基于高分衛星的冬小麥長勢監測及驅動因素分析

王樂，樊彥國*，樊博文，王勇

基于高分衛星的冬小麥長勢監測及驅動因素分析

王樂1，樊彥國1*，樊博文2，王勇3

（1.中國石油大學（華東）, 山東 青島 266580；2.哈爾濱工程大學, 哈爾濱 150001；3.煙臺市地理信息中心, 山東 煙臺 264000）

【目的】冬小麥作為我國第二大糧食作物，掌握其長勢情況對于保障我國糧食安全具有積極意義。【方法】首先基于Sentinel-2影像，利用隨機森林的方法提取研究區2018—2020年冬小麥種植的空間分布，并利用高分影像提取分析了冬小麥種植區域內2018—2020年在返青期、起身拔節期、孕穗抽穗期、開花期的長勢變化情況，之后將冬小麥長勢變化分為長勢較好、長勢持平、長勢較差3個等級進行對比分析；其次利用地理探測器對典型年份（2018年）的冬小麥長勢監測結果與氣溫、降水量、坡度、坡向、高程、土壤類型、土壤濕度、日照時間、人口密度、鄉村勞動力資源、GDP這11種驅動因子進行因子探測和交互探測，定量解釋了影響冬小麥長勢差異的原因。【結果】對比3 a冬小麥長勢情況，2020年冬小麥在返青期與起身拔節期長勢較好，面積占比為90%以上，而在孕穗抽穗期長勢較差，面積占比為20%以上，在開花期長勢持平，面積占比約80%。對冬小麥長勢解釋力較高的驅動因子的排列順序為：鄉村勞動力資源數>土壤濕度>降水量>氣溫>日照時間，各驅動因子之間的交互作用表現為雙因子增強或非線性增強。【結論】冬小麥的長勢變化受到多因素共同作用，是復雜因子交互作用的一種結果。

冬小麥；面積提取；長勢監測；地理探測器；位山灌區

0 引言

【研究意義】冬小麥作為世界四大主糧之一[1]，對其長勢監測是指導農業生產、穩定糧食安全的有效途徑[2]，因此通過研究冬小麥的長勢變化及驅動機制，能夠量化作物生長與影響因子之間的相互作用，可為預測冬小麥產量、進行冬小麥管理、發展智慧農業提供理論依據[3]。然而傳統的作物長勢監測一般通過實地考察的方法，盡管該方法具有很高的精確度，但往往耗費大量的人力和物力[4-5]。隨著遙感技術的快速發展和農業現代化管理的推進，遙感技術被逐漸應用于大型灌區的作物生長監測[6-8]。

【研究進展】當前國內外主要采用中低分辨率遙感影像數據和無人機影像數據進行長勢監測，例如Boori等[9]基于Sentinel-2和Landsat數據利用歸一化植被指數（, Normalized Difference Vegetation Index）時間序列對作物生長階段的長勢進行監測，其結果為評估作物生長狀況以及農業可持續發展提供有價值的支持。孫麗等[10]基于MODIS數據利用指數同期對比法對2019年美國冬小麥進行長勢監測分析。牛魯燕等[11]通過構建基于無人機平臺的小麥長勢監測模型，為園區和農場尺度小麥長勢的實時監測提供有效技術支撐。而小麥的長勢情況同時受到降水量、氣溫、日照時間等因素的影響，目前對冬小麥生產系統的驅動因子進行定量分析主要通過經驗的統計分析模型來實現，如李炳軍等[12]采用灰色關聯分析方法對河南省冬小麥不同生長階段與氣象影響因素進行雙重量化分析。鄭潤橋等[13]采用Pearson相關分析法探究魯西北地區冬小麥灌溉需水量的驅動因素。花佳程等[14]對淮北平原冬小麥的作物系數進行相關分析，得出了作物系數與氣候因子聯系緊密的結論。

【切入點】綜上所述，盡管Sentinel-2影像數據時相分辨率高，但由于天氣以及云遮蓋等外在因素的影響，使得影像存在部分缺失以及質量較差的情況，無人機影像空間分辨率較高，但存在應用范圍小、成本高等缺點，不能及時獲取研究區影像，而高分衛星具有高空間分辨率以及高時相分辨率的特點，能夠持續全面地對研究區冬小麥進行長勢監測。對于探究冬小麥長勢差異的驅動機制，統計分析模型對定量解釋冬小麥長勢變化的因素具有指導性的作用，但無法體現空間異質性的特征，且在解釋因子交互作用機理方面存在明顯缺陷[15]，而地理探測器在度量空間分異性、探測解釋因子、分析變量之間交互關系方面具有較好的優勢[16]。

