首页 > 论文范文 > 社会科学论文 > 经济学论文 > 农业经济论文 > 遥感技术在村域尺度耕地种植动态监测中的应用

遥感技术在村域尺度耕地种植动态监测中的应用

2023-11-03 129 上传者：管理员

摘要：【目的】精确获取村域尺度耕地种植动态变化信息。【方法】笔者以福建省南平市万安乡连墩村为例，以国土“三调”耕地数据为基础，采用Landsat、SAR、无人机航飞影像等多源数据组合，结合人工智能的方法进行研究分析。【结果】研究结果显示，6—12月期间水稻、玉米、地瓜等粮食作物种植以及蔬菜等非粮食作物种植存在动态增减变化。【结论】耕地轮作休耕制度得到了有效推行，设施农用地与交通运输用地在持续增加，区域的发展活力和可持续性在不断增强。

关键词：
作物
变化监测
粮食安全
耕地
遥感影像
加入收藏

人口增长和粮食需求的增加使得粮食安全问题日益凸显，如何准确估计农作物的面积和产量，成为粮食安全管理的关键[1]。农作物面积遥感测量是第三次农业普查的重要组成部分，是农业普查方式的重大变革，旨在测量主要农作物的种植面积及空间分布[2]，建立起面向未来的现代农业统计监测体系，为粮食安全战略提供科学依据[3]。

近年来，随着遥感测量技术的发展，可以利用多源数据打造农业统计调查全新流程，实现调查全过程质量控制，进一步提升农业统计调查公信力[4]，及时准确地掌握农作物种植面积及其空间分布状况，对制定社会经济发展规划、调控种植业结构、确保国家粮食安全具有重要意义[5]。已有部分学者在该领域做了大量的相关研究，其中，于秀娟等建立了多源高分遥感影像进行土地利用动态监测的技术流程，研究了基于面向对象与深度学习的土地利用信息提取[6]；阎建忠等基于MODIS NDVI时间序列和Landsat数据，利用不同作物的物候特征实现了对青藏高原主要农作物信息的提取[7]；赵龙才等利用深度学习方法集合作物生长过程的光谱特征，构建了面向农作物遥感识别的知识图谱，提高了识别精度与效率[8]；牛昱杰等基于哨兵2号的时序影像，研究发现了多时相模型可以有效提高冬小麦的提取精度，每年2月、4月、6月为识别的关键期[9]；朱爽等研究了基于农作物遥感识别结果的不同分层方法的抽样效率，为解决遥感抽样估算中分层标志缺乏遥感识别误差描述的问题提供了参考[10]。大部分学者的研究区域面积较广，缺少针对小范围区域的研究。本文以位于武夷山脉东南部的连墩村耕地种植变化监测情况为研究对象，以国土“三调”耕地数据为基础，采用光学、合成孔径雷达（SAR）等多源数据组合并结合人工智能的方法进行研究，为遥感技术在小范围区域的动态监测提供参考。

1、研究区与数据

1.1 研究区概况

万安乡连墩村位于福建省南平市，地处闽北山区，农田面积较大，耕地资源丰富。该村位于中南亚热带，属温暖湿润型亚热带海洋性季风气候，具有太阳辐射能充裕、年积温高、温暖湿润、雨量充足、气候资源丰富等特点，有80%以上雨量集中在3—10月的温暖和炎热季节之间，雨热同期，为农作物的生长发育、多熟种植和蔬菜的周年生产，提供了良好的气候条件。该村主要种植茶叶、水果等农作物。

