当前位置:首页 >> 电力/水利 >>

基于SPOT高分辨率遥感数据的绿洲荒漠化土地分类方法


第 33 卷 第 6 期 2011 年 6 月 文章编号: 1007-7588 (2011) 06-1204-07

2011, (6) 1204-1210 33 :

Vol.33, No.6 JUN., 2011

Resources Science

基于 SPOT 高分辨率遥感数据的绿洲 荒漠

化土地分类方法
——以吐鲁番绿洲为例
(1.燕山大学信息科学与工程学院, 秦皇岛 066004; 2.燕山大学里仁学院, 秦皇岛 066004; 3.中国科学院地理科学与资源研究所, 北京 100101)
要: 针对绿洲土地覆盖/利用特点, 建立了反映绿洲荒漠化类型及特点的分类系统。对原始 SPOT 数据进

裴 欢 1, 勇 2, 魏 房世峰 3, 李迎家 2



行变换, 提取 NDVI、 K-L、 NDMI 等 14 个特征波段, 并利用波段的类间可分性进行了参与分类的最优波段选取。根 据地物的波谱特性和空间特性建立了决策树模型, 对研究区荒漠化信息进行了提取。分类结果表明, 风蚀荒漠化 及盐碱化是吐鲁番主要的荒漠化类型。其中, 中度风蚀荒漠化土地分布在绿洲边缘及外围, 2004 年占研究区总面 和 2.23%, 吐鲁番盐碱化程度高于托克逊县, 风湿荒漠化程度相反。本文提出的基于决策树分类的绿洲荒漠化信 息提取方法可以充分利用地物的光谱信息与地理位置信息, 较好的区分了混淆地物, 达到了较好的分类效果。 关键词: 吐鲁番绿洲; 荒漠化; SPOT; 遥感; 决策树 积的 64.05%; 盐碱化土地及轻度、 重度风蚀荒漠化土地分布在绿洲内部, 三者分别占研究区总面积的 6.60%、 7.58%

1 引言
荒漠化是指在干旱、 半干旱和亚湿润干旱区的 土地退化[1]。我国是世界上受荒漠化危害最为严重 的国家之一, 每年因荒漠化造成的直接经济损失高 分布最广的省区之一, 荒漠化土地在全疆 90 个县
[2]

主要采用人工目视解译方法, 获得三期解译数据, 对呼伦贝尔地区荒漠化的时空变化进行研究 [4]; 二 是基于单指标或多指标的荒漠化综合评价。 利用 Landsat MSS 和印度资源卫星数据, 提取地表 和气象数据获取土壤侵蚀速率和土壤水分, 通过 Tripathy et al 在对印度 Gulbarga 地区荒漠化监测中, 反照率、 归一化植被指数, 利用土壤通用侵蚀方程 GIS 的数据融合获得了研究区荒漠化三级分类 [5]; Milich & Weiss 利用详尽的地面测量数据和 NDVI Eldeiry et al.运用遥感数据对盐渍化土地信息进行
[10]

达 540 亿元人民币。新疆是中国荒漠化面积最大、 (市) 中都有不同程度地分布 。土地荒漠化给新疆 的区域生态环境和社会经济发展带来了极大危害, 造成天然植被大面积死亡、 河流断流、 湖泊萎缩、 土 壤质量下降等。监测荒漠化发展趋势, 掌握其动态 变化的规律成为国际荒漠化研究的重要内容。 遥感技术在荒漠化监测中显示了其巨大优 势。目前基于遥感的荒漠化监测研究主要集中在 两个方面: 一是荒漠化土地目视解译。如朱丽运用 TM 遥感影像, 结合实地调查, 进行人机交互判读, 得到鄂托克旗 2000 年和 2005 年的风蚀荒漠化景观 类型数据 ; 徐驰等应用 RS 和 GIS 技术, 1970 年 以
[3]

数据检验了荒漠化的证据[6]; Howari、 Farifteh et al. 、 了提取, 并对其进行了分级 [7-9]; 裴浩应用 NOAA 对科尔沁沙地进行监测 NOAA -AVHRR 数据计算出植被生长季累积的土 壤调节植被指数 (MSAVI) 并以此为指标对东北平 , 原西部沙地近 10a 的沙质荒漠化进行遥感监测 [11]; 吴建寨将天山北坡划分为山地带、 绿洲带、 荒漠带, ;李 宝 林 利 用 AVHRR 第三通道的红外辐射信息作为监测指标,

MSS、 2000 年 ETM 和 2007 年 CBERS 数据为数据源,
收稿日期: 2010-12-13; 修订日期: 2011-03-26 基金项目: 秦皇岛市科学技术研究与发展计划 (编号: 201001A429) 。 通讯作者: 房世峰, E-mail: fangsf@igsnrr.ac.cn

