黃曉君，頡耀文，衛(wèi)嬌嬌，付 苗，呂利利，張玲玲

(1.蘭州大學(xué) 資源環(huán)境學(xué)院，甘肅 蘭州 730000；2.內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010022)

基于變化檢測-CART決策樹模式自動(dòng)識別沙漠化信息

黃曉君1,2，頡耀文1，衛(wèi)嬌嬌1，付 苗2，呂利利1，張玲玲1

(1.蘭州大學(xué) 資源環(huán)境學(xué)院，甘肅 蘭州 730000；2.內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院，內(nèi)蒙古 呼和浩特 010022)

目前沙漠化遙感監(jiān)測存在目視解譯的局限性、數(shù)據(jù)源的約束性、遙感信息利用率低等問題?；诖耍悦袂谂璧貫樵囼?yàn)區(qū)，首先采用圖像差值、最大值合成及二維最大類間方差等方法，檢測1994年、2014年兩期Landsat圖像的變化像元，然后利用分類與回歸樹(CART)算法構(gòu)建決策樹，自動(dòng)提取了2014年沙地信息，最后將變化檢測結(jié)果與沙地信息進(jìn)行空間疊置分析，并實(shí)現(xiàn)了沙漠化信息自動(dòng)識別模式。研究表明，變化檢測-CART決策樹模式精度為89.43%～93.00%，在95%置信水平上其置信區(qū)間介于85.90%～98.00%，顯然其精度具有較高可信度；該模式不僅能夠充分利用豐富遙感信息而且可排除多余信息的干擾。可見，變化檢測-CART決策樹模式是識別沙漠化信息的有效方法之一，將對沙漠化防治工程具有重要應(yīng)用價(jià)值。

沙漠化；分類與回歸樹(CART)；決策樹；變化檢測；自動(dòng)識別

土地沙漠化是指在干旱、半干旱和部分半濕潤地區(qū)，由于自然因素或人文因素或兩者的共同作用，使原非沙漠地區(qū)出現(xiàn)以風(fēng)沙活動(dòng)為主要標(biāo)志的類似沙漠景觀的土地退化過程。它是當(dāng)今世界最為嚴(yán)重的環(huán)境-社會-經(jīng)濟(jì)問題之一，及時(shí)準(zhǔn)確監(jiān)測沙漠化信息是治沙止漠的基礎(chǔ)，研究意義重大。

遙感具有獲取信息快、監(jiān)測范圍大、提供信息豐富等特點(diǎn)，1970年代以來在土地沙漠化中得到廣泛應(yīng)用。國外最早在1975年Lampery利用航空像片對撒哈拉沙漠南緣的移動(dòng)進(jìn)行了研究[1]，而國內(nèi)1984年中國科學(xué)院沙漠研究所利用航空相片及衛(wèi)星像片研究沙漠化[2]。目前，常見的土地沙漠化遙感監(jiān)測方法主要有目視解譯[3-5]、遙感專題指數(shù)[6-8]、沙漠化監(jiān)測指數(shù)[9-10]、人工神經(jīng)網(wǎng)絡(luò)[11-12]、光譜混合分析[13-14]、決策樹分類[15-16]、基于面向?qū)ο骩17-18]等。由于沙漠化過程的動(dòng)態(tài)性與成因的復(fù)雜性，快速準(zhǔn)確監(jiān)測沙漠化信息有一定挑戰(zhàn)性。目視解譯提取沙漠化雖精度較高，但工作量大、效率低、主觀性強(qiáng)，很難及時(shí)掌握沙漠化狀況。遙感專題指數(shù)、沙漠化監(jiān)測指數(shù)、人工神經(jīng)網(wǎng)絡(luò)等方法對遙感信息的利用率較低，其豐富的信息未能充分發(fā)揮應(yīng)有的作用。光譜混合分析與基于面向?qū)ο蟮谋O(jiān)測雖精度較高,但對數(shù)據(jù)源要求很高，如光譜混合像元分析較適于高光譜遙感數(shù)據(jù)，基于面向?qū)ο筮m于高空間分辨率遙感數(shù)據(jù)，從而它們利用的遙感數(shù)據(jù)不僅價(jià)格昂貴而且無法滿足大面積多時(shí)相的需求。目前雖沙漠化遙感監(jiān)測方法較多，但普適性較差，遙感信息的利用率低，尚未建立普遍接受的自動(dòng)提取沙漠化信息的方法框架。

