基于遙感的廣西甘蔗種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)*

謝鑫昌, 楊云川,2,3**, 田 憶, 廖麗萍,2,3, 莫崇勛,2,3, 韋鈞培, 周津羽

基于遙感的廣西甘蔗種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)*

謝鑫昌1, 楊云川1,2,3**, 田 憶1, 廖麗萍1,2,3, 莫崇勛1,2,3, 韋鈞培1, 周津羽1

(1. 廣西大學(xué)土木建筑工程學(xué)院 南寧 530004; 2. 廣西大學(xué)工程防災(zāi)與結(jié)構(gòu)安全教育部重點(diǎn)實(shí)驗(yàn)室 南寧 530004; 3. 廣西防災(zāi)減災(zāi)與工程安全重點(diǎn)實(shí)驗(yàn)室 南寧 530004)

廣西是我國(guó)最大的甘蔗種植和蔗糖產(chǎn)業(yè)基地, 但長(zhǎng)期受自然災(zāi)害影響甘蔗單產(chǎn)產(chǎn)量不高, 及時(shí)獲取其多年種植面積與長(zhǎng)勢(shì)的時(shí)空動(dòng)態(tài)信息, 可為區(qū)域甘蔗種植優(yōu)化、災(zāi)害風(fēng)險(xiǎn)管理及蔗糖產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等提供重要科學(xué)支撐。首先, 基于LANDSAT8 OLI遙感影像的6-5-2優(yōu)化波段組合, 引入NDVI、DEM等輔助識(shí)別特征變量, 采用隨機(jī)森林分類法進(jìn)行多時(shí)相連續(xù)解譯, 并借助Google Earth高清遙感影像比對(duì)修正, 獲得了高精度的2014—2018年廣西甘蔗種植面積分布; 其次, 基于MODIS-NDVI數(shù)據(jù), 構(gòu)建長(zhǎng)勢(shì)差值監(jiān)測(cè)模型, 實(shí)現(xiàn)了近5年廣西甘蔗莖伸期長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)。結(jié)果表明: 1)本文解譯方法效果良好, 廣西甘蔗種植面積的總體分類精度高于92%, Kappa系數(shù)均大于0.8, 面積相對(duì)誤差5年均值為?10.7%。2) 2014—2018年, 廣西甘蔗種植面積呈“前期急減, 后期緩增”的變化趨勢(shì); 主要種植區(qū)以崇左、南寧及來(lái)賓市為主, 全區(qū)種植面積呈局部成片集聚、總體破碎分散的分布格局, 并與研究區(qū)地形地貌、土壤類型、河流水系分布等下墊面環(huán)境要素密切相關(guān)。3)NDVI差值模型能清晰反映廣西甘蔗莖伸期長(zhǎng)勢(shì)的年際和年內(nèi)的時(shí)空變化特征, 各年度內(nèi)的甘蔗長(zhǎng)勢(shì)在好、正常、差等狀態(tài)間交替轉(zhuǎn)變頻繁。上述成果可為揭示廣西甘蔗對(duì)區(qū)域氣候變化、旱澇交替及下墊面水土墑情動(dòng)態(tài)的響應(yīng)機(jī)制, 開(kāi)展區(qū)域甘蔗種植結(jié)構(gòu)優(yōu)化及其資源利用效率評(píng)估等奠定科學(xué)基礎(chǔ)。

遙感; 甘蔗; 面積提取; 隨機(jī)森林; 長(zhǎng)勢(shì)監(jiān)測(cè)

作物面積、長(zhǎng)勢(shì)監(jiān)測(cè)是農(nóng)業(yè)資源監(jiān)測(cè)和風(fēng)險(xiǎn)評(píng)估的重要組成部分[1], 及時(shí)明晰作物相關(guān)物候動(dòng)態(tài)變化機(jī)理[2]和準(zhǔn)確預(yù)測(cè)糧食作物面積、長(zhǎng)勢(shì)和產(chǎn)量[3],有助于指導(dǎo)農(nóng)業(yè)生產(chǎn)的科學(xué)調(diào)控和精準(zhǔn)管理, 對(duì)政府部門制定應(yīng)對(duì)氣候變化和人類活動(dòng)綜合影響的糧食經(jīng)濟(jì)安全策略具有重要意義[2]。

傳統(tǒng)方法是以統(tǒng)計(jì)報(bào)表和抽樣調(diào)查的方式[4]獲取作物面積和產(chǎn)量, 并通過(guò)多年產(chǎn)量對(duì)比預(yù)測(cè)作物長(zhǎng)勢(shì); 這種方式往往不能體現(xiàn)作物生長(zhǎng)發(fā)育過(guò)程和種植結(jié)構(gòu)的空間動(dòng)態(tài)變化, 并受人為因素影響大, 費(fèi)時(shí)費(fèi)力且成本高[5], 還無(wú)法進(jìn)行預(yù)測(cè)和實(shí)時(shí)應(yīng)對(duì), 很難滿足政府部門對(duì)農(nóng)產(chǎn)品貿(mào)易、糧食安全、災(zāi)害動(dòng)態(tài)監(jiān)測(cè)預(yù)警等決策需求。與傳統(tǒng)方法不同, 遙感是對(duì)地觀測(cè)的重要手段[6], 具有實(shí)時(shí)性、直觀性和大面積獲取能力等優(yōu)點(diǎn)[7], 可以及時(shí)提供地球表面的作物生長(zhǎng)信息、環(huán)境信息、生態(tài)信息和災(zāi)害信息等[8], 廣泛用于農(nóng)業(yè)領(lǐng)域的大范圍監(jiān)測(cè)、評(píng)估與規(guī)劃。劉佳等[9]、黃健熙等[10]及Wang等[11]基于HJ-1、GF-1和LANDSAT影像, 分別采用決策樹(shù)分類和隨機(jī)森林分類方法, 提取了河北省衡水市、黑龍江省五九七農(nóng)場(chǎng)和浙江省安吉縣的冬小麥(L.)、水稻(L.)及茶葉(O. Ktze.)等作物的種植面積, 總分類精度均超過(guò)83%, Kappa值均高于0.8; 蘇偉等[12]、陶惠林等[13]基于MODIS和無(wú)人機(jī)遙感等產(chǎn)品, 構(gòu)建LAI差值和GMI等長(zhǎng)勢(shì)監(jiān)測(cè)模型, 實(shí)現(xiàn)黑龍江八五二農(nóng)場(chǎng)、北京昌平區(qū)國(guó)家農(nóng)業(yè)示范基地的冬小麥和玉米(L.)長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)。以上研究主要針對(duì)市域、縣域及田間尺度, 其地形地貌條件相對(duì)均一, 采用中高或高空間分辨率影像均可獲取較高精度的作物面積及長(zhǎng)勢(shì)監(jiān)測(cè)結(jié)果。當(dāng)研究區(qū)域拓展到省域或更大區(qū)域時(shí), 由于下墊面地形地貌復(fù)雜、云遮擋影響普遍, 在滿足較高空間分辨率的同時(shí), 高時(shí)間分辨率亦成為影響結(jié)果精度的重要因素[14-15]。劉佳等[16]、董秀春等[17]和Luciano等[18]、Gumma等[19]基于MODIS和LANDSAT影像, 采用決策樹(shù)分類實(shí)現(xiàn)寧夏、云南和巴西圣保羅州、南亞等省域以上尺度的冬小麥、水稻、甘蔗(L.)等作物面積識(shí)別, Kappa值均超過(guò)0.7, 總精度均超過(guò)80%; Duveiller等[20]、Becker-Reshef等[21]基于SPOT和MODIS植被指數(shù)產(chǎn)品, 通過(guò)時(shí)序曲線重構(gòu)法提取了烏克蘭、巴西的冬小麥、甘蔗等作物生長(zhǎng)信息, 但該方法僅反映研究區(qū)內(nèi)某單點(diǎn)的作物生長(zhǎng)情況, 不能反映大范圍作物的空間長(zhǎng)勢(shì)變化; Genovese等[22]、黃青等[23]在此基礎(chǔ)上基于MODIS數(shù)據(jù), 構(gòu)建NDVI差值模型, 實(shí)現(xiàn)了西班牙和中國(guó)陜西、甘肅的冬小麥長(zhǎng)勢(shì)實(shí)時(shí)監(jiān)測(cè)。此外, 潘學(xué)鵬等[24]、王紅營(yíng)等[25]基于MODIS-NDVI數(shù)據(jù)集, 通過(guò)HANTS濾波重構(gòu)NDVI物候曲線, 并采用CART算法實(shí)現(xiàn)華北平原2000—2013年冬小麥、水稻、棉花(L.)等作物面積提取, 并為該地區(qū)農(nóng)業(yè)結(jié)構(gòu)優(yōu)化和資源合理利用提供科學(xué)支撐。綜上所述, 基于高空間和高時(shí)間分辨率的不同遙感影像組合開(kāi)展區(qū)域作物面積與長(zhǎng)勢(shì)反演成為一個(gè)主要方向, 且通過(guò)短期高清影像、NDVI、LAI等作為輔助進(jìn)行樣本訓(xùn)練, 能有效提高作物類型識(shí)別精度。大范圍、長(zhǎng)序列的作物種植遙感解譯及作物生育期動(dòng)態(tài)長(zhǎng)勢(shì)監(jiān)測(cè), 逐步成為指導(dǎo)省域作物種植的長(zhǎng)期規(guī)劃與管理的重要依據(jù)。

