單 捷，邱 琳，孫 玲，王志明

(江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京 210014)

基于Radarsat-2的冬小麥種植面積提取方法研究

單 捷，邱 琳，孫 玲，王志明

(江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京 210014)

為探尋基于Radarsat-2的冬小麥種植面積提取方法，以設(shè)立在江蘇鹽城研究區(qū)的冬小麥為研究對象，選用2014年3月3日-2014年6月7日期間5期Radarsat-2全極化影像，采用支持向量機(jī)法和最大似然法分別對各時(shí)相的冬小麥種植面積進(jìn)行提取，并以地面實(shí)測GPS樣方進(jìn)行精度驗(yàn)證。結(jié)果表明，以支持向量機(jī)法和最大似然法提取冬小麥面積的精度均在4月20日達(dá)到最高，分別為66.4%和63.9%。對4月20日支持向量機(jī)法的冬小麥面積提取結(jié)果進(jìn)一步進(jìn)行耕地地塊優(yōu)化和碎小圖斑去除處理后，冬小麥面積的提取精度可提高到79.6%。

Radarsat-2；遙感；冬小麥；種植面積；提取方法

Abstract: In order to study the extraction method of winter wheat planting area based on Radarsat-2 data,five scenes of Radarsat-2 satellite images collected from March 3, 2014 to June 7, 2014 were used to extract winter wheat planting area through the methods of Support Vector Machine(SVM) and Maximum Likelihood Classification(MLC), and the accuracy of this investigation is verified by on-site GPS measurement quadrat areas. The results indicated that the highest extraction accuracies of both methods were achieved on April 20, so we chose the image of April 20 to study the effect of farmland parcel optimization and classification patch optimization on SVM's accuracy. The extraction accuracy of SVM was improved from 66.4% to 79.6% after optimization.

Keywords: Radarsat-2; Remote sensing; Winter wheat; Planting area; Extraction method

冬小麥?zhǔn)侵袊闹饕Z食作物之一，其播種面積占全國糧食播種總面積的20%左右[1]。準(zhǔn)確及時(shí)地掌握冬小麥種植面積信息，不僅可以為國家和各級(jí)地方政府宏觀調(diào)控措施的制定提供科學(xué)依據(jù)，而且在制定糧食進(jìn)出口計(jì)劃、確保國家糧食安全等方面均具有重要意義。

隨著科學(xué)技術(shù)的不斷發(fā)展，遙感技術(shù)為農(nóng)作物種植面積的提取提供了新的方法。目前，農(nóng)作物種植面積的提取多采用光學(xué)遙感影像，但光學(xué)遙感容易受云雨天氣影響，在農(nóng)作物的生長期內(nèi)很難獲得完整、連續(xù)的觀測數(shù)據(jù)，影響了農(nóng)作物種植面積遙感監(jiān)測業(yè)務(wù)的準(zhǔn)確性和時(shí)效性。雷達(dá)遙感具有全天時(shí)、全天候的成像能力，不受云、霧、雨影響。其優(yōu)勢是光學(xué)遙感無可比擬的，因此越來越廣泛地被用于農(nóng)作物種植面積的提取[2-6]。近年來，隨著多波段、多極化雷達(dá)數(shù)據(jù)的出現(xiàn)，國內(nèi)外專家學(xué)者在運(yùn)用雷達(dá)遙感監(jiān)測冬小麥種植面積方面的研究逐漸增多。Giuseppe[7]應(yīng)用ASAR在C波段極化HH/VV后向散射比值對小麥進(jìn)行識(shí)別。Jia等[8]利用Envisat ASAR和TerraSAR-X 數(shù)據(jù)對冬小麥進(jìn)行了遙感識(shí)別研究，獲得令人滿意的精度。Jiao等[9]利用Radarsat-2精細(xì)全極化數(shù)據(jù)，對研究區(qū)5種主要作物(小麥、燕麥、大豆、油菜籽和牧草)進(jìn)行了分類和面積提取。白黎娜等[10]利用多時(shí)相Envisat ASAR數(shù)據(jù)進(jìn)行冬小麥識(shí)別，識(shí)別精度達(dá)80%以上。蔡愛民等[11]以全極化雷達(dá)遙感數(shù)據(jù)Radarsat-2為數(shù)據(jù)源，分析了冬小麥孕穗期和乳熟期的散射特征和參數(shù)提取方法。

