灌區(qū)種植結構反演優(yōu)化與土壤鹽分空間分布協(xié)同解析

張敬曉 蔡甲冰 許 迪 常宏芳 肖春安

(1.中國水利水電科學研究院流域水循環(huán)模擬與調控國家重點實驗室, 北京 100038;2.河北水利電力學院水利工程系, 滄州 061001)

0 引言

準確、高效獲取灌區(qū)作物種植結構對于區(qū)域作物長勢監(jiān)測[1]、估產分析[2]、需耗水管理以及精量灌溉決策等具有重要意義[3]。利用傳統(tǒng)的層級管理方式與地面調查方法確定灌區(qū)土地利用方式與作物種植的空間信息受到一定限制[4]。遙感技術具有覆蓋范圍大、探測周期短、現(xiàn)勢性強和費用成本低等優(yōu)點,被廣泛應用于對地觀測研究中,成為當前大尺度范圍內提取作物種植結構的主流技術和方法[5-7]。

根據(jù)遙感數(shù)據(jù)源不同,種植結構提取方法可以分為單一時相影像法和時間序列影像法兩類[8]。單一時相影像法利用作物“關鍵物候期”中高分辨率遙感影像豐富的結構、紋理、幾何等信息,從面向對象的角度將具有相似特征的多個像元聚合為一類,進而根據(jù)不同對象的空間特征差異對農作物進行識別和區(qū)分[9]。該方法能夠識別作物生長過程中自身特有的物候狀態(tài),具有較高的分類精度和應用價值[10]。但是由于不同作物在類似物候期交叉時段影像上的光譜特征相似性較高或受背景地物干擾,可能會出現(xiàn)“同物異譜、同譜異物”現(xiàn)象,給結果帶來一定的不確定性[11]。時間序列影像法較為完整地描述了作物生長狀態(tài)的周期性變化,能夠依據(jù)特征參量的時序變化對不同作物的季相節(jié)律和物候特征進行精細刻畫與表征[12],通過設定每類作物最佳區(qū)分點的敏感參量與關鍵閾值實現(xiàn)對種植結構的精確提取[2]。特征參量可以根據(jù)灌區(qū)特點進行靈活選取與設置,從多角度尋求不同作物的光譜特征差異以達到農作物精準識別的效果,但其中也有一定的主觀性與不確定性;另外,覆蓋作物全生育期的時間序列遙感影像受陰雨天氣影響,難以高效獲取[13]?？梢娛芄鄥^(qū)地域、作物、天氣等條件限制,兩種方法有不同的適用性與限制性。在作物種植分散、種類繁多、農田破碎化嚴重的灌區(qū),迫切需要適用性強、準確性高、方便快捷的提取方法。

土壤鹽分是限制作物生長的環(huán)境因子,不同作物對土壤鹽分具有不同的適應性和耐受性,因而農作物種植結構與土壤鹽分互為影響、相互作用。例如在內蒙古河套灌區(qū)土壤鹽漬化嚴重,輕度、中度和重度鹽漬化耕地分別占灌區(qū)總面積的29.8%、17.2%和9.2%[14],與農作物種植結構呈現(xiàn)出紛繁復雜的耦合協(xié)同關系。針對該問題,前人在土壤鹽分空間分布與作物生長關系、不同土地利用類型下土壤鹽分時空分布特征、植被覆蓋度與土壤鹽分時空耦合等方面開展了大量研究[15-21]。種植結構與土壤鹽分的協(xié)同程度與發(fā)展關系直接關乎灌區(qū)水土生態(tài)質量與農業(yè)可持續(xù)發(fā)展,但由于二者同時存在較大的時空變異性,這為其耦合協(xié)同研究帶來了較大挑戰(zhàn)。因此,在灌域尺度上聯(lián)動種植結構提取與土壤鹽分空間分析,并定量耦合二者的協(xié)同關系是需要進一步深入開展的研究。

