湯萌萌，江文娟，丁琪洵，王強(qiáng)，馬友華

（農(nóng)田生態(tài)保育與污染防控安徽省重點(diǎn)實(shí)驗(yàn)室/安徽農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，合肥 230036）

0 引言

耕地作為農(nóng)業(yè)生產(chǎn)的重要資源，其質(zhì)量直接影響著國內(nèi)糧食安全和農(nóng)產(chǎn)品的質(zhì)量[1]。受自然因素和人類因素的雙重作用，耕地質(zhì)量呈現(xiàn)出下降的趨勢[2-3]，其中以優(yōu)質(zhì)耕地資源數(shù)量下降、后備耕地資源開發(fā)趨于極限[4-6]、土壤污染[7-8]為主要問題，導(dǎo)致耕地質(zhì)量的下降，制約耕地資源的可持續(xù)利用[9-10]。如何快速、準(zhǔn)確地進(jìn)行長時(shí)序、大范圍的耕地質(zhì)量評價(jià)是實(shí)現(xiàn)耕地資源合理有效運(yùn)用和保護(hù)耕地資源的關(guān)鍵[11]。隨著高時(shí)間、高空間、高光譜分辨率遙感技術(shù)應(yīng)用的普及，將其應(yīng)用于耕地質(zhì)量評價(jià)中，簡化評價(jià)指標(biāo)的獲取手段、節(jié)約數(shù)據(jù)獲取成本，同時(shí)可以借助高分辨率遙感技術(shù)獲得長時(shí)間跨度的耕地質(zhì)量信息，對比耕地質(zhì)量的變化趨勢[12]。如何在高分辨率遙感應(yīng)用進(jìn)展的基礎(chǔ)上，進(jìn)行耕地質(zhì)量評價(jià)指標(biāo)獲取，結(jié)合高分辨率遙感影像進(jìn)行耕地質(zhì)量評價(jià)，成為當(dāng)今耕地質(zhì)量評價(jià)乃至土地評價(jià)的一項(xiàng)重要研究內(nèi)容。筆者分析高分辨率遙感技術(shù)在耕地質(zhì)量評價(jià)的應(yīng)用現(xiàn)狀，并結(jié)合高分辨率遙感技術(shù)對耕地質(zhì)量評價(jià)方法進(jìn)行綜述，旨在為完善國內(nèi)耕地質(zhì)量評價(jià)工作提供參考。

1 高分辨率遙感技術(shù)應(yīng)用基礎(chǔ)與特征

高分辨率遙感影像是相對于中低分辨率遙感影像，具有更加豐富的地物紋理信息、多波段成像、重訪周期短且空間分辨率優(yōu)于5 m 的遙感影像。目前，國際上已有的商業(yè)高分辨率衛(wèi)星包括ALOS、SPOT5、SPOT6、RapidEye 等。高分辨率遙感影像在測繪、交通、資源環(huán)境、國土等領(lǐng)域中的應(yīng)用日益廣泛，因此，國內(nèi)對于高分辨率遙感技術(shù)的研究也日益深入。

高分辨率遙感影像與傳統(tǒng)的中低分辨率遙感影像相比，具有諸多優(yōu)點(diǎn)[13-16]。（1）更高的空間與時(shí)間分辨率，滿足大比例尺下的土地利用調(diào)查需求，分辨道路、耕地以及排水渠等農(nóng)田基礎(chǔ)設(shè)施。（2）獲取的地物內(nèi)容信息更加詳細(xì)，由于分辨率更高，在獲取光譜信息反演土壤性狀的同時(shí)，也可以對植被指數(shù)、作物類型等內(nèi)容進(jìn)行更加詳盡的分辨。（3）紋理和尺寸信息更加清晰，高分辨率影像能夠提供相對更小尺寸的紋理單元信息，提高對地物類型、土壤質(zhì)地、土壤類型的區(qū)分度。（4）三維信息更加豐富，對具有一定高度的物體，側(cè)面和陰影中包含更多的三維信息，有助于準(zhǔn)確判斷地形部位、計(jì)算地形屬性。

