農(nóng)作物種植面積遙感估算的影響因素研究

張煥雪，李強(qiáng)子，文 寧，杜 鑫，陶青山，田亦陳

(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101;2.湖南省國(guó)土資源規(guī)劃院，長(zhǎng)沙 410007)

0 引言

農(nóng)作物種植面積是影響農(nóng)產(chǎn)品產(chǎn)量的重要因素之一［1］?？焖佟?zhǔn)確、可靠的農(nóng)作物種植面積調(diào)查結(jié)果，已經(jīng)成為國(guó)家農(nóng)業(yè)政策分析和糧食宏觀決策的重要支持信息之一［2］。遙感技術(shù)因其具有大范圍的宏觀觀測(cè)能力和客觀性，一直在農(nóng)作物種植面積調(diào)查中發(fā)揮著重要作用，利用遙感影像進(jìn)行各種農(nóng)作物識(shí)別與面積估算的技術(shù)和方法也得到快速發(fā)展。農(nóng)作物類型遙感識(shí)別從最初的人工目視判讀［3］到利用影像光譜特征進(jìn)行監(jiān)督和非監(jiān)督分類［1，4－5］，目 前 已 經(jīng) 在 利 用 遙 感 影 像 的 時(shí) 相 特征［6－8］、散射極化特征［9－11］、空間特征［12－13］等領(lǐng)域取得全面突破。為了提高分類精度，還發(fā)展了混合像元分解技術(shù)、面向?qū)ο蟮挠跋穹诸惣夹g(shù)、多源數(shù)據(jù)融合技術(shù)［14－15］、輔助數(shù)據(jù)分析技術(shù)［16］以及新的分類識(shí)別模式［17－18］等。

目前，農(nóng)作物的遙感識(shí)別已經(jīng)形成了多源、多尺度遙感數(shù)據(jù)在像元、亞像元和對(duì)象尺度的各類監(jiān)督和非監(jiān)督分類方法，并發(fā)展了各類參數(shù)化和非參數(shù)化的分類算法［19］。但更高的分類精度是不斷追求的目標(biāo)。盡管科學(xué)家們充分利用遙感技術(shù)獲取多源遙感數(shù)據(jù)，并一直致力于提高農(nóng)作物的分類精度［14，20］;但目前關(guān)于不同影像特征(分辨率、時(shí)相等)以及農(nóng)作物種植地塊特征等對(duì)分類精度的影響方面，還沒有得出一致性結(jié)論。針對(duì)某一具體研究區(qū)，要滿足預(yù)期的分類精度，應(yīng)當(dāng)設(shè)計(jì)什么樣的監(jiān)測(cè)方案，選用多大分辨率的遙感影像，采用哪些特征進(jìn)行分類，確定的監(jiān)測(cè)方案和數(shù)據(jù)源可以達(dá)到多高的分類精度等等，一直沒有給出滿意的結(jié)果［21］。

本文以湖南省澧縣水稻產(chǎn)區(qū)為實(shí)驗(yàn)區(qū)，以利用5 m分辨率的RapidEye影像提取的早稻種植信息為研究對(duì)象，模擬一系列不同分辨率的遙感數(shù)據(jù)，旨在分析影響農(nóng)作物遙感識(shí)別的各主要因素(種植成數(shù)、種植破碎度和地塊形狀指數(shù))在不同分辨率下對(duì)農(nóng)作物面積估算精度的影響規(guī)律，建立各因素對(duì)農(nóng)作物面積估算精度的綜合影響模型，為解決不同作物種植結(jié)構(gòu)區(qū)遙感數(shù)據(jù)的選擇、面積估算精度的提高方式，以及特定研究區(qū)和數(shù)據(jù)源可以達(dá)到的面積估算精度水平等問題提供理論依據(jù)和實(shí)驗(yàn)基礎(chǔ)。

1 實(shí)驗(yàn)區(qū)概況與數(shù)據(jù)源

1.1 實(shí)驗(yàn)區(qū)概況

本文的實(shí)驗(yàn)區(qū)位于湖南省中北部澧縣和臨澧縣境內(nèi)，中心位置的地理坐標(biāo)為 E111°39'21″，N29°49'37″(圖 1)。

圖1 實(shí)驗(yàn)區(qū)地理位置及RapidEye影像Fig.1 Geo－location and RapidEye im age of experimental area

該區(qū)屬亞熱帶濕潤(rùn)氣候區(qū)，年降水量為1 200～1 500 mm;四季溫差明顯，年平均氣溫16°～18℃。種植的農(nóng)作物類型主要有水稻、棉花和少量的大棚葡萄、蔬菜等。其中，水稻是主要的糧食作物，其種植結(jié)構(gòu)主要是雙季稻或單季稻。單季中稻主要是6月初移栽，9月初收獲;雙季早稻生長(zhǎng)季主要是從5月初到7月中下旬;晚稻主要是7月下旬種植，11月收獲。

