農業種植結構的遙感分析

趙俊靈 張寶林 池夢雪

摘要：

根據農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可以監測農作物長勢，獲取作物播種面積、作物布局等農業種植結構信息。研究表明內蒙古包頭市土默特右旗主要農作物為玉米、小麥和向日葵等，旗中部農作物整齊度高、長勢較好;旗南部黃河周邊地區，作物整齊度和長勢均較差，農田荒蕪嚴重;研究區域滿足麥類+蔬菜復種的光溫資源需求，可提高土地和農業氣候資源利用率。農業種植結構的遙感分析有助于把握作物長勢的空間變異，反映土地資源和農業氣候資源的時空利用狀況，對于把握農情、指導農業生產、調整農業產業結構等具有重要意義。

關鍵詞：

遙感;農業;種植結構;物候

中圖分類號：S-3

文獻標識碼：A

DOI：1019754/jnyyjs20190315005

前言

20世紀以來，遙感技術在農業領域得到廣泛應用[1]，及時準確地獲取了農業資源和農業生產信息，成為指導傳統農業向信息農業轉變的主要技術方法[2]。利用遙感技術，可以實現農作物識別與種植面積估算[3-5]、農作物長勢監測與產量估計[6-8]、農作物葉面指數、葉綠素含量監測與養分診斷[9， 10]、病蟲害[11]和農業災害監測[12， 13]、農用地提取與動態監測等[14]。因此，遙感和地理信息系統技術已經成為快速收集和定量分析農業信息、實現科學快速決策的基本手段。

作物種植面積是進行農業結構調整的依據，是研究糧食區域平衡的重要數據源[4]。從 20世紀80年代中期，中國開始利用氣象衛星開展小麥、水稻、玉米等大宗作物的面積監測、長勢監測以及產量估計等技術研究[15]。目前，多種衛星和傳感器被用于農情監測。趙文亮等利用MODIS（Moderate Resolution Imaging Spectroradiometer）NDVI （Normalized Difference Vegetation Index，歸一化植被指數）數據集分析了河南省小麥產量和播種面積的時間動態變化特征，建立了基于區域NDVI的冬小麥產量估算模型[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最為直接和靈敏的指標之一，是區域地表植被覆蓋度與植物長勢的函數[17]。郭燕等結合GF-1與Landsat 8衛星遙感影像提取和分析了河南省許昌地區玉米的長勢和面積[18];劉玫岑基于 Landsat-7和ASTER遙感影像的處理以及植被指數開展了新疆地區棉花面積估測和產量估算[19];趙周安等利用環境小衛星NDVI 數據與冬小麥抽樣村實測實產地塊數據進行了北京市冬小麥單產研究[15]。農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[20]。比較研究表明，基于經驗的監督分類和決策樹分類方法提取作物信息效果較好，監督分類器以支持向量機法（Support Vector Machine，SVM）[21]、人工神經網絡[22]和最大似然法（Maximum Likelihood Classification，MLC）效果最佳，而決策樹法將復雜的多分類問題指標簡單化[23]，分類結構直觀，有諸多優勢[24]。

本文以內蒙古包頭市土默特右旗為例，利用Landsat 8系列衛星遙感影像，結合野外樣本地塊作物信息和不同植被物候期，采用SVM法對影像進行分類提取，研究了縣域農業種植結構，以期為農情遙感監測和農業信息化提供技術與方法。

1數據與方法

11研究區概況

土默特右旗位于內蒙古自治區包頭市東部，地處呼和浩特市、包頭市和鄂爾多斯市的“金三角”腹地（圖1），是包頭市最大的農業旗，也是內蒙古自治區50個重點工業發展旗縣之一[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數據來源

遙感影像來源于USGS（United States Geological Survey，美國地質調查局），數據包括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，數據空間分辨率為30m。為獲得遙感影像分類依據及驗證分類結果，作物出苗后多次進行野外地塊調查。通過手持GPS定位與遙感圖像相結合，獲取主要農業用地、林地等的經緯度信息，為遙感影像處理提供訓練和檢驗樣本。

13研究方法

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

2結果與分析

21基于NDVI的農作物長勢監測

不同作物的NDVI值不同，并且隨著作物的生育進程而變化，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，可高達到08～09。從不同地區來看，研究區域中部農作物整齊度高、長勢較好，而南部整齊度差，長勢較差。

22農業種植結構分析

基于樣地調查和遙感影像分類，土默特右旗種植的主要農作物為玉米，其它農作物包括小麥、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，小麥收獲后，也有二茬作物（白菜、芥菜等）的種植，說明研究區域可以通過復種提高土地和農業氣候資源的利用率。

