朱康文，張 晟*，陳玉成，熊海靈，雷 波，黃昌前，段秋宴

（1.重慶市生態(tài)環(huán)境科學(xué)研究院，重慶 401147；2.西南大學(xué) 資源環(huán)境學(xué)院，重慶 400716；3.西南大學(xué) 計算機與信息科學(xué)學(xué)院，重慶 400716；4.重慶市綦江區(qū)生態(tài)環(huán)境局，重慶 400803；5.重慶市渝北區(qū)生態(tài)環(huán)境監(jiān)測站，重慶 401120）

農(nóng)業(yè)面源污染是在農(nóng)村生產(chǎn)與生活過程中，因作物種植、畜禽養(yǎng)殖、村民生活帶來的有機或無機物質(zhì)，通過農(nóng)田的地表徑流和農(nóng)田滲漏等進(jìn)入水體引起的污染[1-2]。2020年6月，由生態(tài)環(huán)境部、國家統(tǒng)計局和農(nóng)業(yè)農(nóng)村部聯(lián)合發(fā)布了《第二次全國污染源普查公報》，顯示2007—2017年中國農(nóng)業(yè)源減排效果明顯，但是農(nóng)業(yè)源排放量占總排放量的比重仍然居高不下，其中化學(xué)需氧量（chemical oxygen demand，COD）、總氮（total nitrogen，TN）、總磷（total phosphorus，TP）排放量占比分別由2007年的約44%、57%、67%變?yōu)?017年的約50%、47%、67%[3]，因此，農(nóng)業(yè)面源污染仍是當(dāng)前亟須解決的問題。

針對農(nóng)業(yè)面源污染問題在各空間尺度均開展了一系列研究工作。大尺度評估方法以統(tǒng)計數(shù)據(jù)分析及模型構(gòu)建分析為主，部分研究借用GIS方法進(jìn)行空間展示[4-5]；中尺度主要以GIS結(jié)合區(qū)域地形、土地利用類型、污染源、驅(qū)動因子、輸出系數(shù)法等方法進(jìn)行分析[6-7]；小尺度主要以GIS結(jié)合“源-匯”分析、室內(nèi)模擬、水文模型等方法進(jìn)行分析[8]；微尺度主要以農(nóng)戶調(diào)研分析等方法為主[9-10]。其中微尺度是農(nóng)業(yè)面源污染政策落地的層級，同時也是反饋政策實施效果的層級。當(dāng)前針對微尺度研究主要以農(nóng)戶調(diào)研為主，能較好地體現(xiàn)農(nóng)戶角度的農(nóng)業(yè)面源污染物輸移情況，但是缺乏空間的直觀分析，很難體現(xiàn)不同地塊之間的農(nóng)業(yè)面源污染風(fēng)險差異，導(dǎo)致微尺度的農(nóng)業(yè)面源污染風(fēng)險調(diào)控效果較差。為解決此問題，本文認(rèn)為針對村級范圍內(nèi)泛地塊尺度的風(fēng)險測算研究，可以較好地融入農(nóng)戶角度的調(diào)研成果，為微尺度研究提供一種新的研究思路。村落和泛地塊分別作為最小行政管理單元和農(nóng)戶行為單元，對于農(nóng)業(yè)面源污染防控具有很好的實際意義，對于農(nóng)戶行為下的風(fēng)險防控更具指導(dǎo)意義。當(dāng)前村落范圍內(nèi)泛地塊尺度的風(fēng)險測算需要解決高精度低空遙感數(shù)據(jù)獲取、微尺度泛地塊范圍劃分兩個問題，是微尺度地物識別和統(tǒng)計測算的重要基礎(chǔ)數(shù)據(jù)。解決泛地塊范圍劃分問題需要尋找獲取高精度地物分類數(shù)據(jù)的技術(shù)手段。當(dāng)前地物識別基本采用衛(wèi)星遙感技術(shù)，因其具有數(shù)據(jù)易獲取、低成本等優(yōu)勢，在農(nóng)業(yè)領(lǐng)域的應(yīng)用已較為常見。Nuarsa等[11]利用MODIS數(shù)據(jù)在印度尼西亞巴厘省結(jié)合NDVI、RVI和SAVI 3種植被指數(shù)提取水稻種植面積。但同時也存在分辨率較低等問題，尤其難以滿足村落范圍微尺度的研究。隨著無人機低空遙感技術(shù)的發(fā)展，近年應(yīng)用無人機多光譜技術(shù)開展作物精細(xì)分類的研究逐步增多[12]。無人機低空遙感技術(shù)在動植物調(diào)查、地質(zhì)調(diào)查、精細(xì)農(nóng)業(yè)等方面應(yīng)用呈現(xiàn)爆發(fā)式增長[13-15]。高精度數(shù)據(jù)獲取后的地物分類手段采用隨機森林算法，它具有人為影響小、多決策優(yōu)化等優(yōu)點，目前在國內(nèi)外地物分類中應(yīng)用較多[16]，這些已有的研究成果可以為本論文提供很好的借鑒。

