表示植被覆盖变化越强烈。在自然植被中，由于林地的NDVI整体比草地高，因此通过NDVI均值的比较可将两者进一步区分。经样本统计，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，草地则反之，因此分别得到林地和草地的识别模型：

式中，△NDVIMin为NDVI曲线的凋零速率，NDVIMean为全年的NDVI均值。

2. 3. 2 甘蔗识别 由表2可知，研究区7～8月双季稻和玉米均处于第一季收割、第二季刚播种双季交替阶段，NDVI处于低值状态，而此时甘蔗正处于生长盛期而呈现较高的NDVI；甘蔗为单熟作物，从2～4月开始长叶抽节直至11月后开始收割，生育周期长达8个月以上，物候上与其他作物存在明显差异。综合以上特征及样本统计结果可得到甘蔗的识别模型为：

式中，NDVI（7）、NDVI（8）为7、8月的NDVI均值；NumPeak为NDVI时序曲线的波峰数，反映了作物的熟制或田块复种程度；△NDVIMin为NDVI最小值；GrowPeriod为生长季长度。

2. 3. 3 水稻识别 由表2可看出，研究区双季稻第一季（早稻）从4月开始播种至7月中下旬收割，第二季（晚稻）8月初播种至11月上旬收割，每一季的周期一般为3～4个月，NDVI在7～8月有较大回落，表现明显的双峰特征，因此，双季稻识别模型为：

式中，NDVI（6）、NDVI（8）、NDVI（9）为6、8、9月的NDVI均值；NumPeak为NDVI时序曲线的波峰数，反映作物的熟制或田块复种程度；△NDVIMin为NDVI最小值；GrowPeriod为生长季长度。

2. 3. 4 其他作物归类 研究区的玉米、花生和蔬菜等作物种植规模较小，分布零散，因此在地块中不再一一进行细分。将除了甘蔗、水稻之外的地块均归为其他作物类别，得到其他作物的面积和分布。

2. 3. 5 作物种植结构提取 利用上述构建的决策树遥感分类模型提取研究区作物种植结构信息，提取的效果如图4所示。

2. 4 分类精度评价

为了检验本研究技术方法的效果，利用验证样本对所有土地类型均进行验证和分类精度评价。由表3可知，所有土地类型的总体分类精度为86.8%，Kappa系数为0.84，整体分类效果良好。（1）虽然研究区的水体和城镇建设用地基于单时相高分影像进行分类，但这两类地物的光谱特征与其他土地类型具有明显差异且随时间变化小，因此仍取得了很好的分类效果，其中，水体全部得到正确划分，而城镇建设用地的制图精度与用户精度也达到85.19%和95.83%。（2）在植被型土地类型中，林地由于常年保持较高NDVI且经过两次分类纯化过程，因此分类精度最高；甘蔗和水稻也达到较高的识别精度，甘蔗地块的制图精度和用户精度分别可达92.11%和90.91%，水稻分别为88.89%和90.91%。研究还发现，同样以利用植被在时间维的变化信息为主，水稻分类精度比甘蔗的低，其原因可能是：一是水稻地块普遍比甘蔗地块小，破碎程度更高，多期影像间的配准误差对水稻地块的影响更加明显：二是在种植方式上，有些农户早稻收割后轮种其他作物或撂荒，在地块年变化曲线上表现出与玉米、草地等相似的特点从而造成漏分；草地和其他作物类别的精度依次居于水稻之后，主要是因为耕地作物中的其他作物类别包括了除甘蔗和水稻之外的所有作物，土地类型复杂，易与草地和水稻混淆而导致错分和漏分，该类别不是研究关注对象，其分类精度并不影响本研究所使用方法的有效性。结果表明，高分数据对于水体和城镇建设用地等具有相对时空稳定性的非植被型土地类型具有较好的分类精度；对于作物而言，在高精度地块的约束下，利用多时相NDVI序列结合物候特征进行作物类型信息提取能够取得较满意的识别分类效果，同时，作物种植结构信息的几何精度也有较大改善。

