基于物候信息圖譜的耕地種植模式遙感監測方法

陶建斌，王昀，張馨月，姜啟樾，吳文斌

基于物候信息圖譜的耕地種植模式遙感監測方法

1華中師范大學城市與環境科學學院/地理過程分析與模擬湖北省重點實驗室，武漢430079；2中國農業科學院農業資源與農業區劃研究所/北方干旱半干旱耕地高效利用全國重點實驗室，北京 100081

【目的】種植模式是作物種植的前后茬順序的概括，反映耕地資源的利用方式和效率。本研究通過分析不同種植模式的物候特征，構建江漢平原地區的耕地物候信息圖譜和種植模式譜，并實現該地區主要種植模式的提取。【方法】在地學信息圖譜理論支持下，根據農作物種植的先驗知識和不同種植模式所表現的物候差異，將植被指數變化過程和耕地利用方式的空間差異進行圖譜合一的表達，組成包含耕地不同利用方式的耕地物候信息圖譜；以江漢平原地區的主要種植模式為例，將關鍵物候期植被指數的狀態進行排列組合，建立植被指數狀態到種植模式的信息重映射規則，并在此基礎上根據農作物特有的物候知識進行物候特征挖掘，進行江漢平原地區種植模式譜的構建；進而利用樸素貝葉斯網絡融合關鍵物候期影像和物候知識實現江漢平原種植模式的提取。采用基于知識概率編碼的方法，對關鍵物候期的植被指數狀態進行定量表達。【結果】構建了江漢平原地區的種植模式譜，發現江漢平原地區的種植模式譜由8種種植模式構成：春單季、夏單季、春夏雙季、夏秋雙季、雙季稻、經濟作物、魚塘、苗木或撂荒。提出的種植模式譜及基于樸素貝葉斯網絡的種植模式提取方法能夠準確地提取出所有種植模式，并具有良好的精度和適用性。江漢平原地區在研究時段內呈現顯著的夏秋雙季擴張，以及春夏雙季和夏單季減少的趨勢。【結論】種植模式譜全面反映了江漢平原地區種植模式的總體特征，提升了耕地利用方式監測的準確度，豐富了耕地資源利用方式的內涵。本文方法得到的種植模式分布圖可以作為作物制圖的基礎底圖數據，也是種植強度制圖的重要依據。

物候信息圖譜；種植模式；種植模式譜；貝葉斯網絡；江漢平原

0 引言

【研究意義】種植模式是作物種植的前后茬順序的概括，如復種和輪作[1]，其反映了耕地資源的利用方式和效率，對國家糧食安全和農業土地系統的可持續發展產生直接影響。20世紀80年代以來，由于城鎮化和市場經濟快速發展，我國很多地區種植“雙改單”、耕地撂荒現象日益普遍，種植模式發生了深刻的變化[2-3]。近年來，糧食生產實現規模化經營的同時，耕地“非農化”“非糧化”現象也日益突出[4-5]。利用衛星遙感技術及時準確地掌握區域農作物種植模式及其時空動態變化信息，對于農業可持續發展、實現糧食安全和生態安全的權衡協同具有重要現實意義。【前人研究進展】在耕地利用方式遙感監測方面，已有研究主要集中在作物制圖或種植結構監測。作物制圖往往局限于單一類型[6-10]或者特定類型但是種植結構單一的地區[11-15]。在農作物種植模式時空分布制圖方面已經有一些有價值的探索[16]，但還不夠充分。有關作物之間在時空上的組合關系，即復種、輪作的研究還比較缺乏。同時，耕地利用方式監測常用的指標是種植頻率[17-20]或復種指數[21-25]。種植頻率根據遙感時序曲線的峰值特性，將作物種植區分為一季、兩季或者三季。在我國南方地區，由于受地塊大小的限制、影像時空分辨率以及影像可獲得性的約束，大量的種植信息被忽略。如雙季種植由于物候期的不同，部分雙季種植被識別為單季種植。現有方法不能有效處理物候差異導致的同種種植模式內部差異帶來的問題。因此，傳統的作物制圖和種植結構制圖還不能準確全面地反映耕地資源的種植狀況和利用方式。地學圖譜是既表達地學要素過程又表達空間差異的圖譜合一的系統[26]。地學信息圖譜是地學圖譜和信息技術的結合，能快速匯集數據、提升地學知識發現的效率[27]。【本研究切入點】近年來地學信息圖譜廣泛應用于土地利用變化的研究[28-29]，但用于種植模式變化的研究尚處于起步階段。作物的轉換其實是一種土地利用變化的特殊形態，包括年際的變化和年內的變化。本文的種植模式指的是作物在年內季節間的變化。季節間的作物轉換，伴隨著作物的“播種-生長-收獲”等周期性的動態變化過程，植被指數狀態也出現周期性的變化。因此，選擇關鍵物候期，利用植被指數動態變化特征，構建種植模式譜具有可行性。【擬解決的關鍵問題】基于此，本文通過分析農作物物候特征，提出耕地物候信息圖譜的概念，融合遙感數據和物候知識構建種植模式譜，提高耕地資源利用方式和種植狀況監測的準確度。以種植模式復雜的江漢平原地區為應用場景，融合多時相遙感數據，建立種植模式提取方法。

