趙孟辰，阿里木江·卡斯木

新疆師范大學(xué) 地理科學(xué)與旅游學(xué)院，烏魯木齊 830054

農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整優(yōu)化是當前我國建設(shè)現(xiàn)代化農(nóng)業(yè),保障農(nóng)民持續(xù)增收,實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的必然選擇[1]．農(nóng)作物種植結(jié)構(gòu)是指一個地區(qū)主要農(nóng)作物類型和其空間分布狀況,及時有效地獲取農(nóng)業(yè)種植結(jié)構(gòu)信息對農(nóng)作物產(chǎn)量監(jiān)測、農(nóng)業(yè)用水精細化管理、區(qū)域農(nóng)業(yè)、可持續(xù)化發(fā)展等具有重要意義．以往的研究依據(jù)統(tǒng)計部門的逐級上報和抽樣估測數(shù)據(jù)集獲取農(nóng)作物種植結(jié)構(gòu)信息只能停留在量的層面,難以實現(xiàn)農(nóng)作物空間分布可視化,且此方法存在費時、費力、時間分辨率低和主觀性強等缺點．遙感技術(shù)具有大范圍數(shù)字成圖、高時效性和成本低等優(yōu)勢,目前被廣泛用于資源普查,并逐步成為獲取農(nóng)業(yè)種植結(jié)構(gòu)信息的重要方式之一．

國內(nèi)外眾多學(xué)者對基于遙感影像的農(nóng)作物識別、分類及種植區(qū)域適宜性進行了大量研究．Johnson[2]采用多尺度分割算法進行分割,通過SVM(Support Vector Machine,SVM)分類模型,計算不同尺度下影像對象隸屬度及隸屬度類別;Shackelford等[3]以IKONOS 影像為實驗數(shù)據(jù),采用面向?qū)ο蠛突谙袼氐姆椒ǚ謩e進行分類,結(jié)果證明面向?qū)ο蟮姆椒ǚ诸惥雀?Strom[4]分別利用面向?qū)ο蠛蛡鹘y(tǒng)目視解譯的方法對SPOT(Systeme Probatoire d’Observation de la Terre)影像進行分類,結(jié)果證明面向?qū)ο蠓诸惙椒ǖ木雀哂趥鹘y(tǒng)目視解譯方法;Zhang等[5]基于最近鄰分類算法、最大似然分類算法及SVM算法,提出一種面向像斑的空間特征分類方法．陳杰等[6]在SVM算法的基礎(chǔ)上,結(jié)合粗糙集粒度的計算方法對影像進行分類;顧海燕等[7]驗證了隨機森林算法在運行速度和分類準確性上有明顯優(yōu)勢．

不同特色經(jīng)濟作物的生長發(fā)育與氣候、地形、土壤等自然環(huán)境條件密切相關(guān),在不同自然環(huán)境條件下的特色經(jīng)濟作物產(chǎn)量及品質(zhì)有明顯差異,因此如何根據(jù)各地區(qū)的自然條件,研究區(qū)域特色經(jīng)濟作物用地布局,因地制宜地發(fā)展特色經(jīng)濟作物,實現(xiàn)區(qū)域土地資源合理利用具有重要意義．傳統(tǒng)的土地適宜性評價方法計算和處理效率低而且精度差,利用GIS(Geographic Information Systems,地理信息系統(tǒng))技術(shù)進行土地適宜性評價,不僅可以將評價單元的空間數(shù)據(jù)與評價指標數(shù)據(jù)結(jié)合起來,還可對這些數(shù)據(jù)進行分析和處理,從而提高土地適宜性評價的效率和精度．龔珍等[8]、吳波等[9]分別使用GIS技術(shù)在我國不同地區(qū)針對茶樹、蘋果樹等多種不同品種的植物進行了農(nóng)業(yè)氣候適宜性區(qū)劃研究;賈艷紅等[10]以立地條件和土壤性狀中海拔、土壤質(zhì)地等6個因子為指標,建立了羅漢果種植的土地適宜性評價體系,借助層次分析法確定評價因子權(quán)重等級標準,劃分土地適宜性等級,并利用GIS技術(shù)實現(xiàn)了桂林市羅漢果種植土地適宜性綜合評價．

