農(nóng)業(yè)種植結(jié)構(gòu)的遙感分析

趙俊靈 張寶林 池夢雪

摘要：

根據(jù)農(nóng)作物的反射光譜特征和物候歷差異，基于遙感影像及其反演指標(biāo)可以監(jiān)測農(nóng)作物長勢，獲取作物播種面積、作物布局等農(nóng)業(yè)種植結(jié)構(gòu)信息。研究表明內(nèi)蒙古包頭市土默特右旗主要農(nóng)作物為玉米、小麥和向日葵等，旗中部農(nóng)作物整齊度高、長勢較好;旗南部黃河周邊地區(qū)，作物整齊度和長勢均較差，農(nóng)田荒蕪嚴(yán)重;研究區(qū)域滿足麥類+蔬菜復(fù)種的光溫資源需求，可提高土地和農(nóng)業(yè)氣候資源利用率。農(nóng)業(yè)種植結(jié)構(gòu)的遙感分析有助于把握作物長勢的空間變異，反映土地資源和農(nóng)業(yè)氣候資源的時空利用狀況，對于把握農(nóng)情、指導(dǎo)農(nóng)業(yè)生產(chǎn)、調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)等具有重要意義。

關(guān)鍵詞：

遙感;農(nóng)業(yè);種植結(jié)構(gòu);物候

中圖分類號：S-3

文獻(xiàn)標(biāo)識碼：A

DOI：1019754/jnyyjs20190315005

前言

20世紀(jì)以來，遙感技術(shù)在農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用[1]，及時準(zhǔn)確地獲取了農(nóng)業(yè)資源和農(nóng)業(yè)生產(chǎn)信息，成為指導(dǎo)傳統(tǒng)農(nóng)業(yè)向信息農(nóng)業(yè)轉(zhuǎn)變的主要技術(shù)方法[2]。利用遙感技術(shù)，可以實(shí)現(xiàn)農(nóng)作物識別與種植面積估算[3-5]、農(nóng)作物長勢監(jiān)測與產(chǎn)量估計[6-8]、農(nóng)作物葉面指數(shù)、葉綠素含量監(jiān)測與養(yǎng)分診斷[9， 10]、病蟲害[11]和農(nóng)業(yè)災(zāi)害監(jiān)測[12， 13]、農(nóng)用地提取與動態(tài)監(jiān)測等[14]。因此，遙感和地理信息系統(tǒng)技術(shù)已經(jīng)成為快速收集和定量分析農(nóng)業(yè)信息、實(shí)現(xiàn)科學(xué)快速決策的基本手段。

作物種植面積是進(jìn)行農(nóng)業(yè)結(jié)構(gòu)調(diào)整的依據(jù)，是研究糧食區(qū)域平衡的重要數(shù)據(jù)源[4]。從 20世紀(jì)80年代中期，中國開始利用氣象衛(wèi)星開展小麥、水稻、玉米等大宗作物的面積監(jiān)測、長勢監(jiān)測以及產(chǎn)量估計等技術(shù)研究[15]。目前，多種衛(wèi)星和傳感器被用于農(nóng)情監(jiān)測。趙文亮等利用MODIS（Moderate Resolution Imaging Spectroradiometer）NDVI （Normalized Difference Vegetation Index，歸一化植被指數(shù)）數(shù)據(jù)集分析了河南省小麥產(chǎn)量和播種面積的時間動態(tài)變化特征，建立了基于區(qū)域NDVI的冬小麥產(chǎn)量估算模型[16]。NDVI綜合了植被敏感的可見光和近紅外波段反射光譜信息，是反映植被生長狀態(tài)最為直接和靈敏的指標(biāo)之一，是區(qū)域地表植被覆蓋度與植物長勢的函數(shù)[17]。郭燕等結(jié)合GF-1與Landsat 8衛(wèi)星遙感影像提取和分析了河南省許昌地區(qū)玉米的長勢和面積[18];劉玫岑基于 Landsat-7和ASTER遙感影像的處理以及植被指數(shù)開展了新疆地區(qū)棉花面積估測和產(chǎn)量估算[19];趙周安等利用環(huán)境小衛(wèi)星NDVI 數(shù)據(jù)與冬小麥抽樣村實(shí)測實(shí)產(chǎn)地塊數(shù)據(jù)進(jìn)行了北京市冬小麥單產(chǎn)研究[15]。農(nóng)作物面積估測主要基于光譜特征信息、地塊分類、地塊抽樣等方法[7]。農(nóng)作物的正確識別與分類精度直接影響面積的估算，是面積估算的基礎(chǔ)[20]。比較研究表明，基于經(jīng)驗(yàn)的監(jiān)督分類和決策樹分類方法提取作物信息效果較好，監(jiān)督分類器以支持向量機(jī)法（Support Vector Machine，SVM）[21]、人工神經(jīng)網(wǎng)絡(luò)[22]和最大似然法（Maximum Likelihood Classification，MLC）效果最佳，而決策樹法將復(fù)雜的多分類問題指標(biāo)簡單化[23]，分類結(jié)構(gòu)直觀，有諸多優(yōu)勢[24]。

