基于物候信息图谱的耕地种植模式遥感监测方法

2024-03-08陶建斌王昀张馨月姜启樾吴文斌

中国农业科学 2024年4期

陶建斌，王昀，张馨月，姜启樾，吴文斌

1华中师范大学城市与环境科学学院/地理过程分析与模拟湖北省重点实验室，武汉430079；2中国农业科学院农业资源与农业区划研究所/北方干旱半干旱耕地高效利用全国重点实验室，北京 100081

【目的】种植模式是作物种植的前后茬顺序的概括，反映耕地资源的利用方式和效率。本研究通过分析不同种植模式的物候特征，构建江汉平原地区的耕地物候信息图谱和种植模式谱，并实现该地区主要种植模式的提取。【方法】在地学信息图谱理论支持下，根据农作物种植的先验知识和不同种植模式所表现的物候差异，将植被指数变化过程和耕地利用方式的空间差异进行图谱合一的表达，组成包含耕地不同利用方式的耕地物候信息图谱；以江汉平原地区的主要种植模式为例，将关键物候期植被指数的状态进行排列组合，建立植被指数状态到种植模式的信息重映射规则，并在此基础上根据农作物特有的物候知识进行物候特征挖掘，进行江汉平原地区种植模式谱的构建；进而利用朴素贝叶斯网络融合关键物候期影像和物候知识实现江汉平原种植模式的提取。采用基于知识概率编码的方法，对关键物候期的植被指数状态进行定量表达。【结果】构建了江汉平原地区的种植模式谱，发现江汉平原地区的种植模式谱由8种种植模式构成：春单季、夏单季、春夏双季、夏秋双季、双季稻、经济作物、鱼塘、苗木或撂荒。提出的种植模式谱及基于朴素贝叶斯网络的种植模式提取方法能够准确地提取出所有种植模式，并具有良好的精度和适用性。江汉平原地区在研究时段内呈现显著的夏秋双季扩张，以及春夏双季和夏单季减少的趋势。【结论】种植模式谱全面反映了江汉平原地区种植模式的总体特征，提升了耕地利用方式监测的准确度，丰富了耕地资源利用方式的内涵。本文方法得到的种植模式分布图可以作为作物制图的基础底图数据，也是种植强度制图的重要依据。

物候信息图谱；种植模式；种植模式谱；贝叶斯网络；江汉平原

0 引言

【研究意义】种植模式是作物种植的前后茬顺序的概括，如复种和轮作[1]，其反映了耕地资源的利用方式和效率，对国家粮食安全和农业土地系统的可持续发展产生直接影响。20世纪80年代以来，由于城镇化和市场经济快速发展，我国很多地区种植“双改单”、耕地撂荒现象日益普遍，种植模式发生了深刻的变化[2-3]。近年来，粮食生产实现规模化经营的同时，耕地“非农化”“非粮化”现象也日益突出[4-5]。利用卫星遥感技术及时准确地掌握区域农作物种植模式及其时空动态变化信息，对于农业可持续发展、实现粮食安全和生态安全的权衡协同具有重要现实意义。【前人研究进展】在耕地利用方式遥感监测方面，已有研究主要集中在作物制图或种植结构监测。作物制图往往局限于单一类型[6-10]或者特定类型但是种植结构单一的地区[11-15]。在农作物种植模式时空分布制图方面已经有一些有价值的探索[16]，但还不够充分。有关作物之间在时空上的组合关系，即复种、轮作的研究还比较缺乏。同时，耕地利用方式监测常用的指标是种植频率[17-20]或复种指数[21-25]。种植频率根据遥感时序曲线的峰值特性，将作物种植区分为一季、两季或者三季。在我国南方地区，由于受地块大小的限制、影像时空分辨率以及影像可获得性的约束，大量的种植信息被忽略。如双季种植由于物候期的不同，部分双季种植被识别为单季种植。现有方法不能有效处理物候差异导致的同种种植模式内部差异带来的问题。因此，传统的作物制图和种植结构制图还不能准确全面地反映耕地资源的种植状况和利用方式。地学图谱是既表达地学要素过程又表达空间差异的图谱合一的系统[26]。地学信息图谱是地学图谱和信息技术的结合，能快速汇集数据、提升地学知识发现的效率[27]。【本研究切入点】近年来地学信息图谱广泛应用于土地利用变化的研究[28-29]，但用于种植模式变化的研究尚处于起步阶段。作物的转换其实是一种土地利用变化的特殊形态，包括年际的变化和年内的变化。本文的种植模式指的是作物在年内季节间的变化。季节间的作物转换，伴随着作物的“播种-生长-收获”等周期性的动态变化过程，植被指数状态也出现周期性的变化。因此，选择关键物候期，利用植被指数动态变化特征，构建种植模式谱具有可行性。【拟解决的关键问题】基于此，本文通过分析农作物物候特征，提出耕地物候信息图谱的概念，融合遥感数据和物候知识构建种植模式谱，提高耕地资源利用方式和种植状况监测的准确度。以种植模式复杂的江汉平原地区为应用场景，融合多时相遥感数据，建立种植模式提取方法。

