肖文菊，楊穎頻,2，吳志峰,3，鄭少蘭

[1.廣州大學 地理科學與遙感學院，廣州 510006；2.自然資源部華南熱帶亞熱帶自然資源監(jiān)測重點實驗室，廣州 510670；3.南方海洋科學與工程廣東省實驗室（廣州），廣州 511458；4.廣東省國土資源測繪院，廣州 510599 ]

隨著城市化進程不斷加快伴隨著經濟結構的調整，農村人口向城市轉移，耕地撂荒現(xiàn)象日益嚴峻，給國家糧食生產安全造成嚴重威脅（Li et al.,2012; Yusoff and Muharam, 2015; Ustaoglu and Collier, 2015; Goga et al., 2019）。準確高效獲取撂荒地的空間分布現(xiàn)狀是防止耕地撂荒趨勢進一步擴散的前提和基礎（牛繼強 等，2017；楊通，2020；Meijninger et al., 2022）。傳統(tǒng)地面調查的方式效率低、周期長，遙感技術具有高效率、低成本對地觀測的優(yōu)勢，為撂荒空間分布范圍及面積監(jiān)測提供了更為便 捷、有 效 的 手 段（Witmer, 2008; Watanabe and Saiga, 2009; Alcantara et al., 2012; Estel et al., 2015；陳欣怡 等，2018）。

當前，基于遙感技術的撂荒地監(jiān)測方法可歸納為3類：1）監(jiān)督分類方法，該方法主要基于遙感影像的空間、時間、光譜等多維特征，利用支持向量機（Li et al., 2012；牛繼強 等，2017）、隨機森林（Wu et al., 2020；張昊 等，2022）等機器學習算法，進行撂荒地識別。如張昊等（2022）基于地物的空間和光譜特征，采用隨機森林分類方法提取青海省民和縣的撂荒耕地分布信息，得到2018、2019、2020 年的撂荒地提取精度分別為86.9%、87.36%、85.92%。2）多時相范圍疊加法，該方法通過對比2個或多個時相的土地利用數(shù)據提取耕地撂荒信息，多用于耕地撂荒情況的年際變化檢測，且提取結果的可靠性主要依賴土地利用數(shù)據的精度（鄭財貴 等，2010；史鐵丑 等，2016）。如史鐵丑等（2016）將重慶市2 期耕地地塊空間范圍疊加，在剔除退耕還林及森林工程圖斑后，將剩余部分作為撂荒耕地。3）遙感時序分析方法，該方法通過分析撂荒地和非撂荒地在時間序列上的變化特征實現(xiàn)撂荒地的識別（Yusoff and Muharam, 2015; Dara et al., 2018; Xu et al., 2018；王紅巖 等，2020；Wei et al., 2021；宋 憲 強 等，2021）。如 宋 憲 強 等（2021）根據春、夏、秋3個時相的耕地NDVI差值設置撂荒和非撂荒的分割閾值提取撂荒地，在四川涼山開展耕地撂荒監(jiān)測；王玲玉等（2020）基于NDVI 時序數(shù)據，通過設定NDVI 時序峰值的取值范圍提取撂荒地，并在貴州省息烽縣開展撂荒監(jiān)測?；跁r間序列分析的撂荒監(jiān)測方法，與一段時間內耕地作物與撂荒地中自然植被的物候差異緊密相關，具有較強的植被生理學含義。

中國華南地區(qū)水熱條件豐富，作物種植類型多樣、熟制結構復雜，耕地撂荒后自然演替生長的植被長勢狀態(tài)良好，進一步提高了種植耕地與撂荒地的區(qū)分難度。一方面，華南地區(qū)作物種植結構復雜，每種作物的物候期存在差別，冬季氣候溫和，在冬季種植瓜果、蔬菜等作物的情況十分普遍，因此，僅利用春、夏、秋季的某幾個觀測時相進行撂荒識別，很可能會造成誤判，有必要將觀測時間窗口擴寬到全年；另一方面，不同地塊撂荒時間不盡相同，植被覆蓋度存在差異，NDVI數(shù)值有所差別，如撂荒時間較短的地塊雜草稀疏，NDVI水平較低，而撂荒時間較長的地塊雜草生長繁茂，NDVI 呈現(xiàn)與作物生長旺季時相當?shù)乃?，因此，基于NDVI峰值的撂荒地識別方法在該地區(qū)也難以適用。而NDVI 時序振幅特征，即NDVI 時序最大值與最小值的差值，體現(xiàn)一段時間內耕地內部植被生長狀態(tài)變化、生長發(fā)育速率等特征與植被生理變化狀態(tài)緊密相關。