分類與回歸樹(CART)算法不僅對遙感數(shù)據(jù)源要求不高，而且能夠充分利用其豐富的遙感信息。目前美國NASA陸地衛(wèi)星Landsat可供免費(fèi)的1980年代以來大面積、多時(shí)相、中高空間分辨率多光譜遙感數(shù)據(jù)，它必然是沙漠化遙感監(jiān)測的主要數(shù)據(jù)源?；诖耍狙芯恳悦袂谂璧貫樵囼?yàn)區(qū)，利用Landsat衛(wèi)星遙感數(shù)據(jù)，嘗試變化檢測-CART決策樹模式是構(gòu)建計(jì)算機(jī)自動(dòng)識別沙漠化信息的有效方法。

1 試驗(yàn)區(qū)及材料

本文試驗(yàn)區(qū)是甘肅民勤盆地，地處我國西北內(nèi)陸干旱區(qū)，在河西走廊東北部石羊河下游，地理位置介于38°25′～39°17′N，102°45′～104°15′E。盆地底部海拔在1 300～1 400 m之間，大部平坦開闊，地勢由西南向東北緩傾。盆地東西北三面被騰格里和巴丹吉林兩大沙漠包圍，大陸性沙漠氣候特征明顯，干旱少雨、晝夜溫差大、光照充足。在盆地石羊河兩岸分布所謂民勤綠洲。多年來，由于人類活動(dòng)的加劇和氣候變化的影響，綠洲與沙漠交錯(cuò)帶出現(xiàn)了土地沙漠化現(xiàn)象，因此該地區(qū)可作為本研究試驗(yàn)區(qū)。

本文主要使用的數(shù)據(jù)有1994年與2014年7月份Landsat TM/OLI影像數(shù)據(jù)(云量小于2%，行列號為131033，空間分辨率為30 m)，還有美國NASA SRTM1 DEM數(shù)據(jù)(空間分辨率為30 m)，另外包括2014年7月與10月兩次野外調(diào)查數(shù)據(jù)。利用ENVI軟件對影像數(shù)據(jù)進(jìn)行大氣輻射校正和裁剪處理，對DEM數(shù)據(jù)進(jìn)行幾何校正、投影轉(zhuǎn)換及裁剪處理。影像、DEM數(shù)據(jù)的坐標(biāo)與投影系統(tǒng)應(yīng)統(tǒng)一，即坐標(biāo)系統(tǒng)為WGS1984，投影為通用墨卡托UTM，帶號為48 N。

圖1 總體技術(shù)路線圖

2 研究方法

基于變化檢測-CART決策樹模式自動(dòng)識別沙漠化信息的總體思路如圖1所示，首先自動(dòng)檢測由1994年至2014年的土地變化像元，它是圖像差值結(jié)合最大值合成法及二維最大類間方差法來完成；其次自動(dòng)提取2014年沙地信息，它是在獲取若干沙地信息識別指標(biāo)的基礎(chǔ)上，利用CART算法構(gòu)建決策樹來完成；最后自動(dòng)識別沙漠化信息，它是通過變化檢測結(jié)果與沙地信息的空間疊置分析來實(shí)現(xiàn)。

2.1 變化檢測

2.1.1 圖像差值

為分析1994年、2014年TM/OLI圖像藍(lán)、綠、紅、近紅外及短波紅外1、2波段對典型地類，如沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)等的光譜反射曲線特征，采樣了以上地類的反射率，并繪制了光譜反射曲線(圖2)。結(jié)果表明，沙地的反射率在紅、短波紅外1、2波段上突出，與周圍的綠地、水域及其他土地的光譜反射曲線有明顯差異，因?yàn)榧t色波段對葉綠素有較強(qiáng)的吸收，而對沙地的反射較高，且它是可見光中信息量較豐富的波段；短波紅外1、2波段對水體有較強(qiáng)的吸收，而對沙地的反射高，且在所有波段中短波紅外1的信息量最豐富。因此，從兩期圖像中分別選擇了近紅外、短波紅外1、2等3個(gè)波段，進(jìn)行了相應(yīng)的差值處理。