廣西地處亞熱帶季風(fēng)區(qū), 氣候溫暖, 熱量充足, 雨水充沛, 其甘蔗種植面積和產(chǎn)糖量均占全國(guó)總產(chǎn)量的60%以上, 是我國(guó)最主要的甘蔗經(jīng)濟(jì)產(chǎn)區(qū)和糖業(yè)保障區(qū)[26]。但其喀斯特地貌突出, 地勢(shì)復(fù)雜, 丘陵地區(qū)地塊破碎, 種植結(jié)構(gòu)復(fù)雜, 甘蔗種植面積分布散亂; 云雨及大霧天氣普遍偏多, 對(duì)遙感影像質(zhì)量影響較大, 給省域尺度的廣西甘蔗種植面積識(shí)別及長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)增加了不少挑戰(zhàn)。因此, 馬尚杰等[27]、丁美花等[28]、覃澤林等[29]、潘莉莉[30]基于HJ-1、GF-1、GF-2遙感數(shù)據(jù), 采用監(jiān)督分類、決策樹(shù)分類、面向?qū)ο蠓诸惣胺潜O(jiān)督分類等方法, 實(shí)現(xiàn)廣西扶綏縣、南寧市、江州區(qū)的甘蔗種植面積識(shí)別, Kappa系數(shù)高于0.7, 總體精度超過(guò)90%; 丁美花等[31]基于MODIS-NDVI重構(gòu)曲線的物候變化規(guī)律, 實(shí)現(xiàn)2002年廣西甘蔗生育期長(zhǎng)勢(shì)實(shí)時(shí)監(jiān)測(cè)。上述研究以地形復(fù)雜條件較均一的市、縣及田間尺度為主要研究區(qū), 均獲取了精度較高的甘蔗種植面積分布圖。譚宗琨等[32]、張東東等[33]以多時(shí)相MODIS-NDVI、HJ-1影像為基礎(chǔ), 通過(guò)決策樹(shù)分類法實(shí)現(xiàn)了中國(guó)南方甘蔗種植區(qū)提取, 識(shí)別精度均超過(guò)80%。綜上可知, 針對(duì)整個(gè)廣西開(kāi)展甘蔗種植面積識(shí)別及長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)的研究相對(duì)較少, 且無(wú)論是市、縣尺度還是省域尺度, 均只以單年的遙感監(jiān)測(cè)為主, 不能較好地實(shí)現(xiàn)連續(xù)多年的甘蔗空間動(dòng)態(tài)信息變化特征分析, 且沒(méi)有考慮下墊面條件對(duì)甘蔗種植空間格局的影響。

因此, 本文針對(duì)整個(gè)廣西區(qū)域, 基于中高分辨率LANDSAT8 OLI影像為主、Google Earth高清影像輔助, 實(shí)現(xiàn)2014—2018年廣西甘蔗種植面積提取, 并通過(guò)研究區(qū)下墊面影響因素分析, 進(jìn)一步探討廣西甘蔗種植面積的空間分布特征; 基于MODIS- NDVI數(shù)據(jù), 構(gòu)建長(zhǎng)勢(shì)差值監(jiān)測(cè)模型, 識(shí)別該時(shí)段甘蔗莖伸期長(zhǎng)勢(shì)動(dòng)態(tài)。研究成果可為開(kāi)展廣西甘蔗對(duì)區(qū)域氣候氣象變化、低山丘陵及巖溶發(fā)育的水土墑情多變的響應(yīng)機(jī)制奠定基礎(chǔ)。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 數(shù)據(jù)來(lái)源

文中采用的LANDSAT8 OLI遙感影像來(lái)源于美國(guó)地質(zhì)勘查局(USGS, http://glovis.usgs.gov/)和中國(guó)地理空間數(shù)據(jù)云(http://www.gscloud.cn/), 其空間分辨率30 m, 衛(wèi)星重訪周期16 d, 共11個(gè)波段。本文選取2014—2018年廣西甘蔗長(zhǎng)勢(shì)旺盛期(8—10月)的遙感影像, 并從中篩選每年18幅云量較少且覆蓋整個(gè)廣西(圖1)的影像。影像預(yù)處理主要包括輻射定標(biāo)、大氣糾正、圖像鑲嵌及裁剪等過(guò)程, 其中, 采用FLAASH模型對(duì)影像進(jìn)行大氣糾正。

MODIS遙感數(shù)據(jù)產(chǎn)品主要來(lái)源于美國(guó)航天航空局(NASA, https://ladsweb.modaps.eosdis.nasa.gov/); 文中采用2014—2018年覆蓋整個(gè)廣西的MOD09A1光譜反射率數(shù)據(jù)產(chǎn)品, 空間分辨率500 m, 時(shí)間分辨率8 d, 共含7個(gè)波段。該數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)重投影、圖像拼接與裁剪、數(shù)據(jù)重采樣等過(guò)程, 主要采用MRT (MODIS Reprojection Tool)重投影工具實(shí)現(xiàn)。

此外, 廣西地級(jí)市行政邊界矢量數(shù)據(jù)來(lái)自全國(guó)地理信息資源目錄服務(wù)系統(tǒng)(http://www.webmap. cn/)。土壤及地貌數(shù)據(jù)則來(lái)自中國(guó)科學(xué)院資源環(huán)境數(shù)據(jù)云平臺(tái)(http://www.resdc.cn/)。

