冬小麦作为主要夏收作物的省份占40％以上。及时、准确的获取区域冬小麦种植面积信息及其空间分布,对国家的粮食政策和经济计划制定具有重大意义。低分辨率遥感卫星重访周期短,在农作物生长季中,一般可获得能够反映农作物物候时序特征和覆盖程度特征的完整时间序列数据(如:MODIS植被指数产品)。完整的时间序列数据所表征的连续信号集,在时间上与农作物生物学生长特征相关,具有季节变化特征,在强度上与农作物生长状态和覆盖程度相关,是地表农作物特征的最佳指示因子(赵英时,2003),已经广泛应用于农作物种植面积测量、长势监测和估产。　　本研究充分利用MODIS-EVI植被指数时间序列这一特征,构建作物关键期植被指数特征与作物种植面积的定量函数关系,提出作物种植面积指数Crop Proportion PhenologyIndex概念。从小区域试验,探讨验证模型的稳定性,模型对样本数量和质量的要求,模型内核函数对识别结果精度的影响,到结合不同基础数据的分区指标,实现大区域尺度,作物种植面积测量,对大尺度农作物种植面积测量提供可实行方法。主要结论如下:　　1)本文根据作物生长关键物候期定义的CPPI模型能够很好的反映特定目标农作物种植面积状况,构建时间序列与作物面积的定量关系,提供基于亚象元尺度的结果。在小区实验中,精度分析表明,CPPI具有较高的稳定性,且不受样本变化的影响,只要达到满足模型计算的样本量,多次测量结果间具有很好的一致性,RMSE在单个像元上为0.15左右,并随空间尺度增大到6.25km2时,稳定在0.05左右。　　2)在训练样本选择上,相比较传统的混合像元分解方法,基于CPPI的作物种植面积测量方法,可接受混合样本和更少的样本提供基于亚象元尺度的识别结果,避免了传统的混合像元分解方法中,纯净端元选择困难的问题;在模型构建上,CPPI选用关键期最大最小合成算法,为关键期定义提供更为灵活的算法,以期适用于多作物、大尺度的作物种植面积测量;在估算尺度上,用变化的空间尺度代替单个像元,可以避免景观异质性对作物识别结果的影响,提供更准确的模型关系,得到较单像元尺度更好的结果。　　3)在基于不同回归模型的CPPI小区实验中,基于不同内核模型的NN-CPPI,SVR-CPPI,LS-CPPI在研究区进行冬小麦种植面积提取,均得到满足精度要求的识别结果。在单一作物区,在单个像元上RMSE小于0.2,在10*10 MODIS像元上RMSE小于0.1;在多作物区,对于单种作物,在单个像元上RMSE小于0.2,实现了相似物候区作物种植面积识别。根据RMSE,R2,Meanbias和Varbias的评价结果,基于不同内核模型的NN-CPPI,SVR-CPPI,LS-CPPI,适用条件不同。试验结果表明,线性CPPI模型更适宜于种植结构简单,种植规模规整的地区;非线性CPPI模型更适宜于种植结构复杂,种植规模破碎的地区,为大尺度农作物种植面积测量提供保障。　　4)在大尺度作物面积测量中,为了研究CPPI模型对大尺度农作物种植面积的适用性,选择江苏省作为研究区,利用农业普查数据提供分区参考,利用作物种植结构作为分区指标对研究区进行分区,分层选择样本,估算江苏省冬小麦种植面积。利用CPPI模型在江苏省进行冬小麦种植面积测量结果,与农业普查数据对比精度为82.3％,在县级尺度上,与农业普查数据高度相关。充分表明CPPI完全可以应用到大尺度的作物种植面积测量中,得到满足精度要求的结果。同时,基于不同分区样本的研究结果表明,分区方法在大尺度农作物种植面积测量中可以提供区域异质性参考,帮助大区实验合理选择合适样本,得到更合理可靠的大区实验结果。