因此，本文選取三峽庫區(qū)典型村落重慶市涪陵區(qū)南沱鎮(zhèn)睦和村為研究對象，采用多光譜無人機技術(shù)獲取多光譜遙感數(shù)據(jù)，采用隨機森林算法進(jìn)行精細(xì)化地物分類[17]，并通過區(qū)域作物種植類型實地調(diào)研、核查等方式校準(zhǔn)、驗證分類精度，在此基礎(chǔ)上開展泛地塊范圍劃分及TN、TP施用水平測算，并對農(nóng)業(yè)面源污染物消減工程的成效進(jìn)行分析，為村落范圍內(nèi)農(nóng)業(yè)面源污染精細(xì)化風(fēng)險防控提供依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

睦和村位于重慶市涪陵區(qū)南沱鎮(zhèn)西北部，與長江相鄰，區(qū)域內(nèi)存在較大面積的庫灣型區(qū)域，屬于三峽庫區(qū)重點移民村。經(jīng)過近年來的產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，形成了規(guī)模化的果樹種植模式，部分果林套作青菜頭、桑樹等，基本屬于無糧村種植模式。由于區(qū)域生態(tài)地位較高且區(qū)域農(nóng)業(yè)發(fā)展較好，因此，針對南沱鎮(zhèn)睦和村的農(nóng)業(yè)面源污染問題研究較多，已有較多研究關(guān)注統(tǒng)計數(shù)據(jù)分析和示范工程建設(shè)，較少關(guān)注污染風(fēng)險空間差異分析。2020年11月，研究人員赴南沱鎮(zhèn)睦和村現(xiàn)場調(diào)研，主要調(diào)研農(nóng)業(yè)面源污染負(fù)荷排放情況。

（1）人口情況。全村人口493戶，分三類情況：T1類，實際有人在家且有種植、養(yǎng)殖的農(nóng)戶，315戶；T2類，集中安置的農(nóng)戶，144戶（集中安置無養(yǎng)殖）；T3類，長期無人在家的農(nóng)戶，34戶。所有生活污水排放均進(jìn)入沼氣池，生活垃圾收集運輸至垃圾站。根據(jù)調(diào)研信息，T1和T2類型中以老年人為主，主要分4種類型：（a）老年人在家，165戶；（b）中年夫婦和老年人在家，49戶；（c）中年人一人在家且老年人在家，225戶；（d）中年人在家，20戶?；久繎舳加袑O子、孫女在家。不計算孫子輩，60歲以下男性121人、女性150人，60歲以上男性353人、女性278人。男女比例52.55∶47.45。

（2）養(yǎng)殖業(yè)情況。有養(yǎng)殖的農(nóng)戶315戶，其中養(yǎng)豬100戶，平均2頭/戶；養(yǎng)雞300戶，平均14只/戶；養(yǎng)鵝或鴨90戶，平均7只/戶。糞污基本全部進(jìn)入沼氣池后就近還田施用。

（3）種植業(yè)情況。睦和村研究區(qū)域面積為291.04 hm2，其中種植面積185.21 hm2，戶均耕地面積約0.59 hm2。其中桂圓、荔枝、枇杷、臍橙、桑樹、柚子、玉米（與青菜頭輪作）、花生（與青菜頭輪作）、耕地水田的種植面積分別約為32.57hm2、4.40hm2、11.27hm2、98.18hm2、12.05hm2、1.85hm2、20.67hm2、2.06hm2、 2.16 hm2， 化 肥 主 要施用氮磷鉀養(yǎng)分含量各15%的復(fù)合肥，桂圓、荔枝、枇杷、臍橙、桑樹、柚子、玉米、青菜頭、花生、耕地水田的化肥施用水平分別為1 012.50 kg/hm2、1 012.50 kg/hm2、421.88 kg/hm2、 506.25 kg/hm2、700.50kg/hm2、0kg/hm2、187.50 kg/hm2、468.75kg/hm2、0 kg/hm2、135.00 kg/hm2（折純）。

