河套沈乌灌域遥感耕地面积变化

常布辉　王艳明　杨江　王艳华

摘要：以河套灌区沈乌灌域为例，以2012年的RapidEye和2016年Landsat80LI遥感影像为数据来源，在实地调查的基础上，利用监督分类（ SVM）和目视解译方法，提取了2012年和2016年沈乌灌域的耕地面积。结合目视解译结果，运用随机验证点对解译结果进行了验证，运用正确率（用户精度）、完整率（生产者精度）和整体精度（提取耕地面积与实际面积的比值）3个指标对提取结果进行了评价。验证结果显示，2012年监督分类精度的3个指标正确率、完整率以及整体精度分别为81. 96%、77. 12%和94. 10%，2016年分别为91.97%、71.39%和91.78%。结果表明：通过遥感开展灌区耕地面积变化研究具有很高的精度和时效性;相较于2012年，沈乌灌域2016年耕地面积增加了0.648万hm²，新增面积为2012年的12.8%;地下水位的变化与耕地面积变化关系密切，地下水位下降改善了土壤环境，促进了耕地面积的增加。

关键词：耕地面积;遥感解译;地下水;沈乌灌域

中图分类号：TV122

文献标志码：A

doi：10.3969/j.issn.1000-1379.2019.03.031

1 引言

耕地是人类赖以生存的基本资源和条件。进入21世纪，人口数量不断增多，耕地面积却逐渐减少。随着人们生活水平不断提高，保持农业可持续发展的首要任务就是要确保耕地的数量和质量。经济和人口的不断发展，促使耕地资源向其他土地利用方式转移，为此国家出台了《土地法》以及一系列的相关政策保护耕地资源。耕地安全对于我国而言是经济社会发展的基本条件，是社会安定的基础[1]。保护耕地资源、保障粮食安全也是中国人面对世界粮食危机挑战和质 .疑的一个重要举措[2]。

耕地资源的重要性不言而喻，而如何精确获取耕地面积的变化是耕地资源保护的前提。目前，耕地面积的获取方法经历了由人工测量、逐级统计汇总到遥感解译的转变。根据区域特点、解译精度、研究目的和遥感影像时空分辨率的不同，解译方法也不同[3]。随 着遥感技术的不断发展，不同时空分辨率的卫星影像在耕地面积的解译中应用越来越广泛。高分辨率卫星影像的空间分辨率优势明显，但时间分辨率普遍较低，数据量大，周期性差[4-6]，因此其应用范围受到很大的限制，研究区域不易过大：相较于高分辨率卫星影像的特点，低分辨率卫星影像财恰恰相反[3，7-8]：中分辨率卫星影像兼具高、低分辨率影像的特点，但是同物异谱、异物同谱、混合像元现象较严重，如何开发中分辨率卫星影像在耕地面积解译中的应用是目前的一个热点[ 9-11]。

影响耕地面积变化的因素众多，经济因素（粮食价格的浮动）、社会因素（政策法规）为主观因素，客观因素主要有土壤理化性质的改变、耕作条件的变化、灌溉条件的变化等。在河套灌区，经济因素、土壤盐碱化以及灌溉条件是影响灌区耕地资源的3个主要因素。一直以来，经济因素对耕地的增长起推动作用，而灌溉条件和土壤盐碱化起抑制作用。本文以河套灌区沈乌灌域为例，以遥感技术为基础，开展耕地面积变化及其与地下水位之间的关系研究。

2 研究区概况与数据来源

2.1 研究区概况

河套灌区是我国三个特大型灌区之一，也是我国最大的一首制自流引黄灌溉区，位于内蒙古巴彦淖尔市，地处河套平原。灌区自西向东有沈乌灌域、解放闸灌域、永济灌域、义长灌域和乌拉特灌域五大灌域。沈乌灌域位于三盛公水利枢纽西北部，南边界在乌兰布和沙漠穿沙公路以北，北边界为磴口县与杭锦后旗行政界，东起河套总干渠及乌拉河干渠，西至狼山冲洪积坡地边界，总土地面积约为18.6万hm²。沈乌灌域由三盛公水利枢纽上游3.5 km处、黄河左岸的沈乌引水口直接引水灌溉，灌溉面积约占河套灌区灌溉面积的10.12%。沈乌灌域属于温带大陆性干旱气候区，降水少，蒸发强烈，干燥多风，日温差大，日照时间长。主要作物有春小麦（3-7月）、玉米（5-9月）、葵花（5-9月）、番茄（5-8月）、瓜类（5-8月）和牧草（4-7月或者10月）等。

