我国是世界上受土地沙化危害最严重的国家之一，据国家林业局第3次全国荒漠化和沙化土地监测结果，截至2004年，全国沙化土地面积为174万km²，占国土总面积的18.12%，涉及全国30个省(自治区、直辖市)889个县(旗、区)。与1999年监测结果相比，5年间沙化土地净减少6 416 km²，年均减少1 283 km²。大部分省区的荒漠化和沙化状况呈现好转的态势，沙区植被覆盖度有所增加。尽管沙化土地总体扩展的趋势得到初步遏制，但局部地区仍在扩展，土地沙化的总体形势仍然很严峻。

为全面掌握沙化土地的现状和发展动态，为国家防沙治沙提供科学依据，开展沙化土地监测和评价是一项十分必要的工作。遥感作为采集沙化土地现状及其变化信息的重要技术手段，可有效地提高沙化土地监测的及时性和准确性。国内外已经对运用遥感技术进行沙化土地监测做了大量的研究(高尚武等，1998；王涛等，1998；Sahai，1993；Di，2003；Tansey et al., 1998a)，本文旨在总结国内外沙化土地遥感监测的研究现状和进展，探讨研究中存在的问题，并提出今后研究的发展方向。

1 概念

荒漠化是全球关注的重要经济、社会和环境问题之一。根据1994年《联合国关于在发生严重干旱和/或荒漠化的国家特别是在非洲防治荒漠化的公约》，荒漠化的定义是包括气候变异和人类活动在内的种种因素造成的干旱、半干旱和干旱亚湿润地区的土地退化。荒漠化对人类社会的生存和发展构成严重威胁，因此联合国环境与发展大会将防治荒漠化列为国际社会优先采取行动的领域之一。荒漠化按地表组成物质性质和发展方向划分为沙质荒漠化、砾质荒漠化、石质荒漠化和盐质荒漠化。

在我国，除了荒漠化概念外，也经常运用沙漠化、土地沙化等概念。我国传统惯称的沙漠化实际上是荒漠化的一种类型，即沙质荒漠化，我国约70%的荒漠化面积归属此类。朱震达(1989)认为沙漠化是在干旱、半干旱和部分半湿润地区的脆弱生态环境条件下，由于人为过度的活动破坏了生态平衡，使原非沙漠地区出现了以风沙活动为主要特征的类似沙质荒漠环境的退化。进入90年代，人们认识到沙漠化概念的局限性和在国际交流中带来的诸多不便，开始与国际上荒漠化概念靠拢，并逐渐以“荒漠化"取代“沙漠化"。

荒漠化、沙漠化土地，首先必须确定气候区，学术界的纷争对其应用带来较大的困难，沙化土地是为了避免学术纷争而能在工作中应用的目的产生。沙化泛指任何地区在各种气候条件下，由于自然和人为因素导致土地呈现出沙(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为沙化土地。在我国荒漠化和沙化监测中直接使用沙化土地这个概念。

本文的研究对象是沙化土地，由于很多研究在荒漠化、沙漠化和沙化这3个概念方面存在交叉和争议，但实际研究对象包括沙化土地，所以本文引证时也涉及到荒漠化和沙漠化的内容。

2 遥感信息源

目前应用较普遍的遥感影像有Landsat MSS/TM/ETM+、NOAA/AVHRR和EOS-MODIS等，近几年星载SAR、SPOT、CBERS等影像也有较多的研究应用(Kwarteng et al., 2000；丁峰等，2003；谢忙义等，2001；王兮之等，2002)。全球或洲尺度的沙化土地研究，主要用NOAA/AVHRR和MODIS数据，而区域尺度的研究，主要用Landsat TM/ETM+和其他高分辨率数据。

研究中经常应用Landsat TM/ETM+和NOAA/AVHRR等确定沙化发生发展的范围和程度，监测地表植被生长状况。合成孔径雷达数据可全天候获取植被、土壤以及沙化信息。国外利用星载SAR影像通过提取后向散射信息反演土壤湿度和表面粗糙度来研究沙漠表面过程(Tansey et al., 1998b)。Deroin等(1997)建立了后向散射和干旱地表粗糙度之间的经验模型，Tang等(2002)利用后向散射测试遥感沙地波纹，Kwarteng(2000)利用星载SAR制作了科威特沙丘图。成像光谱仪可以监测植物生物物理化学成分的变化，获取生态系统的物流和能流状况。范文义等(2000)、范文义(2002)应用高光谱数据对荒漠化评价因子中的植被覆盖度、生物量和土壤含水率进行定量反演。近年来，中分辨率成像光谱仪MODIS所获取的影像为沙化土地监测提供了新的数据源。与NOAA/AVHRR相比，MODIS具有更高的空间分辨率、更多的光谱波段和更好的光谱精度，并且MODIS每2天覆盖全球1次，大大增加了在全球大范围内进行沙化土地监测的能力。