1 研究區域和數據

1.1 研究區域

江漢平原位于湖北省中南部，由長江和漢水沖積而成（圖1）。其處于亞熱帶季風氣候區，四季分明，日照充足，雨量充沛。區內地勢平坦，整體地勢由西北向東南傾斜，水系發達，土壤肥沃，耕地連片，是我國重要的商品糧基地之一[30]。主要農作物包括水稻、冬小麥、冬油菜、大豆、玉米等，主要種植模式為一年一熟和一年兩熟。由于地塊破碎、河湖分隔等因素，以及長期以來小農經濟的影響，種植模式復雜多樣。近些年來由于耕地流轉的推進，出現了外地資本連片承包耕地的現象，耕地非糧化現象也日益普遍，種植模式變化頻繁。

a：數據來源于2017年的FROM-GLC土地覆蓋數據；b：數據來自NASA SRTM Digital Elevation 地理高程數據。A—E為5種典型種植模式的驗證區

a: The data was sourced from FROM-GLC 2017 land-cover data; b: The data was sourced from NASA SRTM Digital Elevation data. A-E were the five validation areas representing typical cropping patterns

圖1 江漢平原的主要土地覆蓋類型（a）及采樣點（b）

Fig. 1 The major land-cover types (a) and sampling point (b) on the Jianghan Plain

1.2 數據

使用2017—2021年的Sentinel-2多光譜影像作為數據源。Sentinel-2是哨兵系列的高分辨率多光譜成像衛星，由2015年發射的Sentinel-2A和2017年發射的Sentinel-2B兩顆衛星組成。Sentinel-2擁有13個光譜波段，幅寬達290 km，空間分辨率分為10、20和60 m 3種，其中紅、綠、藍波段和近紅外波段的空間分辨率為10 m。本文使用Google Earth Engine（GEE）平臺上的Sentinel-2 Level-2A級地表反射率產品（https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR），該產品經過了大氣校正和亞像元級幾何精校正。

Sentinel-2影像數據的預處理操作在GEE平臺進行。首先，利用s2cloudless算法（https://github.com/ sentinel-hub/sentinel2-cloud-detector），去除云概率大于20%的像元，以減少云和陰影等的干擾。然后通過公式（1）計算2017—2021年時間序列NDVI （Normalized Difference Vegetation Index）數據集。最后對NDVI數據集進行鑲嵌、裁剪，并將其重投影至WGS84/UTM zone 49N坐標系下。

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED) （1）

式中，ρNIR為近紅外波段的反射率，ρRED為紅光波段的反射率。樣本數據主要來自實地調查種植模式數據和使用GEE在線影像增擴的數據。樣本數據用于獲取江漢平原地區種植模式的先驗知識并對種植模式提取結果進行精度驗證。實地調研從2017年開始，根據區內不同種植模式農作物的季節性特點，在每年春季、夏季和秋季開展3次調研。調研過程中，除使用手機應用程序記錄點位種植信息外，同時向當地農民了解該村農作物的復種情況，確保種植模式信息的準確性和完整性。為滿足樣本的數量要求和確保樣本在空間分布上的均勻性，通過疊加農作物同期的GEE影像進行目視解譯，對樣本點進行增擴。GEE平臺的在線影像（https://developers.google.com/earth-engine/datasets）來自衛星影像數據與航拍影像數據的融合，空間分辨率達亞米級，可以滿足樣本增擴對影像的目視解譯要求。使用上述方法于2017—2021年間共采集6 253個樣本點，采樣點分布如圖1-b所示。

2 研究方法

2.1 物候信息圖譜

不同的耕地利用方式（含不同種植模式）有其特有的物候節律，體現在時序遙感數據上則是其獨特的NDVI曲線。農作物依據其種植模式的不同，峰的個數和出現的位置均不相同。但總體上農作物NDVI曲線在生長季出現峰度較大的峰，在兩個生長季的過渡期（或耕作準備期）出現谷值（或NDVI值較低）。

江漢平原地區的第一季作物主要是冬季作物（包括冬油菜和冬小麥），通常在前一年的秋末冬初播種，在3月中旬至4月上旬（作物的第一個生長季，簡稱GS1）植被指數處于峰值，5月下旬至6月上旬（作物生長季的第一個轉換期，簡稱TG1）收割，同期開始播種第二季，植被指數處于低值。第二季通常是種植水稻或者大豆，生長期通常3個月左右。這一時期光熱條件很好，處于植被的生長旺季，在7月中旬至8月上旬（作物的第二個生長季，簡稱GS2）植被指數處于峰值。這3個物候期都是處于植被的生長旺季，由于不同種植模式的物候差異，耕地的植被指數或者很高（位于峰值），或者很低（處于谷值，兩季作物的換茬期或者第二季的耕作準備期），暫且用“高值”或“低值”來對植被指數的狀態進行定性描述。所以，選擇GS1、TG1、GS2這3個物候期可以表征耕地不同的種植模式。作物的種植主要包括5種模式：春單季、夏單季、春夏雙季、夏秋雙季、雙季稻（詳見附錄-江漢平原地區作物種植模式的物候歷）。為便于對物候特征進行概括，在GEE平臺采用中值合成方式計算得到3個物候期的NDVI合成影像。在這3個物候期，不同種植模式具有不同的物候特征。具體而言，春夏雙季表現為“V”字型；夏秋雙季表現為倒“V”字型；雙季稻表現為倒“V”字型（相比夏秋雙季，GS2偏高）；春單季表現為反斜杠型；夏單季表現為曲棍型。

