基于長時間序列遙感數(shù)據(jù)反演NPP的耕地質(zhì)量評價

馬佳妮 張 超 呂雅慧 高璐璐 鄖文聚 朱德海

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院， 北京 100083； 3.自然資源部農(nóng)用地質(zhì)量與監(jiān)控重點實驗室， 北京 100035)

0 引言

耕地質(zhì)量管護對耕地數(shù)量、質(zhì)量、生態(tài)三位一體保護以及耕地占補平衡具有重要意義，而掌握耕地質(zhì)量空間分布是耕地質(zhì)量管護的重要前提。目前，耕地質(zhì)量監(jiān)測與評價技術(shù)方法仍以區(qū)劃—布點—調(diào)查—評價為主[1-2]，但在樣點布設(shè)科學(xué)性、數(shù)據(jù)與結(jié)果時效性、空間連續(xù)性等方面尚存在局限。遙感數(shù)據(jù)具有覆蓋面積大、獲取數(shù)據(jù)快、時空連續(xù)的特點，可有效彌補傳統(tǒng)方式的不足，為耕地質(zhì)量監(jiān)測與評價提供有效手段。

基于遙感的耕地質(zhì)量監(jiān)測與評價研究主要包括耕地質(zhì)量指標(biāo)遙感監(jiān)測和耕地質(zhì)量遙感反演。在耕地質(zhì)量指標(biāo)監(jiān)測中，黃健熙等[3]利用多年蒸散發(fā)產(chǎn)品結(jié)合年度有效灌溉數(shù)據(jù)評價區(qū)域灌溉能力；呂雅慧等[4]采用0.5 m的GEO Eye-1 影像，構(gòu)建歸一化差值植被指數(shù)(Normalized difference vegetation index, NDVI)與二維熵的決策樹，實現(xiàn)了耕地質(zhì)量重要內(nèi)容農(nóng)田林網(wǎng)的自動識別；楊建鋒等[5]通過建立多光譜遙感影像波段與有機質(zhì)含量、地形坡度、表層土壤質(zhì)地的反演模型，獲得了耕地質(zhì)量自然等。以上通過遙感數(shù)據(jù)信息提取與波段信息反演解決了部分指標(biāo)獲取困難的問題。此外，還有通過遙感數(shù)據(jù)直接監(jiān)測和評價耕地質(zhì)量相關(guān)研究，林晨等[6]建立了基于MODIS數(shù)據(jù)的耕地質(zhì)量自然等反演模型。以上耕地質(zhì)量監(jiān)測與評價多以一個時間斷點，忽略了時間斷點數(shù)據(jù)不穩(wěn)定性與評價結(jié)果的時效性。

已有學(xué)者將多期遙感數(shù)據(jù)應(yīng)用于土地監(jiān)測與評價[7-11]。研究表明，凈初級生產(chǎn)力(NPP)較NDVI更能全面反映作物長勢，已廣泛應(yīng)用于農(nóng)田生產(chǎn)力評價[12-13]。以上研究采用時序數(shù)據(jù)彌補了時間斷點數(shù)據(jù)的不穩(wěn)定性，但利用植被指數(shù)表征全域各類土地質(zhì)量狀況，忽略了不同作物監(jiān)測指標(biāo)的差異，造成結(jié)果的不可比性。耕地質(zhì)量各構(gòu)成要素的特點和相互間的影響，決定了耕地質(zhì)量的外在表現(xiàn)[14]。耕地質(zhì)量包含自然質(zhì)量、利用質(zhì)量與經(jīng)濟質(zhì)量等[15]。而作物長勢是耕地質(zhì)量利用的外在表現(xiàn)，產(chǎn)量與產(chǎn)能是反映耕地質(zhì)量的重要指標(biāo)。依據(jù)吉林省氣象站點物候統(tǒng)計，吉林省玉米與水稻生長期為5—9月。農(nóng)田NPP在作物生長期變化明顯[16]，耕地質(zhì)量影響因素如田間施肥、灌溉等人為因素和土壤理化性質(zhì)在作物生長期變化明顯。多年作物生長期的NPP體現(xiàn)了多年影響耕地質(zhì)量的各因素對作物的貢獻程度，間接評價了耕地質(zhì)量。因此，本文選擇吉林省為研究區(qū)，采用2000—2010年5—9月500 m的MODIS MOD09A1遙感數(shù)據(jù)，結(jié)合氣象站點數(shù)據(jù)，構(gòu)建省域耕地質(zhì)量利用等評價方法，考慮不同作物植被指數(shù)差異，分別計算反映不同作物長勢的指標(biāo)，經(jīng)距平分析法消除量綱，利用反映多年作物長勢的NPP評價耕地質(zhì)量。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)概況

