-
摘要: 准确地掌握并监测区域内的作物分布及时空变化信息对科学指导流域内农业生产布局具有重要指导意义。本研究选择中国的粮食主产区——松花江流域为研究区, 基于MODIS数据计算的归一化植被指数(NDVI)、植被增强型指数(EVI)及地表水分指数(LSWI)指标, 结合不同作物生长发育的物候期构建决策树模型, 对2000年和2020年研究区内主要作物——水稻、玉米和大豆种植区进行了提取; 提取结果通过实地考察、Google Earth选点和统计年鉴数据进行了验证。水稻、玉米和大豆提取精度分别为0.9090、0.9026和0.8200, Kappa系数为0.79, 总体精度为0.84。松花江流域种植农作物类型以玉米为主, 水稻、大豆为辅, 流域内形成“北大豆, 南玉米, 河流附近皆水稻”的生产格局, 是我国重要的玉米、水稻和大豆生产基地。2000—2020年流域种植规模处于持续扩张状态, 作物种植结构显著改变, 总种植面积由95 556.26 km2增加到173 070.00 km2, 增幅为81.12%, 其中水稻、玉米和大豆种植面积分别增加24 911.36 km2、54 432.07 km2、20 719.77 km2, 水稻、玉米和大豆种植面积占总种植面积比例分别增加8.56%、16.86%和0.39%。从空间变化来看, 水稻种植面积在松花江流域范围内大部分区域明显增加, 尤其是在河流附近水资源丰富的区域; 玉米种植面积在流域内大部分区域显著增加; 大豆种植面积在流域北部偏东区域增加明显。松花江流域各市形成了具有特色的种植结构, 绝大部分地区由双作物主导型转变为玉米主导型; 2020年流域内新增水稻主导型市, 玉米-水稻主导型市和大豆-水稻主导型市消失, 玉米-水稻主导型市和玉米-大豆主导型市均转变为玉米主导型市, 作物种植类型逐渐趋于集中。本文提取的作物分布结果与松花江流域内实际情况一致, 可为松花江流域的种植结构调整及指导农业生产提供科学支撑。Abstract: In 2000, China launched a series of positive policies to promote agricultural development in Northeast China, thus causing a rapid expansion of the cropping scale and a change of cropping structure in the Songhua River Basin. It is important to reveal the changes in cropping structure in the Songhua River Basin to improve its future supply capacity, ensure national food security, and achieve the adjustment of food production. In this study, we selected the Songhua River Basin, a major grain-producing area in China, as the study area. Based on the normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), and land surface water index (LSWI) from MODIS data, a decision tree model was constructed by combining the phenological periods of different crops. The results of crop extraction were verified using observed datasets, verification points selected in Google Earth, and statistical almanac data. The values of extraction accuracy for rice, maize, and soybean were 0.9090, 0.9026, and 0.8200, respectively, with a Kappa coefficient of 0.79 and an overall accuracy of 0.84. The crop types in the Songhua River Basin were dominated by maize and supplemented by rice and soybean, forming a crop pattern of “soybean in the north, maize in the south, and rice near rivers”. The entire crop planting area of the Songhua River Basin was in a state of continuous expansion from 2000 to 2020, with the total planting area increasing from 95 556.26 km2 to 173 070.00 km2, an increase of 81.12%. The planting area of rice, maize, and soybean increased by 24 911.36 km2, 54 432.07 km2, and 20 719.77 km2, respectively. Overall, the proportion of the rice planting area to the total planting area increased by 8.56%, and those of maize and soybean increased by 16.86% and 0.39%, respectively. The planting areas of rice and maize increased significantly in most areas of the Songhua River Basin, and the rice expanded mainly in the areas near rivers. The planting area of soybean increased significantly in the eastern part of the northern part of the basin. The cities in the Songhua River Basin have formed a distinctive cropping structure, with most areas changing from a double-crop-dominant type to a maize-dominant type. In 2020, there was the addition of rice-dominant cities in the basin, the disappearance of maize-rice dominant cities and soybean-rice dominant cities, and the transformation of both maize-rice dominant cities and maize-soybean dominant cities into maize-dominant cities, with a gradual concentration of crop cropping types. The results of this study provide a scientific understanding of the adjustment of cropping structure and guidance of agricultural production in the Songhua River Basin.
