基于遙感技術的黑土區耕地質量評價指標體系研究進展分析

姜 蕓，王 軍，楊繼文

(1. 東北農業大學 公共管理與法學院，哈爾濱 150030；2. 吉林大學 地球探測科學與技術學院，長春 130026；3. 自然資源部第二地理信息制圖院，哈爾濱 150080)

耕地資源是保障糧食安全最寶貴的資源，是糧食生產的“命根子”[1]。東北黑土區是世界四大黑土區之一，是我國土壤肥沃、生產效能高的稀有耕地資源，主要分布在中高緯度溫帶、寒溫帶，夏季溫暖濕潤，是我國重要的糧食主產區和商品糧基地，是維護我國糧食安全的“壓艙石”，保障糧食供應的“穩壓器”。

自20世紀50年代以來，強化對黑土地的開墾利用，大部分草地、林地開墾為耕地，但由于缺乏對農業生產的科學指導，缺少用養結合的保護政策，土壤腐蝕質含量降低，生態功能退化問題不容輕視[2]。近年來中央、省級層面相繼出臺東北黑土地保護相關政策，原農業部等部委聯合印發《東北黑土地保護規劃綱要(2017—2030年)》《東北黑土地保護性耕作行動計劃(2020—2025年)》《國家黑土地保護工程實施方案(2021—2025年)》等文件，明確了黑土保護的主要目標、重點任務，并上升為國家戰略，提出了黑土區耕地質量監測評價的主要任務，探索星空地一體化監測技術，構建涵蓋高分辨率、多光譜、高光譜、雷達等多源遙感數據的監測體系，對影響耕地質量的穩定性指標和易變性指標進行動態監測。

黑土區耕地質量監測與評價，主要數據來源于農業、環境、自然資源等部門開展的測土配方、耕地資料質量分類等工作，更多地側重于耕地土壤肥力等指標的監測。監測通常依靠采樣點的人工實地調查和內業化驗檢測，監測周期長，經費投入大，而遙感技術的快速發展，以其覆蓋度廣、監測周期短等特點，廣泛應用于耕地監測，將支撐耕地質量與評價的常態化動態監測。黑土區內不全都是耕地，黑土區內的耕地也不全都分布在黑土上。通常將黑土區內分布在黑土上的耕地稱作黑土耕地，由于東北地區黑土準確的空間分布不清晰，因此，本文從“黑土區耕地”的角度研究有關問題。

1 耕地質量評價指標體系

耕地質量評價是對影響耕地資源發生發展的自然因素、人為因素等進行綜合性分析評價，從而形成面向農業生產的適宜性評價。耕地質量是半人工、半自然因素綜合作用下形成的，不應僅體現在土壤有機質、氮磷鉀等影響土壤肥力因素的方面，應兼顧自然、生態、人為等多維度影響因素。因此，構建科學的耕地質量評價指標體系對真實反映耕地綜合特征具有重要作用[3]。從耕地質量評價相關研究來看，耕地質量主要從土壤肥力、立地條件、建設水平等方面進行界定，但因各項研究中區域、目標的不同而各有側重。《全國耕地地力調查與質量評價技術規程》(NY/T1634-2008)主要從氣象、立地條件、剖面性狀、土壤理化性狀、障礙因素、土壤管理6個方面設定了66項評價指標。《耕地質量等級》(GB/T 33469-2016)主要從地形部位、有效土層厚度、有機質含量、耕層質地、土壤容重、質地構型、土壤養分狀況等19項指標進行評價。

本文利用文獻計量分析法，通過Web of Science核心合集數據庫和知網數據庫，統計分析了近5年國內外耕地質量評價指標相關研究文獻，歸納總結了121篇文獻，梳理了耕地質量評價指標，按照使用頻率大于0.1進行篩選，并劃分為土壤物理、土壤化學、土壤生物、地形特征、基礎設施建設共5大類評價指標。

表1 耕地質量評價指標

2 耕地質量評價方法

耕地質量評價方法一直是國內外重點研究方向，常規的評價方法主要有層次分析法(如特爾斐法-層次分析法)、模糊綜合評價、土壤質量指數法、物元法等。目前我國耕地質量評價相關的技術標準，推薦使用特爾斐法-層次分析法，分析耕地質量評價各項指標的權重，建立各類指標的隸屬度，形成耕地質量評價評分。

