趙亮，劉莉，司麗麗，趙鐵松，黃敬峰

（1.河北省氣象災(zāi)害防御和環(huán)境氣象中心/河北省氣象與生態(tài)環(huán)境重點實驗室，石家莊 050021；2.浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，杭州 310058）

小麥是全球種植范圍最廣泛的糧食作物。作為中國第二大糧食作物，小麥種植面積占糧食總面積的25%，產(chǎn)量占糧食總產(chǎn)的22%，在中國糧食構(gòu)成中占重要地位［1-3］。作為承災(zāi)體，許多農(nóng)業(yè)氣象災(zāi)害監(jiān)測工作的開展、指標的制定都離不開作物的分布信息［4，5］。因此，在短時間內(nèi)獲取準確的小麥種植信息對保障糧食安全、水資源利用和碳循環(huán)研究、指導(dǎo)農(nóng)業(yè)生產(chǎn)和防災(zāi)減災(zāi)工作都具有重要意義［6-8］。

傳統(tǒng)的農(nóng)業(yè)統(tǒng)計方法在很長一段時間一直被用于作物監(jiān)測（如FAOSTAT），這些統(tǒng)計數(shù)據(jù)提供了高度準確的土地利用信息，但通常缺乏空間細節(jié)［9］，同時存在耗時費力、信息發(fā)布滯后等缺點［10，11］。自20世紀80年代后期，遙感技術(shù)被廣泛用于作物類型識別、面積估算和物候信息獲?。?2-14］。趙葉等［15］基于2017年11月21日（小麥分蘗期）和2017年12月24日Landsat8 OLI影像，將MIR、NIR和RED波段進行HSV變換，提取河北省中南部越冬前冬小麥的面積。而Sentinel-2衛(wèi)星具有幅寬大、重訪周期短、數(shù)據(jù)免費、波段信息豐富以及較多的紅邊波段等特點，這些特點在農(nóng)作物識別和面積提取方面具有很大的優(yōu)勢［16，17］。尹捷等［18］利用Sentinel-2A、MODIS以及高光譜珠海一號OHS-2A衛(wèi)星等多源遙感數(shù)據(jù)，采用支持向量機算法提取河北省雄安新區(qū)的小麥信息，比較后發(fā)現(xiàn)Sentinel-2A對小麥的識別效果最佳，總體精度為85.57%，Kappa系數(shù)0.81。李方杰等［19］利用時序Sentinel-2遙感影像生成的歸一化植被指數(shù)（Normalized Difference Vegetation Index，ND?VI），提出基于復(fù)合型混合演化算法和區(qū)域作物種植面積總量控制的NDVI時序相似性閾值，提取河北省衡水市武邑縣的冬小麥面積總體精度達98.08%。

上述研究小麥信息提取精度普遍較高，但研究區(qū)相對較小，提取的也多為單年的信息。目前大面積農(nóng)作物信息遙感提取困難主要有兩個方面。①龐大的數(shù)據(jù)量以及由此產(chǎn)生的繁雜數(shù)據(jù)預(yù)處理和指數(shù)計算工作［20，21］，在利用高時空分辨率數(shù)據(jù)進行大范圍農(nóng)作物多年信息提取時，這種困難尤其明顯。但隨著地理大數(shù)據(jù)與云平臺、云計算的發(fā)展，Google Earth Engine（GEE）作為一個基于云平臺的全球尺度地理空間分析平臺，為快速的數(shù)據(jù)預(yù)處理、下載以及遙感地物信息的提取帶來了新機遇［22-24］。②同一地區(qū)基于不同數(shù)據(jù)來源的農(nóng)作物種植面積不一致［9］。由于信息的獲取方法不同，不僅來自不同研究者的結(jié)果會不一致，基于單純遙感技術(shù)獲取的農(nóng)作物種植面積與農(nóng)作物統(tǒng)計面積數(shù)據(jù)之間也會不一致。這些會在一定程度上影響農(nóng)作物空間分布遙感信息在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用與尺度轉(zhuǎn)換［19］。因此，利用多源數(shù)據(jù)融合，以提高大范圍作物遙感識別精度，確保作物面積總量與作物面積統(tǒng)計數(shù)據(jù)一致性，值得進一步研究。

