基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

多源中高分辨率影像协同下时间合成窗口对农作物识别的影响

【背景】中高空间分辨率（≤30 m）影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而,要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响,对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据,是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同,且不同农作物物候季相节律存在较大差异,如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制,为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区,通过协同Landsat-8和Sentinel-2A/2B卫星影像,设置7种时间合成窗口（15、20、25、30、40、50和60 d）情景,分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度,深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下,江汉平原农作物（冬油菜、冬小麦、水稻、稻虾田和其他作物）的总体分类精度最高,为93.13%。对比而言,在影像较短时间合成窗口（如15...     

基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析

【目的】微波遥感因具有全天时、全天候数据获取的特点,在多云雨的中国南方水稻识别研究中表现出巨大潜力。本研究通过对比Sentinel-1SAR遥感数据和Sentinel-2光学遥感数据用于水稻遥感制图的效果,分析光学和SAR遥感数据对于单双季稻识别结果的一致性,并探索水稻识别的最优SAR影像特征。【方法】本研究使用Sentinel-1/2卫星数据,基于面向对象的随机森林分类算法和Google Earth Engine平台,提取洞庭湖平原4个典型水稻种植区的单双季稻空间分布。通过比较9种不同传感器和特征组合场景的分类精度和分类结果统计指标,并计算NDVI和SAR特征时序（VH、VV、VH/VV）的R²和DTW距离,分析识别单双季稻的最优SAR特征,评估光学和SAR遥感数据对于单双季稻识别结果的一致性。【结果】VH、VV和VH/VV时序识别单双季的总体精度分别为90.42%、82.08%和88.33%,而联合VH和VH/VV时序识别单双季稻的总体精度可达91.67%。VH（VH/VV、VV）时序与单双季稻NDVI时序的R²和DTW距离分别为0.870（0.915、0.986）、4.715（1.896、5.506）（单季稻）和0.597（0.783、0.673）、2.396（1.839、3.441）（双季稻）。较高的R²和较低的DTW距离说明单双季稻的VH/VV时序与NDVI时序相关度更高,可以较好地反映单双季稻的生长周期规律。同时,VH可以较好地反映单双季稻移栽期的淹水特征。基于光学数据和SAR数据在6个时间窗口的特征（S-2：NDVI、EVI、LSWI;S-1：VH、VH/VV）识别单双季稻的总体精度分别为91.25%和90.00%,识别结果面积相关性可达95.70%。【结论】SAR遥感数据与光学遥感数据水稻识别结果一致性较高。应用Sentinel-1在多云雨区识别单双季稻具有巨大潜力,VH和VH/VV后向散射系数时序是识别水稻的优质特征。研究结果为多云多雨区使用SAR数据进行特征优选以高精度识别单双季稻提供了重要技术支撑。     

基于国产高时空分辨率卫星影像的作物种植信息提取研究

在面向对象技术支持下,首先利用高空间分辨率ZY-3遥感影像提取农田地块专题信息;然后在地块边界控制下以地块对象为单元融入HJ-1及GF-1中分传感器的多时相光谱信息,获取作物生长关键期内的时间序列光谱特征;最后,结合不同作物的物候差异性规律构建作物种植信息提取模型,对甘蔗和水稻进行识别。结果表明,所有地类的总体分类精度为86.80%,Kappa系数为0.84,总体分类效果良好。甘蔗的制图精度和用户精度分别达到92.11%和90.91%,水稻的制图精度和用户精度分别达到88.89%和90.91%。说明协同利用国产卫星的高空间和高时间分辨率影像数据提取作物种植信息确实可行,可作为作物种植面积和种植结构的精细化、快速调查方法。     

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】（1）使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;（3）地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可...     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于时序Landsat遥感影像枣树种植面积提取

基于不同特征时间序列数据集,使用动态时间规整(dynamic time warping,DTW)方法对时间序列遥感影像进行分类.基于时间序列Landsat 8影像数据,使用NDVI、EVI、第一主成分(principal component analysis 1,PCA1)3种特征数据集结合DTW算法,对比分析不同特征量对枣树的识别精度.结果表明:基于DTW(ND?VI)的时间序列特征数据集结合DTW算法能够得到较好的分类结果,基于时序DTW(EVI)特征量的方法次之,基于时序DTW(PCA1)特征量的方法的分类精度最低,总体精度分别为95.23％、93.73％、83.84％,Kappa系数分别为0.858、0.824、0.738.     