圖2 典型地類光譜反射曲線

2.1.2 變化像元信息提取

圖像差值為分離變化與未變化像元信息奠定了基礎(chǔ)，因?yàn)椴钪岛笙裨^對值呈兩極分化態(tài)勢，這是變化像元信息提取的切入點(diǎn)。本研究顧及壓縮數(shù)據(jù)和不遺漏變化信息，利用最大值合成法，將3個(gè)差值圖像進(jìn)行合成處理。另外，為減少多余信息對變化像元中沙漠化信息的干擾，從合成圖像中剔除小于等于0的像元，因?yàn)閳D像差值使沙漠化像元值基本控制在大于0范圍。在此基礎(chǔ)上，采用二維最大類間方差法，提取合成圖像中的變化像元信息。二維最大類間方差法是在二維灰度直方圖的基礎(chǔ)上，具有統(tǒng)計(jì)意義上的最佳分割閾值，其將圖像的二維灰度直方圖分割成兩類，使兩類間離散度矩陣的跡取最大值，即分離性最大，如式(1)所示。

(1)

表1 沙漠化信息識別指標(biāo)的計(jì)算

式中：trρ為類間離散度矩陣ρ的跡，L為圖像灰度級，(α，β)為任意閾值，(α′，β′)為最佳閾值。

本文根據(jù)以上數(shù)學(xué)定義，實(shí)現(xiàn)了變化像元與未變化像元的有效分離，其結(jié)果顯示合成圖像像元值大于0.076為變化像元，反之則未為變化像元。

2.2 CART決策樹沙地信息提取

2.2.1 沙地信息識別指標(biāo)選取

目前尚沒有能夠直接準(zhǔn)確提取沙地信息指數(shù)的方法，一般運(yùn)用分類方法提取。本研究首先把地表分為沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)等4類，然后利用CART決策樹對地表進(jìn)行分類，并實(shí)現(xiàn)沙地信息提取。

筆者參考文獻(xiàn)[7、9、15]等，選擇修改型土壤調(diào)整植被指數(shù)(MSAVI)、歸一化植被指數(shù)(NDVI)、歸一化差異水體指數(shù)(NDWI)、歸一化裸露指數(shù)(NDBI)、鹽分指數(shù)(SI)、表土粒度指數(shù)(GSI)、地表反照率(Albedo)、K-T變換的分量(如亮度Brightness、綠度Greenness)、紋理特征及DEM等作為沙地信息識別指標(biāo)。上述指標(biāo)在分類中發(fā)揮應(yīng)有的作用，如：MSAVI、NDVI、Greenness能夠表征地面綠地信息，其中NDVI由于對低密度植被覆蓋地區(qū)受土壤背景影響較大，且高密度植被覆蓋地區(qū)易飽和，故適合中密度植被覆蓋地區(qū)綠地信息識別，而MSAVI受土壤背景影響較小，適于低密度植被覆蓋地區(qū)的綠地信息識別，Greenness與綠色植物的數(shù)量具有密切關(guān)系，能夠彌補(bǔ)NDVI在高密度植被覆蓋地區(qū)快速飽和的缺陷；NDWI可以最大程度抑制植被信息，而能夠突出水體信息；Albedo能夠反映地表對太陽輻射反射特性，隨地表植被覆蓋度、土壤水分及地表粗糙度的變化，Albedo具有明顯的響應(yīng)，則沙地、綠地、水域等不同地表特征的反射率呈明顯差異；Brightness能夠反映土壤反射率變化的信息，受土壤水分的影響，其值對不同水分地表具有明顯差異，則分離沙地與其他土地起到應(yīng)有的作用；NDBI對裸露地表較敏感，則識別裸地、道路等信息較好；SI能夠反映鹽堿地信息；GSI對表土粒度信息較敏感，則能夠較好識別戈壁、居民地等信息；紋理特征能夠反映地表粗糙度信息，沙地紋理與其他地表具有明顯的差異，則識別沙地信息起到應(yīng)有的作用；DEM能夠反映地貌形態(tài)特征，沙地與戈壁在海拔上具有一定空間差異性，則其能夠增強(qiáng)沙地與戈壁的分離性。以上指標(biāo)的獲取如表1所示。

2.2.2 訓(xùn)練樣本的選取

本文將地表分為4種土地類型，即沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)，并采用目視解譯與野外考察等手段，在2014年圖像上選取訓(xùn)練樣本(350個(gè)圖斑，共28 138個(gè)像元)。目視解譯是在解譯者具備圖像解譯專業(yè)知識、區(qū)域背景知識及遙感系統(tǒng)知識的基礎(chǔ)上，根據(jù)圖像基本解譯要素和解譯標(biāo)志來識別目標(biāo)地物。訓(xùn)練樣本的選取是構(gòu)建決策樹的關(guān)鍵部分，它的好壞直接影響后期分類精度。因此，在選取訓(xùn)練樣本時(shí)，考慮了其代表性、典型性及完備性，也就是說訓(xùn)練樣本代表了整個(gè)區(qū)域內(nèi)各地類光譜特征差異。