1.2 數(shù)據(jù)源

根據(jù)實(shí)驗(yàn)區(qū)主要農(nóng)作物的物候歷及遙感影像的質(zhì)量，本文選取了2012年6月19日獲取的Rapid-Eye影像。該影像清晰度好，覆蓋實(shí)驗(yàn)區(qū)面積約為25 km×20 km(圖1);空間分辨率5m，幅寬77 km，5個(gè)波段的波譜范圍分別是B1(0.44～0.51μm)，B2(0.52～0.59μm)，B3(0.63～0.685μm)，B4(0.69～0.73μm)和 B5(0.76～0.85μm)，其中 B4是紅邊波段。成像時(shí)雙季早稻處于抽穗期，而單季中稻處于移栽期，比較適合早稻信息的提取。

對(duì)RapidEye影像的處理主要包括輻射定標(biāo)和幾何糾正。輻射定標(biāo)［17］是將影像的DN值轉(zhuǎn)化為大氣頂歸一化光譜反射率，并采用FLAASH模型［22］進(jìn)行大氣校正;幾何糾正則以USGS提供的實(shí)驗(yàn)區(qū)TM影像作為參考影像，采用二次多項(xiàng)式方法對(duì)RapidEye數(shù)據(jù)進(jìn)行幾何精糾正，選取了40個(gè)地面控制點(diǎn)，使糾正誤差控制在0.5個(gè)像元內(nèi)。

此外，在早稻提取過程中，還采用了取自國(guó)土資源二調(diào)土地利用數(shù)據(jù)集中的湖南省水田分布數(shù)據(jù)以及2012年6月采集的7個(gè)野外樣方數(shù)據(jù)(圖2)。

圖2 水田及7個(gè)地面調(diào)查樣方Fig.2 Paddy field and 7 field survey plots

2 研究方法

2.1 技術(shù)路線

本文首先利用RapidEye數(shù)據(jù)分類進(jìn)行實(shí)驗(yàn)區(qū)早稻種植地塊的提取，作為實(shí)驗(yàn)研究的近似真值;然后以該早稻提取結(jié)果為基礎(chǔ)，通過尺度擴(kuò)展構(gòu)建不同分辨率影像序列，并將實(shí)驗(yàn)區(qū)均勻布設(shè)成1 km×1 km樣區(qū)，計(jì)算每個(gè)樣區(qū)內(nèi)早稻的種植成數(shù)、種植破碎度及地塊形狀指數(shù)指標(biāo);再通過統(tǒng)計(jì)面積估算精度及標(biāo)準(zhǔn)差，分析作物分類的主要影響因素(種植成數(shù)、種植破碎度和地塊形狀指數(shù))隨不同影像空間分辨率對(duì)農(nóng)作物面積估算精度的影響規(guī)律;最終建立影像空間分辨率和上述3個(gè)指標(biāo)共4種因素對(duì)農(nóng)作物面積估算精度的綜合影響模型。總體技術(shù)路線如圖3所示。

圖3 各因素影響分析技術(shù)流程Fig.3 Flowchart of all factors analysis

2.2 早稻種植地塊提取

在實(shí)驗(yàn)區(qū)1∶1萬比例尺水田數(shù)據(jù)的支持下，首先從RapidEye影像中提取出水田區(qū)域;然后利用實(shí)地調(diào)查數(shù)據(jù)，選取8 319個(gè)像元作為訓(xùn)練樣本，采用最大似然分類(MLC)、支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)3種分類方法得到早稻種植地塊分布信息，并估算其面積。根據(jù)野外實(shí)測(cè)樣方得到的7 142個(gè)驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證，將精度最高的 SVM分類結(jié)果(總體分類精度95.99%，Kappa=0.89)作為5 m分辨率早稻分布的“準(zhǔn)真值”，以便進(jìn)行后續(xù)研究。

2.3 多分辨率影像序列獲取

本文通過尺度擴(kuò)展方法對(duì)利用RapidEye影像提取的早稻種植地塊分布數(shù)據(jù)進(jìn)行重采樣，獲得不同分辨率的影像序列。常用的尺度擴(kuò)展方法主要包括簡(jiǎn)單平均法、中心像元法、最近鄰法、雙線性內(nèi)插和立方卷積等［23－24］。其中，最近鄰法、雙線性內(nèi)插和立方卷積是常用的方法;但Hay等［25］發(fā)現(xiàn)，這3種方法在尺度轉(zhuǎn)換因子大于5時(shí)，不適合將影像從高分辨率轉(zhuǎn)換到低分辨率。故本文采用了簡(jiǎn)單平均法進(jìn)行影像的尺度擴(kuò)展。