圖1 睦和村區(qū)位分布圖Fig.1 Distribution map of Muhe Village location

1.2 研究路徑與數(shù)據(jù)來源

考慮當(dāng)前無人機較多存在飛行時間短、飛機過大過重、對飛行環(huán)境要求較高等問題，結(jié)合研究需求的無人機產(chǎn)品性能情況，選取大疆精靈4多光譜版無人機作為數(shù)據(jù)獲取手段，此無人機具有飛行任務(wù)可連續(xù)進(jìn)行、獲取數(shù)據(jù)量豐富、續(xù)航時間較長等優(yōu)勢。主要研究路徑如下：（1）基于獲取的無人機遙感數(shù)據(jù)，采用成熟的ENVI軟件擴(kuò)展工具中基于決策樹的隨機森林算法進(jìn)行地物分類；（2）開展區(qū)域作物種植類型實地調(diào)研、核查等以校準(zhǔn)、驗證分類精度；（3）結(jié)合區(qū)域地形、種植類型、路網(wǎng)、水系網(wǎng)絡(luò)等進(jìn)行泛地塊網(wǎng)格劃分，以利于分析各泛地塊網(wǎng)格化肥施用、畜禽養(yǎng)殖等情況，測算各網(wǎng)格TN、TP施用水平，從污染輸入角度厘清區(qū)域各泛地塊網(wǎng)格農(nóng)業(yè)面源污染風(fēng)險的主要原因；（4）初步開展區(qū)域典型點位的水質(zhì)與風(fēng)險測算結(jié)果之間的一致性分析，以驗證測算結(jié)果；（5）初步測算區(qū)域已有面源污染消減工程的水質(zhì)改善情況，為區(qū)域泛地塊尺度的農(nóng)業(yè)面源污染風(fēng)險調(diào)控提出防控策略，為精細(xì)化風(fēng)險防控提供支撐。

數(shù)據(jù)來源：區(qū)域范圍邊界數(shù)據(jù)來自規(guī)劃部門；遙感數(shù)據(jù)、NDVI（歸一化植被指數(shù)）等指數(shù)數(shù)據(jù)由無人機獲取，數(shù)據(jù)處理后得到NDRE（歸一化差異紅邊植被指數(shù)）、LCI（葉片葉綠素指數(shù)）、OSAVI（優(yōu)化土壤調(diào)節(jié)植被指數(shù)）、GNDVI（綠色歸一化植被指數(shù)）[18]；地塊作物及施肥施藥信息、農(nóng)戶信息、養(yǎng)殖信息等來自實地農(nóng)戶調(diào)研數(shù)據(jù)；地形數(shù)據(jù)來自資源環(huán)境數(shù)據(jù)云平臺①http://www.resdc.cn/；河流、道路數(shù)據(jù)通過無人機數(shù)據(jù)矢量化得到。數(shù)據(jù)采用2000國家大地坐標(biāo)系統(tǒng)。

2 研究方法

2.1 基于隨機森林算法的地物精細(xì)化分類

隨機森林算法是2001年提出的一種集成學(xué)習(xí)技術(shù)的方法[19]，在多源數(shù)據(jù)進(jìn)行地物分類方面已開展了大量研究[20]，在多光譜影像識別地物分類方面也進(jìn)行了一定研究[21]，已有研究者以Landsat ETM+多光譜影像數(shù)據(jù)作為研究對象，對隨機森林、Boosting、Bagging、CART分類方法的精度進(jìn)行研究，得出隨機森林的分類精度較優(yōu)[16]。隨機森林算法進(jìn)行地物分類包含大量的決策樹、分類樹和回歸樹運算，它可以同時處理分類和回歸分析問題，通常包括訓(xùn)練樣本選取、決策樹模型構(gòu)建、隨機森林分類、精度驗證等步驟，詳見參考文獻(xiàn)[22]。

