吕 冰

(广州南方测绘仪器有限公司，广东 广州 510665)



阜新市重点沙化地区遥感监测

吕 冰

(广州南方测绘仪器有限公司，广东 广州 510665)

利用2003/2008/2013年中、高分辨率，多源、多尺度遥感影像、地理国情普查数据以及其它专题资料，采取内、外业相结合的方式，利用决策树模型提取不同地区沙化信息。最终通过该沙化信息了解研究区沙化现状，实现沙化动态监测，并结合相应的防沙治沙措施分析不同方法对不同地物类型防沙效果的优劣，方便决策者因地制宜地制定防沙治沙方法，以便取得最优的治理效果。此外，在现有环境稳态的基础上，建立沙化转移矩阵，在环境稳态不改变的条件下，预测研究区沙化趋势。结果表明，2016年沙化状态有所减轻。

沙化；遥感监测；决策树；预测

中国是世界上土地沙漠化较重的国家之一，国家采取一系列措施，投入大量的人力物力来治理沙化，因此迫切地需要实时掌握其治理成效，以便随时调整治理策略，提高沙化治理效率。为了实现大尺度实时监测，在研究土地沙漠化的过程中，遥感技术可以实时监测沙化区域变化情况，可以最快的速度对其结果进行更新，其较强的时效性大大降低监测的经济成本，提高监测以及相关治理的效率。此外，快速获取已经沙化或者有沙化趋势的土地分布范围和面积，定期、及时地掌握沙化土地以及有沙化趋势地区的现状和动态变化信息，能够为决策、监督和管理提供及时、准确和全面的信息，为防沙治沙提供可行的方案[1-3]。

1 研究区概况

阜新市地处辽宁省西北部，处于温带半湿润、半干旱大陆性季风气候区，四季分明，雨热同季，光照充足，冬季寒冷少雪，以北风为主导风向；春季干旱少雨，多大风天气；夏季炎热多雨，西南风为主；秋季较凉，降水明显减少。阜新属于东北平原，地势北高南低，东西丘陵，中、南部为平原，北部是沙土地。大体可以概括为“三丘、三沙、四平洼”。主要土壤类型为风沙土、草甸土等，由于土壤沙化形成沙生植被。

2 研究方法

2.1 遥感监测指标确定

目前用于获取植被覆盖的方法主要是计算植被指数(VI)。植被指数是植被在可见光、近红外波段的反射强度与土壤背景之间差异的表现，可以通过红外和近红外波段组合获得。通过植被指数求出植被盖度，从而获得沙漠化程度信息，其中NDVI是最为常用的植被指数[4-5]。

NDVI是检测植被生长状态、植被覆盖度和消除部分辐射误差等土地覆盖植被状况的一种遥感指标，利用植被在第三波段大于第四波段的光谱亮度值，能表现出植物冠层的背景影响。

(1)

式中：NIR是近红外波段值;RED是红光波段值。

归一化建筑指数可以较为准确地反映建筑用地信息，数值越大表明建筑用地比例越高，建筑密度越高。算式为

(2)

式中：NIR表示近红外波段的反射率；MIR表示中红外波段的反射率。

缨帽变换(K-T变换)可以完成不同程度沙化土地信息的提取。缨帽变换是基于主成分分析的线性变换，数据变换后的前3个特征分量KT1，KT2，KT3包含的信息分别代表亮度、绿度和湿度。KT1为亮度指数，反映地物总体反射率的综合效果；KT2为绿度指数，与地面植被覆盖、叶面积指数及生物量有很大关系；KT3为湿度指数，反映地面水分条件，它对土壤湿度和植被湿度最为敏感，常被用于沙化研究。以此3个分量作为TM数据进行缨帽变换后的新空间，可以对植被、土壤等地面景物做更为细致、准确的分析，应用该种处理方法可增强影像深色区域的信息。

