多时相高分一号影像在丘陵地区大宗农作物提取中的应用

覃泽林　谢国雪　李宇翔　兰宗宝　苏秋群　谢福倩　张家玫　张秀龙

摘要：【目的】基于多时相的高分一号（GF-1）影像，利用面向地块对象分类法提取广西崇左市江州区大宗农作物种植面积，为南方多云雨丘陵地区提取作物信息提供参考。【方法】以2 m分辨率的GF-1影像为数据源，采用人机交互的方式准确识别地表覆盖的地块信息，基于对多时相GF-1影像进行云影检测，并处理生成影像的光谱、归一化植被指数（NDVI）、亮度等特征，采用面向地块对象的分类方法提取甘蔗、水稻和香蕉的作物信息。【结果】根据混淆矩阵评价分类的结果可知，提取大宗农作物的总体精度为90.08%，Kappa系数达0.85，满足农业成果应用的精度要求。【结论】利用有效影像数据，结合地块数据完成作物信息提取，该技术方法能够准确提取丘陵地区大宗农作物信息，为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。

关键词： 多时相；高分一号（GF-1）；丘陵；大宗农作物；信息提取

中图分类号： S127 文献标志码：A 文章编号：2095-1191（2017）01-0181-08

Abstract：【Objective】Based on multi-temporal GF-1 image， this paper extracted the planting area of staple crops in Jiangzhou， Chongzuo， Guangxi by using object-oriented classification， and provided reference for crop information extraction in southern hilly region. 【Method】Based on GF-1 image with 2 m resolution， human-computer interaction was conducted to accurately identify parcels information under land coverage. Cloud shadow detection was conducted based on multi-temporal GF-1 image. Features of the generated image such as spectrum， normalized differential vegetation index （NDVI） and brightness were processed. Crop information of sugarcane， rice and banana were extracted using object-oriented classification method. 【Result】According to the result of confusion matrix evaluation classification， the overall accuracy of staple crops extraction was 90.08%， and Kappa coefficient was 0.85， which met the accuracy requirements for application of agricultural achievements. 【Conclusion】This paper uses the effective image data and combines parcel data to complete the extraction of crop information. This technical method can accurately extract crop information in hilly regions， and lay a foundation for solving the problem of extracting crop information in rainy hilly region in the south.