由于雷達(dá)數(shù)據(jù)源稀缺且昂貴，上述利用多時(shí)相數(shù)據(jù)的研究方法在實(shí)際的冬小麥面積遙感監(jiān)測的業(yè)務(wù)化運(yùn)行中還未得到普遍使用，沒有形成一套行之有效的冬小麥識(shí)別和分類技術(shù)體系。為了解決這一問題，本研究以全極化Radarsat-2影像為數(shù)據(jù)源，運(yùn)用支持向量機(jī)法和最大似然法對冬小麥不同生育時(shí)期的影像進(jìn)行分類和精度驗(yàn)證，優(yōu)選出冬小麥面積提取精度最高的時(shí)相，并在此基礎(chǔ)上分析了耕地地塊優(yōu)化和碎小圖斑去除對冬小麥面積提取精度的影響，以期能提高精度，降低數(shù)據(jù)成本，為開展農(nóng)作物種植面積雷達(dá)遙感監(jiān)測的業(yè)務(wù)化運(yùn)行工作提供科學(xué)的依據(jù)和指導(dǎo)。

1 材料與方法

1.1 研究區(qū)域概況

本研究結(jié)合野外監(jiān)測經(jīng)驗(yàn)及歷史存檔遙感數(shù)據(jù)，將研究區(qū)設(shè)立在江蘇省鹽城的東臺(tái)市與大豐市交界處，中心點(diǎn)經(jīng)緯度為 N32°56′，E120°46′，東西和南北走向均約25 km(與一景Radarsat-2精細(xì)全極化模式影像幅寬相似)。此區(qū)域處于油菜種植集中區(qū)向冬小麥種植集中區(qū)的過渡地帶，從西到東耕地形狀變化明顯，從窄條狀到塊狀，再到沿海農(nóng)場大面積、整齊連片地塊。冬季作物主要為冬小麥、油菜等，并有大棚西瓜等經(jīng)濟(jì)作物，研究區(qū)具體位置見圖1。

圖1 研究區(qū)地理位置

1.2 研究方法

1.2.1 影像采集及預(yù)處理

Radarsat-2是一顆搭載C波段傳感器的高分辨率雷達(dá)衛(wèi)星。根據(jù)研究區(qū)冬小麥的物候特征，選取2014年3月3日至6月7日期間5期精細(xì)全極化(Fine Quad-polarization, FQ)模式的Radarsat-2數(shù)據(jù)。該模式數(shù)據(jù)幅寬為25 km×25 km，重訪周期為24 d，分辨率為5.2 m×7.6 m(距離×方位)，入射角約為18°～49°，4 種極化方式即 HH、HV、VH 和 VV。有研究表明，入射角會(huì)影響農(nóng)作物的分類精度[12]。因此，本研究為了保證入射角和衛(wèi)星參數(shù)的一致性，以Radarsat-2衛(wèi)星的重訪周期為一周期。在結(jié)合研究區(qū)農(nóng)作物生長物候和當(dāng)年農(nóng)作物播種日期的基礎(chǔ)上，確定首期影像獲取時(shí)間，并保證其余影像拍攝日期都處于農(nóng)作物形態(tài)發(fā)生重要變化的時(shí)期。選用的Radarsat-2數(shù)據(jù)見表1。

表1 Radarsat-2影像清單Table 1 List of Radarsat-2 images

另外，選取2014年4月25日高分一號(hào)衛(wèi)星數(shù)據(jù)，將其全色波段數(shù)據(jù)(空間分辨率為2 m)和多光譜波段數(shù)據(jù)(空間分辨率為8 m)進(jìn)行融合，生成空間分辨率為2 m的多光譜影像，用于冬小麥驗(yàn)證樣方的目視解譯以及分類過程中訓(xùn)練樣本的選取。

