1.综合关键季相特征和模糊分类技术的冬小麦遥感识别方法，其特征在于，该方法包括如下步骤：（1）数据预处理

将TM中高分辨率影像与MODIS粗分辨率影像在投影和坐标系上的数据完全配准；

（2）制备研究区粗分辨率下的丰度图

A．根据研究区冬小麦种植情况，在确保精度条件下，野外布设典型样方调查MODIS粗分辨率尺度一个像元内冬小麦种植面积比例，为回归分析提供样本；或者利用高分辨率遥感影像对冬小麦种植情况进行解译，以此为基础制作MODIS粗分辨率尺度的像元百分比数据作为样本，从而代替外业布设样方；

B．从MODIS NDVI时间序列中提取反映冬小麦典型物候期的时段，利用该时段的MODIS NDVI数据建立典型物候期斜率影像；

C．利用步骤B所得典型物候期斜率影像与步骤A所得样本数据建立回归模型，并将其扩展到整个研究区，从而得到研究区的冬小麦种植面积的丰度图；

（3）获得研究区的中高分辨率尺度下像元对于冬小麦的隶属度A．根据TM数据，利用模糊分类技术，基于贝叶斯准则的隶属度确定方法，得到各像元隶属于冬小麦的隶属度；

B．数据校正，消除“同物异谱”现象；

（4）综合评判，即综合步骤（2）丰度图和步骤（3）隶属度数据对遥感图中冬小麦种植情况进行评判A．在每个MODIS像元内，将其所对应的TM像元对冬小麦的隶属度从高到低排序；

B．假如一个MODIS像元的冬小麦丰度为F%，则将在中高分辨率条件下、空间位置上所对应的10×10个、按前述步骤A的冬小麦隶属度排序的前F%个像元判定为冬小麦，F值根据步骤（2）中的丰度图确定；

C．按该方法扩展到整个研究区，即可以得到冬小麦的种植面积和分布。

2.如权利要求1所述综合关键季相特征和模糊分类技术的冬小麦遥感识别方法，其特征在于，步骤（1）中所述TM分辨率为25米，MODIS分辨率为250米；配准过程具体为，将TM数据重采样设为25米，在投影和坐标系上与MODIS 250米数据完全配准，使得每一个MODIS像元在空间位置上能够对应10×10个TM像元。

3.如权利要求1所述综合关键季相特征和模糊分类技术的冬小麦遥感识别方法，其特征在于，步骤（2）中所述冬小麦典型物候期为冬小麦返青期至冬小麦孕穗期。

4.如权利要求1所述综合关键季相特征和模糊分类技术的冬小麦遥感识别方法，其特征在于，模糊分类计算方法如下：假设分类影像中向量 ，将研究区分为m类，即ki，i=1,2，…，m，根据贝叶斯公式，在X出现的条件下归属于ki类的归属概率为：，

向量X在类别ki的条件概率密度函数为：

，

式中，P(ki)为类别ki的先验概率；P(X/ki)为类别ki中出现向量X的概率；n为特征空间的维数；m为研究区类别数；μi为类别ki的训练样本的均值向量； 为类别ki训练样本的协方差矩阵 的行列式。