基于時(shí)序遙感的撂荒地監(jiān)測(cè)及空間格局特征分析

肖文菊，楊穎頻,2，吳志峰,3，鄭少蘭

[1.廣州大學(xué) 地理科學(xué)與遙感學(xué)院，廣州 510006；2.自然資源部華南熱帶亞熱帶自然資源監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，廣州 510670；3.南方海洋科學(xué)與工程廣東省實(shí)驗(yàn)室（廣州），廣州 511458；4.廣東省國(guó)土資源測(cè)繪院，廣州 510599 ]

隨著城市化進(jìn)程不斷加快伴隨著經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整，農(nóng)村人口向城市轉(zhuǎn)移，耕地撂荒現(xiàn)象日益嚴(yán)峻，給國(guó)家糧食生產(chǎn)安全造成嚴(yán)重威脅（Li et al.,2012; Yusoff and Muharam, 2015; Ustaoglu and Collier, 2015; Goga et al., 2019）。準(zhǔn)確高效獲取撂荒地的空間分布現(xiàn)狀是防止耕地撂荒趨勢(shì)進(jìn)一步擴(kuò)散的前提和基礎(chǔ)（牛繼強(qiáng) 等，2017；楊通，2020；Meijninger et al., 2022）。傳統(tǒng)地面調(diào)查的方式效率低、周期長(zhǎng)，遙感技術(shù)具有高效率、低成本對(duì)地觀測(cè)的優(yōu)勢(shì)，為撂荒空間分布范圍及面積監(jiān)測(cè)提供了更為便 捷、有 效 的 手 段（Witmer, 2008; Watanabe and Saiga, 2009; Alcantara et al., 2012; Estel et al., 2015；陳欣怡 等，2018）。

當(dāng)前，基于遙感技術(shù)的撂荒地監(jiān)測(cè)方法可歸納為3類：1）監(jiān)督分類方法，該方法主要基于遙感影像的空間、時(shí)間、光譜等多維特征，利用支持向量機(jī)（Li et al., 2012；牛繼強(qiáng) 等，2017）、隨機(jī)森林（Wu et al., 2020；張昊 等，2022）等機(jī)器學(xué)習(xí)算法，進(jìn)行撂荒地識(shí)別。如張昊等（2022）基于地物的空間和光譜特征，采用隨機(jī)森林分類方法提取青海省民和縣的撂荒耕地分布信息，得到2018、2019、2020 年的撂荒地提取精度分別為86.9%、87.36%、85.92%。2）多時(shí)相范圍疊加法，該方法通過(guò)對(duì)比2個(gè)或多個(gè)時(shí)相的土地利用數(shù)據(jù)提取耕地撂荒信息，多用于耕地撂荒情況的年際變化檢測(cè)，且提取結(jié)果的可靠性主要依賴土地利用數(shù)據(jù)的精度（鄭財(cái)貴 等，2010；史鐵丑 等，2016）。如史鐵丑等（2016）將重慶市2 期耕地地塊空間范圍疊加，在剔除退耕還林及森林工程圖斑后，將剩余部分作為撂荒耕地。3）遙感時(shí)序分析方法，該方法通過(guò)分析撂荒地和非撂荒地在時(shí)間序列上的變化特征實(shí)現(xiàn)撂荒地的識(shí)別（Yusoff and Muharam, 2015; Dara et al., 2018; Xu et al., 2018；王紅巖 等，2020；Wei et al., 2021；宋 憲 強(qiáng) 等，2021）。如 宋 憲 強(qiáng) 等（2021）根據(jù)春、夏、秋3個(gè)時(shí)相的耕地NDVI差值設(shè)置撂荒和非撂荒的分割閾值提取撂荒地，在四川涼山開展耕地撂荒監(jiān)測(cè)；王玲玉等（2020）基于NDVI 時(shí)序數(shù)據(jù)，通過(guò)設(shè)定NDVI 時(shí)序峰值的取值范圍提取撂荒地，并在貴州省息烽縣開展撂荒監(jiān)測(cè)?；跁r(shí)間序列分析的撂荒監(jiān)測(cè)方法，與一段時(shí)間內(nèi)耕地作物與撂荒地中自然植被的物候差異緊密相關(guān)，具有較強(qiáng)的植被生理學(xué)含義。

