CN116011881A - 一种基于像元尺度的黑土农田生产力评价方法及系统 - Google Patents
一种基于像元尺度的黑土农田生产力评价方法及系统 Download PDFInfo
- Publication number
- CN116011881A CN116011881A CN202310076860.2A CN202310076860A CN116011881A CN 116011881 A CN116011881 A CN 116011881A CN 202310076860 A CN202310076860 A CN 202310076860A CN 116011881 A CN116011881 A CN 116011881A
- Authority
- CN
- China
- Prior art keywords
- index
- black soil
- productivity
- farmland
- black
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002689 soil Substances 0.000 title claims abstract description 189
- 238000011156 evaluation Methods 0.000 title claims abstract description 115
- 230000014509 gene expression Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003750 conditioning effect Effects 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000000556 factor analysis Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000000846 Bartlett's test Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于像元尺度的黑土农田生产力评价方法及系统。该方法包括：获取黑土农田生产力评价指标；基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；基于各所述黑土农田生产力评价指标的指标值以及各所述黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式；基于所述权重以及所述表达式，采用线性加权模型计算黑土农田生产力。本发明建立并完善了区域尺度上农田生产力评价体系，选取区域尺度上的黑土农田生产力指标，并在此基础之上结合主成分分析法和线性加权模型计算综合得分以评价黑土农田生产力，从而能够更加高效且准确地评价黑土农田生产力，以满足对农田管理的需要。
Description
技术领域
本发明涉及农田生产力评价技术领域，特别涉及一种基于像元尺度的黑土农田生产力评价方法及系统。
背景技术
黑土作为高质量耕地，在粮食安全保障方面具有不可替代的作用。然而近年来，由于土地撂荒、各类建设用地占用了大量优质农田，同时黑土区坡缓坡长及降水集中的特点加速了水土流失，自然因素制约和人为高强度利用，黑土区退化日益严重。明确黑土农田生产力现状，系统开展农田生产力诊断是培育健康耕地和提高农田生产力的基础，对揭示黑土农田侵蚀阻控原理及量化水土保持措施效应具有现实意义，同时也是可持续管理的重要内容。
当前针对农田生产力评价方法，常用的主要有P-S-R框架模型法、层次分析法、基于实测产量的评价方法、农田潜力评价法及农田适宜性评价法等。国外的农田生产力研究主要关注土壤质量，并从土壤质量扩展到土壤健康领域，主要集中在包括耕地在内的土地质量的演变和可持续利用上，将土壤健康与土壤功能、生态系统服务和人类福祉相结合，综合评定土壤质量对人类需求的满足程度。而国内的农田生产力研究关注以耕地质量为代表的粮食生产力上，主要从耕地土壤质量、生态质量、管理质量以及经济质量等方面对农田生产力内涵进行界定，以多源遥感数据为支撑，构建评价指标体系对农田生产力实现高精度，多样化的监测和评价。
目前农田生产力评价更多地针对耕地的数量、质量的某一方面，或者某一时间点进行评价。由于耕地的位置差异，不同农田生产力评价方法的实践性和适用性较差，评价结果也有较大的差异，目前还没有针对黑土农田建立的生产力评价指标体系，且所建立的评价指标体系难以直接移植黑土区。此外，农田生产力评价主要采用的是统计数据，由于土壤样品数据在长时间序列上收集存在困难，因而利用土壤实测数据作为评价指标侧重于小尺度的土壤养分研究。而对于大尺度的农田生产力空间变异性及其影响因素的分析受到一定限制。
农田生产力的内涵在不断丰富，评价目的越来越多样化，对耕地资源的价值和质量的全面综合性评价研究仍有待深入。
发明内容
基于此，本发明的目的是提供一种基于像元尺度的黑土农田生产力评价方法及系统，用以探索建立并完善区域尺度上农田生产力评价体系，选取区域尺度上的黑土农田生产力指标，高效准确地评价黑土农田生产力。
