GF-1衛星數據在永久基本農田非糧化監測中的應用

敖為赳， 陳一帆， 關 濤， 王建鋒， 鄧勁松， 干牧野，蘇 越

(1.浙江省土地資源調查辦公室，浙江杭州 310007; 2. 浙江大學遙感與信息技術研究所，浙江杭州 310058)

?

GF-1衛星數據在永久基本農田非糧化監測中的應用

敖為赳1， 陳一帆1， 關 濤1， 王建鋒1， 鄧勁松2， 干牧野2，蘇 越2

(1.浙江省土地資源調查辦公室，浙江杭州 310007; 2. 浙江大學遙感與信息技術研究所，浙江杭州 310058)

以浙江省嘉善縣為研究區，應用高分一號影像數據，通過面向對象分類方法提取永久基本農田范圍內坑塘、苗木地等非糧化區域，總體分類精度為0.846，Kappa系數為0.875。結果表明，利用高分辨率國產衛星影像，能夠快速、準確地提取永久基本農田非糧化面積和分布，為永久基本農田非糧化程度的快速監測和評估，合理管控和引導耕地用途提供可靠的參考。

永久基本農田；“非糧化”；高分一號；面向對象分類

隨著土地流轉進程的加速，永久基本農田非糧化問題日益突出。一方面，永久基本農田流轉非糧化現象是農業種植比較效益的正常反應，是農民的理性選擇。由于種植糧食的比較效益偏低，盡管各級政府實施了農作物良種補貼、保護價收購等惠民政策，但并沒有完全抵消農田租金、化肥、農藥等農業生產資料價格連年上漲帶來的負面影響，因此不少農民將永久基本農田用于發展苗木、花卉甚至挖塘養殖。另一方面，永久基本農田非糧化改變了田間的水利設施、灌溉系統，甚至改變和破壞了土壤層，未來恢復為種植糧食的農田非常困難。短期來看農民收入增多，經濟效益明顯，但從長遠來看，可能危害我國的糧食安全[1]。國土資源部《關于強化管控落實最嚴格耕地保護制度的通知》(國土資發〔2014〕18號)中明確要求，引導農業結構調整不改變耕地用途，嚴禁占用基本農田挖塘造湖、種植林果、建綠色通道及其他毀壞基本農田種植條件的行為。實際工作中發現，農業利用方式的改變，往往沒有在土地利用變更調查成果中反映，故而土地利用數據難以滿足對永久基本農田范圍內非糧化程度的監測和評價。

遙感技術觀測面積大、周期短、數據客觀性和可比較性強，在農業應用領域具有獨特的優勢。高分一號衛星是中國高分辨率對地觀測系統的第一顆衛星，其全色波段的空間分辨率達2 m，多光譜波段空間分辨率為8 m。遙感數據的空間分辨率越高，圖像包含更為豐富的地物空間信息，如紋理和幾何信息等[2]。此外，高分一號國產衛星具有精度高、獲取周期短、數據來源可靠等一系列優點，使其能夠勝任大面積永久基本農田非糧化的快速監測。

筆者選擇浙江省嘉善縣為研究區，應用高分一號衛星(以下簡稱GF-1)影像數據，利用面向對象分類方法對嘉善縣永久基本農田內的非糧化區域進行了解譯和提取，并對該縣永久基本農田“非糧化”程度進行了評估。

1　研究區概況與數據獲取

1.1研究區概況嘉善縣地處太湖流域杭嘉湖平原，位于浙江省東北部，120°44′22″～121°1′45″E、30°450′36″～31°1′12″N。嘉善位于北亞熱帶南緣的東亞季風區，光照充足、四季分明，適宜作物生長。年均氣溫15.8 ℃，年降雨量1 155.7 mm，平均無霜期233.6 d。溫和濕潤的氣候使得嘉善自古以來就是聞名的魚米之鄉、產糧大縣。同時，位于長江三角洲東南側，地處長三角城市群核心區域的嘉善縣，是浙江省接軌上海的第一站，是全國綜合實力百強縣之一。近年來，嘉善縣圍繞都市型農業發展方向，大力調整農業產業結構，發展大棚設施栽培、淡水養殖、花卉苗木種植等產業。在這個過程中，部分永久基本農田的土地被用作了挖塘養魚和花卉苗木種植。因此，筆者以嘉善縣作為典型研究區域，探索國產高分辨率衛星數據應用于永久基本農田非糧化監測的方法體系。

