农作物遥感估产区划是农作物遥感估产的基础, 它为估产研究和实践提供了重要的科学依据。 以冬小麦生育期内的MODIS EVI时间序列作为分区数据, 选择江苏省为试验区, 探讨了一种改进的光谱角制图和K均值聚类相结合(光谱角聚类)的分区方法, 并在冬小麦遥感估产中进行了试验。 结果表明: 光谱角聚类分区方法充分利用了MODIS时间序列数据所反映的农作物生长进程, 可以充分体现气候差异所带来的冬小麦区域差异; 与传统分区相比, 基于光谱角聚类分区方法所得到的遥感估产结果具有较高的决定系数R2(0.702 6比0.624 8)和较低的均方根误差RMSE(343.34比381.34 kg·hm-2), 体现了该分区方法在冬小麦遥感估产中的优势。 光谱角聚类分区方法仅以获取便利的低分辨率时间序列遥感数据为分区数据, 且能很好的将冬小麦划分为特征性质一致的区域, 所得遥感估产模型的精度和稳定性也较好, 为冬小麦遥感估产分区提供了一种有效方法, 有利于进行冬小麦遥感估产研究。

在大尺度冬小麦种植面积测量中, MODIS(moderate resolution imaging spectrometer)数据对绝大部分地区可实现全覆盖数据保障, 具有很好的时间序列特征, 在探测植物季相节律进行作物估产与动态监测上得到很好的应用, 但因受到空间分辨率的限制, 其测量结果的可靠性受到较大质疑。 地块数据具有明确的位置特征和明显的边界信息, 在一定程度上降低了光谱差异和混合像元的复杂程度, 在遥感影像上具有很强的相似光谱特征, 较像元识别更有优势。 以北京市通州为试验区, 充分结合冬小麦生长季特征, 首次尝试MODIS-NDVI空间地块化, 建立其与中分辨率TM耕地地块识别结果的定量关系, 进行地块支持下的MODIS-NDVI时间序列冬小麦种植面积测量。 研究结果表明, 当样本量达到15%以上时, MODIS和TM提取结果区域精度一致性稳定达到96%以上。 该方法证明, 地块数据可有效改善MODIS-NDVI时序数据遥感识别中, 因空间分辨率低引起的误差。 实现有碎云影响和无全覆盖中分辨影像时, 利用部分中分辨影像样本结合低分辨率全覆盖影像实现大尺度的冬小麦种植面积测量, 同时, 为其他品种农作物种植面积测量进行先期的实验研究。

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端， 提出了一种新的软硬分类方法。 该方法通过分析目标地物在图像中的分布情况， 自动计算判别阈值， 将图像分为目标地物纯净区域、 目标地物混合区域和非目标地物区域。 对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息； 对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息， 最后得到目标地物软硬分类结果。 通过对北京地区ALOS图像的应用试验， 并将新方法与支撑向量机、 线性光谱混合模型进行比较， 新方法的RMSE值为0.203， 总量精度达到95.48%， 高于支撑向量机和线性光谱混合模型。 实验结果表明， 新方法能够有效解决混合像元问题， 提高图像分类精度。

利用高分辨率遥感图像的光谱信息提取耕地地块对于土地利用动态监测、精准农业等领域有着非常重要的意义，然而传统的结合GIS软件与手工数字化提取地块的方法费时费力，并且具有很大的主观性，因此利用计算机自动提取地块具有很强的现实意义。文章提出了一种基于小波变换和分水岭分割的高分辨率遥感图像耕地地块提取方法，首先结合高分辨率层遥感图像的光谱信息，利用图像分类结果对原始图像中典型地物的灰度值进行对比增强处理，然后进行小波变换和分水岭分割，通过改进的区域合并算法解决过度分割问题，最后利用Canny算子引入边缘信息，得到最终的耕地地块分割结果。通过对北京地区Quickbird数据的应用，准确快速的提取了耕地地块数据，证明该方法是一种有效、可行的高分辨率遥感图像耕地地块提取方法。