EN中文

Journal of Geo-information Science >

2017 , Vol. 19 >Issue 1: 117 - 124

DOI: https://doi.org/10.3724/SP.J.1047.2017.00117

Orginal Article

Research on the Method of Rice remote sensing Identification Based on SpectralTime-series Fitting in Southern China

  • SONG Panpan , 1, 2 ,
  • DU Xin 2 ,
  • WU Liangcai 1 ,
  • WANG Hongyan 2 ,
  • LI Qiangzi , 2, * ,
  • WANG Na 2, 3
Expand
  • 1. College of surveying and mapping engineering, East China Institute of Technology, Nanchang, 330013, China
  • 2. Institute of Remote Sensing and Digital Earth, CAS, Beijing 100101, China
  • 3. University of Chinese Academy of Sciences, Beijing 100101, China
*Corresponding author: LI Qiangzi, E-mail:

Received date: 2016-06-30

  Request revised date: 2016-08-29

  Online published: 2017-01-13

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Food security is an important guarantee for the stable development of our country and the area of planting grain is the basis of food security, so the estimation of the area of planting grain is important. Remote sensing technology is an important method of estimating crop grain area at present. The classification accuracy is affected by cloud and mist, which cannot be avoided. To solve this problem, this study presented a method for recognizing rice based on GF-1 time-series image. With long time-series of GF-1 images, three indices of middle-season rice and late-season rice, namely near infrared band reflectance (NIR), red (R) band reflectance and the normalized difference vegetation index (NDVI) characteristics are extracted. Spectrum and the characteristic curve of vegetation index time-series are fitted. We analyzed the ratios of values of discrete near infrared band, red light band and NDVI of images of multiple temporal phases falling on both sides of the sensitive area of the fitting NIR, R and NDVI time-series curve of middle-season rice and late-season rice. This area can also be seen as the target area of rice identification features and only those reaching a certain proportion can be identified as certain type of rice. Under this condition, three kinds of situation should be considered comprehensively and voted to decide final classification results. The means of samples are used to fit the curve for each image. The outliers are eliminated from the ground samples in advance. Statistical analysis of ground samples defined target characteristics. The result indicated that: (1) Using polynomial fitting method based on least square principle to fit NIR, R, NDVI time series characteristic curve, fitting effect is better when fitting degree is 3 and it can satisfy the need of subsequent classification. (2) Different setting proportions led to different classification accuracy, and the overall accuracy is 95.76%, the user accuracy of middle-season rice and late-season is 95.97% and 95.95% when the setting proportion is not less than 50%. (3) The method proposed in this study could solve the problem of the combination of complex phases, and significantly weaken the influence of cloud and fog on crop classification, especially in South China.

Key words： rice; remote sensing; spectrum simulation; classification; time series

Cite this article

SONG Panpan , DU Xin , WU Liangcai , WANG Hongyan , LI Qiangzi , WANG Na . Research on the Method of Rice remote sensing Identification Based on SpectralTime-series Fitting in Southern China[J]. Journal of Geo-information Science, 2017 , 19(1) : 117 -124 . DOI: 10.3724/SP.J.1047.2017.00117

1 引言

充足的粮食供应是中国经济发展的重要保障。近年来,退耕还林、非农建设用地占用,城镇扩张、自然灾害以及农民种粮积极性下降,导致中国粮食种植面积缩减严重,粮食产量受到严重影响[1-2]。为了准确的掌握粮食产量,为国家粮食安全提供更准确地依据,估算粮食种植面积是获得粮食产量的关键步骤之一。水稻作为中国第一大粮食作物[3],其种植面积的估算,对于保障粮食安全具有重要战略意义。
传统的粮食种植面积的估算主要依靠地方上报和抽样调查方法。其中,地方上报是通过指令系统层层上报粮食统计面积,具有很多人为不确定因素,精度较低;抽样调查方法则是利用抽样技术布设样本和调查,推断不同报告单元的粮食种植面积,需要耗费大量人力物力,且面积估算精度控制困难[4]。遥感技术具有宏观、高效、准确的特点,在农作物面积估算方面得到了越来越广泛的应用[5]。
在农作物遥感识别领域,农作物分类特征变量是农作物遥感分类是否成功的决定性因素之一[6]。绿色植物在绿波段和红外波段具有高反射,而在蓝和红波段具有强吸收是植物典型光谱特征。同时,植被指数（如归一化植被指数NDVI）能够较准确地反映农作物从种植到生长、开花、成熟的特定生长规律,在作物遥感分类中能有效削弱“同谱异物”的现象,是目前利用遥感技术进行植被生长发育与作物分类研究的重要指标[7]。索玉霞[8]、杨小唤[9]、刘 佳[10]、王琳[11]等通过构建NDVI时间序列特征,提取不同植被的最佳分类时相,运用阈值决策树技术分类。杨闫君[12]等利用16 m分辨率GF-1号数据,构建NDVI时间序列曲线,提取植物生长特性信息,利用最大似然、支持向量机、神经网络多种分类方法对农作物进行了分类,效果比较理想。利用单一时相的月报表数据进行作物识别易出现“错分”、“漏分”,影响分类精度。不同作物随时间推移光谱表现出一定差异,因此,利用遥感数据识别不同的农作物,往往需要分析不同作物光谱和植被指数时间变化特征,易于找到不同作物可分性的最佳时相或多期分类特征,以提高分类精度。李鑫川[13]、张焕雪[14]等通过构建光谱、植被指数时间序列特征,提取不同植被的最佳分类时相,进行决策树分类。
目前在农作物提取过程中,对于多云多雾条件下农作物识别不清,甚至无法识别的问题是农业遥感领域的难题之一。利用光学数据进行南方地区的水稻作物识别面临着云雨天气多,有效数据少等问题。即使利用AWiFS、环境星和高分一号等宽幅多光谱数据,仍然难以获得充足有效的数据。在此情形下,一些科学家[15-17]提出将有云影像中无云部分（有效像元）剔除出来,通过宽幅影像成像机会较多的特点,仍然可以在作物生长期内获得完整的遥感数据,用于作物的遥感识别,能够解决中国南方的作物识别与面积估算。在此情形下,由于不同区域农作物遥感识别面临着不同的时相组合,农作物遥感识别就会面临较复杂的问题,如果针对不同的时相组合单独进行处理,又面临复杂的处理。因此,需要研究设计一种能够应付复杂时相组合的遥感识别方法,以满足复杂时相组合条件下的高效遥感识别。
本研究的目的在于分析中国南方水稻作物遥感光谱特征的时间序列特性,从而利用有效像元生产技术得到的复杂遥感数据集,满足南方区域基于复杂时相组合数据的水稻作物遥感识别。具体目标包括2个：① 分析不同水稻作物主要识别特征（如光谱反射率及植被指数）的时相变化,通过拟合时间序列特征曲线进行不同时相水稻作物（中稻、晚稻）的特征数字化定量描述;② 通过研究分析中稻、晚稻与模拟结果的偏离程度,建立基于多变量阈值检测的遥感识别方法,并进行评价。

