EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 4: 680 - 691

DOI: https://doi.org/10.12082/dqxxkx.2021.200161

遥感科学与应用技术

基于沙地指数模型的沙地监测方法

  • 李宇君 , 1, 2 ,
  • 张磊 , 1, *
展开
  • 1.中国科学院空天信息创新研究院 数字地球重点实验室,北京 100094
  • 2.中国科学院大学 电子电气与通信工程学院,北京 100049
*张 磊（1965— ）,男,江苏宜兴人,博士,研究员,主要从事土地覆盖遥感监测和水资源遥感监测研究。 E-mail:

李宇君（1996— ）,女,山西太原人,硕士生,主要从事沙化土地分类研究。E-mail:

收稿日期: 2020-04-03

  要求修回日期: 2020-06-16

  网络出版日期: 2021-06-25

基金资助

国家重点研发计划项目(2016YFC0500806)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Sandy Land Monitoring Method based on Classification Index Model

  • LI Yujun , 1, 2 ,
  • ZHANG Lei , 1, *
Expand
  • 1. Key Laboratory of Digital Earth, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 2. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China
*ZHANG Lei, E-mail:

Received date: 2020-04-03

  Request revised date: 2020-06-16

  Online published: 2021-06-25

Supported by

National Key Research and Development Programof China(2016YFC0500806)

Copyright

Copyright reserved © 2021
Fold

摘要

沙漠化是干旱、半干旱地区的重要生态环境问题,我国西北地区沙漠化土地分布广泛,加剧的沙漠化问题影响着区域经济和社会的发展,遥感技术的进步为沙漠化评估与制图提供了重要手段。本文以内蒙古自治区浑善达克沙地为研究区,基于面向对象方法,对研究区Landsat8 OLI影像进行沙地最优尺度分割。以分割对象为基础,实验在冬夏季影像上分层分阶段提取沙地。在冬季影像上,本文提出新比值型指数RSBI（Ratio Soil Brightness Index）对沙地进行提取,精度较SBI指数提高4.11%。后基于改进型植被覆盖度指数（FMSAVI）与反照率（Albedo）构建二维特征空间,建立沙地分类指数模型（DCI）,对夏季影像沙区分类。该方法总体精度为83.24%,较NDVI-Albedo二维特征空间模型精度提高5.59%,较FMSAVI模型提高16.20%。本文结合RSBI指数与FMSAVI-Albedo特征空间反演的DCI指数模型来提取沙地信息并对沙地分类,减少了沙地提取误差,提高了分类精度,为沙地信息的研究提供了新思路。

关键词： 面向对象; 沙化土地; 沙化指数; 特征空间; 分类模型; NDVI; MSAVI; Albedo

本文引用格式

李宇君 , 张磊 . 基于沙地指数模型的沙地监测方法[J]. 地球信息科学学报, 2021 , 23(4) : 680 -691 . DOI: 10.12082/dqxxkx.2021.200161

Abstract

Desertification has become one of the most serious environmental problems facing the world today, which is also one of serious environmental threats in southwest China. Remote sensing technology offers substantial information for assessment of desertification. Based on remote sensing technology, our study aimed to extract the sandy land information and map the land cover classification in Otindag sandy land. We proposed a new sandy land extraction index and a new sandy land classification model to extract and classify sandy land at different times and levels on the basis of object-oriented classification. First, we segmented the image of study area using optimal segmentation scales evaluated by ESP2 in eCognition. The results show that the optimal segmentation scales for sandy land, shrub, and herb were 200, 145, and 185, respectively. Then in order to extract sandy land, we proposed the Ratio Soil Brightness Index (RSBI). Compared with SBI, RSBI can avoid the misclassification between water body and non-sandy land and hence had higher precision. In order to avoid the misclassification between the fixed sandy land and areas with relatively high vegetation coverage, we extracted sandy land at different times and levels. We first used RSBI to extract sandy land in the winter image. The index of MSAVI was introduced to derive the coverage of vegetation, named as FMSAVI. FMSAVI and Albedo were selected to construct two-dimensional feature space in sandy land area extracted by RSBI in the summer image. After normalization of FMSAVI and Albedo, a liner regression analysis was performed. Based on this, a Desertification Classification Index (DCI) was developed. The DCI was a collection of lines perpendicular to the fit line. Different positions of the lines mean different sandy land classifications. A map of sandy land classification was generated and we grouped sandy land into three classes, namely shifting sandy land, semi-fixed sandy land, and fixed sandy land. Our result show that the overall accuracy of DCI model was 83.24%, higher than traditional methods using modified vegetation coverage (67.04%) and NDVI-Albedo feature space (77.65%) to classify sandy land. We proposed the RSBI to extract sandy land in the winter image and constructed FMSAVI-Albedo feature space to classify sandy land in summer image. These two indexes improved classification accuracy. Our methods are simple, robust, powerful, and easy to use for the extraction and classification of sandy land.

