基于高分卫星的冬小麦长势监测及驱动因素分析

王乐，樊彦国*，樊博文，王勇

基于高分卫星的冬小麦长势监测及驱动因素分析

王乐1，樊彦国1*，樊博文2，王勇3

（1.中国石油大学（华东）, 山东 青岛 266580；2.哈尔滨工程大学, 哈尔滨 150001；3.烟台市地理信息中心, 山东 烟台 264000）

【目的】冬小麦作为我国第二大粮食作物，掌握其长势情况对于保障我国粮食安全具有积极意义。【方法】首先基于Sentinel-2影像，利用随机森林的方法提取研究区2018—2020年冬小麦种植的空间分布，并利用高分影像提取分析了冬小麦种植区域内2018—2020年在返青期、起身拔节期、孕穗抽穗期、开花期的长势变化情况，之后将冬小麦长势变化分为长势较好、长势持平、长势较差3个等级进行对比分析；其次利用地理探测器对典型年份（2018年）的冬小麦长势监测结果与气温、降水量、坡度、坡向、高程、土壤类型、土壤湿度、日照时间、人口密度、乡村劳动力资源、GDP这11种驱动因子进行因子探测和交互探测，定量解释了影响冬小麦长势差异的原因。【结果】对比3 a冬小麦长势情况，2020年冬小麦在返青期与起身拔节期长势较好，面积占比为90%以上，而在孕穗抽穗期长势较差，面积占比为20%以上，在开花期长势持平，面积占比约80%。对冬小麦长势解释力较高的驱动因子的排列顺序为：乡村劳动力资源数>土壤湿度>降水量>气温>日照时间，各驱动因子之间的交互作用表现为双因子增强或非线性增强。【结论】冬小麦的长势变化受到多因素共同作用，是复杂因子交互作用的一种结果。

冬小麦；面积提取；长势监测；地理探测器；位山灌区

0 引言

【研究意义】冬小麦作为世界四大主粮之一[1]，对其长势监测是指导农业生产、稳定粮食安全的有效途径[2]，因此通过研究冬小麦的长势变化及驱动机制，能够量化作物生长与影响因子之间的相互作用，可为预测冬小麦产量、进行冬小麦管理、发展智慧农业提供理论依据[3]。然而传统的作物长势监测一般通过实地考察的方法，尽管该方法具有很高的精确度，但往往耗费大量的人力和物力[4-5]。随着遥感技术的快速发展和农业现代化管理的推进，遥感技术被逐渐应用于大型灌区的作物生长监测[6-8]。

【研究进展】当前国内外主要采用中低分辨率遥感影像数据和无人机影像数据进行长势监测，例如Boori等[9]基于Sentinel-2和Landsat数据利用归一化植被指数（, Normalized Difference Vegetation Index）时间序列对作物生长阶段的长势进行监测，其结果为评估作物生长状况以及农业可持续发展提供有价值的支持。孙丽等[10]基于MODIS数据利用指数同期对比法对2019年美国冬小麦进行长势监测分析。牛鲁燕等[11]通过构建基于无人机平台的小麦长势监测模型，为园区和农场尺度小麦长势的实时监测提供有效技术支撑。而小麦的长势情况同时受到降水量、气温、日照时间等因素的影响，目前对冬小麦生产系统的驱动因子进行定量分析主要通过经验的统计分析模型来实现，如李炳军等[12]采用灰色关联分析方法对河南省冬小麦不同生长阶段与气象影响因素进行双重量化分析。郑润桥等[13]采用Pearson相关分析法探究鲁西北地区冬小麦灌溉需水量的驱动因素。花佳程等[14]对淮北平原冬小麦的作物系数进行相关分析，得出了作物系数与气候因子联系紧密的结论。

【切入点】综上所述，尽管Sentinel-2影像数据时相分辨率高，但由于天气以及云遮盖等外在因素的影响，使得影像存在部分缺失以及质量较差的情况，无人机影像空间分辨率较高，但存在应用范围小、成本高等缺点，不能及时获取研究区影像，而高分卫星具有高空间分辨率以及高时相分辨率的特点，能够持续全面地对研究区冬小麦进行长势监测。对于探究冬小麦长势差异的驱动机制，统计分析模型对定量解释冬小麦长势变化的因素具有指导性的作用，但无法体现空间异质性的特征，且在解释因子交互作用机理方面存在明显缺陷[15]，而地理探测器在度量空间分异性、探测解释因子、分析变量之间交互关系方面具有较好的优势[16]。

【拟解决的关键问题】因此，本文以位山灌区中北部平原作为研究区域，对研究区内的冬小麦进行长势监测和地理探测器分析，首先基于Sentinel-2影像获取冬小麦种植时空分布，之后利用2018—2020年返青期、起身拔节期、孕穗抽穗期、开花期的高分影像进行差值模型计算，依据差值结果进行长势等级划分判断2020年冬小麦的长势情况，最后通过地理探测器对土壤湿度、气温、降水量、日照时间、GDP和乡村劳动力资源等11个驱动因子进行定量分析，探究不同驱动因子对冬小麦长势变化情况的影响程度及交互作用。通过高分遥感影像结合地理探测器对冬小麦进行了长势监测与驱动因子分析，研究对冬小麦长势情况影响力较强的驱动因子，对于农业科学管理，促进农业发展，建设智慧农业具有重要作用。

