基于高分一號時間序列數據的沙化土地分類

丁相元， 高志海， 孫斌， 吳俊君， 薛傳平， 王燕

(1.中國林業科學研究院資源信息研究所，北京 100091； 2.中國科學院遙感與數字地球研究所，北京 100101)

基于高分一號時間序列數據的沙化土地分類

丁相元1， 高志海1， 孫斌1， 吳俊君2， 薛傳平1， 王燕1

(1.中國林業科學研究院資源信息研究所，北京 100091； 2.中國科學院遙感與數字地球研究所，北京 100101)

以高分一號(GF-1) 16 m空間分辨率多光譜影像為數據源，對沙化土地類型的光譜特征以及其全年的NDVI變化特征進行了分析，發現時間序列數據變化信息可提高沙化土地類別之間的可分離度。對單一時相影像的分類結果和加入時間序列NDVI之后的分類結果進行了對比分析，結果表明，基于生長季單一時相原始影像的分類結果精度為73.34%，Kappa系數為0.7； 非生長季單一影像與NDVI時間序列數據的分類結果總體精度為81.44%，Kappa系數為0.77； 生長季單一時相影像并加入NDVI時間序列數據之后精度提高到了92.04%，Kappa系數達0.87，明顯改善了對沙化土地類型的識別精度。表明單時相影像結合時間序列 NDVI數據在沙化土地分類識別中有巨大的應用潛力。

GF-1影像； 時間序列NDVI； 沙化土地； 應用潛力

0 引言

我國是受土地沙化危害最嚴重的國家之一，防沙治沙形勢十分嚴峻。在干旱、半干旱及部分半濕潤地區，由于不合理的人類活動與脆弱的生態環境相互作用，造成土地生產力下降、土地資源喪失、地表呈現類似沙漠景觀的土地退化。自1994年起，我國已經完成了5期全國范圍的荒漠化和沙化土地監測工作，每5 a一次。截止2009年底，我國沙化土地面積為173.11萬km2[1-2]。了解和掌握我國沙化土地的分布狀態和變化過程對土地沙化防治具有十分重要的作用。

隨著遙感技術的不斷發展，近年來，越來越多的遙感分類方法開始應用到沙化土地分類中，克服了傳統目視解譯和實地調查費時費力的缺點，取得了較好的效果，采用的方法主要有監督分類、非監督分類、面向對象以及光譜混合分析法等[3-6]。但是，這些研究都是利用單時相的影像提取特征并分類，而沙化土地受植被覆蓋的影響很大，不同的季節，不同沙化土地類型地表植被的變化不同[3]，因此，僅利用單時相影像進行分類，其結果有很大的不確定性。近年來，基于時間序列數據的分類方法已被廣泛應用到土地覆蓋分類中[7-10]，它能很好地表征地表植被的物候和生長變化情況[11]，但將其應用到沙化土地分類的研究卻很少。國產高分一號(GF-1)衛星的發射，標志著我國的遙感技術進入了一個全新的階段，其具備高空間分辨率、高時間分辨率的觀測能力，特別是其16 m空間分辨率CCD數據，重訪周期4 d，具有800 km寬幅，為大區域的高分辨率時間序列數據的獲取和應用提供了可能。

本文利用GF-1衛星時間序列數據研究沙化土地分類識別技術，驗證時間序列數據在沙化土地分類識別中的適用性與應用潛力，有利于國產高分數據的應用推廣，也可以為土地沙化分類提供一種新方法。

1 研究區概況與數據源

1.1 研究區概況

以內蒙古錫林郭勒盟正藍旗為研究區，該區位于N41°56′～43°11′，E115°00′～116°42′之間。其北部屬我國四大沙地之一的渾善達克沙地腹地，地表大部分被固定沙地、半固定沙地及流動沙地覆蓋，呈現出沙地草原特征； 南部以典型草原為主，并分布著一些農田。該區平均海拔1 300 m，地勢整體西南高，東北低，屬中溫帶大陸性氣候區，氣溫偏低，空氣干燥，年平均降雨量365.1 mm，常年風大。渾善達克沙地土質特殊，植被分布呈現出典型的稀疏喬木、灌木、草本共生體系[12]。該區距離北京、天津較近，是京津冀等沙塵暴的重要源地，因而沙化土地的治理具有重要意義。

