基于Sentinel-2 MSI与Sentinel-1 SAR相结合的黄土高原西部撂荒地提取
——以青海民和县为例
张昊,1,2,3, 高小红,1,2,3,4, 史飞飞1,2,3, 李润祥1,2,3
1．青海师范大学地理科学学院,西宁 810008
2．青藏高原地表过程与生态保育教育部重点实验室,西宁 810008
3．青海省自然地理与环境过程重点实验室,西宁 810008
4．高原科学与可持续发展研究院,西宁 810008
摘要:
青海东部农业区地处黄土高原向青藏高原的过渡地带,黄土丘陵地貌类型多样、地形起伏大、破碎。随着近几十年来城市化进程的加快,农村可用劳动力缺失导致土地撂荒现象日益严重,因此掌握东部农业区撂荒地分布状况,对保护耕地与生态用地至关重要。本研究基于GEE云平台,以青海民和县为案例,依据农作物的物候特征,选取种植期和成熟期2季的Sentinel-2 MSI与Sentinel-1 SAR卫星影像为主要数据源,以DEM为辅助,结合光谱、地形、极化与缨帽特征,采用随机森林方法对研究区2018—2020年土地覆被进行自动分类,获取了研究区3 a的土地覆被数据,在此基础上借助撂荒地判断规则建立决策树提取撂荒地并进行验证。研究结果表明: 2018年、2019年及2020年土地覆被总体分类精度分别为86.93%,87.36%和88.54%; 2020年民和县撂荒地面积为43.17 km2,占总面积的2.28%; 撂荒地主要分布在海拔为2 200~2 600 m范围、坡度为6°~25°范围、坡向为阴坡的区域。Sentinel-1 SAR影像极化特征结合到Sentinel-2 MSI多季相数据中,能够有效提高黄土丘陵地形区土地覆被分类精度,获得较为准确的撂荒地信息。该研究为类似地形区域进行撂荒地提取提供了方法参考和借鉴。
0 引言
随着近几十年中国城市化进程的不断加快,农业发展也进入新阶段,环境和社会等多方因素导致耕地开始出现撂荒现象[1]。我国耕地撂荒地分布广泛,其中山地、丘陵地区较为常见[2],这些区域地形起伏大、坡耕地多、耕种效率低下,土地撂荒现象明显。青海省民和回族土族自治县(以下简称民和县)地处黄土高原向青藏高原过渡带,同时也是黄土高原西部的组成部分之一,其地形地貌与黄土高原东部及其腹地具有一定的差异性。该县属于青海东部农业区,据调查,民和县耕地主要以坡耕地为主,土壤贫瘠,降水量少,加之灌溉设施差且地形使机械化农业难以实现,因此耕种效率低下。根据青海省2018—2020年统计年鉴,2017—2019年民和县迁出人口比迁入人口多了5 885人,劳动力流失现象较为严重,导致部分耕地无人耕种成为撂荒地。因此开展撂荒地调查对掌握耕地面积、保护耕地和维护生态用地非常重要。
以往基于单季相影像的土地覆被分类研究因信息量少,导致分类精度较低。研究表明考虑植被和作物物候的多季相影像数据的使用能够有效提高土地覆被分类精度[3⇓⇓-6]。Landsat系列卫星由于其具有长时间序列的存档影像且可免费获取等优点,近年来多用于撂荒地的提取研究。肖国峰等[7]基于Landsat和HJ-1A时序数据,利用决策树方法研究了山东省庆云县和无棣县1992—2017年撂荒地面积的变化,为其他地区撂荒耕地识别提供了参考; Wu等[8]以广东兴宁县为例,使用2017—2018年生长期和种植期的Landsat8 OLI影像,辅以2017年土地利用数据,结合改进的归一化差值水体指数(modified normalized difference water index, MNDWI)、归一化差值裸地与建筑用地指数 (normalized difference bareness and built-up index, NDBBI)、归一化差值植被指数(normalized difference vegetation index, NDVI)3种指数,运用决策树方法提取撂荒地,较好地获得了撂荒地的面积和空间分布。