為避免遙感影像空間分辨率不一致而造成的精度問(wèn)題, 將上述遙感柵格數(shù)據(jù)均通過(guò)空間重采樣至30 m, 便于后續(xù)數(shù)據(jù)的處理及分析。

1.2 研究方法

1.2.1 種植面積提取方法

本文采用Breiman[34]提出的隨機(jī)森林分類方法(RFC, random forests classification)對(duì)LANDSAT8 OLI遙感影像進(jìn)行廣西甘蔗區(qū)提取。該方法在決策樹(shù)分類基礎(chǔ)上進(jìn)行了改進(jìn), 屬于監(jiān)督分類的一種。該算法分類結(jié)果主要由構(gòu)建模型的所有決策樹(shù)組合投票決定, 決策樹(shù)模型通過(guò)研究區(qū)選取的訓(xùn)練樣本及遙感數(shù)據(jù)中選取的特征變量隨機(jī)組合而成。研究表明, 該方法具有很好的靈活性, 是一種新興的機(jī)器學(xué)習(xí)方法, 其分類結(jié)果具有較好準(zhǔn)確率。文中基于Linden等[35]開(kāi)發(fā)的EnMAP遙感數(shù)據(jù)工具箱中的隨機(jī)森林分類代碼, 通過(guò)ENVI-IDL遙感圖像處理軟件實(shí)現(xiàn)分類識(shí)別廣西甘蔗。其中, 廣西甘蔗種植面積分類精度驗(yàn)證主要采用ENVI分類檢驗(yàn)中的混淆矩陣、總體精度及Kappa系數(shù)等進(jìn)行描述, 并結(jié)合2014—2018年《廣西統(tǒng)計(jì)年鑒》和廣西各地市《國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》的甘蔗種植面積統(tǒng)計(jì)資料進(jìn)行補(bǔ)充驗(yàn)證。

1.2.2 長(zhǎng)勢(shì)監(jiān)測(cè)方法

歸一化植被指數(shù)(NDVI)廣泛應(yīng)用于作物長(zhǎng)勢(shì)監(jiān)測(cè), 本文主要采用差值監(jiān)測(cè)模型[23,36-37]實(shí)現(xiàn)廣西甘蔗長(zhǎng)勢(shì)動(dòng)態(tài)識(shí)別。首先計(jì)算2014—2018年廣西甘蔗莖伸期(8—9月)每期的NDVI年平均值, 然后通過(guò)差值監(jiān)測(cè)模型, 計(jì)算每年甘蔗種植區(qū)域當(dāng)期每個(gè)像元與近5年NDVI均值的差值。公式如下:

NDVI=(NIR?RED)/(NIR+RED) (1)

式中:NIR為近紅外波段反射率值,RED為紅光波段反射率值。

NDVI差值模型中, 常根據(jù)差值將作物長(zhǎng)勢(shì)劃分為5個(gè)等級(jí)[38]: 較常年差、較常年稍差、與常年持平、較常年稍好、較常年好(表1)。本文對(duì)近5年廣西甘蔗莖伸期NDVI差值進(jìn)行統(tǒng)計(jì), 其結(jié)果主要集中分布在?1~1范圍內(nèi), 并將5個(gè)等級(jí)中的較常年差、較常年稍差合并為長(zhǎng)勢(shì)差一類, 較常年稍好、較常年好歸為長(zhǎng)勢(shì)好一類, 與常年持平定為長(zhǎng)勢(shì)正常一類, 即將廣西甘蔗的長(zhǎng)勢(shì)等級(jí)劃分為表1中的3個(gè)等級(jí)[23,37]。

表1 廣西甘蔗長(zhǎng)勢(shì)的NDVI差值等級(jí)劃分

2 廣西甘蔗種植面積遙感反演

2.1 典型地物樣本選取

2.1.1 典型地物解譯標(biāo)志建立

解譯標(biāo)志是遙感影像上能夠直接反映和判斷不同地物類型顏色、紋理等解譯要素的影像特征[39-40]。LANDSAT8 OLI影像在不同波段組合下, 反映下墊面的顏色及紋理特征差異顯著, 其中4-3-2波段組合屬于自然真彩色, 能夠真實(shí)反映地物間的紋理及色澤特征; 6-5-2波段則廣泛應(yīng)用于農(nóng)業(yè), 對(duì)于不同的植被和作物能較好地反映出不同的紋理及色澤特征。因此, 本文基于LANDSAT8 OLI影像的多波段組合, 集合實(shí)地調(diào)查和Google Earth高清影像的地物特征, 建立廣西典型地物解譯標(biāo)志(表2)。綜合分析發(fā)現(xiàn), 廣西甘蔗在LANDSAT8影像的4-3-2波段組合中主要呈深綠色, 色調(diào)均勻; 在6-5-2波段組合中呈淡綠色, 色調(diào)均勻, 偏暗, 紋理比較規(guī)則, 大部分在空間上呈大片種植的特征。進(jìn)一步根據(jù)所選取的解譯標(biāo)志, 針對(duì)不同地物間的特征關(guān)系, 通過(guò)對(duì)比、分析和判斷, 采用ENVI 5.3中感興趣區(qū)選取方法, 實(shí)現(xiàn)2014—2018年廣西下墊面各地物類型的訓(xùn)練樣本選取, 并在60~500的樣本量中, 不斷地循環(huán)調(diào)試, 選取可分離度最優(yōu)的訓(xùn)練樣本組合。

2.1.2 地物樣本可分離度檢驗(yàn)

根據(jù)選取的訓(xùn)練樣本, 采用ENVI軟件計(jì)算和提取各典型地物光譜特征, 繪制光譜特征曲線(圖2)。由圖2可知, 2018年云的波譜反射率值在所有波段均明顯高于各主要地物波譜反射率值; 水域的波譜反射率值在5、6、7波段均低于其他地物波譜值(小于1000), 其余波段則存在部分重疊現(xiàn)象; 裸地波譜值在4、6、7波段值均高于除云量外的其他地物; 城市及居民地在波段5中的波譜值較水域高, 較其他地物低, 值為1448, 而在6、7波段的波譜值較林地、耕地、甘蔗地及水域高。對(duì)比分析發(fā)現(xiàn), 林地、耕地、甘蔗地具有相似的波譜變化特征, 但波段5中三者差異較為顯著, 而在波段2、6中差異性不顯著, 其余波段中存在部分重疊現(xiàn)象; 且2014—2017年的典型地物波譜特征與2018年相似。綜上所述, 云、水域、城市及建筑用地、裸地在4、5、6、7波段中均能較好地實(shí)現(xiàn)地物區(qū)分, 而林地、耕地及甘蔗地則具有相似變化特征, 其中第6、5、2波段三者具有一定的差異性。

通過(guò)樣本分離度檢驗(yàn), 各地物間的Jeffries- Matusita和Transformed Divergence參數(shù)范圍均為1.8~2.0; 其中甘蔗、耕地間的參數(shù)范圍在1.8~1.9, 表示兩者間的可分離度較好, 其余地物間的可分離度均在1.9以上, 表明這些典型地物的可分離度高。綜上, 對(duì)于上述地物樣本的選取, 可以滿足遙感分類中用戶可分離度需求, 總體具有較高的分類解譯精度。

