基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

王利民，刘 佳，姚保民，季富华，杨福刚

（中国农业科学院农业资源与农业区划研究所，北京 100081）

0 引 言

冬小麦是中国主要粮食作物之一，播种面积占中国粮食作物总播种面积的21.5%，产量占粮食作物总产量的20.3%（2014 年中国统计年鉴）。及时、准确地获取小麦种植面积信息，有利于农业部门指导农业生产，调整农业结构。自20 世纪80 年代以来，随着社会经济的持续快速发展，产业结构的调整，工业化、城市化进程的加速，作物空间分布发生了重大变化，弃耕、撂荒甚至非法占用耕地等现象屡见不鲜，政府更是在国家粮食安全的角度为全国各区域划定了各自的耕地红线。因此，如何快速准确地获取农作物的空间分布和动态变化显得尤为重要。遥感技术具有可成像、监测范围大等监测优势，可以与地面调查法形成良好的优势互补。随着航天技术和传感器技术的不断进步，基于遥感影像进行农作物空间分布和动态变化的研究和应用越来越多。在上世纪末，已有研究者提出了作物变化监测的方法[1-2]。农作物变化检测方法大致可以分为 2类：一类是在分类基础上进行变化监测的方法，这种方法需要先对作物进行识别、获取地面作物的空间分布，然后通过对比不同年份的作物分布情况获得作物面积变化监测结果；另一类方法则直接进行变化区域的识别。

分类基础上进行变化监测的重点是获取高精度的作物面积，目前已形成了基于低、中、高分辨率影像的作物识别方法。基于中低分辨率影像的作物识别通常通过时间序列[3-7]的多期影像的方法来提高精度，基于时间序列影像的数据处理方法也越来越多，基于物候信息[8]、时间序列NDVI决策树[9]、时间序列NDVI曲线积分[10]等方法从一定程度上提高了中低分辨率影像的提取精度和应用范围[11]。高分辨率影像则主要由于具有更清晰的地物纹理和光谱，在耕地破碎区域能获取更高的精度。基于高分辨率影像的作物识别和提取所采用的方法主要包括滤波[12]、支持向量机[13]、机器学习[14]、高斯核函数[15]、构建植被指数[16]、面向对象分类[17]、影像纹理及作物物候[18]等。如 zhang等[19]利用自组织神经网络对Worldview-2影像进行了地物分类，结果表明基于自组织神经网络方法的非监督分类结果优于K-means聚类算法。Giaccom Ribeiro等[20]利用C4.5算法对城市区域进行了地物识别，结果表明基于C4.5算法的地物识别方法相较于面向对象分类算法具有更高的分类效率。

直接进行作物面积监测方法则无需事先进行冬小麦面积提取，而是利用变化区域光谱、纹理等变化进行监测。该方法最初以统计年鉴等统计数据为基础变化监测分析[21]，近年来以多时相间像元光谱直接比较为基础的监测方法越来越多，这类方法直接监测变化像元，避免了由于分类带来的误差。该类监测方法较多，如差值法、比值法、回归法、主成分分析法、变化向量分析法等[22]。吴文斌等[23]利用多元 Logit模型初步建立了全球尺度的农作物播种面积变化模拟系统，分析研究了未来30 a内世界主要农作物播种面积变化的数量特征和空间格局。李鹏杰等[24]以九龙县为研究区域，利用1994年､2000年和2007年3期的Landsat卫星TM影像，采用遥感技术和地理信息系统技术，对九龙县13 a来土地利用变化进行了动态监测分析，通过各年土地利用分布变化图，土地利用转移矩阵，研究了九龙县各种土地利用类型变化的情况｡

由于基于面积提取的作物面积变化监测流程较长，且精度受限于分类结果精度，而直接提取作物面积的方法避免了提取作物面积可能产生的误差，直接基于变化区域进行作物面积变化监测的方法研究日益受到重视[25-26]。随着中国自主卫星影像分辨率的不断提高，尤其是 GF-1/WFV具有较高的分辨率，可以识别不同年份间地物光谱差异，这为农业种植结构的快速变化监测提供了很好的数据基础。本文基于 2年准同时相影像提出一种作物分布快速变化监测方法，根据其 NDVI之间的线性相关性，不需事先提取作物面积，直接快速获取年际冬小麦作物的面积增减情况，简化面积变化监测流程，为区域农作物面积变化监测提供参考。

