徐 猛，陶建斌，吳琪凡

（地理過程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室/華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北武漢430079）

0 引言

農(nóng)業(yè)生產(chǎn)是人類社會存在和發(fā)展的基石，耕地是進(jìn)行農(nóng)業(yè)生產(chǎn)的基本資源和條件。隨著我國城市化迅速發(fā)展，每年約有20萬hm2耕地被轉(zhuǎn)化為建設(shè)用地［1-3］。同時，隨著人口持續(xù)增長、飲食結(jié)構(gòu)改變和非食物用途（如生物能源）農(nóng)產(chǎn)品消耗的增加，人類對農(nóng)產(chǎn)品的需求不斷增長。2015年末全國人口為13.75億，預(yù)計(jì)到2030年全國人口將增加至14.5億［4］，增長5.45%，而同時期糧食需求將增長47.19%，達(dá)到9.17億t［5］。如何緩解日益加劇的人地矛盾，是國際社會普遍關(guān)注的焦點(diǎn)問題。在耕地面積減少、糧食需求持續(xù)增長和部分耕地質(zhì)量惡化等多重壓力下［6］，耕地集約利用成為保障國家糧食安全的重要選項(xiàng)。同時，由于城市化快速發(fā)展對農(nóng)業(yè)勞動力的虹吸效應(yīng)，以及市場經(jīng)濟(jì)的發(fā)展對農(nóng)民種糧收益的沖擊，部分地區(qū)農(nóng)作物種植頻率呈現(xiàn)下降趨勢（表現(xiàn)為耕地撂荒和冬閑田）。因此，耕地的集約利用成為解決未來世界糧食安全的重要途徑，引起學(xué)界和業(yè)界的廣泛關(guān)注。

當(dāng)前，國內(nèi)外研究者多數(shù)將耕地的集約利用定義為種植頻率（單季和雙季等）［7-13］或者復(fù)種指數(shù)［14-20］，也有部分研究者從投入產(chǎn)出、生產(chǎn)管理和技術(shù)角度來對耕地利用強(qiáng)度進(jìn)行定義［21-27］。Kehoe等［23］從輸入、輸出、系統(tǒng)3個測度總結(jié)了現(xiàn)有的對Agricultural Land-use Intensity（簡稱ALI）的定義。Jiang等［24］認(rèn)為ALI通常有3種測度：種植頻率、農(nóng)業(yè)產(chǎn)出、農(nóng)業(yè)投入。然而，無論是種植頻率還是復(fù)種指數(shù)，都是對種植模式的硬性劃分（如單季或雙季）。一方面，盡管各種復(fù)種指數(shù)定義不盡相同，但本質(zhì)上都是種植頻率在空間尺度上的聚合或是時間尺度上的綜合。另一方面，基于統(tǒng)計(jì)數(shù)據(jù)得到的一系列耕地指標(biāo)缺乏詳細(xì)的空間分布信息，忽略了行政區(qū)內(nèi)部耕地集約利用水平的空間異質(zhì)性。因此現(xiàn)有評價(jià)體系存在時、空分辨率上的矛盾，不能滿足耕地集約化利用的精細(xì)評價(jià)的要求。

在國外，很早就有了Cropping Intensity或ALI的概念［28-30］，但卻有許多不同的定義。在對Cropping Intensity進(jìn)行系統(tǒng)梳理的基礎(chǔ)上，文章定義種植強(qiáng)度指數(shù)對耕地集約化利用進(jìn)行精確表征，通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）對時間序列MODIS數(shù)據(jù)與種植強(qiáng)度間的映射關(guān)系進(jìn)行表達(dá)，以湖北省為研究區(qū)進(jìn)行種植強(qiáng)度估算。該文研究方法可獲取高時空分辨率的種植強(qiáng)度數(shù)據(jù)集，對推動作物制圖的進(jìn)一步發(fā)展，提高耕地集約化精細(xì)監(jiān)測具有重要意義，為全球變化過程的分析與模擬提供理論、方法和數(shù)據(jù)支撐。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)

湖北省地處我國中部（東經(jīng)108°21′42″～116°07′50″、北緯29°01′53″～33°6′47″），面積18.59萬km2，約占全國國土面積的1.97%，耕地面積占到全國耕地面積的3.89%。湖北省東、西、北三面環(huán)山，中部低平。除部分山區(qū)外，大部分地區(qū)屬亞熱帶季風(fēng)氣候，光熱充足，降水豐沛。優(yōu)越的自然環(huán)境和悠久的種植傳統(tǒng)使湖北省成為著名的魚米之鄉(xiāng)，其糧油生產(chǎn)在全國占有重要地位。

