多云多雨区耕地撂荒多源遥感协同监测

图1 研究区地理位置及样本点空间分布情况

Fig.1 Geographical location of the study area and spatial distribution of the samples

1.2 数据源及其预处理

本文数据源包括Sentinel-2多光谱影像(multi spectral image,MSI)数据、Sentinel-1 SAR数据和Google Earth高分辨率遥感数据。其中,Sentinel-2数据主要基于谷歌地球引擎(Google Earth Engine,GEE)(http://earthengine.google.org/)平台获取,其时间分辨率为16 d,空间分辨率为10 m。Sentinel-1单视复数影像(single look complex,SLC)数据主要基于欧洲空间局官网(https://scihub.copernicus.eu/)获取,空间分辨率为5 m×20 m。获取影像时间为2021年,时间序列涵盖了作物生长的整个物候期。影像获取时间如表1所示。

表1 时间序列数据集

Tab.1 Time series dataset of Sentinel-1 and Sentinel-2

数据类型	时间	数据类型	时间
Sentinel-1	2021-01-09	Sentinel-2	2021-01-01
Sentinel-1	2021-02-26	Sentinel-2	2021-02-10
Sentinel-1	2021-03-22	Sentinel-2	2021-03-12
Sentinel-1	2021-04-15	Sentinel-2	2021-04-11
Sentinel-1	2021-05-09	Sentinel-2	2021-05-11
Sentinel-1	2021-06-03	Sentinel-2	2021-06-10
Sentinel-1	2021-07-20	Sentinel-2	2021-07-10
Sentinel-1	2021-08-25	Sentinel-2	2021-08-19
Sentinel-1	2021-09-18	Sentinel-2	2021-09-18
Sentinel-1	2021-10-12	Sentinel-2	2021-10-18
Sentinel-1	2021-11-17	Sentinel-2	2021-11-17
Sentinel-1	2021-12-23	Sentinel-2	2021-12-07

新窗口打开| 下载CSV

本文通过下载L2A级的Sentinel-2产品,利用ENVI 5.4平台对其进行影像镶嵌、裁剪等操作,得到12景覆盖研究区的Sentinel-2影像数据。

Sentinel-1 SLC数据的预处理基于SNAP平台实现。其主要预处理流程主要包括轨道校正、条带去除、计算极化矩阵、多视处理、噪声去除、极化分解、地形纠正8个步骤,于该处理流程可得到3个极化分解参数,分别为反熵(anisotropy,A)、极化熵(entropy,H)和散射角(alpha)。另外,为进一步增加Sentinel-1 SLC数据的特征维度,本文进一步获取了VV和VH极化特征值。

样本数据来源于野外地面调查以及Google Earth高分辨率影像目视解译(图2)。2021年5月在揭西县开展实地调查,共获得样本数据965个,包括水稻样本457个,撂荒地样本343个,其他样本165个。在其他类型样本中,主要包含玉米样本点75个,花生样本27个,蔬菜样本63个,由于样本数量不足,本研究将其合并为一类。基于地面调查样本数据以及Google Earth高分辨率影像,通过目视解译补充样本数量构建撂荒地和农作物类型样本集。扩充后的样本集共包含样本数1 827个,其中水稻样本597个,撂荒地样本634个,其他类型样本596个,样本空间分布如图1所示。

图2

图2 撂荒地和非撂荒地示例

Fig.2 Examples of abandoned landand non-abandoned land

本文以2021年12月的Google Earth高分辨率遥感影像(0.5 m空间分辨率)数据为底图,以面向对象分割为基础,基于eCognition平台进行影像分割,得到地块的初步分割结果。将该地块数据作为样本输入到ArcGIS Pro中,利用深度学习中的ResNet50骨干模型对地块进行精细分割,对分割后的结果进行人工边界修正。得到耕地地块共7.1万个,边界准确度为81.3%。耕地提取结果如下图所示(图3)。根据提取结果可见,耕地地块主要分布在平原地区,少数分布在海拔较高的山地和丘陵地区。

图3

图3 耕地地块提取结果

Fig.3 Extraction results of cultivated land

2 研究方法

本文将撂荒时间为1 a及以上的耕地定义为撂荒地,研究技术路线如图4所示,主要包括: ①多源遥感数据的获取与预处理; ②多源特征指数计算与时序曲线构建; ③分类特征重要性评价; ④不同特征组合下的对比实验分析; ⑤精度评价与撂荒地空间分布制图。

