張小媛 林陳捷 朱明幫 夏子清 胡月明

摘要：根據(jù)文獻資料，歸納總結(jié)了遙感耕地質(zhì)量評價、作物光譜在耕地質(zhì)量評價的應(yīng)用、耕地質(zhì)量作物光譜響應(yīng)3個方面的研究概況。總結(jié)得出，目前遙感耕地質(zhì)量評價是基于遙感技術(shù)下的多層次內(nèi)容，其中包括耕地質(zhì)量評價的遙感指標提取、耕地作物信息提取、作物生物生化參數(shù)反演等方面;同時指出在現(xiàn)有的研究中，存在耕地質(zhì)量與作物光譜的響應(yīng)機制仍不明晰等問題。在今后研究中，有必要探索耕地質(zhì)量與不同類型作物的內(nèi)在關(guān)聯(lián)與響應(yīng)機制，為實現(xiàn)快速、準確的遙感耕地質(zhì)量評價提供新的理論基礎(chǔ)。

關(guān)鍵詞：遙感;耕地質(zhì)量;作物;光譜響應(yīng);評價;信息獲取;研究進展

中圖分類號：F323.211;S127 ??文獻標志碼： A

文章編號：1002-1302（2022）02-0001-07

收稿日期：2021-05-07

基金項目：國家重點研發(fā)計劃（編號：2020YFD1100203）;廣東省科技興農(nóng)-農(nóng)業(yè)科技創(chuàng)新及推廣項目（編號：2020KJ102-3）;四川省科技計劃（編號：2020YFG0033）。

作者簡介：張小媛（1998—），女，廣東汕尾人，碩士研究生，主要從事土地利用與地理信息系統(tǒng)相關(guān)研究。E-mail：young21202@163.com。

通信作者：胡月明，博士，教授，主要從事土地資源監(jiān)測評價相關(guān)研究。E-mail：yueminghugis@163.com。

耕地是土地資源中的精華，耕地質(zhì)量直接關(guān)系到糧食安全、社會穩(wěn)定和長遠發(fā)展。及時掌握耕地實際狀況，客觀并利用先進技術(shù)方法評價復(fù)雜的耕地質(zhì)量至關(guān)重要[1-3]?，F(xiàn)有耕地存在面積范圍廣、定點監(jiān)測面積小、人為投入大、土壤污染反饋滯后等問題，而利用遙感手段可以大面積、快速、實時獲取有效耕地信息，從而節(jié)省人力、物力，有效把握耕地變化動態(tài)[4-6]。利用遙感技術(shù)快速監(jiān)測評價區(qū)域耕地質(zhì)量變化，是現(xiàn)行耕地質(zhì)量評價方法的一大助力，對區(qū)域經(jīng)濟發(fā)展、農(nóng)業(yè)生產(chǎn)、糧食安全、生態(tài)環(huán)境保護以及可持續(xù)發(fā)展具有重要意義[7-9]。

目前通過遙感高光譜技術(shù)可以獲取較多指標，如植被指數(shù)、植物凈初級生產(chǎn)力（NPP）、光譜反射率等，而作物的光譜信息僅作為反演耕地質(zhì)量相關(guān)指標的手段之一[10-12]。已有的研究少有從作物光譜響應(yīng)與耕地質(zhì)量的角度直接研究兩者的相關(guān)性。針對現(xiàn)有的問題，本文從遙感耕地質(zhì)量評價、作物光譜在耕地質(zhì)量評價的應(yīng)用、耕地質(zhì)量作物光譜響應(yīng)3個方面進行總結(jié)分析，以期展望耕地質(zhì)量評價與作物光譜響應(yīng)的研究思路。

1 基于遙感技術(shù)的耕地質(zhì)量研究

1.1 基于遙感技術(shù)獲取評價指標

20世紀60年代以后，隨著遙感技術(shù)（RS）、地理信息系統(tǒng)（GIS）技術(shù)、信息技術(shù)、最優(yōu)化計算等技術(shù)的發(fā)展，國外土地生產(chǎn)力定量模擬模型的應(yīng)用更加廣泛;這一階段，耕地質(zhì)量評價已經(jīng)開始步入半定量、基本定量化時期[13]。

遙感信息覆蓋面積大、實時性和現(xiàn)勢性強、速度快、周期性強、準確可靠，因此遙感技術(shù)已成為進行土地利用研究的重要技術(shù)手段，通過遙感數(shù)據(jù)提取出耕地信息，獲取評價指標，對更新土地利用圖、準確確定耕地空間分布、分析耕地地力狀況有較高的參考價值。

例如，在土壤重金屬含量的研究中，Kooistra 等利用紅外反射光譜和偏最小二乘回歸法（PLSR） 預(yù)測了土壤鎘（Cd）、鋅（Zn）含量[14]。Kemper 等利用土壤反射光譜預(yù)測了西班牙 Aznalcollar 礦區(qū)土壤砷（As）、汞（Hg）、鉛（Pb ）、鐵（Fe） 元素的含量[15]。李巨寶等利用偏最小二乘回歸法模型，建立了農(nóng)田土壤中鐵、鋅、硒（Se） 含量與土壤反射光譜的對應(yīng)關(guān)系，探討了應(yīng)用高光譜遙感技術(shù)定量監(jiān)測土壤重金屬含量的可行性[16]。在耕地質(zhì)量綜合評價中，于曉靜對黑龍江省肇東市耕地質(zhì)量進行了評價，從中分辨率成像光譜儀（MODIS）植被指數(shù)產(chǎn)品中提取出歸一化植被指數(shù)（NDVI）作為評價因素，其余因子如坡度、土壤類型、耕層厚度、障礙層厚度、pH值及有機質(zhì)、全氮、有效磷、速效鉀含量等指標均來自野外采樣、專題圖等非遙感數(shù)據(jù)[17]。

