遙感技術在農作物空間格局中的應用

作物空間模型是指區域或單位面積內植物的植物栽培結構、形態和栽培方式的空間表達，主要包括三個方面：（1）植物的組成和布局，即種植和在哪里種植的問題；（2）種植的不同類型或休閑，即一年或幾年的問題。（3）種植的類型包括連作、作、間種和套種。農作物空間格局反映了人類農業生產在空間范圍內利用農業生產資源的狀況,是了解農作物種類、結構、分布特征的重要信息,也是進行作物結構調整和優化的依據。同時,農作物空間格局特征及其時空動態變化信息也是研究農業生態系統對陸地碳循環貢獻,評價全球變化對區域農業生產影響,分析農作物空間格局動態變化機制和建立模擬模型的基礎。因此,開展農作物空間格局監測具有重要意義。從已經或正在進行的有關農作物空間格局研究來看,農作物空間格局信息獲取方法主要包括統計匯總和遙感監測。早期和傳統的統計方法通過地面采集方法獲取某一行政區域的農作物動態變化信息,然后逐層匯總統計得到變化特征,其優勢是可以獲取描述作物分布變化的數量和速率等特征的詳細信息,但由于對統計數據的過度依賴,使得研究結果往往表現為時間上的滯后。而且,該方法用于大范圍變化監測時耗費人力、物力和財力。隨著空間技術的不斷發展,遙感技術因高時效、寬范圍和低成本的優點正被廣泛應用于對地觀測活動中,為大范圍的農作物空間格局監測提供了新的科學技術手段。在過去10多年,遙感在不同時空尺度下的農作物空間格局監測中發揮了重要作用,無論在理論和方法方面,還是在實踐方面都取得了長足的進展。本文針對近10年來國內外農作物空間格局遙感監測的研究進展進行綜述,分別介紹和分析遙感技術在農作物種植面積、復種模式和種植方式監測等方面的應用進展,同時指出農作物空間格局遙感監測中存在的問題,并對未來發展趨勢進行了展望。1中國農業遙感估產業務發展現狀遙感技術在農作物空間格局監測中的應用始于20世紀初,最初以農作物種植面積監測為主。早在20世紀60年代,美國Purdue大學遙感農業應用實驗室首先開始利用遙感數據進行農作物種植面積監測研究,成功實現了對單一玉米作物的監測,證明了衛星遙感數據可用于作物監測。1974年,美國最早實施了“大面積作物估產試驗”(即LACIE計劃),利用陸地衛星影像對農作物進行識別,并估算農作物的面積、單產和總產。到1978年,其遙感監測覆蓋范圍從美國擴大到全球,監測作物從單一的小麥擴展到小麥、玉米、大豆和水稻等大宗農作物,估產的精度也不斷提高。1980年,美國開展了“基于空間遙感技術的農業和資源調查計劃”(即AGRISTARS計劃),完成了美國和世界不同區域的多種糧食作物的長勢評估和總產量預報。為實施歐盟區的共同農業政策,歐盟于1987年提出了“農業遙感計劃”(即MARS計劃),其目的在于利用遙感技術建立歐盟區的農作物估產系統,并成為能夠實際應用的運行系統。此后,法國、德國、前蘇聯、加拿大、日本、印度、阿根遷、巴西、澳大利亞、泰國等也相繼開展了對小麥、水稻、玉米、大豆、棉花和甜菜等農作物空間格局的遙感監測研究,其研究內容也從單一的作物種植面積監測擴展到作物復種模式和種植方式的監測。中國農作物空間格局遙感監測開始于農作物遙感估產研究。早在1979年,陳述彭院士就開始倡導利用遙感技術進行作物估產。一些大學和科研機構首先選擇在較小區域或地點進行試驗,以技術方法研究為主要目的。1983年,北京市農林科學院綜合研究所、天津市農業科學研究所、河北省氣象科學院及國家氣象局等三省(市)多家單位提出京津冀冬小麥綜合估產的技術與方法,并在國家氣象局建立了北方11省(市)冬小麥氣象遙感估產運行系統。