2.4 遙感分類精度的影響因素

通過將實(shí)驗(yàn)中分類得到的農(nóng)作物類型與地面調(diào)查得到的實(shí)地農(nóng)作物分布類型進(jìn)行比較分析，發(fā)現(xiàn)農(nóng)作物的種植成數(shù)［26］(即面積比例)、種植破碎度［27］(即集聚程度)以及地塊的形狀指數(shù)［28］均對(duì)農(nóng)作物遙感識(shí)別精度具有明顯的影響。因此，本文將25 km×20 km的實(shí)驗(yàn)區(qū)均分成500個(gè)面積為1 km×1 km的樣區(qū)，計(jì)算每個(gè)樣區(qū)內(nèi)原始5 m分辨率和一系列較低分辨率下的早稻的種植成數(shù)、種植破碎度和地塊形狀指數(shù);分析其尺度效應(yīng)，并通過多元線性回歸分析得到4種因素與面積估算精度之間的關(guān)系模型。

2.5 精度評(píng)價(jià)

為全面分析上述4種因素對(duì)農(nóng)作物面積監(jiān)測(cè)的影響，本文從面積估算精度和估算精度的穩(wěn)定性2個(gè)方面進(jìn)行評(píng)價(jià)。

1)面積估算精度Ki是用來比較相對(duì)精度的指標(biāo)，按式(1)計(jì)算得到，即

式中:A0為從5 m分辨率RapidEye影像得到的早稻面積，本文將該值作為基準(zhǔn)值;Ai為由尺度轉(zhuǎn)換得到的某種較低分辨率(i)下提取的早稻面積。

2)估算精度的穩(wěn)定性以面積估算精度平均值的標(biāo)準(zhǔn)差δ(i)來衡量，用來反映整個(gè)實(shí)驗(yàn)區(qū)各個(gè)樣區(qū)間早稻估算精度的離散程度(即與整個(gè)實(shí)驗(yàn)區(qū)早稻平均面積估算精度的偏離程度)，計(jì)算方法為

3 結(jié)果與分析

3.1 種植成數(shù)的影響

本文通過計(jì)算不同分辨率下的早稻種植面積百分比，發(fā)現(xiàn)隨著種植成數(shù)的升高，面積估算精度呈增加趨勢(shì)，而且精確度也逐漸趨于穩(wěn)定。圖4給出了10 m分辨率模擬影像中500個(gè)1 km×1 km樣區(qū)的面積估算精度與種植成數(shù)的二維散點(diǎn)圖。

圖4 10 m分辨率影像分類時(shí)農(nóng)作物種植成數(shù)與面積估算精度關(guān)系散點(diǎn)圖Fig.4 Scatter plots of crop proportion and area estimation accuracy under 10 m resulation image classification

從圖4可以看出，在較低的種植成數(shù)水平下，面積估算精度具有較大的分散性(即精確度較低);而隨著種植成數(shù)的提高，面積估算精度趨于收斂，表明作物面積估算誤差也越來越小;且能實(shí)現(xiàn)對(duì)作物面積的無偏估計(jì)，當(dāng)種植成數(shù)超過60%，面積估算精度穩(wěn)定在85%以上。

為進(jìn)一步考察隨影像空間分辨率的變化作物種植成數(shù)與面積估算精度的關(guān)系，本文將種植成數(shù)指標(biāo)從0～100%進(jìn)行分組統(tǒng)計(jì)，共分為10組(組間距10%)，分別統(tǒng)計(jì)不同空間分辨率下、不同種植成數(shù)水平與對(duì)應(yīng)樣區(qū)的面積估算精度和平均標(biāo)準(zhǔn)差的變化趨勢(shì)(圖5)。

圖5 不同分辨率影像分類時(shí)農(nóng)作物種植成數(shù)與面積估算精度(左)/標(biāo)準(zhǔn)差(右)的關(guān)系Fig.5 Relationship between crop proportion and area estim ation accuracy(left)/standard deviation(right)under different resolution image classifications

從圖5可以看出，隨著農(nóng)作物種植成數(shù)的增加，各分辨率下的作物面積估算精度均呈增加趨勢(shì)，而標(biāo)準(zhǔn)差均呈遞減趨勢(shì)。作物種植成數(shù)低于10%時(shí)，各分辨率下的面積估算精度均處于最低值，而標(biāo)準(zhǔn)差均處于最大值;且隨著空間分辨率的降低，面積估算精度越來越低、標(biāo)準(zhǔn)差值越來越大，即面積估算精度的離散程度越來越大，面積估算結(jié)果越來越不穩(wěn)定。當(dāng)分辨率降至150 m時(shí)，面積估算精度僅為45%，標(biāo)準(zhǔn)差則大于25%。表明在種植成數(shù)低于10%時(shí)，要達(dá)到85%以上的面積估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用分辨率高于10 m的遙感數(shù)據(jù)源。隨著種植成數(shù)和影像分辨率的提高，各分辨率下的面積估算精度呈現(xiàn)出較快的增長(zhǎng)趨勢(shì)，并在種植成數(shù)達(dá)到40%～50%時(shí)接近最高并逐漸穩(wěn)定在85%以上;相反，面積估算精度標(biāo)準(zhǔn)差則隨著種植成數(shù)和分辨率的提高出現(xiàn)顯著的降低趨勢(shì)，并在達(dá)到40%～50%的種植成數(shù)水平時(shí)，穩(wěn)定在4%以下。說明當(dāng)作物種植百分比在50%以上時(shí)，要想達(dá)到85%的分類精度，可以選取分辨率高于150 m的遙感數(shù)據(jù)。