本文以內(nèi)蒙古包頭市土默特右旗為例，利用Landsat 8系列衛(wèi)星遙感影像，結(jié)合野外樣本地塊作物信息和不同植被物候期，采用SVM法對影像進(jìn)行分類提取，研究了縣域農(nóng)業(yè)種植結(jié)構(gòu)，以期為農(nóng)情遙感監(jiān)測和農(nóng)業(yè)信息化提供技術(shù)與方法。

1數(shù)據(jù)與方法

11研究區(qū)概況

土默特右旗位于內(nèi)蒙古自治區(qū)包頭市東部，地處呼和浩特市、包頭市和鄂爾多斯市的“金三角”腹地（圖1），是包頭市最大的農(nóng)業(yè)旗，也是內(nèi)蒙古自治區(qū)50個重點(diǎn)工業(yè)發(fā)展旗縣之一[25]，主要種植玉米、小麥、葵花、馬鈴薯、大豆等作物。土默特右旗北部為大青山，南部為土默川平原，海拔987～1000m，自西北向東南微傾。

12數(shù)據(jù)來源

遙感影像來源于USGS（United States Geological Survey，美國地質(zhì)調(diào)查局），數(shù)據(jù)包括2015年5月14日、5月30日、7月1日、9月3日四景Landsat 8遙感影像，數(shù)據(jù)空間分辨率為30m。為獲得遙感影像分類依據(jù)及驗(yàn)證分類結(jié)果，作物出苗后多次進(jìn)行野外地塊調(diào)查。通過手持GPS定位與遙感圖像相結(jié)合，獲取主要農(nóng)業(yè)用地、林地等的經(jīng)緯度信息，為遙感影像處理提供訓(xùn)練和檢驗(yàn)樣本。

13研究方法

利用ENVI遙感影像處理軟件在對Landsat 8影像進(jìn)行配準(zhǔn)、輻射定標(biāo)、大氣校正和裁剪的基礎(chǔ)上，基于SVM法進(jìn)行遙感影像分類、作物識別和面積計算等（圖2）。根據(jù)5月30日、7月1日和9月3日的Landsat 8遙感影像，參考不同農(nóng)作物及林木的物候期對影像進(jìn)行分類提取。利用5月30日影像提取小麥與林地，利用7月1日與9月3日圖像進(jìn)行分類，SVM分類器的總體分類精度與Kappa系數(shù)顯著高于SAM分類器，SVM法更適合于農(nóng)作物識別與種植面積提取[21]。利用野外GPS實(shí)地調(diào)查和采樣數(shù)據(jù)，進(jìn)行驗(yàn)證和精度評價，9月3日混淆矩陣計算分類精度及Kappa系數(shù)，分別為933%和09124，分類效果較好。作物長勢的監(jiān)測基于歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）進(jìn)行，NDVI=（IR-R）/（IR+R）（IR、R分別代表近紅外波段和紅波段反射率）。

2結(jié)果與分析

21基于NDVI的農(nóng)作物長勢監(jiān)測

不同作物的NDVI值不同，并且隨著作物的生育進(jìn)程而變化，呈單峰曲線。以玉米為例，NDVI值5月份小于7月份，在7[CD1]8月份達(dá)到峰值，9月份開始下降。7月份長勢較好的玉米地塊NDVI值一般在07以上，可高達(dá)到08～09。從不同地區(qū)來看，研究區(qū)域中部農(nóng)作物整齊度高、長勢較好，而南部整齊度差，長勢較差。

22農(nóng)業(yè)種植結(jié)構(gòu)分析

基于樣地調(diào)查和遙感影像分類，土默特右旗種植的主要農(nóng)作物為玉米，其它農(nóng)作物包括小麥、葵花等。2015年玉米種植面積約占國土面積的131%，約655萬hm2;林地與小麥占51%，約253萬hm2（圖3）。此外，小麥?zhǔn)斋@后，也有二茬作物（白菜、芥菜等）的種植，說明研究區(qū)域可以通過復(fù)種提高土地和農(nóng)業(yè)氣候資源的利用率。

