2 0 2 5年6月農(nóng)業(yè)機(jī)械學(xué)報(bào)第56卷第6期 doi 10 6041 j issn 1000 1298 2025 06 062 基于GEE的山東省近15年農(nóng)業(yè)溫室年限識(shí)別與 優(yōu)化布局 周奇卓1 季 托2 許 鵬3 陳修宇4 陳紅艷1 5 曹 茜6 崔本江6 1 山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院 泰安271018 2 山東農(nóng)業(yè)大學(xué)園藝科學(xué)與工程學(xué)院 泰安271018 3 山東省國(guó)土空間規(guī)劃院 濟(jì)南250014 4 山東順直建設(shè)工程有限公司 巨野274999 5 山東農(nóng)業(yè)大學(xué)土肥高效利用國(guó)家工程研究中心 泰安271018 6 泰安市金土地測(cè)繪整理有限公司 泰安271021 摘要 當(dāng)前農(nóng)業(yè)溫室發(fā)展中存在設(shè)施使用年限過長(zhǎng) 設(shè)備老化 分布及數(shù)量不明 以及部分新建溫室選址不合理等 問題 導(dǎo)致資源利用效率低下 難以形成高效集約化生產(chǎn)區(qū)域 為解決上述問題 本研究基于谷歌地球引擎 Google Earth Engine GEE 平臺(tái) 利用Landsat 5 TM和Sentinel 2 MSI影像 采用隨機(jī)森林 支持向量機(jī)和最大似然分類算 法 提取山東省近15年農(nóng)業(yè)溫室的空間分布 并對(duì)其使用年限進(jìn)行分析 進(jìn)而結(jié)合自然和社會(huì)經(jīng)濟(jì)因素 從高程 河流 土壤有機(jī)質(zhì) 道路和人口5個(gè)方面進(jìn)行驅(qū)動(dòng)力分析 摸清主導(dǎo)因素 最后對(duì)農(nóng)業(yè)溫室發(fā)展?jié)摿M(jìn)行定量評(píng)價(jià) 并提出優(yōu)化布局方案 結(jié)果表明 整體上隨機(jī)森林算法的分類精度最高 總體精度始終保持在83 45 92 83 卡帕系數(shù)在0 753 1 0 884 6 表現(xiàn)出更強(qiáng)的魯棒性和適應(yīng)性 山東省農(nóng)業(yè)溫室面積由2008年的100 440 hm2增長(zhǎng) 至2023年的473 306 67 hm2 增幅約471 使用10年以上的老舊大棚面積為70 606 67 hm2 15年以上的農(nóng)業(yè)溫 室為29 493 33 hm2 農(nóng)業(yè)溫室發(fā)展受政策 現(xiàn)代化路網(wǎng)及土壤有機(jī)質(zhì)的影響較大 基于潛力評(píng)價(jià)確定了魯中 以壽 光市和張店區(qū)為中心 魯東 以平度市和萊西市為中心 和魯南 以蘭陵縣和薛城區(qū)為中心 3個(gè)農(nóng)業(yè)溫室發(fā)展?jié)?力區(qū) 全省可按核心發(fā)展區(qū) 建議發(fā)展區(qū) 改造轉(zhuǎn)移區(qū)和一般發(fā)展區(qū)優(yōu)化布局 核心發(fā)展區(qū)以壽光為中心 重點(diǎn)擴(kuò) 建現(xiàn)代化溫室 建議發(fā)展區(qū)集中在魯中 魯東 魯南部分地區(qū) 如平度 蘭陵等地 通過適度新建溫室形成核心發(fā)展 地區(qū) 改造轉(zhuǎn)移區(qū)位于濰坊 聊城等老舊溫室密集區(qū) 需升級(jí)改造或逐步轉(zhuǎn)移 一般發(fā)展區(qū)分布廣泛 以生態(tài)保護(hù)和 特色農(nóng)業(yè)為主 研究結(jié)果可為農(nóng)業(yè)溫室優(yōu)化布局提供數(shù)據(jù)和決策支撐 助力鄉(xiāng)村振興 關(guān)鍵詞 農(nóng)業(yè)溫室 信息提取 時(shí)空演變 潛力評(píng)價(jià) 優(yōu)化布局 GEE 中圖分類號(hào) S127文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1000 1298 2025 06 0660 13 OSID 收稿日期 2024 12 28 修回日期 2025 02 02 基金項(xiàng)目 國(guó)家自然科學(xué)基金項(xiàng)目 42477523 國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目 2023YFD2303304 山東省自然科學(xué)基金項(xiàng)目 ZR2023MD033 和 山東省蔬菜產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng) SDAIT 05 10 作者簡(jiǎn)介 周奇卓 2001 男 碩士生 主要從事土壤定量遙感研究 E mail zhou7zhuo 163 com 通信作者 陳紅艷 1979 女 教授 博士 主要從事農(nóng)業(yè)遙感與信息 土地資源利用研究 E mail chenhy sdau edu cn Identification of New and Old Agricultural Greenhouses and Optimization of Layout in Shandong Province ZHOU Qizhuo1 JI Tuo2 XU Peng3 CHEN Xiuyu4 CHEN Hongyan1 5 CAO Qian6 CUI Benjiang6 1 College of Resources and Environment Shandong Agricultural University Tai an 271018 China 2 College of Horticulture Science and Engineering Shandong Agricultural University Tai an 271018 