基于Albedo- MSAVI 特征空间的奈曼旗沙漠化遥感监测

周鹏

（四川省第一测绘工程院，四川 成都 610100）

1 概述

沙漠化作为干旱、半干旱地区土地退化的主要类型，已成为全球变化背景下的热点生态环境问题之一[1]。传统的沙漠化监测方法主要基于野外实测点，虽然精度较高，但其成本高且费时费力，难以在大尺度区域上开展沙漠化监测[4]。近年来，卫星遥感已成为获取沙漠化信息的重要手段[2]。许多学者基于Landsat TM、MODIS 和CBERS 等影像应用计算机分类法获取沙漠化信息，但该方法的局限性在于分类精度难以提高且受主观影响较大[8-10]。近期研究表明，特征空间模型可以较好地反映地表覆盖状况以及沙漠化过程，并且已被广泛应用于定量获取沙漠化信息[3-4]。曾永年等分析了沙漠化与地表参量之间的关系，提出了Albedo-NDVI 特征空间模型[5]。Ma 等使用统计回归分析的方法确定了不同程度沙漠化区域中地表反照率与NDVI 之间的定量关系[6]。 Wei 等基于三个典型地表参量，即NDVI（归一化植被指数）、TGSI（表土粒径指数）和Albedo（地表反照率）等，分析了不同特征空间模型对于蒙古高原沙漠化信息提取的适用性[7]。Wu 等提出了基于Albedo- MSAVI 特征空间的半干旱草原沙漠化监测指数，取得了较好的效果[8]。Guo 等发现基于Albedo-MSAVI 的特征空间模型与其他特征空间模型相比，在奈曼旗沙漠化信息监测中具有更好的适用性[9]。然而，上述监测模型多数只考虑了线性关系，忽略了不同特征参量间相互作用的非线性特征。

本文基于Landsat 8 OLI 反演的Albedo 和MSAVI 参量，构建基于点对点和点对线的特征空间监测模型，进而分析和探讨了不同类型的Albedo-MSAVI 特征空间监测模型在沙漠化监测中的适用性，最终得出奈曼旗最适合的沙漠化监测模型。

2 研究原理和方法

2.1 研究区概况

奈曼旗（42° 14′ 40″ -43° 32′ 20″ N，120° 19′ 40″-121° 35′ 40″ E）位于科尔沁沙地，是中国典型的半干旱- 半湿润地区和农牧交错地带。该地区冬季寒冷干燥，夏季炎热多雨，年平均气温为6.0 ℃-6.5 ℃，平均降水量为366 mm。南部为低山和丘陵，中部和北部多为风蚀沙滩和冲积平原。过去几十年中，在气候变化和人类活动的共同作用下，奈曼旗的沙漠化程度日趋严重。

2.2 特征空间原理

修改型土壤调节植被指数（MSAVI）可以较好地反映干旱半干旱地区稀疏地表植被的空间分布状况[10]。随着沙漠化不断加剧，地表植被覆盖率降低，MSAVI 值相应减小。因此，可将MSAVI 作为沙漠化过程监测的重要指标。地表反照率（Albedo）作为表征植被下垫面辐射特征的重要参量，其数值会受土壤水分、植被覆盖、积雪覆盖等地表条件的变化而变化。随着沙漠化程度的加剧，地表水分减少，地表粗糙度下降，地表反照率会相应增加。如图1 所示，A、B、C、D 四点代表四种极端状态，四点所围成的封闭区域包含了除云、水体以外的各类地物，并呈现出一定的空间分异规律。Albedo 与MSAVI 呈显著的线性负相关性，以MSAVI 为横坐标，Albedo 为纵坐标，构建Albedo-MSAVI 特征空间。上边界A-C 边代表高反照率线，反映干旱状况，是给定植被覆盖度条件下完全干旱土地对应的最高反照率的上限[6]，而下边界B-D 边代表低反照率线，反映地表水分充足的状况。

图1 Albedo-MSAVI 特征空间原理

2.3 特征空间参量反演

地表反照率在调节地面辐射能量平衡方面起着重要作用，可用于确定下垫面吸收辐射能量的多少[9]。随着地表反照率的增加，土地沙漠化程度加剧。植被覆盖度则是评价沙漠化土地中植被恢复状况的重要参数[10]。然而，受土壤背景的影响，NDVI在植被稀疏的地区无法准确、有效地表示植被覆盖状况。因此，本研究引入了MSAVI，以减少或消除土壤背景和植被冠层的影响。

通过从Landsat8 OLI（2017-8-29，轨道号为121/30）获得的蓝色（Bblue），红色（Bred），近红外（Bnir）和短波红外波段（Bswir1和Bswir2）的反射率数据，计算了MSAVI 和Albedo 两个特征参量[7]。