为实现上述目的，本发明提供了如下方案：
一种基于像元尺度的黑土农田生产力评价方法，包括：
获取黑土农田生产力评价指标；所述黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数；
基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；
基于各所述黑土农田生产力评价指标的指标值以及各所述黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式；
基于所述权重以及所述表达式，采用线性加权模型计算黑土农田生产力。
可选地，获取黑土农田生产力评价指标，具体包括：
获取黑土遥感影像数据，并基于所述遥感影像数据提取所述土壤退化指数、所述土壤水分指数、所述土壤调节植被指数、所述湿度指数、所述绿度指数、所述热度指数和所述干度指数；
获取黑土气候数据，并基于所述气候数据提取所述温度和所述降水；
获取黑土地形数据，并基于所述地形数据提取所述坡度和所述曲率；
获取黑土人口数据，并基于所述人口数据提取所述人口密度。
可选地，在获取黑土农田生产力评价指标之后，还包括：
对所述黑土农田生产力评价指标进行KMO检验和Bartlett球形检验。
可选地，基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重，具体包括：
建立所述黑土农田生产力评价指标的相关系数矩阵；
计算所述相关系数矩阵的特征值和方差贡献率；
基于所述特征值和所述方差贡献率确定主成分；
以各所述主成分的方差贡献率占所有主成分总方差贡献率的比重作为各所述主成分的权重。
可选地，基于各所述黑土农田生产力评价指标的指标值以及各所述黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式，具体包括：
获取各所述黑土农田生产力评价指标的指标值；
获取各所述黑土农田生产力评价指标对应主成分的成分得分系数；
将所述指标值与所述成分得分系数相乘，得到各主成分的表达式。
可选地，所述黑土农田生产力的计算公式如下：
其中，FPI为黑土农田生产力指数，ei为第i个主成分的权重，Fi为第i个主成分的表达式，k为主成分的个数。
本发明还提供了一种基于像元尺度的黑土农田生产力评价系统，包括：
黑土农田生产力评价指标获取模块，用于获取黑土农田生产力评价指标；所述黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数；
权重确定模块，用于基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；
主成分表达式确定模块，用于确定各主成分的表达式；
黑土农田生产力计算模块，用于基于所述权重以及所述表达式，采用线性加权模型计算黑土农田生产力。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明建立并完善了区域尺度上农田生产力评价体系，选取区域尺度上的黑土农田生产力指标，并在此基础之上结合主成分分析法和线性加权模型计算综合得分以评价黑土农田生产力，从而能够更加高效且准确地评价黑土农田生产力，以满足对农田管理的需要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于像元尺度的黑土农田生产力评价方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于像元尺度的黑土农田生产力评价方法及系统，用以探索建立并完善区域尺度上农田生产力评价体系，选取区域尺度上的黑土农田生产力指标，高效准确地评价黑土农田生产力。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明提供了一种基于像元尺度的黑土农田生产力评价方法，如图1所示，该方法包括以下步骤：
步骤101：获取黑土农田生产力评价指标；黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数。
具体地，根据黑土遥感影像数据提取土壤退化指数、土壤水分指数、土壤调节植被指数、湿度指数、绿度指数、热度指数和干度指数；根据黑土区的气候数据提取温度和降水；根据黑土地形数据提取坡度和曲率；根据黑土人口数据提取人口密度。
本发明通过对近年农田生产力评价指标体系建立的相关研究现状进行总结分析，结合黑土区的气候、地形地貌、土壤质量等典型黑土区农田实际情况，依据耕地地力影响较大、评价区域内的变异较大、在时间序列上具有相对稳定性与评价区域大小有密切相关等原则，参考《农用地分等规程》、《耕地质量等级》和《高标准农田建设评价规划》等国标文件，3个维度分别以自然因素或人类活动的影响、耕地的内在状态、整体的农田生态系统环境三个视角出发，筛选出了生产条件指数(PCI)、土壤状态指数(SSI)、遥感生态指数(RESI)3个维度的12个评价指标(表1)，PCI包括温度(TEM)、降水(PRE)、坡度(SLOPE)、曲率(CUR)和人口密度(POP)5个指标，土壤状态指数包括土壤退化指数(RVI)、土壤水分指数(DVI)和土壤调节植被指数(SAVI)3个指标，遥感生态指数包括湿度指数(WET)、绿度指数(NDVI)、热度指数(LST)和干度指数(NDBSI)4个指标，形成了黑土农田生产力评价指标体系。
