沙化是指在各种气候条件下，由于各种因素形成的、地表呈现以沙(砾)物质为主要标志的土地退化，具有这种明显特征的退化土地称为沙化土地。截至2009年底，全国沙化土地面积为173.11万km²，占国土总面积的18.03% ¹⁾。土地沙化不仅导致可利用的土地资源锐减，加速生态环境的恶化，加深沙区人民的贫困程度，而且造成巨大的经济损失(王晓慧等，2005)。土地沙化所造成的环境退化与经济贫困，已经成为威胁人类生存的重大环境问题(阿如旱等，2010)。遥感可以提供多时相、大范围的高精度沙地信息数据，为动态监测沙地的发展变化提供有效手段。监测过程中的关键技术环节是沙地信息提取。在利用遥感数据进行沙地信息提取方面，已有学者做过一些研究。早在“七五”期间，我国就以TM影像为主要信息源开展了“三北防护林综合研究”的攻关项目(王一谋，1991);然后，王涛等(1999)利用遥感影像数据开展了我国北方土地利用与沙化动态监测研究;魏怀东等(2004)以TM为数据源，采用目识解译方法研究了甘肃省民勤县土地荒漠化动态;汪爱华等(2010)选用北京1号小卫星研究了全国沙漠和沙化土地监测技术流程;孙景梅(2011)以TM遥感影像为主要信息源，通过目视解译方法研究了陕西省神木县沙化土地变化情况。然而，现有研究主要是基于中低分辨率的卫星数据，通过目视判读或是基于像素的计算机分类方法，孤立地考虑单个像元的归属问题。

1) 国家林业局. 2011.中国荒漠化与沙漠状况公报.

随着遥感卫星数据获取技术的不断发展，卫星遥感影像空间分辨率不断提高。在高分辨率影像上，不仅地物的光谱特征更明显，而且其景观的结构、形状、纹理和细节等信息也都非常突出(Benz et al.，2004;Barrile et al.，2008;张春晓等，2010)，逐步成为解决沙化土地信息提取的主要数据源。但传统基于像元的分类方法在处理高分辨率遥感影像时面临很多问题:首先，地类的光谱统计特征不稳定，类间相似性大，忽略了丰富的空间信息;其次，它不是真正意义上的图像分析，属于图像处理的范畴，处于图像工程的底层(Lang，2007)。

面向对象分类技术突破了传统方法以像元为基本处理单元的局限性，以含有更多语义信息的多个相邻像元组成的对象为处理单元，实现较高层次的遥感图像分类和目标地物提取。国内外一些学者对中、高分辨率图像应用面向对象技术进行了研究和试验，取得了较丰硕的成果(Herold et al.，2002;Walter，2004;苏簪铀等，2009)。

为此，本文以沙化典型分布区———甘肃省民勤县为研究对象，以高空间分辨率影像SPOT5与30 mDEM为主要数据源，采用面向对象分类方法来研究沙化土地信息识别与提取问题，以准确揭示区域内土地沙化状况，为防沙治沙提供决策依据。

甘肃民勤县位于河西走廊东北部、石羊河流域下游，其东、西、北三面被腾格里和巴丹吉林两大沙漠包围，土地总面积约1.6万km²，其中沙漠、戈壁面积约占85%。该区属温带大陆性极干旱气候区，风大沙多，干旱缺水。年均风沙日139天，8级以上大风日29天，沙暴日37天。年均降雨量仅110 mm左右，而年蒸发量却高达2 640 mm。民勤县已成为全国乃至全球最干旱、荒漠化危害最严重的地区之一，是中国北方地区沙尘暴四大发源地之一。

土地沙化是威胁民勤县农业发展乃至全县经济发展的主要因素之一。近10多年来，由于经济活动对土地、水、植物等资源的不合理开发利用，特别是水资源的不合理利用，导致地下水位持续快速下降，引起绿洲边缘植被衰退甚至死亡，土地沙化明显加剧(魏怀东等，2004)。在该地区应用遥感技术进行沙化土地信息研究，对制定该县沙化防治策略、确定沙化工程建设布局、提高沙化防治的成效等有重要现实指导和科技支撑意义。

