林业科学  2005, Vol. 41 Issue (3): 82-87   PDF    
0

文章信息

王晓慧, 李增元, 高志海, 白黎娜, 车学俭, 王琫瑜.
Wang Xiaohui, Li Zengyuan, Gao Zhihai, Bai Lina, Che Xuejian, Wang Fengyu.
沙化土地信息提取研究
Information Extraction of Sandy Land
林业科学, 2005, 41(3): 82-87.
Scientia Silvae Sinicae, 2005, 41(3): 82-87.

文章历史

收稿日期:2005-01-31

作者相关文章

王晓慧
李增元
高志海
白黎娜
车学俭
王琫瑜

沙化土地信息提取研究
王晓慧, 李增元, 高志海, 白黎娜, 车学俭, 王琫瑜     
中国林业科学研究院资源信息研究所 北京 100091
摘要: 采用Landsat ETM+多时相影像,在地类光谱特征分析的基础上,用分层分离的方法,提取出沙化土地信息。以全国沙漠化普查地类划分标准中的植被覆盖度为确定沙化土地程度的依据,通过建立NDVI和实测植被覆盖度的回归模型,确定不同程度沙化土地对应的植被覆盖度与NDVI的对应关系,用NDVI阈值进行划分,得到沙化土地程度图。
关键词:多时相影像    分层分离    沙化土地程度    植被覆盖度    NDVI    
Information Extraction of Sandy Land
Wang Xiaohui, Li Zengyuan, Gao Zhihai, Bai Lina, Che Xuejian, Wang Fengyu     
Institute of Forest Resource Information Techniques, CAF Beijing 100091
Abstract: Multi-layer remote sensing information extraction of sandy land using multi-temporal Landsat ETM+ images was developed based on spectral characteristic analysis. Vegetation coverage was used to determine the degree of sandy land according to the land classification standard of the national desertification survey. By regression model of NDVI and vegetation coverage, the relationship was established. The degree of sandy land was divided by the threshold of NDVI, and the degree map of sandy land was derived.
Key words: multi-temporal images    multi-layer extraction    sandy land degree    vegetation coverage    NDVI    

中国是世界上受风沙危害最严重的国家之一,近年来土地沙化总体上呈“局部好转、整体扩展"之势。到1999年底,全国沙化土地面积达174.3万km2,占国土面积的18%,而且每年仍以3 436 km2的速度扩展(胡培兴,2003)。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,还造成巨大的经济损失。因此,及时了解沙化土地的现状和发展变化,对于确定沙化土地防治战略具有重要的意义。

遥感技术以其信息量大、观测范围广、精度高、速度快以及实时性和动态性等特点为开展沙化土地监测和评估提供了可能。近年来,国内外已经进行了荒漠化监测评价与遥感信息提取方面的探讨,但是建立简单适用操作性强的沙化土地遥感技术监测体系仍然是当前研究工作的一个重点。本文的主要目的是:在野外样地调查的基础上,通过影像光谱分析,首先提取出沙化土地,进而判定沙化土地的程度和发展状况,建立起沙化土地遥感信息提取体系,为实施防沙治沙工程提供有力的技术支撑。

