NDVI季節差異在山地糧食生產撂荒問題中的應用

佘思揚 周振豪 鄭浩澤

摘要：耕地是國家重要資源，近年來國家耕地廢棄現象日趨嚴重。雖然中國已開展耕地占補平衡政策，但在政策實施過程中仍然存在著新墾耕地被遺棄現象。文章根據廣東山地新墾耕地數據，將NDVI與決策樹相結合，分析不同土地類型生長季節和非生長季節的NDVI差異，識別撂荒耕地數量空間狀況。研究結果表明，當地新墾耕地已出現大量棄耕現象，大部分廢棄集中在山地丘陵和城郊地區。研究有助于快速判別耕地撂荒現象，幫助占補平衡政策開展。

關鍵詞：農業糧食問題;耕地撂荒;遙感技術

耕地是重要的土地資源類型，土地撂荒現象對國家糧食安全造成了負面影響，侵害了大眾利益。中國人口基數大，糧食需求巨大。中國政府制定了一系列增加耕地的政策，以保障耕地利用與供應的平衡。農地補充政策開展后，農地利用與供給的數量失衡問題得到了逐步緩解。但值得關注的是，新開墾耕地往往存在著坡度大、土地貧瘠等弊端。這些因素造成作物產量低，可導致農民遷出土地，造成耕地廢棄，進而威脅到國家的作物生產安全。

新墾耕地棄耕現象識別中，研究人員通過田野調查和統計方法識別耕地利用是耕地信息獲取的傳統途徑。現有研究指出，光譜特征可以在遙感影像中反映作物的生長信息，其變化與植被成熟期對應。不同土地類型的光譜特征存在明顯差異，利用光譜差異在遙感數據上的表現可以用于區分耕地和非耕地。近年來，NDVI因其良好的植被特征區分能力和反映植被物候信息的準確性，逐漸被應用于遙感時間序列的構建。以Landsat、GF遙感數據為基礎構建NDVI系列模型的成熟的實際應用。研究人員應用此類模型來獲得作物特定的生長特征，并確定不同地區的植被種植模式。

NDVI時間序列模型無法完全克服部分數據空窗期和惡劣天氣影響。在我國南方一些山區，遙感數據有時會受到潮濕天氣的影響，在建立全年時間序列時遇到困難。在這種情況下，利用NDVI時間序列分析方法很難識別耕地。

本文基于南方低山丘陵地區的生長季多降水的季風氣候特點，改進了通過構造NDVI時間序列來區分耕地的識別方法，以減少因氣候因素造成數據采集困難的情況并得到較為精確的新墾耕地撂荒情況識別結果。

一、研究區域和材料

（一）研究區域

研究區域位于廣東省梅州市興寧縣。興寧是廣東省所轄的縣級城市，面積2104.85平方公里。位于兩廣丘陵。2019年，興寧年糧食種植面積為64.54萬畝，產糧29.41萬噸（《興寧統計年報》http：//www.xingning.gov.cn/xxgk/tjxx/content/post_1968697.html）。研究區景觀由耕地、野生雜草（含棄耕地）、森林、建設用地、水體、裸地（含棄耕地）組成。

（二）數據采集

GF-1衛星發射于2013年4月26日。本研究選取了2017年和2018年共兩年的遙感影像數據。在野外研究和高分辨率遙感影像的配合下，在2017～2018年的遙感影像上依據興寧市內現有耕地分布，利用Arcgis10.2隨機選取300個落于耕地上的樣本點，按照耕地輪廓繪制ROI作為訓練樣本，探究耕地與非耕地NDVI時間變化規律及差異。在興寧地方政府和華南農業大學土地整理實驗室的幫助下，收集2009～2015年新墾耕地補充政策實施階段，興寧所有補充的生態脆弱區新墾耕地的位置信息。研究使用2018年非生產季（12月）與生產季（5月）的無云（云量小于1%）GF-1圖像（分辨率為2米）來展示樣本圖斑。這些稻田被設置作為研究結果的精度檢驗單元。

二、研究方法

本研究綜合運用決策樹方法和NDVI的時序曲線月份變化特征來識別撂荒耕地。在決策樹分析中加入NDVI月份分析，簡化決策樹判斷過程，提高識別精度。本研究包括三個部分：構建水稻全生長期內幾個特定土地類型的NDVI時間序列，分析曲線變化差異和極值分布，確定閾值作為劃分標準;觀察各時序曲線生產季與非生產季之間的NDVI差異，確定每個定義的土地類別的月間差異;利用決策樹方法識別試驗農田是否撂荒。