2014年嘉善縣土地利用總體規劃調整完善工作劃定永久基本農田面積共26 677.72 hm2，主要分布在縣域北部(圖1)。

1.2技術流程在獲取GF-1號1A級影像產品的基礎上，首先對影像進行預處理。預處理包括幾何校正、影像融合、影像裁剪。

在完成GF-1號影像的預處理后，疊加永久基本農田矢量圖層，基于面向對象的遙感分類方法，對永久基本農田范圍內非糧化區域(基本農田用于挖塘養魚、種植苗木)進行提取。面向對象分類通過對影像的分割，使同質像元組成大小不同的對象，能克服傳統基于像素的分類方法中出現的椒鹽現象，實現較高層次的遙感圖像分類和目標地物提取，提高地物分類結果的精度和完整性[3]。面向對象分類在eCognition 9.0軟件中進行，分類過程主要包括：影像分割、樣本建立、特征選取及分類。具體技術流程見圖2。

圖1　嘉善縣永久基本農田分布圖Fig. 1　Distribution of permanent basic farmland in Jiashan County

圖2　技術流程Fig. 2　Technical process

1.3遙感數據及預處理該研究所用GF-1號遙感影像拍攝時間為2015年1月17號。主要衛星參數如下。

表1　GF1衛星參數

該研究所用的是空間分辨率為2 m/8 m的PMS數據。GF-1數據預處理在ENVI5.1平臺上完成，包括幾何校正、影像融合、影像裁剪等。

首先對GF-1 PMS傳感器的多光譜和全色波段采用Pan Sharp融合功能模塊進行了融合,然后基于空間分辨率優于1 m的DOM數據，對融合后的影像進行幾何校正，采用最近鄰法進行重采樣，幾何校正誤差小于1 m。完成幾何校正后的影像采用嘉善縣的矢量邊界進行裁剪得到研究區影像。

2　面向對象分類

該研究采用面向對象分類方法來識別、提取永久基本農田中的非糧化區域。面向對象分類的分類方法以多尺度分割為基礎，根據生成的多邊形對象的屬性信息，采用模糊邏輯分類方法，實現類別信息的自動提取。其優勢是能夠充分利用高分辨率的全色和多光譜數據的空間、紋理和光譜信息，提高分類精度。

2.1樣本選取影像上的地物對象具有光譜信息、紋理結構、形狀等多種屬性。因材質、空間分布方式的差異，每種地物類別都具有獨立于其他地物的專屬特征[4]，所以能夠從影像上準確的選擇樣本。例如，圖3是苗木、坑塘及農田在GF-1號影像上的呈現。

圖3　影像樣本Fig. 3　Image samples

2.2多尺度分割和分層分類影像分割的目的就是把圖像分成若干個有意義的連續區域，使得每個區域內有著均勻一致的光譜、紋理、形狀性質且區域間互不重疊[5]。它是面向對象分類的關鍵步驟，不同尺度的分割會有不同的效果，直接影響后續信息識別提取的精度。圖4是同一區域不同尺度的分割結果。

筆者選用的是面向對象遙感影像信息提取方法中的多尺度分割。對于多尺度分割而言，當信息提取針對整幅影像時，最優尺度指的是分割后，影像對象內部異質性盡量小，不同類別對象之間的異質性盡量大，而且對象能夠表達某種地物的基本特征( 如:紋理、光譜、形狀、拓撲關系等) ，其中對象內部同質性保證影像對象的純度，而對象之間的異質性保證影像對象的可分性[6]。目前，雖然已有學者對最優尺度的選擇方法進行了研究，但尚未形成定論，最優尺度的選擇依然傾向于通過多次實驗確定。

筆者采用最近鄰分類方法來提取非糧化區域。經過影像分割試驗，該研究多尺度分割分為三個層次(圖5)。

第一層首先區分水體與非水體。分割尺度選擇300，形狀因子0.1，光滑度0.5。在這個分割尺度下，多邊形面積較大且邊界清晰規整，易于后續細分。從研究區影像看水體主要包括河流和坑塘，僅用Mean Brightness和Standard deviation指標不能很好的提取。這里還采用水體指數NDWI，能夠較好的區分水體與非水體。

圖4　不同分割尺度對比圖Fig. 4　Comparison of different segmental scales

第二層將水體細分為坑塘和河流，分割尺度選擇100，形狀因子0.2，光滑度0.6。影像上可以看出坑塘大多形狀規整，而河流大多狹長且邊緣不整齊，所以分類的時候除Brightness和Standard deviation，還選用形狀特征Asymmetry、shape index、Rectangular Fit以及Main Direction。