Key words： multi-temporal； GF-1； hill； staple crop； information extraction

0 引言

【研究意義】遥感技术作为一门实用技术备受政府、企业及广大学者的青睐，目前已在农业、林业、环保、国土等领域得到有效利用，其中，农业是遥感技术应用成效最好、使用最广泛的领域之一（赵春江，2014）。遥感技术在农作物种植面积监测、产量评估、病虫害监测、长势监测、自然灾害监测等方面具有重要作用。农业遥感技术的发展使得快速、准确监测大范围农作物种植面积得以实现，对于农业的生产与布局调整具有重大意义。【前人研究进展】国内外学者已利用遥感技术对农作物信息提取进行了大量研究。提取大范围区域作物种植面积多采用TM/ETM+（张健康等，2012）、MODIS（Ozdogan，2010；Vintrou et al.，2012）、CBERS-04（胡显伟和汪彪，2016）等中低分辨率影像数据。同时，多种卫星影像数据综合使用的方式较常用，如张健康等（2012）通过多时相的TM/ETM+及MODIS EVI影像数据，结合基于生态分类法的监督分类及决策树分类法成功提取了河北省黑龙港地区冬小麦等作物种植信息。为了更准确提取作物种植信息，现已逐渐由利用单一时相影像向利用多时相影像的模式转变。多时相影像能够有效监测不同作物生长情况，更利于作物的区分，大宗作物信息提取对象主要以玉米、冬小麦为主。Verbeiren等（2008）基于多时相的SPOT影像，提取了比利时玉米和冬小麦的种植信息；侯亮等（2015）利用多时相的TM影像，采用基于NDVI分类和监督分类法获得了河北省环渤海区域的玉米作物空间分布图。随着我国遥感技术的不断发展，国产影像凭借获取速度快、影像种类多、高分辨影像价格低、中分辨率影像免费的优势，逐渐占领国内市场，广大学者利用国产影像提取作物信息研究日益增多。玉苏普江·艾麦提等（2014）以HJ星为数据源，采用分类回归树分析的决策法对新疆维吾尔自治区西部的库车、沙雅和新和3县的棉花种植面积进行了提取；郭燕等（2015）通过高分一号（GF-1）影像及Landsat-8等数据对河南省许昌市鄢陵县的玉米种植面积进行了识别和提取；李峰等（2015）利用HJ-1CCD影像提取了山东省冬小麦种植面积；林子晶等（2016）应用HJ星和GF-1影像数据提取了江苏省南通市如皋市的水稻种植面积。【本研究切入点】鉴于我国南方地区气候条件复杂，卫星影像大部分被云影覆盖，难以获得作物生长关键期所对应的无云影像数据；另外，由于该地区受地形起伏大、地块破碎、种植结构复杂等因素制约，严重阻碍了作物信息监测。目前，针对南方丘陵地区作物信息提取的相关研究报道较少。【拟解决的关键问题】以广西崇左市江州区为研究对象，利用有效的多时相GF-1影像，基于光谱、纹理、归一化植被指数（Normalized difference vegetation index，NDVI）、亮度等特征，采用面向地块对象的分类提取甘蔗、水稻和香蕉等大宗农作物的种植面积，为解决南方多云雨丘陵地区提取作物信息难题提供参考。

1 数据来源与研究方法

1. 1 研究区域概况

崇左市江州区地处广西西南部，位于东经107°6′23″～107°47′33″、北纬22°9′34″～22°54′18″，地势南北高、中东部低，属南亚热带季风气候区，年均气温22.3 ℃，极端最高气温41.0 ℃，最低气温-1.9 ℃，日照时数1634.4 h，年均降雨量约1150 mm，无霜期364 d，气温较高，光照充足，雨量充沛但分布不均，土壤多呈弱酸性。自然资源十分丰富，主要作物有甘蔗、水稻、香蕉、木薯、玉米、花生、龙眼和荔枝等，主要野生植物有龙血树、金银花和金茶花等，主要动物有白头叶猴、穿山甲和沉香鱼等。

1. 2 数据来源

本研究使用的数据主要包括：①2016年5月17日的高分辨率GF-1影像；②2016年2、4～10月共8个时相的GF-1影像，分辨率为16 m；③0.5 m分辨率的谷歌地球影像；④30 m分辨率的数据高程模型（DEM）；⑤广西崇左市江州区行政边界矢量数据。

1. 3 研究方法

1. 3. 1 影像预处理 以0.5 m分辨率的谷歌地球影像为参考，在ERDAS 2014中采用区域网平差校正得到全色波段正射影像，进而以该数据为参考影像，利用自动纠正模型校正多光谱影像，后期经过影像融合、镶嵌、裁剪处理，分别得到2和16 m分辨率的正射影像。区域网平差方法能有效避免相邻影像纠正后接边处出现偏移的现象，且自动纠正模型能够消除影像融合产生重影的情况。影像校正过程按照平原地区偏移在一个像元以内、控制点残差值小于0.5、山地区域偏移不能大于两个像元、控制点残差值小于1.0、总体中误差值小于1.0的要求执行；若影像精度检验发现不满足精度要求，则重新校正。为充分利用有效影像数据，使用监督分类方法对具有云影覆盖的中分辨率影像进行云影检测（黄启厅等，2016），并去除云影遮盖区域。影像云量覆盖统计情况如表1所示。

