阜新市重點沙化地區遙感監測

呂 冰

(廣州南方測繪儀器有限公司，廣東 廣州 510665)

?

阜新市重點沙化地區遙感監測

呂 冰

(廣州南方測繪儀器有限公司，廣東 廣州 510665)

利用2003/2008/2013年中、高分辨率，多源、多尺度遙感影像、地理國情普查數據以及其它專題資料，采取內、外業相結合的方式，利用決策樹模型提取不同地區沙化信息。最終通過該沙化信息了解研究區沙化現狀，實現沙化動態監測，并結合相應的防沙治沙措施分析不同方法對不同地物類型防沙效果的優劣，方便決策者因地制宜地制定防沙治沙方法，以便取得最優的治理效果。此外，在現有環境穩態的基礎上，建立沙化轉移矩陣，在環境穩態不改變的條件下，預測研究區沙化趨勢。結果表明，2016年沙化狀態有所減輕。

沙化；遙感監測；決策樹；預測

中國是世界上土地沙漠化較重的國家之一，國家采取一系列措施，投入大量的人力物力來治理沙化，因此迫切地需要實時掌握其治理成效，以便隨時調整治理策略，提高沙化治理效率。為了實現大尺度實時監測，在研究土地沙漠化的過程中，遙感技術可以實時監測沙化區域變化情況，可以最快的速度對其結果進行更新，其較強的時效性大大降低監測的經濟成本，提高監測以及相關治理的效率。此外，快速獲取已經沙化或者有沙化趨勢的土地分布范圍和面積，定期、及時地掌握沙化土地以及有沙化趨勢地區的現狀和動態變化信息，能夠為決策、監督和管理提供及時、準確和全面的信息，為防沙治沙提供可行的方案[1-3]。

1 研究區概況

阜新市地處遼寧省西北部，處于溫帶半濕潤、半干旱大陸性季風氣候區，四季分明，雨熱同季，光照充足，冬季寒冷少雪，以北風為主導風向；春季干旱少雨，多大風天氣；夏季炎熱多雨，西南風為主；秋季較涼，降水明顯減少。阜新屬于東北平原，地勢北高南低，東西丘陵，中、南部為平原，北部是沙土地。大體可以概括為“三丘、三沙、四平洼”。主要土壤類型為風沙土、草甸土等，由于土壤沙化形成沙生植被。

2 研究方法

2.1 遙感監測指標確定

目前用于獲取植被覆蓋的方法主要是計算植被指數(VI)。植被指數是植被在可見光、近紅外波段的反射強度與土壤背景之間差異的表現，可以通過紅外和近紅外波段組合獲得。通過植被指數求出植被蓋度，從而獲得沙漠化程度信息，其中NDVI是最為常用的植被指數[4-5]。

NDVI是檢測植被生長狀態、植被覆蓋度和消除部分輻射誤差等土地覆蓋植被狀況的一種遙感指標，利用植被在第三波段大于第四波段的光譜亮度值，能表現出植物冠層的背景影響。

(1)

式中：NIR是近紅外波段值;RED是紅光波段值。

歸一化建筑指數可以較為準確地反映建筑用地信息，數值越大表明建筑用地比例越高，建筑密度越高。算式為

(2)

式中：NIR表示近紅外波段的反射率；MIR表示中紅外波段的反射率。

纓帽變換(K-T變換)可以完成不同程度沙化土地信息的提取。纓帽變換是基于主成分分析的線性變換，數據變換后的前3個特征分量KT1，KT2，KT3包含的信息分別代表亮度、綠度和濕度。KT1為亮度指數，反映地物總體反射率的綜合效果；KT2為綠度指數，與地面植被覆蓋、葉面積指數及生物量有很大關系；KT3為濕度指數，反映地面水分條件，它對土壤濕度和植被濕度最為敏感，常被用于沙化研究。以此3個分量作為TM數據進行纓帽變換后的新空間，可以對植被、土壤等地面景物做更為細致、準確的分析，應用該種處理方法可增強影像深色區域的信息。

2.2 沙化分類體系的建立

輕度沙漠化：是指植被總蓋度>50%，沙漠化的程度較輕微，基本無風沙流活動的沙化土地[6-7]；中度沙漠化：是指30%<植被總蓋度≤50%，沙漠化的程度正在進一步發展中，植被有些退化的土地；重度沙漠化：是指10%<植被總蓋度≤30%，達到失衡狀態，風沙流活動明顯或流沙紋理明顯可見的沙化土地。極重度沙漠化：是指植被總蓋度<10%，沙漠化的過程處于極重度，風沙流活動的特別明顯。

2.3 繪制光譜特征曲線

本文在野外實驗數據和沙漠化土地光譜機理理論的基礎上，通過對不同植被蓋度沙漠化地表光譜信息的分析，對不同類型的土地及背景資料進行光譜灰度值采樣，了解和掌握研究區沙漠化土地的光譜特征，為沙漠化土地信息提取提供思路[8]。