表1黑土区农田生产力评价指标体系
在确定黑土农田生产力评价指标之后，还需要对其进行效度评定，即进行KMO(Kaiser-Meyer-Olkin)和Bartlett球形检验，确定其是否可以采用因子分析。
1)KMO检验：用于考察变量间的偏相关性，取值0～1之间；KMO统计量越接近1，变量间的偏相关性越强，因子分析效果越好。一般统计量在0.7以上为适宜做因子分析，＜0.5则不适宜做因子分析。
2)各变量间应该具有相关性，如彼此独立，则无法提取公因子。通过Bartlett球形检验来判断，一般<0.05表明可以进行因子分析。
为了避免计算过程中指标量纲与变化趋势不同对评价结果造成影响，首先应对指标进行无量纲化和同趋势化处理。正向指标也称为效益型指标，指标数值越大越优。逆向指标也称为成本型指标，指标数值越小越优。利用式(1)和式(2)对各个指标的原始值做归一化处理，将范围统一在[0，1]之间。然而为了更好的体现变化趋势，再将其放大1000倍，最后将浮点型数据转化为整型数据，以便于利用唯一值创建属性表。
式中：BIm为某个因子归一化的像元值，cm为某个因子的像元值，cmax和cmin分别为该因子的最大值、最小值。
最后，将归一化处理后的指标，通过创建一个新的渔网，将所有指标合成到这张渔网中形成一幅新的影像，对新的影像按照研究区边界裁剪，最后获得各个指标的唯一值属性表，以此对新的影像进行主成分分析，得到主成分分析及相关统计结果。
步骤102：基于黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重。具体地：
(1)建立各指标的相关系数矩阵R。
(2)计算R的特征值以及各指标的方差贡献率，确定主成分个数k。特征值>1、累计方差贡献率>80％，满足以上两个条件即可提取公因子变量作为主成分个数k。
(3)以各主成分的方差贡献率占所有主成分总方差贡献率的比重作为主成分的权重。
步骤103：基于各黑土农田生产力评价指标的指标值以及各黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式。
将各黑土农田生产力评价指标的指标值乘以各黑土农田生产力评价指标对应主成分的成分得分系数，得到各主成分的表达式。
步骤104：基于权重以及表达式，采用线性加权模型计算黑土农田生产力。
黑土农田生产力的计算公式为：
式中：FPI为农田生产力指数；ei(i＝1,2,…,k)为第i个主成分的权重；k为选取的主成分个数，Fi表示第i个主成分的表达式。
在现实的农田生产力评价过程中，往往忽视指标权重这方面的重要性，通过一些专家打分法等主观臆断的方式或根据个人经验及爱好进行权重的确定，这样有失评价的客观性以及缺乏说服力。另外，有些研究通过主成分分析法来对指标进行筛选，该方法只取前面方差较大的几个主成分来代表原变量，从而减少了计算工作量，且选择的原则是累计贡献率大于80％，不至于因为节省了工作量却把关键指标漏掉而影响评估结果，但是主成分分析法存在降维后主成分实际意义模糊的缺点，不像原始变量的含义那么清楚、确切，这是变量降维过程中不得不付出的代价。
本发明采用主成分分析法确定指标权重结合线性加权模型计算综合得分以评价黑土农田生产力，避免了上述问题。线性加权模型的优势是包含全部原始数据指标变量，该模型可以弥补主成分分析在降维过程中所付出的代价，且利用主成分分析法确定指标权重同时也可以弥补线性加权模型客观性较差，计算量较大，且无法反映某些评价指标的所具有的突出影响，从而导致评价结果失真的缺点。
本发明还具有下述有益效果：
(1)本发明构建的生产力评价指标体系的数据支持多年甚至逐年的快速获取，填补了以往农田生产力评估时某些评价指标只能获取当前年份数据这一缺陷，可以实现长时间序列的生产力时空格局趋势分析。
(2)本发明应用像元作为典型黑土区农田生产力的评价单元，与现有方法采用土地利用现状图和土壤图叠加形成的图斑作为评价单元的相比更加精细化。
(3)本发明基于遥感数据可实现大面积黑土农田生产力快速监测和评价，摆脱了传统依赖样点插值的面域监测与评价方式，同时可以大大缩短监测与评价周期。
(4)本发明也可以推广应用到其他区域尺度的农田生产力监测和评价，具有很高的推广价值。
实施例二
为了更好的理解本发明提供的方法，本实施例以典型黑土区为例进行对黑土农田生产力评价。
1、典型黑土区介绍
典型黑土区面积为33.3万km2，占东北地区总面积的23.0％，涉及138个县级行政区。黑龙江省典型黑土区的面积为14.9万km2，占典型黑土区总面积44.7％，涉及81个县(区)；吉林省典型黑土区面积为7.3万km2，占典型黑土区总面积21.8％，涉及30个县(区)。辽宁省典型黑土区面积为0.02万km2，占典型黑土区总面积0.06％。内蒙古东5盟(市)典型黑土区面积11.1万km2，占典型黑土区总面积33.5％，涉及26个旗(县)。
2、黑土农田生产力指标数据集制作
(1)评价指标数据收集
1)遥感影像数据收集
