基于Google Earth Engine平台的关中冬小麦面积时空变化监测

郭 新，王乃江，张玲玲，郭永强，褚晓升，冯 浩2,

(1.西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100；2.西北农林科技大学水土保持研究所, 陕西 杨凌 712100；3.中国科学院水利部水土保持研究所，陕西 杨凌 712100)

小麦作为中国的主要粮食作物之一，其播种面积占全国粮食作物播种总面积的20%左右[1]。陕西省是我国重要的冬小麦生产基地[2]，关中地区冬小麦种植面积占陕西省冬小麦种植面积的83%[3]。因此，尽可能及时、准确地获取关中地区冬小麦种植面积及其时空变化规律，对于发挥冬小麦的生产潜力，促进农业生产的可持续和高效发展，保障国家粮食安全具有至关重要的现实意义[4]。然而，传统的冬小麦种植信息获取方法耗时耗力，需要大量的经济支出[5]，且传统调查方法更新速度慢，易受人为因素影响[6]。

遥感技术因其时效性高、成本低、客观性强、覆盖范围广和信息量大等特点[7-8]，为大面积农作物信息提取和监测提供了有效的方法和手段[9]。由遥感数据反演而来的归一化植被指数(normalized difference vegetation index，NDVI)能够充分反映植被的季节性变化特征[10]，因而被广泛应用于植被的生长动态监测、作物识别与土地覆盖分类等研究领域。有学者利用冬小麦的物候特征，通过对关键生育期NDVI值或多个生育期NDVI变化值设定适当的阈值，建立冬小麦提取规则，进而获取冬小麦的空间分布信息[11]。如杨小唤等[12]、李红梅等[13]通过该方法分别提取了北京市和陕西关中地区的冬小麦种植面积。然而以上研究均是对几个关键时相影像应用NDVI阈值法，却忽略了冬小麦生育期内NDVI时序曲线的整体波动，且未考虑曲线的“峰”、“谷”特征。

以谷歌地球引擎(Google Earth Engine，GEE)为代表的云计算平台，其公共数据库提供了超过40 a的遥感影像[14]，且这些数据都经过预处理[15]。该平台具有强大的数据处理能力，可进行复杂的空间可视化分析，目前国内外已经有基于该平台的亚洲水稻种植面积提取研究[16]、全球城市土地监测[17]、土地利用变化研究[18-19]、新疆积雪覆盖研究[20]、赣南柑橘果园分布制图[21]等。该平台为地物信息大范围长时间序列的空间可视化分析提供了便利。

本文基于GEE平台，根据关中地区冬小麦的物候特征，结合该地区典型地物NDVI时序曲线，采用NDVI重构增幅算法和光谱突变斜率，构建了冬小麦的提取模型，利用该模型识别了研究区内冬小麦种植面积，然后利用统计数据和地面调查数据分别从市级和县级尺度对提取结果进行验证，最终揭示关中地区冬小麦种植面积时空变化规律，以期为长时间序列大面积区域快速、准确地提取冬小麦种植面积提供一种普适性的模型和方法。

1 材料和方法

1.1 研究区概况

关中地区位于陕西省中部(图1)，介于106°18′～110°38′E、33°35′～35°52′N之间，区域总面积5.56×104km2，包括宝鸡、咸阳、西安、铜川、渭南5个省辖地级市。关中地区西起宝鸡峡，东至黄河，北部为黄土高原南缘，中部分布着渭河冲积平原，南部是秦岭北坡，因此该地区的地势特点为南北高、中间低。海拔高度322～3 689 m。该地区属于暖温带半湿润大陆性季风气候区，四季分明，多年平均气温7. 8～13.5℃，多年平均降水量500～800 mm。冬小麦是该地区主要的夏收作物，其生育期为10月至次年6月，常年种植面积约为9×105hm2。

图1 关中地区地理位置Fig.1 Location of Guanzhong Region

1.2 数据来源及处理

1.2.1 MODIS NDVI数据 本文采用2010年10月—2017年6月冬小麦生育期内的Terra/MOD13Q1NDVI数据，中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)数据合成周期为16 d，空间分辨率为250 m，来源于GEE的公开数据库。MODISNDVI数据有效值为[-2000,10000]，比例因子为0.0001。本文将NDVI值域转化为[-0.2,1]，便于分析及确定分类阈值。本文对遥感影像数据的处理在GEE中完成。