地表反照率（Albedo）公式如下：

3 特征空间及模型构建

3.1 构建特征空间

本研究基于Albedo 和MSAVI 构造了沙漠化监测特征空间。不同程度的沙漠化在Albedo-MSAVI 特征空间中存在显著的空间分布分异规律。随着MSAVI 指数的减小，地表反照率（Albedo）增加，沙漠化程度加剧。根据Albedo-MSAVI 特征空间中任意点到点(1,0)的距离，本研究选取了五个不同区域分布的点群，并对照和分析每个点群的实际空间分布及其沙漠化状况，以研究不同程度的沙漠化与点群之间的对应关系。因此，可将沙漠化程度划分为五类，即非沙漠区、轻度沙漠区、中度沙漠区、重度沙漠区、极重度沙漠区。利用相似的方法，本研究基于Albedo-MSAVI 特征空间中任意点到土壤线的距离大小选择了五个不同区域分布的点群。Albedo-MSAVI 特征空间的5 个不同的点群能够较好地反映奈曼旗不同程度的沙漠化。

3.2 沙漠化监测模型

如图2 所示，Albedo 和MSAVI 之间存在显著的非线性关系，这与特征空间中沙漠化过程的演变轨迹表现出极大的相似性。特征空间中任意点M到点O(1,0)的距离越大，其对应的沙漠化程度就越高。从而距离L1可以用来区分不同的沙漠化程度，因此基于点对点的Albedo-MSAVI 监测指数模型（DMI1）构建如下：

图2 Albedo-MSAVI 点对点模型的构建

如图3 所示，从Albedo-MSAVI 特征空间中取任意点P 到直线L 的距离可用于指示不同程度的沙漠化。点P 到线L 距离的越大，其对应的沙漠化程度就越严重。根据点到直线的距离公式，基于点对线的Albedo-MSAVI 监测指数模型（DMI2）构建如下：

图3 Albedo-MSAVI 点对线模型的构建

式中，α 和β 分别为特征空间中土壤线L 回归方程的参数。Albedo-MSAVI 特征空间的土壤线L 的拟合方程为：y=-0.4631x+0.3795 R2=0.9691，公式（4）和（5）中α 和β 的值分别为-0.4631 和0.3795。Albedo 与MSAVI 之间呈显著负相关，R2为0.97。

4 结果与分析

本研究基于点对点和点对线两种模式的Albedo-MSAVI 监测模型计算了奈曼旗的沙漠化指数。为了更好地分析不同程度沙漠化的空间分布以及探讨两类模型在不同沙漠化程度监测的适用性，基于图像直方图的分布情况以及沙漠化的空间聚类特征，本研究利用SuperMapiDesktop 软件的重分类方法，将两类特征空间监测模型中的沙漠化指数划分为五类，从而获得不同沙漠化程度的空间分布。进而利用Google Earth 影像和野外实测数据，从具有不同景观类型的区域中选择了245 个验证点，以对比和分析两类特征空间监测指数模型的适用性（表1）。

表1 沙漠化分类误差矩阵（以Albedo-MSAVI 点对点模型为例）

基于点对点的Albedo-MSAVI 监测模型的总体精度为88.9%。但该模型在不同沙漠化程度中的监测精度存在一定差异：轻度沙漠化的监测精度最高（93.5%），其次是非沙漠化（89.6%）和中度沙漠化（89.2%）。对于极重度沙漠化（88.9%）和重度沙漠化（87.5%），因为选取的野外观测点较少，从而影响了其监测结果的评估精度[10]。

由于充分考虑了特征参量间作用的非线性特征及土壤线，基于点对线的Albedo-MSAVI 监测模型的总体精度为93.8%，高于总体精度为88.9%的点对点模型。

此外，基于点对点的Albedo-MSAVI 监测模型无法有效区分具有相同的点对点距离但属于不同沙漠化程度的点群。在不同程度的沙漠化监测方面，轻度沙漠化表现出最好的反演精度，而重度沙漠化表现出最差的反演精度（表2）。

表2 Albedo-MSAVI 点对点模型对不同沙漠化程度的监测精度

基于上述分析，由Albedo-MSAVI 推导出的基于点对点和点对线的特征空间监测模型均表现出较好的适用性，可用于奈曼旗的沙漠化监测。其原因在于地表反照率能够适当的反映土地沙漠化的过程，沙漠化程度随着Albedo 的增加而加剧[6]。此外，由于引入了土壤线，MSAVI 能够极大地减少或消除土壤背景和植被冠层的影响[8]。同时，因为充分考虑了Albedo 与MSAVI参量间作用的非线性特征，基于点对线的Albedo-MSAVI 监测模型要比基于点对点的Albedo-MSAVI 监测模型的反演精度高。因此，基于点对线的Albedo-MSAVI 监测模型在奈曼旗沙漠化监测中具有最高的适用性（表3）。

表3 Albedo-MSAVI 点对线模型对不同沙漠化程度的监测精度

5 结论

在充分考虑特征参量Albedo 与MSAVI 之间耦合作用的非线性特征及土壤背景影响的前提下，本研究提出了基于点对点和点对线的Albedo-MSAVI 监测模型，并对比和分析了上述两类特征空间模型在不同程度沙漠化监测中的适用性。总体上，基于点对线的Albedo-MSAVI 监测模型的反演精度（93.8%）高于基于点对点的Albedo-MSAVI 监测模型（88.9%）。两类模型在不同程度沙漠化区域中的监测精度也存在一定的差异：其中，在非沙漠化区和轻度沙漠化区域两者均表现出较好的反演精度；而在重度和极重度沙漠化区域，基于点对线的Albedo-MSAVI 监测模型相比基于点对点的Albedo-MSAVI 监测模型具有更好的适用性。