基于Albedo- MSAVI 特征空間的奈曼旗沙漠化遙感監測

周鵬

（四川省第一測繪工程院，四川 成都 610100）

1 概述

沙漠化作為干旱、半干旱地區土地退化的主要類型，已成為全球變化背景下的熱點生態環境問題之一[1]。傳統的沙漠化監測方法主要基于野外實測點，雖然精度較高，但其成本高且費時費力，難以在大尺度區域上開展沙漠化監測[4]。近年來，衛星遙感已成為獲取沙漠化信息的重要手段[2]。許多學者基于Landsat TM、MODIS 和CBERS 等影像應用計算機分類法獲取沙漠化信息，但該方法的局限性在于分類精度難以提高且受主觀影響較大[8-10]。近期研究表明，特征空間模型可以較好地反映地表覆蓋狀況以及沙漠化過程，并且已被廣泛應用于定量獲取沙漠化信息[3-4]。曾永年等分析了沙漠化與地表參量之間的關系，提出了Albedo-NDVI 特征空間模型[5]。Ma 等使用統計回歸分析的方法確定了不同程度沙漠化區域中地表反照率與NDVI 之間的定量關系[6]。 Wei 等基于三個典型地表參量，即NDVI（歸一化植被指數）、TGSI（表土粒徑指數）和Albedo（地表反照率）等，分析了不同特征空間模型對于蒙古高原沙漠化信息提取的適用性[7]。Wu 等提出了基于Albedo- MSAVI 特征空間的半干旱草原沙漠化監測指數，取得了較好的效果[8]。Guo 等發現基于Albedo-MSAVI 的特征空間模型與其他特征空間模型相比，在奈曼旗沙漠化信息監測中具有更好的適用性[9]。然而，上述監測模型多數只考慮了線性關系，忽略了不同特征參量間相互作用的非線性特征。

本文基于Landsat 8 OLI 反演的Albedo 和MSAVI 參量，構建基于點對點和點對線的特征空間監測模型，進而分析和探討了不同類型的Albedo-MSAVI 特征空間監測模型在沙漠化監測中的適用性，最終得出奈曼旗最適合的沙漠化監測模型。

2 研究原理和方法

2.1 研究區概況

奈曼旗（42° 14′ 40″ -43° 32′ 20″ N，120° 19′ 40″-121° 35′ 40″ E）位于科爾沁沙地，是中國典型的半干旱- 半濕潤地區和農牧交錯地帶。該地區冬季寒冷干燥，夏季炎熱多雨，年平均氣溫為6.0 ℃-6.5 ℃，平均降水量為366 mm。南部為低山和丘陵，中部和北部多為風蝕沙灘和沖積平原。過去幾十年中，在氣候變化和人類活動的共同作用下，奈曼旗的沙漠化程度日趨嚴重。

2.2 特征空間原理

修改型土壤調節植被指數（MSAVI）可以較好地反映干旱半干旱地區稀疏地表植被的空間分布狀況[10]。隨著沙漠化不斷加劇，地表植被覆蓋率降低，MSAVI 值相應減小。因此，可將MSAVI 作為沙漠化過程監測的重要指標。地表反照率（Albedo）作為表征植被下墊面輻射特征的重要參量，其數值會受土壤水分、植被覆蓋、積雪覆蓋等地表條件的變化而變化。隨著沙漠化程度的加劇，地表水分減少，地表粗糙度下降，地表反照率會相應增加。如圖1 所示，A、B、C、D 四點代表四種極端狀態，四點所圍成的封閉區域包含了除云、水體以外的各類地物，并呈現出一定的空間分異規律。Albedo 與MSAVI 呈顯著的線性負相關性，以MSAVI 為橫坐標，Albedo 為縱坐標，構建Albedo-MSAVI 特征空間。上邊界A-C 邊代表高反照率線，反映干旱狀況，是給定植被覆蓋度條件下完全干旱土地對應的最高反照率的上限[6]，而下邊界B-D 邊代表低反照率線，反映地表水分充足的狀況。

圖1 Albedo-MSAVI 特征空間原理

2.3 特征空間參量反演

地表反照率在調節地面輻射能量平衡方面起著重要作用，可用于確定下墊面吸收輻射能量的多少[9]。隨著地表反照率的增加，土地沙漠化程度加劇。植被覆蓋度則是評價沙漠化土地中植被恢復狀況的重要參數[10]。然而，受土壤背景的影響，NDVI在植被稀疏的地區無法準確、有效地表示植被覆蓋狀況。因此，本研究引入了MSAVI，以減少或消除土壤背景和植被冠層的影響。

通過從Landsat8 OLI（2017-8-29，軌道號為121/30）獲得的藍色（Bblue），紅色（Bred），近紅外（Bnir）和短波紅外波段（Bswir1和Bswir2）的反射率數據，計算了MSAVI 和Albedo 兩個特征參量[7]。

