王樂，樊彥國*，樊博文，王勇

基于高分衛(wèi)星的冬小麥長勢監(jiān)測及驅(qū)動(dòng)因素分析

王樂1，樊彥國1*，樊博文2，王勇3

（1.中國石油大學(xué)（華東）, 山東 青島 266580；2.哈爾濱工程大學(xué), 哈爾濱 150001；3.煙臺(tái)市地理信息中心, 山東 煙臺(tái) 264000）

【目的】冬小麥作為我國第二大糧食作物，掌握其長勢情況對(duì)于保障我國糧食安全具有積極意義?！痉椒ā渴紫然赟entinel-2影像，利用隨機(jī)森林的方法提取研究區(qū)2018—2020年冬小麥種植的空間分布，并利用高分影像提取分析了冬小麥種植區(qū)域內(nèi)2018—2020年在返青期、起身拔節(jié)期、孕穗抽穗期、開花期的長勢變化情況，之后將冬小麥長勢變化分為長勢較好、長勢持平、長勢較差3個(gè)等級(jí)進(jìn)行對(duì)比分析；其次利用地理探測器對(duì)典型年份（2018年）的冬小麥長勢監(jiān)測結(jié)果與氣溫、降水量、坡度、坡向、高程、土壤類型、土壤濕度、日照時(shí)間、人口密度、鄉(xiāng)村勞動(dòng)力資源、GDP這11種驅(qū)動(dòng)因子進(jìn)行因子探測和交互探測，定量解釋了影響冬小麥長勢差異的原因。【結(jié)果】對(duì)比3 a冬小麥長勢情況，2020年冬小麥在返青期與起身拔節(jié)期長勢較好，面積占比為90%以上，而在孕穗抽穗期長勢較差，面積占比為20%以上，在開花期長勢持平，面積占比約80%。對(duì)冬小麥長勢解釋力較高的驅(qū)動(dòng)因子的排列順序?yàn)椋亨l(xiāng)村勞動(dòng)力資源數(shù)>土壤濕度>降水量>氣溫>日照時(shí)間，各驅(qū)動(dòng)因子之間的交互作用表現(xiàn)為雙因子增強(qiáng)或非線性增強(qiáng)?！窘Y(jié)論】冬小麥的長勢變化受到多因素共同作用，是復(fù)雜因子交互作用的一種結(jié)果。

冬小麥；面積提??；長勢監(jiān)測；地理探測器；位山灌區(qū)

0 引言

【研究意義】冬小麥作為世界四大主糧之一[1]，對(duì)其長勢監(jiān)測是指導(dǎo)農(nóng)業(yè)生產(chǎn)、穩(wěn)定糧食安全的有效途徑[2]，因此通過研究冬小麥的長勢變化及驅(qū)動(dòng)機(jī)制，能夠量化作物生長與影響因子之間的相互作用，可為預(yù)測冬小麥產(chǎn)量、進(jìn)行冬小麥管理、發(fā)展智慧農(nóng)業(yè)提供理論依據(jù)[3]。然而傳統(tǒng)的作物長勢監(jiān)測一般通過實(shí)地考察的方法，盡管該方法具有很高的精確度，但往往耗費(fèi)大量的人力和物力[4-5]。隨著遙感技術(shù)的快速發(fā)展和農(nóng)業(yè)現(xiàn)代化管理的推進(jìn)，遙感技術(shù)被逐漸應(yīng)用于大型灌區(qū)的作物生長監(jiān)測[6-8]。

【研究進(jìn)展】當(dāng)前國內(nèi)外主要采用中低分辨率遙感影像數(shù)據(jù)和無人機(jī)影像數(shù)據(jù)進(jìn)行長勢監(jiān)測，例如Boori等[9]基于Sentinel-2和Landsat數(shù)據(jù)利用歸一化植被指數(shù)（, Normalized Difference Vegetation Index）時(shí)間序列對(duì)作物生長階段的長勢進(jìn)行監(jiān)測，其結(jié)果為評(píng)估作物生長狀況以及農(nóng)業(yè)可持續(xù)發(fā)展提供有價(jià)值的支持。孫麗等[10]基于MODIS數(shù)據(jù)利用指數(shù)同期對(duì)比法對(duì)2019年美國冬小麥進(jìn)行長勢監(jiān)測分析。牛魯燕等[11]通過構(gòu)建基于無人機(jī)平臺(tái)的小麥長勢監(jiān)測模型，為園區(qū)和農(nóng)場尺度小麥長勢的實(shí)時(shí)監(jiān)測提供有效技術(shù)支撐。而小麥的長勢情況同時(shí)受到降水量、氣溫、日照時(shí)間等因素的影響，目前對(duì)冬小麥生產(chǎn)系統(tǒng)的驅(qū)動(dòng)因子進(jìn)行定量分析主要通過經(jīng)驗(yàn)的統(tǒng)計(jì)分析模型來實(shí)現(xiàn)，如李炳軍等[12]采用灰色關(guān)聯(lián)分析方法對(duì)河南省冬小麥不同生長階段與氣象影響因素進(jìn)行雙重量化分析。鄭潤橋等[13]采用Pearson相關(guān)分析法探究魯西北地區(qū)冬小麥灌溉需水量的驅(qū)動(dòng)因素?；殉痰萚14]對(duì)淮北平原冬小麥的作物系數(shù)進(jìn)行相關(guān)分析，得出了作物系數(shù)與氣候因子聯(lián)系緊密的結(jié)論。

【切入點(diǎn)】綜上所述，盡管Sentinel-2影像數(shù)據(jù)時(shí)相分辨率高，但由于天氣以及云遮蓋等外在因素的影響，使得影像存在部分缺失以及質(zhì)量較差的情況，無人機(jī)影像空間分辨率較高，但存在應(yīng)用范圍小、成本高等缺點(diǎn)，不能及時(shí)獲取研究區(qū)影像，而高分衛(wèi)星具有高空間分辨率以及高時(shí)相分辨率的特點(diǎn)，能夠持續(xù)全面地對(duì)研究區(qū)冬小麥進(jìn)行長勢監(jiān)測。對(duì)于探究冬小麥長勢差異的驅(qū)動(dòng)機(jī)制，統(tǒng)計(jì)分析模型對(duì)定量解釋冬小麥長勢變化的因素具有指導(dǎo)性的作用，但無法體現(xiàn)空間異質(zhì)性的特征，且在解釋因子交互作用機(jī)理方面存在明顯缺陷[15]，而地理探測器在度量空間分異性、探測解釋因子、分析變量之間交互關(guān)系方面具有較好的優(yōu)勢[16]。