1 材料与研究区

1.1 研究区概况

位山灌区作为黄河下游最大的引黄灌区，居全国特大型灌区第五位。灌区位于聊城市中北部，本文以位山灌区中北部平原为研究区（图1），经纬度范围为115°8′—116°27′E，36°15'—37°1'N，面积为4 335.8 km2，地势东南高西北低。研究区整体属于温带季风气候，冬季降水量少，春季干旱频繁，导致年平均降水量仅为540.4 mm，而年平均蒸发量为1 709 mm，因此研究区水资源时空分布不均匀，主要依赖黄河水灌溉，多种植冬小麦和玉米。

1.2 影像数据集及预处理

本研究选用Sentinel-2影像数据来自谷歌地球引擎（Google Earth Engine，GEE，https://code.earthengine.google.com/），高分影像数据来自中国资源卫星中心（http://www.cresda.com/CN/）。其中Sentinel-2卫星携带多光谱成像仪，覆盖13个光谱波段，空间分辨率最高达到10 m，时相分辨率为5 d，光谱信息丰富，该数据高空间分辨率的特点能有效减少混合像元对冬小麦识别的影响[17]，因此在本研究中主要用于提取冬小麦面积。GF-1和GF-6号卫星均搭载宽幅相机，可以获取16 m多光谱遥感影像，且二者组网将时相分辨率由4 d缩短为2 d，因此借助高分卫星影像高时相分辨率的特点对研究区冬小麦的长势进行了持续的精准监测。

图1 研究区域地理位置

山东省冬小麦9月下旬—10月上旬播种，次年5月下旬—6月上旬收割，研究所选用冬小麦生育期如表1所示。基于以往研究发现起身拔节期冬小麦面积提取效果显著[18]，因此，基于GEE平台完成了对2018—2020年3月（起身拔节期）的Sentinel-2影像的去云、镶嵌、裁剪等预处理操作，选取影像详细情况见表2。冬小麦从返青期至开花期的值变化幅度较大，因此使用ENVI 5.6软件对2018—2020年2月上旬到5月上旬（返青期—开花期）的GF-1和GF-6影像数据进行辐射定标、FLAASH大气校正、正射校正等预处理工作，高分影像选取时间及对应生育期如表3所示。

表1 研究所用冬小麦生育期

表2 研究所用Sentinel-2影像数据

表3 研究所用GF-1(GF-6)影像数据

1.3 样本选取

使用Sentinel-2影像的假彩色组合（B11，B8，B5）和真彩色组合（B4，B3，B2）显示影像[19]，并结合Google Earth中2018—2020年冬小麦生育期的历史影像以及2018年实地采集数据进行样本点的选取。本文共选取1 387个样本点，包括713个冬小麦样本点和674个非冬小麦样本点，样本点均匀分布于整个研究区域，降低了样本空间自相关性对验证结果精度的影响，样本点中70%作为训练样本，剩余30%作为验证样本。

1.4 驱动因子数据源及预处理

DEM数据ASTER GDEM V2来源于美国航空航天局（National Aero-nautics and Space Administration，NASA，https://earthdata.nasa.gov/），空间分辨率为30 m，并经过坐标转换计算坡度和坡向数据；土壤类型数据来源于中科院资源环境科学数据中心（http://www.resdc.cn/），空间分辨率为1 km；气象数据[20]和土壤水分数据[21]来源于国家生态科学数据中心（http://www.nesdc.org.cn/），空间分辨率为1 km；人口密度和GDP数据来源1 km网格的中国人口/GDP空间分布公里网格数据集；日照时间来源于历史天气查询（https://richurimo.bmcx.com/）；乡村劳动力资源数来源于2019年聊城市统计年鉴[22]。栅格数据均通过镶嵌裁剪、投影转换等处理，统计数据以县域行政区划为统计单元，并换算单位密度统一为每平方公里或占比，使用ArcGIS 10.2将统计数据关联到县域行政区划矢量数据，并进行矢量转栅格的处理。

2 研究方法

2.1 冬小麦面积提取方法与精度验证

随机森林算法是2001年由Breiman等[23]提出的一种有效的基于CART决策树机器学习算法的集成分类器，该算法降低了过拟合能力且泛化能力较强[24-25]，并且还具有运算速度快，准确率高，准确评估各特征的重要性等特点，使得该算法在农业领域已得到广泛的应用[26]，因此，本文基于ENVI平台借助随机森林分类器[27]对冬小麦面积进行提取，并将决策树的数量设置为100，特征数量设置为输入特征总数的平方根。