相比Landsat卫星数据重访周期长、空间分辨率较低、光谱波段少的缺点,Sentinel-2卫星具有光谱波段多(13个多光谱波段)、空间分辨率更高(全色10 m、多光谱20 m)以及双星同步工作模式等优势。Sentinel-2包括2A和2B共2颗卫星,一颗卫星的重访周期为10 d,2颗互补重访周期为5 d[9],因此利用Sentinel-2数据可以更好地获取完整的高分辨率多季相影像。杨通等[10]利用多源遥感数据结合联合变化检测对和林格尔地区2014—2017年的撂荒地进行提取,表明基于GF-1,GF-2,ZY-3和Sentinel-2A数据可以有效提取撂荒地; He等[11]使用Sentinel-2数据和MODIS数据,通过集成线性拉伸、最大值合成和灵活的时空数据融合方法建立了四川大英县2020年逐月时空数据集,借助支持向量机方法(support vector machines,SVM)提取撂荒地,总体准确率达到了88.1%; 王红岩等[12]基于2017—2018年Sentinel-2A多季相数据,将作物的NDVI特征与第二次土地利用调查数据相结合,利用决策树方法提取了贵州修文县的撂荒地面积; 马引弟等[13]基于Sentinel-2影像结合随机森林算法(random forest,RF)获取了甘肃天水市2017—2019年3 a间的土地覆被分类数据,在此基础上利用决策树(decision tree,DT)获取了撂荒地。这些研究均表明Sentinel-2数据可以准确有效地提取撂荒地。
在地形起伏大的山地区域,由于云污染现象严重,单靠多光谱数据难以准确对土地覆被进行分类。Sentinel-1 SAR数据则可以提供各种天气、时间的影像,为山区土地覆被分类提供了数据支持。将Sentinel-1 SAR(synthetic aperture Radar)数据与Sentinel-2 MSI(multi-spectral instrument)相结合可帮助提高多云量地区土地覆被分类的整体精度[14]。RF算法具有较强的鲁棒性和较高的随机性,相比于其他常用的分类器已被证明精度更高[15],可以有效提高复杂地形区和平原地区遥感土地覆被分类精度[16-17],近年来已被广泛用于土地覆被分类。GEE(Google Earth Engine)是由谷歌公司研发的云计算平台,具有多源数据源和强大的数据处理能力,它不仅可以在线利用JavaScript语言进行编程,同时也提供了Python API接口进行离线编程,近年来已成为遥感土地覆被分类的有效平台之一[18⇓⇓-21]。
本研究以青海省民和县为研究区,在GEE云平台的支持下,基于Sentinel-2 MSI与Sentinel-1 SAR相结合的数据,将多时相与多季相相结合,RF算法与DT算法相结合,进行撂荒地提取研究,探索多季相的Sentinel数据在黄土丘陵区撂荒地提取中的有效性,并探寻民和县撂荒地的分布状况和分布规律,为耕地、生态用地保护提供数据支持,以期为黄土高原丘陵区农业规划和决策提供技术支持和参考。
1 研究区概况及数据源
1.1 研究区概况
民和县属于青海省海东市下辖县,地理坐标为E102°26'~103°04',N35°45'~36°26'。县境东西宽约32 km、南北长约96 km,总面积为1 890.82 km2。民和县为黄土高原向青藏高原过渡地带,90%的面积位于黄河与其一级支流湟水之间。地貌自北向南由北部祁连山系的达坂山、湟水河谷平原、中部和南部黄土丘陵、西南拉脊山余脉、南部黄河河谷平原构成,地势西北高,东南低,西南部多为高山。海拔最高为4 220 m,最低为1 650 m,平均海拔为2 326.65 m,如图1所示。气候具有显著的高原大陆性气候特征,年平均日照时数达2 458.2 h,年平均气温为 8.3℃,年降水量约350~400 mm,年蒸发量为1 681.6 mm[22]。经济林有苹果和梨等,农作物主要为冬小麦、春小麦、春玉米和土豆等。作物的种植期和成熟期如图2所示,表中上、中、下分别代表上旬、中旬与下旬。
图2 民和县主要作物类型与物候期
1.2 数据源与预处理
1.2.1 数据源
以GEE云平台上获取的空间分辨率为10 m的Sentinel-2 MSI和Sentinel-1 SAR数据为主要数据源,包括2018年、2019年和2020年3 a数据,其中Sentinel-1影像123景、Sentinel-2 L1C级影像114景、Sentinel-2 L2A级影像212景,共449景影像。高程数据也为GEE云平台获取的30 m航天飞机雷达地形测绘任务(the shuttle Radar topography mission,SRTM)数据。民和县行政边界来自于最新的全国 1:400万比例尺县矢量边界数据。
