《農作物面積遙感監測原理與實踐》共10章，主要介紹了農作物面積遙感監測技術方法，簡要介紹了農作物面積遙感監測的研究背景及數據源情況，詳細描述了基于高分數據的農作物面積遙感監測總體技術路線，并從數據的預處理技術、地面樣方獲取技術、農作物遙感監測分類技術方法及區域農作物面積識別和提取等方面進行了系統性研究，對各類方法進行了實踐檢驗，同時面向海量遙感數據處理，搭建農作物面積遙感監測硬件平臺和軟件環境，從而對當前農作物面積遙感監測提取的完整業務化流程進行描述。
農業統計及決策部門、相關研究機構的農業遙感監測研究人員、高等院校農業遙感相關專業師生等
目錄
第1章 農作物面積遙感研究背景 1
1.1 引言 1
1.2 農業遙感監測的理論基礎 2
1.3 農作物面積遙感監測國內外研究現狀 5
1.4 農作物面積遙感監測主要技術方法簡介 7
1.4.1 目視解譯 8
1.4.2 非監督分類 8
1.4.3 監督分類 9
1.4.4 面向對象分類 10
1.4.5 決策樹分類 11
1.4.6 混合像元分解 12
1.4.7 空間抽樣法 13
1.4.8 單時相及多時相分類法 13
第2章 農作物面積遙感監測數據源 15
2.1 引言 15
2.2 主要遙感數據源介紹 16
2.2.1 MODIS影像 17
2.2.2 Landsat影像 17
2.2.3 RapidEye衛星影像 18
2.2.4 WorldView衛星影像 19
2.2.5 Sentinel哨兵系列衛星影像 20
2.2.6 環境(HJ)系列衛星影像 21
2.2.7 資源(ZY)系列衛星影像 22
2.2.8 高分系列衛星影像 23
2.2.9 Google Earth影像 24
2.2.10 無人機影像 24
2.3 農作物分類輔助數據 25
2.3.1 基礎地理信息數據 25
2.3.2 統計年鑒資料 25
2.3.3 地面實測數據 26
第3章 基于高分數據的農作物面積遙感監測總體技術路線 30
第4章 農作物面積遙感監測影像預處理技術研究 33
4.1 引言 33
4.2 基于6S大氣輻射傳輸模型的GF-1影像快速大氣校正 34
4.2.1 研究背景 34
4.2.2 6S模型大氣校正概述 35
4.2.3 試驗數據獲取 36
4.2.4 基于6S模型的GF-1衛星影像大氣校正 37
4.2.5 結果與分析 41
4.2.6 小結 46
4.3 基于RPC參數區域網平差的GF-1衛星影像幾何校正 47
4.3.1 研究背景 47
4.3.2 幾何校正概述 48
4.3.3 試驗數據獲取 49
4.3.4 研究方案 51
4.3.5 結果與分析 53
4.3.6 小結 58
第5章 農作物面積遙感監測地面樣方獲取技術研究 59
5.1 引言 59
5.2 無人機遙感數據的農作物面積提取 59
5.2.1 研究背景 59
5.2.2 研究區概況 61
5.2.3 研究方案 61
5.2.4 數據獲取與應用 62
5.2.5 農作物識別 68
5.2.6 小結 70
5.3 Google Earth影像輔助的農作物面積地面樣方調查 71
5.3.1 研究背景 71
5.3.2 研究區概況 72
5.3.3 數據獲取與處理 73
5.3.4 研究方案 74
5.3.5 結果與分析 75
5.3.6 小結 77
第6章 農作物遙感監測分類技術方法研究 79
6.1 引言 79
6.2 基于目視解譯方法的糧豆輪作項目實施效果遙感監測 79
6.2.1 研究背景 79
6.2.2 研究區概況 80
6.2.3 數據獲取與處理 80
6.2.4 研究方案 84
6.2.5 結果與分析 88
6.2.6 小結 91
6.3 基于HJ時序影像的多種農作物種植面積同時提取 92