试验数据包括2008年9月11日SPOT5多光谱与全色影像、30 m DEM数据、1:1万纸质地形图、土地利用图、实地测得的差分GPS数据以及调查数据。研究工作平台建立在遥感数字图像处理软件(ENVI 4.8)和地理信息系统软件(ArcGIS9.3)上。

对SPOT5全色波段数据，将差分GPS采集的地面控制点和从1:1万地形图上直接读取的控制点以及DEM数据输入到SPOT5几何校正物理模型中，对影像进行正射校正，然后对多光谱影像与全色波段影像进行影像对影像的配准纠正，再将SPOT5多光谱影像波段与全色波段采用比值变换融合与彩色合成(党安荣等，2003)，使得融合后的影像兼具高分辨率空间信息和多光谱信息。具体采用的融合处理与彩色合成方式如下。

红色波段: P·B1/[B1+(B2+B4)/2+B3];

绿色波段: P·(B2+B4)/[B1+(B2+B4)/2+B3];

蓝色波段: P·B3/[B1+(B2+B4)/2+B3]·2。其中: P为全色波段;B1，B2，B3，B4为多光谱对应的1，2，3，4波段。

从处理好的影像数据中剪出一块代表性区域(102°52'30″—103°5'23″E，38°42'10″—38°52'4″N)进行试验，选用的SPOT5数据如图 1。

	图 1 SPOT5遥感数据 Fig. 1 SPOT5 image data

根据SPOT5影像的地面分辨率情况，结合国家林业局发布的中国荒漠化和沙化状况公报以及研究区土地利用/覆盖特点，把民勤县土地利用类型主要划分为耕地、建筑用地、道路、水域和沙化土地等5个一级类。本文重点在于提取沙化土地类型，所以对沙化土地类型又细分为流动沙丘(地)、半固定沙丘(地)、固定沙丘(地)、风蚀劣地、戈壁等5个二级类，详见表 1。

表 1 基于SPOT5影像的沙化土地类型分类系统 Tab.1 Desertification land classification system based on SPOT5 image data

表 1 基于SPOT5影像的沙化土地类型分类系统 Tab.1 Desertification land classification system based on SPOT5 image data 序号 No. 一级类 First level classification 二级类 Second level classification 备注 Remark 流动沙丘(地) Dynamic sand dune(land) 植被盖度小于10% ，地表沙物质常处于流动状态的沙地或沙丘 Vegetation coverage is less than 10% ，surface sand is dynamic 半固定沙丘(地) Semi-fixed sand dune(land) 植被盖度在10% ～ 29% 之间，但流沙纹理仍普遍存在的沙丘或沙 地Vegetation coverage falls in between 10% － 29% ，but the texture of dynamic sand exists widely 1 沙化土地Desertification land 固定沙丘(地) Fixed sand dune(land) 植被盖度≥30% ，风沙活动不明显，地表稳定或基本稳定的沙丘或 沙地Vegetation coverage is more than 30% ，blown sand activity is not obvious and sand dune is fixed on the whole 风蚀劣地Wind-eroded yadan landform 指雅丹、土林、白砻墩和粗化小土地等风蚀地The wind erosion landform such as the Yadan，Tulin，Bailongdun and coarse land 戈壁Gobi 干旱地区地表为砾石覆盖，植被稀少的广袤而平坦的土地The land exists in arid region with huge area and the vegetable is sparsely，which surface is flat and covered by gravel 2 耕地Cropland 3 建筑用地Building 4 道路Road 5 水域Water

面向对象的分类方法以多个相邻像元组成的对象为处理单元，实现较高层次的遥感图像分类和目标地物提取(Benz et al.，2004): 1)首先通过对遥感图像进行分割，把图像分割成若干个互不交叠的非空子区域，作为分类对象;2)然后针对每一类对象，构建分类规则，以达到对遥感图像分类的目的。

沙化土地类型信息提取过程包括遥感图像预处理、多级图像分割、分类特征优选、基于分割的分类、分类精度评估等技术环节，研究采用的整个技术流程如图 2。

	图 2 面向对象的沙化土地类型信息提取技术流程 Fig. 2 Desertification land information extraction graph based on object-oriented classification method

