出版日期: 2017-05-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176125
2017 | Volumn21 | Number 3
上一篇  |  下一篇
遥感应用 
黑土区田块尺度遥感精准管理分区
expand article info 刘焕军 , 邱政超 , 孟令华 , 付强 , 姜佰文 , 闫岩 , 徐梦园
东北农业大学 资源与环境学院，哈尔滨 150030
收稿日期: 2016-04-19; 修改日期: 2016-11-28; 优先数字出版日期: 2016-12-05
基金项目: 国家自然科学基金(编号：41501357)；黑龙江省普通高等学校新世纪优秀人才培养计划(编号：1254-NCET-002)；黑龙江省教育厅科学技术研究项目(编号：11551038)
第一作者简介: 刘焕军(1981—　)，男，副教授，研究方向为地物高光谱遥感。E-mail： huanjunliu@yeah.net
通讯作者简介: 姜佰文(1971—    )，男，教授，研究方向为植物营养与施肥技术。E-mail： jbwneau@163.com
中图分类号: TP79；S127
文献标识码: A

摘要

基于格网采样与空间插值的精准管理分区方法精度高，但时效性差、成本高。本文以东北农垦地区红星农场农田为研究对象，提出一种基于遥感影像的精准管理分区方法：以裸土高空间分辨率遥感影像作为数据源，结合田间格网采样数据，基于裸土反射光谱特征与黑土主要理化性质的显著相关关系，运用面向对象分割、空间统计分析方法，对典型黑土区田块进行精准管理分区研究，并利用土壤理化性质和农作物生理参数，对分区结果进行评价。得出如下结论：(1)典型黑土区田块内部土壤养分含量空间变异显著；(2)基于裸土影像与面向对象的精准管理分区方法精度高，增强了分区之间的土壤养分与归一化植被指数(NDVI)差异性、分区内部各属性的一致性；(3)基于2015年4月1日和2015年5月20日单期影像分区和两期影像波段叠加(Layer stacking)分区，区间变异系数与区内变异系数之比分别为1.42、1.39和7.63，基于两期影像综合信息的分区结果显著优于基于单期影像分区；(4)基于裸土影像面向对象分割的精准管理分区方法时效性强、成本低、精度高。研究成果为田间变量施肥、发展精准农业、实现农业可持续发展提供依据。

关键词

裸土, 遥感影像, 精准管理分区, 面向对象, 精准农业

Site-specific management zone of field scale based on remote sensing image in a black soil area
expand article info LIU Huanjun , QIU Zhengchao , MENG Linghua , FU Qiang , JIANG Baiwen , YAN Yan , XU Mengyuan
College of Resources and Environmental Sciences, Northeast Agricultural University, Harbin 150030, China

Abstract

Although the precision management-partition method, which is based on grid sampling and spatial interpolation, is highly precise, It has poor timeliness and high costs. Thus, this study proposes a precise management-partition method based on remote sensing images. Hongxing farm fields in the northeast agricultural reclamation area are used as the research objects. High-resolution remote sensing images of bare soil and grid sampling data in the field are utilized as data sources. This study focuses onsite-specific management zone in atypical black soil area. Management is based on the significant correlation between the spectral reflectance characteristics of bare soil and the main physical and chemical properties of black soil. In addition, the zoning result is evaluated using the soil’s physical and chemical properties and physical physiological parameters of crops. The object-oriented segmentation and spatial statistical analysis methods are utilized in this study. The following conclusions are drawn: (1) The spatial variation of soil nutrients is significantly distinct in the typical black soil field. (2) The site-specific management zone, which is based on a bare soil image and highly accurate object-oriented segmentation, enhances the differences of soil nutrients, the normalized difference vegetation indexes between zones, and the consistency in zones. (3) The two images obtained on May 20th and April 1stare processed into single image and double image partitions. The ratios of inter zone to in zone variable coefficients is 1.42, 1.39, and 7.63, which prove that the result of the site-specific management zone that is based on double images is better than those based on a single image. (4) The precision management-partition method that is based on the bare soil image and segmentation technique has strong timeliness, low cost, and good accuracy. Results of the study provide the basis for field variable fertilization, development of intelligent precision agriculture, and sustainable agricultural development.

