張煥雪，李強(qiáng)子

（中國科學(xué)院遙感與數(shù)字地球研究所，北京 100101）

1 引 言

隨著遙感技術(shù)的快速發(fā)展，目前已經(jīng)能夠提供從局部、區(qū)域到全球范圍的連續(xù)地表采樣，并可以提供從0.61m到數(shù)十公里空間分辨率的遙感數(shù)據(jù)，實(shí)現(xiàn)多個(gè)空間尺度對(duì)地遙感觀測［1］。尺度變異和敏感性在使用遙感數(shù)據(jù)的分析中逐漸起到重要的作用［2］。近年來，多尺度的遙感數(shù)據(jù)廣泛用于區(qū)域乃至全球尺度的土地覆被制圖，人們?cè)絹碓街匾曔b感數(shù)據(jù)分類精度尺度效應(yīng)方面的研究［3］。隨著空間分辨率的提高，遙感往往具有更高的地面目標(biāo)識(shí)別和面積估算精度［4-5］。Moody和 Woodcock研究了將高分辨率的土地覆蓋數(shù)據(jù)聚合到低分辨率過程中土地覆蓋類型面積隨分辨率的變化，結(jié)果表明當(dāng)分辨率大于90m時(shí)，面積估計(jì)誤差顯著增大。

利用遙感數(shù)據(jù)識(shí)別不同農(nóng)作物并估算其種植面積，是農(nóng)作物產(chǎn)量估測的基礎(chǔ)［6］。在農(nóng)作物遙感識(shí)別過程中，作物種植面積測量精度除了受到影像空間分辨率的影響，還與分類器類型、研究區(qū)的作物種植結(jié)構(gòu)、聚集程度等因素密切相關(guān)［7-8］。何浩等發(fā)現(xiàn)隨著分辨率的降低，平均區(qū)域精度降低，并且在一定的區(qū)域精度保證下，農(nóng)作物百分比對(duì)低分辨率數(shù)據(jù)替代高分辨率數(shù)據(jù)有很重要的影響［7］。針對(duì)具體的研究區(qū)，要滿足一定的分類精度需要多少分辨率的數(shù)據(jù)；不同的分類器對(duì)同一分辨率有何不同響應(yīng)；不同分辨率下同種分類器的精度有何變化；不同分辨率下作物種植成數(shù)、聚集度等因素對(duì)精度結(jié)果的影響如何等，都需要開展深入的分析和探討。

本文以河南省封丘縣冬小麥－夏玉米產(chǎn)區(qū)為研究區(qū)，開展了尺度變化對(duì)農(nóng)作物識(shí)別和種植面積估算精度的影響研究，目的在于探討不同空間分辨率的遙感數(shù)據(jù)對(duì)作物分類和面積估算精度的影響規(guī)律，并分析了作物種植成數(shù)和聚集度在不同尺度水平下對(duì)作物面積估算精度的影響，為不同作物種植結(jié)構(gòu)區(qū)遙感數(shù)據(jù)和分類方法的選擇提供理論依據(jù)和實(shí)驗(yàn)基礎(chǔ)。

2 研究區(qū)概況

研究區(qū)位于河南省新鄉(xiāng)市封丘縣，中心地理坐標(biāo)114°30′E和35°03′N，大小15km×10km。該地區(qū)屬于暖溫帶大陸性季風(fēng)氣候區(qū)，多年平均氣溫13.9℃，降雨量615.1mm，雨熱同期，光熱水資源豐富，土壤肥沃，屬典型的一年兩熟制，秋糧作物主要為冬小麥，夏糧作物主要包括夏玉米、大豆、花生等，此外該地區(qū)還廣泛種植了經(jīng)濟(jì)作物棉花及一種特有的藥材金銀花，作物種植結(jié)構(gòu)相對(duì)復(fù)雜，對(duì)華北地區(qū)的農(nóng)作物種植制度具有典型代表性。研究區(qū)夏玉米和大豆一般6月中旬種植，9月份收獲；棉花4月中旬種植，10月初收獲；金銀花屬多年生作物，一般在6月、7月、8月、9月四個(gè)月份分別采摘第1、2、3、4茬花。

