耕地是粮食安全的根基，也是自然资源监管的重点对象。如何利用免费遥感影像快速、准确地提取耕地范围并监测其年度变化，是每一位GIS与遥感从业者需要掌握的核心技能。本教程以欧洲航天局Sentinel-2卫星影像为数据源，以Google Earth Engine和QGIS为主要工具，手把手演示耕地提取与变化检测的完整流程。通过本教程，读者将掌握从数据准备、影像预处理、特征构建、分类模型训练到变化检测与成果制图的全流程技术方法。无论你是遥感初学者还是有一定经验的从业者，都可以通过本教程系统提升耕地遥感监测能力。

一、数据准备

1.1 Sentinel-2影像特点

Sentinel-2由两颗卫星组成，多光谱成像仪提供13个波段，空间分辨率分别为10米、20米和60米。其优势在于：免费且数据量大、重访周期短、拥有红边波段、Level-2A产品已进行大气校正。其中，红边波段对植被健康状态非常敏感，是区分耕地与其他地类的重要特征。双星组网条件下，研究区最快可实现5天一次观测，为时间序列分析提供了数据保障。与其他免费遥感数据相比，Sentinel-2在光谱分辨率、时间分辨率和空间分辨率之间取得了良好平衡，是耕地监测的理想数据源。

1.2 选择研究区与时间段

本教程以华北平原某县为研究区。选择作物生长旺季的影像，此时耕地植被覆盖度高、光谱特征明显，有利于与其他地类区分。建议选取云量低于10%的影像。如果研究区内云量较高，可以适当扩大时间窗口，或者采用多时相中值合成策略来降低云层影响。不同地区作物物候不同，选择影像时应结合当地主要作物的生长周期，确保影像能够反映耕地的典型光谱特征。

1.3 构建样本库

耕地提取需要训练样本。建议采集耕地、林地、草地、水体、建设用地、裸地、道路等地类样本。每个地类至少采集100个样本点，样本应尽量均匀分布在研究区内。为了提高分类精度，建议在影像上直接勾绘样本，或者结合Google Earth高分辨率历史影像进行目视判读。样本质量直接决定分类效果，应避免在边界模糊、地类混杂的区域采样。同时，样本应具有代表性，覆盖研究区内不同地貌、土壤、作物类型。

二、影像预处理与特征构建

2.1 去云与影像合成

在GEE中，使用QA60波段进行去云处理，并对生长季内多景影像取中值合成，获得无云、稳定的季节影像。去云的核心是通过位运算识别云和卷云像素，然后更新掩膜。中值合成相比均值合成更能有效抑制异常值和残留云的影响，是耕地提取常用的预处理策略。具体实现时，可以对QA60波段进行位运算，将云和卷云对应的像素掩膜掉，然后对剩余像元按时间序列取中值。

2.2 常用植被指数

耕地识别不仅依赖原始波段，还需要植被指数、水体指数、建筑指数等特征：

• NDVI反映植被覆盖度；
• NDWI区分水体与植被；
• NDBI识别建设用地；
• EVI减少高植被区饱和问题；
• 红边位置指数REP对作物长势敏感。

此外，还可以引入纹理特征、主成分特征、季相特征等，进一步提高分类精度。纹理特征可以反映地物的空间异质性，对于区分建设用地和裸地特别有效。季相特征则利用多期影像反映植被的物候变化，有助于区分耕地、林地和草地。

三、耕地提取：随机森林分类

3.1 算法选择

随机森林因其训练速度快、对噪声不敏感、可输出特征重要性，成为遥感分类的首选算法之一。在GEE中可以直接调用随机森林分类器，也可以导出特征数据后在本地用Python的scikit-learn库进行训练。随机森林通过构建多棵决策树并集成预测结果，有效降低了过拟合风险，对高维遥感特征具有较好的适应能力。

3.2 模型训练与验证

将样本点按70%和30%划分为训练集和验证集。训练分类器后，对研究区整景影像进行分类，得到耕地非耕地二值图。常见精度指标包括总体精度、Kappa系数、用户精度、制图精度和F1分数。一般而言，耕地提取的总体精度应达到90%以上，Kappa系数大于0.85。如果精度不足，可以尝试增加样本量、优化特征组合、调整分类器参数。特征重要性分析可以帮助识别对分类贡献最大的特征，从而指导特征优化。