高分辨率遙感影像具有諸多優(yōu)勢，但也存在一些挑戰(zhàn)。（1）類內(nèi)差異性強(qiáng)，高分分辨率影像在提供精細(xì)化的地物目標(biāo)的同時(shí)，大大增加了可識(shí)別地物的類型和數(shù)量。（2）“異物同譜”和“同物異譜”現(xiàn)象更加突出，噪聲、光照、云霧等外界環(huán)境對成像質(zhì)量影響較大，且高分辨率影像內(nèi)容高度細(xì)節(jié)化、地物邊緣模糊，使得“異物同譜”和“同物異譜”現(xiàn)象普遍存在。（3）數(shù)據(jù)量大，高分辨率遙感影像由于一幅數(shù)據(jù)覆蓋面小、波段多，同樣獲取一個(gè)地區(qū)的數(shù)據(jù)，如果將該區(qū)域的分辨率提高4 倍，則圖像的尺寸大約是中低分辨率遙感圖像的15 倍，并且隨著分辨率的增加，圖像的信息量增加。（4）解譯困難，由于精細(xì)程度高、結(jié)構(gòu)獨(dú)立性強(qiáng)，需要更多的解譯目標(biāo)，提高計(jì)算自動(dòng)化程度和算法的自動(dòng)化程度。

遙感技術(shù)在全天候提供地表信息的同時(shí)，還可以對耕地質(zhì)量進(jìn)行長時(shí)間序列和大范圍的動(dòng)態(tài)變化監(jiān)測。目前國內(nèi)外研究用Landsat TM/ETM+、SPOT、BJ-1、MODIS、HJ、Hyperion、Geo Eye-1等高分辨率影像探索不同耕地質(zhì)量評價(jià)指標(biāo)的反演和評價(jià)模型的構(gòu)建，為基于高分辨率遙感影像的耕地質(zhì)量評價(jià)奠定了基礎(chǔ)。

2 基于遙感的耕地質(zhì)量評價(jià)指標(biāo)研究

耕地質(zhì)量是耕地的內(nèi)在條件和外部利用特征的綜合特征，國內(nèi)外學(xué)者對于耕地質(zhì)量的評價(jià)具有差異性。國外多注重在土地質(zhì)量方面的研究[17]，包括土壤全氮[18-20]、土壤酸堿度[21]、表層土壤有機(jī)質(zhì)含量[22-23]、土壤顆粒組成[24-26]等，國內(nèi)學(xué)者對耕地質(zhì)量的研究則關(guān)注自然條件和環(huán)境條件2 個(gè)方面[27-28]。結(jié)合國內(nèi)外學(xué)者的相關(guān)研究內(nèi)容，耕地質(zhì)量評價(jià)主要包括地形特征、田間基礎(chǔ)設(shè)施、土壤性狀、農(nóng)田環(huán)境狀況、生物多樣性等內(nèi)容。

當(dāng)前，耕地質(zhì)量評價(jià)指標(biāo)多從實(shí)地調(diào)查采樣數(shù)據(jù)、統(tǒng)計(jì)文本數(shù)據(jù)中獲取，而基于遙感的耕地質(zhì)量評價(jià)指標(biāo)是從對地觀測數(shù)據(jù)中獲取指標(biāo)內(nèi)容，其中對地觀測數(shù)據(jù)以SPOT、Landsat TM/ETM + 、Sentinel- 2A、MODIS、國產(chǎn)高分系列衛(wèi)星影像數(shù)據(jù)為主。耕地質(zhì)量評價(jià)指標(biāo)可以通過遙感識(shí)別或者反演模型獲得，例如地形特征、土壤性狀、土壤重金屬含量、田間基礎(chǔ)設(shè)施、生物多樣性。高空間分辨率遙感影像提取耕地質(zhì)量評價(jià)的定性指標(biāo)，而高光譜分辨率遙感影像則能對其進(jìn)行定量指標(biāo)的反演。具體的耕地質(zhì)量評價(jià)指標(biāo)內(nèi)容見表1。

