楊志貴，張建國，李錦榮，于紅妍，常麗，宜樹華，呂燕燕，張玉琢，孟寶平

（1. 南通大學(xué)脆弱生態(tài)研究所，地理科學(xué)學(xué)院，江蘇 南通 226007；2. 內(nèi)蒙古陰山北麓荒漠草原生態(tài)水文野外科學(xué)觀測研究站，中國水利水電科學(xué)研究院，北京 100038；3. 祁連山國家公園青海服務(wù)保障中心，青海 西寧 810001；4. 蘭州城市學(xué)院城市環(huán)境學(xué)院，甘肅 蘭州 730070）

草地類型是指在草原發(fā)生和發(fā)展規(guī)律的基礎(chǔ)上，結(jié)合草原的自然和經(jīng)濟(jì)特點(diǎn)，對不同生境中的飼用植物群體進(jìn)行抽象類比[1］。草地類型劃分是對具有相似屬性草地的分組或聚類[2-3］，這既是對草地生態(tài)系統(tǒng)的全面、深入的評估，也是對草地生態(tài)系統(tǒng)的科學(xué)開發(fā)、合理利用，能夠為有效保護(hù)草地資源提供科學(xué)的理論依據(jù)，同時還是維持草地生態(tài)系統(tǒng)可持續(xù)發(fā)展的有效方法[4］。為全面了解中國草地資源狀況，“1978-1985 年中國科學(xué)技術(shù)發(fā)展規(guī)劃”決定編制1∶100 萬中國草地資源圖，該圖作為全國草原資源基本圖件，具有較高的生產(chǎn)實用性[5］。然而，傳統(tǒng)的草地資源研究方法多以野外實地調(diào)查為主，以航、衛(wèi)片校核為輔。雖然其精度較高，但費(fèi)時費(fèi)力，成本高，效率低，在大面積區(qū)域調(diào)查中存在著一定的局限性，且對解譯者的專家知識要求較高[6］。中國草地資源圖距今已接近40 年，無法反映最新的草地資源狀況，其時空動態(tài)變化特征亟待更新。

現(xiàn)代遙感技術(shù)的快速發(fā)展為草地資源信息的獲取提供了新的手段，能夠在對草地資源沒有任何破壞的情況下宏觀、快速地監(jiān)測草原的時空變化狀況，為草原管理與決策提供及時準(zhǔn)確的信息[7］。因而在草地類型劃分研究中得到了廣泛的應(yīng)用[8-13］。除遙感數(shù)據(jù)外，草地類型的分布還受地形、氣候、土壤等因素影響，因此在植被分類中，加入此類輔助數(shù)據(jù)可以有效提高遙感分類精度[14-18］。目前衛(wèi)星遙感在土地利用的時空變化研究方面已有大量的研究成果[19-21］，然而，由于缺乏大范圍草地類型實地調(diào)查數(shù)據(jù)，同時現(xiàn)有草地類型分類算法多采用簡單的遙感或?qū)＜覜Q策樹算法，其分類方法簡單、精度較低[12-13］，針對區(qū)域尺度上草原類型空間和時間的動態(tài)變化的研究鮮有報道。

在野外觀測方面，無人機(jī)航拍技術(shù)作為近幾年發(fā)展起來的一種新型的地面測繪技術(shù)，具有體積小、操作簡單、靈活性高、能夠提供大面積、高分辨率圖像等特點(diǎn)，可以快速開展大面積草地資源調(diào)查[13，22-23］。同時，Yi 等[24］還針對我國脆弱生態(tài)帶氣候環(huán)境特點(diǎn)，開發(fā)了一套無人機(jī)航拍系統(tǒng)，能夠?qū)崿F(xiàn)大量監(jiān)測點(diǎn)定位重復(fù)觀測，可為草地資源監(jiān)測提供海量定點(diǎn)監(jiān)測數(shù)據(jù)。在遙感分類算法方面，基于概率統(tǒng)計的機(jī)器學(xué)習(xí)算法由于具有較強(qiáng)的自適應(yīng)性和自學(xué)習(xí)能力，已在遙感植物分類中得到了廣泛的應(yīng)用[25］。目前在遙感植被分類中應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)方法主要有隨機(jī)森林（random forest，RF）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）和支持向量機(jī)（support vector machine，SVM）等[12，14］。