1 研究区域和数据

1.1 研究区域

江汉平原位于湖北省中南部，由长江和汉水冲积而成（图1）。其处于亚热带季风气候区，四季分明，日照充足，雨量充沛。区内地势平坦，整体地势由西北向东南倾斜，水系发达，土壤肥沃，耕地连片，是我国重要的商品粮基地之一[30]。主要农作物包括水稻、冬小麦、冬油菜、大豆、玉米等，主要种植模式为一年一熟和一年两熟。由于地块破碎、河湖分隔等因素，以及长期以来小农经济的影响，种植模式复杂多样。近些年来由于耕地流转的推进，出现了外地资本连片承包耕地的现象，耕地非粮化现象也日益普遍，种植模式变化频繁。

a：数据来源于2017年的FROM-GLC土地覆盖数据；b：数据来自NASA SRTM Digital Elevation 地理高程数据。A—E为5种典型种植模式的验证区

a: The data was sourced from FROM-GLC 2017 land-cover data; b: The data was sourced from NASA SRTM Digital Elevation data. A-E were the five validation areas representing typical cropping patterns

图1 江汉平原的主要土地覆盖类型（a）及采样点（b）

Fig. 1 The major land-cover types (a) and sampling point (b) on the Jianghan Plain

1.2 数据

使用2017—2021年的Sentinel-2多光谱影像作为数据源。Sentinel-2是哨兵系列的高分辨率多光谱成像卫星，由2015年发射的Sentinel-2A和2017年发射的Sentinel-2B两颗卫星组成。Sentinel-2拥有13个光谱波段，幅宽达290 km，空间分辨率分为10、20和60 m 3种，其中红、绿、蓝波段和近红外波段的空间分辨率为10 m。本文使用Google Earth Engine（GEE）平台上的Sentinel-2 Level-2A级地表反射率产品（https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR），该产品经过了大气校正和亚像元级几何精校正。

Sentinel-2影像数据的预处理操作在GEE平台进行。首先，利用s2cloudless算法（https://github.com/ sentinel-hub/sentinel2-cloud-detector），去除云概率大于20%的像元，以减少云和阴影等的干扰。然后通过公式（1）计算2017—2021年时间序列NDVI （Normalized Difference Vegetation Index）数据集。最后对NDVI数据集进行镶嵌、裁剪，并将其重投影至WGS84/UTM zone 49N坐标系下。

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED) （1）

式中，ρNIR为近红外波段的反射率，ρRED为红光波段的反射率。样本数据主要来自实地调查种植模式数据和使用GEE在线影像增扩的数据。样本数据用于获取江汉平原地区种植模式的先验知识并对种植模式提取结果进行精度验证。实地调研从2017年开始，根据区内不同种植模式农作物的季节性特点，在每年春季、夏季和秋季开展3次调研。调研过程中，除使用手机应用程序记录点位种植信息外，同时向当地农民了解该村农作物的复种情况，确保种植模式信息的准确性和完整性。为满足样本的数量要求和确保样本在空间分布上的均匀性，通过叠加农作物同期的GEE影像进行目视解译，对样本点进行增扩。GEE平台的在线影像（https://developers.google.com/earth-engine/datasets）来自卫星影像数据与航拍影像数据的融合，空间分辨率达亚米级，可以满足样本增扩对影像的目视解译要求。使用上述方法于2017—2021年间共采集6 253个样本点，采样点分布如图1-b所示。

2 研究方法

2.1 物候信息图谱

不同的耕地利用方式（含不同种植模式）有其特有的物候节律，体现在时序遥感数据上则是其独特的NDVI曲线。农作物依据其种植模式的不同，峰的个数和出现的位置均不相同。但总体上农作物NDVI曲线在生长季出现峰度较大的峰，在两个生长季的过渡期（或耕作准备期）出现谷值（或NDVI值较低）。

江汉平原地区的第一季作物主要是冬季作物（包括冬油菜和冬小麦），通常在前一年的秋末冬初播种，在3月中旬至4月上旬（作物的第一个生长季，简称GS1）植被指数处于峰值，5月下旬至6月上旬（作物生长季的第一个转换期，简称TG1）收割，同期开始播种第二季，植被指数处于低值。第二季通常是种植水稻或者大豆，生长期通常3个月左右。这一时期光热条件很好，处于植被的生长旺季，在7月中旬至8月上旬（作物的第二个生长季，简称GS2）植被指数处于峰值。这3个物候期都是处于植被的生长旺季，由于不同种植模式的物候差异，耕地的植被指数或者很高（位于峰值），或者很低（处于谷值，两季作物的换茬期或者第二季的耕作准备期），暂且用“高值”或“低值”来对植被指数的状态进行定性描述。所以，选择GS1、TG1、GS2这3个物候期可以表征耕地不同的种植模式。作物的种植主要包括5种模式：春单季、夏单季、春夏双季、夏秋双季、双季稻（详见附录-江汉平原地区作物种植模式的物候历）。为便于对物候特征进行概括，在GEE平台采用中值合成方式计算得到3个物候期的NDVI合成影像。在这3个物候期，不同种植模式具有不同的物候特征。具体而言，春夏双季表现为“V”字型；夏秋双季表现为倒“V”字型；双季稻表现为倒“V”字型（相比夏秋双季，GS2偏高）；春单季表现为反斜杠型；夏单季表现为曲棍型。

