巫明焱， 董 光， 稅 麗， 胡大川， 程武學(xué), 范曙峰

(1.四川師范大學(xué)地理與資源科學(xué)學(xué)院中心實(shí)驗(yàn)室，四川 成都 610101; 2.四川師范大學(xué)西南土地資源評價(jià)與監(jiān)測教育部重點(diǎn)實(shí)驗(yàn)室，四川 成都 610068; 3.江蘇省常州市武進(jìn)區(qū)林業(yè)工作站，江蘇 常州 213159)

小春作物是頭年播種次年初夏收獲的作物的統(tǒng)稱，濟(jì)寧市小春作物主要為冬小麥和大蒜，其產(chǎn)量占小春作物產(chǎn)量的90%以上，占全年農(nóng)作物產(chǎn)量的40%左右，在全年農(nóng)業(yè)生產(chǎn)中具有舉足輕重的地位。準(zhǔn)確快速獲取小春作物的播種面積、空間分布及其年際變化信息，能為政府部門制定農(nóng)業(yè)政策、合理安排生產(chǎn)提供重要依據(jù)[1]，同時(shí)對維護(hù)糧食安全也具有重要意義[2]。

遙感技術(shù)的大范圍、實(shí)時(shí)、準(zhǔn)確獲取等特點(diǎn)為農(nóng)作物種植面積的提取及動(dòng)態(tài)監(jiān)測提供了簡單易行的方法[3-8]。許文波等[2]結(jié)合多元遙感及GIS數(shù)據(jù)，建立基于MODIS/TERRA數(shù)據(jù)的混合像元線性分解模型對河南省的冬小麥種植面積進(jìn)行了遙感監(jiān)測。馬麗等[9]以Landsat5/TM影像為數(shù)據(jù)源，采用決策樹分類方法提取了河南省原陽縣的玉米種植范圍，同時(shí)驗(yàn)證了利用地塊數(shù)據(jù)對提高提取精度的作用。王久玲等[10]基于多時(shí)相HJ星影像，采用面向?qū)ο蠓▽V西貴港市甘蔗種植區(qū)進(jìn)行識別，證實(shí)了HJ星/CCD影像在甘蔗識別上的有效性。黃健熙等[11]采用多期GF-1/WFV影像，結(jié)合隨機(jī)森林分類算法，提取了黑龍江省嫩江縣玉米與大豆種植面積，對大區(qū)域農(nóng)作物的分類提供了一定參考。在遙感技術(shù)農(nóng)情監(jiān)測方面，中高分辨率多時(shí)相影像、高準(zhǔn)確度方法、高分類精度是發(fā)展趨勢。

面向?qū)ο蠓诸惙椒ㄊ?0世紀(jì)末由Baatz M與Schape A提出的基于影像對象的遙感監(jiān)測手段[12]，綜合考慮了像元的光譜信息、對象的內(nèi)部結(jié)構(gòu)、紋理及相鄰對象之間的關(guān)聯(lián)信息[13]，具有分類速度快、工作量小、精度高等特征，近年來在土地利用/覆被變化[14-15]、農(nóng)情監(jiān)測[16-17]、生態(tài)保護(hù)[18-19]等領(lǐng)域應(yīng)用廣泛?，F(xiàn)有利用面向?qū)ο蠓诸惙椒ㄟM(jìn)行農(nóng)情監(jiān)測的研究，多是采用影像對單一農(nóng)作物進(jìn)行種植面積提取，對多種作物種植面積的時(shí)空分異特征分析略顯薄弱，盡管目前高分辨率數(shù)據(jù)在農(nóng)情監(jiān)測領(lǐng)域已有所應(yīng)用，但因其獲取流程復(fù)雜，需多付費(fèi)，難以大范圍推廣使用；而Landsat 8數(shù)據(jù)獲取簡單免費(fèi)，精度基本能滿足提取的要求。本研究以山東省濟(jì)寧市為研究對象，選取2014-2017年春季4期Landsat8/OLI中分辨率遙感影像，基于面向?qū)ο蠓诸惙椒▽ι綎|省濟(jì)寧市小春作物冬小麥、大蒜的種植面積進(jìn)行逐年提取并進(jìn)行時(shí)空變化分析，以期為后續(xù)作物估產(chǎn)估值及政府決策提供數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

