这是用户在 2025-1-6 10:01 为 https://app.immersivetranslate.com/pdf-pro/ea15b609-3818-4273-81f5-8ade0b7212c7 保存的双语快照页面，由 沉浸式翻译 提供双语支持。了解如何保存？


来自 GC：通过多源数据整合得出的 30 米全球耕地范围


乐宇 a a  ^("a "){ }^{\text {a }} , 王杰 b b  ^("b "){ }^{\text {b }} , 尼古拉斯·克林顿 a a  ^("a "){ }^{\text {a }} , 辛勤川 a a  ^("a "){ }^{\text {a }} , 钟立恒 c c  ^("c "){ }^{\text {c }} , 陈艳雷 c c  ^("c "){ }^{\text {c }} 和 龚鹏 a,b,c* a,b,c*  ^("a,b,c* "){ }^{\text {a,b,c* }}
a a ^(a){ }^{a} 中国北京，清华大学地球系统科学中心，教育部地球系统建模重点实验室； b b ^(b){ }^{b} 中国北京，国家遥感科学重点实验室，由中国科学院遥感与数字地球研究所和北京师范大学共同赞助； c Department of Environmental Science, c Department of Environmental Science,  ^("c Department of Environmental Science, "){ }^{\text {c Department of Environmental Science, }} 美国加利福尼亚州伯克利，加州大学伯克利分校政策与管理系


（收到日期：2013 年 4 月 26 日；接受日期：2013 年 7 月 2 日）

  摘要


我们报告了一种全球耕地范围产品，具有 30 − m 30 − m 30-m30-\mathrm{m} 空间分辨率，采用了两个 30 − m 30 − m 30-m30-\mathrm{m} 全球土地覆盖图（即 FROM-GLC、Finer Resolution Observation and Monitoring、Global Land Cover；FROM-GLCagg）和一张 250 − m 250 − m 250-m250-\mathrm{m} 耕地概率图。使用了一个通用的土地覆盖验证样本数据库，以确定世界不同地区耕地概率的最佳阈值，从而根据耕地样本的分类准确性生成耕地/非耕地掩模。然后应用决策树将两个 250 − m 250 − m 250-m250-\mathrm{m} 耕地掩模结合起来：一个是文献中已有的掩模，另一个是本研究中生成的掩模，以及 30 − m 30 − m 30-m30-\mathrm{m} 全球土地覆盖图 FROM-GLC-agg。为了与粮农组织企业统计（FAOSTAT）数据库中的国家级耕地面积最小差异，最终的全球耕地范围图是由 FROM-GLC、FROM-GLC-agg 和两个掩模耕地层合成的。从这张图 FROM-GC（全球耕地）中，我们估计 2010 年全球耕地面积为 1533.83 百万公顷（Mha），占 6%。比联合国粮食及农业组织（FAO）在 2010 年报告的面积少 95 Mha（ 0.45 % 0.45 % 0.45%0.45 \% ）。地图与 FAOSTAT 数据之间的逐国比较显示出线性关系（FROM-GC = 1.05 ∗ = 1.05 ∗ =1.05**=1.05 * FAOSTAT − 1.2 ( Mha ) − 1.2 ( Mha ) -1.2(Mha)-1.2(\mathrm{Mha}) with R 2 = 0.97 R 2 = 0.97 R^(2)=0.97R^{2}=0.97 ）。非洲、南美洲、东南亚和大洋洲是与 FAO 调查存在较大差异的地区。


关键词：Landsat；MODIS；全球制图；FROM-GLC；FROM-GLC-agg

  1. 引言


全球范围内的空间明确耕地信息对于全球食品安全研究、农业规划、地球系统和全球变化研究至关重要（Gordon et al. 2005; Thenkabail et al. 2010; Foley et al. 2011; Gong 2011）。基于卫星的地球观测为全球耕地监测提供了空间明确、经济、高效和客观的机会。所有基于遥感的全球土地覆盖/土地利用地图都将耕地视为不可或缺的组成部分。然而，耕地在这些地图中是最为多样化的类型之一。

它由更详细的类别（例如，灌溉、雨养，或甚至特定作物类型）或更一般的类型（例如，农田和其他植被的马赛克）组成，这取决于制图目的和用于制图的卫星图像的空间分辨率（表 1）。全球范围内农田面积估计的不确定性很大。例如，从不同来源估计的农田面积在上一个千年末从 11.1 亿公顷（Bha）到 36.2 亿公顷（Bha）不等。

