張昊， 高小紅,4， 史飛飛， 李潤(rùn)祥

(1.青海師范大學(xué)地理科學(xué)學(xué)院，西寧 810008； 2.青藏高原地表過(guò)程與生態(tài)保育教育部重點(diǎn)實(shí)驗(yàn)室，西寧 810008； 3.青海省自然地理與環(huán)境過(guò)程重點(diǎn)實(shí)驗(yàn)室，西寧 810008； 4.高原科學(xué)與可持續(xù)發(fā)展研究院，西寧 810008)

0 引言

隨著近幾十年中國(guó)城市化進(jìn)程的不斷加快，農(nóng)業(yè)發(fā)展也進(jìn)入新階段，環(huán)境和社會(huì)等多方因素導(dǎo)致耕地開(kāi)始出現(xiàn)撂荒現(xiàn)象[1]。我國(guó)耕地撂荒地分布廣泛，其中山地、丘陵地區(qū)較為常見(jiàn)[2]，這些區(qū)域地形起伏大、坡耕地多、耕種效率低下，土地撂荒現(xiàn)象明顯。青海省民和回族土族自治縣(以下簡(jiǎn)稱民和縣)地處黃土高原向青藏高原過(guò)渡帶，同時(shí)也是黃土高原西部的組成部分之一，其地形地貌與黃土高原東部及其腹地具有一定的差異性。該縣屬于青海東部農(nóng)業(yè)區(qū)，據(jù)調(diào)查，民和縣耕地主要以坡耕地為主，土壤貧瘠，降水量少，加之灌溉設(shè)施差且地形使機(jī)械化農(nóng)業(yè)難以實(shí)現(xiàn)，因此耕種效率低下。根據(jù)青海省2018—2020年統(tǒng)計(jì)年鑒，2017—2019年民和縣遷出人口比遷入人口多了5 885人，勞動(dòng)力流失現(xiàn)象較為嚴(yán)重，導(dǎo)致部分耕地?zé)o人耕種成為撂荒地。因此開(kāi)展撂荒地調(diào)查對(duì)掌握耕地面積、保護(hù)耕地和維護(hù)生態(tài)用地非常重要。

以往基于單季相影像的土地覆被分類研究因信息量少，導(dǎo)致分類精度較低。研究表明考慮植被和作物物候的多季相影像數(shù)據(jù)的使用能夠有效提高土地覆被分類精度[3-6]。Landsat系列衛(wèi)星由于其具有長(zhǎng)時(shí)間序列的存檔影像且可免費(fèi)獲取等優(yōu)點(diǎn)，近年來(lái)多用于撂荒地的提取研究。肖國(guó)峰等[7]基于Landsat和HJ-1A時(shí)序數(shù)據(jù)，利用決策樹(shù)方法研究了山東省慶云縣和無(wú)棣縣1992—2017年撂荒地面積的變化，為其他地區(qū)撂荒耕地識(shí)別提供了參考； Wu等[8]以廣東興寧縣為例，使用2017—2018年生長(zhǎng)期和種植期的Landsat8 OLI影像，輔以2017年土地利用數(shù)據(jù)，結(jié)合改進(jìn)的歸一化差值水體指數(shù)(modified normalized difference water index, MNDWI)、歸一化差值裸地與建筑用地指數(shù) (normalized difference bareness and built-up index, NDBBI)、歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)3種指數(shù),運(yùn)用決策樹(shù)方法提取撂荒地，較好地獲得了撂荒地的面積和空間分布。

相比Landsat衛(wèi)星數(shù)據(jù)重訪周期長(zhǎng)、空間分辨率較低、光譜波段少的缺點(diǎn)，Sentinel-2衛(wèi)星具有光譜波段多(13個(gè)多光譜波段)、空間分辨率更高(全色10 m、多光譜20 m)以及雙星同步工作模式等優(yōu)勢(shì)。Sentinel-2包括2A和2B共2顆衛(wèi)星，一顆衛(wèi)星的重訪周期為10 d，2顆互補(bǔ)重訪周期為5 d[9]，因此利用Sentinel-2數(shù)據(jù)可以更好地獲取完整的高分辨率多季相影像。楊通等[10]利用多源遙感數(shù)據(jù)結(jié)合聯(lián)合變化檢測(cè)對(duì)和林格爾地區(qū)2014—2017年的撂荒地進(jìn)行提取，表明基于GF-1，GF-2，ZY-3和Sentinel-2A數(shù)據(jù)可以有效提取撂荒地； He等[11]使用Sentinel-2數(shù)據(jù)和MODIS數(shù)據(jù)，通過(guò)集成線性拉伸、最大值合成和靈活的時(shí)空數(shù)據(jù)融合方法建立了四川大英縣2020年逐月時(shí)空數(shù)據(jù)集，借助支持向量機(jī)方法(support vector machines,SVM)提取撂荒地，總體準(zhǔn)確率達(dá)到了88.1%； 王紅巖等[12]基于2017—2018年Sentinel-2A多季相數(shù)據(jù)，將作物的NDVI特征與第二次土地利用調(diào)查數(shù)據(jù)相結(jié)合，利用決策樹(shù)方法提取了貴州修文縣的撂荒地面積； 馬引弟等[13]基于Sentinel-2影像結(jié)合隨機(jī)森林算法(random forest,RF)獲取了甘肅天水市2017—2019年3 a間的土地覆被分類數(shù)據(jù)，在此基礎(chǔ)上利用決策樹(shù)(decision tree,DT)獲取了撂荒地。這些研究均表明Sentinel-2數(shù)據(jù)可以準(zhǔn)確有效地提取撂荒地。

