敖为赳， 陈一帆， 关 涛， 王建锋， 邓劲松， 干牧野，苏 越

(1.浙江省土地资源调查办公室，浙江杭州 310007; 2. 浙江大学遥感与信息技术研究所，浙江杭州 310058)



GF-1卫星数据在永久基本农田非粮化监测中的应用

敖为赳1， 陈一帆1， 关 涛1， 王建锋1， 邓劲松2， 干牧野2，苏 越2

(1.浙江省土地资源调查办公室，浙江杭州 310007; 2. 浙江大学遥感与信息技术研究所，浙江杭州 310058)

以浙江省嘉善县为研究区，应用高分一号影像数据，通过面向对象分类方法提取永久基本农田范围内坑塘、苗木地等非粮化区域，总体分类精度为0.846，Kappa系数为0.875。结果表明，利用高分辨率国产卫星影像，能够快速、准确地提取永久基本农田非粮化面积和分布，为永久基本农田非粮化程度的快速监测和评估，合理管控和引导耕地用途提供可靠的参考。

永久基本农田；“非粮化”；高分一号；面向对象分类

随着土地流转进程的加速，永久基本农田非粮化问题日益突出。一方面，永久基本农田流转非粮化现象是农业种植比较效益的正常反应，是农民的理性选择。由于种植粮食的比较效益偏低，尽管各级政府实施了农作物良种补贴、保护价收购等惠民政策，但并没有完全抵消农田租金、化肥、农药等农业生产资料价格连年上涨带来的负面影响，因此不少农民将永久基本农田用于发展苗木、花卉甚至挖塘养殖。另一方面，永久基本农田非粮化改变了田间的水利设施、灌溉系统，甚至改变和破坏了土壤层，未来恢复为种植粮食的农田非常困难。短期来看农民收入增多，经济效益明显，但从长远来看，可能危害我国的粮食安全[1]。国土资源部《关于强化管控落实最严格耕地保护制度的通知》(国土资发〔2014〕18号)中明确要求，引导农业结构调整不改变耕地用途，严禁占用基本农田挖塘造湖、种植林果、建绿色通道及其他毁坏基本农田种植条件的行为。实际工作中发现，农业利用方式的改变，往往没有在土地利用变更调查成果中反映，故而土地利用数据难以满足对永久基本农田范围内非粮化程度的监测和评价。

遥感技术观测面积大、周期短、数据客观性和可比较性强，在农业应用领域具有独特的优势。高分一号卫星是中国高分辨率对地观测系统的第一颗卫星，其全色波段的空间分辨率达2 m，多光谱波段空间分辨率为8 m。遥感数据的空间分辨率越高，图像包含更为丰富的地物空间信息，如纹理和几何信息等[2]。此外，高分一号国产卫星具有精度高、获取周期短、数据来源可靠等一系列优点，使其能够胜任大面积永久基本农田非粮化的快速监测。

笔者选择浙江省嘉善县为研究区，应用高分一号卫星(以下简称GF-1)影像数据，利用面向对象分类方法对嘉善县永久基本农田内的非粮化区域进行了解译和提取，并对该县永久基本农田“非粮化”程度进行了评估。

1　研究区概况与数据获取

1.1研究区概况嘉善县地处太湖流域杭嘉湖平原，位于浙江省东北部，120°44′22″～121°1′45″E、30°450′36″～31°1′12″N。嘉善位于北亚热带南缘的东亚季风区，光照充足、四季分明，适宜作物生长。年均气温15.8 ℃，年降雨量1 155.7 mm，平均无霜期233.6 d。温和湿润的气候使得嘉善自古以来就是闻名的鱼米之乡、产粮大县。同时，位于长江三角洲东南侧，地处长三角城市群核心区域的嘉善县，是浙江省接轨上海的第一站，是全国综合实力百强县之一。近年来，嘉善县围绕都市型农业发展方向，大力调整农业产业结构，发展大棚设施栽培、淡水养殖、花卉苗木种植等产业。在这个过程中，部分永久基本农田的土地被用作了挖塘养鱼和花卉苗木种植。因此，笔者以嘉善县作为典型研究区域，探索国产高分辨率卫星数据应用于永久基本农田非粮化监测的方法体系。

