《農(nóng)作物面積遙感監(jiān)測原理與實踐》共10章，主要介紹了農(nóng)作物面積遙感監(jiān)測技術方法，簡要介紹了農(nóng)作物面積遙感監(jiān)測的研究背景及數(shù)據(jù)源情況，詳細描述了基于高分數(shù)據(jù)的農(nóng)作物面積遙感監(jiān)測總體技術路線，并從數(shù)據(jù)的預處理技術、地面樣方獲取技術、農(nóng)作物遙感監(jiān)測分類技術方法及區(qū)域農(nóng)作物面積識別和提取等方面進行了系統(tǒng)性研究，對各類方法進行了實踐檢驗，同時面向海量遙感數(shù)據(jù)處理，搭建農(nóng)作物面積遙感監(jiān)測硬件平臺和軟件環(huán)境，從而對當前農(nóng)作物面積遙感監(jiān)測提取的完整業(yè)務化流程進行描述。
農(nóng)業(yè)統(tǒng)計及決策部門、相關研究機構的農(nóng)業(yè)遙感監(jiān)測研究人員、高等院校農(nóng)業(yè)遙感相關專業(yè)師生等
目錄
第1章 農(nóng)作物面積遙感研究背景 1
1.1 引言 1
1.2 農(nóng)業(yè)遙感監(jiān)測的理論基礎 2
1.3 農(nóng)作物面積遙感監(jiān)測國內(nèi)外研究現(xiàn)狀 5
1.4 農(nóng)作物面積遙感監(jiān)測主要技術方法簡介 7
1.4.1 目視解譯 8
1.4.2 非監(jiān)督分類 8
1.4.3 監(jiān)督分類 9
1.4.4 面向?qū)ο蠓诸?10
1.4.5 決策樹分類 11
1.4.6 混合像元分解 12
1.4.7 空間抽樣法 13
1.4.8 單時相及多時相分類法 13
第2章 農(nóng)作物面積遙感監(jiān)測數(shù)據(jù)源 15
2.1 引言 15
2.2 主要遙感數(shù)據(jù)源介紹 16
2.2.1 MODIS影像 17
2.2.2 Landsat影像 17
2.2.3 RapidEye衛(wèi)星影像 18
2.2.4 WorldView衛(wèi)星影像 19
2.2.5 Sentinel哨兵系列衛(wèi)星影像 20
2.2.6 環(huán)境(HJ)系列衛(wèi)星影像 21
2.2.7 資源(ZY)系列衛(wèi)星影像 22
2.2.8 高分系列衛(wèi)星影像 23
2.2.9 Google Earth影像 24
2.2.10 無人機影像 24
2.3 農(nóng)作物分類輔助數(shù)據(jù) 25
2.3.1 基礎地理信息數(shù)據(jù) 25
2.3.2 統(tǒng)計年鑒資料 25
2.3.3 地面實測數(shù)據(jù) 26
第3章 基于高分數(shù)據(jù)的農(nóng)作物面積遙感監(jiān)測總體技術路線 30
第4章 農(nóng)作物面積遙感監(jiān)測影像預處理技術研究 33
4.1 引言 33
4.2 基于6S大氣輻射傳輸模型的GF-1影像快速大氣校正 34
4.2.1 研究背景 34
4.2.2 6S模型大氣校正概述 35
4.2.3 試驗數(shù)據(jù)獲取 36
4.2.4 基于6S模型的GF-1衛(wèi)星影像大氣校正 37
4.2.5 結(jié)果與分析 41
4.2.6 小結(jié) 46
4.3 基于RPC參數(shù)區(qū)域網(wǎng)平差的GF-1衛(wèi)星影像幾何校正 47
4.3.1 研究背景 47
4.3.2 幾何校正概述 48
4.3.3 試驗數(shù)據(jù)獲取 49
4.3.4 研究方案 51
4.3.5 結(jié)果與分析 53
4.3.6 小結(jié) 58
第5章 農(nóng)作物面積遙感監(jiān)測地面樣方獲取技術研究 59
5.1 引言 59
5.2 無人機遙感數(shù)據(jù)的農(nóng)作物面積提取 59
5.2.1 研究背景 59
5.2.2 研究區(qū)概況 61
5.2.3 研究方案 61
5.2.4 數(shù)據(jù)獲取與應用 62
5.2.5 農(nóng)作物識別 68
5.2.6 小結(jié) 70
