尼加提·穆合塔尔，周 迪，余 洁,,4,5*，朱 琳,,4,5

（1.首都师范大学 资源环境与旅游学院，北京100048；2.首都师范大学城市环境过程与数字模拟国家重点实验室培育基地，北京100048；3.首都师范大学 地球空间信息科学与技术国际化示范学院，北京100048；4.首都师范大学三维信息获取与应用教育部重点实验室，北京100048；5.首都师范大学资源环境与地理信息系统北京市重点实验室，北京100048）

我国是世界上荒漠化面积最大、受影响人口最多、危害程度最严重的国家之一。截至2004 年，全国荒漠化土地总面积为263.62×104km2，占国土总面积的27.46%[1]。新疆作为我国土地荒漠化最严重的省区，轻度荒漠化面积为82 081.10 km2，占新疆总面积的5.69%；中度荒漠化面积为239 066.70 km2，占比为16.58%；重度荒漠化面积为478 421.87 km2，占比为33.19%；极度荒漠化面积为311 588.44 km2，占比为21.61%；重度以上荒漠化面积达790 010.31 km2，占新疆总面积的47.45%[2]。塔克拉玛干沙漠地处欧亚大陆腹地，降水稀少，蒸发极其强烈，空气十分干燥，且日照时间长，昼夜温差大，属于极端干旱区[3]。沙漠边缘的村庄常年遭受沙漠化的威胁，这些地区由于干旱少雨、风沙侵蚀严重，导致植被稀少、植树成活率低、成林周期长。人工铺设防沙带是目前行之有效的防沙固沙、防治沙漠化的办法[4-6]。防沙带的分布情况和建设面积则是评价沙漠化防治工作的重要指标。由于防沙带铺设于沙漠地区，常规的实地调查方法操作难度大、成本高，因此利用遥感高分辨率影像进行防沙带计算机自动识别成为一种有效的技术方法。

防沙带利用短芦苇杆或尼龙网方格做成“田”字格，规则地铺设在沙漠地区的村庄边缘以及沙漠公路两旁，在高分辨率遥感影像上较容易目视判别出其排列情况，但目视判别工作强度大、效率低、受人为因素的影响大，不适用于大范围的防沙带识别[7]，因此计算机自动识别方法成为解决该问题的手段。防沙带在整体上虽然以规则形状排列，但不同区域的防沙带存在纹理特征不同的特点，早期铺设的防沙带由于防沙固沙效果的显现，有的内部长出植被；新铺设的防沙带纹理特征更趋向于沙漠的纹理，因此遥感影像上每块防沙带区域内部的颜色和纹理均不尽相同，这就增加了计算机自动识别的难度。

最大似然法作为遥感图像监督分类识别中的一种经典算法，具有稳定性高、工作量小、分类速度快的特点。然而，由于高分辨率遥感影像的细节特征突出，丰富的地表覆盖细节信息使得遥感影像中同一地物目标内像素光谱测度变异性增大，将带来像素类属的不确定性，存在严重的“同物异谱”与“异物同谱”现象，从而导致传统的监督分类识别方法在高分辨率遥感影像上错误识别的概率增大。

人工神经网络具有抗干扰性强、容错性高、并行分布式处理、自组织学习和分类精度高等特点，且无需就模型做出假定，无需考虑数据是否存在正态分布或连续性分布[8]。在计算均值和方差时采用多次迭代，可减少错误识别的概率。人工神经网络方法能较好地解决高分辨率影像中“同物异谱”与“异物同谱”的问题，其自组织学习的特点能更好地识别与样本具有一定光谱差异的同类地物，能同时兼顾防沙带的空间纹理和光谱特征。

综上所述，本文以GF-1 号遥感影像为数据源，利用人工神经网络方法对新疆和田洛浦县英兰干村周围沙漠地区防沙带进行了识别，并与目视解译得到的防沙带分布情况进行对比，以验证其识别精度；再与最大似然法的识别结果进行比较，以探讨人工神经网络方法识别防沙带的有效性，为今后进行大规模防沙带识别和年际动态监测提供方法参考，为新疆地区沙漠化防治工作提供技术支持。

1 研究区概况

本文选取的研究区位于新疆洛浦县英兰干村周边沙漠区域、昆仑山北麓、塔里木盆地边缘，地处79°59′～81°83′E，36°30′～39°29′N（图1a）。洛浦县属极度干燥的大陆性气候，四季分明、昼夜温差大，光能和热能资源丰富，空气干燥、蒸发量大，多沙暴、多浮尘。在这种自然地理环境下，沙漠边缘村庄常年遭受着沙尘暴的侵袭，沙漠化问题严峻，严重影响着当地经济发展和人们的生活。利用芦苇杆或尼龙网方格等紧密排列围成方格的防沙带，可一层一层地阻挡飞沙侵蚀，将流沙固定在方格内，防止沙漠扩张（图1b）。

