基于時(shí)序遙感數(shù)據(jù)的東南丘陵地區(qū)撂荒耕地提取

摘 要：近年來(lái)，我國(guó)耕地撂荒現(xiàn)象十分普遍，已對(duì)國(guó)家糧食安全構(gòu)成嚴(yán)重威脅。通過(guò)使用遙感技術(shù)，人們能夠及時(shí)獲取撂荒耕地信息，為撂荒耕地治理工作提供數(shù)據(jù)支撐。東南丘陵地區(qū)地形復(fù)雜、耕地地塊破碎、混合像元較多，基于傳統(tǒng)方法的撂荒耕地提取精度難以滿(mǎn)足當(dāng)前要求?；诖?，以福建省閩清縣為研究區(qū)，基于谷歌地球引擎云平臺(tái)（Google Earth Engine，GEE），利用Sentinel-2和Landsat8數(shù)據(jù)，結(jié)合耕地圖斑矢量邊界，構(gòu)建地塊級(jí)長(zhǎng)時(shí)序歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）數(shù)據(jù)集，并采用年際NDVI最大值，結(jié)合LandTrendr算法和年內(nèi)NDVI差值法提取撂荒耕地。利用研究區(qū)高分影像和119個(gè)野外實(shí)地調(diào)查樣點(diǎn)數(shù)據(jù)，驗(yàn)證了本方法撂荒耕地提取精度為85.71%，表明該方法可以減少混合像元的影響，有效提取東南丘陵地區(qū)撂荒耕地信息。

關(guān)鍵詞：撂荒耕地；東南丘陵；遙感數(shù)據(jù)

中圖分類(lèi)號(hào)：S127 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：2095–3305（2024）08–0-05

耕地撂荒是指土地利用類(lèi)型為耕地，但由于某些自然或人為原因致使耕地長(zhǎng)期停止耕種而荒蕪的狀

態(tài)[1]。撂荒造成耕地資源嚴(yán)重浪費(fèi)，不利于耕地流轉(zhuǎn)，影響耕地資源的統(tǒng)籌規(guī)劃，并且出現(xiàn)由于人多地少迫切需要開(kāi)墾土地以增加耕地保有量，但各種原因使得耕地大面積被閑置棄耕的矛盾[2]。因此，及時(shí)、準(zhǔn)確地提取撂荒耕地信息，有助于促進(jìn)土地流轉(zhuǎn)，提高農(nóng)用地效益[3]。

與實(shí)地調(diào)查等傳統(tǒng)方法相比，遙感手段提取的撂荒耕地信息更為高效，且能更好地展現(xiàn)撂荒耕地的時(shí)空特征[4]。NDVI是地表植被特征的重要指標(biāo)，當(dāng)前對(duì)丘陵山區(qū)的撂荒耕地提取研究多基于NDVI的不同時(shí)間變化[5]。程維芳[6]通過(guò)Modis/Terra 2000—2009年的NDVI數(shù)據(jù)產(chǎn)品，分別針對(duì)不同土地利用類(lèi)型采樣點(diǎn)生成時(shí)間序列曲線(xiàn)，研究表明：NDVI時(shí)間序列曲線(xiàn)能夠有效定量反演農(nóng)作物生長(zhǎng)過(guò)程，從而識(shí)別撂荒地。

當(dāng)前，針對(duì)東南丘陵地區(qū)的撂荒耕地提取研究較少，且大多數(shù)研究是對(duì)區(qū)內(nèi)全要素進(jìn)行解譯和識(shí)別[7]。

但是，東南丘陵地形復(fù)雜，耕地地塊較為破碎，容易出現(xiàn)錯(cuò)分、漏分問(wèn)題。此外，多數(shù)撂荒耕地遙感提取基于像元級(jí)別分類(lèi)方法，由于東南丘陵地區(qū)混合像元較多，撂荒耕地遙感提取精度普遍不高。撂荒耕地是因?yàn)殚L(zhǎng)期沒(méi)有耕作導(dǎo)致耕地荒蕪，但在年度變更成果數(shù)據(jù)中的地類(lèi)還是屬于耕地，有著明確的耕地地塊邊界，采用耕地地塊矢量邊界數(shù)據(jù)輔助提取農(nóng)用地信息，可以有效改善由于混合像元無(wú)法準(zhǔn)確提取耕地范圍的問(wèn)題[8]。

