维普资讯 http://www.cqvip.com 第１１卷第６期 遥感 学 报 Ｖｏ１．１１，Ｎｏ．６ ２００７年１１月 ＪＯＵＲＮＡＬ ＯＦ ＲＥＭＯＴＥ ＳＥＮＳＩＮＧ Ｎｏｖ．，２００７ 文章编号：１００７—４６１９（２００７）０６・０８２６・１２ 训练样本对ＴＭ尺度小麦种植面积 测量精度影响研究（Ｉ） ——训练样本与分类方法间分类精度响应关系研究 朱秀芳，潘耀忠，张锦水，王 双，顾晓鹤，徐 超 （北京师范大学环境演变与自然灾害教育部重点实验室，北京师范大学资源学院，北京１００８７５） 摘要： 准确的遥感农作物类型识别和种植面积统计，不仅仅取决于不同分类方法的选择，同时还要看输入分类 器用以学习的训练样本数据，训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对 测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响，本文以 小麦为例，选择典型试验区，利用较常用的ＴＭ遥感影像，结合高分辨率ＳＰＯＴ数据和野外ＧＰＳ数据，在构建标准训 练样本和检验样本数据集的基础上，在不同训练样本量下，分别对光谱角制图、平行六面体、马氏距离、最小距离、 最大似然和支持向量机６种方法进行了多次试验，并对测量结果进行了对比分析。研究结果表明：①不同样本量 下６种方法ｌ０次测量的结果存在不同程度的波动，而且地块越破碎的地区波动越大，但这种波动随样本量的增加 会减少，说明目前在小麦面积测量中，用单次分类的结果作为最终的提取结果的做法存在一定的随机误差，在实际 的工作中，应尽可能多的获取训练样本，以提高小麦面积测量的稳定性，同时利用多次测量结果求均值的方式，来 消减或者抵消测量的随机误差；②相同样本量下，各种方法测量出的全区和破碎区的小麦像元个数（总量）不一致， 种植结构复杂且破碎的地区，各种方法测量出的小麦面积总量差异会更大，说明不同方法对同一地区小麦的识别 能力是不同的，同种方法对于不同地区小麦的识别能力也是不一样的，但是通过分析小麦识别的产品精度和用户 精度，可以判断出哪个结果最接近于真实总量。 关键词： 小麦；种植面积；训练样本；样本数量；ＴＭ 中图分类号：ＴＰ７５１．１ 文献标识码：Ａ Ｔｈｅ Ｅｆｆｅｃｔｓ ｏｆ Ｔｒａｉｎｉｎｇ Ｓａｍｐｌｅｓ ｏｎ ｔｈｅ Ｗｈｅａｔ Ｐｌａｎｔｉｎｇ Ａｒｅａ Ｍｅａｓｕｒｅ Ａｃｃｕｒａｃｙ ｉｎ ＴＭ Ｓｃａｌｅ【Ｉ）： Ｔｈｅ Ａｃｃｕｒａｃｙ Ｒｅｓｐｏｎｓｅ ｏｆ Ｄｉｆｆｅｒｅｎｔ Ｃｌａｓｓｉｆｉｅｒｓ ｔｏ Ｔｒａｉｎｉｎｇ Ｓａｍｐｌｅｓ ＺＨＵ Ｘｉｕ－ｆａｎｇ，ＰＡＮ Ｙａｏ－ｚｈｏｎｇ，ＺＨＡＮＧ Ｊｉｎ－ｓｈｕｉ，ＷＡＮＧ Ｓｈｕａｎｇ，ＧＵ Ｘｉａｏ－ｈｅ，ＸＵ Ｃｈａｏ （Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ Ｃｈａｎｇｅ ａｎｄ Ｎａｔｕｒａｌ Ｄｉｓａｓｔｅｒ，Ｍｉｎｉｓｔｙｒ ｏｆ Ｅｄｕｃａｔｉｏｎ ｏｆ Ｃｈｉｎａ，Ｂｅｉｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ； ＣｏｌｌｅｇｅｏｆＲｅｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＮｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ。Ｂｅｉｊｉｎｇ １００８７５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｅｘａｃｔ ａｇｒｉｃｕｌｔｕｒａｌ ｃｒｏｐｓ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｐｌａｎｔｉｎｇ ａｒｅａ ｍｅａｓｕｒｅ ｄｅｐｅｎｄ ｏｎ ｎｏｔ ｏｎｌｙ ｃｌａｓｓｉｉｆｅｒｓ ｂｕｔ ａｌｓｏ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｉｍｐｏｒｔｅｄ ｉｎｔｏ ｃｌａｓｓｉｉｆｅｒｓ．Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ，ｉｎｃｌｕｄｉｎｇ ｓａｍｐｌｅ ｑｕａｌｉｔｙ ａｎｄ ｑｕａｎｔｉｔｙ，ｉｓ ｇｒｅａｔｅｒ ｔｈａｎ ｔｈａｔ ｏｆ ｃｌａｓｓｉｆｉｅｒｓ ｏｎ ｍｅａｓｕｒｅ ａｃｃｕｒａｃｙ．Ｉｎ ｏｒｄｅｒ ｔｏ ｐｒｏｂｅ ｉｎｔｏ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｏｎ ａｇｒｉｃｕｌｔｕｒａｌ ｐｌａｎｔｉｎｇ ａｒｅａ ｍｅａｓｕｒｅ，ａ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ｗｈｅａｔ ｓｏｗｉｎｇ ｓｅｃｔｉｏｎ ｗａｓ ｔａｋｅｎ ａｓ ａｎ ｅｘａｍｐｌｅ．Ａ ｓｔａｎｄａｒｄ ｓａｍｐｌｅ ｓｅｔ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｓｅｄ ｔｈｅ ｐｏｐｕｌａｒ ＴＭ ｉｍａｇｅ，ＳＰＯＴ一５ ｉｍａｇｅ ｗｉｔｈ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ａｎｄ ｆｉｅｌｄ ｄａｔａ ｆｒｏｍ ＧＰＳ．Ｔｈｅｎ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ ｗｉｔｈ ｓａｍｅ ｆｅａｔｕｒｅｓ ａｎｄ ｄｉｆｉｅｒｅｎｔ ｎｕｍｂｅｒｓ ｗｅｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙ ｉｎｐｕｔ ｉｎｔｏ ｓｉｘ ｄｉｆｆｅｒｅｎｔ ｃｌａｓｓｉｆｉｅｒｓ ｔｏ ｃｌａｓｓｉｆｙ ｉｍａｇｅ ａｎｄ ｉｄｅｎｔｉｆｙ ｗｈｅａｔ，ｗｈｉｃｈ ａｒｅ ｓｐｅｃｔｒａｌ ａｎｇｌｅ ｍａｐｐｅｒ，ｐａｒａｌｌｅｌｅｐｉｐｅｄ， ｍａｈａｌａｎｏｂｉｓ ｄｉｓｔａｎｃｅ，ｍｉｎｉｍｕｍ ｄｉｓｔａｎｃｅ，ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ａｎｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ．Ｍｏｒｅｏｖｅｒ。ｔｈｅ 收稿日期：２００６．０５－１９；修订日期：２００６．１０・１２ 基金项目：教育部新世纪优秀人才计划资助。 作者简介：朱秀芳（１９８２一），女，硕士研究生。现从事土地覆盖遥感监测研究。Ｅ－ｍａｉｌ：Ⅸｒ＠ｉｒｅｓ．ｃｎ。ｐｙｚ＠ｉｅｒｓ．ｃａ。 维普资讯 http://www.cqvip.com 米秀芳等：训练样本对ＴＭ尺度小皮种植面移｛测量精度影响研究（Ｉ） 第６期 训练样奉 分类 法『Ｈ】分类精度响应关系研究 ８２７ ｅｘｐｅｒｉｍｅｎｔａｔｉｏｎ ｗａｓ ｒｅｐｅａｔｅｄ ｔｅｎ ｔｉｍｅｓ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｓａｍｐｌｅ ｎｕｍｂｅｒｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ：①Ｔｅｎ ｍｅａｓｕｒｅ ｒｅｓｕｌｔｓ ｆｌｕｃｔｕａｔｅ ｆｒｏｍ ｓｉｘ ｍｅｔｈｏｄｓ ｕｎｄｅｒ ｄｉｆｅｒｅｎｔ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｎｕｍｂｅｒｓ．Ｔｈｅ ｆｌｕｃｔｕａｔｉｏｎ ｉｓ ｒｅｄｕｅｉｎｇ ｗｉｔｈ ｔｈｅ ｉｎｃｒｅａｓｉｎｇ ｏｆ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ｎｕｍｂｅｒｓ，ｗｈｉｃｈ ｉｓ ｇｒｅａｔｅｒ ｉｎ ｍｏｒｅ ｆｒａｇｍｅｎｔｉｚｅｄ ｐｌｏｔ．Ｔｈｅｒｅ ａｒｅ ｓｏｍｅ ｒａｎｄｏｍ ｅｒｒｏｒｓ ｉｎ ｔｈｅ ｃｕｒｒｅｎｔ ｃｏｍｍｏｎ ｕｓｅｄ ｍｅｔｈｏｄ ｏｆ ｗｈｅａｔ ｐｌａｎｔｉｎｇ ａｒｅａ ｍｅａｓｕｒｅ．