敖為赳， 陳一帆， 關(guān) 濤， 王建鋒， 鄧勁松， 干牧野，蘇 越

(1.浙江省土地資源調(diào)查辦公室，浙江杭州 310007; 2. 浙江大學(xué)遙感與信息技術(shù)研究所，浙江杭州 310058)

?

GF-1衛(wèi)星數(shù)據(jù)在永久基本農(nóng)田非糧化監(jiān)測中的應(yīng)用

敖為赳1， 陳一帆1， 關(guān) 濤1， 王建鋒1， 鄧勁松2， 干牧野2，蘇 越2

(1.浙江省土地資源調(diào)查辦公室，浙江杭州 310007; 2. 浙江大學(xué)遙感與信息技術(shù)研究所，浙江杭州 310058)

以浙江省嘉善縣為研究區(qū)，應(yīng)用高分一號(hào)影像數(shù)據(jù)，通過面向?qū)ο蠓诸惙椒ㄌ崛∮谰没巨r(nóng)田范圍內(nèi)坑塘、苗木地等非糧化區(qū)域，總體分類精度為0.846，Kappa系數(shù)為0.875。結(jié)果表明，利用高分辨率國產(chǎn)衛(wèi)星影像，能夠快速、準(zhǔn)確地提取永久基本農(nóng)田非糧化面積和分布，為永久基本農(nóng)田非糧化程度的快速監(jiān)測和評(píng)估，合理管控和引導(dǎo)耕地用途提供可靠的參考。

永久基本農(nóng)田；“非糧化”；高分一號(hào)；面向?qū)ο蠓诸?/p>

隨著土地流轉(zhuǎn)進(jìn)程的加速，永久基本農(nóng)田非糧化問題日益突出。一方面，永久基本農(nóng)田流轉(zhuǎn)非糧化現(xiàn)象是農(nóng)業(yè)種植比較效益的正常反應(yīng)，是農(nóng)民的理性選擇。由于種植糧食的比較效益偏低，盡管各級(jí)政府實(shí)施了農(nóng)作物良種補(bǔ)貼、保護(hù)價(jià)收購等惠民政策，但并沒有完全抵消農(nóng)田租金、化肥、農(nóng)藥等農(nóng)業(yè)生產(chǎn)資料價(jià)格連年上漲帶來的負(fù)面影響，因此不少農(nóng)民將永久基本農(nóng)田用于發(fā)展苗木、花卉甚至挖塘養(yǎng)殖。另一方面，永久基本農(nóng)田非糧化改變了田間的水利設(shè)施、灌溉系統(tǒng)，甚至改變和破壞了土壤層，未來恢復(fù)為種植糧食的農(nóng)田非常困難。短期來看農(nóng)民收入增多，經(jīng)濟(jì)效益明顯，但從長遠(yuǎn)來看，可能危害我國的糧食安全[1]。國土資源部《關(guān)于強(qiáng)化管控落實(shí)最嚴(yán)格耕地保護(hù)制度的通知》(國土資發(fā)〔2014〕18號(hào))中明確要求，引導(dǎo)農(nóng)業(yè)結(jié)構(gòu)調(diào)整不改變耕地用途，嚴(yán)禁占用基本農(nóng)田挖塘造湖、種植林果、建綠色通道及其他毀壞基本農(nóng)田種植條件的行為。實(shí)際工作中發(fā)現(xiàn)，農(nóng)業(yè)利用方式的改變，往往沒有在土地利用變更調(diào)查成果中反映，故而土地利用數(shù)據(jù)難以滿足對(duì)永久基本農(nóng)田范圍內(nèi)非糧化程度的監(jiān)測和評(píng)價(jià)。

遙感技術(shù)觀測面積大、周期短、數(shù)據(jù)客觀性和可比較性強(qiáng)，在農(nóng)業(yè)應(yīng)用領(lǐng)域具有獨(dú)特的優(yōu)勢。高分一號(hào)衛(wèi)星是中國高分辨率對(duì)地觀測系統(tǒng)的第一顆衛(wèi)星，其全色波段的空間分辨率達(dá)2 m，多光譜波段空間分辨率為8 m。遙感數(shù)據(jù)的空間分辨率越高，圖像包含更為豐富的地物空間信息，如紋理和幾何信息等[2]。此外，高分一號(hào)國產(chǎn)衛(wèi)星具有精度高、獲取周期短、數(shù)據(jù)來源可靠等一系列優(yōu)點(diǎn)，使其能夠勝任大面積永久基本農(nóng)田非糧化的快速監(jiān)測。

