基于SOM和NDVI的黑土區精準管理分區對比

劉煥軍，鮑依臨，徐夢園，張新樂※，孟祥添，潘 越，楊昊軒，謝雅慧

基于SOM和NDVI的黑土區精準管理分區對比

劉煥軍1,2，鮑依臨1，徐夢園1，張新樂1※，孟祥添1，潘 越1，楊昊軒1，謝雅慧1

（1. 東北農業大學公共管理與法學院，哈爾濱 150030：2. 中國科學院東北地理與農業生態研究所，長春 130012）

根據土壤養分的空間異質性對耕地進行分區是實施變量施肥管理的關鍵環節，施肥的變量管理將減輕黑土區農業面源污染和土壤退化問題。該文以典型黑土區黑龍江省海倫市某合作社地塊為研究對象，利用SPOT-6遙感影像提取歸一化植被指數（normalized differential vegetation index, NDVI）、插值計算土壤有機質（soil organic matter，SOM），結合數字高程模型（digital elevation model，DEM），應用面向對象的分割方法，對研究地塊進行分區，并應用莫蘭（Morans）指數對分區結果進行評價，以期對比研究基于SOM空間插值與遙感信息的分區精度。結果表明：結合4期NDVI空間信息分區的精度最高；結合SOM、DEM、NDVI空間信息進行分區的精度次之；結合地形與SOM空間信息分區精度較低；僅根據SOM空間插值進行分區的精度最低。研究結果可為黑土區農田精準管理分區輸入量的選擇與多尺度分區提供思路，為實施田間精準追肥提供科學依據。

遙感；評價；空間插值；多源空間數據；精準管理分區；面向對象

0 引 言

精準管理分區是根據不同田塊的空間變異性和實際需求，把一個田塊分割成若干個不同均質性的子田塊來調整土壤和作物的管理措施[1]，分區的結果可以為精準農業的發展提供管理決策，以期最大限度地提升耕地資源潛力[2]。

目前在精準管理分區輸入量主要以土壤養分為主。陳彥等利用土壤有機質（soil organic matter，SOM）、堿解氮、速效磷等數據為變量，應用空間插值法對新疆棉田進行土壤養分精確管理分區研究[3]。Davatgar等通過主成分分析（principal component analysis，PCA）提取總氮、有效磷、速效鉀等土壤養分數據，插值后基于K模糊聚類法對水稻栽培區特定的管理區進行了劃分[4]。以上研究，多采用實地采樣方式測定數據，這種作業方法耗時耗力、成本高、時效性差；且基于單一數據源的空間劃分存在精度低、應用范圍受限等局限性[5]。隨著遙感技術的發展，分區指標的選取也逐漸從基于土壤養分數據的空間插值過渡到利用多光譜影像進行空間信息的提取[6-7]。SOM含量在一定程度上反映了土壤肥力，是影響土壤質量的關鍵因素，所以土壤養分SOM的空間分布對精準分區管理具有重要的意義[8]。Schillaci等通過模擬西西里島表層SOM含量，發現土壤中有機質含量隨土地利用、降雨、侵蝕等多方面因素發生變化[9]，SOM在小尺度范圍內存在空間異質性與空間關聯性[10]。黃魏等的分析驗證了加入地形因素，進行SOM的空間插值，會使全局預測精度2提升到0.75[11]。添加地形因素提升空間信息的精度，有利于更加精準地對研究區域進行劃分。此外，利用NDVI等植被信息，可以提高研究區的土壤類型的識別精度，以便于更好地歸類與分析[12-14]。Burry等通過對比NDVI與增強型植被指數（enhanced vegetation index，EVI ），驗證了無論是對植被敏感性分析，或是樹木多樣性的指標分析，NDVI都具有更強的識別能力[15]。Meera等根據NDVI的特性，明晰了NDVI在區域檢測中所起到的重大意義[16]，為基于NDVI進行精準管理分區提供了有力支持。但基于單期NDVI空間數據所反映的信息有限[17]，考慮的影響因素不夠全面，在精準分區的精度上會有所降低。通過對比試驗發現，綜合2期影像信息的分區結果明顯優于單期的分區[18]。

