李志鹏，刘珍环，李正国，唐鹏钦，谭杰扬，杨 鹏

(1．中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京 100081;2．中山大学地理科学与规划学院，广州 510275)

水稻在我国粮食生产中占有重要地位，是我国重要的粮食作物之一，占全国粮食总播种面积的27%，而其产量达到全国粮食总产量的35%［1］。与此同时，水稻面积遥感监测日益成为农作物空间监测［2］和土地变化科学［3］的热点问题。精确的水稻种植面积信息，可为农业生产、水稻产量的预报及评估、粮食价格预测和国家粮食生产布局及规划等提供科学依据。尤其是近几年来，随着新型高时间、高空间、高光谱卫星传感器不断涌现及分类方法不断改善，极大提高了水稻种植面积遥感监测精度和效率，目前已广泛应用于各种尺度上的遥感监测中［2］，并成为获取水稻种植面积的重要技术手段之一［4］。

但运用遥感技术对水稻种植面积精确监测一直是难点，这与我国水稻空间分布特点紧密相关。中国水稻生长地域跨度大，各地气候、地形等自然条件十分复杂，水稻生长环境、生长季节和耕作制度在不同区域差异很大。依据单双季种植方式主要分区如下:单季稻区 (华北半湿润单季稻作区、东北半湿润早熟单季稻作区、西北干燥单季稻作区和西南高原湿润单季稻作区)、单双混合区 (华中湿润单双季稻作区)及双季稻区 (华南湿热双季稻作区)［5］，因此基于遥感方法获取水稻空间分布信息在不同区域有较大差异［6］。针对区域水稻差异特征，水稻遥感监测面临着一系列问题:南方水稻种植制度的复杂性，包括单季稻区、单双混合区及双季稻区［7］;水稻生长季内多云雨天气，影响卫星数据接收质量;南方丘陵地区水稻种植分散、地块小、形状多样［8］，稻田呈现破碎斑块状［9］，不利于水稻识别与提取;在中低空间分辨率影像上容易出现混合像元现象，易与周围地物类型相混淆，如水塘、湿地以及处于灌溉期或雨水期的旱地［10］。针对上述问题，近年来已有学者广泛开展相关研究，主要集中在针对不同遥感数据源的水稻空间分布提取方法与动态监测上。因此，该研究拟从遥感数据源、分类方法及其相应的特征量进行归纳和总结水稻空间分布遥感提取最新研究进展，以期解决水稻遥感监测中所遇到的问题，为水稻遥感动态监测、作物空间格局演变和农业土地变化科学研究等提供科学支撑。

1 水稻面积遥感数据源

目前常用的水稻面积监测遥感数据源以多光谱光学影像为主 (表1)，依据空间分辨率不同可划分为高分辨率、中高分辨率、中低分辨率遥感影像等。此外，还包括高光谱和雷达影像数据。总体时间分辨率跨度从1～200天，空间分辨率从0．61～1 000m不等。

表1 水稻种植面积遥感监测常用遥感数据源

高空间分辨率影像主要包括QuickBird、IKONOS等，分辨率在10m以内，该类影像优势在于其丰富的地物纹理、色调与形状等特征信息，能够提高作物提取精度。徐新刚等［11］应用QuickBird影像对绵阳实验区油菜、冬小麦及蔬菜等多种作物类型进行分类，获得较好效果;Masuoka等［12］研究表明，在小区域尺度上利用IKONOS对水稻的分类精度比Landsat ETM+分类精度显著提高27%。目前，高分辨率影像应用于作物面积提取还局限于小范围应用及精度验证，大规模的水稻面积监测尚未推广应用。

中高空间分辨率影像包括Landsat TM/ETM+、Landsat OLI、SPOT、CBERS-1/2 CCD、HJ-1A/1B CCD等，其分辨率主要在10～100m之间，是当前水稻遥感监测最常用的数据源，其特征是卫星类型多、覆盖范围广、时间分辨率较高且时间序列较长，可实现大范围水稻种植的长期监测。Peng等［13］利用1986年和2002年两期Landsat TM影像对丽江县包括水稻在内的土地利用类型进行分析，实现了对过去16年间水稻种植区域变化分析;朱晓禧等［14］利用1988年和1998年Landsat TM影像，获取了黑龙江省西部地区的水稻和玉米种植图。中分辨率影像是当前作物遥感监测分类及变化监测中常用的数据源，也是我国农情业务运行遥感监测系统中的主要数据源，但因其时间分辨率不高，容易降低分类精度。

