遙感技術在村域尺度耕地種植動態監測中的應用

黃海量

（福建省地質測繪院，福建 福州 350011）

人口增長和糧食需求的增加使得糧食安全問題日益凸顯，如何準確估計農作物的面積和產量，成為糧食安全管理的關鍵[1]。農作物面積遙感測量是第三次農業普查的重要組成部分，是農業普查方式的重大變革，旨在測量主要農作物的種植面積及空間分布[2]，建立起面向未來的現代農業統計監測體系，為糧食安全戰略提供科學依據[3]。

近年來，隨著遙感測量技術的發展，可以利用多源數據打造農業統計調查全新流程，實現調查全過程質量控制，進一步提升農業統計調查公信力[4]，及時準確地掌握農作物種植面積及其空間分布狀況，對制定社會經濟發展規劃、調控種植業結構、確保國家糧食安全具有重要意義[5]。已有部分學者在該領域做了大量的相關研究，其中，于秀娟等建立了多源高分遙感影像進行土地利用動態監測的技術流程，研究了基于面向對象與深度學習的土地利用信息提取[6]；閻建忠等基于MODIS NDVI時間序列和Landsat數據，利用不同作物的物候特征實現了對青藏高原主要農作物信息的提取[7]；趙龍才等利用深度學習方法集合作物生長過程的光譜特征，構建了面向農作物遙感識別的知識圖譜，提高了識別精度與效率[8]；牛昱杰等基于哨兵2號的時序影像，研究發現了多時相模型可以有效提高冬小麥的提取精度，每年2月、4月、6月為識別的關鍵期[9]；朱爽等研究了基于農作物遙感識別結果的不同分層方法的抽樣效率，為解決遙感抽樣估算中分層標志缺乏遙感識別誤差描述的問題提供了參考[10]。大部分學者的研究區域面積較廣，缺少針對小范圍區域的研究。本文以位于武夷山脈東南部的連墩村耕地種植變化監測情況為研究對象，以國土“三調”耕地數據為基礎，采用光學、合成孔徑雷達（SAR）等多源數據組合并結合人工智能的方法進行研究，為遙感技術在小范圍區域的動態監測提供參考。

1 研究區與數據

1.1 研究區概況

萬安鄉連墩村位于福建省南平市，地處閩北山區，農田面積較大，耕地資源豐富。該村位于中南亞熱帶，屬溫暖濕潤型亞熱帶海洋性季風氣候，具有太陽輻射能充裕、年積溫高、溫暖濕潤、雨量充足、氣候資源豐富等特點，有80%以上雨量集中在3—10月的溫暖和炎熱季節之間，雨熱同期，為農作物的生長發育、多熟種植和蔬菜的周年生產，提供了良好的氣候條件。該村主要種植茶葉、水果等農作物。

1.2 數據來源

用于本研究的數據包括：1）2022年6月、8月、12月的連墩村無人機影像；2）國土“三調”耕地數據；3）光學、SAR多源數據組合；4）連墩村范圍矢量數據。

1.3 遙感影像數據收集與處理

采用光學、SAR等多源數據組合，基于省級衛星中心和公開的數據等收集影像，并對影像進行糾正、配準等一系列處理，形成連墩村耕地糧食作物種植情況動態監測亞米級遙感影像和3個尺度多源、多模態耕地糧食作物種植情況的長時序影像。收集連墩村亞米級衛星遙感影像（時相在2個年度內）一期，用于種植地塊及糧食作物種植分布信息提取；收集關鍵時間節點的多源米級、中分辨率的光學、SAR影像，用于糧食作物種植分布信息提取。

2 研究方法

2.1 總體技術流程

基于國土“三調”耕地數據，采用光學與SAR等多源數據組合、AI智能提取精細地塊空間、分區分級遞推、分步人工智能的方法進行耕地種植情況遙感動態監測，總體技術流程如圖1所示。

圖1 技術流程

2.2 基于深度學習技術的耕地地塊識別

依據全覆蓋的亞米高分影像，參照“三調”“農經權”等調查數據，根據《福建省第三次國土調查主要數據公報》公布的耕地面積，采用分區—分層—分級解構方法，基于亞米級影像，利用深度學習技術智能識別任務區內所有農田地塊，高效率生成精細種植地塊圖，將其作為耕地糧食作物種植情況監測成圖的底板。

2.3 基于多源遙感影像的糧食作物識別

基于水稻（主要作物）、玉米、地瓜等糧食作物的生長周期的物候信息，采用多源、多模態（SAR等）長時間序列的遙感數據，結合區域特點、作物空間分布及紋理和光譜等特征，應用遙感技術與AI智能學習方法開展自動化信息提取，獲取糧食作物的空間分布與種植面積信息。

