基于Quickbird遥感影像的农田管理分区划分研究

1、9期 宋晓宇等：基于Quickbird遥感影像的农田管理分区划分研究2005基于Quickbird遥感影像的农田管理分区划分研究宋晓宇1，2，王纪华1，刘良云1，黄文江1，沈 涛2，喻铮铮3（1国家农业信息化工程技术研究中心，北京 100089；2北京师范大学地理学院/北京师范大学遥感与GIS研究中心，北京 100875； 3河南理工大学，焦作 454003）摘要：【目的】以高空间分辨率Quickbird遥感影像作为管理分区划分的数据源，结合地面土壤养分采样数据进行管理分区划分研究。【方法】在对数据进行空间变异分析的基础上，采用3种不同的分区方式对研究区进行田块尺度内管理分区的划分：1）利用土

2、壤养分数据划分管理分区；2）利用冬小麦遥感长势信息划分管理分区；3）利用土壤养分信息结合冬小麦长势信息划分管理分区。【结果】与划分前的地块变异情况相比，利用土壤养分数据进行管理分区划分的方法，在很大程度上提高了不同分区内土壤的均一度，而光谱指数和产量的变异系数也有所降低；利用光谱数据进行管理分区划分，土壤养分的变异系数总体上有所减低，但降低的幅度小于利用土壤养分数据划分的管理分区，光谱指数和产量的变异系数都有大幅度降低；利用土壤数据结合光谱数据进行管理分区划分，土壤养分和光谱指数以及产量的变异系数普遍降低。【结论】在划分管理分区时，综合考虑土壤养分和光谱数据的空间变异情况是最佳选择，但当缺乏土

3、壤养分数据时，利用遥感影像进行管理分区的划分也是可行的。关键词：Quickbird遥感影像；管理分区；土壤养分；空间变异分析Research of Management Zones Generating Based on Quickbird Imagery SONG Xiao-yu1,2, WANG Ji-hua1, LIU Liang-yun1, HUANG Wen-jiang1, SHEN Tao2, YU Zheng-zheng3(1 National Engineering Research Center for Information Technology in Agricultur

4、e, Beijing 100097; 2 College of Geography/Research Center for Remote Sensing and GIS, Beijing Normal University, Beijing 100875; 3Henan University of Science and Technology, Jiaozuo 454003)Abstract: 【Objective】This study tries use high-resolution multi-spectral remote sensing data-Quickbird imagery

5、to generate within-field management zone.【Method】After spatial analysis of soil nutrient sampling data, three methods of management zone generating were evaluated in this study：1) using soil nutrient sampling data to generate management zone map; 2) using crop remote sensing information to generate

6、management zone map; 3) using soil nutrient data and crop remote sensing information to generate management zone map.【Result】Results indicate that using remotely sensed data and soil property data reduced the variance of soil property and spectral parameters within management zone compared with fiel

7、d scale soil property variability. 【Conclusion】Results show that there is a feasibility to use remotely sensed data to generate management zone.Key words: Quickbird imagery; Management zone; Soil nutrient; Spatial variance analysis0 引言基金项目：国家自然基金项目40471093；北京市科技新星计划2005A023；作者简介：宋晓宇（1973-），女，湖北人，助研，

8、研究生，博士，研究方向为农业遥感应用。电话传真Email：Songxy. 通讯作者，王纪华（1958 -），男，吉林人，研究员，博士生导师，研究方向为农业信息技术。Tel.: E-mail： Wangjh【研究意义】精准农业经过多年的发展，许多技术已趋于成熟，然而其在改善环境和提高经济效益上的效果一直未得到充分证实，管理分区技术（management zone）为研究这一问题提供了经济有效的手段1,2。精准农业管理分区技术是根据各种产量限制因素的相似性组合将一个地块划分成子区域3。将土壤养分测定与遥感数据结合起