本文選取內蒙古河套灌區(qū)永濟灌域為研究區(qū),利用2021—2022年生育期Landsat 8 OLI遙感數(shù)據(jù),構建基于時間序列影像的決策樹和基于單一時相影像的支持向量機、隨機森林3種模型,對作物種植結構進行提取和對比分析,以期獲取復雜種植結構條件下準確、高效的遙感監(jiān)測分類方法;并結合灌區(qū)土壤鹽分實測數(shù)據(jù)及其空間異質特征,對種植結構與土壤鹽分的協(xié)同關系進行深入探討和分析。以探明灌區(qū)種植結構與土壤鹽分的協(xié)同發(fā)展程度,為優(yōu)化灌區(qū)農作物種植結構、改善區(qū)域水土環(huán)境、促進農業(yè)可持續(xù)發(fā)展等提供參考。

1 材料與方法

1.1 研究區(qū)概況

永濟灌域位于內蒙古河套平原中部(107°13′～107°42′E,40°36′～41°13′N),東與義長灌域為鄰,西與解放閘灌域毗連,南臨黃河與伊克昭盟隔河相望,北抵陰山與烏拉特中旗接壤;南北長60 km,東西寬40 km,總土地面積1.836×105hm2,是河套灌區(qū)引黃灌溉大型灌域之一。本區(qū)屬于溫帶大陸性氣候,干旱少雨,蒸發(fā)強烈,且地下水埋藏較淺,土壤鹽漬化嚴重。研究區(qū)多年平均降水量125.2 mm,主要集中在6—9月;多年平均蒸發(fā)量為1 999～2 346 mm 之間,是典型的“無灌溉就無農業(yè)”地區(qū)。灌域內種植的農作物包括玉米、葵花、小麥、葫蘆、辣椒、番茄、西瓜等,主要農作物物候歷如表1所示[22]。

表1 研究區(qū)主要農作物物候歷Tab.1 Phenological calendar of main crops in study area

1.2 數(shù)據(jù)獲取與處理

1.2.1地面觀測數(shù)據(jù)

(1)灌域種植結構調查

以合濟試驗站(107°16′48″E,40°44′24″N)為起止點,分別于2021年7月10—12日、2022年6月25—28日在研究區(qū)進行種植結構調查。調查劃定東、西、南3條路線,圍繞均勻分布在灌域內的40個土壤鹽分監(jiān)測點展開(圖1)。調查時手持GPS沿路獲取各采樣點的經度、緯度、海拔等信息,同時記錄作物類型、種植密度、種植面積、作物長勢等內容,調查樣方與Landsat 8 OLI影像像元大小保持一致(30 m×30 m)。由于番茄、辣椒、西瓜等作物種植分散、面積相對于主糧較小,且生育期接近,調查時統(tǒng)一歸類為其他作物。最終確定的土地利用類型為:葵花、玉米、小麥、小麥套種玉米(套種)、其他作物,以及水體、裸地/荒地共7大類。

圖1 2021—2022年永濟灌域種植結構調查路線 與土壤鹽分監(jiān)測點Fig.1 Field survey routes and sampling sites of soil salinity during 2021—2022 in Yongji Sub-irrigation Area

2021年完成實地采樣點320個,其中葵花70個、玉米68個、小麥24個、套種20個、其他作物58個、水體30個、裸地/荒地50個。在2021年調查結果的基礎上,2022年進行了更詳細的路線規(guī)劃與方案優(yōu)化,完成實地采樣點多達1 006個,其中葵花199個、玉米329個、小麥90個、套種24個、其他作物284個、水體30個、裸地/荒地50個。分別在2021、2022年調查結果中隨機選取153、767個樣點用于構建訓練樣本感興趣區(qū),剩余樣點為驗證樣本,用于分類結果驗證與精度評價。

(2)灌域土壤鹽分監(jiān)測

2021—2022年在永濟灌域內均勻布置40個土壤鹽分監(jiān)測點(圖1),于作物生育期內(5—9月)定期進行土樣采集與測定。土樣采集深度為0～10 cm、10～20 cm、20～40 cm和40～60 cm,采集頻率為1次/月。土樣采集后帶回實驗室,經風干、研磨、過篩等處理后,配置土水比1∶5土壤溶液,過濾后用電導率儀(DDS-307A型,上海佑科儀器公司)測定土壤溶液電導率,并通過經驗公式轉換為土壤含鹽量[23-24],即

SSC=0.288 2EC1∶5+0.018 3

(1)

