河南省冬小麦种植频率时空变化及影响因素分析

奥鹏网院作业

河南省冬小麦种植频率时空变化及影响因素分析
李方杰，任建强，吴尚蓉，陈仲新，张宁丹

（中国农业科学院农业资源与农业区划研究所/农业农村部农业遥感重点实验室，北京 100081）

摘要：【目的】通过对河南省2001—2015年间不同时期（2001—2005、2006—2010及2011—2015年）冬小麦种植频率（winter wheat planting frequency，WWPF）时空变化及其主要影响因素定量分析，进一步明晰区域作物种植频率变化时空变化分布特征和主要影响因素顺序。【方法】以河南省为研究区，冬小麦为研究作物，在利用中低分辨率MODIS EVI时序遥感数据和CART决策树算法进行连续15年（2001—2015年）作物种植空间分布信息提取基础上，获取了研究区不同时期冬小麦种植频率空间信息。在此基础上，开展不同时期冬小麦种植频率时空变化分析，并利用相关分析、主成分分析和线性回归分析等数理统计方法对不同时期研究区种植频率变化的影响因素进行分析，最终确定主要影响因素的重要性排序。【结果】基于MODIS EVI时序遥感数据和CART决策树算法可获得河南省较高精度连续多年冬小麦种植空间分布信息，经验证，研究区冬小麦遥感提取平均总体精度为90.39%，Kappa系数在0.82—0.92之间，可满足区域冬小麦种植频率变化研究所需作物空间分布精度要求；通过分析河南省不同时期冬小麦种植频率时空变化信息，省域内冬小麦主产区大部分具有较高的冬小麦种植频率（WWPF＞80%），而豫西南和豫南等山区由于地形复杂、自然条件较差导致冬小麦种植频率普遍较低（WWPF≤40%）。此外，3个时段期间，河南省冬小麦主产区高频种植冬小麦面积呈逐步增加趋势，WWPF＞80%的面积比例分别为42.68%、59.94%和63.07%，低频种植面积呈减小趋势，WWPF≤40%的面积比例分别为28.53%、17.99%和16.63%，这对我国冬小麦主产区稳定粮食种植面积具有重要意义；从冬小麦种植频率影响因素分析结果看，河南省冬小麦种植频率与有效灌溉面积比例、土壤质量综合指数、播期气候适宜度、坡度和高程等指标间均存在显著的相关性，且除与坡度、高程呈负相关外，与其余因素均为正相关关系。以上指标对河南省冬小麦种植频率变化影响程度的排序结果为土壤综合质量指数＞播期气候适宜度＞有效灌溉面积比例＞坡度（高程），即土壤质量＞播期气候条件＞灌溉条件＞地形条件。【结论】通过对河南省冬小麦种植频率时空变化及其影响因素进行定量分析，明确了河南省冬小麦种植频率时空分布特征和变化规律，明晰了河南省区域冬小麦种植频率变化影响因素及其重要性排序，为开展作物种植面积变化分析提供了一定技术方法和思路借鉴，为区域农业土地利用决策模型构建提供一定基础理论支撑。

关键词：河南省；冬小麦；作物面积提取；作物种植频率；时空变化；影响因素

0 引言
【研究意义】区域作物分布时空变化信息不仅直接反映农户作物种植选择行为，而且可以反映大范围农业耕地资源利用情况，上述信息已经逐步成为国家制定粮食政策和经济计划的重要依据[1-2]。基于多年高精度连续作物空间分布遥感信息，开展区域作物种植频率时空变化分析研究，不仅对粮食主产区作物种植面积稳定、农业管理政策科学制定和保障国家粮食安全具有重要意义，而且对开展农业土地利用对土壤质量的影响研究也具有较好的促进作用[3]。此外，开展区域作物种植频率主要影响因素分析研究，不仅可以加深对农业土地利用变化机理机制和驱动因素的理解，也可以促进区域土地利用决策模型科学构建，进一步提高农业土地利用趋势预测和国家农业政策科学制定的能力，对保证国家主要农产品有效供给、保障国家粮食安全等方面具有重要理论价值和现实意义[4-6]。【前人研究进展】从作物分布时空变化研究看，以往大多区域作物分布时空变化分析主要依靠行政单元统计数据，且主要集中在种植面积数量变化、空间分布特征及其影响因素等分析研究，对基于遥感获取的作物分布信息利用存在一定不足。尽管部分学者也对作物分布遥感信息加以利用，但大多只采用了一定间隔年份的作物分布信息进行直接对比分析，缺少对连续多年作物空间分布时空变化及其动因的深入细致分析[7-8]。因此，有必要进一步利用连续多年作物分布信息开展区域作物种植面积变化分析研究。近几十年来，随着空间信息技术发展，特别是作物遥感分类和面积提取技术的不断进步，利用遥感技术获取连续多年大范围作物空间分布信息成为可能，这为作物分布时空变化分析研究提供更加丰富的信息源[9-11]。目前，国内外利用遥感进行作物面积提取的遥感数据源以多光谱影像为主，且中低、中高和高分辨率遥感数据均得到了较好应用。其中，中低分辨率遥感数据（如MODIS数据等）在大范围作物面积提取中发挥了重要作用[12-14]。作物面积提取利用的遥感分类方法主要包括计算机自动分类（如监督分类和非监督分类）、基于遥感解译模型的分类（如阈值法、决策树等）、基于地块和纹理等信息的分类方法以及多元信息融合的分类等[15-17]。其中，基于时序植被指数和物候特征的决策树作物分类方法由于操作简单，运算速度快，可实现区域作物种植面积的准确提取，已经成为当前作物面积提取和作物监测中的常用方法之一[18-20]，且CART分类回归树算法是应用较多的作物面积提取算法[21-22]。【本研究切入点】随着我国耕地资源利用管理和农业种植结构调整优化要求的逐步提高，部分学者在农作物种植面积时空变化分析中也开展了农作物种植频率相关研究[3,23]，但大多只集中在作物种植频率空间分布特征的描述方面，对某一地区多年农作物种植频率（crop planting frequency，CPF）时空变化及其成因缺乏深入研究，而上述研究不仅可为农业土地利用变化研究中分析作物种植面积变化提供一种新思路，而且是对我国已经开展的农业土地利用变化相关研究有益补充，也是进一步提高我国耕地资源利用效率和精细化管理水平的必然需求[24-25]。【拟解决的关键问题】针对目前农作物种植面积时空变化分析研究中对农作物种植频率时空变化及其影响因素研究不足的现状，本文以我国重要的冬小麦生产基地河南省为研究区，深入开展该省多年历史冬小麦种植频率（winter wheat planting frequency，WWPF）时空变化及其影响因素分析研究，进一步明晰区域作物种植频率变化成因和主要影响因素顺序，以期为进一步提升农业生产效率提供指导，为区域农业土地利用变化研究、区域作物种植结构调整优化和农业土地利用政策制定中开展作物种植面积变化分析提供技术方法和思路借鉴，为区域土地利用决策模型构建提供基础理论支撑。

1 材料与方法
1.1 研究区概况
河南省是我国冬小麦重要生产基地，该省地理位置在北纬31.38°—36.37°、东经110.35°—116.65°（图1）。全省总面积为16.70万平方公里，耕地面积为8.13万平方公里。河南省处在我国二三阶梯的过渡带，地势总体特征为西部海拔高，东部海拔低，全省属于暖温带向亚热带过渡的大陆性季风气候，年平均气温约在12.1—15.7℃，年平均降水量约为532.50—1 380.60 mm，年均日照时间约1 850—2 500 h，全年无霜期约为180—240 d，主要农作物种植制度为冬小麦-夏玉米一年两熟制度。其中，省域内冬小麦一般是10月上中旬播种，10月中下旬出苗，11月上中旬进入分蘖期；从12月上中旬至次年2月上中旬冬小麦处于越冬阶段；次年2月下旬冬小麦开始返青，3月中下旬为拔节期，4月中旬处于孕穗期，5月上旬处于抽穗开花期，5月中下旬处于灌浆乳熟期，5月下旬至6月上旬处于成熟收获阶段。

1.2 数据及预处理
1.2.1 MODIS数据及预处理 本研究使用的遥感数据是美国NASA生产的16 d合成250 m空间分辨率MOD13Q1植被数据产品，该产品由NASA LP DAAC工作组网站（https://lpdaac.usgs.gov/lpdaac/products）获取，研究区覆盖的数据轨道号为h27v05，数据覆盖时间为每年冬小麦播种到成熟期范围内（第273天至次年第177天）17幅数据产品，研究中共获得2001—2015年共15年255幅数据产品。下载获得的EVI数据预处理主要包括数据提取、投影转换、裁切、数据拼接和波段合成（layer stack）等。其中，数据提取和投影转换应用MRT工具（MODIS Reprojection Tool），由Sin投影转换为Albers投影，对裁剪后的影像按照时间顺序进行波段合成，最终得到每年包含17个波段的2001—2015年EVI时间序列影像共15幅，其中每个波段分别标记为B1、B2、…、B17。