9、来进行管理分区的划分，可以较少的土壤基础养分数据，配以“面状”遥感数据，不仅确保数据的实时性和代表性，而且可以保证较高精度和较低的成本，本文正是针对这一问题进行的研究。【前人研究进展】目前常用的管理分区方法有两种方式4，一是基于土壤养分测定及产量数据进行管理分区的划分；二是利用遥感数据进行作物长势监测和营养诊断，并以此进行管理分区的划分。在基于土壤养分管理和施肥技术方面，国内外有比较多的研究。Fleming等5的研究表明，基于管理分区技术生成精准农业变量施肥处方图是一个经济有效的途径。国内薛绪掌等6基于土壤肥力和目标产量进行了冬小麦变量施氮研究，采用的变量作业单元大小为18 m×18

10、 m。李翔等利用多年的产量数据进行精准农业管理分区的提取于尺度效应的评价研究3和基于空间连续性聚类算法的精准农业管理分区研究7。高翔照等8进行了基于土壤养分与作物产量的空间变异特征与精确施肥研究，结果表明，利用该方法进行精确管理要比常规管理节约肥料48.7%。胡克林等9利用地统计学对农田土壤养分进行了空间变异性特征的研究，研究发现土壤表层的硝态氮的独立间距（变程）小于10 m，而氨态氮、有机质、速效磷、全氮等土壤养分的独立间距的变化范围在22.458.5 m之间。白由路等10进行了基于GIS的土壤养分分区管理模型研究。张书慧等11研究玉米变量施氮研究时采用的变量施肥作业单元大小为20 m

11、15;40 m。从理论上来讲，处方作业单元越小，对田块内生产空间差异的调节就越精确，然而，过小的管理单元在具体实施变量管理时，不仅会增大数据处理与存储容量，而且不便作业实施。Solie等12研究发现，冬小麦作物种植地块田间氮素的空间变异有一个基础的尺度范围，即为0.861.5 m，他们还指出即使临近的尺度像元，也不能用来互相预测。由于这个原因，冬小麦变量施肥需要在大约1 m范围内进行应用，才能获得最大的经济效益。由于采样和测试的人力、物力耗费很大，信息采集量与采样成本是一对主要矛盾。【本研究切入点】由于遥感影像能够实时反映作物的长势情况，而作物的光谱反射率能够反映作物的长势情况，而作物的长势情

12、况与土壤质地、土壤养分等有着密不可分的关系，同时作物的长势与其最终产量也有着直接的关系。因此，利用遥感数据进行作物长势监测和营养诊断，并进行管理分区的划分是现代精准农业变量施肥技术的重要组成部分。美国犹他州立大学的Dennis L Wright13博士提出利用遥感技术来管理小麦籽粒蛋白质，得到了美国NASA（national aeronautics and space administration，美国国家航空和宇宙航行局）和爱达荷州小麦协会的支持，他们在20012003年连续3年进行了试验研究，结果表明航空和卫星遥感技术不仅能够诊断小麦氮素营养状况，而且遥感数据支持下的作物变量施肥管理能够提

13、高小麦产量、改善籽粒蛋白质品质。此外，Wright博士提出利用遥感影像提高灌溉小麦产量和品质的重点是利用地面冠层光谱、航空、卫星遥感数据，发展变量施肥模型，提高氮素利用效率和小麦产量和品质，2003年得到了美国农业部的支持。目前，国内的精准农业主要以规则网格为作业单元施肥变量施肥管理，利用遥感影像进行精准农业管理分区的划分问题研究，很少见到报道。【拟解决的关键问题】基于土壤养分测定来划分管理分区的优点是数据精度高，缺点是成本高、代表性和实时性差；基于产量数据进行管理分区的划分，优点是代表性好，缺点是实时性差，并且需要带产量生成装置的特殊作业农机具，数据不易获取；利用遥感影像获取的作物长势数据进

14、行管理分区划分，其优点是代表性、实时性好，缺点是精度不高，需要地面观测数据校正以提高精度。本研究将土壤养分测定与遥感数据结合起来进行管理分区的划分研究，探讨利用遥感数据、土壤采样数据进行管理分区划分的可能及其精度。1 材料与方法1.1 试验区概括本研究在国家精准农业示范基地（以下简称为基地）进行，该基地位于北京市昌平区小汤山镇东北部，占地167 ha，地处北纬40°103140°1118，东经116°2610116°2705 14。试验区面积90 m×90 m，具体位置如图1所示。试验区地势平坦，地块土壤理化性状存在明显的空间差异，是研究变量施