筆者選擇浙江省嘉善縣為研究區(qū)，應(yīng)用高分一號(hào)衛(wèi)星(以下簡稱GF-1)影像數(shù)據(jù)，利用面向?qū)ο蠓诸惙椒▽?duì)嘉善縣永久基本農(nóng)田內(nèi)的非糧化區(qū)域進(jìn)行了解譯和提取，并對(duì)該縣永久基本農(nóng)田“非糧化”程度進(jìn)行了評(píng)估。

1　研究區(qū)概況與數(shù)據(jù)獲取

1.1研究區(qū)概況嘉善縣地處太湖流域杭嘉湖平原，位于浙江省東北部，120°44′22″～121°1′45″E、30°450′36″～31°1′12″N。嘉善位于北亞熱帶南緣的東亞季風(fēng)區(qū)，光照充足、四季分明，適宜作物生長。年均氣溫15.8 ℃，年降雨量1 155.7 mm，平均無霜期233.6 d。溫和濕潤的氣候使得嘉善自古以來就是聞名的魚米之鄉(xiāng)、產(chǎn)糧大縣。同時(shí)，位于長江三角洲東南側(cè)，地處長三角城市群核心區(qū)域的嘉善縣，是浙江省接軌上海的第一站，是全國綜合實(shí)力百強(qiáng)縣之一。近年來，嘉善縣圍繞都市型農(nóng)業(yè)發(fā)展方向，大力調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)，發(fā)展大棚設(shè)施栽培、淡水養(yǎng)殖、花卉苗木種植等產(chǎn)業(yè)。在這個(gè)過程中，部分永久基本農(nóng)田的土地被用作了挖塘養(yǎng)魚和花卉苗木種植。因此，筆者以嘉善縣作為典型研究區(qū)域，探索國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)應(yīng)用于永久基本農(nóng)田非糧化監(jiān)測的方法體系。

2014年嘉善縣土地利用總體規(guī)劃調(diào)整完善工作劃定永久基本農(nóng)田面積共26 677.72 hm2，主要分布在縣域北部(圖1)。

1.2技術(shù)流程在獲取GF-1號(hào)1A級(jí)影像產(chǎn)品的基礎(chǔ)上，首先對(duì)影像進(jìn)行預(yù)處理。預(yù)處理包括幾何校正、影像融合、影像裁剪。

在完成GF-1號(hào)影像的預(yù)處理后，疊加永久基本農(nóng)田矢量圖層，基于面向?qū)ο蟮倪b感分類方法，對(duì)永久基本農(nóng)田范圍內(nèi)非糧化區(qū)域(基本農(nóng)田用于挖塘養(yǎng)魚、種植苗木)進(jìn)行提取。面向?qū)ο蠓诸愅ㄟ^對(duì)影像的分割，使同質(zhì)像元組成大小不同的對(duì)象，能克服傳統(tǒng)基于像素的分類方法中出現(xiàn)的椒鹽現(xiàn)象，實(shí)現(xiàn)較高層次的遙感圖像分類和目標(biāo)地物提取，提高地物分類結(jié)果的精度和完整性[3]。面向?qū)ο蠓诸愒趀Cognition 9.0軟件中進(jìn)行，分類過程主要包括：影像分割、樣本建立、特征選取及分類。具體技術(shù)流程見圖2。

圖1　嘉善縣永久基本農(nóng)田分布圖Fig. 1　Distribution of permanent basic farmland in Jiashan County

圖2　技術(shù)流程Fig. 2　Technical process

1.3遙感數(shù)據(jù)及預(yù)處理該研究所用GF-1號(hào)遙感影像拍攝時(shí)間為2015年1月17號(hào)。主要衛(wèi)星參數(shù)如下。

表1　GF1衛(wèi)星參數(shù)