2 研究区概况

本文选择江苏省靖江市（31°55′~32°8′ N,120°1′~120°33′ E）为研究区。其属于亚热带湿润气候区,受季风环流势力的影响,具有明显的海洋性、季风性和过渡性气候特点;年平均气温15 ℃左右,雨量充沛,每年6月是集中降水期,年平均降水量1000多毫米。靖江市是长江下游冲积平原,土地总面积664.76 km2,全市土地分为耕地、林园地、非耕地等,其中以耕地为主,土地肥沃,产量较高。水稻、小麦为主要农作物,水稻分为中稻和晚稻,属于秋季作物,生育期如表1所示。
Tab. 1 Rice growing periods in the study area

表1 研究区水稻生育期

月份
6月 7月 8月 9月 10月 11月
旬 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下 上 中 下
中稻 插秧 分蘖 拔节 抽穗 灌浆 成熟
晚稻 插秧 分蘖 拔节 抽穗 灌浆 成熟

3 数据及预处理

3.1 遥感数据

本研究采用的GF-1号WFV遥感数据,来源于中国资源卫星应用中心,共搜集到2014年覆盖实验区内的水稻从插秧到收割遥感影像11景,如表2 所示。
Tab. 2 The list of GF-1 satellite data

表2 GF-1号卫星数据列表

影像时相编号 影像获取时间 儒略日 传感器 影像质量
N1 2014-06-14 194 WFV2 少量云雾
N2 2014-07-21 231 WFV2 少量云团
N3 2014-07-30 240 WFV4 无云雾
N4 2014-08-06 246 WFV1 多云团
N5 2014-09-04 274 WFV2 多云团
N6 2014-09-21 291 WFV4 多云团
N7 2014-09-28 298 WFV1 无云雾
N8 2014-10-07 307 WFV3 少量云团
N9 2014-10-15 315 WFV2 无云雾
N10 2014-10-24 324 WFV4 无云雾
N11 2014-11-04 334 WFV1 无云雾
GF-1号是中国近年来具有突破性的第一颗高分辨率卫星,于2013年4月26日发射升空。高分一号（GF-1）卫星搭载4台16 m分辨率多光谱相机覆盖范围广[18],WFV 16 m分辨率重访周期为4 d,满足了高时间分辨率和空间分辨率的要求,为解决由于多云多雾造成有效数据时空覆盖缺失的问题提供了数据支持。
GF-1号数据预处理主要包括几何粗校正、辐射定标、大气校正和几何精校正。首先利用RPC文件对影像做几何粗校正,其次利用定标文件对粗校正后影像做辐射定标和大气校正,把影像像元的DN值转化为表观反射率,大气校正采用了6S辐射传输模型[19]。由于需要构建时间序列数据集,粗校正不能满足定位要求,故需进行几何精校正,采用实测GPS点位对其中一景进行误差在一个像元内的精校正,在将其他影像以该景校正好的影像为基准进行配准,精度控制在一个像元内。为了研究需要,研究中计算了水稻识别中常用的植被指数指标,即归一化植被指数（NDVI）[20]。

3.2 地面调查数据及辅助数据

为了确保实验的准确性,2014年10月2日对实验区进行了地面调查。选择了16个村庄作为调查区,每个调查区选择5~6个200 m×200 m调查样方地块。调查样方内作物分布,可利用手持GPS确定样方地块作物坐标位置,并对样方作物拍照。本文共调查了850个实验地块,其中中稻320个,晚稻370个,其他农作物160个。为了方便农作物识别,排除非作物植被的干扰,收集了实验区耕地矢量数据作为辅助数据。图1是外业调查样点（绿色地块）以及调查路线。
Fig. 1 Survey samples and routes of crops in Jingjiang