在應(yīng)用遙感技術(shù)進行耕地質(zhì)量識別的指標可行性研究方面，楊建鋒等以美國陸地衛(wèi)星Landsat-5 TM的多光譜遙感影像為數(shù)據(jù)源，通過建立反演模型和實地驗證，得出如下結(jié)論：土壤有機質(zhì)含量、地形坡度、表層土壤質(zhì)地、灌溉保證率和排水條件這 5 個指標可以通過遙感影像進行反演識別（其中灌溉保證率和排水條件的影像資料獲取較難），而剖面構(gòu)型、障礙層次和土壤 pH 值等 3 個指標通過遙感識別的準確度較低[18]。

綜合已有研究，目前能夠用遙感獲取的評價因子主要可以歸納為土壤有效養(yǎng)分、重金屬含量、作物屬性、氣候因子、立地條件等，具體內(nèi)容見表1。

1.2 基于遙感技術(shù)的耕地質(zhì)量評價

常規(guī)的耕地質(zhì)量評價方法主要以經(jīng)驗判斷、數(shù)理統(tǒng)計等定性、定量的方法為基礎(chǔ)。前期采用單位糧食產(chǎn)量與耕地地力共同確定耕地質(zhì)量等級，但忽略了其他自然與人為因素，此后在耕地質(zhì)量評價指標中陸續(xù)加入立地條件、土壤質(zhì)量、耕地質(zhì)量等[19-20]。也用到人為的賦值與判斷，如農(nóng)業(yè)部發(fā)布的NY/T 1634—2008《耕地地力調(diào)查與質(zhì)量評價技術(shù)規(guī)程》、美國土地評價與立地分析系統(tǒng)（land evaluation and site analysis system，簡稱LESA）中均有提到運用特菲爾法、層次分析法等[21]。但這類方法存在定量數(shù)據(jù)較少、受決策者主觀影響較大、指標過多難以確定指標的權(quán)重、計算量過大等缺點。此后，以模糊數(shù)學為基礎(chǔ)的評價方法用于農(nóng)田地力、耕地質(zhì)量、土壤質(zhì)量和耕地質(zhì)量[22]。但該方法有一定的局限性，信息過于簡單會導(dǎo)致系統(tǒng)精度過低，對較為復(fù)雜的系統(tǒng)不能完全的控制[23]。

為了改善評價方法存在的局限性，學者們從生物進化及仿生學中受到啟發(fā)，借鑒自然現(xiàn)象通過研究自然界規(guī)律構(gòu)建仿生算法，提出許多啟發(fā)式的智能優(yōu)化方法。近年來機器學習算法如神經(jīng)網(wǎng)絡(luò)算法、遺傳算法、支持向量機等被用來進行分類評價[24-26]，它們?yōu)榻鉀Q許多復(fù)雜優(yōu)化問題提供了嶄新的途徑。神經(jīng)網(wǎng)絡(luò)算法雖然克服了傳統(tǒng)方法的主觀隨意性等缺陷，但是智能評價方法同樣存在一定的不足，如神經(jīng)網(wǎng)絡(luò)模型存在過度擬合、學習過程慢、可能陷入局部極小點、黑箱運行難以對結(jié)果進行解釋等問題，影響輸出結(jié)果的準確性。遺傳算法對初始種群的選擇有一定的依賴性，有許多參數(shù)的選擇大部分是依靠經(jīng)驗，如交叉率和變異率，并且這些參數(shù)的選擇嚴重影響了解的品質(zhì)。支持向量機方法在大規(guī)模訓(xùn)練樣本中難以實施，對解決多分類問題存在一定的困難。

基于遙感手段的耕地質(zhì)量評價方法是基于常規(guī)評價方法的基礎(chǔ)上，以遙感成像機制為基礎(chǔ)，用遙感技術(shù)方法，與常規(guī)耕地質(zhì)量評價對應(yīng)的耕地質(zhì)量信息提取、反演。與常規(guī)耕地質(zhì)量評價法相比，遙感耕地質(zhì)量評價法在尺度、精度、方法模型、試驗統(tǒng)計等方面都有很大的不同，在能反映耕地質(zhì)量的眾多因子中，部分因子能被遙感技術(shù)直接或間接的反演（表1）。基于現(xiàn)有的耕地質(zhì)量評價體系的復(fù)雜性、高成本、周期長，利用遙感技術(shù)評價耕地質(zhì)量的方法，構(gòu)建基于遙感的耕地質(zhì)量評價與監(jiān)測體系，可以為耕地質(zhì)量評價提供一個全新的模式。

目前，學者開始利用遙感衛(wèi)星獲取耕地質(zhì)量的部分指標，如有機質(zhì)含量、地形坡度、表層土壤質(zhì)地等。主要是利用 GIS 和 RS技術(shù)，通過數(shù)學和決策模型對評價因子、評價因子權(quán)重的確定和耕地分等定級，形成比較成熟的半定量耕地質(zhì)量評價方法體系[27]。如伍育鵬等提出了一種用標準樣地進行耕地質(zhì)量動態(tài)監(jiān)測與預(yù)警的方法，該方法以標準樣地的質(zhì)量因素體系為控制，同時結(jié)合社會經(jīng)濟因素和區(qū)位因素，確定影響耕地質(zhì)量變化的易變因子，根據(jù)動態(tài)監(jiān)測的需要進行定期連續(xù)的野外調(diào)查和數(shù)據(jù)采集，結(jié)合遙感時相數(shù)據(jù)提取指標值，設(shè)定耕地質(zhì)量變化的閾值和變化監(jiān)測的時間間隔參數(shù)，對耕地質(zhì)量進行動態(tài)監(jiān)測[28]。馬佳妮等以多源遙感數(shù)據(jù)為基礎(chǔ)，從地學特征、土壤特性、環(huán)境狀況、建設(shè)水平和生物多樣性等5個維度，構(gòu)建基于多源遙感的耕地質(zhì)量評價指標體系，實現(xiàn)耕地質(zhì)量信息的實時、大范圍獲取[29]。結(jié)果表明，利用遙感技術(shù)提取評價指標表現(xiàn)出高精度的優(yōu)勢，同時將柵格作為評價的基本單元能夠使得耕地質(zhì)量的局部信息得以詳細表達，有著清晰的層次;但是不能用遙感技術(shù)提取全部的指標，而且由于沒有考慮尺度轉(zhuǎn)換問題，獲取的耕地質(zhì)量指標數(shù)據(jù)太粗糙，誤差較大，從而影響耕地質(zhì)量評價精度。

