王利民，劉 佳，姚保民，季富華，楊福剛

（中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，北京 100081）

0 引 言

冬小麥是中國主要糧食作物之一，播種面積占中國糧食作物總播種面積的21.5%，產(chǎn)量占糧食作物總產(chǎn)量的20.3%（2014 年中國統(tǒng)計年鑒）。及時、準確地獲取小麥種植面積信息，有利于農業(yè)部門指導農業(yè)生產(chǎn)，調整農業(yè)結構。自20 世紀80 年代以來，隨著社會經(jīng)濟的持續(xù)快速發(fā)展，產(chǎn)業(yè)結構的調整，工業(yè)化、城市化進程的加速，作物空間分布發(fā)生了重大變化，棄耕、撂荒甚至非法占用耕地等現(xiàn)象屢見不鮮，政府更是在國家糧食安全的角度為全國各區(qū)域劃定了各自的耕地紅線。因此，如何快速準確地獲取農作物的空間分布和動態(tài)變化顯得尤為重要。遙感技術具有可成像、監(jiān)測范圍大等監(jiān)測優(yōu)勢，可以與地面調查法形成良好的優(yōu)勢互補。隨著航天技術和傳感器技術的不斷進步，基于遙感影像進行農作物空間分布和動態(tài)變化的研究和應用越來越多。在上世紀末，已有研究者提出了作物變化監(jiān)測的方法[1-2]。農作物變化檢測方法大致可以分為 2類：一類是在分類基礎上進行變化監(jiān)測的方法，這種方法需要先對作物進行識別、獲取地面作物的空間分布，然后通過對比不同年份的作物分布情況獲得作物面積變化監(jiān)測結果；另一類方法則直接進行變化區(qū)域的識別。

分類基礎上進行變化監(jiān)測的重點是獲取高精度的作物面積，目前已形成了基于低、中、高分辨率影像的作物識別方法。基于中低分辨率影像的作物識別通常通過時間序列[3-7]的多期影像的方法來提高精度，基于時間序列影像的數(shù)據(jù)處理方法也越來越多，基于物候信息[8]、時間序列NDVI決策樹[9]、時間序列NDVI曲線積分[10]等方法從一定程度上提高了中低分辨率影像的提取精度和應用范圍[11]。高分辨率影像則主要由于具有更清晰的地物紋理和光譜，在耕地破碎區(qū)域能獲取更高的精度?；诟叻直媛视跋竦淖魑镒R別和提取所采用的方法主要包括濾波[12]、支持向量機[13]、機器學習[14]、高斯核函數(shù)[15]、構建植被指數(shù)[16]、面向對象分類[17]、影像紋理及作物物候[18]等。如 zhang等[19]利用自組織神經(jīng)網(wǎng)絡對Worldview-2影像進行了地物分類，結果表明基于自組織神經(jīng)網(wǎng)絡方法的非監(jiān)督分類結果優(yōu)于K-means聚類算法。Giaccom Ribeiro等[20]利用C4.5算法對城市區(qū)域進行了地物識別，結果表明基于C4.5算法的地物識別方法相較于面向對象分類算法具有更高的分類效率。

直接進行作物面積監(jiān)測方法則無需事先進行冬小麥面積提取，而是利用變化區(qū)域光譜、紋理等變化進行監(jiān)測。該方法最初以統(tǒng)計年鑒等統(tǒng)計數(shù)據(jù)為基礎變化監(jiān)測分析[21]，近年來以多時相間像元光譜直接比較為基礎的監(jiān)測方法越來越多，這類方法直接監(jiān)測變化像元，避免了由于分類帶來的誤差。該類監(jiān)測方法較多，如差值法、比值法、回歸法、主成分分析法、變化向量分析法等[22]。吳文斌等[23]利用多元 Logit模型初步建立了全球尺度的農作物播種面積變化模擬系統(tǒng)，分析研究了未來30 a內世界主要農作物播種面積變化的數(shù)量特征和空間格局。李鵬杰等[24]以九龍縣為研究區(qū)域，利用1994年?2000年和2007年3期的Landsat衛(wèi)星TM影像，采用遙感技術和地理信息系統(tǒng)技術，對九龍縣13 a來土地利用變化進行了動態(tài)監(jiān)測分析，通過各年土地利用分布變化圖，土地利用轉移矩陣，研究了九龍縣各種土地利用類型變化的情況?