China 3 Shandong Provincial Institute of Land and Spatial Planning Ji nan 250014 China 4 Shandong Shunzhi Construction Engineering Co Ltd Juye 274999 China 5 National Engineering Research Center for Efficient Utilization of Soil and Fertilizer Shandong Agricultural University Tai an 271018 China 6 Tai an Jintudi Surveying and Mapping Co Ltd Tai an 271021 China Abstract Current agricultural greenhouse development still faces issues such as excessively long facility service life aging equipment unclear distribution and quantity and irrational siting of some newly built greenhouses resulting in low resource utilization efficiency and difficulty in forming highly efficient intensive production areas To address these problems the Google Earth Engine GEE platform with Landsat 5 TM and Sentinel 2 MSI imagery were utilized employing random forest support vector machine and maximum likelihood classification algorithms to extract the spatial distribution of agricultural greenhouses in Shandong Province over the past 15 years and analyze their age Furthermore driving force analysis was conducted considering natural and socioeconomic factors elevation rivers soil organic matter roads and population to identify dominant influences Finally the development potential of agricultural greenhouses was quantitatively evaluated and an optimized layout scheme was proposed Results showed that the random forest algorithm achieved the highest classification accuracy with overall accuracy consistently ranging from 83 45 to 92 83 and Kappa coefficients between 0 753 1 and 0 884 6 demonstrating stronger robustness and adaptability The area of agricultural greenhouses in Shandong Province was increased from 100 440 hm2 in 2008 to 473 306 67 hm2 in 2023 a growth of approximately 471 Old greenhouses used for over 10 years covered 70 606 67 hm2 while those over 15 years accounted for 29 493 33 hm2 Greenhouse development was significantly influenced by policies modern road networks and soil organic matter Potential evaluation identified three key development zones central Shandong centered on Shouguang City and Zhangdian District eastern Shandong focused on Pingdu City and Laixi City and southern Shandong anchored by Lanling County and Xuecheng District The province can be optimized into core development zones e g Shouguang in Weifang for modern greenhouse expansion recommended development zones e g Pingdu and Lanling for moderate new construction to form growth poles retrofit relocation zones e g Weifang and Liaocheng for upgrading or phased relocation of aging greenhouses and general development zones for ecological protection and specialty agriculture