Cultivated Land Quality Index and Evaluation Progress Based on High Resolution Remote Sensing

doi:10.11924/j.issn.1000-6850.casb2022-0485

Abstract

Abstract:

As a comprehensive index reflecting different characteristics of cultivated land, the quality of cultivated land is of great significance to the sustainable development of agriculture. This paper summarizes the application of high resolution remote sensing image in the evaluation of cultivated land quality. At present, there are some problems in the information collection technology of cultivated land quality evaluation, such as small monitoring range, short monitoring time span, high cost, low efficiency and so on. Remote sensing images with high spatial resolution, high temporal resolution and high spectral resolution could provide technical support and data basis for long-term and large-scale cultivated land quality evaluation. This paper summarizes the application of remote sensing technology to identifying terrain features, field infrastructure, soil properties, farmland environment and biodiversity and other cultivated land quality evaluation indicators at home and abroad. Based on the introduction of cultivated land quality grade evaluation method, the vegetation index collaborative evaluation method is summarized. To provide reference for rapid and accurate evaluation of cultivated land quality, on the basis of introducing the evaluation method of cultivated land quality grade, this paper concludes the cooperative evaluation method of vegetation index, at the same time, the evaluation method of cultivated land quality based on high resolution remote sensing is proposed combined with principal component analysis. This paper explores the acquisition method and evaluation system of cultivated land quality evaluation index based on high resolution remote sensing.

Key words: high resolution remote sensing, cultivated land quality, evaluation of cultivated land quality, evaluation index, index acquisition

TANG Mengmeng, JIANG Wenjuan, DING Qixun, WANG Qiang, MA Youhua. Cultivated Land Quality Index and Evaluation Progress Based on High Resolution Remote Sensing[J]. Chinese Agricultural Science Bulletin, 2023, 39(16): 131-136.