2.2 沙化分类体系的建立

轻度沙漠化：是指植被总盖度>50%，沙漠化的程度较轻微，基本无风沙流活动的沙化土地[6-7]；中度沙漠化：是指30%<植被总盖度≤50%，沙漠化的程度正在进一步发展中，植被有些退化的土地；重度沙漠化：是指10%<植被总盖度≤30%，达到失衡状态，风沙流活动明显或流沙纹理明显可见的沙化土地。极重度沙漠化：是指植被总盖度<10%，沙漠化的过程处于极重度，风沙流活动的特别明显。

2.3 绘制光谱特征曲线

本文在野外实验数据和沙漠化土地光谱机理理论的基础上，通过对不同植被盖度沙漠化地表光谱信息的分析，对不同类型的土地及背景资料进行光谱灰度值采样，了解和掌握研究区沙漠化土地的光谱特征，为沙漠化土地信息提取提供思路[8]。

由于地物的成分、走向纹理、状态、表面特征及电磁波波段的不同，地物所发射出来的辐射值也有不同。利用光谱特征曲线能更好地确定不同沙化等级在不同植被指数之间的差异情况。

图1为不同沙化等级光谱特征曲线图，图中不同沙化等级在各个波段和各个监测指标值中有明显反差，由于NDVI值是浮点型数据，范围在-1～1之间，而图上特征值区间较大，因此产生归一化植被指数显示相差不大的情况。实际上，重度沙化的NDVI值趋近于0，能够很好地反应出土地覆盖植被情况。

图1 不同沙化等级光谱特征

根据获取的轻度沙化的样本点与影像进行叠加，绘制轻度沙化不同用地类型的光谱特征曲线，如图2所示。不同用地类型的轻度沙化样本虽然光谱特征的变化趋势相同，但是在KT1指标中有明显差异，因此，根据不同的用地类型，进行轻度沙化信息提取，计算样本点的KT1指标平均值，以确定决策树阈值。

图2 轻度沙化不同样本点光谱特征曲线

图3为监测区域中度沙化不同样本点的光谱特征曲线图，中度沙化的耕地和草地有着不同的光谱差异，因此，从不同用地类型中提取中度沙化信息。

图3 中度沙化不同样本点光谱特征曲线

如图4所示，裸土样本1为水域周围存在的泥土地表，而裸土样本2为沙质地表，二者存在相同的光谱特性，因此对重度沙化区域进行直接提取。

图4 重度沙化不同样本点光谱特征曲线

2.4 沙化信息提取

2.4.1 建立沙化信息提取模型

利用湿度指数将研究区域的水体区域和非水体区域进行区分：非水体区域中，通过绿度指数可将研究区域的植被覆盖区域与非植被覆盖区域进行划分；植被区域中根据归一化植被指数将研究区中的轻度沙化和中度沙化区域提取出来；而非植被覆盖区中，利用归一化建筑指数，将研究区域中的非沙化用地和重度沙化区域划分出来。模型如图5所示。

2.4.2 研究区域信息提取成果

根据决策树分类模型，结合不同沙化等级的地物光谱特征曲线，基于沙化体系分类标准，对三期多光谱影像进行沙化提取(见图6)，成果如下：

1)2003年沙化总面积为541.07 km2，其中，轻度沙化面积为250.769 km2，占总面积的43.96%；中度沙化面积为224.049 km2，占总面积的39.3%；重度沙化面积为66.252 km2，占总面积的11.6%。

2)2008年沙化总面积为543.731 km2，其中，轻度沙化面积为428.647 km2，占总面积的75.248%；中度沙化面积为87.753 km2，占总面积的15.405%；重度沙化面积为27.331 km2，占总面积的4.798%。

3)2013年研究区域总面积为570.4 km2，其中沙化总面积为548.296 km2，轻度沙化面积为464.770 km2，占总面积的81.5%；中度沙化面积为82.725 km2，占总面积的14.5%；重度沙化面积为0.818 km2，占总面积的0.14%。

