內蒙古溫性草原草地類型近20 年時空動態變化研究

楊志貴，張建國，李錦榮，于紅妍，常麗，宜樹華，呂燕燕，張玉琢，孟寶平

（1. 南通大學脆弱生態研究所，地理科學學院，江蘇 南通 226007；2. 內蒙古陰山北麓荒漠草原生態水文野外科學觀測研究站，中國水利水電科學研究院，北京 100038；3. 祁連山國家公園青海服務保障中心，青海 西寧 810001；4. 蘭州城市學院城市環境學院，甘肅 蘭州 730070）

草地類型是指在草原發生和發展規律的基礎上，結合草原的自然和經濟特點，對不同生境中的飼用植物群體進行抽象類比[1］。草地類型劃分是對具有相似屬性草地的分組或聚類[2-3］，這既是對草地生態系統的全面、深入的評估，也是對草地生態系統的科學開發、合理利用，能夠為有效保護草地資源提供科學的理論依據，同時還是維持草地生態系統可持續發展的有效方法[4］。為全面了解中國草地資源狀況，“1978-1985 年中國科學技術發展規劃”決定編制1∶100 萬中國草地資源圖，該圖作為全國草原資源基本圖件，具有較高的生產實用性[5］。然而，傳統的草地資源研究方法多以野外實地調查為主，以航、衛片校核為輔。雖然其精度較高，但費時費力，成本高，效率低，在大面積區域調查中存在著一定的局限性，且對解譯者的專家知識要求較高[6］。中國草地資源圖距今已接近40 年，無法反映最新的草地資源狀況，其時空動態變化特征亟待更新。

現代遙感技術的快速發展為草地資源信息的獲取提供了新的手段，能夠在對草地資源沒有任何破壞的情況下宏觀、快速地監測草原的時空變化狀況，為草原管理與決策提供及時準確的信息[7］。因而在草地類型劃分研究中得到了廣泛的應用[8-13］。除遙感數據外，草地類型的分布還受地形、氣候、土壤等因素影響，因此在植被分類中，加入此類輔助數據可以有效提高遙感分類精度[14-18］。目前衛星遙感在土地利用的時空變化研究方面已有大量的研究成果[19-21］，然而，由于缺乏大范圍草地類型實地調查數據，同時現有草地類型分類算法多采用簡單的遙感或專家決策樹算法，其分類方法簡單、精度較低[12-13］，針對區域尺度上草原類型空間和時間的動態變化的研究鮮有報道。

在野外觀測方面，無人機航拍技術作為近幾年發展起來的一種新型的地面測繪技術，具有體積小、操作簡單、靈活性高、能夠提供大面積、高分辨率圖像等特點，可以快速開展大面積草地資源調查[13，22-23］。同時，Yi 等[24］還針對我國脆弱生態帶氣候環境特點，開發了一套無人機航拍系統，能夠實現大量監測點定位重復觀測，可為草地資源監測提供海量定點監測數據。在遙感分類算法方面，基于概率統計的機器學習算法由于具有較強的自適應性和自學習能力，已在遙感植物分類中得到了廣泛的應用[25］。目前在遙感植被分類中應用最為廣泛的機器學習方法主要有隨機森林（random forest，RF）、人工神經網絡（artificial neural network，ANN）和支持向量機（support vector machine，SVM）等[12，14］。

內蒙古自治區位于國際地圈生物圈計劃（international geosphere-biosphere program， IGBP）全球變化研究典型陸地樣帶中國東北陸地樣帶之內[26］，草地資源非常豐富，約占我國草原面積的1/4，對維持生態平衡和區域發展起著舉足輕重的作用[27］。然而內蒙古是全球變化最敏感的區域[28］，其生態環境非常脆弱，由于土地復墾、濫墾、過度放牧等原因，內蒙古的草場面積不斷縮小，植被覆蓋率不斷下降，土壤侵蝕日趨嚴重，嚴重制約我國畜牧業的可持續發展。近30 年來，內蒙古地區氣溫變化速度顯著升高，具有向“干暖化”變化的趨勢[29］。在氣候、人類農業生產活動的共同影響下，內蒙古地區草地類型發生了經度地帶性變化[28］。因此，迫切需要采用先進的方法和技術對內蒙古地區的草地類型開展科學的研究工作，才能及時準確地掌握草地資源的時空分布狀況，進而更好地適應氣候變化，合理利用草地資源，保證農牧民的收入穩定增長，促進內蒙古草原地區的生態恢復和經濟可持續發展同步增長[30］。