以上分區研究，多基于影像數據或土壤養分，數據源單一。為了更大限度融合多源數據，提高分區的精度，本研究嘗試將與分區密切相關的SOM空間數據、地形數據和遙感影像植被指數等空間數據相結合，對典型黑土區田塊進行分區，并對分區結果評價，比較空間插值與遙感影像數據分區差異，以期為黑土區精準管理分區數據類型的選取提供借鑒，提高分區精度，為田間變量管理處方圖與智慧農業發展提供支持。

1 材料與方法

1.1 研究區概況

研究區位于黑龍江省中部海倫市東興農機合作社，地處松嫩平原東北端，小興安嶺西麓，平均海拔239 m，地塊中心經緯度為126°55′E、47°25′N，面積約為37.6 hm2，屬寒溫帶大陸性氣候。地勢從東北到西南依次呈梯形逐漸降低，地貌是由小興安嶺山地向松嫩平原的過渡地帶。研究區位于典型黑土區，漫川漫崗地帶，田塊地形起伏較大，土壤養分和內部作物長勢空間差異性顯著，因而作為本次研究的對象。研究區位置及樣點布置如圖1，2016年以種植大豆供試。

1.2 數據源

1.2.1 遙感與地形數據的獲取和預處理

訂購大豆生長期2016-06-09、2016-07-19、2016-08-08、2016-09-03 4期SPOT-6遙感數據（多光譜波段的空間分辨率為6 m）。在ENVI5.1中對SPOT-6數據進行大氣校正、幾何校正。以上數據在Arcgis10.2中按照研究區范圍進行裁剪，并提取SPOT-6 4個時期NDVI。

圖1 研究區位置及樣點布置

Fig 1 Location of study fields and sampling point distribution map

2016年5月27日，使用定位精度厘米級的海星達iRTK2對研究區地塊進行實地測量，得到780個精確的坐標和高程點，利用Arcgis10.2將高程數據生成TIN圖層，將TIN圖層轉成空間分辨率為4 m的高精度DEM柵格數據。

1.2.2 土壤養分數據的獲取

2016年4月21日，運用GPS定位，依據研究區地形變化特征，平均每隔60 m預設一個采樣點，共確定98個采樣點，記錄采樣點的空間坐標，并記錄各點編號。用布袋將土樣帶回實驗室，稱量樣本質量后進行研磨、風干、過2 mm篩，用重鉻酸鉀容量法[19]測得SOM含量（表1）。

表1 土壤有機質描述統計量

1.2.3 土壤養分空間變異性分析與SOM空間土壤屬性映射

根據塊金值與基臺值之比反映空間變異性，塊金值表示隨機部分的空間變異性，基臺值表示整體的變異程度[20]。將通過采樣獲取研究區范圍內98個采樣點數據在地學統計軟件GS+中對空間變異性進行分析，結果如表2所示。

表2 土壤有機質空間變異性分析

采用地統計學中最優內插法對空間內其他未知區域的相同屬性進行計算，表達SOM含量空間分布，在Arcgis10.2中進行Kriging插值生成SOM含量的空間分布圖。

1.2.4 不同空間數據標準化

由于輸入量并不能用可比單位進行度量，為了將研究對象的多指標信息進行綜合，需要將研究區SOM、DEM、NDVI等空間數據進行標準化處理，將變量控制在0~1之間。NDVI與生物量、葉面積指數、產量的關系密切，作為長勢評價的指標經常被用于解釋作物的營養情況，且在NDVI處于最大時，與產量關系最為明顯[21-22]，為了更好將作物信息與土壤養分信息耦合，選擇大豆結莢鼓粒期NDVI（8月）空間信息進行標準化處理，并加入了地形因素以提高分區的精準度[23]。通過坐標轉換構建研究的具體模型。將轉換后的模型進行空間重采樣，將輸入數據均采樣為6 m×6 m的像元大小，進行空間數據的信息綜合。

1.2.5 基于像元值標準差與莫蘭（Morans）指數的分區評價

NDVI在一定程度上可反映作物的產量與長勢等信息。根據大豆的生長規律以及東北地區的物候特征，在7月下旬至8月初，大豆處于生長最茂盛時期，提取SPOT-6影像8月8日的NDVI去驗證基于4種空間信息下的分區結果。Morans指數通常用于計算空間相關性，其值越大，空間相關性越明顯[24]。

