EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 4: 658 - 669

DOI: https://doi.org/10.12082/dqxxkx.2021.200182

Spatiotemporal Dynamic Analysis of MODIS LAI Reconstructed in Different Cultivation Areas in China from 2001 to 2017

  • WANG Yuqi ,
  • SHEN Runping , * ,
  • HUANG Anqi ,
  • ZHOU Minyue
Expand
  • Nanjing University of Information Science & Technology, Nanjing 210044, China
*SHEN Runping, E-mail:

Received date: 2020-04-15

  Request revised date: 2020-06-09

  Online published: 2021-06-25

Supported by

National Key Research and Development Plan of China(2018YFC1506602)

Key Program of National Natural Science Foundation of China(91437220)

Copyright

Copyright reserved © 2021
Fold

Abstract

Leaf Area Index (LAI), one of the vegetation biomass indicators, not only change with growth of crops, but also closely related to agroecology and crop yield in cultivation areas. In this study, the long time series of MODIS-LAI data were reconstructed in China's cultivation areas from 2001 to 2017. The spatial and temporal changes of LAI were further analyzed by Mann-Kendall test, coefficient of variation, and gravity center migration model. The results show that LAI significantly increased wavelike from 2001 to 2017 in cultivation areas of China. The correlation coefficient between LAI and crop yield was as high as 0.91. There were significant differences in mean LAI between different seasons, with summer (1.54) > autumn (0.78)> spring (0.63) > winter (0.31) and an average of 1.13 for the growing season. LAI changed little from 2001 to 2012 in the double and triple cropping regions but showed an increase trend after 2012. It was very different that LAI in the single cropping region showed a steady increase before 2006 and an abrupt increase after 2006. The coefficient of variation of LAI was large in cultivation areas in the north of the Yangtze River in China with a maximum of 4.12. Moreover, the gravity center of cultivation areas first migrated forward southwest and then forward northwest. The migration range of LAI gravity center during farmland growth season was larger than that of cultivation area. It migrated to the west after the north-south transfer, with a migration distance of 82.78 km and 90.53 km, respectively.

Key words： Leaf Area Index (LAI); data reconstruction; long time sequence; cultivation areas; M-K test; coefficient of variation; center of gravity transfer; spatiotemporal analysis

Cite this article

WANG Yuqi , SHEN Runping , HUANG Anqi , ZHOU Minyue . Spatiotemporal Dynamic Analysis of MODIS LAI Reconstructed in Different Cultivation Areas in China from 2001 to 2017[J]. Journal of Geo-information Science, 2021 , 23(4) : 658 -669 . DOI: 10.12082/dqxxkx.2021.200182

1 引言

叶面积指数（Leaf Area Index,LAI）作为植被生长状态分析的重要参数,在林业、生态学、生物学及果树业研究和管理中已得到广泛应用,尤其在农业领域[1],它是在作物产量动态发展的理论研究中由Balls[2]首次提出。叶面积指数是指单位地表面积上植被叶片总面积,是表征植被结构、信息定量化方面不可或缺的指标[3],在农田监测、作物长势等研究上,LAI反映了植被生长过程中的动态变化,常常用于作物生长模型、长势监测和产量估算[4]。
国内外学者已对LAI及其应用进行了大量研究。近年来,针对大尺度区域LAI时空变化规律的研究,一般利用分区[5]、比较多种LAI产品[6]的变化趋势和空间特征进行讨论;中小尺度区域则大多采用趋势分析、斜率分析[7]、变异系数等指标,对不同植被类型LAI的时空变异展开分析。目前有关LAI时空分布特征的研究,大多集中于森林[8]、草地[9]以及某类作物[10],全国不同区域农田整体LAI时空变化的相对研究缺乏,研究方法也需要进一步拓展。
LAI遥感产品在农业中应用广泛[11,12],通过LAI构建综合特征参数估产模型能够提高作物单产估测精度[13],结合LAI优化作物水分预测模型[14]等。MODIS-LAI产品在农作物方面存在低估现象[15],需要有更高质量的LAI数据进行农业决策[12]。针对LAI时序数据集中噪声干扰、数据缺失、数值整体质量低等问题,肖志强[16]、周旻悦[17]等进行了数据重建,有效提高了MODIS-LAI时序数据的质量和精度,使其更具保真性。高质量时空连续的LAI数据集能够更好地描述农作物长势变化[18],并用于农田干旱监测[19]及估产。
因此,本文在重建长时序MODIS-LAI数据基础上,对我国不同耕作区LAI时空格局动态进行了研究,并引入Mann-Kendall突变检验和重心迁移模型,以揭示LAI时序变化特征,以及耕地面积及生长季LAI变化迁移路径,为土地规划利用、农作物布局与管理、国家粮食安全提供依据[10]。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