图1 研究区概况

2 数据来源与预处理

本文选取的GF-1 号遥感影像为洛浦县英兰干村及其周边的防沙带建设区域，如图2a 所示，成像时间为2016-05-14，全色分辨率为2 m，多光谱分辨率为8 m，成像质量好。GF-1 号卫星的主要技术特点为单星上能同时实现高分辨率与大幅宽的结合，2 m 高分辨率实现了大于60 km 的成像幅宽，16 m 分辨率实现了大于800 km 的成像幅宽，无地面控制点50 m 图像定位精度可满足用户精细化应用需求，达到了国内同类卫星的最高水平[9]，具体参数如表1、2 所示。

表1 GF-1 号卫星轨道参数

表2 GF-1 号卫星波段参数

本文利用ENVI 5.2对GF-1 号遥感数据进行裁剪、大气校正、辐射定标、正射校正和影像融合等预处理工作。所裁剪的研究区长度约为19 km，宽度为10 km，如图2a 矩形红框所示。由于成像区域为沙漠地区，无云雾覆盖成像质量好，因此可直接进行快速大气校正。辐射定标是指将卫星传感器响应的DN 值转换为具有一定物理含义的表征量，如辐亮度、反射率等，本次辐射定标将DN 值转换为反射率。ENVI 目前支持的正射校正包括严格轨道模型和RPC 有理多项式系数两种模型。GF-1 号遥感数据自带RPC 文件，结合ENVI 自带的全球900 m 分辨率DEM 数据进行正射校正可得到理想效果。本文中影像融合采用的方法是NNDiffuse Pan Sharpening 变换，即基于最近邻扩散的全色锐化。该方法支持多种传感器以及国产卫星数据，且融合结果对于色彩、纹理和光谱信息均能很好地保留。经预处理后的研究区如图2b 所示。

3 研究方法

本文利用ENVI 平台进行遥感影像处理和防沙带识别，识别结果分析和精度评价通过ArcGIS 软件实现。利用ENVI 5.2 平台对GF-1 号遥感影像进行预处理，在预处理后的影像中选取防沙带、居民用地和荒漠3 类样本，并计算3 类样本的可分离性系数。经计算可知，3 类样本的可分离性系数均大于1.9，可用于后续的计算机识别。采用人工神经网络方法和最大似然法分别对防沙带进行识别，并将识别结果进行矢量输出，以备后续精度评价与分析使用。

图2 研究区遥感影像

3.1 防沙带的人工神经网络识别

由于传统监督分类方法识别高分辨率影像中防沙带时存在“同物异谱”和“异物同谱”的不足，本文采用人工神经网络方法进行防沙带识别，并探究其对防沙带识别的有效性。

人工神经网络属于非参数分类器，近年来在遥感影像分类识别领域开始得到深入的应用[10]。人工神经网络利用多个神经元构成一个神经网络层，通过多个神经网络层的连接计算以及误差的反向传播实现了对复杂概念的逼近模拟。根据人工神经网络中不同层的作用差异，可将其划分为3 类：输入层，用于获取数据输入；隐含层，负责特征的提取和综合运算；输出层，利用隐含层输出的特征计算最终结果。利用人工神经网络方法识别防沙带时，其输入层从目标栅格获取该位置的各项因子，即该栅格的4 个波段参数，将数据输入至神经网络进行估计运算，再将输出结果与防沙带样本的反射率进行比较，然后根据其误差反向传播调整整个神经层中的各项权重参数。该过程将使人工神经网络识别的结果逐步逼近防沙带样本的值。

本文在ENVI 平台运行人工神经网络进行识别分类，并对得到的结果进行卷积滤波，以减少“椒盐”现象，进一步提升识别精度；再将防沙带的识别结果进行矢量输出，如图3a 所示。为了进行对比分析，本文利用相同的训练样本，采用传统监督分类方法中的最大似然法进行分类识别，并将最大似然法的识别结果进行与人工神经网络方法相同的卷积滤波处理，再矢量输出，如图3b 所示。

3.2 防沙带的目视解译

经过融合处理后，本文选用的GF-1 号遥感数据可得到2 m 彩色图像。由于防沙带铺设于沙漠地区，纹理结构易于辨认，且研究区无云雾遮挡，地物类型简单，因此通过目视解译可获得精准的防沙带铺设情况（图4）。该目视解译结果可用于人工神经网络方法和最大似然法识别结果的精度评价。

图3 防沙带识别结果图

图4 防沙带的目视解译

4 研究结果对比与分析

为了充分对比说明，本文分别从定性和定量两个方面对人工神经网络方法和最大似然法的防沙带识别结果进行分析。

4.1 识别结果的定性比较

在ArcGIS 10.1 中分别打开人工神经网络方法和最大似然法识别的防沙带矢量多边形，通过属性文件可获取其识别的面积；再将两种方法识别的防沙带矢量多边形分别与目视解译的防沙带矢量进行相交处理，相交区域即为各自正确识别的面积。

