基于Sentinel-2 影像數(shù)據(jù)的耕地撂荒信息提取
——以甘肅省天水市八里灣鎮(zhèn)為例

馬引弟，吳 靜，李純斌，李曉杰

（1.甘肅農(nóng)業(yè)大學(xué) 管理學(xué)院，甘肅蘭州 730070；2.甘肅農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，甘肅蘭州 730070）

一、引言

隨著城鄉(xiāng)一體化和社會(huì)經(jīng)濟(jì)轉(zhuǎn)型的快速推進(jìn)，在農(nóng)業(yè)生產(chǎn)效益低下與農(nóng)村勞動(dòng)力向外轉(zhuǎn)移等多重因素的影響下，農(nóng)村撂荒耕地面積逐年增加，在我國(guó)經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)尤其是丘陵和山區(qū)最為明顯[1]。我國(guó)人多地少，耕地撂荒危及糧食安全和當(dāng)?shù)厣鷳B(tài)環(huán)境。當(dāng)前撂荒地的提取多基于MODIS、Landsat、SPOT、高分一號(hào)、TM/ETM+等數(shù)據(jù)[2-8]，但這些影像數(shù)據(jù)時(shí)空分辨率或光譜分辨率較低，對(duì)地形復(fù)雜區(qū)域的地類提取有一定的干擾。歐空局于2015 年發(fā)射Sentinel-2A 衛(wèi)星以及2017 年發(fā)射的Sentinel-2B衛(wèi)星遙感空間分辨率達(dá)10 m，且增加了4 個(gè)與葉綠素含量密切相關(guān)的紅邊波段，現(xiàn)已運(yùn)用于作物識(shí)別[9]、地物類型的劃分[10-11]等各方面研究，對(duì)于地形復(fù)雜區(qū)域的地類劃分有著重要的作用，如張衛(wèi)春等（2019）[12]在研究低山丘陵區(qū)土地利用分類時(shí)，加入Sentinel-2 數(shù)據(jù)紅邊波段的相關(guān)指數(shù)特征，有效地提高了低山丘陵區(qū)土地利用的分類精度。

甘肅省天水市八里灣鎮(zhèn)地形復(fù)雜，地塊破碎，土地利用分散，混合像元較多，對(duì)地物信息精準(zhǔn)提取造成很大干擾，利用隨機(jī)森林算法對(duì)八里灣鎮(zhèn)的Sentinel-2 高分辨率遙感衛(wèi)星數(shù)據(jù)進(jìn)行土地利用分類，利用混淆矩陣檢驗(yàn)分類結(jié)果精度，并依據(jù)耕地撂荒判別規(guī)則，提取耕地撂荒信息。

二、研究區(qū)概況

八里灣鎮(zhèn)位于甘肅省天水市甘谷縣渭北的淺山區(qū)，其所處位置如圖1 所示。從地形上看，地形崎嶇，地塊破碎，以山地為主，平均海拔1 820 m，西南部坡度較大，總耕地面積50.80 km2，以旱地為主，平均降水量440 mm，年平均氣溫7.8 度，全年無(wú)霜期158 天，當(dāng)?shù)刂饕魑镉杏衩?、冬小麥、洋芋等，作物一年一熟，冬小麥生長(zhǎng)周期從當(dāng)年9 月份種植，來(lái)年7 月收割，而玉米和洋芋在3 月份種植，當(dāng)年8月底開(kāi)始收割。