在遙感數(shù)據源方面，當前撂荒監(jiān)測研究大多基于Landsat、MODIS 等中低分辨率影像（Witmer,2008; Alcantara et al., 2012; Estel et al., 2015；牛繼強 等，2017；Dara et al., 2018; Wei et al., 2021），中低分辨率遙感數(shù)據能提供高時間分辨率的監(jiān)測能力，捕捉耕地的季相變化特征，但受限于空間分辨率，在地表異質性高的地區(qū)難以適用（楊通 等，2019）。Sentinel-2數(shù)據遙感兼具較高的時空分辨率，可見光、近紅外波段空間分辨率為10 m，顯著提升了復雜地表區(qū)域的觀測能力，雙星觀測時間分辨率為5 d，在耕地季相變化的動態(tài)觀測方面具有較大的優(yōu)勢。

撂荒地空間分布格局能反映撂荒耕地在空間位置、空間形態(tài)等方面的特征，是探究耕地撂荒原因的重要手段。當前，相關研究多基于空間分析方法提取撂荒地空間分布格局特征，通過緩沖分析、密度分析、相關分析等方法提取撂荒地的空間位置、空間形態(tài)及空間關系特征。如牛繼強等（2017）對羅山縣子路鎮(zhèn)的撂荒地進行了緩沖區(qū)分析，發(fā)現(xiàn)灌溉條件是影響主要因素；劉智麗（2020）對晉中祁縣不同年份撂荒地空間分布格局變化進行對比分析，發(fā)現(xiàn)撂荒地在空間分布上呈現(xiàn)面積減小、斑塊密度不斷增加的趨勢；董世杰等（2023）對中國撂荒梯田的空間格局特征的分異性進行了探究，發(fā)現(xiàn)撂荒梯田呈現(xiàn)“北低南高”的特征，南方地區(qū)山地丘陵地區(qū)撂荒嚴重；唐瑞等（2022）分析了閬中市撂荒地空間格局分異規(guī)律，發(fā)現(xiàn)低山區(qū)耕地撂荒率明顯高于丘陵地區(qū)。計算撂荒地景觀格局指數(shù)可為撂荒地空間分布特征分析提供基礎。通過景觀格局指數(shù)大小可分析撂荒地和非撂荒地的空間結構差異，為進一步探究耕地撂荒驅動因素提供數(shù)據基礎。

鑒于此，本研究將撂荒時間≥1 a的耕地定義為撂荒地，提出了一種基于NDVI時序振幅的撂荒地識別方法，通過統(tǒng)計撂荒地與非撂荒耕地的NDVI振幅取值分布，劃定NDVI 振幅的最佳分割閾值，從而構建撂荒地的識別規(guī)則，并以廣東省湛江市坡頭區(qū)為例，驗證該方法的適用性。并在撂荒地空間分布制圖的基礎上，進一步探究撂荒地空間分布格局特征。以期通過擴充監(jiān)測撂荒地的時間信息，捕捉植被在監(jiān)測窗口內NDVI最大變化，獲得較高的撂荒監(jiān)測精度。

1 研究區(qū)域和數(shù)據源

1.1 研究區(qū)域

湛江市作為廣東省農業(yè)生產主要基地，農業(yè)經濟占有重要地位。其中坡頭區(qū)是湛江市重要的農產品來源地。坡頭區(qū)位于廣東省西南部地區(qū)，雷州半島東北部，湛江海灣東部，由一個半島和一個海島組成，（圖1-a）。該區(qū)地處北回歸線以南的低緯地區(qū)，屬于熱帶季風氣候，年均溫在22.7～23.5℃。年均雨量1 395.5～1 723.1 mm，年均日照時數(shù)1 714.8～2 038.2 h，半島地勢平坦，整體耕種條件較好。該區(qū)總面積424 km2，其中耕地面積為145.18 km2，圖1-b 為坡頭區(qū)耕地分布情況，其種植類型以水稻、花生、紅薯為主。隨著經濟結構的轉型和勞動人口流失，坡頭區(qū)耕地撂荒現(xiàn)象加劇，對該地區(qū)進行耕地撂荒監(jiān)測具有重要的現(xiàn)實意義。