在江汉平原地区还存在着大量耕地挖塘养殖的情况。一种是种植经济作物如莲藕等，其生长期比较长，在3月份种植，5月份荷叶已部分覆盖水面，7月份处于生长旺季，9月份趋于成熟。所以在GS1植被指数处于低值，TG1和GS2处于高值，植被指数状态组合表现为倒置的曲棍。另一种情形是用作鱼塘，在3个物候期的值都很低，植被指数状态组合与水体接近，表现为近似“一”字形且振幅较小。

非作物种植在这3个物候期组合上表现出不同于作物的物候特征：种植苗木的耕地或者撂荒地（简称苗木或撂荒），与天然植被的物候特征相似，表现为近似“一”字形且振幅较大；非农化耕地（主要是被建设占用）表现为近似“一”字形且振幅较小。

据此，选择3个关键物候期的合成影像，将植被指数变化过程和土地覆盖分布的空间差异进行图谱合一的表达，组成了包含上述9种利用类型（含不同种植模式）的耕地物候信息图谱（图2）。从2021年的样本数据中随机选择10%的样本并计算其均值来绘制此图。

2.2 种植模式谱

依据地学信息图谱理论，将GS1、TG1、GS2的植被指数的状态（高值或低值）进行排列组合，建立植被指数状态到土地覆盖类型（含种植模式）的信息重映射规则（图3），得到具有8类编码的地物植被指数状态变化信息图谱。但这些变化信息图谱只是理论上的组合，还不能等同于种植模式，需要联系到耕地的物候特征加以选择。根据耕地的物候信息图谱，3个物候期NDVI都很高的组合是苗木或撂荒；3个物候期NDVI都很低的组合是耕地被开挖成鱼塘（因为非农化耕地不是一种种植类型，故在此被排除）；连续两个物候期NDVI都高的情况比较复杂，需要根据具体情况进行分析。事实上，前两个时相NDVI为高值的组合不存在，因为作物的生长季没有那么长；后两个时相NDVI为高值的一般为经济作物。排除以上不可能存在的组合后，在耕地上剩下7种植被指数高低状态组合：“高-高-高”“高-低-高”“高-低-低”“低-高-低”“低-低-高”“低-高-高”“低-低-低”。

结合耕地的物候信息图谱和江汉平原地区作物种植模式的物候历（附录），在GS1-TG1-GS2这3个物候特征组合上，呈现“高-高-高”特征的是苗木或撂荒，呈现“高-低-高”特征的是春夏双季；呈现“高-低-低”特征的是春单季；呈现“低-高-低”特征的是夏秋双季；呈现“低-低-高”特征的是夏单季；呈现“低-高-高”特征的是经济作物；呈现“低-低-低”特征的是鱼塘。

图2 耕地物候信息图谱

图3 信息重映射规则

双季稻作为南方地区特有的一种种植模式，其换茬期比较短，并且在GS2正处于快速生长的阶段，使得GS1-TG1-GS2组合上其物候特征不明显，呈现“低-高-中”的特征，与夏秋双季等存在一定程度的混淆（图4-a）。因此，在原有物候期的基础上增加双季稻的换茬期，即从7月中旬到7月下旬（作物生长季的第二个转换期，简称TG2）和双季稻的第二个生长期，即从8月中旬到9月中旬（简称GS3），以更好地突出双季稻的物候特征。在GS2-TG2-GS3这3个物候特征上，双季稻与夏秋双季等之间具有较好的区分度（图4-b）。

a：不同种植模式和苗木或撂荒在GS1, TG1和GS2上的散点图；b：夏秋双季，双季稻和苗木或撂荒在GS2, TG2和GS3上的散点图

a: For different cropping patterns and trees or abandoned croplands on GS1-TG1-GS2; b: For Summer-and-Autumn double-cropping, double-cropping paddy-rice and trees or abandoned croplands on GS2-TG2-GS3

图4 在不同物候特征组合上的三维散点图

Fig. 4 Three-dimensional scatter points on different combinations of phenological features