2.2 泛地塊網(wǎng)格劃分

泛地塊網(wǎng)格劃分主要依據(jù)隨機森林算法提取的地物類型數(shù)據(jù)與地形數(shù)據(jù)、道路數(shù)據(jù)、河流數(shù)據(jù)等進(jìn)行疊加分析，進(jìn)行泛地塊網(wǎng)格劃分，分為一級網(wǎng)格和二級網(wǎng)格，其中一級網(wǎng)格為二級網(wǎng)格劃分的過渡數(shù)據(jù)。本研究將睦和村劃分為66個泛地塊級尺度一級網(wǎng)格，2 710個泛地塊級尺度二級網(wǎng)格。

2.3 污染風(fēng)險測算方法

農(nóng)業(yè)面源污染風(fēng)險測算以污染負(fù)荷測算為基礎(chǔ)，污染負(fù)荷測算主要包括種植源、生活源、養(yǎng)殖源，其中種植源的TN、TP污染負(fù)荷根據(jù)化肥施用量進(jìn)行測算，生活源、養(yǎng)殖源的TN、TP污染負(fù)荷根據(jù)沼氣池排放量進(jìn)行測算。研究參考前期研究成果[23]，污染風(fēng)險按照TN、TP施用強度＞280 kg/hm2、＞250～280 kg/hm2、＞225～250 kg/hm2、＞200～225 kg/hm2、≤200 kg/hm2劃分為極高風(fēng)險、高風(fēng)險、中風(fēng)險、低風(fēng)險、無風(fēng)險5個等級。

式中：PL為區(qū)域TN或TP污染負(fù)荷，kg；PS、LS、BS分別為種植源、生活源、養(yǎng)殖源的污染負(fù)荷，kg；RS為輪作作物消減的污染負(fù)荷，kg；PPi為第i種作物的化肥施用量，kg；Si為第i種作物對應(yīng)化肥的折純系數(shù)，無量綱。

LS和BS本研究中按照生活源、養(yǎng)殖源產(chǎn)生的污染物經(jīng)過沼氣池后排放量進(jìn)行測算，根據(jù)西南大學(xué)污染修復(fù)與清潔生產(chǎn)評估中心在《重慶市農(nóng)村戶用沼氣系統(tǒng)的環(huán)境效應(yīng)與績效評估》中的單個戶用沼氣池對農(nóng)業(yè)面源污染的貢獻(xiàn)結(jié)果，單個8～10 m3的沼氣池每年TN、TP排放量分別相當(dāng)于施用有機肥29.5 kg和12.6 kg，對睦和村戶用沼氣池的TN、TP排放量進(jìn)行測算，同時假定所有的有機肥都均勻還田到所有地塊。RS根據(jù)實際按照輪作作物消減能力進(jìn)行測算。由于睦和村存在花生、青菜頭輪作的情況，花生種植期間未施用化肥，因此花生實際上在輪作過程中起到了一定的污染物消減的作用。因此，綜合已有結(jié)論，結(jié)合當(dāng)?shù)貙嶋H地理環(huán)境、地形坡度、土壤質(zhì)地等情況[24]，當(dāng)?shù)爻Ｓ脧?fù)合肥養(yǎng)分含量為45%，其中氮、磷、鉀比例為1∶1∶1。根據(jù)孫虎[25]和萬書波等[26]的研究成果，花生對化肥氮素的當(dāng)季吸收利用率為31.28%～42.15%，但是化肥氮素當(dāng)季吸收率根據(jù)品種差異會存在一定變化。因此結(jié)合戴良香[27]、李海東[28]等人研究認(rèn)為的氮肥施用最佳量分別為77.19 kg/hm2、75 kg/hm2，研究假定花生輪作可以消納75 kg/hm2的氮素養(yǎng)分（折純）。

3 結(jié)果與分析

3.1 隨機森林算法識別地物結(jié)果

3.1.1 無人機多光譜數(shù)據(jù)獲取結(jié)果

本研究在飛行時為避免飛行過程中輻射校正的誤差，選擇上午10：00至下午2：00之間飛行，飛行時間為2020年5月22日，飛行航線覆蓋整個睦和村研究區(qū)域（不含江面）。獲取的多光譜數(shù)據(jù)采用大疆智圖軟件進(jìn)行影像重建等預(yù)處理工作[29-30]，得到 NDVI、NDRE、LCI、OSAVI、GNDVI 5 種指數(shù)數(shù)據(jù)（圖2）。隨機選取居民用房、道路、林地、草地、桑樹、荔枝、桂圓、臍橙、玉米（與青菜頭輪作）、花生（與青菜頭輪作）、水域、裸地、其他用地等地類點位，拾取對應(yīng)區(qū)域的指數(shù)結(jié)果，獲取各地物各指數(shù)的紋理概略特征，為利用隨機森林算法進(jìn)行地物判別提供特征信息，比如桑樹存在“NDVI＞GNDVI＞LCI＞OSAVI＞NDRE＞0”、草地存在“NDVI＞GNDVI＞LCI＞OSAVI＞NDRE＞0”的特征。