表 1. 全球产品中的耕地。
  全球地图   参考文献   空间分辨率   耕地相关类型
DISCover Loveland et al. (2000) 1 km
农田，农田/其他植被马赛克
UMD-GLC Hansen et al. (2000) 1 km   农田
GLC2000
巴尔托洛梅与贝尔沃德（2005）		 1 km
耕作和管理区域，马赛克：农田/树木覆盖/其他自然植被，马赛克：农田/灌木和/或草地覆盖
BU-MODIS Friedl et al. (2002, 2010) 500 m
农田，农田/自然植被马赛克
GlobCover Arino et al. (2008); Bontemps et al. (2010)   300 米
洪水后或灌溉农田、雨养农田、马赛克农田/植被（草地、灌木地、森林）、马赛克植被（草地、灌木地、森林）/农田
GLCNMO Tateishi et al. (2011) 1 km
耕地、水稻田、耕地/其他植被马赛克
FROM-GLC Gong et al. (2013)   30 米
耕地（稻田、温室、其他）、果园、管理草地、暂时裸露的耕地
FROM-GLC-seg Yu et al., IJRS, (2013)   30 米
耕地（稻田、温室、其他）、果园、管理草地、暂时裸露的耕地
FROM-GLC-agg
Yu et al.（审稿中）		   30 米
耕地（稻田、温室、其他）、果园、管理草地、暂时裸露的耕地
SAGE-Agri Ramankutty et al. (2008)   10 公里   耕地，牧场
HYDE 3.1 Goldewijk et al. (2010)   10 公里   耕地，牧场
GIAM
Thenkabail 等人 (2009)		   10 公里
灌溉农田（28 种）
GMRCA Biradar et al. (2009)   10 公里
雨养农田（9 种类型）
SAGE-Crop Monfreda, Ramankutty, and Foley (2008)   10 公里
玉米，稻米，小麦，大豆
MIRCA2000 Portmann, Siebert, and Döll (2009)   10 公里
灌溉农田（26 种）
  MODIS-农田 Pittman et al. (2010) 250 m   耕地
Global maps References Spatial resolution Cropland related types DISCover Loveland et al. (2000) 1 km Croplands, cropland/other vegetation mosaic UMD-GLC Hansen et al. (2000) 1 km Croplands GLC2000 Bartholomé & Belward (2005) 1 km Cultivated and managed areas, Mosaic: cropland/tree cover/other natural vegetation, Mosaic: cropland/ shrub and /or grass cover BU-MODIS Friedl et al. (2002, 2010) 500 m Croplands, cropland/natural vegetation mosaics GlobCover Arino et al. (2008); Bontemps et al. (2010) 300 m Post-flooding or irrigated croplands, rainfed croplands, Mosaic Cropland/ vegetation(grassland, shrubland, forest), mosaic vegetation(grassland, shrubland, forest)/cropland GLCNMO Tateishi et al. (2011) 1 km Cropland, paddy field, cropland/other vegetation mosaic FROM-GLC Gong et al. (2013) 30 m Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands FROM-GLC-seg Yu et al., IJRS, (2013) 30 m Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands FROM-GLC-agg Yu et al. (in review) 30 m Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands SAGE-Agri Ramankutty et al. (2008) 10 km Cropland, pasture HYDE 3.1 Goldewijk et al. (2010) 10 km Cropland, pasture GIAM Thenkabail et al. (2009) 10 km Irrigated cropland (28 types) GMRCA Biradar et al. (2009) 10 km Rainfed cropland (9 types) SAGE-Crop Monfreda, Ramankutty, and Foley (2008) 10 km Corn, rice, wheat, soybean MIRCA2000 Portmann, Siebert, and Döll (2009) 10 km Irrigated cropland (26 types) MODIS-Cropland Pittman et al. (2010) 250 m Cropland| Global maps | References | Spatial resolution | Cropland related types | | :---: | :---: | :---: | :---: | | DISCover | Loveland et al. (2000) | 1 km | Croplands, cropland/other vegetation mosaic | | UMD-GLC | Hansen et al. (2000) | 1 km | Croplands | | GLC2000 | Bartholomé & Belward (2005) | 1 km | Cultivated and managed areas, Mosaic: cropland/tree cover/other natural vegetation, Mosaic: cropland/ shrub and /or grass cover | | BU-MODIS | Friedl et al. (2002, 2010) | 500 m | Croplands, cropland/natural vegetation mosaics | | GlobCover | Arino et al. (2008); Bontemps et al. (2010) | 300 m | Post-flooding or irrigated croplands, rainfed croplands, Mosaic Cropland/ vegetation(grassland, shrubland, forest), mosaic vegetation(grassland, shrubland, forest)/cropland | | GLCNMO | Tateishi et al. (2011) | 1 km | Cropland, paddy field, cropland/other vegetation mosaic | | FROM-GLC | Gong et al. (2013) | 30 m | Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands | | FROM-GLC-seg | Yu et al., IJRS, (2013) | 30 m | Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands | | FROM-GLC-agg | Yu et al. (in review) | 30 m | Cropland (paddy rice, greenhouse, others), orchard, managed grasslands, temporally bare croplands | | SAGE-Agri | Ramankutty et al. (2008) | 10 km | Cropland, pasture | | HYDE 3.1 | Goldewijk et al. (2010) | 10 km | Cropland, pasture | | GIAM | Thenkabail et al. (2009) | 10 km | Irrigated cropland (28 types) | | GMRCA | Biradar et al. (2009) | 10 km | Rainfed cropland (9 types) | | SAGE-Crop | Monfreda, Ramankutty, and Foley (2008) | 10 km | Corn, rice, wheat, soybean | | MIRCA2000 | Portmann, Siebert, and Döll (2009) | 10 km | Irrigated cropland (26 types) | | MODIS-Cropland | Pittman et al. (2010) | 250 m | Cropland |