由于地物的成分、走向紋理、狀態、表面特征及電磁波波段的不同，地物所發射出來的輻射值也有不同。利用光譜特征曲線能更好地確定不同沙化等級在不同植被指數之間的差異情況。

圖1為不同沙化等級光譜特征曲線圖，圖中不同沙化等級在各個波段和各個監測指標值中有明顯反差，由于NDVI值是浮點型數據，范圍在-1～1之間，而圖上特征值區間較大，因此產生歸一化植被指數顯示相差不大的情況。實際上，重度沙化的NDVI值趨近于0，能夠很好地反應出土地覆蓋植被情況。

圖1 不同沙化等級光譜特征

根據獲取的輕度沙化的樣本點與影像進行疊加，繪制輕度沙化不同用地類型的光譜特征曲線，如圖2所示。不同用地類型的輕度沙化樣本雖然光譜特征的變化趨勢相同，但是在KT1指標中有明顯差異，因此，根據不同的用地類型，進行輕度沙化信息提取，計算樣本點的KT1指標平均值，以確定決策樹閾值。

圖2 輕度沙化不同樣本點光譜特征曲線

圖3為監測區域中度沙化不同樣本點的光譜特征曲線圖，中度沙化的耕地和草地有著不同的光譜差異，因此，從不同用地類型中提取中度沙化信息。

圖3 中度沙化不同樣本點光譜特征曲線

如圖4所示，裸土樣本1為水域周圍存在的泥土地表，而裸土樣本2為沙質地表，二者存在相同的光譜特性，因此對重度沙化區域進行直接提取。

圖4 重度沙化不同樣本點光譜特征曲線

2.4 沙化信息提取

2.4.1 建立沙化信息提取模型

利用濕度指數將研究區域的水體區域和非水體區域進行區分：非水體區域中，通過綠度指數可將研究區域的植被覆蓋區域與非植被覆蓋區域進行劃分；植被區域中根據歸一化植被指數將研究區中的輕度沙化和中度沙化區域提取出來；而非植被覆蓋區中，利用歸一化建筑指數，將研究區域中的非沙化用地和重度沙化區域劃分出來。模型如圖5所示。

2.4.2 研究區域信息提取成果

根據決策樹分類模型，結合不同沙化等級的地物光譜特征曲線，基于沙化體系分類標準，對三期多光譜影像進行沙化提取(見圖6)，成果如下：

1)2003年沙化總面積為541.07 km2，其中，輕度沙化面積為250.769 km2，占總面積的43.96%；中度沙化面積為224.049 km2，占總面積的39.3%；重度沙化面積為66.252 km2，占總面積的11.6%。

2)2008年沙化總面積為543.731 km2，其中，輕度沙化面積為428.647 km2，占總面積的75.248%；中度沙化面積為87.753 km2，占總面積的15.405%；重度沙化面積為27.331 km2，占總面積的4.798%。

3)2013年研究區域總面積為570.4 km2，其中沙化總面積為548.296 km2，輕度沙化面積為464.770 km2，占總面積的81.5%；中度沙化面積為82.725 km2，占總面積的14.5%；重度沙化面積為0.818 km2，占總面積的0.14%。

圖5 決策樹分類模型

圖6 三期多光譜影像沙化提取結果

2.5 精度驗證

野外檢驗過程實際是分兩個階段完成的，分別在遙感解譯前和遙感解譯后。圖7為樣本點的分布圖，選取的原則為滿幅均勻選取。本文研究區總面積為570.4 km2，于2015年7月，采集野外樣本點為274個，計算樣本點的植被總蓋度。以樣本點為中心，取100 m×100 m的樣方區域，計算該樣方的植被總蓋度作為樣本點的植被蓋度，根據樣本點的植被蓋度，結合《遼寧省第五次荒漠化和沙化監測實施細則》中的技術指標，確定監測區域沙化等級分類規則，從中選取不同用地類型、不同等級共50個有代表性的樣本點作為計算機自動化信息提取監督分類樣本點，其它224個作為精度檢驗點。

圖7 野外樣本點分布圖

本文精度評價選取總體精度指標和Kappa系數指標進行客觀的精度驗證。Kappa系數作為一個綜合性指標，它是通過利用一種離散的多元技術從客觀的角度對分類成果進行評估，充分利用混淆矩陣中的所用數據對成果數據進行精度描述[9]，Kappa系數算式為

(3)

式中：n代表用于精度評價的總對象數目;k表示混淆矩陣的總列數即分類總類別數目，aii代表混淆矩陣對角線上對象的數目即正確分類對象數目，ai+和a+i分別代表混淆矩陣中第i行與第i列的總對象數目。Feinstein所提出的Kappa系數分類標準如表1所示,表2為精度評價結果。