本文以我国12个不同耕作区为研究对象（图1）,对不同耕作区LAI的时空变化进行深入研究。一熟区,位于东北地区的部分属于温带季风气候,夏季高温多雨,冬季寒冷干燥,雨热同期,土壤类型为黑土,有机质丰富,适宜种植春小麦、大豆等作物;西北地区以温带大陆性气候为主,冬寒夏热,干旱少雨;青藏地区以高山高原气候为主海拔高、昼夜温差大,多种植青稞等作物,一熟区耕作熟制制度为单峰形式,其峰值主要出现在6—7月。二熟区以温带季风气候和亚热带季风气候为主,主要种植小麦、水稻、玉米等,熟制呈双峰,分别位于3—4月、6—7月末。三熟区属于亚热带季风气候区,全年湿润,以种植水稻、热带果蔬为主,熟制呈三峰,其峰值分别位于4月中旬、6月中旬、在8月中下旬（图2）。
图1 中国耕作制度分区图[20]

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4619号的标准地图制作,底图无修改。此分区不包括香港、台湾和澳门。

Fig. 1 Map of cultivation areas in China

图2 不同耕作区日均LAI年内变化

Fig. 2 Daily average LAI changes within the year of different cultivation areas

2.2 数据来源

（1）遥感数据：研究采用2001—2017年8 d合成、分辨率为500 m的MODIS叶面积指数（LAI）产品（MOD15A2H）以及1 a合成、分辨率同为500 m的MODIS土地覆盖数据（MCD12Q1）,产品来自于https://ladsweb.modaps.eosdis.nasa.gov/search/,同时选择产品中的LAI数据集、质量控制数据集（Quality Control,QC）和基于MODIS叶面积指数/光合有效辐射土地分类方案中的国际地圈生物圈计划（IGBP）分类数据。
（2）耕作制度分区数据：采用中国科学院环境科学数据中心提供的中国农作制度分区数据为原始数据,按照中国耕作制度分区[20]方案绘制出12个耕作制度分区图。作物产量数据和耕地面积数据分别来源于国家统计局的统计年鉴普查公告（http://www.stats.gov.cn/）、中国国土资源公报（http://www.mnr.gov.cn/）和中国气候公报（http://www.cma.gov.cn/）。