ｗｈｉｃｈ ａｌｗａｙｓ ｕｓｅｓ ｏＢｅ ｔｉｍｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔ ａｓ ｔｈｅ ｆｉｎａｌ ｖａｌｕｅ．Ｉｎ ｔｈｅ ｔａｓｋ ｏｆ ａｇｒｉｃｕｌｔｕｒｅ ｐｌａｎｔｉｎｇ ａｒｅａ ｍｅｎｓｕｒｅ，ｓａｍｐｌｅｓ ｓｈｏｕｌｄ ｂｅ ｕｓｅｄ ａｓ ｍａｎｙ ａｓ ｐｏｓｓｉｂｌｅ ｉｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｏ ａｄｖａｎｃｅ ｔｈｅ ｒｅｓｕｌｔ ｓｔａｂｉｌｉｔｙ ａｎｄ ｔｈｅ ａｖｅｒａｇｅ ｏｆ ｌｏｔｓ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｉｓ ａｄｖｉｓｅｄ ｔｏ ｃｏｕｎｔｅｒａｃｔ ｔｈｅ ｒａｎｄｏｍ ｅｒｒｏｒｓ．②Ｔｈｅ ｗｈｅａｔ ｐｉｘｅｌ ｎｕｍｂｅｒｓ（ｒｅｇｉｏｎ ｗｈｏｌｅ ａｒｅａ）ｄｉｆｆｅｒ ｅａｃｈ ｏｔｈｅｒ ａｍｏｎｇ ｓｉｘ ｍｅｔｈｏｄｓ ｕｎｄｅｒ ｔｈｅ ｓａｍｅ ｔｒａｉｎｉｎｇ ｎｕｍｂｅｒｓ．Ａｎｄ ｔｈｅ ｄｉｖｅｒｓｉｔｙ ｉｓ ｌａｒｇｅｒ ｉｎ ａｒｅａ ｗｉｔｈ ｃｏｍｐｌｅｘ ｐｌａｎｔ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｆｒａｇｍｅｎｔｉｚｅｄ ｐｌｏｔｓ．Ｄｉｆｆｅｒｅｎｔ ｃｌａｓｓｉｆｉｅｒ ｈａｓ ｄｉｆｆｅｒｅｎｔ ｒｅｓｐｏｎｓｅ ｔｏ ｔｈｅ ｓａｍｅ ａｒｅａ，ｗｈｉｌｅ ｓａｍｅ ｃｌａｓｓｉｆｉｅｒ ｈａｓ ｄｉｆｆｅｒｅｎｔ ｒｅｓｐｏｎｓｅ ｔｏ ｄｉｆｆｅｒｅｎｔ ａｒｅａ．Ｂｕｔ ｉｔ ｃａｎ ｂｅ ｉｕｄｇｅ ａｎｄ ｖｅｒｄｉｃｔ，ｗｈｉｃｈ ｒｅｓｕｌｔ ｉｓ ｎｅａｒｅｒ ｔｏ ｔｈｅ ｔｒｕｅ ｖａｌｕｅ，ｔｈｒｏｕｇｈ ａｎａｌｙｚｉｎｇ ｔｈｅ ｐｒｏｄｕｃｔ ａｃｃｕｒａｃｙ ａｎｄ ｕｓｅｒ ａｃｃｕｒａｃｙ ｏｆ ｗｈｅａｔ． Ｋｅｙ ｗｏｒｄｓ： ｗｈｅａｔ；ｐｌａｎｔｉｎｇ ａｒｅａ；ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ；ｓａｍｐｌｅ ａｍｏｕｎｔ；ＴＭ ｓｃａｌｅ 产生重要的影响。高的分类精度，要求选用信息含 １ 引 言 小麦作为中国第二大粮食作物，它的长势、播种 面积及其丰欠等，都是涉及国家政局稳定和人民安 居乐业的重大问题。及时了解、准确掌握小麦种植 面积数据，对制定农业和农村，准确估计粮 食产量，确保中国粮食安全具有重要的意义。自２０ 量大、质量可靠、能满足分类器分类法则、可以很好 代表不同地物特征的样本数据，同时样本数量也应 该足够大，以保证通过学习过程得到的分类法则可 以正确区分不同的地物类型。阎静等 在利用神 经元网络提取湖北省早稻种植面积时，对不同样本 点训练出的结果进行了初步比较分析，但总的来说， 目前有关训练样本（质和量）对农作物分类精度影 响的研究还很少。此外，在实际分类过程中，样本数 量的大小还和被研究区中各个地物类别之间的分离 世纪７０年代美国等国率先开展主要农作物（小麦、 玉米、水稻等）种植面积和产量估算等工作 ’ 以 来，遥感技术在农作物种植面积测量领域已有了突 飞猛进的发展，一些成熟的技术也开始引入产业部 度有关 ，尤其在农作物识别中，很多同期作物表 现出近似的光谱特征，分离度较低，这更加大了选取 充足的高质量的训练样本的难度。那么，究竟多大 的样本量才足以描述出不同作物类别的特性，或者 区分出各类别的界限以满足分类的需要；不同的分 门，进行业务化运行 ，但其中遇到的一些关键问 题，还有待于进一步深入探讨。 农作物遥感识别方法总体可分为两类，即：目视 解译和自动分类。目视解译费时费力、可重复性较 类器或者学习规则对相同量的训练样本有何不同响 差，识别精度易受个人影响，目前在中高分辨率农作 物识别中主要用于训练样本和检验样本数据的选取 工作 。自动分类从早期的非监督分类¨ ，传 统的监督分类¨ 络 解 类 ，发展到后来的神经元网 ，支撑向量机分类方法 ，基于知识的分类 ，模糊分类法 应；不同样本下同种分类器的精度有何变化等，这些 都是在农作物识别过程中值得深入探讨的问题，也 是目前该领域中研究甚少的问题。 因此，本文针对农作物识别过程中训练样本与 测量精度之间的关系问题，以冬小麦为例，选择典型 （Ｓｕｐｐｏｆｌ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ），混合像元分 引，面向对象的分类 （如：决策树分类法） ” 和基于图斑思想的分 等，在分类方法上取得了长足的进步。无论 何种分类方法，其目的都是为了更好地区分开不同 试验区，利用目前较常用的ＴＭ遥感影像，结合高分 辨率ＳＰＯＴ遥感数据和野外ＧＰＳ数据，在构建标准 训练样本和检验样本数据集的基础上，按照不同训 练样本数量的组合（０．２５％，０．５％，ｌ％，５％，１０％， １５％，２０％，３５％，３０％，４０％），分别对光谱角制图 （Ｓｐｅｃｔｒａｌ Ａｎｇｌｅ Ｍａｐｐｅｒ，ＳＡＭ）、平行六面体 （Ｐａｒａｌｌｅｌｅｐｉｐｅｄ，Ｐａｒａ）、马氏距离（Ｍａｈａｌａｎｏｂｉｓ Ｄｉｓｔａｎｃｅ，Ｍａｈａ）、最小距离（Ｍｉｎｉｍｕｍ ｄｉｓｔａｎｃｅ， 的地物类型，进而准确地统计区域农作物种植面积。 要达到这个目的，不仅要看分类器的选择，还要看输 入分类用以学习的样本数据。研究表明：不同分类 器对同一样本有着不同的响应，相同的分类器对 Ｍｉｎ）、最大似然（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ，ＭＬＣ）和支持 向量基６种方法进行了反复试验和测量结果的对比 分析，以期找出训练样本数量与分类方法对冬小麦 同的样本也有着不同的响应 ，训练样本对分类精 度的影响比分类技术对精度的影响还要大 。 训练样本的质量和数量都会对农作物最终识别结果 测量精度的响应关系，为冬小麦种植面积测量提供 维普资讯 http://www.cqvip.com 维普资讯 http://www.cqvip.com 朱秀片等：训练样本对ＴＭ尺度小麦种植 积测幂精度影响研究（Ｉ） 第６ 训练样小‘ 分类方法问分类精度响应火系研究 ８２９ ＳＰＯ Ｆ影像 ＳＰＯＴ预分类 据（经儿何校正、 （小麦、其他作物、 １２０％辐射校正） 居 用地、水体） （．５％，％，５，％ ，。ｃ０ １ ０，％ ，１ ２５％３０％４０％５）％ ， ，， ｌＩ ｌ： ： 野￣ｔ＇ＧＰＳ数据 各种地物 积 分比 （３０ｍ分辨率） 光谱角ｌ制 １人 面体行 ｌ马氏Ｉ最小Ｉ距离ｌ曲！离ｌ最人ｌ似然１ ｌ阳蛙机 支持 ＦＭ影像 判定 （经儿何校止、 （面积百分比最大的地物类型被 辐射校 ） 定义为该像， 所代表的地物） 各种方法的分类结果 （小麦、其他作物、居 用地、水体） ‘ｆ，ｌ 斋 蔫他 臻 Ｉ、 Ｔ Ｍ馨瓮 搠ｌ ｌ 占 地物类 ） 民用地、水体）ｌ ｌ ” 总体像Ｋａｐｐａ ｌ ｌ小麦的产‘———。广——＿Ｊ Ｌ＿———＿ｒ———＿Ｊ １兀精度ｌ ｌ小麦的用户精度ｌ品精度ｌ Ｉ冬小麦像元个数 １（ 敛区、种植 、破碎【 区，连 又＝） 交运算 样本数据 （小麦、其他作物、居民片ｊ地、水体） 位置精度 ｌ ｌ面积误差方向ｌ ｌ 【×＝域总量精』叟 图２技术流程Ｉ刳 Ｆｉｇ．２ Ｆｌｏｗ ｃｈａｒｔ 的方法。同时，为了避免由于不同作物生长期带来 （４）对ｓ进行反复目视纠正，剔除任何不能完 的遥感时相ｋ的地物类型差异及同一生长期作物长 全确定类型的像元，最终得到标准样本数据区图像。 势不同带来的光谱差异，本研究采取以下步骤最终 最终结果（１６３７５２个像元）占整幅ＴＭ研究区的 获得ｒ所需的标准样本集数据。 ６２．９％，其中小麦样本７５６４８个、其他作物１５０２５ （１）结合野外ＧＰＳ，对ＴＭ和ＳＰＯＴ影像分别利 个、裸地６７０８８个、水体５９９１个。经检验地物类型 用最大似然法进行分类。根据实际情况，将研究区分 与野外ＧＰＳ点完全一致，只有漏分、没有错分。