內(nèi)蒙古自治區(qū)位于國際地圈生物圈計劃（international geosphere-biosphere program， IGBP）全球變化研究典型陸地樣帶中國東北陸地樣帶之內(nèi)[26］，草地資源非常豐富，約占我國草原面積的1/4，對維持生態(tài)平衡和區(qū)域發(fā)展起著舉足輕重的作用[27］。然而內(nèi)蒙古是全球變化最敏感的區(qū)域[28］，其生態(tài)環(huán)境非常脆弱，由于土地復(fù)墾、濫墾、過度放牧等原因，內(nèi)蒙古的草場面積不斷縮小，植被覆蓋率不斷下降，土壤侵蝕日趨嚴(yán)重，嚴(yán)重制約我國畜牧業(yè)的可持續(xù)發(fā)展。近30 年來，內(nèi)蒙古地區(qū)氣溫變化速度顯著升高，具有向“干暖化”變化的趨勢[29］。在氣候、人類農(nóng)業(yè)生產(chǎn)活動的共同影響下，內(nèi)蒙古地區(qū)草地類型發(fā)生了經(jīng)度地帶性變化[28］。因此，迫切需要采用先進(jìn)的方法和技術(shù)對內(nèi)蒙古地區(qū)的草地類型開展科學(xué)的研究工作，才能及時準(zhǔn)確地掌握草地資源的時空分布狀況，進(jìn)而更好地適應(yīng)氣候變化，合理利用草地資源，保證農(nóng)牧民的收入穩(wěn)定增長，促進(jìn)內(nèi)蒙古草原地區(qū)的生態(tài)恢復(fù)和經(jīng)濟(jì)可持續(xù)發(fā)展同步增長[30］。

基于上述因素考慮，以內(nèi)蒙古自治區(qū)溫性草原為研究對象，基于2016-2019 年野外無人機(jī)航拍觀測資料和MODIS 遙感植被指數(shù)，結(jié)合氣象數(shù)據(jù)、土壤數(shù)據(jù)和地形資料，對比分析隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)在內(nèi)蒙古溫性草原草地類型分類算法中的分類精度，并以此為依據(jù)，反演2000-2009 年和2010-2019 年兩個時期內(nèi)蒙古溫性草原草地類型，分析近20 年來內(nèi)蒙古溫性草原草地類型時空動態(tài)變化特征，從而為全球氣候變化和人類活動背景下內(nèi)蒙古草地類型的變化研究提供科學(xué)依據(jù)，同時也為內(nèi)蒙古地區(qū)草地可持續(xù)發(fā)展提供理論依據(jù)和技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

內(nèi)蒙古自治區(qū)位于中華人民共和國的北部邊疆，由東北向西南斜伸，呈狹長形。東起126°04′ E，西至97°12′E，東西直線距離約2400 km；南起37°24′ N，北至53°23′ N，南北直線距離1700 km，全區(qū)總面積118.3 萬km2[28］。其中天然草地面積為6.9×105km2，占內(nèi)蒙古地區(qū)總面積的58%[30］，是北方分布最廣泛的自然生態(tài)系統(tǒng)。內(nèi)蒙古地區(qū)地勢較高，平均海拔約1000 m，氣候以溫帶大陸性季風(fēng)氣候為主，年平均氣溫為-5~10 ℃，自東北向西南遞增。降水特征表現(xiàn)為降水量偏低且蒸發(fā)量大，年平均降水量為35~530 mm，自東北向西南方向遞減，年蒸發(fā)量為1200~3200 mm，自東向西遞增。在地理位置和氣候條件的綜合作用下，內(nèi)蒙古草地類型呈地帶性特征，自東南向西北依次為溫性草甸草原、溫性典型草原、溫性荒漠草原、溫性草原化荒漠和溫性荒漠[6］。此外，還有山地草甸、低地草甸和沼澤等草地類型，占整個研究區(qū)總面積比例較小，分布比較零散（圖1）。

圖1 研究區(qū)概況Fig.1 Overview of the study area

1.2 野外觀測

本研究利用大疆御2 變焦版無人機(jī)和大疆“精靈”系列無人機(jī)對內(nèi)蒙古溫性草原進(jìn)行航拍觀測，獲取了大量溫性草原草地類型航拍照片。野外航拍樣地設(shè)置如圖2 所示，每個航拍樣地設(shè)置4 條航線來代表250 m×250 m范圍內(nèi)草地植被信息，包括一個200 m×200 m 的Grid 飛行航線和3 個40 m×40 m 的Belt 飛行航線（圖2a）。每種飛行模式在其觀測范圍內(nèi)均勻布設(shè)16 個航拍點(diǎn)，每個航拍點(diǎn)鏡頭垂直向下對草地航拍一張照片。每條航線設(shè)定后儲存在FragMAP setter 中，以便后期調(diào)用進(jìn)行定點(diǎn)重復(fù)觀測。無人機(jī)的飛行路線由南通大學(xué)脆弱生態(tài)研究所自主研發(fā)的無人機(jī)航拍分析系統(tǒng)FragMAP[31］設(shè)計，Belt 飛行模式使用大疆御2 變焦版無人機(jī)（圖2b），在航高2 m 時的航拍照片覆蓋面積約3.43 m×2.57 m，分辨率為0.09 cm；Grid 飛行模式使用大疆“精靈”系列無人機(jī)（圖2c），在航高20 m 時的航拍照片覆蓋面積約35 m×26 m，一張航拍照片相當(dāng)于傳統(tǒng)觀測調(diào)查中的觀測樣地，且每張航拍照片具有較高的空間分辨率（約0.87 cm），可精確識別草地類型信息。野外觀測主要集中在2016-2019年7-8 月草地生長旺季，依據(jù)草地生長狀況和空間代表性，在研究區(qū)內(nèi)設(shè)置大量250 m×250 m 的野外觀測樣地，兩年共計觀測797 個航拍樣地。