1.2 數據源及預處理

1.2.1 數據源

GF-1衛星同時具有高空間和高時間分辨率的特點，是國家高分重大專項下發射的第一顆民用衛星。它的成功發射對于推動我國衛星工程水平的提升，提高我國高分辨率數據的自給率具有重大戰略意義。本研究共用到覆蓋研究區的GF-1 16 m分辨率多光譜遙感數據24景，成像時間為2014年，影像質量好，云量少，而且保證了每月至少有1期影像。GF-1衛星遙感影像具體參數與數據獲取情況見表1和表2。

表1 GF-1衛星傳感器參數

表2 研究區GF-1數據獲取情況

1.2.2 數據預處理

首先對影像進行了輻射定標和大氣校正，去除了大氣以及傳感器的影響，獲得了地表的反射率數據； 為了使影像滿足構建時間序列數據的精度要求，還以高精度正射校正后的ZY-3衛星影像為基準影像，對GF-1影像進行幾何精糾正，并控制誤差在1個像元以內； 最后利用研究區的邊界進行裁切等處理。

1.2.3 樣地數據

本研究利用課題組2013—2015年間在研究區地面詳查中采集的198個土地利用類型樣本數據，對分類結果進行了驗證。將樣本分成2部分，101個樣本點作為訓練樣本，另外97個作為驗證樣本。由于水體特征明顯，因此還采用人工勾繪方法添加了水體訓練樣本13個，驗證樣本15個，具體類別分配情況如表3所示。

表3 樣本分配情況

2 研究方法

2.1 沙化土地分類系統

參考國家林業局制定的《沙化土地監測技術規程(GB/T 24255—2009)》和《全國荒漠化和沙化監測技術規定》確定沙化土地類型[13-14]。沙地類型可分為流動沙地、半固定沙地、固定沙地、露沙地、沙化耕地、風蝕殘丘、風蝕劣地、戈壁和非生物工程治沙地等。根據研究區的土地利用和沙化特點，將研究區土地覆蓋類型劃分為流動沙地、半固定沙地、固定沙地、農田、草地、濕地、鹽堿地和水體，最后對非沙化土地進行了合并。

2.2 光譜特征與時間序列NDVI數據變化分析

2.2.1 時間序列NDVI數據計算

歸一化植被指數(normalized difference vegetation index，NDVI)是目前應用最廣泛的植被指數[15-16]，而時間序列數據能夠充分利用地表的物候變化情況。因此，本文利用GF-1預處理后得到的地表反射率數據進行時間序列NDVI進行計算與分析，以期提高沙化土地類型識別的精度，即

(1)

式中：RNIR為近紅外波段的反射率；Rred為紅光波段的反射率。

2.2.2 特征分析

為了更好地分析時間序列數據區分沙地類型的可行性，分別對比了不同沙化土地類型的光譜特征變化以及不同沙化土地類型時間序列NDVI數據的變化趨勢，通過計算不同類型間的J-M距離，進行可分離性分析。J-M距離值的大小代表樣本之間的可分離程度，其值處于[0，2]之間，當它的值處于[0，1)之間時表示樣本間光譜可分性差； 處于[1.0，1.9)之間則表示樣本間具有一定的光譜可分性，但存在較大程度的重疊； 處于[1.9，2.0]之間則表示樣本間具有很好的光譜可分性[17]。J-M距離計算公式為[18]

(2)

式中：Jij為所求的J-M距離；p(X/wi)和p(X/wj)為第i，j個像元屬于第wi,wj的概率。

2.3 沙化土地分類

研究采用的分類方法為支持向量機法(support vector machine，SVM)。該方法以統計學習理論為基礎，利用學習算法尋找有較大區分能力的分類支持向量，構造出分類器，有著較好的泛化能力和較高的分類精度[19]。分類的主要步驟為： ①選取2014年7月份生長旺季的GF-1反射率影像為輸入數據進行沙化土地分類； ②選取2014年3月份非生長季的反射率影像和全年時間序列NDVI數據相結合作為輸入數據進行沙化土地分類； ③將生長季的反射率影像和全年時間序列NDVI數據相結合作為輸入數據進行沙化土地分類； ④對3種結果進行精度驗證和對比分析。