2.3 研究方法

2.3.1 MODIS数据预处理及LAI重建方法
研究利用投影转换工具MODIS Reprojection Tool（MRT）对MOD15A2H和MCD12Q1数据重投影为WGS1984经纬度投影,并设置分辨率为0.05°,进行批量拼接,并裁切出中国区域,LAI数据裁切后乘以比例因子0.1,以TIFF格式输出。本文采用周旻悦和沈润平等提出的,以获得高质量LAI重建时序数据[17],利用遥感图像处理平台ENVI 5.1以及数据可视化平台IDL,对同种土地覆盖类型的数据,以滑动窗口的形式将噪声影响下低质量的像元利用高质量像元均值替换,继而采用S-G滤波,结合年序列异常值监测滤波的综合滤波方式对2001—2017年MODIS LAI数据集进行重建。本文分析时,选取MCD12Q1土地覆盖数据中的农田类型相对应的LAI进行计算。
2.3.2 Mann-Kendall检验法
本文利用Mann-Kendall突变检验法[21,22]判断耕作区LAI是否存在突变以及突变的时间,M-K突变检验采用时间序列的n个样本（x1, x2, x3, …, xn）构建：
S k = ∑ i = 1 k r i k = 2,3 , … , n
其定义的UFk统计量为：
U F k = Sk - E S k Var S k k = 1,2 , … , n
时间序列相互独立且连续分布时：
E ( S k ) = n n + 4 4
Var ( S k ) = n n - 1 2 n + 5 72 2 ≤ k ≤ n
UFk为标准的正态分布,按照时间顺序来计算统计量序列;在给定α显著性水平上,查找正态分布表;若UFk >Uα,则表明序列趋势变化明显。使UBk=UFk（k =n, n-1, … ,1）,UB1=0,并绘制出UF、UB两条曲线,当UF、UB其一大于0时,则表示趋势为上升,小于0则表示趋势为下降,超过置信区间则表示上升、下降趋势明显。若在临界线内UF与UB的交点所对应的值就是开始突变的时间。
2.3.3 变异系数
变异系数从一方面不仅仅展示了生态系统的脆弱程度,还宏观的展现了地理数据的波动状况[10],本文利用变异系数反映耕作区LAI空间变异的差异性。其计算方式为：
CV = 1 x 1 n ∑ i = 1 n ( x i - x ¯ ) 2
式中：CV为生长季（4—10月）耕作区LAI的变异系数;i表示时间序列;xi为第i年的LAI; x ¯ 为2001—2017年生长季LAI均值。CV值越大,表明数据的离散程度越高,LAI年际变化越大,受气候波动的响应越显著,生态环境越脆弱;反之则说明数据分布较为紧凑,LAI值年际变化较小。根据地学参数对CV值的变异程度进行分类[23]：非常稳定CV<0.05,CV值在0.05~0.10表示处于稳定状态,CV值在0.10~0.15说明变异较小,在0.15~0.50之间属于中等变异,高度变异CV >0.50。
2.3.4 重心迁移模型
重心迁移模型可以从时空上很好地描述农田的演变过程[24],通过农田面积及LAI的重心迁移路径研究农田整体上的变化趋势。
X t = ∑ i = 1 n ( C ti x i ) ∑ i = 1 n C ti
Y t = ∑ i = 1 n ( C ti y i ) ∑ i = 1 n C ti
式中：Xt、Yt分别是第t年不同区域农田重心的经纬度坐标;Cti为第t年第i个分区农田面积或生长季LAI;xi、yi分别为第i个农田区域几何中心的经纬度;n为农田斑块总数。已知重心迁移不同年份的所在位置,可以计算出重心空间移动距离,重心年际空间移动距离的测度公式如下：
D t ' - t = C ( Y t ' - Y t ) 2 + ( X t ' - X t ) 2
式中： D t ' - t 表示重心变化的距离;t′表示研究的起始年份;t表示研究的终止年份;（ X t ' 、 Y t ' ）、（Xt、Yt）分别代表第t′年和t年的重心在研究区域的地理坐标（经纬度）;其中C是将地理经纬度转化为平面距离的常数,值为111.111。

3 结果及分析

3.1 数据对比分析

为了对比重建效果,选取2001—2017年农田部分重建LAI数据与原始MODIS-LAI进行对比分析（图3）。一般情况下,LAI时序变化曲线应光滑且连续,但MODIS-LAI在时序曲线中出现明显锯齿状及拐点现象,不符合植被生长规律。重建后LAI曲线则更为光滑,较好地保留了像元信息,凸显峰值、谷值,在未破坏曲线形态的情况下,并对异常值进行了修复,使LAI值更具保真性和稳定性。
图3 2001—2017年农田部分LAI曲线对比

Fig. 3 Comparison of LAI curves of farmland part from 2001 to 2017

3.2 中国农田LAI时序变化特征分析

3.2.1 年际变化分析
2001—2017年重建的年均LAI表明（图4）,中国耕作区LAI整体呈现波动上升趋势,2001—2007年呈波动式上升;2009、2010、2014年稍有下降,可能与我国气候变化、旱灾频繁,旱灾程度加重有关[25];2010—2017年又呈较大幅度上升,可能与全球气候变暖及我国作物农田管理水平的提升等因素有关。其变化与农作物产量密切相关,耕作区年均LAI从0.68提高到0.86,农作物单产也从8835.54 kg/Ha增长到了13 752.91 kg/Ha,年均LAI与农作物单产的相关系数高达0.91（图4）。
图4 2001—2017年中国耕作区LAI年均值变化及与农作物单产关系

Fig. 4 Meanannual LAI in Chinese cultivation areas and relationship with crop yield per unit area from 2001 to 2017

3.2.2 年际季节变化特征
不同耕作制度区不同季节LAI变化规律存在较大差异,中国12个耕作区2001—2017的17年间,不同季节及生长季（4—10月）耕作区LAI均值分析结果表明（图5）,不同耕作区季节差异显著,夏季>秋季>春季>冬季,春季平均为0.63,夏季平均为1.54,秋季平均为0.78,冬季平均为0.31,生长季平均为1.13。
图5 2001—2017年中国不同耕作区季节及生长季LAI年际变化

Fig. 5 The LAI inter annual changes of different seasons and growing season in the different cultivation areas