圖1 八里灣鎮(zhèn)位置圖

三、數(shù)據(jù)來(lái)源與方法

（一）數(shù)據(jù)來(lái)源

Sentinel-2 數(shù)據(jù)（https：//scihub.copernicus.eu/dhus/#/home）：同一組包含了AB 兩顆星，Sentinel-2A 發(fā)射于2015 年6 月23 日，Sentinel-2B 衛(wèi)星發(fā)射于2017年3 月7 日，Sentinel-2 數(shù)據(jù)空間分辨率為10 m。本文選擇2017-06-06 和2018-06-11 的Sentinel-2A以及2019-06-01 的Sentinel-2B 影像數(shù)據(jù)，三期影像集中在6 月份，此時(shí)，主要農(nóng)作物冬小麥進(jìn)入乳熟階段，玉米開(kāi)始出穗，洋芋的葉子生長(zhǎng)茂盛，與混雜植被覆蓋的差異較大，容易區(qū)；采用30 m 分辨率的DEM 數(shù)據(jù)，來(lái)源于地理空間數(shù)據(jù)云（http：//www.gscloud.cn/）；在提取采樣點(diǎn)時(shí)，參考了來(lái)自于全能電子地圖下載器的Google Earth 影像數(shù)據(jù)，地圖級(jí)別越高分辨率越高，在這里采用了18 級(jí)，分辨率為0.6 m的Google Earth 影像。

（二）數(shù)據(jù)預(yù)處理

本文調(diào)用歐空局提供的Sen2cor 中的L2A_Process及L2B_Process 進(jìn)行大氣校正，并保留10 m 分辨率的波段，使用snap 軟件對(duì)數(shù)據(jù)進(jìn)行重采樣成hdr 格式，并裁剪出研究區(qū)范圍，計(jì)算提取NDVI、RENDVI、S2REP 三個(gè)指數(shù)特征；將DEM 數(shù)據(jù)重采樣為10 m，計(jì)算坡度；將原影像的紅波段、綠波段、藍(lán)波段、近紅波段、NDVI、RENDVI、S2REP、DEM、坡度組合為9 個(gè)波段的待分類影像。

土地利用分類是研究土地利用變化的基礎(chǔ)，根據(jù)研究區(qū)實(shí)際情況結(jié)合《土地利用現(xiàn)狀分類》（GB/T 21010—2017）將研究區(qū)內(nèi)的土地利用狀況分為旱地、林地、草地、水域、裸地以及建設(shè)用地六類，結(jié)合八里灣鎮(zhèn)Google Earth 影像數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)提取采樣點(diǎn)以及驗(yàn)證樣本點(diǎn)共195 個(gè)點(diǎn)，約70%的樣點(diǎn)作為分類樣本點(diǎn)，30%的樣點(diǎn)作為驗(yàn)證樣本點(diǎn)。研究區(qū)內(nèi)水域少且集中分布，因此水域采樣點(diǎn)較少且密集分布。

（三）隨機(jī)森林算法分類

隨機(jī)森林算法是2001 年由美國(guó)科學(xué)院院士Leo Breiman（2001）[13]綜合他提出的Bagging 集成、CART決策樹(shù)以及特征隨機(jī)選取思想而提出的機(jī)器學(xué)習(xí)算法，該算法的基本思想是利用bootstrap 重抽樣方法從原始樣本中抽取多個(gè)樣本，對(duì)每個(gè)bootstrap 樣本進(jìn)行決策樹(shù)建模，然后將這些決策樹(shù)組合在一起，通過(guò)投票得出最終分類或預(yù)測(cè)的結(jié)果。建立步驟如下：在原始樣本中，隨機(jī)且有放回地抽取N 個(gè)訓(xùn)練樣本，訓(xùn)練集的大小約為原始數(shù)據(jù)的2/3；測(cè)試數(shù)據(jù)集的樣本約為原始數(shù)據(jù)的1/3。

基于抽取的訓(xùn)練樣本集分別建立N 棵CART決策樹(shù)組成隨機(jī)森林，在每棵樹(shù)生長(zhǎng)過(guò)程中，從M 個(gè)特征變量中隨機(jī)抽取m 個(gè)（m≤M）進(jìn)行內(nèi)部節(jié)點(diǎn)的劃分，m 個(gè)特征組成的子集被稱為特征的隨機(jī)子空間。