Key words

bare soil, remote sensing images, precise-management zoning, object oriented, precision agriculture

1 引　言

精准管理分区是根据产量的各种限制因素的相似性与差异性把一个田块分割成不同的子田块来指导田间变量管理，是精准农业发展的基础(Zhang 等，2002)；有利于提高农业生产资料的利用率，节约生产成本，提高农业生产效率，保护生态环境，实现农业的可持续发展(史国滨，2011；李凤菊 等，2010)。

在精准管理分区方面，国内外众多学者已经有较广泛的研究。Ostergaard(1999)基于土壤类型、作物产量、地形、航空照片以及生产者的生产方式和经验等数据，划分管理分区，进行氮肥变量管理研究；Frogbrook和Oliver (2007)以土壤和谷物产量数据对农田划分管理分区；Milne等人(2012)以往年小麦产量为数据源，对英格兰中部一块田块进行了管理分区研究，发现平滑模糊法分区效果最好；Fleming等人(2000)的研究表明，利用精准管理分区指导农业变量施肥是一条经济有效的农业生产途径。李翔等人(2007)分别利用多年的产量数据、多种土壤养分数据，以及空间连续性聚类算法，进行了精准农业管理分区的研究；陈彦和吕新(2008)基于c均值模糊聚类的方法，对新疆绿洲棉田土壤养分进行管理分区研究，验证了分区结果的有效性和合理性。综合众多学者的研究，目前常用的精准管理分区方法有3种(宋晓宇 等，2007；李敏 等，2012)：一是基于土壤养分状况进行分区；二是通过遥感监测农作物长势和营养诊断指标进行分区；三是根据多年的产量数据进行分区。一般精准管理分区方法需要大量的实地采样，不仅时效性差，而且消耗大量的人力物力；当进行大范围的精准管理分区时，及时有效的采样数据难以获得，传统的精准管理方法难以实现。土壤反射光谱特征是土壤理化性质的综合反映，已有研究利用遥感技术对黑土区的土壤有机质、含水量、氮等理化参数进行监测(刘焕军 等，2009)。因此，裸土遥感影像有望成为黑土区农田精准管理分区的重要数据源。

航天遥感技术的迅速发展，使得获取免费高空间分辨率遥感影像比较容易，比如美国的Landsat 8 OLI、中国的高分一号(GF-1)、高分二号(GF-2)影像等；其中高分二号(GF-2)影像可达到1 m的空间分辨率。利用影像分割以及基于分割的特征提取、要素提取和参数测量等，可以将原始影像转化为更为紧凑更抽象的形式，可以从更高层次上对影像进行分析和理解(章毓晋，2001)。同时相比基于像元的遥感分类方法，面向对象多尺度分割技术可以充分利用对象信息(色调，形状，纹理，层次)、类间信息(与邻近对象、子对象、父对象的相关特征)形成不同分辨率等级的图斑(Baatz和Schäpe，2000)，并在最适宜的尺度层中提取，这为利用高精度的遥感影像进行精准管理分区提供了数据与支持。面向对象多尺度分割，可以根据指定的颜色和形状的同质性准则，将光谱信息类似的像元合并，使整幅影像的同质分割得以高度优化(陈春雷和武刚，2011)。因此，本文以高空间分辨率遥感影像为数据源，利用面向对象分割方法进行精准管理分区。拟解决的问题：(1)探讨利用裸土高分影像进行精准管理分区的可能性；(2)确定最优的精准管理分区方法；(3)构建精准管理遥感分区评价方法。

2 材料与方法

2.1 研究区概况

研究区红星农场位于黑龙江省北安市境内，属寒温带大陆性季风气候，四季分明，全年平均降水量555.3 mm，年活动积温2250.1 ℃；地处典型黑土区，漫川漫岗；土壤水蚀、风蚀严重，坡顶、坡面、坡底等不同地貌位置土壤侵蚀程度不同，加之地下水位低，土壤养分、水分空间异质性显著，田块内部土壤、作物长势差异大，相同的施肥、田间管理措施既造成农业投入高，又影响作物产量与品质，急需精准农业实施。选取历年作物长势、产量空间差异显著的地块作为研究区(图1)，面积约为0.62 ha，地块中心经纬度为48°6′N、126°55′E。作物选择大豆供试，生长季节内采用一致的田间管理措施。


图 1 研究区2015年5月20日高分二号标准假彩色影像
Fig. 1 False color high Resolutionimageof study plot on May 20, 2015

2.2 数据获取

2.2.1 土壤养分数据

根据典型黑土区田块尺度土壤养分空间变异性相关研究，漫岗地区60 m×60 m样点密度，土壤有机质表现出的空间相关性，即土壤有机质含量与空间分布的关系显著，存在着强烈的空间异质性(刘剑飞，2015)。获取研究区2015年4月1日的裸土高分一号遥感影像，在室内利用ArcGIS每隔60米预设一个采样点，并确定各点的经纬度。按照预先设定的采样点，利用GPS进行定点采样，记录采样点编号和点的GPS数据，共采集58个耕层土样(图1)。研究区2015年4月1日到5月20日降水、耕作等外部影响因素变化小，对土壤养分中碱解氮的影响可以忽略，因此本研究选择4月20日采集土壤样品作为实验样品。获取的土壤样品经过自然风干、过筛后对5种土壤养分分别测定，测定方法按照农业化学常规分析方法，土壤养分描述统计量见表1。