第三層將非水體細分，分割尺度選擇200，形狀因子0.1,光滑度0.5。本層分類不僅包括光譜特征Brightness、Standard deviation，以及形狀特征Compactness、Shape index、Rectangular Fit，更添加了紋理特征GLCM Mean，以更好地將非水體分為農田、苗木、大棚設施和建筑物。

這樣，就將研究區的地物分成了坑塘、河流、農田、大棚設施、苗木、建筑物共六大類。具體分類結果如下。

2.3精度評價分類完成后進行精度評價，從影像上選取了144個驗證點，其中河流26個，農田30個，坑塘35個，苗木15個，建筑物27個，大棚11個。

利用eCognition Developer軟件提供的Error Matrix based on Samples進行精度評價。精度評價結果包括了三部分，分別是混淆矩陣、單一類別的精度分析結果和總體類別的精度分析結果。混淆矩陣呈現了每一種類別的樣本總數、錯分及漏分的樣本數量；單一類別精度分析包括生產者精度、用戶精度等5個指標；總體類別精度分析包括總體分類精度和Kappa系數兩個指標。

3　結果與分析

3.1分類結果分析利用面向對象分類方法對研究區影像進行分類，原始影像與分類結果對比如圖6所示。

從分類結果圖中可以看出，不同的類別之間邊界整齊清晰，而同中類別多集中連片分布，克服了傳統基于像素分類方法中出現的“椒鹽現象”。與原始影像對比，發現雖然還有一些區域存在地類混淆的現象，但絕大部分地物能夠準確分類，分類結果較好。

圖5　分類結果Fig. 5　Classification results

圖6　原始影像與分類結果對比Fig. 6　Comparison between raw image and classification result

為了評估本次研究的分類結果，用eCognition Developer軟件上的Error Matrix based on Samples進行了精度評價，評價結果如表2示。

評價結果顯示，總體分類精度為0.875，Kappa系數為0.846，總體分類質量較好。混淆矩陣中，坑塘的總樣本數為35個，正確樣本為33個，錯分樣本為2個，錯分的地類為農田；苗木的樣本總數為15個，正確樣本有13個，錯分樣本有2個，分別為農田和建筑物。

至于單一類別精度，坑塘的生產精度為0.942 9，用戶精度為1，條件Kappa系數為0.925 9，分類精度很高。而苗木的生產精度為0.866 7，用戶精度為0.928 6，條件Kappa系數為0.852 3，分類質量較好。坑塘作為水體，其光譜特征與植被以及建筑物差異明顯，且大多數坑塘形狀規整，這使得其很容易與河流區分開。然而部分坑塘表面被綠藻等微生物覆蓋，還有的坑塘未蓄水，導致紋理、光譜信息等與正常坑塘不同，故而有小部分錯分為農田。苗木地雖然在光譜和形狀上與作物差異較小，但其在紋理特征上有明顯的差異，因此通過面向對象的遙感分類方法來區分苗木地也取得了滿意的精度。

3.2嘉善縣永久基本農田非糧化程度分析(圖7)統計分類結果表明，至2015年，嘉善縣永久基本農田內的非糧化面積為2 175.06 hm2，占永久基本農田總面積的8.15%，其中用作苗木種植的有71.42 hm2，用作坑塘養殖的有2103.64 hm2。

從圖7可以看出，用作坑塘養殖和苗木種植的非糧化區域主要分布在嘉善縣北部，其中毗鄰上海的東北部分布尤為集中。而縣域內部與南部地區坑塘、苗木分布稀疏。由此可以推測，永久基本農田“非糧化”現象與當地地理位置、經濟發展水平密切相關。經濟越發達，或是地理位置越靠近經濟發達區的地方，永久基本農田“非糧化”趨勢越顯著。

表2　面向對象分類精度評價統計

4　結論與建議

針對新型國產衛星平臺GF-1號衛星數據的特點，研究了基于GF-1號衛星2m/8m PMS傳感器衛星數據的永久基本農田非糧化遙感監測方法，試驗結果如下。

(1)GF-1 號 2 m/8 m PMS 傳感器衛星數據結合面向對象的遙感分類技術，可以快速提取永久基本農田“非糧化”的面積和分布，其精度可以滿足永久基本農田“非糧化”監測的要求。

