遥感技术在农作物空间格局中的应用

遥感技术在农作物空间格局中的应用

作物空间模型是指区域或单位面积内植物的植物栽培结构、形态和栽培方式的空间表达，主要包括三个方面：（1）植物的组成和布局，即种植和在哪里种植的问题；（2）种植的不同类型或休闲，即一年或几年的问题。（3）种植的类型包括连作、作、间种和套种。农作物空间格局反映了人类农业生产在空间范围内利用农业生产资源的状况,是了解农作物种类、结构、分布特征的重要信息,也是进行作物结构调整和优化的依据。同时,农作物空间格局特征及其时空动态变化信息也是研究农业生态系统对陆地碳循环贡献,评价全球变化对区域农业生产影响,分析农作物空间格局动态变化机制和建立模拟模型的基础。因此,开展农作物空间格局监测具有重要意义。从已经或正在进行的有关农作物空间格局研究来看,农作物空间格局信息获取方法主要包括统计汇总和遥感监测。早期和传统的统计方法通过地面采集方法获取某一行政区域的农作物动态变化信息,然后逐层汇总统计得到变化特征,其优势是可以获取描述作物分布变化的数量和速率等特征的详细信息,但由于对统计数据的过度依赖,使得研究结果往往表现为时间上的滞后。而且,该方法用于大范围变化监测时耗费人力、物力和财力。随着空间技术的不断发展,遥感技术因高时效、宽范围和低成本的优点正被广泛应用于对地观测活动中,为大范围的农作物空间格局监测提供了新的科学技术手段。在过去10多年,遥感在不同时空尺度下的农作物空间格局监测中发挥了重要作用,无论在理论和方法方面,还是在实践方面都取得了长足的进展。本文针对近10年来国内外农作物空间格局遥感监测的研究进展进行综述,分别介绍和分析遥感技术在农作物种植面积、复种模式和种植方式监测等方面的应用进展,同时指出农作物空间格局遥感监测中存在的问题,并对未来发展趋势进行了展望。1中国农业遥感估产业务发展现状遥感技术在农作物空间格局监测中的应用始于20世纪初,最初以农作物种植面积监测为主。早在20世纪60年代,美国Purdue大学遥感农业应用实验室首先开始利用遥感数据进行农作物种植面积监测研究,成功实现了对单一玉米作物的监测,证明了卫星遥感数据可用于作物监测。1974年,美国最早实施了“大面积作物估产试验”(即LACIE计划),利用陆地卫星影像对农作物进行识别,并估算农作物的面积、单产和总产。到1978年,其遥感监测覆盖范围从美国扩大到全球,监测作物从单一的小麦扩展到小麦、玉米、大豆和水稻等大宗农作物,估产的精度也不断提高。1980年,美国开展了“基于空间遥感技术的农业和资源调查计划”(即AGRISTARS计划),完成了美国和世界不同区域的多种粮食作物的长势评估和总产量预报。为实施欧盟区的共同农业政策,欧盟于1987年提出了“农业遥感计划”(即MARS计划),其目的在于利用遥感技术建立欧盟区的农作物估产系统,并成为能够实际应用的运行系统。此后,法国、德国、前苏联、加拿大、日本、印度、阿根迁、巴西、澳大利亚、泰国等也相继开展了对小麦、水稻、玉米、大豆、棉花和甜菜等农作物空间格局的遥感监测研究,其研究内容也从单一的作物种植面积监测扩展到作物复种模式和种植方式的监测。中国农作物空间格局遥感监测开始于农作物遥感估产研究。早在1979年,陈述彭院士就开始倡导利用遥感技术进行作物估产。一些大学和科研机构首先选择在较小区域或地点进行试验,以技术方法研究为主要目的。1983年,北京市农林科学院综合研究所、天津市农业科学研究所、河北省气象科学院及国家气象局等三省(市)多家单位提出京津冀冬小麦综合估产的技术与方法,并在国家气象局建立了北方11省(市)冬小麦气象遥感估产运行系统。农业部先后在京津地区对冬小麦、在浙江杭州嘉兴地区对水稻以及在北方六省(市)对小麦进行了遥感估产试验。在国家“八五”期间,农作物遥感估产成为国家科技攻关内容,开展小麦、玉米和水稻大面积遥感估产试验研究、北方草原草畜平衡动态监测研究,分别对河北、山东、河南、安徽北部、北京市和天津市的冬小麦,湖北、江苏和上海市的水稻,吉林省的玉米种植面积、长势和产量开展监测预报。在此期间,北京大学、中国农业大学和浙江大学等高校也对应用陆地卫星资料的冬小麦、水稻遥感估产技术方法进行了研究探索。