中國(guó)華南地區(qū)水熱條件豐富，作物種植類型多樣、熟制結(jié)構(gòu)復(fù)雜，耕地撂荒后自然演替生長(zhǎng)的植被長(zhǎng)勢(shì)狀態(tài)良好，進(jìn)一步提高了種植耕地與撂荒地的區(qū)分難度。一方面，華南地區(qū)作物種植結(jié)構(gòu)復(fù)雜，每種作物的物候期存在差別，冬季氣候溫和，在冬季種植瓜果、蔬菜等作物的情況十分普遍，因此，僅利用春、夏、秋季的某幾個(gè)觀測(cè)時(shí)相進(jìn)行撂荒識(shí)別，很可能會(huì)造成誤判，有必要將觀測(cè)時(shí)間窗口擴(kuò)寬到全年；另一方面，不同地塊撂荒時(shí)間不盡相同，植被覆蓋度存在差異，NDVI數(shù)值有所差別，如撂荒時(shí)間較短的地塊雜草稀疏，NDVI水平較低，而撂荒時(shí)間較長(zhǎng)的地塊雜草生長(zhǎng)繁茂，NDVI 呈現(xiàn)與作物生長(zhǎng)旺季時(shí)相當(dāng)?shù)乃?，因此，基于NDVI峰值的撂荒地識(shí)別方法在該地區(qū)也難以適用。而NDVI 時(shí)序振幅特征，即NDVI 時(shí)序最大值與最小值的差值，體現(xiàn)一段時(shí)間內(nèi)耕地內(nèi)部植被生長(zhǎng)狀態(tài)變化、生長(zhǎng)發(fā)育速率等特征與植被生理變化狀態(tài)緊密相關(guān)。

在遙感數(shù)據(jù)源方面，當(dāng)前撂荒監(jiān)測(cè)研究大多基于Landsat、MODIS 等中低分辨率影像（Witmer,2008; Alcantara et al., 2012; Estel et al., 2015；牛繼強(qiáng) 等，2017；Dara et al., 2018; Wei et al., 2021），中低分辨率遙感數(shù)據(jù)能提供高時(shí)間分辨率的監(jiān)測(cè)能力，捕捉耕地的季相變化特征，但受限于空間分辨率，在地表異質(zhì)性高的地區(qū)難以適用（楊通 等，2019）。Sentinel-2數(shù)據(jù)遙感兼具較高的時(shí)空分辨率，可見(jiàn)光、近紅外波段空間分辨率為10 m，顯著提升了復(fù)雜地表區(qū)域的觀測(cè)能力，雙星觀測(cè)時(shí)間分辨率為5 d，在耕地季相變化的動(dòng)態(tài)觀測(cè)方面具有較大的優(yōu)勢(shì)。

撂荒地空間分布格局能反映撂荒耕地在空間位置、空間形態(tài)等方面的特征，是探究耕地撂荒原因的重要手段。當(dāng)前，相關(guān)研究多基于空間分析方法提取撂荒地空間分布格局特征，通過(guò)緩沖分析、密度分析、相關(guān)分析等方法提取撂荒地的空間位置、空間形態(tài)及空間關(guān)系特征。如牛繼強(qiáng)等（2017）對(duì)羅山縣子路鎮(zhèn)的撂荒地進(jìn)行了緩沖區(qū)分析，發(fā)現(xiàn)灌溉條件是影響主要因素；劉智麗（2020）對(duì)晉中祁縣不同年份撂荒地空間分布格局變化進(jìn)行對(duì)比分析，發(fā)現(xiàn)撂荒地在空間分布上呈現(xiàn)面積減小、斑塊密度不斷增加的趨勢(shì)；董世杰等（2023）對(duì)中國(guó)撂荒梯田的空間格局特征的分異性進(jìn)行了探究，發(fā)現(xiàn)撂荒梯田呈現(xiàn)“北低南高”的特征，南方地區(qū)山地丘陵地區(qū)撂荒嚴(yán)重；唐瑞等（2022）分析了閬中市撂荒地空間格局分異規(guī)律，發(fā)現(xiàn)低山區(qū)耕地撂荒率明顯高于丘陵地區(qū)。計(jì)算撂荒地景觀格局指數(shù)可為撂荒地空間分布特征分析提供基礎(chǔ)。通過(guò)景觀格局指數(shù)大小可分析撂荒地和非撂荒地的空間結(jié)構(gòu)差異，為進(jìn)一步探究耕地撂荒驅(qū)動(dòng)因素提供數(shù)據(jù)基礎(chǔ)。