2 分割方法

2.1 最優分割尺度

基于高分辨影像探究地理對象的詳細變化，建立空間對應關系，細化對比度和緊致度，可以取得更好的分割效果[25]。為比較不同分割尺度的優劣程度，定義分割對象的集合為(scale,shape,compactness)，存在平均分割評價指數ASEI（average segmentation evaluation index）的最大值：

在一定尺度內平均分割評價指數達到最大時，對應的分割尺度即最優分割尺度，所對應集合(scale,shape,compactness)為最優分割尺度集合。

2.2 基于面向對象的多尺度分割

式中為某區域內像元的個數，G為第個區域的驗證指標的均值，G表示區域內的驗證指標均值。為該區域附近相鄰區域的個數，G為第個相鄰區域的驗證指標均值，G表示該區域的指標均值。為當前區域邊界的長度，L為當前區域與第個相鄰區域公共邊的長度。

定義平均分割評價指數ASEI，對研究區域內所有區塊的SEI取平均值。

式中表示區域的總面積，A表示第個區域的面積，表示被劃分區域的總數量，SEI表示第個區域的分割評價指數。

2.3 精準分區的評價方法

2.3.1 分區內部的同質性

依據分區內部像元值的標準差，綜合考慮面積大小賦予相應的權重，判斷分區內部的同質性，公式如下

式中s是分區范圍內像元值的標準差，a是分區的面積。為研究區域內分割后的分區總個數。越小，代表分區內部的空間異質性越低，即分區內部具有良好的同質性。

2.3.2 分區之間的異質性

采用Morans指數判斷空間相關性，根據相關性的大小來判斷分區間的異質性高低，公式如下

3 結果與分析

3.1 基于SOM空間插值的精準管理分區

通過土壤養分空間變異性分析（表2）可知，塊金值與基臺值的比值為0.048，說明SOM具有較強的空間自相關性，受隨機因素影響小[27]；SOM變程為114 m，本研究采樣點間隔60 m，說明采樣點間土壤養分不具有明顯的空間異質性，基于該試驗數據進行空間插值具有進行精準理分區的意義。

3.2 基于遙感影像的精準管理分區

如圖2所示：相同或近似顏色代表一定區域內的土壤屬性相同，而面向對象分割方法的分割依據則是按照樣區的色彩差異進行分割[28-29]，將以上不同分區結果進行分區計算，依據平均分割評價指數的大小確定最優分區尺度，對4種不同輸入量的區域進行精準劃分。將該尺度代入面向對象分割中得到相應分區的個數、均值、標準差，并依據上述公式計算得到平均分割評價指數。

3.3 不同輸入量分區對比

從圖2可以看到4種不同數據信息下的分區情況，由于輸入量的差異，分區的結果在表現形式上明顯不同。通過將分區結果進行對比，發現基于相同土壤養分，加入地形因素的分區結果更為規整，較未考慮地形因素的分區更易于管理與劃分。基于4種空間信息的分區個數依次為55、55、48、47（見表3），從耕作單元角度出發，分區的結果符合當代耕作單元的發展進程，利于實施耕作[30]。

圖2 最優尺度下的分區情況

Fig 2 Zoning at optimal scale

通過表3可知，結合地形信息的SOM空間信息的分區尺度與分區個數同基于SOM空間信息的分區一致，且個數都多于基于其他空間信息下的分區，評價分割指數是用來計算同一輸入量下的最優分割結果，因此，表中數據僅用于反映某一輸入量下的分割結果，并不能用于不同輸入量的對比。結合分區效果來看，基于空間插值信息的分區形狀更多的是與SOM空間分布有關，個數多，不規整，耕作上存在局限性。

3.4 不同輸入量下分區評價

對分區結果本著各區域內部空間同質性高，分區之間異質性高為原則進行評價，即分區內像元值標準差越低、分區間Morans指數數值越低，代表分區效果越好。分區評價結果（表4）顯示：基于4期NDVI空間信息的分區精度最高，無論是對分區內部或者分區間差異的評價，均具有最優的效果；基于SOM、DEM、NDVI空間信息的分區精度略低于4期NDVI的分區，但分區的結果更易實施，分區更為工整，便于操作與管理。將地形因子融入SOM空間信息后的分區精度顯著提升，無論是在區域間的差異性，還是區域內部的均一性，效果均好于基于SOM空間插值分布圖的分區。