这一阶段的应用研究与试验为中国农业遥感应用的发展,特别是稳定的业务运行系统的建立奠定了良好的技术基础。1997年,中国科学院将“中国资源环境遥感信息系统及农情速报”作为院“九五”重大和特别支持项目。研究手段从常规方法与遥感技术结合,过渡到以资源卫星为主,进而由应用陆地卫星资料转为气象卫星NOAA/AVHRR资料为主,建立了“北方冬小麦气象卫星遥感动态监测及估产系统”。1999年,农业部组织全国农业遥感的科研力量,组建了农业部遥感应用中心,经过多年的研究,建立了全国主要大宗农作物遥感估产业务运行系统,并于2002年开始正式进入业务化运行。“全国主要农作物遥感估产业务运行系统”可以对小麦、玉米、水稻、大豆和棉花等主要作物的面积变化、单产、总产进行监测,并每旬报告作物长势与旱情的监测与作物单产预测的结果,还可以对农业灾害对作物面积和产量的影响进行评估。中国许多省(区)也先后建立了省级遥感估产业务运行系统,如山西、安徽、吉林、河南、江苏、四川和北京等省(市),为决策提供科学准确的信息,产生了巨大经济与社会效益。除农作物种植面积遥感监测外,有关农作物复种模式和种植方式遥感监测的探索研究也在近几年得到逐步开展,无论是在理论和技术方法方面,还是在实践方面都取得了长足的进展。2作物种植面积的遥感监测2.1遥感监测大区域尺度的面积补差有更广泛的应用。在实小区域尺度农作物种植面积遥感监测一般采用遥感影像全覆盖方式,利用多传感器、多时间分辨率和多空间分辨率的遥感数据进行农作物种植面积提取。高空间分辨率的QuickBird和LandsatTM数据分别在作物种植面积、空间分布及其动态变化提取中得到了广泛应用。Jakubauskas等探索了利用低空间分辨率NOAA/AVHRR数据进行大区域耕地或作物空间格局动态变化的研究。近几年来,中低空间分辨率MODIS数据更是在大区域作物空间分布监测中发挥了重要作用。对于大区域尺度的农作物种植面积提取,受遥感影像获取可能性、数据成本和提取效率等因素影响,不大可能采取研究区域遥感影像全覆盖的方式,遥感技术与抽样技术相结合的方法成为大面积农作物种植面积遥感监测的主要方法。基于遥感的面积采样框架技术在国外农作物面积调查中得到了广泛应用,如欧盟的MARS计划、美国的LACIE计划以及AGRISTARS计划等都使用了面积抽样框架。国内很多单位,如农业部遥感应用中心、中国科学院、北京师范大学和国家气象中心等,都建立了基于分层抽样的农作物种植面积遥感监测技术方法。如农业部遥感应用中心以作物种植面积的历史统计数据为分层指标,把作物生产县划分为若干层,分别建立抽样外推模型;随机从各层抽取所需数量的冬小麦生产县,以LandsatTM或CBERS等影像覆盖,采用人机交互方式来获取作物种植面积的年际变化,以县为单位进行统计;最后利用外推模型获得全国作物种植面积变化。中国科学院遥感应用研究所在“中国农情遥感监测系统”中提出了分层两级抽样的作物种植面积提取方法。以1﹕10万全国土地资源数据库为基础,利用遥感数据进行分层整群抽样,以此来估算层内的农作物总种植成数(即所有作物的种植面积占耕地面积的比例)。利用GVG农情采样系统(GPS、VIDEO摄像头和GIS的综合集成系统),通过线状样条采样,调查作物区内每种作物类型的分类成数(即某类农作物种植面积占所有作物种植面积的比例)。作物总种植成数与每种作物类别的分类成数相乘,再与耕地面积相乘就得到具体每种作物的种植面积。2.2基于多信息源数据的农作物遥感识别方法农作物种植面积遥感监测是根据不同农作物光谱特征的差异,通过遥感影像记录的地表信息,识别不同的农作物类型,统计农作物种植面积。总的来说,农作物种植面积遥感监测方法可以分为三类:一是基于光谱特征的农作物遥感识别方法;二是基于作物物候特征的农作物遥感识别方法;三是基于多源数据的农作物遥感识别方法。基于光谱特征的农作物遥感识别方法已经从最初的目视解译法发展到基于统计学的分类法,以及句法结构分类法等。早期的农作物种植面积遥感监测以目视解译为主,即凭借光谱规律、地学规律和解译者的经验从遥感影像的亮度、色调、位置、时间、纹理和结构等特征推断农作物类型。