圖1 研究區(qū)地理位置Fig.1 Geographical location of study area

1.2 數(shù)據源

1.2.1 遙感影像及耕地數(shù)據 基于地理計算云平臺Google Earth Engine（GEE）共獲取Sentinel-2 數(shù)據共12景（該數(shù)據已經過輻射定標、大氣校正等預處理過程），計算NDVI指數(shù)，獲取耕地NDVI時間序列數(shù)據。影像成像時間如表1所示，監(jiān)測時間窗口涵蓋作物生長的完整周期。

表1 Sentinel-2時間序列數(shù)據Table1 Time series data of Sentinel-2

以第三次全國土地調查數(shù)據中的耕地范圍為基礎，對坡頭區(qū)大片農田中不同種植類型的耕地地塊進行人工劃分，得到耕地地塊數(shù)據。

1.2.2 樣本數(shù)據 撂荒地及非撂荒地樣本主要來源于野外地面調查和人工目視解譯，其中，基于實地調查獲得撂荒地樣本共200個，非撂荒地樣本共200個。結合實地調查數(shù)據，觀察撂荒地和非撂荒地在多時相Google Earth高分辨率影像上的空間特征，補充樣本數(shù)量并構建撂荒地和非撂荒地樣本集。如圖2-a所示，因受到強烈的農業(yè)生產活動干預，種植耕地地塊形態(tài)規(guī)整，內部紋理規(guī)則，因作物生長物候變化，地塊內覆被變化明顯。而撂荒地因無人工干預，發(fā)生撂荒后自然植被演替，紋理雜亂、邊界不清晰，在時間維度上無明顯物候特征（圖2-b）。構建的樣本集中共包含撂荒地和非撂荒地樣本各300 個，按照2∶1 的比例隨機分為2部分，分別用于構建撂荒地識別規(guī)則和驗證精度，圖3為精度驗證樣本的空間分布。

圖2 不同時相撂荒地與非撂荒地影像對比Fig.2 Image comparison of abandoned land and non-abandoned land in different phases

圖3 研究區(qū)地面驗證點空間分布Fig.3 Ground survey points in research area

2 撂荒地識別及空間格局分析

本研究框架為：1）耕地NDVI 時序數(shù)據預處理；2）耕地NDVI時序振幅特征提取；3）撂荒地識別規(guī)則構建；4） 撂荒地空間格局特征分析（圖4）。

圖4 撂荒地監(jiān)測技術流程Fig.4 Monitoring of abandoned land technical flowchart

2.1 耕地NDVI時序數(shù)據預處理

利用多時相Sentinel-2數(shù)據構建耕地的NDVI時序曲線。由于光學影像在成像過程中受到云的干擾，時間序列曲線通常包含一定“噪聲”，為避免其對振幅統(tǒng)計結果的干擾，需將NDVI時序曲線上的異常值剔除。異常值剔除方法參照Ma和Veroustraete（2006）的方法，將短時間內急劇下降再上升的點判定為異常值點。結合試驗區(qū)采集的樣本點，分析其NDVI曲線變化趨勢，經過多次實驗，設計異常值點的判定方案：設NDVI 時序曲線上相鄰3點的時間分別為Ti-1、Ti、Ti+1，其對應的NDVI 值分別為Vi-1、Vi、Vi+1。當符合以下2類情況之一：1）若Ti-Ti-1≤14 d，且Vi-1-Vi與Vi+1-Vi均＞0.2；2）若Ti-Ti-1≤21 d，且Vi-1-Vi與Vi+1-Vi均＞0.5，認定Ti為異常值點，將其從曲線上剔除，并利用前后鄰近觀測點的值對Ti處進行線性插補?；陬A處理后的NDVI 時序曲線提取振幅特征，即利用NDVI時序曲線上的最大值減去最小值，用以表征耕地內全年的植被覆蓋變化。

2.2 撂荒地識別規(guī)則構建

基于撂荒地與非撂荒地樣本的振幅特征提取結果，劃定用于撂荒地識別的最佳振幅閾值。閾值設定方法主要包括2步：1）分割閾值初始化：將所有撂荒地樣本的最大振幅設定為初始閾值，記為Threshold0，表示在該閾值下所有撂荒地樣本均能被正確識別，但可能存在部分非撂荒地被錯誤地判別為撂荒地。2）分割閾值最優(yōu)化：在Threshold0基礎上，以0.01 為步長，不斷減小分割閾值，依據F1指數(shù)（全國科學技術名詞審定委員會 等，2002）評價閾值可靠性，確定最佳分割閾值。F1指數(shù)是評價二分類模型中分類準確性的重要指標，可看作是模型精準率（precision）和召回率（recall）的一種加權平均，兼顧撂荒地與非撂荒地的識別精度，F(xiàn)1最大值為1，最小值為0。當F1越大時，分類效果越好，對應的閾值記作Thresholdoptimum。

