張昊， 高小紅,4， 史飛飛， 李潤祥

(1.青海師范大學地理科學學院，西寧 810008； 2.青藏高原地表過程與生態(tài)保育教育部重點實驗室，西寧 810008； 3.青海省自然地理與環(huán)境過程重點實驗室，西寧 810008； 4.高原科學與可持續(xù)發(fā)展研究院，西寧 810008)

0 引言

隨著近幾十年中國城市化進程的不斷加快，農(nóng)業(yè)發(fā)展也進入新階段，環(huán)境和社會等多方因素導(dǎo)致耕地開始出現(xiàn)撂荒現(xiàn)象[1]。我國耕地撂荒地分布廣泛，其中山地、丘陵地區(qū)較為常見[2]，這些區(qū)域地形起伏大、坡耕地多、耕種效率低下，土地撂荒現(xiàn)象明顯。青海省民和回族土族自治縣(以下簡稱民和縣)地處黃土高原向青藏高原過渡帶，同時也是黃土高原西部的組成部分之一，其地形地貌與黃土高原東部及其腹地具有一定的差異性。該縣屬于青海東部農(nóng)業(yè)區(qū)，據(jù)調(diào)查，民和縣耕地主要以坡耕地為主，土壤貧瘠，降水量少，加之灌溉設(shè)施差且地形使機械化農(nóng)業(yè)難以實現(xiàn)，因此耕種效率低下。根據(jù)青海省2018—2020年統(tǒng)計年鑒，2017—2019年民和縣遷出人口比遷入人口多了5 885人，勞動力流失現(xiàn)象較為嚴重，導(dǎo)致部分耕地無人耕種成為撂荒地。因此開展撂荒地調(diào)查對掌握耕地面積、保護耕地和維護生態(tài)用地非常重要。

以往基于單季相影像的土地覆被分類研究因信息量少，導(dǎo)致分類精度較低。研究表明考慮植被和作物物候的多季相影像數(shù)據(jù)的使用能夠有效提高土地覆被分類精度[3-6]。Landsat系列衛(wèi)星由于其具有長時間序列的存檔影像且可免費獲取等優(yōu)點，近年來多用于撂荒地的提取研究。肖國峰等[7]基于Landsat和HJ-1A時序數(shù)據(jù)，利用決策樹方法研究了山東省慶云縣和無棣縣1992—2017年撂荒地面積的變化，為其他地區(qū)撂荒耕地識別提供了參考； Wu等[8]以廣東興寧縣為例，使用2017—2018年生長期和種植期的Landsat8 OLI影像，輔以2017年土地利用數(shù)據(jù)，結(jié)合改進的歸一化差值水體指數(shù)(modified normalized difference water index, MNDWI)、歸一化差值裸地與建筑用地指數(shù) (normalized difference bareness and built-up index, NDBBI)、歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)3種指數(shù),運用決策樹方法提取撂荒地，較好地獲得了撂荒地的面積和空間分布。

相比Landsat衛(wèi)星數(shù)據(jù)重訪周期長、空間分辨率較低、光譜波段少的缺點，Sentinel-2衛(wèi)星具有光譜波段多(13個多光譜波段)、空間分辨率更高(全色10 m、多光譜20 m)以及雙星同步工作模式等優(yōu)勢。Sentinel-2包括2A和2B共2顆衛(wèi)星，一顆衛(wèi)星的重訪周期為10 d，2顆互補重訪周期為5 d[9]，因此利用Sentinel-2數(shù)據(jù)可以更好地獲取完整的高分辨率多季相影像。楊通等[10]利用多源遙感數(shù)據(jù)結(jié)合聯(lián)合變化檢測對和林格爾地區(qū)2014—2017年的撂荒地進行提取，表明基于GF-1，GF-2，ZY-3和Sentinel-2A數(shù)據(jù)可以有效提取撂荒地； He等[11]使用Sentinel-2數(shù)據(jù)和MODIS數(shù)據(jù)，通過集成線性拉伸、最大值合成和靈活的時空數(shù)據(jù)融合方法建立了四川大英縣2020年逐月時空數(shù)據(jù)集，借助支持向量機方法(support vector machines,SVM)提取撂荒地，總體準確率達到了88.1%； 王紅巖等[12]基于2017—2018年Sentinel-2A多季相數(shù)據(jù)，將作物的NDVI特征與第二次土地利用調(diào)查數(shù)據(jù)相結(jié)合，利用決策樹方法提取了貴州修文縣的撂荒地面積； 馬引弟等[13]基于Sentinel-2影像結(jié)合隨機森林算法(random forest,RF)獲取了甘肅天水市2017—2019年3 a間的土地覆被分類數(shù)據(jù)，在此基礎(chǔ)上利用決策樹(decision tree,DT)獲取了撂荒地。這些研究均表明Sentinel-2數(shù)據(jù)可以準確有效地提取撂荒地。

