CN114417092B - 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 - Google Patents

Abstract

本发明提供了一种沙漠化监测指数的构建方法及沙漠化动态变化趋势评价方法。本发明基于特征空间的基本原理，利用土壤调整植被指数、地表反照率、沙化特征指数三个对沙漠化敏感的指数构建三维特征空间，并通过坐标空间中的距离公式得到沙漠化监测指数。本发明结合沙漠化趋势斜率与沙漠化变异系数对沙漠化长时间序列的动态变化趋势进行分析和评价，可以在时间空间上了解沙漠化的状态变化，为政府和相关决策部门制定下一步生态环境保护和防治沙漠化恶化工作措施提供科学的决策依据。

Description

沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法

技术领域

本发明属于遥感和生态环境评价领域，涉及基于多光谱遥感影像的三维特 征空间的构建，具体涉及一种沙漠化监测指数的构建方法，沙漠化状态变化趋 势的评价方法。

背景技术

近年来，土地沙漠化已经成为一个非常严峻的生态环境问题。所以对沙漠 化的变化趋势进行监测，掌握沙漠化的动态变化趋势，对于沙漠化治理规划的 制定和自然资源可持续利用，以及沙漠化的研究具有重要意义。由于遥感技术 具有实时、大范围监测的优势，已经广泛应用到沙漠化的监测中。但是，在遥 感分类方法中多使用监督分类、非监督分类、神经网络自动提取、目视解译等 方法，此类半自动分类方法耗时耗力，工作强度大，效率低，解译周期长，受 主观影响程度较高，难以开展长时间序列沙漠化动态监测。传统的遥感信息提 取方法对遥感信息的利用程度低，从而影响了丰富的遥感信息在沙漠化监测中 发挥应有的作用。此外，由于土地的沙漠化过程受到多种因素的影响，所以综 合考虑土地沙漠化过程中的多维空间信息，对于土地沙漠化信息的提取以及定 量模型的构建有一定的意义。利用多光谱遥感图像构建特征空间，提取监测生 态环境信息的各种指标，是目前生态环境遥感监测的一种先进方法。在利用多 光谱数据监测沙漠化时，选择合适的特征参数，建立多维特征空间，构建沙漠 化监测指数，可以进一步提高沙漠化遥感监测的精度。

通过构建出的沙漠化监测指数对长时间序列的沙漠化进行监测，为沙漠化 动态变化趋势的分析评价提供了有效的手段。

发明内容

针对上述现有技术的不足与缺陷，本发明的目的在于提供沙漠化监测指数 的构建方法及沙漠化动态变化趋势的评价方法，解决现有技术中的遥感信息利 用程度低、监测精度低的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：一种沙漠化 监测指数的构建方法，所述的构建方法包括如下步骤：

步骤一：确定研究区，并采集研究区长时间序列的Landsat多光谱遥感影 像，得到多光谱遥感影像；

步骤二：对获取的Landsat遥感影像进行预处理，并选择三个指数作为三 维特征空间构建的特征参量；

步骤三：对步骤二中选择的特征参量进行正规化，并绘制特征参量的散点 图，分析各个特征参量与沙漠化严重程度之间的关系，并根据各个参量与沙漠 化之间的关系，在特征空间中找到沙漠化最轻的点，通过空间中任意点到该点 的距离公式，得到沙漠化监测指数；

步骤四：通过分析构建的沙漠化监测指数与植被覆盖度的相关性来判断该 指数在沙漠化监测中的适用性。

进一步地，步骤二的具体过程为：

步骤2.1：对获取的Landsat遥感影像分别进行辐射定标、大气校正、拼接、 裁剪等预处理，获得所需的遥感影像数据；

步骤2.2：选择地表反照率(Albedo)、土壤调整植被指数(MSAVI)、沙化特 征指数(SFI)作为特征参量，并利用步骤2.1中得到的遥感数据计算出上述三 个参量。