6.3.1 研究背景 92
6.3.2 研究區概況 93
6.3.3 研究方案 93
6.3.4 結果與分析 97
6.3.5 小結 101
6.4 基于分層決策樹的高分時序影像農作物面積提取 102
6.4.1 研究背景 102
6.4.2 研究區概況 102
6.4.3 數據獲取與處理 102
6.4.4 研究方案 105
6.4.5 結果與分析 109
6.4.6 小結 110
6.5 短波紅外波段對農作物面積提取精度影響的研究 111
6.5.1 研究背景 111
6.5.2 研究區概況 112
6.5.3 數據獲取與處理 113
6.5.4 地面樣方調查 113
6.5.5 研究方案 114
6.5.6 結果與分析 116
6.5.7 小結 121
6.6 紅邊波段對農作物面積提取精度影響的研究 122
6.6.1 研究背景 122
6.6.2 研究區概況 123
6.6.3 數據獲取與處理 124
6.6.4 研究方案 126
6.6.5 結果與分析 127
6.6.6 小結 132
6.7 基于森林分類算法的農作物精細識別及面積提取應用研究 133
6.7.1 研究背景 133
6.7.2 研究區概況 134
6.7.3 數據獲取與處理 134
6.7.4 研究方案 135
6.7.5 結果與分析 138
6.7.6 小結 141
第7章 區域農作物面積識別與提取 143
7.1 研究背景 143
7.2 研究區域 144
7.3 數據獲取及預處理 145
7.3.1 GF-1衛星影像預處理 145
7.3.2 基于分類單元的NDVI合成 146
7.3.3 訓練及區域驗證樣本的獲取 146
7.4 研究方案 150
7.4.1 技術路線 150
7.4.2 中國冬小麥物候特點 150
7.4.3 冬小麥面積指數影像構建 151
7.4.4 WWAI提取閾值自適應確定 153
7.4.5 種植面積提取精度驗證 153
7.5 結果與分析 153
7.5.1 重點研究區冬小麥識別提取及精度驗證 153
7.5.2 區域冬小麥面積提取與精度驗證 156
7.6 小結 157
第8章 尺度效應對農作物面積提取的影響研究 159
8.1 研究背景 159
8.2 研究區概況 160
8.3 數據獲取與處理 161
8.4 研究方案 162
8.4.1 技術思路 162
8.4.2 地面調查 163
8.4.3 景觀破碎度計算 163
8.4.4 精度驗證方式 163
8.5 研究過程和結果 163
8.5.1 冬小麥面積識別精度的尺度效應 163
8.5.2 冬小麥識別精度與景觀破碎度的關系 165
8.5.3 冬小麥像元可識別程度的尺度效應 166
8.5.4 冬小麥斑塊大小的尺度效應 167
8.5.5 冬小麥光譜變化的尺度效應 168
8.6 小結 169
第9章 農作物面積遙感監測硬件平臺和軟件環境 170
9.1 開發背景 170
9.2 硬件環境建設 170
9.2.1 硬件結構概述 170
9.2.2 并行計算集群 170
9.2.3 存儲 174
9.2.4 網絡 175
9.3 管理平臺開發 175
9.3.1 群管理平臺 175
9.3.2 數據庫管理平臺 175
9.3.3 數據調度平臺 178
9.4 運行效率測試 181
9.4.1 并行能力 181
9.4.2 計算效率 182
9.5 小結 182
第10章 展望 183
參考文獻 185
第1章 農作物面積遙感研究背景
1.1 引言
