基于支持向量机和遥感的塔里木河流域下游沙质荒漠变化的分析——以大西海子库区为例

崔永想，刘海隆,2*，汪传建

(1 石河子大学水利建筑工程学院，新疆 石河子 832003；2 电子科技大学资源与环境学院，四川 成都 611731；3 石河子大学信息科学与技术学院，新疆 石河子 832003)

我国是世界上荒漠化比较严重的国家，荒漠化形势十分严峻[1]。据第五次全国荒漠化和沙化监测公报显示，截止2014年新疆沙化土地面积为74.71万km2，占据全国沙化土地总面积的43.4%，占新疆土地总面积的45%。新疆作为一带一路的核心区，经济可持续发展势必要兼顾生态环境的承载力；对荒漠化土地的发展趋势进行监测和防治对生态环境保护具有迫切意义[2]。

遥感技术是沙质荒漠化的重要监测手段。以单位面积内风蚀地或流沙面积所占百分比、地表植被覆盖度和地表景观为指标进行沙质荒漠化分类是一种常用的方法[3]，邵婷婷等[4]基于目视解译进一步提出了三分法的解译标准。结合归一化植被指数(NDVI)进行定量监测的方法也得到了发展，任艳群等[5]以新疆兵团第八师石河子垦区150团为研究区域，基于TM遥感影像选用NDVI、地表反照率(Albedo)等指标建立了NDVI-Albedo特征空间，对研究区沙质荒漠化的等级进行划分；岳辉等[6]基于NDVI-Albedo特征空间获取DDI和VCADI在荒漠化和旱情监测方面也有成功的应用；杜子涛等[7]依据NDVI与植被覆盖度的高相关性，以NDVI为沙质荒漠化评价定量指标，对科尔沁地区沙质荒漠化等级进行了划分和动态监测。综上可知，当前遥感监测荒漠化的方法都取得了较好的效果，但在荒漠化定量分类方面仍显略有不足。

植被覆盖度是影响生态系统变化的重要参数，能够综合反映地面信息，且方便快捷提取，常被用于沙质荒漠化划分和监测[7-9]。常用的植被覆盖度提取方法有通过植被指数反演植被覆盖度的植被指数法[10-12]和将植被指数、波段值等特征数据作为输入数据进行回归提取的回归模型法[13-16]，还有像元二分模型法[17]等，其中像元二分模型提取植被覆盖度的方法简单高效且成熟[18]。

传统的图像分类方法以经验风险最小化为归纳原则，需求的样本量较大。支持向量机方法则是建立在统计学习理论基础之上的机器学习模型，不仅结构简单、泛化能力强，而且能较好解决少样本、高维数和局部极小值等问题，具有较高精度等优点而被广泛应用。梁怀翔等[19]将支持向量机与最小距离法和最大似然估计在遥感图像分类中进行对比，结果表明支持向量机取得了较好的精度和泛化能力；李颖等[20]运用支持向量机和人工神经网络对Landsat8 OLI多光谱影像光谱信息进行土地利用分类，并取得了较好的实验结果。

本文基于Landsat数据运用支持向量机方法进行分类、统计分析，并由于归一化植被指数(NDVI)能够较好探测稀疏植被[21]，故采用像元二分模型反演归一化植被指数(NDVI)提取生态输水段沙质荒漠区[22]的植被覆盖度，作为沙质荒漠等级划分的定量指标，分析2000—2018年沙质荒漠化的变化情况，并综合自然、人文因素等数据，对沙质荒漠的退化和恢复进行评估。

1 研究区概况

研究区选取塔里木河流域内大西海子水库附近区域(N40°23′51.07″～N40°44′18.32″，E87°25′18.05″～E87°58′16.81″)，地面物质组成以细粒沙壤土为主，区域总面积1 759.98 km2(图1)。