基于上述因素考慮，以內蒙古自治區溫性草原為研究對象，基于2016-2019 年野外無人機航拍觀測資料和MODIS 遙感植被指數，結合氣象數據、土壤數據和地形資料，對比分析隨機森林、支持向量機、人工神經網絡在內蒙古溫性草原草地類型分類算法中的分類精度，并以此為依據，反演2000-2009 年和2010-2019 年兩個時期內蒙古溫性草原草地類型，分析近20 年來內蒙古溫性草原草地類型時空動態變化特征，從而為全球氣候變化和人類活動背景下內蒙古草地類型的變化研究提供科學依據，同時也為內蒙古地區草地可持續發展提供理論依據和技術支撐。

1 材料與方法

1.1 研究區概況

內蒙古自治區位于中華人民共和國的北部邊疆，由東北向西南斜伸，呈狹長形。東起126°04′ E，西至97°12′E，東西直線距離約2400 km；南起37°24′ N，北至53°23′ N，南北直線距離1700 km，全區總面積118.3 萬km2[28］。其中天然草地面積為6.9×105km2，占內蒙古地區總面積的58%[30］，是北方分布最廣泛的自然生態系統。內蒙古地區地勢較高，平均海拔約1000 m，氣候以溫帶大陸性季風氣候為主，年平均氣溫為-5~10 ℃，自東北向西南遞增。降水特征表現為降水量偏低且蒸發量大，年平均降水量為35~530 mm，自東北向西南方向遞減，年蒸發量為1200~3200 mm，自東向西遞增。在地理位置和氣候條件的綜合作用下，內蒙古草地類型呈地帶性特征，自東南向西北依次為溫性草甸草原、溫性典型草原、溫性荒漠草原、溫性草原化荒漠和溫性荒漠[6］。此外，還有山地草甸、低地草甸和沼澤等草地類型，占整個研究區總面積比例較小，分布比較零散（圖1）。

圖1 研究區概況Fig.1 Overview of the study area

1.2 野外觀測

本研究利用大疆御2 變焦版無人機和大疆“精靈”系列無人機對內蒙古溫性草原進行航拍觀測，獲取了大量溫性草原草地類型航拍照片。野外航拍樣地設置如圖2 所示，每個航拍樣地設置4 條航線來代表250 m×250 m范圍內草地植被信息，包括一個200 m×200 m 的Grid 飛行航線和3 個40 m×40 m 的Belt 飛行航線（圖2a）。每種飛行模式在其觀測范圍內均勻布設16 個航拍點，每個航拍點鏡頭垂直向下對草地航拍一張照片。每條航線設定后儲存在FragMAP setter 中，以便后期調用進行定點重復觀測。無人機的飛行路線由南通大學脆弱生態研究所自主研發的無人機航拍分析系統FragMAP[31］設計，Belt 飛行模式使用大疆御2 變焦版無人機（圖2b），在航高2 m 時的航拍照片覆蓋面積約3.43 m×2.57 m，分辨率為0.09 cm；Grid 飛行模式使用大疆“精靈”系列無人機（圖2c），在航高20 m 時的航拍照片覆蓋面積約35 m×26 m，一張航拍照片相當于傳統觀測調查中的觀測樣地，且每張航拍照片具有較高的空間分辨率（約0.87 cm），可精確識別草地類型信息。野外觀測主要集中在2016-2019年7-8 月草地生長旺季，依據草地生長狀況和空間代表性，在研究區內設置大量250 m×250 m 的野外觀測樣地，兩年共計觀測797 個航拍樣地。

圖2 野外工作點設置Fig.2 Strategy of field observation and data collection

1.3 航拍照片分類

根據不同草地類型植被的生活型、優勢種和植被覆蓋狀況，將無人機的航拍影像劃分為草甸草原（meadow steppe， MS）、典型草原（typical steppe， TS）、荒漠化草原（desert steppe， DS）、草原化荒漠（steppe desert， SD）、荒漠（desert， D）5 類（圖3 和表1）[30，32-34］。根據FragMAP 和照片屬性文件中記錄的GPS 位置信息，利用南通大學脆弱生態研究所自主研發的照片定位軟件DJILocator，對每條航線所有航拍照片進行定位和重命名，照片名稱按照航線先后拍攝次序依次命名為1~16。結合照片的草地類型分類結果，在GIS 軟件下將同一樣地內所有草地類型屬性相同的航拍點轉化為面文件，利用ENVI 軟件將矢量文件轉換為遙感分類感興區文件。