中低空间分辨率遥感影像包括MODIS、SPOT-VGT、NOAA-AVHRR等，分辨率在100～1 000m之间，在水稻种植面积监测中主要应用这类影像的NDVI、EVI、LSWI等数据产品。中低分辨率遥感影像具有高时间分辨率，可结合水稻种植物候信息，快速准确地利用多时相遥感影像对大范围水稻面积的监测［10］。但中低分辨率影像其空间分辨率较低，容易出现混合像元现象。杨沈斌等［15］利用MODIS影像对河南省水稻种植分布提取研究表明，水稻种植分散且地块面积小，易受混合像元影响，导致个别地区水稻面积相对误差超过60%，需要考虑像元分解问题。国内HJ-1A/B CCD数据，双星组网后重访周期达两天，空间分辨率30m，具备高时空分辨率的优势。未来重构时序HJ-1A/B CCD NDVI数据，将极大改善现有时序NDVI时空分辨率不足的缺陷。

此外，高光谱遥感数据和雷达数据也被逐步推广应用于水稻种植面积监测中。目前常用的星载高光谱影像主要有EO-1 Hyperion等，该数据具有丰富的波谱信息，因此在水稻提取中有其独特优势［16，17］。但星载高光谱受数据源覆盖范围窄，故在水稻面积监测中未得到大范围应用。雷达遥感影像主要有RADARSAT SAR［18］、AirSAR［19］、ASAR［20］、ALOS/PALSAR［21］等。应用雷达遥感影像资料进行水稻面积监测可以不受云、雨、雾的影响，可全天候操作，得到稳定可靠的数据，这些特点使其能用于弥补光学影像在南方多云雨地区的不足，但相对于光学遥感影像而言，其信息较弱，可作为辅助数据用于补充多云雨地区光学影像的空缺。

总之，各种遥感数据源各有其优势和不足，水稻面积监测过程中要充分发挥各种数据源的优势，运用辅助数据弥补其不足，提高水稻面积监测精度。因此，综合高、中、低空间分辨率在多种尺度上开展研究，充分发挥多源遥感数据的互补优势，能够为水稻种植面积的遥感监测提供更为多元的数据基础，组成最佳数据获取组合，实现多尺度长时序动态监测将是未来水稻遥感监测发展的重要方向。

2 水稻面积遥感分类方法及特征量选择

水稻面积遥感分类方法是伴随不同类型遥感数据源和研究尺度诞生的。已有学者从3个方面对遥感分类方法进行了简要总结。参数分类器和非参数分类器［22］;作物分类体系［23-26］;水稻作物面积遥感分类［2，4］。为突出数据源与遥感分类技术的综合作用，该研究针对近年来水稻作物面积遥感提取常用的分类方法，按照数据源和应用特征量分为以下5类方法:监督与非监督分类、智能分类 (神经网络、支持向量机、决策树及随机森林等)、面向对象和综合提取算法 (多源数据与多种分类算法相结合)等。遥感数据源与分类方法对应关系见图1。

图1 常用水稻提取遥感数据源及遥感分类方法对应关系

特征量是水稻面积遥感提取中的重要信息，常用特征量包括光谱特征量 (反射率、植被指数)、空间特征量 (面积、周长、形状等)、纹理特征量 (均值、协同性、信息熵、相关性等)及非遥感特征量 (物候、温度、地形等)。不同分类算法对应的主要特征量各有差异:监督与非监督分类对应光谱特征量;智能分类中的神经网络对应光谱特征量与非遥感特征量，支持向量机对应光谱特征量与纹理特征量;决策树与随机森林算法对应光谱特征量与非遥感特征量等多种信息;面向对象对应光谱特征量、空间特征量及纹理特征量;时序植被指数算法对应植被指数光谱特征量及多种非遥感特征量。

因此，准确把握不同算法对应的特征量及不同遥感数据源的差异，将极大改善水稻面积遥感提取的精度。

2.1 监督、非监督分类及特征选择

监督与非监督分类方法应用于作物遥感分类是伴随着多种遥感数据源的涌现而不断发展。监督分类方法利用分类过程中研究者的区域经验、地面调查、结合专业知识，针对水稻种植区域进行样点定点观测进而采用一定的分类规则进行分类提取，其中主要利用像元的光谱特征量进行分类;在分类过程中，关键是感兴趣区域 (ROI)选择和分类后精度检验等步骤［27］。非监督分类又称聚类分析或点群分析，计算机按照一定规则自动地根据像元光谱特征或空间特征组成集群组，而后将各组划分到某一类别中去，其关键是如何将众多群组与研究者想要的分组匹配起来。

