【《基于遥感技术的农作物识别国内外研究现状文献综述》12000字】

图12对比了冬小麦和油菜在不同生长阶段，Sentinel-2数据所呈现出来反射率变化差异，可以发现随着作物播种出苗、生长旺盛到收获，近红波段反射率呈现升高再降低的趋势，还有一些波段呈相反的趋势。由于两种作物生长物候期比较相似，作物体型特征变化保持同步，光谱反射率也是同步变化的。从反射率高低来看，近红外波段具有明显的差异，油菜在近红波段上呈现出高反射率，超过了0.5，而冬小麦则低于0.5。综上，在油菜开花期这一特有的物候期窗口内利用遥感影像进行识别非常重要，可以形成特有的油菜遥感特征，能够与其他作物有效的区分开。因此，需要对这一时间窗口的遥感影像予以重要关注。图片来自Mercieretal，2020，横坐标为DOY图STYLEREF1\s1SEQ图\*ARABIC\s12冬小麦和油菜不同生长阶段的物候变化曲线图从分类算法的角度来分析，油菜的遥感识别与其它大宗农作物识别所采用的分类器基本相似。前期的研究也主要是对比分析各种分类器对识别结果的影响（d’Andrimont，2020；Zhao等,2017;余新华等，2020）。如Zhao等(2017)利用每一期的光学影像采用随机森林和支撑向量机两种分类器进行作物的分类，分析认为两个分类器提取的冬小麦精度变化趋势比较一致，只要分类样本具有代表性，所选影像特征具有较强的可分性，均能够有效地提取出油菜的分布。Skakun等(2015)对比分析了网络Committee和BestSingleNN两种神经网络模型对油菜的识别能力，利用四期Landsat-8OLI数据均可以达到85%以上的识别精度，其中网络Committee比BestSingleNN的分类精度稍高一些，但没有显著性的差异性。王立辉等（2010）和陈西亮（2016）考虑到MODIS低分辨率卫星影像分辨率较低，一般像元内包含油菜和其他的作物，利用线性分解模型进行像元求解，也能够准确地提取出油菜的面积信息，有效地解决了南方地块破碎的问题。余新华和王宏（2020）对比分析了BP神经网络和最大似然方法进行油菜的提取的效果，结果表明BP神经网络的总体精度可以达到81.28%，比最大似然方法提高了25.12%。孙丹丹等（2014）对比分析了马氏距离、最大似然、最小距离和ISODATA四种监督和非监督分类方法，发现马氏距离和ISODATA表现出比较好的分类性能；王利民等人在也采用了ISODATA算法对以江县2013年的GF影像进行了油菜识别（王利民等，2018）；从图像尺度来分析，目前用于光学遥感影像进行油菜的识别（Han等,2021;Liu等，2020；孙丹丹等，2014；唐文澜等，2019；王利民等，2018）多集中在中分辨率影像（10-100m），包括Sentinel-2、LandsatOLI、SPOT、ALOS系列卫星，以及国产的环境卫星、高分系列卫星数据。由于空间分辨率比较高，一般不在考虑作物种植地块尺寸对识别精度的影响。但是有研究表明（陈西亮等，2016；孙丹丹等，2014；王利民等，2018）,影像的空间分辨率对作物识别精度的影响并不可以忽略，在有些研究区从10m-60m分辨率尺度，识别精度从93.0%快速下降到77.5%，并建议根据研究区的作物种植特性，选择合适的影像分辨率，并建议加深分析影像空间尺度对识别结果的影响。基于雷达的农作物识别光学影像数据在油菜识别和面积估算方面已经有了很大进展，特征选择和分类方法已经比较成熟，只要获取合适物候期的遥感影像就可以将油菜准确的识别出来。从实际业务工作中发现，在我国南方地区，油菜集中种植的区域，云雾天气的存在会对光学数据的获取产生很大影响，有些区域甚至1-2个月都无法获取有效的光学影像。因此，只利用光学影像数据进行油菜识别，可能会错过识别作物的最佳时期，影响到油菜识别和面积估算的准确性。