农作物种植面积是农业调查的一项重要指标,将统计抽样调查技术与遥感技术相结合,综合二者优势而发展起来的空间抽样技术在农作物种植面积测算方面已得到广泛应用。但是,由于遥感信息中普遍存在混合像元,空间抽样方法在我国的研究与应用中,尚缺乏对这种遥感信息不确定性的考虑,抽样调查的总体精度难以得到保障。以面积规模为辅助变量的空间分层抽样方法,在遥感抽样调查过程中忽视了遥感影像本身的光谱特征,无法反映混合像元对抽样精度的内在影响。在一些种植结构较为破碎的地区,辅助变量与目标变量的相关程度较低,区域总量反推结果的精度与稳定性也因此受到影响。　　 本研究选择北京市大兴区冬小麦实验区作为研究对象,采用2006年的中分辨遥感图像为研究数据,以同期的高分辨率影像数字化结果作为面积真值,探讨了不同空间尺度下空间分层抽样设计中分层指标的优化选择。研究围绕如何选择合适的分层指标进行区域总量反推这一核心问题,首先分析了不同格网尺寸下不同分层指标与真值结果的相关性,然后在固定格网尺寸下选择两种相关性较高的分层指标进行区域总量反推,并对不同的抽样设计方法进行了结果比较分析。研究主要得到以下结论:　　 (1)在冬小麦种植结构较为破碎的地区,面积规模、NDVI、SVM分类后验概率指标与面积真值均具有较好的相关性。在空间格网尺寸较小的情况下,SVM分类后验概率指标的相关性更强；随着格网尺寸的增加,面积规模指标的相关性更好。不同指标相关性的差异有利于选择不同格网尺寸下更为合适的分层标志。　　 (2)通过空间分层随机抽样发现,相较于面积规模指标,SVM分类后验概率方法能够有效识别混合像元,并根据像元中冬小麦的种植丰度给像元赋值,在此基础上得到的区域总量反推的精度与稳定性更高。由于格网空间尺寸的增加降低了混合像元带来的误差,分层抽样结果也验证了SVM方法在格网尺寸较小的情况下的相关性优势更明显的结论。　　 (3)空间分层抽样结果分析表明,分层抽样能够有效提高冬小麦面积测量精度,抽样比率的增加能够提高抽样的精度与稳定性。在同时达到最优分层条件的情况下,SVM方法比面积规模方法的反推结果具有更好的精度与稳定性；在总抽样比相同的情况下,使用Neyman公式进行样本分配,能够得到更高的反推精度与稳定性。　　 农作物种植面积是农业调查的一项重要指标,将统计抽样调查技术与遥感技术相结合,综合二者优势而发展起来的空间抽样技术在农作物种植面积测算方面已得到广泛应用。但是,由于遥感信息中普遍存在混合像元,空间抽样方法在我国的研究与应用中,尚缺乏对这种遥感信息不确定性的考虑,抽样调查的总体精度难以得到保障。以面积规模为辅助变量的空间分层抽样方法,在遥感抽样调查过程中忽视了遥感影像本身的光谱特征,无法反映混合像元对抽样精度的内在影响。在一些种植结构较为破碎的地区,辅助变量与目标变量的相关程度较低,区域总量反推结果的精度与稳定性也因此受到影响。　　 本研究选择北京市大兴区冬小麦实验区作为研究对象,采用2006年的中分辨遥感图像为研究数据,以同期的高分辨率影像数字化结果作为面积真值,探讨了不同空间尺度下空间分层抽样设计中分层指标的优化选择。研究围绕如何选择合适的分层指标进行区域总量反推这一核心问题,首先分析了不同格网尺寸下不同分层指标与真值结果的相关性,然后在固定格网尺寸下选择两种相关性较高的分层指标进行区域总量反推,并对不同的抽样设计方法进行了结果比较分析。研究主要得到以下结论:　　 (1)在冬小麦种植结构较为破碎的地区,面积规模、NDVI、SVM分类后验概率指标与面积真值均具有较好的相关性。在空间格网尺寸较小的情况下,SVM分类后验概率指标的相关性更强；随着格网尺寸的增加,面积规模指标的相关性更好。不同指标相关性的差异有利于选择不同格网尺寸下更为合适的分层标志。　　 (2)通过空间分层随机抽样发现,相较于面积规模指标,SVM分类后验概率方法能够有效识别混合像元,并根据像元中冬小麦的种植丰度给像元赋值,在此基础上得到的区域总量反推的精度与稳定性更高。由于格网空间尺寸的增加降低了混合像元带来的误差,分层抽样结果也验证了SVM方法在格网尺寸较小的情况下的相关性优势更明显的结论。　　 (3)空间分层抽样结果分析表明,分层抽样能够有效提高冬小麦面积测量精度,抽样比率的增加能够提高抽样的精度与稳定性。在同时达到最优分层条件的情况下,SVM方法比面积规模方法的反推结果具有更好的精度与稳定性；在总抽样比相同的情况下,使用Neyman公式进行样本分配,能够得到更高的反推精度与稳定性。