3.2 種植破碎度的影響

由于我國(guó)自然環(huán)境和種植制度的復(fù)雜性，作物“插花”種植現(xiàn)象普遍存在［29］。本文研究了農(nóng)作物種植破碎度與種植面積估算精度的關(guān)系，并對(duì)500個(gè)樣區(qū)的結(jié)果進(jìn)行了統(tǒng)計(jì)分析，發(fā)現(xiàn)隨著種植破碎度的提高，種植面積估算精度趨于降低(圖6)。

圖6 10 m分辨率影像分類時(shí)農(nóng)作物種植破碎度與面積估算精度關(guān)系散點(diǎn)圖Fig.6 Scatter plots of crop fragmentation and area estimation accuracy under 10 m resulation image classification

從圖6可以看出，在農(nóng)作物種植破碎度較高的情況下，面積估算精度具有趨于分散和低精確度特征。亦即隨著種植破碎度的降低，面積估算精度趨于收斂且穩(wěn)定;而隨著作物種植的分散化，面積估算誤差不斷遞增，當(dāng)種植破碎度高于0.7時(shí)，面積估算精度很難保證足夠的精度，基本在85%以下。

為進(jìn)一步考察不同空間分辨率影像分類中作物種植破碎度與面積估算精度的關(guān)系，對(duì)種植破碎度指標(biāo)0～1.3進(jìn)行分組實(shí)驗(yàn)，共分9組(組間距如圖7所示)，分別統(tǒng)計(jì)不同的種植破碎度級(jí)別對(duì)應(yīng)樣區(qū)的面積估算精度和平均標(biāo)準(zhǔn)差在不同空間分辨率下的變化趨勢(shì)(圖7)。

圖7 不同分辨率影像分類時(shí)農(nóng)作物種植破碎度與面積估算精度(左)/標(biāo)準(zhǔn)差(右)的關(guān)系Fig.7 Relationship between crop fragmentation and area estimation accuracy(left)/standard deviation(right)under different resulation image classifications

從圖7可以看出，隨著種植破碎度的增加和影像分辨率的降低，各種分辨率條件下的作物面積估算精度均呈遞減趨勢(shì)，標(biāo)準(zhǔn)差則基本呈遞增趨勢(shì)。作物種植破碎度指數(shù)為0～0.5時(shí)，種植較為完整，各分辨率下的面積估算精度均處于最高水平，標(biāo)準(zhǔn)差均處于最低水平;隨著影像空間分辨率的降低，面積估算精度越來越低，當(dāng)分辨率降低至150 m時(shí)，面積估算精度僅為55%。表明在0～0.5破碎度等級(jí)下，要達(dá)到85%以上的面積估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用空間分辨率高于20 m的遙感數(shù)據(jù)。隨著種植破碎度指數(shù)從0.5逐步增加，各分辨率下的面積估算精度呈降低趨勢(shì)，標(biāo)準(zhǔn)差表現(xiàn)出增加趨勢(shì);但分辨率為10 m的數(shù)據(jù)除外，該分辨率下作物面積估算標(biāo)準(zhǔn)差隨種植破碎度的變化基本不變，說明當(dāng)采用高于10 m分辨率的遙感數(shù)據(jù)時(shí)，作物種植破碎度已經(jīng)不是影響其面積估算穩(wěn)定性的主要因素。當(dāng)種植破碎度達(dá)到1.2～1.3(即作物分布極為破碎)時(shí)，即使采用10 m分辨率的數(shù)據(jù)，面積估算精度也難以達(dá)到60%。說明當(dāng)作物種植較為破碎時(shí)，要想達(dá)到85%的面積估算精度，不僅需要采用高于10 m空間分辨率的遙感影像，而且還需要通過其他技術(shù)手段提高面積估算精度。

3.3 地塊形狀指數(shù)的影響

受地形地勢(shì)及灌溉條件等限制，不同地區(qū)的農(nóng)作物地塊形狀各不相同。本文通過計(jì)算地塊形狀指數(shù)并分析其與面積估算精度的關(guān)系，發(fā)現(xiàn)隨著形狀指數(shù)的提高(即地塊由正方形向細(xì)長(zhǎng)形過度)，面積估算精度明顯下降(圖8)。

