基于高分一号时间序列数据的沙化土地分类

丁相元， 高志海， 孙斌， 吴俊君， 薛传平， 王燕

(1.中国林业科学研究院资源信息研究所，北京 100091； 2.中国科学院遥感与数字地球研究所，北京 100101)

基于高分一号时间序列数据的沙化土地分类

丁相元1， 高志海1， 孙斌1， 吴俊君2， 薛传平1， 王燕1

(1.中国林业科学研究院资源信息研究所，北京 100091； 2.中国科学院遥感与数字地球研究所，北京 100101)

以高分一号(GF-1) 16 m空间分辨率多光谱影像为数据源，对沙化土地类型的光谱特征以及其全年的NDVI变化特征进行了分析，发现时间序列数据变化信息可提高沙化土地类别之间的可分离度。对单一时相影像的分类结果和加入时间序列NDVI之后的分类结果进行了对比分析，结果表明，基于生长季单一时相原始影像的分类结果精度为73.34%，Kappa系数为0.7； 非生长季单一影像与NDVI时间序列数据的分类结果总体精度为81.44%，Kappa系数为0.77； 生长季单一时相影像并加入NDVI时间序列数据之后精度提高到了92.04%，Kappa系数达0.87，明显改善了对沙化土地类型的识别精度。表明单时相影像结合时间序列 NDVI数据在沙化土地分类识别中有巨大的应用潜力。

GF-1影像； 时间序列NDVI； 沙化土地； 应用潜力

0 引言

我国是受土地沙化危害最严重的国家之一，防沙治沙形势十分严峻。在干旱、半干旱及部分半湿润地区，由于不合理的人类活动与脆弱的生态环境相互作用，造成土地生产力下降、土地资源丧失、地表呈现类似沙漠景观的土地退化。自1994年起，我国已经完成了5期全国范围的荒漠化和沙化土地监测工作，每5 a一次。截止2009年底，我国沙化土地面积为173.11万km2[1-2]。了解和掌握我国沙化土地的分布状态和变化过程对土地沙化防治具有十分重要的作用。

随着遥感技术的不断发展，近年来，越来越多的遥感分类方法开始应用到沙化土地分类中，克服了传统目视解译和实地调查费时费力的缺点，取得了较好的效果，采用的方法主要有监督分类、非监督分类、面向对象以及光谱混合分析法等[3-6]。但是，这些研究都是利用单时相的影像提取特征并分类，而沙化土地受植被覆盖的影响很大，不同的季节，不同沙化土地类型地表植被的变化不同[3]，因此，仅利用单时相影像进行分类，其结果有很大的不确定性。近年来，基于时间序列数据的分类方法已被广泛应用到土地覆盖分类中[7-10]，它能很好地表征地表植被的物候和生长变化情况[11]，但将其应用到沙化土地分类的研究却很少。国产高分一号(GF-1)卫星的发射，标志着我国的遥感技术进入了一个全新的阶段，其具备高空间分辨率、高时间分辨率的观测能力，特别是其16 m空间分辨率CCD数据，重访周期4 d，具有800 km宽幅，为大区域的高分辨率时间序列数据的获取和应用提供了可能。

本文利用GF-1卫星时间序列数据研究沙化土地分类识别技术，验证时间序列数据在沙化土地分类识别中的适用性与应用潜力，有利于国产高分数据的应用推广，也可以为土地沙化分类提供一种新方法。

1 研究区概况与数据源

1.1 研究区概况

以内蒙古锡林郭勒盟正蓝旗为研究区，该区位于N41°56′～43°11′，E115°00′～116°42′之间。其北部属我国四大沙地之一的浑善达克沙地腹地，地表大部分被固定沙地、半固定沙地及流动沙地覆盖，呈现出沙地草原特征； 南部以典型草原为主，并分布着一些农田。该区平均海拔1 300 m，地势整体西南高，东北低，属中温带大陆性气候区，气温偏低，空气干燥，年平均降雨量365.1 mm，常年风大。浑善达克沙地土质特殊，植被分布呈现出典型的稀疏乔木、灌木、草本共生体系[12]。该区距离北京、天津较近，是京津冀等沙尘暴的重要源地，因而沙化土地的治理具有重要意义。

