基于哨兵2号数据的撂荒地识别与分析——以甘肃省麦积区为例

摘要 以甘肃省麦积区为研究区域，采用哨兵2号遥感卫星数据，并基于面向对象的方法对该区域的撂荒地进行了识别，分类总体精度达到92%，Kappa系数为0.82。空间统计结果显示，麦积区的撂荒地面积为12 600.31 hm2，占麦积区总面积的3.62%，占耕地总面积的22.02%。坡度分析和交通条件分析发现，地形因素和交通条件是导致撂荒的重要原因。对麦积区的撂荒地进行空间自相关分析发现，撂荒地存在显著的空间集聚特征。

关键词 撂荒地；哨兵2号；面向对象图像分类；空间自相关

中图分类号 S 127  文献标识码 A

文章编号 0517-6611（2024）22-0070-05

doi：10.3969/j.issn.0517-6611.2024.22.013

开放科学（资源服务）标识码（OSID）：

Identification and Analysis of Abandoned Land Based on Sentinel-2 Data—A Case Study of Maiji District， Gansu Province

WANG Rui-jun， YANG Bin-bin，L Zhi-peng

（Gansu Forestry Polytechnic，Tianshui，Gansu 741020）

Abstract Taking Maiji District in Gansu Province as the research area， object-oriented method was used to identify abandoned land based on Sentinel-2 remote sensing satellite data，the overall classification accuracy reached 92%， and the Kappa coefficient was 0.82.The spatial statistical results showed that the abandoned land area in Maiji District was 12 600.31 hm2， accounting for 3.62% of the total area of Maiji District and 22.02% of the total cultivated land area.Slope analysis and traffic condition analysis found that terrain factors and traffic conditions were important reasons for abandonment.A spatial autocorrelation analysis of abandoned land in Maiji District revealed significant spatial clustering characteristics.

Key words Abandoned land;Sentinel-2;Object-oriented image classification;Spatial autocorrelation

随着城镇化和工业化的迅速发展，非农就业收入和机会的增加使得大部分农村劳动力转移到其他行业，导致耕地撂荒现象日益严重。耕地撂荒不仅导致土地资源的浪费，还会造成土壤质量下降，加剧水土流失和土地荒漠化。此外，耕地撂荒导致的农产品产量下降还会造成食品短缺和食品安全问题。因此，采取有效措施防止耕地撂荒至关重要，而要做到这一点，首要任务就是有效识别和监测耕地撂荒情况。