表 1 土壤养分的描述性统计量( n=58)
Table 1 Descriptive statistics of soli nutrient ( n=58)

下载CSV 
指标 平均数 标准差 方差 变异系数 峰度 偏度
全磷/(g/kg) 1.23 0.40 0.16 0.32 4.76 2.12
碱解氮/(mg/kg) 54.52 22.09 488.00 0.41 1.31 0.60
阳离子交换量/(mmol/kg) 7.43 2.21 4.90 0.30 7.60 2.92
有机质/(g/kg) 65.56 25.92 671.60 0.40 3.98 0.28
全氮/(g/kg) 4.02 1.73 3.00 0.43 0.32 0.60

2.2.2 遥感影像数据

获取裸土时期2015年4月1日高分一号8 m多光谱、5月20日高分二号4 m多光谱影像，用于面向对象精准管理分区；大豆生长初期(7月18日)Landsat 8 OLI影像，用于计算归一化植被指数(NDVI)；共3幅影像，波段参数如表2所示。利用ENVI5.1对影像进行辐射定标、大气校正、正射校正的处理，然后将高分一号影像重采样为4 m，并通过Layer stacking功能将其与高分二号影像波段叠加。利用ArcGIS 10.1提取4月1日和5月20日遥感影像上各个采样点4个波段的反射率。将Landsat 8 OLI影像融合为15 m，计算影像的归一化植被指数(NDVI)。

表 2 高分一号、高分二号和Landsat 8 OLI影像波段参数
Table 2 Band parameters of GF-1, GF-2 and Landsat 8 OLI

下载CSV 
谱段号 谱段范围/μm 空间分辨率/m
高分一号 1 0.45—0.90 2
2 0.45—0.52 8
3 0.52—0.59 8
4 0.63—0.69 8
5 0.77—0.89 8
高分二号 1 0.45—0.90 1
2 0.45—0.52 4
3 0.52—0.59 4
4 0.63—0.69 4
5 0.77—0.89 4
Landsat 8 OLI影像 1 0.43—0.45 30
2 0.45—0.52 30
3 0.52—0.60 30
4 0.63—0.68 30
5 0.85—0.88 30
6 1.56—1.66 30
7 2.10—2.30 30
8 0.50—0.68 15
9 1.36—1.39 30

2.3 基于裸土遥感影像的精准管理分区

(1)以裸土遥感影像作为精准管理分区的数据源。黑土区耕地翻耕后无秸秆覆盖(图2)，田块尺度上土壤有机质与水分是土壤反射率的主要影响因素，而大量研究表明黑土有机质与全氮、碱解氮显著相关(刘焕军 等，2007；赵军 等，2007)。裸土影像反射率田块内部的空间变异包含了有机质与水分信息，也包含了氮素等养分的空间变异信息，可以作为精准管理分区的数据源。


图 2 采样耕地裸土照片
Fig. 2 Picture of bared soil for sampling

(2)基于面向对象的多尺度分割作为精准管理分区方法。面向对象分割方法在待分割影像区域寻找一个种子(seed)对象作为生长点，将该种子对象邻域中的其他对象合并到该区域中，将新合并成的区域再次进行寻找合并的过程，直到影像对象的异质性小于预先设定的阈值(Benz 等，2004)。本研究尝试基于裸土高分遥感影像反射率的空间变异进行分区，在ECognition中确定合适的Shape权重和Compactness后，通过调节不同的分割尺度(Scale)，使得分区内部反射率基本一致，分区之间的反射率有明显的差异。

(3)利用分割评价指数确定精准管理分区最优尺度。在进行分割时提取不同分割尺度下每个分割单元同质性指数Mean($ {X_{{L_i}}} $)(式(1))和异质性指数STD(∆XL)(式(2))的值，并计算出每一分割尺度下的分割评价指数SEI(式(3))，绘制曲线图，在分割评价指数开始产生明显变化之前，其评价指数最大的值所对应的分割尺度就是最优分区尺度。利用分割评价指数(陈春雷和武刚，2011)确定精准管理分区的最优分割尺度。其评价指标计算如下：

$\theta = \sqrt {\frac{1}{{n - 1}}\mathop \sum \limits_{i = 1}^n {{\left( {{X_{{L_i}}} - {X_L}} \right)}^2}} $ (1)
$\Delta {X_L} = \frac{1}{L}\mathop \sum \limits_{i = 1}^N {L_i}\left| {{X_L} - {X_{{L_i}}}} \right|$ (2)
${\rm{SEI}} = \mathop \sum \limits_{L = 1}^m {W_L} \cdot \frac{{\Delta {X_L}}}{{{\sigma _L}}}$ (3)