隨著近年來機器學習等人工智能技術的發展，主成分分析、神經網絡算法、遺傳算法、免疫算法、蟻群算法、支持向量機等算法在耕地質量評價中的應用[4-5]，能更好地減少主觀因素的干擾，為耕地質量監測評價提供科學優化的解決途徑。

上述耕地質量評價數據多是通過外業實地調查與內業檢測化驗獲得，往往需要投入大量的人力物力，數據的準確性容易受人為因素影響，而隨著遙感技術和地理信息技術的快速發展，多尺度、多時相、多傳感器的遙感數據可從時間、空間不同維度體現耕地質量信息。諸多學者利用總初級生產力(GPP)、凈初級生產力(NPP)間接評價耕地質量，通過遙感反演模型獲取含水量、有機質、全氮等指標信息，驗證了遙感技術在耕地質量評價中的應用可行性。

3 基于遙感技術的耕地質量監測

3.1 基于遙感技術的耕地質量監測體系框架

隨著遙感技術的快速發展，通過遙感技術獲取數據能力日益增強，基本形成了覆蓋星(衛星遙感)、空(高空有人機、中低空無人機)、地(移動車輛、地面監測)數據獲取能力；常用的遙感傳感器有光學傳感器(可見光、多光譜、高光譜)、雷達、三維激光掃描等多種類型。遙感數據具有覆蓋范圍廣、實時性、客觀性強(所見即所得)的特點，已廣泛應用于耕地資源調查監測中。星空地一體化的監測體系(圖1)，可以支撐全球/全國、區域/省、縣、田塊等多種尺度的耕地質量多維度信息的監測，例如，對于田塊尺度的遙感監測，可以采用地面光譜儀結合無人機遙感數據，而Sentinel系列、MODIS等衛星遙感影像，可支撐國家尺度/全球尺度的耕地監測。

圖1 研究方法流程

眾多研究表明，基于遙感技術的耕地質量監測主要總結為耕地質量指標定量反演和耕地質量間接監測。

3.2 基于遙感技術的耕地質量評價指標獲取研究進展

通過分析各類遙感數據的特點與應用特征，對比表1中耕地質量評價指標，可通過遙感技術 獲取的耕地質量評價指標有土壤物理指標(含水量、土壤容重、土壤質地、土層厚度、耕層厚度、礫石含量)、土壤化學指標(總有機質/碳含量、pH值、速效磷含量、速效鉀含量、全氮含量、速效氮含量、重金屬含量、鹽漬化程度)、地形特征(坡度坡向、地形部位、地貌類型)和基礎設施建設(排水條件、灌溉保證率、道路通達率、林網化程度、地塊規整度、田塊規模、地塊破碎度、耕作距離)。土壤生物指標主要通過土壤中的微生物、動物作為影響因子，通過遙感技術難以獲得該項指標信息。

3.2.1 土壤物理指標信息提取

1)土壤含水量。 土壤含水量直接影響耕地的生產能力，是耕地質量監測的重要指標之一，對于監測植物生長、土壤侵蝕、土地退化和荒漠化具有重要意義。傳統土壤水分測量直接用稱重法估計，計算樣本土壤烘干前后重量的差值，方法原理簡單，但由于土壤樣品在運輸、存儲、制備過程中容易遭到破壞，無法修復。其他常用的間接測量方法有時域反射計、中子儀探針、電容傳感器和伽馬射線掃描儀等。目前，利用遙感技術估算土壤含水量已被大家廣泛認可，積分方程模型(integral equation model，IEM)是最常用的散射模型之一，它在裸露或植被稀疏的地表上表現良好。大量研究表明，微波遙感在大范圍土壤含水量估算中應用效果明顯[6]。

隨著多源遙感數據獲取能力不斷增強，很多學者利用多源遙感數據融合反演土壤含水量。Han等[7]通過貝葉斯最大熵的框架，融合利用光學、近紅外、熱紅外、數字高程模型等多源數據進行土壤含水量的估算，可以獲得較高的估算精度。高光譜數據應用方面，有研究表明土壤含水量與土壤的高光譜反射率相關性較大，是提升土壤含水量評估分辨率最有前景的技術之一。常用的研究方法有波譜反射率法、函數法、模型法和以主成分回歸法、偏最小二乘回歸法、人工神經網絡法等為代表的機器學習法等，雖然在試驗區域能獲得較高的數據精度，但擴展到其他區域，需要更多的方法試驗與技術論證。結合使用地面、機載和衛星傳感系統，可以在不同時空尺度上估算土壤含水量。

