姜 芸，王 军，杨继文
(1. 东北农业大学 公共管理与法学院，哈尔滨 150030；
2. 吉林大学 地球探测科学与技术学院，长春 130026；
3. 自然资源部第二地理信息制图院，哈尔滨 150080)
耕地资源是保障粮食安全最宝贵的资源，是粮食生产的“命根子”[1]。东北黑土区是世界四大黑土区之一，是我国土壤肥沃、生产效能高的稀有耕地资源，主要分布在中高纬度温带、寒温带，夏季温暖湿润，是我国重要的粮食主产区和商品粮基地，是维护我国粮食安全的“压舱石”，保障粮食供应的“稳压器”。
自20世纪50年代以来，强化对黑土地的开垦利用，大部分草地、林地开垦为耕地，但由于缺乏对农业生产的科学指导，缺少用养结合的保护政策，土壤腐蚀质含量降低，生态功能退化问题不容轻视[2]。近年来中央、省级层面相继出台东北黑土地保护相关政策，原农业部等部委联合印发《东北黑土地保护规划纲要(2017—2030年)》《东北黑土地保护性耕作行动计划(2020—2025年)》《国家黑土地保护工程实施方案(2021—2025年)》等文件，明确了黑土保护的主要目标、重点任务，并上升为国家战略，提出了黑土区耕地质量监测评价的主要任务，探索星空地一体化监测技术，构建涵盖高分辨率、多光谱、高光谱、雷达等多源遥感数据的监测体系，对影响耕地质量的稳定性指标和易变性指标进行动态监测。
黑土区耕地质量监测与评价，主要数据来源于农业、环境、自然资源等部门开展的测土配方、耕地资料质量分类等工作，更多地侧重于耕地土壤肥力等指标的监测。监测通常依靠采样点的人工实地调查和内业化验检测，监测周期长，经费投入大，而遥感技术的快速发展，以其覆盖度广、监测周期短等特点，广泛应用于耕地监测，将支撑耕地质量与评价的常态化动态监测。黑土区内不全都是耕地，黑土区内的耕地也不全都分布在黑土上。通常将黑土区内分布在黑土上的耕地称作黑土耕地，由于东北地区黑土准确的空间分布不清晰，因此，本文从“黑土区耕地”的角度研究有关问题。
耕地质量评价是对影响耕地资源发生发展的自然因素、人为因素等进行综合性分析评价，从而形成面向农业生产的适宜性评价。耕地质量是半人工、半自然因素综合作用下形成的，不应仅体现在土壤有机质、氮磷钾等影响土壤肥力因素的方面，应兼顾自然、生态、人为等多维度影响因素。因此，构建科学的耕地质量评价指标体系对真实反映耕地综合特征具有重要作用[3]。从耕地质量评价相关研究来看，耕地质量主要从土壤肥力、立地条件、建设水平等方面进行界定，但因各项研究中区域、目标的不同而各有侧重。《全国耕地地力调查与质量评价技术规程》(NY/T1634-2008)主要从气象、立地条件、剖面性状、土壤理化性状、障碍因素、土壤管理6个方面设定了66项评价指标。《耕地质量等级》(GB/T 33469-2016)主要从地形部位、有效土层厚度、有机质含量、耕层质地、土壤容重、质地构型、土壤养分状况等19项指标进行评价。
本文利用文献计量分析法，通过Web of Science核心合集数据库和知网数据库，统计分析了近5年国内外耕地质量评价指标相关研究文献，归纳总结了121篇文献，梳理了耕地质量评价指标，按照使用频率大于0.1进行筛选，并划分为土壤物理、土壤化学、土壤生物、地形特征、基础设施建设共5大类评价指标。
表1 耕地质量评价指标
耕地质量评价方法一直是国内外重点研究方向，常规的评价方法主要有层次分析法(如特尔斐法-层次分析法)、模糊综合评价、土壤质量指数法、物元法等。目前我国耕地质量评价相关的技术标准，推荐使用特尔斐法-层次分析法，分析耕地质量评价各项指标的权重，建立各类指标的隶属度，形成耕地质量评价评分。
随着近年来机器学习等人工智能技术的发展，主成分分析、神经网络算法、遗传算法、免疫算法、蚁群算法、支持向量机等算法在耕地质量评价中的应用[4-5]，能更好地减少主观因素的干扰，为耕地质量监测评价提供科学优化的解决途径。