作者简介: 裴欢, 甘肃民勤县人, 女, 博士生, 研究方向为资源环境遥感。E-mail: 1982197950@163.com

http://www.resci.cn

2011 年 6 月



欢等: 基于 SPOT 高分辨率遥感数据的绿洲荒漠化土地分类方法

1205

并分析了这三种不同景观区域的土地利用[12]; 刘艳

利用中分辨率成像光谱仪 MODIS MOD13Q1 数据, 计算荒漠化指数, 对北疆地区 2007 年和 2008 年土 地荒漠化进行了分析 。第一种方法精度高, 但对
[13]

型、 土地利用类型。 后的数据进行进一步的处理, 生成 DEM 模型。以 通过对地形图矢量化, 编辑赋属性, 对矢量化

于大范围荒漠化研究有一定的限制, 同时需要高分 辨率的遥感影像; 第二种方法, 由于对荒漠化概念 解释不同, 指标选取各不相同, 评价指标繁杂, 获取 数据难度较大, 难以在地理分异复杂的大范围应 用, 且此类方法仅针对荒漠化土地, 无法同时监测 研究区其它类型土地覆盖范围。而荒漠化土地与 其它类型土地存在着相互转化的演进过程, 仅获取 荒漠化土地分布及等级, 将无法确定荒漠化土地与 其它类型土地之间相互作用和转化机制。 本文以新疆吐鲁番绿洲为研究区, 首先确定反 映干旱区绿洲土地利用/覆盖特点的分类系统, 针对 不同土地分布规律及光谱特点, 结合实地采样建立 土地利用/覆盖分类决策树模型, 直接提取各种等级 荒漠化土地和不用类型非荒漠化土地。此研究旨 在为荒漠化信息提取提供新的思路, 同时, 还可为 荒漠化进展及荒漠化驱动力及荒漠化机理的研究 提供基础数据。

1 万地形图为参考底图, ∶5 完成对数据的几何校 镶嵌图像进行裁剪。由于影像范围限制, 选取吐鲁 番和托克逊 14 个乡镇为研究区域。

正。将 9 景影像进行镶嵌, 并以乡镇界限为边界对

3 研究方法

3.1 分类系统的确立 《全国荒漠化普查地类划分及标准》 将土地类 型化分为非荒漠化土地和荒漠化土地两大类, 两大 类别下各进行了细分。参照此划分标准, 《土 结合 地利用现状调查技术规程》 根据吐鲁番环境特点 , 和土地利用方式, 确定了研究区土地利用覆盖的监 督分类体系。由于园地和林地较难区分, 将两者进 行合并, 称为园林地。为了便于分析荒漠化进展特 别是盐碱化, 将荒漠化土地中的盐碱地、 戈壁、 风蚀 残丘、 沙地等类型按照荒漠化成因的不同及荒漠化 程度的高低合并为盐碱地、 盐漠、 轻度风蚀荒漠、 中 度风蚀荒漠和重度风蚀荒漠。 3.2 分类特征分析与筛选 由于 SPOT 影像波段数较少, TM 等影像比不 与

2 研究区概况及数据
2.1 研究区概况 处东经 87°16''-91°55'', 北纬 41°12''-43°40''。东西
2

具备丰富的波谱信息, 需要增加其它能反映地物特 征的信息参与分类。特征选择与特征提取是在给 定训练样本空间位置范围的条件下, 通过对原始特 征光谱维进行一定的变换与映射处理, 找出其中最 能准确分类出待分类目标的特征光谱子集, 使分散 在波段之间的分类信息集中在几个特征中, 从而在 对数据进行降维处理的同时增强分类性能、 提高分 类精度。进行特征提取与特征选择的关键, 就是在 计算复杂度允许的范围内, 在最少维特征空间中使 得类间距离较大, 而类内距离较小[14]。本研究综合 选取 K-L 变换、 NDVI、 地形特征、 湿度指数、 MNF 变 换分量作为初始分类特征。 考虑 SPOT 数据特点和研究区土地利用覆盖特征, (1) K-L 变 换 。 K-L (Karhunen-Loeve) 换 又 变

吐鲁番地区位于新疆维吾尔自治区的东部, 地

长为 300km 左右, 南北宽为 240km 左右, 总面积约 地形主要有山地和平原 (戈壁、 沙漠、 绿洲) 。吐鲁

6 9713km , 占新疆维吾尔自治区总面积的 4.1%。 番盆地四周高山环抱, 闭塞性大, 地势低凹, 太阳辐 射强, 加之受塔里木热低压的影响, 形成日温特别 高, 炎热期长, 多大风的气候特点。吐鲁番年平均 降水量仅为 6.9~25.2mm, 而蒸发却极为强烈, 年平 均蒸发量为 2727.0~3837.8mm, 是降水量的 110~ 重, 荒漠化程度不断加深。 2.2 数据及预处理