遥感影像数据用于提取土壤状态指数的土壤退化指数(RVI)、土壤水分指数(DVI)和土壤调节植被指数(SAVI)3个指标，遥感生态指数的湿度指数(WET)、绿度指数(NDVI)、热度指数(LST)和干度指数(NDBSI)4个指标。遥感影像数据选择中分辨率成像光谱仪(MODIS)TerraMOD09A1版本6.1产品，该产品提供了TerraMODIS波段1至7的表面光谱反射率估计值，该波段已针对气体、气溶胶和瑞利散射等大气条件进行了校正。MOD09A1包含的1～7波段，基本信息如下：可见光(红)波段(b1，620～670nm)、近红外波段(b2，841～876nm)、可见光(蓝)波段(b3，459～479nm)、可见光(绿)波段(b4，545～565nm)、中红外波段(b5，1230～1250nm)、短波红外波段(b6，1628～1652nm)、短波红外波段(b7，2105～2155nm)。空间分辨率为500米，数据格式为HDF，投影为正弦曲线投影。获取的影像成像时间为2020年8月4日，云量筛选范围为最高3％，典型黑土区包括4景影像组成。获取影像后使用MRT工具对Modis数据进行批量化的格式转换、投影转换、影像拼接、波段提取批处理。
2)气候数据收集
气候数据用于提取生产条件指数(PCI)的温度(TEM)和降水(PRE)两个指标。气候数据来源于中国科学院资源环境科学数据中心的中国气象要素年度空间插值数据集(https://www.resdc.cn/DOI/DOI.aspx？DOIID＝96)，空间分辨率为1KM。该数据集是基于全国2400多个站点的气象要素站点日观测数据，在计算各气象要素年值的基础上，基于Anusplin插值软件生成1960-2021年各年度蒸发量、地温、降水量、气压、相对湿度、日照时数、气温、风速8个气象要素的空间插值数据，本发明采用地温和降水量的空间插值数据。
3)地形数据收集
地形数据用于提取生产条件指数(PCI)的坡度(SLOPE)和曲率(CUR)两个指标。地形数据来源于地理空间数据云网站(http://www.gscloud.cn/)的美国奋进号航天飞机的雷达地形测绘SRTM数据。本发明使用的数据集为基于最新的SRTM V4.1数据经重采样生成，空间分辨率为500米。数据采用WGS84椭球投影。
4)人口数据收集
人口数据用于提取生产条件指数(PCI)的人口密度(POP)指标。人口数据来源于LandScan Global全球人口分布数据库，空间分辨率为1km。LandScan由美国能源部橡树岭国家实验室(ORNL)开发，LandScan运用GIS和遥感等创新方法，是全球人口数据发布的社会标准，是全球最为准确、可靠、基于地理位置的、具有分布模型和最佳分辨率的全球人口动态统计分析数据库。
(2)评价指标提取
本发明需要处理的数据为MODIS遥感影像数据与数字高程模型数据，将获取的MOD09A1数据从HDF格式转换为TIF格式之后，将多景影像进行拼接、提取影像的各个波段等预处理，并将这些提取的波段数据统一在同一个坐标系统和投影下(WGS_1984_UTM_Zone_51N)。将转化后的数据进行去除异常值处理，使其保证在有效值范围内，最后再乘以比例因子，以此得到需要的遥感影像。
本发明构建的黑土区农田生产力评价指标体系中，其中生产条件指标(PCI)中的温度(TEM)、降水(PRE)和人口密度(POP)采用中国气象要素年度空间插值数据集及LandScan Global全球人口分布数据库，其空间分辨率均为1KM，将分辨率均重采样为500米；PCI中的坡度(SLOPE)和曲率(CUR)通过对SRTM DEM数据进行提取获得。土壤状态指数(SSI)及遥感生态指数(RESI)两个维度的指标是将完成波段提取与去除异常值等预处理后的MODIS遥感影像数据，通过相关公式计算获得。最终将3维度12指标全部统一投影坐标系，确保12指标分辨率与投影方式一致以便于后期进行空间叠加加算。生产条件指数(PCI)、土壤状态指数(SSI)和遥感生态指数(RESI)的计算对应公式如下：
1)坡度(SLOPE)
式中fx为X(东西)方向上的高程变化率，fy为Y(南北)方向上的高程变化率。
2)曲率(CUR)
式中p为X(东西)方向上的高程变化率，q为Y(南北)方向上的高程变化率。t为对高程值在Y方向上的变化率进行同方向求算变化率，即Y方向高程变化率的变化率；s为对高程值在x方向上的变化率进行y方向求算变化率，即X方向高程变化率在y方向的变化率。
3)土壤退化指数(RVI)
4)土壤水分指数(DVI)
DVI＝b2-b1 (7)
5)土壤调节植被指数(SAVI)
6)湿度指标(WET)
WET＝0.1147b1+0.2489b2+0.2408b3+0.3132b4-0.3122b5-
0.6416b6-0.5087b7(9)
7)绿度指标(NDVI)
8)干度指标(NDBSI)
NDSI＝(SI+IBI)/2 (11)
SI＝(b5+b2)-(b2+b3)/(b5+b2)+(b2+b3) (12)
以上式中，b1是MODIS红光波段，b2是MODIS近红外波段，b3是MODIS蓝光波段，b4是MODIS绿光波段，b5是MODIS中红外波段，b6是MODIS短波红外波段，b7是MODIS短波红外波段。
