快速檢索        
  農業資源與環境學報  2021, Vol. 38 Issue (6): 1051-1063  DOI: 10.13254/j.jare.2021.0526
0

引用本文  

劉園, 蔡澤江, 余強毅, 等. 從作物輪作角度評價華南典型赤紅壤農區耕地質量空間差異[J]. 農業資源與環境學報, 2021, 38(6): 1051-1063.
LIU Yuan, CAI Zejiang, YU Qiangyi, et al. Spatial variation evaluation of cultivated land quality from the perspective of crop rotation for a typical lateritic red soil farming area in south China[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1051-1063.

基金項目

國家自然科學基金項目(U1901601);中國農業科學院國際農業科學計劃項目(CAAS-ZDRW202107)

Project supported

The National Natural Science Foundation of China(U1901601); International Science & Technology Innovation Program of ChineseAcademy of Agricultural Sciences (CAAS-ZDRW202107)

通信作者

余強毅??E-mail: yuqiangyi@caas.cn

作者簡介

劉園(1993-), 男, 河北石家莊人, 博士研究生, 從事農業土地系統研究。E-mail: liuyuan05@caas.cn

文章歷史

收稿日期: 2021-08-16
錄用日期: 2021-10-18
從作物輪作角度評價華南典型赤紅壤農區耕地質量空間差異
劉園1 , 蔡澤江2 , 余強毅1 , 吳文斌1 , 周清波3     
1. 中國農業科學院農業資源與農業區劃研究所/農業農村部農業遙感重點實驗室, 北京 100081;
2. 中國農業科學院農業資源與農業區劃研究所/湖南祁陽農田生態系統國家野外科學觀測研究站, 湖南 祁陽 426182;
3. 中國農業科學院農業信息研究所, 北京 100081
摘要: 為從作物輪作角度分析華南典型赤紅壤農區耕地質量空間差異,針對華南典型赤紅壤農區構建作物輪作系統遙感分類體系,基于空間分析、文獻支持、野外實地調查、農戶訪談與專家知識,建立不同作物輪作系統與耕地質量等級之間的關聯關系;基于Sentinel-1與Sentinel-2時間序列遙感數據、利用決策樹制圖方法,開展作物輪作系統遙感制圖,并在不同空間尺度分析耕地質量空間差異與規律。結果表明,作物輪作系統與耕地質量之間存在關聯關系,總體而言,水田輪作系統由于化肥投入較低、對土壤干擾較小、長時間被水面覆蓋,不易引起土壤酸化等耕地質量問題,耕地質量等級較高;蔬菜、果園系統由于化肥投入較高,耕地質量一般較低,具體表現為土壤酸化、土壤重金屬污染等問題。研究區蔬菜輪作系統比例最高,其次為果園系統。研究區耕地質量總體一般,主要為三等地,呈現出明顯的空間分異。本研究初步探明作物輪作與耕地質量的關聯關系,并將作物輪作遙感制圖結果應用于耕地質量空間差異研究,由于耕地質量特征較難直接通過遙感反演獲取,通過監測地表作物種植情況進而反演耕地質量具有理論可行性,未來有必要深入解析作物輪作、地形地貌、氣象水文等要素與耕地質量的關聯關系,構建大數據驅動的耕地質量時空差異評估技術體系,支撐跨尺度耕地質量監測與評價研究。
關鍵詞: 赤紅壤    遙感    谷歌地球引擎    哨兵數據    作物輪作    耕地質量    
Spatial variation evaluation of cultivated land quality from the perspective of crop rotation for a typical lateritic red soil farming area in south China
LIU Yuan1 , CAI Zejiang2 , YU Qiangyi1 , WU Wenbin1 , ZHOU Qingbo3     
1. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/Key Laboratory of AgriInformatics, Ministry of Agriculture Rural Affairs, Beijing 100081, China;
2. National Field Observation and Research Station of Farmland Ecosystem in Qiyang, Hunan Province/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Qiyang 426182, China;
3. Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing 100081, China
Abstract: Characterizing the spatial variation of cultivated land quality based on crop rotation pattern could provide a basis for improving regional cultivated land quality through optimizing crop rotation management. To this end, we constructed a crop rotation system classification for the typical lateritic red soil farming area in south China, and established the correlation between crop rotation systems and the cultivated land quality based on spatial analysis, literature review, field survey, farmer interview and expert knowledge. Then crop rotation systems were mapped with Sentinel-1 and Sentinel-2 time series remote sensing data and the decision tree algorithm, based on which the spatial variation and pattern of cultivated land quality were analyzed at different scales. The results showed that there was a qualitative correlation between crop rotation systems and cultivated land quality. In general, the quality is generally higher in paddy rotation systems due to lower fertilizer input, less soil disturbance, and long-term water surface, while the quality was generally lower in vegetable and orchard systems due to higher fertilizer input, which caused soil acidification and soil heavy metal pollution. The highest proportion of vegetable rotation systems in the study area was followed by orchard systems. Therefore, the overall cultivated land quality is general, mainly characterized by the third class. Spatially, the cultivated land quality was higher in the north and lower in the south. Our study initially explored the correlation between crop rotation and cultivated land quality, and applied the remote sensing-based crop rotation pattern to the analysis of spatial variation in cultivated land quality. In the future, it is necessary to deeply analyze the correlation between crop rotation, topography, meteorology and hydrology and cultivated land quality, and further build a big data-driven technical system for assessing the spatial and temporal variations of cultivated land quality to support the cross-scale cultivated land quality monitoring and evaluation.
Keywords: lateritic red soil    remote sensing    Google Earth Engine    Sentinel data    crop rotation    cultivated land quality    