为便于目视解译，将3个物候期的NDVI进行假彩色合成显示（图5-a），同时构建各种植类型的三角形RGB彩色空间示意图（图5-b）（将GS1、TG1、GS2的NDVI值分别赋给红（Red）、绿（Green）、蓝（Blue）波段进行色彩合成）。在假彩色合成影像中，每一种种植类型都有其独特的色调特征，并映射到RGB彩色空间中相应的位置（鱼塘在3个物候期的灰度值都较低且饱和度较低，颜色呈黑色或者深灰色，在三角形RGB彩色空间中找不到对应的位置）。具体而言，春单季的红色分量高而绿色和蓝色分量低，所以呈现出红色；夏单季的红色和绿色分量低而蓝色分量高，所以呈现出蓝色；春夏双季的红色和蓝色分量高而绿色分量低，所以呈现品红的颜色；夏秋双季的红色和蓝色分量低而绿色分量高，所以呈现出绿色；双季稻的红色和蓝色分量低而绿色分量高，所以呈现出绿色；经济作物的红色分量低而和绿色和蓝色分量高，所以呈现出青色；鱼塘的3个分量都很低，所以呈现黑色；苗木或撂荒的3个颜色分量都很高，蓝色和绿色分量更高，所以呈现出青色偏白的颜色。

根据不同种植模式所表现的物候差异和实地调研的先验知识，发现江汉平原地区的种植模式谱由8种种植模式构成：春单季、夏单季、春夏双季、夏秋双季、双季稻、经济作物、鱼塘、苗木或撂荒。

2.3 种植模式的贝叶斯建模

融合关键物候期的遥感影像和作物物候的先验知识，利用朴素贝叶斯网络模型来拟合种植模式和关键物候期特征之间的非线性关系，进行种植模式谱的合成。贝叶斯网络模型的构建分为网络结构确定和网络参数学习两个步骤。将5个关键物候期的特征作为子节点，种植模式作为父节点，基于朴素贝叶斯网络的条件独立性假设构建贝叶斯网络的网络结构，确定各节点之间的定性关系（图6）。这5个物候期特征中，GS1、TG1和GS2用于对所有种植模式进行区分，而TG2和GS3仅用于双季稻的识别。分别取5个关键物候期内的NDVI中值作为模型的关键特征变量，对江汉平原地区的种植模式进行提取。

采用基于知识概率编码的方法，定义各子节点的条件概率表（conditional probability table，CPT），对关键物候期的植被指数状态进行定量表达。首先对各节点变量进行离散化处理，将特征节点以0.1为间隔分为10个等级；将种植模式节点设置为春单季、夏单季、春夏双季、夏秋双季、双季稻和“其他”这6种状态（在进行种植模式提取时，只关注农作物种植这5种模式，而将经济作物、鱼塘、苗木或撂荒并入“其他”类型）。然后将不同种植模式在关键物候窗口内的物候特征差异作为先验知识，突出不同种植模式在各物候期上所呈现的“高”“低”状态，结合少量样本，手动填写CPT。由于TG2和GS3只用来提取双季稻，因而这两个节点只填写双季稻的CPT，而忽略其他类型（表1）。

a：3个物候期假彩色合成影像（GS1-TG1-GS2）；b：三角形RGB彩色空间

a: The false color composite image of three phenological periods (GS1-TG1-GS2); b: Triangular RGB color space

图5 江汉平原种植模式谱

Fig. 5 Cropping pattern spectrum on the Jianghan Plain

CP：表示种植模式节点。SingleSpring：春单季；SingleSummer：夏单季；DoubleSpringSummer：春夏双季；DoubleSummerAutumn：夏秋双季；DoubleCroppingRice：双季稻。GS1、TG1、GS2、TG2和GS3分别表示关键物候期特征

CP: Represents cropping pattern node. SingleSpring: Spring single-cropping; SingleSummer: Summer single-cropping; DoubleSpringSummer: Spring-and- Summer double-cropping; DoubleSummerAutumn: Summer-and-Autumn double-cropping; DoubleCroppingRice: Double-cropping paddy-rice. GS1, TG1, GS2, TG2 and GS3 represent the features of the key phenological periods respectively

图6 种植模式提取的贝叶斯网络模型

Fig. 6 Bayesian Network model for cropping patterns mapping

表1 子节点的概率图谱

作物NDVI处于谷值，即耕地处于两季作物的换茬期或者第二季的耕作准备期时，耕地以土壤背景为主，NDVI通常为0.1—0.3。作物处于生长旺季时，NDVI处于峰值，通常为0.5—0.8。基于这一规律对植被指数的状态（“高值”或“低值”）进行量化表达（图7）。