選擇吉林省為研究區(qū)，地理位置為東經(jīng)121°38′～131°19′，北緯40°50′～46°19′，如圖1所示。吉林省屬于溫帶大陸性季風(fēng)氣候，四季分明，雨熱同季。多年平均氣溫2～6℃，降水量400～900 mm。以中部大黑山為界分為東部山區(qū)與西部平原。全省耕地共553.5萬hm2，占吉林省面積28.98%。70%耕地分布在中、西部平原地區(qū)。全省耕地主要為旱地和水田。耕作制度為一年一熟制，種植結(jié)構(gòu)穩(wěn)定，主要農(nóng)作物有玉米和水稻等，糧食單產(chǎn)地區(qū)間差異大，糧食平均單產(chǎn)在全國處于中等偏下水平。耕地質(zhì)量利用等別分布在8～13等別。耕地后備資源相對充足，有31萬hm2耕地后備資源。

圖1 研究區(qū)位示意圖Fig.1 Geographical distribution map of study area

1.2 數(shù)據(jù)源

1.2.1遙感數(shù)據(jù)

采用2000—2010年玉米與水稻生長期5—9月的8 d合成500 m分辨率MODIS地表反射率產(chǎn)品MOD09A1(www.gscloud.cn)，共215景。經(jīng)投影轉(zhuǎn)換、鑲嵌、重采樣預(yù)處理后，形成2000—2010年長時間序列遙感數(shù)據(jù)集。

1.2.2氣象數(shù)據(jù)

氣象數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)，包括吉林省內(nèi)與周邊共51個國家氣象站點，包括2000—2010年間逐日最大溫度、最小溫度、總輻射量、日照時數(shù)等數(shù)據(jù)。

1.2.3光合有效輻射數(shù)據(jù)等

光合有效輻射數(shù)據(jù)(Photosynthetically active radiation, PAR)是利用晴空指數(shù)、太陽高度角與日照時數(shù)建立的估算模型而得[17]。其他數(shù)據(jù)包括2013年吉林省農(nóng)用地等別成果中的國家利用等別數(shù)據(jù)以及吉林省行政邊界數(shù)據(jù)。

2 研究方法

NPP是植物光合作用所固定的有機物總量扣除植物自養(yǎng)呼吸后的剩余部分。單年NPP值易受氣候等因素影響，用于評價長期穩(wěn)定的耕地質(zhì)量誤差較大。計算2000—2010年的NPP均值評價耕地質(zhì)量可減少氣候等因素引起的不確定性?；谟跋裼嬎忝? d的NPP值，經(jīng)累加求得年NPP值，通過計算多年NPP均值，評價耕地質(zhì)量。由于NPP受作物類型的影響[18-20]，需對研究區(qū)主要作物水稻(C3)與玉米(C4)進行分類，利用不同作物生長期對指數(shù)響應(yīng)程度不同，構(gòu)建基于時序指數(shù)的分類特征，并采用決策樹主要區(qū)分水稻與玉米，剩余少量大豆與水稻均為C3作物。不同作物類型(主要分C3和C4)分別利用植被光合作用模型(Vegetation photosynthesis model，VPM)計算NPP，并經(jīng)累加計算2000—2010年NPP年累積量。后經(jīng)距平分析法去除作物類型間差異，結(jié)果用于評價耕地質(zhì)量利用等別。相應(yīng)的技術(shù)路線如圖2所示。

圖2 技術(shù)路線圖Fig.2 Flow chart of method

2.1 基于時序遙感數(shù)據(jù)的水稻與玉米識別

由于水稻、玉米的光合作用過程、光能利用率、積溫等差異，導(dǎo)致兩種作物類型計算NPP不同，所以首先利用多時相進行農(nóng)作物分類。通過構(gòu)建增強植被指數(shù)(Enhanced vegetation index, EVI)、地表水指數(shù)(Land surface water index, LSWI)與NDVI時序數(shù)據(jù)集，選取水稻移栽期、移栽期后40 d及收獲后為關(guān)鍵時期，采用決策樹分類區(qū)分水稻和玉米。

2.1.1遙感指數(shù)計算

利用MODIS數(shù)據(jù)計算NDVI、EVI和LSWI，計算公式為

(1)

(2)

(3)

式中RB——藍波段波長(459～479 nm)

RR——紅波段波長(620～670 nm)

