本发明涉及图像处理，更具体的涉及一种基于农田时间轨迹变化的农田撂荒地识别方法及系统。

　　1、农田废弃是土地利用变化的一种普遍形式，在全球范围内正在加速。在过去的70年里，全球范围内的撂荒地不断积累，已达到了4亿公顷之多，大约是澳大利亚面积的一半，并且预计这一趋势将持续下去。这庞大的数字凸显了撂荒现象在全球范围内的显著扩张，有必要对这一问题进行更加深入的研究和有效的管理措施，以确保土地资源的可持续利用。鉴于这一局面，迫切需要建立一种如何准确、快速地捕捉农田撂荒的时空特征的愿景。这是探索撂荒土地对环境影响、识别撂荒原因，以及如何在撂荒土地上实现生物多样性保护、碳固存等碳行为、生态系统服务和人们生计的平衡收益的前提和基础。然而，由于农业放弃行为(农田撂荒)过程的复杂性(如休耕、临时撂荒、复垦等)，获取准确、及时的撂荒信息并绘制其时空变化图是一个重大的挑战。

　　2、传统的现场调研通常需要过多的人力、物力和财力，缺乏效率和及时性，虽然具有较高的准确性，但不适用于大规模评估。因此，越来越多的研究正在探索利用遥感技术来识别农田撂荒。现有研究中常用的一种方法是基于农田的土地覆被变迁识别撂荒地，其精度很大程度上依赖于土地覆被分类的精度。然而，由于农田作物类型的复杂性和时间序列的广泛变化，难以准确地区分植被覆盖类型。

　　3、综上，现有技术的撂荒地识别方法，由于激活农田作物类型的复杂性和时间序列光谱的广泛变化，在剔除其他地物干扰和追踪时间轨迹变化方面受到限制，使得在撂荒地识别过程中检测荒地的发生和变化状态更新的速度相对较慢，无法准确地区分植被覆盖类型，导致撂荒地识别速度慢、识别准确率低。

　　1、针对上述领域中存在的问题，本发明提出了一种农田撂荒地识别方法及系统，能够解决由于激活农田作物类型的复杂性和时间序列光谱的广泛变化，在剔除其他地物干扰和追踪时间轨迹变化方面受到限制，使得在撂荒地识别过程中检测荒地的发生和变化状态更新的速度相对较慢，无法准确地区分植被覆盖类型，导致撂荒地识别速度慢、识别准确率低的技术问题。

　　2、为解决上述技术问题，本发明公开了一种农田撂荒地识别方法，包括以下步骤：

　　3、获取目标区域时间序列的作物生长盛期的影像数据，并对其进行数据预处理，获得目标区域时间序列的作物生长盛期光谱反射率一致的影像数据；

　　4、对光谱反射率一致的影像数据的每一波段均进行最大值合成，获得最大值合成后当年的影像数据；根据最大值合成后当年的影像数据中不同波段的影像数据，获得该目标区域影像数据衍生的植被指数；将植被指数与通过研究人员划定的训练集结合，构造分类数据集；

　　5、根据分类数据集，对目标区域的植被区进行提取，获得该目标区域的植被区，并对该植被区的用地类型进行分类，得到该植被区时间序列上的农田分布；根据该植被区时间序列上的农田分布，获得区域最大农田面积；

　　6、根据区域最大农田面积，利用时序异常检测算法，通过检测年际农田增减情况，确定该目标区域时间序列上的撂荒地分布。

　　7、优选地，所述获取目标区域时间序列的作物生长盛期的影像数据，包括以下步骤：

　　9、获取目标区域时间序列的作物生长盛期的影像数据，包括研究时段内每年生长盛期的影像数据；

　　10、其中，j9.com官网landsat系列的卫星数据包括该目标区域的landsat专题制图仪卫星传感器数据landsat 5、landsat增强型专题制图仪卫星传感器数据landsat 7和landsat陆地成像仪卫星传感器数据landsat 8，该landsat系列的卫星数据的空间分辨率为30m，时间重访周期为16d；

　　11、通过谷歌地球引擎，获得landsat专题制图仪卫星传感器landsat 5、landsat增强型专题制图仪卫星传感器landsat 7和landsat陆地成像仪卫星传感器landsat 8的光谱反射率数据。