濟(jì)寧市位于山東省西南腹地(圖1)，是魯南泰沂低山丘陵與魯西南黃淮海平原交接地帶，115°52′～117°36′E，34°26′～35°57′N，總面積約 1.1×104km2。地勢東高西低，東部山巒綿亙，丘陵起伏，西部以平原洼地為主，是山東省著名的農(nóng)業(yè)耕作區(qū)。全市四季分明，光照降水充足，耕地面積約6 113.2 km2，占土地總面積的54.6%，農(nóng)作物以小麥、水稻、玉米、大蒜為主，其金鄉(xiāng)縣是中國著名的“大蒜之鄉(xiāng)”。該市兼具農(nóng)業(yè)型城市和資源型城市的雙重特點(diǎn)[20]。

圖1 濟(jì)寧市位置示意圖Fig.1 The location sketch map of Jining city

1.2 數(shù)據(jù)源及預(yù)處理

研究區(qū)春季主要種植的農(nóng)作物為小麥、大蒜，根據(jù)其返青時(shí)期一般在1-4月份，綜合考慮遙感影像的成像時(shí)間、空間分辨率和光譜分辨率，本研究選取了2014年3月21日、2015年1月19日、2016年3月10日和2017年2月9日4期共8景的Landsat 8/OLI影像對山東省濟(jì)寧市春季農(nóng)作物的種植情況進(jìn)行監(jiān)測研究。該時(shí)間段的小麥和大蒜處于返青期，土壤背景與農(nóng)作物顏色差異大，除常綠植被外其他均處于枯萎期，影像區(qū)分明顯，非常適合小麥和大蒜種植面積的提取。

對Landsat 8/OLI影像數(shù)據(jù)進(jìn)行預(yù)處理，主要包括輻射定標(biāo)、大氣校正、幾何校正、圖像配準(zhǔn)、圖像融合和影像裁剪等。Landsat 8/OLI 影像的波段主要包括多光譜數(shù)據(jù)、全色波段數(shù)據(jù)、卷云波段數(shù)據(jù)、熱紅外數(shù)據(jù)及質(zhì)量波段數(shù)據(jù)。采用ENVI 5.4 軟件的通用定標(biāo)工具(Radiometric Calibration)實(shí)現(xiàn)對4期影像的輻射定標(biāo)處理，再利用大氣校正模塊(FLAASH Atmospheric Correction)，設(shè)置經(jīng)緯度、傳感器類型、區(qū)域平均海拔及成像時(shí)間執(zhí)行大氣校正，處理后影像的植被波譜曲線更接近真實(shí)植被波譜(圖2)。以2017年當(dāng)期的影像為基準(zhǔn)，選擇另外3期影像進(jìn)行幾何校正和配準(zhǔn)。為獲取更高分辨率的影像，利用ENVI 5.4軟件的圖像融合模塊(NNDiffuse Pan Sharpening)將30 m分辨率的多光譜波段數(shù)據(jù)和15 m分辨率的全色波段數(shù)據(jù)融合得到15 m分辨率的研究區(qū)遙感數(shù)據(jù)，融合的結(jié)果對影像的色彩、紋理和光譜信息都較好的保留。再利用濟(jì)寧市的矢量邊界數(shù)據(jù)，裁剪研究區(qū)的4期影像數(shù)據(jù)。

a:校正前;b:校正后。圖2 大氣校正前后植被的波譜曲線Fig.2 Spectral curves of vegetation before and after atmospheric correction

1.3 研究方法

傳統(tǒng)的監(jiān)督分類主要是根據(jù)訓(xùn)練樣本的像元光譜信息進(jìn)行地物的分類[21]，分類的精度易受同種地物具有不同波譜信息和同一波譜屬于不同地物的影響。面向?qū)ο蠓诸惙椒ㄊ羌相徑裨獮閷ο笥脕碜R別感興趣的光譜要素，充分利用中高分辨率的全色和多光譜數(shù)據(jù)的空間、紋理和光譜信息來分割和分類，實(shí)現(xiàn)不同地物的分類提取[22]。該方法能夠有效地改善“同物異譜”和“同譜異物”的問題，而且還能夠準(zhǔn)確地避免地物提取過程中出現(xiàn)的“椒鹽現(xiàn)象”[23-24]。

本研究主要利用面向?qū)ο蠓诸惙椒▽?shí)現(xiàn)濟(jì)寧市2014-2017年每年春季種植的農(nóng)作物面積動(dòng)態(tài)變化研究。提取大蒜和小麥的種植面積主要分為發(fā)現(xiàn)對象(Find Object)和特征提取(Extract Features)兩個(gè)過程。發(fā)現(xiàn)對象主要包含計(jì)算影像的歸一化植被指數(shù)(Normalized Differential Vegetation Index，NDVI)、顏色變換和圖像的分割與合并；特征提取主要是樣本的選擇、樣本屬性的設(shè)置、分類算法的選取。依據(jù)提取的多期小春作物種植面積后，再對其進(jìn)行時(shí)空動(dòng)態(tài)變化分析。