1 研究区概况

河北省沧州市地处河北省东南，环渤海湾经济区，地处 116°10′～117°44'E、37°53'～38°51'N，属华北平原东部黑龙港流域，属暖温带大陆性季风气候，平均气温12.5 ℃，年平均降雨量581 mm，无霜期181 d。雨量集中分布不均，干湿季明显，四季分明，寒暑悬殊，水文地质条件较差，中低产田和盐碱地分布较广，是河北省粮食产区之一[27-28]。沧州市种植作物比较单一、种植结构相对稳定，常年以冬小麦和夏玉米轮作为主[29]。本文研究区域包括沧州市东部的黄骅、孟村、海兴3县。图1为研究区在河北省沧州市的具体位置。

图1 研究区地理位置示意图Fig.1 Location map of study area

2 数据来源与处理

2.1 遥感数据来源

为检测研究区域近年来冬小麦种植区域的变化情况，该文选取了研究区2014和2017两个年份6景 GF-1/WFV(wide field view)晴空影像，并按照影像获取时的物候期分为3组进行研究区冬小麦种植区域变化研究。其中2014年的影像获取日期为3月1日、4月14日和5月17日，2017年影像的获取日期为3月12日、4月26日、5月20日，分别处于冬小麦的返青期、拔节期和抽穗期。影像数据来源于中国资源卫星应用中心网站（http://218.247.138.119:7777/DSSPlatform/productSearch.html）。

2.2 数据预处理

由中国资源卫星应用中心提供的数据为未经过系统几何和辐射校正的WFV影像1级产品，在农业应用前需进行辐射定标、大气校正和几何校正处理。使用农业部遥感应用中心自主研制的软件进行辐射定标和大气校正。其中辐射定标的公式如下

式中 L(λ)为传感器入瞳处辐射亮度值（W/(m2·sr·μm)），Gain为增益系数，Bias为偏置系数，DN为观测灰度值，Gain和Bias由中国资源卫星应用中心提供。大气校正使用6S辐射传输模型进行，需要由中国资源卫星中心获取的 GF-1/WFV传感器光谱响应函数，将波谱响应函数重采样为2.5 nm间隔输入模型，并根据卫星影像自带的元数据信息确定卫星观测几何、大气模式等参数，运行6S模型获取研究区影像地表反射率[30]。几何精校正平面精度达到 1个像元以内，具体是先使用区域网平差模型对传感器RPC（rational polynomial coefficients）参数进行修正，再基于15 m空间分辨率的Landsat-8/OLI影像作为底图进行精校正[31]。由于2017年影像的获取日期比2014年要晚12 d左右，因此冬小麦的长势相对更为旺盛，表现在图2上，2017年假彩色合成影像上红色相比2014年更加明显。

图2 研究区GF-1/WVF影像（4/3/2波段假彩色合成）Fig.2 GF-1/WFV image of study area (False color composite of 4/3/2 band)

分别计算6景影像的归一化植被指数NDVI

式中ref3和ref4分别是GF-1/WFV影像第3波段（红光波段）和第4波段（近红外波段）

3 研究方法

获取研究区2014年4月14日和2017年4月26日GF-1/WFV数据，该时期处于冬小麦的拔节期，冬小麦生长旺盛，对其进行预处理，获取NDVI值，并基于rNDVI方法反演冬小麦变化区域；同时，使用传统分类方法（最大似然分类），分别提取2014年和2017年的区域冬小麦种植范围，以此为基础，获取冬小麦变化区域；对比基于rNDVI方法和分类后面积提取变化监测方法，评价本文所提方法的性能；最后，为了研究rNDVI方法对于不同冬小麦生育期影像变化监测的敏感性，分别选取 2014年3月1日和2017年3月12日GF-1影像进行返青期冬小麦面积变化快速监测，选取2014年5月17日和2017年5月20日GF-1影像，进行抽穗期末期/乳熟期初期冬小麦面积变化快速监测。