圖8 10 m分辨率影像分類時(shí)地塊形狀指數(shù)與面積估算精度關(guān)系散點(diǎn)圖Fig.8 Scatter plots of shape index and area estimation accuracy under 10 m resulation image classification

從圖8可以看出，當(dāng)作物種植多為狹長(zhǎng)地塊時(shí)，面積估算精度較低;隨著地塊形狀的變長(zhǎng)，面積估算精度遞減且分布趨于分散。當(dāng)?shù)貕K形狀指數(shù)低于0.13時(shí)，面積估算精度才能基本穩(wěn)定在85%以上。

為進(jìn)一步考察隨影像空間分辨率的變化地塊形狀指數(shù)與面積估算精度的關(guān)系，本文對(duì)形狀指數(shù)0～0.26進(jìn)行分組實(shí)驗(yàn)，共分15組(組間距如圖9所示)，分別統(tǒng)計(jì)不同的地塊形狀指數(shù)層次在不同分辨率影像分類后對(duì)面積估算精度和平均標(biāo)準(zhǔn)差的影響。

圖9 不同分辨率影像分類時(shí)地塊形狀指數(shù)與面積估算精度(左)/標(biāo)準(zhǔn)差(右)的關(guān)系Fig.9 Relationship between shape index and area estimation accuracy(left)/standard deviation(right)under different resulation image classifications

從圖9可以看出，隨著作物種植地塊趨向于狹長(zhǎng)分布和影像分辨率的降低，各分辨率下作物面積估算精度均呈遞減趨勢(shì)，標(biāo)準(zhǔn)差則基本呈增加趨勢(shì)。農(nóng)作物地塊形狀指數(shù)小于0.1時(shí)，各分辨率下的面積估算精度均處于最高水平，標(biāo)準(zhǔn)差均處于最低水平;隨著影像空間分辨率的降低，面積估算精度越來越低。當(dāng)分辨率降低至150 m時(shí)，面積估算精度降到25%以下。即使選用分辨率為10 m的數(shù)據(jù)，面積估算精度也僅為70%。表明在地塊形狀指數(shù)小于0.1的情況下，要達(dá)到85%以上的估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用分辨率高于10 m的遙感數(shù)據(jù)。隨著地塊形狀指數(shù)從0.1逐步增加(即種植地塊逐步趨向于狹長(zhǎng)分布)，各分辨率下的面積估算精度均呈降低趨勢(shì)，同時(shí)標(biāo)準(zhǔn)差表現(xiàn)出增加趨勢(shì);尤其是當(dāng)?shù)貕K形狀指數(shù)達(dá)到0.25～0.26時(shí)，在不同分辨率下面積估算精度均不足30%。說明當(dāng)作物種植地塊呈狹長(zhǎng)形狀的情況下，需要采用分辨率高于10 m(甚至5 m)的遙感影像來提高其面積估算精度。

3.4 多因素綜合影響分析與建模

根據(jù)3.1—3.3節(jié)中得到的影像空間分辨率、種植成數(shù)、種植破碎度和地塊形狀指數(shù)4種農(nóng)作物面積估算影響因素分析資料，進(jìn)行多元回歸統(tǒng)計(jì)擬合，建立了4種因素對(duì)面積估算精度的綜合影響模型。

建模過程中的估計(jì)參數(shù)如表1所示。擬合優(yōu)度R2值越大，所反映的自變量與因變量的共變量比率越高，模型與數(shù)據(jù)的擬合程度越好。

表1 分類模型的估計(jì)參數(shù)Tab.1 Estimate parameters of classification model

分類模型的回歸分析結(jié)果(表2)表明，本模型的顯著性水平sig.＜0.05，可以認(rèn)為所建立的回歸方程有效。

表2 分類模型的回歸分析參數(shù)Tab.2 Regression analysis parameters of classification model

多元統(tǒng)計(jì)模型的相關(guān)參數(shù)及模型的顯著性檢驗(yàn)結(jié)果見表3。多元統(tǒng)計(jì)模型中4個(gè)自變量回歸系數(shù)的顯著性水平Sig.=0.000均小于0.05，可以認(rèn)為4 個(gè)自變量(種植成數(shù)、地塊形狀指數(shù)、種植破碎度和影像空間分辨率)對(duì)因變量(面積估算精度)均有顯著影響。最終，回歸分析得到的回歸方程為