图5 决策树分类模型

图6 三期多光谱影像沙化提取结果

2.5 精度验证

野外检验过程实际是分两个阶段完成的，分别在遥感解译前和遥感解译后。图7为样本点的分布图，选取的原则为满幅均匀选取。本文研究区总面积为570.4 km2，于2015年7月，采集野外样本点为274个，计算样本点的植被总盖度。以样本点为中心，取100 m×100 m的样方区域，计算该样方的植被总盖度作为样本点的植被盖度，根据样本点的植被盖度，结合《辽宁省第五次荒漠化和沙化监测实施细则》中的技术指标，确定监测区域沙化等级分类规则，从中选取不同用地类型、不同等级共50个有代表性的样本点作为计算机自动化信息提取监督分类样本点，其它224个作为精度检验点。

图7 野外样本点分布图

本文精度评价选取总体精度指标和Kappa系数指标进行客观的精度验证。Kappa系数作为一个综合性指标，它是通过利用一种离散的多元技术从客观的角度对分类成果进行评估，充分利用混淆矩阵中的所用数据对成果数据进行精度描述[9]，Kappa系数算式为

(3)

式中：n代表用于精度评价的总对象数目;k表示混淆矩阵的总列数即分类总类别数目，aii代表混淆矩阵对角线上对象的数目即正确分类对象数目，ai+和a+i分别代表混淆矩阵中第i行与第i列的总对象数目。Feinstein所提出的Kappa系数分类标准如表1所示,表2为精度评价结果。

表1 Kappa系数分类标准

表2 精度评价结果

3 分析与预测

3.1 2003、2008、2013年沙化动态变化分析

根据3年的信息提取成果，对比分析研究区域沙化等级变化，2003—2013年研究区域沙化变化面积对比分析见表3。

表3 2003—2013年沙化等级面积对比表 km2

如表3所示，2003年研究区域轻度沙化和中度沙化面积比例接近1∶1，同时重度沙化土地面积为66.252 km2，占总面积的11.6%；2008年监测区域轻度沙化比例大幅度增加，重度沙化土地面积也有所减轻，占总面积的4.8%；2013年重度沙化土地面积缩减到0.818 km2，仅占总面积的0.14%。中度沙化与2008年相比持平，具体变化信息见表4、表5。

表4 2003—2008年沙化等级面积转移矩阵 km2

表4为2003—2008年监测区域沙化等级状态转移矩阵，横轴为2003年等级走向，纵轴为2008年不同等级来源。从表4中可以看出，2003年的中度沙化土地中有151.879 km2在2008年中转变为轻度沙化土地；2003年重度沙化土地中有44.541 km2在2008年中转变为轻度沙化土地，17.379 km2转变为中度沙化土地，转变趋势较明显。

表5 2008—2013年沙化等级面积转移矩阵 km2

表5为2008—2013年监测区域沙化等级状态转移矩阵，横轴为2008年等级走向，纵轴为2013年不同等级分布。从表5中可以看出，2008年中的中度沙化土地的45.348 km2在2013年转化为轻度沙化土地；2008年中的重度沙化土地的22.803 km2在2013年转化为轻度沙化土地，3.907 km2转化为中度沙化土地；从表5的情况来看，2008年与2013年中度沙化面积变化不大，而实际上是等级存在变化，而面积保持平稳状态。

表6为2003—2008年重度沙化土地转为轻度沙化面积及2008—2013年重度沙化转为轻度和中度沙化面积。

表6 2003—2008/2008—2013重度沙化转为 轻度和中度面积统计 km2

3.2 2018年沙化预测分析

研究区域沙化预测分析模型是基于马尔科夫链模型的基础上建立的。马尔科夫模型是一种应用较广的随机模型，是具有无后效性和时齐性的随机过程。它通过对系统不同状态的初始概率以及状态之间的转移概率的研究来确定系统各状态变化的趋势，从而达到对未来趋势预测的目的。其基本方程为