表1 耕地質(zhì)量評價(jià)指標(biāo)

2.1 耕地質(zhì)量評價(jià)定性指標(biāo)

2.1.1 地形特征地形影響耕地的光照、熱量、水分條件，數(shù)字高程模型（Digital Elevation Model，簡稱DEM）是對地表形態(tài)的數(shù)字化表達(dá)，包含坡面、坡向等地形、地貌信息。耕地質(zhì)量評價(jià)指標(biāo)中關(guān)于地形特征的指標(biāo)有地形部位和田面坡度，這2 項(xiàng)指標(biāo)都可以通過DEM 計(jì)算得到。遙感可以通過立體像對、干涉雷達(dá)、激光雷達(dá)3 種方式獲得DEM 數(shù)據(jù)[29-32]，根據(jù)DEM數(shù)據(jù)計(jì)算地形屬性和提取地形信息，包括耕地的地形部位、海拔高度、坡面、田面坡度、坡向等[33-34]。

2.1.2 田間基礎(chǔ)設(shè)施田間基礎(chǔ)設(shè)施主要是包括灌排條件、農(nóng)田林網(wǎng)化、道路通達(dá)度等在內(nèi)的農(nóng)田基礎(chǔ)設(shè)施。以多源遙感影像為數(shù)據(jù)源，運(yùn)用決策樹分類、形態(tài)學(xué)分析等方法，實(shí)現(xiàn)對田間溝渠的識(shí)別；基于SEBAL(Surface Energy Balance Algorithm for Land)遙感模型，應(yīng)用MODIS數(shù)據(jù)對農(nóng)田蒸散發(fā)、地表干旱指數(shù)進(jìn)行反演，并對農(nóng)田的灌溉面積進(jìn)行估算[35]。根據(jù)對田間排水溝的特征識(shí)別，計(jì)算田間排水溝的長度、密度等指標(biāo)，反映農(nóng)田的排水狀況。通過對道路反射光譜特性和形態(tài)特征的分析，提取田間道路，計(jì)算道路與農(nóng)田之間的距離，得到耕地道路通達(dá)度[36]。利用遙感影像，識(shí)別農(nóng)田林網(wǎng)的形態(tài)和分布，計(jì)算林網(wǎng)密度，以反映農(nóng)田林網(wǎng)化程度[37-38]。

2.1.3 生物多樣性利用遙感影像進(jìn)行個(gè)體物種的識(shí)別，提取耕地及周邊的生物多樣性信息。光譜異質(zhì)性是用來衡量棲息地異質(zhì)性的重要指標(biāo)，區(qū)域異質(zhì)性高代表著有更多的物種，生物多樣性高[39]。

利用GF2、SPOT-6 等高空間分辨率遙感影像，分析不同紋理特征對生物量的影響，結(jié)合地面實(shí)測生物量數(shù)據(jù)進(jìn)行區(qū)域生物量反演，分析區(qū)域生物多樣性[40]。

2.2 耕地質(zhì)量評價(jià)定量指標(biāo)