一熟区,春季农作物生长速度较慢,相较于在0.4上下波动的其他一熟区LAI,东北平原一熟区LAI偏低,东北平原地区主要种植的农作物为玉米、大豆、春小麦等为喜温作物,且播种期相对较晚有关。夏季东北平原一熟区农田LAI值高于1.8,且北部中高原一熟区、北部低高原一熟区、东北平原一熟区值介于1.1~1.7之间,且上升趋势显著。秋季农田LAI较夏季出现大幅度下降,趋势波动不显著。冬季一熟区最低值可达0.03,年际变化曲线稳定。一熟区耕作区生长季LAI值介于0.7~1.2之间。
二熟区,春季太阳直射点北移,温度回升较快,降水充沛,耕作区LAI值均在0.5以上,且在研究时期内上升趋势显著。夏季LAI值均介于1.1~1.8之间,波动性上升趋势显著,但由于2001、2009、2014年出现有春夏连旱灾害,夏季高温灾害频繁,同期降水量有所减少,导致LAI值下降。二熟区秋季LAI最高可达1.08。冬季年际变化无明显浮动,最低值位于四川盆地水旱两熟兼三熟区。生长季最大值位于江淮平原丘陵麦稻两熟兼早三熟区,高达1.4。
三熟区,春季LAI波动范围在0.5~1.0之间,由于该耕作区以一年三熟制为主,夏秋两季差别不大,秋季LAI甚至高于夏季,且其年际上升幅度显著。入冬之后,较其他耕作制度区有升高趋势。生长季LAI值在1.2处上下波动。
3.2.3 突变分析
利用MATLAB对12个耕作区的耕作区生长季LAI进行M-K突变检验,结果表明所有耕作区生长季LAI都通过了0.05水平的显著性检验（图6）,除西北干旱灌溉一熟兼二熟区和西南中高原山地旱地二熟一熟水田二熟区外,其他耕作区都通过了0.01水平的显著性检验。UF统计量大于0的区域,表明农田LAI整体处于增长模式。但东北平原丘陵半湿润喜温作物一熟区及西南中高原山地旱地二熟一熟水田二熟区2003—2006年、西北干旱灌溉一熟兼二熟区2006、2010年、江淮平原丘陵麦稻两熟兼早三熟区2003年、长江中下游平原丘陵水田三熟二熟区2001—2004年、东南丘陵山地水田旱地二熟三熟区2001—2003、2005—2007年、华南丘陵沿海平原晚三熟热三熟区2001—2003年UF统计量小于0,表明在上述时段内,农田LAI呈下降趋势。
图6 2001—2017年不同耕作区M-K非参数检验

Fig. 6 Non-parametric test of M-K in different cultivation areas from 2001 to 2017

我国二熟、三熟区（除黄淮海平原丘陵水浇地二熟旱地二熟一熟区外）在2001—2012年农田LAI曲线在临界线内,表明变化较为平稳,但在2012年之后UF统计量出现超过临界值（U0.05=±1.96）的现象,表明2012年之后LAI的上升趋势显著。UF线与UB线在2005年后相交,交点所对应的时间可能是农田LAI发生突变的开端,不同的耕作区出现的时间不同。而我国一熟区及黄淮海平原丘陵水浇地二熟旱地二熟一熟区的UF线与UB线交点出现在临界范围之外,在出现交点后的时间区域内,UF统计量大多超越临界线并迅速增加,说明在2006年出现交点后,一熟区农田LAI的变化趋势产生了较大的改变。
2006年后一熟区LAI发生突变,除受农田管理政策等影响外,还可能与气候变化有关,2006年后年均气温较常年偏高0.5 ℃以上,丰水年发生比例高达75%[26],进而可能导致农田LAI产生上升式突变并有持续上升的趋势。

3.3 空间变化分析

3.3.1 空间分布特征
在非生长季（1—3月、11—12月）（图7（a））受气候条件影响,LAI值较低,年际波动较小,一熟区非生长季均值为0.16,二熟区为0.38,三熟区为0.47。黄淮海平原丘陵水浇地二熟旱地二熟一熟区以及华南丘陵沿海平原晚三熟热三熟区LAI值最大,明显高于其他区域。
图7 2001—2017年中国耕作区生长季及非生长季LAI平均LAI空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4619号的标准地图制作,底图无修改。图中的数字含义同图1。

Fig. 7 Spatial distribution of LAI in non-growing season and growing season of Chinese cultivation areas