540 倍。极干旱及大风天气造成吐鲁番荒漠化严 采用 2004 年 9 景覆盖研究区 SPOT5 1B 级遥感

数据, 成像时间分别为 9 月 3 日、 月 17 日、 月 23 9 9

称主成分变换, 是在统计特征基础上的多维正交线 性变换。其目的是把原来多波段图像中的有用信 息集中到数量尽可能少的新的主成分图像中, 并使 新的图像之间互不相关[15]。对 SPOT5 影像进行 K-L 变换处理, 于前两主成份累积方差贡献率达 由 96.36%, 其余两个主成分贡献很小, 其对应的特征

日, 空间分辨率为 10m。70 幅 1 5 万吐鲁番地形图, ∶ 覆盖吐鲁番 14 个乡镇; 乡镇行政界线; 土壤类型图; 气象数据。在己有资料基础上, 与遥感数据同期时 段进行了实地调查, 记录反映景观特征的植被类

http://www.resci.cn

1206 择 K-L1, 2 两个分量作为分类特征参与分类。 K-L

资 源 科 学

第 33 卷 第 6 期

向量无明显的规律, 对地物的响应不明显。因此选 (2) NDVI 归一化植被指数)。植被指数可以 (

(5) 最小噪声分离变换 (MNF 变换) 。MNF 变换 用来分离数据噪声, 减少随后处理的计算量[18]。对 研究区 SPOT 影像进行 MNF 变换后, 99%的信息 近 MNF-1) 为分类特征参与监督分类。

NDMI=(Band1- Band4) /(Band1+ Band4)

在一定程度上反映不同土地覆盖类型生物特性差 异, 如生物量、 植被长势、 植被覆盖度等, 因此可以 作为特征分量参与分类, 本文选择归一化植被指数 作为分类特征。 (3) 地形特征。地形特征如海拔、 坡度、 坡向对 土地利用覆盖影响较大, 如在吐鲁番地区海拔较高 的地区不可能分布有农业用地, 而海拔低的地区发 生盐渍化可能性越大。地形特征可以提高土地利 用类型之间的分离度, 本研究选择高程 (ELEV) 坡 、 度 (SLOPE) 作为分类特征参与分类。坡度是运用 ARCGIS 空间分析模块从研究区 DEM 直接提取, 转 化为 img 格式, SPOT 影像相统一。 与
[16]

集 中 在 第 1 个 波 段 , 此 选 择 第 1 波 段(记 为 因 DEM、 SLOPE、 NDVI、 1、 2、 3、 TC TC TC NDMI、 MNF-1 共 数据集。 3.3 基于类间可分性的分类波段优化 随着参与分类的像元矢量特征维度增加, 分类 的代价也会相应增加。因此对光谱类别可分性贡献 很小的特征在分类前应该舍去, 即优化分类波段。 来进行考量。常用的方法主要有 Euclidean 距离、 离 进行分类波段选优通常可以根据类间可分性 最后, 选取了除 SPOT 原始波段外 K-L1、 2、 K-L

14 个波段作为分类特征, 形成了具有 14 层数据的

(4) 湿度指数。土壤亮度和土壤湿度是反映土

壤特性的两个重要因子。其信息的遥感提取方法 也比较成熟 。本文选用 SPOT 多波段数据进行 K-T 变换, 选择包含土壤信息的亮度分量 (表示为 TC1) 作为土壤亮度特征。此外, (TC2, 绿度 绿色植被 指数) 和黄度 (TC3, 有时可反映土壤含水量) 分量因 贡献, 也作为分类特征。 湿度指数 NDMI 已成功地应用到生态环境中对土壤 湿度的监测中 。该指数根据短波红外波段受水吸 收带的影响, 对湿度、 含水量信息非常敏感, 且绿波 段对水体发射较高的特点, 选用这两个波段经标准 化处理构建而成, 表达式为:
[17]

散度、 转置离散度、 Jeffries 一 Matusita 距离等。采用 土地利用覆盖类型的类间分离性统计 (表 1) 可以 , 看出由 SPOT 遥感影像原始波段、 1、 1、 2、 3 K-L TC TC TC

Euclidean 距离法, 得到了不同波段组合下易混淆的 和 DEM 组成的 9 层组合分类效果最好: 各地物类别 的平均最优可分性最大, 244, 为 居民地、 轻度、 中 度、 重度荒漠化地等易混淆地物之间的类间平均分 离度也相对最大。因此, 选择该特征组合作为最终 分类特征集。 3.4 训练样本选取 利用 GPS 导航、 定位, 对调查样地的地貌地形、