2.2.1 土壤性狀耕地土壤性狀通過土壤類型、耕層質(zhì)地、含水量、養(yǎng)分、表層有機(jī)質(zhì)含量等指標(biāo)來表達(dá)。土壤類型可以用手持光譜儀進(jìn)行土壤高光譜反射率的測定，采用去包絡(luò)線法和神經(jīng)網(wǎng)絡(luò)法進(jìn)行區(qū)分[41-42]。有學(xué)者利用主成分分析法對近紅外光譜數(shù)據(jù)進(jìn)行降維，提取3 個(gè)主成分來代表原光譜數(shù)據(jù)，基于極限學(xué)習(xí)機(jī)鑒別土壤類型[43-45]。白燕英等[46]研究河套灌區(qū)表層土壤粘粒、粉粒、砂粒等不同粒徑與光譜的關(guān)系，采用一元回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型，建立土壤質(zhì)地與敏感波段的關(guān)系模型。采用遙感-數(shù)學(xué)-模型學(xué)的研究方法將MODIS 衛(wèi)星遙感數(shù)據(jù)融合，結(jié)合采樣點(diǎn)數(shù)據(jù)，建立地下水位線、土壤水分的線性方程，反演研究區(qū)的地下水位且誤差較小[47]；微波遙感的后向散射系數(shù)也可以用來監(jiān)測土壤含水量[48]。屈冉等[49]通過收集野外采樣數(shù)據(jù)和Landsat TM影像數(shù)據(jù)，篩選出與土壤有機(jī)質(zhì)分布相關(guān)的TM 波段，在此基礎(chǔ)上建立土壤有機(jī)質(zhì)與Landsat TM 影像各波段DN值的回歸方程。趙瑞等[50]基于國產(chǎn)高光譜遙感影像提取光譜信息，將4 種不同的土壤指數(shù)與實(shí)測土壤有機(jī)質(zhì)含量建立聯(lián)系，反演土壤有機(jī)質(zhì)含量。任紅艷等[51]通過偏最小二乘回歸模型建立回歸方程，基于土壤的單波段、全波段高光譜反射特征，預(yù)測土壤全氮、碳氮比等屬性，發(fā)現(xiàn)估測模型的精度受土壤顆粒粒徑水平和光譜指數(shù)的影響。林楠等[52]將蝙蝠算法與Adaboost 模型相結(jié)合,構(gòu)建高光譜土壤養(yǎng)分預(yù)測模型，估測研究區(qū)的土壤中磷、鉀含量。有學(xué)者的研究發(fā)現(xiàn)，土壤實(shí)測光譜數(shù)據(jù)的一階微分和二階微分變化可以提高土壤有機(jī)質(zhì)和全氮反演的相關(guān)性，通過光譜變化技術(shù)增強(qiáng)土壤養(yǎng)分與高光譜之間的相關(guān)性[53]。Zeraatpishehet[54]利用數(shù)字高程模型(DEM)和Landsat ETM+影像，采用Cubist模型(Cu)、隨機(jī)森林(RF)、回歸樹(regression tree)、多元線性回歸(multiple linear regression)等模型，預(yù)測研究區(qū)的土壤有機(jī)碳、粘土含量、碳酸鈣當(dāng)量。

2.2.2 農(nóng)田環(huán)境狀況隨著高光譜技術(shù)的發(fā)展，較多學(xué)者的研究已經(jīng)證明，利用土壤光譜信息可以預(yù)測土壤中的重金屬含量[55]。直接分析土壤的光譜特征難以估算其中的重金屬含量，可以通過微分方程增強(qiáng)光譜特征，提取重金屬光譜特征，建立GA-SVM 土壤重金屬高光譜反演模型[56-57]。

3 耕地質(zhì)量評價(jià)方法

3.1 耕地質(zhì)量等級評價(jià)方法

《耕地質(zhì)量等級》(GB/T 33469—2016)中采用綜合指數(shù)法對區(qū)域滿足農(nóng)產(chǎn)品持續(xù)產(chǎn)出和質(zhì)量安全的能力進(jìn)行評價(jià)，包括耕地地力、耕地土壤健康狀況、田間基礎(chǔ)設(shè)施等方面評價(jià)內(nèi)容。根據(jù)全國農(nóng)業(yè)綜合區(qū)劃，設(shè)立13 個(gè)基礎(chǔ)性指標(biāo)，結(jié)合不同區(qū)域耕地的特點(diǎn)，將全國耕地劃分為9 個(gè)區(qū)域，針對不同的區(qū)域補(bǔ)充不同的耕地質(zhì)量指標(biāo)。指標(biāo)確定后，首先對評價(jià)區(qū)域內(nèi)有無污染進(jìn)行判定，如果沒有污染，采用AHP 方法確定各指標(biāo)權(quán)重；如果耕地中有污染，用內(nèi)梅羅綜合污染指數(shù)和土壤單項(xiàng)污染指數(shù)來判定耕地的清潔程度，從而達(dá)到對耕地質(zhì)量的綜合評價(jià)[58]。耕地質(zhì)量等級評價(jià)方法是基于實(shí)地調(diào)查采樣數(shù)據(jù)，以點(diǎn)帶面進(jìn)行耕地質(zhì)量評價(jià)，監(jiān)測評價(jià)范圍小，成本高。