（一）撂荒耕地的波段數據提取

本研究將從中國大陸的法律視角出發，考慮時序因素時，耕地撂荒是指耕地由于某些特殊原因，至少2年未被開墾的情況。

NDVI經過預處理得到的地表反射率數據可以更準確地反映地表覆蓋的真實情況，不受大氣、傳感器等因素的影響。這些數據集可以用來計算時間序列NDVI和NDVI的季節差異，利用2017～2018年間每月抽取分辨率為16m的GF-1衛星影像和梅州市DEM30米影像，構建研究區農田NDVI分析數據庫。

遙感器自身也存在影響光譜信息的因素，因此研究采用了數據預處理（包括圖像幾何校正、輻射校準和大氣校正）來消除這種影響。

（二）NDVI月份差異分析

已有研究表明，同一類型土地在一年的不同月份的NDVI值通常是存在較大差異的（特別是在生產季節和其他季節之間）。本文通過分析興寧縣不同土地類型生產季與非生產季的NDVI差異特征并進行土地分類。

從圖1可以看出，6月和9月耕地NDVI數據值中值位于0.7以上，呈現為曲線的峰值。12月和7月的數據值位于指數曲線波谷。這些數值可用于確定興寧地區水稻的閾值范圍。

（三）NDVI閾值決策樹的構建

研究人員基于NDVI時間序列的識別閾值，以0.30為標準，對土地NDVI數據進行差值分析。所有差值超過0.30的樣本點，其值匹配的特征曲線被認為屬于耕地，所有樣本點不符合上述兩個條件假設將被歸為潛在“非耕地”，并至少連續兩年符合現有假設的情況下，結果才能被認為是廢棄土地。

NDVI生長周期序列在曲線上逐月顯示耕地的光譜變化特征，確定最大值和最小值。根據所構造的時間序列，最大值在7月，最小值在12月。同時，還對其他土地分類進行了一系列的NDVI時間曲線建構，將耕地與其他類型土地區分。最后，利用決策樹機制對采樣點和接收結果進行分類。

（四）精度驗證

本研究利用ArcGIS 10.2在高分辨率遙感影像上隨機選取點，選取305個測試點作為測試對象。通過實地調查和證據收集，研究方法的準確性約為99.02%。此外，本研究的主要目的是探討興寧市新開墾耕地是否處于被撂荒狀態。因此，在進行準確性驗證時，研究者只討論被棄耕和種植兩種情況，因此采用卡方檢驗。最后卡方系數的結果為0.898，一致性強，可接受性高。

三、結果

經過處理，得到2017年和2018年的實驗結果，作為2009年和2015年復墾期結束后新墾耕地是否有新撂荒的依據。將興寧2009～2015年的新耕地按墾荒區域劃分為7個部分，共有試驗農田305塊（補充農田305塊）。通過上述操作，利用ArcGIS繪制實驗區耕地NDVI月份差值處理結果，得到主要差異結果在研究區域內的空間分布。興寧地區95%以上的新增耕地被廢棄，大部分為雜草和低矮灌木。從整體分析，在每一個研究部分新開荒農田中拋荒現象發生明顯（在這項研究中， No.2015，No.2012和No.2010因為沒有新的種植農田因而未記錄進入數據），并廣泛分布在所有相關研究的新開墾耕地。

四、討論

（一）NDVI時序曲線法特點

近年來，NDVI差分識別模型被廣泛應用于監測風、沙塵暴、冰雹、山地植被覆蓋變化等領域。基于多個來源的遙感影像、歸一化植被指數作為被選指標，處理并統計參考樣本遙感圖像NDVI差異分析并確定閾值來區分常綠和落葉的波譜特點。本文將該方法與我國南方糧食種植系統相結合，應用于嶺南山區耕地的識別。月份指數差值識別分析的優點是，它不再需要構建時序曲線所需的全生長周期，且可有選擇地跳過時序曲線會受到的傳感器和天氣等因素的影響。水稻、小麥等糧食作物的NDVI在抽穗期較高，甚至達到最高值。同時農田的指數值在收獲期后會迅速下降，直到生長周期的最低點。利用這兩個時期的指標建立不同的模型，區分耕地與未耕地空間分布面積。

五、結論

基于中國南方山區的區域特征，采用NDVI時序曲線與月度植被指數差值相結合的綜合方法進行測試和分析，研究發現，興寧市在2009年和2015年執行占補平衡政策期間新開墾的耕地，2020年10月，超過90%處于拋荒狀態。同時，研究發現73%的新耕地位于坡度大于6°的低山、丘陵地帶，種植條件較為一般。這項研究的結果將幫助政府和其他決策機構更加科學和理性地評判當前部分山地的耕地占補平衡政策，在確保耕地的質量和可持續性的基礎上保障新墾耕地的數量。

參考文獻：

[1]Michael Lipton，Yashar Saghai.Food security，farmland access ethics，and land reform[J]. Global Food Security，2016，12.

