段 理 王石英

（四川師范大學地理與資源科學學院，四川 成都 610066）

耕地撂荒通常指耕地沒有得到有效耕作和管理處于閑置和荒蕪狀態(tài)，不同國家對于撂荒地的定義不同，日本定義撂荒地包括荒廢耕地和棄耕地[1]，立陶宛將撂荒地定義為不用于農業(yè)活動（至少3年沒有申報）的農業(yè)用地[2]。我國定義的撂荒地為閑置一年、不能創(chuàng)造價值的耕地。遙感技術是便捷提取撂荒耕地的重要手段之一。目前利用遙感手段進行撂荒地提取大致可以分為兩種，第一種為圖像分類法，另一種為變換檢測法。其中圖像分類法需要撂荒地與其他地類有明顯的可分離度，但實際上撂荒地地表覆被復雜，撂荒地與耕地和低強度種植作物區(qū)難以區(qū)分是普遍存在的問題[3]。變換檢測法主要基于像元進行，屬于缺乏知識引導的特征級變化檢測方法，“同譜異物”現象依然無法解決，此外基于像元的地物目標信息提取需要進行大量的人工交互修正后處理，耗費大量人力、物力[4]。Benz[5]將面向對象的方法引入變化檢測，在一定程度上提高了變化檢測的精度。運用該方法提取撂荒地需要滿足的先決條件是耕地需要在監(jiān)測周期內發(fā)生撂荒，因此無法對監(jiān)測周期之前的撂荒地進行提取。利用NDVI時間序列特征提取撂荒地是變換檢測法運用較廣的一種手段。程維芳等[6]運用時間序列NDVI表征主要地理覆蓋類型生命周期對撂荒耕地進行識別?；跁r間序列NDVI變換檢測法受遙感數據源空間分辨率影響較大，因此解決NDVI變換檢測法空間分辨率問題以及彌補面向對象法引入變換檢測后監(jiān)測周期性限制性是本研究的重點。

本文以資陽市祥符鎮(zhèn)為例，采用哨兵2號和谷歌高清衛(wèi)星遙感影像為數據源，結合紋理以及光譜特征對研究區(qū)2021—2022年度撂荒耕地進行提取，結合Modis年際NDVI變換情況采用NDVI閾值法輔以提取精度校正，提高了研究區(qū)撂荒耕地的提取精度。

1 研究區(qū)概況及數據源

1.1 研究區(qū)概述

研究區(qū)為四川省資陽市雁江區(qū)祥符鎮(zhèn)，該區(qū)位于成渝經濟圈核心地帶，區(qū)內面積約為80 km2。該區(qū)以川中丘陵地貌為主，耕地位于丘陵溝壑中，海拔差距較小，溝谷與山頂最大高差僅為91 m。該區(qū)屬于亞熱帶季風氣候，年平均氣溫為17 ℃，年平均降雨量為965.8 mm。降雨集中在5—9月，7月最多。

1.2 數據源

本文采用哨兵2號數據進行撂荒地提取，選用2021—2022年度大春和小春時節(jié)種植作物特征明顯期3月、8月的4景衛(wèi)星遙感影像進行研究。哨兵2號數據下載源為歐洲航天局網站，數據具有12個波段，紅邊波段可以用于農業(yè)遙感的研究。

Modis NDVI變化趨勢分析數據來自MYD13Q1 V6 product。本文選用2021年3月和2022年5月谷歌高清衛(wèi)星遙感影像，空間分辨率為2 m，數據來源為Bigemap地圖下載器。

本文還采用了來自地理空間數據云30 m分辨率的數字高程數據。

2 研究方法

以谷歌高清衛(wèi)星影像為數據源利用面向對象的方法對研究區(qū)種植耕地邊界進行提?。唤⒔庾g標致，通過波段組合法篩選出適合種植糧食作物耕地的波段組合；利用2021年和2022年大、小春特征明顯期的哨兵2號衛(wèi)星遙感影像進行種植糧食作物提取規(guī)則構建；將2021年提取的大小春種植糧食作物耕地進行合并，2022年同理運用谷歌高清衛(wèi)星遙感影像紋理特征提取種植蔬菜耕地范圍內撂荒地并結合四季NDVI閾值進行修正；撂荒地提??；將種植糧食作物耕地撂荒與種植蔬菜作物耕地撂荒進行合并，進行撂荒地疊合出圖。

