基于遥感的广西甘蔗种植面积提取及长势监测*

谢鑫昌, 杨云川,2,3**, 田 忆, 廖丽萍,2,3, 莫崇勋,2,3, 韦钧培, 周津羽

基于遥感的广西甘蔗种植面积提取及长势监测*

谢鑫昌1, 杨云川1,2,3**, 田 忆1, 廖丽萍1,2,3, 莫崇勋1,2,3, 韦钧培1, 周津羽1

(1. 广西大学土木建筑工程学院 南宁 530004; 2. 广西大学工程防灾与结构安全教育部重点实验室 南宁 530004; 3. 广西防灾减灾与工程安全重点实验室 南宁 530004)

广西是我国最大的甘蔗种植和蔗糖产业基地, 但长期受自然灾害影响甘蔗单产产量不高, 及时获取其多年种植面积与长势的时空动态信息, 可为区域甘蔗种植优化、灾害风险管理及蔗糖产业结构调整等提供重要科学支撑。首先, 基于LANDSAT8 OLI遥感影像的6-5-2优化波段组合, 引入NDVI、DEM等辅助识别特征变量, 采用随机森林分类法进行多时相连续解译, 并借助Google Earth高清遥感影像比对修正, 获得了高精度的2014—2018年广西甘蔗种植面积分布; 其次, 基于MODIS-NDVI数据, 构建长势差值监测模型, 实现了近5年广西甘蔗茎伸期长势动态监测。结果表明: 1)本文解译方法效果良好, 广西甘蔗种植面积的总体分类精度高于92%, Kappa系数均大于0.8, 面积相对误差5年均值为−10.7%。2) 2014—2018年, 广西甘蔗种植面积呈“前期急减, 后期缓增”的变化趋势; 主要种植区以崇左、南宁及来宾市为主, 全区种植面积呈局部成片集聚、总体破碎分散的分布格局, 并与研究区地形地貌、土壤类型、河流水系分布等下垫面环境要素密切相关。3)NDVI差值模型能清晰反映广西甘蔗茎伸期长势的年际和年内的时空变化特征, 各年度内的甘蔗长势在好、正常、差等状态间交替转变频繁。上述成果可为揭示广西甘蔗对区域气候变化、旱涝交替及下垫面水土墒情动态的响应机制, 开展区域甘蔗种植结构优化及其资源利用效率评估等奠定科学基础。

遥感; 甘蔗; 面积提取; 随机森林; 长势监测

作物面积、长势监测是农业资源监测和风险评估的重要组成部分[1], 及时明晰作物相关物候动态变化机理[2]和准确预测粮食作物面积、长势和产量[3],有助于指导农业生产的科学调控和精准管理, 对政府部门制定应对气候变化和人类活动综合影响的粮食经济安全策略具有重要意义[2]。

传统方法是以统计报表和抽样调查的方式[4]获取作物面积和产量, 并通过多年产量对比预测作物长势; 这种方式往往不能体现作物生长发育过程和种植结构的空间动态变化, 并受人为因素影响大, 费时费力且成本高[5], 还无法进行预测和实时应对, 很难满足政府部门对农产品贸易、粮食安全、灾害动态监测预警等决策需求。与传统方法不同, 遥感是对地观测的重要手段[6], 具有实时性、直观性和大面积获取能力等优点[7], 可以及时提供地球表面的作物生长信息、环境信息、生态信息和灾害信息等[8], 广泛用于农业领域的大范围监测、评估与规划。刘佳等[9]、黄健熙等[10]及Wang等[11]基于HJ-1、GF-1和LANDSAT影像, 分别采用决策树分类和随机森林分类方法, 提取了河北省衡水市、黑龙江省五九七农场和浙江省安吉县的冬小麦(L.)、水稻(L.)及茶叶(O. Ktze.)等作物的种植面积, 总分类精度均超过83%, Kappa值均高于0.8; 苏伟等[12]、陶惠林等[13]基于MODIS和无人机遥感等产品, 构建LAI差值和GMI等长势监测模型, 实现黑龙江八五二农场、北京昌平区国家农业示范基地的冬小麦和玉米(L.)长势动态监测。以上研究主要针对市域、县域及田间尺度, 其地形地貌条件相对均一, 采用中高或高空间分辨率影像均可获取较高精度的作物面积及长势监测结果。当研究区域拓展到省域或更大区域时, 由于下垫面地形地貌复杂、云遮挡影响普遍, 在满足较高空间分辨率的同时, 高时间分辨率亦成为影响结果精度的重要因素[14-15]。刘佳等[16]、董秀春等[17]和Luciano等[18]、Gumma等[19]基于MODIS和LANDSAT影像, 采用决策树分类实现宁夏、云南和巴西圣保罗州、南亚等省域以上尺度的冬小麦、水稻、甘蔗(L.)等作物面积识别, Kappa值均超过0.7, 总精度均超过80%; Duveiller等[20]、Becker-Reshef等[21]基于SPOT和MODIS植被指数产品, 通过时序曲线重构法提取了乌克兰、巴西的冬小麦、甘蔗等作物生长信息, 但该方法仅反映研究区内某单点的作物生长情况, 不能反映大范围作物的空间长势变化; Genovese等[22]、黄青等[23]在此基础上基于MODIS数据, 构建NDVI差值模型, 实现了西班牙和中国陕西、甘肃的冬小麦长势实时监测。此外, 潘学鹏等[24]、王红营等[25]基于MODIS-NDVI数据集, 通过HANTS滤波重构NDVI物候曲线, 并采用CART算法实现华北平原2000—2013年冬小麦、水稻、棉花(L.)等作物面积提取, 并为该地区农业结构优化和资源合理利用提供科学支撑。综上所述, 基于高空间和高时间分辨率的不同遥感影像组合开展区域作物面积与长势反演成为一个主要方向, 且通过短期高清影像、NDVI、LAI等作为辅助进行样本训练, 能有效提高作物类型识别精度。大范围、长序列的作物种植遥感解译及作物生育期动态长势监测, 逐步成为指导省域作物种植的长期规划与管理的重要依据。

