自然资源遥感, 2022, 34(4): 155-165 doi: 10.6046/zrzyyg.2021343

技术方法

基于Sentinel-1的喀斯特高原山区种植结构空间分异研究

王宇,1,2,3, 周忠发,1,2, 王玲玉1,3, 骆剑承4, 黄登红1,3, 张文辉1,2,3

1．贵州师范大学地理与环境科学学院/喀斯特研究院,贵阳 550001

2．贵州省喀斯特山地生态环境国家重点实验室培育基地,贵阳 550001

3．国家喀斯特石漠化防治工程技术研究中心,贵阳 550001

4．中国科学院空天信息创新研究院,北京 100101

Sentinel-1-based spatial differentiation study of the planting structures in Karst plateau mountainous areas

WANG Yu,1,2,3, ZHOU Zhongfa,1,2, WANG Lingyu1,3, LUO Jiancheng4, HUANG Denghong1,3, ZHANG Wenhui1,2,3

1. School of Geography and Environmental Science/School of Karst Science, Guizhou Normal University, Guiyang 550001, China

2. The State Key Laboratory Incubation Base for Karst Mountain Ecology Environment of Guizhou Province, Guiyang 550001, China

3. State Engineering Technology Institute for Karst Desertification Control, Guiyang 550001, China

4. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

通讯作者: 周忠发(1969-),男,教授,博士生导师,主要从事地理信息系统与遥感研究。Email:fa6897@163.com。

收稿日期: 2021-10-18   修回日期: 2022-03-10  

基金资助: 贵州省“高层次创新型人才培养计划‘百’层次人才”项目(黔科合平台人才〔2016〕5674)
贵州省“第三次国土调查石漠化耕地与五千亩大坝专题”研究项目(GTGHY2018)
贵州省研究生科研基金项目(黔教合YJSCXJH[2020]103)
贵州省科学技术基金资助项目“黔科合基础-ZK[2021]一般194”

Received: 2021-10-18   Revised: 2022-03-10  

作者简介 About authors

王 宇(1995-),女,硕士研究生,主要从事喀斯特资源遥感应用研究。Email: 1346527820@qq.com。

摘要

喀斯特山区受多云多雨复杂天气影响,遥感技术应用于种植结构信息提取具有较大难度,基于Sentinel-1进行作物识别在精准农业中具有独特优势,可及时、准确地掌握区域主要作物种植信息,对于制定农业政策和指导农业生产具有重要意义。文章以贵州省关岭县作为研究区,采用2020年Google Earth影像、4—8月时序Sentinel-1数据和无人机遥感数据,利用D_LinkNet模型进行地块提取,基于LightGBM模块进行种植结构分类,结合地理探测器探究研究区主要作物空间分异特征及种植结构空间分异的影响机理。研究表明: ①关岭县作物分布呈“西北多,东南少”格局,空间分布不均衡; ②因子交互作用的影响均比单一因子影响程度大,交通区位与排涝能力是影响耕地分布的主要因素,次要因子为高程与交通区位等因子; ③作物种植结构提取结果与统计年鉴比例一致,混淆矩阵总体精度为0.87,Kappa系数为0.83。研究结果有利于理解喀斯特山区不同粮食作物种植结构空间分异的形成机理及其差异,为种植结构优化调整、影响因素分析提供科学依据。

关键词： 喀斯特; 耕地利用; 种植结构; Sentinel-1; 空间分异

Abstract

Karst mountainous areas are influenced by complex cloudy and rainy weather. This brings great difficulties to the extraction of planting structure information using the remote sensing technology. Sentinel-1-based crop identification has unique advantages in precision agriculture. It can obtain the information on regional main crops in time and accurately, thus playing a significant role in formulating agricultural policies and guiding agricultural production. This study investigated Guanling County based on Google images in 2020, Sentinel-1 time series data from April to August, and UAV remote sensing data. First, the plots were extracted using the D_LinkNet model. Then, the planting structures were classified based on the LightGBM module. Finally, the spatial differentiation characteristics of main crops and the influencing mechanism of planting structures in the study area were explored combined with geographic detectors. The results are as follows. ① The crops in Guanling County showed an uneven spatial distribution pattern of more crops in the northwest and less crops in the southeast. ② The influence of factor interaction was greater than that of single factors. The distribution of cultivated land was mainly influenced by traffic location and drainage capacity, followed by factors such as elevation and traffic location. ③ The extraction results of crop planting structures are consistent with the proportions shown in the statistical yearbook, with confusion-matrix overall precision of 0.87 and Kappa coefficient of 0.83. The results can help understand the formation mechanisms and differences in the spatial differentiation of different crop planting structures in Karst mountainous areas. Therefore, this study can provide a scientific basis for the optimization and adjustment of planting structures and the analysis of influencing factors.

Keywords： Karst; cultivated land utilization; planting structure; Sentinel-1; space differentiation

PDF (3695KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王宇, 周忠发, 王玲玉, 骆剑承, 黄登红, 张文辉. 基于Sentinel-1的喀斯特高原山区种植结构空间分异研究[J]. 自然资源遥感, 2022, 34(4): 155-165 doi:10.6046/zrzyyg.2021343

WANG Yu, ZHOU Zhongfa, WANG Lingyu, LUO Jiancheng, HUANG Denghong, ZHANG Wenhui. Sentinel-1-based spatial differentiation study of the planting structures in Karst plateau mountainous areas[J]. Remote Sensing for Land & Resources, 2022, 34(4): 155-165 doi:10.6046/zrzyyg.2021343

0 引言

准确的农业信息是保障区域粮食安全的重要基础,对估算作物产量信息和种植面积具有重要意义,可反映不同耕作制度、社会经济、地理位置条件下人类对耕地资源的差别化利用方式[1]。喀斯特高原山区具有耕地总量不足、人均占有量少、耕地分布不均的特点,精确掌握作物种植结构信息可提高农户种植效率并为后期种植结构调整提供参考[2⇓-4]。传统耕地种植结构的监测依赖数理统计和人工调查等方式,有着形式粗放、效率低下等诸多不足。而基于遥感的手段可以快速、高效、精准地获取大范围耕地种植结构信息,是未来农业监测的重点应用方向。

自20世纪70年代以来,美国和欧洲已有成熟的大面积作物监测技术,可为全球粮食贸易、粮食安全提供重要参考信息[5]。农作物种植结构提取基础是基于光谱特征差异即光谱特征,可通过不同数据源包括单一影像提取,利用单波段特征量与背景特征差异进行分类[6⇓-8],但易受卫星重访周期影响; 时序影像提取可通过单一特征量[9-10]、多特征量参量[11-12]及建立特征量的统计模型法,建立“光谱-时序”的定量关系函数解决混合像元问题,以提高分类精度。

遥感作物分类可通过光学遥感和雷达遥感获得,然而在中国西南部地区有效的光学遥感图像(云层覆盖率低于20%)难以获取。Sentinel-1雷达数据具有不受云雨天气影响、全天时、全天候监测的特点可用于时序监测,该数据被认为是多云多雨地区农业监测的重要信息源之一。基于雷达数据集进行种植结构提取的作物包括水稻、小麦和玉米等[13⇓-15]。种植结构影响因素分析需考虑劳动力价格、人口结构、技术进步、政策环境、基础设施和农业区位等社会经济因素[16⇓⇓-19],以及气候[20-21]、水资源[22⇓-24]和地形等自然因素[25]对种植结构空间分异的影响,探究耕地种植结构空间分异的影响因素是作物时空变化机制及模拟等研究的基础[26],也是种植结构优化调整及其政策制定的重要依据。