5.3 Google Earth影像輔助的農(nóng)作物面積地面樣方調(diào)查 71
5.3.1 研究背景 71
5.3.2 研究區(qū)概況 72
5.3.3 數(shù)據(jù)獲取與處理 73
5.3.4 研究方案 74
5.3.5 結(jié)果與分析 75
5.3.6 小結(jié) 77
第6章 農(nóng)作物遙感監(jiān)測分類技術方法研究 79
6.1 引言 79
6.2 基于目視解譯方法的糧豆輪作項目實施效果遙感監(jiān)測 79
6.2.1 研究背景 79
6.2.2 研究區(qū)概況 80
6.2.3 數(shù)據(jù)獲取與處理 80
6.2.4 研究方案 84
6.2.5 結(jié)果與分析 88
6.2.6 小結(jié) 91
6.3 基于HJ時序影像的多種農(nóng)作物種植面積同時提取 92
6.3.1 研究背景 92
6.3.2 研究區(qū)概況 93
6.3.3 研究方案 93
6.3.4 結(jié)果與分析 97
6.3.5 小結(jié) 101
6.4 基于分層決策樹的高分時序影像農(nóng)作物面積提取 102
6.4.1 研究背景 102
6.4.2 研究區(qū)概況 102
6.4.3 數(shù)據(jù)獲取與處理 102
6.4.4 研究方案 105
6.4.5 結(jié)果與分析 109
6.4.6 小結(jié) 110
6.5 短波紅外波段對農(nóng)作物面積提取精度影響的研究 111
6.5.1 研究背景 111
6.5.2 研究區(qū)概況 112
6.5.3 數(shù)據(jù)獲取與處理 113
6.5.4 地面樣方調(diào)查 113
6.5.5 研究方案 114
6.5.6 結(jié)果與分析 116
6.5.7 小結(jié) 121
6.6 紅邊波段對農(nóng)作物面積提取精度影響的研究 122
6.6.1 研究背景 122
6.6.2 研究區(qū)概況 123
6.6.3 數(shù)據(jù)獲取與處理 124
6.6.4 研究方案 126
6.6.5 結(jié)果與分析 127
6.6.6 小結(jié) 132
6.7 基于森林分類算法的農(nóng)作物精細識別及面積提取應用研究 133
6.7.1 研究背景 133
6.7.2 研究區(qū)概況 134
6.7.3 數(shù)據(jù)獲取與處理 134
6.7.4 研究方案 135
6.7.5 結(jié)果與分析 138
6.7.6 小結(jié) 141
第7章 區(qū)域農(nóng)作物面積識別與提取 143
7.1 研究背景 143
7.2 研究區(qū)域 144
7.3 數(shù)據(jù)獲取及預處理 145
7.3.1 GF-1衛(wèi)星影像預處理 145
7.3.2 基于分類單元的NDVI合成 146
7.3.3 訓練及區(qū)域驗證樣本的獲取 146
7.4 研究方案 150
7.4.1 技術路線 150
7.4.2 中國冬小麥物候特點 150
7.4.3 冬小麥面積指數(shù)影像構建 151
7.4.4 WWAI提取閾值自適應確定 153
7.4.5 種植面積提取精度驗證 153
7.5 結(jié)果與分析 153
7.5.1 重點研究區(qū)冬小麥識別提取及精度驗證 153
7.5.2 區(qū)域冬小麥面積提取與精度驗證 156
7.6 小結(jié) 157
第8章 尺度效應對農(nóng)作物面積提取的影響研究 159
8.1 研究背景 159
8.2 研究區(qū)概況 160
8.3 數(shù)據(jù)獲取與處理 161
8.4 研究方案 162
8.4.1 技術思路 162
8.4.2 地面調(diào)查 163
8.4.3 景觀破碎度計算 163
8.4.4 精度驗證方式 163
8.5 研究過程和結(jié)果 163
8.5.1 冬小麥面積識別精度的尺度效應 163
8.5.2 冬小麥識別精度與景觀破碎度的關系 165
8.5.3 冬小麥像元可識別程度的尺度效應 166
8.5.4 冬小麥斑塊大小的尺度效應 167
8.5.5 冬小麥光譜變化的尺度效應 168