2.2.3 CART決策樹的構(gòu)建及分類

本文利用CART算法建立了決策樹，即稱為CART決策樹。CART決策樹是由輸入變量和輸出變量構(gòu)成的訓(xùn)練樣本數(shù)據(jù)集的循環(huán)分析的二叉樹結(jié)構(gòu)，其中輸入變量是由基于訓(xùn)練樣本像元的各沙地信息識別指標(biāo)產(chǎn)生；輸出變量是由基于訓(xùn)練樣本像元的4種土地類型產(chǎn)生。CART算法包括決策樹生長和決策樹修剪兩部分內(nèi)容。在決策樹生長時(shí)，利用雜度削減量從眾多輸入變量中選擇當(dāng)前最佳分組變量，然后采用基尼系數(shù)確定分組變量分割閾值，其數(shù)學(xué)定義如式(2)、式(3)所示。

(2)

式中：G(t)為基尼系數(shù)，t為節(jié)點(diǎn)，k為輸出變量類別個(gè)數(shù)，P(j|t)是節(jié)點(diǎn)中輸出變量取第j類的歸一化概率，Nj,t是節(jié)點(diǎn)t包含第j類的樣本量，Nj是全樣本量。分組變量分割閾值過程是首先將每個(gè)輸入變量數(shù)值按升序排序，再從小到大依次以相鄰數(shù)值的中間值作為分割點(diǎn)，將樣本分成兩組，并計(jì)算兩組樣本輸出變量值的異質(zhì)性。當(dāng)使兩組輸出變量值的異質(zhì)性總和最小、純度最大時(shí)，分組變量達(dá)到最佳分割點(diǎn)。輸出變量值的異質(zhì)性是用基尼系數(shù)來測度，當(dāng)節(jié)點(diǎn)中輸出變量均取同一類別時(shí)，輸出變量取值的異質(zhì)性最小，即基尼系數(shù)為0，而當(dāng)各類別取值概率相等時(shí)，輸出變量取值的異質(zhì)性最大，即基尼系數(shù)為1-1/k。

(3)

式中：ΔG(t)為雜度削減量，G(t)和N分別為分組前輸出變量的基尼系數(shù)和樣本量，G(tr)、Nr和G(tl)、Nl分別為分組后右子樹的基尼系數(shù)和樣本量以及左子樹的基尼系數(shù)和樣本量。在節(jié)點(diǎn)處首先對所有輸入變量將計(jì)算其雜度削減量，再對雜度削減量進(jìn)行比較，選擇最大對應(yīng)的輸入變量將成為當(dāng)前節(jié)點(diǎn)分組變量。

在CART決策樹構(gòu)建中，決策樹的修剪處理很重要。它在保證決策樹有一定預(yù)測精度的前提下，還能削減決策樹的復(fù)雜程度，最終獲得一顆理想的樹。修剪由預(yù)修剪和后修剪兩部分構(gòu)成，其中預(yù)修剪是在建立決策樹時(shí)，事先制定一些控制參數(shù)來修剪決策樹，如決策樹最大深度、樹中父節(jié)點(diǎn)和子節(jié)點(diǎn)的最少樣本量或比例、樹節(jié)點(diǎn)中輸出變量的最小雜度削減量等；后修剪是在決策樹預(yù)修剪后充分生長的基礎(chǔ)上，根據(jù)一定的規(guī)則，修剪樹中那些不具有一般代表性的葉節(jié)點(diǎn)或子樹，這是一個(gè)邊修剪邊預(yù)測當(dāng)前決策子樹精度的過程。它是采用最小代價(jià)復(fù)雜性修剪法來完成。此方法

不僅顧及了決策樹的預(yù)測精度，而且考慮了決策樹的復(fù)雜程度。本文通過上述修剪處理，得到理想的決策樹，再利用該決策樹自動(dòng)提取了2014年沙地信息。

2.3 沙漠化信息識別

通過1994年、2014年兩期Landsat衛(wèi)星圖像變化檢測與2014年CART決策樹分類結(jié)果的空間疊置分析，自動(dòng)識別了2014年沙漠化信息。若變化像元與分類圖像的沙地像元相重合，當(dāng)前像元為沙漠化像元，反之則未沙漠化像元。利用ENVI軟件波段計(jì)算功能進(jìn)行空間疊置分析，實(shí)現(xiàn)了沙漠化信息的自動(dòng)識別(如圖3所示，2014年民勤盆地沙漠化信息識別的局部放大圖)。