以福建省閩清縣為例，針對(duì)東南丘陵地區(qū)地形復(fù)雜、耕地圖斑破碎、混合像元較多且多云雨天氣的特點(diǎn)，基于GEE，使用Sentinel-2和Landsat8數(shù)據(jù)構(gòu)建長(zhǎng)時(shí)序NDVI數(shù)據(jù)集，結(jié)合耕地邊界數(shù)據(jù)，以無(wú)人管理而荒蕪一年及以上的耕地為提取撂荒耕地的判定依據(jù)，通過(guò)撂荒耕地與長(zhǎng)期穩(wěn)定利用耕地之間地表特征的差異提取撂荒耕地?cái)?shù)據(jù)，為東南丘陵地區(qū)有效處理撂荒耕地問(wèn)題提供技術(shù)支撐[9]。

1 研究區(qū)概況和數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

閩清縣位于福建省福州市西北部、閩江中下游地區(qū)，地理坐標(biāo)為118°30′～119°01′E，25°55′～26°33′N(xiāo)，地貌以丘陵、山地為主，根據(jù)第三次全國(guó)國(guó)土調(diào)查結(jié)果統(tǒng)計(jì)，2020年閩清縣土地總面積為149 435.39 hm2，其中耕地圖斑面積為12 412.42 hm2，占土地總面積的8.3%。耕地以水田為主，面積為11 930.83 hm2，占耕地總面積的96.12%；旱地面積為417.77 hm2，占耕地總面積的3.37%；水澆地面積為63.82 hm2，占耕地總面積的0.51%。閩清縣主要種植作物為水稻、甘薯、花生及蔬菜，且種植結(jié)構(gòu)較為復(fù)雜。

1.2 GEE平臺(tái)

GEE是基于云端的地理空間信息可視化分析平臺(tái)，擁有海量數(shù)據(jù)集和PB級(jí)的數(shù)據(jù)運(yùn)算能力。用戶(hù)通過(guò)在線(xiàn)編輯器，無(wú)須構(gòu)建編譯環(huán)境，即可進(jìn)行影像的裁剪、鑲嵌、融合與各種分析處理。

1.3 數(shù)據(jù)來(lái)源

1.3.1 遙感數(shù)據(jù)

東南丘陵地區(qū)云雨天氣較多，單一的遙感影像數(shù)據(jù)易受天氣影響而出現(xiàn)數(shù)據(jù)不連續(xù)問(wèn)題。因此采用

10 m空間分辨率的Sentinel-2影像及30 m空間分辨率的Landsat8影像，協(xié)同構(gòu)建長(zhǎng)時(shí)間序列遙感影像數(shù)據(jù)集。Landsat8與Sentinel-2影像具有相近的波段范圍，兩種數(shù)據(jù)直接融合使用對(duì)耕地變化監(jiān)測(cè)的影響較小。此處所采用的遙感影像數(shù)據(jù)均來(lái)自GEE平臺(tái)，包

括2016年1月—2021年1月Sentinel-2 L2A級(jí)別數(shù)據(jù)和Landsat8 SR數(shù)據(jù)，以及2020年4月9日空間分辨率為0.54 m的谷歌影像。圖像預(yù)處理過(guò)程包括輻射定標(biāo)、大氣校正、幾何校正、圖像裁剪等。

1.3.2 基礎(chǔ)地理數(shù)據(jù)

