EN中文

资源科学 >

2021 , Vol. 43 >Issue 12: 2393 - 2402

DOI: https://doi.org/10.18402/resci.2021.12.03

“澜沧江—湄公河流域农业资源与环境”专栏

基于时序遥感的柬埔寨水稻种植时空格局监测

  • 黄翀 , 1, 2
展开
  • 1.中国科学院地理科学与资源研究所,资源与环境信息系统国家重点实验室,北京 100101
  • 2.中国科学院黄河三角洲现代农业工程实验室,北京 100101

黄翀,男,安徽六安人,博士,副研究员,主要从事生态遥感研究。E-mail:

收稿日期: 2021-04-23

  要求修回日期: 2021-07-24

  网络出版日期: 2022-02-25

基金资助

澜沧江—湄公河合作专项

国家自然科学基金项目(41901309)

国家自然科学基金项目(41801353)

版权

《资源科学》编辑部
收起

Monitoring rice cropping system in Cambodia and its influencing factors using time series MODIS images

  • HUANG Chong , 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. Yellow River Delta Modern Agricultural Engineering Laboratory, CAS, Beijing 100101, China

Received date: 2021-04-23

  Request revised date: 2021-07-24

  Online published: 2022-02-25

Fold

摘要

柬埔寨可耕地资源丰富,温度适宜,水稻生产极具潜力。及时监测水稻种植时空格局对于区域水稻生产管理、灾害风险评估和粮食政策制定具有重要意义。传统的水稻遥感监测研究大多只提供年际尺度的水稻空间分布,缺乏年内尺度水稻种植与收获信息。本文首先利用一年内所有可获取的MODIS影像,构建基于像元的MODIS NDVI年时间序列曲线;然后,选取最大值、最小值、均值和标准差逐像元计算时序统计参数特征,采用FastDTW算法计算像元时序曲线与水稻参考时序曲线的相似性特征,将时序统计特征与时序曲线相似度特征相结合,利用随机森林分类器,通过机器学习进行监督分类,提取水稻熟制信息;最后,结合时序曲线提取水稻物候特征,生成水稻收获时间信息,并对水稻耕作类型进行识别。研究表明：①柬埔寨水稻种植主要集中在洞里萨湖周围的低地平原和南部的湄公河下游。尽管柬埔寨全年热量条件适宜,但水资源获取限制对柬埔寨水稻种植时空格局具有显著影响。②水稻熟制以单季稻为主,约占全年水稻种植面积的80%,且分布区域稳定;双季稻面积约占20%,年际种植空间分布变化较大。雨季稻是柬埔寨水稻的主要种植类型,种植面积约占全年水稻面积的70%左右,年际变化不大;旱季稻和前雨季稻面积约占30%,年际空间分布差异显著。③对2011年和2016年水稻种植模式分析可知,灌溉条件和洪水对柬埔寨水稻种植时空具有重要影响。本文通过对柬埔寨年内水稻种植时空格局的高精度监测,识别其主要影响因素,为制定因地制宜和有弹性的水稻种植制度、保障柬埔寨粮食安全提供借鉴。

关键词： 水稻; 动态时间规整; 种植制度; 遥感; 监测; 随机森林; 柬埔寨

本文引用格式

黄翀 . 基于时序遥感的柬埔寨水稻种植时空格局监测[J]. 资源科学, 2021 , 43(12) : 2393 -2402 . DOI: 10.18402/resci.2021.12.03

