论文部分内容阅读
摘要综合考虑大面积水稻种植区耕地地块破碎，种植结构复杂，插花、套种、错季种植现象明显，影像解译、分类难度大等特点，充分利用国产卫星GF1数据，以湖南省中稻种植为例，通过精确作物识别与混合像元处理，实现像元尺度的中稻识别；结合国土资源土地调查数据，统计中稻的像元数量与丰度（种植面积比）水平，并扣除耕地图斑内的非耕地成份，建立中稻种植面积估算模型，最终得到精确到县级报告单元的种植面积估算结果。结果表明：通过遥感数据估算面积和地面样方调查计算结果的可决系数达到0.869 6，说明遥感监测方法在湖南省中稻种植面积估算中行之有效。GF1卫星遥感数据的空间分辨率、波段覆盖范围、影像覆盖能力等能满足大面积农作物种植面积监测要求，基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法可用于省级、区域级的粮食种植面积遥感监测。
关键词遥感监测；大面积；中稻；种植面积
中图分类号S127文献标识码A文章编号0517-6611（2016）04-309-05
The Remotesensing Monitoring Methods of Rice Planting Area in Hunan Province
TAO Qingshan， HUANG Fei， LEI Fan et al（Land and Resources Planning Institute of Hunan Province， Changsha， Hunan 410007）
AbstractThe rice planting area has the characteristics of broken block of cultivated land， complex planting structure， significant growing phenomena of interplanting and planting in different seasons， difficult interpretation and classification of images. With semilate rice planting in Hunan Province as the research material， semilate rice identification of pixel scale was realized through accurate crop identification and mixed pixel treatment based on the data of domestic satellite GF1. According to the spot data of territorial resources， pixel quantity and abundance level of semilate rice were researched. After deducing the noncultivated land ingredients from the cultivated land figure spot， estimation model of semilate rice planting area was established. Finally， the estimation results of planting area at county level were obtained. Results showed that the coefficient of determination was 0.869 6， showing that the remotesensing monitoring method was effective in estimating the semilate rice planting area in Hunan Province. The spatial resolution， band coverage and image coverage of GF1 satellite remote sensing data could meet the requirements of largescale monitoring of crop planting area. The method of filed investigation based on samplingsurveying technology combining with image classification could be used for remote sensing monitoring of grain planting area at region level and province level.
Key wordsRS monitoring， Large area； Semilate rice； Planting area
