基于高分辨率遥感的耕地质量指标与评价进展

汤萌萌，江文娟，丁琪洵，王强，马友华

（农田生态保育与污染防控安徽省重点实验室/安徽农业大学资源与环境学院，合肥 230036）

0 引言

耕地作为农业生产的重要资源，其质量直接影响着国内粮食安全和农产品的质量[1]。受自然因素和人类因素的双重作用，耕地质量呈现出下降的趋势[2-3]，其中以优质耕地资源数量下降、后备耕地资源开发趋于极限[4-6]、土壤污染[7-8]为主要问题，导致耕地质量的下降，制约耕地资源的可持续利用[9-10]。如何快速、准确地进行长时序、大范围的耕地质量评价是实现耕地资源合理有效运用和保护耕地资源的关键[11]。随着高时间、高空间、高光谱分辨率遥感技术应用的普及，将其应用于耕地质量评价中，简化评价指标的获取手段、节约数据获取成本，同时可以借助高分辨率遥感技术获得长时间跨度的耕地质量信息，对比耕地质量的变化趋势[12]。如何在高分辨率遥感应用进展的基础上，进行耕地质量评价指标获取，结合高分辨率遥感影像进行耕地质量评价，成为当今耕地质量评价乃至土地评价的一项重要研究内容。笔者分析高分辨率遥感技术在耕地质量评价的应用现状，并结合高分辨率遥感技术对耕地质量评价方法进行综述，旨在为完善国内耕地质量评价工作提供参考。

1 高分辨率遥感技术应用基础与特征

高分辨率遥感影像是相对于中低分辨率遥感影像，具有更加丰富的地物纹理信息、多波段成像、重访周期短且空间分辨率优于5 m 的遥感影像。目前，国际上已有的商业高分辨率卫星包括ALOS、SPOT5、SPOT6、RapidEye 等。高分辨率遥感影像在测绘、交通、资源环境、国土等领域中的应用日益广泛，因此，国内对于高分辨率遥感技术的研究也日益深入。

高分辨率遥感影像与传统的中低分辨率遥感影像相比，具有诸多优点[13-16]。（1）更高的空间与时间分辨率，满足大比例尺下的土地利用调查需求，分辨道路、耕地以及排水渠等农田基础设施。（2）获取的地物内容信息更加详细，由于分辨率更高，在获取光谱信息反演土壤性状的同时，也可以对植被指数、作物类型等内容进行更加详尽的分辨。（3）纹理和尺寸信息更加清晰，高分辨率影像能够提供相对更小尺寸的纹理单元信息，提高对地物类型、土壤质地、土壤类型的区分度。（4）三维信息更加丰富，对具有一定高度的物体，侧面和阴影中包含更多的三维信息，有助于准确判断地形部位、计算地形属性。

高分辨率遥感影像具有诸多优势，但也存在一些挑战。（1）类内差异性强，高分分辨率影像在提供精细化的地物目标的同时，大大增加了可识别地物的类型和数量。（2）“异物同谱”和“同物异谱”现象更加突出，噪声、光照、云雾等外界环境对成像质量影响较大，且高分辨率影像内容高度细节化、地物边缘模糊，使得“异物同谱”和“同物异谱”现象普遍存在。（3）数据量大，高分辨率遥感影像由于一幅数据覆盖面小、波段多，同样获取一个地区的数据，如果将该区域的分辨率提高4 倍，则图像的尺寸大约是中低分辨率遥感图像的15 倍，并且随着分辨率的增加，图像的信息量增加。（4）解译困难，由于精细程度高、结构独立性强，需要更多的解译目标，提高计算自动化程度和算法的自动化程度。

遥感技术在全天候提供地表信息的同时，还可以对耕地质量进行长时间序列和大范围的动态变化监测。目前国内外研究用Landsat TM/ETM+、SPOT、BJ-1、MODIS、HJ、Hyperion、Geo Eye-1等高分辨率影像探索不同耕地质量评价指标的反演和评价模型的构建，为基于高分辨率遥感影像的耕地质量评价奠定了基础。

2 基于遥感的耕地质量评价指标研究

耕地质量是耕地的内在条件和外部利用特征的综合特征，国内外学者对于耕地质量的评价具有差异性。国外多注重在土地质量方面的研究[17]，包括土壤全氮[18-20]、土壤酸碱度[21]、表层土壤有机质含量[22-23]、土壤颗粒组成[24-26]等，国内学者对耕地质量的研究则关注自然条件和环境条件2 个方面[27-28]。结合国内外学者的相关研究内容，耕地质量评价主要包括地形特征、田间基础设施、土壤性状、农田环境状况、生物多样性等内容。

当前，耕地质量评价指标多从实地调查采样数据、统计文本数据中获取，而基于遥感的耕地质量评价指标是从对地观测数据中获取指标内容，其中对地观测数据以SPOT、Landsat TM/ETM + 、Sentinel- 2A、MODIS、国产高分系列卫星影像数据为主。耕地质量评价指标可以通过遥感识别或者反演模型获得，例如地形特征、土壤性状、土壤重金属含量、田间基础设施、生物多样性。高空间分辨率遥感影像提取耕地质量评价的定性指标，而高光谱分辨率遥感影像则能对其进行定量指标的反演。具体的耕地质量评价指标内容见表1。