图1 靖江市作物调查样方及调查路线图

4 研究方法

4.1 水稻作物典型识别特征的时间序列曲线拟合

前期的研究表明[21],在水稻的生长变化周期内近红外波段像元值先增加后减小,红光波段像元值先减小后增加,NDVI能够表达植被旺衰信息,与作物生长变化过程相吻合。实验发现,近红外（NIR）波段和红光（R）波段对水稻生长状况比较敏感,中稻和晚稻的近红外波段、红光波段和NDVI时间序列特征差异明显,能够区分中稻和晚稻生育期。而蓝波段和绿波段对植被生长状况敏感性较差,构建的中稻和晚稻时间序列波动明显且差异性较小。因此,考虑到红绿蓝及近红外在分类中的贡献,以及时间序列NDVI曲线在农作物遥感识别过程中常用性,本研究确定对近红外和红2个波段,以及植被指数进行曲线时间序列特征的拟合。
本研究对于中稻、晚稻近红外波段、红光波段以及NDVI时间序列曲线的拟合是基于地面调查获得的中稻和晚稻样本计算得到（调查样本数据与每期影像空间叠加）,每期影像的数值采用样本的均值进行曲线拟合。地面调查样本在使用前剔除了异常值。异常值的剔除采用拉依达准则[22]进行。
P ( x - μ > 3 σ ) ≤ 0.003 （1）
式中： μ 与 σ 分别表示调查样本数据的数学期望和标准差。在实验数据中出现大于 μ + 3 σ 或小于 μ - 3 σ 数据的概率很小,因此,根据上式对大于 μ + 3 σ 或小于 μ - 3 σ 的实验数据作为异常数据,予以剔除。
曲线的拟合采用最小二乘法模型[23-24]。最小二乘法是一种使用范围很广的优化方法,可以对实验数据实现在最小平方误差意义下的最好拟合。为了客观地表现水稻NIR、R、NDVI时间序列特征曲线,函数曲线由采用最小二乘原理多项式拟合得到。
对于数据集 ( x i , y i ) ( i = 0,1 , … , m ) , x i 代表时间,用儒略日[25]方式表达（式（2）、（3））, y i 代表NIR、R、NDVI任何一种特征的像元值, φ 为所有次数不超过 n ( n ≤ m ) 的多项式构成的函数类。
P n ( x ) = ∑ k = 0 n a k x k ∈ φ （2）
使得,
I = ∑ i = 0 m [ P n ( x i ) - y i ] 2 = ∑ i = 0 m ( ∑ k = 0 n a k x i k - y i ) 2 = min （3）
满足式（3）的称为最小二乘拟合多项式。
较高的多项式次数容易导致“过拟合”,而较低的次数可能导致信息丢失。经过多次实验,本研究采用3次多项式进行拟合。

4.2 基于特征拟合曲线的水稻遥感识别

在水稻作物遥感识别特征曲线拟合的基础上,进行水稻作物识别的关键在于判断不同时相的遥感影像与同时期模拟值的偏离程度。为了有效地进行不同水稻作物（中稻、晚稻）的识别,本研究首先确定不同水稻作物的典型识别特征（红、近红外和植被指数）的时间过程,该过程由拟合曲线及曲线两侧的敏感性区域组成。一般认为,当某一像元的过程线落入某一水稻作物的时间过程敏感区内,即可视为该类水稻作物,则该区域也可以视为水稻作物识别特征的目标特征区域。因此,对水稻作物的识别,也可以视为判定某一像素落入水稻作物识别目标特征区域的过程。
4.2.1 目标特征区域确定
目标特征区域的范围界定通过地面调查样本的统计分析来确定。每期影像调查样本（剔除异常值）中稻、晚稻的NIR、R、NDVI像元值相对于拟合值存在最大差值范围为 ( L min - L 拟 ) ~ ( L max - L 拟 ) 。
对于整个生育期来说,所有时相影像调查样本中中稻、晚稻的NIR、R、NDVI像元值相对于拟合值存在的最大差值平均值范围为： ∑ ( L min - L 拟 ) m ~ ∑ ( L max - L 拟 ) m 。
因此,本研究设定中稻、晚稻NIR、R、NDVI的目标特征区域范围为： P n ( x ) + ∑ ( L min - L 拟 ) m ~ P n ( x ) + ∑ ( L max - L 拟 ) m 。其中, L min 和 L max 表示每期影像调查样本中剔除异常值的中稻、晚稻NIR、R、NDVI像元值最小值和最大值;m表示参与特征区域计算的影像个数。
4.2.2 水稻识别及精度检验
在不同水稻作物的目标特征区域确定之后,水稻作物（中稻、晚稻）的识别就是分析每个像元的多期影像值（反射率或植被指数值）落入哪种水稻作物目标特征区域的过程。
理想情况下,某一种水稻作物的像元的每期影像值均能落入到对应水稻作物的目标特征区域内。但是实际分类过程中,有些像元受到云污染,往往仅有部分期次的影像值落入目标特征区域内,因此需要考虑落入目标特征区域内的时相比例来确定。本研究中,要判定某一像元是否属于某一种水稻作物,需要根据近红外、红和植被指数3 种特征的像素值落入目标特征区域内的比例确定在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。
以近红外（NIR）特征曲线识别水稻作物为例,对整个实验区逐个像元判断像元的过程线落入某一水稻作物的NIR目标特征区域比例。
（1）当落入某一水稻作物（中稻、晚稻）的近红外目标特征区域比例不少于60%时,视该像元为该类水稻作物。
（2）当落入某一水稻作物的近红外目标特征区域比例不少于50%时,若占50%的落入,其他50%落入另外一种水稻作物目标特征区域,判断哪种水稻作物起始、峰值位置区域落入的数量多即视为该水稻作物,若落入另外一种水稻作物目标特征区域不足50%即视为该类水稻作物。
（3）当落入某一水稻作物的近红外目标特征区域比例不少于40%时,若占40%的落入,其他40%落入另外一种水稻作物目标特征区域,判断哪种水稻作物起始（插秧、成熟期）、峰值位置区域落入的数量多即视为该水稻作物,若没有落入2种水稻作物目标特征区域的数量多于40%,该像元即视其他植被。同样方法以红光波段和NDVI特征曲线识别水稻作物。利用3种特征曲线目标特征区域对整个实验区分类完成,同一位置是3种特征曲线识别出的作物类型结果,最后3种作物类型结果以投票的方式决定该位置像素的最终作物类别。
本研究采用混淆矩阵的评价方法进行精度验证,主要评价指标有总体精度、kappa系数、用户精度、生产精度。

