基于Sentinel-2的江淮分水嶺撂荒地提取

摘要 ［目的］研究江淮分水嶺因地形破碎、丘陵起伏、云覆蓋嚴重等原因導致撂荒地提取精度較低問題。［方法］基于GEE云平臺，以鳳陽縣為研究區域，使用Sentinel-2 MSI影像數據，采用隨機森林分類算法對鳳陽縣2017—2023年土地進行分類，獲取7年的土地分類數據，并制定撂荒地識別規則，在此基礎上提取研究區撂荒地數據。［結果］遙感影像的總體土地分類精度在82.45%～91.37%，符合研究所需精度要求；2018年研究區撂荒地面積最大，為974.52 hm2，撂荒率最高，為0.91%；2018—2019年撂荒地面積呈減少趨勢，2019—2021年撂荒地面積逐年增加；2018—2023年撂荒地的復耕地面積最大約為678.15 hm2，而最小復耕地面積約為78.23 hm2，復耕率最高值達到69.59%，復耕率最小值為37.02%。［結論］該研究為評估農田拋荒的風險和生態環境的治理提供有力的數據支撐，也為其他撂荒地提取提供參考。

關鍵詞 撂荒地；江淮分水嶺；Sentinel-2；隨機森林分類算法；鳳陽縣

中圖分類號 S127;TP79" 文獻標識碼 A" 文章編號 0517-6611（2025）03-0047-06

doi：10.3969/j.issn.0517-6611.2025.03.010

開放科學（資源服務）標識碼（OSID）：

Extraction of Abandoned Land in Jianghuai Watershed Based on Sentinel 2

LI Yuan qing1，SONG Hong li1，LIU Huan2 et al

（1.School of Earth Science and Engineering，Hebei University of Engineering，Handan，Hebei 056038;2.College of Geographic Information and Tourism，Chuzhou University，Chuzhou，Anhui 239000）

Abstract ［Objective］To study the problem of low accuracy in extracting abandoned land in the Jianghuai Watershed due to terrain fragmentation，hilly undulations and severe cloud coverage.［Method］Based on the GEE cloud platform，taking Fengyang County as the research area，Sentinel 2 MSI image data was used to classify the land in Fengyang County from 2017 to 2023 using the random forest classification algorithm. Seven years of land classification data were obtained，and abandoned land identification rules were formulated. Based on this，abandoned land data in the study area was extracted.［Result］The overall land classification accuracy of remote sensing images was 82.45%-91.37%，which met the accuracy requirements for research.The maximum areas of abandoned land in the study area was 974.52 hm2，with the highest abandonment rate of 0.91% in 2018.The abandoned land area showed a decreasing trend from 2018 to 2019，and increased year by year from 2019 to 2021;the maximum reclamation area of abandoned land from 2018 to 2023 was about 678.15 hm2，while the minimum reclamation area was about 78.23 hm2，the highest reclamation rate was 69.59%， the minimum reclamation rate was 37.02%.［Conclusion］This study provides strong data support for evaluating the risk of farmland abandonment and ecological environment management，and also provides reference for extracting other abandoned lands.

Key words Abandoned land; Jianghuai watershed; Sentinel 2;Random forest classification algorithm;Fengyang County

基金項目

河北省自然科學基金項目（D2019402067）；安徽省教育廳自然科學重大項目（KJ2021ZD0131）。

作者簡介 李元慶（2001—），男，陜西渭南人，碩士研究生，研究方向：農業遙感。*通信作者，教授，博士，碩士生導師，從事農業遙感方面的研究。

收稿日期 2024-04-18

隨著我國城鎮化的快速發展，農村勞動力持續減少，導致出現大片撂荒地。撂荒地是一種土地利用變化類型，是由社會經濟和土地利用政策等原因導致的。土地經營者的農耕行為對土地利用產生了深遠的影響，當他們選擇放棄耕種時，導致大片的耕地被廢置或者僅僅得到了部分利用，這一現象不僅影響了土地的生產力和可持續性，也對當地的農業經濟和社會發展帶來了負面影響^［1］。我國撂荒地分布廣泛，其中在山地、丘陵地帶較為多見，這種復雜的地形造成了耕地的嚴重撂荒^［2］。耕地撂荒嚴重威脅了國家糧食安全，準確繪制撂荒地發生的位置和時間，對國家和地區的耕地資源具有重要意義^［3］。

