基于多時(shí)相哨兵遙感影像的撂荒耕地識(shí)別方法

王 強(qiáng),曹 誠

(湖南省第二測繪院,湖南 長沙 410119)

0 引言

近年來國際外部環(huán)境嚴(yán)峻變化,我國糧食安全生產(chǎn)經(jīng)歷了嚴(yán)峻考驗(yàn),國家將糧食安全生產(chǎn)提升到了前所未有的高度,而耕地撂荒嚴(yán)重影響了我國糧食產(chǎn)量。湖南省國土地形崎嶇復(fù)雜多樣,丘陵山地面積廣大,農(nóng)業(yè)機(jī)械化水平較低,耕地質(zhì)量參差不齊,人均占有耕地面積水平低,而且隨著工業(yè)化不斷發(fā)展和城鎮(zhèn)化水平的日益提高,農(nóng)村人口勞動(dòng)力不斷流失,農(nóng)村耕地撂荒的現(xiàn)象越來越嚴(yán)重[1]。農(nóng)村大面積的耕地撂荒不僅加劇了人地矛盾,而且為糧食安全生產(chǎn)帶來了隱患。糧食安全生產(chǎn)關(guān)系著廣大人民群眾的根本利益和社會(huì)穩(wěn)定,因此開展撂荒耕地監(jiān)測對(duì)社會(huì)經(jīng)濟(jì)發(fā)展有著至關(guān)重要的作用[2]。

按照傳統(tǒng)調(diào)查監(jiān)測手段對(duì)撂荒耕地進(jìn)行監(jiān)測耗時(shí)長、效率低、成本高,而近年來衛(wèi)星遙感技術(shù)迅猛發(fā)展,能夠多層次、多角度、全方位的對(duì)地進(jìn)行觀測,衛(wèi)星遙感技術(shù)已經(jīng)廣泛的應(yīng)用于資源調(diào)查和環(huán)境監(jiān)測等領(lǐng)域[3-4],因此能夠利用衛(wèi)星遙感技術(shù)的多傳感器、多時(shí)空分辨率對(duì)撂荒耕地來進(jìn)行更快捷高效的監(jiān)測。國內(nèi)外學(xué)者已經(jīng)進(jìn)行了基于多時(shí)相MODIS、Landsat、GF-1/WFE、Sentinel-2系列遙感衛(wèi)星數(shù)據(jù)在各種農(nóng)作物的識(shí)別提取的研究[5-8]。張影等基于Sentiel-2紅邊波段提取水稻精度能達(dá)到91.58%[9]。肖國峰等基于Landsat數(shù)據(jù)和HJ1A數(shù)據(jù)采用CART決策樹分類方法監(jiān)測出其研究區(qū)域最大撂荒率為5.37%[10]。程維芳等基于日本ALOS衛(wèi)星遙感影像NDVI時(shí)間序列曲線,區(qū)分土地覆蓋類型,正確率高達(dá)90%[11]。國外學(xué)者Baumann等通過研究Landsat數(shù)據(jù)對(duì)土地類型進(jìn)行分類提取,提取了烏克蘭部分區(qū)域的撂荒耕地,撂荒率約為21.1%[12]。Alcantara等對(duì)MODIS時(shí)序影像進(jìn)行研究,估算提取了歐洲撂荒耕地的空間分布圖[13]。本研究以湖南中部某縣為例,基于連續(xù)四個(gè)季節(jié)的哨兵2號(hào)衛(wèi)星遙感影像數(shù)據(jù),分析數(shù)據(jù)光譜特征以及各時(shí)相間植被指數(shù)的差值,獲得各典型農(nóng)作物和撂荒耕地的光譜特征,利用決策樹算法進(jìn)行分類提取,獲得了該縣撂荒耕地的分布圖,為我國丘陵地區(qū)和山區(qū)撂荒耕地統(tǒng)計(jì)調(diào)查提供了一種參考方法。

1 研究內(nèi)容和方法

1.1 研究區(qū)概況

本研究選擇具有典型山地丘陵地形代表的湖南中部某縣作為研究對(duì)象。該縣位于湖南省中南部偏西,縣域總面積2 000.98 km2,常住人口75萬左右,屬于大陸亞熱帶季風(fēng)濕潤氣候區(qū),氣候溫和,雨量充沛,年平均氣溫16.9℃,年平均降雨量為545.4 mm。該縣是湖南省種糧產(chǎn)糧大縣,全縣耕地面積80.80萬畝,2021年糧食總產(chǎn)量46.7萬t。同時(shí)因?yàn)榭h域地形崎嶇,耕地比較零碎,農(nóng)業(yè)機(jī)械化程度較低,而且近年來由于種糧經(jīng)濟(jì)效益不高,外出務(wù)工勞動(dòng)力越來越多,農(nóng)村耕地撂荒現(xiàn)象越來越嚴(yán)重,監(jiān)測估算該縣撂荒耕地規(guī)模數(shù)量很有代表和必要性。

