基于多時相MODIS數(shù)據(jù)監(jiān)測水、旱作物種植面積及空間分布

姜藍齊，王 萍，姜麗霞，宮麗娟，于成龍，李秀芬

（1黑龍江省氣象科學研究所，哈爾濱 150030；2中國氣象局東北地區(qū)生態(tài)氣象創(chuàng)新開放實驗室，哈爾濱 150030）

0 引言

農(nóng)田作物信息的快速提取與解析，是精準農(nóng)業(yè)實踐的基礎(chǔ)和前提。其中農(nóng)作物種植面積遙感提取是作物估產(chǎn)的基本要素，作物空間分布是研究其時空動態(tài)變化的基礎(chǔ)，及時準確獲取上述信息不僅在農(nóng)業(yè)生產(chǎn)管理、農(nóng)業(yè)政策規(guī)劃等方面具有重要作用，也是理解農(nóng)業(yè)對全球變化影響和歸因的重要內(nèi)容[1-4]。黑龍江省是中國農(nóng)業(yè)大省，農(nóng)作物面積和產(chǎn)量作為制定糧食政策和經(jīng)濟計劃的重要依據(jù)，受到政府部門的高度重視。近年來，在經(jīng)濟和氣候變暖的雙重影響下，黑龍江省水田和旱田作物種植面積及其空間分布發(fā)生顯著變化[5-6]，而準確快速地掌握作物種植面積及其時空分布，可為輔助政府有關(guān)部門制定合理的糧食保障政策提供基礎(chǔ)依據(jù)。

隨著衛(wèi)星遙感技術(shù)的迅速發(fā)展，多傳感器、多時間分辨率和多空間分辨率的遙感數(shù)據(jù)已經(jīng)廣泛應(yīng)用于農(nóng)作物種植遙感提取中，并取得長足進展[7-10]。目前，中高分辨率衛(wèi)星如Landsat、SPOT、HJ-1/2、GF-1等數(shù)據(jù)由于其較高的空間分辨率提高農(nóng)作物分類識別的準確度而占有優(yōu)勢[11-17]，但其回訪周期長（時間分辨率低）、覆蓋范圍小、成本高的特點又限制了在農(nóng)業(yè)遙感中的應(yīng)用。MODIS數(shù)據(jù)具有回訪周期短、更新快、易獲取、覆蓋范圍廣等優(yōu)勢，在大范圍作物監(jiān)測、分類提取、估產(chǎn)與預(yù)報研究中被國內(nèi)外學者廣泛應(yīng)用。如Lobell和Asner[18]、林文鵬等[19]、熊勤學和黃敬峰[20]利用時間序列MODIS NDVI數(shù)據(jù)分別通過混合像元分解法、Fuzzy ARTMAP神經(jīng)網(wǎng)絡(luò)法和BP神經(jīng)網(wǎng)絡(luò)法進行作物提取研究；閆峰等[21]構(gòu)建MODIS地表溫度與增強植被指數(shù)時間序列數(shù)據(jù)，采用ISODATA非監(jiān)督分類方法識別冬小麥；劉珺和田慶久[22]利用最大似然法對MODIS EVI時間序列數(shù)據(jù)進行分類，基于掩膜處理和決策樹規(guī)則提取夏玉米和夏棉花；平躍鵬和臧淑英[23]對MODIS NDVI時序數(shù)據(jù)進行支持向量機(SVM)分類，結(jié)合物候參數(shù)和歸一化水體指數(shù)(NDWI)提取玉米、水稻和大豆；Xiao[24-25]和Zhang等[26]利用MODIS計算歸一化雪指數(shù)(NDSI)、歸一化植被指數(shù)(NDVI)、增強植被指數(shù)(EVI)等建立掩膜規(guī)則提取水稻；Wardlow和Egbert[27]、Zhong等[28]、Wang等[29]分別用MODIS數(shù)據(jù)建立決策規(guī)則對美國大平原、巴西南部巴拉那州、美國密蘇里西部和堪薩斯等地區(qū)作物分布進行制圖。綜上可見，MODIS數(shù)據(jù)在大范圍作物監(jiān)測、提取研究中發(fā)揮了重要作用，主要通過不同方法結(jié)合不同植被指數(shù)、作物物候等信息實現(xiàn)。但由于分類方法多樣、尺度敏感性等問題，使得目前作物遙感提取研究尚未系統(tǒng)地梳理，難以開展普適性研究和廣泛應(yīng)用。