图4

图4 技术流程图

Fig.4 Technical flowchart

2.1 多源特征提取

利用Sentinel-1数据和Sentinel-2数据计算多源特征指数,具体包括光学特征和SAR特征2类。

1)光学特征。由Sentinel-2数据的各个波段构建,植被指数为地表植被特征的重要表征参数,在植被长势、生物量、结构信息等应用中具有重要意义。本文参考国内外相关文献^{[6,22 -27]}和作物自身的光谱特性,并结合研究区植被的情况,计算NDVI、归一化水体指数(normalized difference water index,NDWI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI),计算公式分别为:

(1)

N D V I = \frac{ρ_{N I R} - ρ_{R}}{ρ_{N I R} + ρ_{R}},

(2)

N D W I = \frac{ρ_{G r e e n} - ρ_{N I R}}{ρ_{G r e e n} + ρ_{N I R}},

(3)

S A V I = \frac{ρ_{N I R} - ρ_{R}}{(ρ_{N I R} - ρ_{R} + 0.5)} \times (1 + 0.5),

式中: $ρ_{B l u e}$ , $ρ_{G r e e n}$ , $ρ_{R}$ , $ρ_{N I R}$ 分别为影像蓝光波段、绿光波段、红光波段和近红外波段的反射率值。

2)SAR特征。从Sentinel-1 SLC影像中获取了VV,VH,Alpha,A,H这5个SAR特征参数作为影像特征来研究。基于已获取的Sentinel-1数据集,提取训练集和测试集样本对应的特征参数。其中,VV对于表面平整、光滑的植被和水体等具有较好的反射性; VH对于在水平方向上有较强反射率的地物可达到较好的监测效果; H可用于对系统复杂度和不确定性度进行描述,H值越高,说明系统复杂度越高; A表示极坐标分解的第一特征和第二特征的比值,可用来衡量二次散射机制之间的相对重要性; Alpha的变化范围为0°~90°之间,可用来表示探测对象的结构特征,当探测对象结构特征复杂时,Alpha散射角值较大,反之则越小。

本文共得到光学特征数据集共36景(NDVI,NDWI,SAVI特征各12景),SAR特征数据集共60景(VV,VH,Alpha,H,A特征各12景),涵盖了监测窗口期内植被生长的整个周期,可获得植被在不同时间的SAR特征、光谱特征变化信息。

2.2 分类特征筛选和模型构建

本文共选取2021年1—12月共12个时相的8类特征变量参与分类,总特征维数为96。为保证模型运行效率,需要对分类特征、分类时相进行筛选,获取重要性较高的特征子集。

本文以GINI系数来衡量输入特征对于模型贡献大小。其主要思想是: 假设随机森林中有决策树数目n,对于第i棵树,样本中某一特征变量在节点m分裂前后的GINI系数的变化值,可作为在节点m上特征变量的重要性。对于样本中所有特征变量来说,基于GINI系数归一化值越高,特征重要性程度越高^[9,11]。计算公式为:

(4)

G I N I = 1 - \sum_{k = 1}^{K} P_{m k}^{2},

式中: K为类别数量; $P_{m k}$ 为类别k在节点m上的样本权重。

研究选用RF算法进行撂荒地分类提取,RF分类模型是一种由多棵决策树组合而成的集成学习算法,其对样本的容错能力较强且训练效率较高^[9]。该模型基于MATLAB R2019a的Treebagger函数实现,将所有样本按照7∶3划分为训练样本和验证样本。将多源光学和极化特征作为分类模型的输入,为了进一步讨论分类模型参数对于模型训练精度的影响,本文构建了不同决策树数目下的RF分类模型,依据模型分类误差率决定最佳决策树数目。

2.3 对比实验分析及精度评价

为对比不同类型特征集对分类结果精度的影响,本文基于上述优选特征和分类模型,通过特征组合构建了3类特征变量集,并将其导入RF分别生成3个不同的分类模型: 仅基于光学特征的RF分类、仅基于SAR特征的RF分类以及基于光学特征和SAR特征结合的RF分类。