由于基于面積提取的作物面積變化監(jiān)測流程較長，且精度受限于分類結果精度，而直接提取作物面積的方法避免了提取作物面積可能產(chǎn)生的誤差，直接基于變化區(qū)域進行作物面積變化監(jiān)測的方法研究日益受到重視[25-26]。隨著中國自主衛(wèi)星影像分辨率的不斷提高，尤其是 GF-1/WFV具有較高的分辨率，可以識別不同年份間地物光譜差異，這為農業(yè)種植結構的快速變化監(jiān)測提供了很好的數(shù)據(jù)基礎。本文基于 2年準同時相影像提出一種作物分布快速變化監(jiān)測方法，根據(jù)其 NDVI之間的線性相關性，不需事先提取作物面積，直接快速獲取年際冬小麥作物的面積增減情況，簡化面積變化監(jiān)測流程，為區(qū)域農作物面積變化監(jiān)測提供參考。

1 研究區(qū)概況

河北省滄州市地處河北省東南，環(huán)渤海灣經(jīng)濟區(qū)，地處 116°10′～117°44'E、37°53'～38°51'N，屬華北平原東部黑龍港流域，屬暖溫帶大陸性季風氣候，平均氣溫12.5 ℃，年平均降雨量581 mm，無霜期181 d。雨量集中分布不均，干濕季明顯，四季分明，寒暑懸殊，水文地質條件較差，中低產(chǎn)田和鹽堿地分布較廣，是河北省糧食產(chǎn)區(qū)之一[27-28]。滄州市種植作物比較單一、種植結構相對穩(wěn)定，常年以冬小麥和夏玉米輪作為主[29]。本文研究區(qū)域包括滄州市東部的黃驊、孟村、海興3縣。圖1為研究區(qū)在河北省滄州市的具體位置。

圖1 研究區(qū)地理位置示意圖Fig.1 Location map of study area

2 數(shù)據(jù)來源與處理

2.1 遙感數(shù)據(jù)來源

為檢測研究區(qū)域近年來冬小麥種植區(qū)域的變化情況，該文選取了研究區(qū)2014和2017兩個年份6景 GF-1/WFV(wide field view)晴空影像，并按照影像獲取時的物候期分為3組進行研究區(qū)冬小麥種植區(qū)域變化研究。其中2014年的影像獲取日期為3月1日、4月14日和5月17日，2017年影像的獲取日期為3月12日、4月26日、5月20日，分別處于冬小麥的返青期、拔節(jié)期和抽穗期。影像數(shù)據(jù)來源于中國資源衛(wèi)星應用中心網(wǎng)站（http://218.247.138.119:7777/DSSPlatform/productSearch.html）。

2.2 數(shù)據(jù)預處理

由中國資源衛(wèi)星應用中心提供的數(shù)據(jù)為未經(jīng)過系統(tǒng)幾何和輻射校正的WFV影像1級產(chǎn)品，在農業(yè)應用前需進行輻射定標、大氣校正和幾何校正處理。使用農業(yè)部遙感應用中心自主研制的軟件進行輻射定標和大氣校正。其中輻射定標的公式如下

式中 L(λ)為傳感器入瞳處輻射亮度值（W/(m2·sr·μm)），Gain為增益系數(shù)，Bias為偏置系數(shù)，DN為觀測灰度值，Gain和Bias由中國資源衛(wèi)星應用中心提供。大氣校正使用6S輻射傳輸模型進行，需要由中國資源衛(wèi)星中心獲取的 GF-1/WFV傳感器光譜響應函數(shù)，將波譜響應函數(shù)重采樣為2.5 nm間隔輸入模型，并根據(jù)衛(wèi)星影像自帶的元數(shù)據(jù)信息確定衛(wèi)星觀測幾何、大氣模式等參數(shù)，運行6S模型獲取研究區(qū)影像地表反射率[30]。幾何精校正平面精度達到 1個像元以內，具體是先使用區(qū)域網(wǎng)平差模型對傳感器RPC（rational polynomial coefficients）參數(shù)進行修正，再基于15 m空間分辨率的Landsat-8/OLI影像作為底圖進行精校正[31]。由于2017年影像的獲取日期比2014年要晚12 d左右，因此冬小麥的長勢相對更為旺盛，表現(xiàn)在圖2上，2017年假彩色合成影像上紅色相比2014年更加明顯。