3 數(shù)據(jù)與預(yù)處理

3.1 遙感數(shù)據(jù)獲取和預(yù)處理

本研究訂購了實(shí)驗(yàn)區(qū)內(nèi)中巴地球資源衛(wèi)星02B（CBERS－02B）CCD影像1景，接收時(shí)間為2008年8月22日，影像清晰度好，雖然有少量的云，但基本都分布在居民區(qū)上方，不影響研究中作物的識(shí)別。影像空間分辨率20m，幅寬113km，包括5個(gè)波段，前4個(gè)波段在譜段設(shè)置上與Landsat7TM相當(dāng)，波譜范圍分別是0.45um～0.52um，0.52um～0.59um，0.63um～0.69um，0.77um～0.89um，第5波段是全色波段，波譜范圍是0.51um～0.73um［9］。

影像獲取后對(duì)其進(jìn)行了輻射定標(biāo)和幾何糾正處理。輻射定標(biāo)［10］是將影像的DN值轉(zhuǎn)化為大氣頂歸一化光譜反射率，大氣糾正采用FLAASH模型［11］。幾何糾正以實(shí)驗(yàn)區(qū)的歷史SPOT5影像數(shù)據(jù)作為參考影像，采用二次多項(xiàng)式方法對(duì)數(shù)據(jù)進(jìn)行幾何精糾正，采用40個(gè)控制點(diǎn)，糾正誤差控制在0.5個(gè)像元內(nèi)。

3.2 地面調(diào)查數(shù)據(jù)

為了獲得實(shí)驗(yàn)區(qū)內(nèi)實(shí)際的農(nóng)作物分布特征信息，本研究借助SPOT5全色影像（成像時(shí)間為2008年4月16日，空間分辨率2.5m），選擇了1個(gè)具有代表性的5km×5km樣區(qū)，進(jìn)行實(shí)際作物分布調(diào)查，獲得了樣區(qū)內(nèi)準(zhǔn)確的2008年秋季作物分布圖（圖1）。具體調(diào)查方法如下：首先根據(jù)耕作信息，參考SPOT影像勾繪出每個(gè)種植地塊的邊界，并進(jìn)行唯一性編號(hào)；借助地理信息系統(tǒng)工具整理形成實(shí)驗(yàn)樣區(qū)內(nèi)作物田塊矢量數(shù)據(jù)集；在2008年8月19日，開展野外實(shí)地調(diào)查，實(shí)地確認(rèn)地塊邊界的正確性，并逐地塊填寫作物類型；最后在室內(nèi)編輯整理，得到實(shí)驗(yàn)樣區(qū)的作物分布數(shù)據(jù)集。

圖1 樣區(qū)作物分布圖

4 研究方法

本文首先以CBERS－02B20m分辨率數(shù)據(jù)為基準(zhǔn)，對(duì)其進(jìn)行尺度擴(kuò)展，模擬生成多分辨率影像序列（40m，60m，80m，100m）。同時(shí)，利用地面調(diào)查數(shù)據(jù)，確定作物分類的訓(xùn)練樣本與檢驗(yàn)樣本。在此基礎(chǔ)上，利用最大似然（MLC）、支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）3種分類器開展農(nóng)作物分類實(shí)驗(yàn)，估算不同作物的種植面積，并分別從像元尺度和區(qū)域尺度進(jìn)行分類精度和種植面積估算精度評(píng)價(jià)。在分析空間分辨率對(duì)面積估算精度影響的同時(shí)，還進(jìn)行了作物種植成數(shù)和聚集度的影響分析。總體技術(shù)路線見圖2。

圖2 技術(shù)路線圖

4.1 多分辨率影像序列獲取

在遙感中常用的尺度擴(kuò)展方法主要有簡單平均法、中心像元法，最近鄰法，雙線性內(nèi)插，立方卷積等［12-13］。簡單平均法是將遙感影像n×n窗口內(nèi)的像元平均值作為轉(zhuǎn)換后對(duì)應(yīng)的低分辨率的遙感影像的像元值。中心像元法是取n×n窗口內(nèi)中心像元值作為轉(zhuǎn)換后對(duì)應(yīng)的低分辨率的遙感影像的像元值，該方法常用于水文學(xué)中［14］。最近鄰法，雙線性內(nèi)插和立方卷積是圖像處理軟件中的常用方法，Hay等［15］發(fā)現(xiàn)，這3種方法在尺度轉(zhuǎn)換因子大于5時(shí)，不適合將遙感圖像從高分辨率轉(zhuǎn)換到低分辨率。本文采用了簡單平均法進(jìn)行影像的尺度擴(kuò)展。