2. 5 提取结果分析

本研究采用高时空分辨率遥感数据协同提取广西扶绥县主要农作物种植面积，其中，提取的甘蔗种植面积为82420.01 ha，水稻种植面积为6806.67 ha。2013年广西崇左市农业信息网公布的甘蔗和晚稻种植面积分别为83346.67和7900.00 ha，以统计数据为面积精度评价标准，甘蔗种植面积提取误差为-1.12%，水稻种植面积提取误差为-13.82%，甘蔗提取精度高于水稻提取精度，与分类精度评价结果一致，甘蔗提取面积与实际情况较吻合，存在较小的偏差是由于甘蔗种植区域坡地占了相当比重，因缺少高精度坡度数据，本研究以平面投影面积代替实际坡面面积而导致面积总数的减少。经过对比分析显示总体上提取的甘蔗和水稻作物种植面积与实际情况较接近，提取成果对于指导农业生产和规划具有重要意义。

本研究将提取作物种植结构成果以专题图显示（图4），能够直观反映其地理位置分布情况，从图4-A可知，研究区甘蔗种植面积广阔，主要分布于中部的平坦及缓坡丘陵地带，北部和南部山区由于山高坡陡而甘蔗分布较少，主要以林地和草地为地表覆盖类型；水稻种植面积相较于甘蔗少很多，且總体分布较为零散，主要集中于中部及偏北部的城镇建设用地周边，南部靠近山区的水稻分布破碎程度更高，常见于山谷的低洼地带；其他作物零碎分布在甘蔗地块之间，规模较小。由图4-B可知，本研究方法可在农田地块尺度上对作物类型及其面积进行精细识别和计算，其结果不仅指示了每一块农田的作物类型，还避免了像素级分类中的“椒盐”现象，为精准农业补贴投放、农业灾害定损等应用提供基础依据。

3 讨论

本研究在遥感图谱认知理论支持下，综合利用高空间分辨率和高时间分辨率的多源卫星遥感数据，通过时空信息耦合的图谱协同方式对县级区域的作物种植信息进行提取研究，获得了农田地块尺度下的作物种植结构信息。胡琼等（2015）指出使用单期影像提取作物结构存在弊端，提出使用最佳物候期的多时相影像，根据光谱和空间特征提取作物是提高分类精度的关键，本研究的技术方法与其观点一致。因此，基于国产卫星多星协同的数据源获取方案，弥补了以往单一卫星数据源存在的欠缺，显著提高了数据有效时空覆盖度，为我国南方多云雨地区遥感数据的获取及满足作物长势监测所需的多时相遥感数据提供有力支撑。同时，综合高空间分辨率数据的图信息和高时间分辨率数据的谱信息，以农田地块为基本单元构建以空间碎片化、时间序列化为特点的时间序列多特征集，结合作物物候特点构建合适的作物遥感分类模型，可以实现对作物类型的准确判别。利用高分辨率数据提取地块单元，并以地块为基元进行作物识别，不但可以减轻多期影像配准中少量偏差带来的计算误差，避免象素级分类中的“椒盐”现象，而且精准的地块边界比传统面向对象分类的不规则图斑更具有自然和社会属性意义，可进一步应用于土地确权、农业补贴、灾害定损等领域。此外，由于农田地块边界的相对稳定性，由高分影像获取的地块边界数据可以一次提取、多次利用，可实现多年农作物种植信息的自动、快速更新。

但本研究也存在不少需要改进之处，如基于高分影像的农田地块边界获取目前仍需要较多的人工编辑工作，如何改进现有的影像分割算法，使得机器分割效果与地块实际边界吻合，从而最大程度减轻人工工作量是开展大范围区域应用必须考虑的问题。此外，由于不同作物立地条件不一致，农作物种植信息提取过程中仍需考虑地形等因素，引入高程和坡度等多源信息，进一步提高作物面积提取精度。本研究主要开展了县级区域的小范围应用试验，以甘蔗和水稻为对象进行作物的分类识别。我国各地气候、地形和耕种模式复杂多样，采用固定的分类判别模型必然会增加分类结果的不准确性。因此，结合当地耕作制度和作物生长模型等先验知识，探讨复杂条件下作物种植结构信息的智能化提取将是今后研究的重要方向。