圖2 研究區(qū)GF-1/WVF影像（4/3/2波段假彩色合成）Fig.2 GF-1/WFV image of study area (False color composite of 4/3/2 band)

分別計算6景影像的歸一化植被指數(shù)NDVI

式中ref3和ref4分別是GF-1/WFV影像第3波段（紅光波段）和第4波段（近紅外波段）

3 研究方法

獲取研究區(qū)2014年4月14日和2017年4月26日GF-1/WFV數(shù)據(jù)，該時期處于冬小麥的拔節(jié)期，冬小麥生長旺盛，對其進行預處理，獲取NDVI值，并基于rNDVI方法反演冬小麥變化區(qū)域；同時，使用傳統(tǒng)分類方法（最大似然分類），分別提取2014年和2017年的區(qū)域冬小麥種植范圍，以此為基礎，獲取冬小麥變化區(qū)域；對比基于rNDVI方法和分類后面積提取變化監(jiān)測方法，評價本文所提方法的性能；最后，為了研究rNDVI方法對于不同冬小麥生育期影像變化監(jiān)測的敏感性，分別選取 2014年3月1日和2017年3月12日GF-1影像進行返青期冬小麥面積變化快速監(jiān)測，選取2014年5月17日和2017年5月20日GF-1影像，進行抽穗期末期/乳熟期初期冬小麥面積變化快速監(jiān)測。

3.1 基于rNDVI算法冬小麥變化檢測方法

兩個年度相同或相近時期的影像，如果同名像元位置地物不發(fā)生變化，理想情況下，反射率或者 NDVI值應保持一致性，并線性相關；如果地物發(fā)生變化，反射率或者NDVI值則不會保持一致，將偏離線性相關區(qū)域?；?NDVI相關關系（relationship analysis of normal difference vegetation index，rNDVI）進行冬小麥變化快速監(jiān)測就是根據(jù)這一原理進行的。用于變化監(jiān)測的影像在成像時間、太陽高度角、衛(wèi)星傾角、植被物候期乃至作物種植水肥等條件都可能不同，導致相近時期的相同作物 NDVI可能也不一定完全一致，因此未變化區(qū)域應當存在相關性但并非完全線性相關，可通過對未變化區(qū)域NDVI統(tǒng)計值進行上下包絡線擬合的方法獲取地物變化檢測的閾值，落在閾值范圍內認為則存在相關關系，地物未發(fā)生顯著變化，否則即認為地物發(fā)生變化。以 2014年4月14日和2017年4月26日影像作為一組為例進行說明，rNDVI的具體步驟如下：

1）建立研究區(qū)的 20×20的規(guī)則格網(wǎng)，選擇格網(wǎng)中心點作為訓練樣本點，共獲得了覆蓋研究區(qū)的 400個樣本點，樣本點地物類型區(qū)分為冬小麥、非冬小麥 2類，通過地面調查和遙感影像目視解譯獲取 2014年和 2017年實際地物覆蓋類型，并將其確定為冬小麥增加（其他地物變?yōu)槎←湥?、不變（地物類型不變）和冬小麥減少（冬小麥變?yōu)槠渌匚铮颖军c；

2）基于樣本點2個年度 NDVI值，以樣本點2014年NDVI值為橫坐標x值，2017年NDVI值為縱坐標y值，構建NDVI值關系空間（圖3）；假設未變化地物樣本點的NDVI值是接近于線性相關，將所有n個未變化地物樣本點按照其x值的大小從小到大按順序排列，得到樣本點集D

以5作為搜索步長，從小到大開始遍歷數(shù)據(jù)集D中所有樣本點，找出各搜索區(qū)間內y值最大的樣本點，并將其添加到最大值樣本點集，用于擬合上包絡線；同樣，找出各區(qū)間內y值最小的樣本點Pmax，并將其添加到最小值樣本點集Pmin，用于擬合下包絡線。

3）使用最小二乘法，分別對最大值樣本點集Pmax和最小值樣本點集 Pmin進行線性擬合，求出不變地物的上下包絡線公式，具體參見式（3）～式（5），式中m為樣本點集P中點的數(shù)目，x為樣本點集中x的均值，y為樣本點集中y的均值，a為包絡線斜率，b為包絡線截距