圖2 野外工作點(diǎn)設(shè)置Fig.2 Strategy of field observation and data collection

1.3 航拍照片分類

根據(jù)不同草地類型植被的生活型、優(yōu)勢種和植被覆蓋狀況，將無人機(jī)的航拍影像劃分為草甸草原（meadow steppe， MS）、典型草原（typical steppe， TS）、荒漠化草原（desert steppe， DS）、草原化荒漠（steppe desert， SD）、荒漠（desert， D）5 類（圖3 和表1）[30，32-34］。根據(jù)FragMAP 和照片屬性文件中記錄的GPS 位置信息，利用南通大學(xué)脆弱生態(tài)研究所自主研發(fā)的照片定位軟件DJILocator，對每條航線所有航拍照片進(jìn)行定位和重命名，照片名稱按照航線先后拍攝次序依次命名為1~16。結(jié)合照片的草地類型分類結(jié)果，在GIS 軟件下將同一樣地內(nèi)所有草地類型屬性相同的航拍點(diǎn)轉(zhuǎn)化為面文件，利用ENVI 軟件將矢量文件轉(zhuǎn)換為遙感分類感興區(qū)文件。

表1 不同草地類型植被特征Table 1 Characteristics of different grassland classes in temperate steppe

圖3 內(nèi)蒙古不同草地類型分類依據(jù)Fig.3 Classification criteria for aerial photographs of temperate steppe classes

1.4 遙感數(shù)據(jù)獲取與預(yù)處理

1.4.1 衛(wèi)星遙感資料的獲取與預(yù)處理 研究選取的遙感數(shù)據(jù)集主要包括MOD13Q1 NDVI 和MCD12Q1 兩類。其中MOD13Q1 NDVI 為草地類型分類的主要依據(jù)，作為輸入數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)分類算法；MCD12Q1 數(shù)據(jù)則用來確定內(nèi)蒙古地區(qū)草地空間分布范圍。兩類數(shù)據(jù)均下載于美國地質(zhì)勘探局（United States Geological Survey，USGS）。MOD13Q1 數(shù)據(jù)集為16 d 最大值合成NDVI 植被指數(shù)產(chǎn)品（https：//e4ftl01.cr.usgs.gov/），時間 序 列 為2000-2019 年，空 間 分 辨 率 為250 m，軌 道 號 為h25v03、h25v04、h25v05、h26v03、h26v04、h26v05、h27v04，共計240 景影像。利用MODIS 數(shù)據(jù)重投影工具（MODIS reprojection tools， MRT）對MODIS 數(shù)據(jù)進(jìn)行格式和投影轉(zhuǎn)換。利用Spatial Analyst 工具獲取研究區(qū)內(nèi)2000-2019 年MODIS NDVI 變化特征指標(biāo)，主要包括最大值（maximum）、最小值（minimum）、中值（medium）、均值（mean）、范圍（range）、標(biāo)準(zhǔn)差（standard deviation，std）、總和（sum）等。本研究采用IGBP 全球植被分類方案（LC_Type1，Annual IGBP classification）數(shù)據(jù)集。按照表2 所示歸并方案對該土地利用類型進(jìn)行歸并，并獲取內(nèi)蒙古地區(qū)草地空間分布。