步骤三的具体过程为：

步骤3.1：由于各个因子的数值和量纲不统一，则根据统计学的要求，对 地表反照率、土壤调整植被指数、沙化特征指数三个特征参量进行正规化处理；

步骤3.2：以土壤调整植被指数(MSAVI)为X轴，地表反照率(Albedo) 为Y轴，沙化特征指数(SFI)为Z轴，绘制以上特征参量的散点图，建立 MSAVI-Albedo-SFI三维特征空间。

步骤3.3：分析得到随着沙漠化程度的加重，地表反照率得到相应的增加， 植被指数相应减少，沙化特征指数越高。

步骤3.4：根据步骤3.3的结论可知空间中任意一点到点(1,0,0)的距离越 大，土壤沙漠化程度就越严重。因此从空间中任取一点，利用三维空间中两点 间的距离公式，得到该点到(1,0,0)的距离，由此得到沙漠化监测指数。

步骤四的具体步骤如下：

步骤4.1：以2020年Landsat 8遥感影像数据为例，反演出植被覆盖度数据；

步骤4.2：采用均匀取样的方式，通过创建均匀的渔网点获取在研究区范 围内足够的均匀样本点，根据创建的渔网点分别在沙漠化监测指数和步骤4.1 得到的植被覆盖度数据中选择相应的样本点，并对沙漠化监测指数和植被覆盖 度的样本点进行相关性分析，以此判断沙漠化监测指数的适用性。

本发明还公开了一种沙漠化动态分析的方法，该方法如下：

对长时间序列的遥感数据分别进行步骤二和步骤三的处理过程，得到长时 间序列的沙漠化监测指数；

采用沙漠化监测指数年际线性变化趋势判断荒漠化指数的变化强度和性 质，将每个像元上长时间序列的沙漠化监测指数与时间进行线性拟合，趋势斜 率用最小二乘法计算，采用变异系数判断沙漠化监测指数的变异程度。

进一步地，本发明还公开一种沙漠化动态变化评价方法，将沙漠化监测指 数年际线性变化趋势和变异系数结合起来，对沙漠化状态的变化趋势进行评 价；

所述的沙漠化状态的变化趋势分为显著改善、改善、稳定、恶化、显著恶 化5种类型；

所述的沙漠化评价是指沙漠化在空间和时间上的变化特征。

本发明与现有技术相比，具有如下技术效果：

(Ⅰ)本发明提供了一种有效的沙漠化监测指数的构建方法，基于特征空 间的基本原理，利用土壤调整植被指数(MSAVI)、地表反照率(Albedo)、 沙化特征指数(SFI)三个对沙漠化敏感的指数构建三维特征空间，并通过坐 标空间中的距离公式得到沙漠化监测指数。

(Ⅱ)本发明结合沙漠化趋势斜率与沙漠化变异系数对沙漠化长时间序列 的动态变化趋势进行分析和评价，可以在时间空间上了解沙漠化的状态变化， 为政府和相关决策部门制定下一步生态环境保护和防治沙漠化恶化工作措施 提供科学的决策依据。

附图说明

图1为研究区沙地类型分布图

图2为Albedo-MSAVI-SFI三维特征空间三点图；

图3为沙漠化监测指数与植被覆盖度的相关性分析图；

图4为长时间序列沙漠化变化趋势图；

以下结合实施例对本发明的具体内容作进一步详细解释说明。

具体实施方式

下面将结合具体实验及实验数据对本发明做进一步的说明，然而应当理解 的是，本发明可以通过各种形式来实现，而不应该被解释为限于这里阐述的实 施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。

遥感技术作为一种较为先进的监测手段，已被广泛应用于全球生态环境 监测中，在沙漠化监测领域也发展了许多方法。选择适宜的特征参量通过特征 空间的基本原理构建沙漠化监测指数，可以有效提高遥感信息的利用程度，充 分了解沙漠化状态的变化趋势。因此，我们可以通过遥感技术准确地监测长时 间序列中沙漠化的变化状态，进而为沙漠化的监测提供一种新的监测手段。