（Biradar et al. 2009）。此外，不同全球地图上耕地面积的争议也很大（Fritz, See, and Rembold 2010；Vancutsem et al. 2013）。

大多数全球耕地地图是在较粗的空间分辨率（250 米或更大）下开发的。使用像 Landsat TM/ETM+这样的高分辨率影像相较于使用粗分辨率影像有一些优势，例如能够检测小块耕地和作物类型（Xiao et al. 2003; Velpuri, Thenkabail, and Gumma 2009）。目前，FROM-GLC、FROM-GLC-seg 和 FROM-GLC-agg 是地球上仅有的三幅 30 − m 30 − m 30-m30-\mathrm{m} 分辨率的一般土地覆盖类型地图（Gong et al. 2013; Yu, Wang, and Gong 2013 以及 Yu, Wang, and Gong 在审稿中）。在这三幅 FROM-GLC 地图中，全球耕地的用户精度和生产者精度分别在 43.43 % 43.43 % 43.43%43.43 \% 到 57.60 % 57.60 % 57.60%57.60 \% 和 37.59 % 37.59 % 37.59%37.59 \% 到 67.63 % 67.63 % 67.63%67.63 \% 之间。FROM-GLCagg 是三者中最好的（Yu, Wang, and Gong 在审稿中）。FROM-GLC（-seg，-agg）中的耕地与其他植被类型（即草地、森林、灌木地）和裸地混淆，尤其是与草地，因为从土地覆盖的角度来看，耕地和草地都是以草为主，并且具有相似的光谱和物候特征。

在本研究中，我们开发了一种集成方法来生成 30 − m 30 − m 30-m30-\mathrm{m} 分辨率的全球耕地范围。使用了五个数据源，包括（1）一个 30 − m 30 − m 30-m30-\mathrm{m} 全球土地覆盖图 - FROM-GLC（Gong et al. 2013），该图仅以 Landsat TM/ETM +影像为输入；（2）一个 30 米的全球土地覆盖图 - FROM-GLCagg（Yu, Wang, and Gong in review），这是 FROM-GLC 的改进版本；（3）一个 250 − m 250 − m 250-m250-\mathrm{m} 耕地范围概率/掩膜（Pittman et al. 2010），在本研究中被视为耕地/草地指示图；（4）一个全球土地覆盖验证样本数据库（Zhao et al., in review），用于确定耕地概率的阈值，以生成新的耕地/非耕地掩膜；以及（5）粮食及农业组织企业统计（FAOSTAT）数据库（http://faostat.fao.org/），提供各国（包括领土）的农业面积清单数据。通过为每个国家从四个候选图（两个现有的和两个在本研究中生成的）中选择最佳耕地图，合成了一个 30 − m 30 − m 30-m30-\mathrm{m} 全球耕地图（FROM-GC）。 本研究中耕地的定义与联合国粮食及农业组织（FAO）对“可耕作土地和永久作物”的定义一致，而不是所有的“农业用地”，例如，“永久性牧场”不包括在内。

