基于GF-1與Landsat8 OLI影像的作物種植結(jié)構(gòu)提取

信會(huì)男 武紅旗 朱磊 董通 寇排行 楊強(qiáng)軍

摘要：作物種植結(jié)構(gòu)監(jiān)測(cè)和估產(chǎn)是精準(zhǔn)農(nóng)業(yè)遙感應(yīng)用的重點(diǎn)領(lǐng)域，其研究對(duì)于指導(dǎo)作物種植結(jié)構(gòu)和制定農(nóng)業(yè)政策具有重要意義。本文以新疆阿克蘇地區(qū)為研究區(qū)，以2016年多時(shí)相Landsat8 OLI和GF-1影像為數(shù)據(jù)源，基于物候信息、時(shí)相特征、積溫和光譜特征確定農(nóng)作物識(shí)別關(guān)鍵時(shí)期和特征參數(shù)，構(gòu)建決策樹分類模型，開展作物種植結(jié)構(gòu)監(jiān)測(cè)研究。結(jié)果表明：多源與多時(shí)相遙感數(shù)據(jù)可以反映不同農(nóng)作物的季相特征，研究中所構(gòu)建的決策樹分類模型能夠在大區(qū)域范圍內(nèi)高精度地實(shí)現(xiàn)作物分類，總體精度達(dá)83%，Kappa 系數(shù)為0.77。與統(tǒng)計(jì)數(shù)據(jù)對(duì)比，棉花面積精度在85%以上，玉米為81%，小麥為80%以上，水稻達(dá)80%以上。因此，利用Landsat 8和GF-1影像在大區(qū)域提取農(nóng)作種植結(jié)構(gòu)是可行的，為今后遙感在農(nóng)業(yè)上的應(yīng)用提供一個(gè)廣闊前景。

關(guān)鍵詞：Landsat8; GF-1;作物種植結(jié)構(gòu);決策樹分類

中圖分類號(hào)：S127文獻(xiàn)標(biāo)識(shí)號(hào)：A文章編號(hào)：1001-4942（2019）07-0143-09

農(nóng)作物種植結(jié)構(gòu)最直接的表達(dá)就是在哪里種什么，包括熟制及種植方式。了解和掌握農(nóng)作物種植結(jié)構(gòu)可以反映出農(nóng)業(yè)生產(chǎn)在空間范圍內(nèi)利用農(nóng)業(yè)生產(chǎn)資源的實(shí)際狀況，同時(shí)也是進(jìn)行農(nóng)作物種植結(jié)構(gòu)調(diào)整及優(yōu)化的依據(jù)?？焖贉?zhǔn)確獲取作物種植結(jié)構(gòu)可以為農(nóng)業(yè)精準(zhǔn)管理提供重要的參考依據(jù)，對(duì)推進(jìn)農(nóng)業(yè)保險(xiǎn)也有重要意義[1，2]。

隨著技術(shù)的發(fā)展，作物種植結(jié)構(gòu)獲取已由原來的人工實(shí)際調(diào)查發(fā)展到現(xiàn)在的利用遙感數(shù)據(jù)提取，準(zhǔn)確率和效率不斷提高。國(guó)內(nèi)外學(xué)者在利用遙感技術(shù)提取作物種植結(jié)構(gòu)方面已進(jìn)行了大量研究，如基于GF-1影像對(duì)作物分類、農(nóng)作物種植面積提取方法、遙感抽樣調(diào)查方法等進(jìn)行研究[3-7]，主要基于多時(shí)相Landsat8 OLI影像、雷達(dá)等遙感數(shù)據(jù)源對(duì)作物種植結(jié)構(gòu)進(jìn)行提取[8-11]。但多數(shù)研究都是基于單一遙感數(shù)據(jù)源、單一時(shí)相遙感影像、利用像元分類方法提取農(nóng)作物種植結(jié)構(gòu)[12]，并未考慮農(nóng)作物的季相差異，使分類結(jié)果難以滿足精度要求。因此，基于多時(shí)相較高空間分辨率與多源遙感影像相結(jié)合，進(jìn)行作物種植結(jié)構(gòu)空間分布信息提取，比較不同光譜植被指數(shù)對(duì)作物的敏感性，對(duì)于多種作物種植地區(qū)進(jìn)行遙感估產(chǎn)十分必要[13-20]。