在地形起伏大的山地區(qū)域，由于云污染現(xiàn)象嚴(yán)重，單靠多光譜數(shù)據(jù)難以準(zhǔn)確對(duì)土地覆被進(jìn)行分類。Sentinel-1 SAR數(shù)據(jù)則可以提供各種天氣、時(shí)間的影像，為山區(qū)土地覆被分類提供了數(shù)據(jù)支持。將Sentinel-1 SAR(synthetic aperture Radar)數(shù)據(jù)與Sentinel-2 MSI(multi-spectral instrument)相結(jié)合可幫助提高多云量地區(qū)土地覆被分類的整體精度[14]。RF算法具有較強(qiáng)的魯棒性和較高的隨機(jī)性，相比于其他常用的分類器已被證明精度更高[15]，可以有效提高復(fù)雜地形區(qū)和平原地區(qū)遙感土地覆被分類精度[16-17]，近年來(lái)已被廣泛用于土地覆被分類。GEE(Google Earth Engine)是由谷歌公司研發(fā)的云計(jì)算平臺(tái)，具有多源數(shù)據(jù)源和強(qiáng)大的數(shù)據(jù)處理能力，它不僅可以在線利用JavaScript語(yǔ)言進(jìn)行編程，同時(shí)也提供了Python API接口進(jìn)行離線編程，近年來(lái)已成為遙感土地覆被分類的有效平臺(tái)之一[18-21]。

本研究以青海省民和縣為研究區(qū)，在GEE云平臺(tái)的支持下，基于Sentinel-2 MSI與Sentinel-1 SAR相結(jié)合的數(shù)據(jù)，將多時(shí)相與多季相相結(jié)合，RF算法與DT算法相結(jié)合，進(jìn)行撂荒地提取研究，探索多季相的Sentinel數(shù)據(jù)在黃土丘陵區(qū)撂荒地提取中的有效性，并探尋民和縣撂荒地的分布狀況和分布規(guī)律，為耕地、生態(tài)用地保護(hù)提供數(shù)據(jù)支持，以期為黃土高原丘陵區(qū)農(nóng)業(yè)規(guī)劃和決策提供技術(shù)支持和參考。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

民和縣屬于青海省海東市下轄縣，地理坐標(biāo)為E102°26′～103°04′，N35°45′～36°26′?？h境東西寬約32 km、南北長(zhǎng)約96 km，總面積為1 890.82 km2。民和縣為黃土高原向青藏高原過(guò)渡地帶，90%的面積位于黃河與其一級(jí)支流湟水之間。地貌自北向南由北部祁連山系的達(dá)坂山、湟水河谷平原、中部和南部黃土丘陵、西南拉脊山余脈、南部黃河河谷平原構(gòu)成，地勢(shì)西北高，東南低，西南部多為高山。海拔最高為4 220 m，最低為1 650 m，平均海拔為2 326.65 m，如圖1所示。氣候具有顯著的高原大陸性氣候特征，年平均日照時(shí)數(shù)達(dá)2 458.2 h，年平均氣溫為 8.3℃，年降水量約350～400 mm，年蒸發(fā)量為1 681.6 mm[22]。經(jīng)濟(jì)林有蘋果和梨等，農(nóng)作物主要為冬小麥、春小麥、春玉米和土豆等。作物的種植期和成熟期如圖2所示，表中上、中、下分別代表上旬、中旬與下旬。

