中国新疆吐鲁番-哈密盆地农业种植结构的时空变化：1990年至2023年的遥感监测

《Smart Agricultural Technology》：Spatiotemporal changes in agricultural planting structure in the Turpan–Hami Basin, Xinjiang, China: Remote sensing monitoring from 1990 to 2023

本研究基于1990-2023年Landsat时序影像与作物物候信息，提出时空特征提取方法（EVS）与随机森林模型，揭示吐鲁番-哈密盆地农业种植结构时空演变规律。结果表明，经济作物（葡萄、哈密瓜、棉花）种植面积显著扩张，其中葡萄面积增长277%，粮食作物（小麦、玉米）则缩减明显，形成以高附加值作物为核心的空间分布格局，为干旱区农业可持续发展提供数据支撑。

　　本研究聚焦于中国干旱地区代表性绿洲农业区——吐鲁番-哈密盆地，通过长期的Landsat系列遥感影像和作物物候信息，提出了一种基于时间序列极值-可视分离（EVS）方法的作物识别模型，旨在准确刻画该区域作物结构的时空演变。绿洲农业在干旱地区面临水资源有限与经济社会发展的根本矛盾，而精准识别作物结构对于制定适应性农业政策、优化种植布局以及确保区域粮食安全具有重要意义。吐鲁番-哈密盆地作为中国干旱区的重要农业生产基地，以优质葡萄和哈密瓜闻名，是当地农业经济的重要支柱。近年来，该地区农业种植面积显著扩大，从1990年的104.95万公顷增加到2023年的191.90万公顷，同时作物结构也发生了明显变化，从传统的粮食作物向高价值经济作物如瓜类、葡萄和棉花转变。这一趋势不仅反映了农业生产的转型，也为干旱区农业的可持续发展提供了科学依据。

本研究的创新点在于结合长期遥感数据与作物物候特征，提出了一种新的时间序列特征选择方法，以提升作物识别的准确性和可解释性。传统作物结构信息多依赖人工统计和实地调查，但这种方法往往效率低、成本高且缺乏精确的空间信息。相比之下，遥感技术以其客观性、时效性和大范围覆盖的优势，成为估算作物面积和监测空间分布的重要工具。目前，中等至低分辨率的MODIS数据常用于大范围作物面积估算，而高分辨率的Sentinel-2或GF-2数据则适用于局部区域的特色作物识别。然而，受限于分辨率和时间连续性的不足，多数研究集中在单一时点或短期监测上，缺乏对作物结构长期演变的系统分析。因此，本研究利用Landsat系列卫星影像，具有中等分辨率（30米）和连续的全球数据获取能力，能够有效捕捉作物物候变化，为多期作物结构监测提供可靠的数据支持。

为了更准确地刻画地面特征，本研究采用了地表反射率（SR）数据，对1990、1995、2000、2005、2010年使用的Landsat-5 TM影像和2015、2020、2023年使用的Landsat-8 OLI影像进行了处理。所有影像均经过大气校正，并通过质量保证（QA）波段去除低质量像素（如云层和阴影）。考虑到不同传感器数据的时间和空间重叠可能导致同一区域被多次观测或植被指数值存在微小差异，本研究采用月度合成方法构建稳定的时间序列数据集。该方法在时间窗口长度与无云观测数量之间取得平衡，有助于减少数据缺失对结果的影响。对于时间序列中缺失的数据，采用线性插值法进行填补。时间覆盖范围集中在每年的作物生长季，即3月至10月。最后，利用Savitzky-Golay（SG）滤波器去除残余噪声，从而最大限度地保留原始信号特征。

在田间样本数据的获取方面，本研究于2023年6月至7月进行了实地调查，共收集了1600个有效样本点。为了确保样本质量并避免因调查时间与卫星数据获取时间差异导致的不一致性，所有样本点均通过Google Earth的高分辨率影像进行目视检查。排除了因数据获取时间差异导致的地块覆盖变化、明显的标注错误（如自然植被误标为作物）或因靠近道路或田间边界导致的不稳定性。通过样本迁移方法，将2023年的田间样本数据应用于1990至2020年的作物分类模型构建中。该方法基于特定时间点的分类阈值，将其扩展至长期时间序列数据集，从而弥补早期数据不足的问题。其中，70%的样本用于构建主要作物的分类模型，而30%的样本则用于验证分类结果的准确性。

