编辑推荐：
为解决内蒙古耕地撂荒监测难题，研究人员开展绘制撂荒及复垦耕地地图研究。得出 ARCC10-IM 数据集，精准呈现耕地动态。该研究对土地规划、环境监测意义重大，强烈推荐科研读者阅读。
在全球，粮食安全问题日益严峻，武装冲突也时常发生，这让土地资源的合理利用和管理变得至关重要。就拿中国来说，粮食安全始终是重中之重，准确掌握耕地信息对农业规划和粮食生产意义非凡。从 20 世纪晚期开始，中国的耕地面积大幅扩张，尤其是在干旱和半干旱地区。但这种扩张也带来了不少麻烦，很多新开垦的土地并不适合耕种，导致土地退化和撂荒现象频发。
在内蒙古、宁夏和甘肃这些耕地资源本就有限的地区，耕地的闲置和撂荒更是带来了一系列问题。它不仅威胁到粮食安全，还对土地管理和生态可持续性造成了挑战。据统计，截至 2015 年，中国撂荒耕地面积约达 392,156 平方千米，占总耕地面积的 13.03%。这可不是个小数目，相当于每年损失 794 万吨粮食，足够养活近 2000 万人。而且，现在把部分耕地恢复为自然生态系统，也成为了实现环境目标的一种选择，所以持续监测耕地动态，对保障粮食安全和环境可持续性都极为关键。
内蒙古的耕地撂荒问题也很突出，环境退化、干旱以及社会经济等多种因素交织在一起。草原开垦让土壤条件变差，半干旱土地变得更加脆弱；干旱和缺水使得边缘土地的耕种愈发困难；劳动力迁移和农业收益下降，也让不少农民放弃了耕种。有研究表明，内蒙古 13 - 20% 的耕地被撂荒，在一些特殊地区，比如阴山地区，干旱年份撂荒比例甚至高达 40%。
在这样的大背景下，遥感技术凭借着广泛的覆盖范围、高效的数据获取能力和动态监测优势，成为了研究和管理撂荒及休耕土地的重要工具。不过，现有的研究还是存在不少问题。一方面，高分辨率数据虽然听起来很厉害，但在中国复杂破碎的地貌环境下，仅仅依靠它并不能保证得到准确的结果。中国的撂荒土地往往分散又零碎，要是在使用高分辨率图像时，不考虑撂荒耕地的特点和作物物候（比如收获期 NDVI（归一化植被指数）的季节性下降），很容易高估或低估撂荒土地的面积。中低分辨率的遥感图像，在监测这些动态变化大、不稳定的土地时，也显得力不从心。另一方面，基线耕地数据的误差也是个大麻烦。原始土地利用数据要是不准确，后续的分析也会跟着出错。像内蒙古这种干旱和半干旱地区，土地利用长期不稳定，在作物生长的关键时期，干旱胁迫会让地表反射数据中的活跃耕地与自然植被或休耕土地混淆不清。所以，要想准确识别撂荒耕地，就必须仔细考虑作物生长周期，采用更精细的方法。
为了解决这些难题，相关研究人员在《Scientific Data》期刊上发表了名为 “A 10-meter annual cropland activity map and dataset of abandonment and reclaimed cropland in Inner Mongolia, China” 的论文。研究人员通过一系列研究，成功开发出了一种标准化的方法，能够精准绘制和提取撂荒及复垦耕地信息，还生成了高质量的数据集。研究发现，目前内蒙古 30.65% 的耕地处于不稳定状态，而稳定耕种的土地占比为 69.21%，从 2016 - 2023 年一直处于撂荒状态的耕地仅占总面积的 0.14%。这一研究成果意义重大，为土地规划、环境监测和农业管理提供了关键数据支持，有助于提升土地利用监测的决策水平和技术能力。
在这项研究中，研究人员主要运用了以下几种关键技术方法：首先，利用并优化 ESA WorldCover 耕地底图，获得内蒙古地区 10 米分辨率的高质量耕地底图，为后续的动态监测打好基础；其次，借助 Sentinel - 2 数据，分析主要作物和非活跃耕地在关键生长季节的 NDVI 阈值差异，生成活跃和非活跃耕地样本，并通过纳入收获期 NDVI 下降率对样本进行优化；然后，运用随机森林分类器，结合 Sentinel - 1/2 数据进行特征堆叠，对 2016 - 2023 年每年的耕地活动进行分类；最后，采用一种时间分割算法，基于已有的多年活动跟踪方法，识别撂荒和复垦耕地，该算法整合了 Sentinel - 1 和 Sentinel - 2 数据，并考虑了关键物候期的 NDVI 下降率，能更精确地理解耕地活动的时空演变。
下面我们来详细看看研究结果：
- 研究区域概况：内蒙古自治区位于中国北部边境，地域辽阔，地形和气候多样，可划分为七个农业自然区域，基于耕地面积和分布，又可整合为三个主要区域。这里是中国和东亚的重要农业产区，但不同区域的农业生产特点差异很大。东部是主要的粮食产区，产量高；中部适合种植耐寒、低需水作物，也是重要的饲料产地；西部干旱，依赖灌溉，且面临着土地荒漠化等农业挑战。
- 耕地掩膜：研究人员选用 ESA WorldCover 数据集来建立内蒙古的初始耕地基线图。不过，这个全球数据集在内蒙古农牧交错带等地区可能存在误差，会把耕地和草地混淆。为了减少误差，研究人员在 ESA WorldCover 耕地底图的基础上，进一步分类活跃和非活跃耕地，还通过与高分辨率 Maxar 影像对比，手动修正错误分类，最终使内蒙古耕地测绘的总精度达到了 96.38%。
- 遥感影像和 DEM 数据：
- Sentinel - 1 影像：利用 2017 - 2023 年的 Sentinel - 1A 数据，其具有 10 米的空间分辨率和 12 天的时间分辨率。研究中同时使用了 VV 和 VH 极化数据，因为它们对土壤湿度和植被散射的敏感性不同，有助于绘制未耕种耕地地图。
- Sentinel - 2 数据：获取 2016 - 2023 年的 Sentinel - 2 数据，通过云覆盖过滤等预处理操作，排除了部分不适合的波段，为绘制年度耕地活动地图提供了高质量图像。
- DEM 影像：使用 NASA JPL - SRTM 提供的全球 30 米分辨率数字高程数据，提取地形高程和坡度，辅助进行活跃和非活跃耕地的年度分类。
- 样本采集：
- 地面参考样本采集：2022 年和 2023 年，研究人员在内蒙古系统地收集了各种作物和非活跃耕地的地面样本点。通过实地调查和无人机航拍相结合的方式，确保样本具有代表性。2022 年收集了大量作物样本点，涵盖多种主要单季作物，还收集了非活跃耕地样本点；2023 年的样本主要用于验证分类结果。
- 衍生样本生成：基于地面样本点，研究人员分析了活跃和非活跃耕地在关键生长时期的 NDVI 均值差异，排除干扰样本点，生成优化样本集。在这个过程中，还通过专家咨询获取了作物的物候数据。具体步骤包括在耕地底图上随机生成样本点、确定 NDVI 阈值分类样本、根据收获期 NDVI 斜率进一步优化样本、筛选可靠样本点以及对非活跃耕地样本进行空间增强，最终得到了高质量的样本集。
- 活跃和非活跃耕地分类：
- 构建分类指标：基于 Sentinel - 1/2 数据构建了包含多种特征的特征堆栈，如纹理特征、地形特征、植被指数、Tasseled Cap Wetness Greenness Difference（TCWGD）以及 Sentinel - 1 数据相关指标等，这些特征有助于区分不同类型的耕地。
- 随机森林分类器：利用随机森林分类器（RF）在 Google Earth Engine（GEE）平台上对 2016 - 2023 年的耕地活动进行分类。将每年的数据集分为训练集和验证集，通过调整模型参数，最终确定使用 100 棵决策树，生成了年度活跃和非活跃耕地地图。
- 撂荒和复垦耕地的时间分割：研究人员优化并扩展了现有的 “时间滑动窗口” 方法，利用 2016 - 2023 年 Sentinel - 1/2 数据生成的活跃和非活跃耕地地图，全面监测耕地的活跃状态，捕捉土地利用变化。将连续两年未耕种的耕地定义为撂荒（分析时设定为三年），如果撂荒后的耕地在两年内恢复耕种则视为复垦。通过这种方法，绘制出了 2016 - 2023 年撂荒和复垦耕地地图，详细展示了耕地的不同状态分布。
研究最后得出结论，通过一系列的技术方法和研究分析，成功构建了 ARCC10 - IM 数据集，包括年度耕地活动数据集、撂荒耕地数据集、复垦耕地数据集和累积土地利用数据集。这些数据集详细记录了内蒙古 2016 - 2023 年的耕地动态变化，为深入了解该地区的耕地利用情况提供了丰富的数据支持。通过验证发现，优化样本和增强非活跃耕地样本后，分类精度得到了显著提高。与 ChinaCUI10m 产品相比，ARCC10 - IM 在提取活跃耕地方面与之一致性较高，且在检测内蒙古地区小地块、碎片化耕地变化时更具优势，能够捕捉到更精细的信息。
这项研究意义非凡，它为内蒙古乃至其他干旱和半干旱地区的土地管理、环境评估和农业研究提供了有力的工具。ARCC10 - IM 数据集可以帮助研究人员和政策制定者评估防止耕地撂荒和促进可持续土地利用策略的有效性，跟踪耕地活动的长期变化，从而更好地应对环境和社会经济挑战，保障粮食安全和生态可持续性，对推动地区的可持续发展有着重要的作用。
