中國農(nóng)業(yè)資源與區(qū)劃寫作模版

1、小五黑體正文，五號宋體中國農(nóng)業(yè)資源與區(qū)劃論文寫作模板欄目名稱 四號黑體基于中分辨 TM數(shù)據(jù)的水稻提取方法對比研究1三號黑體空1行李 1, 劉 2, 吳 1, 譚 1,楊1,*小四宋體，居中（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/ 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081； 2.中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣州，510275）小五宋體空 1 行摘 要 水稻種植面積監(jiān)測是當(dāng)前農(nóng)業(yè)土地變化科學(xué)的熱點(diǎn)問題，但運(yùn)用遙感技術(shù)對水稻種植面積精確實(shí)施監(jiān)測一直是難點(diǎn)。 中分辨率遙感影像能夠滿足我國大面積水稻作物監(jiān)測，成為業(yè)務(wù)化運(yùn)行的主要數(shù)據(jù)源。為此 , 本研究嘗試以中分辨率TM影像為數(shù)據(jù)源 ,

2、結(jié)合神經(jīng)網(wǎng)絡(luò)和面向?qū)ο螅⊿VM）兩種算法對對黑龍江省富錦市 2010 年兩期不同時(shí)相影像分別進(jìn)行水稻分類提取，并對分類結(jié)果進(jìn)行濾波處理及混淆矩陣精度評定。結(jié)果表明：（ 1）在高緯度單季稻生長區(qū)，面向?qū)ο蠓诸愃惴ǖ木蕊@著高于神經(jīng)網(wǎng)絡(luò)的分類精度，水稻用戶精度和生產(chǎn)者精度在6 月份分別高0.55%、1.37%，在 8 月份分別高 0.62%、2.34%；（ 2）對神經(jīng)網(wǎng)絡(luò)分類的結(jié)果進(jìn)行 Majority濾波處理，在一定程度上可以改善水稻分類的精度，水稻用戶精度和生產(chǎn)者精度在6月份分別提高 0.14%、0.5%， 在 8 月份分別提高1.56%、1.43%；（3）選取關(guān)鍵水稻物候期的遙感影像獲取水稻

3、種植面積的精度更高，返青期水稻提取精度要高于乳熟期，其中神經(jīng)網(wǎng)絡(luò)算法的水稻用戶精度及生產(chǎn)者精度分別提高 2.67%、 3.45%；面向?qū)ο笏惴ǖ乃居脩艟燃吧a(chǎn)者精度分別提高2.6%、2.48%。未來需要重點(diǎn)考慮建立全國水稻物候歷信息、面向?qū)ο笏惴ㄖ凶詣踊顑?yōu)尺度分割方法來提高水稻分類的精度。（字?jǐn)?shù)不少于 350 字）關(guān)鍵詞水稻 神經(jīng)網(wǎng)絡(luò) 面向?qū)ο?TM 影像 （不少于5 個(gè)關(guān)鍵詞）小五宋體空2行水稻在我國糧食生產(chǎn)中占有重要的地位，是我國重要的糧食作物之一，占全國糧食總播種面積的 27%，而其產(chǎn)量則達(dá)到糧食總產(chǎn)量的135% 。與此同時(shí) , 水稻面積遙感動態(tài)監(jiān)測正成為農(nóng)作物空間監(jiān)測2 和土地變

4、化科學(xué) 3 的熱點(diǎn)問題。精確的水稻種植面積信息，可為農(nóng)業(yè)生產(chǎn)、水稻產(chǎn)量的預(yù)報(bào)和評估、糧食價(jià)格預(yù)測和國家糧食生產(chǎn)布局及規(guī)劃等提供科學(xué)依據(jù)4 。中分辨率遙感影像由于具備較高的空間分辨率，能夠滿足我國大面積水稻作物監(jiān)測，成為業(yè)務(wù)化運(yùn)行的主要數(shù)據(jù)源。 中高空間分辨率影像包括Landsat TM/ETM+、SPOT、CBERS-1/2 CCD、HJ-1A/1B CCD等（表 1），其分辨率主要在100m以內(nèi)，是當(dāng)前最常用的水稻遙感監(jiān)測數(shù)據(jù)源，其特征是衛(wèi)星類型多、覆蓋范圍廣、 時(shí)間分辨率較高且時(shí)間序列較長， 可實(shí)現(xiàn)大范圍、 多時(shí)期水稻種植的長期監(jiān)測。 Peng 等 5 利用 1986 年和 2002 年兩