隨著遙感技術的發展，獲取所需的實時更新數據，可以準確利用遙感數據提取撂荒地面積信息。Landsat系列衛星由于其具有高時間分辨率、較高空間分辨率以及其免費獲取等優點，被多用于近幾年撂荒地的提取研究^［4］。He等^［5］從Landsat時間序列的空間和時間分割中繪制農用土地拋荒；肖國峰等^［6］基于Landsat和HJ-1A時序數據，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；Wu等^［7］以廣東興寧縣為例，使用Landsat影像結合其他幾種植被指數，運用決策樹方法提取撂荒地。而相比于Landsat，Sentinel-2A在時間、空間分辨率都更具有優勢，Sentinel-2A在2015年6月23日被發射升空，而Sentinel-2B則在2017年3月7日發射升空。何云等^［8］利用Sentinel-2A影像，采用隨機森林特征選擇方法，進行了土地覆蓋分類研究。張昊等^［9］利用Sentinel數據影像結合隨機森林算法對研究區3年土地覆被進行自動分類，在此基礎上借助撂荒地判斷規則建立決策樹提取撂荒地并進行驗證。

鳳陽縣位于江淮分水嶺，是我國農村土地制度改革的發源地之一。但近年來該地區的撂荒現象逐漸增多，成為制約土地資源有效利用和鄉村發展的重要問題。基于前期調查發現，筆者選取2017—2023年作為研究時段，分析該時期內鳳陽縣的撂荒情況；為了有效識別撂荒地，利用Sentinel-2衛星影像數據，通過隨機森林算法進行土地利用分類，并生成研究期間（2017—2023年）土地利用分類圖；在此基礎上，通過混淆矩陣對分類結果的準確性進行了檢驗，并根據撂荒地的識別規則提取了相關的撂荒地數據信息，以期為糧食安全、生態用地、環境保護等領域提供重要的數據信息支持，也為相關政策的制定和土地資源的合理利用提供理論依據。

1 資料與方法

1.1 研究區概況 選取安徽省滁州市鳳陽縣作為研究區域，位于安徽省東北部、淮河中游南岸，地理坐標為117°19′～117°57′E、32°37′～33°03′N。該地區東西長74.64 km，南北寬49.6 km，縣域總面積為1 949.5 km2，是典型的江淮分水嶺地區代表性縣域。鳳陽縣的地形呈南高北低，由南向北逐級下降，丘陵起伏、崗沖交錯、地形破碎，尤其是人均坡地多，6°以上的坡地人均近0.07 hm2。鳳陽縣是農村改革發源地、產糧大縣，全縣耕地面積10.81萬hm2，主要產水稻、小麥、玉米、大豆、花生等，種植模式為一年兩熟或兩年三熟。鳳陽縣小崗村作為中國土地改革第一村，使得鳳陽縣在農業方面具有很重要的研究意義。

1.2 數據來源和數據預處理

1.2.1 數據源。該研究以Google Earth Engine（GEE）云平臺獲取的Sentinel-2衛星影像數據為主要數據源。GEE平臺整合了大量的遙感影像和地理空間數據集，并提供強大的全球尺度分析能力^［10］。該平臺不僅支持在線計算和分析處理，還為變形監測、數據處理、地表差異量化等研究提供了便捷的工具和豐富的數據支持，使得研究工作更加高效和精確。在數據選擇方面，該研究選取了2017—2023年的Sentinel-2影像數據，每年提取2期影像（表1）。每期影像的采集時間分別為4—6月（生長期）和7—10月（成熟期）^［11］。此外，還選取了GEE平臺提供的空間分辨率為30 m的數字高程模型（DEM）數據，以提取坡度、坡向和高程等地形信息。同時，選取了部分高分辨率的土地分類數據，作為訓練樣本和驗證樣本的基礎數據^［6］。