3.2 植被指數(shù)協(xié)同耕地質(zhì)量評價(jià)

植被指數(shù)增加了高分辨率遙感影像的解譯內(nèi)容，反映植被在可見光、近紅外波段反射與土壤背景值之間差異，不同植被指數(shù)可以用來說明研究區(qū)植被狀況[59-62]。植被指數(shù)主要包括估算植被覆蓋率的比值植被指數(shù)(RVI)、反映植被覆蓋度變化的插值植被指數(shù)(DVI)、反映植被狀態(tài)的歸一化植被指數(shù)(NDVI)、用于干旱監(jiān)測的溫度植被干旱指數(shù)(TVDI)等多種指標(biāo)，通過多個(gè)植被指數(shù)協(xié)同，運(yùn)用定量化的方法，構(gòu)建耕地質(zhì)量等級評價(jià)體系。方琳娜等[63]從SPOT多光譜影像中提取RVI、NDVI、DVI等3個(gè)指標(biāo)，以反映植被覆蓋率、土壤肥力、土壤水分情況，結(jié)合土地利用、地形等信息，進(jìn)行耕地質(zhì)量評價(jià)。有學(xué)者利用MODIS產(chǎn)品數(shù)據(jù)，選取坡度、光溫生產(chǎn)潛力、NDVI、TVDI和單位產(chǎn)量作為耕地質(zhì)量評價(jià)指標(biāo)，根據(jù)專家評估法賦予指標(biāo)權(quán)重，采用P-S-R框架模型對山東省耕地質(zhì)量進(jìn)行評價(jià)[64]。

3.3 基于高分辨率遙感的耕地質(zhì)量評價(jià)方法

Were[65]利用土壤樣點(diǎn)、氣溫、降水、地形和遙感數(shù)據(jù)估算土壤有機(jī)碳的儲(chǔ)量，同時(shí)比較了支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林模型的反演精度差異。歐陽玲[66]以土壤實(shí)測數(shù)據(jù)、Landsat TM 和Landsat 8 影像、MODIS 數(shù)據(jù)等作為數(shù)據(jù)來源,建立基于SVM 算法的反演模型，將GIS 空間分析技術(shù)應(yīng)用于松嫩平原南部地區(qū)的耕地質(zhì)量評價(jià)。姚赫男等[67]從Landsat TM影像和DEM中提取耕地質(zhì)量信息，以坡度和土壤退化指數(shù)2 個(gè)指標(biāo)代表耕地生產(chǎn)壓力，以土地質(zhì)量指數(shù)和土壤水分指數(shù)為耕地狀態(tài)的代表，以土地利用程度代表社會(huì)響應(yīng)指數(shù)，利用空間加權(quán)求和進(jìn)行耕地質(zhì)量評價(jià)。張新樂等[68]利用Landsat 8 影像、Sentinel-2A 影像以及SPOT-6 影像獲取以像元為單元的田塊尺度的耕地質(zhì)量信息，采用主成分分析法建立評價(jià)指標(biāo)體系，進(jìn)行田塊尺度耕地質(zhì)量的監(jiān)測與評價(jià)，提高耕地質(zhì)量評價(jià)模型的時(shí)效性和時(shí)空分辨率。彭一平等[69]從生產(chǎn)壓力、耕地狀態(tài)、社會(huì)行為3 個(gè)角度構(gòu)建了耕地質(zhì)量指標(biāo)體系，利用中國自主高分遙感衛(wèi)星數(shù)據(jù)提取評價(jià)指標(biāo)，進(jìn)行耕地質(zhì)量評價(jià)及耕地質(zhì)量分布的分析，并結(jié)合實(shí)地考察驗(yàn)證評價(jià)結(jié)果的可靠性。