贵州省地处中国西南腹地,生态环境复杂多样,耕地分布不均衡、耕地人均占比较低,准确掌握耕地种植结构特征是提高耕地使用效率的重要基础。研究基于2020年Google Earth影像利用D_LinkNet模型提取地块边界信息,以时序Sentinel-1数据为基础结合LightGBM模块提取耕地地块种植结构信息,分析主要作物种植结构空间分异特征,从地形、土壤、管理及区位条件4个方面选取9个影响因子,以500 m×500 m地理格网进行分区统计并运用地理探测器模型探究单一因子和因子交互作用对耕地种植结构空间分异的影响,探明种植结构形成机理、准确掌握种植结构空间分异的影响因素,以期为探究农作物空间格局变化的机理机制奠定研究基础和推进种植结构优化调整提供参考。

1 研究区概况与数据源

1.1 研究区概况

本文以贵州省安顺市关岭布依族苗族自治县(下文简称关岭县)为研究区,地处E105.15°~105.49°, N25.34°~26.05°,是喀斯特山区典型县域。以亚热带季风湿润气候为主,年平均气温为16.2°,年降水量为1 205.1~1 656.8 mm,土壤类型主要为黏土、壤土及砂土。关岭县国土面积为1 468 km2 ,地貌类型多样,其中山地面积为752.6 km2,占全县总面积的51.27%,海拔在800~1 500 m之间[27-28](图1)。其属于典型农业大县,农业经济产值占国民经济总产值的24.81%,其中,以水稻、蔬菜、玉米和甘蔗等作物占农业种植总产量的99.41%。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区概况

Fig.1   Overview of the study area


1.2 数据源及其处理

光学遥感影像数据来自于Google Earth,是卫星影像与航拍数据的整合,年份为2020年,层级为20级,空间分辨率为0.27 m,具有RGB共3个可见光波段,可用于作物地块种植结构分类信息核准; DEM来源于http://www.gscloud.cn,空间分辨率为30 m; 坡度数据通过ArcGIS10.2软件空间分析工具处理DEM计算得到; 耕地土壤、管理条件、区位条件和石漠化等级数据来源于国家遥感中心贵州分部,石漠化分级数据空间分辨率为2.5 m。

Sentinel-1数据来源于https://search.asf.alaska.edu,研究选取作物生长期2020年4—8月5期哨兵数据(表1),VV极化方式,时间分辨率12 d,利用SNAP4.0软件进行轨道校正、辐射定标、多视、地形校正、TOPS Split操作和镶嵌等预处理,得到农作物种植结构信息分类的时序数据集[29]。

表1   哨兵一号卫星影像信息

Tab.1  Sentinel-1 satellite image information

序号数据级别成像卫星成像日期成像模式轨道号
1SLCSentinel-1A20200423IW32261
2SLCSentinel-1A20200517IW32611
3SLCSentinel-1A20200623IW33136
4SLCSentinel-1A20200728IW33661
5SLCSentinel-1A20200822IW34186

新窗口打开| 下载CSV


野外观测数据来源于2020年4—8月5次前往关岭县进行无人机数据采集和实地验证。因研究区海拔高差较大,实地观测数据为无人机影像,使用Altizure软件规划航线,设置航高设计90 m,航向重叠度为80%,旁向重叠度为70%,正射影像拼接使用Pix4D Mapper4.1软件,预处理为航片筛选、空三加密和数字产品生产,获取122景无人机影像[30]。

2 研究方法

利用D_LinkNet模型进行地块提取,基于LightGBM模块进行种植结构分类,以500 m×500 m为间隔建立地理格网,进行分区统计与地理探测器模型分析,揭示水稻、蔬菜、玉米和甘蔗4种主要作物种植结构的空间分异特征。

2.1 D_LinkNet模块提取耕地

提取耕地为边界明显的地块,具体技术流程见图2,利用2020年Google Earth影像将基本的耕地形态分类为平缓耕地、狭长形耕地及边缘模糊型,选取平缓耕地、狭长形耕地及边缘模糊型各样本50个,形状为正方形,边长500 m,结合不同耕地形态特征建立深度学习边缘模型以及基于D_LinkNet[31]模型进行语义分割,并增加ResNet34,更符合于高精度遥感影像的像素要求,与西南高原山区地类分布不均相适应[32⇓⇓-35]。并在2020年关岭县无人机影像和30 m分辨率DEM数据的辅助下校验和实地验证,提取到277 009个耕地地块数据,并以此为耕地基准,提取作物种植结构信息。部分农业用地的精确边界见图3,红色为边界线。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   作物种植结构信息提取技术流程

Fig.2   Extraction technology flow of crop planting structure information


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   农业用地的精确边界

Fig.3   Precise boundaries of agricultural land


2.2 Sentinel-1提取种植结构与验证

Sentinel-1数据具有不受云雨天气影响的特点,下载2020年4—8月影像,通过SNAP软件进行预处理后所得到后向散射系数。利用LightGBM模块进行分类,该模块属于机器学习,是基于决策树算法的梯度提升框架,多用于排序、分类、回归以及其他的机器学习任务中,具有高效、分布式的优点[36⇓⇓-39]。田间采集样本9 050个农作物种植结构信息。研究区主要作物为水稻、蔬菜、玉米和甘蔗,以此为样本利用LightGBM模块进行作物分类。因地块种植结构较为单一,不考虑多个作物混种地块,并根据野外采集的样本数据(图1),利用混淆矩阵对分类结果进行精度验证。

2.3 地理探测器法

地理探测器是探测空间分异性,揭示驱动因子的统计学方法,其能够探测单一因子以及2个因子交互作用对因变量的影响,并检验其统计显著性[40⇓⇓-43]。运用地理探测器的分异功能及因子探测功能和交互作用,分析各类单一因子和因子交互作用对耕地作物空间分布的影响,根据研究区实际情况构建评价指标体系。由于研究区地域跨度小,研究范围内气候差别不大,区域内相关农业政策基本一致,且农业种植技术相差不大,因此不考虑政策等因素影响。研究区为典型的喀斯特高原山区着重分析作物生长的必要条件、区位条件影响和空间数据的可获取性,本文从地形条件、土壤条件、区位条件及管理条件4个方面选取9个因子,如表2所示。

表2   种植结构影响因素的变量选取及分类

Tab.2  Variable selection and classification of influencing factors of cultivated land planting structure

类型变量指标说明与计算方法分类
地形条件T高程T1统计各网格内高程平均值自然断点法分为5类
坡度T2统计各网格内坡度平均值自然断点法分为5类
石漠化等
级T3		统计各网格中心石漠化等级5类:非喀斯特耕地、无石漠化、轻度石漠化、中度石漠化、重度石漠化
土壤条件S土壤质地S1统计各网格中心点土壤质地类型3类:黏土、壤土、砂土
区位条件L市场区位L1统计各网格城镇欧氏距离平均值自然断点法分为5类
交通区位L2统计各网格距公路欧氏距离平均值自然断点法分为5类
管理条件M灌溉潜力M1统计各网格距河流欧氏距离平均值自然断点法分为5类
排涝能力M2统计各网格距沟渠欧氏距离平均值自然断点法分为8类
耕作便利
度M3		统计各网格距居民点欧氏距离平均值自然断点法分为5类