1 研究区概况

磴口县地处内蒙古自治区巴彦淖尔盟西南部,106°9′—107°10′E,40°9′—40°57′N之间。总的地貌特征属于内陆高平原,河套盆地,海拔在1 030 m以上,地势总的趋向是东南向西北倾斜,至山前陡然突起,分为4种地貌类型,即山地、沙漠、平原和河流。属中温带大陆季风气候,风大、沙多、干旱、少雨。年平均气温7.6 ℃,7月气温最高,平均23.8 ℃,1月最低,平均-10 ℃;年平均降水量142.7 mm,主要集中在6—9月,占全年降水量的78.6%;年平均风速3 m·s-1,最大风速24 m·s-1,最多风向为西南风,年平均大风日数20.2 d,沙尘暴日数20 d。磴口县土壤有风沙土、棕钙土、灰漠土、盐土、灌淤土和草甸土6个土类,10个亚类,31个土属,258个土种。其中灰漠土和棕钙土为地带性土壤,并且棕钙土具有垂直地带性,灌淤土、盐土、风沙土为地域性土壤,草甸土为隐域状态。土壤分布具有明显的分带性,山区为棕钙土,沙漠区主要为风沙土、灰漠土和盐土,河套区主要为灌淤土和盐土,其中风沙土占总面积的41%。磴口县植被属于荒漠草原类型,由东向西逐渐稀疏,旱生、超旱生植物由东向西越来越占优势。通常分布有菊科(Compositae)、豆科(Leguminosae)、禾本科(Gramineae)、藜科(Chenopodiaceae)和蒺藜科(Zygophyllaceae)等,其中沙漠区有白刺(Nitraria sibirica)、沙蒿(Artemisia filifolia)、冬青(Ilex purpurea)、霸王(Zygophyllum xanthoxylum)、梭梭(Haloxylon ammodendron)等,山区有冷蒿(Artemisia frigida)、小针茅(Stipa klemenzii)等,山前冲洪积平原有柠条(Caragana korshinskii)等。

2 研究方法 2.1 外业调查

2003年8月22—24日和2004年7月27—30日,在磴口县共进行2次外业考察,对38个样地进行了详细调查。调查内容主要包括地形地貌、土地利用类型、土壤类型、土壤质地、裸沙占地百分比、植被盖度、植被高度、植被分布特征、植被生长状况、沙化程度及特点,盐渍化程度及特点。每一样地用GPS进行了精确定位。为了建立植被覆盖度和NDVI相关关系的精确性,样地调查植被覆盖度以样线法为主要方法,辅助采取了针刺法和目估法(张云霞等,2003)。

2.2 影像选取

选取覆盖磴口县的2001年5月4日和2002年8月20日的ETM+影像数据。

流动沙地、湖泊、河流、盐碱地、荒山和居民地在春季和夏季影像上的光谱特征基本相似。生长有植被的农田、灌木林地、半固定和固定沙地则由于植被处于不同的生长期而表现出不同的光谱特征。

2001年5月,半固定、固定沙地上灌草刚萌芽,地表覆盖度小,影像上主要表现为沙地的光谱特征。作物刚出苗,未进入生长旺盛期,部分土壤处于反盐期。依据作物生长期的差异,影像上耕地表现为3种类型:植被覆盖型、反盐土壤型和裸露耕地型。其中裸露耕地的光谱与沙地的光谱特征难以区分,提取中容易高估沙化土地。

2002年8月,沙地植被生长旺盛,影像上根据植被覆盖度可以对沙化土地进行程度划分;但是由于部分固定沙地植被生长旺盛,掩盖了沙地本身的地表特征,提取中容易低估沙化土地。总体上来说,固定沙地植被光谱亮度值低于农田植被。

因此,为了准确提取沙化土地,本文采取多季相影像综合提取的方法,首先用春季的影像提取沙化土地,再用夏季的影像将多提取的部分耕地从沙化土地中去除。

2.3 影像预处理

采用Landsat 7科学数据用户手册中的标准大气校正方法对磴口县影像数据进行辐射校正。利用头文件中记录的辐射校正参数,计算地物在大气顶部的辐射亮度和反射率。

对应于1:50 000地形图选取地面控制点,对影像进行几何精度校正。选取了30多个地面控制点,均匀分布在整幅影像中,图像纠正采用2阶多项式模型,用最近邻法进行重采样,纠正后的均方根误差(RMS)小于1个像元。

2.4 影像目视解译

对磴口县春季和夏季影像用4(红)、5(绿)和3(蓝)合成影像进行目视判读(表 1)。TM 4为近红外波段,为植物叶构造的强反射区,对不同植被种类以及不同土壤类型敏感。TM5为中红外波段,包含2个水吸收带,对植被和土壤水分含量敏感。TM3为植物叶绿素吸收带,对植被生长状况以及不同土壤类型敏感。

表 1 磴口县春季/夏季ETM+影像目视解译特征 Tab.1 Manual interpretation of spring/summer ETM+ in Dengkou
2.5 沙化土地提取和程度划分