图7 植被指数状态的知识概率编码示意图

在参数确定后，模型被完全定义，具有了推理能力。当给定某些节点的概率分布时，贝叶斯网络能自动计算其他节点的后验概率。假设指定种植模式为“春夏双季”，通过模型的正向推理，可以看到所有子节点的概率分布相应地发生了变化。其中GS1-TG1-GS2这3个特征呈现出“高-低-高”的特征，与前面对物候特征的分析相符合（图8-a）。同理，假设将GS1-TG1-GS2这3个特征设定为“高-低-高”的特征时，模型也可以进行反向推理，计算出种植模式为“春夏双季”的概率最高（图8-b）。因此，建立的朴素贝叶斯网络模型具有优秀的概率推理和知识表达能力，可以实现物候信息和种植模式之间的双向推理。

在推理阶段，基于各关键物候期的像元值，利用贝叶斯网络的反向推理能力，计算得到该像元在所有种植模式上的后验概率，取最大后验概率所对应的种植模式作为该像元的种植模式。

3 结果

3.1 种植模式提取结果验证

首先采用目视解译的方法，对种植模式的提取结果进行定性评估。典型物候期植被指数假彩色合成影像与种植模式提取结果的对比如图9所示（以2018年5个验证区为例）。在GS1-TG1-GS2这3个物候特征组合上，除了夏秋双季与双季稻略有混淆外，5种种植模式呈现完全不同的高低状态组合，因而合成影像上的色调差异也非常显著。

验证区A—E内主要的种植模式分别为春单季、夏单季、春夏双季、夏秋双季和双季稻。春单季在GS1特征上NDVI为高值，其他两个特征上NDVI均为低值，因而在合成影像上呈现红色（图9-a1，图9-a2）；夏单季在GS2特征上为高值，其他两个特征上为低值，因而夏单季在合成影像上显示为蓝色（图9-b1，图9-b2）；春夏双季在GS1和GS2这两个特征上均为高值，在TG1特征上为低值，因而在合成影像上春夏双季为品红色（图9-c1，图9-c2）；夏秋双季仅在TG1特征上为高值，在GS1和GS2特征上均为低值，因而在合成影像上呈现绿色（图9-d1，图9-d2）；双季稻在GS1上为低值，在TG1上为高值，在GS2上的值介于GS1和TG1的值之间，因而在合成影像上双季稻呈现绿色偏青色的色调（图9-e1，图9-e2）。

a：正向推理，当指定父节点为“春夏双季”时，概率传递到子节点，GS1-TG1-GS2呈现为“高-低-高”的组合特点。由于TG2和GS3节点只对双季稻有效，故此时概率分布无变化；b：反向推理，给定GS1-TG1-GS2的组合为“高-低-高”时，概率传递到父节点，预测种植模式为“春夏双季”的概率最高，达到93.8%

a: Forward inference: when the parent node is specified as "DoubleSpringSummer", the probability is passed to the child node, and GS1-TG1-GS2 changes to a state combination of "high-low-high". Since TG2 and GS3 nodes are only effective for DoubleCroppingRice, its probability does not change at this time. b: Backword inference: when the combination of GS1-TG1-GS2 is specified as "high-low-high", the probability is transferred to the parent node, and the probability of "DoubleSpringSummer" is the highest, reaching 93.8%

图8 贝叶斯网络的正向推理和反向推理

Fig. 8 Forward and backword inference of Bayesian Network

a—e与验证区A—E一一对应；图a1—e1为3个物候特征的假彩色合成影像；图a2—e2为种植模式的提取结果

a-e correspond to the validation areas A-E. a1-e1 are the false-color composite images of the three phenological features; a2-e2 are the cropping pattern maps

图9 验证区物候特征假彩色合成影像与种植模式提取结果的对比

Fig. 9 Comparison between the false color composite images of phenological features and the cropping pattern map in the validation areas

和物候特征假彩色合成影像对比，可以看出种植模式的提取结果和目视观察的5种种植模式的空间分布具有高度的一致性。对所有种植模式，贝叶斯网络模型都能实现较好的提取；而且在地块较破碎的区域（验证区（b）、（d）和（e）），模型也能准确地区分不同的种植模式。

表2—6给出了2017—2021年种植模式提取结果的精度评价结果。总体而言，种植模式的提取精度较高，总体精度（overall accuracy，OA）都在88%以上。就具体的种植模式而言，模型对所有种植模式提取的用户精度和制图精度也都在80%以上，再一次证明了种植模式提取结果的可靠性。

表2 2017年种植模式提取结果的精度评价

表3 2018年种植模式提取结果的精度评价

表4 2019年种植模式提取结果的精度评价

表5 2020年种植模式提取结果的精度评价

表6 2021年种植模式提取结果的精度评价

3.2 种植模式的时空分布

2017—2021年江汉平原地区种植模式的分布如图10所示。总体上来看，夏单季的种植面积最大，春夏双季次之，二者占比之和超过了90%。夏单季广泛分布在江汉平原全域。春夏双季主要分布在江汉平原中东部和西南部的冲积平原上，包括钟祥市、天门市、潜江市、江陵县，以及松滋市、公安县和石首市的北部。夏秋双季、双季稻和春单季的分布少且集中。夏秋双季主要分布在枝江市东南部的方家弓镇、天门市南部的张港镇、钟祥市北部的丰乐镇，以及汉川市杨林沟镇。双季稻主要分布在公安县南部的淤泥湖周边和监利县的黄歇口镇。春单季零星分布于荆州区、石首市和洪湖市的长江岸边。