The findings can provide data and decision making support for optimizing agricultural greenhouse layouts facilitating rural revitalization Key words agricultural greenhouse information extraction spatiotemporal evolution potential evaluation optimization of layout GEE 0 引言 在鄉(xiāng)村振興戰(zhàn)略背景下 推動(dòng)農(nóng)業(yè)現(xiàn)代化與可 持續(xù)發(fā)展已成為國(guó)家發(fā)展戰(zhàn)略的核心內(nèi)容之一 1 設(shè)施農(nóng)業(yè)作為農(nóng)業(yè)現(xiàn)代化的重要實(shí)踐形式 通過運(yùn) 用工業(yè)化生產(chǎn)技術(shù) 為作物生長(zhǎng)創(chuàng)造適宜的環(huán)境條 件 從而實(shí)現(xiàn)高品質(zhì) 高產(chǎn)量的目標(biāo) 2 在我國(guó) 設(shè) 施農(nóng)業(yè)形式多樣 其中以農(nóng)業(yè)溫室最為普及 尤其 在蔬菜種植領(lǐng)域 農(nóng)業(yè)溫室的面積已超過設(shè)施農(nóng)業(yè) 總面積的80 3 截至2022年 我國(guó)蔬菜大棚占 地面積達(dá)2 31 106 hm2 播種面積4 16 106 hm2 山東省作為我國(guó)重要的蔬菜生產(chǎn)基地 其農(nóng)業(yè)溫室 的建設(shè)與發(fā)展具備較為完善的體系 然而 也普遍存 在使用年限過長(zhǎng) 設(shè)備老化 數(shù)量及分布不清等問 題 亟需改造升級(jí) 4 而識(shí)別溫室的空間分布 新舊 程度并進(jìn)行其驅(qū)動(dòng)力分析是對(duì)其有效改造升級(jí)的前 提 此外 新建溫室在選址方面也存在一定的不合 理性 限制了農(nóng)業(yè)生產(chǎn)效率和資源利用效率 因此也 需開展快速識(shí)別與優(yōu)化 近年來 利用遙感技術(shù)對(duì)農(nóng)業(yè)溫室進(jìn)行分布提 取已成為研究熱點(diǎn) 5 早期研究 6 8 多基于單一時(shí) 點(diǎn)的遙感數(shù)據(jù) 結(jié)合光譜特征與幾何形態(tài)特征提取 農(nóng)業(yè)溫室分布 這些研究著眼于某一時(shí)點(diǎn)的農(nóng)業(yè)溫 室分布情況及數(shù)量評(píng)估 雖然取得了較高的提取精 度 但其側(cè)重點(diǎn)更多集中于靜態(tài)分布信息的獲取 未 能涉及動(dòng)態(tài)變化過程 因此 逐漸有學(xué)者基于多個(gè) 時(shí)點(diǎn)影像研究提取農(nóng)業(yè)溫室 進(jìn)而分析其時(shí)空動(dòng)態(tài) 變化 9 11 這些研究揭示了農(nóng)業(yè)溫室的空間分布 與時(shí)空演變規(guī)律 但對(duì)于農(nóng)業(yè)溫室使用年限及新舊 程度的分析仍顯不足 關(guān)于農(nóng)業(yè)溫室發(fā)展的驅(qū)動(dòng)機(jī)制研究也取得了一 定進(jìn)展 12 13 然而 這些研究多集中于驅(qū)動(dòng)因素的 定性或定量分析 對(duì)農(nóng)業(yè)溫室布局的適宜性和合理 性關(guān)注不足 難以為溫室改造與優(yōu)化布局提供精準(zhǔn) 的數(shù)據(jù)支撐 山東省作為我國(guó)農(nóng)業(yè)溫室發(fā)展的先行地區(qū) 面 臨諸多亟需解決的問題 自20世紀(jì)80年代末開始 發(fā)展農(nóng)業(yè)溫室 90年代進(jìn)入快速發(fā)展期 然而 由 于早期發(fā)展過快 目前部分地區(qū)出現(xiàn)老舊溫室集中連 片現(xiàn)象 部分日光溫室使用年限甚至超過25年 14 與此同時(shí) 部分新建溫室因選址不合理 難以形成集 約化生產(chǎn)區(qū)域 難以滿足當(dāng)前宜機(jī)化生產(chǎn)的需 求 15 因此 準(zhǔn)確識(shí)別山東省農(nóng)業(yè)溫室的使用年 限 并結(jié)合其分布與布局特點(diǎn) 挖掘影響溫室發(fā)展的 關(guān)鍵驅(qū)動(dòng)力 提出優(yōu)化布局方案 不僅對(duì)農(nóng)業(yè)溫室的 提質(zhì)增效具有重要意義 也為山東省農(nóng)業(yè)高質(zhì)量發(fā) 展和鄉(xiāng)村振興提供科學(xué)依據(jù) 鑒于此 本文基于GEE平臺(tái) 利用多時(shí)點(diǎn)的 166第6期 周奇卓等 基于GEE的山東省近15年農(nóng)業(yè)溫室年限識(shí)別與優(yōu)化布局 Landsat 5 TM和Sentinel 2 MSI衛(wèi)星影像 提取山 東省2008年 2013年 2018年和2023年的農(nóng)業(yè)溫 室分布 分析其時(shí)空分布特征及使用年限 同時(shí) 結(jié) 合自然與社會(huì)經(jīng)濟(jì)因素 探討影響溫室分布的主要 驅(qū)動(dòng)力 并對(duì)其發(fā)展?jié)摿M(jìn)行定量評(píng)價(jià) 進(jìn)而提出優(yōu) 化布局方案 以期為山東省農(nóng)業(yè)溫室的合理布局與 老舊溫室的改造提供科學(xué)數(shù)據(jù)支撐 助力鄉(xiāng)村振興 戰(zhàn)略的深入實(shí)施 1 研究區(qū)概況與數(shù)據(jù)源 1 1 研究區(qū)概況 山東省位于中國(guó)東部沿海 地理坐標(biāo)為北緯 34 22 9 38 24 0 東經(jīng)114 