表3 4種空間數據輸入量最優分割尺度、分區數、平均分割評價指數

表4 基于不同分區信息的分區評價

4 討 論

東北黑土區是中國重要的商品糧基地，由于過量施肥造成的土壤退化與耕地質量下降，對該區的精準管理分區與減肥減藥的研究意義重大。研究選取了典型黑土區海倫合作社為試驗地，土壤中黏粒含量豐富，保水保肥能力強；SOM較其他土壤養分而言更具有穩定性，受隨機因素的影響小，由此進行的分區更具有研究意義。本文訂購了4期空間分辨率為6 m的研究區SPOT影像以提取高精度的NDVI，在輸入量的選取方面，分別選擇了4種指標要素進行劃分：SOM空間插值圖，綜合考慮地形因素的SOM空間分布圖，綜合SOM、DEM、8月NDVI信息圖，4期NDVI空間分布圖；從數據處理的角度而言，綜合考慮多時期的NDVI信息與多源空間數據的疊加分析是本研究的特殊之處，這比基于單一數據源的劃分更為精準，在本質上更具有說服力[19]；同時相比于格網采樣法更加省時高效[31]。在研究方法上，本文通過計算確定了最優分區尺度，消除了人為劃分的紕漏給試驗結果帶來的影響，選擇面向對象的分割手法對多種輸入量進行劃分，最后，運用內部標準差評價方法與Morans指數法分別對分區后子區域內部與各子區域之間的結果進行評價。經對比，綜合考慮4期NDVI的空間信息進行精準管理分區精度更高。通過對比發現基于SOM、DEM、NDVI（8月）空間信息的分區較結合了地形因素的SOM空間信息更為精準，在追肥時期考慮大豆結莢期的空間信息可使分區精度有著較大提升，基于該輸入量的分區操作性更強，更易于實現田塊上的管理與規劃；僅通過空間插值獲取的SOM空間分布分區精度最低，評價結果證實了加入地形因素可提升分區精度。與以往對黑土區的研究不同[12]，本研究將地形因素融入到空間信息，并結合多源空間數據進行劃分。在數據的選取上，對比了基于土壤養分分區與遙感影像分區的精度，證實了遙感影像的像元大小比土壤采樣間距而言具有顯著優勢。由于本文僅考慮了高程因素的影響，未評價其他地形因子對研究區的作用權重，因此，接下來的研究中，將綜合考慮多種地形因素的作用；同時，在作物生長期的不同環節考慮更多的影響因子，如水分、溫度、生物量等，從而提升分區精度仍然是研究的重點；其次，綜合分析不同地區地形要素及土壤空間差異，尋求一個更具有普適性、高精度的分區方式。

5 結 論

本文以海倫市為研究區，利用6 m空間分辨率的時間序列SPOT-6影像提取歸一化植被指數（NDVI），空間插值土壤有機質（SOM）空間分布特征，結合高精度數字高程模型（DEM），疊加不同空間數據進行精準管理分區，利用8月NDVI進行評價。研究結果表明：1）經對比發現，相對于傳統基于空間插值的精準管理分區，基于遙感影像的劃分無論是在數據獲取上，還是精度上都更具有優勢；2）加入了地形因素的多源空間數據分區精度較基于SOM空間插值結果進行分區精度高；3）基于多源空間數據的優勢在于可以綜合考慮多種因素，比單一數據的劃分精準。該方法進行分區比傳統格網采樣分區省時省力，更加高效。通過對分區結果評價，證明了綜合4期NDVI空間信息的分區精度最高；其次是基于SOM、DEM、NDVI（8月）空間信息的分區。該研究可為今后精準管理分區的數據選取提供思路，分區結果有望在黑土區田塊尺度分區和管理得到推廣。

[1] Aasen H, Bolten A. Multi-temporal high-resolution imaging spectroscopy with hyperspectral 2D imagers: From theory to application[J]. Remote Sensing of Environment, 2018, 205: 374－389.