15、肥的理想场地。本研究选择冬小麦供试，整个试验区在冬小麦生长季节内采用一致的施肥及灌溉管理，此外，2006年试验区没有受到病害及虫害的影响，因此作物的长势差异可以认为是基础地力不同所引起的。1.2 土壤养分数据获取与样品分析2006年4月4日，在试验区内分别以10 m×10 m间隔划分小区取土样，共计10 m×10 m小区81个，小区中心为采样点，分布如图2所示。每一小区围绕采样点，在3 m半径的圆内，取3个土样，混合后代表该区采样点土壤养分数据，取样深度分别为030 cm和3060 cm；2006年6月14日小麦收获期又对试验区所在位置Location of study s

16、ite图1 试验区位置示意图Fig. 1 Sketch map of study area 图2 采样点空间分布图Fig. 2 The distribution of soil sampling points81个采样点取030 cm土样。所有采样点都采用差分全球定位系统（DGPS）测量取样位置，测量精度在1 cm以内。获取的土壤样品自然风干、过筛后进行实验室养分的测定，测定项目包括全氮、硝态氮、有效磷、速效钾、有机质，测定方法按照农业化学常规分析方法15。1.3 冬小麦产量数据的获取2006年6月15日，冬小麦成熟期，在大田进行机械收割前，对81个小区进行人工测产取样。10 m×1

17、0 m的小区，在土壤采样点附近2 m范围内，选取长势均匀的区域，取8行，沿行向1 m宽度，计每个小区取样面积1.2 m2左右，收割完毕后所有样品晒干，收取籽粒并称重，获取准确的小麦产量数据。1.4 QuickBird多光谱遥感影像由于2006年4月份天气多有阴云，故获取影像时期较预定偏晚，于5月2日获取试验区QuickBird遥感影像一景，如图1所示。另外，由于2006年试验区冬小麦生育期较常年偏晚78 d，追肥日期也较常年略晚，于4月22日追肥，故影像获取时肥效尚未发挥，小麦长势基本上反映了正常追肥前的情况，符合变量施肥研究的条件。1.4.1 影像预处理 QuickBird是一颗太阳同步卫星

18、16，2001年10月由美国DigitalGlobe公司发射，轨道高度450 km，倾角98°，重访周期16 d；有全色和多光谱两个传感器，全色波段传感器星下分辨率0.61 m，多光谱波段传感器星下分辨率2.4 m；辐照宽度以星上点轨迹为中心，左右各272 km；成像模式单景16.5 km×16.5 km；成像方式推扫式成像，可立体成像。影像的大气矫正是采用经验线性法进行的17,18（ENVI 4.1，2004）。其中典型地物分别选取基地晒谷场作为亮目标，基地附近水域为暗目标，在卫星过境准同步测定地块中心的光谱反射率，并记录相应的GPS位置。图像的几何纠正利用地面高精度的D

19、GPS控制点进行，纠正后，对研究区部分影像进行裁剪，并根据基地标志点对裁剪后的影像进行二次纠正，以确保几何纠正的精度在1个像元内。辐射纠正及几何纠正完成后，利用0.6 m分辨率全色波段队多光谱波段融合处理，融合后影像空间分辨率为0.6 m，波段数为4。1.4.2 光谱指数计算 作物的光谱指数（如NDVI、OSAVI等）和它们的生物量以及产量等是相关的，可定量地表示植被活力，越来越多的研究者利用光谱指数来监测植物生长状态、植被营养状况以及植被空间分布密度等作物生长因子，如NDVI与植被分布密度呈线性相关。但NDVI对于土壤背景的变化较为敏感19，容易受土壤背景的影响，一些研究者已经指出NDVI来

20、描述之别氮素营养状况或作物长势变异存在缺陷，优化土壤调节植被指数（OSAVI）等改进的植被指数正在被广泛地应用20,21，优化土壤调节植被指数是在土壤调节植被指数的基础上提出来的，可以很好地消除土壤背景对植被指数的干扰；其光谱指数的定义如表1所示。1.5 统计分析方法统计分析主要针对田块尺度内土壤变异程度与冬小麦长势变异情况进行。在进行统计分析前，对所有表1 植被指数定义Table 1 Definition of vegetation index植被指数Vegetation index波段Band use定义Definition 作者及提出年代Presenter and timeNDVIBan