2 結(jié)果與分析

2.1 面向?qū)ο蟮淖魑锾崛?/h3>

2.1.1 歸一化植被指數(shù)計(jì)算 歸一化植被指數(shù)(NDVI)的計(jì)算公式[25]：

式中：ρNIR表示近紅外波段的反射率，即Landsat 8/OLI影像的band 5；ρRED表示紅光波段的反射率，即Landsat 8/OLI影像的band 4。

計(jì)算獲取的各年份影像的NDVI值的基本統(tǒng)計(jì)量見表1。

表1 各年份NDVI值統(tǒng)計(jì)量

2.1.2 影像分割 影像分割技術(shù)是面向?qū)ο蠓诸惙椒ǖ幕A(chǔ)，ENVI 5.4軟件主要通過多尺度分割算法(Multiresolution Segmentation)實(shí)現(xiàn)影像的分割。影像的異質(zhì)性由對象的光譜和形狀的異質(zhì)性決定，其計(jì)算公式[23]為：

D=W1×Dcolor+W2×Dshape

式中：W1表示光譜信息的權(quán)重值，W2表示形狀信息的權(quán)重值，Dcolor表示光譜異質(zhì)性的值，Dshape表示形狀異質(zhì)性的值，其中W1+W2=1。

影像光譜異質(zhì)性的值為：

式中：wband表示各波段的權(quán)重值，Sband表示各波段的標(biāo)準(zhǔn)差值，n表示圖層數(shù)。

影像形狀的異質(zhì)性主要由光滑度和緊湊度衡量，其值為：

Dshape=W3×Dcompact+W4×Dsmooth

式中：W3表示緊湊度的權(quán)重值，W4表示平滑度的權(quán)重值，Dcompact表示緊湊度，Dsmooth表示平滑度，其中W3+W4=1。

影像分割與合并的尺度會(huì)影響農(nóng)作物提取的精度。通過不斷的試驗(yàn)和調(diào)整，最終影像分割模塊的參數(shù)設(shè)置：選擇基于邊緣檢測的分割算法，分割尺度為20；選擇Full Lambda Schedule的合并算法，合并尺度為10，其他相關(guān)參數(shù)依據(jù)ENVI 5.4軟件默認(rèn)設(shè)置完成。

2.1.3 作物種植信息提取 本研究對4期遙感影像中農(nóng)作物信息的提取主要采用基于規(guī)則特征的面向?qū)ο蟮奶崛》椒?。綜合利用不同農(nóng)作物的地物波譜、紋理、NDVI值、形狀、顏色的差異，依據(jù)樣本數(shù)據(jù)，挖掘與建立分類提取規(guī)則，實(shí)現(xiàn)春季農(nóng)作物提取。選取用于植被分析的6、5、4波段合成的影像，完成NDVI值的計(jì)算和影像的分割與合并后，根據(jù)不同時(shí)期影像中不同農(nóng)作物的特征，分別提取各期影像中當(dāng)年春季農(nóng)作物的種植面積。由于不同時(shí)期的遙感影像的光譜信息隨時(shí)間、環(huán)境因素而變化，因此針對4期影像分別建立各自的提取模型，實(shí)現(xiàn)春季農(nóng)作物種植面積的提取。

研究發(fā)現(xiàn)，對大蒜和小麥種植區(qū)提取影響最大的指標(biāo)是NDVI值，而形狀和紋理的影響權(quán)重相對較小[26-27]。4期遙感影像的光譜值具有一定的差異，依據(jù)專家經(jīng)驗(yàn)法和實(shí)地調(diào)研驗(yàn)證法，基于四期遙感數(shù)據(jù)計(jì)算所得的NDVI值，選擇適當(dāng)?shù)拇笏夂托←湗颖緮?shù)據(jù)，分析其光譜特征值的異同，獲取濟(jì)寧市春季農(nóng)作物提取模型其中的一個(gè)指標(biāo)參數(shù)。通過樣本數(shù)據(jù)的選取，發(fā)現(xiàn)生長期的大蒜在遙感影像上呈現(xiàn)墨綠色，而小麥呈現(xiàn)淺綠色、綠色的特征，以此作為各期遙感影像中大蒜和小麥種植區(qū)NDVI值域研究的基礎(chǔ)。各期影像中樣本數(shù)據(jù)的大蒜和小麥的NDVI值域曲線見圖3。

