农业种植结构的遥感分析

来源:用户上传      作者:

　　摘要：
　　根据农作物的反射光谱特征和物候历差异，基于遥感影像及其反演指标可以监测农作物长势，获取作物播种面积、作物布局等农业种植结构信息。研究表明内蒙古包头市土默特右旗主要农作物为玉米、小麦和向日葵等，旗中部农作物整齐度高、长势较好;旗南部黄河周边地区，作物整齐度和长势均较差，农田荒芜严重;研究区域满足麦类+蔬菜复种的光温资源需求，可提高土地和农业气候资源利用率。农业种植结构的遥感分析有助于把握作物长势的空间变异，反映土地资源和农业气候资源的时空利用状况，对于把握农情、指导农业生产、调整农业产业结构等具有重要意义。
　　关键词：
　　遥感;农业;种植结构;物候
　　中图分类号：S-3
　　文献标识碼：A
　　DOI：1019754/jnyyjs20190315005
　　前言
　　20世纪以来，遥感技术在农业领域得到广泛应用[1]，及时准确地获取了农业资源和农业生产信息，成为指导传统农业向信息农业转变的主要技术方法[2]。利用遥感技术，可以实现农作物识别与种植面积估算[3-5]、农作物长势监测与产量估计[6-8]、农作物叶面指数、叶绿素含量监测与养分诊断[9， 10]、病虫害[11]和农业灾害监测[12， 13]、农用地提取与动态监测等[14]。因此，遥感和地理信息系统技术已经成为快速收集和定量分析农业信息、实现科学快速决策的基本手段。
　　作物种植面积是进行农业结构调整的依据，是研究粮食区域平衡的重要数据源[4]。从 20世纪80年代中期，中国开始利用气象卫星开展小麦、水稻、玉米等大宗作物的面积监测、长势监测以及产量估计等技术研究[15]。目前，多种卫星和传感器被用于农情监测。赵文亮等利用MODIS（Moderate Resolution Imaging Spectroradiometer）NDVI （Normalized Difference Vegetation Index，归一化植被指数）数据集分析了河南省小麦产量和播种面积的时间动态变化特征，建立了基于区域NDVI的冬小麦产量估算模型[16]。NDVI综合了植被敏感的可见光和近红外波段反射光谱信息，是反映植被生长状态最为直接和灵敏的指标之一，是区域地表植被覆盖度与植物长势的函数[17]。郭燕等结合GF-1与Landsat 8卫星遥感影像提取和分析了河南省许昌地区玉米的长势和面积[18];刘玫岑基于 Landsat-7和ASTER遥感影像的处理以及植被指数开展了新疆地区棉花面积估测和产量估算[19];赵周安等利用环境小卫星NDVI 数据与冬小麦抽样村实测实产地块数据进行了北京市冬小麦单产研究[15]。农作物面积估测主要基于光谱特征信息、地块分类、地块抽样等方法[7]。农作物的正确识别与分类精度直接影响面积的估算，是面积估算的基础[20]。比较研究表明，基于经验的监督分类和决策树分类方法提取作物信息效果较好，监督分类器以支持向量机法（Support Vector Machine，SVM）[21]、人工神经网络[22]和最大似然法（Maximum Likelihood Classification，MLC）效果最佳，而决策树法将复杂的多分类问题指标简单化[23]，分类结构直观，有诸多优势[24]。
　　本文以内蒙古包头市土默特右旗为例，利用Landsat 8系列卫星遥感影像，结合野外样本地块作物信息和不同植被物候期，采用SVM法对影像进行分类提取，研究了县域农业种植结构，以期为农情遥感监测和农业信息化提供技术与方法。
　　1数据与方法
　　11研究区概况
　　土默特右旗位于内蒙古自治区包头市东部，地处呼和浩特市、包头市和鄂尔多斯市的“金三角”腹地（图1），是包头市最大的农业旗，也是内蒙古自治区50个重点工业发展旗县之一[25]，主要种植玉米、小麦、葵花、马铃薯、大豆等作物。土默特右旗北部为大青山，南部为土默川平原，海拔987～1000m，自西北向东南微倾。
　　12数据来源
　　遥感影像来源于USGS（United States Geological Survey，美国地质调查局），数据包括2015年5月14日、5月30日、7月1日、9月3日四景Landsat 8遥感影像，数据空间分辨率为30m。为获得遥感影像分类依据及验证分类结果，作物出苗后多次进行野外地块调查。通过手持GPS定位与遥感图像相结合，获取主要农业用地、林地等的经纬度信息，为遥感影像处理提供训练和检验样本。
　　13研究方法