表2 廣西典型地物解譯標(biāo)志(包含云)

2.2 廣西甘蔗種植面積提取

由圖3可知, LANDSAT8影像各波段間均具有很強(qiáng)的相關(guān)性, 相關(guān)系數(shù)均在0.59~1范圍; 其中波段1、2、3、4間及波段6、7間的相關(guān)系數(shù)均達(dá)0.9以上, 表明這1~4、6~7波段分別具有很高相似性。因此, 為了避免遙感影像提取過(guò)程中特征變量的冗余, 對(duì)于組合波段變量選取, 從波段1、2、3、4中選取波段2, 從波段6、7中選取波段6, 剩余選擇波段5, 結(jié)合圖2各地物波譜特征曲線亦可知各地物在6、5、2波段中可分離性較好, 差異性較顯著, 已被廣泛應(yīng)用于農(nóng)業(yè)遙感監(jiān)測(cè)領(lǐng)域中。此外, 由于不同地物空間分布及光譜響應(yīng)受地形條件差異的干擾, 單從地物的光譜特性分類解譯, 其可靠性受到限制[41], 因此, 為了更準(zhǔn)確地提取廣西區(qū)甘蔗種植面積, 文中將NDVI、DEM作為補(bǔ)充的分類識(shí)別特征變量。

綜上分析, 基于LANDSAT8的6-5-2波段組合和訓(xùn)練樣本、結(jié)合NDVI特征變量, 采用隨機(jī)森林監(jiān)督分類方法實(shí)現(xiàn)了廣西各地物分類提取, 結(jié)果顯示對(duì)廣西甘蔗種植總面積和南寧、柳州、來(lái)賓等主要地級(jí)市的甘蔗面積識(shí)別精度較高, 但河池、崇左等地級(jí)市識(shí)別精度較差。經(jīng)分析, 誤差主要受云遮擋、NDVI光譜特征重疊等方面的影響, 為此, 進(jìn)一步通過(guò)實(shí)地調(diào)查、Google Earth衛(wèi)星高清影像及分類精度較高的年份進(jìn)行后處理及局部手動(dòng)修正, 形成了最終較高精度的廣西2014—2018年甘蔗種植面積空間分布圖(圖4)。

由圖4可知, 廣西甘蔗種植主要集中在桂西南及桂中等地區(qū), 尤其是南寧、崇左及來(lái)賓3個(gè)地級(jí)市, 該結(jié)果與譚宗琨等[32]、張東東等[33]通過(guò)多時(shí)相影像的物候特征提取的廣西區(qū)甘蔗種植面積空間分布相一致。其中, 崇左市甘蔗種植集中在該市中部, 空間上呈連片種植, 分布緊密; 南寧市甘蔗種植主要集中在該市的西部、東部及中部等地區(qū), 空間分布特征與崇左相似; 來(lái)賓市甘蔗種植主要在該市中部, 空間上也呈連片種植特征。柳州、貴港、欽州、河池及百色等地級(jí)市種植面積次之, 柳州市主要集中在該市南部, 貴港市則分布在該市西部, 而欽州市集中在本市的北部地區(qū), 百色和河池均集中在各市的東南部區(qū)域; 其余城市甘蔗種植面積較少, 分散分布在各市的不同區(qū)域?？傮w上, 廣西甘蔗在研究時(shí)段內(nèi)呈主產(chǎn)區(qū)聚集分布且年際變化相對(duì)穩(wěn)定, 非主產(chǎn)區(qū)分散且年際變化較為顯著的特征。

2.3 廣西甘蔗種植面積精度檢驗(yàn)

2.3.1 混淆矩陣精度評(píng)價(jià)

基于檢驗(yàn)樣本, 將廣西甘蔗分類結(jié)果分為甘蔗種植區(qū)及非甘蔗種植區(qū)兩大類, 采用混淆矩陣計(jì)算方法對(duì)上述甘蔗種植空間分布結(jié)果(圖4)進(jìn)行解譯精度評(píng)價(jià)。具體以用戶精度、生產(chǎn)者精度、總體精度及Kappa系數(shù)作為主要檢驗(yàn)標(biāo)準(zhǔn)(表3); 其中, Kappa系數(shù)是遙感分類精度評(píng)價(jià)主要指標(biāo), 其取值范圍在[?1, 1], 系數(shù)值越接近1, 表明該分類圖精度結(jié)果越高。

由表3可知, 2014—2018年廣西地物分類的總體精度均達(dá)92%以上, Kappa系數(shù)均在0.85以上, 表明該5年的廣西土地分類精度較高, 滿足應(yīng)用需求。其中, 2014—2018年廣西甘蔗種植區(qū)用戶精度范圍為80.35% (2017年)~93.79% (2016年); 各年度甘蔗種植區(qū)的生產(chǎn)者精度范圍為85.33% (2016年)~98.90% (2018年)。對(duì)比近年的相關(guān)研究, 丁美花等[28]、馬尚杰等[27]、張東東等[33]利用HJ-1多時(shí)相遙感影像提取2010年廣西南寧市、2009年廣西扶綏縣和2015年廣東湛江市甘蔗種植區(qū)面積的生產(chǎn)者精度分別為82.8%、82.31%和82.11%, 用戶精度分別為97.5%、83.72%和89.38%; 陳劉鳳等[42]利用LANDSAT8 OLI影像, 通過(guò)監(jiān)督分類方法提取云南耿馬縣甘蔗種植面積, 生產(chǎn)者精度和用戶精度分別為86.83%和90.19%。由此可知, 本文結(jié)果與上述研究結(jié)果精度相當(dāng)或更高, 表明本文的分類方法和技術(shù)方案在廣西甘蔗種植面積分類解譯中具有較好的應(yīng)用價(jià)值。

表3 2014—2018年廣西地物混淆矩陣分類精度表

2.3.2 統(tǒng)計(jì)年鑒精度評(píng)價(jià)

為進(jìn)一步評(píng)估廣西甘蔗種植的解譯面積精度, 將本文解譯的2014—2018年廣西及各地級(jí)市甘蔗種植面積與統(tǒng)計(jì)年鑒結(jié)果進(jìn)行對(duì)比。由圖5a可知, 遙感解譯的甘蔗面積在廣西整個(gè)區(qū)域上總體略小于年鑒統(tǒng)計(jì)的甘蔗面積, 歷年面積相對(duì)誤差分別為: ?22.6% (2014年)、?16.4% (2015年)、?3.0% (2016年)、?10.4% (2017年)、?1.2% (2018年)。由圖5b可知, 在各地級(jí)市范圍內(nèi), 遙感解譯的甘蔗面積相對(duì)誤差絕對(duì)值變化范圍為4.1%~29.2%; 其中大部分地級(jí)市的相對(duì)誤差絕對(duì)值在4%~15%, 小部分地級(jí)市的相對(duì)誤差絕對(duì)值在15%~30% (如崇左)。對(duì)比相關(guān)研究, 張東東等[33]遙感解譯2015年廣西甘蔗種植面積的相對(duì)誤差為14.4%; 譚宗琨等[32]遙感解譯2005年廣西主要地級(jí)市甘蔗種植面積相對(duì)誤差均在45%以內(nèi)。綜上可知, 本文遙感解譯的2014—2018年廣西甘蔗種植面積總體相對(duì)誤差的5年均值為?10.7%, 主要地級(jí)市總體相對(duì)誤差絕對(duì)值的5年均值為16.9%, 總體甘蔗面積識(shí)別精度較高。