Figures/Tables 2

References 69

[1]	沈仁芳, 陈美军, 孔祥斌, 等. 耕地质量的概念和评价与管理对策[J]. 土壤学报, 2012, 49(6):1210-1217.
[2]	刘友兆, 马欣, 徐茂. 耕地质量预警[J]. 中国土地科学, 2003(6):9-12.
[3]	王静怡, 李晓明. 近20年中国耕地数量变化趋势及其驱动因子分析[J]. 中国农业资源与区划, 2019, 40(8):171-176.
[4]	FOLEY J, DEFRIES R, ASNER G, et al. Global consequences of land use[J]. Science, 2005, 309:570-574 doi: 10.1126/science.1111772 pmid: 16040698
[5]	KONG X. China must protect high-quality arable land[J]. Nature, 2014, 506:7. doi: 10.1038/506007a
[6]	LIU X, ZHAO C, SONG W. Review of the evolution of cultivated land protection policies in the period following China's reform and liberalization[J]. Land use policy, 2017, 67:660-669. doi: 10.1016/j.landusepol.2017.07.012 URL
[7]	曾巧云, 丁丹, 檀笑. 中国农业土壤中四环素类抗生素污染现状及来源研究进展[J]. 生态环境学报, 2018, 27(9):1774-1782. doi: 10.16258/j.cnki.1674-5906.2018.09.025
[8]	陈印军, 方琳娜, 杨俊彦. 我国农田土壤污染状况及防治对策[J]. 中国农业资源与区划, 2014, 35(4):1-5,19.
[9]	曹祥会, 龙怀玉, 雷秋良, 等. 河北省表层土壤可侵蚀性K值评估与分析[J]. 土壤, 2015, 47(6):1192-1198.
[10]	GUO J H, LIU X J, ZHANG Y, et al. Significant acidification in major Chinese croplands[J]. Science, 2010, 327:1008-1010. doi: 10.1126/science.1182570 pmid: 20150447
[11]	KONG X, ZHANG X, LA L R, et al. Groundwater depletion by agricultural intensification in China's HHH Plains, since 1980s[J]. Advances in agronomy, 2016, 135:59-106.
[12]	臧俊梅, 郑捷航, 农殷璇, 等. 耕地保护及其必要性:不同兼业程度农户的认知与意愿——基于珠三角的调查与实证[J]. 中国农业资源与区划, 2020, 41(2):82-90.
[13]	孙晓兵, 孔祥斌, 温良友. 基于耕地要素的耕地质量评价指标体系研究及其发展趋势[J]. 土壤通报, 2019, 50(3):739-747.
[14]	王茵茵, 齐雁冰, 陈洋, 等. 基于多分辨率遥感数据与随机森林算法的土壤有机质预测研究[J]. 土壤学报, 2016, 53(2):342-354.
[15]	白照广. 高分一号卫星的技术特点[J]. 中国航天, 2013(8):5-9.
[16]	JIA K, WU B, TIAN Y, et al. Vegetation classification method with biochemical composition estimated from remote sensing data[J]. International journal of remote sensing, 2011, 32(24):9307-9325. doi: 10.1080/01431161.2011.554454 URL
[17]	ZAMBON I, COLANTONI A, CARLUCCI M, et al. Land quality, sustainable development and environmental degradation in agricultural districts: A computational approach based on entropy indexes[J]. Environmental impact assessment review, 2017, 64:37-46. doi: 10.1016/j.eiar.2017.01.003 URL
[18]	孔祥斌, 李翠珍, 赵晶, 等. 乡镇尺度耕地生产能力实现程度分析与实证[J]. 农业工程学报, 2010, 26(12):345-351.
[19]	贾伟, 高小红, 杨扬, 等. 基于Landsat 8 OLI影像的三江源区表层土壤全氮空间格局反演[J]. 干旱区研究, 2015, 32(5):890-896.
[20]	张娟娟, 田永超, 姚霞, 等. 基于高光谱的土壤全氮含量估测[J]. 自然资源学报, 2011, 26(5):881-890.
[21]	文虎. 绿洲农田盐碱斑土壤表层盐分和pH值的光谱特征研究[D]. 乌鲁木齐: 新疆农业大学, 2016.
[22]	刘焕军, 潘越, 窦欣, 等. 黑土区田块尺度土壤有机质含量遥感反演模型[J]. 农业工程学报, 2018, 34(1):127-133.