多源遙感影像結(jié)合的主要方式為不同種類的較高空間分辨率數(shù)據(jù)與多光譜分辨率數(shù)據(jù)進(jìn)行融合，可以利用較高空間分辨率數(shù)據(jù)提高地面解譯精度，而多光譜分辨率數(shù)據(jù)則用于對(duì)不同作物種類加以區(qū)分，兩者在融合過程中取長(zhǎng)補(bǔ)短。本文采用決策樹分類模型，以新疆阿克蘇地區(qū)為研究區(qū)，充分利用GF-1衛(wèi)星影像的較高空間分辨率和Landsat8 OLI多光譜影像數(shù)據(jù)，以多時(shí)相影像為數(shù)據(jù)源，提取大區(qū)域多種農(nóng)作物種植結(jié)構(gòu)，以期提高分類精度，為今后農(nóng)業(yè)遙感統(tǒng)計(jì)、制定和調(diào)整農(nóng)作物種植結(jié)構(gòu)提供科學(xué)依據(jù)[21]。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

阿克蘇地區(qū)隸屬于新疆維吾爾自治區(qū)，地理坐標(biāo)E 78°1′～84°5′，N 39°28′～42°38′，位于天山山脈以南，塔里木盆地以北，中國(guó)最長(zhǎng)的內(nèi)陸河——塔里木河流經(jīng)此地后流入塔克拉瑪干沙漠?？偯娣e為12.71×104 km2，耕地面積6 149.43 km2[22]。阿克蘇地區(qū)下轄八縣一市。東面與巴音郭楞蒙古自治州毗鄰，西面與喀什地區(qū)接壤，南面為塔克拉瑪干沙漠，北面為伊犁地區(qū)。

該地區(qū)處于亞歐大陸深處，距離海洋過遠(yuǎn)，是典型的暖溫帶大陸性干旱氣候。年降水量53.2～120.6 mm;日照時(shí)間長(zhǎng)，年日照時(shí)數(shù)為2 670～3 022 h，太陽(yáng)總輻射量為5 340～6 220 MJ/m2，光照充足，光熱資源較豐富;氣溫年較差及晝夜溫差大，無霜期長(zhǎng)，全年為168～250 d。該地區(qū)主要以兩片綠洲為主，東邊綠洲包括庫(kù)車縣、沙雅縣、新和縣、拜城縣，西面綠洲包括阿克蘇市、阿瓦提縣、溫宿縣、柯坪縣、烏什縣。以種植棉花為主，小麥和玉米為主要糧食作物，部分地區(qū)有水稻種植。

1.2 數(shù)據(jù)獲取與處理

1.2.1 遙感影像的獲取與處理 中國(guó)于2013年4月26日發(fā)射高分辨率對(duì)地觀測(cè)遙感衛(wèi)星高分一號(hào)（GF-1），其上配置4臺(tái)多光譜寬幅WFV相機(jī)，四臺(tái)相機(jī)組合可達(dá)到800 km成像幅寬，多光譜相機(jī)回訪周期為4 d;另有兩臺(tái)2 m全色和8 m多光譜PMS相機(jī)，2 m高分辨率相機(jī)實(shí)現(xiàn)大于60 km成像幅寬。GF-1的多種空間分辨率組合可以滿足不同應(yīng)用要求。該衛(wèi)星在無地面控制點(diǎn)下可實(shí)現(xiàn)50 m圖像定位精度，數(shù)據(jù)傳輸能力達(dá)到2×450 Mbp，其精度以及數(shù)據(jù)傳輸能力都達(dá)國(guó)內(nèi)衛(wèi)星最高水平。本研究選取2015、2016年GF-1阿克蘇地區(qū)WFV影像數(shù)據(jù)10景進(jìn)行分析（數(shù)據(jù)來源于衛(wèi)星應(yīng)用中心，http：//www.cresda.com/CN/）。

Landsat8 OLI影像來源于美國(guó)地質(zhì)勘查局網(wǎng)站（USGS，http：//glovis.usgs.gov/），本研究選取阿克蘇地區(qū)的OLI遙感影像10景，應(yīng)用其2～7波段，即多光譜波段，具體影像參數(shù)及成像時(shí)間見表1。