23作物布局分析

由于研究區(qū)域北部為大青山，通過影像分類結(jié)果可以看出，農(nóng)作物主要分布于研究區(qū)域的中部和中南部。因此，玉米主要種植于中部和中南部，向日葵主要種植于東南部以及黃河沿岸。土默特右旗南部土地鹽堿化較為嚴(yán)重，玉米生長不整齊、長勢較差，農(nóng)民多以較耐鹽堿作物葵花代替玉米等。二茬作物主要分布在土默特右旗中部。同時也可以發(fā)現(xiàn)，在整個研究區(qū)域內(nèi)，除了玉米外，其它作物均為零散分布，面積較小（圖3）。

3結(jié)論與討論

基于遙感技術(shù)可以對不同作物長勢進(jìn)行評估，從而了解農(nóng)作物生長、水分和營養(yǎng)供應(yīng)狀況，以便采取措施，保障農(nóng)作物正常生長發(fā)育。在環(huán)境因子相同的情況下，輻射亮度和反射率的變化，在一定程度上體現(xiàn)了作物長勢、生育時期和生理狀況。物候是作物適應(yīng)氣候條件的節(jié)律性變化而形成與此相應(yīng)的發(fā)育節(jié)律。例如，隨著玉米的生長發(fā)育，NDVI升高至灌漿期，此后NDVI值下降至乳熟期，到成熟時期出現(xiàn)大幅度下降[26]。應(yīng)用植被指數(shù)能夠很好地反映綠色植被的長勢、生物量和覆蓋度[17]。此外，以NDVI為評價指標(biāo)，可進(jìn)行作物長勢空間變異分析，通過農(nóng)作物早期的長勢還可對農(nóng)作物產(chǎn)量進(jìn)行估算。

利用遙感影像估測作物種植面積是可行的，有助于指導(dǎo)農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整。土默特右旗主要糧食作物是玉米和小麥，經(jīng)濟(jì)作物以甜菜、葵花和中藥材等為主，玉米播種面積常年保持在667萬hm2以上。作物種植面積監(jiān)測是估產(chǎn)的基礎(chǔ)，其難點(diǎn)在于作物類型信息的提取，即如何區(qū)分不同農(nóng)作物及與它地物。作物的識別主要是利用綠色植物獨(dú)特的波段反射特征，將作物與其它地物區(qū)分開。不同作物類型的識別，主要依據(jù)葉片內(nèi)部構(gòu)造的差異引起的近紅外波段反射的差異以及不同地域、不同作物類型間物候歷的差異[17]。從作物播種到成熟，隨物候的更替，紅光反射率因作物覆蓋度和葉面積指數(shù)的增大而降低，近紅外波段反射率逐漸增大。在某一時間，不同作物的狀態(tài)和群體結(jié)構(gòu)因物候期的不同而有明顯差異。同一作物在不同物候期的遙感影像上的色調(diào)不同，不同作物在同一影像上色調(diào)也不同。不同作物之間的物候歷差異是選擇作物識別最佳時相的依據(jù)。通過了解作物植被指數(shù)與物候期的對應(yīng)關(guān)系，通過對比同一地點(diǎn)識別作物與其它作物的物候歷，可確定作物識別的最佳時相[17]。

作物種植面積及其空間分布反映了農(nóng)業(yè)資源的時空利用情況。從遙感影像上可以看出黃河周邊地區(qū)，除了農(nóng)田大片荒蕪?fù)猓魑镎R度和長勢均較差，宜提高農(nóng)田利用率，改善農(nóng)業(yè)生產(chǎn)狀況。此外，在研究區(qū)域中部，二茬作物的播種，說明研究區(qū)域的光溫資源滿足麥類+蔬菜的復(fù)種需求，從而進(jìn)一步提高土地和農(nóng)業(yè)氣候資源利用率。

參考文獻(xiàn)

[1]

趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報. 2014， 45（12）： 277-293.

[2] 李根，景元書，王琳，等. 基于MODIS時序植被指數(shù)和線性光譜混合模型的水稻面積提取[J]. 大氣科學(xué)學(xué)報，2014， 37（1）： 119-126.

[3] 馬麗，顧曉鶴，徐新剛，等. 地塊數(shù)據(jù)支持下的玉米種植面積遙感測量方法[J]. 農(nóng)業(yè)工程學(xué)報，2009， 25（8）： 147-151.

[4] 李峰，王昊，秦泉，等. 基于HJ-1 CCD影像的玉米種植面積估算研究[J]. 山東農(nóng)業(yè)科學(xué)，2016， 48（2）： 138-142.