4）基于上述方法，計算得到研究區(qū)不變地物的上包絡線斜率 a=1.014 8，截距 b=1 715.5；下包絡線斜率a=0.910 8，截距b=-549.57。由圖3可見，不變地物基本都落在上下包絡線范圍以內，而冬小麥增加樣本點基本位于上包絡線之上，冬小麥減少樣本點位于下包絡線之下。同時，考慮到冬小麥生長旺盛時 NDVI不會過小，因此分別選擇2014和2017年所有冬小麥樣本點的NDVI最小值作為識別冬小麥最小閾值。遍歷影像中所有的點，并將其投影至圖 3中，若點位于上包絡線之上（冬小麥年際間增加的典型代表區(qū)域），且其2017年NDVI值大于2017年冬小麥NDVI閾值，則認為該點2014年為其他類，2017年轉為冬小麥；若位于下包絡線之下（冬小麥年際間減少的典型代表區(qū)域），且該點 2014年 NDVI值大于2014年冬小麥NDVI閾值，則認為該點2014年為冬小麥，2017年轉為其他類。冬小麥變化區(qū)域的提取閾值（上、下包絡線）的大小，主要取決于 2個監(jiān)測年度冬小麥長勢的差異性，當 2個年度之間冬小麥長勢變化較為明顯時，由于兩者 NDVI之間線性關系的減弱，將可能導致上下包絡線的距離變大。

圖3 基于樣本點計算不變地物上下包絡線范圍Fig.3 Upper and lower envelope curve range based on sample points

3.2 基于面積提取的冬小麥變化檢測

監(jiān)督分類方法是冬小麥面積提取中常用的方法，本文中采用最大似然分類方法進行研究區(qū)冬小麥分類提取。最大似然分類方法是基于貝葉斯準則的分類方法，通過計算各待分類像元對于各類別的歸屬概率進行地物分類[32]。利用GF-1影像數(shù)據(jù)，通過最大似然監(jiān)督分類方法分別對2014年和2017年2景影像進行分類，獲取相應年份的冬小麥分類結果，如圖4a和圖4b所示。通過對比2014年和2017年冬小麥種植范圍，獲取冬小麥種植面積年際變化結果。

3.3 精度驗證方法

為了定量說明 2種方案變化監(jiān)測結果的準確性，利用地面驗證點進行混淆矩陣精度評價。

在地面調查基礎上，結合影像特征采用目視解譯的方法隨機選取 500個點作為精度評價驗證點，驗證點分布如圖5所示。

每個驗證點有2014年地物類型和2017年地物類型兩個屬性，為了便于對變化情況進行描述，將每個驗證點屬性統(tǒng)一描述為：無變化、增加和減少 3種。其中無變化包括該點兩年都為非冬小麥和該點兩年都為冬小麥兩種情況；增加是指2014年該點為非冬小麥，2017年變?yōu)槎←?；減少是指2014年為冬小麥，2017年變?yōu)榉嵌←湣９搏@得246個無變化樣本點，212個增加樣本點，42個減少樣本點。

圖4 2014及2017年冬小麥種植區(qū)域提取及面積變化監(jiān)測結果Fig.4 Extraction results of winter wheat planting area in 2014 and 2017 and results of monitoring of winter wheat area change

圖5 研究區(qū)驗證樣本點分布Fig.5 Verification sample point distribution of study area

精度驗證主要基于混淆矩陣、Kappa系數(shù)、總體分類精度、制圖精度和用戶精度 5種方式進行分類精度的描述和比較，相關定義及詳細表述可參照文獻[33-35]。

4 結果與分析

4.1 基于rNDVI和面積提取方法冬小麥變化檢測結果

使用rNDVI方法，利用2014年4月14日和2017年4月26日2景影像，提取冬小麥增加和減少區(qū)域，結果如圖4c所示，可以看出，2017年冬小麥增加區(qū)域要遠大于減小區(qū)域，即該區(qū)域2017年相比2014年冬小麥種植面積總體呈現(xiàn)增長趨勢。冬小麥增加區(qū)域主要集中在黃驊市北部和南部、海興縣的北部，主要減少區(qū)域集中在黃驊市中部、海興縣南部和孟村回族自治縣大部。