1.2 數(shù)據(jù)資料

1.2.1 輔助資料

為了能夠更好地研究項(xiàng)目區(qū)耕地撂荒情況,以及提升對(duì)該縣耕地情況進(jìn)行分析,收集了以下相關(guān)資料：

1)項(xiàng)目區(qū)2021年第二季度1 m分辨率遙感統(tǒng)籌數(shù)字正射影像(DOM);

2)項(xiàng)目區(qū)2020年度變更調(diào)查數(shù)據(jù)庫;

3)項(xiàng)目區(qū)鐵塔視頻點(diǎn)位。

1.2.2 原始衛(wèi)星遙感影像資料

該縣冬冷夏熱,春夏之交有漫長的梅雨季節(jié),夏天降雨充沛,而云量是影響光學(xué)影像質(zhì)量重要因素之一,選取合格影像資料是監(jiān)測成果準(zhǔn)確性重要步驟。為保障項(xiàng)目研究順利進(jìn)行,選用哨兵2號(hào)多時(shí)像影像作為此項(xiàng)目的研究數(shù)據(jù)。

哨兵2號(hào)衛(wèi)星(Sentinel-2A/2B)是歐洲航天局的多光譜衛(wèi)星,其攜帶的多光譜成像儀可覆蓋13個(gè)光譜波段,幅寬可達(dá)290 km,最高10 m空間分辨率,重訪周期為10 d,而且影像能夠免費(fèi)下載,為農(nóng)林業(yè)方面的監(jiān)測提供了極大的便利。

通過了解該縣主要農(nóng)作物的物候特征以及不同時(shí)像耕地和撂荒耕地影像差異性,再根據(jù)影像覆蓋范圍以及影像云量多少,選取五景哨兵衛(wèi)星影像能夠覆蓋研究區(qū)大部分區(qū)域,景號(hào)分別為20211113T031001＿N0301＿R075＿T49REK＿20211113T061542、20220308T030549＿N0400＿R075＿T49REK＿20220308T070701、20220407T030539＿N0400＿R075＿T49REK＿20220407T053610、20220815T030529＿N0400＿R075＿T49REK＿20220815T053109、20220914T030519＿N0400＿R075＿T49REK＿20220914T052809,覆蓋了全年4個(gè)季節(jié)的遙感影像,能夠反映撂荒耕地與正常耕種耕地在各個(gè)季節(jié)的光譜特征差異性。

1.3 衛(wèi)星遙感影像預(yù)處理

針對(duì)選取收集的哨兵2A原始遙感影像,利用ENVI專業(yè)影像處理軟件對(duì)其進(jìn)行預(yù)處理,以便更好的應(yīng)用于撂荒耕地的監(jiān)測,其中主要的預(yù)處理步驟包括輻射定標(biāo)、大氣校正、正射校正、幾何精校正、影像融合等。

1.4 撂荒耕地以及典型耕地樣本點(diǎn)的選取

選取樣本點(diǎn)的好壞、合理與否對(duì)撂荒耕地成果識(shí)別監(jiān)測以及精度驗(yàn)算起著至關(guān)重要的作用。本項(xiàng)目采用內(nèi)外業(yè)結(jié)合方式選取樣本點(diǎn),通過分析該縣變更調(diào)查數(shù)據(jù)庫中耕地分布情況以及耕地種植屬性情況,套合DOM正射影像,共獲取該縣典型農(nóng)作物調(diào)查樣本點(diǎn)數(shù)據(jù)共589個(gè)(見圖1),然后再利用鐵塔視頻技術(shù)(見圖2)以及外業(yè)實(shí)地調(diào)查相結(jié)合的方式保證樣本點(diǎn)的正確合理,以其中一部分樣本點(diǎn)作為訓(xùn)練樣本點(diǎn),剩下一部分作為驗(yàn)證樣本點(diǎn),具體如表1所示。包括水稻樣本點(diǎn)173個(gè)、玉米樣本點(diǎn)62個(gè)、蔬菜樣本點(diǎn)77個(gè)以及撂荒耕地樣本點(diǎn)277個(gè)。根據(jù)該縣農(nóng)作物的物候特點(diǎn),7、8月是水稻、玉米、蔬菜等農(nóng)作物生長季節(jié),各樣本點(diǎn)的可靠性高,為后續(xù)撂荒耕地分析提取以及驗(yàn)證提供可靠依據(jù)。利用鐵塔視頻技術(shù)選取驗(yàn)證樣本點(diǎn)的正確性較傳統(tǒng)外業(yè)調(diào)查作業(yè)方式具有人力投入成本少、效率高。

