丘陵地区是山地和平原的过渡地带。坡地是最普遍的土地类型，而一些坡地地区则表现出土地破碎、土地覆盖类型交错分布、作物类型多样、种植结构复杂等特点。一些丘陵地区长期被云层覆盖，这些复杂的环境造成了地形边缘化和严重的土地撂荒。丘陵区撂荒地对有限的人均耕地资源和比重较大的坡耕地国家和地区具有显著的负面影响。

    针对以上问题，本研究以四川盆地中部，涪江中游为研究区，作者提出了一种新的方法，集成线性拉伸（LS），最大值合成（MVC），灵活的时空数据融合（FSDAF）的时间序列变化分析和提取的空间分布的废弃地。选择MOD09GA、MOD13Q1和Sentinel-2作为遥感图像的基础，融合每月10 m的时空数据集，三个植被指数（VIs：ndvi、savi、ndwi）被用作识别废弃土地的措施，建立了多时空尺度的样本数据库，利用支持向量机（SVM）从耕地和林地中提取废弃地。作者将废弃地定义为耕地没有耕种或林地破坏，由于砍伐，火灾，和其他因素超过一年。

提出了集成线性拉伸（LS）、最大值合成（MVC）、灵活的时空数据融合（FSDAF）的时间序列变化分析的新方法。

耕地种植表现出明显的周期性，可通过Sentinel-2真彩色图像中作物种植周期来识别。此外，耕地颜色较浅，亮度较高，纹理连续性好，整体形状呈四边形，边界明显。当Sentinel-2影像不清晰时，可通过Google正射影像和无人机影像进一步识别耕地。6 - 8月Sentinel-2真彩色影像中林地颜色为绿色，一般位于相对较高的海拔，同时，林地在Google正射影像和无人机影像上呈现一定的集群形状，可以进一步识别。弃耕地呈绿色至深褐色，纹理特征斑驳，无明显边界线，在认识上容易与耕地、林地混淆。为了进一步识别，使用时间序列Sentinel-2真彩色图像进行初步筛选，还使用了Google正射影像和无人机图像。

不同时刻的遥感图像所对应的太阳几何位置不同，地表覆盖物辐射量随时间的变化，导致不同遥感图像的辐射量存在差异，如果不消除差异而是直接执行MVC，则可能形成成块误差。

通过Ls+MVC获得了Sentinel-2图像的每月ndvi，包括多云图像（Sentinel 2-cloud-ndvi）和无云图像（Sentinel 2-cloudfree-ndvi）。基于Sentinel 2cloudfree-ndvi和MOD 09 GA对应的ndvi组成的参考图像对，将MOD 13 Q1合成的月ndvi作为预测图像，使用FSDAF得到融合图像（FSDAF_ndvi）

在SVM分类和ArcGIS平台编辑的基础上，选择Ls+MVC+FSDAF的影像集，生成研究区废弃地分布图。经网格计算，研究区废弃地面积为6192公顷，占耕地和林地面积的9.65%，研究区废弃地分布较为分散，每个乡镇都有一定程度的废弃。

在这项研究中，Sentinel-2，MOD 09 GA和MOD 13 Q1被用作遥感数据源。利用LS+MVC+FSDAF方法获得了研究区10 m月空间分辨率的NDVI、SAVI和NDWI。为受云污染严重、植被多样、地块小的丘陵地区废弃地的快速提取提供了参考。根据研究的技术流程提取了弃耕地，为当地粮食生产和土地资源管理提供了可靠的数据支持。此外，根据撂荒地的空间分布和实地调查，提出了合理化建议，以改善当地种植条件，为繁荣当地经济提供技术支撑。为了进一步提取更大规模、更长时间序列的废弃地时空分布，GEE等大数据云处理平台将成为重要工具。去云算法、多源遥感数据融合算法、深度学习分类模型将进一步提高废弃地提取的准确性。