1.2.2 统计数据 冬小麦播种面积统计数据来源于陕西省统计年鉴[3]。本文收集的市级统计数据包括宝鸡、咸阳、西安、铜川、渭南共5个市，时间跨度为2011—2017年。县级统计数据包括宝鸡8个市(县、区)，咸阳12个市(县、区)，西安6个市(县、区)，铜川3个市(县、区)，渭南11个市(县、区)，共计40个市(县、区)，时间跨度为2011—2016年。

1.2.3 地面调查数据 地面调查数据通过实地采样调查和目视解译获取。实地采样调查时间为2017年12月9日和2019年3月15日，用手持式GPS定位仪获取冬小麦样点的经纬度信息。目视解译则是利用Google Earth Pro的高分辨率影像对冬小麦种植区域的物候和纹理进行判别。地面调查样点共有757个(图1)，调查样点均匀分布在关中地区各县，每个调查样点均选取常年种植且面积较大的冬小麦田块，以保证纯净的冬小麦像元。地面调查数据随机按7∶3比例分为2组，分别用于分类过程中训练样本的选取和分类结果的精度验证。

1.3 研究方法

1.3.1NDVI重构增幅算法 冬小麦从播种到收获，其叶片覆盖度从“无”到“有”再到“无”的过程在NDVI曲线上表现出明显的“峰”、“谷”形状特征。本文采用NDVI重构增幅算法[22]，即计算冬小麦生育期内第一个“谷”到最高 “峰”的NDVI增长幅度(NDVIincrease)，其计算公式为：

(1)

式中，a为常数。基于GEE平台，以单个像元为单位，在每个像元位置上提取9月15日至11月15日的NDVI最小值，得到一幅最小NDVI图像，将其记为NDVImin；同理，在每个像元位置上提取次年3月1日至4月31日的NDVI最大值，得到一幅最大NDVI图像，将其记为NDVImax。

1.3.2 光谱突变斜率 冬小麦的NDVI曲线随时间呈现周期性的上升或下降，本文提出光谱突变斜率(Slope)这一概念，表示NDVI值随时间的变化特征，其计算公式为：

(2)

(3)

式中,物理量右下角数字表示日期，NDVI和Date表示该日期的NDVI值和儒略日。b,c分别为常数。

基于GEE平台，在每个像元位置上建立NDVI和时间的一元线性回归模型，是以单个像元的NDVI时间变化规律来反映空间变化规律。提取从10月24日到12月19日的MODIS NDVI影像，建立NDVI值与时间的一元线性回归模型，得到一幅含有两个波段的影像，一个为斜率，另一个为截距。同理可得到次年4月15日到6月18日的一元线性回归影像。

1.3.3 精度评价方法 在市级尺度和县级尺度上，分别对冬小麦提取面积与农业统计面积进行相关性分析，评价提取精度时采用了决定系数(coefficient of determination，R2)均方根误差(root mean square error，RMSE)和一致性指标(index of agreement，d)3个指标。其中R2越大，RMSE越小，表明提取精度越高；d≥0.9、0.8≤d<0.9、0.7≤d<0.8和d<0.7分别表示提取精度极高、高、一般和差[23-24]。

同时，为了定量分析本研究提取结果的精度，将提取的冬小麦面积S与农业统计面积S′进行对比，面积提取精度P的计算公式为：

(4)

式中，P值介于0～1之间，越接近1提取精度越高。

2 结果与分析

2.1 不同地物的NDVI时序特征

对研究区域内林地、建设用地、水体、果园和冬小麦等典型地物分别选取10个样本区域，获取样本区域2011～2017的NDVI时序曲线，剔除异常曲线，各地物类型分别取平均值，再进行年际间的平均得到关中地区典型地物NDVI时序曲线(图2)。从图中可以看出，不同地物NDVI变化不尽相同，各有特点。林地的NDVI曲线在5—9月水平较高，波峰持续时间长，并且变化非常平缓。由于果树的种植间距较大，覆盖度不均匀，相对较为稀疏，因此果园的NDVI水平低于林地，但变化趋势与林地基本一致。建设用地和水体的NDVI曲线整体水平很低且曲线波动较小，这是由于这些地物在近红外波段上反射率较低，特别是水体，其NDVI值甚至会出现负值。另外，由于建设用地通常与城市绿地混合，所以建设用地的NDVI水平相对高于水体，且其趋势与林地一致。