新窗口打开| 下载CSV


其中,可采取手动分类和自然断点法进行差别化的变量分类,区位条件计算时需将道路空间数据转换为栅格并进行欧氏距离计算后,再与网格所对应计算平均值。河流和沟渠为第三次土地调查数据库中的线状及面状河流、沟渠数据,公路包括公路用地和农村道路。

3 结果与分析

3.1 种植结构信息与精度验证结果

按照每类作物7:3的比例划分训练数据集与测试集,利用LightGBM模块分类后得到地块种植结构预测精度为80.38%,获得27万个地块的属性信息,其中各类作物占比如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   耕地种植结构类型统计

Fig.4   Statistical chart of cultivated land planting structure type


训练精度存在误差可能受地块内作物多样、玉米与甘蔗在幼苗期与生长期纹理区别不明显及山区对后向散射系数的干扰,利用混淆矩阵模型得到生产精度为0.88,用户精度为0.85,总体精度为0.87,Kappa系数为0.83(图5)。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   混淆矩阵验证

Fig.5   Confusion matrix verification diagram


3.2 耕地种植结构的空间分异特征分析

基于水稻、玉米、蔬菜和甘蔗4种作物种植地块空间分布矢量数据,叠加地形、土壤类型、管理及区位条件空间栅格数据,进行欧氏距离计算、自然断点法处理后,以500 m×500 m的地理格网进行栅格信息提取,最终获得20 000个有效网格数据点。

3.2.1 耕地种植结构的空间分布特征

甘蔗种植地块数量相对最低,种植甘蔗的地块比例为7.34%,甘蔗种植地块密度高值区主要集中在关索街道南部、八德乡西南部及花江镇西北部,零星分布于沙营镇南部、普利乡东部。水稻和玉米种植地块数量相对较少,种植水稻、玉米的地块比例分别为14.66%和26.86%,水稻种植地块密度高值区主要集中在花江镇中部、新铺镇东北部、八德乡东南部,零星分布于坡贡镇东部、普利乡中部、永宁镇东南部,玉米种植地块密度高值区主要集中于永宁镇东南部、顶云街道南部、八德乡西北部、新铺镇东北部,零星分布于沙营镇东南部。板贵镇中部蔬菜地块数量相对较多,种植蔬菜的地块比例为40.83%,蔬菜种植地块密度高值区主要集中于顶云街道南部、新铺镇西南部及花江镇中部和西南部,零星分布于沙营镇中部、白水镇东北部和八德乡西北部,研究区种植结构信息与《关岭自治县2018年国民经济和社会发展统计公报》[44]中种植结构比例相吻合。种植结构分布见图6。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   种植结构分布

Fig.6   Distribution of planting structure


3.2.2 耕地种植结构空间分异的影响因素分析
3.2.2.1 单一因子对耕地种植结构的影响

各单因子对水稻、玉米、蔬菜和甘蔗4种作物种植结构空间分异的影响具有较大差异,结果均通过了显著性检验(图7)。水稻种植结构的空间分异主导影响因子较多为高程(T1)、坡度(T2)、交通区位(L2)、耕作便利度(M3)与其他因子的交互作用影响显著。说明水稻种植结构空间分异与地形条件、交通区位及管理条件密切相关,区位条件交互作用影响高于土壤质地。单因子石漠化等级(T3)、市场区位(L1)和排涝能力(M2)单因子影响不显著,高程(T1)、坡度(T2)和土壤质地(S1)单因子影响相对显著。影响玉米种植结构空间分异的影响作物种植结构空间分异的主导因子为高程(T1)、坡度(T2)和土壤质地(S1)等。此外,高程(T1)和坡度(T2)单因子对玉米种植结构空间分布影响程度高。由此看出玉米种植结构空间分异影响因素与水稻不尽相同。蔬菜种植结构空间分异受地形条件影响最大,区位条件也是重要的影响因素,但土壤条件与管理条件的影响程度相对较小。影响甘蔗种植结构空间分异的各主要影响因子影响程度由大到小一次为: 耕作便利度(M3)、排涝能力(M2)、市场区位(L1)及灌溉能力(M1),其他因子对甘蔗种植结构空间分异的影响程度都很小。管理条件和区位条件是影响甘蔗种植结构空间分异的关键性因素,地形因素和土壤质地也对其产生一定影响。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   单因子对种植结构影响雷达图

Fig.7   Radar diagram of single factor influence on planting structuree


3.2.2.2 因子交互作用对耕地种植结构的影响

在单因子探测的基础上,分别对水稻、玉米、蔬菜和甘蔗种植结构空间分异的因子交互作用进行探测。

1)对水稻种植结构的影响。水稻种植结构空间分异的因子交互作用探测结果(表3)表明,坡度(T2)、市场区位(L1)、交通区位(L2)和灌溉潜力(M1)对因子交互作用的影响相对较强,其中坡度与交通区位(T2∩L2)因子交互作用的q值最高,q值为0.091 4,交互作用最强。其次是交通区位(L2)与灌溉潜力(M1)因子交互影响,q为0.090 2,石漠化等级(T3)和土壤质地(S1)影响力最小。土壤质地、区位条件及部分管理条件,交互作用影响不明显。部分地形因子、土壤质地和区位条件交互作用影响水稻种植结构空间分异程度低,石漠化等级与其他因子交互影响最低q为0.000 5。可以看出,因子的交互作用对水稻种植结构空间分异的影响与单一因子影响相比均大幅度增强,地形条件与交通区位和灌溉潜力交互作用的影响增幅相对较大,说明交通区位、灌溉潜力仍是影响水稻种植结构的决定性因素,良好的交通区位优势和灌溉潜力可在一定程度上提升水稻种植优势,有助于增加水稻的种植比例。

表3   研究区水稻种植结构空间分异的因子交互作用探测结果

Tab.3  Detection results of factor interaction on spatial differentiation of rice planting structure in the study area


因子		地形条件土壤条件区位条件管理条件
T1T2T3S1L1L2M1M2M3
T10.004 033
T20.016 9620.004 081
T30.008 4290.007 4110.000 502
S10.007 3040.006 1660.001 6780.000 432
L10.041 7170.009 8120.004 1050.004 0630.002 004
L20.088 2430.091 4040.012 5670.011 4000.029 2290.007 132
M10.005 2540.018 1110.008 0570.006 9230.037 4000.090 2870.003 847
M20.005 4760.018 0630.006 6810.006 2420.033 2950.048 4140.005 1500.002 984
M30.004 9140.017 7870.007 5380.006 6010.039 8400.087 2720.005 0020.005 0080.003 504