該研究所用的是空間分辨率為2 m/8 m的PMS數(shù)據(jù)。GF-1數(shù)據(jù)預(yù)處理在ENVI5.1平臺(tái)上完成，包括幾何校正、影像融合、影像裁剪等。

首先對(duì)GF-1 PMS傳感器的多光譜和全色波段采用Pan Sharp融合功能模塊進(jìn)行了融合,然后基于空間分辨率優(yōu)于1 m的DOM數(shù)據(jù)，對(duì)融合后的影像進(jìn)行幾何校正，采用最近鄰法進(jìn)行重采樣，幾何校正誤差小于1 m。完成幾何校正后的影像采用嘉善縣的矢量邊界進(jìn)行裁剪得到研究區(qū)影像。

2　面向?qū)ο蠓诸?/h2>

該研究采用面向?qū)ο蠓诸惙椒▉碜R(shí)別、提取永久基本農(nóng)田中的非糧化區(qū)域。面向?qū)ο蠓诸惖姆诸惙椒ㄒ远喑叨确指顬榛A(chǔ)，根據(jù)生成的多邊形對(duì)象的屬性信息，采用模糊邏輯分類方法，實(shí)現(xiàn)類別信息的自動(dòng)提取。其優(yōu)勢是能夠充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間、紋理和光譜信息，提高分類精度。

2.1樣本選取影像上的地物對(duì)象具有光譜信息、紋理結(jié)構(gòu)、形狀等多種屬性。因材質(zhì)、空間分布方式的差異，每種地物類別都具有獨(dú)立于其他地物的專屬特征[4]，所以能夠從影像上準(zhǔn)確的選擇樣本。例如，圖3是苗木、坑塘及農(nóng)田在GF-1號(hào)影像上的呈現(xiàn)。

圖3　影像樣本Fig. 3　Image samples

2.2多尺度分割和分層分類影像分割的目的就是把圖像分成若干個(gè)有意義的連續(xù)區(qū)域，使得每個(gè)區(qū)域內(nèi)有著均勻一致的光譜、紋理、形狀性質(zhì)且區(qū)域間互不重疊[5]。它是面向?qū)ο蠓诸惖年P(guān)鍵步驟，不同尺度的分割會(huì)有不同的效果，直接影響后續(xù)信息識(shí)別提取的精度。圖4是同一區(qū)域不同尺度的分割結(jié)果。

筆者選用的是面向?qū)ο筮b感影像信息提取方法中的多尺度分割。對(duì)于多尺度分割而言，當(dāng)信息提取針對(duì)整幅影像時(shí)，最優(yōu)尺度指的是分割后，影像對(duì)象內(nèi)部異質(zhì)性盡量小，不同類別對(duì)象之間的異質(zhì)性盡量大，而且對(duì)象能夠表達(dá)某種地物的基本特征( 如:紋理、光譜、形狀、拓?fù)潢P(guān)系等) ，其中對(duì)象內(nèi)部同質(zhì)性保證影像對(duì)象的純度，而對(duì)象之間的異質(zhì)性保證影像對(duì)象的可分性[6]。目前，雖然已有學(xué)者對(duì)最優(yōu)尺度的選擇方法進(jìn)行了研究，但尚未形成定論，最優(yōu)尺度的選擇依然傾向于通過多次實(shí)驗(yàn)確定。

筆者采用最近鄰分類方法來提取非糧化區(qū)域。經(jīng)過影像分割試驗(yàn)，該研究多尺度分割分為三個(gè)層次(圖5)。

第一層首先區(qū)分水體與非水體。分割尺度選擇300，形狀因子0.1，光滑度0.5。在這個(gè)分割尺度下，多邊形面積較大且邊界清晰規(guī)整，易于后續(xù)細(xì)分。從研究區(qū)影像看水體主要包括河流和坑塘，僅用Mean Brightness和Standard deviation指標(biāo)不能很好的提取。這里還采用水體指數(shù)NDWI，能夠較好的區(qū)分水體與非水體。

