EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 39 - 48

DOI: https://doi.org/10.6046/zrzyyg.2023350

Collaborative monitoring of abandoned arable land in cloudy and rainy areas based on multisource remote sensing data

  • XIAO Wenju , 1 ,
  • YANG Yingpin 1 ,
  • WU Zhifeng , 1, 2, 3
Expand
  • 1. School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China
  • 2. Southern Marine Science and Engineering Guangdong Laboratory (Guangzhou), Guangzhou 511458, China
  • 3. MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China

Received date: 2023-11-14

  Revised date: 2024-02-29

  Online published: 2026-06-03

Fold

Abstract

In cloudy and rainy areas, the humid and hot climate and cloud contamination during the rainy season often cause the loss of optical data. Hence, optical data alone fail to enable the accurate monitoring of abandoned land. This study proposed a method for monitoring abandoned land in cloudy and rainy areas based on multisource remote sensing data. By integrating optical and synthetic aperture Radar (SAR) remote sensing data, this study extracted the multitemporal optical and SAR-derived features of vegetation and assessed their importance using the GINI index. Employing the random forest classifier, this study mapped the spatial distribution of abandoned land in Jiexi County in 2021. The results show that the proposed method achieved a relatively high accuracy in identifying abandoned land in cloudy and rainy areas, yielding an overall accuracy of 87.0%. This value represents an improvement of 6.7 and 13.8 percentage points, respectively, compared to the results derived solely from optical and SAR remote sensing features. The analysis reveals that the normalized difference vegetation index (NDVI), soil-adjusted vegetation index (SAVI), polarization entropy, normalized difference water index (NDWI), and anti-entropy are crucial for identifying abandoned land. Additionally, key months for distinguishing abandoned from non-abandoned land include February, April, June, August, and December. This study establishes a monitoring model for abandoned land based on multisource features and multitemporal phases, providing technical support for monitoring abandoned land in cloudy and rainy areas.

Key words： abandoned land; multisource remote sensing; cloudy and rainy areas; arable land; temporal features

Cite this article

XIAO Wenju , YANG Yingpin , WU Zhifeng . Collaborative monitoring of abandoned arable land in cloudy and rainy areas based on multisource remote sensing data[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 39 -48 . DOI: 10.6046/zrzyyg.2023350

