全 文 ：中国生态农业学报 2015年 4月 第 23卷 第 4期
Chinese Journal of Eco-Agriculture, Apr. 2015, 23(4): 497−505


* 国家自然科学基金项目(41471027)、国家科技支撑计划项目(2013BAD11B03-2)和“十二五”农村领域国家科技计划项目(2014BAD10B06)资助
** 通讯作者: 沈彦俊, 主要从事生态水文过程的研究。E-mail: yjshen@sjziam.ac.cn
潘学鹏, 从事资源与环境遥感研究。E-mail: panxuepeng0610@sina.cn
收稿日期: 2014−12−30 接受日期: 2015−02−04
http://www.ecoagri.ac.cn
DOI: 10.13930/j.cnki.cjea.141505
华北平原冬小麦面积遥感提取及时空变化研究*
潘学鹏1,2 李改欣3 刘峰贵1 吴喜芳2,4 近藤昭彦5 沈彦俊2**
(1. 青海师范大学生命与地理科学学院 西宁 810008; 2. 中国科学院遗传与发育生物学研究所农业资源研究中心/中国科学
院农业水资源重点实验室 石家庄 050022; 3. 石家庄幼师高等专科学校 石家庄 050228; 4. 河北师范大学资源与环境科
学学院 石家庄 050024; 5. 日本千叶大学环境遥感研究中心 千叶 263-8522)
摘 要 多年作物种植面积的时空变化可以反映种植结构的调整结果, 并可用于进行驱动力分析。为解决连
续遥感监测作物种植面积变化过程中, 不同的训练样本或分类规则不能较好地反映作物种植面积时空格局变
化的问题, 本文首先根据研究区(华北平原)农业气象观测站提供的主要农作物物候观测资料获得主要农作物
典型物候期特征, 结合 HANTS滤波后的 NDVI时间序列数据提取不同地物类型的 NDVI时序曲线, 引入复种
指数, 探讨了 CART 算法在提取华北平原冬小麦种植面积的可行性, 最后提取了 2000—2013年华北平原冬小
麦种植面积, 并参考市级的农业统计数据进行精度评价。经检验, 近 13 年的遥感监测种植面积与农业统计面
积相关系数达到 0.94(置信水平为 95%), 且各市 13年面积一致性小于 40%的概率仅为 15%。利用遥感监测多
年冬小麦空间分布信息获得其空间种植概率, 能较好地反映研究区冬小麦的主要种植区, 该方法可为大范围、
连续年份冬小麦种植面积时空格局的遥感监测提供参考。
关键词 遥感监测 冬小麦 种植面积 CART算法 NDVI时间序列 复种指数
中图分类号: TP79 文献标识码: A 文章编号: 1671-3990(2015)04-0497-09
Using remote sensing to determine spatio-temporal variations in winter
wheat growing area in the North China Plain
PAN Xuepeng1,2, LI Gaixin3, LIU Fenggui1, WU Xifang2,4, KONDOH Akihiko5, SHEN Yanjun2
(1. College of Biological and Geographical Sciences, Qinghai Normal University, Xining 810008, China; 2. Center for Agricultural
Resources Research, Institute of Genetics and Developmental Biology, Chinese Academy of Sciences / Key Laboratory of
Agricultural Water Resources, Chinese Academy of Sciences, Shijiazhuang 050022, China; 3. Shijiazhuang Preschool Teachers
College, Shijiazhuang 050228, China; 4. College of Resources and Environmental Sciences, Hebei Normal University, Shijiazhuang
050024, China; 5. Center for Environmental Remote Sensing, Chiba University, Chiba 263-8522, Japan)
Abstract Agricultural land uses affect land surface energy and water balance. The North China Plain (NCP) is one of the most
important agricultural regions in China and is experiencing a severe water shortage due to decades of excessive extraction of
groundwater for crop irrigation. The precise determination of the distribution of the land areas under different crops in NCP does not
only provide the basic information needed for evaluating agricultural water consumption in space but also improve agricultural
planning for sustainable water resources management. In this study, we established a method for agricultural land use classification
using MODIS NDVI data time-series. Raw 16-day composite NDVI data were first processed using HANTS filtering and then
sampled the time-series pattern of NDVI for different croplands based on ground truth data. The typical phenological characteristics
of the main crops were determined based on field-monitored phenological data in agro-meteorological stations in the study area. Then
multiple cropping index (MCI) was induced based on the NDVI time-series to distinguish land areas under wheat-corn double
cropping system. Finally, the cultivated area under winter wheat in NCP for the period of 2000–2013 was extracted by using the
CART algorithm. The result was validated with county agricultural statistics data, which showed a statistically significant correlation
for the 13-year period with correlation coefficient of 0.94 at 95% confidence level. The probability of consistency less than 40%
498 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
between the remote-sensing derived cultivated area and agricultural statistics data for the study period was less than 15% for the
municipalities in the study area. Agricultural land use frequently changed (about yearly) due to crop rotation, price fluctuation, water
limitation, etc. This made it difficult to evaluate agricultural land use change from only comparison of agricultural land use maps for
any set of years. Thus in this study, the land use change for different crops was evaluated based on multi-year cropping probability
comparison, which composed of actual counts of number of years of wheat cultivation in the study period, with high cultivation
probability reflecting dominant crop distribution. Through comparison of the differences in wheat cultivated probability maps for the
periods of 2000–2006 and 2007–2013, it was noted that wheat cultivated areas significantly increased in Henan and Shandong
Provinces, but significantly decreased in the north part and Heilonggang region of Hebei Plain. These changes were mainly
considered to be driven by groundwater conditions and national policies for increased grain production, leading to extensive land
reclamation in Henan and Shandong.