  2. 数据集

2.1. FROM-GLC


FROM-GLC（Gong et al. 2013）是通过对近 9000 幅覆盖全球（除了南极洲和格林兰）的 Landsat TM/ETM +影像（约 2010 年）进行基于支持向量机的监督分类而生成的。总共收集了超过 90,000 个训练样本，这些样本是通过对 TM/ETM +影像的人为解译获得的，并参考了 2010 年全年 MODIS 时间序列、高分辨率影像、实地照片和 Google Earth 中的数字高程数据。由于单日期的限制，Landsat TM/ETM +影像是 FROM-GLC 中的唯一输入。因此，由于缺乏物候信息，农田和其他植被覆盖类型的准确性有限。在 FROM-GLC 中，农田的生产者准确率和用户准确率仅为 39.23 % 39.23 % 39.23%39.23 \% 和 45.27 % 45.27 % 45.27%45.27 \% 。

2.2. FROM-GLC-agg


使用相同的 FROM-GLC 样本，基于中等分辨率成像光谱仪（MODIS）数据衍生的时间序列增强植被指数（EVI）、生物气候变量和数字高程模型被作为额外输入用于基于分段的图像分类。这导致了 FROM-GLC-seg（Yu, Wang, and Gong 2013），这是 FROM-GLC 的改进全球土地覆盖版本。在 FROM-GLC-seg 中，FROM-GLC 的植被类型分类准确性得到了显著提高，但水体和不透水表面的细节未被绘制。FROM-GLC-agg（Yu, Wang, and Gong in review）通过聚合 FROM-GLC 和 FROM-GLC-seg 进一步改进，使用了两个粗分辨率的不透水地图，即夜间灯光不透水表面面积和 MODIS 城市范围。在 FROM-GLC-agg 中，农田的生产者和用户准确性分别为 66.62 % 66.62 % 66.62%66.62 \% 和 57.60 % 57.60 % 57.60%57.60 \% 。


2.3. MODIS 农田扩展


MODIS 耕地扩展包括两个产品：耕地概率和耕地/非耕地掩膜（Pittman et al. 2010）。根据来自美国农业部外部农业服务（USDA-FAS）生产、供应和分配（PSD）数据库的每个地区耕地面积数据，在全球 13 个地区（即印度、中国、美国、俄罗斯、阿根廷、加拿大、澳大利亚、非洲、欧洲、中亚、东南亚和拉丁美洲）中，对每个 250 − m 250 − m 250-m250-\mathrm{m} MODIS 像素的耕地概率进行了阈值处理。


2.4. 全球通用验证样本


总共产生了 38,664 个预先确定的未对齐采样方案的测试样本（Zhao et al. in review）。我们从该数据库中提取了 3945 个农田样本和 5852 个草地样本，以确定每个 MODIS 农田概率图块的阈值，从而生成新的农田/非农田掩膜。农田样本与 Pittman et al. (2010)所产生的农田掩膜之间存在较大分歧，其中仅有 1150 个（ ∼ 29.15 % ∼ 29.15 % ∼29.15%\sim 29.15 \% ）农田样本在农田掩膜中被标记为农田。

  2.5. FAOSTAT 数据库


FAOSTAT 数据库每年记录各国土地资源的库存。FAOSTAT 中的数据来自全球 200 多个国家的官方报告。本研究中耕地的定义与 FAO 对“可耕地”加“永久耕地”的定义一致。在 FAO 的定义中：

耕地是指用于临时农业作物的土地（多作物地区仅计算一次）、用于割草或放牧的临时草地、市场和厨房花园的土地以及暂时休耕的土地（少于五年）。由于轮作而废弃的土地不包括在此类别中。永久作物是一次播种或种植，然后在几年内占用土地，且在每年收获后不需要重新种植，例如可可、咖啡和

橡胶。该类别包括开花灌木、果树、坚果树和藤本植物，但不包括用于木材或木材生产的树木。’ ( http://faostat.fao.org/site/379/Desktop Default.aspx?PageID = 379 = 379 =379=379 )