5 结果与分析

5.1 水稻NIR、R、NDVI时间序列曲线拟合结果

中稻和晚稻拟合后NIR、R、NDVI时间序列曲线如图2所示。中稻的NIR、R、NDVI时间序列曲线拟合 R 2 分别是0.9806、0.9793、0.9876,晚稻的NIR、R、NDVI时间序列曲线拟合 R 2 分别是0.9812、0.9823、0.9872,表明拟合效果良好。
中稻NIR、R、NDVI随时间变化的函数关系 式为：
P NIR ( x ) = - 0.0016 x 3 + 0.7976 x 2 - 82.919 x - 419.48 （4）
P R ( x ) = 0.0004 x 3 - 0.1759 x 2 + 17.665 x + 1685.4 （5）
P NDVI ( x ) = - 2 e - 0.7 x 3 + 9 e - 0.5 x 2 + 0.0025 x - 1.8063 （6）
晚稻NIR、R、NDVI随时间变化的函数关系 式为：
P NIR ( x ) = - 0.0026 x 3 + 1.6221 x 2 - 302.45 x + 18033 （7）
P R ( x ) = 0.001 x 3 - 0.7254 x 2 + 160.67 x - 10233 （8）
P NDVI ( x ) = - 4 e - 0.7 x 3 + 0.0002 x 2 - 0.0383 x + 1.4491 （9）
在水稻生育周期内,近红外波段（NIR）反射率时序拟合曲线和归一化植被指数（NDVI）时序拟合曲线呈先上升后下降的趋势,红光波段反射率时序拟合曲线呈先下降后上升的趋势。在中稻和晚稻特征波段拟合曲线相交之前,中稻比晚稻生长旺盛,中稻对近红外波段反射率高于晚稻,中稻对红光波段吸收率强于晚稻,因此中稻近红外波段时序拟合曲线在晚稻上方,红光波段时序拟合曲线在晚稻下方。在中稻和晚稻特征波段拟合曲线相交之后,晚稻比中稻叶面积指数大,叶绿素含量高,中稻和晚稻的特征曲线情况反转。

5.2 水稻NIR、R、NDVI目标特征区域

由图2可以看出,第5景影像中稻和晚稻近红外（NIR）反射率值拟合效果较差,中稻和晚稻的红波段（R）反射率值、NDVI值过于接近,差异太小,因此第5景影像不参与计算。将其他期影像调查样本中中稻、晚稻剔除异常值后的近红外、红光、NDVI像元值最大值和最小值代入式（6）中,得到中稻3种特征时间序列曲线目标特征区域分别为： ( P NIR ( x ) - 110.4 ) ~ ( P NIR ( x ) + 109.7 ) 、 ( P R ( x ) - 52.5 ~ ( P R ( x ) + 65.3 ) 、 ( P NDVI ( x ) - 0.04 ) ~ ( P NDVI ( x ) + 0.05 ) 。
晚稻3种特征时间序列曲线目标特征区域分别为： ( P NIR ( x ) - 106.5 ) ~ ( P NIR ( x ) + 98.8 ) 、 ( P R ( x ) - 61.3 ) ~ ( P R ( x ) + 55.6 ) 、 ( P NDVI ( x ) - 0.05 ) ~ ( P NDVI ( x ) + 0.05 ) 。

5.3 分类结果及精度评价

按照实验区的10景影像NIR、R、NDVI波段同一位置像元值分别构成的离散时间序列像元值分别落在中稻、晚稻NIR、R、NDVI时间序列曲线目标特征区域所占比例不少于40%、50%、60%进行分类,分类结果如图3所示,精度评价如表3、4所示。
Tab. 3 Overall accuracy and Kappa coefficient of different proportion confusion matrix

表3 不同比例混淆矩阵总体精度和Kappa系数

比例 总体精度/% Kappa系数
不少于40% 89.13 0.8637
不少于50% 95.76 0.9335
不少于60% 80.85 0.7812
Tab. 4 Confusion matrix result of morethan 50% classification

表4 不少于50%分类混淆矩阵

类别 中稻 晚稻 其他植被 总计 用户精度/%
中稻 2978 76 45 3103 95.97
晚稻 80 3154 57 3287 95.95
其他植被 36 41 1439 1516 94.92
总计 3090 3275 1541
生产精度/% 96.38 96.31 93.39
总体精度/% 95.76
Kappa系数 0.9335
当比例设置为不少于40%时,一部分其他植被错分成了水稻,部分中稻和晚稻混淆;当比例设置为不少于50%时,极大降低了其他植被错分为水稻的像元数量,中稻和晚稻混淆情况也得到了很好的抑制;当比例设置为不少于60%时,由于拟合以及目标特征区域误差影响,部分水稻离散时间序列NIR、R、NDVI值没有落在中稻或者晚稻NIR、R、NDVI时间序列曲线目标特征区域,造成一部分水稻错分为了其他植被。由表3可看出,当比例设置为不少于50%时分类效果最好。
Fig. 2 The NIR, R and NDVI time sequence fitting curve of middle-season rice and late-season rice

