， newmax指所需输出影像中的最大值。
[0088] 其次，输入聚类的类数目M，该聚类的类数目M可以根据实际需求进行设置。
[0089] 再次，把冬小麦生长周期各月份NDVI影像Z (16景）作为输入变量输入到聚类算 法中，运行聚类算法，输出聚类后的影像Y，影像Y中的像元被分成了 M类，M类中的某一类 或几类可能在空间分布上包含冬小麦种植区域，即得到非监督分类结果，接下来执行步骤 S1023〇
[0090] 其中，上述非监督分类处理过程中使用的聚类算法，优选的，采用ISO聚类算法， ISO聚类算法是一种迭代过程，用于在将各个候选像元指定给聚类时计算最小欧氏距离。该 过程从遥感处理软件指定的任意平均值开始，每个聚类一个任意平均值。将每个像元指定 给最接近的平均值（多维属性空间中的所有平均值）。基于首次迭代后从属于每个聚类的 像元的属性距离，重新计算各个聚类的新平均值。重复执行此过程：将各个像元指定给多维 属性空间中最接近的平均值，然后基于迭代中像元的成员资格计算各个聚类的新平均值。 可通过迭代次数指定该过程的迭代次数。该值应该足够大，才能确保执行指定次数的迭代 后，像元从一个聚类迀移至另一个聚类的次数最少；从而，使所有聚类变为稳定状态。迭代 次数应该随着聚类数的增加而增加，指定的类数目值是聚类过程可产生的最大聚类数。
[0091] 步骤S1023 :根据所述高分辨率遥感影像数据对所述非监督分类结果进行识别处 理；
[0092] 具体的，将上述非监督分类结果转换为kml格式，导入Google Earth软件中，结合 河南省境内2010年的高分辨率遥感影像数据，对上述非监督分类结果进行识别处理，得到 上述非监督分类结果中每一类与种植区植被类别的对应关系。
[0093] 步骤S1024 :在识别处理结果中筛选出含有冬小麦种植区的有效类别，根据所述 有效类别生成第二冬小麦种植区域集。
[0094] 具体的，根据上述识别处理得到识别结果，剔除完全不属于冬小麦种植区的类别， 保留其余属于冬小麦种植区的类别或部分含有冬小麦种植区的混合类别，将属于冬小麦种 植区的类别或部分含有冬小麦种植区的混合类别作为冬小麦种植区的有效类别，再根据该 有效类别生成第二冬小麦种植区域集。
[0095] 需要说明的是，步骤SlOl与步骤S102之前可以步骤SlOl先执行，也可以步骤 S102先执行，也可以步骤SlOl与步骤S102同时执行，可以根据实际需求进行设置，由步骤 SlOl与步骤S102分别得到第一冬小麦种植区域集和第二冬小麦种植区域集之后，执行步 骤 S103。
[0096] 步骤S103 :根据所述第一冬小麦种植区域集和所述第二冬小麦种植区域集确定 冬小麦的种植范围；
[0097] 其中，上述步骤S103,包括：
[0098] 对所述第一冬小麦种植区域集和所述第二冬小麦种植区域集进行取交集处理，得 到取交集处理结果；
[0099] 根据所述取交集处理结果确定冬小麦的种植范围。
[0100] 具体的，通过对比高分影像发现，采用物候规则得到的冬小麦种植区掩膜将部分 水体、水体周边地块、城市建筑用地以及林地等地块误判为冬小麦种植区，其原因为由于 上述地块没有明显的NDVI物候变化特征，或是由于受到其他随机因素、混合像元等影响所 致。
[0101]同时，采用非监督分类的方法可以有效剔除水体、林地和部分城市建筑用地，但由 于非监督分类的分类总数较少，且未加入先验样本，导致部分冬小麦像元和其他植被覆盖 像元不能完全分开，而被判为同一个混合类别，因而非监督分类得到的冬小麦种植区范围 也偏大。
[0102] 因此，通过步骤S103将基于物候规则提取的冬小麦种植区掩膜图像即第一冬小 麦种植区域集和利用非监督分类得到的第二冬小麦种植区域集进行叠加处理，并采用取交 集的方式，来确定冬小麦的种植范围，这样即可以剔除被物候规则误判的属于水体、林地、 城市建筑用地的栅格，又可以剔除非监督分类中的混合类别中非冬小麦种植区的栅格，因 此，采用物候规则、非监督分类和识别处理相结合的方式，提高了确定的冬小麦种植范围的 准确度。
[0103] 本发明实施例提供了一种简便、高效的提取冬小麦的种植范围的方法，通过采用 物候规则、非监督分类和识别处理相结合的方式，数据资料采用为250m分辨率MODIS NDVI 数据（通过卫星遥感得到的归一化植被指数数据），本方法提高了分类准确性，降低了人工 经验差别对分类结果的影响，从而提高了冬小麦种植范围判别的准确度。
[0104] 步骤S104 :根据冬小麦生长的物候特征和归一化植被指数数据在所述种植范围 内确定冬小麦的秸杆产量；其中，冬小麦的秸杆产量是通过如下步骤确定的，具体包括：
[0105] 步骤S1041 :获取冬小麦生长的物候特征和归一化植被指数数据；
[0106] 其中，根据获取的冬小麦生长的物候特征，可知冬小麦的变化规律存在以下特 占.