尽管MOD13Q1数据集为16 d最大值合成数据，一定程度上可减少部分云污染和气溶胶对EVI真实值的影响，但仍然不能完全去除大气条件和土壤背景等对数据质量的影响，导致EVI在时间序列上出现异常值或波动，从而影响作物EVI时序遥感特征参数准确提取。因此，本研究采用Savitzky-Golay（S-G）滤波平滑技术对预处理后时序EVI数据进行平滑处理，从而有效地去除多时相EVI遥感数据中异常值或波动，最终获取较高质量的EVI时序数据[26]。

1.2.2 样点数据 本研究使用的样点数据除部分来自地面样点外，还有其他部分样点数据来源于Google Earth高分辨率影像。利用Google Earth高分辨率影像获取样点过程中，在遵循样点均匀分布的原则基础上，利用目视判读的方法进行整个研究区冬小麦及其他地物样本点选取，地面样点和Google Earth高分辨率影像中选择的冬小麦和其他地物样点数据如表1所示。研究中从每年全部样点数据中随机选取一定数量的冬小麦和非冬小麦训练样本，用于提取地物时序特征。另外，每年选取验证样点1 500个（含冬小麦样本850个，非冬小麦样本650个）用于后期作物分布提取结果的精度验证。

1.2.3 气象和土壤数据 本研究所使用的气象数据来源于中国气象数据网（http://data.cma.cn/），站点主要包括河南省内19个基本站及周边部分气象站点共45个（图1），气象指标包括旬平均气温、旬降水量和旬日照时数，数据覆盖时间是2001—2015年每年冬小麦播种期间10月上旬至10月中旬。在此基础上，采用反距离权重法（IDW）对气象站点数据进行空间插值，插值空间分辨率为250 m。研究中，利用作物分布提取结果对空间插值信息进行掩膜并进行分县统计。本研究采用的分县统计土壤指标主要来自中国科学院南京土壤研究所耕地土壤数据[27-28]，指标包括土壤容重、碳酸钙、阳离子交换量、粘粒含量、pH、砂粒含量、粉粒含量、有机碳含量、全钾含量、全氮含量、全磷含量以及土层厚度共12个。上述获得分县统计的气象指标和土壤指标分别用于研究时段各年冬小麦种植期间气候适宜度评价以及研究区土壤质量综合评价。

1.2.4 其他数据 本研究涉及的辅助数据主要包括河南省行政区划矢量数据（县、市和省级）以及2001—2015年河南省历史分县统计数据。其中，分县统计数据指标包括耕地面积、有效灌溉面积等。2001—2015年河南省县级耕地面积和有效灌溉面积统计数据主要用于计算各县有效灌溉面积比例。另外，本研究数据还包括河南省耕地分布数据以及河南省高程数据，高程数据主要用于坡度信息的计算。

width=296.3,height=293.3
图1 研究区示意图

Fig. 1 Schematic map of research area

表1 河南省冬小麦分布提取样点数量（2001—2015年）

Table 1 Number of samples for winter wheat area extraction in Henan province (2001-2015)

width=483.05,height=279.45
1.3 研究方法
1.3.1 总体技术路线 本研究以时序MODIS EVI为主要遥感数据源，研究时段为2001年至2015年。首先，对MODIS数据进行预处理，利用CART决策树算法构建冬小麦种植面积提取模型，从而获得2001—2015年河南省冬小麦种植面积空间分布信息，并利用冬小麦验证样点数据对作物识别精度进行验证。在此基础上，将研究区以5年为间隔划分为3个时段[29]，即第一阶段（2001—2005年）、第二阶段（2006—2010年）以及第三阶段（2011—2015年），开展不同时期冬小麦种植频率计算和种植频率时空变化分析。最后，利用相关分析、主成分分析和线性回归分析等数理统计方法对不同时期研究区种植频率变化的影响因素进行分析，最终确定研究区冬小麦种植频率变化主要影响因素的重要性排序。主要技术流程如图2所示。

1.3.2 区域冬小麦空间分布信息提取 本研究冬小麦空间分布信息提取主要采用广泛应用的分类回归树算法（classification and regression tree，CART），利用的遥感数据是每年冬小麦生长期间MODIS EVI时序数据。其中，CART算法在1984年由Breiman等[30]最早提出，基本原理是通过对已知多变量数据构建预测准则，进而根据其他变量值对一个变量进行预测，通过循环分析而形成二叉树形式的决策树结构。研究过程中，在利用S-G滤波技术对MODIS EVI时序遥感数据进行平滑基础上，采用ENVI软件中的CART扩展工具对滤波后时序遥感植被指数进行决策树分类。主要过程是利用选取的训练样点数据建立作物识别和分类规则，然后进行研究区地物决策树分类运算，获得冬小麦空间分布信息。

1.3.3 区域冬小麦空间分布信息提取精度评价 在利用CART决策树算法获取研究区多年冬小麦空间分布信息结果基础上，本研究开展作物空间分布结果的精度评价。作物分类识别精度主要采用总体精度和Kappa系数指标进行评价。研究中，将冬小麦和其他地物的验证样点数据与分类提取结果建立混淆矩阵，计算总体精度与Kappa系数，总体精度和Kappa系数均在0—1之间，其值越接近1，说明提取精度越高。

1.3.4 区域冬小麦种植频率定义与计算 一般来说，基于多年作物面积提取结果获取的作物种植频率空间信息是农业土地利用中作物种植选择结果的直接反映，主要表达一定时段内农业土地利用中目标作物类型出现的频率或几率，它不仅可以用于确定一个区域内农作物的主产区或核心区域，对国家确定主要农作物产品的有效供给具有决定性作用，而且一定程度上也可以反映区域内耕地利用强度[31-32]。本研究中，冬小麦种植频率被定义为一定年份时段内冬小麦种植年数占总年数的比值。在计算冬小麦空间种植频率的过程中，本研究将研究年份内（2001—2015年）每一年冬小麦面积提取结果中的冬小麦属性设置为1，非冬小麦属性设置为0，然后将所计算年份区间内的冬小麦种植面积提取结果进行叠加，得到冬小麦种植频次，将冬小麦种植频次除以总年份数，即得到一定年份时段内空间冬小麦种植频率C。

width=50.1,height=15 （1）
式中，c(j)为某一年j像元的冬小麦种植频率，m、n分别为遥感影像行、列号。

width=61.3,height=40.3 （2）

式中，c(j)i为第i年j像元的冬小麦种植频率，Mij表示第i年j像元属性值；N表示总年份数（N≥2），本研究中N=5。通过多个时段的作物种植频率比较，可以获得河南省区域作物种植频率时空变化信息。研究过程中，本文将研究区内的冬小麦分为2001—2005、2006—2010以及2011—2015年3个阶段，分别计算3个阶段内冬小麦的种植频率，最终获得研究区3个不同时期冬小麦种植频率分布图。

width=380.8,height=408.95
图2 总体技术路线

Fig. 2 Overall technical route

1.3.5 区域冬小麦种植频率与影响因素分析

（1）冬小麦种植频率主要影响因素选择与获取

一般认为，影响作物种植的因素主要包括自然环境因素和社会经济因素两个方面[33]。其中，自然环境因素主要包括气候、水文、地质、土壤、地形等，这些要素与作物种植适宜度间关系密不可分；社会经济因素直接影响农作物生产和空间布局，主要包括劳动力、基础设施建设水平、居民收入和政策变化等因素。研究过程中，本文重点考虑河南省冬小麦种植和生长主要受土壤质量、灌溉条件、气候条件和地形等因素影响，选择了有效灌溉面积比例、土壤质量综合指数、气候适宜度、坡度和高程等因素进行冬小麦种植频率时空变化分析。其中，有效灌溉面积比例指标主要反映一个地区的灌溉条件状况，对区域内作物种植选择、面积数量和作物种植结构等具有重要影响，该指标可以通过有效灌溉耕地面积占耕地总面积的比重进行计算[34]。土壤质量综合指数（soil quality comprehensive index，SQCI）是反映区域内土壤中物质含量水平和维持生物生产能力的综合度量指标，该指标可作为作物种植选择和作物生长过程中判断土壤条件好坏的重要依据。气候适宜度指标主要用于反映某种作物整个生育期或各个生育阶段（如播种后至某生育期）光、温、水等农业气候资源满足作物生长发育条件要求的程度。主要影响因素具体计算和评价方法如下：