綜上，本研究借助GEE平臺，將遙感數(shù)據(jù)與統(tǒng)計數(shù)據(jù)協(xié)同使用，設(shè)計自動統(tǒng)計分配算法，以分析基于不同植被指數(shù)合成影像的冬小麥面積及分布信息提取精度；同時利用篩選出的最優(yōu)植被指數(shù)開展河北省多年的冬小麥信息提取工作。研究結(jié)果可為大范圍小麥快速分布制圖提供一定的技術(shù)方法參考和思路借鑒，為后續(xù)農(nóng)作物空間分布遙感信息在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用打下基礎(chǔ)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

河北省橫跨華北、東北兩大地區(qū)，位于東經(jīng)113°27′—119°50′，北 緯36°05′—42°40′，總 面 積18.85萬km2，地勢西北高、東南低，由西北向東南傾斜。河北省屬溫帶大陸性季風(fēng)氣候，大部分地區(qū)四季分明。年日照時數(shù)2 126~3 063 h，年無霜期80~205 d，年平均氣溫2.2~14.6℃，年降水量338.4~688.9 mm，降水量分布特點為東南多西北少，為作物生長提供了良好的環(huán)境［25］。

河北省是中國13個小麥主產(chǎn)省份之一，主要種植冬小麥-夏玉米，一年兩熟制，另外根據(jù)土水條件和氣候條件的差異，還存在少部分的單季玉米種植區(qū)和兩年三熟區(qū)。其中冬小麥多集中分布在中南部海拔較低的平原地區(qū)（圖1），而張家口市、承德市等北部地區(qū)鮮少種植。

圖1 河北省地理位置和高程分布

1.2 數(shù)據(jù)獲取與預(yù)處理

研究使用的數(shù)據(jù)主要包括哨兵2號衛(wèi)星數(shù)據(jù)、耕地分布數(shù)據(jù)、驗證樣本數(shù)據(jù)、面積統(tǒng)計數(shù)據(jù)、數(shù)字高程數(shù)據(jù)以及行政區(qū)劃數(shù)據(jù)等。

1.2.1 哨兵2號衛(wèi)星數(shù)據(jù)遙感影像主要來源于哨兵2號（Sentinel-2）衛(wèi)星。該衛(wèi)星作為歐洲空間局（European Space Agency，ESA）“哥白尼”計劃系列中的重要光學(xué)衛(wèi)星組成部分，分為2A和2B兩顆。每顆衛(wèi)星的重訪周期為10 d，兩顆互補，形成5 d的重訪周期。衛(wèi)星上攜帶的寬幅高分辨率多光譜成像儀（MultiSpectral Instrument，MSI），幅寬為290 km，覆蓋13個光譜帶。不同波段的空間分辨率略有不同，分為10、20和60 m 3個尺度［26-28］；另外有3個QA波段，其中QA60波段包含云掩膜信息，用以去除影像中的卷云和厚云。Sentinel-2數(shù)據(jù)以其相對較高的時空分辨率和免費獲取的特點被廣泛應(yīng)用于地物信息提取中。

本研究使用GEE平臺數(shù)據(jù)庫提供的Sentinel-2 L1C產(chǎn)品，該等級產(chǎn)品已經(jīng)過數(shù)字高程模型校正以及亞像素多光譜配準，提供的是經(jīng)過正射校正的大氣頂（Top of Atmosphere，TOA）反射率。通過JavaS?cript編程語言，在GEE平臺上進行了去云、遙感影像光譜指數(shù)計算、最大值選取、拼接、剪裁、轉(zhuǎn)投影、重采樣等預(yù)處理步驟，得到2016—2019年的30 m分辨率、河北省全覆蓋的最大值合成影像，用于后續(xù)的小麥信息提取。以下是部分數(shù)據(jù)預(yù)處理方法詳細介紹。

1）光學(xué)遙感影像云污染像素的去除。光學(xué)遙感影像在獲取時易受到云、云在地面投影時的陰影以及氣溶膠的影響［29，30］，嚴重影響地面信息的獲取。因此本研究利用GEE平臺上官方提供的Sentinel-2數(shù)據(jù)云掩膜算法，設(shè)置QA60波段所有像元Bit10和Bit11的值均為0，得到掩膜，對輸入的符合時間和空間范圍的影像數(shù)據(jù)集去除有云像元，之后合成目標年份最小云量影像。圖2展示了利用GEE平臺2018年11月15日至2019年3月31日共622景Sen?tinel-2影像、經(jīng)去云后合成的河北省完整遙感影像。