首先，對獲取的Radarsat-2影像進(jìn)行輻射定標(biāo)，將DN值轉(zhuǎn)化為后向散射系數(shù)，定標(biāo)公式為σ°=DN2×sin(α)/K，其中σ°為后向散射系數(shù)，α為像元所在位置的雷達(dá)入射角，K為Radarsat-2數(shù)據(jù)的絕對定標(biāo)因子。定標(biāo)后采用Gramma-Map濾波器進(jìn)行濾波，濾波窗口大小為5×5。然后以幾何精校正過的高分辨率光學(xué)影像作為參考影像，分別對Radarsat-2影像和融合后的多光譜影像進(jìn)行幾何精校正，誤差控制在0.5個(gè)像元之內(nèi)。

1.2.2 地面樣方的建立

分別于2014年3月27日、4月20日和6月7日(Radarsat-2影像拍攝日)開展野外調(diào)查，建立冬小麥和其他地物解譯標(biāo)志，采集驗(yàn)證點(diǎn)，為雷達(dá)影像和光學(xué)影像解譯提供地面數(shù)據(jù)。為了兼顧作物空間分布與作物類型均勻性，在研究區(qū)共選取了4個(gè)具有不同耕地類型的驗(yàn)證樣方(圖2)，利用亞米級(jí)的差分GPS獲取樣方內(nèi)主要作物的空間分布情況，結(jié)合地面調(diào)查結(jié)果對融合后的多光譜影像進(jìn)行目視解譯，獲取每個(gè)樣方內(nèi)冬小麥的種植面積，再進(jìn)行實(shí)地驗(yàn)證和修正，得到最終驗(yàn)證樣方的冬小麥面積(圖3)，以此作為冬小麥實(shí)際種植面積對Radarsat-2影像提取的冬小麥面積進(jìn)行精度驗(yàn)證。

圖2 冬小麥驗(yàn)證樣方分布圖

1.2.3 冬小麥種植面積提取方法

支持向量機(jī)(support vector machine，SVM)是近年來在影像分類、目標(biāo)檢測、數(shù)據(jù)融合等方面得到廣泛應(yīng)用的新型算法[13-14]，該方法建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯(cuò)誤地提取任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力[15]。最大似然法(maximum likelihood classification，MLC)是基于貝葉斯準(zhǔn)則的圖像統(tǒng)計(jì)監(jiān)督分類方法，也是遙感影像監(jiān)督分類中最常用的分類方法之一。它通過計(jì)算每個(gè)像元對于各類別的歸屬概率，把該像元分到歸屬概率最大的類別中去。由于SVM在解決小樣本、非線性及高維模式提取問題中表現(xiàn)出許多特有的優(yōu)勢，MLC與其他非參數(shù)方法相比具有算法簡單、易于實(shí)施等優(yōu)點(diǎn)。所以，本研究選用SVM和MLC兩種具有代表性的監(jiān)督分類方法對冬小麥面積進(jìn)行提取。

本研究以野外實(shí)地調(diào)查并輔以高分辨率光學(xué)遙感影像進(jìn)行訓(xùn)練樣本的選取，根據(jù)研究區(qū)實(shí)際土地利用特點(diǎn)和雷達(dá)數(shù)據(jù)的后向散射特征，將研究區(qū)地物劃分為冬小麥、油菜、樹林、裸土、大棚、房屋、水體等7種類型，并對各時(shí)相的Radarsat-2影像分別運(yùn)用SVM和MLC進(jìn)行分類及冬小麥面積提取。