式中：precision表示被識別為撂荒地的樣本中，實際為撂荒地的概率，即模型精準率；recall表示在所有撂荒地樣本中，被正確識別為撂荒地的概率，即召回率。

在選取最優(yōu)的分割閾值后，構建的撂荒地識別規(guī)則為：當耕地NDVI 時序振幅≥Thresholdoptimum時，將其判定為非撂荒地；當耕地NDVI 時序振幅＜Thresholdoptimum時，將其判定為撂荒地。

2.3 撂荒地空間格局特征分析

計算撂荒地景觀格局指數(shù)，分析坡頭區(qū)撂荒地的空間格局特征，計算撂荒地景觀格局指數(shù)，包括圖斑總數(shù)（NP）、圖斑總面積（TA）、平均圖斑面積（MPS）、平均圖斑形狀指數(shù)（MSI）、平均圖斑分維指數(shù)（MPFD）、聚集度指數(shù)（AI），分析撂荒地圖斑在空間分布上的空間形態(tài)特征及空間集散程度。各指數(shù)計算方法為：

1）平均圖斑面積（MPS）：

式中：ai為第i個圖斑的面積；NP 為圖斑個數(shù)，反映圖斑的破碎化程度。MPS 值越小，說明斑塊越破碎。

2）平均圖斑形狀指數(shù)（MSI）：

式中：Pi為圖斑i的周長；MSI反映景觀要素圖斑的規(guī)則程度。正方形MSI 取值為1，MSI 值越接近1，說明圖斑形狀越規(guī)則。

3）平均圖斑分維指數(shù)（MPFD）：

MPFD 可以度量圖斑邊界的復雜程度，MPFD值越大，說明圖斑形態(tài)越不規(guī)則，反之圖斑形狀越規(guī)則。

4）聚集度指數(shù)（AI）：

式中：gii為相應景觀類型的相似鄰接斑塊數(shù)量。AI可反映某一類景觀斑塊之間的連通度。AI值越大，說明該類型景觀分布越密集，反之則越分散。

3 結果與討論

3.1 NDVI時序曲線特征對比

坡頭區(qū)主要作物類型包括水稻、花生、蔬菜和薯類。圖5 展示了坡頭區(qū)撂荒地與非撂荒地NDVI時序曲線。撂荒地在全年內NDVI 變化相對平穩(wěn)，無明顯作物生長物候特征。非撂荒地在作物生長窗口期表現(xiàn)出明顯的波動變化，從圖5所示的案例曲線看，水稻為兩季作物，早稻生長季為4—7月，晚稻生長季為8—11 月，其余時間種植薯類。花生為單季作物，生長季為4—8 月，9 月至次年3 月種植蔬菜。紅薯一般為6 月扎根緩苗，10 月上旬收獲，11月直至次年5月以蔬菜種植為主。可見，撂荒地與非撂荒地在NDVI振幅特征方面存在較大差異。

圖5 2020年不同輪作制度下作物NDVI時序曲線Fig.5 Crop NDVI time series curves under different crop rotation systems in 2020

3.2 振幅閾值確定

利用200 個撂荒地與200 個非撂荒地樣本的NDVI 時序數(shù)據計算振幅特征，繪制振幅分布（圖6）。

圖6 NDVI時序振幅分布Fig.6 Histogram of amplitude of NDVI time series

撂荒地樣本的NDVI振幅整體偏低，取值范圍在0.16～0.545，非撂荒地樣本的NDVI 振幅取值范圍整體在0.29～0.744。如圖6 所示，撂荒地與非撂荒地的NDVI振幅在取值范圍上在整體上呈對稱分布特征，撂荒地的NDVI振幅主要分布在0.1～0.4之間，非撂荒地的NDVI振幅主要分布在0.4～0.7，但二者的NDVI 振幅分布區(qū)間存在一定的交叉重疊。為了實現(xiàn)撂荒地與非撂荒地整體識別精度的最大化，依據F1指數(shù)動態(tài)設定NDVI振幅閾值，以撂荒地樣本的最大振幅為起始閾值，非撂荒地樣本的最小振幅為終止閾值，計算不同閾值下對應的F1指數(shù)。不同NDVI 振幅取值的F1指數(shù)如圖7 所示。當NDVI 振幅為0.42 時，F(xiàn)1指數(shù)最高，F(xiàn)1為0.91，代表撂荒地與非撂荒地的二分類精度最高。此時，撂荒地樣本的識別精度為91.83%，非撂荒地樣本的識別精度為90.20%。