图1 研究区及采样点位置示意图

塔里木河是我国最长的内陆河，干流全长1 321 km，下游段为恰拉至台特玛湖，主河道长约428 km。自2000年开始实施塔里木河生态输水工程，至2018年已完成19次。研究区属大陆性暖温带极端干旱沙漠气候区，干燥多风、昼夜温差大[23]；东北侧为库鲁克沙漠，西南侧为塔克拉玛干沙漠；年均降水量0～10 mm，年平均气温在11 ℃左右。

2 数据来源及处理

2.1 数据来源

所选遥感图像数据为2000年8月9号和2010年9月6号的Landsat7 ETM和2018年9月20号的Landsat8 OLI影像，空间分辨率30 m×30 m，轨道号142-032(美国地质勘探局，https://earthexplorer.usgs.gov/)，所选遥感图像的云量均小于3%。地面植被覆盖度数据采用样方法，于塔里木河下游英苏牧业村附近沿河布设样带，样点布设垂直于河岸，共采集35个点数据。样方大小为30 m×30 m，在样方内布设对角线，以植被在对角线上的投影长度占据总对角线的长度来近似代替样方内的植被覆盖度。塔里木河下游的生态输水量数据来源于李丽君等研究[24]，气温、降水等气象数据来源于中国气象数据网(http://data.cma.cn/)。鉴于研究区内社会经济活动范围较小，且新疆兵团第二师团场经济活动数据本次没有搜集，故暂未对研究区经济数据进行分析。

2.2 数据预处理

将下载的各研究年份遥感图像进行辐射定标、大气校正、图像裁剪、图像融合(将图像空间分辨率提升至15 m)等图像预处理；采用ENVI插件Landsat_ gapfill对部分缺失数据的图像进行数据修补。通过辐射定标将传感器记录的无量纲DN值转换为具有实际物理意义的辐射亮度值或反射率；采用FLAASH 模块对影像进行大气校正，可有效消除大气和太阳等因素对地物反射的影响，得到较为准确的地物真实信息。用研究区矢量边界(N40°23′51.07″～N40°44′18.32″，E87°25′18.05″～E87°58′16.81″)对图像进行裁剪，得到研究区2000年、2010年和2018年的卫星图像，然后将每年的多光谱波段数据与全色波段数据进行图像融合，把图像分辨率提高至15 m×15 m，用于之后实验的目视解译及验证。以上处理工作在ENVI5.3平台完成。

2.3 基于支持向量机的遥感分类

支持向量机是一种基于统计学理论为基础的机器学习模型，能够将低维空间线性不可分的数据通过变化映射到高维特征空间，构造最优超平面使数据变得线性可分，使分类样本之间间隔最大化，是常用的人工智能算法。支持向量机拥有线性函数、多项式函数、径向基函数和Sigmoid函数，具有解决样本少、高维数、非线性等优点，并具有较强的泛化能力。该方法在遥感图像的分类中应用广泛。

SVM最优分类函数：

(1)

线性核函数：

K(xi,x)=xi*x，

(2)

多项式核函数：

K(xi,x)=[(xi*x)+1]d，

(3)

径向基核函数：

K(xi,x)=exp(-γ||xi-x||)，

(4)

Sigmoid核函数：

K(xi,x)=tanh(γxix+e),

(5)

上式中d为多项式参数，γ为Gamma参数且γ>0，e为偏移值。

采用支持向量机方法提取土地分类及信息变化，提取土地类型主要为耕地、沙质荒漠、水体、建设用地(房屋、道路、部分裸地等)、其他(林地、草地和滩地等)等。对照高分融合影像及Google Earth影像解译结果进行评价，总体分类精度及Kappa系数的结果(表1)表明，支持向量机4种核函数中径向基核函数的分类效果较好，故采用径向基核函数进行SVM分类。分类结果如图2所示。

表1 SVM四种核函数总体分类精度、Kappa系数

图2 基于SVM的2000年、2010年和2018年土地利用分类结果

2.4 沙质荒漠的等级划分

(1)植被盖度的计算。植被覆盖度的提取采用像元二分模型，NDVI、VFC的计算公式[25]如下：

NDVI=(BNIR-BRED)/(BNIR+BRED)，

(6)