圖2 民和縣主要作物類型與物候期Fig.2 Main crop types and phenological period in Minhe County

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 數(shù)據(jù)源

以GEE云平臺(tái)上獲取的空間分辨率為10 m的Sentinel-2 MSI和Sentinel-1 SAR數(shù)據(jù)為主要數(shù)據(jù)源，包括2018年、2019年和2020年3 a數(shù)據(jù)，其中Sentinel-1影像123景、Sentinel-2 L1C級(jí)影像114景、Sentinel-2 L2A級(jí)影像212景，共449景影像。高程數(shù)據(jù)也為GEE云平臺(tái)獲取的30 m航天飛機(jī)雷達(dá)地形測(cè)繪任務(wù)(the shuttle Radar topography mission，SRTM)數(shù)據(jù)。民和縣行政邊界來(lái)自于最新的全國(guó) 1∶400萬(wàn)比例尺縣矢量邊界數(shù)據(jù)。

1.2.2 數(shù)據(jù)預(yù)處理

本研究的數(shù)據(jù)預(yù)處理全部基于GEE云平臺(tái)完成，研究區(qū)云量較多，云污染嚴(yán)重，利用傳統(tǒng)的單景影像很難獲得無(wú)云的高質(zhì)量區(qū)域影像，基于GEE提供的中值合成算法，利用一個(gè)時(shí)間段內(nèi)的像元中值對(duì)一些去云后的空缺部分進(jìn)行填補(bǔ)，可得到較好質(zhì)量的影像。

Sentinel-1數(shù)據(jù)的預(yù)處理是利用GEE云平臺(tái)自帶的極化處理函數(shù)對(duì)原始影像進(jìn)行雙極化處理，分成了VV和VH這2個(gè)極化分量，后運(yùn)用中值合成算法進(jìn)行處理并用研究區(qū)范圍進(jìn)行裁切，得到物候期的最佳Sentinel-1影像。將30 m空間分辨率的DEM重采樣成與Sentinel-2影像相同的空間分辨率(10 m)，并利用研究區(qū)范圍進(jìn)行裁切，得到所需的高程數(shù)據(jù)。

GEE云平臺(tái)上提供的Sentinel影像分為了L1C級(jí)和L2A級(jí)影像，L2A級(jí)影像是經(jīng)過(guò)了大氣校正的影像，而L1C級(jí)影像僅進(jìn)行了正射校正，本研究可獲取的L2A級(jí)影像僅為2019和2020年，2018年影像是L1C級(jí)產(chǎn)品，Hu等[23]利用L1C級(jí)影像進(jìn)行分類實(shí)驗(yàn)，并取得了較佳的成果，但為保證影像的一致性，因此需要對(duì)Sentinel-2 L1C級(jí)影像進(jìn)行大氣校正。6S大氣校正方法是一種大氣傳輸模型，采用近似和逐次散射SOS算法來(lái)計(jì)算散射和吸收。Ion等[24]將Sentinel-2大氣校正的4種方法(SEN2COR，MAJA，6S和iCOR)進(jìn)行對(duì)比，發(fā)現(xiàn)4種校正方法效果幾乎一致，但6S大氣校正可以利用Python很好地完成，故本研究利用6S模型進(jìn)行影像大氣校正?；?S模型將L1C級(jí)影像處理為L(zhǎng)2A級(jí)影像，后對(duì)所有L2級(jí)影像進(jìn)行去云算法和中值合成算法，并利用研究區(qū)范圍進(jìn)行裁切得到物候期最佳Sentinel-2影像。本研究中所采用的Sentinel-1和Sentinel-2影像景數(shù)如表1所示。

表1 民和縣2018—2020年Sentinel-1/2衛(wèi)星影像Tab.1 Sentinel-1/2 satellite image of Minhe County from 2018 to 2020 (景)

1.3 分類系統(tǒng)與樣本數(shù)據(jù)選取

本研究區(qū)土地覆被分類系統(tǒng)主要根據(jù)《全國(guó)遙感監(jiān)測(cè)土地利用/覆蓋分類體系》并結(jié)合研究區(qū)實(shí)際情況，將研究區(qū)分成了耕地、林地、草地、水域、城鄉(xiāng)工礦居民建設(shè)用地和未利用土地等6個(gè)一級(jí)大類，其中水域又分成3個(gè)2級(jí)類，即河渠、水庫(kù)坑塘和河灘地。樣本的選擇利用 Google Earth 影像和2020年實(shí)地調(diào)查結(jié)果作為參考，3 a間共選擇了訓(xùn)練樣本與驗(yàn)證樣本20 786個(gè)，其中2018年樣本點(diǎn)6 856個(gè)、2019年樣本點(diǎn)6 789個(gè)、2020年樣本點(diǎn)7 141個(gè)，具體見(jiàn)表2。