47 5 122 42 3 地勢(shì)東高西低 以平原和丘陵為主 氣候溫和濕潤(rùn) 年平均氣溫11 14 降水量550 950 mm 適宜農(nóng) 作物生長(zhǎng) 作為重要的農(nóng)業(yè)基地 山東省以糧食作物 經(jīng)濟(jì) 作物和蔬菜種植為主 特別是蔬菜種植 設(shè)施農(nóng)業(yè) 發(fā)展迅速 溫室廣泛應(yīng)用 已成為提高農(nóng)業(yè)生產(chǎn)效率 和產(chǎn)品質(zhì)量的重要手段 山東的農(nóng)業(yè)溫室建設(shè)起步 早 產(chǎn)業(yè)體系完善 設(shè)施溫室的面積和數(shù)量在全國(guó)占 有重要地位 1 2 數(shù)據(jù)獲取 本文的數(shù)據(jù)主要來源于谷歌地球引擎 Google Earth Engine GEE 平臺(tái) 利用其提供的Landsat 5 TM和Sentinel 2 MSI衛(wèi)星影像數(shù)據(jù)進(jìn)行研究分析 GEE是谷歌推出的一種云計(jì)算分析平臺(tái) 整合了全 球范圍內(nèi)的多源地球觀測(cè)數(shù)據(jù) 支持用戶在云端進(jìn) 行大規(guī)模的地理空間數(shù)據(jù)處理和分析 平臺(tái)的數(shù)據(jù) 來源涵蓋多顆衛(wèi)星 氣象站點(diǎn)和地面觀測(cè)網(wǎng)絡(luò) 為研 究人員和開發(fā)者提供了強(qiáng)大的數(shù)據(jù)處理和分析 能力 Landsat 5是美國(guó)國(guó)家航空航天局 NASA 和美 國(guó)地質(zhì)調(diào)查局 USGS 合作的一顆衛(wèi)星 發(fā)射于 1984年 搭載的傳感器能夠提供高分辨率的多光譜 影像數(shù)據(jù) 涵蓋可見光和紅外波段 其重訪周期約為 16 d 空間分辨率為30 m Sentinel 2是歐洲空間 局 ESA 推出的衛(wèi)星系列 搭載多光譜成像儀 能夠 獲取高分辨率 10 60 m 的多光譜影像數(shù)據(jù) 包括 可見光 紅外和近紅外波段 Sentinel 2系列衛(wèi)星 具有較高的重訪周期 5 d 能夠提供更頻繁的地球 觀測(cè)數(shù)據(jù) 本研究所使用的其他數(shù)據(jù)來源包括人口密度數(shù) 據(jù) 河流數(shù)據(jù)和道路數(shù)據(jù)等 表1 人口密度數(shù)據(jù) 來自歐盟GHS人口網(wǎng)格 該數(shù)據(jù)從2015年開始提 供全球高分辨率的空間化人口分布信息 河流和道 表1 數(shù)據(jù)來源及其網(wǎng)址 Tab 1 Data sources and their websites 數(shù)據(jù)數(shù)據(jù)來源網(wǎng)址 Landsat 5 TM 2008 2013 United States Geological Survey USGS https www usgs gov Sentinel 2 MSI 2018 2023 European Space Agency ESA https www esa int 人口密度數(shù)據(jù)GHS Population Grid http data europa eu 河流數(shù)據(jù)OpenStreetMap https www openstreetmap org 道路數(shù)據(jù)OpenStreetMap https www openstreetmap org 高程數(shù)據(jù)United States GeologicalSurvey USGS https www usgs gov 土壤有機(jī)質(zhì)SoilGrids https www isric org 路數(shù)據(jù)來自O(shè)penStreetMap 這是一個(gè)開放的在線地 圖項(xiàng)目 提供全球地理信息 高程數(shù)據(jù)來自美國(guó)地 質(zhì)調(diào)查局 USGS 涵蓋全球的地形特征數(shù)據(jù) 土壤 有機(jī)質(zhì)數(shù)據(jù)通過ISRIC的SoilGrids土壤數(shù)據(jù)集獲 取 提供全球土壤特性的高分辨率空間分布 圖1 技術(shù)路線圖 Fig 1 Technology roadmap 2 研究方法 研究技術(shù)路線如圖1所示 主要包括數(shù)據(jù)獲取 與預(yù)處理 農(nóng)業(yè)溫室信息提取 新舊程度識(shí)別 驅(qū)動(dòng) 力分析及優(yōu)化布局方案制定5個(gè)主要步驟 首先 基于GEE平臺(tái)獲取Landsat 5 TM和Sentinel 2 MSI 影像數(shù)據(jù) 進(jìn)行輻射校正 大氣校正等預(yù)處理 并計(jì) 算光譜與紋理特征 其次 采用隨機(jī)森林 RF 和支 持向量機(jī) SVM 等分類算法 提取農(nóng)業(yè)溫室的空間 分布信息 并結(jié)合多時(shí)點(diǎn)數(shù)據(jù)疊加分析其新舊程度 及時(shí)間動(dòng)態(tài)變化特征 隨后 結(jié)合高程 路網(wǎng)密度 土壤有機(jī)質(zhì)等驅(qū)動(dòng)力因子 利用相關(guān)性分析明確農(nóng) 業(yè)溫室分布的主導(dǎo)驅(qū)動(dòng)力 最后 基于驅(qū)動(dòng)力分析 結(jié)果開展?jié)摿υu(píng)價(jià) 結(jié)合新舊溫室的分布特征 提出 266農(nóng) 業(yè) 機(jī) 械 學(xué) 報(bào) 2 0 2 5年 山東省農(nóng)業(yè)溫室的優(yōu)化布局方案 包括核心發(fā)展區(qū) 建議發(fā)展區(qū) 改造轉(zhuǎn)移區(qū)和一般發(fā)展區(qū) 為科學(xué)規(guī)劃 與可持續(xù)發(fā)展提供依據(jù) 2 1 農(nóng)業(yè)溫室提取 