圖3 沙漠化信息識別的局部放大圖

3 研究結(jié)果與分析

3.1 變化檢測的有效性分析

3.1.1 沙漠化土地與未變化土地像元的有效分離

為分析變化檢測對沙漠化與未變化土地像元能夠分離的有效性，選取1 300未變化土地樣本像元(覆蓋了沙地、綠地、水域、其他土地)、2 520沙漠化土地樣本像元(綠地沙漠化、水域沙漠化及其他土地沙漠化像元各840個(gè))，然后分別對兩期紅、短波紅外1、2波段進(jìn)行差值，再進(jìn)行最大值合成處理，獲得其最大值，如圖4所示。圖4a和4b分別為未變化土地和沙漠化土地的3波段求差的最大值散點(diǎn)圖，其表明：未變化土地像元值集中于0附近，其值基本都小于分割閾值(0.076)，而沙漠化土地像元值基本都大于分割閾值，從而在變化檢測中最大值合成法和二維最大類間方差法的應(yīng)用不僅克服變化信息丟失而且有效分離沙漠化與未變化像元。另外，試驗(yàn)顯示有時(shí)其他土地沙漠化像元值小于閾值的現(xiàn)象，這對變化檢測帶來一定的誤差，但這只是很小部分，可忽略不計(jì)。

圖4 沙漠化與未變化土地像元的有效分離

3.1.2 變化檢測的精度分析

為變化檢測結(jié)果的精度分析，在2014年圖像上隨機(jī)選取了3 154個(gè)樣本點(diǎn)，再利用目視解譯與野外判別方法確定其土地類型，即沙地、綠地、水域及其他土地，并作為2014年真實(shí)樣本點(diǎn)。在此基礎(chǔ)上，同樣的方法產(chǎn)生1994年相應(yīng)真實(shí)樣本點(diǎn)。對兩期真實(shí)樣本點(diǎn)進(jìn)行比較得知，沙漠化與未變化樣本點(diǎn)分別為1 849和1 305，然后采用變化檢測方法對兩期真實(shí)樣本點(diǎn)間進(jìn)行檢測，結(jié)果顯示：沙漠化與未變化樣本點(diǎn)分別為1 613和1 286。顯然沙漠化和未變化像元的檢測精度分別為87.24% 和98.54%，總體精度為91.92%(圖5)。

3.2 CART決策樹沙地信息提取精度分析

圖5 變化檢測精度驗(yàn)證

3.2.1 CART決策樹模型風(fēng)險(xiǎn)評價(jià)

CART決策樹沙地信息提取精度分析之前，應(yīng)評價(jià)CART決策樹模型的精度，即模型風(fēng)險(xiǎn)評價(jià)。它是利用風(fēng)險(xiǎn)估計(jì)(錯(cuò)判率)來衡量。在CART決策樹的構(gòu)建中使用的總樣本為28 138個(gè)像元。其中訓(xùn)練樣本和測試樣本分別占總樣本的80%、20%。一般用測試樣本來測試模型精度。其測試結(jié)果顯示，決策樹對測試樣本的風(fēng)險(xiǎn)估計(jì)為0.031，即錯(cuò)判率為3.1%，與訓(xùn)練樣本的風(fēng)險(xiǎn)估計(jì)值相等(表2)。說明該模型穩(wěn)定，精度較高。