3.3 后处理

分类结果常存在椒盐噪声。后处理步骤包括聚类过滤、形态学滤波、与耕地本底数据叠加修正。聚类过滤可以删除面积过小的孤立图斑，形态学滤波可以填补耕地内部的小孔洞并平滑边界，与国土调查数据叠加可以修正明显的分类错误。后处理是提高分类结果可用性的关键环节，需要根据研究区特点和成果用途选择合适的处理方法。

四、年度变化检测

4.1 直接分类后比较

分别对前后两期生长季影像进行分类，然后逐像元比较结果，得到变化图斑。变化类型包括耕地转建设用地、耕地转林地园地、非耕地转耕地、耕地内部类型变化等。这种方法简单直观，但受分类误差影响较大，两期分类误差会叠加到变化检测结果中。因此，分类后比较更适合变化剧烈、分类精度较高的场景。

4.2 光谱变化向量分析

除了分类后比较，还可以采用变化向量分析。计算两期影像所有波段的变化向量，结合主成分分析提取变化强度与变化方向，再设定阈值检测显著变化区域。这种方法不依赖分类结果，对变化信息的表达更为直接。阈值的选择对结果影响较大，可以结合目视判读和实地调查进行优化。

4.3 时间序列连续性检测

单一年度的影像可能受云、物候影响造成误判。利用Sentinel-2密集时间序列，结合植被物候曲线，可以更稳健地判断耕地是否发生真实变化。例如，耕地转为建设用地的典型特征是植被指数曲线从季节性波动变为全年低值。常用方法包括谐波分析、断点检测、LandTrendr等。时间序列方法可以有效减少单时相影像的偶然误差，提高变化检测的可靠性。

五、结果输出与制图

最终成果应包括耕地分布专题图、耕地变化图斑矢量文件、变化统计表、精度验证报告。建议使用QGIS进行制图，利用Print Layout功能导出高质量地图。专题图应包含图名、比例尺、指北针、图例、制图单位、制图时间等要素。变化图斑可以用不同颜色区分变化类型，并标注面积、位置等信息。

六、常见问题与优化建议

• 样本不足时，优先使用公开样本库进行迁移学习或半监督分类；
• 云覆盖高时，扩大时间窗口，使用多景中值合成或谐波拟合重建无云时间序列；
• 破碎耕地识别难时，结合高分辨率影像进行空间降尺度或面向对象分类；
• 南方水田与水体混淆时，引入短波红外波段和纹理特征提升区分能力；
• 耕地与园地混淆时，利用物候曲线差异进行区分。

七、扩展应用

掌握耕地提取与变化检测方法后，可进一步扩展到建设用地扩张监测、林地变化检测、湿地动态监测、城市热岛分析等领域。这些方法的核心思路都是一致的：选择合适的数据源、构建有效的特征、训练可靠的分类器、进行多时相比较。对于初学者，建议从单一地类提取入手，逐步掌握多分类和变化检测技术。

结语

耕地提取与变化检测是遥感GIS应用的经典场景。掌握Sentinel-2数据处理、特征工程、随机森林分类和变化检测方法，不仅能支撑耕地保护监管，也为自然资源调查、生态环境监测、碳汇核算等工作打下坚实基础。随着遥感技术和人工智能的发展，自动化、智能化的耕地监测将成为未来的主流方向。希望本教程能够为读者提供实用的技术参考，助力遥感GIS能力的提升。

八、精度提升策略

提高耕地提取精度是遥感应用的核心目标。除了上述特征工程和后处理方法外，还可以从以下几个方面优化：一是增加样本的代表性和数量，特别是在地类边界和复杂景观区域；二是采用集成学习方法，如随机森林与梯度提升树、支持向量机、神经网络等模型融合；三是引入更多数据源，如Sentinel-1雷达数据可以穿透云层，提供云雨天气下的观测数据；四是利用历史分类结果进行时序约束，减少单时相分类的偶然误差；五是结合专家知识和实地调查，对分类结果进行人工校验和修正。

在年度变化检测中，建议采用多种方法交叉验证。例如，将分类后比较与变化向量分析、时间序列分析方法相结合，综合判断变化的真实性和类型。对于重点变化图斑，还应结合高分辨率影像或实地调查进行核实，确保变化检测结果的准确可靠。