圖7 不同閾值下F1計算結果Fig.7 F1 calculation results under different thresholds

3.3 撂荒地提取結果及精度驗證

基于上述方法進行坡頭區(qū)耕地撂荒遙感監(jiān)測，獲得坡頭區(qū)撂荒地空間分布制圖結果（圖8）。經統(tǒng)計，2020 年坡頭區(qū)撂荒斑塊總數(shù)為1 514 個，撂荒耕地面積達14.65 km2，占總體耕地面積的10.1%。

圖8 湛江市坡頭區(qū)2020年撂荒地空間分布Fig.8 Spatial distribution of abandoned land of the Potou County in 2020

利用100 個撂荒地和100 個非撂荒地樣本對遙感監(jiān)測結果進行精度驗證，混淆矩陣計算結果如表2 所示。識別的總體精度為91%，Kappa 系數(shù)為0.82。撂荒地的生產者精度為91.83%，非撂荒地生產者精度為90.20%。這說明基于NDVI振幅閾值分割方法能實現(xiàn)較高精度的撂荒地識別。

表2 基于NDVI振幅特征的精度驗證混淆矩陣Table 2 Precision verification confusion matrix table based on NDVI amplitude characteristics

3.4 對比實驗結果及精度驗證

基于實驗樣本數(shù)據，分別采用多時相NDVI差值（宋憲強 等，2021）和NDVI峰值方法（王玲玉等，2020）進行撂荒識別。其中，基于多時相NDVI差值方法中，通過200個撂荒地實驗樣本與對應時相的NDVI進行疊加與相減，得出不同時相點撂荒地和非撂荒地的NDVI 差值，通過對NDVI 差值進行統(tǒng)計分析，得到春、夏2 季NDVI 差值最小為0.39，夏、秋2季NDVI差值最小為0.38。為保證所有撂荒樣本全部落入撂荒區(qū)域，確定最佳分割閾值為0.39，當夏-春、夏-秋的NDVI差值均＜0.39時，即認定其為撂荒地，反之則為非撂荒地?；谌闚DVI 峰值提取實驗中，對200 個撂荒地實驗樣本的NDVI 峰值進行統(tǒng)計分析，得到最大NDVI 峰值為0.68，即當植被生長期的NDVI 最大峰值＜0.68時為撂荒地，＞0.68時為非撂荒地。

對上述2種方法進行精度驗證，采用與3.3小節(jié)中相同的驗證樣本，分別驗證基于多時相NDVI差值方法和基于全年NDVI峰值方法的識別精度。結果發(fā)現(xiàn)，當利用多時相NDVI差值進行撂荒識別時，總體精度為84.00%，Kappa系數(shù)為0.68，撂荒地的生產者精度為86.17%，非撂荒地的生產者精度為82.08%（表3）?；谌闚DVI峰值特征識別的總體精度為74.00%，Kappa系數(shù)為0.48，其中撂荒地的生產者精度為77.91%，非撂荒地的生產者精度為71.05%。

表3 基于多時相NDVI差值和全年NDVI峰值的精度驗證混淆矩陣Table 3 Precision verification confusion matrix based on multi temporal NDVI difference and NDVI peak value

從精度驗證結果可看出，基于NDVI峰值方法識別撂荒地的精度最低，基于多時相NDVI差值提取方法精度有所提高，基于NDVI振幅特征提取方法精度最高。NDVI 峰值特征提取方法僅利用單個特征值作為判別依據，而不同地塊撂荒時間不同，植被覆蓋度存在差異，NDVI 峰值也各不相同，通過該方法無法準確識別。如一部分撂荒時間長的耕地其NDVI峰值較高，借助該方法易產生漏判。此外，一部分耕地種植類型為多年生樹苗或果苗，當樹苗稀疏、土壤裸露程度較高時，其NDVI水平較低，容易將種植耕地誤判為撂荒地?；诙鄷r相NDVI 監(jiān)測方法利用春-夏-秋3 個時相點的植被信息，雖在一定程度上擴充了時間維度信息，但對于種植結構復雜、物候特征多樣的種植區(qū)，該方法存在錯判、漏判的可能性較高。如許多蔬菜為季節(jié)性作物，其種植和收獲時間存在差異，僅通過春-夏-秋3個時相點無法準確捕捉其生長信息，易將部分蔬菜種植區(qū)誤判為撂荒地。相較基于NDVI峰值和多時相NDVI 差值方法，基于NDVI 振幅特征的提取方法能捕捉植被全年生長變化情況，在一定程度上擴充了時間維度信息，同時結合了NDVI的最大值和最小值，可獲得較高提取精度。