Key words： object-oriented; sandy land; sandy land index; feature space; classification model; NDVI; MSAVI; Albedo

1 引言

土地沙化导致可用土地资源锐减,生态环境加速恶化,同时,加剧区域贫困化程度,造成巨大的经济损失[1]。遥感影像具有多时相、大范围的特点,能为沙地的提取提供高精度数据。国内外已有大量用遥感技术提取沙地的研究。早期研究用植被指数提取沙地：NDVI指数提取沙地时,受植被冠层及土壤背景的影响,误差较大,李金桐[2]等用改进的归一化差值植被指数EVI进行沙化监测,将背景调整项（L）和大气顶层表观反射率（ρ）综合于植被指数反演算法中,降低NDVI对低密度植被表达的误差;李宝林[3]则利用MSAVI指数作为沙化程度指标,该指数消除土壤背景的影响,更准确的反映地表植被状况;宋伟东等[4]进一步将MSAVI引入植被覆盖度反演模型计算中,作为改进型植被覆盖度模型进行沙化土地分类,可避免NDVI所受的土壤背景影响,实验结果能更精确反映研究区沙化水平。影响沙化过程的因素除植被覆盖外还有含水量等其他自然因素,用单一植被覆盖度指标对沙地进行提取,忽略其他因素影响,会对结果造成一定误差。近年来,研究学者结合多种指数构建二维特征空间反演沙化指数模型,可从多方面对沙地信息进行分析,为沙地分类提供了新思路：Haishuo等[5]通过各组特征指标间的线性关系构建NDVI-Albedo、MSAVI-Albedo、TGSI-Albedo共3种特征空间,分别反演分类模型并识别沙地,得出不同模型适用于不同沙化程度沙区的结论;Bing[6]则通过特征指标间的非线性关系构建TGSI-Albedo、NDVI-Albedo特征空间,反演模型进行沙地分类,分类精确度较线性特征空间高;冯娟等[7]建立MSAVI-Albedo特征空间来提取土壤盐渍化信息,而利用MSAVI-Albedo模型用于沙化土地信息提取的研究较少。目前研究多用单一植被指数进行沙化信息的提取,而构建二维特征空间进行沙地提取的研究中多用NDVI指数,为避免单一指数提取沙地时信息不足,以及NDVI植被指数受土壤背景影响的缺点,实验选择分类精度较高的MSAVI指数计算植被覆盖度并与反照率（Albedo）构建特征空间,对沙地进行分类。
由于沙化土地的空间植被疏密变化大,利用传统的以像元为基础的分类方法不可避免会出现“椒盐”现象,而不同空间尺度（不同分辨率影像）会产生不同的监测效果,如半固定沙地在不同的尺度可能误判为流动沙地或固定沙地。面向对象技术的出现,有效地解决了“椒盐”现象的产生[8],并且具有尺度的灵活性,通过最优分割尺度的选取可最大程度提高类间异质性和类内同质性,减少分类误差。
本文以Landsat8 OLI影像为数据源,以面向对象分类技术为基础,建立新指数,分层分阶段提取沙地区域,反演分类模型,对沙地进行分类,以评估研究区内土地沙化的情况,为防沙治沙提供依据。

2 研究区概况与数据来源

2.1 研究区概况

研究区位于内蒙古自治区浑善达克沙区南部正蓝旗,区内各典型沙地类型均有分布。研究区面积约为4826.67 km²,属温带大陆性气候,经治理沙尘暴次数降低。浑善达克沙地位于内蒙古自治区中部,是离北京最近的沙源[9]。沙区内沙丘多呈链状、垄状,少数呈新月状,由西北向东南向展布,丘高10~30 m,丘间多甸子地,多由浅黄色粉沙组成。

2.2 数据源及预处理

为避免在夏季影像上提取沙地时,因植被生长茂密而将固定沙地误分为植被覆盖高的非沙地植被,使实际固定沙地类型面积减少,本文采用分阶段、分层的方法进行沙地提取。在冬季影像上提取沙地,在夏季影像沙地区域进行分类,减少误分类。实验从美国地质调查局官网[10]选取研究区近5年 云覆盖量最少,影像质量最高的2017年冬夏季Landsat8 OLI影像各一景进行沙地信息提取与分类。选取研究区影像的可见光波段（蓝绿红）、近红外波段、短波红外1、短波红外2共6个波段进行合成,分辨率为30 m。Landsat8卫星于2013年2月11日发射,携带OLI陆地成像仪与TIRS热红外传感器,OLI陆地成像仪包括9个波段,OLI包括了ETM+传感器的所有波段,并新增2个波段：用于海岸带观测的蓝色波段（band1:0.433~0.453 μm）;短波红外波段（band9：1.360~1.390 μm）可用于云检测。Landsat8各波段参数如表1所示。
表1 Landsat8 OLI波段信息