在江漢平原地區還存在著大量耕地挖塘養殖的情況。一種是種植經濟作物如蓮藕等，其生長期比較長，在3月份種植，5月份荷葉已部分覆蓋水面，7月份處于生長旺季，9月份趨于成熟。所以在GS1植被指數處于低值，TG1和GS2處于高值，植被指數狀態組合表現為倒置的曲棍。另一種情形是用作魚塘，在3個物候期的值都很低，植被指數狀態組合與水體接近，表現為近似“一”字形且振幅較小。

非作物種植在這3個物候期組合上表現出不同于作物的物候特征：種植苗木的耕地或者撂荒地（簡稱苗木或撂荒），與天然植被的物候特征相似，表現為近似“一”字形且振幅較大；非農化耕地（主要是被建設占用）表現為近似“一”字形且振幅較小。

據此，選擇3個關鍵物候期的合成影像，將植被指數變化過程和土地覆蓋分布的空間差異進行圖譜合一的表達，組成了包含上述9種利用類型（含不同種植模式）的耕地物候信息圖譜（圖2）。從2021年的樣本數據中隨機選擇10%的樣本并計算其均值來繪制此圖。

2.2 種植模式譜

依據地學信息圖譜理論，將GS1、TG1、GS2的植被指數的狀態（高值或低值）進行排列組合，建立植被指數狀態到土地覆蓋類型（含種植模式）的信息重映射規則（圖3），得到具有8類編碼的地物植被指數狀態變化信息圖譜。但這些變化信息圖譜只是理論上的組合，還不能等同于種植模式，需要聯系到耕地的物候特征加以選擇。根據耕地的物候信息圖譜，3個物候期NDVI都很高的組合是苗木或撂荒；3個物候期NDVI都很低的組合是耕地被開挖成魚塘（因為非農化耕地不是一種種植類型，故在此被排除）；連續兩個物候期NDVI都高的情況比較復雜，需要根據具體情況進行分析。事實上，前兩個時相NDVI為高值的組合不存在，因為作物的生長季沒有那么長；后兩個時相NDVI為高值的一般為經濟作物。排除以上不可能存在的組合后，在耕地上剩下7種植被指數高低狀態組合：“高-高-高”“高-低-高”“高-低-低”“低-高-低”“低-低-高”“低-高-高”“低-低-低”。

結合耕地的物候信息圖譜和江漢平原地區作物種植模式的物候歷（附錄），在GS1-TG1-GS2這3個物候特征組合上，呈現“高-高-高”特征的是苗木或撂荒，呈現“高-低-高”特征的是春夏雙季；呈現“高-低-低”特征的是春單季；呈現“低-高-低”特征的是夏秋雙季；呈現“低-低-高”特征的是夏單季；呈現“低-高-高”特征的是經濟作物；呈現“低-低-低”特征的是魚塘。

圖2 耕地物候信息圖譜

圖3 信息重映射規則

雙季稻作為南方地區特有的一種種植模式，其換茬期比較短，并且在GS2正處于快速生長的階段，使得GS1-TG1-GS2組合上其物候特征不明顯，呈現“低-高-中”的特征，與夏秋雙季等存在一定程度的混淆（圖4-a）。因此，在原有物候期的基礎上增加雙季稻的換茬期，即從7月中旬到7月下旬（作物生長季的第二個轉換期，簡稱TG2）和雙季稻的第二個生長期，即從8月中旬到9月中旬（簡稱GS3），以更好地突出雙季稻的物候特征。在GS2-TG2-GS3這3個物候特征上，雙季稻與夏秋雙季等之間具有較好的區分度（圖4-b）。

a：不同種植模式和苗木或撂荒在GS1, TG1和GS2上的散點圖；b：夏秋雙季，雙季稻和苗木或撂荒在GS2, TG2和GS3上的散點圖

a: For different cropping patterns and trees or abandoned croplands on GS1-TG1-GS2; b: For Summer-and-Autumn double-cropping, double-cropping paddy-rice and trees or abandoned croplands on GS2-TG2-GS3

圖4 在不同物候特征組合上的三維散點圖

Fig. 4 Three-dimensional scatter points on different combinations of phenological features