Abstract

Cambodia has abundant arable land resources, suitable temperature, and great potential for rice plantation. Timely acquisition of rice cropping system information is important for regional rice production management, disaster risk assessment, and food policy formulation. Most traditional rice remote sensing monitoring studies only provide spatial patterns of rice distribution at the interannual scale, and information on rice planting and harvesting at the intraannual scale is often lacking. In this study, first all available MODIS time series data in a year were used to construct an image-based MODIS NDVI annual time series curve; the maximum value, minimum value, mean value, and standard deviation were selected to calculate the image-by-image time series statistical parameter features, and the FastDTW algorithm was used to calculate the similarity features between the image-by-image time series curve and the rice reference time series curve, and then the time series statistical features were combined with the time series curve similarity features, and the rice maturation information was extracted by supervised classification through machine learning using a random forest classifier. Finally, the rice phenological features extracted from the time series curves were combined to generate rice harvest time information for the identification of rice cultivation types. The study showed that rice cultivation in Cambodia is mainly concentrated in the lowland plains around the Tonle Sap Lake and the lower Mekong River. Although the thermal conditions in Cambodia are suitable for rice cultivation throughout the year, water access constraints have a significant impact on the spatial and temporal patterns of rice cultivation in the country. The rice maturity mode indicates that production was dominated by single-season rice, which accounted for about 80% of the annual rice cultivation area and had a stable distribution area; double-season rice accounted for about 20% of the area and showed a large interannual variation in the spatial distribution of cultivation. Wet season rice was the main type of rice cultivation in the country, and the planted area accounted for about 70% of the annual rice area with little interannual variation; dry season rice and ex-rainy season rice accounted for about 30% of the area, with significant interannual variation in spatial distribution. The analysis of rice cropping patterns in 2011 and 2016 showed that irrigation conditions and flooding had important spatial and temporal effects on rice cultivation in Cambodia. This study identified the main influencing factors through high-precision monitoring of the interannual and intraannual spatial and temporal patterns of rice cultivation in Cambodia, which provide a reference for the development of a locally adapted and resilient rice cultivation system to ensure food security in the country.

Key words： paddy rice; dynamic time warping (DTW); cropping system; remote sensing; monitoring; random forest; Cambodia

1 引言

水稻是世界上三大粮食作物之一,也是发展食品工业的主要原料,全球半数以上的人口以水稻为主食[1]。中国是世界上稻米生产和消费第一大国,也是全球最大的稻米净进口国;受气候条件和国际政治影响,国际稻米产量和价格波动剧烈,使得中国更加重视粮食安全。自2012年开始,中国从东南亚国家进口稻米量剧增,至2017年超过400万t。中南半岛是东南亚乃至世界著名稻米产区,而柬埔寨素有中南半岛“粮仓”之称,可耕地资源丰富,水稻种植面积占总耕地面积的90%以上[2],粮食生产潜力巨大,是中国重要的粮食进口后备来源。水稻是柬埔寨的主要粮食作物,是保障其国家粮食安全的基石,同时也是该国大多数农村人口的主要收入来源。监测柬埔寨水稻种植动态,不仅有助于柬埔寨准确评估水稻生产潜力,也对深化中柬两国农业战略合作、打造‘一带一路’海外粮仓具有重要意义。
遥感卫星由于其覆盖范围广、可重复访问的性质,为大范围水稻种植监测提供了有效手段。常用的水稻遥感监测多是基于单期或数期影像,利用监督或非监督分类方法获取水稻空间分布信息。但该方法受影像质量以及单景影像分类中“同物异谱”和“同谱异物”的影响,其分类精度受到很大限制。近年来,基于时间序列遥感的方法在水稻种植制图中得到越来越多的应用。许多研究表明,时间序列遥感数据包含的时序信息可以提高热带多云多雨地区土地覆盖分类的准确性[3,4]。如管续栋等[5]通过构建MODIS NDVI时间序列,利用动态时间规整（DTW）度量时序相似性,提取了泰国东北部水稻种植格局;Kontgis等[6]利用Landsat密集时间序列提取了越南湄公河三角洲2000年和2010年水稻种植范围和种植强度;Clauss等[7]利用MODIS时间序列提取统计特征,生成了中国2002、2005、2010和2014年的水稻分布。除光学数据外,时间序列合成孔径雷达（SAR）数据受云雨天气影响较小,也越来越多地用于多云多雨区水稻种植监测[8]。如Lasko等[9]基于Sentinel-1 SAR时序数据,提取了越南首府河内附近区域的单季稻和多季稻,取得了较高的分类精度;Arjasakusuma等[10]结合Sentinel-1 SAR和Landsat 8的月中值数据,提取了印度尼西亚爪哇岛的水稻分布范围,并比较了不同极化波段对水稻提取的重要性。上述研究表明,时间序列遥感技术可以充分挖掘水稻生长的物候特征,提高水稻监测制图精度。
柬埔寨全年温度较高,水稻种植制度灵活,水稻种植模式年内、年际变化均较大,传统的水稻遥感监测大多只提供年际尺度的水稻空间分布信息,而年内尺度的水稻种植制度信息极为缺乏。一方面,年内水稻种植格局对于一年多熟地区的水稻生产总收获面积估算必不可少;另一方面,柬埔寨雨季洪水频发,精确的水稻种植生长周期监测信息对于水稻生产风险评估也至关重要。本文利用MODIS年时间序列数据,以洪涝灾害严重的2011年和灾害较轻的2016年为例,精确识别柬埔寨水稻种植时空格局,分析水稻种植的主要影响因素,以期为柬埔寨水稻生产管理、保障粮食产量安全等提供决策支撑。