8.6 小結(jié) 169
第9章 農(nóng)作物面積遙感監(jiān)測硬件平臺和軟件環(huán)境 170
9.1 開發(fā)背景 170
9.2 硬件環(huán)境建設 170
9.2.1 硬件結(jié)構概述 170
9.2.2 并行計算集群 170
9.2.3 存儲 174
9.2.4 網(wǎng)絡 175
9.3 管理平臺開發(fā) 175
9.3.1 群管理平臺 175
9.3.2 數(shù)據(jù)庫管理平臺 175
9.3.3 數(shù)據(jù)調(diào)度平臺 178
9.4 運行效率測試 181
9.4.1 并行能力 181
9.4.2 計算效率 182
9.5 小結(jié) 182
第10章 展望 183
參考文獻 185
第1章 農(nóng)作物面積遙感研究背景
1.1 引言
我國是農(nóng)業(yè)大國，糧食生產(chǎn)是關系社會穩(wěn)定和人民生活的重大問題。因此，農(nóng)業(yè)生產(chǎn)情況一直受到國家、各級政府管理部門的高度重視。農(nóng)業(yè)生產(chǎn)中，耕地面積、農(nóng)作物播種面積、農(nóng)作物長勢情況等信息是國家每年制定生產(chǎn)管理措施及經(jīng)濟計劃的重要依據(jù)。因此，通過農(nóng)業(yè)統(tǒng)計調(diào)查，及時獲取農(nóng)作物的種植情況(面積、產(chǎn)量)，估計農(nóng)作物種植面積和農(nóng)作物產(chǎn)量，對國家掌握農(nóng)業(yè)糧食生產(chǎn)狀況，制定合理、有效的農(nóng)村政策措施，確保國家糧食安全具有十分重要的意義。
遙感作為采集地球表面地理目標信息的有效技術手段，以其對地表信息獲取的覆蓋面廣、信息量大、周期短、受地面條件限制少、調(diào)查成本相對較低等優(yōu)點，在農(nóng)情監(jiān)測方面具有明顯的技術優(yōu)勢，是農(nóng)情信息獲取的關鍵技術。近年來，隨著經(jīng)濟的快速發(fā)展，耕地面積逐年減少，區(qū)域內(nèi)糧食種植面積和產(chǎn)量年際與季節(jié)波動幅度大，如何利用遙感技術監(jiān)測主要糧食作物的種植面積和單產(chǎn)，及時地為政府決策部門提供糧食生產(chǎn)狀況，對于糧食宏觀調(diào)控和貿(mào)易，無疑具有非常重要的意義。在農(nóng)作物遙感估產(chǎn)中，農(nóng)作物種植面積的遙感估算是農(nóng)作物產(chǎn)量預測的基礎和主要內(nèi)容；而及時的農(nóng)作物種植面積更新信息對于農(nóng)業(yè)管理十分必要。到目前為止，諸多關于農(nóng)作物種植面積提取的遙感方法與模型已經(jīng)提出并得到廣泛應用。從初的遙感圖像人工目視解譯法到各種基于統(tǒng)計學原理的傳統(tǒng)計算機自動分類方法及其他計算機輔助的遙感分類法，農(nóng)作物遙感信息提取在方法的性與時效性上發(fā)生了質(zhì)的飛躍，計算機遙感圖像分類技術以其可重復性、性、時效性等特點，成為了現(xiàn)代農(nóng)作物種植面積遙感測量的關鍵技術之一。利用遙感技術進行糧食作物種植面積調(diào)查直接的方法是以遙感數(shù)據(jù)作為主要數(shù)據(jù)源，進行分類識別，對分類結(jié)果直接進行統(tǒng)計得到作物面積。根據(jù)不同傳感器及遙感數(shù)據(jù)的空間分辨率、時間分辨率和光譜分辨率的不同，發(fā)展出許多分類識別的方法。