[0107] 冬小麦进入返青期后，归一化植被指数数据逐渐升高，灌浆期达到最大值，随后开 始降低。因此，抽穗期至灌浆期是决定冬小麦长势乃至秸杆产量的关键时期，该段时期内的 归一化植被指数数据能够客观反映冬小麦秸杆的最终产量。抽穗期至灌浆期冬小麦的归 一化植被指数与秸杆产量存在显著的正相关关系，因此，在归一化植被指数数据中选用4、 5月的4期归一化植被指数数据的平均值作为后续确定相关关系中常数的归一化植被指数 数据。
[0108] 步骤S1042 :根据所述物候特征和归一化植被指数数据确定所述冬小麦种植范围 内的秸杆产量与所述归一化植被指数数据的相关关系；
[0109] 首先，在上述冬小麦种植范围内，建立归一化植被指数数据与冬小麦的秸杆产量 的线性关系，两者关系式为：
[0110] Y = a+kXN, (2)
[0111] 其中，Y为冬小麦的秸杆产量，N为抽穗期至灌浆期的归一化植被指数数据的平均 值，a，k为常数系数，该常数系数可通过现场试验与遥感监测结果的回归统计得出。按照一 定的抽样原则在冬小麦种植范围内选取多个典型的冬小麦种植区域，现场考察获取该多个 典型的冬小麦种植区域的秸杆产量和相应的归一化植被指数数据，根据获取的该多个典型 的冬小麦种植区域的秸杆产量和相应的归一化植被指数数据确定秸杆产量与归一化植被 指数数据的相关关系式中的常数系数，具体的，在冬小麦的秸杆产量的计算软件中输入上 述多组现场考察获取的多个典型的冬小麦种植区域的秸杆产量和相应的归一化植被指数 数据，按照预设的计算公式计算得到秸杆产量与归一化植被指数数据的关系系数k及常数 B 〇
[0112] 步骤S1043 :根据所述相关关系确定冬小麦种植区内每个像元的冬小麦秸杆产 量，对所述每个像元的冬小麦秸杆产量进行求和计算，得到所述种植范围内的冬小麦的秸 杆产量。
[0113] 其次，由于秸杆产量与归一化植被指数数据呈正比关系，因此，可以认为上述得到 的关系系数为常数，再根据获取的上述冬小麦种植范围内的各像元的归一化植被指数数据 与上述关系系数，计算得到每个像元的冬小麦秸杆产量，其中，像元为卫星传感器对探测对 象进行扫描采样的最小单元。
[0114] 最后，对上述每个像元的冬小麦秸杆产量进行求和计算，得到上述种植范围内的 冬小麦的猜杆产量。
[0115] 需要说明的是，上述归一化植被指数数据为4、5月份4期的归一化植被指数数据 的平均值即抽穗期至灌浆期的归一化植被指数数据的平均值。
[0116] 通过步骤S101-104确定得到冬小麦的秸杆产量之后，执行步骤S105 :根据上述秸 杆产量确定冬小麦秸杆焚烧污染物排放量。
[0117] 具体的，冬小麦秸杆焚烧污染物排放量是通过如下步骤确定的：
[0118] 获取秸杆焚烧百分比和秸杆焚烧污染物排放因子；
[0119] 根据所述秸杆产量和如下公式，计算得到冬小麦种植区的秸杆焚烧污染物排放 量，
[0120] P = YX q XR, (3)
[0121] 其中，P为秸杆焚烧污染物排放量，Y为秸杆产量，n为秸杆焚烧百分比，R为秸杆 焚烧污染物排放因子。
[0122] 另外，本发明实施例还提供了一种计算冬小麦种植区的秸杆焚烧污染物排放量的 方法，该方法利用根据冬小麦的种植范围确定的种植面积计算得到冬小麦种植区的秸杆焚 烧污染物排放量，具体步骤如下：
[0123] 首先，获取