1.2 數(shù)據(jù)來源及數(shù)據(jù)預(yù)處理

該文采用的主要數(shù)據(jù)包括：（1）MOD13Q1（MODIS/Terra Vegetation Indices 16-Day L3 Global 250 m SIN Grid）250 m分辨率16 d合成的植被指數(shù)數(shù)據(jù)［31］；（2）Landsat 8遙感影像［32］。另外還采用了其他數(shù)據(jù)作輔助，包括Google Earth歷史影像，GlobeLand30 —2010全球30 m空間分辨率土地覆蓋數(shù)據(jù)［33］，中國1∶400萬矢量數(shù)據(jù)集。

MOD13Q1是陸地植被指數(shù)數(shù)據(jù)，具有250 m的空間分辨率和16 d的時間分辨率，在地表植被監(jiān)測領(lǐng)域的應(yīng)用十分廣泛。MOD13Q1數(shù)據(jù)包括增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）、歸一化植被指數(shù)（Normal Differential Vegetation Index，NDVI）、像素質(zhì)量圖層（Pixel Reliability，PR）等12個波段。該文采用2015年MOD13Q1數(shù)據(jù)，研究區(qū)所涉及圖幅編號為h27v05、h27v06、h28v05、h28v06。高分辨率遙感數(shù)據(jù)采用了3期Landsat 8多光譜遙感數(shù)據(jù)（表1），空間分辨率為30 m，重返周期為16 d。該研究中，MOD13Q1數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的輸入特征，Landsat 8遙感數(shù)據(jù)主要用于訓(xùn)練樣本和驗(yàn)證樣本的制作。

圖1 研究區(qū)地理區(qū)位及地物覆蓋類型（GlobeLand30—2010）Fig.1 The location of the study area and the land-cover types（GlobeLand30 —2010）

表1 Landsat 8實(shí)驗(yàn)數(shù)據(jù)詳細(xì)信息Table 1 Landsat 8 experimental data details

數(shù)據(jù)預(yù)處理包括3個部分：（1）利用MODIS批量處理工具（MRT）對MOD13Q1數(shù)據(jù)進(jìn)行預(yù)處理，重采樣至240 m，投影坐標(biāo)選擇WGS_1984_UTM_Zone_49N，提取出EVI圖層，并以Landsat 8影像為基準(zhǔn)對MOD13Q1數(shù)據(jù)進(jìn)行配準(zhǔn)。（2）MOD13Q1數(shù)據(jù)受到云、雪、陰影等諸多因素的影響，原始EVI數(shù)據(jù)存在很多噪聲，需要通過數(shù)學(xué)方法對原始EVI數(shù)據(jù)進(jìn)行重建。TIMESAT是用于平滑長時間序列EVI數(shù)據(jù)的有效工具［34］，提供多種數(shù)據(jù)重建方法，該文采用Savitsky-Golay算法（簡稱S-G濾波算法），這是一種基于最小二乘法的移動窗口加權(quán)平均的數(shù)據(jù)重建方法［35］。S-G濾波算法在去除噪聲的同時，能夠清晰的保留局部細(xì)節(jié)，并且對EVI曲線的峰值和峰寬保真度較高［36］。（3）提取耕地掩膜，對GlobalLand 30 —2010年數(shù)據(jù)產(chǎn)品進(jìn)行投影變換、裁剪、重分類等處理，提取湖北省的耕地掩膜。

2 研究方法

利用神經(jīng)網(wǎng)絡(luò)估算耕地種植強(qiáng)度的基本假設(shè)是：多時相遙感影像的EVI數(shù)據(jù)反映了耕地的利用狀態(tài)，耕地的不同利用狀態(tài)與耕地種植強(qiáng)度之間存在映射關(guān)系。該文將MOD13Q1時間序列EVI數(shù)據(jù)和基于Landsat 8數(shù)據(jù)獲取的樣本區(qū)種植強(qiáng)度分別作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出層，訓(xùn)練網(wǎng)絡(luò)模型，利用該網(wǎng)絡(luò)模型估算整體耕地種植強(qiáng)度。

2.1 種植強(qiáng)度指數(shù)

