基于作物光譜的耕地質量評價研究進展

張小媛 林陳捷 朱明幫 夏子清 胡月明

摘要：根據(jù)文獻資料，歸納總結了遙感耕地質量評價、作物光譜在耕地質量評價的應用、耕地質量作物光譜響應3個方面的研究概況?？偨Y得出，目前遙感耕地質量評價是基于遙感技術下的多層次內容，其中包括耕地質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，存在耕地質量與作物光譜的響應機制仍不明晰等問題。在今后研究中，有必要探索耕地質量與不同類型作物的內在關聯(lián)與響應機制，為實現(xiàn)快速、準確的遙感耕地質量評價提供新的理論基礎。

關鍵詞：遙感;耕地質量;作物;光譜響應;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-農業(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)測評價相關研究。E-mail：yueminghugis@163.com。

耕地是土地資源中的精華，耕地質量直接關系到糧食安全、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方法評價復雜的耕地質量至關重要[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]。利用遙感技術快速監(jiān)測評價區(qū)域耕地質量變化，是現(xiàn)行耕地質量評價方法的一大助力，對區(qū)域經濟發(fā)展、農業(yè)生產、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可以獲取較多指標，如植被指數(shù)、植物凈初級生產力（NPP）、光譜反射率等，而作物的光譜信息僅作為反演耕地質量相關指標的手段之一[10-12]。已有的研究少有從作物光譜響應與耕地質量的角度直接研究兩者的相關性。針對現(xiàn)有的問題，本文從遙感耕地質量評價、作物光譜在耕地質量評價的應用、耕地質量作物光譜響應3個方面進行總結分析，以期展望耕地質量評價與作物光譜響應的研究思路。

1 基于遙感技術的耕地質量研究

1.1 基于遙感技術獲取評價指標

20世紀60年代以后，隨著遙感技術（RS）、地理信息系統(tǒng)（GIS）技術、信息技術、最優(yōu)化計算等技術的發(fā)展，國外土地生產力定量模擬模型的應用更加廣泛;這一階段，耕地質量評價已經開始步入半定量、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，因此遙感技術已成為進行土地利用研究的重要技術手段，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） 預測了土壤鎘（Cd）、鋅（Zn）含量[14]。Kemper 等利用土壤反射光譜預測了西班牙 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，建立了農田土壤中鐵、鋅、硒（Se） 含量與土壤反射光譜的對應關系，探討了應用高光譜遙感技術定量監(jiān)測土壤重金屬含量的可行性[16]。在耕地質量綜合評價中，于曉靜對黑龍江省肇東市耕地質量進行了評價，從中分辨率成像光譜儀（MODIS）植被指數(shù)產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、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]。

在應用遙感技術進行耕地質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，得出如下結論：土壤有機質含量、地形坡度、表層土壤質地、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，具體內容見表1。

1.2 基于遙感技術的耕地質量評價

常規(guī)的耕地質量評價方法主要以經驗判斷、數(shù)理統(tǒng)計等定性、定量的方法為基礎。前期采用單位糧食產量與耕地地力共同確定耕地質量等級，但忽略了其他自然與人為因素，此后在耕地質量評價指標中陸續(xù)加入立地條件、土壤質量、耕地質量等[19-20]。也用到人為的賦值與判斷，如農業(yè)部發(fā)布的NY/T 1634—2008《耕地地力調查與質量評價技術規(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重、計算量過大等缺點。此后，以模糊數(shù)學為基礎的評價方法用于農田地力、耕地質量、土壤質量和耕地質量[22]。但該方法有一定的局限性，信息過于簡單會導致系統(tǒng)精度過低，對較為復雜的系統(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網絡算法、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許多復雜優(yōu)化問題提供了嶄新的途徑。神經網絡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，如神經網絡模型存在過度擬合、學習過程慢、可能陷入局部極小點、黑箱運行難以對結果進行解釋等問題，影響輸出結果的準確性。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。支持向量機方法在大規(guī)模訓練樣本中難以實施，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量評價方法是基于常規(guī)評價方法的基礎上，以遙感成像機制為基礎，用遙感技術方法，與常規(guī)耕地質量評價對應的耕地質量信息提取、反演。與常規(guī)耕地質量評價法相比，遙感耕地質量評價法在尺度、精度、方法模型、試驗統(tǒng)計等方面都有很大的不同，在能反映耕地質量的眾多因子中，部分因子能被遙感技術直接或間接的反演（表1）。基于現(xiàn)有的耕地質量評價體系的復雜性、高成本、周期長，利用遙感技術評價耕地質量的方法，構建基于遙感的耕地質量評價與監(jiān)測體系，可以為耕地質量評價提供一個全新的模式。