不同糧食作物的重點監測時間不同。水稻監測時間：早稻生長周期為3—7月，重點監測時間為5月、6月；中稻生長周期為5—9月，重點監測時間為7月、8月；晚稻生長周期為6—10月，重點監測時間為9月、10月。玉米監測時間：春玉米生長周期為2—5月，重點監測時間為4月；夏玉米生長周期為7—10月，重點監測時間為8月、9月。地瓜監測時間：生長周期為6—10月，重點監測時間為9月、10月。

2.4 物候分區與分類系統設置

根據地形地貌、海拔、氣候條件、種植物候等先驗知識，劃定連墩村種植結構分區，確定每個分區中的作物分類系統（類型—時段）。選定具有代表性的物候分區進行樣點采集—時序遙感構建—環境參量加載—作物時序分類的精分類，確保典型區域提取精度，并按置信度評估每個地塊的分類結果。

2.5 耕地糧食作物種植信息綜合分析

結合外業調查、無人機調查等技術，抽樣核實實際耕地糧食作物種植情況，提取糧食作物的種植情況及分布信息。在此基礎上，疊加永久基本農田、高標準農田等范圍，進一步分析和判定耕地糧食作物種植分布狀況及變化情況。

3 結果與分析

根據連墩村的調查情況，結合農作物物候信息，將連墩村按一、二級分類劃分為種植糧食作物（水稻、玉米、地瓜等糧食作物）用地、種植非糧食作物（大棚種植、蔬菜等其他非糧食作物）用地、未耕地、種植園用地（果園等）、林地（竹林地、其他林地）、坑塘溝渠（坑塘水面、溝渠）、設施農用地、交通運輸用地、其他建設用地共9大類。

3.1 三期監測結果統計

監測結果及變化情況如表1、表2所示。變化1是指8月較6月耕地種植變化，變化2是指12月較8月耕地種植變化。由表1、表2可知，6月到8月連墩村耕地種植變化不大，種植糧食作物用地面積增加，其中水稻、玉米、地瓜等糧食作物的種植面積都有所增加；種植非糧食作物用地面積減少，其中大棚種植面積、蔬菜等非糧食作物的種植面積都有所減少；未耕地、種植園用地、林地面積均減少；交通運輸用地面積增加；坑塘溝渠、設施農用地、其他建設用地無變化。8月到12月連墩村耕地種植變化較大，種植糧食作物用地面積顯著減少，其中玉米的種植面積輕微減少，水稻完成收獲，其面積減少到0，同時未耕地面積顯著增加，地瓜等其他糧食作物的種植面積增加；種植園用地、設施農用地、交通運輸用地、其他建設用地面積增加。

表1 連墩村耕地監測情況（一級分類）表 單位：畝

表2 連墩村耕地監測情況（二級分類）表 單位：畝

3.2 耕地種植面積變化

由圖2可知，6—8月種植糧食作物用地、種植非糧食作物用地、未耕地、種植園用地4種用地的變化面積總量為208.9畝，其中變化最大的類型為未耕地—種植糧食作物用地，面積為72.99畝，占比達34.94%；其次為種植非糧食作物用地—未耕地，面積為40.41畝，占比達19.34%。輪作時合理安排種植不同類型的作物，改變土壤生境條件，促進耕地可持續發展。

圖2 6—8月連墩村耕地種植面積變化圖

由圖3可知，8—12月種植糧食作物用地、種植非糧食作物用地、未耕地、種植園用地4種地類變化面積總量為1 772.03畝，該階段絕大多數耕地轉為未耕地，包括種植糧食作物用地—未耕地、種植非糧食作物用地—未耕地、種植園用地—未耕地，面積合計1 662.64畝，占比達93.83%，休耕時土壤得到充分的恢復與調整。

圖3 8—12月連墩村耕地種植面積變化圖

4 結論

以國土“三調”耕地數據為基礎，采用光學、SAR等多源數據組合結合深度學習的方法，開展適用于小范圍區域耕地種植情況的遙感動態監測研究。研究結果顯示，在農作物種植和土地利用的變化方面，6—12月期間水稻、玉米、地瓜等糧食作物以及其他非糧食作物的種植呈現動態增減變化的趨勢，耕地輪作休耕制度得到有效推行，為土地提供了更好的保護，有助于提高農作物的產量和質量。同時，設施農用地和交通運輸用地在這一時期持續增加，促進了農業生產和農村經濟發展，進一步增強了農村地區的發展活力和可持續性。遙感技術在村域尺度耕地種植動態監測中得到了較好的應用，有效推進落實耕地數量、質量、生態“三位一體”保護。