耕地是人類賴以生存和發展的物質基礎,對保障糧食與生態安全及可持續發展具有重要作用[1]。耕地質量的優劣對糧食產能與生態系統健康的影響很大,我國耕地長時間高強度利用,耕地質量正在向著非健康、非生態的方向發展[2]。例如,我國東北黑土地出現變薄、變瘦、變硬趨勢,北方干旱半干旱耕地土壤肥力低、水土流失嚴重,南方紅黃壤耕地土壤酸瘦、耕層淺薄[3],這些問題給農業可持續發展和生態環境帶來潛在風險。為此,維持與提升耕地質量成為我國新發展階段耕地管理的緊要任務??茖W掌握耕地質量情況是推進耕地質量提升的前提,耕地質量評價有助于探明耕地質量空間分布,然而耕地質量評價大多依靠土壤樣本點數據空間插值,這種方法一般費時費力,且采樣與空間插值過程易產生擾動。因此迫切需要探索新的耕地質量數據獲取技術,滿足實時、準確、大范圍開展耕地質量評價的需求。

傳統耕地質量評價一般根據指標體系,結合空間采樣方法,將耕地質量評價結果空間插值至區域尺度[4-5]。評價指標對評價結果至關重要,大量研究圍繞指標選取進行了探索,豐富了耕地質量評價指標體系[6-8]。較早的耕地質量評價研究側重于耕地質量的自然屬性,1976年,聯合國糧農組織(FAO)公布的《土地評價綱要》,重點關注自然環境對土地適宜性的影響,如氣候、地貌、土壤等。在耕地質量觀演變與再認識中,耕地質量內涵不斷擴充,評價指標體系日趨完善,由單一的自然條件指標發展到自然、社會經濟和生態環境等綜合指標。例如,ZHAO等[7]為評價湖北山區耕地質量空間特征,選取土壤理化性質、養分狀況、管理狀況、健康狀況和生態環境狀況5個一級指標,以及相應的有機質、pH、總氮等28個二級指標。我國《第三次全國國土調查耕地資源質量分類工作方案》建立了多層次的耕地資源質量分類指標體系,包括自然地理格局、地形條件、土壤條件、生態環境條件、作物熟制及耕地利用現狀等。而馬瑞明等[8]以作物熟制為重心,構建了多層級指標的耕地質量評價體系,能夠更客觀地反映在特定資源稟賦條件下的耕地質量。隨著遙感技術的迅速發展[9],將衛星、無人機遙感影像數據應用于耕地質量評價,使得快速、準確開展大尺度耕地質量評價成為可能?;谶b感技術的耕地質量評價主要包括兩大類,一種是直接利用遙感獲取地學、土壤、環境等方面的評價指標[10-11],進而計算耕地質量綜合指數。例如,LIU等[10]從Landsat、SPOT影像中提取農業土地利用、坡度等5個指標,并將指標納入“壓力-狀態-響應”評價框架,實現縣域耕地質量評價。這種方法雖然較為直觀,但是由于耕地在裸土狀態的時間窗口比較有限,直接利用遙感影像反演耕地質量存在一定局限。另一種是利用遙感影像獲取植被特征,通過建立植被特征與耕地質量之間的關系,間接反演耕地質量[12]。例如,馬佳妮等[12]識別水稻和玉米后,結合MODIS影像與氣象站點數據,計算水稻和玉米凈初級生產力的多年均值,以代表區域耕地質量情況。這種方法考慮了耕地植被特征,但已有研究大多根據植被生物量情況,建立其與耕地質量的關系,忽視實際作物類型與耕地利用方式的影響[13],有可能造成研究結果無法科學解釋。例如,大量施用化肥可能提高作物生物量與產量,然而這一過程在南方地區容易加快土壤酸化,反而導致耕地質量下降。

作物輪作是作物類型與耕地利用方式的綜合,不同作物輪作系統對單季作物產量、土壤的理化與生物性質等具有影響[14-15],通過作物輪作認知耕地質量,為耕地質量評價提供了全新的視角與方法[16]。然而,目前關于作物輪作的研究大多集中在地塊尺度,反映作物輪作系統時空特征的研究較少,尤其是通過監測作物輪作情況以表征耕地質量的研究暫未見報道。本研究以作物輪作復雜、土壤酸化明顯的華南典型赤紅壤農區為研究對象,提出了以耕作制度為核心的耕地質量評價指標體系,并通過遙感監測方法實現耕作制圖,結合土壤pH、陽離子交換能力(Cation exchange capacity,CEC)、有機碳含量(Soil organic carbon content,SOC)、全氮(N)等土壤屬性,開展耕地質量綜合評價,進而分析耕地質量空間差異與規律。本研究耕地質量評價側重土壤質量層面,這也正是耕地質量評價的基礎和核心。評估結果僅相對性地反映出耕地質量空間差異,而非呈現出耕地質量的絕對大小。研究旨在結合傳統評價指標,以遙感數據與技術方法為基礎,闡明作物輪作信息在耕地質量評價中的作用,為優化作物輪作管理、提升區域耕地質量提供依據。研究結果也可為大數據驅動的耕地質量時空差異評估提供科學參考,對實時、準確、大范圍開展耕地質量評價及耕地質量提升機制探索具有重要意義。