目前，學者開始利用遙感衛(wèi)星獲取耕地質量的部分指標，如有機質含量、地形坡度、表層土壤質地等。主要是利用 GIS 和 RS技術，通過數(shù)學和決策模型對評價因子、評價因子權重的確定和耕地分等定級，形成比較成熟的半定量耕地質量評價方法體系[27]。如伍育鵬等提出了一種用標準樣地進行耕地質量動態(tài)監(jiān)測與預警的方法，該方法以標準樣地的質量因素體系為控制，同時結合社會經濟因素和區(qū)位因素，確定影響耕地質量變化的易變因子，根據(jù)動態(tài)監(jiān)測的需要進行定期連續(xù)的野外調查和數(shù)據(jù)采集，結合遙感時相數(shù)據(jù)提取指標值，設定耕地質量變化的閾值和變化監(jiān)測的時間間隔參數(shù)，對耕地質量進行動態(tài)監(jiān)測[28]。馬佳妮等以多源遙感數(shù)據(jù)為基礎，從地學特征、土壤特性、環(huán)境狀況、建設水平和生物多樣性等5個維度，構建基于多源遙感的耕地質量評價指標體系，實現(xiàn)耕地質量信息的實時、大范圍獲取[29]。結果表明，利用遙感技術提取評價指標表現(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提取全部的指標，而且由于沒有考慮尺度轉換問題，獲取的耕地質量指標數(shù)據(jù)太粗糙，誤差較大，從而影響耕地質量評價精度。

也有學者嘗試利用遙感技術進行耕地質量評價，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，構建基于RS技術的耕地質量評價指標體系[30]。根據(jù)壓力-狀態(tài)-響應框架（PSR）構建評價模型，從SPOT多光譜影像中提取5項耕地質量評價因子（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性，但在地物復雜的區(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，結合三峽庫區(qū)區(qū)域特點，從自然質量、區(qū)位條件、生態(tài)安全、空間形態(tài)4個層面選取指標，構建三峽庫區(qū)耕地質量綜合評價指標體系，對庫區(qū)耕地質量進行評價與分類，并利用統(tǒng)計數(shù)據(jù)對研究結果進行驗證，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量動態(tài)變化，從而影響了評價精度[31]。

現(xiàn)階段相關研究以土壤、作物等與耕地相關的信息對區(qū)域耕地進行某種角度、程度上的判別和運用。遙感技術的引進使得耕地質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)質量等方面更進一步體現(xiàn)耕地質量的表征情況。下一步研究應在此基礎上，加大遙感技術前提下的耕地質量宏觀把控，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，完善評價方法和評價體系。

2 作物遙感光譜技術應用

2.1 基于遙感的耕地作物信息獲取

通過遙感光譜技術獲取作物參數(shù)進行大范圍的作物產量估產，可以為國家和區(qū)域發(fā)展提供重要的基礎信息，在確保國家糧食安全和調整種植業(yè)結構等方面具有重要意義[32]。歐盟在1987年提出農業(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信息[33]。在我國，早在1979年陳述彭先生便開始倡導農業(yè)遙感產量估產，國家也從1985年起開始將作物估產列為重要課題[34]。