0 引言

随着城市化和工业化进程不断加快,许多耕地出现撂荒现象[1-3]。截至第三次全国土地调查,中国耕地面积为19.18亿亩❶（❶1亩≈666.67 m2）,相较于第二次全国土地调查,耕地面积减少了1.13亿亩[4-5]。遥感监测方法具有监测范围广、效率高等特点,利用遥感技术能够快速准确地获取区域大尺度的耕地信息,为保护耕地提供了重要手段[6-7]。
当前,基于遥感手段提取撂荒耕地的数据源,主要分为基于光学数据和基于微波遥感数据2类。基于光学数据的监测方法主要通过获取植被生长关键期的光学波段信息来区分撂荒地与非撂荒地[8-11]。部分学者基于归一化植被指数(normalized difference vegetation index,NDVI)特征识别撂荒耕地,例如王玲玉等[12]以峰值特征作为划分撂荒地和非撂荒地的阈值; 宋宪强等[13]基于多时相NDVI差值方法获取撂荒耕地的信息。此外,基于多源、多时相光学数据结合进行撂荒地分类提取的方法也得到应用。杨通等[14]基于ZY-3,Sentinel-2和GF-1数据,采用联合变化检测方法对内蒙古自治区和林格尔县的撂荒耕地进行识别,发现基于多时相遥感信息提取方法的提取精度要高于单时相分类方法。研究表明,当光学数据能覆盖完整的生长周期时,其分类精度较高。但光学卫星的对地观测常常受天气条件干扰,造成数据的缺失,在多云多雨的南方地区,其分类精度通常较低。基于微波的合成孔径雷达(synthetic aperture Radar,SAR)数据不受天气条件限制,能够获得高频次的对地观测信息,在监测多云多雨地区植被生长信息中具有优势[15-19]。 Luo等[17]基于SAR时序数据,通过面向对象和随机森林(random forest,RF)分类方法提取了农作物的空间分布信息,发现Sentinel-1 SAR数据在大豆提取中存在一定的局限性; Xu等[18]通过构建Sentinel-1 SAR的后向散射信息的时序特征曲线,捕捉农作物在监测窗口期的强度变化,获得不同农作物的空间分布信息; Yang等[19]基于Sentinel-1 SAR时序数据,通过深度学习方法开展了撂荒地监测研究,总体精度最高达到82.99%。研究发现,由于Sentinel-1 SAR数据信噪比较低,噪声问题在一定程度上对分类精度造成影响。受限于单一数据源监测方法中存在的不足,协同多源遥感数据进行分类研究的方法相继得到应用。张昊等[20]基于单时相Sentinel-2数据和Sentinel-1 SAR数据,采用随机森林分类方法进行撂荒地识别; Bucha等[21]利用Sentinel-1 SAR数据和Sentinel-2数据进行了撂荒地的生物量信息识别,通过获取Sentinel-1 SAR数据的垂直-垂直极化(vertical-vertical,VV)、垂直-水平极化(vertical-horizontal,VH)波段信息以及Sentinel-2数据的光学波段信息,实现撂荒地生物量监测。但基于单时相的分类方法在植被类型复杂多样的种植区开展作物分类和撂荒识别存在一定局限性。
上述研究表明,光学数据和SAR数据均可应用于撂荒耕地识别中。然而,基于单一遥感数据进行撂荒监测时,数据缺失和噪声干扰等问题会降低整体分类精度; 在协同单时相光学数据和SAR数据分类的方法中,无法获取植被在生长过程中的变化信息,对于监测种植结构复杂的研究区存在一定局限性。
华南地区气候多云多雨、地形条件复杂、地表异质性程度高,难以通过单一数据和单一时相数据来准确识别撂荒地。基于上述考虑,本文提出一种针对多云多雨区的多源遥感协同的撂荒地监测方法,以广东省揭西县为研究区,结合多时相Sentinel-2光学数据和Sentinel-1 SAR数据,通过对分类特征和分类时相进行筛选,利用RF分类模型进行分类并开展撂荒地空间制图。为比较不同特征组合下撂荒地的分类精度,本文分别构建了不同类别和不同时间维度特征集的分类模型,以制图精度和总体分类精度来评价不同模型的分类效果。

1 研究区概况与数据源

1.1 研究区概况

揭西县(图1)位于广东省东部的揭阳市,地貌类型以山地、丘陵、平原为主,其中山地和丘陵主要分布在西北部区域,面积占比分别为62%和24%,平原主要分布在东部。揭西县以亚热带季风气候为主,降水丰富,全年总降水量达到2 000 mm以上。全县面积约1 347 km2,耕地面积为260.9 km2,约占全县总面积的19.3%,该县主要农作物包括水稻、花生、玉米以及蔬菜等,具有地形条件复杂、气候条件多变、种植类型多样等自然条件特征。近年来,受城市化影响,揭西县从事农业生产的人口逐年减少,耕地撂荒现象十分明显。
图1 研究区地理位置及样本点空间分布情况

Fig.1 Geographical location of the study area and spatial distribution of the samples

1.2 数据源及其预处理

本文数据源包括Sentinel-2多光谱影像(multi spectral image,MSI)数据、Sentinel-1 SAR数据和Google Earth高分辨率遥感数据。其中,Sentinel-2数据主要基于谷歌地球引擎(Google Earth Engine,GEE)(http://earthengine.google.org/)平台获取,其时间分辨率为16 d,空间分辨率为10 m。Sentinel-1单视复数影像(single look complex,SLC)数据主要基于欧洲空间局官网(https://scihub.copernicus.eu/)获取,空间分辨率为5 m×20 m。获取影像时间为2021年,时间序列涵盖了作物生长的整个物候期。影像获取时间如表1所示。
表1 时间序列数据集