在地形起伏大的山地區(qū)域，由于云污染現(xiàn)象嚴重，單靠多光譜數(shù)據(jù)難以準確對土地覆被進行分類。Sentinel-1 SAR數(shù)據(jù)則可以提供各種天氣、時間的影像，為山區(qū)土地覆被分類提供了數(shù)據(jù)支持。將Sentinel-1 SAR(synthetic aperture Radar)數(shù)據(jù)與Sentinel-2 MSI(multi-spectral instrument)相結(jié)合可幫助提高多云量地區(qū)土地覆被分類的整體精度[14]。RF算法具有較強的魯棒性和較高的隨機性，相比于其他常用的分類器已被證明精度更高[15]，可以有效提高復(fù)雜地形區(qū)和平原地區(qū)遙感土地覆被分類精度[16-17]，近年來已被廣泛用于土地覆被分類。GEE(Google Earth Engine)是由谷歌公司研發(fā)的云計算平臺，具有多源數(shù)據(jù)源和強大的數(shù)據(jù)處理能力，它不僅可以在線利用JavaScript語言進行編程，同時也提供了Python API接口進行離線編程，近年來已成為遙感土地覆被分類的有效平臺之一[18-21]。

本研究以青海省民和縣為研究區(qū)，在GEE云平臺的支持下，基于Sentinel-2 MSI與Sentinel-1 SAR相結(jié)合的數(shù)據(jù)，將多時相與多季相相結(jié)合，RF算法與DT算法相結(jié)合，進行撂荒地提取研究，探索多季相的Sentinel數(shù)據(jù)在黃土丘陵區(qū)撂荒地提取中的有效性，并探尋民和縣撂荒地的分布狀況和分布規(guī)律，為耕地、生態(tài)用地保護提供數(shù)據(jù)支持，以期為黃土高原丘陵區(qū)農(nóng)業(yè)規(guī)劃和決策提供技術(shù)支持和參考。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

民和縣屬于青海省海東市下轄縣，地理坐標為E102°26′～103°04′，N35°45′～36°26′?？h境東西寬約32 km、南北長約96 km，總面積為1 890.82 km2。民和縣為黃土高原向青藏高原過渡地帶，90%的面積位于黃河與其一級支流湟水之間。地貌自北向南由北部祁連山系的達坂山、湟水河谷平原、中部和南部黃土丘陵、西南拉脊山余脈、南部黃河河谷平原構(gòu)成，地勢西北高，東南低，西南部多為高山。海拔最高為4 220 m，最低為1 650 m，平均海拔為2 326.65 m，如圖1所示。氣候具有顯著的高原大陸性氣候特征，年平均日照時數(shù)達2 458.2 h，年平均氣溫為 8.3℃，年降水量約350～400 mm，年蒸發(fā)量為1 681.6 mm[22]。經(jīng)濟林有蘋果和梨等，農(nóng)作物主要為冬小麥、春小麥、春玉米和土豆等。作物的種植期和成熟期如圖2所示，表中上、中、下分別代表上旬、中旬與下旬。