圖2 基于GEE平臺合成的河北省Sentinel-2原始波段遙感影像（R/G/B=Band 4/3/2）

2）光譜指數(shù)的計算。對于復(fù)雜的地物覆蓋區(qū)使用原始影像單一波段或者幾個波段的信息進行單獨分析往往具有很大的局限性，而將多光譜數(shù)據(jù)進行組合運算所得到的指數(shù)可將地物的差異放大或突出，特別對某些植被的長勢、生物量、健康狀況等具有一定的指示意義。這些通過組合運算所產(chǎn)生的指數(shù)被稱為植被指數(shù)。傳統(tǒng)的植被指數(shù)有比值植被指數(shù)（Ration Vegetation Index，RVI）、歸一化植被指數(shù)（NDVI）、增強型植被指數(shù)（Enhanced Vegetation In?dex，EVI）［31］和二波段增強型植被指數(shù)（2-bands En?hanced Vegetation Index，EVI2）［32］等。本研究使用了后三者。其中，NDVI常被用于提取植被的生長狀態(tài)、植被覆蓋度等信息，其計算方法如下。

式中，NIR為近紅外波段反射率，R為紅光波段反射率。

而EVI相較于NDVI更加復(fù)雜，它引入對氣溶膠敏感的藍光波段來校正氣溶膠對紅光波段的影響，并且引入了冠層調(diào)整因子，使其對大多數(shù)冠層背景不敏感，其計算方法如下。

式中，G為增益系數(shù)，C1、C2為氣溶膠阻抗系數(shù)，L為冠層背景調(diào)整因子，BLUE為藍光波段反射率。計算過程中G、C1、C2、L分別取值為2.5、6.0、7.5、1.0。

EVI2則是一種于2008年被提出的基于增強型植被指數(shù)的變型，其在計算過程中未使用藍光波段，并且保持了與增強型植被指數(shù)的較好相似性。EVI2的計算公式如下。

式中，c為藍光反射率轉(zhuǎn)化成紅光反射率的轉(zhuǎn)換系數(shù)，取值為2.08。圖3展示了基于GEE平臺，利用合成的去云Sentinel-2影像（2018年11月15日至2019年3月31日）計算的NDVI、EVI和EVI2分布圖。1.2.2耕地分布數(shù)據(jù)本研究使用的河北省耕地分布數(shù)據(jù)來自2019年的地理國情數(shù)據(jù)，為第三次全國國土調(diào)查結(jié)果。原始數(shù)據(jù)由河北省第三測繪院提供，包括耕地、園地、林地、草地、商服用地、工礦倉儲用地、住宅用地等共12類。將原始柵格重采樣至30 m，與遙感影像保持一致。將柵格值為1的耕地像元提取出來，作為后續(xù)小麥信息自動統(tǒng)計分配格點化的基礎(chǔ)。

圖3 基于GEE平臺和去云Sentinel-2影像計算的2019年河北省NDVI、EVI和EVI2最大值合成圖

1.2.3 面積統(tǒng)計數(shù)據(jù)和驗證樣本數(shù)據(jù)通過收集和整理河北省農(nóng)村統(tǒng)計年鑒上的縣級小麥面積，得到整個河北省2016—2019年縣級小麥面積參考數(shù)據(jù)。另外為了更好地比較不同植被指數(shù)的信息提取效果，評估小麥自動統(tǒng)計分配格點化結(jié)果在空間分布上的準確度，本研究利用GEE合成的整個河北省2019年冬小麥生長期最小云量影像（圖2），根據(jù)不同地物的不同顏色、紋理等差異，基于目視解譯和2020年實地考察結(jié)果（期間通過走訪調(diào)查，記錄了田塊近2年的種植情況），在小麥主要種植區(qū)河北省南部和中部地區(qū)選取了冬小麥、水體、山體、人工地表和其他（裸地和其他植被）5類地物共907個矢量面（表1），各地類矢量面的分布（圖4a）和特征（圖4b至圖4k）。河北省的山區(qū)多分布在西部，其他地類樣本隨機選取，均勻分布。