20世纪80年代，监督分类就开始应用于耕地监测［28］，耕地作为农业土地利用类型较容易识别，但较难区分耕地层内部作物类型。为此，尝试直接利用监督分类获取农作物分类需要建立完善的分类规则。黄敬峰等［29］利用TM及其它辅助资料，结合监督分类方法，在湖北龙游县开展早稻种植面积遥感分类，获得较好效果。此外，基于高光谱数据开展监督法分类提取水稻面积，丰富的光谱数据表现出更多优势［30］，Rao等［17］利用星载高光谱数据Hyperion和波谱库知识可以识别出不同水稻栽培品种，并取得较好的效果。尽管非监督分类在水稻面积监测应用中不及监督分类广泛，但该方法具备需要人工训练样本少的优势。因此，得到不少学者认可。Badhwar［31］早在20世纪80年代就尝试了利用非监督分类方法对阿根廷夏季作物面积进行监测。国内学者郝卫平等［32］借助ISODATA非监督分类及光谱融合技术获得东北三省的水稻、玉米和大豆的面积，位置精度达85．7%。此外，非监督分类结合地面样方监测数据，也是快速提取水稻面积的有效手段之一，在一定程度上减少监督分类过程中人为干预造成的误差［33］。

尽管监督分类与非监督分类在水稻种植面积监测过程中取得较大进展，但单一分类方法受到多种作物类型混种及“同物异谱”和“异物同谱”限制，导致分类精度不高［34］。为提高分类精度和效率，监督分类与非监督分类的有效结合能获得很好效果［35］。Fang等［36］利用ISODATA非监督分类与最大似然监督分类相结合的方法，辅助地形数据，对朝鲜水稻面积进行提取分类，结果与FAO统计的面积数据高度一致。综上所述，监督分类与非监督分类仍将是未来一段时间内水稻面积遥感监测的基础方法。

2.2 智能分类方法及特征选择

传统的监督分类与非监督分类受人为或地表环境因素限制，导致其分类精度难以达到研究目的和要求。因此，近些年来自动化程度较高的智能分类算法成为新的热点之一。目前水稻面积提取常用的智能分类方法主要包括神经网络、支持向量机、决策树及随机森林等方法。

2．2．1 神经网络

BP神经网络分类算法是神经网络算法中最常用的方法之一，与传统监督分类不同，该方法不仅具有自学、自适应功能，能最大限度地利用先验知识，自动提取“合理的”识别规则，同时具有容错能力，个别训练样本的分量偏差对网络输出的影响很小［37］。

与常规监督分类对数据源正态分布要求不同，BP神经网络则对数据源要求随意，使得利用光谱遥感特征信息与非遥感特征信息同时开展水稻面积提取成为可能。阎静等［38］基于BP神经网络分类算法开展水面积提取，以NDVI、日夜温差值、土壤分布、土地利用及DEM等5个决定因素作为判别水稻覆盖区的输入神经元，最终获得较为理想的分类结果。该方法在一定程度上改善了监督分类中的“同物异谱”、“异物同谱”现象。此外，概率神经网络算法 (PNN)在小区域地物识别中具有显著优势，杨晓华等［39］将该方法运用到水稻分类提取中，结果PNN水稻提取精度较BP神经网络分类精度高13%，该结果证明PNN算法在水稻面积提取中存在巨大潜力。

2．2．2 支持向量机

支持向量机法 (SVM)是一种建立在统计学习理论基础上的机器学习方法，该方法可以自动寻找到对分类有较大区别的支持向量，由此构造成分类器，可将不同类别之间的间隔最大化，具有较好的推广性和较高的分类准确性。

支持向量机法在利用多种特征量提高水稻面积提取精度上具有显著优势。单捷等［40］利用SVM、CART决策树及最大似然监督分类分别对环境卫星的光谱信息 (RVI、PVI、NDVI、MSAVI2、NDWI)和纹理特征信息 (均值、方差、对比度、角二阶矩及相关性)进行水稻面积提取，结果SVM分类结果最佳。为进一步改善SVM法在单一时相提取水稻面积时信息量不足的问题，杨沈斌等［15］采用SVM法，结合时序MODIS植被指数 (EVI、LSWI)，在河南省水稻种植面积提取中获得较好效果，平均误差控制在6．56%。为进一步改善时序MODIS植被指数在空间分辨率上的不足，邬明权等［41］将MODIS产品数据与ETM+数据进行时空融合，获取多期高时空分辨率的遥感影像数据产品，基于SVM分类算法提取水稻面积，最终获取分类精度高达93%，该方法在一定程度上有效地解决了利用Landsat数据进行水稻面积提取过程中数据缺失问题。

