丁相元， 高志海， 孫斌， 吳俊君， 薛傳平， 王燕

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091； 2.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101)

基于高分一號(hào)時(shí)間序列數(shù)據(jù)的沙化土地分類(lèi)

丁相元1， 高志海1， 孫斌1， 吳俊君2， 薛傳平1， 王燕1

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091； 2.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101)

以高分一號(hào)(GF-1) 16 m空間分辨率多光譜影像為數(shù)據(jù)源，對(duì)沙化土地類(lèi)型的光譜特征以及其全年的NDVI變化特征進(jìn)行了分析，發(fā)現(xiàn)時(shí)間序列數(shù)據(jù)變化信息可提高沙化土地類(lèi)別之間的可分離度。對(duì)單一時(shí)相影像的分類(lèi)結(jié)果和加入時(shí)間序列NDVI之后的分類(lèi)結(jié)果進(jìn)行了對(duì)比分析，結(jié)果表明，基于生長(zhǎng)季單一時(shí)相原始影像的分類(lèi)結(jié)果精度為73.34%，Kappa系數(shù)為0.7； 非生長(zhǎng)季單一影像與NDVI時(shí)間序列數(shù)據(jù)的分類(lèi)結(jié)果總體精度為81.44%，Kappa系數(shù)為0.77； 生長(zhǎng)季單一時(shí)相影像并加入NDVI時(shí)間序列數(shù)據(jù)之后精度提高到了92.04%，Kappa系數(shù)達(dá)0.87，明顯改善了對(duì)沙化土地類(lèi)型的識(shí)別精度。表明單時(shí)相影像結(jié)合時(shí)間序列 NDVI數(shù)據(jù)在沙化土地分類(lèi)識(shí)別中有巨大的應(yīng)用潛力。

GF-1影像； 時(shí)間序列NDVI； 沙化土地； 應(yīng)用潛力

0 引言

我國(guó)是受土地沙化危害最嚴(yán)重的國(guó)家之一，防沙治沙形勢(shì)十分嚴(yán)峻。在干旱、半干旱及部分半濕潤(rùn)地區(qū)，由于不合理的人類(lèi)活動(dòng)與脆弱的生態(tài)環(huán)境相互作用，造成土地生產(chǎn)力下降、土地資源喪失、地表呈現(xiàn)類(lèi)似沙漠景觀的土地退化。自1994年起，我國(guó)已經(jīng)完成了5期全國(guó)范圍的荒漠化和沙化土地監(jiān)測(cè)工作，每5 a一次。截止2009年底，我國(guó)沙化土地面積為173.11萬(wàn)km2[1-2]。了解和掌握我國(guó)沙化土地的分布狀態(tài)和變化過(guò)程對(duì)土地沙化防治具有十分重要的作用。

隨著遙感技術(shù)的不斷發(fā)展，近年來(lái)，越來(lái)越多的遙感分類(lèi)方法開(kāi)始應(yīng)用到沙化土地分類(lèi)中，克服了傳統(tǒng)目視解譯和實(shí)地調(diào)查費(fèi)時(shí)費(fèi)力的缺點(diǎn)，取得了較好的效果，采用的方法主要有監(jiān)督分類(lèi)、非監(jiān)督分類(lèi)、面向?qū)ο笠约肮庾V混合分析法等[3-6]。但是，這些研究都是利用單時(shí)相的影像提取特征并分類(lèi)，而沙化土地受植被覆蓋的影響很大，不同的季節(jié)，不同沙化土地類(lèi)型地表植被的變化不同[3]，因此，僅利用單時(shí)相影像進(jìn)行分類(lèi)，其結(jié)果有很大的不確定性。近年來(lái)，基于時(shí)間序列數(shù)據(jù)的分類(lèi)方法已被廣泛應(yīng)用到土地覆蓋分類(lèi)中[7-10]，它能很好地表征地表植被的物候和生長(zhǎng)變化情況[11]，但將其應(yīng)用到沙化土地分類(lèi)的研究卻很少。國(guó)產(chǎn)高分一號(hào)(GF-1)衛(wèi)星的發(fā)射，標(biāo)志著我國(guó)的遙感技術(shù)進(jìn)入了一個(gè)全新的階段，其具備高空間分辨率、高時(shí)間分辨率的觀測(cè)能力，特別是其16 m空間分辨率CCD數(shù)據(jù)，重訪周期4 d，具有800 km寬幅，為大區(qū)域的高分辨率時(shí)間序列數(shù)據(jù)的獲取和應(yīng)用提供了可能。