農業部先后在京津地區對冬小麥、在浙江杭州嘉興地區對水稻以及在北方六省(市)對小麥進行了遙感估產試驗。在國家“八五”期間,農作物遙感估產成為國家科技攻關內容,開展小麥、玉米和水稻大面積遙感估產試驗研究、北方草原草畜平衡動態監測研究,分別對河北、山東、河南、安徽北部、北京市和天津市的冬小麥,湖北、江蘇和上海市的水稻,吉林省的玉米種植面積、長勢和產量開展監測預報。在此期間,北京大學、中國農業大學和浙江大學等高校也對應用陸地衛星資料的冬小麥、水稻遙感估產技術方法進行了研究探索。這一階段的應用研究與試驗為中國農業遙感應用的發展,特別是穩定的業務運行系統的建立奠定了良好的技術基礎。1997年,中國科學院將“中國資源環境遙感信息系統及農情速報”作為院“九五”重大和特別支持項目。研究手段從常規方法與遙感技術結合,過渡到以資源衛星為主,進而由應用陸地衛星資料轉為氣象衛星NOAA/AVHRR資料為主,建立了“北方冬小麥氣象衛星遙感動態監測及估產系統”。1999年,農業部組織全國農業遙感的科研力量,組建了農業部遙感應用中心,經過多年的研究,建立了全國主要大宗農作物遙感估產業務運行系統,并于2002年開始正式進入業務化運行。“全國主要農作物遙感估產業務運行系統”可以對小麥、玉米、水稻、大豆和棉花等主要作物的面積變化、單產、總產進行監測,并每旬報告作物長勢與旱情的監測與作物單產預測的結果,還可以對農業災害對作物面積和產量的影響進行評估。中國許多省(區)也先后建立了省級遙感估產業務運行系統,如山西、安徽、吉林、河南、江蘇、四川和北京等省(市),為決策提供科學準確的信息,產生了巨大經濟與社會效益。除農作物種植面積遙感監測外,有關農作物復種模式和種植方式遙感監測的探索研究也在近幾年得到逐步開展,無論是在理論和技術方法方面,還是在實踐方面都取得了長足的進展。2作物種植面積的遙感監測2.1遙感監測大區域尺度的面積補差有更廣泛的應用。在實小區域尺度農作物種植面積遙感監測一般采用遙感影像全覆蓋方式,利用多傳感器、多時間分辨率和多空間分辨率的遙感數據進行農作物種植面積提取。高空間分辨率的QuickBird和LandsatTM數據分別在作物種植面積、空間分布及其動態變化提取中得到了廣泛應用。Jakubauskas等探索了利用低空間分辨率NOAA/AVHRR數據進行大區域耕地或作物空間格局動態變化的研究。近幾年來,中低空間分辨率MODIS數據更是在大區域作物空間分布監測中發揮了重要作用。對于大區域尺度的農作物種植面積提取,受遙感影像獲取可能性、數據成本和提取效率等因素影響,不大可能采取研究區域遙感影像全覆蓋的方式,遙感技術與抽樣技術相結合的方法成為大面積農作物種植面積遙感監測的主要方法。基于遙感的面積采樣框架技術在國外農作物面積調查中得到了廣泛應用,如歐盟的MARS計劃、美國的LACIE計劃以及AGRISTARS計劃等都使用了面積抽樣框架。國內很多單位,如農業部遙感應用中心、中國科學院、北京師范大學和國家氣象中心等,都建立了基于分層抽樣的農作物種植面積遙感監測技術方法。如農業部遙感應用中心以作物種植面積的歷史統計數據為分層指標,把作物生產縣劃分為若干層,分別建立抽樣外推模型;隨機從各層抽取所需數量的冬小麥生產縣,以LandsatTM或CBERS等影像覆蓋,采用人機交互方式來獲取作物種植面積的年際變化,以縣為單位進行統計;最后利用外推模型獲得全國作物種植面積變化。