圖4 基于GEE平臺選取的5種樣本地類矢量面的分布（a）、各地類原始影像特征（b-f）和各地類EVI2分布特征（g-k）

表1 驗證樣本數(shù)據(jù)相關(guān)信息

1.2.4 數(shù)字高程數(shù)據(jù)和行政區(qū)劃數(shù)據(jù)利用先進的星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（Ad?vanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model，ASTER GDEM）生產(chǎn)的數(shù)字高程數(shù)據(jù)，制作研究區(qū)底圖，輔助驗證樣本的判斷。該數(shù)據(jù)是根據(jù)NASA的對地觀測衛(wèi)星Terra的詳盡觀測結(jié)果制作完成的，空間分辨率為30 m。另外行政區(qū)劃數(shù)據(jù)包括省、市、縣三級行政區(qū)劃數(shù)據(jù)，來源于國家基礎(chǔ)地理信息系統(tǒng)中心，數(shù)據(jù)格式為ESRI Shapefile。

2 研究方法

2.1 試驗設(shè)計

本研究的試驗設(shè)計如下：①利用GEE平臺進行Sentinel-2數(shù)據(jù)預(yù)處理和計算得到整個河北省2019年不同植被指數(shù)（NDVI/EVI/EVI2）影像（“1.2.1”部分）；②將各影像輸入自動統(tǒng)計分配算法中，得到基于不同植被指數(shù)的小麥分布圖；③利用“1.2.3”部分得到的驗證樣本（907個矢量面）對小麥分布圖進行比較和檢驗，挑選出最優(yōu)的植被指數(shù)；④基于最優(yōu)的植被指數(shù)影像和自動統(tǒng)計分配算法，得到2016—2019年的河北省小麥分布圖，分析近年河北省小麥的分布變化。

2.2 自動統(tǒng)計分配算法原理與方法

由于農(nóng)作物的生長有著明顯而特別的季節(jié)性特征，利用不同作物物候及生長發(fā)育在時間序列上反映出的植被指數(shù)特征進行作物信息識別。該方法已經(jīng)成為農(nóng)作物面積提取的一種重要方式。以EVI為例，冬小麥的植被指數(shù)在播種期最小，越冬前出現(xiàn)一個小峰值，在越冬后期出現(xiàn)波谷。返青后冬小麥種植區(qū)的植被指數(shù)會隨著小麥生物量的增加而逐步增加，并在抽穗期至乳熟期達到最大，之后隨著葉片變黃、麥穗成熟，植被指數(shù)又逐步下降［33］。河北省冬小麥約前一年10月下旬出苗結(jié)束，當年的4月末開始抽穗，6月初開始成熟收獲。而在4月以前，其他作物鮮少種植，因此植被指數(shù)越大的像元為小麥的可能性越高［34］。所以自動統(tǒng)計分配算法的原理是自動將統(tǒng)計數(shù)據(jù)中的小麥面積分配給小麥可能性更高的像素，自適應(yīng)調(diào)整小麥的分布，直到累積小麥面積接近統(tǒng)計數(shù)據(jù)為止。

研究利用GEE平臺篩選前一年11月至當年3月間無云的最大值像元，合成覆蓋整個研究區(qū)的30 m分辨率的植被指數(shù)（NDVI/EVI/EVI2）影像；之后利用耕地分布數(shù)據(jù)對得到的最大值影像進行掩膜，只保留耕地像元；利用Python編程語言通過分縣自動設(shè)定并調(diào)整閾值，對耕地像元進行篩選，保留冬小麥可能性更高的像元，直到累積小麥面積接近統(tǒng)計數(shù)據(jù)則停止篩選，以實現(xiàn)冬小麥種植區(qū)多年分布信息的提取。

2.3 精度評價方法

利用“1.2.3”部分得到的驗證樣本（907個矢量面）作為參考數(shù)據(jù)，對基于不同植被指數(shù)影像和自動統(tǒng)計分配算法得到的小麥分布圖進行比較和檢驗，以判斷輸入不同植被指數(shù)影像對小麥信息提取結(jié)果的影響。具體方法是統(tǒng)計基于算法得到的小麥像元與各真實地類重合的像元個數(shù)并計算百分比。另外，利用統(tǒng)計數(shù)據(jù)，對算法提取的2016—2019年冬小麥分布結(jié)果進行評估。驗證指標有平均精度（Aˉx）、平均絕對誤差（MAE）和均方根誤差（RMSE），其計算方法如下。