Tab.1 Time series dataset of Sentinel-1 and Sentinel-2

数据类型 时间 数据类型 时间
Sentinel-1 2021-01-09 Sentinel-2 2021-01-01
Sentinel-1 2021-02-26 Sentinel-2 2021-02-10
Sentinel-1 2021-03-22 Sentinel-2 2021-03-12
Sentinel-1 2021-04-15 Sentinel-2 2021-04-11
Sentinel-1 2021-05-09 Sentinel-2 2021-05-11
Sentinel-1 2021-06-03 Sentinel-2 2021-06-10
Sentinel-1 2021-07-20 Sentinel-2 2021-07-10
Sentinel-1 2021-08-25 Sentinel-2 2021-08-19
Sentinel-1 2021-09-18 Sentinel-2 2021-09-18
Sentinel-1 2021-10-12 Sentinel-2 2021-10-18
Sentinel-1 2021-11-17 Sentinel-2 2021-11-17
Sentinel-1 2021-12-23 Sentinel-2 2021-12-07
本文通过下载L2A级的Sentinel-2产品,利用ENVI 5.4平台对其进行影像镶嵌、裁剪等操作,得到12景覆盖研究区的Sentinel-2影像数据。
Sentinel-1 SLC数据的预处理基于SNAP平台实现。其主要预处理流程主要包括轨道校正、条带去除、计算极化矩阵、多视处理、噪声去除、极化分解、地形纠正8个步骤,于该处理流程可得到3个极化分解参数,分别为反熵(anisotropy,A)、极化熵(entropy,H)和散射角(alpha)。另外,为进一步增加Sentinel-1 SLC数据的特征维度,本文进一步获取了VV和VH极化特征值。
样本数据来源于野外地面调查以及Google Earth高分辨率影像目视解译(图2)。2021年5月在揭西县开展实地调查,共获得样本数据965个,包括水稻样本457个,撂荒地样本343个,其他样本165个。在其他类型样本中,主要包含玉米样本点75个,花生样本27个,蔬菜样本63个,由于样本数量不足,本研究将其合并为一类。基于地面调查样本数据以及Google Earth高分辨率影像,通过目视解译补充样本数量构建撂荒地和农作物类型样本集。扩充后的样本集共包含样本数1 827个,其中水稻样本597个,撂荒地样本634个,其他类型样本596个,样本空间分布如图1所示。
图2 撂荒地和非撂荒地示例

Fig.2 Examples of abandoned landand non-abandoned land

本文以2021年12月的Google Earth高分辨率遥感影像(0.5 m空间分辨率)数据为底图,以面向对象分割为基础,基于eCognition平台进行影像分割,得到地块的初步分割结果。将该地块数据作为样本输入到ArcGIS Pro中,利用深度学习中的ResNet50骨干模型对地块进行精细分割,对分割后的结果进行人工边界修正。得到耕地地块共7.1万个,边界准确度为81.3%。耕地提取结果如下图所示(图3)。根据提取结果可见,耕地地块主要分布在平原地区,少数分布在海拔较高的山地和丘陵地区。
图3 耕地地块提取结果

Fig.3 Extraction results of cultivated land

2 研究方法

本文将撂荒时间为1 a及以上的耕地定义为撂荒地,研究技术路线如图4所示,主要包括: ①多源遥感数据的获取与预处理; ②多源特征指数计算与时序曲线构建; ③分类特征重要性评价; ④不同特征组合下的对比实验分析; ⑤精度评价与撂荒地空间分布制图。
图4 技术流程图

Fig.4 Technical flowchart

2.1 多源特征提取

利用Sentinel-1数据和Sentinel-2数据计算多源特征指数,具体包括光学特征和SAR特征2类。
1)光学特征。由Sentinel-2数据的各个波段构建,植被指数为地表植被特征的重要表征参数,在植被长势、生物量、结构信息等应用中具有重要意义。本文参考国内外相关文献[6,22 -27]和作物自身的光谱特性,并结合研究区植被的情况,计算NDVI、归一化水体指数(normalized difference water index,NDWI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI),计算公式分别为:
N D V I = ρ N I R - ρ R ρ N I R + ρ R ,
N D W I = ρ G r e e n - ρ N I R ρ G r e e n + ρ N I R ,
S A V I = ρ N I R - ρ R ( ρ N I R - ρ R + 0.5 ) × ( 1 + 0.5 ) ,
式中: ρ B l u e, ρ G r e e n, ρ R, ρ N I R分别为影像蓝光波段、绿光波段、红光波段和近红外波段的反射率值。
2)SAR特征。从Sentinel-1 SLC影像中获取了VV,VH,Alpha,A,H这5个SAR特征参数作为影像特征来研究。基于已获取的Sentinel-1数据集,提取训练集和测试集样本对应的特征参数。其中,VV对于表面平整、光滑的植被和水体等具有较好的反射性; VH对于在水平方向上有较强反射率的地物可达到较好的监测效果; H可用于对系统复杂度和不确定性度进行描述,H值越高,说明系统复杂度越高; A表示极坐标分解的第一特征和第二特征的比值,可用来衡量二次散射机制之间的相对重要性; Alpha的变化范围为0°~90°之间,可用来表示探测对象的结构特征,当探测对象结构特征复杂时,Alpha散射角值较大,反之则越小。
本文共得到光学特征数据集共36景(NDVI,NDWI,SAVI特征各12景),SAR特征数据集共60景(VV,VH,Alpha,H,A特征各12景),涵盖了监测窗口期内植被生长的整个周期,可获得植被在不同时间的SAR特征、光谱特征变化信息。