運(yùn)用ENVI 5.3遙感軟件對(duì)Landsat8和GF-1影像進(jìn)行輻射定標(biāo)，得到大氣上行輻射亮度值，并選取FLAASH模型進(jìn)行大氣校正，得到真實(shí)地表反射率產(chǎn)品;由于兩種產(chǎn)品存在一定的地理偏差，需要進(jìn)行幾何精校正，本研究以從BIGEMAP下載的研究區(qū)1 m分辨率的WorldView系列衛(wèi)星全色影像為參照進(jìn)行幾何精校正，使兩者影像誤差控制在半個(gè)像元以內(nèi)。投影選擇WGS_84_UTM_ZONE_44N坐標(biāo)系，保證多時(shí)相影像保持坐標(biāo)一致性。

前人對(duì)GF-1和Landsat8 OLI影像的藍(lán)、綠、紅和近紅外波段反射率進(jìn)行回歸分析，結(jié)果表明兩類傳感器對(duì)相同地物光譜反射率具有一致性，并且變化趨勢(shì)相同，因此，本研究以GF-1和Landsat8 OLI數(shù)據(jù)結(jié)合用于研究區(qū)作物種植結(jié)構(gòu)的提取。

1.2.2 野外數(shù)據(jù)獲取與處理 野外調(diào)查工作于2016年7月和8月進(jìn)行，詳細(xì)記錄各地塊作物類型、長(zhǎng)勢(shì)、面積、位置等信息。調(diào)查的674個(gè)樣點(diǎn)中，棉花335個(gè)，小麥16個(gè)，玉米75個(gè)，水稻52個(gè)，其他作物196個(gè)。具體調(diào)查樣點(diǎn)分布見圖2。

利用ArcGIS 10.2軟件，以校正過的GF-1 2 m數(shù)據(jù)為底圖，按照調(diào)查點(diǎn)地塊邊界進(jìn)行矢量化，建立研究區(qū)分布的訓(xùn)練樣本及驗(yàn)證樣本數(shù)據(jù)，盡量使得訓(xùn)練樣本分布均勻。

1.2.3 土地利用現(xiàn)狀圖更新及積溫?cái)?shù)據(jù)獲取

為充分利用現(xiàn)有資料，減少影像提取面積，提高識(shí)別效率和精度，需要從研究區(qū)的土地利用現(xiàn)狀圖中提取耕地邊界。本研究利用國(guó)土部門提供的土地利用類型圖提取耕地掩膜，在2014年原有土地利用類型數(shù)據(jù)基礎(chǔ)上，利用2016年GF-1 2 m數(shù)據(jù)運(yùn)用人工解譯的方法進(jìn)行土地利用類型數(shù)據(jù)更新，并依據(jù)全國(guó)第二次土地調(diào)查分類標(biāo)準(zhǔn)，根據(jù)調(diào)查點(diǎn)對(duì)更新的土地利用類型數(shù)據(jù)進(jìn)行屬性信息更新及檢查（圖3）。

積溫?cái)?shù)據(jù)選擇≥10℃積溫柵格數(shù)據(jù)，來源于中國(guó)氣象數(shù)據(jù)共享網(wǎng)（http：//data.cma.cn/）。

2 作物種植結(jié)構(gòu)的提取

2.1 NDVI獲取分析

植被歸一化指數(shù)（normalized difference vegetation index，NDVI）是反映植被覆蓋的一個(gè)重要參數(shù)，計(jì)算方法見公式1。

其中，NIR為近紅外波段，即Landsat8第5波段、GF-1第4波段;R為紅色波段，即Landsat8第4波段、GF-1第3波段。ρ為反射值。

NDVI是植被生長(zhǎng)狀態(tài)最佳指示因子，對(duì)植被有較強(qiáng)的反映能力，是目前已有數(shù)十種植被指數(shù)中應(yīng)用最廣泛的一種[23，24]?？梢酝ㄟ^獲取作物關(guān)鍵物候期影像計(jì)算NDVI。

2.1.1 作物物候期獲取

通過對(duì)阿克蘇地區(qū)的實(shí)際調(diào)查，并結(jié)合往年數(shù)據(jù)資料，得到阿克蘇地區(qū)小麥、玉米、棉花、水稻的關(guān)鍵物候期，見表2。阿克蘇地區(qū)玉米以春玉米為主，物候期與棉花、水稻較為接近;小麥的關(guān)鍵物候期與其他作物差異較大。