圖2 睦和村遙感影像和多光譜指數(shù)結(jié)果分布圖Fig.2 Distribution map of RS image and multispectral index in Muhe Village

3.1.2 隨機森林算法識別地物與精度驗證

隨機森林算法識別地物結(jié)果顯示，研究區(qū)域總面積為291.04 hm2，人工表面、道路、林地、草地、水域、其他用地（含裸地）比例分別為7.24%、3.08%、14.06%、7.20%、3.40%、1.38%；耕作用地總面積比例高達(dá)63.64%，其中臍橙田塊的面積最高，為33.74%，其次為桂圓、玉米、桑樹。從圖3中的空間分布來看，林地和草地主要分布在水域周圍，以1號、8號、13號、35號等一級網(wǎng)格分布最多。

為驗證地物分類精度，通過室內(nèi)判斷、實地調(diào)研等形式選取181個點位進(jìn)行精度校驗（圖3），包括玉米（與青菜頭輪作）、花生（與青菜頭輪作）、柚子、桑樹、臍橙、枇杷、荔枝、桂圓、房屋、道路、林地（竹林、樟樹、灌叢、桂花樹等）、水面、耕地（水田）、草地、裸地等類型。校驗結(jié)果發(fā)現(xiàn)181個點位分類結(jié)果中18個點位與實地核查結(jié)果不相符，分類精度為90.05%，符合地物分類精度要求，誤判的主要為林地與草地、柚子與林地、玉米與草地。

圖3 睦和村泛地塊級尺度網(wǎng)格下精細(xì)化地物分類結(jié)果Fig.3 Results of fine feature classification of Muhe Village in block scale grid

3.2 一級網(wǎng)格的污染負(fù)荷排放與風(fēng)險測算結(jié)果分析

根據(jù)一級網(wǎng)格的污染負(fù)荷測算結(jié)果（圖4），睦和村TN、TP的總負(fù)荷量分別是70.62 t和64.73 t，其中30號網(wǎng)格污染負(fù)荷強度均值最小，TN負(fù)荷強度均值為89.97 kg/hm2，TP負(fù)荷強度均值為81.93 kg/hm2。47號、50號、65號網(wǎng)格的污染負(fù)荷強度均值最大，TN負(fù)荷強度均值分別為452.24 kg/hm2、459.83 kg/hm2、476.68 kg/hm2，TP負(fù)荷強度均值分別為420.07 kg/hm2、427.65 kg/hm2、444.51 kg/hm2。通過對66個一級網(wǎng)格的種植地塊TN、TP負(fù)荷進(jìn)行測算發(fā)現(xiàn)，僅有1個網(wǎng)格（30號）的TN、TP施用強度低于200 kg/hm2，且其他網(wǎng)格均高于280 kg/hm2。因此，根據(jù)風(fēng)險分級標(biāo)準(zhǔn)，僅有1個網(wǎng)格（30號）屬于無風(fēng)險等級，其他網(wǎng)格均屬于高風(fēng)險等級。

圖4 泛地塊一級網(wǎng)格TN、TP施用水平分布圖Fig.4 Distribution map of TN,TP application level based on first level of block grid

