河套沈烏灌域遙感耕地面積變化

常布輝　王艷明　楊江　王艷華

摘要：以河套灌區(qū)沈烏灌域為例，以2012年的RapidEye和2016年Landsat80LI遙感影像為數(shù)據(jù)來源，在實地調(diào)查的基礎(chǔ)上，利用監(jiān)督分類（ SVM）和目視解譯方法，提取了2012年和2016年沈烏灌域的耕地面積。結(jié)合目視解譯結(jié)果，運用隨機驗證點對解譯結(jié)果進行了驗證，運用正確率（用戶精度）、完整率（生產(chǎn)者精度）和整體精度（提取耕地面積與實際面積的比值）3個指標對提取結(jié)果進行了評價。驗證結(jié)果顯示，2012年監(jiān)督分類精度的3個指標正確率、完整率以及整體精度分別為81. 96%、77. 12%和94. 10%，2016年分別為91.97%、71.39%和91.78%。結(jié)果表明：通過遙感開展灌區(qū)耕地面積變化研究具有很高的精度和時效性;相較于2012年，沈烏灌域2016年耕地面積增加了0.648萬hm²，新增面積為2012年的12.8%;地下水位的變化與耕地面積變化關(guān)系密切，地下水位下降改善了土壤環(huán)境，促進了耕地面積的增加。

關(guān)鍵詞：耕地面積;遙感解譯;地下水;沈烏灌域

中圖分類號：TV122

文獻標志碼：A

doi：10.3969/j.issn.1000-1379.2019.03.031

1 引言

耕地是人類賴以生存的基本資源和條件。進入21世紀，人口數(shù)量不斷增多，耕地面積卻逐漸減少。隨著人們生活水平不斷提高，保持農(nóng)業(yè)可持續(xù)發(fā)展的首要任務(wù)就是要確保耕地的數(shù)量和質(zhì)量。經(jīng)濟和人口的不斷發(fā)展，促使耕地資源向其他土地利用方式轉(zhuǎn)移，為此國家出臺了《土地法》以及一系列的相關(guān)政策保護耕地資源。耕地安全對于我國而言是經(jīng)濟社會發(fā)展的基本條件，是社會安定的基礎(chǔ)[1]。保護耕地資源、保障糧食安全也是中國人面對世界糧食危機挑戰(zhàn)和質(zhì) .疑的一個重要舉措[2]。

耕地資源的重要性不言而喻，而如何精確獲取耕地面積的變化是耕地資源保護的前提。目前，耕地面積的獲取方法經(jīng)歷了由人工測量、逐級統(tǒng)計匯總到遙感解譯的轉(zhuǎn)變。根據(jù)區(qū)域特點、解譯精度、研究目的和遙感影像時空分辨率的不同，解譯方法也不同[3]。隨 著遙感技術(shù)的不斷發(fā)展，不同時空分辨率的衛(wèi)星影像在耕地面積的解譯中應(yīng)用越來越廣泛。高分辨率衛(wèi)星影像的空間分辨率優(yōu)勢明顯，但時間分辨率普遍較低，數(shù)據(jù)量大，周期性差[4-6]，因此其應(yīng)用范圍受到很大的限制，研究區(qū)域不易過大：相較于高分辨率衛(wèi)星影像的特點，低分辨率衛(wèi)星影像財恰恰相反[3，7-8]：中分辨率衛(wèi)星影像兼具高、低分辨率影像的特點，但是同物異譜、異物同譜、混合像元現(xiàn)象較嚴重，如何開發(fā)中分辨率衛(wèi)星影像在耕地面積解譯中的應(yīng)用是目前的一個熱點[ 9-11]。

影響耕地面積變化的因素眾多，經(jīng)濟因素（糧食價格的浮動）、社會因素（政策法規(guī)）為主觀因素，客觀因素主要有土壤理化性質(zhì)的改變、耕作條件的變化、灌溉條件的變化等。在河套灌區(qū)，經(jīng)濟因素、土壤鹽堿化以及灌溉條件是影響灌區(qū)耕地資源的3個主要因素。一直以來，經(jīng)濟因素對耕地的增長起推動作用，而灌溉條件和土壤鹽堿化起抑制作用。本文以河套灌區(qū)沈烏灌域為例，以遙感技術(shù)為基礎(chǔ)，開展耕地面積變化及其與地下水位之間的關(guān)系研究。