【擬解決的關(guān)鍵問題】因此，本文以位山灌區(qū)中北部平原作為研究區(qū)域，對(duì)研究區(qū)內(nèi)的冬小麥進(jìn)行長勢監(jiān)測和地理探測器分析，首先基于Sentinel-2影像獲取冬小麥種植時(shí)空分布，之后利用2018—2020年返青期、起身拔節(jié)期、孕穗抽穗期、開花期的高分影像進(jìn)行差值模型計(jì)算，依據(jù)差值結(jié)果進(jìn)行長勢等級(jí)劃分判斷2020年冬小麥的長勢情況，最后通過地理探測器對(duì)土壤濕度、氣溫、降水量、日照時(shí)間、GDP和鄉(xiāng)村勞動(dòng)力資源等11個(gè)驅(qū)動(dòng)因子進(jìn)行定量分析，探究不同驅(qū)動(dòng)因子對(duì)冬小麥長勢變化情況的影響程度及交互作用。通過高分遙感影像結(jié)合地理探測器對(duì)冬小麥進(jìn)行了長勢監(jiān)測與驅(qū)動(dòng)因子分析，研究對(duì)冬小麥長勢情況影響力較強(qiáng)的驅(qū)動(dòng)因子，對(duì)于農(nóng)業(yè)科學(xué)管理，促進(jìn)農(nóng)業(yè)發(fā)展，建設(shè)智慧農(nóng)業(yè)具有重要作用。

1 材料與研究區(qū)

1.1 研究區(qū)概況

位山灌區(qū)作為黃河下游最大的引黃灌區(qū)，居全國特大型灌區(qū)第五位。灌區(qū)位于聊城市中北部，本文以位山灌區(qū)中北部平原為研究區(qū)（圖1），經(jīng)緯度范圍為115°8′—116°27′E，36°15'—37°1'N，面積為4 335.8 km2，地勢東南高西北低。研究區(qū)整體屬于溫帶季風(fēng)氣候，冬季降水量少，春季干旱頻繁，導(dǎo)致年平均降水量僅為540.4 mm，而年平均蒸發(fā)量為1 709 mm，因此研究區(qū)水資源時(shí)空分布不均勻，主要依賴黃河水灌溉，多種植冬小麥和玉米。

1.2 影像數(shù)據(jù)集及預(yù)處理

本研究選用Sentinel-2影像數(shù)據(jù)來自谷歌地球引擎（Google Earth Engine，GEE，https://code.earthengine.google.com/），高分影像數(shù)據(jù)來自中國資源衛(wèi)星中心（http://www.cresda.com/CN/）。其中Sentinel-2衛(wèi)星攜帶多光譜成像儀，覆蓋13個(gè)光譜波段，空間分辨率最高達(dá)到10 m，時(shí)相分辨率為5 d，光譜信息豐富，該數(shù)據(jù)高空間分辨率的特點(diǎn)能有效減少混合像元對(duì)冬小麥識(shí)別的影響[17]，因此在本研究中主要用于提取冬小麥面積。GF-1和GF-6號(hào)衛(wèi)星均搭載寬幅相機(jī)，可以獲取16 m多光譜遙感影像，且二者組網(wǎng)將時(shí)相分辨率由4 d縮短為2 d，因此借助高分衛(wèi)星影像高時(shí)相分辨率的特點(diǎn)對(duì)研究區(qū)冬小麥的長勢進(jìn)行了持續(xù)的精準(zhǔn)監(jiān)測。

圖1 研究區(qū)域地理位置

山東省冬小麥9月下旬—10月上旬播種，次年5月下旬—6月上旬收割，研究所選用冬小麥生育期如表1所示。基于以往研究發(fā)現(xiàn)起身拔節(jié)期冬小麥面積提取效果顯著[18]，因此，基于GEE平臺(tái)完成了對(duì)2018—2020年3月（起身拔節(jié)期）的Sentinel-2影像的去云、鑲嵌、裁剪等預(yù)處理操作，選取影像詳細(xì)情況見表2。冬小麥從返青期至開花期的值變化幅度較大，因此使用ENVI 5.6軟件對(duì)2018—2020年2月上旬到5月上旬（返青期—開花期）的GF-1和GF-6影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、FLAASH大氣校正、正射校正等預(yù)處理工作，高分影像選取時(shí)間及對(duì)應(yīng)生育期如表3所示。

表1 研究所用冬小麥生育期

表2 研究所用Sentinel-2影像數(shù)據(jù)

表3 研究所用GF-1(GF-6)影像數(shù)據(jù)

1.3 樣本選取

使用Sentinel-2影像的假彩色組合（B11，B8，B5）和真彩色組合（B4，B3，B2）顯示影像[19]，并結(jié)合Google Earth中2018—2020年冬小麥生育期的歷史影像以及2018年實(shí)地采集數(shù)據(jù)進(jìn)行樣本點(diǎn)的選取。本文共選取1 387個(gè)樣本點(diǎn)，包括713個(gè)冬小麥樣本點(diǎn)和674個(gè)非冬小麥樣本點(diǎn)，樣本點(diǎn)均勻分布于整個(gè)研究區(qū)域，降低了樣本空間自相關(guān)性對(duì)驗(yàn)證結(jié)果精度的影響，樣本點(diǎn)中70%作為訓(xùn)練樣本，剩余30%作為驗(yàn)證樣本。

1.4 驅(qū)動(dòng)因子數(shù)據(jù)源及預(yù)處理

DEM數(shù)據(jù)ASTER GDEM V2來源于美國航空航天局（National Aero-nautics and Space Administration，NASA，https://earthdata.nasa.gov/），空間分辨率為30 m，并經(jīng)過坐標(biāo)轉(zhuǎn)換計(jì)算坡度和坡向數(shù)據(jù)；土壤類型數(shù)據(jù)來源于中科院資源環(huán)境科學(xué)數(shù)據(jù)中心（http://www.resdc.cn/），空間分辨率為1 km；氣象數(shù)據(jù)[20]和土壤水分?jǐn)?shù)據(jù)[21]來源于國家生態(tài)科學(xué)數(shù)據(jù)中心（http://www.nesdc.org.cn/），空間分辨率為1 km；人口密度和GDP數(shù)據(jù)來源1 km網(wǎng)格的中國人口/GDP空間分布公里網(wǎng)格數(shù)據(jù)集；日照時(shí)間來源于歷史天氣查詢（https://richurimo.bmcx.com/）；鄉(xiāng)村勞動(dòng)力資源數(shù)來源于2019年聊城市統(tǒng)計(jì)年鑒[22]。柵格數(shù)據(jù)均通過鑲嵌裁剪、投影轉(zhuǎn)換等處理，統(tǒng)計(jì)數(shù)據(jù)以縣域行政區(qū)劃為統(tǒng)計(jì)單元，并換算單位密度統(tǒng)一為每平方公里或占比，使用ArcGIS 10.2將統(tǒng)計(jì)數(shù)據(jù)關(guān)聯(lián)到縣域行政區(qū)劃矢量數(shù)據(jù)，并進(jìn)行矢量轉(zhuǎn)柵格的處理。