此外，为了进一步验证遥感作物分类结果的可靠性，本研究将遥感提取的作物种植面积与《新疆统计年鉴》中的历史统计数据进行对比。通过引入相对误差（RE）和决定系数（R2）作为评估指标，定量分析遥感结果与统计数据的一致性与偏差。结果显示，所有年份的相对误差均控制在±0.18%以内，表明遥感估算结果与官方统计数据高度一致。同时，决定系数在时间序列中均高于0.78，说明提取的作物面积与年鉴数据之间存在较强的线性关系。这些结果验证了基于遥感的作物分类方法在精度和稳定性方面的优势。

在特征提取方面，本研究基于地块中心的地理坐标，提取了与每个像素对应的遥感特征。所选特征包括原始光谱波段、典型光谱指数以及纹理特征。纹理特征通过灰度共生矩阵（GLCM）方法进行计算，该方法能够有效描述像素间的灰度变化模式和空间关系。已有研究表明，基于归一化植被指数（NDVI）的纹理特征在作物分类任务中表现良好。因此，本研究利用四种常用的纹理统计指标计算了NDVI的纹理特征。考虑到水果树提取的需要，采用了7×7的移动窗口，以确保特征提取过程的稳定性与科学性。特征的计算方向为默认的0°方向，偏移量为1个像素，以保持特征的一致性。

在时间序列遥感特征选择方面，本研究提出了极值-可视分离（EVS）方法。该方法结合时间序列曲线的统计特征与作物的可视区分度，以识别最具判别性的多时相特征。EVS方法分为两个主要步骤：极值分析和可视区分度评估。极值分析中，针对每种作物在3月至10月期间的光谱、植被指数和纹理特征曲线，识别其最大值和最小值。这些极值通常对应作物的关键物候阶段（如分蘖、抽穗和果实膨大期），能够有效反映不同作物类型的生理差异。在可视区分度评估阶段，对不同作物的标准时间序列曲线进行视觉对比，选择在作物间重叠最小、区分度最高的特征变量。这一过程将定量分析与视觉评估相结合，确保所选特征既具有统计显著性，又具备生物学意义。与传统的单日期或纯统计特征选择方法相比，EVS方法在时间代表性、可解释性和特征整合能力方面具有明显优势，为后续分类建模提供了更具判别性的输入变量。

在分类建模方面，本研究采用了随机森林（Random Forest, RF）算法。RF是一种基于集成学习的机器学习方法，通过构建多个决策树来执行分类和回归任务。每棵决策树均基于原始数据集的随机子集（即Bootstrap抽样）进行训练，并在每个节点分裂时随机选择特征子集以确定最优分割点。这种策略有效降低了模型的过拟合风险，提高了模型的泛化能力。RF的集成特性使其能够聚合多个相对独立决策树的输出，利用其“多样性”提升预测精度和模型稳定性。RF在处理高维和多特征数据集方面表现出色，因此非常适合用于复杂且异质的遥感图像分类任务。

本研究的分类结果表明，所构建的模型在所有年份均实现了超过85%的总体精度（OA），且Kappa系数均高于0.79，显示出分类结果与参考数据之间高度一致。2010年和2020年的分类精度最高，分别为90.1%和91.7%，表明在这些年份作物识别能力最强。同时，R2值在时间序列中保持在0.78以上，进一步验证了遥感数据与统计年鉴数据之间良好的线性关系。这些结果充分说明了基于遥感的分类方法在精度和可靠性方面的优势。

从作物结构演变的角度来看，吐鲁番-哈密盆地在过去30年中呈现出明显的趋势：经济作物面积显著扩大，而粮食作物面积则持续缩减。经济作物包括瓜类、棉花和葡萄，其种植面积主要依赖于从粮食作物和其他土地类型的转换。瓜类种植面积从1990年的10.19万公顷增长至2023年的27.31万公顷，而葡萄种植面积则从15.00万公顷跃升至56.60万公顷，增幅达277%。这一增长主要得益于对非农业用地和未利用土地的转化。相比之下，粮食作物如高粱和小麦的种植面积呈下降趋势，尤其在2000年之后，随着耕地向更高效益的经济作物转移，其面积显著减少。这表明，该地区的农业生产模式正在从以粮食作物为主向以高价值经济作物为核心转变，反映了现代农业体系的演进方向。