通过上述分类操作获得2018—2020年研究区冬小麦种植面积后，利用30%的样本作为验证数据采用混淆矩阵对提取结果进行精度评定，精度评定主要包括总体精度、Kappa系数、用户精度和生产者精度4个指标[28]。

2.2 长势遥感监测方法

农作物的长势监测主要分为过程监测和实时监测，过程监测是通过对农作物整个生长周期进行描述和分析；实时监测是通过同期对比来确定作物的相对长势，使用实时监测的方法能较好地探究冬小麦在不同生育期的长势情况以及生长过程[29-30]。由于植物叶绿素对电磁波谱中红色波长（R）能量的吸收和植物细胞结构对近红外（NIR）能量的反射，因此通过上述两波段反演得到的指数是评价作物发育的强有力指标[31-32]。冬小麦在不同生育期的值存在明显差异，例如返青期前值整体偏低，而从返青期开始值逐渐增大直至开花期达到饱和，并在成熟期开始下降最终收割[33]。故通过实时监测不同年份同期对比差值结果，来分析2018—2020年冬小麦长势变化情况。

结合冬小麦空间分布信息对研究区进行掩膜提取，并基于高分影像数据计算获取2018—2020年2月中旬—5月上旬掩膜区域内的值，之后将不同年份同生育期的结果进行最大值合成，最后使用差值模型对不同年份相同生育期的冬小麦长势情况进行分析。计算得到的差值结果符合正态分布规则且大多集中于（-0.1，0.1）[17]，因此将冬小麦长势划分为3类：差值＜-0.1时，表示冬小麦比2018年或2019年长势较差；差值在-0.1～0.1时，表示冬小麦与2018年或2019年长势持平；差值＞0.1时，表示冬小麦比2018年或2019年长势较好。差值模型计算式为：

式中：D和t代表不同年份同时期的差值结果；2020i代表2020年每个生育期最大值合成的结果；2018i和2019i分别代表2018年和2019年每个生育期最大值合成的结果。

2.3 地理探测器分析法

地理探测器是探测空间分异性，以及揭示其背后驱动力的一组统计学方法。这里主要采用地理探测器的2个工具，包括因子探测和交互探测来定量解释研究范围内冬小麦长势变化的空间异质性特征及驱动因素。

1）因子探测：探测（）的空间分异性；以及探测某因子（自然因子和社会经济因子）多大程度上解释了属性的空间分异。用值度量[34]，表达式为：

2）交互探测：识别不同风险因子之间的交互作用，即评估因子1和2共同作用时是否会增加或减弱对因变量的解释力，或这些因子对的影响是相互独立的。评估的方法是首先分别计算2种因子1和2对的值：（1）和（2），并且计算它们交互时的值：（1∩2），并对（1）、（2）与（1∩2）进行比较。2个因子之间的关系（见表4）可分为以下几类[35]：

表4 影响因子交互作用的判断依据

根据研究表明，自然因子对冬小麦长势具有显著影响，而相较于自然条件因素，农业生产因素对其影响更大[36-37]。考虑系统科学性，选取气温、降水量等11个因子（见表5）探测研究区域冬小麦长势变化的驱动机制。由于2018年冬小麦不同生育期长势变化波动较大且相近年份值相差不大，故本文使用2018年作为典型年来研究各驱动因子对冬小麦长势的影响程度和交互作用。首先利用ArcGIS软件创建渔网工具，生成冬小麦分布范围内共2 570个中心点作为采样点，然后提取中心点地理位置对应的和的属性值，最后使用地理探测器R包进行处理。

表5 冬小麦长势影响因子指标

3 结果与分析

3.1 冬小麦提取结果

本研究依据2.1所述方法进行冬小麦面积提取与精度验证，根据表6、表7可知，冬小麦提取面积大于统计面积，相对误差均在2%以内，总体精度达到90%以上，提取面积变化趋势与统计面积变化趋势一致，2018—2020年冬小麦种植面积在逐年降低。研究区域冬小麦种植范围空间分布如图2所示，可以看出冬小麦分布均匀。

表6 研究区冬小麦提取面积与统计面积比较

表7 研究区冬小麦基于混淆矩阵提取精度

图2 2018—2020年冬小麦分布

3.2 冬小麦长势监测结果分析

本研究使用时相分辨率为2 d、空间分辨率为16 m的高分影像组合对冬小麦长势进行监测，既保证了监测的实时性，又兼顾了监测的准确性，能较为全面地获取冬小麦的长势变化情况。故将2020年冬小麦与2018、2019年同期进行差值运算并对比分析，根据增量对应的像元个数可以得出如下结果（图3），2020年与2019年同期比较可得：在返青期和起身拔节期，增量多为正值，且多集中于0.1～0.5之间，而在孕穗抽穗期与开花期增量多为负值，且集中于-0.1～0.1之间。2020年与2018年同期相比：在返青期和起身拔节期，增量＞0的像元数占比较大；在孕穗抽穗期增量＜0的像元个数占优势；而在开花期增量为正值的像元个数又高于负值个数。整体情况来看，2018年冬小麦生长情况波动较大，适合进行驱动因子探测，而2019年与2020年长势较为平稳，且在2019年后期与2020年前期长势较好。