表1 研究區(qū)撂荒耕地監(jiān)測樣本種類及數(shù)量

圖1 撂荒耕地監(jiān)測樣本點(diǎn)分布圖Fig.1 Distribution map of abandoned farmland sample points

圖2 撂荒耕地樣本點(diǎn)實(shí)地照片(鐵塔視頻)Fig.2 Field photos of abandoned farmland sample points(Tower Video)

1.5 作物分類提取方法

本研究提取監(jiān)測撂荒耕地利用多時(shí)相衛(wèi)星遙感影像對(duì)典型植被的光譜特征進(jìn)行綜合分析,包括影像各波段植被指數(shù)、反射率、各時(shí)相間的差值指數(shù),識(shí)別出具有撂荒耕地識(shí)別能力的衛(wèi)星遙感影像特征,分析其隨時(shí)間變化的規(guī)律,整理撂荒耕地與各不同農(nóng)作物的光譜特征集,最后再利用CART決策樹分類方法,提取撂荒耕地。

通過計(jì)算各種農(nóng)作物以及撂荒耕地在不同時(shí)期的歸一化植被指數(shù)(NDVI),比值植被指數(shù)(RVI),差值植被指數(shù)(DVI)以及各時(shí)相間的差值指數(shù),通過對(duì)不同典型農(nóng)作物樣本點(diǎn)遙感影像不同植被特征指數(shù)間差值進(jìn)行箱型圖分析,進(jìn)行多組數(shù)據(jù)分布特征的比較、分析、統(tǒng)計(jì)選取了撂荒耕地光譜特征集。

在統(tǒng)計(jì)撂荒耕地光譜特征集后,選擇合理的不同植被指數(shù)閾值構(gòu)建決策樹作物分類算法。決策樹分類算法能充分利用衛(wèi)星遙感影像光譜特征信息,可以建立不同地物目標(biāo)的識(shí)別規(guī)則,而且在一定程度上可以解決衛(wèi)星遙感影像異物同譜、同物異譜的問題。CART決策樹算法模型比較簡單,可以自發(fā)的根據(jù)訓(xùn)練樣本確定不同地物分類閾值,自動(dòng)生成決策樹,不受其他因素影響,設(shè)置合理的撂荒耕地閾值可以快速有效地得到監(jiān)測區(qū)域撂荒耕地的分布情況,分類精度也相對(duì)較高。

本項(xiàng)目總體技術(shù)路線如圖3所示。

圖3 項(xiàng)目技術(shù)路線Fig.3 Project technology road map

2 結(jié)果分析

2.1 撂荒耕地特征分析

根據(jù)實(shí)地撂荒耕地樣本,基于收集的連續(xù)4個(gè)季度單時(shí)相哨兵2A/2B衛(wèi)星遙感影像,對(duì)研究區(qū)主要農(nóng)作物和撂荒耕地的植被指數(shù)進(jìn)行了統(tǒng)計(jì)分析,并根據(jù)遙感影像的光譜特征分析不同農(nóng)作物之間的光譜差異。通過計(jì)算某縣典型農(nóng)作物水稻、玉米、蔬菜以及撂荒耕地在春夏秋冬4個(gè)季節(jié)的NDVI、RVI、DVI值,以及這些地物植被指數(shù)在不同時(shí)相時(shí)的差值,通過進(jìn)一步分析撂荒耕地與其他農(nóng)作物多時(shí)相植被指數(shù)變化特征,發(fā)現(xiàn)不同時(shí)相之間的植被指數(shù)變化特征對(duì)撂荒耕地識(shí)別能力較強(qiáng)。圖4給出了不同時(shí)相間不同植被指數(shù)變化特征的箱型圖分析結(jié)果,通過對(duì)比可以發(fā)現(xiàn)：

圖4 部分多時(shí)相植被指數(shù)差值分析統(tǒng)計(jì)箱型圖Fig.4 Box plots of partial multi-temporal difference vegetationindexes

1)春夏季節(jié)與冬季之間不同植被指數(shù)的差值差異性較大,正常耕種的田塊由于種植農(nóng)作物,春夏與冬季之間的植被指數(shù)差異性較大,而撂荒耕地在春天和冬季植被指數(shù)變化不會(huì)很大,因此撂荒耕地與水稻、玉米、蔬菜等農(nóng)作物在NDVI、RVI變化差異性較大。撂荒地的區(qū)分能力較強(qiáng)。