種植強(qiáng)度指數(shù)是指在亞像元尺度下綜合表征農(nóng)作物的空間分布和種植頻率的指數(shù)，其公式為：

式（1）中，CII為種植強(qiáng)度指數(shù)，Dcrop為1個MODIS像元內(nèi)Landsat 8遙感影像上雙季作物的像元個數(shù)，Scrop為1個MODIS像元內(nèi)Landsat 8遙感影像上單季作物的像元個數(shù)，n為1個MODIS像元內(nèi)Landsat 8遙感影像上的像元總數(shù)。

CII為MODIS像元內(nèi)的種植頻率的均值，值域范圍為0～1（圖2）。在地塊完整的雙季作物種植區(qū)，其種植強(qiáng)度為1或接近于1。在地塊完整的單季作物種植區(qū)，其種植強(qiáng)度為0.5或接近0.5。非耕地區(qū)域的種植強(qiáng)度則為0（忽略研究區(qū)內(nèi)少量的三季作物）。

圖2 耕地種植強(qiáng)度示意圖Fig.2 Diagram of cropping intensity

2.2 樣本種植強(qiáng)度

Landsat 8遙感影像用于樣本區(qū)耕地種植頻率的分類。在種植頻率分類結(jié)果的基礎(chǔ)上采用ArcGIS的分區(qū)統(tǒng)計(jì)與重采樣工具實(shí)現(xiàn)種植頻率的概化工作。

湖北省耕地種植模式主要以單季和雙季為主［37］。單雙季作物的物候期存在較大差異，單季作物生長起始期較晚，大概在每年4月初。雙季作物第1個生長季約在每年1月中下旬開始，在4月中下旬結(jié)束，EVI曲線在第129、145 d處明顯下降（圖3）。以2015年為例，在1—4月的Landsat 8真彩色合成圖像上，單季作物種植區(qū)呈現(xiàn)暗灰色，雙季作物種植區(qū)呈現(xiàn)暗綠色（圖4）。選取MOD13Q1的001、145這2期EVI影像，將001、145、001分別賦予紅、綠、藍(lán)通道，能夠明顯地凸顯出雙季作物種植區(qū)，根據(jù)加色法原理，雙季作物種植區(qū)呈現(xiàn)出品紅色（圖5）。借此結(jié)合Google Earth高清影像以輔助判讀Landsat 8遙感影像的非監(jiān)督分類結(jié)果。樣本區(qū)的選擇應(yīng)包括耕地、水體、天然植被、建設(shè)用地、裸地等多種地物類型，且面積不應(yīng)小于研究區(qū)面積的15%，以增強(qiáng)模型的魯棒性和泛化性。該文采用非監(jiān)督分類ISODATA分類方法對樣本區(qū)Landsat 8遙感影像進(jìn)行分類，初始類數(shù)量為20類，迭代次數(shù)為15次。然后將初始分類結(jié)果重分類為雙季作物、單季作物和其它3類。借助ArcGIS創(chuàng)建240 m的格網(wǎng)，分區(qū)統(tǒng)計(jì)每個網(wǎng)格單元內(nèi)種植頻率的平均值，得到每個網(wǎng)格單元的種植強(qiáng)度，值域?yàn)?～1（圖6）。

圖3 湖北省耕地單季作物與雙季作物時間序列EVI曲線Fig.3 EVI profiles of single cropping crops and double cropping crops of cropland in Hubei Province

圖4 2015年湖北省耕地單季作物與雙季作物典型分布區(qū)Fig.4 Typical distribution areas of single cropping crops and double cropping crops of cropland in Hubei Province in 2015

圖5 2015年湖北省耕地MOD13Q1 EVI假彩色合成Fig.5 False color composite of MOD13Q1 EVI of cropland in Hubei Province in 2015

圖6 基于Landsat 8影像的訓(xùn)練樣本區(qū)數(shù)據(jù)：a. 種植頻率；b. 耕地種植強(qiáng)度Fig.6 Cropping frequency and intensity of training sample area based on Landsat 8

