上半年种、下半年荒，这类地影像分得出来吗

一、两张几乎一样的图

先讲一个真实场景。

有两个地块，都在坡上，面积接近，形状也像。调当期影像一看，两块都是绿的，覆盖度也差不多。

一块是常年不种的，草长得旺，还会越长越乱。另一块是上半年种了玉米，收完之后闲着，地里是收后的残茬加杂草。

单看这一期影像，分不出来。算法给的结果也很接近。

但这两块地在统计上的意义完全不同。前者是长期闲置，后者是正常的轮作休耕，算进"未利用"和算进"耕地"是两个结论。差了这一个判断，一个县的数据可能就偏出几万亩。

二、为什么单期影像分不出来

原因在光谱上。

绿色植被的光谱特征都差不多——可见光吸收多、近红外反射强，各种绿色植物在这两个波段上的表现高度相似。玉米、杂草、灌木，只要长势接近，光谱曲线就贴在一起。

影像能区分作物和裸地、水体和植被，但区分"这块绿是草还是苗"，需要的不只是光谱，还有结构信息。而在中低分辨率下，结构信息基本被抹平了。

所以判错的根源不是算法不够强，是输入的信息不够。同一时刻的一张照片，本来就不包含"这块地今年种过没有"这个问题的答案。

那多拍几期行不行？这就是下一步要讲的事。

要回答这个问题，得换一个维度——时间。

三、多时相是怎么把两类地分开的

思路不复杂：不看一张，看一串。

耕地和荒地在时间序列上的表现完全不同。

地块被耕种的时候，一年里会有明显的节奏：播种期地表裸露、出苗后绿色快速上升、生长期覆盖度维持在高位、成熟期绿色回落、收获后地表又变回裸地或者残茬。这个曲线起伏大，拐点清晰。

常年闲置的地块，节奏就平得多：春天返青、夏天旺长、秋天枯黄、冬天休眠，跟着气候走，没有人工干预带来的突变。它的曲线是缓慢的、连续的一条波。

把同一地块两年、三年的曲线放在一起比，"有没有人工干预期"就显出来了。

为什么不直接看纹理？因为在这个分辨率下，纹理信息基本被抹平了。分辨率够高的时候，作物行距、垄向这些结构特征能辅助判断；但常用的米级数据下，一块地的内部细节看不太出来，只能靠时间上的差异来补。

还有一个更直接的指标，是年内的最小覆盖度。种过的地，播种前后会有一段时间覆盖度接近裸地——那是翻耕和播种留下的窗口。没种过的地，这个窗口不存在，全年绿度都不低。

短期闲置的关键识别点也在这里。上半年种过，说明这一季有耕作行为。它的年序列里，会出现一段"先裸后绿再裸"的完整过程。常年荒地没有这个结构。

四、时相数量和窗口，两个硬参数

要在作业里做这件事，参数得定清楚。

先说时相数量。一年只取两期影像，不足以判断耕作行为。一般需要覆盖关键物候期的多期数据，通常五到八期是比较可操作的量。期数太少，曲线的拐点会丢；期数太多，云量导致可用样本反而下降。

再说时相分布。简单说就是"关键期不能缺"：播种前后的裸地期、出苗后的快速上升期、成熟期。这三个窗口如果缺一个，判断的可信度就掉。

时间分辨率上，目前常用的影像重访周期在几天级别，理论上一年能拿到几十期。但可用期数受云量、轨道、数据质量影响，实际能用上的往往打个对折甚至更多。

空间分辨率上，地块特别碎的地方要小心。一块只有几分的地，如果影像分辨率是米级，一个像元可能跨到隔壁地块，"这块地"和"那块地"的曲线就混了。这种地方要么用更高的分辨率数据，要么靠人工辅助判断。

还有一个容易被忽略的参数是波段。常用的近红外波段对植被敏感，是判断绿度的主力。红光和近红外的组合，能算出一个反映植被活力的指数，这个指数比单看某一波段的灰度值稳定得多。作业里说的"绿度曲线"，多数就是基于这个指数做的。

绿度指数还有一个好处：它是相对量，不是绝对量。同一块地去年和今年比、这块地和隔壁比，都成立。这比绝对值更好用，因为绝对值受大气和成像条件影响很大，同一天拍的两次都可能不一样。

五、一次作业的复盘

去年我们在一个丘陵县配合做过撂荒核查，前后用了两周。

第一周先做数据准备。调了两年内多期影像，去除云量高的，能用的留下十几期。逐期做地块级统计，生成每块地的绿度曲线。

第二周开始判断。按曲线形态分了三类：有明显耕作节奏的、曲线平缓的、介于两者之间的。

问题出在第二类里。有一批地块曲线很平，按模型判断是长期闲置。但当地反馈说这些地块是种了果树的，只是还没进入盛果期，树冠小，覆盖度上不去。

这是一个容易踩的坑。果树这类多年生作物，年内的绿度变化本来就平缓，跟荒地在曲线上有点像。区分它们的办法是看多年趋势——果树是逐年往上走的，荒地在低位徘徊。这个判断需要三年以上数据，两年不够。

后来我们把这一批单独拎出来，结合当地果园台账和无人机抽查，改正了几百亩。

另一个情况更有意思。有块地当年判为耕地，第二年复查时曲线突然变平了。我们以为是模型出错，实地一去，是农户把地流转出去了，新承包方当年没种。这不是算法问题，是真实变化，正是因为做了多期对比才发现的。

六、这笔账怎么算

人工跑撂荒核查是什么样的效率？

一个乡镇跑一遍，看过来的经验，山区三四个人要跑一两周，平原快一些，也要一周左右。按地块算，一个人一天在山区核几十块，平原能到上百块，一个中等乡镇动辄几千块地，工作量摆在那里。而且判断标准不容易统一——不同的人对"这块算不算荒"看法会不一样。

用多时相预筛之后，人工只需要进"判不准"的那一批。粗算下来，人工核查的工作量能压到原来的三到四成。省下来的时间，可以放在真正需要现场确认的地方。

准确性上也有改善。人工判断的主观差异，在预筛环节被拉平了——同一套曲线、同一套规则，出来的结果至少在口径上是一致的。这对于需要跨区域汇总的统计工作很重要。

对管理方来说，更大的价值是可比性。同一套方法，今年和明年跑出来的结果能放在一起看，变化趋势才站得住。

七、几条要提醒的

第一，两年数据不够。三年起步更稳，尤其是要区分果树和荒地的情况。

第二，关键物候期不能缺。宁可减少总期数，也要保住播种期和收获后这两个窗口。

第三，碎地块要提前处理。分辨率不够的地方，要么换数据，要么把这块排除在自动判别之外，直接转人工。

第四，判定结果要能被复核。曲线、取值、判定依据都要留档，不然出了分歧没法解释。这也是后期数据质量抽查时最容易被问的地方。

补充一个数量级参考：一个县如果有一万块地纳入核查，按两成抽取做实地核验，就是两千块。山区一块地核验要十几分钟，两千块就是几百个人天。这个量级决定了核验比例不能随便往高了定，得跟工期和人力对得上。

八、我们在做什么

时维遥感做农业遥感与农业数据服务。多时相影像分析、地块级变化检测、作物分布提取、撂荒地核查，都属于我们日常在做的方向，服务对象包括农业统计调查机构、农业主管部门和涉农保险机构。

九、最后一句

上半年种、下半年闲，这类地在一期影像里确实看不出来。它需要的不是更清楚的图，而是一条更长的线。把时间这个维度加进来，两类地就分开了。

时维遥感——遥感+AI，让农业更智慧