傳統(tǒng)的作物類型、產量等信息的獲取以統(tǒng)計上報和抽樣調查為主，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。遙感技術作為新型對地觀測技術，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)已廣泛應用于農作物信息提取中，研發(fā)了很多針對單一類型的農作物信息監(jiān)測技術方法[37-38]。

基于遙感光譜技術的作物估產，與傳統(tǒng)的農學預報、統(tǒng)計預報、氣象預報等作物估算方法不同，它是引入光譜原理，通過遙感技術獲取作物信息及相關參數(shù)，在宏觀尺度上實現(xiàn)作物產量信息的快速和準確提取，簡化作物產量估算過程，提高作物估算結果可靠性的方法?；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，進而評估作物產量的過程，主要包括作物識別和作物估產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業(yè)遙感一直關注的主要問題之一。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鍵因素。Panigrahy等用GIS技術和RS數(shù)據(jù)對耕地復種指數(shù)進行了深入研究[40]。陳沈斌等對我國主要糧食產區(qū)農作物的遙感估產進行了研究，簡單分析了不同種類、不同地區(qū)的農作物估產實施方案[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)域農作物種植結構提取是目前最為常用的技術方法[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]。現(xiàn)階段相關領域已經發(fā)展到運用模糊數(shù)據(jù)、神經網絡以及決策樹等識別方法，如熊勤學等通過構建MODIS-NDVI 的時序特征，利用分層方法和反向傳播（BP）神經網絡法，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)農業(yè)種植區(qū)內冬小麥、大麥、油菜等作物的空間分布[54]?；诿嫦驅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傳感器影像和面向對象方法，結合植被指數(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 作物產量估計方面的相關研究中，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)與生物量進行相關分析，建立估產模型，如任建強等利用AVHRR傳感器NDVI數(shù)據(jù)與冬小麥產量的統(tǒng)計數(shù)據(jù)，分別基于冬小麥產量形成關鍵期內各月NDVI數(shù)據(jù)和產量形成關鍵期累積NDVI構建了產量模型[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與冬小麥產量的關系，建立多種模型估算產量[57]。白麗等結合棉花生長發(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)光譜曲線特征構建高光譜植被指數(shù)，對光譜反射率與產量進行統(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，采用反向神經網絡算法分析柑橘的冠層平均反射率與產量之間的相關性[59]。

也有利用遙感數(shù)據(jù)估測作物地上干物質質量，然后再依據(jù)干物質質量與產量之間的關系，構建基于遙感的生產效率模型來估算產量[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量[64-66]。

而基于特征波段的估產研究中，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，從而導致估產精度不高。現(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量估算，如劉斌等利用在關鍵生育期內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)的敏感波段的基礎上構建模型，方法簡單易行，但需要建立在大量的樣本數(shù)據(jù)基礎上，不具有代表性;對于作物類型復雜多樣的區(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)之間的相關性，發(fā)現(xiàn)與之變化相關的光譜特征參數(shù)。如劉偉東等通過單相關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關系，結果表明葉綠素密度與光譜數(shù)據(jù)的相關性明顯優(yōu)于與LAI的相關性[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，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系，提取棉花冠層特征光譜信息，構建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測定了稻穗的全氮含量并進行了相應的分析，得到與稻穗全氮含量相關性較高的光譜特征指數(shù)，并建立了相應的估算模型[72]。

