利用遥感技术识别农业最佳管理实践

《ACS Agricultural Science & Technology》：Identification of Agricultural Best Management Practices Using Remote Sensing

农业最佳管理实践（BMP）遥感识别方法研究。利用Sentinel-2卫星影像、LiDAR高程数据和机器学习算法，开发了梯田/水蚀控制结构、植被缓冲带、覆盖作物的多类型BMP识别技术，加权准确率达81%。方法包括TPI地形指数筛选（梯田/结构）、NDVI植被指数分析（覆盖作物）、SAR后向散射特征（缓冲带）。研究验证了遥感技术在大面积BMP普查中的可行性，为精准农业规划和生态风险评估提供工具。

　　农业是全球人口增长的核心支柱，它不仅为人类提供食物，还为工业和经济发展提供原材料。随着人口的持续增长和农业用地的减少，农民们通过引入先进的农业技术，如机械化设备、作物基因改良和合成肥料与农药，来维持粮食安全和提高生产效率。然而，这些技术虽然提升了作物产量，但也带来了诸如土壤侵蚀、农药流失和漂移等环境风险。为了缓解这些潜在危害，农民们可能会采取多种保护性农业措施，统称为最佳管理实践（Best Management Practices, BMPs）。这些措施在改善水质、提升土壤健康和实现经济与生态双赢方面具有重要作用，例如植被缓冲带（如河岸森林缓冲带）、水土保持结构（如梯田和水土保持集水池）以及土壤覆盖措施（如覆盖作物）等。

在美国，政府政策和资金支持对BMP的推广起到了关键作用。美国农业部（USDA）下属的自然资源保护服务局（NRCS）通过自愿性保护项目，如环境质量激励计划（EQIP）和保护耕作计划（CSP），向农民提供技术和资金援助，以帮助他们实施BMP。这些项目不仅依赖联邦资金，如《农业法案》（Farm Bill），还结合了州、地方和非政府组织（NGO）以及私人资金的支持。此外，美国政府还通过监管手段鼓励BMP的采用，例如根据《联邦杀虫剂、杀菌剂和鼠药法》（FIFRA）对农药的注册和再注册，必须符合《濒危物种法》（ESA）的要求，确保农药使用不会威胁到受保护的物种及其关键栖息地。为此，美国环境保护署（EPA）制定了ESA合规计划，包括2022年11月发布的ESA工作计划、2024年8月发布的最终除草剂策略以及2025年4月发布的杀虫剂策略，这些策略旨在通过事前的缓解措施减少农药对非目标生物的潜在影响。

随着对BMP采用的重视程度不断上升，对美国农业领域BMP实施情况的深入理解变得尤为重要。这不仅有助于验证当前的BMP覆盖率，还能为未来在BMP覆盖率较低且可能面临较高侵蚀或径流风险的地区制定针对性的保护措施。此外，这种BMP库存还能支持农药风险评估的优化，并向农民展示哪些BMP最适合特定区域和种植系统。然而，由于BMP实施的资金来源多样，包括联邦、州、地方、非政府组织和私人资金，以及许多农民自愿采用BMP而未得到任何支持，要获得准确的BMP实施情况数据仍然面临挑战。目前，联邦和州级的BMP报告通常仅限于州级或县一级的汇总数据，缺乏更细致的区域分析。因此，遥感技术因其在分辨率和重访周期方面的进步，被推荐用于BMP的识别与库存管理。

本研究旨在开发、优化并评估一种遥感技术，用于识别多种农业BMP，包括结构性保护措施（Structural Conservation Practices, SCPs）、植被缓冲带和土壤覆盖措施。研究区域选在了美国中西部的七个上游农业流域，这些流域面积从10到49平方英里不等，且均属于阿特拉津生态暴露监测计划（AEMP）的范围。由于这些流域中农业用地比例较高，且存在较高的径流和侵蚀风险，因此成为研究的理想地点。这些流域还提供了良好的实地验证条件，因为它们有定期的采样路线，可以用于确认BMP的实施情况。

为了评估遥感技术的准确性，研究人员结合了手动识别和实地验证，创建了一个参考数据集。通过对研究区域内的农业用地进行评估，共有1796个田块被检查，其中68个田块专门用于覆盖作物的验证。手动识别方法在这些田块中取得了97%的准确率，这表明手动方法在BMP识别方面具有较高的可靠性。此外，研究还利用了高分辨率的航空影像（如美国国家农业影像计划的NAIP影像）和激光雷达（LiDAR）生成的地形数据，以提高识别的精确度。特别是对于覆盖作物，由于其在夏季生长季节难以通过NAIP影像识别，研究人员在2024年春季进行了实地调查，以确定田块是否种植了覆盖作物。

对于梯田和水土保持集水池（WASCOBs）的识别，研究人员采用了地形位置指数（Topographic Position Index, TPI）方法。TPI是一种通过比较某一点的高程与周围区域的平均高程来识别地形特征的工具，可以有效区分梯田和WASCOBs的土方结构。由于梯田和WASCOBs在某些情况下难以区分，研究人员将它们归为一类进行识别，并结合高程数据和影像分析，通过设置不同的阈值来筛选出具有特征的田块。例如，梯田和WASCOBs的边缘长度需超过1000米，且距离土地洼地（如集水池入口）需在5米以内。此外，还通过空间缓冲区（如道路和河流）来排除其他可能被误认为BMP的地形特征，如沟渠和堤坝。