2.4 廣西甘蔗面積分布的下墊面影響因素

研究區(qū)的下墊面特征對(duì)廣西甘蔗種植面積的空間分布有著顯著影響, 以解譯的2016年廣西甘蔗種植面積空間分布圖為例, 選取經(jīng)緯度、蔗區(qū)到水系距離、海拔高程、坡度、坡向、地貌及土壤類型等因子進(jìn)行分析。

由圖6a-c可知, 廣西甘蔗種植面積的空間分布隨著經(jīng)緯度的增加而呈現(xiàn)出“先增后減”的空間特征, 其中在104.5°~109.8°E、22.2°~24.2°N區(qū)間甘蔗種植面積最大(蔗區(qū)面積占比為87.37%), 主要集中在崇左、南寧、來(lái)賓等甘蔗主產(chǎn)區(qū); 且廣西甘蔗種植區(qū)與水系的距離主要集中在0~3370 m(蔗區(qū)面積占比為34.20%), 表明大部分甘蔗種植區(qū)沿水系分布, 但廣西甘蔗普遍以雨養(yǎng)為主, 蔗區(qū)灌溉效率低, 水資源不能充分利用, 因此, 各政府部門應(yīng)結(jié)合該優(yōu)勢(shì)大力加強(qiáng)蔗區(qū)灌溉工程設(shè)施建設(shè), 增大灌溉面積, 提高甘蔗生產(chǎn)效率。如圖6d-6h所示, 廣西甘蔗種植面積主要集中在低海拔(0~217m)、坡度小(0°~6°)的平原和臺(tái)地區(qū)域(蔗區(qū)面積占比為76.15%), 以鐵鋁土、初育土、人為土等土壤類型為主, 對(duì)于該地形地貌及土壤條件而言, 地形平坦、耕作面積大, 不易發(fā)生水土流失, 且土壤肥沃, 其中鐵鋁土中營(yíng)養(yǎng)成分豐富, 易于促進(jìn)生物物質(zhì)循環(huán)提高土壤肥力, 普遍應(yīng)用于農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)中, 有助于甘蔗的生長(zhǎng)和大范圍種植, 但部分種植區(qū)域(如崇左西部、南寧南部、來(lái)賓西部等)分布于山地丘陵地區(qū)(蔗區(qū)面積占比為23.85%), 其地勢(shì)復(fù)雜、形狀多樣, 蔗區(qū)分布較為分散; 甘蔗光合作用能力強(qiáng), 屬于生物量最高的大田C4作物, 其種植區(qū)主要分布在坡向朝西南、南及東南的地區(qū)(蔗區(qū)面積占比約為46.57%), 有助于甘蔗充分向陽(yáng), 增加日照時(shí)數(shù), 提高其光合作用能力及碳水化合物的產(chǎn)量, 利于甘蔗的生長(zhǎng)發(fā)育和產(chǎn)量保障。

綜上可知, 廣西甘蔗的種植管理與規(guī)劃需要充分考慮下墊面等多種因素共同影響, 因地制宜, 科學(xué)制定甘蔗田間管理措施, 有利于保障甘蔗生長(zhǎng)環(huán)境的適應(yīng)性, 提高甘蔗產(chǎn)量。因此, 采用遙感技術(shù)可準(zhǔn)確獲取連續(xù)多年的甘蔗種植面積空間分布動(dòng)態(tài)信息, 可為全區(qū)甘蔗種植結(jié)構(gòu)優(yōu)化、災(zāi)害風(fēng)險(xiǎn)管理提供可靠科學(xué)支撐, 對(duì)區(qū)內(nèi)相關(guān)政府部門的甘蔗生產(chǎn)規(guī)劃及經(jīng)濟(jì)決策制定具有重要意義。

3 廣西甘蔗長(zhǎng)勢(shì)空間動(dòng)態(tài)遙感反演

基于歷年甘蔗莖伸期NDVI動(dòng)態(tài), 構(gòu)建長(zhǎng)勢(shì)差值監(jiān)測(cè)模型, 實(shí)現(xiàn)了2014—2018年廣西甘蔗莖伸期長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)(圖7)。由圖7可知, 近5年廣西甘蔗莖伸期長(zhǎng)勢(shì)動(dòng)態(tài)的空間分布隨時(shí)間變化差異顯著, 即在各年度8—9月(217~273 d)的不同時(shí)段, 出現(xiàn)長(zhǎng)勢(shì)好、差、正常等3個(gè)狀態(tài)的交替演變空間分布格局。

2014年度, 8月上中旬(217~233 d)廣西甘蔗莖伸期在桂西、桂中及桂東地區(qū)以(崇左、南寧、來(lái)賓、貴港等地級(jí)市)長(zhǎng)勢(shì)差為主, 面積占比為45%~80%; 桂西北及桂南地區(qū)(河池、防城港、欽州、北海)長(zhǎng)勢(shì)正常, 面積占比為15%~48%。8月下旬到9月下旬(241~273 d)甘蔗長(zhǎng)勢(shì)好轉(zhuǎn), 其中第241 d、249 d、265 d總體長(zhǎng)勢(shì)好于常年, 主要分布在桂中及桂北地區(qū)(崇左、南寧、來(lái)賓、河池、柳州), 面積占比為33%~56%; 第257 d、273 d總體長(zhǎng)勢(shì)正常, 主要分布在桂中地區(qū)(南寧、來(lái)賓、貴港), 面積占比為60%~85%。

2015年度, 8月上旬(217 d)廣西甘蔗莖伸期長(zhǎng)勢(shì)好的地區(qū)以崇左、南寧、來(lái)賓及柳州等地級(jí)市為主, 面積占比為64.61%; 8月中旬到9月下旬(225~273 d)甘蔗長(zhǎng)勢(shì)相對(duì)較差, 其中第225 d、241 d、249 d及257 d以長(zhǎng)勢(shì)差為主, 分布在崇左、南寧、來(lái)賓、欽州、貴港及柳州, 面積占比為25%~90%, 第233 d、265 d和273 d長(zhǎng)勢(shì)以正常為主, 面積占比為55%~80%。

2016年度, 8月上中旬(217~233 d)廣西甘蔗莖伸期長(zhǎng)勢(shì)在桂中及桂北大部分區(qū)域(崇左、南寧、來(lái)賓及柳州)以長(zhǎng)勢(shì)差為主, 面積占比為16%~35%; 而桂東和桂中、桂北小部分區(qū)域(崇左、南寧及柳州等局部和貴港、玉林)以長(zhǎng)勢(shì)正常為主, 面積占比為27%~63%。8月下旬到9月上旬(241~249 d)甘蔗長(zhǎng)勢(shì)差異較大, 第241 d以長(zhǎng)勢(shì)好為主, 面積占比為69.72%, 而第249 d長(zhǎng)勢(shì)相對(duì)較差, 面積占比為67.39%; 9月中下旬(257~273 d)長(zhǎng)勢(shì)則保持正常, 面積占比為55%~85%。