2.2 数据来源

德国的RapidEye卫星利用红边波段为植被分类、植被生长评估、作物估产等提供有效手段，使其在农业、水利、林业、能源等领域广泛应用，得到多国农业、林业部门认可。除了波段信息“吻合”农业、林业应用外，低成本的编程定制服务，可以更好地满足植被大面积连续监测，数据质量较高，具有良好的应用基础。

美国的Landsat80LI影像数据，卫星一共有11个波段，其中波段1-7、9-11为30 m空间分辨率的多光谱，波段8为15 m分辨率的全色波段，应用中可以通过波段融合处理获得分辨率为15 m的多光谱数据。RapidEye影像与Landsat80LI影像数据信息对比见表1。

考虑影像价格、影像质量以及实际工作的需要，購买了两幅RapidEye多光谱影像，通过拼接和剪切获取研究区2012年8月的影像数据（8月灌域内作物生长旺盛，有利于耕地的提取）。数据时间为2012年8月3日和2012年8月21日。另外2016年的影像数据为Landsat80LI数据，数据时间为2016年8月25日。相关影像详细信息见表2。

3 研究方法

3.1 技术路线

技术路线见图1。

3.2 影像预处理

影像预处理包括数据读取、辐射定标、几何纠正、图像镶嵌和剪切以及图像增强。受遥感系统空间、波谱、时间以及辐射分辨率的限制，卫星在记录地表信息的过程中会受到卫星本身以及大气等因素的影响，产生误差，从而降低遥感数据质量，影响影像分析精度，因此在实际的图像分析之前，根据利用目的对不同来源的遥感原始图像进行预处理是非常有必要的‘12]。图像预处理又被称为图像纠正和重建，其目的是纠正原始图像中的几何与辐射变形，即通过对图像获取过程中受卫星姿态、传感器角度、大气等因素产生的变形、扭曲、模糊和噪音的纠正，得到一个尽可能在几何和辐射上真实的图像[13]。辐射定标的目的是消除传感器本身产生的误差（噪声），得到真实的表观反射率。辐射定标的结果是通过建立DN值与辐射亮度之间的相关关系，利用给定的参数，由DN值间接获取真实的反射率。这样通过运用遥感数据中的DN值、相关关系以及给定的参数，就可以计算出相应的进入传感器的辐射亮度值，进而得到表观反射率[14]。最后通过大气校正，消除大气的影像，从而得到真实的地标反射率。

几何校正的目的是实现遥感图像与标准图像的几何配准，就是纠正系统性、非系统性因素引起的图像变形。笔者利用ENVI和ARCGIS软件分别对Landsat80LI影像和RapidEye影像进行辐射定标和大气校正。以Landsat80LI影像为标准，对RapidEye影像进行几何纠正。采用Linear 2%线性拉伸方法对多光谱数据进行图像增强处理[15]。

3.3 监督分类方法

目前，按照有无训练样本，可把遥感的分类法分为非监督分类和监督分类。非监督分类（ unsupervisedclassification）也称聚类分析，仅凭不同地物之间光谱特征的分布规律（自然聚类的特性）的差异进行机械性分类，获得的分类类别没有任何属性，需要通过实地调查或根据经验进一步人工赋予其真实属性[16]。监督分类（ supervised classification）又称训练场地法，是模式识别的一种方法，以建立统计识别函数为理论基础，与非监督分类相反，其主要依据典型样本训练方法实现地物划分，即首先通过人工识别建立训练样本，并赋予其属性，要求训练区具有典型性和代表性，选取的样本数尽量多且分布均匀;其次，计算统计训练样本中不同样本的特征参数;再次，计算不同样本间的分离度，符合要求后（一般要求样本分离度>1.8），确定不同样本的统计特征：以最终确定的样本特征参数作为决策规则，建立判别函数进行图像分类[17-19]。监督分类常用的方法中以支持向量机分类（ SVM）的精度较高[20-21]，本文采用支持向量机方法进行影像分类，得到2012年和2016年沈乌灌域的耕地分布。