21、d3，Band4NDVI=(R4-R3)/(R4+R3)Rouse et al.1973OSAVIBand3，Band4OSAVI=(1+0.16)(R4-R3)/(R4+R3+0.16) Rondeaux et al.1996土壤采样点提取了对应的光谱信息，每一个采样点先生成3 m半径的圆形缓冲区，利用该缓冲区来提取该范围内所有光谱点信息，平均后作为该点的光谱信息。与产量具有较高相关性的光谱波段以及土壤养分信息被选择作为重要数据进行后来的克里金插值分析以及管理分区划分。其中，土壤变异情况分析分别针对土壤采样点以及利用土壤采样点进行插值后的面状试验区；冬小麦的变异情况分析分别针对所有采样点作物

22、光谱数据和整个试验区进行。统计分析方法主要采用了克里金插值法2224和K均值聚类算法（K-means）管理区划分的方法25。2 结果与分析2.1 土壤养分及产量数据基本统计特征分析在进行克里金插值分析之前，对4月4日（生长旺盛期）和6月14日（收获期）两次取样的所有土壤数据以及81个产量采样点数据进行基本统计特征分析，分析结果如表2所示。根据全国第二次土壤普查的分级标准26，速效钾为较高水平（150200 mg·kg-1）；有机质为较缺水平（1%2%），全氮为中等水平（0.10%0.15%），有效磷为较缺水平（510 mg·kg-1）；硝态氮为较缺水平。从变异系数来看，所有

23、土壤养分均属于中等强度的变异，其中秋季硝态氮的变异系数最高，达到57.70%，秋季速效钾的变异程度最低，为9.00%，这说明试验区各土壤养分在空间上存在较大的变异，满足精准农业管理分区划分和实施变量施肥管理的前提条件。2.2 土壤及光谱数据与产量数据相关性分析对产量数据与土壤养分、产量数据与光谱数据进行了相关性分析。分析结果如表3所示。表2 土壤养分基本统计分析结果Table 2 Statistic analysis results of soil properties土壤养分Soil nutrient最小值Min最大值Max均值Mean标准差Std. 变异系数Variation coeffi

24、cient(%)4月有效磷 Apr-Avairable P(mg·kg-1) (030 cm)2.7815.828.133.1238.434月硝态氮 Apr-Nitrate-N (mg·kg-1) (030 cm)10.0344.4620.797.3035.094月全氮Apr-Total N (%)K(mg·kg-1) (030 cm)0.090.130.110.019.694月速效钾 Apr-Avairable (030 cm)102.80237.20148.0223.0615.584月有效磷 Apr-Avairable P(mg·kg-1) (306

25、0 cm)1.3810.434.631.8740.424月硝态氮 Apr-Nitrate-N (mg·kg-1) (3060 cm)4.5734.9313.405.2539.174月全氮Apr-Total N (%) (3060 cm)0.070.120.090.0110.234月速效钾 Apr-Avairable K(mg·kg-1) (3060 cm)110.00198.30144.0318.9013.126月有效磷June-Avairable P (mg·kg-1) (030 cm）3.2116.518.392.7232.416月硝态氮June-Nitrat

26、e-N (mg·kg-1) (030 cm)0.9615.133.932.2757.706月全氮June-Total N(%) (030 cm)0.090.130.100.019.006月速效钾June-Avairable K (mg·kg-1) (030 cm)86.42157.13112.9512.9711.496月有机质June-Organic matter(%) (030 cm)1.432.271.810.189.97实际产量Yield (kg·ha-1)2937.525986.704591.98722.5415.73表3 土壤养分数据与产量数据及光谱数据

27、相关系数Table 3 Correlation coefficients of soil property data spectral data and yield data土壤养分 Soil nutrient 实际产量Actual yield(kg·ha-1)波段1Band1波段2Band2波段3Band3波段4Band4OSAVI NDVI4月有效磷 Apr-Avairable P(mg·kg-1) (030 cm)0.43*-0.44*-0.45*-0.45*0.56*0.51*0.49*4月硝态氮 Apr-Nitrate-N (mg·kg-1) (030