为对比不同时间维度特征集对分类结果精度的影响,本文进一步基于单时相多源遥感数据和多时相遥感数据进行撂荒地分类提取。

3 结果与分析

3.1 多源特征时序构建结果

图5为经过S-G滤波平滑后的时间序列曲线,从曲线形态来看,撂荒地和农作物在监测窗口内的变化特征存在一定差异。光谱特征参数中,以NDVI曲线为例,水稻在生长季有2次明显的波峰和波谷,生长季为4—9月,其余时间种植蔬菜,蔬菜一般在10月播种,次年2月或3月收获; 从花生-番薯曲线看,花生从4月开始种植生长,7月达到生长高峰期,1 a内只种植一轮,而番薯可全年种植,生长期一般为5个月,一般于9月种植,次年3月收获; 从玉米-小麦曲线看,玉米多在6月种植,9月收获,小麦则在11月种植,次年5月收获; 从大豆-玉米曲线看,大豆一般于4月播种,7月收获,此后可继续种植玉米,一般于8月或9月栽苗,12月收获。这类曲线波峰波谷特征明显,与作物实际轮作制度的生长特征拟合程度较高。而撂荒地的光学特征曲线变化较平缓,特征值保持较高水平。SAR特征参数中,水稻的Alpha在8月形成波谷,A曲线处于波峰,该时期为第一季水稻的收获期和第二季水稻的种植区,曲线形态在该时期会产生明显的变化。在整个监测窗口内,水稻-蔬菜的VV曲线在-13~-10之间波动,VH曲线在-21~-15之间波动,H曲线在0.7~0.8之间变化。而撂荒地的Alpha在整个监测窗口内变化浮动不大,但从数值来看,撂荒地的Alpha明显高于种植作物,说明其结构特征更加复杂。A特征整体变化范围低于作物曲线,VV和VH特征曲线变化浮动相较于作物曲线波动更加明显,说明其表明平整度更低,H特征变化曲线整体高于作物曲线,说明其系统复杂度要大于作物种植区。

图5

图5 多源特征时序曲线

Fig.5 Multi-source feature time series curve

3.2 关键特征重要性评价结果

在获取的96维分类特征基础上,以归一化重要性评分作为指标,评价各个分类特征的重要性程度,图6(a)为特征降维前分类特征重要性评价结果。不断调整重要性阈值大小,发现当参与分类的特征重要性值大于0.35时,分类精度最高,因此本研究将重要性大于0.35的特征作为分类模型的输入。图6(b)为筛选后的特征重要性评价结果,可以看出,参与分类的特征包括NDVI,NDWI,SAVI,VV,Alpha,A和H,特征维度数为49。从特征筛选结果可知,在分类特征上,NDVI,NDWI,SAVI,A和H参数对分类模型精度的提高均起到较高的正向作用。NDVI和SAVI均与红波段和近红外波段相关,这也是农业信息识别中常用的波段或植被指数; NDWI可以表征植被的水分含量,说明植被之间水含量的差异也是分类的关键信息; A和H可以分别表征植被表面的光滑平整程度和系统复杂度。以上5个参数对于区分撂荒地和作物种植耕地的空间特征十分有效。在分类时相上,2月、4月、6月、8月、12月的特征重要性较高。其中,8月份在所有分类特征中均呈现较高的重要性评分,该时期是第一季水稻、花生等作物收获的时期,也是第二轮作物种植的时期,植被的光谱特征和SAR特征在该时期均有明显的变化; 2月和12月为部分轮作作物蔬菜、玉米等的收获期; 4月为春季作物播种期,也是其他植被开始抽枝发芽的阶段; 6月为研究区作物生长旺盛季节。上述几个时期对于区分撂荒地和非撂荒地具有重要作用。

图6

图6 多源特征筛选结果

Fig.6 Result of multi-source feature filtering

3.3 分类模型构建结果

图7为模型分类误差曲线图,随着决策树数目n值的增加,分类误差率在不断降低。当决策树数量n<20时,所有特征的分类误差率均急剧下降; 当决策树数量在20~80之间时,分类误差率仍在缓慢降低并逐渐趋于稳定。通过不断调整决策树数目,观察验证样本的分类精度,将决策树数目n确定为88,其余参数均保持默认设置。利用该结果参数下的RF分类模型对研究区的所有地块样本进行分类预测。

图7

图7 模型误差曲线

Fig.7 Model error plot

3.4 对比实验结果分析

本文使用上文中的特征组合方法分别进行作物分类,将分类结果与验证样本进行混淆矩阵计算,得到不同特征组合下的分类精度,表2为不同特征组合下的混淆矩阵。

表2 不同特征组合下的混淆矩阵

Tab.2 Confusion matrix with different feature combinations

特征	类别	撂荒地	水稻	其他作物	总计	制图精度/%	用户精度/%	总体精度/%
SAR特征	撂荒地	141	18	26	185	76.5	73.1	73.2
	水稻	15	144	28	187	77.1	77.8
	其他作物	37	23	116	176	65.7	68.2
	总计	193	185	170	548	—	—
光学特征	撂荒地	160	3	18	181	88.7	73.9	80.3
	水稻	7	171	10	183	93.2	85.2
	其他作物	23	15	146	184	79.5	81.2
	总计	190	189	174	548	—	—
SAR特征+ 光学特征	撂荒地	160	3	18	181	88.7	84.2	87.0
	水稻	7	171	10	183	93.2	90.5
	其他作物	23	15	146	184	79.5	83.9
	总计	190	189	174	548	—	—