广西地处亚热带季风区, 气候温暖, 热量充足, 雨水充沛, 其甘蔗种植面积和产糖量均占全国总产量的60%以上, 是我国最主要的甘蔗经济产区和糖业保障区[26]。但其喀斯特地貌突出, 地势复杂, 丘陵地区地块破碎, 种植结构复杂, 甘蔗种植面积分布散乱; 云雨及大雾天气普遍偏多, 对遥感影像质量影响较大, 给省域尺度的广西甘蔗种植面积识别及长势动态监测增加了不少挑战。因此, 马尚杰等[27]、丁美花等[28]、覃泽林等[29]、潘莉莉[30]基于HJ-1、GF-1、GF-2遥感数据, 采用监督分类、决策树分类、面向对象分类及非监督分类等方法, 实现广西扶绥县、南宁市、江州区的甘蔗种植面积识别, Kappa系数高于0.7, 总体精度超过90%; 丁美花等[31]基于MODIS-NDVI重构曲线的物候变化规律, 实现2002年广西甘蔗生育期长势实时监测。上述研究以地形复杂条件较均一的市、县及田间尺度为主要研究区, 均获取了精度较高的甘蔗种植面积分布图。谭宗琨等[32]、张东东等[33]以多时相MODIS-NDVI、HJ-1影像为基础, 通过决策树分类法实现了中国南方甘蔗种植区提取, 识别精度均超过80%。综上可知, 针对整个广西开展甘蔗种植面积识别及长势动态监测的研究相对较少, 且无论是市、县尺度还是省域尺度, 均只以单年的遥感监测为主, 不能较好地实现连续多年的甘蔗空间动态信息变化特征分析, 且没有考虑下垫面条件对甘蔗种植空间格局的影响。

因此, 本文针对整个广西区域, 基于中高分辨率LANDSAT8 OLI影像为主、Google Earth高清影像辅助, 实现2014—2018年广西甘蔗种植面积提取, 并通过研究区下垫面影响因素分析, 进一步探讨广西甘蔗种植面积的空间分布特征; 基于MODIS- NDVI数据, 构建长势差值监测模型, 识别该时段甘蔗茎伸期长势动态。研究成果可为开展广西甘蔗对区域气候气象变化、低山丘陵及岩溶发育的水土墒情多变的响应机制奠定基础。

1 数据来源与研究方法

1.1 数据来源

文中采用的LANDSAT8 OLI遥感影像来源于美国地质勘查局(USGS, http://glovis.usgs.gov/)和中国地理空间数据云(http://www.gscloud.cn/), 其空间分辨率30 m, 卫星重访周期16 d, 共11个波段。本文选取2014—2018年广西甘蔗长势旺盛期(8—10月)的遥感影像, 并从中筛选每年18幅云量较少且覆盖整个广西(图1)的影像。影像预处理主要包括辐射定标、大气纠正、图像镶嵌及裁剪等过程, 其中, 采用FLAASH模型对影像进行大气纠正。

MODIS遥感数据产品主要来源于美国航天航空局(NASA, https://ladsweb.modaps.eosdis.nasa.gov/); 文中采用2014—2018年覆盖整个广西的MOD09A1光谱反射率数据产品, 空间分辨率500 m, 时间分辨率8 d, 共含7个波段。该数据预处理主要包括数据重投影、图像拼接与裁剪、数据重采样等过程, 主要采用MRT (MODIS Reprojection Tool)重投影工具实现。

此外, 广西地级市行政边界矢量数据来自全国地理信息资源目录服务系统(http://www.webmap. cn/)。土壤及地貌数据则来自中国科学院资源环境数据云平台(http://www.resdc.cn/)。

为避免遥感影像空间分辨率不一致而造成的精度问题, 将上述遥感栅格数据均通过空间重采样至30 m, 便于后续数据的处理及分析。

1.2 研究方法

1.2.1 种植面积提取方法

本文采用Breiman[34]提出的随机森林分类方法(RFC, random forests classification)对LANDSAT8 OLI遥感影像进行广西甘蔗区提取。该方法在决策树分类基础上进行了改进, 属于监督分类的一种。该算法分类结果主要由构建模型的所有决策树组合投票决定, 决策树模型通过研究区选取的训练样本及遥感数据中选取的特征变量随机组合而成。研究表明, 该方法具有很好的灵活性, 是一种新兴的机器学习方法, 其分类结果具有较好准确率。文中基于Linden等[35]开发的EnMAP遥感数据工具箱中的随机森林分类代码, 通过ENVI-IDL遥感图像处理软件实现分类识别广西甘蔗。其中, 广西甘蔗种植面积分类精度验证主要采用ENVI分类检验中的混淆矩阵、总体精度及Kappa系数等进行描述, 并结合2014—2018年《广西统计年鉴》和广西各地市《国民经济和社会发展统计公报》的甘蔗种植面积统计资料进行补充验证。

1.2.2 长势监测方法

归一化植被指数(NDVI)广泛应用于作物长势监测, 本文主要采用差值监测模型[23,36-37]实现广西甘蔗长势动态识别。首先计算2014—2018年广西甘蔗茎伸期(8—9月)每期的NDVI年平均值, 然后通过差值监测模型, 计算每年甘蔗种植区域当期每个像元与近5年NDVI均值的差值。公式如下:

NDVI=(NIR−RED)/(NIR+RED) (1)

式中:NIR为近红外波段反射率值,RED为红光波段反射率值。

NDVI差值模型中, 常根据差值将作物长势划分为5个等级[38]: 较常年差、较常年稍差、与常年持平、较常年稍好、较常年好(表1)。本文对近5年广西甘蔗茎伸期NDVI差值进行统计, 其结果主要集中分布在−1~1范围内, 并将5个等级中的较常年差、较常年稍差合并为长势差一类, 较常年稍好、较常年好归为长势好一类, 与常年持平定为长势正常一类, 即将广西甘蔗的长势等级划分为表1中的3个等级[23,37]。

表1 广西甘蔗长势的NDVI差值等级划分

2 广西甘蔗种植面积遥感反演

2.1 典型地物样本选取

2.1.1 典型地物解译标志建立

解译标志是遥感影像上能够直接反映和判断不同地物类型颜色、纹理等解译要素的影像特征[39-40]。LANDSAT8 OLI影像在不同波段组合下, 反映下垫面的颜色及纹理特征差异显著, 其中4-3-2波段组合属于自然真彩色, 能够真实反映地物间的纹理及色泽特征; 6-5-2波段则广泛应用于农业, 对于不同的植被和作物能较好地反映出不同的纹理及色泽特征。因此, 本文基于LANDSAT8 OLI影像的多波段组合, 集合实地调查和Google Earth高清影像的地物特征, 建立广西典型地物解译标志(表2)。综合分析发现, 广西甘蔗在LANDSAT8影像的4-3-2波段组合中主要呈深绿色, 色调均匀; 在6-5-2波段组合中呈淡绿色, 色调均匀, 偏暗, 纹理比较规则, 大部分在空间上呈大片种植的特征。进一步根据所选取的解译标志, 针对不同地物间的特征关系, 通过对比、分析和判断, 采用ENVI 5.3中感兴趣区选取方法, 实现2014—2018年广西下垫面各地物类型的训练样本选取, 并在60~500的样本量中, 不断地循环调试, 选取可分离度最优的训练样本组合。

2.1.2 地物样本可分离度检验

根据选取的训练样本, 采用ENVI软件计算和提取各典型地物光谱特征, 绘制光谱特征曲线(图2)。由图2可知, 2018年云的波谱反射率值在所有波段均明显高于各主要地物波谱反射率值; 水域的波谱反射率值在5、6、7波段均低于其他地物波谱值(小于1000), 其余波段则存在部分重叠现象; 裸地波谱值在4、6、7波段值均高于除云量外的其他地物; 城市及居民地在波段5中的波谱值较水域高, 较其他地物低, 值为1448, 而在6、7波段的波谱值较林地、耕地、甘蔗地及水域高。对比分析发现, 林地、耕地、甘蔗地具有相似的波谱变化特征, 但波段5中三者差异较为显著, 而在波段2、6中差异性不显著, 其余波段中存在部分重叠现象; 且2014—2017年的典型地物波谱特征与2018年相似。综上所述, 云、水域、城市及建筑用地、裸地在4、5、6、7波段中均能较好地实现地物区分, 而林地、耕地及甘蔗地则具有相似变化特征, 其中第6、5、2波段三者具有一定的差异性。

通过样本分离度检验, 各地物间的Jeffries- Matusita和Transformed Divergence参数范围均为1.8~2.0; 其中甘蔗、耕地间的参数范围在1.8~1.9, 表示两者间的可分离度较好, 其余地物间的可分离度均在1.9以上, 表明这些典型地物的可分离度高。综上, 对于上述地物样本的选取, 可以满足遥感分类中用户可分离度需求, 总体具有较高的分类解译精度。

表2 广西典型地物解译标志(包含云)

2.2 广西甘蔗种植面积提取

由图3可知, LANDSAT8影像各波段间均具有很强的相关性, 相关系数均在0.59~1范围; 其中波段1、2、3、4间及波段6、7间的相关系数均达0.9以上, 表明这1~4、6~7波段分别具有很高相似性。因此, 为了避免遥感影像提取过程中特征变量的冗余, 对于组合波段变量选取, 从波段1、2、3、4中选取波段2, 从波段6、7中选取波段6, 剩余选择波段5, 结合图2各地物波谱特征曲线亦可知各地物在6、5、2波段中可分离性较好, 差异性较显著, 已被广泛应用于农业遥感监测领域中。此外, 由于不同地物空间分布及光谱响应受地形条件差异的干扰, 单从地物的光谱特性分类解译, 其可靠性受到限制[41], 因此, 为了更准确地提取广西区甘蔗种植面积, 文中将NDVI、DEM作为补充的分类识别特征变量。

综上分析, 基于LANDSAT8的6-5-2波段组合和训练样本、结合NDVI特征变量, 采用随机森林监督分类方法实现了广西各地物分类提取, 结果显示对广西甘蔗种植总面积和南宁、柳州、来宾等主要地级市的甘蔗面积识别精度较高, 但河池、崇左等地级市识别精度较差。经分析, 误差主要受云遮挡、NDVI光谱特征重叠等方面的影响, 为此, 进一步通过实地调查、Google Earth卫星高清影像及分类精度较高的年份进行后处理及局部手动修正, 形成了最终较高精度的广西2014—2018年甘蔗种植面积空间分布图(图4)。