实施例1：

本发明的一种沙漠化监测指数的构建方法，所述的构建方法为：

步骤一：确定研究区，并采集研究区的landsat 8多光谱遥感影像，得到多 光谱遥感影像；本案例以内蒙古多伦县为研究区，该县属于我国典型农牧交错 带生态脆弱区，整体的生态环境特别敏感，土地利用类型以草地为主，主要以 草旬草原、耐干旱性植被为主，草地的土地沙漠化现象较为严重，是重要的京 津风沙源区的重点区域。多伦县沙化土地分布较广，其东北部以固定沙地和半 流动沙地为主，东南部以固定沙地和半固定沙地为主，中北部存在一定面积的 流动沙地(图1)，目前该县已经演化为沙漠化比较严重的区域。

本案例采用landsat遥感影像作为数据源，影像的空间分辨率为30m，波段 包括蓝、绿、红、近红外、短波红外1和短波红外2六个波段。其中2005-2011 年使用landsat5 TM数据，2013-2020年使用landsat8 OLI数据，由于landsat7数据 的条带问题，所以本案例中没有2012年的数据。

步骤二：对获取的landsat 8遥感影像进行预处理，并选择地表反照率、土 壤调整植被指数、沙化特征指数作为三维特征空间构建的特征参量；

步骤2.1：对获取的landsat遥感影像分别进行辐射定标、大气校正、拼接、 裁剪等预处理，获得所需的数据；

步骤2.2：选择地表反照率(Albedo)、土壤调整植被指数(MSAVI)、沙化特 征指数(SFI)作为特征参量，并利用步骤2.1中得到的遥感数据计算出上述三 个参量。

对步骤2.2，Albedo、MSAVI、SFI的计算方法如公式(1)～(3)所示。

Albedo＝0.356B+0.13R+0.373NIR+0.085SR₁+0.072SR₂-0.0018(1)

式中，B为遥感影像的红色波段的反射率值；NIR为近红外波段反射率值； SR₁和SR₂分别为短波红外1和短波红外2的反射率值；B为蓝色波段反射率值。

步骤三：对步骤二中选择的特征参量进行正规化，并绘制特征参量的散点 图，分析各个参量与沙漠化严重程度之间的关系，并根据步骤三中各个参量与 沙漠化之间的关系，在特征空间中找到沙漠化最轻的点，根据空间中任意点到 该点的距离公式，得到沙漠化监测指数；

步骤四：通过分析构建的沙漠化监测指数与植被覆盖度的相关性来判断该 指数在沙漠化监测中的适用性。

步骤三的具体过程为：

步骤3.1：由于各个因子的数值和量纲不统一，则根据统计学的要求，先 对各因子进行正规化处理，如公式(4)所示；

式中，Albedo_min与Albedo_max分别为Albedo的最小值和最大值；NDVI_min与 NDVI_max分别为NDVI的最小值和最大值；SFI_min与SFI_max分别为SFI的最小值和最 大值。

步骤3.2：以土壤调整植被指数(MSAVI)为X轴，地表反照率(Albedo) 为Y轴，沙化特征指数(SFI)为Z轴，绘制以上特征参量的散点图，建立 MSAVI-Albedo-SFI三维特征空间。

步骤3.3：分析得到随着沙漠化程度的加重，地表反照率得到相应的增加， 植被指数相应减少，沙化特征指数越高。

步骤3.4：根据步骤3.3的结论可知空间中任意一点到点(1,0,0)的距离越 大，土壤沙漠化程度就越严重。因此从空间中任取一点，利用三维空间中两点 间的距离公式(式(5))，得到该点到(1,0,0)的距离，由此得到沙漠化监测 指数。

图2展示了Albedo-MSAVI-SFI的三维特征空间散点图，图中P(1,0,0)点 为沙漠化程度最轻的点，即空间中任意点位置距离P点越远，沙漠化程度越严 重。