Keywords Remote sensing monitoring; Winter wheat; Cultivated area; CART algorithm; NDVI time-series; Multiple crop-
ping index
(Received Dec. 30, 2014; accepted Feb. 4, 2015)
遥感监测作物种植面积是农业资源监测的主
要组成部分之一 [1], 可以反映农业生产在时空范围
内利用农业资源的状况。了解农作物的类型、结构
和分布特征等信息是宏观把握农作物布局、开展农
业减灾等的重要依据, 也是进行农业结构调整的基
础[2−5]。准确的连续多年遥感监测作物空间分布图对
作物耗水量估算[6−7]、面积统计[8]和产量预测[9]等也
起着重要的作用。
从作物遥感分类的技术角度看, 1974—1978年
美国的“大面积作物清查试验”即 LACIE计划(Large
Area Crop Inventory Experiment)基于 Landsat MSS
数据和航空影像, 通过确定地面样方, 采用分层抽
样和监督分类法提取小麦种植面积, 精度达到 90%
以上。吴炳方等[10]在“中国农情遥感监测系统”中提
出了采用 2 个独立框架支持下的农作物种植面积监
测方法。Wardlow 等[11−12]基于 NDVI 的时间序列数
据结合不同作物的物候期特征, 探讨了美国中央大
平原 6 种作物类型生育期的曲线差异, 分析结果表
明, 可以依据不同作物类型时间序列 NDVI 值对作
物类型进行分类。范锦龙和吴炳方[13]基于滤波平滑
后的 NDVI 建立时间序列曲线, 通过提取峰值, 分
析了中国作物种植制度的空间格局。
前人在华北平原冬小麦种植面积提取的研究方
面也做了大量工作。邹金秋等[14]分析了 2004年河北
省藁城市冬小麦物候期 EVI 值的差异, 探讨了不同
物候期 EVI 组合对提取冬小麦种植面积的精度, 认
为出苗期与抽穗期组合能较好地反映冬小麦的种植
面积。陈健等[15]基于 EVI数据结合种植结构和物候
历构建分类模型, 提取了 2004年河北省冬小麦的种
植面积 , 整体精度达到 95.7%。李正国等 [16]基于
NDVI 时序数据结合不同熟制作物生育期的特点 ,
探讨了 1982—2007年华北平原种植制度的空间分布
特征, 并且验证了冬小麦的种植面积与遥感提取的
一年 2 熟的作物面积有较好的一致性。张霞等[17]将
EVI 时序曲线参量化为冬小麦的生长速率、衰减速
率、峰值和休眠期, 进而提取 2005年华北平原冬小
麦的种植面积。郝虑远等[18]基于 MODIS 数据通过
优化的 N-FINDR算法进行线性混合像元分解, 提取
了 2009年华北平原冬小麦的种植面积, 各省误差均
可控制在±4%之间。
以上学者的研究获得了较高精度的作物面积提
取结果, 然而缺少对连续年份作物面积提取及其种
植格局变化的动因分析, 难以应用于区域作物结构
调整和农业用地管理中。其主要原因是缺少连续年
份分类训练样本数据或者不同年份的分类规则, 不
能较好地反映同一地区作物种植面积的时空格局变
化。冬小麦作为华北平原主要粮食作物之一, 其播
种面积是影响区域粮食总产量的主要因素。相对于
其他粮食作物, 冬小麦的生产季较长, 其灌溉用水
量和蒸散发量都较大, 主要靠提取地下水或黄河灌
溉来保证高产, 长期的灌溉造成华北平原地下水位
快速下降, 形成了世界上最大的复合型地下水位降
落漏斗区, 并引起诸多生态和环境问题。因此, 本文
以华北平原为研究区域, 探讨如何基于时序 NDVI
数据对主要耗水作物冬小麦的遥感提取方法, 最后
揭示 2000—2013年华北平原冬小麦种植区域时空变
化及其影响因素, 为该区域的农业用水管理、作物
种植结构调整和地下水保护提供基础数据。
1 材料与方法
1.1 研究区概况
华北平原东临渤海, 西抵太行山脉, 北起燕山,
南至黄河, 地理位置 112°30′E~119°30′E, 34°46′N~
40°25′N, 包括北京市、天津市、河北平原和黄河以
第 4期 潘学鹏等: 华北平原冬小麦面积遥感提取及时空变化研究 499


http://www.ecoagri.ac.cn
北的豫北、鲁西北平原区, 面积约为 14.1万 km2(图
1)。该区地势平坦、土层深厚, 海拔多在 50 m以下,
属于温带大陆性季风气候, 年均温为 10.0~14.2 ℃,
热量条件满足一年 2 熟, 主要粮食作物有冬小麦、
夏玉米和水稻等, 是我国粮食主产区之一。该区年
平均降水量为 400~500 mm, 时空分布不均, 主要集
中于夏季, 约占全年的 70%; 而春季和初夏降水稀
少, 基本不能满足冬小麦生长需水要求。

图 1 华北平地理位置
Fig. 1 Location of the North China Plain
1.2 数据来源
采用 Terra/MODIS 13Q1 NDVI遥感数据, 该数
据为 16 d 合成, 空间分辨率为 250 m, 时间跨度为
2000—2013年, 来源于NASA数据网站(http://reverb.
echo.nasa.gov)。地面验证数据来自中国气象科学数据
共享服务网中的农业气象数据(http://cdc.cma.gov.cn)
和 2000—2012年京津冀地区各省、市农村统计年鉴
中冬小麦播种面积的数据。
1.3 数据处理过程
基于多时相遥感信息并结合作物物候期特征 ,