圖2 民和縣主要作物類型與物候期Fig.2 Main crop types and phenological period in Minhe County

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 數(shù)據(jù)源

以GEE云平臺上獲取的空間分辨率為10 m的Sentinel-2 MSI和Sentinel-1 SAR數(shù)據(jù)為主要數(shù)據(jù)源，包括2018年、2019年和2020年3 a數(shù)據(jù)，其中Sentinel-1影像123景、Sentinel-2 L1C級影像114景、Sentinel-2 L2A級影像212景，共449景影像。高程數(shù)據(jù)也為GEE云平臺獲取的30 m航天飛機雷達地形測繪任務(wù)(the shuttle Radar topography mission，SRTM)數(shù)據(jù)。民和縣行政邊界來自于最新的全國 1∶400萬比例尺縣矢量邊界數(shù)據(jù)。

1.2.2 數(shù)據(jù)預(yù)處理

本研究的數(shù)據(jù)預(yù)處理全部基于GEE云平臺完成，研究區(qū)云量較多，云污染嚴重，利用傳統(tǒng)的單景影像很難獲得無云的高質(zhì)量區(qū)域影像，基于GEE提供的中值合成算法，利用一個時間段內(nèi)的像元中值對一些去云后的空缺部分進行填補，可得到較好質(zhì)量的影像。

Sentinel-1數(shù)據(jù)的預(yù)處理是利用GEE云平臺自帶的極化處理函數(shù)對原始影像進行雙極化處理，分成了VV和VH這2個極化分量，后運用中值合成算法進行處理并用研究區(qū)范圍進行裁切，得到物候期的最佳Sentinel-1影像。將30 m空間分辨率的DEM重采樣成與Sentinel-2影像相同的空間分辨率(10 m)，并利用研究區(qū)范圍進行裁切，得到所需的高程數(shù)據(jù)。

GEE云平臺上提供的Sentinel影像分為了L1C級和L2A級影像，L2A級影像是經(jīng)過了大氣校正的影像，而L1C級影像僅進行了正射校正，本研究可獲取的L2A級影像僅為2019和2020年，2018年影像是L1C級產(chǎn)品，Hu等[23]利用L1C級影像進行分類實驗，并取得了較佳的成果，但為保證影像的一致性，因此需要對Sentinel-2 L1C級影像進行大氣校正。6S大氣校正方法是一種大氣傳輸模型，采用近似和逐次散射SOS算法來計算散射和吸收。Ion等[24]將Sentinel-2大氣校正的4種方法(SEN2COR，MAJA，6S和iCOR)進行對比，發(fā)現(xiàn)4種校正方法效果幾乎一致，但6S大氣校正可以利用Python很好地完成，故本研究利用6S模型進行影像大氣校正?；?S模型將L1C級影像處理為L2A級影像，后對所有L2級影像進行去云算法和中值合成算法，并利用研究區(qū)范圍進行裁切得到物候期最佳Sentinel-2影像。本研究中所采用的Sentinel-1和Sentinel-2影像景數(shù)如表1所示。

表1 民和縣2018—2020年Sentinel-1/2衛(wèi)星影像Tab.1 Sentinel-1/2 satellite image of Minhe County from 2018 to 2020 (景)

1.3 分類系統(tǒng)與樣本數(shù)據(jù)選取

本研究區(qū)土地覆被分類系統(tǒng)主要根據(jù)《全國遙感監(jiān)測土地利用/覆蓋分類體系》并結(jié)合研究區(qū)實際情況，將研究區(qū)分成了耕地、林地、草地、水域、城鄉(xiāng)工礦居民建設(shè)用地和未利用土地等6個一級大類，其中水域又分成3個2級類，即河渠、水庫坑塘和河灘地。樣本的選擇利用 Google Earth 影像和2020年實地調(diào)查結(jié)果作為參考，3 a間共選擇了訓練樣本與驗證樣本20 786個，其中2018年樣本點6 856個、2019年樣本點6 789個、2020年樣本點7 141個，具體見表2。

表2 地物類型樣本點Tab.2 Feature type sample points (個)