式中，σL为物候指标L的标准差，n为均一区像元的个数，XL为灰度均值，$ {X_{{L_i}}} $为i的灰均值；∆XL为与邻域的平均差分的绝对值，N为与当前均一区邻接对象的个数，L为周长，Li为与第i相邻均一区公共边长，$ {X_{{L_i}}} $为第i个相邻均一区的灰度平均值；SEI为分割评价指数，m为波段数，WL为不同波段的权重。

平均分割评价指数ASEI(Average Segmentation Evaluation Index)公式为

${\rm{ASEI}} = \frac{1}{A}\mathop \sum \limits_{i = 1}^n {A_i} \cdot SE{I_i}$ (4)

式中，SEIi为第i个分区的分割评价指数。

(4)精准管理分区精度评价方法：由于土壤养分是作物长势与产量的重要决定因素，也是多数精准管理分区研究的主要数据源，而NDVI能很好地反映作物的生长和营养状况(Hasegawa 等，2010；Mkhabela 等，2011)，并且可以反演作物的产量(宋晓宇 等，2004)；因此，本研究利用土壤养分、作物生长初期遥感影像NDVI，对基于裸土影像的精准管理分区方法进行评价。

采用空间统计分析方法计算分区内部和分区之间土壤养分的变异系数的平均值，以及作物生长期(7月18日)Landsat 8 OLI影像各分区内部和分区之间NDVI的变异系数的平均值。通过对比评价不同时期影像分区的优劣，探讨基于裸土高分影像进行分区的可能性与精度，比较分区后的斑块数对农业管理的影响，确定最优分区影像。

数据处理流程与研究方法如图3所示。


图 3 研究方法与数据处理流程图
Fig. 3 Flow diagram of study method and data processing

3 结果与分析

3.1 土壤养分的空间异质性

为了证明该研究田块中土壤养分具有空间异质性，本研究计算了采样点土壤养分的块金值、基台值以及它们的比值和变程等(表3)。块金值表示随机部分的空间变异性，不同土壤养分的块金值变化范围是0.099—551.740；基台值表示区域化变量的最大变异，不同土壤养分的基台值变化范围是0.092—177.340，可以看出有机质、碱解氮等养分变异显著。块金值和基台值之比表达了随机部分的空间异质性占总空间异质性的大小，不同土壤养分的块金值基台值之比的变化范围是0.451—0.955，本研究中，土壤各养分的块金值/基台值大都大于0.5，说明样本间的空间变异性更多的是由随机因素引起的。变程表示土壤性质空间自相关的作用范围，不同养分的变程范围是14.5—27 m，而本研究采样点间隔60 m，说明在采样点之间土壤养分就具有明显的空间异质性。要准确反映实验田块不同土壤养分的空间变异规律，需要将样点间的间距缩小到14.5 m的距离，对于整个地块需要几百个土壤样本，将耗费大量的人力物力和测试费用。急需一种低成本、快速、准确的精准管理分区方法。

表 3 土壤的空间变异性分析
Table 3 Spatial variability analysis of soil nutrients

下载CSV 
指标 块金值 基台值 块金值/基台值 变程/m 模型
全磷 0.10 0.09 0.52 15 球状
碱解氮 404.76 125.22 0.76 25 球状
土壤交换量 2.83 3.45 0.45 26 指数
有机质 551.74 177.34 0.76 27 球状
全氮 2.92 0.14 0.96 14.5 指数

3.2 土壤理化参数与裸土影像反射率之间的相关性

对裸土时期影像反射率与土壤养分做相关分析，并计算相关系数(表4)。通过分析可以看出，裸土时期遥感影像反射率与土壤主要养分存在显著相关性，4月1日影像反射率与有机质、全磷极显著相关，5月20日影像反射率与有机质、全磷、全氮、碱解氮、土壤阳离子交换量极显著相关，而且5月20日反射率与土壤养分的相关性比4月1日的更显著。表5是各个采样点在4月1日和5月20日两个时期的反射率的标准差，可以看出5月20日各波段反射率的标准差明显比4月1日的大。研究表明，黑土区土壤有机质含量高，空间变异性显著(刘焕军 等，2011)，而有机质是影响土壤反射率的重要因素之一(彭杰 等，2013)，因此，研究地块两个时期影像反射率与有机质的相关性比其他养分更稳定。总的来说，遥感影像反射率与主要土壤养分具有显著相关关系，并且越接近作物种植期，影像反射率会与越多的养分具有相关性，相关性越显著，这是因为土壤养分信息变化不大，而含水量变化较大，相应的裸土影像反射率差异大，增强了与土壤养分的相关性。证明了基于裸土影像精准管理分区机理分析的科学性，黑土裸土影像反射率数据包含了土壤主要理化性质信息。

表 4 4月1日和5月20日反射率与养分相关性系数
Table 4 Correlation coefficients between soil nutrient and reflectance on April 1, 2015 and May 20, 2015