表2 地物類型樣本點(diǎn)Tab.2 Feature type sample points (個(gè))

2 研究方法

本研究的研究思路和技術(shù)流程如圖3所示： ①根據(jù)研究區(qū)農(nóng)作物的物候特征并基于GEE云平臺(tái)獲取多時(shí)相、多季相Sentinel-1和Sentinel-2影像并進(jìn)行預(yù)處理； ②調(diào)用GEE影像庫(kù)獲取高程數(shù)據(jù)，重采樣后進(jìn)行坡度和坡向的計(jì)算，結(jié)合步驟①構(gòu)建預(yù)處理后影像數(shù)據(jù)庫(kù)利用研究區(qū)范圍進(jìn)行裁切處理； ③基于Sentinel-2影像分別計(jì)算增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)、比值居民地指數(shù) (ratio resident-area index，RRI)、MNDWI指數(shù)和第一主成分，再根據(jù)第一主成分進(jìn)行灰度共生矩陣計(jì)算獲取紋理特征，利用纓帽變換矩陣函數(shù)計(jì)算亮度指數(shù)、濕度指數(shù)和綠度指數(shù)3個(gè)分量； ④結(jié)合步驟①—③的處理結(jié)果，構(gòu)建原始特征，對(duì)所有年份特征進(jìn)行特征優(yōu)化選擇，選取重要性最高的11個(gè)特征作為分類特征； ⑤使用RF算法結(jié)合優(yōu)化后的特征對(duì)影像進(jìn)行分類以及精度評(píng)價(jià)； ⑥依據(jù)撂荒地判斷規(guī)則，構(gòu)建決策樹(shù)進(jìn)行撂荒地的提取，并對(duì)提取結(jié)果進(jìn)行分析討論。

圖3 技術(shù)路線圖Fig.3 Technology roadmap

2.1 RF算法原理

RF是2001年由Leo 將Bagging集成學(xué)習(xí)理論與隨機(jī)子空間方法相結(jié)合，提出的一種機(jī)器學(xué)習(xí)算法。該算法是一個(gè)以決策樹(shù)為基分類器的集成學(xué)習(xí)模型，它是利用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，然后組合多棵決策樹(shù)的預(yù)測(cè)，通過(guò)投票得出最終預(yù)測(cè)結(jié)果。具有很高的預(yù)測(cè)準(zhǔn)確率，對(duì)異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過(guò)擬合現(xiàn)象[25]。

2.2 特征構(gòu)建

2.2.1 光譜特征

本研究使用的光譜特征是來(lái)自Sentinel-2A/B影像的光譜波段以及其構(gòu)建的光譜指數(shù)。光譜波段使用B2，B3，B4，B8，B11，B12這6個(gè)波段，光譜指數(shù)包括RRI[26]，EVI[27]及MNDWI[28]，采用GEE函數(shù)計(jì)算。它們的模型表達(dá)式分別為：

RRI=ρblue/ρnir，

(1)

EVI=2.5(ρnir-ρred)/(ρnir+6ρred-7.5ρblue+1) ，

(2)

MNDWI=(ρgreen-ρswir1)/(ρgreen+ρswir1) ，

(3)

式中ρblue，ρgreen，ρred，ρnir，ρswir1分別為影像藍(lán)光、綠光、紅光、近紅外和短波紅外波段反射率值。

2.2.2 紋理特征

紋理特征是遙感分類過(guò)程當(dāng)中一個(gè)重要的分類特征，一些高海拔山區(qū)，地勢(shì)崎嶇，地形破碎，使用紋理特征可以提高對(duì)山區(qū)特定類別的分離[29]。紋理特征的計(jì)算是基于灰度共生矩陣(gray-level co-occurrence matrix, GLCM)[30]的統(tǒng)計(jì)方法進(jìn)行的，計(jì)算數(shù)據(jù)為原始影像進(jìn)行主成分分析后選取分析結(jié)果中的第一主成分。GEE計(jì)算后的灰度共生矩陣結(jié)果有29個(gè)紋理特征統(tǒng)計(jì)量，本研究選取最常用且具有代表性的角二階矩(pc1_asm)、熵(pc1_ent)、對(duì)比度(pc1_contrast)、逆差矩(pc1_idm)、相關(guān)性(pc1_corr)等5個(gè)統(tǒng)計(jì)量。