式中SSC——土壤含鹽量,g/(100 g),記為%

EC1∶5——土水比1∶5土壤溶液電導率,dS/m

每個監(jiān)測點取3個重復,取平均值代表該點土壤鹽分。該區(qū)域土壤鹽漬化的等級劃分為非鹽化土(0～0.2%)、輕鹽化土(0.2%～0.4%)、中鹽化土(0.4%～0.6%)、重鹽化土(0.6%～1.0%)和鹽土(>1.0%)[24]。

1.2.2衛(wèi)星遙感數(shù)據(jù)

(1)數(shù)據(jù)來源及預處理

Landsat 8 OLI影像來源于美國地質勘查局網(wǎng)站(http:∥glovis.usgs.gov/)。選取2021—2022年生育期內覆蓋研究區(qū)的26期遙感影像,時間序列分別為:2021年5月12日、5月28日、6月13日、7月31日、8月16日、9月17日,2022年4月13日、5月31日、6月16日、7月18日、8月19日、9月4日、9月20日,行列號為129/31和129/32。利用ENVI 5.6軟件對遙感影像進行輻射定標、大氣校正、圖形鑲嵌等預處理,并利用研究區(qū)矢量文件進行裁剪,得到研究區(qū)Landsat 8 OLI影像。

(2)植被指數(shù)計算

遙感影像中地物光譜的波段反射率差異是遙感識別地物信息的物理基礎[25-26]。利用ENVI 5.6對Landsat 8 OLI過境時刻的玉米、葵花、小麥、套種和其他作物5種作物的光譜特征進行提取,通過分析不同作物在不同波段呈現(xiàn)出的反射率差異,作為農作物識別、提取的主要依據(jù)。

近紅外和紅光波段的反差是對植物較敏感的度量,常用這兩個波段反射率的比值、差分、線性組合等各種組合構建多種植被指數(shù)來增強或揭示隱含的植物信息[27]。參考文獻[28-32],本文選取歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)、差值植被指數(shù)(Difference vegetation index,DVI)來反映不同作物的光譜特征差異。同一作物由于周圍環(huán)境、種植模式、管理方式等因素存在差異,各采樣點長勢不一,分別計算不同作物各采樣點植被指數(shù)的平均值。植被指數(shù)計算式為

(2)

DVI=RNIR-RR

(3)

式中NDVI——歸一化植被指數(shù)

DVI——差值植被指數(shù)

RNIR——近紅外波段反射率

RR——紅光波段反射率

1.3 研究方法

1.3.1地物分類模型

(1)決策樹

決策樹分類模型主要基于遙感影像等空間數(shù)據(jù),通過對其進行邏輯推理、數(shù)理統(tǒng)計、綜合分析和歸納總結,采用自頂而下的遞歸方式,形成分類規(guī)則進行分類[33]。該模型通過分析像元特征值,設定每個節(jié)點合適的閾值,從而進行分層、逐次比較歸類[8]。本文利用Landsat 8 OLI時間序列影像數(shù)據(jù)獲取不同作物的光譜特征信息,結合農作物物候信息,確定不同作物的分類規(guī)則和閾值設定,建立決策樹分類模型。

(2)支持向量機

支持向量機是基于統(tǒng)計學習理論提出的一種二分類算法。模型采用間隔最大化原理,在提高樣本分類精度的同時,通過非線性變換將低維空間中的難于線性劃分的樣本映射到高維特征空間,然后在高維特征空間中尋求最優(yōu)分類超平面,使分類風險上界最小,從而實現(xiàn)樣本空間的非線性分類,在高維空間中構造出最優(yōu)分類器[34]。其中,適當?shù)暮撕瘮?shù)可以使模型有效實現(xiàn)非線性變換。支持向量機模型極大程度地減少了傳統(tǒng)分類算法中存在的過學習、局部極小點等問題,具有較高的準確性和魯棒性[35]。

(3)隨機森林

隨機森林基于bagging集成學習策略,利用多棵決策樹實現(xiàn)對數(shù)據(jù)樣本的準確分類,是決策樹的升級模型。模型包含兩個隨機過程:一是輸入數(shù)據(jù)隨機,二是分類特征隨機選取[36],通過組合多棵決策樹的預算結果,進行投票判斷,得到最終結果,預測準確率一般較高[37]。已有研究表明,隨機森林可以處理高維數(shù)據(jù)并且適用于大量數(shù)據(jù)的分類運算,尤其在高維數(shù)據(jù)分類中,更能體現(xiàn)出速度快、精度高、穩(wěn)定性好的優(yōu)勢[38-39]。