從農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運行的角度出發(fā)，需要通過研究區(qū)作物發(fā)育期特征標準時間曲線，建立適合時間/時相影像的快速、直觀分類方法，以提高業(yè)務(wù)運行效率，實現(xiàn)大宗作物的準確識別問題?；诖?，筆者在前人研究基礎(chǔ)上，選取適用性廣、代表性強的3個指標——歸一化植被指數(shù)(NDVI)、增強植被指數(shù)(EVI)、地表水指數(shù)(LSWI)用于識別水稻和旱田作物，通過構(gòu)建作物發(fā)育期特征標準曲線結(jié)合黑龍江省作物積溫條件選取作物關(guān)鍵發(fā)育期影像，構(gòu)建決策規(guī)則，最終實現(xiàn)黑龍江省水稻、旱田的分類監(jiān)測提取。本文的特色之處在于引用作物生長發(fā)育所需積溫條件確定關(guān)鍵發(fā)育期影像，以期為解決大范圍作物識別中使用統(tǒng)一決策規(guī)則造成的局地識別精度低、差異性大的問題提供了一種可行思路。

1 研究區(qū)概況

黑龍江省位于中國東北部地區(qū)，經(jīng)緯度范圍為45°06′—52°36′N、123°42′—134°45′E（圖1）。地貌上西部為松嫩平原、東部為三江平原，地面起伏平緩，土層深厚，利于大型農(nóng)業(yè)機械作業(yè)，為農(nóng)業(yè)發(fā)展提供了良好的條件；研究區(qū)是世界三大黑土帶之一，土壤農(nóng)業(yè)生產(chǎn)能力較高；農(nóng)作物熟制以一年一熟為主，主要作物有玉米、水稻、大豆，是中國重要的商品糧基地。研究區(qū)屬于寒溫帶—溫帶濕潤—半濕潤季風氣候，南北溫差大，1月平均氣溫-31～15℃，7月為16～23℃，無霜期3～4個月，年平均降水量300～700 mm。

圖1 研究區(qū)示意圖

2 數(shù)據(jù)來源與處理

2.1 MODIS數(shù)據(jù)獲取及處理

本文采用MOD09Q1反射率數(shù)據(jù)，來源于美國地球數(shù)據(jù)中心(http://earthdata.nasa.gov/)，行列號為h25v03、h26v03、h26v04、h27v04，空間分辨率為250、500 m，該反射率數(shù)據(jù)經(jīng)過8天最大值合成(Maxmum Value Composite,MVC)處理。研究時段為2017年第129天至273天中的17個時相，包括整個作物生長周期。利用MODIS產(chǎn)品批處理工具MRT(Modis Reprojection Tool)軟件對下載影像進行空間拼接、投影轉(zhuǎn)換及重采樣處理，統(tǒng)一輸出為Albers投影，空間分辨率為250 m的數(shù)據(jù)。

利用ENVI 5.5.2軟件計算歸一化植被指數(shù)(NDVI)、增強植被指數(shù)(EVI)和地表水指數(shù)(LSWI)，計算如式(1)～(3)所示，其中ρnir為近紅外波段、ρred為紅光波段、ρblue為藍光波段、ρswir為短波紅外波段。

2.2 高分數(shù)據(jù)獲取及處理

采用的高分一號(GF-1)數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心，考慮研究區(qū)天氣狀況、影像質(zhì)量以及作物物候特征，下載2017年作物成熟收獲時期覆蓋松嫩平原與三江平原主要種植區(qū)GF-1 WFV影像共16景，空間分辨率為16 m。利用ENVI 5.5.2軟件對L1級數(shù)據(jù)依次進行正射校正、輻射定標、FLAASH大氣校正、幾何校正，對相鄰影像進行融合，完成數(shù)據(jù)預(yù)處理。結(jié)合野外實地調(diào)查，對2017年GF-1 WFV影像進行目視解譯，獲取覆蓋黑龍江省各積溫帶森林、草地、濕地、水域、水稻、旱田樣本。

2.3 作物發(fā)育期和氣象數(shù)據(jù)