表3 多元統(tǒng)計(jì)模型參數(shù)Tab.3 Parameters ofmultivariate statisticalmodel

式中:Y為面積估算精度;X1為種植成數(shù);X2為地塊形狀指數(shù);X3為種植破碎度;X4為影像空間分辨率。

4 結(jié)論與展望

4.1 結(jié)論

本文通過簡(jiǎn)單平均法將原始空間分辨率為5 m的遙感影像分別模擬到10m，20m，30m，60m，90m，120m和150m分辨率，其中10m，20m，30m和60m分辨率分別對(duì)應(yīng)農(nóng)作物種植面積遙感測(cè)量中常用的SPOT，CBERS，TM 和 IRS－P6數(shù)據(jù)。通過本文研究，最終得到了影響農(nóng)作物分類精度的主要因素(種植成數(shù)、種植破碎度、地塊形狀指數(shù))隨不同影像分辨率的變化對(duì)農(nóng)作物種植面積估算精度的影響規(guī)律，以及4種因素對(duì)農(nóng)作物面積估算精度的綜合影響模型。為解決不同研究區(qū)數(shù)據(jù)源的選取、農(nóng)作物面積估算精度的提高方式以及特定研究區(qū)和數(shù)據(jù)源可以達(dá)到的農(nóng)作物面積估算精度水平等問題提供了理論基礎(chǔ)。得出如下結(jié)論:

1)隨著農(nóng)作物種植成數(shù)的增加，各影像分辨率下作物面積估算精度均呈增加趨勢(shì)，標(biāo)準(zhǔn)差呈遞減趨勢(shì)。作物種植成數(shù)百分比為0～10%時(shí)，要達(dá)到85%以上的面積估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用分辨率高于10 m的遙感數(shù)據(jù)源。當(dāng)作物種植成數(shù)百分比在50%以上時(shí)，在不同影像分辨率下面積估算精度基本均穩(wěn)定在88%以上，標(biāo)準(zhǔn)差穩(wěn)定在4%以下;要想達(dá)到85%的分類精度，可以選取分辨率高于150 m的任意遙感數(shù)據(jù)。

2)隨著農(nóng)作物種植越來越破碎，各影像分辨率下作物面積估算精度均呈遞減趨勢(shì)，標(biāo)準(zhǔn)差基本呈增加趨勢(shì)。作物種植破碎度指數(shù)為0～0.5時(shí)，作物種植較為完整，要達(dá)到85%以上的面積估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用分辨率高于20 m的遙感數(shù)據(jù)源。當(dāng)作物種植較為破碎(例如破碎度指標(biāo)為1.2～1.3)時(shí)，要想達(dá)到85%的面積估算精度，除了需要提高影像的空間分辨率，還需要通過多元回歸統(tǒng)計(jì)擬合等其他技術(shù)手段提高面積估算精度。

3)隨著農(nóng)作物種植地塊逐步趨向于狹長(zhǎng)分布，各影像分辨率下作物面積估算精度均呈遞減趨勢(shì)，標(biāo)準(zhǔn)差呈增加趨勢(shì)。農(nóng)作物地塊形狀指數(shù)為0～0.1時(shí)，要達(dá)到85%以上的面積估算精度，且保證估算標(biāo)準(zhǔn)差接近于0，需要采用分辨率高于10 m的遙感數(shù)據(jù)源。當(dāng)農(nóng)作物種植地塊為狹長(zhǎng)分布(例如形狀指數(shù)指標(biāo)為0.25～0.26)時(shí)，僅僅提高影像的空間分辨率并不能保證面積估算精度，還需要通過其他技術(shù)手段才能達(dá)到85%的面積估算精度需求。

4)4種影響因素(種植成數(shù)X1、地塊形狀指數(shù)X2、種植破碎度X3和影像空間分辨率X4)對(duì)農(nóng)作物面積估算的精度均有顯著影響，具體的定量影響方式為:Y=98.70+0.73X1+4.83X2－4.78X3－0.23X4。

4.2 展望

在以后的研究中還需在以下方面做進(jìn)一步討論和改進(jìn):

1)本文所采用的一系列較低空間分辨率數(shù)據(jù)，是由5m分辨率的RapidEye多光譜影像中的早稻提取信息基于簡(jiǎn)單平均法模擬得到的，這樣做是為了避免其他因素的影響而單純地分析遙感影像空間分辨率對(duì)農(nóng)作物面積估算精度的影響。在今后的研究中將嘗試直接采用不同空間分辨率影像進(jìn)行分類精度評(píng)價(jià)，并對(duì)這2種不同的方法進(jìn)行比較分析，以期得到更加符合實(shí)際情況的結(jié)論。

2)本文設(shè)計(jì)的農(nóng)作物提取結(jié)果只區(qū)分了目標(biāo)作物和非目標(biāo)作物2類。在今后的研究中，將考慮對(duì)更多的其他作物進(jìn)行更為全面的影響因素分析，并嘗試在其他不同地貌類型和種植結(jié)構(gòu)的典型作物區(qū)進(jìn)行試驗(yàn)，以進(jìn)一步測(cè)試本文結(jié)論的普適性。

［1］ 吳炳方.中國(guó)農(nóng)情遙感速報(bào)系統(tǒng)［J］.遙感學(xué)報(bào)，2004，8(6):481－497.Wu B F.China crop watch system with remote sensing［J］.Journal of Remote Sensing，2004，8(6):481－497.

