川中丘陵地区撂荒地的遥感提取方法研究

段 理 王石英

（四川师范大学地理与资源科学学院，四川 成都 610066）

耕地撂荒通常指耕地没有得到有效耕作和管理处于闲置和荒芜状态，不同国家对于撂荒地的定义不同，日本定义撂荒地包括荒废耕地和弃耕地[1]，立陶宛将撂荒地定义为不用于农业活动（至少3年没有申报）的农业用地[2]。我国定义的撂荒地为闲置一年、不能创造价值的耕地。遥感技术是便捷提取撂荒耕地的重要手段之一。目前利用遥感手段进行撂荒地提取大致可以分为两种，第一种为图像分类法，另一种为变换检测法。其中图像分类法需要撂荒地与其他地类有明显的可分离度，但实际上撂荒地地表覆被复杂，撂荒地与耕地和低强度种植作物区难以区分是普遍存在的问题[3]。变换检测法主要基于像元进行，属于缺乏知识引导的特征级变化检测方法，“同谱异物”现象依然无法解决，此外基于像元的地物目标信息提取需要进行大量的人工交互修正后处理，耗费大量人力、物力[4]。Benz[5]将面向对象的方法引入变化检测，在一定程度上提高了变化检测的精度。运用该方法提取撂荒地需要满足的先决条件是耕地需要在监测周期内发生撂荒，因此无法对监测周期之前的撂荒地进行提取。利用NDVI时间序列特征提取撂荒地是变换检测法运用较广的一种手段。程维芳等[6]运用时间序列NDVI表征主要地理覆盖类型生命周期对撂荒耕地进行识别。基于时间序列NDVI变换检测法受遥感数据源空间分辨率影响较大，因此解决NDVI变换检测法空间分辨率问题以及弥补面向对象法引入变换检测后监测周期性限制性是本研究的重点。

本文以资阳市祥符镇为例，采用哨兵2号和谷歌高清卫星遥感影像为数据源，结合纹理以及光谱特征对研究区2021—2022年度撂荒耕地进行提取，结合Modis年际NDVI变换情况采用NDVI阈值法辅以提取精度校正，提高了研究区撂荒耕地的提取精度。

1 研究区概况及数据源

1.1 研究区概述

研究区为四川省资阳市雁江区祥符镇，该区位于成渝经济圈核心地带，区内面积约为80 km2。该区以川中丘陵地貌为主，耕地位于丘陵沟壑中，海拔差距较小，沟谷与山顶最大高差仅为91 m。该区属于亚热带季风气候，年平均气温为17 ℃，年平均降雨量为965.8 mm。降雨集中在5—9月，7月最多。

1.2 数据源

本文采用哨兵2号数据进行撂荒地提取，选用2021—2022年度大春和小春时节种植作物特征明显期3月、8月的4景卫星遥感影像进行研究。哨兵2号数据下载源为欧洲航天局网站，数据具有12个波段，红边波段可以用于农业遥感的研究。

Modis NDVI变化趋势分析数据来自MYD13Q1 V6 product。本文选用2021年3月和2022年5月谷歌高清卫星遥感影像，空间分辨率为2 m，数据来源为Bigemap地图下载器。

本文还采用了来自地理空间数据云30 m分辨率的数字高程数据。

2 研究方法

以谷歌高清卫星影像为数据源利用面向对象的方法对研究区种植耕地边界进行提取；建立解译标致，通过波段组合法筛选出适合种植粮食作物耕地的波段组合；利用2021年和2022年大、小春特征明显期的哨兵2号卫星遥感影像进行种植粮食作物提取规则构建；将2021年提取的大小春种植粮食作物耕地进行合并，2022年同理运用谷歌高清卫星遥感影像纹理特征提取种植蔬菜耕地范围内撂荒地并结合四季NDVI阈值进行修正；撂荒地提取；将种植粮食作物耕地撂荒与种植蔬菜作物耕地撂荒进行合并，进行撂荒地叠合出图。

