! 7 ,     江苏省市场监督管理局 发 布 中 国 标 准 出 版 社 出 版小麦种植面积卫星多光谱图像智能 监测规程 Technical code of practice for intelligent monitoring of wheat planting area by satellite multi‑spectral image 2025 ‑10‑30发布 2025 ‑11‑30实施CCS B 22 DB32/T 5234 —2025ICS 65.020.20DB32/T 5234 —2025 前言…………………………………………………………………………………………………………… Ⅲ 1 范围………………………………………………………………………………………………………… 1 2 规范性引用文件 …………………………………………………………………………………………… 1 3 术语和定义 ………………………………………………………………………………………………… 1 4 缩略语……………………………………………………………………………………………………… 2 5 种植面积智能监测流程 …………………………………………………………………………………… 2 6 卫星图像选择 、处理及其质量控制 ………………………………………………………………………… 4 7 调查数据准备及其质量控制 ……………………………………………………………………………… 5 8 精度检验与评价 …………………………………………………………………………………………… 6 9 监测产品制作 ……………………………………………………………………………………………… 6 参考文献 ………………………………………………………………………………………………………… 8目 次 ⅠDB32/T 5234 —2025 前 言 本文件按照 GB/T 1.1—2020《标准化工作导则　第 1部分：标准化文件的结构和起草规则 》的规定 起草。 请注意本文件的某些内容可能涉及专利 。本文件的发布机构不承担识别专利的责任 。 本文件由江苏省农业农村厅提出并组织实施 。 本文件由江苏省农作物标准化技术委员会归口 。 本文件起草单位 ：扬州大学 、江苏省农业科学院 、扬州市耕地质量保护站 、江苏诺丽慧农农业科技有 限公司、农芯（南京）智慧农业研究院有限公司 。 本文件主要起草人 ：洪青青、谭昌伟、张云倩、邱琳、王晶晶、刘翔麟、毛伟、陈明、赵海涛、张永涛、 吴文彪。 ⅢDB32/T 5234 —2025 小麦种植面积卫星多光谱图像智能 监测规程 1 范围 本文件确立了小麦种植面积智能监测流程 ，规定了卫星图像选择 、处理及其质量控制 、调查数据准备 及其质量控制 、精度检验与评价及监测产品制作等要求 。 本文件适用于利用多光谱卫星图像在江苏区域内对小麦种植面积进行监测与调查 。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款 。其中，注日期的引用文 件，仅该日期对应的版本适用于本文件 ；不注日期的引用文件 ，其最新版本 （包括所有的修改单 ）适用于本 文件。 QX/T 364　卫星遥感冬小麦长势监测图形产品制作规范 DB32/T 3781　遥感监测小麦苗情及等级划分 3 术语和定义 下列术语和定义适用于本文件 。 3.1 种植面积卫星图像监测 monitoring wheat planting area by satellite image 在收集分析作物光谱特征的基础上 ，通过卫星图像记录的地表信息 ，识别作物的类型 ，统计作物的种 植面积。 3.2 监测时期 monitoring period 监测小麦生长的某一时间段 。 3.3 传感器 sensor 通过电磁波 、光谱等非接触方式 ，能感测事物并能将感测的结果传递给使用者的仪器 。 ［来源：NY/T 4370 —2023，4.1，有修改］ 3.4 辐射定标 radiometric calibration 将传感器记录的无量纲的图像灰度值 （ditigal number ，DN）转换成具有实际物理意义的大气顶层辐 射亮度或反射率 。 3.5 投影变换 projection transformation 将一种地图投影点的坐标变换为另一种地图投影点的坐标的过程 。 1DB32/T 5234 —2025 3.6 归一化植被指数 normalized difference vegetation index 近红外波段反射率与红光波段反射率之差与之和的比值 。 