2．2．3 决策树

决策树分类是基于遥感图像数据及其他空间数据，通过专家经验总结、数学统计和归纳等方法，获得分类规则并进行遥感分类，其最大特点是多源数据综合应用［42］。而基于专家经验的分类规则建立是决定农作物面积监测精度的最关键因素。

决策树优势在于能够综合运用遥感特征量与非遥感特征量进行水稻面积提取。20世纪80年代，该方法开始应用于作物的识别和探测［43］。随着近年来新型传感器的发展，决策树分类方法在对水稻等多种作物遥感面积监测精度上得到极大提高。林文鹏［44］较早开展利用决策树对水稻等多种作物识别的研究，利用MODIS多时相数据，采用波谱分析的手段，实现对北京地区棉花、春玉米、夏玉米、夏大豆和水稻等五种作物的遥感监测。但基于MODIS影像数据的决策树方法受空间分辨率的限制，仅能满足大尺度农情监测的要求。郑长春［45］改用SPOT-5卫星影像进行决策树分类，水稻面积监测精度有了显著提高。李杨［46］结合纹理、植被指数、适度因子、坡度因子等多特征参与决策树分类，研究区域水稻的精度高达91．30%。鉴于“稻田低温”这一特殊现象［47］，曹丽琴等［48］增加了地表温度特征因子参与决策树分类，使得一定程度上改善地物被错分的现象。

随着国内中高时空分辨率HJ-1A/B CCD、CBERS CCD卫星数据的出现，我国水稻等作物面积监测精度得到进一步提高。钟仕全等利用HJ-1B卫星CCD数据，结合决策树分类法提取的广西宾阳县水稻精度高达94．9%［49］。决策树分类精度的提高，有赖于遥感数据源空间分辨率提高及专家丰富的经验知识获取。

2．2．4 随机森林

单一决策树在分类过程中容易产生过拟合现象，使得分类精度降低。为改善这一不足，集成多个决策树分类器的随机森林算法应运而生，该方法是由美国科学家Leo Breiman Ho于2001年联合发表的一种新的机器学习算法。该算法以K个决策树为基本分类器，随机森林输出的分类结果由每个决策树的分类结果简单投票决定［50］。

该算法在遥感分类应用中处于初步探索阶段，其优势在于能够利用尽可能少且简单的人为定义参数达到较高的分类精度［51］。Lei等［52］将该方法应用到土地利用分类中，结果随机森林算法精度较SVM、MRF等算法精度提高2%～5%，表明该方法在水稻面积提取中同样存在挖掘的潜力。

2.3 面向对象分类及特征选择

与传统基于像元分类方法相比，面向对象分类方法在高分辨率遥感影像中的应用有巨大优势［53］。该分类算法不仅充分利用地物的光谱特征，同时将地物的形状、纹理及结构等信息考虑在内，使得分割后形成若干互不交叠的非空子区域，减少“椒盐效应”;同时由于对象内部相对均一，因而在一定程度上解决了“同物异谱”和“同谱异物”现象［54］。与基于像元分类方法最大不同特点，其分类的精度主要依赖于初期的分割结果质量。

在我国，吴炳方等［55］较早开始利用面向对分类方法对试验区作物进行监测，并取得较好的结果。针对南方丘陵地区水稻种植区相对分散、地块小、形状多样等特点，陈燕丽等［8］利用SPOT-5多光谱数据，应用面向对象分类方法分割并提取了广西玉林市辖区晚稻种植面积，总体精度高达96．31%。尽管面向对象在利用高分辨率影像对水稻面积提取精度有优势，但是对于分割最优尺度选择等问题，有待于进一步研究和推进;面向多分辨率层次结构的遥感影像分析方法，可以更加全面地把握遥感影像的实质［56］，对面向对象分类的精度也有一定的提高。

2.4 时序植被指数法及特征选择

水稻在关键生长发育期 (灌溉移栽期)内具有其独有特征:水、水稻及土壤的混合体［57］，时序植被指数法正是利用水稻关键生育期内多时相遥感影像来识别这一重要特征，将水稻与其它地物类别区分开。常用的主要数据源为多时相MODIS影像，也有部分学者在天气条件较劣的地区采用多时相雷达遥感影像［9，20，21，58］，消除天气状况的影响，获取更高的水稻识别精度。利用多时相分类方法识别水稻及估算种植面积的具体实现步骤:通过一种或多种时序植被指数 (NDVI、EVI和LSWI)的变化规律，设定阈值，进而将水稻的灌溉移栽期识别出来。