[2] 滿衛東，王宗明，劉明月，等. 1990-2013年東北地區耕地時空變化遙感分析[J]. 農業工程學報， 2016，32(7)：1－10. Man Weidong, Wang Zongming, Liu Mingyue, et al. Spatio-temporal dynamics analysis of cropland in Northeast China during 1990-2013 based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(7): 1－10. (in Chinese with English Abstract)

[3] 陳彥，呂新. 基于FCM的綠洲農田養分管理分區研究[J]. 中國農業科學，2008，41(7)：2016－2024. Chen Yan, Lü Xin. Definition of management zones of soil nutrients based on FCM algorithm in oasis field[J].Scientia Agricultura Sinica,2008, 41(7): 2016－2024. (in Chinese with English Abstract)

[4] Davatgar N, Neishabouri M R, Sepaskhah A R. Delineation of site specific nutrient management zones for a paddy cultivated area based on soil fertility using fuzzy clustering[J]. Geoderma, 2012, 173－174(2): 111－118.

[5] Tripathi R, Nayak A K, Shahid M, et al. Delineation of soil management zones for a rice cultivated area in eastern India using fuzzy clustering[J]. Catena, 2015, 133: 128－136.

[6] Kratzer S, Therese Harvey E, Philipson P. The use of ocean color remote sensing in integrated coastal zone manage-ment: A case study from Himmerfj?rden, Sweden[J]. Marine Policy, 2014, 43: 29－39.

[7] Guo Y, Wan Z, Liu D. Dynamics of dissolved organic carbon in the mires in the Sanjiang Plain, Northeast China [J]. Journal of Environmental Sciences, 2010, 22(1): 84－90.

[8] Powlson D S, Brookes P C, Whitmore A P, et al. Soil carbon sequestration to mitigate climate change: A critical re-examination to identify the true and the false[J]. European Journal of Soil Science, 2011, 62(1): 1－4.

[9] Schillaci C, Acutis M, Lombardo L, et al. Spatiotemporal topsoil organic carbon mapping of a semiarid Mediterranean region: The role of land use, soil texture, topographic indices and the influence of remote sensing data to modelling[J]. Science of the Total Environment, 2017, 601－602: 821－832.

[10] Mirzaee S, Ghorbani-Dashtaki S, Mohammadi J, et al. Spatial variability of soil organic matter using remote sensing data[J]. Catena, 2016, 145: 118－127.

[11] 黃魏，韓宗偉，羅云，等. 基于地形單元的土壤有機質空間變異研究[J]. 農業機械學報，2015，46(4)：161－167. Huang Wei, Han Zongwei, Luo Yun, et al.Spatial Distribution of soil organic matter based on topographic unit[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(4): 161－167. (in Chinese with English Abstract)

[12] Pang G, Wang X, Yang M. Using the NDVI to identify variations in, and responses of, vegetation to climate change on the Tibetan Plateau from 1982 to 2012[J]. Quaternary International, 2016, 444: 87－96.

[13] Tong X, Brandt M, Hiernaux P, et al. Revisiting the coupling between NDVI trends and cropland changes in the Sahel drylands: A case study in western Niger[J]. Remote Sensing of Environment, 2017, 191: 286－296.

[14] 吳才武，張月叢，夏建新. 基于地統計與遙感反演相結合的有機質預測制圖研究[J]. 土壤學報，2016，53(6)：1568－1575. Wu Caiwu, Zhang Yuecong, Xia Jianxin. Prediction and mapping of soil organic matter based on geostatistics and remote sensing inversion[J]. Acta Pedologica Sinica, 2016, 53(6): 1568－1575. (in Chinese with English Abstract)

[15] Burry L S, Palacio P I, Somoza M, et al. Dynamics of fire, precipitation, vegetation and NDVI in dry forest environ-ments in NW Argentina. Contributions to environmental archaeology[J]. Journal of Archaeological Science: Reports, 2017, 18: 747－757.

[16] Gandhi G M, Parthiban S, Thummalu N, et al. NDVI: Vegetation change detection using remote sensing and gis: A case study of Vellore District[J]. Elsevier Proceedia, International Conference on Recent Trends in Computing, 2015, 57: 1199－1210.