1 研究區域

增城區位于廣東省中東部、廣州市東部(23°04′ ~ 23°37′ N,113°29′ E~113°59′ E),面積約1 616.47 km2圖 1)。研究區地處丘陵山地與珠江三角洲平原過渡地帶,北部較高,南部較低,耕地地塊破碎。增城位于我國典型赤紅壤區,屬南亞熱帶海洋性季風氣候,日照充足,雨量充沛,年平均氣溫和降水量分別為22.2 ℃和1 869 mm。氣候條件優越,作物可全年生長,是一年三熟區。增城為粵港澳大灣區“菜籃子”工程的重要生產基地,也是國家供港蔬菜質量安全示范區、全國蔬菜生產先進縣,因此蔬菜種植十分廣泛。除蔬菜外,主要作物為水稻和果樹,其中水稻為國家地理標志產品——“增城絲苗米”,是具有明顯地方特色的秈稻優質稻米;果樹則主要為荔枝、香蕉等,增城是全國著名的荔枝之鄉。增城作物輪作情況較為復雜,為追求更高的經濟效益,通常一年輪換種植3~6次蔬菜,蔬菜和水稻輪作也是常見的種植方式。增城耕地利用強度總體較高,土壤酸化、土壤重金屬污染的風險較高[17],從而導致耕地質量退化,威脅農產品安全。因此,探討研究區作物輪作與耕地質量空間差異之間的關聯關系,有助于從作物格局優化的角度科學提出耕地質量調控策略,支撐服務粵港澳大灣區農業高質量發展目標。

圖 1 增城區概況及樣點分布 Figure 1 Location of the study area and samples distribution
2 數據與方法 2.1 數據來源

研究過程涉及的數據(表 1)來源:

表 1 主要數據來源及處理過程 Table 1 Main data sources and processing procedure

(1)2020年耕地數據來源于中國科學院空天信息創新研究院制作的全球30 m地表覆蓋精細分類產品(GLC_FCS30—2020),該產品基于Landsat影像和全球地物圖像波譜庫得到,相比其他地表覆蓋產品,分類體系更精細,總體分類精度更高[18]。

(2)遙感影像數據來自歐洲航天局生產的Sentinel-1合成孔徑雷達(Synthetic aperture radar,SAR)與Sentinel - 2多光譜(MultiSpectral instrument,MSI)影像,空間分辨率均為10 m,時間分辨率則分別為12 d和5 d。在Google Earth Engine(GEE)平臺[19]中獲取2019年12月—2020年12月的所有影像,對雷達影像進行黑邊掩膜,利用改進的Lee濾波算法作降噪處理;對多光譜影像則進行云掩膜、缺失值填補,利用加權Whittaker函數擬合方法重構時序曲線[20],隨后計算增強型植被指數(Enhanced vegetation index,EVI)與陸地水分指數(Land surface water index,LSWI)。

(3)地面樣本來自于2020年9月開展的野外實地調查,共有738個樣本,涉及水稻、蔬菜、果樹的樣本數量分別為223、212、189個。所有樣本均經過目視檢查,有明顯誤差的樣本已被移除。

(4)主要作物的物候信息同樣來自于田間實地調查,通過對農民進行訪談獲得水稻及主要蔬菜與果樹品種的大致種植和收獲日期。

(5)土壤數據集為國際土壤參考信息中心制作的SoilGrids250m(SG)產品(https://www.isric.org/explore/soilgrids[21],該產品是利用機器學習方法,通過建立全球土壤剖面觀測與土壤相關協變量之間關系的數字土壤制圖方法所得,包含土壤pH、CEC、SOC、N等土壤理化性質指標,分辨率250 m。

2.2 研究方法

首先構建作物輪作系統遙感分類體系,基于空間分析、文獻支持、野外實地調查、農戶訪談與專家知識,建立不同作物輪作系統與耕地質量等級之間的關聯關系;隨后基于Sentinel-1/2時序遙感數據與決策樹,開展作物輪作系統制圖,以此為基礎分析耕地質量空間差異與規律。

2.2.1 作物輪作系統

為實現基于作物輪作的耕地質量空間差異分析,結合實地和問卷調查的知識,提出一套科學、精細的作物輪作系統分類體系(表 2)。將耕地定義為一種特定的土地,耕地是人類活動的產物,是人類開墾之后用于種植農作物(包括一年生作物和永久作物)的土地。因此,荔枝、香蕉等果樹作為永久作物納入耕地范圍,參與作物輪作系統分類體系構建。在研究區內,果樹的種植面積較大,且果樹與水稻、蔬菜等作物的田間管理方式一般不同,對耕地質量的影響也會有明顯差異,將果樹納入耕地范圍對于體現耕地質量空間差異有重要意義。該體系由3個主系統和9個子系統構成,能夠充分表征復雜的作物輪作現狀,可高度概括作物輪作的特征。首先根據作物類型確定三個主系統:水田、蔬菜和果園系統,分別描述水稻、蔬菜與果樹的輪作情況。進一步將水田系統劃分為四個子系統:雙季稻、單季稻、單季稻-蔬菜輪作和雙季稻-蔬菜輪作。在蔬菜系統中,根據種植次數定義高強度和低強度蔬菜,隨后按照作物多樣性將高強度蔬菜劃分為高多樣性及低多樣性蔬菜。對于果樹系統,考慮到不同輪作周期果樹的田間管理方式一般不同,對耕地質量的影響也會有明顯差異,故根據輪作周期將其劃分為長周期和短周期果園。

表 2 增城區作物輪作系統分類體系 Table 2 Crop rotation system classification in Zengcheng District
2.2.2 作物輪作系統遙感制圖

基于決策樹的流程框架,在GEE中結合Sentinel- 1A與Sentinel-2A/B時間序列遙感影像、地面樣本數據、作物物候信息等獲得增城區2020年作物輪作系統分布圖(圖 2)。首先進行耕地類型遙感制圖,在此基礎上識別作物輪作系統。為排除非耕地像元對制圖精度的影響,利用GLC_FCS30—2020產品中的耕地圖層對遙感影像進行掩膜。

圖 2 作物輪作系統遙感制圖流程框架 Figure 2 Flowchart of crop rotation system classification based on remote sensing