新窗口打开| 下载CSV


2)对玉米种植结构的影响。玉米种植结构空间分异的因子交互作用探测结果(表4)表明,高程因子(T1)、坡度(T2)、土壤质地(S1)和耕作便利度(M3)对因子交互作用的影响最强,其中,高程因子与土壤质地、耕作便利度(T1∩S1,T1∩M3),耕作便利度与坡度和灌溉潜力(S1∩T2,S1∩M1)因子交互作用的q增长幅度大,q值为0.984 6。石漠化等级(T3)和耕作便利度(M3)2个因素对玉米种植结构空间分异的单一因子作用最强,但其他因子的交互作用以双因子增强为主。部分地形因子、区位条件及管理条件交互作用影响玉米种植结构空间分异程度低。部分地形因素的交互作用对玉米种植结构空间分异影响最大,石漠化等级、土壤质地和区位条件中各因子与其他因子的交互作用对玉米种植结构空间分异影响的解释力不明显。而管理条件和部分区位条件中各因子与其他因子交互作用的影响增幅相对较小,说明管理和区位条件中各因子与其他因子的交互对玉米种植结构空间分异的影响的解释力明显增强,良好的区位因素与管理条件的综合作用可在一定程度上提升玉米种植优势,有助于提高玉米种植比例。

表4   研究区玉米种植结构空间分异的因子交互作用探测结果

Tab.4  Detection results of factor interaction on spatial differentiation of maize planting structure in the study area


因子		地形条件土壤条件区位条件管理条件
T1T2T3S1L1L2M1M2M3
T10.040 830
T20.041 0580.040 814
T30.052 3710.051 9000.000 202
S10.984 6900.984 6390.001 4720.000 435
L10.041 0240.041 0270.002 3240.004 1090.001 010
L20.140 6680.140 6360.002 5410.004 0390.008 2570.001 061
M10.054 6850.054 7360.047 5430.196 9650.030 7680.164 1130.029 639
M20.044 7390.044 7890.021 9520.051 8570.023 4430.070 3350.044 7400.014 718
M30.984 6410.984 6930.002 2910.002 5240.057 9190.006 7010.984 6420.051 8060.000 631

新窗口打开| 下载CSV


3)对蔬菜种植结构的影响。蔬菜种植结构空间分异的因子交互作用探测结果(表5)与水稻和玉米的差异较大,其灌溉潜力(M1)和排涝能力(M2)对因子交互作用的影响最强,与其他因子的交互作用均表现为非线性增强。管理条件和区位条件中的大部分因子与其他因子的交互作用也以非线性增强为主。高程因子与灌溉潜力、排涝能力(T1 ∩M1,T1∩M2)的交互作用在众多交互作用中对蔬菜的种植结构空间分异影响最大,q值分别为0.072 6和0.075 2 。地形条件各因子与管理条件、区位条件各因子的交互作用以双因子增强为主。其中,高程与土壤质地、石漠化等级及耕作便利度(T1∩M1,T1∩M2,T1∩M2)因子交互作用影响仅次于管理条件。以上可知,地形条件、管理因素的交互作用对蔬菜种植结构空间分异的影响最大,地形条件与管理条件部分因子与其他因子的交互作用对蔬菜种植结构空间分异影响的解释力明显增强。说明土壤质地与区位因素的综合作用可大幅度提高对蔬菜空间分异的影响程度,良好的管理和区位条件可在一定程度上提升蔬菜优势,保证蔬菜的新鲜,提高其品质。

表5   研究区蔬菜种植结构空间分异的因子交互作用探测结果

Tab.5  Detection results of factor interaction on spatial differentiation of vegetable planting structure in the study area


因子		地形条件土壤条件区位条件管理条件
T1T2T3S1L1L2M1M2M3
T10.002 609
T20.003 8820.002 337
T30.004 6150.003 9200.000 204
S10.003 7550.003 1530.000 5900.000 173
L10.009 4190.004 2280.002 0630.002 0390.000 939
L20.013 0270.012 3560.000 5180.000 4620.001 5960.000 000
M10.072 6120.061 4990.002 3170.002 0610.021 7710.002 1320.000 871
M20.075 2830.061 6230.002 4380.002 1570.026 5000.002 2240.001 1970.000 909
M30.002 9800.004 0300.003 7380.003 5970.009 0490.009 6530.032 6250.034 4930.002 309

新窗口打开| 下载CSV


4)对甘蔗种植结构的影响。甘蔗种植结构空间分异的因子作用探测结果(表6)表明,高程(T1)、市场区位(L1)及耕作便利度(M3)因素对因子交互作用的影响最强,与其他因子的交互作用表现为非线性增强。坡度(T2)、石漠化等级(T3)及土壤质地(S1)对因子交互作用的影响仅低于高程因子(T1)和市场区位(L1)。以上可知,高程与耕作便利度(T1∩M3)和市场区位与耕作便利度(L1∩M3)的q值均为0.066 6,在众多因子交互作用中对甘蔗种植结构空间分异的影响最大。石漠化等级因素对甘蔗种植结构空间分异的单一因子作用最强,其他因子的交互作用以双因子增强为主,其中,灌溉潜力与耕作便利度(M1∩M3),q为0.062 5,交互作用影响也相对较高。地形条件各因子与管理条件各因子的交互作用以双因子增强为主。市场区位(L1)和耕作便利度(M3)因素对甘蔗种植结构空间分异的单一因子作用最强,灌溉潜力与其他因子交互作用影响程度大,说明地形条件、区位条件和管理条件的综合作用大大增加了甘蔗种植结构空间分异的影响程度,良好的土壤质地可在一定程度上提升甘蔗种植优势。

表6   研究区甘蔗种植结构空间分异的因子交互作用探测结果

Tab.6  Detection results of factor interaction on spatial differentiation of sugarcane planting structure in the study area


因子		地形条件土壤条件区位条件管理条件
T1T2T3S1L1L2M1M2M3
T10.003 118
T20.007 8740.000 759
T30.009 1740.003 6630.000 877
S10.008 5470.003 3220.002 6180.000 739
L10.023 2560.007 7520.006 0980.005 6180.002 274
L20.020 0000.012 9870.009 1740.008 4750.023 8100.004 471
M10.004 4440.008 1970.008 8500.008 5470.025 6410.020 4080.003 162
M20.047 6190.007 1430.010 9890.008 4750.055 5560.028 5710.058 8240.003 033
M30.066 6670.007 2990.011 2360.008 5470.066 6670.031 2500.062 5000.004 3860.003 222

新窗口打开| 下载CSV


研究区作物种植结构空间分异的因子交互作用探测结果(表7)表明,双因子交互作用的影响均比单因子影响程度大,不存在独立起作用的因子。作物种植结构空间分异受地形因素影响程度大,与土壤、区位及部分管理因素的因子交互作用表现为非线性增强关系,交互作用影响程度较大的分别为高程与交通区位(T1∩L2)、石漠化与排涝能力(T3∩M2)、交通区位与排涝能力(L2∩M2),q值分别为0.005 2,0.005 6和0.005 7,说明地形因子与管理条件、区位条件交互作用对作物种植结构空间分异影响程度大。单因子影响均低于双因子交互影响,其中单因子影响程度最大的是排涝能力与坡度q值分别仅为0.002 7和0.002 8。石漠化等级(T3)交互因子作用仅低于土壤质地交互作用。地形条件和管理条件中各因子与其他因子的交互作用对作物种植结构空间分异影响的解释力增强。说明土壤质地与区位条件的综合作用大大增加了对作物种植结构空间分异的影响程度,良好的管理和区位条件可以在一定程度上提升作物种植优势,有助于增加作物种植比例。

表7   研究区主要作物种植结构空间分异的因子交互作用探测结果

Tab.7  Detection results of factor interaction on spatial differentiation of main crop planting structures in the study area