3.2.2 CART決策樹沙地信息提取精度評定

為評定CART決策樹沙地信息提取精度，其分類結(jié)果與傳統(tǒng)的最大似然法與現(xiàn)代的人工神經(jīng)網(wǎng)絡(luò)方法分類結(jié)果分別進(jìn)行了精度比較，三者分類結(jié)果如圖6所示。筆者利用混淆矩陣計(jì)算Kappa系數(shù)和總體精度來評定其分類精度。首先在2014年圖像上隨機(jī)選取了260個(gè)驗(yàn)證圖斑；其次采用手持GPS導(dǎo)航找到驗(yàn)證圖斑的實(shí)地位置，并確認(rèn)該圖斑土地類型；最后把確認(rèn)的260個(gè)驗(yàn)證圖斑作為真實(shí)感興趣區(qū)，與相應(yīng)的CART決策樹、最大似然法、人工神經(jīng)網(wǎng)絡(luò)分類結(jié)果分別相比較，并獲得真實(shí)與預(yù)測的混淆矩陣，同時(shí)求出Kappa系數(shù)和總體精度。結(jié)果顯示，CART決策樹的分類總體精度和Kappa系數(shù)最高，分別為87.34%和0.827 2，人工神經(jīng)網(wǎng)絡(luò)次之，分別為85.71%和0.806 0，最大似然法最低，分別為82.27%和0.758 8。分類總體精度是分類器正確分類的像元總數(shù)與總像元數(shù)之比，若總體精度越大，分類器分類精度越高；Kappa系數(shù)是綜合了生產(chǎn)精度和用戶精度的指標(biāo)，若Kappa系數(shù)越大，分類結(jié)果與真實(shí)參考之間差異越小，則分類器分類精度越高。顯然CART決策樹提取沙地信息優(yōu)于最大似然法和人工神經(jīng)網(wǎng)絡(luò)。

3.3 沙漠化信息識別的精度驗(yàn)證

為沙漠化信息自動(dòng)識別精度的驗(yàn)證，從變化檢測-CART決策樹模式的自動(dòng)識別結(jié)果中隨機(jī)選取了1 486個(gè)驗(yàn)證點(diǎn)(圖7d)，采用野外調(diào)查和室內(nèi)目視解譯方法，再結(jié)合地理國情普查數(shù)據(jù)和高空間分辨影像圖，判別當(dāng)前驗(yàn)證點(diǎn)是否沙漠化，如圖7a、圖b、圖c顯示了變化檢測-CART決策樹模式準(zhǔn)確識別沙漠化的狀況。精度驗(yàn)證得知，變化檢測-CART決策樹精度為89.43%(正確識別驗(yàn)證點(diǎn)數(shù)占總驗(yàn)證點(diǎn)數(shù)的百分比)。為進(jìn)一步評定沙漠化信息識別精度的可信程度，在計(jì)算識別精度的基礎(chǔ)上，利用總體比例的區(qū)間估計(jì)方法，在95%置信水平上估計(jì)了當(dāng)前精度的置信區(qū)間(圖8)，結(jié)果表明：隨驗(yàn)證點(diǎn)由100增加到1 486期間，該模式沙漠化信息識別精度為89.43%～93.00%，其置信區(qū)間介于85.90%～98.00%；當(dāng)驗(yàn)證點(diǎn)數(shù)增加到600之后，精度變化變?yōu)榉€(wěn)定，基本在89.51%上下微小浮動(dòng)。綜上可見，變化檢測-CART決策樹模式自動(dòng)識別沙漠化信息精度具有較高的可靠性。

表2 模型風(fēng)險(xiǎn)的評價(jià)結(jié)果

圖6 分類結(jié)果

圖7 沙漠化驗(yàn)證

圖8 沙漠化信息識別精度及其置信區(qū)間

4 結(jié)束語

本文以民勤盆地為試驗(yàn)區(qū)，提出了變化檢測-CART決策樹模式自動(dòng)識別沙漠化信息的方法。它由變化檢測與CART決策分類樹兩部分組成，其中變化檢測的主要作用是自動(dòng)檢測包含沙漠化信息的變化像元，其精度分析顯示：沙漠化和未變化像元的檢測精度分別為87.24% 和98.54%，總體精度為91.92%，可見變化檢測能夠有效分離沙漠化與未變化像元。CART決策樹分類目的是從2014年圖像中自動(dòng)提取沙地信息，其精度分析表明：模型精度為96.90%，分類總體精度為87.34%，Kappa系數(shù)為0.827 2，與最大似然法、人工神經(jīng)網(wǎng)絡(luò)等方法比較得知，CART決策樹分類精度優(yōu)于它們，顯然CART決策樹能夠有效提取沙地信息。在變化檢測與CART決策樹分類的基礎(chǔ)上，利用ENVI波段計(jì)算功能對變化檢測與CART決策樹分類結(jié)果進(jìn)行空間疊置分析，并自動(dòng)識別了沙漠化信息，其精度驗(yàn)證顯示：變化檢測與CART決策樹模式精度為 89.43%～93.00%，其置信區(qū)間介于85.90%～98.00%。顯而易見，變化檢測-CART決策樹模式是識別沙漠化信息的有效方法之一。