基于图像的统计分类包括监督分类和非监督分类,主要通过计算各个类别的均值、方差、标准偏差和离散度等统计量,作为比较不同类别相似度的依据,在这些统计量的基础上建立各类别的识别特征,并基于一定的判别函数来实现作物类型识别。由于卫星遥感数据分辨率的限制,卫星图像像元都带有综合光谱信息的特点,致使计算机分类面临着诸多模糊对象,“同物异谱”和“异物同谱”现象大量存在。依据地物光谱特性的点独立原则进行分类,误分类的比例很高。因此,以句法结构分类法为主的新分类方法逐渐得到应用。这类分类方法包括神经网络方法、模糊数学方法、决策树法和基于混合像元分解的方法等。此外,面向对象的分类方法,如考虑像元空间邻域特征的上下文分析方法和考虑纹理特征的分类法也成为辅助于光谱特征分类的重要方法。由于作物具有季相节律性和物候变化规律性的特点,利用时间序列遥感数据的时相变化规律可以实现不同农作物类型的识别。如竞霞等选用了不同时相的TMNDVI数据,提取了北京春、夏季主要植被地物的NDVI时间谱特征,利用波段间的逻辑运算算法提取了2003年北京地区的冬小麦种植信息。杨小唤等通过NDVI时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物种植面积,总体精度达到95%。张明伟等运用快速傅里叶变换对MODISNDVI时序曲线进行分析,选取曲线均值、1—3级谐波的初始相位及振幅比例作为作物识别参数,实现了华北地区冬小麦、春玉米、夏玉米、棉花和大豆等作物空间分布识别。林文鹏等利用MODIS时序数据构建了陆表水分指数和增强型植被指数,作为遥感特征参量,采用分层决策法提取了主要秋季作物类型。从作物的温度(Ts)和增强型植被指数(EVI)特征空间变化关系出发,闫峰等采用Ts-EVI时间序列谱信息对河北省冬小麦种植面积进行了提取,表明基于温度植被指数时间序列谱实现作物分类具有较好的可行性。熊勤学和黄敬峰通过对各种地物MODISNDVI时序特征分析,选取夏、秋作物轮作期和NDVI均值为标准,采用分层方法区分秋收作物区(中稻、晚稻和棉花)与其它区,然后利用BP神经网络法对3种秋收作物进行监督分类,得到了湖北省江陵县3种作物种植的空间分布。基于多信息源数据的农作物遥感识别方法可以充分利用多种数据信息的特色,实现优势互补,弥补单一遥感数据和分类方法的缺陷,大大提高作物遥感识别精度。多信息源数据结合既包括多源遥感影像的结合,也包括遥感影像与非遥感数据源的结合。多源遥感影像的结合可以得到更多的信息,减少理解的模糊性。如结合高时间分辨率MODIS数据和高空间分辨率LandsatTM数据,运用混合像元线性分解模型对河南省冬小麦种植面积进行监测,监测结果与国家统计数据相比,相对误差为5.3%,能满足农情监测的需要。采用多光谱遥感影像与雷达遥感影像相结合进行作物种植面积提取,其精度得到明显提高。在GIS和GPS的支持下,引入非遥感影像数据源,如在分类过程中引入地形(如高程、坡度和坡向信息等)、土壤、作物轮作和分布环境信息,可大大提高农作物种植面积的提取精度。通过空间化属性数据与遥感数据融合模式,利用遥感数据在耕地时空分布表达和属性数据在作物种植面积数量动态变化描述方面的优势,进行农作物空间分布格局提取也越来越得到重视和应用。近年来,以专家知识和经验为基础的遥感影像理解技术也成为农作物遥感识别领域的一个重要方向。3作物重新种植的遥感监测3.1作物复种模式高效监测数据随着卫星技术的快速发展,遥感技术在农作物种植面积遥感监测中得到广泛应用的同时,基于遥感技术的作物复种模式研究也取得了重要进展,促进有关理论、技术和方法的不断发展和完善。根据绿色植被特有的光谱特征,从遥感数据反演的植被指数能够较好地反映植被生长状况。将一年内获取的植被指数数据以时间为横坐标排列形成的时间序列植被指数可以描述植被的年内变化特征,即植被指数时序变化对应于植被的生长与衰落等季节活动过程。对作物而言,植被指数的时序动态变化体现了作物的生长过程,即从播种、出苗、抽穗到成熟、收割的周期性态势。一熟制区域的作物植被指数曲线在年内完成1个循环的动态过程,两熟制区域完成2个循环,三熟制将完成3个生长周期。因此,基于时间序列植被指数,采用各种平滑方法拟合得到作物生长曲线,可以实现作物复种模式有效监测。