2.2.3 纓帽變換

纓帽變換即坎斯-托馬斯變換(Kauth-Thomas transformation, KT)。纓帽變換是多光譜波段的一種線性變換，不同的傳感器纓帽變換的轉(zhuǎn)換系數(shù)是不同的，利用纓帽變換能消除多光譜圖像的相對(duì)光譜響應(yīng)相關(guān)性[31]。其中基于纓帽變換得到的主要特征分量為亮度指數(shù)、綠度指數(shù)和濕度指數(shù)。本研究基于Sentinel-2A/B常用的6個(gè)波段( B2，B3，B4，B8，B11，B12) 和Sentinel變換矩陣系數(shù)(表3)，通過(guò)式(4)進(jìn)行變換，即

表3 Sentinel-2A/B纓帽變換矩陣系數(shù)Tab.3 Matrix coefficients of tassel cap transformation from Sentinel-2A/B

Y=Cx+a，

(4)

式中：Y為變換后多光譜的空間像元矢量；x為變換前多光譜的空間像元矢量；C為變換矩陣；a為避免出現(xiàn)負(fù)值所加的常數(shù)。

2.2.4 極化特征

民和縣所在區(qū)域天氣多云，Sentinel-1 SAR具有穿透云層獲取影像的優(yōu)勢(shì)，因此本研究在前人研究使用Sentienl-2數(shù)據(jù)的基礎(chǔ)上，加入了Sentinel-1數(shù)據(jù)的極化特征輔助分類。在Sentinel-1數(shù)據(jù)極化處理后將VV和VH這2個(gè)極化特征加入原始特征的構(gòu)建。

2.2.5 地形特征

民和縣海拔較高，地形相對(duì)高程差異大，耕地大多為坡耕地，利用地形特征可以有效提高分類的精度。GEE中的SRTM高程數(shù)據(jù)具有高度和坡度2種特征，基于預(yù)處理后的高程數(shù)據(jù)，利用GEE自帶的函數(shù)計(jì)算坡向后，將高度、坡度和坡向3種地形特征作為特征變量參與分類。

2.3 基于RF方法的多季相土地覆被分類

分類之前，利用隨機(jī)函數(shù)隨機(jī)選擇約70%的樣點(diǎn)作為訓(xùn)練樣本，30%的樣點(diǎn)作為驗(yàn)證樣本。以前面確定的土地覆被分類系統(tǒng)為依據(jù)，分類時(shí)調(diào)用GEE自帶的RF函數(shù)，對(duì)研究區(qū)土地覆被進(jìn)行分類。

2.3.1 特征優(yōu)化

本研究選取了5種類型特征變量參與分類，但并不是所有特征對(duì)于分類的重要性都相等的，如果所選特征變量全部參與分類，那么每年的特征變量將會(huì)高達(dá)45個(gè)之多，造成數(shù)據(jù)的冗余，加大分類器負(fù)擔(dān)，降低分類精度。所以進(jìn)行特征優(yōu)化選擇是有必要的。

本研究采用的特征優(yōu)化方法是基于特征的組合評(píng)估法和GEE云平臺(tái)自帶的重要性分析法的綜合優(yōu)化方法。特征組合優(yōu)化法是將5種類型特征隨機(jī)組合，選取分類精度最高的一組，作為最優(yōu)的特征組合方法加入?yún)⑴c分類。以2018年為例，將不同組合的特征加入RF分類器中，計(jì)算Kappa系數(shù)和總體分類精度，見(jiàn)表4。GEE云平臺(tái)在將特征加入RF分類器后，會(huì)計(jì)算每個(gè)特征在RF中的每顆樹(shù)上的平均貢獻(xiàn)度，本研究基于表4結(jié)果，發(fā)現(xiàn)在特征組合分析法中選取光譜、地形、纓帽和極化特征加入分類，精度是最高的。后將最優(yōu)特征組合里的所有特征進(jìn)行重要性比對(duì)，逐年選取重要性最高的11個(gè)特征作為特征優(yōu)化結(jié)果參與分類(表5)。

表4 不同特征組合下Kappa系數(shù)和總體分類精度Tab.4 Kappa coefficient and overall classification accuracies under different feature combinations

表5 2018年、2019年、2020年特征優(yōu)化選擇結(jié)果Tab.5 Results of feature optimization selection in 2018, 2019 and 2020

2.3.2 精度評(píng)價(jià)

采用基于GEE 云平臺(tái)的混淆矩陣精度評(píng)價(jià)系統(tǒng)對(duì)RF的分類結(jié)果結(jié)合野外實(shí)地采樣數(shù)據(jù)進(jìn)行精度評(píng)價(jià)，具體評(píng)價(jià)指標(biāo)為總體精度和Kappa系數(shù)。在每一年的精度計(jì)算結(jié)果后，進(jìn)行檢驗(yàn)并結(jié)合實(shí)地采樣點(diǎn)和Google Earth影像進(jìn)行比對(duì)修改，直到精度達(dá)到較為滿意，分類結(jié)果和實(shí)地地物相符，3 a的精度評(píng)估結(jié)果見(jiàn)表6。