1.2 数据来源

用于本研究的数据包括：1)2022年6月、8月、1 2月的连墩村无人机影像；2）国土“三调”耕地数据；3）光学、SAR多源数据组合；4）连墩村范围矢量数据。

1.3 遥感影像数据收集与处理

采用光学、SAR等多源数据组合，基于省级卫星中心和公开的数据等收集影像，并对影像进行纠正、配准等一系列处理，形成连墩村耕地粮食作物种植情况动态监测亚米级遥感影像和3个尺度多源、多模态耕地粮食作物种植情况的长时序影像。收集连墩村亚米级卫星遥感影像（时相在2个年度内）一期，用于种植地块及粮食作物种植分布信息提取；收集关键时间节点的多源米级、中分辨率的光学、SAR影像，用于粮食作物种植分布信息提取。

2、研究方法

2.1 总体技术流程

基于国土“三调”耕地数据，采用光学与SAR等多源数据组合、AI智能提取精细地块空间、分区分级递推、分步人工智能的方法进行耕地种植情况遥感动态监测，总体技术流程如图1所示。

图1 技术流程

2.2 基于深度学习技术的耕地地块识别

依据全覆盖的亚米高分影像，参照“三调”“农经权”等调查数据，根据《福建省第三次国土调查主要数据公报》公布的耕地面积，采用分区—分层—分级解构方法，基于亚米级影像，利用深度学习技术智能识别任务区内所有农田地块，高效率生成精细种植地块图，将其作为耕地粮食作物种植情况监测成图的底板。

2.3 基于多源遥感影像的粮食作物识别

基于水稻（主要作物）、玉米、地瓜等粮食作物的生长周期的物候信息，采用多源、多模态（SAR等）长时间序列的遥感数据，结合区域特点、作物空间分布及纹理和光谱等特征，应用遥感技术与AI智能学习方法开展自动化信息提取，获取粮食作物的空间分布与种植面积信息。

不同粮食作物的重点监测时间不同。水稻监测时间：早稻生长周期为3—7月，重点监测时间为5月、6月；中稻生长周期为5—9月，重点监测时间为7月、8月；晚稻生长周期为6—10月，重点监测时间为9月、10月。玉米监测时间：春玉米生长周期为2—5月，重点监测时间为4月；夏玉米生长周期为7—10月，重点监测时间为8月、9月。地瓜监测时间：生长周期为6—10月，重点监测时间为9月、10月。

2.4 物候分区与分类系统设置

根据地形地貌、海拔、气候条件、种植物候等先验知识，划定连墩村种植结构分区，确定每个分区中的作物分类系统（类型—时段）。选定具有代表性的物候分区进行样点采集—时序遥感构建—环境参量加载—作物时序分类的精分类，确保典型区域提取精度，并按置信度评估每个地块的分类结果。

2.5 耕地粮食作物种植信息综合分析

结合外业调查、无人机调查等技术，抽样核实实际耕地粮食作物种植情况，提取粮食作物的种植情况及分布信息。在此基础上，叠加永久基本农田、高标准农田等范围，进一步分析和判定耕地粮食作物种植分布状况及变化情况。

3、结果与分析

根据连墩村的调查情况，结合农作物物候信息，将连墩村按一、二级分类划分为种植粮食作物（水稻、玉米、地瓜等粮食作物）用地、种植非粮食作物（大棚种植、蔬菜等其他非粮食作物）用地、未耕地、种植园用地（果园等）、林地（竹林地、其他林地）、坑塘沟渠（坑塘水面、沟渠）、设施农用地、交通运输用地、其他建设用地共9大类。

3.1 三期监测结果统计

监测结果及变化情况如表1、表2所示。变化1是指8月较6月耕地种植变化，变化2是指12月较8月耕地种植变化。由表1、表2可知，6月到8月连墩村耕地种植变化不大，种植粮食作物用地面积增加，其中水稻、玉米、地瓜等粮食作物的种植面积都有所增加；种植非粮食作物用地面积减少，其中大棚种植面积、蔬菜等非粮食作物的种植面积都有所减少；未耕地、种植园用地、林地面积均减少；交通运输用地面积增加；坑塘沟渠、设施农用地、其他建设用地无变化。8月到12月连墩村耕地种植变化较大，种植粮食作物用地面积显著减少，其中玉米的种植面积轻微减少，水稻完成收获，其面积减少到0，同时未耕地面积显著增加，地瓜等其他粮食作物的种植面积增加；种植园用地、设施农用地、交通运输用地、其他建设用地面积增加。