归一化植被指数 (NDVI)可以监测植被生长活动的季节与变化，是植被生长状况的最佳指示因子，时序变化曲线可以反映季节和人为活动的变化。因此可以利用多时相NDVI提取水稻关键生育期特征，进而对水稻面积进行提取。MODIS数据兼有中等空间分辨率与高时间分辨率的优势［59］，可以快速实现基于多时相NDVI植被指数对水稻面积的监测［60-62］。针对MODIS影像数据分辨率相对较低问题，有学者提出了基于多源遥感数据进行水稻面积综合提取。陈树辉［63］以时序MODIS NDVI反映水稻物候期内生长状况，结合HJ-1A/B CCD数据进行关键物候期耕地地块内的变化矢量分析，通过水稻像元的特殊变化过程来区分水稻种植范围。基于时序NDVI植被指数提取水稻面积，是早期学者研究基于多时相植被指数快速提取水稻的一种较为有效的方法。但鉴于单一植被指数信息量有限，容易导致水稻面积提取精度不高，有学者提出基于多类型植被指数综合提取水稻面积的监测方法。

针对基于单一植被指数提取水稻面积的局限性，Xiao等［10］提出利用3种多时相植被指数 (NDVI，EVI，LSWI)阈值法综合提取水稻种植空间分布信息，建立识别水稻灌溉移栽期的模型:LSWI+0．05≥EVI或者LSWI+0．05≥NDVI，并将其应用于中国南方13省市［10］和南亚、东南亚等地13个国家［64］的水稻种植空间分布信息提取，并取得较好的精度。国内学者最初直接利用Xiao提出的水稻识别模型，但在部分地区存在较大误差，需根据当地水稻实际种植状况进行改进。冯锐等［7］在Xiao等的基础上改进了适合于东北三省的水稻提取模型:-0．05＜LSWI移栽期＜0．35，0＜NDVI移栽期-EVI移栽期＜0．16，NDVI抽穗期-NDVI移栽期＞0．46，提取结果精度达到89．5%。还有学者尝试基于新的植被指数来提取水稻面积信息，如归一化建筑指数 (NDBI)［65］、EVI2［66］等，使得精度得到进一步提升。

在利用多时相植被指数遥感特征量提取水稻面积分类中，地形和物候等非遥感特征量参与分类，将有助于提高水稻面积提取的精度。考虑到南方丘陵地形复杂，程乾等考虑将坡度信息与多时相MODIS植被指数 (NDVI、EVI)结合，在一定程度上对南方水稻面积提取精度进行了改进。鉴于南方复杂的水稻种植制度，有学者开始尝试基于多时相植被指数，并结合不同熟型的水稻物候信息将其区分开来，获取早稻、晚稻和单季稻空间分布信息［67］。水稻提取精度与种植地区水稻物候历信息密切相关，将国内水稻种植区的物候历信息融入到水稻遥感提取中，将是未来水稻面积遥感监测研究的重要研究方向。

2.5 综合分类及特征选择

随着遥感技术及传感器的发展，多遥感数据源和多分类技术相结合的方法受到研究者日益重视，以改进单一分类算法精度的不足。Lei等［68］利用专家知识分类和离散粗糙度特征对台湾台中市进行水稻种植面积制图，该方法精度比单一主成分分析法 (PCA)精度提高10．67%。汪小钦等［69］则利用多时相ASAR影像，基于主成分变换及面向对象相结合的方法对福州地区早稻进行提取，也取得了较好结果。除多方法相结合以外，多源遥感数据的结合同样可以提高分类精度。邬明权等［70］利用时序MODIS数据，结合样区中高分辨率HJ-1 CCD影像提取水稻特征，逐像元提取水稻移栽期和生长期，不仅避免了大范围水稻复杂分区问题，而且降低了对研究区物候历信息的依赖，快速实现大面积水稻种植面积提取。此外，也有学者尝试将多源遥感数据多种分类算法同时相结合，以进一步提高分类精度。张健康［71］采用TM/ETM+数据和MODIS多时相EVI遥感影像数据，结合基于监督分类与决策树分类的人机交互解译方法，建立决策树识别模型，对黑龙港地区的主要作物进行遥感解译，与单纯对TM影像进行监督分类相比，棉花、玉米、小麦、蔬菜等作物的精度都有提高。