3 沙化土地光谱特征分析

沙化土地光谱特征是沙化土地遥感监测的基础，是遥感图像分析、最佳波段组合选择和专题信息提取的重要依据。沙化土地光谱特征随时间、地点、环境背景等的变化而变化，影响因素很多，是地表特征的综合光谱反映结果。关于沙化土地光谱特征，目前已有不同程度沙化土地和不同物候期植被、沙漠腹地冬季地面和沙化过程不同地表覆盖类型光谱测定与分析等方面的研究(李海萍等，2002；2003；袁玉江等，1999；王晓慧等，2005a；2005b)。

李海萍等(2002)研究表明，同一类型沙化土地具有相近的波形曲线，不同类型沙化土地的波形曲线在900~1 000 nm、1 300~1 400 nm等特定波段具有一定的差异。王晓慧等(2005a)研究表明，沙化土地的光谱特征受植被和土壤影响，随着植被覆盖度增大，整个沙化土地反射率降低，受植被和土壤水分的影响，中红外波段1 300~2 500 nm的反射率逐渐低于近红外波段750~1 300 nm的反射率，不同植被覆盖度沙地之间的反射率差别增大。袁玉江等(1999)对塔克拉玛干沙漠腹地塔中地区冬季光谱观测数据进行了分析，晴朗条件下，在沙丘各部位近红外通道的反射率都大于可见光通道的反射率，而在沙丘的不同部位间，可见光通道的反射率变化较小，沙丘朝阳坡的可见光及近红外通道的反射率略大于背阴坡；晴朗、昙天、阴天中，可见光与近红外通道的反射率，均是以阴天为最大，在较晴朗的天气条件下，沙丘的可见光及近红外通道的反射率均随着太阳高度角的增大而减小，霜对沙面可见光及近红外通道的反射率起增加的作用。范文义等(2004)对科尔沁沙地地物的研究表明，利用导数和归一化的方法对植被光谱进行处理，可以消除因光照等因素造成的同一植被类型不同部位光谱的差异，提高地物光谱重建的精度。

4 沙化因子信息提取 4.1 植被覆盖度

地面植被覆盖度是影响土地沙化一个极其重要的指标，利用遥感影像提取区域植被信息是沙化土地研究的一个重要内容，主要采用经验模型法、植被指数法和亚像元分解法得到植被覆盖度(田静等，2004；张云霞等，2003；陈晋等，2001)。

植被指数有许多不同的表达方式，其中NDVI在植被覆盖度定量研究中的应用最广。但是NDVI值不仅受地面植被状况的影响，而且受土壤背景、大气状况以及成像条件的影响。已经发展了多种植被指数来部分消除环境条件的影响，对于干旱半干旱区植被覆盖度比较稀疏的地区，采用土壤调节植被指数(SAVI)和修改型土壤调节植被指数(MSAVI)可以降低土壤背景的影响(李宝林等，2002)。但从目前的研究情况来看，NDVI仍被作为荒漠化评价的首选，主要是因为与土壤背景调整相关的植被指数中的一些参数的确定尚存在一定的难度以及增加荒漠化评价的工作量(杨晓晖等，2006)。也有一些研究对植被指数和植被覆盖度的相关性提出质疑。Ishiyama等(2001)发现植被指数与植被的物理参数，尤其是干生物量和叶面积指数的相关性大，与植被覆盖度的相关性小。Karnieli(1997)、Karnieli等(1996；1999)的研究表明，半干旱区覆盖岩石和地表的苔藓、地衣、海藻和藻青菌等微小植物光合作用产生高达0.30的NDVI值，推论半干旱区微小植物的反射引起错误解译植被动态以及高估生态系统生产力。

4.2 土壤湿度

土壤水分也是反映沙化土地退化状况的一个重要指标。比较适合沙化土地土壤湿度监测的方法有热惯量法和微波法，近年来随着高光谱在沙化土地研究中的应用，土壤水分光谱法也在开展。

热惯量是土壤阻止温度变化的一种度量，反映土壤的热学特性。热惯量法是国内外监测土壤湿度最常用的方法之一，物理意义明确，估算精度高，简单易行，适用于裸土或植被生长早期或植被覆盖低的地区(薛辉等，2006)。