本文基于Sentinel-2影像數(shù)據(jù),以河北省張家口市沽源縣為研究區(qū),選擇胡蘿卜、西藍花、玉米、馬鈴薯、油麥菜、生菜、白菜、野燕麥這8類研究區(qū)內(nèi)主要種植的農(nóng)作物,分別采用隨機森林分類、支持向量機(SVM)分類和決策樹分類方法,對研究區(qū)內(nèi)主要農(nóng)作物的分布情況進行遙感分類,并將不同方法獲得的研究區(qū)內(nèi)農(nóng)作物分類精度進行對比．通過遙感技術(shù)分析研究區(qū)內(nèi)主要農(nóng)作物的種植情況,從土地和氣候兩個方面分析河北省張家口市沽源縣主要農(nóng)作物的生長適宜性,為政府相關(guān)部門了解農(nóng)作物種植情況提供輔助信息,同時為進一步科學(xué)規(guī)劃農(nóng)作物種植結(jié)構(gòu)提供參考．

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

河北省張家口市沽源縣位于河北省西北部壩上地區(qū),與內(nèi)蒙古自治區(qū)接壤．全縣地勢南高北低、東高西低,平均海拔1 536 m,其中北部、西部為波狀高原,東部為低山丘陵,南部為中低山地,全縣總土地面積為3 654 km2,耕地面積15.5萬hm2．沽源縣“冬無嚴寒、夏無酷熱”,為冷溫帶半干旱大陸性季風(fēng)氣候[11],年平均氣溫1.4 ℃,≥10 ℃積溫1 900 ℃左右,年平均降水量409.9 mm,年蒸發(fā)量1 787.5 mm[12]．土壤類型有灰色森林土、栗鈣土、草甸土、沼澤土、鹽土,其中栗鈣土為主要類型,占全縣土壤分布面積的88%．植被類型為干草原稀樹草原,主要由耐寒旱生多年生草本植物組成．森林覆蓋率為35.64%,有楊、榆、樺、落葉松和云杉,部分地帶有杞柳、水策棠梨、枸杞等;糧食作物有小麥、莜麥、馬鈴薯等;經(jīng)濟作物有胡麻;蓄牧業(yè)主要發(fā)展大牲畜,馬、牛的頭數(shù)逐年增加,沽源牧場是河北省3大牧場之一．

1.2 數(shù)據(jù)來源與預(yù)處理

1.2.1 Sentinel-2 影像

哨兵2號(Sentinel-2)數(shù)據(jù)是歐洲“哥白尼計劃”的重要組成部分．Sentinel-2衛(wèi)星搭載的MSI成像儀能夠覆蓋13個光譜波段,幅寬為290 km,空間分辨率分別為10 m(4個波段)、20 m(6個波段)、60 m(3個波段)．在紅邊范圍內(nèi)有3個波段,可以有效監(jiān)測植被健康信息,也能夠用于森林監(jiān)測、氣候變化、土地利用變化、產(chǎn)量預(yù)測、山體滑坡等應(yīng)用,極大地提高了陸地監(jiān)測水平．在光學(xué)數(shù)據(jù)中,Sentinel-2數(shù)據(jù)是唯一一個在紅邊范圍含有3個波段的數(shù)據(jù),這對監(jiān)測植被健康信息非常有效．本文使用的Sentinel-2多光譜數(shù)據(jù)下載自歐空局(European Space Agency,ESA)數(shù)據(jù)中心(https：//scihub.copernicus.eu/dhus/),為表觀反射率數(shù)據(jù),對該數(shù)據(jù)的預(yù)處理過程如下：

1) 輻射定標和大氣校正：使用SNAP(Sentinels Application Platform)軟件中的Sen2Cor插件對Sentinel-2數(shù)據(jù)完成輻射定標和大氣校正,得到地表反射率數(shù)據(jù),采用雙線性內(nèi)插法將所有波段的分辨率重采樣為10 m,最后將校正結(jié)果轉(zhuǎn)換為ENVI格式．

2) 波段合成經(jīng)SNAP軟件輸出的ENVI(The Environment for Visualizing Images)格式Sentinel-2影像數(shù)據(jù)存儲結(jié)果為一個波段對應(yīng)一個圖像,本文采用波段合成工具將其順序調(diào)整后合成多波段圖像,同時將坐標系設(shè)置為UTM(Universal Transverse Mercator Projection-通用橫軸墨卡托投影)投影,基準面為WGS(World Geodetic System,世界大地坐標系)-84．