1. 3. 2 外业调查 本研究利用全球定位系统（Global positioning system，GPS）、遥感（Remote sensing，RS）和地理信息系统（Geographic information system，GIS）3种技术结合的方式进行外业调查。采集作物解译标志，并拍摄实地照片，为作物的提取与成果精度验证提供准确参考数据。采集的作物解译标志包括甘蔗、水稻、香蕉、玉米和木薯等。

1. 3. 3 样本库建立 通常不同的作物在同一张影像上表现出不同的影像特征，为正确识别不同的作物，根据野外采集的解译标志，综合GF-1影像和谷歌地球影像，分别选取甘蔗、水稻和香蕉表现的不同特征建立样本库（表2），为后期地块识别与作物分类提供有效特征参考。

1. 3. 4 归一化植被指数（NDVI） 不同植被具有不同的光谱特征，利用NDVI时间序列数据是提取植被物候特征的有效方法之一（平跃鹏和臧淑英，2016）。根据公式（1）计算NDVI：

NDVI= （1）

式中，ρNIR、ρR分别表示近红外波段反射率和红波段反射率。結合样本库特征在影像无云区域，分别选取甘蔗、水稻和香蕉为样本点，计算并统计其不同时期的NDVI得到作物初始数据，运用Savitzky-Golay（S-G滤波）进行平滑去噪，建立不同作物的NDVI时间序列。经该方法处理的NDVI时间序列曲线能有效反映作物在不同时期的生长情况（程良晓等，2016），得出多种作物的NDVI时间序列曲线（图1）。NDVI时间序列曲线的上升和波峰反映了作物的生长期及成熟期，曲线的差异值即为区分不同作物的有效值。研究区种植的甘蔗和香蕉属于一年种植一季作物，水稻属于一年种植两季作物，因此NDVI时间序列对于提取这些作物极其重要。由图1可知，4、6和7月的作物NDVI差异较大，曲线未出现相交情况，因此该时段是提取作物的关键时期；甘蔗与香蕉的NDVI值虽然不存在相交情况，但两者生长曲线极为相似，互相干扰因素较大，其中，除了8月两者的NDVI极为接近外，其他时期香蕉的NDVI比甘蔗的稍大，7和8月分别为香蕉和甘蔗生长最茂盛时期，NDVI的差异即为提取两者的突破口，两者可同时提取；水稻在6月处于成熟期，NDVI出现明显的下降趋势，对于提取该作物极为有利。综上，根据NDVI时间序列曲线及影像云量统计情况，并结合作物生长的周期，确定提取甘蔗和香蕉作物影像时期均为4、6、7、9和10月，提取水稻作物的选取影像时期为4～7月。

1. 3. 5 建立分类规则 本研究根据影像质量与南方丘陵地区作物生长及种植情况，基于不同影像特征，编写不同作物的分类规则，即以2016年5月17日2 m分辨率的GF-1影像为数据源，基于农作物地块数据进行棋盘分割生成地块对象，再根据分类规则提取甘蔗、水稻和香蕉的影像，首先提取水稻的影像，再同时提取其余两种作物的影像，具体分类规则如表3所示。面向地块对象分类方法提取大宗农作物需经过3个步骤。第1步主要提取水稻，虽然5月不是提取作物影像的最佳时期，但2 m分辨率影像上水稻纹理信息极为突出，其为提取水稻的关键影像，因此将该影像与4、6和7月影像综合使用提取水稻；水稻分布多呈片状，其特征与其他作物的区别较为明显，初次分类仅分为水稻和其他作物，最邻近分类法对于提取水稻更具有优势。第2步是在第1步分类后得到的其他作物对象中提取甘蔗和香蕉，主要利用4、6、7、9和10月共5个时相影像光谱、亮度、NDVI特征进行分类，非甘蔗和香蕉归类为其他作物，分类过程中由于多期有效影像数量过少，少量甘蔗和香蕉归类为其他作物，因此需选取无云覆盖影像完成提取工作。第3步分类工作主要选取无云覆盖影像继续完成甘蔗和香蕉的提取，以4和10月无云覆盖影像为数据源，基于光谱、亮度和NDVI特征，利用支持向量机完成提取工作。本研究根据作物的特征选取不同时期影像，利用不同的特征编写对应的分类规则，有效提高了分类精度。