从作物复种模式遥感监测数据源看,中低空间分辨率的NDVI和EVI时间序列数据是目前的主要数据源。NOAA/AVHRR的NDVI数据最先得到应用。国内学者闫慧敏等和吴文斌等分别利用NOAA/AVHRRNDVI数据对全国和华北地区的耕地复种指数空间格局进行了研究。在国外,NOAA/AVHRRNDVI数据在非洲和亚洲的种植制度监测中得到了应用。之后,SPOT/VGTNDVI时间序列数据在耕地复种指数监测中得到了应用,如范锦龙等、辜智慧、朱孝林等分别应用SPOT/VGTNDVI时间序列数据在不同区域尺度上对耕地复种指数进行了监测。近年来,MODISNDVI和EVI数据越来越多用于作物复种模式遥感监测中。如彭代亮等利用MODISNDVI数据对浙江省2001—2004年耕地复种指数进行了监测;闫慧敏等应用MODISEVI数据研究了鄱阳湖农业多熟种植制度时空分布。国外学者Sakamoto等和Galford等利用小波平滑对MODISEVI数据进行平滑处理,分别对越南湄公河区域的水稻复种指数和巴西地区农作物的熟制进行了有效监测。此外,印度的IRS植被指数也应用于耕地复种指数研究。3.2作物复种模式的时间分布及判别国内外学者根据不同研究区域和研究目的提出了不同的监测方法。如Panigrahy等结合主成分分析和最大似然法分类提取了印度全国耕地的复种指数;Canisius等利用傅立叶变换和决策树方法对亚洲区域的两熟作物分布进行了研究。左丽君等通过分析研究农作物的农时历和时间序列植被指数曲线的对应关系,提取了反映作物种植模式的特征时相,并以特征时相的EVI值作为特征参量,构建了提取耕地复种指数的决策树方法。辜智慧利用SPOT/VGT多时相NDVI数据建立熟制标准曲线库,利用交叉拟合度检验法对中国耕地复种指数进行了提取。此外,数据融合方法也在农作物复种模式监测中得到应用,如Qiu等则通过融合遥感分类得到的中国土地利用数据和县级农业统计数据,得到了中国主要单季作物和多季作物的空间分布。峰值法因其简单易用是目前作物复种模式遥感监测中应用最为广泛的方法[36,37,40,41,42,50]。峰值法的基本假设为,作物复种模式与作物植被指数变化曲线的峰值较吻合,即一年一季作物耕地的植被指数数据在年内形成明显的单峰曲线,一年两季作物耕地的植被指数形成双峰曲线。如何获取峰值的频数和分布成为关键。目前,常用的方法包括直接比较法和二次差分法。直接比较法是在一个判断区间内将每一时间点的植被指数值和前后相邻几个时间点的植被指数值进行比较,得到该区间内植被指数值最大的时间点,即为该区间内的峰值;如此反复,可以得到整个耕地生长季内所有峰值的数量及其时间分布点;二次差分法将一年内时序序列植被指数的N个植被指数按时间顺序形成数组,首先用后面的植被指数值减去其前面的植被指数值,形成N-1个新值;对这N-1个新值进行重新赋值,如果是负数则定为-1,如果是正数则定为1;然后对新赋值的N-1个值按上面的方法再进行一次差分,得到N-2个由-2、0、2组成的数组,其中元素为-2且前后元素皆为0的点就是峰值点。但是,仅单纯计算峰值数目可能造成作物复种模式监测的误差,因为植被指数曲线会由于影像质量异常而出现噪声波峰,利用一定约束条件对探测的峰值进行判定取舍十分必要。有学者利用温度数据作为熟制信息提取的约束条件,其提取规则为,两熟制需满足≥10℃年积温高于3600℃,三熟制需满足≥10℃年积温高于5000℃。还有部分研究在多熟种植制度遥感提取中融入了作物物候观测信息,根据站点物候观测数据的统计特征来确定熟制的判别规则;判别规则中的特征值包括峰值出现的最早可能时间、峰值出现的最晚可能时间、峰值的EVI最低值、两季作物EVI峰值的最小时间间隔、EVI最大值和最小值的差值等。在华北地区耕地复种指数遥感监测中,吴文斌等采取动态阈值法对最终种植熟制进行了修正,认为两熟制耕地的第二个峰值的变化幅度要高于年最大峰值变化幅度的40%。朱孝林等综合考虑了作物物候和作物连作和套作方式等特征,其判别标准为,(1)独立生长期在9旬以上;(2)具有独立的长势特征,即在NDVI时间序列上体现出一定的起伏。