為便于目視解譯，將3個物候期的NDVI進行假彩色合成顯示（圖5-a），同時構建各種植類型的三角形RGB彩色空間示意圖（圖5-b）（將GS1、TG1、GS2的NDVI值分別賦給紅（Red）、綠（Green）、藍（Blue）波段進行色彩合成）。在假彩色合成影像中，每一種種植類型都有其獨特的色調特征，并映射到RGB彩色空間中相應的位置（魚塘在3個物候期的灰度值都較低且飽和度較低，顏色呈黑色或者深灰色，在三角形RGB彩色空間中找不到對應的位置）。具體而言，春單季的紅色分量高而綠色和藍色分量低，所以呈現出紅色；夏單季的紅色和綠色分量低而藍色分量高，所以呈現出藍色；春夏雙季的紅色和藍色分量高而綠色分量低，所以呈現品紅的顏色；夏秋雙季的紅色和藍色分量低而綠色分量高，所以呈現出綠色；雙季稻的紅色和藍色分量低而綠色分量高，所以呈現出綠色；經濟作物的紅色分量低而和綠色和藍色分量高，所以呈現出青色；魚塘的3個分量都很低，所以呈現黑色；苗木或撂荒的3個顏色分量都很高，藍色和綠色分量更高，所以呈現出青色偏白的顏色。

根據不同種植模式所表現的物候差異和實地調研的先驗知識，發現江漢平原地區的種植模式譜由8種種植模式構成：春單季、夏單季、春夏雙季、夏秋雙季、雙季稻、經濟作物、魚塘、苗木或撂荒。

2.3 種植模式的貝葉斯建模

融合關鍵物候期的遙感影像和作物物候的先驗知識，利用樸素貝葉斯網絡模型來擬合種植模式和關鍵物候期特征之間的非線性關系，進行種植模式譜的合成。貝葉斯網絡模型的構建分為網絡結構確定和網絡參數學習兩個步驟。將5個關鍵物候期的特征作為子節點，種植模式作為父節點，基于樸素貝葉斯網絡的條件獨立性假設構建貝葉斯網絡的網絡結構，確定各節點之間的定性關系（圖6）。這5個物候期特征中，GS1、TG1和GS2用于對所有種植模式進行區分，而TG2和GS3僅用于雙季稻的識別。分別取5個關鍵物候期內的NDVI中值作為模型的關鍵特征變量，對江漢平原地區的種植模式進行提取。

采用基于知識概率編碼的方法，定義各子節點的條件概率表（conditional probability table，CPT），對關鍵物候期的植被指數狀態進行定量表達。首先對各節點變量進行離散化處理，將特征節點以0.1為間隔分為10個等級；將種植模式節點設置為春單季、夏單季、春夏雙季、夏秋雙季、雙季稻和“其他”這6種狀態（在進行種植模式提取時，只關注農作物種植這5種模式，而將經濟作物、魚塘、苗木或撂荒并入“其他”類型）。然后將不同種植模式在關鍵物候窗口內的物候特征差異作為先驗知識，突出不同種植模式在各物候期上所呈現的“高”“低”狀態，結合少量樣本，手動填寫CPT。由于TG2和GS3只用來提取雙季稻，因而這兩個節點只填寫雙季稻的CPT，而忽略其他類型（表1）。

a：3個物候期假彩色合成影像（GS1-TG1-GS2）；b：三角形RGB彩色空間

a: The false color composite image of three phenological periods (GS1-TG1-GS2); b: Triangular RGB color space

圖5 江漢平原種植模式譜

Fig. 5 Cropping pattern spectrum on the Jianghan Plain

CP：表示種植模式節點。SingleSpring：春單季；SingleSummer：夏單季；DoubleSpringSummer：春夏雙季；DoubleSummerAutumn：夏秋雙季；DoubleCroppingRice：雙季稻。GS1、TG1、GS2、TG2和GS3分別表示關鍵物候期特征

CP: Represents cropping pattern node. SingleSpring: Spring single-cropping; SingleSummer: Summer single-cropping; DoubleSpringSummer: Spring-and- Summer double-cropping; DoubleSummerAutumn: Summer-and-Autumn double-cropping; DoubleCroppingRice: Double-cropping paddy-rice. GS1, TG1, GS2, TG2 and GS3 represent the features of the key phenological periods respectively

圖6 種植模式提取的貝葉斯網絡模型

Fig. 6 Bayesian Network model for cropping patterns mapping

表1 子節點的概率圖譜

作物NDVI處于谷值，即耕地處于兩季作物的換茬期或者第二季的耕作準備期時，耕地以土壤背景為主，NDVI通常為0.1—0.3。作物處于生長旺季時，NDVI處于峰值，通常為0.5—0.8。基于這一規律對植被指數的狀態（“高值”或“低值”）進行量化表達（圖7）。

圖7 植被指數狀態的知識概率編碼示意圖

在參數確定后，模型被完全定義，具有了推理能力。當給定某些節點的概率分布時，貝葉斯網絡能自動計算其他節點的后驗概率。假設指定種植模式為“春夏雙季”，通過模型的正向推理，可以看到所有子節點的概率分布相應地發生了變化。其中GS1-TG1-GS2這3個特征呈現出“高-低-高”的特征，與前面對物候特征的分析相符合（圖8-a）。同理，假設將GS1-TG1-GS2這3個特征設定為“高-低-高”的特征時，模型也可以進行反向推理，計算出種植模式為“春夏雙季”的概率最高（圖8-b）。因此，建立的樸素貝葉斯網絡模型具有優秀的概率推理和知識表達能力，可以實現物候信息和種植模式之間的雙向推理。