2.1.2 獲取關(guān)鍵物候期NDVI

利用預(yù)處理后的Landsat8和GF-1影像數(shù)據(jù)計(jì)算得到阿克蘇地區(qū)種植作物的NDVI數(shù)據(jù)（圖4），可以看出，4月，小麥可以與其他作物區(qū)分開;7—8月，棉花、玉米、水稻可以與核桃、蘋果、棗樹很好地區(qū)分開。

根據(jù)野外調(diào)查樣點(diǎn)數(shù)據(jù)，并結(jié)合四種主要作物的關(guān)鍵物候期（表2），通過ArcGIS 10.2軟件，提取4種主要作物不同生長(zhǎng)時(shí)期的NDVI值，見圖5?？梢钥闯觯?月份小麥返青，4月底5月初達(dá)到茂盛時(shí)期，而其他作物處于苗期或者剛出苗階段，此時(shí)小麥的NDVI值明顯高于其他三種作物，最易與其他三種作物區(qū)分開;玉米在7月份與其他作物的NDVI值相差較大，此時(shí)處于開花期;棉花、水稻在7—9月份間NDVI值也存在一定差異，且7月份棉花進(jìn)入開花結(jié)鈴期，水稻則進(jìn)入開花抽穗期，兩者紋理差距較大（見圖6），易于區(qū)分。

綜上確定4種主要作物易于區(qū)分的月份，并得到相關(guān)月份的NDVI閾值，見表3。結(jié)合實(shí)際調(diào)查情況，最終選取2016年4月25日的影像區(qū)分小麥，選取2016年7月8日的影像區(qū)分棉花、玉米、水稻。

2.2 構(gòu)建決策樹

采用決策樹分類方法，利用土地利用類型、積溫、NDVI、光譜信息數(shù)據(jù)構(gòu)建決策樹模型，對(duì)作物種植結(jié)構(gòu)進(jìn)行提取。具體流程見圖7。

首先選用土地利用現(xiàn)狀圖提取耕地掩膜數(shù)據(jù)，將耕地與非耕地區(qū)域區(qū)分開來。通過文獻(xiàn)查閱，積溫在3 000℃以上可以種植棉花[25]，在2 000℃以上可以種植玉米、小麥、水稻[26，27]。用ArcGIS 10.2軟件將積溫?cái)?shù)據(jù)進(jìn)行重分類后轉(zhuǎn)為矢量文件，加入ENVI 5.3轉(zhuǎn)為掩膜，獲得四種作物的積溫掩膜。將得到的耕地掩膜與積溫掩膜數(shù)據(jù)進(jìn)行處理得到耕地-積溫?cái)?shù)據(jù)，可以更加準(zhǔn)確地獲取作物種植位置。耕地掩膜的使用剔除了非耕地植被的影響，可以減少三分之二的計(jì)算量，從而提高分類效率和分類結(jié)果的精度。

根據(jù)影像數(shù)據(jù)計(jì)算得到四種作物的NDVI閾值，通過與積溫掩膜數(shù)據(jù)相交，可以更好地區(qū)分四種作物。同時(shí)，利用訓(xùn)練樣本對(duì)遙感影像進(jìn)行監(jiān)督分類，結(jié)合分類結(jié)果，綜合上述分析，最終提取出作物種植結(jié)構(gòu)。

2.3 驗(yàn)證方法

2.3.1 混淆矩陣評(píng)估

混淆矩陣大多用于判斷分類工具的好壞，適合于分類型的數(shù)據(jù)模型，例如分類樹（Classification Tree）、邏輯回歸（Logistic Regression）、線性判別分析（Linear Discriminant Analysis）等方法。混淆矩陣中含有總體分類精度、Kappa系數(shù)、錯(cuò)分及漏分誤差、制圖精度、用戶精度6種指標(biāo)。本研究主要采用總體分類精度、Kappa系數(shù)、制圖精度、用戶精度4項(xiàng)指標(biāo)對(duì)分類結(jié)果的精度進(jìn)行評(píng)價(jià)。

2.3.2 面積總量精度

以研究區(qū)內(nèi)統(tǒng)計(jì)獲得的目標(biāo)作物種植面積總量為基準(zhǔn)值，將同區(qū)域提取的目標(biāo)作物種植面積總量與統(tǒng)計(jì)面積進(jìn)行對(duì)比，獲取區(qū)域內(nèi)整體提取精度，即面積總量精度。計(jì)算公式如下：