2 1 1 影像預(yù)處理 在圖像預(yù)處理階段 選擇2008年 2013年 2018年和2023年12月至2024年1月成像時(shí)間接 近且云量較少的影像 因?yàn)槎酒陂g農(nóng)業(yè)溫室內(nèi)部 植被的光譜特征較為鮮明 冬季時(shí)農(nóng)業(yè)溫室內(nèi)植被 保持高綠度 與周圍休眠或凋零的植被形成明顯對(duì) 比 有助于在衛(wèi)星影像上準(zhǔn)確識(shí)別農(nóng)業(yè)溫室區(qū) 域 16 依次進(jìn)行輻射定標(biāo) 大氣校正等預(yù)處理步 驟 隨后進(jìn)行影像鑲嵌 并利用山東省的矢量邊界進(jìn) 行裁剪 以獲取山東省范圍內(nèi)的影像數(shù)據(jù) 2 1 2 特征計(jì)算 為提高分類精度 基于處理后的影像數(shù)據(jù) 計(jì)算 其光譜特征和紋理特征 以全面表征農(nóng)業(yè)溫室的光 譜及空間分布特性 光譜特征是農(nóng)業(yè)溫室識(shí)別的重要依據(jù) 主要包 括植被指數(shù)和水體指數(shù)的計(jì)算 具體有 歸一化植被 指數(shù) NDVI 17 土壤調(diào)節(jié)植被指數(shù) SAVI 18 和歸 一化水體指數(shù) NDWI 19 通過計(jì)算NDVI SAVI和NDWI等光譜特征 可以在多維特征空間中增強(qiáng)農(nóng)業(yè)溫室區(qū)域與其他 地物之間的光譜差異性 其中 NDVI與SAVI結(jié) 合使用能夠更全面地識(shí)別植被區(qū)域 并在土壤背 景復(fù)雜的情況下提高分類精度 NDWI用于剔除水 體干擾 在此基礎(chǔ)上 利用這些光譜指數(shù)對(duì)明顯 的非目標(biāo)地物 建筑和水體等 進(jìn)行初步剔除 最 終 這些光譜特征將被用于后續(xù)的分類算法 形成 高維光譜特征集 有效提高農(nóng)業(yè)溫室的分類精度 與可靠性 紋理特征是從影像的灰度空間中提取的統(tǒng)計(jì)特 性 能夠有效表征地物的細(xì)節(jié)信息和空間分布特性 是區(qū)分農(nóng)業(yè)溫室與其他地物的重要補(bǔ)充特征 20 通過基于灰度共生矩陣 GLCM 的計(jì)算 可以提取 影像的多種紋理特征 這些特征能夠增強(qiáng)分類模型 對(duì)細(xì)節(jié)差異的敏感性 從而提升分類精度 21 以下 是本文采用的紋理特征 主要有 均值 Mean 對(duì)比 度 Contrast 熵 Entropy 和相關(guān)性 Correlation 在實(shí)際計(jì)算中 本文采用3 3移動(dòng)窗口對(duì)上述 4種紋理特征進(jìn)行計(jì)算 這種窗口設(shè)置能夠平衡計(jì) 算效率和精度 同時(shí)捕捉農(nóng)業(yè)溫室區(qū)域的局部紋理 特征 22 通過結(jié)合光譜特征與紋理特征 可以從光 譜空間和灰度空間中全面表征農(nóng)業(yè)溫室的特性 為 后續(xù)分類模型提供高精度的輸入變量 2 1 3 監(jiān)督分類 針對(duì)處理后的影像數(shù)據(jù) 進(jìn)行監(jiān)督分類實(shí)現(xiàn)不 同地物類型的分類 建立如表2所示的3種分類類 別 農(nóng)業(yè)溫室 植被和其他類別 主要包括掩膜未完 全去除或與農(nóng)業(yè)溫室光譜特征類似的地物 表2 訓(xùn)練樣本選擇 Tab 2 Selection of training samples 各個(gè)年份的影像數(shù)據(jù)中 確保每個(gè)類別包含至 少500個(gè)樣本點(diǎn)位 圖2 且樣本點(diǎn)位空間分布均 勻 其中70 用于訓(xùn)練 30 用于驗(yàn)證 以確保分類 模型的訓(xùn)練和評(píng)估具有代表性和準(zhǔn)確性 在分類方 法上 選取了3種成熟的分類算法進(jìn)行監(jiān)督分類 包 366第6期 周奇卓等 基于GEE的山東省近15年農(nóng)業(yè)溫室年限識(shí)別與優(yōu)化布局 圖2 樣本點(diǎn)分布圖 Fig 2 Distribution of sample points 括支持向量機(jī) SVM 隨機(jī)森林 RF 和最大似然分 類 MLC 這些方法在遙感影像分類領(lǐng)域具有廣 泛的應(yīng)用和成熟的算法體系 能夠有效應(yīng)對(duì)復(fù)雜的 地物覆蓋特征 確保農(nóng)業(yè)溫室分布的精確提取和 識(shí)別 23 本文中各分類方法的具體參數(shù)設(shè)置如下 RF設(shè) 置的決策樹數(shù)量為200 節(jié)點(diǎn)最小樣本數(shù)為2 最大 特征數(shù)使用影像波段的平方根 具備較強(qiáng)的魯棒性 和適應(yīng)性 SVM使用徑向基核函數(shù) RBF 正則化 參數(shù)C設(shè)置為1 0 核參數(shù)gamma通過交叉驗(yàn)證優(yōu) 化為0 1 并采用 一對(duì)一 策略處理多類別分類問 題 MLC默認(rèn)假設(shè)各類別服從正態(tài)分布 按影像各 波段計(jì)算后驗(yàn)概率 并選擇最大概率的類別作為 結(jié)果 2 1 4 精度驗(yàn)證 為評(píng)估分類模型性能 使用卡帕系數(shù) Kappa coefficient K 和總體精度 Overall accuracy OA 作 為評(píng)價(jià)指標(biāo) 2 2 農(nóng)業(yè)溫室年限識(shí)別 根據(jù) 農(nóng)業(yè)溫室結(jié)構(gòu)荷載規(guī)范 GB T 51183 2016 和 設(shè)施農(nóng)業(yè)小氣候觀測(cè)規(guī)范日光溫室和塑 料大棚 GB T 38757 2020 等標(biāo)準(zhǔn) 將農(nóng)業(yè)溫室 的使用年限分為4類 建造時(shí)間小于5年 