四、年度变化检测

4.1 变化检测方法

年度变化检测的核心是识别两个时相之间土地利用类型的转换。常用方法包括分类后比较、变化向量分析和时间序列分析。分类后比较法分别对两期影像进行分类，然后通过栅格计算得到变化图斑。这种方法直观易懂，但误差会累积。变化向量分析直接比较两期影像的光谱向量变化，可以识别变化强度和方向，但难以确定变化类型。时间序列分析则利用多年度影像数据，通过轨迹分析识别变化时刻和趋势，适合大尺度、长时序监测。

在GEE中，可以方便地获取多年度Sentinel-2影像，构建时间序列。通过Savitzky-Golay滤波或谐波拟合，可以去除噪声，提取年际变化信号。对于耕地变化检测，重点关注耕地转建设用地、耕地转林地、耕地撂荒等类型。不同变化类型在光谱轨迹上表现出不同特征，可以结合规则和机器学习方法进行综合判断。

4.2 变化图斑筛选与验证

初步检测得到的变化图斑往往包含大量伪变化，如云阴影、季节差异、分类误差等。需要通过面积阈值、形状规则、空间一致性检验等方法进行筛选。例如，耕地变化图斑通常具有一定面积，细碎图斑多为噪声。同时，可以结合已有土地利用数据、规划数据、遥感目视判读进行验证。对于重点区域或疑似变化图斑，建议开展野外实地核查，获取真实样本用于精度评定和模型优化。

为了提高变化检测的可靠性，还可以引入多源数据交叉验证。比如，结合夜光数据判断建设用地扩张，结合NDVI时间序列判断植被恢复或退化，结合行政区划和项目数据判断变化的合理性。通过多源信息融合，可以有效降低单一数据源的误判率。

五、成果制图与报告

耕地提取和变化检测的最终成果需要以直观的图件和报告形式呈现。常用成果包括：研究区耕地分布图、分类精度评价表、年度变化分布图、变化转移矩阵、变化热点区域图等。在QGIS中，可以利用布局功能制作专题地图，设置比例尺、指北针、图例、注记等要素，导出高分辨率图片或PDF。变化转移矩阵可以清晰展示各地类之间的转化关系，是土地利用变化分析的重要工具。

报告撰写应包括研究背景、数据源、研究方法、技术流程、精度评价、结果分析和结论建议等部分。建议采用图文结合的方式，突出技术创新点和实际应用价值。对于自然资源监管、耕地保护督察等实际工作，还应提出下一步工作建议，如重点核查区域、数据更新周期、方法改进方向等。

六、常见问题与解决方案

在实际操作中，耕地提取常遇到以下问题：一是云雨天气导致影像质量差，解决方法是增加时间窗口、采用SAR数据辅助或多时相合成；二是山区阴影和地形影响，可以通过地形校正或引入DEM数据改善；三是作物类型复杂导致耕地与其他植被混淆，可以结合物候特征和专家知识提高精度；四是建设用地与裸地光谱相似，可以引入纹理特征和形状特征加以区分。

变化检测中的常见问题包括：分类误差累积、伪变化点多、变化类型判定困难等。解决这些问题需要综合运用质量控制、样本优化、后处理和多源验证等手段。此外，算法的可重复性和可移植性也很重要。建议将处理流程脚本化，记录参数设置，便于在不同研究区推广应用。

七、进阶方向

对于希望深入学习的读者，建议进一步研究深度学习在遥感影像分类中的应用，如卷积神经网络、U-Net、DeepLab等模型。近年来，基于Transformer的遥感大模型也取得了显著进展，在耕地提取、变化检测等任务中展现出强大性能。此外，Sentinel-2与Landsat数据的融合使用，可以兼顾高时间分辨率和高空间分辨率，进一步提升变化检测的可靠性。掌握这些方法，将使你在GIS和遥感领域具备更强的竞争力。

未来，随着卫星遥感技术的进步和人工智能算法的发展，耕地提取与变化检测将更加自动化、智能化。多时相、多源、多尺度的数据融合将成为主流，云端计算平台将降低数据处理门槛，开放数据集和预训练模型将加速技术普及。GEO教程将持续推出更多实用教程，帮助读者掌握前沿技术，服务自然资源管理和生态文明建设。