馬引弟，吳 靜，李純斌，李曉杰

（1.甘肅農(nóng)業(yè)大學 管理學院，甘肅蘭州 730070；2.甘肅農(nóng)業(yè)大學 資源與環(huán)境學院，甘肅蘭州 730070）

一、引言

隨著城鄉(xiāng)一體化和社會經(jīng)濟轉型的快速推進，在農(nóng)業(yè)生產(chǎn)效益低下與農(nóng)村勞動力向外轉移等多重因素的影響下，農(nóng)村撂荒耕地面積逐年增加，在我國經(jīng)濟欠發(fā)達地區(qū)尤其是丘陵和山區(qū)最為明顯[1]。我國人多地少，耕地撂荒危及糧食安全和當?shù)厣鷳B(tài)環(huán)境。當前撂荒地的提取多基于MODIS、Landsat、SPOT、高分一號、TM/ETM+等數(shù)據(jù)[2-8]，但這些影像數(shù)據(jù)時空分辨率或光譜分辨率較低，對地形復雜區(qū)域的地類提取有一定的干擾。歐空局于2015 年發(fā)射Sentinel-2A 衛(wèi)星以及2017 年發(fā)射的Sentinel-2B衛(wèi)星遙感空間分辨率達10 m，且增加了4 個與葉綠素含量密切相關的紅邊波段，現(xiàn)已運用于作物識別[9]、地物類型的劃分[10-11]等各方面研究，對于地形復雜區(qū)域的地類劃分有著重要的作用，如張衛(wèi)春等（2019）[12]在研究低山丘陵區(qū)土地利用分類時，加入Sentinel-2 數(shù)據(jù)紅邊波段的相關指數(shù)特征，有效地提高了低山丘陵區(qū)土地利用的分類精度。

甘肅省天水市八里灣鎮(zhèn)地形復雜，地塊破碎，土地利用分散，混合像元較多，對地物信息精準提取造成很大干擾，利用隨機森林算法對八里灣鎮(zhèn)的Sentinel-2 高分辨率遙感衛(wèi)星數(shù)據(jù)進行土地利用分類，利用混淆矩陣檢驗分類結果精度，并依據(jù)耕地撂荒判別規(guī)則，提取耕地撂荒信息。

二、研究區(qū)概況

八里灣鎮(zhèn)位于甘肅省天水市甘谷縣渭北的淺山區(qū)，其所處位置如圖1 所示。從地形上看，地形崎嶇，地塊破碎，以山地為主，平均海拔1 820 m，西南部坡度較大，總耕地面積50.80 km2，以旱地為主，平均降水量440 mm，年平均氣溫7.8 度，全年無霜期158 天，當?shù)刂饕魑镉杏衩?、冬小麥、洋芋等，作物一年一熟，冬小麥生長周期從當年9 月份種植，來年7 月收割，而玉米和洋芋在3 月份種植，當年8月底開始收割。

圖1 八里灣鎮(zhèn)位置圖

三、數(shù)據(jù)來源與方法

（一）數(shù)據(jù)來源

Sentinel-2 數(shù)據(jù)（https：//scihub.copernicus.eu/dhus/#/home）：同一組包含了AB 兩顆星，Sentinel-2A 發(fā)射于2015 年6 月23 日，Sentinel-2B 衛(wèi)星發(fā)射于2017年3 月7 日，Sentinel-2 數(shù)據(jù)空間分辨率為10 m。本文選擇2017-06-06 和2018-06-11 的Sentinel-2A以及2019-06-01 的Sentinel-2B 影像數(shù)據(jù)，三期影像集中在6 月份，此時，主要農(nóng)作物冬小麥進入乳熟階段，玉米開始出穗，洋芋的葉子生長茂盛，與混雜植被覆蓋的差異較大，容易區(qū)；采用30 m 分辨率的DEM 數(shù)據(jù)，來源于地理空間數(shù)據(jù)云（http：//www.gscloud.cn/）；在提取采樣點時，參考了來自于全能電子地圖下載器的Google Earth 影像數(shù)據(jù)，地圖級別越高分辨率越高，在這里采用了18 級，分辨率為0.6 m的Google Earth 影像。