3.1 基于rNDVI算法冬小麦变化检测方法

两个年度相同或相近时期的影像，如果同名像元位置地物不发生变化，理想情况下，反射率或者 NDVI值应保持一致性，并线性相关；如果地物发生变化，反射率或者NDVI值则不会保持一致，将偏离线性相关区域。基于 NDVI相关关系（relationship analysis of normal difference vegetation index，rNDVI）进行冬小麦变化快速监测就是根据这一原理进行的。用于变化监测的影像在成像时间、太阳高度角、卫星倾角、植被物候期乃至作物种植水肥等条件都可能不同，导致相近时期的相同作物 NDVI可能也不一定完全一致，因此未变化区域应当存在相关性但并非完全线性相关，可通过对未变化区域NDVI统计值进行上下包络线拟合的方法获取地物变化检测的阈值，落在阈值范围内认为则存在相关关系，地物未发生显著变化，否则即认为地物发生变化。以 2014年4月14日和2017年4月26日影像作为一组为例进行说明，rNDVI的具体步骤如下：

1）建立研究区的 20×20的规则格网，选择格网中心点作为训练样本点，共获得了覆盖研究区的 400个样本点，样本点地物类型区分为冬小麦、非冬小麦 2类，通过地面调查和遥感影像目视解译获取 2014年和 2017年实际地物覆盖类型，并将其确定为冬小麦增加（其他地物变为冬小麦）、不变（地物类型不变）和冬小麦减少（冬小麦变为其他地物）样本点；

2）基于样本点2个年度 NDVI值，以样本点2014年NDVI值为横坐标x值，2017年NDVI值为纵坐标y值，构建NDVI值关系空间（图3）；假设未变化地物样本点的NDVI值是接近于线性相关，将所有n个未变化地物样本点按照其x值的大小从小到大按顺序排列，得到样本点集D

以5作为搜索步长，从小到大开始遍历数据集D中所有样本点，找出各搜索区间内y值最大的样本点，并将其添加到最大值样本点集，用于拟合上包络线；同样，找出各区间内y值最小的样本点Pmax，并将其添加到最小值样本点集Pmin，用于拟合下包络线。

3）使用最小二乘法，分别对最大值样本点集Pmax和最小值样本点集 Pmin进行线性拟合，求出不变地物的上下包络线公式，具体参见式（3）～式（5），式中m为样本点集P中点的数目，x为样本点集中x的均值，y为样本点集中y的均值，a为包络线斜率，b为包络线截距

4）基于上述方法，计算得到研究区不变地物的上包络线斜率 a=1.014 8，截距 b=1 715.5；下包络线斜率a=0.910 8，截距b=-549.57。由图3可见，不变地物基本都落在上下包络线范围以内，而冬小麦增加样本点基本位于上包络线之上，冬小麦减少样本点位于下包络线之下。同时，考虑到冬小麦生长旺盛时 NDVI不会过小，因此分别选择2014和2017年所有冬小麦样本点的NDVI最小值作为识别冬小麦最小阈值。遍历影像中所有的点，并将其投影至图 3中，若点位于上包络线之上（冬小麦年际间增加的典型代表区域），且其2017年NDVI值大于2017年冬小麦NDVI阈值，则认为该点2014年为其他类，2017年转为冬小麦；若位于下包络线之下（冬小麦年际间减少的典型代表区域），且该点 2014年 NDVI值大于2014年冬小麦NDVI阈值，则认为该点2014年为冬小麦，2017年转为其他类。冬小麦变化区域的提取阈值（上、下包络线）的大小，主要取决于 2个监测年度冬小麦长势的差异性，当 2个年度之间冬小麦长势变化较为明显时，由于两者 NDVI之间线性关系的减弱，将可能导致上下包络线的距离变大。

图3 基于样本点计算不变地物上下包络线范围Fig.3 Upper and lower envelope curve range based on sample points

3.2 基于面积提取的冬小麦变化检测

监督分类方法是冬小麦面积提取中常用的方法，本文中采用最大似然分类方法进行研究区冬小麦分类提取。最大似然分类方法是基于贝叶斯准则的分类方法，通过计算各待分类像元对于各类别的归属概率进行地物分类[32]。利用GF-1影像数据，通过最大似然监督分类方法分别对2014年和2017年2景影像进行分类，获取相应年份的冬小麦分类结果，如图4a和图4b所示。通过对比2014年和2017年冬小麦种植范围，获取冬小麦种植面积年际变化结果。