我國是農業大國，糧食生產是關系社會穩定和人民生活的重大問題。因此，農業生產情況一直受到國家、各級政府管理部門的高度重視。農業生產中，耕地面積、農作物播種面積、農作物長勢情況等信息是國家每年制定生產管理措施及經濟計劃的重要依據。因此，通過農業統計調查，及時獲取農作物的種植情況(面積、產量)，估計農作物種植面積和農作物產量，對國家掌握農業糧食生產狀況，制定合理、有效的農村政策措施，確保國家糧食安全具有十分重要的意義。
遙感作為采集地球表面地理目標信息的有效技術手段，以其對地表信息獲取的覆蓋面廣、信息量大、周期短、受地面條件限制少、調查成本相對較低等優點，在農情監測方面具有明顯的技術優勢，是農情信息獲取的關鍵技術。近年來，隨著經濟的快速發展，耕地面積逐年減少，區域內糧食種植面積和產量年際與季節波動幅度大，如何利用遙感技術監測主要糧食作物的種植面積和單產，及時地為政府決策部門提供糧食生產狀況，對于糧食宏觀調控和貿易，無疑具有非常重要的意義。在農作物遙感估產中，農作物種植面積的遙感估算是農作物產量預測的基礎和主要內容；而及時的農作物種植面積更新信息對于農業管理十分必要。到目前為止，諸多關于農作物種植面積提取的遙感方法與模型已經提出并得到廣泛應用。從初的遙感圖像人工目視解譯法到各種基于統計學原理的傳統計算機自動分類方法及其他計算機輔助的遙感分類法，農作物遙感信息提取在方法的性與時效性上發生了質的飛躍，計算機遙感圖像分類技術以其可重復性、性、時效性等特點，成為了現代農作物種植面積遙感測量的關鍵技術之一。利用遙感技術進行糧食作物種植面積調查直接的方法是以遙感數據作為主要數據源，進行分類識別，對分類結果直接進行統計得到作物面積。根據不同傳感器及遙感數據的空間分辨率、時間分辨率和光譜分辨率的不同，發展出許多分類識別的方法。
農業遙感監測是以遙感技術為主的空間信息技術對農業生產過程進行的動態監測。農業遙感監測的內容是對主要糧經作物的種植面積、作物布局、作物長勢、農業災害發生與發展、作物產量等生長過程進行系統監測。其范圍大、時效高和客觀的優勢是常規監測手段無法企及的。民以食為天，糧食安全問題在過去、現在及未來都是國家生存與發展的重大問題，如何為我國糧食安全和農產品貿易提供及時的農作物長勢、面積、災情定量和動態信息，已經使農業遙感成為決策信息不可替代的重要來源，并和常規統計調查手段相結合，共同構成現代立體型農業信息采集處理分析系統。隨著遙感等空間技術的發展，農業遙感監測在技術發展和應用深度均進入了一個全新時期，同時，也成為信息農業、精準農業和數字農業的一個重要組成部分。我國農業遙感監測已有30余年的研究歷史，從"六五"計劃開始至現在，經歷了技術研究到示范應用這個過程，目前，能在一定程度上滿足國家糧食安全和農業結構調整的信息需求。但由于我國國土遼闊、地形復雜、農作物種植結構多樣、農戶規模小，以及遙感技術發展的局限性，農業遙感在某些關鍵技術和應用運行方面仍然需要加強研究。通過研究和技術改進，使遙感技術在農業領域發揮更重要的作用。
近年來，隨著我國國產遙感衛星不斷發射，國產高分衛星農業技術研究與應用體系日趨成熟，尤其是HJ(環境)系列衛星、ZY(資源)系列衛星、GF(高分)系列衛星的發射，研究運用遙感技術進行農業遙感監測及農作物面積遙感提取技術方法的迫切性不斷提高。本書將以國產GF-1影像為主要數據源，結合其他數據(無人機航拍、Google Earth影像、HJ影像等)，系統研究全國主要農作物面積業務化提取技術的完整流程，包括數據獲取及預處理技術、農作物識別及面積提取技術、全國尺度農作物面積業務化提取技術等，為實現基于國產高分衛星數據的全國農業遙感監測及主要農作物面積提取提供了可行的技術路線。
本章將從農業遙感監測的理論基礎、農作物面積遙感監測國內外研究現狀及農作物面積遙感監測主要技術方法三個方面進行敘述，講解農作物面積遙感監測的發展、現狀及主要技術方法，使讀者對當前形勢下的農業遙感監測有更直觀的了解。
1.2 農業遙感監測的理論基礎