3 結(jié)果與分析

3.1 提取精度驗(yàn)證

利用混淆矩陣對(duì)提取結(jié)果進(jìn)行驗(yàn)證，結(jié)果表明，阿克蘇地區(qū)作物分類的總體精度為83%，Kappa系數(shù)為0.77，用戶精度都在72%以上，制圖精度在74%以上，分類結(jié)果較好。

將各縣市的提取面積與實(shí)際統(tǒng)計(jì)面積進(jìn)行比較，結(jié)果（表4）顯示，整體提取精度較高，各縣市面積總量精度達(dá)到80%以上，其中，棉花的面積總量精度平均達(dá)到89%以上（除烏什縣外），小麥在84%以上，玉米在80%以上，水稻也達(dá)80%以上（柯坪縣除外，因統(tǒng)計(jì)結(jié)果為無種植，而本研究分類有少量種植，其精度無法計(jì)算）。表明，利用本研究方法提取阿克蘇地區(qū)種植結(jié)構(gòu)的整體精度較好。但也存在提取精度較低的縣市，如烏什縣的棉花整體提取精度為-450%，小麥和玉米整體提取精度分別為62.1%和61.4%;沙雅縣的棉花、溫宿縣的玉米、阿克蘇市的水稻整體提取精度也都低于70%。

3.2 作物種植結(jié)構(gòu)

3.2.1 根據(jù)遙感影像數(shù)據(jù)解譯的作物種植結(jié)構(gòu)

統(tǒng)計(jì)遙感提取結(jié)果，阿克蘇地區(qū)耕地面積為6 149.4 km2。其中，棉花種植面積為4 362.8 km2，玉米種植面積為1 136.5 km2，小麥種植面積為1 639.4 km2，水稻種植面積為184.5 km2（表5）。除拜城縣，棉花各縣市均有種植，以阿瓦提縣、庫(kù)車縣面積較大;小麥、玉米各縣市均有種植，均以拜城縣種植面積為最大;水稻種植面積最少，主要分布于阿克蘇地區(qū)的西面，靠近河流。

3.2.2 根據(jù)數(shù)據(jù)資料統(tǒng)計(jì)的作物結(jié)構(gòu)

通過查閱6年來的統(tǒng)計(jì)數(shù)據(jù)[22]，棉花仍是該地區(qū)的主要經(jīng)濟(jì)作物，種植面積占比一直處于各作物的最高位;2014—2015年有一個(gè)急速增長(zhǎng)的過程，經(jīng)查閱資料，2014年的棉花價(jià)格為6年來最高，這導(dǎo)致了2014—2015年棉花種植面積的大幅增長(zhǎng)。小麥種植面積較為平穩(wěn)，2015年后庫(kù)車縣的種植面積出現(xiàn)較大幅度增加。水稻種植面積雖有波動(dòng)，但2017年與2012年相比，基本不變。拜城縣、庫(kù)車縣、沙雅縣的玉米種植面積波動(dòng)較大，2015—2016年增長(zhǎng)幅度較大，而2016—2017年又大幅下降。

3.2.3 根據(jù)遙感影像解譯的阿克蘇地區(qū)作物分布

阿克蘇地區(qū)光熱資源豐富，是長(zhǎng)絨棉和陸地棉的主產(chǎn)區(qū)之一，主要分布于兩片綠洲核心區(qū)域。小麥?zhǔn)窃摰貐^(qū)主要的糧食作物，主要用于糧食補(bǔ)給、耕地倒茬以及解決飼草料問題。玉米主要以飼用玉米為主，分布于畜牧業(yè)發(fā)展較好區(qū)域，為畜牧業(yè)提供基礎(chǔ)飼料。阿克蘇地區(qū)還是傳統(tǒng)水稻種植重點(diǎn)區(qū)域之一，主要分布于河道及地下水埋深較淺區(qū)域（圖9）。

4 討論與結(jié)論

4.1 討論

本研究采用決策樹分類法，分類精度最高為83%，高于前人用監(jiān)督分類方法提取作物類型的整體精度（78%）[28]，說明本研究方法在提高分類精度上具有一定優(yōu)勢(shì)。相較于前人研究大多采用單一數(shù)據(jù)源，本研究采用Landsat8和GF-1兩種影像數(shù)據(jù)，這在獲取NDVI時(shí)序時(shí)可防止由于影像缺失造成時(shí)間序列的斷裂，從而做到影像的相互補(bǔ)充，減少由于數(shù)據(jù)缺失造成的誤差[24]。在進(jìn)行精度驗(yàn)證時(shí)，本研究在前人研究基礎(chǔ)上[29-33]，采用混淆矩陣與面積總量精度相結(jié)合的方法，提高了方法的可靠性。