鑒于此，本研究將撂荒時(shí)間≥1 a的耕地定義為撂荒地，提出了一種基于NDVI時(shí)序振幅的撂荒地識(shí)別方法，通過(guò)統(tǒng)計(jì)撂荒地與非撂荒耕地的NDVI振幅取值分布，劃定NDVI 振幅的最佳分割閾值，從而構(gòu)建撂荒地的識(shí)別規(guī)則，并以廣東省湛江市坡頭區(qū)為例，驗(yàn)證該方法的適用性。并在撂荒地空間分布制圖的基礎(chǔ)上，進(jìn)一步探究撂荒地空間分布格局特征。以期通過(guò)擴(kuò)充監(jiān)測(cè)撂荒地的時(shí)間信息，捕捉植被在監(jiān)測(cè)窗口內(nèi)NDVI最大變化，獲得較高的撂荒監(jiān)測(cè)精度。

1 研究區(qū)域和數(shù)據(jù)源

1.1 研究區(qū)域

湛江市作為廣東省農(nóng)業(yè)生產(chǎn)主要基地，農(nóng)業(yè)經(jīng)濟(jì)占有重要地位。其中坡頭區(qū)是湛江市重要的農(nóng)產(chǎn)品來(lái)源地。坡頭區(qū)位于廣東省西南部地區(qū)，雷州半島東北部，湛江海灣東部，由一個(gè)半島和一個(gè)海島組成，（圖1-a）。該區(qū)地處北回歸線以南的低緯地區(qū)，屬于熱帶季風(fēng)氣候，年均溫在22.7～23.5℃。年均雨量1 395.5～1 723.1 mm，年均日照時(shí)數(shù)1 714.8～2 038.2 h，半島地勢(shì)平坦，整體耕種條件較好。該區(qū)總面積424 km2，其中耕地面積為145.18 km2，圖1-b 為坡頭區(qū)耕地分布情況，其種植類型以水稻、花生、紅薯為主。隨著經(jīng)濟(jì)結(jié)構(gòu)的轉(zhuǎn)型和勞動(dòng)人口流失，坡頭區(qū)耕地撂荒現(xiàn)象加劇，對(duì)該地區(qū)進(jìn)行耕地撂荒監(jiān)測(cè)具有重要的現(xiàn)實(shí)意義。

圖1 研究區(qū)地理位置Fig.1 Geographical location of study area

1.2 數(shù)據(jù)源

1.2.1 遙感影像及耕地?cái)?shù)據(jù) 基于地理計(jì)算云平臺(tái)Google Earth Engine（GEE）共獲取Sentinel-2 數(shù)據(jù)共12景（該數(shù)據(jù)已經(jīng)過(guò)輻射定標(biāo)、大氣校正等預(yù)處理過(guò)程），計(jì)算NDVI指數(shù)，獲取耕地NDVI時(shí)間序列數(shù)據(jù)。影像成像時(shí)間如表1所示，監(jiān)測(cè)時(shí)間窗口涵蓋作物生長(zhǎng)的完整周期。

表1 Sentinel-2時(shí)間序列數(shù)據(jù)Table1 Time series data of Sentinel-2

以第三次全國(guó)土地調(diào)查數(shù)據(jù)中的耕地范圍為基礎(chǔ)，對(duì)坡頭區(qū)大片農(nóng)田中不同種植類型的耕地地塊進(jìn)行人工劃分，得到耕地地塊數(shù)據(jù)。