-
Keywords:
- Songhua River Basin /
- Crop extraction /
- MODIS /
- Food security /
- Vegetation index /
- Rice /
- Maize /
- Soybean
-
准确地掌握农作物种植结构的时空变化信息可为区域农作物耗水变化及水资源供需变化的研究提供基础, 对国家农业生产管理、国家粮食安全与保障和农业生产指导具有重要意义[1]。农作物种植结构的调查从最早的田间统计尺度已经发展到如今的遥感对地观测。相比于传统高成本、低效率田间调查方法, 遥感观测为掌握大区域尺度农作物空间格局提供了更加便捷、有效的方法。遥感作物分类的核心是充分利用农作物光谱、物候、地表覆被类型等特征差异以及专家知识对农作物进行分类, 主要方法包括基于物候的算法、基于机器学习和深度学习的算法等。传统目视解译遥感图像处理中分类精度较低且效率较低, 而决策树分类则是通过获取各个像元特征值进行的, 包括光谱特征与纹理特征, 当遥感影像空间布局和分布较难分辨时, 根据特定的知识和规则对地物种类和影像进行分层并依次进行匹配, 从而达到地物种类分离的目的。决策树方法具有物理机制明确、易实现、准确度高、效率高的优点, 已被广泛应用[2]。
周静平等[3]根据多时序环境卫星影像, 采用决策树和面向对象相结合的分类方法成功在黑龙江省双河农场地区提取了作物分布信息。陈睿等[4]基于2011—2016年的HJ1A/CCD 数据, 利用HANTS滤波后的归一化植被指数(NDVI)时间序列曲线, 获得黑河中游绿洲区作物种植面积的精细分类, 精度高于90.8%。陈晓璐等[5]对MODIS和Landsat数据进行融合利用HANTS滤波建立ESTARFN NDVI时间序列数据对察罕淖尔地区灌溉耕地进行提取, 总分类精度为93.18%, Kappa系数为0.91。李鑫川等[6]以多时序环境卫星影像对黑龙江垦区友谊农场进行作物分类表明: 决策树分类效果最好。黄健熙等[7]以多时序高分卫星影像, 构建基于NDVI植被指数的决策树对黑龙江省五九七农场作物种植信息进行提取, 精度高于最大似然法的分类精度。郝卫平等[8]基于多时相遥感数据估算了2007年东北三省的耕地和水稻(Oryza sativa)、玉米(Zea mays)、大豆(Glycine max)的面积, 精度分别为0.68、0.74和0.68。李奇峰等[9]采用聚类分析法研究东北农作区种植结构空间演变情况, 结果表明主要作物生产呈现集中趋势, 形成各自主要的生产区域。综上, 基于时序植被指数的决策树分类方法根据作物季相节律特征构建, 能充分体现同一作物在不同生育期及不同作物在同一生育期的差异, 因此具有较高的作物分类精度。
2020年我国粮食供求总量始终处于紧平衡状态, 粮食生产面临着“供”与“需”双重压力, 我国始终坚持“谷物基本自给、口粮绝对安全”的战略, 东北黑土粮仓是我国粮食生产的最重要产区[10-11]。松花江流域穿越东北粮食的主产区, 是我国重要的商品粮基地[12]。2000年以来, 出于政策刺激, 松花江流域种植规模快速扩张, 种植面积扩大了将近一倍, 种植结构发生了重大改变。因此, 提取松花江流域内作物种植结构变化, 对于提升其未来供给能力、保障国家粮食安全以及粮食生产的合理布局具有重要意义。
本研究以松花江流域为研究区, 基于统计年鉴数据以及MODIS多时相数据, 计算NDVI、植被增强型指数(EVI)及地表水分指数(LSWI) 3个植被指数, 结合不同作物生长发育的物候期构建决策树模型, 对松花江流域内水稻、玉米和大豆进行提取, 分析流域内种植结构的空间变化特征, 以期为流域内种植结构调整提供科学指导。
1. 研究区概况
松花江作为中国七大河之一, 是黑龙江在中国境内的最大支流。松花江流域(119°52′~132°31′E, 41°42′~51°38′N)东西长920 km, 南北宽1070 km, 跨越内蒙古、吉林、黑龙江3省(自治区), 流域面积55.68万km2, 占黑龙江流域总面积的30.2% (图1)。流域地处北温带季风气候区, 四季分明, 夏季温热多雨, 冬季寒冷干燥, 年内温差较大, 多年平均气温为3~5 ℃, 年内7月温度最高, 日平均温度为20~25 ℃, 最高曾达40 ℃以上; 1月温度最低, 月平均气温−20 ℃以下; 多年平均降水量在500 mm左右, 东南部山区降水可达700~900 mm, 而干旱的流域西部地区只有400 mm。松花江水系发达, 支流众多, 流域内水能资源丰富, 年径流量762亿m3。松花江自古以来便有“黄金水道”的称誉, 为两岸的农业发展带来了充足的资源。流域内光照充足, 雨热同期且土壤肥力较高, 土壤主要以黑土、棕壤、白浆土以及沼泽土为主, 适于农作物的生长, 利于农业的发展, 是我国重要的农业基地。其主要粮食作物为水稻和玉米, 主要经济作物为大豆, 均为一年一熟制, 生育期集中在4—9月。
![]()
图 1 研究区概况及验证点分布图Figure 1. Overview of the study area and distribution of verification points2. 数据来源与研究方法
2.1 数据来源
水稻、玉米、大豆的种植面积来源于黑龙江省、吉林省、内蒙古自治区的统计年鉴(https://data.cnki.net), 土地利用数据来源于“中国科学院地理科学与资源研究所资源环境科学与数据中心”(https://www.resdc.cn)。MODIS数据为MOD13A2产品和MOD09A1 (https://www.earthdata.nasa.gov), 其中, MOD13A2产品NDVI及EVI指标的时空分辨率分别为16 d和1 km; MOD09A1为反射率数据, 用于LSWI指标的计算, 时空分辨率分别为8 d和500 m。
2.2 研究方法
本研究基于黑龙江省、吉林省和内蒙古自治区统计年鉴数据的作物种植面积以及MODIS多时相数据, 计算NDVI、EVI及LSWI, 构建决策树模型对松花江流域内水稻、玉米和大豆进行提取。
2.2.1 主要作物物候特征
松花江流域水稻在4月下旬泡田, 5月中下旬插秧, 6—8月返青、分蘖、拔节、抽穗、灌浆, 9月中上旬成熟, 9月下旬至10月上旬收获; 玉米生育期较长, 约150 d左右, 不同品种略有差别, 4月下旬至5月上旬播种, 5—9月出苗、三叶期、七叶期、拔节、抽穗、开花、灌浆, 9月下旬至10月上旬成熟, 10月中下旬收获; 大豆播种时间为5月中上旬, 5—6月出苗、开花, 7月中下旬结荚, 8—9月从鼓粒到成熟, 10月初收获[13](表1)。
表 1 松花江流域不同作物生育期Table 1. Different crop growth periods in Songhua River Basin作物
Crop4月
April5月
May6月
June7月
July8月
August9月