2 研究方法

2.1 研究区概况

柬埔寨位于中南半岛的湄公河下游（图1）,属于热带季风气候,年平均气温可达29 ℃,5—10月为雨季,11月—次年4月为旱季。雨季降水充沛,降水量占全年总量的80%,中部平原地区的年平均降水量约为1400 mm,沿海地区的年平均降水量可达到4000 mm。湄公河及其支流是柬埔寨境内主要河流,洞里萨湖作为东南亚最大的淡水湖,通过洞里萨河与湄公河相连。柬埔寨境内的湄公河流域土壤肥沃,是其主要的农业种植区[11],主要作物水稻的种植面积占总耕地面积的90%以上[2]。近年来,柬埔寨社会经济有了较快发展,对粮食的需求也显著增长[12]。
图1 研究区位置图

Figure 1 Location of the study area

2.2 数据来源及预处理

本文采用MODIS的地表反射率合成产品MOD09A1进行水稻种植信息的提取。MOD09A1数据空间分辨率为500 m、时间分辨率为8天,自美国国家航空航天局网站（ http://www.modisland.gsfc.nasa.gov）下载,2011年1月1日—2012年2月26日和2016年1月1日—2017年2月26日各54景。通过MRT工具对MODIS影像进行拼接、裁剪、几何校正和重投影。对于每一景MODIS影像,进一步计算得到归一化植被指数（Nominalized Difference Vegetation Index,NDVI）[13],从而生成MODIS NDVI时序堆栈数据。NDVI与植被绿度或生长活力相关,已被广泛用于作物分类。计算公式如下：
NDVI = ρ NIR - ρ Red ρ NIR + ρ Red
式中： ρ Red和 ρ NIR分别表示红波段（620~670 nm）和近红外波段（841~875 nm）的地表反射率。