圖4　不同分割尺度對(duì)比圖Fig. 4　Comparison of different segmental scales

第二層將水體細(xì)分為坑塘和河流，分割尺度選擇100，形狀因子0.2，光滑度0.6。影像上可以看出坑塘大多形狀規(guī)整，而河流大多狹長且邊緣不整齊，所以分類的時(shí)候除Brightness和Standard deviation，還選用形狀特征Asymmetry、shape index、Rectangular Fit以及Main Direction。

第三層將非水體細(xì)分，分割尺度選擇200，形狀因子0.1,光滑度0.5。本層分類不僅包括光譜特征Brightness、Standard deviation，以及形狀特征Compactness、Shape index、Rectangular Fit，更添加了紋理特征GLCM Mean，以更好地將非水體分為農(nóng)田、苗木、大棚設(shè)施和建筑物。

這樣，就將研究區(qū)的地物分成了坑塘、河流、農(nóng)田、大棚設(shè)施、苗木、建筑物共六大類。具體分類結(jié)果如下。

2.3精度評(píng)價(jià)分類完成后進(jìn)行精度評(píng)價(jià)，從影像上選取了144個(gè)驗(yàn)證點(diǎn)，其中河流26個(gè)，農(nóng)田30個(gè)，坑塘35個(gè)，苗木15個(gè)，建筑物27個(gè)，大棚11個(gè)。

利用eCognition Developer軟件提供的Error Matrix based on Samples進(jìn)行精度評(píng)價(jià)。精度評(píng)價(jià)結(jié)果包括了三部分，分別是混淆矩陣、單一類別的精度分析結(jié)果和總體類別的精度分析結(jié)果?；煜仃嚦尸F(xiàn)了每一種類別的樣本總數(shù)、錯(cuò)分及漏分的樣本數(shù)量；單一類別精度分析包括生產(chǎn)者精度、用戶精度等5個(gè)指標(biāo)；總體類別精度分析包括總體分類精度和Kappa系數(shù)兩個(gè)指標(biāo)。

3　結(jié)果與分析

3.1分類結(jié)果分析利用面向?qū)ο蠓诸惙椒▽?duì)研究區(qū)影像進(jìn)行分類，原始影像與分類結(jié)果對(duì)比如圖6所示。

從分類結(jié)果圖中可以看出，不同的類別之間邊界整齊清晰，而同中類別多集中連片分布，克服了傳統(tǒng)基于像素分類方法中出現(xiàn)的“椒鹽現(xiàn)象”。與原始影像對(duì)比，發(fā)現(xiàn)雖然還有一些區(qū)域存在地類混淆的現(xiàn)象，但絕大部分地物能夠準(zhǔn)確分類，分類結(jié)果較好。

圖5　分類結(jié)果Fig. 5　Classification results

圖6　原始影像與分類結(jié)果對(duì)比Fig. 6　Comparison between raw image and classification result

為了評(píng)估本次研究的分類結(jié)果，用eCognition Developer軟件上的Error Matrix based on Samples進(jìn)行了精度評(píng)價(jià)，評(píng)價(jià)結(jié)果如表2示。

評(píng)價(jià)結(jié)果顯示，總體分類精度為0.875，Kappa系數(shù)為0.846，總體分類質(zhì)量較好。混淆矩陣中，坑塘的總樣本數(shù)為35個(gè)，正確樣本為33個(gè)，錯(cuò)分樣本為2個(gè)，錯(cuò)分的地類為農(nóng)田；苗木的樣本總數(shù)為15個(gè)，正確樣本有13個(gè)，錯(cuò)分樣本有2個(gè)，分別為農(nóng)田和建筑物。

至于單一類別精度，坑塘的生產(chǎn)精度為0.942 9，用戶精度為1，條件Kappa系數(shù)為0.925 9，分類精度很高。而苗木的生產(chǎn)精度為0.866 7，用戶精度為0.928 6，條件Kappa系數(shù)為0.852 3，分類質(zhì)量較好?？犹磷鳛樗w，其光譜特征與植被以及建筑物差異明顯，且大多數(shù)坑塘形狀規(guī)整，這使得其很容易與河流區(qū)分開。然而部分坑塘表面被綠藻等微生物覆蓋，還有的坑塘未蓄水，導(dǎo)致紋理、光譜信息等與正?？犹敛煌?，故而有小部分錯(cuò)分為農(nóng)田。苗木地雖然在光譜和形狀上與作物差異較小，但其在紋理特征上有明顯的差異，因此通過面向?qū)ο蟮倪b感分類方法來區(qū)分苗木地也取得了滿意的精度。