September10月
October3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 水稻
Rice泡田
Paddy
field插秧
Rice
transplanting返青
Regreening分蘖
Tillering拔节
Elongation抽穗
Heading灌浆
Grouting
period成熟
Maturation收获
Harvesting玉米
Maize播种
Sowing出苗
Sprouting三叶期
Trifoliolate
stage七叶期
Heptagon
stage拔节
Elongation抽穗
Heading开花
Blooming灌浆
Grouting
period成熟
Maturation收获
Harvesting大豆Soybean 播种
Sowing出苗
Sprouting三叶期
Trifoliolate
stage开花
Blooming结荚
Podding鼓粒
Seed filling
stage成熟
Maturation收获
Harvesting1、2、3分别表示每月的上、中、下旬。1, 2 and 3 refer to the upper, middle and late months. 2.2.2 植被指数时间序列数据集
NDVI是目前应用最广泛的植被指数。完整的NDVI时间序列数据集能够较好地反映农作物播种—生长—成熟—收割的全过程。由于农作物的种类、生长特性和播种收割时间不同, 表现出的光谱差异也不同[14-15]。计算公式为:
$$ \mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}=\frac{{\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}-{\rho }_{\mathrm{r}\mathrm{e}\mathrm{d}}}{{\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\rho }_{\mathrm{r}\mathrm{e}\mathrm{d}}} $$ (1) EVI是利用遥感影像中的红光波段、近红外波段及蓝光波段运算得出的植被指数, 对植被冠层结构十分敏感, 不仅能降低大气和土壤对植被的干扰, 而且能更加有效地消除指数的饱和现象, 广泛应用于研究植被动态变化[16]。计算公式如下:
$$ \mathrm{E}\mathrm{V}\mathrm{I}=\frac{2.5\times \left({\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}-{\rho }_{\mathrm{r}\mathrm{e}\mathrm{d}}\right)}{{\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}+6{\rho }_{\mathrm{r}\mathrm{e}\mathrm{d}}-7.5{\rho }_{\mathrm{b}\mathrm{l}\mathrm{u}\mathrm{e}}+L} $$ (2) LSWI针对植被水分对红外波段的吸收特性, 采用红外通道监测植被水分状况。水体对短波红外波段(SWIR)有较强的吸收, SWIR波段对植被含水量的变化较敏感, 近红外波段(NIR)比可见光具有更强的叶冠透射能力, 可用于区分水稻[17-19]。计算公式如下:
$$ \mathrm{L}\mathrm{S}\mathrm{W}\mathrm{I}=\frac{{\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}-{\rho }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}}}{{\rho }_{\mathrm{n}\mathrm{i}\mathrm{r}}+{\rho }_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}}} $$ (3) 式中: ρnir为近红外通道反射率; ρswir为短波热红外通道反射率; ρred为红色通道反射率; ρblue为蓝色通道反射率; L为土壤调节参数, 值为1。
2.2.3 植被指数时间序列数据集重构
由于云、气溶胶以及地物的双向性反射等因素会对地表覆盖及陆地生态系统的监测产生极大的影响, 因此需要对植被指数时间序列集进行平滑处理, 即重构时序植被指数。目前常用的植被指数时间序列滤波去除噪声分析方法主要有Savizky-Golay滤波(S-G)、非对称高斯滤波(A-G)、双逻辑调和函数滤波(D-L)和傅里叶谐波(Hants)等。Savitzky-Golay过滤器的效果根据所选窗口的宽度不同, 可以满足多种场合的需求[20-22]。本研究使用的是S-G滤波, 可有效平滑去除噪声且最大程度地保留植被指数的特征曲线。
$$ {Y}_{j}^{*}=\frac{{\displaystyle\sum }_{i=-m}^{i=m}{(C}_{i}{\times Y}_{j+1})}{N} $$ (4) 式中:
${Y}_{j}^{*} $ 为植被指数拟合值; Y为植被指数原始值; N为卷积数据; m为半个平滑窗口的宽度; j为初始值植被指数序列; Ci为第i个植被指数滤波系数。2.2.4 决策树模型
由于不同作物生育期的差异, 不同地区气候环境的差异及不同作物物候期的差异, 以NDVI、EVI及LSWI指标为提取目标, 根据不同作物的关键物候期(出苗期、拔节期、抽雄期、成熟期等)设定阈值, 使用ENVI软件中的决策树模型提取不同作物的种植面积[23-24]。松花江流域主要种植作物为水稻、玉米、大豆。LSWI指标可采用红外通道检测植被水分状况, 水稻在4月下旬至5月上旬处于泡田时期, 期间水稻秧苗与水体处于共存状态, 可用于区分水稻和其他作物; 玉米种植时间早于水稻和大豆, 可利用出苗期区分玉米和其他作物, 玉米的拔节期生长速率最快, 抽雄期为营养生长向生殖生长转变的时期, 此时玉米的平均叶面积最大, 其NDVI时序曲线达到峰值, 10月上旬玉米收割后为裸地; 大豆播种时间稍晚于玉米, 其收获时间早于玉米, 其EVI曲线到达峰值时间较玉米早。决策树中, 对于NDVI及EVI峰值的确定, 选择了包含峰值及其前后的两个时相, 可避免一定程度上因受到各地种植习惯不同、气候干扰等带来的影响(表2)。