也有學者嘗試利用遙感技術(shù)進行耕地質(zhì)量評價，但評價方法并未完善。如方琳娜等利用2004年SPOT衛(wèi)星多光譜影像，構(gòu)建基于RS技術(shù)的耕地質(zhì)量評價指標體系[30]。根據(jù)壓力-狀態(tài)-響應(yīng)框架（PSR）構(gòu)建評價模型，從SPOT多光譜影像中提取5項耕地質(zhì)量評價因子（坡度、土壤退化指數(shù)、土壤肥力指數(shù)、土壤水分指數(shù)、土地利用程度），進行耕地質(zhì)量評價。但是PSR建立的遙感評價體系并不完善，它沒有考慮土地經(jīng)濟及土地健康等指標，而且利用各種植被指數(shù)表征土壤退化指數(shù)、土壤肥力指數(shù)、土壤水分指數(shù)，這種方法問題較多，如利用差值植被指數(shù)（DVI）來代表土壤含水量，在地物單一的地區(qū)，建立植被指數(shù)和土壤含水量有一定相關(guān)性，但在地物復(fù)雜的區(qū)域不可行;另外對于裸土耕地來說，DVI無法使用。而若用比值植被指數(shù)（RVI）代表退化指數(shù)，在研究拋荒地時由于野生植被的生長，RVI可能很小也可能很大，無法表征耕地是否退化。王銘鋒等基于GIS與RS技術(shù)，結(jié)合三峽庫區(qū)區(qū)域特點，從自然質(zhì)量、區(qū)位條件、生態(tài)安全、空間形態(tài)4個層面選取指標，構(gòu)建三峽庫區(qū)耕地質(zhì)量綜合評價指標體系，對庫區(qū)耕地質(zhì)量進行評價與分類，并利用統(tǒng)計數(shù)據(jù)對研究結(jié)果進行驗證，但并沒有闡述選取指標的代表性程度，而且沒有對耕地質(zhì)量進行多尺度的評價，特別是沒有從時間尺度上分析耕地質(zhì)量動態(tài)變化，從而影響了評價精度[31]。

現(xiàn)階段相關(guān)研究以土壤、作物等與耕地相關(guān)的信息對區(qū)域耕地進行某種角度、程度上的判別和運用。遙感技術(shù)的引進使得耕地質(zhì)量評價精度大大提高，但其中大多從方法模型出發(fā)，優(yōu)化（修正）已有模型參數(shù)，使得模型在參數(shù)獲取、參數(shù)質(zhì)量等方面更進一步體現(xiàn)耕地質(zhì)量的表征情況。下一步研究應(yīng)在此基礎(chǔ)上，加大遙感技術(shù)前提下的耕地質(zhì)量宏觀把控，突破常規(guī)手段的短板，利用持續(xù)不斷發(fā)展的光譜技術(shù)，完善評價方法和評價體系。

2 作物遙感光譜技術(shù)應(yīng)用

2.1 基于遙感的耕地作物信息獲取

通過遙感光譜技術(shù)獲取作物參數(shù)進行大范圍的作物產(chǎn)量估產(chǎn)，可以為國家和區(qū)域發(fā)展提供重要的基礎(chǔ)信息，在確保國家糧食安全和調(diào)整種植業(yè)結(jié)構(gòu)等方面具有重要意義[32]。歐盟在1987年提出農(nóng)業(yè)遙感監(jiān)測（monitoring agricultural with remote sensing，簡稱MARS）計劃，以準確獲取作物相關(guān)信息[33]。在我國，早在1979年陳述彭先生便開始倡導(dǎo)農(nóng)業(yè)遙感產(chǎn)量估產(chǎn)，國家也從1985年起開始將作物估產(chǎn)列為重要課題[34]。

傳統(tǒng)的作物類型、產(chǎn)量等信息的獲取以統(tǒng)計上報和抽樣調(diào)查為主，但對統(tǒng)計數(shù)據(jù)過度依賴，存在主觀性強、誤差大和費力耗時且缺乏空間分布等問題。遙感技術(shù)作為新型對地觀測技術(shù)，因宏觀性、綜合性和動態(tài)性的特點，可實現(xiàn)在不同時空尺度下對區(qū)域農(nóng)作物信息的獲取[35-36]。不同衛(wèi)星平臺、不同傳感器和不同時空分辨率的遙感數(shù)據(jù)已廣泛應(yīng)用于農(nóng)作物信息提取中，研發(fā)了很多針對單一類型的農(nóng)作物信息監(jiān)測技術(shù)方法[37-38]。

基于遙感光譜技術(shù)的作物估產(chǎn)，與傳統(tǒng)的農(nóng)學預(yù)報、統(tǒng)計預(yù)報、氣象預(yù)報等作物估算方法不同，它是引入光譜原理，通過遙感技術(shù)獲取作物信息及相關(guān)參數(shù)，在宏觀尺度上實現(xiàn)作物產(chǎn)量信息的快速和準確提取，簡化作物產(chǎn)量估算過程，提高作物估算結(jié)果可靠性的方法?；诓煌魑镌诓煌诘墓庾V特征差異，利用作物生育期的遙感影像記錄的地表信息，識別作物類型并提取種植面積、監(jiān)測作物長勢，進而評估作物產(chǎn)量的過程，主要包括作物識別和作物估產(chǎn)2個過程[39]。