23作物布局分析

由于研究區域北部為大青山，通過影像分類結果可以看出，農作物主要分布于研究區域的中部和中南部。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重，玉米生長不整齊、長勢較差，農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。同時也可以發現，在整個研究區域內，除了玉米外，其它作物均為零散分布，面積較?。▓D3）。

3結論與討論

基于遙感技術可以對不同作物長勢進行評估，從而了解農作物生長、水分和營養供應狀況，以便采取措施，保障農作物正常生長發育。在環境因子相同的情況下，輻射亮度和反射率的變化，在一定程度上體現了作物長勢、生育時期和生理狀況。物候是作物適應氣候條件的節律性變化而形成與此相應的發育節律。例如，隨著玉米的生長發育，NDVI升高至灌漿期，此后NDVI值下降至乳熟期，到成熟時期出現大幅度下降[26]。應用植被指數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，可進行作物長勢空間變異分析，通過農作物早期的長勢還可對農作物產量進行估算。

利用遙感影像估測作物種植面積是可行的，有助于指導農業產業結構調整。土默特右旗主要糧食作物是玉米和小麥，經濟作物以甜菜、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。作物種植面積監測是估產的基礎，其難點在于作物類型信息的提取，即如何區分不同農作物及與它地物。作物的識別主要是利用綠色植物獨特的波段反射特征，將作物與其它地物區分開。不同作物類型的識別，主要依據葉片內部構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，不同作物的狀態和群體結構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不同，不同作物在同一影像上色調也不同。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。通過了解作物植被指數與物候期的對應關系，通過對比同一地點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業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，除了農田大片荒蕪外，作物整齊度和長勢均較差，宜提高農田利用率，改善農業生產狀況。此外，在研究區域中部，二茬作物的播種，說明研究區域的光溫資源滿足麥類+蔬菜的復種需求，從而進一步提高土地和農業氣候資源利用率。

參考文獻

[1]

趙春江. 農業遙感研究與應用進展[J]. 農業機械學報. 2014， 45（12）： 277-293.

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

[3] 馬麗，顧曉鶴，徐新剛，等. 地塊數據支持下的玉米種植面積遙感測量方法[J]. 農業工程學報，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]. 山東農業科學，2016， 48（2）： 138-142.

[5] 郭偉，趙春江，顧曉鶴，等. 鄉鎮尺度的玉米種植面積遙感監測[J]. 農業工程學報，2011， 27（9）： 69-74.

[6] 黃青，唐華俊，周清波，等. 東北地區主要作物種植結構遙感提取及長勢監測[J]. 農業工程學報，2010， 26（9）： 218-223.

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

[8] 林艷. NOAA衛星玉米遙感估產方法的研究[J]. 華北農學報，1996， 11（4）： 95-100.

[9] 陳志強. 不同氮素水平下玉米葉片的高光譜響應及其診斷[D]. 中國農業科學院， 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]. 農業工程學報，2006， 22（9）： 138-143.

[11] 臧紅婷. 玉米粘蟲時空動態遙感監測與評價[D]. 東北農業大學， 2014.

[12] 王立志，顧曉鶴，胡圣武，等. 基于多時相HJ-1B CCD影像的玉米倒伏災情遙感監測[J]. 中國農業科學，2016， 49（21）： 4120-4129.

[13] 楊粉團，顧曉鶴，李剛，等. 利用多時相HJ-CCD遙感影像監測玉米粘蟲災情空間分布[J]. 農業工程學報，2013（14）： 156-163.

[14] 張銀輝，趙庚星. 利用ENVI軟件衛星遙感耕地信息自動提取技術研究[J]. 四川農業大學學報，2000， 18（2）： 170-172.

[15] 趙安周，朱秀芳，李天祺. 基于HJ小衛星影像的北京市冬小麥測產研究[J]. 農業現代化研究，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. 大尺度作物遙感監測方法和應用[M]. 北京： 科學出版社， 2010.

[18] 郭燕，武喜紅，程永政，等. 用高分一號數據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量估測研究[D]. 新疆農業大學， 2006.

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

[21] 單捷，岳彩榮，江南，等. 基于環境衛星影像的水稻種植面積提取方法研究[J]. 江蘇農業學報，2012， 28（4）： 728-732.

[22] 馮恒棟. 基于人工神經網絡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， 2009.

[23] 吳學軍. 城市TM遙感圖像分類方法研究[D]. 廣西師范大學， 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，2003， 22（1）： 17-21.

[25] 李小勇. 土默特右旗農村土地流轉影響因素分析[D]. 內蒙古農業大學， 2013.

[26] 李新磊，陳桂芬，焦鴻斌. 基于時序遙感數據的玉米種植面積提取方法研究[J]. 農業網絡信息，2010（11）： 25-27.

作者簡介：

趙俊靈，女，碩士研究生，研究方向：3S技術應用;

張寶林，男，副教授，博士，研究方向：氣候變化對農業生產的影響。