1.2.4 冬小麥種植面積提取精度的驗(yàn)證

基于地面樣方數(shù)據(jù)的驗(yàn)證是精度驗(yàn)證的主要手段之一，也是說明地物分類結(jié)果準(zhǔn)確程度的指標(biāo)之一[16-18]。本研究以驗(yàn)證樣方內(nèi)冬小麥實(shí)際種植面積，對Radarsat-2影像提取的冬小麥面積進(jìn)行精度評價(jià)。

混淆矩陣方法是目前普遍采用的遙感影像分類精度定量評價(jià)方法，該方法通過計(jì)算各種統(tǒng)計(jì)量并進(jìn)行統(tǒng)計(jì)檢驗(yàn)，最終給出對于總體和基于各種地物類型的分類精度[19]。由于本研究的主要提取目標(biāo)是冬小麥，而非其他類型地物，所以通過借鑒混淆矩陣方法，建立了針對冬小麥的提取精度評價(jià)指標(biāo)Pi，即每塊驗(yàn)證樣方內(nèi)的冬小麥面積提取精度，從而得到各時(shí)相冬小麥面積的提取精度：

Pi=Ai/(Ai+Bi+Ci)

其中i為驗(yàn)證樣方編號(hào)，Ai為第i塊驗(yàn)證樣方內(nèi)分類正確的冬小麥面積，Bi為第i塊驗(yàn)證樣方內(nèi)錯(cuò)分的冬小麥面積，Ci為第i塊驗(yàn)證樣方內(nèi)漏分的冬小麥面積。

圖3 驗(yàn)證樣方中不同地物分布圖

2 結(jié)果與分析

2.1 冬小麥種植面積提取精度評價(jià)

經(jīng)過精度驗(yàn)證，SVM和MLC的冬小麥面積提取的精度從3月3日到6月7日均呈現(xiàn)出先升后降的變化趨勢，并在4月20日達(dá)到峰值，分別為66.4%和63.9%(圖4)。因此，4月20日(抽穗期)是研究區(qū)冬小麥面積提取的最佳時(shí)相。

2.2 耕地地塊優(yōu)化對冬小麥面積提取精度的影響

通過分析發(fā)現(xiàn)，無論是SVM還是MLC都存在將部分非耕地地物如溝渠等錯(cuò)分為冬小麥的現(xiàn)象，因此，本研究擬利用耕地地塊數(shù)據(jù)對4月20日冬小麥面積提取精度較高的SVM分類結(jié)果進(jìn)行優(yōu)化，從而分析耕地地塊優(yōu)化對冬小麥面積提取精度的影響。首先，對上述融合后的空間分辨為2 m的遙感影像進(jìn)行目視解譯獲取驗(yàn)證樣方內(nèi)耕地地塊矢量數(shù)據(jù)。該耕地地塊數(shù)據(jù)共4個(gè)，與冬小麥驗(yàn)證樣方的數(shù)量和覆蓋范圍相同。然后，利用Arcgis 9.3軟件中Analysis Tools模塊的Intersect工具將耕地地塊數(shù)據(jù)與轉(zhuǎn)換成矢量格式的SVM分類結(jié)果進(jìn)行疊加分析，剔除非耕地地物對冬小麥分類精度的影響。通過上述處理優(yōu)化后，SVM的冬小麥面積提取精度升至74.9%，比優(yōu)化前提高了8.5個(gè)百分點(diǎn)，說明耕地地塊優(yōu)化可以明顯改善冬小麥面積提取的效果。從局部細(xì)節(jié)比較，之前被誤分為冬小麥的溝渠、河流等非耕地地物在經(jīng)過耕地地塊優(yōu)化后被完全剔除，從而減少了非耕地地物對冬小麥面積提取精度的影響(圖5)。

圖4 不同時(shí)相的Radarsat-2冬小麥面積提取精度

表2 耕地地塊優(yōu)化前后SVM冬小麥面積提取精度的比較Table 2 Extraction accuracy comparison of winter wheat area before and after farmland parcel optimization(SVM) %

圖5 耕地地塊優(yōu)化前后的冬小麥空間分布圖(局部)