3 結(jié)果與分析

3.1 最優(yōu)植被指數(shù)挑選結(jié)果

統(tǒng)計基于算法得到的小麥像元與各真實地類重合的像元個數(shù)，并計算百分比。不同植被指數(shù)的小麥信息提取精度評價結(jié)果如表2所示。結(jié)果表明，基于NDVI、EVI和EVI2的小麥分布結(jié)果準確率差別不大。冬小麥真實樣本總共有136 312個，其中EVI的用戶精度為94.58%，制圖精度為91.67%，Kappa系數(shù)為0.967 3，均為最大。EVI2的結(jié)果與EVI相似，而NDVI的 準確率 相對EVI和EVI2為最低，用戶精度、制圖精度和Kappa系數(shù)分別為94.10%、91.66%和0.966 6。最終確定EVI為自動統(tǒng)計分配算法的最優(yōu)輸入。但不難看出，無論是基于哪個植被指數(shù)，自動統(tǒng)計分配算法提取的小麥分布信息準確率均大于94.00%，總體精度均大于98.00%，Kappa系數(shù)均大于0.96，提取結(jié)果真實可靠。

表2 不同植被指數(shù)2019年冬小麥分布結(jié)果精度評價混淆矩陣

3.2 河北省冬小麥提取結(jié)果精度分析

將GEE平臺得到的河北省EVI影像輸入自動統(tǒng)計分配算法中，得到2016—2019年河北省30 m分辨率的小麥分布（圖5）。由圖5可以看出，河北省的小麥主要分布在中南部地區(qū)，廊坊市和秦皇島市的種植密度較低，承德市和張家口市沒有冬小麥種植區(qū)。

圖5 2016—2019年的河北省冬小麥空間分布

分別計算2016—2019年河北省所有小麥種植縣冬小麥面積的平均精度，見表3。由表3可知，2016—2019年河北省冬小麥面積平均精度均大于97.00%，算法提取的整個河北省小麥面積與統(tǒng)計面積高度一致。另外計算所有縣的MAE和RMSE，并輸出散點圖，輸出結(jié)果如圖6所示，算法提取結(jié)果與統(tǒng)計結(jié)果有很好的線性關(guān)系。

圖6 2016—2019年的河北省冬小麥縣級精度驗證散點圖

表3 冬小麥面積精度驗證結(jié)果

3.3 河北省冬小麥分布變化

計算每個像元2016—2019年冬小麥種植年份數(shù)，得到整個河北省冬小麥分布變化圖；另外，統(tǒng)計河北省各個市每年的小麥面積并制作折線圖，結(jié)果如圖7所示。研究發(fā)現(xiàn)，2016—2019年，河北省冬小麥面積從224.595萬hm2上漲至227.956萬hm2，增長幅度不大，2018年達到最高，為231.748萬hm2。相較2016年，邢臺、衡水和秦皇島市的小麥種植面積總體呈增長趨勢，其中衡水市漲幅最大，2019年相較2016年增長了7.180萬hm2，呈由北向南擴張趨勢；保定和滄州市4年內(nèi)的小麥種植面積基本保持不變；而其他市的小麥種植面積總體呈下降趨勢，其中石家莊市下降最多，2019年相較2016年減少了2.683萬hm2，減少區(qū)域主要為石家莊西部地區(qū)。

圖7 2016—2019年的河北省各市冬小麥面積和分布變化

4 討論與結(jié)論

4.1 研究的優(yōu)勢、不足及下階段計劃

從衛(wèi)星產(chǎn)品估算的農(nóng)田面積通常與統(tǒng)計數(shù)據(jù)不一致，會阻礙農(nóng)田地圖在資源環(huán)境、生態(tài)、氣候變化和糧食安全等地學(xué)領(lǐng)域中基于行政單元的空間分析應(yīng)用。本研究采用遙感數(shù)據(jù)和統(tǒng)計數(shù)據(jù)協(xié)同使用的自動統(tǒng)計分配算法，制作了河北省多年的30 m分辨率小麥分布圖。算法有以下3項優(yōu)勢。①解決了訓(xùn)練樣本挑選難的問題。傳統(tǒng)的大范圍作物分布制圖通常需要相對大量的訓(xùn)練樣本來訓(xùn)練模型，訓(xùn)練樣本的挑選通常需要較大的時間和精力投入，同時訓(xùn)練樣本的準確性也決定了算法的準確性，而本算法不需要訓(xùn)練樣本，能夠快速在其他年份復(fù)制使用。②研究基于GEE平臺進行數(shù)據(jù)預(yù)處理，極大地提高了制圖效率。作為可免費訪問、基于云數(shù)據(jù)的地理空間計算平臺，GEE平臺為高效處理大量遙感數(shù)據(jù)提供了新途徑［35］，隨著數(shù)據(jù)可用性和強大計算資源的增加，越來越多的遙感信息提取工作在GEE平臺開展［36，37］。GEE樣本選取方便及精度驗證簡單等優(yōu)點讓研究者能專注于開發(fā)和改進自動統(tǒng)計分配算法本身，提高算法信息提取的精度，而不需要過多關(guān)注一些重復(fù)的技術(shù)性工作。③極大提高了作物分布制圖的準確性，使之與官方統(tǒng)計數(shù)據(jù)一致，為產(chǎn)量預(yù)測、水資源利用以及農(nóng)作物氣象災(zāi)害監(jiān)測等后續(xù)研究打好基礎(chǔ)。

本研究使用的驗證樣本是矢量面，雖然在采集過程中盡量保證矢量面內(nèi)地物的一致性，但由于人為主觀因素的存在，加上混合像元的問題，驗證樣本仍然存在一定的不準確性。另外，本研究使用冬小麥生長期內(nèi)植被指數(shù)的變化差異作為基礎(chǔ)進行小麥的提取且精度較高，是因為在相同的生長季內(nèi)（前一年11月至當年3月），河北省鮮少有其他作物大面積被種植。這使得算法在與河北省種植制度相似的地區(qū)復(fù)刻，同樣能獲得較好的結(jié)果，但在冬季作物種類偏多的地區(qū)，例如南方冬小麥和油菜的混合種植區(qū)，為獲得較高的精度，自動統(tǒng)計分配算法需添加額外的條件，這也是下階段算法的改進目標。同時，不同遙感數(shù)據(jù)的聯(lián)合使用也值得進一步研究。

4.2 結(jié)論

為快速準確獲取大范圍小麥信息，本研究基于Google Earth Engine云平臺進行Sentinel-2數(shù)據(jù)的預(yù)處理和植被指數(shù)計算，得到整個河北省2019年不同植被指數(shù)（NDVI/EVI/EVI2）影像；輸入自動統(tǒng)計分配算法，得到基于不同植被指數(shù)的小麥分布圖并比較，挑選出最優(yōu)的植被指數(shù)；基于最優(yōu)的植被指數(shù)影像和自動統(tǒng)計分配算法，快速得到2016—2019年河北省冬小麥的空間位置分布信息。主要結(jié)論如下。

1）利用GEE平臺輔助提取作物信息，有數(shù)據(jù)獲取容易、計算速度快、樣本選取方便等優(yōu)點。GEE能夠快速完成整個河北省多年影像的去云、鑲嵌、裁剪及指數(shù)計算等預(yù)處理工作，較本地處理有明顯優(yōu)勢。

2）NDVI、EVI和EVI2三者的小麥分布制圖準確率差別不大，均大于94.00%，其中EVI的精度最高。河北省所有小麥種植縣2016—2019年的平均精度均大于97%。相較2016年，衡水市小麥面積4年增長了7.180萬hm2，主要呈由北向南擴張趨勢；石家莊市減少2.683萬hm2，減少區(qū)域主要為西部區(qū)域。

3）自動統(tǒng)計分配算法不需要依賴訓(xùn)練樣本，極大地降低了大面積作物分布制圖的成本，且能快速地在其他年份復(fù)制使用，提高了大面積作物分布制圖效率。另外，算法將遙感數(shù)據(jù)和統(tǒng)計數(shù)據(jù)協(xié)同使用，獲得的小麥面積和分布與真實情況有良好的一致性。本研究可為大范圍小麥分布制圖提供一定的技術(shù)方法參考和思路借鑒，為指導(dǎo)農(nóng)業(yè)生產(chǎn)、農(nóng)業(yè)氣象災(zāi)害監(jiān)測和防災(zāi)減災(zāi)工作提供基礎(chǔ)。