2.3 技术路线

利用一年内所有可获取的MOD09A1数据,构建MODIS NDVI年时间序列曲线,并计算时序曲线的统计参数特征以及时序曲线与地物标准曲线的相似度特征。然后,将时序曲线统计特征与相似度特征相结合,利用随机森林分类器进行监督分类,提取水稻熟制信息。最后,结合时序曲线提取的水稻物候特征,生成水稻收获时间信息,并对水稻耕作类型进行识别。
2.3.1 NDVI时间序列曲线构建
在NDVI时序堆栈数据集中,每个像元在每个时间断面上都具有唯一的NDVI值。将每个像元的NDVI值按时间先后顺序排列,即可得到每个像元的NDVI时间序列值,组成一条NDVI时序曲线。假设像元所处位置为（x,y）,像元的NDVI值为 NDV I i , j,则像元的时序曲线可表示为 NDV I i , j 1 , NDV I i , j 2 , … , NDV I i , j n,n为NDVI时序曲线的长度。利用Savitzky-Golay（S-G）滤波器对时序曲线进行滤波处理,以去除云的影响和其他噪声。滤波过程中移动窗口设置为11,平滑多项式次数设为2。参考Google Earth高清影像,对柬埔寨主要地物选取200个样本点,筛选具有明显物候特征的NDVI曲线集,计算每类地物NDVI曲线集的均值曲线,作为该类地物的NDVI标准曲线。
2.3.2 基于时间序列特征的水稻熟制分类
（1）NDVI时序相似性特征计算
不同地物通常都具有其典型的NDVI年时序曲线特征,因此,地物时序曲线之间的相似度可用于识别和区分地物。时序距离是判断时序曲线相似性的重要指标,时序距离越小,说明此像元越有可能属于参考光谱曲线形态所对应的地物类别。柬埔寨水稻种植制度灵活,同一种植类型水稻种植和收获时间可能相差数月,因此,传统的欧氏距离无法适应这种时间上的偏移。研究表明,动态时间规整（DTW）距离方法[14]能够自动匹配两条时序曲线的波峰和波谷以解决时间偏移对齐。本文在Python开发环境中调用DTW算法的快速版本FastDTW算法[15],逐像元计算地物时序曲线与水稻不同种植模式下的标准生长曲线的最小距离,以判别其相似度。
（2）NDVI时序统计特征计算
由于不同地物生长模式差异较大,NDVI的时序统计特征差异也可以用来对地物进行区分。因此,进一步通过Python tsfresh扩展包计算了时序曲线的均值、最大值、最小值与标准差,纳入到水稻种植信息的分类特征中。
（3）水稻熟制信息提取
以单季稻和双季稻标准生长曲线的DTW距离,以及NDVI的均值、最大值、最小值与标准差作为分类特征,采用随机森林（Random Forest, RF）模型作为水稻种植信息提取的分类算法。随机森林是由Breiman[16]于2001年提出的一种基于决策树作为基本分类器的监督分类集成学习算法。与其他机器学习算法相比,RF算法能够并行处理高维、海量数据,并且对训练数据中的噪声或孤立点具有更强的稳定性和鲁棒性[17]。本文中决策树的数目ntree设为100,每个节点的特征数mtry设为特征总数的平方根。
2.3.3 水稻收获时间与耕作类型识别
水稻像素的NDVI值从返青期开始增加,在生长高峰期达到最大值。水稻成熟后,NDVI值减小,直到作物收获。因此,NDVI曲线中的峰值对应水稻的生长旺季,谷值对应种植时间或收获时间。对被分类为水稻的像素点,本文利用峰值发现方法[18]标记NDVI时间剖面的潜在波峰和波谷,进一步确定耕作类型。如果某一时刻的NDVI值高于该时刻前后的值,则定义为峰值,相反的情况,则定义为谷值。水稻返青阶段可能出现的多次波动,进一步通过设定NDVI >0.5的阈值[19],去除时间剖面中的伪波峰。对于潜在的谷值,利用裸土信号（LSWI <0.2）去除伪谷值[20]。最终,选择峰值后距离峰值最近的谷值作为水稻收获时间[21],生成水稻收获时间信息,并分别计算2011年和2016年水稻的峰值数量,生成相应的年度耕作类型图。
为了适应降雨和洪水消长动态,柬埔寨水稻形成了多样化的耕作类型,即雨季稻、旱季稻和前雨季稻。雨季稻生育期与雨水消长同步,最早5月份开始种植,11月以后收获。旱季稻通常11月份开始种植,于次年4、5月份收获。前雨季稻在4月中旬以后种植,7月底暴雨来临前收获,以避免后期淹水。因此,根据收获日期（HT）的儒略日,对柬埔寨水稻耕作类型进行识别划分。
HT ≤ 152 , 旱季稻 152 < HT ≤ 216 , 前雨季稻 HT > 216 , 雨季稻
2.3.4 精度评估
课题组于2019年8月9—13日对柬埔寨水稻种植情况进行了野外实地考察,获得实地样本点465个,其中水稻点181个,其他地类点284个。由于研究区域较大,为实现合理覆盖和正确选择训练和验证样本,结合Google Earth高分历史影像补充获取训练和验证样本点,并尽可能均匀地分布在研究区。对于水稻点,通过比对Landsat和MODIS时间序列,确定其种植强度。最终,2011年共采集单季稻166个、双季稻92个、非水稻1274个;2016年共采集单季稻230个、双季稻136个、非水稻1065个。随机选取30%的样本点用于随机森林模型训练,剩余70%用于分类精度评估。
利用混淆矩阵对水稻提取结果进行精度验证,验证指标包括生产者精度（Producer’s Accuracy,PA）、用户精度（User’s Accuracy,UA）、总体精度（Overall Accuracy,OA）和Kappa系数。以PA和UA分别表示生产者精度和用户精度,以F1表示PA与UA的调和平均值。F1的取值范围为[0,1],值越大,分类效果越好;反之则越差。F1通过以下公式[22]进行计算：
F 1 = 2 × PA × UA PA + UA