上述耕地质量评价数据多是通过外业实地调查与内业检测化验获得，往往需要投入大量的人力物力，数据的准确性容易受人为因素影响，而随着遥感技术和地理信息技术的快速发展，多尺度、多时相、多传感器的遥感数据可从时间、空间不同维度体现耕地质量信息。诸多学者利用总初级生产力(GPP)、净初级生产力(NPP)间接评价耕地质量，通过遥感反演模型获取含水量、有机质、全氮等指标信息，验证了遥感技术在耕地质量评价中的应用可行性。
3.1 基于遥感技术的耕地质量监测体系框架
随着遥感技术的快速发展，通过遥感技术获取数据能力日益增强，基本形成了覆盖星(卫星遥感)、空(高空有人机、中低空无人机)、地(移动车辆、地面监测)数据获取能力；
常用的遥感传感器有光学传感器(可见光、多光谱、高光谱)、雷达、三维激光扫描等多种类型。遥感数据具有覆盖范围广、实时性、客观性强(所见即所得)的特点，已广泛应用于耕地资源调查监测中。星空地一体化的监测体系(图1)，可以支撑全球/全国、区域/省、县、田块等多种尺度的耕地质量多维度信息的监测，例如，对于田块尺度的遥感监测，可以采用地面光谱仪结合无人机遥感数据，而Sentinel系列、MODIS等卫星遥感影像，可支撑国家尺度/全球尺度的耕地监测。
图1 研究方法流程
众多研究表明，基于遥感技术的耕地质量监测主要总结为耕地质量指标定量反演和耕地质量间接监测。
3.2 基于遥感技术的耕地质量评价指标获取研究进展
通过分析各类遥感数据的特点与应用特征，对比表1中耕地质量评价指标，可通过遥感技术 获取的耕地质量评价指标有土壤物理指标(含水量、土壤容重、土壤质地、土层厚度、耕层厚度、砾石含量)、土壤化学指标(总有机质/碳含量、pH值、速效磷含量、速效钾含量、全氮含量、速效氮含量、重金属含量、盐渍化程度)、地形特征(坡度坡向、地形部位、地貌类型)和基础设施建设(排水条件、灌溉保证率、道路通达率、林网化程度、地块规整度、田块规模、地块破碎度、耕作距离)。土壤生物指标主要通过土壤中的微生物、动物作为影响因子，通过遥感技术难以获得该项指标信息。
3.2.1 土壤物理指标信息提取
1)土壤含水量。
土壤含水量直接影响耕地的生产能力，是耕地质量监测的重要指标之一，对于监测植物生长、土壤侵蚀、土地退化和荒漠化具有重要意义。传统土壤水分测量直接用称重法估计，计算样本土壤烘干前后重量的差值，方法原理简单，但由于土壤样品在运输、存储、制备过程中容易遭到破坏，无法修复。其他常用的间接测量方法有时域反射计、中子仪探针、电容传感器和伽马射线扫描仪等。目前，利用遥感技术估算土壤含水量已被大家广泛认可，积分方程模型(integral equation model，IEM)是最常用的散射模型之一，它在裸露或植被稀疏的地表上表现良好。大量研究表明，微波遥感在大范围土壤含水量估算中应用效果明显[6]。
随着多源遥感数据获取能力不断增强，很多学者利用多源遥感数据融合反演土壤含水量。Han等[7]通过贝叶斯最大熵的框架，融合利用光学、近红外、热红外、数字高程模型等多源数据进行土壤含水量的估算，可以获得较高的估算精度。高光谱数据应用方面，有研究表明土壤含水量与土壤的高光谱反射率相关性较大，是提升土壤含水量评估分辨率最有前景的技术之一。常用的研究方法有波谱反射率法、函数法、模型法和以主成分回归法、偏最小二乘回归法、人工神经网络法等为代表的机器学习法等，虽然在试验区域能获得较高的数据精度，但扩展到其他区域，需要更多的方法试验与技术论证。结合使用地面、机载和卫星传感系统，可以在不同时空尺度上估算土壤含水量。
2)土壤质地。
土壤质地是指由大小直径不同的矿物质颗粒组合的土壤状态，是保持土壤通气、透水、保肥的重要因素，是耕地资源质量分类中重要的评价指标。土壤质地的实验室测定方法主要有激光粒度仪分析法、吸管法、密度计法等，野外测量方法主要有比重计法、手测法等。相关研究表明，土壤质地与土壤光谱信息有一定的相关性。一般情况下，土壤颗粒越小，土壤之间的孔隙度越小，表面越光滑，光谱反射率越大；