遙感技術是從人造衛星、飛機或其他飛行器上收集地物目標的電磁輻射信息，并以此對地面環境或目標進行識別判斷的技術。任何物體都有不同的電磁波反射特征或輻射特征，這些反射特征或輻射特征又可以反映出不同地物的不同物質成分和結構信息。地球上各類型的地物，如植被、水體、土壤、巖石等，具有不同的光譜特征，其特征的差異是進行地物分類識別的基礎。農業遙感的主要研究對象是植被中的農作物，農作物植被獨特的反射光譜特征、周期性的生長特性及其他特性是農業遙感進行作物反演識別的基礎。
典型植被反射光譜特征如圖1-1所示，地面植被的光譜響應特征明顯區別于其他地物，其光譜特征既與其內在的特性有關，又與植被生長的環境、植被發育情況和健康狀況等密切相關。在可見光(0.38～0.78μm)范圍內，植被的色素(主要是葉綠素)是形成植被獨特光譜特征的關鍵因素，在0.45μm的藍光波段及0.65μm的紅光波段內，葉綠素能吸收掉大部分的入射太陽光，用于光合作用，同時在兩個吸收帶之間的綠色波段(0.54μm)范圍內，由于吸收相對較弱，形成一個小的反射峰，因此大部分的植被呈現綠色。而在近紅外波段，植被的光譜特征主要受到植被葉細胞構造的影響，在該波段形成一個非常強烈的反射峰，因此常常使用植被在近紅外波段的高反射率和可見光波段的低反射率的特性進行植被的識別。而在可見光波段與近紅外波段之間(0.67～0.76μm)，植被反射率從低到高迅速攀升，紅邊波段與植被的各項生理參數密切相關，是描述植物色素狀態和健康狀態的重要指示波段，是進行遙感植被調查的理想波段。在中紅外波段范圍內，植被的光譜特征主要受植被中含水量的影響，在1.4μm、1.9μm和2.7μm波段范圍內，形成水分的強烈吸收帶，其中，2.7μm是水分的主要吸收波段位置。一般情況下，隨著植被葉片水分含量的減少，植被中紅外波段的反射率將明顯增大。
圖1-1 植被光譜反射特征曲線
農作物區別于其他地類的另一大特性是其周期性生長的特性，即農作物的物候期，所謂"春種秋收"、"春華秋實"即描述植被這種周期性的生長特點。依據農作物物候期的規律，使用不同時相的遙感影像，可以有效區分植被與非植被、不同種類的植被。使用歸一化植被指數(normalized difference vegetation index，NDVI)時序曲線可以標記農作物的物候期，以冬小麥為例，圖1-2為2013～2014年度華北地區典型冬小麥的物候曲線，橫軸為時間、縱軸為歸一化植被指數。冬小麥發育時期一般可以分為播種期、出苗期、分蘗期、越冬期、返青期、拔節期、抽穗期、乳熟期和成熟期9個時期，由圖1-2可以看出，冬小麥一般在10月初播種，此時NDVI較小；經過出苗期到分蘗期后，冬小麥不斷生長，NDVI逐漸提高；12月中下旬開始進入越冬期后，冬小麥NDVI逐漸降低；至翌年3月開始返青，4月進入生長旺期，冬小麥NDVI達到點；經過抽穗期、乳熟期至成熟期后，NDVI逐漸減小，至6月中下旬收割完畢。可見冬小麥整個生長季近8個月，其生長狀態可以從NDVI時序曲線清晰地反映出來，利用這種獨特的周期性生長特性，結合多時相遙感影像，可以很好地區分單景影像上難以區分的地物類別。
圖1-2 華北地區冬小麥典型物候曲線
除了作物的光譜特征及物候特性外，作物還具有區別于其他地物的典型特性。例如，作物生長的耕地一般為平地，因此坡度較小，可以結合耕地資料或數字高程模型(DEM)資料進行輔助解譯；作物的紋理一般較為細致，有規則分割的田埂；水稻等喜水作物附近有灌溉溝渠等。綜合這些作物相關特性，進行作物面積遙感識別監測，可以有效提高作物分類提取的精度。圖1-3為GF-2全色與多光譜融合影像，由圖1-3可以看出，在高分辨率尺度下，城鎮地區紋理粗糙、林地紋理稍顯細密、冬小麥地塊則紋理緊致。