1.2 数据源及预处理

1.2.1 数据源

GF-1卫星同时具有高空间和高时间分辨率的特点，是国家高分重大专项下发射的第一颗民用卫星。它的成功发射对于推动我国卫星工程水平的提升，提高我国高分辨率数据的自给率具有重大战略意义。本研究共用到覆盖研究区的GF-1 16 m分辨率多光谱遥感数据24景，成像时间为2014年，影像质量好，云量少，而且保证了每月至少有1期影像。GF-1卫星遥感影像具体参数与数据获取情况见表1和表2。

表1 GF-1卫星传感器参数

表2 研究区GF-1数据获取情况

1.2.2 数据预处理

首先对影像进行了辐射定标和大气校正，去除了大气以及传感器的影响，获得了地表的反射率数据； 为了使影像满足构建时间序列数据的精度要求，还以高精度正射校正后的ZY-3卫星影像为基准影像，对GF-1影像进行几何精纠正，并控制误差在1个像元以内； 最后利用研究区的边界进行裁切等处理。

1.2.3 样地数据

本研究利用课题组2013—2015年间在研究区地面详查中采集的198个土地利用类型样本数据，对分类结果进行了验证。将样本分成2部分，101个样本点作为训练样本，另外97个作为验证样本。由于水体特征明显，因此还采用人工勾绘方法添加了水体训练样本13个，验证样本15个，具体类别分配情况如表3所示。

表3 样本分配情况

2 研究方法

2.1 沙化土地分类系统

参考国家林业局制定的《沙化土地监测技术规程(GB/T 24255—2009)》和《全国荒漠化和沙化监测技术规定》确定沙化土地类型[13-14]。沙地类型可分为流动沙地、半固定沙地、固定沙地、露沙地、沙化耕地、风蚀残丘、风蚀劣地、戈壁和非生物工程治沙地等。根据研究区的土地利用和沙化特点，将研究区土地覆盖类型划分为流动沙地、半固定沙地、固定沙地、农田、草地、湿地、盐碱地和水体，最后对非沙化土地进行了合并。

2.2 光谱特征与时间序列NDVI数据变化分析

2.2.1 时间序列NDVI数据计算

归一化植被指数(normalized difference vegetation index，NDVI)是目前应用最广泛的植被指数[15-16]，而时间序列数据能够充分利用地表的物候变化情况。因此，本文利用GF-1预处理后得到的地表反射率数据进行时间序列NDVI进行计算与分析，以期提高沙化土地类型识别的精度，即

(1)

式中：RNIR为近红外波段的反射率；Rred为红光波段的反射率。

2.2.2 特征分析

为了更好地分析时间序列数据区分沙地类型的可行性，分别对比了不同沙化土地类型的光谱特征变化以及不同沙化土地类型时间序列NDVI数据的变化趋势，通过计算不同类型间的J-M距离，进行可分离性分析。J-M距离值的大小代表样本之间的可分离程度，其值处于[0，2]之间，当它的值处于[0，1)之间时表示样本间光谱可分性差； 处于[1.0，1.9)之间则表示样本间具有一定的光谱可分性，但存在较大程度的重叠； 处于[1.9，2.0]之间则表示样本间具有很好的光谱可分性[17]。J-M距离计算公式为[18]

(2)