Tab. 1 Band information of Landsat8 OLI

波段 波长范围/μm 空间分辨率/m
海岸波段 0.433~0.453 30
蓝波段 0.450~0.515 30
绿波段 0.525~0.600 30
红波段 0.630~0.680 30
近红外波段 0.845~0.885 30
短波红外1 1.560~1.660 30
短波红外2 2.100~2.300 30
全色波段 0.500~0.680 15
卷云波段 1.360~1.390 30
热红外1 10.60~11.19 100
热红外2 11.50~12.51 100
实验采集包括野外调查验证点与Google Earth中由目视解译判定的验证点共179个（图1）,用于沙地分类精度评估。下载的OLI数据为Level1-TP级别,影像经过了系统的辐射校正与几何纠正。实验用ENVI与ArcGIS 10.5软件对影像进行波段合成与研究区边界的矢量裁剪。
图1 影像及验证点分布情况

Fig. 1 Image and distribute of testpoint

3 研究方法

3.1 技术路线

本文采用分层分阶段的思路,为避免夏季固定沙地与植被高密度种植非沙地混分,先在研究区冬季影像上用RSBI指数提取沙地,再采用由FMSAVI-Albedo二维特征空间反演的沙地分类模型DCI模型,在夏季影像的沙地区域进行沙地分类。整体技术路线如图2所示。
图2 沙地提取与分类技术路线

Fig. 2 Technical route of sand extraction and classification

3.2 最优分割尺度

本文将影像进行对象化处理,在对象基础上进行沙化土地识别。通过多尺度分割最优尺度提取,确定对象的大小。实验基于eCognition软件,用ESP2（Estimation of Scale Parameter）尺度评价工具选取沙地最优分割尺度。
ESP工具通过计算不同分割尺度参数下影像对象同质性的局部变化的变化率值ROC）来指示对象分割效果最佳参数。当变化率值（ROC）最大即出现峰值时,该点对应的分割尺度即为最佳分割尺度[11]。ROC计算公式为：
ROC = L i - L i - 1 L i - 1 × 100 %
式中：ROC为LV变化率;Li为目标层第i层对象层的平均标准差;Li-1为目标层第i-1层对象层的平均标准差。

3.3 比值沙地亮度指数(RSBI)

准确提取影像中的沙地区域是对沙地进行精确分类的前提。本文采用分层分阶段的思路,在冬季影像上提取沙地,在夏季影像沙地区域进行分类,减少误分类。
含沙量高的地表各波段反射率越高,当沙质向壤质转化时,土地中的有机质和含水量增高,地表反射率降低。通常高含沙量地表在红波段与短波红外波段反射率较高,在蓝波段、绿波段反射率低。前人研究用SBI（Sand Brightness Index）指数提取沙地,SBI值越高,含沙量越高。SBI计算公式如下：
SBI = B SWIR 1 + B R
式中：SBI为沙地亮度指数; B SWIR 1 表示在1.55~ 1.75 μm的短波红外波段的反射率; B R 表示在0.64~0.67 μm的红波段的反射率。但该指数为2个波段指数之和,不同影像之间同一地物阈值不具有可比性,考虑到影像间可比性问题,提出一种比值沙地识别指标RSBI（Ratio Sand Brightness Index）。
RSBI = B SWIR 1 + B R B G
式中：RSBI为沙地亮度比值指数; B SWIR 1 表示在1.55~1.75 μm的短波红外波段的反射率; B R 表示在0.64~0.67 μm的红波段的反射率;BG表示在0.53~0.59 μm的绿波段的反射率。通过研究发现,沙地对绿波段的反射率低,而SBI指数值越高,地表含沙量越大,故沙地在SBI与BG之间反射差异大,作为对SBI指数的改进,将二者组合成为比值型沙地亮度指数。该指数通过沙地反射率最高与最低波段间相比值,进一步扩大波段间差异,从而达到在影像上突出感兴趣地物的目的[12]。RSBI指数综合红波段、短波红外与绿波段3个波段的光谱信号,增强了光谱信息,提高了沙地与非沙地识别的灵敏度。且RSBI指数类似于NDVI指数,同一地物的阈值在影像之间具有可比性,可避免不同影像同一地物阈值范围不同的情况。可依据沙地RSBI指数的阈值范围来对其进行有效提取。

3.4 植被盖度指数模型

NDVI对土壤和植被的敏感度不同,在植被密度低的地区,NDVI受土壤背景影响较大,会忽略部分植被信息;在植被密度高的地区,NDVI则会出现光谱饱和现象。因此对于植被覆盖较少的沙化地区,需消除植被冠层信息及土壤背景的影响。1994年Qi[13]提出修改型土壤调整植被指数（MSAVI）,公式如下：
MSAVI = 2 N nir + 1 - ( 2 N nir + 1 ) 2 - 8 ( N nir - N red ) 2
式中：Nnir为近红外波段;Nred为红波段。
本文将MSAVI作为参数引入被覆盖度计算模型中,计算公式如下：
FMSAVI = MSAVI - MSAV I s MSAV I v - MSAV I s
式中：FMSAVI为改进型植被覆盖度指数;MSAVIs为最纯净的土壤地区的MSAVI值;MSAVIv为植被覆盖度最高地区的MSAVI值。将MSAVI作为参数引入植被覆盖度计算中作为改进型植被覆盖度指数,可避免植被冠层信息及土壤背景对沙地提取的影响。本文选取FMSAVI为参数之一构建二维特征空间。
为作对比分析,本文同时采用FMSAVI植被覆盖度模型对沙地进行分类。根据国家林业局《沙化土地监测技术规程》[14],用植被盖度指数模型将沙地分为流动沙地、半固定沙地和固定沙地3类。