3.4 监督分类结果

3.4.1 解译标志

在遥感影像上，不同的地物有不同的特征，这些影像特征是判读各种地物的依据，这些都称为判读或解译标志22-23]。根据形状、颜色、色调、纹理等特征，以RapidEye影像为例，在图像增强后建立研究区的解译标志，见图2。

由图2可以看出，不同解译标志之间颜色、色调、形状以及纹理差异明显。为进一步判断样本分析情况，使用ENVI对样本的分离度进行计算。ENVI使用ROI可分离性（ROI Separability）工具来计算两个类别之间的统计距离，进而确定两个类别间的差异性程度。Jeffries - Matusita距离和转换分离度（Transformed Di-vergence）方法被用来计算类别间的统计距离，以此来衡量训练样本（ ROI）的可分离性[24-25]。样本分离度见表3。

由表3可知：居民区与渠道道路、芦苇与耕地2、芦苇与林地、渠道道路与灌木丛、芦苇与耕地1、渠道道路与林地、耕地2与林地、居民区与灌木丛、芦苇与渠道道路的样本分离度都小于1.8。由此分析可知，芦苇与耕地、居民区与渠道道路和灌木丛的分离度偏低。考虑到研究区内林地主要为育林地，天然林地很少，对耕地1、耕地2和林地进行合并。芦苇对耕地提取的干扰最大，为了去除芦苇的影响，提高耕地提取精度，对芦苇进行目视解译，通过掩膜处理，最后利用去除芦苇后的训练样本进行监督分类。研究区内芦苇面积有限，且因其亲水性决定了其地理位置均在靠近海子（水域）附近，其呈现的图斑纹理杂乱无章，适合目视解译。

通过分析发现.Landsat80LI影像的样本分离度计算结果、芦苇的干扰与RapidEye影像的相似，处理方法类似，不再赘述。

3.4.2 解译结果

通过以上处理，获取2012年与2016年的耕地解译结果，见图3和图4。

运用ArcGIS对结果进行统计，结果表明：沈乌灌域2012年耕地面积为5.063万hm²，2016年耕地面积为5.711万hm²。

3.4.3 精度验证

利用随机生成的验证点（共计1 000个，其属性通过目视解译联合Google earth确定），进一步对解译结果进行验证，局部验证结果见图5。分别利用正确率（分类结果为耕地的像元中，其真实地表同为耕地的比例，类似于混淆矩阵中的用户精度）、完整率（地表真实数据中耕地被正确提取出来的比例，类似于混淆矩阵中的生产者精度）以及整体精度（提取耕地与真实地面耕地面积之比）3个指标进行精度验证，结果见表4。

表4列出了不同方法提取结果的3个评价指标统计结果，在1 000个随机生成的验证样本中，2012年和2016年联合目视解译与Google earth确定的耕地样本数分别为271和353个，非耕地样本数分别为729和647个。2012年监督分类精度的三个指标正确率、完整率以及整体精度分别为81.96%、77.12%和94.10%，2016年分别为91 .97%、71.39%和91.78%。由此可以看出，基于支持向量機的监督分类提取的沈乌灌域耕地精度较高。

3.5 结果分析讨论

由2012年和2016年耕地提取结果的统计结果可知，2016年较2012年耕地面积增加了0. 648万hm²，在2012年基础上增加了12.8%，总体上耕地的增加明显。新增耕地空间分布见图6。由图6可知，新增耕地的主要区域为渠道末端原有耕地与沙漠荒地的边缘区域。对研究区进行实地调查发现，随着土壤耕作条件的改善，在没有足够监管的情况下，发生了大面积垦荒现象。