3) 圖像鑲嵌和裁剪：圖像裁剪實驗區(qū)所使用的Sentinel-2影像數(shù)據(jù)單景即可覆蓋,本文通過河北省張家口市沽源縣矢量數(shù)據(jù)在GIS軟件中對所使用的Sentinel-2數(shù)據(jù)進行批量裁剪,由此得到實驗區(qū)影像．

1.2.2 野外調(diào)查數(shù)據(jù)

為保證利用遙感影像進行數(shù)據(jù)標注的準確性,本文對研究區(qū)展開野外實地數(shù)據(jù)調(diào)查,通過實地走訪和拍照記錄等方式進行采集．根據(jù)研究區(qū)規(guī)模,為了在調(diào)查過程中使用訓(xùn)練樣本進行更高精度、更符合實際情況的分類,記錄了實地調(diào)查樣本點的經(jīng)、緯度,對實測樣點的農(nóng)作物進行拍照留檔,以期更加準確地把握各類主要農(nóng)作物的特征．采樣過程利用手持GPS(Global Positioning System,全球定位系統(tǒng))設(shè)備記錄采樣點位置信息,同時將采樣點在奧維地圖衛(wèi)星影像數(shù)據(jù)中打點標記,以采樣點編號進行備注．將樣本數(shù)據(jù)按照1.5∶1的比例隨機分為訓(xùn)練樣本數(shù)據(jù)集和驗證樣本數(shù)據(jù)集(圖1)．

圖1 河北省張家口市沽源縣作物樣本點分布圖

2 研究方法

2.1 遙感影像分類算法

2.1.1 支持向量機法

支持向量機在線性可分的多特征空間中計算出最優(yōu)超平面,該平面在將被分類樣本正確分開的同時使分類間隔最大化[13]．通過SVM中軟間隔概念,將需要分類的樣本通過引入核函數(shù)映射到高維空間中,同時將解平面由線性擴展為非線性并求得最優(yōu)分類超平面[14-15],能夠有效地解決農(nóng)作物分類中的線性不可分問題,減少運算量,使SVM更加實用化．SVM算法通過選擇恰當?shù)暮瘮?shù)子集、合適的對應(yīng)子集的判別函數(shù),依據(jù)有限樣本構(gòu)建最佳模型,使機器學(xué)習(xí)的實際風(fēng)險降到最低．SVM分類器采用二次規(guī)劃尋找最優(yōu)解,利用核函數(shù),即使面對高維特征也可獲得較好的結(jié)果,有利于解決非線性分類問題．

SVM可以表示為二次優(yōu)化問題,公式為：

(1)

(2)

(3)

在SVM分類器中,核函數(shù)的選擇十分關(guān)鍵,常用的核函數(shù)包括4種[16],其中高斯徑向基核函數(shù)能夠有效解決線性不可分問題,應(yīng)用較為普遍[17-18],因此本文選用高斯徑向基核函數(shù)進行農(nóng)作物分類．

2.1.2 決策樹法

決策樹法適合對無序、無規(guī)則的多種空間數(shù)據(jù)通過尋找內(nèi)部暗藏規(guī)律進行分類．在決策樹模型使用中需要考慮算法特性．決策樹模型的優(yōu)點：① 淺層的(Shallow)決策樹視覺上非常直觀,而且容易解釋;② 對數(shù)據(jù)結(jié)構(gòu)和分布不需作任何假設(shè);③ 可以捕捉住變量間的相互作用(Interaction)．但是,決策樹法也存在深層視覺上和解釋上比較困難、容易過分微調(diào)樣本數(shù)據(jù)而失去穩(wěn)定性和抗震蕩性、對樣本量(Sample Size)需求比較大和處理缺失值功能非常有限等缺陷．

2.1.3 隨機森林法

隨機森林(Random Forest,RF)是一種特殊的套袋算法,本質(zhì)是決策樹法的改進．該算法特性良好,相對于單棵決策樹而言泛化能力更強、穩(wěn)定性更高,運算速度較快且魯棒性較好,能夠避免因單棵決策樹引起的過擬合現(xiàn)象,在小樣本容量情況下依舊能夠保持較好的穩(wěn)定性,具備良好的抗噪能力,容易實現(xiàn),分類效果較好,在農(nóng)作物種植信息提取應(yīng)用中優(yōu)勢明顯．在隨機森林分類算法模型構(gòu)建過程中,特征變量數(shù)量m和決策樹數(shù)量n為需要設(shè)置的參數(shù),應(yīng)用不同其取值不同,計算公式為：

Model=RF_train(Index,Value)

(4)

Result=RF_class(Index,Value)