（1）逐日平均氣溫。黑龍江省2017年逐日平均氣溫數(shù)據(jù)來自于黑龍江省氣候中心，共包括基準氣象站（或基本氣象站）80個，統(tǒng)計無霜期內(nèi)連續(xù)≥10℃平均氣溫累加結(jié)果，得到研究區(qū)≥10℃活動積溫。采用克里金插值方法，實現(xiàn)研究區(qū)≥10℃活動積溫的空間表達，并劃分為6個積溫帶（圖2）。

圖2 黑龍江省積溫帶劃分空間分布

（2）作物發(fā)育期數(shù)據(jù)。來源于黑龍江省氣象科學研究所農(nóng)業(yè)試驗站，包括44個農(nóng)業(yè)氣象站點2013—2017年玉米、大豆、水稻的全發(fā)育期時間。按照站點所處積溫帶及作物種類匯總黑龍江省水稻、旱田作物發(fā)育期時間（圖3）。

圖3 黑龍江省水稻、旱田作物發(fā)育期

2.4 作物樣點及精度驗證數(shù)據(jù)

（1）土地利用數(shù)據(jù)。數(shù)據(jù)來源有2個，一個是2015年中國土地利用現(xiàn)狀遙感監(jiān)測數(shù)據(jù)，來源于中國科學院地理科學與資源研究所，該數(shù)據(jù)基于Landsat 8遙感影像，通過人工目視解譯生成，土地利用類型包括耕地、林地、草地、水域、居民地和未利用土地6個一級類型以及25個二級類型，其中耕地分為水田和旱田（圖4a）。另一個是全球30 m地表覆蓋數(shù)據(jù)集(GlobelLand30)，來源于國家基礎(chǔ)地理信息中心，該數(shù)據(jù)集包含10個主要的地表覆蓋類型，分別是耕地、森林、草地、灌木地、濕地、水體、苔原、人造地表、裸地、冰川和永久積雪（圖4b）。

圖4 黑龍江省土地利用空間分布圖

（2）精度驗證數(shù)據(jù)。野外實地調(diào)研數(shù)據(jù)獲取時間為2017年7月，包括松嫩平原、三江平原作物樣點，其中水稻田88個、旱田147個。農(nóng)作物播種面積來源于2018年《黑龍江統(tǒng)計年鑒》[30]。

3 方法與結(jié)果

3.1 發(fā)育期下墊面植被指數(shù)特征曲線

水稻和旱地在移栽期的水分和生長期植被指數(shù)的變化（NDVI、EVI和LSWI）是水稻區(qū)別于旱地和其他植被的重要特征，本研究利用該特征實現(xiàn)水稻和旱地的識別?；贏rcGIS 10.2軟件，提取黑龍江省林地、草地、濕地、水域、水田、旱田樣點發(fā)育期（第129～273天中的17個時相）NDVI、EVI和LSWI，計算各類樣點不同時像NDVI、EVI和LSWI平均值，繪制特征曲線，如圖5所示。圖5a為各下墊面NDVI特征曲線，可以看出，在第121～169天林地和水體的NDVI值與草地、濕地、耕地有明顯差異，表現(xiàn)為林地NDVI值顯著高于其他下墊面，而水體NDVI值顯著低于其他下墊面，因此可以通過NDVI值構(gòu)建公式去除林地和水體。圖5b為濕地、草地、旱地和水稻EVI特征曲線，可知在第121～169天濕地和草地的EVI值大于耕地，第193～233天濕地和草地的EVI值小于耕地，因此可以通過EVI值對濕地/草地和耕地進行區(qū)分。圖5c為水稻和旱地LSWI特征曲線，可知水稻發(fā)育期LSWI值大于旱地，其中第121～161天水稻與旱地LSWI差異最大，主要表現(xiàn)為水稻LSWI大于0，旱地小于0，可以通過LSWI區(qū)分水稻和旱地。