2)土壤質地。 土壤質地是指由大小直徑不同的礦物質顆粒組合的土壤狀態，是保持土壤通氣、透水、保肥的重要因素，是耕地資源質量分類中重要的評價指標。土壤質地的實驗室測定方法主要有激光粒度儀分析法、吸管法、密度計法等，野外測量方法主要有比重計法、手測法等。相關研究表明，土壤質地與土壤光譜信息有一定的相關性。一般情況下，土壤顆粒越小，土壤之間的孔隙度越小，表面越光滑，光譜反射率越大；土壤顆粒越大，表面越粗糙，光譜反射率越小，呈顯著的負相關。但在相同大氣環境下，土壤顆粒越小，其持水能力越強，土壤反射率有所降低[8]。

土壤質地近地面遙感預測模型精度較高，R2可達0.8以上。Vaudour等[9]使用Sentinel-2數據，采用化學計量模型預測了幾種表土特性(粘土、SOC、鐵、pH等)，粘土含量預測的R2在0.4左右。隨著微波遙感技術的發展，其穿透成像介質的特性，有利于提高土壤質地反演精度。Zheng[10]結合光學(Sentinel-2)和雷達(Sentinel-1)數據對裸露土壤的表面水分和粗糙度進行估算，具有較強的相關性，獲得了更高的精度，估算土壤含水量均方根誤差減少約0.045 cm3/cm3，土壤粗糙度的均方根誤差減小約0.8 cm。PHilip Marzahn[11]利用機載微波遙感，對德國東北部低地觀測站反演的土壤質地具有較高的精度，平均均方根誤差(RMSE)2.42。Bousbih等[12]利用Sentinel-1和Sentinel-2組合數據，基于支持向量機 (SVM)和隨機森林(RF)方法的算法用于粘土含量的估算，準確度分別為0.62和0.65，隨機森林算法性能優于支持向量機。

3.2.2 土壤化學指標信息提取

1)土壤有機質/碳含量。 土壤有機質/碳含量(SOM/SOC)是衡量耕地質量的重要指標。土壤有機質的測量主要依靠野外調查采集土壤樣品，進行實驗室分析，但在大范圍區域內進行SOM預測成本高、難度大。野外調查主要以樣點的形式，通過地統計學的方法獲得空間連續的數值，但對于空間異質性較大的區域，則需要大量的樣點來保障數據精度[13]。基于遙感技術進行土壤有機質的預測相關研究表明，土壤有機質含量與土壤反射率呈顯著負相關[14]。Baumgardner等[15]研究表明，只有當土壤中有機質含量達到2%及以上，有機質含量對光譜的反射率才有影響作用，如果有機質含量很少，受土壤表面物質的影響，則有機質含量對光譜反射率的影響較小。史舟等[16]利用1 581個土壤樣本的土壤有機質含量與室內土壤光譜數據，反演精度R2可達0.90。唐海濤等[17]研究表明不同類型土壤的SOM預測精度存在差異，沼澤土的預測精度最高為0.768，黑土次之，為0.678，草甸土的預測精度最低，僅為0.674。

上述研究主要分析的是土壤有機質與室內光譜數據之間的相關性，但野外光譜數據會受室外環境條件的限制相關性減弱。隨著無人機技術的發展，針對田塊尺度的高精度遙感數據獲取越來越便捷，傳感器支持可見光、多光譜、高光譜等多種類型，SOM反演建模應用效果越來越好。祝元麗等[18]利用無人機高光譜數據，在中國東北黑土和比利時黃土研究區，分別進行暗室條件下和野外自然光條件下土壤有機質反演，R2分別優于0.65和0.58。利用衛星遙感影像，經預處理的光譜數據與土壤有機質含量呈明顯的相關性。劉煥軍等[19]選擇東北黑土區的裸土期，基于Landsat 8和Sentinel 2A兩期影像，利用隨機森林算法篩選波段和光譜指數，進行土壤有機質含量遙感反演，基于單期影像的R2優于0.83，基于兩期影像的R2達到0.938。