新窗口打开| 下载CSV

从表可知,3种特征组合下,不同类别的分类精度存在差异。其中,基于光学特征和SAR特征组合得分类精度最高,总体精度达87.0%; 仅使用SAR特征的分类精度最低,总体分类精度为73.2%; 仅使用光学特征的总体分类精度为80.3%。与单独使用光学特征或单独使用SAR特征分类相比,2类特征的组合条件下,总体精度分别提高6.7和13.8百分点。这是由于当利用单一数据进行分类时,其特征维度较少,训练模型可获得的信息量不够充足,无法对某些地类进行精准判别,存在错判、漏判的情况。当结合2类数据特征进行分类时,进一步扩充了分类维度,可提高分类模型训练精度。

为对比不同时间维度信息对于分类结果精度的影响,本文基于单时相、多源分类特征提取撂荒地,提取精度如表3所示。相较于基于单时相特征的分类总体精度,基于多时相分类特征的总体分类精度提高了11.27%,说明通过扩充时间维度信息可以有效提高撂荒地的监测精度。由于单时相分类方法仅利用了作物生长期的某一时相的信息,无法捕捉植被生长的变化过程,而多时相特征分类方法充分利用了植被生长的物候信息,通过不同时相、不同植被在光谱特征和SAR特征上的差异性进行分类判别,可有效提高监测精度。

表3 基于单时相、多源遥感特征分类方法的精度验证混淆矩阵

Tab.3 Precision verification confusion matrix table based on the combination of optical and SAR features

类别	撂荒地	水稻	其他作物	总计	制图精度/%
撂荒地	137	26	18	181	75.69
水稻	21	155	22	198	78.27
其他作物	19	27	123	169	72.78
总计	177	208	163	548	—
用户精度/%	77.40	74.52	75.46	—	—
总体精度/%	75.73

新窗口打开| 下载CSV

3.5 地块尺度撂荒地空间分布

基于3.3中的分类预测模型,开展研究区撂荒地空间分布制图,得到揭西县撂荒地、水稻、其他作物分类结果(图8)。从耕地空间分布特征来看,西北部山区耕地数量少且多为条带状分布,分布零散; 东部地区耕地分布密集,形状规则。水稻和其他作物类型主要分布在东部平原地区,在西北部山地、丘陵地带零散分布。撂荒地在空间上呈现分散分布的特点,西北部山区单个撂荒地块面积较大,西部山区最为明显,而东部平原地区的撂荒耕地则多为小面积的不规则耕地。

图8

DOI:10.16258/j.cnki.1674-5906.2020.08.021 [本文引用: 1]

图8 撂荒地、水稻和其他作物提取结果

Fig.8 Extraction results of abandoned land, rice, and other crops

4 讨论与结论

4.1 讨论

本研究通过协同Sentinel-1 SAR数据与Sentinel-2光学数据开展撂荒地监测方法研究,在揭西县开展实验研究,获得了较高的提取精度。研究结合了多源、多时相遥感数据进行撂荒地监测,一定程度上克服了单一数据、单一时相的监测方法带来的不确定性,可为多云多雨区的撂荒地监测提供技术支撑。同时,本文基于地块尺度进行撂荒地空间分布制图,保证了单个地块属性的一致性。但仍然存在一些不足之处,例如研究仅提取了3个光学特征指数,虽然很大程度上获取植被的光学特征信息,但分类类别更加复杂时,可进一步增加与植被监测相关的光学特征,例如红边拐点指数和增强型植被指数等。此外,本研究仅获得3种地类的空间分布图,可进一步增加分类类别,实现不同种植作物与撂荒地的分类提取。在验证研究方法的可推广性方面,本研究仅在揭西县开展了实验,并未验证该方法在不同种植结构和地形条件下的适用性,未来可考虑将该方法运用到其他种植区。在研究尺度上,本研究仅在县级尺度开展了实验,未来可进一步扩大研究区域,探究该方法在不同研究尺度下的适用性。

4.2 结论

本文协同多源遥感数据,充分挖掘撂荒地、水稻与其他种植作物的特征差异,构建了多特征组合下的RF分类模型,探究了在优选特征集下RF分类模型的有效性。结合多源、多时相数据特征进行RF分类,得到撂荒地的制图精度为88.7%,水稻的制图精度为93.2%,其他作物的制图精度为79.5%,总体分类精度为87.0%。为多云多雨区的撂荒地监测提供了理论支持。研究主要得到以下几点结论:

1)对比实验结果表明,与使用单一数据源相比,多源遥感数据协同、多时相协同可以有效改善地物的分类精度。与仅基于SAR特征的分类相比,光学特征与SAR特征结合可使撂荒地、水稻和其他作物的制图精度分别提高12.2,16.1和13.8百分点。

2)通过构建时序特征曲线,捕捉了植被在整个生长期内的物候特征变化,通过对比撂荒地和不同作物的时序曲线,发现撂荒地在监测窗口期内的光谱特征和SAR特征均较为平缓,而作物曲线在整个生长期SAR特征和光谱特征起伏较大,表现出明显的“种植-生长-收获”的规律。

3)通过筛选重要特征集,得到最终参与分类特征数量为49维,在分类特征中, NDVI,NDWI,SAVI,H,A对于分类均有较高的贡献度; 在分类时相中,2月、4月、6月、8月、12月重要性程度较高,说明获取植被在关键时相的生长信息对于区分撂荒地和非撂荒地十分重要。

4)本文基于地块尺度进行撂荒地空间分布制图,保证了单个地块属性的一致性。与基于像元分类的方法相比,减少了由于“同物异谱”或“同谱异物”带来的不确定性问题。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

李升发, 李秀彬.

耕地撂荒研究进展与展望

[J]. 地理学报, 2016, 71(3):370-389.

DOI:10.11821/dlxb201603002 [本文引用: 1]

20世纪后半叶以来许多发达国家发生明显的耕地撂荒现象,并逐渐演变为全球性土地利用现象,深刻地改变了广大农村地区土地景观.本文以"土地利用变化--驱动机制--环境效应--政策响应"的框架系统梳理耕地撂荒主要研究进展.研究表明:① 全球耕地撂荒仍主要发生在欧美发达国家,但发展程度的区域差异很大;② 社会经济要素变化是耕地撂荒最主要驱动力,务农机会成本上升等原因引起的耕地边际化是撂荒发生的根本原因,而劳动力析出是造成耕地撂荒的直接原因;③ 耕地撂荒与否,撂荒程度以及撂荒地空间分布受村镇,农户,地块三个尺度的自然条件,劳动力特征,农业生产条件和区域社会经济条件等多方面因素的综合影响;④ 生态环境效应是当前撂荒效应研究的焦点,但该效应是以积极还是消极为主仍存争议;⑤ 增加农业补贴是当前减缓耕地撂荒的主要措施,但并非唯一和最合理的措施.未来,快速城镇化进程将促使中国耕地撂荒现象愈演愈烈,所以当前研究有待加强,本文认为应加强大范围耕地撂荒信息提取和监测,撂荒趋势预测和风险评估,社会经济效应评估及政策设计等方面研究.

S F

, Li

X B

Progress and prospect on farmland abandonment

[J]. Acta Geographica Sinica, 2016, 71(3):370-389.

DOI:10.11821/dlxb201603002 [本文引用: 1]

More and more farmland has been abandoned in many developed countries since the 1950s, and then the abandoned land further evolved into a global land use phenomenon, which deeply changed the landscape in vast rural areas. "Land use change-driving mechanism-impacts & consequences-policy response" in global farmland abandonment were reviewed and the results indicated that: (1) Farmland abandonments mainly occurred in developed countries of Europe and North America, but the extent to which varied distinctly. (2) Socio-economic factors were the primary driving forces for the farmland abandonment. And land marginalization was the root cause of land abandonment, which was due to the drastic increase of farming opportunity cost, while the direct factor of abandonment was the decline of agricultural labor forces. (3) Whether to abandon, to what extent and its spatial distributions were finally dependent on combined effect from the physical conditions, labor characteristics, farming and regional socio-economic conditions at village, household and parcel scales. Farmland abandonment was more likely to occur in mountainous and hilly areas except for Eastern Europe due the unfavorable farming conditions. (4) Ecological and environmental effects should be the focus on the study of farmland abandonment, while which is positive or negative are still in dispute. (5) The increase of agricultural subsidies indeed will be conductive to slow down the farmland abandonment, but it is not the only and reasonable method. Due to rapid urbanization in China, there will be a high probability of abandonment expansion in the near future. However, few researches focused on this rapid land-use trend in China, leading to inadequate understandings of dynamic mechanism and consequences of this phenomenon. Thus, in the end of the paper, some directions of future research in China were presented: regional and national monitoring of abandonment dynamics, trend and risk assessment, social-economic effects assessment and informed policymaking.

[2]

陈欣怡, 郑国全.

国内外耕地撂荒研究进展

[J]. 中国人口·资源与环境, 2018, 28(s2):37-41.

Chen

X Y

, Zheng

G Q

Research progress of cultivated land abandonment at home and abroad

[J]. China Population,Resources and Environment, 2018, 28(s2):37-41.