土壤颗粒越大，表面越粗糙，光谱反射率越小，呈显著的负相关。但在相同大气环境下，土壤颗粒越小，其持水能力越强，土壤反射率有所降低[8]。
土壤质地近地面遥感预测模型精度较高，R2可达0.8以上。Vaudour等[9]使用Sentinel-2数据，采用化学计量模型预测了几种表土特性(粘土、SOC、铁、pH等)，粘土含量预测的R2在0.4左右。随着微波遥感技术的发展，其穿透成像介质的特性，有利于提高土壤质地反演精度。Zheng[10]结合光学(Sentinel-2)和雷达(Sentinel-1)数据对裸露土壤的表面水分和粗糙度进行估算，具有较强的相关性，获得了更高的精度，估算土壤含水量均方根误差减少约0.045 cm3/cm3，土壤粗糙度的均方根误差减小约0.8 cm。PHilip Marzahn[11]利用机载微波遥感，对德国东北部低地观测站反演的土壤质地具有较高的精度，平均均方根误差(RMSE)2.42。Bousbih等[12]利用Sentinel-1和Sentinel-2组合数据，基于支持向量机 (SVM)和随机森林(RF)方法的算法用于粘土含量的估算，准确度分别为0.62和0.65，随机森林算法性能优于支持向量机。
3.2.2 土壤化学指标信息提取
1)土壤有机质/碳含量。
土壤有机质/碳含量(SOM/SOC)是衡量耕地质量的重要指标。土壤有机质的测量主要依靠野外调查采集土壤样品，进行实验室分析，但在大范围区域内进行SOM预测成本高、难度大。野外调查主要以样点的形式，通过地统计学的方法获得空间连续的数值，但对于空间异质性较大的区域，则需要大量的样点来保障数据精度[13]。基于遥感技术进行土壤有机质的预测相关研究表明，土壤有机质含量与土壤反射率呈显著负相关[14]。Baumgardner等[15]研究表明，只有当土壤中有机质含量达到2%及以上，有机质含量对光谱的反射率才有影响作用，如果有机质含量很少，受土壤表面物质的影响，则有机质含量对光谱反射率的影响较小。史舟等[16]利用1 581个土壤样本的土壤有机质含量与室内土壤光谱数据，反演精度R2可达0.90。唐海涛等[17]研究表明不同类型土壤的SOM预测精度存在差异，沼泽土的预测精度最高为0.768，黑土次之，为0.678，草甸土的预测精度最低，仅为0.674。
上述研究主要分析的是土壤有机质与室内光谱数据之间的相关性，但野外光谱数据会受室外环境条件的限制相关性减弱。随着无人机技术的发展，针对田块尺度的高精度遥感数据获取越来越便捷，传感器支持可见光、多光谱、高光谱等多种类型，SOM反演建模应用效果越来越好。祝元丽等[18]利用无人机高光谱数据，在中国东北黑土和比利时黄土研究区，分别进行暗室条件下和野外自然光条件下土壤有机质反演，R2分别优于0.65和0.58。利用卫星遥感影像，经预处理的光谱数据与土壤有机质含量呈明显的相关性。刘焕军等[19]选择东北黑土区的裸土期，基于Landsat 8和Sentinel 2A两期影像，利用随机森林算法筛选波段和光谱指数，进行土壤有机质含量遥感反演，基于单期影像的R2优于0.83，基于两期影像的R2达到0.938。
2)土壤pH值。
土壤酸碱度体现为土壤溶液中氢离子和氢氧根离子的浓度，用以反映土壤的酸碱强度。土壤pH值直接影响作物根系活动和根系微生物活动。有研究表明，土壤pH值与土壤的光谱反射率没有直接的相关性，而地表植被、土壤水系等因素的影响下，土壤光谱反射率与pH值存在一定相关关系，ZHANG等[20]利用高光谱数据和2005—2016年的Landsat多光谱遥感影像，筛选了18个高光谱数据的光谱指数、17个多光谱数据的光谱指数和6个环境指数进行实验分析，结果表明，比值植被指数(RVI)、归一化差值植被指数(NDVI)、归一化差值水指数(NDWI)、土地利用、年平均降水量和年平均气温与土壤PH值具有较强的相关性，基于多种影响因子建立的预测模型R2为0.5。
