基于多时相哨兵遥感影像的撂荒耕地识别方法

王 强,曹 诚

(湖南省第二测绘院,湖南 长沙 410119)

0 引言

近年来国际外部环境严峻变化,我国粮食安全生产经历了严峻考验,国家将粮食安全生产提升到了前所未有的高度,而耕地撂荒严重影响了我国粮食产量。湖南省国土地形崎岖复杂多样,丘陵山地面积广大,农业机械化水平较低,耕地质量参差不齐,人均占有耕地面积水平低,而且随着工业化不断发展和城镇化水平的日益提高,农村人口劳动力不断流失,农村耕地撂荒的现象越来越严重[1]。农村大面积的耕地撂荒不仅加剧了人地矛盾,而且为粮食安全生产带来了隐患。粮食安全生产关系着广大人民群众的根本利益和社会稳定,因此开展撂荒耕地监测对社会经济发展有着至关重要的作用[2]。

按照传统调查监测手段对撂荒耕地进行监测耗时长、效率低、成本高,而近年来卫星遥感技术迅猛发展,能够多层次、多角度、全方位的对地进行观测,卫星遥感技术已经广泛的应用于资源调查和环境监测等领域[3-4],因此能够利用卫星遥感技术的多传感器、多时空分辨率对撂荒耕地来进行更快捷高效的监测。国内外学者已经进行了基于多时相MODIS、Landsat、GF-1/WFE、Sentinel-2系列遥感卫星数据在各种农作物的识别提取的研究[5-8]。张影等基于Sentiel-2红边波段提取水稻精度能达到91.58%[9]。肖国峰等基于Landsat数据和HJ1A数据采用CART决策树分类方法监测出其研究区域最大撂荒率为5.37%[10]。程维芳等基于日本ALOS卫星遥感影像NDVI时间序列曲线,区分土地覆盖类型,正确率高达90%[11]。国外学者Baumann等通过研究Landsat数据对土地类型进行分类提取,提取了乌克兰部分区域的撂荒耕地,撂荒率约为21.1%[12]。Alcantara等对MODIS时序影像进行研究,估算提取了欧洲撂荒耕地的空间分布图[13]。本研究以湖南中部某县为例,基于连续四个季节的哨兵2号卫星遥感影像数据,分析数据光谱特征以及各时相间植被指数的差值,获得各典型农作物和撂荒耕地的光谱特征,利用决策树算法进行分类提取,获得了该县撂荒耕地的分布图,为我国丘陵地区和山区撂荒耕地统计调查提供了一种参考方法。

1 研究内容和方法

1.1 研究区概况

本研究选择具有典型山地丘陵地形代表的湖南中部某县作为研究对象。该县位于湖南省中南部偏西,县域总面积2 000.98 km2,常住人口75万左右,属于大陆亚热带季风湿润气候区,气候温和,雨量充沛,年平均气温16.9℃,年平均降雨量为545.4 mm。该县是湖南省种粮产粮大县,全县耕地面积80.80万亩,2021年粮食总产量46.7万t。同时因为县域地形崎岖,耕地比较零碎,农业机械化程度较低,而且近年来由于种粮经济效益不高,外出务工劳动力越来越多,农村耕地撂荒现象越来越严重,监测估算该县撂荒耕地规模数量很有代表和必要性。

1.2 数据资料

1.2.1 辅助资料

为了能够更好地研究项目区耕地撂荒情况,以及提升对该县耕地情况进行分析,收集了以下相关资料：

1)项目区2021年第二季度1 m分辨率遥感统筹数字正射影像(DOM);

2)项目区2020年度变更调查数据库;

3)项目区铁塔视频点位。

1.2.2 原始卫星遥感影像资料

该县冬冷夏热,春夏之交有漫长的梅雨季节,夏天降雨充沛,而云量是影响光学影像质量重要因素之一,选取合格影像资料是监测成果准确性重要步骤。为保障项目研究顺利进行,选用哨兵2号多时像影像作为此项目的研究数据。

