基于RS和GPS的草原荒漠化监测与重建

王雅澜 赵占骜 韩玉婷 徐梦遥

摘 要：通过混合像元分析法提取阿坝州贾洛乡1994年和2000年两期多光谱影像遥感信息，对该地区土地荒漠化及植被反增长程度进行分析，划分出土地荒漠化区、植被反增长区以及稳定区三个区域，结合GPS，针对各区域荒漠化的不同程度设计自动化重建方案。结果指出该地区总体上草地荒漠化趋势强于植被反增长，重度和中度土地荒漠化面积达到总面积的87.5%，中度和轻度植被反增长面积达到总面积的98.7%；土地荒漠化区位于西北部，植被增长区零散分布于东北部和西部。

关键词：混合像元分析法；全球定位系统；荒漠化；自动化重建

中图分类号：S812.6 文献标志码：A 文章编号：2095-2945（2019）01-0055-04

Abstract： through analysis of mixed pixels， extract the aba jallow township in 1994 and 2000， two multispectral imaging remote sensing information， the degree of land desertification and vegetation the growth in the region were analyzed， and divided the land desertification area， vegetation growth zone and region 3 area， combining with GPS， according to the regional desertification degree of different design automation reconstruction scheme. The results showed that the trend of grassland desertification was stronger than the negative growth of vegetation in the region as a whole. The desertification area is located in the northwest， and the vegetation growth area is scattered in the east， north and west.

Keywords： hybrid pixel analysis； Global positioning system； Desertification； Automated reconstruction

草地生态系统是指以多年生草本植物为主要生产者的陆地生态系统，具有防风固沙、调节气候、净化空气等生态功能，对人类可持续生存和经济可持续发展具有重要作用，目前，我国草地面积近4*108hm2，草地荒漠化較为严重，在一些干旱、半干旱及半湿润地区，草地荒漠化已经严重威胁人类的生存环境[1]。目前，国内外针对荒漠化治理的研究大多将遥感技术（Remote Sensing，RS）和人工治理相结合[2，3]，需要大量人力物力，时间长效率低，而将全球定位系统（Global Positioning System，GPS）与遥感技术结合，对草地荒漠化进行自动化治理，可大大减小人力物力，缩短工作时间，提高经济效益。

本研究以四川省阿坝自治州贾洛乡为例，运用光谱混合分析法对研究区域进行大规模且长期的监测，并确定荒漠化的程度，而后将GPS接收机和遥感图像处理后得到的变量信息、传感器以及作业机械设备等相结合，进行精准定位及有效治理。

1 研究区概况与数据预处理

研究区位于四川省阿坝州，主要乡镇为贾洛乡，介于101°59′-102°13′E， 32°54′-33°10′N之间（图1）。该区地处青藏高原东南缘，横断山脉北端与川西北高山峡谷的结合部，地貌以高原为主。该地丘状高原属大陆高原性气候，四季气温无明显差别，年平均气温0.8℃～4.3℃。土地利用类型以草地和湿地为主。

选取1994年8月和2000年9月陆地卫星Landsat-5 TM影像为基本数据源。由于获取的影像坐标投影系统为美国WGS-84系统，为纠正影像在中国地区的变形，对影像进行辐射定标、大气校正、几何精校正等影像预处理。

2 像元分解与信息提取

2.1 混合像元分解模型

本研究选择线性混合像元分解模型对混合像元进行分解，而端元选取的优良将会直接影响到模型的结果。端元同时受到端元库大小、分类准确性以及计算机计算性能等因素的影响[4，5]，为了得到更为精确的结果，本文根据前人研究定义了一套能够代表地表上大部分地物组成的光谱组分，模拟出图像内地物的光谱变化[6-8]。

对每一景图像进行最小噪声分离进行MNF变换，转换后前四个波段占所转方差的92%以上，达到纯净像元提取要求，选择PPI的方法，提取出较为纯净的像元，最后，进行N维可视化，手动选择出5个端元，分别是：亮植被（BV），暗植被（DV），亮裸地（BS），暗裸地（DS）和水体（Water）。亮植被包括水分含量高的植被，如草地，沼泽和灌木。暗植被包括含水量低的植被，如枯萎的草甸和衰老灌木。亮裸地包括具有高反射率和低水分含量的砂土。暗裸地包括低反射率和含水量高的裸土。水体包括河流，湖泊和湿地。如图2所示的端元波谱分别是从1994年8月和2000年9月的影像数据中提取的。

