基于Sentinel-2的江淮分水岭撂荒地提取
作者： 李元庆 宋宏利 刘欢 李伟涛 刘兴宇
摘要 ［目的］研究江淮分水岭因地形破碎、丘陵起伏、云覆盖严重等原因导致撂荒地提取精度较低问题。［方法］基于GEE云平台，以凤阳县为研究区域，使用Sentinel-2 MSI影像数据，采用随机森林分类算法对凤阳县2017—2023年土地进行分类，获取7年的土地分类数据，并制定撂荒地识别规则，在此基础上提取研究区撂荒地数据。［结果］遥感影像的总体土地分类精度在82.45%～91.37%，符合研究所需精度要求；2018年研究区撂荒地面积最大，为974.52 hm2，撂荒率最高，为0.91%；2018—2019年撂荒地面积呈减少趋势，2019—2021年撂荒地面积逐年增加；2018—2023年撂荒地的复耕地面积最大约为678.15 hm2，而最小复耕地面积约为78.23 hm2，复耕率最高值达到69.59%，复耕率最小值为37.02%。［结论］该研究为评估农田抛荒的风险和生态环境的治理提供有力的数据支撑，也为其他撂荒地提取提供参考。
关键词 撂荒地；江淮分水岭；Sentinel-2；随机森林分类算法；凤阳县
中图分类号 S127;TP79 文献标识码 A 文章编号 0517-6611（2025）03-0047-06
doi：10.3969/j.issn.0517-6611.2025.03.010
开放科学（资源服务）标识码（OSID）：
Extraction of Abandoned Land in Jianghuai Watershed Based on Sentinel 2
LI Yuan qing1，SONG Hong li1，LIU Huan2 et al
（1.School of Earth Science and Engineering，Hebei University of Engineering，Handan，Hebei 056038;2.College of Geographic Information and Tourism，Chuzhou University，Chuzhou，Anhui 239000）
Abstract ［Objective］To study the problem of low accuracy in extracting abandoned land in the Jianghuai Watershed due to terrain fragmentation，hilly undulations and severe cloud coverage.［Method］Based on the GEE cloud platform，taking Fengyang County as the research area，Sentinel 2 MSI image data was used to classify the land in Fengyang County from 2017 to 2023 using the random forest classification algorithm. Seven years of land classification data were obtained，and abandoned land identification rules were formulated. Based on this，abandoned land data in the study area was extracted.［Result］The overall land classification accuracy of remote sensing images was 82.45%-91.37%，which met the accuracy requirements for research.The maximum areas of abandoned land in the study area was 974.52 hm2，with the highest abandonment rate of 0.91% in 2018.The abandoned land area showed a decreasing trend from 2018 to 2019，and increased year by year from 2019 to 2021;the maximum reclamation area of abandoned land from 2018 to 2023 was about 678.15 hm2，while the minimum reclamation area was about 78.23 hm2，the highest reclamation rate was 69.59%， the minimum reclamation rate was 37.02%.［Conclusion］This study provides strong data support for evaluating the risk of farmland abandonment and ecological environment management，and also provides reference for extracting other abandoned lands.
Key words Abandoned land; Jianghuai watershed; Sentinel 2;Random forest classification algorithm;Fengyang County
基金项目