中國科學院遙感應用研究所在“中國農情遙感監測系統”中提出了分層兩級抽樣的作物種植面積提取方法。以1﹕10萬全國土地資源數據庫為基礎,利用遙感數據進行分層整群抽樣,以此來估算層內的農作物總種植成數(即所有作物的種植面積占耕地面積的比例)。利用GVG農情采樣系統(GPS、VIDEO攝像頭和GIS的綜合集成系統),通過線狀樣條采樣,調查作物區內每種作物類型的分類成數(即某類農作物種植面積占所有作物種植面積的比例)。作物總種植成數與每種作物類別的分類成數相乘,再與耕地面積相乘就得到具體每種作物的種植面積。2.2基于多信息源數據的農作物遙感識別方法農作物種植面積遙感監測是根據不同農作物光譜特征的差異,通過遙感影像記錄的地表信息,識別不同的農作物類型,統計農作物種植面積。總的來說,農作物種植面積遙感監測方法可以分為三類:一是基于光譜特征的農作物遙感識別方法;二是基于作物物候特征的農作物遙感識別方法;三是基于多源數據的農作物遙感識別方法。基于光譜特征的農作物遙感識別方法已經從最初的目視解譯法發展到基于統計學的分類法,以及句法結構分類法等。早期的農作物種植面積遙感監測以目視解譯為主,即憑借光譜規律、地學規律和解譯者的經驗從遙感影像的亮度、色調、位置、時間、紋理和結構等特征推斷農作物類型。基于圖像的統計分類包括監督分類和非監督分類,主要通過計算各個類別的均值、方差、標準偏差和離散度等統計量,作為比較不同類別相似度的依據,在這些統計量的基礎上建立各類別的識別特征,并基于一定的判別函數來實現作物類型識別。由于衛星遙感數據分辨率的限制,衛星圖像像元都帶有綜合光譜信息的特點,致使計算機分類面臨著諸多模糊對象,“同物異譜”和“異物同譜”現象大量存在。依據地物光譜特性的點獨立原則進行分類,誤分類的比例很高。因此,以句法結構分類法為主的新分類方法逐漸得到應用。這類分類方法包括神經網絡方法、模糊數學方法、決策樹法和基于混合像元分解的方法等。此外,面向對象的分類方法,如考慮像元空間鄰域特征的上下文分析方法和考慮紋理特征的分類法也成為輔助于光譜特征分類的重要方法。由于作物具有季相節律性和物候變化規律性的特點,利用時間序列遙感數據的時相變化規律可以實現不同農作物類型的識別。如競霞等選用了不同時相的TMNDVI數據,提取了北京春、夏季主要植被地物的NDVI時間譜特征,利用波段間的邏輯運算算法提取了2003年北京地區的冬小麥種植信息。楊小喚等通過NDVI時序變化規律從MODIS數據中提取了冬小麥、春玉米、夏玉米、大豆等作物種植面積,總體精度達到95%。張明偉等運用快速傅里葉變換對MODISNDVI時序曲線進行分析,選取曲線均值、1—3級諧波的初始相位及振幅比例作為作物識別參數,實現了華北地區冬小麥、春玉米、夏玉米、棉花和大豆等作物空間分布識別。林文鵬等利用MODIS時序數據構建了陸表水分指數和增強型植被指數,作為遙感特征參量,采用分層決策法提取了主要秋季作物類型。從作物的溫度(Ts)和增強型植被指數(EVI)特征空間變化關系出發,閆峰等采用Ts-EVI時間序列譜信息對河北省冬小麥種植面積進行了提取,表明基于溫度植被指數時間序列譜實現作物分類具有較好的可行性。熊勤學和黃敬峰通過對各種地物MODISNDVI時序特征分析,選取夏、秋作物輪作期和NDVI均值為標準,采用分層方法區分秋收作物區(中稻、晚稻和棉花)與其它區,然后利用BP神經網絡法對3種秋收作物進行監督分類,得到了湖北省江陵縣3種作物種植的空間分布。