3.2嘉善縣永久基本農(nóng)田非糧化程度分析(圖7)統(tǒng)計(jì)分類結(jié)果表明，至2015年，嘉善縣永久基本農(nóng)田內(nèi)的非糧化面積為2 175.06 hm2，占永久基本農(nóng)田總面積的8.15%，其中用作苗木種植的有71.42 hm2，用作坑塘養(yǎng)殖的有2103.64 hm2。

從圖7可以看出，用作坑塘養(yǎng)殖和苗木種植的非糧化區(qū)域主要分布在嘉善縣北部，其中毗鄰上海的東北部分布尤為集中。而縣域內(nèi)部與南部地區(qū)坑塘、苗木分布稀疏。由此可以推測，永久基本農(nóng)田“非糧化”現(xiàn)象與當(dāng)?shù)氐乩砦恢?、?jīng)濟(jì)發(fā)展水平密切相關(guān)。經(jīng)濟(jì)越發(fā)達(dá)，或是地理位置越靠近經(jīng)濟(jì)發(fā)達(dá)區(qū)的地方，永久基本農(nóng)田“非糧化”趨勢越顯著。

表2　面向?qū)ο蠓诸惥仍u(píng)價(jià)統(tǒng)計(jì)

4　結(jié)論與建議

針對(duì)新型國產(chǎn)衛(wèi)星平臺(tái)GF-1號(hào)衛(wèi)星數(shù)據(jù)的特點(diǎn)，研究了基于GF-1號(hào)衛(wèi)星2m/8m PMS傳感器衛(wèi)星數(shù)據(jù)的永久基本農(nóng)田非糧化遙感監(jiān)測方法，試驗(yàn)結(jié)果如下。

(1)GF-1 號(hào) 2 m/8 m PMS 傳感器衛(wèi)星數(shù)據(jù)結(jié)合面向?qū)ο蟮倪b感分類技術(shù)，可以快速提取永久基本農(nóng)田“非糧化”的面積和分布，其精度可以滿足永久基本農(nóng)田“非糧化”監(jiān)測的要求。

(2)根據(jù)永久基本農(nóng)田“非糧化”后地類與傳統(tǒng)水稻田在光譜特征、形狀特征和紋理特征上的差異，采用多尺度分割和分層分類的方法體系，可以有效地減少運(yùn)算量并保證圖斑的完整性。

(3)目前嘉善縣永久基本農(nóng)田“非糧化”比例為8.15%，其中主要用做挖塘養(yǎng)魚，雖然目前土地流轉(zhuǎn)“非糧化”現(xiàn)象尚未引起重大影響，但已初露端倪，應(yīng)當(dāng)引起重視。

在市場經(jīng)濟(jì)條件下，經(jīng)濟(jì)利益最大化是社會(huì)經(jīng)濟(jì)發(fā)展的基本動(dòng)力。因此在種糧比較經(jīng)濟(jì)效益低的前提下，農(nóng)村土地流轉(zhuǎn)“非糧化”成為一個(gè)必然趨勢。在“非糧化”問題初露端倪，尚未產(chǎn)生重大影響的情況下，引導(dǎo)農(nóng)村土地向“非糧化”生產(chǎn)適度流轉(zhuǎn)，已迫在眉睫[6]。對(duì)此，提出如下建議：

首先，應(yīng)該進(jìn)一步提高糧食收購最低價(jià)格，完善種糧補(bǔ)貼政策，提高糧食直接生產(chǎn)者的積極性。鼓勵(lì)規(guī)?；N糧，按照種糧規(guī)模化程度進(jìn)行分級(jí)別獎(jiǎng)勵(lì)和補(bǔ)貼[1]，同時(shí)要確?；蒉r(nóng)政策直接兌現(xiàn)到種糧農(nóng)民手中[7]，切實(shí)發(fā)揮糧食直補(bǔ)政策對(duì)糧食生產(chǎn)的宏觀調(diào)控效應(yīng)。國家可以為其提供不同級(jí)別的信貸支持，用一系列惠民政策為大規(guī)模種糧者的風(fēng)險(xiǎn)經(jīng)營保駕護(hù)航。