因子		地形条件土壤条件区位条件管理条件
T1T2T3S1L1L2M1M2M3
T10.002 177
T20.003 5480.000 289
T30.006 1860.001 5640.000 303
S10.005 0960.001 6430.001 8890.000 447
L10.005 0400.004 2830.004 3410.005 1380.002 137
L20.005 2960.001 0420.001 2190.001 0990.004 4500.000 167
M10.003 9600.004 2710.005 0640.004 9370.004 8460.005 3970.002 177
M20.005 2150.005 5370.005 6530.005 1960.004 6890.005 7380.005 3600.002 735
M30.004 8160.004 5550.004 8990.005 3850.005 5540.005 3460.004 7550.004 8850.002 341

新窗口打开| 下载CSV


4 结论与讨论

针对当前研究受喀斯特山区多云多雨天气和耕地形状不规则的限制较少关注微观地理尺度下多因素交互作用对耕地种植结构空间分异的影响,以耕地地块作为研究的空间尺度,基于500 m×500 m地理格网进行栅格信息提取,揭示多种耕地利用空间要素交互作用下种植结构的空间分异特征及影响机理,主要研究结论如下:

1)耕地作物分布在空间上呈现出“西北多,东南少”的特征,种植结构类型以单一水稻型、单一玉米型、单一蔬菜型和单一甘蔗型,水稻和甘蔗种植比例较小。其中,水稻主要分布在花江镇中部、新铺镇东北部和八德乡东南部; 玉米种植密度高的区域为永宁镇东南部、顶云街道南部和八德乡西北部; 蔬菜主要分布于顶云街道南部、新铺镇西南部及花江镇中部和西南部; 甘蔗主要分布在关索街道南部和八德乡西南部。

2)各单一因子对不同作物种植结构空间分异的影响存在一定差异。影响水稻和玉米种植结构空间分异的主导因子为高程和坡度; 影响蔬菜种植结构空间分异的主导因子为灌溉潜力和排涝能力; 甘蔗种植结构空间分异主要受高程和交通区位影响; 水稻和玉米受地形条件影响最大,自然条件仍是耕地种植结构空间分异过程中重要影响因素。影响耕地种植结构空间分异的主要交互因子为交通区位与排涝能力,次要因子为高程与交通区位、石漠化与排涝能力,发展优质农业需全面考虑相关因素。

3)作物种植结构提取研究验证多基于往年统计年鉴、地理国情监测影像解译和土地确权数据等,该类数据难以获取,且时效性较低。基于野外实测数据利用混淆矩阵进行验证,总体精度为0.87,Kappa系数为0.83,具有高效和可视的优点。本文提取结果与统计年鉴比例一致,因山区作物分布破碎,针对混合作物种植地块需更高分辨率的数据提供支撑。

关岭县属喀斯特典型山区,耕地种植结构空间分异还需考虑农村外出务工人员数据及作物产量与产值等的相互作用及影响,在后续研究中将农户流动数据、不同作物的产量和产值与不同作物空间分异特征相结合,并对耕地信息进行持续监测,挖掘更多喀斯特山区耕地种植结构空间分异特征与作物产值的潜在关系,为喀斯特山区种植结构优化调整提供有效理论支撑。

参考文献

唐惠燕, 包平.

基于GIS江苏水稻种植面积与产量的空间重心变迁研究

[J]. 南京农业大学学报(社会科学版), 2014, 14(1):118-124.

[本文引用: 1]

Tang H Y, Bao P.

Change of spatial gravity center of rice planting area and yield in Jiangsu Province based on GIS

[J]. Journal of Nanjing Agricultural University(Social Science Edition), 2014, 14(1):118-124.

[本文引用: 1]

杨彩云, 杨广斌, 戴丽.

贵州省耕地利用效益时空分异特征研究

[J/OL]. 湖南师范大学自然科学学报:1-10[2022-03-10]. http://kns.cnki.net/kcms/detail/43.1542.N.20210114.1321.002.html .

URL     [本文引用: 1]

Yang C Y, Yang G B, Dai L.

Guizhou Province cultivated land utilization benefit of time and space differentiationcharacteristics research

[J/OL]. Hunan Normal University Journal of Natural Science:1- 10 [2021-12-22]. http://kns.cnki.net/kcms/detail/43.1542.N.20210114.1321.002.html .

URL     [本文引用: 1]

苟志宏, 胥桂凤, 樊佳俐.

贵州省耕地资源利用效率评价及障碍因子识别

[J]. 国土与自然资源研究, 2021(5):24-29.

[本文引用: 1]

Gou Z H, Xu G F, Fan J L.

Cultivated land resource use efficiency evaluation in Guizhou and obstacle factor recognition

[J]. Journal of Land and Natural Resources Research, 2021(5):24-29.

[本文引用: 1]

易其国, 高妍, 陈慧婷.

喀斯特贫困山区耕地资源生态安全分析——以贵州省为例

[J]. 农村经济与科技, 2021, 32(1):19-20.

[本文引用: 1]

Yi Q G, Gao Y, Chen H T.

Ecological security analysis of cultivated land resources in Karst poor mountainous areas:A case study of Guizhou Province

[J]. Rural Economy and Science and Technology, 2021, 32(1):19-20.

[本文引用: 1]

Moran M S, Inoue Y, Barnes E M.

Opportunities and limitations for image-based remote sensing in precision crop management

[J]. Remote Sensing of Environment, 1997, 61(3):319-346.

DOI:10.1016/S0034-4257(97)00045-X      URL     [本文引用: 1]

郑长春, 王秀珍, 黄敬峰.

基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究

[J]. 遥感技术与应用, 2008, 23(3):294-299.

[本文引用: 1]

Zheng C C, Wang X Z, Huang J F.

Automatic extraction of rice area information from SPOT-5 satellite imagery based on feature bands

[J]. Remote Sensing Technology and Application, 2008, 23(3):294-299.

[本文引用: 1]

Mathur A, Foody G M.

Crop classification by support vector machine with intelligently selected training data for an operational application

[J]. International Journal of Remote Sensing, 2008, 29(8):2227-2240.

DOI:10.1080/01431160701395203      URL     [本文引用: 1]

Jia K, Wu B, Li Q.

Crop classification using HJ satellite multispectral data in the North China Plain

[J]. Journal of Applied Remote Sensing, 2013, 7(1):073576.

DOI:10.1117/1.JRS.7.073576      URL     [本文引用: 1]

张健康, 程彦培, 张发旺.

基于多时相遥感影像的作物种植信息提取

[J]. 农业工程学报, 2012, 28(2):134-141.

[本文引用: 1]

Zhang J K, Cheng Y P, Zheng F W.

Extraction of crop planting information based on multi-temporal remote sensing image

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(2):134-141.

[本文引用: 1]

Foerster S, Kaden K, Foerster M, et al.

Crop type mapping using spectral-temporal profiles and phenological information

[J]. Computers and Electronics in Agriculture, 2012, 89:30-40.

DOI:10.1016/j.compag.2012.07.015      URL     [本文引用: 1]

李鑫川, 徐新刚, 王纪华, 等.

基于时间序列环境卫星影像的作物分类识别

[J]. 农业工程学报, 2013, 29(2):169-176.

[本文引用: 1]

Li X C, Xu X G, Wang J H, et al.

Crop classification and recognition based on time series environmental satellite image

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(2):169-176.

[本文引用: 1]

Claire B.