表2 土地覆蓋類型重分類方案Table 2 Scheme of land cover types reclassification

1.4.2 氣象、地形及土壤數(shù)據(jù)的獲取與預(yù)處理 氣象、地形和土壤數(shù)據(jù)集作為提高草地類型分類精度的輔助因子，和遙感植被指數(shù)一樣用于訓(xùn)練機(jī)器學(xué)習(xí)分類算法。土壤數(shù)據(jù)來源于中國科學(xué)院西北生態(tài)環(huán)境資源研究院寒區(qū)旱區(qū)科學(xué)數(shù)據(jù)中心的中國土壤特征數(shù)據(jù)集，該數(shù)據(jù)集的數(shù)據(jù)源為第二次土壤普查的1∶100 萬中國土壤圖和8595 個土壤剖面（http：//globalchange.bnu.edu.cn/research/soil）。年土壤變化特征指標(biāo)主要包括0~30 cm 表層土的粘土含量（clay1），30~100 cm 底土的粘土含量（clay2），0~30 cm 表層土的砂土含量（sand1），30~100 cm 底土的砂土含量（sand2）。本研究使用的數(shù)字高程模型（digital elevation model， DEM）數(shù)據(jù)為V004 版的航天飛機(jī)雷達(dá)地形測繪任務(wù) （shuttle radar topography mission， SRTM）影像，來自國際農(nóng)業(yè)研究磋商小組空間信息聯(lián)盟（The Consultative Group on International Agricultural Research Consortium for Spatial Information， CGIAR-CSI），下載網(wǎng)址為http：//srtm. csi. cgiar. org/，數(shù)據(jù)的空間分辨率為90 m，數(shù)據(jù)格式為Geo-Tiff。在ArcMap 中，利用DEM 數(shù)據(jù)分別計算研究區(qū)的坡度（slope， S）、坡位（topographic position index， TPI）和坡向（aspect， A）等地形要素。氣象數(shù)據(jù)從中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)下載，網(wǎng)址為http：//cdc.cma.gov.cn/，本研究下載了V 3.0 版的內(nèi)蒙古地區(qū)2000-2019 年241 個氣象臺站的年平均氣溫、降水?dāng)?shù)據(jù)。通過薄板樣條插值法（thin plate smoothing spline， ANUSPLIN）插值得到研究區(qū)的氣象數(shù)據(jù)，最后將這些氣象柵格數(shù)據(jù)重采樣到250 m 與MODIS 植被指數(shù)相對應(yīng)，得到2000-2019 年內(nèi)蒙古地區(qū)年均降水量和年均氣溫柵格數(shù)據(jù)[35］。

1.5 草地類型分類及精度驗證

1.5.1 特征變量篩選 在使用1.4 中MODIS NDVI 構(gòu)建分類模型前，為了減少因子間自相關(guān)和信息冗余對模型的運(yùn)行速度和模擬精度的影響，結(jié)合Pearson 相關(guān)系數(shù)和因子重要性指標(biāo)（Importance），對所有因子進(jìn)行篩選。首先，使用六一法交叉驗證的思想和重要性計算函數(shù)，測試每種因子對檢測目標(biāo)的重要性。其次，對所有重要性值>0.1 的因子進(jìn)行Pearson 相關(guān)性分析，對≥0.7 的只保留其中1 個因子[36］，依據(jù)重要性值計算各指標(biāo)累計貢獻(xiàn)度，選取累計貢獻(xiàn)度≥85%的指標(biāo)作為遙感分類數(shù)據(jù)集。重要性計算公式為：

式中：將所有的環(huán)境因素集作為ref 數(shù)據(jù)集，而將單獨(dú)的環(huán)境因素隨機(jī)篩選后的集合作為shuffled 數(shù)據(jù)集，使用兩個集合進(jìn)行預(yù)測，并計算預(yù)測結(jié)果的簡單相關(guān)性，cor pred_ref 表示全部環(huán)境因子預(yù)測結(jié)果，pred_shuffled 表示剔除某一因子后模型預(yù)測結(jié)果。

1.5.2 分類算法 本研究采用的遙感分類算法包括隨機(jī)森林（random forest， RF）、支持向量機(jī)（support vector machine，SVM）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）。RF 算法是由多個決策樹組合而成，可以有效地解決因單一決策樹造成的過擬合和欠擬合問題。RF 分類器中任意兩棵決策樹都是相互獨(dú)立的，當(dāng)有新的測試樣本輸入時，每棵決策樹都會對其進(jìn)行分類，最后采用投票法得出分類結(jié)果[37-38］。SVM 算法是核變換技術(shù)的代表算法之一，是一種具有精度高、運(yùn)算速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)的統(tǒng)計學(xué)習(xí)新算法，其主要思想是通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能[39-40］。ANN 算法是由大量處理單元（神經(jīng)元）連接的網(wǎng)絡(luò)結(jié)構(gòu)，是以模擬人的神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能為基礎(chǔ)而建立的一種信息處理系統(tǒng)，是人腦的某種抽象、簡化和模擬。ANN 的信息處理主要通過神經(jīng)元間的交互作用來完成，知識與信息的儲存則體現(xiàn)在網(wǎng)絡(luò)結(jié)構(gòu)上分布的物理關(guān)聯(lián)上，神經(jīng)元連接權(quán)值的動態(tài)改變則取決于網(wǎng)絡(luò)的學(xué)習(xí)與處理[41-42］。三類分類算法均在Jupyter Notebook 下利用Python 語言實現(xiàn)草地類型分類模型的訓(xùn)練和精度驗證。