2 结果与分析

2. 1 影像处理成果

经过影像预处理后得到准确的地位位置，利用云影检测矢量数据建立掩膜剔除云影覆盖区域，无云影覆盖区域则参与影像分类，每一个有效像元得到充分利用。如图2-A所示，影像原始数据无任何坐标信息，因此需经过影像预处理得到有效的影像数据，处理的影像成果分为无云覆盖影像和有云覆盖影像；无云覆盖影像可直接用于影像分类，其效果如图2-B所示；有云覆盖影像需要进行云影检测及剔除云影覆盖区域（图2-C）；经过云影剔除影像效果如图2-D所示，虽然被云影覆盖区域剔除后出现影像不完整现象，但保留的区域仍可用于影像分类，减少了云影覆盖区域对作物分类的干扰，充分利用有效数据，该处理方式是解决南方多云雨地区影像缺失较好的方法之一。

2. 2 作物解译标志

本研究通过外业调查采集到作物解译标志并拍摄实地照片，通过将不同作物在影像上反映特征与实地特征对比的方式加深技术人员对不同作物的认识，进而根据不同的特征进行作物分类。外业调查共采集的解译标志点共5614个，其中，甘蔗4729个、水稻152个、香蕉142个、玉米129个、木薯129个及其他作物333个。采集的部分解译标志如图3所示。

2. 3 分类结果

2. 3. 1 地块信息准确识别 南方丘陵地区普遍存在地块破碎、种植结构复杂等现象，提取这些区域的农作物信息难度较大。为保证提取作物地块信息的完整性和分类精度，以分辨率为2 m的GF-1影像为数据源，根据影像上地块清晰的边界，采用人机交互的方式对地块信息进行识别，即大范围的林地、建设用地、其他规整地块采用多尺度分割方法完成地块识别，对于无规则地块则通过人工绘制提取，结合高分辨率的谷歌地球影像对地块种植信息进行区分，划分的地类包括农作物、果园、林地、草地、水域、建设用地、道路、设施农业用地及其他用地，通过重分类方法能够实现批量化属性录入。地块绘制的总数为445956个，识别的效果如图4所示。虽然该项工作花费大量的时间，但保证了丘陵区域地块的完整性，有效缩小了后期作物信息提取的研究范围（农作物包括甘蔗、玉米和水稻等），同时识别的地块信息可应用于其他领域研究。

2. 3. 2 大宗农作物信息提取 以多时相GF-1影像为数据源，利用面向地块对象分类方法提取甘蔗、水稻和香蕉作物信息。主要应用eCognition 9.0平台完成作物信息的提取，通过样本转换算法将解译标志点生成样本，根据提取的作物类型选取不同分辨率及不同时期的影像，基于光谱、纹理、亮度、NDVI等特征，编写不同作物对应的分类规则完成信息提取，提取的甘蔗、水稻和香蕉的作物信息成果如图5所示。

2. 4 提取成果精度分析

为了客观检验分类成果的精度，基于Kappa系数法在ENVI 5.2平台完成精度验证。Kappa系数通过建立混淆矩阵进行验算，充分考虑对角线上正确分类的像素及非对角线上错分或漏分的像素，评价结果更具客观性（魏本赞等，2016）。评价过程中，以235个采集解译点重叠的矢量图斑为实测值，把所有的分类结果与实测值进行比较，评价生成混淆矩阵和精度结果以及Kappa系数等级划分情况（王志波，2012）（表4和5）。如表5所示，将Kappa系数等级进行划分，值越高说明分类成果质量越好，反之质量越差，其中，Kappa系数≥0.8说明分类成果质量已达到极好级别。如表4所示，大宗作物信息提取总精度为90.08%，Kappa系数为0.85，说明分类成果质量极好，满足使用精度要求。甘蔗的生产精度较高，但其用户精度比水稻和香蕉的用户精度稍低，主要原因在于甘蔗种植面积较大，其种植区域临近水稻作物，甚至部分水源不足的水田改种甘蔗作物；同时，甘蔗与香蕉特征极为相似，异物同谱的现象明显，因此甘蔗错分为水稻和香蕉较多。水稻的影像特征与香蕉影像特征差异较大，两者种植区域相邻较少，水稻整体上错分为香蕉稍少，精度比香蕉精度高，同理，香蕉错分为甘蔗比错分为水稻明显。总体上3种作物信息分类质量极好，错分的情况不影响成果使用。