2.4 精度評價

為了驗證時間序列NDVI數據參與沙化土地分類的應用潛力，選用Kappa系數和總體分類精度、用戶精度、制圖精度進行精度評價。總體分類精度表示所有樣本中被正確分類的樣本比例，即被正確分類的像元總數除以總像元數。用戶精度表示在被分為第i類的所有樣本中，其實測類型確實也為第i類的樣本所占的比例。Kappa系數能夠表征分類結果與數據的吻合度，利用多元離散分析方法，使誤差矩陣中的所有因素參與評價，更加準確地反映了整體的分類精度。

3 結果與分析

3.1 不同沙化和非沙化土地類型光譜特征分析

從不同沙化土地和非沙化土地類型的光譜特征看(圖1)，農田、濕地由于水分條件能夠得到滿足，具有明顯的植被特征，但兩者除了第4波段區別較大外，其他波段的相似度較高； 而對于草地、固定沙地和半固定沙地而言，3者的光譜曲線形狀相似，但由于受沙物質背景反射的影響，固定沙地和半固定沙地的光譜反射率比草地要高； 水體與其他類型的光譜可分性較好。

圖1 不同類型土地光譜反射特征變化

為了評價各類型間的可分離程度，計算了各類型間的J-M距離。從原始光譜的J-M距離值看(表4)，固定沙地、半固定沙地和草地間的J-M距離較小，僅為1.574和1.557 2，說明可分性較差； 流動沙地和半固定沙地的J-M距離為1.703 2，雖然具有一定的可分性，但存在很大的重疊； 而濕地和農田的J-M距離也很低，僅為1.509 6，因此，若只用單時相影像進行沙化土地分類其精度很難達到預期效果。

表4 生長季原始波段反射率計算獲得的各類型土地間J-M距離

3.2 不同沙化和非沙化土地類型時間序列NDVI 數據變化特征分析

為了驗證時間序列NDVI數據是否有利于區分不同沙化和非沙化土地類型，對其年度變化特征進行了分析，結果見圖2。

圖2 不同類型土地NDVI變化特征

由圖2可知，對于農田而言，5月份以后其NDVI迅速增長，8月份以后開始迅速下降，這與其他地類有很大的差別； 濕地的NDVI從4月份開始迅速增加，到7月份達到峰值，然后開始下降，與其他地類的變化差異也較大； 而固定沙地的NDVI值雖然也是從4月份開始增加，但相對于濕地來說，增長速度較慢，同時5月份以前的增長速度也比草地的增長速度慢，5—6月份之間的增長速度比草地快，到6月份時草地和固定沙地的NDVI值均達到峰值，6—8月份二者的NDVI值處于平穩狀態，8月份以后開始逐漸減少，二者在5月份和6月份具有一定可分性，這與草地和固定沙地的植被類型組成差異有關； 半固定沙地的NDVI值相對于農田、濕地、草地和固定沙地低，增長速度也慢，與這些類型的區別比較明顯； 流動沙地和鹽堿地的NDVI值全年都比較低，波動變化不大； 水體的NDVI值總體最小，很容易區分。因此，從時間序列NDVI數據變化曲線看，沙地類型(固定沙地、半固定沙地和流動沙地)與其他類型的變化趨勢差異大，沙地內部類型固定沙地、半固定沙地和流動沙地NDVI曲線的差異也較大，這可以彌補原始光譜在區分上述類型時可分性差的不足。

研究中選取了7月份(生長季)和3月份(非生長季)2期影像分別與時間序列NDVI數據相結合，計算其J-M距離進行分析，結果如表5所示。

表5 不同季節原始波段與時間序列數據結合下不同地類間的J-M距離

3.3 分類結果與精度評價

采用SVM法對研究區沙化土地進行了分類。利用外業調查的樣地數據對3種分類的結果進行了精度驗證，結果如表6所示。由分類精度表可以看出，利用生長季單一時相原始影像的分類結果中，固定沙地的制圖精度和用戶精度均在70%以下； 半固定沙地的制圖精度和用戶精度平均為60.4%； 流動沙地的精度在70%以上，總體精度為73.34%，Kappa系數為0.70，精度較低； 非生長季原始影像結合時間序列數據分類結果相對于生長季的結果有所提高，但是半固定沙地的用戶精度和制圖精度相差仍然較大； 將生長季原始影像與時間序列數據結合后，相對前兩者各精度大幅提高，結果得到了明顯改善。