3.3 精度验证方法

为了定量说明 2种方案变化监测结果的准确性，利用地面验证点进行混淆矩阵精度评价。

在地面调查基础上，结合影像特征采用目视解译的方法随机选取 500个点作为精度评价验证点，验证点分布如图5所示。

每个验证点有2014年地物类型和2017年地物类型两个属性，为了便于对变化情况进行描述，将每个验证点属性统一描述为：无变化、增加和减少 3种。其中无变化包括该点两年都为非冬小麦和该点两年都为冬小麦两种情况；增加是指2014年该点为非冬小麦，2017年变为冬小麦；减少是指2014年为冬小麦，2017年变为非冬小麦。共获得246个无变化样本点，212个增加样本点，42个减少样本点。

图4 2014及2017年冬小麦种植区域提取及面积变化监测结果Fig.4 Extraction results of winter wheat planting area in 2014 and 2017 and results of monitoring of winter wheat area change

图5 研究区验证样本点分布Fig.5 Verification sample point distribution of study area

精度验证主要基于混淆矩阵、Kappa系数、总体分类精度、制图精度和用户精度 5种方式进行分类精度的描述和比较，相关定义及详细表述可参照文献[33-35]。

4 结果与分析

4.1 基于rNDVI和面积提取方法冬小麦变化检测结果

使用rNDVI方法，利用2014年4月14日和2017年4月26日2景影像，提取冬小麦增加和减少区域，结果如图4c所示，可以看出，2017年冬小麦增加区域要远大于减小区域，即该区域2017年相比2014年冬小麦种植面积总体呈现增长趋势。冬小麦增加区域主要集中在黄骅市北部和南部、海兴县的北部，主要减少区域集中在黄骅市中部、海兴县南部和孟村回族自治县大部。

同时，利用最大似然监督分类方法分别获取2014年和2017年2年的冬小麦分布，然后对两年冬小麦提取结果进行对比分析，获取研究区年际冬小麦面积的增加和减少区域，结果如图4d所示，可以看出，冬小麦种植增加、减少趋势与rNDVI算法的提取结果一致，但增加区域的面积明显大于rNDVI提取的结果。

对两种方法面积监测结果进行定量分析发现，基于rNDVI和基于先面积提取后变化监测两种方法得到的冬小麦减少区域的总面积相近，分别为3.14和3.27万hm2。但对于冬小麦增加区域，两种方法得到的面积差异明显，基于面积提取方法获得的冬小麦增加区域面积为9.60万hm2，基于rNDVI方法获得的冬小麦增加区域面积为4.26万hm2，而根据地面抽样调查结果显示该地区冬小麦增加区域实际面积应低于5.34万hm2，表明基于面积提取方法进行变化监测时，冬小麦增加区域面积偏高，而基于rNDVI的方法获取的冬小麦面积增加数量则与地面调查结果较为一致。

以地面调查和目视解译验证点对 2种方案的变化监测结果进行评价，混淆矩阵如表1所示。

可以看到，基于冬小麦面积提取的变化监测结果的总体精度为84.00%，Kappa系数为0.72，根据混淆矩阵，该方法对冬小麦减少的监测精度相对较高，但对于冬小麦增加则存在较多的错分现象，即将部分未变化地物归为了冬小麦增加像元，这也与面积统计中冬小麦增加面积过多的结果一致。而基于rNDVI方法的总体精度达到90.60%、Kappa系数达到0.84，总体精度和Kappa系数相比基于面积提取的变化监测结果分别提升了 6.6个百分点和16.7%，且冬小麦变化监测的用户和制图精度均较高，表明监测结果的准确性。

表1 冬小麦面积变化监测结果精度对比Table 1 Accuracy comparison of monitoring results of winter wheat planting area change

