1. 山东理工大学建筑工程学院, 山东 淄博 255000;2. 广东省科学院广州地理研究所, 广东 广州 510070;3. 淄博市勘察测绘研究院有限公司, 山东 淄博 255000
基金项目：广东省科学院培植海内一流研究机构行动专项资金（2019GDASYL-0103003）；国家重点研发操持（2017YFB0503500）；广东省遥感与地理信息系统运用重点实验室开放基金（2017B030314138）；山东理工大学青年西席发展支持操持（4072-115016）；广东省引进创新创业团队项目（2016ZT06D336）；广东省科学院履行创新驱动发展能力培植专项（2019GDASYL-0103001）；博士后创新人才支持操持（BX20200100）；山东省自然科学基金（ZR2020MD018 & ZR2020MD015）
择要：地皮荒原化等级分类是荒原化监测的主要内容，也是地皮荒原化综合管理、科学防护的根本。针对植被稀疏及干旱区地皮荒原化提取非常的问题，本文选择干旱/半干旱的科尔沁区为试验区，以2005、2010和2015年3期的中高分辨率Landsat遥感影像为数据源，基于大量的样本统计剖析，提出了一种领悟植被覆盖度（FVC）、去土壤植被指数（MSAVI）、增强性植被指数（EVI）3种指标的荒原化提取模型，并将之与传统植被覆盖度指标提取结果进行了比拟剖析。研究结果表明，相较于单一植被指数反演方法，本文提出的算法分类精度更高，尤其针对干旱/半干旱地区，该领悟植被指数法具有更好的适用性和稳健性。该方法为荒原化评价体系的建立供应了新的思路，为地皮荒原化防护与管理供应了赞助决策支撑。
关键词：荒原化 植被覆盖度 植被指数 Landsat 决策树分类
引文格式：王树祥, 韩留生, 杨骥, 等. 一种改进的领悟多指标荒原化等级分类方法[J]. 测绘通报，2021(4)：8-12. DOI: 10.13474/j.cnki.11-2246.2021.0102. 阅读全文：http://tb.sinomaps.com/article/2021/0494-0911/20210402.htm荒原化是一种人为与自然成分造成的干旱、半干旱地区的地皮退化征象[1]。20世纪以来，随着人口增加和乱砍滥伐行为日益专横獗，荒原化急剧增加，已成为威胁人类生存最严重的生态问题之一。如何有效地遏制荒原化发展态势成为当前生态环境领域研究的重中之重，而荒原化态势防控依赖于有效的监测与研究[2]。国内外的研究学者对付荒原化地皮分类与荒原化等级评价体系建立作了大量深入的研究。起初紧张采取野外调查法进行综合指征评价[2]，但由于野外调查法研究范围的局限性，难以用于环球性大尺度荒原化地皮监测。随着3S技能的崛起，高空间分辨率、高时相卫星使大尺度的荒原化监测成为可能。研究者开始采取目视解译方法对荒原化地皮进行分类评价，进行地皮荒原化动态监测[3-4]。虽然该方法可实现荒原化地皮分类，但费时费力，且分类标准过度依赖主不雅观意识评价，导致该方法分类精度较低，难以广泛运用。随着遥感技能的发展，研究者开始将植被指数运用于地皮分类[5]，植被指数法能够用于荒原化地皮分类，但缺少遥感机理知识支撑。在单一植被指数法根本上，衍生出植被覆盖度指数法[6]，该方法以NDVI为根本，引入土壤像元与全植被覆盖像元，充分考虑研究区域实际情形，具有强有力机理知识支撑。然而，近期研究创造，NDVI易受土壤背景影响，在沙化区域的NDVI偏低，导致单一植被覆盖度法在低覆盖度与高覆盖度地区荒原化分类发生非常[7-9]。而MSAVI和EVI能够有效地填补NDVI在荒原化信息提取中的不敷[10-12]，多指数领悟为地皮荒原化监测供应了新思路。本文针对单一植被指数法在沙化地区荒原化等级分类中的不敷，基于决策树分类的方法，提出一种领悟多栽种被指数的荒原化信息提取算法，构建一种新型荒原化评价体系，为未来荒原化地皮持续监测及有效防治供应了强有力的理论支撑。