東南丘陵地區(qū)耕地分布破碎分散，且面積較小，耕地地塊一般有著相對(duì)固定的邊界及單一的權(quán)屬。以耕地地塊為基本單元，提取農(nóng)作物信息能夠有效改善耕地分類(lèi)精度。耕地矢量邊界數(shù)據(jù)來(lái)自閩清縣第三次全國(guó)國(guó)土調(diào)查數(shù)據(jù)庫(kù)，共有耕地圖斑22 415個(gè)。研究區(qū)高分影像結(jié)合野外實(shí)地調(diào)查，采集耕地圖斑內(nèi)375個(gè)樣本點(diǎn)，含長(zhǎng)期耕作的穩(wěn)定利用耕地和撂荒耕地樣本，隨機(jī)抽取256個(gè)為訓(xùn)練樣點(diǎn)，119個(gè)為驗(yàn)證點(diǎn)（圖1）。

2 研究方法

技術(shù)路線(xiàn)如圖2所示。將Landsat8及Sentinel-2影像進(jìn)行預(yù)處理后計(jì)算NDVI值，疊合耕地地塊矢量邊界數(shù)據(jù)，構(gòu)建地塊級(jí)NDVI數(shù)據(jù)集。首先，利用年際NDVI最大值法初步提取撂荒耕地；其次，利用年內(nèi)NDVI差值法進(jìn)一步提取年際NDVI最大值法無(wú)法判斷的撂荒耕地；最后，合并兩者，提取結(jié)果并得到研究區(qū)撂荒耕地分布情況。

2.1 構(gòu)建地塊級(jí)時(shí)序NDVI數(shù)據(jù)集

第一，利用GEE平臺(tái)在線(xiàn)編輯器對(duì)預(yù)處理后的2016年1月—2021年1月的Sentinel-2 L2A級(jí)數(shù)據(jù)和Landsat8 SR數(shù)據(jù)構(gòu)建循環(huán)，利用質(zhì)量評(píng)估波段（QA）對(duì)所有影像進(jìn)行云掩膜處理，對(duì)去云處理后的影像計(jì)算NDVI指數(shù)。由于Sentinel-2影像和Landsat8影像的分辨率不同，對(duì)Lansat8影像采用三次卷積內(nèi)插方法重采樣為10 m分辨率。第二，對(duì)于每月內(nèi)的多期NDVI數(shù)據(jù)，通過(guò)mosaic函數(shù)進(jìn)行逐個(gè)像元有效最大值或最小值合成，構(gòu)建逐年逐月最大NDVI和最小NDVI值數(shù)據(jù)集；再以耕地地塊矢量邊界數(shù)據(jù)為掩膜，對(duì)數(shù)據(jù)集進(jìn)行裁剪，剔除非耕地地塊，通過(guò)Mean函數(shù)對(duì)每個(gè)地塊進(jìn)行均值合成，生成各個(gè)月份的地塊級(jí)時(shí)序NDVI數(shù)據(jù)。

2.2 年際NDVI最大值合成法

年際NDVI最大值合成法通過(guò)逐個(gè)像元比對(duì)每月內(nèi)各期NDVI值，選取有效NDVI最大值并合成該月NDVI最大值圖像，利用年內(nèi)各月NDVI最大值圖像，生成該年NDVI最大值圖像，再利用正常耕作耕地和撂荒耕地的年際NDVI最大值顯著差異，提取撂荒耕地。撂荒耕地由于無(wú)人耕種而逐漸荒蕪長(zhǎng)草，因?yàn)樽匀簧L(zhǎng)草本的全年NDVI最大值一般比成熟期農(nóng)作物的NDVI要小，所以耕地撂荒后，其年際NDVI最大值會(huì)顯著減小。

如圖3所示，2016—2018年該地塊正常耕作，年內(nèi)NDVI最大值（約0.6）出現(xiàn)在夏季，年內(nèi)NDVI最小值（0.1～0.2）出現(xiàn)在冬季。2019年該地塊開(kāi)始撂荒，2019年全年各月NDVI都較小且變化緩慢，2019年NDVI最大值（約0.22）明顯小于前三年有耕作行為的NDVI最大值（約0.6）；2020年該地塊繼續(xù)撂荒，但由于植被持續(xù)生長(zhǎng)，其年內(nèi)NDVI最大值提高到0.31。