隨着工业化和城镇化的推进，耕地面积在一定时期内将持续减少，同时，农作物继续稳定增产的难度加大，粮食安全压力大。农作物种植面积是影响农产品产量的重要因素之一[1]，湖南省是我国水稻种植大省，及时、准确地掌握全省水稻种植面积，为农业政策制定、粮食安全分析、农产品市场调控以及调整粮食种植补贴的发放政策提供辅助决策支持显得尤为重要。遥感技术通过卫星对地观测方式，具有大范围地面目标识别能力，能快速、准确、客观地反映地表信息，现已广泛应用于作物种植面积监测中。湖南省耕地地块破碎，中低分辨率遥感影像难以凑效；种植结构复杂，插花、套种、错季种植现象明显，特别是中稻种植期与早晚稻种植期均有重叠，影像解译、分类难度大。根据湖南省地理、气候特征，研究适合湖南省的水稻种植面积遥感监测方法意义重大。笔者选取2014年6月10日～8月10日湖南省GF1遥感影像数据，研究大面积基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法，为农业政策制定、粮食安全分析等决策服务。 1数据来源与研究方法
1.1研究区概况湖南省地处长江中游南部，地理坐标为108°47′～114°15′ E、24°39′～30°08′ N。全省地貌以山地、丘陵为主，山地面积占全省面积的51.25%，丘陵盆地占2930%，平原占13.10%，水面占6.40%。全省土地总面积2118万 km2，其中耕地面积约 4.14万km2。全省水热充足、冬寒期短、无霜期长，水稻是主要的粮食作物，播种面积占全国水稻播种面积的13%左右，产量占湖南省粮食总产量的89%[2]， 其种植结构主要是双季稻或一季稻，其中一季稻主要分布在湖南西北部，移栽主要是 6 月初～ 9 月初，双季稻主要分布在湖南东北及中部， 早稻生长季主要是5月初～7月中下旬，晚稻主要是7月下旬种植到11月收获[3]。
1.2数据来源与预处理根据湖南省中稻的物候历及遥感影像的质量，选购了2014年6月10日～8月10日获取的覆盖全省的GF1数据，该影像2 m分辨率全色和8 m分辨率多光谱图像组合幅宽优于60 km，16 m分辨率多光谱图像组合幅宽优于800 km，可以在更短的时间内对一个地区重复拍照，重复周期为4 d，波段覆盖的范围为0.45～0.89 μm，划分为红绿蓝和近红外4个波段。同时，为了保证遥感数据能够覆盖研究区域，适当补充HJ1数据。
监测范围为湖南省耕地范围内，其耕地分布数据来源于国土资源土地调查数据—2013年湖南省土地利用变更数据。2013年湖南省耕地空间分布情况见图1。
在分类处理之前，对研究区域影像进行几何纠正、辐射定标、大气校正及植被指数计算。其中，几何纠正、辐射定标、大气校正主要是制作研究区域DOM影像，植被指数是反映地表植被生长状况、覆盖情况、生物量和植被种植特征的间接指标和有效的度量参数，对其计算主要是为了分析研究区域植被结构。
1.3研究方法将遥感技术与GPS导航技术有机结合，在湖南省省级行政单元内，利用国产高分辨率遥感数据和地面调查资料，通过精确作物识别与混合像元处理，实现像元尺度的中稻识别。在此基础上，基于国土资源二调图斑数据，通过统计中稻的像元数量与丰度（种植面积比）水平，并扣除耕地图斑内的非耕地成份，建立中稻种植面积估算模型，最终得到精确到县级报告单元的种植面积估算结果。具体流程见图2。
2结果与分析
2.1训练样本获取利用抽样的方法得到样方，然后对样方进行地面调查，获取样方内中稻种植情况。鉴于湖南省省域范围较大，并且不同地区之间内部差异较大，因此采用分层随机抽样方法进行样方的布设，即先将总体各单位按一定标准分成各种类型（或层）；然后根据各类型单位数与总体单位数的比例，确定从各类型中抽取样本单位的数量；最后，按照随机原则从各类型中抽取样本。
第h层样本均值：yh=1nhnhi=1Yhi
第h层总体方差：S2h=1Nh-1Nhi=1（Yhi-Yh）2
总初始样本量：N0=WhS2hV
总体均值估计量的方差：V=（γt）2
总体均值：=Lh=1Whyh
各层样本量分配：nh=nNhN=nWh
式中，下标i表示单元号；下标h表示层号；N0为全省范围内的总初始样本单元量；V为总体均值估计量的方差；Wh为层权；Sh为各层总体方差；t=1.96（置信水平为95%时）；N为总体单元数；Nh为第h层的总体单元数；nh为第h層的样本单元数[4-8]。
得到N0后仍需对其进行修正，获得修正后的总样本单元量n，修正公式同简单随机抽样：
n=N01+N0/N
首先将整个湖南省划分为13 791个4 km×4 km的网格，统计其中水田所占比例，并划分为4个等级（1%～15%、15%～30%、30%～50%、50%～100%），网格比例分别为16.24%、30.91%、40.56%、12.29%，依此划定湖南省地面调查各级样方数量为22、42、55、16，合计135个（图3）。
在每个样方内，结合湖南省耕地空间分布数据，实地勾绘每个地块的边界，并实地填写不同地块的作物类别。