提取华北平原冬小麦种植面积的基本思路主要包括
3 部分: 1)探讨在华北平原基于不同作物类型 NDVI
时序数据和复种指数的冬小麦种植面积提取的可行
性; 2)提取京津冀地区冬小麦的种植面积与农业统
计数据进行精度检验; 3)提取 2000—2013 年华北平
原冬小麦种植面积, 并分析其近 14年冬小麦时空格
局变化。
1.3.1 时间序列谐波分析法
时间序列谐波分析法(Harmonic Analysis of Time
Series, HANTS)是由荷兰 Geospatial Data Service Cen-
tre(GDSC)提供的 HANTS 软件。该方法是一种新的
物候分析方法 [19−20], 主要目的是 : 1)对云污染的
NDVI 值进行筛选与去除 ; 2)将剩余的时间序列
NDVI 值经傅里叶变换与最小二乘法拟合进行时间插
值, 获得新的连续时间序列 NDVI 值。其中 HANTS
滤波即把时间波谱数据分解成许多不同正弦曲线和
余弦曲线, 所以在多熟区存在峰值位置(出现的时间)
与低谷 NDVI 值不易兼容的现象, 但本文对滤波后
的 NDVI仅做峰值个数提取和判断峰值出现的时间,
未做物候变化(提前或推迟)的分析, 所以 HANTS滤
波的效果在本文是可行的。
HANTS模块运行的 6个主要控制参数包括: 高
低阈值(valid data min, max)、时间跨度(length of
period)、频率数(number of frequencies)、曲线匹配阈
值 (FET)、剩余点个数 (DOD)和振幅的拉伸比例
(scaling factor), 本文根据研究区一年 1 熟或一年 2
熟的种植情况及其 MODIS数据特征, 分别将上述 6
个参数设定为−3 000~10 000、23、2、1 000、8和 1。
1.3.2 复种指数的提取
复种指数(MCI)是指一块地一年内种植作物的
次数[21]。李正国等[16]分析了华北平原两熟区的面积
与冬小麦播种面积之间的关系, 发现复种指数中一
年 2 熟的面积与冬小麦种植面积整体相关系数达
0.95(置信水平为 95%)。MCI可通过时间序列 NDVI
曲线峰值频数来提取。时间序列 NDVI经过 HANTS
重构以后 , 仍然是离散点序列 , 不是连续函数 , 本
文参照范锦龙和吴炳方[13]提出的依据差分方法求取
离散点极大值的个数。
假设 1 个像元构成了包含 N个元素的离散点系
列 S, 由 S前后 2个元素值的差构成包含 N−1个元素
的点系列 S1, 用以下公式计算:
S1=diff(S) (1)
式中: diff为前后 2个元素值差的函数。
接着判断 S1 各个元素值的正负, 如果 S1 的某
个元素值小于 0, 就把这个元素值赋为−1, 如果大于
0, 就把这个元素的值赋为 1, 存为点系列 S2:
S2=sign(S1) (2)
式中: sign为判断元素值为正负的函数。
然后, 求 S2的前后 2个元素的差, 形成点系列 S3:
500 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
S3=diff(S2) (3)
最后, 将点系列 S3的元素值小于或等于−2的元
素计数, 最终求得的极大值个数:
Number=num(S3≤−2) (4)
式中: num为求元素值为−2的元素的计数函数。
1.3.3 分类回归树算法
分类回归树算法(Classification and Regression
Tree, CART)是一种通用的树生长算法, 由 Breiman
等[22−23]1984 年提出, 属于监督分类方法, 它利用训
练样本来构建二叉树进行分类。其基本原理是通过
对由预测变量和目标变量构成的训练数据集的循环
二分形成二叉树式的决策树结构。本文采用的CART
算法是由美国 Salford Systems 公司提供的原 CART
代码的决策树软件(http://www.salford-systems.com),
该软件由 2 个模块构成: 分类模块(classifier)和数值
建模模块(numerical modeler)。第 1个模块主要用于
创建决策树和生产分类结果; 第 2 个模块主要是用
第 1模块生成的分类结果进行数值建模, 应用于对大
范围或长时间序列的遥感分类。
在本文中, 目标变量是冬小麦−夏玉米、其他作
物、林地和建筑用地的类型值, 测试变量为不同地
物类型时序 NDVI 数据特征。具体步骤: 首先基于
MCI 和各地物类型的 NDVI 曲线, 选取分类训练样
本进行规则表生成, 再对部分规则表进行修剪, 最
后应用规则表进行分类。
2 结果与分析
2.1 华北平原主要农作物 NDVI时间序列曲线
本文根据华北平原的一年 1熟或一年 2熟的作
物种植情况, 采用 Zhang 等[24]利用农业气象观测站
提供的主要农作物物候观测资料归纳典型作物物候
期的方法, 先归纳得出华北平原主要农作物的典型
物候期特征(图 2), 并结合 HANTS滤波后的 NDVI时
间序列数据获得各类型不同时间段时序曲线(图 3)。

图 2 华北平原主要作物生长历程
Fig. 2 Calendars of main crops in the North China Plain
分析结果表明: 冬小麦−夏玉米的 NDVI时序曲线呈
现典型的双峰型结构, 第 1 个峰值出现在 4 月下旬,
第 2 个峰值出现在 9 月中旬; 其他作物和林地的