3.5 FMSAVI-Albedo特征空间

地表状况随沙漠化程度的加剧而发生改变,地表含水量降低,粗糙度下降,地表反照率（Albedo）相应增加。干旱地区因土壤含水量较低,该指数能有效地反映地表的整体反射能力。
实验为避免NDVI指数受土壤背景与植被冠层的影响,提出用改进型植被覆盖度（FMSAVI）与反照率（Albedo）作为变量构建二维特征空间,通过该特征空间反演沙地分类指数模型,提高分类精度。构建FMSAVI-Albedo特征空间前,对FMSAVI、Albedo进行归一化处理。该特征空间（图3）一般呈梯形或三角形。根据各地类FMSAVI和Albedo的分布可知,A点表示含水量较低且植被覆盖度低的干旱沙区,B点表示含水量较高但植被覆盖度低的区域,C点表示植被覆盖度高但含水量较低的地区,D点表示植被覆盖度与含水量均高的地区。二维特征空间具有明确的生态学内涵,可反映各种生物物理机制驱动下地表覆盖及每个物理参量的变化,利用特征空间提取的信息能有效的进行土地覆盖分类[15]。
图3 FMSAVI-Albedo特征空间

Fig. 3 FMSAVI-Albedo feature space diagram

3.6 沙化土地类型分类指数（DCI）

在FMSAVI-Albedo特征空间中,对于沙地类型,FMSAVI与Albedo存在明显的线性负相关性,Verstraete[16]等的研究结论表明在代表沙化土地变化趋势,即线性拟合趋势线的垂线方向上划分二维特征空间,可对不同的沙地类型有效划分（图4）,由此反演沙化土地分类指数模型（DCI）[17]。
DCI = a × FMSAVI - Albedo
式中：DCI为沙地分类指数,通过DCI模型阈值来判断沙化土地类型。 - a × k = 1 ,k为特征空间趋势线线性拟合斜率。DCI在直观上表现为特征空间中垂直于趋势线的各分割直线的位置[18]。
图4 DCI指数模型

Fig. 4 Model of DCI index

4 结果及分析

4.1 最优尺度选择结果

本文用eCogition软件中ESP2指标对最优分割尺度进行选取。ESP2指数结果显示最佳分割尺度有145、185、200（图5）。剩余峰值对影像地物分割均有欠拟合或过拟合现象。
图5 各地类对应最优分割尺度结果

注：图中由左至右的红色圈依次表示最佳分割尺度为145、185、200。

Fig. 5 The result of optimal scale segmentation for each land category

其中以145为分割尺度分割影像时,乔灌植被类型边界拟合较好（图6（a））;以185为分割尺度分割影像时,草地植被类型边界拟合较好（图6（b））;以200为分割尺度分割影像时,沙地类型的识别边界较吻合（图6（c））。故选用200为最优分割尺度进行沙化土地的分割。
图6 各地类对应最优尺度分割示意

Fig. 6 Sketch of optimal scale segmentation for each land category

4.2 RSBI指数分类结果

实验分别用SBI、RSBI指数对冬季影像进行沙地提取后,选取实地采样点与GoogleEarth目视解译共170个样本点对2个指标分类结果进行精度评价,RSBI指标总体精度（89.41%）较SBI指标总体精度（85.30%）高4.11%（表2）。
表2 沙地与非沙地混淆矩阵与分类精度

Tab. 2 Confusion matrix and classification accuracy of of sandy land and non-sandy land

指标 类别 沙地 非沙地 用户精度/%
RSBI 沙地 71 6 92.40
非沙地 12 76 86.81
生产者精度/% 85.88 92.94
总体精度/% 89.41
SBI 沙地 72 16 82.60
非沙地 9 69 88.46
生产者精度/% 89.41 81.18
总体精度/% 85.30
分类精度结果表明,RSBI指数精度较SBI指数精度高,具体体现对水体的识别上。SBI指数提取沙地阈值为217.00~278.72,用该指数提取沙地时会将水体周围滩地等非沙地误分为沙地（图7（b））,道路等不透水表面及植被种植密度高的非沙地表面作为非沙地剔除。对分类结果进行分析可知,研究区冬季部分冰面SBI指数值与沙地大小近似。故用SBI指数无法区分这部分冬季冰面与沙地。但这部分冰面在绿波段反射率较高,在绿波段反射率较高,沙地在绿波段反射率较小,RSBI指数结合了绿波段在沙地上的光谱特征,通过SBI指数与绿波段波段间比值扩大了波段间差异,在影像上更能突出沙地地类。RSBI提取沙地阈值为2.58~2.84,该指标提取沙地时可有效避免水体周围滩地的误分（图7（c））,对包括道路等不透水表面及植被种植密度高的非沙地表面进行剔除。RSBI指数沙地提取灵敏度高,解决了SBI指数水体混分的问题。且该指数为比值型指数,较SBI指数更具有普适性,弥补了SBI指数的不足。
图7 SBI、RSBI指数提取沙地结果