首先，确定土壤质量综合指数。土壤质量由土壤的物理、化学和生物学等多个指标组成，但在区域范围内一般把土壤的理化指标作为土壤质量的评价指标[35]。考虑到单一土壤指标因素无法衡量土壤综合质量，因此，本研究采用土壤质量综合评价中应用最广泛的主成分分析法（principle components analysis，PCA）对研究区土壤质量进行综合评价，从而获得土壤质量综合指数。在此基础上，进行土壤综合质量对作物种植频率变化的影响分析研究。研究中，结合研究区土壤特征和指标获取的可操作性，选择了土壤容重、土壤碳酸钙含量、土壤阳离子交换量、土壤粘粒含量、土壤pH、土壤砂粒含量、土壤粉粒含量、土壤有机碳含量、土壤全钾含量、土壤全氮含量、土壤全磷含量以及土层厚度共12个与作物生长密切相关理化指标对土壤综合质量进行定量评价[36]。其中，土壤质量综合指数构建及其计算方法如下：第一，在对土壤理化指标利用Z-Score标准化方法进行标准化基础上，对12个土壤理化指标进行主成分分析。第二，通过主成分累积贡献大小选择主成分个数，根据主成分因子载荷矩阵特征值得到各主成分的表达式。第三，在计算各主成分得分基础上，计算土壤质量综合得分，即土壤质量综合指数。一般来说，土壤质量综合得分值越高，说明土壤质量越好[37]。其中，综合得分计算公式如下：

width=124.85,height=15.25 （3）
式中，F为综合得分（土壤质量综合指数，SQCI），V1、V2…Vi为各主成分贡献率，f1、f2…fi为各主成分得分。

其次，计算区域气候适宜度。河南省是我国传统的冬小麦主产区，该地区一般年份的气候条件均较适宜冬小麦整个生育期作物生长和产量形成，但本研究分析的冬小麦种植频率更多的是土地利用中农户作物种植行为选择结果的体现。其中，作物种植选择行为除了受区域自然条件、气候条件、种植制度、种植习惯和种植比较效益等因素影响外，作物播种期气候条件适宜度是作物主产区农地经营者播种行为决策中起决定作用的关键因素之一，因此，本文重点研究冬小麦播种期气候适宜程度及其对冬小麦种植频率变化的影响。研究中，综合考虑温度、降水和日照3个基本气象要素，结合前人研究成果，在冬小麦播种期温度适宜度、降水适宜度和日照适宜度评价基础上，对研究区冬小麦播种期气候适宜度开展综合评价。主要过程包括：第一，在获取河南省及周边研究年份冬小麦播种期（即10月上中旬）旬平均温度、旬降水和旬日照等气象站点数据基础上，通过对空间插值气象要素进行作物分布掩膜和分县统计，得到研究区各县旬平均温度、降水、日照数据。第二，在参考马树庆[38]、蒋定生[39]、黄璜[40]等人研究的温度、降水和日照等适宜度评价研究成果基础上，分别建立研究时段历年冬小麦播种期温度适宜度函数、降水适宜度函数、日照适宜度函数以及最终的气候适宜度模型。第三，利用研究区冬小麦播种期内旬温度、旬降水和旬日照数据，完成研究时段的冬小麦播种期气候条件评价。冬小麦播种期气候因子适宜度公式如下：

width=150.85,height=29.4 （4）
式中，X可以取T、R和L，分别表示旬温度、旬降水和旬日照；Sx(y)可以表示冬小麦播种期气候因子适宜度（温度适宜度、降水适宜度和日照适宜度），n=1、2表示旬序，bj表示权重，S(X(yj))表示各旬气象因子适宜度。本研究主要采用相关系数法计算各旬温度、降水和光照适宜度的权重系数。首先，计算各旬适宜度指数之间的相关系数矩阵，然后根据各个生育期包含的旬计算每一旬与本生育期内其他几旬相关系数的平均值，以其平均值占本生育期内所有旬的相关系数平均值总和的比值，作为该旬在该生育期的权重系数，即bj[41]。具体参数如表2所示。

为了反映温度、降水和日照3个因素对冬小麦适宜性的综合影响，本研究建立了河南省冬小麦播种期气候适宜度模型，主要计算公式如下：

width=93.5,height=16.65 （5）
式中，y表示年序，S(y)表示某一年冬小麦播种期气候适宜度，ST(y)、SR(y)、SL(y)分别表示冬小麦播种期温度适宜度、降水适宜度和日照适宜度。

表2 冬小麦播种期气候因子适宜度计算主要参数表

Table 2 Main parameters of climatic factor suitability calculation for winter wheat at sowing stage


（2）冬小麦种植频率与主要影响因素间关系分析

在获得灌溉条件、土壤质量、气候条件和地形等主要影响因素指标基础上，本研究开展冬小麦种植频率与有效灌溉面积比例、土壤肥力综合指标、气候适宜度以及坡度和高程等主要影响因素间相关分析，从而实现冬小麦种植频率与上述影响因子间相关性和密切程度的客观评价。其中，评价因素间相关性好坏的指标主要包括Pearson correlation相关系数和显著性P值。研究中，主要对河南省18个市（126个县）冬小麦种植频率与主要影响因素进行了相关分析。通过查阅相关系数显著性检验表，在0.01水平下，当样本量为18时，相关系数r绝对值≥0.5897，认为2个因素间相关关系显著；当样本量为126，相关系数r绝对值≥0.2287时，认为2个因素间相关关系显著；当样本量为378，相关系数r绝对值≥0.1310时，认为2个因素间相关关系显著。

（3）冬小麦种植频率主要影响因素重要性评价

为评价灌溉条件、土壤质量、气候条件和地形等主要影响因素对冬小麦种植频率影响的重要程度，本研究利用多元线性回归分析对上述影响因素进行重要性排序。其中，将2001—2015年河南省分县平均有效灌溉面积比例、土壤综合质量指数、冬小麦播种期气候适宜度以及各县冬小麦种植平均坡度和冬小麦种植平均高程作为自变量，将2001—2015年河南省各县冬小麦种植频率作为因变量进行多元线性回归分析。考虑到各个自变量影响因素的单位不同，为消除自变量单位不统一对拟合结果的影响，利用Z-Score标准化方法对各个自变量进行标准化处理。最终，利用多元线性回归分析中的标准回归系数便可衡量每个自变量对因变量的影响程度大小。一般来说，标准化系数的绝对值越大，该自变量对因变量的影响程度就越大。

2 结果
2.1 冬小麦提取精度评价及面积变化分析
2.1.1 冬小麦种植面积遥感提取精度评价 本文基于均匀分布的冬小麦和其他地物训练样本数据，利用CART工具对2001—2015年滤波后的河南省时序植被指数遥感数据进行决策树构建，在得到决策树规则的基础上，通过执行决策树，最终获得了15年河南省冬小麦种植面积空间分布信息。受篇幅限制，本文仅列部分年份决策树规则和部分年份冬小麦空间分布提取结果，具体如图3—图4所示。

通过河南省2001—2015年历年冬小麦种植面积空间分布结果（图4）可以看出，该省冬小麦空间分布广泛，并且在东部、中部、北部的平原区以及南阳盆地等区域形成聚集，上述地区冬小麦种植面积和产量在河南省冬小麦生产中均占有很大权重和重要地位，为河南省冬小麦种植结构稳定和国家粮食安全发挥了重要作用。而豫西丘陵地区、南阳盆地北部以及淮南山丘地区因水土流失严重、地形复杂，并且豫西丘陵地区干旱缺水，旱薄地面积大，导致冬小麦生长发育条件适宜性较差，因此冬小麦空间分布相对零散且数量较少。

width=222.85,height=195.1
图3 河南省冬小麦分布提取CART决策树（2010年）

Fig. 3 CART Decision Tree of winter wheat planting area extraction in Henan province (2010)

width=368.6,height=356.8
图4 河南省部分年份冬小麦空间分布提取结果

Fig. 4 Extraction results of spatial distribution of winter wheat in Henan province

为了验证提取结果在空间位置上的准确性，利用从样本数据中随机选取的历年冬小麦及其他地类验证样点数据，通过混淆矩阵得到15年提取结果的总体精度（图5）。从整体看，2001—2015年河南省冬小麦面积提取结果的总体精度在85.78%—95.45%，平均总体精度为90.39%。Kappa系数在0.82—0.92，分类结果与验证样点间具有较好的一致性，说明本研究基于CART决策树算法获取的多年连续冬小麦空间分布结果达到较高精度水平，可满足省域内冬小麦面积变化分析和种植频率变化分析的数据要求。

width=421.9,height=208.95
图5 河南省不同年份冬小麦遥感识别精度结果

Fig. 5 Accuracy result of winter wheat recognition by remote sensing in Henan province in different years