表6 Kappa系數(shù)和總體精度Tab.6 Kappa coefficient and overall accuracy

由表6可以看出，每一年的Kappa系數(shù)均達(dá)到了評(píng)價(jià)標(biāo)準(zhǔn)，3 a的總體精度相近、精度較高，可以用于后續(xù)的分析。

2.4 分類后處理與撂荒地提取

耕地撂荒是指耕地閑置1 a以上而未被利用的現(xiàn)象[32]。Sentinel衛(wèi)星于2015年發(fā)射，由于研究區(qū)云量較多，僅能獲取到2018年后的Sentinel-2A數(shù)據(jù)。根據(jù)撂荒地的判斷規(guī)則，選取2018—2020年這3 a的影像進(jìn)行撂荒地提取。通過(guò)每一年選取的樣本結(jié)合優(yōu)化后的特征變量分別進(jìn)行3 a的土地覆被RF分類，然后對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，在精度達(dá)到要求之后，運(yùn)用ENVI軟件中的主要/次要分析對(duì)3 a的分類結(jié)果進(jìn)行分類后處理，最后將3 a處理結(jié)果運(yùn)用DT方法進(jìn)行判斷。

撂荒地提取的時(shí)候需要先選取2018年土地利用類型為耕地的區(qū)域，然后判斷后2 a該區(qū)域的土地利用類型發(fā)生變化的部分，如果耕地撂荒，雖然土地類型發(fā)生了改變，但土地利用性質(zhì)不會(huì)發(fā)生變化，所以僅判斷土地利用類型轉(zhuǎn)化為荒草地和未利用土地的區(qū)域，根據(jù)DT判斷規(guī)則(圖4)來(lái)進(jìn)行撂荒地提取。

圖4 撂荒地提取決策樹(shù)Fig.4 Abandoned land extraction decision tree

3 結(jié)果分析

3.1 撂荒地空間分布與驗(yàn)證

基于初步得到的2018年、2019年、2020年3 a民和縣的土地覆被分類結(jié)果，經(jīng)過(guò)精度評(píng)估和分類后處理，得到了圖5。基于圖4根據(jù)DT方法得到民和縣撂荒地空間分布，利用野外采樣獲得的23個(gè)采樣點(diǎn)與無(wú)人機(jī)拍攝的照片相結(jié)合，對(duì)提取結(jié)果進(jìn)行驗(yàn)證，精度達(dá)到了82.6%，圖6為撂荒地空間分布、撂荒地驗(yàn)證樣點(diǎn)及局部區(qū)域放大。

3.2 撂荒地面積統(tǒng)計(jì)與空間分布分析

利用ArcGIS軟件的統(tǒng)計(jì)功能，對(duì)撂荒地空間分布進(jìn)行統(tǒng)計(jì)。經(jīng)統(tǒng)計(jì)2020年民和縣撂荒地面積為43.17 km2，占民和縣總面積的2.28%，撂荒地主要分布于民和縣的西北部和中南部地區(qū)。將民和縣高程分成5級(jí)進(jìn)行統(tǒng)計(jì)，與撂荒地空間分布疊加，得到撂荒地在不同高程帶的分布面積及占比(表7)。空間疊加分析與統(tǒng)計(jì)表明： 民和縣撂荒地主要集中分布于海拔2 200～2 600 m之間，其中2 200～2 400 m間的撂荒地面積最多，其次為2 400～2 600 m，兩者合計(jì)面積為35.51 km2，占撂荒地面積的82.24%，而≤2 200 m和≥2 600 m的區(qū)域，撂荒地面積分別為7.07 km2和0.59 km2，占撂荒地面積的16.37%與1.39%。

表7 不同高程級(jí)別下的撂荒地面積統(tǒng)計(jì)Tab.7 Abandoned land area under different elevation series

(a) 空間分布 (b) 區(qū)域A放大 (c) 區(qū)域B放大圖6 撂荒地空間分布、驗(yàn)證樣點(diǎn)及局部區(qū)域放大Fig.6 Spatial distribution, validation sample points and enlarged view of local areas from abandoned land