在作物空间分布特征方面，研究发现，主要作物在吐鲁番-哈密盆地的分布呈现出显著的区域差异和结构特征。总体上，种植密集区域集中在各子盆地的中心地带，而边缘地区则较为分散。具体而言，吐鲁番盆地、哈密盆地和巴音盆地的中心区域成为核心农业种植区，作物分布呈带状或斑块状向外扩展。截至2023年，经济作物（包括棉花、瓜类、葡萄、杏树和枣树）占总面积的81.85%，而粮食作物（如小麦、玉米、高粱）和油料作物（如向日葵）分别占16.29%和1.86%。其中，葡萄种植面积最大，占总面积的29.49%，棉花占26.85%，瓜类占14.23%。经济作物主要集中在吐鲁番和哈密盆地，尤其是高昌区、鄯善县和伊州区。葡萄种植面积尤为集中，形成了区域最具代表性的特色作物。相比之下，粮食作物和油料作物分布较为零散，主要集中在巴音盆地，其中巴里坤哈萨克自治县是典型的代表区域。

从1990年至2023年，主要作物的总种植面积呈现出持续增长的趋势，从104.95万公顷增加至191.90万公顷，增幅达到86.95万公顷，即约83%。其中，葡萄种植面积的增长最为显著，从15.00万公顷增至56.60万公顷，增长了41.60万公顷，增幅达277%。这标志着葡萄成为该地区农业发展的核心作物之一。此外，枣树和杏树的种植面积也在2010年后快速增长，反映了对高价值经济作物的重视。与此同时，粮食作物如高粱和小麦的种植面积总体呈下降趋势，尤其是自2000年后，耕地逐步被棉花和瓜类等经济作物取代。这一结构转变表明，该地区的农业生产体系正在向以高效益经济作物为主导的现代农业转型。这一变化与政策引导、市场需求、灌溉技术改进和区域气候变暖密切相关。自2000年以来，国家和地方政府实施了一系列农业结构调整政策，如“优势农产品区域布局规划”和“特色果园提质增效项目”，为高效益作物如葡萄和枣树提供了政策支持。同时，节水灌溉技术的广泛应用显著提高了水资源利用效率，使得对水需求较高的经济作物能够稳定种植。此外，过去30年，该地区平均气温每十年上升约0.35°C，无霜期延长超过10天，进一步改善了葡萄、杏和枣等水果作物的生长环境。这些因素共同推动了吐鲁番-哈密盆地农业向高效率、节水型和高附加值经济作物的发展方向。

值得注意的是，由于研究区域面积较大，且部分区域难以进行实地调查，本研究在空间可靠性评估方面主要依赖于总作物面积与官方统计数据的对比。尽管如此，遥感分类结果仍与统计数据保持高度一致，相对误差控制在合理范围内。未来研究可以进一步整合实地调查、多源高分辨率光学和雷达遥感数据，结合精细化的时间序列特征提取和对象级优化方法，以提升不同作物空间分布准确性的验证能力。

最后，本研究采用的随机森林算法在分类精度和稳定性方面表现出色，但未来可探索更先进的深度学习模型，以更精确地刻画农业种植的复杂时空特征。例如，基于卷积神经网络（CNN）的分类方法能够有效提取多光谱影像中的深层光谱-纹理特征，为农业制图提供新的方法路径。此外，结合时间建模结构（如卷积-循环神经网络（CNN-RNN）混合模型或基于Transformer的架构）和时空注意力机制，有助于捕捉作物生长阶段的动态异质性以及年度间的变化，从而进一步提高作物类型的识别精度。在大规模制图和计算资源受限的情况下，轻量级网络设计、迁移学习策略以及融合深度特征与分类器（如XGBoost和LightGBM）的集成学习框架，提供了切实可行的解决方案，值得在后续研究中进一步探索。

综上所述，本研究利用长期的Landsat影像和作物物候信息，构建了基于EVS方法的作物识别模型，实现了对吐鲁番-哈密盆地过去30年主要作物的时空演变分析。研究结果揭示了不同作物在特定物候阶段的遥感特征差异，为作物识别提供了有效的判别依据。同时，通过对比遥感数据与官方统计数据，验证了该方法的可靠性与准确性。此外，研究还发现，该地区的农业种植结构正经历从传统粮食作物主导向高附加值经济作物转型的明显趋势。这一趋势不仅反映了农业发展的新方向，也为干旱区农业的科学管理和可持续发展提供了重要参考。未来研究可进一步优化特征提取方法、作物类型定义和分类算法选择，以提升研究的科学性。同时，引入高分辨率光学影像和雷达数据，结合多源数据融合和精细化特征分析，有助于更准确地识别作物类型和多茬种植模式，为农业政策制定和资源优化配置提供更全面的科学依据。