4.2 樣本數(shù)據(jù)集確定及分類方法

根據(jù)實(shí)驗(yàn)區(qū)地物物候及分布特征，將玉米、棉花、金銀花、大豆、林地和非耕地作為最終分類類別，其中林地包括樹木和苗圃，非耕地包括城鎮(zhèn)居民區(qū)、道路和水渠等。根據(jù)SPOT5數(shù)據(jù)的野外地面調(diào)查得到的作物分布圖，并結(jié)合目視判圖經(jīng)驗(yàn)解譯方式，基于20m分辨率的CBERS－02B影像，選取非耕地樣本1518個(gè)像元，林地樣本860個(gè)像元，玉米樣本1520個(gè)像元，棉花樣本789個(gè)像元，金銀花樣本851個(gè)像元，大豆樣本749個(gè)像元，從所選取的樣本中隨機(jī)抽取一半作為訓(xùn)練樣本，另一半為用于精度評(píng)價(jià)的檢驗(yàn)樣本，訓(xùn)練樣本和檢驗(yàn)樣本沒有重合。

本文采用的分類算法包括最大似然（MLC）、支持向量機(jī)（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）3種。MLC是通過統(tǒng)計(jì)方法計(jì)算各個(gè)像元屬于每個(gè)類的概率，將該像元?dú)w屬于概率最大的類［10］；SVM選擇了徑向基函數(shù)（RBF）為核函數(shù)，核參數(shù)γ設(shè)置為0.25，懲罰因子 C設(shè)置為100［16］；ANN 選用了3層神經(jīng)網(wǎng)絡(luò)反向傳播算法，遙感數(shù)據(jù)的5個(gè)波段對(duì)應(yīng)于網(wǎng)絡(luò)的5個(gè)輸入節(jié)點(diǎn)，隱含層設(shè)置8個(gè)節(jié)點(diǎn)，6個(gè)分類類別對(duì)應(yīng)輸出層的6個(gè)輸出節(jié)點(diǎn)，激發(fā)函數(shù)選用Logistic函數(shù)，最大迭代次數(shù)設(shè)為1000，結(jié)束迭代的誤差閾值設(shè)為0.1［17］。

為了使分類結(jié)果具有可比性，對(duì)不同分辨率的影像和不同分類方法都采用了相同的訓(xùn)練樣本和檢驗(yàn)樣本，對(duì)不同數(shù)據(jù)采用了相同的分類器參數(shù)設(shè)置。

4.3 精度評(píng)價(jià)指標(biāo)

為全面分析空間分辨率對(duì)作物識(shí)別和面積估算的影響，本研究分別從像元尺度和區(qū)域尺度對(duì)不同空間分辨率、不同分類方法的結(jié)果進(jìn)行了比較和分析。

（1）像元尺度上，主要是基于上述隨機(jī)選取的檢驗(yàn)樣本，得到分類混淆矩陣，計(jì)算出總體像元精度和Kappa系數(shù)作為檢驗(yàn)分類效果的指標(biāo)。

（2）區(qū)域尺度上，文中采用了用來比較相對(duì)精度的區(qū)域精度。

以地面填圖數(shù)據(jù)得到的各類別的面積總量（A0）為基準(zhǔn)值，將由尺度擴(kuò)展得到的較低分辨率（i）下提取的各類別的面積總量Ai與A0進(jìn)行對(duì)比，獲取區(qū)域內(nèi)各類別的總體面積估算精度Ki，計(jì)算公式：

4.4 種植成數(shù)和聚集度的計(jì)算

對(duì)于不同的研究區(qū)，各作物所占的面積百分比和聚集程度是不同的，這些都會(huì)對(duì)區(qū)域精度產(chǎn)生影響。因此，本研究在分析空間分辨率對(duì)面積估算精度影響的同時(shí)，還進(jìn)行了作物種植成數(shù)和聚集度的影響分析。

種植成數(shù)（F）［18］即某一種作物種植面積（fraction）占總種植面積（A0）的百分比，即：

聚集度［19］即同一種作物空間分布的集中程度，聚集度值越高，作物分布越零散，相反，聚集度值越低，作物分布越集中。計(jì)算方法如下：

（1）設(shè)定研究區(qū)內(nèi)各作物類型像元個(gè)數(shù)的50%作為計(jì)算作物聚集度的標(biāo)準(zhǔn)。

（2）把15km×10km的研究區(qū)均分成100個(gè)1.5km×1km的小區(qū)域，統(tǒng)計(jì)各小區(qū)域內(nèi)各個(gè)作物類型的像元個(gè)數(shù)，并將像元個(gè)數(shù)由大到小排列。