微波遥感监测土壤湿度具有坚实的物理基础，即土壤的介电特性和土壤水分含量有密切关系。另外，微波遥感可以全天候使用，具有广泛的应用前景(邓辉等，2004；刘伟东等，2004)。在主动微波遥感领域，利用合成孔径雷达反演土壤湿度的研究越来越受到重视，目前的主要问题是如何在模型中去除表面粗糙度的影响和在不同植被覆盖条件下建立模型反演土壤湿度(Deroin et al., 1997；Tansey et al., 1998b)。被动微波遥感用来监测陆地表面的土壤湿度的算法相对来说更为成熟，被动微波辐射计反演土壤湿度大部分是围绕着土壤湿度和亮温温度之间的关系进行(钟若飞等，2005；高峰等，2001；刘志明等，2003)。

4.3 沙漠(沙丘)地形

Levin等(2004)在以色列Ashdod地区海边的横向沙丘和Nizzana的沙漠线性沙丘由Landsat影像阴影中提取沙丘地形信息。假设地表具有均一的光谱特性，基于沙丘景观的规律性和周期性推出了一种用Landsat和ETM+影像提取沙丘坡度、坡向和高程的新方法。与高级星载热发射与反射辐射计ASTER相比，3D信息表明这种方法比ASTER生成的DEM更能代表地形变化。Dwivedi等(1993)证明了Landsat TM影像变换有利于增强识别不同地形特征的能力。TM数据的第1特征值和垂直植被指数变换很好地表现了植被。通过单个或综合变换可以很好地产生沙丘、丘间平原、台地、冲积盆地等地形特征。Al-Dabi等(1997)用海湾战争前后多时相的Landsat TM影像监测沙丘格局的时空变化，边缘增强和对比度拉伸的影像增强技术用来刻画沙丘整体状况和绘制单个沙丘图。

5 沙化土地提取和分类制图

自20世纪80年代以来，基于地物的光谱信息、空间信息和时间信息，遥感已经广泛应用于沙化土地提取和制图，通常采用的方法分为2类：土地利用/土地覆盖分类法和NDVI阈值法。

5.1 土地利用/土地覆盖分类方法 5.1.1 常规分类方法

包括目视解译、计算机屏幕解译、监督分类、非监督分类法。专业人员依据专业知识和实践经验进行遥感影像目视解译和计算机屏幕解译，与地面实况信息相结合，提供沙化现状分布图(王建等，2004；张玉贵等，1998；王涛等，1998；2003)。目前，在人工智能未能达到解决各种复杂推理之前，该方法是在沙化土地分类中采用最普遍的方法，但是花费时间较多。监督分类和非监督分类法基于单个像元的光谱亮度值进行分类，算法成熟，能充分进行人机交互，速度快(Jason，2002)，但是同物异谱和异物同谱现象使得单纯依靠光谱特征解译的精度受到限制。

5.1.2 神经网络法

荒漠化土地与非荒漠化土地之间没有截然的界线，荒漠化信息与遥感数据之间具有非线性的关系。人工神经网络分类器是一种非线性的分类器，可以提供难以想象的复杂的类间分界面，因此应用人工神经网络可以较好地解决以上2个问题(乔平林等，2004)。

杜明义等(2001)在土地荒漠化分类时采用基于径向基函数的神经网络分类模型，利用融合后影像作为ANN模型的输入层，选择1 000个中间结点，采用荒漠化和非荒漠化土地类型共16个样本带入模型进行学习和训练，得到3个不同时相荒漠化土地的分类结果。

5.1.3 决策树法

决策树法是多元统计分类中的一种方法。运用决策树法把复杂景物或现象按一定原则做层层分解后，使其相互关系明确，局部细节描述得更为清楚，知识可以在不同层次间以不同形式介入，增强信息提取能力、分类精度和计算效率。

对沙化土地基于各类地物的光谱特性、地貌部位和空间结构等特征，以及植被指数比值组合等方法，利用决策树采取相应的识别和提取方法，实现沙化土地与非沙化土地的分离(王建等，2000；王晓慧等，2005b；邝生爱等，2002)。GIS支持下基于知识的多重判据复合分类也可以实现沙化土地监测(沙占江等，2000)。

5.1.4 光谱混合分析法

遥感影像中每个像元对应的地表，往往包含着不同的覆盖类型，有着不同的光谱响应特征。传统像元级遥感分类只是把它作为单一像元，代表同质地物进行分析。为了解决混合像元分解的问题，实现遥感分类从像元级到亚像元级的发展，需要用到光谱混合分析法。其中最常用的是线性光谱混合模型，它基于线性模型，认为影像上混合像元值为地物光谱反射值的线性组合，从而可以对混合像元进行分解，得出各类地物丰度，在亚像元尺度上探测区域土地覆被变化(张熙川等，1999；赵英时，2003)。