本文利用GF-1衛(wèi)星時(shí)間序列數(shù)據(jù)研究沙化土地分類(lèi)識(shí)別技術(shù)，驗(yàn)證時(shí)間序列數(shù)據(jù)在沙化土地分類(lèi)識(shí)別中的適用性與應(yīng)用潛力，有利于國(guó)產(chǎn)高分?jǐn)?shù)據(jù)的應(yīng)用推廣，也可以為土地沙化分類(lèi)提供一種新方法。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

以?xún)?nèi)蒙古錫林郭勒盟正藍(lán)旗為研究區(qū)，該區(qū)位于N41°56′～43°11′，E115°00′～116°42′之間。其北部屬我國(guó)四大沙地之一的渾善達(dá)克沙地腹地，地表大部分被固定沙地、半固定沙地及流動(dòng)沙地覆蓋，呈現(xiàn)出沙地草原特征； 南部以典型草原為主，并分布著一些農(nóng)田。該區(qū)平均海拔1 300 m，地勢(shì)整體西南高，東北低，屬中溫帶大陸性氣候區(qū)，氣溫偏低，空氣干燥，年平均降雨量365.1 mm，常年風(fēng)大。渾善達(dá)克沙地土質(zhì)特殊，植被分布呈現(xiàn)出典型的稀疏喬木、灌木、草本共生體系[12]。該區(qū)距離北京、天津較近，是京津冀等沙塵暴的重要源地，因而沙化土地的治理具有重要意義。

1.2 數(shù)據(jù)源及預(yù)處理

1.2.1 數(shù)據(jù)源

GF-1衛(wèi)星同時(shí)具有高空間和高時(shí)間分辨率的特點(diǎn)，是國(guó)家高分重大專(zhuān)項(xiàng)下發(fā)射的第一顆民用衛(wèi)星。它的成功發(fā)射對(duì)于推動(dòng)我國(guó)衛(wèi)星工程水平的提升，提高我國(guó)高分辨率數(shù)據(jù)的自給率具有重大戰(zhàn)略意義。本研究共用到覆蓋研究區(qū)的GF-1 16 m分辨率多光譜遙感數(shù)據(jù)24景，成像時(shí)間為2014年，影像質(zhì)量好，云量少，而且保證了每月至少有1期影像。GF-1衛(wèi)星遙感影像具體參數(shù)與數(shù)據(jù)獲取情況見(jiàn)表1和表2。

表1 GF-1衛(wèi)星傳感器參數(shù)

表2 研究區(qū)GF-1數(shù)據(jù)獲取情況

1.2.2 數(shù)據(jù)預(yù)處理

首先對(duì)影像進(jìn)行了輻射定標(biāo)和大氣校正，去除了大氣以及傳感器的影響，獲得了地表的反射率數(shù)據(jù)； 為了使影像滿(mǎn)足構(gòu)建時(shí)間序列數(shù)據(jù)的精度要求，還以高精度正射校正后的ZY-3衛(wèi)星影像為基準(zhǔn)影像，對(duì)GF-1影像進(jìn)行幾何精糾正，并控制誤差在1個(gè)像元以?xún)?nèi)； 最后利用研究區(qū)的邊界進(jìn)行裁切等處理。

1.2.3 樣地?cái)?shù)據(jù)

本研究利用課題組2013—2015年間在研究區(qū)地面詳查中采集的198個(gè)土地利用類(lèi)型樣本數(shù)據(jù)，對(duì)分類(lèi)結(jié)果進(jìn)行了驗(yàn)證。將樣本分成2部分，101個(gè)樣本點(diǎn)作為訓(xùn)練樣本，另外97個(gè)作為驗(yàn)證樣本。由于水體特征明顯，因此還采用人工勾繪方法添加了水體訓(xùn)練樣本13個(gè)，驗(yàn)證樣本15個(gè)，具體類(lèi)別分配情況如表3所示。