【擬解決的關鍵問題】因此，本文以位山灌區中北部平原作為研究區域，對研究區內的冬小麥進行長勢監測和地理探測器分析，首先基于Sentinel-2影像獲取冬小麥種植時空分布，之后利用2018—2020年返青期、起身拔節期、孕穗抽穗期、開花期的高分影像進行差值模型計算，依據差值結果進行長勢等級劃分判斷2020年冬小麥的長勢情況，最后通過地理探測器對土壤濕度、氣溫、降水量、日照時間、GDP和鄉村勞動力資源等11個驅動因子進行定量分析，探究不同驅動因子對冬小麥長勢變化情況的影響程度及交互作用。通過高分遙感影像結合地理探測器對冬小麥進行了長勢監測與驅動因子分析，研究對冬小麥長勢情況影響力較強的驅動因子，對于農業科學管理，促進農業發展，建設智慧農業具有重要作用。

1 材料與研究區

1.1 研究區概況

位山灌區作為黃河下游最大的引黃灌區，居全國特大型灌區第五位。灌區位于聊城市中北部，本文以位山灌區中北部平原為研究區（圖1），經緯度范圍為115°8′—116°27′E，36°15'—37°1'N，面積為4 335.8 km2，地勢東南高西北低。研究區整體屬于溫帶季風氣候，冬季降水量少，春季干旱頻繁，導致年平均降水量僅為540.4 mm，而年平均蒸發量為1 709 mm，因此研究區水資源時空分布不均勻，主要依賴黃河水灌溉，多種植冬小麥和玉米。

1.2 影像數據集及預處理

本研究選用Sentinel-2影像數據來自谷歌地球引擎（Google Earth Engine，GEE，https://code.earthengine.google.com/），高分影像數據來自中國資源衛星中心（http://www.cresda.com/CN/）。其中Sentinel-2衛星攜帶多光譜成像儀，覆蓋13個光譜波段，空間分辨率最高達到10 m，時相分辨率為5 d，光譜信息豐富，該數據高空間分辨率的特點能有效減少混合像元對冬小麥識別的影響[17]，因此在本研究中主要用于提取冬小麥面積。GF-1和GF-6號衛星均搭載寬幅相機，可以獲取16 m多光譜遙感影像，且二者組網將時相分辨率由4 d縮短為2 d，因此借助高分衛星影像高時相分辨率的特點對研究區冬小麥的長勢進行了持續的精準監測。

圖1 研究區域地理位置

山東省冬小麥9月下旬—10月上旬播種，次年5月下旬—6月上旬收割，研究所選用冬小麥生育期如表1所示。基于以往研究發現起身拔節期冬小麥面積提取效果顯著[18]，因此，基于GEE平臺完成了對2018—2020年3月（起身拔節期）的Sentinel-2影像的去云、鑲嵌、裁剪等預處理操作，選取影像詳細情況見表2。冬小麥從返青期至開花期的值變化幅度較大，因此使用ENVI 5.6軟件對2018—2020年2月上旬到5月上旬（返青期—開花期）的GF-1和GF-6影像數據進行輻射定標、FLAASH大氣校正、正射校正等預處理工作，高分影像選取時間及對應生育期如表3所示。

表1 研究所用冬小麥生育期

表2 研究所用Sentinel-2影像數據

表3 研究所用GF-1(GF-6)影像數據

1.3 樣本選取

使用Sentinel-2影像的假彩色組合（B11，B8，B5）和真彩色組合（B4，B3，B2）顯示影像[19]，并結合Google Earth中2018—2020年冬小麥生育期的歷史影像以及2018年實地采集數據進行樣本點的選取。本文共選取1 387個樣本點，包括713個冬小麥樣本點和674個非冬小麥樣本點，樣本點均勻分布于整個研究區域，降低了樣本空間自相關性對驗證結果精度的影響，樣本點中70%作為訓練樣本，剩余30%作為驗證樣本。

1.4 驅動因子數據源及預處理

DEM數據ASTER GDEM V2來源于美國航空航天局（National Aero-nautics and Space Administration，NASA，https://earthdata.nasa.gov/），空間分辨率為30 m，并經過坐標轉換計算坡度和坡向數據；土壤類型數據來源于中科院資源環境科學數據中心（http://www.resdc.cn/），空間分辨率為1 km；氣象數據[20]和土壤水分數據[21]來源于國家生態科學數據中心（http://www.nesdc.org.cn/），空間分辨率為1 km；人口密度和GDP數據來源1 km網格的中國人口/GDP空間分布公里網格數據集；日照時間來源于歷史天氣查詢（https://richurimo.bmcx.com/）；鄉村勞動力資源數來源于2019年聊城市統計年鑒[22]。柵格數據均通過鑲嵌裁剪、投影轉換等處理，統計數據以縣域行政區劃為統計單元，并換算單位密度統一為每平方公里或占比，使用ArcGIS 10.2將統計數據關聯到縣域行政區劃矢量數據，并進行矢量轉柵格的處理。

2 研究方法

2.1 冬小麥面積提取方法與精度驗證

隨機森林算法是2001年由Breiman等[23]提出的一種有效的基于CART決策樹機器學習算法的集成分類器，該算法降低了過擬合能力且泛化能力較強[24-25]，并且還具有運算速度快，準確率高，準確評估各特征的重要性等特點，使得該算法在農業領域已得到廣泛的應用[26]，因此，本文基于ENVI平臺借助隨機森林分類器[27]對冬小麥面積進行提取，并將決策樹的數量設置為100，特征數量設置為輸入特征總數的平方根。