基于多信息源數據的農作物遙感識別方法可以充分利用多種數據信息的特色,實現優勢互補,彌補單一遙感數據和分類方法的缺陷,大大提高作物遙感識別精度。多信息源數據結合既包括多源遙感影像的結合,也包括遙感影像與非遙感數據源的結合。多源遙感影像的結合可以得到更多的信息,減少理解的模糊性。如結合高時間分辨率MODIS數據和高空間分辨率LandsatTM數據,運用混合像元線性分解模型對河南省冬小麥種植面積進行監測,監測結果與國家統計數據相比,相對誤差為5.3%,能滿足農情監測的需要。采用多光譜遙感影像與雷達遙感影像相結合進行作物種植面積提取,其精度得到明顯提高。在GIS和GPS的支持下,引入非遙感影像數據源,如在分類過程中引入地形(如高程、坡度和坡向信息等)、土壤、作物輪作和分布環境信息,可大大提高農作物種植面積的提取精度。通過空間化屬性數據與遙感數據融合模式,利用遙感數據在耕地時空分布表達和屬性數據在作物種植面積數量動態變化描述方面的優勢,進行農作物空間分布格局提取也越來越得到重視和應用。近年來,以專家知識和經驗為基礎的遙感影像理解技術也成為農作物遙感識別領域的一個重要方向。3作物重新種植的遙感監測3.1作物復種模式高效監測數據隨著衛星技術的快速發展,遙感技術在農作物種植面積遙感監測中得到廣泛應用的同時,基于遙感技術的作物復種模式研究也取得了重要進展,促進有關理論、技術和方法的不斷發展和完善。根據綠色植被特有的光譜特征,從遙感數據反演的植被指數能夠較好地反映植被生長狀況。將一年內獲取的植被指數數據以時間為橫坐標排列形成的時間序列植被指數可以描述植被的年內變化特征,即植被指數時序變化對應于植被的生長與衰落等季節活動過程。對作物而言,植被指數的時序動態變化體現了作物的生長過程,即從播種、出苗、抽穗到成熟、收割的周期性態勢。一熟制區域的作物植被指數曲線在年內完成1個循環的動態過程,兩熟制區域完成2個循環,三熟制將完成3個生長周期。因此,基于時間序列植被指數,采用各種平滑方法擬合得到作物生長曲線,可以實現作物復種模式有效監測。從作物復種模式遙感監測數據源看,中低空間分辨率的NDVI和EVI時間序列數據是目前的主要數據源。NOAA/AVHRR的NDVI數據最先得到應用。國內學者閆慧敏等和吳文斌等分別利用NOAA/AVHRRNDVI數據對全國和華北地區的耕地復種指數空間格局進行了研究。在國外,NOAA/AVHRRNDVI數據在非洲和亞洲的種植制度監測中得到了應用。之后,SPOT/VGTNDVI時間序列數據在耕地復種指數監測中得到了應用,如范錦龍等、辜智慧、朱孝林等分別應用SPOT/VGTNDVI時間序列數據在不同區域尺度上對耕地復種指數進行了監測。近年來,MODISNDVI和EVI數據越來越多用于作物復種模式遙感監測中。如彭代亮等利用MODISNDVI數據對浙江省2001—2004年耕地復種指數進行了監測;閆慧敏等應用MODISEVI數據研究了鄱陽湖農業多熟種植制度時空分布。國外學者Sakamoto等和Galford等利用小波平滑對MODISEVI數據進行平滑處理,分別對越南湄公河區域的水稻復種指數和巴西地區農作物的熟制進行了有效監測。此外,印度的IRS植被指數也應用于耕地復種指數研究。3.2作物復種模式的時間分布及判別國內外學者根據不同研究區域和研究目的提出了不同的監測方法。