VFC=(NDVI-NDVIs)/(NDVIv-NDVIs)，

(7)

式(6)中BNIR为遥感图像近红外波段的反射率值，BRED为遥感图像红外波段的反射率值；式(7)中NDVIs为无植被覆盖像元的NDVI值,NDVIv为纯植被覆盖像元的NDVI值。

将实测35个地面采样点植被覆盖度与提取的遥感图像的植被覆盖度进行相关性分析，结果(图3)相关系数为0.883，表明相关性较好。

图3 植被覆盖度实测值与提取值的相关分析

(2)沙质荒漠的等级划分。

根据前人研究结果[9]，植被覆盖度对沙质荒漠进行等级划分可以采用表2中指标。

依据植被覆盖度对沙质荒漠进行等级划分，结果见表2。

表2 沙质荒漠化分类体系

3 结果与分析

3.1 沙质荒漠与不同土地利用类型之间的转化

(1)沙质荒漠化等级划分。

采用像元二分模型结合感兴趣区ROI的制作将研究区内水体、耕地、建设用地剔除，依据沙质荒漠化分类体系，得到不同沙质荒漠化等级(图4)。

图4 沙质荒漠化等级

对分类结果进行统计，结果见表3。

表3 SVM径向基核函数分类统计结果

由表3可知：沙质荒漠为研究区主要地物，占据了研究区70%以上的面积；耕地和其他分别约占10%，水体和建设用地分别约占2%；在19年间不同时间段沙质荒漠面积不断减少，所占比例不断降低；年均增长率为-0.54%，沙质荒漠化不断逆转，但水体、耕地、建设用地和其他地类则与之相反，均呈现扩张趋势，年均增长率分别为1.79%、1.67%、1.84%、3.49%。生态和生存环境均有效改善。

(2)沙质荒漠与不同土地利用类型之间的转化。

通过土地利用转移矩阵获取不同年份间的变化信息，结果见表4、表5。

表4 2000—2010年土地利用面积转移矩阵 单位：km2

由表4可知:相较于2000年，2010年沙质荒漠共减少103.36 km2，达86.09%；主要转为耕地和其他用地，分别减少24.55 km2和78.37 km2，占99.57%，总体生态环境向好发展。

表5 2010—2018年土地利用面积转移矩阵 单位：km2

由表5可知:相较于2010年，2018年沙质荒漠一共减少37.92 km2，达42.35%；主要转向耕地和水体，减少27.09 km2和9.71 km2，占97.05%，总体生态环境向好发展。

2000—2018年间沙质荒漠转出面积141.28 km2，占比100%，为其他各类面积增长之和。

以上结果表明：沙质荒漠化逆转，生态环境质量改善。

3.2 不同等级沙质荒漠的时间变化与其转化

(1)不同等级沙质荒漠的时间变化情况。

依据前文的沙质荒漠化等级划分标准进行划分并统计，结果见表6。

表6 不同沙质荒漠化等级分类统计结果

由表6可知：2000—2018年19年间，重度沙质荒漠面积和占比先减少后增加，中度沙质荒漠面积和占比先增加后减少，重度和中度沙质荒漠年均增长率分别为-0.19%和-1.02%，都存在沙质荒漠化逆转的现象；轻度沙质荒漠面积和占比先增加后减少，年均增长率为1.25%；非沙质荒漠面积和占比基本没有变化；未分类土地面积和占比则不断增长，年均增长率为2.01%；轻度沙质荒漠和未分类土地面积不断增加。