因此，可以采用雷达技术具有穿云透雾能力，有效地记录地表的散射特征，这种散射特征与地物的介电常数、介质密度、地表物体粗糙度和形状等因素相关（赵英时等，2013），通过记录每一种地物不同的后向散射特性，作为定量表达地物差异的一个维度，参与油菜识别的影像特征。农作物识别雷达特征选择利用雷达数据进行油菜特征的表达已经有了不少研究。通过SAR的基本原来可以知道，不同极化方式(水平-水平，HH；垂直-垂直，VV；垂直-水平，VH；水平-垂直，HV)对应的雷达回波所得的后向散射率是检测地表覆盖农作物的特征基础。目前的已有研究主要通过特征组合以及其相应的特征值作为遥感分类特征对作物进行识别。Vreugdenhil等（2018）分析了Sentinel-1后向散射系数（VV、VH和VH/VV）与植被变化之间的关系，发现油菜的后向散射系数相关性递交，主要是两个生长季植被含水量的差别比较大，植被的结构差异也比较大，这都会影响后向散射特征。基于雷达的多极化方式，可以进行人为经验性的特征提取，目前主要可以分为基于T3矩阵特征值的重构的方法（Allain等，2004）和基于物理特征的特征提取方法（Freeman等，1998）。其中，基于T3矩阵特征值的特征重构方法满足植被、土壤等地物满反射对称性假设，即其同向极化和交叉极化的后向散射率之间的相关性为0。通过对T3矩阵特征值的求解，得到两个特征值作为后续复杂特征构建的基底。利用该基底构建出了单次反射特征值相对差异度和二次反射特征值相对差异度两个特征（Allain等，2004）。Luneburg等（2001）基于该特征值基底提出了目标随机性参数。Morio（2007）和Refreguer（2006）基于T3矩阵提出了香农熵这一特征。此外，基于T3矩阵可以提取出更多的特征，如熵、反向熵、极化方向角等。基于物理模型分解的办法无需地面观测数据进行支撑，这种方法以实际的物理模型对SAR接收到的回波中的单次反射、二面角散射和体散射三种散射方式进行分类处理。通过加入螺旋体散射分量（Yamaguchi等，2005）、多成分散射模型（Zhang等，2008）等辅助进行地物散射特征提取，这些特征与地物自身的特性有着不可分割的关系，用来表达地物的独有特性（Valcarce-Diñeiro等，2019）。在农作物识别过程中，农作物的品种、长势、生长的环境等因素会在空间上存在异质性，造成各种类型的特征表达出现不稳定。因此很多研究均利用时间序列特征分析的方式，挖掘不同特征在作物生长季中的变化强度和可分性，从而确定农作物识别所需的有效特征和关键期（d’Andrimont等，2020；Fieuzal等，2013；Sulik等，2015；Sulik等，2016），利用作物特有的物候序列特征来定量刻画不同的作物，构建与光谱、纹理等相同的地物数量表达方式。早期的雷达数据作物识别由于受到技术和成本等条件的限制，多采用单波段、单极化影像作为数据源。根据不同作物后向散射系数特征，同光谱特征一样，进行农作物的识别。如Paudyal等（1994）利用JERA-1进行水稻、甘蔗的识别，水稻能够达到较好的分类效果；利用多时相Radarsat-1数据进行水稻长势和面积的监测，提取出具有较高精度的水稻面积（邵芸等，2001）；利用多个时相的ERS-1SAR数据很好地区分了印度的水稻和其它作物（Chakraborty等，2002）。随着雷达技术的发展，尤其是2002年ENVISAT卫星发射后，雷达数据从单波段、单极化的方式迈入了多波段、多极化的新时代。多波段、多极化的雷达数据在农作物识别方面有着很大的优势，包含了更多的信息量，可以更全面的反应图像的信息，有助于提高农作物识别的精度。与单波段相比，多波段的雷达数据可以获取更多信息，不同波长的雷达数据探测能力不同，微波遥感划分成S波段、C波段、X波段、L波段和P波段。其中X波段和C波段属于短波，对植被冠层的信息比较敏感，但是其穿过树冠的能力有限，较长波长的L波段和P波段，它们可以穿过树冠，反映来自于树枝、树干和地面的信息。