3)土壤盐渍化程度。
土壤盐渍化是全球土壤研究的热点问题，我国土壤盐渍化现象也比较普遍，耕地范围内的盐渍化土壤和次生盐渍化土壤占耕地总面积的约1/5。土壤盐渍化不仅影响土壤质量，威胁粮食安全，也是一种环境问题[21]。通过限制地表植被的水分汲取与蒸散发，降低作物产量，土壤质量下降[22-23]。土壤盐渍化程度是耕地质量评价中的一项重要影响因子。土壤盐渍化程度一般通过测定土壤含盐量、电导率等体现，主要测量方法有电导率仪、残渣烘干法、电磁感应计、介电常数测量套件等[22-25]。通过野外采样监测土壤盐渍化，样点数据精准，但缺乏空间连续性，费时费力，监测周期长。近年来，得益于遥感技术日趋成熟，在不同尺度、不同区域上基于遥感数据开展土壤盐渍化程度及分布的监测已成为常态，遥感数据主要有多光谱、高光谱、雷达等多种类型[26]。基于光学遥感影像，盐度指数(SI)[27]、归一化差异盐度指数(NDSI)[28]等是常用的盐分光谱指数，也有研究通过地表植被生长状况(如NDVI、SAVI等[29]),分析植被的受盐分胁迫程度，间接获得土壤盐渍化分布数据。基于室内高光谱反演土壤盐分的研究较多，R2一般为0.7以上，而基于航空高光谱反演土壤盐分的研究较少[30-31]。基于微波遥感反演土壤盐渍化的研究较少，分析雷达数据的后向散射系数与土壤盐渍化程度的关系，可对光学遥感影像的监测提供补充[32]。
4)土壤重金属含量。
土壤重金属含量是影响耕地质量的重要因素，直接反映耕地土壤生态环境与清洁程度。目前常用的测定方法有原子荧光光谱法(AFS)、电感耦合等离子体原子发射光谱法(ICP OES)、紫外-可见分光光度法(UV)、原子吸收光谱法(AAS)、X荧光光谱法(XRF)等[33]。除了采用直接测定法，可利用高光谱数据预测土壤中铬、铜、镍、铝、硅、镁、铁、锰、铅、锌、镉、钴、砷和汞等重金属含量[34]。
3.2.3 地形特征信息提取
1)坡度和坡向。
坡度和坡向直接影响耕地植被对土壤中的水分、肥力的利用率，影响耕地的气温条件、土壤墒情等，是评价耕地质量的重要因子。这两项指标可以基于数字高程模型(DEM)经坡度、坡向计算获得。DEM数据通常采用具有一定重叠度的立体像对的影像进行同名点匹配，从而形成地形数据。随着多源遥感数据获取能力的增强，倾斜摄影测量、合成孔径雷达(InSAR)、激光雷达(Lidar)在获取高精度DEM数据方面具有一定优势。可根据区域的实际应用情况，选择适合的数据获取方式[35]，基于Lidar技术获取DEM数据，可根据区域范围、精度要求选择无人机、大飞机搭载平台；
倾斜摄影等航空摄影测量法，尤其是无人机载荷，适用于地块尺度，操作便捷；
高分辨率立体测绘卫星遥感影像(如高分七号等)，可获得高空间分辨率光学立体观测数据和高精度激光测高数据，能更详细地表达地表地形状况。
2)地形部位与地貌类型。
地形部位、地貌类型体现为较大地理区域的地形特征，例如松辽平原、黄土高原等。不同的地貌类型、地形部位对土壤的发生、发育有着重要的影响，也是耕地质量评价中重要的影响因子[36]。基于数字高程模型、遥感影像等，结合实地的调研和历史资料，定性或半定量地描述地形部位、地貌类型等信息。常用的数据分析方法有地形因子分析、地貌特征因素分析(提取特征点、特征线)、地貌分类与制图等。
3.2.4 耕地基础设施建设信息提取
现代化农业发展迅速，田间设施建设越来越完善，主要体现为机耕路、沟渠等水利设施的修缮、农田防护林的建设与维护、耕地平整深耕、高标准农田建设等。耕地地块连片度、农田林网化率、耕地地块规整度、灌溉保证率、排水条件、田间道路通达度等，均是耕地质量评价的重要因子。通过卫星遥感影像、中低空高分辨率航摄影像，可以清晰地获取田间各类基础设施的分布、范围、数量等。
上述因子的提取均需来源于准确的地物分类数据，而基于遥感影像的地物分类提取研究一直是遥感领域重点研究内容，主流的地物分类方法主要有最大似然、最小距离、支持向量机、随机森林等经典算法和面向对象、深度学习等新方法。传统基于像元的分类方法，尤其面向高分辨率遥感影像的分类，缺少像元与地物对象间的关系，容易造成地物分类图斑不完整、椒盐现象严重等问题，影响地物分类边界的完整性与合理性[37]。面向对象方法将影像像素级分类变为面对地物对象的分类，能更好地兼顾影像纹理特征、光谱特征等，获得比较符合实际的地物边界。基于深度学习的分类方法，更注重影像上下文语义关系，在地表地物分割方面具有显著成效[38]。
3.2.5 遥感技术间接监测耕地质量
耕地质量的高低在一定程度上表现为地表植被生长的茂盛程度，耕地质量高地块一般地表植被长势好、产量高，而耕地质量低的地块一般地表植被长势差 、产量低。针对该现象，利用多年长时间序列的卫星遥感影像反演地表植被的长势情况，间接反映耕地质量，这种方法监测范围广，时间周期短。常用于反演地表植被长势情况的指标有NDVI(归一化差值植被指数)、FVC(植被覆盖度)、NPP(净初级生产力)等。欧阳玲[39]研究了松嫩平原的耕地质量，评价并证实了耕地质量与NDVI、FVC、NPP有较强的相关性，表明地表植被的长势监测可以间接评价耕地质量。
耕地质量在短期内变化较小，单期的地表植被长势情况，受气象条件、政策等方面因素的干扰，偶然性较大，难以准确地反映耕地质量，多年期的植被长势平均情况能较稳定地反映耕地质量。这种方法有利于大范围耕地质量监测，但对于局部小区域耕地质量空间差异性的表达不够精细。
以遥感技术为支撑，摆脱了传统依赖样点插值的面域监测与评价方式，可以实现大面积、快速监测与评价耕地质量，缩短监测与评价周期。但针对上述遥感技术在耕地质量监测中的应用现状，提出如下建议：
1)基于遥感信息的土壤属性遥感定量监测，遥感信息因错综复杂的环境因素、土壤区域性因素等影响，有必要开展多光谱、高光谱、微波遥感及热红外等多源遥感数据的协同利用，并采用多时间序列数据的组合应用，保障大区域大范围耕地质量监测与评价结果的一致性与可靠性。
2)建立不同应用尺度下耕地质量评价指标体系，分析各评价指标的遥感特征。为精确监测与评价耕地质量，需要将卫星、航空、近地面遥感数据与实地调查、检测化验数据、网络数据等深度融合，形成星空地一体化的多尺度、定量化的耕地质量监测与评价技术体系。
3)提升黑土区耕地质量评价的自动化、智能化水平，形成工程化的黑土区耕地质量监测与评价的遥感数据支撑平台。充分挖掘黑土区不同时间、不同地表覆盖、不同土壤类型下的遥感信息响应规律，建立可靠的知识经验库和理论方法，搭建耕地质量评价的遥感大数据平台，实现基于多尺度遥感数据的耕地质量评价指标信息工程化获取应用，为黑土区耕地质量遥感大面积监测与评价提供支撑。
猜你喜欢黑土遥感技术耕地自然资源部：加强黑土耕地保护中国化肥信息(2022年8期)2022-12-05我国将加快制定耕地保护法今日农业(2022年13期)2022-11-10添加木本泥炭和膨润土对侵蚀退化黑土理化性质的影响*土壤学报(2022年4期)2022-10-22基于Sentinel-2遥感影像的黑土区土壤有效磷反演中国农业信息(2022年2期)2022-07-15新增200亿元列入耕地地力保护补贴支出今日农业(2021年14期)2021-11-25寒地黑土无公害水产品健康养殖发展思路当代水产(2021年6期)2021-08-13耕地时节小学生必读(低年级版)(2018年9期)2018-12-13浅谈卫星遥感技术在林业调查中的应用智能城市(2018年8期)2018-07-06遥感技术在林业中的应用河北林业科技(2016年5期)2016-11-08遥感技术在大气、水、生态环境监测中的应用西藏科技(2016年9期)2016-09-26