图2 关中地区典型地物NDVI时序曲线图Fig.2 NDVI time-series curves of typical objects in Guanzhong Region

冬小麦的NDVI曲线具有非常明显的季节性变化特点。关中地区冬小麦一般在10月上旬播种，直到12月均处于缓慢生长阶段，NDVI曲线呈上升趋势，而此时其他植被基本进入越冬期，NDVI曲线呈下降趋势。随着气温降低，1—2月冬小麦基本停止生长。在2—4月冬小麦拔节～孕穗～抽穗期，冬小麦生长快速，NDVI迅速上升并达到峰值。冬小麦NDVI值从播种时的谷值到峰值有较大的增长幅度。之后随着冬小麦逐渐灌浆成熟，NDVI曲线呈明显下降趋势，而此时其他植被正处于生长期，NDVI不断增加。根据以上特点提取关中地区冬小麦种植面积。

2.2 冬小麦种植面积提取结果及其精度验证

结合NDVI时序曲线特征、NDVI重构增幅算法和光谱突变斜率，由训练样本得知，a、b、c分别为0.49、0、-2.6，代入公式(1)～(3)中，提取2011—2017年关中地区冬小麦种植面积，提取结果见图3。

由图3可以看出，2011—2017年关中地区冬小麦空间分布虽然在年际间有所变化，但变化并不大。受地形影响，冬小麦种植区域主要集中分布在中部地势平坦的关中平原，在北部及南部地势较高的地区分布较少。冬小麦在宝鸡、咸阳、西安和渭南分布较广，是由于这4个市土壤肥沃、灌溉条件便利、自然条件较为优越,而在铜川市分布相对稀疏。从县域行政区划单元看，关中地区的冬小麦种植较大的区、县主要分布在宝鸡市的陈仓区、凤翔县、岐山县、扶风县，咸阳市的永寿县、乾县、武功县、兴平县和泾阳县，西安市的户县、蓝田县，以及渭南市的富平县、蒲城县、临渭区、大荔县等。以上地区形成了关中地区冬小麦空间集聚区。

图3 2011-2017年关中地区冬小麦种植分布图Fig.3 Distribution of winter wheat planting in Guanzhong Region from 2011 to 2017

分别以市和县为统计单位，在研究区内对遥感提取冬小麦面积与统计数据中冬小麦播种面积进行相关性分析，检验冬小麦提取结果的精度。

图4分析结果显示，在市级和县级水平，遥感提取面积和农业统计面积均呈现出极显著的线性相关关系，R2分别为0.82和0.62，RMSE分别为42.98×103hm2和14.77×103hm2，d分别为0.95和0.84，市级和县级的提取精度分别为“极高”、“高”，市级尺度拟合效果优于县级尺度。可能因为在县级尺度内正负误差相互抵消，从而表现为在市级尺度上精度有所提高。即遥感数据的空间分辨率对提取结果产生了尺度效应[25]。

图4 2011—2017年冬小麦遥感提取面积在市级(A)和县级(B)水平与农业统计面积的对比Fig.4 Comparison between extracted winter wheat areas and statistical areas at city level (A) and county level (B), respectively, from 2011 to 2017

汇总关中地区各市多年冬小麦提取面积，与农业统计面积进行对比验证，验证结果的统计值见表1。可以看出，各市累计7 a中遥感提取面积与农业统计面积的一致性小于60%的概率仅为11.4%。其中渭南、咸阳的提取精度最高，7 a间面积一致性>80%年份达到5 a以上，且没有出现<60%的年份；宝鸡、西安的提取精度较高，>80%的年份均为4 a，且全部年份提取精度均在60%以上；铜川市的提取结果精度较低，仅有42.8%的年份提取精度>60%。这可能与铜川市地形地貌条件复杂有关，铜川地处黄土丘陵沟壑区，冬小麦种植区域分布较为破碎。当利用MODIS 250 m遥感影像识别冬小麦时，种植区域较大且集中的地块可以比较容易被提取出来，而地块面积小且分散破碎的地区则提取精度有限。另外，与关中地区其他市相比，铜川市冬小麦种植面积较小，故该市提取精度不高对整个地区影响不大。