1.2.2 數據預處理。該研究的數據預處理工作均基于GEE云平臺完成。由于研究區域云量較大，受到云污染的影響嚴重，單景高質量影像難以獲取。為此，使用了GEE云平臺提供的中值合成算法，從中篩選出云量低于10%的影像。同時，利用該算法對一段時間內的像元中值進行填補，以修復去除云后的空缺部分，從而獲得了質量較好的影像^［9］。此外，對DEM數據進行了重采樣，將30 m分辨率的DEM數據重采樣為10 m，以獲得所需的高程數據。在GEE云平臺上，提供了Sentinel-2數據的L2A和L1C級影像，其中L2A級影像經過大氣校正，而L1C級影像則沒有經過該處理。該研究所用的數據2019—2023年為L2A，2017和2018年為L1C，所以需對L1C影像進行大氣校正。傳感器不變大氣校正（SIAC），該大氣校正方法是利用Modis Mcd43 brdf產品對地表進行粗分辨率模擬，建立了基于Modis-Psf的Modis與Sentinel-2/Landsat 8比例尺差異模型，故使用SIAC對影像進行大氣校正。利用GEE云平臺自帶的函數計算坡度、坡向和高程，并計算歸一化植被指數（NDVI）、土壤調節植被指數（SAVI）、植被水分指數（NDWI）^［7-12］，將原影像的紅波段、綠波段、藍波段、近紅外波段、NDVI、SAVI、NDWI以及坡度、坡向和高程合并為含有10個波段的待分類影像。

1.3 特征選擇原因 紅波段、近紅外波段和NDVI對于評估植被的健康狀況非常重要。植被在紅波段和近紅外波段的反射率通常較高，而在其他波段的反射率較低。通過分析這些波段的反射率，可以評估植被的生長狀況、葉綠素含量、植被覆蓋度等信息。藍波段、紅波段和SAVI對于土壤的特征具有較好的敏感性。不同類型的土壤在這些波段的反射率有所不同，可以通過分析這些波段的反射率特征來識別不同類型的土壤，進而進行土壤類型的分類和分析。綠波段和近紅外波段對于植被和裸地的區分具有較好的效果。植被在綠波段的反射率較高，而裸地在近紅外波段的反射率較低。因此，通過分析這些波段的反射率特征，可以有效地區分植被和裸地區域。NDWI能有效地提取農作物冠層的水分含量，有助于撂荒地提取。從遙感影像中可以發現，林地海拔較高、水體海拔較低，耕地多處于較為平緩的地帶，因此高程、坡度和坡向可以在研究中發揮作用。

1.4 樣本點的選取 考慮到研究區的實際情況，將土地利用類型劃分為耕地、林地、水域、建設用地和裸地五大類。在樣本選擇方面，該研究采用Google Earth影像作為參考，選取了2017—2023年的訓練樣本與驗證樣本，共計19 322個樣本點，其中2017年樣本點2 607個，2018年樣本點2 596個，2019年樣本點2 713個，2020年樣本點3 142個，2021年樣點2 698個，2022年樣本點2 810個，2023年樣本點2 756個（表2）。

1.5 研究方法 該研究基于GEE云平臺對Sentinel-2數據進行預處理，并獲取平臺中的高程數據，進一步計算坡度和坡向。同時，根據Sentinel-2影像計算NDVI、SAVI、NDWI，利用這些指數生成待分類影像，并應用隨機森林分類算法進行土地利用分類^［13］。每年根據Google Earth影像選取樣本點，并使用已有的高分辨率土地分類結果進行分類驗證。在此基礎上，建立撂荒地識別規則，通過這些規則識別出每年的撂荒地，并生成撂荒地的空間分布圖。最后，利用每年的土地分類圖，逐年提取復耕地的空間分布信息。具體技術流程如圖1所示。