9)热度指标(LST)
LST数据来源于中国科学院地理科学与资源研究所的中国地表温度LST年度1KM数据集，该数据集是基于MODIS地表温度数据LST每8天1KM数据产品(MOD11A2)，计算获取的年平均白天(day)和夜晚(night)地表温度LST数据，数据空间分辨率为1km，同样需要将其分辨率重采样为500米，以确保所有指标分辨率一致。
(3)评价指标归一化
利用实施例中的式(1)和式(2)对各个指标的原始值做归一化处理，将范围统一在[0，1]之间。然而为了更好的体现变化趋势，再将其放大1000倍，最后将浮点型数据转化为整型数据，以便于利用唯一值创建属性表。
最后，将归一化处理后的指标，通过创建一个新的渔网，将所有指标合成到这张渔网中形成一幅新的影像，对新的影像按照研究区边界裁剪，最后获得各个指标的唯一值属性表，以此对新的影像进行主成分分析，得到主成分分析及相关统计结果。
(4)评价指标效度分析
在进行主成分分析前需要对指标数据进行效度评定以确定其是否适合进行因子分析，一般情况下KMO的值在0.9以上，表明非常适合做因子分析；0.8-0.9：很适合；0.7-0.8适合；0.6-0.7尚可；0.5-0.6表示很差；0.45以下：应该放弃。从KMO和巴特利特检验结果(表2)可以看出，KMO系数为0.919，且Bartlett检验拒绝原假设，表明各指标之间存在强相关关系。由各指标相关矩阵R(表3)可以看出，各个变量之间都具有一定的相关关系，而且有些相关系数比较大，接近于1，所以本发明选取的指标数据非常适合使用主成分分析。
表2评价指标的KMO和巴特利特检验结果
表3各指标相关矩阵R
(5)评价指标权重确定
采用累计贡献率大于80％且特征值大于1这两个原则确定主成分个数k＝(0<k≤p)。由各成分方差贡献率及指标特征值(表4)可知，只有前两个特征值大于1，所以选择前两个主成分，第一个主成分的方差贡献率是46.356％，前两个主成分的方差占所有主成分方差的79.854％(≈80％)，由此可见，选择前两个主成分已经基本可以代替原来的变量，可以涵盖原变量的大部分信息。因此，原来的12个指标可以用2个主成分来表征。
表4各成分方差贡献率及指标特征值
由旋转后的成分矩阵(表5)所示，第一个因子在NDVI、WET、IDBSI、DVI、SRVI、CUR、RVI上有较大载荷，其反应的是以上7个变量的信息，第二个因子在PRE、POP、LST、TEM、SLOPE上有较大载荷，反应的是以上5个的信息，再次表明了这两个主成分足够代表原来的12个指标。
表5旋转后的成分矩阵
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。旋转在3次迭代后已收敛。
依据成分得分系数矩阵可以直接写出各主成分的表达式。值得一提的是，在表达式中各个变量已经不在是原始变量而是标准化的变量。成分得分系数矩阵(表6)及两个主成分的因子表达式(式14、式15)如下：
表6成分得分系数矩阵
提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。
F1＝-0.195*pre-0.081*pop+0.214*ndvi-0.085*lst+0.227*wet+0.238*idbsi-0.198*tem+0.211*dvi-0.046*slope+0.049*cur+0.213*savi+0.211*rvi (14)
F2＝0.388*pre+0.24*pop-0.084*ndvi+0.228*lst-0.111*wet-0.141*idbsi+0.392*tem-0.081*dvi+0.214*slope+0.097*cur-0.082*savi-0.099*rvi (15)
3、黑土农田生产力评价模型构建
在得出主成分表达式的前提下，由线性加权模型估计出综合得分，以各主成分的方差贡献率占两个主成分总方差贡献率的比重作为权重进行加权汇总，得出各指标的综合得分FPI，其计算公式见式(3)。在本发明中，农田生产力计算的表达式为：
式中：F1和F2见公式(14)、(15)。
4、典型黑区黑土农田生产力评价结果
把黑土农田生产力评价指标数据集代入上述公式进行计算，参考中华人民共和国农业农村部对耕地质量的分等情况，将本区域耕地分为十等，其中一等质量最佳，十等质量最差，凭此将黑土农田生产力评价结果可视化。对于初步计算的黑土农田生产力可知，典型黑土区的田生产力的空间分布特点是，东部的黑土农田生产力明显高于西部，东部主要以一至四等地为主，越往西部黑土农田生产力逐级降低，西部主要以十至七等地为主，有少量高等地存在。从总体上看，十等地约占33％，一等地约占17％，该区域农田生产力条件在空间分布上的差距明显不同，可能与典型黑土区内的土壤类型相关。
实施例三
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于像元尺度的黑土农田生产力评价系统。
该系统包括：
黑土农田生产力评价指标获取模块，用于获取黑土农田生产力评价指标；黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数；