各 为小麦、裸地（包括：居民用地、道路、休耕地等）、水 地物训练样本在不同波段的均值和方差见表１，Ｊ—Ｍ 体和其他作物４类。有关研究 表明，利用最大 距离和转换分离度见表２，从表中可以看出训练样 似然分类时，要求每个类型的训练样本个数至少是 本的分离度很高，完全可以满足试验的要求。 本身数据维数（波段数）的１０—３０倍，才能够正确 描述地物类型的均值和方差，因此本文对各种地物 ３．２不同训练样本量下从ＴＭ影像提取冬小麦面 类型分别选用了超过波段数３０倍的样本数进行最 积的方法 大似然分类，最后通过目视解译反复修正分类结果。 基于标准样本数据集，同时考虑研究区内不同 （２）将１０ｍ ＳＰＯＴ分类结果合并成３０ｍ分辨率的 地物类型的面积差异，为了保证小面积的地物类型 分类结果。合并原则：在合并的９个像元中，类型最多 （如水体）也能够获得同样数量的样本数据，本研究 Ⅱ面积百分比大于５０％的定义为合并后像元的类型。 采用分层随机提取不同数量（０．２５％，０．５％，１％， （３）提取标准样本数据区。本研究设计了式 ５％，１０％，１５％，２０％，３０％，４０％）的样本数据作为 （１）到式（３）的算法最终获得了理想标准样本数 训练样本，同时利用平行六面体、最小距离、马氏距 据集： 离、最大似然、光谱角制图和支撑向量机（核函数选 Ｔ＝｛ｔｌ，ｔ 一，ｔ ｝ （１） 用径向基函数Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）６种方法对试 Ｐ＝｛Ｐ ，Ｐ ，…，Ｐ ｝ （２） 验区ＴＭ遥感影像进行分类，类别包括小麦、水体、 Ｓ＝Ｔ ｎ Ｐ （３） 居民用地和其他作物４种。为分析随机误差，每个 式中，７１表示ＴＭ分类结果的集合，Ｐ表示ＳＰＯＴ分 样本量下６种方法均做了１０次试验，一共得到４８０ 类的３０ｍ分辨率合成结果的集合，ｋ表示分类的次 张分类结果图。图３是样本量为４０％时，６种方法 数（即集合中元素的个数，为了保证样本数据的准 第一次试验结果的分类图。 确性，在实际操作，本研究分别对ＴＭ和ＳＰＯＴ进行 同时为了统一误差分析标准，本研究还随机抽 了１０次分类，即ｋ取值为１０），Ｓ为集合７１和Ｐ的交 取了一组５％的样本作为检验样本，对上述４８０张 集，表示最终的标准样本数据。 分类结果图进行了统一的误差分析。 维普资讯 http://www.cqvip.com 维普资讯 http://www.cqvip.com 朱秀芳等：训练样本对ＴＭ尺度小麦种植面积测量精度影响研究（Ｉ） 第６期 ——＼ 三训练样本与分类方法问分类精度响应关系研究 ８３ｌ ０ 域内识别出的小麦像元总数，即区域总量精度 ４不同训练样本量下ＴＭ影像冬小麦 测量结果的比较和分析 ４．１评价分析指标 （Ｗｈｅａｔ ｐｉｘｅｌｓ，ＷＰ）５个指标，对不同样本量下、不 样 同方法的测量结果进行了比较和分析。其中总体像 元精度和Ｋａｐｐａ系数反映了小麦空间分布的准确程 ０ ３％ 加绳㈦ 度；区域总量反映了一定区域内统计总量的绝对精 ∞ 度；产品精度反映小麦漏分的程度（小麦识别为其 日ｄｄ 他地物的程度），用户精度可以反映小麦错分的程 ０ ０ ０ ０ 通常的遥感分类精度评价和检验方法是从绝对 位置精度（像元精度）角度出发的，即评价分类结果 的每个像元的精度，但用户和产业部门除关心分类 结果的位置精度外，有时更关心分类结果在一定自 然或行政单元内的统计总量是否准确，即总量精度。 为全面分析训练样本量对冬小麦提取方法的影响， 本研究选取了总体像元精度（Ｏｖｅｒａｌｌ Ａｃｃｕｒａｃｙ， ＯＡ）、Ｋａｐｐａ系数（Ｋａｐｐａ ｃｏｅｆｆｉｃｉｅｎｔ，Ｋａｐｐａ）、小麦 度（其他地物识别为小麦的程度），这两个指标的差 值可以反映整个区域总量误差的方向和大小，既包 ∞ 含了空问位置信息，也包含了区域总量信息。 ４．２测量结果比较分析 ４．２．１位置精度比较分析 ＼ 蠢 芒 、 图４是根据６种方法在各个样本量下ｌ０次测 的产品精度（Ｗｈｅａｔ Ｐｒｏｄｕｃｅ Ａｃｃｕｒａｃｙ，ＷＰＡ）、小麦 的用户精度（Ｗｈｅａｔ Ｕｓｅｒ Ａｃｃｕｒａｃｙ，ＷＵＡ）、一定区 ０ ７０７ ＼．＼ 暑量结果作出的总体像元精度和Ｋａｐｐａ系数随样本量 ９０．５ 三 ９０．０ 三三 、 ＆０．７００ ８９．５ ０．６９３ ８９．０ －：－３ ．０．６８６ ０ １０ ２０ ３０ ４０ ８８．５ ０ １０ ２０ ３０ ４０ 样本量，％ （ａ１ ９０．０ ８９．５ ８９．０ ８８．５ 样本量，％ （ｂ） ９５ ９４ 样本量，％ ＆ （Ｃ） ０ 样本量，％ 日Ａｇ ０ （ｄ） ０ 爱０ ０ 踞 盯 ０ 芝９３ 圭９２ －９ ９１ ０ １０ ２０ ３０ ４０ ０样 譬８８．０ ８７．５ ８７．０ 加韫㈤ 如％ 样本量，％ （ｇ） －．＿∞ ８８．０ ８７．６ ８７．２ ８６．８ ８６．４ ８６ ０ ８５．６ ０．８１ ０．８Ｏ ｏ ０ ７８ ０ １０ ２Ｏ ３０ ４０ 样本量，％ 一样本量，％ （Ｊ） 第２次实验结果一一第３次实验结果 一样本量，％ （ｋ） 样本量，％ （１） （ｉ） 第１次实验结果一第７次实验结果一第４次实验结果一一第５次实验结果一一第６次实验结果 均值 第８次实验结果一一第９次实验结果 一第１０次实验结果— 一最小值 ＋最大值 ＋图４ １０次试验的总体像元精度和Ｋａｐｐａ系数图 （ａ）光谱角制图的总体像元精度；（ｂ）光谱角制图的Ｋａｐｐａ系数；（ｃ）最小距离的总体像元精度；（ｄ）最小距离的Ｋａｐｐａ系数； （ｅ）平行六面体的总体像元精度；（ｆ）平行六面体的Ｋａｐｐａ系数；（ｇ）最大似然的总体像元精度；（ｈ）最大似然的Ｋａｐｐａ系数； （ｉ）马氏距离的总体像元精度；（ｊ）马氏距离的Ｋａｐｐａ系数；（ｋ）支持向量机的总体像元精度；（１）支持向量机的Ｋａｐｐａ系数 Ｆｉｇ．４ Ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙ ａｎｄ Ｋａｐｐａ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｔｅｎ ｔｉｍｅｓ ｔｅｓｔｓ （ａ）ＯＡ ｏｆ ＳＡＭ；（ｂ）Ｋａｐｐａ ｏｆ ＳＡＭ；（ｃ）ＯＡ ｏｆ Ｍｉｎ；（ｄ）Ｋａｐｐａ ｏｆ Ｍｉｎ；（ｅ）ＯＡ ｏｆ Ｐａｒａ；（ｆ）Ｋａｐｐａ ｏｆ Ｐａｒａ； （ｇ）ＯＡ ｏｆ ＭＬＣ；（ｈ）Ｋａｐｐａ ｏｆ ＭＬＣ；（ｉ）ＯＡ ｏｆ Ｍａｈａ；（ｊ）Ｋａｐｐａ ｏｆ Ｍａｈａ；（ｋ）ＯＡ ｏｆ ＳＶＭ；（１）Ｋａｐｐａ ｏｆ ＳＶＭ 维普资讯 http://www.cqvip.com ８３２ 遥 感学报 第１ １卷 变化的曲线，其中横坐标均表示样本量，红、绿、蓝三 条线分别表示ｌ０次测量结果的均值、最小值和最大 值，其余曲线分别表示ｌ０次测量结果的精度值。 分析图４，对同一种方法来说： （１）相同样本量下多次测量的的像元精度和 Ｋａｐｐａ系数均存在不同程度的波动，只要达到一定 程度的训练样本量（满足统计要求），其均值是相对 稳定的，说明实际工作中常常用单次分类结果作为 最终小麦提取的结果，存在不准确性和随机误差，最 好用多次测量结果来抵消测量的像元误差。 （２）随着样本量的增加，ｌ０次测量的像元精度 和Ｋａｐｐａ系数的极差值（最大值减去最小值）逐渐 减小，说明样本量的增加可以减少单次分类引起的 随机误差，使分类结果逐渐稳定。 对于不同方法来说： （１）在相同样本量下用同一套样本数据得到的 像元精度和Ｋａｐｐａ系数是不同的，总的来说支持向 量机法得到的小麦位置精度最高，其次是最大似然 法和最小距离，平行六面体、马氏距离较差，而光谱 角制图位置精度最差（像元精度仅有８０％，Ｋａｐｐａ 系数仅为０．７０）。造成光谱角制图法精度最低的原 因，可能是由于该分类器采用光谱角（具有同样波 长范围的两个光谱向量在光谱空间上所形成的夹 角）作为衡量光谱向量相似性的指标 。该指标是 一种全局性的描述指标，对局部特征变换不敏感，容 易受训练样本光谱向量误差的影响，最终光谱单元 的选择直接影响分类结果的精度。¨ 。尽管本文标 准训练样本库中的像元有很高的分离度，但是由于 ＴＭ只有７个波段等原因，可能使得标准样本库中 的像元在光谱角上的差异比较小。