(1)耕地類型識別

相比菜地和果園,水田的遙感識別特征較為明顯,因此本研究首先識別水田分布,再區分菜地和果園。其中,水稻獨有的灌水移栽期信息是其區別于其他作物類型的關鍵特征[22-23]。研究區多云多雨,光學遙感影像信息提取受到一定影響,因此,本研究結合雷達影像[24],參考比較成熟的方法體系[25],分別利用Sentinel-1A與Sentinel-2A/B時間序列遙感影像提取灌水移栽信號以表征水田分布,并將兩者的結果合并。水田識別后,利用隨機森林分類器,結合由Sentinel-2A/B序列影像提取的多作物特征,包括光譜、時相、物候和紋理特征,實現菜地和果園遙感制圖。

(2)作物輪作系統識別

在耕地類型識別的基礎上,識別作物輪作系統。對于水田,提取的灌水移栽信號頻數即代表水稻種植次數,由此可分辨單季稻和雙季稻。隨后引入復種指數[26],通過其與水稻種植次數的數量關系確定水田系統。當復種指數大于水稻種植次數時,認為有蔬菜參與水稻輪作,反之沒有。對于蔬菜,結合復種指數和復種多樣性指數識別子系統。復種指數為1的菜地為低強度蔬菜,大于1則為高強度蔬菜。高強度蔬菜中,利用復種多樣性指數進一步區分高多樣性和低多樣性蔬菜。在此,提出復種多樣性指數以在時間維度上衡量耕地的作物多樣性??紤]到不同作物的差異可以由植被指數曲線的形態反映,對于每個作物,基于EVI提取三個典型的物候指數——振幅、最大值、生長期長度代表其主要物候特征,分別對三個指數求變異系數,其平均值代表復種多樣性指數,數值越大,多樣性水平越高。對于果園,生長期長度不同的果樹,EVI的波動程度明顯不同,因此計算EVI的變異系數(Coefficient of variation,CV)以區分短周期果園和長周期果園,CV值較高表明果樹生長期較短。

(1)

式中:i代表不同生長季的作物;S代表標準差;M代表平均值;振幅代表EVI峰值與谷值的差值;最大值代表EVI峰值;生長季長度代表作物的生長期。

2.2.3 耕地質量空間差異分析

基于作物輪作系統分析耕地質量空間差異,需建立作物輪作系統與耕地質量等級之間的關聯關系。為使關聯結果更加科學,本研究結合定性與定量方法建立關聯,總共分為三個層面。首先,設計專家打分表,寫明不同作物輪作系統的定義及主要特征,并附上2020年增城區作物輪作系統分布圖。請10位土壤學領域的專家學者對各個作物輪作系統的耕地質量進行評分,并給出明確的評分依據,分值標準為1~10分,分值越高代表相應系統下耕地質量越高,取所有專家評分的眾數作為各個作物輪作系統的專家評分結果??紤]到研究區輪作系統的特殊性與復雜性,專家需要對研究區有一定的熟悉度,因此本次邀請的專家主要來自中國農業科學院、廣東省農業科學院、華南農業大學。其次,基于Web of Science數據庫,按照“作物輪作(Crop rotation)”“土壤(Soil)”“耕地(Farmland/cropland/cultivated land)”“環境(Environment)”等關鍵詞搜索文獻,梳理與本研究作物輪作系統相關的研究結論。由于區域和作物輪作的差異,此部分結果作為關聯作物輪作系統與耕地質量等級的依據。最后,在ArcGIS 10.2平臺中將作物輪作系統與土壤數據集作疊加分析,探索不同系統下土壤屬性的差異,以定量反映耕地質量優劣。土壤數據集為精度與空間分辨率更高、空間更連續的SG產品,土壤屬性則選用對土壤質量解釋性較強的pH、CEC、SOC、N四個屬性,深度為0~5 cm。由于作物輪作系統動態性較強,研究結果只反映近幾年的作物情況,而土壤屬性變化較慢,影響因素復雜多樣。以某一年輪作分布與土壤屬性疊加并不能直接代表作物輪作系統的耕地質量,因此本部分結果同樣僅作為調整專家評分結果依據。此外,在野外調查采樣時進行了農戶訪談,了解了作物輪作系統的總體特征及其對耕地質量的影響,這些內容也將納入考慮。

以專家評分結果為基準,綜合疊加分析、文獻支持及野外調查與農戶訪談內容,為作物輪作系統賦予分值,建立作物輪作系統與耕地質量等級之間的關聯關系。在此基礎之上,利用作物輪作系統分布圖和空間分析方法,探索耕地質量的空間差異性。為更好地體現耕地質量空間差異,將增城區耕地質量等級由高至低依次劃分為一至五等,并且分別在10 m像素,以0.5、1、1.5 km及2 km網格尺度分析耕地質量空間分布差異。研究本質上是對作物輪作系統的重分類,因此耕地質量分布與作物輪作分布基本一致?;诰W格的耕地質量分布,可以體現網格單元內作物輪作系統組成的差別,對于理解耕地質量空間差異更有意義。不同網格尺度會導致不同的結果,為展現這種尺度效應,依據增城區耕地的破碎度及研究區的地域范圍,分別選擇0.5、1、1.5 km及2 km作為網格大小開展研究。當網格內耕地覆蓋范圍不足10% 時,不再評估耕地質量等級,賦值為0。

3 結果與分析 3.1 作物輪作系統遙感制圖結果

基于樣本點及記錄的作物輪作信息,評估作物輪作系統的總體分類精度(0.82),較高精度表明所提出的遙感制圖方法可以在耕地破碎、云雨繁密區識別作物輪作系統。相比水田,蔬菜和果園系統具有較高精度。水田系統較低的精度主要源于復種指數誤差,而當復種指數被低估時,有蔬菜參與輪作的容易被錯分為沒有蔬菜的水稻系統。在數量上,蔬菜系統種植面積最大,占比為43%,其次為蔬菜、水田系統,分別占37%、20%。水田系統以單季稻-蔬菜輪作為主,說明當地農民傾向于蔬菜-水稻輪作以追求更高的經濟效益。蔬菜系統中,低強度蔬菜面積較小,而高強度蔬菜中低多樣性蔬菜分布較廣,反映出蔬菜生產強度高、多樣性低的區域特點。在果園系統內,短周期果園的種植面積明顯大于長周期果園。在空間上(圖 3),增城北部區域主要為水田和果園系統,南部則大面積分布著果園和蔬菜系統。其中,蔬菜系統分布呈現聚集性,主要分布在中部偏西南與東北方向以及研究區的東南部。