表3 樣本分配情況

2 研究方法

2.1 沙化土地分類(lèi)系統(tǒng)

參考國(guó)家林業(yè)局制定的《沙化土地監(jiān)測(cè)技術(shù)規(guī)程(GB/T 24255—2009)》和《全國(guó)荒漠化和沙化監(jiān)測(cè)技術(shù)規(guī)定》確定沙化土地類(lèi)型[13-14]。沙地類(lèi)型可分為流動(dòng)沙地、半固定沙地、固定沙地、露沙地、沙化耕地、風(fēng)蝕殘丘、風(fēng)蝕劣地、戈壁和非生物工程治沙地等。根據(jù)研究區(qū)的土地利用和沙化特點(diǎn)，將研究區(qū)土地覆蓋類(lèi)型劃分為流動(dòng)沙地、半固定沙地、固定沙地、農(nóng)田、草地、濕地、鹽堿地和水體，最后對(duì)非沙化土地進(jìn)行了合并。

2.2 光譜特征與時(shí)間序列NDVI數(shù)據(jù)變化分析

2.2.1 時(shí)間序列NDVI數(shù)據(jù)計(jì)算

歸一化植被指數(shù)(normalized difference vegetation index，NDVI)是目前應(yīng)用最廣泛的植被指數(shù)[15-16]，而時(shí)間序列數(shù)據(jù)能夠充分利用地表的物候變化情況。因此，本文利用GF-1預(yù)處理后得到的地表反射率數(shù)據(jù)進(jìn)行時(shí)間序列NDVI進(jìn)行計(jì)算與分析，以期提高沙化土地類(lèi)型識(shí)別的精度，即

(1)

式中：RNIR為近紅外波段的反射率；Rred為紅光波段的反射率。

2.2.2 特征分析

為了更好地分析時(shí)間序列數(shù)據(jù)區(qū)分沙地類(lèi)型的可行性，分別對(duì)比了不同沙化土地類(lèi)型的光譜特征變化以及不同沙化土地類(lèi)型時(shí)間序列NDVI數(shù)據(jù)的變化趨勢(shì)，通過(guò)計(jì)算不同類(lèi)型間的J-M距離，進(jìn)行可分離性分析。J-M距離值的大小代表樣本之間的可分離程度，其值處于[0，2]之間，當(dāng)它的值處于[0，1)之間時(shí)表示樣本間光譜可分性差； 處于[1.0，1.9)之間則表示樣本間具有一定的光譜可分性，但存在較大程度的重疊； 處于[1.9，2.0]之間則表示樣本間具有很好的光譜可分性[17]。J-M距離計(jì)算公式為[18]

(2)

式中：Jij為所求的J-M距離；p(X/wi)和p(X/wj)為第i，j個(gè)像元屬于第wi,wj的概率。

2.3 沙化土地分類(lèi)

研究采用的分類(lèi)方法為支持向量機(jī)法(support vector machine，SVM)。該方法以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，利用學(xué)習(xí)算法尋找有較大區(qū)分能力的分類(lèi)支持向量，構(gòu)造出分類(lèi)器，有著較好的泛化能力和較高的分類(lèi)精度[19]。分類(lèi)的主要步驟為： ①選取2014年7月份生長(zhǎng)旺季的GF-1反射率影像為輸入數(shù)據(jù)進(jìn)行沙化土地分類(lèi)； ②選取2014年3月份非生長(zhǎng)季的反射率影像和全年時(shí)間序列NDVI數(shù)據(jù)相結(jié)合作為輸入數(shù)據(jù)進(jìn)行沙化土地分類(lèi)； ③將生長(zhǎng)季的反射率影像和全年時(shí)間序列NDVI數(shù)據(jù)相結(jié)合作為輸入數(shù)據(jù)進(jìn)行沙化土地分類(lèi)； ④對(duì)3種結(jié)果進(jìn)行精度驗(yàn)證和對(duì)比分析。

2.4 精度評(píng)價(jià)