同時，利用最大似然監(jiān)督分類方法分別獲取2014年和2017年2年的冬小麥分布，然后對兩年冬小麥提取結果進行對比分析，獲取研究區(qū)年際冬小麥面積的增加和減少區(qū)域，結果如圖4d所示，可以看出，冬小麥種植增加、減少趨勢與rNDVI算法的提取結果一致，但增加區(qū)域的面積明顯大于rNDVI提取的結果。

對兩種方法面積監(jiān)測結果進行定量分析發(fā)現(xiàn)，基于rNDVI和基于先面積提取后變化監(jiān)測兩種方法得到的冬小麥減少區(qū)域的總面積相近，分別為3.14和3.27萬hm2。但對于冬小麥增加區(qū)域，兩種方法得到的面積差異明顯，基于面積提取方法獲得的冬小麥增加區(qū)域面積為9.60萬hm2，基于rNDVI方法獲得的冬小麥增加區(qū)域面積為4.26萬hm2，而根據(jù)地面抽樣調查結果顯示該地區(qū)冬小麥增加區(qū)域實際面積應低于5.34萬hm2，表明基于面積提取方法進行變化監(jiān)測時，冬小麥增加區(qū)域面積偏高，而基于rNDVI的方法獲取的冬小麥面積增加數(shù)量則與地面調查結果較為一致。

以地面調查和目視解譯驗證點對 2種方案的變化監(jiān)測結果進行評價，混淆矩陣如表1所示。

可以看到，基于冬小麥面積提取的變化監(jiān)測結果的總體精度為84.00%，Kappa系數(shù)為0.72，根據(jù)混淆矩陣，該方法對冬小麥減少的監(jiān)測精度相對較高，但對于冬小麥增加則存在較多的錯分現(xiàn)象，即將部分未變化地物歸為了冬小麥增加像元，這也與面積統(tǒng)計中冬小麥增加面積過多的結果一致。而基于rNDVI方法的總體精度達到90.60%、Kappa系數(shù)達到0.84，總體精度和Kappa系數(shù)相比基于面積提取的變化監(jiān)測結果分別提升了 6.6個百分點和16.7%，且冬小麥變化監(jiān)測的用戶和制圖精度均較高，表明監(jiān)測結果的準確性。

表1 冬小麥面積變化監(jiān)測結果精度對比Table 1 Accuracy comparison of monitoring results of winter wheat planting area change

4.2 基于rNDVI和面積提取方法分類結果分析

結合目視和地面調查結果，選取典型的冬小麥增加區(qū)域和典型的冬小麥減少區(qū)域，進一步分析兩種方法的監(jiān)測精度差異原因。圖 6為冬小麥面積增加分析圖示，對比圖 6c、6d，可以看出，冬小麥面積提取的變化監(jiān)測結果明顯大于rNDVI快速監(jiān)測結果，將實際未增加區(qū)域判定為了冬小麥增加區(qū)域?；趓NDVI的冬小麥變化快速監(jiān)測結果主要是提高了裸地、線狀道路、破碎的冬小麥地塊等區(qū)域的變化識別能力。2014年影像日期要早于2017年影像12 d，加之地塊破碎，部分區(qū)域冬小麥與裸地不容易區(qū)分，部分冬小麥被誤分為裸地，冬小麥地塊間的道路地物被誤分為冬小麥區(qū)域，造成了冬小麥增加區(qū)域監(jiān)測結果偏大。當采用基于rNDVI的冬小麥變化快速監(jiān)測方法進行識別時，16 m數(shù)據(jù)的分辨率能力得到體現(xiàn)，這些地物像元級上 NDVI值存在一定的相關性，直接進行面積變化評價，從而避免面積提取步驟的錯分現(xiàn)象，最終達到提高精度的效果。

圖7為冬小麥面積減少分析圖示，由于2014年部分冬小麥區(qū)域 NDVI值偏低，采用最大似然分類方法獲取冬小麥面積時，導致 NDVI值偏低的冬小麥區(qū)域未能有效識別，基于冬小麥面積提取結果進行的變化檢測，冬小麥減少范區(qū)域圍偏低（圖 7c）。當采用基于 rNDVI的冬小麥變化快速監(jiān)測方法進行識別時，雖然2014年部分冬小麥區(qū)域NDVI值偏低，但與2017年相比仍具有較大變化，仍然可以被有效檢測（圖7d），從而提高減少區(qū)域的提取精度。