波长作为雷达系统的主要参数，不同波段的雷达系统在对地物的分类上具有不同的优势，可以充分利用波段间的互补性，提高分类精度。多波段雷达信息的结合能有效改善地物因同物异谱、异物同谱现象造成的错分。多极化雷达数据包含四种极化方式，可以利用不同的极化方式发射和接收电磁波，而单极化雷达数据只能记录一种极化方式下地物对雷达波的反射信息。单极化雷达数据在进行农作物识别时具有一定的局限性，不能满足目前的应用需求。相对而言，多极化或全极化能够提供更多的地物信息，极化方式的增加极大丰富了信息量，可以充分将不同极化对地物响应的差异性应用到作物识别中，因此在农作物识别方面更具优势。如化国强等（2011）利用Radarsat-2全极化数据、极化相矩阵提取出不同农作物散射特征的3个参量，分析每种农作物的农作物特征和散射机理；田昕等（2012）综合全极化Radarsat-2和双极化ALOSPALSA数据，识别海安县的水稻/旱田；东朝霞（2016）采用多时相、全极化Radarsat-2SAR数据对河北省深州市进行旱地作物后向散射特征分析，得到了玉米识别的最佳时相和最佳极化方式；韩宇（2015）采用C波段全极化RADARSAT-2数据甘蔗、香蕉和水稻等农作物进行了识别。在水稻识别方面，Zhang等（2016）发现后向散射图像和Yamaguchi分解在进行水稻识别应用方面要优于H/A/Alpha图像。Rubénetal.(2019)在不同的入射角单视和全视观测下，利用Radarsat-2生成极化观测变量组合，HH、HV、HH/VV极化变量和rHHVV等分解模式，Sentinel-1数据包括VV，VH和交叉比VH/VV等构建了7种极化特征组合方式。Zhou等（2017）分析了中国江苏东南部地区冬小麦、油菜、森林等地物类型Sentinel-1数据在时序上的变化。从时间序列Sentinel-1的VH和VV两种极化特征来分析，各种地物的区分度很高，结果发现冬小麦和同期作物的VV极化要比VH极化特征区分度更大。2015年10月22日的冬小麦和油菜在分别为-6.7dB和-4.2dB衰减到来年4月14日-11.9dB和3月21日的-7.4dB。随着这两种作物的生长，VV和VH后向散射均开始增高，尤其是在在五月份达到最高值，主要原因可能是冬小麦是比较明显的垂直结构，VV极化的传播方式受到比较大的干扰，另外在冬小麦生长的时候，刚开始受到土壤因素的影响，VV和VH的后向散射都比较高，但是冬小麦的逐渐生长，冠层越来越稠密，覆盖了地面，冬小麦的纹理比较均一，两种极化方式后向散射逐步降低，然后随着小麦生长阶段转到生殖阶段的时候，冬小麦叶片的含水量逐步降低，极化特征就开始逐步升高，这一时间正好发生在4月中旬，小麦已经开始抽穗，逐步进入成熟的阶段。Audreyetal（2020）的研究了水平和垂直极化后向散射系数呈现出的趋势变化，VV极化与植被的含水量比较敏感(Cookmartinetal.,2000)。雷达电磁波穿过大气，达到目标物又穿越大气由接收器接受，接收到的回波不但是包括目标物体的后向散射，还受到大气中一些粒子的影响，尤其是在下雨的天气。受下雨天气下的干扰，散射回波受到影响，会产生异常情况，在时间序列数据特征中会发生异常变化。Han等(2020)发现利用Savitzky-Golay（S-G）滤波方式用来平滑VV，VH和VV/VH后向散射系数，消除这一影响。。同时，Han在研究中，还分析了VV，VH和VV/VH三种极化特征的时间序列变化，发现：VV特征在开花时期呈现出明显的谷底，主要是原因在这个时期比较小的花蕾和花朵形成了一个短暂的低散射界面，一定程度上限制了潜在的冠层散射，造成了VV和VH散射的降低，这一特性为在这一时期进行油菜的识别提供了物理基础。基于雷达的农作物识别方法时间序列雷达数据能够捕获到不同作物之间的后向散射特征及其变化特性。