包含了植被信息和土壤水分信息, 对分类可能也有 土壤湿度特征选择湿度指数 (NDMI) 来表达,

植被、 土壤、 地表形态、 土地利用类型等因子进行调 查记载, 并一一与相应的 SPOT 影像特征相对应, 共

表 1 不同特征组合类别可分性
Table1 The separability of different eigenvalue combination Euclidean 距离

特征组合 平均最优可分性 居民地与盐碱地 居民地与重度风蚀地 居民地与中度风蚀地 居民地与轻度风蚀地 盐碱地与重度风蚀地 盐碱地与中度风蚀地 盐碱地与轻度风蚀地 草地与盐碱地

SPOT1-4+K-L +TC1-3+DEM 244 162 250 214 116 377 206 148 83

SPOT1-4+NDVI +DEM+K-L 239 158 251 198 116 377 211 149 77

SPOT1-4+K-L +TC1-3+MNF 218 147 230 165 109 298 175 130 60

SPOT1-4+NDVI+TC1-3 +DEM+NDMI 196 102 209 155 102 360 180 120 55

SPOT1-4+NDVI+DEM + K-L+TC1-3 224 157 251 175 355 219 123 68 98

http://www.resci.net

2011 年 6 月



欢等: 基于 SPOT 高分辨率遥感数据的绿洲荒漠化土地分类方法

1207

采集样点 262 个。鉴别每一种影像特征相应的地物 属性, 并拍摄地面实况照片, 形成遥感影像图的判 读样片。将实测样点数字化, 建立与待处理数据集 配准的矢量图层和感兴趣区 (ROI) 并以当地地形 , 图和土地利用类型图为参考, 对研究区选取土地利 用覆盖分类训练样本。 耕地、 园林地、 草地、 盐漠、 水体、 轻度、 重度荒 漠化在影像上特征明显, 训练区容易选择; 不同程 度盐碱地色调变化不大, 选择训练区时较难定出等 级, 将轻度、 中度、 重度盐碱地按同一类别选择; 中 度荒漠化中的白板地、 岩质、 砾质荒漠土地光谱特 征差异较大, 对它们分别选择了训练区。这样, 研 究区总共选择了耕地、 园林地、 草地、 盐漠、 水体、 城 镇居民地、 沙漠、 盐碱地、 白板地、 砾石、 裸岩、 荒地 12 种土地利用/覆盖类型。 3.5 研究区荒漠化信息提取

依照下述思路提取: 将原始分类结果中的城镇居民 地与砾石、 裸岩相区分, 即可提取城镇居民地, 砾 石、 裸岩合并为中度风蚀地; 荒地中混淆了部分盐 碱地和草地, 通过分析三种地物的特征光谱, 建立 区分三者的决策条件, 将三者进行区分。 3.5.2 基于决策树的分类信息提取 表 2 为不同地 砾石和裸岩在 DEM 特征波段具有明显的差异。裸 岩最大高程为 590.72m, 最小高程为 551.72m, 砾石 将初次分类结果中裸岩和砾石高程小于 140.38m 的

除了未发生混淆的 6 种地物, 其余 6 种地物可

物在各特征波段光谱值, 可以看出, 城镇居民地与

最大高程 459.01m, 最小高程 0m; 而城镇居民地高

程介于-38.91~140.38m 之间, 因而通过设定阈值, 地物分离出来, 将其定义为城镇居民地, 即可完成 城镇居民地提取。缨帽变换的前三个分量分别反 映土壤的亮度、 绿度和湿度特征。从表 2 可以看出, 湿度分量 TC3 可以很好的将草地与荒地区相分离。 草地在 TC3 特征波段上的值非常低, 位于-18~-68 之间, 而荒地和盐碱地的特征值均高于-18, 将初始

3.5.1 初始分类结果 运用最小距离监督分类结果 表明: ①农田、 园林地、 盐漠、 水体、 白板地、 沙漠 6 种 地物分类效果很好, 未与其它地物发生混淆; ②城 镇居民地与砾石、 裸岩发生混淆, 在这两种地物中 混有大量城镇居民地; ③盐碱地与荒地发生较严重 混淆, 特别是轻度盐碱地与荒地较难区分; ④草地 由于植被盖度不同与荒地发生混淆。

分类的荒地和盐碱地中 TC3<-18 的像元提取出来, 将其划分为草地。最后一步就是荒地和盐碱地的 划分。荒地和盐碱在最小噪声分离指数 MNF 上差 异较大, 从表 3 可以看出, 荒地在 MNF 特征波段分