1.3.2反距離權重插值

反距離權重(Inverse distance weighted, IDW)插值是一種根據(jù)已知數(shù)據(jù)集假定評估任意點s0預測值的空間插值方法[40]。該方法簡單快速、易于計算,較Kriging插值可以更直觀地反映區(qū)域和局部趨勢變化[41]。定義為[42]

(4)

其中

(5)

Z(si)——已知點位si的實測值

λi——權重n——樣點數(shù)量

d(si,s0)——樣點和樣點之間的歐氏距離

p——指定冪值,取(1,3)

1.3.3半方差函數(shù)理論模型

土壤鹽分的空間變異程度受結構性因素(氣候、地形、土壤母質、水文地質條件等)和隨機性因素(種植結構、灌溉制度、管理措施等)共同影響。作為地統(tǒng)計學中的特有工具和分析基礎,半方差函數(shù)理論模型是評估其空間變異程度的最有效方法。本文利用半方差函數(shù)理論模型對永濟灌域土壤鹽分空間結構進行分析,其函數(shù)表達式為[43]

(6)

式中γ(h)——半方差函數(shù)

z(xi)、z(xi+h)——間隔為h的2個觀測點的實測值

N(h)——以h為步長所有觀測點的成對數(shù)目

函數(shù)分析中主要涉及塊金值C0、基臺值C+C0、變程A、塊基比(塊金系數(shù))C0/(C+C0)等參數(shù),以塊基比C0/(C+C0)來表征土壤鹽分的空間變異程度。若C0/(C+C0)<25%,為強空間相關性,主要受結構性因素影響;若25%≤C0/(C+C0)≤75%,為中等空間相關性,受結構性和隨機性因素共同影響;若C0/(C+C0)>75%,為弱空間相關性,受隨機因素影響大。理論模型主要包括:Linear、Exponential、Spherical、Gaussian,具體介紹見文獻[44]。

1.3.4耦合協(xié)調度模型

耦合協(xié)調度是在耦合度和協(xié)調度的基礎上,描述系統(tǒng)或要素彼此相互作用、協(xié)調一致的程度,體現(xiàn)系統(tǒng)之間相互關聯(lián)程度強弱與協(xié)調狀況好壞。灌區(qū)作物種植結構與土壤鹽分互為影響,相互作用,故本文以耦合協(xié)調度衡量其協(xié)同關系。耦合協(xié)調度計算式為[45]

(7)

其中

T=af(x)+bg(x)

(8)

(9)

式中D——耦合協(xié)調度

T、C——種植結構與土壤鹽分兩系統(tǒng)的耦合度、協(xié)調度

a、b——權重,取a=b=0.5[46]

f(x)、g(x)——種植結構、土壤鹽分的Simpson多樣性指數(shù)

Simpson多樣性指數(shù)引自生態(tài)學中的優(yōu)勢度指數(shù),是指從一個群落中連續(xù)兩次抽樣所得到的個體數(shù)屬于同一種的概率,計算公式為[46]

(10)

式中Isimpson——Simpson多樣性指數(shù),取[0, 1)

S——研究時段內灌域種植結構(土壤鹽分)的作物類型(鹽漬等級)數(shù)量

qi——第i種作物(鹽漬等級)的播種面積(占地面積)占農作物總面積的比例

根據(jù)耦合協(xié)調度,可以判定其耦合協(xié)調程度。若0

1.4 評價指標

利用混淆矩陣對農作物種植結構提取結果進行精度評價,評價指標包括總體精度、Kappa系數(shù)、制圖精度、用戶精度,4種指標越大,農作物種植信息提取效果越好[8]。利用決定系數(shù)R2對半方差函數(shù)理論模型的擬合結果進行評價分析,R2越大,模型擬合效果越好。