表1 不同草地類型植被特征Table 1 Characteristics of different grassland classes in temperate steppe

圖3 內蒙古不同草地類型分類依據Fig.3 Classification criteria for aerial photographs of temperate steppe classes

1.4 遙感數據獲取與預處理

1.4.1 衛星遙感資料的獲取與預處理 研究選取的遙感數據集主要包括MOD13Q1 NDVI 和MCD12Q1 兩類。其中MOD13Q1 NDVI 為草地類型分類的主要依據，作為輸入數據訓練機器學習分類算法；MCD12Q1 數據則用來確定內蒙古地區草地空間分布范圍。兩類數據均下載于美國地質勘探局（United States Geological Survey，USGS）。MOD13Q1 數據集為16 d 最大值合成NDVI 植被指數產品（https：//e4ftl01.cr.usgs.gov/），時間 序 列 為2000-2019 年，空 間 分 辨 率 為250 m，軌 道 號 為h25v03、h25v04、h25v05、h26v03、h26v04、h26v05、h27v04，共計240 景影像。利用MODIS 數據重投影工具（MODIS reprojection tools， MRT）對MODIS 數據進行格式和投影轉換。利用Spatial Analyst 工具獲取研究區內2000-2019 年MODIS NDVI 變化特征指標，主要包括最大值（maximum）、最小值（minimum）、中值（medium）、均值（mean）、范圍（range）、標準差（standard deviation，std）、總和（sum）等。本研究采用IGBP 全球植被分類方案（LC_Type1，Annual IGBP classification）數據集。按照表2 所示歸并方案對該土地利用類型進行歸并，并獲取內蒙古地區草地空間分布。

表2 土地覆蓋類型重分類方案Table 2 Scheme of land cover types reclassification

1.4.2 氣象、地形及土壤數據的獲取與預處理 氣象、地形和土壤數據集作為提高草地類型分類精度的輔助因子，和遙感植被指數一樣用于訓練機器學習分類算法。土壤數據來源于中國科學院西北生態環境資源研究院寒區旱區科學數據中心的中國土壤特征數據集，該數據集的數據源為第二次土壤普查的1∶100 萬中國土壤圖和8595 個土壤剖面（http：//globalchange.bnu.edu.cn/research/soil）。年土壤變化特征指標主要包括0~30 cm 表層土的粘土含量（clay1），30~100 cm 底土的粘土含量（clay2），0~30 cm 表層土的砂土含量（sand1），30~100 cm 底土的砂土含量（sand2）。本研究使用的數字高程模型（digital elevation model， DEM）數據為V004 版的航天飛機雷達地形測繪任務 （shuttle radar topography mission， SRTM）影像，來自國際農業研究磋商小組空間信息聯盟（The Consultative Group on International Agricultural Research Consortium for Spatial Information， CGIAR-CSI），下載網址為http：//srtm. csi. cgiar. org/，數據的空間分辨率為90 m，數據格式為Geo-Tiff。在ArcMap 中，利用DEM 數據分別計算研究區的坡度（slope， S）、坡位（topographic position index， TPI）和坡向（aspect， A）等地形要素。氣象數據從中國氣象科學數據共享服務網下載，網址為http：//cdc.cma.gov.cn/，本研究下載了V 3.0 版的內蒙古地區2000-2019 年241 個氣象臺站的年平均氣溫、降水數據。通過薄板樣條插值法（thin plate smoothing spline， ANUSPLIN）插值得到研究區的氣象數據，最后將這些氣象柵格數據重采樣到250 m 與MODIS 植被指數相對應，得到2000-2019 年內蒙古地區年均降水量和年均氣溫柵格數據[35］。

