王 強,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)境嚴峻變化,我國糧食安全生產(chǎn)經(jīng)歷了嚴峻考驗,國家將糧食安全生產(chǎn)提升到了前所未有的高度,而耕地撂荒嚴重影響了我國糧食產(chǎn)量。湖南省國土地形崎嶇復雜多樣,丘陵山地面積廣大,農(nóng)業(yè)機械化水平較低,耕地質量參差不齊,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)村人口勞動力不斷流失,農(nóng)村耕地撂荒的現(xiàn)象越來越嚴重[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)關系著廣大人民群眾的根本利益和社會穩(wěn)定,因此開展撂荒耕地監(jiān)測對社會經(jīng)濟發(fā)展有著至關重要的作用[2]。

按照傳統(tǒng)調(diào)查監(jiān)測手段對撂荒耕地進行監(jiān)測耗時長、效率低、成本高,而近年來衛(wèi)星遙感技術迅猛發(fā)展,能夠多層次、多角度、全方位的對地進行觀測,衛(wèi)星遙感技術已經(jīng)廣泛的應用于資源調(diào)查和環(huán)境監(jiān)測等領域[3-4],因此能夠利用衛(wèi)星遙感技術的多傳感器、多時空分辨率對撂荒耕地來進行更快捷高效的監(jiān)測。國內(nèi)外學者已經(jīng)進行了基于多時相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時間序列曲線,區(qū)分土地覆蓋類型,正確率高達90%[11]。國外學者Baumann等通過研究Landsat數(shù)據(jù)對土地類型進行分類提取,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MODIS時序影像進行研究,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)四個季節(jié)的哨兵2號衛(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。同時因為縣域地形崎嶇,耕地比較零碎,農(nóng)業(yè)機械化程度較低,而且近年來由于種糧經(jīng)濟效益不高,外出務工勞動力越來越多,農(nóng)村耕地撂荒現(xiàn)象越來越嚴重,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目區(qū)耕地撂荒情況,以及提升對該縣耕地情況進行分析,收集了以下相關資料：

1)項目區(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)項目區(qū)2020年度變更調(diào)查數(shù)據(jù)庫;

3)項目區(qū)鐵塔視頻點位。

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,而云量是影響光學影像質量重要因素之一,選取合格影像資料是監(jiān)測成果準確性重要步驟。為保障項目研究順利進行,選用哨兵2號多時像影像作為此項目的研究數(shù)據(jù)。

哨兵2號衛(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個光譜波段,幅寬可達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季節(jié)的光譜特征差異性。

1.3 衛(wèi)星遙感影像預處理

針對選取收集的哨兵2A原始遙感影像,利用ENVI專業(yè)影像處理軟件對其進行預處理,以便更好的應用于撂荒耕地的監(jiān)測,其中主要的預處理步驟包括輻射定標、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的選取

選取樣本點的好壞、合理與否對撂荒耕地成果識別監(jiān)測以及精度驗算起著至關重要的作用。本項目采用內(nèi)外業(yè)結合方式選取樣本點,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)查樣本點數(shù)據(jù)共589個(見圖1),然后再利用鐵塔視頻技術(見圖2)以及外業(yè)實地調(diào)查相結合的方式保證樣本點的正確合理,以其中一部分樣本點作為訓練樣本點,剩下一部分作為驗證樣本點,具體如表1所示。包括水稻樣本點173個、玉米樣本點62個、蔬菜樣本點77個以及撂荒耕地樣本點277個。根據(jù)該縣農(nóng)作物的物候特點,7、8月是水稻、玉米、蔬菜等農(nóng)作物生長季節(jié),各樣本點的可靠性高,為后續(xù)撂荒耕地分析提取以及驗證提供可靠依據(jù)。利用鐵塔視頻技術選取驗證樣本點的正確性較傳統(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)測樣本點分布圖Fig.1 Distribution map of abandoned farmland sample points

圖2 撂荒耕地樣本點實地照片(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相衛(wèi)星遙感影像對典型植被的光譜特征進行綜合分析,包括影像各波段植被指數(shù)、反射率、各時相間的差值指數(shù),識別出具有撂荒耕地識別能力的衛(wèi)星遙感影像特征,分析其隨時間變化的規(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。