2. 5 大宗作物成果分析

根据乡镇行政边界对提取的甘蔗、水稻和香蕉种植信息进行统计。由表6可知，2016年研究区域内甘蔗、水稻和香蕉的种植面积分别为73411.68、5141.20和6191.24 ha，地块数量总计278164个。综合图5-A和表6可知，江州区甘蔗种植面积较大、区域较广，且连片种植面积较大，主要分布于驮卢镇、左州镇、太平街道、新和镇、江州镇和濑湍镇等区域；水稻分布较为零散，种植区域不集中，多呈条状，主要种植于左州镇、那隆镇、驮卢镇、江州镇和罗白乡；香蕉种植面积较少，但连片种植较多，多位于地势平坦、交通便利区域，主要分布于那隆镇、驮卢镇、罗白乡和左州镇等区域。

“2016年江州区第四届人民代表大会第一次会议政府工作报告”指出，持续推进甘蔗“双保”工程，确保江州区甘蔗种植面积保持在73333 ha以上。本研究利用遥感技术提取的甘蔗种植面积与该数据相近，验证了江州区2016年甘蔗種植面积达到预期目标。《崇左市江州区“十三五”农业发展规划》指出江州区2014～ 2019年“双高”基地建设总任务为40000 ha，截至2016年该区已建成“双高”基地面积共13037.21 ha，其中，罗白乡、驮卢镇、新和镇和左州镇的“双高”基地建设面积较多，分别占“双高”基地总面积的19.23%、18.57%、14.42%和14.23%，根据表6统计结果及“双高”基地分布现状，建议新增“双高”基地可往驮卢镇、左州镇、新和镇、太平镇、濑湍镇、江州镇和罗白乡建设。

本研究发现小范围水田区域存在改种蔬菜和果蔗现象，同时，农户继续种植甘蔗的趋势有所下降，部分过往种植甘蔗的耕地已改种香蕉、火龙果、柑橘等，尤其是大范围耕地改种香蕉现象最为明显，为保持甘蔗种植面积及产量的稳定性，建议有关部门一方面增加农业补贴，促进蔗农种植甘蔗的积极性，引入甘蔗优良品种，加强水利灌溉设施建设，以提高甘蔗产量；另一方面要正确引导农户种植水果品种和面积，避免盲目种植引起供大于求的现象，积极引导农户种植高新品种水果，并提供相关的技术指导，以不断提高农户经济收入。

3 讨论

本研究利用多时相GF-1影像技术方法提取了崇左市江州区甘蔗、水稻和香蕉的种植信息，与刘吉凯等（2014）利用多时相GF-1 WFV數据、多种特征变量结合决策树方法提取的江州区甘蔗种植面积成果进行比较，对比结果如下：

（1）本研究与刘吉凯等（2014）研究的问题与解决的方法大体一致，主要解决南方丘陵地区提取作物信息难题，研究区域均为崇左市江州区，且均提倡利用多时期的GF-1影像为数据源。但后者仅选用16 m分辨率的GF-1 3个时期的影像数据；而本研究采用2 m和16 m分辨率的GF-1共8个时期影像，经过云影检测建立掩膜剔除云影覆盖区域，无云影部分均参与影像分类，通过这样处理不仅做到充分利用有效的每个像元，且持续性多时期影像能够准确反映作物生长情况，有助于提高分类精度。