Monitoring US agriculture:The US department of agriculture,national agricultural statistics service,cropland data layer program

[J]. Geocarto International, 2011, 26(5) :341-358.

DOI:10.1080/10106049.2011.562309      URL     [本文引用: 1]

Fiorillo E, Di Giuseppe E, Fontanelli G, et al.

Lowland rice mapping in Sédhiou Region(Senegal) using Sentinel 1 and Sentinel 2 data and random forest

[J]. Remote Sensing, 2020, 12(20):3403.

DOI:10.3390/rs12203403      URL     [本文引用: 1]

Jiao X, Kovacs J M, Shang J, et al.

Object-oriented crop mapping and monitoring using multi-temporal polarimetric RADARSAT-2 data

[J]. ISPRS Journal Photogrammetry Remote Sensing, 2014, 96:38-46.

DOI:10.1016/j.isprsjprs.2014.06.014      URL     [本文引用: 1]

Waske B, Schiefer S, Braun M.

Random feature selection for decision tree classification of multi-temporal SAR data

[C]// Proceedings of the 2006 IEEE International Symposium on Geoscience and Remote Sensing,Denver,CO,USA, 2006:168-171.

[本文引用: 1]

李露, 徐维祥.

农村人口老龄化效应下农业生态效率的变化

[J]. 华南农业大学学报(社会科学版), 2021, 20(2):14-29.

[本文引用: 1]

Li L, Xu W X.

Changes of agricultural eco-efficiency under the effect of rural population aging

[J]. Journal of South China Agricultural University(Social Science Edition), 2021, 20(2):14-29.

[本文引用: 1]

郭萍, 赵敏, 张妍, 等.

基于水足迹的河套灌区多目标种植结构优化调整与评价

[J]. 农业机械学报, 2021, 52(12):346-357.

[本文引用: 1]

Guo P, Zhao M, Zhang Y, et al.

Optimization adjustment and evaluation of multi-objective planting structure in Hetao irrigation area based on water footprint

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(12):346-357.

[本文引用: 1]

叶初升, 马玉婷.

人力资本及其与技术进步的适配性何以影响了农业种植结构

[J]. 中国农村经济, 2020(4):34-55.

[本文引用: 1]

Ye C S, Ma Y T.

How human capital and its adaptation to technological progress affect agricultural planting structure

[J]. Chinese Rural Economy, 2020(4):34-55.

[本文引用: 1]

刘琼, 肖海峰.

农地经营规模与财政支农政策对农业碳排放的影响

[J]. 资源科学, 2020, 42(6):1063-1073.

DOI:10.18402/resci.2020.06.05      [本文引用: 1]

本文利用2000—2016年中国省级动态面板数据,构建有调节的中介效应检验模型,对农地经营规模影响农业碳排放的作用机制进行了实证检验。研究结果表明：①农地经营规模对农业碳排放既具有直接影响,也产生间接影响;②直接影响体现在“规模效应”：农地经营规模与农业碳排放之间呈现“U”型变化趋势;间接影响是通过影响农地利用方式来体现的：农地经营规模与种植结构、化肥投入强度之间均呈现“U型”关系,与农业机械投入强度之间呈现“倒U型”关系,种植结构、农业机械投入强度的提高抑制了农业碳排放,化肥投入强度的提高促进了农业碳排放;③财政支农政策在种植结构、化肥投入强度对农业碳排放的影响中起到显著的调节作用,较高的财政支农支出水平加强了粮食种植比例与农业碳排放之间的负向关系,削弱了化肥投入强度与农业碳排放之间的正向关系。因此,为促进农业低碳发展,一方面要适度扩大农地经营规模,加强对农地利用方式的科学管理;另一方面要持续加大对农业的财政支持,进一步优化调整农业财政补贴结构。

Liu Q, Xiao H F.

Effects of agricultural land management scale and financial policies on agricultural carbon emissions

[J]. Resources Science, 2020, 42(6):1063-1073.

[本文引用: 1]

陈源源.

气候变化对中国粮食生产的影响

[J]. 中国农学通报, 2021, 37(12):51-57.

[本文引用: 1]

Chen Y Y.

Effects of climate change on grain production in China

[J]. Chinese Agricultural Science Bulletin, 2021, 37(12):51-57.

[本文引用: 1]

邓振镛, 王强, 张强, 等.

中国北方气候暖干化对粮食作物的影响及应对措施

[J]. 生态学报, 2010, 30(22):6278-6288.

[本文引用: 1]

Deng Z Y, Wang Q, Zhang Q, et al.

Effects of climate warming and drying on grain crops in northern China and countermeasures

[J]. Acta Ecologica Sinica, 2010, 30(22):6278-6288.

[本文引用: 1]

周惠成, 彭慧.

基于水资源合理利用的多目标农作物种植结构调整与评价

[J]. 农业工程学报, 2007(9):45-49.

[本文引用: 1]

Zhou H C, Peng H.

Multi-objective crop planting structure adjustment and evaluation based on rational utilization of water resources

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2007(9):45-49.

[本文引用: 1]

武雪萍, 蔡典雄, 梅旭荣.

黄河流域农业水资源与水环境问题及技术对策

[J]. 生态环境, 2007(1):248-252.

[本文引用: 1]

Wu X P, Cai D X, Mei X R.

Problems and technical countermeasures of agricultural water resources and water environment in The Yellow River Basin

[J]. Ecological Environment, 2007(1):248-252.

[本文引用: 1]

郭晓佳, 周荣, 李京忠.

黄河流域农业资源环境效率时空演化特征及影响因素

[J]. 生态与农村环境学报, 2021, 37(3):332-340.

[本文引用: 1]

Guo X J, Zhou R, Li J Z.

Problems and technical countermeasures of agricultural water resources and water environment in the Yellow River Basin

[J]. Ecological Environment, 2021, 37(3):332-340.

[本文引用: 1]

张伟, 陈洪松, 王克林.

喀斯特峰丛洼地土壤养分空间分异特征及影响因子分析

[J]. 中国农业科学, 2006(9):1828-1835.

[本文引用: 1]

Zhang W, Chen H S, Wang K L.

Spatial differentiation characteristics and influencing factors of soil nutrients in Karst peak-depression

[J]. Scientia Agricultura Sinica, 2006(9):1828-1835.

[本文引用: 1]

彭建. 喀斯特生态脆弱区土地利用/覆被变化研究[D]. 北京: 北京大学, 2006.

[本文引用: 1]

Peng J. Study on land use/cover change in Karst ecologically fragile region[D]. Beijing: Peking University, 2006.

[本文引用: 1]

张惠远, 赵昕奕, 蔡运龙, 等.

喀斯特山区土地利用变化的人类驱动机制研究——以贵州省为例

[J]. 地理研究, 1999(2):25-31.

[本文引用: 1]

Zhang H Y, Zhao X Y, Cai Y L, et al.

Human driving mechanism of land use change in Karst mountainous areas:A case study of Guizhou Province

[J]. Geographical Research, 1999(2):25-31.

[本文引用: 1]

杨颖频, 吴志峰, 骆剑承.

时空协同的地块尺度作物分布遥感提取

[J]. 农业工程学报, 2021, 37(7):166-174.

[本文引用: 1]

Yang Y P, Wu Z F, Luo J C.

Remote sensing extraction of spatio-temporal synergistic crop distribution at plot scale

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):166-174.