農(nóng)業(yè)遙感監(jiān)測是以遙感技術為主的空間信息技術對農(nóng)業(yè)生產(chǎn)過程進行的動態(tài)監(jiān)測。農(nóng)業(yè)遙感監(jiān)測的內(nèi)容是對主要糧經(jīng)作物的種植面積、作物布局、作物長勢、農(nóng)業(yè)災害發(fā)生與發(fā)展、作物產(chǎn)量等生長過程進行系統(tǒng)監(jiān)測。其范圍大、時效高和客觀的優(yōu)勢是常規(guī)監(jiān)測手段無法企及的。民以食為天，糧食安全問題在過去、現(xiàn)在及未來都是國家生存與發(fā)展的重大問題，如何為我國糧食安全和農(nóng)產(chǎn)品貿(mào)易提供及時的農(nóng)作物長勢、面積、災情定量和動態(tài)信息，已經(jīng)使農(nóng)業(yè)遙感成為決策信息不可替代的重要來源，并和常規(guī)統(tǒng)計調(diào)查手段相結(jié)合，共同構成現(xiàn)代立體型農(nóng)業(yè)信息采集處理分析系統(tǒng)。隨著遙感等空間技術的發(fā)展，農(nóng)業(yè)遙感監(jiān)測在技術發(fā)展和應用深度均進入了一個全新時期，同時，也成為信息農(nóng)業(yè)、精準農(nóng)業(yè)和數(shù)字農(nóng)業(yè)的一個重要組成部分。我國農(nóng)業(yè)遙感監(jiān)測已有30余年的研究歷史，從"六五"計劃開始至現(xiàn)在，經(jīng)歷了技術研究到示范應用這個過程，目前，能在一定程度上滿足國家糧食安全和農(nóng)業(yè)結(jié)構調(diào)整的信息需求。但由于我國國土遼闊、地形復雜、農(nóng)作物種植結(jié)構多樣、農(nóng)戶規(guī)模小，以及遙感技術發(fā)展的局限性，農(nóng)業(yè)遙感在某些關鍵技術和應用運行方面仍然需要加強研究。通過研究和技術改進，使遙感技術在農(nóng)業(yè)領域發(fā)揮更重要的作用。
近年來，隨著我國國產(chǎn)遙感衛(wèi)星不斷發(fā)射，國產(chǎn)高分衛(wèi)星農(nóng)業(yè)技術研究與應用體系日趨成熟，尤其是HJ(環(huán)境)系列衛(wèi)星、ZY(資源)系列衛(wèi)星、GF(高分)系列衛(wèi)星的發(fā)射，研究運用遙感技術進行農(nóng)業(yè)遙感監(jiān)測及農(nóng)作物面積遙感提取技術方法的迫切性不斷提高。本書將以國產(chǎn)GF-1影像為主要數(shù)據(jù)源，結(jié)合其他數(shù)據(jù)(無人機航拍、Google Earth影像、HJ影像等)，系統(tǒng)研究全國主要農(nóng)作物面積業(yè)務化提取技術的完整流程，包括數(shù)據(jù)獲取及預處理技術、農(nóng)作物識別及面積提取技術、全國尺度農(nóng)作物面積業(yè)務化提取技術等，為實現(xiàn)基于國產(chǎn)高分衛(wèi)星數(shù)據(jù)的全國農(nóng)業(yè)遙感監(jiān)測及主要農(nóng)作物面積提取提供了可行的技術路線。
本章將從農(nóng)業(yè)遙感監(jiān)測的理論基礎、農(nóng)作物面積遙感監(jiān)測國內(nèi)外研究現(xiàn)狀及農(nóng)作物面積遙感監(jiān)測主要技術方法三個方面進行敘述，講解農(nóng)作物面積遙感監(jiān)測的發(fā)展、現(xiàn)狀及主要技術方法，使讀者對當前形勢下的農(nóng)業(yè)遙感監(jiān)測有更直觀的了解。
1.2 農(nóng)業(yè)遙感監(jiān)測的理論基礎
遙感技術是從人造衛(wèi)星、飛機或其他飛行器上收集地物目標的電磁輻射信息，并以此對地面環(huán)境或目標進行識別判斷的技術。任何物體都有不同的電磁波反射特征或輻射特征，這些反射特征或輻射特征又可以反映出不同地物的不同物質(zhì)成分和結(jié)構信息。地球上各類型的地物，如植被、水體、土壤、巖石等，具有不同的光譜特征，其特征的差異是進行地物分類識別的基礎。農(nóng)業(yè)遙感的主要研究對象是植被中的農(nóng)作物，農(nóng)作物植被獨特的反射光譜特征、周期性的生長特性及其他特性是農(nóng)業(yè)遙感進行作物反演識別的基礎。