2 研究方法

2.1 冬小麥面積提取方法與精度驗(yàn)證

隨機(jī)森林算法是2001年由Breiman等[23]提出的一種有效的基于CART決策樹機(jī)器學(xué)習(xí)算法的集成分類器，該算法降低了過擬合能力且泛化能力較強(qiáng)[24-25]，并且還具有運(yùn)算速度快，準(zhǔn)確率高，準(zhǔn)確評(píng)估各特征的重要性等特點(diǎn)，使得該算法在農(nóng)業(yè)領(lǐng)域已得到廣泛的應(yīng)用[26]，因此，本文基于ENVI平臺(tái)借助隨機(jī)森林分類器[27]對(duì)冬小麥面積進(jìn)行提取，并將決策樹的數(shù)量設(shè)置為100，特征數(shù)量設(shè)置為輸入特征總數(shù)的平方根。

通過上述分類操作獲得2018—2020年研究區(qū)冬小麥種植面積后，利用30%的樣本作為驗(yàn)證數(shù)據(jù)采用混淆矩陣對(duì)提取結(jié)果進(jìn)行精度評(píng)定，精度評(píng)定主要包括總體精度、Kappa系數(shù)、用戶精度和生產(chǎn)者精度4個(gè)指標(biāo)[28]。

2.2 長勢遙感監(jiān)測方法

農(nóng)作物的長勢監(jiān)測主要分為過程監(jiān)測和實(shí)時(shí)監(jiān)測，過程監(jiān)測是通過對(duì)農(nóng)作物整個(gè)生長周期進(jìn)行描述和分析；實(shí)時(shí)監(jiān)測是通過同期對(duì)比來確定作物的相對(duì)長勢，使用實(shí)時(shí)監(jiān)測的方法能較好地探究冬小麥在不同生育期的長勢情況以及生長過程[29-30]。由于植物葉綠素對(duì)電磁波譜中紅色波長（R）能量的吸收和植物細(xì)胞結(jié)構(gòu)對(duì)近紅外（NIR）能量的反射，因此通過上述兩波段反演得到的指數(shù)是評(píng)價(jià)作物發(fā)育的強(qiáng)有力指標(biāo)[31-32]。冬小麥在不同生育期的值存在明顯差異，例如返青期前值整體偏低，而從返青期開始值逐漸增大直至開花期達(dá)到飽和，并在成熟期開始下降最終收割[33]。故通過實(shí)時(shí)監(jiān)測不同年份同期對(duì)比差值結(jié)果，來分析2018—2020年冬小麥長勢變化情況。

結(jié)合冬小麥空間分布信息對(duì)研究區(qū)進(jìn)行掩膜提取，并基于高分影像數(shù)據(jù)計(jì)算獲取2018—2020年2月中旬—5月上旬掩膜區(qū)域內(nèi)的值，之后將不同年份同生育期的結(jié)果進(jìn)行最大值合成，最后使用差值模型對(duì)不同年份相同生育期的冬小麥長勢情況進(jìn)行分析。計(jì)算得到的差值結(jié)果符合正態(tài)分布規(guī)則且大多集中于（-0.1，0.1）[17]，因此將冬小麥長勢劃分為3類：差值＜-0.1時(shí)，表示冬小麥比2018年或2019年長勢較差；差值在-0.1～0.1時(shí)，表示冬小麥與2018年或2019年長勢持平；差值＞0.1時(shí)，表示冬小麥比2018年或2019年長勢較好。差值模型計(jì)算式為：

式中：D和t代表不同年份同時(shí)期的差值結(jié)果；2020i代表2020年每個(gè)生育期最大值合成的結(jié)果；2018i和2019i分別代表2018年和2019年每個(gè)生育期最大值合成的結(jié)果。

2.3 地理探測器分析法

地理探測器是探測空間分異性，以及揭示其背后驅(qū)動(dòng)力的一組統(tǒng)計(jì)學(xué)方法。這里主要采用地理探測器的2個(gè)工具，包括因子探測和交互探測來定量解釋研究范圍內(nèi)冬小麥長勢變化的空間異質(zhì)性特征及驅(qū)動(dòng)因素。

1）因子探測：探測（）的空間分異性；以及探測某因子（自然因子和社會(huì)經(jīng)濟(jì)因子）多大程度上解釋了屬性的空間分異。用值度量[34]，表達(dá)式為：

2）交互探測：識(shí)別不同風(fēng)險(xiǎn)因子之間的交互作用，即評(píng)估因子1和2共同作用時(shí)是否會(huì)增加或減弱對(duì)因變量的解釋力，或這些因子對(duì)的影響是相互獨(dú)立的。評(píng)估的方法是首先分別計(jì)算2種因子1和2對(duì)的值：（1）和（2），并且計(jì)算它們交互時(shí)的值：（1∩2），并對(duì)（1）、（2）與（1∩2）進(jìn)行比較。2個(gè)因子之間的關(guān)系（見表4）可分為以下幾類[35]：

表4 影響因子交互作用的判斷依據(jù)

根據(jù)研究表明，自然因子對(duì)冬小麥長勢具有顯著影響，而相較于自然條件因素，農(nóng)業(yè)生產(chǎn)因素對(duì)其影響更大[36-37]?？紤]系統(tǒng)科學(xué)性，選取氣溫、降水量等11個(gè)因子（見表5）探測研究區(qū)域冬小麥長勢變化的驅(qū)動(dòng)機(jī)制。由于2018年冬小麥不同生育期長勢變化波動(dòng)較大且相近年份值相差不大，故本文使用2018年作為典型年來研究各驅(qū)動(dòng)因子對(duì)冬小麥長勢的影響程度和交互作用。首先利用ArcGIS軟件創(chuàng)建漁網(wǎng)工具，生成冬小麥分布范圍內(nèi)共2 570個(gè)中心點(diǎn)作為采樣點(diǎn)，然后提取中心點(diǎn)地理位置對(duì)應(yīng)的和的屬性值，最后使用地理探測器R包進(jìn)行處理。