图3 2020年冬小麦种植区域与往年相比的NDVI变化

本文根据差值结果对冬小麦长势划分为较好、持平与较差3类。由图4（a）可知，2020年与2018年相比，返青期和起身拔节期绝大多数区域均归属于长势较好类别，孕穗抽穗期长势较差的面积占比（23.9%）高于长势较好的面积占比（14.4%），二者相差9.5%，长势持平面积为61.7%；开花期长势较差的面积占比（6.8%）低于长势较好的面积占比（16.8%）为10%，长势持平面积增长为76.4%，符合冬小麦生育后期大部分面积长势与往年持平的研究结果。与2018年相比的整体情况来看，2020年返青期和起身拔节期的生长情况为优，孕穗抽穗期和开花期大部分区域长势持平，但是在孕穗抽穗期生长情况不佳，而开花期长势又得以恢复，整体情况较2018年相比较好。由图4（b）可知，2020年与2019年相比，返青期和拔节期中长势较好的面积占比远远大于长势较差与持平的占比；在孕穗抽穗期和开花期，长势较差的面积占比均大于长势较好的面积占比，其中孕穗抽穗期的长势较差面积占比为47.6%，比长势较好面积占比（1.8%）多出了45.8%，而开花期长势较差面积占比降到了16.1%，长势较好面积增加到2.5%，二者相差13.6%，长势持平的面积占比在2个生长周期分别达到了50.6%和81.4%，符合冬小麦生育后期大部分面积长势与往年持平的研究结果。整体情况来看，2020年返青期和起身拔节期生长情况较好，孕穗抽穗期和开花期大部分区域与往年持平，整体生长情况和2019年相比较差。结合2018年和2019年的长势对比来看，2020年前期生长速度快，后期虽然大部分持平，但部分区域仍长势较差。

3.3 地理探测器驱动因子探测分析

根据3.2小节对3 a冬小麦长势变化监测分析结果可知，2018年冬小麦长势变化波动范围较大，因此对长势影响因子探究较为典型，故本研究采用2018年相关影响因子数据对长势影响进行分析。因子的探测结果值反映了各因子对值即冬小麦长势的解释力大小。值均＜0.1，说明研究范围冬小麦长势变化不受个别因素的主导。得出的值（影响力）及对应的值（显著性）结果如表8所示，每个自变量因子的值对应的值代表了这个因子的显著性，值＜0.05则表示为差异显著，如果值＜0.01，则差异极显著，值越小，就说明某类型量对因变量是有影响的可靠性越高。从结果来看1、2、7、8、10的值都＜0.05，通过置信度5%的假设性检验（表8中*表示通过置信度5%的假设性检验的驱动因子）。值较小可能与尺度效应有关，也从侧面说明，冬小麦的长势是各驱动因子复杂交互作用的结果，从表8分析可知，2018年各因子对研究区冬小麦长势的解释力由大到小的排列顺序为：乡村劳动力资源数>土壤湿度>降水量>气温>日照时间>GDP>人口密度>高程>坡向>坡度>土壤类型，其中解释力较强的因子有乡村劳动力资源数、土壤湿度、降水量、气温、日照时间。

图4 与2018、2019年相比研究区冬小麦4个生育期的长势情况

由于研究范围内种植冬小麦的区域基本上以黄河冲积平原为主，因此高程相差较小，坡度和坡向对于作物的生长也不具有明显的影响；研究区土壤类型主要以潮土为主，土壤类型差异较小，对冬小麦生长影响程度较低；土壤湿度和降水量都和植物生长必需的水分有关，而水分与根系发育息息相关，并且与有机物质的输送具有关系，是冬小麦生长必不可少的因素；温度会影响蒸腾、呼吸等代谢过程，还会影响土壤温度、空气温度，进而影响冬小麦的生长；日照和植物生长的光合作用密切相关，能够促进有机物质的积累。据以往研究表明冬小麦长势与人口密度、GDP等社会经济因子相关性较低，主要与土壤湿度、降水量、气温、日照时间等气候因子相关[16-17,33]，这与本试验得出的结果一致，但由于研究区独特的地理位置导致春季干旱频繁，主要依赖人力进行黄河水灌溉，而灌溉、施肥、防治病虫害等农事活动与乡村从事农业人员有极大的关联，这也间接影响到农作物的长势，随着外出务工人员的增加，从事农业人口数减少，由人类主导的农事活动次数缩减或应对不及时，因此乡村劳动力资源数在某种程度上对冬小麦的长势造成了影响。

