基于RS和GPS的草原荒漠化監測與重建

王雅瀾 趙占驁 韓玉婷 徐夢遙

摘 要：通過混合像元分析法提取阿壩州賈洛鄉1994年和2000年兩期多光譜影像遙感信息，對該地區土地荒漠化及植被反增長程度進行分析，劃分出土地荒漠化區、植被反增長區以及穩定區三個區域，結合GPS，針對各區域荒漠化的不同程度設計自動化重建方案。結果指出該地區總體上草地荒漠化趨勢強于植被反增長，重度和中度土地荒漠化面積達到總面積的87.5%，中度和輕度植被反增長面積達到總面積的98.7%；土地荒漠化區位于西北部，植被增長區零散分布于東北部和西部。

關鍵詞：混合像元分析法；全球定位系統；荒漠化；自動化重建

中圖分類號：S812.6 文獻標志碼：A 文章編號：2095-2945（2019）01-0055-04

Abstract： through analysis of mixed pixels， extract the aba jallow township in 1994 and 2000， two multispectral imaging remote sensing information， the degree of land desertification and vegetation the growth in the region were analyzed， and divided the land desertification area， vegetation growth zone and region 3 area， combining with GPS， according to the regional desertification degree of different design automation reconstruction scheme. The results showed that the trend of grassland desertification was stronger than the negative growth of vegetation in the region as a whole. The desertification area is located in the northwest， and the vegetation growth area is scattered in the east， north and west.

Keywords： hybrid pixel analysis； Global positioning system； Desertification； Automated reconstruction

草地生態系統是指以多年生草本植物為主要生產者的陸地生態系統，具有防風固沙、調節氣候、凈化空氣等生態功能，對人類可持續生存和經濟可持續發展具有重要作用，目前，我國草地面積近4*108hm2，草地荒漠化較為嚴重，在一些干旱、半干旱及半濕潤地區，草地荒漠化已經嚴重威脅人類的生存環境[1]。目前，國內外針對荒漠化治理的研究大多將遙感技術（Remote Sensing，RS）和人工治理相結合[2，3]，需要大量人力物力，時間長效率低，而將全球定位系統（Global Positioning System，GPS）與遙感技術結合，對草地荒漠化進行自動化治理，可大大減小人力物力，縮短工作時間，提高經濟效益。

本研究以四川省阿壩自治州賈洛鄉為例，運用光譜混合分析法對研究區域進行大規模且長期的監測，并確定荒漠化的程度，而后將GPS接收機和遙感圖像處理后得到的變量信息、傳感器以及作業機械設備等相結合，進行精準定位及有效治理。

1 研究區概況與數據預處理

研究區位于四川省阿壩州，主要鄉鎮為賈洛鄉，介于101°59′-102°13′E， 32°54′-33°10′N之間（圖1）。該區地處青藏高原東南緣，橫斷山脈北端與川西北高山峽谷的結合部，地貌以高原為主。該地丘狀高原屬大陸高原性氣候，四季氣溫無明顯差別，年平均氣溫0.8℃～4.3℃。土地利用類型以草地和濕地為主。

選取1994年8月和2000年9月陸地衛星Landsat-5 TM影像為基本數據源。由于獲取的影像坐標投影系統為美國WGS-84系統，為糾正影像在中國地區的變形，對影像進行輻射定標、大氣校正、幾何精校正等影像預處理。

2 像元分解與信息提取

2.1 混合像元分解模型

本研究選擇線性混合像元分解模型對混合像元進行分解，而端元選取的優良將會直接影響到模型的結果。端元同時受到端元庫大小、分類準確性以及計算機計算性能等因素的影響[4，5]，為了得到更為精確的結果，本文根據前人研究定義了一套能夠代表地表上大部分地物組成的光譜組分，模擬出圖像內地物的光譜變化[6-8]。

對每一景圖像進行最小噪聲分離進行MNF變換，轉換后前四個波段占所轉方差的92%以上，達到純凈像元提取要求，選擇PPI的方法，提取出較為純凈的像元，最后，進行N維可視化，手動選擇出5個端元，分別是：亮植被（BV），暗植被（DV），亮裸地（BS），暗裸地（DS）和水體（Water）。亮植被包括水分含量高的植被，如草地，沼澤和灌木。暗植被包括含水量低的植被，如枯萎的草甸和衰老灌木。亮裸地包括具有高反射率和低水分含量的砂土。暗裸地包括低反射率和含水量高的裸土。水體包括河流，湖泊和濕地。如圖2所示的端元波譜分別是從1994年8月和2000年9月的影像數據中提取的。

2.2 混合像元分解結果

為了找到經過混合像元分解之后分解質量最好的分量組分，對每個TM影像利用三組不同的端元組合進行解混。三個組合分別是：（1）五個端元；（2）亮植被，亮裸地，暗裸地和水體；（3）亮植被、亮裸地和水體。對這三個組合分別進行誤差統計對比分析得到表1。

通過目視檢驗，可評估出從不同端元組合分解后的結果的誤差范圍和分布。最終選擇有五個端元的組合，該組合能夠在合理誤差范圍內得到最理想的地物分類。在圖像解混之后，亮植被分量和亮裸地分量能夠分別指示出植被反增長區域的分布形式（圖3）與草地荒漠化區域（圖4）。