圖中1~9分別代表:1. 雙季稻;2. 雙季稻-蔬菜輪作;3. 單季稻;4.單季稻-蔬菜輪作;5.高多樣性蔬菜;6.低多樣性蔬菜;7.低強度蔬菜;8.短周期果園;9.長周期果園 Number 1~9 represent: 1. Double rice; 2. Double rice rotated with vegetables; 3. Single rice; 4. Single rice rotated with vegetables; 5. High diversity vegetables; 6. Low diversity vegetables; 7. Low intensity vegetables; 8. Short growing cycle orchard; 9. Long growing cycle orchard 圖 3 2020年增城作物輪作系統空間分布 Figure 3 Spatial distribution of crop rotation system in Zengcheng District in 2020
3.2 耕地質量空間差異

表 3為作物輪作與耕地質量相關文獻搜索的主要結果,可以發現輪作系統對作物產量、土壤質量、農業環境等有重要影響。輪作系統與生物和非生物因素有關,如土壤微生物、管理措施,短周期輪作或單作作物的產量通常比長周期輪作低;更多樣化的輪作系統可以幫助維持土壤微生物功能,對土壤有機質和土壤肥力產生積極影響;有蔬菜參與輪作的水田系統構成水旱輪作,則有助于提升土壤有機質含量。將增城區作物輪作系統與SG土壤數據集作疊加分析,結果表明不同作物輪作系統的土壤屬性值有明顯差異(表 4)。對于pH、SOC、CEC三個土壤屬性,均表現為水田>果園>蔬菜的規律,如水田、果園與蔬菜系統的SOC均值分別為35.0、34.3、32.5 g·kg-1。對于N,水田系統的水平最低,果園最高,蔬菜則介于兩者之間。水田系統中,單季稻系統的N含量遠高于雙季稻系統;蔬菜系統的組內差異不顯著;果園系統內長周期果園的所有土壤屬性值均大于短周期果園。

表 3 作物輪作與耕地質量相關文獻搜索的主要結果 Table 3 Main results of literature search on crop rotation and cultivated land quality
表 4 增城區作物輪作系統與土壤數據集疊加結果 Table 4 Overlaying results of crop rotation system and soil data in Zengcheng District

以專家評分結果為基準,綜合疊加分析、文獻支持及野外調查與農戶訪談內容,為作物輪作系統賦予分值,建立作物輪作系統與耕地質量等級之間的關聯關系。最終的耕地質量評價結果(表 5)表明,水田系統下耕地質量最優,蔬菜系統最差,果園系統介于兩者之間。水田、蔬菜與果園系統,作物結構及所需求的生長環境有明顯差異,如水稻要求一定時間的泡水,蔬菜生長需要特定次數的灌溉,因而不同作物輪作系統的土肥水管理方式截然不同。土壤物理結構、水分和氧化還原環境也隨耕作管理發生變化,改變土壤微生物特性,以及相應的碳、氮等元素轉化過程,影響土壤pH、SOC等土壤屬性,進而影響耕地質量。相比水稻和果樹,蔬菜生產的化肥投入量最高。為保證蔬菜快速生長,農民施用過量化學氮肥,而蔬菜的根系結構易造成養分流失,其中銨態氮硝化釋放氫離子和硝態氮淋溶損失會引起土壤酸化,進而威脅耕地質量安全。果園的養分投入量也較大,易對土壤質量產生負面影響。而水田系統的化肥需求量低,長時間被水面覆蓋,土壤硝化微生物數量和活性降低,因此水田較旱地在很大程度上抑制土壤氫離子凈釋放,不易引起土壤酸化等耕地質量問題。雙季稻系統的化肥投入較單季稻大,而單季稻下土壤受到的干擾低,對土壤負面影響較低,有助于地力恢復;水稻和蔬菜輪作的系統可以構成水旱輪作,可能有助于提升土壤有機質含量。相比高強度蔬菜,低強度蔬菜下土壤受到的干擾低,化肥等投入量少,對土壤負面影響較低;高強度蔬菜中,高多樣性蔬菜對土壤健康有積極影響。果園系統則依據疊加分析的結果,將長周期果園列于短周期果園之前。

表 5 增城區作物輪作系統耕地質量評分結果 Table 5 Scores of cultivated land quality with reference to crop rotation system in Zengcheng District

根據增城區耕地質量評分結果(表 5),分別將評分為9、7~8、5~6、3~4、2分的耕地歸為一至五等。由圖 4可知,基于作物輪作系統的耕地質量評價,較好地體現出耕地質量的空間差異。耕地質量與作物輪作系統的空間分布直接相關,增城北部的耕地質量較高,南部較低,中部有明顯的過渡帶。而在蔬菜系統主要分布的區域,耕地質量也呈現為低值聚集區。相比傳統耕地質量評價,該結果空間分辨率更高,而且對于通過優化輪作系統布局提升耕地質量具有現實意義。網格尺度更概括性地刻畫出耕地質量的空間差異性,可視化效果明顯(圖 5),有助于定位耕地質量“熱點”與“冷點”區,推動針對性政策實施。不同網格尺度下的耕地質量空間分布有明顯不同,其中0.5 km網格尺度更適合該研究區,突出了耕地質量空間差異,并且較好地保持地物真實性和原始數據的精度?;?0 m像素結果對耕地質量等級進行統計(表 6),發現研究區耕地質量整體一般,三等耕地面積占比超過75%,而等級為一等和二等的耕地面積僅占12.97%,與四等和五等耕地面積占比接近。鄉鎮的作物輪作系統構成存在差異,其耕地質量等級的分布情況截然不同。一等耕地面積占比超過10% 的只有4個鄉鎮,其中北部的正果鎮、派潭鎮與小樓鎮的水田與果園系統分布廣泛,平均耕地質量較高,分值達到6分,且一等耕地覆蓋面積遠大于其他鎮(街道),占比均為16% 以上。而南部的新塘鎮主要分布蔬菜系統,故耕地質量最差,一等耕地面積占比最低,僅為5.23%。