交互探测主要体现2个不同因子间对于冬小麦长势的交互作用以及和单因子作用时相比对冬小麦长势变化的影响差异，交互作用结果如图5所示：从图5可以看出，不同因子之间存在双因子增强或非线性增强的交互作用，2个因子叠加的值（影响力）远大于单因子的值（影响力），不存在非线性减弱或相互独立的交互作用，这也侧面证明冬小麦的长势变化是各因素交互作用的复杂结果，不被单因子所主导；乡村劳动力资源数与气温、降水量、土壤湿度、日照时间的交互作用解释力分别为0.055 7、0.058 2、0.066 3、0.051 3，日照时间与气温、降水量、土壤湿度的交互作用解释力分别为0.021 4、0.029 9、0.031 0，土壤湿度与降水量、气温的交互作用解释力分别为0.038 9、0.046 2，平均气温与降水量之间的交互作用解释力为0.026 6。由于坡度坡向等因子未通过显著性检验，故在交互作用中不参与全局的比较，而在横向对比中，坡度、坡向和人口密度分别与乡村劳动力资源数、日照时间、土壤湿度的交互作用影响力较高，高程和土壤类型与乡村劳动力资源数、日照时间、土壤湿度、气温的交互作用影响力较高，GDP与日照时间、土壤湿度、气温、降水量的交互作用影响力较高。在所有通过显著性检验的单因子交互作用结果中，乡村劳动力资源数与土壤湿度的交互作用对冬小麦长势差异的解释力最强，因子间交互作用对冬小麦长势变化的解释力始终大于单因子作用，从而进一步影响了冬小麦的长势差异。

图5 交互探测结果

根据聊城市统计年鉴可知，2018、2019、2020年的乡村劳动力资源数分别为76.48万、72.88万、61.27万人，整体呈下降趋势，从事农业人口数的缩减，导致了农事活动的延迟或次数减少，也间接影响了冬小麦的长势。通过在历史天气（https://richurimo.bmcx.com/）和国家气象科学数据中心（http://www.nmic.cn/）查询2018—2020年冬小麦生育期内逐日的土壤湿度、平均气温、平均降水量、日照时间，计算返青期、起身拔节期、孕穗抽穗期和开花期的平均土壤湿度、平均气温、平均降水量、平均日照时间，根据不同生长时期自然因子的变化情况探究冬小麦的长势变化。根据图6可知，在返青期和起身拔节期，2018年和2019年的土壤湿度、气温、日照时间均小于2020年，虽然2018年降水量在起身拔节期超过了2020年，但通过灌溉以及其他自然因子的共同作用下，使得冬小麦2020年2—3月生长情况较好；在孕穗抽穗期，2018年和2019年的土壤湿度、降水量、气温、日照时间均大于2020年，所以2020年4月中上旬的冬小麦长势不如往年好；在开花期，2020年自然生长条件整体较好，与2019年和2018年相比大部分都长势持平，但2020年与2019年相比，长势较差的比长势较好的多13.6%，应该是由于在孕穗抽穗期，长势较差的冬小麦过多，虽然在开花期的生长环境有所缓解，但因为孕穗抽穗期是冬小麦生长的关键期，所以部分冬小麦长势较差。

图6 不同年份同时期自然因子变化情况

4 讨论

冬小麦作为研究区主要粮食作物之一，其长势结果可能影响到粮食作物的产量进而威胁国家安全。孙丽等[10]、周柯等[17]采用MODIS影像进行大区域的冬小麦长势监测，本文由于研究区较小且Sentinel-2部分影像质量较差，故使用分辨率为16 m的GF-1和GF-6影像对2020年冬小麦进行长势监测，结果发现，在冬小麦生育后期与其他年份相比长势持平面积占比达到75%以上，与以往研究结论一致，即在冬小麦的生长后期长势大部分与往年持平。

对于植物生长驱动机制的研究，有研究[38-39]通过探究气温、降水量、坡度、坡向等气候因子和GDP、人口密度等社会经济因子对植物生长情况的影响，得出气候因子对植物生长占据主导作用的结论。本文利用地理探测器对冬小麦长势变化进行了因子探测和交互探测，除上述因子，增加了与冬小麦长势密切相关的土壤湿度和乡村劳动力资源数2个因子，系统分析了冬小麦长势变化的外界驱动因素，得出了人类活动对冬小麦影响较大，但依然以气候因素为主的结论，这与以往研究得出的结论保持一致。同时，地理探测器能够从因子间交互作用进一步地探讨冬小麦长势变化的空间异质性，弥补了传统方法的不足。

本文基于不同年份同时期的差值结果，探讨了2020年冬小麦的长势情况，并利用地理探测器定量解释了驱动因子对于冬小麦长势差异的影响程度，为相关决策提供了数据支撑与建议[38]。在研究方法上仍存在使用Sentinel-2影像进行冬小麦面积提取，导致其他植被误分为冬小麦的问题，针对这一问题在未来的研究中可以利用雷达影像和含有热红外波段的影像进行数据融合，并采用多种分类算法结合的方式以提高分类的准确性。另外由于研究区面积较小，且驱动因子栅格影像空间分辨率过低，造成尺度效应，导致值偏低，在后续的研究中，可以尝试使用气象站数据进行插值处理，以改善栅格的空间分辨率较低的问题，提高研究结果的精确度，以便更好地服务于现代化农业建设。