本文应用SPOT5影像，根据研究区不同地物类型空间分布特点，采用面向对象的影像分析方法，建立二级分割层级，最终实现沙化土地信息提取，如图 3。先对影像进行较大尺度的分割、合并，对第一次分割图像进行基于规则1的分类，分出水体、耕地、居民区、道路和沙化土地;然后借助DEM为辅助数据，以从第一次分割结果提取的沙化土地矢量图为掩膜，对沙化土地进行较小尺度的分割、合并，对分割结果进行基于规则2的分类，从沙化土地中提取出流动沙地、半固定沙地、固定沙地、风蚀劣地和戈壁。

	图 3 基于不同尺度的多级分割 Fig. 3 Multi-level segmentation based on different scale

1)第一次分割、分类 第一次分割，对研究区的初始图像进行分割，主要区分水体、耕地、居民区、道路和沙化土地，分割参数为:分割尺度为52，合并尺度为85。第一次分割合并效果如图 4。然后，利用分割对象的特征信息构建规则集，采用人机交互的方式对每个规则的阈值进行判定，构建多重规则集，全面刻画地物信息，对第一次分割结果进行基于知识的模糊分类。第一次分割后，选用的具体分类特征以及特征阈值规则见表 2。应用表 2建立的分类规则，得到分类结果如图 5。

	图 4 图像第一次分割合并结果 Fig. 4 First time segmentation and mergence result

表 2 影像分类规则1 Tab.2 Image classification rule 1

表 2 影像分类规则1 Tab.2 Image classification rule 1 类别 Type 分类规则 Classification rules 备注 Remark 道路 Road elongation ＞ 4.000 0 AND compact ＜ 0.200 0 elongation:最大直径与最小直径比The ratio of maximum diameter and minimum diameter compact:多边形紧密性的度量Measurement the compactness of polygon 耕地 Cropland rect_fit[0.500 0，1.000 0] AND area[300.000 0，201 206.000 0] AND avgband_2 ＜ 180.000 0 AND bandratio ＜ 0.000 0 rect_fit:矩形吻合度Rectangle fit，area:多边形的面积Area of polygon avgband_2:波段2的平均灰度值Grey value of wave band 2 bandratio=(B2 -B1)/(B2+B1) 水体 Water avgband_1[105.000 0，150.000 0] AND avgband_2 [145.000 0，180.000 0] AND avgband_3 [135.000 0，175.000 0] AND stdband_1 ＜ 22.000 0 AND formfactor ＜ 0.260 0 AND area ＞ 500.000 0 AND intensity[0.223 2，0.830 0] avgband_1:波段1的平均灰度值Grey value of wave band 1 avgband_2:波段2的平均灰度值Grey value of wave band 2 avgband_3:波段3的平均灰度值Grey value of wave band 3 stdband_1:波段1的标准差Standard deviation of wave band 1 formfactor:形状要素Form factor area:多边形的面积Area of polygon intensity:亮度Light 建筑物 Building area [90.000 0，1 100.000 0] AND elongation [0.703 6，3.000 0] AND avgband_2 ＜ 90.000 0 area:多边形的面积Area of polygon elongation:延伸性，最大直径与最小直径比The ratio of maximum diameter and minimum diameter avgband_2:波段2的平均灰度值Grey value of wave band 2 沙化土地 Desertification land Not道路AND Not耕地AND Not水体AND Not建筑物

	图 5 第一次分类结果 Fig. 5 First time classification result

2)第二次分割、分类 第二次分割，借助DEM为辅助数据，以提取的沙化土地矢量图为掩膜，对第一次分割后获取的沙化土地图像进一步分割，区分出流动沙地、半固定沙地、固定沙地、风蚀劣地和戈壁。分割参数为:分割尺度为40，合并尺度为89。第二次分割合并效果如图 6。对第二次分割结果进行基于知识的模糊分类。第二次分割后，选用的具体分类特征以及特征阈值规则见表 3。应用表 3建立的分类规则，得到沙化土地类型分布。然后，对影像自动化分类结果进行适当手工交互修改，得到最终沙化土地类型分类结果见图 7。