通過上述分類操作獲得2018—2020年研究區冬小麥種植面積后，利用30%的樣本作為驗證數據采用混淆矩陣對提取結果進行精度評定，精度評定主要包括總體精度、Kappa系數、用戶精度和生產者精度4個指標[28]。

2.2 長勢遙感監測方法

農作物的長勢監測主要分為過程監測和實時監測，過程監測是通過對農作物整個生長周期進行描述和分析；實時監測是通過同期對比來確定作物的相對長勢，使用實時監測的方法能較好地探究冬小麥在不同生育期的長勢情況以及生長過程[29-30]。由于植物葉綠素對電磁波譜中紅色波長（R）能量的吸收和植物細胞結構對近紅外（NIR）能量的反射，因此通過上述兩波段反演得到的指數是評價作物發育的強有力指標[31-32]。冬小麥在不同生育期的值存在明顯差異，例如返青期前值整體偏低，而從返青期開始值逐漸增大直至開花期達到飽和，并在成熟期開始下降最終收割[33]。故通過實時監測不同年份同期對比差值結果，來分析2018—2020年冬小麥長勢變化情況。

結合冬小麥空間分布信息對研究區進行掩膜提取，并基于高分影像數據計算獲取2018—2020年2月中旬—5月上旬掩膜區域內的值，之后將不同年份同生育期的結果進行最大值合成，最后使用差值模型對不同年份相同生育期的冬小麥長勢情況進行分析。計算得到的差值結果符合正態分布規則且大多集中于（-0.1，0.1）[17]，因此將冬小麥長勢劃分為3類：差值＜-0.1時，表示冬小麥比2018年或2019年長勢較差；差值在-0.1～0.1時，表示冬小麥與2018年或2019年長勢持平；差值＞0.1時，表示冬小麥比2018年或2019年長勢較好。差值模型計算式為：

式中：D和t代表不同年份同時期的差值結果；2020i代表2020年每個生育期最大值合成的結果；2018i和2019i分別代表2018年和2019年每個生育期最大值合成的結果。

2.3 地理探測器分析法

地理探測器是探測空間分異性，以及揭示其背后驅動力的一組統計學方法。這里主要采用地理探測器的2個工具，包括因子探測和交互探測來定量解釋研究范圍內冬小麥長勢變化的空間異質性特征及驅動因素。

1）因子探測：探測（）的空間分異性；以及探測某因子（自然因子和社會經濟因子）多大程度上解釋了屬性的空間分異。用值度量[34]，表達式為：

2）交互探測：識別不同風險因子之間的交互作用，即評估因子1和2共同作用時是否會增加或減弱對因變量的解釋力，或這些因子對的影響是相互獨立的。評估的方法是首先分別計算2種因子1和2對的值：（1）和（2），并且計算它們交互時的值：（1∩2），并對（1）、（2）與（1∩2）進行比較。2個因子之間的關系（見表4）可分為以下幾類[35]：

表4 影響因子交互作用的判斷依據

根據研究表明，自然因子對冬小麥長勢具有顯著影響，而相較于自然條件因素，農業生產因素對其影響更大[36-37]。考慮系統科學性，選取氣溫、降水量等11個因子（見表5）探測研究區域冬小麥長勢變化的驅動機制。由于2018年冬小麥不同生育期長勢變化波動較大且相近年份值相差不大，故本文使用2018年作為典型年來研究各驅動因子對冬小麥長勢的影響程度和交互作用。首先利用ArcGIS軟件創建漁網工具，生成冬小麥分布范圍內共2 570個中心點作為采樣點，然后提取中心點地理位置對應的和的屬性值，最后使用地理探測器R包進行處理。

表5 冬小麥長勢影響因子指標

3 結果與分析

3.1 冬小麥提取結果

本研究依據2.1所述方法進行冬小麥面積提取與精度驗證，根據表6、表7可知，冬小麥提取面積大于統計面積，相對誤差均在2%以內，總體精度達到90%以上，提取面積變化趨勢與統計面積變化趨勢一致，2018—2020年冬小麥種植面積在逐年降低。研究區域冬小麥種植范圍空間分布如圖2所示，可以看出冬小麥分布均勻。

表6 研究區冬小麥提取面積與統計面積比較

表7 研究區冬小麥基于混淆矩陣提取精度

圖2 2018—2020年冬小麥分布

3.2 冬小麥長勢監測結果分析

本研究使用時相分辨率為2 d、空間分辨率為16 m的高分影像組合對冬小麥長勢進行監測，既保證了監測的實時性，又兼顧了監測的準確性，能較為全面地獲取冬小麥的長勢變化情況。故將2020年冬小麥與2018、2019年同期進行差值運算并對比分析，根據增量對應的像元個數可以得出如下結果（圖3），2020年與2019年同期比較可得：在返青期和起身拔節期，增量多為正值，且多集中于0.1～0.5之間，而在孕穗抽穗期與開花期增量多為負值，且集中于-0.1～0.1之間。2020年與2018年同期相比：在返青期和起身拔節期，增量＞0的像元數占比較大；在孕穗抽穗期增量＜0的像元個數占優勢；而在開花期增量為正值的像元個數又高于負值個數。整體情況來看，2018年冬小麥生長情況波動較大，適合進行驅動因子探測，而2019年與2020年長勢較為平穩，且在2019年后期與2020年前期長勢較好。