覆盖作物的识别则依赖于遥感影像中的植被指数，特别是归一化植被指数（Normalized Difference Vegetation Index, NDVI）。NDVI通过比较近红外波段与可见光波段的反射率来评估植被的健康状况和密度。研究人员利用Sentinel-2多光谱仪器（S2MSI）获取了2023年秋季、2024年早春和2024年晚春的影像数据，并结合Cloud Score Plus影像来消除云层和其他光学干扰。通过计算NDVI值，并将其分为低、中和高三个等级，研究人员构建了一个综合影像，以识别覆盖作物的田块。最终，将该影像与农业用地进行叠加，确定覆盖作物的分布情况。

草沟（Grassed Waterways）的识别方法则结合了地形数据和植被信息。研究人员使用了10米分辨率的数字高程模型（DEM）数据，并通过ArcGIS Pro的Spatial Analyst工具箱计算了地形填充、水流方向和水流累积。水流累积阈值被设定为约一英亩，以识别集中水流路径。这些水流路径随后与影像中识别出的草地区域进行叠加，以确定草沟的分布。为提高识别的准确性，研究人员采用了接收者操作特征（ROC）分析，确定了最佳的草像素阈值，即50像素，以减少误判。

河岸森林缓冲带的识别则利用了随机森林图像分类模型，并结合了Sentinel-2多光谱影像和Sentinel-1合成孔径雷达（SAR）数据。SAR数据能够通过雷达回波特性区分森林植被和其他地表覆盖类型。研究人员在2023年5月采集了Sentinel-2和Sentinel-1的影像数据，并通过计算垂直-垂直极化（VV）和垂直-水平交叉极化（VH）通道的中位数后向散射系数以及VH/VV比值，构建了一个六波段影像。随后，利用该影像和NAIP训练点，训练了随机森林分类模型，以识别森林覆盖区域。为了确定河岸森林缓冲带的分布，研究人员使用了美国地质调查局（USGS）的NHDPlus高分辨率数据集，对河流和湖泊进行了50米缓冲区处理，并与森林覆盖区域进行叠加。最终，农业田块的30米缓冲区与森林区域的重叠部分被判定为河岸森林缓冲带。

研究结果显示，遥感技术在识别不同类型的BMP时表现出不同的准确率。总体而言，这些技术的加权准确率为81%。梯田和WASCOBs的识别准确率为85%，其中田块包含这些实践的准确率为77%，田块不包含这些实践的准确率为87%。覆盖作物的识别准确率为93%，其中田块包含覆盖作物的准确率为100%，田块不包含的准确率为92%。草沟的识别准确率为75%，其中田块包含草沟的准确率为78%，田块不包含的准确率为72%。河岸森林缓冲带的识别准确率为83%，其中田块包含这些实践的准确率为78%，田块不包含的准确率为87%。尽管这些技术在某些方面表现良好，但仍存在一些挑战，如覆盖作物的识别受限于NDVI的可靠性，草沟的识别可能因DEM的分辨率不足或人工排水系统而受到影响，而河岸森林缓冲带的识别则可能因树木和灌木的随机分布或与水体距离不足而产生误判。

尽管本研究的遥感技术在识别BMP方面取得了一定成果，但其准确性仍受到影像和高程数据的空间和时间分辨率的限制。例如，Sentinel-2影像虽然成本低廉且公开获取，但其10米的分辨率可能不足以准确识别某些细小的BMP特征，如梯田和WASCOBs的结构细节。此外，影像数据的更新周期较长，可能导致BMP识别结果无法反映最新的地面情况。因此，未来的研究应探索更高分辨率的影像数据，以提高BMP识别的精确度。同时，结合深度学习和人工智能技术，如U-Net图像分割模型，可以进一步优化BMP识别方法，提高其自动化水平和准确性。

此外，本研究还强调了遥感技术在农业保护措施监测中的潜在应用。例如，通过遥感技术，可以更高效地评估BMP的实施情况，支持农药风险评估的优化，并帮助政策制定者制定更有效的保护措施。对于农民而言，这些技术可以提供关于哪些BMP最适合其所在地区和种植系统的直观信息，从而提高其农业实践的可持续性和环境友好性。然而，为了确保这些技术在全球范围内的适用性，还需要对不同气候条件、作物类型和生长周期进行适应性调整。例如，某些欧洲国家可能只有5米或30米分辨率的DEM数据，这可能会影响TPI方法的性能，导致细小的地形特征被遗漏。相比之下，覆盖作物和河岸森林缓冲带的识别则可能更容易在不同地区推广，因为Sentinel-1和Sentinel-2的全球覆盖能力较强。

本研究的结果表明，遥感技术在农业保护措施的识别和库存管理方面具有显著潜力。相比传统的农民调查，这种技术不仅成本更低，而且能够更全面地覆盖多种BMP类型，提高数据的时效性和准确性。然而，要实现这一目标，仍需进一步优化遥感方法，包括引入更先进的图像分类算法和提高数据处理的自动化程度。同时，还需要扩大参考数据集的规模，以增强统计的稳健性。此外，未来的研究还可以探索识别其他类型的BMP，如人工湿地，以进一步完善农业保护措施的监测体系。

综上所述，本研究通过结合遥感技术、高程数据和实地验证，开发了一种用于识别多种农业BMP的系统化方法。这些方法在一定程度上提高了BMP识别的效率和准确性，为农业可持续发展和环境保护提供了新的技术支持。然而，为了实现更广泛的应用，还需要进一步解决技术局限性，并结合更多先进的数据分析工具。随着遥感技术和人工智能的不断发展，未来有望建立一个全面、自动化的BMP库存系统，以支持更精准的农业保护政策制定和实施。