這種現(xiàn)象主要與民和縣的地形有關(guān)，民和縣主要位于湟水和黃河之間(圖1)，地勢(shì)南北低中間高，其中西部及西南部多為中高山地。2 200 m以下的區(qū)域地形較為平坦、氣候適宜、土壤肥沃，極其適合耕種，因此城鎮(zhèn)和平原旱地多分布于此，如湟水兩岸和黃河兩岸河谷區(qū)域； 2 600 m以上的區(qū)域大多為民和縣西部及西南部中高山地，屬于拉脊山余脈，高山地區(qū)氣溫低不宜耕種，耕地?cái)?shù)量少，故撂荒地占比也少； 2 200～2 600 m之間的區(qū)域主要是民和縣北部、西北部及中東部的黃土丘陵部分，該部分主要以分散的農(nóng)村居民點(diǎn)和坡耕地為主，耕地總量最大，加上坡耕地耕種效率不高，農(nóng)村居民外出務(wù)工，農(nóng)村勞動(dòng)力缺失，所以這個(gè)區(qū)域內(nèi)撂荒地面積最大。

利用高程進(jìn)行坡度和坡向運(yùn)算，得到民和縣坡度和坡向。根據(jù)1984年中國(guó)農(nóng)業(yè)區(qū)劃委員會(huì)頒發(fā)的《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》耕地坡度分級(jí)標(biāo)準(zhǔn)，即[0°,2°)，[2°,6°)，[6°,15°)，[15°,25°)和[25°,90°]共5級(jí)。將研究區(qū)坡度分為1～5級(jí)，將分級(jí)后的坡度圖和提取的撂荒地進(jìn)行空間疊加分析得到民和縣不同坡度的撂荒地范圍，經(jīng)統(tǒng)計(jì)得到各個(gè)坡度的撂荒地面積(表8)。

表8 不同坡度級(jí)別下的撂荒地面積統(tǒng)計(jì)Tab.8 Abandoned land area under different slope grades

由表8可知，民和縣的撂荒地主要集中于3級(jí)和4級(jí)坡度，即坡度[6°,25°)出現(xiàn)撂荒現(xiàn)象最為嚴(yán)重，撂荒面積達(dá)到36.26 km2，占總撂荒面積的83.98%。出現(xiàn)這種情況的主要原因是由于民和縣屬于黃土丘陵地貌類型，溝壑縱橫，大多數(shù)農(nóng)田都是坡耕地，致使耕種難度增大，同時(shí)降水少，土壤貧瘠，糧食的產(chǎn)量較低。通過(guò)比對(duì)3級(jí)和4級(jí)坡度下的撂荒地面積，發(fā)現(xiàn)4級(jí)坡度面積比3級(jí)多了近9 km2，這表明在坡度逐漸變大的情況下，耕種難度會(huì)增大，收益也會(huì)降低，導(dǎo)致坡度大的耕地會(huì)被逐步放棄耕種變成撂荒地。

在分析高程與坡度的基礎(chǔ)上，分析了坡向?qū)ζ赂氐挠绊憽⒀芯繀^(qū)整體分為陰坡、陽(yáng)坡、半陰坡、半陽(yáng)坡?；陉幤隆腙幤?、半陽(yáng)坡、陽(yáng)坡的判定規(guī)則，將民和縣坡向進(jìn)行重分類，并將重分類后的坡向圖和提取的撂荒地進(jìn)行疊加分析可以得到民和縣不同坡向的撂荒地范圍。計(jì)算后得到不同坡向的撂荒地面積(表9)。

表9 不同坡向下的撂荒地面積統(tǒng)計(jì)Tab.9 Abandoned land area in different slope directions

分析表明根據(jù)不同坡向下的撂荒地面積結(jié)果得出的結(jié)果是半陰坡和半陽(yáng)坡的撂荒地面積大致相等，但陰坡撂荒地面積明顯高于陽(yáng)坡撂荒地的面積。因?yàn)殛?yáng)坡陽(yáng)光充足，在同等條件下陽(yáng)坡的作物生長(zhǎng)最好，而陰坡背光，太陽(yáng)輻射少導(dǎo)致陰坡的作物生長(zhǎng)周期要長(zhǎng)于陽(yáng)坡的作物，雖然土壤濕潤(rùn)但不太適合作物耕種，反而更加適合林地的生長(zhǎng)。久而久之陰坡的耕地會(huì)被放棄，所以陰坡的撂荒地面積要多于陽(yáng)坡的撂荒地面積。