2.2影像分类由于必须对湖南省全省的遥感数据进行解译，同时要求效率高并考虑物候特征控制精度，因此，其影像分类方法必须采用计算机自动分类技术。目前已有的分类技术主要是非监督分类和监督分类两类，包括ISODATA非监督分类、神经网络、支持向量机、专家系统、最大似然分类等分类手段都已经被广泛使用[1，9-11]。比较已有的研究成果，优选出ISODATA非监督分类、最大似然分类、支持向量机以及神经网络4种分类手段作为湖南中稻的分类方法。
根据湖南省中稻种植情况，影像成像时间覆盖两种作物（早稻和中稻或中稻和晚稻）的重叠生长期，中稻和早稻（或中稻和晚稻）在影像上可能表现出相似的光谱特征，通过单景影像实现中稻与早、晚稻的区分将十分困难，因此在样本选择和影像分类过程中均利用多时相数据进行，充分利用了不同季节的水稻在多时相影像上的变化信息，区分中/早稻、中/晚稻。分类过程中，主要区分中稻、早（晚）稻、云、其他等类别，分类流程见图4。
由于湖南的耕地分布较为零碎，混合像元在GF1数据特别是HJ1数据中广泛存在。在湖南省中稻识别过程中，利用地面样方调查所获得的训练样本，主要用于纯像元的识别，主要完成了70%的像元识别。除此之外，还有近30%的混合像元，属于早稻与中稻、中稻与晚稻的混合像元，需要单独予以处理，主要是通过非监督分类方法识别出混合像元。
首先，利用ISODATA非监督分类算法将每一景叠加了植被指数的GF1和HJ1 CCD影像自动分成160类；然后结合地面样本及人工目视解译的方法，按照影像成像时间划分为早稻影像、中稻影像及晚稻影像，并分别将160类自动分类结果聚类为早稻、中稻、晚稻、其他及云等类别，最后利用选定的检验样本对所有非监督分类结果进行精度检验，获取每一景影像分类结果的混淆矩阵。在聚类过程中，重点考虑影像成像时间及早、中、晚稻的物候特征，在早、中、晚稻各自的生长高峰期内，影像上NDVI值较高的像元被聚类为该类型的水稻，而未种植的地块多呈现裸土或水的光谱特征，易于区分。 湖南早中晚稻混合像元提取结合了监督分类结果与非监督分类结果以及经过处理的GF1影像共同确定，具体提取流程及混合像元分解方法见图5。混合像元分解过程中用到的水稻、未种植两种地物端元均从影像上获得，选择水稻种植面积大于100 m×100 m的大面积地块作为水稻端元，未种植区的端元同样从影像上选择。
2.3种植面积估算水稻种植面积的估算首先是通过像元统计方法获得水稻种植的毛面积；然后通过扣除图斑内细小非耕地图斑面积，得到水稻种植的净面积；最后，经过非耕地系数及云污染系数修正得到真实的水稻种植面积，公式如下：
S=S01-rc=np=1Ap×（1-r）1-rc
式中，r代表各统计单元内非耕地系数；rc代表县级行政单元内的云污染系数；n为各统计单元内有水稻种植的像元个数；S代表各统计单元内水稻的种植面积。根据遥感数据，利用上述公式计算得到2014年湖南省各市中稻种植面积遥感监测结果（表1）。
2.4种植面积精度检验种植面积精度检验主要是利用地面样方调查数据检验。通过计算得到样方调查与估算面积对照情况（图7），其平均误差为7.97%，基于2种数据的中稻面积估算结果的可决系数R2达到0.869 6，达到一定的精度要求。
3结论
该研究以GF1数据作为数据源，运用基于抽样技术的地面调查与遥感影像分类相结合提取大面积作物种植面积信息的方法，对湖南省中稻种植面积进行了监测，形成了全省中稻种植空间分布结果，估算了2014年湖南省中稻种植面积，得出以下结论：
（1）基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法适合大面积粮食种植面积监测，可以用于省级、区域级粮食种植面积遥感监测，估算粮食种植面积，为农业政策制定、粮食安全分析等决策服务。
（2）国产GF1卫星遥感数据空间分辨率、波段覆盖的范围、影像覆盖能力能够满足大面积粮食监测要求，可以逐步推广其在农作种植面积监测中的应用。
（3）为了保证监测精度，大面积粮食种植面积遥感监测一般在特定地类，比如旱地、水田或者耕地进行详细解释，因此，基础数据的精度对监测结果影响比较大。
参考文献
[1] 吴炳方.中国农情遥感速报系统[J].遥感学报.2004.8（6）：481-497.
[2] 青先国， 艾治勇.湖南水稻种植区域化布局研究[J].农业现代化研究，2007，28（6）：704-708.
[3] PENG D L， HUETE A R， HUANG J F， et al.Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J].International journal of applied earth observation and geoinformation， 2011， 13（1）： 13-23.
[4] 金勇进，杜子芳，蒋妍.抽样技术[M].北京：中国人民大学出版社，2000.
[5] 李金昌.應用抽样技术[M].北京：科学出版社，2006.
[6] 杜子芳.抽样技术及其应用[M].北京：清华大学出版社，2005.
[7] RIPLEY B D.Spatial statistics[M].New York： J Wiley&Sons， 1981.
[8] 吴炳方， 李强子.基于两个独立抽样框架的农作物种植面积遥感估算方法[J].遥感学报， 2004， 8（6）： 551-569.