由图4可知, 广西甘蔗种植主要集中在桂西南及桂中等地区, 尤其是南宁、崇左及来宾3个地级市, 该结果与谭宗琨等[32]、张东东等[33]通过多时相影像的物候特征提取的广西区甘蔗种植面积空间分布相一致。其中, 崇左市甘蔗种植集中在该市中部, 空间上呈连片种植, 分布紧密; 南宁市甘蔗种植主要集中在该市的西部、东部及中部等地区, 空间分布特征与崇左相似; 来宾市甘蔗种植主要在该市中部, 空间上也呈连片种植特征。柳州、贵港、钦州、河池及百色等地级市种植面积次之, 柳州市主要集中在该市南部, 贵港市则分布在该市西部, 而钦州市集中在本市的北部地区, 百色和河池均集中在各市的东南部区域; 其余城市甘蔗种植面积较少, 分散分布在各市的不同区域。总体上, 广西甘蔗在研究时段内呈主产区聚集分布且年际变化相对稳定, 非主产区分散且年际变化较为显著的特征。

2.3 广西甘蔗种植面积精度检验

2.3.1 混淆矩阵精度评价

基于检验样本, 将广西甘蔗分类结果分为甘蔗种植区及非甘蔗种植区两大类, 采用混淆矩阵计算方法对上述甘蔗种植空间分布结果(图4)进行解译精度评价。具体以用户精度、生产者精度、总体精度及Kappa系数作为主要检验标准(表3); 其中, Kappa系数是遥感分类精度评价主要指标, 其取值范围在[−1, 1], 系数值越接近1, 表明该分类图精度结果越高。

由表3可知, 2014—2018年广西地物分类的总体精度均达92%以上, Kappa系数均在0.85以上, 表明该5年的广西土地分类精度较高, 满足应用需求。其中, 2014—2018年广西甘蔗种植区用户精度范围为80.35% (2017年)~93.79% (2016年); 各年度甘蔗种植区的生产者精度范围为85.33% (2016年)~98.90% (2018年)。对比近年的相关研究, 丁美花等[28]、马尚杰等[27]、张东东等[33]利用HJ-1多时相遥感影像提取2010年广西南宁市、2009年广西扶绥县和2015年广东湛江市甘蔗种植区面积的生产者精度分别为82.8%、82.31%和82.11%, 用户精度分别为97.5%、83.72%和89.38%; 陈刘凤等[42]利用LANDSAT8 OLI影像, 通过监督分类方法提取云南耿马县甘蔗种植面积, 生产者精度和用户精度分别为86.83%和90.19%。由此可知, 本文结果与上述研究结果精度相当或更高, 表明本文的分类方法和技术方案在广西甘蔗种植面积分类解译中具有较好的应用价值。

表3 2014—2018年广西地物混淆矩阵分类精度表

2.3.2 统计年鉴精度评价

为进一步评估广西甘蔗种植的解译面积精度, 将本文解译的2014—2018年广西及各地级市甘蔗种植面积与统计年鉴结果进行对比。由图5a可知, 遥感解译的甘蔗面积在广西整个区域上总体略小于年鉴统计的甘蔗面积, 历年面积相对误差分别为: −22.6% (2014年)、−16.4% (2015年)、−3.0% (2016年)、−10.4% (2017年)、−1.2% (2018年)。由图5b可知, 在各地级市范围内, 遥感解译的甘蔗面积相对误差绝对值变化范围为4.1%~29.2%; 其中大部分地级市的相对误差绝对值在4%~15%, 小部分地级市的相对误差绝对值在15%~30% (如崇左)。对比相关研究, 张东东等[33]遥感解译2015年广西甘蔗种植面积的相对误差为14.4%; 谭宗琨等[32]遥感解译2005年广西主要地级市甘蔗种植面积相对误差均在45%以内。综上可知, 本文遥感解译的2014—2018年广西甘蔗种植面积总体相对误差的5年均值为−10.7%, 主要地级市总体相对误差绝对值的5年均值为16.9%, 总体甘蔗面积识别精度较高。

2.4 广西甘蔗面积分布的下垫面影响因素

研究区的下垫面特征对广西甘蔗种植面积的空间分布有着显著影响, 以解译的2016年广西甘蔗种植面积空间分布图为例, 选取经纬度、蔗区到水系距离、海拔高程、坡度、坡向、地貌及土壤类型等因子进行分析。

由图6a-c可知, 广西甘蔗种植面积的空间分布随着经纬度的增加而呈现出“先增后减”的空间特征, 其中在104.5°~109.8°E、22.2°~24.2°N区间甘蔗种植面积最大(蔗区面积占比为87.37%), 主要集中在崇左、南宁、来宾等甘蔗主产区; 且广西甘蔗种植区与水系的距离主要集中在0~3370 m(蔗区面积占比为34.20%), 表明大部分甘蔗种植区沿水系分布, 但广西甘蔗普遍以雨养为主, 蔗区灌溉效率低, 水资源不能充分利用, 因此, 各政府部门应结合该优势大力加强蔗区灌溉工程设施建设, 增大灌溉面积, 提高甘蔗生产效率。如图6d-6h所示, 广西甘蔗种植面积主要集中在低海拔(0~217m)、坡度小(0°~6°)的平原和台地区域(蔗区面积占比为76.15%), 以铁铝土、初育土、人为土等土壤类型为主, 对于该地形地貌及土壤条件而言, 地形平坦、耕作面积大, 不易发生水土流失, 且土壤肥沃, 其中铁铝土中营养成分丰富, 易于促进生物物质循环提高土壤肥力, 普遍应用于农业生产经营中, 有助于甘蔗的生长和大范围种植, 但部分种植区域(如崇左西部、南宁南部、来宾西部等)分布于山地丘陵地区(蔗区面积占比为23.85%), 其地势复杂、形状多样, 蔗区分布较为分散; 甘蔗光合作用能力强, 属于生物量最高的大田C4作物, 其种植区主要分布在坡向朝西南、南及东南的地区(蔗区面积占比约为46.57%), 有助于甘蔗充分向阳, 增加日照时数, 提高其光合作用能力及碳水化合物的产量, 利于甘蔗的生长发育和产量保障。