5 10年 10 15年和超過15年 不同時(shí)間段的溫室 在材料老化 性能衰減和維護(hù)需求上存在差異 小 于5年的溫室采用新技術(shù)和材料 性能優(yōu)良 維護(hù)成 本低 5 10年的溫室性能較好 但局部材料可能 老化 需要日常維護(hù) 10 15年的溫室逐漸老化 可能影響光照和保溫效果 需要全面維修或翻新 超過15年的溫室由于老化嚴(yán)重 通常需要大規(guī)模翻 新或拆除重建 本文使用ArcGIS 10 2軟件分析不 同年份溫室的分布數(shù)據(jù)及其老舊程度 2 3 驅(qū)動(dòng)力分析 以2023年農(nóng)業(yè)溫室分布數(shù)據(jù)為例 構(gòu)建網(wǎng)格化 空間框架 根據(jù)前人研究 10 為確保格網(wǎng)空間分布 可視化效果最佳 將研究區(qū)域劃分為2 km 2 km的 網(wǎng)格單元 并計(jì)算每個(gè)網(wǎng)格單元內(nèi)農(nóng)業(yè)溫室面積的 占比 并將結(jié)果劃分為9個(gè)等級(jí) 分別表示占比范 圍 0 1 1 5 5 10 10 20 20 30 30 40 40 50 50 60 60 以上 作為衡量農(nóng)業(yè)溫室密度的定量指標(biāo) 同 時(shí) 統(tǒng)計(jì)每個(gè)網(wǎng)格單元內(nèi)的相關(guān)驅(qū)動(dòng)力因素 包括平 均人口 平均高程 河網(wǎng)密度 路網(wǎng)密度 高速公路 和非高速公路 以及土壤有機(jī)質(zhì)含量 隨后 利用SPSS軟件對(duì)農(nóng)業(yè)溫室密度與驅(qū)動(dòng)力 因素進(jìn)行Pearson相關(guān)性分析 通過分析相關(guān)系數(shù) 結(jié)果 揭示農(nóng)業(yè)溫室密度與人口 地形 交通網(wǎng)絡(luò)及 土壤等因素之間的關(guān)系 并進(jìn)一步探討各因素間的 自相關(guān)性 從而確定農(nóng)業(yè)溫室的主導(dǎo)性因素 2 4 農(nóng)業(yè)溫室優(yōu)化布局 2 4 1 發(fā)展?jié)摿υu(píng)價(jià) 基于各驅(qū)動(dòng)力因素與農(nóng)業(yè)溫室發(fā)展的相關(guān)性分 析結(jié)果 對(duì)山東省農(nóng)業(yè)溫室的發(fā)展?jié)摿M(jìn)行了綜合 評(píng)價(jià) 選取與溫室分布顯著相關(guān)的驅(qū)動(dòng)力因素 采 用加權(quán)定量分析方法 對(duì)各區(qū)域農(nóng)業(yè)溫室的發(fā)展?jié)?力進(jìn)行量化評(píng)估 聚焦于潛力評(píng)價(jià) 未對(duì)用地類型 等具體因素 如耕地占用情況 進(jìn)行細(xì)化考慮 為直觀展示潛力評(píng)價(jià)結(jié)果 采用自然斷點(diǎn)法將 評(píng)估分值劃分為5個(gè)等級(jí) 等級(jí)從高到低依次為1 至5級(jí) 表示不同的建設(shè)潛力 其中 1級(jí)表示最高 發(fā)展?jié)摿?適宜大規(guī)模農(nóng)業(yè)溫室的集約化發(fā)展 5級(jí) 表示發(fā)展?jié)摿ψ畹蛥^(qū)域 適合保持現(xiàn)狀或僅在特殊 條件下進(jìn)行有限的農(nóng)業(yè)發(fā)展 2 4 2 優(yōu)化布局分析 基于對(duì)農(nóng)業(yè)溫室使用年限和發(fā)展?jié)摿Φ木C合評(píng) 價(jià) 提出了優(yōu)化布局方案 為便于分析 將溫室年限 歸類為2類 新建溫室 小于10年 和老舊溫室 大 于10年 同時(shí) 將發(fā)展?jié)摿澐譃楦甙l(fā)展?jié)摿^(qū) 1 2級(jí) 和一般發(fā)展?jié)摿^(qū) 3 5級(jí) 通過疊加 分析溫室年限與發(fā)展?jié)摿^(qū)的空間分布 進(jìn)一步劃 定了不同類型區(qū)域 為農(nóng)業(yè)溫室的合理布局提供了 科學(xué)指引 在高發(fā)展?jié)摿^(qū)中 小于10年的新建溫室區(qū)域 被劃為核心發(fā)展區(qū) 適合繼續(xù)擴(kuò)建 以形成高效集中 的生產(chǎn)區(qū)域 大于10年的老舊溫室區(qū)域同樣作為核 心發(fā)展區(qū) 建議進(jìn)行設(shè)施升級(jí)改造 以提升生產(chǎn)效率 和資源利用率 當(dāng)前無溫室的區(qū)域被劃為建議發(fā)展 區(qū) 適宜通過新建溫室來提高該區(qū)域的農(nóng)業(yè)生產(chǎn)能 力 在一般發(fā)展?jié)摿^(qū)中 新建溫室區(qū)域劃為一般 發(fā)展區(qū) 可在現(xiàn)有基礎(chǔ)上穩(wěn)步發(fā)展 以滿足區(qū)域內(nèi)的 基本農(nóng)業(yè)需求 老舊溫室區(qū)域則劃為改造轉(zhuǎn)移區(qū) 建 議逐步減少或轉(zhuǎn)移老舊溫室 以便更合理地分配資 466農(nóng) 業(yè) 機(jī) 械 學(xué) 報(bào) 2 0 2 5年 源 對(duì)于當(dāng)前無溫室的區(qū)域 同樣劃為一般發(fā)展區(qū) 由于不具備較高的發(fā)展適宜性 一般情況下不建議 新增溫室 除非在特殊需求明確 發(fā)展條件具備的情 況下 才可適度考慮新建 以確保資源利用的合理性 與可持續(xù)性 3 結(jié)果與分析 3 1 各年份農(nóng)業(yè)溫室數(shù)量及分布 隨機(jī)森林 RF 支持向量機(jī) SVM 和最大似然 分類 MLC 3種機(jī)器學(xué)習(xí)方法各年份農(nóng)業(yè)溫室提取 精度見表3 結(jié)果顯示 這3種方法總體精度都在 80 以上 均能夠滿足農(nóng)業(yè)溫室實(shí)際識(shí)別需求 但在 分類精度上存在差異 其中 