（3）把小區(qū)域內(nèi)各作物類型的像元個(gè)數(shù)由大到小相加，直到達(dá)到總像元個(gè)數(shù)的50%。

（4）計(jì)算參與相加的小區(qū)域個(gè)數(shù)占總小區(qū)域數(shù)的百分比，這個(gè)值即為該作物的聚集度。

5 結(jié)果與分析

5.1 空間分辨率對(duì)分類精度的影響分析

本文利用地面驗(yàn)證樣本，計(jì)算不同分辨率影像和不同分類方法得到的混淆矩陣，進(jìn)而得到總體分類精度（圖3）。

圖3 總體精度和Kappa系數(shù)隨不同分辨率的變化圖

（1）隨著空間分辨率的降低，分類精度呈下降趨勢，這與 Toll等［3-5，7］的結(jié)論一致。在分辨率優(yōu)于60m的情況下，分類精度受到空間分辨率的影響較小，分類精度基本達(dá)到90%以上，當(dāng)分辨率低于80m以后，分類精度急劇下降（100m分辨率時(shí)分類精度不到50%），已經(jīng)明顯不能滿足監(jiān)測需要。

（2）從3種分類方法對(duì)像元精度影響的角度分析，總體來說SVM得到的結(jié)果最為理想，而ANN精度最差，這與該方法網(wǎng)絡(luò)類型的選擇、隱含層數(shù)目和隱含層結(jié)點(diǎn)數(shù)難以確定有關(guān)。

5.2 空間分辨率對(duì)面積估算精度的影響分析

根據(jù)不同分辨率下的不同分類結(jié)果估算各種作物的種植面積，得到不同作物的區(qū)域精度隨分辨率的變化圖（圖4）。同時(shí)以地面調(diào)查獲得的作物種植地塊分布圖為基礎(chǔ)，計(jì)算了不同作物的種植成數(shù)和聚集度值（表1）。

（1）在空間聚集水平接近的情況下，如玉米和金銀花，玉米的區(qū)域精度隨分辨率的降低下降速率較慢，金銀花的區(qū)域精度下降較快。隨著分辨率由20m下降到100m，玉米精度下降平均不超過20個(gè)百分點(diǎn)，而金銀花則下降超過50個(gè)百分點(diǎn)，這是因?yàn)橛衩椎姆N植成數(shù)超過了38%，而金銀花的種植成數(shù)較?。ň蛔?0%）。說明種植成數(shù)越高，區(qū)域精度隨分辨率的降低下降速率越慢。

表1 不同作物的種植成數(shù)和聚集度值

圖4 不同作物的區(qū)域精度隨分辨率的變化圖

（2）在種植成數(shù)接近的情況下，如棉花和金銀花，棉花的區(qū)域精度隨分辨率的降低下降速率較慢，金銀花的區(qū)域精度下降較快。隨著分辨率由20m下降到100m，棉花精度下降平均不超過40個(gè)百分點(diǎn)，而金銀花精度則下降超過50個(gè)百分點(diǎn)，這是因?yàn)槊藁ǖ木奂戎递^小，分布較密集。表明作物分布越密集，區(qū)域精度隨分辨率的降低下降速率越慢。

（3）大豆的聚集度值為0.18，分布最為密集，雖然其種植成數(shù)很低（僅為2.57%），當(dāng)分辨率優(yōu)于80m時(shí)，面積估算精度隨分辨率的降低仍然比較穩(wěn)定，精度基本在80%以上，但當(dāng)分辨率降低到100m時(shí)，精度迅速下降。說明對(duì)于分布十分密集的作物，當(dāng)分辨率較高時(shí)，聚集度對(duì)其精度結(jié)果起主導(dǎo)作用。

（4）從3種分類方法對(duì)區(qū)域精度影響的角度分析，對(duì)于玉米這種種植成數(shù)較高的作物，3種分類方法均能達(dá)到較高的精度。對(duì)于大豆、棉花和金銀花，總的來說，SVM和MLC算法能夠保證在分辨率相對(duì)較高的情況下（＜80m）獲得較高的區(qū)域精度，ANN算法則在空間分辨率下降時(shí)面積估算精度急劇下降。