2.1.1 作物識別 精確地識別作物種植情況也是農(nóng)業(yè)遙感一直關(guān)注的主要問題之一。而利用多時相遙感監(jiān)測的時相變化特征也是識別作物類型的關(guān)鍵因素。Panigrahy等用GIS技術(shù)和RS數(shù)據(jù)對耕地復(fù)種指數(shù)進行了深入研究[40]。陳沈斌等對我國主要糧食產(chǎn)區(qū)農(nóng)作物的遙感估產(chǎn)進行了研究，簡單分析了不同種類、不同地區(qū)的農(nóng)作物估產(chǎn)實施方案[41]。馮美臣等利用MODIS數(shù)據(jù)與Landsat衛(wèi)星數(shù)據(jù)相結(jié)合的方法對冬小麥面積變化和生長趨勢進行了研究[42]。

作物時序植被指數(shù)數(shù)據(jù)（植被指數(shù)[43]、葉綠素[44]、葉面積指數(shù)[45]等）可表征作物的季相節(jié)律特征，跟蹤作物生長的動態(tài)軌跡以直觀地反映作物從播種、出苗至成熟等過程[46]。因此，作物的遙感識別主要是依據(jù)作物的光譜差異和物候差異。

基于低空間分辨率遙感衛(wèi)星的時間序列遙感影像，分析比較不同農(nóng)作物單一或多特征參量的光譜-時序曲線特征，開展全球尺度、大區(qū)域農(nóng)作物種植結(jié)構(gòu)提取是目前最為常用的技術(shù)方法[47-49]。楊武德等通過對Landsat TM 影像進行監(jiān)督分類，完成了2001年山西省運城市冬小麥種植面積的識別和提取[50]?，F(xiàn)階段相關(guān)領(lǐng)域已經(jīng)發(fā)展到運用模糊數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)以及決策樹等識別方法，如熊勤學等通過構(gòu)建MODIS-NDVI 的時序特征，利用分層方法和反向傳播（BP）神經(jīng)網(wǎng)絡(luò)法，提取了江陵縣中稻、晚稻、棉花的種植空間分布[51]。由于受影像空間分辨率的制約，異物同譜和同物異譜現(xiàn)象易導(dǎo)致作物識別精度不高，且工作量大，只適合于中小尺度的作物面積監(jiān)測。

基于不同作物的光譜特征，通過提取特征波長、分析光譜曲線變化，增強光譜特征空間的分離性，充分挖掘作物在空間分布上的變化特征，構(gòu)建作物的光譜特征集[52]。如張初等采用近紅外高光譜圖像技術(shù)提取西瓜種子的光譜反射率，運用連續(xù)投影算法進行特征波長選擇，并基于特征波長建立了特征集[53]?；蛑苯舆\用高光譜影像，基于面向像元進行作物識別分類，如劉磊等利用Landsat TM影像，提取了呼倫貝爾地區(qū)農(nóng)業(yè)種植區(qū)內(nèi)冬小麥、大麥、油菜等作物的空間分布[54]?；诿嫦?qū)ο蟮淖魑镒R別，綜合考慮對象的光譜特征，如范磊等利用ALOS衛(wèi)星AVNIR-2傳感器影像和面向?qū)ο蠓椒?，結(jié)合植被指數(shù)獲取植被信息，對影像進行分割，提取冬小麥及種植面積[55]。此類方法充分利用了對象的光譜特征，并結(jié)合了紋理特征等進行分析，能有效減少異物同譜和同物異譜現(xiàn)象的影響，獲得更高的識別精度。

2.1.2 作物估產(chǎn) 作物產(chǎn)量估計方面的相關(guān)研究中，最初大多數(shù)是集中于紅光和近紅外及中紅外的特征波段研究，基于特征波段，將各波段組成的不同形式的植被指數(shù)與生物量進行相關(guān)分析，建立估產(chǎn)模型，如任建強等利用AVHRR傳感器NDVI數(shù)據(jù)與冬小麥產(chǎn)量的統(tǒng)計數(shù)據(jù)，分別基于冬小麥產(chǎn)量形成關(guān)鍵期內(nèi)各月NDVI數(shù)據(jù)和產(chǎn)量形成關(guān)鍵期累積NDVI構(gòu)建了產(chǎn)量模型[56]。Jiang等提取了河南省冬小麥NDVI，探討NDVI與作物生長狀況相互作用的原理，并分析了NDVI與冬小麥產(chǎn)量的關(guān)系，建立多種模型估算產(chǎn)量[57]。白麗等結(jié)合棉花生長發(fā)育規(guī)律，對棉花各時期冠層進行高光譜反射率測定，根據(jù)光譜曲線特征構(gòu)建高光譜植被指數(shù)，對光譜反射率與產(chǎn)量進行統(tǒng)計分析[58]。Ye等利用航空高光譜影像提取冠層平均光譜反射率，采用反向神經(jīng)網(wǎng)絡(luò)算法分析柑橘的冠層平均反射率與產(chǎn)量之間的相關(guān)性[59]。

也有利用遙感數(shù)據(jù)估測作物地上干物質(zhì)質(zhì)量，然后再依據(jù)干物質(zhì)質(zhì)量與產(chǎn)量之間的關(guān)系，構(gòu)建基于遙感的生產(chǎn)效率模型來估算產(chǎn)量[60-62]。付元元以冬小麥為研究對象，基于2013年小區(qū)試驗和2008年、2009年的大田試驗采集的冠層高光譜數(shù)據(jù)，圍繞葉面積指數(shù)（LAI）、地上生物量和氮營養(yǎng)指數(shù)（NNI）3個作物長勢參數(shù)的反演問題進行了研究，獲取作物長勢空間變異信息[63]。也有引入遙感觀測的作物生產(chǎn)參數(shù)來校正作物模型的，通過作物模型模擬作物的生長過程和產(chǎn)量[64-66]。