綜合利用高分辨率遙感數(shù)據(jù)、實(shí)地采樣、統(tǒng)計(jì)文本等數(shù)據(jù)，選取地形特征、土壤性狀、土壤重金屬含量、田間基礎(chǔ)設(shè)施、生物多樣性、植被指數(shù)等6 類評價(jià)指標(biāo)，利用遙感反演建模法獲取評價(jià)指標(biāo)內(nèi)容。遙感反演建模是對遙感數(shù)據(jù)的像元進(jìn)行描述，采用不同的預(yù)測模型提取耕地質(zhì)量指標(biāo)的方法。利用植被指數(shù)協(xié)同評價(jià)和主成分分析相結(jié)合的方法，建立耕地質(zhì)量評價(jià)模型，在此基礎(chǔ)上確定各評價(jià)指標(biāo)的權(quán)重，對研究區(qū)耕地質(zhì)量進(jìn)行評價(jià)。將研究區(qū)耕地質(zhì)量評價(jià)指標(biāo)作為訓(xùn)練樣本，利用決策樹和隨機(jī)森林2 種機(jī)器學(xué)習(xí)算法建立土壤觀測數(shù)據(jù)與環(huán)境數(shù)據(jù)之間的關(guān)系，克服原有參數(shù)統(tǒng)計(jì)方法的缺陷，進(jìn)行數(shù)字土壤制圖。通過機(jī)器學(xué)習(xí)算法將氣溫和降水?dāng)?shù)據(jù)、高分辨率遙感數(shù)據(jù)、實(shí)地采樣數(shù)據(jù)整合，預(yù)測研究區(qū)耕地質(zhì)量等級空間分布，對耕地質(zhì)量結(jié)果進(jìn)行精度驗(yàn)證?；诟叻直媛蔬b感的耕地質(zhì)量評價(jià)流程圖見圖1。

圖1 基于高分辨率遙感的耕地質(zhì)量評價(jià)流程圖

4 展望

基于高分辨率遙感數(shù)據(jù)對耕地質(zhì)量進(jìn)行評價(jià)，并對評價(jià)結(jié)果進(jìn)行精度檢驗(yàn)，以解決現(xiàn)有耕地質(zhì)量監(jiān)測面積小、時(shí)間周期短等信息采集中的問題。為完善構(gòu)建基于高分辨率遙感的耕地質(zhì)量評價(jià)方法，可開展以下方向的研究：（1）通過對高分辨率遙感圖像的空間信息提取、多光譜和高光譜信息的綜合利用，獲得大面積的耕地質(zhì)量信息，從而突破以往僅憑借采樣點(diǎn)插值進(jìn)行的面域耕地質(zhì)量評價(jià)。通過長時(shí)間的遙感監(jiān)測，可以監(jiān)測耕地質(zhì)量的變化情況并對未來變化趨勢進(jìn)行評價(jià)。（2）遙感數(shù)據(jù)的成像質(zhì)量容易受到噪聲、光照、云霧等外在因素的影響，綜合利用高光譜、多光譜、可見光-近紅外等數(shù)據(jù)，結(jié)合不同時(shí)相的高分辨率遙感影像對評價(jià)結(jié)果進(jìn)行交叉驗(yàn)證，以達(dá)到耕地質(zhì)量評價(jià)更高的精度。（3）通過將遙感數(shù)據(jù)與地面?zhèn)鞲衅?、?shí)地調(diào)查、網(wǎng)絡(luò)等數(shù)據(jù)相結(jié)合，建立一個(gè)全面的耕地質(zhì)量數(shù)據(jù)庫，使耕地質(zhì)量的評價(jià)工作更加立體化、實(shí)時(shí)性、自動(dòng)化。