[9] 刘磊，江东，徐敏，等.基于多光谱影像和专家决策法的作物分类研究[J].安徽农业科学，2011，39（25）：15809-15811.
[10] 许文波，田亦陈.作物种植面积遥感提取方法研究进展[J].云南农业大学学报，2005，20（1）：94-98.
[11] 杨鹏，唐华俊，刘佳.作物遥感估产中自动分类研究进展与展望[J].中国农业资源与区划，2000，21（3）：57-60.
关键词遥感监测；大面积；中稻；种植面积
中图分类号S127文献标识码A文章编号0517-6611（2016）04-309-05
The Remotesensing Monitoring Methods of Rice Planting Area in Hunan Province
TAO Qingshan， HUANG Fei， LEI Fan et al（Land and Resources Planning Institute of Hunan Province， Changsha， Hunan 410007）
AbstractThe rice planting area has the characteristics of broken block of cultivated land， complex planting structure， significant growing phenomena of interplanting and planting in different seasons， difficult interpretation and classification of images. With semilate rice planting in Hunan Province as the research material， semilate rice identification of pixel scale was realized through accurate crop identification and mixed pixel treatment based on the data of domestic satellite GF1. According to the spot data of territorial resources， pixel quantity and abundance level of semilate rice were researched. After deducing the noncultivated land ingredients from the cultivated land figure spot， estimation model of semilate rice planting area was established. Finally， the estimation results of planting area at county level were obtained. Results showed that the coefficient of determination was 0.869 6， showing that the remotesensing monitoring method was effective in estimating the semilate rice planting area in Hunan Province. The spatial resolution， band coverage and image coverage of GF1 satellite remote sensing data could meet the requirements of largescale monitoring of crop planting area. The method of filed investigation based on samplingsurveying technology combining with image classification could be used for remote sensing monitoring of grain planting area at region level and province level.
Key wordsRS monitoring， Large area； Semilate rice； Planting area