Fig. 7 Sandy land extraction by SBI, RSBI index

4.3 沙化土地二维特征空间

在夏季影像的沙地区域上,选择改进型植被覆盖度（FMSAVI）与反照率（Albedo）构建二维特征空间,特征空间呈三角形（图8（c））。对特征空间区域分类可得到沙地各类型分类。根据距特征空间中点（1,0）的距离[19]将特征空间分为3个点集,不同点集代表不同的植被覆盖度与含水量的沙地类型。由特征空间分布分析可知,在特征空间中距（1,0）点最远点集植被覆盖度及含水量最低,反射率高,可将其划分为流动沙地;其次为植被覆盖度和含水量较低的半固定沙地;距（1,0）点最近的含水量与植被覆盖度较高,反射率低,可将其划分为固定沙地（图8（b））,未分类区域为非沙地。
图8 FMSAVI-Albedo二维特征空间沙地分类示意

Fig. 8 FMSAVI-Albedo feature space and sandy land classification diagram

4.4 沙化土地类型分类指数模型拟合及分类结果

对影像进行最优尺度分割后,在研究区随机均匀选取373个样本对象计算Albedo与FMSAVI值,将指数归一化后进行线性拟合,线性拟合结果如图9所示。
图9 FMSAVI-Albedo特征空间变量间相关关系

Fig. 9 Correlation between variables in FMSAVI-Albedo feature space

图10 沙地分类结果

Fig. 10 Classification of sandy land

y = - 1.0757 x + 0.8255 R 2 = 0.7509
由特征空间散点图及线性拟合结果分析可知,特征空间成梯形或三角形,可决系数R2大于0.7,沙地地类的植被覆盖度与反射率呈显著负相关关系。式（7）说明,随着沙化程度的增加,植被覆盖度（FMSAVI）显著减少,地表反照率逐渐增加,沙化过程得到明显反映[20]。根据线性拟合趋势线的垂线方向上划分二维特征空间,而垂线方向在特征空间的位置可用二元线性多项式加以表达[21],即用DCI模型阈值对沙地进行划分。根据式（6）反演DCI模型为：
DCI = 0.930 × FMSAVI - Albedo
经式（8）计算DCI值,对该值结果进行人机交互目视解译判定各类型阈值,各类沙地DCI阈值范围为流动沙地：-0.98~ -0.36;半固定沙地：-0.36~0.22;固定沙地：0.22~1.39。

4.5 沙地分类结果与精度评估

用DCI模型划分研究区沙地类型分类结果如图（10）所示,流动沙地面积为347.3 km²,占总面积的7.20%,主要分布在研究区的东部、北部和西北部地区;半固定沙地面积为1764.45 km²,占总面积的36.56%,主要分布在研究区西部、中部及南部地区;固定沙地面积为1537.74 km²,占总面积的31.86%,主要在研究区各个方位都有所分布。
实验选取2017年实地调查验证点与Google Earth目视解译验证点共179个对分类结果进行精度验证,分类混淆矩阵与精度结果如表3所示。
表3 各类沙化土地类型混淆矩阵与分类精度

Tab. 3 Confusion matrix and classification accuracy of different types of sandy land

流动沙地 半固定沙地 固定沙地 用户精度/%
流动沙地 48 9 0 84.21
半固定沙地 7 49 5 80.32
固定沙地 0 8 52 86.67
非沙地 0 0 1
生产者精度/% 87.27 74.24 89.66
总体精度/% 83.24
结果显示,DCI模型分类总体精度为83.24%。流动沙地用户精度为84.21%,生产者精度为87.27%;半固定沙地用户精度为80.32%,生产者精度为74.24%;固定沙地用户精度为86.67%,生产者精度为89.66%。在分类结果中,流动沙地和固定沙地的分类精度高于半固定沙地,分析原因为半固定沙地处于流动沙地与固定沙地的过渡段,对其阈值界限的确定有一定程度的模糊,而流动沙地与固定沙地阈值分布特征明显,分布于DCI最小值与最大值处,故半固定沙地分类精度较其他两类低。实验测得的流动沙地的面积少于半固定沙地与固定沙地的面积,这与自2006年来国家在浑善达克沙区进行一系列防沙治沙工程有关,经生态工程的治理,流动沙地逐渐转换为半固定沙地与固定沙地,使其面积所占比例减少。