圖3 2020年冬小麥種植區域與往年相比的NDVI變化

本文根據差值結果對冬小麥長勢劃分為較好、持平與較差3類。由圖4（a）可知，2020年與2018年相比，返青期和起身拔節期絕大多數區域均歸屬于長勢較好類別，孕穗抽穗期長勢較差的面積占比（23.9%）高于長勢較好的面積占比（14.4%），二者相差9.5%，長勢持平面積為61.7%；開花期長勢較差的面積占比（6.8%）低于長勢較好的面積占比（16.8%）為10%，長勢持平面積增長為76.4%，符合冬小麥生育后期大部分面積長勢與往年持平的研究結果。與2018年相比的整體情況來看，2020年返青期和起身拔節期的生長情況為優，孕穗抽穗期和開花期大部分區域長勢持平，但是在孕穗抽穗期生長情況不佳，而開花期長勢又得以恢復，整體情況較2018年相比較好。由圖4（b）可知，2020年與2019年相比，返青期和拔節期中長勢較好的面積占比遠遠大于長勢較差與持平的占比；在孕穗抽穗期和開花期，長勢較差的面積占比均大于長勢較好的面積占比，其中孕穗抽穗期的長勢較差面積占比為47.6%，比長勢較好面積占比（1.8%）多出了45.8%，而開花期長勢較差面積占比降到了16.1%，長勢較好面積增加到2.5%，二者相差13.6%，長勢持平的面積占比在2個生長周期分別達到了50.6%和81.4%，符合冬小麥生育后期大部分面積長勢與往年持平的研究結果。整體情況來看，2020年返青期和起身拔節期生長情況較好，孕穗抽穗期和開花期大部分區域與往年持平，整體生長情況和2019年相比較差。結合2018年和2019年的長勢對比來看，2020年前期生長速度快，后期雖然大部分持平，但部分區域仍長勢較差。

3.3 地理探測器驅動因子探測分析

根據3.2小節對3 a冬小麥長勢變化監測分析結果可知，2018年冬小麥長勢變化波動范圍較大，因此對長勢影響因子探究較為典型，故本研究采用2018年相關影響因子數據對長勢影響進行分析。因子的探測結果值反映了各因子對值即冬小麥長勢的解釋力大小。值均＜0.1，說明研究范圍冬小麥長勢變化不受個別因素的主導。得出的值（影響力）及對應的值（顯著性）結果如表8所示，每個自變量因子的值對應的值代表了這個因子的顯著性，值＜0.05則表示為差異顯著，如果值＜0.01，則差異極顯著，值越小，就說明某類型量對因變量是有影響的可靠性越高。從結果來看1、2、7、8、10的值都＜0.05，通過置信度5%的假設性檢驗（表8中*表示通過置信度5%的假設性檢驗的驅動因子）。值較小可能與尺度效應有關，也從側面說明，冬小麥的長勢是各驅動因子復雜交互作用的結果，從表8分析可知，2018年各因子對研究區冬小麥長勢的解釋力由大到小的排列順序為：鄉村勞動力資源數>土壤濕度>降水量>氣溫>日照時間>GDP>人口密度>高程>坡向>坡度>土壤類型，其中解釋力較強的因子有鄉村勞動力資源數、土壤濕度、降水量、氣溫、日照時間。

圖4 與2018、2019年相比研究區冬小麥4個生育期的長勢情況

由于研究范圍內種植冬小麥的區域基本上以黃河沖積平原為主，因此高程相差較小，坡度和坡向對于作物的生長也不具有明顯的影響；研究區土壤類型主要以潮土為主，土壤類型差異較小，對冬小麥生長影響程度較低；土壤濕度和降水量都和植物生長必需的水分有關，而水分與根系發育息息相關，并且與有機物質的輸送具有關系，是冬小麥生長必不可少的因素；溫度會影響蒸騰、呼吸等代謝過程，還會影響土壤溫度、空氣溫度，進而影響冬小麥的生長；日照和植物生長的光合作用密切相關，能夠促進有機物質的積累。據以往研究表明冬小麥長勢與人口密度、GDP等社會經濟因子相關性較低，主要與土壤濕度、降水量、氣溫、日照時間等氣候因子相關[16-17,33]，這與本試驗得出的結果一致，但由于研究區獨特的地理位置導致春季干旱頻繁，主要依賴人力進行黃河水灌溉，而灌溉、施肥、防治病蟲害等農事活動與鄉村從事農業人員有極大的關聯，這也間接影響到農作物的長勢，隨著外出務工人員的增加，從事農業人口數減少，由人類主導的農事活動次數縮減或應對不及時，因此鄉村勞動力資源數在某種程度上對冬小麥的長勢造成了影響。