不同作物種類(lèi)的年NDVI最大值差異較大，部分學(xué)者[10-11]使用Sentinel-2數(shù)據(jù)分析，得到穩(wěn)定利用耕地的NDVI最大值分別為0.48～0.72或0.3～0.93。通過(guò)GEE平臺(tái)調(diào)用qualityMosaic函數(shù)，對(duì)研究區(qū)地塊級(jí)時(shí)序NDVI影像進(jìn)行年最大值合成，結(jié)合野外實(shí)地調(diào)查耕地樣點(diǎn)的NDVI值進(jìn)行趨勢(shì)面分析，得到研究區(qū)耕地NDVI最大值的區(qū)間為0.46～0.92，綜合趨勢(shì)面計(jì)算的最小值0.46作為判別研究區(qū)耕地是否撂荒的臨界值，并且利用LandTrendr算法對(duì)年際NDVI最大值變化進(jìn)行檢測(cè)。LandTrendr算法基本過(guò)程是將年際NDVI最大值時(shí)序軌跡簡(jiǎn)化為一組相連的線(xiàn)段，并對(duì)分割后的線(xiàn)段進(jìn)行線(xiàn)性擬合，提取年際NDVI最大值大幅度減小，且小于0.46，地塊為撂荒耕地。

2.3 年內(nèi)NDVI差值法

東南丘陵地區(qū)部分耕地撂荒后由于氣候條件較好，易生長(zhǎng)雜草。特別是耕地撂荒多年后，草木生長(zhǎng)旺盛，其N(xiāo)DVI最大值可能高于0.46，導(dǎo)致年際NDVI最大值合成法可能無(wú)法有效提取撂荒耕地。雖然雜草生長(zhǎng)旺盛的撂荒耕地的NDVI最大值與穩(wěn)定利用耕地相似，但由于草本自然生長(zhǎng)無(wú)人工干預(yù)，其年內(nèi)NDVI變化緩慢，而穩(wěn)定利用耕地的年內(nèi)NDVI由于人工種植和收割活動(dòng)會(huì)出現(xiàn)有規(guī)律的增減現(xiàn)象。撂荒耕地年內(nèi)NDVI最大值與最小值的差值比穩(wěn)定利用耕地的差值更小，因此利用兩者的年內(nèi)NDVI變化差值大小可以進(jìn)一步提取撂荒耕地。

相關(guān)研究表明，耕地年內(nèi)NDVI差值大小與種植類(lèi)型及耕地撂荒密切相關(guān)。統(tǒng)計(jì)研究區(qū)內(nèi)已知種植或撂荒情況的256個(gè)訓(xùn)練樣本點(diǎn)的年內(nèi)NDVI差值區(qū)間為0.02～0.22，以0.01為步長(zhǎng)，計(jì)算不同區(qū)間的訓(xùn)練樣本中撂荒耕地的比例（P）：

（1）

式（1）中α、β分別為年內(nèi)NDVI差值區(qū)間的上下限，區(qū)間步長(zhǎng)為0.01；S荒為在該區(qū)間內(nèi)的撂荒耕地?cái)?shù)量；S樣為該區(qū)間內(nèi)耕地樣本總量。圖4顯示，當(dāng)年內(nèi)NDVI差值小于0.03時(shí)，訓(xùn)練樣本中的撂荒耕地比例小于20%，其原因?yàn)檫@些耕地大部分種植果樹(shù)、樹(shù)苗等常綠植被，使得年內(nèi)NDVI差值較小。這些耕地被認(rèn)為是“非糧化”利用的耕地，不屬于撂荒耕地。當(dāng)年內(nèi)NDVI差值在0.04～0.10時(shí)，撂荒耕地比例顯著增加，達(dá)到80%以上；當(dāng)年內(nèi)NDVI差值大于0.10時(shí)，撂荒耕地比例顯著減少（小于20%），這些耕地絕大部分種植農(nóng)作物，年內(nèi)NDVI變化呈現(xiàn)明顯的增減現(xiàn)象。根據(jù)以上分析，可以確定研究區(qū)撂荒耕地年內(nèi)NDVI差值區(qū)間為（0.04，0.10）。