通過確定不同年份大蒜和小麥種植區(qū)NDVI的閾值，獲取各年份提取模型的關(guān)鍵指標(biāo)，并依據(jù)閾值結(jié)合實(shí)際情況分割大蒜和小麥的種植區(qū)。此外，提取各年份大蒜和小麥種植區(qū)時(shí)，還研究了不同年份農(nóng)作物波譜差異及影像中山體陰影、建筑屋頂、山體植被、裸土等干擾因子的影響，最終獲取不同年份作物提取模型(表2)。

結(jié)合不同年份影像的差異，排除其他主要因素對種植農(nóng)作物提取的影響，建立各年份的提取模型，提取四期農(nóng)作物種植區(qū)域。提取的結(jié)果見圖4。結(jié)果表明，春季大蒜的種植具有明顯的區(qū)域性，濟(jì)寧市大蒜的主要種植區(qū)位于金鄉(xiāng)縣及其鄰近縣域，而小麥在全市范圍內(nèi)都有較大面積的種植。

2.1.4 精度評價(jià) 濟(jì)寧市春季主要種植作物的提取精度主要通過面積精度和位置精度進(jìn)行評價(jià)[28]。面積精度主要依據(jù)每年濟(jì)寧市統(tǒng)計(jì)年鑒小麥的種植面積數(shù)據(jù)及大蒜近年的市場統(tǒng)計(jì)數(shù)據(jù)進(jìn)行評價(jià)。位置精度采用2017年3月對濟(jì)寧市小麥和大蒜種植區(qū)實(shí)地GPS采點(diǎn)驗(yàn)證的準(zhǔn)確度和Kappa系數(shù)來評價(jià)當(dāng)年提取的精度。

a1、b1、c1、d1分別為2014-2017年大蒜NDVI值域曲線；a2、b2、c2、d2分別為2014-2017年小麥NDVI值域曲線。圖3 各年份大蒜、小麥NDVI值域曲線Fig.3 The range curve of NDVI in each year

表2 各年份的農(nóng)作物提取模型

a:2014年春季農(nóng)作物提取結(jié)果;b:2015年春季農(nóng)作物提取結(jié)果;c:2016年春季農(nóng)作物提取結(jié)果;d:2017年春季農(nóng)作物提取結(jié)果。圖4 各年份春季農(nóng)作物提取結(jié)果Fig.4 The extraction results of spring crop in each year

目前能獲取2014年和2015年濟(jì)寧市統(tǒng)計(jì)年鑒小麥的種植面積數(shù)據(jù)，故以此作為2014年和2015年小麥種植面積提取精度的評價(jià)。將提取的2014年和2015年的小麥種植面積(A1)與統(tǒng)計(jì)年鑒的種植面積(A0)對比，獲得研究區(qū)域總量精度(Kr)。計(jì)算公式[29]：

經(jīng)計(jì)算2014年和2015年濟(jì)寧市小麥種植面積提取的面積精度見表3。如表3所示，因小麥種植區(qū)耕地形狀規(guī)則，作物單一，像元區(qū)分度較高，模型對Landsat 8/OLI影像中小麥種植面積提取的面積精度相對較高，2014年和2015年濟(jì)寧市總體小麥種植面積的提取結(jié)果的面積精度達(dá)95.64%和97.66%，各區(qū)縣小麥種植面積的精度均在90%左右。2017年提取小麥的精度采用位置精度評價(jià)，將2017年野外GPS采集的小麥種植區(qū)的定位點(diǎn)數(shù)據(jù)(65個(gè))與小麥種植面積提取結(jié)果進(jìn)行空間疊加分析，90.78%(59個(gè))的點(diǎn)在小麥提取的種植區(qū)內(nèi)，不在提取區(qū)內(nèi)的點(diǎn)主要是小麥種植稀疏的區(qū)域、種植區(qū)邊緣的道路。

同理，受大蒜種植面積統(tǒng)計(jì)數(shù)據(jù)的限制，2014年和2015年大蒜種植面積的提取精度只能通過省農(nóng)業(yè)廳統(tǒng)計(jì)的金鄉(xiāng)縣大蒜種植面積進(jìn)行評價(jià)，分析2014年和2015年大蒜的提取結(jié)果的面積精度達(dá)90.87%和91.14%。2017年大蒜的提取結(jié)果采用位置精度評價(jià)，2017年野外GPS采集的大蒜種植區(qū)的定位點(diǎn)數(shù)據(jù)(82個(gè))與大蒜種植面積提取結(jié)果進(jìn)行空間疊加分析，86.59%(71個(gè))的點(diǎn)在大蒜提取的種植區(qū)內(nèi)。