从时序变化上分析，近5年来江汉平原地区的种植模式存在着夏秋双季的明显扩张，以及夏单季和春夏双季在此消彼长中小幅减少的趋势。具体而言，2017—2021年，夏秋双季在汉川市方家弓镇和天门市张港镇等集中分布的地区种植面积有所减少，但在江汉平原西北部的沙洋县、当阳市以及掇刀区等地扩张趋势显著，增幅达87.8%；夏单季和春夏双季均呈现出在波动中减少的趋势，减幅为5%左右；双季稻和春单季的种植面积总体保持稳定。

4 讨论

本文提出的技术方法的特色在于：（1）将年内作物的转换作为土地覆盖变化的一种特殊形式，将植被指数变化过程和耕地利用方式的空间差异进行图谱合一的表达，组成了包含所有耕地利用方式（含不同作物种植模式）的物候信息图谱；（2）将典型物候期的植被指数的状态（高值或低值）进行排列组合，建立植被指数状态到耕地利用方式（含种植模式）的信息重映射规则，得到了地物植被指数状态变化信息图谱，并在此基础上根据农作物特有的物候知识，从中抽取出种植模式谱。

本文得到的种植模式分布图可以作为作物制图的依据之一。在作物制图中，光谱特征仍然是主要特征，但也存在局限性，如因为物候期不同导致的“同物异谱”现象。在采用分层制图的思路时，种植模式数据可以作为作物制图的基础底图数据。同时，种植模式分布图也是种植强度制图的重要依据。江汉平原地区的种植模式非常复杂，传统的种植强度制图方法因为影像空间分辨率和地块大小的限制，只关注到了部分种植模式。例如，春夏双季和夏秋双季没有进行区分，统称为双季；双季稻部分被识别为单季；春单季被忽略了。而本文提出的种植模式谱，考虑到了所有的种植模式，能够全面、准确地反映江汉平原地区耕地利用的全貌。

图10 江汉平原地区2017—2021年种植模式的空间分布及各种植模式的面积占比

5 结论

本文基于地学信息图谱理论，在对各种形式的耕地利用方式的物候特征进行详尽分析的基础上，提出了物候信息图谱的概念，并选择典型物候期特征，构建了江汉平原地区的种植模式谱。从时序Sentinel-2数据中挖掘了江汉平原地区不同种植模式的典型物候差异，选取出5个关键的物候特征，利用朴素贝叶斯网络模型实现对江汉平原种植模式谱的合成，并分析了2017—2021年种植模式的时空分布特征。结果表明：（1）种植模式谱全面反映了江汉平原地区种植模式的总体特征，提升了种植模式复杂地区耕地利用方式监测的准确度。（2）基于朴素贝叶斯网络和关键物候期的种植模式提取方法，能够准确地提取出所有种植模式，2017—2021年的总体精度均在90%左右。（3）江汉平原地区在2017—2021年间呈现显著的夏秋双季扩张，以及春夏双季和夏单季减少的趋势。这种变化的部分原因是由于耕地流转和外地资本进入导致耕地非粮化（主要是蔬菜和水果种植）等的扩张。

[1] 黄国勤.中国南方耕作制度. 北京: 中国农业出版社, 1997.

HUANG G Q. Farming System in Southern China. Beijing: China Agriculture Press, 1997. (in Chinese)

[2] TAO J B, WU W B, LIU W B. Spatial-temporal dynamics of cropping frequency in Hubei Province over 2001-2015. Sensors, 2017, 17(11): 2622.

[3] 李怡, 方斌, 李裕瑞, 璩路路, 李冬杰. 城镇化进程中耕地多功能权衡/协同关系演变及其驱动机制. 农业工程学报, 2022, 38(8): 244-254.

LI Y, FANG B, LI Y R, QU L L, LI D J. Trade-off and synergy evolution of farmland functions and its dynamic mechanism in the process of urbanization. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(8): 244-254. (in Chinese)

[4] 李欣宇, 方斌, 李怡, 李冬杰, 何莎莎. 中国粮耕价值比与种植结构时空耦合演化及分区调控. 地理学报, 2022, 77(11): 2721-2737.

LI X Y, FANG B, LI Y, LI D J, HE S S. Spatio-temporal coupling evolution and zoning regulation of grain-to-arable value ratio and cropping structures in China. Acta Geographica Sinica, 2022, 77(11): 2721-2737. (in Chinese)

[5] 吴郁玲, 张佩, 于亿亿, 谢锐莹. 粮食安全视角下中国耕地“非粮化”研究进展与展望. 中国土地科学, 2021, 35(9): 116-124.