3.3 二級網(wǎng)格的污染負(fù)荷排放與風(fēng)險測算結(jié)果分析

根據(jù)二級網(wǎng)格的污染負(fù)荷測算結(jié)果來看（圖5），整體上涉及種植的圖斑中TN、TP施用強度分別有124個和409個網(wǎng)格低于200 kg/hm2，處于無風(fēng)險狀態(tài)。TN施用強度來看，分別有285個、63個、1 309個網(wǎng)格處于低風(fēng)險、高風(fēng)險和極高風(fēng)險狀態(tài)。TP施用強度來看，分別有205個、1 167個網(wǎng)格處于中風(fēng)險和極高風(fēng)險狀態(tài)?？臻g上存在3個風(fēng)險值極高（TN、TP施用強度均高于400 kg/hm2）且聚集分布的區(qū)域：東部的54號、55號、63號等一級網(wǎng)格中的54-51、54-56、55-41、55-45、63-83、63-87等二級網(wǎng)格；中部33號、34號等一級網(wǎng)格中的33-18、33-25、34-43、34-48等二級網(wǎng)格；西部的9號、10號等一級網(wǎng)格中的9-118、9-127、10-50、10-59等二級網(wǎng)格。桑樹且存在玉米和青菜頭輪作的網(wǎng)格的TN、TP施用水平最高，主要是3-2號、12-4號、14-1號、15-37號、15-38號、15-39號、18-3號、27-2號、36-35號、36-36號、58-2號、59-2號、62-18號、62-19號、63-73號、63-74號、63-75號17個二級網(wǎng)格，其次是臍橙且存在玉米和青菜頭輪作的網(wǎng)格。

圖5 二級網(wǎng)格下TN、TP施用水平與風(fēng)險等級分布圖Fig.5 Distribution map of TN,TP application level and risk level based on second level of block grid

3.4 污染風(fēng)險強度與區(qū)域水質(zhì)之間的一致性分析

為初步探明研究測算得到的風(fēng)險測度成果與實地水質(zhì)之間的一致性，同時避免消落區(qū)水位變化對分析的干擾，在常年有水且不易被水淹沒的龍王溝及田間溝壑等區(qū)域選取了5個點位進(jìn)行水質(zhì)分析，結(jié)果顯示所有點位水質(zhì)均較差（圖6；表1、表2）。MH1點位為容量較大的堰塘，TN超標(biāo)較嚴(yán)重、COD略高；MH2點位為田間溝壑、MH3和MH4號點位為流水溪溝，TP、TN均超標(biāo)較嚴(yán)重；MH5點位為田間溝壑，水質(zhì)最差，氨氮、TN、TP嚴(yán)重超標(biāo)。根據(jù)各采樣點匯水范圍內(nèi)的一級網(wǎng)格的土地利用類型和TN、TP施用強度統(tǒng)計結(jié)果來看，所有采樣點TN、TP施用強度均較高，林草類型面積占比為11.58%～26.74%，占比較低。MH5號點位超標(biāo)嚴(yán)重與林草類型面積占比低及TN、TP施用強度高密切相關(guān)。MH4號點位，雖然同樣具有高的TN、TP施用總量，但由于區(qū)域內(nèi)林草類型面積占比相對較高，因此水質(zhì)相較MH5號點位改善較多。結(jié)果表明睦和村由于化肥施用強度高、林草比例低、林草緩沖帶少等原因?qū)е聟^(qū)域內(nèi)水質(zhì)情況較差。整體上來看，各區(qū)域污染負(fù)荷（風(fēng)險強度）與點位水質(zhì)質(zhì)量呈現(xiàn)明顯的一致性，表明污染負(fù)荷（風(fēng)險強度）測算結(jié)果與實地相符。

圖6 睦和村水質(zhì)采樣點位的空間分布圖Fig.6 Spatial distribution of sampling points of water quality in Muhe Village

表1 睦和村水質(zhì)測試結(jié)果Table 1 Water quality test results of sampling points in Muhe Village

表2 采樣點匯水涉及一級網(wǎng)格土地利用、TN和TP施用情況Table 2 Land use,TN and TP application in the first level grid of catchment area of sampling points

4 討論

4.1 低空遙感與隨機森林算法結(jié)合適用于地物精細(xì)化分類

目前低空遙感數(shù)據(jù)主要獲取源無人機具有很好的機動性、分辨率高、高頻次等優(yōu)點，在小尺度研究中使用得越來越多。低空遙感數(shù)據(jù)結(jié)合隨機森林算法的研究逐漸增多，且都取得了較好的研究效果。耿仁方等[31]在廣西桂林會仙喀斯特國家濕地公園通過無人機遙感影像和隨機森林算法開展巖溶濕地植被識別研究取得了較好的進(jìn)展。任澤茜[32]在南方平原地區(qū)利用無人機和隨機森林算法進(jìn)行農(nóng)作物種植面積監(jiān)測。這些已有的研究均表明低空遙感數(shù)據(jù)和隨機森林算法結(jié)合可以很好地支撐小區(qū)域地物精細(xì)化識別、作物種植面積、作物狀態(tài)等方面的研究工作。本文針對地物分類結(jié)果的現(xiàn)場核實情況也反映了隨機森林算法在精細(xì)化地物識別方面的優(yōu)勢。