通過計算各種農(nóng)作物以及撂荒耕地在不同時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)以及各時相間的差值指數(shù),通過對不同典型農(nóng)作物樣本點遙感影像不同植被特征指數(shù)間差值進行箱型圖分析,進行多組數(shù)據(jù)分布特征的比較、分析、統(tǒng)計選取了撂荒耕地光譜特征集。

在統(tǒng)計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的識別規(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)訓練樣本確定不同地物分類閾值,自動生成決策樹,不受其他因素影響,設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,分類精度也相對較高。

本項目總體技術路線如圖3所示。

圖3 項目技術路線Fig.3 Project technology road map

2 結果分析

2.1 撂荒耕地特征分析

根據(jù)實地撂荒耕地樣本,基于收集的連續(xù)4個季度單時相哨兵2A/2B衛(wèi)星遙感影像,對研究區(qū)主要農(nóng)作物和撂荒耕地的植被指數(shù)進行了統(tǒng)計分析,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個季節(jié)的NDVI、RVI、DVI值,以及這些地物植被指數(shù)在不同時相時的差值,通過進一步分析撂荒耕地與其他農(nóng)作物多時相植被指數(shù)變化特征,發(fā)現(xiàn)不同時相之間的植被指數(shù)變化特征對撂荒耕地識別能力較強。圖4給出了不同時相間不同植被指數(shù)變化特征的箱型圖分析結果,通過對比可以發(fā)現(xiàn)：

圖4 部分多時相植被指數(shù)差值分析統(tǒng)計箱型圖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。

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,這主要是因為夏季和秋季撂荒耕地植被長勢和覆蓋度較高,植被指數(shù)變化不大,而水稻、玉米等農(nóng)作物由于收獲,導致秋季和夏季的植被指數(shù)差值較大,這個時期的影像植被指數(shù)差值也對撂荒耕地具有較強的指示能力,可以對撂荒耕地進行有效地提取。

經(jīng)過分析,最終選取了0308-1113、0407-1113以及0914-0815三個時期之間的植被指數(shù)差值來進行機器深度學習,構建決策樹模型來提取撂荒耕地。

2.2 撂荒耕地識別

根據(jù)前文研究分析的結果,利用多個植被指數(shù)時間變化特征,獲得了識別撂荒耕地構建決策樹模型的合適閾值?；谥斑x取的實地外業(yè)樣本點,選取其中的一部分作為訓練樣本,利用ENVI軟件CART決策樹分類算法自動建立分類決策樹,然后利用之前統(tǒng)計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構,得到該縣撂荒耕地空間分布圖。撂荒耕地識別決策樹模型見圖5。

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

2.3 撂荒耕地成果精度驗證

通過上述步驟得到研究區(qū)撂荒耕地空間分布圖,結合之前預留撂荒耕地驗證樣本點,通過統(tǒng)計分析撂荒耕地監(jiān)測提取的精度約為80.79%,針對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。同時對研究區(qū)撂荒耕地面積進行了統(tǒng)計分析,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%。樣本點精度驗證見表2。研究區(qū)撂荒耕地分布圖見圖6。

表2 樣本點精度驗證表

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

3 結束語

本研究主要基于多時相高分辨率衛(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)與多時相植被指數(shù)差值,通過樣本點進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確率,為湖南省在撂荒耕地統(tǒng)計調(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)的研究中進一步展望：

1)進一步提升監(jiān)測技術水平。除了本研究的近紅外波段的NDVI、RVI、DVI植被指數(shù),可以進一步探索對植被生長敏感的紅外波段進行研究,還可以探索不同的深度學習算法,建立更適合撂荒耕地監(jiān)測的高精度識別模型,如隨機森林算法等,進一步提升監(jiān)測精度。

2)鐵塔視頻技術應用。本研究初步應用了鐵塔視頻技術進行樣本點的選取和驗證,后續(xù)可以利用鐵塔視頻全天候、不間斷監(jiān)測的特點研究將鐵塔視頻技術更深層次地應用到撂荒耕地監(jiān)測中去,將衛(wèi)星遙感監(jiān)測技術與鐵塔視頻技術結合起來,對撂荒耕地進行全方位、全天候的空天地網(wǎng)監(jiān)測。