地表反照率（Albedo）公式如下：

3 特征空間及模型構建

3.1 構建特征空間

本研究基于Albedo 和MSAVI 構造了沙漠化監測特征空間。不同程度的沙漠化在Albedo-MSAVI 特征空間中存在顯著的空間分布分異規律。隨著MSAVI 指數的減小，地表反照率（Albedo）增加，沙漠化程度加劇。根據Albedo-MSAVI 特征空間中任意點到點(1,0)的距離，本研究選取了五個不同區域分布的點群，并對照和分析每個點群的實際空間分布及其沙漠化狀況，以研究不同程度的沙漠化與點群之間的對應關系。因此，可將沙漠化程度劃分為五類，即非沙漠區、輕度沙漠區、中度沙漠區、重度沙漠區、極重度沙漠區。利用相似的方法，本研究基于Albedo-MSAVI 特征空間中任意點到土壤線的距離大小選擇了五個不同區域分布的點群。Albedo-MSAVI 特征空間的5 個不同的點群能夠較好地反映奈曼旗不同程度的沙漠化。

3.2 沙漠化監測模型

如圖2 所示，Albedo 和MSAVI 之間存在顯著的非線性關系，這與特征空間中沙漠化過程的演變軌跡表現出極大的相似性。特征空間中任意點M到點O(1,0)的距離越大，其對應的沙漠化程度就越高。從而距離L1可以用來區分不同的沙漠化程度，因此基于點對點的Albedo-MSAVI 監測指數模型（DMI1）構建如下：

圖2 Albedo-MSAVI 點對點模型的構建

如圖3 所示，從Albedo-MSAVI 特征空間中取任意點P 到直線L 的距離可用于指示不同程度的沙漠化。點P 到線L 距離的越大，其對應的沙漠化程度就越嚴重。根據點到直線的距離公式，基于點對線的Albedo-MSAVI 監測指數模型（DMI2）構建如下：

圖3 Albedo-MSAVI 點對線模型的構建

式中，α 和β 分別為特征空間中土壤線L 回歸方程的參數。Albedo-MSAVI 特征空間的土壤線L 的擬合方程為：y=-0.4631x+0.3795 R2=0.9691，公式（4）和（5）中α 和β 的值分別為-0.4631 和0.3795。Albedo 與MSAVI 之間呈顯著負相關，R2為0.97。

4 結果與分析

本研究基于點對點和點對線兩種模式的Albedo-MSAVI 監測模型計算了奈曼旗的沙漠化指數。為了更好地分析不同程度沙漠化的空間分布以及探討兩類模型在不同沙漠化程度監測的適用性，基于圖像直方圖的分布情況以及沙漠化的空間聚類特征，本研究利用SuperMapiDesktop 軟件的重分類方法，將兩類特征空間監測模型中的沙漠化指數劃分為五類，從而獲得不同沙漠化程度的空間分布。進而利用Google Earth 影像和野外實測數據，從具有不同景觀類型的區域中選擇了245 個驗證點，以對比和分析兩類特征空間監測指數模型的適用性（表1）。

表1 沙漠化分類誤差矩陣（以Albedo-MSAVI 點對點模型為例）

基于點對點的Albedo-MSAVI 監測模型的總體精度為88.9%。但該模型在不同沙漠化程度中的監測精度存在一定差異：輕度沙漠化的監測精度最高（93.5%），其次是非沙漠化（89.6%）和中度沙漠化（89.2%）。對于極重度沙漠化（88.9%）和重度沙漠化（87.5%），因為選取的野外觀測點較少，從而影響了其監測結果的評估精度[10]。

由于充分考慮了特征參量間作用的非線性特征及土壤線，基于點對線的Albedo-MSAVI 監測模型的總體精度為93.8%，高于總體精度為88.9%的點對點模型。

此外，基于點對點的Albedo-MSAVI 監測模型無法有效區分具有相同的點對點距離但屬于不同沙漠化程度的點群。在不同程度的沙漠化監測方面，輕度沙漠化表現出最好的反演精度，而重度沙漠化表現出最差的反演精度（表2）。

表2 Albedo-MSAVI 點對點模型對不同沙漠化程度的監測精度

基于上述分析，由Albedo-MSAVI 推導出的基于點對點和點對線的特征空間監測模型均表現出較好的適用性，可用于奈曼旗的沙漠化監測。其原因在于地表反照率能夠適當的反映土地沙漠化的過程，沙漠化程度隨著Albedo 的增加而加劇[6]。此外，由于引入了土壤線，MSAVI 能夠極大地減少或消除土壤背景和植被冠層的影響[8]。同時，因為充分考慮了Albedo 與MSAVI參量間作用的非線性特征，基于點對線的Albedo-MSAVI 監測模型要比基于點對點的Albedo-MSAVI 監測模型的反演精度高。因此，基于點對線的Albedo-MSAVI 監測模型在奈曼旗沙漠化監測中具有最高的適用性（表3）。

表3 Albedo-MSAVI 點對線模型對不同沙漠化程度的監測精度

5 結論

在充分考慮特征參量Albedo 與MSAVI 之間耦合作用的非線性特征及土壤背景影響的前提下，本研究提出了基于點對點和點對線的Albedo-MSAVI 監測模型，并對比和分析了上述兩類特征空間模型在不同程度沙漠化監測中的適用性?？傮w上，基于點對線的Albedo-MSAVI 監測模型的反演精度（93.8%）高于基于點對點的Albedo-MSAVI 監測模型（88.9%）。兩類模型在不同程度沙漠化區域中的監測精度也存在一定的差異：其中，在非沙漠化區和輕度沙漠化區域兩者均表現出較好的反演精度；而在重度和極重度沙漠化區域，基于點對線的Albedo-MSAVI 監測模型相比基于點對點的Albedo-MSAVI 監測模型具有更好的適用性。