28、cm)0.040.040.100.08-0.03-0.06-0.064月全氮Apr-Total N (%) （030 cm）0.30*-0.23*-0.22-0.26*0.36*0.31*0.29*4月速效钾 Apr-Avairable K(mg·kg-1) (030 cm)-0.020.31*0.35*0.30*-0.31*-0.31*-0.31*4月有效磷 Apr-Avairable P(mg·kg-1) (3060 cm)0.29*-0.24*-0.28*-0.24*0.31*0.28*0.27*4月硝态氮 Apr-Nitrate-N (mg·kg-1) (

29、3060 cm)0.25*-0.13-0.13-0.140.25*0.190.184月全氮Apr-Total N (%) (3060 cm)0.20-0.03-0.05-0.030.130.090.074月速效钾Apr-Avairable K(mg·kg-1) (3060 cm)-0.190.180.200.17-0.12-0.15-0.166月有效磷June-Avairable P (mg·kg-1) (030 cm)0.24*-0.39*-0.44*-0.41*0.47*0.45*0.44*6月硝态氮June-Nitrate-N (mg·kg-1) (030

30、cm)-0.200.020.020.030.01-0.01-0.016月全氮June-Total N (%) (030 cm)0.37*-0.39*-0.41*-0.41*0.51*0.47*0.45*6月速效钾June-Avairable K (mg·kg-1) (030 cm)-0.080.160.210.17-0.07-0.13-0.156月有机质June-Organic matter (%) (030 cm)0.41*-0.42*-0.44*-0.44*0.54*0.50*0.48*实际产量Actual yield (Kg·ha-1)1-0.55*-0.64*-0.

31、70*0.75*0.76*0.76*：r(0.01，81)=0.283；*：r(0.05，81)=0.217通过分析可以看出，冬小麦的产量变化受到多种土壤养分的影响，产量与4月份（生长旺盛期）、6月份（收获期）的有效磷、全氮、有机质的相关关系都为强相关；同时，从光谱数据与土壤养分的相关分析也可看出，冬小麦的长势也受土壤养分的空间变异的影响，有效磷、全氮、有机质对小麦长势影响较明显；虽然速效钾与产量的相关性不强，但4月份的速效钾与小麦光谱却有着很好的相关性；而4月份、6月份的硝态氮对冬小麦产量和长势的影响都较小，这是由于在冬小麦的生长过程中，氮肥的连续施用使得作物对氮的吸收很充分，故土壤中的硝态

32、氮与产量的相关性不是很强；通过分析还发现，土壤养分中有机质与全氮的相关性很强，其中，6月份有机质与6月份全氮的相关系数达到0.94，与4月份全氮的相关系数也达到0.71，4月份全氮与6月份全氮的相关系数则为0.72，可见，三者是密切相关的；从表3中最后一行产量数据与光谱数据的分析中可以看到，5月初的冬小麦光谱信息与产量信息有很强的相关性，这说明利用小麦长势光谱数据的差异进行分区，及时实施变量施肥管理是可行的。2.3 土壤养分数据的克里金插值通过以上分析，综合考虑土壤养分变异情况以及与产量、冬小麦光谱信息的相关性，选取4月份有效磷（030 cm）、速效钾（030 cm）、六月份有机质作为主要因子

33、进行的地统计学分析和插值。由于土壤理化过程、生物过程在不同方向上的差异性以及多年人为施肥失衡等原因，土壤养分在空间各个方向上的变异往往不同，对所选出的土壤养分数据进行了各向异性分析，分析结果如表4所示。表4 土壤属性数据在各向异性条件下半方差模型参数Table 4 Anisotropy semivariogram parameters for soil property土壤养分Soil nutrient模型Model块金值Nugget(C0)局部基台值Sill(C1)C0/(C0+C1)辅变程(m)Assistant-range主变程(m)Main-range方向(度)Direction均方根