RNIR——近紅外波段波長(841～876 nm)

RSWIR——短波紅外波段波長(1 628～1 652 nm)

盡管8 d合成MODIS數(shù)據(jù)最大限度削弱低云、云陰影、氣溶膠等對圖像質(zhì)量的影響，然而6、7月存在長時間云覆蓋情況，故利用S-G濾波消除云的影響[21]。

2.1.2基于時序指數(shù)的水稻玉米分類

依據(jù)水稻與玉米物候期時序變化差異(圖3)，采用關(guān)鍵生育期LSWI和EVI進行作物分類。選擇水稻移栽期、移栽期后40 d及收獲后作為分類關(guān)鍵期。移栽期水稻田因灌水存有2～15 cm積水[22]， LSWI時序曲線出現(xiàn)突增，EVI出現(xiàn)突降。采用EVI-LSWI≤0.05作為特征參量。移栽40 d后，水稻進入返青期，分蘗數(shù)逐漸增加，EVI迅速增大，該時段利用EVI>0.5EVImax作為分類特征。在收獲后期，利用NDVI<0.6，采用決策樹實現(xiàn)作物分類。

圖3 水稻與玉米時序圖Fig.3 Rice and corn timing chart

2.2 NPP計算

VPM是基于遙感數(shù)據(jù)進行NPP估算的光能利用率模型[23]。首先計算

GPP=εgFPARchlPAR

(4)

其中

FPARchl=aEVI

(5)

εg=ε0WscalarTscalarPscalar

(6)

(7)

式中εg——光能利用率，g/MJ，受溫度、葉齡與水分的影響

FPARchl——植被光合的部分吸收光合有效輻射比例

a——系數(shù)，取1

ε0——植被最大光能利用率，g/MJ，C4植物最大光能利用率高于C3植物[24]，玉米與水稻的ε0分別為3.65 g/MJ和1.15 g/MJ[25-26]

Tscalar——溫度系數(shù)

Wscalar——水分系數(shù)

Pscalar——葉齡系數(shù)

tlswimax——葉面完全伸展時期

Tmin、Tmax、Topt——作物的最低溫、最高溫、最適溫[27]，玉米、水稻的最低溫分別為0、-3℃，最高溫為45、42℃，最適溫為23、16℃

2.3 耕地質(zhì)量利用等別評價

計算水稻與玉米年NPP累積量后，通過距平分析法消除作物類型間的量綱，即

(8)

式中NPP——11年NPP均值

D——像元距平百分率

最終根據(jù)D值參照農(nóng)用地等別的分級標(biāo)準(zhǔn)得到耕地質(zhì)量的評價結(jié)果。

3 實驗結(jié)果與分析

3.1 多時相遙感作物分類

由于水稻和玉米是吉林省主要作物，多年種植結(jié)構(gòu)穩(wěn)定，故采用2006年分類結(jié)果作為11年后續(xù)研究的基礎(chǔ)數(shù)據(jù)。分類樣本來源于實地采樣結(jié)合現(xiàn)有耕地圖斑，分類結(jié)果如圖4所示，總體分類精度為80.56%，Kappa系數(shù)為0.7。吉林省玉米面積為70.75萬hm2，水稻面積32.82萬hm2。玉米種植區(qū)集中在北部白城市、中部松原市。水稻種植區(qū)位于中東部通榆市、德惠市與中西部四平市，處于松花江與東遼河兩側(cè)。

圖4 2006年吉林省水稻玉米分布圖Fig.4 Rice and maize distribution map of Jilin Province in 2006

3.2 VPM模型計算NPP

利用VPM模型計算8 d NPP。后經(jīng)累加得到年NPP值。并生成2000—2010年吉林省NPP空間分布圖，如圖5所示，全域NPP累積量在[0，507.249]之間。