表5 冬小麥長勢影響因子指標(biāo)

3 結(jié)果與分析

3.1 冬小麥提取結(jié)果

本研究依據(jù)2.1所述方法進(jìn)行冬小麥面積提取與精度驗(yàn)證，根據(jù)表6、表7可知，冬小麥提取面積大于統(tǒng)計(jì)面積，相對(duì)誤差均在2%以內(nèi)，總體精度達(dá)到90%以上，提取面積變化趨勢與統(tǒng)計(jì)面積變化趨勢一致，2018—2020年冬小麥種植面積在逐年降低。研究區(qū)域冬小麥種植范圍空間分布如圖2所示，可以看出冬小麥分布均勻。

表6 研究區(qū)冬小麥提取面積與統(tǒng)計(jì)面積比較

表7 研究區(qū)冬小麥基于混淆矩陣提取精度

圖2 2018—2020年冬小麥分布

3.2 冬小麥長勢監(jiān)測結(jié)果分析

本研究使用時(shí)相分辨率為2 d、空間分辨率為16 m的高分影像組合對(duì)冬小麥長勢進(jìn)行監(jiān)測，既保證了監(jiān)測的實(shí)時(shí)性，又兼顧了監(jiān)測的準(zhǔn)確性，能較為全面地獲取冬小麥的長勢變化情況。故將2020年冬小麥與2018、2019年同期進(jìn)行差值運(yùn)算并對(duì)比分析，根據(jù)增量對(duì)應(yīng)的像元個(gè)數(shù)可以得出如下結(jié)果（圖3），2020年與2019年同期比較可得：在返青期和起身拔節(jié)期，增量多為正值，且多集中于0.1～0.5之間，而在孕穗抽穗期與開花期增量多為負(fù)值，且集中于-0.1～0.1之間。2020年與2018年同期相比：在返青期和起身拔節(jié)期，增量＞0的像元數(shù)占比較大；在孕穗抽穗期增量＜0的像元個(gè)數(shù)占優(yōu)勢；而在開花期增量為正值的像元個(gè)數(shù)又高于負(fù)值個(gè)數(shù)。整體情況來看，2018年冬小麥生長情況波動(dòng)較大，適合進(jìn)行驅(qū)動(dòng)因子探測，而2019年與2020年長勢較為平穩(wěn)，且在2019年后期與2020年前期長勢較好。

圖3 2020年冬小麥種植區(qū)域與往年相比的NDVI變化

本文根據(jù)差值結(jié)果對(duì)冬小麥長勢劃分為較好、持平與較差3類。由圖4（a）可知，2020年與2018年相比，返青期和起身拔節(jié)期絕大多數(shù)區(qū)域均歸屬于長勢較好類別，孕穗抽穗期長勢較差的面積占比（23.9%）高于長勢較好的面積占比（14.4%），二者相差9.5%，長勢持平面積為61.7%；開花期長勢較差的面積占比（6.8%）低于長勢較好的面積占比（16.8%）為10%，長勢持平面積增長為76.4%，符合冬小麥生育后期大部分面積長勢與往年持平的研究結(jié)果。與2018年相比的整體情況來看，2020年返青期和起身拔節(jié)期的生長情況為優(yōu)，孕穗抽穗期和開花期大部分區(qū)域長勢持平，但是在孕穗抽穗期生長情況不佳，而開花期長勢又得以恢復(fù)，整體情況較2018年相比較好。由圖4（b）可知，2020年與2019年相比，返青期和拔節(jié)期中長勢較好的面積占比遠(yuǎn)遠(yuǎn)大于長勢較差與持平的占比；在孕穗抽穗期和開花期，長勢較差的面積占比均大于長勢較好的面積占比，其中孕穗抽穗期的長勢較差面積占比為47.6%，比長勢較好面積占比（1.8%）多出了45.8%，而開花期長勢較差面積占比降到了16.1%，長勢較好面積增加到2.5%，二者相差13.6%，長勢持平的面積占比在2個(gè)生長周期分別達(dá)到了50.6%和81.4%，符合冬小麥生育后期大部分面積長勢與往年持平的研究結(jié)果。整體情況來看，2020年返青期和起身拔節(jié)期生長情況較好，孕穗抽穗期和開花期大部分區(qū)域與往年持平，整體生長情況和2019年相比較差。結(jié)合2018年和2019年的長勢對(duì)比來看，2020年前期生長速度快，后期雖然大部分持平，但部分區(qū)域仍長勢較差。

3.3 地理探測器驅(qū)動(dòng)因子探測分析

根據(jù)3.2小節(jié)對(duì)3 a冬小麥長勢變化監(jiān)測分析結(jié)果可知，2018年冬小麥長勢變化波動(dòng)范圍較大，因此對(duì)長勢影響因子探究較為典型，故本研究采用2018年相關(guān)影響因子數(shù)據(jù)對(duì)長勢影響進(jìn)行分析。因子的探測結(jié)果值反映了各因子對(duì)值即冬小麥長勢的解釋力大小。值均＜0.1，說明研究范圍冬小麥長勢變化不受個(gè)別因素的主導(dǎo)。得出的值（影響力）及對(duì)應(yīng)的值（顯著性）結(jié)果如表8所示，每個(gè)自變量因子的值對(duì)應(yīng)的值代表了這個(gè)因子的顯著性，值＜0.05則表示為差異顯著，如果值＜0.01，則差異極顯著，值越小，就說明某類型量對(duì)因變量是有影響的可靠性越高。從結(jié)果來看1、2、7、8、10的值都＜0.05，通過置信度5%的假設(shè)性檢驗(yàn)（表8中*表示通過置信度5%的假設(shè)性檢驗(yàn)的驅(qū)動(dòng)因子）。值較小可能與尺度效應(yīng)有關(guān)，也從側(cè)面說明，冬小麥的長勢是各驅(qū)動(dòng)因子復(fù)雜交互作用的結(jié)果，從表8分析可知，2018年各因子對(duì)研究區(qū)冬小麥長勢的解釋力由大到小的排列順序?yàn)椋亨l(xiāng)村勞動(dòng)力資源數(shù)>土壤濕度>降水量>氣溫>日照時(shí)間>GDP>人口密度>高程>坡向>坡度>土壤類型，其中解釋力較強(qiáng)的因子有鄉(xiāng)村勞動(dòng)力資源數(shù)、土壤濕度、降水量、氣溫、日照時(shí)間。