4.2 人工濕地構(gòu)建有利于降低污染風(fēng)險

結(jié)合睦和村已經(jīng)開展的人工濕地去污植物篩選與群落優(yōu)化配置工作（圖7），對人工濕地入水口、出水口水質(zhì)進(jìn)行分析，發(fā)現(xiàn)出水口水質(zhì)明顯優(yōu)于入水口。人工濕地的污染物消減程度非常高，懸浮物、TP、TN、銨態(tài)氮、硝態(tài)氮、生化需氧量分別消減了近86.67%、54.66%、81.11%、10.67%、83.85%、59.42%。表明人工濕地對于削減農(nóng)業(yè)面源污染的排放強度、風(fēng)險程度是極有利的方式。同時結(jié)合研究前期開展的植被調(diào)查等基礎(chǔ)工作，認(rèn)為水位高程是消落帶植被恢復(fù)最重要的因素。三峽庫區(qū)蓄水初期自然再生植物狗牙根（Cynodon dactylon）、香附子（Cyperus rotundus）對于阻控、減緩區(qū)域農(nóng)業(yè)面源污染具有很好的效益，而且植物籬這種生態(tài)修復(fù)方式對于農(nóng)業(yè)面源污染有較好的防控效果，同時鄉(xiāng)土植物桑樹（Morus alba）、黃荊（Vitex negundo）等植物也有一定的耐水性和較好的污染物吸附能力[33]。這與潘杰[34]、余順慧[35]、莫福孝[36]等學(xué)者的研究結(jié)果基本一致。

圖7 人工濕地構(gòu)建區(qū)域低空遙感圖Fig.7 Remote sensing map of the constructed wetland area

5 結(jié)論

（1）無人機多光譜數(shù)據(jù)獲取手段結(jié)合隨機森林算法可有效用于地物精細(xì)化分類，睦和村地物分類精度高達(dá)90.05%。

（2）基于農(nóng)戶行為調(diào)研角度與泛地塊網(wǎng)格劃分框架下的污染負(fù)荷及風(fēng)險測算，有利于識別村落尺度下的地塊級污染負(fù)荷及風(fēng)險差異。睦和村TN、TP的總負(fù)荷量分別是70.62 t和64.73 t，一級網(wǎng)格測算發(fā)現(xiàn)僅有1個網(wǎng)格（30號）屬于無風(fēng)險等級，其他網(wǎng)格均屬于高風(fēng)險等級；二級網(wǎng)格測算發(fā)現(xiàn)涉及種植的用地中，分別有124個、285個、63個、1 309個網(wǎng)格的TN處于無風(fēng)險、低風(fēng)險、高風(fēng)險和極高風(fēng)險狀態(tài)，分別有409個、205個、1 167個網(wǎng)格的TP處于無風(fēng)險、中風(fēng)險和極高風(fēng)險狀態(tài)。研究通過實地采樣發(fā)現(xiàn)區(qū)域污染負(fù)荷（風(fēng)險）強度與區(qū)域水質(zhì)質(zhì)量存在較好的一致性，側(cè)面驗證了測算結(jié)果的真實性。

（3）人工濕地構(gòu)建在大幅消減污染物的同時可產(chǎn)生較好的經(jīng)濟(jì)效益，區(qū)域內(nèi)的懸浮物、TP、TN、銨態(tài)氮、硝態(tài)氮、COD在人工濕地的作用下分別消減了近86.67%、54.66%、81.11%、10.67%、83.85%、59.42%。

研究認(rèn)為勞動力下降、人口老齡化等問題導(dǎo)致作物復(fù)種指數(shù)高、高肥高藥行為突出，是引起農(nóng)業(yè)面源污染風(fēng)險較高的主要原因。污染負(fù)荷或風(fēng)險較高的地塊在未來農(nóng)戶行為管理中應(yīng)重點關(guān)注并對其進(jìn)行指導(dǎo)。研究結(jié)果可為村落級管理人員在指導(dǎo)農(nóng)戶開展農(nóng)業(yè)生產(chǎn)活動時提供參考，為相關(guān)人員制定區(qū)域農(nóng)業(yè)面源污染風(fēng)險防控策略提供依據(jù)。未來研究將深入分析輪作最佳模式、人工濕地削減污染的微觀機制等，以更好地提升成果的實用價值。