交互探測主要體現2個不同因子間對于冬小麥長勢的交互作用以及和單因子作用時相比對冬小麥長勢變化的影響差異，交互作用結果如圖5所示：從圖5可以看出，不同因子之間存在雙因子增強或非線性增強的交互作用，2個因子疊加的值（影響力）遠大于單因子的值（影響力），不存在非線性減弱或相互獨立的交互作用，這也側面證明冬小麥的長勢變化是各因素交互作用的復雜結果，不被單因子所主導；鄉村勞動力資源數與氣溫、降水量、土壤濕度、日照時間的交互作用解釋力分別為0.055 7、0.058 2、0.066 3、0.051 3，日照時間與氣溫、降水量、土壤濕度的交互作用解釋力分別為0.021 4、0.029 9、0.031 0，土壤濕度與降水量、氣溫的交互作用解釋力分別為0.038 9、0.046 2，平均氣溫與降水量之間的交互作用解釋力為0.026 6。由于坡度坡向等因子未通過顯著性檢驗，故在交互作用中不參與全局的比較，而在橫向對比中，坡度、坡向和人口密度分別與鄉村勞動力資源數、日照時間、土壤濕度的交互作用影響力較高，高程和土壤類型與鄉村勞動力資源數、日照時間、土壤濕度、氣溫的交互作用影響力較高，GDP與日照時間、土壤濕度、氣溫、降水量的交互作用影響力較高。在所有通過顯著性檢驗的單因子交互作用結果中，鄉村勞動力資源數與土壤濕度的交互作用對冬小麥長勢差異的解釋力最強，因子間交互作用對冬小麥長勢變化的解釋力始終大于單因子作用，從而進一步影響了冬小麥的長勢差異。

圖5 交互探測結果

根據聊城市統計年鑒可知，2018、2019、2020年的鄉村勞動力資源數分別為76.48萬、72.88萬、61.27萬人，整體呈下降趨勢，從事農業人口數的縮減，導致了農事活動的延遲或次數減少，也間接影響了冬小麥的長勢。通過在歷史天氣（https://richurimo.bmcx.com/）和國家氣象科學數據中心（http://www.nmic.cn/）查詢2018—2020年冬小麥生育期內逐日的土壤濕度、平均氣溫、平均降水量、日照時間，計算返青期、起身拔節期、孕穗抽穗期和開花期的平均土壤濕度、平均氣溫、平均降水量、平均日照時間，根據不同生長時期自然因子的變化情況探究冬小麥的長勢變化。根據圖6可知，在返青期和起身拔節期，2018年和2019年的土壤濕度、氣溫、日照時間均小于2020年，雖然2018年降水量在起身拔節期超過了2020年，但通過灌溉以及其他自然因子的共同作用下，使得冬小麥2020年2—3月生長情況較好；在孕穗抽穗期，2018年和2019年的土壤濕度、降水量、氣溫、日照時間均大于2020年，所以2020年4月中上旬的冬小麥長勢不如往年好；在開花期，2020年自然生長條件整體較好，與2019年和2018年相比大部分都長勢持平，但2020年與2019年相比，長勢較差的比長勢較好的多13.6%，應該是由于在孕穗抽穗期，長勢較差的冬小麥過多，雖然在開花期的生長環境有所緩解，但因為孕穗抽穗期是冬小麥生長的關鍵期，所以部分冬小麥長勢較差。

圖6 不同年份同時期自然因子變化情況

4 討論

冬小麥作為研究區主要糧食作物之一，其長勢結果可能影響到糧食作物的產量進而威脅國家安全。孫麗等[10]、周柯等[17]采用MODIS影像進行大區域的冬小麥長勢監測，本文由于研究區較小且Sentinel-2部分影像質量較差，故使用分辨率為16 m的GF-1和GF-6影像對2020年冬小麥進行長勢監測，結果發現，在冬小麥生育后期與其他年份相比長勢持平面積占比達到75%以上，與以往研究結論一致，即在冬小麥的生長后期長勢大部分與往年持平。

對于植物生長驅動機制的研究，有研究[38-39]通過探究氣溫、降水量、坡度、坡向等氣候因子和GDP、人口密度等社會經濟因子對植物生長情況的影響，得出氣候因子對植物生長占據主導作用的結論。本文利用地理探測器對冬小麥長勢變化進行了因子探測和交互探測，除上述因子，增加了與冬小麥長勢密切相關的土壤濕度和鄉村勞動力資源數2個因子，系統分析了冬小麥長勢變化的外界驅動因素，得出了人類活動對冬小麥影響較大，但依然以氣候因素為主的結論，這與以往研究得出的結論保持一致。同時，地理探測器能夠從因子間交互作用進一步地探討冬小麥長勢變化的空間異質性，彌補了傳統方法的不足。