圖4 與2018、2019年相比研究區(qū)冬小麥4個(gè)生育期的長勢情況

由于研究范圍內(nèi)種植冬小麥的區(qū)域基本上以黃河沖積平原為主，因此高程相差較小，坡度和坡向?qū)τ谧魑锏纳L也不具有明顯的影響；研究區(qū)土壤類型主要以潮土為主，土壤類型差異較小，對(duì)冬小麥生長影響程度較低；土壤濕度和降水量都和植物生長必需的水分有關(guān)，而水分與根系發(fā)育息息相關(guān)，并且與有機(jī)物質(zhì)的輸送具有關(guān)系，是冬小麥生長必不可少的因素；溫度會(huì)影響蒸騰、呼吸等代謝過程，還會(huì)影響土壤溫度、空氣溫度，進(jìn)而影響冬小麥的生長；日照和植物生長的光合作用密切相關(guān)，能夠促進(jìn)有機(jī)物質(zhì)的積累。據(jù)以往研究表明冬小麥長勢與人口密度、GDP等社會(huì)經(jīng)濟(jì)因子相關(guān)性較低，主要與土壤濕度、降水量、氣溫、日照時(shí)間等氣候因子相關(guān)[16-17,33]，這與本試驗(yàn)得出的結(jié)果一致，但由于研究區(qū)獨(dú)特的地理位置導(dǎo)致春季干旱頻繁，主要依賴人力進(jìn)行黃河水灌溉，而灌溉、施肥、防治病蟲害等農(nóng)事活動(dòng)與鄉(xiāng)村從事農(nóng)業(yè)人員有極大的關(guān)聯(lián)，這也間接影響到農(nóng)作物的長勢，隨著外出務(wù)工人員的增加，從事農(nóng)業(yè)人口數(shù)減少，由人類主導(dǎo)的農(nóng)事活動(dòng)次數(shù)縮減或應(yīng)對(duì)不及時(shí)，因此鄉(xiāng)村勞動(dòng)力資源數(shù)在某種程度上對(duì)冬小麥的長勢造成了影響。

交互探測主要體現(xiàn)2個(gè)不同因子間對(duì)于冬小麥長勢的交互作用以及和單因子作用時(shí)相比對(duì)冬小麥長勢變化的影響差異，交互作用結(jié)果如圖5所示：從圖5可以看出，不同因子之間存在雙因子增強(qiáng)或非線性增強(qiáng)的交互作用，2個(gè)因子疊加的值（影響力）遠(yuǎn)大于單因子的值（影響力），不存在非線性減弱或相互獨(dú)立的交互作用，這也側(cè)面證明冬小麥的長勢變化是各因素交互作用的復(fù)雜結(jié)果，不被單因子所主導(dǎo)；鄉(xiāng)村勞動(dòng)力資源數(shù)與氣溫、降水量、土壤濕度、日照時(shí)間的交互作用解釋力分別為0.055 7、0.058 2、0.066 3、0.051 3，日照時(shí)間與氣溫、降水量、土壤濕度的交互作用解釋力分別為0.021 4、0.029 9、0.031 0，土壤濕度與降水量、氣溫的交互作用解釋力分別為0.038 9、0.046 2，平均氣溫與降水量之間的交互作用解釋力為0.026 6。由于坡度坡向等因子未通過顯著性檢驗(yàn)，故在交互作用中不參與全局的比較，而在橫向?qū)Ρ戎?，坡度、坡向和人口密度分別與鄉(xiāng)村勞動(dòng)力資源數(shù)、日照時(shí)間、土壤濕度的交互作用影響力較高，高程和土壤類型與鄉(xiāng)村勞動(dòng)力資源數(shù)、日照時(shí)間、土壤濕度、氣溫的交互作用影響力較高，GDP與日照時(shí)間、土壤濕度、氣溫、降水量的交互作用影響力較高。在所有通過顯著性檢驗(yàn)的單因子交互作用結(jié)果中，鄉(xiāng)村勞動(dòng)力資源數(shù)與土壤濕度的交互作用對(duì)冬小麥長勢差異的解釋力最強(qiáng)，因子間交互作用對(duì)冬小麥長勢變化的解釋力始終大于單因子作用，從而進(jìn)一步影響了冬小麥的長勢差異。

圖5 交互探測結(jié)果

根據(jù)聊城市統(tǒng)計(jì)年鑒可知，2018、2019、2020年的鄉(xiāng)村勞動(dòng)力資源數(shù)分別為76.48萬、72.88萬、61.27萬人，整體呈下降趨勢，從事農(nóng)業(yè)人口數(shù)的縮減，導(dǎo)致了農(nóng)事活動(dòng)的延遲或次數(shù)減少，也間接影響了冬小麥的長勢。通過在歷史天氣（https://richurimo.bmcx.com/）和國家氣象科學(xué)數(shù)據(jù)中心（http://www.nmic.cn/）查詢2018—2020年冬小麥生育期內(nèi)逐日的土壤濕度、平均氣溫、平均降水量、日照時(shí)間，計(jì)算返青期、起身拔節(jié)期、孕穗抽穗期和開花期的平均土壤濕度、平均氣溫、平均降水量、平均日照時(shí)間，根據(jù)不同生長時(shí)期自然因子的變化情況探究冬小麥的長勢變化。根據(jù)圖6可知，在返青期和起身拔節(jié)期，2018年和2019年的土壤濕度、氣溫、日照時(shí)間均小于2020年，雖然2018年降水量在起身拔節(jié)期超過了2020年，但通過灌溉以及其他自然因子的共同作用下，使得冬小麥2020年2—3月生長情況較好；在孕穗抽穗期，2018年和2019年的土壤濕度、降水量、氣溫、日照時(shí)間均大于2020年，所以2020年4月中上旬的冬小麥長勢不如往年好；在開花期，2020年自然生長條件整體較好，與2019年和2018年相比大部分都長勢持平，但2020年與2019年相比，長勢較差的比長勢較好的多13.6%，應(yīng)該是由于在孕穗抽穗期，長勢較差的冬小麥過多，雖然在開花期的生長環(huán)境有所緩解，但因?yàn)樵兴氤樗肫谑嵌←溕L的關(guān)鍵期，所以部分冬小麥長勢較差。