2017年度, 8月上旬(217 d)甘蔗莖伸期長(zhǎng)勢(shì)在桂中、桂北地區(qū)(南寧、來(lái)賓、河池、百色)較常年差, 面積占比為36.61%, 在桂東、桂西地區(qū)(貴港、玉林、崇左、防城港)長(zhǎng)勢(shì)正常, 面積占比為49.6%。8月中旬到9月中旬(225~257 d)甘蔗長(zhǎng)勢(shì)好轉(zhuǎn), 第225 d、241 d和249 d以長(zhǎng)勢(shì)好為主, 面積占比為20%~65%, 第233 d和257 d以長(zhǎng)勢(shì)正常為主, 面積占比分別為73.07%和73.77%; 9月下旬(265~273 d)甘蔗長(zhǎng)勢(shì)仍保持與常年持平, 面積占比分別為58.44%和50.64%。

2018年度, 8月上旬到9月上旬(217~249 d)甘蔗莖伸期長(zhǎng)勢(shì)在桂中、桂北地區(qū)(南寧、來(lái)賓、崇左、柳州)長(zhǎng)勢(shì)較常年好, 面積占比為30%~80%, 9月下旬(257~273 d)長(zhǎng)勢(shì)較差, 其中第257 d和273 d長(zhǎng)勢(shì)正常, 主要在桂中、桂南等地(南寧、來(lái)賓、貴港、欽州及北海), 面積占比分別為71.65%和80.93%。

對(duì)比相關(guān)研究, 鐘仕全[43]、黃干淇等[44]采用NDVI差值模型分別監(jiān)測(cè)2015年8月來(lái)賓市興賓區(qū)和2017年防城港市上思縣甘蔗區(qū)長(zhǎng)勢(shì), 其中興賓區(qū)長(zhǎng)勢(shì)以差、正常為主, 上思縣總體以長(zhǎng)勢(shì)正常為主, 面積占比為52.88%; 而2015年8月中后期來(lái)賓市甘蔗長(zhǎng)勢(shì)以正常、差為主, 2017年防城港市甘蔗莖伸期長(zhǎng)勢(shì)總體保持與常年持平態(tài)勢(shì), 與上述研究結(jié)果相一致, 由此表明本文采用NDVI差值模型監(jiān)測(cè)方法對(duì)廣西甘蔗長(zhǎng)勢(shì)監(jiān)測(cè)具有較好的應(yīng)用價(jià)值。

4 結(jié)論

本文通過(guò)對(duì)廣西2014—2018年甘蔗種植面積和長(zhǎng)勢(shì)的動(dòng)態(tài)遙感監(jiān)測(cè), 得出以下結(jié)論:

1)基于LANDSAT8 OLI, 選擇6-5-2波段組合, 以NDVI、DEM為輔助參數(shù), 采用隨機(jī)森林分類法可實(shí)現(xiàn)廣西甘蔗種植面積的多年連續(xù)提取; 借助Google Earth高清遙感影像比對(duì)校正, 最終解譯結(jié)果的總體分類精度超過(guò)92%, Kappa系數(shù)高于0.8, 全區(qū)5年相對(duì)誤差均值為?10.7%。該結(jié)果顯著優(yōu)于現(xiàn)有的市、縣域[27-30]及單個(gè)年份[32-33]的解譯成果, 總體解譯精度亦更優(yōu), 可滿足開(kāi)展廣西甘蔗種植布局優(yōu)化、長(zhǎng)勢(shì)監(jiān)測(cè)及田間調(diào)控管理的需求。

2)廣西甘蔗種植主要呈桂西南、桂中的平原臺(tái)地成片集聚和桂東、桂北的山地丘陵破碎分散的空間格局; 該分布與區(qū)域下墊面的地形地貌、土壤特征、距水系距離等要素間存在較顯著的相關(guān)性。由此, 可基于歷年甘蔗分布與下墊面各要素的關(guān)聯(lián)性, 并結(jié)合甘蔗長(zhǎng)勢(shì)及產(chǎn)量信息, 進(jìn)一步開(kāi)展廣西甘蔗種植結(jié)構(gòu)優(yōu)化及其水資源利用效率評(píng)估, 為區(qū)域蔗糖“雙高”產(chǎn)業(yè)發(fā)展提供重要科學(xué)支撐。

3)廣西甘蔗在莖伸期的長(zhǎng)勢(shì)具有顯著的年際和年內(nèi)時(shí)空變化差異, 時(shí)段內(nèi)長(zhǎng)勢(shì)在好、正常、差3個(gè)等級(jí)間交替轉(zhuǎn)變。文中基于NDVI模型, 實(shí)現(xiàn)了省域、連續(xù)年份的甘蔗準(zhǔn)周時(shí)間尺度(8 d)的動(dòng)態(tài)長(zhǎng)勢(shì)監(jiān)測(cè), 優(yōu)于單點(diǎn)或局部的長(zhǎng)勢(shì)監(jiān)測(cè)[20-21], 可為揭示廣西甘蔗對(duì)區(qū)域氣候變化、旱澇交替及下墊面水土墑情動(dòng)態(tài)的響應(yīng)機(jī)制奠定基礎(chǔ)。

[1] HARIHARAN S, MANDAL D, TIRODKAR S, et al. A novel phenology based feature subset selection technique using random forest for multitemporal PolSAR crop classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(11): 4244–4258

[2] 李正國(guó), 唐華俊, 楊鵬, 等. 植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃, 2012, 33(5): 20–28 LI Z G, TANG H J, YANG P, et al. Progress in remote sensing of vegetation phenology and its application in agriculture[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2012, 33(5): 20–28

[3] YOUNG L J. Agricultural crop forecasting for large geographical areas[J]. Annual Review of Statistics and Its Application, 2019, 6: 173–196

[4] 郝鵬宇, 唐華俊, 陳仲新, 等. 基于歷史增強(qiáng)型植被指數(shù)時(shí)序的農(nóng)作物類型早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(13): 179–186 HAO P Y, TANG H J, CHEN Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 179–186

[5] 史舟, 梁宗正, 楊媛媛, 等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(2): 247–260 SHI Z, LIANG Z Z, YANG Y Y, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247–260

[6] JIANG T, LIU X N, WU L. Method for mapping rice fields in complex landscape areas based on pre-trained convolutional neural network from HJ-1 A/B data[J]. ISPRS International Journal of Geo-Information, 2018, 7(11): 418

[7] 黃健熙, 黃海, 馬鴻元, 等. 遙感與作物生長(zhǎng)模型數(shù)據(jù)同化應(yīng)用綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(21): 144–156 HUANG J X, HUANG H, MA H Y, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(21): 144–156

[8] AGHIGHI H, AZADBAKHT M, ASHOURLOO D, et al. Machine learning regression techniques for the silage maize yield prediction using time-series images of landsat 8 OLI[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(12): 4563–4577

[9] 劉佳, 王利民, 楊福剛, 等. 基于HJ時(shí)間序列數(shù)據(jù)的農(nóng)作物種植面積估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(3): 199–206 LIU J, WANG L M, YANG F G, et al. Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(3): 199–206

[10] 黃健熙, 賈世靈, 武洪峰, 等. 基于GF-1 WFV影像的作物面積提取方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(S1): 253–259 HUANG J X, JIA S L, WU H F, et al. Extraction method of crop planted area based on GF-1 WFV image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(S1): 253–259

[11] WANG B, LI J, JIN X F, et al. Mapping tea plantations from multi-seasonal landsat-8 OLI imageries using a random forest classifier[J]. Journal of the Indian Society of Remote Sensing, 2019, 47(8): 1315–1329