步骤四的具体步骤如下：

步骤4.1：通过landsat 8遥感影像反演出植被覆盖度数据；

植被覆盖度的计算方法如公式(6)所示：

式中，NDVI为归一化植被指数；NIR和R分别为近红外和红波波段的反射 率值；VFC为植被覆盖度；NDVI_soil为为无植被覆盖的裸土像元的NDVI值； NDVI_veg为全植被覆盖像元的NDVI值；本案例中区经验值NDVI_veg＝0.7和 NDVI_soil＝0，且有当某个像元的NDVI大于0.7时，VFC取1，当NDVI值小于0时， VFC取0。

步骤4.2：采用均匀取样的方式，通过创建均匀的渔网点获取在研究区范 围内足够的均匀样本点，根据创建的渔网点分别在沙漠化监测指数和步骤4.1 中得到的植被覆盖度数据中选择相应的样本点，并对沙漠化监测指数和植被覆 盖度的样本点进行相关性分析，以此判断沙漠化监测指数的适用性。

对于步骤4.2，由于植被覆盖度可以很好地表征刻画陆地表面植被数量， 同时也是可以指示生态系统变化。此外，植被覆盖度可作为评价土地退化和沙 漠化程度的参考指标，不同沙漠化严重程度可以通过地表植被覆盖程度来划 分。所以本案例通过分析构建的沙漠化监测指数与对应植被指数的相关性来判 断沙漠化监测指数的适用性。图3展示了以2020年的数据为例，沙漠化监测指 数与植被覆盖度的相关性，从图中可以看出二者的相关系数为0.7236，达到了 极显著负相关关系，由此说明本发明中提到的方法可以用于沙漠化状态的监 测。

一种沙漠化动态分析的方法，所述的方法具体过程如下：

对长时间序列的遥感数据分别进行步骤二和步骤三的处理过程，得到长时 间序列的沙漠化监测指数；

采用沙漠化监测指数年际线性变化趋势判断荒漠化指数的变化强度和性 质，将每个像元上长时间序列的沙漠化监测指数与时间进行线性拟合，趋势斜 率用最小二乘法计算(式(7))。采用变异系数(式(8))判断沙漠化监测 指数的变异程度。

式中，Slope为趋势斜率，x、y分别为年份及该年的沙漠化监测指数，

分别为年份平均值及2005-2020年的沙漠化监测指数平均值。斜率为正值， 表示沙漠化程度加重，数值越大说明沙漠化程度越严重；斜率为负值，表示沙 漠化程度减轻，数值越小说明沙漠化程度越小。

式中，SD_DI为长时间序列中沙漠化监测指数平均值的标准差，

为沙 漠化监测指数平均值。变异系数可以消除单位和平均值不同对两个或多个变异 程度比较的影响。根据已有研究，计算出多伦县16年逐像元的变异系数值。把 研究区沙漠化分为4个等级：稳定(CV≤0.10)、变异较小(0.10＜CV≤0.15)、变异 剧烈(CV＞0.15)。

将slope值大于0的区域赋值为1，小于0的区域赋值为-1，其中1代表了恶化 区域，-1代表了改善区域。将CV≤0.10的区域赋值为0，0.10＜CV≤0.15的区域 赋值为1，CV＞0.15的区域赋值为2。将赋值完成后的slope与CV相乘即可得到 -2、-1、0、1、2五种值，其中-2代表显著改善的区域，-1代表改善区域、0代 表稳定区域、1代表恶化区域，2代表显著恶化区域。根据上述方法可得到 2005-2020年间多伦县的沙漠化变化趋势图，如图4所示。