圖6 不同年份同時(shí)期自然因子變化情況

4 討論

冬小麥作為研究區(qū)主要糧食作物之一，其長勢結(jié)果可能影響到糧食作物的產(chǎn)量進(jìn)而威脅國家安全。孫麗等[10]、周柯等[17]采用MODIS影像進(jìn)行大區(qū)域的冬小麥長勢監(jiān)測，本文由于研究區(qū)較小且Sentinel-2部分影像質(zhì)量較差，故使用分辨率為16 m的GF-1和GF-6影像對(duì)2020年冬小麥進(jìn)行長勢監(jiān)測，結(jié)果發(fā)現(xiàn)，在冬小麥生育后期與其他年份相比長勢持平面積占比達(dá)到75%以上，與以往研究結(jié)論一致，即在冬小麥的生長后期長勢大部分與往年持平。

對(duì)于植物生長驅(qū)動(dòng)機(jī)制的研究，有研究[38-39]通過探究氣溫、降水量、坡度、坡向等氣候因子和GDP、人口密度等社會(huì)經(jīng)濟(jì)因子對(duì)植物生長情況的影響，得出氣候因子對(duì)植物生長占據(jù)主導(dǎo)作用的結(jié)論。本文利用地理探測器對(duì)冬小麥長勢變化進(jìn)行了因子探測和交互探測，除上述因子，增加了與冬小麥長勢密切相關(guān)的土壤濕度和鄉(xiāng)村勞動(dòng)力資源數(shù)2個(gè)因子，系統(tǒng)分析了冬小麥長勢變化的外界驅(qū)動(dòng)因素，得出了人類活動(dòng)對(duì)冬小麥影響較大，但依然以氣候因素為主的結(jié)論，這與以往研究得出的結(jié)論保持一致。同時(shí)，地理探測器能夠從因子間交互作用進(jìn)一步地探討冬小麥長勢變化的空間異質(zhì)性，彌補(bǔ)了傳統(tǒng)方法的不足。

本文基于不同年份同時(shí)期的差值結(jié)果，探討了2020年冬小麥的長勢情況，并利用地理探測器定量解釋了驅(qū)動(dòng)因子對(duì)于冬小麥長勢差異的影響程度，為相關(guān)決策提供了數(shù)據(jù)支撐與建議[38]。在研究方法上仍存在使用Sentinel-2影像進(jìn)行冬小麥面積提取，導(dǎo)致其他植被誤分為冬小麥的問題，針對(duì)這一問題在未來的研究中可以利用雷達(dá)影像和含有熱紅外波段的影像進(jìn)行數(shù)據(jù)融合，并采用多種分類算法結(jié)合的方式以提高分類的準(zhǔn)確性。另外由于研究區(qū)面積較小，且驅(qū)動(dòng)因子?xùn)鸥裼跋窨臻g分辨率過低，造成尺度效應(yīng)，導(dǎo)致值偏低，在后續(xù)的研究中，可以嘗試使用氣象站數(shù)據(jù)進(jìn)行插值處理，以改善柵格的空間分辨率較低的問題，提高研究結(jié)果的精確度，以便更好地服務(wù)于現(xiàn)代化農(nóng)業(yè)建設(shè)。

5 結(jié)論

1）2018—2020年冬小麥種植面積分別為2 157.37、2 143.10、2 115.96 km2，且主要種植于研究區(qū)的中北部地區(qū)，通過對(duì)比分析3 a的冬小麥面積變化情況，整體呈現(xiàn)出逐年下降的趨勢。

2）2018—2020年冬小麥長勢變化情況較大，其中2018年冬小麥在各生育期長勢變化最大，2019年后期與2020年前期長勢較好，2019年前期與2020年后期長勢較差，而在2018—2020年的開花期，大部分研究區(qū)域內(nèi)冬小麥長勢變化基本持平。

3）2018年影響冬小麥長勢的各因子進(jìn)行因子探測的大小結(jié)果為：鄉(xiāng)村勞動(dòng)力資源數(shù)>土壤濕度>降水量>氣溫>日照時(shí)間>GDP>人口密度>高程>坡向>坡度>土壤類型，冬小麥的長勢變化是一種復(fù)雜的因子交互作用的結(jié)果，也從側(cè)面證明了冬小麥長勢受到多因素共同作用。

[1] SONG Yang, WANG Jing. Mapping winter wheat planting area and monitoring its phenology using Sentinel-1 backscatter time series[J]. Remote Sensing, 2019, 11(4): 449.

[2] WANG Lijuan, ZHANG Guimin, WANG Ziyi, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China[J]. Remote Sensing, 2019, 11(7): 809.

[3] DONG Jie, FU Yangyang, WANG Jingjing, et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data, 2020, 12(4): 3 081-3 095.

[4] QIU Lin, SUN Genyun, ZHANG Aizhu, et al. Winter wheat phenology extraction based on dense time series of senyinel-1A data[C]//IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2020: 5 262-5 265.

[5] YANG Aixia, ZHONG Bo, WU Jinhua. Monitoring winter wheat in Shandong Province using Sentinel data and Google Earth Engine platform[C]//International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp). IEEE, 2019: 1-4.

[6] CHENG Tao, YANG Zhengwei, INOUE Yoshio, et al. Preface: Recent advances in remote sensing for crop growth monitoring[J]. Remote Sensing, 2016, 8(2): 116.

[7] SHARABIANI V R, KASSAR F H, GILANDEH Y A, et al. Application of soft computing methods and spectral reflectance data for wheat growth monitoring[J]. Iraqi Journal of Agricultural Science, 2019, 50(3): 1 064-1 076.

[8] DU M M, NOGUCHI N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system[J]. Remote Sensing, 2017, 9(3): 289.

[9] BOORI M S, CHOUDHARY K, KUPRIYANOV A V. Crop growth monitoring through Sentinel and Landsat data based NDVI time-series[J]. Компьютерная Оптика, 2020, 44(3): 409-419.

[10] 孫麗, 王蔚丹, 陳媛媛, 等. 2019年美國冬小麥長勢遙感監(jiān)測分析[J].安徽農(nóng)業(yè)科學(xué), 2020, 48(1): 241-244.