2.2 分类特征筛选和模型构建

本文共选取2021年1—12月共12个时相的8类特征变量参与分类,总特征维数为96。为保证模型运行效率,需要对分类特征、分类时相进行筛选,获取重要性较高的特征子集。
本文以GINI系数来衡量输入特征对于模型贡献大小。其主要思想是: 假设随机森林中有决策树数目n,对于第i棵树,样本中某一特征变量在节点m分裂前后的GINI系数的变化值,可作为在节点m上特征变量的重要性。对于样本中所有特征变量来说,基于GINI系数归一化值越高,特征重要性程度越高[9,11]。计算公式为:
G I N I = 1 - ∑ k = 1 K P m k 2 ,
式中: K为类别数量; P m k为类别k在节点m上的样本权重。
研究选用RF算法进行撂荒地分类提取,RF分类模型是一种由多棵决策树组合而成的集成学习算法,其对样本的容错能力较强且训练效率较高[9]。该模型基于MATLAB R2019a的Treebagger函数实现,将所有样本按照7∶3划分为训练样本和验证样本。将多源光学和极化特征作为分类模型的输入,为了进一步讨论分类模型参数对于模型训练精度的影响,本文构建了不同决策树数目下的RF分类模型,依据模型分类误差率决定最佳决策树数目。

2.3 对比实验分析及精度评价

为对比不同类型特征集对分类结果精度的影响,本文基于上述优选特征和分类模型,通过特征组合构建了3类特征变量集,并将其导入RF分别生成3个不同的分类模型: 仅基于光学特征的RF分类、仅基于SAR特征的RF分类以及基于光学特征和SAR特征结合的RF分类。
为对比不同时间维度特征集对分类结果精度的影响,本文进一步基于单时相多源遥感数据和多时相遥感数据进行撂荒地分类提取。

3 结果与分析

3.1 多源特征时序构建结果

图5为经过S-G滤波平滑后的时间序列曲线,从曲线形态来看,撂荒地和农作物在监测窗口内的变化特征存在一定差异。光谱特征参数中,以NDVI曲线为例,水稻在生长季有2次明显的波峰和波谷,生长季为4—9月,其余时间种植蔬菜,蔬菜一般在10月播种,次年2月或3月收获; 从花生-番薯曲线看,花生从4月开始种植生长,7月达到生长高峰期,1 a内只种植一轮,而番薯可全年种植,生长期一般为5个月,一般于9月种植,次年3月收获; 从玉米-小麦曲线看,玉米多在6月种植,9月收获,小麦则在11月种植,次年5月收获; 从大豆-玉米曲线看,大豆一般于4月播种,7月收获,此后可继续种植玉米,一般于8月或9月栽苗,12月收获。这类曲线波峰波谷特征明显,与作物实际轮作制度的生长特征拟合程度较高。而撂荒地的光学特征曲线变化较平缓,特征值保持较高水平。SAR特征参数中,水稻的Alpha在8月形成波谷,A曲线处于波峰,该时期为第一季水稻的收获期和第二季水稻的种植区,曲线形态在该时期会产生明显的变化。在整个监测窗口内,水稻-蔬菜的VV曲线在-13~-10之间波动,VH曲线在-21~-15之间波动,H曲线在0.7~0.8之间变化。而撂荒地的Alpha在整个监测窗口内变化浮动不大,但从数值来看,撂荒地的Alpha明显高于种植作物,说明其结构特征更加复杂。A特征整体变化范围低于作物曲线,VV和VH特征曲线变化浮动相较于作物曲线波动更加明显,说明其表明平整度更低,H特征变化曲线整体高于作物曲线,说明其系统复杂度要大于作物种植区。
图5 多源特征时序曲线