[3]

杨通, 郭旭东, 于潇, 等.

撂荒地监测方法与生态影响述评

[J]. 生态环境学报, 2020, 29(8):1683-1692.

可下载PDF全文。

Yang

, Guo

X D

, Yu

, et al.

Review on monitoring methods and ecological impact of abandoned agricultural land

[J]. Ecology and Environmental Sciences, 2020, 29(8):1683-1692.

[4]

周小迦

丘陵地带耕地撂荒遥感监测应用研究

[J]. 自然资源遥感, 2024, 36(1):235-241.doi:10.6046/zrzyyg.2022435.

Zhou

X J

Application of remote sensing monitoring in abandoned arable land in a hilly region

[J]. Remote Sensing for Natural Resources, 2024, 36(1):235-241.doi:10.6046/zrzyyg.2022435.

[5]

罗雅红, 龚建周, 李天翔, 等.

基于MaxEnt模型提取撂荒耕地——以四川省武胜县为例

[J]. 农业资源与环境学报, 2021, 38(6):1084-1093.

Luo

Y H

, Gong

J Z

, Li

T X

, et al.

Extraction of abandoned farmland based on MaxEnt model:A case study of Wusheng County,Sichuan Province

[J]. Journal of Agricultural Resources and Environment, 2021, 38(6):1084-1093.

[6]

杨颖频, 吴志峰, 骆剑承, 等.

时空协同的地块尺度作物分布遥感提取

[J]. 农业工程学报, 2021, 37(7):166-174.

Yang

Y P

, Wu

Z F

, Luo

J C

, et al.

Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):166-174.

[7]

钱丽沙, 姜浩, 陈水森, 等.

基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

[J]. 农业工程学报, 2022, 38(5):158-166.

Qian

L S

, Jiang

, Chen

S S

, et al.

Extracting field-scale crop distribution in Lingnan using spatiotemporal filtering of Sentinel-1 time-series data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(5):158-166.

[8]

马丽, 徐新刚, 刘良云, 等.

基于多时相NDVI及特征波段的作物分类研究

[J]. 遥感技术与应用, 2008, 23(5):520-524.

, Xu

X G

, Liu

L Y

, et al.

Study on crops classification based on multi-temporal NDVI and characteristic bands

[J]. Remote Sensing Technology and Application, 2008, 23(5):520-524.

[9]

刘杰, 刘吉凯, 安晶晶, 等.

基于时序Landsat8 OLI多特征与随机森林算法的作物精细分类研究

[J]. 干旱地区农业研究, 2020, 38(3):281-288,298.

Liu

, Liu

J K

, An

J J

, et al.

Precise crop classification based on multi-features from time-series Landsat8 OLI images and random forest algorithm

[J]. Agricultural Research in the Arid Areas, 2020, 38(3):281-288,298.

[10]

林忠辉, 莫兴国.

NDVI时间序列谐波分析与地表物候信息获取

[J]. 农业工程学报, 2006, 22(12):138-144.

Lin

Z H

, Mo

X G

Phenologies from harmonics analysis of AVHRR NDVI time series

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006, 22(12):138-144.

[11]

杜保佳, 张晶, 王宗明, 等.

应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

[J]. 地球信息科学学报, 2019, 21(5):740-751.

DOI:10.12082/dqxxkx.2019.180412 [本文引用: 2]

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。

B J

, Zhang

, Wang

Z M

, et al.

Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model

[J]. Journal of Geo-Information Science, 2019, 21(5):740-751.

[12]

王玲玉, 周忠发, 赵馨, 等.

基于地块级时序遥感的喀斯特石漠化地区撂荒地时空演变

[J]. 水土保持学报, 2020, 34(1):92-99,107.

Wang

L Y

, Zhou

Z F

, Zhao

, et al.

Spatiotemporal evolution of Karst rocky desertification abandoned cropland based on farmland-parcels time-series remote sensing

[J]. Journal of Soil and Water Conservation, 2020, 34(1):92-99,107.

[13]

宋宪强, 梁钊雄, 周红艺, 等.

基于决策树与时序NDVI变化检测的耕地撂荒遥感监测——以四川省凉山州普格县为例

[J]. 山地学报, 2021, 39(6):912-921.

Song

X Q

, Liang

Z X

, Zhou

H Y

, et al.

An updated method to monitor the changes in spatial distribution of abandoned land based on decision tree and time series NDVI change detection:A case study of Puge County,Liangshan Prefecture,Sichuan Province,China

[J]. Mountain Research, 2021, 39(6):912-921.

[14]

杨通, 郭旭东, 于潇, 等.