圖5 黑龍江省不同下墊面NDVI指數(shù)特征曲線

由于黑龍江省地跨6個積溫帶（圖2），黑龍江省西部松嫩平原處于1、2積溫帶，熱量條件最好；東部三江平原處以3、4積溫帶為主；北部黑河市、伊春市、大興安嶺地區(qū)處于5、6積溫帶，熱量條件較差。由于熱量條件的限制，全省三大主要作物（玉米、大豆、水稻）所處積溫帶不同，其作物發(fā)育期時間有所差異（圖3），以玉米和大豆為主的旱地在5、6積溫帶播種期晚于1～4積溫帶，而在1、2積溫帶出苗期早于3、4積溫帶；水稻主要種植在1～4積溫帶，播種期在1、2積溫帶為4月中下旬，3、4積溫帶為4月下旬。因此，同一時像不同積溫區(qū)植被指數(shù)將有所差異，在提取全省水稻、旱田作物分布時，充分考慮積溫條件分區(qū)提取，可以通過構(gòu)建真實作物發(fā)育期特征曲線提高分類精度。綜上，在提取耕地與其他，水稻和旱田分類中，按樣點所處積溫帶統(tǒng)計作物發(fā)育期EVI（圖6）和LSWI指數(shù)特征曲線（圖7），結(jié)合積溫條件，選取不同時像和參數(shù)依次提取耕地、水稻和旱地。

如在1、2積溫帶（圖6a），第153天和161天草地和濕地EVI指數(shù)均大于0.2，明顯高于水稻和旱地，而在第193～241天草地和濕地EVI指數(shù)均小于0.5，明顯低于水稻和旱地，因此可通過構(gòu)建決策樹規(guī)則EVI153d＞0.2且EVI209d＜0.5區(qū)分第1、2積溫帶濕地/草地和水稻/旱地。在3、4積溫帶（圖6b），由于第169天之前濕地與水稻/旱地EVI指數(shù)沒有顯著區(qū)分，第193～233天草地/濕地EVI指數(shù)均小于0.6，明顯低于水稻/旱地，因此以EVI209d＜0.6為指標區(qū)分第3、4積溫帶濕地/草地和水稻/旱地。在5、6積溫帶（圖6c），濕地/草地EVI指數(shù)在第129～169天均大于0.2，顯著高于水稻/旱地，因此以EVI153d＞0.2為指標區(qū)分濕地/草地與水稻/旱地。

圖6 不同積溫帶濕地/草地和耕地EVI特征曲線

在1、2積溫帶（圖7a），第129～169天水稻與旱地LSWI有顯著差異，表現(xiàn)為水稻LSWI指數(shù)小于0.1，旱地LSWI指數(shù)大于0.1，因此構(gòu)建指標LSWI145d＞0.1判別第1、2積溫帶水稻和旱地。在3、4積溫帶（圖7b），水稻和旱地LSWI指數(shù)在第129～169天差異表現(xiàn)為是否大于0，因此以LSWI145d＞0判別第3、4積溫帶水稻和旱地。在5、6積溫帶，第153～169天水稻LSWI指數(shù)大于0而旱地LSWI指數(shù)小于0，因此選取LSWI153d＞0判別第5、6積溫帶水稻和旱地。

圖7 不同積溫帶水稻和旱地LSWI特征曲線

3.2 決策樹規(guī)則構(gòu)建與提取結(jié)果

綜上，通過下墊面植被指數(shù)特征曲線的分析，結(jié)合作物關(guān)鍵發(fā)育期和積溫條件，選取相應(yīng)時像，構(gòu)建決策樹規(guī)則，在ENVI 5.5.2軟件中實現(xiàn)。具體操作步驟為ENVI Classic-Classification-Decision Tree-Build New Decision，流程詳見圖8，提取結(jié)果如圖9所示。

圖8 分類決策樹

圖9 基于MODIS數(shù)影像的分類結(jié)果

可以看出耕地集中分布在黑龍江省西部松嫩平原與東部三江平原，整體來看旱地種植面積大于水稻，松嫩平原以旱作農(nóng)業(yè)為主，三江平原水稻種植面積較為廣泛，分類結(jié)果空間分布與黑龍江省土地利用圖（圖4）大體一致?；贏rcGIS 10.2統(tǒng)計水稻、旱地面積分別為31439.70、115452.39 km2。具體在空間分布上，中北部地區(qū)黑河市、伊春市，南部牡丹江市以旱地為主，本研究分類結(jié)果空間上少于土地利用分類結(jié)果；東部三江平原，本研究分類結(jié)果水稻面積整體略高于土地利用分類結(jié)果。

3.3 水田、旱田分類結(jié)果精度驗證

基于ENVI 5.5.2，以2017年野外實地調(diào)查獲取的地面驗證樣點對分類結(jié)果進行混淆矩陣精度驗證。具體操作流程為：ENVI Classic-Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。表1為混淆矩陣驗證結(jié)果，分類結(jié)果的總體精度為90.68%，Kappa系數(shù)為0.81，其中旱地制圖精度(98.46%)高于水稻制圖精度；水稻的用戶精度(97.73%)高于旱地，分類結(jié)果精度均較高。