Fig.5 Multi-source feature time series curve

3.2 关键特征重要性评价结果

在获取的96维分类特征基础上,以归一化重要性评分作为指标,评价各个分类特征的重要性程度,图6(a)为特征降维前分类特征重要性评价结果。不断调整重要性阈值大小,发现当参与分类的特征重要性值大于0.35时,分类精度最高,因此本研究将重要性大于0.35的特征作为分类模型的输入。图6(b)为筛选后的特征重要性评价结果,可以看出,参与分类的特征包括NDVI,NDWI,SAVI,VV,Alpha,A和H,特征维度数为49。从特征筛选结果可知,在分类特征上,NDVI,NDWI,SAVI,A和H参数对分类模型精度的提高均起到较高的正向作用。NDVI和SAVI均与红波段和近红外波段相关,这也是农业信息识别中常用的波段或植被指数; NDWI可以表征植被的水分含量,说明植被之间水含量的差异也是分类的关键信息; A和H可以分别表征植被表面的光滑平整程度和系统复杂度。以上5个参数对于区分撂荒地和作物种植耕地的空间特征十分有效。在分类时相上,2月、4月、6月、8月、12月的特征重要性较高。其中,8月份在所有分类特征中均呈现较高的重要性评分,该时期是第一季水稻、花生等作物收获的时期,也是第二轮作物种植的时期,植被的光谱特征和SAR特征在该时期均有明显的变化; 2月和12月为部分轮作作物蔬菜、玉米等的收获期; 4月为春季作物播种期,也是其他植被开始抽枝发芽的阶段; 6月为研究区作物生长旺盛季节。上述几个时期对于区分撂荒地和非撂荒地具有重要作用。
图6 多源特征筛选结果

Fig.6 Result of multi-source feature filtering

3.3 分类模型构建结果

图7为模型分类误差曲线图,随着决策树数目n值的增加,分类误差率在不断降低。当决策树数量n<20时,所有特征的分类误差率均急剧下降; 当决策树数量在20~80之间时,分类误差率仍在缓慢降低并逐渐趋于稳定。通过不断调整决策树数目,观察验证样本的分类精度,将决策树数目n确定为88,其余参数均保持默认设置。利用该结果参数下的RF分类模型对研究区的所有地块样本进行分类预测。
图7 模型误差曲线

Fig.7 Model error plot

3.4 对比实验结果分析

本文使用上文中的特征组合方法分别进行作物分类,将分类结果与验证样本进行混淆矩阵计算,得到不同特征组合下的分类精度,表2为不同特征组合下的混淆矩阵。
表2 不同特征组合下的混淆矩阵

Tab.2 Confusion matrix with different feature combinations

特征 类别 撂荒地 水稻 其他作物 总计 制图精度/% 用户精度/% 总体精度/%
SAR特征 撂荒地 141 18 26 185 76.5 73.1 73.2
水稻 15 144 28 187 77.1 77.8
其他作物 37 23 116 176 65.7 68.2
总计 193 185 170 548 — —
光学特征 撂荒地 160 3 18 181 88.7 73.9 80.3
水稻 7 171 10 183 93.2 85.2
其他作物 23 15 146 184 79.5 81.2
总计 190 189 174 548 — —
SAR特征+
光学特征		 撂荒地 160 3 18 181 88.7 84.2 87.0
水稻 7 171 10 183 93.2 90.5
其他作物 23 15 146 184 79.5 83.9
总计 190 189 174 548 — —
从表可知,3种特征组合下,不同类别的分类精度存在差异。其中,基于光学特征和SAR特征组合得分类精度最高,总体精度达87.0%; 仅使用SAR特征的分类精度最低,总体分类精度为73.2%; 仅使用光学特征的总体分类精度为80.3%。与单独使用光学特征或单独使用SAR特征分类相比,2类特征的组合条件下,总体精度分别提高6.7和13.8百分点。这是由于当利用单一数据进行分类时,其特征维度较少,训练模型可获得的信息量不够充足,无法对某些地类进行精准判别,存在错判、漏判的情况。当结合2类数据特征进行分类时,进一步扩充了分类维度,可提高分类模型训练精度。
为对比不同时间维度信息对于分类结果精度的影响,本文基于单时相、多源分类特征提取撂荒地,提取精度如表3所示。相较于基于单时相特征的分类总体精度,基于多时相分类特征的总体分类精度提高了11.27%,说明通过扩充时间维度信息可以有效提高撂荒地的监测精度。由于单时相分类方法仅利用了作物生长期的某一时相的信息,无法捕捉植被生长的变化过程,而多时相特征分类方法充分利用了植被生长的物候信息,通过不同时相、不同植被在光谱特征和SAR特征上的差异性进行分类判别,可有效提高监测精度。
表3 基于单时相、多源遥感特征分类方法的精度验证混淆矩阵