5、期 Landsat TM 影像對麗江縣包括水稻在內(nèi)六號宋體1收稿日期： 2013-11-08作者簡介： 李心（ 1973），女，漢族，河南泌陽人，博士、教授；國家進(jìn)步二等獎或國務(wù)院特殊津貼。研究方向：資源經(jīng)濟(jì)與管理。通訊作者：楊(1976-), 男,漢族，湖南人，博士、教授。研究方向：農(nóng)業(yè)遙感。基金項(xiàng)目： 國家自然科學(xué)基金項(xiàng)目 “基于牧戶行為的草地管理模式研究 以西藏自治區(qū)為例 ”（ 70803020）；國家環(huán)保公益性行業(yè)科研專項(xiàng)項(xiàng)目 “西藏地區(qū)生態(tài)承載力與可持續(xù)發(fā)展模式研究”（ 201209032）中國農(nóng)業(yè)資源與區(qū)劃論文寫作模板表 1中分辨率水稻遙感監(jiān)測常用數(shù)據(jù)源小5號黑體衛(wèi)星傳感器發(fā)射時(shí)間

6、 /y波段最大空間分辨率 /m時(shí)間分辨率 /d六號宋體Landsat-5TM198415,7,630,30,12016SPOT-4HRV,HRVIR199814, 全色20,1026CBERS-02CCD 相機(jī)20031519.526Landsat-7ETM+199915,7,6,全色30,30,60,1516SPOT-5HRG200214, 全色20,10,5,2.526HJ-1A/BCCD 相機(jī)200814304Landsat-8OLI201317,9,830,30,1516正 文內(nèi) 容五 號宋體1研究區(qū)與數(shù)據(jù)四號黑體，上、下各空半行1.1 研究區(qū)域小四號黑體， 頂格本文選擇研究區(qū)（圖1）

7、，本刊默認(rèn)為黑白印刷，圖對比要明顯可辨，作者對文中所有的圖可自己打印出來看一下。如果作者黑白圖效果不好，可以提前通知編輯部出彩圖，需另收費(fèi)。地理空間圖請按照國家標(biāo)準(zhǔn)出圖：包括指北針、比例尺、圖例等。全國范圍的圖件，一定要標(biāo)出南海地區(qū)及臺灣省。小 5 號黑體圖 1 研究區(qū)參考文獻(xiàn)四號黑體 1陳曉華，張玉香，張合成. 中國農(nóng)業(yè)統(tǒng)計(jì)資料2011.北京 :中國農(nóng)業(yè)出版社 , 2012 .六號宋體 2Kuenzer C, Knauer K. Remote sensing of rice crop areas. International Journal of Remote Sensing. 2013,

8、34(6): 2101-2139.中國農(nóng)業(yè)資源與區(qū)劃論文寫作模板 3Aspinall R. Editorial. Journal of Land Use Science. 2006, 1(1): 1-4. 4覃志豪，唐華俊，李文娟等 .氣候變化對農(nóng)業(yè)和糧食生產(chǎn)影響的研究進(jìn)展與發(fā)展方向.中國農(nóng)業(yè)資源與區(qū)劃. 2013, 34(5 ):1-7 . 5Peng J, Wu J, Yin H et al. Rural land use change during 1986-2002 in Lijiang, China, based on remote sensing and GIS data.Sens

9、ors. 2008, 8(12): 8201-8223. 6朱曉禧，方修琦，王媛 .基于遙感的黑龍江省西部水稻、 玉米種植范圍對溫度變化的響應(yīng) . 地理科學(xué) . 2008,28(1 ): 66-71 . 7李小濤，李紀(jì)人，黃詩峰等 . 變差函數(shù)和神經(jīng)網(wǎng)絡(luò)結(jié)合的遙感影像分類方法研究. 國土資源遙感 . 2006(1): 18-21 . 8陳啟浩，高偉，劉修國.輔以紋理特征的高分辨率遙感影像分類. 測繪科學(xué) . 2008, 33(1 ): 88-90 . 9翁中銀，何政偉，范娟等 . 基于TM影像的面向?qū)ο蟮乇砀脖恍畔⑻崛?地理空間信息 . 2013, 11(1): 37-39 . 10黃敬峰，楊