4 结论

本研究提取的广西扶绥县作物种植结构的成果满足使用精度要求，可为精准农业补贴投放、农业灾害定损等政策制定提供依据，而技术方法对于作物种植结构信息的快速、精细化调查具有借鉴意义。

参考文献：

顾晓鹤，潘耀忠，朱秀芳，张锦水，韩立建，王双. 2007. MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究[J]. 遥感学报，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.

胡琼，吴文斌，宋茜，余强毅，杨鹏，唐华俊. 2015. 农作物种植结构遥感提取研究进展[J]. 中国农业科学， 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.

黄振国，陈仲新，刘芳清，刘军. 2013. 基于HJ-1影像的大棚菜地遥感监测技术研究——以山东寿光市为例[J]. 中国农业资源与区划， 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，杨晓梅，梦樊，范文义. 2013. 物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究[J]. 遥感信息， 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.

刘海启，金敏毓， 龚维鹏. 1999. 美国农业遥感技术应用状况概述[J]. 中国农业资源与区划， 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.

刘克宝，刘述彬，陆忠军，宋茜，刘艳霞，张冬梅，吴文斌. 2014.利用高空间分辨率遥感数据的农作物种植结构提取[J].中国农业资源与区划， 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，陈阜. 2005. 中国农作制[M]. 北京：中国农业出版社： 95-106.

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

鹿琳琳，郭华东. 2009. 基于SPOT/VEGETATION时间序列的冬小麦物候提取方法[J]. 农业工程学报， 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.

蒙继华，吴炳方，杜鑫，张飞飞. 2011. 高时空分辨率NDVI数据集构建方法[J]. 遥感学报， 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，吕恒，李扬，张瑜，王妮，李军. 2011. 基于NDVI时序数据的水稻种植面积遥感监测分析——以江苏省为例[J]. 地球信息科学学报， 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.

唐华俊. 1999.遥感技术在农业资源区划中的应用与展望[J].中国农业资源与区划， 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.

万华伟，王锦地，肖志强，李丽. 2006. 融合MODIS与ASTER数据生成高空间分辨率时间序列LAI方法研究[J]. 北京师范大学学报（自然科学版）， 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，景元书，杨沈斌. 2013. 基于多时相遥感数据提取水稻种植面积的研究[J]. 中国农业资源与区划， 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，王贺，卢艳丽，白由路，杨俐苹. 2013. NDVI在农作物监测中的研究与应用[J]. 中国农业资源与区划， 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.

王来刚，田永超，朱艳， 姚霞， 郑国清， 曹卫星. 2012. 不同时空分辨率遥感数据融合估算冬小麦叶面积指数[J]. 农业工程学报， 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.

吴炳方. 2004. 中国农情遥感速报系统[J]. 遥感学报， 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，张广录. 2003. 我国农业遥感的应用现状与展望[J]. 农业工程学报， 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.

熊勤学，黄敬峰. 2009. 利用NDVI指数时序特征监测秋收作物种植面积[J]. 农业工程学报， 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.

闫慧敏，曹明奎，刘纪远，庄大方，郭建坤，刘明亮. 2005a. 基于多时相遥感信息的中国农业种植制度空间格局研究[J]. 农业工程学报， 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.

闫慧敏，刘纪远，曹明奎. 2005b. 近20年中国耕地复种指数的时空变化[J]. 地理学报， 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.

张莉，吴文斌，左丽君，周清波. 2013. 基于EOS/MODIS数据的南方水稻面积提取技术[J].中国农业资源与区划， 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. 国内外农情遥感现状与发展趋势[J]. 中国农业资源与区划， 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.

周伟，关键，姜涛，何友. 2012. 多光谱遥感影像中云影区域的检测与修复[J]. 遥感学报， 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.

（责任编辑 邓慧灵）