Tab.3 Precision verification confusion matrix table based on the combination of optical and SAR features

类别 撂荒地 水稻 其他作物 总计 制图精度/%
撂荒地 137 26 18 181 75.69
水稻 21 155 22 198 78.27
其他作物 19 27 123 169 72.78
总计 177 208 163 548 —
用户精度/% 77.40 74.52 75.46 — —
总体精度/% 75.73

3.5 地块尺度撂荒地空间分布

基于3.3中的分类预测模型,开展研究区撂荒地空间分布制图,得到揭西县撂荒地、水稻、其他作物分类结果(图8)。从耕地空间分布特征来看,西北部山区耕地数量少且多为条带状分布,分布零散; 东部地区耕地分布密集,形状规则。水稻和其他作物类型主要分布在东部平原地区,在西北部山地、丘陵地带零散分布。撂荒地在空间上呈现分散分布的特点,西北部山区单个撂荒地块面积较大,西部山区最为明显,而东部平原地区的撂荒耕地则多为小面积的不规则耕地。
图8 撂荒地、水稻和其他作物提取结果

Fig.8 Extraction results of abandoned land, rice, and other crops

4 讨论与结论

4.1 讨论

本研究通过协同Sentinel-1 SAR数据与Sentinel-2光学数据开展撂荒地监测方法研究,在揭西县开展实验研究,获得了较高的提取精度。研究结合了多源、多时相遥感数据进行撂荒地监测,一定程度上克服了单一数据、单一时相的监测方法带来的不确定性,可为多云多雨区的撂荒地监测提供技术支撑。同时,本文基于地块尺度进行撂荒地空间分布制图,保证了单个地块属性的一致性。但仍然存在一些不足之处,例如研究仅提取了3个光学特征指数,虽然很大程度上获取植被的光学特征信息,但分类类别更加复杂时,可进一步增加与植被监测相关的光学特征,例如红边拐点指数和增强型植被指数等。此外,本研究仅获得3种地类的空间分布图,可进一步增加分类类别,实现不同种植作物与撂荒地的分类提取。在验证研究方法的可推广性方面,本研究仅在揭西县开展了实验,并未验证该方法在不同种植结构和地形条件下的适用性,未来可考虑将该方法运用到其他种植区。在研究尺度上,本研究仅在县级尺度开展了实验,未来可进一步扩大研究区域,探究该方法在不同研究尺度下的适用性。

4.2 结论

本文协同多源遥感数据,充分挖掘撂荒地、水稻与其他种植作物的特征差异,构建了多特征组合下的RF分类模型,探究了在优选特征集下RF分类模型的有效性。结合多源、多时相数据特征进行RF分类,得到撂荒地的制图精度为88.7%,水稻的制图精度为93.2%,其他作物的制图精度为79.5%,总体分类精度为87.0%。为多云多雨区的撂荒地监测提供了理论支持。研究主要得到以下几点结论:
1)对比实验结果表明,与使用单一数据源相比,多源遥感数据协同、多时相协同可以有效改善地物的分类精度。与仅基于SAR特征的分类相比,光学特征与SAR特征结合可使撂荒地、水稻和其他作物的制图精度分别提高12.2,16.1和13.8百分点。
2)通过构建时序特征曲线,捕捉了植被在整个生长期内的物候特征变化,通过对比撂荒地和不同作物的时序曲线,发现撂荒地在监测窗口期内的光谱特征和SAR特征均较为平缓,而作物曲线在整个生长期SAR特征和光谱特征起伏较大,表现出明显的“种植-生长-收获”的规律。
3)通过筛选重要特征集,得到最终参与分类特征数量为49维,在分类特征中, NDVI,NDWI,SAVI,H,A对于分类均有较高的贡献度; 在分类时相中,2月、4月、6月、8月、12月重要性程度较高,说明获取植被在关键时相的生长信息对于区分撂荒地和非撂荒地十分重要。
4)本文基于地块尺度进行撂荒地空间分布制图,保证了单个地块属性的一致性。与基于像元分类的方法相比,减少了由于“同物异谱”或“同谱异物”带来的不确定性问题。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李升发, 李秀彬. 耕地撂荒研究进展与展望[J]. 地理学报, 2016, 71(3):370-389.