2 研究區(qū)概況與數(shù)據(jù)來源

2.1 研究區(qū)概況

河套灌區(qū)是我國三個特大型灌區(qū)之一，也是我國最大的一首制自流引黃灌溉區(qū)，位于內(nèi)蒙古巴彥淖爾市，地處河套平原。灌區(qū)自西向東有沈烏灌域、解放閘灌域、永濟灌域、義長灌域和烏拉特灌域五大灌域。沈烏灌域位于三盛公水利樞紐西北部，南邊界在烏蘭布和沙漠穿沙公路以北，北邊界為磴口縣與杭錦后旗行政界，東起河套總干渠及烏拉河干渠，西至狼山?jīng)_洪積坡地邊界，總土地面積約為18.6萬hm²。沈烏灌域由三盛公水利樞紐上游3.5 km處、黃河左岸的沈烏引水口直接引水灌溉，灌溉面積約占河套灌區(qū)灌溉面積的10.12%。沈烏灌域?qū)儆跍貛Т箨懶愿珊禋夂騾^(qū)，降水少，蒸發(fā)強烈，干燥多風，日溫差大，日照時間長。主要作物有春小麥（3-7月）、玉米（5-9月）、葵花（5-9月）、番茄（5-8月）、瓜類（5-8月）和牧草（4-7月或者10月）等。

2.2 數(shù)據(jù)來源

德國的RapidEye衛(wèi)星利用紅邊波段為植被分類、植被生長評估、作物估產(chǎn)等提供有效手段，使其在農(nóng)業(yè)、水利、林業(yè)、能源等領(lǐng)域廣泛應(yīng)用，得到多國農(nóng)業(yè)、林業(yè)部門認可。除了波段信息“吻合”農(nóng)業(yè)、林業(yè)應(yīng)用外，低成本的編程定制服務(wù)，可以更好地滿足植被大面積連續(xù)監(jiān)測，數(shù)據(jù)質(zhì)量較高，具有良好的應(yīng)用基礎(chǔ)。

美國的Landsat80LI影像數(shù)據(jù)，衛(wèi)星一共有11個波段，其中波段1-7、9-11為30 m空間分辨率的多光譜，波段8為15 m分辨率的全色波段，應(yīng)用中可以通過波段融合處理獲得分辨率為15 m的多光譜數(shù)據(jù)。RapidEye影像與Landsat80LI影像數(shù)據(jù)信息對比見表1。

考慮影像價格、影像質(zhì)量以及實際工作的需要，購買了兩幅RapidEye多光譜影像，通過拼接和剪切獲取研究區(qū)2012年8月的影像數(shù)據(jù)（8月灌域內(nèi)作物生長旺盛，有利于耕地的提取）。數(shù)據(jù)時間為2012年8月3日和2012年8月21日。另外2016年的影像數(shù)據(jù)為Landsat80LI數(shù)據(jù)，數(shù)據(jù)時間為2016年8月25日。相關(guān)影像詳細信息見表2。

3 研究方法

3.1 技術(shù)路線

技術(shù)路線見圖1。

3.2 影像預處理

影像預處理包括數(shù)據(jù)讀取、輻射定標、幾何糾正、圖像鑲嵌和剪切以及圖像增強。受遙感系統(tǒng)空間、波譜、時間以及輻射分辨率的限制，衛(wèi)星在記錄地表信息的過程中會受到衛(wèi)星本身以及大氣等因素的影響，產(chǎn)生誤差，從而降低遙感數(shù)據(jù)質(zhì)量，影響影像分析精度，因此在實際的圖像分析之前，根據(jù)利用目的對不同來源的遙感原始圖像進行預處理是非常有必要的‘12]。圖像預處理又被稱為圖像糾正和重建，其目的是糾正原始圖像中的幾何與輻射變形，即通過對圖像獲取過程中受衛(wèi)星姿態(tài)、傳感器角度、大氣等因素產(chǎn)生的變形、扭曲、模糊和噪音的糾正，得到一個盡可能在幾何和輻射上真實的圖像[13]。輻射定標的目的是消除傳感器本身產(chǎn)生的誤差（噪聲），得到真實的表觀反射率。輻射定標的結(jié)果是通過建立DN值與輻射亮度之間的相關(guān)關(guān)系，利用給定的參數(shù)，由DN值間接獲取真實的反射率。這樣通過運用遙感數(shù)據(jù)中的DN值、相關(guān)關(guān)系以及給定的參數(shù)，就可以計算出相應(yīng)的進入傳感器的輻射亮度值，進而得到表觀反射率[14]。最后通過大氣校正，消除大氣的影像，從而得到真實的地標反射率。