4.2 基于rNDVI和面积提取方法分类结果分析

结合目视和地面调查结果，选取典型的冬小麦增加区域和典型的冬小麦减少区域，进一步分析两种方法的监测精度差异原因。图 6为冬小麦面积增加分析图示，对比图 6c、6d，可以看出，冬小麦面积提取的变化监测结果明显大于rNDVI快速监测结果，将实际未增加区域判定为了冬小麦增加区域。基于rNDVI的冬小麦变化快速监测结果主要是提高了裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力。2014年影像日期要早于2017年影像12 d，加之地块破碎，部分区域冬小麦与裸地不容易区分，部分冬小麦被误分为裸地，冬小麦地块间的道路地物被误分为冬小麦区域，造成了冬小麦增加区域监测结果偏大。当采用基于rNDVI的冬小麦变化快速监测方法进行识别时，16 m数据的分辨率能力得到体现，这些地物像元级上 NDVI值存在一定的相关性，直接进行面积变化评价，从而避免面积提取步骤的错分现象，最终达到提高精度的效果。

图7为冬小麦面积减少分析图示，由于2014年部分冬小麦区域 NDVI值偏低，采用最大似然分类方法获取冬小麦面积时，导致 NDVI值偏低的冬小麦区域未能有效识别，基于冬小麦面积提取结果进行的变化检测，冬小麦减少范区域围偏低（图 7c）。当采用基于 rNDVI的冬小麦变化快速监测方法进行识别时，虽然2014年部分冬小麦区域NDVI值偏低，但与2017年相比仍具有较大变化，仍然可以被有效检测（图7d），从而提高减少区域的提取精度。

4.3 不同监测时间对冬小麦面积变化的监测结果分析

分别使用2014年3月1日和2017年3月14日、2014年5月17日和2017年5月20日的GF-1/WFV影像，同样使用rNDVI方法进行冬小麦的面积变化快速监测，用以验证rNDVI方法对于不同物候期冬小麦的变化监测效果，监测的精度情况见表2。从表2中，可以明显发现，各月份变化面积监测中，以 4月份的监测精度最高，其次是5月份，而3月份的监测结果精度最低。3月份较低的监测精度可能是由于该时期处于冬小麦的返青期，长势不明显，导致冬小麦面积变化监测的效果较差；5月份各项监测精度较为接近4月份，主要是由于5月份处于冬小麦的抽穗期，冬小麦的长势基本上较好，较容易监测，但由于当地其他植被（如苜蓿）的长势也较好，利用rNDVI的方法可能造成一定的混淆。

图6 冬小麦增加区域监测结果对比Fig.6 Comparison of monitoring results of increased winter wheat area

图7 冬小麦减少区域监测结果对比Fig.7 Comparison of monitoring results of decreased winter wheat area

表2 基于rNDVI方法的不同物候期冬小麦面积变化监测精度Table 2 Monitoring precision of area change of winter wheat in different phenology based on rNDVI method

5 结论与讨论

本文对基于冬小麦面积提取的变化监测和基于rNDVI（relationship analysis of normal difference vegetation index）的冬小麦变化快速监测两种方案的监测效果进行了对比研究。结果表明基于rNDVI的变化监测相比基于冬小麦面积提取的变化监测的总体精度和 Kappa系数分别提升了6.6个百分点和16.7%，表明rNDVI方法对冬小麦变化面积的监测具有较高的精度。基于面积提取的变化监测存在较多的冬小麦增加区域的错分情况，导致了冬小麦增加面积统计结果的偏高。

利用不同冬小麦物候期的GF-1影像进行基于rNDVI的种植面积变化监测，发现3月份的识别精度最低，4月份的识别精度最高，5月份的识别精度接近于4月份。主要原因是由于 3月份处于冬小麦的返青期，部分冬小麦在影像上特征尚不明显，存在一定的误判，而 5月份则属于冬小麦长势旺盛时期，较易分辨，但是由于其他植被可能与冬小麦混淆，使其精度相比4月份稍低。

本文提出的方法对地物类型进行了简化处理，假定地块内种植的作物全部为冬小麦，忽略蔬菜等零星种植的地物类型，且建筑、林地、水体等地物保持稳定，同时也不考虑16 m高分影像的混合像元情况。由于NDVI受作物种类、作物品种和作物物候期影响很大，在地物类型复杂多样、间种套种等物候期重叠、两期影像物候期差异较大的区域，该方法并不适用。但对于种植结构简单的大面积种植的粮食主产区，该方法快速、便捷等方面的优势明显，在实际的农业应用中具有较高的实用价值和应用潜力。

[参 考 文 献]

[1] Merrill K R. A comparison of four algorithms for change detection in an urban environment [J]. Remote Sensing of Environment, 1998, 63: 95－100.