根据图4结合arcgis中的统计功能计算出了2005-2020年多伦县沙漠化面积 的变化趋势，如表1所示。结合图4和表1可以看出，多伦县沙漠化恶化的区域 主要集中在多伦县的西部和北部，包括地下森林以及蛇皮河的周边区域。而多 伦县的中部和东部的沙漠化趋势有所改善的区域较多，主要包括多伦湖景区的 东部以及城区的周边村镇。整体而言，整个县的沙漠化态势较为客观，显著恶 化区域的面积为665.6814km²，仅占全区总面积的17.06％。荒漠化程度趋于改 善区域和退化区域的面积所占比重相当，分别占32.19％和33.53％，改善区的 略低于退化区的。

表1多伦县2005-2020年沙漠化面积变化趋势

Claims (6)

1.一种土地沙漠化监测指数模型的构建方法，其特征在于，该方法包括如下步骤：

步骤一：确定研究区，并采集研究区长时间序列的Landsat多光谱遥感影像，得到多光谱遥感影像；

步骤二：对获取的Landsat遥感影像进行预处理，并选择三个指数作为三维特征空间构建的特征参量；

步骤三：对步骤二中选择的特征参量进行正规化，绘制特征参量的散点图，分析各个特征参量与沙漠化严重程度之间的关系，并根据各个参量与沙漠化之间的关系，在特征空间中找到沙漠化最轻的点，通过空间中任意点到该点的距离公式，得到沙漠化监测指数；

步骤四：通过分析构建的沙漠化监测指数与植被覆盖度的相关性来判断该指数在沙漠化监测中的适用性。

2.如权利要求1所述的土地沙漠化监测指数模型的构建方法，其特征在于，所述的步骤二为：

步骤2.1：对获取的Landsat遥感影像分别进行辐射定标、大气校正、拼接、裁剪预处理，获得遥感影像数据；

步骤2.2：针对获得的遥感影像数据，计算出地表反照率、土壤调整植被指数、沙化特征指数三个特征参量。

3.如权利要求1所述的土地沙漠化监测指数模型的构建方法，其特征在于，所述的步骤三为：

步骤3.1：对地表反照率、土壤调整植被指数、沙化特征指数三个特征参量进行正规化处理；

步骤3.2：以土壤调整植被指数为X轴，地表反照率为Y轴，沙化特征指数为Z轴，绘制以上特征参量的散点图，建立特征参量三维特征空间；

步骤3.3：分析得到随着沙漠化程度的加重，地表反照率得到相应的增加，植被指数相应减少，沙化特征指数越高；

步骤3.4：根据步骤3.3，从特征空间中任取一点，利用三维特征空间中两点间的距离公式，得到任意一点到(1,0,0)的距离，得到沙漠化监测指数。

4.如权利要求1所述的方法，其特征在于，步骤四的具体步骤如下：

步骤4.1：以某一年的多光谱遥感影像为例，反演出植被覆盖度数据；

步骤4.2：采用均匀取样的方式，根据创建的渔网点分别在沙漠化监测指数和步骤4.1得到的植被覆盖度数据中选择相应的样本点，并对沙漠化监测指数和植被覆盖度的样本点进行相关性分析，以此判断沙漠化监测指数的适用性。

5.一种利用权利要求1-4任意一项权利要求所述的方法实现沙漠化动态分析的方法，其特征在于，所述的方法包括如下步骤：

步骤5.2：对获取的长时间序列的遥感数据分别进行步骤二和步骤三的处理过程，得到长时间序列的沙漠化监测指数；

步骤5.3：采用沙漠化监测指数年际线性变化趋势判断荒漠化指数的变化强度和性质，将每个像元上长时间序列的沙漠化监测指数与时间进行线性拟合，趋势斜率用最小二乘法计算，采用变异系数判断沙漠化监测指数的变异程度。

6.一种利用权利要求1-4任意一项权利要求所述的方法实现沙漠化动态变化评价的方法，其特征在于：将沙漠化监测指数年际线性变化趋势斜率和变异系数结合起来，对沙漠化状态的变化趋势进行评价；

所述的沙漠化状态的变化趋势分为显著改善、改善、稳定、恶化、显著恶化5种类型；

所述的沙漠化评价是指沙漠化在空间和时间上的变化特征。

Images