為了驗(yàn)證時(shí)間序列NDVI數(shù)據(jù)參與沙化土地分類(lèi)的應(yīng)用潛力，選用Kappa系數(shù)和總體分類(lèi)精度、用戶(hù)精度、制圖精度進(jìn)行精度評(píng)價(jià)?？傮w分類(lèi)精度表示所有樣本中被正確分類(lèi)的樣本比例，即被正確分類(lèi)的像元總數(shù)除以總像元數(shù)。用戶(hù)精度表示在被分為第i類(lèi)的所有樣本中，其實(shí)測(cè)類(lèi)型確實(shí)也為第i類(lèi)的樣本所占的比例。Kappa系數(shù)能夠表征分類(lèi)結(jié)果與數(shù)據(jù)的吻合度，利用多元離散分析方法，使誤差矩陣中的所有因素參與評(píng)價(jià)，更加準(zhǔn)確地反映了整體的分類(lèi)精度。

3 結(jié)果與分析

3.1 不同沙化和非沙化土地類(lèi)型光譜特征分析

從不同沙化土地和非沙化土地類(lèi)型的光譜特征看(圖1)，農(nóng)田、濕地由于水分條件能夠得到滿(mǎn)足，具有明顯的植被特征，但兩者除了第4波段區(qū)別較大外，其他波段的相似度較高； 而對(duì)于草地、固定沙地和半固定沙地而言，3者的光譜曲線形狀相似，但由于受沙物質(zhì)背景反射的影響，固定沙地和半固定沙地的光譜反射率比草地要高； 水體與其他類(lèi)型的光譜可分性較好。

圖1 不同類(lèi)型土地光譜反射特征變化

為了評(píng)價(jià)各類(lèi)型間的可分離程度，計(jì)算了各類(lèi)型間的J-M距離。從原始光譜的J-M距離值看(表4)，固定沙地、半固定沙地和草地間的J-M距離較小，僅為1.574和1.557 2，說(shuō)明可分性較差； 流動(dòng)沙地和半固定沙地的J-M距離為1.703 2，雖然具有一定的可分性，但存在很大的重疊； 而濕地和農(nóng)田的J-M距離也很低，僅為1.509 6，因此，若只用單時(shí)相影像進(jìn)行沙化土地分類(lèi)其精度很難達(dá)到預(yù)期效果。

表4 生長(zhǎng)季原始波段反射率計(jì)算獲得的各類(lèi)型土地間J-M距離

3.2 不同沙化和非沙化土地類(lèi)型時(shí)間序列NDVI 數(shù)據(jù)變化特征分析

為了驗(yàn)證時(shí)間序列NDVI數(shù)據(jù)是否有利于區(qū)分不同沙化和非沙化土地類(lèi)型，對(duì)其年度變化特征進(jìn)行了分析，結(jié)果見(jiàn)圖2。

圖2 不同類(lèi)型土地NDVI變化特征

由圖2可知，對(duì)于農(nóng)田而言，5月份以后其N(xiāo)DVI迅速增長(zhǎng)，8月份以后開(kāi)始迅速下降，這與其他地類(lèi)有很大的差別； 濕地的NDVI從4月份開(kāi)始迅速增加，到7月份達(dá)到峰值，然后開(kāi)始下降，與其他地類(lèi)的變化差異也較大； 而固定沙地的NDVI值雖然也是從4月份開(kāi)始增加，但相對(duì)于濕地來(lái)說(shuō)，增長(zhǎng)速度較慢，同時(shí)5月份以前的增長(zhǎng)速度也比草地的增長(zhǎng)速度慢，5—6月份之間的增長(zhǎng)速度比草地快，到6月份時(shí)草地和固定沙地的NDVI值均達(dá)到峰值，6—8月份二者的NDVI值處于平穩(wěn)狀態(tài)，8月份以后開(kāi)始逐漸減少，二者在5月份和6月份具有一定可分性，這與草地和固定沙地的植被類(lèi)型組成差異有關(guān)； 半固定沙地的NDVI值相對(duì)于農(nóng)田、濕地、草地和固定沙地低，增長(zhǎng)速度也慢，與這些類(lèi)型的區(qū)別比較明顯； 流動(dòng)沙地和鹽堿地的NDVI值全年都比較低，波動(dòng)變化不大； 水體的NDVI值總體最小，很容易區(qū)分。因此，從時(shí)間序列NDVI數(shù)據(jù)變化曲線看，沙地類(lèi)型(固定沙地、半固定沙地和流動(dòng)沙地)與其他類(lèi)型的變化趨勢(shì)差異大，沙地內(nèi)部類(lèi)型固定沙地、半固定沙地和流動(dòng)沙地NDVI曲線的差異也較大，這可以彌補(bǔ)原始光譜在區(qū)分上述類(lèi)型時(shí)可分性差的不足。