科尔沁区是我国北方农牧交错区和荒原化较严重的地区，包括科左中旗、开鲁县、库伦旗、奈曼旗、科左后旗及科尔沁区6个行政区旗(如图 1所示)。科尔沁地区东部属于半湿润景象区，西部属于半干旱景象区，年均匀风速约为3.7 m/s，风大是该地区景象的最突出特点之一。随着人口的剧增，地皮利用构造发生巨大改变, 急剧恶化的生态环境使得地皮荒原化态势日益严重。选取该研究区进行荒原化提取可为荒原化的防治供应可靠的决策依据。Landsat系列数据是美国宇航局发射的用于探测地球资源与环境的卫星数据，分辨率高，历史久。中高空间分辨率数据可以更清晰地分辨荒原化严重程度，而永劫光序列的数据能够知足该研究对付长期的荒原化动态监测的可靠性。该研究中遥感数据紧张包括2005、2010、2015年共计12景影像，影像日期选择夏秋植被成长茂盛的时令，避免时令成分导致错分漏分。Landsat系列卫星影像的预处理紧张包括辐射定标、大气校正、几何校正、镶嵌、去背景值等，并根据科尔沁地区范围界线进行裁剪预处理，最后进行匀色处理。植被盖度法可以将中轻度荒原化地皮有效区分，但对付重度与中度荒原化、轻度与非荒原化却难以区分(如图 2(a)所示)。针对这种沙化区域单一植被指数法在荒原化信息提取方面的非常问题，本文提出了一种领悟多栽种被指数的荒原化信息提取算法，该算法基于决策树分类方法引入了FVC、MSAVI、EVI 3种指标。FVC是植被垂直投影面积占总统计面积的比率，它是描述地表植被成长状况的一个主要指标。像素二分模型是一种大略的稠浊像素分解方法，采取像素二分法模型打算植被覆盖度[13]，其打算方法如下式中，FVC为植被覆盖度；NDVImin为该研究区内裸土像元的NDVI最小值；NDVImax为研究区内植被像元的最大值。由于地表条件、植被类型等干系成分的影响，NDVI的最大值及最小值随韶光和空间的变革而变革。本文取累积频率0.5%为最小值，99.5%为最大值。MSAVI能够减少土壤背景的影响，增强稀疏植被区对植被的敏感程度。尤其干旱沙地区域植被覆盖率低，更随意马虎受到土壤及其他非植被背景影响[14]。因此，选取MSAVI植被指数进行评价体系建立，可以更好地反响研究区荒原化程度，其打算方法如下式中，MSAVI为去土壤植被指数；NIR为近红外波段反射率；R为赤色波段的反射率。EVI是一种增强性植被指数，它引入了蓝光波段，一定程度上降落了大气的影响，并且可以填补NDVI在高植被覆盖度反应不灵敏、低植被覆盖度受土壤背景影响的问题[15]。其打算方法如下式中，G为增益因子；C1为红光波段大气纠正因子；C2为蓝光波段大气纠正因子；L为冠层背景纠正因子。以上参数均取履历值，即G=2.5，C1=0.6，C2=7.2，L=1.0。通过大量的样本统计剖析，当FVC以0.6为阈界时，能够很好地将中度荒原化与轻度荒原化地皮区分开；当MSAVI以0.1为阈界时，能很好地将中度荒原化与重度荒原化地皮区分开；当EVI以0.25为阈界时，能够更好地将轻度荒原化与非荒原化等级划分(如图 2所示)。因此，本文基于决策树分类法提出一种领悟FVC、MSAVI、EVI 3种指标的荒原化提取模型(如图 3所示)。本文利用混肴矩阵评价法对分类精度进行评价，确定分类的精度与可靠性。偏差矩阵是用于表示分为某一类别的像元个数与高分辨率相对考验真值为该类别的比较阵列。评价精度因子紧张包括总体分类精度、Kappa系数等。总体分类精度为被精确分类的像元总和与总像元数的比值。Kappa系数的打算公式如下式中，p0为荒原化等级评价中被精确分类的样本数与总样本数之比；pe为有时性成分导致的荒原化种别缺点阐明的比例。3.1 改进的多指标领悟与传统植被盖度法荒原化结果比拟剖析利用FVC法与多指标领悟算法分别对原始遥感影像进行荒原化信息提取，将提取结果分为非荒原化(白色)、轻度荒原化(绿色)、中度荒原化(黄色)及重度荒原化(赤色)4类，得到两种方法分类结果比拟图，如图 4所示。