2 研究方法

本研究的研究思路和技術(shù)流程如圖3所示： ①根據(jù)研究區(qū)農(nóng)作物的物候特征并基于GEE云平臺獲取多時相、多季相Sentinel-1和Sentinel-2影像并進行預(yù)處理； ②調(diào)用GEE影像庫獲取高程數(shù)據(jù)，重采樣后進行坡度和坡向的計算，結(jié)合步驟①構(gòu)建預(yù)處理后影像數(shù)據(jù)庫利用研究區(qū)范圍進行裁切處理； ③基于Sentinel-2影像分別計算增強型植被指數(shù)(enhanced vegetation index，EVI)、比值居民地指數(shù) (ratio resident-area index，RRI)、MNDWI指數(shù)和第一主成分，再根據(jù)第一主成分進行灰度共生矩陣計算獲取紋理特征，利用纓帽變換矩陣函數(shù)計算亮度指數(shù)、濕度指數(shù)和綠度指數(shù)3個分量； ④結(jié)合步驟①—③的處理結(jié)果，構(gòu)建原始特征，對所有年份特征進行特征優(yōu)化選擇，選取重要性最高的11個特征作為分類特征； ⑤使用RF算法結(jié)合優(yōu)化后的特征對影像進行分類以及精度評價； ⑥依據(jù)撂荒地判斷規(guī)則，構(gòu)建決策樹進行撂荒地的提取，并對提取結(jié)果進行分析討論。

圖3 技術(shù)路線圖Fig.3 Technology roadmap

2.1 RF算法原理

RF是2001年由Leo 將Bagging集成學習理論與隨機子空間方法相結(jié)合，提出的一種機器學習算法。該算法是一個以決策樹為基分類器的集成學習模型，它是利用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，然后組合多棵決策樹的預(yù)測，通過投票得出最終預(yù)測結(jié)果。具有很高的預(yù)測準確率，對異常值和噪聲具有很好的容忍度，且不容易出現(xiàn)過擬合現(xiàn)象[25]。

2.2 特征構(gòu)建

2.2.1 光譜特征

本研究使用的光譜特征是來自Sentinel-2A/B影像的光譜波段以及其構(gòu)建的光譜指數(shù)。光譜波段使用B2，B3，B4，B8，B11，B12這6個波段，光譜指數(shù)包括RRI[26]，EVI[27]及MNDWI[28]，采用GEE函數(shù)計算。它們的模型表達式分別為：

RRI=ρblue/ρnir，

(1)

EVI=2.5(ρnir-ρred)/(ρnir+6ρred-7.5ρblue+1) ，

(2)

MNDWI=(ρgreen-ρswir1)/(ρgreen+ρswir1) ，

(3)

式中ρblue，ρgreen，ρred，ρnir，ρswir1分別為影像藍光、綠光、紅光、近紅外和短波紅外波段反射率值。

2.2.2 紋理特征

紋理特征是遙感分類過程當中一個重要的分類特征，一些高海拔山區(qū)，地勢崎嶇，地形破碎，使用紋理特征可以提高對山區(qū)特定類別的分離[29]。紋理特征的計算是基于灰度共生矩陣(gray-level co-occurrence matrix, GLCM)[30]的統(tǒng)計方法進行的，計算數(shù)據(jù)為原始影像進行主成分分析后選取分析結(jié)果中的第一主成分。GEE計算后的灰度共生矩陣結(jié)果有29個紋理特征統(tǒng)計量，本研究選取最常用且具有代表性的角二階矩(pc1_asm)、熵(pc1_ent)、對比度(pc1_contrast)、逆差矩(pc1_idm)、相關(guān)性(pc1_corr)等5個統(tǒng)計量。