本文基于不同年份同時期的差值結果，探討了2020年冬小麥的長勢情況，并利用地理探測器定量解釋了驅動因子對于冬小麥長勢差異的影響程度，為相關決策提供了數據支撐與建議[38]。在研究方法上仍存在使用Sentinel-2影像進行冬小麥面積提取，導致其他植被誤分為冬小麥的問題，針對這一問題在未來的研究中可以利用雷達影像和含有熱紅外波段的影像進行數據融合，并采用多種分類算法結合的方式以提高分類的準確性。另外由于研究區面積較小，且驅動因子柵格影像空間分辨率過低，造成尺度效應，導致值偏低，在后續的研究中，可以嘗試使用氣象站數據進行插值處理，以改善柵格的空間分辨率較低的問題，提高研究結果的精確度，以便更好地服務于現代化農業建設。

5 結論

1）2018—2020年冬小麥種植面積分別為2 157.37、2 143.10、2 115.96 km2，且主要種植于研究區的中北部地區，通過對比分析3 a的冬小麥面積變化情況，整體呈現出逐年下降的趨勢。

2）2018—2020年冬小麥長勢變化情況較大，其中2018年冬小麥在各生育期長勢變化最大，2019年后期與2020年前期長勢較好，2019年前期與2020年后期長勢較差，而在2018—2020年的開花期，大部分研究區域內冬小麥長勢變化基本持平。

3）2018年影響冬小麥長勢的各因子進行因子探測的大小結果為：鄉村勞動力資源數>土壤濕度>降水量>氣溫>日照時間>GDP>人口密度>高程>坡向>坡度>土壤類型，冬小麥的長勢變化是一種復雜的因子交互作用的結果，也從側面證明了冬小麥長勢受到多因素共同作用。

[1] SONG Yang, WANG Jing. Mapping winter wheat planting area and monitoring its phenology using Sentinel-1 backscatter time series[J]. Remote Sensing, 2019, 11(4): 449.

[2] WANG Lijuan, ZHANG Guimin, WANG Ziyi, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China[J]. Remote Sensing, 2019, 11(7): 809.

[3] DONG Jie, FU Yangyang, WANG Jingjing, et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data, 2020, 12(4): 3 081-3 095.

[4] QIU Lin, SUN Genyun, ZHANG Aizhu, et al. Winter wheat phenology extraction based on dense time series of senyinel-1A data[C]//IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2020: 5 262-5 265.

[5] YANG Aixia, ZHONG Bo, WU Jinhua. Monitoring winter wheat in Shandong Province using Sentinel data and Google Earth Engine platform[C]//International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp). IEEE, 2019: 1-4.

[6] CHENG Tao, YANG Zhengwei, INOUE Yoshio, et al. Preface: Recent advances in remote sensing for crop growth monitoring[J]. Remote Sensing, 2016, 8(2): 116.

[7] SHARABIANI V R, KASSAR F H, GILANDEH Y A, et al. Application of soft computing methods and spectral reflectance data for wheat growth monitoring[J]. Iraqi Journal of Agricultural Science, 2019, 50(3): 1 064-1 076.

[8] DU M M, NOGUCHI N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system[J]. Remote Sensing, 2017, 9(3): 289.

[9] BOORI M S, CHOUDHARY K, KUPRIYANOV A V. Crop growth monitoring through Sentinel and Landsat data based NDVI time-series[J]. Компьютерная Оптика, 2020, 44(3): 409-419.

[10] 孫麗, 王蔚丹, 陳媛媛, 等. 2019年美國冬小麥長勢遙感監測分析[J].安徽農業科學, 2020, 48(1): 241-244.

SUN Li, WANG Weidan, CHEN Yuanyuan, et al. Analysis of winter wheat growth of United States with remote sensing data in 2019[J]. Journal of Anhui Agricultural Sciences, 2020, 48(1): 241-244.

[11] 牛魯燕, 蔣風偉, 張俊麗, 等. 基于無人機多光譜遙感的小麥長勢監測研究[J]. 山東農業科學, 2021, 53(3): 139-145.

NIU Luyan, JIANG Fengwei, ZHANG Junli, et al. Study on wheat growth monitoring based on UAV multi-spectrum[J]. Shandong Agricultural Sciences, 2021, 53(3): 139-145.

[12] 李炳軍, 王天慧. 冬小麥不同生長階段氣象因素對產量影響的雙重量化分析[J]. 麥類作物學報, 2018, 38(4): 487-492.

LI Bingjun, WANG Tianhui. Double quantification analysis of the effect of meteorological factors on yield in winter wheat at different growth stages[J]. Journal of Triticeae Crops, 2018, 38(4): 487-492.

[13] 鄭潤橋, 費良軍, 介飛龍, 等. 區域灌溉需水量時空變化特征及其影響因素研究：以魯西北地區為例[J]. 灌溉排水學報, 2022, 41(4): 84-92.

ZHENG Runqiao, FEI Liangjun, JIE Feilong, et al. Spatiotemporal variation in crop demand for irrigation water and its determinants: Take Northwest Shandong Province as an example[J]. Journal of Irrigation and Drainage, 2022, 41(4): 84-92.

[14] 花佳程, 朱永華, 王振龍, 等. 淮北平原冬小麥作物系數的變化規律研究[J].灌溉排水學報, 2021, 40(2): 118-124.