2 結果與分析

2.1 灌區(qū)作物種植結構特征提取

2.1.1地物分類模型的分類規(guī)則

(1)決策樹

綜合訓練樣本疊加波段與特征參量的時間序列數(shù)據(jù),獲取不同地物的敏感性差異,是決策樹模型建立分類規(guī)則的主要依據(jù)。利用NDVI最大值合成(Maximum value composite,MVC)圖像可以對植被、裸地和水體進行有效區(qū)分,關鍵閾值分別設置為0.35、0,效果較為理想。圖2為不同作物的波段反射率和特征參量(NDVI、DVI)變化曲線。

圖2 不同作物的波段反射率和特征參量變化曲線Fig.2 Changes of band reflectance and spectral characteristic curves on different crops

由圖2可知,5、6月小麥、套種的NDVI明顯高于葵花、玉米和其他作物;7、8月因小麥收獲,NDVI又低于以上3類作物;同時小麥、套種在2021年5月28日與7月31日的DVI差值也呈現(xiàn)一定不同,據(jù)此對小麥、套種進行提取。6月上中旬葵花處于播種—出苗期,而玉米和瓜菜等其他作物處于快速生長期,故葵花NDVI、DVI較玉米和其他作物偏小;2021年8月16日葵花在b5(近紅外)波段反射率較玉米和其他作物偏大,據(jù)此提取葵花的種植信息。8月中下旬瓜菜等其他作物處于成熟衰老階段,NDVI顯著降低;9月玉米開始成熟衰老,NDVI開始降低,但至9月中旬玉米NDVI仍然顯著大于瓜菜等其他作物;同時2021年7月31日玉米在b4(紅光)波段反射率最低,根據(jù)上述特征提取玉米、其他作物的種植信息。

基于以上不同作物的波段反射率和特征參量變化差異,經過反復試驗確定合理閾值,建立2021、2022年研究區(qū)決策樹模型分類規(guī)則,如圖3所示。圖中:NDVIMVC表示研究區(qū)NDVI最大值合成圖像值;NDVI20210613表示2021年6月13日的NDVI值,其他類同;DVI20210731-20210528表示研究區(qū)2021年7月31日與5月28日DVI的差值;Rb5-20210816表示研究區(qū)2021年8月16日遙感影像b5(近紅外)波段反射率,其他類同。

圖3 決策樹模型分類規(guī)則Fig.3 Classification rules of decision tree model

(2)支持向量機、隨機森林

支持向量機、隨機森林模型為機器學習算法,基于單一時相影像開展。作物“關鍵物候期”的遙感影像可以提供待分作物與背景光譜的最大差異,是建立農作物分類規(guī)則的基礎。7月中下旬,小麥處于成熟—收獲階段,玉米處于抽雄—乳熟階段,葵花處于現(xiàn)蕾—開花階段,瓜菜等其他作物處于結果—成熟階段,是農作物物候特征差異明顯的一個階段。2022年小麥收獲后大多再植白菜、甘藍等蔬菜作物,導致9月上中旬該田塊的物候特征明顯,此時玉米處于乳熟—成熟階段,葵花處于開花—成熟階段,而瓜菜等其他作物處于成熟—收獲階段,是農作物物候特征差異明顯的另一個階段。

受衛(wèi)星影像質量影響,分別選取2021年7月31日、2022年9月4日的Landsat 8 OLI影像作為遙感數(shù)據(jù)源,將訓練樣本輸入相應的分類器進行監(jiān)督分類,分類器自動捕獲訓練樣本中的光譜特征差異,建立對應的分類規(guī)則。

2.1.2種植結構提取最優(yōu)模型遴選及其精度評價

利用驗證樣本分別計算基于決策樹、支持向量機、隨機森林模型提取種植結構的總體精度和Kappa系數(shù)(表2),對3種模型進行總體性評價。表2顯示,3種模型的分類精度由大到小為隨機森林、決策樹、支持向量機。隨機森林模型的總體精度、Kappa系數(shù)分別為92.81%、0.91(2021年)和91.64%、0.89(2022年),為3種模型中精度最高。因此,選定隨機森林模型作為永濟灌域農作物種植結構提取的最優(yōu)模型,提取結果如圖4所示。

圖4 2021—2022年研究區(qū)基于隨機森林模型的 種植結構提取結果Fig.4 Results of crop patterns inversed by random forest model in study area during 2021—2022

表2 3種農作物分類模型提取精度Tab.2 Accuracy of three models in extracting crop planting information