幾何校正的目的是實現(xiàn)遙感圖像與標準圖像的幾何配準，就是糾正系統(tǒng)性、非系統(tǒng)性因素引起的圖像變形。筆者利用ENVI和ARCGIS軟件分別對Landsat80LI影像和RapidEye影像進行輻射定標和大氣校正。以Landsat80LI影像為標準，對RapidEye影像進行幾何糾正。采用Linear 2%線性拉伸方法對多光譜數(shù)據(jù)進行圖像增強處理[15]。

3.3 監(jiān)督分類方法

目前，按照有無訓練樣本，可把遙感的分類法分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類（ unsupervisedclassification）也稱聚類分析，僅憑不同地物之間光譜特征的分布規(guī)律（自然聚類的特性）的差異進行機械性分類，獲得的分類類別沒有任何屬性，需要通過實地調(diào)查或根據(jù)經(jīng)驗進一步人工賦予其真實屬性[16]。監(jiān)督分類（ supervised classification）又稱訓練場地法，是模式識別的一種方法，以建立統(tǒng)計識別函數(shù)為理論基礎(chǔ)，與非監(jiān)督分類相反，其主要依據(jù)典型樣本訓練方法實現(xiàn)地物劃分，即首先通過人工識別建立訓練樣本，并賦予其屬性，要求訓練區(qū)具有典型性和代表性，選取的樣本數(shù)盡量多且分布均勻;其次，計算統(tǒng)計訓練樣本中不同樣本的特征參數(shù);再次，計算不同樣本間的分離度，符合要求后（一般要求樣本分離度>1.8），確定不同樣本的統(tǒng)計特征：以最終確定的樣本特征參數(shù)作為決策規(guī)則，建立判別函數(shù)進行圖像分類[17-19]。監(jiān)督分類常用的方法中以支持向量機分類（ SVM）的精度較高[20-21]，本文采用支持向量機方法進行影像分類，得到2012年和2016年沈烏灌域的耕地分布。

3.4 監(jiān)督分類結(jié)果

3.4.1 解譯標志

在遙感影像上，不同的地物有不同的特征，這些影像特征是判讀各種地物的依據(jù)，這些都稱為判讀或解譯標志22-23]。根據(jù)形狀、顏色、色調(diào)、紋理等特征，以RapidEye影像為例，在圖像增強后建立研究區(qū)的解譯標志，見圖2。

由圖2可以看出，不同解譯標志之間顏色、色調(diào)、形狀以及紋理差異明顯。為進一步判斷樣本分析情況，使用ENVI對樣本的分離度進行計算。ENVI使用ROI可分離性（ROI Separability）工具來計算兩個類別之間的統(tǒng)計距離，進而確定兩個類別間的差異性程度。Jeffries - Matusita距離和轉(zhuǎn)換分離度（Transformed Di-vergence）方法被用來計算類別間的統(tǒng)計距離，以此來衡量訓練樣本（ ROI）的可分離性[24-25]。樣本分離度見表3。

由表3可知：居民區(qū)與渠道道路、蘆葦與耕地2、蘆葦與林地、渠道道路與灌木叢、蘆葦與耕地1、渠道道路與林地、耕地2與林地、居民區(qū)與灌木叢、蘆葦與渠道道路的樣本分離度都小于1.8。由此分析可知，蘆葦與耕地、居民區(qū)與渠道道路和灌木叢的分離度偏低。考慮到研究區(qū)內(nèi)林地主要為育林地，天然林地很少，對耕地1、耕地2和林地進行合并。蘆葦對耕地提取的干擾最大，為了去除蘆葦?shù)挠绊懀岣吒靥崛【龋瑢μJ葦進行目視解譯，通過掩膜處理，最后利用去除蘆葦后的訓練樣本進行監(jiān)督分類。研究區(qū)內(nèi)蘆葦面積有限，且因其親水性決定了其地理位置均在靠近海子（水域）附近，其呈現(xiàn)的圖斑紋理雜亂無章，適合目視解譯。