1.2.2 樣本數(shù)據(jù) 撂荒地及非撂荒地樣本主要來(lái)源于野外地面調(diào)查和人工目視解譯，其中，基于實(shí)地調(diào)查獲得撂荒地樣本共200個(gè)，非撂荒地樣本共200個(gè)。結(jié)合實(shí)地調(diào)查數(shù)據(jù)，觀察撂荒地和非撂荒地在多時(shí)相Google Earth高分辨率影像上的空間特征，補(bǔ)充樣本數(shù)量并構(gòu)建撂荒地和非撂荒地樣本集。如圖2-a所示，因受到強(qiáng)烈的農(nóng)業(yè)生產(chǎn)活動(dòng)干預(yù)，種植耕地地塊形態(tài)規(guī)整，內(nèi)部紋理規(guī)則，因作物生長(zhǎng)物候變化，地塊內(nèi)覆被變化明顯。而撂荒地因無(wú)人工干預(yù)，發(fā)生撂荒后自然植被演替，紋理雜亂、邊界不清晰，在時(shí)間維度上無(wú)明顯物候特征（圖2-b）。構(gòu)建的樣本集中共包含撂荒地和非撂荒地樣本各300 個(gè)，按照2∶1 的比例隨機(jī)分為2部分，分別用于構(gòu)建撂荒地識(shí)別規(guī)則和驗(yàn)證精度，圖3為精度驗(yàn)證樣本的空間分布。

圖2 不同時(shí)相撂荒地與非撂荒地影像對(duì)比Fig.2 Image comparison of abandoned land and non-abandoned land in different phases

圖3 研究區(qū)地面驗(yàn)證點(diǎn)空間分布Fig.3 Ground survey points in research area

2 撂荒地識(shí)別及空間格局分析

本研究框架為：1）耕地NDVI 時(shí)序數(shù)據(jù)預(yù)處理；2）耕地NDVI時(shí)序振幅特征提??；3）撂荒地識(shí)別規(guī)則構(gòu)建；4） 撂荒地空間格局特征分析（圖4）。

圖4 撂荒地監(jiān)測(cè)技術(shù)流程Fig.4 Monitoring of abandoned land technical flowchart

2.1 耕地NDVI時(shí)序數(shù)據(jù)預(yù)處理

利用多時(shí)相Sentinel-2數(shù)據(jù)構(gòu)建耕地的NDVI時(shí)序曲線。由于光學(xué)影像在成像過(guò)程中受到云的干擾，時(shí)間序列曲線通常包含一定“噪聲”，為避免其對(duì)振幅統(tǒng)計(jì)結(jié)果的干擾，需將NDVI時(shí)序曲線上的異常值剔除。異常值剔除方法參照Ma和Veroustraete（2006）的方法，將短時(shí)間內(nèi)急劇下降再上升的點(diǎn)判定為異常值點(diǎn)。結(jié)合試驗(yàn)區(qū)采集的樣本點(diǎn)，分析其NDVI曲線變化趨勢(shì)，經(jīng)過(guò)多次實(shí)驗(yàn)，設(shè)計(jì)異常值點(diǎn)的判定方案：設(shè)NDVI 時(shí)序曲線上相鄰3點(diǎn)的時(shí)間分別為Ti-1、Ti、Ti+1，其對(duì)應(yīng)的NDVI 值分別為Vi-1、Vi、Vi+1。當(dāng)符合以下2類情況之一：1）若Ti-Ti-1≤14 d，且Vi-1-Vi與Vi+1-Vi均＞0.2；2）若Ti-Ti-1≤21 d，且Vi-1-Vi與Vi+1-Vi均＞0.5，認(rèn)定Ti為異常值點(diǎn)，將其從曲線上剔除，并利用前后鄰近觀測(cè)點(diǎn)的值對(duì)Ti處進(jìn)行線性插補(bǔ)?；陬A(yù)處理后的NDVI 時(shí)序曲線提取振幅特征，即利用NDVI時(shí)序曲線上的最大值減去最小值，用以表征耕地內(nèi)全年的植被覆蓋變化。

2.2 撂荒地識(shí)別規(guī)則構(gòu)建

基于撂荒地與非撂荒地樣本的振幅特征提取結(jié)果，劃定用于撂荒地識(shí)別的最佳振幅閾值。閾值設(shè)定方法主要包括2步：1）分割閾值初始化：將所有撂荒地樣本的最大振幅設(shè)定為初始閾值，記為Threshold0，表示在該閾值下所有撂荒地樣本均能被正確識(shí)別，但可能存在部分非撂荒地被錯(cuò)誤地判別為撂荒地。2）分割閾值最優(yōu)化：在Threshold0基礎(chǔ)上，以0.01 為步長(zhǎng)，不斷減小分割閾值，依據(jù)F1指數(shù)（全國(guó)科學(xué)技術(shù)名詞審定委員會(huì) 等，2002）評(píng)價(jià)閾值可靠性，確定最佳分割閾值。F1指數(shù)是評(píng)價(jià)二分類模型中分類準(zhǔn)確性的重要指標(biāo)，可看作是模型精準(zhǔn)率（precision）和召回率（recall）的一種加權(quán)平均，兼顧撂荒地與非撂荒地的識(shí)別精度，F(xiàn)1最大值為1，最小值為0。當(dāng)F1越大時(shí)，分類效果越好，對(duì)應(yīng)的閾值記作Thresholdoptimum。