1.5.1 特征提取與構建。該研究用于提取撂荒地的主要特征包括Sentinel-2的紅波段、綠波段、藍波段、近紅外波段等影像數據，NDVI、SAVI、NDWI等植被指數，以及坡度、坡向和高程等地形特征。NDVI是一種常用的遙感植被指數，廣泛用于監測植被覆蓋度和生長狀況；NDWI是一種用于水體識別的指數，能夠有效區分水體與其他地表覆蓋類型；SAVI是一種改進的植被指數，旨在減少土壤背景對植被指數的影響。具體計算公式如下：

NDVI=（NIR-R）/（NIR+R）（1）

NDWI=（GREEN-NIR）/（GREEN+NIR）" （2）

SAVI=（NIR-GREEN）/（NIR+GREEN+L）" （3）

式中：NIR為近紅外波段的反射率；R為紅光波段的反射率；GREEN為綠色波段的反射率；L為調節因子（通常取值為0.5），用于調整土壤背景的影響。

1.5.2 土地利用圖制作。為提高分類結果的準確性，考慮到鳳陽縣的種植模式為一年兩熟或兩年三熟，該研究選取了2期質量較高的遙感影像進行分類。根據安徽省農作物的物候信息，確定了這2期影像的時間為4—6月和7—10月。由于耕地在2期影像中可能發生較大變化，為了提高分類精度，將2期影像的耕地分類結果進行疊加。具體操作流程如下：首先，對2期影像分別進行分類，劃分為林地、水域、耕地、建設用地、裸地五大類；然后，在各個類別中，利用Google Earth提供的影像作為參考，在合適的地點選擇采樣點，將樣本數據以70%和30%劃分為訓練集和測試集，再利用隨機森林分類算法進行分類，對2期的分類結果分別進行精度檢驗。

1.5.3 撂荒地的識別規則。不同學者對耕地荒蕪的時間界定存在差異，有的認為荒蕪1年以上，有的認為是2年及以上，還有的認為荒蕪一季或一季以上可視為撂荒^［14］。考慮到研究區的實際情況，該研究將耕地荒蕪1年及以上的情況視為撂荒^［15］，而荒蕪一季的情況則被視為季節性撂荒地^［16］。根據對撂荒地時間的定義以及耕地可能的演變形態，該研究建立的耕地撂荒判別規則如下：提取基準年（2017年）的耕地范圍，作為耕地本底數據，分別判斷其他年份每個像元的土地利用類型在本底耕地范圍中的變化，若像元為耕地，認為土地利用類型沒有變化；若像元為建筑用地、水域或林地，則認為土地利用類型發生變化，屬于土地利用類型的轉化；若像元為裸地，則認為該像元有可能撂荒。另外由耕地直接轉化為草地的情況很少，該試驗不予考慮。由以上規則得到每年的疑似撂荒耕地的范圍。將連續閑置1年即全年皆為裸地的耕地視為常年撂荒地，而閑置一季的耕地被視為季節性撂荒耕地^［17-19］。為了定量表達耕地撂荒程度，可以使用每年的撂荒面積與基準年的耕地面積進行比值計算，這樣得到的比值稱為撂荒率。計算公式如下：

Ps=AiA0×100%（4）

式中：Ps為撂荒率；Ai為第i年撂荒面積；A0為基準年耕地面積。

1.5.4 復耕地的識別規則。從撂荒地又恢復到耕地稱為復耕地，一般是采用科學合理的措施，使其恢復到可耕種的狀態^［6］。該研究所定義的復耕地識別規則為從i年的撂荒地恢復到i+1年耕地視為復耕地。為了定量表達耕地的復耕程度，可以使用每年的復耕地面積與上一年的撂荒地面積進行比值計算，這樣得到的比值稱為復耕率。計算公式如下：