1.5 草地類型分類及精度驗證

1.5.1 特征變量篩選 在使用1.4 中MODIS NDVI 構建分類模型前，為了減少因子間自相關和信息冗余對模型的運行速度和模擬精度的影響，結合Pearson 相關系數和因子重要性指標（Importance），對所有因子進行篩選。首先，使用六一法交叉驗證的思想和重要性計算函數，測試每種因子對檢測目標的重要性。其次，對所有重要性值>0.1 的因子進行Pearson 相關性分析，對≥0.7 的只保留其中1 個因子[36］，依據重要性值計算各指標累計貢獻度，選取累計貢獻度≥85%的指標作為遙感分類數據集。重要性計算公式為：

式中：將所有的環境因素集作為ref 數據集，而將單獨的環境因素隨機篩選后的集合作為shuffled 數據集，使用兩個集合進行預測，并計算預測結果的簡單相關性，cor pred_ref 表示全部環境因子預測結果，pred_shuffled 表示剔除某一因子后模型預測結果。

1.5.2 分類算法 本研究采用的遙感分類算法包括隨機森林（random forest， RF）、支持向量機（support vector machine，SVM）和人工神經網絡（artificial neural network，ANN）。RF 算法是由多個決策樹組合而成，可以有效地解決因單一決策樹造成的過擬合和欠擬合問題。RF 分類器中任意兩棵決策樹都是相互獨立的，當有新的測試樣本輸入時，每棵決策樹都會對其進行分類，最后采用投票法得出分類結果[37-38］。SVM 算法是核變換技術的代表算法之一，是一種具有精度高、運算速度快、泛化能力強等優點的統計學習新算法，其主要思想是通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能[39-40］。ANN 算法是由大量處理單元（神經元）連接的網絡結構，是以模擬人的神經系統的結構和功能為基礎而建立的一種信息處理系統，是人腦的某種抽象、簡化和模擬。ANN 的信息處理主要通過神經元間的交互作用來完成，知識與信息的儲存則體現在網絡結構上分布的物理關聯上，神經元連接權值的動態改變則取決于網絡的學習與處理[41-42］。三類分類算法均在Jupyter Notebook 下利用Python 語言實現草地類型分類模型的訓練和精度驗證。

1.5.3 精度驗證 在利用1.3 中無人機觀測草地類型樣本和1.4 中特征變量構建草地類型分類模型時，將無人機觀測草地類型樣本按7∶3 分為兩部分，其中70%的樣本用來訓練分類模型，30%的樣本用來驗證模型精度。本研究采用標準混淆矩陣來驗證草地類型分類精度。精度評價指標為總體分類精度（overall accuracy，OA）、卡帕系數（Kappa coefficient，Kappa）、生產者精度（producer accuracy，PA）和用戶精度（user accuracy，UA）。總體分類精度是通過將所有分類正確的驗證點數量相加，再除以總驗證點數量得到的；卡帕系數通過離散多元技術可進行數據之間的吻合度測量，考慮到兩組數據之間偶然一致性的可能性，利用其反映土地覆蓋產品分類準確率會更為準確；生產者精度是一個表明實際地物為i類類別對應于數據分類結果為i類型的概率統計量；用戶精度是一個表示數據分類結果為i類型對應于實際地物類別也為i類型的概率統計量。其計算公式如下：

式中：r為分類數量；N為總驗證點數量；nii為分類正確的驗證點數量；ni+為同一土地覆蓋類型驗證點數量；n+i為被分為同一土地覆蓋類型的驗證點數量。

1.6 動態變化分析

轉移矩陣可定量直觀地反映兩個時期各土地利用類型之間的轉移情況，包括轉移來源、去向及數量大小等信息。其最早應用于土地利用變化，也可用于分析草地類型變化[43］，具體數學表達形式為：

式中：S為草地類型的面積；n為草地類型總數；i、j（i，j=1，2，···，n）分別代表轉移前與轉移后的草地類型；Sij為研究時段初期i類草地至研究末期轉為j類草地的面積。轉移矩陣的每一行總和表示研究初期該草地類型的面積總數，每個行值表示該草地類型的轉移去向和大小；每一列的總和表示研究末期該草地類型的面積總數，每個列值則表示該草地類型的所有轉入類型及大小。

2 結果與分析

2.1 航拍照片分類及其指標選擇

觀測樣地草地類型識別結果空間分異特征如圖4 所示，草地類型在研究區自東向西依次按照草甸草原、典型草原、荒漠化草原、草原化荒漠和荒漠呈規律性分布。所有觀測樣地中，典型草原和荒漠化草原觀測樣地數目較大，分別占總樣本數的33.61% 和24.74%，其余依次為草甸草原（17.53%）、草原化荒漠（12.37%）和荒漠（11.75%）。