2.1.2 冬小麦种植面积变化情况分析 根据冬小麦遥感提取面积变化情况（图6）可以看出，2001—2015年间河南省冬小麦种植面积整体呈波动上升趋势。其中，2001—2003年冬小麦种植面积为下降趋势，由2001年的5 383.30×103hm2减少到2003年的5 232.11×103hm2。2003年到2008年呈现持续增加趋势。其中，2003—2005年增长较为缓慢，增幅为2.59%，2005—2008年冬小麦种植面积大幅度增加，增幅为10.19%，主要原因是受国家农业种植补贴逐渐增加并不断普及的影响，农业生产者种植积极性提高，导致冬小麦面积逐年增加[43]。

2008—2015年冬小麦种植面积呈现波动持平状态。其中，2010年和2013年冬小麦种植面积处于2个向下波动的极值点，冬小麦种植面积减少主要受种植比较效益和气象条件等因素影响。一方面，部分农民放弃冬小麦种植而选择种植效益更高的经济作物，如蔬菜、春花生、西瓜、大蒜等[44-45]。另一方面，上述2年小麦播种期间气象条件对冬小麦播种面积减少也造成一定影响。通过历史气象资料（http://henan. weather.com.cn/）分析可知，2009年秋季冬小麦播种前期，部分地区降水偏少造成小麦播种底墒不足，一些灌溉条件较差的地块冬小麦播种受到一定影响。另外，播种期间，省内局部地区降水偏多导致土壤过湿，一定程度上也影响了部分冬小麦的播种；2012年秋季冬小麦播种期间，豫北、豫西南等地局部土壤偏湿和豫西、豫东及豫南等地局部出现一定旱情，这对当年的冬小麦播种也造成了一定不利影响。此外，随着各地城镇化、工业化进程的逐步推进，部分耕地被建设用地取代，从而造成冬小麦种植面积的减少。

根据各市冬小麦遥感提取种植面积可知，15年间冬小麦种植面积整体呈增加趋势的地区主要包括南阳、商丘、信阳、周口、驻马店等城市，分别增加272.59、135.87、166.87、225.63、109.26×103hm2，增长比例分别为65.47%、21.16%、357.18%、30.01%、12.38%。15年间，郑州、洛阳、济源、焦作等地区冬小麦种植面积呈明显的下降趋势，各城市分别减少104.00、139.97、16.26和77.48×103hm2，减少比例分别为66.51%、72.47%、63.03%和38.35%。

width=319.35,height=154.75
图6 河南省冬小麦遥感提取面积（2001—2015）

Fig. 6 Remote sensing extraction area of winter wheat in Henan province (2001-2015)

2.2 冬小麦不同时期种植频率时空变化分析
根据种植频率计算公式（1）—（2）分别计算得到2001—2005年、2006—2010年以及2011—2015年3个阶段河南省冬小麦种植频率空间分布信息，如图7所示。从图中可以看出，2001—2015年河南省冬小麦种植核心地带主要分布在河南省北部、中部、东部以及南阳盆地区，这些地区均具有较高的冬小麦种植频率，而豫南等非冬小麦种植核心地带则具有相对较低的冬小麦种植频率。从不同阶段来看，一些城市周边（如信阳市、南阳市以及周口市的北部、郑州等）和淮河干流以南地区种植频率较低的区域在不断减少。主要原因一方面是由于上述地区社会经济水平和城镇化水平不断提高，城市扩建侵占农用地导致城市周边冬小麦种植逐渐减少。另外，随着各地区经济发展和农作物种植结构的不断调整优化，研究区内（特别是城市周边）许多地区农户将种植收益较低的粮食作物改种为耕地利用效益更高的经济作物（如蔬菜等），也导致了研究区内部分地区冬小麦面积的不断减少。

width=347.35,height=327.35
图7 河南省不同时期冬小麦种植频率空间分布图

Fig.7 Spatial distribution of WWPF in different periods of Henan province

另外，从河南省3个不同时期冬小麦不同种植频率像元数占总种植像元数的比例变化（图8）可以发现，3个时期内种植频率大于80%的像元数（即连续5年种植的像元数）在逐渐增加，3个时期比例分别达到42.68%、59.94%、63.07%。同时，种植频率低（即不连续种植）的像元数比例在逐渐下降，3个时期内种植频率小于等于40%的面积比例分别为28.53%、17.99%和16.63%，这说明河南省是我国冬小麦传统的生产大省，不仅农户冬小麦种植选择行为总体稳定，而且冬小麦种植面积在保证稳定基础上略有增加，这为我国冬小麦生产保持稳定和保障国家粮食安全发挥了重要作用。

从河南省3个阶段间种植频率空间变化看（图9），冬小麦种植频率保持不变的区域主要集中在豫北地区（如鹤壁、安阳、新乡等）、豫东地区（如商丘和周口）、豫中地区（如许昌和漯河）和豫南地区（如驻马店）等部分县市，上述地区在维持河南省冬小麦种植结构稳定中发挥了重要作用。种植频率变化较大的区域主要集中在豫北地区的濮阳以及南阳盆地和信阳市等地区。从图9可以看出，第一阶段（2001—2005年）到第二阶段（2006—2010年）的种植频率大体上是增加的，并且增幅大多在20%—40%。种植频率降低的地区主要分布在郑州、平顶山、洛阳等地区以及信阳市周边地区。相比第一、第二阶段间变化，从空间分布上也可以看出，第二阶段（2006—2010年）到第三阶段（2011—2015年）间种植频率的增加的地区有所减少，而种植频率基本保持不变的地区则有所增多，说明第二阶段到第三阶段变化过程中河南省冬小麦种植结构更加趋向稳定。其中，种植频率随着时间推移呈现减少趋势的地区主要包括南阳市、邓州市、社旗县、周口市部分县市（如扶沟县、太康县）以及信阳市部分县市（如息县和淮滨县等）。

width=315.25,height=139.1
图8 河南省不同时期冬小麦种植频率比例变化情况

Fig. 8 The proportion change of WWPF in different periods of Henan province

width=386.4,height=227.25
（a）第二阶段与第一阶段间冬小麦种植频率变化；（b）第三阶段与第二阶段间冬小麦种植频率变化

(a)Variation of WWPF between the second period and the first period; (b)Variation of WWPF between the third period and the second period

图9 河南省不同时期冬小麦种植频率变化空间分布图

Fig. 9 Variation distribution of WWPF in different periods in Henan province

2.3 冬小麦种植频率影响因素分析
2.3.1 冬小麦种植频率与有效灌溉面积间关系分析 本研究在利用河南省15年县级耕地面积和有效灌溉面积统计数据计算获得2001—2005、2006—2010、2011—2015年3个阶段各县有效灌溉面积比例基础上，结合3个阶段冬小麦种植频率空间信息，开展了冬小麦各县平均种植频率与有效灌溉面积比例相关分析研究。

从散点图中可以看出（图10），3个阶段内各县平均种植频率与有效灌溉面积比例间存在一定的正相关关系。通过计算，得到3个阶段显著性p均小于0.01情况下的相关系数r，相关系数分别为0.45、0.49和0.52。可见，冬小麦种植频率与有效灌溉面积比例间正相关关系达到显著水平。

width=481.9,height=137.35
图10 河南省不同时期各县冬小麦种植频率与有效灌溉面积比例间关系

Fig. 10 Relationship between WWPF and ratio of effective irrigated area in different counties of Henan province in different periods

此外，通过对不同时期各县冬小麦平均种植频率和有效灌溉面积比例空间分布结果（图11）进行分析，结果表明，整个河南省研究区域内大多地区有效灌溉面积比例高低水平和各县冬小麦平均种植频率高低水平存在较高的一致性，即当一个地区（如豫东的周口市和商丘市、豫中地区的开封市和许昌市、豫北的濮阳市和鹤壁市等地区）有效灌溉面积比例越高时，其平均种植频率相应越高，而当有效灌溉面积比例水平较低时，其平均种植频率也随之较低，如豫西的三门峡和洛阳、豫南的信阳、南阳和驻马店等地区。