[12] 蘇偉, 朱德海, 蘇鳴宇, 等. 基于時(shí)序LAI的地塊尺度玉米長(zhǎng)勢(shì)監(jiān)測(cè)方法[J]. 資源科學(xué), 2019, 41(3): 601–611 SU W, ZHU D H, SU M Y, et al. Field-scale corn growth monitoring using time series LAI[J]. Resources Science, 2019, 41(3): 601–611

[13] 陶惠林, 徐良驥, 馮海寬, 等. 基于無(wú)人機(jī)高光譜長(zhǎng)勢(shì)指標(biāo)的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2020, 51(2): 180–191 TAO H L, XU L J, FENG H K, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180–191

[14] CHEN Y L, FENG L P, MO J F, et al. Identification of sugarcane with NDVI time series based on HJ-1 CCD and MODIS fusion[J]. Journal of the Indian Society of Remote Sensing, 2020, 48(2): 249–262

[15] LU D, WENG Q. A survey of image classification methods and techniques for improving classification performance[J]. International Journal of Remote Sensing, 2007, 28(5/6): 823–870

[16] 劉佳, 王利民, 姚保民, 等. 基于多時(shí)相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(15): 200–209 LIU J, WANG L M, YAO B M, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(15): 200–209

[17] 董秀春, 黃平, 李宗南, 等. 基于遙感影像的云南甘蔗種植區(qū)優(yōu)勢(shì)評(píng)估[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2020, 36(15): 160–163 DONG X C, HUANG P, LI Z N, et al. Evaluation of comparative advantage of sugarcane planting area in Yunnan based on remote sensing images[J]. Chinese Agricultural Science Bulletin, 2020, 36(15): 160–163

[18] LUCIANO A C D S, PICOLI M C A, ROCHA J V, et al. A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 127–136

[19] GUMMA M K, THENKABAIL P S, TELUGUNTLA P G, et al. Agricultural cropland extent and areas of South Asia derived using Landsat satellite 30-m time-series big-data using random forest machine learning algorithms on the Google Earth Engine cloud[J]. GIScience & Remote Sensing, 2020, 57(3): 302–322

[20] DUVEILLER G, LOPEZ-LOZANO R, BARUTH B. Enhanced processing of 1-km spatial resolution fapar time series for sugarcane yield forecasting and monitoring[J]. Remote Sensing, 2013, 5(3): 1091–1116

[21] BECKER-RESHEF I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312–1323

[22] GENOVESE G, VIGNOLLES C, NèGRE T, et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting. A case study on Spain[J]. Agronomie, EDP Sciences, 2001, 21(1): 90–111

[23] 黃青, 周清波, 王利民, 等. 基于遙感的冬小麥長(zhǎng)勢(shì)等級(jí)與氣象因子相關(guān)性分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(12): 301–307 HUANG Q, ZHOU Q B, WANG L M, et al. Relationship between winter wheat growth grades obtained from remote-sensing and meteorological factor[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 301–307

[24] 潘學(xué)鵬, 李改欣, 劉峰貴, 等. 華北平原冬小麥面積遙感提取及時(shí)空變化研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2015, 23(4): 497–505 PAN X P, LI G X, LIU F G, et al. Using remote sensing to determine spatio-temporal variations in winter wheat growing area in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(4): 497–505

[25] 王紅營(yíng), 潘學(xué)鵬, 羅建美, 等. 基于遙感的華北平原農(nóng)作物時(shí)空分布變化特征分析[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2015, 23(9): 1199–1209 WANG H Y, PAN X P, LUO J M, et al. Using remote sensing to analyze spatiotemporal variations in crop planting in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(9): 1199–1209

[26] 郭長(zhǎng)強(qiáng), 崔遠(yuǎn)來(lái), 李新建, 等. 廣西糖料甘蔗需水量和灌溉定額空間變異[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(8): 89–97 GUO C Q, CUI Y L, LI X J, et al. Spatial variation of sugarcane water requirement and irrigation quota in Guangxi[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(8): 89–97

[27] 馬尚杰, 裴志遠(yuǎn), 汪慶發(fā), 等. 基于多時(shí)相環(huán)境星數(shù)據(jù)的甘蔗收割過(guò)程遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(3): 215–219 MA S J, PEI Z Y, WANG Q F, et al. Research of sugarcane harvest process monitoring with multi-temporal HJ-1 satellite data[J]. Transactions of the CSAE, 2011, 27(3): 215–219

[28] 丁美花, 譚宗琨, 李輝, 等. 基于HJ-1衛(wèi)星數(shù)據(jù)的甘蔗種植面積調(diào)查方法探討[J]. 中國(guó)農(nóng)業(yè)氣象, 2012, 33(2): 265–270 DING M H, TAN Z K, LI H, et al. Survey methods of sugarcane plant area based on HJ-1 CCD data[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 265–270

[29] 覃澤林, 謝國(guó)雪, 李宇翔, 等. 多時(shí)相高分一號(hào)影像在丘陵地區(qū)大宗農(nóng)作物提取中的應(yīng)用[J]. 南方農(nóng)業(yè)學(xué)報(bào), 2017, 48(1): 181–188 QIN Z L, XIE G X, LI Y X, et al. Application of multi-temporal GF-1 image in extraction of staple crops in hilly region[J]. Journal of Southern Agriculture, 2017, 48(1): 181–188

[30] 潘莉莉. 基于高分二號(hào)遙感影像甘蔗種植區(qū)域面積提取[J]. 農(nóng)業(yè)與技術(shù), 2020, 40(14): 36–38 PAN L L. Extraction of sugarcane planting area based on GF-2 remote sensing image[J]. Agriculture & Technology, 2020, 40(14): 36–38

[31] 丁美花, 鐘仕全, 譚宗琨, 等. MODIS與ETM數(shù)據(jù)在甘蔗長(zhǎng)勢(shì)遙感監(jiān)測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)氣象, 2007, 28(2): 195–197 DING M H, ZHONG S Q, TAN Z K, et al. Application of MODIS and ETM data in sugarcane growth monitoring[J]. Chinese Journal of Agrometeorology, 2007, 28(2): 195–197

[32] 譚宗琨, 吳良林, 丁美花, 等. EOS/MODIS數(shù)據(jù)在廣西甘蔗種植信息提取及面積估算的應(yīng)用[J]. 氣象, 2007, 33(11): 76–81 TAN Z K, WU L L, DING M H, et al. Study on the extraction of sugar-cane planting areas from EOS/MODIS data[J]. Meteorological Monthly, 2007, 33(11): 76–81

[33] 張東東, 周振, 宋曉東. 基于HJ衛(wèi)星的中國(guó)南方地區(qū)甘蔗面積提取研究[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2019, 35(16): 141–147 ZHANG D D, ZHOU Z, SONG X D. Study on sugarcane crop classification in Southern China based on HJ-1 CCD images[J]. Chinese Agricultural Science Bulletin, 2019, 35(16): 141–147

[34] BREIMAN L. Random forests, machine learning[J]. Journal of Clinical Microbiology, 2001, 2: 199–228

[35] VAN DER LINDEN S, RABE A, HELD M, et al. The EnMAP-Box-A toolbox and application programming interface for EnMAP data processing[J]. Remote Sensing, 2015, 7(9): 11249–11266