[2] Mas J F. Monitoring land-cover change: A comparison of change detection techniques [J]. International Journal of Remote Sensing, 1999, 20: 139－152.

[3] Potgieter A B, Lawson K, Huete A R. Determining crop acreage estimates for specific winter crops using shape attributes from sequential MODIS imagery[J]. International Journal of Applied Earth Observation and Geoinformation,2013, 23: 254－263.

[4] Chu L, Liu Q S, Huang C, et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China[J].Journal of Integrative Agriculture, 2016, 15(10): 2403－2416.

[5] Zhang X, Zhang M, Zheng Y, et al. Crop mapping using PROBA-V time series data at the Yucheng and Hongxing farm in China[J]. Remote Sensing, 2016, 8(11): 1－18.

[6] Asgarian A, Soffianian A, Pourmanafi S. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery[J]. Computers and Electronics in Agriculture, 2016, 127: 531－540.

[7] Zhang N N, Luo Y, Wang C C. Identification of winter wheat and its distribution using the CBERS-02B images in an irrigation district along the Lower Yellow River, China[C]//International Workshop on Earth Observation and Remote Sensing Applications. IEEE, 2008:1－6.

[8] Xu Q Y, Yang G J, Long H L, et al. Crop discrimination in Shandong province based on phenology analysis of multi-year time series[J]. Intelligent Automation and Soft Computing, 2013, 19(4): 513－523.

[9] 王利民，刘佳，杨福刚，等. 基于 GF-1 卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31(11)：194－201.Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[10] Yang Y J, Zhan Y L, Tian Q J, et al. Winter wheat extraction using curvilinear integral of GF-1 NDVI time series[C]//Geoscience and Remote Sensing Symposium, IEEE, 2016:3174－3177.

[11] 崔方宁，宋晓宇，孙宝生，等. 基于多时相TM影像的冬小麦面积变化监测[J]. 遥感信息，2012，27(5)：89－95 Cui Fangning, Song Xiaoyu, Sun Baosheng, et al. Change detection of winter wheat area based on multi-temporal TM images[J]. Remote Sensing Information, 2012, 27(5): 89－95.(in Chinese with English abstract)

[12] Upadhyay P, Ghosh S K, Kumar A. High resolution temporal normalized difference vegetation indices for specific crop identification[C]// Int. Arch. Photogramm.Remote Sens.Spatial Inf. Sci. 2013:351‒355.

[13] Ozdarici-Ok A, Ok A O, Schindler K. Mapping of agricultural crops from single high-resolution multispectral images-data-driven smoothing vs. parcel-based smoothing[J].Remote Sensing, 2015, 7(5): 5611－5638.

[14] Munoz-Mari J, Bovolo F, Gomez-Chova L, et al.Semisupervised one-class support vector machines for classification of remote sensing data [J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(8): 3188－3197.

[15] Peña J, Gutiérrez P, Hervásmartínez C, et al. Object-based image classification of summer crops with machine learning methods[J]. Remote Sensing, 2014, 6(6): 5019－5041.

[16] Aggarwal R, Kumar A, Raju P L N, et al. Gaussian kernel based classification approach for wheat identification[J].Isprs Technical Commission Viii Symposium, 2014, 8(1):671－676.

[17] Blaschke T. Object based image analysis for remote sensing[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2010, 65(1):2－16.

[18] Peña-Barragán J M, Ngugi M K, Plant R E, et al.Object-based crop identification using multiple vegetation indices, textural features and crop phenology[J]. Remote Sensing of Environment, 2011, 115(6):1301－1316.

[19] Zhang J, Kerekes J. Unsupervised urban land-cover classification using WorldView-2 data and self-organizing maps[C]//Geoscience and Remote Sensing Symposium. IEEE,2011: 150－153.

[20] Giaccom Ribeiro B M, Garcia Fonseca L M. Urban land cover classification using worldview-2 images and C4.5 algorithm[C]// Urban Remote Sensing Event. IEEE, 2013:250－253.