研究中選取了7月份(生長(zhǎng)季)和3月份(非生長(zhǎng)季)2期影像分別與時(shí)間序列NDVI數(shù)據(jù)相結(jié)合，計(jì)算其J-M距離進(jìn)行分析，結(jié)果如表5所示。

表5 不同季節(jié)原始波段與時(shí)間序列數(shù)據(jù)結(jié)合下不同地類(lèi)間的J-M距離

3.3 分類(lèi)結(jié)果與精度評(píng)價(jià)

采用SVM法對(duì)研究區(qū)沙化土地進(jìn)行了分類(lèi)。利用外業(yè)調(diào)查的樣地?cái)?shù)據(jù)對(duì)3種分類(lèi)的結(jié)果進(jìn)行了精度驗(yàn)證，結(jié)果如表6所示。由分類(lèi)精度表可以看出，利用生長(zhǎng)季單一時(shí)相原始影像的分類(lèi)結(jié)果中，固定沙地的制圖精度和用戶(hù)精度均在70%以下； 半固定沙地的制圖精度和用戶(hù)精度平均為60.4%； 流動(dòng)沙地的精度在70%以上，總體精度為73.34%，Kappa系數(shù)為0.70，精度較低； 非生長(zhǎng)季原始影像結(jié)合時(shí)間序列數(shù)據(jù)分類(lèi)結(jié)果相對(duì)于生長(zhǎng)季的結(jié)果有所提高，但是半固定沙地的用戶(hù)精度和制圖精度相差仍然較大； 將生長(zhǎng)季原始影像與時(shí)間序列數(shù)據(jù)結(jié)合后，相對(duì)前兩者各精度大幅提高，結(jié)果得到了明顯改善。

表6 分類(lèi)精度評(píng)價(jià)表

由J-M距離表可以看出，2期影像加入時(shí)間序列NDVI數(shù)據(jù)后，相對(duì)于生長(zhǎng)季單一時(shí)相數(shù)據(jù)而言，各類(lèi)別之間的J-M距離都有所提高，進(jìn)一步說(shuō)明了加入時(shí)間序列NDVI數(shù)據(jù)后，可以有效提高沙化土地類(lèi)型與其他土地類(lèi)型的可分性。總體來(lái)看，生長(zhǎng)季原始波段與時(shí)間序列數(shù)據(jù)結(jié)合后，沙化土地類(lèi)型之間可分性最高，非生長(zhǎng)季與全年時(shí)間序列數(shù)據(jù)結(jié)合后各類(lèi)別可分性也有所提高。

圖3為全旗分類(lèi)結(jié)果圖，圖4為局部放大圖。

(a) 生長(zhǎng)季原始波段分類(lèi)結(jié)果 (b) 非生長(zhǎng)季原始波段加時(shí)間序列 (c) 生長(zhǎng)季原始波段加時(shí)間序列NDVI數(shù)據(jù)分類(lèi)結(jié)果 NDVI數(shù)據(jù)分類(lèi)結(jié)果

圖3正藍(lán)旗沙化土地分類(lèi)結(jié)果圖

Fig.3Blueflagdesertificationlanddistribution

(a) 生長(zhǎng)季原始光譜影像(b) 生長(zhǎng)季原始光譜分類(lèi) (c) 非生長(zhǎng)季結(jié)合時(shí)間序列 (d) 生長(zhǎng)季結(jié)合時(shí)間序列數(shù)據(jù)NDVI分類(lèi)結(jié)果 數(shù)據(jù)NDVI分類(lèi)結(jié)果