3 结果与分析

3.1 水稻NDVI时序曲线特征分析

柬埔寨主要地物的参考NDVI时间序列曲线如图2所示。可以看出,水稻的生长周期随种植时间变化,一般持续3~6个月,生长曲线的起伏明显（图2a-d）。单季稻Ⅰ在5月中旬种植,于7月中旬达到NDVI峰值,11月下旬收获,生长周期约为6个月（图2a）。单季稻Ⅱ在6月下旬种植,10月下旬达到NDVI峰值,于年底或第二年初收获（图2b）。双季稻在一年内具有两个波峰,双季稻Ⅰ第一季于5月初种植,6月下旬达到NDVI峰值,于7月底收获,生长周期为3个月;随后立即种植第二季,于11月中旬达到NDVI峰值,第二年收获（图2c）。双季稻Ⅱ的种植周期与双季稻Ⅰ差异明显,第一季NDVI峰值出现在2月中旬,5月中旬收获;随后种植第二季,于9月初达到NDVI峰值,11月初收获（图2d）。与水稻相比,柬埔寨主要旱地作物（木薯、玉米等）生长周期更长,往往横跨旱、雨两季（图2e）,一般具有一个波峰,为一年一熟作物。柬埔寨的林地大多为常绿林,一年内一直保持较高的NDVI值,且时序曲线波动较小（图2f）。与此相反,不透水面与水体一直保持较低的NDVI值（<0.2）（图2g、2h）,与其他地物区别明显。
图2 柬埔寨主要地物的参考NDVI时序曲线

Figure 2 Reference profiles of NDVI for typical land covers in Cambodia

3.2 水稻熟制格局

2011年和2016年的水稻熟制识别结果如图3所示,根据验证样本得到的水稻分类精度,2011年单季稻和双季稻的制图精度分别为0.95和0.92,用户精度分别为0.89和0.88。2016年单季稻和双季稻的制图精度分别为0.93和0.91,用户精度分别为0.90和0.87。2011年和2016年单季稻、双季稻的F1值均大于0.89,总体精度均大于0.95,Kappa系数均大于0.90,分类精度较高。
图3 2011年和2016年柬埔寨水稻熟制识别结果

Figure 3 Results of rice cropping system in Cambodia, 2011 and 2016

从图3看,两期的水稻种植范围基本一致,主要集中在洞里萨湖周围的低地和南部的湄公河下游。从水稻熟制看,2011年和2016年均以单季稻为主,双季稻种植面积较小。2011年柬埔寨水稻种植面积为3.39万km2,其中,单季稻种植面积为2.96万km2,双季稻面积为0.43万km2;2016年柬埔寨水稻种植面积为3.07万km2,其中,单季稻种植面积为2.51万km2,双季稻种植面积为0.57万km2。
2011年和2016年,单季稻的种植面积变化不大,空间上分布也基本一致,广泛分布于洞里萨湖周围和湄公河洪泛平原。变化较大的是双季稻,双季稻的种植主要为旱季稻-雨季稻组合,由于雨季稻种植相对稳定,因此,双季稻的种植格局主要由旱季稻决定。从空间格局上看,2011年,双季稻主要分布于洞里萨湖外围的西北部,在靠近越南的湄公河三角洲区域也有零星分布;2016年,双季稻主要分布于洞里萨湖的东南部以及靠近湄公河下游地区。距离灌溉水源的远近是决定双季稻种植的基本因素。

3.3 水稻收获期

2011年,单季稻收获主要分布在两个时间段（图4）。其中,洞里萨湖东侧和湄公河沿岸靠近水源的单季稻收获时间在3—5月份,约占单季稻种植面积的30%。这部分单季稻主要为旱季稻,充分利用旱季洞里萨湖水位消落的低地区域进行水稻种植。而进入雨季,洞里萨湖水位高涨,该区域长时间被水淹没,不再适宜第二季水稻种植。通常情况下,单季稻中的雨季稻收获时段较长,根据种植时间、种植品种以及雨季降雨的不同,其收获时间从9月可延伸至次年。但受2011年严重洪灾的影响,雨季稻的收获期大多始于11月底,至次年结束,2011年雨季稻约占单季稻种植面积的59%。2011年双季稻第一季收获时间集中于7—8月,约占第一季种植面积的45%,主要为雨前季稻;洞里萨湖周围双季稻的第一季主要于3月份收获,占第一季收获面积的38%,主要为旱季稻。双季稻中的第二季主要为雨季稻,同样,受洪水影响,96%的区域集中于11月份至次年收获。
图4 2011和2016年柬埔寨水稻收获时间识别结果