NDVI 时序曲线虽然都是单峰型结构 , 但林地的
NDVI 值在 4 月下旬至 10 月中旬一直保持高值, 高
值时间跨度较长, 而其他作物的 NDVI 仅在 5 月中
旬至 9 月上旬出现; 建筑用地的 NDVI 值变化不显
著, 年内的 NDVI值在 0.2以下。所以根据地物类型
的 NDVI时序变化可以进行遥感分类。
2.2 在 CART算法中增加复种指数的应用
野外调查发现, 在华北平原, 两熟区的作物类

图 3 华北平原地物类型的 NDVI时序曲线
Fig. 3 NDVI time series curves of different land covers in the
North China Plain
第 4期 潘学鹏等: 华北平原冬小麦面积遥感提取及时空变化研究 501


http://www.ecoagri.ac.cn
型除了冬小麦−夏玉米, 还有两季蔬菜等。本文则以
2001 年完整的行政单元京津冀地区为例, 在增加复
种指数的情况下, 探讨 CART 算法提取京津冀地区
冬小麦种植面积的可行性。在该算法中, 首先以复
种指数作为第 1 判断要素, 判断该区是否属于两熟
区(双峰型), 再判断 3 月中下旬(返青期, 第 81 d)的
NDVI 值是否大于 0.38, 进一步判断第 1 个峰值出
现日期是否出现在 4—5月之间(冬小麦的灌层覆盖
度达到最大值), 以上条件满足, 则为冬小麦。从图
4a 可看出京津冀地区的冬小麦基本沿着山前平原
分布, 赵县的梨园区和威县一带的棉花区都可区分
出来, 空间分布格局基本正确。以市为单位, 与农
业统计数据进行检验 , 相关系数为 0.98(置信水平
达 95%) (图 4b)。所以得出采用 CART算法在时间
序列 NDVI的基础上结合复种指数可提高冬小麦面
积的分类精度。

图 4 2001年京津冀地区冬小麦种植范围的空间分布(a)和遥感监测与农业统计数据比较(b)
Fig. 4 Spatial distribution of winter wheat planting area (a) and the comparison between remote sensing data and agricultural
statistical data (b) in Beijing-Tianjin-Hebei Region in 2001
2.3 连续年份冬小麦种植面积遥感监测的精度验证
为了检验基于 CART 算法中选取单一年份分类
样本进行数值建模的方法是否适合应用于连续年份,
本文首先对 2000—2012年京津冀地区的遥感监测冬
小麦面积(监测面积)与农业统计数据中冬小麦的播
种面积(统计面积)进行相关性分析(以市为单位), 检
验其分类精度。图 5 分析结果显示, 监测面积与统
计面积一致性较高 , 相关系数达 0.94(置信水平为
95%)。为进一步验证 2000—2012年间京津冀地区各
市监测面积与统计面积的一致性, 本文利用同期京
津冀地区冬小麦的监测面积与统计面积进行一致性
检验累计评价(其中一致性检验公式为: 1−|监测面积
−统计面积|/统计面积), 表 1是 13年间各市面积一致
性的累计结果。分析显示, 各市累计 13年面积一致
性小于 40%的概率仅为 15%。其中衡水市、保定市
和石家庄市的分类精度较高, 13 年面积一致性精度
>80%年份达到 8年以上, 且<20%的年份均没有; 邯
郸市、邢台市和唐山市的分类精度为高, >60%年份
达到 8 年以上, 且<20%的仅唐山市出现 2 年; 沧州
市和天津市的分类精度为合适, >40%的年份为 8 年
以上, <20%的年份为 2 年以下; 廊坊市和北京市的
分类精度最差, <40%的累计年份出现了 5 年以下。
这可能与该区地貌类型复杂, 冬小麦种植的区域较
为零散, 且种植面积较小有关, 在 250 m×250 m 的
栅格中混合了其他地物类型导致冬小麦的 NDVI 时
序曲线不易准确反映, 但该区都不是冬小麦的主要
种植区。从整体上看, 该方法在平原地区的冬小麦
分类精度是可行的。

图 5 2000—2012年京津冀地区遥感监测冬小麦面积与
各市农业统计数据的比较
Fig. 5 Comparison of winter wheat planting area between
remote sensing monitoring data and agricultural statistics data
at prefecture level in Beijing-Tianjin-Hebei Region from 2000
to 2012
502 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
表 1 2000—2012年京津冀地区冬小麦种植面积一致性
精度累计表
Table 1 Accumulated consistency test of cropping area of winter
wheat in Beijing-Tianjin-Hebei Region from 2000 to 2012
一致性 Consistency (%) 城市
City >80 60~80 40~60 20~40 <20
衡水 Hengshui 11 1 — 1 —
保定 Baoding 10 2 1 — —
石家庄 Shijiazhuang 8 4 1 — —
邯郸 Handan 7 3 3 — —