3 展望

遥感技术在水稻种植面积监测方向取得了极大进步，但面对我国水稻区域分布差异大的特征，在多种遥感数据源应用、分类方法及时空变化研究上仍然有提升的空间，具体表现在以下几方面。

(1)未来亟待建立长时间的全国水稻物候历信息及高时空分辨率的时序NDVI数据。可结合农业气象观测站、水稻发育站点完成，为关键生育期遥感影像选择提供技术支撑;单时相影像最佳选择时段为水稻移栽期，多时相遥感影像选择需要选择整个生育期内的遥感影像;针对时序MODIS，SPOT/VGT NDVI空间分辨率不足，未来重构时序HJ-1A/B CCD NDVI数据，将极大改善现有时序NDVI提取水稻过程中其空间分辨率较低不足;多源数据的结合，是未来分类的趋势，西南丘陵地形复杂，坡度变化较大，考虑结合DEM数据，剔除坡度较大不适宜种植的区域，以提高分类精度。

(2)由于南方水稻区复杂的种植模式，需要多时相的分类方法来提取水稻。多时相分类过程中需要多种遥感数据源的结合以提高分类精度，天气条件较劣的地区用雷达数据补充。

(3)由于水稻的种植地块破碎，需要建立分层的面向对象分类方法来提取。分类过程中分层提取将极大改善分类精度，如首先提取耕地层，在此基础上进行水稻提取的结果将有利于改善分类精度;分类过程中需要考虑最优尺度分割选择等问题，未来可以设计依据纹理、形状、波谱等多种特征信息进行自动分割技术来达到最优分割尺度。

(4)考虑到东北地区气候变化明显，需要开展种植北界、种植重心迁移等变化监测来研究水稻迁移规律。种植北界指在气候条件允许条件下的水稻的潜在种植区，其时空变化规律在一定程度上反映出水稻对气候变化的响应;基于人口密度重心原理分析东北地区水稻种植重心的迁移变化规律可以整体上反映出水稻的种植趋势和方向，为水稻生产及决策提供技术支持。

［1］陈晓华，张玉香，张合成．中国农业统计资料2011．北京:中国农业出版社，2012

［2］Kuenzer C，Knauer K．Remote sensing of rice crop areas．International Journal of Remote Sensing，2013，34(6):2101 ～2139

［3］Aspinall R．Editorial．Journal of land Use Science，2006，1(1):1 ～4

［4］于文颖，冯锐，纪瑞鹏，等．基于MODIS数据的水稻种植面积提取研究进展．气象与环境学报，2011，27(2):56～61

［5］孙华生．利用多时相MODIS数据提取中国水稻种植面积和长势信息．杭州:浙江大学，2008

［6］姜晓剑，汤亮，刘小军，等．中国主要稻作区水稻生产气候资源的时空特征．农业工程学报，2011，27(7):238～245

［7］张莉，吴文斌，左丽君，等．基于EOS/MODIS数据的南方水稻面积提取技术．中国农业资源与区划，2011，32(4):39～44

［8］陈燕丽，莫伟华，莫建飞，等．基于面向对象分类的南方水稻种植面积提取方法．遥感技术与应用，2011，26(2):163～168

［9］李坤，邵芸，张风丽．基于RadarSat-2全极化数据的水稻识别．遥感技术与应用，2012，27(1):86～93

［10］Xiao X，Boles S，Liu J，et al．Mapping paddy rice agriculture in southern China using multi-temporal MODIS images．Remote Sensing of Environment，2005，95(4):480 ～492

［11］徐新刚，李强子，周万村，等．应用高分辨率遥感影像提取作物种植面积．遥感技术与应用，2008，23(1):17～23

［12］Masuoka P M，Claborn D M，Andre R G，et al．Use of IKONOs and Landsat for malaria control in the Republic of Korea．Remote sensing of environment，2003，88(1):187～194

［13］Peng J，Wu J，yin H，et al．Rural land use change during 1986-2002 in Lijiang，China，based on remote sensing and GIS data．Sensors，2008，8(12):8201～8223

［14］朱晓禧，方修琦，王媛．基于遥感的黑龙江省西部水稻、玉米种植范围对温度变化的响应．地理科学，2008，28(1):66～71

［15］杨沈斌，景元书，王琳，等．基于MODIS时序数据提取河南省水稻种植分布．大气科学学报，2012，35(1):113～120

［16］Yuan J，Niu Z．Classification Using EO-1 Hyperion Hyperspectral and ETM+Data．Haikou:2007