5 结论

1）2018—2020年冬小麦种植面积分别为2 157.37、2 143.10、2 115.96 km2，且主要种植于研究区的中北部地区，通过对比分析3 a的冬小麦面积变化情况，整体呈现出逐年下降的趋势。

2）2018—2020年冬小麦长势变化情况较大，其中2018年冬小麦在各生育期长势变化最大，2019年后期与2020年前期长势较好，2019年前期与2020年后期长势较差，而在2018—2020年的开花期，大部分研究区域内冬小麦长势变化基本持平。

3）2018年影响冬小麦长势的各因子进行因子探测的大小结果为：乡村劳动力资源数>土壤湿度>降水量>气温>日照时间>GDP>人口密度>高程>坡向>坡度>土壤类型，冬小麦的长势变化是一种复杂的因子交互作用的结果，也从侧面证明了冬小麦长势受到多因素共同作用。

[1] SONG Yang, WANG Jing. Mapping winter wheat planting area and monitoring its phenology using Sentinel-1 backscatter time series[J]. Remote Sensing, 2019, 11(4): 449.

[2] WANG Lijuan, ZHANG Guimin, WANG Ziyi, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in China[J]. Remote Sensing, 2019, 11(7): 809.

[3] DONG Jie, FU Yangyang, WANG Jingjing, et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data, 2020, 12(4): 3 081-3 095.

[4] QIU Lin, SUN Genyun, ZHANG Aizhu, et al. Winter wheat phenology extraction based on dense time series of senyinel-1A data[C]//IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2020: 5 262-5 265.

[5] YANG Aixia, ZHONG Bo, WU Jinhua. Monitoring winter wheat in Shandong Province using Sentinel data and Google Earth Engine platform[C]//International Workshop on the Analysis of Multitemporal Remote Sensing Images (MultiTemp). IEEE, 2019: 1-4.

[6] CHENG Tao, YANG Zhengwei, INOUE Yoshio, et al. Preface: Recent advances in remote sensing for crop growth monitoring[J]. Remote Sensing, 2016, 8(2): 116.

[7] SHARABIANI V R, KASSAR F H, GILANDEH Y A, et al. Application of soft computing methods and spectral reflectance data for wheat growth monitoring[J]. Iraqi Journal of Agricultural Science, 2019, 50(3): 1 064-1 076.

[8] DU M M, NOGUCHI N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system[J]. Remote Sensing, 2017, 9(3): 289.

[9] BOORI M S, CHOUDHARY K, KUPRIYANOV A V. Crop growth monitoring through Sentinel and Landsat data based NDVI time-series[J]. Компьютерная Оптика, 2020, 44(3): 409-419.

[10] 孙丽, 王蔚丹, 陈媛媛, 等. 2019年美国冬小麦长势遥感监测分析[J].安徽农业科学, 2020, 48(1): 241-244.

SUN Li, WANG Weidan, CHEN Yuanyuan, et al. Analysis of winter wheat growth of United States with remote sensing data in 2019[J]. Journal of Anhui Agricultural Sciences, 2020, 48(1): 241-244.

[11] 牛鲁燕, 蒋风伟, 张俊丽, 等. 基于无人机多光谱遥感的小麦长势监测研究[J]. 山东农业科学, 2021, 53(3): 139-145.

NIU Luyan, JIANG Fengwei, ZHANG Junli, et al. Study on wheat growth monitoring based on UAV multi-spectrum[J]. Shandong Agricultural Sciences, 2021, 53(3): 139-145.

[12] 李炳军, 王天慧. 冬小麦不同生长阶段气象因素对产量影响的双重量化分析[J]. 麦类作物学报, 2018, 38(4): 487-492.

LI Bingjun, WANG Tianhui. Double quantification analysis of the effect of meteorological factors on yield in winter wheat at different growth stages[J]. Journal of Triticeae Crops, 2018, 38(4): 487-492.

[13] 郑润桥, 费良军, 介飞龙, 等. 区域灌溉需水量时空变化特征及其影响因素研究：以鲁西北地区为例[J]. 灌溉排水学报, 2022, 41(4): 84-92.

ZHENG Runqiao, FEI Liangjun, JIE Feilong, et al. Spatiotemporal variation in crop demand for irrigation water and its determinants: Take Northwest Shandong Province as an example[J]. Journal of Irrigation and Drainage, 2022, 41(4): 84-92.

[14] 花佳程, 朱永华, 王振龙, 等. 淮北平原冬小麦作物系数的变化规律研究[J].灌溉排水学报, 2021, 40(2): 118-124.

HUA Jiacheng, ZHU Yonghua, WANG Zhenlong, et al. Spatiotemporal variation of crop coefficient of winter wheat in Huaibei plain[J]. Journal of Irrigation and Drainage, 2021, 40(2): 118-124.

[15] 童威, 郎丰铠. 基于地理探测器的武汉市土地利用变化及其驱动机制探讨[J]. 水利水电技术(中英文), 2021, 52(4): 45-56.