另外由于光谱角 制图仅仅应用待识别参考向量的角度信息，而没有 顾及向量的模，可能使得谱形相似而反射强度差异 明显的地物被分为同一个类别 。 （２）在相同样本量下，ｌ０次测量像元精度波动 程度也是不一样的，波动最小的也是支持向量机方 法（样本量超过５％后，其像元精度可以稳定在９４％ 以上，Ｋａｐｐａ系数０．９４以上）。说明利用ＳＶＭ进行 小麦的识别和提取可以得到最高的位置精度，同时 也具有最好的稳定性，如果将ｌ０次测量结果看作是 不同作业员进行的分类操作，也可以说ＳＶＭ受人为 主观因素影响最小。 （３）随着样本量的增加，ＳＶＭ的平均总体像元 精度和Ｋａｐｐａ系数都有增加的趋势，而其他５种方 法基本无变换，这是由于ＳＶＭ法和传统基于统计的 分类方法对样本要求不同。最小距离分类器仅用到 光谱均值，马氏距离和最大似然法除均值以外还用 到方差和协方差，平行六面则是设定每个类别的光 谱特征上限和下限值，而光谱角是计算具有同样波 长范围的两个光谱向量在光谱空间上所形成的夹 角。对于这些方法来说，当样本个数足以刻画整个 影像像元ＤＮ值的分布规律或者能够区分不同地物 类型光谱向量的角度特征后，样本数量的增加对分 类精度的提高影响不大，而ＳＶＭ法中对分类精度起 影响的是支持向量的那部分像元 ，随着样本数量 的增加，支持向量的那部分像元也必然随之增加，因 此随着总体样本量的增加，ＳＶＭ的平均总体像元精 度和Ｋａｐｐａ系数也在增加。 但高的位置精度是不是一定能够得到理想的总 量精度，还需进一步从区域总量精度方面进行讨论。 ４．２．２区域总量精度分析 图５是根据６种方法在各个样本量下ｌ０次测 量的结果作出的全区（Ｗｈｏｌｅ Ａｒｅａ，ＷＡ）和破碎区 （Ｆｒａｇｍｅｎｔａｔｉｏｎ Ｚｏｎｅ，ＦＺ）识别出的小麦像元个数 （Ｗｈｅａｔ Ｐｉｘｅｌｓ，ＷＰ）随样本量变化的曲线（横坐标 均为样本量，各条曲线的含义与图４一致）。 分析图５，从同种方法来说：（１）相同样本量下 ｌ０次测量出的小麦像元个数存在不同程度的波动， 且破碎区小麦测量的面积波动大于全区，这说明在 地块破碎、种植结构复杂的地方，单次测量会产生更 大的随机误差。（２）随样本量的增加全区和破碎区 识别出的小麦像元个数的极差百分比（最大值与最 小值之差再除以最大值，从图中最大最小两条曲线 问的距离可以看出）逐渐减小，说明样本量的增加 可以使小麦种植面积测量结果趋于稳定。 从不同方法来说：（１）相同样本量下各种方法 测量出的小麦像元的个数不一致。如在４０％样本 量下，全区ｌ０次测量的平均小麦像元个数ＳＶＭ最 大（９９５３３个），光谱角制图最小（８８９９４个），两者极 差百分比达到了１０．７％；破碎区ＳＶＭ仍为最大 （３６１０６个），最大似然最小（３２３８５个），两者级差百 分比达到１０．３％，此时最大似然全区识别出的小麦 像元个数为９ｌｌ２５和ＳＶＭ的级差百分比为８．４％； 这说明不同方法对同一地区小麦的识别能力不同， 同种方法对于不同地区小麦的识别能力也是不一样 的，种植结构复杂、地块破碎的地区，各种方法测量 出的小麦差异会更大。（２）随着样本量的增加， ＳＶＭ法测量出的全区和破碎区的小麦面积有下滑 的趋势，而其他５种方法ｌ０次测量的均值基本不 维普资讯 http://www.cqvip.com 朱秀芳等：训练样本对ＴＭ尺度小麦种植面积测量精度影响研究（Ｉ） 第６期 ——训练样本与分类方法间分类精度响应关系研究 ，８３３ ３８Ｏ００ ３７５００ ３７０００ ３６５００ ３５Ｏ００ ９Ｏ７５０ ９０２０ｏ ８９６５０ ８９１００ ８８５５０ ８８０００ ８７４５０ ＊ ３４５００ ３４０００ ３３５００ 誊３３０００ ３２５００ ３２Ｏ００ 釜３６０００ 髫３５５００ ３５Ｏ００ ３４５００ ９８Ｏ００ ９７Ｏ００ ３７Ｏ００ ９６０００ 二９５０００ ３６００ｏ × ３５０００ 葛 ， 一 ＊ ９４０００ ９３０００ 型３４０００ ３３Ｏ００ ０ １０ ２０ ３０ ４０ 槎 ９２Ｏ００ ９１Ｏ００ ０ １０ ２０ ３０ ４０ 样本量／％ （ｅ） 样本量／％ （ｆ） 嘶 咖咖咖咖咖 样本量／％ （ｉ） 一一样本量／％ （ｊ） 样本量／％ （ｋ） 样本量／％ 第１次实验结果一第２次实验结果一第３次实验结果一一第４次实验结果一～第５次实验结果～４ ４ ３ ３ ３ ３ 最小值第７次实验结果一’一第８次实验结果一一第９次实验结果一一第１０次实验结果十图５ １Ｏ次试验的全区和破碎区识别出的小麦像元个数 舢 灿灿砌 （ａ）光谱角制图的全区识别出的小麦像元个数；（ｂ）光谱角制图的破碎区识别出的小麦像元个数；（ｃ）最小距离的全区识别出的小麦像元个数； （ｄ）最小距离的破碎区识别出的小麦像元个数；（ｅ）平行六面体的全区识别出的小麦像元个数；（ｆ）平行六面体的破碎区识别出的小麦像元个数； （ｇ）最大似然的全区识别出的小麦像元个数；（ｈ）最大似然的破碎区识别出的小麦像元个数；（ｉ）马氏距离的全区识别出的小麦像元个数； （ｊ）马氏距离的破碎区识别出的小麦像元个数；（ｋ）支持向量机的全区识别出的小麦像元个数；（１）支持向量机的破碎区识别出的小麦像元个数 Ｆｉｇ ５ Ｔｈｅ ｗｈｅａｔ ｐｉｘｅｌｓ ｉｎ ｗｈｏｌｅ ａｒｅａ ａｎｄ ｓａｍｐｌｅ ａｒｅａ 一 一 （１） 第６次实验结果 均值 —▲一最大值 ＋（ａ）ＷＰ ｏｆ ＳＡＭ ｉｎ ＷＡ；（ｂ）ｗＰ ｏｆ ＳＡＭ ｉｎ ＦＺ；（ｃ）ＷＰ ｏｆ Ｍｉｎ ｉｎ ＷＡ；（ｄ）ＷＰ ｏｆ Ｍｉｎ ｉｎ ＦＺ；（ｅ）ＷＰ ｏｆ Ｐａｒａ ｉｎ ＷＡ；（ｆ）ｗＰ ｏｆ Ｐａｒａ ｉｎ ＦＺ； （ｇ）ＷＰ ｏｆ ＭＬＣ ｉｎ ＷＡ；（ｈ）ｗＰ ｏｆ ＭＬＣ ｉｎ ＦＺ；（ｉ）ＷＰ ｏｆ Ｍａｈａ ｉｎ ＷＡ；（Ｊ）ＷＰ ｏｆ Ｍａｈａ ｉｎ ＦＺ；（ｋ）ＷＰ ｏｆ ＳＶＭ ｉｎ ＷＡ；（１）ＷＰ ｏｆ ＳＶＭ ｉｎ ＦＺ 变。这种下滑的趋势，精度是提高了还是降低了，还 要看下一节分类误差方向的分析。 ４．２．３分类误差方向分析 标为样本量，图中各曲线的含义和图４一致）。 分析图６，从同种方法来说：（１）相同样本量下 ｌ０次测量的小麦产品精度和用户精度存在不同程 度的波动，除ＳＶＭ外其他５种方法的小麦产品精度 表３是６种方法ｌ０次测量结果的小麦用户精度 的均值和小麦产品精度的均值之差。均值之差用于 反映小麦面积测量的误差方向，因为小麦的产品精度 都要大于用户精度，这说明其他５种方法对小麦的 种内光谱差异更敏感，样本质量的好坏对分类结果 的影响更大。（２）随着样本量的增加ｌ０次测量结 果的小麦产品精度极差值和小麦用户精度极差值逐 可以反映出小麦漏分的程度，用户精度可以反映出小 麦和其他地物类型错分的程度，理论上当用户精度和 产品精度相等时，识别出的小麦的总量接近于真实 值，当用户精度＞产品精度时，识别出的小麦总量＞ 真实值，反之Ｎ／Ｊ，于真实值。图６是根据６种方法在 各个样本量下的ｌ０次测量结果数值作出的小麦产品 精度和小麦用户精度随样本量变化的折线图（横坐 渐减小，说明样本量的增加可以使小麦识别的结果 更加稳定；另外，小麦产品精度和用户精度的均值差 随样本量的增加，符号保持不变，ＳＶＭ在各样本量 下的误差方向均为正，小麦面积识别多了，而其他５ 种方法都识别少了，说明样本量的增加不会改变小 维普资讯 http://www.cqvip.com ８３４ 遥 感学报 第１１卷 表３不同样本量下各种方法的小麦产品精度和用户精度均值差 Ｔａｂｌｅ ３ Ｔｈｅ ｄｉｆｅｒｅｎｃｅ ｏｆ Ｐｒｏｄｕｃｅ ａｃｃｕｒａｃｙ ａｎｄ Ｕｓｅｒ ａｃｃｕｒａｃｙ ｏｆ ｗｈｅａｔ ｗｉｔｈ ｓｉｘ Ａｌｇｏｒｉｔｈｍｓ ｕｎｄｅｒ ｄｉｆｅｒｅｎｔ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ ａｍｏｕｎｔ ．． ．一 一 Ｏ 、 、 三： －２． ＃ ， ：； 样本量，％ （ａ） ９７．５ ９７．０ ９６．５ ９６．Ｏ ９５．５ ９８ ８ 样本量，％ （ｂ） 样本量，％ （ｃ） ６ 样本量，％ （ｄ） 、２ ８ ４ 。？ ≮； 堡９８ ４ 婆９８．０ 三９７．６ ９７ ２ 一 ： ９５．