3.5 撂荒地空間分布格局分析

研究區(qū)的撂荒地空間格局指數(shù)結果如表4所示。對比撂荒地與非撂荒地的空間格局特征，撂荒地斑塊為1 514個，約占耕地總圖斑數(shù)量的19.8%；撂荒耕地平均圖斑面積為0.97 hm2，非撂荒耕地平均圖斑面積為2.13 hm2，撂荒地的平均圖斑面積遠小于非撂荒地，可看出坡頭區(qū)撂荒地分布破碎，大面積撂荒現(xiàn)象較少。從平均圖斑形狀指數(shù)（MSI）看，撂荒地的形狀偏離正方形的程度更高，說明坡頭區(qū)撂荒耕地地塊的形狀較不規(guī)則。從平均圖斑分維指數(shù)（MPFD）看，撂荒地的MPFD值高于非撂荒地，說明坡頭區(qū)撂荒的耕地斑塊多為形狀、邊界不規(guī)則的地塊。從聚集度指數(shù)（AI）看，撂荒地斑塊的分布聚集度值更小，相較于非撂荒地，撂荒地的空間分布更加零散。

表4 景觀格局指數(shù)計算結果Table 4 Calculation results of landscape pattern indexes

4 結論

本文提出了基于光學時序振幅特征的耕地撂荒識別方法，根據撂荒地與非撂荒地NDVI時序振幅特征的差異，開展耕地撂荒監(jiān)測，該方法具有較強的植被生理學含義。通過Sentinel-2 數(shù)據集構建耕地時間序列曲線，Sentinel-2 兼具較高的時空分辨率，在地表異質性較強的區(qū)域具有較好的優(yōu)勢。主要結論如下：

1）基于NDVI時序振幅特征能很好地體現(xiàn)撂荒地與非撂荒地的植被生長變化差異，為耕地撂荒監(jiān)測提供有效特征，非撂荒地由于作物生長物候特征信息，其光學曲線形態(tài)起伏明顯，振幅較大。而撂荒地在無人工干預條件下，在作物生長窗口期無農作物生長信息，其光學曲線形態(tài)平緩，振幅較小。

2）在撂荒地識別規(guī)則構建方面，采用F1指數(shù)衡量撂荒地與非撂荒地二分類精度，通過迭代方法動態(tài)設定的振幅閾值，以獲取最佳分割閾值，該方法能有效識別撂荒地與非撂荒地，在廣東省湛江市坡頭區(qū)開展精度驗證試驗，撂荒地識別精度達91.83%，非撂荒地識別精度為90.20%。

3）將本研究方法應用于坡頭區(qū)撂荒地分布制圖，分析撂荒地的景觀格局特征。坡頭區(qū)撂荒耕地面積占總耕地面積的10.1%，撂荒地平均斑塊面積為0.97 hm2，撂荒地塊空間形態(tài)普遍不規(guī)則，空間分布零散、少有大面積聚集，呈現(xiàn)破碎化的空間分布格局。

本研究方法需要以獲得較高頻次的光學遙感數(shù)據為基礎，可應用于種植結構復雜，輪作模式多樣的區(qū)域。未來還可從以下方面進一步探究：①受限于云雨等天氣因素影響，難以獲得更加密集的光學時序影像，給振幅的提取帶來一定的不確定性，未來可進一步結合多源光學遙感數(shù)據，協(xié)同光學和SAR時序數(shù)據，通過時空融合方法構建更高頻次的時序觀測數(shù)據集，為準確識別撂荒地提供數(shù)據基礎；②本文主要利用了耕地的NDVI時序變化幅度特征來區(qū)分撂荒地和非撂荒地，未來可進一步挖掘二者在空間特征、光譜特征中的差異，增加分類特征維度，進一步提高撂荒地識別精度；③在判別耕地是否撂荒的基礎上，可進一步探究季度撂荒、單年撂荒和多年撂荒的識別方法；④本文僅對撂荒地的空間分布特征進行景觀格局分析，未來可進一步擴大研究區(qū)范圍，探究耕地撂荒的驅動因素。