在推理階段，基于各關鍵物候期的像元值，利用貝葉斯網絡的反向推理能力，計算得到該像元在所有種植模式上的后驗概率，取最大后驗概率所對應的種植模式作為該像元的種植模式。

3 結果

3.1 種植模式提取結果驗證

首先采用目視解譯的方法，對種植模式的提取結果進行定性評估。典型物候期植被指數假彩色合成影像與種植模式提取結果的對比如圖9所示（以2018年5個驗證區為例）。在GS1-TG1-GS2這3個物候特征組合上，除了夏秋雙季與雙季稻略有混淆外，5種種植模式呈現完全不同的高低狀態組合，因而合成影像上的色調差異也非常顯著。

驗證區A—E內主要的種植模式分別為春單季、夏單季、春夏雙季、夏秋雙季和雙季稻。春單季在GS1特征上NDVI為高值，其他兩個特征上NDVI均為低值，因而在合成影像上呈現紅色（圖9-a1，圖9-a2）；夏單季在GS2特征上為高值，其他兩個特征上為低值，因而夏單季在合成影像上顯示為藍色（圖9-b1，圖9-b2）；春夏雙季在GS1和GS2這兩個特征上均為高值，在TG1特征上為低值，因而在合成影像上春夏雙季為品紅色（圖9-c1，圖9-c2）；夏秋雙季僅在TG1特征上為高值，在GS1和GS2特征上均為低值，因而在合成影像上呈現綠色（圖9-d1，圖9-d2）；雙季稻在GS1上為低值，在TG1上為高值，在GS2上的值介于GS1和TG1的值之間，因而在合成影像上雙季稻呈現綠色偏青色的色調（圖9-e1，圖9-e2）。

a：正向推理，當指定父節點為“春夏雙季”時，概率傳遞到子節點，GS1-TG1-GS2呈現為“高-低-高”的組合特點。由于TG2和GS3節點只對雙季稻有效，故此時概率分布無變化；b：反向推理，給定GS1-TG1-GS2的組合為“高-低-高”時，概率傳遞到父節點，預測種植模式為“春夏雙季”的概率最高，達到93.8%

a: Forward inference: when the parent node is specified as "DoubleSpringSummer", the probability is passed to the child node, and GS1-TG1-GS2 changes to a state combination of "high-low-high". Since TG2 and GS3 nodes are only effective for DoubleCroppingRice, its probability does not change at this time. b: Backword inference: when the combination of GS1-TG1-GS2 is specified as "high-low-high", the probability is transferred to the parent node, and the probability of "DoubleSpringSummer" is the highest, reaching 93.8%

圖8 貝葉斯網絡的正向推理和反向推理

Fig. 8 Forward and backword inference of Bayesian Network

a—e與驗證區A—E一一對應；圖a1—e1為3個物候特征的假彩色合成影像；圖a2—e2為種植模式的提取結果

a-e correspond to the validation areas A-E. a1-e1 are the false-color composite images of the three phenological features; a2-e2 are the cropping pattern maps

圖9 驗證區物候特征假彩色合成影像與種植模式提取結果的對比

Fig. 9 Comparison between the false color composite images of phenological features and the cropping pattern map in the validation areas

和物候特征假彩色合成影像對比，可以看出種植模式的提取結果和目視觀察的5種種植模式的空間分布具有高度的一致性。對所有種植模式，貝葉斯網絡模型都能實現較好的提取；而且在地塊較破碎的區域（驗證區（b）、（d）和（e）），模型也能準確地區分不同的種植模式。

表2—6給出了2017—2021年種植模式提取結果的精度評價結果。總體而言，種植模式的提取精度較高，總體精度（overall accuracy，OA）都在88%以上。就具體的種植模式而言，模型對所有種植模式提取的用戶精度和制圖精度也都在80%以上，再一次證明了種植模式提取結果的可靠性。

表2 2017年種植模式提取結果的精度評價

表3 2018年種植模式提取結果的精度評價

表4 2019年種植模式提取結果的精度評價

表5 2020年種植模式提取結果的精度評價

表6 2021年種植模式提取結果的精度評價

3.2 種植模式的時空分布

2017—2021年江漢平原地區種植模式的分布如圖10所示。總體上來看，夏單季的種植面積最大，春夏雙季次之，二者占比之和超過了90%。夏單季廣泛分布在江漢平原全域。春夏雙季主要分布在江漢平原中東部和西南部的沖積平原上，包括鐘祥市、天門市、潛江市、江陵縣，以及松滋市、公安縣和石首市的北部。夏秋雙季、雙季稻和春單季的分布少且集中。夏秋雙季主要分布在枝江市東南部的方家弓鎮、天門市南部的張港鎮、鐘祥市北部的豐樂鎮，以及漢川市楊林溝鎮。雙季稻主要分布在公安縣南部的淤泥湖周邊和監利縣的黃歇口鎮。春單季零星分布于荊州區、石首市和洪湖市的長江岸邊。