由图 4结合高分辨率谷歌影像可知，利用传统FVC法分类精度较低，存在明显的错分漏分征象，尤其对付荒原化较严重地区，其分类结果较真实值高，造成反演重度荒原化面积相对偏低而中度荒原化面积偏多；而对付植被覆盖较高的区域，由于存在植被指数过饱和征象，其分类结果较真实值又会偏低，导致未荒原化面积偏少而轻度荒原化面积偏多。利用多指标领悟方法的分类精度较高，基本上知足综合制图与运用剖析的需求，错分漏分较少，相较于传统覆盖度指数法，其精度明显提高。图 5为传统FVC荒原化信息提取及多指标领悟的荒原化信息提取结果的细节展示。由图 5进一步得知，FVC方法对付提取中度荒原化地皮精度较高，对付区分中度与轻度荒原化地皮效果较好，而由于受到土壤背景及水分等要素影响，区分重度与中度荒原化效果不理想，错分情形较多，导致分类结果相较真实情形荒原化程度较轻，精度较低。而对付多指标领悟方法，融入的EVI指数可以很好地区分非荒原化、轻度荒原化地皮类型，MSAVI指数则可以肃清土壤背景影响，很好地区分重、中度荒原化地皮，填补了传统的FVC方法在荒原化信息提取上的不敷，错分漏分情形更少，精度更高，更加适用于荒原化地区信息提取。在每年的图像中随机选取1000多个样点，利用调查数据和Google Earth高分辨率数据确认样点的属性并作为真值，将其分别与本文提出的算法及植被盖度指数法监测结果比较较，天生2005、2010和2015年3个期间的地皮荒原化分类精度评价稠浊矩阵，并打算各种型的分类精度、总体精度及Kappa系数(见表 1), 评估荒原化提取精度，终极对两种算法利害进行比较剖析。表 1 两种方法等级分类精度评价稠浊矩阵比较(UA为用户精度、PA为制图精度)通过表 1可知，基于FVC方法3期遥感影像的制图精度在54.3%~100%之间，用户精度在57.3%~100%之间，总体精度在74.54%~84.68%之间，总体上看分类精度较低，通过与高分辨率的遥感影像进行比拟剖析，可知该分类方法反演结果偏差较大。多指标领悟算法3期遥感影像的制图精度在85.4%~100%之间，用户精度在87.8%~100%之间，总体精度在91.97%~94.75%之间，总体上看分类精度较高，具有很强的稳健性，通过与高分辨率的遥感影像进行比拟剖析，可知该分类方法反演结果偏差较小，更加靠近真实情形。通过比拟创造，基于多指标的荒原化等级评价方法在制图精度、用户精度及总体精度各个方面，其结果表现均优于基于传统的植被覆盖度法。因此，本文改进的算法对付荒原化地皮的等级分类评价适用性更强，精度更高，分类结果更好。
针对单一植被指数法在沙化地区的荒原化等级分类中的不敷，本文基于决策树分类法提出了一种改进的领悟多栽种被指数荒原化信息提取方法，并将该算法用于科尔沁地区，紧张结论如下：(1) 利用3期Landsat遥感影像，经由辐射定标、大气校正、镶嵌裁剪等预处理过程，基于决策树分类的方法，通过领悟FVC、MSAVI及EVI等多种指标的分类方法，构建了一种新型的荒原化评价体系，实现了不同层级荒原化地皮精确分类。(2) 单一植被覆盖度法在高植被覆盖度地区分类精度较低；去土壤植被指数在高覆盖度植被地区反应不敏感；增强性植被指数对付低植被覆盖度地区易受土壤背景影响，分类精度较低。相较于单一植被指数反演方法，本文提出的算法分类精度更高，尤其针对荒原化地区，该领悟植被指数法具有更好的适用性和稳健性。作者简介：王树祥(1995-), 男, 硕士生, 紧张研究方向为环境遥感、定量遥感。E-mail: 1039735316@qq.com通信作者：韩留生。E-mail: hanls@sdut.edu.cn《测绘学报》专刊征稿函 | 滑坡磨难监测预警
《测绘学报（英文版）》（JGGS）专刊征稿 | Call for Papers：空间人文与社会地理打算 (SHGSS)
重磅 | 第八届“测绘科学前沿技能论坛”会议关照（一号）
自然资源部办公厅关于印发《自然资源部2021年政务公开事情要点》的关照