从模式识别的角度来看，采用合适的分类器工具，即可有效识别出各种农作物。目前用于作物识别的分类工具涉及到各种监督分类方法，包括有最大似然法、最小距离、支持向量机、人工神经网络等。如丁娅萍（2013）利用多时相、多极化的RADARSAT-2遥感数据，采用最小距离法和支持向量机法对河北省衡水市枣强县的玉米和棉花进行了分类，结果表明最小距离分类方法达到了较好的分类效果。于立峰等（2017）选取大兴安岭西麓部分地区为研究区域，以单极化多时相Sentienl-1A为数据源，采用最大似然法对研究作物种类进行提取，并对其结果进行了分析；袁星（2019）以C波段双极化Sentinel-1为主要数据源，选取最佳时相3月、6月、8月和11月对应的影像采用最大似然法对崇左市甘蔗进行分类提取，取得了较好的分类结果。贺法川（2020）利用GF-3和Sentinel-1雷达影像为数据源，采用SVM分类器对长春市龙嘉镇的典型农作物—水稻、玉米和大豆进行了分类；KunJia等（2011）以ASAR数据和TerraSAR数据为数据源，结合小麦开花期雷达数据提取出的纹理特征，使用SVM分类器对华北平原的旱地作物进行分类，达到了良好的分类精度。贺法川（2020）结合多时相SAR数据和光学数据，利用CNN神经网络对中国东北地区典型农作物进行了分类，分类结果达到了较高的总体精度。从不同分类器的使用效果比较来看，Zhou等(2017)在冬小麦和油菜的分类中，发现随机森林方法对支撑向量机的冬小麦F1分数要高，而总体精度相反。雷达数据的入射角、极化特性、时相和时相组合，均对作物识别造成影响。Valcarce-Diñeiro等(2019)利用C5.0为分类器，提取全要素的农作物分布，并检验判定每一种特征的对分类结果的贡献，得到非常有意义的结论，分类精度跟雷达入射角度相关性不大，不同的入射角均总体精度可以接近或超过80%精度以上；贺法川（2020）使用GF-3数据结合多时相Sentinel-1SAR数据作为数据来源，选取中国东北长春市龙嘉镇作为实验区域，对该区域内典型农作物进行了分类，指出时间序列特性是保证高精度作物识别的关键。因此，充分利用具有高频获取能力的多时相雷达数据，如Sentinel-1等，能够一定程度上改进农作物识别精度。Bargiel（2017）则利用雷达数据的同时，同时考虑了时间序列的变化，判断每一期遥感雷达数据中3*3窗口内中心像元属于某一种作物的概率值，实现了作物的精确提取。雷达和光学相结合的农作物识别方法近年来，随着对农作物识别研究精度的需求不断提高，多源数据相结合的方式成为发展的主流，充分发挥不同数据的优势，弥补单一数据造成的地表信息的缺失，提高农作物识别的准确性。光学数据具有丰富的光谱信息，雷达数据具有更长的波长且不受天气的影响，主要反映了植被的结构特征和介电特性，但空间分辨率不高，存在一定的噪声（Shuai等,2019）。两者结合的情况下，光学数据可以在一定程度上可以弥补雷达数据识别地物的缺陷，雷达数据可以在云雨天气时补足光学数据的缺失，SergiiSkakun等（2016）利用Landsat8OLI数据和Radatsat-2不同的极化和分解参数进行了夏收、秋收作物，分析了单用光学和雷达数据特征进行作物的识别，认为单独使用后向散射系数就能够准确地识别出油菜和小麦，得到与光学影像相当的精度，这解决了光学影像由于云雨天气影响无法获取的问题。光学与雷达数据源的结合，从光学特征和结构特征的角度去表征地物，丰富地物表达多义性、多源特征，提高地物的表达能力。因此，一些研究将光学数据和雷达数据相结合，采用数据源各自不同的优势来提高作物的识别精度（d’Andrimont等，2020），一定程度上也能够满足业务测量的需求，而不受限于光学影像获取能力的限制。目前，各种研究已经明显雷达和光学影像的结合可以提高作物的识别精度。