式中：precision表示被識(shí)別為撂荒地的樣本中，實(shí)際為撂荒地的概率，即模型精準(zhǔn)率；recall表示在所有撂荒地樣本中，被正確識(shí)別為撂荒地的概率，即召回率。

在選取最優(yōu)的分割閾值后，構(gòu)建的撂荒地識(shí)別規(guī)則為：當(dāng)耕地NDVI 時(shí)序振幅≥Thresholdoptimum時(shí)，將其判定為非撂荒地；當(dāng)耕地NDVI 時(shí)序振幅＜Thresholdoptimum時(shí)，將其判定為撂荒地。

2.3 撂荒地空間格局特征分析

計(jì)算撂荒地景觀格局指數(shù)，分析坡頭區(qū)撂荒地的空間格局特征，計(jì)算撂荒地景觀格局指數(shù)，包括圖斑總數(shù)（NP）、圖斑總面積（TA）、平均圖斑面積（MPS）、平均圖斑形狀指數(shù)（MSI）、平均圖斑分維指數(shù)（MPFD）、聚集度指數(shù)（AI），分析撂荒地圖斑在空間分布上的空間形態(tài)特征及空間集散程度。各指數(shù)計(jì)算方法為：

1）平均圖斑面積（MPS）：

式中：ai為第i個(gè)圖斑的面積；NP 為圖斑個(gè)數(shù)，反映圖斑的破碎化程度。MPS 值越小，說(shuō)明斑塊越破碎。

2）平均圖斑形狀指數(shù)（MSI）：

式中：Pi為圖斑i的周長(zhǎng)；MSI反映景觀要素圖斑的規(guī)則程度。正方形MSI 取值為1，MSI 值越接近1，說(shuō)明圖斑形狀越規(guī)則。

3）平均圖斑分維指數(shù)（MPFD）：

MPFD 可以度量圖斑邊界的復(fù)雜程度，MPFD值越大，說(shuō)明圖斑形態(tài)越不規(guī)則，反之圖斑形狀越規(guī)則。

4）聚集度指數(shù)（AI）：

式中：gii為相應(yīng)景觀類型的相似鄰接斑塊數(shù)量。AI可反映某一類景觀斑塊之間的連通度。AI值越大，說(shuō)明該類型景觀分布越密集，反之則越分散。

3 結(jié)果與討論

3.1 NDVI時(shí)序曲線特征對(duì)比

坡頭區(qū)主要作物類型包括水稻、花生、蔬菜和薯類。圖5 展示了坡頭區(qū)撂荒地與非撂荒地NDVI時(shí)序曲線。撂荒地在全年內(nèi)NDVI 變化相對(duì)平穩(wěn)，無(wú)明顯作物生長(zhǎng)物候特征。非撂荒地在作物生長(zhǎng)窗口期表現(xiàn)出明顯的波動(dòng)變化，從圖5所示的案例曲線看，水稻為兩季作物，早稻生長(zhǎng)季為4—7月，晚稻生長(zhǎng)季為8—11 月，其余時(shí)間種植薯類?；ㄉ鸀閱渭咀魑?，生長(zhǎng)季為4—8 月，9 月至次年3 月種植蔬菜。紅薯一般為6 月扎根緩苗，10 月上旬收獲，11月直至次年5月以蔬菜種植為主?？梢?jiàn)，撂荒地與非撂荒地在NDVI振幅特征方面存在較大差異。

圖5 2020年不同輪作制度下作物NDVI時(shí)序曲線Fig.5 Crop NDVI time series curves under different crop rotation systems in 2020