2.3.2 冬小麦种植频率与土壤质量间关系分析

（1）土壤质量综合指数构建及计算

研究中，遵循主成分选取一般原则，即当主成分累积贡献率超过85%时，主成分所包含的信息能够较好地反映原指标所表达信息[46]。本研究选择6个主成分时累积贡献率已达87.84%，因此，选取6个主成分来反映原来12个指标所表达的信息；然后，根据主成分载荷矩阵和主成分特征向量得到主成分表达式，将标准化后土壤指标数据分别代入主成分表达式得到主成分得分f1—f6；最后，以各主成分方差贡献率作为权重，将主成分得分进行加权求和可得到土壤指标综合得分，即为土壤质量综合指数，具体结果如图12所示。

width=372.2,height=336.25
图11 河南省不同时期各县冬小麦种植频率与有效灌溉面积比例空间分布

Fig. 11 Spatial distribution of WWPF and ratio of effective irrigation area in different periods of Henan province

width=276.1,height=264.55
图12 河南省各县土壤质量综合指数空间分布结果

Fig. 12 Spatial distribution of SQCI in Henan province

从图中可以看出，河南省土壤质量综合得分约在-1.30至2.36之间。根据土壤质量综合评价一般标准[47]，同时结合实际，本研究将河南省土壤质量综合得分分为6个土壤质量等级。其中土壤质量综合指数在-1.30—-0.85表示土壤质量差；-0.85—-0.45表示土壤质量较差；-0.45—0.45说明土壤质量一般；0.45—1.25表示土壤质量较好，1.25—2.36表示土壤质量好，土壤肥力高。河南省土壤质量较好的地区主要分布在周口、驻马店和南阳等县（市），土壤质量较差的地区主要分布在郑州、三门峡和安阳等县（市）。

（2）冬小麦种植频率与土壤质量综合指数间关系分析

在得到土壤质量综合指数基础上，本文进一步开展河南省各县冬小麦种植频率与土壤质量综合指数间相关分析研究。从散点图可以看出（图13），随着土壤质量综合指数不断增加，种植频率也在不断上升。通过计算得到p小于0.01情况下的相关系数r为0.49，可见，冬小麦种植频率与土壤质量综合指数间相关关系也达到显著水平。此外，根据土壤质量综合指数分级和作物种植频率高低，结合土壤质量综合指数和冬小麦种植频率散点图的数据分布规律，本研究以土壤质量综合指数0为分界点，种植频率以40%为分界点，将河南省整个研究区内各县土壤质量综合指数和冬小麦种植频率散点数据大致分为4类，如图13中虚线和纵轴共同划分的4个区域所示。

width=222.9,height=178.05
图13 河南省冬小麦种植频率与土壤质量综合指数间关系

Fig. 13 Relationship between WWPF and SQCI in Henan province

通过分析可知，第一类县（市）为土壤质量和种植频率均处于较低水平区域（SQCI≤0，WWPF ≤40%），主要包括安阳、郑州、平顶山、三门峡、南阳和信阳等部分县（市）。其中，除郑州地区受经济水平和城市化水平较高影响导致冬小麦种植频率较低外，上述地区其他地区多以山区为主，且水土流失严重，旱薄地面积较大，土壤质量较低，冬小麦的种植条件较差，因此导致上述地区冬小麦种植频率较低。第二类县（市）为土壤质量高但种植频率较低区域（SQCI＞0，WWPF≤40%），主要包括洛宁、宜阳、卢氏、内乡、镇平、罗山和光山等县（市）。上述地区虽然土壤肥力较高，但其有效灌溉面积比例均处较低水平，较差的灌溉条件影响了上述地区部分冬小麦的种植，从而导致上述县（市）冬小麦种植频率处于较低水平。第三类县（市）为土壤质量较低但种植频率较高区域（SQCI≤0，WWPF＞40%），主要包括卫辉县、通许县、杞县、夏邑县和许昌县等县（市）。上述县（市）大部分处于河南省冬小麦生产主产区内，尽管土壤质量水平一般，但大多地区地势较为平坦并且具有较好的灌溉条件，因此，上述地区总体条件利于冬小麦的种植，从而使得冬小麦种植频率较高。第四类县（市）为土壤质量和种植频率均处于较高水平区域（SQCI＞0，WWPF＞40%），主要包括豫北、豫东和豫南地区的部分县（市），如汤阴县、获嘉县、淮阳县、商水县、遂平县等。上述地区中，均处于河南省冬小麦生产主产区内，且大部分县（市）具有较好的自然环境条件，灌溉水平较高且土壤质量较好，这为上述地区冬小麦种植提供了良好的条件，从而保证了上述地区冬小麦种植的稳定性，因此，冬小麦种植频率达到较高水平。

2.3.3 冬小麦种植频率与气候适宜度间关系分析 根据冬小麦播种期气候适宜度计算模型，在分别计算2001—2015年内每年冬小麦播种期气候适宜度基础上，获得了2001—2005、2006—2010、2011—2015年3个阶段冬小麦播种期平均气候适宜度，具体空间分布结果如图14所示。

从整体来看，2001—2015年间河南省冬小麦播种期气候适宜度较高，一般在0.30—0.65范围内变化。从空间分布上看，河南省3个阶段冬小麦播种期气候适宜度也存在一定变化。其中，第一阶段（2001—2005年）气候适宜度相对较高区域主要集中在豫中和豫东等地，第二阶段（2006—2010年）气候适宜度相对较高区域主要集中在豫东以及南阳盆地等地区，第三阶段（2011—2015年）气候适宜度相对较高的地区则在豫北地区。从图14中3个阶段冬小麦种植频率和气候适宜度空间分布看，冬小麦种植频率和播种期气候适宜度二者分布变化存在较好的一致性关系。其中，豫北、豫东、豫中及南阳盆地等地区冬小麦种植频率和气候适宜度一般都较高，而西南和豫南等地区由于地形复杂、自然条件较差导致冬小麦种植频率和气候适宜度均较低。

width=481.8,height=491.15
图14 河南省不同时期冬小麦种植频率与播种期气候适宜度空间分布

Fig. 14 Spatial distribution of WWPF and climate suitability at sowing stage in different periods

从3个阶段冬小麦种植频率和冬小麦播种期气候适宜度间散点图看（图15），河南省冬小麦种植频率和冬小麦播种期气候适宜度间存在正相关关系，二者间相关系数r达到0.36，说明两者之间关系也达到显著水平，研究区内播种期气候适宜度一定程度上会影响农户冬小麦种植选择行为的发生，当播种期气候适宜度较高时，冬小麦种植频率会出现增加，从而促进冬小麦种植面积的提高，而当播种期气候适宜度较低时，冬小麦种植频率降低的可能性增加，从而导致冬小麦种植面积降低。

2.3.4 冬小麦种植频率与地形间关系分析 研究中，本文考虑地形主要因素包括高程和坡度，在利用2001—2015年冬小麦面积提取结果进行并集运算获得河南省全部冬小麦种植分布信息基础上，对河南省高程和坡度数据进行掩膜处理，获取了各县冬小麦种植平均高程和平均坡度等信息，进一步开展了冬小麦种植频率与地形间关系分析研究。从冬小麦种植高程和坡度的空间分布与二者间散点图分析看（图16—图17），河南省冬小麦种植频率和高程、坡度间均负相关关系。通过计算得到冬小麦种植频率和高程、坡度间相关系数r分别为-0.58和-0.57，说明研究区内高程和坡度的变化对冬小麦种植频率的高低具有显著的负面影响。从图中可以看出，豫北、豫东以及豫中等地属于平原地区，地势平坦，冬小麦种植自然条件较好，适宜冬小麦生长，因此，冬小麦种植频率较高，而三门峡、洛阳、信阳以及南阳部分地区（如南阳盆地北部）由于高程较高，坡度较大，旱薄地面积较多，冬小麦种植条件偏差，从而导致上述地区冬小麦种植频率较低。

width=222.9,height=164.35
图15 河南省各县冬小麦种植频率与播种期气候适宜度间散点图

Fig. 15 Scatter plot of WWPF and climatic suitability at sowing stage in counties of Henan province

2.3.5 区域冬小麦种植频率影响因素指标重要性评价 本研究基于各县多年平均影响因素数据和坡度（高程）数据进行多元线性回归分析，完成上述各因素对冬小麦种植频率的影响程度重要性评价研究，从而对各个影响因素对冬小麦种植频率影响程度进行排序。研究过程中，由于坡度和高程2个变量之间存在很强的相关性，不宜出现在同一回归模型中，因此，本研究在考虑有效灌溉面积、土壤质量综合指数、冬小麦播种期气候适宜度等3个因素基础上，将坡度、高程2个变量分别和上述3个因素与冬小麦种植频率进行多元回归分析，从而获得上述因素的重要性排序。具体结果如下：

width=481.75,height=234.7
图16 河南省各县冬小麦种植频率与高程和坡度分布图

Fig. 16 Spatial distribution of WWP and elevation/slope in Henan province

width=413.2,height=168.6
图17 河南省各县冬小麦种植频率与高程和坡度间散点图

Fig. 17 Scatter plot of WWPF and elevation/slope in counties of Henan province

Y=-0.182X1+0.270X2+0.292X3+0.353X4 (n = 126，

r = 0.760，adjusted R2= 0.564) （6）

Y=-0.176X5+0.282X2+0.292X3+0.345X4 (n = 126，

r = 0.759，adjusted R2 = 0.563) （7）

式中，Y是冬小麦种植频率（%）；X1为冬小麦种植坡度（°），X2为有效灌溉面积比例（%），X3为冬小麦播种期气候适宜度，X4为土壤质量综合指数，X5为冬小麦种植高程（m）。