1.2.2 数据预处理
本研究的数据预处理全部基于GEE云平台完成,研究区云量较多,云污染严重,利用传统的单景影像很难获得无云的高质量区域影像,基于GEE提供的中值合成算法,利用一个时间段内的像元中值对一些去云后的空缺部分进行填补,可得到较好质量的影像。
Sentinel-1数据的预处理是利用GEE云平台自带的极化处理函数对原始影像进行双极化处理,分成了VV和VH这2个极化分量,后运用中值合成算法进行处理并用研究区范围进行裁切,得到物候期的最佳Sentinel-1影像。将30 m空间分辨率的DEM重采样成与Sentinel-2影像相同的空间分辨率(10 m),并利用研究区范围进行裁切,得到所需的高程数据。
GEE云平台上提供的Sentinel影像分为了L1C级和L2A级影像,L2A级影像是经过了大气校正的影像,而L1C级影像仅进行了正射校正,本研究可获取的L2A级影像仅为2019和2020年,2018年影像是L1C级产品,Hu等[23]利用L1C级影像进行分类实验,并取得了较佳的成果,但为保证影像的一致性,因此需要对Sentinel-2 L1C级影像进行大气校正。6S大气校正方法是一种大气传输模型,采用近似和逐次散射SOS算法来计算散射和吸收。Ion等[24]将Sentinel-2大气校正的4种方法(SEN2COR,MAJA,6S和iCOR)进行对比,发现4种校正方法效果几乎一致,但6S大气校正可以利用Python很好地完成,故本研究利用6S模型进行影像大气校正。基于6S模型将L1C级影像处理为L2A级影像,后对所有L2级影像进行去云算法和中值合成算法,并利用研究区范围进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影像景数如表1所示。
表1 民和县2018—2020年Sentinel-1/2卫星影像
1.3 分类系统与样本数据选取
本研究区土地覆被分类系统主要根据《全国遥感监测土地利用/覆盖分类体系》并结合研究区实际情况,将研究区分成了耕地、林地、草地、水域、城乡工矿居民建设用地和未利用土地等6个一级大类,其中水域又分成3个2级类,即河渠、水库坑塘和河滩地。样本的选择利用 Google Earth 影像和2020年实地调查结果作为参考,3 a间共选择了训练样本与验证样本20 786个,其中2018年样本点6 856个、2019年样本点6 789个、2020年样本点7 141个,具体见表2。
表2 地物类型样本点
2 研究方法
本研究的研究思路和技术流程如图3所示: ①根据研究区农作物的物候特征并基于GEE云平台获取多时相、多季相Sentinel-1和Sentinel-2影像并进行预处理; ②调用GEE影像库获取高程数据,重采样后进行坡度和坡向的计算,结合步骤①构建预处理后影像数据库利用研究区范围进行裁切处理; ③基于Sentinel-2影像分别计算增强型植被指数(enhanced vegetation index,EVI)、比值居民地指数 (ratio resident-area index,RRI)、MNDWI指数和第一主成分,再根据第一主成分进行灰度共生矩阵计算获取纹理特征,利用缨帽变换矩阵函数计算亮度指数、湿度指数和绿度指数3个分量; ④结合步骤①—③的处理结果,构建原始特征,对所有年份特征进行特征优化选择,选取重要性最高的11个特征作为分类特征; ⑤使用RF算法结合优化后的特征对影像进行分类以及精度评价; ⑥依据撂荒地判断规则,构建决策树进行撂荒地的提取,并对提取结果进行分析讨论。
2.1 RF算法原理
RF是2001年由Leo 将Bagging集成学习理论与随机子空间方法相结合,提出的一种机器学习算法。该算法是一个以决策树为基分类器的集成学习模型,它是利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本进行决策树建模,然后组合多棵决策树的预测,通过投票得出最终预测结果。具有很高的预测准确率,对异常值和噪声具有很好的容忍度,且不容易出现过拟合现象[25]。