表 2 典型地物光谱值统计
Table 2 Statistics of typical ground spectrum value 地物 荒地 最大 最小 均值 草地 最大 最小 均值 裸岩 最大 最小 均值 砾石 最大 最小 均值 城镇 最大 最小 均值 盐碱 最大 最小 均值 -0.080 -0.200 -0.170 -0.060 -0.430 -0.260 -0.213 -0.382 -0.309 -0.310 -0.210 -0.190 -0.380 -0.280 -0.008 -0.191 0.020 -0.382 NDVI 195.69 134.17 159.18 168.50 108.35 135.70 129.81 100.68 204.57 123.87 162.70 168.19 120.86 188.60 156.09 168.08 75.90 76.23 K-L 193.00 126.00 156.64 167.00 125.00 136.83 127.00 102.41 199.00 123.00 163.03 165.00 124.44 191.00 155.00 165.09 76.00 85.00 TC1 TC2 9.00 TC3 8.00 NDMI 0.28 0.07 0.20 -0.0 0.04 0.31 0.04 0.20 0.28 0.11 0.20 0.39 0.03 0.22 0.32 0.04 0.19 0.18 SPOT1 78 36 116 72 60 50 21 35 76 44 57 67 30 51 65 52 57 55 SPOT2 135 105 106 67 85 89 49 142 114 115 51 79 78 66 84 SPOT3 109 61 87 87 63 75 77 48 113 76 94 43 71 90 97 59 SPOT4 103 56 80 94 48 52 51 31 39 78 45 62 72 36 45 81 61 72 DEM(m) 150.23 29.10 SLOPE 5.26 0.14 2.20 4.61 1.29 2.27 5.54 3.01 4.63 2.73 0.74 2.04 0.85 0.31 0.62 2.44 0.10 0.79 -41.23 -59.32 -54.98 -55.32 -42.32 -47.24 -37.24 -40.10 -38.27 -51.22 -55.05 -52.83 -40.01 -47.61 -43.42 -26.97 -38.54 -30.22 MNF

-17.00 -4.43 -6.00 -8.59 3.00

-10.00 -18.00 -68.00 -13.88 -2.00 0.91 2.00 4.00 -0.19

-95.01 320.18 101.35 590.72 528.24 551.72 459.01 270.61 -38.91 -11.29 28.26 140.38 0.00

-20.00

-96.80

-12.00 -4.47 -5.00

-22.00 -10.30 -18.00 -8.41 -4.00 -9.61 1.00

-6.00 -0.63 -26.00 -8.27 -7.00 2.67 8.00 1.00

101

-18.00

133 108 108

110

-150.00 -115.51

http://www.resci.cn

1208

资 源 科 学

第 33 卷 第 6 期

布 范 围 为 -59.32~-41.23, 盐 碱 地 分 布 范 围 而 为-38.54~-26.97, 以-40 为阈值, 可以将两种地物 分离开来。 通过以上对本区域主要地物的光谱特征的分 析, 建立如下的基于最小距离分类结果的土地利用 信息决策树模型 (见图 1) 。其中 DEM、 3、 TC NDMI 阈 值的确定是通过人机交互选择的最佳经验数值。

4 结果与分析
4.1 分类精度检验 Congalton 提出的误差矩阵法, 它是一个 r×r 矩阵 (r 是矩阵中的元素, 表示了抽样中被分到某一类而经 过检验的象元数) 。在建立误差矩阵之前, 必须对 监测区进行抽样, 且采样点应随机产生。不同的分 析样本采样方法对分类精度分析影响很大。常用 的概率采样方法包括简单随机采样、 聚点式集群采 样和分层采样。其中分层采样不但可以避免一些 面积比例较小的地类产生的抽样点过少, 而且方法 简单易行。本研究采用分层抽样法对验证样本进 行采样, 设定总样本数为 1000, 并且保证小类别也 有足够的分析点。在 Erdas Imagine 的支持下, 利用 分类模块 Classifier 中 Accuracy Assessment 功能首先 Geolink 连接, 对抽样点的实际类别进行判断, 计算 目前, 量分类精度最广泛的方法是由 衡

Fig.1 The decision tree of land use/cover classification

图 1 土地利用分类决策树流程

图 (图 2) 。经统计, 2004 年研究区荒漠化面积为 3990.55 km2, 占总面积的 80.88%。其中, 中度荒漠 化所占比例最大, 占总面积的 64.05%。其主要分布