Collado等(2002)利用1982和1992年2期TM影像对阿根廷中部进行荒漠化监测，应用光谱混合分析法提取组成混合像元的基本土地类型，如植被、水体和沙地，该方法有助于研究地表异质性。Haboudane等(2002)的研究表明，线性光谱混合模型和描述光谱形状的指数，如明度、色彩指数和形状指数都可以用来描述土地退化的空间格局，DEM模型参数与光谱信息相结合有利于土地退化评价，依据岩性、植被特征和对水力侵蚀的敏感性可以把景观划分成不同的单元。

5.2 NDVI阈值法

NDVI与植被生长状况有关，由于沙化土地的一个基本特征是植被缺乏，NDVI能较好地指示沙化土地特征，用于沙化土地提取和分类。该方法运用一个特定的NDVI值作为阈值，NDVI值低于该阈值的像元被认为是沙化土地。此外，沙化类型划分以植被覆盖度为依据，基于NDVI和植被覆盖度的相关性，应用NDVI阈值法实现对沙化类型的划分。

但是干旱、半干旱地区的植被状况对年内气候变化尤其敏感，某一像元的NDVI值低于阈值并不一定意味着那个像元存在沙化土地，反之亦然。例如，干旱能够显著地降低非沙地区的NDVI值，低的NDVI值有可能使该地区被误认为是沙化土地。为此，需要去除由气候波动引起的年内植被变化，运用比年内气候变化长得多的时间系列得到的统计值，通常包括多年平均值、最大值、最小值和中值。Hasting等(2002)已经把全球NDVI时间系列的多年统计的月最大值成功地用于荒漠化监测。高志海等(2005)提出以植被的降水利用效率(RUE)为主要评价指标的荒漠化评价方法，可很大程度上克服以植被指标为主的评价方法受降水波动影响大的缺点。

6 沙化土地动态变化 6.1 NDVI时间序列法

NDVI时间序列法是通过对沙化地区进行一定时间段内的连续观测，比较NDVI的年际特征曲线，检测出植被生态系统的细微变化，获取该地区沙化变化过程与趋势。

Milich等(1997；2000)和Weis等(2001)提出用NDVI的变化系数(COV)来分析干旱区植被退化状况。COV被定义为某一像元NDVI值的标准差和均值之比，表示像元的NDVI随时间的变化，可用于测量植被动态变化，估计植被变化范围，考虑植被的年际变化，在此基础上用线性回归可以反映COV的变化趋势。

NDVI还经常和其他从遥感影像获取的数据，如地表温度(LST)、叶面积指数(LAI)和净初级生产力(NPP)等，共同用于判定沙化程度，提供更多的沙化信息。Karnieli等(2003)和Dall'Olmo等(2002)应用NOAA-14 AVHRR评价以色列内盖夫北部的荒漠化、物候和干旱过程。NDVI和LST时间系列表明，NDVI对应于植被对降水的反应，LST代表季节性气候变动。LST和NDVI的散点图分析表明，不同的生物群系显示出各年不同的物候格局，并且对LST和NDVI散点图的2个极点应用几何公式可以得到干旱指标，进而可以区分干旱和湿润年份。

6.2 分类后比较法

分类后比较法是常用的识别不同时期沙化土地变化的方法，对每一时相影像做沙化土地分类，通过对分类结果比较，从而识别沙化土地的发展变化。该方法可适用于不同传感器、不同季相的数据比较，能够获得具体的沙化土地变化类型信息，但是必须进行2次图像分类，变化分析的精度依赖于图像分类的精度(Lu et al., 2004；李德仁，2003)。

6.3 景观格局分析方法

沙化过程伴随着景观的变化，沙化研究同样包含着景观生态学的研究内容，即系统的结构、功能变化及生态作用的研究(赵学勇等，2000)。景观格局分析是景观生态学的基础研究内容。景观格局包括景观组成单元的类型、数目以及空间分布与配置，是景观异质结构在水平面上的投影。通过描述这些单元的组合结构特征，可对景观镶嵌格局进行分析和量化，进而与生态过程相联系，研究格局与过程之间的相互作用、相互影响的机理。景观结构变化将改变各种生态过程的演变及其在空间上的分布规律。从某种意义上说，景观格局是各种景观生态演变过程中的瞬间表现。由于沙化过程的复杂性和抽象性，很难定量和直接地研究沙化过程的演变特征，通过研究景观格局的变化可以反映沙化的演变过程。

