NDVI季節(jié)差異在山地糧食生產(chǎn)撂荒問題中的應(yīng)用

佘思揚(yáng) 周振豪 鄭浩澤

摘要：耕地是國(guó)家重要資源，近年來國(guó)家耕地廢棄現(xiàn)象日趨嚴(yán)重。雖然中國(guó)已開展耕地占補(bǔ)平衡政策，但在政策實(shí)施過程中仍然存在著新墾耕地被遺棄現(xiàn)象。文章根據(jù)廣東山地新墾耕地?cái)?shù)據(jù)，將NDVI與決策樹相結(jié)合，分析不同土地類型生長(zhǎng)季節(jié)和非生長(zhǎng)季節(jié)的NDVI差異，識(shí)別撂荒耕地?cái)?shù)量空間狀況。研究結(jié)果表明，當(dāng)?shù)匦聣ǜ匾殉霈F(xiàn)大量棄耕現(xiàn)象，大部分廢棄集中在山地丘陵和城郊地區(qū)。研究有助于快速判別耕地撂荒現(xiàn)象，幫助占補(bǔ)平衡政策開展。

關(guān)鍵詞：農(nóng)業(yè)糧食問題;耕地撂荒;遙感技術(shù)

耕地是重要的土地資源類型，土地撂荒現(xiàn)象對(duì)國(guó)家糧食安全造成了負(fù)面影響，侵害了大眾利益。中國(guó)人口基數(shù)大，糧食需求巨大。中國(guó)政府制定了一系列增加耕地的政策，以保障耕地利用與供應(yīng)的平衡。農(nóng)地補(bǔ)充政策開展后，農(nóng)地利用與供給的數(shù)量失衡問題得到了逐步緩解。但值得關(guān)注的是，新開墾耕地往往存在著坡度大、土地貧瘠等弊端。這些因素造成作物產(chǎn)量低，可導(dǎo)致農(nóng)民遷出土地，造成耕地廢棄，進(jìn)而威脅到國(guó)家的作物生產(chǎn)安全。

新墾耕地棄耕現(xiàn)象識(shí)別中，研究人員通過田野調(diào)查和統(tǒng)計(jì)方法識(shí)別耕地利用是耕地信息獲取的傳統(tǒng)途徑?，F(xiàn)有研究指出，光譜特征可以在遙感影像中反映作物的生長(zhǎng)信息，其變化與植被成熟期對(duì)應(yīng)。不同土地類型的光譜特征存在明顯差異，利用光譜差異在遙感數(shù)據(jù)上的表現(xiàn)可以用于區(qū)分耕地和非耕地。近年來，NDVI因其良好的植被特征區(qū)分能力和反映植被物候信息的準(zhǔn)確性，逐漸被應(yīng)用于遙感時(shí)間序列的構(gòu)建。以Landsat、GF遙感數(shù)據(jù)為基礎(chǔ)構(gòu)建NDVI系列模型的成熟的實(shí)際應(yīng)用。研究人員應(yīng)用此類模型來獲得作物特定的生長(zhǎng)特征，并確定不同地區(qū)的植被種植模式。

NDVI時(shí)間序列模型無法完全克服部分?jǐn)?shù)據(jù)空窗期和惡劣天氣影響。在我國(guó)南方一些山區(qū)，遙感數(shù)據(jù)有時(shí)會(huì)受到潮濕天氣的影響，在建立全年時(shí)間序列時(shí)遇到困難。在這種情況下，利用NDVI時(shí)間序列分析方法很難識(shí)別耕地。

本文基于南方低山丘陵地區(qū)的生長(zhǎng)季多降水的季風(fēng)氣候特點(diǎn)，改進(jìn)了通過構(gòu)造NDVI時(shí)間序列來區(qū)分耕地的識(shí)別方法，以減少因氣候因素造成數(shù)據(jù)采集困難的情況并得到較為精確的新墾耕地撂荒情況識(shí)別結(jié)果。

一、研究區(qū)域和材料

（一）研究區(qū)域

研究區(qū)域位于廣東省梅州市興寧縣。興寧是廣東省所轄的縣級(jí)城市，面積2104.85平方公里。位于兩廣丘陵。2019年，興寧年糧食種植面積為64.54萬(wàn)畝，產(chǎn)糧29.41萬(wàn)噸（《興寧統(tǒng)計(jì)年報(bào)》http：//www.xingning.gov.cn/xxgk/tjxx/content/post_1968697.html）。研究區(qū)景觀由耕地、野生雜草（含棄耕地）、森林、建設(shè)用地、水體、裸地（含棄耕地）組成。