而基于特征波段的估產(chǎn)研究中，受波段范圍、波段數(shù)及波長位置限制，往往對作物類型不敏感，從而導(dǎo)致估產(chǎn)精度不高?，F(xiàn)階段主要是通過篩選光譜參數(shù)，如敏感波段、反射率等，反演不同作物的生物量，進行更精確的作物產(chǎn)量估算，如劉斌等利用在關(guān)鍵生育期內(nèi)的小麥冠層高光譜數(shù)據(jù)和實測地上鮮生物量，選取并確定了適宜冬小麥生物量反演的敏感波段的最佳波段寬度[67]。又如唐延林等測定了水稻抽穗后在不同時期冠層的高光譜反射率，發(fā)現(xiàn)水稻冠層光譜反射率隨生育期在可見光區(qū)域逐漸增大而在近紅外區(qū)域逐漸減小[68]。在提取光譜數(shù)據(jù)的敏感波段的基礎(chǔ)上構(gòu)建模型，方法簡單易行，但需要建立在大量的樣本數(shù)據(jù)基礎(chǔ)上，不具有代表性;對于作物類型復(fù)雜多樣的區(qū)域存在局限性，并且缺乏對作物生長的機制性研究與描述。

2.2 作物生物生化量反演

作物的生物生化量分為物理參量和化學參量，其中物理參量包括LAI、光合有效輻射分量（FPAR）等，化學參量包括葉片色素、氮含量;關(guān)于生物生化參量的研究中，最初是探究各項參數(shù)與高光譜數(shù)據(jù)之間的相關(guān)性，發(fā)現(xiàn)與之變化相關(guān)的光譜特征參數(shù)。如劉偉東等通過單相關(guān)分析和逐步回歸方法研究水稻LAI、葉綠素密度分別與光譜反射率、反射率的一階微分光譜的相關(guān)關(guān)系，結(jié)果表明葉綠素密度與光譜數(shù)據(jù)的相關(guān)性明顯優(yōu)于與LAI的相關(guān)性[69]。另外，也有研究利用光譜曲線變化、最優(yōu)波段組合、光譜指數(shù)等估測各項生物生化量，如柏軍華等研究棉花冠層光譜對不同LAI的響應(yīng)，分析LAI與冠層光譜反射率和反射率一階微分之間的定量關(guān)系，提取棉花冠層特征光譜信息，構(gòu)建LAI高光譜反演參數(shù)，建立估算模型[70]。

現(xiàn)階段的生化量研究中，主要通過分析光譜敏感波段、敏感參數(shù)等特征信息，建立各項生化參量的預(yù)測模型，如劉紅玉等通過提取敏感波段下的紋理特征，建立基于光譜和圖像特征的番茄葉片氮、磷、鉀元素模型[71]。又如陳瑛瑛等利用高光譜技術(shù)測定了稻穗的全氮含量并進行了相應(yīng)的分析，得到與稻穗全氮含量相關(guān)性較高的光譜特征指數(shù)，并建立了相應(yīng)的估算模型[72]。

3 耕地質(zhì)量與作物光譜響應(yīng)

基于遙感高光譜影像數(shù)據(jù)基礎(chǔ)上，研究遙感變量，如遙感植被指數(shù)、結(jié)構(gòu)指數(shù)、紅邊波段比值、對數(shù)指數(shù)等，與各個耕地質(zhì)量監(jiān)測評價指標之間的內(nèi)在關(guān)聯(lián)性[73-75]，揭示耕地質(zhì)量評價指標與作物光譜吸收和反射特性的內(nèi)在機制與差異。林晨等建立了基于MODIS衛(wèi)星數(shù)據(jù)的耕地質(zhì)量自然等反演模型，以 MODIS 影像和農(nóng)用地分等屬性數(shù)據(jù)為基礎(chǔ)，根據(jù)作物反射吸收原理進行遙感影像灰度值與農(nóng)用地自然質(zhì)量指數(shù)的相關(guān)性分析[76]。丁美青以多光譜數(shù)據(jù)為數(shù)據(jù)源，對土壤質(zhì)量遙感評價指標進行信息提取和綜合分析，建立多光譜遙感影像與土壤有機質(zhì)定量多項式及BP神經(jīng)網(wǎng)絡(luò)反演模型[77]。歐陽玲先基于遙感與實測數(shù)據(jù)，分析遙感變量指標與耕地質(zhì)量的敏感性，構(gòu)建支持向量機（SVM）耕地質(zhì)量評價模型，對松嫩平原南部耕地質(zhì)量進行評價;并基于耕地質(zhì)量評價結(jié)果探討作物產(chǎn)量、植被指數(shù)、植被凈初級生產(chǎn)力、植被覆蓋度等作物指標之間的關(guān)聯(lián)性，進一步反映松嫩平原南部耕地質(zhì)量動態(tài)變化[78]。馬佳妮等采用 2000—2010 年 MODIS數(shù)據(jù)，結(jié)合氣象站點數(shù)據(jù)，利用 VPM 模型分別計算水稻和玉米的凈初級生產(chǎn)力，反映作物常年長勢與耕地質(zhì)量的內(nèi)在響應(yīng)，得到表征耕地質(zhì)量的評價結(jié)果[79]。

基于實測高光譜數(shù)據(jù)，分析不同耕地質(zhì)量脅迫下，不同生長期的作物信息在可見光近紅外中的診斷性光譜特征，運用相關(guān)系數(shù)法、偏最小二乘法、逐步回歸法、主成分分析法、多元線性回歸分析等方法[80-81]，構(gòu)建耕地質(zhì)量與作物光譜關(guān)聯(lián)模型，揭示不同耕地質(zhì)量狀態(tài)下作物光譜的內(nèi)在響應(yīng)機制。如Jongschaap等通過對馬鈴薯葉片光譜紅邊區(qū)域進行提取，建立馬鈴薯葉片氮積累量預(yù)測模型，進行指標敏感性分析，取得較高精度[82]。Stone等利用小麥冠層葉片光譜數(shù)據(jù)，根據(jù)氮光譜指數(shù)（PNSI）預(yù)測小麥植株氮素積累量，分析光譜指標與作物生長及耕地質(zhì)量的響應(yīng)關(guān)系[83]。Clevers等對水稻冠層光譜與葉片含水率進行相關(guān)分析，得出970 nm是預(yù)測水稻含水率的最佳波段[84]。Zhou 等提出了利用類胡蘿卜素和紅邊波段比值構(gòu)建植被用類胡蘿卜素敏感指數(shù)和紅邊波段比值構(gòu)建植被指數(shù)，研究了更準確有效的耕地質(zhì)量評價指標的反演方法[85]。