景观生态学关于景观格局变化的研究方法对于沙化监测具有较好的应用前景。研究表明，优势度、多样性、均匀度和蔓延度指数对研究区域荒漠化土地的发展与逆转有着较好的指示意义(李锋，1997；2002；李锋等，2001)。常学礼等(2004)选择固定沙丘斑块、农田斑块和景观中总斑块的数量、平均面积和平均斑块形状等9个因子，分别采用单因子关联分析和多因子PCA分析，表明在沙地景观中斑块数量的增加是沙漠化景观的主要影响力。依据景观指数可以对不同时期的荒漠化和沙化土地景观动态变化进行分析(吴波等，2001；Seixas，2000；包慧娟等，2003)。

7 今后研究的主要方向

随着多光谱、高光谱传感器不断投入使用，GPS技术不断取得突破进展，多种探测技术的集成日趋成熟，新数据源、新技术新方法不断产生，3S技术将全面融入到沙化土地动态监测。建立天－空－地一体化，多层次多源信息源，遥感、地理信息技术、全球定位技术以及其他先进技术手段与地面观测相结合的沙化土地监测技术体系，可以快速准确获取沙化土地的类型、分布、发展和变化趋势，为沙化土地治理提供科学依据。

7.1 光谱特征分析

沙化土地光谱特征分析和光谱特征库是提高沙化土地遥感定量应用能力的重要基础。光谱特征分析主要是光谱数据与沙化过程指示因子的定性化分析，对沙化过程定量化的参数测定和分析比较少，如地表物质及颗粒组成、地表物质营养成分和地表矿物质组成等与地物光谱的相互关系。基于定量化参数，有利于开展光谱数据与各种参数的相关分析，从地物光谱角度为遥感影像中沙化土地提取和分析提供理论基础。

7.2 沙化因子定量反演

沙化土地的发展变化过程体现为沙化各种指示因子，如植被覆盖度、植被生物量、土壤质地和土壤水分等的发展变化，用定量遥感的方法反演各种沙化因子将提高对沙化土地监测的能力。需要解决地面观测与不同层次遥感数据之间、各个层次遥感数据之间的尺度转换问题，利用遥感数据重建地面模型，从遥感数据中提取反演出所需要的沙化指示因子。此外，高光谱技术的发展为沙化过程中生物物理化学成分的变化以及土壤特征变化的研究提供了有利工具。同时，继续对植被指数和植被覆盖度、植被生物量的相关关系进行研究，明确植被指数在指示沙化土地地表植被状况方面的作用。

7.3 信息提取研究

充分利用多源、多层次、多时相遥感影像、多种影像特征以及先验知识，来增强沙化土地遥感分类的能力，探索简单适用操作性强的方法来解决沙化土地提取和程度分级问题。沙化土地地表植被变化与一定的地表发展形态密切相关，在实际调查中以地理单元为单位对植被覆盖度进行调查，但在常规的以单个像元提取植被覆盖度对沙化土地进行评价时未考虑这些因素，在沙化土地信息提取中引入空间信息、纹理信息，以地理单元或景观为单位对沙化土地进行判别能更贴近于实际调查时对沙化土地的判别和类型划分，得到关于沙化土地分布和类型的准确可靠的信息。

7.4 动态变化研究

沙化土地的发展变化体现为沙化土地和非沙化土地，以及沙化土地内部各种类型之间的相互转化。常规的沙化土地动态变化识别大多是在多时相影像分别分类基础上，对不同时期沙化土地进行对比分析。有很多变化检测方法，如图像代数算法、主成分分析法等，可以获得变化数量和地点，一般要求源于相同传感器、季节近似，分析结果经阈值划分，能得到变化/未变化二值信息，变化信息检测的结果精度较高，但不能获得变化的类型。采用常规的分类方法与变化检测相结合的方法，可以快速地发现变化范围，充分利用不同时期影像不变部分的信息，只针对变化部分进行类型判别，及时反映变化信息，同时极大地减少野外选取训练样本和进行精度验证的工作量，从而快速及时地识别沙化土地的变化情况、变化类型和发展趋势，为采取相应治理措施提供科学依据。

7.5 景观生态学分析演变

应用景观生态学方法对沙化土地发展变化进行分析目前主要停留在单一尺度上进行景观格局分析。景观格局的度量与所选取的观察或分析尺度密切相关。不同幅度和粒度的空间数据进行景观格局比较分析，即使使用相同的方法，对分析结果也有影响。随着多源、多分辨率遥感影像在沙化土地监测中应用的普及，考虑多种尺度上格局和过程的相互关系可以从景观生态学角度全面认识和理解沙化土地发展变化。