综上可知, 广西甘蔗的种植管理与规划需要充分考虑下垫面等多种因素共同影响, 因地制宜, 科学制定甘蔗田间管理措施, 有利于保障甘蔗生长环境的适应性, 提高甘蔗产量。因此, 采用遥感技术可准确获取连续多年的甘蔗种植面积空间分布动态信息, 可为全区甘蔗种植结构优化、灾害风险管理提供可靠科学支撑, 对区内相关政府部门的甘蔗生产规划及经济决策制定具有重要意义。

3 广西甘蔗长势空间动态遥感反演

基于历年甘蔗茎伸期NDVI动态, 构建长势差值监测模型, 实现了2014—2018年广西甘蔗茎伸期长势动态监测(图7)。由图7可知, 近5年广西甘蔗茎伸期长势动态的空间分布随时间变化差异显著, 即在各年度8—9月(217~273 d)的不同时段, 出现长势好、差、正常等3个状态的交替演变空间分布格局。

2014年度, 8月上中旬(217~233 d)广西甘蔗茎伸期在桂西、桂中及桂东地区以(崇左、南宁、来宾、贵港等地级市)长势差为主, 面积占比为45%~80%; 桂西北及桂南地区(河池、防城港、钦州、北海)长势正常, 面积占比为15%~48%。8月下旬到9月下旬(241~273 d)甘蔗长势好转, 其中第241 d、249 d、265 d总体长势好于常年, 主要分布在桂中及桂北地区(崇左、南宁、来宾、河池、柳州), 面积占比为33%~56%; 第257 d、273 d总体长势正常, 主要分布在桂中地区(南宁、来宾、贵港), 面积占比为60%~85%。

2015年度, 8月上旬(217 d)广西甘蔗茎伸期长势好的地区以崇左、南宁、来宾及柳州等地级市为主, 面积占比为64.61%; 8月中旬到9月下旬(225~273 d)甘蔗长势相对较差, 其中第225 d、241 d、249 d及257 d以长势差为主, 分布在崇左、南宁、来宾、钦州、贵港及柳州, 面积占比为25%~90%, 第233 d、265 d和273 d长势以正常为主, 面积占比为55%~80%。

2016年度, 8月上中旬(217~233 d)广西甘蔗茎伸期长势在桂中及桂北大部分区域(崇左、南宁、来宾及柳州)以长势差为主, 面积占比为16%~35%; 而桂东和桂中、桂北小部分区域(崇左、南宁及柳州等局部和贵港、玉林)以长势正常为主, 面积占比为27%~63%。8月下旬到9月上旬(241~249 d)甘蔗长势差异较大, 第241 d以长势好为主, 面积占比为69.72%, 而第249 d长势相对较差, 面积占比为67.39%; 9月中下旬(257~273 d)长势则保持正常, 面积占比为55%~85%。

2017年度, 8月上旬(217 d)甘蔗茎伸期长势在桂中、桂北地区(南宁、来宾、河池、百色)较常年差, 面积占比为36.61%, 在桂东、桂西地区(贵港、玉林、崇左、防城港)长势正常, 面积占比为49.6%。8月中旬到9月中旬(225~257 d)甘蔗长势好转, 第225 d、241 d和249 d以长势好为主, 面积占比为20%~65%, 第233 d和257 d以长势正常为主, 面积占比分别为73.07%和73.77%; 9月下旬(265~273 d)甘蔗长势仍保持与常年持平, 面积占比分别为58.44%和50.64%。

2018年度, 8月上旬到9月上旬(217~249 d)甘蔗茎伸期长势在桂中、桂北地区(南宁、来宾、崇左、柳州)长势较常年好, 面积占比为30%~80%, 9月下旬(257~273 d)长势较差, 其中第257 d和273 d长势正常, 主要在桂中、桂南等地(南宁、来宾、贵港、钦州及北海), 面积占比分别为71.65%和80.93%。

对比相关研究, 钟仕全[43]、黄干淇等[44]采用NDVI差值模型分别监测2015年8月来宾市兴宾区和2017年防城港市上思县甘蔗区长势, 其中兴宾区长势以差、正常为主, 上思县总体以长势正常为主, 面积占比为52.88%; 而2015年8月中后期来宾市甘蔗长势以正常、差为主, 2017年防城港市甘蔗茎伸期长势总体保持与常年持平态势, 与上述研究结果相一致, 由此表明本文采用NDVI差值模型监测方法对广西甘蔗长势监测具有较好的应用价值。

4 结论

本文通过对广西2014—2018年甘蔗种植面积和长势的动态遥感监测, 得出以下结论:

1)基于LANDSAT8 OLI, 选择6-5-2波段组合, 以NDVI、DEM为辅助参数, 采用随机森林分类法可实现广西甘蔗种植面积的多年连续提取; 借助Google Earth高清遥感影像比对校正, 最终解译结果的总体分类精度超过92%, Kappa系数高于0.8, 全区5年相对误差均值为−10.7%。该结果显著优于现有的市、县域[27-30]及单个年份[32-33]的解译成果, 总体解译精度亦更优, 可满足开展广西甘蔗种植布局优化、长势监测及田间调控管理的需求。