34、误差RSME4月份有效磷Apr-Avairable P(mg·kg-1) (030 cm)指数Exponential0.474.50.09417.1724.6291.50.95664月份速效钾Apr-Avairable P(mg·kg-1) (030 cm)高斯Gauss195.98360.90.3540.4322.4681.0376月份有机质Jun-Organic matter(%) (030 cm)椭球Ellipsoid0.0060.0310.1633.2639.214.71.005在建立了各向异性半方差模型的基础上，利用普通克里金插值法对土壤有效磷、速效钾和有机质的未

35、测数据点进行插值，获取了各养分含量在田间的空间分布图，考虑到与遥感影像匹配的问题，插值图的分辨率设为0.6 m。插值结果如图3-a、图3-b、图3-c所示，整个区域的大小为134×136像元，面积约0.66 ha。abc 1.49%1.61%1.61%1.72%1.72%1.84%1.84%1.96%1.96%2.08%2.08%2.20%a 有机质含量 Organic matter content2.493.91 (mg·kg-1)3.915.33 (mg·kg-1)5.336.75 (mg·kg-1)6.758.18 (mg·kg-1)8.

36、189.60 (mg·kg-1)9.6011.03 (mg·kg-1)b 有效磷含量 Arairable P content114.40128.93 (mg·kg-1)128.93143.47 (mg·kg-1)143.47158.00 (mg·kg-1)158.00172.53 (mg·kg-1)172.53187.07 (mg·kg-1)187.07201.60 (mg·kg-1)c 速效钾含量 Avairable K content图3 土壤养分插值分布图Fig. 3 Kriging interpolatio

37、n map for soil properties2.4 插值后数据变异分析整个区域的大小为134×136像元，参与分析的像元（即样本）为18 224个。对该区域插值后的土壤养分数据、产量数据以及光谱数据进行变异分析，从表5中可以看出，插值后，有效磷的空间变异最大，达到23.46%，光谱数据的变异属于中等变异。对该区域土壤养分插值数据以及光谱数据进行相关性分析发现，光谱数据与土壤养分插值数据具有很好的相关性（表6），其相关系数均为极显著水平。2.5 管理区划分针对获取的土壤养分插值数据，结合Quickbird遥感影像的光谱信息，采用K均值聚类（K-means）算法进行管理分区的划分。

38、主要考虑了以下3种情况，第一，利用土壤养分数据进行管理分区划分，即利用插值后的土壤有机质、土壤有效磷和土壤速效钾作为输入因子，进行聚类分析并划分管理区；第二，利用表5 插值后土壤养分以及光谱指数基本统计分析结果Table 5 Statistic analysis result of interpolation soil property, yield and spectral parameters名称Name最小值Min最大值Max均值Mean标准偏差Std.变异系数Variation coefficient (%)有机质Organic matter1.492.201.810.147.60有效

39、磷Avairable P2.5810.956.341.4923.46速效钾 Avairable K114.40200.87148.5714.079.47NDVI0.380.820.690.0710.48OSAVI0.310.700.560.0711.66表6 插值后土壤养分数据与光谱数据相关系数Table 6 Correlation coefficients of soil property data and spectral data光谱参数Vegetation index有机质Organic matter有效磷Avairable P速效钾Avairable K波段1 Band1-0.35*

40、-0.40*0.37*波段2 Band2-0.41*-0.47*0.45*波段3 Band3-0.43*-0.49*0.45*波段4 Band40.59*0.65*-0.44*NDVI0.49*0.55*-0.47*OSAVI0.52*0.59*-0.47*：r(0.01,1000)=0.062光谱信息进行管理分区划分，即利用优化土壤调节植被指数OSAVI、归一化植被指数NDVI、以及QuickBird可见光、近红外14波段反射率数据进行聚类分析，并划分管理区；第三，土壤养分与光谱信息结合进行管理分区划分，即将土壤有机质、有效磷、速效钾以及光谱信息作为输入因子进行聚类分析划分管理分区。划分结果