基于多源数据的村域撂荒驱动力分析及模型模拟

[J]. 干旱区资源与环境, 2019, 33(11):62-69.

Yang

, Guo

X D

, Yu

, et al.

Driving force and model simulation of farmland abandonment in village scale based on multisource data

[J]. Journal of Arid Land Resources and Environment, 2019, 33(11):62-69.

[15]

Meijninger

, Elbersen

, van Eupen

, et al.

Identification of early abandonment in cropland through radar-based coherence data and application of a Random-Forest model

[J]. GCB Bioenergy, 2022, 14(7):735-755.

DOI:10.11873/j.issn.1004-0323.2021.2.0372

[16]

王晨丞, 王永前, 王利花.

基于SAR纹理信息的农作物识别研究——以农安县为例

[J]. 遥感技术与应用, 2021, 36(2):372-380.

以吉林省农安县为研究区，以Sentinel-1B双极化数据为数据源，提取出典型农作物玉米、大豆、水稻的多个纹理特征值，筛选出最佳农作物识别纹理信息参数，结合eCognition软件中的规则库，充分挖掘SAR数据中农作物纹理特征包含的属性信息，构建决策树，基于面向对象分类方法对典型农作物进行提取，通过SAR农作物提取结果的分析，获得研究区农作物最佳分类时相及最佳农作物识别纹理信息组合，对各典型农作物进行分类制图，探讨基于SAR影像后向散射特征提高农作物识别精度的可行性。结果表明：SAR数据相对于光学数据，能提供更丰富的农作物纹理信息，选取合适的纹理信息作为分类辅助数据，可以有效解决光学数据中“异物同谱”现象，提高农作物识别精度，对于研究区农作物提取贡献最大的3种SAR纹理特征依次为：均值、方差和相异性。

Wang

C C

, Wang

Y Q

, Wang

L H

Crop identification based on SAR texture information:A case study of Nong’an County

[J]. Remote Sensing Technology and Application, 2021, 36(2):372-380.

[17]

Luo

, Qi

, Liu

, et al.

Using time series sentinel-1 images for object-oriented crop classification in Google Earth Engine

[J]. Remote Sensing, 2021, 13(4):561.

[18]

, Zhang

, Wang

, et al.

Crop classification based on temporal information using sentinel-1 SAR time-series data

[J]. Remote Sensing, 2018, 11(1):53.

[19]

Yang

, Wu

, Xiao

, et al.

Abandoned land mapping based on spatiotemporal features from PolSAR data via deep learning methods

[J]. Remote Sensing, 2023, 15(16):3942.

[20]

张昊, 高小红, 史飞飞, 等.

基于Sentinel-2 MSI与Sentinel-1 SAR相结合的黄土高原西部撂荒地提取——以青海民和县为例

[J]. 自然资源遥感, 2022, 34(4):144-154.

Zhang

, Gao

X H

, Shi

F F

, et al.

Sentinel-2 MSI and Sentinel-1 SAR based information extraction of abandoned land in the western Loess Plateau:A case study of Minhe County in Qinghai

[J]. Remote Sensing for Natural Resources, 2022, 34(4):144-154.

[21]

Bucha

, Papčo

, Sačkov

, et al.

Woody above-ground biomass estimation on abandoned agriculture land using Sentinel-1 and Sentinel-2 data

[J]. Remote Sensing, 2021, 13(13):2488.

[22]

肖国峰, 朱秀芳, 侯陈瑶, 等.

撂荒耕地的提取与分析——以山东省庆云县和无棣县为例

[J]. 地理学报, 2018, 73(9):1658-1673.

DOI:10.11821/dlxb201809004 [本文引用: 1]

由于城镇化的快速发展和农村劳动力不断流失,中国部分地区出现大面积的撂荒现象。利用遥感技术可以间接提取撂荒耕地的规模和数量,对耕地的保护和粮食安全有重要意义。以山东省庆云县和无棣县为研究区,基于Landsat数据和HJ1A数据,采用CART决策树分类方法,制作了1990-2017年的土地利用图,制定了撂荒地的识别规则,在此基础之上提取了研究区的撂荒地空间分布、持续撂荒时间分布和撂荒地复垦区域。结果显示：1990-2017年基准期影像的CART决策树分类精度高于85%;1992-2017年间,研究区撂荒地面积最大值为5503.86 hm2,最大撂荒率为5.37%,其中1996-1998年撂荒率最高,2006-2017年撂荒地面积的整体趋势逐年降低;1992-2017年间最大持续撂荒时间为15年,大部分耕地持续撂荒时间在4年之内,少数耕地持续撂荒时间超过10年;1993-2017年撂荒耕地复垦面积最大为2022.3 hm2,最小复垦面积约为20 hm2,复垦率最大值为67.44%,年均复垦率为31.83%。研究结果不仅能够为研究区撂荒驱动因素分析提供数据支撑,而且也可以为其他地区的撂荒耕地识别提供参考。

Xiao

G F

, Zhu

X F

, Hou

C Y

, et al.