[23]	GAO J F, PAN G X, JIANG X S, et al. Land-use induced changes in topsoil organic carbon stock of paddy fields using MODIS and TM/ETM analysis: A case study of Wujiang County, China[J]. Journal of environmental sciences, 2008(7):852-858.
[24]	王浩, 罗格平, 王伟胜, 等. 基于多源遥感数据的锡尔河中下游农田土壤水分反演[J]. 自然资源学报, 2019, 34(12):2717-2731. doi: 10.31497/zrzyxb.20191218
[25]	李爱迪. 地形因素影响下重庆市主要土壤的质地类型空间分布预测研究[D]. 重庆: 西南大学, 2019.
[26]	AMANI Meisam, PARSIAN Saeid, MIRMAZLOUMI S Mohammad, et al. Two new soil moisture indices based on the NIR-red triangle space of Landsat-8 data[J]. International journal of applied earth observation and geoinformation, 2016, 50:176-186. doi: 10.1016/j.jag.2016.03.018 URL
[27]	AI Jinquan, GAO Wei, GAO Zhiqiang, et al. Phenology-based Spartina alterniflora mapping in coastal wetland of the Yangtze Estuary using time series of GaoFen satellite No.1 wide field of view imagery[J]. Journal of applied remote sensing, 2017, 11(2):26020. doi: 10.1117/1.JRS.11.026020 URL
[28]	杜国明, 刘彦随, 于凤荣, 等. 耕地质量观的演变与再认识[J]. 农业工程学报, 2016, 32(14):243-249.
[29]	孔祥斌, 张蚌蚌, 温良友, 等. 基于要素-过程-功能的耕地质量理论认识及其研究趋势[J]. 中国土地科学, 2018, 32(9):14-20.
[30]	张宏鸣, 胡勇, 杨勤科, 等. 基于影像与坡度数据融合的梯田田块分割方法[J]. 农业机械学报, 2018, 49(4):249-256.
[31]	花奋奋. 多基线干涉SAR高程反演研究[D]. 北京: 中国矿业大学, 2015.
[32]	薛继群, 邓喀中, 范洪冬, 等. 雷达干涉测量技术获取多分辨率山区高程模型[J]. 全球定位系统, 2011, 36(3):57-61.
[33]	李国华. 基于2 m格网点云数据的高精度DEM制作第三次国土调查坡度图[J]. 测绘通报, 2020(8):117-121.
[34]	王明宇, 于洪雨, 武海英. 基于DEM成果探讨耕地坡度分级数据的生产方式[J]. 测绘与空间地理信息, 2019, 42(12):234-235,238.
[35]	赵卫东, 周弯, 汤国安, 等. 基于GRID-TIN混合格网DEM的旱作梯田数值模拟模型研究[J]. 地理与地理信息科学, 2015, 31(3):38-43.
[36]	杨建莹, 霍治国, 邬定荣, 等. 基于MODIS和SEBAL模型的黄淮海平原冬小麦水分生产力研究[J]. 中国农业气象, 2017, 38(7):435-446.
[37]	任金铜, 杨武年, 邓晓宇, 等. 基于OIF和最优尺度分割的GF-2影像分类适用性研究[J]. 现代电子技术, 2018, 41(8):72-77,82.
[38]	彭建, 王仰麟, 张源, 等. 土地利用分类对景观格局指数的影响[J]. 地理学报, 2006(2):157-168.
[39]	韩兆迎, 朱西存, 刘庆, 等. 黄河三角洲土壤有机质含量的高光谱反演. 植物营养与肥料学报, 2014,20():1545-1552.
[40]	汤旭光. 基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 北京: 中国科学院大学, 2013.
[41]	菅永峰, 韩泽民, 黄光体, 等. 基于高分辨率遥感影像的北亚热带森林生物量反演[J]. 生态学报, 2021, 41(6):2161-2169.
[42]	付炜. 土壤遥感分类识别专家系统的结构设计[J]. 生态环境, 2004(1):63-68.
[43]	杨建锋, 马军成, 王令超. 基于多光谱遥感的耕地等别识别评价因素研究[J]. 农业工程学报, 2012(17):230-236.
[44]	宋海燕, 秦刚, 韩小平, 等. 基于近红外光谱和正交信号-偏最小二乘法对土壤的分类[J]. 农业工程学报, 2012, 28(7):168-171.
[45]	董伟, 李雷. 基于极限学习机利用可见-近红外光谱数据判别土壤类型的方法研究[J]. 土壤通报, 2020, 51(3):505-510.
[46]	白燕英, 魏占民, 刘全明, 等. 基于高光谱的河套灌区农田表层土壤质地反演研究[J]. 地理与地理信息科学, 2013, 29(5):68-71,93.
[47]	管文轲, 霍艾迪, 吴天忠, 等. 塔里木河中游沙漠化地区地下水位遥感监测[J]. 水土保持通报, 2017, 37(5):245-249,283.
[48]	刘伟, 施建成, 余琴, 等. 地表土壤水分与雷达后向散射系数及入射角之间关系研究[J]. 国土资源遥感, 2004, 16(3):14-17.