近年来，随着遥感技术的不断发展，利用遥感识别耕地撂荒已经成为可能。如肖国峰等^［1］使用Landsat数据和HJ1A数据，并采用CART决策树分类方法，制定了撂荒地的识别规则，监测了1992—2017年山东省庆云县和无棣县的撂荒地，结果显示最大撂荒率为5.37%；刘智丽^［2］利用2017—2019年不同季节的哨兵2号遥感影像数据监测了山西省祁县耕地变化，并采用面向对象分类方法识别撂荒耕地，该方法提取撂荒地的总体精度为86.3%；刘鑫鹏等^［3］以贵州清镇市为研究区，利用哨兵2号高分辨率卫星遥感数据，考虑季相变化特征并结合波段光谱差异的植被指数变化检测法识别耕地撂荒，分类精度可达到82%；周迪^［4］以重庆市酉阳县为例，运用Land Trendr算法识别耕地撂荒的效果显著，撂荒结果精度可达81.0%，降水、农业人口和GDP是影响撂荒的重要因素；欧阳许童等^［5］以四川省南充市营山县为研究区域，通过GEE平台，利用Sentinel-2和Landsat7、Landsat8数据构建时序数据集，计算归一化植被指数（NDVI）、增强植被指数（EVI）、土壤植被指数（BSI）和裸土指数（MBI）等指数组合，分别利用支持向量机和随机森林法提取撂荒耕地，总分类精度为73.76%，Kappa系数为0.68；宋宪强等^［6-7］在分析撂荒地光谱特征及农作物物候特征的基础上，提出了基于决策树和随机森林与时序NDVI变化检测耦合的方法，以Landsat系列数据作为数据源，对撂荒地进行提取和分析。在研究耕地撂荒的驱动力和空间特征方面，张珍^［8］研究了甘肃省静宁县的撂荒现状和空间分布特征，结果表明，耕种比较效益低下是耕地撂荒的根本原因，社会经济因素是耕地撂荒的主要驱动力，农业生产条件差、土地流转困难是耕地撂荒的间接原因；朱小文等^［9-11］研究耕地撂荒的时空分布和驱动力表明，社会经济因素是主要驱动力，耕地边际化是根本原因；许晓婷等^［12-13］利用GIS空间统计分析方法研究了撂荒耕地空间分布格局，发现撂荒耕地存在显著的空间集聚性；韦中晖等^［14-16］研究了撂荒地的时空格局变化，在空间上撂荒地多分布在交通条件差、坡度较大的区域，在时间上呈现先增后减趋势，撂荒地复垦主要集中在种植条件较好的平原地区部分。尽管利用遥感卫星识别撂荒地研究取得了一些进展，但仍然存在一些挑战，如遥感数据的质量和分类方法的选择对撂荒地识别精度影响较大。特别是在山地和丘陵区域，这些地区的耕地破碎、形状不规则、农作物种类杂乱，给撂荒地的识别带来了巨大的挑战。

笔者以甘肃省麦积区为研究区域，利用Sentinel-2卫星2022年3期遥感数据构建了NDVI合成图，采用面向对象图像分类方法对研究区域撂荒地进行了识别，并通过GIS空间分析方法对其空间分布特征和撂荒原因进行分析。

1 资料与方法

1.1 研究区域概况 以甘肃省麦积区为研究区域。麦积区地处105°25′～106°43′E、34°06′～34°48′N，全区总面积3 480 km2。麦积区处于甘肃东南部，地处黄土高原与秦岭山脉交汇处，地势较为复杂，包含山地、丘陵和平原等不同地形类型。麦积区属于大陆半湿润季风气候，年降水量600 mm左右。境内有黄河最大的支流渭河穿境而过，流域面积2 180 km2，占全区总面积的62.6%。麦积区农业资源丰富，主要种植小麦、玉米、马铃薯和油菜等农作物。此外，麦积区还是苹果、樱桃和花椒等特色农产品的重要生产地。

1.2 数据来源 该研究利用欧空局哨兵2号遥感卫星数据，空间分辨率为10 m。哨兵2号数据分为L1C级别和L2A级别，其区别主要是L2A是经过辐射定标和大气校正处理，该研究的数据均为L2A级别，所以不再进行辐射定标和大气校正处理操作。

考虑到耕地和撂荒地的主要区别是耕地存在周期性的耕种和收割行为，耕种和收割前后的植被覆盖差异较大，因此可利用种植期和收割期的遥感影像识别撂荒地。麦积区主要农作物的播种期和收割期如表1所示。该研究选取了麦积区主要农作物播种期、生长期和收割期3个阶段的遥感影像，用于识别撂荒地。考虑到数据可得性、含云量等因素，最终确定2022年4月1日、6月30日和10月18日3期数据作为数据源。

此外，该研究还使用了来源于地理空间数据云（http：//www.gscloud.cn/）30 m分辨率的数字高程模型数据（DEM），利用DEM生成坡度数据，统计分析撂荒地的坡度分布情况。道路数据来源于OpenStreetMap网站。

1.3 研究方法

1.3.1 构建2022年度NDVI合成图。NDVI是植被生长状态及植被覆盖度的最佳指示因子。NDVI是基于影像近红外波段和红色波段的反射率得到，其计算公式如下：