圖4 無人機觀測樣地草地類型識別結果Fig.4 Results of grassland type identification in UAV observation plot

根據Pearson 相關系數和因子重要性指標Importance 計算結果，2010-2019 年年均MODIS NDVI、氣象、土壤、地形數據的重要性值和累計貢獻度如表3 所示。結果表明，重要性值>3%的指標共有15 個，累計貢獻率為79.52%，分別為2010-2019 年年均降水量的最大值、變化范圍、和、標準差及中值；年均NDVI 的均值、和、最大值及中值；年均氣溫的中值、最大值、均值、和及最小值；高程。重要性值為2%~3%的指標有2 個，分別為2010-2019 年年均降水量的均值、年均NDVI 的最小值。重要性值<2 的指標有12 個，分別為2010-2019 年年均降水量的最小值；年均NDVI 的變化范圍、標準差；年均氣溫的標準差、變化范圍；年均坡度、坡向、坡位；年均表層土的粘土含量、底土的粘土含量、表層土的砂土含量、底土的砂土含量。所有特征指標中，前18 個指標的累計貢獻率超過85%。

表3 NDVI 特征指數的重要性和累積貢獻度Table 3 Importance and cumulative contribution of NDVI characteristics indices（%）

2.2 最優分類模型精度

結合2.1 中篩選出來的特征變量和1.3 中草地類型訓練樣本，利用RF、SVM 和ANN 分別訓練草地類型分類模型（表4）。在3 類分類方法中，基于RF 算法的草地類型分類結果效果最好，總體分類精度達82.16%，Kappa 為0.76；其次為SVM，總體分類精度和Kappa 分別為79.81%和0.72；而ANN 分類算法精度最低，總體分類精度和Kappa 分別為77.00% 和0.68。3 種分類方法對荒漠類的識別度均較高，PA 為87.50%~100.00%，UA 為91.18%~93.33%；其次為典型草原，PA 為81.58%~89.27%，UA 為65.22%~81.32%；再次為荒漠化草原、草原化荒漠；而草甸草原分類精度最低，PA 為64.29%~85.00%，UA 為65.71%~80.95%。

表4 基于隨機森林、支持向量機和人工神經網絡的內蒙古5 個草地類型的精度Table 4 Accuracy of five grasslands based on random forest （RF）， support vector machine （SVM） and artificial neural network（ANN） in Inner Mongolia

基于RF 算法的精度檢驗混淆矩陣如表5 所示，5 類草地類型中，荒漠分類精度最高，PA 和UA 分別為100.00%和93.33%，沒有驗證樣本被誤分；草甸草原PA 為64.29%，UA 在所有草地類型中最低，為77.14%，35.71%的驗證樣本分別被誤分為典型草原；典型草原和草原化荒漠的PA（89.27%，85.71% ）和UA（78.02%，85.71%）相近，6.33%和3.80%的典型草原分別被誤分為草甸草原和荒漠化草原；3.57%、7.14%和3.57%的草原化荒漠分別被誤分為草甸草原、荒漠化草原和荒漠；荒漠化草原的PA 和UA 分別為78.00%和88.64%，4.00%、10.00%和8.00%的驗證樣本分別被誤分為草甸草原、典型草原和草原化荒漠。

表5 基于RF 算法的草地分類混淆矩陣Table 5 The confusion matrix of five grassland classes based on RF algorithma

2.3 內蒙古地區草地類型空間分布

基于2.1 中篩選出的特征指數和2.2 中構建的最優草地類型分類算法，分別獲取了2000-2009 年（第Ⅰ期）、2010-2019 年（第Ⅱ期）草地類型空間分布圖（圖5）。就兩期類型圖而言，內蒙古溫性草原草地類型自東北向西南呈現較強的地帶性分布，依次為草甸草原、典型草原、荒漠化草原、草原化荒漠以及荒漠。其中，草甸草原主要分布在呼倫貝爾市中部、興安盟北部、錫林郭勒盟東北部等區域；典型草原主要分布在呼倫貝爾市、錫林郭勒盟東南部、通遼市和赤峰市西部等區域；荒漠化草原主要分布在內蒙古中部地區，主要包括鄂爾多斯市和錫林郭勒中西部、烏蘭察布市和包頭市北部等區域；草原化荒漠主要分布在阿拉善盟東南部、鄂爾多斯西北部、巴彥淖爾市中部地區、烏海市大部分區域；荒漠主要分布在內蒙古西部地區，主要包括阿拉善盟、巴彥淖爾市西北部。