通过上述冬小麦种植频率与多个影响因素间线性回归方程各个变量系数正负可以看出，土壤质量、气候适宜度和灌溉面积比例对种植频率的提高起到积极促进作用，即土壤质量越高，气候适宜度越强，灌溉条件越完善，冬小麦连续种植的可能性会越高，从而促进冬小麦种植频率的提高，而坡度和高程对冬小麦种植频率的提高起到一定抑制作用，即坡度越大，高程越高，冬小麦连续种植的可能性越低。另外，从拟合冬小麦种植频率的线性回归方程标准化后系数绝对值大小看，标准化系数绝对值越大，说明自变量对因变量的影响程度就越大。因此，本研究中河南省区域冬小麦种植频率影响因素指标重要性排序为：土壤质量综合指数＞冬小麦播种期气候适宜度＞有效灌溉面积比例＞坡度（高程）。其中，冬小麦种植频率变化影响因素指标中，土壤质量对冬小麦种植频率影响属于首要因素，而冬小麦播种期气候适宜度和灌溉条件则属于次要影响冬小麦种植频率高低的因素。研究区内坡度和高程等地形条件对冬小麦种植频率影响最低，主要原因是由于河南省冬小麦主产区大部处于地形简单、坡度起伏不大的平原区，而山区冬小麦种植面积比重较小，因此，研究区冬小麦种植坡度和高程因素对整个河南省冬小麦种植频率影响作用较低。

3 讨论
本研究在利用MODIS时序遥感数据对河南省2011—2015年3个不同时期冬小麦空间分布信息进行遥感提取基础上，计算获得省域内冬小麦种植频率时空变化信息并对其影响因素进行了定量分析，虽然取得了一定研究进展，但一些问题仍有待深入研究或完善。

目前研究中仅使用了250 m空间分辨率MODIS MOD13Q1标准产品，由于遥感数据空间分辨率较低，研究区内地物复杂多样导致像元内部必然存在混合像元现象，从而使冬小麦面积提取结果精度下降，今后需进一步开展高分辨率影像以及混合像元分解对作物分布提取影响的相关研究，从而进一步提高作物面积提取精度。此外，研究中进行冬小麦种植面积提取时主要采用对地物进行直接分类的方法，今后需进一步开展基于多源信息（如耕地、地形等）辅助下的作物分布提取方法研究，从而进一步提高作物提取精度水平。

本研究目前对区域冬小麦种植频率时空变化影响因素进行了相关分析，特别是对自然环境因素的影响进行了深入研究，但对极端气候条件等自然因素（如高温、干旱等）对种植频率的影响尚未考虑，今后需要进一步加强研究；由于部分社会经济因素获取存在一定困难，目前仅分析了农业灌溉因素对种植频率变化的影响，而对其他社会经济因素（如粮食价格、种植收益等）和农业政策因素（如农业补贴、目标价格等）考虑不足，今后需要加强开展区域作物种植频率变化与社会经济、农业政策因素间关系研究。

为明确河南省冬小麦种植频率变化及其影响因素的一般规律，本文目前未对河南省进行分区，而是将研究区作为一个整体开展研究，今后需在基于分区的作物种植频率时空变化及其影响因素分析方面进行深入研究。此外，本文仅研究了种植结构简单的冬小麦，今后需要在扩大研究区域基础上，对种植结构更为复杂的秋季作物（如玉米、大豆等）种植频率及其影响因素开展分析研究，从而在更大范围内对本文研究结论的区域适用性做进一步分析；另外，目前研究主要集中在县级尺度作物种植频率及其影响因素开展分析研究，今后需要进一步对地块、农户或村庄等尺度作物种植频率影响因素进行细致研究。

4 结论
本研究以河南省为研究区，以冬小麦为研究作物，利用中低分辨率时序遥感植被指数进行历史连续多年作物种植空间分布信息提取基础上，开展研究区不同时期冬小麦种植频率时空变化和主要影响因素分析研究。主要结论如下：

（1）基于MODIS EVI时序遥感数据和CART决策树算法可获得河南省较高精度区域多年冬小麦种植空间分布信息。与验证样点数据相比，冬小麦种植面积提取多年平均总体精度为90.39%，Kappa系数在0.82—0.92之间，表明该方法提取冬小麦空间分布结果达到了较高精度水平，可满足开展区域不同时期冬小麦种植频率变化所需的作物空间分布信息精度需求。

（2）利用河南省不同时期（2001—2005、2006—2010及2011—2015年）冬小麦种植频率空间分布信息，深入分析了河南省冬小麦种植频率时空分布特征和变化规律。结果表明，河南省冬小麦主产区大部具有较高的冬小麦种植频率，而西南地区、豫南等山区由于地形复杂，自然条件较差导致冬小麦种植频率普遍较低。此外，3个不同阶段间河南省冬小麦主产区高频种植冬小麦面积呈逐步增加趋势，低频种植面积呈减小趋势，这在一定程度上对河南省冬小麦种植面积保持稳定和保障国家粮食安全发挥了重要作用。

（3）本研究开展了河南省冬小麦种植频率影响因素定量分析，明确了河南省区域冬小麦种植频率变化影响因素指标重要性排序。结果表明，土壤质量、有效灌溉面积和气候适宜度与河南省冬小麦种植频率间存在显著正相关关系，而坡度和高程呈显著负相关关系。此外，主要指标对河南省冬小麦种植频率影响程度的排序结果为土壤综合质量指数＞播期气候适宜度＞有效灌溉面积比例＞坡度（高程），即土壤质量＞播期气候条件＞灌溉条件＞地形条件。

References

[1] 吴文斌, 杨鹏, 李正国, 陈仲新, 周清波, 唐华俊. 农作物空间格局变化研究进展评述. 中国农业资源与区划, 2014, 35(1): 12-20.

WU W B, YANG P, LI Z G, CHEN Z X, ZHOU Q B, TANG H J. Overview of research progresses in crop spatial pattern changes. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 12-20. ( in Chinese)

[2] 胡琼, 吴文斌, 宋茜, 余强毅, 杨鹏, 唐华俊. 农作物种植结构遥感提取研究进展. 中国农业科学, 2015, 48(10) : 1900-1914.

HU Q, WU W B, SONG Q, YU Q Y, YANG P, TANG H J. Recent progresses in research of crop patterns mapping by using remote sensing.Scientia Agricultura Sinica, 2015, 48(10) : 1900-1914. ( in Chinese)

[3] 潘学鹏, 李改欣, 刘峰贵, 吴喜芳, 近藤昭彦, 沈彦俊. 华北平原冬小麦面积遥感提取及时空变化研究. 中国生态农业学报, 2015, 23(4): 497-505.

PAN X P, LI G X, LIU F G, WU X F, KONDOH A SHEN Y J. Using remote sensing to determine spatio-temporal variations in winter wheat growing area in the North China Plain. Chinese Journal of Eco-Agriculture, 2015, 23(4): 497-505.(in Chinese)

[4] 唐华俊, 吴文斌, 杨鹏, 周清波, 陈仲新. 农作物空间格局遥感监测研究进展. 中国农业科学, 2010, 43(14): 2879-2888.

TANG H J, WU W B, YANG P, ZHOU Q B, CHEN Z X. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies.Scientia Agricultura Sinica, 2010, 43(14): 2879-2888. (in Chinese)

[5] 余强毅, 吴文斌, 陈羊阳, 杨鹏, 孟超英, 周清波, 唐华俊. 农作物空间格局变化模拟模型的MATLAB实现及应用. 农业工程学报, 2014, 30(12): 105-114.

YU Q Y, WU W B, CHEN Y Y, YANG P, MENG C Y, ZHOU Q B, TANG H J. Model application of an agent-based model for simulating crop pattern dynamics at regional scale based on MATLAB. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(12): 105-114. (in Chinese)

[6] LIU Z H, YANG P, WU W B, YOU L Z. Spatiotemporal changes of cropping structure in China during 1980-2011. Journal of Geographical Sciences, 2018, 28(11): 1659-1671.

[7] 宋桂琴, 徐惠民, 刘志晨. 辽宁省农作物种植结构时空变化特征分析. 中国农学通报, 2019, 35(5): 24-31.