DOI

Li S F, Li X B. Progress and prospect on farmland abandonment[J]. Acta Geographica Sinica, 2016, 71(3):370-389.

DOI

[2]
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.

Chen X Y, Zheng G Q. Research progress of cultivated land abandonment at home and abroad[J]. China Population,Resources and Environment, 2018, 28(s2):37-41.

[3]
杨通, 郭旭东, 于潇, 等. 撂荒地监测方法与生态影响述评[J]. 生态环境学报, 2020, 29(8):1683-1692.

DOI

Yang T, Guo X D, Yu X, et al. Review on monitoring methods and ecological impact of abandoned agricultural land[J]. Ecology and Environmental Sciences, 2020, 29(8):1683-1692.

[4]
周小迦. 丘陵地带耕地撂荒遥感监测应用研究[J]. 自然资源遥感, 2024, 36(1):235-241.doi:10.6046/zrzyyg.2022435.

Zhou X J. Application of remote sensing monitoring in abandoned arable land in a hilly region[J]. Remote Sensing for Natural Resources, 2024, 36(1):235-241.doi:10.6046/zrzyyg.2022435.

[5]
罗雅红, 龚建周, 李天翔, 等. 基于MaxEnt模型提取撂荒耕地——以四川省武胜县为例[J]. 农业资源与环境学报, 2021, 38(6):1084-1093.

Luo Y H, Gong J Z, Li T X, et al. Extraction of abandoned farmland based on MaxEnt model:A case study of Wusheng County,Sichuan Province[J]. Journal of Agricultural Resources and Environment, 2021, 38(6):1084-1093.

[6]
杨颖频, 吴志峰, 骆剑承, 等. 时空协同的地块尺度作物分布遥感提取[J]. 农业工程学报, 2021, 37(7):166-174.

Yang Y P, Wu Z F, Luo J C, et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):166-174.

[7]
钱丽沙, 姜浩, 陈水森, 等. 基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取[J]. 农业工程学报, 2022, 38(5):158-166.

Qian L S, Jiang H, Chen S S, et al. Extracting field-scale crop distribution in Lingnan using spatiotemporal filtering of Sentinel-1 time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(5):158-166.

[8]
马丽, 徐新刚, 刘良云, 等. 基于多时相NDVI及特征波段的作物分类研究[J]. 遥感技术与应用, 2008, 23(5):520-524.

Ma L, Xu X G, Liu L Y, et al. Study on crops classification based on multi-temporal NDVI and characteristic bands[J]. Remote Sensing Technology and Application, 2008, 23(5):520-524.

[9]
刘杰, 刘吉凯, 安晶晶, 等. 基于时序Landsat8 OLI多特征与随机森林算法的作物精细分类研究[J]. 干旱地区农业研究, 2020, 38(3):281-288,298.

Liu J, Liu J K, An J J, et al. Precise crop classification based on multi-features from time-series Landsat8 OLI images and random forest algorithm[J]. Agricultural Research in the Arid Areas, 2020, 38(3):281-288,298.

[10]
林忠辉, 莫兴国. NDVI时间序列谐波分析与地表物候信息获取[J]. 农业工程学报, 2006, 22(12):138-144.

Lin Z H, Mo X G. Phenologies from harmonics analysis of AVHRR NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006, 22(12):138-144.

[11]
杜保佳, 张晶, 王宗明, 等. 应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类[J]. 地球信息科学学报, 2019, 21(5):740-751.

DOI

Du B J, Zhang J, Wang Z M, et al. Crop mapping based on Sentinel-2A NDVI time series using object-oriented classification and decision tree model[J]. Journal of Geo-Information Science, 2019, 21(5):740-751.

[12]
王玲玉, 周忠发, 赵馨, 等. 基于地块级时序遥感的喀斯特石漠化地区撂荒地时空演变[J]. 水土保持学报, 2020, 34(1):92-99,107.

Wang L Y, Zhou Z F, Zhao X, et al. Spatiotemporal evolution of Karst rocky desertification abandoned cropland based on farmland-parcels time-series remote sensing[J]. Journal of Soil and Water Conservation, 2020, 34(1):92-99,107.