4 展望與思考

在利用遙感技術(shù)實現(xiàn)對耕地質(zhì)量的監(jiān)測評價研究中，缺乏對耕地質(zhì)量與作物光譜響應(yīng)機制的研究，耕地質(zhì)量與作物光譜的內(nèi)在關(guān)聯(lián)性仍不明晰。因此，如何從大量的光譜信息中，篩選能有效表征耕地質(zhì)量的光譜變量，進一步闡明作物光譜與耕地質(zhì)量的內(nèi)在響應(yīng)機制，是目前亟待解決的問題，也是目前遙感耕地質(zhì)量評價工作中的焦點。此外，直接探討作物光譜與耕地質(zhì)量的關(guān)聯(lián)性，有效提高遙感耕地質(zhì)量評價結(jié)果的精度，對保護耕地和快速獲取耕地質(zhì)量信息具有重要的現(xiàn)實意義。

參考文獻：

[1]胡月明，劉 洛，王廣興，等. 耕地質(zhì)量建設(shè)與管理[M]. 北京：科學出版社，2017：8-12.

[2]Mori S，Kato M，Ido T. GISELA-GIS-based evaluation of land use and agriculture market analysis under global warming[J]. Applied Energy，2010，87（1）：236-242.

[3]Elsheikh R，Shariff A R B M，Amiri F，et al. Agriculture Land Suitability Evaluator （ALSE）：a decision and planning support tool for tropical and subtropical crops[J]. Computers and Electronics in Agriculture，2013，93：98-110.

[4]German R N，Thompson C E，Benton T G. Relationships among multiple aspects of agriculture’s environmental impact and productivity：a meta-analysis to guide sustainable agriculture[J]. Biological Reviews，2017，92（2）：716-738.

[5]Liu Y S，Zhang Y Y，Guo L Y. Towards realistic assessment of cultivated land quality in an ecologically fragile environment：a satellite imagery-based approach[J]. Applied Geography，2010，30（2）：271-281.

[6]付國珍，擺萬奇. 耕地質(zhì)量評價研究進展及發(fā)展趨勢[J]. 資源科學，2015，37（2）：226-236.

[7]Castaldi F，Palombo A，Santini F，et al. Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon[J]. Remote Sensing of Environment，2016，179：54-65.

[8]Bojórquez-Tapia L A，Diaz-Mondragón S，Ezcurra E. GIS-based approach for participatory decision making and land suitability assessment[J]. International Journal of Geographical Information Science，2001，15（2）：129-151.

[9]朱永恒，濮勵杰，趙春雨. 土地質(zhì)量的概念及其評價指標體系研究[J]. 國土與自然資源研究，2005（2）：31-33.

[10]Huete A，Didan K，Miura T，et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment，2002，83（1/2）：195-213.

[11]Fang H L，Liang S L，Hoogenboom G. Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation[J]. International Journal of Remote Sensing，2011，32（4）：1039-1065.

[12]Anderson M C，Zolin C A，Sentelhas P C，et al. The evaporative stress index as an indicator of agricultural drought in Brazil：an assessment based on crop yield impacts[J]. Remote Sensing of Environment，2016，174：82-99.

[13]陳百明. 加拿大耕地質(zhì)量監(jiān)測概述[J]. 自然資源，1996（2）：77-80.

[14]Kooistra L，Wehrens R，Leuven R S E W，et al. Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river floodplains[J]. Analytica Chimica Acta，2001，466（1/2）：97-105.

[15]Kemper T，Sommer S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology，2002，36（12）：2742-2747.

[16]李巨寶，田慶久，吳昀昭. 滏陽河兩岸農(nóng)田土壤Fe、Zn、Se元素光譜響應(yīng)研究[J]. 遙感信息，2005（3）：10-13.

[17]于曉靜. 基于GIS和RS技術(shù)的肇東市耕地質(zhì)量評價研究[D]. 哈爾濱：東北農(nóng)業(yè)大學，2012.

[18]楊建鋒，馬軍成，王令超. 基于多光譜遙感的耕地等別識別評價因素研究[J]. 農(nóng)業(yè)工程學報，2012，28（17）：230-236.

[19]Ben-Dor E，Patkin K，Banin A，et al. Mapping of several soil properties using DAIS-7915 hyperspectral scanner data-a case study over clayey soils in Israel[J]. International Journal of Remote Sensing，2002，23（6）：1043-1062.

[20]Chang C W，Laird D A，Mausbach M J，et al. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties[J]. Soil Science Society of America Journal，2001，65（2）：480-490.

[21]閆一凡，劉建立，張佳寶.耕地地力評價方法及模型分析[J]. 農(nóng)業(yè)工程學報，2014，30（5）：204-210.

[22]Shan-Ming F U， F Xiao， Wen-Ji S U， et al. The evaluation of heavy metals pollution in soils of the lower reaches of the Hengshi River within the Dabaoshan mining area based on fuzzy mathematics[J]. Geological Bulletin of China，2014，33（8）：1140-1146.

[23]杜紅悅，李 京. 土地農(nóng)業(yè)適宜性評價方法研究與系統(tǒng)實現(xiàn)——以攀枝花為例[J]. 資源科學，2001，23（5）：41-45.