最后組合N 棵決策樹(shù)的預(yù)測(cè)結(jié)果，利用投票的方式確定新樣本的類別。

通常情況下，樹(shù)的個(gè)數(shù)（N）設(shè)為100，單棵樹(shù)的最大特征數(shù)目（m）為總特征數(shù)個(gè)數(shù)的平方根[14-15]。

（四）耕地撂荒的提取規(guī)則

1.耕地撂荒的定義。在前人的研究里，一般結(jié)合研究區(qū)實(shí)際情況與耕作制度來(lái)確定撂荒，在不同地區(qū)有把耕地閑置一年以上定義為撂荒[6-7]，有把耕地荒蕪一季或一季以上的視為撂荒[16-17]。八里灣鎮(zhèn)受季風(fēng)影響，降水分布極不均勻，主要農(nóng)作物一年一熟，當(dāng)?shù)匾荒暌淮握{(diào)整作物或是對(duì)耕地進(jìn)行休耕，兩年及兩年以上則是放棄耕種，據(jù)此本文將耕地撂荒定義為：耕地閑置或荒蕪兩年以上（包括兩年）為耕地撂荒，而耕地閑置或荒蕪一年為耕地休耕。

2.耕地撂荒的提取規(guī)則。八里灣鎮(zhèn)位于山區(qū)，土地破碎嚴(yán)重，撂荒地在影像上難以直接分辨，因此通過(guò)建立撂荒判別規(guī)則，以耕地向其他地類的轉(zhuǎn)變判斷撂荒狀況。根據(jù)實(shí)際調(diào)查情況，在研究區(qū)內(nèi)，耕地荒蕪以后可能演變?yōu)槁愕亍⒉莸貎煞N類型。根據(jù)以上定義及研究區(qū)耕地撂荒演變狀況，對(duì)撂荒地的判別規(guī)則如下：在第2017 年有耕地斑塊A、B、C、D，在2018 年A、B 斑塊轉(zhuǎn)變?yōu)槁愕鼗虿莸?，C、D 斑塊依舊為耕地；2019 年A 斑塊恢復(fù)耕種為耕地、B 斑塊依舊為裸地或草地、C 斑塊依舊耕種、D 斑塊轉(zhuǎn)變?yōu)槁愕鼗虿莸?。在演變的過(guò)程中B 斑塊連續(xù)兩年為裸地或草地狀態(tài)，則判斷其為耕地撂荒，而A、D 斑塊有一年變?yōu)槁愕鼗虿莸貭顟B(tài)，則將其視為休耕且D 斑塊存在潛在撂荒，如表1 所示。

表1 耕地撂荒判斷規(guī)則

耕地撂荒通常用耕地的撂荒率定量化表達(dá)，即每年的撂荒面積占本底耕地面積的比例。具體表達(dá)式如下：

式中：Pi表示撂荒率；Ai表示第i 年的耕地撂荒面積；A0表示本底耕地面積。

四、結(jié)果與分析

遙感影像分類結(jié)果利用混淆矩陣進(jìn)行精度評(píng)價(jià)，確定分類的精度和可靠性，評(píng)價(jià)精度的因子有總體分類精度、Kappa 系數(shù)等。2017—2019 年隨機(jī)森林分類結(jié)果的分類精度依次為87%、76%、86%，Kappa 系數(shù)依次為0.85、0.71、0.83?？梢钥闯?，分類精度均在75%～90%之間，2018 年分類結(jié)果精度低于2017 年和2019 年的分類結(jié)果精度，由于2018 年局部的小塊云覆蓋影響了分類。

利用隨機(jī)森林算法得到的土地利用分類結(jié)果，得到2017 年的耕地?cái)?shù)據(jù)作為本耕地?cái)?shù)據(jù)，使用撂荒地的判斷規(guī)則提取了2017—2019 年耕地撂荒空間分布圖，2017—2018 年以及2018—2019 年的休耕空間分布圖（圖2a、圖2b、圖2c、圖2d）。