邢台 Xingtai 7 1 3 2 —
唐山 Tangshan 5 3 2 1 2
沧州 Cangzhou 4 5 2 1 1
天津 Tianjin 4 4 3 2
廊坊 Langfang 4 2 2 3 2
北京 Beijing 2 6 1 1 3
表中数字表示遥感监测值与农业统计值的一致性对应百分比的
累计年数。Numbers in this table are the accumulated years of consis-
tency test from remote sensing monitoring data and agricultural sta-
tistics data.

2.4 华北平原冬小麦的时空分布特征
2.4.1 2000—2013年华北平原冬小麦种植面积的时
空变化
本文根据华北平原的区域边界, 将其划分为河
北平原北部(包括北京市和天津市)、河北平原南部、
鲁西北和豫北 4 个区域。2000—2013 年华北平原冬
小麦种植区域主要分布于山东省和河南省的黄河灌
区以及太行山前平原区(图 6)。多年平均来看, 河北
平原北部冬小麦播种面积较小, 仅占研究区冬小麦
面积的 18.3%, 而且呈现明显减少趋势, 从 2000年的
114.9万 hm2缩减至 2013年的 86.6万 hm2, 主要原因
可能是该地区快速城市化过程中大量耕地被转化为
建设用地。经农户调查发现, 该区的乡镇企业发达,
农业比较效益下降导致农民种植费时费力且收益较
低的冬小麦积极性下降, 出现很多土地弃种冬小麦
的现象。河北平原南部近 14 年间冬小麦种植面积也
有呈现减小趋势, 从 2000 年的 192.3 万 hm²缩减至
2013年的 167.2万 hm², 主要发生在黑龙港地区的棉
花主产区及东部盐碱土地带。而豫北和鲁西北平原区
均呈增加趋势, 其中鲁西北平原区也有较大的年际
波动, 冬小麦种植面积从 2000 年的 103.36万 hm2增
加至 2013 年的 183.35 万 hm2; 豫北地区则呈稳定增
加的趋势, 2013年冬小麦种植面积为 144.23万 hm2。
2.4.2 2000—2013年华北平原冬小麦种植概率的空
间变化
农作物的选择受到多种因素影响, 一般情况下,

图 6 2000—2013年华北平原冬小麦空间分布
Fig. 6 Spatial distribution patterns of winter wheat in the North China Plain from 2000 to 2013
第 4期 潘学鹏等: 华北平原冬小麦面积遥感提取及时空变化研究 503


http://www.ecoagri.ac.cn
由于土壤条件和经济因素的影响, 换茬播种是农业
中常见的现象, 因此, 对于特定地块的农作物种植
会具有较大的年际不确定性, 直接对比 2 个独立年
份的分类结果来分析作物种植面积变化的时候就会
受到这类不确定性影响 , 而使结果产生较大的偏
差。本文基于多年的分类统计结果分析土地种植作
物的概率, 用以表达农业土地利用中作物种植的选
择, 多年时段的作物概率分布图可以客观地反映农
作物种植的核心地带及其某个地区农作物种植概率
的变化。
本文将研究时段分成 2000—2006 年和 2007—
2013 年 2 个时段, 分别计算前后 2 个时段各 7 年的
冬小麦种植概率, 其空间分布格局和前后 2 个时段
的变化如图 7a和 7b所示。从该图来看, 冬小麦主要
分布于豫北、鲁西北和河北太行山前平原地区。华
北平原北部冬小麦分布较少, 如前所述, 主要原因
是跟该区城市化率高, 第二、三产业比重大, 冬小麦
费时费力效益低下等有关; 滨海平原一带属于重盐
碱土, 不适宜冬小麦种植; 中部平原部分区域因土
壤沙性或浅层地下水矿化度较高, 以果树(如赵县东
部的梨树、深州市的桃树和沧州市一带的枣树连片
种植区)或棉花(邢台市威县、南宫市、广宗县和邯郸
的邱县一带)为主, 冬小麦的分布也比较小。冬小麦
是灌溉耗水较高的作物 , 从灌溉水源的角度分析 ,
豫北和鲁西北是以引黄河水灌溉为主, 而太行山前
平原则以抽取地下水灌溉为主, 这也是导致华北平
原近年来地下水位下降的原因之一。
为了分析 2000—2006 年和 2007—2013 年 2 个
时段冬小麦主要种植区的分布变化, 本文分别提取
种植概率为 60%以上的区域求其差值(2007—2013
年 60%以上的种植概率减去 2000—2006年 60%以上
的种植概率), 获得了华北平原冬小麦主要种植区的
空间变化图(图 7c)。河北平原北部的天津−廊坊一带
和保定地区出现冬小麦主要种植区“弃耕”的现象 ,
除了由于该区乡镇企业发达, 农作物灌溉费用较高,
冬小麦的经济效益下降以外, 野外调查发现保定市
部分县市近年来发展苗圃、果树和药材种植现象也
比较多。河北平原的南部产棉区周边和东部中低产
区的冬小麦种植面积变化较大, 其中产棉区周边冬
小麦种植受经济作物价格波动影响较大, 例如大名
县近年来主要以种植花生为主 ; 东部南皮−盐山一
带近年来出现增加大面积稳定种植的现象。鲁西北
地区冬小麦主要种植区面积变化较为稳定 , 乐陵−
临邑−陵县一带出现冬小麦面积有增加的现象 , 而
莘县主要是近年大棚蔬菜发展导致冬小麦种植面积
的减小。豫北地区冬小麦主要种植区面积出现明显
的增加趋势, 主要沿黄河以北分布, 应与近年来河
南省黄泛区荒地改造关系密切。
3 讨论与结论
基于 MCI和 NDVI时序数据, 通过 CART算法