式中：Jij为所求的J-M距离；p(X/wi)和p(X/wj)为第i，j个像元属于第wi,wj的概率。

2.3 沙化土地分类

研究采用的分类方法为支持向量机法(support vector machine，SVM)。该方法以统计学习理论为基础，利用学习算法寻找有较大区分能力的分类支持向量，构造出分类器，有着较好的泛化能力和较高的分类精度[19]。分类的主要步骤为： ①选取2014年7月份生长旺季的GF-1反射率影像为输入数据进行沙化土地分类； ②选取2014年3月份非生长季的反射率影像和全年时间序列NDVI数据相结合作为输入数据进行沙化土地分类； ③将生长季的反射率影像和全年时间序列NDVI数据相结合作为输入数据进行沙化土地分类； ④对3种结果进行精度验证和对比分析。

2.4 精度评价

为了验证时间序列NDVI数据参与沙化土地分类的应用潜力，选用Kappa系数和总体分类精度、用户精度、制图精度进行精度评价。总体分类精度表示所有样本中被正确分类的样本比例，即被正确分类的像元总数除以总像元数。用户精度表示在被分为第i类的所有样本中，其实测类型确实也为第i类的样本所占的比例。Kappa系数能够表征分类结果与数据的吻合度，利用多元离散分析方法，使误差矩阵中的所有因素参与评价，更加准确地反映了整体的分类精度。

3 结果与分析

3.1 不同沙化和非沙化土地类型光谱特征分析

从不同沙化土地和非沙化土地类型的光谱特征看(图1)，农田、湿地由于水分条件能够得到满足，具有明显的植被特征，但两者除了第4波段区别较大外，其他波段的相似度较高； 而对于草地、固定沙地和半固定沙地而言，3者的光谱曲线形状相似，但由于受沙物质背景反射的影响，固定沙地和半固定沙地的光谱反射率比草地要高； 水体与其他类型的光谱可分性较好。

图1 不同类型土地光谱反射特征变化

为了评价各类型间的可分离程度，计算了各类型间的J-M距离。从原始光谱的J-M距离值看(表4)，固定沙地、半固定沙地和草地间的J-M距离较小，仅为1.574和1.557 2，说明可分性较差； 流动沙地和半固定沙地的J-M距离为1.703 2，虽然具有一定的可分性，但存在很大的重叠； 而湿地和农田的J-M距离也很低，仅为1.509 6，因此，若只用单时相影像进行沙化土地分类其精度很难达到预期效果。

表4 生长季原始波段反射率计算获得的各类型土地间J-M距离

3.2 不同沙化和非沙化土地类型时间序列NDVI 数据变化特征分析

为了验证时间序列NDVI数据是否有利于区分不同沙化和非沙化土地类型，对其年度变化特征进行了分析，结果见图2。

图2 不同类型土地NDVI变化特征

由图2可知，对于农田而言，5月份以后其NDVI迅速增长，8月份以后开始迅速下降，这与其他地类有很大的差别； 湿地的NDVI从4月份开始迅速增加，到7月份达到峰值，然后开始下降，与其他地类的变化差异也较大； 而固定沙地的NDVI值虽然也是从4月份开始增加，但相对于湿地来说，增长速度较慢，同时5月份以前的增长速度也比草地的增长速度慢，5—6月份之间的增长速度比草地快，到6月份时草地和固定沙地的NDVI值均达到峰值，6—8月份二者的NDVI值处于平稳状态，8月份以后开始逐渐减少，二者在5月份和6月份具有一定可分性，这与草地和固定沙地的植被类型组成差异有关； 半固定沙地的NDVI值相对于农田、湿地、草地和固定沙地低，增长速度也慢，与这些类型的区别比较明显； 流动沙地和盐碱地的NDVI值全年都比较低，波动变化不大； 水体的NDVI值总体最小，很容易区分。因此，从时间序列NDVI数据变化曲线看，沙地类型(固定沙地、半固定沙地和流动沙地)与其他类型的变化趋势差异大，沙地内部类型固定沙地、半固定沙地和流动沙地NDVI曲线的差异也较大，这可以弥补原始光谱在区分上述类型时可分性差的不足。