(5)

式(4)-式(5)中,Model為RF建立的模型,Index為RF輸入變量的數(shù)據(jù)集,Value為分類結(jié)果隸屬的代表數(shù)值,Result是RF的分類結(jié)果．

2.2 層次分析法

層次分析法是一種多層次權(quán)重分析決策方法[19],被廣泛應(yīng)用于農(nóng)作物適宜性評價．層次分析方法是將復(fù)雜問題先看作一個系統(tǒng),然后對其各組成要素進行兩兩分析,合并層次形成各組成要素間有序的層次,進而形成有序的層次模型[20]．然后,根據(jù)層次間的重要性對每一個層次因素給出判斷矩陣,求出每一層次全部要素的相對權(quán)值,就會得到最終每個因子的權(quán)重值,否則繼續(xù)進行層次劃分[21]．層次分析是一種決策分析方法,也是一個量化過程,根據(jù)各因素之間的比較和計算可以得出相應(yīng)的決策方案,這些方案可以被選為最佳方案或作為被選為最佳方案的依據(jù)．

3 基于Sentinel-2數(shù)據(jù)的農(nóng)作物分類

3.1 基于Sentinel-2影像植被指數(shù)數(shù)據(jù)提取

利用多時相的Sentinel-2影像提取光譜特征、分割特征、顏色特征及紋理特征,構(gòu)建特征數(shù)據(jù)集,這些特征可以將土地覆蓋類型的光譜與空間信息進行有效地結(jié)合,從而極大地提高遙感影像中農(nóng)作物的識別能力和準確性,改善作物制圖的準確率．

植被指數(shù)由衛(wèi)星影像數(shù)據(jù)不同波段組合而得,將光譜信息壓縮為一個通道,能夠反映地表植被的生長狀況[22-23]．多種植被指數(shù),如歸一化建筑指數(shù)、歸一化水體指數(shù)、歸一化差值紅邊指數(shù)、簡單比值指數(shù)和紅邊葉綠素指數(shù)已經(jīng)被廣泛應(yīng)用于植被分類[24-25]、干旱監(jiān)測[26]、全球與區(qū)域土地覆蓋[27-28]、農(nóng)作物識別[29-31]、作物和牧草估產(chǎn)等領(lǐng)域的研究中．紅邊是描述植物色素、健康狀況的重要指示波段,能夠有效地應(yīng)用于參數(shù)計算、植被狀態(tài)監(jiān)測等領(lǐng)域．

已有研究發(fā)現(xiàn),紅邊信息能夠用來有效地區(qū)分地物類別．目前,幾十種植被指數(shù)已被定義,對不同地物的敏感性也具有差異．其中,歸一化差分植被指數(shù)(Normalized Difference Vegetation Index,NDVI)在農(nóng)作物提取和監(jiān)測中應(yīng)用較為廣泛．考慮到Sentinel-2影像的波段特點,本文除NDVI植被指數(shù)外,選取了歸一化建筑指數(shù)(Normalized Difference Building Index,NDBI)、歸一化水體指數(shù)(Normalized Difference Water Index,NDWI)、歸一化差值紅邊指數(shù)(Normalized Difference Red Edge Index,NDRE1)[34]、簡單比值指數(shù)(Simple Ratio Index,SRre)[35]和紅邊葉綠素指數(shù)(Red-Edge Chlorophyll Index,CIred-edge)共同作為指數(shù)特征進行研究,各植被指數(shù)的計算公式見表1．

表1 植被指數(shù)及計算公式

3.2 主要農(nóng)作物分類精度評價

3.2.1 精度評價標準

通過計算混淆矩陣來獲取各分類方案在不同分類器下農(nóng)作物分類結(jié)果的精度．混淆矩陣是衡量不同分類器分類精度最直觀、最便捷的方式．本文主要利用總體精度和Kappa系數(shù)這2個評價指標來分析各方案及算法的農(nóng)作物分類精度．

進行常規(guī)健康教育，健康教育6 個月后，對病人集體進行1次 60 min的骨質(zhì)疏松預(yù)防知識講解，同時為每例病人免費提供1本 2 型糖尿病病人骨質(zhì)疏松預(yù)防小冊。

總體精度(Overall Accuracy,OA)為被正確分類的樣本個數(shù)占樣本總數(shù)的比例,其計算公式為：

(6)

式(6)中,OA為總體精度;N為樣本總數(shù);r為分類類別總個數(shù);i為第j類地物被正確分類的樣本個數(shù)．

Kappa系數(shù)計算公式為：

(7)