從時序變化上分析，近5年來江漢平原地區的種植模式存在著夏秋雙季的明顯擴張，以及夏單季和春夏雙季在此消彼長中小幅減少的趨勢。具體而言，2017—2021年，夏秋雙季在漢川市方家弓鎮和天門市張港鎮等集中分布的地區種植面積有所減少，但在江漢平原西北部的沙洋縣、當陽市以及掇刀區等地擴張趨勢顯著，增幅達87.8%；夏單季和春夏雙季均呈現出在波動中減少的趨勢，減幅為5%左右；雙季稻和春單季的種植面積總體保持穩定。

4 討論

本文提出的技術方法的特色在于：（1）將年內作物的轉換作為土地覆蓋變化的一種特殊形式，將植被指數變化過程和耕地利用方式的空間差異進行圖譜合一的表達，組成了包含所有耕地利用方式（含不同作物種植模式）的物候信息圖譜；（2）將典型物候期的植被指數的狀態（高值或低值）進行排列組合，建立植被指數狀態到耕地利用方式（含種植模式）的信息重映射規則，得到了地物植被指數狀態變化信息圖譜，并在此基礎上根據農作物特有的物候知識，從中抽取出種植模式譜。

本文得到的種植模式分布圖可以作為作物制圖的依據之一。在作物制圖中，光譜特征仍然是主要特征，但也存在局限性，如因為物候期不同導致的“同物異譜”現象。在采用分層制圖的思路時，種植模式數據可以作為作物制圖的基礎底圖數據。同時，種植模式分布圖也是種植強度制圖的重要依據。江漢平原地區的種植模式非常復雜，傳統的種植強度制圖方法因為影像空間分辨率和地塊大小的限制，只關注到了部分種植模式。例如，春夏雙季和夏秋雙季沒有進行區分，統稱為雙季；雙季稻部分被識別為單季；春單季被忽略了。而本文提出的種植模式譜，考慮到了所有的種植模式，能夠全面、準確地反映江漢平原地區耕地利用的全貌。

圖10 江漢平原地區2017—2021年種植模式的空間分布及各種植模式的面積占比

5 結論

本文基于地學信息圖譜理論，在對各種形式的耕地利用方式的物候特征進行詳盡分析的基礎上，提出了物候信息圖譜的概念，并選擇典型物候期特征，構建了江漢平原地區的種植模式譜。從時序Sentinel-2數據中挖掘了江漢平原地區不同種植模式的典型物候差異，選取出5個關鍵的物候特征，利用樸素貝葉斯網絡模型實現對江漢平原種植模式譜的合成，并分析了2017—2021年種植模式的時空分布特征。結果表明：（1）種植模式譜全面反映了江漢平原地區種植模式的總體特征，提升了種植模式復雜地區耕地利用方式監測的準確度。（2）基于樸素貝葉斯網絡和關鍵物候期的種植模式提取方法，能夠準確地提取出所有種植模式，2017—2021年的總體精度均在90%左右。（3）江漢平原地區在2017—2021年間呈現顯著的夏秋雙季擴張，以及春夏雙季和夏單季減少的趨勢。這種變化的部分原因是由于耕地流轉和外地資本進入導致耕地非糧化（主要是蔬菜和水果種植）等的擴張。

[1] 黃國勤.中國南方耕作制度. 北京: 中國農業出版社, 1997.

HUANG G Q. Farming System in Southern China. Beijing: China Agriculture Press, 1997. (in Chinese)

[2] TAO J B, WU W B, LIU W B. Spatial-temporal dynamics of cropping frequency in Hubei Province over 2001-2015. Sensors, 2017, 17(11): 2622.

[3] 李怡, 方斌, 李裕瑞, 璩路路, 李冬杰. 城鎮化進程中耕地多功能權衡/協同關系演變及其驅動機制. 農業工程學報, 2022, 38(8): 244-254.

LI Y, FANG B, LI Y R, QU L L, LI D J. Trade-off and synergy evolution of farmland functions and its dynamic mechanism in the process of urbanization. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(8): 244-254. (in Chinese)

[4] 李欣宇, 方斌, 李怡, 李冬杰, 何莎莎. 中國糧耕價值比與種植結構時空耦合演化及分區調控. 地理學報, 2022, 77(11): 2721-2737.

LI X Y, FANG B, LI Y, LI D J, HE S S. Spatio-temporal coupling evolution and zoning regulation of grain-to-arable value ratio and cropping structures in China. Acta Geographica Sinica, 2022, 77(11): 2721-2737. (in Chinese)

[5] 吳郁玲, 張佩, 于億億, 謝銳瑩. 糧食安全視角下中國耕地“非糧化”研究進展與展望. 中國土地科學, 2021, 35(9): 116-124.