权重确定模块，用于基于黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；
主成分表达式确定模块，用于确定各主成分的表达式；
黑土农田生产力计算模块，用于基于权重以及表达式，采用线性加权模型计算黑土农田生产力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (7)
1.一种基于像元尺度的黑土农田生产力评价方法，其特征在于，包括：
获取黑土农田生产力评价指标；所述黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数；
基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；
基于各所述黑土农田生产力评价指标的指标值以及各所述黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式；
基于所述权重以及所述表达式，采用线性加权模型计算黑土农田生产力。
2.根据权利要求1所述的基于像元尺度的黑土农田生产力评价方法，其特征在于，获取黑土农田生产力评价指标，具体包括：
获取黑土遥感影像数据，并基于所述遥感影像数据提取所述土壤退化指数、所述土壤水分指数、所述土壤调节植被指数、所述湿度指数、所述绿度指数、所述热度指数和所述干度指数；
获取黑土气候数据，并基于所述气候数据提取所述温度和所述降水；
获取黑土地形数据，并基于所述地形数据提取所述坡度和所述曲率；
获取黑土人口数据，并基于所述人口数据提取所述人口密度。
3.根据权利要求1所述的基于像元尺度的黑土农田生产力评价方法，其特征在于，在获取黑土农田生产力评价指标之后，还包括：
对所述黑土农田生产力评价指标进行KMO检验和Bartlett球形检验。
4.根据权利要求1所述的基于像元尺度的黑土农田生产力评价方法，其特征在于，基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重，具体包括：
建立所述黑土农田生产力评价指标的相关系数矩阵；
计算所述相关系数矩阵的特征值和方差贡献率；
基于所述特征值和所述方差贡献率确定主成分；
以各所述主成分的方差贡献率占所有主成分总方差贡献率的比重作为各所述主成分的权重。
5.根据权利要求1所述的基于像元尺度的黑土农田生产力评价方法，其特征在于，基于各所述黑土农田生产力评价指标的指标值以及各所述黑土农田生产力评价指标对应主成分的成分得分系数，确定各主成分的表达式，具体包括：
获取各所述黑土农田生产力评价指标的指标值；
获取各所述黑土农田生产力评价指标对应主成分的成分得分系数；
将所述指标值与所述成分得分系数相乘，得到各主成分的表达式。
6.根据权利要求1所述的基于像元尺度的黑土农田生产力评价方法，其特征在于，所述黑土农田生产力的计算公式如下：
其中，FPI为黑土农田生产力指数，ei为第i个主成分的权重，Fi为第i个主成分的表达式，k为主成分的个数。
7.一种基于像元尺度的黑土农田生产力评价系统，其特征在于，包括：
黑土农田生产力评价指标获取模块，用于获取黑土农田生产力评价指标；所述黑土农田生产力评价指标包括：土壤退化指数、土壤水分指数、土壤调节植被指数、温度、降水、坡度、曲率、人口密度、湿度指数、绿度指数、热度指数和干度指数；
权重确定模块，用于基于所述黑土农田生产力评价指标，采用主成分分析法确定各主成分的权重；
主成分表达式确定模块，用于确定各主成分的表达式；
黑土农田生产力计算模块，用于基于所述权重以及所述表达式，采用线性加权模型计算黑土农田生产力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076860.2A CN116011881A (zh) | 2023-01-31 | 2023-01-31 | 一种基于像元尺度的黑土农田生产力评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076860.2A CN116011881A (zh) | 2023-01-31 | 2023-01-31 | 一种基于像元尺度的黑土农田生产力评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011881A true CN116011881A (zh) | 2023-04-25 |
Family
ID=86037270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310076860.2A Pending CN116011881A (zh) | 2023-01-31 | 2023-01-31 | 一种基于像元尺度的黑土农田生产力评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011881A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689224A (zh) * | 2023-11-23 | 2024-03-12 | 中国科学院地理科学与资源研究所 | 一种面向国土规划的高标准农田建设潜力区识别方法 |