典型植被反射光譜特征如圖1-1所示，地面植被的光譜響應特征明顯區(qū)別于其他地物，其光譜特征既與其內(nèi)在的特性有關，又與植被生長的環(huán)境、植被發(fā)育情況和健康狀況等密切相關。在可見光(0.38～0.78μm)范圍內(nèi)，植被的色素(主要是葉綠素)是形成植被獨特光譜特征的關鍵因素，在0.45μm的藍光波段及0.65μm的紅光波段內(nèi)，葉綠素能吸收掉大部分的入射太陽光，用于光合作用，同時在兩個吸收帶之間的綠色波段(0.54μm)范圍內(nèi)，由于吸收相對較弱，形成一個小的反射峰，因此大部分的植被呈現(xiàn)綠色。而在近紅外波段，植被的光譜特征主要受到植被葉細胞構造的影響，在該波段形成一個非常強烈的反射峰，因此常常使用植被在近紅外波段的高反射率和可見光波段的低反射率的特性進行植被的識別。而在可見光波段與近紅外波段之間(0.67～0.76μm)，植被反射率從低到高迅速攀升，紅邊波段與植被的各項生理參數(shù)密切相關，是描述植物色素狀態(tài)和健康狀態(tài)的重要指示波段，是進行遙感植被調(diào)查的理想波段。在中紅外波段范圍內(nèi)，植被的光譜特征主要受植被中含水量的影響，在1.4μm、1.9μm和2.7μm波段范圍內(nèi)，形成水分的強烈吸收帶，其中，2.7μm是水分的主要吸收波段位置。一般情況下，隨著植被葉片水分含量的減少，植被中紅外波段的反射率將明顯增大。
圖1-1 植被光譜反射特征曲線
農(nóng)作物區(qū)別于其他地類的另一大特性是其周期性生長的特性，即農(nóng)作物的物候期，所謂"春種秋收"、"春華秋實"即描述植被這種周期性的生長特點。依據(jù)農(nóng)作物物候期的規(guī)律，使用不同時相的遙感影像，可以有效區(qū)分植被與非植被、不同種類的植被。使用歸一化植被指數(shù)(normalized difference vegetation index，NDVI)時序曲線可以標記農(nóng)作物的物候期，以冬小麥為例，圖1-2為2013～2014年度華北地區(qū)典型冬小麥的物候曲線，橫軸為時間、縱軸為歸一化植被指數(shù)。冬小麥發(fā)育時期一般可以分為播種期、出苗期、分蘗期、越冬期、返青期、拔節(jié)期、抽穗期、乳熟期和成熟期9個時期，由圖1-2可以看出，冬小麥一般在10月初播種，此時NDVI較小；經(jīng)過出苗期到分蘗期后，冬小麥不斷生長，NDVI逐漸提高；12月中下旬開始進入越冬期后，冬小麥NDVI逐漸降低；至翌年3月開始返青，4月進入生長旺期，冬小麥NDVI達到點；經(jīng)過抽穗期、乳熟期至成熟期后，NDVI逐漸減小，至6月中下旬收割完畢。可見冬小麥整個生長季近8個月，其生長狀態(tài)可以從NDVI時序曲線清晰地反映出來，利用這種獨特的周期性生長特性，結(jié)合多時相遙感影像，可以很好地區(qū)分單景影像上難以區(qū)分的地物類別。
圖1-2 華北地區(qū)冬小麥典型物候曲線
除了作物的光譜特征及物候特性外，作物還具有區(qū)別于其他地物的典型特性。例如，作物生長的耕地一般為平地，因此坡度較小，可以結(jié)合耕地資料或數(shù)字高程模型(DEM)資料進行輔助解譯；作物的紋理一般較為細致，有規(guī)則分割的田埂；水稻等喜水作物附近有灌溉溝渠等。綜合這些作物相關特性，進行作物面積遙感識別監(jiān)測，可以有效提高作物分類提取的精度。圖1-3為GF-2全色與多光譜融合影像，由圖1-3可以看出，在高分辨率尺度下，城鎮(zhèn)地區(qū)紋理粗糙、林地紋理稍顯細密、冬小麥地塊則紋理緊致。
圖1-3 GF-2衛(wèi)星影像典型地物紋理
1.3 農(nóng)作物面積遙感監(jiān)測國內(nèi)外研究現(xiàn)狀
農(nóng)作物種植面積是農(nóng)作物估產(chǎn)的基本要素，其空間分布圖在環(huán)境、經(jīng)濟和政治方面，特別是農(nóng)業(yè)政策方面，具有非常重要的作用(Vaudour et al.，2015；Thenkabail，2010)。我國是世界農(nóng)業(yè)大國，農(nóng)作物面積和產(chǎn)量的豐歉歷來受到我國和世界各級政府部門的高度重視，是國家制定糧食政策和經(jīng)濟計劃的重要依據(jù)。近年來，隨著中國經(jīng)濟的迅猛發(fā)展，農(nóng)業(yè)生產(chǎn)面臨新形勢，加之全球氣候變化等因素的影響，農(nóng)作物種植面積及其空間分布出現(xiàn)波動性變化(蔡劍和姜東，2011；楊曉光等，2010)。快速地掌握我國主要農(nóng)作物種植面積及其空間分布，對于輔助政府有關部門制定科學合理的糧食政策和世界糧食安全具有極其重要的意義，是確保國家糧食安全、合理調(diào)整種植結(jié)構、正確處理"三農(nóng)"問題的重要保障。