4.3 不同監(jiān)測時間對冬小麥面積變化的監(jiān)測結果分析

分別使用2014年3月1日和2017年3月14日、2014年5月17日和2017年5月20日的GF-1/WFV影像，同樣使用rNDVI方法進行冬小麥的面積變化快速監(jiān)測，用以驗證rNDVI方法對于不同物候期冬小麥的變化監(jiān)測效果，監(jiān)測的精度情況見表2。從表2中，可以明顯發(fā)現(xiàn)，各月份變化面積監(jiān)測中，以 4月份的監(jiān)測精度最高，其次是5月份，而3月份的監(jiān)測結果精度最低。3月份較低的監(jiān)測精度可能是由于該時期處于冬小麥的返青期，長勢不明顯，導致冬小麥面積變化監(jiān)測的效果較差；5月份各項監(jiān)測精度較為接近4月份，主要是由于5月份處于冬小麥的抽穗期，冬小麥的長勢基本上較好，較容易監(jiān)測，但由于當?shù)仄渌脖唬ㄈ畿俎＃┑拈L勢也較好，利用rNDVI的方法可能造成一定的混淆。

圖6 冬小麥增加區(qū)域監(jiān)測結果對比Fig.6 Comparison of monitoring results of increased winter wheat area

圖7 冬小麥減少區(qū)域監(jiān)測結果對比Fig.7 Comparison of monitoring results of decreased winter wheat area

表2 基于rNDVI方法的不同物候期冬小麥面積變化監(jiān)測精度Table 2 Monitoring precision of area change of winter wheat in different phenology based on rNDVI method

5 結論與討論

本文對基于冬小麥面積提取的變化監(jiān)測和基于rNDVI（relationship analysis of normal difference vegetation index）的冬小麥變化快速監(jiān)測兩種方案的監(jiān)測效果進行了對比研究。結果表明基于rNDVI的變化監(jiān)測相比基于冬小麥面積提取的變化監(jiān)測的總體精度和 Kappa系數(shù)分別提升了6.6個百分點和16.7%，表明rNDVI方法對冬小麥變化面積的監(jiān)測具有較高的精度?；诿娣e提取的變化監(jiān)測存在較多的冬小麥增加區(qū)域的錯分情況，導致了冬小麥增加面積統(tǒng)計結果的偏高。

利用不同冬小麥物候期的GF-1影像進行基于rNDVI的種植面積變化監(jiān)測，發(fā)現(xiàn)3月份的識別精度最低，4月份的識別精度最高，5月份的識別精度接近于4月份。主要原因是由于 3月份處于冬小麥的返青期，部分冬小麥在影像上特征尚不明顯，存在一定的誤判，而 5月份則屬于冬小麥長勢旺盛時期，較易分辨，但是由于其他植被可能與冬小麥混淆，使其精度相比4月份稍低。

本文提出的方法對地物類型進行了簡化處理，假定地塊內種植的作物全部為冬小麥，忽略蔬菜等零星種植的地物類型，且建筑、林地、水體等地物保持穩(wěn)定，同時也不考慮16 m高分影像的混合像元情況。由于NDVI受作物種類、作物品種和作物物候期影響很大，在地物類型復雜多樣、間種套種等物候期重疊、兩期影像物候期差異較大的區(qū)域，該方法并不適用。但對于種植結構簡單的大面積種植的糧食主產(chǎn)區(qū)，該方法快速、便捷等方面的優(yōu)勢明顯，在實際的農業(yè)應用中具有較高的實用價值和應用潛力。

[參 考 文 獻]

[1] Merrill K R. A comparison of four algorithms for change detection in an urban environment [J]. Remote Sensing of Environment, 1998, 63: 95－100.

[2] Mas J F. Monitoring land-cover change: A comparison of change detection techniques [J]. International Journal of Remote Sensing, 1999, 20: 139－152.

[3] Potgieter A B, Lawson K, Huete A R. Determining crop acreage estimates for specific winter crops using shape attributes from sequential MODIS imagery[J]. International Journal of Applied Earth Observation and Geoinformation,2013, 23: 254－263.

[4] Chu L, Liu Q S, Huang C, et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China[J].Journal of Integrative Agriculture, 2016, 15(10): 2403－2416.