HUA Jiacheng, ZHU Yonghua, WANG Zhenlong, et al. Spatiotemporal variation of crop coefficient of winter wheat in Huaibei plain[J]. Journal of Irrigation and Drainage, 2021, 40(2): 118-124.

[15] 童威, 郎豐鎧. 基于地理探測器的武漢市土地利用變化及其驅動機制探討[J]. 水利水電技術(中英文), 2021, 52(4): 45-56.

TONG Wei, LANG Fengkai. Geodetector-based analysis on land-use variation and its driving force in Wuhan[J]. Water Resources and Hydropower Engineering, 2021, 52(4): 45-56.

[16] 陳實. 中國北部冬小麥種植北界時空變遷及其影響機制研究[D]. 北京: 中國農業科學院, 2020.

CHEN Shi. The spatiotemporal shift of the northern limit of winter wheat in Northern China and its influence mechanism[D]. Beijing: Chinese Academy of Agricultural Sciences, 2020.

[17] 周珂, 柳樂, 張儼娜, 等. GEE支持下的河南省冬小麥面積提取及長勢監測[J]. 中國農業科學, 2021, 54(11): 2 302-2 318.

ZHOU Ke, LIU Le, ZHANG Yanna, et al. Area extraction and growth monitoring of winter wheat in Henan Province supported by google earth engine[J]. Scientia Agricultura Sinica, 2021, 54(11): 2 302-2 318.

[18] 雷海梅. 基于多源遙感數據的黑龍港流域主要農作物分類研究[D].邯鄲: 河北工程大學, 2021.

LEI Haimei. Research on the classification of main crops in Heilonggang watershed based on multi-source remote sensing data[D]. Handan: Hebei University of Engineering, 2021.

[19] 魏夢凡. 基于Sentinel-2A衛星遙感影像的開封市冬小麥種植面積提取技術研究[D]. 開封: 河南大學, 2019.

WEI Mengfan. Research on extraction technology of winter wheat planting area in Kaifeng City based on Sentinel-2A satellite remote sensing image[D]. Kaifeng: Henan University, 2019.

[20] 王軍邦, 葉輝. 2000—2018年全國1km每8天精細格網化氣象數據空間插值數據集[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

WANG Junbang, YE Hui. 2000—2018 National 1km every 8-day fine gridded meteorological data spatial interpolation dataset[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

[21] MENG Xiangjin, MAO Kebiao, MENG Fei, et al. A fine-resolution soil moisture dataset for China in 2002—2018[J]. Earth System Science Data, 2021, 13(7): 3 239-3 261.

[22] 聊城市統計局, 國家統計局聊城調查隊. 聊城統計年鑒-2019[M]. 北京: 中國統計出版社, 2019.

[23] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] 雷震. 隨機森林及其在遙感影像處理中應用研究[D]. 上海: 上海交通大學, 2012.

LEI Zhen. Random forest and its application in remote sensing image processing[D]. Shanghai: Shanghai Jiao Tong University, 2012.

[25] 劉毅, 杜培軍, 鄭輝, 等. 基于隨機森林的國產小衛星遙感影像分類研究[J]. 測繪科學, 2012, 37(4): 194-196.

LIU Yi, DU Peijun, ZHENG Hui, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196.

[26] 李長春, 陳偉男, 王宇, 等. 基于多源Sentinel數據的縣域冬小麥種植面積提取[J]. 農業機械學報, 2021, 52(12): 207-215.

LI Changchun, CHEN Weinan, WANG Yu, et al. Extraction of winter wheat planting area in county based on multi-sensor Sentinel data[J]. Transactions of the Chinese Society for of Agricultural Machinery, 2021, 52(12): 207-215.

[27] VAN DER LINDEN S, RABE A, HELD M, et al. The EnMAP-box—a toolbox and application programming interface for EnMAP data processing[J]. Remote Sensing, 2015, 7(9): 11 249-11 266.

[28] 程永政. 多尺度農作物遙感監測方法及應用研究[D]. 鄭州: 解放軍信息工程大學, 2009.

CHENG Yongzheng. The study on the methods for multi-scale crop monitoring by remote sensing[D]. Zhengzhou: PLA Information Engineering University, 2009.

[29] 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, 345.

WU Suxia, MAO Renzhao, LI Hongjun, et al. Review of crop condition monitoring using remote sensing in China[J]. Chinese Agricultural Science Bulletin, 2005, 21(3): 319-322, 345.

[30] 吳炳方, 張峰, 劉成林, 等. 農作物長勢綜合遙感監測方法[J]. 遙感學報, 2004, 8(6): 498-514.

WU Bingfang, ZHANG Feng, LIU Chenglin, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498-514.

[31] SKAKUN S, FRANCH B, VERMOTE E, et al. Winter wheat yield assessment using landsat 8 and sentinel-2 data[C]//IGARSS 2018—2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 5 964-5 967.

[32] MATTON Nicolas, CANTO Guadalupe Sepulcre, WALDNER Fran?ois, et al. An automated method for annual cropland mapping along the season for various globally-distributed agrosystems using high spatial and temporal resolution time series[J]. Remote Sensing, 2015, 7(10): 13 208-13 232.