在選定最優(yōu)模型(隨機森林)的基礎上,進一步計算不同地物分類結果的混淆矩陣(表3),對分類精度進行評價。表3顯示,用戶精度、制圖精度分別在86.67%、75.00%(2021年)和76.19%、71.43%(2022年)以上,處于較高水平;其平均值分別為93.91%、91.46%(2021年)和91.60%、90.35%(2022年),平均用戶精度大于平均制圖精度,即漏分誤差大于錯分誤差。具體來看,葵花、玉米的用戶精度和制圖精度均在90%以上,大于小麥、套種和其他作物。這可能是由于葵花、玉米的種植面積相對較大,訓練樣本較小麥、套種和其他作物對真實地物的代表性更強,分類效果更好。總體上,灌域內農作物種植結構遙感提取結果與灌域內真實的農作物空間分布情況基本一致。

表3 基于隨機森林模型的農作物種植結構提取驗證結果混淆矩陣Tab.3 Confusion matrix of crop planting structure extracted by random forest model

2.1.3農作物空間分布特征

綜合農作物種植結構提取結果(圖4)及種植面積變化(圖5)可以看出,5類作物在灌域內空間異質特征明顯,不同作物種植面積差異較大,且2021、2022年發(fā)生一定變化。玉米、葵花是灌域內的主植作物;其中玉米主要分布在灌域南部,葵花遍布整個灌域,在北部地帶更加密集;種植面積分別為51 394.05、63 952.56 hm2(2021年),74 540.97、41 714.46 hm2(2022年)。受當?shù)厥袌鼋洕绊?2022年種植比例較2021年玉米增長9.94個百分點,葵花降低16.02個百分點。小麥種植面積相對較小,零星分布在灌域內,2022年較2021年增長2.74個百分點。套種作為一種典型的高產種植模式,在灌域內也有一定分布,2021、2022年種植比例分別為0.77%、0.34%,變化不大。葫蘆、辣椒、番茄、西瓜等其他作物是灌域內主要的經濟作物,分布以中南部地區(qū)為主,2021、2022年種植比例依次為25.78%、29.55%,2022年較2021年有小幅提升。

圖5 2021—2022年研究區(qū)主植作物種植面積變化Fig.5 Changes of main crops planting area in study area during 2021—2022

2.2 土壤鹽分空間異質特征

2.2.1土壤鹽分空間分布特征

受地下水埋深淺、蒸發(fā)強烈等因素影響,灌域內土壤呈現(xiàn)出較強的鹽漬化現(xiàn)象,尤其以表層明顯。本文利用反距離權重法對2021、2022年5—9月研究區(qū)表層(0～10 cm)土壤含鹽量進行空間插值與展布,如圖6所示?？梢钥闯?5—9月研究區(qū)土壤含鹽量呈先減小后增大的變化趨勢;總體上呈“北部重,中、南部輕”的空間分布特征。北部土壤含鹽量在0.4%以上,多為重度鹽堿土;中、南部地區(qū)土壤含鹽量基本處于0.4%以下,為中、輕度鹽堿土,尤其以西南地帶最輕。

2021年與2022年5月土壤鹽分空間差別較大,體現(xiàn)為2021年土壤含鹽量高于2022年,分析認為是由于采樣時間與農田灌溉程度的差異所致。2021年5月土樣采集在農田春匯前進行,表層積鹽嚴重;而2022年5月取樣正值農田春匯,較多田塊已進行充分灌溉,鹽漬化有一定程度改良。同樣原因,2022年生育初期(5月)較2021年生育末期(9月)土壤鹽漬化有較大程度改善,再次說明播前灌溉(春匯)可以達到洗鹽、脫鹽效果。2022年9月土壤含鹽量表現(xiàn)為南部大于北部,與2021年相反。經過實地調查分析認為,這可能是由于2022年灌域北部葵花種植、收獲時間較南部地區(qū)晚,至9月中下旬,南部地區(qū)因作物大面積收獲而地表裸露,強烈的蒸發(fā)作用導致地表積鹽嚴重;北部地區(qū)作物此時大多處于成熟期,地表被作物覆蓋,但葉片較多枯萎、脫落,植被蒸騰與土壤蒸發(fā)作用相對較弱,鹽分積聚也相對較少。