表1 耕地质量评价指标

2.1 耕地质量评价定性指标

2.1.1 地形特征地形影响耕地的光照、热量、水分条件，数字高程模型（Digital Elevation Model，简称DEM）是对地表形态的数字化表达，包含坡面、坡向等地形、地貌信息。耕地质量评价指标中关于地形特征的指标有地形部位和田面坡度，这2 项指标都可以通过DEM 计算得到。遥感可以通过立体像对、干涉雷达、激光雷达3 种方式获得DEM 数据[29-32]，根据DEM数据计算地形属性和提取地形信息，包括耕地的地形部位、海拔高度、坡面、田面坡度、坡向等[33-34]。

2.1.2 田间基础设施田间基础设施主要是包括灌排条件、农田林网化、道路通达度等在内的农田基础设施。以多源遥感影像为数据源，运用决策树分类、形态学分析等方法，实现对田间沟渠的识别；基于SEBAL(Surface Energy Balance Algorithm for Land)遥感模型，应用MODIS数据对农田蒸散发、地表干旱指数进行反演，并对农田的灌溉面积进行估算[35]。根据对田间排水沟的特征识别，计算田间排水沟的长度、密度等指标，反映农田的排水状况。通过对道路反射光谱特性和形态特征的分析，提取田间道路，计算道路与农田之间的距离，得到耕地道路通达度[36]。利用遥感影像，识别农田林网的形态和分布，计算林网密度，以反映农田林网化程度[37-38]。

2.1.3 生物多样性利用遥感影像进行个体物种的识别，提取耕地及周边的生物多样性信息。光谱异质性是用来衡量栖息地异质性的重要指标，区域异质性高代表着有更多的物种，生物多样性高[39]。

利用GF2、SPOT-6 等高空间分辨率遥感影像，分析不同纹理特征对生物量的影响，结合地面实测生物量数据进行区域生物量反演，分析区域生物多样性[40]。

2.2 耕地质量评价定量指标

2.2.1 土壤性状耕地土壤性状通过土壤类型、耕层质地、含水量、养分、表层有机质含量等指标来表达。土壤类型可以用手持光谱仪进行土壤高光谱反射率的测定，采用去包络线法和神经网络法进行区分[41-42]。有学者利用主成分分析法对近红外光谱数据进行降维，提取3 个主成分来代表原光谱数据，基于极限学习机鉴别土壤类型[43-45]。白燕英等[46]研究河套灌区表层土壤粘粒、粉粒、砂粒等不同粒径与光谱的关系，采用一元回归模型与BP神经网络模型，建立土壤质地与敏感波段的关系模型。采用遥感-数学-模型学的研究方法将MODIS 卫星遥感数据融合，结合采样点数据，建立地下水位线、土壤水分的线性方程，反演研究区的地下水位且误差较小[47]；微波遥感的后向散射系数也可以用来监测土壤含水量[48]。屈冉等[49]通过收集野外采样数据和Landsat TM影像数据，筛选出与土壤有机质分布相关的TM 波段，在此基础上建立土壤有机质与Landsat TM 影像各波段DN值的回归方程。赵瑞等[50]基于国产高光谱遥感影像提取光谱信息，将4 种不同的土壤指数与实测土壤有机质含量建立联系，反演土壤有机质含量。任红艳等[51]通过偏最小二乘回归模型建立回归方程，基于土壤的单波段、全波段高光谱反射特征，预测土壤全氮、碳氮比等属性，发现估测模型的精度受土壤颗粒粒径水平和光谱指数的影响。林楠等[52]将蝙蝠算法与Adaboost 模型相结合,构建高光谱土壤养分预测模型，估测研究区的土壤中磷、钾含量。有学者的研究发现，土壤实测光谱数据的一阶微分和二阶微分变化可以提高土壤有机质和全氮反演的相关性，通过光谱变化技术增强土壤养分与高光谱之间的相关性[53]。Zeraatpishehet[54]利用数字高程模型(DEM)和Landsat ETM+影像，采用Cubist模型(Cu)、随机森林(RF)、回归树(regression tree)、多元线性回归(multiple linear regression)等模型，预测研究区的土壤有机碳、粘土含量、碳酸钙当量。

2.2.2 农田环境状况随着高光谱技术的发展，较多学者的研究已经证明，利用土壤光谱信息可以预测土壤中的重金属含量[55]。直接分析土壤的光谱特征难以估算其中的重金属含量，可以通过微分方程增强光谱特征，提取重金属光谱特征，建立GA-SVM 土壤重金属高光谱反演模型[56-57]。