如Panigrahy等結合主成分分析和最大似然法分類提取了印度全國耕地的復種指數;Canisius等利用傅立葉變換和決策樹方法對亞洲區域的兩熟作物分布進行了研究。左麗君等通過分析研究農作物的農時歷和時間序列植被指數曲線的對應關系,提取了反映作物種植模式的特征時相,并以特征時相的EVI值作為特征參量,構建了提取耕地復種指數的決策樹方法。辜智慧利用SPOT/VGT多時相NDVI數據建立熟制標準曲線庫,利用交叉擬合度檢驗法對中國耕地復種指數進行了提取。此外,數據融合方法也在農作物復種模式監測中得到應用,如Qiu等則通過融合遙感分類得到的中國土地利用數據和縣級農業統計數據,得到了中國主要單季作物和多季作物的空間分布。峰值法因其簡單易用是目前作物復種模式遙感監測中應用最為廣泛的方法[36,37,40,41,42,50]。峰值法的基本假設為,作物復種模式與作物植被指數變化曲線的峰值較吻合,即一年一季作物耕地的植被指數數據在年內形成明顯的單峰曲線,一年兩季作物耕地的植被指數形成雙峰曲線。如何獲取峰值的頻數和分布成為關鍵。目前,常用的方法包括直接比較法和二次差分法。直接比較法是在一個判斷區間內將每一時間點的植被指數值和前后相鄰幾個時間點的植被指數值進行比較,得到該區間內植被指數值最大的時間點,即為該區間內的峰值;如此反復,可以得到整個耕地生長季內所有峰值的數量及其時間分布點;二次差分法將一年內時序序列植被指數的N個植被指數按時間順序形成數組,首先用后面的植被指數值減去其前面的植被指數值,形成N-1個新值;對這N-1個新值進行重新賦值,如果是負數則定為-1,如果是正數則定為1;然后對新賦值的N-1個值按上面的方法再進行一次差分,得到N-2個由-2、0、2組成的數組,其中元素為-2且前后元素皆為0的點就是峰值點。但是,僅單純計算峰值數目可能造成作物復種模式監測的誤差,因為植被指數曲線會由于影像質量異常而出現噪聲波峰,利用一定約束條件對探測的峰值進行判定取舍十分必要。有學者利用溫度數據作為熟制信息提取的約束條件,其提取規則為,兩熟制需滿足≥10℃年積溫高于3600℃,三熟制需滿足≥10℃年積溫高于5000℃。還有部分研究在多熟種植制度遙感提取中融入了作物物候觀測信息,根據站點物候觀測數據的統計特征來確定熟制的判別規則;判別規則中的特征值包括峰值出現的最早可能時間、峰值出現的最晚可能時間、峰值的EVI最低值、兩季作物EVI峰值的最小時間間隔、EVI最大值和最小值的差值等。在華北地區耕地復種指數遙感監測中,吳文斌等采取動態閾值法對最終種植熟制進行了修正,認為兩熟制耕地的第二個峰值的變化幅度要高于年最大峰值變化幅度的40%。朱孝林等綜合考慮了作物物候和作物連作和套作方式等特征,其判別標準為,(1)獨立生長期在9旬以上;(2)具有獨立的長勢特征,即在NDVI時間序列上體現出一定的起伏。雖然這些研究各自提出了較為合理的修正方法,但這些方法和閾值設置都具有一定的區域適宜性和局限性,如何提出普適性更高的校正技術方法是需要進一步深入研究的問題。4作物育種方法的遙感監測4.1農作物種植方式的變化農作物種植方式是作物連作、輪作、間種與套種等的綜合概括。農作物種植方式和農作物復種模式有密切關系,兩者都是充分利用水、土、光、熱等自然資源,提高光能利用率和土地產出率。但二者還是有著顯著不同,農作物復種模式主要描述某一地區或生產單位年內作物種植次數,而農作物種植方式則是解釋不同復種模式下作物的種植順序和方式。如對于一年多熟地區,在同一塊田地連季或連年種植相同作物的種植方式是連作,而同一田地上有順序地在季節間或年度間輪換種植不同作物的種植方式稱為輪作。