经过分析处理, 得到研究区土地利用覆盖分类

在绿洲外围, 由砾石、 戈壁组成, 是典型的风蚀荒漠

化土地。绿洲内部分布着 374 km2 的轻度风蚀荒漠 草场退化形成, 部分已风化为白板地。重度风蚀荒 漠化面积较少, 109.93km2, 为 占总面积的 2.23%, 分

化土地, 占总面积的 7.58%。这些土地主要由天然

分层随机产生抽样点, 然后与遥感影像窗口进行 精度。本文中, 验证点的类别是参照景观照片及 1 ∶ 5 万地形图所对应的类别, 进行目视解译确定得 系数 0.86。 4.2 吐鲁番荒漠化分布 出。分类精度表见表 3, 分类总精度为 87.9%, kappa

布在绿洲与荒漠过渡带, 该区寸草不生, 完全被沙 6.6%。主要分布在艾丁湖周围, 生长有梭梭、 骆驼

漠 覆 盖 。 盐 碱 地 面 积 达 325 km2, 总 面 积 的 占 刺等耐碱植被, 严重之处盐分已裸露于地表。可 见, 吐鲁番绿洲荒漠化已非常严重, 绿洲边缘荒漠 化已向绿洲内部扩展。

表 3 吐鲁番土地利用分类精度报告
Table 3 Accuracy report of the classification of all types of Trupan 盐碱地 城镇居民地 轻度风蚀 中度风蚀 重度风蚀 盐碱地 城镇居民地 轻度风蚀 中度风蚀 重度风蚀 水体 艾丁湖 园林地 耕地 草地 合计 71 2 3 2 1 0 0 0 1 83 3 69 4 1 1 2 0 2 0 86 4 3 4 79 1 1 0 0 0 3 93 2 3 8 1 166 1 0 0 0 1 183 2 4 3 2 0 58 0 0 0 0 68 0 5 水体 0 1 0 0 50 0 0 0 51 0 0 艾丁湖 0 0 0 2 0 36 0 0 38 0 0 园林地 2 3 0 0 1 3 111 5 2 0 耕地 1 3 0 0 0 0 0 148 162 7 3 草地 6 2 3 5 0 0 0 1 91 1 生产者精度 用户精度 0.86 0.80 0.85 0.91 0.85 0.98 0.95 0.87 0.91 0.83 0.72 0.80 0.85 0.91 0.92 0.91 1.00 0.92 0.93 0.85

127

109

http://www.resci.net

2011 年 6 月



欢等: 基于 SPOT 高分辨率遥感数据的绿洲荒漠化土地分类方法

1209

型荒漠化土地进展及针对不同类型荒漠化土地的 预防及调控具有一定意义。 (4) 由于数据限制, 本研究只提取了 2004 年吐 鲁番地区荒漠化信息。在以后研究中, 应多搜集该 地区不同时间遥感数据, 尝试运用不用类型的传感 器获取的数据进行荒漠化信息提取, 为当地荒漠化 防治提供基本决策数据。
参考文献 (References) :
Fig.2 The classification results of Turpan Basin in 2004

图 2 吐鲁番绿洲荒漠化信息提取结果

[ 1 ] 王涛,陈广庭,赵哈林,等.中国北方沙漠化过程及其防治研究的 [ 2 ] 程小红,潘存军,彭建新.新疆第三次荒漠化监测中的问题及其 [ 3 ] 朱丽,李金霞,秦富仓,等. 鄂托克旗风蚀荒漠化景观格局动态变 [ 4 ] 徐驰,姜琦刚,李远华,等. 呼伦贝尔地区土地荒漠化动态变化 [5] [J]. 世界地质,2010,29 : 160-167. (1) Tripathy, G.K, Ghosh, T.K., Shah, S.D.. Monitoring of 化研究[J]. 中国沙漠,2009,29 (6) 1063-1068. : 建议[J]. 云南地理环境研究,2006,18 (2) 12-16. : 新进展[J]. 中国沙漠,2006,26 (4) 507-516. :

从空间分布上看, 吐鲁番的风蚀荒漠化程度低 于托克逊, 而盐渍化指数高于吐鲁番市。以每个乡 镇荒漠化面积占总面积的比例为荒漠化指数, 吐鲁 荒漠化指数为 0.85, 指数最高乡镇为克尔碱镇, 达 番平均风蚀荒漠化指数为 0.62, 托克逊县平均风蚀 到 0.96; 盐渍化指数情况相反, 吐鲁番为 0.12, 托克 30%以上。 逊县为 0.01。其中, 二堡乡和恰特喀勒乡的盐渍化 指数均为 0.35 左右, 盐碱地面积占整个乡总面积

desertification process in Karanataka State of India using multi -

temporal remote sensing and ancillary information using GIS[J]. 2243-2257.