圖5 基于2000-2009 年、2010-2019 年MODIS NDVI 特征指標和RF 算法的內蒙古地區草地類型空間分布Fig. 5 Spatial distribution of grassland types in Inner Mongolia based on MODIS NDVI and RF algorithm from 2000 to 2009 and from 2010 to 2019

就各草地類型面積而言，所有草地類型中荒漠化草原面積最大，約2.40×105~2.93×105km2，占研究區總面積的21.31%~25.89%；其次依次為典型草原（面積約2.35×105~2.51×105km2，占研究區總面積的20.74%~22.27%）、荒漠（面積約2.40×105~2.93×105km2，占研究區總面積的19.27%~19.87%）和草原化荒漠（面積約9.22×104~1.18×105km2，占研究區總面積的8.20%~10.37%）。所有草地類型中，草甸草原的面積最小，約5.82×104~1.07×105km2，占研究區總面積的5.12%~9.53%。

2.4 草地類型時空動態變化特征

結合2000-2019 年IGBP 全球植被分類數據集中的草地面積和20 世紀80 年代1∶1000000 草地類型圖，綜合分析了內蒙古地區草地類型時空動態變化狀況。相較于第Ⅰ期草地類型，20 世紀80 年代草地類型圖中有大量的非草地轉換為草地（占研究區總面積的24.73%），典型草原、荒漠化草原和荒漠之間的轉換比較劇烈（圖6 和圖7）。其中，非草地轉化為草地區域主要集中在阿拉善中部和南部地區，主要轉化為典型草原（占研究區總面積的7.69%）、荒漠化草原（占研究區總面積的5.91%）和荒漠（占研究區總面積的5.73%）；約11.82%面積占比的典型草原轉化為荒漠化草原（圖7）。

圖7 1980-2019 年內蒙古地區草地類型面積變化Fig.7 Area change of grassland types in Inner Mongolia from 1980 to 2019

就兩期遙感分類結果而言，草地類型的轉換主要發生在典型草原、荒漠化草原和草原化荒漠之間，幾類草地類型的轉化主要發生在錫林郭勒東北部、興安盟和呼倫貝爾西部地區（圖6 和圖7）。相較于第Ⅱ期草地類型，第Ⅰ期草地類型中，典型草原轉化為草甸草原和荒漠化草原的面積分別占整個研究區面積的4.38%和2.44%。荒漠化草原轉化為典型草原的面積占研究區總面積的8.51%，草原化荒漠轉化為荒漠化草原的面積占研究區總面積的3.33%（圖7）。

3 討論

3.1 草地類型遙感分類

草地類型的精確劃分是科學、合理地經營、管理、重建及可持續利用草地資源的重要基礎和依據，而大量真實可靠的野外觀測則是草地類型遙感分類的基礎。為了節省野外觀測的成本，草地類型遙感分類的依據多結合野外觀測、專家知識和文獻回顧等方式獲取。野外調查多在樣方（1 m×1 m）、樣地或樣帶尺度下進行（約100 m×100 m）[44］。由于中國天然草地面積廣、草地類型組成復雜，難以在短期內完成大范圍的草地資源調查工作，目前大多數草地類型遙感分類工作多在小區域內開展案例性研究[45-46］。同時，受不同專家主觀誤差、氣候變化和人類活動的影響，專家知識和文獻回顧等方式獲取的草地類型樣本還存在較大的不確定性[13，47］。