b1、c1為典型區域b、c的耕地質量空間差異分布圖,b2、c2為10 m空間分辨率的Sentinel-2 RGB遙感影像 The zoom-in views in Figure a for the two regions b and c are shown in Figure b1, c1 and the RGB image of Sentinel-2 annual composite with 10 m resolution are shown in Figures b2 and c2 圖 4 2020年增城區耕地質量空間差異 Figure 4 Distribution of cultivated land quality in Zengcheng District in 2020
圖a、b、c、d分別為基于0.5、1、1.5、2 km網格分布圖 Distribution of cultivated land quality based on the grids of 0.5、1、1.5、2 km 圖 5 基于網格的2020年增城區耕地質量空間差異 Figure 5 Spatial distribution of cultivated land quality in Zengcheng District in 2020 based on the grids
表 6 增城區作物輪作系統耕地質量統計 Table 6 Statistics of cultivated land quality with reference to crop rotation system in Zengcheng District
4 討論 4.1 作物輪作系統分類體系及遙感制圖

作物輪作系統是耕地質量評價的關鍵,本研究參考野外實地調查、農戶訪談以及專家知識提出華南典型赤紅壤農區的作物輪作系統分類體系。該分類體系結合作物類型、作物次序、復種信息,將作物輪作分為3個主系統與9個子系統,充分體現作物輪作的區域特點。同時,為更好地使其支撐耕地質量評價,在建立分類體系時考慮不同輪作系統對耕地質量作用的差異性,選擇復種指數、多樣性等對耕地質量有顯著影響的指標作為主要劃分依據??紤]到果園田間管理方式獨特,對耕地質量的影響明顯不同于水田和蔬菜系統,因此盡管果樹屬于年際間輪作,仍將其納入作物輪作系統。其他作物,如花生和玉米,由于種植面積較?。ㄕ急炔蛔?%),沒有直接體現在作物輪作系統分類體系中。

研究區云雨繁密、地塊破碎,故選擇時空分辨率均較高的Sentinel系列衛星作為遙感數據源。Sentinel-1雷達影像的加入,可進一步降低云雨對水田識別的影響。依據上述分類體系,基于決策樹制圖法,引用不同的遙感指標或特征有次序地實現輪作系統制圖。其中,創新性地提出復種多樣性指數,以表征作物輪作多樣性。關于制圖誤差,水田與蔬菜系統取決于復種指數的準確性,復種多樣性指數算法的合理性也顯著影響蔬菜系統精度,果園系統誤差則主要來自監督分類過程。為有效提升作物輪作系統制圖精度,如何在云雨繁密、地塊破碎區更精確地獲取復種指數將是重點。光學與雷達的深度協同及多分辨率光學影像的融合具有理論可行性,更科學、完善的識別算法也是一種選擇。對于復種多樣性指數,未來需要探索不同物候指數與作物多樣性的關聯,進而完善指數算法。

4.2 基于作物輪作的耕地質量空間差異分析

本研究表明,通過監測地表作物輪作情況,進而反演耕地質量具備可行性,評價結果較好地體現出耕地質量的空間差異。在建立作物輪作與耕地質量的關聯時,不僅結合野外實地調查、農戶訪談以及專家知識,還納入文獻知識與定量分析,結果可信度較高。為進一步降低主觀性,需要更多熟悉區域實際的專家學者參與評分,以及融合田間試驗實證數據或模型模擬定量數據。耕地質量是自然、社會、經濟與技術進步綜合影響的結果,其內涵包含多個層面,如土壤質量、管理質量、空間質量等。作物輪作系統的區別在于輪作作物的根系結構及相應的田間管理方式,通過改變土壤物理、化學和生物性質,對土壤質量產生不同的影響,驅動耕地質量分異。因此,本研究的耕地質量評價側重土壤質量,這也正是耕地質量評價的基礎和核心。而且需要說明的是,研究結果僅相對性地反映出耕地質量空間差異,而非呈現出耕地質量的絕對優劣。

2014年起,農業農村部定期發布《全國耕地質量等級情況公報》,依據《耕地質量等級》(GB/T 33469— 2016)標準,評估并公布全國及不同區域耕地質量現狀,并針對耕地土壤障礙因素,提出耕地質量建設的對策建議,指導各地因地制宜加強耕地質量建設。此外,《農用地質量分等規程》(GB/T 28407—2012)也對耕地等別劃分提出詳細的技術流程,在全國范圍內進行農用地質量綜合評定,以促進土地整理、耕地占補平衡等工作更好地服務于耕地質量建設和產能提升目標。本研究的目的與耕地質量等級調查和農用地質量分等不同,因此所提及的耕地等級的含義也不同。其中,在全國耕地質量等級評價中,依據構成土地質量穩定的自然條件和經濟條件選取了立地條件、剖面性狀、耕層土壤理化性狀、養分狀況、土壤健康狀況和土壤管理等方面指標對耕地質量進行綜合評價,完成耕地質量等級劃分;農用地質量分等則側重于以農用地生產能力高低來衡量農用地質量的好壞,確定農用地自然等、經濟等與利用等,進而劃分質量等別。它們都是對耕地質量的直接描述,而本研究通過關注耕地利用方式,建立其與耕地質量之間的關聯關系,與前兩者不具備直接可比性。然而,大量研究表明,土壤理化性狀存在特定的時空差異規律,且受耕地利用類型與利用方式的影響較大。未來有必要進一步深入研究耕地類型、作物類型、種植強度、輪作方式、地形地貌、氣象水文等要素與耕地質量的關聯關系,同時參考全國耕地質量等級評價的指標體系,構建大數據驅動的耕地質量時空差異評估技術體系,支撐跨尺度耕地質量監測、評價與提升機制研究。