2)土壤pH值。 土壤酸堿度體現為土壤溶液中氫離子和氫氧根離子的濃度，用以反映土壤的酸堿強度。土壤pH值直接影響作物根系活動和根系微生物活動。有研究表明，土壤pH值與土壤的光譜反射率沒有直接的相關性，而地表植被、土壤水系等因素的影響下，土壤光譜反射率與pH值存在一定相關關系，ZHANG等[20]利用高光譜數據和2005—2016年的Landsat多光譜遙感影像，篩選了18個高光譜數據的光譜指數、17個多光譜數據的光譜指數和6個環境指數進行實驗分析，結果表明，比值植被指數(RVI)、歸一化差值植被指數(NDVI)、歸一化差值水指數(NDWI)、土地利用、年平均降水量和年平均氣溫與土壤PH值具有較強的相關性，基于多種影響因子建立的預測模型R2為0.5。

3)土壤鹽漬化程度。 土壤鹽漬化是全球土壤研究的熱點問題，我國土壤鹽漬化現象也比較普遍，耕地范圍內的鹽漬化土壤和次生鹽漬化土壤占耕地總面積的約1/5。土壤鹽漬化不僅影響土壤質量，威脅糧食安全，也是一種環境問題[21]。通過限制地表植被的水分汲取與蒸散發，降低作物產量，土壤質量下降[22-23]。土壤鹽漬化程度是耕地質量評價中的一項重要影響因子。土壤鹽漬化程度一般通過測定土壤含鹽量、電導率等體現，主要測量方法有電導率儀、殘渣烘干法、電磁感應計、介電常數測量套件等[22-25]。通過野外采樣監測土壤鹽漬化，樣點數據精準，但缺乏空間連續性，費時費力，監測周期長。近年來，得益于遙感技術日趨成熟，在不同尺度、不同區域上基于遙感數據開展土壤鹽漬化程度及分布的監測已成為常態，遙感數據主要有多光譜、高光譜、雷達等多種類型[26]。基于光學遙感影像，鹽度指數(SI)[27]、歸一化差異鹽度指數(NDSI)[28]等是常用的鹽分光譜指數，也有研究通過地表植被生長狀況(如NDVI、SAVI等[29]),分析植被的受鹽分脅迫程度，間接獲得土壤鹽漬化分布數據。基于室內高光譜反演土壤鹽分的研究較多，R2一般為0.7以上，而基于航空高光譜反演土壤鹽分的研究較少[30-31]。基于微波遙感反演土壤鹽漬化的研究較少，分析雷達數據的后向散射系數與土壤鹽漬化程度的關系，可對光學遙感影像的監測提供補充[32]。

4)土壤重金屬含量。 土壤重金屬含量是影響耕地質量的重要因素，直接反映耕地土壤生態環境與清潔程度。目前常用的測定方法有原子熒光光譜法(AFS)、電感耦合等離子體原子發射光譜法(ICP OES)、紫外-可見分光光度法(UV)、原子吸收光譜法(AAS)、X熒光光譜法(XRF)等[33]。除了采用直接測定法，可利用高光譜數據預測土壤中鉻、銅、鎳、鋁、硅、鎂、鐵、錳、鉛、鋅、鎘、鈷、砷和汞等重金屬含量[34]。

3.2.3 地形特征信息提取

1)坡度和坡向。 坡度和坡向直接影響耕地植被對土壤中的水分、肥力的利用率，影響耕地的氣溫條件、土壤墑情等，是評價耕地質量的重要因子。這兩項指標可以基于數字高程模型(DEM)經坡度、坡向計算獲得。DEM數據通常采用具有一定重疊度的立體像對的影像進行同名點匹配，從而形成地形數據。隨著多源遙感數據獲取能力的增強，傾斜攝影測量、合成孔徑雷達(InSAR)、激光雷達(Lidar)在獲取高精度DEM數據方面具有一定優勢。可根據區域的實際應用情況，選擇適合的數據獲取方式[35]，基于Lidar技術獲取DEM數據，可根據區域范圍、精度要求選擇無人機、大飛機搭載平臺；傾斜攝影等航空攝影測量法，尤其是無人機載荷，適用于地塊尺度，操作便捷；高分辨率立體測繪衛星遙感影像(如高分七號等)，可獲得高空間分辨率光學立體觀測數據和高精度激光測高數據，能更詳細地表達地表地形狀況。