隨着工业化和城镇化的推进，耕地面积在一定时期内将持续减少，同时，农作物继续稳定增产的难度加大，粮食安全压力大。农作物种植面积是影响农产品产量的重要因素之一[1]，湖南省是我国水稻种植大省，及时、准确地掌握全省水稻种植面积，为农业政策制定、粮食安全分析、农产品市场调控以及调整粮食种植补贴的发放政策提供辅助决策支持显得尤为重要。遥感技术通过卫星对地观测方式，具有大范围地面目标识别能力，能快速、准确、客观地反映地表信息，现已广泛应用于作物种植面积监测中。湖南省耕地地块破碎，中低分辨率遥感影像难以凑效；种植结构复杂，插花、套种、错季种植现象明显，特别是中稻种植期与早晚稻种植期均有重叠，影像解译、分类难度大。根据湖南省地理、气候特征，研究适合湖南省的水稻种植面积遥感监测方法意义重大。笔者选取2014年6月10日～8月10日湖南省GF1遥感影像数据，研究大面积基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法，为农业政策制定、粮食安全分析等决策服务。 1数据来源与研究方法
1.1研究区概况湖南省地处长江中游南部，地理坐标为108°47′～114°15′ E、24°39′～30°08′ N。全省地貌以山地、丘陵为主，山地面积占全省面积的51.25%，丘陵盆地占2930%，平原占13.10%，水面占6.40%。全省土地总面积2118万 km2，其中耕地面积约 4.14万km2。全省水热充足、冬寒期短、无霜期长，水稻是主要的粮食作物，播种面积占全国水稻播种面积的13%左右，产量占湖南省粮食总产量的89%[2]， 其种植结构主要是双季稻或一季稻，其中一季稻主要分布在湖南西北部，移栽主要是 6 月初～ 9 月初，双季稻主要分布在湖南东北及中部， 早稻生长季主要是5月初～7月中下旬，晚稻主要是7月下旬种植到11月收获[3]。
1.2数据来源与预处理根据湖南省中稻的物候历及遥感影像的质量，选购了2014年6月10日～8月10日获取的覆盖全省的GF1数据，该影像2 m分辨率全色和8 m分辨率多光谱图像组合幅宽优于60 km，16 m分辨率多光谱图像组合幅宽优于800 km，可以在更短的时间内对一个地区重复拍照，重复周期为4 d，波段覆盖的范围为0.45～0.89 μm，划分为红绿蓝和近红外4个波段。同时，为了保证遥感数据能够覆盖研究区域，适当补充HJ1数据。
监测范围为湖南省耕地范围内，其耕地分布数据来源于国土资源土地调查数据—2013年湖南省土地利用变更数据。2013年湖南省耕地空间分布情况见图1。
在分类处理之前，对研究区域影像进行几何纠正、辐射定标、大气校正及植被指数计算。其中，几何纠正、辐射定标、大气校正主要是制作研究区域DOM影像，植被指数是反映地表植被生长状况、覆盖情况、生物量和植被种植特征的间接指标和有效的度量参数，对其计算主要是为了分析研究区域植被结构。
1.3研究方法将遥感技术与GPS导航技术有机结合，在湖南省省级行政单元内，利用国产高分辨率遥感数据和地面调查资料，通过精确作物识别与混合像元处理，实现像元尺度的中稻识别。在此基础上，基于国土资源二调图斑数据，通过统计中稻的像元数量与丰度（种植面积比）水平，并扣除耕地图斑内的非耕地成份，建立中稻种植面积估算模型，最终得到精确到县级报告单元的种植面积估算结果。具体流程见图2。
2结果与分析
2.1训练样本获取利用抽样的方法得到样方，然后对样方进行地面调查，获取样方内中稻种植情况。鉴于湖南省省域范围较大，并且不同地区之间内部差异较大，因此采用分层随机抽样方法进行样方的布设，即先将总体各单位按一定标准分成各种类型（或层）；然后根据各类型单位数与总体单位数的比例，确定从各类型中抽取样本单位的数量；最后，按照随机原则从各类型中抽取样本。
第h层样本均值：yh=1nhnhi=1Yhi
第h层总体方差：S2h=1Nh-1Nhi=1（Yhi-Yh）2
总初始样本量：N0=WhS2hV
总体均值估计量的方差：V=（γt）2
总体均值：=Lh=1Whyh
各层样本量分配：nh=nNhN=nWh
式中，下标i表示单元号；下标h表示层号；N0为全省范围内的总初始样本单元量；V为总体均值估计量的方差；Wh为层权；Sh为各层总体方差；t=1.96（置信水平为95%时）；N为总体单元数；Nh为第h层的总体单元数；nh为第h層的样本单元数[4-8]。
得到N0后仍需对其进行修正，获得修正后的总样本单元量n，修正公式同简单随机抽样：
n=N01+N0/N
首先将整个湖南省划分为13 791个4 km×4 km的网格，统计其中水田所占比例，并划分为4个等级（1%～15%、15%～30%、30%～50%、50%～100%），网格比例分别为16.24%、30.91%、40.56%、12.29%，依此划定湖南省地面调查各级样方数量为22、42、55、16，合计135个（图3）。
在每个样方内，结合湖南省耕地空间分布数据，实地勾绘每个地块的边界，并实地填写不同地块的作物类别。
2.2影像分类由于必须对湖南省全省的遥感数据进行解译，同时要求效率高并考虑物候特征控制精度，因此，其影像分类方法必须采用计算机自动分类技术。目前已有的分类技术主要是非监督分类和监督分类两类，包括ISODATA非监督分类、神经网络、支持向量机、专家系统、最大似然分类等分类手段都已经被广泛使用[1，9-11]。比较已有的研究成果，优选出ISODATA非监督分类、最大似然分类、支持向量机以及神经网络4种分类手段作为湖南中稻的分类方法。