[5] 郭偉，趙春江，顧曉鶴，等. 鄉(xiāng)鎮(zhèn)尺度的玉米種植面積遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2011， 27（9）： 69-74.

[6] 黃青，唐華俊，周清波，等. 東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長勢監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2010， 26（9）： 218-223.

[7] 吳素霞，毛任釗，李紅軍，等. 中國農(nóng)作物長勢遙感監(jiān)測研究綜述[J]. 中國農(nóng)學(xué)通報，2005， 21（3）： 319-322.

[8] 林艷. NOAA衛(wèi)星玉米遙感估產(chǎn)方法的研究[J]. 華北農(nóng)學(xué)報，1996， 11（4）： 95-100.

[9] 陳志強(qiáng). 不同氮素水平下玉米葉片的高光譜響應(yīng)及其診斷[D]. 中國農(nóng)業(yè)科學(xué)院， 2013.

[10] 易秋香，黃敬峰，王秀珍，等. 玉米全氮含量高光譜遙感估算模型研究[J]. 農(nóng)業(yè)工程學(xué)報，2006， 22（9）： 138-143.

[11] 臧紅婷. 玉米粘蟲時空動態(tài)遙感監(jiān)測與評價[D]. 東北農(nóng)業(yè)大學(xué)， 2014.

[12] 王立志，顧曉鶴，胡圣武，等. 基于多時相HJ-1B CCD影像的玉米倒伏災(zāi)情遙感監(jiān)測[J]. 中國農(nóng)業(yè)科學(xué)，2016， 49（21）： 4120-4129.

[13] 楊粉團(tuán)，顧曉鶴，李剛，等. 利用多時相HJ-CCD遙感影像監(jiān)測玉米粘蟲災(zāi)情空間分布[J]. 農(nóng)業(yè)工程學(xué)報，2013（14）： 156-163.

[14] 張銀輝，趙庚星. 利用ENVI軟件衛(wèi)星遙感耕地信息自動提取技術(shù)研究[J]. 四川農(nóng)業(yè)大學(xué)學(xué)報，2000， 18（2）： 170-172.

[15] 趙安周，朱秀芳，李天祺. 基于HJ小衛(wèi)星影像的北京市冬小麥測產(chǎn)研究[J]. 農(nóng)業(yè)現(xiàn)代化研究，2014， 35（5）： 573-577.

[16] 趙文亮，賀振，賀俊平，等. 基于MODIS-NDVI的河南省冬小麥產(chǎn)量遙感估測[J]. 地理研究，2012， 31（12）： 2310-2320.

[17] 林文鵬，王長耀. 大尺度作物遙感監(jiān)測方法和應(yīng)用[M]. 北京： 科學(xué)出版社， 2010.

[18] 郭燕，武喜紅，程永政，等. 用高分一號數(shù)據(jù)提取玉米面積及精度分析[J]. 遙感信息，2015， 30（6）： 31-36.

[19] 劉玫岑. 基于遙感和GIS的棉花面積提取和產(chǎn)量估測研究[D]. 新疆農(nóng)業(yè)大學(xué)， 2006.

[20] 張勇. 基于SVM遙感圖像專題信息提取研究[D]. 中南大學(xué)， 2005.

[21] 單捷，岳彩榮，江南，等. 基于環(huán)境衛(wèi)星影像的水稻種植面積提取方法研究[J]. 江蘇農(nóng)業(yè)學(xué)報，2012， 28（4）： 728-732.

[22] 馮恒棟. 基于人工神經(jīng)網(wǎng)絡(luò)和模糊分類的森林植被遙感圖像分類研究[D]. 東北師范大學(xué)， 2009.

[23] 吳學(xué)軍. 城市TM遙感圖像分類方法研究[D]. 廣西師范大學(xué)， 2007.

[24] 李爽，張二勛. 基于決策樹的遙感影像分類方法研究[J]. 地域研究與開發(fā)，2003， 22（1）： 17-21.

[25] 李小勇. 土默特右旗農(nóng)村土地流轉(zhuǎn)影響因素分析[D]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)， 2013.

[26] 李新磊，陳桂芬，焦鴻斌. 基于時序遙感數(shù)據(jù)的玉米種植面積提取方法研究[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（11）： 25-27.

作者簡介：

趙俊靈，女，碩士研究生，研究方向：3S技術(shù)應(yīng)用;

張寶林，男，副教授，博士，研究方向：氣候變化對農(nóng)業(yè)生產(chǎn)的影響。