光学和雷达数据具有不同的成像原理，光学影像可以表达地物丰富的光学特征，雷达受到目标物具有特定的形状、结构、纹理和粗糙程度等不同，能够反映出作物的独特的后向散射特性，这是独立于光谱的特征，又能够结合光谱优势，增强作物的可辨识程度，提高作物的分类精度（Ban等,2013;Blaes等,2005；McNairn等，2009;Skakun等,2015;Shuai等，2018）。Zhou等(2017)在冬小麦和油菜的分类中，在此分类过程中，整个生长季内的光学特征和雷达特征进行结合，能够有效的提高冬小麦和油菜精度，F1分数达到了96%以上，如果单用雷达数据两种作物的精度分别为87.89%，70.75%，较光学和雷达两种数据结合的精度低了很多，也充分说明了光学作用对作物识别的贡献。一般地，光学和雷达复合进行农作物识别，是从光学影像和雷达数据中选择出相应的敏感性特征，将二者复合在一起输入到分类器进行作物分类（Han等，2021；Zhou等,2017；Skakun等,2015；朱琳,2018）。朱琳（2018）融合Sentinel-1和2数据，选择最佳时相影像及有云影像，利用四种常用分类方法进行作物的分类和冬小麦种植面积提取得到，BP神经网络能够达到很高的分类精度。周涛等（2017）采用Sentinel-1A和Landsat-8，针对都市农业区的种植结构复杂特点，利用SVM提取出冬小麦种植面积；HaldarD等（2010）结合RADARSAT-1SNB数据与IRS-P6AWIFS数据，提取出水稻的种植面积，可有效的测量出早晚稻的种植面积；Kussul等（2013）采用RADARSAT-2和EO-1数据对农作物进行了分类，发现结合雷达、光学影像对夏季作物进行分类的精度较高，整体精度达到了94%。杨剑等（2018）利用免疫遗传算法对BP神经网络模型进行优化，进行了雷达、光学联合进行作物分类。Shuai等(2019)采用了另一种思路将光学数据和雷达数据有效结合起来。它们认为雷达数据收到噪声的影响，分类结果容易出现“椒盐”现象，在一定程度上利用光学影像均质性的特征可以有效的避免，但是光学影像无法有效的获取是一个不可规避的现实。因此该研究创新性提出了一个新方法，在作物识别的过程中，不考虑使用作物生长季内高分辨率光学影像，而是采用非生长季光学影像提取形状稳定的耕地地块信息，通过面向对象的方法进行耕地地块分割，作为一个空间特征约束，以地块为单位融合雷达的各种特征信息进行分类，能够准确地识别出秋粮作物的分布，这种做法也是巧妙的应用了光学影像的均质特性，同时也充分利用了雷达数据的可获取能力。从已有识别来看，光学和雷达各自都有着彼此的优势（Skakun等，2021），均能够准确的提取出作物的空间分布。从业务应用角度来看，可以分析区域的特点，根据光学、雷达数据的获取情况进行作物的识别，分析两种方式油菜的识别精度、影像保障性等对实际的业务，也为农业应用打下一定的实验和理论基础。农作物遥感识别的深度学习方法近些年来，随着大数据和GPU计算能力提升，人工智能技术取得了迅猛的发展，在物体监测（Grabner,2008），图像分割（Long等，2015）、自然语言（Bengio等，2013）、场景分类（张康等，2018）等方面得到广泛应用。在农业遥感领域，尤其是作物识别的相关工作中大放异彩，成为了目前炙手可热的图像分类与分割的方法。与传统方法相比，深度学习依靠其端到端的模型结构和基于大数据和反向传播算法，具有自动化程度高、鲁棒性强和泛化性强的特点，现在遥感进行进入大数据和人工智能信息提取时代（张兵，2018）。遥感图像处理是人工智能的一个重要分支领域。在众多遥感监测方法中，深度卷积神经网络（DeepConvolutionNeuralNetwork，DCNN）是深度学习中代表算法之一，以其灵活的分类手段和简便的自主学习能力成为科研人员遥感分类应用的有效手段，其中由于后向传统(BackPropagation，BP)神经网络克服了传统分类法需要考虑数据概率分布前提的缺陷，采用误差反向传播的算法，能很好地实现预测功能。