[5] Zhang X, Zhang M, Zheng Y, et al. Crop mapping using PROBA-V time series data at the Yucheng and Hongxing farm in China[J]. Remote Sensing, 2016, 8(11): 1－18.

[6] Asgarian A, Soffianian A, Pourmanafi S. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape: A case of central Iran using multi-temporal Landsat 8 imagery[J]. Computers and Electronics in Agriculture, 2016, 127: 531－540.

[7] Zhang N N, Luo Y, Wang C C. Identification of winter wheat and its distribution using the CBERS-02B images in an irrigation district along the Lower Yellow River, China[C]//International Workshop on Earth Observation and Remote Sensing Applications. IEEE, 2008:1－6.

[8] Xu Q Y, Yang G J, Long H L, et al. Crop discrimination in Shandong province based on phenology analysis of multi-year time series[J]. Intelligent Automation and Soft Computing, 2013, 19(4): 513－523.

[9] 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別[J]. 農業(yè)工程學報，2015，31(11)：194－201.Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[10] Yang Y J, Zhan Y L, Tian Q J, et al. Winter wheat extraction using curvilinear integral of GF-1 NDVI time series[C]//Geoscience and Remote Sensing Symposium, IEEE, 2016:3174－3177.

[11] 崔方寧，宋曉宇，孫寶生，等. 基于多時相TM影像的冬小麥面積變化監(jiān)測[J]. 遙感信息，2012，27(5)：89－95 Cui Fangning, Song Xiaoyu, Sun Baosheng, et al. Change detection of winter wheat area based on multi-temporal TM images[J]. Remote Sensing Information, 2012, 27(5): 89－95.(in Chinese with English abstract)

[12] Upadhyay P, Ghosh S K, Kumar A. High resolution temporal normalized difference vegetation indices for specific crop identification[C]// Int. Arch. Photogramm.Remote Sens.Spatial Inf. Sci. 2013:351?355.

[13] Ozdarici-Ok A, Ok A O, Schindler K. Mapping of agricultural crops from single high-resolution multispectral images-data-driven smoothing vs. parcel-based smoothing[J].Remote Sensing, 2015, 7(5): 5611－5638.

[14] Munoz-Mari J, Bovolo F, Gomez-Chova L, et al.Semisupervised one-class support vector machines for classification of remote sensing data [J]. IEEE Transactions on Geoscience & Remote Sensing, 2010, 48(8): 3188－3197.

[15] Pe?a J, Gutiérrez P, Hervásmartínez C, et al. Object-based image classification of summer crops with machine learning methods[J]. Remote Sensing, 2014, 6(6): 5019－5041.

[16] Aggarwal R, Kumar A, Raju P L N, et al. Gaussian kernel based classification approach for wheat identification[J].Isprs Technical Commission Viii Symposium, 2014, 8(1):671－676.

[17] Blaschke T. Object based image analysis for remote sensing[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2010, 65(1):2－16.

[18] Pe?a-Barragán J M, Ngugi M K, Plant R E, et al.Object-based crop identification using multiple vegetation indices, textural features and crop phenology[J]. Remote Sensing of Environment, 2011, 115(6):1301－1316.

[19] Zhang J, Kerekes J. Unsupervised urban land-cover classification using WorldView-2 data and self-organizing maps[C]//Geoscience and Remote Sensing Symposium. IEEE,2011: 150－153.

[20] Giaccom Ribeiro B M, Garcia Fonseca L M. Urban land cover classification using worldview-2 images and C4.5 algorithm[C]// Urban Remote Sensing Event. IEEE, 2013:250－253.

[21] 徐慧，汪權方，王新生，等. 中國同期作物空間格局變化分析：以小麥和油菜為例[J]. 中國農學通報，2016，32(21)：95－99.Xu Hui, Wang Quanfang, Wang Xinsheng, et al. Spatial pattern change of crops with similar growth cycle in China: A case study of wheat and rape[J]. Chinese Agricultural Science Bulletin, 2016, 32(21): 95－99. (in Chinese with English abstract)

[22] 張明偉，周清波，陳仲新，等. 基于物候模型的作物種植面積變化監(jiān)測方法[J]. 農業(yè)工程學報，2006，22(10)：139－144.Zhang Mingwei, Zhou Qingbo, Chen Zhongxin, et al. Crop acreage change detection based on phenology model [J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(10): 139－144. (in Chinese with English abstract)