以上结果表明：重度和中度沙质荒漠化不断逆转，轻度、非沙质荒漠和未分类土地面积则不断增长；生态环境有效改善。

(2)不同等级沙质荒漠的转化。

通过转移矩阵获取不同年份间的沙质荒漠的变化信息，结果见表7、表8。

表7 2000—2010年沙质荒漠化面积转移矩阵 单位：km2

由表7可知：重度和非沙质荒漠分别转出392.32、1.23 km2，共减少393.55 km2；中度和轻度沙质荒漠分别转入326.66、57.79 km2，未分类转入9.1 km2，共增加393.55 km2。重度沙质荒漠占转出99.69%，减少最多；中度和轻度沙质荒漠分别占转入的83%和14.68%，中度沙质荒漠增加最多。

综上可知：重度沙质荒漠化不断逆转，中度和轻度沙质荒漠面积增加，非沙质荒漠和未分类面积变化较小，表明生态环境有效改善。

表8 2010—2018年荒漠化面积转移矩阵 单位：km2

由表8可知:重度沙质荒漠和未分类分别转入353.17、89.53 km2，共增加442.7 km2。中度和轻度沙质荒漠分别转出398.93、45.07 km2，非沙质荒漠转出1.3 km2；共减少442.7 km2。重度沙质荒漠占转入的79.78%，增加最多；中度沙质荒漠占转出的90.11%，减少最多。表明生态环境有所恶化。

截止2018年，重度、中度沙质荒漠分别转出39.15、72.26 km2，非沙质荒漠转出0.06 km2，轻度沙质荒漠转入12.72 km2，未分类转入98.63 km2。

以上结果表明：重度和中度沙质荒漠面积减少，其余各类面积均有所增加，沙质荒漠化逆转，生态环境有效改善。

4 讨论

(1)本文研究利用支持向量机进行2000年、2010年、2018年大西海子水库面积和沙质荒漠面积分析，二者呈现负相关关系，相关系数为-0.760。生态输水的注入，作为导致大西海子水库面积变化的主要支撑因素，水库中的水面积增加，间接反映了环境的良性发展。

(2)2000—2018年间，重度沙质荒漠年均增长率为-0.19%，中度沙质荒漠年均增长率为-1.02%，轻度沙质荒漠年均增长率为1.25%，未分类(耕地、水体、建设用地)土地年均增长率为2.01%，非沙质荒漠面积没有明显变化。对19年年均降水量、年均气温和风速等气象及生态输水数据的分析结果显示，温度和降水量均略有增加，而风速有下降趋势，这对植被的改善和沙质荒漠的固定都具有正向影响。

(3)经过年均降水量、年均气温、生态输水与沙质荒漠的趋势及相关性分析，生态输水与沙质荒漠相关度最高，相关系数为-0.950。稳定的输水期对生态环境改善作用明显，相反不稳定期则使沙质荒漠不同程度的转化发生了较大起伏；显示出持续性输水是保证下游脆弱的生态环境稳定好转的根本途径；这与李丽君等[24]研究结果一致。

5 结论

(1)利用机器学习模型支持向量机对研究区不同地物进行了分类。2000—2018年间， 沙质荒漠面积逆转141.28 km2，耕地、建设用地、水体和其他类面积分别增加54.51、14.13、29.99、42.65 km2，表明沙质荒漠向其他各类土地利用类型转化，生态环境得到有效改善。

(2)基于支持向量机分类结果提取研究区沙质荒漠区，利用像元二分模型对沙质荒漠区进行的量化分级表明，2000—2018年间，重度和中度沙质荒漠面积分别减少39.15、72.26 km2，轻度沙质荒漠和未分类面积(耕地、水体、建设用地)分别增加12.72、98.63 km2，非沙质荒漠面积没有明显变化，表明沙质荒漠化程度减轻，生态环境有明显的改善。

(3)结合气象和生态输水数据的分析发现，生态输水对植被覆盖度变化、沙质荒漠化逆转起到了决定性作用，且持续性生态输水是保障当地生态环境稳定改善的决定因素。因此，合理调度分配生态输水，对于当地植被恢复、沙质荒漠化逆转具有重要意义。