表 2 松花江流域作物决策树模型Table 2. Crop decision tree model in the Songhua River Basin序号 Number 农作物决策树提取模型 Crop decision tree extraction model 农作物 Crop 1 T1<LSWI43<T2, EVI53<T3,EVI51<EVI43,EVI51<EVI52 水稻 Rice 2 NDVI81>NDVI73, NDVI81>NDVI82, NDVI81>T4 玉米 Maize 3 EVI73>EVI72, EVI73>EVI81, NDVI93<T5 大豆 Soybean NDVI、EVI和LSWI的下标xy中x为月, y为上中下旬, x取值范围为1—12, y取值范围为1—3 (表示每月的上、中、下旬); NDVI为归一化植被指数, EVI为植被增强型指数, LSWI为地表水分指数; T1—T5为植被指数的阈值。Subscript x of NDVI, EVI and LSWI refers to month x, and subscript y refers to the upper, middle and late months, where x ranges from January to December, and y ranges from 1 to 3. NDVI is the normalized difference vegetation index, EVI is the enhanced vegetation index, and LSWI is the land surface water index. T1−T5 are the threshold values of vegetation index. 3. 结果与分析
3.1 作物提取精度验证
3.1.1 基于统计年鉴数据的精度验证
本研究基于决策树模型结合作物生长发育关键物候期, 对2000年和2020年松花江流域内主要农作物种植面积进行提取, 并与农业统计年鉴各市的种植面积进行相关分析, 决定系数为0.8797, 水稻、玉米和大豆的决定系数分别为0.9090、0.9026、0.8200, 单类种植结构提取的精度均在82%以上(图2), 结果具有较好的一致性, 分类结果能较准确地反映流域内作物的空间分布情况。
![]()
图 2 2000年和2020年松花江流域主要作物提取种植面积与各市农业统计年鉴数据对比Figure 2. Comparison of extracted planting crop areas and actural planting areas of agricultural statistical yearbook data of crops in the Songhua River Basin in 2000 and 20203.1.2 混淆矩阵验证
通过在松花江流域内实地考察, 采集作物分布验证点109个, 其中水稻采样点40个, 玉米采样点53个, 大豆采样点26个, 获取的验证点近两年内作物种植类型未发生变化, 可用于2020年作物提取的空间验证, 结合Google Earth和其他学者已发布的相关数据集进行混淆矩阵验证[25-26], Kappa系数为0.79, 总体分类精度为0.84。分类结果具有较高的准确性, 可用于松花江流域内作物的空间分布特征分析。
3.2 松花江流域作物分布的空间变化分析
松花江流域南部地区主要种植玉米, 北部地区大多种植大豆, 水稻主要分布在松花江、第二松花江及嫩江河流附近耕地, 形成“北大豆, 南玉米, 河流附近皆水稻”的空间分布格局(图3)。2000—2020年，松花江流域内作物空间分布发生显著改变。在嫩江流域北部和中部地区主要为其他作物转变为大豆, 嫩江流域南部地区主要为其他作物转变为玉米和水稻, 在松花江(三岔河口以下)流域主要为大豆和其他作物转变为玉米, 第二松花江流域为其他作物转变为玉米。水稻集中分布在三江平原佳木斯市以及哈尔滨市、齐齐哈尔市等地区, 除白山市和延边朝鲜族自治州水稻种植面积呈减少趋势外, 其余各市水稻的种植面积均有不同程度增加; 玉米集中分布在长春市、哈尔滨市、齐齐哈尔市等地区, 在流域内大部分城市种植面积均有不同程度增加, 玉米的种植面积增加与流域内实行了8年的玉米临储政策有关, 政策颁布后既稳定了玉米的价格同时也保障了农民的收益; 大豆集中分布在黑河市、齐齐哈尔市、绥化市等地区, 其种植面积在长春市、哈尔滨市、吉林市等有不同程度的下降。
![]()
图 3 2000年和2020年松花江流域主要作物空间分布Figure 3. Spatial distribution of main crops in the Songhua River Basin in 2000 and 20202000—2020年松花江流域内作物总种植面积整体呈波动增加趋势, 由95 556.28 km2增加到173 070.00 km2, 增幅81.12%。由于近年来积温带北移东扩现象, 水稻种植优势区扩大, 2000—2020年水稻的种植面积呈逐年增加的趋势; 大豆的种植面积呈先增加后减少再增加的趋势, 2009—2015年大豆呈波动减少趋势, 其余年份波动增加; 玉米的种植面积呈先稳步增加后减少的趋势。与2000年相比, 2020年水稻、玉米和大豆种植面积分别增加24 911.36 km2、54 432.07km2、20 719.77 km2, 保障了我们国家的粮食安全(图4)。
![]()
图 4 2000—2020年松花江流域作物总种植面积及主要作物种植面积Figure 4. Total planting area and each crop planting area of main crops in the Songhua River Basin from 2000 to 20203.3 松花江流域作物种植结构的时空变化分析
2000—2020年松花江流域内作物种植结构发生显著变化[27], 水稻种植面积占流域总种植面积比例由13.03%增加到21.59%, 玉米种植面积占流域总种植面积比例由32.58%增加到49.44%, 大豆种植面积占流域总种植面积比例由25.86%增加到26.25% (图5)。水稻种植面积在松花江流域大部分区域均有增加, 尤其是在三江平原等水稻优势产区及河流附近一些水资源充沛的城市, 水稻种植面积呈现明显扩张趋势; 鹤岗市北部及齐齐哈尔市北部等地区水稻种植面积变化不大; 长春市北部、七台河市西北部及吉林市、白山市、延边朝鲜族自治州中部部分地区, 水稻种植面积减少(图6)。总体而言, 除白山市和延边朝鲜族自治州水稻种植面积呈减少趋势外, 松花江流域其余各市水稻的种植面积均有不同程度增加, 其中佳木斯市、齐齐哈尔市、哈尔滨市种植面积增加较多, 佳木斯市水稻种植面积增加8996.8 km2, 增幅为634.75%; 齐齐哈尔市增加3505.8 km2, 增幅为370.99%。玉米种植面积在整个流域变化较大, 大部分地区种植面积均呈增加趋势, 仅在白城市西北部、松原市中部等地区玉米种植面积有所减少; 长春市中部、松原市东北部、哈尔滨市西南部及绥化市少数地区玉米种植面积变化较小(图6)。