[23] 吳文斌，楊鵬，談國新，等. 基于 Logit 模型的世界主要作物播種面積變化模擬[J]. 地理學報，2007，62(6)：589－598.Wu Wenbin, Yang Peng, Tan Guoxin, et al. Global-scale modeling of future changes in sown areas for major crops based on a logit model[J]. Acta Geographica Sinica, 2007,62(6): 589－598. (in Chinese with English abstract)

[24] 李鵬杰，何政偉，李璇瓊，等. 基于RS和GIS的土地利用/覆被動態(tài)變化監(jiān)測：以九龍縣為例[J]. 水土保持研究，2012，19(2)：38－43.Li Pengjie, He Zhengwei, Li Xuanqiong, et al. Dynamic monitoring on land utilization/land coverage in kowloon county based on RS and GIS[J]. Research of Soil and Water Conservation, 2012, 19(2): 38－43. (in Chinese with English abstract)

[25] 尤慧，高華東，蘇榮瑞，等. 基于多時相中分辨率時間過程特征的江漢平原棉花種植面積變化監(jiān)測[J].地球信息科學學報, 2016, 18(8):1141－1149.You Hui, Gao Huadong, Su Rongrui, et al. 2016. Monitoring the changes of cotton plantation area based on the multi-temporal middle resolution features of temporal process in Jianghan Plain. Journal of Geo-information Science, 18(8): 1141－1149.(in Chinese with English abstract)

[26] Gumma M K, Thenkabail P S, Muralikrishna I V, et al.Changes in agricultural cropland areas between a water-surplus year and a water-deficit year impacting food security, determined using MODIS 250 m time-series data and spectral matching techniques, in the Krishna River basin(India)[J]. International Journal of Remote Sensing, 2011,32(12): 3495－3520.

[27] 曹瑀，王燕輝，張立強，等. 基于PSR模型的耕地生態(tài)安全時空分異特征研究：以河北省滄州市為例[J]. 水土保持研究，2016，23(6)：290－295,302.Cao Yu, Wang Yanhui, Zhang Liqiang, et al. Time and space differentiation characteristics of ecological security of cultivated land based on PSR model: Take Cangzhou City,Hebei province as an example[J]. Research of Soil and Water Conservation, 2016, 23(6): 290－295, 302. (in Chinese with English abstract)

[28] 王培東，趙麗，楊皓，等. 基于PSR模型的滄州市農用地集約利用評價研究[J]. 中國農業(yè)資源與區(qū)劃，2013，34(4)：57－63.Wang Peidong, Zhao Li, Yang Hao, et al. Assessment of agricultural land intensive utilization of Cangzhou city based on the PSR model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2013, 34(4): 57－63. (in Chinese with English abstract)

[29] 陳健，劉云慧，宇振榮. 基于時序 MODIS-EVI數(shù)據(jù)的冬小麥種植信息提取[J]. 中國農學通報，2011，27(1)：446－450.Chen Jian, Liu Yunhui, Yu Zhenrong. Planting information extraction of winter wheat based on the time-series MODIS-EVI[J]. Chinese Agricultural Science Bulletin, 2011,27(1): 446－450. (in Chinese with English abstract)

[30] 劉佳，王利民，楊玲波，等. 基于6S模型的GF-1衛(wèi)星影像大氣校正及效果[J]. 農業(yè)工程學報，2015，31(19)：159－168.Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[31] 劉佳，王利民，楊玲波，等. 基于有理多項式模型區(qū)域網(wǎng)平差的 GF-1影像幾何校正[J]. 農業(yè)工程學報，2015，31(22)：146－154.Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correction of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(22): 146－154. (in Chinese with English abstract)

[32] Raju P V. Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks[J]. International Journal of Remote Sensing,2003, 24(23): 4871－4890.

[33] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35－46.

[34] Hay A M. The derivation of global estimation from a confusion matrix[J]. International Journal of Remote Sensing,1988, 9(8): 1395－1398.

[35] Congalton R G. A comparison of sampling schemes used in generating error matrices for assessing the accuracy of maps generated from remotely sensing data[J]. Photogrammetric Engineering and Remote Sensing, 1988, 54(5): 593－600.