０ —９４ ５ ９４ ０ Ｏ ｌＯ ２Ｏ ３Ｏ ４０ ０ ｌＯ ２Ｏ ３Ｏ ４０ Ｏ ｌＯ ２Ｏ ３Ｏ ４０ Ｏ ｌＯ ２Ｏ ３Ｏ ４０ 样本量，％ （ｅ） 样本量，％ （ｆ） ｌｏ０ 样本量，％ （ｇ） ９９ ９８ 样本量，％ （ｈ） 、 、 三： ＝三 最 ： 交９７ ９９． ９６ ： 一 ９５ ９９． ９４ Ｏ ｌＯ ２Ｏ ３Ｏ ４０ 样本量，％ （ｉ） 一一样本量，％ （ｊ） 样本量，％ （ｋ） 样本量，％ （Ｊ） 第１次实验结果一第２次实验结果一一第３次实验结果 第４次实验结果一． 第５次实验结果一第６次实验结果 第７次实验结粜一。一第８次实验结果一一第９次实验结果 第ｌＯ次实验结果十最小值 ＋最大值 ＋均值 图６ １０次试验的小麦产品精度和小麦用户精度图 （ａ）光谱角制图的小麦产品精度；（ｂ）光谱角制图的小麦用户精度；（Ｃ）最小距离的小麦产品精度；（ｄ）最小距离的小麦用户精度； （ｅ）平行六面体的小麦产品精度；（ｆ）平行六面体的小麦用户精度；（ｇ）最大似然的小麦产品精度；（ｈ）最大似然的小麦用户精度； （ｉ）马氏距离的小麦产品精度；（ｊ）马氏距离的小麦用户精度；（ｋ）支持向量机的小麦产品精度；（１）支持向量机的小麦用户精度 Ｆｉｇ．６ Ｔｈｅ ｗｈｅａｔ ｐｒｏｄｕｃｅ ａｃｃｕｒａｃｙ ａｎｄ ｕｓｅｒ ａｃｃｕｒａｃｙ ｏｆ ｔｅｎ ｔｉｍｅｓ ｔｅｓｔｓ （ａ）ＷＰＡ ｏｆ ＳＡＭ；（ｂ）ＷＵＡ ｏｆ ＳＡＭ；（Ｃ）ＷＰＡ ｏｆＭＤ；（ｄ）ＷＵＡ ｏｆＭＤ；（ｅ）ＷＰＡ ｏｆ Ｐａｒａ；（ｆ）ＷＵＡ ｏｆ Ｐａｒａ； （ｇ）ＷＰＡ ｏｆＭＬＣ；（ｈ）ＷＵＡ ｏｆＭＬＣ；（ｉ）ＷＰＡ ｏｆＭａｈａ；（ｊ）ＷＵＡ ｏｆＭａｈａ；（ｋ）ＷＰＡ ｏｆ ＳＶＭ；（１）ＷＵＡ ｏｆ ＳＶＭ 维普资讯 http://www.cqvip.com 朱秀芳等：训练样本对ＴＭ尺度小麦种植面积测量精度影响研究（Ｉ） 第６期 ——训练样本与分类方法问分类精度响应关系研究 ８３５ 麦面积测量的误差方向。 从不同方法来说：（１）相同样本量下各种方法 的小麦产品精度和用户精度是不一样的。其中小麦 产品精度最高的是ＳＶＭ方法，说明ＳＶＭ方法基本 没有漏分的情况，可以最大程度识别出是小麦的像 元，漏分最严重的是光谱角制图法；小麦用户精度最 高的是最大似然分类，说明最大似然法错分误差最 小，有很少的非小麦像元被误分进来。而最小距离 法的小麦产品精度和用户精度基本相等，它们的均 值差接近于０（介于一０．４７％与一０．３５％之间），说 明该方法漏分错分的程度相当，尽管小麦的空间分 布存在错误，但最终测量出的小麦面积与真实值是 最接近的。在样本量为４０％时对应的均值差最小， 此时１０次测量的平均小麦像元个数为９９３２９，这个 数值可以认为是最接近于真实值的。并且与ＳＶＭ 方法４０％时的像元个数９９５３３基本一致。（２）随 着样本量的增加，ＳＶＭ方法的小麦产品精度和用户 精度的均值差减小，这是因为随着样本量的增加， ＳＶＭ的用户精度逐渐增大，由错分引起的误差越来 越少，而ＳＶＭ的产品精度都在９９．６％以上，由漏分 引起的误差基本不变，总的区域总量精度不断的提 高。所以上节中ＳＶＭ法测量出的全区和破碎区的 小麦面积下滑的趋势是精度提高的表现。结合 ４．２．１节对ＳＶＭ的分析，可以看出随着总体样本量 的增加，支持向量的那部分训量样本的数量也在增 加，ＳＶＭ法小麦测量的像元精度和区域总量精度都 随之增加。 ５结论与讨论 ５．１ 结论 本研究结合高分辨率ＳＰＯＴ遥感数据和野外 ＧＰＳ数据，在构建标准训练样本和检验样本数据集 的基础上，提取不同量的训练样本数据，分别利用平 行六面体、最小距离、马氏距离、最大似然、光谱角制 图和支持向量机６种方法对研究区ＴＭ影像分类， 提取冬小麦。最后，从位置精度和总量精度两个方 面对各类方法测量的结果进行了评价、比较和分析， 得到了以下结论： 对于同种方法来说：（１）在相同样本量下，测量 结果的像元精度和区域总量精度都存在一定程度的 波动，且地块越破碎的地区，波动越大，说明实际工 作中常常用单次分类结果作为最终小麦提取的结 果，存在不准确性和随机误差，最好用多次测量结果 来抵消测量误差；（２）随着样本量的增加，１０次测 量结果的波动减小，说明样本量的增加可以减少单 次分类引起的随机误差，使分类结果逐渐稳定。 对于不同方法来说：（１）在相同样本量下，各种 方法测量出的全区和破碎区的小麦像元的个数不一 致。不同方法对同一地区小麦的识别能力不同，同 种方法对于不同地区小麦的识别能力也不同，种植 结构复杂、地块破碎的地区，各种方法测量出的小麦 面积总量差异会更大。但是通过比较小麦的产品精 度和用户精度，可以得到各种方法面积测量的误差 方向和大小，从而判定哪个结果更接近于真实值； （２）随着样本量的增加，各种方法由于对样本要求 的不同，表现也不同。对于传统的分类方法来说，当 样本个数足以刻画整个影像像元ＤＮ值的分布规律 后，样本数量的增加对分类精度的提高影响不大了， 而ＳＶＭ法中对分类精度起影响的是支持向量的那 部分像元，随着样本数量的增加，支持向量的那部分 像元也随之增加，因此随着总体样本量的增加，ＳＶＭ 的总体像元精度和区域精度都在增加。 ５．２讨论 通过以上分析，可以知道在不同样本量下，ＳＶＭ 法提取的小麦都具有最高的位置精度，随着样本量 的增加，ＳＶＭ法提取的小麦区域面积精度不断提 高，而且其１０次测量结果的波动很小，在能够获取 到足够多的训练样本时，应该优先考虑利用ＳＶＭ法 测量小麦种植面积。 另外本文只讨论了样本数量对分类精度的影 响，而没有考虑样本质量的影响，在文章的第二部 分，笔者会进一步就样本质量对小麦种植面积测量 的影响展开研究和讨论，同时也会在其他的不同地 貌类型和种植结构的典型作物区进行试验，测试本 文中结论的适用性。 参考文献（Ｒｅｆｅｒｅｎｃｅｓ） ［１］ ＩＪｉ Ｙ ｚ．Ｃｒｏｐ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｐｒｏｓｐｅｃｔｓ ｏｆ Ｙｉｅｌｄ Ｅｓｔｉｍａｔｉｏｎ ｂｙ Ｍｅｔｅｏｒｏｌｏｇｙ Ｓａｔｅｌｉｔｅ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］．Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，１９９７，（３）：２９—３５．［李郁竹．农作物气象 卫星遥感监测和估产研究进展及前景探讨［Ｊ］．气象科技， １９９７，（３）：２９—３５．］ ［２］Ｌｉｕ Ｈ Ｑ，Ｊｉｎｇ Ｍ Ｙ，Ｇｏｎｇ Ｗ Ｐ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ ｉｎ ｔｈｅ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ［Ｊ］．￣ｕｒａｎｌ ｏｆ Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｒｅｇｉｏｎａｌ Ｐｌａｎｎｉｎｇ，１ ９９９，２０（２）： ５６—６０．［刘海启，金敏毓，龚维鹏．美国农业遥感技术应用 状况概述［Ｊ］．中国农业资源与区划，１９９９，２０（２）：５６— ６０．］ 维普资讯 http://www.cqvip.com ８３６ 遥感学报 第１１卷 ［３］ＭａｃＤｏｎＭｄ Ｒ Ｂ，Ｈａｌｌ Ｆ Ｇ．Ｇｌｏｂａｌ Ｃｒｏｐ Ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］． Ｓｃｉｅｎｃｅ，１９８０，（２０８）：６７Ｏ—＿６７９． ［４］ Ｍｏｒａｎ Ｍ Ｓ，Ｉｎｏｕｅ Ｙ，Ｂａｒｎｅｓ Ｅ Ｍ．Ｏｐｐｏｒｔｕｎｉｔｉｅｓ ａｎｄ Ｌｉｍｉｔａｔｉｏｎｓ ｆｏｒ Ｉｍａｇｅ—Ｂａｓｅｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｉｎ Ｐｒｅｃｉｓｉｏｎ Ｃｒｏｐ Ｍａｎａｇｅｍｅｎｔ ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９７，（６１）：３ｌ９—３４６． ［５］ Ｚｈｏｕ Ｑ Ｂ．