河北省自然科学基金项目（D2019402067）；安徽省教育厅自然科学重大项目（KJ2021ZD0131）。
作者简介 李元庆（2001—），男，陕西渭南人，硕士研究生，研究方向：农业遥感。*通信作者，教授，博士，硕士生导师，从事农业遥感方面的研究。
收稿日期 2024-04-18
随着我国城镇化的快速发展，农村劳动力持续减少，导致出现大片撂荒地。撂荒地是一种土地利用变化类型，是由社会经济和土地利用政策等原因导致的。土地经营者的农耕行为对土地利用产生了深远的影响，当他们选择放弃耕种时，导致大片的耕地被废置或者仅仅得到了部分利用，这一现象不仅影响了土地的生产力和可持续性，也对当地的农业经济和社会发展带来了负面影响［1］。我国撂荒地分布广泛，其中在山地、丘陵地带较为多见，这种复杂的地形造成了耕地的严重撂荒［2］。耕地撂荒严重威胁了国家粮食安全，准确绘制撂荒地发生的位置和时间，对国家和地区的耕地资源具有重要意义［3］。
随着遥感技术的发展，获取所需的实时更新数据，可以准确利用遥感数据提取撂荒地面积信息。Landsat系列卫星由于其具有高时间分辨率、较高空间分辨率以及其免费获取等优点，被多用于近几年撂荒地的提取研究［4］。He等［5］从Landsat时间序列的空间和时间分割中绘制农用土地抛荒；肖国峰等［6］基于Landsat和HJ-1A时序数据，利用决策树方法研究了山东省庆云县和无棣县1992—2017年撂荒地面积的变化；Wu等［7］以广东兴宁县为例，使用Landsat影像结合其他几种植被指数，运用决策树方法提取撂荒地。而相比于Landsat，Sentinel-2A在时间、空间分辨率都更具有优势，Sentinel-2A在2015年6月23日被发射升空，而Sentinel-2B则在2017年3月7日发射升空。何云等［8］利用Sentinel-2A影像，采用随机森林特征选择方法，进行了土地覆盖分类研究。张昊等［9］利用Sentinel数据影像结合随机森林算法对研究区3年土地覆被进行自动分类，在此基础上借助撂荒地判断规则建立决策树提取撂荒地并进行验证。
凤阳县位于江淮分水岭，是我国农村土地制度改革的发源地之一。但近年来该地区的撂荒现象逐渐增多，成为制约土地资源有效利用和乡村发展的重要问题。基于前期调查发现，笔者选取2017—2023年作为研究时段，分析该时期内凤阳县的撂荒情况；为了有效识别撂荒地，利用Sentinel-2卫星影像数据，通过随机森林算法进行土地利用分类，并生成研究期间（2017—2023年）土地利用分类图；在此基础上，通过混淆矩阵对分类结果的准确性进行了检验，并根据撂荒地的识别规则提取了相关的撂荒地数据信息，以期为粮食安全、生态用地、环境保护等领域提供重要的数据信息支持，也为相关政策的制定和土地资源的合理利用提供理论依据。
1 资料与方法
1.1 研究区概况 选取安徽省滁州市凤阳县作为研究区域，位于安徽省东北部、淮河中游南岸，地理坐标为117°19′～117°57′E、32°37′～33°03′N。该地区东西长74.64 km，南北宽49.6 km，县域总面积为1 949.5 km2，是典型的江淮分水岭地区代表性县域。凤阳县的地形呈南高北低，由南向北逐级下降，丘陵起伏、岗冲交错、地形破碎，尤其是人均坡地多，6°以上的坡地人均近0.07 hm2。凤阳县是农村改革发源地、产粮大县，全县耕地面积10.81万hm2，主要产水稻、小麦、玉米、大豆、花生等，种植模式为一年两熟或两年三熟。凤阳县小岗村作为中国土地改革第一村，使得凤阳县在农业方面具有很重要的研究意义。
1.2 数据来源和数据预处理
1.2.1 数据源。该研究以Google Earth Engine（GEE）云平台获取的Sentinel-2卫星影像数据为主要数据源。GEE平台整合了大量的遥感影像和地理空间数据集，并提供强大的全球尺度分析能力［10］。该平台不仅支持在线计算和分析处理，还为变形监测、数据处理、地表差异量化等研究提供了便捷的工具和丰富的数据支持，使得研究工作更加高效和精确。在数据选择方面，该研究选取了2017—2023年的Sentinel-2影像数据，每年提取2期影像（表1）。每期影像的采集时间分别为4—6月（生长期）和7—10月（成熟期）［11］。此外，还选取了GEE平台提供的空间分辨率为30 m的数字高程模型（DEM）数据，以提取坡度、坡向和高程等地形信息。同时，选取了部分高分辨率的土地分类数据，作为训练样本和验证样本的基础数据［6］。
1.2.2 数据预处理。该研究的数据预处理工作均基于GEE云平台完成。由于研究区域云量较大，受到云污染的影响严重，单景高质量影像难以获取。为此，使用了GEE云平台提供的中值合成算法，从中筛选出云量低于10%的影像。同时，利用该算法对一段时间内的像元中值进行填补，以修复去除云后的空缺部分，从而获得了质量较好的影像［9］。此外，对DEM数据进行了重采样，将30 m分辨率的DEM数据重采样为10 m，以获得所需的高程数据。在GEE云平台上，提供了Sentinel-2数据的L2A和L1C级影像，其中L2A级影像经过大气校正，而L1C级影像则没有经过该处理。该研究所用的数据2019—2023年为L2A，2017和2018年为L1C，所以需对L1C影像进行大气校正。传感器不变大气校正（SIAC），该大气校正方法是利用Modis Mcd43 brdf产品对地表进行粗分辨率模拟，建立了基于Modis-Psf的Modis与Sentinel-2/Landsat 8比例尺差异模型，故使用SIAC对影像进行大气校正。利用GEE云平台自带的函数计算坡度、坡向和高程，并计算归一化植被指数（NDVI）、土壤调节植被指数（SAVI）、植被水分指数（NDWI）［7-12］，将原影像的红波段、绿波段、蓝波段、近红外波段、NDVI、SAVI、NDWI以及坡度、坡向和高程合并为含有10个波段的待分类影像。