采用多时相影像,在影像分析的基础上,用分层分离的方法,提取出沙化土地。

沙化土地程度的确定以全国沙漠化普查地类划分标准为依据,即植被覆盖度小于10%时为流动沙地,植被覆盖度在10%到30%时为半固定沙地,植被覆盖度大于30%时为固定沙地(朱俊凤等,1999)。植被指数反映了光谱响应与植被覆盖度之间的相关关系,因此通过在归一化植被指数(NDVI)和实测植被覆盖度之间进行回归分析建立经验模型,确定不同程度沙化土地对应的植被覆盖度数值与NDVI的对应关系1) (范文义,2000),通过NDVI阈值划分沙化等级,得到沙化土地程度图。

1) 高志海. 2003.基于RS和GIS的绿洲植被与荒漠化动态研究.北京林业大学博士学位论文

3 结果与分析 3.1 光谱分析

依据春季影像训练区各类别在TM1~5和7波段的光谱剖面图(图 1)得出,第5、7波段上粘土荒地、沙地和戈壁的反射率明显高于其他地物的反射率。第5、7波段为中红外波段,均处于水分的2个强吸收带之间,受到水吸收带的控制,对土壤湿度和植被湿度敏感,在这2个波段依据含水量的变化可以反映干旱区地表类型的变化,把粘土荒地、沙地和戈壁提取出来,第7波段沙地反射率分布更集中,更有利于阈值划分,因此采用第7波段。戈壁的反射率与沙地接近,但是在影像上戈壁与沙地纹理明显不同,戈壁的纹理很平滑,沙地则表现出沙丘链、间杂植被的特征,而且戈壁分布在山前洪积扇地区,因此提取中可以依据地貌把狼山山地和山前洪积扇先划分出去。在第4波段上粘土荒地的反射率显著高于沙化土地,设立合理的阈值可以把粘土荒地分离出去。这样只剩下沙地和部分裸耕地未区分出来。在夏季的影像上(光谱剖面见图 2),耕地上种植有作物,利用农田植被在第3波段反射率较低,第4波段反射率高的特点,可以把耕地划分出去,从而实现沙化土地的提取。

图 1 春季影像光谱剖面图 Fig. 1 Spectral profile of spring image
图 2 夏季影像光谱剖面图 Fig. 2 Spectral profile of summer image
3.2 沙化土地提取

根据光谱分析,对磴口县春季和夏季影像按分层的方法提取沙化土地,图 3为沙化土地提取流程图,其中ρ3ρ4ρ7分别表示第3、4和7波段的影像反射率值,abc常数的确定是通过人机交互来选择最佳经验性数值。

图 3 沙化土地分层提取 Fig. 3 Multi-layer extraction of sandy land
3.3 沙化程度确定

在遥感应用领域,植被指数作为反映地表植被信息的最重要信息源,已广泛用来定性和定量评价植被覆盖及其生长活力。本文采用经验模型法求取植被覆盖度,先建立地表实测数据与归一化植被指数NDVI的经验模型,然后将该模型推广到大区域,求取植被覆盖度,通过不同程度沙化土地对应的植被覆盖度数值与NDVI的对应关系,根据全国沙漠化普查地类划分标准,用NDVI阈值划分沙化等级,则可以得到沙化土地程度图。

绘制2002年8月遥感影像的NDVI图。选取11个固定沙地、半固定沙地和流动沙地的样地,建立遥感影像NDVI与实地植被覆盖度的相关关系(图 4)。进行线性、多项式和乘幂等多种回归分析,其相关系数分别为0. 767 7、0.809 6和0.774 7,比较得出2阶多项式回归的拟合效果最好,求得植被覆盖度为10%和30%时对应的NDVI值,分别为0.120和0.156,确定以拟合得到的NDVI值为划分沙化程度的阈值,得到沙化土地分布图(图 5)。

图 4 植被覆盖度与NDVI的拟合公式 Fig. 4 Fit formula of vegetation coverage and NDVI A.线性拟合Linear fit(y=5.399 5x-0.531 3, R2=0.767 7); B.多项式拟合Polynomial fit(y=745.68x4.270 5, R2=0.774 7); C.乘幂拟合Power fit(y=43.847x2-6.791 2x+0.282 5, R2=0.809 6).
图 5 磴口县沙化土地分布图 Fig. 5 Sandy land distribution map in Dengkou
3.4 精度验证