基于Sentinel-2时序NDVI的麦冬识别研究

【目的 】 为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。 【方法 】 文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。 【结果 】 （1） 麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;（2） 以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;（3） 以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。 【结论 】 该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于Sentinel-2时序NDVI的麦冬识别研究*杨玉婷,董秀春,刘忠友,蒋怡,李宗南,刘泳伶

【目的】为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。【方法】文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。【结果】(1)麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;(2)以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;(3)以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。【结论】该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于多时相环境卫星的冬前油菜种植面积估算

【目的】油菜是我国重要的油料作物之一,监测油菜种植面积有助于了解油菜生长状况,为油菜病虫害、湿渍害、冻害等灾害损失评估提供数据基础。【方法】文章以湖北省荆州市江陵县为研究区,使用国产HJ-1A/B 30 m分辨率时序多光谱数据,通过地面调查及资料分析确定油菜与其它易混淆作物的主要NDVI时序特征,建立油菜识别决策树,估算了2009—2015年(不包括2011—2012年生长季)冬前油菜种植面积。将基于油菜开花期影像的最大似然法提取的油菜面积作为定性验证数据。以油菜籽面积统计数据和Google Earth高分辨率影像数据对冬前油菜提取的面积和空间位置结果进行定量评价。【结果】定性评价结果:2009—2011年生长季的决策树方法提取冬前油菜面积结果与开花期影像最大似然法提取结果基本一致,2012—2015年生长季的油菜提取面积空间分布差异较大。定量评价结果:决策树方法提取冬前油菜面积的用户精度达到80.40%～95.56%,生产者精度达到82.56%～91.43%,相对误差低于15%。【结论】基于NDVI时间序列特征的决策树算法估算冬前油菜面积具有可行性,但仍受到云和冬小麦的影响。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

【目的】 枣树和棉花是新疆地区的两大优势作物。利用高空间分辨率遥感影像对作物进行识别,更加快速、准确地获取枣树和棉花的种植面积及其分布区域,以利于相关部门政策的制定及农作物的精确管理。【方法】 本文以新疆阿拉尔市主要农作物为研究对象,运用基于像素与面向对象的遥感影像分类方法,通过比较光谱角制图（SAM）、支持向量机（SVM）、CART决策树（DTs）、随机森林（RF）这4种机器学习算法在高空间分辨率卫星影像分类中的作物识别精度,探究影像获取时期（2016-05-10、2016-09-07、2016-10-08）及面向对象的信息提取技术对作物分类精度的影响。【结果】 5月份影像（即棉花覆膜期影像）作物分类精度最高,10月份影像次之,9月份影像最差;与基于像素的作物分类方法相比,面向对象的作物分类方法可以使各时期的作物分类总体精度得到一定提高（除SAM之外）,各时期分类精度分别提高了4.83%、7.77%、7.22%,最高分类精度分别为93.52%（2016-05-10）、85.36%（2016-09-07）、88.88%（2016-10-08）,均实现了较好的作物分类效果。【结论】 5月份（棉花覆膜期）影像对棉花和枣树分类效果最好,该时期的棉花被地膜覆盖,且枣树表现出明显的植被光谱特性,两种作物生长早期呈现出差异化的光谱特征,因此棉花和枣树的遥感识别应在作物生长早期进行;面向对象的分类方法可以综合运用光谱、纹理及空间信息,特别是纹理信息的加入,可以取得比基于像素方法更高的分类精度,且提供一种高效提取田块边界的手段,对当地农田信息化管理具有重要应用价值。在棉花和枣树识别过程中,纹理特征的重要性高于光谱和空间特征,红光和绿光波段在所有波段中对棉花和枣树的识别贡献最大。     