（2）刘吉凯等（2014）利用研究区耕地数据建立掩膜，较好地缩小了研究范围，进而对影像进行分割，建立决策树提取甘蔗作物信息。本研究使用的技术方法与其有所不同，即采用面向地块对象分类方法提取作物信息，首先在高分辨影像上准确识别农作物、水体、道路等地块信息，然后基于农作物地块信息采用棋盘分割生成地块对象，最后建立分类规则完成提取。虽然提取地块信息耗时较长，但保证了地块的完整性，并提高了数据重复利用率；同时，本研究提取了甘蔗、水稻和香蕉的作物信息，工作量和难度较前者大，但提取过程中能够根据提取作物类型建立相应的分类规则，做到专物专则。

（3）刘吉凯等（2014）利用NDVI、NDWI特征将甘蔗作物与其他作物信息进行区分。本研究仅利用单一NDVI特征，相较而言未能充分利用有效的影像特征；另外，本研究提取成果精度虽然满足使用精度要求，但相比之下分类成果精度稍低。今后的研究有待进一步增加影像自定义特征，提高分类精度。

4 结论

以多时相的GF-1影像为数据源，基于光谱、纹理、亮度、NDVI特征的面向地块对象分类方法，能够准确提取南方丘陵地区大宗农作物信息，研究的技术方法具有较好的应用性和推广性，为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。

参考文献：

程良晓，江涛，谈明洪，肖兴媛. 2016. 基于NDVI时间序列影像的张掖市农作物种植结构提取[J]. 地理信息世界， 23（4）： 37-44.

Cheng L X， Jiang T， Tan M H， Xiao X Y. 2016. Crop structure extraction of Zhangye city based on time-series images[J]. Geomatics World， 23（4）： 37-44.

郭燕，武喜红，程永政，王来刚，刘婷. 2015. 用高分一号数据提取玉米面积及精度分析[J]. 遥感信息， 30（6）： 31-36.

Guo Y， Wu X H， Cheng Y Z， Wang L G， Liu T. 2015. Maize recognition and accuracy evaluation based on high resolution remote sensing（GF-1） data[J]. Remote Sensing Information， 30（6）： 31-36.

侯亮，许皓月，吕军海，刘素英. 2015. 基于多时相遥感影像的作物提取研究[J]. 农业图书情报学刊， 27（3）： 5-7.

Hou L， Xu H Y， Lü J H， Liu S Y. 2015. The research of crops extraction based on multi-temporal remote sensing image[J]. Journal of Library and Information Sciences in Agriculture， 27（3）： 5-7.

胡显伟，汪彪. 2016. 基于多时相资源一号04星多光谱影像的土地利用分类——以海南西北部地区为例[J]. 南方农业学报， 47（10）： 1807-1813.

Hu X W， Wang B. 2016. Land utilization classification based on CBERS-04 multi-spectral images——A case study in northwest Hainan， China[J]. Journal of Southern Agriculture， 47（10）： 1807-1813.

黄启厅，覃泽林，曾志康. 2016. 多星数据协同的地块尺度作物分类与面积估算方法研究[J]. 地球信息科学学报， 18（5）： 708-717.

Huang Q T， Qin Z L， Zeng Z K. 2016. Study on the crop classification and planting area estimation at land parcel scale using multi-sources satellite data[J]. Journal of Geo-Information Science， 18（5）： 708-717.

李峰，赵红，赵玉金，商林，曹张驰. 2015. 基于HJ-1 CCD影像的冬小麦种植面积提取研究[J]. 山东农业科学， 47（5）： 109-114.

Li F， Zhao H， Zhao Y J， Shang L， Cao Z C. 2015. Study on winter wheat planting area extraction based on HJ-1 CCD images[J]. Shandong Agricultural Sciences， 47（5）： 109-114.