2000—2020年内, 玉米种植面积在整个松花江流域18市内均有不同程度增加, 其中长春市增加面积最多, 增加7709.1 km2, 增幅为136.71%; 齐齐哈尔市增加面积为7343.8 km2; 增加幅度最大的为黑河市, 增幅为861.66%, 由2000年的303.6 km2增加到2020年的2919.5 km2。大豆种植面积在流域北部偏东地区增加明显, 其中牡丹江市东北部、鹤岗市中部部分地区、大庆市北部、齐齐哈尔市中部及佳木斯市北部偏东等地区种植面积增加; 而在流域东北部地区种植面积减少, 主要包括长春市中部、哈尔滨市东北部、松原市中部偏东等地区; 大豆种植面积没有变化的区域集中分布在齐齐哈尔北部及黑河市南部地区(图6)。总体上, 2000—2020年内大豆种植面积在各市有增有减, 其中黑河市增加最多, 增加面积为11 770.1 km2, 增幅为434.29%; 长春市大豆种植面积减少最多, 减少面积为1407.2 km2。2000—2020年作物种植优势区无明显变化。水稻、玉米和大豆一直为流域内主要种植作物。2000—2020年水稻、玉米和大豆种植面积之和占总种植面积比例由71.49%波动增加到97.28%, 水稻、玉米和大豆种植面积占总种植面积比例增幅分别为8.56%、16.86%、0.39% (图5)。
![]()
图 5 2000—2020年松花江流域不同作物占总种植面积比例Figure 5. Proportions of different crops in the total planting area of the Songhua River Basin from 2000 to 2020![]()
图 6 2000—2020年松花江流域作物种植面积的变化Figure 6. Crops planting areas changes of the Songhua River Basin from 2000 to 2020将松花江流域内18个地级市按不同作物占总种植面积比例进行聚类分析, 将占比大于50%的市作为单一作物主导型, 可分为水稻主导型、玉米主导型和大豆主导型; 将所占比例均未超过50%且两种作物所占比例相近的作为两种作物共同主导型, 可分为玉米-水稻主导型、玉米-大豆主导型和大豆-水稻主导型。2000年作物主导类型多元化, 共有5种主导类型, 其中玉米主导型市6个, 大豆主导型市4个, 玉米-水稻主导型市2个, 玉米-大豆主导型市4个, 大豆-水稻主导型市2个。2020年作物主导类型趋于稳定且逐渐转为单一型作物主导, 共有4种主导类型, 其中水稻主导型市1个, 玉米主导型市13个, 大豆主导型市3个, 玉米-大豆主导型市1个, 其余双作物主导市类型均转变为单一作物主导型(图7)。2000—2020年新增水稻主导型市(佳木斯市)、玉米-水稻主导型市(吉林市、通化市)和大豆-水稻主导型市(延边朝鲜族自治州、佳木斯市)消失, 玉米-水稻主导型市和玉米-大豆主导型市均转变为玉米主导型市, 作物种植类型逐渐趋于集中(图8)。
![]()
图 7 2000年和2020年松花江流域作物主导型转移Figure 7. Crop dominant transfer in the Songhua River Basin from 2000 to 2020![]()
图 8 2000年和2020年松花江流域作物主导类型Figure 8. Crop dominant types in the Songhua River Basin in 2000 and 20204. 讨论与结论
4.1 讨论
遥感影像在农作物的信息提取中得到了广泛应用, 通过构建NDVI、EVI时序曲线结合不同作物在各个时间段的特征能够准确地提取水稻、玉米、大豆、小麦(Triticum aestivum)等作物类型的分布信息。相关学者基于Sentinel数据、Landsat等数据等对东北地区进行了作物提取[28-29], 而MODIS数据具有较高的时间和空间分辨率, 在大尺度区域作物识别和提取等方面具有明显优势, 因此本研究基于时空分辨率为16 d、1 km的MODIS数据, 利用多指标决策树分类法对松花江流域2000年和2020年作物分布进行提取。选取的农作物生育期内NDVI、EVI及LSWI 3个指标的曲线变化特征能够反映研究区不同作物生长发育状况, 实现了大尺度作物分布信息的提取, 获得了较高的作物分类精度。但在黑河市区域大豆的提取精度略低, 主要是由于该区域农作物地块面积较小、种植分散、套种、间种等种植方式对作物的提取精度产生了影响。此外, 部分地区缺少县域统计年鉴作物种植面积的数据, 难以在县域尺度上收集到完整的作物种植数据, 在市域尺度上收集到的数据, 缺乏海拉尔市和乌兰浩特市的作物统计数据, 因此, 在作物提取结果验证时未将其与统计数据进行比较。针对不同类型作物面积提取的精度评估, 大豆精度较低, 这可能是因为在进行实际调研时大豆的地面调查点相对较少, 对松花江流域大豆NDVI变化曲线特征的提取精度有一定的影响。因此, 在未来大尺度水稻、玉米和大豆作物类型的提取中, 除了利用NDVI、EVI及LSWI多指标变化曲线特征, 还可以引入气象要素等其他辅助信息提高决策树分类精度, 实现基于较少量地面调查点的作物遥感影像半自动化识别[30]。水稻和玉米相比大豆而言为高耗水作物, 流域南部地区主要种植玉米, 北部地区主要种植大豆, 流域南部地区耗水高于北部地区; 嫩江流域南部地区主要为其他作物转变为玉米和水稻, 松花江(三岔河口以下)流域主要为大豆和其他作物转变为玉米, 第二松花江流域主要为其他作物转变为玉米, 以上地区作物种植区域的改变及种植面积的扩大保障了我国的粮食安全, 但也增加了松花江流域农业用水的压力。
4.2 结论
本研究选取2000年和2020年松花江流域内作物生长发育期的时间序列MODIS数据, 借助实地考察及Google Earth影像获取分类样本数据, 提取作物关键生长发育期的NDVI、EVI及LSWI特征值, 并根据样本的特征值建立决策树模型, 提取了松花江流域2000年和2020年的主要种植作物空间分布, 并分析了2000—2020年流域内作物种植结构的空间分布特征。得到以下结论:
1)本研究分类结果中, 单类作物种植结构提取的准确率均在82%以上, 具有较高的精度, 经实地考察验证、Google Earth及相关数据计算混淆矩阵, Kappa系数为0.79, 总体分类精度为0.84, 水稻、玉米和大豆的提取精度分别为0.9090、0.9026和0.8200。
2)松花江流域是我国重要的玉米、水稻和大豆生产基地, 2000—2020年松花江流域种植规模处于持续扩张状态, 总播种面积呈增加趋势; 玉米和水稻呈逐年波动增加趋势, 2009—2015年大豆呈波动减少趋势, 其余年份波动增加。对比2000年, 2020年水稻、玉米和大豆种植面积分别增加24 911.36 km2、54 432.07 km2和20 719.77 km2。总体来看, 水稻种植面积占总种植面积比例增加8.56%, 玉米种植面积占比增加16.86%, 大豆种植面积占比增加0.39%。