3 耕地质量评价方法

3.1 耕地质量等级评价方法

《耕地质量等级》(GB/T 33469—2016)中采用综合指数法对区域满足农产品持续产出和质量安全的能力进行评价，包括耕地地力、耕地土壤健康状况、田间基础设施等方面评价内容。根据全国农业综合区划，设立13 个基础性指标，结合不同区域耕地的特点，将全国耕地划分为9 个区域，针对不同的区域补充不同的耕地质量指标。指标确定后，首先对评价区域内有无污染进行判定，如果没有污染，采用AHP 方法确定各指标权重；如果耕地中有污染，用内梅罗综合污染指数和土壤单项污染指数来判定耕地的清洁程度，从而达到对耕地质量的综合评价[58]。耕地质量等级评价方法是基于实地调查采样数据，以点带面进行耕地质量评价，监测评价范围小，成本高。

3.2 植被指数协同耕地质量评价

植被指数增加了高分辨率遥感影像的解译内容，反映植被在可见光、近红外波段反射与土壤背景值之间差异，不同植被指数可以用来说明研究区植被状况[59-62]。植被指数主要包括估算植被覆盖率的比值植被指数(RVI)、反映植被覆盖度变化的插值植被指数(DVI)、反映植被状态的归一化植被指数(NDVI)、用于干旱监测的温度植被干旱指数(TVDI)等多种指标，通过多个植被指数协同，运用定量化的方法，构建耕地质量等级评价体系。方琳娜等[63]从SPOT多光谱影像中提取RVI、NDVI、DVI等3个指标，以反映植被覆盖率、土壤肥力、土壤水分情况，结合土地利用、地形等信息，进行耕地质量评价。有学者利用MODIS产品数据，选取坡度、光温生产潜力、NDVI、TVDI和单位产量作为耕地质量评价指标，根据专家评估法赋予指标权重，采用P-S-R框架模型对山东省耕地质量进行评价[64]。

3.3 基于高分辨率遥感的耕地质量评价方法

Were[65]利用土壤样点、气温、降水、地形和遥感数据估算土壤有机碳的储量，同时比较了支持向量回归、人工神经网络和随机森林模型的反演精度差异。欧阳玲[66]以土壤实测数据、Landsat TM 和Landsat 8 影像、MODIS 数据等作为数据来源,建立基于SVM 算法的反演模型，将GIS 空间分析技术应用于松嫩平原南部地区的耕地质量评价。姚赫男等[67]从Landsat TM影像和DEM中提取耕地质量信息，以坡度和土壤退化指数2 个指标代表耕地生产压力，以土地质量指数和土壤水分指数为耕地状态的代表，以土地利用程度代表社会响应指数，利用空间加权求和进行耕地质量评价。张新乐等[68]利用Landsat 8 影像、Sentinel-2A 影像以及SPOT-6 影像获取以像元为单元的田块尺度的耕地质量信息，采用主成分分析法建立评价指标体系，进行田块尺度耕地质量的监测与评价，提高耕地质量评价模型的时效性和时空分辨率。彭一平等[69]从生产压力、耕地状态、社会行为3 个角度构建了耕地质量指标体系，利用中国自主高分遥感卫星数据提取评价指标，进行耕地质量评价及耕地质量分布的分析，并结合实地考察验证评价结果的可靠性。

综合利用高分辨率遥感数据、实地采样、统计文本等数据，选取地形特征、土壤性状、土壤重金属含量、田间基础设施、生物多样性、植被指数等6 类评价指标，利用遥感反演建模法获取评价指标内容。遥感反演建模是对遥感数据的像元进行描述，采用不同的预测模型提取耕地质量指标的方法。利用植被指数协同评价和主成分分析相结合的方法，建立耕地质量评价模型，在此基础上确定各评价指标的权重，对研究区耕地质量进行评价。将研究区耕地质量评价指标作为训练样本，利用决策树和随机森林2 种机器学习算法建立土壤观测数据与环境数据之间的关系，克服原有参数统计方法的缺陷，进行数字土壤制图。通过机器学习算法将气温和降水数据、高分辨率遥感数据、实地采样数据整合，预测研究区耕地质量等级空间分布，对耕地质量结果进行精度验证。基于高分辨率遥感的耕地质量评价流程图见图1。

图1 基于高分辨率遥感的耕地质量评价流程图

4 展望

基于高分辨率遥感数据对耕地质量进行评价，并对评价结果进行精度检验，以解决现有耕地质量监测面积小、时间周期短等信息采集中的问题。为完善构建基于高分辨率遥感的耕地质量评价方法，可开展以下方向的研究：（1）通过对高分辨率遥感图像的空间信息提取、多光谱和高光谱信息的综合利用，获得大面积的耕地质量信息，从而突破以往仅凭借采样点插值进行的面域耕地质量评价。通过长时间的遥感监测，可以监测耕地质量的变化情况并对未来变化趋势进行评价。（2）遥感数据的成像质量容易受到噪声、光照、云雾等外在因素的影响，综合利用高光谱、多光谱、可见光-近红外等数据，结合不同时相的高分辨率遥感影像对评价结果进行交叉验证，以达到耕地质量评价更高的精度。（3）通过将遥感数据与地面传感器、实地调查、网络等数据相结合，建立一个全面的耕地质量数据库，使耕地质量的评价工作更加立体化、实时性、自动化。