表1 连墩村耕地监测情况（一级分类）表

表2 连墩村耕地监测情况（二级分类）表

3.2 耕地种植面积变化

由图2可知，6—8月种植粮食作物用地、种植非粮食作物用地、未耕地、种植园用地4种用地的变化面积总量为208.9亩，其中变化最大的类型为未耕地—种植粮食作物用地，面积为72.99亩，占比达34.94%；其次为种植非粮食作物用地—未耕地，面积为40.41亩，占比达19.34%。轮作时合理安排种植不同类型的作物，改变土壤生境条件，促进耕地可持续发展。

由图3可知，8—12月种植粮食作物用地、种植非粮食作物用地、未耕地、种植园用地4种地类变化面积总量为1 772.03亩，该阶段绝大多数耕地转为未耕地，包括种植粮食作物用地—未耕地、种植非粮食作物用地—未耕地、种植园用地—未耕地，面积合计1 662.64亩，占比达93.83%，休耕时土壤得到充分的恢复与调整。

图2 6—8月连墩村耕地种植面积变化图

图3 8—12月连墩村耕地种植面积变化图

4、结论

以国土“三调”耕地数据为基础，采用光学、SAR等多源数据组合结合深度学习的方法，开展适用于小范围区域耕地种植情况的遥感动态监测研究。研究结果显示，在农作物种植和土地利用的变化方面，6—12月期间水稻、玉米、地瓜等粮食作物以及其他非粮食作物的种植呈现动态增减变化的趋势，耕地轮作休耕制度得到有效推行，为土地提供了更好的保护，有助于提高农作物的产量和质量。同时，设施农用地和交通运输用地在这一时期持续增加，促进了农业生产和农村经济发展，进一步增强了农村地区的发展活力和可持续性。遥感技术在村域尺度耕地种植动态监测中得到了较好的应用，有效推进落实耕地数量、质量、生态“三位一体”保护。

参考文献:

[1]涂巧针,李旭,刘钇廷,等.遥感技术在我国冬小麦产量估算中的应用研究进展[J].南方农业,2023,17(1):106-109+113.

[2]杨晓慧,袁宏伟,肖晨光.灌区实际灌溉面积遥感监测方法研究进展[J].南方农业,2023,17(5):178-180+189.

[3]吴英兰,阙名锦.基于GIS技术的水稻种植区域变化监测技术及其应用[J].南方农业,2022,16(24):192-195.

[4]李艳.基于无人机遥感通信农业种植数测量系统设计[J].农机化研究,2024,46(3):205-208+214.

[5]张伟.遥感技术在农业信息化中的应用探析[J].南方农业,2021,15(2):223-224.

[6]于秀娟,庞绪峰.基于多源高分遥感影像的土地利用动态监测[J].科技创新与应用,2023,13(2):16-19.

[7]阎建忠,张敏,张思颖.基于GEE和MODIS NDVI时序的青藏高原农作物信息提取[J].西南大学学报(自然科学版),2023,45(4):55-64.

[8]赵龙才,李粉玲,常庆瑞.农作物遥感识别与单产估算研究综述[J].农业机械学报,2023,54(2):1-19.

[9]牛昱杰,杨永明.基于哨兵2号时序影像的冬小麦空间分布研究[J].山东农业大学学报(自然科学版),2023,54(3):352-359.

[10]朱爽,张锦水.面向省级农作物种植面积遥感估算的分层方法[J].农业工程学报,2013,29(2):184-191+300-301.

文章来源:黄海量.遥感技术在村域尺度耕地种植动态监测中的应用[J].南方农机,2023,54(22):89-92.