2.2.3 纓帽變換

纓帽變換即坎斯-托馬斯變換(Kauth-Thomas transformation, KT)。纓帽變換是多光譜波段的一種線性變換，不同的傳感器纓帽變換的轉(zhuǎn)換系數(shù)是不同的，利用纓帽變換能消除多光譜圖像的相對光譜響應(yīng)相關(guān)性[31]。其中基于纓帽變換得到的主要特征分量為亮度指數(shù)、綠度指數(shù)和濕度指數(shù)。本研究基于Sentinel-2A/B常用的6個波段( B2，B3，B4，B8，B11，B12) 和Sentinel變換矩陣系數(shù)(表3)，通過式(4)進行變換，即

表3 Sentinel-2A/B纓帽變換矩陣系數(shù)Tab.3 Matrix coefficients of tassel cap transformation from Sentinel-2A/B

Y=Cx+a，

(4)

式中：Y為變換后多光譜的空間像元矢量；x為變換前多光譜的空間像元矢量；C為變換矩陣；a為避免出現(xiàn)負值所加的常數(shù)。

2.2.4 極化特征

民和縣所在區(qū)域天氣多云，Sentinel-1 SAR具有穿透云層獲取影像的優(yōu)勢，因此本研究在前人研究使用Sentienl-2數(shù)據(jù)的基礎(chǔ)上，加入了Sentinel-1數(shù)據(jù)的極化特征輔助分類。在Sentinel-1數(shù)據(jù)極化處理后將VV和VH這2個極化特征加入原始特征的構(gòu)建。

2.2.5 地形特征

民和縣海拔較高，地形相對高程差異大，耕地大多為坡耕地，利用地形特征可以有效提高分類的精度。GEE中的SRTM高程數(shù)據(jù)具有高度和坡度2種特征，基于預(yù)處理后的高程數(shù)據(jù)，利用GEE自帶的函數(shù)計算坡向后，將高度、坡度和坡向3種地形特征作為特征變量參與分類。

2.3 基于RF方法的多季相土地覆被分類

分類之前，利用隨機函數(shù)隨機選擇約70%的樣點作為訓練樣本，30%的樣點作為驗證樣本。以前面確定的土地覆被分類系統(tǒng)為依據(jù)，分類時調(diào)用GEE自帶的RF函數(shù)，對研究區(qū)土地覆被進行分類。

2.3.1 特征優(yōu)化

本研究選取了5種類型特征變量參與分類，但并不是所有特征對于分類的重要性都相等的，如果所選特征變量全部參與分類，那么每年的特征變量將會高達45個之多，造成數(shù)據(jù)的冗余，加大分類器負擔，降低分類精度。所以進行特征優(yōu)化選擇是有必要的。

本研究采用的特征優(yōu)化方法是基于特征的組合評估法和GEE云平臺自帶的重要性分析法的綜合優(yōu)化方法。特征組合優(yōu)化法是將5種類型特征隨機組合，選取分類精度最高的一組，作為最優(yōu)的特征組合方法加入?yún)⑴c分類。以2018年為例，將不同組合的特征加入RF分類器中，計算Kappa系數(shù)和總體分類精度，見表4。GEE云平臺在將特征加入RF分類器后，會計算每個特征在RF中的每顆樹上的平均貢獻度，本研究基于表4結(jié)果，發(fā)現(xiàn)在特征組合分析法中選取光譜、地形、纓帽和極化特征加入分類，精度是最高的。后將最優(yōu)特征組合里的所有特征進行重要性比對，逐年選取重要性最高的11個特征作為特征優(yōu)化結(jié)果參與分類(表5)。

表4 不同特征組合下Kappa系數(shù)和總體分類精度Tab.4 Kappa coefficient and overall classification accuracies under different feature combinations

表5 2018年、2019年、2020年特征優(yōu)化選擇結(jié)果Tab.5 Results of feature optimization selection in 2018, 2019 and 2020

2.3.2 精度評價

采用基于GEE 云平臺的混淆矩陣精度評價系統(tǒng)對RF的分類結(jié)果結(jié)合野外實地采樣數(shù)據(jù)進行精度評價，具體評價指標為總體精度和Kappa系數(shù)。在每一年的精度計算結(jié)果后，進行檢驗并結(jié)合實地采樣點和Google Earth影像進行比對修改，直到精度達到較為滿意，分類結(jié)果和實地地物相符，3 a的精度評估結(jié)果見表6。