表6 分類精度評價表

由J-M距離表可以看出，2期影像加入時間序列NDVI數據后，相對于生長季單一時相數據而言，各類別之間的J-M距離都有所提高，進一步說明了加入時間序列NDVI數據后，可以有效提高沙化土地類型與其他土地類型的可分性。總體來看，生長季原始波段與時間序列數據結合后，沙化土地類型之間可分性最高，非生長季與全年時間序列數據結合后各類別可分性也有所提高。

圖3為全旗分類結果圖，圖4為局部放大圖。

(a) 生長季原始波段分類結果 (b) 非生長季原始波段加時間序列 (c) 生長季原始波段加時間序列NDVI數據分類結果 NDVI數據分類結果

圖3正藍旗沙化土地分類結果圖

Fig.3Blueflagdesertificationlanddistribution

(a) 生長季原始光譜影像(b) 生長季原始光譜分類 (c) 非生長季結合時間序列 (d) 生長季結合時間序列數據NDVI分類結果 數據NDVI分類結果

圖4分類結果局部放大圖

Fig.4Partialenlargementclassificationresults

圖3(a)(b)的分類結果中，南部地區有很大一部分地區被分成了固定沙地。從圖4看，利用生長季原始波段分類的結果中，固定沙地和半固定沙地的混分嚴重，部分固定沙地被分成了半固定沙地，流動沙地的邊界也較模糊； 相對而言，加入NDVI時間序列數據的分類結果中，固定沙地和半固定沙地得以很好地區分，流動沙地的邊界也更加清晰，結果更合理。其中，生長季與全年NDVI時間序列數據結合下的分類結果精度最高，主要原因是加入NDVI時間序列數據后，使地表全年的物候信息得到充分利用，結果更精確。

3.4 正藍旗沙化土地現狀與空間分布特征

根據圖3(c)的分類結果對研究區各類沙化土地面積進行統計分析結果見表7。2014年正藍旗沙化土地總面積為5 213.25 km2，占正藍旗總面積的50.70%，雖然正藍旗的沙化土地面積大，以固定沙地為主，生態環境處良好狀態。從各類沙地的空間分布看(圖5)，正藍旗的沙地主要分布于北部地區，這與實地調查得到的分布情況基本一致。

表7 2014年正藍旗沙化土地面積

4 結論

本文提出了利用高分辨率單時相原始遙感影像和時間序列NDVI數據結合進行沙化土地遙感分類的新思路。基于GF-1 16 m空間分辨率遙感影像進行沙化土地信息分類提取的研究結果，可得到以下結論：

1)時間序列NDVI數據能夠充分地利用沙化土地的全年變化信息，表征各類沙化土地的植被變化情況，與單時相遙感影像結合后更有利于沙化土地的準確分類。

2)單時相遙感影像與時間序列NDVI數據結合進行沙化土地分類，其總體精度可達92.04%，Kappa系數達到0.87，與僅用生長季單一時相遙感影像分類相比，分類精度大大提高； 生長季與時間序列NDVI數據相結合的分類精度高于非生長季與時間序列NDVI數據相結合的分類精度。

3)正藍旗的沙化土地面積占全旗面積的一半以上，主要以固定沙地為主，沙地生態處于良好狀態，為當地社會經濟的發展奠定了良好的生態環境基礎。

4)結合GF-1時間序列數據進行沙化土地分類也具有一定的不足和不確定性，有待進一步的改進。雖然GF-1號數據具有高時間分辨率的特征，但是對于大區域而言，獲得較完整的時間序列數據仍有一定的困難，隨著高分系列衛星的繼續發射，該問題可以得到有效的緩解。正藍旗為典型半干旱區，其主要的沙化土地類型為固定沙地、半固定沙地和流動沙地，缺少干旱區其他常見的風蝕殘丘、風蝕劣地及戈壁等類型，這些類型季節性變化小，因此結合紋理特征與時間序列數據對這些類型區分將是后續的研究重點。

[1] 國家林業局.中國荒漠化和沙化狀況公報[R].北京:國家林業局,2011. State Forestry Administration.A Bulletin of Status Quo of Desertification and Sandification in China[R].Beijing:State Forestry Administration,2011.