總體而言，小麥種植區(qū)的提取精度高于大蒜種植區(qū)的提取精度，其主要與大蒜和小麥光譜特征的差異有關(guān)系。濟(jì)寧市春季主要農(nóng)作物的提取精度均達(dá)85%以上，而2017年整體提取驗(yàn)證結(jié)果的Kappa系數(shù)為0.78，說明Landsat 8/OLI中分辨率影像應(yīng)用于該類農(nóng)作物種植面積變化監(jiān)測的精度能滿足需求。

2.2 農(nóng)作物種植面積監(jiān)測

2.2.1 農(nóng)作物種植面積時(shí)間動(dòng)態(tài)變化 通過對四期農(nóng)作物種植面積提取結(jié)果的分析，在2014-2017年里，濟(jì)寧市大蒜種植面積呈現(xiàn)先減少后增加的趨勢，而小麥種植面積則是先增加后減少，且波動(dòng)幅度較小，研究區(qū)春季主要農(nóng)作物的種植面積在四年內(nèi)的變化曲線如圖5所示。由于受到暴雪及病害等因素的影響，2015年大蒜種植面積明顯減少，而后大蒜的市場價(jià)格上漲，加之“大蒜之鄉(xiāng)”金鄉(xiāng)縣對鄰近區(qū)縣的帶動(dòng)作用，全市的大蒜種植面積呈逐年增長趨勢。小麥作為研究區(qū)種植的主要傳統(tǒng)農(nóng)作物，受土地的最大可種植面積限制，其種植面積總體上基本保持不變。而種植大蒜等其他作物帶來的土地競爭與局部區(qū)域的種植條件的改變，使得小麥的種植面積在小范圍內(nèi)呈現(xiàn)先增后減的趨勢。

分析濟(jì)寧市各區(qū)縣2014-2017年大蒜種植面積及年際變化率(表3)，大蒜種植區(qū)域主要集中在金鄉(xiāng)縣、魚臺縣和嘉祥縣，其種植面積的變化趨勢均為先減少后增加，在2015年達(dá)到四年中的最小值，這與全市大蒜種植面積的變化趨勢表現(xiàn)出高度的一致性，體現(xiàn)出了金鄉(xiāng)、魚臺、嘉祥3縣在濟(jì)寧市大蒜種植產(chǎn)業(yè)的主導(dǎo)地位。從2014-2017年，以上3縣的大蒜種植總面積分別占全市種植面積的87.61%、90.47%、91.85%和92.76%，呈逐年上升趨勢，而兗州區(qū)、汶上縣、曲阜縣、泗水縣的種植面積居全市末尾。由于大蒜種植面積較小的區(qū)縣受種植面積總量影響，種植面積的微小變化都會(huì)出現(xiàn)較大的年際變化率，2014-2015年其種植面積年際變化率較大的區(qū)縣主要體現(xiàn)在泗水縣、兗州區(qū)，2015-2016年種植面積年際變化較大的區(qū)縣是任城區(qū)、曲阜縣、泗水縣，2016-2017年種植面積年際變化較大的區(qū)縣是曲阜縣、兗州區(qū)、微山縣。

a:小麥種植面積變化;b:大蒜種植面積變化。圖5 2014-2017年春季農(nóng)作物種植面積變化曲線Fig.5 Variation curve of crop planting area in the spring from 2014 to 2017

表3 濟(jì)寧市各區(qū)縣大蒜種植面積年際變化

如表4所示，濟(jì)寧市各區(qū)縣2014-2017年小麥種植面積年際變化較小，呈基本穩(wěn)定狀態(tài)。在各區(qū)縣中，嘉祥縣的小麥種植面積為歷年最多，占比達(dá)15%左右；金鄉(xiāng)縣為歷年最少，僅占全市小麥種植面積的2%左右。對比大蒜和小麥種植面積的變化，可以發(fā)現(xiàn)，大多數(shù)區(qū)縣在大蒜種植面積減少的年份，小麥的種植面積會(huì)有一定程度的增加，該情況在嘉祥縣和魚臺縣較為明顯。嘉祥、魚臺2縣基本實(shí)現(xiàn)了大蒜和小麥的協(xié)調(diào)生產(chǎn)，其中魚臺縣2017年大蒜種植面積約占全市的23.9%，小麥占比7.2%左右。另2014-2015年小麥種植面積年際變化率較大的區(qū)縣是金鄉(xiāng)縣，2015-2016年小麥種植面積年際變化率較大的區(qū)縣是任城區(qū)，2016-2017年小麥種植面積年際變化率較大的區(qū)縣是金鄉(xiāng)縣，由此可知?dú)v年小麥種植面積年際變化最大的區(qū)縣主要是大蒜的主產(chǎn)縣金鄉(xiāng)縣，該區(qū)縣受大蒜種植面積及小麥整體種植面積較少的影響，小麥種植面積年際變化率相對較大。