(4)

表7 沙化等级转移概率矩阵 km2

根据表7，结合监测区域沙化现状，对2018年监测区域沙化等级面积情况进行预测，预测成果如表8所示。

表8 2018年监测区域沙化等级预测统计 km2

2018年轻度沙化面积将达到469.526 km2，占总面积的82.4%，中度沙化面积减少，沙化程度减轻，而重度沙化所占比例近乎为0，阜新市重点沙化区域沙化程度未来将会进一步减轻。

4 结 论

本文在已有沙化监测理论和实践的基础上，对阜新市重点沙化地区变化监测进行研究。以Landsat系列遥感影像作为基本数据源，依据阜新地区沙化监测技术指标、地表覆盖数据和地理国情要素数据，对阜新市重点沙化地区进行沙化遥感监测，具体研究内容包括：在野外样地调查和分析沙化土地及常见地物光谱特征的基础上，对影像进行缨帽变换(K-T变换)，提取亮度、绿度、湿度特征变量，并提取归一化植被指数等用于沙化信息提取及特征变换，建立决策树分类模型，实现对研究区域三期沙化专题信息的自动提取。研究结果表明，沙化速度变缓，沙化土地有明显改善。

[1] 朱金峰.巴丹吉林沙漠边缘地区近20年土地沙漠化遥感监测研究[D].兰州：兰州大学，2011.

[2] 朱金峰,王乃昂,陈红宝,等.基于遥感的巴丹吉林沙漠范围与面积分析[J].地理科学进展,2010,29(9):1087-1094.

[3] 李金亚，徐斌.锡林郭勒盟草原沙化动态变化及驱动力分析：以正蓝旗为例[J].地理研究,2011(2):10-14.

[4] GEIST H J，LAMBIN E F.Dynamic causal patterns of desertification[J].Bioscience ，2004 ，54 ：817-829.

[5] 韩兰英，万信，方峰，等.甘肃河西地区沙漠化遥感监测评估[J].干旱区地理，2013,36(1):131-138.

[6] 陈丽珍，陈云.基于遥感技术的厦门市植被覆盖变化监测[J].测绘与空间地理信息，2015,38(1)：175-127.

[7] 刘斌，孙艳玲，王永财，等.基于SPOT/NDVI华北地区植被变化动态监测与评价[J].干旱区资源与环境，2013，27(9)：98-103.

[8] 贾树海，韩志根，吕默楠，等.基于决策树的辽宁省北部沙漠化信息提取研究[J].生态环境学报，2011,20(1)：13-18.

[9] 张严俊,塔西甫拉提·特依拜，夏军,等.中亚地区土地沙漠化遥感监测：以土库曼斯坦为例[J].干旱区地理，2013,36(4)：724-730.

[责任编辑：张德福]

Remote monitoring of desertification in Fuxin region

LYU Bing

(South Surveying and Mapping Instrument Co. Ltd., Guangzhou 510665, China)

A decision tree model is proposed to extract the desertification data from different regions by means of fieldwork and office work. The data covers kinds of high-resolution, multi-scale remote sensing images and the geographic census information in the years of 2003, 2008 and 2013. Thus the desertification information in given region will be obtained in order to make the dynamic monitoring. The relative preventions against different regions decide the final countermeasure in the optimum way. In addition, based on the current environmental steady-state, this paper establishes a desertification transfer matrix to predict the desertification trend in the targeted region. The results show this trend has been proportionally reduced since 2016.

desertification; remote monitoring; decision tree; prediction

10.19349/j.cnki.issn1006-7949.2017.02.007

2015-12-02

吕 冰(1974-)，男，工程师.

TP79

A

1006-7949(2017)02-0028-05

引用著录：吕冰.阜新市重点沙化地区遥感监测[J].测绘工程，2017，26(2)：28-32，36.