哨兵2号卫星(Sentinel-2A/2B)是欧洲航天局的多光谱卫星,其携带的多光谱成像仪可覆盖13个光谱波段,幅宽可达290 km,最高10 m空间分辨率,重访周期为10 d,而且影像能够免费下载,为农林业方面的监测提供了极大的便利。

通过了解该县主要农作物的物候特征以及不同时像耕地和撂荒耕地影像差异性,再根据影像覆盖范围以及影像云量多少,选取五景哨兵卫星影像能够覆盖研究区大部分区域,景号分别为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,覆盖了全年4个季节的遥感影像,能够反映撂荒耕地与正常耕种耕地在各个季节的光谱特征差异性。

1.3 卫星遥感影像预处理

针对选取收集的哨兵2A原始遥感影像,利用ENVI专业影像处理软件对其进行预处理,以便更好的应用于撂荒耕地的监测,其中主要的预处理步骤包括辐射定标、大气校正、正射校正、几何精校正、影像融合等。

1.4 撂荒耕地以及典型耕地样本点的选取

选取样本点的好坏、合理与否对撂荒耕地成果识别监测以及精度验算起着至关重要的作用。本项目采用内外业结合方式选取样本点,通过分析该县变更调查数据库中耕地分布情况以及耕地种植属性情况,套合DOM正射影像,共获取该县典型农作物调查样本点数据共589个(见图1),然后再利用铁塔视频技术(见图2)以及外业实地调查相结合的方式保证样本点的正确合理,以其中一部分样本点作为训练样本点,剩下一部分作为验证样本点,具体如表1所示。包括水稻样本点173个、玉米样本点62个、蔬菜样本点77个以及撂荒耕地样本点277个。根据该县农作物的物候特点,7、8月是水稻、玉米、蔬菜等农作物生长季节,各样本点的可靠性高,为后续撂荒耕地分析提取以及验证提供可靠依据。利用铁塔视频技术选取验证样本点的正确性较传统外业调查作业方式具有人力投入成本少、效率高。

表1 研究区撂荒耕地监测样本种类及数量

图1 撂荒耕地监测样本点分布图Fig.1 Distribution map of abandoned farmland sample points

图2 撂荒耕地样本点实地照片(铁塔视频)Fig.2 Field photos of abandoned farmland sample points(Tower Video)

1.5 作物分类提取方法

本研究提取监测撂荒耕地利用多时相卫星遥感影像对典型植被的光谱特征进行综合分析,包括影像各波段植被指数、反射率、各时相间的差值指数,识别出具有撂荒耕地识别能力的卫星遥感影像特征,分析其随时间变化的规律,整理撂荒耕地与各不同农作物的光谱特征集,最后再利用CART决策树分类方法,提取撂荒耕地。

通过计算各种农作物以及撂荒耕地在不同时期的归一化植被指数(NDVI),比值植被指数(RVI),差值植被指数(DVI)以及各时相间的差值指数,通过对不同典型农作物样本点遥感影像不同植被特征指数间差值进行箱型图分析,进行多组数据分布特征的比较、分析、统计选取了撂荒耕地光谱特征集。

在统计撂荒耕地光谱特征集后,选择合理的不同植被指数阈值构建决策树作物分类算法。决策树分类算法能充分利用卫星遥感影像光谱特征信息,可以建立不同地物目标的识别规则,而且在一定程度上可以解决卫星遥感影像异物同谱、同物异谱的问题。CART决策树算法模型比较简单,可以自发的根据训练样本确定不同地物分类阈值,自动生成决策树,不受其他因素影响,设置合理的撂荒耕地阈值可以快速有效地得到监测区域撂荒耕地的分布情况,分类精度也相对较高。

本项目总体技术路线如图3所示。

图3 项目技术路线Fig.3 Project technology road map

2 结果分析

2.1 撂荒耕地特征分析

根据实地撂荒耕地样本,基于收集的连续4个季度单时相哨兵2A/2B卫星遥感影像,对研究区主要农作物和撂荒耕地的植被指数进行了统计分析,并根据遥感影像的光谱特征分析不同农作物之间的光谱差异。通过计算某县典型农作物水稻、玉米、蔬菜以及撂荒耕地在春夏秋冬4个季节的NDVI、RVI、DVI值,以及这些地物植被指数在不同时相时的差值,通过进一步分析撂荒耕地与其他农作物多时相植被指数变化特征,发现不同时相之间的植被指数变化特征对撂荒耕地识别能力较强。图4给出了不同时相间不同植被指数变化特征的箱型图分析结果,通过对比可以发现：