SONG G Q, XU H M, LIU Z C. Temporal and spatial characteristics of crop planting structure in Liaoning province. Chinese Agricultural Science Bulletin, 2019, 35(5): 24-31. (in Chinese)

[8] 王红营. 基于遥感的华北平原农业土地利用时空变化特征及驱动力分析[d]. 石家庄: 河北师范大学, 2016.

WANG H Y. Using remote sensing to analyze spatiotemporal variations in farmland utilization and driving force in the North China Plain[D]. Shijiazhuang: Hebei Normal University, 2016. (in Chinese)

[9] XIAO X, BOLES S, FROLKING S, LI C, BABU J, SALAS W, MOORE B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sensing of Environment, 2006, 100(1): 95-113.

[10] 陈仲新, 任建强, 唐华俊, 史云, 冷佩, 刘佳, 王利民, 吴文斌, 姚艳敏, 哈斯图亚. 农业遥感研究应用进展与展望. 遥感学报, 2016, 20(5): 748-767.

CHEN Z X, REN J Q, TANG H J, SHI Y, LENG P, LIU J, WANG L M, WU W B, YAO Y M, HASI T Y. Progress and perspectives on agricultural remote sensing research and applications in China. Journal of Remote Sensing, 2016, 20(5): 748-767. (in Chinese)

[11] 杨珺雯, 张锦水, 潘耀忠, 孙佩军, 朱爽. 基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究—以冬小麦为例. 中国农业科学, 2018, 51(4): 675-687.

YANG J W, ZHANG J S, PAN Y Z, SUN P J, ZHU S.An efficient hierarchical indicator based on the correction area of remote sensing identification error for planting acreage sampling-a case study of winter wheat. Scientia Agricultura Sinica,2018, 51(4): 675-687. (in Chinese)

[12] CHANG J, HANSEN M, PITTMAN K, CARROLL M, DIMICELI C. Corn and soybean mapping in the United States using MODIS time-series data sets. Agronomy Journal. 2007, 99(6): 1654-1664.

[13] 张莎, 张佳华, 白雲, 姚凤梅. 基于MODIS-EVI及物候差异免阈值提取黄淮海平原冬小麦面积. 农业工程学报, 2018, 34(11): 150-158.

ZHANG S, ZHANG J H, BAI Y, YAO F M. Extracting winter wheat area in Huanghuaihai Plain using MODIS-EVI data and phenology difference avoiding threshold. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(11): 150-158. (in Chinese)

[14] 黄青, 唐华俊, 吴文斌, 李丹丹, 刘佳. 农作物分布格局动态变化的遥感监测—以东北三省为例. 中国农业科学, 2013, 46(13): 2668-2676.

HUANG Q, TANG H J, WU W B, LI D D, LIU J.Remote sensing based dynamic changes analysis of crop distribution pattern-taking Northeast China as an example. Scientia Agricultura Sinica, 2013, 46(13): 2668-2676. (in Chinese)

[15] 权文婷, 王钊. 冬小麦种植面积遥感提取方法研究. 国土资源遥感, 2013, 25(4): 8-15.

QUAN W T, WANG Z. Researches on the extraction of winter wheat planting area using remote sensing method. Remote Sensing for Land and Resources, 2013, 25(4): 8-15. (in Chinese)

[16] 许文波, 田亦陈. 作物种植面积遥感提取方法的研究进展. 云南农业大学学报, 2005, 20(1): 94-98.

XU W B, TIAN Y C. Overview of extraction of crop area from remote sensing. Journal of Yunnan Agricultural University, 2005, 20(1): 94-98. (in Chinese)

[17] 李石华, 王金亮, 毕艳, 陈姚, 朱妙园, 杨帅, 朱佳. 遥感图像分类方法研究综述. 国土资源遥感, 2005, 17(2): 1-6.

LI S H, WANG J L, BI Y, CHEN Y, ZHU M Y, YANG S, ZHU J. A review of methods for classification of remote sensing images. Remote Sensing for Land & Resources, 2005, 17(2): 1-6. (in Chinese)

[18] 刘勇洪, 牛铮, 王长耀. 基于MODIS数据的决策树分类方法研究与应用. 遥感学报, 2005, 9(4): 405-412.

LIU Y H, NIU Z, WANG C Y. Research and application of the decision tree classification using MODIS data. Journal of Remote Sensing, 2005, 9(4): 405-412. (in Chinese)

[19] CHEN L, SUN Y. Comparison of object-oriented remote sensing image classification based on different decision trees in forest area. Chinese Journal of Applied Ecology, 2018, 29(12): 3995-4003.

[20] 刘焕军, 于胜男, 张新乐, 郭栋, 殷继先. 一年一季农作物遥感分类的时效性分析. 中国农业科学, 2017, 50(5): 830-839.

LIU H J, YU S N, ZHANG X L, GUO D, YIN J X. Timeliness analysis of crop remote sensing classification one crop a year.Scientia Agricultura Sinica, 2017, 50(5): 830-839. (in Chinese)

[21] 张晓娟, 杨英健, 盖利亚, 李亮, 王宇. 基于CART决策树与最大似然比法的植被分类方法研究. 遥感信息, 2010(2): 88-92.

ZHANG X J, YANG Y J, GAI L Y, LI L, WANG Y. Research on vegetation classification method based on combined decision tree algorithm and maximum likelihood ratio. Remote Sensing Information, 2010(2): 88-92. (in Chinese)

[22] 黄健熙, 贾世灵, 武洪峰, 苏伟. 基于GF-1 WFV影像的作物面积提取方法研究. 农业机械学报, 2015, 46(S1): 253-259.

HUANG J X, JIA S L, WU H F, SU W. Extraction method of crop planted area based on GF-1 WFV image. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(S1): 253-259. (in Chinese)

[23] 米晓楠, 杨超, 李峰, 相栋, 李孟蔚, 赵永强, 闫加海. 晋南区冬小麦种植分布卫星遥感反演及时空变化分析. 山西农业科学, 2018, 46(3): 378-382.

MI X N, YANG C, LI F, XIANG D, LI M W, ZHAO Y Q, YAN J H. Analysis of temporal and spatial variations in winter wheat growing regions in Jinnan region using remote sensing.Journal of Shanxi Agricultural Sciences, 2018, 46(3): 378-382. (in Chinese)

[24] 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. Ecological Indicators, 2019, 101: 892-903.

[25] BORYAN C, YANG Z, WILLIS P, DI L. Developing crop specific area frame stratifications based on geospatial crop frequency and cultivation data layers. Journal of Integrative Agriculture, 2017, 16(2): 312-323.

[26] 边金虎, 李爱农, 宋孟强, 马利群, 蒋锦刚. MODIS植被指数时间序列Savitzky-Golay滤波算法重构. 遥感学报, 2010, 14(4): 725-741.

BIAN J H, LI A N, SONG M Q, MA L Q, JIANG J G. Reconstruction of NDVI time-series datasets of MODIS based on Savitzky-Golay filter. Journal of Remote Sensing, 2010, 14(4): 725-741. (in Chinese)

[27] SHI X, YU D, XU S, WARNER E, WANG H, SUN W, ZHAO Y, GONG Z. Cross-reference for relating genetic soil classification of China with WRB at different scales. Geoderma, 2010, 155(1): 344-350.

[28] SHI X, YU D, WARNER E, PAN X, PETERSEN G, GONG Z, WEINDORF D. Soil database of 1:1,000,000 digital soil survey and reference system of the chinese genetic soil classification system. Soil Horizons, 2004, 45(4): 129.

[29] 王学, 李秀彬, 谈明洪, 辛良杰. 华北平原2001-2011年冬小麦播种面积变化遥感监测. 农业工程学报, 2015, 31(8): 190-199.

WANG X, LI X B, TAN M H, XIN L J. Remote sensing monitoring of changes in winter wheat area in North China Plain from 2001 to 2011. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(8): 190-199. (in Chinese)

[30] ZHANG N, WU Y, ZHANG Q. Detection of sea ice in sediment laden water using MODIS in the Bohai Sea: a CART decision tree method. International Journal of Remote Sensing, 2015, 36(6): 1661-1674.

[31] RUFIN P, LEVERS C, BAUMANN M, JAGERMEYR J, KRUEGER T, KUEMMERLE T, HOSTERT P. Global-scale patterns and determinants of cropping frequency in irrigation dam command areas. Global Environmental Change, 2018, 50: 110-122.

[32] WILKEN F, WAGNER P, NARASIMHAN B, FIENER P. Spatio-temporal patterns of land use and cropping frequency in a tropical catchment of South India. Applied Geography, 2017, 89: 124-132.

[33] 范玲玲. 过去65年中国小麦种植时空格局变化及其驱动因素分析[D]. 北京: 中国农业科学院, 2018.