2014年嘉善县土地利用总体规划调整完善工作划定永久基本农田面积共26 677.72 hm2，主要分布在县域北部(图1)。

1.2技术流程在获取GF-1号1A级影像产品的基础上，首先对影像进行预处理。预处理包括几何校正、影像融合、影像裁剪。

在完成GF-1号影像的预处理后，叠加永久基本农田矢量图层，基于面向对象的遥感分类方法，对永久基本农田范围内非粮化区域(基本农田用于挖塘养鱼、种植苗木)进行提取。面向对象分类通过对影像的分割，使同质像元组成大小不同的对象，能克服传统基于像素的分类方法中出现的椒盐现象，实现较高层次的遥感图像分类和目标地物提取，提高地物分类结果的精度和完整性[3]。面向对象分类在eCognition 9.0软件中进行，分类过程主要包括：影像分割、样本建立、特征选取及分类。具体技术流程见图2。

图1　嘉善县永久基本农田分布图Fig. 1　Distribution of permanent basic farmland in Jiashan County

图2　技术流程Fig. 2　Technical process

1.3遥感数据及预处理该研究所用GF-1号遥感影像拍摄时间为2015年1月17号。主要卫星参数如下。

表1　GF1卫星参数

该研究所用的是空间分辨率为2 m/8 m的PMS数据。GF-1数据预处理在ENVI5.1平台上完成，包括几何校正、影像融合、影像裁剪等。

首先对GF-1 PMS传感器的多光谱和全色波段采用Pan Sharp融合功能模块进行了融合,然后基于空间分辨率优于1 m的DOM数据，对融合后的影像进行几何校正，采用最近邻法进行重采样，几何校正误差小于1 m。完成几何校正后的影像采用嘉善县的矢量边界进行裁剪得到研究区影像。

2　面向对象分类

该研究采用面向对象分类方法来识别、提取永久基本农田中的非粮化区域。面向对象分类的分类方法以多尺度分割为基础，根据生成的多边形对象的属性信息，采用模糊逻辑分类方法，实现类别信息的自动提取。其优势是能够充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息，提高分类精度。

2.1样本选取影像上的地物对象具有光谱信息、纹理结构、形状等多种属性。因材质、空间分布方式的差异，每种地物类别都具有独立于其他地物的专属特征[4]，所以能够从影像上准确的选择样本。例如，图3是苗木、坑塘及农田在GF-1号影像上的呈现。

图3　影像样本Fig. 3　Image samples

2.2多尺度分割和分层分类影像分割的目的就是把图像分成若干个有意义的连续区域，使得每个区域内有着均匀一致的光谱、纹理、形状性质且区域间互不重叠[5]。它是面向对象分类的关键步骤，不同尺度的分割会有不同的效果，直接影响后续信息识别提取的精度。图4是同一区域不同尺度的分割结果。

笔者选用的是面向对象遥感影像信息提取方法中的多尺度分割。对于多尺度分割而言，当信息提取针对整幅影像时，最优尺度指的是分割后，影像对象内部异质性尽量小，不同类别对象之间的异质性尽量大，而且对象能够表达某种地物的基本特征( 如:纹理、光谱、形状、拓扑关系等) ，其中对象内部同质性保证影像对象的纯度，而对象之间的异质性保证影像对象的可分性[6]。目前，虽然已有学者对最优尺度的选择方法进行了研究，但尚未形成定论，最优尺度的选择依然倾向于通过多次实验确定。

笔者采用最近邻分类方法来提取非粮化区域。经过影像分割试验，该研究多尺度分割分为三个层次(图5)。

第一层首先区分水体与非水体。分割尺度选择300，形状因子0.1，光滑度0.5。在这个分割尺度下，多边形面积较大且边界清晰规整，易于后续细分。从研究区影像看水体主要包括河流和坑塘，仅用Mean Brightness和Standard deviation指标不能很好的提取。这里还采用水体指数NDWI，能够较好的区分水体与非水体。

图4　不同分割尺度对比图Fig. 4　Comparison of different segmental scales

第二层将水体细分为坑塘和河流，分割尺度选择100，形状因子0.2，光滑度0.6。影像上可以看出坑塘大多形状规整，而河流大多狭长且边缘不整齐，所以分类的时候除Brightness和Standard deviation，还选用形状特征Asymmetry、shape index、Rectangular Fit以及Main Direction。

第三层将非水体细分，分割尺度选择200，形状因子0.1,光滑度0.5。本层分类不仅包括光谱特征Brightness、Standard deviation，以及形状特征Compactness、Shape index、Rectangular Fit，更添加了纹理特征GLCM Mean，以更好地将非水体分为农田、苗木、大棚设施和建筑物。

这样，就将研究区的地物分成了坑塘、河流、农田、大棚设施、苗木、建筑物共六大类。具体分类结果如下。

2.3精度评价分类完成后进行精度评价，从影像上选取了144个验证点，其中河流26个，农田30个，坑塘35个，苗木15个，建筑物27个，大棚11个。

利用eCognition Developer软件提供的Error Matrix based on Samples进行精度评价。精度评价结果包括了三部分，分别是混淆矩阵、单一类别的精度分析结果和总体类别的精度分析结果。混淆矩阵呈现了每一种类别的样本总数、错分及漏分的样本数量；单一类别精度分析包括生产者精度、用户精度等5个指标；总体类别精度分析包括总体分类精度和Kappa系数两个指标。

3　结果与分析

3.1分类结果分析利用面向对象分类方法对研究区影像进行分类，原始影像与分类结果对比如图6所示。

从分类结果图中可以看出，不同的类别之间边界整齐清晰，而同中类别多集中连片分布，克服了传统基于像素分类方法中出现的“椒盐现象”。与原始影像对比，发现虽然还有一些区域存在地类混淆的现象，但绝大部分地物能够准确分类，分类结果较好。

图5　分类结果Fig. 5　Classification results

图6　原始影像与分类结果对比Fig. 6　Comparison between raw image and classification result

为了评估本次研究的分类结果，用eCognition Developer软件上的Error Matrix based on Samples进行了精度评价，评价结果如表2示。

评价结果显示，总体分类精度为0.875，Kappa系数为0.846，总体分类质量较好。混淆矩阵中，坑塘的总样本数为35个，正确样本为33个，错分样本为2个，错分的地类为农田；苗木的样本总数为15个，正确样本有13个，错分样本有2个，分别为农田和建筑物。

至于单一类别精度，坑塘的生产精度为0.942 9，用户精度为1，条件Kappa系数为0.925 9，分类精度很高。而苗木的生产精度为0.866 7，用户精度为0.928 6，条件Kappa系数为0.852 3，分类质量较好。坑塘作为水体，其光谱特征与植被以及建筑物差异明显，且大多数坑塘形状规整，这使得其很容易与河流区分开。然而部分坑塘表面被绿藻等微生物覆盖，还有的坑塘未蓄水，导致纹理、光谱信息等与正常坑塘不同，故而有小部分错分为农田。苗木地虽然在光谱和形状上与作物差异较小，但其在纹理特征上有明显的差异，因此通过面向对象的遥感分类方法来区分苗木地也取得了满意的精度。

3.2嘉善县永久基本农田非粮化程度分析(图7)统计分类结果表明，至2015年，嘉善县永久基本农田内的非粮化面积为2 175.06 hm2，占永久基本农田总面积的8.15%，其中用作苗木种植的有71.42 hm2，用作坑塘养殖的有2103.64 hm2。

从图7可以看出，用作坑塘养殖和苗木种植的非粮化区域主要分布在嘉善县北部，其中毗邻上海的东北部分布尤为集中。而县域内部与南部地区坑塘、苗木分布稀疏。由此可以推测，永久基本农田“非粮化”现象与当地地理位置、经济发展水平密切相关。经济越发达，或是地理位置越靠近经济发达区的地方，永久基本农田“非粮化”趋势越显著。

表2　面向对象分类精度评价统计

4　结论与建议

针对新型国产卫星平台GF-1号卫星数据的特点，研究了基于GF-1号卫星2m/8m PMS传感器卫星数据的永久基本农田非粮化遥感监测方法，试验结果如下。

(1)GF-1 号 2 m/8 m PMS 传感器卫星数据结合面向对象的遥感分类技术，可以快速提取永久基本农田“非粮化”的面积和分布，其精度可以满足永久基本农田“非粮化”监测的要求。

(2)根据永久基本农田“非粮化”后地类与传统水稻田在光谱特征、形状特征和纹理特征上的差异，采用多尺度分割和分层分类的方法体系，可以有效地减少运算量并保证图斑的完整性。

(3)目前嘉善县永久基本农田“非粮化”比例为8.15%，其中主要用做挖塘养鱼，虽然目前土地流转“非粮化”现象尚未引起重大影响，但已初露端倪，应当引起重视。

在市场经济条件下，经济利益最大化是社会经济发展的基本动力。因此在种粮比较经济效益低的前提下，农村土地流转“非粮化”成为一个必然趋势。在“非粮化”问题初露端倪，尚未产生重大影响的情况下，引导农村土地向“非粮化”生产适度流转，已迫在眉睫[6]。对此，提出如下建议：

首先，应该进一步提高粮食收购最低价格，完善种粮补贴政策，提高粮食直接生产者的积极性。鼓励规模化种粮，按照种粮规模化程度进行分级别奖励和补贴[1]，同时要确保惠农政策直接兑现到种粮农民手中[7]，切实发挥粮食直补政策对粮食生产的宏观调控效应。国家可以为其提供不同级别的信贷支持，用一系列惠民政策为大规模种粮者的风险经营保驾护航。

图7　嘉善县永久基本农田非粮化区域分布Fig. 7　Distribution of non-grain zones of permanent basic farmland in Jiashan County

其次，要建立土地用途审批和监管体系，明确国土资源和农业行政部门对农村土地监管的分工职责，加大对永久基

本农田“非粮化”行为的监管、查处力度。建立永久基本农田“非粮化”使用目录，细化耕地利用类型，对土地流转的农业用途进行明确分类。

最后，要稳定种粮面积比例，需要建立粮食生产区划，优化粮食生产布局。建立粮食生产总体规划，确定省级总的粮食安全生产战略目标，然后以市县为单位确立粮食产量底线，为各地确保在实现粮食安全生产的前提下合理调整农业生产结构提供政策依据，优化政策环境，为各地大力推进特色优势农产品生产提供前提[5]。

[1] 易小燕,陈印军，王勇，等.耕地流转中的非粮化问题研究[N].农民日报,2012-02-14.

[2] 刘书含,顾行发,余涛，等.高分一号多光谱遥感数据的面向对象分类[J].测绘科学，2014,39(12):91-94.

[3] 马洋洋,张彩霞，张继超，等.辅以NDVI/DEM的面向对象木薯提取方法研究：以广西壮族自治区武鸣县为例[J].地理与地理信息科学,2015(1)：49-53.

[4] 邓媛媛，巫兆聪，易俐娜，等.面向对象的高分辨率影像农用地分类[J].国土资源遥感，2010(4)：117-121.

[5] 吴健生,刘建政,黄秀兰，等.基于面向对象分类的土地整理区农田灌排系统自动化识别[J].农业工程学报，2012,28(8):25-31

[6] 王卫红,何敏.面向对象土地利用信息提取的多尺度分割[J].测绘科学， 2011(4):160-161.

[7] 朱姗.农村土地非粮化非农化趋势分析[J].农村经营管理，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

国土资源部公益项目(20141119)。

敖为赳(1983- )，男，江西萍乡人，工程师，硕士，从事国土资源遥感应用、信息化研究。

2016-05-18

S 127

A

0517-6611(2016)18-250-06