圖4分類(lèi)結(jié)果局部放大圖

Fig.4Partialenlargementclassificationresults

圖3(a)(b)的分類(lèi)結(jié)果中，南部地區(qū)有很大一部分地區(qū)被分成了固定沙地。從圖4看，利用生長(zhǎng)季原始波段分類(lèi)的結(jié)果中，固定沙地和半固定沙地的混分嚴(yán)重，部分固定沙地被分成了半固定沙地，流動(dòng)沙地的邊界也較模糊； 相對(duì)而言，加入NDVI時(shí)間序列數(shù)據(jù)的分類(lèi)結(jié)果中，固定沙地和半固定沙地得以很好地區(qū)分，流動(dòng)沙地的邊界也更加清晰，結(jié)果更合理。其中，生長(zhǎng)季與全年NDVI時(shí)間序列數(shù)據(jù)結(jié)合下的分類(lèi)結(jié)果精度最高，主要原因是加入NDVI時(shí)間序列數(shù)據(jù)后，使地表全年的物候信息得到充分利用，結(jié)果更精確。

3.4 正藍(lán)旗沙化土地現(xiàn)狀與空間分布特征

根據(jù)圖3(c)的分類(lèi)結(jié)果對(duì)研究區(qū)各類(lèi)沙化土地面積進(jìn)行統(tǒng)計(jì)分析結(jié)果見(jiàn)表7。2014年正藍(lán)旗沙化土地總面積為5 213.25 km2，占正藍(lán)旗總面積的50.70%，雖然正藍(lán)旗的沙化土地面積大，以固定沙地為主，生態(tài)環(huán)境處良好狀態(tài)。從各類(lèi)沙地的空間分布看(圖5)，正藍(lán)旗的沙地主要分布于北部地區(qū)，這與實(shí)地調(diào)查得到的分布情況基本一致。

表7 2014年正藍(lán)旗沙化土地面積

4 結(jié)論

本文提出了利用高分辨率單時(shí)相原始遙感影像和時(shí)間序列NDVI數(shù)據(jù)結(jié)合進(jìn)行沙化土地遙感分類(lèi)的新思路。基于GF-1 16 m空間分辨率遙感影像進(jìn)行沙化土地信息分類(lèi)提取的研究結(jié)果，可得到以下結(jié)論：

1)時(shí)間序列NDVI數(shù)據(jù)能夠充分地利用沙化土地的全年變化信息，表征各類(lèi)沙化土地的植被變化情況，與單時(shí)相遙感影像結(jié)合后更有利于沙化土地的準(zhǔn)確分類(lèi)。

2)單時(shí)相遙感影像與時(shí)間序列NDVI數(shù)據(jù)結(jié)合進(jìn)行沙化土地分類(lèi)，其總體精度可達(dá)92.04%，Kappa系數(shù)達(dá)到0.87，與僅用生長(zhǎng)季單一時(shí)相遙感影像分類(lèi)相比，分類(lèi)精度大大提高； 生長(zhǎng)季與時(shí)間序列NDVI數(shù)據(jù)相結(jié)合的分類(lèi)精度高于非生長(zhǎng)季與時(shí)間序列NDVI數(shù)據(jù)相結(jié)合的分類(lèi)精度。

3)正藍(lán)旗的沙化土地面積占全旗面積的一半以上，主要以固定沙地為主，沙地生態(tài)處于良好狀態(tài)，為當(dāng)?shù)厣鐣?huì)經(jīng)濟(jì)的發(fā)展奠定了良好的生態(tài)環(huán)境基礎(chǔ)。

4)結(jié)合GF-1時(shí)間序列數(shù)據(jù)進(jìn)行沙化土地分類(lèi)也具有一定的不足和不確定性，有待進(jìn)一步的改進(jìn)。雖然GF-1號(hào)數(shù)據(jù)具有高時(shí)間分辨率的特征，但是對(duì)于大區(qū)域而言，獲得較完整的時(shí)間序列數(shù)據(jù)仍有一定的困難，隨著高分系列衛(wèi)星的繼續(xù)發(fā)射，該問(wèn)題可以得到有效的緩解。正藍(lán)旗為典型半干旱區(qū)，其主要的沙化土地類(lèi)型為固定沙地、半固定沙地和流動(dòng)沙地，缺少干旱區(qū)其他常見(jiàn)的風(fēng)蝕殘丘、風(fēng)蝕劣地及戈壁等類(lèi)型，這些類(lèi)型季節(jié)性變化小，因此結(jié)合紋理特征與時(shí)間序列數(shù)據(jù)對(duì)這些類(lèi)型區(qū)分將是后續(xù)的研究重點(diǎn)。

[1] 國(guó)家林業(yè)局.中國(guó)荒漠化和沙化狀況公報(bào)[R].北京:國(guó)家林業(yè)局,2011. State Forestry Administration.A Bulletin of Status Quo of Desertification and Sandification in China[R].Beijing:State Forestry Administration,2011.