[13]
宋宪强, 梁钊雄, 周红艺, 等. 基于决策树与时序NDVI变化检测的耕地撂荒遥感监测——以四川省凉山州普格县为例[J]. 山地学报, 2021, 39(6):912-921.

Song X Q, Liang Z X, Zhou H Y, et al. An updated method to monitor the changes in spatial distribution of abandoned land based on decision tree and time series NDVI change detection:A case study of Puge County,Liangshan Prefecture,Sichuan Province,China[J]. Mountain Research, 2021, 39(6):912-921.

[14]
杨通, 郭旭东, 于潇, 等. 基于多源数据的村域撂荒驱动力分析及模型模拟[J]. 干旱区资源与环境, 2019, 33(11):62-69.

Yang T, Guo X D, Yu X, et al. Driving force and model simulation of farmland abandonment in village scale based on multisource data[J]. Journal of Arid Land Resources and Environment, 2019, 33(11):62-69.

[15]
Meijninger W, Elbersen B, van Eupen M, et al. Identification of early abandonment in cropland through radar-based coherence data and application of a Random-Forest model[J]. GCB Bioenergy, 2022, 14(7):735-755.

[16]
王晨丞, 王永前, 王利花. 基于SAR纹理信息的农作物识别研究——以农安县为例[J]. 遥感技术与应用, 2021, 36(2):372-380.

DOI

Wang C C, Wang Y Q, Wang L H. Crop identification based on SAR texture information:A case study of Nong’an County[J]. Remote Sensing Technology and Application, 2021, 36(2):372-380.

[17]
Luo C, Qi B, Liu H, et al. Using time series sentinel-1 images for object-oriented crop classification in Google Earth Engine[J]. Remote Sensing, 2021, 13(4):561.

[18]
Xu L, Zhang H, Wang C, et al. Crop classification based on temporal information using sentinel-1 SAR time-series data[J]. Remote Sensing, 2018, 11(1):53.

[19]
Yang Y, Wu Z, Xiao W, et al. Abandoned land mapping based on spatiotemporal features from PolSAR data via deep learning methods[J]. Remote Sensing, 2023, 15(16):3942.

[20]
张昊, 高小红, 史飞飞, 等. 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.

Zhang H, Gao X H, Shi F F, et al. Sentinel-2 MSI and Sentinel-1 SAR based information extraction of abandoned land in the western Loess Plateau:A case study of Minhe County in Qinghai[J]. Remote Sensing for Natural Resources, 2022, 34(4):144-154.

[21]
Bucha T, Papčo J, Sačkov I, et al. Woody above-ground biomass estimation on abandoned agriculture land using Sentinel-1 and Sentinel-2 data[J]. Remote Sensing, 2021, 13(13):2488.

[22]
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

Xiao G F, Zhu X F, Hou C Y, et al. Extraction and analysis of abandoned farmland:A case study of Qingyun and Wudi Counties in Shandong Province[J]. Acta Geographica Sinica, 2018, 73(9):1658-1673.

[23]
Song W. Mapping cropland abandonment in mountainous areas using an annual land-use trajectory approach[J]. Sustainability, 2019, 11(21):5951.

[24]
刘瑞清, 李加林, 孙超, 等. 基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类[J]. 地理学报, 2021, 76(7):1680-1692.

DOI

Liu R Q, Li J L, Sun C, et al. Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series[J]. Acta Geographica Sinica, 2021, 76(7):1680-1692.

DOI

[25]
Portalés-Julià E, Campos-Taberner M, García-Haro F J, et al. Assessing the Sentinel-2 capabilities to identify abandoned crops using deep learning[J]. Agronomy, 2021, 11(4):654.

[26]
Luo C, Liu H J, Lu L P, et al. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine[J]. Journal of Integrative Agriculture, 2021, 20(7):1944-1957.

[27]
石娴, 明艳芳, 刘春秀, 等. 时序影像在冬小麦种植区提取中的应用分析[J]. 无线电工程, 2021, 51(12):1567-1576.

Shi X, Ming Y F, Liu C X, et al. Analysis on the application of time series image in extraction of winter wheat planting area[J]. Radio Engineering, 2021, 51(12):1567-1576.

Options
Outlines

/

〈 〉