輪作還包括單作輪作、間作輪作和套作輪作等不同種植方式。因此,農作物種植方式更加復雜多樣,作物種植方式遙感監測是一個更高層次的遙感應用。農作物種植方式不同,遙感傳感器所記錄的光譜信息和季相信息不同。作物種植方式遙感監測主要是利用高時間分辨率遙感數據,如NOAA/AVHRR和MODIS等獲取不同作物生長季特征,通過特征分析實現作物種植方式監測。對于單作輪作的多熟區域,前后茬作物生長季沒有重合,時間序列遙感數據反映的每季作物生長季完整;若是套作輪作,由于在前季作物生長后期的株、行或畦間播種或栽植后季作物,使前茬作物的生長季后期和后茬作物的生長季前期重疊,利用上述特征就可以實現對單作輪作和套作輪作的提取。4.2基于時間序列的作物種植分區預測常用的作物種植方式遙感監測方法是利用時序遙感數據,根據作物指數變化規律區分作物生育周期,將此信息與地面調查建立的作物生育周期模型進行耦合,判斷不同作物種植方式。如Panigrahy和Sharma采用印度IRSLISS-I多時相數據,利用地面數據和最大似然法,獲取了印度孟加拉邦巴得海曼地區的8類作物種植方式(水稻-休閑-水稻、水稻-馬鈴薯-休閑、水稻-蔬菜-休閑和休閑-馬鈴薯-花生等)分布圖。潘志強等將3個不同時期的TMNDVI圖像合成1幅圖像,根據作物在3個時相中的NDVI變化特征進行采樣分析,確定桃紅色區域為冬小麥、玉米(大豆)輪作區,藍紫色區域為棉花、春玉米、雜糧種植區,亮藍區域為水稻種植區,亮綠色區域為林地、草地;然后利用非監督分類和監督分類相結合獲取了黃河三角洲農作物種植分區格局。蔡學良和崔遠來將LandsatETM+與MODISNDVI數據融合區分湖北省漳河灌區土地利用類型,利用融合后的時間序列數據非監督分類結果提取植被指數變化信息,結合作物系數變化規律運用光譜耦合技術提取作物種植方式,成功地分離出漳河灌區水稻-油菜連作、水稻-小麥連作以及其它作物種植區域。張霞等采用迭代自組織數據分析方法對MODISEVI時間序列進行動態聚類提取雙季旱作和水旱兩作用地;結合生育期資料分析雙季旱作作物EVI時間譜物候特征,建立識別模型,獲取了華北平原一年兩熟連作方式下小麥-玉米、小麥-水稻和小麥-其它作物的分布圖。Zhang等利用MODISNDVI數據,通過傅立葉分析獲取了華北地區的冬小麥-玉米連作、冬小麥-棉花套作、單一春玉米和單一棉花等種植方式的特征,利用多階段分類方法獲取了不同作物種植模式分布圖,其結果精度較高。吳炳方等以GVG農情采樣系統和樣條采樣框架為基礎,提出了全國作物種植結構和種植方式快速調查技術方法。根據GVG采樣記錄描述的道路一側100m內農作物的種植情況,通過判讀每一條記錄的作物分類成數,以采樣線為基本單元,可以匯總得到每條采樣線的農作物分類成數;然后將每個縣境內調查得到的各類作物分類成數進行匯總統計,每個省的農業種植結構由縣的成數按照耕地面積加權平均得到。5基于對象的高精度識別近年來,雖然遙感技術在農作物種植面積、復種模式和種植方式監測等方面取得了長足進展,但農作物空間格局遙感監測的理論體系仍未形成,監測技術方法尚不能滿足有關部門對信息的需求,大區域遙感監測結果精度有待進一步提高,監測時效性有待進一步完善,監測內容或對象有待進一步擴展。因此,迫切需要盡快建立農作物空間格局遙感監測的理論和技術體系,系統地指導農作物空間格局遙感監測的有序發展。隨著衛星傳感器的不斷發