4 討論與結(jié)論

4.1 討論

Sentinel-2影像作為一種免費(fèi)且具有較高分辨率的影像，相較于Landsat影像具有更高的空間分辨率和時(shí)間分辨率，改善了影像空間分辨率低導(dǎo)致的混合像素影響，易于獲得多季相的數(shù)據(jù)，提高了土地覆被分類精度。近幾年來(lái)，Sentinel-2數(shù)據(jù)已被廣泛應(yīng)用于遙感分類中[33-34]。王華等[35]利用GEE云平臺(tái)基于多時(shí)相Landsat影像對(duì)中亞地區(qū)植被覆蓋遙感監(jiān)測(cè)，解決了云污染嚴(yán)重問(wèn)題； Ghorbanian等[36]使用Sentinel-1數(shù)據(jù)輔助Sentinel-2數(shù)據(jù)分類，提高了遙感檢測(cè)精度。由于青海民和縣云量較多，云污染現(xiàn)象比較嚴(yán)重，因此本研究在前人研究的基礎(chǔ)上基于GEE海量的影像數(shù)據(jù)庫(kù)，利用了Sentinel-2數(shù)據(jù)的高空間分辨率、高時(shí)間分辨率和Sentinel-1 SAR可以穿透云層在多云天氣獲取較高質(zhì)量影像的特點(diǎn)，有效改善了因研究區(qū)多云難以獲取高質(zhì)量影像的問(wèn)題，提高多云地區(qū)影像分類精度。

在撂荒地的判定上，本研究基于耕地閑置1 a以上而未被利用則為撂荒地的判斷規(guī)則，結(jié)合青海民和縣Sentinel-2數(shù)據(jù)僅有3 a的實(shí)際情況，選用2018年、2019年、2020年3 a的Sentinel-2影像利用RF分類器進(jìn)行土地覆被分類，以此來(lái)獲取2020年的撂荒地情況，3 a的總體分類精度分別達(dá)到了86.93%，87.36%和 88.54%，最后撂荒地提取精度也達(dá)到了82.6%，表明基于Sentinel-1和Sentinel-2影像數(shù)據(jù)結(jié)合RF和DT可以較好地提取撂荒地。

但本研究仍存在著不足之處，研究區(qū)地處黃土高原丘陵區(qū)，大部分地區(qū)地勢(shì)起伏較大，耕地多為坡耕地，有些會(huì)受到陰影遮蓋，給分類精度帶來(lái)了一定的影響。因此后續(xù)的研究中，涉及耕地提取的時(shí)候可以在預(yù)處理中加入地形校正的方法，去除陰影的遮擋，提高撂荒耕地遙感監(jiān)測(cè)的精度。

4.2 結(jié)論

本文基于GEE云平臺(tái)，結(jié)合研究區(qū)農(nóng)作物種植期和成熟期的物候信息，選擇Sentinel-1SAR合成孔徑雷達(dá)影像和Sentinel-2衛(wèi)星多光譜成像儀影像； 基于光譜特征、地形特征、極化特征和纓帽特征等，依據(jù)GEE特征重要性評(píng)估方法來(lái)優(yōu)化組合特征，采用RF的方法進(jìn)行分類，獲得了民和縣2018—2020年的土地覆被分類數(shù)據(jù)，分類精度均達(dá)到85%以上； 在此基礎(chǔ)上，結(jié)合DT分類方法監(jiān)測(cè)研究區(qū)撂荒地面積及空間分布，根據(jù)建立的耕地撂荒提取規(guī)則提取2020年民和縣撂荒地范圍，并以野外實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證，得到以下主要結(jié)論:

1)在黃土丘陵地區(qū)，基于單季相Sentinel-1/2影像的研究無(wú)法滿足實(shí)際應(yīng)用的需求，基于物候期的Sentinel-1和Sentinel-2的多季相合成影像能夠有效提高土地覆被分類精度的能力，提高撂荒地的提取精度。

2)研究表明，參與分類的特征參數(shù)以地形特征、光譜特征、極化特征和纓帽特征順序組合的方式是分類結(jié)果中最優(yōu)的。

3)GEE云平臺(tái)集大數(shù)據(jù)和云計(jì)算于一體，能夠加快數(shù)據(jù)獲取效率、提高數(shù)據(jù)的運(yùn)算能力，有利于獲取所需物候期的高質(zhì)量影像。撂荒地提取研究中Sentinel-1數(shù)據(jù)的加入使用，可以提高分類精度，減少碎屑圖斑，更加有效區(qū)分耕地、草地和林地。

4)基于民和縣高程數(shù)據(jù)和撂荒地?cái)?shù)據(jù)的疊加分析，發(fā)現(xiàn)民和縣撂荒地主要集中于北部、西北部及中東部丘陵地區(qū)，其中以坡度位于[6°,25°)陰坡的區(qū)域耕地撂荒現(xiàn)象最為明顯。