農業(yè)生(shēng)産是國(guó)家社會(huì)經濟的基礎，糧食産量對于制定國(guó)家和區域社會(huì)經濟發展規劃、确保國(guó)家糧食安全和社會(huì)穩定、指導和調控宏觀種植結構等均有重要意義。作物(wù)種植面積是影響糧食産量的重要因素之一(yī)，利用遙感識别農作物(wù)地塊并估算(suàn)作物(wù)種植面積是農業(yè)遙感監測的重要内容。農作物(wù)遙感分類是估算(suàn)作物(wù)種植面積的重要核心問題，是提高(gāo)作物(wù)種植面積估算(suàn)精度的關鍵工(gōng)作。
公司以遙感在作物(wù)類型識别和災害識别評估應用為(wèi)主線，歸納了國(guó)内外作物(wù)類型識别及農業(yè)災害識别評估研究中常用的各類遙感數據，如資源遙感影像、氣象遙感影像、高(gāo)分辨率影像、高(gāo)光(guāng)譜影像和微波影像等，分析其優缺點和适用性；總結了利用遙感進行作物(wù)類型識别的3類研究方法，包括基于光(guāng)譜的識别方法、基于物(wù)候差異的識别方法以及光(guāng)譜與物(wù)候相(xiàng)結合的方法，分析了各種方法的特點；解決克服了作物(wù)類型遙感識别中存在的主要問題，如影像空間精度與價格的平衡問題，多(duō)分辨率遙感數據的綜合應用問題，物(wù)候差異對作物(wù)識别的影響問題等；通(tōng)過結合不同分辨率遙感數據、不同時相(xiàng)遙感數據的結合建立更多(duō)的光(guāng)譜與物(wù)候相(xiàng)結合的解譯标志(zhì)；提出作物(wù)識别機(jī)理和多(duō)尺度數據融合方法。為(wèi)用戶提供多(duō)種農作物(wù)種類及在災害發生(shēng)後評估的遙感識别解決方案。
>> 智能(néng)化的人機(jī)交互：将前沿的人工(gōng)智能(néng)技(jì)術(shù)與傳統遙感影像解譯技(jì)術(shù)結合，提供作業(yè)效率和解譯精度，利用像元間的統計特征建立類别間的判别函數，進而識别作物(wù)類型。建立特定的農作物(wù)識别算(suàn)法模型。
>> 時間序列匹配方法：高(gāo)時間分辨率的影像能(néng)夠充分體現植被的季相(xiàng)變化，而同一(yī)區域相(xiàng)同植被具有相(xiàng)似的變化曲線，通(tōng)過植被指數時間序列變化特征可以識别地物(wù)。匹配方法通(tōng)過分析未知像元波譜曲線和純像元波譜曲線的匹配程度以識别地物(wù)類型，引入時間序列數據的分析以識别作物(wù)類型，利用季相(xiàng)節律的差異避免了作物(wù)類型間光(guāng)譜特征相(xiàng)似的問題。
>> 關鍵物(wù)候期識别：同種作物(wù)在同一(yī)個(gè)地區具有相(xiàng)對穩定的生(shēng)長(cháng)發育規律。關鍵物(wù)候期可以使作物(wù)與其他植被具有較大的可區分性，可作為(wèi)作物(wù)類型識别的重要依據，從(cóng)而使作物(wù)類型識别更有效。通(tōng)過分析時間序列數據中作物(wù)生(shēng)長(cháng)的關鍵物(wù)候期的特征值提取作物(wù)；利用當地的作物(wù)物(wù)候曆信息，選擇适當時相(xiàng)的遙感影像，使作物(wù)類型識别更有針對性，避免了遙感數據選取的盲目性。
>> 關聯分析模型：以實測結果或中高(gāo)分辨率影像識别結果為(wèi)樣本，與低(dī)分辨率時間序列或關鍵物(wù)候期數據建立半定量或回歸模型識别作物(wù)。通(tōng)過考慮作物(wù)關鍵物(wù)候期植被指數與種植面積的定量函數關系，當像元中混入其他類型地物(wù)時會(huì)導緻關鍵時段的曲線斜率發生(shēng)變化。充分利用了多(duō)分辨率遙感的優勢，突出關鍵物(wù)候特性，使構建模型時理論更充分，精度應該更高(gāo)；可用于統計總種植面積和大概種植分布。
案例效果：目前已建立識别模型農作物(wù)種類：水(shuǐ)稻、小(xiǎo)麥、玉米、棉花、大豆、