（二）數(shù)據(jù)采集

GF-1衛(wèi)星發(fā)射于2013年4月26日。本研究選取了2017年和2018年共兩年的遙感影像數(shù)據(jù)。在野外研究和高分辨率遙感影像的配合下，在2017～2018年的遙感影像上依據(jù)興寧市內(nèi)現(xiàn)有耕地分布，利用Arcgis10.2隨機(jī)選取300個(gè)落于耕地上的樣本點(diǎn)，按照耕地輪廓繪制ROI作為訓(xùn)練樣本，探究耕地與非耕地NDVI時(shí)間變化規(guī)律及差異。在興寧地方政府和華南農(nóng)業(yè)大學(xué)土地整理實(shí)驗(yàn)室的幫助下，收集2009～2015年新墾耕地補(bǔ)充政策實(shí)施階段，興寧所有補(bǔ)充的生態(tài)脆弱區(qū)新墾耕地的位置信息。研究使用2018年非生產(chǎn)季（12月）與生產(chǎn)季（5月）的無云（云量小于1%）GF-1圖像（分辨率為2米）來展示樣本圖斑。這些稻田被設(shè)置作為研究結(jié)果的精度檢驗(yàn)單元。

二、研究方法

本研究綜合運(yùn)用決策樹方法和NDVI的時(shí)序曲線月份變化特征來識(shí)別撂荒耕地。在決策樹分析中加入NDVI月份分析，簡(jiǎn)化決策樹判斷過程，提高識(shí)別精度。本研究包括三個(gè)部分：構(gòu)建水稻全生長(zhǎng)期內(nèi)幾個(gè)特定土地類型的NDVI時(shí)間序列，分析曲線變化差異和極值分布，確定閾值作為劃分標(biāo)準(zhǔn);觀察各時(shí)序曲線生產(chǎn)季與非生產(chǎn)季之間的NDVI差異，確定每個(gè)定義的土地類別的月間差異;利用決策樹方法識(shí)別試驗(yàn)農(nóng)田是否撂荒。

（一）撂荒耕地的波段數(shù)據(jù)提取

本研究將從中國(guó)大陸的法律視角出發(fā)，考慮時(shí)序因素時(shí)，耕地撂荒是指耕地由于某些特殊原因，至少2年未被開墾的情況。

NDVI經(jīng)過預(yù)處理得到的地表反射率數(shù)據(jù)可以更準(zhǔn)確地反映地表覆蓋的真實(shí)情況，不受大氣、傳感器等因素的影響。這些數(shù)據(jù)集可以用來計(jì)算時(shí)間序列NDVI和NDVI的季節(jié)差異，利用2017～2018年間每月抽取分辨率為16m的GF-1衛(wèi)星影像和梅州市DEM30米影像，構(gòu)建研究區(qū)農(nóng)田NDVI分析數(shù)據(jù)庫(kù)。

遙感器自身也存在影響光譜信息的因素，因此研究采用了數(shù)據(jù)預(yù)處理（包括圖像幾何校正、輻射校準(zhǔn)和大氣校正）來消除這種影響。

（二）NDVI月份差異分析

已有研究表明，同一類型土地在一年的不同月份的NDVI值通常是存在較大差異的（特別是在生產(chǎn)季節(jié)和其他季節(jié)之間）。本文通過分析興寧縣不同土地類型生產(chǎn)季與非生產(chǎn)季的NDVI差異特征并進(jìn)行土地分類。

從圖1可以看出，6月和9月耕地NDVI數(shù)據(jù)值中值位于0.7以上，呈現(xiàn)為曲線的峰值。12月和7月的數(shù)據(jù)值位于指數(shù)曲線波谷。這些數(shù)值可用于確定興寧地區(qū)水稻的閾值范圍。

（三）NDVI閾值決策樹的構(gòu)建

研究人員基于NDVI時(shí)間序列的識(shí)別閾值，以0.30為標(biāo)準(zhǔn)，對(duì)土地NDVI數(shù)據(jù)進(jìn)行差值分析。所有差值超過0.30的樣本點(diǎn)，其值匹配的特征曲線被認(rèn)為屬于耕地，所有樣本點(diǎn)不符合上述兩個(gè)條件假設(shè)將被歸為潛在“非耕地”，并至少連續(xù)兩年符合現(xiàn)有假設(shè)的情況下，結(jié)果才能被認(rèn)為是廢棄土地。