NDVI=NIR-RNIR+R

式中：NIR为近红外波段的反射值；R为红外波段的反射值。NDVI在［-1，1］，负值表示地面覆盖为云、水、雪等；NDVI为0，表示有岩石或裸土等；正值表示有植被覆盖，并且植被越茂盛，其NDVI越大。

图1展示的是不同耕地类型的NDVI随时间的变化趋势。撂荒地与耕地和园地相比，没有施肥、灌溉等人为干预措施，因此其NDVI随着时间变化较平滑。麦积区主要农作物按照播种和收割季节可分为春种秋收和秋种夏收2类。其中秋种夏收作物如冬小麦和油菜，在4月初NDVI处于较高水平，而在6月底这些作物均已收割完毕，因此其NDVI会出现大幅度递减。春种秋收作物如马铃薯和玉米等，在4月初处于刚播种或萌芽状态，NDVI较小，夏季正处于生长期，NDVI会大幅度增加，而到10月中旬时已收割完毕，所以其NDVI先升高后降低。园地主要种植樱桃、花椒和苹果等，其NDVI呈现出逐步递增的状态。由此可见，撂荒地的NDVI在这3个阶段与其他耕地类型有明显的差异，因此可利用图像分类识别撂荒地。

为了识别撂荒地，该研究首先计算了4月初、6月底和10月中旬的3期遥感影像的NDVI，再经波段合成构建NDVI合成图，其中RGB的3个通道分别对应4、6、10月3期影像的NDVI。图2展示了同一地方不同时期的遥感影像及最终NDVI合成图，秋种夏收作物在NDVI合成图中呈现出红色或粉红色，而春种秋收作物在NDVI合成图中呈现出绿色或蓝色特征，而撂荒地呈现紫色。综上所述，可基于NDVI合成图经图像分类方法提取撂荒地。

1.3.2 撂荒地识别方法。图像分类的方法有监督分类、非监督分类和面向对象分类等方法，该研究采用面向对象分类方法识别撂荒地。面向对象分类包括图像分割和对象分类2个阶段。图像分割是将图像分成若干个特定、形状大小不一致的若干独立对象，对象内部有相似的特征，对象之间差别较大。现有的图像分割方法主要有基于阈值的分割方法、边缘检测法和基于特定理论的分割方法。图像分类通过每个对象的光谱特征、纹理特征和空间特征将对象分为不同的类别。该研究图像分割算法采用边缘检测算法，因为研究区域属于山地地形，耕地多是梯田，分布零碎且形状不规则，同一片农田种植农作物种类杂乱。为了提高分类结果精度，分割和合并的阈值要尽可能小。图像分类采用光谱特征分类，经过反复调优，确定分类规则为4月1日NDVI在0.140～0.210，6月30日NDVI在0.217～0.345，10月18日NDVI在0.257～0.383。

1.3.3 分类结果精度评价。该研究采用空间自相关分析方法进行结果精度评价。空间自相关分析是一种度量空间数据的分布特征和相互关系的统计方法，空间自相关分析分为全局空间自相关分析和局部空间自相关分析^{［13，17-18］}。

全局自相关由莫兰指数描述整个研究区域的空间分布模式。莫兰指数的取值为［-1，1］，当其取值大于0时，说明空间正相关；当其值小于0时，表示存在空间负相关；当其值接近于0时，表示空间随机分布。

局部自相关的常用指标是局部莫兰指数，用于反映每个地区或单元与其周围区域之间的空间差异程度。局部莫兰指数可以用来识别研究区域中存在的高高聚集区、低低聚集区、高低异常值和低高异常值等不同类型的空间集聚或离散现象。在该研究中，高高聚集区是指撂荒率高的村，其周围村庄的撂荒率也高；低低聚集区是指撂荒率低的村庄，其周围撂荒率也低；高低聚集是指中心的村庄撂荒率高，但是周围的撂荒率低；低高聚集的情况与高低聚集正好相反。