（二）數(shù)據(jù)預處理

本文調用歐空局提供的Sen2cor 中的L2A_Process及L2B_Process 進行大氣校正，并保留10 m 分辨率的波段，使用snap 軟件對數(shù)據(jù)進行重采樣成hdr 格式，并裁剪出研究區(qū)范圍，計算提取NDVI、RENDVI、S2REP 三個指數(shù)特征；將DEM 數(shù)據(jù)重采樣為10 m，計算坡度；將原影像的紅波段、綠波段、藍波段、近紅波段、NDVI、RENDVI、S2REP、DEM、坡度組合為9 個波段的待分類影像。

土地利用分類是研究土地利用變化的基礎，根據(jù)研究區(qū)實際情況結合《土地利用現(xiàn)狀分類》（GB/T 21010—2017）將研究區(qū)內的土地利用狀況分為旱地、林地、草地、水域、裸地以及建設用地六類，結合八里灣鎮(zhèn)Google Earth 影像數(shù)據(jù)和實地調查數(shù)據(jù)提取采樣點以及驗證樣本點共195 個點，約70%的樣點作為分類樣本點，30%的樣點作為驗證樣本點。研究區(qū)內水域少且集中分布，因此水域采樣點較少且密集分布。

（三）隨機森林算法分類

隨機森林算法是2001 年由美國科學院院士Leo Breiman（2001）[13]綜合他提出的Bagging 集成、CART決策樹以及特征隨機選取思想而提出的機器學習算法，該算法的基本思想是利用bootstrap 重抽樣方法從原始樣本中抽取多個樣本，對每個bootstrap 樣本進行決策樹建模，然后將這些決策樹組合在一起，通過投票得出最終分類或預測的結果。建立步驟如下：在原始樣本中，隨機且有放回地抽取N 個訓練樣本，訓練集的大小約為原始數(shù)據(jù)的2/3；測試數(shù)據(jù)集的樣本約為原始數(shù)據(jù)的1/3。

基于抽取的訓練樣本集分別建立N 棵CART決策樹組成隨機森林，在每棵樹生長過程中，從M 個特征變量中隨機抽取m 個（m≤M）進行內部節(jié)點的劃分，m 個特征組成的子集被稱為特征的隨機子空間。

最后組合N 棵決策樹的預測結果，利用投票的方式確定新樣本的類別。

通常情況下，樹的個數(shù)（N）設為100，單棵樹的最大特征數(shù)目（m）為總特征數(shù)個數(shù)的平方根[14-15]。

（四）耕地撂荒的提取規(guī)則

1.耕地撂荒的定義。在前人的研究里，一般結合研究區(qū)實際情況與耕作制度來確定撂荒，在不同地區(qū)有把耕地閑置一年以上定義為撂荒[6-7]，有把耕地荒蕪一季或一季以上的視為撂荒[16-17]。八里灣鎮(zhèn)受季風影響，降水分布極不均勻，主要農(nóng)作物一年一熟，當?shù)匾荒暌淮握{整作物或是對耕地進行休耕，兩年及兩年以上則是放棄耕種，據(jù)此本文將耕地撂荒定義為：耕地閑置或荒蕪兩年以上（包括兩年）為耕地撂荒，而耕地閑置或荒蕪一年為耕地休耕。

2.耕地撂荒的提取規(guī)則。八里灣鎮(zhèn)位于山區(qū)，土地破碎嚴重，撂荒地在影像上難以直接分辨，因此通過建立撂荒判別規(guī)則，以耕地向其他地類的轉變判斷撂荒狀況。根據(jù)實際調查情況，在研究區(qū)內，耕地荒蕪以后可能演變?yōu)槁愕?、草地兩種類型。根據(jù)以上定義及研究區(qū)耕地撂荒演變狀況，對撂荒地的判別規(guī)則如下：在第2017 年有耕地斑塊A、B、C、D，在2018 年A、B 斑塊轉變?yōu)槁愕鼗虿莸?，C、D 斑塊依舊為耕地；2019 年A 斑塊恢復耕種為耕地、B 斑塊依舊為裸地或草地、C 斑塊依舊耕種、D 斑塊轉變?yōu)槁愕鼗虿莸?。在演變的過程中B 斑塊連續(xù)兩年為裸地或草地狀態(tài)，則判斷其為耕地撂荒，而A、D 斑塊有一年變?yōu)槁愕鼗虿莸貭顟B(tài)，則將其視為休耕且D 斑塊存在潛在撂荒，如表1 所示。