根据湖南省中稻种植情况，影像成像时间覆盖两种作物（早稻和中稻或中稻和晚稻）的重叠生长期，中稻和早稻（或中稻和晚稻）在影像上可能表现出相似的光谱特征，通过单景影像实现中稻与早、晚稻的区分将十分困难，因此在样本选择和影像分类过程中均利用多时相数据进行，充分利用了不同季节的水稻在多时相影像上的变化信息，区分中/早稻、中/晚稻。分类过程中，主要区分中稻、早（晚）稻、云、其他等类别，分类流程见图4。
由于湖南的耕地分布较为零碎，混合像元在GF1数据特别是HJ1数据中广泛存在。在湖南省中稻识别过程中，利用地面样方调查所获得的训练样本，主要用于纯像元的识别，主要完成了70%的像元识别。除此之外，还有近30%的混合像元，属于早稻与中稻、中稻与晚稻的混合像元，需要单独予以处理，主要是通过非监督分类方法识别出混合像元。
首先，利用ISODATA非监督分类算法将每一景叠加了植被指数的GF1和HJ1 CCD影像自动分成160类；然后结合地面样本及人工目视解译的方法，按照影像成像时间划分为早稻影像、中稻影像及晚稻影像，并分别将160类自动分类结果聚类为早稻、中稻、晚稻、其他及云等类别，最后利用选定的检验样本对所有非监督分类结果进行精度检验，获取每一景影像分类结果的混淆矩阵。在聚类过程中，重点考虑影像成像时间及早、中、晚稻的物候特征，在早、中、晚稻各自的生长高峰期内，影像上NDVI值较高的像元被聚类为该类型的水稻，而未种植的地块多呈现裸土或水的光谱特征，易于区分。 湖南早中晚稻混合像元提取结合了监督分类结果与非监督分类结果以及经过处理的GF1影像共同确定，具体提取流程及混合像元分解方法见图5。混合像元分解过程中用到的水稻、未种植两种地物端元均从影像上获得，选择水稻种植面积大于100 m×100 m的大面积地块作为水稻端元，未种植区的端元同样从影像上选择。
2.3种植面积估算水稻种植面积的估算首先是通过像元统计方法获得水稻种植的毛面积；然后通过扣除图斑内细小非耕地图斑面积，得到水稻种植的净面积；最后，经过非耕地系数及云污染系数修正得到真实的水稻种植面积，公式如下：
S=S01-rc=np=1Ap×（1-r）1-rc
式中，r代表各统计单元内非耕地系数；rc代表县级行政单元内的云污染系数；n为各统计单元内有水稻种植的像元个数；S代表各统计单元内水稻的种植面积。根据遥感数据，利用上述公式计算得到2014年湖南省各市中稻种植面积遥感监测结果（表1）。
2.4种植面积精度检验种植面积精度检验主要是利用地面样方调查数据检验。通过计算得到样方调查与估算面积对照情况（图7），其平均误差为7.97%，基于2种数据的中稻面积估算结果的可决系数R2达到0.869 6，达到一定的精度要求。
3结论
该研究以GF1数据作为数据源，运用基于抽样技术的地面调查与遥感影像分类相结合提取大面积作物种植面积信息的方法，对湖南省中稻种植面积进行了监测，形成了全省中稻种植空间分布结果，估算了2014年湖南省中稻种植面积，得出以下结论：
（1）基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法适合大面积粮食种植面积监测，可以用于省级、区域级粮食种植面积遥感监测，估算粮食种植面积，为农业政策制定、粮食安全分析等决策服务。
（2）国产GF1卫星遥感数据空间分辨率、波段覆盖的范围、影像覆盖能力能够满足大面积粮食监测要求，可以逐步推广其在农作种植面积监测中的应用。
（3）为了保证监测精度，大面积粮食种植面积遥感监测一般在特定地类，比如旱地、水田或者耕地进行详细解释，因此，基础数据的精度对监测结果影响比较大。
参考文献
[1] 吴炳方.中国农情遥感速报系统[J].遥感学报.2004.8（6）：481-497.
[2] 青先国， 艾治勇.湖南水稻种植区域化布局研究[J].农业现代化研究，2007，28（6）：704-708.
[3] PENG D L， HUETE A R， HUANG J F， et al.Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J].International journal of applied earth observation and geoinformation， 2011， 13（1）： 13-23.
[4] 金勇进，杜子芳，蒋妍.抽样技术[M].北京：中国人民大学出版社，2000.
[5] 李金昌.應用抽样技术[M].北京：科学出版社，2006.
[6] 杜子芳.抽样技术及其应用[M].北京：清华大学出版社，2005.
[7] RIPLEY B D.Spatial statistics[M].New York： J Wiley&Sons， 1981.
[8] 吴炳方， 李强子.基于两个独立抽样框架的农作物种植面积遥感估算方法[J].遥感学报， 2004， 8（6）： 551-569.
[9] 刘磊，江东，徐敏，等.基于多光谱影像和专家决策法的作物分类研究[J].安徽农业科学，2011，39（25）：15809-15811.
[10] 许文波，田亦陈.作物种植面积遥感提取方法研究进展[J].云南农业大学学报，2005，20（1）：94-98.
[11] 杨鹏，唐华俊，刘佳.作物遥感估产中自动分类研究进展与展望[J].中国农业资源与区划，2000，21（3）：57-60.