41、如图4所示。图4-a为利用土壤养分划分管理分区的结果，其中管理分区1面积为0.21 ha，管理分区2面积为0.31 ha，管理分区3面积为0.15 ha；图4-b为利用光谱信息划分管理分区的结果，其中管理分区1面积为0.12 ha，管理分区2面积为0.27 ha，管理分区3面积为0.26 ha；图4-c为利用土壤养分结合光谱信息划分管理分区的结果，其中管理分区1面积为0.18 ha，管理分区2面积为0.31 ha，管理分区3面积为0.16 ha；管理分区划分好之后，对不同分区的土壤及光谱数据以及所有产量采样点数据进行区内统计分析，以便对比3种划分方法的优劣。2.5.1 土壤养分数据管理分区划分

42、结果评价 对利bac 管理分区1 Management zone 1管理分区2 Management zone 2管理分区3 Management zone 3a：为利用土壤养分划分的管理分区；b：为利用光谱信息划分的管理分区；c：为利用土壤养分及光谱信息划分的管理分区a: Using of soil sampling data to generate management zone map; b: Using of crop remote sensing information to generate management zone map; c: Using of soil propert

43、y data and crop remote sensing information to generate management zone map图4 管理分区图Fig. 4 Map of management zone用土壤养分数据划分的不同管理区内的土壤养分、光谱指数以及产量进行了统计分析，如表7结果所示，与划分前的区域统计值（表6）相比，各管理分区的土壤养分变异系数降低，其中管理分区1中有机质变异系数降低41%、有效磷变异系数降低45%、速效钾变异系数降低28%；管理分区2中有机质变异系数降低47%、有效磷变异系数降低62%、速效钾变异系数降低9%；管理分区3中有机质变异系数降低14%

44、、有效磷变异系数降低64%、速效钾变异系数降低43%；光谱指数OSAVI在管理分区1中的变异系数高于划分前水平，但在其余两个管理分区中变异系数小于划分前水平，分别降低了35%和33%；产量的变异在管理分区1中高于分区前水平，在管理分区2、3中低于分区前水平，分别降低了13%和35%。表7 土壤养分数据管理分区划分结果评价Table 7 Variance analysis for management zone map generated by soil property data 管理分区1 Management zone 1管理分区2 Management zone 2管理分区3 Manag

45、ement zone 3最小值 Min.最大值Max.变异系数 (%)Variation coefficient 最小值 Min.最大值Max.变异系数 (%)Variation coefficient 最小值Min. 最大值Max.变异系数 (%)Variation coefficient 有机质Organic matter 1.491.864.471.592.154.041.742.206.53有效磷Avairable P2.586.1812.944.477.728.836.8310.958.48速效钾Avairable K118.52200.876.84114.40175.288.581

46、26.40166.885.36OSAVI0.310.6311.680.360.687.580.420.707.82实际产量Actual yield391.67731.6717.76455.67798.2313.66531.78791.2310.262.5.2 光谱数据管理分区划分结果评价 对利用光谱数据划分的不同管理区内的土壤养分、光谱指数以及产量进行了统计分析，如表8结果所示，与划分前的区域统计值相比，管理分区1中有机质变异系数降低8%、有效磷变异系数增加15%、速效钾变异系数降低20%；管理分区2中有机质变异系数降低17%、有效磷变异系数降低17%、速效钾变异系数增加5%；管理分区3中有机

47、质变异系数降低11%、有效磷变异系数降低34%、速效钾变异系数降低30%；光谱指数OSAVI在管理分区1中的变异系数降低了15%，但在其余两个管理分区中变异系数分别降低67%和71%；产量的变异在管理分区1中增加9%，在管理分区2、3中降低22%和41%。2.5.3 土壤养分结合光谱数据管理分区划分结果评价 对利用光谱数据划分的不同管理区内的土壤养分、光谱指数以及产量进行了统计分析，如表9结果所示，与划分前的区域统计值相比，管理分区1中有机质变异系数降低36%、有效磷变异系数减低29%、速效钾变异系数降低29%；管理分区2中有机质变异系数降低49%、有效磷变异系数降低58%、速效钾变异系数降低

48、9%；管理分区3中有机质变异系数降低14%、有效磷变异系数降低61%、速效钾变异系数降低40%；光谱指数OSAVI在管理分区1中的变异系数降低了6%，但在其余两个管理分区中变异系数分别降低48%和39%；产量的变异在管理分区1中增加19%，在管理分区2、3中降低17%和43%。表8 光谱数据管理分区划分结果评价Table 8 Variance analysis for management zone map generated by crop spectral information管理分区1 Management zone 1管理分区2 Management zone 2管理分区3 Mana