表1 耕地撂荒判斷規(guī)則

耕地撂荒通常用耕地的撂荒率定量化表達，即每年的撂荒面積占本底耕地面積的比例。具體表達式如下：

式中：Pi表示撂荒率；Ai表示第i 年的耕地撂荒面積；A0表示本底耕地面積。

四、結果與分析

遙感影像分類結果利用混淆矩陣進行精度評價，確定分類的精度和可靠性，評價精度的因子有總體分類精度、Kappa 系數(shù)等。2017—2019 年隨機森林分類結果的分類精度依次為87%、76%、86%，Kappa 系數(shù)依次為0.85、0.71、0.83?？梢钥闯?，分類精度均在75%～90%之間，2018 年分類結果精度低于2017 年和2019 年的分類結果精度，由于2018 年局部的小塊云覆蓋影響了分類。

利用隨機森林算法得到的土地利用分類結果，得到2017 年的耕地數(shù)據(jù)作為本耕地數(shù)據(jù)，使用撂荒地的判斷規(guī)則提取了2017—2019 年耕地撂荒空間分布圖，2017—2018 年以及2018—2019 年的休耕空間分布圖（圖2a、圖2b、圖2c、圖2d）。

圖2 休耕以及耕地撂荒分布圖

從圖2 可以看出，耕地休耕每年都存在且不能確定休耕具體位置以及面積大小，分布面積較大，較廣較均勻，計算得到2017—2018 年休耕面積為11.374 5 km2，2018—2019 年休耕面積為6.736 4 km2，2018—2019 年休耕面積少于2017—2018 年休耕面積，說明上一年沒有耕種的耕地下一年開始耕種，或者一年內輪換作物，在遙感影像上呈現(xiàn)出裸地或草地狀態(tài)。

以2017 年土地利用分類的耕地為本底耕地數(shù)據(jù)，與2018 年、2019 年草地和裸地相交得到了2017—2019 年撂荒數(shù)據(jù)，計算得到撂荒面積為3.964 1 km2，從撂荒分布圖可以看出撂荒集中在西南部，東北部撂荒較少。

影響山區(qū)地形的重要因素之一是坡度，按照1984 年中國農(nóng)業(yè)區(qū)劃委員會頒發(fā)《土地利用現(xiàn)狀調查技術規(guī)程》對耕地坡度分為≤2°、2°～6°、6°～15°、≥15°四個級別，將耕地撂荒信息落在坡度圖上，如圖3（d）所示，可以更明顯地看出在坡度大于15° 的西南部耕地撂荒更多，由此可見，坡度越大，撂荒概率越高。

五、結論與討論

（一）結論

本文基于2017—2019 年甘肅省天水市甘谷縣八里灣鄉(xiāng)的Sentinel-2 數(shù)據(jù)，利用隨機森林算法分類，根據(jù)建立的耕地撂荒提取規(guī)則提取2017—2019年的休耕、撂荒范圍，制作休耕以及撂荒分布圖，得到以下結論：（1）采用隨機森林算法分類對2017—2019 年影像進行分類，其分類精度均在0.7～0.9 之間，可以將分類結果運用于耕地撂荒的判別。（2）通過計算，2017—2018 年休耕面積為11.374 5 km2，2018—2019 年休耕面積為6.736 4 km2，2017—2019年撂荒面積為3.964 1 km2，得到撂荒率為7.8%，可以看出甘谷縣八里灣鎮(zhèn)的休耕現(xiàn)象比較普遍，耕地撂荒現(xiàn)象是比較嚴重的。（3）結合坡度來看，撂荒主要分布在坡度大于15° 的西南部，則說明坡度越大，越不適宜于耕種。

（二）討論

本文中利用新的Sentinel-2 遙感影像數(shù)據(jù)，分辨率為10 m，比之以往的Landsat 等數(shù)據(jù)，有更高的準確性，但Sentinel-2 遙感影像數(shù)據(jù)時間較短，無法從長時間分析當?shù)馗亓袒那闆r；在土地利用分類圖時，結合了紅波段、綠波段、藍波段、近紅波段、NDVI、RENDVI、S2REP、DEM、坡度9 個因子，是否可以結合更多遙感影像波段組合的特征指數(shù)，更準確地執(zhí)行土地利用分類；在實地調查時農(nóng)村老人兒童留守人口居多，對過去的事不清楚或者回憶不起來，驗證數(shù)據(jù)存在一定的誤差，且實地調查需要花費大量的時間和資金。