Hs=Ti+1Ti×100%

式中：Hs為復耕率；Ti為第i年的撂荒地面積；Ti+1為第i+1年的復耕地面積。

2 結果與分析

2.1 土地利用分類結果以及精度驗證 基于2017—2023年的Sentinel-2影像數據和GEE云平臺，該研究逐年選擇樣本點，結合隨機森林分類算法，生成了7年（2017—2023年）鳳陽縣土地利用分類圖（圖2）。在土地分類的混淆矩陣精度評估中（表3），2017—2023年的總體分類精度為82.45%～91.37%，Kappa系數為0.78～0.89。2017年由于部分區域存在云層覆蓋，導致精度略低，但除2017年外，85%以上的地類像元被正確分類，表明分類結果具有較高的準確性，可以為后續撂荒地的提取提供可靠依據。其中，2023年的分類精度最高。從圖2可以看出，隨著城鎮化進程的推進，城鎮建設用地逐漸增多，而裸地面積也有所擴大。除了山地附近的原有裸地外，其他地區也出現了新的裸地。

2.2 撂荒地識別 根據得到的土地利用分類圖，結合2017年本底耕地數據，利用撂荒地的識別規則得到2018—2023年撂荒地空間分布圖（圖3）。從圖3可以看出，整個研究區內的撂荒現象呈現出零散狀態分布，而在東北地區和西南地區撂荒現象更為嚴重。在ArcGIS軟件中逐年統計撂荒耕地的面積，并根據撂荒率的定義計算每年的耕地撂荒率（表4）。從表4可以看出，研究區域2018、2021和2023年撂荒率較高，撂荒率最大值為0.91%，而2019、2020、2022年的撂荒率較低，撂荒率在0.50%以下。2018年撂荒地面積最大，達到974.52 hm2；2019年撂荒地面積最小，為168.35 hm2。其中2019—2021年撂荒地面積逐年增加，特別是2021年的撂荒地面積達到了772.47 hm2。為了研究撂荒地動態的時空變化，提取出撂荒地持續時間分布圖（圖4），并統計持續撂荒時間段的撂荒地面積。從圖4可以看出，撂荒時間較長的地區主要分布在東北地區和中部地區，而西南地區持續時間較短。在5年的時間中，撂荒地面積隨著時間的增加而減少，從2018的974.52 hm2減少至2023的658.46 hm2，說明撂荒地在荒蕪一段時間后會再次得到利用。

2.3 復耕地識別 利用2018—2023年的撂荒地和耕地范圍，結合2017年本底耕地數據，分別提取每年的撂荒地復墾區域，得到2018—2023年的復耕地空間分布圖。復耕地也是在整個研究區域零散分布，分布較均勻。逐年記錄撂荒地的復耕地面積，并據此計算每年的撂荒地復耕率。從表5可以看出，研究區域在2019年達到了復耕率的最高值，即69.59%，相應的復耕地面積為678.15 hm2。

3 討論與結論

該研究以江淮分水嶺鳳陽縣為研究區域，選取2017—2023年的Sentinel-2影像，結合紅波段、綠波段、藍波段、近紅外波段、NDVI、NDWI、SAVI、坡度、坡向、高程共10個波段，使用隨機森林分類器進行土地利用分類并獲取逐年的撂荒地情況，表明基于Sentinel-2影像和隨機森林分類算法可以很好地進行撂荒地提取。Sentinel-2影像是目前分辨率最高的公開免費影像，但混合像元依然存在，會對撂荒地的提取產生影響。研究區域地處江淮分水嶺，丘陵和山地較多、土地破碎嚴重、云量較大導致識別較為困難，會對精度帶來很大的影響，并且撂荒地的情況遠比單一植被覆蓋的情況復雜，在后續的研究中進一步挖掘波段信息隨時間的變化規律，使用去云算法、深度學習分類模型進一步提高撂荒地的提取精度。

撂荒地屬于耕地類型，與自然、經濟、政策等因素密切相關。隨著我國城鎮化加速，農村勞動力減少，生產力降低，撂荒地擴張迅速。盡管政府推行補助政策，但效果有限。自然因素如氣候、地形及洪澇災害也是撂荒地增加的重要原因。鳳陽縣位于江淮分水嶺，緊鄰淮河，年降水量變化大，灌溉不穩定，部分地區因洪澇無法耕種，導致撂荒。鳳陽縣地勢以平原和丘陵為主，境內河流豐富，為農業提供重要資源，部分撂荒地具有再利用潛力。根據地形與土壤條件，可評估其再生產可行性并制定利用方案。結合鳳陽縣豐富的農業文化和自然景觀，可開發農村旅游資源，將撂荒地轉型為特色景區或農家樂，促進經濟發展和農民增收。同時，實施生態保護與修復措施，利用自然植被恢復過程，提升生物多樣性，實現可持續發展。