生长季耕作区LAI（图7（b））空间分布格局自黄淮海平原、东北以发散的形式向其他地区逐渐递减,一熟区、二熟区、三熟区生长季均值分别为0.90、1.27、1.22,年际波动由大到小依次是：二熟区>一熟区>三熟区,由于东北平原丘陵半湿润喜温作物一熟区、黄淮海平原丘陵水浇地二熟旱地二熟一熟区、江淮平原丘陵麦稻两熟兼早三熟区为我国的主要农作物生产区,LAI值普遍高于其他区域。
2001—2017年耕作区LAI均值（图7（c））年际间变化差异较大,且增长迅速,最高值主要位于黄淮海平原丘陵水浇地二熟旱地二熟一熟区,其次是江淮平原丘陵麦稻两熟兼早三熟区,这些区域也是我国农作物高产区域,且东部沿海地区LAI值高于西部耕作区。这种发散式递减的空间格局可能受气候条件、作物种植、播种期、生长时段和土壤的差异性影响较大。
3.3.2 空间变异系数
2001—2017年中国区域的耕作区LAI变异系数空间分布（图8）表明,高度变异（CV>0.5）LAI的年际波动变化较大,呈散点状分布,最大值高达4.12,由年际变化可知耕作区LAI呈显著上升趋势（图4、图5）,主要分布在四川盆地水旱两熟兼三熟区、东北平原丘陵半湿润喜温作物一熟区西部和东北部、长江中下游平原丘陵水田三熟二熟区中北部、北部低高原易旱喜温作物一熟区东南部、西南中高原山地旱地二熟一熟水田二熟区南部以及青藏高原喜凉作物一熟轮歇区西北部地区。中等变异（0.15<CV<0.5）农田主要呈面状分布,LAI表现为波动上升的趋势,主要分布在东北平原丘陵半湿润喜温作物一熟区西北部、黄淮海平原丘陵水浇地二熟旱地二熟一熟区、四川盆地水旱两熟兼三熟区中部以及北部低高原易旱喜温作物一熟区南部。变异较小（0.1<CV<0.15）的农田分布较为离散,主要分布在东北平原丘陵半湿润喜温作物一熟区西偏南部分、黄淮海平原丘陵水浇地二熟旱地二熟一熟区、江淮平原丘陵麦稻两熟兼早三熟区和四川盆地水旱两熟兼三熟区。处于稳定态（0.05<CV<0.1）及非常稳定态（CV<0.05）的农田最小变异系数为0.02,主要分布在黄淮海平原丘陵水浇地二熟旱地二熟一熟区、江淮平原丘陵麦稻两熟兼早三熟区东部沿海地区,东北平原丘陵半湿润喜温作物一熟区南部辽宁省。整体来说,LAI大部分处于中等变异的范畴,并变化以波动上升为主（图4、图5）。
图8 2001—2017年中国耕作区生长季叶面积指数变异系数空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2020)4619号的标准地图制作,底图无修改。图中的数字含义同图1。

Fig. 8 Spatial distribution of CV of leaf area index during growing season in Chinese cultivation areas

3.3.3 重心迁移特征
农田面积重心及农田生长季LAI重心迁移分析,可以了解农作物种植和农作物单位面积产出在时间尺度和空间尺度的演变过程,利于分析农田的空间格局,探索农田LAI重心的迁移路径距离和迁移方向,对协调耕地与其环境关系、保护耕地资源有重要意义[27]。从图9（a）可以看出,我国农田面积重心迁移自2001—2017年在黄淮海平原丘陵水浇地二熟旱地二熟一熟区从位置（116.12°E,37.21°N）向西偏南方向迁移至点（115.38°E,37.22°N）,迁移距离为82.78 km,经度向西迁移明显,纬度只向南迁移0.01°,但经历了先向西南迁移,后再向西北迁移过程。其中,2001—2005年农田面积重心向西南方向迁移了36 km,2005—2015年向西北方向迁移了50.35 km,2015—2017年向西南方向迁移了33.74 km。2001—2017年东部地区农田生态退耕,西部地区新增耕地达56%,使农田面积重心进一步向西移动。反映了东部地区对生态退耕的积极响应,加强了耕地保护,《土地管理法》[27]修订后国家更注重耕地质量,针对西部后备耕地资源利用问题,专家建议应通过科学土地规划,提高耕地高效利用[28]。
图9 2001—2017年中国农田重心迁移路径及波动