表6 Kappa系數(shù)和總體精度Tab.6 Kappa coefficient and overall accuracy

由表6可以看出，每一年的Kappa系數(shù)均達到了評價標準，3 a的總體精度相近、精度較高，可以用于后續(xù)的分析。

2.4 分類后處理與撂荒地提取

耕地撂荒是指耕地閑置1 a以上而未被利用的現(xiàn)象[32]。Sentinel衛(wèi)星于2015年發(fā)射，由于研究區(qū)云量較多，僅能獲取到2018年后的Sentinel-2A數(shù)據(jù)。根據(jù)撂荒地的判斷規(guī)則，選取2018—2020年這3 a的影像進行撂荒地提取。通過每一年選取的樣本結(jié)合優(yōu)化后的特征變量分別進行3 a的土地覆被RF分類，然后對分類結(jié)果進行精度評價，在精度達到要求之后，運用ENVI軟件中的主要/次要分析對3 a的分類結(jié)果進行分類后處理，最后將3 a處理結(jié)果運用DT方法進行判斷。

撂荒地提取的時候需要先選取2018年土地利用類型為耕地的區(qū)域，然后判斷后2 a該區(qū)域的土地利用類型發(fā)生變化的部分，如果耕地撂荒，雖然土地類型發(fā)生了改變，但土地利用性質(zhì)不會發(fā)生變化，所以僅判斷土地利用類型轉(zhuǎn)化為荒草地和未利用土地的區(qū)域，根據(jù)DT判斷規(guī)則(圖4)來進行撂荒地提取。

圖4 撂荒地提取決策樹Fig.4 Abandoned land extraction decision tree

3 結(jié)果分析

3.1 撂荒地空間分布與驗證

基于初步得到的2018年、2019年、2020年3 a民和縣的土地覆被分類結(jié)果，經(jīng)過精度評估和分類后處理，得到了圖5。基于圖4根據(jù)DT方法得到民和縣撂荒地空間分布，利用野外采樣獲得的23個采樣點與無人機拍攝的照片相結(jié)合，對提取結(jié)果進行驗證，精度達到了82.6%，圖6為撂荒地空間分布、撂荒地驗證樣點及局部區(qū)域放大。

3.2 撂荒地面積統(tǒng)計與空間分布分析

利用ArcGIS軟件的統(tǒng)計功能，對撂荒地空間分布進行統(tǒng)計。經(jīng)統(tǒng)計2020年民和縣撂荒地面積為43.17 km2，占民和縣總面積的2.28%，撂荒地主要分布于民和縣的西北部和中南部地區(qū)。將民和縣高程分成5級進行統(tǒng)計，與撂荒地空間分布疊加，得到撂荒地在不同高程帶的分布面積及占比(表7)?？臻g疊加分析與統(tǒng)計表明： 民和縣撂荒地主要集中分布于海拔2 200～2 600 m之間，其中2 200～2 400 m間的撂荒地面積最多，其次為2 400～2 600 m，兩者合計面積為35.51 km2，占撂荒地面積的82.24%，而≤2 200 m和≥2 600 m的區(qū)域，撂荒地面積分別為7.07 km2和0.59 km2，占撂荒地面積的16.37%與1.39%。

表7 不同高程級別下的撂荒地面積統(tǒng)計Tab.7 Abandoned land area under different elevation series

(a) 空間分布 (b) 區(qū)域A放大 (c) 區(qū)域B放大圖6 撂荒地空間分布、驗證樣點及局部區(qū)域放大Fig.6 Spatial distribution, validation sample points and enlarged view of local areas from abandoned land