针对遥感影像分类，能对不同类的非线性遥感影像数据进行有效拟合，获得较好的分类效果，提高分类精度，成为当前广泛研究与应用的分类方法。在遥感领域，DCNN已经成功应用于场景分类（Han等，2018；Hu等,2015）、道路和建筑物提取(Kaiser等,2017)、土地覆盖监测(Kussul等,2017)、作物类型识别(Zhang等,2018)等方面。相对于传统地物遥感识别模型强调光谱来确定某个像元类型的归属，DCNN利用可变感受野量化中心像元与周边像元的空间域特征(Zhang等,2018)，实现不同尺度的空间特征的定量表达，以综合光谱、空间特征提高分类精度。利用深度学习进行农作物识别的研究越来越多。田富有等（2019）在BP神经网络的基础上构建多层神经网络模型，利用SLIC对遥感影像分割，对研究区内的大豆进行提取，达到了较高的分类识别精度；周扬帆（2018）选用Landsat-8OLI影像，将实测的马铃薯等农作物的光谱信息与遥感影像纹理信息相结合，使用BP神经网络进行了地物识别与作物分类；Zhong等（2019）利用农业统计数据并结合遥感影像，构建了一个深度神经网络结构对美国堪萨斯州和德克萨斯州北部的冬小麦进行遥感识别，提高了数据泛化能力。Teimouri等（2019）利用时序的雷达数据构建FCN-LSTM进行农作物的识别，冬油菜、冬大麦、冬小麦和春大麦等作物的识别精度达到了90%以上，研究指出从地块的边界处识别精度比较低，在地块周边精度比较高，究其原因可能是DCNN卷积的影响，在地块边缘处于一种地物与另外一种地物的交界处，图像的分块尺寸在空间卷积的过程中逐步变小，卷积会混淆地物之间的一些特征，在升采样的时候，边界处难以与原始图像边界相对应，这有可能导致边界模糊原因，与Long等（2015）的研究相对应。这表明利用深度学习网络方法进行油菜的遥感识别同样具有较高的识别精度。已有的研究表明，人工智能识别方法具有误差反向传播来非监督特征学习，可以自动提取出高维度特征，摆脱人为主观因素提取特征的不足，正向推理实现端-端的推断。DCNN能够有效的利用光谱信息和纹理信息，实现光谱、纹理和上下文关系，能够在深层上提取出语义特征。相比于传统的机器学习方法，能达到更高的识别精度，客观性更强，自动化程度更高。现在DCNN在利用光学影像上已经得到了深入的应用，对于雷达数据的应用还是不够深入。根据雷达数据成像的机理，雷达特征善于表现出地物的散射特征，对地物的粗糙程度、纹理和形状信息更加明显，因此作物的特征在空间域上表现更为明显，DCNN是能够自动地学习像元与周边像元的之间，可以自动提取出这种内在特征，应该是利用雷达数据进行作物识别更加优势，这有待于进一步的深入分析。因此在油菜遥感识别和面积估算中，包括利用多时相或时间序列雷达技术进行油菜识别与分布制图工作中，更应该充分挖掘深度学习算法对于深层主义特征的抽象能力，以获得更高的识别和面积监测精度。作物面积估算当前，以遥感技术手段获得区域尺度的作物种植面积信息，一般采用两种方式：直接像元统计面积估算法和遥感抽样推算方法（Gallego，2004），前者是从根据遥感分类结果直接进行推断，后者是以遥感识别作物结果为辅助量，采用抽样推断方式校正遥感分类的误差得到区域作物面积。直接像元统计面积估算基于直接像元统计的方法适用于作物面积较小，地块完整的农作物面积估算。该方法先从遥感影像中提取目标作物的范围，再统计其对应的像元数对实际的作物面积进行估算。如利用TM数据小麦和荔枝分别进行纯像元识别后，进而估算小麦和荔枝的种植面积（陈水森，2005）；利用GVG线采样技术对水稻面积进行了估算（吴炳方，2000；蒋雪中等，2002）利用MODIS数据统计玉米的像元和亚像元数量，对吉林省榆树市2007年、2008年及2009年玉米的种植面积和空间分布进行估算（靳华安等，2012）。