2.2 特征构建
2.2.1 光谱特征
本研究使用的光谱特征是来自Sentinel-2A/B影像的光谱波段以及其构建的光谱指数。光谱波段使用B2,B3,B4,B8,B11,B12这6个波段,光谱指数包括RRI[26],EVI[27]及MNDWI[28],采用GEE函数计算。
2.2.2 纹理特征
纹理特征是遥感分类过程当中一个重要的分类特征,一些高海拔山区,地势崎岖,地形破碎,使用纹理特征可以提高对山区特定类别的分离[29]。纹理特征的计算是基于灰度共生矩阵(gray-level co-occurrence matrix, GLCM)[30]的统计方法进行的,计算数据为原始影像进行主成分分析后选取分析结果中的第一主成分。GEE计算后的灰度共生矩阵结果有29个纹理特征统计量,本研究选取最常用且具有代表性的角二阶矩(pc1_asm)、熵(pc1_ent)、对比度(pc1_contrast)、逆差矩(pc1_idm)、相关性(pc1_corr)等5个统计量。
2.2.3 缨帽变换
缨帽变换即坎斯-托马斯变换(Kauth-Thomas transformation, KT)。缨帽变换是多光谱波段的一种线性变换,不同的传感器缨帽变换的转换系数是不同的,利用缨帽变换能消除多光谱图像的相对光谱响应相关性[31]。其中基于缨帽变换得到的主要特征分量为亮度指数、绿度指数和湿度指数。本研究基于Sentinel-2A/B常用的6个波段( B2,B3,B4,B8,B11,B12) 和Sentinel变换矩阵系数(表3)。
2.2.4 极化特征
民和县所在区域天气多云,Sentinel-1 SAR具有穿透云层获取影像的优势,因此本研究在前人研究使用Sentienl-2数据的基础上,加入了Sentinel-1数据的极化特征辅助分类。在Sentinel-1数据极化处理后将VV和VH这2个极化特征加入原始特征的构建。
2.2.5 地形特征
民和县海拔较高,地形相对高程差异大,耕地大多为坡耕地,利用地形特征可以有效提高分类的精度。GEE中的SRTM高程数据具有高度和坡度2种特征,基于预处理后的高程数据,利用GEE自带的函数计算坡向后,将高度、坡度和坡向3种地形特征作为特征变量参与分类。
2.3 基于RF方法的多季相土地覆被分类
分类之前,利用随机函数随机选择约70%的样点作为训练样本,30%的样点作为验证样本。以前面确定的土地覆被分类系统为依据,分类时调用GEE自带的RF函数,对研究区土地覆被进行分类。
2.3.1 特征优化
本研究选取了5种类型特征变量参与分类,但并不是所有特征对于分类的重要性都相等的,如果所选特征变量全部参与分类,那么每年的特征变量将会高达45个之多,造成数据的冗余,加大分类器负担,降低分类精度。所以进行特征优化选择是有必要的。
本研究采用的特征优化方法是基于特征的组合评估法和GEE云平台自带的重要性分析法的综合优化方法。特征组合优化法是将5种类型特征随机组合,选取分类精度最高的一组,作为最优的特征组合方法加入参与分类。以2018年为例,将不同组合的特征加入RF分类器中,计算Kappa系数和总体分类精度,见表4。GEE云平台在将特征加入RF分类器后,会计算每个特征在RF中的每颗树上的平均贡献度,本研究基于表4结果,发现在特征组合分析法中选取光谱、地形、缨帽和极化特征加入分类,精度是最高的。后将最优特征组合里的所有特征进行重要性比对,逐年选取重要性最高的11个特征作为特征优化结果参与分类(表5)。
表4 不同特征组合下Kappa系数和总体分类精度
表5 2018年、2019年、2020年特征优化选择结果
2.3.2 精度评价
采用基于GEE 云平台的混淆矩阵精度评价系统对RF的分类结果结合野外实地采样数据进行精度评价,具体评价指标为总体精度和Kappa系数。在每一年的精度计算结果后,进行检验并结合实地采样点和Google Earth影像进行比对修改,直到精度达到较为满意,分类结果和实地地物相符,3 a的精度评估结果见表6。
表6 Kappa系数和总体精度