Fig. 9 Migration path and fluctuation chart of farmland center of gravity in China during 2001 to 2017

生长季LAI的重心变化幅度相对较大,在2001—2017年主要以南北波动式向西部迁移,从位置（116.65°E,37.1°N）到点（115.84°E,37.06°N）空间距离上向西偏南方向迁移了90.53 km。其中,2001—2005年重心向西南方向迁移77.3 km,2005—2015年向西北方向迁移了37.89 km,2015—2017年向西南方向迁移了35.76 km。农田LAI的重心轨迹可反应我国作物产量的大体迁移状况,南方及西部地区耕作制度变革,优良品种引入、机械化程度上升,使我国西部后备资源耕地得到有效利用[29,30],LAI逐渐向西部迁移。

4 结论与讨论

本文利用2001—2017年MODIS-LAI长时序重建的数据,采用Mann-Kendall检验、变异系数、重心迁移模型等分析方法,研究了中国耕作制度区农田LAI时空动态变化、与作物单产关系及其迁移状况。
（1）在时间尺度上,我国耕作区LAI整体呈波动式上升,作物单产也随之呈波动上升趋势,两者相关系数为0.91。但LAI在季节变化、突变分析和空间变化趋势中存在明显的非均一性,夏季上升最为显著,最高可达2.38,春秋季次之,LAI介于0.19~1.65之间,冬季最为平稳,最低至0.03,生长季上升显著波动在0.7~1.4之间;在突变分析中,一熟区及黄淮海平原丘陵水浇地二熟旱地二熟一熟区2006年前平稳上升,在2006年后LAI均出现了突变上升现象,二熟、三熟区2012年之前变化平缓2012年后未出现突变但上升趋势明显,这可能与我国气候变化、丰水年比例、农业结构调整及农业生产水平提高有关。
（2）在空间尺度上,LAI主要以东北、黄淮海、江淮平原为中心发散式递减;一熟、二熟区变异系数普遍较高,变异明显,上升幅度较大;三熟区变异较小,这与我国逐渐注重国家粮食安全,抓好三大粮食主产区的规划及建设较为一致。非均一性主要受气候、土壤、水系等自然因素影响外,同时还受到耕作制度区和农田管理影响。重心迁移模型研究显示,在2001—2017年我国农田面积重心经历了先向西南迁移,后再向西北迁移过程,这可能与我国东部建设用地扩建、优质耕地减少、西部耕地资源开发利用有关。生长季LAI的重心位于河北省邢台市范围内（115.84°E,37.06°N）,但变化幅度相对较大,经历了以南北波动式向西部迁移,迁移距离分别为82.78 km、90.53 km,反映了我国西部农田土地资源开发和利用水平提高,以及农田生态环境改善。
本文在原有数据产品的基础上,对长时间序列LAI数据进行了重建,得到了更高质量的结果。由于研究采用MODIS LAI 数据空间分辨率为500 m,遥感数据存在的混合像元,投影误差,尺度效应等问题,必然对分析结果带来影响,另外,虽然对长时序数据进行了重建,但并不能完全消除大气状况和缺值的影响,在一定程度上同样给研究带来一定不确定性,因此,变化分析应结合实际情况进行深入研究。区域LAI变化受多种因素影响,主要有土地利用变化、农业政策,耕作制度改变、气候因素、作物品种、农业田管理（包括水肥管理）、地形地貌、土壤、作物生长周期、灾害、病虫害等,本文对我国不同耕作区LAI进行了时空变化研究,并对其变化的原因进行了初步分析,但一些突变和空间重心迁移规律,变化原因,以及对农业生产和生态带来的影响有待全面深入研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王希群, 马履一, 贾忠奎, 等. 叶面积指数的研究和应用进展[J]. 生态学杂志, 2005,24(5):537-541.

[ Wang X Q, Ma L Y, Jia Z K, et al. Research and application advances in Leaf Area Index(LAI)[J]. Chinese Journal of Ecology, 2005,24(5):537-541. ]

[2]
刘晓冰, Stephen H J. 作物产量潜力的5P理论及其研究范畴[J]. 中国农学通报, 2001,17(4):65-66.

[ Liu X B, Stephen H J. The 5P theory of crop yield potential and its research category[J]. Chinese Agricultural Science Bulletin, 2001,17(4):65-66. ]

[3]
Monteith J L, Unsworth M H. Principles of environmental physics (2nd edition)[M]. London: Edward Arnold, 1973.