图2 中稻、晚稻NIR、R、NDVI时序数据拟合曲线

Fig. 3 Classification results of middle-seasonrice and late-season rice

图3 中-晚稻分布图

6 结论与讨论

本文利用GF-1号遥感影像数据集,构建了一种利用多时相遥感影像对农作物进行分类的方法。通过提取近红外（NIR）波段红光（R）波段反射率特征、归一化植被指数（NDVI）特征,拟合光谱和植被指数时间序列特征曲线,计算出目标特征区域,分析多时相影像离散近红外波段、红光波段、NDVI值落在在拟合水稻NIR、R、NDVI时间序列曲线目标特征区域的比例识别水稻。主要结论如下：
（1）本研究利用基于最小二乘原理的多项式拟合方法对中稻、晚稻NIR、R、NDVI时间序列特征曲线进行拟合,发现拟合次数为3次时拟合效果较好,能够满足后续分类的需要。
（2）设置不同比例（每个像元的多期影像值落入哪种水稻作物目标特征区域的比例）,分类效果不同。当比例设置为不小于50%时,总体精度高达95.76%,中稻和晚稻用户精度高达95.97%、95.95%,有效地减弱了单期影像分类“同谱异物”、“同物异谱”的情况,分类精度最高。若有非水稻作物和水稻特征曲线极为一致,该非水稻作物就无法排除,影响分类精度。
（3）本研究的分类方法能够满足复杂时相组合的分类需要,避免了一些影像被云污染影响作物分类,有效地解决了多云多雾地区云雾对农作物分类的影响,对于南方地区尤为适用。本研究的分类方法适应复杂时相组合,受影像质量的限制较小,使用过程中可利用实验区当年的样本数据进行拟合,构建目标特征区域进行分类。然而,每次分类都需要样本数据拟合,步骤复杂,需要较长时间。今后还需要进一步开展以下研究：① 本研究的目标特征区域是统一的,还可以设置成不统一的目标特征区域宽度进行研究;② 本研究的实验区是以县级为单位进行的实验,在县级范围上同一种作物物候基本一致,拟合的作物光谱、植被指数时间序列曲线适用于整个县域该类作物,如果实验区域范围更大,运用本文方法需要确保整个区域的研究作物物候一致。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Liu J, Liu, M, Tian H, et al. Spatial and temporal patterns of China's cropland during 1990-2000: An analysis based on Landsat TM data[J]. Remote Sensing of Environment, 2005,98(4):442-456.There are large discrepancies among estimates of the cropland area in China due to the lack of reliable data. In this study, we used Landsat TM/ETM data at a spatial resolution of 30 m to reconstruct spatial and temporal patterns of cropland across China for the time period of 1990鈥2000. Our estimate has indicated that total cropland area in China in 2000 was 141.1 million hectares (ha), including 35.6 million ha paddy land and 105.5 million ha dry farming land. The distribution of cropland is uneven across the regions of China. The North-East region of China shows more cropland area per capita than the South-East and North regions of China. During 1990鈥2000, cropland increased by 2.79 million ha, including 0.25 million ha of paddy land and 2.53 million ha of dry farming land. The North-East and North-West regions of China gained cropland area, while the North and South-East regions showed a loss of cropland area. Urbanization accounted for more than half of the transformation from cropland to other land uses, and the increase in cropland was primarily due to reclamation of grassland and deforestation. Most of the lost cropland had good quality with high productivity, but most gained cropland was poor quality land with less suitability for crop production. The globalization as well as changing environment in China is affecting land-use change. Coordinating the conflict between environmental conservation and land demands for food will continue to be a primary challenge for China in the future.

DOI

[2]
Chen L.Uncertainties in rice yield estimation using remote sensing data[D]. Huangzhou: Zhejiang University, 2007.

[3]
郑长春,王秀珍,黄敬峰.多时相MODIS影像的浙江省水稻种植面积信息提取方法研究[J].浙江大学学报(农业与生命科学版),2009,35(1):98-104.为准确获取水稻种植面积,以浙江省为研究区,利用8 d合成MODIS陆地表面反射率数据的特点和水稻典型物候特征,选取水稻种植前的休耕期、秧苗移栽期、生长期和成熟期等多时像MODIS地表反射率影像数据,通过归一化植被指数、增强植被指数及利用对土壤湿度和植被水分含量较为敏感的短波红外波段计算得到的陆地表面水指数进行水稻种植面积信息获取,将提取结果同现状水田与MODIS影像共同提取的数据以及浙江省统计年鉴数据进行对比分析.结果表明,利用MODIS影像的8 d合成地表反射率数据进行平原区域水稻种植面积提取,精度可达90%以上.因此,采用MODIS影像数据进行平原区域水稻遥感监测可以为政府决策部门提供信息服务.

DOI

[ Zheng C C, Wang X Z, Huang J F.Mapping paddy rice planting area in Zh-ejiang Province using multi-temporal MODIS images[J]. Journal of Zhejiang University (Agric & Life Sci), 2009,35(1):98-104. ]

[4]
张焕雪. 湖南省水稻种植面积估算及精度影响研究[D].北京:中国科学院大学,2014.

[ Zhang H X.Rice acreage estimation and accuracy influences analysis in Hunan province[D]. Beijing: University of Chinese Academy of Sciences, 2014. ]

[5]
吴炳方. 中国农情遥感速报系统[J].遥感学报,2004,8(6):481-497.介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。

DOI

[ Wu B F.China Crop Watch System with Rem-ote Sensing[J]. Journal of Remote Sensing, 2004,8(6):481-497. ]

[6]
贾坤,李强子.农作物遥感分类特征变量选择研究现状与展望[J].资源科学,2013,35(12):2507-2516.农作物遥感分类是农作物种植面积估算的重要核心问题,是提高农作 物种植面积估算精度的关键研究内容.特征变量的选择是农作物遥感分类的重要步骤,有效地使用多种特征变量是提高农作物遥感分类精度的关键.随着多源数据获 取的更加容易,电磁波谱特征、空间特征、时间特征以及辅助数据特征在农作物遥感分类中发挥着重要的作用.本文简要回顾和综合分析了在农作物遥感分类中所使 用的各种特征变量,包括多光谱特征、微波散射特征、多源数据特征、高光谱数据特征等电磁波谱特征,以及空间特征、时间特征和辅助数据特征等,并分析了农作 物遥感分类特征变量选择方面存在的问题和发展趋势.指出目前农作物遥感分类特征变量选择存在的关键问题主要包括特征变量选择的理论研究不足和综合应用存在 缺陷两个方面.未来农作物遥感分类特征选择研究的核心内容主要包括生化组分特征及冠层结构特征等农作物遥感分类新特征变量的挖掘、分类特征变量的综合应 用、农作物遥感分类特征变量的敏感性和不确定性研究3个方面.