　　利用ENVI遥感影像处理软件在对Landsat 8影像进行配准、辐射定标、大气校正和裁剪的基础上，基于SVM法进行遥感影像分类、作物识别和面积计算等（图2）。根据5月30日、7月1日和9月3日的Landsat 8遥感影像，参考不同农作物及林木的物候期对影像进行分类提取。利用5月30日影像提取小麦与林地，利用7月1日与9月3日图像进行分类，SVM分类器的总体分类精度与Kappa系数显著高于SAM分类器，SVM法更适合于农作物识别与种植面积提取[21]。利用野外GPS实地调查和采样数据，进行验证和精度评价，9月3日混淆矩阵计算分类精度及Kappa系数，分别为933%和09124，分类效果较好。作物长势的监测基于归一化植被指数（Normalized Difference Vegetation Index，NDVI）进行，NDVI=（IR-R）/（IR+R）（IR、R分别代表近红外波段和红波段反射率）。
　　2结果与分析
　　21基于NDVI的农作物长势监测
　　不同作物的NDVI值不同，并且随着作物的生育进程而变化，呈单峰曲线。以玉米为例，NDVI值5月份小于7月份，在7[CD1]8月份达到峰值，9月份开始下降。7月份长势较好的玉米地块NDVI值一般在07以上，可高达到08～09。从不同地区来看，研究区域中部农作物整齐度高、长势较好，而南部整齐度差，长势较差。 　　22农业种植结构分析
　　基于样地调查和遥感影像分类，土默特右旗种植的主要农作物为玉米，其它农作物包括小麦、葵花等。2015年玉米种植面积约占国土面积的131%，约655万hm2;林地与小麦占51%，约253万hm2（图3）。此外，小麦收获后，也有二茬作物（白菜、芥菜等）的种植，说明研究区域可以通过复种提高土地和农业气候资源的利用率。
　　23作物布局分析
　　由于研究区域北部为大青山，通过影像分类结果可以看出，农作物主要分布于研究区域的中部和中南部。因此，玉米主要种植于中部和中南部，向日葵主要种植于东南部以及黄河沿岸。土默特右旗南部土地盐碱化较为严重，玉米生长不整齐、长势较差，农民多以较耐盐碱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。同时也可以发现，在整个研究区域内，除了玉米外，其它作物均为零散分布，面积较小（图3）。
　　3结论与讨论
　　基于遥感技术可以对不同作物长势进行评估，从而了解农作物生长、水分和营养供应状况，以便采取措施，保障农作物正常生长发育。在环境因子相同的情况下，辐射亮度和反射率的变化，在一定程度上体现了作物长势、生育时期和生理状况。物候是作物适应气候条件的节律性变化而形成与此相应的发育节律。例如，随着玉米的生长发育，NDVI升高至灌浆期，此后NDVI值下降至乳熟期，到成熟时期出现大幅度下降[26]。应用植被指数能够很好地反映绿色植被的长势、生物量和覆盖度[17]。此外，以NDVI为评价指标，可进行作物长势空间变异分析，通过农作物早期的长势还可对农作物产量进行估算。
　　利用遥感影像估测作物种植面积是可行的，有助于指导农业产业结构调整。土默特右旗主要粮食作物是玉米和小麦，经济作物以甜菜、葵花和中药材等为主，玉米播种面积常年保持在667万hm2以上。作物种植面积监测是估产的基础，其难点在于作物类型信息的提取，即如何区分不同农作物及与它地物。作物的识别主要是利用绿色植物独特的波段反射特征，将作物与其它地物区分开。不同作物类型的识别，主要依据叶片内部构造的差异引起的近红外波段反射的差异以及不同地域、不同作物类型间物候历的差异[17]。从作物播种到成熟，随物候的更替，红光反射率因作物覆盖度和叶面积指数的增大而降低，近红外波段反射率逐渐增大。在某一时间，不同作物的状态和群体结构因物候期的不同而有明显差异。同一作物在不同物候期的遥感影像上的色调不同，不同作物在同一影像上色调也不同。不同作物之间的物候历差异是选择作物识别最佳时相的依据。通过了解作物植被指数与物候期的对应关系，通过对比同一地点识别作物与其它作物的物候历，可确定作物识别的最佳时相[17]。
　　作物种植面积及其空间分布反映了农业资源的时空利用情况。从遥感影像上可以看出黄河周边地区，除了农田大片荒芜外，作物整齐度和长势均较差，宜提高农田利用率，改善农业生产状况。此外，在研究区域中部，二茬作物的播种，说明研究区域的光温资源满足麦类+蔬菜的复种需求，从而进一步提高土地和农业气候资源利用率。
　　参考文献
　　[1]
　　赵春江. 农业遥感研究与应用进展[J]. 农业机械学报. 2014， 45（12）： 277-293.