[4]
龙泽昊, 秦其明, 张添源, 等. 基于长短期记忆网络的冬小麦连续时序叶面积指数预测[J]. 光谱学与光谱分析, 2020,40(3):898-904.

[ Long Z H, Qin Q M, Zhang T Y, et al. Prediction of leaf area index (LAI) for continuous time series of winter wheat based on long and Short term memory network: A case study of winter wheat[J]. Spectroscopy and Spectral Analysis, 2020,40(3):898-904. ]

[5]
彭飞, 孙国栋. 1982—1999年中国地区叶面积指数变化及其与气候变化的关系[J]. 气候与环境研究, 2017,22(2):162-176.

[ Peng F, Sun G D. Variation of leaf area index in China from 1982 to 1999 and its relationship with climate change[J]. Climatic and Environmental Research, 2017,22(2):162-176. ]

[6]
韩思淇, 麻泽龙, 庄文化, 等. 2000―2018年黄河源植被叶面积指数时空变化特征[J]. 灌溉排水学报, 2019,38(12):57-62.

[ Han S Q, Ma Z L, Zhuang W H, et al. Spatial-temporal change of leaf area index(LAI) in the source region of the Yellow River during 2000-2018[J]. Journal of Irrigation and Drainage, 2019,38(12):57-62. ]

[7]
王志慧, 姚文艺, 汤秋鸿, 等. 2000—2014年黄土高原植被叶面积指数时空变化特征[J]. 中国水土保持科学, 2017,15(1):71-80.

[ Wang Z H, Yao W Y, Tang Q H, et al. Spatio-temporal change analysis of leaf area index in the Loess Plateau during 2000-2014[J]. Science of Soil and Water Conservation, 2017,15(1):71-80. ]

[8]
蒋丽伟, 张家琦, 赵一臣, 等. 北京山区典型林分生长季叶面积指数动态变化[J]. 林业资源管理, 2019(2):132-136.

[ Jiang L W, Zhang J Q, Zhao Y C, et al. Dynamic change of leaf area index in the growing season of typical forests in Beijing mountainous area[J]. Forest Resources Management, 2019(2):132-136. ]

[9]
王雅鑫, 巴雅尔, 孙亚丽, 等. 基于叶面积指数的荒漠草原动态监测[J]. 内蒙古师范大学学报(自然科学汉文版), 2019,48(4):314-322.

[ Wang Y X, Bayaer, Sun Y L, et al. Dynamic monitoring of desert steppe by leaf area index[J]. Journal of Inner Mongolia Normal University (Natural Science Edition), 2019,48(4):314-322. ]

[10]
王春梅, 顾行发, 余涛, 等. 农田春小麦叶面积指数和覆盖度时空变异性研究[J]. 农业机械学报, 2014,45(8):254-261,235.

[ Wang C M, Gu X F, Yu T, et al. Spatial and temporal variability of spring wheat leaf area index and coverage in northwest China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014,45(8):254-261,235. ]

[11]
Fang H L, Jiang C Y, Li W J, et al. Characterization and intercomparison of global moderate resolution Leaf Area Index (LAI) products: Analysis of climatologies and theoretical uncertainties[J]. Journal of Geophysical Research Biogeosciences, 2013,118(2):529-548.

[12]
Fang H L, Frédéric B, Stephen P, et al. An overview of global Leaf Area Index (LAI): Methods, products, validation, and applications[J]. Reviews of Geophysics, 2019,57(3):739-799.

[13]
王鹏新, 齐璇, 李俐, 等. 基于随机森林回归的玉米单产估测[J]. 农业机械学报, 2019,50(7):237-245.

[ Wang P X, Qi X, Li L, et al. Estimation of maize yield based on random forest regression[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(7):237-245. ]

[14]
白青蒙, 韩玉国, 彭致功, 等. 利用叶面积指数优化冬小麦高光谱水分预测模型[J]. 应用与环境生物学报, 2020,26(4):943-950.

[ Bai Q M, Han Y G, Peng Z G, et al. Optimization of hyperspectral water prediction model of winter wheat by leaf area index[J]. Chinese Journal of Applied and Environmental Biology, 2020,26(4):943-950. ]

[15]
马培培, 李静, 柳钦火, 等. 中国区域MuSyQ叶面积指数产品验证与分析[J]. 遥感学报, 2019,23(6):1232-1252.