2)广西甘蔗种植主要呈桂西南、桂中的平原台地成片集聚和桂东、桂北的山地丘陵破碎分散的空间格局; 该分布与区域下垫面的地形地貌、土壤特征、距水系距离等要素间存在较显著的相关性。由此, 可基于历年甘蔗分布与下垫面各要素的关联性, 并结合甘蔗长势及产量信息, 进一步开展广西甘蔗种植结构优化及其水资源利用效率评估, 为区域蔗糖“双高”产业发展提供重要科学支撑。

3)广西甘蔗在茎伸期的长势具有显著的年际和年内时空变化差异, 时段内长势在好、正常、差3个等级间交替转变。文中基于NDVI模型, 实现了省域、连续年份的甘蔗准周时间尺度(8 d)的动态长势监测, 优于单点或局部的长势监测[20-21], 可为揭示广西甘蔗对区域气候变化、旱涝交替及下垫面水土墒情动态的响应机制奠定基础。

[1] HARIHARAN S, MANDAL D, TIRODKAR S, et al. A novel phenology based feature subset selection technique using random forest for multitemporal PolSAR crop classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(11): 4244–4258

[2] 李正国, 唐华俊, 杨鹏, 等. 植被物候特征的遥感提取与农业应用综述[J]. 中国农业资源与区划, 2012, 33(5): 20–28 LI Z G, TANG H J, YANG P, et al. Progress in remote sensing of vegetation phenology and its application in agriculture[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2012, 33(5): 20–28

[3] YOUNG L J. Agricultural crop forecasting for large geographical areas[J]. Annual Review of Statistics and Its Application, 2019, 6: 173–196

[4] 郝鹏宇, 唐华俊, 陈仲新, 等. 基于历史增强型植被指数时序的农作物类型早期识别[J]. 农业工程学报, 2018, 34(13): 179–186 HAO P Y, TANG H J, CHEN Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 179–186

[5] 史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2): 247–260 SHI Z, LIANG Z Z, YANG Y Y, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247–260

[6] JIANG T, LIU X N, WU L. Method for mapping rice fields in complex landscape areas based on pre-trained convolutional neural network from HJ-1 A/B data[J]. ISPRS International Journal of Geo-Information, 2018, 7(11): 418

[7] 黄健熙, 黄海, 马鸿元, 等. 遥感与作物生长模型数据同化应用综述[J]. 农业工程学报, 2018, 34(21): 144–156 HUANG J X, HUANG H, MA H Y, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(21): 144–156

[8] AGHIGHI H, AZADBAKHT M, ASHOURLOO D, et al. Machine learning regression techniques for the silage maize yield prediction using time-series images of landsat 8 OLI[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(12): 4563–4577

[9] 刘佳, 王利民, 杨福刚, 等. 基于HJ时间序列数据的农作物种植面积估算[J]. 农业工程学报, 2015, 31(3): 199–206 LIU J, WANG L M, YANG F G, et al. Remote sensing estimation of crop planting area based on HJ time-series images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(3): 199–206

[10] 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 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

[11] WANG B, LI J, JIN X F, et al. Mapping tea plantations from multi-seasonal landsat-8 OLI imageries using a random forest classifier[J]. Journal of the Indian Society of Remote Sensing, 2019, 47(8): 1315–1329

[12] 苏伟, 朱德海, 苏鸣宇, 等. 基于时序LAI的地块尺度玉米长势监测方法[J]. 资源科学, 2019, 41(3): 601–611 SU W, ZHU D H, SU M Y, et al. Field-scale corn growth monitoring using time series LAI[J]. Resources Science, 2019, 41(3): 601–611

[13] 陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱长势指标的冬小麦长势监测[J]. 农业机械学报, 2020, 51(2): 180–191 TAO H L, XU L J, FENG H K, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180–191

[14] CHEN Y L, FENG L P, MO J F, et al. Identification of sugarcane with NDVI time series based on HJ-1 CCD and MODIS fusion[J]. Journal of the Indian Society of Remote Sensing, 2020, 48(2): 249–262

[15] LU D, WENG Q. A survey of image classification methods and techniques for improving classification performance[J]. International Journal of Remote Sensing, 2007, 28(5/6): 823–870

[16] 刘佳, 王利民, 姚保民, 等. 基于多时相OLI数据的宁夏大尺度水稻面积遥感估算[J]. 农业工程学报, 2017, 33(15): 200–209 LIU J, WANG L M, YAO B M, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(15): 200–209

[17] 董秀春, 黄平, 李宗南, 等. 基于遥感影像的云南甘蔗种植区优势评估[J]. 中国农学通报, 2020, 36(15): 160–163 DONG X C, HUANG P, LI Z N, et al. Evaluation of comparative advantage of sugarcane planting area in Yunnan based on remote sensing images[J]. Chinese Agricultural Science Bulletin, 2020, 36(15): 160–163

[18] LUCIANO A C D S, PICOLI M C A, ROCHA J V, et al. A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 127–136

[19] GUMMA M K, THENKABAIL P S, TELUGUNTLA P G, et al. Agricultural cropland extent and areas of South Asia derived using Landsat satellite 30-m time-series big-data using random forest machine learning algorithms on the Google Earth Engine cloud[J]. GIScience & Remote Sensing, 2020, 57(3): 302–322

[20] DUVEILLER G, LOPEZ-LOZANO R, BARUTH B. Enhanced processing of 1-km spatial resolution fapar time series for sugarcane yield forecasting and monitoring[J]. Remote Sensing, 2013, 5(3): 1091–1116