研究中选取了7月份(生长季)和3月份(非生长季)2期影像分别与时间序列NDVI数据相结合，计算其J-M距离进行分析，结果如表5所示。

表5 不同季节原始波段与时间序列数据结合下不同地类间的J-M距离

3.3 分类结果与精度评价

采用SVM法对研究区沙化土地进行了分类。利用外业调查的样地数据对3种分类的结果进行了精度验证，结果如表6所示。由分类精度表可以看出，利用生长季单一时相原始影像的分类结果中，固定沙地的制图精度和用户精度均在70%以下； 半固定沙地的制图精度和用户精度平均为60.4%； 流动沙地的精度在70%以上，总体精度为73.34%，Kappa系数为0.70，精度较低； 非生长季原始影像结合时间序列数据分类结果相对于生长季的结果有所提高，但是半固定沙地的用户精度和制图精度相差仍然较大； 将生长季原始影像与时间序列数据结合后，相对前两者各精度大幅提高，结果得到了明显改善。

表6 分类精度评价表

由J-M距离表可以看出，2期影像加入时间序列NDVI数据后，相对于生长季单一时相数据而言，各类别之间的J-M距离都有所提高，进一步说明了加入时间序列NDVI数据后，可以有效提高沙化土地类型与其他土地类型的可分性。总体来看，生长季原始波段与时间序列数据结合后，沙化土地类型之间可分性最高，非生长季与全年时间序列数据结合后各类别可分性也有所提高。

图3为全旗分类结果图，图4为局部放大图。

(a) 生长季原始波段分类结果 (b) 非生长季原始波段加时间序列 (c) 生长季原始波段加时间序列NDVI数据分类结果 NDVI数据分类结果

图3正蓝旗沙化土地分类结果图

Fig.3Blueflagdesertificationlanddistribution

(a) 生长季原始光谱影像(b) 生长季原始光谱分类 (c) 非生长季结合时间序列 (d) 生长季结合时间序列数据NDVI分类结果 数据NDVI分类结果

图4分类结果局部放大图

Fig.4Partialenlargementclassificationresults

图3(a)(b)的分类结果中，南部地区有很大一部分地区被分成了固定沙地。从图4看，利用生长季原始波段分类的结果中，固定沙地和半固定沙地的混分严重，部分固定沙地被分成了半固定沙地，流动沙地的边界也较模糊； 相对而言，加入NDVI时间序列数据的分类结果中，固定沙地和半固定沙地得以很好地区分，流动沙地的边界也更加清晰，结果更合理。其中，生长季与全年NDVI时间序列数据结合下的分类结果精度最高，主要原因是加入NDVI时间序列数据后，使地表全年的物候信息得到充分利用，结果更精确。

3.4 正蓝旗沙化土地现状与空间分布特征

根据图3(c)的分类结果对研究区各类沙化土地面积进行统计分析结果见表7。2014年正蓝旗沙化土地总面积为5 213.25 km2，占正蓝旗总面积的50.70%，虽然正蓝旗的沙化土地面积大，以固定沙地为主，生态环境处良好状态。从各类沙地的空间分布看(图5)，正蓝旗的沙地主要分布于北部地区，这与实地调查得到的分布情况基本一致。

表7 2014年正蓝旗沙化土地面积

4 结论

本文提出了利用高分辨率单时相原始遥感影像和时间序列NDVI数据结合进行沙化土地遥感分类的新思路。基于GF-1 16 m空间分辨率遥感影像进行沙化土地信息分类提取的研究结果，可得到以下结论：

1)时间序列NDVI数据能够充分地利用沙化土地的全年变化信息，表征各类沙化土地的植被变化情况，与单时相遥感影像结合后更有利于沙化土地的准确分类。

2)单时相遥感影像与时间序列NDVI数据结合进行沙化土地分类，其总体精度可达92.04%，Kappa系数达到0.87，与仅用生长季单一时相遥感影像分类相比，分类精度大大提高； 生长季与时间序列NDVI数据相结合的分类精度高于非生长季与时间序列NDVI数据相结合的分类精度。