下载CSV 
土壤养分 4月1日影像反射率 5月20日影像反射率
band1 band2 band3 band4 band1 band2 band3 band4
全磷 0.28* 0.30* 0.34** 0.36** 0.74** 0.76** 0.77** 0.75**
碱解氮 0.04 0.10 0.09 0.07 0.39** 0.38** 0.34** 0.34**
土壤阳离子交换量 0.04 0.03 0.07 0.09 0.42** 0.45** 0.44** 0.42**
有机质 0.31* 0.30* 0.35** 0.35** 0.34** 0.34** 0.31** 0.30**
全氮 0.11 0.08 0.09 0.11 0.43** 0.43** 0.42** 0.40**
注：**表示在0.01水平(双侧)上显著相关，*表示在0.05水平(双侧)上显著相关。

表 5 4月1和5月20日各采样点反射率的标准差(STD)
Table 5 Standard deviation of reflectivity at each sampling point on April 1, 2015 and May 20, 2015

下载CSV 
日期 band1 band2 band3 band4
4月1日 16.58 24.96 39.38 41.37
5月20日 74.12 101.1 139.31 182.21

3.3 基于裸土影像的精准管理分区结果

最优分区评价指数曲线图和最优尺度如图4、图5所示。3个分区评价指数曲线图可以得出：4月1日最优精准管理分区尺度为140，分区数为19；5月20日最优分区尺度为180分区数为22；4月1日和5月20日两幅影像波段叠加(layer stacking)后最优分区尺度为180，分区数为20，每一分区内影像反射率基本相同，分区之间反射率差别明显。根据地块大小和当地耕作经验，分区数在20左右不会影响耕作，因此，可以将3种分区分别作为精准管理分区结果。


图 4 精准管理分区评价指数
Fig. 4 Segmentation evaluation index


图 5 基于裸土影像的最优精准管理分区
Fig. 5 Optimal segmentation evaluation of bare soil’s images

3.4 分区结果评价

3.4.1 利用土壤养分数据对比评价分区

精准管理分区的目的就是将地块根据土壤养分含量的不同分成不同的精准管理区，使得分区内部土壤养分含量相似或者接近，而在分区之间养分含量有显著差异；便于根据分区之间的差异进行不同的田间施肥和管理；精准管理分区的个数要能够方便地指导农业耕作，本文划分的管理分区数分别为19、22、20，均符合精准管理的需要。表6为不同分区方法的分区内部和分区之间土壤养分变异系数的平均值。可以看出，基于高分辨率遥感影像分区土壤养分在分区内部变异程度小于分区之间的变异程度，同时，基于两期影像分区，分区间变异系数与分区内部变异系数的比值明显大于基于单期影像分区比值。众多研究表明，变异系数cv<0.1时，为弱变异程度；0.1<cv<1时，为中等变异程度；cv>1时，为强变异程度(王绍强 等，2001)。该研究分区之后，分区之间全磷、全氮有机质、碱解氮等土壤养分的变异系数明显比区内土壤养分变异系数大，满足精准农业管理分区划分要求；分区之间土壤养分与区内土壤养分变异系数比值，基于两期影像分区的比值明显大于单期影像分区的比值。因此，通过分区之间和分区内部土壤养分的变异性评价可以得出，基于高分辨率遥感影像对裸土的精准管理分区精度较好，结果合理；基于两期影像分区结果好于基于单期影像分区。

表 6 分区之间和分区之内土壤养分的变异系数平均值(cv)
Table 6 Variation coefficient of soil nutrients in zones and between zones

下载CSV 
变异系数 全磷 碱解氮 土壤交换量 有机质 全氮
4月1日 区间 0.13 0.16 0.05 0.20 0.57
区内 0.09 0.12 0.04 0.13 0.27
区间/区内 1.52 1.33 1.25 1.56 2.16
5月20日 区间 0.15 0.18 0.06 0.20 0.14
区内 0.08 0.16 0.06 0.12 0.10
区间/区内 1.93 1.13 1.15 1.69 1.39
两期影像 区间 0.52 1.29 0.87 0.59 0.72
区内 0.08 0.18 0.07 0.15 0.11
区间/区内 6.86 7.24 13.29 3.97 6.81

3.4.2 基于作物生长期NDVI数据评价分区

土壤养分影响农作物的生长，归一化植被指数(NDVI)对于作物长势差异最为敏感(宋晓宇 等，2009)。本文计算分区之间归一化植被指数(NDVI)的变异系数和分区内部的变异系数的均值以及二者之间的比值(表7)。可以看出，基于裸土影像分区，分区内部归一化植被指数(NDVI)和分区之间归一化植被指数(NDVI)的变异系数有比较明显的差异，这说明，在不同的分区范围内作物的长势是有较明显差异的；在同一个分区内，作物的长势差异较小。分区间变异系数与分区内部变异系数的比值，基于两期影像分区大于基于单期影像分区。