［17］Rao N R，Garg P K，Ghosh S K．Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data．Precision Agriculture，2007，8(4):173 ～185

［18］Ribbes F．Rice field mapping and monitoring with RADARSAT data．International Journal of Remote Sensing，1999，20(4):745 ～765

［19］Del Frate F，Schiavon G，Solimini D，et al．Crop classification using multiconfiguration C-band SAR data．IEEE Transactions on Geoscience and Remote Sensing，2003，41(7):1611～1619

［20］Bouvet A，Le Toan T．Use of ENVISAT/ASAR wide-swath data for timely rice fields mapping in the Mekong River Delta．Remote Sensing of Environment，2011，115(4):1090 ～1101

［21］Zhang Y，Wang C，Wu J，et al．Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China．International Journal of Remote Sensing，2009，30(23):6301～6315

［22］贾坤，李强子，田亦陈，等．遥感影像分类方法研究进展．光谱学与光谱分析，2011，31(10):2618～2623

［23］杨鹏，唐华俊，刘佳．作物遥感估产中自动分类方法研究进展与展望．中国农业资源与区划，2000，21(2):57～60

［24］许文波，田亦陈．作物种植面积遥感提取方法的研究进展．云南农业大学学报，2005，20(1):94～98

［25］陈水森，柳钦火，陈良富，等．粮食作物播种面积遥感监测研究进展．农业工程学报，2005，21(6):166～171

［26］唐华俊，吴文斌，杨鹏，等．农作物空间格局遥感监测研究进展．中国农业科学，2010，43(14):2879～2888

［27］黄敬峰，Yaghi Ahmad，王人潮．利用GIS与TM资料集成技术估算龙游县早稻面积．农业工程学报，2001，17(1):159～162

［28］Sandham L A，Van Rensburg P A J．Landsat as an aid in evaluating the adequacy of a grain silo network．Remote Sensing of Environment，1987，21(2):229～241

［29］黄敬峰，王人潮，蒋亨显，等．基于GIS的浙江省水稻遥感估产最佳时相选择．应用生态学报，2002，13(3):290～294

［30］Shwetank J K，Bhatia K F．Review of rice crop identification and classification using Hyper spectral image processing system．International Journal of Computer Science and Communication，2010，1(1):253～258

［31］Badhwar G D，Gargantini C E，Redondo F V．Landsat classification of Argentina summer crops．Remote Sensing of Environment，1987，21(1):111～117

［32］郝卫平，梅旭荣，蔡学良，等．基于多时相遥感影像的东北三省作物分布信息提取．农业工程学报，2011，27(1):201～207，插1

［33］黄振国，陈仲新，刘芳清，等．利用SPOT5影像提取水稻种植面积的研究-以湖南株洲市区为例，湖南农业大学学报 (自然科学版)，2013，39(02):137～140

［34］赵春霞，钱乐祥．遥感影像监督分类与非监督分类的比较．河南大学学报 (自然科学版)，2004，34(3):90～93

［35］张峰，吴炳方．泰国水稻种植面积月变化的遥感监测．遥感学报，2004，8(6):664～671

［36］Jang M，Choi J，Lee J．A spatial reasoning approach to estimating paddy rice water demand in Hwanghaenam-do，North Korea．Agricultural Water Management，2007，89(3):185 ～198

［37］陈启浩，高伟，刘修国．辅以纹理特征的高分辨率遥感影像分类．测绘科学，2008，33(1):88～90

［38］阎静，王汶，李湘阁．利用神经网络方法提取水稻种植面积-以湖北省双季早稻为例．遥感学报，2001，5(3):227～230

［39］杨晓华，黄敬峰．概率神经网络的水稻种植面积遥感信息提取研究．浙江大学学报 (农业与生命科学版)，2007，33(6):691～698

［40］单捷，岳彩荣，江南，等．基于环境卫星影像的水稻种植面积提取方法研究．江苏农业学报，2012，28(4):728～732

［41］邬明权，牛铮，王长耀．利用遥感数据时空融合技术提取水稻种植面积．农业工程学报，2010，26(2):48～52

［42］Friedl M A，Brodley C E．Decision tree classification of land cover from remotely sensed data．Remote Sensing of Environment．1997，61(3):399～409

［43］Belward A S，de Hoyos A．A comparison of supervised maximum likelihood and decision tree classification for crop cover estimation from multitemporal LANDSAT MSS data．International Journal of Remote Sensing，1987，8(2):229 ～235