　　[2] 李根，景元书，王琳，等. 基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取[J]. 大气科学学报，2014， 37（1）： 119-126.
　　[3] 马丽，顾晓鹤，徐新刚，等. 地块数据支持下的玉米种植面积遥感测量方法[J]. 农业工程学报，2009， 25（8）： 147-151.
　　[4] 李峰，王昊，秦泉，等. 基于HJ-1 CCD影像的玉米种植面积估算研究[J]. 山東农业科学，2016， 48（2）： 138-142.
　　[5] 郭伟，赵春江，顾晓鹤，等. 乡镇尺度的玉米种植面积遥感监测[J]. 农业工程学报，2011， 27（9）： 69-74.
　　[6] 黄青，唐华俊，周清波，等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报，2010， 26（9）： 218-223.
　　[7] 吴素霞，毛任钊，李红军，等. 中国农作物长势遥感监测研究综述[J]. 中国农学通报，2005， 21（3）： 319-322.
　　[8] 林艳. NOAA卫星玉米遥感估产方法的研究[J]. 华北农学报，1996， 11（4）： 95-100.
　　[9] 陈志强. 不同氮素水平下玉米叶片的高光谱响应及其诊断[D]. 中国农业科学院， 2013.
　　[10] 易秋香，黄敬峰，王秀珍，等. 玉米全氮含量高光谱遥感估算模型研究[J]. 农业工程学报，2006， 22（9）： 138-143.
　　[11] 臧红婷. 玉米粘虫时空动态遥感监测与评价[D]. 东北农业大学， 2014.
　　[12] 王立志，顾晓鹤，胡圣武，等. 基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测[J]. 中国农业科学，2016， 49（21）： 4120-4129.
　　[13] 杨粉团，顾晓鹤，李刚，等. 利用多时相HJ-CCD遥感影像监测玉米粘虫灾情空间分布[J]. 农业工程学报，2013（14）： 156-163.
　　[14] 张银辉，赵庚星. 利用ENVI软件卫星遥感耕地信息自动提取技术研究[J]. 四川农业大学学报，2000， 18（2）： 170-172.
　　[15] 赵安周，朱秀芳，李天祺. 基于HJ小卫星影像的北京市冬小麦测产研究[J]. 农业现代化研究，2014， 35（5）： 573-577.
　　[16] 赵文亮，贺振，贺俊平，等. 基于MODIS-NDVI的河南省冬小麦产量遥感估测[J]. 地理研究，2012， 31（12）： 2310-2320.
　　[17] 林文鹏，王长耀. 大尺度作物遥感监测方法和应用[M]. 北京： 科学出版社， 2010.
　　[18] 郭燕，武喜红，程永政，等. 用高分一号数据提取玉米面积及精度分析[J]. 遥感信息，2015， 30（6）： 31-36.
　　[19] 刘玫岑. 基于遥感和GIS的棉花面积提取和产量估测研究[D]. 新疆农业大学， 2006.
　　[20] 张勇. 基于SVM遥感图像专题信息提取研究[D]. 中南大学， 2005.
　　[21] 单捷，岳彩荣，江南，等. 基于环境卫星影像的水稻种植面积提取方法研究[J]. 江苏农业学报，2012， 28（4）： 728-732.
　　[22] 冯恒栋. 基于人工神经网络和模糊分类的森林植被遥感图像分类研究[D]. 东北师范大学， 2009.
　　[23] 吴学军. 城市TM遥感图像分类方法研究[D]. 广西师范大学， 2007.
　　[24] 李爽，张二勋. 基于决策树的遥感影像分类方法研究[J]. 地域研究与开发，2003， 22（1）： 17-21.
　　[25] 李小勇. 土默特右旗农村土地流转影响因素分析[D]. 内蒙古农业大学， 2013.
　　[26] 李新磊，陈桂芬，焦鸿斌. 基于时序遥感数据的玉米种植面积提取方法研究[J]. 农业网络信息，2010（11）： 25-27.
　　作者简介：
　　赵俊灵，女，硕士研究生，研究方向：3S技术应用;
　　张宝林，男，副教授，博士，研究方向：气候变化对农业生产的影响。
转载注明来源:https://www.xzbu.com/1/view-14704392.htm