3.2 振幅閾值確定

利用200 個(gè)撂荒地與200 個(gè)非撂荒地樣本的NDVI 時(shí)序數(shù)據(jù)計(jì)算振幅特征，繪制振幅分布（圖6）。

圖6 NDVI時(shí)序振幅分布Fig.6 Histogram of amplitude of NDVI time series

撂荒地樣本的NDVI振幅整體偏低，取值范圍在0.16～0.545，非撂荒地樣本的NDVI 振幅取值范圍整體在0.29～0.744。如圖6 所示，撂荒地與非撂荒地的NDVI振幅在取值范圍上在整體上呈對(duì)稱分布特征，撂荒地的NDVI振幅主要分布在0.1～0.4之間，非撂荒地的NDVI振幅主要分布在0.4～0.7，但二者的NDVI 振幅分布區(qū)間存在一定的交叉重疊。為了實(shí)現(xiàn)撂荒地與非撂荒地整體識(shí)別精度的最大化，依據(jù)F1指數(shù)動(dòng)態(tài)設(shè)定NDVI振幅閾值，以撂荒地樣本的最大振幅為起始閾值，非撂荒地樣本的最小振幅為終止閾值，計(jì)算不同閾值下對(duì)應(yīng)的F1指數(shù)。不同NDVI 振幅取值的F1指數(shù)如圖7 所示。當(dāng)NDVI 振幅為0.42 時(shí)，F(xiàn)1指數(shù)最高，F(xiàn)1為0.91，代表撂荒地與非撂荒地的二分類精度最高。此時(shí)，撂荒地樣本的識(shí)別精度為91.83%，非撂荒地樣本的識(shí)別精度為90.20%。

圖7 不同閾值下F1計(jì)算結(jié)果Fig.7 F1 calculation results under different thresholds

3.3 撂荒地提取結(jié)果及精度驗(yàn)證

基于上述方法進(jìn)行坡頭區(qū)耕地撂荒遙感監(jiān)測(cè)，獲得坡頭區(qū)撂荒地空間分布制圖結(jié)果（圖8）。經(jīng)統(tǒng)計(jì)，2020 年坡頭區(qū)撂荒斑塊總數(shù)為1 514 個(gè)，撂荒耕地面積達(dá)14.65 km2，占總體耕地面積的10.1%。

圖8 湛江市坡頭區(qū)2020年撂荒地空間分布Fig.8 Spatial distribution of abandoned land of the Potou County in 2020

利用100 個(gè)撂荒地和100 個(gè)非撂荒地樣本對(duì)遙感監(jiān)測(cè)結(jié)果進(jìn)行精度驗(yàn)證，混淆矩陣計(jì)算結(jié)果如表2 所示。識(shí)別的總體精度為91%，Kappa 系數(shù)為0.82。撂荒地的生產(chǎn)者精度為91.83%，非撂荒地生產(chǎn)者精度為90.20%。這說(shuō)明基于NDVI振幅閾值分割方法能實(shí)現(xiàn)較高精度的撂荒地識(shí)別。

表2 基于NDVI振幅特征的精度驗(yàn)證混淆矩陣Table 2 Precision verification confusion matrix table based on NDVI amplitude characteristics

3.4 對(duì)比實(shí)驗(yàn)結(jié)果及精度驗(yàn)證

基于實(shí)驗(yàn)樣本數(shù)據(jù)，分別采用多時(shí)相NDVI差值（宋憲強(qiáng) 等，2021）和NDVI峰值方法（王玲玉等，2020）進(jìn)行撂荒識(shí)別。其中，基于多時(shí)相NDVI差值方法中，通過(guò)200個(gè)撂荒地實(shí)驗(yàn)樣本與對(duì)應(yīng)時(shí)相的NDVI進(jìn)行疊加與相減，得出不同時(shí)相點(diǎn)撂荒地和非撂荒地的NDVI 差值，通過(guò)對(duì)NDVI 差值進(jìn)行統(tǒng)計(jì)分析，得到春、夏2 季NDVI 差值最小為0.39，夏、秋2季NDVI差值最小為0.38。為保證所有撂荒樣本全部落入撂荒區(qū)域，確定最佳分割閾值為0.39，當(dāng)夏-春、夏-秋的NDVI差值均＜0.39時(shí)，即認(rèn)定其為撂荒地，反之則為非撂荒地?；谌闚DVI 峰值提取實(shí)驗(yàn)中，對(duì)200 個(gè)撂荒地實(shí)驗(yàn)樣本的NDVI 峰值進(jìn)行統(tǒng)計(jì)分析，得到最大NDVI 峰值為0.68，即當(dāng)植被生長(zhǎng)期的NDVI 最大峰值＜0.68時(shí)為撂荒地，＞0.68時(shí)為非撂荒地。