2.3 碎小圖斑去除對冬小麥面積提取精度的影響

雖然經(jīng)過耕地地塊優(yōu)化后的冬小麥面積提取精度得到明顯提高，但分類結(jié)果仍存在較多的碎小圖斑，“椒鹽”現(xiàn)象明顯，這是由于Radarsat-2影像在濾波處理后仍有較多噪聲，從而影響了冬小麥面積提取精度。目前遙感制圖中最小地物的上圖標(biāo)準(zhǔn)并不適用于本研究中碎小圖斑的去除。因此，本研究嘗試在不影響分類結(jié)果的前提下，分析不同面積碎小圖斑的去除對冬小麥面積提取精度的影響。根據(jù)以往農(nóng)作物遙感監(jiān)測的經(jīng)驗(yàn)，對經(jīng)過耕地優(yōu)化后的SVM分類結(jié)果進(jìn)行4、6、8個(gè)像元的圖斑去除，即利用Arcgis 9.3軟件中Data Management Tools模塊的Eliminate工具的去除面積分別為256、384 和512 m2的圖斑，然后進(jìn)行精度評價(jià)。結(jié)果(表3)表明，隨著圖斑去除面積的增大，冬小麥面積的提取精度呈增加趨勢，到去除384 m2的圖斑以后趨于穩(wěn)定。去除256、384、512 m2的圖斑后，冬小麥面積的提取精度比未去除圖斑時(shí)分別提高了2.8、4.6和4.7個(gè)百分點(diǎn)，說明在不影響分類結(jié)果的前提下，合理去除面積較小的分類后圖斑，可以提高冬小麥面積的提取精度，減少雷達(dá)數(shù)據(jù)噪聲對分類結(jié)果的影響，從而改善分類效果。

表3 去除不同面積圖斑后的SVM冬小麥面積提取精度Table 3 Extraction accuracy of winter wheat area with SVM at different levels

3 討 論

當(dāng)前，應(yīng)用于農(nóng)作物生長監(jiān)測的遙感方法多為光學(xué)遙感[20-22]，但是其易受云雨天氣影響，常常無法及時(shí)獲取高質(zhì)量的光學(xué)遙感影像。因此，在無法接收光學(xué)遙感影像的時(shí)候，如何利用雷達(dá)影像進(jìn)行冬小麥種植面積提取研究顯得十分必要。本研究以不同時(shí)相的全極化Radarsat-2影像為數(shù)據(jù)源，運(yùn)用SVM和MLC分別對各時(shí)相影像進(jìn)行冬小麥面積的提取，并在提取精度最高時(shí)相的分類結(jié)果上再進(jìn)行耕地地塊優(yōu)化和碎小圖斑去除處理，將冬小麥面積的提取精度從66.4%提高到79.6%，說明本研究構(gòu)建的方法有效地解決了非耕地地塊的干擾，提高了冬小麥面積的提取精度。

本研究是對冬小麥及同期作物在Radarsat-2影像四個(gè)極化波段上的后向散射系數(shù)進(jìn)行分類分析，若能對冬小麥及同期作物在不同極化波段上的后向散射系數(shù)特征進(jìn)行分析和參數(shù)提取，找到識(shí)別冬小麥更有效的分類特征，冬小麥的提取精度還能提高得更多。其次，本研究是在單時(shí)相Radarsat-2影像的分類基礎(chǔ)上進(jìn)行耕地地塊優(yōu)化和碎小圖斑去除處理，今后將在綜合利用冬小麥生育關(guān)鍵時(shí)期的多期影像、運(yùn)用多種分類方法以及不同極化方式對冬小麥面積提取精度的影響等方面進(jìn)行深入研究，使其提取精度能更好地達(dá)到農(nóng)作物種植面積雷達(dá)遙感監(jiān)測的業(yè)務(wù)化運(yùn)行工作的要求。另外，有研究表明，結(jié)合光學(xué)和雷達(dá)遙感的各自優(yōu)點(diǎn)，可以有效增加數(shù)據(jù)所含有用信息，增強(qiáng)對地物的識(shí)別能力[23]，所以如何將這兩種數(shù)據(jù)更好的結(jié)合來提高冬小麥的提取精度也將在今后進(jìn)行深入研究。

[1] 中華人民共和國國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒[M].北京:中國統(tǒng)計(jì)出版社,2015:432-461.