10、忠恩，等 .基于GIS的浙江省水稻遙感估產(chǎn)最佳時(shí)相選擇. 應(yīng)用生態(tài)學(xué)報(bào) . 2002, 13(3): 290-294 . 11李正國，唐華俊，楊鵬等 . 植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述.中國農(nóng)業(yè)資源與區(qū)劃 . 2012, 33(5): 20-28 . 12李朝峰，曾生根，許磊. 遙感圖像智能處理 . 北京 : 電子工業(yè)出版社 , 2007 . 13張俊，于慶國，侯家槐.面向?qū)ο蟮母叻直媛视跋穹诸惻c信息提取 .遙感技術(shù)與應(yīng)用 . 2010(1 ): 112-117 . 14湯傳勇，盧遠(yuǎn) . 利用面向?qū)ο蟮姆诸惙椒ㄌ崛∷痉N植面積.遙感信息 . 2010(1): 53-56 .要求：1、參考

11、文獻(xiàn)， 不少于10 條，其中中國農(nóng)業(yè)資源與區(qū)劃期刊引文一般不少于2 條；同時(shí)，所有參考文獻(xiàn)都要在文中進(jìn)行標(biāo)注。2、參考論文格式：作者. 論文題目 . 刊名，年份，卷（期） ：起止頁碼。三個(gè)作者以上的，請寫出前三個(gè)作者，例如：陳學(xué)淵，唐華俊，吳永常，等. 海河流域水資源對農(nóng)業(yè)生產(chǎn)的影響分析. 中國農(nóng)業(yè)資源與區(qū)劃，2012， (33) ： 34-39四號 Times New Roman空 2 行加粗，全部大寫，應(yīng)與中文題名一致。五號TimesNew Roman 居中，姓氏字母大寫，名字首字母大寫，其余小寫。六號 Times NewRomanCONTRASTING TWO CLASSIFICATIO

12、N METHODS INMAPPING PADDY RCIE USING THE MID-RESOLUTION TMIMAGESLi Zhipeng 1, Li Zhengguo 1, Liu Zhenhuan 2, Wu Wenbin 1 , Tan Jieyang1, Yang Peng1空1行(1. Key Laboratory of Agri-informatics, Ministry of Agriculture/Institute of Agricultural Resources and Regional Planning, ChineseAcademy of Agricultu

13、ral Sciences, Beijing 100081, China;2. Geography and Planning School of Sun Yat-sen University, Guangzhou 510275, China)空1行Abstract It s a hot issue to monitoring the rice area of the present agricultural land change science. However, it svery difficultto monitor rice area using remote sensing techn

14、ology accurately. Using two phase mid-spatialresolution TM images, according to the methods ofobject-oriented classification and ArtificialNeural Network(ANN), this paper monitored the rice area in FujinCounty, Heilongjiang Province. As a result, there are threeconclusions as follows. Firstly, rice

15、accuracy using the method of object-oriented classification is better than thatusing ANNclassification method, which is higher0.55% and 1.37% for rice user accuracyand productionaccuracy in June, 0.62% and 2.34% for rice user accuracy and production accuracy in August. Secondly, after theprocess of

16、Majority analysis, we can make a progress for the rice accuracy using the method of ANN, and the五accuracy has increased 0.14%, 0.5% for rice user accuracy and production accuracy in June, 1.56% , 1.43% for號加粗中國農(nóng)業(yè)資源與區(qū)劃論文寫作模板rice user accuracy and production accuracy in August. Thirdly, choosing the p

17、roper time images can get a higher accuracy rice area, and the rice accuracy at returning green stage is better than the accuracy at the at the milk-ripe stage, such as, rice user accuracy and production accuracy can increase 2.67% and 3.45% using ANN method, can increase 2.6%、 2.48% using the method of object-oriented classification. In future, we should focus on these areas where we can make more progress in the class accuracy, suc