TONG Wei, LANG Fengkai. Geodetector-based analysis on land-use variation and its driving force in Wuhan[J]. Water Resources and Hydropower Engineering, 2021, 52(4): 45-56.

[16] 陈实. 中国北部冬小麦种植北界时空变迁及其影响机制研究[D]. 北京: 中国农业科学院, 2020.

CHEN Shi. The spatiotemporal shift of the northern limit of winter wheat in Northern China and its influence mechanism[D]. Beijing: Chinese Academy of Agricultural Sciences, 2020.

[17] 周珂, 柳乐, 张俨娜, 等. GEE支持下的河南省冬小麦面积提取及长势监测[J]. 中国农业科学, 2021, 54(11): 2 302-2 318.

ZHOU Ke, LIU Le, ZHANG Yanna, et al. Area extraction and growth monitoring of winter wheat in Henan Province supported by google earth engine[J]. Scientia Agricultura Sinica, 2021, 54(11): 2 302-2 318.

[18] 雷海梅. 基于多源遥感数据的黑龙港流域主要农作物分类研究[D].邯郸: 河北工程大学, 2021.

LEI Haimei. Research on the classification of main crops in Heilonggang watershed based on multi-source remote sensing data[D]. Handan: Hebei University of Engineering, 2021.

[19] 魏梦凡. 基于Sentinel-2A卫星遥感影像的开封市冬小麦种植面积提取技术研究[D]. 开封: 河南大学, 2019.

WEI Mengfan. Research on extraction technology of winter wheat planting area in Kaifeng City based on Sentinel-2A satellite remote sensing image[D]. Kaifeng: Henan University, 2019.

[20] 王军邦, 叶辉. 2000—2018年全国1km每8天精细格网化气象数据空间插值数据集[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

WANG Junbang, YE Hui. 2000—2018 National 1km every 8-day fine gridded meteorological data spatial interpolation dataset[DB/OL]. http://www.nesdc.org.cn/, 2021-06-20, 2022-04-03.

[21] MENG Xiangjin, MAO Kebiao, MENG Fei, et al. A fine-resolution soil moisture dataset for China in 2002—2018[J]. Earth System Science Data, 2021, 13(7): 3 239-3 261.

[22] 聊城市统计局, 国家统计局聊城调查队. 聊城统计年鉴-2019[M]. 北京: 中国统计出版社, 2019.

[23] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[24] 雷震. 随机森林及其在遥感影像处理中应用研究[D]. 上海: 上海交通大学, 2012.

LEI Zhen. Random forest and its application in remote sensing image processing[D]. Shanghai: Shanghai Jiao Tong University, 2012.

[25] 刘毅, 杜培军, 郑辉, 等. 基于随机森林的国产小卫星遥感影像分类研究[J]. 测绘科学, 2012, 37(4): 194-196.

LIU Yi, DU Peijun, ZHENG Hui, et al. Classification of China small satellite remote sensing image based on random forests[J]. Science of Surveying and Mapping, 2012, 37(4): 194-196.

[26] 李长春, 陈伟男, 王宇, 等. 基于多源Sentinel数据的县域冬小麦种植面积提取[J]. 农业机械学报, 2021, 52(12): 207-215.

LI Changchun, CHEN Weinan, WANG Yu, et al. Extraction of winter wheat planting area in county based on multi-sensor Sentinel data[J]. Transactions of the Chinese Society for of Agricultural Machinery, 2021, 52(12): 207-215.

[27] VAN DER LINDEN S, RABE A, HELD M, et al. The EnMAP-box—a toolbox and application programming interface for EnMAP data processing[J]. Remote Sensing, 2015, 7(9): 11 249-11 266.

[28] 程永政. 多尺度农作物遥感监测方法及应用研究[D]. 郑州: 解放军信息工程大学, 2009.

CHENG Yongzheng. The study on the methods for multi-scale crop monitoring by remote sensing[D]. Zhengzhou: PLA Information Engineering University, 2009.

[29] 吴素霞, 毛任钊, 李红军, 等. 中国农作物长势遥感监测研究综述[J].中国农学通报, 2005, 21(3): 319-322, 345.

WU Suxia, MAO Renzhao, LI Hongjun, et al. Review of crop condition monitoring using remote sensing in China[J]. Chinese Agricultural Science Bulletin, 2005, 21(3): 319-322, 345.

[30] 吴炳方, 张峰, 刘成林, 等. 农作物长势综合遥感监测方法[J]. 遥感学报, 2004, 8(6): 498-514.

WU Bingfang, ZHANG Feng, LIU Chenglin, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498-514.

[31] SKAKUN S, FRANCH B, VERMOTE E, et al. Winter wheat yield assessment using landsat 8 and sentinel-2 data[C]//IGARSS 2018—2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018: 5 964-5 967.

[32] MATTON Nicolas, CANTO Guadalupe Sepulcre, WALDNER François, et al. An automated method for annual cropland mapping along the season for various globally-distributed agrosystems using high spatial and temporal resolution time series[J]. Remote Sensing, 2015, 7(10): 13 208-13 232.