通過分析發(fā)現(xiàn).Landsat80LI影像的樣本分離度計算結(jié)果、蘆葦?shù)母蓴_與RapidEye影像的相似，處理方法類似，不再贅述。

3.4.2 解譯結(jié)果

通過以上處理，獲取2012年與2016年的耕地解譯結(jié)果，見圖3和圖4。

運用ArcGIS對結(jié)果進行統(tǒng)計，結(jié)果表明：沈烏灌域2012年耕地面積為5.063萬hm²，2016年耕地面積為5.711萬hm²。

3.4.3 精度驗證

利用隨機生成的驗證點（共計1 000個，其屬性通過目視解譯聯(lián)合Google earth確定），進一步對解譯結(jié)果進行驗證，局部驗證結(jié)果見圖5。分別利用正確率（分類結(jié)果為耕地的像元中，其真實地表同為耕地的比例，類似于混淆矩陣中的用戶精度）、完整率（地表真實數(shù)據(jù)中耕地被正確提取出來的比例，類似于混淆矩陣中的生產(chǎn)者精度）以及整體精度（提取耕地與真實地面耕地面積之比）3個指標進行精度驗證，結(jié)果見表4。

表4列出了不同方法提取結(jié)果的3個評價指標統(tǒng)計結(jié)果，在1 000個隨機生成的驗證樣本中，2012年和2016年聯(lián)合目視解譯與Google earth確定的耕地樣本數(shù)分別為271和353個，非耕地樣本數(shù)分別為729和647個。2012年監(jiān)督分類精度的三個指標正確率、完整率以及整體精度分別為81.96%、77.12%和94.10%，2016年分別為91 .97%、71.39%和91.78%。由此可以看出，基于支持向量機的監(jiān)督分類提取的沈烏灌域耕地精度較高。

3.5 結(jié)果分析討論

由2012年和2016年耕地提取結(jié)果的統(tǒng)計結(jié)果可知，2016年較2012年耕地面積增加了0. 648萬hm²，在2012年基礎(chǔ)上增加了12.8%，總體上耕地的增加明顯。新增耕地空間分布見圖6。由圖6可知，新增耕地的主要區(qū)域為渠道末端原有耕地與沙漠荒地的邊緣區(qū)域。對研究區(qū)進行實地調(diào)查發(fā)現(xiàn)，隨著土壤耕作條件的改善，在沒有足夠監(jiān)管的情況下，發(fā)生了大面積墾荒現(xiàn)象。

由以上結(jié)果可以看出，沈烏灌域耕地變化呈現(xiàn)增加趨勢，為分析其原因，對2012年和2016年的地下水位數(shù)據(jù)進行分析。2012年地下水資料來源于磴口縣水務(wù)局以及沈烏灌域管理局常年觀測井數(shù)據(jù)：2016年地下水數(shù)據(jù)來源于常年觀測井以及2015年新建觀測井數(shù)據(jù)。監(jiān)測周期均為5d.監(jiān)測手段為人工監(jiān)測，井口及地面高程采用RTK測量獲取。

由灌域內(nèi)不同土地利用類型下地下水位均值（見圖7）比較分析可知：2016年較2012年灌區(qū)地下水位明顯下降，尤其是荒地區(qū)域。對比耕地、村莊和荒地兩年的地下水位，耕地和村莊地下水位年內(nèi)和年際變化不大，但總體上呈現(xiàn)下降趨勢。年內(nèi)起伏主要出現(xiàn)在灌溉期，其他時間變化不大。灌區(qū)荒地的成因主要是地下水位過高導致鹽堿化嚴重，不利于作物生長。隨著近些年灌區(qū)節(jié)水措施的實施，灌區(qū)內(nèi)地下水位出現(xiàn)逐年下降的趨勢，一些低洼地帶土壤條件得到改善，被開墾為耕地。