式(7)中,N為樣本點像元總數(shù);xi+和x+i分別為第i列、第i行的和;xii為主對角線上的值．

3.2.2 精度評價

本研究所選用的分割方法為棋盤分割(Chess Board),以3個像素格為單位作為一個棋盤格,一個像素格面積為900 m2．為了比較農(nóng)作物分類過程中支持向量機(SVM)、決策樹、隨機森林(RF)3種分類器的分類精度,優(yōu)選出適合地形復(fù)雜地區(qū)農(nóng)作物的分類算法,通過野外實地調(diào)查獲取驗證數(shù)據(jù),采用建立混淆矩陣的方法對分類結(jié)果進行精度驗證．

具體評價指標為總體分類精度(OA)和Kappa系數(shù),其中總體精度是正確分類像元數(shù)占參與分類總像元數(shù)比例的表征;Kappa系數(shù)則用來度量分類結(jié)果與實際數(shù)據(jù)的一致性,分類結(jié)果評價精度見表2．

表2 分類結(jié)果評價精度

3.3 基于Sentinel-2影像農(nóng)作物分類結(jié)果分析

根據(jù)支持向量機(SVM)分類、決策樹分類、隨機森林(RF)分類算法的分類結(jié)果(表3),可以看出所有分類方法中只有決策樹分類法未識別出西藍花,其余方法中SVM分類法提取的作物面積最小．

表3 不同分類結(jié)果的各農(nóng)作物種植面積

3.4 干預(yù)后隨機森林分類結(jié)果

將隨機森林分類法得到的結(jié)果進行人為干預(yù)后得到研究區(qū)主要農(nóng)作物分布情況(圖2)．從圖2中可以看出,8種農(nóng)作物廣泛分布在研究區(qū)內(nèi)．經(jīng)分析發(fā)現(xiàn),研究區(qū)內(nèi)主要農(nóng)作物分布整體呈鑲嵌結(jié)構(gòu),結(jié)合表3中各農(nóng)作物的種植面積分析可知,在干預(yù)后隨機森林分類法得到的研究區(qū)主要農(nóng)作物分類中,白菜的種植面積最大,約為471.11 km2,廣泛分布于研究區(qū)全區(qū);油麥菜種植面積其次,約為451.12 km2,接著從大到小依次為玉米、野燕麥、生菜、馬鈴薯、胡蘿卜、西藍花;其中種植面積最小的是西藍花,約為47.58 km2(圖2)．

圖2 干預(yù)后隨機森林分類主要農(nóng)作物提取分布情況

4 種植區(qū)域土地適宜性評價

4.1 種植區(qū)域土地適宜性指標體系結(jié)構(gòu)及權(quán)重確定

作物經(jīng)濟性評價理論認為,作物在其區(qū)域能否正常生長及取得多大的經(jīng)濟效益取決于3個因素：① 作物生長所處的自然物理環(huán)境,包括氣候條件、地形地貌、土壤質(zhì)量等．② 作物生長的社會條件,包括基礎(chǔ)設(shè)施情況、人文環(huán)境等．③ 作物本身對經(jīng)濟適宜性評價的影響,包括葉綠素含量、水分含量、有效氮含量等．這3個因素決定了物種的地理空間分布,本文也正是基于這個理論來進行作物種植經(jīng)濟適宜性評價研究．

河北省張家口市沽源縣2012年土地變更調(diào)查耕地面積為1 319 km2,主要農(nóng)作物有燕麥、馬鈴薯、亞麻、雜豆、蔬菜等,是華北最大的脫毒薯基地．根據(jù)鄉(xiāng)鎮(zhèn)種植意向調(diào)查資料顯示,蔬菜、莜麥、甜菜、玉米、雜豆等農(nóng)作物種植面積增長,零星種植的馬鈴薯、小麥、油料等種植面積有所下降．研究中考慮到評價因子的相關(guān)性、穩(wěn)定性及各因子數(shù)據(jù)的可獲得性,選取海拔、坡度、坡向、土壤類型及土壤侵蝕度作為研究區(qū)主要農(nóng)作物種植土地適宜性評價因子．采用層次分析法(Analytic Hierarchy Process,簡稱AHP)來確定各評價因子的權(quán)重(表4)．