这两个定义的结合与 FROM-GLC 分类系统中的五种二级类型（即耕地-水稻、耕地-温室、耕地-其他作物、裸地-季节性裸地和森林-果园）的结合是一致的（Gong et al. 2013）。

  3. 方法

  3.1. 阈值处理


国家级库存数据已被用于校准基于遥感的农田产品（Ramankutty & Foley 1998; Ramankutty et al. 2008）。相同的策略也被用于寻找分割农田概率的阈值，以获得农田/非农田掩模（Pittman et al. 2010）。这种校准或阈值方法的一个明显优点是确保从基于遥感的地图计算的农田面积接近库存数据，如 FAOSTAT 或 USDA-FAS PSD 等。该方法的缺点是（1）地图可能受到不准确的库存数据的偏差影响，和（2）对于大面积的单一阈值无法反映不同的区域特征。

为了确定每个 MODIS 农田概率的阈值，我们没有使用国家级库存数据，而是使用全球验证样本（Zhao et al., in review）作为指导。我们遍历了从 0 到 100 的所有概率值（0 表示不存在农田，100 表示全为农田），并计算了从全球验证样本中提取的 3945 个农田样本和 5852 个草地样本的整体准确性。选择在区分农田和草地方面具有最佳准确性的阈值作为该图块的最佳阈值。最终的农田/非农田掩膜被表示为农田掩膜 s s _(s){ }_{\mathrm{s}} （下标 s 表示这是一个基于样本的掩膜）。

  3.2. 地图集成


决策规则用于将 FROM-GLC-agg（30 米）与农田/非农田掩膜（250 米）进行整合。分别使用了两个农田掩膜，即（1）由 Pittman 等人（2010）生成的基于清单的掩膜，记作 mask（下标 i 表示清单），其阈值由其自身选择，以及（2）在第 3.1 节中介绍的基于样本的掩膜。这里有两个简单的决策规则：（1）当 FROM-GLC-agg 中标记为农田类型的像素在掩膜 i i _(i)_{\mathrm{i}} 或掩膜 s s _(s){ }_{\mathrm{s}} 中被标记为非农田时，该像素则标记为草地；（2）当 FROM-GLC-agg 中标记为草地的像素且概率值大于 50 时，该像素则标记为农田。根据这两个简单规则，生成了两个农田产品，即对应于使用掩膜 i i _(i){ }_{\mathrm{i}} 和掩膜 s s _(s){ }_{\mathrm{s}} 的 FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland s s _(s){ }_{s} 。


3.3. 耕地面积综合图


然后使用四个候选耕地范围地图（即 FROM-GLC（耕地类型）、FROM-GLC-agg（耕地类型）、FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland s s _(s){ }_{s} ）通过选择与 FAOSTAT 对于特定国家的面积差异最小的耕地产品来合成最终的全球耕地范围地图。


4. 结果与讨论

  4.1. 结果


最终合成的全球耕地范围图如图 1 所示。根据该图，2010 年全球耕地面积为 1533.83 百万公顷（Mha），比 FAO 报告的同年面积少 6.95 Mha ( 0.45 % ) ( 0.45 % ) (0.45%)(0.45 \%) 。

四个候选地图（即 FROM-GLC、FROM-GLC-agg、FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland d s d s d_(s)d_{s} ）对 FROM-GC 的贡献各不相同。不同的候选地图表示不同的数据来源和用于估算耕地范围的整合策略。在 FROM-GLC 中，耕地层是通过六个 Landsat TM/ETM + 的光谱波段确定的；使用该来源的耕地信息的国家是那些在生长季节内主要获取 Landsat 图像的国家。在 FROM-GLC-agg 中，耕地是通过 Landsat TM/ETM+、MODIS EVI 时间序列和其他数据类型进行制图的；使用该来源的耕地信息的国家是那些能够利用额外的物候信息区分耕地和草地的国家。同样，FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland s s  _("s ")_{\text {s }} 也帮助一些国家更好地区分耕地和草地。最终的全球耕地地图 - FROM-GC - 是由这四个候选地图合成的。