圖2 休耕以及耕地撂荒分布圖

從圖2 可以看出，耕地休耕每年都存在且不能確定休耕具體位置以及面積大小，分布面積較大，較廣較均勻，計(jì)算得到2017—2018 年休耕面積為11.374 5 km2，2018—2019 年休耕面積為6.736 4 km2，2018—2019 年休耕面積少于2017—2018 年休耕面積，說(shuō)明上一年沒(méi)有耕種的耕地下一年開(kāi)始耕種，或者一年內(nèi)輪換作物，在遙感影像上呈現(xiàn)出裸地或草地狀態(tài)。

以2017 年土地利用分類的耕地為本底耕地?cái)?shù)據(jù)，與2018 年、2019 年草地和裸地相交得到了2017—2019 年撂荒數(shù)據(jù)，計(jì)算得到撂荒面積為3.964 1 km2，從撂荒分布圖可以看出撂荒集中在西南部，東北部撂荒較少。

影響山區(qū)地形的重要因素之一是坡度，按照1984 年中國(guó)農(nóng)業(yè)區(qū)劃委員會(huì)頒發(fā)《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》對(duì)耕地坡度分為≤2°、2°～6°、6°～15°、≥15°四個(gè)級(jí)別，將耕地撂荒信息落在坡度圖上，如圖3（d）所示，可以更明顯地看出在坡度大于15° 的西南部耕地撂荒更多，由此可見(jiàn)，坡度越大，撂荒概率越高。

五、結(jié)論與討論

（一）結(jié)論

本文基于2017—2019 年甘肅省天水市甘谷縣八里灣鄉(xiāng)的Sentinel-2 數(shù)據(jù)，利用隨機(jī)森林算法分類，根據(jù)建立的耕地撂荒提取規(guī)則提取2017—2019年的休耕、撂荒范圍，制作休耕以及撂荒分布圖，得到以下結(jié)論：（1）采用隨機(jī)森林算法分類對(duì)2017—2019 年影像進(jìn)行分類，其分類精度均在0.7～0.9 之間，可以將分類結(jié)果運(yùn)用于耕地撂荒的判別。（2）通過(guò)計(jì)算，2017—2018 年休耕面積為11.374 5 km2，2018—2019 年休耕面積為6.736 4 km2，2017—2019年撂荒面積為3.964 1 km2，得到撂荒率為7.8%，可以看出甘谷縣八里灣鎮(zhèn)的休耕現(xiàn)象比較普遍，耕地撂荒現(xiàn)象是比較嚴(yán)重的。（3）結(jié)合坡度來(lái)看，撂荒主要分布在坡度大于15° 的西南部，則說(shuō)明坡度越大，越不適宜于耕種。

（二）討論

本文中利用新的Sentinel-2 遙感影像數(shù)據(jù)，分辨率為10 m，比之以往的Landsat 等數(shù)據(jù)，有更高的準(zhǔn)確性，但Sentinel-2 遙感影像數(shù)據(jù)時(shí)間較短，無(wú)法從長(zhǎng)時(shí)間分析當(dāng)?shù)馗亓袒那闆r；在土地利用分類圖時(shí)，結(jié)合了紅波段、綠波段、藍(lán)波段、近紅波段、NDVI、RENDVI、S2REP、DEM、坡度9 個(gè)因子，是否可以結(jié)合更多遙感影像波段組合的特征指數(shù)，更準(zhǔn)確地執(zhí)行土地利用分類；在實(shí)地調(diào)查時(shí)農(nóng)村老人兒童留守人口居多，對(duì)過(guò)去的事不清楚或者回憶不起來(lái)，驗(yàn)證數(shù)據(jù)存在一定的誤差，且實(shí)地調(diào)查需要花費(fèi)大量的時(shí)間和資金。