[24]徐劍波，宋立生，夏 振，等. 基于GARBF神經(jīng)網(wǎng)絡(luò)的耕地土壤有效磷空間變異分析[J]. 農(nóng)業(yè)工程學報，2012，28（16）：158-165.

[25]張 豪，羅亦泳，張立亭，等. 基于遺傳算法最小二乘支持向量機的耕地變化預(yù)測[J]. 農(nóng)業(yè)工程學報，2009，25（7）：226-231.

[26]賴紅松，吳次芳. 基于粗糙集和支持向量機的標準農(nóng)田地力等級評價[J]. 自然資源學報，2011，26（12）：2141-2154.

[27]Xia Z Q，Peng Y P，Liu S S，et al. The optimal image date selection for evaluating cultivated land quality based on Gaofen-1 images[J]. Sensors，2019，19（22）：4937.

[28]伍育鵬，鄖文聚，李武艷. 用標準樣地進行耕地質(zhì)量動態(tài)監(jiān)測與預(yù)警探討[J]. 中國土地科學，2006，20（4）：40-45.

[29]馬佳妮，張 超，呂雅慧，等. 多源遙感數(shù)據(jù)支撐的耕地質(zhì)量監(jiān)測與評價[J]. 中國農(nóng)業(yè)信息，2018，30（3）：14-22.

[30]方琳娜，宋金平. 基于SPOT多光譜影像的耕地質(zhì)量評價——以山東省即墨市為例[J]. 地理科學進展，2008，27（5）：73-80.

[31]王銘烽，田風霞，賀秀斌，等. 三峽庫區(qū)耕地質(zhì)量評價[J]. 山地學報，2017，35（4）：556-565.

[32]吳炳方. 中國農(nóng)情遙感速報系統(tǒng)[J]. 遙感學報，2004，8（6）：481-497.

[33]劉海啟. 歐盟MARS計劃簡介與我國農(nóng)業(yè)遙感應(yīng)用思路[J]. 中國農(nóng)業(yè)資源與區(qū)劃，1999（3）：57-59.

[34]陳述彭. 遙感在農(nóng)業(yè)科學技術(shù)中的應(yīng)用[M]. 北京：科學出版社，1990：20-32.

[35]Brown J? C，Kastens J，Coutinho A，et al. Classifying multiyear agricultural land use data from Mato Grosso using time-series MODIS vegetation index data[J]. Remote Sensing of Environment，2013，130：39-50.

[36]Wardlow B D，Egbert S L，Kastens J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains[J]. Remote Sensing of Environment，2007，108（3）：290-310.

[37]Gallego F J，Kussul N，Skakun S，et al. Efficiency assessment of using satellite data for crop area estimation in Ukraine[J]. International Journal of Applied Earth Observation and Geoinformation，2014，29：22-30.

[38]Wu B F，Li Q Z. Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes[J]. International Journal of Applied Earth Observation and Geoinformation，2012，16：101-112.

[39]王 鶯，鞏垠熙. 遙感光譜技術(shù)在農(nóng)作物估產(chǎn)中的應(yīng)用研究進展[J]. 中國農(nóng)學通報，2019，35（3）：69-75.

[40]Panigrahy S，Manjunath K R，Ray S S. Deriving cropping system performance indices using remote sensing data and GIS[J]. International Journal of Remote Sensing，2005，26（12）：2595-2606.

[41]陳沈斌，孫九林. 建立我國主要農(nóng)作物衛(wèi)星遙感估產(chǎn)運行系統(tǒng)的主要技術(shù)環(huán)節(jié)及解決途徑[J]. 自然資源學報，1997，12（4）：363-369.

[42]馮美臣，楊武德，張東彥，等. 基于TM和MODIS數(shù)據(jù)的水旱地冬小麥面積提取和長勢監(jiān)測[J]. 農(nóng)業(yè)工程學報，2009，25（3）：103-109，313.

[43]焦險峰，楊邦杰，裴志遠，等. 基于植被指數(shù)的作物產(chǎn)量監(jiān)測方法研究[J]. 農(nóng)業(yè)工程學報，2005，21（4）：104-108.

[44]黃 慧，王 偉，彭彥昆，等. 利用高光譜掃描技術(shù)檢測小麥葉片葉綠素含量[J]. 光譜學與光譜分析，2010，30（7）：1811-1814.

[45]杜鶴娟，柳欽火，李 靜，等. 光學與微波植被指數(shù)協(xié)同反演農(nóng)作物葉面積指數(shù)的可行性分析[J]. 遙感學報，2013，17（6）：1587-1611.

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

[47]Simonneaux V，Duchemin B，Helson D，et al. The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central Morocco[J]. International Journal of Remote Sensing， 2008，29（1）：95-116.

[48]Xiao X M，Boles S，Liu J Y，et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95（4）：480-492.

[49]張喜旺，秦耀辰，秦 奮. 綜合季相節(jié)律和特征光譜的冬小麥種植面積遙感估算[J]. 農(nóng)業(yè)工程學報，2013，29（8）：154-163，295 .

[50]楊武德，宋艷暾，宋曉彥，等. 基于3S和實測相結(jié)合的冬小麥估產(chǎn)研究[J]. 農(nóng)業(yè)工程學報，2009，25（2）：131-135，315.

[51]熊勤學，黃敬峰. 利用NDVI指數(shù)時序特征監(jiān)測秋收作物種植面積[J]. 農(nóng)業(yè)工程學報，2009，25（1）：144-148.

[52]Castillejo-González I L，López-Granados F，García-Ferrer A，et al. Object-and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery[J]. Computers and Electronics in Agriculture，2009，68（2）：207-215.

[53]張 初，劉 飛，孔汶汶，等. 利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J]. 農(nóng)業(yè)工程學報，2013，29（20）：270-277.

[54]劉 磊，江 東，徐 敏，等. 基于多光譜影像和專家決策法的作物分類研究[J]. 安徽農(nóng)業(yè)科學，2011，39（25）：15809-15811.