(2)根據永久基本農田“非糧化”后地類與傳統水稻田在光譜特征、形狀特征和紋理特征上的差異，采用多尺度分割和分層分類的方法體系，可以有效地減少運算量并保證圖斑的完整性。

(3)目前嘉善縣永久基本農田“非糧化”比例為8.15%，其中主要用做挖塘養魚，雖然目前土地流轉“非糧化”現象尚未引起重大影響，但已初露端倪，應當引起重視。

在市場經濟條件下，經濟利益最大化是社會經濟發展的基本動力。因此在種糧比較經濟效益低的前提下，農村土地流轉“非糧化”成為一個必然趨勢。在“非糧化”問題初露端倪，尚未產生重大影響的情況下，引導農村土地向“非糧化”生產適度流轉，已迫在眉睫[6]。對此，提出如下建議：

首先，應該進一步提高糧食收購最低價格，完善種糧補貼政策，提高糧食直接生產者的積極性。鼓勵規模化種糧，按照種糧規模化程度進行分級別獎勵和補貼[1]，同時要確保惠農政策直接兌現到種糧農民手中[7]，切實發揮糧食直補政策對糧食生產的宏觀調控效應。國家可以為其提供不同級別的信貸支持，用一系列惠民政策為大規模種糧者的風險經營保駕護航。

圖7　嘉善縣永久基本農田非糧化區域分布Fig. 7　Distribution of non-grain zones of permanent basic farmland in Jiashan County

其次，要建立土地用途審批和監管體系，明確國土資源和農業行政部門對農村土地監管的分工職責，加大對永久基

本農田“非糧化”行為的監管、查處力度。建立永久基本農田“非糧化”使用目錄，細化耕地利用類型，對土地流轉的農業用途進行明確分類。

最后，要穩定種糧面積比例，需要建立糧食生產區劃，優化糧食生產布局。建立糧食生產總體規劃，確定省級總的糧食安全生產戰略目標，然后以市縣為單位確立糧食產量底線，為各地確保在實現糧食安全生產的前提下合理調整農業生產結構提供政策依據，優化政策環境，為各地大力推進特色優勢農產品生產提供前提[5]。

[1] 易小燕,陳印軍，王勇，等.耕地流轉中的非糧化問題研究[N].農民日報,2012-02-14.

[2] 劉書含,顧行發,余濤，等.高分一號多光譜遙感數據的面向對象分類[J].測繪科學，2014,39(12):91-94.

[3] 馬洋洋,張彩霞，張繼超，等.輔以NDVI/DEM的面向對象木薯提取方法研究：以廣西壯族自治區武鳴縣為例[J].地理與地理信息科學,2015(1)：49-53.

[4] 鄧媛媛，巫兆聰，易俐娜，等.面向對象的高分辨率影像農用地分類[J].國土資源遙感，2010(4)：117-121.

[5] 吳健生,劉建政,黃秀蘭，等.基于面向對象分類的土地整理區農田灌排系統自動化識別[J].農業工程學報，2012,28(8):25-31

[6] 王衛紅,何敏.面向對象土地利用信息提取的多尺度分割[J].測繪科學， 2011(4):160-161.

[7] 朱姍.農村土地非糧化非農化趨勢分析[J].農村經營管理，2013(1):24-26.

Application of GF-1 Satellite Data on Monitoring Non-grain Phenomenon in Permanent Basic Farmland

AO Wei-jiu, GUAN Tao, WANG Jian-feng et al

(1. Land Resources Survey Office of Zhejiang Province, Hangzhou, Zhejiang 310007; 2. Institute of Remote Sensing and Information Technology, Zhejiang University, Hangzhou, Zhejiang 310058)

With Jiashan County in Zhejiang Province as the research region, GF-1 image data were applied. Object-oriented classification method was used to extract the non-grain zones in permanent basic farmland, such as ponds and nursery trees. The overall classification accuracy was 0.846; and Kappa coefficient was 0.875. Results showed that high resolution domestically-produced satellite images could rapidly and accurately detect and estimate the non-grain area and distribution of permanent basic farmlands, which provided rapid monitoring and estimation of non-grain degree of permanent basic farmlands, and offered reliable references for rational management and guidance of farmland use.

Permanent basic farmland; Non-grain phenomenon; GF-1; Object-oriented classification

國土資源部公益項目(20141119)。

敖為赳(1983- )，男，江西萍鄉人，工程師，碩士，從事國土資源遙感應用、信息化研究。

2016-05-18

S 127

A

0517-6611(2016)18-250-06