由以上结果可以看出，沈乌灌域耕地变化呈现增加趋势，为分析其原因，对2012年和2016年的地下水位数据进行分析。2012年地下水资料来源于磴口县水务局以及沈乌灌域管理局常年观测井数据：2016年地下水数据来源于常年观测井以及2015年新建观测井数据。监测周期均为5d.监测手段为人工监测，井口及地面高程采用RTK测量获取。

由灌域内不同土地利用类型下地下水位均值（见图7）比较分析可知：2016年较2012年灌区地下水位明显下降，尤其是荒地区域。对比耕地、村庄和荒地两年的地下水位，耕地和村庄地下水位年内和年际变化不大，但总体上呈现下降趋势。年内起伏主要出现在灌溉期，其他时间变化不大。灌区荒地的成因主要是地下水位过高导致盐碱化严重，不利于作物生长。随着近些年灌区节水措施的实施，灌区内地下水位出现逐年下降的趋势，一些低洼地带土壤条件得到改善，被开垦为耕地。

另外，灌区地下水位在空间分布上的对比见图8。在空间上对比2012年与2016年地下水位的变化发现，相较于2012年，2016年地下水位在建设一分干全段、建设二分干下游渠段、建设四分干下游沿线左岸等处都有所下降，一分干渠道末端最大下降3m以上，这与该地区滴灌的发展相关：建设二分干上游渠段，建设三分干上游渠段、四支渠、五支渠、六支渠以及东风分干玛迷图支渠以上渠段，地位水位均有所上升，升幅在1-2 m之间。

为分析新增耕地与地下水埋深的关系，对新增耕地所在位置的地下水埋深进行了提取，共提取样本点21 372个，其中2016年地下水埋深小于2012年的有10 102个，大于2012年的有11 270个。由此说明，在新增耕地内2016年地下水埋深较2012年有所增加。不同地下水埋深所对应的样点数统计结果见图9。

由图9可以看出，相较于2012年，新增耕地中2016年地下水埋深大于5m的样本有所增加，小于Im的样本数减少.1-2 m的样本数增加最多.2-3 m的样本数增加较多，而3-5 m的样本数有所减少。

综合以上分析可知，在新增耕地附近.2016年地下水埋深较2012年有所增加，即地下水位出现下降。由此可以判断，地下水位的下降在一定程度上促进了耕地面积的增加。

沈乌灌域因其地理位置的特殊性，排水不畅导致其范围内出现了百余个天然海子，地下水位偏高，盐碱化比较严重。随着节水工程的实施，地下水位下降，土壤耕作条件得到改善，在原来盐碱地以及荒漠地区出现了大量的垦荒现象。

4 结论

以RapidEye和Landsat80LI卫星影像为数据基础，利用ENVI和ARCGIS为处理和辅助工具，在实地调查的基础上，运用SVM方法对沈乌灌域的耕地面积进行了提取和精度检验。

运用遥感技术开展灌区耕地变化研究具有较高的精度以及时效性。2012年监督分类精度的3个指标正确率、完整率以及整体精度分别为81.96%、77.12%和94. 10%，2016年分别为91.97%、71.39%和91.78%。

沈乌灌域在2012-2016年的5a中，耕地面积增加了12.8%。结合解译结果的对比和实地调查，新增耕地一部分处于原耕地的内部，剩余大部分距离渠道较远，处于荒地的边缘。其成因在一定程度上是节水措施实施后地下水位下降，土壤盐碱化得到改善。

通过对灌区2012年和2016年的地下水位数据分析，进一步验证了沈乌灌域地下水位变化与耕地面积变化之间存在密切联系，地下水位下降改善了土壤环境，促进了耕地面积的增加。

本研究的不足之处在于缺少土壤矿化度分析，下一步将对灌区内土壤含盐量进行测量，结合以上结果进一步分析影响耕地面积变化的其他因素。

参考文献：

[1]张宪梅，论耕地保护与我国可持续发展战略的关系[J].科技视界，2013（2）：189-189.