5.3 數(shù)據(jù)源及分類方法選擇問題

隨著遙感技術(shù)的發(fā)展，大量攜帶不同傳感器的衛(wèi)星陸續(xù)升空，可獲取多個(gè)不同空間分辨率的遙感數(shù)據(jù)，諸 如 Landsat MSS（80m）、Landsat TM（30m）、SPOT（20m）、CBERS（20m）、IKONOS（1m）、QuickBird（0.61m）等。在多種數(shù)據(jù)源中選擇合適的數(shù)據(jù)成了一個(gè)新的難題［20］。目前，國際上關(guān)于分辨率的一個(gè)廣泛關(guān)注的問題，就是針對(duì)某一特定研究如何選擇合適的數(shù)據(jù)源，以及要滿足一定的精度要求選用何種分類方法。

本研究的結(jié)果還可以用于指導(dǎo)針對(duì)不同種植結(jié)構(gòu)地區(qū)滿足不同精度要求的數(shù)據(jù)源和分類方法的選擇。例如對(duì)于種植較密集且一種作物占優(yōu)勢的地區(qū)（如作物聚集度小于0.4且種植成數(shù)大于40%的情況下），要使區(qū)域精度達(dá)到90%以上，選用較低分辨率的MERIS數(shù)據(jù)即可滿足要求，并且ANN算法可以得到很高的精度；對(duì)于作物種植面積較小但分布又比較密集的地區(qū)（如種植成數(shù)不足5%但聚集度低于0.2的情況下），用中等分辨率的IRS－P6數(shù)據(jù)即可使區(qū)域精度達(dá)到90%以上，并且SVM和MLC算法均可得到較高的精度；對(duì)于作物分布比較零散的地區(qū)，空間分辨率對(duì)區(qū)域精度的影響較大，要想得到90%以上的精度最好選用TM或CBERS－02B數(shù)據(jù)，并且具體分類方法的選擇需要根據(jù)研究區(qū)內(nèi)具體的作物而定（比如對(duì)于種植相對(duì)較密集的作物，支持向量機(jī)方法優(yōu)于MLC和ANN方法）。

6 結(jié)束語

本文通過模擬多種不同分辨率影像，研究了空間分辨率對(duì)作物識(shí)別和面積估算精度的影響，同時(shí)也分析了種植成數(shù)和聚集度對(duì)作物種植面積估算精度的影響，得出如下結(jié)論：

（1）從空間分辨率對(duì)作物分類識(shí)別精度的影響分析，隨分辨率的降低，分類精度呈下降趨勢，當(dāng)分辨率高于80m時(shí)，精度能維持在85%以上。

（2）從空間分辨率對(duì)作物種植面積估算精度的影響分析，隨著空間分辨率的降低，作物種植成數(shù)越高，作物種植越密集，種植面積估算精度下降的速率越慢。對(duì)于分布十分密集的作物，當(dāng)分辨率高于80m時(shí)，聚集度對(duì)其精度結(jié)果起主導(dǎo)作用。

（3）本文研究結(jié)果可以用于針對(duì)特定遙感應(yīng)用中遙感數(shù)據(jù)和分類方法的選擇。對(duì)于種植較密集且一種作物占優(yōu)勢的地區(qū)，選用MERIS數(shù)據(jù)和ANN算法可使區(qū)域精度達(dá)到90%以上；對(duì)于作物種植面積較小但分布又比較密集的地區(qū)，可選用IRS－P6數(shù)據(jù)和SVM或MLC算法；對(duì)于作物分布比較零散的地區(qū)，最好選用TM或CBERS－02B數(shù)據(jù)，具體分類方法的選擇需要根據(jù)研究區(qū)內(nèi)具體的作物而定。

在以后的研究中還需在如下方面做進(jìn)一步的討論和改進(jìn)：直接采用不同分辨率影像進(jìn)行分類精度評(píng)價(jià)；先對(duì)高分辨率數(shù)據(jù)進(jìn)行作物分類，然后對(duì)分類結(jié)果進(jìn)行尺度轉(zhuǎn)化得到較低分辨率的作物識(shí)別結(jié)果；在其他不同地貌類型和種植結(jié)構(gòu)的典型作物區(qū)進(jìn)行試驗(yàn)，測試本文中結(jié)論的適用性。

［1]徐俊鋒.IKONOS信息提取的尺度效應(yīng)研究［D］.浙江：浙江大學(xué)，2006.