[17] 李敏，趙庚星，蔡明慶，等. 縣域棉花信息遙感提取與棉田精確化管理分區研究[J]. 自然資源學報，2012, 27(11)：1971－1980. Li Min, Zhao Gengxing, Cai Mingqing, et al. Extraction of cotton information using remote sensing and precision management zoning at county scale[J].Journal of Natural Resources , 2012, 27(11): 1971－1980. (in Chinese with English Abstract)

[18] 劉煥軍，邱政超，孟令華，等. 黑土區田塊尺度遙感精準管理分區[J]. 遙感學報，2017，21(3)：470－478. Liu Huanjun, Qiu Zhengchao, Meng Linghua, et al. Site-specific management zone of field scale based on remote sensing image in a black soil area[J]. Journal of Remote Sensing, 2017, 21(3): 470－478. (in Chinese with English Abstract)

[19] Chang D, Zhang J, Zhu L, et al. Delineation of management zones using an active canopy sensor for a tobacco field[J]. Computers and Electronics in Agriculture, 2014, 109: 172－178.

[20] 李翔，潘瑜春，馬景宇，等. 基于多種土壤養分的精準管理分區方法研究[J]. 土壤學報，2007，44(1)：14－20. Li Xiang, Pan Yuchun, Ma Jingyu, et al. Soil nutrients-based zoning for management of precision agriculture[J]. Acta Pedologica Sinica, 2007, 44(1): 14－20. (in Chinese with English Abstract)

[21] Tong X, Brandt M, Hiernaux P, et al. Revisiting the coupling between NDVI trends and cropland changes in the Sahel drylands: A case study in western Niger[J]. Remote Sensing of Environment, 2017, 191: 286－296.

[22] Xiaojun L, Richard F, Hengbiao Z, et al. Using an active-optical sensor to develop an optimal NDVI dynamic model for high-yield rice production (Yangtze, China)[J]. Sensors, 2017, 17(4): 672－685.

[23] Rasel S. Proxies for soil organic carbon derived from remote sensing[J]. International Journal of Applied Earth Observa-tion&Geoinformation, 2017, 59: 157－166.

[24] 蔡進，廖和平，邱道持，等. 重慶市農村耕地資源貧困測度及空間格局研究[J]. 農業工程學報，2017，33(18)：251－259. Cai Jin, Liao Heping, Qiu Daochi, et al. Study on poverty measure of farmland resources and spatial pattern in Chongqing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(18): 251－259. (in Chinese with English Abstract)

[25] Zhang X, Xiao P, Feng X, et al. Separate segmentation of multi-temporal high-resolution remote sensing images for object-based change detection in urban area[J]. Remote Sensing of Environment, 2017, 201: 243－255.

[26] Eisank C, Smith M, Hillier J. Assessment of multiresolution segmentation for delimiting drumlins in digital elevation models[J]. Geomorphology, 2014, 214: 452－464.

[27] 王紹強，朱松麗，周成虎. 中國土壤土層厚度的空間變異性特征[J]. 地理研究，2001，20(2)：161－169. Wang Shaoqiang, Zhu Songli, Zhou Chenghu. Characteristics of spatial variability of soil thickness in China[J]. Geographical Research, 2001, 20(2): 161－169. (in Chinese with English Abstract)

[28] Dronova I, Gong P, Wang L, et al. Mapping dynamic cover types in a large seasonally flooded wetland using extended principal component analysis and object-based classifi-ca-tion[J]. Remote Sensing of Environment, 2015, 158: 193－206.

[29] Mao J, Jain A K. Texture classification and segmentation using multiresolution simultaneous autoregressive models[J]. Pattern Recognition, 1992, 25(2): 173－188.

[30] 李曉婭，董雪嬌，徐艷. 我國耕作單元演變特征及影響因素研究[J]. 中國農業資源與區劃，2016，37(5)：20－26. Li Xiaoya, Dong Xuejiao, Xu Yan. Study on the evolution characteristics and influencing factors of farming unit in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(5): 20－26. (in Chinese with English Abstract)

[31] 白由路，金繼運，楊俐蘋，等. 基于GIS的土壤養分分區管理模型研究[J]. 中國農業科學，2001，34(1)：1－4. Bai Youlu, Jin Jiyun, Yang Liping, et al. Research on the subarea management model of soil nutrients by GIS[J]. Scientia Agricultura Sinica, 2001, 34(1): 1－4. (in Chinese with English Abstract)