2.2.2土壤鹽分空間結構分析

為探明灌域范圍內土壤鹽分的空間變異特性,利用地統(tǒng)計學理論進行半方差函數(shù)的計算、模擬、分析和檢驗,如表4所示。可以看出,除2022年5月外,決定系數(shù)R2在0.311～0.869之間,理論模型擬合良好,表明土壤鹽分的半方差函數(shù)適用于Gaussian模型。2022年5月,由于取樣時間正值農田春匯,較多采樣點因灌水而未采集,導致本次取樣可用結果少,模擬精度差。整體來看,土壤鹽分的塊金值C0和基臺值(C0+C)均為正值,因此受隨機因素、固有變異及采樣誤差引起的變異不容忽視。塊基比C0/(C0+C)處于0.053～0.344(2021年)、0.058～0.498(2022年),土壤鹽分為“中—強”空間自相關,說明土壤鹽分主要受結構性因素影響,同時隨機性因素也是不可忽視的一部分。種植結構是隨機性因素中的重要因子,作物的耐鹽程度、吸耗水特性等都對土壤鹽分運移產生影響。因此,有必要進一步對種植結構與土壤鹽分的協(xié)同關系進行深入探討和分析。

表4 半方差函數(shù)模型參數(shù)統(tǒng)計Tab.4 Statistics of semi-variance function model parameters

2.3 種植結構與土壤鹽分的協(xié)同關系

2.3.1種植結構與土壤鹽分的相互作用

土壤鹽分對種植結構具有限制式選擇性。主要體現(xiàn)在葵花以北部重度鹽漬化地帶種植為主,玉米、小麥、套種和其他作物主要分布在鹽堿化較輕的中、南部地帶(圖4、6)。因此土壤鹽分一定程度上限定了不同作物的空間格局。

種植結構對土壤鹽分具有適應式選擇性。圖7為研究區(qū)主要作物對土壤鹽分的適應程度,為去除系統(tǒng)誤差帶來的異常值,研究設置[2%, 98%]的置信區(qū)間?？梢钥闯?葵花、玉米、小麥、套種4種作物在2021、2022年種植區(qū)域內土壤含鹽量平均值分別為:0.377%、0.358%、0.246%、0.259%,0.328%、0.319%、0.246%、0.248%,作物耐鹽能力由大到小為葵花、玉米、套種、小麥。其他作物由于包含辣椒、番茄、西瓜、葫蘆等多種瓜菜作物,在遙感影像中存在大量混合像元,導致統(tǒng)計結果存在較大誤差。

圖7 研究區(qū)主要作物種植區(qū)域土壤鹽分變化Fig.7 Changes of soil salinity in main crop planting area of study area

2.3.2種植結構與土壤鹽分的耦合協(xié)調度分析

表5為2021—2022年研究區(qū)作物種植結構與土壤鹽分的耦合協(xié)調度?？梢钥闯?2021、2022年灌域種植結構與土壤鹽分耦合度T分別為0.617、0.623,表明種植結構與土壤鹽分互為影響、相互制約,耦合性能良好;協(xié)調度C均為0.995,說明兩系統(tǒng)在相互作用的關系中系統(tǒng)協(xié)調性較高;耦合協(xié)調度D分別為0.784、0.787,表明種植結構與土壤鹽分為高度耦合協(xié)調。因此,觀測期內研究區(qū)作物種植結構與土壤鹽分空間分布均衡、發(fā)展協(xié)調。該結果一定程度上可以為灌區(qū)作物種植結構優(yōu)化與土壤鹽分調控提供指導意見。

表5 2021—2022年研究區(qū)作物種植結構與土壤 鹽分的耦合協(xié)調度Tab.5 Coupling coordination degree between crop patterns and soil salinity during 2021—2022 in study area

3 討論

灌區(qū)農作物種植結構特征提取在服務區(qū)域農業(yè)生產、保障糧食安全及推動區(qū)域農業(yè)經濟發(fā)展方面發(fā)揮了重要作用。利用Landsat 8 OLI多時相遙感數(shù)據(jù),通過篩選敏感波段、構建特征參量,結合不同作物的物候信息等,分別建立決策樹、支持向量機、隨機森林3種分類模型,對永濟灌域農作物種植結構進行準確提取。3種分類模型對農作物的典型季相節(jié)律、物候變化及遙感影像的多波段光譜特征進行了不同程度利用,提取結果可以反映灌域內農作物種植結構的真實情況。通過對比分析,隨機森林模型對于農作物的空間分布刻畫更加精細,提取精度最高,因此選定隨機森林模型作為永濟灌域種植結構提取的最優(yōu)模型。