3 結(jié)果分析

3.1 撂荒耕地提取結(jié)果的驗(yàn)證

通過(guò)上述方法提取閩清縣2016—2020年的撂荒耕地，再利用高分影像結(jié)合野外實(shí)地調(diào)查，共計(jì)驗(yàn)證119個(gè)樣點(diǎn)地塊，發(fā)現(xiàn)其中102個(gè)樣點(diǎn)結(jié)果正確，提取精度為85.71%。這表明該提取方法優(yōu)于傳統(tǒng)遙感分類(lèi)提取方法，可以有效提取撂荒耕地信息。

如表1所示，2016—2020年閩清縣撂荒耕地面積分別為4 678.25、4 327.02、4 457.09、4 279.78、4 644.56 hm2，

分別占全縣耕地總面積的37.69%、34.86%、35.91%、34.48%

及37.42%。2016—2020年各年份拋荒率在35%左右，耕地撂荒現(xiàn)象較為嚴(yán)重。根據(jù)閩清縣第三次全國(guó)國(guó)土調(diào)查結(jié)果，2019年未耕種耕地面積為4 502.03 hm2，與本方法提取的2019年撂荒耕地面積4 279.78 hm2的數(shù)值十分接近，證明了本撂荒耕地提取方法的可靠性。

3.2 撂荒耕地的時(shí)空分布特征

通過(guò)疊加2016—2020年份撂荒耕地提取結(jié)果，得到撂荒持續(xù)時(shí)間分別為1～5年的地塊分布，共計(jì)15 757個(gè)圖斑。由表2可知，研究區(qū)耕地持續(xù)撂荒1～5年的面積分別為1 394.31、1 894.23、1 745.44、1 774.48、773.94 hm2，分別占研究區(qū)耕地總面積的11.23%、15.26%、14.06%、14.29%及6.23%。

從閩清縣耕地撂荒持續(xù)時(shí)間分布圖（圖5）可以看出，撂荒地塊多分布在閩清縣東南部、東北部等海拔較高的、耕作不便的丘陵地帶，這些地塊面積相對(duì)較大且比較集中，其余地區(qū)分布則較為零散。1～2年撂荒耕地多分布在農(nóng)村居民地附近，其原因包括農(nóng)作物經(jīng)濟(jì)效益較低導(dǎo)致農(nóng)戶(hù)耕作意愿下降、農(nóng)村人口外流導(dǎo)致勞動(dòng)力不足等，使得農(nóng)戶(hù)只耕作部分耕地以實(shí)現(xiàn)口糧自足目的，而選擇性或間斷性地撂荒部分耕地[12]。持續(xù)撂荒3年以上耕地主要分布在距居民區(qū)的較遠(yuǎn)地帶，這類(lèi)耕地位置偏遠(yuǎn)、耕作不便，農(nóng)戶(hù)主動(dòng)復(fù)墾該類(lèi)撂荒耕地的可能性較小。

3.3 撂荒耕地的核密度分析

對(duì)2017—2020年撂荒耕地提取結(jié)果進(jìn)行核密度分析，如圖6所示。從整體看，閩清縣撂荒耕地分布廣泛且散亂，各年份的聚集程度沒(méi)有發(fā)生明顯的變化。撂荒地高聚集度的區(qū)域主要分布在研究區(qū)的東南和東北區(qū)域。云龍鄉(xiāng)和三溪鄉(xiāng)在2017—2020年都存在明顯的高聚集，下祝鄉(xiāng)除2019年也存在明顯的高聚集，這3個(gè)區(qū)域的地形多為山地，農(nóng)用器械使用不便，加上農(nóng)村常住人口較少，勞動(dòng)力的不足，致使耕地常年撂荒。坂東鎮(zhèn)和塔莊鎮(zhèn)在2017、2020年存在明顯的高聚集，這2個(gè)地區(qū)雖然有較多的常住人口，但其城鎮(zhèn)化水平相對(duì)較高，有相對(duì)較多的工作崗位，而農(nóng)業(yè)生產(chǎn)過(guò)低的收益使得農(nóng)戶(hù)放棄耕作轉(zhuǎn)而從事其他工作，導(dǎo)致耕地撂荒。