Figure 4 Results of rice harvest time in Cambodia, 2011 and 2016

2016年,76%的单季稻于10月份至次年收获,类型为雨季稻。湄公河三角洲区域的部分单季稻收获时间集中于4—5月份,占比为17%,主要为旱季稻。双季稻第一季集中于3月收获,占双季稻第一季种植面积的83%,主要为旱季稻。双季稻第二季收获时间集中于7—8月和12月—次年1月两个时段,分别为雨前季稻和雨季稻,各占双季稻种植面积的26%和60%。

3.4 水稻耕作类型

图5展示了2011年和2016年柬埔寨水稻耕作类型的识别结果。从图中可以看出,柬埔寨水稻以雨季稻为主,旱季稻次之,前雨季稻分布较为零散。
图5 2011和2016年柬埔寨水稻耕作类型空间分布

Figure 5 Spatial distribution of rice cultivation types in Cambodia, 2011 and 2016

2011年,雨季稻面积为2.62万km2,占总收获面积的69%。2016年,雨季稻为2.59万km2,占总收获面积的71%。两期雨季稻种植范围基本一致,主要分布在洞里萨湖周围的低地和南部的湄公河下游。
由于柬埔寨农业基础设施落后,灌溉引水条件是旱季稻种植的主要限制性因素。即便在有灌溉设施的情况下,旱季稻的种植也需要综合考虑人力、灌溉成本等因素,因此,旱季稻的种植年际间变化较大。2011年,旱季稻面积为1.07万km2,占总水稻总面积的28%,主要为单季稻类型;2016年,旱季稻面积为0.95万km2,占总收获面积的25%,主要为双季稻类型。
在柬埔寨,前雨季稻一般在4月底—5月初播种,这时候仍处于旱季,即便会有零星降雨,也难以满足水稻早期播种插秧对水资源的需求,因此,前雨季稻对灌溉条件的依赖程度同样很高。此外,前雨季稻成熟期在7月底—8月,洪水威胁风险很大,因此,受多种因素制约,柬埔寨前雨季稻种植面积较小,2011和2016年分别只有0.13万km2和0.12万km2。不同年份空间格局差别较大,2011年前雨季稻主要分布在洞里萨湖西北部,而2016年前雨季稻主要分布在洞里萨湖东部和南部的湄公河沿岸靠近水源的区域。

4 讨论

柬埔寨气温和热量适宜,只要具备水资源条件,全年任何季节都可进行水稻种植。为适应降雨过程和洪水消长动态,形成了年内多样化的水稻熟制和耕作类型,增加了遥感水稻种植格局监测难度。本文使用MODIS NDVI年时间序列数据,结合年时序曲线形态特征和时序统计特征,最大限度地减少云雨天气的影响,对柬埔寨年内复杂、灵活的水稻种植收获格局进行了高精度监测。根据FAO统计数据[2]可知,2010年之后,柬埔寨水稻生产面积基本稳定在300万km2左右,这与本文研究结果基本一致。
从热量条件来看,柬埔寨一年四季可随时种植水稻[23],但由于历史原因和经济社会发展水平的限制,柬埔寨农业基础设施落后,灌溉系统仍不完善,无法覆盖全国,对柬埔寨水稻种植时空格局具有显著影响。旱季稻在生长前期尚可利用雨季结束后的存水,但其生长季主要发生在旱季,基本没有降雨,必须依赖灌溉措施。同样,前雨季稻在旱季后期播种插秧,也需要灌溉能力。因此,在灌溉设施缺乏的情况下,柬埔寨水稻种植以单季稻为主。本文对2011和2016年的水稻熟制研究结果看,一年两熟水稻田面积稳定在当年水田总面积的20%左右,变化不大。但是,从空间分布上看,一年两熟的水稻田分布格局变化较大,说明仍有相当一部分区域具有一年双季的水稻种植灌溉条件。在这些区域,当年是否种植双季稻可能更多是基于农户对双季稻投入/产出的判断。
从水稻种植类型看,雨季稻是柬埔寨的主要类型。2011和2016年,其播种面积都占全年水稻面积的70%左右,因而全国水稻总产量在很大程度上取决于雨季水稻[12,24]。从其空间分布看,两年的种植区域基本一致,说明雨季稻种植区域稳定,是维持柬埔寨水稻粮食安全的重要保障。但是,柬埔寨雨季降水集中,出海口不能及时处理如此庞大的水量,经常会引发灾难性的洪水,给雨季稻生产带来很大威胁。一方面,洪水发生的时间、持续长短会影响雨季稻的生长。2011年大洪水始于8月,这是前雨季稻收获的末期,对前雨季稻影响基本不大。但该年度洪水持续到11月底才陆续结束,对于播种较早的雨季稻,即便水稻在10月份左右成熟,受洪水影响,仍然无法收获而造成严重减产。从图4可以看出,在12月之前,基本没有雨季稻收获。而对于播种较晚的雨季稻,整个生长季都在洪水的影响之下,这部分水稻基本会绝收。另一方面,洪水持续时间较长还会推迟后期旱季稻的播种日期,对下一季的水稻种植带来影响。在缺乏灌溉设施的地区,旱季稻的播种严重依赖于雨季后期的土壤水分,如果洪水持续时间长,播种后很快进入旱季,难以获取水稻早期生长所需的大量水分。
根据柬埔寨洪水发生规律,制定适宜的、有弹性的水稻种植制度对于对减轻洪涝灾害的影响、确保粮食安全至关重要。在雨季洪水来临前,在有灌溉条件的地区,根据不同水稻品种的生育期要求,合理控制水稻的年内播种与收获时间,增加前雨季稻的种植和收获面积,可在一定程度上降低雨季洪水对水稻种植的风险。雨季洪水之后,可以充分利用地形高差,积存和利用洪水退水,扩大后期旱季水稻种植,这是减小洪水影响的另一途径[25]。然而,某些洪泛区地势非常平坦,地形高差很小,发展大规模的退水稻种植仍需要大量的水利工程建设为前提。因此,扩大农业基础设施投资,大力修建排灌系统,是构建时空优化、稳产高产的柬埔寨水稻种植制度的前提。