[2] 林進,周衛東.中國荒漠化監測技術綜述[J].世界林業研究,1998(5):58-63. Lin J,Zhou W D.A review desertification monitoring in China[J].World Forestry Research,1998(5):58-63.

[3] 王曉慧,李增元,高志海.沙化土地遙感監測研究現狀[J].林業科學,2008,44(7):90-96. Wang X H,Li Z Y,Gao Z H.Studies on remote sensing monitoring of sandification[J].Scientia Silvae Sinicae,2008,44(7):90-96.

[4] 龍晶.沙化土地遙感評價方法[J].國土資源遙感,2005,17(1):17-19,33.doi:10.6046/gtzyyg.2005.01.04. Long J.The application of remote sensing technique to sandy desertification assessment[J].Remote Sensing for Land and Resources,2005,17(1):17-19,33.doi:10.6046/gtzyyg.2005.01.04.

[5] 王志波,高志海,王琫瑜,等.基于面向對象方法的沙化土地遙感信息提取技術研究[J].遙感技術與應用,2012,27(5):770-777. Wang Z B,Gao Z H,Wang F Y,et al.The study of extracting sandy lands information from remote sensing image based on object-oriented method[J].Remote Sensing Technology and Application,2012,27(5):770-777.

[6] 李曉琴,張振德,張佩民.格爾木土地荒漠化遙感動態監測研究[J].國土資源遙感,2006,18(2):61-63,78.doi:10.6046/gtzyyg.2006.02.15. Li X Q,Zhang Z D,Zhang P M.Remote sensing survey and monitoring of desertification in Golmud Area[J].Remote Sensing for Land and Resources,2006,18(2):61-63,78.doi:10.6046/gtzyyg.2006.02.15.

[7] 仲波,馬鵬,聶愛華,等.基于時間序列HJ-1/CCD數據的土地覆蓋分類方法[J].中國科學(地球科學),2014,44(5):967-977. Zhong B,Ma P,Nie A H,et al.Land cover mapping using time series HJ-1/CCD data[J].Science China Earth Sciences,2014,57(8):1790-1799.

[8] 張煥雪,曹新,李強子,等.基于多時相環境星NDVI時間序列的農作物分類研究[J].遙感技術與應用,2015,30(2):304-311. Zhang H X,Cao X,Li Q Z,et al.Research on crop identification using multi-temporal NDVI HJ images[J].Remote Sensing Technology and Application,2015,30(2):304-311.

[9] 賈明明,任春穎,劉殿偉,等.基于環境星與MODIS時序數據的面向對象森林植被分類[J].生態學報,2014,34(24):7167-7174. Jia M M,Ren C Y,Liu D W,et al.Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data[J].Acta Ecologica Sinica,2014,34(24):7167-7174.

[10]朱滿,胡光宇,于之峰.基于融合NDVI和EVI時間序列的遙感影像分類研究[J].遙感信息,2009(5):44-46. Zhu M,Hu G Y,Yu Z F.Research on remote sensing image classification based on NDVI and EVI time series[J].Remote Sensing Information,2009(5):44-46.

[11]楊閆君,占玉林,田慶久,等.基于GF-1/WFV NDVI時間序列數據的作物分類[J].農業工程學報,2015,31(24):155-161. Yang Y J,Zhan Y L,Tian Q J,et al.Crop classification based on GF-1/WFV NDVI time series[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(24):155-161.

[12]劉樹林,王濤.渾善達克沙地的土地沙漠化過程研究[J].中國沙漠,2007,27(5):719-724. Liu S L,Wang T.Study on land desertification process in Hunshandake Sandy Land[J].Journal of Desert Research,2007,27(5):719-724.

[13]中華人民共和國國家質量監督檢驗檢疫總局,中國國家標準化管理委員會.GB/T 24255—2009沙化土地監測技術規程[S].北京:中國標準出版社,2009. General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China,China National Standardization Management Committee.GB/T 24255—2009 Technical Code of Practice on the Sandified Land Monitoring[S].Beijing:China Standard Press,2009.