2.1 耕地范围的提取

耕地指种植农作物的土地。本文利用谷歌高清卫星影像图，采用面向对象的方法对研究区耕地进行提取。单独提取耕地效果不佳，因此先对研究区森林地类进行了提取，利用排除法依次去除掉建筑物、道路、水体等地类，最后获得研究区有耕种价值的耕地。

2.1.1 森林地类的提取

森林地类提取方法采用由Cortes等[7]提出的SVM机器学习方法，面向对象的SVM方法是以对象为基本单元，结合光谱和空间信息，再利用SVM进行分类。本文定义4类地物类别，分别为水体、森林、建筑物、耕地。

谷歌高清卫星影像，森林地类与其他地类色彩对比明显，极容易识别，因此本文仅依据光谱特征对其进行提取。使用机器学习方法存在漏分和错分等问题，因此完成机器分类后，需要对分类结果进行适当调整。分类后需要进行手动修改和逻辑分析，操作在ecognition中进行。

2.1.2 混杂地类剔除

排除森林地类后的研究区还混杂一定数量的建筑物、水体、道路等地类，获取有耕作价值的耕地还需要进一步进行剔除。考虑到相邻两年间基础设施地类变化不大，本文采用2021年谷歌高清卫星影像对乡间道路和水体、建筑物进行手动提取，分割尺度为20，最终获得资阳市祥符镇具有耕种价值耕地矢量范围。

2.2 种植作物耕地提取

2.2.1 种植粮食作物耕地的提取

资阳市粮食作物分为大春和小春两种类型，小春主要种植物为小麦和马铃薯，大春主要种植物为水稻、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月农作物特征明显较容易识别，小春作物在3月和4月农作物特征明显。本文选取2021年大、小春特征明显期卫星遥感影像和2020年大、小春特征明显期卫星遥感影进行种植粮食作物耕地的提取。通过建立解译标志，发现B2、B8、B11的假彩色组合可以较为清晰识别种植粮食作物耕地，且长势较好的耕地呈现亮绿色。因此利用光谱特征采用面向对象规则提取方法对该年种植粮食作物耕地进行了提取。

2021年种植粮食作物耕地提取规则如表1所示。

表1 2021年种植粮食作物耕地提取规则

依照上述方法，对2022年种植粮食作物耕地进行了提取规则建立，提取规则如表2所示。

表2 2022年种植粮食作物耕地提取规则

2.2.2 应季蔬菜耕地撂荒提取

蔬菜种植种类繁多且不具有遥感观测特征明显期，如仅依靠光学卫星进行光谱特征提取则效果不佳。本文发现研究区每季都有不同种类的蔬菜种植，且蔬菜播种时期各异，不具备与粮食种植作物耕地类似的遥感观测特征明显期。多数蔬菜种植稀疏，导致其在光学卫星下光谱特征不强，应季种植蔬菜作物耕地与撂荒地容易混淆，但种植作物耕地由于有人类活动痕迹，具有较强纹理特征。本文采用纹理特征的方法提取撂荒地，选用2021年3月谷歌高清卫星遥感影像，谷歌卫星遥感影像拍摄时间不固定，因此只能监测1—3月耕地人类活动情况，对3月后耕地的耕种情况将无法监测。为了提高撂荒地提取精度采用NDVI阈值法加以辅助，在无种植作物纹理耕地提取的基础上进一步排除4月后种植作物耕地区域，从而提高撂荒地提取精度。

利用灰度直方图描述纹理特征是比较简单的一种方法，但该方法缺点是灰度直方图不包含像素间相对位置信息[8]。灰度级共生矩阵（GLCM）由Haralick等[9]提出，其方法认为纹理可以被认为在局部的区域内，考虑的是图像灰度级的空间关系分布和相互作用关系。利用灰度级共生矩阵可以实现强度分布和像素位置分析目的。

本文利用Co-occurrence Measures工具，从谷歌band1 波 段 提 取correlation、dissimilarity、second moment、entropy、mean、variance、homogeneity、contrast等8个纹理特征，分别取其首位大写字母依次简称为C1、D、S、E、M、V、H、C2。