表4 濟(jì)寧市各區(qū)縣小麥種植面積年際變化

2.2.2 農(nóng)作物種植面積空間動(dòng)態(tài)變化 從濟(jì)寧市2014-2017年春季農(nóng)作物空間分布圖(圖6)可以看出，大蒜主要分布在濟(jì)寧市西南部的金鄉(xiāng)縣和魚臺縣。而微山湖占據(jù)了微山縣大部分土地面積，使得該縣不具備大面積種植大蒜的地理?xiàng)l件，只在北部地區(qū)有少量分布。大蒜在固定種植區(qū)內(nèi)各年份有一定量的新增種植區(qū)，種植區(qū)域呈增加的趨勢。其他各區(qū)縣的大蒜種植面積較少，在空間上的變化不大。

從全市來看，與2014年相比，2015年大蒜種植面積受暴雪天氣的影響減少了11 268 hm2，減少率達(dá)16.34%，是近年來大蒜種植規(guī)模縮減最大的年份。2016年，在政策和市場的雙重影響下，大蒜種植規(guī)模大幅度回升，新增種植面積約16 733 hm2，增長率達(dá)28.67%。2017年種植面積繼續(xù)增長，新增種植土地約10 168 hm2，增長率14.90%。2014-2017年，大蒜種植面積凈增長4 807 hm2。

同大蒜相比，小麥在濟(jì)寧市的種植有著更為悠久的歷史，在農(nóng)業(yè)生產(chǎn)上占據(jù)著不可動(dòng)搖的地位，所以小麥的種植分布格局變化不大，主要分布在濟(jì)寧市的中部、北部和西北部等地勢平坦的地區(qū)，南部沿微山湖地區(qū)也有一定分布。近3年，小麥種植保持區(qū)的面積每年均達(dá)到了 3.2×105hm2左右，新增小麥種植面積累計(jì)約137 851 hm2，退出小麥種植的土地面積累計(jì)約107 326 hm2，凈增種植面積約為5 623 hm2，增加率為1.59%。

分析圖7各年份大蒜和小麥種植重心偏移情況，2014年至2016年，由于大蒜種植大縣——金鄉(xiāng)縣的帶動(dòng)作用，其種植區(qū)域向北部的嘉祥縣以及魚臺縣的中東部地區(qū)延伸，呈現(xiàn)出較大的重心偏移，2015年向東北方向偏移14.27 km，2016年向東南方向偏移，偏移幅度達(dá)到了23.22 km。2017年，由于受土地總面積限制、自然條件變化等各方面因素的影響，大蒜的種植重心較2016年無明顯偏移。由此說明金鄉(xiāng)縣對周邊臨縣大蒜種植的帶動(dòng)性較強(qiáng)，大蒜的種植面積在全市呈現(xiàn)持續(xù)緩慢增長的趨勢，屬緩慢增長的種植發(fā)展類型。而小麥作為傳統(tǒng)的種植農(nóng)作物，其種植重心呈現(xiàn)穩(wěn)定的狀態(tài)，逐年對比可知，小麥種植重心在各年份的偏移方向均不相同，但偏移幅度較小，即使是出現(xiàn)最大偏移的2015年，其偏移量僅為9.17 km。至2017年，重心偏移幅度下降至3.86 km。由此說明小麥在全市的種植區(qū)域較均衡穩(wěn)定，屬平衡種植的發(fā)展類型。

圖6 2014-2017年濟(jì)寧市春季農(nóng)作物空間動(dòng)態(tài)變化Fig.6 Spatial dynamics of spring crops area in Jining from 2014 to 2017

圖7 2014-2017年濟(jì)寧市春季農(nóng)作物種植重心偏移示意圖Fig.7 The shift of planting centre of spring crops in Jining from 2014 to 2017

3 討 論

濟(jì)寧市春季主要農(nóng)作物大蒜的種植具有區(qū)域性，主要種植在金鄉(xiāng)縣及其臨近縣域周邊，而小麥在全市各區(qū)縣有較大的面積種植區(qū)，其中嘉祥縣的種植面積相對最多。在時(shí)間層面上，2014-2017年濟(jì)寧市大蒜種植面積呈現(xiàn)先減少后增加的趨勢，而小麥種植面積則呈先增加后減少的趨勢，且波動(dòng)幅度較小。在空間層面上，2014-2017年大蒜種植面積除2015年受暴雪影響，原有種植面積有所縮減外，其他年份呈增長趨勢。而小麥種植區(qū)域變動(dòng)幅度較小，其每年固定種植區(qū)面積達(dá) 3.2×105hm2左右。研究期內(nèi)4年大蒜種植重心偏移量較大，2015年和2016年重心偏移距離達(dá)14.27 km、23.22 km，種植區(qū)對周邊非種植區(qū)的帶動(dòng)性較大。而小麥種植重心偏移幅度較小，僅在種植重心周邊小范圍內(nèi)波動(dòng)，在全市范圍屬較平衡種植的發(fā)展?fàn)顟B(tài)。