由表6可以看出,每一年的Kappa系数均达到了评价标准,3 a的总体精度相近、精度较高,可以用于后续的分析。
2.4 分类后处理与撂荒地提取
耕地撂荒是指耕地闲置1 a以上而未被利用的现象[32]。Sentinel卫星于2015年发射,由于研究区云量较多,仅能获取到2018年后的Sentinel-2A数据。根据撂荒地的判断规则,选取2018—2020年这3 a的影像进行撂荒地提取。通过每一年选取的样本结合优化后的特征变量分别进行3 a的土地覆被RF分类,然后对分类结果进行精度评价,在精度达到要求之后,运用ENVI软件中的主要/次要分析对3 a的分类结果进行分类后处理,最后将3 a处理结果运用DT方法进行判断。
撂荒地提取的时候需要先选取2018年土地利用类型为耕地的区域,然后判断后2 a该区域的土地利用类型发生变化的部分,如果耕地撂荒,虽然土地类型发生了改变,但土地利用性质不会发生变化,所以仅判断土地利用类型转化为荒草地和未利用土地的区域,根据DT判断规则(图4)来进行撂荒地提取。
3 结果分析
3.1 撂荒地空间分布与验证
基于初步得到的2018年、2019年、2020年3 a民和县的土地覆被分类结果,经过精度评估和分类后处理,得到了图5。基于图4根据DT方法得到民和县撂荒地空间分布,利用野外采样获得的23个采样点与无人机拍摄的照片相结合,对提取结果进行验证,精度达到了82.6%,图6为撂荒地空间分布、撂荒地验证样点及局部区域放大。
图5 2018年、2019年、2020年土地覆被分类结果
图6 撂荒地空间分布、验证样点及局部区域放大
3.2 撂荒地面积统计与空间分布分析
利用ArcGIS软件的统计功能,对撂荒地空间分布进行统计。经统计2020年民和县撂荒地面积为43.17 km2,占民和县总面积的2.28%,撂荒地主要分布于民和县的西北部和中南部地区。将民和县高程分成5级进行统计,与撂荒地空间分布叠加,得到撂荒地在不同高程带的分布面积及占比(表7)。空间叠加分析与统计表明: 民和县撂荒地主要集中分布于海拔2 200~2 600 m之间,其中2 200~2 400 m间的撂荒地面积最多,其次为2 400~2 600 m,两者合计面积为35.51 km2,占撂荒地面积的82.24%,而≤2 200 m和≥2 600 m的区域,撂荒地面积分别为7.07 km2和0.59 km2,占撂荒地面积的16.37%与1.39%。
表7 不同高程级别下的撂荒地面积统计
这种现象主要与民和县的地形有关,民和县主要位于湟水和黄河之间(图1),地势南北低中间高,其中西部及西南部多为中高山地。2 200 m以下的区域地形较为平坦、气候适宜、土壤肥沃,极其适合耕种,因此城镇和平原旱地多分布于此,如湟水两岸和黄河两岸河谷区域; 2 600 m以上的区域大多为民和县西部及西南部中高山地,属于拉脊山余脉,高山地区气温低不宜耕种,耕地数量少,故撂荒地占比也少; 2 200~2 600 m之间的区域主要是民和县北部、西北部及中东部的黄土丘陵部分,该部分主要以分散的农村居民点和坡耕地为主,耕地总量最大,加上坡耕地耕种效率不高,农村居民外出务工,农村劳动力缺失,所以这个区域内撂荒地面积最大。
利用高程进行坡度和坡向运算,得到民和县坡度和坡向。根据1984年中国农业区划委员会颁发的《土地利用现状调查技术规程》耕地坡度分级标准,即[0°,2°),[2°,6°),[6°,15°),[15°,25°)和[25°,90°]共5级。将研究区坡度分为1~5级,将分级后的坡度图和提取的撂荒地进行空间叠加分析得到民和县不同坡度的撂荒地范围,经统计得到各个坡度的撂荒地面积(表8)。
表8 不同坡度级别下的撂荒地面积统计
由表8可知,民和县的撂荒地主要集中于3级和4级坡度,即坡度[6°,25°)出现撂荒现象最为严重,撂荒面积达到36.26 km2,占总撂荒面积的83.98%。出现这种情况的主要原因是由于民和县属于黄土丘陵地貌类型,沟壑纵横,大多数农田都是坡耕地,致使耕种难度增大,同时降水少,土壤贫瘠,粮食的产量较低。通过比对3级和4级坡度下的撂荒地面积,发现4级坡度面积比3级多了近9 km2,这表明在坡度逐渐变大的情况下,耕种难度会增大,收益也会降低,导致坡度大的耕地会被逐步放弃耕种变成撂荒地。