Comparison of precision management zoning methods in black soil area based on SOM and NDVI

Liu Huanjun1,2, Bao Yilin1, Xu Mengyuan1, Zhang Xinle1※, Meng Xiangtian1, Pan Yue1, Yang Haoxuan1, Xie Yahui1

(1.,150030,; 2.,130012,)

Cultivated land allocation is the key link to implement variable fertilization management. According to spatial heterogeneity, a field is divided into several sub-field blocks with different homogeneity to adjust soil and crop management measures. The explanate Machinery Cooperative of Heilongjiang Province is taken as a research object in the typical black soil area, and the SPOT-6 remote sensing images from June to September are obtained. With the support of Arcgis, crop growth can be simulated well with, such as the Normalized Difference Vegetation Index (NDVI); the soil organic matter (SOM) content is calculated according to the spatial interpolation method; and the field sample information is measured with iRTK2 and converted into the digital elevation model (DEM) raster data. Based on the spatial SOM distribution information, the SOM spatial information with the topographical factors, the spatial information of SOM with both DEM and NDVI in August, and spatial information with 4 phases of NDVI(in June, July, August, and September) are used as input. Since the inputs of this study are different from the previous single soil nutrient information, the synthesis of multiple spatial information can reflect the spatial difference of the study area in many aspects, which is more consistent with the actual influencing factors. The object-oriented segmentation method is used to divide the study area according to the principle of high homogeneity within the partition and high heterogeneity between partitions. In order to find the index elements that can better reflect the actual growth, the partition accuracy under different inputs is evaluated by two standard indicators, pixel standard deviation and Morans index, which reflect the suitability and accuracy of the partition. When the internal standard deviation of pixels is small, which proves that the soil physical and chemical properties and vegetation growth of each field are more similar to the reality; when the Morans index between the partitions is small, which shows that the differences between the partitions are large, and the spatial similarity is not obvious; which conforms to the principle of division of precise management partitions. The results show that the precision of the precise management partition based on spatial information with the 4 phases of NDVI is the highest, the internal standard deviation of the partition and the Morans index are 0.010 and 0.065, respectively. The partition accuracy for spatial information of SOM with both DEM and NDVI is the secondly, with standard deviation of 0.011 and the Morans index of 0.072 respectively. The accuracy for the SOM spatial information considering the topographical factors is relatively lower, with the internal standard deviation of 0.014 and the Morans index of 0.192. The accuracy of the partition based on only the SOM spatial information has the lowest accuracy, which internal pixel standard deviation and the Morans index are 0.015 and 0.223 respectively. Compared with the traditional spatial interpolation in precision management partition, the remote sensing image has advantages in both data acquisition and precision. In addition, the advantage of multi-source spatial data is that multiple factors can be considered comprehensively, which is more accurate than single data. This method saves a lot of time and more efficient than traditional grid sampling partitioning. The zoning results are expected to promoted field division and management in future research.

remote sensing; evaluation; spatial interpolation; multi-source spatial data; precision management partition; object-oriented

10.11975/j.issn.1002-6819.2019.13.020

S127；TP79

A

1002-6819(2019)-13-0177-07

2018-09-21

2019-06-29

國家自然科學基金（41671438）；中國科學院東北地理與農業生態研究所“引進優秀人才”項目吉林省科技發展計劃項目（20170301001NY）

劉煥軍，黑龍江穆棱人，副教授，博士生導師，主要從事精準農業及土壤遙感。Email：huanjunliu@yeah.net

張新樂，黑龍江雞西人，副教授，博士，主要研究方向為生態遙感。Email：xinlezhang@yeah.net

劉煥軍，鮑依臨，徐夢園，張新樂，孟祥添，潘 越，楊昊軒，謝雅慧.基于SOM和NDVI的黑土區精準管理分區對比 [J]. 農業工程學報，2019，35(13)：177－183. doi：10.11975/j.issn.1002-6819.2019.13.020 http: //www.tcsae.org

Liu Huanjun, Bao Yilin, Xu Mengyuan, Zhang Xinle, Meng Xiangtian, Pan Yue,Yang Haoxuan, Xie Yahui.Comparison of precision management zoning methods in black soil area based on SOM and NDVI [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 177－183. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.020 http://www.tcsae.org