[ Jia K, Li Q Z.Review of Features Selection in Crop Classification Using Remote Sensing Data[J]. Resources Science, 2013,35(12):2507-2516. ]

[7]
江东,王乃斌,杨小唤,等.NDVI曲线与农作物长势的时序互动规律[J].生态学报,2002,22(2):247-252.利用气象卫星 NOAA AVHRR资料 ,反演出农作物生育期内每日和旬度的 N DVI数据 ,分析了 NDVI时间曲线的波动与农作物生长发育阶段及农作物长势的响应规律 ,并以华北冬小麦为例 ,探讨了 N DVI在冬小麦各生育期的积分值与农作物单产之间的相关关系。结果表明 ,利用长时间序列的 N DVI数据 ,结合作物的物候历 ,可以实现作物长势的遥感监测和产量遥感估算。

DOI

[ Jiang D, Wang N B, Yang X H, et al.Principles of the Interaction Between ND YI Profile and the Growing Situation of Crops[J]. Acta Ecologica Sinica, 2002,22(2):247-252. ]

[8]
索玉霞,王正兴.基于决策树和MODIS植被指数时间序列的中亚土地覆盖分类[J].世界地理研究,2008,17(3):126-130.利用MODIS植被指数时间序列对中亚土地覆盖类型分类进行了研究。MODIS数据时间分辨率高，时间序列数据可以表征植被生理活动的动态变化。从时间序列数据中提取植被物候信息，可以实现对不同土地覆盖类型的定量描述。MODIS数据质量信息波段，记录了研究区遥感数据质量，提供植被指数可用性、气溶胶处理、云、冰雪可能性、合成方法等信息，为植被指数时间序列噪声的去除提供一种新的方法。决策树分类结构清晰、不基于正态统计分布假设、效率高、分类精度高。分类结果与统计数据比较，两者一致性较好，精度验证总体精度95.76％，kappa系数0.9516。

DOI

[ Suo Y X, Wang Z X. Land cover classification of middle Asia based on decision tree and MODIS vegetation index time serials[J]. World Regional Studies, 2008,17(3)126-130. ]

[9]
杨小唤,张香平,江东.基于MODIS时序NDVI特征值提取多作物播种面积的方法[J].资源科学,2004,26(6):17-22.MODIS数据的1、2波段是具有250m空间分辨率的红和近红外波段,并具有较高的时间分辨率,可对农作物进行动态跟踪监测。随着农作物的生长,NDVI值逐渐增大,并在一定生育期达到最大值后开始下降。由于不同作物具有不同的生育期,NDVI峰值的大小、出现的时间各不相同。通过对北京市主要农作物的种植结构调查和3月中旬到11月上旬的不同作物的NDVI值采样分析,得出:①冬小麦NDVI值3月下旬相对较高,5月上旬最大;②春玉米的NDVI峰值出现于8月上旬;③夏玉米的NDVI峰值出现于8月中旬;④大豆的NDVI峰值也出现在8月中上旬,可通过物候历与春玉米区分开来(春玉米是单季作物,大豆是双季作物),通过峰值大小与夏玉米区分开来。结合北京市1:10万土地利用数据,通过NDVI值时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物的种植面积,总体精度达到95%以上。

DOI

[ Yang X H, Zhang X P, Jiang D.Extraction of multi-chop planting areas from MODIS data[J]. Resources Science, 2004,26(6):17-22. ]

[10]
刘佳,王利民,杨福刚,等.基于HJ时间序列数据的农作物种植面积估算[J].农业工程学报,2015,31(3)199-206. 通过对长时间序列遥感影像的波 谱变化特征分析,可以有效地进行农作物种类识别与信息提取,提高农作物种植面积的遥感监测精度。中空间分辨率多光谱遥感影像适合于中国大范围大宗农作物面 积监测,也是能够提供稳定时间序列遥感数据源之一。该研究以河北省衡水市为研究区域,采用2011年10月3日-2012年10月24日期间,16景30 m空间分辨率的HJ-1A/B卫星CCD(电荷耦合元件,charge-coupled device)影像月度NDVI(归一化植被指数,normalized difference vegetation index)时间序列数据,针对冬小麦、夏玉米、春玉米、棉花、花生和大豆等主要作物类型,在全生育期波谱特征曲线分析基础上,提取主要作物类型的曲线特 征,采用基于NDVI阈值的决策分类技术,进行了农作物种植面积遥感识别,以15个规则的2 km×2 km的地面实测GPS(全球定位系统,global positioning system)样方进行了精度验证。考虑到大豆和花生2种作物的NDVI时间序列特征相似性较高,将这2种作物合并为一类进行分类,并命名为小宗作物。结 果表明,冬小麦、夏玉米、春玉米、棉花和小宗作物等5类目标可以有效识别,分类总体精度达到90.9%,制图精度分别为94.7%、94.7%、 82.4%、86.9%和81.2%,其他未分类类别精度为85.9%。利用中高分辨率遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础 上,可以准确地提取大宗农作物种植面积,在农作物面积资源调查中具有较大的应用潜力。

DOI

Liu J ,Wang L M ,Yang F G, et al.Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(3)199-206. ]

[11]
王琳,景元书,杨沈斌.基于多时相遥感数据提取水稻种植面积的研究[J].中国农业资源与区划,2013,34(2):21-26.该文以江苏省为例,探讨MODIS时间序列数据在水稻种植信息获 取中的应用,并进行精度评价.首先利用MODIS数据构建了归一化差值植被指数(NDVI)、增强型植被指数(EVI)和陆表水指数(LSWI).根据植 被指数的时间序列变化特征,结合水稻的生长发育规律,确定江苏省水稻种植面积.对比统计数据,该方法提取水稻种植面积的误差为16％.同时,对环境卫星遥 感影像进行监督分类,提取水稻种植区域.对比二者提取结果,面积相对误差为5％,空间一致性达到60％以上.研究表明,在平原区域利用MODIS数据监测 大尺度水稻种植面积是可行的.