[21] BECKER-RESHEF I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312–1323

[22] GENOVESE G, VIGNOLLES C, NÈGRE T, et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting. A case study on Spain[J]. Agronomie, EDP Sciences, 2001, 21(1): 90–111

[23] 黄青, 周清波, 王利民, 等. 基于遥感的冬小麦长势等级与气象因子相关性分析[J]. 农业机械学报, 2014, 45(12): 301–307 HUANG Q, ZHOU Q B, WANG L M, et al. Relationship between winter wheat growth grades obtained from remote-sensing and meteorological factor[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 301–307

[24] 潘学鹏, 李改欣, 刘峰贵, 等. 华北平原冬小麦面积遥感提取及时空变化研究[J]. 中国生态农业学报, 2015, 23(4): 497–505 PAN X P, LI G X, LIU F G, et al. Using remote sensing to determine spatio-temporal variations in winter wheat growing area in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(4): 497–505

[25] 王红营, 潘学鹏, 罗建美, 等. 基于遥感的华北平原农作物时空分布变化特征分析[J]. 中国生态农业学报, 2015, 23(9): 1199–1209 WANG H Y, PAN X P, LUO J M, et al. Using remote sensing to analyze spatiotemporal variations in crop planting in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2015, 23(9): 1199–1209

[26] 郭长强, 崔远来, 李新建, 等. 广西糖料甘蔗需水量和灌溉定额空间变异[J]. 农业工程学报, 2016, 32(8): 89–97 GUO C Q, CUI Y L, LI X J, et al. Spatial variation of sugarcane water requirement and irrigation quota in Guangxi[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(8): 89–97

[27] 马尚杰, 裴志远, 汪庆发, 等. 基于多时相环境星数据的甘蔗收割过程遥感监测[J]. 农业工程学报, 2011, 27(3): 215–219 MA S J, PEI Z Y, WANG Q F, et al. Research of sugarcane harvest process monitoring with multi-temporal HJ-1 satellite data[J]. Transactions of the CSAE, 2011, 27(3): 215–219

[28] 丁美花, 谭宗琨, 李辉, 等. 基于HJ-1卫星数据的甘蔗种植面积调查方法探讨[J]. 中国农业气象, 2012, 33(2): 265–270 DING M H, TAN Z K, LI H, et al. Survey methods of sugarcane plant area based on HJ-1 CCD data[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 265–270

[29] 覃泽林, 谢国雪, 李宇翔, 等. 多时相高分一号影像在丘陵地区大宗农作物提取中的应用[J]. 南方农业学报, 2017, 48(1): 181–188 QIN Z L, XIE G X, LI Y X, et al. Application of multi-temporal GF-1 image in extraction of staple crops in hilly region[J]. Journal of Southern Agriculture, 2017, 48(1): 181–188

[30] 潘莉莉. 基于高分二号遥感影像甘蔗种植区域面积提取[J]. 农业与技术, 2020, 40(14): 36–38 PAN L L. Extraction of sugarcane planting area based on GF-2 remote sensing image[J]. Agriculture & Technology, 2020, 40(14): 36–38

[31] 丁美花, 钟仕全, 谭宗琨, 等. MODIS与ETM数据在甘蔗长势遥感监测中的应用[J]. 中国农业气象, 2007, 28(2): 195–197 DING M H, ZHONG S Q, TAN Z K, et al. Application of MODIS and ETM data in sugarcane growth monitoring[J]. Chinese Journal of Agrometeorology, 2007, 28(2): 195–197

[32] 谭宗琨, 吴良林, 丁美花, 等. EOS/MODIS数据在广西甘蔗种植信息提取及面积估算的应用[J]. 气象, 2007, 33(11): 76–81 TAN Z K, WU L L, DING M H, et al. Study on the extraction of sugar-cane planting areas from EOS/MODIS data[J]. Meteorological Monthly, 2007, 33(11): 76–81

[33] 张东东, 周振, 宋晓东. 基于HJ卫星的中国南方地区甘蔗面积提取研究[J]. 中国农学通报, 2019, 35(16): 141–147 ZHANG D D, ZHOU Z, SONG X D. Study on sugarcane crop classification in Southern China based on HJ-1 CCD images[J]. Chinese Agricultural Science Bulletin, 2019, 35(16): 141–147

[34] BREIMAN L. Random forests, machine learning[J]. Journal of Clinical Microbiology, 2001, 2: 199–228

[35] 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): 11249–11266

[36] 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 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 CSAE, 2010, 26(9): 218–223

[37] 权文婷, 周辉, 李红梅, 等. 基于S-G滤波的陕西关中地区冬小麦生育期遥感识别和长势监测[J]. 中国农业气象, 2015, 36(1): 93–99 QUAN W T, ZHOU H, LI H M, et al. Remote recognition and growth monitoring of winter wheat in key stages based on S-G filter in Guanzhong Region[J]. Chinese Journal of Agrometeorology, 2015, 36(1): 93–99

[38] 吴炳方, 张峰, 刘成林, 等. 农作物长势综合遥感监测方法[J]. 遥感学报, 2004, 8(6): 498–514 WU B F, ZHANG F, LIU C L, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498–514

[39] 陈晓宁, 吴满意, 温建兵, 等. 遥感解译标志建立思路研究[J]. 测绘与空间地理信息, 2017, 40(2): 35–37 CHEN X N, WU M Y, WEN J B, et al. Research on the establishment of remote sensing interpretation marks[J]. Geomatics & Spatial Information Technology, 2017, 40(2): 35–37