表4 種植區(qū)域土地適宜性評價指標及權(quán)重

4.2 種植區(qū)域土地適宜性分級結(jié)果分析

根據(jù)河北省張家口市沽源縣主要農(nóng)作物種植生態(tài)適宜性指標體系,將土壤侵蝕度和土壤類型作為土壤要素因子;并將海拔、坡度和坡向3個地形指標綜合為地形要素因子．參照以往的研究,根據(jù)層次分析法(AHP)的具體步驟,利用和積法對判斷矩陣進行歸一化和正規(guī)化處理,確定各評價因子權(quán)重[32],并對各因子的影響程度進行分級．按照自然分斷法,劃分為3類土地適宜性等級[33]．根據(jù)《土地評價綱要》中對特定用途土地適宜性程度評價等級劃分要求及河北省張家口市沽源縣主要農(nóng)作物種植的自然條件,將土地適宜性分為適宜、中度適宜和不適宜3個等級(表5)．

表5 主要農(nóng)作物種植區(qū)域土地適宜性分級指標

4.3 種植區(qū)域土地適宜性評價

利用GIS層次分析法與土地適宜性分級指標進行評估,獲得河北省張家口市沽源縣主要農(nóng)作物種植土地綜合適宜性等級分布圖(圖3)．由圖3分析可知,研究區(qū)內(nèi)中度適宜種植當?shù)刂饕r(nóng)作物的用地面積最大,其次是適宜種植面積,不適宜種植地區(qū)的面積最?。畯恼w上看,河北省張家口市沽源縣適宜和中度適宜種植用地均勻分布在研究區(qū)內(nèi),不太適宜種植用地主要分布在沽源縣白土窯鄉(xiāng)、西辛營鄉(xiāng)、西坡、閃電河鄉(xiāng)等地區(qū)．由此分析,對于沽源縣主要農(nóng)作物種植中度適宜地區(qū),建議培肥地力,提升該區(qū)域的土地質(zhì)量;在不適宜地區(qū)發(fā)展其他產(chǎn)業(yè),更加合理地規(guī)劃利用土地;在種植適宜區(qū)應(yīng)完善現(xiàn)有種植園,創(chuàng)新種植技術(shù)和生產(chǎn)模式,促進當?shù)禺a(chǎn)業(yè)發(fā)展(圖3)．

圖3 區(qū)域種植土地綜合適宜性等級分布圖

5 結(jié)論

5.1 研究區(qū)內(nèi)農(nóng)作物種植信息

以Sentinel-2提取的NDV,NDBI,NDWI,NDRE1,SRre,CIred-edge數(shù)據(jù)及組合為分類特征,分別采用SVM分類法、決策樹分類法、隨機森林分類法提取研究區(qū)內(nèi)農(nóng)作物種植信息．結(jié)果表明,隨機森林分類法對研究區(qū)內(nèi)8種主要農(nóng)作物進行分類的精度最高,其總體準確率為65.10%,Kappa系數(shù)為0.587 1．

5.2 研究區(qū)內(nèi)主要農(nóng)作物分布情況

將隨機森林分類法得到的結(jié)果進行人為干預(yù)后得到研究區(qū)主要農(nóng)作物分布情況,發(fā)現(xiàn)8種農(nóng)作物廣泛分布在研究區(qū)內(nèi),整體呈鑲嵌結(jié)構(gòu),其中馬鈴薯種植面積最大,約為22 728 hm2,廣泛分布于研究區(qū)全區(qū);生菜種植面積其次,約為21 565 hm2,接著從大到小依次為野燕麥、玉米、油麥菜、白菜、西藍花,其中野燕麥和玉米主要分布在沽源縣的中部和西部地區(qū),有較少部分分布于以“塞北管理區(qū)—豐源店”為界的東部地區(qū);種植面積最小的是胡蘿卜,約6 826 hm2,最集中區(qū)域在沽源縣南部,在東北邊遠地區(qū)種植較少．

5.3 研究區(qū)主要農(nóng)作物種植區(qū)域土地綜合適宜性等級

利用GIS加權(quán)疊加法與土地適宜性分級指標進行評估,獲得沽源縣主要農(nóng)作物種植土地綜合適宜性等級,發(fā)現(xiàn)研究區(qū)內(nèi)中度適宜種植當?shù)刂饕r(nóng)作物的用地面積最大,其次是適宜種植面積,不適宜種植地區(qū)的面積最?。畯恼w上看,河北省張家口市沽源縣適宜和中度適宜種植用地均勻分布在研究區(qū)內(nèi)．