［2]CHEN D，STOW D A，GONG P.Examining the effect of spatial resolution and texture window size on classification accuracy：An urban environment case［J］.International Journal of Remote Sensing，2004，25（11）：2177－2192.

［3]MOODY A，WALSH S J，ALLEN T R，et al.Scaling properties of NDVI and their relationship to land－cover spatial variability［C］.Proceedings of the 1995International Geoscience and Remote Sensing Symposium，F(xiàn)irenze，Italy，1995.

［4]MOODY A，WOODCOCK C E.Scale－dependent errors in the estimation of land－cover proportions：Implications for global land－cover datasets［J］.Photogrammetric Engineering and Remote Sensing，1994，60（5）：585－594.

［5]TOLL D L.Effect of Landsat Thematic Mapper Sensor parameters on land cover classification［J］.Remote Sensing of Environment，1985，17（2）：129－140.

［6]吳炳方.全國農(nóng)情監(jiān)測與估產(chǎn)的運(yùn)行化遙感方法［J］.地理學(xué)報(bào)，2000，55（1）：23－35.

［7]何浩，朱秀芳，潘耀忠，等.尺度變化對(duì)冬小麥種植面積遙感測量區(qū)域精度影響的研究［J］.遙感學(xué)報(bào)，2008，12（1）：167－175.

［8]朱秀芳，潘耀忠，張錦水，等.訓(xùn)練樣本對(duì)TM尺度小麥種植面積測量精度影響研究（Ⅰ）：訓(xùn)練樣本與分類方法間分類精度響應(yīng)關(guān)系研究［J］.遙感學(xué)報(bào)，2007，11（6）：826－837.

［9]LI Q，WU B，JIA K，et al.Maize acreage estimation using ENVISAT MERIS and CBERS－02BCCD data in the North China Plain［J］.Computers and Electronics in Agriculture，2011，78（2）：208－214.

［10]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）：483－487.

［11]VERMOTE E F，TANRE D，DEUZE J L，et al.Second simulation of the satellite signal in the solar spectrum，6S：An overview［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35（3）：675－686.

［12]COLLINS J B，WOODCOCK C E.Geostatistical estimation of resolution－dependent variance in remotely sensed images［J］.Photogrammetric Engineering and Remote Sensing，1999，65（1）：41－50.

［13]KAVZOGLU T.Simulating Landsat ETM＋imagery using DAIS 7915hyperspectral scanner data［J］.International Journal of Remote Sensing，2004，25（22）：5049－5067.

［14]WOODCOCK C，HARWARD V J.Nested－h(huán)ierarchical scene models and image segmentation［J］.International Journal of Remote Sensing，1992，13（16）：3167－3187.

［15]HAY G J，NIEMANN K O，GOODENOUGH D G.Spatial thresholds，image－objects，and upscaling：A multiscale evaluation［J］.Remote Sensing of Environment，1997，62（1）：1－19.

［16]WOODCOCK C E，STRAHLER A H.Factor of scale in Remote Sensing［J］.Remote Sensing of Environment，1987，21（3）：311－332.

［17]MARCEAU D J，GRATTON D J，F(xiàn)OURNIER R A，et al.Remote sensing and the measurement of geographical entities in a forested environment.2.The optimal spatial resolution［J］.Remote Sensing of Environment，1994，49（2）：105－117.

［18]譚琨，杜培軍.基于支持向量機(jī)的高光譜遙感圖像分類［J］.紅外與毫米波學(xué)報(bào)，2008，27（2）：123－128.

［19]賈坤，李強(qiáng)子，田亦陳，等.遙感影像分類方法研究進(jìn)展［J］.光譜學(xué)與光譜分析，2011，31（10）：2618－2623.

［20]李強(qiáng)子，吳炳方.作物種植成數(shù)的遙感監(jiān)測精度評(píng)價(jià)［J］.遙感學(xué)報(bào)，2004，8（6）：581－587.

［21]劉燦然，陳靈芝.北京地區(qū)植被景觀中斑塊形狀的指數(shù)分析［J］.生態(tài)學(xué)報(bào)，2000，20（4）：559－567.

［22]明冬萍，王群，楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇［J］.遙感學(xué)報(bào)，2008，12（4）：529－537.