[40] 谢国雪, 黄文校, 卢远, 等. 基于高分辨率遥感影像的桑树信息提取研究——以广西鹿寨县为例[J]. 中国农业资源与区划, 2015, 36(2): 44–53 XIE G X, HUANG W X, LU Y, et al. Information extraction of silkworm-cropping areas based onhigh spatial resolution remote sensing images — A case study of Luzhai County, Guangxi, China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(2): 44–53

[41] 赖格英, 杨星卫. 南方丘陵地区水稻种植面积遥感信息提取的试验[J]. 应用气象学报, 2000, 11(1): 47–54 LAI G Y, YANG X W. Experimental research on rice planting area of hilly region in southern China using remotely sensed data[J]. Quarterly Journal of Applied Meteorology, 2000, 11(1): 47–54

[42] 陈刘凤, 林开平, 胡宝清, 等. 基于Landsat8_OLI数据的甘蔗种植面积监测[J]. 南方农业学报, 2015, 46(11): 2068–2072 CHEN L F, LIN K P, HU B Q, et al. Monitoring of sugarcane planting area based on Landsat8_OLI data[J]. Journal of Southern Agriculture, 2015, 46(11): 2068–2072

[43] 钟仕全. 遥感数据助力“一带一路”重要门户——广西经济发展[J]. 卫星应用, 2016, (10): 42–47 ZHONG S Q. Remote sensing data contributes to the important portal of “One Belt And One Road” — Guangxi economic development[J]. Satellite Application, 2016, (10): 42–47

[44] 黄干淇, 王国安, 黄子航, 等. 基于GF-1的上思县甘蔗种植面积估算与长势监测研究[J]. 气象研究与应用, 2018, 39(3): 53–56 HUANG G Q, WANG G A, HUANG Z H, et al. The study of estimation and growth monitoring of sugarcane planting area in Shangsi County based on GF-1[J]. Journal of Meteorological Research and Application, 2018, 39(3): 53–56

Sugarcane planting area and growth monitoring based on remote sensing in Guangxi*

XIE Xinchang1, YANG Yunchuan1,2,3**, TIAN Yi1, LIAO Liping1,2,3, MO Chongxun1,2,3, WEI Junpei1, ZHOU Jinyu1

(1. College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, China; 2. Key Laboratory of Disaster Prevention and Structural Safety of Ministry of Education, Guangxi University, Nanning 530004, China; 3. Key Laboratory of Disaster Prevention and Engineering Safety of Guangxi, Nanning 530004, China)

Sugarcane planting in Guangxi has been affected by natural disasters, resulting in decreased yields. The information on spatio-temporal dynamics of the sugarcane planting area and growth can provide a reference for planting structure optimization and facilitate disaster control. This study incorporated 652 optimized band combinations of the LANDSAT 8 Operational Land Imager (OLI), normalized difference vegetation index (NDVI), digital elevation model (DEM), and other auxiliary identification characteristic variables into the random forest classification method to interpret continuously in multi-temporal aspects. Google Earth and high-resolution remote sensing image comparison and correction were used to obtain a high-precision sugarcane planting area distribution in Guangxi from 2014 to 2018. The MODIS-NDVI data was used to build a monitoring model of the growth potential difference for dynamic monitoring of sugarcane stem elongation in Guangxi in the last five years. The results showed that: 1) the interpretation method was effective, the overall classification accuracy of sugarcane planting area in Guangxi was >92%, the Kappa coefficient was >0.8, and the five-year mean area relative error was-10.7%. 2) In 2014-2018, the planting area of sugarcane in Guangxi had rapidly decreased in the early stage and slowly increased in the late stage. The main planting areas were in Chongzuo, Nanning, and Laibin. The whole planting area showed a distribution pattern of local agglomeration and overall fragmentation and dispersion, which was closely related to the underlying environmental elements, such as topography, soil type, and river system distribution. 3) The NDVI difference model reflected the interannual and intra-annual spatio-temporal changes in the elongation trend of sugarcane stems in Guangxi, and the yearly growth trend of sugarcane changes frequently between good, normal, and poor. These results revealed the response mechanism of sugarcane in Guangxi to regional climate change, alternation of drought and flood, and the dynamics of soil and water conservation on the underlying surface. Furthermore, this study provides a scientific foundation for optimizing the regional sugarcane planting structure and evaluating water resource utilization efficiency.

Remote sensing; Sugarcane; Area extraction; Random forest; Growth monitoring

10.13930/j.cnki.cjea.200419

谢鑫昌, 杨云川, 田忆, 廖丽萍, 莫崇勋, 韦钧培, 周津羽. 基于遥感的广西甘蔗种植面积提取及长势监测[J]. 中国生态农业学报(中英文), 2021, 29(2): 410-422

XIE X C, YANG Y C, TIAN Y, LIAO L P, MO C X, WEI J P, ZHOU J Y. Sugarcane planting area and growth monitoring based on remote sensing in Guangxi[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 410-422

TP79

* 国家自然科学基金项目(41901132, 51609041)和广西自然科学基金项目(2019GXNSFAA185015, 2018GXNSFAA138187)资助

杨云川, 主要从事农业与城市生态水文学研究。E-mail: yyc_sciences@163.com

谢鑫昌, 主要从事农业及水土资源遥感研究。E-mail: xiexinchanggxdx@163.com

2020-06-03

2020-10-22

* This study was supported by the National Natural Science Foundation of China (41901132, 51609041) and theNatural Science Foundation of Guangxi of China (2019GXNSFAA185015, 2018GXNSFAA138187).

, E-mail: yyc_sciences@163.com

Jun. 3, 2020;

Oct. 22, 2020