4.2 結(jié)論

本研究選用Landsat8和GF-1兩類衛(wèi)星的多時(shí)相影像數(shù)據(jù)，利用積溫、土地利用現(xiàn)狀數(shù)據(jù)、NDVI、光譜特征等特征參數(shù)構(gòu)建決策樹，對(duì)阿克蘇地區(qū)的作物種植結(jié)構(gòu)進(jìn)行分類提取，并采用混淆矩陣和面積總量精度進(jìn)行驗(yàn)證，結(jié)果顯示，分類總體精度為83%，Kappa系數(shù)為0.77，用戶精度都在72%以上，制圖精度在74%以上，面積總量精度平均都在80%以上，表明可以利用本研究方法在大區(qū)域?qū)Χ喾N農(nóng)作物進(jìn)行分類。

阿克蘇地區(qū)南面光熱條件好，以種植棉花為主;北面水資源條件較優(yōu)，主要種植玉米、小麥和水稻。該地區(qū)的作物種植充分利用了現(xiàn)有自然資源，布局合理。

4.3 展望

本研究中選用的是兩種中高分辨率的衛(wèi)星影像數(shù)據(jù)，而隨著遙感技術(shù)的發(fā)展以及無人機(jī)技術(shù)的成熟，可以為研究者們提供更高分辨率的遙感數(shù)據(jù)，通過加入紋理、高度等植被信息，可以在進(jìn)行分類研究時(shí)識(shí)別更多的農(nóng)作物及更復(fù)雜的作物分布區(qū)域。

另外，在對(duì)分類結(jié)果進(jìn)行驗(yàn)證時(shí)，采用一定區(qū)域內(nèi)實(shí)際調(diào)查獲得的作物面積信息，而不是通過統(tǒng)計(jì)資料獲得的數(shù)據(jù)進(jìn)行比對(duì)，可以使精度驗(yàn)證結(jié)果更加準(zhǔn)確可靠。

參 考 文 獻(xiàn)：

[1]唐華俊，吳文斌，楊鵬，等. 農(nóng)作物空間格局遙感監(jiān)測(cè)研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2010， 43（14）： 2879-2888.

[2]許青云，楊貴軍，龍慧靈，等. 基于 MODIS NDVI 多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（11）： 134-144.

[3]楊閆君，占玉林，田慶久，等. 基于 GF-1/WFV NDVI 時(shí)間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（24）： 155-161.

[4]Hao P， Wang L，Niu Z. Potential of multitemporal Gaofen-1 panchromatic/multispectral images for crop classification： case study in Xinjiang Uygur Autonomous Region， China [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 1-33.

[5]王利民，劉佳，楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（11）： 194-201.

[6]游炯，裴志遠(yuǎn)，王飛，等. 基于改進(jìn)多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（13）： 131-139.

[7]劉國(guó)棟，鄔明權(quán)，牛錚，等. 基于GF-1衛(wèi)星數(shù)據(jù)的農(nóng)作物種植面積遙感抽樣調(diào)查方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（5）： 160-166.

[8]Chen S， Li D， Huang S， et al. Establishment of remote sensing monitoring method and standard on winter planting crops：a case study in Leizhou Peninsula of south China[C]// The 4th International Workshop on Earth Observation and Remote Sensing Applications （EORSA）， IEEE， 2016：447-451.

[9]Pena M A， Brenning A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley，Chile[J]. Remote Sensing of Environment， 2015， 171： 234-244.

[10]謝登峰，張錦水，潘耀忠，等. Landsat8和MODIS融合構(gòu)建高時(shí)空分辨率數(shù)據(jù)識(shí)別秋糧作物[J]. 遙感學(xué)報(bào)， 2015， 19（5）： 791-805.

[11]Skakun S， Kussul N， Shelestov A Y， et al.Efficiency assessment of multitemporal C-Band Radarsat-2 intensity and Landsat-8 surface reflectance satellite imagery for crop classification in Ukraine[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2016， 9（8）： 3712-3719.