林子晶，李卫国，申双和，马剑凤. 2016. HJ星和GF1号数据在水稻种植面积提取中的应用[J]. 江苏农业学报， 32（1）： 111-117.

Lin Z J， Li W G， Shen S H， Ma J F. 2016. Application of HJ and GF1 image data to extract rice planting area[J]. Jiangsu Journal of Agricultural Sciences， 32（1）： 111-117.

刘吉凯，钟仕全，徐雅，陈燕丽. 2014. 基于多时相GF-1 WFV数据的南方丘陵地区甘蔗种植面积提取[J]. 广东农业科学，（18）： 149-154.

Liu J K， Zhong S Q， Xu Y， Chen Y L. 2014. Sugarcane extraction in the southern hills using multi-temporal GF-1 WFV data[J]. Guangdong Agricultural Sciences，（18）： 149-154.

平跃鹏，臧淑英. 2016. 基于MODIS时间序列及物候特征的农作物分类[J]. 自然资源学报， 31（3）： 503-513.

Ping Y P， Zang S Y. 2016. Crop identification based on MODIS NDVI time-series data and phenological characteristics[J]. Journal of Natural Resources， 31（3）： 503-513.

魏本赞，田言亮，卢辉雄，牛海威，董双发，张建永. 2016. 面向对象影像分类与提取法在农作物遥感解译中的应用[J].安徽农业科学， 44（6）： 313-315.

Wei B Z， Tian Y L， Lu H X， Niu H W， Dong S F， Zhang J Y. 2016. Application of object-oriented classification and extraction method in remote sensing interpretation of crop[J]. Journal of Anhui Agriculture Science， 44（6）： 313-315.

王志波. 2012. 基于面向对象方法的土地沙化遥感信息提取技术研究——以浑善达克沙地为例[D]. 北京：中国林业科学研究院.

Wang Z B. 2012. Extraction of sandy land information based on object-oriented method from remote sensing data——Taking the Otindag sandy lands an example[D]. Beijing： Chinese Academy of Forestry.

玉苏普江·艾麦提，玉苏甫·买买提，阿里木江·卡斯木. 2014.基于分类回归树分析的棉花种植面积提取——以库、新、沙三县为例[J]. 干旱地区农业研究， 32（5）： 188-191.

Aimaiti Y， Maimaiti Y， Kasimu A. 2014. Cotton planted areas extraction based on the CART analysis——Taking three counties（Kuqa， Xinha and Shaya） as examples[J]. Agricultural Research in the Arid Areas， 32（5）： 188-191.

张健康，程彦培，张发旺，岳德鹏，郭晓晓，董华，王计平，唐宏方. 2012. 基于多时相遥感影像的作物种植信息提取[J]. 农业工程学报， 28（2）： 134-141.

Zhang J K， Cheng Y P， Zhang F W， Yue D P， Guo X X， Dong H， Wang J P， Tang H F. 2012. Crops planting information extraction based on multi-temporal remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering， 28（2）： 134-141.

赵春江. 2014. 農业遥感研究与应用进展[J]. 农业机械学报， 45（12）： 277-293.

Zhao C J. 2014. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery， 45（12）： 277-293.

Ozdogan M. 2010. The spatial distribution of crop types from MODIS data： Temporal unmixing using independent component analysis[J]. Remote Sensing of Environment， 114（6）： 1190-1204.

Verbeiren S， Eerens H， Piccard I， Bauwens I， Orshoven J V. 2008. Sub-pixel classification of SPOT-VEGETATION time series for the assessment of regional crop areas in Belgium[J]. International Journal of Applied Earth Observation and Geoinformation， 10（4）： 486-497.

Vintrou E， Desbrosse A， Bégué A， Traoré S， Baron C， Lo Seen D. 2012. Crop area mapping in West Africa using landscape stratification of MODIS time series and comparison with existing global land products[J]. International Journal of Applied Earth Observation and Geoinformation， 14（1）： 83-93.

（责任编辑 邓慧灵）