在分析高程与坡度的基础上,分析了坡向对坡耕地的影响。将研究区整体分为阴坡、阳坡、半阴坡、半阳坡。基于阴坡、半阴坡、半阳坡、阳坡的判定规则,将民和县坡向进行重分类,并将重分类后的坡向图和提取的撂荒地进行叠加分析可以得到民和县不同坡向的撂荒地范围。计算后得到不同坡向的撂荒地面积(表9)。
表9 不同坡向下的撂荒地面积统计
分析表明根据不同坡向下的撂荒地面积结果得出的结果是半阴坡和半阳坡的撂荒地面积大致相等,但阴坡撂荒地面积明显高于阳坡撂荒地的面积。因为阳坡阳光充足,在同等条件下阳坡的作物生长最好,而阴坡背光,太阳辐射少导致阴坡的作物生长周期要长于阳坡的作物,虽然土壤湿润但不太适合作物耕种,反而更加适合林地的生长。久而久之阴坡的耕地会被放弃,所以阴坡的撂荒地面积要多于阳坡的撂荒地面积。
4 结论与讨论
4.1 讨论
Sentinel-2影像作为一种免费且具有较高分辨率的影像,相较于Landsat影像具有更高的空间分辨率和时间分辨率,改善了影像空间分辨率低导致的混合像素影响,易于获得多季相的数据,提高了土地覆被分类精度。近几年来,Sentinel-2数据已被广泛应用于遥感分类中[33-34]。王华等[35]利用GEE云平台基于多时相Landsat影像对中亚地区植被覆盖遥感监测,解决了云污染严重问题; Ghorbanian等[36]使用Sentinel-1数据辅助Sentinel-2数据分类,提高了遥感检测精度。由于青海民和县云量较多,云污染现象比较严重,因此本研究在前人研究的基础上基于GEE海量的影像数据库,利用了Sentinel-2数据的高空间分辨率、高时间分辨率和Sentinel-1 SAR可以穿透云层在多云天气获取较高质量影像的特点,有效改善了因研究区多云难以获取高质量影像的问题,提高多云地区影像分类精度。
在撂荒地的判定上,本研究基于耕地闲置1 a以上而未被利用则为撂荒地的判断规则,结合青海民和县Sentinel-2数据仅有3 a的实际情况,选用2018年、2019年、2020年3 a的Sentinel-2影像利用RF分类器进行土地覆被分类,以此来获取2020年的撂荒地情况,3 a的总体分类精度分别达到了86.93%,87.36%和 88.54%,最后撂荒地提取精度也达到了82.6%,表明基于Sentinel-1和Sentinel-2影像数据结合RF和DT可以较好地提取撂荒地。
但本研究仍存在着不足之处,研究区地处黄土高原丘陵区,大部分地区地势起伏较大,耕地多为坡耕地,有些会受到阴影遮盖,给分类精度带来了一定的影响。因此后续的研究中,涉及耕地提取的时候可以在预处理中加入地形校正的方法,去除阴影的遮挡,提高撂荒耕地遥感监测的精度。
4.2 结论
本文基于GEE云平台,结合研究区农作物种植期和成熟期的物候信息,选择Sentinel-1SAR合成孔径雷达影像和Sentinel-2卫星多光谱成像仪影像; 基于光谱特征、地形特征、极化特征和缨帽特征等,依据GEE特征重要性评估方法来优化组合特征,采用RF的方法进行分类,获得了民和县2018—2020年的土地覆被分类数据,分类精度均达到85%以上; 在此基础上,结合DT分类方法监测研究区撂荒地面积及空间分布,根据建立的耕地撂荒提取规则提取2020年民和县撂荒地范围,并以野外实测数据进行验证,得到以下主要结论:
1)在黄土丘陵地区,基于单季相Sentinel-1/2影像的研究无法满足实际应用的需求,基于物候期的Sentinel-1和Sentinel-2的多季相合成影像能够有效提高土地覆被分类精度的能力,提高撂荒地的提取精度。
2)研究表明,参与分类的特征参数以地形特征、光谱特征、极化特征和缨帽特征顺序组合的方式是分类结果中最优的。
3)GEE云平台集大数据和云计算于一体,能够加快数据获取效率、提高数据的运算能力,有利于获取所需物候期的高质量影像。撂荒地提取研究中Sentinel-1数据的加入使用,可以提高分类精度,减少碎屑图斑,更加有效区分耕地、草地和林地。
4)基于民和县高程数据和撂荒地数据的叠加分析,发现民和县撂荒地主要集中于北部、西北部及中东部丘陵地区,其中以坡度位于[6°,25°)阴坡的区域耕地撂荒现象最为明显。 （原文有删减）
参考文献
[1] 陈欣怡, 郑国全.