49、gement zone 3最小值 Min.最大值Max.变异系数 (%)Variation coefficient最小值 Min.最大值Max.变异系数 (%)Variation coefficient最小值Min. 最大值Max.变异系数 (%)Variation coefficient有机质Organic matter1.492.207.001.532.196.291.652.186.79有效磷Avairable P2.5810.9527.013.1310.6719.554.2210.4215.47速效钾Avairable K122.89196.987.61115.48200.879.92

50、114.40167.606.64OSAVI0.310.529.900.520.603.860.580.703.33实际产量Actual yield391.67739.7816.70418.45731.6712.27530.56798.239.25表9 土壤养分数据与光谱数据结合划分管理分区结果评价Table 9 Variance analysis for management zone map generated by soil property data and crop spectral information管理分区1 Management zone 1管理分区2 Management

51、zone 2管理分区3 Management zone 3最小值 Min.最大值Max.变异系数Variation coefficient (%)最小值 Min.最大值Max.变异系数Variationcoefficient (%)最小值Min. 最大值Max.变异系数Variation coefficient (%)有机质Organic matter (%)1.491.984.801.562.144.101.742.206.49有效磷Avairable P2.588.3816.613.938.219.676.5210.959.09速效钾Avairable K123.44200.876.661

52、14.40179.428.55125.66167.255.68OSAVI0.310.5910.950.440.686.010.420.707.00实际产量Actual yield391.67731.6718.77455.67798.2313.01541.89797.128.943 讨论3.1 对与前人研究相同或相似的结果予以证实的阐释土壤养分数据获取的密度无疑是影响管理分区的划分和控制成本的重要因素。在单独依靠土壤养分数据进行管理分区划分时，其采样间隔一般不能太大，否则就无法反映土壤养分的真实变异情况。本文研究发现，有效磷、速效钾、有机质的变程分别为24.62、22.46、39.21 m。根据

53、吴才聪等27的研究，碱解氮、速效磷和速效钾的合理采样间距分别为64 m×51m、32 m×76 m和32 m×25 m；胡克林等9的研究发现土壤表层的硝态氮的独立间距（变程）小于10 m，而氨态氮、有机质、速效磷、全氮等土壤养分的独立间距的变化范围在22.458.5 m之间。Solie等12研究发现，冬小麦作物种植地块田间氮素的空间变异有一个基础的尺度范围，即为0.861.5 m；当采用土壤养分结合遥感数据时，土壤养分数据的密度可以适当降低，但其具体降低的数量，还需进一步深入研究。3.2 本研究需要说明的问题本研究获取遥感影像数据时期偏晚，但不影响数据分析和研究结

54、论。在实际应用时需要适当提前，考虑到影像数据分析处理所需时间，一般以追肥前57 d获取为宜。以北京地区冬小麦栽培为例，目前生产上最为普遍的追施拔节肥的时期，通常在4月15日前后，因此，为拔节肥决策所需的数据获取时间适宜安排在4月10日前进行。4 结论通过本研究分析对比不同管理区变异情况，可以看出，利用土壤养分数据进行管理分区划分的方法，在很大程度上提高了不同分区内土壤的均一度，而光谱指数和产量的变异系数也有所降低；利用光谱数据进行管理分区划分，土壤养分的变异系数总体来说有所减低，但降低的幅度小于利用土壤养分数据划分的管理分区，光谱指数和产量的变异系数都有大幅度降低；利用土壤数据和光谱数据进行管理分区划分，土壤养分和光谱以及产量的变异系数普遍降低。由此可见，在划分管理分区时，如能综合考虑土壤养分和光谱数据的空间变异情况，是最佳选择。但当缺乏土壤养分数据时，利用遥感影像也可进行管理分区的划分。References1Khosla R, Fleming K, Delgado J A, Shaver T M, Westfall D G. Use of Site-specific management zones to improve nitrogen management for precision agriculture. Journa