FAN L L. Spatio-temporal variation of wheat cultivation in China and its driving factors during the past 65 years[D]. Beijing: Chinese Academy of Agricultural Sciences, 2018. (in Chinese)

[34] 裴源生, 李旭东, 杨明智. 21世纪以来我国灌溉面积构成及农业种植结构变化趋势. 灌溉排水学报, 2018, 37(4): 1-8.

PEI Y S, LI X D, YANG M Z. Changes in irrigated areas and the types of cropland in China since 2000. Journal of Irrigation and Drainage, 2018, 37(4): 1-8. (in Chinese)

[35] 刘占锋, 傅伯杰, 刘国华, 朱永官. 土壤质量与土壤质量指标及其评价. 生态学报, 2006, 26(3): 901-913.

LIU Z F, FU B J, LIU G H, ZHU Y G. Soil quality: concept, indicators and its assessment. Acta Ecologica Sinica, 2006, 26(3): 901-913. (in Chinese)

[36] 张心昱, 陈利顶. 土壤质量评价指标体系与评价方法研究进展与展望. 水土保持研究, 2006, 13(3):30-34.

ZHANG X Y, CHEN L D. The progress and prospect of soil quality indicators and evaluation methods.Research of Soil and Water Conservation, 2006, 13(3): 30-34. (in Chinese)

[37] 刘广明, 吕真真, 杨劲松, 李可晔, 余世鹏. 基于主成分分析及GIS的环渤海区域土壤质量评价. 排灌机械工程学报, 2015, 33(1): 67-72.

LIU G M, LÜ Z Z, YANG J S, LI K Y, YU S P. Quality evaluation of soil in land along Bohai Sea Coast by principal component analysis and GIS. Journal of Drainage and Irrigation Machinery Engineering, 2015, 33(1): 67-72. (in Chinese)

[38] 马树庆. 吉林省农业气候研究. 吉林: 气象出版社, 1996.

MA S Q. Agroclimatic studie in Jilin Province. Jilin: China Meteorological Press, 1996. (in Chinese)

[39] 蒋定生, 黄国俊, 帅启富, 刘梅. 渭北旱塬降水对农作物生长适宜度的模糊分析. 水土保持研究, 1992(2): 61-71.

JIANG D S, HUANG G J, SHUAI Q F, LIU M. Fuzzy analysis the suitable degrees of the precipitation to the agro-crops growing in the arid Plain of Northern Wei River. Research of Soil and Water Conservation, 1992(2): 61-71. (in Chinese)

[40] 黄璜. 中国红黄壤地区作物生产的气候生态适应性研究. 自然资源学报, 1996, 11(4): 340-346.

HUANG H. A study on the climatic ecology adaptability of the crop production in the Red and Yellow Soils Region of China. Journal of Natural Resources, 1996, 11(4): 340-346. (in Chinese)

[41] 千怀遂, 焦士兴, 赵峰. 河南省冬小麦气候适宜性变化研究. 生态学杂志, 2005, 24(5): 503-507.

QIAN H S, JIAO S X, ZHAO F. Climate suitability change of winter wheat in Henan province. Chinese Journal of Ecology, 2005, 24(5): 503-507. (in Chinese)

[42] 赵峰. 河南省冬小麦气候适宜性变化研究[D]. 开封: 河南大学, 2002.

ZHAO F. Research on the climate suitability change of winter wheat in Henan province[d]. Kaifeng:Henan University, 2002. (in Chinese)

[43] 李伟毅, 赵佳. 中国农业直接补贴: 演变历程、阶段特征与变迁方向. 经济研究参考, 2012(60): 5-12.

LI W Y, ZHAO J. China’s agricultural direct subsidy: evolution process, stage characteristics and change direction. Review of Economic Research, 2012(60): 5-12. ( in Chinese)

[44] 中华人民共和国农业部. 中国农业统计资料. 2010. 北京: 中国农业出版社, 2011.

Ministry of Agriculture of the People’s Republic of China. China Agriculture Statistical Report.2010. Beijing: China Agriculture Press, 2011.

[45] 中华人民共和国农业部. 中国农业统计资料. 2013. 北京: 中国农业出版社, 2014.

Ministry of Agriculture of the People’s Republic of China. China Agriculture Statistical Report. 2013. Beijing: China Agriculture Press, 2014.

[46] 高惠璇. 应用多元统计分析. 北京: 北京大学出版社, 2005.

GAO H X. Application of Multivariate Statistical Analysis. Beijing: Peking University Press, 2005. (in Chinese)

[47] 黄勇, 杨忠芳. 土壤质量评价国外研究进展. 地质通报, 2009, 28(1): 130-136.

HUANG Y, YANG Z F. Recent research progress of overseas soil quality evaluation. Geological Bulletin of China, 2009, 28(1): 130-136. (in Chinese)

Spatio-temporal Variations of Winter Wheat Planting Frequency and Their Analysis of Influencing Factors in Henan Province
LI FangJie, REN JianQiang, WU ShangRong, CHEN ZhongXin, ZHANG NingDan

(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/Key Laboratory of Agricultural Remote Sensing, Ministry of Agriculture and Rural Affairs, Beijing 100081)

Abstract: 【Objective】Quantitative analysis was made on spatio-temporal variations of winter wheat planting frequency (WWPF) and its main influencing factors in different stages (2001-2005, 2006-2010 and 2011-2015) in Henan province, in order to further clarify the characteristics of crop planting frequency change and the sequence of main influencing factors.【Method】In this study, winter wheat in Henan province was taken as the research crop. The spatial information of winter wheat planting frequency in different periods in the study area were obtained by extracting the spatial crop distribution information for 15 consecutive years (2001-2015) using mid-low resolution MODIS EVI time series remote sensing data and CART decision tree algorithm. On this basis, the spatio-temporal variations of winter wheat planting frequency in different stages were analyzed, and the influencing factors of the winter wheat planting frequency variations in different stages were investigated by correlation analysis, principal component analysis and linear regression analysis. Finally, the sequence of the main influence factors was determined. 【Result】It was verified that the average overall precision of winter wheat extraction was 90.39%, and the Kappa coefficient was between 0.82 and 0.92, which could meet the requirements of spatial distribution accuracy of crops required for regional winter wheat planting frequency change research. By analyzing the spatial and temporal variation information of the winter wheat planting frequency in different periods in Henan province, most of the main winter wheat producing regions in Henan province had higher winter wheat planting frequency (WWPF＞80%), while the planting frequency of winter wheat was generally lower in southwestern Henan and in mountainous areas of southern Henan due to complex topography and poor natural conditions (WWPF≤40%). In addition, during the three periods, the area of winter wheat planted at high frequency increased gradually in the main winter wheat producing areas of Henan province, the area proportion of WWPF＞80% was 42.68%, 59.94% and 63.07%, respectively. And the area planted at low frequency showed a decreasing trend, the area proportion of WWPF≤40% was 28.53%, 17.99% and 16.63%, respectively, which were of great significance to stabilize the planted area of grain in the main winter wheat producing areas of China. According to the analysis results of influencing factors of winter wheat planting frequency, there was a significant correlation between the WWPF in Henan province and the ratio of effective irrigation area, soil quality comprehensive index, climate suitability at sowing stage, slope and elevation, etc. Besides the negative correlation between slope/elevation and WWPF, other factors were all positively correlated with WWPF. The ranking results of the above indicators affecting on the WWPF were as follows: soil comprehensive quality index＞climatic suitability at sowing stage＞effective irrigated area ratio＞slope (elevation), that was to say, the soil quality＞sowing date climatic condition＞irrigation condition＞topographic condition. 【Conclusion】Based on quantitative analysis of spatio-temporal variations of winter wheat planting frequency and its influencing factors in Henan province, the spatio-temporal distribution characteristics and variation law of winter wheat planting frequency in Henan province were clarified, and the influencing factors and importance ranking of winter wheat planting frequency in Henan province were gotten, which could provide some technical methods and ideas for the analysis of crop planting area change, and provide some basic theoretical support for the construction of regional agricultural land use decision-making model.

Key words: Henan province; winter wheat; crop area extraction; crop planting frequency; spatio-temporal variations; influencing factors

开放科学（资源服务）标识码（OSID）：width=42.5,height=42.5

doi: 10.3864/j.issn.0578-1752.2020.09.007

收稿日期：2019-08-29；

接受日期：2019-11-18

基金项目：国家自然科学基金（41871353，41801286）、中央级公益性科研院所基本科研业务费专项（1610132018016，1610132019026）、农业农村部农情遥感监测项目

联系方式：李方杰，E-mail：li_fangjie@126.com。通信作者任建强，E-mail：renjianqiang@caas.cn

（责任编辑 杨鑫浩）