Extraction and analysis of abandoned farmland:A case study of Qingyun and Wudi Counties in Shandong Province

[J]. Acta Geographica Sinica, 2018, 73(9):1658-1673.

[23]

Song

Mapping cropland abandonment in mountainous areas using an annual land-use trajectory approach

[J]. Sustainability, 2019, 11(21):5951.

[24]

刘瑞清, 李加林, 孙超, 等.

基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类

[J]. 地理学报, 2021, 76(7):1680-1692.

DOI:10.11821/dlxb202107008

滨海湿地是具有重要功能的特殊海陆过渡带生态系统,精准获取滨海湿地植被时空分布信息具有重要意义。传统的湿地遥感观测研究集中于高空间、高光谱分辨率影像分类,往往受限于数据成本和覆盖范围,仅适用于小区域湿地监测。Sentinel-2A/B卫星影像时空分辨率高且免费共享,为大区域滨海湿地动态监测提供了可能。本文采用2018年Sentinel-2影像,提出像元级SAVI时间序列及双Logistic植被物候特征拟合重构模型,采用随机森林算法进行盐城滨海湿地植被分类,探讨Sentinel-2遥感时间序列植被物候特征分类方法的适用性。结果显示,分类总体精度达87.61%,Kappa系数为0.8358,分类结果与湿地实况相吻合,比常规单一时相分类精度总体提高19.57%。植被判别物候特征参数可为影像数据缺失或不足的滨海湿地分类提供不同植被的判别依据。研究表明,基于像元级时间序列植被物候特征的分类方法能实现植被群落混生带的精准分类以及对“异物同谱”植被的有效区分,对大区域滨海湿地植被分类具有很好的适用性,有效提高了滨海湿地植被分类精度。

Liu

R Q

, Li

J L

, Sun

, et al.

Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series

[J]. Acta Geographica Sinica, 2021, 76(7):1680-1692.

DOI:10.11821/dlxb202107008

Coastal wetlands are special land-sea transitional ecosystems with important functions. It is of great significance to obtain the spatiotemporal distribution data of coastal wetland vegetation accurately. Previous wetland mapping studies focusing mainly on high spatial and spectral resolution images often have difficulties such as high data acquisition costs and limited coverage, so these methods are only suitable for small regions. Sentinel-2A/B satellite images with high spatial and temporal resolution and free sharing, make it possible for us to dynamically monitor large-area coastal wetlands. Based on Sentinel-2 images in 2018, this study proposed the pixel-level SAVI time series and double logistic vegetation phenological feature fitting reconstruction model, used a random forest algorithm to classify Yancheng coastal wetland vegetation in Jiangsu, East China, and then discussed the applicability of vegetation phenological characteristics (VPC) classification method. The results show that the overall accuracy of mapping based on VPC was 87.61%, which was 19.57% higher than that of the conventional single image classification, and the results were consistent with the actual distribution of wetlands. The vegetation discriminant phenological parameters can provide the basis for differentiating various types of vegetation, which can be applied to coastal wetland classification in the case of missing or insufficient image data. The phenological parameters have improved the method based on VPC, which can be applied to the rapid and accurate extraction of coastal vegetation and also provides new ideas to solve the problem of insufficient data in coastal wetland classification research. The method based on VPC in the pixel-level time series can achieve the accurate classification of the mixed zone of vegetation communities and the effective differentiation of "the same spectrum with different objects", which is applicable to the coastal wetland classification in large regions and improves the mapping accuracy of coastal wetland vegetation effectively.

[25]

Portalés-Julià

, Campos-Taberner

, García-Haro

F J

, et al.

Assessing the Sentinel-2 capabilities to identify abandoned crops using deep learning

[J]. Agronomy, 2021, 11(4):654.

[26]

Luo

, Liu

H J

, Lu

L P

, et al.

Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine

[J]. Journal of Integrative Agriculture, 2021, 20(7):1944-1957.

[27]

石娴, 明艳芳, 刘春秀, 等.

时序影像在冬小麦种植区提取中的应用分析

[J]. 无线电工程, 2021, 51(12):1567-1576.

Shi

, Ming

Y F

, Liu

C X

, et al.

Analysis on the application of time series image in extraction of winter wheat planting area

[J]. Radio Engineering, 2021, 51(12):1567-1576.