4.6 DCI模型与FMSAVI模型对比分析

FMSAVI模型对沙地分类结果精度较低（67.04%）,实验结果分析可知,其误差主要体现在半固定沙地分误为流动沙地,固定沙地误分为半固定沙地上。FMSAVI模型将半固定沙地误分为流动沙地,使流动沙地面积增多（图11（1b））,错分区主要分布在研究区西南部,见图11的区域1;FMSAVI模型存在固定与半固定沙地的混分,半固定沙地相比增多（图11（2b））,错分区域主要分布在研究区西南部,见图11区域2;固定沙地面积相比减少（图11（3b）、（4b））,错分区域主要分布在研究区北部、东部,见图11区域3、区域4。
图11 FMSAVI、FMSAVI-Albedo特征空间模型分类结果对比

注：(1a)、(2a)、(3a)、(4a)分别对应区域1、区域2、区域3、区域4处影像;(1b)、(2b)、(3b)、(4b)为对应FMSAVI模型分类结果;(1c)、(2c)、(3c)、(4c)为对应DCI模型分类结果。

Fig. 11 Comparison of FMSAVI model and FMSAVI-Albedofeature spaceclassification result

分析造成FMSAVI模型误差的主要原因为：以植被覆盖度对沙地进行分类只考虑到植被覆盖度对沙地的影响而忽略了地表水分含量对沙化过程的影响。如图11区域1处,经Google Earth目视解译该区域植被密度低但水分含较高的半固定沙地,FMSAVI模型将该区域分类为流动沙地,只考虑到植被覆盖程度而忽略了水分因素对沙地的影响,而用DCI模型将植被覆盖度与Albedo指数结合,考虑到含水量对沙化过程的影响,分类结果为半固定沙地（图11（1c））,解决了单一因素信息不足导致的分类误差问题。DCI模型分类结果总体精度相对于FMSAVI模型提高16.20%。FMSAVI模型各类型沙地用户精度及生产者精度相比DCI模型均较低,说明结合Albedo指数构建二维特征空间对精度提升的贡献体现在各类沙地上。Li等[22]表明,当地表反照率达到一定值时有草地沙化现象发生,地表反照率是反映沙地类型的重要物理参数之一[23],DCI模型结合了地表植被覆盖与水分含量对沙化土地的双重影响,降低了用单一植被覆盖度对沙地进行分类的误差。

4.7 DCI模型与NDVI-Albedo模型对比分析

为进一步验证FMSAVI-Albedo特征空间的精度优越性,实验将该模型与NDVI-Albedo特征空间反演的DCI分类模型做对比。NDVI-Albedo特征空间DCI模型为：
DCI = 1.204 × NDVI - Albedo
经人机交互目视解译判定各类型阈值,各类沙地DCI阈值范围为固定沙地：0.54~1.45;半固定沙地：-0.10~0.54;流动沙地：-1.36~-0.10。对实验结果进行分析,模型总体精度为77.65%。该DCI模型主要将半固定沙地误分为固定沙地,使半固定沙地面积相对减少（图12（1b）、图12（3b）、图12（4b））,错分区主要分布在西北部和西南部,见图12的区域1、区域（3）、区域（4）;将小部分流动沙地误分为半固定沙地,使流动沙地面积减少（图12（2b））,错分区主要分布在中部,见图12的区域2。
分析造成该模型精度误差的主要原因为：在植被密度低的地区,NDVI因土壤背景影响忽略部分植被信息,在植密度高的地区会出现光饱和现象[24],如图12的区域4,经Google Earth目视解译该区域为半固定沙地,由于NDVI的指数误差其DCI模型将该区域分类为固定沙地,而FMSAVI指数消除了植被冠层和土壤背景的影响,正确将该区域分为半固定沙地（图12（4c））,能更准确的反映地表植被状况[25]。由FMSAVI-Albedo特征空间反演的DCI模型较NDVI-Albedo反演模型精度提高5.59%。NDVI-Albedo反演模型各类型沙地用户精度及生产者精度相比FMSAVI-Albedo特征空间均较低,说明相比于NDVI,FMSAVI指数对精度提升的贡献体现在各类沙地上,将FMSAVI作为参数构建二维特征空间反演DCI模型,弥补了NDVI-Albedo特征空间的精度误差。
图12 FMSAVI-Albedo、NDVI-Aledo特征空间分类结果对比

注：(1a)、(2a)、(3a)、(4a)分别对应区域1、区域2、区域3、区域4处影像;(1b)、(2b)、(3b)、(4b)为NDVI-Albedo对应模型分类结果;(1c)、(2c)、(3c)、(4c)为FMSAVI-Albedo对应模型分类结果。