[2] BROWN L R.Who will Feed China？ Wake-up Call for aSmall Planet[ M]. London：W W Norton&Company， 1995： 1-2.

[3] 王力凡，潘剑君，利用高一中一低分辨率遥感影像的大区域耕地快速监测研究[J].遥感技术与应用，2011，26（4）：496-500.

[4]廖克，成夕芳，吴健生，等，高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J].测绘科学，2006，31（6）：11-15.

[5]杨冀红，孙毅，刘顺喜，高分辨率卫星遥感影像数字化更新县级土地利用基础图件的试验研究[J].中国土地科学，2002，16（3）：41-45.

[6] 李宗华，王新洲，彭明军，等，高分辨率卫星遥感影像在土地利用变更调查中的应用[J].测绘地理信息，2005，30（4）：13-16.

[7] 黄海霞，时间序列的中低分辨率遥感数据反射波段交叉辐射定标方法研究[D].青岛：中国石油大学（华东），2011：4-6.

[8] 管续栋，基于多源卫星遥感的越南水稻种植面积时空动态监测[D].济南：山东师范大学，2014：1-4.

[9]王林，基于语义的中分辨率卫星遥感影像道路信息提取研究[D].北京：北京大学，2006：2-6.

[10] 郭景峰，浅谈鄂尔多斯市鄂托克旗遥感TM影像在荒漠化及沙化土地监测中的运用[J].内蒙古林业调查设计，2006，29（6）：34-35.

[11] 及挽云，毛金明，胡辉，等，基于中分辨率卫星遥感数据的旱情监测技术研究[J].科技资讯，2012（ 33）：10-11.

[12] 刘金锋，基于多源遥感数据的青海湖流域植被指数研究[D].西宁：青海师范大学，2014：1-2.

[13] 年波，王金亮，席武俊，等，植被信息提取中的遥感影像预处理[J].云南师范大学学报（自然科学版），2004，24（2）：62-65.

[14] 张天舒，刘文清，高闽光，等，傅里叶变换红外光谱仪复数光谱误差分析及辐射定标方法研究[J].光谱学与光谱分析，2006，26（3）：430-433.

[15] 殷年，基于线性拉伸的遥感图像处理[J].大气与环境光学学报，1998，11（5）：29-33.

[16] BANDYOPADHYAY，臧光明，非监督分类[J].国外科技新书评介，2014（6）：14.

[17] 赵春霞，钱乐祥，遥感影像监督分类与非监督分类的比较[J].河南大学学报（自然科学版），2004，34（3）：90-93.

[18] 吴非权，马海州，沙占江，等，基于决策树与监督、非监督分类方法相结合模型的遥感应用研究[J].盐湖研究，2005，13（4）：9-13.

[19] 陈海林，基于判别学习的图像目标分类研究[D].合肥：中国科学技术大学，2009：8-9.

（下转第160页）（上接第155页）

[20] 闫琰，董秀兰，李燕，基于ENVI的遥感图像监督分类方法比较研究[J].北京测绘，2011（3）：14-16.

[21] 杨闫君，占玉林，田庆久，等，基于CF-1/WFVNDVI时间序列数据的作物分类[J].农业工程学报，2015（24）：155-161.

[22]江涛，遥感影像解译标志库的建立和应用[J].地理空间信息，2010，8（5）：31-33.

[23]赵林林，土地利用與生态系统HJ卫星影像解译标志库的建立：以河北省怀来县为例[C]∥中国农业产业经济发展协会，全国农业遥感与信息技术应用研讨会论文集，北京：中国农业产业经济发展协会，2010：75-79.

[24] 曹洪弟，洪友堂，张伟，等，基于ENVI的遥感图像决策树分类[J].北京测绘，2017（2）：67-71.

[25] 金杰，朱海岩，李子潇，等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济，2014，20（1）：146-148.