表 7 不同分区的NDVI在区内与区间变异系数(cv)
Table 7 NDVI’s standard deviation within zones and between zones

下载CSV 
分区之间的cv 分区内部的cv 区间cv/区内cv
4月1日 0.35 0.11 3.20
5月20日 0.32 0.05 5.97
两期影像 0.37 0.05 6.77

4 结　论

以东北农垦地区红星农场农田精准管理分区应用为例，以裸土时期高分遥感影像为数据源，利用面向对象分割方法对典型黑土区的田块进行精准管理分区研究，结合土壤养分、作物生长期归一化植被指数(NDVI)对分区结果进行评价，得出以下结论：

(1) 典型黑土区田块内部土壤养分含量空间变异显著，适合进行精准农业管理。

(2) 基于裸土时期高分遥感影像面向对象分割方法，适于典型黑土区农田精准管理分区。

(3) 基于裸土影像与面向对象的精准管理分区方法精度高，增强了土壤养分、归一化植被指数(NDVI)在分区之间的差异性与分区内部的一致性。

(4) 基于4月1日和5月20日两期影像波段叠加为数据源的分区结果好于基于单期影像分区结果。

该实验研究土壤采样在4月中旬，东北黑土区低温较低，根瘤菌活性很小，对土壤的改善作用不明显甚至可以忽略，因此本研究在利用土壤养分验证分区结果时可以不考虑根瘤菌的影响。

本文提出的精准管理分区新方法提高了分区结果的时效性，并且节省人力物力；当缺少采样数据或者进行大规模精准管理分区时，是一种较好的分区方法。随着遥感技术的发展，符合精准管理分区需要的遥感影像会越来越多，精准管理分区的研究也将会更加深入，本文提出的基于遥感影像面向对象分割的精准管理分区为相关领域的研究提供一定参考，该研究方法有望在东北典型黑土区得到广泛应用。研究成果应用到其他地区，如华北平原或南方红土区，由于气候、土壤条件的差异，需要考虑影像特征的主导影响因素是否与土壤养分存在显著相关关系。

参考文献(References)