[33] 尹捷, 周雷雷, 李利偉, 等. 多源遙感數據小麥識別及長勢監測比較研究[J]. 遙感技術與應用, 2021, 36(2): 332-341.

YIN Jie, ZHOU Leilei, LI Liwei, et al. A comparative study on wheat identification and growth monitoring based on multi-source remote sensing data[J]. Remote Sensing Technology and Application, 2021, 36(2): 332-341.

[34] WANG Jinfeng, LI Xinhu, CHRISTAKOS George, et al. Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127.

[35] 王勁峰, 徐成東. 地理探測器: 原理與展望[J]. 地理學報, 2017, 72(1): 116-134.

WANG Jinfeng, XU Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.

[36] 李昊儒, 毛麗麗, 梅旭榮, 等. 近30年來我國糧食產量波動影響因素分析[J]. 中國農業資源與區劃, 2018, 39(10): 1-10, 16.

LI Haoru, MAO Lili, MEI Xurong, et al. Analysis on influencing factors of grain production fluctuation during the last 30 years in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(10): 1-10, 16.

[37] 邵云, 李靜雅, 馬冠群, 等. 基于長期定位的無機有機肥配施對土壤養分和小麥籽粒產量及品質的影響[J]. 河南師范大學學報(自然科學版), 2022, 50(3): 126-134.

SHAO Yun, LI Jingya, MA Guanqun, et al. Effects of combined application of organic and inorganic fertilizers on soil nutrients, wheat grain yield and quality based on long-term location[J]. Journal of Henan Normal University (Natural Science Edition), 2022, 50(3): 126-134.

[38] 張思源, 聶瑩, 張海燕, 等. 基于地理探測器的內蒙古植被NDVI時空變化與驅動力分析[J]. 草地學報, 2020, 28(5): 1 460-1 472.

ZHANG Siyuan, NIE Ying, ZHANG Haiyan, et al. Spatiotemporal variation of vegetation NDVI and its driving forces in Inner Mongolia based on geodetector[J]. Acta Agrestia Sinica, 2020, 28(5): 1 460-1 472.

[39] 林妍敏, 李文慧, 南雄雄, 等. 基于地理探測器的寧夏賀蘭山植被覆蓋度時空分異及驅動因子[J]. 應用生態學報, 2022, 33(12): 3 321-3 327.

LIN Yanmin, LI Wenhui, NAN Xiongxiong,et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3 321-3 327.

Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-Resolution Satellite Imagery

WANG Le1, FAN Yanguo1*, FAN Bowen2, WANG Yong3

(1. China University of Petroleum (East China), Qingdao 266580, China;2. Harbin Engineering University, Harbin 150001, China; 3. Yantai Geographic Information Center, Yantai 264000, China)

【Objective】Winter wheat is the second-largest stable crop in China and comprehending its growth and the factors affecting it on a large scale is crucial for food security. This paper aims to investigate the feasibility of using satellite imagery to accomplish this objective.【Method】The study is based on Sentinel-2 images. The spatial distribution of winter wheat planted from 2018 to 2020 in the studied region was extracted using the random forest method, which were then used to analyze the changes in wheat growth in rejuvenation, jointing, pregnant ear pumping, and flowering stages in each year. For comparison, we divided the growth into health growth, normal growth and poor growth. Wheat growth was linked to 11 abiotic and geographic factors, including temperature, precipitation, slope of the lands, slope aspect, elevation, soil type, soil moisture, sunshine time, population density, rural labor resources and GDP.【Result】Compared with 2018—2019, wheat in 2020 grew better during the greening and jointing stages in more than 90% of the studied area, but worse in the pregnant ear pumping stage in more than 20% of the studied area. Wheat growth was normal during the flowering stage in 80% of the studied area. The factors which affect winter wheat growth were ranked in the following order based on their significance: rural labor resources> soil moisture> precipitation> temperature> sunshine time. It was also found that the interaction between different factors in their impact on wheat growth is manifested as a bifold or nonlinear enhancement.【Conclusion】The change in winter wheat growth in the studied region is due to the complex interplay of multiple factors.

winter wheat; area extraction; growth monitoring; geographic detector; Weishan Irrigation District

王樂, 樊彥國, 樊博文, 等. 基于高分衛星的冬小麥長勢監測及驅動因素分析[J]. 灌溉排水學報, 2023, 42(5): 24-32, 51.

WANG Le, FAN Yanguo, FAN Bowen, et al. Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-resolution Satellite Imagery[J]. Journal of Irrigation and Drainage, 2023, 42(5): 24-32, 51.

2022-05-16

國家自然科學青年基金項目（42106215）；山東省自然科學青年基金項目（ZR202103030691）

王樂（1998-），女。碩士研究生，主要從事農業水利遙感研究。E-mail: z20160092@s.upc.edu.cn

樊彥國（1965-），男。教授，博士，主要從事地理信息研究。E-mail: ygfan@upc.edu.cn

1672 - 3317（2023）05 - 0024 - 10

S127

A

10.13522/j.cnki.ggps.2022268

責任編輯：趙宇龍