SUN Li, WANG Weidan, CHEN Yuanyuan, et al. Analysis of winter wheat growth of United States with remote sensing data in 2019[J]. Journal of Anhui Agricultural Sciences, 2020, 48(1): 241-244.

[11] 牛魯燕, 蔣風(fēng)偉, 張俊麗, 等. 基于無人機(jī)多光譜遙感的小麥長勢監(jiān)測研究[J]. 山東農(nóng)業(yè)科學(xué), 2021, 53(3): 139-145.

NIU Luyan, JIANG Fengwei, ZHANG Junli, et al. Study on wheat growth monitoring based on UAV multi-spectrum[J]. Shandong Agricultural Sciences, 2021, 53(3): 139-145.

[12] 李炳軍, 王天慧. 冬小麥不同生長階段氣象因素對(duì)產(chǎn)量影響的雙重量化分析[J]. 麥類作物學(xué)報(bào), 2018, 38(4): 487-492.

LI Bingjun, WANG Tianhui. Double quantification analysis of the effect of meteorological factors on yield in winter wheat at different growth stages[J]. Journal of Triticeae Crops, 2018, 38(4): 487-492.

[13] 鄭潤橋, 費(fèi)良軍, 介飛龍, 等. 區(qū)域灌溉需水量時(shí)空變化特征及其影響因素研究：以魯西北地區(qū)為例[J]. 灌溉排水學(xué)報(bào), 2022, 41(4): 84-92.

ZHENG Runqiao, FEI Liangjun, JIE Feilong, et al. Spatiotemporal variation in crop demand for irrigation water and its determinants: Take Northwest Shandong Province as an example[J]. Journal of Irrigation and Drainage, 2022, 41(4): 84-92.

[14] 花佳程, 朱永華, 王振龍, 等. 淮北平原冬小麥作物系數(shù)的變化規(guī)律研究[J].灌溉排水學(xué)報(bào), 2021, 40(2): 118-124.

HUA Jiacheng, ZHU Yonghua, WANG Zhenlong, et al. Spatiotemporal variation of crop coefficient of winter wheat in Huaibei plain[J]. Journal of Irrigation and Drainage, 2021, 40(2): 118-124.

[15] 童威, 郎豐鎧. 基于地理探測器的武漢市土地利用變化及其驅(qū)動(dòng)機(jī)制探討[J]. 水利水電技術(shù)(中英文), 2021, 52(4): 45-56.

TONG Wei, LANG Fengkai. Geodetector-based analysis on land-use variation and its driving force in Wuhan[J]. Water Resources and Hydropower Engineering, 2021, 52(4): 45-56.

[16] 陳實(shí). 中國北部冬小麥種植北界時(shí)空變遷及其影響機(jī)制研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2020.

CHEN Shi. The spatiotemporal shift of the northern limit of winter wheat in Northern China and its influence mechanism[D]. Beijing: Chinese Academy of Agricultural Sciences, 2020.

[17] 周珂, 柳樂, 張儼娜, 等. GEE支持下的河南省冬小麥面積提取及長勢監(jiān)測[J]. 中國農(nóng)業(yè)科學(xué), 2021, 54(11): 2 302-2 318.

ZHOU Ke, LIU Le, ZHANG Yanna, et al. Area extraction and growth monitoring of winter wheat in Henan Province supported by google earth engine[J]. Scientia Agricultura Sinica, 2021, 54(11): 2 302-2 318.

[18] 雷海梅. 基于多源遙感數(shù)據(jù)的黑龍港流域主要農(nóng)作物分類研究[D].邯鄲: 河北工程大學(xué), 2021.

LEI Haimei. Research on the classification of main crops in Heilonggang watershed based on multi-source remote sensing data[D]. Handan: Hebei University of Engineering, 2021.

[19] 魏夢凡. 基于Sentinel-2A衛(wèi)星遙感影像的開封市冬小麥種植面積提取技術(shù)研究[D]. 開封: 河南大學(xué), 2019.

WEI Mengfan. Research on extraction technology of winter wheat planting area in Kaifeng City based on Sentinel-2A satellite remote sensing image[D]. Kaifeng: Henan University, 2019.

[20] 王軍邦, 葉輝. 2000—2018年全國1km每8天精細(xì)格網(wǎng)化氣象數(shù)據(jù)空間插值數(shù)據(jù)集[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

WANG Junbang, YE Hui. 2000—2018 National 1km every 8-day fine gridded meteorological data spatial interpolation dataset[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

[21] MENG Xiangjin, MAO Kebiao, MENG Fei, et al. A fine-resolution soil moisture dataset for China in 2002—2018[J]. Earth System Science Data, 2021, 13(7): 3 239-3 261.

[22] 聊城市統(tǒng)計(jì)局, 國家統(tǒng)計(jì)局聊城調(diào)查隊(duì). 聊城統(tǒng)計(jì)年鑒-2019[M]. 北京: 中國統(tǒng)計(jì)出版社, 2019.

[23] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] 雷震. 隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D]. 上海: 上海交通大學(xué), 2012.

LEI Zhen. Random forest and its application in remote sensing image processing[D]. Shanghai: Shanghai Jiao Tong University, 2012.

[25] 劉毅, 杜培軍, 鄭輝, 等. 基于隨機(jī)森林的國產(chǎn)小衛(wèi)星遙感影像分類研究[J]. 測繪科學(xué), 2012, 37(4): 194-196.

LIU Yi, DU Peijun, ZHENG Hui, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196.

[26] 李長春, 陳偉男, 王宇, 等. 基于多源Sentinel數(shù)據(jù)的縣域冬小麥種植面積提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021, 52(12): 207-215.

LI Changchun, CHEN Weinan, WANG Yu, et al. Extraction of winter wheat planting area in county based on multi-sensor Sentinel data[J]. Transactions of the Chinese Society for of Agricultural Machinery, 2021, 52(12): 207-215.

[27] 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): 11 249-11 266.

[28] 程永政. 多尺度農(nóng)作物遙感監(jiān)測方法及應(yīng)用研究[D]. 鄭州: 解放軍信息工程大學(xué), 2009.

CHENG Yongzheng. The study on the methods for multi-scale crop monitoring by remote sensing[D]. Zhengzhou: PLA Information Engineering University, 2009.

[29] 吳素霞, 毛任釗, 李紅軍, 等. 中國農(nóng)作物長勢遙感監(jiān)測研究綜述[J].中國農(nóng)學(xué)通報(bào), 2005, 21(3): 319-322, 345.

