一、方案概述

     农业生产是国家社会经济的基础，粮食产量对于制定国家和区域社会经济发展规划、确保国家粮食安全和社会稳定、指导和调控宏观种植结构等均有重要意义。作物种植面积是影响粮食产量的重要因素之一，利用遥感识别农作物地块并估算作物种植面积是农业遥感监测的重要内容。农作物遥感分类是估算作物种植面积的重要核心问题，是提高作物种植面积估算精度的关键工作。

      公司以遥感在作物类型识别和灾害识别评估应用为主线，归纳了国内外作物类型识别及农业灾害识别评估研究中常用的各类遥感数据，如资源遥感影像、气象遥感影像、高分辨率影像、高光谱影像和微波影像等，分析其优缺点和适用性；总结了利用遥感进行作物类型识别的3类研究方法，包括基于光谱的识别方法、基于物候差异的识别方法以及光谱与物候相结合的方法，分析了各种方法的特点；解决克服了作物类型遥感识别中存在的主要问题，如影像空间精度与价格的平衡问题，多分辨率遥感数据的综合应用问题，物候差异对作物识别的影响问题等；通过结合不同分辨率遥感数据、不同时相遥感数据的结合建立更多的光谱与物候相结合的解译标志；提出作物识别机理和多尺度数据融合方法。为用户提供多种农作物种类及在灾害发生后评估的遥感识别解决方案。

二、方案特点

>> 智能化的人机交互：将前沿的人工智能技术与传统遥感影像解译技术结合，提供作业效率和解译精度，利用像元间的统计特征建立类别间的判别函数，进而识别作物类型。建立特定的农作物识别算法模型。

>> 时间序列匹配方法：高时间分辨率的影像能够充分体现植被的季相变化，而同一区域相同植被具有相似的变化曲线，通过植被指数时间序列变化特征可以识别地物。匹配方法通过分析未知像元波谱曲线和纯像元波谱曲线的匹配程度以识别地物类型，引入时间序列数据的分析以识别作物类型，利用季相节律的差异避免了作物类型间光谱特征相似的问题。

>> 关键物候期识别：同种作物在同一个地区具有相对稳定的生长发育规律。关键物候期可以使作物与其他植被具有较大的可区分性，可作为作物类型识别的重要依据，从而使作物类型识别更有效。通过分析时间序列数据中作物生长的关键物候期的特征值提取作物；利用当地的作物物候历信息，选择适当时相的遥感影像，使作物类型识别更有针对性，避免了遥感数据选取的盲目性。

>> 关联分析模型：以实测结果或中高分辨率影像识别结果为样本，与低分辨率时间序列或关键物候期数据建立半定量或回归模型识别作物。通过考虑作物关键物候期植被指数与种植面积的定量函数关系，当像元中混入其他类型地物时会导致关键时段的曲线斜率发生变化。充分利用了多分辨率遥感的优势，突出关键物候特性，使构建模型时理论更充分，精度应该更高；可用于统计总种植面积和大概种植分布。 

三、案例展示

案例效果及经典案例

      案例效果：目前已建立识别模型农作物种类：水稻、小麦、玉米、棉花、大豆、