對(duì)上述2種方法進(jìn)行精度驗(yàn)證，采用與3.3小節(jié)中相同的驗(yàn)證樣本，分別驗(yàn)證基于多時(shí)相NDVI差值方法和基于全年NDVI峰值方法的識(shí)別精度。結(jié)果發(fā)現(xiàn)，當(dāng)利用多時(shí)相NDVI差值進(jìn)行撂荒識(shí)別時(shí)，總體精度為84.00%，Kappa系數(shù)為0.68，撂荒地的生產(chǎn)者精度為86.17%，非撂荒地的生產(chǎn)者精度為82.08%（表3）?；谌闚DVI峰值特征識(shí)別的總體精度為74.00%，Kappa系數(shù)為0.48，其中撂荒地的生產(chǎn)者精度為77.91%，非撂荒地的生產(chǎn)者精度為71.05%。

表3 基于多時(shí)相NDVI差值和全年NDVI峰值的精度驗(yàn)證混淆矩陣Table 3 Precision verification confusion matrix based on multi temporal NDVI difference and NDVI peak value

從精度驗(yàn)證結(jié)果可看出，基于NDVI峰值方法識(shí)別撂荒地的精度最低，基于多時(shí)相NDVI差值提取方法精度有所提高，基于NDVI振幅特征提取方法精度最高。NDVI 峰值特征提取方法僅利用單個(gè)特征值作為判別依據(jù)，而不同地塊撂荒時(shí)間不同，植被覆蓋度存在差異，NDVI 峰值也各不相同，通過(guò)該方法無(wú)法準(zhǔn)確識(shí)別。如一部分撂荒時(shí)間長(zhǎng)的耕地其NDVI峰值較高，借助該方法易產(chǎn)生漏判。此外，一部分耕地種植類型為多年生樹苗或果苗，當(dāng)樹苗稀疏、土壤裸露程度較高時(shí)，其NDVI水平較低，容易將種植耕地誤判為撂荒地?；诙鄷r(shí)相NDVI 監(jiān)測(cè)方法利用春-夏-秋3 個(gè)時(shí)相點(diǎn)的植被信息，雖在一定程度上擴(kuò)充了時(shí)間維度信息，但對(duì)于種植結(jié)構(gòu)復(fù)雜、物候特征多樣的種植區(qū)，該方法存在錯(cuò)判、漏判的可能性較高。如許多蔬菜為季節(jié)性作物，其種植和收獲時(shí)間存在差異，僅通過(guò)春-夏-秋3個(gè)時(shí)相點(diǎn)無(wú)法準(zhǔn)確捕捉其生長(zhǎng)信息，易將部分蔬菜種植區(qū)誤判為撂荒地。相較基于NDVI峰值和多時(shí)相NDVI 差值方法，基于NDVI 振幅特征的提取方法能捕捉植被全年生長(zhǎng)變化情況，在一定程度上擴(kuò)充了時(shí)間維度信息，同時(shí)結(jié)合了NDVI的最大值和最小值，可獲得較高提取精度。

3.5 撂荒地空間分布格局分析

研究區(qū)的撂荒地空間格局指數(shù)結(jié)果如表4所示。對(duì)比撂荒地與非撂荒地的空間格局特征，撂荒地斑塊為1 514個(gè)，約占耕地總圖斑數(shù)量的19.8%；撂荒耕地平均圖斑面積為0.97 hm2，非撂荒耕地平均圖斑面積為2.13 hm2，撂荒地的平均圖斑面積遠(yuǎn)小于非撂荒地，可看出坡頭區(qū)撂荒地分布破碎，大面積撂荒現(xiàn)象較少。從平均圖斑形狀指數(shù)（MSI）看，撂荒地的形狀偏離正方形的程度更高，說(shuō)明坡頭區(qū)撂荒耕地地塊的形狀較不規(guī)則。從平均圖斑分維指數(shù)（MPFD）看，撂荒地的MPFD值高于非撂荒地，說(shuō)明坡頭區(qū)撂荒的耕地斑塊多為形狀、邊界不規(guī)則的地塊。從聚集度指數(shù)（AI）看，撂荒地斑塊的分布聚集度值更小，相較于非撂荒地，撂荒地的空間分布更加零散。