2.3 模型訓(xùn)練

人工神經(jīng)網(wǎng)絡(luò)是一種模擬生物神經(jīng)網(wǎng)絡(luò)，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型，它具有自主學(xué)習(xí)的能力，通過不斷改變神經(jīng)節(jié)點(diǎn)之間的連接權(quán)重，完成由輸入數(shù)據(jù)到目標(biāo)數(shù)據(jù)的復(fù)雜映射［38］。BP神經(jīng)網(wǎng)絡(luò)又稱為前饋型神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的模型之一，其由3部分組成：輸入層、隱含層（可以是單層，也可以是多層）、輸出層。BP神經(jīng)網(wǎng)絡(luò)通過誤差的反向傳播，不斷調(diào)整輸入層與隱含層、隱含層與輸出層之間的權(quán)重和誤差，使網(wǎng)絡(luò)輸出與實(shí)際輸出的誤差最小化［39］。該文利用MATLAB設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)樣本區(qū)23期EVI數(shù)據(jù)集與耕地種植強(qiáng)度間的映射關(guān)系，樣本區(qū)23期EVI作為輸入層，耕地種植強(qiáng)度作為輸出層。在隱含層數(shù)量及隱含層神經(jīng)元個數(shù)的選擇上，該文參考Kolomogorov定理。Hecht-Nielsen指出，映射網(wǎng)絡(luò)存在Kolomogorov定理，即對于任意連續(xù)函數(shù)f ：［0，1］n→Rm都可以用1個3層前向神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，且中間層神經(jīng)元個數(shù)不多于2n+1個［40］。因此該文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)為3層：輸入層、輸出層和隱含層。關(guān)于神經(jīng)元個數(shù)的選擇，在遵循Kolomogorov定理的基礎(chǔ)上，通過多次試驗(yàn)，最終將神經(jīng)元個數(shù)定為15，即構(gòu)成1個23-15-1的BP神經(jīng)網(wǎng)絡(luò)模型，見圖7。神經(jīng)網(wǎng)絡(luò)其他參數(shù)設(shè)置如下：訓(xùn)練函數(shù)TRAINLM，學(xué)習(xí)函數(shù)LEARNGDM，隱含層與輸出層傳遞函數(shù)均為LOGSIG。

圖7 BP神經(jīng)網(wǎng)絡(luò)模型Fig.7 Back propagation neural network model

3 結(jié)果與分析

3.1 樣本精度驗(yàn)證

基于神經(jīng)網(wǎng)絡(luò)估算的耕地種植強(qiáng)度其準(zhǔn)確性受樣本精度影響，為了利用驗(yàn)證樣本對估算結(jié)果進(jìn)行精度評價(jià)，需要保證樣本精度。該文從Google Earth歷史影像（2015年3月6日、2015年3月25日、2015年3月27日、2015年10月11日）上選取了其他、單季作物、雙季作物3類共計(jì)1 218個真實(shí)樣本（圖8），以驗(yàn)證樣本精度。結(jié)果表明，基于Landsat 8影像得到的樣本總體精度達(dá)到了93.51%，Kappa系數(shù)為0.914（表2），證明了樣本具有很高的可信度。

圖8 2015年湖北省耕地真實(shí)樣本空間分布Fig.8 Spatial distribution of truth sample of cropland in Hubei Province in 2015

表2 樣本分類結(jié)果混淆矩陣Table 2 Confusion matrix of sample classification results

3.2 種植強(qiáng)度精度驗(yàn)證

該文通過種植強(qiáng)度指數(shù)和人工神經(jīng)網(wǎng)絡(luò)估算方法對驗(yàn)證樣本區(qū)進(jìn)行處理，制作驗(yàn)證樣本區(qū)耕地種植強(qiáng)度，并與BP神經(jīng)網(wǎng)絡(luò)提取的種植強(qiáng)度結(jié)果作對比。從目視結(jié)果來看，Landsat 8遙感影像上的種植頻率分布與BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度呈現(xiàn)出較高的一致性（圖9）。

利用回歸分析驗(yàn)證BP神經(jīng)網(wǎng)絡(luò)提取的湖北省耕地種植強(qiáng)度的精度。圖10顯示了驗(yàn)證樣本區(qū)基于Landsat 8影像的耕地種植強(qiáng)度與BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度的散點(diǎn)圖和線性關(guān)系。R2達(dá)到0.923，回歸方程系數(shù)為0.948，截距項(xiàng)為0.023，說明二者之間的數(shù)據(jù)偏差很小，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)提取耕地種植強(qiáng)度的可靠性。

圖9 a. 基于Landsat 8影像分類結(jié)果的驗(yàn)證樣本區(qū)種植頻率 b. 基于BP神經(jīng)網(wǎng)絡(luò)提取的驗(yàn)證樣本區(qū)耕地種植強(qiáng)度Fig.9 a. Cropping frequency in validation sample area b. Cropping intensity in validation sample area extracted from BP neural network

圖10 驗(yàn)證樣本區(qū)耕地種植強(qiáng)度與BP神經(jīng)網(wǎng)絡(luò)耕地種植強(qiáng)度散點(diǎn)圖Fig.10 Scatter plot of cropping intensity in validation sample area extracted from Landsat 8 and cropping intensity in validation sample area extracted from BP neural network