另外，灌區(qū)地下水位在空間分布上的對比見圖8。在空間上對比2012年與2016年地下水位的變化發(fā)現(xiàn)，相較于2012年，2016年地下水位在建設(shè)一分干全段、建設(shè)二分干下游渠段、建設(shè)四分干下游沿線左岸等處都有所下降，一分干渠道末端最大下降3m以上，這與該地區(qū)滴灌的發(fā)展相關(guān)：建設(shè)二分干上游渠段，建設(shè)三分干上游渠段、四支渠、五支渠、六支渠以及東風分干瑪迷圖支渠以上渠段，地位水位均有所上升，升幅在1-2 m之間。

為分析新增耕地與地下水埋深的關(guān)系，對新增耕地所在位置的地下水埋深進行了提取，共提取樣本點21 372個，其中2016年地下水埋深小于2012年的有10 102個，大于2012年的有11 270個。由此說明，在新增耕地內(nèi)2016年地下水埋深較2012年有所增加。不同地下水埋深所對應(yīng)的樣點數(shù)統(tǒng)計結(jié)果見圖9。

由圖9可以看出，相較于2012年，新增耕地中2016年地下水埋深大于5m的樣本有所增加，小于Im的樣本數(shù)減少.1-2 m的樣本數(shù)增加最多.2-3 m的樣本數(shù)增加較多，而3-5 m的樣本數(shù)有所減少。

綜合以上分析可知，在新增耕地附近.2016年地下水埋深較2012年有所增加，即地下水位出現(xiàn)下降。由此可以判斷，地下水位的下降在一定程度上促進了耕地面積的增加。

沈烏灌域因其地理位置的特殊性，排水不暢導致其范圍內(nèi)出現(xiàn)了百余個天然海子，地下水位偏高，鹽堿化比較嚴重。隨著節(jié)水工程的實施，地下水位下降，土壤耕作條件得到改善，在原來鹽堿地以及荒漠地區(qū)出現(xiàn)了大量的墾荒現(xiàn)象。

4 結(jié)論

以RapidEye和Landsat80LI衛(wèi)星影像為數(shù)據(jù)基礎(chǔ)，利用ENVI和ARCGIS為處理和輔助工具，在實地調(diào)查的基礎(chǔ)上，運用SVM方法對沈烏灌域的耕地面積進行了提取和精度檢驗。

運用遙感技術(shù)開展灌區(qū)耕地變化研究具有較高的精度以及時效性。2012年監(jiān)督分類精度的3個指標正確率、完整率以及整體精度分別為81.96%、77.12%和94. 10%，2016年分別為91.97%、71.39%和91.78%。

沈烏灌域在2012-2016年的5a中，耕地面積增加了12.8%。結(jié)合解譯結(jié)果的對比和實地調(diào)查，新增耕地一部分處于原耕地的內(nèi)部，剩余大部分距離渠道較遠，處于荒地的邊緣。其成因在一定程度上是節(jié)水措施實施后地下水位下降，土壤鹽堿化得到改善。

通過對灌區(qū)2012年和2016年的地下水位數(shù)據(jù)分析，進一步驗證了沈烏灌域地下水位變化與耕地面積變化之間存在密切聯(lián)系，地下水位下降改善了土壤環(huán)境，促進了耕地面積的增加。

本研究的不足之處在于缺少土壤礦化度分析，下一步將對灌區(qū)內(nèi)土壤含鹽量進行測量，結(jié)合以上結(jié)果進一步分析影響耕地面積變化的其他因素。

參考文獻：

[1]張憲梅，論耕地保護與我國可持續(xù)發(fā)展戰(zhàn)略的關(guān)系[J].科技視界，2013（2）：189-189.

[2] BROWN L R.Who will Feed China？ Wake-up Call for aSmall Planet[ M]. London：W W Norton&Company， 1995： 1-2.

[3] 王力凡，潘劍君，利用高一中一低分辨率遙感影像的大區(qū)域耕地快速監(jiān)測研究[J].遙感技術(shù)與應(yīng)用，2011，26（4）：496-500.

[4]廖克，成夕芳，吳健生，等，高分辨率衛(wèi)星遙感影像在土地利用變化動態(tài)監(jiān)測中的應(yīng)用[J].測繪科學，2006，31（6）：11-15.

