利用长时间序列遥感图像进行干旱地区年度耕地变化检测：以中国新疆北部天山山脉经济带为例

《Journal of Arid Environments》：Annual cropland change detection in arid areas with long time series remote sensing images: A case study of the economic belt of the north Tianshan Mountains, Xinjiang Province, China

本研究提出了一种适用于干旱地区的无监督年作物用地变化检测算法，基于Google Earth Engine平台利用Landsat7遥感影像。通过云掩膜合成和NDVI滚动合成方法解决云覆盖问题，在北天山经济区2001-2019年监测结果显示扩张与收缩准确率分别为79.5%和80.4%，为区域水资源管理和可持续发展提供数据支撑。

　　在当前全球面临资源紧张和环境变化的背景下，干旱地区作为农业活动的重要区域，其耕地变化的监测显得尤为关键。干旱地区的耕地不仅占据了全球耕地面积的40%，还支撑着全球约六分之一的人口。然而，由于干旱地区水资源匮乏、生态环境脆弱，耕地的变化往往伴随着复杂的自然和社会因素，这使得传统的耕地监测方法面临诸多挑战。现有的耕地变化检测技术通常依赖于复杂的算法设计和大量的训练样本，这在实际应用中不仅增加了成本，还可能因为样本质量或算法适应性问题而影响结果的准确性。因此，开发一种简单、高效且适用于大规模干旱区域的耕地变化检测方法具有重要的现实意义。

本文提出了一种基于Google Earth Engine（GEE）平台的无监督年度耕地变化检测算法，旨在克服传统方法的局限性。该算法通过利用长期的Landsat 7遥感影像数据，结合无监督学习策略，能够在不依赖人工标注训练样本的情况下，实现对干旱地区耕地变化的精确识别。具体而言，该方法首先利用Fmask算法对Landsat 7影像进行云和阴影掩膜处理，从而去除影像中的无效像素，生成高质量的年度影像。接着，采用NDVI滚动合成技术，对因持续云覆盖而影响影像质量的区域进行处理，生成高精度的NDVI合成图。最后，通过对比分析不同时间点的NDVI值变化，识别出耕地的扩张与收缩区域。该方法的优势在于其操作简便、计算效率高，同时具备良好的空间和时间可扩展性，能够适应不同尺度的干旱地区耕地监测需求。

在实际应用中，本文选取了新疆天山北坡经济带作为研究区域。该区域是典型的干旱地区，水资源匮乏，但却是重要的农业生产基地。过去二十年，随着人口的快速增长，耕地结构发生了显著变化，这些变化对区域生态平衡产生了深远影响。因此，对该区域耕地变化的动态监测不仅有助于了解土地利用趋势，还能为水资源管理和可持续发展政策提供科学依据。研究结果显示，该方法在耕地扩张和收缩的检测中分别达到了79.5%和80.4%的整体准确率，表明其在实际应用中具备较高的可靠性。此外，该方法能够有效处理云覆盖区域，避免因云干扰而导致的误判，这在干旱地区尤为关键，因为这些地区往往具有较高的云覆盖频率。

本文的研究成果对于干旱地区的土地利用管理具有重要的指导意义。首先，该方法提供了一种低成本、高效率的耕地变化监测手段，避免了传统方法对大量训练样本的依赖，降低了数据处理的复杂性。其次，通过无监督学习的方式，该方法能够自动识别耕地变化的模式，减少人为干预带来的偏差，提高结果的客观性。再者，该方法在空间和时间上的可扩展性使其能够应用于更大范围的干旱区域，为全球范围内的耕地变化监测提供了技术支持。此外，该方法所生成的数据可以为区域水资源管理和可持续发展政策提供数据驱动的决策依据，有助于优化农业布局，提高资源利用效率。

在研究过程中，我们发现现有的耕地变化检测方法在多个方面存在不足。一方面，许多方法的空间分辨率较低，通常为250米至1000米，难以捕捉到耕地变化的细微差异，限制了其在精细化管理中的应用。另一方面，监督学习方法的精度高度依赖于训练样本的质量和人工设计的特征参数，这在数据获取困难的干旱地区尤为不利。此外，一些方法在处理长期遥感影像数据时，需要复杂的后处理步骤来提高分类精度，这不仅增加了计算负担，还可能引入额外的误差。相比之下，本文提出的方法通过简化算法流程，提高了计算效率，同时通过NDVI滚动合成技术增强了影像的可用性，从而实现了更精准的耕地变化检测。

本文的研究方法在技术上具有一定的创新性。首先，它采用无监督学习策略，无需依赖人工标注的训练样本，从而降低了数据准备的难度和成本。其次，通过结合NDVI特征分析和滚动合成技术，该方法能够在复杂的云覆盖条件下仍保持较高的检测精度。此外，该方法还充分利用了GEE平台的计算能力和数据存储优势，使得大规模遥感影像处理成为可能。这些技术特点使得该方法不仅适用于干旱地区的耕地变化监测，还具备推广到其他区域的潜力。

在实际应用中，该方法能够为政府和科研机构提供可靠的数据支持。例如，在水资源管理方面，耕地的变化往往与灌溉用水、土地利用模式等密切相关，通过准确识别耕地扩张和收缩的区域，可以更好地评估水资源的供需情况，优化水资源配置。在可持续发展政策制定方面，该方法能够揭示耕地变化的空间分布特征，为政策制定者提供科学依据，帮助其制定更加合理的土地利用和农业发展策略。此外，该方法还可以用于评估不同政策干预措施的效果，为未来的土地管理提供反馈机制。

本文的研究结果表明，该方法在新疆天山北坡经济带的耕地变化检测中表现良好，能够准确识别出耕地扩张和收缩的趋势。通过对不同时间点的影像进行对比分析，我们发现耕地扩张主要集中在2003年至2011年间，而耕地收缩则在2013年至2019年间呈现出上升趋势。这一发现可能与区域经济发展、水资源调配政策、农业技术进步等因素有关。例如，随着农业技术的不断进步，部分区域可能通过提高土地利用效率实现了耕地的扩张，而另一些区域则可能因为生态环境恶化或政策调整导致耕地的减少。这些变化不仅反映了区域农业发展的动态，也为未来的政策制定提供了参考。

此外，本文的研究还揭示了干旱地区耕地变化的复杂性。耕地的变化不仅受到自然因素的影响，如气候变化、水资源变化等，还受到社会经济因素的制约，如人口增长、土地政策调整、农业技术推广等。因此，在进行耕地变化监测时，需要综合考虑这些因素，以确保监测结果的全面性和准确性。本文提出的方法虽然在技术上具备一定的优势，但在实际应用中仍需结合具体区域的地理和气候条件进行调整和优化，以提高检测的适应性和可靠性。

在方法的推广和应用方面，本文提出的方法具有较强的可扩展性。由于该方法基于GEE平台，可以充分利用其分布式计算能力和海量遥感数据存储，从而实现对更大范围的干旱地区进行耕地变化监测。这不仅能够提高数据处理的效率，还能够降低计算成本，使得更多研究者和政策制定者能够利用该方法进行耕地变化分析。此外，该方法还可以与其他遥感技术相结合，如高分辨率卫星影像、无人机遥感等，以进一步提高耕地变化检测的精度和细节。

综上所述，本文提出的一种基于无监督学习的年度耕地变化检测方法，为干旱地区的耕地监测提供了一种新的思路和技术手段。该方法在操作简便性、计算效率和空间可扩展性方面具有显著优势，能够有效解决传统方法在干旱地区应用中的局限性。通过在新疆天山北坡经济带的实际应用，该方法展示了其在耕地变化识别方面的可靠性，为区域水资源管理和可持续发展政策提供了重要的数据支持。未来，随着遥感技术的不断发展和GEE平台的进一步完善，该方法有望在更大范围内推广应用，为全球干旱地区的耕地变化监测和土地管理提供更加精准和高效的解决方案。