5 结论

本文基于2011年和2016年MODIS NDVI年时间序列数据,结合年时序曲线形态特征和时序统计特征,对柬埔寨水稻种植格局进行了高精度监测,对年内年际水稻种植制度进行识别,并分析其主要影响因素。主要结论如下：
（1）尽管柬埔寨全年热量条件适宜,但水资源获取限制对柬埔寨水稻种植时空格局具有显著影响。水稻熟制以单季稻为主,约占年水稻种植面积的80%,且分布区域稳定;双季稻面积约占20%,年际种植空间分布变化较大。
（2）雨季稻是柬埔寨水稻的主要种植类型,种植面积接近全年水稻面积的70%,年际变化不大;2011年,旱季稻面积约占当年水稻总面积的28%,主要为单季稻类型;2016年,旱季稻面积占24.9%,主要为双季稻类型。前雨季稻种植面积较小,2011和2016年分别占当年水稻面积的3.4%和3.1%,且空间分布差异显著。
（3）洪水对柬埔寨水稻种植时空格局具有重要影响。2011年洪水时间与雨季稻生长季重叠,同时洪水持续时间较长,雨季稻收获期推迟,对后期旱季稻的种植带来不利影响。根据洪水发生规律,制定适宜的、有弹性的水稻种植制度对于对减轻洪涝灾害的影响、确保水稻生产至关重要。
（4）结合时序形态和统计特征的水稻种植信息提取方法具有较高的精度,单季稻、双季稻的制图精度均大于0.90,用户精度大于0.8。由于本文是针对柬埔寨国家尺度的水稻种植监测,使用了空间分辨率较粗的MODIS数据,这对于种植集中的洞里萨湖区域和湄公河下游区域的水稻提取影响较小,而在柬埔寨北部山区,水稻种植面积小且较为零散,与周边地类的混合像元会在一定程度上会影响水稻种植信息的精确提取和面积统计。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Elert E. Rice by the numbers: A good grain[J]. Nature, 2014, 514(7524):50-51.

[2]
FAO. FAOSTAT[DB/OL]. (2019-12) [2021-07-29]. http://www.fao.org/faostat/en/#data.

[3]
Guan X D, Liu G H, Huang C, et al. An open-boundary locally weighted dynamic time warping method for cropland mapping[J]. ISPRS International Journal of Geo-Information, 2018, DOI: 10.3390/ijgi7020075.

DOI

[4]
Huang C, Zhang C C, He Y, et al. Land cover mapping in cloud-prone tropical areas using Sentinel-2 data: Integrating spectral features with NDVI temporal dynamics[J]. Remote Sensing, 2020, DOI: 10.3390/rs12071163.