2)秋季影像與夏季影像撂荒耕地與正常耕種農(nóng)作物田塊的植被指數(shù)差異性也比較大,這主要是因?yàn)橄募竞颓锛玖袒母刂脖婚L勢和覆蓋度較高,植被指數(shù)變化不大,而水稻、玉米等農(nóng)作物由于收獲,導(dǎo)致秋季和夏季的植被指數(shù)差值較大,這個(gè)時(shí)期的影像植被指數(shù)差值也對(duì)撂荒耕地具有較強(qiáng)的指示能力,可以對(duì)撂荒耕地進(jìn)行有效地提取。

經(jīng)過分析,最終選取了0308-1113、0407-1113以及0914-0815三個(gè)時(shí)期之間的植被指數(shù)差值來進(jìn)行機(jī)器深度學(xué)習(xí),構(gòu)建決策樹模型來提取撂荒耕地。

2.2 撂荒耕地識(shí)別

根據(jù)前文研究分析的結(jié)果,利用多個(gè)植被指數(shù)時(shí)間變化特征,獲得了識(shí)別撂荒耕地構(gòu)建決策樹模型的合適閾值。基于之前選取的實(shí)地外業(yè)樣本點(diǎn),選取其中的一部分作為訓(xùn)練樣本,利用ENVI軟件CART決策樹分類算法自動(dòng)建立分類決策樹,然后利用之前統(tǒng)計(jì)分析得到的撂荒耕地閾值,代入到此分類決策樹模型,提取撂荒耕地分類結(jié)構(gòu),得到該縣撂荒耕地空間分布圖。撂荒耕地識(shí)別決策樹模型見圖5。

圖5 撂荒耕地識(shí)別決策樹模型Fig.5 Decision tree model for abandoned farmland identification

2.3 撂荒耕地成果精度驗(yàn)證

通過上述步驟得到研究區(qū)撂荒耕地空間分布圖,結(jié)合之前預(yù)留撂荒耕地驗(yàn)證樣本點(diǎn),通過統(tǒng)計(jì)分析撂荒耕地監(jiān)測提取的精度約為80.79%,針對(duì)未提取到的撂荒耕地分析得知一些耕地中撂荒年限較短,植被長勢與周圍耕地基本相同,影像光譜曲線區(qū)別較小,植被指數(shù)與正常耕種農(nóng)作物幾乎沒有差別,因此難以提取出來。同時(shí)對(duì)研究區(qū)撂荒耕地面積進(jìn)行了統(tǒng)計(jì)分析,得出研究區(qū)域撂荒耕地總面積約為20.21萬畝,占該縣耕地面積25.01%。樣本點(diǎn)精度驗(yàn)證見表2。研究區(qū)撂荒耕地分布圖見圖6。

表2 樣本點(diǎn)精度驗(yàn)證表

圖6 研究區(qū)撂荒耕地分布圖Fig.6 Distribution map of abandoned farmland in study area

3 結(jié)束語

本研究主要基于多時(shí)相高分辨率衛(wèi)星遙感影像,綜合分析農(nóng)作物光譜特征、常用植被指數(shù)與多時(shí)相植被指數(shù)差值,通過樣本點(diǎn)進(jìn)行撂荒耕地光譜特征分析,得到撂荒耕地CART決策樹合理閾值,提取了該縣撂荒耕地的空間分布范圍,并且取得了一定的精度準(zhǔn)確率,為湖南省在撂荒耕地統(tǒng)計(jì)調(diào)查方面提供了一定的參考,但是在提升監(jiān)測精度方面仍然存在一定的不足,可以在后續(xù)的研究中進(jìn)一步展望：

1)進(jìn)一步提升監(jiān)測技術(shù)水平。除了本研究的近紅外波段的NDVI、RVI、DVI植被指數(shù),可以進(jìn)一步探索對(duì)植被生長敏感的紅外波段進(jìn)行研究,還可以探索不同的深度學(xué)習(xí)算法,建立更適合撂荒耕地監(jiān)測的高精度識(shí)別模型,如隨機(jī)森林算法等,進(jìn)一步提升監(jiān)測精度。

2)鐵塔視頻技術(shù)應(yīng)用。本研究初步應(yīng)用了鐵塔視頻技術(shù)進(jìn)行樣本點(diǎn)的選取和驗(yàn)證,后續(xù)可以利用鐵塔視頻全天候、不間斷監(jiān)測的特點(diǎn)研究將鐵塔視頻技術(shù)更深層次地應(yīng)用到撂荒耕地監(jiān)測中去,將衛(wèi)星遙感監(jiān)測技術(shù)與鐵塔視頻技術(shù)結(jié)合起來,對(duì)撂荒耕地進(jìn)行全方位、全天候的空天地網(wǎng)監(jiān)測。