	图 6 图像第二次分割合并结果 Fig. 6 Second time segmentation and mergence result

表 3 影像分类规则2 Tab.3 Image classification rule 2

表 3 影像分类规则2 Tab.3 Image classification rule 2 类别 Type 分类规则 Classification rules 备注 Remark 风蚀劣地 Wind-eroded yadan landform avgband_4 ＞ 143 0 avgband_4: DEM平均值Average value of DEM 戈壁Gobi bandratio[0.001 0，0.090 0]AND stdband_3 [5.000 0，18.000 0]AND avgband_4 ＞ 135 0 AND tx_variance[27.000 0，150.000 0]AND intensity ＞ 0.880 0 bandratio=(B2-B3)/(B2+B3) stdband_3:波段3的标准差Standard deviation of wave band 3 tx_variance:卷积核范围内的平均灰度变化值Mean grey value change in convolution kernel intensity:亮度Light 流动沙丘(地) Dynamic sand dune(land) bandratio ＜ 0.015 5 对流动沙地其植被覆盖度(Fc)＜ 10%，其对应NDVI ＜ 0.015 5 The vegetable coverage is less than 10% and corresponding NDVI is less than 0.015 5 for dynamic sand dune(land) 半固定沙丘(地) Semi-fixed sand dune(land) bandratio[0.015 5，0.084 9] 半固定沙地10% ＜ Fc ＜ 30%，其对应NDVI介于[0.015 5，0.084 9] The vegetable coverage falls in between 10%-30% and corresponding NDVI falls in between 0.015 5-0.084 9 for semi-fixed sand dune(land) 固定沙丘(地) Fixed sand dune(land) bandratio ＞ 0.084 9 固定沙地Fc ＞ 30%，对应NDVI ＞ 0.084 9 The vegetable coverage is more than 30% and correspondin NDVI is more than 0.084 9 for fixed sand dune(land)

	图 7 沙化土地分类结果 Fig. 7 Classification result of desertification land

流动沙丘地、半固定沙地、固定沙地的区分依据地面植被覆盖度。植被指数(NDVI)是反映植被覆盖等信息的重要指数。NDVI与植被覆盖度计算式为(夏照华等，2006):

式中: Fc为植被覆盖度;NDVI为所求像元的植被指数;NDVI_soil为完全裸土或无植被覆盖区域的NDVI值;NDVI_veg为完全植被覆盖的像元NDVI值，即纯植被的NDVI值。在ArcGIS中，应用空间分析工具，计算影像各像素点NDVI值，结合目视解译，选取出试验区域内植被覆盖度最大和最小值像元，得到试验区域内NDVI_soil为-0.019 190，NDVI_veg为0.327 869。

本文试验中，NDVI的计算采用:

将利用上述方法提取得到的沙化土地信息与原始影像进行叠加，先用定性的方法，采用目视判读观察其提取效果，认为该方法的总体提取效果较好。在定量统计方面，为了评价其精度，在分类结果图上，随机选取433个样点，这433个样点与实地调查以及人工解译SPOT5影像进行对比，建立混淆矩阵，计算分类精度，结果如表 4。从表 4中可以发现，利用该方法提取的沙化土地信息总体精度达到88.45%，分类结果可满足全国沙化土地监测的区划要求。

表 4 分类精度评价 Tab.4 Classification accuracy appraisement

表 4 分类精度评价 Tab.4 Classification accuracy appraisement 类别Type 流动沙地 Dynamic sand land 半固定沙地 Semi-fixed sand land 固定沙地 Fixed sand land 戈壁Gobi 风蚀劣地 Wind-eroded yadan landform 其他类型 Other type 用户精度Guest accuracy(%) 流动沙地 Dynamic sand land 72 5 0 2 1 1 88.89 半固定沙地 Semi-fixed sand land 5 93 3 3 2 3 85.32 固定沙地 Fixed sand land 0 3 50 1 1 1 89.29 戈壁Gobi 2 2 0 77 3 0 91.67 风蚀劣地 Wind-eroded yadan landform 0 2 0 2 43 0 91.49 其他类型 Other type 0 4 2 2 0 48 85.71 制图精度 Map accuracy(%) 91.14 85.32 90.91 88.51 86.00 90.57 总体精度Total accuracy(%) 88.45

研究采用面向对象的影像分析方法，在辅助数据DEM支持下，对影像进行多尺度、多层次的分割、合并，在此基础上，通过构建多重规则集，基于规则集，对影像进行基于知识的模糊分类，最终从影像中提取出沙化土地信息，得到了较好的精度。本文为解决基于高空间分辨率影像进行沙化土地信息较为准确的提取提供了一有效途径，为制定沙化防治策略、确定沙化工程建设布局有重要科学指导意义。