變化檢測-CART決策樹模式不僅在精度上具有較高的可信度，而且其他方面亦有突出的優(yōu)勢，如：①與光譜混合分析、基于面向?qū)ο蠓椒ū容^，適用性相對較高，它對數(shù)據(jù)源要求不高，免費(fèi)Landsat衛(wèi)星多光譜遙感數(shù)據(jù)即可，適合大面積沙漠化監(jiān)測，但光譜混合分析和基于面向?qū)ο蠓椒▽b感數(shù)據(jù)的光譜分辨率或空間分辨率具有較高的要求，則大面積沙漠化監(jiān)測必然費(fèi)用昂貴；②使豐富遙感信息充分發(fā)揮了應(yīng)有的作用，而支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、遙感專題指數(shù)、沙漠化監(jiān)測指數(shù)等方法對遙感信息的利用率相對較低；③實(shí)現(xiàn)了計(jì)算機(jī)自動(dòng)識別沙漠化信息，排除了多余信息的干擾，避免了由于解譯人員的主觀性或經(jīng)驗(yàn)的不同而引起的差異和錯(cuò)誤，提高了工作效率，可及時(shí)掌握沙漠化狀況。可見，變化檢測-CART決策樹模式將對沙漠化防治工程具有重要應(yīng)用價(jià)值。

[1] Lamprety H F.Report on the desert encroachment reconnaissance in northen Sudan[R].Khartoum,Sudan National Council for Research, Ministry of Agriculture,1975.

[2] 朱震達(dá).中國沙漠化研究的進(jìn)展[J].中國沙漠,1989,9(1)：1-13.

[3] Reiche M,Funk R,Zhang Z D,et al.Application of satellite remote sensing for mapping wind erosion risk and dust emission-deposition in Inner Mongolia grassland,China[J].Grassland Science,2012,58(1)：8-19.

[4] 王濤,宋翔,顏長珍,等.近35年來中國北方土地沙漠化趨勢的遙感分析[J].中國沙漠,2011,31(6)：1351-1356.

[5] 胡夢珺,田麗慧,張登山,等.遙感與GIS支持下近30年來青海湖環(huán)湖區(qū)土地沙漠化動(dòng)態(tài)變化研究[J].中國沙漠，2012,32(4)：901-909.

[6] Nasem Badreldin·Rudi Goossens.A satellite-based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J].Mitig Adapt Strateg Glob Change,2015,20：263-276.

[7] 孫建國,姜燁,顏長珍,等.利用專題指數(shù)改善沙漠化土地遙感分類精度[J].遙感技術(shù)與應(yīng)用,2013,28(4)：655-658.

[8] Symeonakis E,Drake N.Monitoring desertification and land degradation over sub-saharan africa[J].International Journal of Remote Sensing,2004,25(3)：573-592.

[9] 李寶林,周成虎.東北平原西部沙地沙質(zhì)荒漠化的遙感監(jiān)測研究[J].遙感學(xué)報(bào),2002,6(2)：117-122.

[10]曾永年,向南平,馮兆東,等.Albedo-NDVI特征空間及沙漠化遙感監(jiān)測指數(shù)研究[J].地理科學(xué),2006,26(1)：75-77.

[11] 喬平林,張繼賢,林宗堅(jiān).基于神經(jīng)網(wǎng)絡(luò)的土地荒漠化信息提取方法研究[J].測繪學(xué)報(bào),2004,33(1)：58-62.

[12] 買買提·沙吾提,塔西甫拉提·特依拜,丁建麗,等.BP神經(jīng)網(wǎng)絡(luò)的沙漠化土地信息提取研究[J].干旱區(qū)研究,2008,25(5)：647-652.

[13] Dawellbait M,Morari F.Monitoring desertification in a savannah region in sudan using Landsat images and spectral mixture analysis[J].Journal of Arid Environments,2012,80：45-55.

[14] 李曉松,吳波,范文義,等.基于光譜混合分析的荒漠化信息提取——以毛烏素沙地為例[J].林業(yè)科學(xué)研究,2006,19(2)：192-198.

[15] 賈樹海,韓志根,呂默楠,等.基于決策樹的遼寧省北部沙漠化信息提取研究[J].生態(tài)環(huán)境學(xué)報(bào),2011,20(1)：13-18.

[16] 段英杰,何政偉,王永前,等.基于遙感數(shù)據(jù)的西藏自治區(qū)土地沙漠化監(jiān)測分析研究[J].干旱區(qū)資源與環(huán)境,2014,28(1)：55-61.