International Journal of Remote Sensing, 1996, 17 (12) : [6] Milich, L., Weiss, E.. GAC NDVI internal Coefficient of Variation

5 结论

绿洲荒漠化类型及特点的分类系统。提取 NDVI、 K-L、 NDMI 等 10 个特征波段, 构建包含 SPOT 原始 数据的 14 个特征数据集, 并利用波段的类间可分性 进行了参与分类的波段优化选取。根据地物在不 同特征波段的特性, 建立了决策树模型, 对研究区 荒漠化信息进行了提取。决策树分类可以充分利 用地物的光谱信息与地理位置信息, 与传统分类相 结合, 区分了混淆地物, 达到了较好的分类效果。 漠化面积占研究区的 80.88%, 其中中度风蚀荒漠面 64.05%。从空间分布上看, 吐鲁番的风蚀荒漠化程 度低于托克逊, 而盐渍化指数高于吐鲁番市。 (2) 吐鲁番地区的荒漠化以风蚀、 盐碱为主, 荒
[7]

(1) 针对绿洲土地覆盖/利用特点, 建立了反映

(CV)images: Ground truth sampling of the Sahel along NorthSouth Transects[J]. International Journal of Remote Sensing, 2000, 21:235-260. Howari, F.M.. The use of remote sensing data to extract

information from agricultural land with emphasis on soil salinity [J]. Aust. J. Soil Res., 2003, 41:1243-1253.

[ 8 ] Farifteh, J., Farshad, A., George, R.J.. Assessing salt-affected

soils using remote sensing, solute modeling, and geophysics[J].

[ 9 ] Eldeiry, A.A., Luis A.. Detecting soil salinity in Alfalfa fields using spatial modeling and remote sensing[J]. Soil Science, 2008, 72 (1) 201-211. : 1997,6:46-68.

Geoderma, 2005, 130:191-206.

积所占的比例最大, 2004 年占整个研究区面积的

[10] 裴浩,李云鹏.利用极轨卫星监测科尔沁沙地[J]. 中国草地, [11] 李宝林,周成虎.东北平原西部沙地沙质荒漠化的遥感监测研 [12] 吴建寨,李波,崇洁,等. 天山北坡不同景观区域土地利用与生态 [13] 刘艳,李杨,崔彩霞,等.MODIS MOD13Q1 数据在北疆荒漠化监 [14] 刘勇洪,牛铮. 基于 MODIS 遥感数据的宏观土地覆盖特征分类 217-224. 测中的应用评价[J].草业学报,2010,19 : 14-21. (3) 系统功能变化分析[J].资源科学,2008,30 : 621-628. (4) 究[J]. 遥感学报,2002,6 (2) 117-122. :

(3) 传统监督分类易造成由同谱异物及同物异 谱引起的地物混淆, 本文应用高分辨率遥感数据对 荒漠化信息进行提取, 提出的最小监督分类和决策 树分类相结合的分类方法充分利用了地物光谱信 息和空间信息, 具有较好的分类效果。另外, 按荒 漠化成因对荒漠化土地进行细分, 分别提取了不同 等级的风蚀荒漠化及盐碱化信息, 这对研究不同类

方 法 与 精 度 分 析 研 究 [J]. 遥 感 技 术 与 应 用, 2004, 19(4) :

[15] 何祺胜,塔西甫拉提.特依拜,丁建丽. 基于决策树方法的干旱区

盐渍地信息提取-以渭干河-库车河三角洲绿洲为例[J]. 资源

http://www.resci.cn

1210
[16] 科学, 2006,28 : 134-140. (6)

资 源 科 学
究, 2001,20 (2) :213-219.

第 33 卷 第 6 期

[17] 赵英时.美国中西部沙山地区环境变化的遥感研究[J].地理研

Appl. Metheorol., 1978, 17: 1549-1557.

Schmugge, T.J.. Remote sensing of surface soil moisture[J]. J.

[18] Boardman, J.W.. Automated spectral unmixing of AVIRIS data Science Workshop, JPL pubication, 1993.

using convex geometry concept-ts[R]. Fifth JPL Airborne Earth

Classification of Oasis Desertification Land Based on SPOT High Spatial Resolution Imagery: A Case Study of the Turpan Oasis, Xinjiang
(1. College of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China; 3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China) 2. College of Li Ren, Yanshan University, Qinhuangdao 066004, China;