增城區為粵港澳大灣區“菜籃子”工程的重要生產基地,也是國家供港蔬菜質量安全示范區、全國蔬菜生產先進縣,同時也是“增城絲苗米”的產地、“荔枝之鄉”,保障區域農產品質量安全極為關鍵。隨著社會經濟發展和種植結構調整,蔬菜、果樹等化學品投入量較高的經濟作物種植區域逐漸擴張,水稻種植面積明顯縮減,作物輪作系統相應地發生變化。在這種變化下,增城區耕地利用強度不斷增強,土壤養分下降、土壤酸化、土壤重金屬污染等問題日益突出,導致耕地質量退化,危害農產品質量安全。探討研究區作物輪作與耕地質量空間差異之間的關聯關系,有助于從作物輪作格局優化的角度科學提出耕地質量調控策略,支撐服務粵港澳大灣區農業高質量發展目標。作物輪作空間格局調整與優化也有助于構建具有中國特色的綠色種植制度,推進《“十四五”全國農業綠色發展規劃》的實施。研究結果也可為大數據驅動的耕地質量時空差異評估提供科學參考,對實時、準確、大范圍開展耕地質量評價及耕地質量提升機制探索具有重要意義。

5 結論

(1)提出了基于決策樹的作物輪作系統遙感制圖方法,較好地識別出耕地破碎、云雨繁密區的作物輪作系統,為遙感技術應用于復雜耕作制度空間識別提供參考依據。

(2)區域耕地質量呈現出明顯的空間分異,表明從作物輪作視角評價耕地質量空間差異具備理論可行性與技術合理性,對于傳統耕地質量評價的進一步發展具有顯著意義。

(3)耕地質量不僅受作物輪作影響,還取決于地形地貌、氣象水文、田間管理等因素,未來有必要構建大數據驅動的耕地質量時空差異評估技術體系,支撐跨尺度耕地質量監測與評價研究。