表4 景觀格局指數(shù)計(jì)算結(jié)果Table 4 Calculation results of landscape pattern indexes

4 結(jié)論

本文提出了基于光學(xué)時(shí)序振幅特征的耕地撂荒識(shí)別方法，根據(jù)撂荒地與非撂荒地NDVI時(shí)序振幅特征的差異，開展耕地撂荒監(jiān)測(cè)，該方法具有較強(qiáng)的植被生理學(xué)含義。通過(guò)Sentinel-2 數(shù)據(jù)集構(gòu)建耕地時(shí)間序列曲線，Sentinel-2 兼具較高的時(shí)空分辨率，在地表異質(zhì)性較強(qiáng)的區(qū)域具有較好的優(yōu)勢(shì)。主要結(jié)論如下：

1）基于NDVI時(shí)序振幅特征能很好地體現(xiàn)撂荒地與非撂荒地的植被生長(zhǎng)變化差異，為耕地撂荒監(jiān)測(cè)提供有效特征，非撂荒地由于作物生長(zhǎng)物候特征信息，其光學(xué)曲線形態(tài)起伏明顯，振幅較大。而撂荒地在無(wú)人工干預(yù)條件下，在作物生長(zhǎng)窗口期無(wú)農(nóng)作物生長(zhǎng)信息，其光學(xué)曲線形態(tài)平緩，振幅較小。

2）在撂荒地識(shí)別規(guī)則構(gòu)建方面，采用F1指數(shù)衡量撂荒地與非撂荒地二分類精度，通過(guò)迭代方法動(dòng)態(tài)設(shè)定的振幅閾值，以獲取最佳分割閾值，該方法能有效識(shí)別撂荒地與非撂荒地，在廣東省湛江市坡頭區(qū)開展精度驗(yàn)證試驗(yàn)，撂荒地識(shí)別精度達(dá)91.83%，非撂荒地識(shí)別精度為90.20%。

3）將本研究方法應(yīng)用于坡頭區(qū)撂荒地分布制圖，分析撂荒地的景觀格局特征。坡頭區(qū)撂荒耕地面積占總耕地面積的10.1%，撂荒地平均斑塊面積為0.97 hm2，撂荒地塊空間形態(tài)普遍不規(guī)則，空間分布零散、少有大面積聚集，呈現(xiàn)破碎化的空間分布格局。

本研究方法需要以獲得較高頻次的光學(xué)遙感數(shù)據(jù)為基礎(chǔ)，可應(yīng)用于種植結(jié)構(gòu)復(fù)雜，輪作模式多樣的區(qū)域。未來(lái)還可從以下方面進(jìn)一步探究：①受限于云雨等天氣因素影響，難以獲得更加密集的光學(xué)時(shí)序影像，給振幅的提取帶來(lái)一定的不確定性，未來(lái)可進(jìn)一步結(jié)合多源光學(xué)遙感數(shù)據(jù)，協(xié)同光學(xué)和SAR時(shí)序數(shù)據(jù)，通過(guò)時(shí)空融合方法構(gòu)建更高頻次的時(shí)序觀測(cè)數(shù)據(jù)集，為準(zhǔn)確識(shí)別撂荒地提供數(shù)據(jù)基礎(chǔ)；②本文主要利用了耕地的NDVI時(shí)序變化幅度特征來(lái)區(qū)分撂荒地和非撂荒地，未來(lái)可進(jìn)一步挖掘二者在空間特征、光譜特征中的差異，增加分類特征維度，進(jìn)一步提高撂荒地識(shí)別精度；③在判別耕地是否撂荒的基礎(chǔ)上，可進(jìn)一步探究季度撂荒、單年撂荒和多年撂荒的識(shí)別方法；④本文僅對(duì)撂荒地的空間分布特征進(jìn)行景觀格局分析，未來(lái)可進(jìn)一步擴(kuò)大研究區(qū)范圍，探究耕地撂荒的驅(qū)動(dòng)因素。