[2] 林進(jìn),周衛(wèi)東.中國(guó)荒漠化監(jiān)測(cè)技術(shù)綜述[J].世界林業(yè)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] 王曉慧,李增元,高志海.沙化土地遙感監(jiān)測(cè)研究現(xiàn)狀[J].林業(yè)科學(xué),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] 龍晶.沙化土地遙感評(píng)價(jià)方法[J].國(guó)土資源遙感,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?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. 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] 李曉琴,張振德,張佩民.格爾木土地荒漠化遙感動(dòng)態(tài)監(jiān)測(cè)研究[J].國(guó)土資源遙感,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,馬鵬,聶愛(ài)華,等.基于時(shí)間序列HJ-1/CCD數(shù)據(jù)的土地覆蓋分類(lèi)方法[J].中國(guó)科學(xué)(地球科學(xué)),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] 張煥雪,曹新,李強(qiáng)子,等.基于多時(shí)相環(huán)境星NDVI時(shí)間序列的農(nóng)作物分類(lèi)研究[J].遙感技術(shù)與應(yīng)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] 賈明明,任春穎,劉殿偉,等.基于環(huán)境星與MODIS時(shí)序數(shù)據(jù)的面向?qū)ο笊种脖环诸?lèi)[J].生態(tài)學(xué)報(bào),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]朱滿(mǎn),胡光宇,于之峰.基于融合NDVI和EVI時(shí)間序列的遙感影像分類(lèi)研究[J].遙感信息,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]楊閆君,占玉林,田慶久,等.基于GF-1/WFV NDVI時(shí)間序列數(shù)據(jù)的作物分類(lèi)[J].農(nóng)業(yè)工程學(xué)報(bào),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]劉樹(shù)林,王濤.渾善達(dá)克沙地的土地沙漠化過(guò)程研究[J].中國(guó)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]中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局,中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì).GB/T 24255—2009沙化土地監(jiān)測(cè)技術(shù)規(guī)程[S].北京:中國(guó)標(biāo)準(zhǔn)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]全國(guó)荒漠化和沙化監(jiān)測(cè)技術(shù)規(guī)定[R].國(guó)家林業(yè)局,2009. The National Desertification and Desertification Monitoring Technology[R].State Forestry Administration,2009.

[15]李曉松,李增元,高志海,等.基于NDVI與偏最小二乘回歸的荒漠化地區(qū)植被覆蓋度高光譜遙感估測(cè)[J].中國(guó)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]李長(zhǎng)龍,高志海,吳俊君,等.基于分形網(wǎng)絡(luò)進(jìn)化分割和對(duì)象特征提取的GF-1衛(wèi)星數(shù)據(jù)沙化土地分類(lèi)識(shí)別研究[J].干旱區(qū)資源與環(huán)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]童慶禧,張兵,鄭蘭芬.高光譜遙感——原理、技術(shù)與應(yīng)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,鄧寶昆,徐紅勤,等.地震型滑坡災(zāi)害遙感快速識(shí)別方法研究[J].遙感信息,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.

(責(zé)任編輯：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，孫斌，等.基于高分一號(hào)時(shí)間序列數(shù)據(jù)的沙化土地分類(lèi)[J].國(guó)土資源遙感，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

國(guó)家高分辨率對(duì)地觀測(cè)重大專(zhuān)項(xiàng)“高分林業(yè)遙感應(yīng)用示范系統(tǒng)(一期)”(編號(hào)： 21-Y30B05-9001-13/15)。

丁相元(1990-)，男，碩士研究生，主要從事荒漠化遙感監(jiān)測(cè)與評(píng)價(jià)的應(yīng)用研究。Email： dxy4201@126.com。

高志海(1963-)，男，研究員，主要從事土地退化(荒漠化)遙感評(píng)價(jià)與防治方面的研究工作。Email: zhgao@caf.ac.cn。

TP 79

： A

： 1001-070X(2017)03-0196-07