基于无人机多光谱影像的棉叶螨识别方法

【目的】利用无人机遥感在空间分辨率和光谱分辨率上的优势,研究大面积棉田棉叶螨监测方法,为类似的农作物虫害遥感监测研究提供参考。【方法】选20种光谱指数作为螨害监测的特征因子,使用赤池信息准则作为模型优选依据,获取最佳建模特征,建立棉田螨害监测识别的logistic回归模型。【结果】在所分析的全部光谱指数中,TVI、DVI和RDVI为螨害监测的最佳特征因子,基于该3个因子构建的logistic回归模型的分类准确率为95%,F1值为95.1%,能够较好地实现棉田螨害识别。【结论】监测模型可以实现区域范围的棉叶螨快速识别。     

Crop Identification Based on TWDTW Method and Time Series GF-1 WFV

【Objective】 Yanqi Basin is an important production base of characteristic agricultural products in Xinjiang, and the planting structure of crops is complicated. In this study, the time series remote sensing data were used to classify and identify crops in the study area, so as to obtain the spatial distribution of different crops and their planting areas, which were the important basis for government sectors to formulate grain policies and economic plans. At the same time, the applicability of time-weighted dynamic time warping (TWDTW ) method in crop classification and the application potential of GF-1 WFV in agriculture were also discussed.【Method】 The normalized vegetation index (NDVI), calculated from the 2018 time series GF-1 WFV data set in Yanqi Basin, Xinjiang, was used to study the crops recognition based on TWDTW method. Sample points of different crops were collected to form standard sequence of NDVI for each crop. The TWDTW similarity matching algorithm was used to calculate the similarity distance between each pixel to be classified and the standard sequence of different crops. The smaller the distance was, the higher the similarity was. The similarity was used to determine the crop type of the pixel, and the final classification result was obtained. At the same time, the classification rules of decision tree were established according to the NDVI curve of time series, and the classification result was obtained by manually setting the classification threshold, and compared with that of the TWDTW method. 【Result】 The classification results of the two methods were very consistent. Peppers were the most widely planted and the wheat was mainly distributed in the northern part of the Yanqi Basin and the 21st Division of the Second Agricultural Division. The distributions of tomato and sugar beet were relatively sporadic. Among the results of planting area, pepper had the largest planting area, followed by tomato, wheat and sugar beet. The accuracy of the classification results of the TWDTW and decision tree methods was verified by the field sample points: The overall accuracy of them were 89.58% and 90.97%, respectively, and the kappa index of them were 0.804 and 0.830, respectively. The classification accuracy of the TWDTW method was slightly higher than that of the decision tree method. 【Conclusion】 Compared with the decision tree classification method, the classification accuracy of the TWDTW method was slightly improved, the classification result was more objective and reliable. The algorithm of TWDTW method was not limited by geographical factors and had strong flexibility and applicability. The experimental results showed that using TWDTW algorithm to identify crops based on the GF-1 WFV data set of dense temporal phase could get better classification results, and it had great application and popularization value in agricultural field.     

基于TWDTW的时间序列GF-1 WFV农作物分类

【目的】焉耆盆地是新疆重要的特色农产品生产基地,农作物种植结构较为复杂。利用时间序列的遥感数据对研究区内的农作物进行分类识别,获得不同农作物的空间分布、种植面积等信息,为政府部门制定粮食政策、经济计划提供重要依据。同时探讨时间加权的动态时间弯曲(time weighted dynamic time warping,TWDTW)方法在农作物分类识别中的适用性以及高分一号(GF-1)WFV在农业领域的应用潜力。【方法】以新疆焉耆盆地为研究区域,利用2018年作物生长季的GF-1 WFV时间序列数据集计算归一化植被指数(NDVI),基于TWDTW方法开展农作物分类识别研究。分别采集不同作物的样本点,形成各作物NDVI的标准序列。利用TWDTW相似性匹配算法计算每个待分类像元与不同作物标准序列间的相似度距离,距离值越小则相似性越高,通过对比确定像元的农作物类型,得到最终的分类结果,同时根据时间序列NDVI曲线建立决策树(decision trees,DTs)分类规则,人工设置分类阈值得到分类结果,并与TWDTW方法的结果进行对比分析。【结果】2种方法的分类结果较为一致,辣椒的种植范围最广,小麦主要分布在焉耆盆地北部和西部的农二师二十一团,番茄和甜菜的种植分布较为零星。在种植面积统计中,辣椒的种植面积最大,其后依次为番茄、小麦和甜菜。利用野外样本点对决策树和TWDTW两种方法的分类结果进行精度验证,总体精度分别为89.58%和90.97%,kappa系数为0.804和0.830,TWDTW方法的分类精度相比于决策树法略有提高。【结论】相比于决策树分类方法,TWDTW方法的分类精度略有提高的同时,分类结果客观可靠,而且算法不受地域因素限制,具有较强的灵活性和适用性。基于密集时相的GF-1 WFV数据集,采用TWDTW算法对农作物进行分类,得到较好的分类结果,能够满足农业部门的管理决策需求,该方法在农业领域具有较大的应用和推广价值。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