将人工神经网络方法识别的防沙带矢量图、人工神经网络方法正确识别的防沙带矢量图和目视解译的防沙带矢量图进行叠加，结果如图5a 所示；对最大似然法的识别结果进行同样的叠加，结果如图5b所示。两张图中的绿色区域为两种方法各自正确识别的防沙带区域，蓝色区域为未能正确识别的防沙带区域，而黄色区域为错误识别为防沙带的区域，可以看出，人工神经网络方法错误识别的区域比最大似然法小很多；研究区中防沙带与居民用地之间的过渡带大片区域被最大似然法错误识别为防沙带。

图5 识别结果叠加对比图

4.2 识别结果的定量比较

本文引入目前图像识别领域中用于评价识别效果好坏的准确率、召回率和F 值3 个指标对结果进行定量评价。准确率是针对预测结果而言的，表示的是预测为正的样本中有多少是真正的正样本，其表达式为准确率=正确识别的个体总数/识别出的个体总数。召回率是针对原来的样本而言的，表示的是样本中的正例有多少被预测正确了，其表达式为召回率=正确识别的个体总数/测试集中存在的个体总数。F 值则是综合这两个指标，综合反映整体的指标，即准确率和召回率的调和平均值，其表达式为F 值=准确率×召回率×2/（准确率+召回率）。

利用图5a、5b 的属性表可获取两种方法各自正确识别的防沙带面积，根据准确率、召回率和F 值的定义可得到本文中它们各自的表达式。

根据计算结果得到的精度对比结果如表3 所示，可以看出，人工神经网络方法的3 个评价指标均高于最大似然法，说明人工神经网络方法对高分辨率遥感影像进行防沙带识别更具优势。

表3 精度对比表

4.3 人工神经网络方法识别优势初探

为了进一步探讨人工神经网络方法在高分辨率影像中识别防沙带的有效性和优势，本文结合人工神经网络方法的算法特点和最大似然法的算法原理，从地物的光谱反射率和空间纹理的角度，在ENVI 平台选取了一块人工神经网络方法能准确识别而最大似然法不能识别的防沙带区域进行分析。

图6b 中蓝色方块为人工神经网络方法能识别而最大似然法不能识别的防沙带区域，图6a 为该区域对应的反射率曲线，横坐标为反射率，纵坐标为对应的像元数。图7 为防沙带样本的反射率曲线。

最大似然法是根据贝叶斯定理判断准则，将遥感影像多波段数据认定为多维正态分布的数据，通过对预先选择的训练区数据进行统计，计算遥感影像中待分类区域像元的归属概率，构造最大似然判别函数与判别规则，从而实现对遥感影像地物分类的一种分类法[11]。其计算公式为：

式中，m为波段数为第k类的m维正态分布密度函数，反映在第k类中m维随机变量x出现各种可能值的概率大小。

图6 人工神经网络方法能识别而最大似然法不能识别的防沙带区域

由图7 可知，前3 个波段对应的反射率曲线分布较集中，峰值落在0.21 ～0.22，而防沙带样本前3 个波段的反射率峰值出现在0.21、0.22 和0.24 附近，最大似然法识别时通过概率密度函数判别比较法无法将其准确识别为防沙带。通过观察所选区域空间纹理发现，该防沙带内部呈现一定的浅绿色，内部已覆盖了一层稀疏的植被，最大似然法在判定时受到这种高分辨率细节信息的影响，而将该防沙带错误识别为居民用地。人工神经网络方法具有联想存储功能，神经网络能接受和处理模拟的、混沌的、模糊的和随机的信息，且可根据外界环境输入信息，改变突触连接强度，重新安排神经元的相互关系，从而达到自适应环境变化的目的。因此，当防沙带内部被稀疏植被覆盖时，人工神经网络方法能通过误差反向传播机制克服地物空间纹理细节的干扰以及地物反射率特征偏离样本反射率的问题。

5 结 语

本文利用人工神经网络方法对GF-1 号遥感影像中的防沙带进行了识别，并通过与传统最大似然法识别结果的对比分析，验证了人工神经网络方法在高分辨率影像中识别防沙带的有效性和优势。对于人工神经网络方法在高分辨率影像防沙带识别时所表现出的优势，本文从两种方法的算法特点和原理角度进行了初步探讨。人工神经网络方法的自组织学习、自适应以及根据输入的像元数据不断调节神经元突触连接强度和权重等特点，能对输入像元进行多次迭代计算和误差反向传播，从而修正各连接的权重，较好地解决了高分辨率影像中细节信息对地物识别造成的干扰。本文的研究工作可为相关部门进行防沙带监测提供方法上的参考与借鉴，为新疆地区沙漠化防治工作提供技术支持。