利用遙感技術(shù)對農(nóng)作物種植面積進(jìn)行識別和監(jiān)測是遙感應(yīng)用領(lǐng)域的重要研究內(nèi)容，也是農(nóng)業(yè)部門及時(shí)掌握當(dāng)年作物耕種情況的有效手段。由于面向?qū)ο蟮奶崛》椒ㄗ詣?dòng)化程度高、面積提取精度高、提取結(jié)果穩(wěn)定,已應(yīng)用于農(nóng)作物種植面積的遙感監(jiān)測[30]。本研究基于面向?qū)ο蠓诸惙椒ń⒌臐?jì)寧市大蒜提取模型精度達(dá)85%以上，小麥提取模型精度達(dá)90%以上，佐證了面向?qū)ο蠓诸惙椒ㄔ谵r(nóng)作物種植面積監(jiān)測的準(zhǔn)確性、有效性，該研究結(jié)果精度比利用MODIS遙感數(shù)據(jù)對該區(qū)域小麥面積的估算精度更準(zhǔn)確[31]，此方法可移植于其他地區(qū)主要農(nóng)作物種植面積的提取研究。

Landsat 8/OLI中分辨率的影像在進(jìn)行農(nóng)作物種植面積提取及監(jiān)測時(shí)，精度基本滿足農(nóng)業(yè)部門對農(nóng)作物監(jiān)測的需求，且獲取容易，處理速度快，可作為農(nóng)作物遙感監(jiān)測的主要數(shù)據(jù)源。但農(nóng)作物種植區(qū)鄰近的小道及田坎部分容易被生長的農(nóng)作物覆蓋，且其光譜、形狀特征與作物的特征近似，易被提取為農(nóng)作物種植區(qū)，一定程度的影響提取精度，如何去除這些影響因素有待進(jìn)一步研究。

本研究對不同年份的農(nóng)作物種植面積提取時(shí)，因不同年份影像的光譜信息隨時(shí)間、環(huán)境等因素而變化，分別建立各自年份的提取模型，保證了農(nóng)作物種植面積提取結(jié)果的準(zhǔn)確性，該方法可為后續(xù)其他農(nóng)作物種植面積的提取研究提供參考。在監(jiān)測分析農(nóng)作物種植面積的空間變化時(shí)，本研究首次將種植重心引入并借助標(biāo)準(zhǔn)差橢圓分析全市各農(nóng)作物種植重心的變化，探索單類農(nóng)作物種植的整體趨向，有利于更準(zhǔn)確地把握分析全市單類農(nóng)作物種植的重心、動(dòng)向及各區(qū)縣農(nóng)作物種植的互相帶動(dòng)性，以便落實(shí)下一年度糧種補(bǔ)貼，制定合理穩(wěn)定的農(nóng)業(yè)扶持政策，促進(jìn)增收增產(chǎn)。

參考文獻(xiàn)：

[1] 顧本文,吉文娟. 灰色關(guān)聯(lián)度分析在云南小春作物產(chǎn)量預(yù)報(bào)中的應(yīng)用[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2006, 24(3):45-48.

[2] 許文波,張國平,范錦龍,等. 利用MODIS遙感數(shù)據(jù)監(jiān)測冬小麥種植面積[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(12):144-149.

[3] VAN NIEL T G, MCVICAR T R. Determining temp oral windows for crop discrimination with remote sensing: a case study in south-eastern Australia[J]. Computers & Electronics in Agriculture,2004, 45(1-3):91-108.

[4] 馮雪力，劉廷璽，吳世新．基于遙感抽樣的新疆農(nóng)區(qū)耕地利用率及其空間分異特征[J].江蘇農(nóng)業(yè)科學(xué)，2017,45(12):205-208.

[5] 林子晶，李衛(wèi)國，申雙和，等． HJ星和GF1號數(shù)據(jù)在水稻種植面積提取中的應(yīng)用[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2016,32(1):111-117.

[6] 胡顯偉， 汪 彪. 基于多時(shí)相資源一號04星多光譜影像的土地利用分類 ——以海南西北部地區(qū)為例[J]．南方農(nóng)業(yè)學(xué)報(bào) ，2016，47(10)：1807-1813.