［2］ Chen J.Rapid urbanization in China:A real challenge to soil protection and food security［J］.Catena，2007，69(1):1－15.

［3］ 蔣雪中，趙 銳，李強(qiáng)子，等.利用GVG線采樣技術(shù)提取農(nóng)作物種植面積及其精度分析［J］.南京氣象學(xué)院學(xué)報(bào)，2002，25(1):78－83.Jiang X Z，Zhao R，Li Q Z，et al.Extraction of crop acreage using GVG system and its precision analysis［J］.Journal of Nanjing Institute of Meteorology，2002，25(1):78－83.

［4］ 梁友嘉，徐中民.基于SPOT－5衛(wèi)星影像的灌區(qū)作物識(shí)別［J］.草業(yè)科學(xué)，2013，30(2):161－167.Liang Y J，Xu Z M.Crop identification in the irrigation district based on SPOT－5 satellite imagery［J］.Pratacultural Science，2013，30(2):161－167.

［5］ 劉 磊，江 東，徐 敏，等.基于多光譜影像和專家決策法的作物分類研究［J］.安徽農(nóng)業(yè)科學(xué)，2011，39(25):15809－15811.Liu L，Jiang D，Xu M，et al.Crops classification based on multispectral image and decision treemethod［J］.Journal of Anhui Agricultural Sciences，2011，39(25):15809－15811.

［6］ 歐文浩，蘇 偉，薛文振，等.基于HJ－1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時(shí)相選擇［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26(11):176－182.Ou W H，Su W，Xue W Z，et al.Selection of optimum phase for yield estimation of threemajor crops based on HJ－1 satellite images［J］.Transactions of the Chinese Society of Agricultural Engineering，2010，26(11):176－182.

［7］ Wardlow B D，Egbert SL.Large－area cropmapping using time series MODIS 250 m NDVIdata:An assessment for the U.S.Central Great Plains［J］.Remote Sensing of Environment，2008，112(33):1096－1116.

［8］ Jia K，Wu B F，LiQ Z.Crop classification using HJ satellite multi spectral data in the North China Plain［J］.Journal of Applied Remote Sensing，2013，7(1):073576.

［9］ Yonezawa C，Negishi M，Azuma K，et al.Growth monitoring and classification of rice fields using multi temporal RADARSAT－2 full－polarimetric data［J］.International Journal of Remote Sensing，2012，33(18):5696－5711.

［10］ Jia K，Li Q Z，Tian Y C，et al.Crop classification using multiconfiguration SAR data in the North China Plain［J］.International Journal of Remote Sensing，2012，33(1):170－183.

［11］ 馬紅章，劉素美，朱曉波，等.基于被動(dòng)微波遙感技術(shù)的玉米冠層葉面積指數(shù)反演［J］.國(guó)土資源遙感，2013，25(3):66－71.doi:10.6046/gtzyyg.2013.03.12.Ma H Z，Liu SM，Zhu X B，et al.Crop LAI inversion based on the passivemicrowave remote sensing technology［J］.Remote Sensing for Land and Resources，2013，25(3):66－71.doi:10.6046/gtzyyg.2013.03.12.

［12］ Balaguer A，Ruiz L A，Hermosill T，et al.Definition of a comprehensive set of texture semivariogram features and their evaluation for object－oriented image classification［J］.Computers and Geosciences，2010，36(2):231－240.

［13］ Berberoglu S，Curran P J，Lloyd C D，et al.Texture classification of Mediterranean land cover［J］.International Journal of Applied Earth Observation and Geoinformation，2007，9(3):322－334.

［14］ Li Q Z，Wu B F，Jia K，etal.Maize acreage estimation using ENVISATMERISand CBERS－02B CCD data in the North China Plain［J］.Computers and Electronics in Agriculture，2011，78(2):208－214.

［15］ 胥 兵，方 臣.ZY－102 C星圖像與ETM+圖像融合方法及效果評(píng)價(jià)［J］.國(guó)土資源遙感，2014，26(3):80－85.doi:10.6046/gtzyyg.2014.03.13.Xu B，F(xiàn)ang C.Data fusionmethods of ZY－102 C and ETM+images and effect evaluation［J］.Remote Sensing for Land and Resources，2014，26(3):80－85.doi:10.6046/gtzyyg.2014.03.13.

［16］ 程 乾，王人潮.數(shù)字高程模型和多時(shí)相MODIS數(shù)據(jù)復(fù)合的水稻種植面積遙感估算方法研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21(5):89－92.Cheng Q，Wang RC.Estimation of the rice planting areausing digital elevationmodel and multitemporalmoderate resolution imaging spectroradiometer［J］.Transactions of the Chinese Society of Agricultural Engineering，2005，21(5):89－92.