3)松花江流域作物种植以玉米为主, 水稻和大豆为辅, 形成“北大豆, 南玉米, 河流附近皆水稻”的生产格局。水稻在松花江流域整个范围内大部分为种植面积增加区, 尤其是河流附近水资源丰富的地区; 玉米在整个流域内种植面积变化较大, 大部分地区均为种植面积增加区; 大豆在流域北部偏东地区为种植面积增加区。
4) 2020年新增水稻主导型市, 玉米-水稻主导型市和大豆-水稻主导型市消失, 玉米-水稻主导型市和玉米-大豆主导型市均转变为玉米主导型市, 作物种植类型逐渐趋于集中。
综上, 对松花江流域内2000年和2020年的作物种植结构的提取结果具有可靠性。从农作制分区角度, 流域内作物种植结构呈现集中连片和趋于稳定的规律, 各地市逐步形成了具有各自特色的优势作物种植区及生产基地。
-
![]()
图 1 研究区概况及验证点分布图
Figure 1. Overview of the study area and distribution of verification points
![]()
图 2 2000年和2020年松花江流域主要作物提取种植面积与各市农业统计年鉴数据对比
Figure 2. Comparison of extracted planting crop areas and actural planting areas of agricultural statistical yearbook data of crops in the Songhua River Basin in 2000 and 2020
![]()
图 3 2000年和2020年松花江流域主要作物空间分布
Figure 3. Spatial distribution of main crops in the Songhua River Basin in 2000 and 2020
![]()
图 4 2000—2020年松花江流域作物总种植面积及主要作物种植面积
Figure 4. Total planting area and each crop planting area of main crops in the Songhua River Basin from 2000 to 2020
![]()
图 5 2000—2020年松花江流域不同作物占总种植面积比例
Figure 5. Proportions of different crops in the total planting area of the Songhua River Basin from 2000 to 2020
![]()
图 6 2000—2020年松花江流域作物种植面积的变化
Figure 6. Crops planting areas changes of the Songhua River Basin from 2000 to 2020
![]()
图 7 2000年和2020年松花江流域作物主导型转移
Figure 7. Crop dominant transfer in the Songhua River Basin from 2000 to 2020
![]()
图 8 2000年和2020年松花江流域作物主导类型
Figure 8. Crop dominant types in the Songhua River Basin in 2000 and 2020
表 1 松花江流域不同作物生育期
Table 1 Different crop growth periods in Songhua River Basin
作物
Crop4月
April5月
May6月
June7月
July8月
August9月
September10月
October3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 水稻
Rice泡田
Paddy
field插秧
Rice
transplanting返青
Regreening分蘖
Tillering拔节
Elongation抽穗
Heading灌浆
Grouting
period成熟
Maturation收获
Harvesting玉米
Maize播种
Sowing出苗
Sprouting三叶期
Trifoliolate
stage七叶期
Heptagon
stage拔节
Elongation抽穗
Heading开花
Blooming灌浆
Grouting
period成熟
Maturation收获
Harvesting大豆Soybean 播种
Sowing出苗
Sprouting三叶期
Trifoliolate
stage开花
Blooming结荚
Podding鼓粒
Seed filling
stage成熟
Maturation收获
Harvesting1、2、3分别表示每月的上、中、下旬。1, 2 and 3 refer to the upper, middle and late months. 
下载: 导出CSV
表 2 松花江流域作物决策树模型
Table 2 Crop decision tree model in the Songhua River Basin
序号 Number 农作物决策树提取模型 Crop decision tree extraction model 农作物 Crop 1 T1<LSWI43<T2, EVI53<T3,EVI51<EVI43,EVI51<EVI52 水稻 Rice 2 NDVI81>NDVI73, NDVI81>NDVI82, NDVI81>T4 玉米 Maize 3 EVI73>EVI72, EVI73>EVI81, NDVI93<T5 大豆 Soybean NDVI、EVI和LSWI的下标xy中x为月, y为上中下旬, x取值范围为1—12, y取值范围为1—3 (表示每月的上、中、下旬); NDVI为归一化植被指数, EVI为植被增强型指数, LSWI为地表水分指数; T1—T5为植被指数的阈值。Subscript x of NDVI, EVI and LSWI refers to month x, and subscript y refers to the upper, middle and late months, where x ranges from January to December, and y ranges from 1 to 3. NDVI is the normalized difference vegetation index, EVI is the enhanced vegetation index, and LSWI is the land surface water index. T1−T5 are the threshold values of vegetation index.