WU Y L, ZHANG P, YU Y Y, XIE R Y. Progress review on and prospects for non-grain cultivated land in China from the perspective of food security. China Land Science, 2021, 35(9): 116-124. (in Chinese)

[6] QIU B W, JIANG F C, CHEN C C, TANG Z H, WU W B, BERRY J. Phenology-pigment based automated peanut mapping using sentinel-2 images. GIScience & Remote Sensing, 2021, 58(8): 1335-1351.

[7] HU Q, MA Y X, XU B D, SONG Q A, TANG H J, WU W B. Estimating sub-pixel soybean fraction from time-series MODIS data using an optimized geographically weighted regression model. Remote Sensing, 2018, 10(4): 491.

[8] HAN J C, ZHANG Z, LUO Y C, CAO J, ZHANG L L, CHENG F, ZHUANG H M, ZHANG J. AsiaRiceMap10m: High-resolution annual paddy rice maps for Southeast and Northeast Asia from 2017 to 2019. Earth System Science Data Discussions, 2021, 211: 1-27.

[9] 劉文斌, 陶建斌, 徐猛, 陳瑞卿, 郭洋. 基于人工神經網絡多源數據融合的子像元冬油菜提取: 以兩湖平原為例. 自然資源學報, 2019, 34(5): 1079-1092.

LIU W B, TAO J B, XU M, CHEN R Q, GUO Y. A study of winter rape extraction at sub-pixel fusing multi-source data based on Artificial Neural Networks: a case study of Jianghan and Dongting Lake Plain. Journal of Natural Resources, 2019, 34(5): 1079-1092. (in Chinese)

[10] 楊靖雅, 胡瓊, 魏浩東, 蔡志文, 張馨予, 宋茜, 徐保東. 基于Sentinel-1/2數據的中國南方單雙季稻識別結果一致性分析. 中國農業科學, 2022, 55(16): 3093-3109.doi: 10.3864/j.issn.0578-1752. 2022.16.003.

YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. doi: 10.3864/ j.issn.0578-1752.2022.16.003. (in Chinese)

[11] HU Q, YIN H, FRIEDL M A, YOU L Z, LI Z L, TANG H J, WU W B. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates. Remote Sensing of Environment, 2021, 258: 112365.

[12] YOU N S, DONG J W, HUANG J X, DU G M, ZHANG G L, HE Y L, YANG T, DI Y Y, XIAO X M. The 10-m crop type maps in Northeast China during 2017-2019. Scientific Data, 2021, 8: 41.

[13] LUO C, LIU H J, LU L P, LIU Z R, KONG F C, ZHANG X L. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine. Journal of Integrative Agriculture, 2021, 20(7): 1944-1957.

[14] LUO Y C, ZHANG Z, ZHANG L L, HAN J C, CAO J A, ZHANG J. Developing high-resolution crop maps for major crops in the European union based on transductive transfer learning and limited ground data. Remote Sensing, 2022, 14(8): 1809.

[15] BLICKENSD?RFER L, SCHWIEDER M, PFLUGMACHER D, NENDEL C, ERASMI S, HOSTERT P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment, 2022, 269: 112831.

[16] QIU B W, HU X, CHEN C C, TANG Z H, YANG P, ZHU X L, YAN C, JIAN Z Y. Maps of cropping patterns in China during 2015-2021. Scientific Data, 2022, 9: 479.

[17] WANG Y H, FAN L, TAO R T, ZHANG L T, ZHAO W. Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion. Environmental Science and Pollution Research, 2022, 29(9): 12661-12679.

[18] YAN H M, LIU F, QIN Y W, NIU Z E, DOUGHTY R, XIAO X M. Tracking the spatio-temporal change of cropping intensity in China during 2000–2015. Environmental Research Letters, 2019, 14(3): 035008.

[19] LIU L, XIAO X M, QIN Y W, WANG J, XU X L, HU Y M, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624.

[20] LIU X X, ZHENG J P, YU L, HAO P Y, CHEN B, XIN Q C, FU H H, GONG P. Annual dynamic dataset of global cropping intensity from 2001 to 2019. Scientific Data, 2021, 8: 283.

[21] XIE H L, LIU G Y. Spatiotemporal differences and influencing factors of multiple cropping index in China during 1998-2012. Journal of Geographical Sciences, 2015, 25(11): 1283-1297.

[22] 李宇, 邱炳文, 何玉花, 陳功, 葉智燕. 基于MODIS數據的2001—2018年中國耕地復種指數反演研究. 地理科學進展, 2020, 39(11): 1874-1883.

LI Y, QIU B W, HE Y H, CHEN G, YE Z Y. Cropping intensity based on MODIS data in China during 2001-2018. Progress in Geography, 2020, 39(11): 1874-1883. (in Chinese)

[23] ESTEL S, KUEMMERLE T, LEVERS C, BAUMANN M, HOSTERT P. Mapping cropland-use intensity across Europe using MODIS NDVI time series. Environmental Research Letters, 2016, 11(2): 024015.

[24] CHEN B. Globally increased crop growth and cropping intensity from the long-term satellite-based observations. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018, IV-3: 45-52.