数值建模, 开展了华北平原主要耗水作物冬小麦种
植面积提取的分类研究, 评估了 CART 算法应用于
连续年份遥感监测冬小麦种植面积的可行性, 最后

图 7 2000—2013华北平原冬小麦种植概率空间格局的变化(a: 2000—2006年平均种植概率; b: 2007—2013年平均种植
概率; c: 主要种植区的空间变化)
Fig. 7 Changes of spatial patterns of winter wheat planting probability in the North China Plain from 2000 to 2013 (a: average
planting probability from 2000 to 2006; b: average planting probability from 2007 to 2013; c: spatial change of the main planting
areas of winter wheat)
504 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
揭示了 2000—2013年华北平原冬小麦种植区域时空
变化及其影响因素。得到以下结论:
1)冬小麦−夏玉米在 HANTS 滤波平滑后的 NDVI
时序曲线中呈现典型的双峰型结构, 明显区别于其
他地物类型的 NDVI 时序曲线。基于此特征 , 在
CART算法中增加 MCI作为第 1判断目标可提高多
熟制区域冬季作物种植面积的监测精度。
2)基于 MCI 和 NDVI 时序数据 , 通过 CART
数值建模遥感监测连续年份冬小麦种植面积精度
检验表明 , 连续年份遥感监测面积与农业统计面
积的相关系数为 0.94(置信水平为 95%), 各市多年
面积一致性小于 40%的概率仅为 15%, 说明该方
法在试验区内 , 可以有效提取连续年份冬小麦的
种植面积。
3)从空间分布特征上看, 华北平原的冬小麦主
要分布于豫北、鲁西北和河北太行山前平原。河北
平原北部冬小麦平均面积仅占研究区冬小麦平均面
积的 18.3%。从时间变化上, 河北平原北部冬小麦面
积从 2000 年的 114.9 万 hm2缩减至 2013 年的 86.6
万 hm2, 天津−廊坊一带和保定地区出现冬小麦主要
种植区“弃耕”的现象; 2000—2013 年河北平原南部
冬小麦种植面积年际变化较大, 主要分布于南部产
棉区周边地区和东部南皮−盐山一带; 2000—2013年
豫北和鲁西北地区冬小麦种植面积均呈增加趋势。
4)基于多年的分类结果来统计种植作物的概率
进而表现不同土地条件和其他人为因素对作物的选
择, 能较好地反映作物种植的核心地带, 这为农业
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。
由于混合像元的存在, 像元中包含了除冬小麦
之外的其他覆盖物, 有必要在今后的研究工作中寻
求切实可行的混合像元分解方法, 以降低混合像元
的影响, 提高分类精度。在精度检验方面, 今后的研
究中可增加野外实测样本地块为准真值进行检验。
参考文献
[1] Justice C O, Becker-Reshef I. Report from the workshop on
developing a strategy for global agricultural monitoring in the
framework of Group on Earth Observations (GEO)[R]. Rome:
UN/FAO, 2007: 1–67
[2] 朱杰 , 聂振邦 , 马晓河 . 21 世纪中国粮食问题[M]. 北京:
中国计划出版社, 1999: 3–60
Zhu J, Nie Z B, Ma X H. Chinese Grain Problem in the 21st
Century[M]. Beijing: Chinese Plan Press, 1999: 3–60
[3] Allen R, Hanuschak G, Craig M. History of remote sensing
for crop acreage in USDA’s National Agricultural Statistics
Service[EB/OL]. [2003-07-13]. http://agris.fao.org/aos/records/
US201300083606?output=xml
[4] 陈水森, 柳钦火, 陈良富, 等. 粮食作物播种面积遥感监测
研究进展[J]. 农业工程学报, 2005, 21(6): 166–171
Chen S S, Liu Q H, Chen L F, et al. Review of research ad-
vances in remote sensing monitoring of grain crop area[J].
Transactions of the Chinese Society of Agricultural Engi-
neering, 2005, 21(6): 166–171
[5] 张健康, 程彦培, 张发旺, 等. 基于多时相遥感影像的作物
种植信息提取[J]. 农业工程学报, 2012, 28(2): 134–141
Zhang J K, Cheng Y P, Zhang F W, et al. Crops planting in-