WU Suxia, MAO Renzhao, LI Hongjun, et al. Review of crop condition monitoring using remote sensing in China[J]. Chinese Agricultural Science Bulletin, 2005, 21(3): 319-322, 345.

[30] 吳炳方, 張峰, 劉成林, 等. 農(nóng)作物長勢綜合遙感監(jiān)測方法[J]. 遙感學(xué)報(bào), 2004, 8(6): 498-514.

WU Bingfang, ZHANG Feng, LIU Chenglin, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498-514.

[31] SKAKUN S, FRANCH B, VERMOTE E, et al. Winter wheat yield assessment using landsat 8 and sentinel-2 data[C]//IGARSS 2018—2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 5 964-5 967.

[32] MATTON Nicolas, CANTO Guadalupe Sepulcre, WALDNER Fran?ois, et al. An automated method for annual cropland mapping along the season for various globally-distributed agrosystems using high spatial and temporal resolution time series[J]. Remote Sensing, 2015, 7(10): 13 208-13 232.

[33] 尹捷, 周雷雷, 李利偉, 等. 多源遙感數(shù)據(jù)小麥識(shí)別及長勢監(jiān)測比較研究[J]. 遙感技術(shù)與應(yīng)用, 2021, 36(2): 332-341.

YIN Jie, ZHOU Leilei, LI Liwei, et al. A comparative study on wheat identification and growth monitoring based on multi-source remote sensing data[J]. Remote Sensing Technology and Application, 2021, 36(2): 332-341.

[34] WANG Jinfeng, LI Xinhu, CHRISTAKOS George, et al. Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127.

[35] 王勁峰, 徐成東. 地理探測器: 原理與展望[J]. 地理學(xué)報(bào), 2017, 72(1): 116-134.

WANG Jinfeng, XU Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.

[36] 李昊儒, 毛麗麗, 梅旭榮, 等. 近30年來我國糧食產(chǎn)量波動(dòng)影響因素分析[J]. 中國農(nóng)業(yè)資源與區(qū)劃, 2018, 39(10): 1-10, 16.

LI Haoru, MAO Lili, MEI Xurong, et al. Analysis on influencing factors of grain production fluctuation during the last 30 years in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(10): 1-10, 16.

[37] 邵云, 李靜雅, 馬冠群, 等. 基于長期定位的無機(jī)有機(jī)肥配施對(duì)土壤養(yǎng)分和小麥籽粒產(chǎn)量及品質(zhì)的影響[J]. 河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022, 50(3): 126-134.

SHAO Yun, LI Jingya, MA Guanqun, et al. Effects of combined application of organic and inorganic fertilizers on soil nutrients, wheat grain yield and quality based on long-term location[J]. Journal of Henan Normal University (Natural Science Edition), 2022, 50(3): 126-134.

[38] 張思源, 聶瑩, 張海燕, 等. 基于地理探測器的內(nèi)蒙古植被NDVI時(shí)空變化與驅(qū)動(dòng)力分析[J]. 草地學(xué)報(bào), 2020, 28(5): 1 460-1 472.

ZHANG Siyuan, NIE Ying, ZHANG Haiyan, et al. Spatiotemporal variation of vegetation NDVI and its driving forces in Inner Mongolia based on geodetector[J]. Acta Agrestia Sinica, 2020, 28(5): 1 460-1 472.

[39] 林妍敏, 李文慧, 南雄雄, 等. 基于地理探測器的寧夏賀蘭山植被覆蓋度時(shí)空分異及驅(qū)動(dòng)因子[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2022, 33(12): 3 321-3 327.

LIN Yanmin, LI Wenhui, NAN Xiongxiong,et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3 321-3 327.

Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-Resolution Satellite Imagery

WANG Le1, FAN Yanguo1*, FAN Bowen2, WANG Yong3

(1. China University of Petroleum (East China), Qingdao 266580, China;2. Harbin Engineering University, Harbin 150001, China; 3. Yantai Geographic Information Center, Yantai 264000, China)

【Objective】Winter wheat is the second-largest stable crop in China and comprehending its growth and the factors affecting it on a large scale is crucial for food security. This paper aims to investigate the feasibility of using satellite imagery to accomplish this objective.【Method】The study is based on Sentinel-2 images. The spatial distribution of winter wheat planted from 2018 to 2020 in the studied region was extracted using the random forest method, which were then used to analyze the changes in wheat growth in rejuvenation, jointing, pregnant ear pumping, and flowering stages in each year. For comparison, we divided the growth into health growth, normal growth and poor growth. Wheat growth was linked to 11 abiotic and geographic factors, including temperature, precipitation, slope of the lands, slope aspect, elevation, soil type, soil moisture, sunshine time, population density, rural labor resources and GDP.【Result】Compared with 2018—2019, wheat in 2020 grew better during the greening and jointing stages in more than 90% of the studied area, but worse in the pregnant ear pumping stage in more than 20% of the studied area. Wheat growth was normal during the flowering stage in 80% of the studied area. The factors which affect winter wheat growth were ranked in the following order based on their significance: rural labor resources> soil moisture> precipitation> temperature> sunshine time. It was also found that the interaction between different factors in their impact on wheat growth is manifested as a bifold or nonlinear enhancement.【Conclusion】The change in winter wheat growth in the studied region is due to the complex interplay of multiple factors.

winter wheat; area extraction; growth monitoring; geographic detector; Weishan Irrigation District

王樂, 樊彥國, 樊博文, 等. 基于高分衛(wèi)星的冬小麥長勢監(jiān)測及驅(qū)動(dòng)因素分析[J]. 灌溉排水學(xué)報(bào), 2023, 42(5): 24-32, 51.

WANG Le, FAN Yanguo, FAN Bowen, et al. Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-resolution Satellite Imagery[J]. Journal of Irrigation and Drainage, 2023, 42(5): 24-32, 51.

2022-05-16

國家自然科學(xué)青年基金項(xiàng)目（42106215）；山東省自然科學(xué)青年基金項(xiàng)目（ZR202103030691）

王樂（1998-），女。碩士研究生，主要從事農(nóng)業(yè)水利遙感研究。E-mail: z20160092@s.upc.edu.cn

樊彥國（1965-），男。教授，博士，主要從事地理信息研究。E-mail: ygfan@upc.edu.cn

1672 - 3317（2023）05 - 0024 - 10

S127

A

10.13522/j.cnki.ggps.2022268

責(zé)任編輯：趙宇龍