1.5.3 精度驗證 在利用1.3 中無人機(jī)觀測草地類型樣本和1.4 中特征變量構(gòu)建草地類型分類模型時，將無人機(jī)觀測草地類型樣本按7∶3 分為兩部分，其中70%的樣本用來訓(xùn)練分類模型，30%的樣本用來驗證模型精度。本研究采用標(biāo)準(zhǔn)混淆矩陣來驗證草地類型分類精度。精度評價指標(biāo)為總體分類精度（overall accuracy，OA）、卡帕系數(shù)（Kappa coefficient，Kappa）、生產(chǎn)者精度（producer accuracy，PA）和用戶精度（user accuracy，UA）。總體分類精度是通過將所有分類正確的驗證點(diǎn)數(shù)量相加，再除以總驗證點(diǎn)數(shù)量得到的；卡帕系數(shù)通過離散多元技術(shù)可進(jìn)行數(shù)據(jù)之間的吻合度測量，考慮到兩組數(shù)據(jù)之間偶然一致性的可能性，利用其反映土地覆蓋產(chǎn)品分類準(zhǔn)確率會更為準(zhǔn)確；生產(chǎn)者精度是一個表明實際地物為i類類別對應(yīng)于數(shù)據(jù)分類結(jié)果為i類型的概率統(tǒng)計量；用戶精度是一個表示數(shù)據(jù)分類結(jié)果為i類型對應(yīng)于實際地物類別也為i類型的概率統(tǒng)計量。其計算公式如下：

式中：r為分類數(shù)量；N為總驗證點(diǎn)數(shù)量；nii為分類正確的驗證點(diǎn)數(shù)量；ni+為同一土地覆蓋類型驗證點(diǎn)數(shù)量；n+i為被分為同一土地覆蓋類型的驗證點(diǎn)數(shù)量。

1.6 動態(tài)變化分析

轉(zhuǎn)移矩陣可定量直觀地反映兩個時期各土地利用類型之間的轉(zhuǎn)移情況，包括轉(zhuǎn)移來源、去向及數(shù)量大小等信息。其最早應(yīng)用于土地利用變化，也可用于分析草地類型變化[43］，具體數(shù)學(xué)表達(dá)形式為：

式中：S為草地類型的面積；n為草地類型總數(shù)；i、j（i，j=1，2，···，n）分別代表轉(zhuǎn)移前與轉(zhuǎn)移后的草地類型；Sij為研究時段初期i類草地至研究末期轉(zhuǎn)為j類草地的面積。轉(zhuǎn)移矩陣的每一行總和表示研究初期該草地類型的面積總數(shù)，每個行值表示該草地類型的轉(zhuǎn)移去向和大??；每一列的總和表示研究末期該草地類型的面積總數(shù)，每個列值則表示該草地類型的所有轉(zhuǎn)入類型及大小。

2 結(jié)果與分析

2.1 航拍照片分類及其指標(biāo)選擇

觀測樣地草地類型識別結(jié)果空間分異特征如圖4 所示，草地類型在研究區(qū)自東向西依次按照草甸草原、典型草原、荒漠化草原、草原化荒漠和荒漠呈規(guī)律性分布。所有觀測樣地中，典型草原和荒漠化草原觀測樣地數(shù)目較大，分別占總樣本數(shù)的33.61% 和24.74%，其余依次為草甸草原（17.53%）、草原化荒漠（12.37%）和荒漠（11.75%）。

圖4 無人機(jī)觀測樣地草地類型識別結(jié)果Fig.4 Results of grassland type identification in UAV observation plot

根據(jù)Pearson 相關(guān)系數(shù)和因子重要性指標(biāo)Importance 計算結(jié)果，2010-2019 年年均MODIS NDVI、氣象、土壤、地形數(shù)據(jù)的重要性值和累計貢獻(xiàn)度如表3 所示。結(jié)果表明，重要性值>3%的指標(biāo)共有15 個，累計貢獻(xiàn)率為79.52%，分別為2010-2019 年年均降水量的最大值、變化范圍、和、標(biāo)準(zhǔn)差及中值；年均NDVI 的均值、和、最大值及中值；年均氣溫的中值、最大值、均值、和及最小值；高程。重要性值為2%~3%的指標(biāo)有2 個，分別為2010-2019 年年均降水量的均值、年均NDVI 的最小值。重要性值<2 的指標(biāo)有12 個，分別為2010-2019 年年均降水量的最小值；年均NDVI 的變化范圍、標(biāo)準(zhǔn)差；年均氣溫的標(biāo)準(zhǔn)差、變化范圍；年均坡度、坡向、坡位；年均表層土的粘土含量、底土的粘土含量、表層土的砂土含量、底土的砂土含量。所有特征指標(biāo)中，前18 個指標(biāo)的累計貢獻(xiàn)率超過85%。