[55]范 磊，程永政，王來剛，等. 基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2010，31（6）：44-51.

[56]任建強，陳仲新，唐華俊，等. 長時間序列NOAA-NDVI數(shù)據(jù)在冬小麥區(qū)域估產(chǎn)中的應(yīng)用[J]. 遙感技術(shù)與應(yīng)用，2007，22（3）：326-332.

[57]Jiang D，Wang N B，Yang X H，et al. Study on the interaction between NDVI profile and the growing status of crops[J]. Chinese Geographical Science，2003，13（1）：62-65.

[58]白 麗，王 進，蔣桂英，等. 干旱區(qū)基于高光譜的棉花遙感估產(chǎn)研究[J]. 中國農(nóng)業(yè)科學，2008，41（8）：2499-2505.

[59]Ye X J，Sakai K，Garciano L O，et al. Estimation of citrus yield from airborne hyperspectral images using a neural network model[J]. Ecological Modelling，2006，198（3/4）：426-432.

[60]Bastiaanssen W G M，Ali S. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin，Pakistan[J]. Agriculture，Ecosystems & Environment，2003，94（3）：321-340.

[61]Lobell D B，Sibley A，Ortiz-Monasterio J I. Extreme heat effects on wheat senescence in India[J]. Nature Climate Change，2012，2（3）：186-189.

[62]Yuan W P，Chen Y，Xia J Z，et al. Estimating crop yield using a satellite-based light use efficiency model[J]. Ecological Indicators，2016，60：702-709.

[63]付元元. 基于遙感數(shù)據(jù)的作物長勢參數(shù)反演及作物管理分區(qū)研究[D]. 杭州：浙江大學，2015.

[64]Moriondo M，Maselli F，Bindi M. A simple model of regional wheat yield based on NDVI data[J]. European Journal of Agronomy，2007，26（3）：266-274.

[65]Padilla F L M，Maas S J，González-Dugo M P，et al. Monitoring regional wheat yield in Southern Spain using the GRAMI model and satellite imagery[J]. Field Crops Research，2012，130：145-154.

[66]Wang H，Zhu Y，Li W L，et al. Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment[J]. Journal of Applied Remote Sensing，2014，8（1）：083674.

[67]劉 斌，任建強，陳仲新，等. 冬小麥鮮生物量估算敏感波段中心及波寬優(yōu)選[J]. 農(nóng)業(yè)工程學報，2016，32（16）：125-134.

[68]唐延林，王紀華，黃敬峰，等. 利用水稻成熟期冠層高光譜數(shù)據(jù)進行估產(chǎn)研究[J]. 作物學報，2004，30（8）：780-785.

[69]劉偉東，項月琴，鄭蘭芬，等. 高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J]. 遙感學報，2000，4（4）：279-283.

[70]柏軍華，李少昆，王克如，等. 棉花葉面積指數(shù)冠層反射率光譜響應(yīng)及其反演[J]. 中國農(nóng)業(yè)科學，2007，40（1）：63-69.

[71]劉紅玉，毛罕平，朱文靜，等. 基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷[J]. 農(nóng)業(yè)工程學報，2015，31（增刊1）：212-220.

[72]陳瑛瑛，王徐藝凌，朱宇涵，等. 水稻穗部氮素含量高光譜估測研究[J]. 作物雜志，2018（5）：116-120.

[73]徐涵秋. Landsat 7 ETM+影像的融合和自動分類研究[J]. 遙感學報，2005，9（2）：186-194.

[74]張友水，原立峰，姚永慧. 多時相MODIS影像水田信息提取研究[J]. 遙感學報，2007，11（2）：282-288.

[75]李 婷，吳克寧. 基于遙感技術(shù)的耕地質(zhì)量評價研究進展與展望[J]. 江蘇農(nóng)業(yè)科學，2018，46（15）：5-9.

[76]林 晨，周生路，吳紹華. 基于MODIS影像的農(nóng)用地自然質(zhì)量動態(tài)快速監(jiān)測研究[J]. 地域研究與開發(fā)，2011，30（1）：116-121.

[77]丁美青. 土地開發(fā)整理區(qū)土壤質(zhì)量遙感定量評價研究[D]. 長沙：中南大學，2014.

[78]歐陽玲. 基于遙感和SVM模型的松嫩平原南部耕地質(zhì)量評價[D]. 長春：中國科學院大學（中國科學院東北地理與農(nóng)業(yè)生態(tài)研究所），2017.

[79]馬佳妮，張 超，呂雅慧，等. 基于長時間序列遙感數(shù)據(jù)反演NPP的耕地質(zhì)量評價[J]. 農(nóng)業(yè)機械學報，2019，50（1）：202-208.

[80]Wu M Q，Zhang X Y，Huang W J，et al. Reconstruction of daily 30 m data from HJ CCD，GF-1 WFV，Landsat，and MODIS data for crop monitoring[J]. Remote Sensing，2015，7（12）：16293-16314.

[81]和海霞，楊思全，陳偉濤，等. 環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)在減災(zāi)中的應(yīng)用研究[J]. 航天器工程，2011，20（6）：118-125.

[82]Jongschaap R E E，Booij R. Spectral measurements at different spatial scales in potato：relating leaf，plant and canopy nitrogen status[J]. International Journal of Applied Earth Observation and Geoinformation，2004，5（3）：205-218.

[83]Stone M L，Solie J B，Raun W R，et al. Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J]. Transactions of the ASAE，1996，39（5）：1623-1631.

[84]Clevers J G P W，Kooistra L，Schaepman M E. Using spectral information from the NIR water absorption features for the retrieval of canopy water content[J]. International Journal of Applied Earth Observation & Geoinformation，2008，10（3）：388-397.

[85]Zhou X F，Huang W J，Zhang J C，et al. A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phenological status[J]. International Journal of Applied Earth Observation and Geoinformation，2019，76：128-142.