[36] 黃青, 唐華俊, 周清波, 等. 東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(9): 218–223 HUANG Q, TANG H J, ZHOU Q B, et al. Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J]. Transactions of the CSAE, 2010, 26(9): 218–223

[37] 權(quán)文婷, 周輝, 李紅梅, 等. 基于S-G濾波的陜西關(guān)中地區(qū)冬小麥生育期遙感識(shí)別和長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 中國(guó)農(nóng)業(yè)氣象, 2015, 36(1): 93–99 QUAN W T, ZHOU H, LI H M, et al. Remote recognition and growth monitoring of winter wheat in key stages based on S-G filter in Guanzhong Region[J]. Chinese Journal of Agrometeorology, 2015, 36(1): 93–99

[38] 吳炳方, 張峰, 劉成林, 等. 農(nóng)作物長(zhǎng)勢(shì)綜合遙感監(jiān)測(cè)方法[J]. 遙感學(xué)報(bào), 2004, 8(6): 498–514 WU B F, ZHANG F, LIU C L, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498–514

[39] 陳曉寧, 吳滿意, 溫建兵, 等. 遙感解譯標(biāo)志建立思路研究[J]. 測(cè)繪與空間地理信息, 2017, 40(2): 35–37 CHEN X N, WU M Y, WEN J B, et al. Research on the establishment of remote sensing interpretation marks[J]. Geomatics & Spatial Information Technology, 2017, 40(2): 35–37

[40] 謝國(guó)雪, 黃文校, 盧遠(yuǎn), 等. 基于高分辨率遙感影像的桑樹(shù)信息提取研究——以廣西鹿寨縣為例[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃, 2015, 36(2): 44–53 XIE G X, HUANG W X, LU Y, et al. Information extraction of silkworm-cropping areas based onhigh spatial resolution remote sensing images — A case study of Luzhai County, Guangxi, China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(2): 44–53

[41] 賴格英, 楊星衛(wèi). 南方丘陵地區(qū)水稻種植面積遙感信息提取的試驗(yàn)[J]. 應(yīng)用氣象學(xué)報(bào), 2000, 11(1): 47–54 LAI G Y, YANG X W. Experimental research on rice planting area of hilly region in southern China using remotely sensed data[J]. Quarterly Journal of Applied Meteorology, 2000, 11(1): 47–54

[42] 陳劉鳳, 林開(kāi)平, 胡寶清, 等. 基于Landsat8_OLI數(shù)據(jù)的甘蔗種植面積監(jiān)測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào), 2015, 46(11): 2068–2072 CHEN L F, LIN K P, HU B Q, et al. Monitoring of sugarcane planting area based on Landsat8_OLI data[J]. Journal of Southern Agriculture, 2015, 46(11): 2068–2072

[43] 鐘仕全. 遙感數(shù)據(jù)助力“一帶一路”重要門戶——廣西經(jīng)濟(jì)發(fā)展[J]. 衛(wèi)星應(yīng)用, 2016, (10): 42–47 ZHONG S Q. Remote sensing data contributes to the important portal of “One Belt And One Road” — Guangxi economic development[J]. Satellite Application, 2016, (10): 42–47

[44] 黃干淇, 王國(guó)安, 黃子航, 等. 基于GF-1的上思縣甘蔗種植面積估算與長(zhǎng)勢(shì)監(jiān)測(cè)研究[J]. 氣象研究與應(yīng)用, 2018, 39(3): 53–56 HUANG G Q, WANG G A, HUANG Z H, et al. The study of estimation and growth monitoring of sugarcane planting area in Shangsi County based on GF-1[J]. Journal of Meteorological Research and Application, 2018, 39(3): 53–56

Sugarcane planting area and growth monitoring based on remote sensing in Guangxi*

XIE Xinchang1, YANG Yunchuan1,2,3**, TIAN Yi1, LIAO Liping1,2,3, MO Chongxun1,2,3, WEI Junpei1, ZHOU Jinyu1

(1. College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, China; 2. Key Laboratory of Disaster Prevention and Structural Safety of Ministry of Education, Guangxi University, Nanning 530004, China; 3. Key Laboratory of Disaster Prevention and Engineering Safety of Guangxi, Nanning 530004, China)

Sugarcane planting in Guangxi has been affected by natural disasters, resulting in decreased yields. The information on spatio-temporal dynamics of the sugarcane planting area and growth can provide a reference for planting structure optimization and facilitate disaster control. This study incorporated 652 optimized band combinations of the LANDSAT 8 Operational Land Imager (OLI), normalized difference vegetation index (NDVI), digital elevation model (DEM), and other auxiliary identification characteristic variables into the random forest classification method to interpret continuously in multi-temporal aspects. Google Earth and high-resolution remote sensing image comparison and correction were used to obtain a high-precision sugarcane planting area distribution in Guangxi from 2014 to 2018. The MODIS-NDVI data was used to build a monitoring model of the growth potential difference for dynamic monitoring of sugarcane stem elongation in Guangxi in the last five years. The results showed that: 1) the interpretation method was effective, the overall classification accuracy of sugarcane planting area in Guangxi was >92%, the Kappa coefficient was >0.8, and the five-year mean area relative error was-10.7%. 2) In 2014-2018, the planting area of sugarcane in Guangxi had rapidly decreased in the early stage and slowly increased in the late stage. The main planting areas were in Chongzuo, Nanning, and Laibin. The whole planting area showed a distribution pattern of local agglomeration and overall fragmentation and dispersion, which was closely related to the underlying environmental elements, such as topography, soil type, and river system distribution. 3) The NDVI difference model reflected the interannual and intra-annual spatio-temporal changes in the elongation trend of sugarcane stems in Guangxi, and the yearly growth trend of sugarcane changes frequently between good, normal, and poor. These results revealed the response mechanism of sugarcane in Guangxi to regional climate change, alternation of drought and flood, and the dynamics of soil and water conservation on the underlying surface. Furthermore, this study provides a scientific foundation for optimizing the regional sugarcane planting structure and evaluating water resource utilization efficiency.

Remote sensing; Sugarcane; Area extraction; Random forest; Growth monitoring

10.13930/j.cnki.cjea.200419

謝鑫昌, 楊云川, 田憶, 廖麗萍, 莫崇勛, 韋鈞培, 周津羽. 基于遙感的廣西甘蔗種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2021, 29(2): 410-422

XIE X C, YANG Y C, TIAN Y, LIAO L P, MO C X, WEI J P, ZHOU J Y. Sugarcane planting area and growth monitoring based on remote sensing in Guangxi[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 410-422

TP79

* 國(guó)家自然科學(xué)基金項(xiàng)目(41901132, 51609041)和廣西自然科學(xué)基金項(xiàng)目(2019GXNSFAA185015, 2018GXNSFAA138187)資助

楊云川, 主要從事農(nóng)業(yè)與城市生態(tài)水文學(xué)研究。E-mail: yyc_sciences@163.com

謝鑫昌, 主要從事農(nóng)業(yè)及水土資源遙感研究。E-mail: xiexinchanggxdx@163.com

2020-06-03

2020-10-22

* This study was supported by the National Natural Science Foundation of China (41901132, 51609041) and theNatural Science Foundation of Guangxi of China (2019GXNSFAA185015, 2018GXNSFAA138187).

, E-mail: yyc_sciences@163.com

Jun. 3, 2020;

Oct. 22, 2020