DOI

[5]
管续栋, 黄翀, 刘高焕, 等. 基于DTW距离的时序相似性方法提取水稻遥感信息: 以泰国为例[J]. 资源科学, 2014, 36(2):267-272.

[ Guan X D, Huang C, Liu G H, et al. Extraction of paddy rice area using a DTW distance based similarity measure[J]. Resources Science, 2014, 36(2):267-272.]

[6]
Kontgis C, Schneider A, Ozdogan M. Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data[J]. Remote Sensing of Environment, 2015, 169:255-269.

DOI

[7]
Clauss K, Yan H M, Kuenzer C. Mapping paddy rice in China in 2002, 2005, 2010 and 2014 with MODIS time series[J]. Remote Sensing, 2016, DOI: 10.3390/rs8050434.

DOI

[8]
黄翀, 许照鑫, 张晨晨, 等. 基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法[J]. 农业工程学报, 2020, 36(9):177-184.

[ Huang C, Xu Z X, Zhang C C, et al. Extraction of rice planting structure in tropical region based on Sentinel-1 temporal features integration[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(9):177-184.]

[9]
Lasko K, Vadrevu K P, Tran V T, et al. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi, Vietnam[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(2):498-512.

DOI

[10]
Arjasakusuma S, Swahyu Kusuma S, Rafif R, et al. Combination of Landsat 8 OLI and Sentinel-1 SAR time-series data for mapping paddy fields in parts of west and central Java provinces, Indonesia[J]. International Journal of Geo-information, 2020, DOI: 10.3390/ijgi9110663.

DOI

[11]
Kamoto M, Juntopas M. Lower Mekong Basin: Existing environment and development needs[J]. Geographical Review of Japan, 2007, 80(12):704-715.

DOI

[12]
Ministry of Agriculture, Forestry and Fisheries of Cambodia. Annual Report for Agriculture Forestry and Fisheries 2016-2017 and Direction 2017-2018[R]. Phnom Penh: MAFF Conference, 2017.

[13]
Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2):127-150.

DOI

[14]
Müller M. Dynamic time warping[J]. Information Retrieval for Music and Motion, 2007, DOI: 10.1007/978-3-540-74048-3_4.

DOI

[15]
Salvador S, Chan P. Toward accurate dynamic time warping in linear time and space[J]. Intelligent Data Analysis, 2007, 11(5):561-580.

DOI

[16]
Breiman L. Random forests[J]. Machine Learning, 2001, 45:5-32.

DOI

[17]
Wurm M, Taubenböck H, Weigand M, et al. Slum mapping in polarimetric SAR data using spatial features[J]. Remote Sensing of Environment, 2017, 194:190-204.

DOI

[18]
Li L, Friedl M A, Xin Q C, et al. Mapping crop cycles in China using MODIS-EVI time series[J]. Remote Sensing, 2014, 6(3):2473-2493.

DOI

[19]
Galford G L, Mustard J F, Melillo J, et al. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil[J]. Remote Sensing of Environment, 2008, 112(2):576-587.

DOI

[20]
Wang J, Xiao X M, Liu L, et al. Mapping sugarcane plantation dynamics in Guangxi, China, by time series Sentinel-1, Sentinel-2 and Landsat images[J]. Remote Sensing of Environment, 2020, DOI: 10.1016/j.rse.2020.111951.

DOI

[21]
Chen Y L, Lu D S, Moran E, et al. Mapping croplands, cropping patterns, and crop types using MODIS time-series data[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 69:133-147.

DOI

[22]
You N S, Dong J W. Examining earliest identifiable timing of crops using all available Sentinel 1/2 imagery and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 161:109-123.

DOI

[23]
刘开强, 李丹婷, 吕荣华, 等. 柬埔寨水稻生产概况与发展战略[J]. 广西农业科学, 2010, 41(6):619-622.

[ Liu K Q, Li D T, Lv R H, et al. Current status of rice production in Cambodia and its development strategies[J]. Guangxi Agricultural Science, 2010, 41(6):619-622.]

[24]
Bansok R, Chhun C, Phirun N. Agricultural Development and Climate Change: The Case of Cambodia[M]. Phnom Penh: CDRI, 2011.

[25]
Chung S, Takeuchi J, Fujihara M, et al. Flood damage assessment on rice crop in the Stung Sen River Basin of Cambodia[J]. Paddy and Water Environment, 2019, 17(2):255-263.

DOI

Options
文章导航

/

〈 〉