參考文獻

［1］

CHEN J G，CHEN J，LIU H P，et al.Detection of cropland change using multi harmonic based phenological trajectory similarity［J］.Remote sensing，2018，10（7）：1-20.

［2］ ZHU X F，XIAO G F，ZHANG D J.Mapping abandoned farmland in China using time series MODIS NDVI［J］.Science of the total environment，2021，755：1-16.

［3］ 宋憲強，梁釗雄，周紅藝，等.基于決策樹與時序NDVI變化檢測的耕地撂荒遙感監測：以四川省涼山州普格縣為例［J］.山地學報，2021，39（6）：912-921.

［4］ LI S F，LI X B.Global understanding of farmland abandonment： A review and prospects［J］.Journal of geographical sciences，2017，27（9）：1123-1150.

［5］ HE Y，PRISHCHEPOV A V，KUEMMERLE T，et al.Mapping agricultural land abandonment from spatial and temporal segmentation of Landsat time series［J］.Remote sensing of environment，2018，210：12-24.

［6］ 肖國峰，朱秀芳，侯陳瑤，等.撂荒耕地的提取與分析：以山東省慶云縣和無棣縣為例［J］.地理學報，2018，73（9）：1658-1673.

［7］ 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 and environment，2020，20：1-13.

［8］ 何云，黃翀，李賀，等.基于Sentinel-2A影像特征優選的隨機森林土地覆蓋分類［J］.資源科學，2019，41（5）：992-1001.

［9］ 張昊，高小紅，史飛飛，等.基于Sentinel-2 MSI與Sentinel-1 SAR相結合的黃土高原西部撂荒地提取：以青海民和縣為例［J］.自然資源遙感，2022，34（4）：144-154.

［10］ 郝斌飛，韓旭軍，馬明國，等.Google Earth Engine在地球科學與環境科學中的應用研究進展［J］.遙感技術與應用，2018，33（4）：600-611.

［11］ 王紅巖，汪曉帆，高亮，等.基于季相變化特征的撂荒地遙感提取方法研究［J］.遙感技術與應用，2020，35（3）：596-605.

［12］ YOON H，KIM S.Detecting abandoned farmland using harmonic analysis and machine learning［J］.ISPRS journal of photogrammetry and remote sensing，2020，166：201-212.

［13］ 馬玥，姜琦剛，孟治國，等.基于隨機森林算法的農耕區土地利用分類研究［J］.農業機械學報，2016，47（1）：297-303.

［14］ 李升發，李秀彬.耕地撂荒研究進展與展望［J］.地理學報，2016，71（3）：370-389.

［15］ 史鐵丑，徐曉紅.重慶市典型縣撂荒耕地圖斑的提取與驗證［J］.農業工程學報，2016，32（24）：261-267.

［16］ 馮茂秋，潘洪義，朱芳，等.不同撂荒耕地類型空間格局及影響因素研究：以德陽市中江縣為例［J］.西南農業學報，2018，31（6）：1260-1266.

［17］ 王珂，孫景妍，張杰琳，等.基于GEE的陜西關中西部耕地季節性撂荒時空變化特征［J］.西北農林科技大學學報（自然科學版），2022，50（10）：106-115.

［18］ 吳峰，李沛鴻，熊凡，等.基于遙感的南方丘陵山區耕地撂荒研究［J］.北京測繪，2022，36（11）：1519-1523.

［19］ 韋中暉，靳海亮，顧曉鶴，等.基于多時相協同變化檢測的耕地撂荒遙感監測［J］.遙感技術與應用，2022，37（3）：539-549.