[49]	屈冉, 张雅琼, 聂忆黄, 等. 基于多光谱遥感影像的富川县表层土壤有机质含量反演[J]. 环境与可持续发展, 2019, 44(1):154-157.
[50]	赵瑞, 崔希民, 刘超. GF-5高光谱遥感影像的土壤有机质含量反演估算研究[J]. 中国环境科学, 2020, 40(8):3539-3545.
[51]	任红艳, 史学正, 庄大方, 等. 土壤全氮含量与碳氮比的高光谱反射估测影响因素研究[J]. 遥感技术与应用, 2012, 27(3):372-379.
[52]	林楠, 刘海琪, 杨佳佳, 等. BA-Adaboost模型的黑土区土壤养分含量高光谱估测[J]. 光谱学与光谱分析, 2020, 40(12):3825-3831.
[53]	蒋烨林, 王让会, 李焱, 等. 艾比湖流域不同土地覆盖类型土壤养分高光谱反演模型研究[J]. 中国生态农业学报, 2016, 24(11):1555-1564.
[54]	ZERAATPISHEH Mojtaba, AYOUBI Shamsollah, JAFARI Azam, et al. Digital mapping of soil properties using multiple machine learning in a semi-arid region, central Iran[J]. Geoderma, 2019, 338:445-452. doi: 10.1016/j.geoderma.2018.09.006 URL
[55]	THOMAS Kemper, STEFAN Sommer. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental science & technology, 2002, 36(12):2742-2747. doi: 10.1021/es015747j URL
[56]	兰泽英, 刘洋. 乐安河流域土壤重金属含量高光谱间接反演模型及其空间分布特征研究[J]. 地理与地理信息科学, 2015, 31(3):26-31.
[57]	王维, 沈润平, 吉曹翔. 基于高光谱的土壤重金属铜的反演研究. 遥感技术与应用, 2011, 26(3):348-354.
[58]	中国农业技术推广服务中心, 北京市土肥工作站, 山东省土壤肥料总站, 等. GB/T 33469—2016,耕地质量等级[S]. 北京: 中国标准出版社, 2016.
[59]	郭云开, 张思爱, 谢晓峰, 等. 基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究[J]. 土壤通报, 2021, 52(4):968-974.
[60]	郭庆华, 胡天宇, 姜媛茜, 等. 遥感在生物多样性研究中的应用进展[J]. 生物多样性, 2018, 26(8):789-806. doi: 10.17520/biods.2018054
[61]	李冰, 梁燕华, 李丹丹, 等. 多时相GF-1卫星PMS影像提取农作物种植结构[J]. 中国农业资源与区划, 2017, 38(9):56-62.
[62]	李正国, 唐华俊, 杨鹏, 等. 植被物候特征的遥感提取与农业应用综述[J]. 中国农业资源与区划, 2012, 33(5):20-28.
[63]	方琳娜, 宋金平. 基于SPOT多光谱影像的耕地质量评价——以山东省即墨市为例[J]. 地理科学进展, 2008(5):71-78. doi: 10.11820/dlkxjz.2008.05.010
[64]	WANG Z, WANG L, XU R, et al. GIS and RS based assessment of cultivated land quality of Shandong Province[J]. Procedia environmental sciences, 2012(12):823-830.
[65]	KENNEDY, WERE, DIEU, et al. A comparative assessment of support vector regression, artificial neural networks, and random forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape[J]. Ecological indicators, 2015, 52:394-403. doi: 10.1016/j.ecolind.2014.12.028 URL
[66]	欧阳玲. 基于遥感和SVM模型的松嫩平原南部耕地质量评价[D]. 长春: 中国科学院东北地理与农业生态研究所, 2017.
[67]	姚赫男, 李艳, 曹宇. 基于RS和GIS的耕地资源质量评价——以浙江省富阳市为例[J]. 土壤, 2013, 45(4):732-738.
[68]	张新乐, 钱蕾, 鲍依临, 等. 黑土区田块尺度耕地质量遥感监测与评价[J]. 土壤通报, 2020, 51(6):1303-1312.
[69]	彭一平, 刘振华, 肖北生, 等. 基于高分遥感的县域耕地质量监测[J]. 江苏农业学报, 2019, 35(4):841-846.

指标分类	指标类型	指标名称
定性指标	地形特征	地形部位
	地形特征	田面坡度
	田间基础设施	灌溉条件
		排水条件
		农田林网化
		道路通达度
	生物多样性	生物多样性
定量指标	土壤性状	土壤类型
		耕层质地
		土壤含水量
		土壤养分
		表层有机质含量
	农田环境状况	土壤重金属含量

指标分类	指标类型	指标名称
定性指标	地形特征	地形部位
	地形特征	田面坡度
	田间基础设施	灌溉条件
		排水条件
		农田林网化
		道路通达度
	生物多样性	生物多样性
定量指标	土壤性状	土壤类型
		耕层质地
		土壤含水量
		土壤养分
		表层有机质含量
	农田环境状况	土壤重金属含量