表3 NDVI 特征指數(shù)的重要性和累積貢獻(xiàn)度Table 3 Importance and cumulative contribution of NDVI characteristics indices（%）

2.2 最優(yōu)分類模型精度

結(jié)合2.1 中篩選出來的特征變量和1.3 中草地類型訓(xùn)練樣本，利用RF、SVM 和ANN 分別訓(xùn)練草地類型分類模型（表4）。在3 類分類方法中，基于RF 算法的草地類型分類結(jié)果效果最好，總體分類精度達(dá)82.16%，Kappa 為0.76；其次為SVM，總體分類精度和Kappa 分別為79.81%和0.72；而ANN 分類算法精度最低，總體分類精度和Kappa 分別為77.00% 和0.68。3 種分類方法對荒漠類的識別度均較高，PA 為87.50%~100.00%，UA 為91.18%~93.33%；其次為典型草原，PA 為81.58%~89.27%，UA 為65.22%~81.32%；再次為荒漠化草原、草原化荒漠；而草甸草原分類精度最低，PA 為64.29%~85.00%，UA 為65.71%~80.95%。

表4 基于隨機(jī)森林、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)的內(nèi)蒙古5 個草地類型的精度Table 4 Accuracy of five grasslands based on random forest （RF）， support vector machine （SVM） and artificial neural network（ANN） in Inner Mongolia

基于RF 算法的精度檢驗混淆矩陣如表5 所示，5 類草地類型中，荒漠分類精度最高，PA 和UA 分別為100.00%和93.33%，沒有驗證樣本被誤分；草甸草原PA 為64.29%，UA 在所有草地類型中最低，為77.14%，35.71%的驗證樣本分別被誤分為典型草原；典型草原和草原化荒漠的PA（89.27%，85.71% ）和UA（78.02%，85.71%）相近，6.33%和3.80%的典型草原分別被誤分為草甸草原和荒漠化草原；3.57%、7.14%和3.57%的草原化荒漠分別被誤分為草甸草原、荒漠化草原和荒漠；荒漠化草原的PA 和UA 分別為78.00%和88.64%，4.00%、10.00%和8.00%的驗證樣本分別被誤分為草甸草原、典型草原和草原化荒漠。

表5 基于RF 算法的草地分類混淆矩陣Table 5 The confusion matrix of five grassland classes based on RF algorithma

2.3 內(nèi)蒙古地區(qū)草地類型空間分布

基于2.1 中篩選出的特征指數(shù)和2.2 中構(gòu)建的最優(yōu)草地類型分類算法，分別獲取了2000-2009 年（第Ⅰ期）、2010-2019 年（第Ⅱ期）草地類型空間分布圖（圖5）。就兩期類型圖而言，內(nèi)蒙古溫性草原草地類型自東北向西南呈現(xiàn)較強(qiáng)的地帶性分布，依次為草甸草原、典型草原、荒漠化草原、草原化荒漠以及荒漠。其中，草甸草原主要分布在呼倫貝爾市中部、興安盟北部、錫林郭勒盟東北部等區(qū)域；典型草原主要分布在呼倫貝爾市、錫林郭勒盟東南部、通遼市和赤峰市西部等區(qū)域；荒漠化草原主要分布在內(nèi)蒙古中部地區(qū)，主要包括鄂爾多斯市和錫林郭勒中西部、烏蘭察布市和包頭市北部等區(qū)域；草原化荒漠主要分布在阿拉善盟東南部、鄂爾多斯西北部、巴彥淖爾市中部地區(qū)、烏海市大部分區(qū)域；荒漠主要分布在內(nèi)蒙古西部地區(qū)，主要包括阿拉善盟、巴彥淖爾市西北部。

圖5 基于2000-2009 年、2010-2019 年MODIS NDVI 特征指標(biāo)和RF 算法的內(nèi)蒙古地區(qū)草地類型空間分布Fig. 5 Spatial distribution of grassland types in Inner Mongolia based on MODIS NDVI and RF algorithm from 2000 to 2009 and from 2010 to 2019