Ｓｔａｔｕｓ ａｎｄ Ｔｅｎｄｅｎｃｙ ｆｏｒ Ｄｅｖｅｌｏｐｍｅｎｔ ｉｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ａｇｒｉｃｕｌｔｕｒｅ Ｓｉｔｕａｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｒｅｇｉｏｎａｌ Ｐｌａｎｎｉｎｇ，２００４，５０（１Ｏ）： ９一ｌ４．［周清波．国内外农情遥感现状与发展趋势［Ｊ］．中国 农业资源与区划，２００４，５０（１Ｏ）：９一ｌ４．］ ［６］ ＦＡＯ，Ｅｓｔｉｍａｔｉｏｎ Ｄｅｓ Ｓｕｐｅｒｆｉｃｉｅｓ Ｃｕｌｔｉｖｅ ｅｓ ｅｔ ｄｅｓ Ｒｅｎｄｅｍｅｎｔｓ Ｄａｎｓ ｌｅｓ Ｓｔａｔｉｓｔｉｑｕｅｓ Ａｇｒｉｃｏｌｅｓ．Ｅｔｕｄｅ ＦＡＯ：ｄｅ Ｖｅｌｏｐｐｅｍｅｎｔ ｅ Ｃｏｎｏｍｉｑｅｕ ｅｔ Ｓｏｃｉａｌ ２２．Ｆｏｏｄ ａｎｄ Ａ ｃｕｌｔｕｒｅ Ｏｒｇａｎｉｚａｔｉｏｎ， Ｒｏｍｅ．１９８２． ［７］Ｊｉａｎｇ Ｘ Ｄ，Ｘｕ Ｚ Ｙ，Ｌｏｕ Ｊ．Ｓｔｕｄｙ ｏｎ Ｍｏｎｉｔｏｒｉｎｇ Ｗｉｎｔｅｒ Ｗｈｅａｔ— Ｓｏｗｎ Ａｒｅａｓ ｉｎ Ｎｏｒｔｈｅｒｎ ＡｎＨｕｉ Ｐｒｏｖｉｎｃｅ ｂｙ Ｕｓｅ ｏｆ ｔｈｅ ＣＥＲＢＳ一１ Ｓａｔｅｌｌｉｔｅ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ［Ｊ］．Ｇｅｏｌｏｇｙ ｆｏＡｎｈｕｉ，２００１，１１ （４）：２９７－－３０２．［蒋旭东，徐振宇，娄径．应用ＣＢＥＲＳ一１卫星 数据进行安徽省北部冬小麦播种面积监测研究［Ｊ］．安徽地 质，２００１，１１（４）：２９７－－３０２．］ ［８］Ｌｉｕ Ｔ，Ｒｅｎ Ｙ Ｌ，Ｙａｎｇ Ｃ Ｈ．Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ“３Ｓ” Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ ｔｈｅ Ｅｓｔｉｍａｔｅ ｔｏ ｔｈｅ Ｐｒｏｄｕｃｔｉｏｎ ｏｆ Ｗｉｎｔｅｒ Ｗｈｅａｔ ｂｙ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］．Ｈｅｎａｎ Ｓｃｉｅｃｎｅ，２００１，１９（４）：４２９～ ４３２．［刘婷，任银玲，杨春华．“３ｓ”技术在河南省冬小麦遥感 估产中的应用研究［Ｊ］．河南科学，２００１，１９（４）：４２９～ ４３２．］ ［９］Ｊｉａｎｇ Ｘ Ｂ，Ｌｉ Ａ Ｎ，Ｚｈｏｕ Ｗ Ｃ．Ａ Ｓｔｕｄｙ ｏｎ Ｗｉｎｔｅｒ Ｗｈｅａｔ Ｙｉｅｌｄ— ｅｓｔｉｍａｔｉｏｎ ｉｎ Ｓｏｕｔｈｗｅｓｔ Ｃｈｉｎａ ｂｙ Ｒｅｍｏｔｅ ｅＳｎｓｉｎｇ，ＧＩＳ ａｎｄ ＧＰＳ： Ｂａｓｅｄ ｏｎ Ｆｏｕｒ Ｃｏｕｎｔｉｅｓ ｏｆ ｔｈｅ Ａｎｎｉｎｇ Ｒｉｖｅｒ Ｂａｓｉｎ［Ｊ］． ｅＧｏｇｒａｐｈｉｃａｌ Ｒｅｓｅａｒｃｈ，２００２，２１（５）：５８５－－５９２．［江晓波，李 爱农，周万村．３ｓ一体化技术支持下的西南地区冬小麦估 产——以安宁河谷四县为例［Ｊ］．地理研究，２００２，２１（５）： ５８５－－５９２．］ ［１Ｏ］ Ｆａｎｇ Ｈ Ｌ．Ａ Ｄｉｓｃｕｓｓｉｏｎ ｏｎ Ｔｗｏ Ｓｔｒａｔｅｇｉｅｓ Ａｐｐｌｉｅｄ ｔｏ Ｅｓｔｉｍａｔｅ Ｒｉｃｅ Ｐｌａｎｔｉｎｇ Ａｒｅａ ｏｆ ａｎ Ａｄｍｉｎｉｓｔｒａｔｉｖｅ Ｄｉｖｉｓｉｏｎ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｉｑｕｅ［Ｊ］．Ａｃｔａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ，１９９８，５３（１）： ５８—６３．［方红亮．两种水稻种植面积遥感提取方案的分析 ［Ｊ］．地理学报，１９９８，５３（１）：５８＿＿６３．］ ［１１］Ｈｕａｎｇ Ｘ Ｊ；Ｈｅ Ｗ，Ｚｈａｎｇ Ｙ Ｂ，ｅｔ ａ１．Ｗｈｅａｔ Ａｒｅａ Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｉｎ ＪｉａｎｇＳｕ Ｐｒｏｖｉｎｃｅ ｕｓｉｎｇ ＴＭ ｉｍａｇｅ［Ｊ］．Ｊｉａｎｓｕ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｃｎｅｓ，２００３，（４）：８５—８７．［黄晓军，何维，张云柏等．利 用ＴＭ卫星资料进行江苏部分地区小麦面积调查［Ｊ］．江苏 农业科学，２００３，（４）：８５—８７．］ ［１２］Ｚｈａｎｇ Ｙ Ｚ，Ｚｈａｎｇ Ｓ Ｗ，Ｃｈａｎｇ Ｌ Ｐ，ｅｔ ａ１．Ｔｈｅ Ｓｔｕｄｙ ｏｎ Ｅｘｐｅｒｉｍｅｎｔ ａｎｄ Ｅｆｆｅｃｔ ｏｆ Ｍａｉｚｅ Ｙｉｅｌｄ Ｅｓｔｉｍａｔｉｏｎ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｄａｔａ［Ｊ］．Ｓｃｉｅｎｔｉａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ，１９９５，（２）： １４４－－１５３．［张养贞，张树文，常丽萍等．县级玉米遥感估产实 验及其效果研究［Ｊ］．地理科学，１９９５，（２）：１４４－－１５３．］ ［１ ３］ Ｃａｍｐｂｅｌｌ Ｊ Ｂ．Ｉｎｔｏｒｄｕｃｔｉｏｎ ｔｏ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｍ］．Ｇｕｉｌｆｏｒｄ Ｐｒｅｓｓ，Ｎｅｗ Ｙｏｒｋ，１９８７． ［１４］Ｚｈａｎｇ Ｓ Ｗ，Ｚｈｅｎｇ Ｈ Ｌ，Ｚｈａｏ Ｈ Ｃ．Ｃｒｏｐ Ｙｉｅｌｄ Ｅｓｔｉｍａｔｉｏｎ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｉｎ ＪｉｎＹｕｅｔａｎｇ ｏｆ Ｃｈａｎｅｈｕｎ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｃｉａｔｏｉｎ，１９９５，６（１Ｏ）：ｌ４一ｌ９．［张树文， 郑洪来，赵华昌．长春净月潭遥感实验区玉米遥感估产模式 研究［Ｊ］．遥感技术与应用，１９９５，６（１Ｏ）：ｌ４一ｌ９．］ ［１５］Ｗｕ Ｂ Ｆ，Ｌｉｕ Ｈ Ｙ．Ｔｈｅ Ｏｐｅｒａｔｉｏｎａｌ Ｍｅｔｈｏｄｓ ｆｏｒ Ｒｉｃｅ Ａｒｅａ Ｅｓｔｉｍａｔｉｏｎ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］．ＪＤｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９７，１（１）：１～７．［吴炳方，刘海燕．水稻种植面积 估计的运行化遥感方法［Ｊ］．遥感学报，１９９７，１（１）：ｌ一７．］ ［１６］Ｚｈｏｕ Ｈ Ｍ，Ｙａｎｇ Ｘ Ｗ．Ａ Ｓｔｕｄｙ ｏｎ Ｄｙｎａｍｉｃａｌ Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｃｒｏｐ Ｐｌｎａｔｉｎｇ Ａｒｅａ Ｕｓｉｎｇ Ｍｅｔｈｏｄ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ［Ｊ］．Ａｃｔａ Ａｇｒｅｉｌｕｔｕｒａｅ Ｓｈａｎｇｈａｉ，１９９８，１４（８）：ｌ—４．［周红妹，杨星卫． 应用遥感方法动态求取小麦油菜面积［Ｊ］．上海农业学报， １９９８，１４（８）：１—４．］ ［１７］Ｌａｉ Ｇ Ｙ，Ｙａｎｇ Ｘ Ｗ．Ａｎａｌｙｓｉｓ ｏｆ Ｆｅａｓｉｂｉｌｉｔｙ ｏｆ Ｐｒｏｆｅｓｓｉｏｎａｌ Ｏｐｅｒａｔｉｎｇ ｏｎ Ｅｓｔｉｍａｔｉｎｇ Ｒｉｃｈ Ｐｌａｎｔｉｎｇ Ａｒｅａ ｏｆ Ｈｉｌｌｙ Ｒｅｇｉｏｎ Ｉｎ Ｓｏｕｔｈｅｒｎ Ｃｈｉｎａ Ｕｓｉｎｇ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｉｑｕｅ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｃｉａｔｉｏｎ，１９９８，１３（３）：１—７．［赖格 英，杨星卫．南方丘陵地区水稻种植面积遥感信息提取的可 行性分析［Ｊ］．遥感技术与应用，１９９８，１３（３）：１ｍ７．］ ［１８］ Ｚｈａｎｇ Ｓ Ｗ，Ｂｏ Ｌ Ｑ．