3 荒漠化分級評價

本文引入變化向量模型對光譜混合分析結果進行更為形象直觀的表達，變化向量分析（Change Vector Analysis，CVA）是一種通過比較兩期圖像中對應的像元所包含的波段信息來生成變化量和變化方向的技術[9]。通過亮植被和亮裸地分量的豐度圖像來監測1994年到2000草地荒漠化和植被反增長情況。根據研究區荒漠化和植被反增長評價結果采用自然斷點分類法對上述模型得到的荒漠化結果值進行聚類分級，將研究區內的草地荒漠化和植被反增長分別分為3個等級即：重度荒漠化，中度荒漠化，輕度荒漠化；重度植被反增長，中度植被反增長，輕度植被反增長。

利用兩期數據的亮植被和亮裸地分量，運用變化向量模型得到研究區6年來草地荒漠化與植被反增長（表2、圖5）。可以看出看，草地荒漠化與植被反增長都在進行當中，總體上草地荒漠化趨勢強于植被反增長。整個研究區內，草地荒漠化面積為269.15km2，占整個研究區面積的41.74%，其中86.91km2的區域荒漠化現象嚴重占荒漠化總面積的32.29%，中度荒漠化區域的面積為148.78km2占荒漠化總面積的55.28%，輕度荒漠化區域面積為33.46km2占荒漠化總面積的12.43%。重度荒漠化區域主要分布在西北地區，對研究區脆弱的亞高山牧場生態環境有嚴重威脅；中度荒漠化區域主要分布在重度荒漠化區域向輕度荒漠化區域的過度地帶。植被反增長總面積為29.2km2占整個研究區面積的4.53%，其中重度植被反增長面積為0.39km2占植被反增長總面積的1.34%，中度植被反增長面積為22.37km2占植被反增長總面積的76.61%，輕度植被反增長面積為6.44km2占植被反增長總面積的22.05%。中度和輕度植被反增長主要分布在研究區的東北地區，此處主要以濕地為主。

4 分區自動化重建

由于GPS的精準定位，其在草原荒漠化的分區自動化重建中具有重要意義。本文根據土地荒漠化和植被反增長情況對研究區域進行區域劃定，分為土地荒漠化區、植被反增長區以及穩定區三個區域（圖6），并利用GPS對各個區域設計草原自動化重建方案。

區域一為土地荒漠化區，主要分布在研究區西北部和南部地區，表現為嚴重的土地荒漠化且正處于荒漠化進程中。對于該區域應利用GPS定期監測荒漠化范圍及變化規律，對于荒漠化嚴重區域采用圍欄保護已出現嚴重荒漠化的草場地區，禁止或開放固定時間放牧，建立防風固沙防護工程，種植抗風抗旱的草種與樹木，對荒漠化地區進行引雨，增加降雨量，促進該地區脆弱的高寒牧區生態環境的恢復。區域二為植被反增長區，主要位于研究區的東北方，表現為良好的植被反增長情況。對于該區域應對GPS劃定的正在填埋濕地范圍，進行搶救性保護；對還未被破壞的濕地，利用GPS圈出紅線，劃定保護范圍；對呈現出良好效果的草場保護措施也應當繼續實施。區域三為穩定區，主要位于區域一和區域二的過渡地區，荒漠化和反增長的區域程度均較輕，基本處于平衡趨勢。對于該區域內監測到的輕度荒漠化情況，需要立即實施及時有效的治理措施，嚴格控制畜牧量以緩解草場壓力，促使草地生態系統的自我恢復。

5 結束語

基于RS和GPS進行草原荒漠化自動化重建是一個復雜的科學問題，還有許多問題需要進行進一步的探討。本研究中所采用的線性混合像元分解模型是建立在假設相同的地物都具有相同的光譜特征的基礎上的，還存在一定的不足。

參考文獻：

[1]Gang C， Zhou W， Chen Y， et al. Quantitative assessment of the contributions of climate change and human activities on global grassland degradation [J].Environmental Earth Sciences，2014，72（11）：4273-4282.

[2]吳見，彭道黎.基于遙感的荒漠化評價技術研究進展[J].世界林業研究，2009，22（5）：34-39.

[3]牛星，高永，邢鐵鵬，等.荒漠化監測與評價研究進展[J].內蒙古林業科技，2010，36（3）：51-55.

[4]Roth K L， Dennison P E， Roberts D A. Comparing end member selection techniques for accurate mapping of plant species and land cover using imaging spectrometer data[J]. Remote Sensing of Environment，2012，127（4）：139-152.

[5]Schaaf A N， Dennison P E， Fryer G K， et al. Mapping plant functional types at multiple spatial resolutions using imaging spectrometer data[J]. GIS science & Remote Sensing，2011， 48（3）：324-344.

[6]樊風雷.基于線性光譜混合模型（LSMM）的兩種不同端元值選取方法應用與評價——以廣州市為例[J].遙感技術與應用，

2008，23（3）：272-277.

[7]Elmore A J， Mustard J F， Manning S J， et al. Quantifying vegetation change in semiarid environments - precision and accuracy of spectral mixture analysis and the normalized difference vegetation index[J]. Remote Sensing of Environment， 2000， 73（1）：87-102（16）.

[8]Elmore A J， Mustard J F. Precision and accuracy of EO-1 Advanced Land Imager （ALI） data for semiarid vegetation studies [J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）：1311 - 1320.

[9]Kuzera K， Rogan J， Eastman J R. Monitoring vegetation re-growing and deforestation using change vector analysis： Mt. St. Helens study area[C]. The Annual Conference Baltimore， ASPRS. 2005.