[14]全國荒漠化和沙化監測技術規定[R].國家林業局,2009. The National Desertification and Desertification Monitoring Technology[R].State Forestry Administration,2009.

[15]李曉松,李增元,高志海,等.基于NDVI與偏最小二乘回歸的荒漠化地區植被覆蓋度高光譜遙感估測[J].中國沙漠,2011,31(1):162-167. Li X S,Li Z Y,Gao Z H,et al.Estimation of vegetation cover in desertified regions from Hyperion imageries using NDVI and partial least squares regression[J].Journal of Desert Research,2011,31(1):162-167.

[16]Rouse J W,Haas R H,Schell J A,et al.Monitoring vegetation systems in the Great Plains with ERTS[C]//Freden S C,Mercanti E P,Becker M A.Proceedings of third Earth Resources Technology Satellite Symposium.Washington:NASA Special Publication,1974:310-317.

[17]李長龍,高志海,吳俊君,等.基于分形網絡進化分割和對象特征提取的GF-1衛星數據沙化土地分類識別研究[J].干旱區資源與環境,2015,29(11):152-157. Li C L,Gao Z H,Wu J J,et al.The sandy lands identification and classification of GF-1 based on FNEA and object features[J].Journal of Arid Land Resources and Environment,2015,29(11):152-157.

[18]童慶禧,張兵,鄭蘭芬.高光譜遙感——原理、技術與應用[M].北京:高等教育出版社,2006. Tong Q X,Zhang B,Zheng L F.Hyperspectral Remote Sensing Principle,Technology and Application[M].Beijing:Higher Education Press,2006.

[19]李松,鄧寶昆,徐紅勤,等.地震型滑坡災害遙感快速識別方法研究[J].遙感信息,2015,30(4):25-28. Li S,Deng B K,Xu H Q,et al.Fast interpretation methods of landslides triggered by earthquake using remote sensing imagery[J].Remote Sensing Information,2015,30(4):25-28.

(責任編輯：李瑜)

SandylandsclassificationusingGF-1timeseriesNDVIdata

DING Xiangyuan1, GAO Zhihai1, SUN Bin1, WU Junjun2, XUE Chuanping1, WANG Yan1

(1.InstituteofForestResourceInformationTechniques,ChineseAcademyofForestry,Beijing100091,China; 2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100101,China)

In this study, GF-1 16 m multispectral images were used as data source, the spectral characteristics of each type of sandy land and its change characteristics of time series NDVI were analyzed, the sandy lands were classified by the GF-1 image at a single time, and time series NDVI data were compared with each other separately; on such a basis, the classification accuracy was evaluated. The results showed that the accuracy was 73.34% and Kappa coefficient was 0.7 by only using single time original data in growing season; however, the accuracy was increased to 92.04% by joining the time series NDVI data, with Kappa coefficient raised to 0.87; the accuracy was 81.44% and Kappa coefficient was 0.77 by using the time series NDVI data combined with non-growing season data, thus improving the classification accuracy obviously. It is indicated that GF-1 time series NDVI data have a huge application potential in the sandy lands classification.

GF-1 data; time series NDVI; sandy lands; application potential

10.6046/gtzyyg.2017.03.29

丁相元，高志海，孫斌，等.基于高分一號時間序列數據的沙化土地分類[J].國土資源遙感，2017，29(3)：196-202.(Ding X Y,Gao Z H,Sun B,et al.Sandy lands classification using GF-1 time series NDVI data[J].Remote Sensing for Land and Resources,2017,29(3)：196-202.)

2016-03-01；

2016-04-20

國家高分辨率對地觀測重大專項“高分林業遙感應用示范系統(一期)”(編號： 21-Y30B05-9001-13/15)。

丁相元(1990-)，男，碩士研究生，主要從事荒漠化遙感監測與評價的應用研究。Email： dxy4201@126.com。

高志海(1963-)，男，研究員，主要從事土地退化(荒漠化)遙感評價與防治方面的研究工作。Email: zhgao@caf.ac.cn。

TP 79

： A

： 1001-070X(2017)03-0196-07