[5]楊冀紅，孫毅，劉順喜，高分辨率衛(wèi)星遙感影像數(shù)字化更新縣級土地利用基礎(chǔ)圖件的試驗研究[J].中國土地科學，2002，16（3）：41-45.

[6] 李宗華，王新洲，彭明軍，等，高分辨率衛(wèi)星遙感影像在土地利用變更調(diào)查中的應(yīng)用[J].測繪地理信息，2005，30（4）：13-16.

[7] 黃海霞，時間序列的中低分辨率遙感數(shù)據(jù)反射波段交叉輻射定標方法研究[D].青島：中國石油大學（華東），2011：4-6.

[8] 管續(xù)棟，基于多源衛(wèi)星遙感的越南水稻種植面積時空動態(tài)監(jiān)測[D].濟南：山東師范大學，2014：1-4.

[9]王林，基于語義的中分辨率衛(wèi)星遙感影像道路信息提取研究[D].北京：北京大學，2006：2-6.

[10] 郭景峰，淺談鄂爾多斯市鄂托克旗遙感TM影像在荒漠化及沙化土地監(jiān)測中的運用[J].內(nèi)蒙古林業(yè)調(diào)查設(shè)計，2006，29（6）：34-35.

[11] 及挽云，毛金明，胡輝，等，基于中分辨率衛(wèi)星遙感數(shù)據(jù)的旱情監(jiān)測技術(shù)研究[J].科技資訊，2012（ 33）：10-11.

[12] 劉金鋒，基于多源遙感數(shù)據(jù)的青海湖流域植被指數(shù)研究[D].西寧：青海師范大學，2014：1-2.

[13] 年波，王金亮，席武俊，等，植被信息提取中的遙感影像預處理[J].云南師范大學學報（自然科學版），2004，24（2）：62-65.

[14] 張?zhí)焓妫瑒⑽那澹唛}光，等，傅里葉變換紅外光譜儀復數(shù)光譜誤差分析及輻射定標方法研究[J].光譜學與光譜分析，2006，26（3）：430-433.

[15] 殷年，基于線性拉伸的遙感圖像處理[J].大氣與環(huán)境光學學報，1998，11（5）：29-33.

[16] BANDYOPADHYAY，臧光明，非監(jiān)督分類[J].國外科技新書評介，2014（6）：14.

[17] 趙春霞，錢樂祥，遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J].河南大學學報（自然科學版），2004，34（3）：90-93.

[18] 吳非權(quán)，馬海州，沙占江，等，基于決策樹與監(jiān)督、非監(jiān)督分類方法相結(jié)合模型的遙感應(yīng)用研究[J].鹽湖研究，2005，13（4）：9-13.

[19] 陳海林，基于判別學習的圖像目標分類研究[D].合肥：中國科學技術(shù)大學，2009：8-9.

（下轉(zhuǎn)第160頁）（上接第155頁）

[20] 閆琰，董秀蘭，李燕，基于ENVI的遙感圖像監(jiān)督分類方法比較研究[J].北京測繪，2011（3）：14-16.

[21] 楊閆君，占玉林，田慶久，等，基于CF-1/WFVNDVI時間序列數(shù)據(jù)的作物分類[J].農(nóng)業(yè)工程學報，2015（24）：155-161.

[22]江濤，遙感影像解譯標志庫的建立和應(yīng)用[J].地理空間信息，2010，8（5）：31-33.

[23]趙林林，土地利用與生態(tài)系統(tǒng)HJ衛(wèi)星影像解譯標志庫的建立：以河北省懷來縣為例[C]∥中國農(nóng)業(yè)產(chǎn)業(yè)經(jīng)濟發(fā)展協(xié)會，全國農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研討會論文集，北京：中國農(nóng)業(yè)產(chǎn)業(yè)經(jīng)濟發(fā)展協(xié)會，2010：75-79.

[24] 曹洪弟，洪友堂，張偉，等，基于ENVI的遙感圖像決策樹分類[J].北京測繪，2017（2）：67-71.

[25] 金杰，朱海巖，李子瀟，等.ENVI遙感圖像處理中幾種監(jiān)督分類方法的比較[J].水利科技與經(jīng)濟，2014，20（1）：146-148.