本研究中，基于FragMAP 的無人機航拍系統被應用到草地資源野外觀測中[24，31］。相較于傳統草地資源地面調查方法，基于無人機航拍觀測能夠獲取更大范圍觀測樣地，大疆精靈系列無人機在航高20 m 時的航拍照片覆蓋面積約35 m×26 m[48］，一張航拍照片相當于傳統觀測調查中的觀測樣地。且每張航拍照片具有較高的空間分辨率（約0.87 cm），再配合御2 變焦版2 m 高航拍照片（分辨率0.09 cm，覆蓋范圍3.43 m×2.57 m），可精確識別草地類型信息。此外，無人機航拍觀測方便、快捷，本研究中Grid 和Belt 航線可以同時進行飛行觀測，完成研究中1 個Grid 和3 個Belt 航線的觀測大概只需要15 min[15］，可快速獲取MODIS 植被指數像元范圍內的草地類型信息，有利于開展大范圍草地類型監測工作。更重要的是，觀測樣地航拍點、航線信息一旦建立，將會保存在FragMAP Setter 軟件中，以便于下次重復觀測調用。測試結果證明，在20 m 航高時，兩次飛行中航點的位置偏差小于1 m，同一個航點不同飛行的航拍照片能夠很好地重疊，非常適合草地植被資源大范圍、重復、定點航拍觀測[24，49］。

除了海量精確分類樣本，分類算法和模型輸入變量也對草地類型分類精度具有很大的影響[13］。早期遙感草地類型分類多采用目視解譯和非監督分類，其分類的效率和精度難以滿足草地類型分類的要求[44，50］。近年來，機器學習方法憑借其較高的分類精度和強大的數據處理能力，被廣泛地應用于遙感植被分類研究[12］。本研究結果顯示，相較于SVM 和ANN 分類算法，RF 分類算法具有較高的分類精度，其OA 較其他分類算法高出2.35%~5.16%，Kappa 高出0.04~0.08。

3.2 基于航拍照片的草地類型分類的限制性

本研究中的野外觀測沿內蒙古地區主要交通路線，每隔10~20 km 設置一個固定觀測樣地，連續2 年4 個月的時間完成整個研究區野外觀測工作，累計觀測樣地797 個。雖然利用FragMap Grid 和Belt 航拍方式，可大幅度提高草地資源外業調查的效率，節約調查成本和時間，但目前遙感分類樣本草地類型仍然通過航拍照片的人工識別來實現，大量的野外飛行積攢了海量的航拍照片（累計3 萬余張），給后期航拍照片處理和草地類型遙感分類樣本識別帶來巨大的挑戰。一方面，人工識別仍然需要消耗大量的人力和時間；另一方面需要具備較高的植物分類學知識，且不同的專家識別結果存在一定的主觀誤差，也會導致遙感分類結果存在一定的不確定性[44，47］。因此，在接下來的研究中研發基于航拍照片和深度學習算法的草地類型識別系統是非常必要的。

3.3 草地類型時空變化的不確定性

草地類型時空變化分析結果顯示，20 世紀80 年代至今的幾十年里，內蒙古地區草地類型空間分布格局發生了較大的變化（占草地總面積的30.98%）。究其變化原因，一方面，在近30 年氣候和人類活動變遷的作用下，內蒙古地區草地類型發生了巨大的變化；另一方面本研究分類所采用的草地覆蓋范圍來自MCD12Q1，盡管利用無人機調查數據算出的草地范圍精度為96.91%，但20 世紀80 年代草地類型覆蓋范圍來自實地調查，兩者存在較大的差異。此外，本研究分類模型的總體精度為82.16%，自身還存在一定的誤差和不足。

4 結論

基于2000-2019 年草地年季MODIS 植被指數、氣象數據、土壤數據、高程數據和無人機航拍資料，本研究對比分析了3 類機器學習分類模型分類精度，獲取最優分類算法。在此基礎上，獲取了內蒙古地區2000-2009 年、2010-2019 年的草甸草原、典型草原、荒漠化草原、草原化荒漠以及荒漠的空間分布，并分析了草地類型時空動態變化特征。結果表明：1）所有遙感分類特征指標中，對草地類型分類累計貢獻率≥85%的特征指標有18 個，其中降水量的最大值、變化范圍、標準差，NDVI 的總和、均值、最大值，氣溫的中值、最大值、均值對內蒙古地區草地類型重要性值較高。2）3 類分類模型中，RF 模型區分內蒙古地區荒漠、草原化荒漠、荒漠化草原、典型草原、草甸草原5 類草地類型效果最好（OA 為82.16%， Kappa 為0.76）。3）20 年間，草甸草原面積和典型草原面積總體呈增加的趨勢，草原化荒漠面積基本保持穩定，空間上呈自東向西擴展的趨勢；荒漠化草原和荒漠面積變化總體輕度減少。