WU Y L, ZHANG P, YU Y Y, XIE R Y. Progress review on and prospects for non-grain cultivated land in China from the perspective of food security. China Land Science, 2021, 35(9): 116-124. (in Chinese)

[6] QIU B W, JIANG F C, CHEN C C, TANG Z H, WU W B, BERRY J. Phenology-pigment based automated peanut mapping using sentinel-2 images. GIScience & Remote Sensing, 2021, 58(8): 1335-1351.

[7] HU Q, MA Y X, XU B D, SONG Q A, TANG H J, WU W B. Estimating sub-pixel soybean fraction from time-series MODIS data using an optimized geographically weighted regression model. Remote Sensing, 2018, 10(4): 491.

[8] HAN J C, ZHANG Z, LUO Y C, CAO J, ZHANG L L, CHENG F, ZHUANG H M, ZHANG J. AsiaRiceMap10m: High-resolution annual paddy rice maps for Southeast and Northeast Asia from 2017 to 2019. Earth System Science Data Discussions, 2021, 211: 1-27.

[9] 刘文斌, 陶建斌, 徐猛, 陈瑞卿, 郭洋. 基于人工神经网络多源数据融合的子像元冬油菜提取: 以两湖平原为例. 自然资源学报, 2019, 34(5): 1079-1092.

LIU W B, TAO J B, XU M, CHEN R Q, GUO Y. A study of winter rape extraction at sub-pixel fusing multi-source data based on Artificial Neural Networks: a case study of Jianghan and Dongting Lake Plain. Journal of Natural Resources, 2019, 34(5): 1079-1092. (in Chinese)

[10] 杨靖雅, 胡琼, 魏浩东, 蔡志文, 张馨予, 宋茜, 徐保东. 基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析. 中国农业科学, 2022, 55(16): 3093-3109.doi: 10.3864/j.issn.0578-1752. 2022.16.003.

YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. doi: 10.3864/ j.issn.0578-1752.2022.16.003. (in Chinese)

[11] HU Q, YIN H, FRIEDL M A, YOU L Z, LI Z L, TANG H J, WU W B. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates. Remote Sensing of Environment, 2021, 258: 112365.

[12] YOU N S, DONG J W, HUANG J X, DU G M, ZHANG G L, HE Y L, YANG T, DI Y Y, XIAO X M. The 10-m crop type maps in Northeast China during 2017-2019. Scientific Data, 2021, 8: 41.

[13] LUO C, LIU H J, LU L P, LIU Z R, KONG F C, ZHANG X L. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine. Journal of Integrative Agriculture, 2021, 20(7): 1944-1957.

[14] LUO Y C, ZHANG Z, ZHANG L L, HAN J C, CAO J A, ZHANG J. Developing high-resolution crop maps for major crops in the European union based on transductive transfer learning and limited ground data. Remote Sensing, 2022, 14(8): 1809.

[15] BLICKENSDÖRFER L, SCHWIEDER M, PFLUGMACHER D, NENDEL C, ERASMI S, HOSTERT P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment, 2022, 269: 112831.

[16] QIU B W, HU X, CHEN C C, TANG Z H, YANG P, ZHU X L, YAN C, JIAN Z Y. Maps of cropping patterns in China during 2015-2021. Scientific Data, 2022, 9: 479.

[17] WANG Y H, FAN L, TAO R T, ZHANG L T, ZHAO W. Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion. Environmental Science and Pollution Research, 2022, 29(9): 12661-12679.

[18] YAN H M, LIU F, QIN Y W, NIU Z E, DOUGHTY R, XIAO X M. Tracking the spatio-temporal change of cropping intensity in China during 2000–2015. Environmental Research Letters, 2019, 14(3): 035008.

[19] LIU L, XIAO X M, QIN Y W, WANG J, XU X L, HU Y M, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624.

[20] LIU X X, ZHENG J P, YU L, HAO P Y, CHEN B, XIN Q C, FU H H, GONG P. Annual dynamic dataset of global cropping intensity from 2001 to 2019. Scientific Data, 2021, 8: 283.

[21] XIE H L, LIU G Y. Spatiotemporal differences and influencing factors of multiple cropping index in China during 1998-2012. Journal of Geographical Sciences, 2015, 25(11): 1283-1297.

[22] 李宇, 邱炳文, 何玉花, 陈功, 叶智燕. 基于MODIS数据的2001—2018年中国耕地复种指数反演研究. 地理科学进展, 2020, 39(11): 1874-1883.

LI Y, QIU B W, HE Y H, CHEN G, YE Z Y. Cropping intensity based on MODIS data in China during 2001-2018. Progress in Geography, 2020, 39(11): 1874-1883. (in Chinese)

[23] ESTEL S, KUEMMERLE T, LEVERS C, BAUMANN M, HOSTERT P. Mapping cropland-use intensity across Europe using MODIS NDVI time series. Environmental Research Letters, 2016, 11(2): 024015.