National Bureau of Statistics of the People’s Republic of China.China Stastical Yearbook[M].Beijing:China Statistic Press,2015:432-461.

[2] 邵 蕓,郭華東,范湘濤,等.水稻時(shí)域散射特征分析及其應(yīng)用研究[J].遙感學(xué)報(bào),2001,5(5):340.

SHAO Y,GUO H D ,FAN X T,etal.Studies on rice backscatter signatures in time domain and its applications [J].JournalofRemoteSensing,2001,5(5):340.

[3]ZHANG Y,WANG C Z,WU J P,etal.Mapping paddy rice with multitemporal ALOS/PALSAR imagery in Southeast China [J].InternationalJournalofRemoteSensing,2009,30(23):6301.

[4]HALDAR D,PATNAIK C.Synergistic use of multi-temporal Radarsat SAR and AWiFS data for Rabi rice identification [J].JournaloftheIndianSocietyofRemoteSensing,2010,38(1):153.

[5] 李 坤,邵 蕓,張風(fēng)麗.基于多極化機(jī)載合成孔徑雷達(dá)(SAR)數(shù)據(jù)的水稻識(shí)別[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2011,37( 2):181.

LI K,SHAO Y,ZHANG F L.Rice information extraction using multi-polarization airborne synthetic aperture radar data [J].JournalofZhejiangUniversity(Agricultural&LifeScience),2011,37(2):181.

[6]YONEZAWA C,NEGISHI M,AZUMA K,etal.Growth monitoring and classification of rice fields using multitemporal RADARSAT-2 full-polarimetric data [J].InternationalJournalofRemoteSensing,2012,33(18):5696.

[7]GIUSEPPE S.Discrimination of wheat crop by using co-polarized ratio derived from ASAR data [J].ItalianJournalofRemoteSensing,2010,42(1):27.

[8]JIA K,LI Q Z,TIAN Y C,etal.Crop classification using multi-configuration SAR data in the North China Plain [J].InternationalJournalofRemoteSensing,2012,33(1):170.

[9]JIAO X F,KOVACS J M,SHANG J L,etal.Object-oriented crop mapping and monitoring using multi-temporal polarimetric RADARSAT-2 data [J].IsprsJournalofPhotogrammetry&RemoteSensing,2014,96:38.

[10] 白黎娜,王琫瑜,田 昕,等.基于多時(shí)相ENVISat ASAR 數(shù)據(jù)的冬小麥識(shí)別方法—以北京通州試驗(yàn)區(qū)為例[J].遙感技術(shù)與應(yīng)用,2010,25(4):458.

BAI L N,WANG B Y,TIAN X,etal.Winter wheat identification using multi-temporal ENVISat ASAR data-a case study at Tongzhou district,Beijing [J].RemoteSensingTechnologyandApplication,2010,25(4):458.

[11] 蔡愛民,邵 蕓,李 坤,等.冬小麥不同生長期雷達(dá)后向散射特征分析與應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(7):205.

CAI A M,SHAO Y,LI K,etal.Analysis of backscattering characters of winter wheat in different phenophase and its applications [J].TransactionsoftheCSAE,2010,26(7):205.

[12]FIEUZAL R,BAUP F,MARAIS-SICRE C.Monitoring wheat and rapeseed by using synchronous optical and radar satellite data-from temporal signatures to crop parameters estimation [J].AdvancesinRemoteSensing,2013,2(2):162.

[13] 何德平,肖 勇,肖興國,等.支持向量機(jī)在遙感影像處理中的應(yīng)用[J].城市勘測,2006(3):27.