PEI Huan1, WEI Yong2, FANG Shifeng3, LI Yingjia2

Abstract: Oasis is the major portion with relatively high productivity and hosts a lot of lives in arid areas. It takes up only 4% of the area but sustains 95% of the population and above 90% of social wealth in Xinjiang, China, which is a typical arid area in the world. Oasis is the citadel to explore in desert and mountainous areas, and therefore plays a fundamental role in the development of society and economy in Xinjiang. The Turpan Basin is a typical oasis-desert interlaced area in eastern Xinjiang, and an important part of the ecologically and environmentally fragile zone of northwestern Oasis in China. Desertification is the most serious environmental problem in the Turpan Basin. It is important to accurately and rapidly monitor desertification. Satellite remote sensing has become a commonly used technique in desertification monitoring. High resolution remote sensing imagery, SPOT data, was used in this study. First, a classification system which is able to reflect desertification types and characteristics was built in terms of land use/cover characteristics. A series of atmospheric and geometric corrections and imagery enhancement were performed on the SPOT imagery before using it. There were 10 characteristic bands derived from the SPOT data, such as NDVI K-L, and NDMI. Inter-class separability was applied to choose the optimum combination of bands. Based on spectrum and spatial characteristics of different features, combined with supervised classification results, a decision tree was built to derive land use/cover information, in particular the desertification distribution. Results showed that wind erosion desertification and salinization were the major desertification types in the study area. Moderate wind erosion desertification was distributed on the edge and the periphery of oasis, accounting for 64.05% of the total area. Salinization land, mild and serious wind erosion desertification were distributed within the oasis, accounting for 6.6, 7.58 and 2.23% of the total area, respectively. The salinization degree of Turpan was higher than that of tuokexun, whereas wind erosion desertification degree was contrary to the former. The decision tree classification method made full use of spectral and spatial information of land features, and seems capable of discriminating land features. Key words: Turpan Oasis; Desertification; SPOT; Decision tree
http://www.resci.net


相关文章:
单项选择题之五答案
15.同是遥感图像,飞机图像清晰度高,主要因为 ( ) A.飞机上的传感器更为先进...土地荒漠化 D.风力侵蚀作用强 6.N 为塔里木盆地的内陆湖,M 为湖边绿洲,...
2016届高考地理第二轮考点强化训练40
下图为新 疆矿产资源分布示意图及新疆绿洲农业分布示意图。读图回答 4~5 题。...土地荒漠化 A.在气候和某种人为因素的共同作用下重心向东南方向迁移 B.在气候...
LANDSAT 影像多种分类方法比较研究
特别是 SPOT、IKONOS、QUICKBIRD 等 高分辨率遥感卫星...“三北”地区荒漠化环境地质调查评价空间数据库和信息...就完成了全国的土地类型的划分工作, 分 出五大类,...
地理必修三活页作业
这种方式遥感 技术,对地面物体的分辨率是较___(...___ (2010 年湖北联考)中国现有荒漠化土地 267 ...绿洲农业 B.河谷农业 C.节水农业 D.高效农业 (...
荒漠化土地适生植物 文档
基于SPOT高分辨率遥感数据... 7页 免费 植物逆境生理研究进展 6页 2财富值 满足...荒漠化土地适生植物吉林省西部荒漠化土地主要由盐碱化和沙漠化土地组成,生态草...
人教版必修三思考题活动题答案
速度、人力和财力投入等方面看,遥感具有哪些特点?...P20 思考: 干旱区绿洲荒漠的演替是双向,但绿洲...胁的种种灾难:牲畜质量下降、鱼类减少、土地盐碱化...
222地理试卷第二次
土地耕垦、人口、放牧强度和荒漠化面积发展变化的...该地绿洲发展农业生产的主要有利条件是( ①气象灾害...遥感 B.全球定位系统 D.地理信息系统 ) ) ④...
土地荒漠化分类,成因,危害,治理
土地荒漠化分类,成因,危害, 土地荒漠化分类,成因,危害,治理一 、 土地荒漠化...半干旱的草原牧区、干旱的绿洲边 沙化进程 缘过度开 在干旱、半干旱沙质土壤...
山东省2014届高考地理一轮复习教师用书配套课后作业(二十八)(人教版)
土地荒漠化的扩展与冬季风有关 D.在绿洲内部采取封...据中科院黄土高原综合考察队 遥感调查计算,黄土高原...内蒙古高 原和东北地区交界处荒漠化的主要原因是过度...
di高中地理必修三第五次(含答案)
基于( A A.遥感技术和地理信息系统 C.遥感技术...防治土壤盐碱化 23、绿洲地区防治荒漠化的正确做法是...长期高强度种植玉米,造成土地退化 C.为了获取炼钢用...
更多相关标签:
高分辨率遥感影像 | 高分辨率遥感 | 高分辨率遥感卫星 | 高分辨率遥感影像分类 | 高分辨率遥感影像下载 | 高分辨率遥感图像 | 高分辨率遥感卫星应用 | 高分辨率遥感数据 |