Ｓｔｕｄｙ ｏｎ Ｅｃｏｌａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ ｉｎ Ｃｒｏｐ Ｅｓｔｉｍａｔｅ［Ｊ］．Ｓｃｉｅｎｔｉａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｃｎａ， ２０００，１２（２Ｏ）：５６９—５７２．［张树文，薄立群．遥感图像生态 土地分类法在农作物种植面积提取中的应用［Ｊ］．地理科 学，２０００，１２（２Ｏ）：５６９—５７２．］ ［１９］Ｈａｎｇ Ｓ Ｑ，Ｌｉｕ Ｓ Ｍ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＭＯＤＩＳ Ｄａｔａ ｔｏ Ｍｏｎｉｔｏｒ Ｗｉｎｔｅｒ Ｗｈｅａｔ Ａｃｒｅａｇｅ ｉｎ Ｔｉａｎｊｉｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｔｉａｎｊｉｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｃｏｌｌｅｇｅ，２００４，１１（２）：２６—２８．［韩素芹，刘淑 梅．ＥＯＳ／ＭＯＤＩＳ卫星资料在监测冬小麦面积中的应用［Ｊ］． 天津农学院学报，２００４，１１（２）：２６—２８．］ ［２Ｏ］ Ｃｈｅｎ Ｑ，Ｗａｎｇ Ｒ Ｃ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ Ｒｉｃｅ Ｐｌａｎｔｉｎｇ Ａｒｅａ Ｕｓｉｎｇ Ｄｉｇｉｔａｌ Ｅｌｅｖａｔｉｏｎ Ｍｏｄｅｌ ａｎｄ Ｍｕｈｉｔｅｍｐｏｒａｌ Ｍｏｄｅｒａｔｅ Ｒｅｓｏｌｕｔｉｏｎ Ｉｍａｇｅ Ｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｓｎ ｏｆｔｈｅ ＣＳＡＥ，２００５， ２１（５）：８９—９２．［程乾，王人潮．数字高程模型和多时相 ＭＯＤＩＳ数据复合的水稻种植面积遥感估算方法研究［Ｊ］．农 业工程学报，２００５，２１（５）：８９—９２．］ ［２１］ Ｗａｎｇ Ｘ Ｐ，Ｚｈａｎｇ Ｙ Ｚ．Ｔｈｅ Ｓｔｕｄｙ ｏｎ Ｄｅｃｏｍｐｏｓｉｎｇ ＡＶＨＲＲ Ｍｉｘｅｄ Ｐｉｘｅｌｓ ｂｙ Ｍｅａｎｓ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９８，２（２）：５１—５６．［王喜鹏，张养贞．应用 神经网络模型分解ＡＶＨＲＲ混合像元［Ｊ］．遥感学报，１９９８， ２（２）：５１—５６．］ ［２２］Ｙａｎｇ Ｊ，Ｗａｎｇ Ｗ，Ｌｉ Ｘ Ｇ．Ｅｘｔｒａｃｔｉｎｇ ｔｈｅ Ｒｉｃｈ Ｐｌａｎｔｉｎｇ Ａｒｅａｓ Ｕｓｉｎｇ ａｎ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ［Ｊ］．１ｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００１，５（３）：２２７—２３１．［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［Ｊ］．遥感学报，２００１，５（３）：２２７—２３１．］ ［２３］ ｗｕ Ｊ Ｐ，Ｙａｎｇ Ｘ Ｗ．Ｅｓｔｉｍａｔｉｎｇ Ｐａｄｄｙ Ａｒｅａ ｉｎ Ｓｈａｎｇｈａｉ Ｒｅｇｉｏｎ Ｕｓｉｎｇ ＮＯＡＡ／ＡＶＨＲＲ Ｄａｔａ［Ｊ］．Ｑｕａｒｔｅｒｌｙ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｅｉｄ Ｍｅｔｅｏｒｏｌｏｇｙ，１９９６，７（２）：ｌ９Ｏ—ｌ９４．［吴健平，杨星卫．用 ＮＯＡＡ／ＡＶＨＲＲ数据估算上海地区水稻种植面积［Ｊ］．应用 气象学报，１９９６，７（２）：ｌ９Ｏ—ｌ９４．］ ［２４］ Ｌｉ Ｙ Ｚ，Ｚｅｎｇ Ｙ．Ｓｔｕｄｙ ｏｎ Ｍｅｔｈｏｄｓ ｏｆ Ｒｉｃｅ Ｐｌａｎｔｉｎｇ Ａｒｅａ Ｅｓｔｉｍａｔｉｏｎ ａｔ Ｒｅｇｉｏｎａｌ Ｓｃａｌｅ Ｕｓｉｎｇ ＮＯＡＡ／ＡＶＨＲＲ Ｄａｔａ［Ｊ］． １ｏｕｒｎａｌ ｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９８，２２（２）：ｌ２５一ｌ３Ｏ．［李郁竹， 维普资讯 http://www.cqvip.com 朱秀芳等：训练样本对ＴＭ尺度小麦种植面积测量精度影响研究（Ｉ） 第６期 ——训练样本与分类方法间分类精度响应关系研究 １９９９，（１２）：２４４３－－２４６０． ８３７ 曾燕．应用ＮＯＡＡ／ＡＶＨＲＲ数据测算局地水稻种植面积方法 研究［Ｊ］．遥感学报，１９９８，ｚｚ（２）：ｌ２５一ｌ３０．］ ［２５］Ｙｏｕ Ｓ Ｃ，Ｚｈａｎｇ Ｗ，Ｙａｎｇ Ｔ Ｌ．Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｆｕｚｚｙ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｔｏ Ｃｒｏｐ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ ，ｌｄ ＆Ｒｅｓｏｕｒｃｅｓ，２０００，（Ｉ）：３９＿＿４３．［尤淑撑，张玮，严泰来．模 糊分类技术在作物类型识别中的应用［Ｊ］．国土资源遥感， ２０００，（Ｉ）：３９—４３．］ ［２６］ Ｚｈｕ Ｘ Ｈ，Ｘｕ Ｘ Ｒ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ａｅｒｉａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｉｑｕｅ ｉｎ Ｗｉｎｔｅｒ Ｗｈｅａｔ Ｙｉｅｌｄ Ｅｓｔｉｍａｔｉｏｎ［Ｊ】．Ａｅｒｏｓｐａｃｅ ［３５］Ａｎｙｓ Ｈ，Ｈｅ Ｄ Ｃ，Ｗａｎｇ Ｌ，ｅｔ ａ１．Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｏｆＭｕｈｉｐｏｌａｒｉｚｅｄ Ａｉｒｂｏｒｎｅ Ｒａｄａｒ Ｄａｔａ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏａｌｎ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９４，（１８）：３８３１—３８３８． ［３６］ Ｓｃｈｏｔｔｅｎ Ｃ Ｇ Ｊ，Ｖａｎ Ｒｏｏｙ Ｗ Ｗ Ｌ，Ｊａｎｓｓｅｎ Ｌ Ｌ Ｆ．Ａｓｓｅｓｓｍｅｎｔ ｏｆ ｔｈｅ Ｃａｐａｂｉｌｉｔｉｅｓ ｏｆ Ｍｕｌｔｉ－Ｔｅｍｐｏｒａｌ ＥＲＳ一１ ＳＡＲ Ｄａｔａ ｔｏ Ｄｉｓｃｒｉｍｉｎａｔｅ ｂｅｔｗｅｅｎ Ａｇｒｉｃｕｌｔｕｒａｌ Ｃｒｏｐｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９５，（１４）：２６１９－－２６３７． ［３７］Ｍａｔｈｅｒ Ｐ Ｍ．Ｃｏｍｐｕｔｅｒ Ｐｒｏｃｅｓｓｉｎｇ ｏｆ Ｒｅｍｏｔｅｌｙ Ｓｅｎｓｅｄ Ｉｍａｇｅｓ Ｃｈｉｎａ，１９９１，（７）：ｌ２一ｌ６．［朱晓红，徐希孺．航天遥感技术 在冬小麦估产中的应用［Ｊ］．中国航天，１９９１，（７）：ｌ２一ｌ６．］ ［２７］ Ｊｉａｎｇ Ｎ，Ｈｅ Ｌ Ｈ．Ｓｔｕｄｙ ｏｎ Ｐａｄｄｙ Ｙｉｅｌｄ Ｅｓｔｉｍａｔｉｏｎ ｉｎ Ｊｉａｎｇｓｕ Ｐｒｏｖｉｎｃｅ ｗｉｔｈ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｍｅｔｈｏｄ［Ｊ］．Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｅｎｖｉｏｒｎｍｅｎｔ ｉｎ ｔｈｅ Ｙａｎｇｔｚｅ Ｖａｌｌｅｙ，１９９６，５（２）：ｌ６０一ｌ６５．［江 南，何隆华．江苏省水稻遥感估产研究［Ｊ］．长江流域资源与 环境，１９９６，５（２）：ｌ６０一ｌ６５．］ ［２８］Ｄａｖｉｄ Ｂ Ｌｏｂｅｌｌ，Ｇｒｅｇｏｒｙ Ｐ Ａｓｎｅｒ．Ｃｒｏｐｌａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｆｏｒｍ Ｔｅｍｐｏｒａｌ Ｕｎｍｉｘｉｎｇ ｏｆ ＭＯＤＩＳ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ＆ Ｅｎｖｉｏｒｎｍｅｎｔ，２００４，（９３）：４１２—４２２． ［２９］Ｚｈａｎｇ Ｆ，ｗｕ Ｂ Ｆ，Ｈｕａｎｇ Ｈ Ｐ，ｅｔ ａ１．Ｓｔｕｄｙ ｏｆ Ｐｌｏｕｇｈｅｄ Ｆｉｅｌｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｘｔｒａｃｔｉｏｎ ｉｎ Ｒｉｃｅ Ａｒｅａ ｏｆ Ｔｈａｉｌａｎｄ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｎａｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ，２００３，１８（６）：７６６—７７２．［张峰，吴炳方，黄 慧萍等．泰国水稻种植区耕地信息提取研究［Ｊ］．自然资源 学报，２００３，１８（６）：７６６—７７２．］ ［３０］ｗｕ Ｂ Ｆ，Ｘｕ Ｗ Ｂ，Ｓｕｎ Ｍ，ｅｔ ａ１．Ｑｕｉｃｋｂｉｒｄ Ｉｍａｇｅｒｙ ｆｏｒ Ｃｒｏｐ Ｐａｔｔｅｒｎ Ｍａｐｐｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００４，８（６）： ６８８＿＿６９５．［吴炳方，许文波，孙明等．高精度作物分布图制作 ［Ｊ］．遥感学报，２００４，８（６）：６８８—６９５．］ ［３１］Ｗａｎｇ Ｎ Ｂ，Ｑｉｎ Ｐ，Ｚｈｏｕ Ｙ Ｃ．Ａ Ｓｔｕｄｙ ｏｎ ＥｘｔｒａｔｉｎｇＷｉｎｔｅｒＡｒｅａ Ａｕｔｏｍａｔｉｃａｌｌｙ Ｆｒｏｍ ＴＭ Ｉｍａｇｅｒｙ Ｕｓｉｎｇ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ， １９９３，８（４）：２８—３３．［王乃斌，覃平，周迎春．应用ＴＭ图像 采用模式识别技术自动提取冬小麦播种面积的研究［Ｊ］．遥 感技术与应用，１９９３，８（４）：２８—３３．］ ［３２］Ｃａｏ Ｗ Ｂ，Ｙａｎｇ Ｂ Ｊ，Ｓｏｎｇ Ｊ Ｐ．Ｓｐｅｃｔｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｂａｓｅｄ Ｍｏｄｅｌ ｏｆｒ Ｃｏｔｔｏｎ Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｏｎ Ｌａｎｄｓａｔ ＴＭ Ｉｍａｇｅ［Ｊ］．Ｔｒａｎｓａｃｔｏｉｓｎ ｆｏｔｈｅ ＣＳＡＥ，２００４，２０（４）：１ｌ２一ｌｌ５．［曹卫彬，杨邦杰，宋金 鹏．ＴＭ影像中基于光谱特征的棉花识别模型［Ｊ］．农业工程 学报，２００４，２０（４）：１ｌ２一ｌｌ５．］ ［３３］Ｍａｘｗｅｌｌ Ｓ Ｋ，Ｎｕｃｋｏｌｓ】Ｒ，Ｗａｒｄ Ｍ Ｈ，ｅｔ ａ１．Ａｎ Ａｕｔｏｍａｔｅｄ Ａｐｐｒｏａｃｈ ｔｏ Ｍａｐｐｉｎｇ Ｃｒｏｎ ｆｒｏｍ Ｌａｎｄｓａｔ Ｉｍａｇｅｒｙ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，２００４，（４３）：４３—５４． ［３４］Ｔｓｏ Ｂ，Ｍａｔｈｅｒ Ｐ Ｍ．Ｃｒｏｐ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｈｉｔｅｍｐｏｒａｌ ＳＡＲ Ｉｍａｇｅｒｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， （３ｒｄ ｅｄ．）［Ｍ］．Ｃｈｉｃｈｅｓｔｅｒ７ Ｗｉｌｅｙ，２００４． ［３８］ Ｃａｍｐｂｅｌｌ Ｊ Ｂ．Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ（３ｒｄ ｅｄ．）． Ｌｏｎｄｏｎ：Ｔａｙｌｏｒ ａｎｄ Ｆｒａｎｃｉｓ，２００３． ［３９］Ｈｉｘｏｎ Ｍ，Ｓｃｈｏｌｚ Ｄ，Ｆｕｈｓ Ｎ．Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｓｅｖｅｒａｌ Ｓｃｈｅｍｅｓ ｆｏｒ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｏｆ Ｒｅｍｏｔｅｌｙ Ｓｅｎｓｅｄ Ｄａｔａ［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｒｃｉ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９８０，（４６）：ｌ５４７一ｌ５５３． ［４０］Ｙａｎｇ Ｊ，Ｗａｎｇ Ｗ，Ｌｉ Ｘ Ｇ．Ｅｘｔｒａｃｔｉｎｇ ｔｈｅ Ｒｉｃｈ Ｐｌａｎｔｉｎｇ Ａｒｅａｓ Ｕｓｉｎｇ ａｎＡｒｔｉｉｆｃｉａｌＮｅｕｒａｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００１， ５（３）：２２７—２３１．［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［Ｊ］．遥感学 报，２００１，５（３）：２２７—２３１．］ ［４１］ Ｇｉｌｅｓ Ｍ Ｆｏｏｄｙ，Ａｊａｙ Ｍａｔｈｕｒ．Ｔｏｗａｒｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｉｎｉｎｇ ｏｆ Ｓｕｐｅｒｖｉｓｅｄ Ｉｍａｇｅ Ｃｌｓａｓｉｉｆｃａｔｉｏｎｓ：Ｄｉｅｒｃｔｉｎｇ Ｔｒａｉｎｉｎｇ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ ｆｏｒ ＳＶＭ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ＆ Ｅｎｖｉｒｏｎｍｅｎｔ，２００１，（９３）：ｌ０７一ｌｌ７． ［４２］Ｐｉｐｅｒ Ｊ．Ｖａｒｉａｂｉｌｉｔｙ ａｎｄ Ｂｉａｓ ｉｎ Ｅｘｐｅｒｉｍｅｎｔａｌｌｙ Ｍｅａｓｕｒｅｄ Ｃｌｓａｓｉｉｆｅｒ Ｅｒｒｏｒ Ｒａｔｅｓ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｏｉｎ Ｌｅｔｔｅｒｓ，１９９２， （１３）：６８５— ９２． ［４３］Ｔａｎｇ Ｈ，Ｄｕ Ｐ Ｊ，Ｆａｎｇ Ｔ，ｅｔ ａ１．Ｔｈｅ Ａｎａｌｙｓｉｓ ｏｆ Ｅｒｒｏｒ Ｓｏｕｒｃｅｓ ｏｆｒ ＳＡＭ ａｎｄ Ｉｔｓ Ｉｍｐｒｏｖｅｍｅｎｔ Ａｌｇｏｒｉｔｈｍｓ［Ｊ］．Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｒｍｌｙｓｉｓ，２００５，２５（８）：１１８０一ｌ１８３．［唐宏，杜培军， 方涛等．光谱角制图模型的误差源分析与改进算法［Ｊ］．光 谱学与光谱分析，２００５，２５（８）：１ｌ８０一ｌ１８３．］ ［４４］ｗｕ Ｊ，Ｈｅ Ｔ，Ｃｈｅｎ Ｐ Ｇ．Ｓｔｕｄｙ ｏｎ Ｌａｎｄ Ｄｅｇｒａｄａｔｉｏｎ Ｍａｐｐｉｎｇ ｂｙ Ｕｓｉｎｇ Ｈｙｐｅｒｉｏｎ Ｄａｔａ ｉｎ Ｈｙｐｅｒｉｏｎ Ｄａｔａ ｉｎ ＨｅｎｇＳｈａｎｇ Ｒｅｇｉｏｎ ｏｆ Ｃｈｉｎａ［Ｊ］．Ｐｍｇｒｅ￣ｉｎ Ｇｅｏｇｒａｐｈｙ，２００６，２５（２）：１３１一ｌ３９． ［吴剑，何挺，程朋根．基于Ｈｙｐｅｒｉｏｎ高光谱数据的土地退化 制图研究——以陕西省横山县为列［Ｊ］．地理科学进展， ２００６，２５（２）：１３１一ｌ３９．］ ［４５］Ｌｉｎａｇ Ｘ Ｌ，Ｌｉ Ｈ Ｔ，Ｚｈａｎｇ Ｊ ｘ．Ｆｅａｓｉｂｉｌｉｔｙ Ａｎａｌｙｓｉｓ ｏｆ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｗｉｈｔ Ｕｎ－ｒａｄｉｏｍｅｔｒｉｃ Ｃｏｒｒｅｃｔｉｏｎ ｏｆ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｄａｔａ［Ｊ］．Ｓｃｉｅｎｃｅ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ， ２００４，２９（４）：３７—３９．［梁欣廉，李海涛，张继贤．未辐射校 正高光谱数据应用于分类的可行性分析——应用光谱角制 图法［Ｊ］．测绘科学，２００４，２９（４）：３７—３９．］