[21] 徐慧，汪权方，王新生，等. 中国同期作物空间格局变化分析：以小麦和油菜为例[J]. 中国农学通报，2016，32(21)：95－99.Xu Hui, Wang Quanfang, Wang Xinsheng, et al. Spatial pattern change of crops with similar growth cycle in China: A case study of wheat and rape[J]. Chinese Agricultural Science Bulletin, 2016, 32(21): 95－99. (in Chinese with English abstract)

[22] 张明伟，周清波，陈仲新，等. 基于物候模型的作物种植面积变化监测方法[J]. 农业工程学报，2006，22(10)：139－144.Zhang Mingwei, Zhou Qingbo, Chen Zhongxin, et al. Crop acreage change detection based on phenology model [J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(10): 139－144. (in Chinese with English abstract)

[23] 吴文斌，杨鹏，谈国新，等. 基于 Logit 模型的世界主要作物播种面积变化模拟[J]. 地理学报，2007，62(6)：589－598.Wu Wenbin, Yang Peng, Tan Guoxin, et al. Global-scale modeling of future changes in sown areas for major crops based on a logit model[J]. Acta Geographica Sinica, 2007,62(6): 589－598. (in Chinese with English abstract)

[24] 李鹏杰，何政伟，李璇琼，等. 基于RS和GIS的土地利用/覆被动态变化监测：以九龙县为例[J]. 水土保持研究，2012，19(2)：38－43.Li Pengjie, He Zhengwei, Li Xuanqiong, et al. Dynamic monitoring on land utilization/land coverage in kowloon county based on RS and GIS[J]. Research of Soil and Water Conservation, 2012, 19(2): 38－43. (in Chinese with English abstract)

[25] 尤慧，高华东，苏荣瑞，等. 基于多时相中分辨率时间过程特征的江汉平原棉花种植面积变化监测[J].地球信息科学学报, 2016, 18(8):1141－1149.You Hui, Gao Huadong, Su Rongrui, et al. 2016. Monitoring the changes of cotton plantation area based on the multi-temporal middle resolution features of temporal process in Jianghan Plain. Journal of Geo-information Science, 18(8): 1141－1149.(in Chinese with English abstract)

[26] Gumma M K, Thenkabail P S, Muralikrishna I V, et al.Changes in agricultural cropland areas between a water-surplus year and a water-deficit year impacting food security, determined using MODIS 250 m time-series data and spectral matching techniques, in the Krishna River basin(India)[J]. International Journal of Remote Sensing, 2011,32(12): 3495－3520.

[27] 曹瑀，王燕辉，张立强，等. 基于PSR模型的耕地生态安全时空分异特征研究：以河北省沧州市为例[J]. 水土保持研究，2016，23(6)：290－295,302.Cao Yu, Wang Yanhui, Zhang Liqiang, et al. Time and space differentiation characteristics of ecological security of cultivated land based on PSR model: Take Cangzhou City,Hebei province as an example[J]. Research of Soil and Water Conservation, 2016, 23(6): 290－295, 302. (in Chinese with English abstract)

[28] 王培东，赵丽，杨皓，等. 基于PSR模型的沧州市农用地集约利用评价研究[J]. 中国农业资源与区划，2013，34(4)：57－63.Wang Peidong, Zhao Li, Yang Hao, et al. Assessment of agricultural land intensive utilization of Cangzhou city based on the PSR model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2013, 34(4): 57－63. (in Chinese with English abstract)

[29] 陈健，刘云慧，宇振荣. 基于时序 MODIS-EVI数据的冬小麦种植信息提取[J]. 中国农学通报，2011，27(1)：446－450.Chen Jian, Liu Yunhui, Yu Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin, 2011,27(1): 446－450. (in Chinese with English abstract)

[30] 刘佳，王利民，杨玲波，等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报，2015，31(19)：159－168.Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[31] 刘佳，王利民，杨玲波，等. 基于有理多项式模型区域网平差的 GF-1影像几何校正[J]. 农业工程学报，2015，31(22)：146－154.Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correction of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(22): 146－154. (in Chinese with English abstract)

[32] Raju P V. Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks[J]. International Journal of Remote Sensing,2003, 24(23): 4871－4890.

[33] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[34] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing,1988, 9(8): 1395－1398.

[35] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.