一种基于趋势单产和遥感修正模型的混合估产模型

【目的】在分析国内外农作物估产方法的相关研究进展基础上,将传统统计估产方法和遥感估产方法相结合,提出一种新的混合估产模型。【方法】该模型由趋势单产、遥感修正单产和随机误差项三部分组成,其中趋势单产利用历史长时间序列的单产统计数据,通过多项式回归的方法结合ARIMA模型修正得到,遥感修正单产利用3个作物关键生育期NDVI和实测单产多元回归得到。为验证所提出估产方法的可行性和精度,利用2015年冬小麦关键生育期的三景环境卫星遥感影像和冬小麦实测地块单产数据以及近30年(1985—2014年)北京市各区县的冬小麦单产数据,对2015年的北京市的冬小麦单产进行估算,与真实值(2015年单产统计数据)对比。【结果】混合估产模型对北京市的冬小麦单产预测精度达到98.7%,各区县估产精度均超过90%,除房山(90.3%)外,各县单产预测相对精度均超过95%;传统趋势单产模型对北京市的冬小麦单产预测精度达到94.75%,但在区县尺度上,传统估产模型预测精度较低,对房山区的估产精度不足80%;引入ARIMA模型可以提高传统趋势单产模型的精度。修正后的趋势单产模型冬小麦单产预测精度平均提高了1.59%。本文建立的遥感修正模型,利用三景遥感影像修正结果最优,此方法使冬小麦估产精度整体提升3.55%,尤其是房山、平谷等区县,精度明显提升。【结论】该模型在市级尺度和县级尺度上预测冬小麦单产均取得较高精度,充分考虑冬小麦时间尺度和空间尺度上的变化,对农作物估产有一定的指导意义。     

基于无人机可见光遥感的棉花面积信息提取

【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km²,面向对象提取的棉花种植面积为0.33 km²,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。     

农作物分布格局动态变化的遥感监测——以东北三省为例

【目的】当前对涉及到耕地内部不同作物空间分布及其变化的研究较少。本文旨在探讨大尺度作物种植面积和分布格局遥感提取方法及景观生态学中景观格局指数在作物格局动态变化分析中的应用。【方法】基于2005年和2010年作物生育期内遥感影像全覆盖的MODIS-NDVI数据,利用RS、GIS技术,通过分析东北地区主要作物（水稻、玉米、大豆）的种植结构、物候历及NDVI曲线特征,建立不同作物面积遥感提取模型,提取大尺度农作物空间分布格局信息。同时,利用景观格局指数方法分析农作物格局动态变化特征和变化规律。【结果】与多年平均统计数据比较,基于MODIS遥感数据提取的作物面积信息,2005年和2010年平均精度达到了90%以上;5年间,东北地区主要作物种植结构发生了较大变化。其中大豆平均斑块面积减少,面积年动态度为-4.47%,水稻和玉米平均斑块面积均增加,且5年的变化幅度均超过20%。【结论】成本和收益是作物面积增加或减少的主要原因;用中等分辨率的遥感数据进行大尺度作物面积提取的方法是可行的;景观生态学中格局指数可以用来分析耕地内部作物格局的动态变化规律。