3.7 监督分类法 supervised classification 用被确认类别的样本像元或对象去识别其他未知类别像元或对象的过程 。 3.8 总体精度 overall accuracy 被正确分类的像元总数与总像元数的比值 。 注1： 总体精度为分类精度指标之一 。 注2： 像元总数等于所有地表真实分类中的像元总和 。 3.9 几何精校正 geometric calibration 消除图像中的几何变形 ，产生一幅符合某种地图投影或图形表达要求的新图像 。 3.10 大气校正 atmospheric correction 消除或减弱获取卫星遥感影像时在大气传输过程中因吸收或散射作用而引起的辐射畸变 。 ［来源：NY/T 3922 —2021，3.11］ 3.11 大田麦区 large‑scale wheat planting area 小麦产区内 ，形成的集中连片 、适于规模化生产和统一管理 ，且种植面积不小于 1 km2的麦田区域 。 4 缩略语 下列缩略语适用于本文件 。 DEM：数字高程模型 （Digital Elevation Model ） NDVI：归一化植被指数 （Normalized Difference Vegetation Index ） OA：总体精度 （Overall Accuracy ） 5 种植面积智能监测流程 5.1 概述 小麦种植面积智能监测流程图见图 1。 5.2 确定监测区地物种类 根据多光谱卫星图像上地物的光谱可分性 ，结合实地调查和收集的资料 ，确定监测区的主要地物种 类为耕地或非耕地 。将主要河流 、河道、沟渠、池塘、水洼地、主要公路 、乡村路、城镇街道 、建筑厂房用地 、 城镇及乡村居民点等明确的非耕地对象采用监督分类的方法进行勾划 。 5.3 建立主要地物类型分类标志 根据图像上的色调 、亮度、形状、纹理、地形以及地物间的相关关系 ，结合收集和实地调查的地物分布 数据，利用最大似然法提取各类典型地物的光谱训练样本 ，建立小麦 、大麦、韭菜等主要地物类型的分类 标志，为后续分类提供依据 。 2DB32/T 5234 —2025 D  -' .1 5 K' L5 &" A@3 />' 11 S.L/ 6+" D3S .L/+"3  U/%7* U/%7*  J $(A 图1　小麦 种植面积智能监测流程图 5.4 小麦种植面积智能监测 基于多光谱遥感图像 ，利用红光与近红外波段计算得到归一化植被指数 （NDVI） ，以表征植被生长 状况。根据 0.15<NDVI 中期 <0.2且NDVI后期 >0.3，提取出小麦种植区域 ，实现小麦种植面积智能 监测。 5.5 监测结果修正 监测结果中仍然存在小部分 “错分”或“漏分”的现象，对于光谱混淆明显 ，导致错分的地物类型 ，需要 根据收集到的监测区土地利用图 、功能区划图及调查资料等相关资料 ，对种植面积监测结果进行判读修 正。对于小麦种植面积占 60%以上的混合像元 ，可将该像元判读为小麦 。 3DB32/T 5234 —2025 6 卫星图像选择 、处理及其质量控制 6.1 卫星图像选择 6.1.1 选择多时相图像 图像收集时间范围为 1月上旬 —5月中旬的小麦返青期至成熟期 ，至少保证小麦生长前期 （1月上 旬—2月上旬，为前期图像 ） 、生长中期 （3月下旬 —4月下旬，为中期图像 ） 、生长后期 （5月，为后期图像 ） 分别有一期卫星图像 。 6.1.2 卫星图像波段选择 确保所选的卫星图像至少具有红波段 （620 nm~ 760 nm）和近红外波段 （760 nm~ 1 040 nm）的覆盖。 6.1.3 空间分辨率选择 选择空间分辨率大于 30 m的卫星图像 。 6.2 图像处理 6.2.1 辐射定标 基于卫星数据头文件提供的信息 ，利用绝对定标系数将 DN值图像转换为表观反射率图像 ，计算公 式为： ρ=gain×DN+bias ………………………… （ 1 ） 式中： ρ——大气表观反射率 ； bias——偏移量； gain——绝对定标系数增益 。 6.2.2 几何精校正 采用多项式对卫星图像校正 。均匀选取卫星图像上不同类型地物的控制点 ，要求每景卫星图像至少 选取 30个控制点 ，对地形起伏较大地区加密控制点 ，选择空间分辨率为 10 m的图像，采用双线性内插进 行卫星图像重采样 ，结合数字高程模型 （DEM）消除地形引起的像点位移得到正射校正图像 。 6.2.3 坐标投影转换 针对全球 、大洲、国家级别的大尺度空间范围 ，将卫星图像坐标系统转为 Albers等积正割圆锥投影 ， 其参数设置如下 ：投影类型 Albers Conical Equal Area ，第一条标准纬线纬度