国内外耕地撂荒研究进展
[J]. 中国人口·资源与环境, 2018, 28(s2):37-41.
[2]
段亚明, 周洪, 刘秀华, 等.
中国耕地撂荒的研究进展与展望
[J]. 江苏农业科学, 2018, 46(13):13-17.
[3]
朱长明, 骆剑承, 沈占锋, 等.
基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取
[J]. 农业工程学报, 2011, 27(9):94-99.
[4]
陈彦四, 黄春林, 侯金亮, 等.
基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究
[J]. 遥感技术与应用, 2021, 36(2):324-331.
[5]
宋宏利, 雷海梅, 尚明.
基于Sentinel 2A/B时序数据的黑龙港流域主要农作物分类
[J]. 江苏农业学报, 2021, 37(1):83-92.
[6]
薛娟, 俞琳锋, 林起楠, 等.
基于Sentinel-1多时相InSAR影像的云南松切梢小蠹危害程度监测
[J]. 国土资源遥感, 2018, 30(4):108-114.doi:10.6046/gtzyyg.2018.04.17.
[7]
肖国峰, 朱秀芳, 侯陈瑶, 等.
撂荒耕地的提取与分析——以山东省庆云县和无棣县为例
[J]. 地理学报, 2018, 73(9):1658-1673.
DOI:10.11821/dlxb201809004
[8]
Wu M H, Hu Y M, Wang H M, et al.
Remote sensing extraction and feature analysis of abandoned farmland in hilly and mountainous areas:A case study of Xingning,Guangdong
[J]. Remote Sensing Applications:Society and Environment, 2020, 20:100403.
DOI:10.1016/j.rsase.2020.100403 URL
[9]
田颖, 陈卓奇, 惠凤鸣, 等.
欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析
[J]. 北京师范大学学报(自然科学版), 2019, 55(1):57-65.
[10]
杨通, 郭旭东, 邱德鹏, 等.
基于联合变化检测的耕地撂荒信息提取与驱动因素分析
[J]. 农业机械学报, 2019, 50(6):201-208.
[11]
He S, Shao H Y, Xian W, et al.
Extraction of abandoned land in hilly areas based on the spatio-temporal fusion of multi-source remote sensing images
[J]. Remote Sensing, 2021, 13(19):3956.
DOI:10.3390/rs13193956 URL
[12]
王红岩, 汪晓帆, 高亮, 等.
基于季相变化特征的撂荒地遥感提取方法研究
[J]. 遥感技术与应用, 2020, 35(3):596-605.
[13]
马引弟, 吴静, 李纯斌, 等.
基于Sentinel-2影像数据的耕地撂荒信息提取——以甘肃省天水市八里湾镇为例
[J]. 生产力研究, 2020(5):61-64.
[14]
Zeng H W, Wu B F, Wang S, et al.
A synthesizing land-cover classification method based on Google Earth Engine:A case study in Nzhelele and Levhuvu Catchments,South Africa
[J]. Chinese Geographical Science, 2020, 30(3):13.
[15]
Gomez C, White J C, Wulder M A.
Optical remotely sensed time series data for land cover classification:A review
[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116:55-72.
DOI:10.1016/j.isprsjprs.2016.03.008 URL
[16]
马慧娟, 高小红, 谷晓天.
随机森林方法支持的复杂地形区土地利用/土地覆被分类研究
[J]. 地球信息科学学报, 2019, 21(3):359-371.
DOI:10.12082/dpxxkx.2019.180346
[17]
张晓羽, 李凤日, 甄贞, 等.
基于随机森林模型的陆地卫星-8遥感影像森林植被分类
[J]. 东北林业大学学报, 2016, 44(6):53-57,74.
[18]
胡云锋, 商令杰, 张千力, 等.
基于GEE平台的1990年以来北京市土地变化格局及驱动机制分析
[J]. 遥感技术与应用, 2018, 33(4):573-583.
[19]
Souverijns N, Buchhorn M, Horion S, et al.
Thirty years of land cover and fraction cover changes over the Sudano-Sahel using Landsat time series
[J]. Remote Sensing, 2020, 12(22):3817.
DOI:10.3390/rs12223817 URL
[20]
邹大伟, 李孝玲, 康瑞存, 等.