[2]Yuanan Hu，Hefa Cheng，Shu Tao. Environmental and human health challenges of industrial livestock and poultry farming in China and their mitigation[J]. Environment International，2017，107.

[3]Ying Tang，Robert J.Mason，Yubo Wang，Governments’functions in the process of integrated consolidation and allocation of rural-urban construction land in China[J].Journal of Rural Studies，Volume 42，2015，Pages 43-51，ISSN 0743-0167.

[4]Xuefeng Yuan，Yajing Shao，Yuheng Li，Yansui Liu，Yongsheng Wang，Xindong Wei，Xiaofeng Wang，Yonghua Zhao. Cultivated land quality improvement to promote revitalization of sandy rural areas along the Great Wall in northern Shaanxi Province，China[J].Journal of Rural Studies，2019.

[5]Zhiyong Liu，Lucas Menzel. Identifying long-term variations in vegetation and climatic variables and their scale-dependent relationships：A case study in Southwest Germany[J].Global and Planetary Change，2016，147.

[6]Yong Chen，Wei He， Naoto Yokoya， Ting-Zhu Huang.Blind cloud and cloud shadow removal of multitemporal images based on total variation regularized low-rank sparsity decomposition[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，157.

[7]Lin Yang，Xianglin He，Feixue Shen，Chenghu Zhou，A-Xing Zhu，Bingbo Gao，Ziyue Chen，Manchun Li.Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data[J].Soil & Tillage Research，2020，196.

[8]J.Suziedelyte Visockiene，E.Tumel-iene，V.Maliene， Analysis and identification of abandoned agricultural land using remote sensing methodology[J].Land Use Policy，Volume 82，2019，Pages 709-715，ISSN 0264-8377.

[9]Xu Zhang，QingSheng Pei，Yan Chen，Ying Guo，Yanan Hou，Rui Sun.Study on Temporal and Spatial Change of Vegetation Coverage in Haiyan County Based on GF-1[J].Procedia Computer Science，2019，162.

[10]Lin Yang，Xianglin He，Feixue Shen，Chenghu Zhou，A-Xing Zhu，Bingbo Gao，Ziyue Chen，Manchun Li. Improving prediction of soil organic carbon content in croplands using phenological parameters extracted from NDVI time series data[J].Soil & Tillage Research，2020，196.

[11]Yang Yikun，Zhao Chuanfeng， Fan Hao.Spatiotemporal distributions of cloud properties over China based on Himawari-8 advanced Himawari imager data[J].Atmospheric Research，2019，240.

[12]Yunan Luo，Kaiyu Guan，Jian Peng.STAIR：A generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution， daily and cloud-/gap-free surface reflectance product[J].Remote Sensing of Environment，2018，214.

[13]Qiang Zhang，Qiangqiang Yuan， Jie Li，Zhiwei Li，Huanfeng Shen，Liangpei Zhang.Thick cloud and cloud shadow removal in multitemporal imagery using progressively spatio-temporal patch group deep learning[J].ISPRS Journal of Photogrammetry and Remote Sensing，2020，162.

[14]Congcong Li，Hongjun Li， Jiazhen Li，Yuping Lei，Chunqiang Li，KirilManevski，Yanjun Shen，Using NDVI percentiles to monitor real-time crop growth[J].Computers and Electronics in Agriculture，Volume 162，2019，Pages 357-363.

[15]Xuehong Zhang，Paul M.Treitz， Dongmei Chen，Chang Quan，Lixin Shi， Xinhui Li.Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree-based procedure[J].International Journal of Applied Earth Observations and Geoinformation，2017，62.

[16]Cramer Viki A，Hobbs Richard J， Standish Rachel J.What’s new about old fields？ Land abandonment and ecosystem assembly[J].Trends in ecology & evolution，2008，23（02）.

[17]Rouse，J.W.，Haas，R.H.，Schell，J.A. and Deering，D.W.（1974） Monitoring Vegetation Systems in the Great Plains with ERTS[w].Third ERTS-1 Symposium NASA，NASA SP-351，Washington DC，309-317.

（作者單位：華南農業大學公共管理學院）