NDVI生長(zhǎng)周期序列在曲線上逐月顯示耕地的光譜變化特征，確定最大值和最小值。根據(jù)所構(gòu)造的時(shí)間序列，最大值在7月，最小值在12月。同時(shí)，還對(duì)其他土地分類進(jìn)行了一系列的NDVI時(shí)間曲線建構(gòu)，將耕地與其他類型土地區(qū)分。最后，利用決策樹機(jī)制對(duì)采樣點(diǎn)和接收結(jié)果進(jìn)行分類。

（四）精度驗(yàn)證

本研究利用ArcGIS 10.2在高分辨率遙感影像上隨機(jī)選取點(diǎn)，選取305個(gè)測(cè)試點(diǎn)作為測(cè)試對(duì)象。通過實(shí)地調(diào)查和證據(jù)收集，研究方法的準(zhǔn)確性約為99.02%。此外，本研究的主要目的是探討興寧市新開墾耕地是否處于被撂荒狀態(tài)。因此，在進(jìn)行準(zhǔn)確性驗(yàn)證時(shí)，研究者只討論被棄耕和種植兩種情況，因此采用卡方檢驗(yàn)。最后卡方系數(shù)的結(jié)果為0.898，一致性強(qiáng)，可接受性高。

三、結(jié)果

經(jīng)過處理，得到2017年和2018年的實(shí)驗(yàn)結(jié)果，作為2009年和2015年復(fù)墾期結(jié)束后新墾耕地是否有新撂荒的依據(jù)。將興寧2009～2015年的新耕地按墾荒區(qū)域劃分為7個(gè)部分，共有試驗(yàn)農(nóng)田305塊（補(bǔ)充農(nóng)田305塊）。通過上述操作，利用ArcGIS繪制實(shí)驗(yàn)區(qū)耕地NDVI月份差值處理結(jié)果，得到主要差異結(jié)果在研究區(qū)域內(nèi)的空間分布。興寧地區(qū)95%以上的新增耕地被廢棄，大部分為雜草和低矮灌木。從整體分析，在每一個(gè)研究部分新開荒農(nóng)田中拋荒現(xiàn)象發(fā)生明顯（在這項(xiàng)研究中， No.2015，No.2012和No.2010因?yàn)闆]有新的種植農(nóng)田因而未記錄進(jìn)入數(shù)據(jù)），并廣泛分布在所有相關(guān)研究的新開墾耕地。

四、討論

（一）NDVI時(shí)序曲線法特點(diǎn)

近年來，NDVI差分識(shí)別模型被廣泛應(yīng)用于監(jiān)測(cè)風(fēng)、沙塵暴、冰雹、山地植被覆蓋變化等領(lǐng)域。基于多個(gè)來源的遙感影像、歸一化植被指數(shù)作為被選指標(biāo)，處理并統(tǒng)計(jì)參考樣本遙感圖像NDVI差異分析并確定閾值來區(qū)分常綠和落葉的波譜特點(diǎn)。本文將該方法與我國(guó)南方糧食種植系統(tǒng)相結(jié)合，應(yīng)用于嶺南山區(qū)耕地的識(shí)別。月份指數(shù)差值識(shí)別分析的優(yōu)點(diǎn)是，它不再需要構(gòu)建時(shí)序曲線所需的全生長(zhǎng)周期，且可有選擇地跳過時(shí)序曲線會(huì)受到的傳感器和天氣等因素的影響。水稻、小麥等糧食作物的NDVI在抽穗期較高，甚至達(dá)到最高值。同時(shí)農(nóng)田的指數(shù)值在收獲期后會(huì)迅速下降，直到生長(zhǎng)周期的最低點(diǎn)。利用這兩個(gè)時(shí)期的指標(biāo)建立不同的模型，區(qū)分耕地與未耕地空間分布面積。

五、結(jié)論

基于中國(guó)南方山區(qū)的區(qū)域特征，采用NDVI時(shí)序曲線與月度植被指數(shù)差值相結(jié)合的綜合方法進(jìn)行測(cè)試和分析，研究發(fā)現(xiàn)，興寧市在2009年和2015年執(zhí)行占補(bǔ)平衡政策期間新開墾的耕地，2020年10月，超過90%處于拋荒狀態(tài)。同時(shí)，研究發(fā)現(xiàn)73%的新耕地位于坡度大于6°的低山、丘陵地帶，種植條件較為一般。這項(xiàng)研究的結(jié)果將幫助政府和其他決策機(jī)構(gòu)更加科學(xué)和理性地評(píng)判當(dāng)前部分山地的耕地占補(bǔ)平衡政策，在確保耕地的質(zhì)量和可持續(xù)性的基礎(chǔ)上保障新墾耕地的數(shù)量。

參考文獻(xiàn)：

[1]Michael Lipton，Yashar Saghai.Food security，farmland access ethics，and land reform[J]. Global Food Security，2016，12.