包括沙化土地提取和沙化土地程度分级精度验证。沙化土地提取用差分GPS测定多边形进行面积精度评价,计算公式为:正确率(%)=正确分类像元数/像元总数,结果见表 2。沙化土地提取的精度为90. 8%,非沙化土地提取的精度为91.9%,总体精度为90.9%。

表 2 沙化土地提取精度验证 Tab.2 Precision validation of sandy land extraction

从精度验证可知,沙化土地提取中的误差主要是部分固定沙地漏提。将GPS多边形叠加到原始影像,对照实地调查数据,发现漏提的固定沙地位于绿洲边缘,靠近农田,水分条件好,植被盖度高,处于沙化逆转阶段,还有些漏提的为盐渍化沙地,盐渍化程度高,误判为盐碱地。还需要利用其他信息源,如土壤和立地信息来提高沙化土地提取的精度。

沙化土地程度分级在沙化土地内部进行,为了独立于第一步沙化土地提取对沙化土地分级精度检验的影响,沙化土地程度分级用GPS点进行类型精度验证(表 3)。

表 3 沙化土地程度分级精度验证 Tab.3 Precision validation of sandy land degree

生产者精度表明地面采样点被正确分类的概率,与漏分误差互补;用户精度是采样分类点表示实际地面真实情况的概率,与错分误差互补;总体精度则是对每一个随机样本,所分类的结果与地面对应区域实际类型相一致的概率。从表 3可知,沙化土地程度分级的总体精度为80.0%,固定沙地的用户精度最高,为100%,半固定沙地的用户精度最低,为70%。在采样点中,没有半固定沙地和流动沙地被误分为固定沙地,较多的固定沙地和流动沙地被误分为半固定沙地,固定沙地和半固定沙地没有被正确分类的采样点比流动沙地多,半固定沙地和流动沙地之间存在误分现象。

4 结论与讨论

1) 选择适宜的遥感影像时相可以使沙化土地与其他地类具有最大的光谱差异,以突出沙化土地信息,利于沙化土地提取。本研究采用多季相综合分类法,克服用单一时相影像进行信息提取的局限性,避免高估和低估沙化土地,实现沙化土地的正确提取。

2) 在影像分析的基础上,用分层分离的方法提取出沙化土地。

3) 依据沙化土地植被覆盖度的大小,通过建立NDVI和植被覆盖度之间的相关关系,用NDVI阈值来确定沙化土地等级是沙化土地程度评价的有效方法。

4) 用NDVI反演植被覆盖度的方法来划分沙化土地程度,可以进一步从辐射校正和地面调查方面进行完善:辐射校正模型的精确性;样地调查植被覆盖度尽量不采用主观随意性较大的目估法,用同一种方法测量植被覆盖度,避免不同系统误差的产生;样地点布设在植被分布较均匀,地表类型变化小,面积较大的地方;差分GPS在样地中心进行定位。

5) 用遥感影像进行沙化土地程度分级还需要在理论和方法方面做进一步的研究。根据沙化土地程度评价指标体系,用多个指标为分类依据,综合遥感影像的光谱信息、空间信息和纹理信息,用面向对象和景观分析的方法,来提高遥感方法做沙化土地程度划分的准确性。

参考文献(References)
范文义, 徐程扬, 叶荣华, 等. 2000. 高光谱遥感在荒漠化监测中的应用. 东北林业大学学报, 28(5): 139-141. DOI:10.3969/j.issn.1000-5382.2000.05.035
胡培兴. 2003. 中国沙化土地现状及防治对策浅谈. 林业科学, 39(5): 140-146. DOI:10.3321/j.issn:1001-7488.2003.05.021
张云霞, 李晓兵, 陈云浩. 2003. 草地植被盖度的多尺度遥感与实地测量方法综述. 地球科学进展, 18(1): 85-93. DOI:10.3321/j.issn:1001-8166.2003.01.012
朱俊凤, 朱震达. 1999. 中国沙漠化防治. 北京: 中国林业出版.