[12]胡瓊，吳文斌，宋茜，等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2015， 48（10）： 1900-1914.

[13]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.

[14]譚昌偉，楊昕，羅明，等. 以HJ-CCD影像為基礎(chǔ)的冬小麥孕穗期關(guān)鍵苗情參數(shù)遙感定量反演[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2015， 48（13）： 2518-2527.

[15]譚昌偉，羅明，楊昕，等. 運(yùn)用PLS算法由HJ-1A/1B遙感影像估測(cè)區(qū)域冬小麥理論產(chǎn)量[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2015， 48（20）： 4033-4041.

[16]趙靜，李靜，柳欽火，等. 聯(lián)合HJ-1/CCD和Landsat8/OLI數(shù)據(jù)反演黑河中游葉面積指數(shù)[J]. 遙感學(xué)報(bào)， 2015， 19（5）： 733-749.

[17]Song R Z， Cheng T， Yao X， et al.Evaluation of Landsat 8 time series image stacks for predicitng yield and yield components of winter wheat [C]// 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， IEEE， 2016： 6300-6303.

[18]Song X P， Hansen M， Potapov P， et al.Soybean area and yield estimation using MODIS and Landsat data in the Conterminous United States[C]//AGU Fall Meeting. 2015.

[19]Rudorff B F T， Batista G T. Wheat yield estimation at the farm level using Landsat TM andagrometeorological data [J]. Title Remote Sensing， 1991， 12（12）： 2477-2484.

[20]Siyal AA， Dempewolf J， Becker-Reshef I. Rice yield estimation using Landsat ETM+data [J]. Journal of Applied Remote Sensing， 2015， 9（1）： 095986.

[21]歐陽(yáng)玲，毛德華，王宗明，等. 基于GF-1與Landsat 8 OLI影像的作物種植結(jié)構(gòu)與產(chǎn)量分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（11）： 147-156.

[22]新疆維吾爾自治區(qū)統(tǒng)計(jì)局.2017年新疆維吾爾自治區(qū)統(tǒng)計(jì)年鑒[M]. 北京：中國(guó)統(tǒng)計(jì)出版社，2017.

[23]張永紅，李星敏，葛徽衍，等. 基于GIS的棉花氣候適宜性區(qū)劃[J]. 陜西氣象， 2013（5）： 29-32.

[24]張淮棟，陳爭(zhēng)光，張成龍.基于高分二號(hào)-NDVI的大豆遙感估產(chǎn)的時(shí)相選擇[J].湖北農(nóng)業(yè)科學(xué)，2018，57（6）：103-108.

[25]劉頊，張新華，王德錦，等. 基于積溫的山東省東阿縣夏玉米精細(xì)化農(nóng)業(yè)氣候區(qū)劃[J]. 農(nóng)業(yè)災(zāi)害研究， 2016， 6（7）： 32-34.

[26]王森，張山清，王雪姣，等. 冬前積溫對(duì)新疆冬小麥適宜播期的影響[J]. 新疆農(nóng)業(yè)科技， 2016（5）： 1-2.

[27]王秋菊，張玉龍，劉峰. 黑龍江省水稻品種跨積溫區(qū)種植的產(chǎn)量和品質(zhì)變化[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 2013， 24（5）： 1381-1386.

[28]王利民，劉佳，楊福剛，等.冬小麥非監(jiān)督分類結(jié)果的類別選擇研究[J].中國(guó)農(nóng)學(xué)通報(bào)，2019，35（6）： 134-142.

[29]張煥雪，曹新，李強(qiáng)子，等.基于多時(shí)相環(huán)境衛(wèi)星 NDVI 時(shí)間序列的農(nóng)作物分類研究[J].遙感技術(shù)與應(yīng)用，2015，30（2）：304-311.

[30]田海峰，鄔明權(quán)，牛錚，等.基于Radarsat-2 影像的復(fù)雜種植結(jié)構(gòu)下旱地作物識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（23）：154-159.

[31]蘇偉，姜方方，朱德海，等.基于決策樹和混合像元分解的玉米種植面積提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（9）：289-295，301.

[32]馬麗，顧曉鶴，徐新剛，等.地塊數(shù)據(jù)支持下的玉米種植面積遙感測(cè)量方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（8）：147-151.

[33]許青云，楊貴軍，龍慧靈，等.基于MODIS NDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（11）：134-144.