表1 Kappa系數分類標準

表2 精度評價結果

3 分析與預測

3.1 2003、2008、2013年沙化動態變化分析

根據3年的信息提取成果，對比分析研究區域沙化等級變化，2003—2013年研究區域沙化變化面積對比分析見表3。

表3 2003—2013年沙化等級面積對比表 km2

如表3所示，2003年研究區域輕度沙化和中度沙化面積比例接近1∶1，同時重度沙化土地面積為66.252 km2，占總面積的11.6%；2008年監測區域輕度沙化比例大幅度增加，重度沙化土地面積也有所減輕，占總面積的4.8%；2013年重度沙化土地面積縮減到0.818 km2，僅占總面積的0.14%。中度沙化與2008年相比持平，具體變化信息見表4、表5。

表4 2003—2008年沙化等級面積轉移矩陣 km2

表4為2003—2008年監測區域沙化等級狀態轉移矩陣，橫軸為2003年等級走向，縱軸為2008年不同等級來源。從表4中可以看出，2003年的中度沙化土地中有151.879 km2在2008年中轉變為輕度沙化土地；2003年重度沙化土地中有44.541 km2在2008年中轉變為輕度沙化土地，17.379 km2轉變為中度沙化土地，轉變趨勢較明顯。

表5 2008—2013年沙化等級面積轉移矩陣 km2

表5為2008—2013年監測區域沙化等級狀態轉移矩陣，橫軸為2008年等級走向，縱軸為2013年不同等級分布。從表5中可以看出，2008年中的中度沙化土地的45.348 km2在2013年轉化為輕度沙化土地；2008年中的重度沙化土地的22.803 km2在2013年轉化為輕度沙化土地，3.907 km2轉化為中度沙化土地；從表5的情況來看，2008年與2013年中度沙化面積變化不大，而實際上是等級存在變化，而面積保持平穩狀態。

表6為2003—2008年重度沙化土地轉為輕度沙化面積及2008—2013年重度沙化轉為輕度和中度沙化面積。

表6 2003—2008/2008—2013重度沙化轉為 輕度和中度面積統計 km2

3.2 2018年沙化預測分析

研究區域沙化預測分析模型是基于馬爾科夫鏈模型的基礎上建立的。馬爾科夫模型是一種應用較廣的隨機模型，是具有無后效性和時齊性的隨機過程。它通過對系統不同狀態的初始概率以及狀態之間的轉移概率的研究來確定系統各狀態變化的趨勢，從而達到對未來趨勢預測的目的。其基本方程為

(4)

表7 沙化等級轉移概率矩陣 km2

根據表7，結合監測區域沙化現狀，對2018年監測區域沙化等級面積情況進行預測，預測成果如表8所示。

表8 2018年監測區域沙化等級預測統計 km2

2018年輕度沙化面積將達到469.526 km2，占總面積的82.4%，中度沙化面積減少，沙化程度減輕，而重度沙化所占比例近乎為0，阜新市重點沙化區域沙化程度未來將會進一步減輕。

4 結 論

本文在已有沙化監測理論和實踐的基礎上，對阜新市重點沙化地區變化監測進行研究。以Landsat系列遙感影像作為基本數據源，依據阜新地區沙化監測技術指標、地表覆蓋數據和地理國情要素數據，對阜新市重點沙化地區進行沙化遙感監測，具體研究內容包括：在野外樣地調查和分析沙化土地及常見地物光譜特征的基礎上，對影像進行纓帽變換(K-T變換)，提取亮度、綠度、濕度特征變量，并提取歸一化植被指數等用于沙化信息提取及特征變換，建立決策樹分類模型，實現對研究區域三期沙化專題信息的自動提取。研究結果表明，沙化速度變緩，沙化土地有明顯改善。

[1] 朱金峰.巴丹吉林沙漠邊緣地區近20年土地沙漠化遙感監測研究[D].蘭州：蘭州大學，2011.

[2] 朱金峰,王乃昂,陳紅寶,等.基于遙感的巴丹吉林沙漠范圍與面積分析[J].地理科學進展,2010,29(9):1087-1094.

[3] 李金亞，徐斌.錫林郭勒盟草原沙化動態變化及驅動力分析：以正藍旗為例[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] 韓蘭英，萬信，方峰，等.甘肅河西地區沙漠化遙感監測評估[J].干旱區地理，2013,36(1):131-138.

[6] 陳麗珍，陳云.基于遙感技術的廈門市植被覆蓋變化監測[J].測繪與空間地理信息，2015,38(1)：175-127.

[7] 劉斌，孫艷玲，王永財，等.基于SPOT/NDVI華北地區植被變化動態監測與評價[J].干旱區資源與環境，2013，27(9)：98-103.

[8] 賈樹海，韓志根，呂默楠，等.基于決策樹的遼寧省北部沙漠化信息提取研究[J].生態環境學報，2011,20(1)：13-18.

[9] 張嚴俊,塔西甫拉提·特依拜，夏軍,等.中亞地區土地沙漠化遙感監測：以土庫曼斯坦為例[J].干旱區地理，2013,36(4)：724-730.

[責任編輯：張德福]

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

呂 冰(1974-)，男，工程師.

TP79

A

1006-7949(2017)02-0028-05

引用著錄：呂冰.阜新市重點沙化地區遙感監測[J].測繪工程，2017，26(2)：28-32，36.