  • Baatz M and Schäpe A. 2000. Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation//Strobl J and Griesebner G, eds. Angewandte Geographische Informationsverarbeitung XII. Wichmann, Heidelberg: Beiträgezum AGIT-Symposium
  • Benz U C, Hofmann P, Willhauck G, Lingenfelder I and Heynen M. 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J]. ISPRSJournal of Photogrammetry and Remote Sensing, 58 (3/4): 239–258. [DOI: 10.1016/j.isprsjprs.2003.10.002]
  • Chen C L and Wu G. 2011. Evaluation of optimal segmentation scale with object-oriented method in remote sensing. Remote Sensing Technology and Application, 26 (1): 96–102. ( 陈春雷, 武刚. 2011. 面向对象的遥感影像最优分割尺度评价. 遥感技术与应用, 26 (1): 96–102. )
  • Chen Y and Lü X. 2008. Definition of management zones of soil nutrients based on FCM algorithmin in oasis field. Scientia Agricultura Sinica, 41 (7): 2016–2024. [DOI: 10.3864/j.issn.0578-1752.2008.07.019] ( 陈彦, 吕新. 2008. 基于FCM的绿洲农田养分管理分区研究. 中国农业科学, 41 (7): 2016–2024. [DOI: 10.3864/j.issn.0578-1752.2008.07.019] )
  • Fleming K L, Westfall D G, Wiens D W and Brodahl. 2000. Evaluating farmer defined management zone maps for variable rate fertilizer application. Precision Agriculture, 2 (2): 201–215. [DOI: 10.1023/A:1011481832064]
  • Frogbrook Z L and Oliver M A. 2007. Identifying management zones in agricultural fields using spatially constrained classification of soil and ancillary data. Soil Use and Management, 23 (1): 40–51. [DOI: 10.1111/j.1475-2743.2006.00065.x]
  • Hasegawa K, Matsuyama H, Tsuzuki H and Sweda T. 2010. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures. Remote Sensing Environment, 114 (3): 514–519. [DOI: 10.1016/j.rse.2009.10.005]
  • Li F J, Song Z W, Liu S W, Wang J C and Lü X J. 2010. Study on monitoring system in facility agriculture. Tianjin Agricultural Sciences, 16 (1): 127–129. [DOI: 10.3969/j.issn.1006-6500.2010.01.040] ( 李凤菊, 宋治文, 刘绍伟, 王建春, 吕雄杰. 2010. 监控系统在设施农业中的应用研究. 天津农业科学, 16 (1): 127–129. [DOI: 10.3969/j.issn.1006-6500.2010.01.040] )
  • Li M, Zhao G X, Cai M Q, Zhao Q Q and Tang J. 2012. Extraction of cotton information using remote sensing and precision management zoning at county scale. Journal of Natural Resources, 27 (11): 1971–1980. ( 李敏, 赵庚星, 蔡明庆, 赵倩倩, 唐建. 2012. 县域棉花信息遥感提取与棉田精确化管理分区研究. 自然资源学报, 27 (11): 1971–1980. )
  • Li X, Pan Y C, Ma J Y, Zhao C J and Wang J H. 2007. Soil nutrients-based zoning for management of precision agriculture. ActaPedologicaSinica, 44 (1): 14–20. [DOI: 10.3321/j.issn:0564-3929.2007.01.003] ( 李翔, 潘瑜春, 马景宇, 赵春江, 王纪华. 2007. 基于多种土壤养分的精准管理分区方法研究. 土壤学报, 44 (1): 14–20. [DOI: 10.3321/j.issn:0564-3929.2007.01.003] )
  • Li X, Pan Y C, Zhao C J, Wang J H, Bao Y S and Wang J D. 2005a. Delineation and scale effect of precision agriculture management zones using yield monitor data over four years. Scientia Agricultura Sinica, 38 (9): 1825–1833. [DOI: 10.3321/j.issn:0578-1752.2005.09.017] ( 李翔, 潘瑜春, 赵春江, 王纪华, 鲍艳松, 王锦地. 2005a. 基于多年产量数据的精准农业管理分区提取与尺度效应评价. 中国农业科学, 38 (9): 1825–1833. [DOI: 10.3321/j.issn:0578-1752.2005.09.017] )
  • Li X, Pan Y C, Zhao C J, Wang J H, Bao Y S, Liu L Y and Wang J D. 2005b. Delineating precision agriculture management zones based on spatial contiguous clustering algorithm. Transactions of the Chinese Society of Agricultural Engineering, 21 (8): 78–82. [DOI: 10.3321/j.issn:1002-6819.2005.08.017] ( 李翔, 潘瑜春, 赵春江, 王纪华, 鲍艳松, 刘良云, 王锦地. 2005b. 基于空间连续性聚类算法的精准农业管理分区研究. 农业工程学报, 21 (8): 78–82. [DOI: 10.3321/j.issn:1002-6819.2005.08.017] )
  • Liu H J, Yu W T, Zhang X L, Ma Q, Zhou H and Jiang Z S. 2009. Study on the main influencing factors of black soil spectral characteristics. Spectroscopy and Spectral Analysis, 29 (11): 3019–3022. [DOI: 10.3964/j.issn.1000-0593(2009)11-3019-04] ( 刘焕军, 宇万太, 张新乐, 马强, 周桦, 姜子绍. 2009. 黑土反射光谱特征影响因素分析. 光谱学与光谱分析, 29 (11): 3019–3022. [DOI: 10.3964/j.issn.1000-0593(2009)11-3019-04] )
  • Liu H J, Zhang B, Liu Z M, Song K S, Wang Z M and Duan H T. 2007. Spectral analysis of soils in Songnen plain, northeastern China. Journal of the Graduate School of the Chinese Academy of Sciences, 24 (4): 439–445. [DOI: 10.3969/j.issn.1002-1175.2007.04.006] ( 刘焕军, 张柏, 刘志明, 宋开山, 王宗明, 段洪涛. 2007. 松嫩平原主要土壤光谱特征分析. 中国科学院研究生院学报, 24 (4): 439–445. [DOI: 10.3969/j.issn.1002-1175.2007.04.006] )