關鍵閾值是決策樹模型構建的重要環(huán)節(jié),但基于已有經驗和專家知識的確定方法具有一定的人為主觀性。另外,由于研究區(qū)作物長勢不一,基于監(jiān)測點同一作物統(tǒng)計分析得到的植被指數(shù)僅代表研究區(qū)平均水平,偏離平均水平較大的異常值也為研究結果增加了不確定性。支持向量機和隨機森林分類模型是機器學習中常見的監(jiān)督分類方法,主要是根據(jù)訓練樣本建立判別分類的函數(shù),獲取分類規(guī)則,進而根據(jù)分類規(guī)則進行分類。模型在根據(jù)樣本訓練過程中難免會產生誤差,根據(jù)誤差再對自身參數(shù)進行反復調整,直至精度達到最佳。因此,選擇合適的訓練樣本是機器學習進行準確監(jiān)督分類的關鍵。本文支持向量機分類精度處于3種分類方法中最低,可能是由于訓練樣本的選取、遙感影像的選取等在支持向量機分類算法中并非最優(yōu)方案,影響了模型準確性。

農田土壤鹽漬化程度是農田生態(tài)環(huán)境的主要影響因子之一,而農作物的空間格局分布與農田生態(tài)環(huán)境密切相關,因此探究農作物種植結構與灌區(qū)土壤鹽分空間分布的協(xié)同關系有助于反映不同作物對鹽漬脅迫的適應程度,進而為區(qū)域作物種植結構優(yōu)化提供決策依據(jù)。結果顯示,葵花在研究區(qū)北部重度鹽堿地中種植較多,對于鹽漬脅迫的適應性更強,而玉米、小麥、套種和其他作物則主要分布在鹽漬化較輕的中、南部地帶,該結果與白亮亮等[47]、童文杰[48]研究結果一致。結果將為政府農業(yè)部門、灌溉部門等調整、優(yōu)化種植結構,制定防災減災應對策略,改善區(qū)域生態(tài)環(huán)境以及促進區(qū)域作物產量與品質高效協(xié)同發(fā)展提供技術支撐。

4 結論

(1)3種地物分類模型的種植結構提取精度由大到小為隨機森林、決策樹、支持向量機。2021、2022年隨機森林模型的總體精度、Kappa系數(shù)分別為92.81%、0.91和91.64%、0.89,為3種模型中精度最高。因此,選定隨機森林作為永濟灌域作物種植結構提取的最優(yōu)模型。

(2)灌域內土壤鹽分呈“北部重,中、南部輕”的空間分布特征。2021、2022年土壤鹽分的半方差函數(shù)適用于Gaussian模型,塊基比C0/(C0+C)分別處于0.053～0.344、0.058～0.498,土壤鹽分空間自相關在“中—強”等級變化。因此,土壤鹽分空間變異主要受結構性因素影響,同時隨機性因素也不容忽視。種植結構作為隨機性因素中的重要因子,有必要進一步加強其與土壤鹽分的協(xié)同關系分析。

(3)受土壤鹽分制約,葵花以北部地帶種植為主,玉米、小麥、套種和瓜菜等其他作物主要分布在中、南部地帶。2021、2022年葵花、玉米、小麥、套種4種作物種植區(qū)域內的土壤含鹽量平均值分別為:0.377%、0.358%、0.246%、0.259%,0.328%、0.319%、0.246%、0.248%,作物的耐鹽能力由大到小為葵花、玉米、套種、小麥。

(4)2021、2022年研究區(qū)作物種植結構與土壤鹽分耦合協(xié)調度D分別為0.784、0.787,為高度耦合協(xié)調。因此,觀測期內研究區(qū)作物種植結構與土壤鹽分空間分布均衡、發(fā)展協(xié)調。研究結果一定程度上可以為灌區(qū)優(yōu)化作物種植結構、改善土壤環(huán)境等提供技術支撐與指導意見。