這種現(xiàn)象主要與民和縣的地形有關(guān)，民和縣主要位于湟水和黃河之間(圖1)，地勢南北低中間高，其中西部及西南部多為中高山地。2 200 m以下的區(qū)域地形較為平坦、氣候適宜、土壤肥沃，極其適合耕種，因此城鎮(zhèn)和平原旱地多分布于此，如湟水兩岸和黃河兩岸河谷區(qū)域； 2 600 m以上的區(qū)域大多為民和縣西部及西南部中高山地，屬于拉脊山余脈，高山地區(qū)氣溫低不宜耕種，耕地數(shù)量少，故撂荒地占比也少； 2 200～2 600 m之間的區(qū)域主要是民和縣北部、西北部及中東部的黃土丘陵部分，該部分主要以分散的農(nóng)村居民點和坡耕地為主，耕地總量最大，加上坡耕地耕種效率不高，農(nóng)村居民外出務(wù)工，農(nóng)村勞動力缺失，所以這個區(qū)域內(nèi)撂荒地面積最大。

利用高程進行坡度和坡向運算，得到民和縣坡度和坡向。根據(jù)1984年中國農(nóng)業(yè)區(qū)劃委員會頒發(fā)的《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》耕地坡度分級標準，即[0°,2°)，[2°,6°)，[6°,15°)，[15°,25°)和[25°,90°]共5級。將研究區(qū)坡度分為1～5級，將分級后的坡度圖和提取的撂荒地進行空間疊加分析得到民和縣不同坡度的撂荒地范圍，經(jīng)統(tǒng)計得到各個坡度的撂荒地面積(表8)。

表8 不同坡度級別下的撂荒地面積統(tǒng)計Tab.8 Abandoned land area under different slope grades

由表8可知，民和縣的撂荒地主要集中于3級和4級坡度，即坡度[6°,25°)出現(xiàn)撂荒現(xiàn)象最為嚴重，撂荒面積達到36.26 km2，占總撂荒面積的83.98%。出現(xiàn)這種情況的主要原因是由于民和縣屬于黃土丘陵地貌類型，溝壑縱橫，大多數(shù)農(nóng)田都是坡耕地，致使耕種難度增大，同時降水少，土壤貧瘠，糧食的產(chǎn)量較低。通過比對3級和4級坡度下的撂荒地面積，發(fā)現(xiàn)4級坡度面積比3級多了近9 km2，這表明在坡度逐漸變大的情況下，耕種難度會增大，收益也會降低，導(dǎo)致坡度大的耕地會被逐步放棄耕種變成撂荒地。

在分析高程與坡度的基礎(chǔ)上，分析了坡向?qū)ζ赂氐挠绊?。將研究區(qū)整體分為陰坡、陽坡、半陰坡、半陽坡?；陉幤?、半陰坡、半陽坡、陽坡的判定規(guī)則，將民和縣坡向進行重分類，并將重分類后的坡向圖和提取的撂荒地進行疊加分析可以得到民和縣不同坡向的撂荒地范圍。計算后得到不同坡向的撂荒地面積(表9)。

表9 不同坡向下的撂荒地面積統(tǒng)計Tab.9 Abandoned land area in different slope directions

分析表明根據(jù)不同坡向下的撂荒地面積結(jié)果得出的結(jié)果是半陰坡和半陽坡的撂荒地面積大致相等，但陰坡撂荒地面積明顯高于陽坡撂荒地的面積。因為陽坡陽光充足，在同等條件下陽坡的作物生長最好，而陰坡背光，太陽輻射少導(dǎo)致陰坡的作物生長周期要長于陽坡的作物，雖然土壤濕潤但不太適合作物耕種，反而更加適合林地的生長。久而久之陰坡的耕地會被放棄，所以陰坡的撂荒地面積要多于陽坡的撂荒地面積。