下载: 导出CSV
-
[1] 胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10): 1900−1914 doi: 10.3864/j.issn.0578-1752.2015.10.004 HU Q, WU W B, SONG Q, et al. Recent progresses in research of crop patterns mapping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10): 1900−1914 doi: 10.3864/j.issn.0578-1752.2015.10.004
[2] 申文明, 王文杰, 罗海江, 等. 基于决策树分类技术的遥感影像分类方法研究[J]. 遥感技术与应用, 2007, 22(3): 333−338 doi: 10.3969/j.issn.1004-0323.2007.03.006 SHEN W M, WANG W J, LUO H J, et al. Classification methods of remote sensing image based on decision tree technologies[J]. Remote Sensing Technology and Application, 2007, 22(3): 333−338 doi: 10.3969/j.issn.1004-0323.2007.03.006
[3] 周静平, 李存军, 史磊刚, 等. 基于决策树和面向对象的作物分布信息遥感提取[J]. 农业机械学报, 2016, 47(9): 318−326, 333 doi: 10.6041/j.issn.1000-1298.2016.09.043 ZHOU J P, LI C J, SHI L G, et al. Crops distribution information extracted by remote sensing based on decision tree and object-oriented method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 318−326, 333 doi: 10.6041/j.issn.1000-1298.2016.09.043
[4] 陈睿, 赵超, 刘兴冉, 等. 基于多源卫星数据的黑河中游绿洲区土地利用分类与作物类型提取及其时空变化分析[J]. 中国生态农业学报, 2018, 26(9): 1415−1422 doi: 10.13930/j.cnki.cjea.180088 CHEN R, ZHAO C, LIU X R, et al. Land classification and spatio-temporal changes of wheat and corn in the middle reaches oasis of Heihe using multi-satellite data[J]. Chinese Journal of Eco-Agriculture, 2018, 26(9): 1415−1422 doi: 10.13930/j.cnki.cjea.180088
[5] 陈晓璐, 王彦芳, 张红梅, 等. 基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1105−1116 CHEN X L, WANG Y F, ZHANG H M, et al. Extraction method of irrigated arable land in the Chahannur Basin based on the ESTARFM NDVI[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1105−1116
[6] 李鑫川, 徐新刚, 王纪华, 等. 基于时间序列环境卫星影像的作物分类识别[J]. 农业工程学报, 2013, 29(2): 169−176, 298 LI X C, XU X G, WANG J H, et al. Crop classification recognition based on time-series images from HJ satellite[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(2): 169−176, 298
[7] 黄健熙, 贾世灵, 武洪峰, 等. 基于GF-1 WFV影像的作物面积提取方法研究[J]. 农业机械学报, 2015, 46(S1): 253−259 doi: 10.6041/j.issn.1000-1298.2015.S0.041 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 doi: 10.6041/j.issn.1000-1298.2015.S0.041
[8] 郝卫平, 梅旭荣, 蔡学良, 等. 基于多时相遥感影像的东北三省作物分布信息提取[J]. 农业工程学报, 2011, 27(1): 201−207 doi: 10.3969/j.issn.1002-6819.2011.01.033 HAO W P, MEI X R, CAI X L, et al. Crop planting extraction based on multi-temporal remote sensing data in Northeast China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(1): 201−207 doi: 10.3969/j.issn.1002-6819.2011.01.033
[9] 李奇峰, 张海林, 陈阜. 东北农作区粮食作物种植格局变化的特征分析[J]. 中国农业大学学报, 2008, 13(3): 74−79, 84 doi: 10.3321/j.issn:1007-4333.2008.03.013 LI Q F, ZHANG H L, CHEN F. Changes in spatial distribution and planting structure of major crops in northeast China[J]. Journal of China Agricultural University, 2008, 13(3): 74−79, 84 doi: 10.3321/j.issn:1007-4333.2008.03.013
[10] LIU M Z, GUO Y, ZHANG X L, et al. China’s Black Soil Granary is increasingly facing extreme hydrological drought threats[J]. Science Bulletin, 2023, 68(5): 481−484 doi: 10.1016/j.scib.2023.02.010
[11] LU S B, BAI X, ZHANG J, et al. Impact of virtual water export on water resource security associated with the energy and food bases in Northeast China[J]. Technological Forecasting and Social Change, 2022, 180: 121635 doi: 10.1016/j.techfore.2022.121635
[12] HUANG Q, ZHOU Q B, WU W B, et al. Extraction of planting areas of major crops and crop growth monitoring in northeast China[J]. Intelligent Automation & Soft Computing, 2012, 18(8): 1023−1033
[13] 李正国, 杨鹏, 唐华俊, 等. 气候变化背景下东北三省主要作物典型物候期变化趋势分析[J]. 中国农业科学, 2011, 44(20): 4180−4189 LI Z G, YANG P, TANG H J, et al. Trend analysis of typical phenophases of major crops under climate change in the three provinces of northeast China[J]. Scientia Agricultura Sinica, 2011, 44(20): 4180−4189
[14] 杜保佳, 张晶, 王宗明, 等. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019, 21(5): 740−751 doi: 10.12082/dqxxkx.2019.180412 DU B J, ZHANG J, WANG Z M, et al. Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model[J]. Journal of Geo-Information Science, 2019, 21(5): 740−751 doi: 10.12082/dqxxkx.2019.180412
[15] 姜伊兰, 陈保旺, 黄玉芳, 等. 基于Google Earth Engine和NDVI时序差异指数的作物种植区提取[J]. 地球信息科学学报, 2021, 23(5): 938−947 doi: 10.12082/dqxxkx.2021.200291 JIANG Y L, CHEN B W, HUANG Y F, et al. Crop planting area extraction based on Google Earth Engine and NDVI time series difference index[J]. Journal of Geo-Information Science, 2021, 23(5): 938−947 doi: 10.12082/dqxxkx.2021.200291