[25] 冀正欣, 王秀麗, 李玲, 關小克, 蔚霖, 許月卿. 南陽盆地區耕地利用效率演變及其影響因素. 自然資源學報, 2021, 36(3): 688-701.

JI Z X, WANG X L, LI L, GUAN X K, YU L, XU Y Q. The evolution of cultivated land utilization efficiency and its influencing factors in Nanyang Basin. Journal of Natural Resources, 2021, 36(3): 688-701. (in Chinese)

[26] 陳述彭. 地學信息圖譜芻議. 地理研究, 1998, 17(增刊): 5-8.

CHEN S P. On the map of geo-science information. Geographical Research, 1998,17(Suppl.): 5-8. (in Chinese)

[27] 楊存建. 地學信息圖譜思想與實踐探索. 地球信息科學學報, 2020, 22(4): 697-704.

YANG C J. The idea of geo-information tupu and its practices. Journal of Geo-Information Science, 2020, 22(4): 697-704. (in Chinese)

[28] 唐常春, 李亞平. 多中心城市群土地利用/覆被變化地學信息圖譜研究: 以長株潭城市群為例. 地理研究, 2020, 39(11): 2626-2641.

TANG C C, LI Y P. Geo-information Tupu process of land use/cover change in polycentric urban agglomeration: a case study of Changsha- Zhuzhou-Xiangtan urban agglomeration. Geographical Research, 2020, 39(11): 2626-2641. (in Chinese)

[29] 張韻, 彭建東, 王晶晶, 楊紅. 基于地學信息圖譜的江漢平原土地利用時空變化分析. 水土保持研究, 2020, 27(4): 85-92, 2.

ZHANG Y, PENG J D, WANG J J, YANG H. Analysis on spatial and temporal change of land use in Jianghan plain based on geo-information atlas. Research of Soil and Water Conservation, 2020, 27(4): 85-92, 2. (in Chinese)

[30] 劉衛東. 江漢平原土地類型與綜合自然區劃. 地理學報, 1994, 49(1): 73-83.

LIU W D. Land types and comprehensive physical regionalization in the Jianghan plain. Acta Geographica Sinica, 1994, 49(1): 73-83. (in Chinese)

Remote Sensing Monitoring of Cropping Patterns Based on Phenology Information Atlas

1College of Urban and Environmental Sciences, Central China Normal University/Key Laboratory for Geographical Process Analysis & Simulation of Hubei Province, Wuhan 430079;2Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Beijing 100081

【Objective】 Cropping patterns are a summary of crop sequence which reflects the use patterns and efficiency of cropland resources. Through analyzing the phenological differences of different cropping patterns, the cropland phenology information atlas and cropping pattern spectrum for croplands on the Jianghan Plain were constructed, and the major cropping patterns in this area were mapped. 【Method】 The cropland phenology information atlas including different cropland use patterns was formed through expressing graphically the spatial difference between vegetation index states and cropland use patterns, according to the prior knowledge of crop planting and the phenological differences of different cropping patterns under the framework of geo-information atlas. Taking the major cropping patterns on the Jianghan Plain as the study cases, the vegetation index states in the key phenological periods were arranged and combined to establish the information remapping rule from the vegetation index states to the cropping patterns, their phenological characteristics were explored, and the cropping pattern spectrum was constructed. Then the data during the key phenological periods and phenological knowledge were integrated to map cropping patterns on the Jianghan Plain by using the Naive Bayes Networks. The vegetation index states of the key phenological periods were quantitatively expressed by using the knowledge probability coding method.【Result】The cropping pattern spectrum on the Jianghan Plain was constructed, and it was found that the cropping pattern spectrum on the Jianghan Plain was composed of eight cropping patterns: Spring single-cropping, Summer single-cropping, Spring-and-Summer double-cropping, Summer-and-Autumn double-cropping, double-cropping paddy-rice, cash crops, aquaculture ponds, trees or abandoned croplands. The results showed that the proposed cropping pattern spectrum and the method of mapping cropping patterns based on the key phenological periods and the Naive Bayesian Networks could extract all cropping patterns accurately, at the same time, which had good performance and suitability. There was a significant trend of the expansion of Summer-and-Autumn double-cropping and the shrink of Spring-and-Summer double-cropping and the Summer single-cropping on the Jianghan Plain during the study period.【Conclusion】The cropping pattern spectrum gave a picture of the overall situation of intensive utilization of croplands on the Jianghan Plain, for improving the accuracy of monitoring the use of croplands and enriching the connotation of the use of cropland resources.

phenology information atlas; cropping pattern; cropping pattern spectrum; Bayesian Network; the Jianghan Plain

2023-03-16；

2023-07-10

國家重點研發計劃（2022YFB3903504）、國家自然科學基金面上項目（41971371）、中央高校基本科研業務費項目（CCNU22JC022）

陶建斌，E-mail：taojb@mail.ccnu.edu.cn。通信作者吳文斌，E-mail：wuwenbin@caas.cn

（責任編輯 李云霞）