RF總體精度相較于 SVM提升1 01 8 67個(gè)百分點(diǎn) 相較于MLC提升 2 25 11 20個(gè)百分點(diǎn) 這表明RF在處理大規(guī)模 高維度數(shù)據(jù)時(shí)具有顯著優(yōu)勢(shì) 具有更高的魯棒性和 精度 更適合應(yīng)用于農(nóng)業(yè)溫室分布的高精度提取和 大范圍區(qū)域分析 表3 3種分類方法精度對(duì)比 Tab 3 Accuracy comparison of three kinds of classification methods 年份 RF SVM MLC 卡帕 系數(shù) 總體精 度 卡帕 系數(shù) 總體精 度 卡帕 系數(shù) 總體精 度 2023 0 872 2 92 67 0 843 1 91 74 0 813 7 90 45 2018 0 884 6 92 83 0 846 3 91 82 0 815 5 90 58 2013 0 753 1 83 45 0 764 4 84 16 0 743 7 83 26 2008 0 765 4 84 37 0 754 1 84 19 0 725 1 81 63 從時(shí)間維度來看 2018年分類結(jié)果最優(yōu) 卡帕 系數(shù)達(dá)到0 884 6 而2013年分類結(jié)果相對(duì)較差 卡帕系數(shù)僅為0 764 4 整體而言 2023年和2018 年分類精度明顯高于2008年和2013年 這一差 異主要?dú)w因于影像分辨率不同 2018年和2023 年采用的Sentinel 2影像具有10 m的空間分辨 率 能夠更清晰地捕捉地物細(xì)節(jié)特征 從而顯著提 高分類的準(zhǔn)確性 而2008年和2013年使用的 Landsat 5 TM影像分辨率僅為30 m 較低的空間分 辨率限制了地物特征的辨識(shí)度 影響了分類精度 的提升 基于隨機(jī)森林分類的提取結(jié)果 圖3 2008年 山東省農(nóng)業(yè)溫室主要集中分布于壽光市和莘縣 隨 著設(shè)施農(nóng)業(yè)的推廣 2013年農(nóng)業(yè)溫室在原有基礎(chǔ)上 向周邊區(qū)域擴(kuò)散 同時(shí)在棗莊 臨沂 泰安 菏澤 濟(jì) 寧 濟(jì)南等地部分區(qū)域逐步形成了集中種植區(qū) 至 2018年 農(nóng)業(yè)溫室繼續(xù)從原有種植區(qū)域向周邊擴(kuò) 展 同時(shí)全省大部分市區(qū)開始零星分布農(nóng)業(yè)溫室 尤 圖3 各年份農(nóng)業(yè)溫室提取結(jié)果 Fig 3 Extraction results of agricultural greenhouse in each year 以濟(jì)寧 濰坊 臨沂3個(gè)市區(qū)的擴(kuò)展最為明顯 至 2023年 全省農(nóng)業(yè)溫室呈現(xiàn)以濰坊和聊城為核心的 超大規(guī)模種植區(qū) 以及臨沂 棗莊 濟(jì)南 泰安 菏澤 為代表的大規(guī)模種植區(qū)的空間分布格局 這一分布 特征反映了設(shè)施農(nóng)業(yè)在山東省逐步擴(kuò)展和集聚的發(fā) 展趨勢(shì) 圖4 各年份山東省農(nóng)業(yè)溫室面積及增量 Fig 4 Area and increment of agricultural greenhouse in Shandong Province by year 由圖4可見 山東省農(nóng)業(yè)溫室面積在過去15年 間呈現(xiàn)顯著的增長(zhǎng)趨勢(shì) 2008年 全省農(nóng)業(yè)溫室面 積僅為100 440 hm2 在隨后的5年間 農(nóng)業(yè)溫室面 積增長(zhǎng)約92 580 hm2 至2013年達(dá)到193 020 hm2 年均增長(zhǎng)18 513 hm2 2013 2018年是農(nóng)業(yè)溫室發(fā) 展的快速增長(zhǎng)期 面積增加約165 520 hm2 年均增 長(zhǎng)33 107 hm2 至2018年 農(nóng)業(yè)溫室面積達(dá)到 358 540 hm2 2018 2023年 農(nóng)業(yè)溫室面積繼續(xù)穩(wěn) 步增長(zhǎng) 增加114 767 hm2 年均增長(zhǎng)22 953 hm2 2023年全省農(nóng)業(yè)溫室面積達(dá)473 307 hm2 這表明 山東省農(nóng)業(yè)溫室建設(shè)在政策推動(dòng)和技術(shù)發(fā)展的支持 下 經(jīng)歷了快速擴(kuò)展和規(guī)?；l(fā)展的階段 為設(shè)施農(nóng) 業(yè)的高質(zhì)量發(fā)展奠定了堅(jiān)實(shí)基礎(chǔ) 566第6期 周奇卓等 基于GEE的山東省近15年農(nóng)業(yè)溫室年限識(shí)別與優(yōu)化布局 利用2023年結(jié)果作為驗(yàn)證 選擇市域和縣區(qū)2 個(gè)尺度的典型農(nóng)業(yè)溫室區(qū) 壽光市和泰安市 莘縣 和蘭陵縣 進(jìn)行對(duì)比 將其分類結(jié)果細(xì)節(jié)對(duì)比遙感 影像 圖5 8 可以看出 本文所得到的提取結(jié)果 與實(shí)際分布情況具有較好的一致性 證明分類效果 良好 圖5 壽光市分類結(jié)果對(duì)比 Fig 5 Comparison of classification results in Shouguang City 圖6 泰安市分類結(jié)果對(duì)比 Fig 6 Comparison of classification results in Tai an City 圖7 莘縣分類結(jié)果對(duì)比 Fig 7 Comparison of classification results in Shenxian County 圖8 蘭陵縣分類結(jié)果對(duì)比 