[2]Yuanan Hu，Hefa Cheng，Shu Tao. Environmental and human health challenges of industrial livestock and poultry farming in China and their mitigation[J]. Environment International，2017，107.

[3]Ying Tang，Robert J.Mason，Yubo Wang，Governments’functions in the process of integrated consolidation and allocation of rural-urban construction land in China[J].Journal of Rural Studies，Volume 42，2015，Pages 43-51，ISSN 0743-0167.

[4]Xuefeng Yuan，Yajing Shao，Yuheng Li，Yansui Liu，Yongsheng Wang，Xindong Wei，Xiaofeng Wang，Yonghua Zhao. Cultivated land quality improvement to promote revitalization of sandy rural areas along the Great Wall in northern Shaanxi Province，China[J].Journal of Rural Studies，2019.

[5]Zhiyong Liu，Lucas Menzel. Identifying long-term variations in vegetation and climatic variables and their scale-dependent relationships：A case study in Southwest Germany[J].Global and Planetary Change，2016，147.

[6]Yong Chen，Wei He， Naoto Yokoya， Ting-Zhu Huang.Blind cloud and cloud shadow removal of multitemporal images based on total variation regularized low-rank sparsity decomposition[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，157.

[7]Lin Yang，Xianglin He，F(xiàn)eixue Shen，Chenghu Zhou，A-Xing Zhu，Bingbo Gao，Ziyue Chen，Manchun Li.Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data[J].Soil & Tillage Research，2020，196.

[8]J.Suziedelyte Visockiene，E.Tumel-iene，V.Maliene， Analysis and identification of abandoned agricultural land using remote sensing methodology[J].Land Use Policy，Volume 82，2019，Pages 709-715，ISSN 0264-8377.

[9]Xu Zhang，QingSheng Pei，Yan Chen，Ying Guo，Yanan Hou，Rui Sun.Study on Temporal and Spatial Change of Vegetation Coverage in Haiyan County Based on GF-1[J].Procedia Computer Science，2019，162.

[10]Lin Yang，Xianglin He，F(xiàn)eixue Shen，Chenghu Zhou，A-Xing Zhu，Bingbo Gao，Ziyue Chen，Manchun Li. Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data[J].Soil & Tillage Research，2020，196.

[11]Yang Yikun，Zhao Chuanfeng， Fan Hao.Spatiotemporal distributions of cloud properties over China based on Himawari-8 advanced Himawari imager data[J].Atmospheric Research，2019，240.

[12]Yunan Luo，Kaiyu Guan，Jian Peng.STAIR：A generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution， daily and cloud-/gap-free surface reflectance product[J].Remote Sensing of Environment，2018，214.

[13]Qiang Zhang，Qiangqiang Yuan， Jie Li，Zhiwei Li，Huanfeng Shen，Liangpei Zhang.Thick cloud and cloud shadow removal in multitemporal imagery using progressively spatio-temporal patch group deep learning[J].ISPRS Journal of Photogrammetry and Remote Sensing，2020，162.

[14]Congcong Li，Hongjun Li， Jiazhen Li，Yuping Lei，Chunqiang Li，KirilManevski，Yanjun Shen，Using NDVI percentiles to monitor real-time crop growth[J].Computers and Electronics in Agriculture，Volume 162，2019，Pages 357-363.

[15]Xuehong Zhang，Paul M.Treitz， Dongmei Chen，Chang Quan，Lixin Shi， Xinhui Li.Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree-based procedure[J].International Journal of Applied Earth Observations and Geoinformation，2017，62.

[16]Cramer Viki A，Hobbs Richard J， Standish Rachel J.What’s new about old fields？ Land abandonment and ecosystem assembly[J].Trends in ecology & evolution，2008，23（02）.

[17]Rouse，J.W.，Haas，R.H.，Schell，J.A. and Deering，D.W.（1974） Monitoring Vegetation Systems in the Great Plains with ERTS[w].Third ERTS-1 Symposium NASA，NASA SP-351，Washington DC，309-317.

（作者單位：華南農(nóng)業(yè)大學(xué)公共管理學(xué)院）