3.3 耕地質(zhì)量評價

利用距平分析法將歸一化后的D值作為表征耕地質(zhì)量。并與2013年農(nóng)用地分等中吉林省耕地質(zhì)量利用等對比驗證。為與吉林省國家利用等別等級一致，按照吉林省國家利用等別各等別面積占比，將耕地質(zhì)量反演結(jié)果分為9個等別，分別對應(yīng)吉林省國家利用等的6～14等別，6為最高等別，按序等別降低。從圖6b可見，全域耕地質(zhì)量呈階梯狀分布。北部白城市與松原市耕地質(zhì)量處于11～14等別。中部長春市、四平市耕地質(zhì)量處于9～10等別，少量分布8、12等別。南部地區(qū)在9～14等別都有分布，主要集中在10～13等別。北部與南部質(zhì)量低，中部質(zhì)量高。由圖6可得，反演結(jié)果與國家利用等別在整體空間分布較為一致，北部反演結(jié)果集中在9～12等別，說明南部整體反演等級偏高，主要是由于南部耕地零碎分散并存在于耕地與林地混合的像元導(dǎo)致反演結(jié)果偏高。對比發(fā)現(xiàn)，兩種結(jié)果在吉林省北部均處于9～12等別，但2013年吉林省農(nóng)用地分等國家利用等別的結(jié)果位于北部的乾安縣整體處13～14等別，與周邊縣等級差異較大。圖6a中北部的評價結(jié)果空間連續(xù)，符合耕地質(zhì)量實際分布。圖6b中縣域存在異常值的原因是現(xiàn)有耕地質(zhì)量評價是以縣域為評價單元，各縣在指標(biāo)獲取與計算的差異造成縣域結(jié)果整體偏高或偏低。本文方法可檢驗縣域評價結(jié)果異常。

圖5 2000—2010年吉林省累積NPP空間分布Fig.5 Cumulative NPP spatial distribution during 2000—2010 in Jilin Province

圖6 本文評價結(jié)果與2013年吉林省農(nóng)用地分等國家利用等別對比Fig.6 Comparison of evaluation results with utilization of agricultural land in Jilin Province in 2013

采用反演結(jié)果等級與農(nóng)用地分等成果等別之差，評價構(gòu)建方法的可靠性?？臻g分布如圖7所示，級差大于2的區(qū)域主要集中在南部的敦化市、汪清縣、柳河縣、樺甸市，中部的公主嶺市及北部鎮(zhèn)賚縣。說明本文的評價結(jié)果高于農(nóng)用地分等結(jié)果，主要因為耕地零散破碎，林地NPP高于耕地NPP，耕地與林地混合像元造成反演結(jié)果較高。級差小于-2的區(qū)域在中部的蛟河市與北部的洮南市。

如圖8所示，級差在-1～1級有73.72%耕地，級差-2～2級的耕地面積有17.01%，級差在3級及以上的耕地占9.27%，說明本文提出方法的評價結(jié)果與農(nóng)用地分等中的分級結(jié)果具有較好的吻合度。

圖7 本文評價結(jié)果與2013年吉林省農(nóng)用地分等國家利用等別級差分布Fig.7 Inversion results and spatial distribution of difference in utilization of agricultural land in Jilin Province in 2013

圖8 級差概率分布Fig.8 Level difference probability distribution

4 結(jié)論

(1)構(gòu)建了利用長時間影像數(shù)據(jù)集耕地質(zhì)量評價方法，通過監(jiān)測多年反映作物長勢的NPP表征耕地質(zhì)量。在耕地集中連片的平原地區(qū)評價結(jié)果與現(xiàn)有數(shù)據(jù)結(jié)果一致，同時表明，500 m的遙感數(shù)據(jù)可用于平原耕地集中連片區(qū)域的耕地質(zhì)量監(jiān)測與評價。

(2)利用多時序植被指數(shù)作物分類，選擇水稻

移栽期、移栽期后40 d及收獲后作為關(guān)鍵生育期，移栽期未被稻苗遮擋的田間積水，在影像上可作為區(qū)別水稻田與旱地的特征。移栽期后40 d，水稻處于急速生長的分蘗期。收獲后田間使用LSWI、EVI、NDVI指數(shù)特征參與分類，最終的分類精度達80.56%。

(3)采用2000—2010年MOD09A1影像數(shù)據(jù)，結(jié)合氣象站點數(shù)據(jù)，經(jīng)VPM模型計算水稻和玉米NPP值，并得到多年NPP累積量。使用距平分析法消除作物類型差異，以此表征耕地質(zhì)量，并對其結(jié)果的合理性進行驗證，結(jié)果表明，該方法適合評價吉林省中部與北部等平原地區(qū)，在耕地質(zhì)量評價方面具有可行性。

(4)基于長時間序列遙感數(shù)據(jù)反演NPP的耕地質(zhì)量評價，利用多年作物長勢間接反映耕地質(zhì)量，避免單年評價的偶然性，提高了準(zhǔn)確性。同時利用覆蓋全域的MODIS影像，有效解決了省域耕地質(zhì)量不可比、評價由點及面與評價周期長等問題。在獲取耕地質(zhì)量空間分布的同時，可以獲得耕地質(zhì)量時空演變過程。