[7] 單 捷，孫 玲，于 堃，等．基于不同時(shí)相高分一號衛(wèi)星影像的水稻種植面積監(jiān)測研究[J].江蘇農(nóng)業(yè)科學(xué)，2017,45(22):229-232.

[8] 李 峰，謝 磊，王 昊，等. 基于GF-1影像的冬小麥面積提取及年際變化動(dòng)態(tài)監(jiān)測[J].山東農(nóng)業(yè)科學(xué)，2017,49(8):139-144.

[9] 馬 麗,顧曉鶴,徐新剛,等. 地塊數(shù)據(jù)支持下的玉米種植面積遙感測量方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(8):147-151.

[10] 王久玲,黃進(jìn)良,王立輝,等. 面向?qū)ο蟮亩鄷r(shí)相HJ星影像甘蔗識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(11):145-151.

[11] 黃健熙,侯矞焯,蘇 偉,等. 基于GF-1 WFV數(shù)據(jù)的玉米與大豆種植面積提取方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(7):164-170.

[12] BAATZ M, SCHAPE A. Object-Oriented and multi-scale image analysis in semantic networks. Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing[C]. Enschede: ITC,1999.

[13] GAO YAN, MAS J F, MAATHUIS B H P, et al. Comparison of pixel-based and object-oriented image classification approaches-a case study in a coal fire area, Wuda, Inner Mongolia, China[J]. International Journal of Remote Sensing, 2006, 27(18):4039-4055.

[14] 羅開盛,李仁東,常變?nèi)?等. 面向?qū)ο蟮暮笔⊥恋馗脖蛔兓b感快速監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(24):260-267.

[15] 肖 艷,姜琦剛,王 斌,等. 基于Relief F和PSO混合特征選擇的面向?qū)ο笸恋乩梅诸怺J].農(nóng)業(yè)工程學(xué)報(bào), 2016,32(4):211-216.

[16] 李衛(wèi)國,蔣 楠. 基于面向?qū)ο蠓诸惖亩←湻N植面積提取[J]. 麥類作物學(xué)報(bào), 2012, 32(4):701-705.

[17] 易鳳佳,李仁東,常變?nèi)?等. 面向?qū)ο蟮那鹆陞^(qū)水田遙感識別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(11):186-193.

[18] 莫利江,曹 宇,胡遠(yuǎn)滿,等. 面向?qū)ο蟮臐竦鼐坝^遙感分類——以杭州灣南岸地區(qū)為例[J]. 濕地科學(xué), 2012, 10(2):206-213.

[19] 崔一嬌,朱 琳,趙力娟,等. 基于面向?qū)ο蠹肮庾V特征的植被信息提取與分析[J]. 生態(tài)學(xué)報(bào), 2013, 33(3):867-875.

[20] 呂建樹,吳泉源,張祖陸,等. 基于RS和GIS的濟(jì)寧市土地利用變化及生態(tài)安全研究[J]. 地理科學(xué),2012,32(8):928-935.

[21] 賈明明,王宗明,張 柏,等. 綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2014,39(3):305-310.

[22] 鄧書斌,陳秋錦,杜會(huì)建，等.ENVI遙感圖像處理方法(第2版)[M].北京:高等教育出版社,2014.

[23] 張 森,陳健飛,龔建周. 面向?qū)ο蠓诸惖臎Q策樹方法探討——以Landsat-8OLI為例[J]. 測繪科學(xué),2016,41(6):117-121,125.

[24] 楊述平. 歸一化植被指數(shù)測量技術(shù)研究[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2004,12(3):329-333.

[25] ROUSE J W J, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with erts[J]. Nasa Special Publication, 1974, 351:309.

[26] 黃慧萍. 面向?qū)ο笥跋穹治鲋械某叨葐栴}研究[D].北京：中國科學(xué)院,2003.

[27] 胡 瓊,吳文斌,宋 茜,等. 農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J]. 中國農(nóng)業(yè)科學(xué),2015,48(10):1900-1914.

[28] 余凌翔,朱 勇,魯韋坤,等．基于HJ-1CCD遙感影像的西雙版納橡膠種植區(qū)提取[J]. 中國農(nóng)業(yè)氣象,2013,34(4):493-497.

[29] 李曉錦. 基于混合像元分解的植被覆蓋度估算及動(dòng)態(tài)變化分析[D].西安：西北大學(xué),2011.

[30] 王利民,劉 佳,楊玲波,等. 基于NDVI加權(quán)指數(shù)的冬小麥種植面積遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(17):127-135.

[31] 張 軍. 基于MODIS遙感數(shù)據(jù)的山東省濟(jì)寧市冬小麥面積估算研究[D].南京：南京大學(xué),2012.