直接像元统计面积估算是建立在遥感分类的基础上，误差因素主要包括了遥感影像空间分辨率、区域内的作物种植成数、作物种植破碎度和地块形状指数（张焕雪等，2015）。高分辨率的遥感图像由于分辨率比较高，地面表达清晰，是有利于作物遥感识别，而作物识别精度直接影响作物的面积估算（张焕雪，2014）；通过结合GVG农情采样系统进行农作物分类成数调查的对比分析发现种植成数越小，估算结果误差越大（李强子等，2004）；研究还发现破碎度对面积估算的精度的影响，种植破碎度的提高，种植面积估算精度也会趋于降低（张焕雪等，2015）；受地形地势的和灌溉条件的限制，各个地区的种植地形有所区别，研究发现随着形状指数的提高(即地块由正方形向细长形过度)，面积估算精度明显下降（张焕雪等，2015）。利用遥感技术提取出的作物专题图是一种栅格数据，按照栅格数据模型，计算区域内的目标地物面积只需要按照归属这一类地物的像元个数乘以像元分辨率就可以得到区域内的地物面积。直接像元统计面积估算的方法直接统计专题图上归属于某一种作物类型的像元个数，易于实现。但遥感影像的空间分辨率会对其结果有很大影响，“混合像元”和“同物异谱、异物同谱”等现象，产生错入、错出的分类误差（Gallego，2004），直接像元统计面积估算的方法得到的结果往往误差较大，这种直接估计方是有偏的，总量面积误差不可控，难以满足农业统计调查的95%面积精度需求农林牧渔统计报表制度（2020）农林牧渔统计报表制度（2020）遥感抽样面积估算农作物面积遥感估算是以遥感识别的结果作为区域推断的辅助量，采用GroundTruth（地面样方、高分辨率结果等手段获取的真值）来校正遥感分类的误差，以达到纠偏区域面积估计的目的（Gallego,2004，胡潭高等，2008；张锦水等，2011）。区域面积估计效率受多种因素的影响（张锦水等，2009），其中，抽样格网大小、抽样比例、抽样丰度等因素的影响，尤其是抽样格网大小直接影响总体抽样方差，格网越小总体抽样方差越小，单位抽样比下抽样效率越高，由于抽中的单元分布比较零散，调查成本升高，调查效率会降低。当前，常用的区域面积推断方式有随机抽样、系统抽样和分层抽样，下面依次介绍下每一种抽样推断方法的研究现状。随机抽样法是从总体中随机抽取出若干个样本，计算若干个样本的平均值再乘以总样本数，得到的结果就是随机抽样估算出的农作物面积。如以随机抽样的方法对北京市和重庆市2001年的遥感监测数据和实地调查数据进行精度评价（梁进社等，2004）；以新疆建设兵团为研究区域，结合当地作物的种植结构和遥感技术，采取随机抽样的方法对新疆建设兵团的棉花种植面积进行估算（胡永森等，2016）；以山东为研究区，采用简单随机抽样方法对该地区的冬小麦播种面积进行估算，达到了较好的估算结果（王迪等，2012）。随机抽样虽然方法简单、易于操作，但随机性较强，可能会造成很大的误差。系统抽样法是先将所有样本按照一定的顺序排列，在抽取第一个样本之后按照一定的顺序或者间距抽取剩余的样本，计算抽取出的所有样本的平均值再乘以样本数就会得到估算的结果。如以福建闽侯县为研究区，以高分一号卫星影像为数据源，采用包括系统抽样在内的多种抽样方法对农作物种植面积进行抽样估算（林芳芳等，2017）；开发了用于作物面积估计的预测系统，系统结合了遥感面积抽样框和系统抽样的方法进行面积估算，并利用伊朗哈马丹省的数据对系统的功能进行了测试（SushilPradhan，2001）；以2001年欧盟的15个成员国作为研究区域，采用系统抽样方法估算土地覆盖，结果表明变化估算效果较好（GALLEGOF，2012）。系统抽样虽然减少了随机抽样的一些不确定性，但估算结果误差还是较大。分层抽样法是按照一定的分层指标将总体划分为不同的层次，然后在每个层次中按照随机抽样或者系统抽样的方法抽取样本，最后根据抽取的样本对总体进行估算。分层抽样中最重要的就是分层指标，分层指标的选取直接影响样本的质量和估算结果的精度。