3 耕地質量與作物光譜響應

基于遙感高光譜影像數(shù)據(jù)基礎上，研究遙感變量，如遙感植被指數(shù)、結構指數(shù)、紅邊波段比值、對數(shù)指數(shù)等，與各個耕地質量監(jiān)測評價指標之間的內在關聯(lián)性[73-75]，揭示耕地質量評價指標與作物光譜吸收和反射特性的內在機制與差異。林晨等建立了基于MODIS衛(wèi)星數(shù)據(jù)的耕地質量自然等反演模型，以 MODIS 影像和農用地分等屬性數(shù)據(jù)為基礎，根據(jù)作物反射吸收原理進行遙感影像灰度值與農用地自然質量指數(shù)的相關性分析[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定量多項式及BP神經網絡反演模型[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量的敏感性，構建支持向量機（SVM）耕地質量評價模型，對松嫩平原南部耕地質量進行評價;并基于耕地質量評價結果探討作物產量、植被指數(shù)、植被凈初級生產力、植被覆蓋度等作物指標之間的關聯(lián)性，進一步反映松嫩平原南部耕地質量動態(tài)變化[78]。馬佳妮等采用 2000—2010 年 MODIS數(shù)據(jù)，結合氣象站點數(shù)據(jù)，利用 VPM 模型分別計算水稻和玉米的凈初級生產力，反映作物常年長勢與耕地質量的內在響應，得到表征耕地質量的評價結果[79]。

基于實測高光譜數(shù)據(jù)，分析不同耕地質量脅迫下，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]，構建耕地質量與作物光譜關聯(lián)模型，揭示不同耕地質量狀態(tài)下作物光譜的內在響應機制。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量的響應關系[83]。Clevers等對水稻冠層光譜與葉片含水率進行相關分析，得出970 nm是預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建植被用類胡蘿卜素敏感指數(shù)和紅邊波段比值構建植被指數(shù)，研究了更準確有效的耕地質量評價指標的反演方法[85]。

4 展望與思考

在利用遙感技術實現(xiàn)對耕地質量的監(jiān)測評價研究中，缺乏對耕地質量與作物光譜響應機制的研究，耕地質量與作物光譜的內在關聯(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量的光譜變量，進一步闡明作物光譜與耕地質量的內在響應機制，是目前亟待解決的問題，也是目前遙感耕地質量評價工作中的焦點。此外，直接探討作物光譜與耕地質量的關聯(lián)性，有效提高遙感耕地質量評價結果的精度，對保護耕地和快速獲取耕地質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. 耕地質量建設與管理[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. 滏陽河兩岸農田土壤Fe、Zn、Se元素光譜響應研究[J]. 遙感信息，2005（3）：10-13.

[17]于曉靜. 基于GIS和RS技術的肇東市耕地質量評價研究[D]. 哈爾濱：東北農業(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神經網絡的耕地土壤有效磷空間變異分析[J]. 農業(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測[J]. 農業(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量動態(tài)監(jiān)測與預警探討[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)支撐的耕地質量監(jiān)測與評價[J]. 中國農業(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)耕地質量評價[J]. 山地學報，2017，35（4）：556-565.

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

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

[34]陳述彭. 遙感在農業(yè)科學技術中的應用[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. 遙感光譜技術在農作物估產中的應用研究進展[J]. 中國農學通報，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. 建立我國主要農作物衛(wèi)星遙感估產運行系統(tǒng)的主要技術環(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)的作物產量監(jiān)測方法研究[J]. 農業(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. 農作物種植結構遙感提取研究進展[J]. 中國農業(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和實測相結合的冬小麥估產研究[J]. 農業(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快速鑒別西瓜種子品種[J]. 農業(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對象分類方法提取冬小麥種植面積[J]. 中國農業(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)域估產中的應用[J]. 遙感技術與應用，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研究[J]. 中國農業(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及其反演[J]. 中國農業(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. 基于遙感技術的耕地質量評價研究進展與展望[J]. 江蘇農業(yè)科學，2018，46（15）：5-9.

[76]林 晨，周生路，吳紹華. 基于MODIS影像的農用地自然質量動態(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量評價[D]. 長春：中國科學院大學（中國科學院東北地理與農業(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的耕地質量評價[J]. 農業(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)境減災衛(wèi)星高光譜數(shù)據(jù)在減災中的應用研究[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.