圖7　嘉善縣永久基本農(nóng)田非糧化區(qū)域分布Fig. 7　Distribution of non-grain zones of permanent basic farmland in Jiashan County

其次，要建立土地用途審批和監(jiān)管體系，明確國土資源和農(nóng)業(yè)行政部門對(duì)農(nóng)村土地監(jiān)管的分工職責(zé)，加大對(duì)永久基

本農(nóng)田“非糧化”行為的監(jiān)管、查處力度。建立永久基本農(nóng)田“非糧化”使用目錄，細(xì)化耕地利用類型，對(duì)土地流轉(zhuǎn)的農(nóng)業(yè)用途進(jìn)行明確分類。

最后，要穩(wěn)定種糧面積比例，需要建立糧食生產(chǎn)區(qū)劃，優(yōu)化糧食生產(chǎn)布局。建立糧食生產(chǎn)總體規(guī)劃，確定省級(jí)總的糧食安全生產(chǎn)戰(zhàn)略目標(biāo)，然后以市縣為單位確立糧食產(chǎn)量底線，為各地確保在實(shí)現(xiàn)糧食安全生產(chǎn)的前提下合理調(diào)整農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)提供政策依據(jù)，優(yōu)化政策環(huán)境，為各地大力推進(jìn)特色優(yōu)勢農(nóng)產(chǎn)品生產(chǎn)提供前提[5]。

[1] 易小燕,陳印軍，王勇，等.耕地流轉(zhuǎn)中的非糧化問題研究[N].農(nóng)民日?qǐng)?bào),2012-02-14.

[2] 劉書含,顧行發(fā),余濤，等.高分一號(hào)多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J].測繪科學(xué)，2014,39(12):91-94.

[3] 馬洋洋,張彩霞，張繼超，等.輔以NDVI/DEM的面向?qū)ο竽臼硖崛》椒ㄑ芯浚阂詮V西壯族自治區(qū)武鳴縣為例[J].地理與地理信息科學(xué),2015(1)：49-53.

[4] 鄧媛媛，巫兆聰，易俐娜，等.面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J].國土資源遙感，2010(4)：117-121.

[5] 吳健生,劉建政,黃秀蘭，等.基于面向?qū)ο蠓诸惖耐恋卣韰^(qū)農(nóng)田灌排系統(tǒng)自動(dòng)化識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2012,28(8):25-31

[6] 王衛(wèi)紅,何敏.面向?qū)ο笸恋乩眯畔⑻崛〉亩喑叨确指頪J].測繪科學(xué)， 2011(4):160-161.

[7] 朱姍.農(nóng)村土地非糧化非農(nóng)化趨勢分析[J].農(nóng)村經(jīng)營管理，2013(1):24-26.

Application of GF-1 Satellite Data on Monitoring Non-grain Phenomenon in Permanent Basic Farmland

AO Wei-jiu, GUAN Tao, WANG Jian-feng et al

(1. Land Resources Survey Office of Zhejiang Province, Hangzhou, Zhejiang 310007; 2. Institute of Remote Sensing and Information Technology, Zhejiang University, Hangzhou, Zhejiang 310058)

With Jiashan County in Zhejiang Province as the research region, GF-1 image data were applied. Object-oriented classification method was used to extract the non-grain zones in permanent basic farmland, such as ponds and nursery trees. The overall classification accuracy was 0.846; and Kappa coefficient was 0.875. Results showed that high resolution domestically-produced satellite images could rapidly and accurately detect and estimate the non-grain area and distribution of permanent basic farmlands, which provided rapid monitoring and estimation of non-grain degree of permanent basic farmlands, and offered reliable references for rational management and guidance of farmland use.

Permanent basic farmland; Non-grain phenomenon; GF-1; Object-oriented classification

國土資源部公益項(xiàng)目(20141119)。

敖為赳(1983- )，男，江西萍鄉(xiāng)人，工程師，碩士，從事國土資源遙感應(yīng)用、信息化研究。

2016-05-18

S 127

A

0517-6611(2016)18-250-06