2.1 耕地范圍的提取

耕地指種植農作物的土地。本文利用谷歌高清衛(wèi)星影像圖，采用面向對象的方法對研究區(qū)耕地進行提取。單獨提取耕地效果不佳，因此先對研究區(qū)森林地類進行了提取，利用排除法依次去除掉建筑物、道路、水體等地類，最后獲得研究區(qū)有耕種價值的耕地。

2.1.1 森林地類的提取

森林地類提取方法采用由Cortes等[7]提出的SVM機器學習方法，面向對象的SVM方法是以對象為基本單元，結合光譜和空間信息，再利用SVM進行分類。本文定義4類地物類別，分別為水體、森林、建筑物、耕地。

谷歌高清衛(wèi)星影像，森林地類與其他地類色彩對比明顯，極容易識別，因此本文僅依據光譜特征對其進行提取。使用機器學習方法存在漏分和錯分等問題，因此完成機器分類后，需要對分類結果進行適當調整。分類后需要進行手動修改和邏輯分析，操作在ecognition中進行。

2.1.2 混雜地類剔除

排除森林地類后的研究區(qū)還混雜一定數量的建筑物、水體、道路等地類，獲取有耕作價值的耕地還需要進一步進行剔除。考慮到相鄰兩年間基礎設施地類變化不大，本文采用2021年谷歌高清衛(wèi)星影像對鄉(xiāng)間道路和水體、建筑物進行手動提取，分割尺度為20，最終獲得資陽市祥符鎮(zhèn)具有耕種價值耕地矢量范圍。

2.2 種植作物耕地提取

2.2.1 種植糧食作物耕地的提取

資陽市糧食作物分為大春和小春兩種類型，小春主要種植物為小麥和馬鈴薯，大春主要種植物為水稻、玉米。小春是11月到次年5月，每年5月成熟收割；大春是3—11月，9—11月成熟收割。大春作物在7月和8月農作物特征明顯較容易識別，小春作物在3月和4月農作物特征明顯。本文選取2021年大、小春特征明顯期衛(wèi)星遙感影像和2020年大、小春特征明顯期衛(wèi)星遙感影進行種植糧食作物耕地的提取。通過建立解譯標志，發(fā)現B2、B8、B11的假彩色組合可以較為清晰識別種植糧食作物耕地，且長勢較好的耕地呈現亮綠色。因此利用光譜特征采用面向對象規(guī)則提取方法對該年種植糧食作物耕地進行了提取。

2021年種植糧食作物耕地提取規(guī)則如表1所示。

表1 2021年種植糧食作物耕地提取規(guī)則

依照上述方法，對2022年種植糧食作物耕地進行了提取規(guī)則建立，提取規(guī)則如表2所示。

表2 2022年種植糧食作物耕地提取規(guī)則

2.2.2 應季蔬菜耕地撂荒提取

蔬菜種植種類繁多且不具有遙感觀測特征明顯期，如僅依靠光學衛(wèi)星進行光譜特征提取則效果不佳。本文發(fā)現研究區(qū)每季都有不同種類的蔬菜種植，且蔬菜播種時期各異，不具備與糧食種植作物耕地類似的遙感觀測特征明顯期。多數蔬菜種植稀疏，導致其在光學衛(wèi)星下光譜特征不強，應季種植蔬菜作物耕地與撂荒地容易混淆，但種植作物耕地由于有人類活動痕跡，具有較強紋理特征。本文采用紋理特征的方法提取撂荒地，選用2021年3月谷歌高清衛(wèi)星遙感影像，谷歌衛(wèi)星遙感影像拍攝時間不固定，因此只能監(jiān)測1—3月耕地人類活動情況，對3月后耕地的耕種情況將無法監(jiān)測。為了提高撂荒地提取精度采用NDVI閾值法加以輔助，在無種植作物紋理耕地提取的基礎上進一步排除4月后種植作物耕地區(qū)域，從而提高撂荒地提取精度。

利用灰度直方圖描述紋理特征是比較簡單的一種方法，但該方法缺點是灰度直方圖不包含像素間相對位置信息[8]?；叶燃壒采仃嚕℅LCM）由Haralick等[9]提出，其方法認為紋理可以被認為在局部的區(qū)域內，考慮的是圖像灰度級的空間關系分布和相互作用關系。利用灰度級共生矩陣可以實現強度分布和像素位置分析目的。

本文利用Co-occurrence Measures工具，從谷歌band1 波 段 提 取correlation、dissimilarity、second moment、entropy、mean、variance、homogeneity、contrast等8個紋理特征，分別取其首位大寫字母依次簡稱為C1、D、S、E、M、V、H、C2。

經過不同的紋理特征組合，發(fā)現CSE和DSE組合能夠較為清晰地顯示無紋理地塊。

通過將CSE和DES組合進行分解，發(fā)現entropy和second moment紋理特征對撂荒地的識別貢獻較大，因此采用基于規(guī)則面向對象特征提取方式通過紋理特征值對無紋理特征耕地進行提取。

本文采用的谷歌2 m分辨率的高清衛(wèi)星遙感影像，去除掉了面積小于0.000 3 km2的耕地斑塊。最后得到了沒有耕種痕跡的耕地。考慮到研究區(qū)耕地大、小春種植作物的特點，如果僅采用2021年4月谷歌高清衛(wèi)星遙感影像，則只能提取小春時期無紋理耕地。對于小春時期而言，無紋理耕地或許并不是撂荒地，其中一部分無紋理耕地為大春時期作物播種預留地。本文借助Gee平臺利用2021年4—10月多光譜遙感Modis/Terra的NDVI數據，生成撂荒地和耕地的NDVI曲線，利用時間序列曲線表征撂荒地及耕地的生命周期特征。結合兩種覆蓋類型的生命周期特征及NDVI曲線特征，對兩種覆蓋NDVI曲線變化趨勢進行對比分析，區(qū)分撂荒地和耕地，以達到識別撂荒地的目的。

考慮不同土地類型覆蓋NDVI值不同，且Modis空間分辨率較低，其空間分辨率為250 m×250 m。因此，本文在樣本點的選擇時，選擇面積較大的純像元作為采樣點。

Modis數據作物時間序列NDVI變化如圖1所示。

圖1 Modis數據作物時間序列NDVI變化

由圖1可知，撂荒地NDVI值變化范圍為0.30～0.60，曲線變化范圍減小，峰值降低，因為荒草的長勢不如農作物長勢茂盛，因此撂荒地的NDVI峰值低于農作物的NDVI峰值。

冬季耕地進入休眠狀態(tài)，種植蔬菜作物耕地的NDVI與撂荒地的NDVI區(qū)別不大，因此本文冬季時并未對NDVI進行閾值設定。

為了提高紋理法提取撂荒地的精度，本文將無種植作物紋理耕地與NDVI閾值法提取全時段種植蔬菜作物耕地進行了疊合，對4月后種植蔬菜作物耕地進行了排除。

3 精度驗證

本文利用2022年夏季野外采集的40個撂荒地樣本點，結合30個Google earth高清衛(wèi)星遙感影像數據，對上述方法進行了精度驗證。將40個撂荒地調查樣本點數據疊加到撂荒地提取結果中，有37個樣本點落入撂荒地提取多邊形中，精度達到92%。將30個Google earth高清衛(wèi)星遙感影像數據與撂荒地提取結果進行疊加，結果有27個Google earth高清衛(wèi)星遙感影像數據落在撂荒地提取結果中，精度達到90%。因此使用該方法提取撂荒地具有較高的分類精度，錯誤率較低，能夠較好地反映該地區(qū)的撂荒狀態(tài)，達到了預期目的。

撂荒地分布如圖2所示。

圖2 撂荒地分布

4 結語

本文通過谷歌高清衛(wèi)星遙感影像在提取無紋理特征的耕地基礎上，基于Gee云平臺輔助四季NDVI閾值法進行精度校正。使用本文方法提取撂荒地可以提高撂荒地的提取精度，綜合了撂荒地圖像分類法和NDVI變化檢測法兩者優(yōu)勢。解決了同物異譜現象，同時能夠一定程度上解決NDVI變化檢測法影響撂荒地提取精度的空間分辨率問題。使用Gee平臺進行NDVI閾值提取種植蔬菜作物耕地的方法，可以將不同季節(jié)、不同月份種植的蔬菜作物耕地進行有效提取。同時該平臺集大數據和云計算于一體，能夠加快獲取效率，提高數據的運算能力，相較于ENVI NDVI閾值提取更高效和便利。本文運用ENVI與GEE雙平臺提取撂荒地，綜合ENVI平臺對哨兵2號衛(wèi)星遙感影像較高目視解譯性和該平臺搭載的基于規(guī)則構建的特征提取功能，同時借助Gee平臺云計算功能使NDVI閾值提取得以簡便化。