Fig 8 Comparison of classification results in Lanling County 由表4可知 從2008年到2023年 山東省各市 農(nóng)業(yè)溫室面積顯著增長(zhǎng) 濰坊市作為設(shè)施農(nóng)業(yè)的領(lǐng) 頭羊 其農(nóng)業(yè)溫室面積從2008年的48 880 hm2增長(zhǎng) 至2023年的130 520 hm2 充分體現(xiàn)了其在設(shè)施農(nóng) 業(yè)領(lǐng)域的強(qiáng)勁發(fā)展勢(shì)頭 其他城市如聊城 臨沂等 也表現(xiàn)出穩(wěn)定的增長(zhǎng)趨勢(shì) 農(nóng)業(yè)溫室面積逐年擴(kuò)張 總體而言 山東省農(nóng)業(yè)溫室面積從2008年的 100 440 hm2增長(zhǎng)至2023年的473 307 hm2 增幅接 近4倍 呈現(xiàn)出快速發(fā)展的態(tài)勢(shì) 由表5可見 在縣區(qū)尺度上 部分縣區(qū)的農(nóng)業(yè)溫 室發(fā)展尤為迅猛 例如 壽光市農(nóng)業(yè)溫室面積從 2008年的19 253 hm2增長(zhǎng)至2023年的54 060 hm2 表4 山東省市域各年份農(nóng)業(yè)溫室面積 Tab 4 Area of agricultural greenhouses of city areas in Shandong Province hm2 地區(qū)2023年2018年2013年2008年 濰坊市130 520 115 380 82 040 48 880 聊城市80 647 53 740 24 247 13 720 臨沂市61 793 34 127 13 647 8 387 棗莊市28 707 24 680 12 953 5 573 德州市25 053 20 073 11 180 5 453 濟(jì)寧市24 907 18 133 10 400 3 307 菏澤市23 960 17 900 10 300 3 240 濱州市23 240 16 853 7 613 3 080 泰安市17 067 13 933 7 307 2 213 濟(jì)南市16 760 12 493 3 227 2 000 青島市12 173 8 513 2 893 1 513 淄博市9 987 7 213 2 667 1 400 東營(yíng)市6 007 5 420 1 747 1 033 日照市5 847 4 373 1 673 440 煙臺(tái)市5 067 3 693 1 060 167 威海市1 580 2 027 60 33 總計(jì) 473 313 358 553 193 013 100 440 表5 山東省縣區(qū)各年份農(nóng)業(yè)溫室面積 前5位 Tab 5 Area of agricultural greenhouses of county areas in Shandong Province Top 5 縣區(qū)2023年2018年2013年2008年 壽光54 060 51 547 31 620 19 240 青州37 713 38 240 18 647 14 880 莘縣32 420 19 607 12 487 8 087 滕州19 407 18 420 11 113 7 407 蘭陵16 780 16 807 10 200 3 793 突顯了其在設(shè)施農(nóng)業(yè)發(fā)展中的領(lǐng)先地位 其他縣區(qū) 如蘭陵 青州和莘縣也表現(xiàn)出持續(xù)增長(zhǎng)的趨勢(shì) 反映 了設(shè)施農(nóng)業(yè)在山東省各區(qū)域的深入推廣和快速 擴(kuò)展 圖9 山東省農(nóng)業(yè)溫室使用年限及分布 Fig 9 Distribution of agricultural greenhouse by year of use in Shandong Province 3 2 農(nóng)業(yè)溫室年限 由圖9可見 使用時(shí)間超過15年的農(nóng)業(yè)溫室與 2008年農(nóng)業(yè)溫室的空間分布高度一致 主要集中在 濰坊和聊城 并逐步向周邊擴(kuò)展 整體上 使用年限 小于5年的農(nóng)業(yè)溫室廣泛分布 特別在濰坊 聊城和 666農(nóng) 業(yè) 機(jī) 械 學(xué) 報(bào) 2 0 2 5年 臨沂較為顯著 表明山東省設(shè)施農(nóng)業(yè)近幾年發(fā)展迅 速 濰坊 聊城和臨沂成為重要核心發(fā)展地區(qū) 使用 年限為5 10年和10 15年的農(nóng)業(yè)溫室分布相似 說明這一階段產(chǎn)業(yè)發(fā)展較為平穩(wěn) 濰坊 聊城和臨沂 的集中分布為這些地區(qū)成為設(shè)施農(nóng)業(yè)中心打下了 基礎(chǔ) 根據(jù)山東省各市域農(nóng)業(yè)溫室新舊程度面積數(shù)據(jù) 表6 山東省農(nóng)業(yè)溫室的分布與使用年限呈現(xiàn)出 明顯的多樣化特征 濰坊市在各年限段均擁有最大 的農(nóng)業(yè)溫室面積 表明其在設(shè)施農(nóng)業(yè)發(fā)展中持續(xù)保 持了領(lǐng)先優(yōu)勢(shì) 聊城市和臨沂市緊隨其后 分別在 各年限段展現(xiàn)出相對(duì)較大的農(nóng)業(yè)溫室面積 顯示出 兩市在設(shè)施農(nóng)業(yè)擴(kuò)展上的顯著成效 此外 德州市 農(nóng)業(yè)溫室面積增長(zhǎng)迅速 小于5年的農(nóng)業(yè)溫室面積 達(dá)24 000 hm2 比前一個(gè)年限段增長(zhǎng)約10 表6 山東省典型市域農(nóng)業(yè)溫室新舊程度面積 Tab 6 Area of agricultural greenhouses with different usage ages of city ar