圖1-3 GF-2衛星影像典型地物紋理
1.3 農作物面積遙感監測國內外研究現狀
農作物種植面積是農作物估產的基本要素，其空間分布圖在環境、經濟和政治方面，特別是農業政策方面，具有非常重要的作用(Vaudour et al.，2015；Thenkabail，2010)。我國是世界農業大國，農作物面積和產量的豐歉歷來受到我國和世界各級政府部門的高度重視，是國家制定糧食政策和經濟計劃的重要依據。近年來，隨著中國經濟的迅猛發展，農業生產面臨新形勢，加之全球氣候變化等因素的影響，農作物種植面積及其空間分布出現波動性變化(蔡劍和姜東，2011；楊曉光等，2010)。快速地掌握我國主要農作物種植面積及其空間分布，對于輔助政府有關部門制定科學合理的糧食政策和世界糧食安全具有極其重要的意義，是確保國家糧食安全、合理調整種植結構、正確處理"三農"問題的重要保障。
我國作物種植種類繁多，主要作物包括冬小麥、玉米、水稻、大豆等，根據國家統計局統計資料，2015年全國糧食播種面積11334.05萬hm2(170010.75萬畝①)，全國糧食總產量62143.5萬t。長期以來，我國作物面積及產量信息主要依靠抽樣統計調查，采用行政手段逐級上報匯總的方式獲取，該方法容易受到人為因素的影響，費時費力，越來越難以滿足相關部門管理、決策的需求。遙感影像具有覆蓋面積大、重訪周期短、信息資料豐富、現勢性強、費用低的優點，遙感技術已逐步成為作物面積監測的重要技術之一，農業遙感監測技術的研究也日益受到人們的重視。
在國際上，利用遙感技術進行作物面積監測起步較早，并已取得了豐富的成果。早在1974年，美國就開展了"大面積作物估產試驗"(Large Area Crop Inventory and Experiment，LACIE)計劃，應用LandsatMSS影像對作物進行識別，估算作物的面積、單產和總產。到1978年，估產的范圍從美國擴大到全球，估產的對象從小麥擴展到玉米、大豆、水稻等農作物，估產的精度也不斷提高，對冬小麥估產的精度達90%以上。LACIE計劃是早開展的農業遙感監測工作，成為了遙感在農業上應用的里程碑。在此之后，從1980年開始，美國又制定了"農業和資源的空間遙感調查計劃"(AGRISTARS)，進行美國及世界多種糧食作物的長勢評估和總產量預報，此計劃成功地將面積抽樣框架技術(areasamplingframe)和遙感技術引入農作物種植面積估測中，該計劃的實施為美國農業獲取了巨大的利益。到2009年，美國首次實現了其全國20多種農作物的遙感空間分布制圖，并在以后逐年更新，現在已實現每年幾十種農作物的監測和空間分布制圖，在第二年的1月通過互聯網向全球，空間分辨率為30m。美國的農作物空間分布制圖不僅服務了該國的農業生產，產生的科學數據產品還在氣候變化研究、生態學、土地管理、環境風險評價、生物能源、植物保護、水資源管理、高效施肥、農業保險等方向有科學研究與應用，推動了科技進步。
歐盟于1987年提出了MARS(Monitoring Agriculture with Remote Sensing)計劃，該項目研究的目的是利用遙感技術開發出歐盟內部農業統計體系的新方法，并研制能夠實際應用的運行系統。該項目中的優先研究內容包括農作物種植面積清查、農作物總產量清查、農作物總產量預報。MARS可快速提供關于歐洲農作物狀況的早期統計信息，這些信息包括每年種植面積較前一年變化的百分比，以及預計當年的農作物產量。這些信息必須動態地在歐盟每月出版的《農作物狀況通報》上發表。MARS主要應用于以下兩個方面：一是針對歐盟范圍內的農業補助金申請情況，對農作物申報結果進行核查；二是利用遙感技術對農作物進行檢測并進行作物產量估計。2003年，歐盟啟動了全球環境與安全監測(Global M
