二十一世纪以来,随着经济和文化的飞速发展,城镇化的速度愈来愈快,农村劳动力不断转移,许多国家的部分地区开始出现大规模的土地撂荒现象。我国作为一个人口大国,人均耕地面积少,然而耕地撂荒的现象却时常发生,尤其是在地形复杂的山区。耕地撂荒现象不断发生,对社会、经济、生态环境造成严重危害,因此,获取撂荒耕地的空间分布及其变化特点,对于治理撂荒耕地,保护耕地资源具有十分重要的意义。采用遥感影像识别撂荒耕地是一种十分有效的方法,但是撂荒耕地是一种比较特殊的地类,撂荒耕地块通常呈现破碎性,并且分布范围零散,面积较小,需要具有高时间分辨率和高空间分辨率的遥感影像来进行撂荒耕地的识别,但是满足这种要求的遥感影像获取比较困难。因此,本文采用遥感影像时空融合方法,融合高时间分辨率的影像和高空间分辨率的影像,得到具有“双高”精度的融合影像,用来进行撂荒耕地识别的研究。本文以四川省茂县为例,通过自适应时空数据融合模型(STARFM)算法,利用高空间分辨率影像和高时间分辨率影像融合,得到了具有高时空分辨率的融合影像,并基于该数据提取得到研究区的NDVI时间序列数据,利用TIMESAT软件提取11种物候信息,并且结合其它信息(波段反射率,植被指数,地形信息)构建了不同的撂荒耕地识别模型(人工神经网络和随机森林),用来进行研究区撂荒耕地识别的研究,并探讨分析了研究区撂荒耕地空间分布特征。得到的主要成果如下:(1)自适应时空数据融合模型算法STARFM能够将高空间分辨率和高时间分辨率的单波段影像融合,得到具有“双高”精度的融合影像。本文通过该算法融合得到研究区红波段和近红外波段高时空分辨率影像,通过目视评价,散点图及相关系数,绝对误差均值和相对误差均值三种方法进行精度评价,发现该融合算法具有不错的融合效果,并且红波段融合影像的精度要高于近红外波段,说明该算法对于红波段的融合效果要优于近红外波段。(2)对于不同的模型,每种模型对撂荒耕地的识别精度也有所差异,本文将相同的样本分别输入人工神经网络模型和随机森林模型,随机森林模型总体精度为88.91%,Kappa系数为0.87,而人工神经网络的总体精度为79.73%,Kappa系数为0.76,因此本文选择随机森林模型进行撂荒耕地的识别。(3)对于不同的特征变量,每种特征变量对撂荒耕地的识别精度影响各不相同,它们对于撂荒耕地识别的重要性排序为:物候特征>波段反射率>地形信息>植被指数;总体精度:随机森林(全部特征变量)>随机森林(无植被指数)>随机森林(无地形信息)>随机森林(无波段反射率)>随机森林(无物候特征)。因此,利用所有特征变量协同作用的分类效果最好。(4)研究区的撂荒率为4.6%,撂荒耕地整体分布零散稀疏,没有出现较为集中的耕地撂荒现象。研究区撂荒耕地主要分布在耕地的边缘位置,并且大多数撂荒耕地处在海拔较高的中西部地区,而对于地势相对平坦的东部地区,撂荒耕地的面积较少。综上,研究区撂荒耕地块规则程度不高,并且在空间上呈现分布不均匀的特点。(5)研究区的地形对当地撂荒耕地的产生有一定程度的影响。研究发现,研究区的撂荒耕地面积以及撂荒率随着高程和坡度的增加,总体上呈现出上涨的趋势,其中,撂荒率随着高程增加出现了明显的上涨,而对于坡度的增加出现的上涨幅度并不明显。经统计,研究区的主要撂荒耕地位于高程大于2000m,坡地大于15°的地区。总体来说,研究区的耕地撂荒现象主要出现在海拔较高、坡度较大的区域,并且研究区在海拔较高的区域更容易出现耕地撂荒现象。