3.3 湖北省耕地種植強(qiáng)度分析

該文利用神經(jīng)網(wǎng)絡(luò)提取了2015年湖北省耕地種植強(qiáng)度（圖11）?；贐P神經(jīng)網(wǎng)絡(luò)提取的種植強(qiáng)度實(shí)現(xiàn)了對耕地集約利用程度的軟劃分。BP神經(jīng)網(wǎng)絡(luò)提取的種植強(qiáng)度與陶建斌等［41］提取的2015年湖北省種植頻率分布基本吻合（圖12）。圖13為陶建斌提取的2015年湖北省耕地種植頻率與該文BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度在江漢平原地區(qū)的對比，結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度空間分辨率更高，細(xì)節(jié)表現(xiàn)能力更強(qiáng)，層次更加分明。

圖11 2015年湖北省耕地種植強(qiáng)度Fig.11 Cropping intensity in Hubei Province in 2015

圖12 陶建斌等提取的2015年湖北省耕地種植頻率［41］Fig.12 Cropping frequency from Tao Jianbin，et al in Hubei province in 2015

基于統(tǒng)計(jì)數(shù)據(jù)［42］計(jì)算得到2015年湖北省縣級尺度的耕地復(fù)種指數(shù)（圖14）。BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度與基于統(tǒng)計(jì)數(shù)據(jù)得到的耕地復(fù)種指數(shù)間總體上較為吻合，復(fù)種指數(shù)較高的江漢平原地區(qū)對應(yīng)著種植強(qiáng)度高值區(qū)，復(fù)種指數(shù)較低的西部山區(qū)對應(yīng)著種植強(qiáng)度的低值區(qū)。然而相較之下，BP神經(jīng)網(wǎng)絡(luò)提取的耕地種植強(qiáng)度分辨率更高，對耕地集約利用水平的評價(jià)更為精確。

圖13 2015年湖北省耕地種植頻率與種植強(qiáng)度對比a. 該文提取的種植頻率 b. 陶建斌等提取的種植強(qiáng)度Fig.13 Comparison of cropping frequency and cropping intensity in Hubei province in 2015

圖14 2015年湖北省耕地復(fù)種指數(shù)Fig.14 Multi-cropping index in Hubei Province in 2015

4 結(jié)論與討論

該文提出了種植強(qiáng)度的概念，并定義了種植強(qiáng)度指數(shù)以精確表征耕地的集約化利用。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模擬時間序列EVI數(shù)據(jù)集與種植強(qiáng)度間的映射關(guān)系。估算結(jié)果精度達(dá)到92.3%，證明了BP神經(jīng)網(wǎng)絡(luò)提取耕地種植強(qiáng)度的可靠性。該方法充分發(fā)揮遙感技術(shù)多尺度的時空表達(dá)能力和地物時間譜特征捕獲能力的優(yōu)勢，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)能力的特點(diǎn)，可獲得高時空融合的耕地種植強(qiáng)度數(shù)據(jù)集。

傳統(tǒng)的基于統(tǒng)計(jì)數(shù)據(jù)的耕地集約化研究，盡管在時間尺度上能夠保證良好的連續(xù)性，但基于行政區(qū)單元的統(tǒng)計(jì)數(shù)據(jù)往往忽略了內(nèi)部的空間異質(zhì)性，空間分辨率較低；而國內(nèi)外現(xiàn)有的基于遙感數(shù)據(jù)的耕地集約化利用研究雖然保證了較高的空間精度，但在方法上大都采用了連續(xù)年份的平均；該文提出的耕地種植強(qiáng)度彌補(bǔ)了現(xiàn)有指標(biāo)的不足，將耕地集約利用研究尺度縮小至亞像元級別，具有融合高時間分辨率和高空間分辨率的特點(diǎn)，能夠?qū)崿F(xiàn)對耕地種植強(qiáng)度的精細(xì)監(jiān)測。

該文的研究重點(diǎn)在于方法的探究，未來將關(guān)注該方法應(yīng)用于更大區(qū)域尺度耕地種植強(qiáng)度的時空變化以及種植強(qiáng)度估算中的地域分異問題。同時，該文在使用BP神經(jīng)網(wǎng)絡(luò)時未探究其作用機(jī)理，導(dǎo)致網(wǎng)絡(luò)模型訓(xùn)練的不確定性缺乏合理解釋。