formation extraction based on multi-temporal remote sensing
images[J]. Transactions of the Chinese Society of Agricultural
Engineering, 2012, 28(2): 134–141
[6] Stehman S V, Milliken J A. Estimating the effect of crop clas-
sification error on evapotranspiration derived from remote
sensing in the lower Colorado River basin, USA[J]. Remote
Sensing of Environment, 2007, 106(2): 217–227
[7] 吴喜芳, 沈彦俊, 张丛, 等. 基于植被遥感信息的作物蒸散
量估算模型——以华北平原冬小麦为例[J]. 中国生态农业
学报, 2014, 22(8): 920–927
Wu X F, Shen Y J, Zhang C, et al. Modeling crop evapotran-
spiration using remotely sensed vegetation data: A case study
of winter wheat in the North China Plain[J]. Chinese Journal
of Eco-Agriculture, 2014, 22(8): 920–927
[8] Frank C. Evaluating the uncertainty of area estimates derived
from fuzzy land-cover classification[J]. Photogrammetric En-
gineering & Remote Sensing, 1997, 63(4): 403–414
[9] Doraiswamy P C, Hatfield J L, Jackson T J, et al. Crop condi-
tion and yield simulations using Landsat and MODIS[J]. Re-
mote Sensing of Environment, 2004, 92(4): 548–559
[10] 吴炳方 , 李强子 . 基于两个独立抽样框架的农作物种植面
积遥感估算方法[J]. 遥感学报, 2004, 8(6): 551–569
Wu B F, Li Q Z. Crop acreage estimation using two individual
sampling frameworks with stratification[J]. Journal of Remote
Sensing, 2004, 8(6): 551–569
[11] Wardlow B D, Egbert S L, Kastens J H. Analysis of
time-series MODIS 250 m vegetation index data for crop
classification in the U. S. Central Great Plains[J]. Remote
Sensing of Environment, 2007, 108(3): 290–310
[12] Wardlow B D, Egbert S L. Large-area crop mapping using
time-series MODIS 250 m NDVI data: An assessment for the
U. S. Central Great Plains[J]. Remote Sensing of Environment,
2008, 112(3): 1096–1116
[13] 范锦龙 , 吴炳方 . 复种指数遥感监测方法 [J]. 遥感学报 ,
2004, 8(6): 628–636
Fan J L, Wu B F. A methodology for retrieving cropping index
from NDVI profile[J]. Journal of Remote Sensing, 2004, 8(6):
628–636
[14] 邹金秋, 陈佑启, Uchida S, 等. 利用 Terra/MODIS 数据提
取冬小麦面积及精度分析[J]. 农业工程学报, 2007, 23(11):
195–200
Zou J Q, Chen Y Q, Uchida S, et al. Method for extracting
winter wheat area using Terra/MODIS data and its accuracy
analysis[J]. Transactions of the Chinese Society of Agricul-
第 4期 潘学鹏等: 华北平原冬小麦面积遥感提取及时空变化研究 505


http://www.ecoagri.ac.cn
tural Engineering, 2007, 23(11): 195–200
[15] 陈健, 刘云慧, 宇振荣. 基于时序 MODIS-EVI 数据的冬小
麦种植信息提取[J]. 中国农学通报, 2011, 27(1): 446–450