[17] 王志波,高志海,王琫瑜,等.基于面向?qū)ο蠓椒ǖ纳郴恋剡b感信息提取技術(shù)研究[J].遙感技術(shù)與應(yīng)用,2012,27(5)：770-777.

[18] 馮益明,鄭冬梅,智長貴,等.面向?qū)ο蟮纳郴恋匦畔⑻崛J].林業(yè)科學(xué),2013,49(1)：126-133.

[19] Qi J,Chehbouni A,Huete R,et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment.1994,48(2)：119-126.

[20] Tucker C J,Justice C O,Prince S D.Monitoring the grasslands of the sahel 1984-1985[J].International Journal of Remote Sensing,1986,7(11)：1571-1581.

[21] Mcfeeters S K.The use of normalized difference water index(NDWI)in the delineation of open water features[J].International Journal of Remote Sensing,1996,17(7)：1425-1432.

[22] 吳宏安,蔣建軍,周杰,等.西安城市擴(kuò)張及其驅(qū)動(dòng)力分析[J].地理學(xué)報(bào), 2005,60(1)：143-150.

[23] Khan N M,Rastoskuev V V.Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J].Agricultural Water Management,2005,77(3)：96-109.

[24] Xiao J,Shen Y,Tateishi R,et al.Development of topsoil grain size index for monitoring desertification in arid land using remote sensing[J].International Journal of Remote Sensing,2006,27(12)：2411-2422.

[25] Liang Shunlin.Narrowband to broadband conversion of land sueface albedo I algorithms[J].Remote Sensing of Environment,2001,76(2)：213-238.

Automatic Recognition of Desertification Information Based on the Pattern of Change Detection-CART Decision Tree

HUANG Xiaojun1, 2, XIE Yaowen1, WEI Jiaojiao1, FU Miao2, LYU Lili1and ZHANG Lingling1

(1.CollegeofEarthandEnvironmentalSciences,LanzhouUniversity,Lanzhou730000,China; 2.CollegeofGeographicalScience,InnerMongoliaNormalUniversity,Huhhot010022,China)

Thedesertificationofremotesensingmonitoringhassomeproblems,suchasvisualinterpretationlimitation,constraintofdatasourceandlowutilizationrateofremotesensinginformation.Basedonthis,takingMinqinbasinasthetestarea,firstly,thispaperdetectsthechangepixeloftwoLandsatimagesin1994and2014,byemployingthemethodsofimagedifference,maximumvaluesynthesisandtwo-dimensionalmaximumbetween-classvariance.Secondly,thedecisiontreeisconstructedbytheclassificationandregressiontree(CART)algorithmthenautomaticallyextractsthesandylandinformationof2014.Finally,spatialoverlayanalyzetheresultsofchangedetectionwithsandylandinformation,andrealizethepatternofautomaticrecognitionondesertificationinformation.Theresearchshowsthattheaccuracyofchangedetection-CARTdecisiontreepatternis89.43%to93%,andtheconfidenceintervalisbetween85.90%and98%at95%confidencelevel,clearlythatthereliabilityofitsaccuracyisrelativelyhigh.Thispatternnotonlycanmakefulluseoftheabundantremotesensinginformationbutalsocanexcludetheinterferenceofredundantinformation.Obviously,thechangedetection-CARTdecisiontreepatternisoneoftheeffectivemethodstoidentifythedesertificationinformation,anditwillhaveimportantapplicationvaluetothedesertificationcontrolproject.

desertification;classificationandregressiontree;regressiontree;changedetection;automaticrecognition

10.3969/j.issn.1000-811X.2017.01.008.]

2016-05-17

2016-07-04

國家自然科學(xué)基金項(xiàng)目(41471163)；蘭州大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(lzujbky-2016-242)

黃曉君(1984-)，男，蒙古族，內(nèi)蒙古興安盟人，講師，主要從事自然災(zāi)害遙感監(jiān)測與預(yù)警研究. E-mail：hxj3s@qq.com

X43；F301

A

1000-811X(2017)01-0036-07

10.3969/j.issn.1000-811X.2017.01.008

黃曉君，頡耀文，衛(wèi)嬌嬌，等. 基于變化檢測-CART決策樹模式自動(dòng)識別沙漠化信息[J]. 災(zāi)害學(xué)，2017，32(1)：36-42. [HUANG Xiaojun，XIE Yaowen，WEI Jiaojiao，et al. Automatic recognition of desertification information based on the pattern of change detection-CART decision tree [J]. Journal of Catastrophology，2017，32(1)：36-42.