[ Ma P P, Li J, Liu Q H, et al. Multisensor synergistic quantitative leaf area index product of China[J]. Journal of Remote Sensing, 2019,23(6):1232-1252. ]

[16]
肖志强, 王锦地, 王鐯森. 中国区域MODIS LAI产品及其改进[J]. 遥感学报, 2008,12(6):993-1000.

[ Xiao Z Q, Wang J D, Wang Z S. Improvement of MODIS LAI product in China[J]. Journal of Remote Sensing, 2008,12(6):993-1000. ]

[17]
周旻悦, 沈润平, 陈俊, 等. 基于像元质量分析和异常值检测的LAI时序数据S-G滤波重建研究[J]. 遥感技术与应用, 2019,34(2):323-330.

[ Zhou M Y, Shen R P, Chen J, et al. Filtering and reconstruction of LAI time series data by S-G filter based on pixel quality analysis and outlier detection[J]. Remote Sensing Technology and Application, 2019,34(2):323-330. ]

[18]
陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱长势指标的冬小麦长势监测[J]. 农业机械学报, 2020,51(2):180-191.

[ Tao H L, Xu L J, Feng H K, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020,51(2):180-191. ]

[19]
随欣欣, 秦其明, 董恒, 等. 基于LST_LAI特征空间的农田干旱监测研究[J]. 光谱学与光谱分析, 2013,33(1):201-205.

[ Sui X X, Qin Q M, Dong H, et al. Monitoring of farmland drought based on LST-LAI spectral feature space[J]. Spectroscopy and Spectral Analysis, 2013,33(1):201-205. ]

[20]
王宏广 等. 中国耕作制度70年[M]. 北京: 中国农业出版社, 2005.

[ Wang H G, et al. 70 years of Chinese farming system[M]. Beijing: China Agricultural Press, 2005. ]

[21]
Kendall M G. Rank correlation methods[M]. London: Charles Grifin Company, 1975.

[22]
Mann H B. Nonparametric tests against trend[J]. Econometrica, 1945,13:245-259.

[23]
Warrick A W, Nielsen D R. Spatial variability of soil physical properties in the field[M]. New York: Academic Press, 1980.

[24]
郭碧云, 张正峰. 农牧交错区土地利用重心迁移研究——以河北省沽源县为例[J]. 干旱地区农业研究, 2014(4):217-221,261.

[ Guo B Y, Zhang Z F. Migration of land-use barycenters in farming-pastoral areas: A case study of Guyuan County, Hebei Province[J]. Agricultural Research in the Arid Areas, 2014(4):217-221,261. ]

[25]
倪深海, 顾颖, 彭岳津, 等. 近七十年中国干旱灾害时空格局及演变[J]. 自然灾害学报, 2019,28(6):176-181.

[ Ni S H, Gu Y, Peng Y J, et al. Spatio-temporal pattern and evolution trend of drought disaster in China in recent seventy years[J]. Journal of Natural Disasters, 2019,28(6):176-181. ]

[26]
中国气象局. 中国气候公报[P]. 北京: 2018.

[ China Meteorological Administration. China climate bulletin[P]. Beijing: 2018. ]

[27]
中华人民共和国国土资源部. 中华人民共和国土地管理法实施条例[M]. 北京: 中国法制出版社, 2014.

[ Ministry of Land and Resources of the People's Republic of China. Regulations for the Implementation of the Land Administration Law of the People's Republic of China[M]. Beijing: China Legal Publishing House, 2014. ]

[28]
王秀红, 申建秀. 中国生态退耕重要阶段耕地面积时空变化分析[J]. 中国农学通报, 2013,29(29):133-137.

[ Wang X H, Shen J X. Spatio-temporal changes in cropland area during important period of the grain-for-green policy in China[J]. Chinese Agricultural Science Bulletin, 2013,29(29):133-137. ]

[29]
高婵, 张蚌蚌, 赵敏娟, 等. 中国耕地粮食生产能力及产量差测算[J]. 中国农业大学学报, 2020,25(1):10-18.

[ Gao C, Zhang B B, Zhao M J, et al. Grain productivity potential of cultivated land and yield gap analysis in China[J]. Journal of China Agricultural University, 2020,25(1):10-18. ]

[30]
徐瑞. 我国农用地土壤环境质量状况分析[J]. 低碳世界, 2017(10):1-2.

[ Xu R. Analysis of the environmental quality of agricultural land in China[J]. Energy Conservation and Environmental Protection, 2017(10):1-2. ]

Options
Outlines

/

〈 〉