基于Google Earth Engine的土地覆盖分类方法研究
[J]. 测绘与空间地理信息, 2021, 44(s1):100-102,105,109.
[21]
李文婕, 焦仕军, 李荣.
气候变化对民和县冬小麦的影响分析
[J]. 青海农林科技, 2018(4):6-11.
[22]
牟晓莉, 李贺, 黄翀, 等.
Google Earth Engine在土地覆被遥感信息提取中的研究进展
[J]. 国土资源遥感, 2021, 33(2):1-10.doi:10.6046/gtzyyg.2020189.
[23]
Hu Y, Xu X L, Wu F Y, et al.
Estimating forest stock volume in Hunan Province,China,by integrating in situ plot data,Sentinel-2 images,and linear and machine learning regression models
[J]. Remote Sensing, 2020, 12(1):186.
DOI:10.3390/rs12010186 URL
[24]
Ion S, Alberto G M, Leire S P, et al.
Assessment of atmospheric correction methods for Sentinel-2 images in Mediterranean landscapes
[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73:63-76.
DOI:10.1016/j.jag.2018.05.020 URL
[25]
方匡南, 吴见彬, 朱建平, 等.
随机森林方法研究综述
[J]. 统计与信息论坛, 2011, 26(3):32-38.
[26]
吴宏安, 蒋建军, 张海龙, 等.
比值居民地指数在城镇信息提取中的应用
[J]. 南京师大学报(自然科学版), 2006, 29(3):118-121.
[27]
王正兴, 刘闯, Alfredo H.
植被指数研究进展:从AVHRR-NDVI到MODIS-EVI
[J]. 生态学报, 2003(5):979-987.
[28]
徐涵秋.
利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究
[J]. 遥感学报, 2005(5):589-595.
[29]
Belcore E, Piras M, Wozniak E.
Specific alpine environment land cover classification methodology:Google Earth Engine processing for Sentinel-2 data
[J]. The International Archives of Photogrammetry,Remote Sensing and Spatial Information Sciences, 2020, 43:663-670.
[30]
高程程, 惠晓威.
基于灰度共生矩阵的纹理特征提取
[J]. 计算机系统应用, 2010, 19(6):195-198.
[31]
Nedkov R.
Orthogonal transformation of segmented images from the satellite Sentinel-2
[J]. Comptes Rendus de l’Academie Bulgare des Sciences, 2017, 70(5):687-692.
[32]
史铁丑, 徐晓红.
重庆市典型县撂荒耕地图斑的提取与验证
[J]. 农业工程学报, 2016, 32(24):261-267.
[33]
王德军, 姜琦刚, 李远华, 等.
基于Sentinel-2A/B时序数据与随机森林算法的农耕区土地利用分类
[J]. 国土资源遥感, 2020, 32(4):236-243.doi:10.6046/gtzyyg.2020.04.29.
[34]
刘智丽, 张启斌, 岳德鹏, 等.
基于Sentinel-2A与NPP-VIIRS夜间灯光数据的城市建成区提取
[J]. 国土资源遥感, 2019, 31(4):227-234.doi:10.6046/gtzyyg.2019.04.29.
[35]
王华, 杨乾鹏, 田云杰, 等.
基于多时相Landsat影像的中亚地区植被覆盖遥感监测
[J]. 干旱区地理, 2020, 43(4):1023-1032.
[36]
Ghorbanian A, Zaghian S, Asiyabi R M, et al.
Mangrove ecosystem mapping using Sentinel-1 and Sentinel-2 satellite images and random forest algorithm in Google Earth Engine
[J]. Remote Sensing, 2021, 13(13):2565.
【】: 张 昊(1998-),男,硕士研究生,研究方向为遥感应用与地理空间数据分析。Email: 15959785022@163.com。
: 高小红(1963-),女,博士生导师,教授,研究方向为遥感应用与地理空间数据分析。Email: xiaohonggao226@163.com。
【】：青海省自然科学基金项目“基于GEE云平台与Landsat卫星长时间序列数据的湟水流域30多年土地利用/土地覆被时空变化研究”(2021-ZJ-913)
【】：张昊, 高小红, 史飞飞, 李润祥. 基于Sentinel-2 MSI与Sentinel-1 SAR相结合的黄土高原西部撂荒地提取——以青海民和县为例[J]. 自然资源遥感, 2022, 34(4): 144-154.
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