參考文獻
[1]
YU Q Y, YOU L Z, WOOD-SICHRA U, et al. A cultivated planet in 2010-Part 2:The global gridded agricultural-production maps[J]. Earth System Science Data, 2020, 12: 3545-3572. DOI:10.5194/essd-12-3545-2020
[2]
趙其國, 周生路, 吳紹華, 等. 中國耕地資源變化及其可持續利用與保護對策[J]. 土壤學報, 2006, 43(4): 662-672.
ZHAO Q G, ZHOU S L, WU S H, et al. Cultivated land resources and strategies for its sustainable utilization and protection in China[J]. Acta Pedologica Sinica, 2006, 43(4): 662-672. DOI:10.3321/j.issn:0564-3929.2006.04.020
[3]
魯艷紅, 廖育林, 聶軍. 我國南方紅壤酸化問題及改良修復技術研究進展[J]. 湖南農業科學, 2015(3): 148-151.
LU Y H, LIAO Y L, NIE J, et al. Status of red soil acidification and its amelioration technologies in south China[J]. Hunan Agricultural Sciences, 2015(3): 148-151.
[4]
沈仁芳, 陳美軍, 孔祥斌, 等. 耕地質量的概念和評價與管理對策[J]. 土壤學報, 2012, 49(6): 1210-1217.
SHEN R F, CHEN M J, KONG X B, et al. Concept and evaluation of quality of arable land and strategies for its management[J]. Acta Pedologica Sinica, 2012, 49(6): 1210-1217.
[5]
付國珍, 擺萬奇. 耕地質量評價研究進展及發展趨勢[J]. 資源科學, 2015, 37(2): 226-236.
FU G Z, BAI W Q. Advances and prospects of evaluating cultivated land quality[J]. Resources Science, 2015, 37(2): 226-236.
[6]
杜國明, 劉彥隨, 于鳳榮, 等. 耕地質量觀的演變與再認識[J]. 農業工程學報, 2016, 32(14): 243-249.
DU G M, LIU Y S, YU F R, et al. Evolution of concepts of cultivated land quality and recognition[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(14): 243-249.
[7]
ZHAO C, ZHOU Y, JIANG J H, et al. Spatial characteristics of cultivated land quality accounting for ecological environmental condition: A case study in hilly area of northern Hubei Province, China[J]. Science of the Total Environment, 2021, 774: 145765. DOI:10.1016/j.scitotenv.2021.145765
[8]
馬瑞明, 馬仁會, 韓冬梅, 等. 基于多層級指標的省域耕地質量評價體系構建[J]. 農業工程學報, 2018, 34(16): 249-257.
MA R M, MA R H, HAN D M, et al. Construction of cultivated land quality evaluation system in provincial level based on multilevel indicators[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(16): 249-257. DOI:10.11975/j.issn.1002-6819.2018.16.032
[9]
BEGUE A, DAMIEN A, BEATRIZ B, et al. Remote sensing and cropping practices: A review[J]. Remote Sensing, 2018, 10(1): 99.
[10]
LIU Y S, ZHANG Y Y, GUO L Y. Towards realistic assessment of cultivated land quality in an ecologically fragile environment: A satellite imagery-based approach[J]. Applied Geography, 2010, 30(2): 271-281. DOI:10.1016/j.apgeog.2009.07.002
[11]
歐陽玲, 王宗明, 賈明明, 等. 基于遙感的吉林省中西部耕地數量和質量空間格局變化分析[J]. 農業工程學報, 2016, 32(13): 234-242.
OUYANG L, WANG Z M, JIA M M, et al. Spatial pattern analysis on quantity and quality of cultivated land in mid-west Jilin Province based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 234-242. DOI:10.11975/j.issn.1002-6819.2016.13.034
[12]
馬佳妮, 張超, 呂雅慧, 等. 基于長時間序列遙感數據反演NPP的耕地質量評價[J]. 農業機械學報, 2019, 50(1): 202-208.
MA J N, ZHANG C, Lü Y H, et al. Land quality evaluation based on inversion of NPP based on long term sequence remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 202-208.
[13]
SMITH P, HOUSE J I, BUSTAMANTE M, et al. Global change pressures on soils from land use and management[J]. Global Change Biology, 2016, 22(3): 1008-1028. DOI:10.1111/gcb.13068
[14]
BULLOCK D G. Crop rotation: Critical reviews in plant sciences, 1992, 11: 309-326.
[15]
MAN M, WAGNER-RIDDLE C, DUNFIELD K E, et al. Long-term crop rotation and different tillage practices alter soil organic matter composition and degradation[J]. Soil and Tillage Research, 2021, 209: 104960. DOI:10.1016/j.still.2021.104960
[16]
YANG L, SONG M, ZHU A X, et al. Predicting soil organic carbon content in croplands using crop rotation and Fourier transform decomposed variables[J]. Geoderma, 2019, 340: 289-302. DOI:10.1016/j.geoderma.2019.01.015
[17]
楊萍如, 劉騰輝. 廣東赤紅壤的特征及其開發利用[J]. 自然資源學報, 1994, 9(2): 112-122.
YANG P R, LIU T H. Characteristics of lateritic red earth in Guangdong Province and its exploitation and utilization[J]. Journal of Natural Resources, 1994, 9(2): 112-122. DOI:10.3321/j.issn:1000-3037.1994.02.003
[18]
ZHANG X, LIU L Y, CHEN X D, et al. GLC_FCS30:Global landcover product with fine classification system at 30 m using time-series Landsat imagery[J]. Earth System Science Data, 2021, 13: 2753-2776. DOI:10.5194/essd-13-2753-2021
[19]
GORELICK N, HANCHER M, DIXON M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27. DOI:10.1016/j.rse.2017.06.031
[20]
KONG D D, ZHANG Y Q, GU X H, et al. A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine[J]. Journal of Photogrammetry and Remote Sensing, 2019, 155: 13-24. DOI:10.1016/j.isprsjprs.2019.06.014
[21]
HENGL T, MENDES J J, HEUVELINK G B M, et al. SoilGrids250m: Global gridded soil information based on machine learning[J]. PLoS ONE, 2017, 12(2): e0169748. DOI:10.1371/journal.pone.0169748
[22]
DONG J W, XIAO X M. Evolution of regional to global paddy rice mapping methods: A review[J]. Journal of Photogrammetry and Remote Sensing, 2016, 119: 214-227. DOI:10.1016/j.isprsjprs.2016.05.010
[23]
ZHANG P F, LI S H, HE Z, et al. Collaborative mapping rice planting areas using multisource remote sensing data[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021, 5969-5972.
[24]
ZHAN P, ZHU W Q, LI N. An automated rice mapping method based on flooding signals in synthetic aperture radar time series[J]. Remote Sensing of Environment, 2021, 252: 112112. DOI:10.1016/j.rse.2020.112112
[25]
XIAO X M, BOLES S, FROLKING S, et al. Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data[J]. International Journal of Remote Sensing, 2002, 23: 3009-3022. DOI:10.1080/01431160110107734
[26]
XIANG M T, YU Q Y, WU W B. From multiple cropping index to multiple cropping frequency: Observing cropland use intensity at a finer scale[J]. Ecological Indicators, 2019, 101: 892-903. DOI:10.1016/j.ecolind.2019.01.081
[27]
BENNETT A J, BENDING G D, CHANDLER D, et al. Meeting the demand for crop production: The challenge of yield decline in crops grown in short rotations[J]. Biological Reviews, 2012, 87(1): 52-71. DOI:10.1111/j.1469-185X.2011.00184.x
[28]
WRIGHT P J, FALLOON R E, HEDDERLEY D. A long-term vegetable crop rotation study to determine effects on soil microbial communities and soilborne diseases of potato and onion[J]. New Zealand Journal of Crop and Horticultural Science, 2017, 45: 29-54. DOI:10.1080/01140671.2016.1229345
[29]
HOU P F, CHIEN C H, CHIANG-HSIEH Y F, et al. Paddy-upland rotation for sustainable agriculture with regards to diverse soil microbial community[J]. Scientific Reports, 2018, 8: 7966. DOI:10.1038/s41598-018-26181-2
[30]
TAVEIRA C J, FARRELL R E, WAGNER-RIDDLE C, et al. Tracing crop residue N into subsequent crops: Insight from long-term crop rotations that vary in diversity[J]. Field Crops Research, 2020, 255: 107904. DOI:10.1016/j.fcr.2020.107904
[31]
LI M H, GUO J J, REN T, et al. Crop rotation history constrains soil biodiversity and multifunctionality relationships[J]. Agriculture Ecosystems and Environment, 2021, 319: 107550. DOI:10.1016/j.agee.2021.107550
[32]
LING L, SHUAI Y, XU Y, et al. Comparing rice production systems in China: Economic output and carbon footprint[J]. Science of the Total Environment, 2021, 791: 147890. DOI:10.1016/j.scitotenv.2021.147890