图4 部分多时相植被指数差值分析统计箱型图Fig.4 Box plots of partial multi-temporal difference vegetationindexes

1)春夏季节与冬季之间不同植被指数的差值差异性较大,正常耕种的田块由于种植农作物,春夏与冬季之间的植被指数差异性较大,而撂荒耕地在春天和冬季植被指数变化不会很大,因此撂荒耕地与水稻、玉米、蔬菜等农作物在NDVI、RVI变化差异性较大。撂荒地的区分能力较强。

2)秋季影像与夏季影像撂荒耕地与正常耕种农作物田块的植被指数差异性也比较大,这主要是因为夏季和秋季撂荒耕地植被长势和覆盖度较高,植被指数变化不大,而水稻、玉米等农作物由于收获,导致秋季和夏季的植被指数差值较大,这个时期的影像植被指数差值也对撂荒耕地具有较强的指示能力,可以对撂荒耕地进行有效地提取。

经过分析,最终选取了0308-1113、0407-1113以及0914-0815三个时期之间的植被指数差值来进行机器深度学习,构建决策树模型来提取撂荒耕地。

2.2 撂荒耕地识别

根据前文研究分析的结果,利用多个植被指数时间变化特征,获得了识别撂荒耕地构建决策树模型的合适阈值。基于之前选取的实地外业样本点,选取其中的一部分作为训练样本,利用ENVI软件CART决策树分类算法自动建立分类决策树,然后利用之前统计分析得到的撂荒耕地阈值,代入到此分类决策树模型,提取撂荒耕地分类结构,得到该县撂荒耕地空间分布图。撂荒耕地识别决策树模型见图5。

图5 撂荒耕地识别决策树模型Fig.5 Decision tree model for abandoned farmland identification

2.3 撂荒耕地成果精度验证

通过上述步骤得到研究区撂荒耕地空间分布图,结合之前预留撂荒耕地验证样本点,通过统计分析撂荒耕地监测提取的精度约为80.79%,针对未提取到的撂荒耕地分析得知一些耕地中撂荒年限较短,植被长势与周围耕地基本相同,影像光谱曲线区别较小,植被指数与正常耕种农作物几乎没有差别,因此难以提取出来。同时对研究区撂荒耕地面积进行了统计分析,得出研究区域撂荒耕地总面积约为20.21万亩,占该县耕地面积25.01%。样本点精度验证见表2。研究区撂荒耕地分布图见图6。

表2 样本点精度验证表

图6 研究区撂荒耕地分布图Fig.6 Distribution map of abandoned farmland in study area

3 结束语

本研究主要基于多时相高分辨率卫星遥感影像,综合分析农作物光谱特征、常用植被指数与多时相植被指数差值,通过样本点进行撂荒耕地光谱特征分析,得到撂荒耕地CART决策树合理阈值,提取了该县撂荒耕地的空间分布范围,并且取得了一定的精度准确率,为湖南省在撂荒耕地统计调查方面提供了一定的参考,但是在提升监测精度方面仍然存在一定的不足,可以在后续的研究中进一步展望：

1)进一步提升监测技术水平。除了本研究的近红外波段的NDVI、RVI、DVI植被指数,可以进一步探索对植被生长敏感的红外波段进行研究,还可以探索不同的深度学习算法,建立更适合撂荒耕地监测的高精度识别模型,如随机森林算法等,进一步提升监测精度。

2)铁塔视频技术应用。本研究初步应用了铁塔视频技术进行样本点的选取和验证,后续可以利用铁塔视频全天候、不间断监测的特点研究将铁塔视频技术更深层次地应用到撂荒耕地监测中去,将卫星遥感监测技术与铁塔视频技术结合起来,对撂荒耕地进行全方位、全天候的空天地网监测。