表1 分類結(jié)果混淆矩陣精度評價表

4 討論

在基于遙感影像識別作物類型的研究中，判識指標的選取和分類結(jié)果精度驗證的準確性是決定分類結(jié)果準確與否的2個關(guān)鍵點。這也是本研究過程中的難點問題，值得深入討論。

（1）在已有研究中，水稻、旱田判識指標多選取關(guān)鍵期影像，基于不同植被指數(shù)構(gòu)建決策規(guī)則，該判識指標可以實現(xiàn)作物分類的快速提取，但在大范圍作物提取研究中會存在局地作物識別精度低、不夠準確的問題。基于此本研究加入了積溫條件來界定局地關(guān)鍵期影像的選取，以提高大范圍作物局地空間提取精度。為研究積溫條件的引入對分類結(jié)果精度提高的作用，筆者討論了不考慮積溫條件，構(gòu)建決策樹規(guī)則提取的水稻和旱田與本研究結(jié)果的差異，進一步明確積溫條件對提取水稻、旱地分類結(jié)果精度提高的重要性。

積溫條件引入對分類結(jié)果精度的影響。本文重建不考慮積溫條件的決策樹規(guī)則提取水稻和旱田，與本研究結(jié)果進行比較分析。具體流程為：以圖4黑龍江省不同下墊面植被特征曲線為標準建立決策樹規(guī)則，通過0.2＜NDVI129d＜0.1去除林地和水域，再通過EVI153d＞0.2且EVI209d＜0.6區(qū)分濕地/草地與水稻/旱地，最后通過LSWI145d＞0區(qū)分水稻和旱地，提取結(jié)果如圖10a所示。與本研究考慮積溫條件提取結(jié)果相比（圖10b），可以看出耕地空間分布趨勢與實際情況大體吻合，均分布在西部松嫩平原與東部三江平原地區(qū)，其中旱地面積均大于水稻種植面積，但整體來看耕地面積明顯大于實際情況，如黑龍江北部黑河市、大興安嶺地區(qū)；且東部、西部地區(qū)耕地成集中連片趨勢，空間精細化程度不夠。

圖10 水稻、旱地提取結(jié)果

以2017年野外實地調(diào)查獲取的地面驗證樣點對分類結(jié)果進行混淆矩陣精度驗證，結(jié)果表明總體精度為77.91%，Kappa系數(shù)為0.60，其中水稻制圖精度為58.56%，用戶精度為90.28%；旱地制圖精度為92.52%，用戶精度為90.07%。與充分考慮積溫條件相比，總體分類結(jié)果精度減少了12.77%，水稻制圖精度減少了22.57%，旱地制圖精度減少了5.94%。但在不考慮積溫條件下，提取的水稻和旱地用戶精度偏高，這可能是提取結(jié)果集中連片、空間精細化程度不夠，覆蓋野外實地樣點所致。

（2）目前已有研究在作物提取精度驗證中多采用混淆矩陣進行精度評價，缺少作物種植面積的精度驗證，尤其是缺少實際作物面積數(shù)據(jù)的支持?；诖?，本研究進行了分類結(jié)果面積的精度驗證，比較分析作物實際播種面積、基于遙感影像提取的土地利用類型分類面積與本文分類結(jié)果的差異。

作物提取面積一致性評定。本研究以《黑龍江省統(tǒng)計年鑒》[30]記載的播種面積作為實際作物面積；將基于Landsat 8提取的土地利用類型圖作為遙感影像提取作物面積，與本研究提取結(jié)果進行對比?；贏rcGIS 10.2，按照所轄市統(tǒng)計面積結(jié)果，如表2所示。整體來看，基于Landsat 8遙感影像提取的水稻和旱地面積高于本研究提取結(jié)果和統(tǒng)計年鑒記載資料，其中水稻面積為32034.19 km2，與本研究結(jié)果相對誤差為1.85%，與統(tǒng)計年鑒結(jié)果相對誤差為22.04%；旱地面積為133945.79 km2，與本研究結(jié)果相對誤差為13.80%，與統(tǒng)計年鑒結(jié)果相對誤差為13.68%?！逗邶埥〗y(tǒng)計年鑒》中記載的水稻、旱地播種面積低于基于Landsat 8遙感影像與本研究提取結(jié)果，其中水稻播種總計面積溫24972.88 km2，與本研究結(jié)果相對誤差為25.89%，與Landsat 8提取結(jié)果相對誤差為28.27%；旱地播種總面積為115614.90 km2，本研究結(jié)果相對誤差為0.14%，與Landsat 8提取結(jié)果相對誤差為15.85%。可見，本研究提取的水稻種植總面積與基于遙感影像提取的結(jié)果一致性較好，而提取的旱地種植總面積與基于統(tǒng)計年鑒記載的結(jié)果一致性較好。