Fig. 12 Comparison ofFMSAVI-Albedo and NDVI-Albedo classification results

5 结论

本文基于面向对象方法,采用分层分阶段的思路对沙地分类。在冬季影像上用RSBI指数提取沙地;在夏季影像上,通过构建FMSAVI与Albedo特征空间反演DCI模型进行沙地分类。通过本文研究得出以下结论：
（1）使用eCognition软件中EPS2工具对影像进行最优尺度分割时,若各层分割初始尺度设置不当会使ROC曲线出现平滑无锋值的情况,需多次实验即可找到合适初始尺度。找到峰值后,可直接用峰值对应的分割尺度作多尺度分割实验,寻找各类地物对应的最优分割尺度,该方法较遍历尺度选取最优分割尺度方法更为高效方便。
（2）本文采用分层分阶段的思路,在冬季影像上提取沙地,避免了直接在夏季影像上提取沙地时,因夏季植被生长茂盛而导致的固定沙地与植被密度高的非沙地区域混分。提出沙地后在夏季影像上进行分类。利用多时相影像来提取沙地,为后续高精度沙地分类提供了基础。
（3）在冬季影像上提取沙地时,SBI指数提取结果会将部分水体与沙地混淆,相比SBI指标,RSBI 指标通过波段间比值,扩大了沙地各波段间差异,可将水体正确识别为非沙地,本文中相比SBI指数,RSBI指数提取沙地精度可提高4.11%。RSBI指数不仅提高了沙地识别的灵敏度,且为比值型指数,具有影像间相对比较性,适用于不同影像,弥补了SBI指数同种地物不同影像阈值间无法比较的不足。
（4）用单一植被覆盖度指数提取沙地时,会忽略水分因素对沙化土地的影响,导致精度较低。将MSAVI指数作为参数计算植被覆盖度,并将其与Albedo指数结合构建二维空间,该二维空间可有效反映沙化程度。通过二维特征空间反演沙地分类模型并对沙地分类,不仅考虑到水分对沙化土地的影响,且消除了土壤背景与植被冠层对指数的影响,本文实验中,该模型相对于单一植被覆盖度FMSAVI模型分类沙地精度提高16.20%,较NDVI-Albedo二维特征空间模型精度提高5.59%。该指数适用于各类型沙地的提取,可有效提高沙地分类精度。
本文将FMSAVI与Albedo结合构建二维特征空间,考虑了水分对沙化土地的影响。同样的,纹理指数如TSGI（Top Soil Grain Index）可直接反应不同沙地类型的纹理特征;干燥指数表征气候干燥程度,反映某地某时刻水分的收入与支出情况,对沙化过程同样有一定影响。在今后的研究中,可将TSGI指数与干燥指数等作为参数,与植被覆盖度指数构建二维特征空间反演沙地分类模型,比较不同模型之间优缺点,达到进一步提高沙地分类精度的研究目的。
本文结合RSBI指数与FMSAVI-Albedo特征空间反演的DCI指数模型来提取沙地,对沙地进行分类,方法简单,精度较高,为有效进行沙地分类提供了一条新途径。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
冯益明, 郑冬梅, 智长贵, 等. 面向对象的沙化土地信息提取[J]. 林业科学, 2013,49(1):126-133.

[ Feng Y M, Zheng D M, Zhi C G, et al. Desertification land information extraction based on object-oriented classification method[J]. Scientia Silvae Sinicae, 2013,49(1):126-133. ]

[2]
李金桐, 镨拉提, 纪良, 等. 基于GIS的MODIS环境荒漠化监测中的应用方法研究[J]. 沙漠与绿洲气象, 2003,26(2):21-23.

[ Li J T, Polat, Ji L, et al. The inspection of environmental desertification using GIS based on MODIS[J]. Desert and Oasis Meteorology, 2003,26(2):21-23. ]

[3]
李宝林, 周成虎. 东北平原西部沙地近10年的沙质荒漠化[J]. 地理学报, 2001,68(3):307-315.

[ Li B L, Zhou C H. Sandy desertification in west of northeast China Plain in the past 10 years[J]. Acta Geographica Sincia, 2001,68(3):307-315. ]

[4]
宋伟东, 张亚男, 高琳, 等. 面向对象与决策树模型的辽西北地区沙化信息提取[J]. 辽宁工程技术大学学报(自然科学版), 2018,37(3):149-155.

[ Song W D, Zhang Y N, Gao L, et al. The extraction and classification of Liaoning northwest desertification information based on object-oriented and decision-making model[J]. Journal of Liaoning Technical University(Natural Science), 2018,37(3):149-155. ]

[5]
Haishuo W, Wang J, Cheng K, et al. Desertification information extraction based on feature space combinations on the Mongolian Plateau[J]. Remote Sensing, 2018,10(10):1614.

[6]
Guo B, Wen Y. An optimal monitoring model of desertification in Naiman Banner based on feature space utilizing Landsat8 Oli image[J]. IEEE Access, 2020,8:4761-4768.