  • Liu H J, Zhao C J, Wang J H, Huang W J and Zhang X L. 2011. Soil organic matter predicting with remote sensing image in typicalblacksoil area of Northeast China. Transactions of the CSAE, 27 (8): 211–215. [DOI: 10.3969/j.issn.1002-6819.2011.08.036] ( 刘焕军, 赵春江, 王纪华, 黄文江, 张新乐. 2011. 黑土典型区土壤有机质遥感反演. 农业工程学报, 27 (8): 211–215. [DOI: 10.3969/j.issn.1002-6819.2011.08.036] )
  • Liu J F. 2015. Research of spatial heterogeneity of soil organic matters and the influencing factors in Mangang section of Heshan farm.Daqing: Heilongjiang Bayi Agricultural University (刘剑飞. 2015. 鹤山农场漫岗地块土壤养分空间变异及影响因素分析. 大庆: 黑龙江八一农垦大学)
  • Milne A E, Webster R, Ginsburg D and Kindred D. 2012. Spatial multivariate classification of an arable field into compact management zones based on past crop yields. Computers and Electronics in Agriculture, 80 : 17–30. [DOI: 10.1016/j.compag.2011.10.007]
  • Mkhabela M S, Bullock P, Raj S, Wang S and Yang Y. 2011. Crop yield forecasting on the Canadian prairies using MODIS NDVI data. Agricultural and Forest Meteorology, 151 (3): 385–393. [DOI: 10.1016/j.agrformet.2010.11.012]
  • Ostergaard H S. 1999. Agronomic consequences of variable N fertilization//Stafford J V,ed. Proceedings of the 1st European Conference on Precision Agriculture.Oxford, UK: BIOS Scientific Publishers Ltd, 145-153
  • Peng J, Zhou Q, Zhang Y Z and Xiang H Y. 2013. Effect of soil organic matter on spectral characteristics of soil. Acta Pedologica Sinica, 50 (3): 517–524. [DOI: 10.11766/trxb201207080277] ( 彭杰, 周清, 张杨珠, 向红英. 2013. 有机质对土壤光谱特性的影响研究. 土壤学报, 50 (3): 517–524. [DOI: 10.11766/trxb201207080277] )
  • Shi G B. 2011. Application of GPS and GIS technology in monitoring system of precision agriculture. Hubei Agricultural Science, 50 (10): 1948–1950. [DOI: 10.3969/j.issn.0439-8114.2011.10.002] ( 史国滨. 2011. GPS和GIS技术在精准农业监控系统中的应用研究进展. 湖北农业科学, 50 (10): 1948–1950. [DOI: 10.3969/j.issn.0439-8114.2011.10.002] )
  • Song X Y, Wang J H, Huang W J, Yan G J and Chang H. 2009. Monitoring spatial variance of winter wheat growth and grain qualityunder variable-rate fertilization conditions by remote sensing data. Transactions of the CSAE, 25 (9): 155–162. [DOI: 10.3969/j.issn.1002-6819.2009.09.028] ( 宋晓宇, 王纪华, 黄文江, 阎广建, 常红. 2009. 变量施肥条件下冬小麦长势及品质变异遥感监测. 农业工程学报, 25 (9): 155–162. [DOI: 10.3969/j.issn.1002-6819.2009.09.028] )
  • Song X Y, Wang J H, Liu L Y, Huang W J, Shen T and Yu Z Z. 2007. Research of management zones generating based on Quickbird imagery. Scientia Agricultura Sinica, 40 (9): 1996–2006. [DOI: 10.3321/j.issn:0578–1752.2007.09.020] ( 宋晓宇, 王纪华, 刘良云, 黄文江, 沈涛, 喻铮铮. 2007. 基于Quickbird遥感影像的农田管理分区划分研究. 中国农业科学, 40 (9): 1996–2006. [DOI: 10.3321/j.issn:0578–1752.2007.09.020] )
  • Song X Y, Wang J H, Xue X Z, Liu L Y, Chen L P and Zhao C J. 2004. Assessment of the influence of soil nitrogen supplies and variable fertilization on winter wheat growth condition using airborne hyperspectral image. Transactions of the CSAE, 20 (4): 45–49. [DOI: 10.3321/j.issn:1002–6819.2004.04.010] ( 宋晓宇, 王纪华, 薛绪掌, 刘良云, 陈立平, 赵春江. 2004. 利用航空成像光谱数据研究土壤供氮量及变量施肥对冬小麦长势影响. 农业工程学报, 20 (4): 45–49. [DOI: 10.3321/j.issn:1002–6819.2004.04.010] )
  • Wang S Q, Zhu S L and Zhou C H. 2001. Characteristics of spatial variability of soil thickness in China. Geographical Research, 20 (2): 161–169. [DOI: 10.3321/j.issn:1000–0585.2001.02.005] ( 王绍强, 朱松丽, 周成虎. 2001. 中国土壤土层厚度的空间变异性特征. 地理研究, 20 (2): 161–169. [DOI: 10.3321/j.issn:1000–0585.2001.02.005] )
  • Zhao J, Ge C P, Shang L, Han X Z and Meng K. 2007. Analysis for spatial heterogeneity of soil organic content and totalnutrients in black soil crop area with different scales. System Sciences and Comprehensive Studies in Agriculture, 23 (3): 280–284. [DOI: 10.3969/j.issn.1001-0068.2007.03.007] ( 赵军, 葛翠萍, 商磊, 韩晓增, 孟凯. 2007. 农田黑土有机质和全量氮磷钾不同尺度空间变异分析. 农业系统科学与综合研究, 23 (3): 280–284. [DOI: 10.3969/j.issn.1001-0068.2007.03.007] )
  • Zhang N Q, Wang M H and Wang N. 2002. Precision agriculture—a worldwide overview. Computers and Electronics in Agriculture, 36 (2/3): 113–132. [DOI: 10.1016/S0168-1699(02)00096-0]
  • Zhang Y J. 2001. Image Segmentation. Beijing: Science Press (章毓晋. 2001. 图像分割. 北京: 科学出版社)
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体