虽然这些研究各自提出了较为合理的修正方法,但这些方法和阈值设置都具有一定的区域适宜性和局限性,如何提出普适性更高的校正技术方法是需要进一步深入研究的问题。4作物育种方法的遥感监测4.1农作物种植方式的变化农作物种植方式是作物连作、轮作、间种与套种等的综合概括。农作物种植方式和农作物复种模式有密切关系,两者都是充分利用水、土、光、热等自然资源,提高光能利用率和土地产出率。但二者还是有着显著不同,农作物复种模式主要描述某一地区或生产单位年内作物种植次数,而农作物种植方式则是解释不同复种模式下作物的种植顺序和方式。如对于一年多熟地区,在同一块田地连季或连年种植相同作物的种植方式是连作,而同一田地上有顺序地在季节间或年度间轮换种植不同作物的种植方式称为轮作。轮作还包括单作轮作、间作轮作和套作轮作等不同种植方式。因此,农作物种植方式更加复杂多样,作物种植方式遥感监测是一个更高层次的遥感应用。农作物种植方式不同,遥感传感器所记录的光谱信息和季相信息不同。作物种植方式遥感监测主要是利用高时间分辨率遥感数据,如NOAA/AVHRR和MODIS等获取不同作物生长季特征,通过特征分析实现作物种植方式监测。对于单作轮作的多熟区域,前后茬作物生长季没有重合,时间序列遥感数据反映的每季作物生长季完整;若是套作轮作,由于在前季作物生长后期的株、行或畦间播种或栽植后季作物,使前茬作物的生长季后期和后茬作物的生长季前期重叠,利用上述特征就可以实现对单作轮作和套作轮作的提取。4.2基于时间序列的作物种植分区预测常用的作物种植方式遥感监测方法是利用时序遥感数据,根据作物指数变化规律区分作物生育周期,将此信息与地面调查建立的作物生育周期模型进行耦合,判断不同作物种植方式。如Panigrahy和Sharma采用印度IRSLISS-I多时相数据,利用地面数据和最大似然法,获取了印度孟加拉邦巴得海曼地区的8类作物种植方式(水稻-休闲-水稻、水稻-马铃薯-休闲、水稻-蔬菜-休闲和休闲-马铃薯-花生等)分布图。潘志强等将3个不同时期的TMNDVI图像合成1幅图像,根据作物在3个时相中的NDVI变化特征进行采样分析,确定桃红色区域为冬小麦、玉米(大豆)轮作区,蓝紫色区域为棉花、春玉米、杂粮种植区,亮蓝区域为水稻种植区,亮绿色区域为林地、草地;然后利用非监督分类和监督分类相结合获取了黄河三角洲农作物种植分区格局。蔡学良和崔远来将LandsatETM+与MODISNDVI数据融合区分湖北省漳河灌区土地利用类型,利用融合后的时间序列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植方式,成功地分离出漳河灌区水稻-油菜连作、水稻-小麦连作以及其它作物种植区域。张霞等采用迭代自组织数据分析方法对MODISEVI时间序列进行动态聚类提取双季旱作和水旱两作用地;结合生育期资料分析双季旱作作物EVI时间谱物候特征,建立识别模型,获取了华北平原一年两熟连作方式下小麦-玉米、小麦-水稻和小麦-其它作物的分布图。Zhang等利用MODISNDVI数据,通过傅立叶分析获取了华北地区的冬小麦-玉米连作、冬小麦-棉花套作、单一春玉米和单一棉花等种植方式的特征,利用多阶段分类方法获取了不同作物种植模式分布图,其结果精度较高。吴炳方等以GVG农情采样系统和样条采样框架为基础,提出了全国作物种植结构和种植方式快速调查技术方法。根据GVG采样记录描述的道路一侧100m内农作物的种植情况,通过判读每一条记录的作物分类成数,以采样线为基本单元,可以汇总得到每条采样线的农作物分类成数;然后将每个县境内调查得到的各类作物分类成数进行汇总统计,每个省的农业种植结构由县的成数按照耕地面积加权平均得到。5基于对象的高精度识别近年来,虽然遥感技术在农作物种植面积、复种模式和种植方式监测等方面取得了长足进展,但农作物空间格局遥感监测的理论体系仍未形成,监测技术方法尚不能满足有关部门对信息的需求,大区域遥感监测结果精度有待进一步提高,监测时效性有待进一步完善,监测内容或对象有待进一步扩展。因此,迫切需要尽快建立农作物空间格局遥感监测的理论和技术体系,系统地指导农作物空间格局遥感监测的有序发展。随着卫星传感器的不断发