[7]
冯娟, 丁建丽, 魏雯瑜. 基于Albedo-MSAVI特征空间的渭库绿洲土壤盐渍化研究[J]. 中国农村水利水电, 2018(2):147-152.

[ Feng J, Ding J L, Wei W Y. A study of soil salinization in Weigan and Kuqa Rivers Oasis based on Albedo-MSAVI feature space[J]. China Rural Water and Hydropower, 2018(2):147-152. ]

[8]
Zhang L, Jia K, Li X S, et al. Multi-scale segmentation approach for object-based land-cover classification using high-resolution imagery[J]. Remote Sensing Letters, 2014,5(1):73-82.

[9]
王志波, 高志海, 王琫瑜, 等. 基于面向对象方法的沙化土地遥感信息提取技术研究[J]. 遥感技术与应用, 2012(5):770-777.

[ Wang Z B, Gao Z H, Wang F Y, et al. The study of extracting sandy lands information from remote sensing image based on object-oriented method[J]. Remote Sensing Technology and Application, 2012(5):770-777. ]

[10]
美国地质调查局[EB/OL].(https://earthexplorer.usgs.gov/).

[ United states geological survey[EB/OL]. (https://earthexplorer.usgs.gov/). ]

[11]
Drǎgu, Lucian, Tiede D, et al. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010,24(6):859-871.

[12]
钟春棋, 曾从盛, 柳铮铮. 基于谱间特征与比值型指数的水体影像识别分析[J]. 地球信息科学, 2008,10(5):663-669.

[ Zhong C Q, Zeng C S, Liu Z Z. Study on terrestrial water information identify based on the analysis of spectral signature and ratio index[J]. Geo-information Science, 2008,10(5):663-669. ]

[13]
Qi J A. Modified soil adjusted vegetation index[J]. Remote Sensing Environment, 1994,48:119-126.

[14]
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. GB/T24255-2009: 沙化土地监测技术规程[S]. 北京: 中国标准出版社, 2009.

[ General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration. GB/T24255-2009, Technical code of practice on the sandified land monitoring[S]. Beijing:Standards Press of China, 2009. ]

[15]
曾永年, 向南平, 冯兆东, 等. Albedo-NDVI特征空间及沙漠化遥感监测指数研究[J]. 地理科学, 2006,26(1):75-81.

[ Zeng Y N, Xiang N P, Feng Z D, et al. Albedo-NDVI space and remote sensing synjournal index models for desertification monitoring[J]. Acta Geographica Sincia, 2006,26(1):75-81. ]

[16]
Verstraete M M, Pinty B. Designing optimal spectral indexes for remote sensing applications[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996,34(5):1254-1265.

[17]
Duan H C, Tao W, Xue X, et al. Dynamic monitoring of aeolian desertification based on multiple indicators in Horqin sandy land, China[J]. Science of the Total Environment, 2019,650(2):2374-2388.

[18]
Lamqadem A A, Saber H, Pradhan B. Quantitative assessment of desertification in an Arid Oasis using remote sensing data and spectral index techniques[J]. Remote Sensing, 2018,10(12):1-18.

[19]
Wu Z, Lei S, Bian Z, et al. Study of the desertification index based on the Albedo-MSAVI feature space for semi-arid steppe region[J]. Environmental Earth Sciences, 2019,78(6):232.

[20]
刘英, 李遥, 鲁杨, 等. 2000—2016年黄土高原地区荒漠化遥感分析[J]. 遥感信息, 2019,34(2):30-35.

[ Liu Y, Li Y, Lu Y, et al. Monitoring of desertification and drought in Loess Plateau based on NDVI-Albedo Space[J]. Remote Sensing Information, 2019,34(2):30-35. ]

[21]
岳辉, 刘英. 基于NDVI-Albedo特征空间的陕西省干旱与荒漠化遥感监测[J]. 西北林学院学报, 2019,34(1):204-211.

[ Yue H, Liu Y. Monitoring of drought and desertification in Shaanxi province based on NDVI-Albedo space[J]. Journal of Northwest Forestry University, 2019,34(1):204-211. ]

[22]
Li S G, Harazono Y, Oikawa T. Grassland desertification by grazing and the resulting micrometeorological changes in Inner Mongolia[J]. Agric for Meteorol, 2000,102(2-3):125-137.

[23]
Li S G, Eugster W, Asanuma J, et al. Energy partitioning and its biophysical controls above a grazing steppe in central Mongolia[J]. Agric For Meteorol, 2006,137(1):89-106.

[24]
Zeng Y N, Feng Z D. Advances in sandy desertification detecting and its environmental impacts[J]. Journal of Mountain Research, 2005,23(2):218-227.

[25]
Zhao H L, Li J, Liu R T, et al. Effects of desertification on temporal and spatial distribution of soil macro-arthropods in Horqin sandy grassland, Inner Mongolia (SCI)[J]. Geoderma, 2014,223-225:62-67.

Options
文章导航

/

〈 〉