就各草地類型面積而言，所有草地類型中荒漠化草原面積最大，約2.40×105~2.93×105km2，占研究區(qū)總面積的21.31%~25.89%；其次依次為典型草原（面積約2.35×105~2.51×105km2，占研究區(qū)總面積的20.74%~22.27%）、荒漠（面積約2.40×105~2.93×105km2，占研究區(qū)總面積的19.27%~19.87%）和草原化荒漠（面積約9.22×104~1.18×105km2，占研究區(qū)總面積的8.20%~10.37%）。所有草地類型中，草甸草原的面積最小，約5.82×104~1.07×105km2，占研究區(qū)總面積的5.12%~9.53%。

2.4 草地類型時空動態(tài)變化特征

結(jié)合2000-2019 年IGBP 全球植被分類數(shù)據(jù)集中的草地面積和20 世紀(jì)80 年代1∶1000000 草地類型圖，綜合分析了內(nèi)蒙古地區(qū)草地類型時空動態(tài)變化狀況。相較于第Ⅰ期草地類型，20 世紀(jì)80 年代草地類型圖中有大量的非草地轉(zhuǎn)換為草地（占研究區(qū)總面積的24.73%），典型草原、荒漠化草原和荒漠之間的轉(zhuǎn)換比較劇烈（圖6 和圖7）。其中，非草地轉(zhuǎn)化為草地區(qū)域主要集中在阿拉善中部和南部地區(qū)，主要轉(zhuǎn)化為典型草原（占研究區(qū)總面積的7.69%）、荒漠化草原（占研究區(qū)總面積的5.91%）和荒漠（占研究區(qū)總面積的5.73%）；約11.82%面積占比的典型草原轉(zhuǎn)化為荒漠化草原（圖7）。

圖7 1980-2019 年內(nèi)蒙古地區(qū)草地類型面積變化Fig.7 Area change of grassland types in Inner Mongolia from 1980 to 2019

就兩期遙感分類結(jié)果而言，草地類型的轉(zhuǎn)換主要發(fā)生在典型草原、荒漠化草原和草原化荒漠之間，幾類草地類型的轉(zhuǎn)化主要發(fā)生在錫林郭勒東北部、興安盟和呼倫貝爾西部地區(qū)（圖6 和圖7）。相較于第Ⅱ期草地類型，第Ⅰ期草地類型中，典型草原轉(zhuǎn)化為草甸草原和荒漠化草原的面積分別占整個研究區(qū)面積的4.38%和2.44%?；哪菰D(zhuǎn)化為典型草原的面積占研究區(qū)總面積的8.51%，草原化荒漠轉(zhuǎn)化為荒漠化草原的面積占研究區(qū)總面積的3.33%（圖7）。

3 討論

3.1 草地類型遙感分類

草地類型的精確劃分是科學(xué)、合理地經(jīng)營、管理、重建及可持續(xù)利用草地資源的重要基礎(chǔ)和依據(jù)，而大量真實可靠的野外觀測則是草地類型遙感分類的基礎(chǔ)。為了節(jié)省野外觀測的成本，草地類型遙感分類的依據(jù)多結(jié)合野外觀測、專家知識和文獻(xiàn)回顧等方式獲取。野外調(diào)查多在樣方（1 m×1 m）、樣地或樣帶尺度下進(jìn)行（約100 m×100 m）[44］。由于中國天然草地面積廣、草地類型組成復(fù)雜，難以在短期內(nèi)完成大范圍的草地資源調(diào)查工作，目前大多數(shù)草地類型遙感分類工作多在小區(qū)域內(nèi)開展案例性研究[45-46］。同時，受不同專家主觀誤差、氣候變化和人類活動的影響，專家知識和文獻(xiàn)回顧等方式獲取的草地類型樣本還存在較大的不確定性[13，47］。

本研究中，基于FragMAP 的無人機(jī)航拍系統(tǒng)被應(yīng)用到草地資源野外觀測中[24，31］。相較于傳統(tǒng)草地資源地面調(diào)查方法，基于無人機(jī)航拍觀測能夠獲取更大范圍觀測樣地，大疆精靈系列無人機(jī)在航高20 m 時的航拍照片覆蓋面積約35 m×26 m[48］，一張航拍照片相當(dāng)于傳統(tǒng)觀測調(diào)查中的觀測樣地。且每張航拍照片具有較高的空間分辨率（約0.87 cm），再配合御2 變焦版2 m 高航拍照片（分辨率0.09 cm，覆蓋范圍3.43 m×2.57 m），可精確識別草地類型信息。此外，無人機(jī)航拍觀測方便、快捷，本研究中Grid 和Belt 航線可以同時進(jìn)行飛行觀測，完成研究中1 個Grid 和3 個Belt 航線的觀測大概只需要15 min[15］，可快速獲取MODIS 植被指數(shù)像元范圍內(nèi)的草地類型信息，有利于開展大范圍草地類型監(jiān)測工作。更重要的是，觀測樣地航拍點(diǎn)、航線信息一旦建立，將會保存在FragMAP Setter 軟件中，以便于下次重復(fù)觀測調(diào)用。測試結(jié)果證明，在20 m 航高時，兩次飛行中航點(diǎn)的位置偏差小于1 m，同一個航點(diǎn)不同飛行的航拍照片能夠很好地重疊，非常適合草地植被資源大范圍、重復(fù)、定點(diǎn)航拍觀測[24，49］。

