专题制图[11]。早期的作物遥感估产研究一般以目视解译法为主，如NASA于1950年、1980年对美国作物种植面积、产量遥感估测。1983年我国对京津冀地区冬小麦遥感估产，都是采用目视解译的方法。目视解译的分类精度高，但要求工作人员经验丰富，工作量大、繁琐且耗时，不适用于大区域的作物遥感识别分类研究。借助计算机自动分类可大大提高目视解译速度，计算机自动分类、人机交互式解译、外业调绘有机结合，建立遥感信息解译模型，可减少遥感影像中“同谱异物”和“同物异谱”现象的影响，有效提高目视解译的精度[12]。
1.1.2 监督分类法
监督分类法又称训练分类法，是用已知类别的样本像元识别其他未知类别像元的过程。在目视解译和野外调查的基础上，对遥感影像上作物的类别属性有了先验知识，针对各类别选取一定数量的训练样本，计算机计算每种训练样本的相关信息，用选取样本训练判决函数，使判决函数满足各种子类别分类的要求;用训练好的判决函数对其他待分类数据进行分类，将每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以此完成遥感识别作物的整个过程。监督分类是借助计算机自动分类完成作物遥感识别的起源，需借助地面样方调查样点分类识别作物。美国的LACIE计划就是在获取地面样方的前提下，对遥感影像进行分层监督分类[4]。谢登峰等以Landsat 8和 MODIS 为数据源，采用监督分类识别秋粮作物，水稻和玉米的总体精度高达80%左右[13]。Azar等利用多时相Landsat8 OLI数据，采用监督分类提取了意大利北部地区作物的种植面积，同样得到较好的分类精度[14]。监督分类应用于遥感识别作物精确度高，准确性好，与实际类别吻合性较好，但是工作量大，且必须有先验知识时才能使用该类方法。