[本文引用: 1]

吴志峰, 骆剑承, 孙营伟.

时空协同的精准农业遥感研究

[J]. 地球信息科学学报, 2020, 22(4):731-742.

DOI:10.12082/dqxxkx.2020.190726      [本文引用: 1]

高分辨率遥感对地观测为我们从空间与时间2个维度客观反演地表格局—过程提供了有效的技术支撑。本文遵循时空协同的研究思路,基于高分辨率遥感影像,开展了农业遥感领域2个典型的问题研究：① 提出了一种基于影像视觉特征的耕地分区分层提取方法,该方法在利用DEM数据进行分区的基础上,根据不同区域内耕地所呈现的几何特征和纹理特征差异,分别设计了不同的耕地提取模型;② 构建了一种地块尺度的作物生长参数反演方法,方法以地块为基本单元,在空间、时间及属性组合约束下进行作物理化参数反演。本研究以贵州省安顺市西秀区和广西扶绥县耕地提取进行了耕地地块提取示范,以扶绥县进行了基于耕地地块和中空间分辨率时间序列遥感数据的甘蔗叶面积指数反演。其中,对于安顺市西秀区的耕地地块提取结果而言,形态精度（IoU）大于0.7的地块超过60%,规则耕地、梯田以及林草地等的类型精度均超过了80%;对于扶绥县甘蔗叶面积指数反演的结果而言,其结果可以较为精确地反映出基地甘蔗与非基地甘蔗的差异,基地甘蔗在品质上要优于非基地甘蔗。西南山地区的耕地形态提取/类型判别和地块甘蔗叶面积指数应用验证均证明了方法的可行性。结果表明,协同使用多源高分辨率数据是实现精准农业遥感研究的有效途径。

Wu Z F, Luo J C, Sun Y W.

Remote sensing research of precision agriculture based on spatio-temporal coordination

[J]. Journal of Geo-Information Science, 2020, 22(4):731-742.

[本文引用: 1]

Zhu M, Zhou Z F, Huang D H, et al.

Extraction method for single Zanthoxylum bungeanum in Karst mountain area based on UAV visible light images

[J]. Journal of Applied Remote Sensing, 2021, 15(2):026501.

[本文引用: 1]

Xia L, Zhang X, Zhang J, et al.

Building extraction from very-high-resolution remote sensing images using semi-supervised semantic edge detection

[J]. Remote Sensing, 2021, 13(11):2187.

DOI:10.3390/rs13112187      URL     [本文引用: 1]

黄登红, 周忠发, 彭睿文, 等.

西南高原山区作物低空遥感挑战与研究进展——以贵州省为例

[J]. 贵州师范大学学报(自然科学版), 2021, 39(5):53-61.

[本文引用: 1]

Huang D H, Zhou Z F, Peng R W, et al.

Low altitude remote sensing challenge and research progress of crops in mountainous areas of southwest Plateau:A case study of Guizhou Province

[J]. Journal of Guizhou Normal University(Natural Science), 2021, 39(5):53-61.

[本文引用: 1]

赵馨, 周忠发, 王玲玉.

喀斯特山区石漠化耕地遥感精准提取与分析——以贵州省北盘江镇与花江镇为例

[J]. 热带地理, 2020, 40(2):289-302.

DOI:10.13284/j.cnki.rddl.003233      [本文引用: 1]

选取北盘江镇与花江镇作为研究区,利用谷歌高精度遥感影像,结合分区分层分级思想,基于深度学习与传统约束方法对研究区耕地进行精准提取。结果表明：1）在数量精度上,以视觉形态差异对研究区进行分区并选取不同模型训练获得的精细地块,面积约为9 867 hm <sup>2</sup>,与实际数量基本一致,F-Measure主要分布在[0.82, 0.98]之间,受到地形和岩石裸露率的影响,石漠化严重地区耕地提取精度较低。2）在形态精度上,预测耕地与实际耕地的GIOU主要分布在[0.7, 1]之间,分割正确率>0.85,表明预测耕地边界与实际地块边界吻合度高,提取结果符合研究区实际情况。3）利用地貌坡度等约束条件对耕地进行划分发现,研究区以喀斯特耕地为主,占比74%,并且石漠化程度较严重,其中轻度石漠化耕地与中度石漠化耕地占总耕地的32%。在石漠化地区,耕地的狭长程度、破碎程度受人类影响较大;距离居民地越近、可达性越高的地区,其土地利用率越高,斑块越破碎。文章所提出方法可用于耕地破碎、地形复杂地区的耕地提取,能够为地区的发展、耕地治理与研究、环境保护与决策等提供精准数据支持。

Zhao X, Zhou Z F, Wang L Y.

Remote sensing precision extraction and analysis of rocky desertification cultivated land in Karst mountainous areas:A case study of Beipanjiang and Huajiang towns in Guizhou Province

[J]. Tropical Geography, 2020, 40(2):289-302.

DOI:10.13284/j.cnki.rddl.003233      [本文引用: 1]

Determining the accurate distribution of cultivated land is a prerequisite and foundation for the development of precise, modernized agricultural practices, and it is an important factor in land policies and agricultural production at the local scale. However, in karst areas, because of the complex terrain and cloudy and rainy weather conditions, the images often show repeated patterns of “identical foreign matter”; i.e., it is difficult to obtain accurate farmland information using traditional image-based farmland extraction. To solve this problem, Beipanjiang Town and Huajiang Town in Guizhou Province were selected as target areas in this study. Using Google’s high-resolution remote sensing images and combining the concepts of zoning and grading, accurate extraction and evaluation of cultivated land in the study area could be performed based on deep learning methods and traditional constraints. Firstly, based on visual data, farmland was divided into three types: farmland in gentle slopes), Relatively slender and unevenly distributed farmland, and farmland with blurred edges. Then, the Holistically-Nested Edge Detection (HED) model, Richer Convolutional Features (RCF) network model, and D_LinkNet semantic segmentation model were used to extract cultivated land. After confirming that the prediction data were sufficiently accurate, cultivated land was further classified based on the slope and topographical data of the test area, and the distribution characteristics of cultivated land within various terrains were studied. The results showed that: 1) The area of cultivated land in the study area classified via visual morphological differences and various models was 9 867 ha, which is basically consistent with the actual area. The F-measure was mainly distributed between [0.82, 0.98] and was affected by the topography and the exposure rate of rocks. The precision of arable land extraction in areas with severe rocky desertification was low. 2) In terms of morphological accuracy, the Generalized Intersection Over Union (GIOU) of the predicted and actual area of cultivated land was mainly distributed between [0.7, 1], The correct segmentation rate was more than 85%, which indicates that the predicted farmland boundaries generally coincided with the actual plot boundaries, and the extraction results reflected the actual situation in the study area. The research area mainly consists of karst cultivated land, which accounted for 74% of the total arable land area in the study area. Further, the degree of rocky desertification is relatively serious, of which light and moderate rocky desertified arable land accounts for about 32% of the total cultivated land. The narrowness and fragmentation of cultivated land in rocky desertified areas are greatly affected by anthropogenic activities. Land closer to residential areas is more accessible, and the tendency of the plots to be fragmented increases as the land utilization rate increases. In summary, the method proposed in this study can effectively extract cultivated land in areas with fragmented cultivated land and complex terrain, thus providing accurate data to support regional development, cultivated land management and research, and environmental protection and decision-making.