根据清单数据，FROM-GLC 被选择用于 35 个国家（包括俄罗斯、巴西、乌克兰、巴基斯坦、西班牙、德国、布基纳法索等），覆盖了 24.29 % 24.29 % 24.29%24.29 \% 的全球耕地面积；其余 202 个国家选择了 FROM-GLC-agg 以及两个新衍生的 FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland s s  _("s "){ }_{\text {s }} 。在这些国家中，8 个国家（包括孟加拉国、阿塞拜疆、塞浦路斯等）、33 个国家（包括加拿大、阿根廷、尼日利亚、泰国、缅甸、刚果民主共和国等）和 161 个国家（包括印度、美国、中国、澳大利亚、墨西哥、印度尼西亚、前苏丹、土耳其、伊朗等）分别选择了 FROM-GLC-agg、FROM-Cropland i i _(i){ }_{i} 和 FROM-Cropland s s _(s){ }_{s} ，各自覆盖了 0.56 % , 12.82 % 0.56 % , 12.82 % 0.56%,12.82%0.56 \%, 12.82 \% 和 62.33 % 62.33 % 62.33%62.33 \% 的全球耕地面积。FROM-Cropland s s _(s){ }_{s} 在国家数量和覆盖面积方面是最受欢迎的耕地产品。

在国家层面，FROM-GC 与耕地清单数据之间可以看到良好的一致性。决定系数 R 2 R 2 R^(2)R^{2} 为 0.97，线性回归的斜率为 1.04（图 2）。就线性拟合参数而言， R 2 R 2 R^(2)R^{2} 和斜率，FROM-GC 中的耕地面积优于 FROM-GLC 中的耕地面积（ R 2 : 0.91 R 2 : 0.91 R^(2):0.91R^{2}: 0.91 ，斜率：1.52）和 FROM-GLC-agg（ R 2 : 0.93 R 2 : 0.93 R^(2):0.93R^{2}: 0.93 ，斜率：1.1.20）。耕地覆盖率较大的国家（FAOSTAT 前 30 名）与清单数据（ R 2 : 0.96 R 2 : 0.96 R^(2):0.96R^{2}: 0.96 ，斜率：1.05）也表现出良好的一致性（图 3）。然而，FROM-GC 低估了大多数耕地覆盖率较小（少于 100 公顷）国家的耕地面积。拟合优度 R 2 R 2 R^(2)R^{2} （非常接近 1）表明，使用国家级清单数据指导土地覆盖制图中选择的阈值的方法适用于大多数国家。

图 1. 综合全球耕地范围 - FROM-GC。

图 2. 各国层面 FROM-GC 与 FAOSTAT 耕地面积数据的比较。

  4.2. 讨论


尽管在国家层面的比较中，如图 2 和图 3 所示，结果相符良好，但 FROM-GC 和 FAOSTAT 数据之间的总耕地面积在不同地区有所差异（图 4，表 2）。图 4 中的饼图显示， 136 ( = 12 + 26 + 62 + 36 ) 136 ( = 12 + 26 + 62 + 36 ) 136(=12+26+62+36)136(=12+26+62+36) 个国家的耕地面积被 FROM-GC 高估或低估超过 20 % 20 % 20%20 \% ，与相应的 FAOSTAT 数据相比。这些国家主要位于非洲（尤其是中部和西部非洲）、南美洲、东南亚和大洋洲（表 2）。

热带地区农田面积的低估是由于几个原因造成的。(1) 该地区的云层覆盖（及其伴随的阴影）降低了光学传感器图像估计任何土地覆盖类型范围的能力。多时相图像可以帮助排除云层影响。然而，对于某些地区（例如印度尼西亚），在无云窗口中获取图像是困难的。适当使用合成孔径雷达（SAR）数据（可以穿透云层）可能是一个解决方案（例如，Chakraborty, Panigrahy, 和 Sharma 1997; Mayaux, De Grandi, 和 Malingreau 2000; Shao et al. 2001; Bouvet & Toan 2011）。(2) 这些地区农田的斑块大小较小，导致在 30 − m 30 − m 30-m30-\mathrm{m} 分辨率下光谱混合。更高分辨率的图像和像素解混合方法可能有所帮助（例如，Yang, Everitt, 和 Murden 2011; Thenkabail et al. 2004; Pacheco & McNairn 2010）。(3) 捕捉特定作物类型不同生长阶段的样本不足也加剧了这个问题。例如，如果水淹稻田没有被

  1. *通讯作者。电子邮件：penggong@tsinghua.edu.cn