-
2023
- 2023-01-31 CN CN202310076860.2A patent/CN116011881A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689224A (zh) * | 2023-11-23 | 2024-03-12 | 中国科学院地理科学与资源研究所 | 一种面向国土规划的高标准农田建设潜力区识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108760643B (zh) | 一种适宜于高海拔地区的干旱遥感监测方法 | |
| van Bussel et al. | From field to atlas: upscaling of location-specific yield gap estimates | |
| Kowalik et al. | Yield estimation using SPOT-VEGETATION products: A case study of wheat in European countries | |
| Atzberger et al. | A time series for monitoring vegetation activity and phenology at 10-daily time steps covering large parts of South America | |
| Liu et al. | A new framework to map fine resolution cropping intensity across the globe: Algorithm, validation, and implication | |
| Boschetti et al. | Multi-year monitoring of rice crop phenology through time series analysis of MODIS images | |
| CN111242022B (zh) | 基于低分辨率遥感产品降尺度的高分辨率fapar估算方法 | |
| CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
| WO2014120887A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
| CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
| CN110321861A (zh) | 一种农作物种植结构月尺度动态提取方法 | |
| Zheng et al. | The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| Fan et al. | Characterizing changes in cropping patterns using sequential Landsat imagery: An adaptive threshold approach and application to Phoenix, Arizona | |
| CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
| Xiong et al. | Long time-series urban heat island monitoring and driving factors analysis using remote sensing and geodetector | |
| Ma et al. | Prediction of vegetation phenology with atmospheric reanalysis over semiarid grasslands in Inner Mongolia | |
| TAO et al. | Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China | |
| CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
| CN113052054B (zh) | 一种遥感干旱检测方法及系统 | |
| CN113793023A (zh) | 一种基于卫星遥感的区域绿色发展指标评价方法 | |
| CN117571626A (zh) | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 | |
| CN114677020B (zh) | 区域尺度土壤风蚀变化驱动机制定量评估方法 | |
| CN116128345A (zh) | 一种基于动态过程本底的国家公园综合成效评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |