基于時序NDVI的長江中下游冬閑田精準監(jiān)測方法與應用研究一、引言1.1研究背景與意義糧食生產(chǎn)作為國家經(jīng)濟發(fā)展的基石，始終在國家安全和社會穩(wěn)定中占據(jù)著舉足輕重的地位。中國作為人口大國，保障糧食安全是確保人民生活穩(wěn)定和國家可持續(xù)發(fā)展的關鍵?！昂榉栋苏碁檎住?，糧食安全不僅是民生問題，更是關系到國家長治久安的戰(zhàn)略問題。然而，隨著人口增長、城市化進程加速以及氣候變化等因素的影響，我國耕地資源面臨著嚴峻挑戰(zhàn)。我國人多地少的基本國情長期存在，人均耕地面積遠低于世界平均水平。據(jù)相關數(shù)據(jù)顯示，我國人均耕地面積僅為1.36畝，與全球平均的4.8畝相比差距明顯。而且，耕地資源在地域分布上極為不均衡，“胡煥庸線”西側雖國土面積占比較大，但降雨稀少，多為高山沙漠區(qū)域，僅分布著不到10%的人口，卻占據(jù)了我國55%以上的國土面積；東側人口密集，分布著我國90%以上的人口，耕地承載壓力巨大。同時，耕地質(zhì)量總體不高，中低產(chǎn)田占比超過三分之二，優(yōu)質(zhì)耕地相對匱乏。此外，耕地還面臨著退化、污染等問題，進一步削弱了耕地的生產(chǎn)能力。在這樣的背景下，提高耕地利用效率成為保障糧食安全的重要途徑之一。冬閑田作為耕地資源的一部分，在秋收后至次年春播前處于閑置狀態(tài)，若能對其進行有效監(jiān)測和合理利用，將有助于挖掘耕地潛力，增加糧食產(chǎn)量。冬閑田的存在不僅造成了土地資源的浪費，還錯失了提高土地生產(chǎn)力的機會。通過科學監(jiān)測冬閑田，可以為合理規(guī)劃種植、優(yōu)化農(nóng)業(yè)生產(chǎn)結構提供依據(jù)，進而提高耕地的綜合利用效率，增加農(nóng)作物的種植面積和產(chǎn)量，為保障糧食安全貢獻力量。長江中下游地區(qū)作為我國重要的糧食產(chǎn)區(qū)，水熱條件優(yōu)越，耕地資源豐富，在我國糧食生產(chǎn)中發(fā)揮著重要作用。然而，該地區(qū)也存在一定面積的冬閑田。準確監(jiān)測長江中下游地區(qū)的冬閑田，對于合理利用當?shù)馗刭Y源、提高農(nóng)業(yè)生產(chǎn)效益、保障區(qū)域糧食安全具有重要的現(xiàn)實意義。這不僅有助于充分發(fā)揮該地區(qū)的農(nóng)業(yè)生產(chǎn)優(yōu)勢，還能為全國糧食安全提供有力支持，促進區(qū)域經(jīng)濟的可持續(xù)發(fā)展。1.2國內(nèi)外研究現(xiàn)狀隨著遙感技術的飛速發(fā)展，其在農(nóng)業(yè)監(jiān)測領域的應用愈發(fā)廣泛，冬閑田監(jiān)測作為農(nóng)業(yè)資源監(jiān)測的重要內(nèi)容，也受到了眾多學者的關注。國內(nèi)外針對冬閑田監(jiān)測開展了大量研究，研究方法不斷創(chuàng)新，監(jiān)測精度逐步提高。在國外，早期的冬閑田監(jiān)測主要依賴于傳統(tǒng)的地面調(diào)查方法，這種方法雖然能夠獲取較為準確的信息，但效率低下，且難以實現(xiàn)大面積的快速監(jiān)測。隨著遙感技術的興起，基于遙感影像的冬閑田監(jiān)測方法逐漸成為研究熱點。學者們利用不同類型的遙感數(shù)據(jù)，如光學遙感影像、雷達遙感影像等，通過分析影像的光譜特征、紋理特征等，來識別冬閑田。其中，基于時序NDVI的監(jiān)測方法因其能夠充分利用植被生長的時間序列信息，在冬閑田監(jiān)測中得到了廣泛應用。例如，有研究利用MODIS（Moderate-ResolutionImagingSpectroradiometer）的時序NDVI數(shù)據(jù)，結合決策樹分類算法，對美國某地區(qū)的冬閑田進行監(jiān)測，取得了較好的效果。通過分析不同土地利用類型在NDVI時間序列上的變化特征，成功區(qū)分出冬閑田與其他地物，為當?shù)剞r(nóng)業(yè)資源管理提供了重要依據(jù)。在國內(nèi)，冬閑田監(jiān)測研究起步相對較晚，但發(fā)展迅速。早期主要集中在對冬閑田成因、分布特征等方面的研究，隨著遙感技術的普及，基于遙感的冬閑田監(jiān)測研究逐漸增多。國內(nèi)學者同樣對基于時序NDVI的監(jiān)測方法進行了深入研究，并結合我國的實際情況進行了改進和優(yōu)化。一些研究針對我國不同地區(qū)的農(nóng)業(yè)種植特點，利用Landsat、Sentinel等衛(wèi)星的時序NDVI數(shù)據(jù)，綜合考慮地形、氣候等因素，構建了適合當?shù)氐亩e田監(jiān)測模型。在長江中下游地區(qū)，有研究利用Sentinel-2衛(wèi)星的高分辨率時序NDVI數(shù)據(jù)，結合面向?qū)ο蟮姆诸惙椒?，對該地區(qū)的冬閑田進行監(jiān)測。通過對影像進行多尺度分割，提取對象的光譜、紋理和形狀等特征，并結合NDVI時間序列變化規(guī)律，有效提高了冬閑田的識別精度，為該地區(qū)的耕地資源管理和農(nóng)業(yè)生產(chǎn)規(guī)劃提供了科學依據(jù)。此外，為了進一步提高冬閑田監(jiān)測的精度和效率，國內(nèi)外學者還將機器學習、深度學習等人工智能技術引入到監(jiān)測研究中。利用支持向量機、隨機森林、卷積神經(jīng)網(wǎng)絡等算法，對時序NDVI數(shù)據(jù)進行分析和處理，實現(xiàn)冬閑田的自動識別和分類。這些方法在一定程度上克服了傳統(tǒng)方法的局限性，提高了監(jiān)測的準確性和自動化程度，但也面臨著數(shù)據(jù)量需求大、模型訓練復雜等問題。盡管基于時序NDVI的冬閑田監(jiān)測方法在國內(nèi)外取得了一定的研究成果，但仍存在一些不足之處。不同地區(qū)的土地利用類型復雜多樣，農(nóng)作物種植制度和生長環(huán)境差異較大，導致NDVI特征的提取和閾值的確定存在一定難度，影響了監(jiān)測結果的準確性和普適性。部分研究在監(jiān)測過程中對地形、土壤等環(huán)境因素的考慮不夠全面，可能會導致監(jiān)測結果出現(xiàn)偏差。未來的研究需要進一步優(yōu)化監(jiān)測方法，綜合考慮多種因素，提高監(jiān)測的精度和可靠性，以更好地滿足農(nóng)業(yè)生產(chǎn)和資源管理的需求。1.3研究目標與內(nèi)容本研究旨在建立一種基于時序NDVI的長江中下游冬閑田監(jiān)測方法，以實現(xiàn)對該地區(qū)冬閑田的快速、準確識別與監(jiān)測，為耕地資源管理和農(nóng)業(yè)生產(chǎn)規(guī)劃提供科學依據(jù)。具體研究內(nèi)容如下：數(shù)據(jù)收集與預處理：收集長江中下游地區(qū)的多源遙感數(shù)據(jù)，包括Landsat、Sentinel等衛(wèi)星影像，以及地形、土壤等輔助數(shù)據(jù)。對遙感影像進行輻射定標、大氣校正、幾何校正等預處理，以提高影像質(zhì)量，為后續(xù)分析提供可靠的數(shù)據(jù)基礎。通過對影像的預處理，消除因傳感器、大氣等因素造成的誤差，確保數(shù)據(jù)的準確性和一致性，從而更好地反映地表真實的地物信息。時序NDVI特征分析：基于預處理后的遙感影像，計算研究區(qū)域的時序NDVI。分析不同土地利用類型，尤其是冬閑田和非冬閑田在NDVI時間序列上的變化特征，包括變化趨勢、峰值、谷值等，找出能夠有效區(qū)分冬閑田與其他地物的NDVI特征指標。例如，冬閑田在冬季時段由于植被覆蓋度低，其NDVI值相對較低且變化較為平穩(wěn)，而非冬閑田種植的農(nóng)作物在生長過程中會使NDVI值呈現(xiàn)明顯的起伏變化。監(jiān)測方法構建：結合時序NDVI特征分析結果，利用機器學習算法，如支持向量機、隨機森林等，構建基于時序NDVI的冬閑田監(jiān)測模型。通過對訓練樣本的學習，讓模型自動提取冬閑田的特征，實現(xiàn)冬閑田的自動識別。同時，優(yōu)化模型參數(shù)，提高模型的準確性和穩(wěn)定性，使其能夠適應長江中下游地區(qū)復雜的土地利用情況和多樣的農(nóng)作物種植模式。模型驗證與精度評估：利用實地調(diào)查數(shù)據(jù)和高分辨率遙感影像，對構建的監(jiān)測模型進行驗證和精度評估。通過對比模型預測結果與實際情況，計算模型的精度、召回率、F1值等評價指標，評估模型的性能。針對評估結果，分析模型存在的不足，對模型進行進一步優(yōu)化和改進，以提高冬閑田監(jiān)測的精度和可靠性。冬閑田時空分布特征分析：基于優(yōu)化后的監(jiān)測模型，對長江中下游地區(qū)不同年份的冬閑田進行監(jiān)測，分析冬閑田的時空分布特征及其變化趨勢。探討影響冬閑田分布的因素，如地形、氣候、農(nóng)業(yè)政策、經(jīng)濟發(fā)展水平等，為制定合理的耕地利用政策和農(nóng)業(yè)發(fā)展規(guī)劃提供科學依據(jù)。例如，研究發(fā)現(xiàn)地形平坦、水源充足的地區(qū)冬閑田比例相對較低，而經(jīng)濟發(fā)展較快、勞動力轉(zhuǎn)移較多的地區(qū)冬閑田面積可能會有所增加。1.4研究方法與技術路線本研究綜合運用多種方法，對長江中下游冬閑田進行監(jiān)測分析，具體研究方法和技術路線如下：數(shù)據(jù)獲取：收集長江中下游地區(qū)2018-2022年的Landsat8OLI和Sentinel-2MSI衛(wèi)星影像數(shù)據(jù)。Landsat8OLI數(shù)據(jù)空間分辨率為30米，Sentinel-2MSI數(shù)據(jù)空間分辨率為10米，這些數(shù)據(jù)能夠提供豐富的地表信息。影像獲取時間覆蓋農(nóng)作物的主要生長季，以確保能夠全面捕捉冬閑田與其他地物在不同時期的特征差異。同時，收集研究區(qū)域的數(shù)字高程模型（DEM）數(shù)據(jù)，用于地形分析；收集土壤類型數(shù)據(jù)，輔助分析土壤條件對土地利用的影響。此外，還收集了研究區(qū)域的氣象數(shù)據(jù)，包括氣溫、降水等，以了解氣候因素對農(nóng)作物生長和冬閑田分布的影響。數(shù)據(jù)預處理：對獲取的遙感影像進行輻射定標，將影像的數(shù)字量化值（DN）轉(zhuǎn)換為輻射亮度值，消除傳感器自身誤差對數(shù)據(jù)的影響。接著進行大氣校正，采用FLAASH（FastLine-of-sightAtmosphericAnalysisofSpectralHypercubes）算法，去除大氣散射和吸收對影像的影響，使影像更真實地反映地表反射率。然后進行幾何校正，以高精度的地理參考數(shù)據(jù)為基準，對影像進行幾何變換，消除因衛(wèi)星姿態(tài)、地球曲率等因素導致的幾何變形，確保影像的地理位置準確。最后，對影像進行鑲嵌和裁剪，將多景影像拼接成一幅完整的研究區(qū)域影像，并裁剪出研究區(qū)域邊界內(nèi)的影像，以便后續(xù)分析。時序NDVI計算：根據(jù)公式NDVI=\frac{NIR-R}{NIR+R}（其中NIR為近紅外波段反射率，R為紅光波段反射率），利用預處理后的遙感影像計算研究區(qū)域的NDVI。為了獲取更連續(xù)、穩(wěn)定的時序NDVI數(shù)據(jù)，采用Savitzky-Golay濾波方法對NDVI時間序列進行平滑處理，去除噪聲和異常值，突出植被生長的真實變化趨勢。特征分析與閾值確定：通過對比冬閑田和非冬閑田在不同季節(jié)的NDVI時間序列曲線，分析兩者的變化特征差異。例如，冬閑田在冬季時段由于缺乏植被覆蓋，NDVI值通常較低且變化平緩；而非冬閑田種植的農(nóng)作物在生長過程中，NDVI值會隨著作物的生長、發(fā)育和成熟呈現(xiàn)明顯的起伏變化?；谔卣鞣治鼋Y果，采用Otsu算法等自動閾值確定方法，結合實地調(diào)查數(shù)據(jù)，確定能夠有效區(qū)分冬閑田與其他地物的NDVI閾值。監(jiān)測模型構建與驗證：利用支持向量機（SVM）算法構建冬閑田監(jiān)測模型。將計算得到的時序NDVI數(shù)據(jù)作為模型的輸入特征，通過對訓練樣本的學習，讓模型自動提取冬閑田的特征模式。采用十折交叉驗證的方法對模型進行訓練和驗證，將數(shù)據(jù)集隨機分成十份，輪流將其中九份作為訓練集，一份作為測試集，重復十次，以評估模型的準確性和穩(wěn)定性。利用混淆矩陣計算模型的精度、召回率、F1值等評價指標，對模型性能進行量化評估。根據(jù)評估結果，對模型參數(shù)進行優(yōu)化調(diào)整，進一步提高模型的監(jiān)測精度。時空分布特征分析：運用地理信息系統(tǒng)（GIS）空間分析技術，對監(jiān)測得到的冬閑田數(shù)據(jù)進行空間分析。通過制作冬閑田分布專題地圖，直觀展示冬閑田在長江中下游地區(qū)的空間分布格局。利用趨勢分析工具，分析不同年份冬閑田面積的變化趨勢，以及冬閑田在不同地形、土壤類型區(qū)域的分布變化情況。結合相關社會經(jīng)濟數(shù)據(jù)和氣象數(shù)據(jù)，采用相關性分析等方法，探討影響冬閑田時空分布變化的因素，如地形起伏度、土壤肥力、勞動力轉(zhuǎn)移情況、氣溫和降水變化等。本研究的技術路線如圖1-1所示，首先進行數(shù)據(jù)獲取與預處理，然后計算時序NDVI并進行特征分析與閾值確定，接著構建監(jiān)測模型并進行驗證，最后對冬閑田的時空分布特征進行分析，從而實現(xiàn)對長江中下游冬閑田的有效監(jiān)測與研究。[此處插入技術路線圖1-1][此處插入技術路線圖1-1]二、相關理論與技術基礎2.1冬閑田概述2.1.1冬閑田的定義與特征冬閑田，是指在一年的農(nóng)業(yè)生產(chǎn)周期中，秋收之后至次年春播之前這段時間內(nèi)處于閑置狀態(tài)，未進行任何農(nóng)作物種植或農(nóng)事活動的耕地。這一特殊的耕地類型在我國農(nóng)業(yè)生產(chǎn)格局中占據(jù)著一定的比例，其形成與多種因素密切相關。從氣候因素來看，冬季氣溫較低、光照時間縮短以及降水分布不均等，都可能限制農(nóng)作物的生長，導致部分地區(qū)的耕地在冬季無法進行有效種植，從而形成冬閑田。例如，在我國北方的一些地區(qū)，冬季嚴寒，土壤凍結，農(nóng)作物難以存活，使得大量耕地在冬季閑置。從農(nóng)業(yè)生產(chǎn)習慣和種植制度方面分析，長期形成的種植傳統(tǒng)以及輪作、休耕等種植制度的安排，也會造成冬閑田的出現(xiàn)。有些地區(qū)一直遵循著一年兩熟或一年一熟的種植模式，冬季作為農(nóng)閑季節(jié)，耕地自然處于閑置狀態(tài)。長江中下游地區(qū)作為我國重要的農(nóng)業(yè)產(chǎn)區(qū)，冬閑田的分布具有一定的獨特性。該地區(qū)地形以平原和丘陵為主，地勢較為平坦，土壤肥沃，河網(wǎng)密布，水資源豐富，為農(nóng)業(yè)生產(chǎn)提供了優(yōu)越的自然條件。然而，正是在這樣優(yōu)越的條件下，冬閑田依然存在。其分布呈現(xiàn)出一定的規(guī)律性，在平原地區(qū)，冬閑田多集中在人口較為密集、經(jīng)濟發(fā)展相對較快的區(qū)域。這些地區(qū)由于城市化進程的推進，大量農(nóng)村勞動力向城市轉(zhuǎn)移，導致農(nóng)業(yè)勞動力短缺，部分耕地在冬季無人耕種，從而成為冬閑田。在丘陵地區(qū)，冬閑田則更多地與地形條件和土地細碎化程度有關。丘陵地區(qū)地勢起伏較大，耕地較為分散，不利于大規(guī)模機械化作業(yè)，增加了農(nóng)業(yè)生產(chǎn)成本，使得一些農(nóng)民在冬季選擇放棄耕種，造成冬閑田的出現(xiàn)。長江中下游地區(qū)冬閑田的閑置時間也有其特點。一般來說，該地區(qū)的秋收時間多集中在9-11月，春播時間則在次年的3-5月，冬閑田的閑置時間大約為5-7個月。在這段時間里，冬閑田的地表狀況較為特殊。由于沒有農(nóng)作物的覆蓋，地表植被稀少，多為雜草和殘茬。在冬季，隨著氣溫的降低，雜草逐漸枯萎，地表呈現(xiàn)出一片荒蕪的景象。土壤的理化性質(zhì)也會發(fā)生一定的變化，由于缺乏植被的保護和根系的固持作用，土壤容易受到雨水的沖刷和侵蝕，導致土壤養(yǎng)分流失，結構變差。而且，冬季降水相對較少，土壤水分含量較低，進一步影響了土壤的肥力和微生物活性。2.1.2長江中下游冬閑田的特點及影響長江中下游冬閑田除了具有上述的分布和閑置時間特征外，還具有一些獨特的特點。該地區(qū)的冬閑田土壤類型多樣，主要包括水稻土、紅壤、黃壤等。這些土壤在肥力、酸堿度、質(zhì)地等方面存在差異，對冬閑田的利用方式和潛力產(chǎn)生了影響。水稻土經(jīng)過長期的水耕熟化，土壤肥力較高，保水保肥能力較強，適合種植一些對土壤條件要求較高的作物；而紅壤和黃壤則酸性較強，肥力相對較低，需要進行改良后才能更好地利用。冬閑田的利用方式較為多樣。在一些地區(qū)，農(nóng)民會選擇種植綠肥作物，如紫云英、苕子等，以增加土壤肥力，改善土壤結構。這些綠肥作物在生長過程中能夠固定空氣中的氮素，將其轉(zhuǎn)化為植物可吸收的形態(tài)，同時還能增加土壤有機質(zhì)含量，提高土壤的保水保肥能力。種植綠肥不僅可以為下一季作物提供充足的養(yǎng)分，還能減少化肥的使用量，降低農(nóng)業(yè)生產(chǎn)成本，保護生態(tài)環(huán)境。有些地區(qū)的農(nóng)民會利用冬閑田進行養(yǎng)殖，如養(yǎng)魚、養(yǎng)鴨等。這種種養(yǎng)結合的方式能夠充分利用土地資源，提高農(nóng)業(yè)生產(chǎn)的綜合效益。養(yǎng)魚可以利用冬閑田的水資源，養(yǎng)殖的魚類可以作為商品出售，增加農(nóng)民的收入；養(yǎng)鴨則可以在田間覓食雜草和害蟲，減少病蟲害的發(fā)生，同時鴨糞還可以作為肥料，提高土壤肥力。長江中下游冬閑田的存在對農(nóng)業(yè)生產(chǎn)和生態(tài)環(huán)境產(chǎn)生了多方面的影響。從農(nóng)業(yè)生產(chǎn)角度來看，冬閑田的存在導致了土地資源的浪費，降低了耕地的利用效率。在當前耕地資源緊張的情況下，充分利用冬閑田對于提高糧食產(chǎn)量和保障糧食安全具有重要意義。如果能夠合理開發(fā)利用冬閑田，增加農(nóng)作物的種植面積，不僅可以提高農(nóng)業(yè)生產(chǎn)的經(jīng)濟效益，還能增強我國糧食供應的穩(wěn)定性。然而，不合理的利用冬閑田也可能帶來一些問題。過度種植或不合理施肥可能導致土壤肥力下降、病蟲害加劇等問題，影響農(nóng)業(yè)的可持續(xù)發(fā)展。在生態(tài)環(huán)境方面，冬閑田對生態(tài)環(huán)境既有積極影響，也有消極影響。積極方面，冬閑田在一定程度上為野生動物提供了棲息地和食物來源，有助于維護生物多樣性。在冬季，一些候鳥會選擇在冬閑田棲息覓食，一些小型哺乳動物和昆蟲也能在冬閑田找到生存空間。而且，種植綠肥等措施可以改善土壤質(zhì)量，減少水土流失，保護生態(tài)環(huán)境。消極方面，冬閑田如果長期閑置且缺乏管理，可能會導致雜草叢生，增加火災隱患。雜草的大量生長還可能與周邊的自然植被競爭養(yǎng)分和水分，影響生態(tài)平衡。2.2NDVI原理與應用2.2.1NDVI的概念與計算方法歸一化植被指數(shù)（NormalizedDifferenceVegetationIndex，NDVI）作為一種重要的遙感指數(shù)，在植被監(jiān)測、農(nóng)業(yè)評估等領域發(fā)揮著關鍵作用。其概念基于植被對不同波段光的獨特反射特性。在光學遙感中，植被中的葉綠素對紅光波段（Red）具有強烈的吸收作用，這是因為葉綠素的分子結構使其能夠與紅光的光子相互作用，將光能轉(zhuǎn)化為化學能，用于光合作用。而在近紅外波段（NIR），植被則表現(xiàn)出強烈的反射特性。這是由于植被葉片內(nèi)部的細胞結構和組織特性，使得近紅外光在葉片內(nèi)部多次散射后被反射出來。這種對紅光和近紅外光截然不同的反射特性，為通過遙感手段監(jiān)測植被提供了物理基礎。NDVI的計算公式為：NDVI=\frac{NIR-R}{NIR+R}，其中NIR代表近紅外波段的反射率，R代表紅光波段的反射率。這個公式的原理在于，通過將近紅外波段反射率與紅光波段反射率的差值除以它們的和，能夠突出植被的光譜特征，從而更有效地識別和監(jiān)測植被。當植被生長狀況良好、覆蓋度較高時，其近紅外反射率NIR較高，紅光反射率R較低，此時NDVI值較大，通常在0.1-0.7之間。這是因為茂密的植被含有大量的葉綠素，強烈吸收紅光，同時葉片結構使得近紅外光大量反射。反之，當植被生長受到限制，如遭受病蟲害、干旱等脅迫，或者植被覆蓋度較低時，NIR值會降低，R值會升高，導致NDVI值減小。在裸土、水體或冰雪覆蓋區(qū)域，NIR和R的值較為接近，使得NDVI值接近0或為負值。裸土的光譜反射特性較為均勻，對紅光和近紅外光的反射差異不大；水體對近紅外光有較強的吸收作用，導致其近紅外反射率很低，與紅光反射率差值??；冰雪表面對光的反射較為一致，也使得紅光和近紅外光的反射率差異不明顯。對于不同的衛(wèi)星傳感器，其波段設置存在差異，因此計算NDVI時所使用的具體波段也有所不同。以常見的Landsat8OLI數(shù)據(jù)為例，其近紅外波段為Band5，紅光波段為Band4，所以在利用Landsat8OLI數(shù)據(jù)計算NDVI時，公式為NDVI=\frac{Band5-Band4}{Band5+Band4}。Sentinel-2MSI數(shù)據(jù)的近紅外波段是Band8，紅光波段是Band4，相應的NDVI計算公式為NDVI=\frac{Band8-Band4}{Band8+Band4}。這些不同衛(wèi)星數(shù)據(jù)的NDVI計算，雖然具體波段不同，但原理都是基于植被對紅光和近紅外光的反射特性差異，通過公式突出這種差異，以實現(xiàn)對植被信息的有效提取。2.2.2NDVI在農(nóng)田監(jiān)測中的應用在農(nóng)田監(jiān)測領域，NDVI憑借其獨特的優(yōu)勢，成為了一種不可或缺的工具，為農(nóng)業(yè)生產(chǎn)管理提供了多方面的重要信息。作物生長狀況監(jiān)測是NDVI在農(nóng)田監(jiān)測中的重要應用之一。通過對不同時期農(nóng)田NDVI值的連續(xù)監(jiān)測，可以直觀地了解作物的生長態(tài)勢。在作物生長初期，隨著幼苗的生長和葉片的展開，植被覆蓋度逐漸增加，NDVI值會逐漸上升。從播種后的幾天到幾周內(nèi)，作物開始發(fā)芽、出苗，葉片面積不斷擴大，對紅光的吸收和近紅外光的反射能力逐漸增強，導致NDVI值穩(wěn)步提高。在作物生長的旺盛期，植株生長繁茂，葉片充分展開，葉綠素含量豐富，此時作物對紅光的吸收達到最強，近紅外光的反射也最為強烈，NDVI值達到峰值。當作物進入成熟期，隨著葉片逐漸衰老，葉綠素含量下降，對紅光的吸收能力減弱，近紅外光的反射也相應減少，NDVI值開始下降。通過分析這些NDVI值的變化趨勢，結合作物的生長周期特點，農(nóng)業(yè)生產(chǎn)者可以及時發(fā)現(xiàn)作物生長過程中可能出現(xiàn)的問題，如生長緩慢、發(fā)育不良等。如果在作物生長旺盛期，NDVI值沒有達到預期的峰值，或者增長速度過慢，可能意味著作物受到了病蟲害的侵襲、缺乏養(yǎng)分或水分，生產(chǎn)者可以據(jù)此及時采取相應的措施，如施肥、灌溉、防治病蟲害等，以保障作物的正常生長。預測農(nóng)作物產(chǎn)量也是NDVI的重要應用。作物的產(chǎn)量與生長過程中的多個因素密切相關，其中植被生長狀況是一個關鍵因素。NDVI能夠反映作物的植被覆蓋度、生物量等信息，這些信息與作物產(chǎn)量之間存在著一定的相關性。研究表明，在作物生長的關鍵時期，如抽穗期、灌漿期等，NDVI值與最終的作物產(chǎn)量具有較高的相關性。在小麥的灌漿期，較高的NDVI值通常預示著小麥具有較好的生長狀況，葉片能夠充分進行光合作用，積累更多的光合產(chǎn)物，從而為籽粒的充實提供充足的物質(zhì)基礎，最終可能獲得較高的產(chǎn)量。通過建立NDVI與作物產(chǎn)量之間的關系模型，結合其他影響產(chǎn)量的因素，如氣象數(shù)據(jù)、土壤肥力等，可以對農(nóng)作物產(chǎn)量進行預測。常用的建模方法包括線性回歸模型、多元線性回歸模型、機器學習算法等。利用歷史的NDVI數(shù)據(jù)、產(chǎn)量數(shù)據(jù)以及相應的氣象、土壤數(shù)據(jù)，通過線性回歸分析，可以建立起簡單的NDVI-產(chǎn)量關系模型，用于預測未來的作物產(chǎn)量。這種產(chǎn)量預測對于農(nóng)業(yè)生產(chǎn)規(guī)劃、糧食市場調(diào)控等具有重要意義。農(nóng)業(yè)生產(chǎn)者可以根據(jù)產(chǎn)量預測結果，合理安排農(nóng)產(chǎn)品的銷售計劃，避免因產(chǎn)量波動帶來的經(jīng)濟損失；政府部門可以根據(jù)產(chǎn)量預測信息，制定科學的糧食儲備和調(diào)控政策，保障糧食市場的穩(wěn)定供應。在農(nóng)田病蟲害監(jiān)測方面，NDVI同樣發(fā)揮著重要作用。當農(nóng)田中的作物遭受病蟲害侵襲時，其生理狀態(tài)會發(fā)生變化，進而導致光譜特征的改變，最終反映在NDVI值的變化上。病蟲害會破壞作物的葉片組織，影響葉綠素的合成和光合作用的正常進行。葉片上出現(xiàn)病斑、枯萎等癥狀，使得葉片對紅光的吸收能力下降，近紅外光的反射也受到影響，從而導致NDVI值降低。通過對NDVI時間序列數(shù)據(jù)的分析，以及與正常生長作物的NDVI值進行對比，可以及時發(fā)現(xiàn)病蟲害的發(fā)生跡象。如果在某一區(qū)域的農(nóng)田中，NDVI值突然出現(xiàn)異常下降，且低于正常范圍，就可能意味著該區(qū)域的作物受到了病蟲害的侵害。及時發(fā)現(xiàn)病蟲害后，農(nóng)業(yè)生產(chǎn)者可以采取針對性的防治措施，如噴灑農(nóng)藥、釋放天敵等，控制病蟲害的蔓延，減少損失。此外，NDVI還可以用于農(nóng)田水資源管理。植被的水分狀況與生長密切相關，而NDVI能夠在一定程度上反映植被的水分含量。當農(nóng)田缺水時，作物會出現(xiàn)水分脅迫，葉片會逐漸萎蔫，導致植被覆蓋度下降，對紅光和近紅外光的反射特性發(fā)生改變，NDVI值降低。通過監(jiān)測NDVI值的變化，結合氣象數(shù)據(jù)和土壤墑情信息，可以判斷農(nóng)田的水分狀況，為合理灌溉提供依據(jù)。如果某一農(nóng)田區(qū)域的NDVI值持續(xù)下降，且氣象數(shù)據(jù)顯示近期降水較少，土壤墑情較差，就表明該區(qū)域可能需要進行灌溉。根據(jù)NDVI監(jiān)測結果，農(nóng)業(yè)生產(chǎn)者可以制定科學的灌溉計劃，確定合理的灌溉時間和灌溉量，避免過度灌溉或灌溉不足，提高水資源的利用效率，實現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展。2.3時序分析技術2.3.1時序分析的基本概念時序分析，作為一門專注于研究時間序列數(shù)據(jù)的統(tǒng)計分析方法，在眾多領域中發(fā)揮著舉足輕重的作用。時間序列，從定義上來說，是按照時間順序排列的一組數(shù)據(jù)點序列，這些數(shù)據(jù)點記錄了某個現(xiàn)象或變量在不同時間點上的觀測值。在農(nóng)業(yè)領域，農(nóng)作物的產(chǎn)量隨年份的變化、農(nóng)田的NDVI值在不同季節(jié)的波動等，都可以構成時間序列。在氣象領域，氣溫、降水等氣象要素在不同時間的觀測數(shù)據(jù)，也是典型的時間序列。這些時間序列數(shù)據(jù)蘊含著豐富的信息，反映了所研究對象隨時間的變化規(guī)律和趨勢。時間序列具有多種重要特征，趨勢性是其中之一。趨勢性體現(xiàn)了時間序列在較長時間范圍內(nèi)的總體變化方向，可分為上升趨勢、下降趨勢和水平趨勢。在分析長江中下游地區(qū)冬閑田面積的時間序列時，如果發(fā)現(xiàn)隨著時間的推移，冬閑田面積呈現(xiàn)逐漸增加的趨勢，這可能與當?shù)氐霓r(nóng)業(yè)政策調(diào)整、勞動力轉(zhuǎn)移等因素有關。上升趨勢可能意味著由于城市化進程加快，農(nóng)村勞動力大量涌入城市，導致農(nóng)田無人耕種，從而使冬閑田面積不斷擴大。周期性也是時間序列的重要特征，它指的是時間序列在一定周期內(nèi)重復出現(xiàn)的波動模式，常見的周期有季節(jié)性周期、年度周期等。以農(nóng)作物的生長為例，由于受到氣候和種植季節(jié)的影響，其NDVI值通常會呈現(xiàn)出明顯的季節(jié)性周期變化。在春季和夏季，隨著農(nóng)作物的生長發(fā)育，NDVI值逐漸升高；到了秋季，農(nóng)作物成熟收獲，NDVI值開始下降；冬季時，農(nóng)田可能處于閑置狀態(tài)，NDVI值維持在較低水平，這種周期性變化反映了農(nóng)作物生長的自然規(guī)律。此外，時間序列還存在隨機性，即數(shù)據(jù)中的不可預測的波動部分，這是由多種復雜的、難以精確建模的因素共同作用產(chǎn)生的。在監(jiān)測冬閑田的過程中，可能會受到一些偶然因素的影響，如突發(fā)的自然災害、臨時性的農(nóng)業(yè)政策調(diào)整等，這些因素會導致冬閑田的分布和面積出現(xiàn)隨機波動，使得時間序列數(shù)據(jù)表現(xiàn)出一定的隨機性。通過對時間序列這些特征的深入分析，可以更好地理解所研究對象的變化規(guī)律，預測其未來的發(fā)展趨勢，為決策提供有力的支持。在農(nóng)業(yè)生產(chǎn)中，準確把握農(nóng)作物產(chǎn)量的時間序列特征，有助于合理安排種植計劃、優(yōu)化資源配置；在冬閑田監(jiān)測中，了解冬閑田面積和分布的時間序列特征，能夠為制定科學的耕地利用政策提供依據(jù)。2.3.2基于時序NDVI的分析方法在冬閑田監(jiān)測中，基于時序NDVI的分析方法具有獨特的優(yōu)勢，能夠充分挖掘植被生長的時間序列信息，實現(xiàn)對冬閑田的有效識別和監(jiān)測。數(shù)據(jù)處理是該方法的首要環(huán)節(jié)，也是后續(xù)分析的基礎。由于獲取的遙感影像數(shù)據(jù)可能受到多種因素的干擾，如云層遮擋、大氣散射、傳感器誤差等，因此需要進行一系列的數(shù)據(jù)預處理操作，以提高數(shù)據(jù)的質(zhì)量和可用性。輻射定標是數(shù)據(jù)處理的重要步驟之一，它通過將傳感器記錄的數(shù)字量化值（DN）轉(zhuǎn)換為輻射亮度值，消除傳感器自身的響應差異，確保不同時間、不同傳感器獲取的數(shù)據(jù)具有可比性。大氣校正則是為了去除大氣對遙感信號的影響，包括大氣散射、吸收等，使影像能夠更真實地反映地表的反射率。常用的大氣校正方法有FLAASH（FastLine-of-sightAtmosphericAnalysisofSpectralHypercubes）算法等，這些算法通過對大氣模型的模擬和參數(shù)調(diào)整，校正大氣對不同波段光譜的影響，提高影像的精度。幾何校正也是必不可少的，它能夠消除由于衛(wèi)星姿態(tài)、地球曲率、地形起伏等因素導致的影像幾何變形，使影像中的地物位置與實際地理位置準確對應。通過幾何校正，將遙感影像與高精度的地理參考數(shù)據(jù)進行匹配和校準，確保影像在空間上的準確性，為后續(xù)的空間分析和制圖提供可靠的數(shù)據(jù)基礎。在完成數(shù)據(jù)預處理后，需要進行特征提取，以獲取能夠有效區(qū)分冬閑田與其他地物的關鍵信息。對于時序NDVI數(shù)據(jù)，其特征提取主要圍繞NDVI值在時間序列上的變化模式展開。不同土地利用類型在NDVI時間序列上呈現(xiàn)出不同的變化特征，這些特征是識別冬閑田的重要依據(jù)。冬閑田由于在冬季缺乏植被覆蓋，其NDVI值通常較低，且在整個冬閑期變化較為平緩。在長江中下游地區(qū)，從11月到次年3月的冬閑期內(nèi)，冬閑田的NDVI值可能維持在0.1-0.2之間，波動范圍較小。這是因為在這段時間里，冬閑田地表主要為裸土或少量雜草，植被覆蓋度低，對紅光和近紅外光的反射差異不明顯，導致NDVI值較低且穩(wěn)定。而種植農(nóng)作物的非冬閑田，其NDVI值會隨著農(nóng)作物的生長、發(fā)育和成熟呈現(xiàn)出明顯的起伏變化。在農(nóng)作物生長初期，NDVI值逐漸上升；到了生長旺盛期，NDVI值達到峰值；隨著農(nóng)作物成熟和收獲，NDVI值又逐漸下降。以水稻田為例，在春季播種后，隨著水稻的生長，葉片逐漸展開，葉綠素含量增加，對紅光的吸收增強，近紅外光的反射也相應增加，使得NDVI值從0.3左右逐漸上升到0.6-0.7左右的峰值；在秋季水稻成熟收割后，NDVI值迅速下降。除了變化趨勢外，NDVI時間序列的峰值、谷值、變化速率等也是重要的特征指標。通過計算這些特征指標，可以進一步量化不同土地利用類型的差異，提高冬閑田識別的準確性。利用這些提取的特征，可以采用多種方法進行冬閑田的識別和分類。閾值法是一種簡單直觀的方法，根據(jù)冬閑田和非冬閑田的NDVI特征差異，設定一個或多個閾值，將NDVI值與閾值進行比較，從而判斷某一區(qū)域是否為冬閑田。如果某一像元的NDVI值在冬閑期持續(xù)低于設定的閾值，如0.3，則可初步判斷該像元對應的區(qū)域為冬閑田。機器學習算法在冬閑田識別中也得到了廣泛應用，如支持向量機（SVM）、隨機森林（RF）等。這些算法通過對大量已知樣本（包括冬閑田和非冬閑田樣本）的學習，自動提取冬閑田的特征模式，構建分類模型，然后利用該模型對未知區(qū)域進行分類預測。以支持向量機算法為例，它通過尋找一個最優(yōu)的分類超平面，將冬閑田和非冬閑田的樣本在特征空間中進行有效分離，從而實現(xiàn)對新數(shù)據(jù)的分類。機器學習算法能夠處理復雜的非線性特征關系，具有較高的分類精度和適應性，但需要大量的訓練樣本和計算資源。三、數(shù)據(jù)獲取與預處理3.1數(shù)據(jù)來源3.1.1遙感數(shù)據(jù)本研究主要獲取了長江中下游地區(qū)的多源遙感數(shù)據(jù)，其中Landsat8和Sentinel-2衛(wèi)星影像數(shù)據(jù)是關鍵數(shù)據(jù)源，它們在冬閑田監(jiān)測中發(fā)揮著重要作用。Landsat8衛(wèi)星于2013年發(fā)射，是美國陸地衛(wèi)星系列的重要成員。其搭載的陸地成像儀（OLI）具有卓越的性能，包含9個波段，覆蓋了從可見光到短波紅外的廣泛光譜范圍，其中全色波段空間分辨率高達15米，多光譜波段空間分辨率為30米。這種高空間分辨率使得Landsat8能夠清晰地捕捉到地表的細節(jié)信息，對于識別土地利用類型、區(qū)分不同地物具有重要意義。在冬閑田監(jiān)測中，其高分辨率可以準確分辨出農(nóng)田的邊界，以及冬閑田與周邊其他地物的細微差異。Landsat8擁有長達40多年的歷史數(shù)據(jù)積累，為長時間序列的分析提供了豐富的數(shù)據(jù)基礎。通過對不同年份Landsat8影像的對比分析，可以研究冬閑田在時間維度上的變化趨勢，以及探究其與農(nóng)業(yè)政策調(diào)整、氣候變化等因素之間的關系。Sentinel-2衛(wèi)星是歐洲哥白尼計劃的重要組成部分，由Sentinel-2A和Sentinel-2B兩顆衛(wèi)星組成。這兩顆衛(wèi)星的協(xié)同工作使得重訪周期縮短至5天，大大提高了數(shù)據(jù)的時間分辨率。在冬閑田監(jiān)測中，較短的重訪周期能夠更及時地捕捉到農(nóng)作物生長過程中的變化，以及冬閑田在不同時期的狀態(tài)變化，從而提高監(jiān)測的時效性和準確性。Sentinel-2衛(wèi)星搭載的多光譜成像儀（MSI）具有13個波段，涵蓋了從可見光到短波紅外的光譜范圍，其中10米分辨率的波段有4個，包括藍、綠、紅和近紅外波段。這些高分辨率波段對于精確監(jiān)測植被生長狀況、識別冬閑田具有顯著優(yōu)勢。其近紅外波段和紅光波段的高分辨率數(shù)據(jù)，能夠更準確地計算NDVI，從而更有效地識別冬閑田與其他土地利用類型。除了Landsat8和Sentinel-2衛(wèi)星影像數(shù)據(jù)外，本研究還獲取了其他輔助遙感數(shù)據(jù)，如MODIS數(shù)據(jù)。MODIS數(shù)據(jù)具有高時間分辨率，每天可獲取多次影像，但其空間分辨率相對較低，為250米、500米和1000米。在本研究中，MODIS數(shù)據(jù)主要用于宏觀監(jiān)測和趨勢分析，結合Landsat8和Sentinel-2的高分辨率數(shù)據(jù)，可以從不同尺度對冬閑田進行全面監(jiān)測。利用MODIS數(shù)據(jù)的高時間分辨率，分析冬閑田在較長時間范圍內(nèi)的整體變化趨勢，再結合Landsat8和Sentinel-2數(shù)據(jù)的高空間分辨率，對特定區(qū)域的冬閑田進行詳細分析，從而提高監(jiān)測的全面性和準確性。3.1.2地面調(diào)查數(shù)據(jù)地面調(diào)查數(shù)據(jù)作為遙感監(jiān)測的重要補充，對于準確識別冬閑田、驗證遙感監(jiān)測結果具有不可替代的作用。本研究通過實地考察和問卷調(diào)查相結合的方式，獲取了豐富的地面調(diào)查數(shù)據(jù)。實地考察是獲取地面調(diào)查數(shù)據(jù)的主要方式之一。研究人員在長江中下游地區(qū)的多個典型區(qū)域進行了實地考察，這些區(qū)域涵蓋了平原、丘陵等不同地形地貌，以及不同的農(nóng)業(yè)種植模式和土地利用類型。在實地考察過程中，研究人員利用全球定位系統(tǒng)（GPS）精確定位考察點的地理位置，確保數(shù)據(jù)的空間準確性。對于每個考察點，詳細記錄了土地利用類型，明確判斷是否為冬閑田。如果是冬閑田，進一步記錄其閑置時間，包括開始閑置的時間和預計結束閑置的時間，以及地表覆蓋狀況，如是否有雜草、殘茬等，以及它們的覆蓋程度和種類。對于非冬閑田，記錄種植的農(nóng)作物品種、種植時間、生長狀況等信息。在某一平原地區(qū)的考察點，通過實地觀察和與當?shù)剞r(nóng)民交流，記錄到該地塊種植的是水稻，種植時間為5月，生長狀況良好，在冬季該地塊將作為冬閑田閑置，地表主要覆蓋著水稻收割后的殘茬。問卷調(diào)查也是獲取地面調(diào)查數(shù)據(jù)的重要手段。研究人員設計了詳細的調(diào)查問卷，問卷內(nèi)容主要圍繞土地利用相關信息展開。向當?shù)剞r(nóng)民發(fā)放問卷，詢問他們所擁有土地的利用情況，包括是否存在冬閑田，以及冬閑田形成的原因。部分農(nóng)民反映，由于冬季勞動力外出務工，家中缺乏勞動力進行耕種，導致土地閑置成為冬閑田；還有部分農(nóng)民表示，冬季種植農(nóng)作物的經(jīng)濟效益較低，且管理成本較高，因此選擇讓土地閑置。問卷還涉及農(nóng)民對冬閑田利用的意愿，一些農(nóng)民希望政府能夠提供技術和資金支持，引導他們在冬閑田種植綠肥或其他經(jīng)濟作物，以提高土地利用效率和經(jīng)濟效益。通過實地考察和問卷調(diào)查獲取的地面調(diào)查數(shù)據(jù)，為后續(xù)的遙感影像解譯和冬閑田監(jiān)測模型構建提供了準確的參考依據(jù)。這些數(shù)據(jù)不僅有助于準確識別冬閑田，還能深入了解冬閑田形成的原因和農(nóng)民的利用意愿，為制定合理的冬閑田利用政策提供了重要的現(xiàn)實依據(jù)。3.2數(shù)據(jù)預處理3.2.1輻射定標與大氣校正輻射定標是將遙感影像的數(shù)字量化值（DN）轉(zhuǎn)換為輻射亮度值的關鍵過程，其目的在于消除傳感器自身的誤差，確保獲取的輻射值準確可靠。在衛(wèi)星遙感過程中，傳感器記錄的DN值受到多種因素影響，包括傳感器的靈敏度、增益等內(nèi)部特性，這些因素使得DN值不能直接反映地物的真實輻射情況。通過輻射定標，能夠?qū)⑦@些原始的DN值轉(zhuǎn)換為具有物理意義的輻射亮度值，為后續(xù)的數(shù)據(jù)分析提供準確的基礎。輻射定標主要依據(jù)傳感器的定標參數(shù)，這些參數(shù)通常由衛(wèi)星制造商提供，并存儲在影像的元數(shù)據(jù)文件中。以Landsat8OLI數(shù)據(jù)為例，其定標公式為：L_{\lambda}=\text{Gain}\timesDN+\text{Bias}，其中L_{\lambda}表示輻射亮度值，\text{Gain}和\text{Bias}分別為增益和偏移量，可從影像的MTL（MetadataLabel）文件中獲取。在ENVI軟件中，進行輻射定標的具體操作步驟如下：首先，打開需要處理的Landsat8OLI影像及其對應的MTL文件；然后，在Toolbox中選擇RadiometricCorrection->RadiometricCalibration，在彈出的文件對話框中選擇多光譜數(shù)據(jù)；接著，在RadiometricCalibration面板中，將定標類型設置為輻射率數(shù)據(jù)Radiance，并點擊ApplyFLAASHSettings按鈕，自動設置FLAASH大氣校正工具需要的數(shù)據(jù)類型，包括儲存順序（Interleave）選擇BIL或者BIP，數(shù)據(jù)類型（DataType）設置為Float，輻射率數(shù)據(jù)單位調(diào)整系數(shù)（ScaleFactor）設為0.1；最后，設置好輸出路徑，點擊確定即可完成輻射定標，得到輻射亮度值影像。大氣校正則是為了消除大氣對遙感信號的影響，包括大氣散射、吸收等，使影像能夠更真實地反映地表的反射率。大氣中的氣體分子、氣溶膠等會對太陽輻射和地物反射的輻射進行散射和吸收，導致傳感器接收到的輻射信號發(fā)生變化，從而影響對地表真實信息的獲取。例如，在可見光波段，大氣散射會使光線發(fā)生偏離，增加了影像的噪聲，降低了地物的對比度；在近紅外波段，水汽的吸收會導致該波段的輻射信號減弱，影響對植被等信息的準確提取。本研究采用FLAASH（FastLine-of-sightAtmosphericAnalysisofSpectralHypercubes）算法進行大氣校正，該算法基于MODTRAN4+輻射傳輸模型，能夠有效地校正由于漫反射引起的連帶效應，并包含卷云和不透明云層的分類圖，可調(diào)整由于人為抑止而導致的波譜平滑。在ENVI軟件中使用FLAASH進行大氣校正時，需要先完成輻射定標步驟。接著，需要獲取研究區(qū)域的高程數(shù)據(jù)，可通過File->Openworlddata->Elevation(海拔）來獲取，并利用ENVI自帶的計算器計算研究區(qū)域的高程。在RadiometricCalibration面板中，選擇RadiometricCalibration->AtmosphericCorrectionModule->FLAASHAtmosphericCorrection，輸入輻射定標的文件后會彈出一個radiancescalefactors的數(shù)據(jù)框。在FLAASHAtmosphericCorrection面板中，設置相關參數(shù)，如Sensortype選擇影像數(shù)據(jù)的傳感器類型，如Landsat-8OLI；Groundelevation輸入之前計算的地面高程數(shù)據(jù)并除以1000；根據(jù)影像的獲取時間和經(jīng)緯度，選擇對應的Atmospheremodel；完成參數(shù)設置后，點擊“apply”即可完成大氣校正，得到更準確反映地表反射率的影像。通過輻射定標和大氣校正，有效地提高了遙感數(shù)據(jù)的質(zhì)量，為后續(xù)的時序NDVI計算和冬閑田監(jiān)測分析奠定了堅實的基礎。3.2.2幾何校正與配準幾何校正旨在消除遙感影像中的幾何畸變，確保影像中地物的空間位置與實際地理位置精確對應。在衛(wèi)星成像過程中，多種因素會導致影像產(chǎn)生幾何畸變，衛(wèi)星的飛行姿態(tài)、軌道偏差、地球曲率以及地形起伏等。衛(wèi)星在飛行過程中，由于受到地球引力、大氣阻力等因素的影響，其飛行姿態(tài)可能會發(fā)生微小變化，導致影像產(chǎn)生旋轉(zhuǎn)、傾斜等幾何變形；地球曲率使得影像在不同緯度和經(jīng)度上的比例尺不一致，從而產(chǎn)生變形；地形起伏則會使地面物體在影像上的位置發(fā)生位移，尤其是在山區(qū)，這種地形引起的幾何畸變更為明顯。幾何校正通常需要選擇一定數(shù)量的地面控制點（GCPs），這些控制點在影像和實際地理空間中的位置都是已知的。控制點的選取質(zhì)量直接影響幾何校正的精度，因此應遵循一定的原則?？刂泣c應均勻分布在影像的各個區(qū)域，特別是影像的四角和邊緣部分，以確保能夠全面控制影像的幾何變形?？刂泣c應具有明顯的特征，如道路交叉口、河流交匯點、建筑物角點等，這些特征點在影像上易于識別，能夠準確確定其位置。在長江中下游地區(qū)的影像校正中，可以選擇一些大型橋梁的橋頭、城市中的標志性建筑等作為控制點?？刂泣c還應是穩(wěn)定的地物，不會隨時間發(fā)生變化，以保證不同時期影像校正的一致性。在確定控制點后，可采用多項式擬合模型進行幾何校正。多項式擬合模型通過選取足夠數(shù)量的控制點，利用這些控制點的坐標數(shù)據(jù)，擬合出一個多項式來表達這些點的坐標關系，然后利用這個多項式對影像中的每一個像素點進行坐標變換，從而實現(xiàn)對影像的幾何校正。對于二次多項式模型，其一般形式為：\begin{cases}x=a_0+a_1X+a_2Y+a_3X^2+a_4XY+a_5Y^2\\y=b_0+b_1X+b_2Y+b_3X^2+b_4XY+b_5Y^2\end{cases}其中，(x,y)為校正后影像中的像素坐標，(X,Y)為原始影像中的像素坐標，a_i和b_i（i=0,1,\cdots,5）為多項式系數(shù)，通過最小二乘法求解這些系數(shù)，使得控制點在原始影像和校正后影像中的坐標誤差最小化。影像配準是將不同時間、不同傳感器獲取的影像進行空間對齊，以便進行對比分析和信息融合。在本研究中，需要將Landsat8和Sentinel-2等不同衛(wèi)星獲取的影像進行配準。影像配準的基本流程包括特征提取、特征匹配和變換模型求解。在特征提取階段，常用的方法有尺度不變特征變換（SIFT）、加速穩(wěn)健特征（SURF）等。SIFT算法通過檢測影像中的關鍵點，并計算這些關鍵點的尺度不變特征描述子，能夠在不同尺度、旋轉(zhuǎn)和光照條件下準確地提取影像的特征。在特征匹配階段，利用提取的特征描述子，通過計算特征之間的相似度，將不同影像中的特征點進行匹配，找出同名點。采用歐氏距離或漢明距離等度量方法，計算特征描述子之間的距離，距離越小則相似度越高，將距離小于一定閾值的特征點對作為同名點。在找到足夠數(shù)量的同名點后，可利用這些同名點求解變換模型，實現(xiàn)影像的配準。常用的變換模型有仿射變換、投影變換等。仿射變換模型能夠描述影像的平移、旋轉(zhuǎn)、縮放和剪切等變換，其數(shù)學表達式為：\begin{pmatrix}x'\\y'\\1\end{pmatrix}=\begin{pmatrix}a_{11}&a_{12}&t_x\\a_{21}&a_{22}&t_y\\0&0&1\end{pmatrix}\begin{pmatrix}x\\y\\1\end{pmatrix}其中，(x,y)和(x',y')分別為原始影像和配準后影像中的像素坐標，a_{ij}（i,j=1,2）為變換系數(shù)，t_x和t_y為平移量。通過最小二乘法求解變換系數(shù)，使得同名點在不同影像中的坐標誤差最小，從而完成影像的配準。通過幾何校正與配準，確保了遙感數(shù)據(jù)的空間準確性，為后續(xù)的冬閑田監(jiān)測和分析提供了可靠的空間基礎。3.2.3數(shù)據(jù)融合與鑲嵌數(shù)據(jù)融合旨在綜合不同分辨率、不同光譜范圍的遙感影像數(shù)據(jù)，以獲取具有更高空間分辨率和更豐富光譜信息的影像，從而提升影像的應用價值。在本研究中，主要涉及Landsat8和Sentinel-2衛(wèi)星影像的數(shù)據(jù)融合。Landsat8影像具有較高的光譜分辨率，包含多個波段，能夠提供豐富的地物光譜信息，但空間分辨率相對較低，多光譜波段為30米；Sentinel-2影像則具有較高的空間分辨率，部分波段可達10米，能夠更清晰地呈現(xiàn)地表細節(jié)，但在某些光譜信息的豐富度上可能稍遜一籌。通過數(shù)據(jù)融合，可以將兩者的優(yōu)勢結合起來，得到既具有高空間分辨率又具有豐富光譜信息的影像。本研究采用Gram-SchmidtPanSharpening算法進行數(shù)據(jù)融合。該算法的基本原理是基于Gram-Schmidt正交變換，通過對低分辨率多光譜影像和高分辨率全色影像進行一系列的數(shù)學變換，實現(xiàn)兩者的融合。具體步驟如下：首先，對低分辨率多光譜影像進行主成分分析（PCA），將多光譜影像從原始的多波段空間轉(zhuǎn)換到主成分空間，得到主成分影像；然后，對高分辨率全色影像進行重采樣，使其空間分辨率與低分辨率多光譜影像一致，并對重采樣后的全色影像進行歸一化處理；接著，將歸一化后的全色影像與主成分影像中的第一主成分進行Gram-Schmidt正交變換，得到一組新的影像；最后，將新影像與原始多光譜影像的其他主成分進行逆主成分分析（InversePCA），將影像從主成分空間轉(zhuǎn)換回多波段空間，得到融合后的高分辨率多光譜影像。以Landsat8和Sentinel-2影像融合為例，在ENVI軟件中，先打開Landsat8的多光譜影像和Sentinel-2的高分辨率全色影像；然后，在Toolbox中選擇DataFusion->Gram-SchmidtPanSharpening，在彈出的對話框中分別選擇Landsat8多光譜影像和Sentinel-2全色影像，并設置相關參數(shù)，如輸出數(shù)據(jù)類型、重采樣方法等；點擊確定后，即可完成數(shù)據(jù)融合，得到融合后的影像。通過數(shù)據(jù)融合，提高了影像的空間分辨率和光譜分辨率，增強了影像的細節(jié)信息和色彩表現(xiàn)力，為更準確地識別冬閑田和其他地物提供了更優(yōu)質(zhì)的數(shù)據(jù)。數(shù)據(jù)鑲嵌是將多景相鄰的遙感影像拼接成一幅完整的、覆蓋研究區(qū)域的影像。長江中下游地區(qū)范圍較大，單一景遙感影像無法完全覆蓋，因此需要進行數(shù)據(jù)鑲嵌。在進行數(shù)據(jù)鑲嵌時，首先要對多景影像進行預處理，包括輻射定標、大氣校正、幾何校正和配準等，確保各景影像具有一致的輻射特性和空間位置。然后，根據(jù)影像的地理位置信息，確定各景影像之間的重疊區(qū)域，并對重疊區(qū)域進行無縫拼接處理，以消除拼接痕跡。在ENVI軟件中進行數(shù)據(jù)鑲嵌的操作步驟如下：首先，將多景經(jīng)過預處理的影像加載到ENVI軟件中；然后，在Toolbox中選擇Mosaicking->MosaicImages，在彈出的對話框中選擇要鑲嵌的影像，并按照影像的地理位置順序排列；接著，設置鑲嵌參數(shù)，如鑲嵌線的選擇方式、重疊區(qū)域的處理方法等。對于鑲嵌線的選擇，可以采用自動選擇或手動繪制的方式，自動選擇方式會根據(jù)影像的特征自動生成鑲嵌線，手動繪制則可以根據(jù)實際需求更靈活地確定鑲嵌線位置；在重疊區(qū)域的處理方面，可以選擇平均法、最大值法、最小值法等，平均法是將重疊區(qū)域的像素值取平均值作為最終鑲嵌影像的像素值，最大值法和最小值法則分別取重疊區(qū)域像素值的最大值和最小值。設置好參數(shù)后，點擊確定即可完成數(shù)據(jù)鑲嵌，得到一幅完整的覆蓋長江中下游地區(qū)的遙感影像，為后續(xù)的冬閑田監(jiān)測和分析提供了完整的數(shù)據(jù)基礎。四、基于時序NDVI的冬閑田監(jiān)測方法構建4.1時序NDVI數(shù)據(jù)處理4.1.1最大值合成法（MVC）在利用遙感數(shù)據(jù)進行冬閑田監(jiān)測時，由于衛(wèi)星成像過程中不可避免地會受到多種因素干擾，云層覆蓋、大氣散射以及傳感器自身的誤差等，這些因素會導致獲取的NDVI數(shù)據(jù)存在噪聲和異常值，從而影響對冬閑田的準確監(jiān)測。為了有效減少這些因素對NDVI數(shù)據(jù)的影響，提高數(shù)據(jù)質(zhì)量，本研究采用了最大值合成法（MVC，MaximumValueComposite）。最大值合成法的原理基于植被在生長過程中的生理特性。在一定時間段內(nèi)，植被的生長狀況會發(fā)生變化，其NDVI值也會相應改變。對于同一區(qū)域的植被，在不同時間獲取的遙感影像中，由于天氣、光照等條件的差異，NDVI值會有所波動。然而，當植被處于生長旺盛期時，其NDVI值通常會達到一個相對較高的水平，且這個高值能夠更真實地反映植被的生長狀況。最大值合成法正是利用了這一特性，在一個特定的時間窗口內(nèi)，選取該時間段內(nèi)所有遙感影像中每個像元的NDVI最大值作為該像元在該時間窗口的最終NDVI值。以一個月的時間窗口為例，假設在這個月內(nèi)獲取了多景遙感影像，對于影像中的每個像元，MVC方法會逐一比較這些影像中該像元的NDVI值，然后選取其中的最大值作為該像元在這個月的NDVI值。這樣做的好處是，能夠有效去除由于云層遮擋、大氣干擾等因素導致的低NDVI值。云層覆蓋會使部分像元的NDVI值降低，因為云層會阻擋太陽光到達地面，影響植被對光的反射和吸收，從而使傳感器接收到的信號減弱，導致NDVI值偏低。而MVC方法通過選取最大值，能夠避免這些受云層影響的低NDVI值被采用，從而得到更能反映植被真實生長狀況的NDVI數(shù)據(jù)。在實際應用中，最大值合成法具有重要意義。在冬閑田監(jiān)測中，準確的NDVI數(shù)據(jù)是識別冬閑田的關鍵。通過MVC方法處理后的NDVI數(shù)據(jù)，能夠更清晰地展現(xiàn)不同土地利用類型在植被覆蓋上的差異，從而提高冬閑田的識別精度。在長江中下游地區(qū)，冬閑田在冬季通常植被覆蓋度較低，其NDVI值相對較小。而種植了農(nóng)作物的農(nóng)田，在生長季節(jié)會有較高的植被覆蓋度，NDVI值較大。利用MVC處理后的NDVI數(shù)據(jù)，能夠更準確地捕捉到這種差異，避免因噪聲和異常值導致的誤判。MVC方法還能夠在一定程度上減少數(shù)據(jù)量，提高后續(xù)數(shù)據(jù)分析的效率。由于只保留了每個像元在時間窗口內(nèi)的最大值，數(shù)據(jù)量相對減少，便于存儲和處理，同時也降低了計算成本。4.1.2Savitzky-Golay濾波盡管最大值合成法能夠在一定程度上減少噪聲和異常值的影響，但獲取的時序NDVI數(shù)據(jù)仍可能存在一些波動，這些波動可能會干擾對冬閑田的準確識別和分析。為了進一步平滑NDVI時間序列數(shù)據(jù)，突出植被生長的真實變化趨勢，本研究采用了Savitzky-Golay濾波方法。Savitzky-Golay濾波是一種基于局部多項式回歸的數(shù)字濾波器，其核心原理是通過線性最小二乘法將低階多項式擬合到相鄰數(shù)據(jù)點的滑動窗口中。該方法在降低噪聲的同時，能夠較好地保持信號的高階矩，這意味著信號的峰值、谷值等關鍵特征可以得到有效保留。在時序NDVI數(shù)據(jù)處理中，這一特性尤為重要，因為這些特征能夠反映植被生長的關鍵階段和變化趨勢，對于區(qū)分冬閑田和其他土地利用類型具有重要指示作用。具體來說，Savitzky-Golay濾波的工作過程如下：首先，在NDVI時間序列數(shù)據(jù)上設置一個固定大小的滑動窗口。窗口大小是該算法的一個關鍵參數(shù)，其取值會影響濾波效果。較小的窗口能夠更好地保留數(shù)據(jù)的局部特征，但對噪聲的抑制能力相對較弱；較大的窗口則可以更有效地平滑噪聲，但可能會過度平滑數(shù)據(jù)，導致一些細節(jié)信息丟失。在實際應用中，需要根據(jù)數(shù)據(jù)的特點和分析目的來選擇合適的窗口大小。對于長江中下游地區(qū)的時序NDVI數(shù)據(jù)，經(jīng)過多次試驗和分析，發(fā)現(xiàn)窗口大小為11時能夠在平滑噪聲和保留特征之間取得較好的平衡。在確定窗口大小后，對窗口內(nèi)的數(shù)據(jù)點進行多項式擬合。設數(shù)據(jù)序列為(x_i,y_i)，其中i\in[1,N]，目標是用p階多項式對局部數(shù)據(jù)進行擬合，多項式表達式為y=a_0+a_1x+a_2x^2+\cdots+a_px^p。對于中心位于x_k的窗口，需要確定系數(shù)向量[a_0,a_1,\cdots,a_p]，使得多項式能最佳擬合窗口內(nèi)的數(shù)據(jù)點。這個優(yōu)化問題通過最小化均方誤差來解決，即\min\sum_{i=k-m}^{k+m}(y_i-\sum_{j=0}^{p}a_jx_i^j)^2，其中2m+1表示窗口大小，窗口中心為點x_k。以窗口大小為5（即m=2）的2階多項式擬合為例，假設窗口內(nèi)的數(shù)據(jù)點為(x_{k-2},y_{k-2})，(x_{k-1},y_{k-1})，(x_k,y_k)，(x_{k+1},y_{k+1})，(x_{k+2},y_{k+2})，采用2階多項式y(tǒng)=a_0+a_1x+a_2x^2進行擬合。通過最小化誤差函數(shù)\sum_{i=k-2}^{k+2}(y_i-(a_0+a_1x_i+a_2x_i^2))^2，利用最小二乘法求解得到系數(shù)a_0，a_1，a_2。然后，濾波后的值\hat{y}_k由多項式在中心點x_k處的值給出，即\hat{y}_k=a_0+a_1x_k+a_2x_k^2。通過對每個數(shù)據(jù)點重復此過程，最終得到完整的濾波后的NDVI時間序列數(shù)據(jù)。在本研究中，利用Python的scipy.signal庫中的savgol_filter函數(shù)實現(xiàn)Savitzky-Golay濾波。選擇窗口大小為11，多項式階數(shù)為3，代碼如下：fromscipy.signalimportsavgol_filterimportnumpyasnp#假設ndvi_data是原始的時序NDVI數(shù)據(jù)ndvi_data=np.array([0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7])window_size=11poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)importnumpyasnp#假設ndvi_data是原始的時序NDVI數(shù)據(jù)ndvi_data=np.array([0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7])window_size=11poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)#假設ndvi_data是原始的時序NDVI數(shù)據(jù)ndvi_data=np.array([0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7])window_size=11poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)ndvi_data=np.array([0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7])window_size=11poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)window_size=11poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)poly_order=3smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)smoothed_ndvi=savgol_filter(ndvi_data,window_size,poly_order)經(jīng)過Savitzky-Golay濾波處理后，時序NDVI數(shù)據(jù)中的噪聲得到有效抑制，曲線變得更加平滑，能夠更清晰地展示植被生長的真實變化趨勢。在冬閑田監(jiān)測中，通過對濾波后的NDVI時間序列進行分析，可以更準確地識別冬閑田在不同季節(jié)的特征變化，從而提高冬閑田監(jiān)測的準確性和可靠性。4.2冬閑田監(jiān)測指標確定4.2.1NDVI閾值設定準確設定NDVI閾值是基于時序NDVI監(jiān)測冬閑田的關鍵環(huán)節(jié)。長江中下游地區(qū)土地利用類型復雜多樣，氣候條件多變，這使得確定合適的NDVI閾值具有一定的挑戰(zhàn)性。為了科學合理地設定閾值，本研究充分考慮了研究區(qū)域的特點，并結合實地考察結果進行綜合分析。長江中下游地區(qū)涵蓋了多種地形地貌，包括平原、丘陵和山地等。不同地形區(qū)域的土地利用方式和植被生長環(huán)境存在顯著差異。在平原地區(qū)，地勢平坦，耕地集中連片，主要種植水稻、小麥等農(nóng)作物。這些農(nóng)作物在生長季節(jié)具有明顯的植被覆蓋變化，其NDVI值在不同生長階段呈現(xiàn)出規(guī)律性的起伏。在水稻生長的旺季，葉片茂密，葉綠素含量高，對紅光的吸收強烈，近紅外光的反射增強，使得NDVI值通常較高，可達0.6-0.7左右。而在冬閑期，農(nóng)田中缺乏植被覆蓋，主要為裸土或少量雜草，其NDVI值相對較低，一般在0.1-0.2之間。丘陵地區(qū)地形起伏較大，耕地較為分散，且受地形影響，光照、水分等條件存在差異，導致植被生長狀況和NDVI值也有所不同。在一些向陽的山坡，植被生長較好，NDVI值相對較高；而在背陰處或地勢較低洼的地方，植被生長可能受到限制，NDVI值較低。實地考察是確定NDVI閾值的重要依據(jù)。本研究在長江中下游地區(qū)的多個典型區(qū)域進行了實地考察，獲取了大量的地面真實數(shù)據(jù)。在考察過程中，利用GPS精確定位每個考察點的地理位置，并詳細記錄了土地利用類型、植被覆蓋狀況以及NDVI值等信息。通過對實地考察數(shù)據(jù)的分析，發(fā)現(xiàn)冬閑田與非冬閑田在NDVI值上存在明顯的區(qū)分。冬閑田在冬季時段，由于缺乏農(nóng)作物生長，地表植被稀疏，其NDVI值明顯低于種植農(nóng)作物的非冬閑田。在某一平原地區(qū)的考察中，對冬閑田和種植小麥的農(nóng)田進行了對比監(jiān)測。在12月至次年2月的冬閑期，冬閑田的NDVI值平均為0.15，而小麥田的NDVI值在0.3-0.4之間，兩者差異顯著。在綜合考慮研究區(qū)域特點和實地考察結果的基礎上，本研究采用Otsu算法來自動確定NDVI閾值。Otsu算法是一種基于圖像灰度直方圖的自動閾值分割算法，它通過最大化類間方差來確定最佳閾值。在本研究中，將冬閑田和非冬閑田的NDVI值視為不同的類別，利用Otsu算法計算出能夠使兩類之間方差最大的NDVI值作為閾值。具體實現(xiàn)過程如下：首先，統(tǒng)計研究區(qū)域內(nèi)所有像元的NDVI值，并生成NDVI值的直方圖。然后，根據(jù)Otsu算法的原理，計算不同閾值下的類間方差，找到使類間方差最大的閾值。經(jīng)過計算和驗證，確定在長江中下游地區(qū)，當NDVI閾值為0.25時，能夠較好地區(qū)分冬閑田和非冬閑田。當某一像元的NDVI值在冬閑期持續(xù)低于0.25時，則判定該像元對應的區(qū)域為冬閑田；反之，則為非冬閑田。通過這種方法設定的NDVI閾值，充分考慮了研究區(qū)域的實際情況，能夠有效地提高冬閑田監(jiān)測的準確性。4.2.2物候特征分析農(nóng)作物的物候特征是指農(nóng)作物在一年中隨著季節(jié)變化而表現(xiàn)出的生長、發(fā)育和形態(tài)變化等現(xiàn)象，這些特征與農(nóng)作物的生長周期密切相關，是確定冬閑田監(jiān)測指標的重要依據(jù)。在長江中下游地區(qū)，主要農(nóng)作物包括水稻、小麥、油菜等，它們各自具有獨特的物候特征。水稻是該地區(qū)的主要糧食作物之一，其生長周期通常分為播種期、分蘗期、拔節(jié)期、孕穗期、抽穗期、開花期和成熟期等階段。在不同的生長階段，水稻的植被覆蓋度和NDVI值呈現(xiàn)出明顯的變化。在播種后的初期，水稻幼苗較小，植被覆蓋度較低，NDVI值也相對較低，一般在0.2-0.3之間。隨著水稻的生長，進入分蘗期和拔節(jié)期，植株逐漸繁茂，葉片增多，植被覆蓋度不斷增加，NDVI值也隨之上升，可達到0.4-0.5。在孕穗期和抽穗期，水稻生長最為旺盛，葉片充分展開，葉綠素含量豐富，對紅光的吸收和近紅外光的反射能力最強，此時NDVI值達到峰值，通常在0.6-0.7之間。進入成熟期后，水稻葉片逐漸變黃衰老，葉綠素含量下降，對紅光的吸收減弱，近紅外光的反射也相應減少，NDVI值開始下降。小麥也是長江中下游地區(qū)常見的農(nóng)作物，其生長周期包括播種期、出苗期、分蘗期、越冬期、返青期、拔節(jié)期、孕穗期、抽穗期、開花期、灌漿期和成熟期。小麥在秋季播種，冬季進入越冬期，此時生長較為緩慢，植被覆蓋度相對較低，NDVI值在0.3-0.4之間。春季氣溫回升，小麥進入返青期，生長速度加快，植被覆蓋度逐漸增加，NDVI值也隨之上升。在拔節(jié)期、孕穗期和抽穗期，小麥生長旺盛，NDVI值進一步升高，可達到0.5-0.6。灌漿期和成熟期，小麥的籽粒逐漸充實，葉片開始衰老，NDVI值逐漸下降。油菜是該地區(qū)重要的經(jīng)濟作物，其生長周期包括播種期、出苗期、苗期、蕾薹期、開花期、結莢期和成熟期。油菜在秋季播種，苗期生長相對緩慢，NDVI值在0.3-0.4之間。進入蕾薹期和開花期，油菜生長迅速，植株高度增加，葉片和花朵增多，植被覆蓋度大幅提高，NDVI值也顯著上升，可達到0.5-0.7。結莢期和成熟期，油菜的莢果逐漸形成和成熟，葉片開始枯萎，NDVI值逐漸下降。結合這些農(nóng)作物的物候特征，進一步確定冬閑田的監(jiān)測指標。在冬閑期，即秋收之后至次年春播之前，若某一區(qū)域的NDVI值持續(xù)處于較低水平，且不符合上述農(nóng)作物在相應時期的物候特征變化規(guī)律，則可判斷該區(qū)域為冬閑田。在12月至次年3月期間，如果某一地塊的NDVI值一直維持在0.25以下，且沒有出現(xiàn)類似水稻、小麥、油菜等農(nóng)作物在生長過程中NDVI值的上升和下降變化趨勢，那么該地塊很可能是冬閑田。通過綜合考慮農(nóng)作物的物候特征和NDVI值變化，能夠更準確地識別冬閑田，提高冬閑田監(jiān)測的可靠性和準確性。4.3監(jiān)測模型建立4.3.1動態(tài)閾值法模型動態(tài)閾值法模型是一種基于數(shù)據(jù)自身特征動態(tài)調(diào)整閾值來識別冬閑田的方法。其原理在于充分利用時序NDVI數(shù)據(jù)中不同土地利用類型在時間序列上的變化特征差異，通過對這些特征的分析，確定隨時間變化的閾值，以實現(xiàn)對冬閑田的準確識別。在長江中下游地區(qū)，不同土地利用類型在NDVI時間序列上呈現(xiàn)出獨特的變化模式。冬閑田在冬季時段，由于缺乏農(nóng)作物生長，地表植被稀疏，其NDVI值相對較低且變化較為平穩(wěn)。而種植農(nóng)作物的非冬閑田，在農(nóng)作物生長周期內(nèi)，NDVI值會隨著作物的生長、發(fā)育和成熟呈現(xiàn)出明顯的起伏變化。水稻田在春季播種后，隨著水稻的生長，NDVI值逐漸上升，在夏季生長旺盛期達到峰值，秋季收獲后NDVI值迅速下降。動態(tài)閾值法模型的構建過程如下：首先，對研究區(qū)域的時序NDVI數(shù)據(jù)進行分析，將時間序列劃分為多個時間段，如將一年劃分為春夏秋冬四個季節(jié)，或根據(jù)農(nóng)作物的生長周期劃分為播種期、生長期、收獲期等。針對每個時間段，分別統(tǒng)計冬閑田和非冬閑田的NDVI值分布情況。通過計算不同時間段內(nèi)冬閑田和非冬閑田NDVI值的均值、標準差等統(tǒng)計量，來描述它們的分布特征。在冬季時間段，統(tǒng)計冬閑田的NDVI均值為μ_{winter,fallow}，標準差為σ_{winter,fallow}；非冬閑田的NDVI均值為μ_{winter,crop}，標準差為σ_{winter,crop}。然后，根據(jù)統(tǒng)計結果確定每個時間段的動態(tài)閾值。常用的確定方法是基于統(tǒng)計學原理，如利用均值加減一定倍數(shù)的標準差來確定閾值。對于冬季時間段，可設定閾值T_{winter}=μ_{winter,fallow}+k\timesσ_{winter,fallow}，其中k為經(jīng)驗系數(shù)，一般取值在1-3之間，通過多次試驗和驗證，確定在本研究中k取值為2時，能夠較好地區(qū)分冬閑田和非冬閑田。當某一像元在冬季時間段的NDVI值低于T_{winter}時，則判定該像元對應的區(qū)域為冬閑田；反之，則為非冬閑田。在其他時間段，同樣按照上述方法確定相應的動態(tài)閾值。在農(nóng)作物生長旺盛期，非冬閑田的NDVI值較高，可設定閾值T_{growth}=μ_{growth,crop}-k\timesσ_{growth,crop}，當某一像元在該時間段的NDVI值高于T_{growth}時，可初步判定為非冬閑田種植農(nóng)作物的區(qū)域。通過這種動態(tài)調(diào)整閾值的方式，能夠更好地適應不同時間段土地利用類型的變化，提高冬閑田監(jiān)測的準確性。與固定閾值法相比，動態(tài)閾值法考慮了不同時間段土地利用類型的變化特征，避免了因固定閾值無法適應復雜變化而導致的誤判問題，能夠更準確地識別冬閑田。4.3.2機器學習模型機器學習模型在冬閑田監(jiān)測中展現(xiàn)出強大的潛力，能夠處理復雜的數(shù)據(jù)模式和非線性關系，有效提高監(jiān)測的準確性和效率。本研究選用支持向量機（SVM）和隨機森林（RF）這兩種典型的機器學習模型，對基于時序NDVI的冬閑田監(jiān)測展開深入探究。支持向量機（SVM）是一種基于統(tǒng)計學習理論的分類算法，其核心思想是在特征空間中尋找一個最優(yōu)的分類超平面，將不同類別的樣本進行有效分離，從而實現(xiàn)分類任務。在冬閑田監(jiān)測中，SVM將時序NDVI數(shù)據(jù)作為輸入特征，通過對大量已知樣本（包括冬閑田和非冬閑田樣本）的學習，自動提取冬閑田的特征模式。以二分類問題為例，假設給定一組訓練樣本(x_i,y_i)，其中i=1,2,\cdots,n，x_i表示第i個樣本的特征向量，即時序NDVI數(shù)據(jù)，y_i表示樣本的類別標簽，y_i\in\{+1,-1\}，分別代表冬閑田和非冬閑田。SVM的目標是找到一個超平面w^Tx+b=0，使得兩類樣本到超平面的距離最大化，這個最大距離被稱為間隔（margin）。為了求解這個最優(yōu)超平面，SVM通過引入拉格朗日乘子，將原問題轉(zhuǎn)化為對偶問題進行求解。在實際應用中，由于數(shù)據(jù)可能是非線性可分的，SVM通常會引入核函數(shù)，將低維空間中的數(shù)據(jù)映射到高維空間，從而在高維空間中找到線性可分的超平面。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)（RBF）等。在本研究中，經(jīng)過試驗對比，發(fā)現(xiàn)徑向基核函數(shù)在冬閑田監(jiān)測中表現(xiàn)較好，其表達式為K(x_i,x_j)=\exp(-\gamma\|x_i-x_j\|^2)，其中\(zhòng)gamma為核函數(shù)參數(shù)，需要通過交叉驗證等方法進行優(yōu)化確定。隨機森林（RF）是一種基于決策樹的集成學習算法，它通過構建多個決策樹，并將這些決策樹的預測結果進行綜合，來提高分類的準確性和穩(wěn)定性。在冬閑