4 結(jié)束語(yǔ)

針對(duì)東南丘陵地區(qū)耕地破碎、混合像元較多、種植結(jié)構(gòu)復(fù)雜等導(dǎo)致撂荒耕地遙感提取精度較低的問(wèn)題，以耕地邊界信息結(jié)合NDVI，通過(guò)最大值合成法結(jié)合LandTrendr算法和年內(nèi)差值方法，能夠有效提取東南丘陵地區(qū)的撂荒耕地。研究結(jié)果可以為東南丘陵地區(qū)撂荒耕地信息獲取提供有效方法。以Sentinel-2影像及Landsat8影像協(xié)同構(gòu)建時(shí)序遙感數(shù)據(jù)集，解決了東南丘陵多云雨天氣導(dǎo)致的單一遙感數(shù)據(jù)源有效數(shù)據(jù)不足的問(wèn)題。

本研究采用年際NDVI最大值合成法和年內(nèi)NDVI

差值法提取撂荒耕地，可以有效解決不同作物物候期不一致的問(wèn)題。由于數(shù)據(jù)源的局限性，Sentinel-2和Landsat8時(shí)間分辨率不夠高，未必能夠獲取作物收獲后至下一輪種植前的時(shí)點(diǎn)影像，年內(nèi)差值法可能無(wú)法識(shí)別出這些輪耕地塊。此外，研究區(qū)內(nèi)種植情況復(fù)雜多變，種植作物類(lèi)型完全受農(nóng)戶(hù)控制，部分耕地轉(zhuǎn)為種植油茶樹(shù)、果樹(shù)等常綠植物，年內(nèi)NDVI差值小于種糧耕地，而這些“非糧化”耕地有可能被誤判為撂荒耕地。因此，在實(shí)際中需要結(jié)合物候特征進(jìn)一步的分類(lèi)提取。

參考文獻(xiàn)

[1] 陳欣怡，鄭國(guó)全.國(guó)內(nèi)外耕地撂荒研究進(jìn)展[J].中國(guó)人口·資源與環(huán)境，2018，28（S2）：37-41.

[2] 陳航，譚永忠，鄧欣雨，等.撂荒耕地信息獲取方法研究進(jìn)展與展望[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（23）：258-268.

[3] 李升發(fā)，李秀彬.耕地撂荒研究進(jìn)展與展望[J].地理學(xué)報(bào)， 2016，71（3）：370-389.

[4] 陳航，譚永忠，鄧欣雨，等.撂荒耕地信息獲取方法研究進(jìn)展與展望[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（23）：258-268.

[5] 李加林，劉闖.基于MODIS的杭州灣南岸農(nóng)業(yè)生態(tài)系統(tǒng)NDVI季節(jié)變化特征研究[J].地理與地理信息科學(xué)，2005 （3）：30-34.

[6] 程維芳，周藝，王世新，等.基于多光譜遙感的撂荒地識(shí)別方法研究[J].光譜學(xué)與光譜分析，2011，31（6）：1615-1620.

[7] 王佑漢.基于遙感的四川省撂荒耕地多尺度空間格局及機(jī)制研究[D].成都：成都理工大學(xué)，2020.

[8] Qiu B， Luo Y， Tang Z， et al. Winter wheat mapping combining variations before and after estimated heading dates [J]. Isprs Journal of Photogrammetry & Remote Sensing， 2017， 123（1）： 35-46.

[9] 羅婷婷，鄒學(xué)榮.撂荒，棄耕，退耕還林與休耕轉(zhuǎn)換機(jī)制謀劃[J].西部論壇，2015，25（2）：7.

[10] 王利軍，郭燕，賀佳，等.基于決策樹(shù)和SVM的Sentinel-2A影像作物提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（9）：146-153.

[11] 韓圣其.撂荒地遙感監(jiān)測(cè)與空間分布規(guī)律研究[D].北京：北京林業(yè)大學(xué)，2019.

[12] 程先同.農(nóng)村勞動(dòng)力結(jié)構(gòu)對(duì)耕地撂荒的影響研究[D].重慶：西南大學(xué)，2020.