DOI

[ Wang L, Jing Y S,Yang S B.Study on extraction of rice cropping area using multi-temporal remote sensing data[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2013,34(2):21-26. ]

[12]
杨闫君,占玉林,田庆久,等.基于GF-1/WFVNDVI时间序列数据的作物分类[J].农业工程学报,2015,31(24):155-161.归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。

DOI

[Yang Y Q, Zhan Y L, Tian Q J, et al.Crop classification based on GF-1/WFV NDVI time-series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(24):155-161. ]

[13]
李鑫川,徐新刚,王纪华,等.基于时间序列环境卫星影像的作物分类识别[J].农业工程学报,2013,29(2):169-176,298.环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树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。

DOI

[ Li X C, Xu X G, Wang J H, et al.Crop classification recognition based on time-series images from HJ satellite[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(2):169-176,298. ]

[14]
张焕雪,曹新,李强子,等.基于多时相环境星NDVI时间序列的农作物分类研究[J].遥感技术与应用,2015,30(2):304-311.时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取 方面具有重要的应用价值.以黑龙江红星农场为研究区,利用多时相环境星HJ-1 A/B CCD数据及其多期平滑重构后的ND-VI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的 对比分析,研究了增加NDVI时序曲线特征对分类精度的影响.结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了 “椒盐现象”,适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个 多时相HJ-1 A/B CCD数据分类精度提高了5.45％,Kappa系数提高了0.09.通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领 域的应用范围,具有推广价值.

DOI

[ Zhang H X, Cao X, Li Q Z, et al.Research on crop identification using multi-temporal NDVI HJ images[J]. Remote Sensing Technology and Application, 2015,30(2):304-311. ]

[15]
宋晓宇,刘良云,李存军,等.基于单景遥感影像的去云处理研究[J].光学技术,2006,32(2):299-303.去云处理是遥感图像处理以及大气纠正的重要步骤.常规的去云处理 算法会随云的覆盖类型的不同而不同,如同态滤波或时间平均法,这些算法在去除云对影像影响的同时,往往会伴随地物信息的丢失.提出了基于单景遥感影像的去 云处理算法--基于遥感影像分类结果及云检测结果的去云处理算法,目的是去除影像中云的散射影响,恢复地物的光谱信息.算法是针对局部有云的单景 Landsat7 ETM+影像进行的.根据Landsat7 ETM+波段4,5,7对影像进行聚类分析,确定不同地物的覆盖类型;利用波段1,2,3及波段6划分出影像中的无云区以及不同覆盖厚度的云层;按照相同 地物覆盖类型对非云区与不同云区进行平均反射率匹配,以达到去云的效果.结果表明,经过去云处理的影像,在分类运算中能够明显地提高分类精度,能够很好地 恢复地物的光谱信息.

DOI

[ Song X Y, Liu L Y, Li C J, et al.Cloud removing based on single remote sensing image[J]. Optical Technique, 2006,32(2):299-303. ]

[16]
马建文,顾行发,冯春,等.CBERS-02卫星图像薄云的去除方法研究[J].中国科学E辑:信息科学,2005(S1):89-96.中巴地球资源卫星结束了我国依靠外国卫星提供图像的历史. 随着中巴地球资源卫星的系列化和卫星应用成效的不断加强, 探索与之相关的数据处理手段成为必要. 由于成像时大气中常见云层存在, 特别是我国南方地区经常会获得有云图像, 如何去除薄云影响, 提取地表信息, 便成为应用中提高图像可用性的重要环节. 在用改进的同态滤波法定性去除可见光波段的薄云影响后, 将像元分类; 然后根据可见光波段受薄云影响大的特性, 利用可见光波段确定有云、无云区, 并计算无云区不同地类的反射率; 最后, 匹配有云、无云区中相同地类的平均反射率, 达到了去除薄云的目的; 并且在改善目视效果的同时定量反演地表反射率, 达到了遥感定量化的需求.

DOI

[ Ma J W, Gu X F, Feng C, et al.Research on methods for GPS receiver clock offset prediction[J]. Science in China Series E: Information Sciences, 2005,S1:89-96. ]

[17]
梁守真,施平,邢前国.MODISNDVI时间序列数据的去云算法比较[J].国土资源遥感,2011(1)33-36.受多重因素的影响,MODIS NDVI数据产品中存在着大量的噪声,需要进行去噪重建。针对目前几种常用的NDVI时间序列数据去云方法,如HANTS法、SPLINE插值法以及Savizky-Golay法,以山东省MODIS NDVI时间序列数据(一年的)作为检验数据,从不同角度比较几种算法的去云能力和使用范围。结果表明:SPLINE插值法的去噪效果取决于云掩模数据的质量,但有时会产生异常值;HANTS算法和Savizky-Golay算法会改变几乎所有像元的值,得到一个比较平滑的时间序列曲线,但这两种算法的输入参数没有统一标准,需多次试验才能确定最优参数。

DOI

[ Liang S Z, Shi P, Xing Q G.A Caparison between the algorithms for removing cloud pixel from MODISNDVI time series data[J]. Remote Sensing for Land & Resources, 2011:133-36. ]