除了海量精確分類樣本，分類算法和模型輸入變量也對草地類型分類精度具有很大的影響[13］。早期遙感草地類型分類多采用目視解譯和非監(jiān)督分類，其分類的效率和精度難以滿足草地類型分類的要求[44，50］。近年來，機(jī)器學(xué)習(xí)方法憑借其較高的分類精度和強(qiáng)大的數(shù)據(jù)處理能力，被廣泛地應(yīng)用于遙感植被分類研究[12］。本研究結(jié)果顯示，相較于SVM 和ANN 分類算法，RF 分類算法具有較高的分類精度，其OA 較其他分類算法高出2.35%~5.16%，Kappa 高出0.04~0.08。

3.2 基于航拍照片的草地類型分類的限制性

本研究中的野外觀測沿內(nèi)蒙古地區(qū)主要交通路線，每隔10~20 km 設(shè)置一個固定觀測樣地，連續(xù)2 年4 個月的時間完成整個研究區(qū)野外觀測工作，累計觀測樣地797 個。雖然利用FragMap Grid 和Belt 航拍方式，可大幅度提高草地資源外業(yè)調(diào)查的效率，節(jié)約調(diào)查成本和時間，但目前遙感分類樣本草地類型仍然通過航拍照片的人工識別來實現(xiàn)，大量的野外飛行積攢了海量的航拍照片（累計3 萬余張），給后期航拍照片處理和草地類型遙感分類樣本識別帶來巨大的挑戰(zhàn)。一方面，人工識別仍然需要消耗大量的人力和時間；另一方面需要具備較高的植物分類學(xué)知識，且不同的專家識別結(jié)果存在一定的主觀誤差，也會導(dǎo)致遙感分類結(jié)果存在一定的不確定性[44，47］。因此，在接下來的研究中研發(fā)基于航拍照片和深度學(xué)習(xí)算法的草地類型識別系統(tǒng)是非常必要的。

3.3 草地類型時空變化的不確定性

草地類型時空變化分析結(jié)果顯示，20 世紀(jì)80 年代至今的幾十年里，內(nèi)蒙古地區(qū)草地類型空間分布格局發(fā)生了較大的變化（占草地總面積的30.98%）。究其變化原因，一方面，在近30 年氣候和人類活動變遷的作用下，內(nèi)蒙古地區(qū)草地類型發(fā)生了巨大的變化；另一方面本研究分類所采用的草地覆蓋范圍來自MCD12Q1，盡管利用無人機(jī)調(diào)查數(shù)據(jù)算出的草地范圍精度為96.91%，但20 世紀(jì)80 年代草地類型覆蓋范圍來自實地調(diào)查，兩者存在較大的差異。此外，本研究分類模型的總體精度為82.16%，自身還存在一定的誤差和不足。

4 結(jié)論

基于2000-2019 年草地年季MODIS 植被指數(shù)、氣象數(shù)據(jù)、土壤數(shù)據(jù)、高程數(shù)據(jù)和無人機(jī)航拍資料，本研究對比分析了3 類機(jī)器學(xué)習(xí)分類模型分類精度，獲取最優(yōu)分類算法。在此基礎(chǔ)上，獲取了內(nèi)蒙古地區(qū)2000-2009 年、2010-2019 年的草甸草原、典型草原、荒漠化草原、草原化荒漠以及荒漠的空間分布，并分析了草地類型時空動態(tài)變化特征。結(jié)果表明：1）所有遙感分類特征指標(biāo)中，對草地類型分類累計貢獻(xiàn)率≥85%的特征指標(biāo)有18 個，其中降水量的最大值、變化范圍、標(biāo)準(zhǔn)差，NDVI 的總和、均值、最大值，氣溫的中值、最大值、均值對內(nèi)蒙古地區(qū)草地類型重要性值較高。2）3 類分類模型中，RF 模型區(qū)分內(nèi)蒙古地區(qū)荒漠、草原化荒漠、荒漠化草原、典型草原、草甸草原5 類草地類型效果最好（OA 為82.16%， Kappa 為0.76）。3）20 年間，草甸草原面積和典型草原面積總體呈增加的趨勢，草原化荒漠面積基本保持穩(wěn)定，空間上呈自東向西擴(kuò)展的趨勢；荒漠化草原和荒漠面積變化總體輕度減少。