HE D P,XIAO Y,XIAO X G,etal.Application of the support vector machine in remote sensed image processing [J].UrbanGeotechnicalInvestigation&Surveying,2006,(3):27.

[14] 何靈敏,沈掌泉,孔繁勝,等.SVM在多源遙感圖像分類中的應(yīng)用研究[J].中國圖象圖形學(xué)報(bào),2007,12(4):648.

HE L M,SHEN Z Q,KONG F S,etal.Study on multi-source remote sensing images classification with SVM [J].JournalofImageandGraphics,2007,12(4):648.

[15] 張錦水,何春陽,潘耀忠,等.基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J].遙感學(xué)報(bào),2006,10(1):49.

ZHANG J S,HE C Y,PAN Y Z,etal.The high spatial resolution RS image classification based on SVM method with the multi-source data [J].JournalofRemoteSensing,2006,10(1):49.

[16] 甘甫平,王潤生,王永江,等.基于遙感技術(shù)的土地利用與土地覆蓋的分類方法[J].國土資源遙感,1999,42(4):39.

GAN F P,WANG R S,WANG Y J,etal.The classification method for land use and land cover based on remote sensing technology [J].RemoteSensingforLand&Resource,1999,10(4):40.

[17]JANSSEN L L F,VANDERWEL F J M.Accuracy assessment of satellite derived land-cover data:A review [J].PhotogrammetricEngineeringandRemoteSensing,1994,60(4):419.

[18]KALKHAN M A,REICH R M.Assessing the accuracy of Landsat Thematic Mapper classification using double sampling [J].InternationalJournalofRemoteSensing,1998,19(11):2049.

[19] 顧曉鶴,潘耀忠,何 馨,等.以地塊分類為核心的冬小麥種植面積遙感估算[J].遙感學(xué)報(bào),2010,10(4):797.

GU X H,PAN Y Z,HE X,etal.Measurement of sown area of winter wheat based on per-field classification and remote sensing imagery [J].JournalofRemoteSensing,2010,14(4):797.

[20] 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.

WANG L M,LIU J,YANG F G,etal.Early recognition of winter wheat area based on GF-1 satellite [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2015,31(11):194.

[21] 劉 佳,王利民,楊福剛,等.基于HJ時(shí)間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(3):199.

LIU J,WANG L M,YANG F G,etal.Early recognition of winter wheat area based on GF-1 satellite [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2015,31(3):199.

[22] 葛廣秀,李衛(wèi)國,景元書.基于NVDI密度分割的冬小麥種植面積提取[J].麥類作物學(xué)報(bào),2014,34(7):997.

GE G X,LI W G,YING Y S.Area of winter wheat extracted on NDVI density slicing [J].JournalofTriticeaeCrops,2014,34(7):997.

[23] 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.

JIA K,LI Q Z,TIAN Y C,etal.Accuracy improvement of spectral classification of crop using microwave backscatter data [J].SpectroscopyandSpectralAnalysis,2011,31(2):483.

ExtractionMethodofWinterWheatPlantingAreaBasedonRadarsat-2Data

SHANJie,QIULin,SUNLing,WANGZhiming
(Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing, Jiangsu 210014, China)

時(shí)間：2017-09-13

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20170913.1139.022.html

S512.1；S314

A

1009-1041(2017)09-1209-07

2017-03-09

2017-04-28

國家科技重大專項(xiàng)課題(09-Y30B03-9001-13/15-4)；江蘇省農(nóng)業(yè)科學(xué)院基金項(xiàng)目(6111651,6111650)；農(nóng)業(yè)部遙感應(yīng)用中心技術(shù)創(chuàng)新課題(2911660)；江蘇省農(nóng)業(yè)科學(xué)院基本科研業(yè)務(wù)專項(xiàng)(ZX-15-3003)；江蘇省農(nóng)業(yè)科技自主創(chuàng)新資金項(xiàng)目[CX(17)3020]

E-mail：owsj1986@sina.com

邱 琳(E-mail：47470302@qq.com)