经过不同的纹理特征组合，发现CSE和DSE组合能够较为清晰地显示无纹理地块。

通过将CSE和DES组合进行分解，发现entropy和second moment纹理特征对撂荒地的识别贡献较大，因此采用基于规则面向对象特征提取方式通过纹理特征值对无纹理特征耕地进行提取。

本文采用的谷歌2 m分辨率的高清卫星遥感影像，去除掉了面积小于0.000 3 km2的耕地斑块。最后得到了没有耕种痕迹的耕地。考虑到研究区耕地大、小春种植作物的特点，如果仅采用2021年4月谷歌高清卫星遥感影像，则只能提取小春时期无纹理耕地。对于小春时期而言，无纹理耕地或许并不是撂荒地，其中一部分无纹理耕地为大春时期作物播种预留地。本文借助Gee平台利用2021年4—10月多光谱遥感Modis/Terra的NDVI数据，生成撂荒地和耕地的NDVI曲线，利用时间序列曲线表征撂荒地及耕地的生命周期特征。结合两种覆盖类型的生命周期特征及NDVI曲线特征，对两种覆盖NDVI曲线变化趋势进行对比分析，区分撂荒地和耕地，以达到识别撂荒地的目的。

考虑不同土地类型覆盖NDVI值不同，且Modis空间分辨率较低，其空间分辨率为250 m×250 m。因此，本文在样本点的选择时，选择面积较大的纯像元作为采样点。

Modis数据作物时间序列NDVI变化如图1所示。

图1 Modis数据作物时间序列NDVI变化

由图1可知，撂荒地NDVI值变化范围为0.30～0.60，曲线变化范围减小，峰值降低，因为荒草的长势不如农作物长势茂盛，因此撂荒地的NDVI峰值低于农作物的NDVI峰值。

冬季耕地进入休眠状态，种植蔬菜作物耕地的NDVI与撂荒地的NDVI区别不大，因此本文冬季时并未对NDVI进行阈值设定。

为了提高纹理法提取撂荒地的精度，本文将无种植作物纹理耕地与NDVI阈值法提取全时段种植蔬菜作物耕地进行了叠合，对4月后种植蔬菜作物耕地进行了排除。

3 精度验证

本文利用2022年夏季野外采集的40个撂荒地样本点，结合30个Google earth高清卫星遥感影像数据，对上述方法进行了精度验证。将40个撂荒地调查样本点数据叠加到撂荒地提取结果中，有37个样本点落入撂荒地提取多边形中，精度达到92%。将30个Google earth高清卫星遥感影像数据与撂荒地提取结果进行叠加，结果有27个Google earth高清卫星遥感影像数据落在撂荒地提取结果中，精度达到90%。因此使用该方法提取撂荒地具有较高的分类精度，错误率较低，能够较好地反映该地区的撂荒状态，达到了预期目的。

撂荒地分布如图2所示。

图2 撂荒地分布

4 结语

本文通过谷歌高清卫星遥感影像在提取无纹理特征的耕地基础上，基于Gee云平台辅助四季NDVI阈值法进行精度校正。使用本文方法提取撂荒地可以提高撂荒地的提取精度，综合了撂荒地图像分类法和NDVI变化检测法两者优势。解决了同物异谱现象，同时能够一定程度上解决NDVI变化检测法影响撂荒地提取精度的空间分辨率问题。使用Gee平台进行NDVI阈值提取种植蔬菜作物耕地的方法，可以将不同季节、不同月份种植的蔬菜作物耕地进行有效提取。同时该平台集大数据和云计算于一体，能够加快获取效率，提高数据的运算能力，相较于ENVI NDVI阈值提取更高效和便利。本文运用ENVI与GEE双平台提取撂荒地，综合ENVI平台对哨兵2号卫星遥感影像较高目视解译性和该平台搭载的基于规则构建的特征提取功能，同时借助Gee平台云计算功能使NDVI阈值提取得以简便化。