Chen J, Liu Y H, Yu Z R. Planting information extraction of
winter wheat based on the time-series MODIS-EVI[J]. Chi-
nese Agricultural Science Bulletin, 2011, 27(1): 446–450
[16] 李正国, 杨鹏, 周清波, 等. 基于时序植被指数的华北地区
作物物候期/种植制度的时空格局特征[J]. 生态学报, 2009,
29(11): 6216–6226
Li Z G, Yang P, Zhou Q B, et al. Research on spatiotemporal
pattern of crop phenological characteristics and cropping
system in North China based on NDVI time series data[J].
Acta Ecologica Sinica, 2009, 29(11): 6216–6226
[17] 张霞, 帅通, 杨杭, 等. 基于 MODIS EVI 图像时间序列的
冬小麦面积提取[J]. 农业工程学报, 2010, 26(S1): 220–224
Zhang X, Shuai T, Yang H, et al. Winter wheat planting area
extraction based on MODIS EVI image time series[J]. Trans-
actions of the Chinese Society of Agricultural Engineering,
2010, 26(S1): 220–224
[18] 郝虑远, 孙睿, 谢东辉, 等. 基于改进 N-FINDR 算法的华
北平原冬小麦面积提取[J]. 农业工程学报 , 2013, 29(15):
153–161
Hao L Y, Sun R, Xie D H, et al. Planting area extraction of
winter wheat in North China Plain based on optimized
N-FINDR algorithm[J]. Transactions of the Chinese Society
of Agricultural Engineering, 2013, 29(15): 153–161
[19] 于信芳, 庄大方. 基于 MODIS NDVI数据的东北森林物候
期监测[J]. 资源科学, 2006, 28(4): 111–117
Yu X F, Zhuang D F. Monitoring forest phenophases of
Northeast China based on MODIS NDVI data[J]. Resources
Science, 2006, 28(4): 111–117
[20] 左丽君, 董婷婷, 汪潇, 等. 基于 MODIS/EVI 的中国北方
耕地复种指数提取[J]. 农业工程学报, 2009, 25(8): 141–146
Zuo L J, Dong T T, Wang X, et al. Multiple cropping index of
Northern China based on MODIS/EVI[J]. Transactions of the
Chinese Society of Agricultural Engineering, 2009, 25(8):
141–146
[21] 范锦龙. 复种指数遥感监测方法研究[D]. 北京: 中国科学
院遥感应用研究所, 2003: 32–36
Fan J L. Study on remote sensing methods for monitoring
multiple cropping index[D]. Beijing: Institute of Remote
Sensing Applications, Chinese Academy of Sciences, 2003:
32–36
[22] Breiman L, FriedamJ H, Olshen R A, et al. Classification and
Regression Trees[M]. Belmont: Wadsworth International
Group, 1984: 1–358
[23] Yohannes Y, Hoddinott J. Classification and Regression Trees:
An Introduction[M]. Washington: International Food Policy
Research Institute, 1999: 1–29
[24] Zhang M W, Zhou Q B, Chen Z X, et al. Crop discrimination
in Northern China with double cropping systems using Fou-
rier analysis of time-series MODIS data[J]. International
Journal of Applied Earth Observation and Geoinformation,
2008, 10(4): 476–485