[24] CHEN B. Globally increased crop growth and cropping intensity from the long-term satellite-based observations. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018, IV-3: 45-52.

[25] 冀正欣, 王秀丽, 李玲, 关小克, 蔚霖, 许月卿. 南阳盆地区耕地利用效率演变及其影响因素. 自然资源学报, 2021, 36(3): 688-701.

JI Z X, WANG X L, LI L, GUAN X K, YU L, XU Y Q. The evolution of cultivated land utilization efficiency and its influencing factors in Nanyang Basin. Journal of Natural Resources, 2021, 36(3): 688-701. (in Chinese)

[26] 陈述彭. 地学信息图谱刍议. 地理研究, 1998, 17(增刊): 5-8.

CHEN S P. On the map of geo-science information. Geographical Research, 1998,17(Suppl.): 5-8. (in Chinese)

[27] 杨存建. 地学信息图谱思想与实践探索. 地球信息科学学报, 2020, 22(4): 697-704.

YANG C J. The idea of geo-information tupu and its practices. Journal of Geo-Information Science, 2020, 22(4): 697-704. (in Chinese)

[28] 唐常春, 李亚平. 多中心城市群土地利用/覆被变化地学信息图谱研究: 以长株潭城市群为例. 地理研究, 2020, 39(11): 2626-2641.

TANG C C, LI Y P. Geo-information Tupu process of land use/cover change in polycentric urban agglomeration: a case study of Changsha- Zhuzhou-Xiangtan urban agglomeration. Geographical Research, 2020, 39(11): 2626-2641. (in Chinese)

[29] 张韵, 彭建东, 王晶晶, 杨红. 基于地学信息图谱的江汉平原土地利用时空变化分析. 水土保持研究, 2020, 27(4): 85-92, 2.

ZHANG Y, PENG J D, WANG J J, YANG H. Analysis on spatial and temporal change of land use in Jianghan plain based on geo-information atlas. Research of Soil and Water Conservation, 2020, 27(4): 85-92, 2. (in Chinese)

[30] 刘卫东. 江汉平原土地类型与综合自然区划. 地理学报, 1994, 49(1): 73-83.

LIU W D. Land types and comprehensive physical regionalization in the Jianghan plain. Acta Geographica Sinica, 1994, 49(1): 73-83. (in Chinese)

Remote Sensing Monitoring of Cropping Patterns Based on Phenology Information Atlas

1College of Urban and Environmental Sciences, Central China Normal University/Key Laboratory for Geographical Process Analysis & Simulation of Hubei Province, Wuhan 430079;2Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Beijing 100081

【Objective】 Cropping patterns are a summary of crop sequence which reflects the use patterns and efficiency of cropland resources. Through analyzing the phenological differences of different cropping patterns, the cropland phenology information atlas and cropping pattern spectrum for croplands on the Jianghan Plain were constructed, and the major cropping patterns in this area were mapped. 【Method】 The cropland phenology information atlas including different cropland use patterns was formed through expressing graphically the spatial difference between vegetation index states and cropland use patterns, according to the prior knowledge of crop planting and the phenological differences of different cropping patterns under the framework of geo-information atlas. Taking the major cropping patterns on the Jianghan Plain as the study cases, the vegetation index states in the key phenological periods were arranged and combined to establish the information remapping rule from the vegetation index states to the cropping patterns, their phenological characteristics were explored, and the cropping pattern spectrum was constructed. Then the data during the key phenological periods and phenological knowledge were integrated to map cropping patterns on the Jianghan Plain by using the Naive Bayes Networks. The vegetation index states of the key phenological periods were quantitatively expressed by using the knowledge probability coding method.【Result】The cropping pattern spectrum on the Jianghan Plain was constructed, and it was found that the cropping pattern spectrum on the Jianghan Plain was composed of eight cropping patterns: Spring single-cropping, Summer single-cropping, Spring-and-Summer double-cropping, Summer-and-Autumn double-cropping, double-cropping paddy-rice, cash crops, aquaculture ponds, trees or abandoned croplands. The results showed that the proposed cropping pattern spectrum and the method of mapping cropping patterns based on the key phenological periods and the Naive Bayesian Networks could extract all cropping patterns accurately, at the same time, which had good performance and suitability. There was a significant trend of the expansion of Summer-and-Autumn double-cropping and the shrink of Spring-and-Summer double-cropping and the Summer single-cropping on the Jianghan Plain during the study period.【Conclusion】The cropping pattern spectrum gave a picture of the overall situation of intensive utilization of croplands on the Jianghan Plain, for improving the accuracy of monitoring the use of croplands and enriching the connotation of the use of cropland resources.

phenology information atlas; cropping pattern; cropping pattern spectrum; Bayesian Network; the Jianghan Plain