[18]
刘国栋,邬明权,牛铮,等.基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J].农业工程学报,2015,31(5):160-166.GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星，为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题，该文针对GF-1号卫星数据的特点，研究了基于GF-1号卫星16 m WFV传感器和2 m/8 m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历，选择农作物识别关键期的16 m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取；在中分辨率农作物面积遥感分类图基础上，计算研究区域的MORAN I指数，确定格网抽样单元的大小，进行多目标农作物的MPPS（multivariate probability proportional to size）抽样；对抽样单元采用2 m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图；最后根据MPPS抽样方法进行总体农作物种植面积的推断，并计算CV值，评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明，GF-1号卫星数据完全可以应用于县级农作物种植面积的提取，农作物种植面积提取精度优于90%。

DOI

[ Liu G D, Wu M Q, Niu Z, et al.Investigation method for crop area using remote sensing sampling based on GF-1Satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(5):160-166. ]

[19]
Vermote E F, Tanre D, Deuze J L, et al.Second simulation of the satellite signal in the solar spectrum, 6S: An ove-rview[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(3):675-686.O, CO). The computational accuracy for Rayleigh and aerosol scattering effects has been improved by the use of state-of-the-art approximations and implementation of the successive order of scattering (SOS) algorithm. The step size (resolution) used for spectral integration has been improved to 2.5 nm. The goal of this paper is not to provide a complete description of the methods used as that information is detailed in the 6S manual, but rather to illustrate the impact of the improvements between 5S and 6S by examining some typical remote sensing situations. Nevertheless, the 6S code has still limitations. It cannot handle spherical atmosphere and as a result, it cannot be used for limb observations. In addition, the decoupling the authors are using for absorption and scattering effects does not allow to use the code in presence of strong absorption bands

DOI

[20]
Rouse J W, Haas R H, Schell J A, et al.Monitoring vegetation systems in the Great Plains with ERTS[C]//Stanley C F. Proceedings of third earth resources technology satellite symposium, Washington: NASA Special Publication, 1974:310-317.

[21]
张威,潘剑君,李勇,等.基于冠层光谱特征的冬小麦产量估算研究[J].土壤通报,2015,46(1):169-176.快速准确的粮食作物产量估算对于国家制订粮食政策和农业可持续发展具有重要意义。利用地面高光谱遥感的优点,获取作物冠层的精细光谱,并根据植被绿峰、红边、水汽吸收波段、近红外反射峰及短波红外反射峰等特征构建高光谱指数,从而对冬小麦产量进行预测。结果表明:可见光波段、近红外波段和短波红外波段的光谱反射率与产量从返青期到抽穗期分别达到显著负相关、显著正相关和显著负相关水平;通过分析光谱参量与产量的关系,由植被红边与近红外波段反射峰所定义的归一化植被指数(NDVI)与产量的统计相关特征在所有生育期都是极显著水平,统计相关性优于其他光谱参量,利用该参量所构建的非线性模型估产效果最好,可见利用NDVI指数进行产量预报效果更好。

[ Zhan g W, Pan J J, Li Y, et al. Research on Estimation of grain yield of winter wheat based on canopy spectrum characteristics[J].Chinese Journal of Soil Science, 2015,46(1):169-176. ]

[22]
张敏,袁辉.拉依达(Pau Ta)准则与异常值剔除[J].郑州工业大学学报,1997,18(1):87-91.

[ Zhang M, Yuan H.The Pau Ta criterion and rejecting the abnormal value[J]. Journal of Zhengzhou University of Technology, 1997,18(1):87-91. ]

[23]
陈岚峰,杨静瑜,崔崧,等.基于MATLAB的最小二乘曲线拟合仿真研究[J].沈阳师范大学学报(自然科学版),2014,32(1):75-79.在科学实验及应用中,需要在分析一组测试数据的基础上,求出自变量与应变量之间近似函数关系表达式,以便计算机或其他设计人员利用它来方便地进行其他设计计算,这类问题就是由测得的点求曲线拟合的问题.在系统辨识领域中,最小二乘法作为曲线拟合最常用的方法,因其更为准确、实用而被广泛应用.在介绍基于最小二乘法的曲线拟合原理基础上,结合MATALB软件具体举例分析函数拟合方法和图形界面拟合方法以及MATALB工具箱拟合,并比较分析各种方法拟合效果与特点.通过具体分析可见,函数拟合需要对拟合函数有比较好的了解、编写相关程序,使用较灵活,而图形界面拟合以及曲线拟合工具箱cftool拟合直观、简洁,通过分析得到拟合方程参数及残差,可见拟合精度高、效果好.

DOI

[ Chen L F, Yang J Y, Cui S, et al.MATLAB simulation of curve fitting based on least-squares[J]. Journal of Shenyang Normal University (Natural Science Edition), 2014,32(1):75-79. ]

[24]
陈光,任志良,孙海柱.最小二乘曲线拟合及Matlab实现[J].兵工自动化,2005,24(3):107-108.采用最小二乘曲线拟合,可寻求有限测量数据及其伴随误差的变化规律。曲线拟合先确定拟合模型,再确定函数的所属类。多项式拟合先将其化为双曲线、S型曲线、倒指数曲线、对数曲线等拟合曲线,再求解拟合多项式系数。并用Matlab编制程序,对测量数据进行拟合与仿真。

DOI

[ Chen G, Ren Z L, Sun H Z.Curve fitting in least-square method and its realization with Matlab[J]. Ordnance Industry Automati on, 2005,24(3):107-108. ]

[25]
萧耐园. 周期律在公历纪日中的快速显示及其应用[J].南京大学学报(自然科学版),1995,31(4):539-547.给出一种快速显示公历纪日中周期律的方法，即通过把公历日期的年、月和日分解为各数字位，据此从事先编定的表格中查取相应的＂指数＂，通过简单运算而确定该日在某－纪日周期中的位置。应用这一方法能简便快速地求取公历日期的日干支、星期和儒略日数。

[ Xiao N Y.A rapid reval of periodicities on measure of the civil calendars` dates and its aplications[J]. Journal of Nan jing Unversity (Natural Sciences), 1995,31(4):539-547. ]

Options
Outlines

/

〈 〉