表1 2011—2017年关中地区各市冬小麦种植 面积一致性累计值

另外，在研究区内随机选取227个采样点，验证2017年遥感提取结果与地面调查数据的空间一致性。结果表明，227个冬小麦验证样点中，212个被正确分类，空间一致性精度为93.4%。

2.3 冬小麦种植面积时空变化规律

从市域行政区划单元看，2011―2017年关中各市冬小麦种植面积变化趋势不尽相同(图5)。西安和宝鸡的冬小麦种植面积变化趋势较为一致，均呈下降趋势。尤其是西安，整体收缩量达107×103hm2；渭南、咸阳和铜川的冬小麦播种面积有增有减，总体呈波动上升趋势。2011―2017年扶风县、咸阳市区、周至县、户县、西安市区、长安区及渭南市区冬小麦种植面积呈明显下降趋势；永寿县、乾县和蒲城县冬小麦种植面积明显增加。

就关中地区整体而言，2011―2017年冬小麦种植面积呈下降趋势，由2011年的981.96×103hm2缩减至2017年的898.74×103hm2，减少了83.22×103hm2(8.47%)。从空间分布上看，关中地区2011―2017年冬小麦种植面积呈“北增南减”的时空变化格局：其中新增冬小麦种植面积221.40×103hm2，分布在永寿县、乾县和蒲城县，从Google Earth Pro上可以看到部分县由林地向耕地的转化，也证明各地土地整治工作卓有成效；其中缩减冬小麦种植面积304.62×103hm2，主要分布在扶风县、西安市区、长安区、周至县和户县、咸阳市区和渭南市区。

经过调查发现，关中地区冬小麦种植面积缩减的主要原因有以下3点：(1)农业收入低、投入高是该地区农户弃耕的根本原因。其中，地下水超采导致的灌溉成本的提高及青壮年劳动力外出打工引发的劳动成本的提高可能是主导因素；(2)由于当地农业产业调整，农户因地制宜发展苗圃、果树等高收益作物；(3)随着城市化进程的加快，牺牲大量的耕地转化为建设用地是冬小麦种植面积减少的主要原因。

3 讨论与结论

本文根据关中地区典型地物NDVI时序曲线变化特征，结合冬小麦物候特点，基于NDVI重构增幅算法和光谱突变斜率，且利用GEE强大的数据分析和数据处理能力，提取了2011―2017年的冬小麦种植区域，并检验了遥感提取结果的精度，揭示了2011―2017年关中地区冬小麦时空变化规律。该方法综合考虑冬小麦NDVI时序曲线，参数少，能够快速准确地提取冬小麦种植区域，有较高的实用价值和现实意义。主要结论如下：

(1)利用统计年鉴对冬小麦提取结果的验证表明，在市级和县级尺度R2分别为0.82和0.62，d分别为0.95和0.84；提取结果与实地调查数据的空间一致性精度为93.4%，因此本文所使用的提取方法可满足大区域冬小麦面积提取的需求精度。

(2)关中地区冬小麦主要分布在中部较为平坦的关中平原，在北部及南部地势较高的地区分布较少。

(3)2011―2017年，关中地区冬小麦种植面积呈“北增南减”的时空变化格局：乾县、永寿县和蒲城县等地冬小麦种植面积增加；扶风县、长安区、周至县、户县、咸阳市区和渭南市区等地冬小麦种植面积减少。整体看来，关中地区冬小麦种植面积呈下降趋势，减少了83.22×103hm2(8.47%)。铜川市提取精度较低，因为使用250 m空间分辨率的遥感影像导致地形复杂、冬小麦分布破碎的种植区不易被识别。因此，选择分辨率更高的遥感影像、混合像元分解等问题将是后续研究的重点。