3)正蓝旗的沙化土地面积占全旗面积的一半以上，主要以固定沙地为主，沙地生态处于良好状态，为当地社会经济的发展奠定了良好的生态环境基础。

4)结合GF-1时间序列数据进行沙化土地分类也具有一定的不足和不确定性，有待进一步的改进。虽然GF-1号数据具有高时间分辨率的特征，但是对于大区域而言，获得较完整的时间序列数据仍有一定的困难，随着高分系列卫星的继续发射，该问题可以得到有效的缓解。正蓝旗为典型半干旱区，其主要的沙化土地类型为固定沙地、半固定沙地和流动沙地，缺少干旱区其他常见的风蚀残丘、风蚀劣地及戈壁等类型，这些类型季节性变化小，因此结合纹理特征与时间序列数据对这些类型区分将是后续的研究重点。

[1] 国家林业局.中国荒漠化和沙化状况公报[R].北京:国家林业局,2011. State Forestry Administration.A Bulletin of Status Quo of Desertification and Sandification in China[R].Beijing:State Forestry Administration,2011.

[2] 林进,周卫东.中国荒漠化监测技术综述[J].世界林业研究,1998(5):58-63. Lin J,Zhou W D.A review desertification monitoring in China[J].World Forestry Research,1998(5):58-63.

[3] 王晓慧,李增元,高志海.沙化土地遥感监测研究现状[J].林业科学,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] 龙晶.沙化土地遥感评价方法[J].国土资源遥感,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.基于面向对象方法的沙化土地遥感信息提取技术研究[J].遥感技术与应用,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] 李晓琴,张振德,张佩民.格尔木土地荒漠化遥感动态监测研究[J].国土资源遥感,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,马鹏,聂爱华,等.基于时间序列HJ-1/CCD数据的土地覆盖分类方法[J].中国科学(地球科学),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] 张焕雪,曹新,李强子,等.基于多时相环境星NDVI时间序列的农作物分类研究[J].遥感技术与应用,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] 贾明明,任春颖,刘殿伟,等.基于环境星与MODIS时序数据的面向对象森林植被分类[J].生态学报,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]朱满,胡光宇,于之峰.基于融合NDVI和EVI时间序列的遥感影像分类研究[J].遥感信息,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]杨闫君,占玉林,田庆久,等.基于GF-1/WFV NDVI时间序列数据的作物分类[J].农业工程学报,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]刘树林,王涛.浑善达克沙地的土地沙漠化过程研究[J].中国沙漠,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]中华人民共和国国家质量监督检验检疫总局,中国国家标准化管理委员会.GB/T 24255—2009沙化土地监测技术规程[S].北京:中国标准出版社,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]全国荒漠化和沙化监测技术规定[R].国家林业局,2009. The National Desertification and Desertification Monitoring Technology[R].State Forestry Administration,2009.

[15]李晓松,李增元,高志海,等.基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J].中国沙漠,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]李长龙,高志海,吴俊君,等.基于分形网络进化分割和对象特征提取的GF-1卫星数据沙化土地分类识别研究[J].干旱区资源与环境,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]童庆禧,张兵,郑兰芬.高光谱遥感——原理、技术与应用[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,邓宝昆,徐红勤,等.地震型滑坡灾害遥感快速识别方法研究[J].遥感信息,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.

(责任编辑：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，孙斌，等.基于高分一号时间序列数据的沙化土地分类[J].国土资源遥感，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

国家高分辨率对地观测重大专项“高分林业遥感应用示范系统(一期)”(编号： 21-Y30B05-9001-13/15)。

丁相元(1990-)，男，硕士研究生，主要从事荒漠化遥感监测与评价的应用研究。Email： dxy4201@126.com。

高志海(1963-)，男，研究员，主要从事土地退化(荒漠化)遥感评价与防治方面的研究工作。Email: zhgao@caf.ac.cn。

TP 79

： A

： 1001-070X(2017)03-0196-07