[16] 尚雪, 何钊全, 张铜会. 增强型植被指数时空变化特征及其驱动机理[J]. 森林与环境学报, 2020, 40(5): 478−485 SHANG X, HE Z Q, ZHANG T H. Spatial and temporal variations and the driving mechanism of the enhanced vegetation index[J]. Journal of Forest and Environment, 2020, 40(5): 478−485
[17] 吴昊. 基于MODIS和Landsat时序影像的东北典型农作物识别[D]. 阜新: 辽宁工程技术大学, 2022: 20–22 WU H. Identification of typical crops in Northeast China using MODIS and Landsat time series data[D]. Fuxin: Liaoning Technical University, 2022: 20–22
[18] 张友水, 谢元礼. MODIS影像的NDVI和LSWI植被水分含量估算[J]. 地理科学, 2008, 28(1): 72−76 doi: 10.3969/j.issn.1000-0690.2008.01.013 ZHANG Y S, XIE Y L. Vegetation water content estimation using NDVI and LSWI from MODIS images[J]. Scientia Geographica Sinica, 2008, 28(1): 72−76 doi: 10.3969/j.issn.1000-0690.2008.01.013
[19] 刘元亮, 李艳, 吴剑亮. 基于LSWI和NDVI时间序列的水田信息提取研究[J]. 地理与地理信息科学, 2015, 31(3): 32−37, 2 doi: 10.3969/j.issn.1672-0504.2015.03.007 LIU Y L, LI Y, WU J L. Study on extraction of paddy fields based on LSWI and time-series NDVI[J]. Geography and Geo-Information Science, 2015, 31(3): 32−37, 2 doi: 10.3969/j.issn.1672-0504.2015.03.007
[20] 李儒, 张霞, 刘波, 等. 遥感时间序列数据滤波重建算法发展综述[J]. 遥感学报, 2009, 13(2): 335−341 doi: 10.11834/jrs.20090257 LI R, ZHANG X, LIU B, et al. Review on methods of remote sensing time-series data reconstruction[J]. Journal of Remote Sensing, 2009, 13(2): 335−341 doi: 10.11834/jrs.20090257
[21] 张雅芳, 郭英, 沈彦俊, 等. 华北平原种植结构变化对农业需水的影响[J]. 中国生态农业学报(中英文), 2020, 28(1): 8−16 ZHANG Y F, GUO Y, SHEN Y J, et al. Impact of planting structure changes on agricultural water requirement in North China Plain[J]. Chinese Journal of Eco-Agriculture, 2020, 28(1): 8−16
[22] 李晖, 陈雨琪, 张紫滟, 等. 基于长时间序列MODIS影像的黑龙江省主要农作物种植结构变化研究[J]. 杭州师范大学学报(自然科学版), 2021, 20(6): 658−665 doi: 10.19926/j.cnki.issn.1674-232X.2021.06.016 LI H, CHEN Y Q, ZHANG Z Y, et al. Planting structure changes of the main crops in Heilongjiang Province based on long time series MODIS images[J]. Journal of Hangzhou Normal University (Natural Science Edition), 2021, 20(6): 658−665 doi: 10.19926/j.cnki.issn.1674-232X.2021.06.016
[23] 杨钰. 东三省主要粮食作物种植结构的时空演变分析研究[D]. 大连: 辽宁师范大学, 2020: 17–28 YANG Y. Analysis and research on the spatial and temporal evolution of planting structure of main food crops in Three Northeastern Provinces[D]. Dalian: Liaoning Normal University, 2020: 17–28
[24] 刘勇洪, 牛铮, 王长耀. 基于MODIS数据的决策树分类方法研究与应用[J]. 遥感学报, 2005, 9(4): 405−412 doi: 10.11834/jrs.20050459 LIU Y H, NIU Z, WANG C Y. Research and application of the decision tree classification using MODIS data[J]. Journal of Remote Sensing, 2005, 9(4): 405−412 doi: 10.11834/jrs.20050459
[25] 王楠. 黑龙江省作物种植结构提取及时空变化研究[D]. 哈尔滨: 东北农业大学, 2018: 22–25 WANG N. Study on the extraction and the change of crop planting in Heilongjiang Province[D]. Harbin: Northeast Agricultural University, 2018: 22–25
[26] YOU N S, DONG J W, HUANG J X, et al. The 10-m crop type maps in Northeast China during 2017–2019[J]. Scientific Data, 2021, 8(1): 1−11 doi: 10.1038/s41597-020-00786-7
[27] 潘晓卉, 张平宇, 刘世薇. 东北地区主要粮食作物种植结构时空变化分析[J]. 土壤与作物, 2018, 7(3): 303−311 doi: 10.11689/j.issn.2095－2961.2018.03.005 PAN X H, ZHANG P Y, LIU S W. Temporal-spatial changes of planting structure from main grain crops in Northeast China[J]. Soils and Crops, 2018, 7(3): 303−311 doi: 10.11689/j.issn.2095－2961.2018.03.005
[28] 黄青, 唐华俊, 周清波, 等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报, 2010, 26(9): 218−223, 386 doi: 10.3969/j.issn.1002-6819.2010.09.037 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 Chinese Society of Agricultural Engineering, 2010, 26(9): 218−223, 386 doi: 10.3969/j.issn.1002-6819.2010.09.037
[29] 刘冰. 基于多源遥感数据的作物种植结构提取[D]. 哈尔滨: 东北农业大学, 2019: 26–33 LIU B. Crop planting structure extraction based on multi-source remote sensing data[D]. Harbin: Northeast Agricultural University, 2019: 26–33
[30] 陈水森, 柳钦火, 陈良富, 等. 粮食作物播种面积遥感监测研究进展[J]. 农业工程学报, 2005, 21(6): 166−171 doi: 10.3321/j.issn:1002-6819.2005.06.037 CHEN S S, LIU Q H, CHEN L F, et al. Review of research advances in remote sensing monitoring of grain crop area[J]. Transactions of the Chinese Society of Agricultural Engineering, 2005, 21(6): 166−171 doi: 10.3321/j.issn:1002-6819.2005.06.037
-
期刊类型引用(1)
1. 周铠文，张凤，周恒毅. 基于GEE平台的吉林省马铃薯遥感提取. 北京测绘. 2025(01): 90-96 . 
百度学术
其他类型引用(4)
计量
- 文章访问数: 488
- HTML全文浏览量: 109
- PDF下载量: 90
- 被引次数: 5