我國作物種植種類繁多，主要作物包括冬小麥、玉米、水稻、大豆等，根據(jù)國家統(tǒng)計局統(tǒng)計資料，2015年全國糧食播種面積11334.05萬hm2(170010.75萬畝①)，全國糧食總產(chǎn)量62143.5萬t。長期以來，我國作物面積及產(chǎn)量信息主要依靠抽樣統(tǒng)計調(diào)查，采用行政手段逐級上報匯總的方式獲取，該方法容易受到人為因素的影響，費時費力，越來越難以滿足相關部門管理、決策的需求。遙感影像具有覆蓋面積大、重訪周期短、信息資料豐富、現(xiàn)勢性強、費用低的優(yōu)點，遙感技術已逐步成為作物面積監(jiān)測的重要技術之一，農(nóng)業(yè)遙感監(jiān)測技術的研究也日益受到人們的重視。
在國際上，利用遙感技術進行作物面積監(jiān)測起步較早，并已取得了豐富的成果。早在1974年，美國就開展了"大面積作物估產(chǎn)試驗"(Large Area Crop Inventory and Experiment，LACIE)計劃，應用LandsatMSS影像對作物進行識別，估算作物的面積、單產(chǎn)和總產(chǎn)。到1978年，估產(chǎn)的范圍從美國擴大到全球，估產(chǎn)的對象從小麥擴展到玉米、大豆、水稻等農(nóng)作物，估產(chǎn)的精度也不斷提高，對冬小麥估產(chǎn)的精度達90%以上。LACIE計劃是早開展的農(nóng)業(yè)遙感監(jiān)測工作，成為了遙感在農(nóng)業(yè)上應用的里程碑。在此之后，從1980年開始，美國又制定了"農(nóng)業(yè)和資源的空間遙感調(diào)查計劃"(AGRISTARS)，進行美國及世界多種糧食作物的長勢評估和總產(chǎn)量預報，此計劃成功地將面積抽樣框架技術(areasamplingframe)和遙感技術引入農(nóng)作物種植面積估測中，該計劃的實施為美國農(nóng)業(yè)獲取了巨大的利益。到2009年，美國首次實現(xiàn)了其全國20多種農(nóng)作物的遙感空間分布制圖，并在以后逐年更新，現(xiàn)在已實現(xiàn)每年幾十種農(nóng)作物的監(jiān)測和空間分布制圖，在第二年的1月通過互聯(lián)網(wǎng)向全球，空間分辨率為30m。美國的農(nóng)作物空間分布制圖不僅服務了該國的農(nóng)業(yè)生產(chǎn)，產(chǎn)生的科學數(shù)據(jù)產(chǎn)品還在氣候變化研究、生態(tài)學、土地管理、環(huán)境風險評價、生物能源、植物保護、水資源管理、高效施肥、農(nóng)業(yè)保險等方向有科學研究與應用，推動了科技進步。
歐盟于1987年提出了MARS(Monitoring Agriculture with Remote Sensing)計劃，該項目研究的目的是利用遙感技術開發(fā)出歐盟內(nèi)部農(nóng)業(yè)統(tǒng)計體系的新方法，并研制能夠?qū)嶋H應用的運行系統(tǒng)。該項目中的優(yōu)先研究內(nèi)容包括農(nóng)作物種植面積清查、農(nóng)作物總產(chǎn)量清查、農(nóng)作物總產(chǎn)量預報。MARS可快速提供關于歐洲農(nóng)作物狀況的早期統(tǒng)計信息，這些信息包括每年種植面積較前一年變化的百分比，以及預計當年的農(nóng)作物產(chǎn)量。這些信息必須動態(tài)地在歐盟每月出版的《農(nóng)作物狀況通報》上發(fā)表。MARS主要應用于以下兩個方面：一是針對歐盟范圍內(nèi)的農(nóng)業(yè)補助金申請情況，對農(nóng)作物申報結(jié)果進行核查；二是利用遙感技術對農(nóng)作物進行檢測并進行作物產(chǎn)量估計。2003年，歐盟啟動了全球環(huán)境與安全監(jiān)測(Global M