　　12、优选地，所述获得目标区域时间序列的作物生长盛期光谱反射率一致的影像数据，包括以下步骤：

　　13、对获取的光谱反射率数据进行辐射定标、大气校正、几何精校正、图像融合、去除云和阴影、影像拼接以及影像裁剪预处理；

　　14、将预处理后的landsat专题制图仪卫星传感器landsat 5和landsat增强型专题制图仪卫星传感器landsat 7的光谱反射率通过线性回归算法进行校正，将校正后的数据与landsat陆地成像仪卫星传感器landsat8的光谱反射率保持一致并进行整合，获得目标区域时间序列内光谱反射率一致的数据集，即目标区域时间序列的作物生长盛期光谱反射率一致的影像数据。

　　16、根据目标区域每个波段当年的影像数据，使用medoid算法对该数据的各个波段进行最大值合成，得到年际生长盛期不同波段的合成影像数据；

　　17、根据年际生长盛期不同波段的合成影像数据，逐像元地将不同波段的影像进行数学组合，获得该目标区域影像数据衍生的ndvi、evi、nbr、savi和bsi植被指数。

　　19、通过构建的ndvi、evi、nbr、savi和bsi植被指数以及叠加nasa/nasadem_hgt/001的dem数据，作为判别依据；根据判别依据，通过目视解译建立作物、裸地和自然植物的训练样本数据集；

　　20、其中，训练样本数据集中的训练样本均是由同一名研究人员通过使用构建的数据进行目视判读来收集。

　　22、使用谷歌地球引擎中的ee.classifier.randomforest函数，构建随机森林分类器，对训练样本数据集进行训练，通过植被指数对地物的敏感程度，依据是否有植被，提取该目标区域的植被区和裸地。

　　24、利用生长盛期植被生长速度不同的节律，区分该植被区的农田区域与非农田区域；

　　25、每一年选择80％的样本来训练随机森林分类器，剩余样本用于验证生成的农田分布；

　　28、通过叠加基于年际的农田最大面积，对该目标区域进行农田最大面积掩膜，通过时间轨迹分割获取时间序列上农田的增加或减少；

　　30、在该减少的区域上，擦除在第m到第m+5年及以上年份农田复垦的增加区域，提取出一直保持5年及以上年份的休耕区域，即至少在第m+5年到第m+6年时还保持休耕状态的农田，作为第m年产生的撂荒地。

　　32、数据采集模块，用于获取目标区域时间序列的作物生长盛期的影像数据，并对其进行数据预处理，获得目标区域时间序列的作物生长盛期光谱反射率一致的影像数据；

　　33、分类数据集获取模块，用于对光谱反射率一致的影像数据的每一波段均进行最大值合成，获得最大值合成后当年的影像数据；根据最大值合成后当年的影像数据中不同波段的影像数据，获得该目标区域影像数据衍生的植被指数；将植被指数与通过研究人员划定的训练集结合，构造分类数据集；

　　34、区域最大农田面积获取模块，用于根据分类数据集，对目标区域的植被区进行提取，获得该目标区域的植被区，并对该植被区的用地类型进行分类，得到该植被区时间序列上的农田分布；根据该植被区时间序列上的农田分布，获得区域最大农田面积；

　　35、撂荒地分布获取模块，用于根据区域最大农田面积，利用时序异常检测算法，通过检测年际农田增减情况，确定该目标区域时间序列上的撂荒地分布。

　　37、本发明提出的农田撂荒地识别方法，能够克服在剔除其他地物干扰和追踪时间轨迹变化方面受到限制，使得在撂荒地识别过程中检测荒地的发生和变化状态更新的速度相对较慢，无法准确地区分植被覆盖类型，导致撂荒地识别速度慢、识别准确率低的技术问题。该方法利用植被对不同波段和作物生长时间的敏感性将植被区的时间序列刻画的更为精准。通过确定作物的生长盛期，对用地类型进行分类，将目标区域划分成植被区，并对植被区进行划分，得到农田和非农田区域，由于农田撂荒过程的复杂性，本技术基于时序异常检测算法，利用已分类的农田分布时空叠加得到最大农田面积作为农田的最大阈值，通过时间轨迹获取农田的增减变动情况，可以快速捕捉农田撂荒的时空变化特征，依据农田的最大阈值与年际农田减增情况将撂荒地进行准确提取，从而准确获得该农田不同时间序列上的撂荒地分布。