Lu H, Fu X, Liu C, et al.

Cultivated land information extraction in UAV imagery based on deep convolutional neural network and transfer learning

[J]. Journal of Mountain Science, 2017, 14(4):731-741.

DOI:10.1007/s11629-016-3950-2      URL     [本文引用: 1]

Hu X, Li X.

Information extraction of subsided cultivated land in high-groundwater-level coal mines based on unmanned aerial vehicle visible bands

[J]. Environmental Earth Sciences, 2019, 78(14):1-11.

DOI:10.1007/s12665-018-7995-0      URL     [本文引用: 1]

崔鸿雁, 徐帅, 张利锋.

机器学习中的特征选择方法研究及展望

[J]. 北京邮电大学学报, 2018, 41(1):1-12.

[本文引用: 1]

Cui H Y, Xu S, Zhang L F.

Research and prospect of feature selection method in machine learning

[J]. Journal of Beijing University of Posts and Telecommunications, 2018, 41(1):1-12.

[本文引用: 1]

Xu Y, Pei J, Lai L.

Deep learning based regression and multiclass models for acute oral toxicity prediction with automatic chemical feature extraction

[J]. Journal of Chemical Information and Modeling, 2017, 57(11):2672-2685.

DOI:10.1021/acs.jcim.7b00244      PMID:29019671      [本文引用: 1]

Median lethal death, LD, is a general indicator of compound acute oral toxicity (AOT). Various in silico methods were developed for AOT prediction to reduce costs and time. In this study, we developed an improved molecular graph encoding convolutional neural networks (MGE-CNN) architecture to construct three types of high-quality AOT models: regression model (deepAOT-R), multiclassification model (deepAOT-C), and multitask model (deepAOT-CR). These predictive models highly outperformed previously reported models. For the two external data sets containing 1673 (test set I) and 375 (test set II) compounds, the R and mean absolute errors (MAEs) of deepAOT-R on the test set I were 0.864 and 0.195, and the prediction accuracies of deepAOT-C were 95.5% and 96.3% on test sets I and II, respectively. The two external prediction accuracies of deepAOT-CR are 95.0% and 94.1%, while the R and MAE are 0.861 and 0.204 for test set I, respectively. We then performed forward and backward exploration of deepAOT models for deep fingerprints, which could support shallow machine learning methods more efficiently than traditional fingerprints or descriptors. We further performed automatic feature learning, a key essence of deep learning, to map the corresponding activation values into fragment space and derive AOT-related chemical substructures by reverse mining of the features. Our deep learning architecture for AOT is generally applicable in predicting and exploring other toxicity or property end points of chemical compounds. The two deepAOT models are freely available at http://repharma.pku.edu.cn/DLAOT/DLAOThome.php or http://www.pkumdl.cn/DLAOT/DLAOThome.php.

Chen C, Zhang Q, Ma Q, et al.

LightGBM-PPI:Predicting protein-protein interactions through LightGBM with multi-information fusion

[J]. Chemometrics and Intelligent Laboratory Systems, 2019, 191:54-64.

DOI:10.1016/j.chemolab.2019.06.003      URL     [本文引用: 1]

马晓君, 沙靖岚, 牛雪琪.

基于LightGBM算法的P2P项目信用评级模型的设计及应用

[J]. 数量经济技术经济研究, 2018, 35(5):144-160.

[本文引用: 1]

Ma X J, Sha J L, Niu X Q.

Design and application of P2P credit rating model based on LightGBM algorithm

[J]. Journal of Quantitative and Technical Economics, 2018, 35(5):144-160.

[本文引用: 1]

王劲峰, 徐成东.

地理探测器:原理与展望

[J]. 地理学报, 2017, 72(1):116-134.

DOI:10.11821/dlxb201701010      [本文引用: 1]

空间分异是自然和社会经济过程的空间表现,也是自亚里士多德以来人类认识自然的重要途径。地理探测器是探测空间分异性,以及揭示其背后驱动因子的一种新的统计学方法,此方法无线性假设,具有优雅的形式和明确的物理含义。基本思想是：假设研究区分为若干子区域,如果子区域的方差之和小于区域总方差,则存在空间分异性;如果两变量的空间分布趋于一致,则两者存在统计关联性。地理探测器q统计量,可用以度量空间分异性、探测解释因子、分析变量之间交互关系,已经在自然和社会科学多领域应用。本文阐述地理探测器的原理,并对其特点及应用进行了归纳总结,以利于读者方便灵活地使用地理探测器来认识、挖掘和利用空间分异性。

Wang J F, Xu C D.

Geographical detectors:Principles and prospects

[J]. Acta Geographica Sinica, 2017, 72(1):116-134.

[本文引用: 1]

Wang J F, Li X H, Christakos G, et al.

Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region,China

[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127.

DOI:10.1080/13658810802443457      URL     [本文引用: 1]

Liang J, Pan S, Chen W, et al.

Cultivated land fragmentation and its influencing factors detection:A case study in Huaihe River Basin,China

[J]. International Journal of Environmental Research and Public Health, 2021, 19(1):138.

DOI:10.3390/ijerph19010138      URL     [本文引用: 1]

Wang Z, Liang L, Sun Z, et al.

Spatiotemporal differentiation and the factors influencing urbanization and ecological environment synergistic effects within the Beijing-Tianjin-Hebei urban agglomeration

[J]. Journal of Environmental Management, 2019, 243:227-239.

DOI:S0301-4797(19)30555-9      PMID:31096175      [本文引用: 1]

Numerous environmental problems have been seen due to the "high energy consumption, high pollution, high emissions" economic model in the Beijing-Tianjin-Hebei urban agglomeration (BTHUA). The coupling coordination degree model is applied to provide a coordination of urbanization and ecological environment composite system (CUECS) value while a geographic detector is applied to explore the dominant factors controlling it. This study reached the following conclusions. (1)The CUECS types are mainly low coordination, but which generally exhibit positive evolutionary trend. The change trends can be characterized as urbanization lags followed by system equilibrium followed by ecological environmental lags. (2)The CUECS conforms to a core-edge distributional pattern that comprises plain high mountain low, inland high coastal low. Industrialization played a key role in the development of BTHUA, the landform type was the important factor controlling CUECS. (3) Social consumer goods, gross domestic product, the disposable income of urban residents (all per capita) are the core factors controlling CUECS within different spatial units. Urbanization rate, per capita social consumer goods, the proportion of tertiary industrial population are the core factors controlling CUECS during different urbanization development stages. (4)The relative impacts of urbanization and ecological environmental subsystems on CUECS are (in decreasing order of importance) population urbanization, economic urbanization, social urbanization, ecological environment subsystem. Therefore, green urbanization remains the primary path for sustainable development within the urban agglomeration. It is unsuitable for rapid urbanization development model in the mountainous areas that encapsulate ecological and environmental security as their main functions, so the government urgently needs to amend its 'one size fits all' policy system.Copyright © 2019 Elsevier Ltd. All rights reserved.

关岭自治县统计局.

关岭自治县2018年国民经济和社会发展统计公报

[R]. 关岭: 关岭自治县统计局, 2018.

[本文引用: 1]

Guanling Autonomous County Statistics Bureau.

Statistical bulletin of national economic and social development in Guanling Autonomous County in 2018

[R]. Guanling: Guanling Autonomous County Stastics Bureau, 2018.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发