［17］ 楊小喚，張香平，江 東.基于MODIS時(shí)序NDVI特征值提取多作物播種面積的方法［J］.資源科學(xué)，2004，26(6):17－22.Yang X H，Zhang X P，Jiang D.Extraction ofmulti－crop planting areas from MODIS data［J］.Resources Science，2004，26(6):17－22.

［18］ 于菲菲，曾永年，徐艷艷，等.基于植被分區(qū)的多特征遙感智能分類［J］.國(guó)土資源遙感，2014，26(1):63－70.doi:10.6046/gtzyyg.2014.01.12.Yu F F，Zeng Y N，Xu Y Y，etal.Intelligent remote sensing classification ofmulti－character data based on vegetation partition［J］.Remote Sensing for Land and Resources，2014，26(1):63－70.doi:10.6046/gtzyyg.2014.01.12.

［19］ 權(quán)文婷，王 釗.冬小麥種植面積遙感提取方法研究［J］.國(guó)土資源遙感，2013，25(4):8－15.doi:10.6046/gtzyyg.2013.04.02.Quan W T，Wang Z.Researches on the extraction of winter wheat planting area using remote sensingmethod［J］.Remote Sensing for Land and Resources，2013，25(4):8－15.doi:10.6046/gtzyyg.2013.04.02.

［20］ 賈 坤，李強(qiáng)子，田亦陳，等.微波后向散射數(shù)據(jù)改進(jìn)農(nóng)作物光譜分類精度研究［J］.光譜學(xué)與光譜分析，2011，31(2):483－487.Jia K，Li Q Z，Tian Y C，et al.Accuracy improvement of spectral classification of crop using microwave backscatter data［J］.Spectroscopy and Spectral Analysis，2011，31(2):483－487.

［21］ 張煥雪，李強(qiáng)子.空間分辨率對(duì)作物識(shí)別及種植面積估算的影響研究［J］.遙感信息，2014，29(2):38－42.Zhang H X，Li Q Z.Effects of spatial resolution on crop identification and acreage estimation［J］.Remote Sensing Information，2014，29(2):38－42.

［22］ Vermote E F，TanréD，DeuzéJ L，et al.Second simulation of the satellite signal in the solar spectrum，6S:An overview［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35(3):675－686.

［23］ Kavzoglu T.Simulating landsat ETM+imagery using DAIS 7915 hyperspectral scanner data［J］.International Journal of Remote Sensing，2004，25(22):5049－5067.

［24］ Woodcock C，Harward V J.Nested－h(huán)ierarchical scenemodels and image segmentation［J］.International Journal of Remote Sensing，1992，13(16):3167－3187.

［25］ Hay G J，Niemann KO，Goodenough DG.Spatial thresholds，image－objects，and upscaling:A multiscale evaluation［J］.Remote Sensing of Environment，1997，62(1):1－19.

［26］ 李強(qiáng)子，吳炳方，許文波.農(nóng)作物分類成數(shù)的精度檢驗(yàn)［J］.遙感學(xué)報(bào)，2004，8(6):588－597.Li Q Z，Wu B F，Xu W B.Accuracy assessment of crop type proportion using GVG instrument on transect line［J］.Journal of Remote Sensing，2004，8(6):588－597.

［27］ 胡潭高，張錦水，潘耀忠，等.景觀破碎度在冬小麥面積抽樣設(shè)計(jì)中的應(yīng)用研究［J］.遙感學(xué)報(bào)，2010，14(6):1117－1138.Hu TG，Zhang JS，Pan Y Z，et al.Application of landscape fragmentation in winterwheat area sampling design［J］.Journal of Remote Sensing，2010，14(6):1117－1138.

［28］ 尹 鍇，趙千鈞，文美平，等.海島型城市森林景觀格局效應(yīng)及其生態(tài)系統(tǒng)服務(wù)評(píng)估［J］.國(guó)土資源遙感，2014，26(2):128－133.doi:10.6046/gtzyyg.2014.02.21.Yin K，Zhao Q J，Wen M P，et al.Assessment of landscape pattern effect and ecosystem services of island urban forest［J］.Remote Sensing for Land and Resources，2014，26(2):128－133.doi:10.6046/gtzyyg.2014.02.21.

［29］ 吳炳方，李強(qiáng)子.基于兩個(gè)獨(dú)立抽樣框架的農(nóng)作物種植面積遙感估算方法［J］.遙感學(xué)報(bào)，2004，8(6):551－569.Wu B F，LiQ Z.Crop acreage estimation using two individual sampling frameworks with stratification［J］.Journal of Remote Sensing，2004，8(6):551－569.