［44］林文鹏，王长耀，储德平，等．基于光谱特征分析的主要秋季作物类型提取研究．农业工程学报，2006，22(9):128～132

［45］郑长春，王秀珍，黄敬峰．基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究．遥感技术与应用，2008，23(3):294～299

［46］李杨，江南，吕恒，等．基于水稻特征波段的决策树分类研究．地理与地理信息科学，2010，26(2):11～14，41，封2

［47］李郁竹，曾燕．应用NOAA/AVHRR数据测算局地水稻种植面积方法研究．遥感学报，1998，2(2):125～130

［48］曹丽琴，李平湘，张良培，等．基于多地表特征参数的遥感影像分类研究．遥感技术与应用，2010，25(1):38～44

［49］钟仕全，莫建飞，陈燕丽，等．基于HJ-1B卫星遥感数据的水稻识别技术研究．遥感技术与应用，2010，25(4):464～468

［50］董师师，黄哲学．随机森林理论浅析．集成技术，2013，2(1):1～7

［51］Pal M．Random forest classifier for remote sensing classification．International Journal of Remote Sensing，2005，26(1):217 ～222

［52］Lei Z，Fang T，Li D．land cover classification for remote sensing imagery using conditional texton forest with historical land cover map．Geoscience and Remote Sensing Letters，IEEE，2011，8(4):720～724

［53］张俊，于庆国，侯家槐．面向对象的高分辨率影像分类与信息提取．遥感技术与应用，2010，(1):112～117

［54］汤传勇，卢远．利用面向对象的分类方法提取水稻种植面积．遥感信息，2010，(1):53～56

［55］吴炳方，许文波，孙明，等．高精度作物分布图制作．遥感学报，2004，8(6):688～695

［56］朱国宾．面向多分辨率层次结构的遥感影像分析方法．武汉大学学报:信息科学版，2003，28(3):315～320

［57］Xiao X，Boles S，Frolking S，et al．Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data．International Journal of Remote Sensing，2002，23(15):3009 ～3022

［58］Conrad C，Fritsch S，Zeidler J，et al．Per-Field Irrigated Crop Classification in Arid Central Asia Using SPOt and ASTER Data．Remote Sensing，2010，2(4):1035～1056

［59］Zhang X，Friedl M A，Schaaf C B，et al．Monitoring vegetation phenology using MODIS．Remote Sensing of Environment，2003，84(3):471～475

［60］阙牡云，李秀芬，韩俊杰．基于多时相MODIS数据的黑龙江省水稻种植面积动态监测研究．黑龙江气象，2010，27(2):21～22

［61］黄青，吴文斌，邓辉，等．2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测．江苏农业科学，2010，(6):508～511

［62］黄青，唐华俊，周清波，等．东北地区主要作物种植结构遥感提取及长势监测．农业工程学报，2010，26(9):218～223

［63］陈树辉，李杨，曾凡君，等．基于多源数据的水稻种植面积提取．安徽农业科学，2011，39(12):7442～7444

［64］Xiao X，Boles S，Frolking S，et al．Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images．Remote Sensing of Environment，2006，100(1):95～113

［65］Bridhikitti A，Overcamp T J．Estimation of Southeast Asian rice paddy areas with different ecosystems from moderate-resolution satellite imagery．Agriculture，Ecosystems＆ Environment，2012，146(1):113 ～120

［66］Kurnia Jayanti I A G，Osawa T，Sandi Adnyana I W，et al．Multitemporal MODIS Data to Mapping Rice Field Distribution in Bali Province of Indonesia Based on the Temporal Dynamic Characteristics of the Rice Plant．Earth Science Research，2012，1(1):64

［67］Peng D，Huete A R，Huang J，et al．Detection and estimation of mixed paddy rice cropping patterns with MODIS data．International Journal of Applied Earth Observation and Geoinformation，2011，13(1):13～23

［68］Lei T C，Wan S，Chou T Y．The comparison of PCa and discrete rough set for feature extraction of remote sensing image classification-A case study on rice classification，Taiwan．Computational Geosciences，2008，12(1):1 ～14

［69］汪小钦，王钦敏，史晓明，等．基于主成分变换的ASAR数据水稻种植面积提取．农业工程学报，2008，24(10):122～126

［70］邬明权，王长耀，牛铮．利用多源时序遥感数据提取大范围水稻种植面积．农业工程学报，2010，26(7):240～244

［71］张健康，程彦培，张发旺，等．基于多时相遥感影像的作物种植信息提取．农业工程学报，2012，28(2):134～141