表2 黑龍江省水稻、旱田面積一致性評定

圖11 為黑龍江省各轄區(qū)水稻、旱地面積趨勢對比，可以更清晰直觀地表達各轄區(qū)水稻和旱地作物面積差異。圖11a整體看來，統(tǒng)計年鑒、遙感影像和本研究結(jié)果各市轄區(qū)旱地面積趨勢大致相同，其中統(tǒng)計年鑒記載面積整體小于遙感影像和本研究提取結(jié)果，僅大興安嶺地區(qū)統(tǒng)計年鑒記載結(jié)果大于兩者；各市轄區(qū)來看，齊齊哈爾和綏化地區(qū)遙感影像與本研究提取面積一致性較好，均大于統(tǒng)計年鑒記載面積；雞西、牡丹江、黑河地區(qū)本研究結(jié)果與統(tǒng)計年鑒結(jié)果一致性較好，均小于遙感影像提取面積；哈爾濱、鶴崗、雙鴨山、佳木斯地區(qū)旱地面積提取結(jié)果均表現(xiàn)為遙感影像大于本研究結(jié)果大于統(tǒng)計年鑒記載。圖11b整體來看，水稻種植面積本文提取結(jié)果與遙感影像一致性較好，統(tǒng)計年鑒播種面積在雞西、鶴崗、雙鴨山、佳木斯地區(qū)明顯小于本文和遙感影像提取面積，可能是統(tǒng)計年鑒各轄區(qū)記載面積沒有包括農(nóng)墾總局導(dǎo)致的。

圖11 黑龍江省各轄區(qū)水稻、旱地面積趨勢對比

綜上，目前在作物提取面積精度驗證中仍然存在很大的不確定，雖然提取結(jié)果與實際記載播種面積有很強的相關(guān)性，但現(xiàn)有研究基于遙感影像提取的分類結(jié)果面積普遍大于實際作物播種面積；且基于不同方法和不同分辨率的遙感影像提取的面積結(jié)果也有明顯差異。同時由于MODIS數(shù)據(jù)受分辨率的影像，在作物面積提取中如何考慮混合像元分解問題，提高面積提取精度，都是在以后的研究中需要進一步解決的問題。

（3）在本研究中還存在一些不確定性需要進一步討論和解決。如雖然筆者以實地調(diào)查樣點的驗證結(jié)果分類精度較高，但仍需要進一步討論基于本研究方法提取結(jié)果的準確性；以GF-1號數(shù)據(jù)為基準提取了森林、草地、濕地、水域、旱地和水稻樣點用于植被指數(shù)特征曲線的分析，可能會在制圖、目視解譯過程中產(chǎn)生一定誤差。

5 結(jié)論

使用多時像高時間分辨率MODIS09Q1數(shù)據(jù)，結(jié)合作物物候特征，在前人研究基礎(chǔ)上引入積溫條件，建立參考NDVI、EVI和LSWI時序植被指數(shù)曲線，構(gòu)建決策樹規(guī)則提取水稻和旱地。研究結(jié)果表明：

（1）該方法可以實現(xiàn)全省范圍水稻和旱田的快速有效提取，識別作物的總體精度為90.68%；水稻、旱地制圖精度分別為81.13%、98.46%，用戶精度分別為97.73%、87.07%。

（2）分類結(jié)果顯示黑龍江省耕地集中分布在西部松嫩平原與東部三江平原，其中旱地種植面積大于水稻，松嫩平原以旱作農(nóng)業(yè)為主，三江平原水稻種植面積較為廣泛，分類結(jié)果空間分布與黑龍江省土地利用分類結(jié)果空間一致性強。

（3）積溫條件的引入有效提高了水稻、旱田的識別精度，其中總體提取精度提高12.77%，水稻制圖精度提高22.57%，旱地制圖精度提高5.94%。