[33] 尹捷, 周雷雷, 李利伟, 等. 多源遥感数据小麦识别及长势监测比较研究[J]. 遥感技术与应用, 2021, 36(2): 332-341.

YIN Jie, ZHOU Leilei, LI Liwei, et al. A comparative study on wheat identification and growth monitoring based on multi-source remote sensing data[J]. Remote Sensing Technology and Application, 2021, 36(2): 332-341.

[34] WANG Jinfeng, LI Xinhu, CHRISTAKOS George, 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.

[35] 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.

WANG Jinfeng, XU Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.

[36] 李昊儒, 毛丽丽, 梅旭荣, 等. 近30年来我国粮食产量波动影响因素分析[J]. 中国农业资源与区划, 2018, 39(10): 1-10, 16.

LI Haoru, MAO Lili, MEI Xurong, et al. Analysis on influencing factors of grain production fluctuation during the last 30 years in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(10): 1-10, 16.

[37] 邵云, 李静雅, 马冠群, 等. 基于长期定位的无机有机肥配施对土壤养分和小麦籽粒产量及品质的影响[J]. 河南师范大学学报(自然科学版), 2022, 50(3): 126-134.

SHAO Yun, LI Jingya, MA Guanqun, et al. Effects of combined application of organic and inorganic fertilizers on soil nutrients, wheat grain yield and quality based on long-term location[J]. Journal of Henan Normal University (Natural Science Edition), 2022, 50(3): 126-134.

[38] 张思源, 聂莹, 张海燕, 等. 基于地理探测器的内蒙古植被NDVI时空变化与驱动力分析[J]. 草地学报, 2020, 28(5): 1 460-1 472.

ZHANG Siyuan, NIE Ying, ZHANG Haiyan, et al. Spatiotemporal variation of vegetation NDVI and its driving forces in Inner Mongolia based on geodetector[J]. Acta Agrestia Sinica, 2020, 28(5): 1 460-1 472.

[39] 林妍敏, 李文慧, 南雄雄, 等. 基于地理探测器的宁夏贺兰山植被覆盖度时空分异及驱动因子[J]. 应用生态学报, 2022, 33(12): 3 321-3 327.

LIN Yanmin, LI Wenhui, NAN Xiongxiong,et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3 321-3 327.

Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-Resolution Satellite Imagery

WANG Le1, FAN Yanguo1*, FAN Bowen2, WANG Yong3

(1. China University of Petroleum (East China), Qingdao 266580, China;2. Harbin Engineering University, Harbin 150001, China; 3. Yantai Geographic Information Center, Yantai 264000, China)

【Objective】Winter wheat is the second-largest stable crop in China and comprehending its growth and the factors affecting it on a large scale is crucial for food security. This paper aims to investigate the feasibility of using satellite imagery to accomplish this objective.【Method】The study is based on Sentinel-2 images. The spatial distribution of winter wheat planted from 2018 to 2020 in the studied region was extracted using the random forest method, which were then used to analyze the changes in wheat growth in rejuvenation, jointing, pregnant ear pumping, and flowering stages in each year. For comparison, we divided the growth into health growth, normal growth and poor growth. Wheat growth was linked to 11 abiotic and geographic factors, including temperature, precipitation, slope of the lands, slope aspect, elevation, soil type, soil moisture, sunshine time, population density, rural labor resources and GDP.【Result】Compared with 2018—2019, wheat in 2020 grew better during the greening and jointing stages in more than 90% of the studied area, but worse in the pregnant ear pumping stage in more than 20% of the studied area. Wheat growth was normal during the flowering stage in 80% of the studied area. The factors which affect winter wheat growth were ranked in the following order based on their significance: rural labor resources> soil moisture> precipitation> temperature> sunshine time. It was also found that the interaction between different factors in their impact on wheat growth is manifested as a bifold or nonlinear enhancement.【Conclusion】The change in winter wheat growth in the studied region is due to the complex interplay of multiple factors.

winter wheat; area extraction; growth monitoring; geographic detector; Weishan Irrigation District

王乐, 樊彦国, 樊博文, 等. 基于高分卫星的冬小麦长势监测及驱动因素分析[J]. 灌溉排水学报, 2023, 42(5): 24-32, 51.

WANG Le, FAN Yanguo, FAN Bowen, et al. Monitoring Winter Wheat Growth and Analyzing Its Determinants Using High-resolution Satellite Imagery[J]. Journal of Irrigation and Drainage, 2023, 42(5): 24-32, 51.

2022-05-16

国家自然科学青年基金项目（42106215）；山东省自然科学青年基金项目（ZR202103030691）

王乐（1998-），女。硕士研究生，主要从事农业水利遥感研究。E-mail: z20160092@s.upc.edu.cn

樊彦国（1965-），男。教授，博士，主要从事地理信息研究。E-mail: ygfan@upc.edu.cn

1672 - 3317（2023）05 - 0024 - 10

S127

A

10.13522/j.cnki.ggps.2022268

责任编辑：赵宇龙