4 討論與結(jié)論

4.1 討論

Sentinel-2影像作為一種免費且具有較高分辨率的影像，相較于Landsat影像具有更高的空間分辨率和時間分辨率，改善了影像空間分辨率低導(dǎo)致的混合像素影響，易于獲得多季相的數(shù)據(jù)，提高了土地覆被分類精度。近幾年來，Sentinel-2數(shù)據(jù)已被廣泛應(yīng)用于遙感分類中[33-34]。王華等[35]利用GEE云平臺基于多時相Landsat影像對中亞地區(qū)植被覆蓋遙感監(jiān)測，解決了云污染嚴重問題； Ghorbanian等[36]使用Sentinel-1數(shù)據(jù)輔助Sentinel-2數(shù)據(jù)分類，提高了遙感檢測精度。由于青海民和縣云量較多，云污染現(xiàn)象比較嚴重，因此本研究在前人研究的基礎(chǔ)上基于GEE海量的影像數(shù)據(jù)庫，利用了Sentinel-2數(shù)據(jù)的高空間分辨率、高時間分辨率和Sentinel-1 SAR可以穿透云層在多云天氣獲取較高質(zhì)量影像的特點，有效改善了因研究區(qū)多云難以獲取高質(zhì)量影像的問題，提高多云地區(qū)影像分類精度。

在撂荒地的判定上，本研究基于耕地閑置1 a以上而未被利用則為撂荒地的判斷規(guī)則，結(jié)合青海民和縣Sentinel-2數(shù)據(jù)僅有3 a的實際情況，選用2018年、2019年、2020年3 a的Sentinel-2影像利用RF分類器進行土地覆被分類，以此來獲取2020年的撂荒地情況，3 a的總體分類精度分別達到了86.93%，87.36%和 88.54%，最后撂荒地提取精度也達到了82.6%，表明基于Sentinel-1和Sentinel-2影像數(shù)據(jù)結(jié)合RF和DT可以較好地提取撂荒地。

但本研究仍存在著不足之處，研究區(qū)地處黃土高原丘陵區(qū)，大部分地區(qū)地勢起伏較大，耕地多為坡耕地，有些會受到陰影遮蓋，給分類精度帶來了一定的影響。因此后續(xù)的研究中，涉及耕地提取的時候可以在預(yù)處理中加入地形校正的方法，去除陰影的遮擋，提高撂荒耕地遙感監(jiān)測的精度。

4.2 結(jié)論

本文基于GEE云平臺，結(jié)合研究區(qū)農(nóng)作物種植期和成熟期的物候信息，選擇Sentinel-1SAR合成孔徑雷達影像和Sentinel-2衛(wèi)星多光譜成像儀影像； 基于光譜特征、地形特征、極化特征和纓帽特征等，依據(jù)GEE特征重要性評估方法來優(yōu)化組合特征，采用RF的方法進行分類，獲得了民和縣2018—2020年的土地覆被分類數(shù)據(jù)，分類精度均達到85%以上； 在此基礎(chǔ)上，結(jié)合DT分類方法監(jiān)測研究區(qū)撂荒地面積及空間分布，根據(jù)建立的耕地撂荒提取規(guī)則提取2020年民和縣撂荒地范圍，并以野外實測數(shù)據(jù)進行驗證，得到以下主要結(jié)論:

1)在黃土丘陵地區(qū)，基于單季相Sentinel-1/2影像的研究無法滿足實際應(yīng)用的需求，基于物候期的Sentinel-1和Sentinel-2的多季相合成影像能夠有效提高土地覆被分類精度的能力，提高撂荒地的提取精度。

2)研究表明，參與分類的特征參數(shù)以地形特征、光譜特征、極化特征和纓帽特征順序組合的方式是分類結(jié)果中最優(yōu)的。

3)GEE云平臺集大數(shù)據(jù)和云計算于一體，能夠加快數(shù)據(jù)獲取效率、提高數(shù)據(jù)的運算能力，有利于獲取所需物候期的高質(zhì)量影像。撂荒地提取研究中Sentinel-1數(shù)據(jù)的加入使用，可以提高分類精度，減少碎屑圖斑，更加有效區(qū)分耕地、草地和林地。

4)基于民和縣高程數(shù)據(jù)和撂荒地數(shù)據(jù)的疊加分析，發(fā)現(xiàn)民和縣撂荒地主要集中于北部、西北部及中東部丘陵地區(qū)，其中以坡度位于[6°,25°)陰坡的區(qū)域耕地撂荒現(xiàn)象最為明顯。