2)地形部位與地貌類型。 地形部位、地貌類型體現為較大地理區域的地形特征，例如松遼平原、黃土高原等。不同的地貌類型、地形部位對土壤的發生、發育有著重要的影響，也是耕地質量評價中重要的影響因子[36]。基于數字高程模型、遙感影像等，結合實地的調研和歷史資料，定性或半定量地描述地形部位、地貌類型等信息。常用的數據分析方法有地形因子分析、地貌特征因素分析(提取特征點、特征線)、地貌分類與制圖等。

3.2.4 耕地基礎設施建設信息提取

現代化農業發展迅速，田間設施建設越來越完善，主要體現為機耕路、溝渠等水利設施的修繕、農田防護林的建設與維護、耕地平整深耕、高標準農田建設等。耕地地塊連片度、農田林網化率、耕地地塊規整度、灌溉保證率、排水條件、田間道路通達度等，均是耕地質量評價的重要因子。通過衛星遙感影像、中低空高分辨率航攝影像，可以清晰地獲取田間各類基礎設施的分布、范圍、數量等。

上述因子的提取均需來源于準確的地物分類數據，而基于遙感影像的地物分類提取研究一直是遙感領域重點研究內容，主流的地物分類方法主要有最大似然、最小距離、支持向量機、隨機森林等經典算法和面向對象、深度學習等新方法。傳統基于像元的分類方法，尤其面向高分辨率遙感影像的分類，缺少像元與地物對象間的關系，容易造成地物分類圖斑不完整、椒鹽現象嚴重等問題，影響地物分類邊界的完整性與合理性[37]。面向對象方法將影像像素級分類變為面對地物對象的分類，能更好地兼顧影像紋理特征、光譜特征等，獲得比較符合實際的地物邊界。基于深度學習的分類方法，更注重影像上下文語義關系，在地表地物分割方面具有顯著成效[38]。

3.2.5 遙感技術間接監測耕地質量

耕地質量的高低在一定程度上表現為地表植被生長的茂盛程度，耕地質量高地塊一般地表植被長勢好、產量高，而耕地質量低的地塊一般地表植被長勢差 、產量低。針對該現象，利用多年長時間序列的衛星遙感影像反演地表植被的長勢情況，間接反映耕地質量，這種方法監測范圍廣，時間周期短。常用于反演地表植被長勢情況的指標有NDVI(歸一化差值植被指數)、FVC(植被覆蓋度)、NPP(凈初級生產力)等。歐陽玲[39]研究了松嫩平原的耕地質量，評價并證實了耕地質量與NDVI、FVC、NPP有較強的相關性，表明地表植被的長勢監測可以間接評價耕地質量。

耕地質量在短期內變化較小，單期的地表植被長勢情況，受氣象條件、政策等方面因素的干擾，偶然性較大，難以準確地反映耕地質量，多年期的植被長勢平均情況能較穩定地反映耕地質量。這種方法有利于大范圍耕地質量監測，但對于局部小區域耕地質量空間差異性的表達不夠精細。

4 思考與建議

以遙感技術為支撐，擺脫了傳統依賴樣點插值的面域監測與評價方式，可以實現大面積、快速監測與評價耕地質量，縮短監測與評價周期。但針對上述遙感技術在耕地質量監測中的應用現狀，提出如下建議：

1)基于遙感信息的土壤屬性遙感定量監測，遙感信息因錯綜復雜的環境因素、土壤區域性因素等影響，有必要開展多光譜、高光譜、微波遙感及熱紅外等多源遙感數據的協同利用，并采用多時間序列數據的組合應用，保障大區域大范圍耕地質量監測與評價結果的一致性與可靠性。

2)建立不同應用尺度下耕地質量評價指標體系，分析各評價指標的遙感特征。為精確監測與評價耕地質量，需要將衛星、航空、近地面遙感數據與實地調查、檢測化驗數據、網絡數據等深度融合，形成星空地一體化的多尺度、定量化的耕地質量監測與評價技術體系。

3)提升黑土區耕地質量評價的自動化、智能化水平，形成工程化的黑土區耕地質量監測與評價的遙感數據支撐平臺。充分挖掘黑土區不同時間、不同地表覆蓋、不同土壤類型下的遙感信息響應規律，建立可靠的知識經驗庫和理論方法，搭建耕地質量評價的遙感大數據平臺，實現基于多尺度遙感數據的耕地質量評價指標信息工程化獲取應用，為黑土區耕地質量遙感大面積監測與評價提供支撐。