2.2 混合像元分解结果

为了找到经过混合像元分解之后分解质量最好的分量组分，对每个TM影像利用三组不同的端元组合进行解混。三个组合分别是：（1）五个端元；（2）亮植被，亮裸地，暗裸地和水体；（3）亮植被、亮裸地和水体。对这三个组合分别进行误差统计对比分析得到表1。

通过目视检验，可评估出从不同端元组合分解后的结果的误差范围和分布。最终选择有五个端元的组合，该组合能够在合理误差范围内得到最理想的地物分类。在图像解混之后，亮植被分量和亮裸地分量能够分别指示出植被反增长区域的分布形式（图3）与草地荒漠化区域（图4）。

3 荒漠化分级评价

本文引入变化向量模型对光谱混合分析结果进行更为形象直观的表达，变化向量分析（Change Vector Analysis，CVA）是一种通过比较两期图像中对应的像元所包含的波段信息来生成变化量和变化方向的技术[9]。通过亮植被和亮裸地分量的丰度图像来监测1994年到2000草地荒漠化和植被反增长情况。根据研究区荒漠化和植被反增长评价结果采用自然断点分类法对上述模型得到的荒漠化结果值进行聚类分级，将研究区内的草地荒漠化和植被反增长分别分为3个等级即：重度荒漠化，中度荒漠化，轻度荒漠化；重度植被反增长，中度植被反增长，轻度植被反增长。

利用两期数据的亮植被和亮裸地分量，运用变化向量模型得到研究区6年来草地荒漠化与植被反增长（表2、图5）。可以看出看，草地荒漠化与植被反增长都在进行当中，总体上草地荒漠化趋势强于植被反增长。整个研究区内，草地荒漠化面积为269.15km2，占整个研究区面积的41.74%，其中86.91km2的区域荒漠化现象严重占荒漠化总面积的32.29%，中度荒漠化区域的面积为148.78km2占荒漠化总面积的55.28%，轻度荒漠化区域面积为33.46km2占荒漠化总面积的12.43%。重度荒漠化区域主要分布在西北地区，对研究区脆弱的亚高山牧场生态环境有严重威胁；中度荒漠化区域主要分布在重度荒漠化区域向轻度荒漠化区域的过度地带。植被反增长总面积为29.2km2占整个研究区面积的4.53%，其中重度植被反增长面积为0.39km2占植被反增长总面积的1.34%，中度植被反增长面积为22.37km2占植被反增长总面积的76.61%，轻度植被反增长面积为6.44km2占植被反增长总面积的22.05%。中度和轻度植被反增长主要分布在研究区的东北地区，此处主要以湿地为主。

4 分区自动化重建

由于GPS的精准定位，其在草原荒漠化的分区自动化重建中具有重要意义。本文根据土地荒漠化和植被反增长情况对研究区域进行区域划定，分为土地荒漠化区、植被反增长区以及稳定区三个区域（图6），并利用GPS对各个区域设计草原自动化重建方案。

区域一为土地荒漠化区，主要分布在研究区西北部和南部地区，表现为严重的土地荒漠化且正处于荒漠化进程中。对于该区域应利用GPS定期监测荒漠化范围及变化规律，对于荒漠化严重区域采用围栏保护已出现严重荒漠化的草场地区，禁止或开放固定时间放牧，建立防风固沙防护工程，种植抗风抗旱的草种与树木，对荒漠化地区进行引雨，增加降雨量，促进该地区脆弱的高寒牧区生态环境的恢复。区域二为植被反增长区，主要位于研究区的东北方，表现为良好的植被反增长情况。对于该区域应对GPS划定的正在填埋湿地范围，进行抢救性保护；对还未被破坏的湿地，利用GPS圈出红线，划定保护范围；对呈现出良好效果的草场保护措施也应当继续实施。区域三为稳定区，主要位于区域一和区域二的过渡地区，荒漠化和反增长的区域程度均较轻，基本处于平衡趋势。对于该区域内监测到的轻度荒漠化情况，需要立即实施及时有效的治理措施，严格控制畜牧量以缓解草场压力，促使草地生态系统的自我恢复。

5 结束语

基于RS和GPS进行草原荒漠化自动化重建是一个复杂的科学问题，还有许多问题需要进行进一步的探讨。本研究中所采用的线性混合像元分解模型是建立在假设相同的地物都具有相同的光譜特征的基础上的，还存在一定的不足。

参考文献：

[1]Gang C， Zhou W， Chen Y， et al. Quantitative assessment of the contributions of climate change and human activities on global grassland degradation [J].Environmental Earth Sciences，2014，72（11）：4273-4282.

[2]吴见，彭道黎.基于遥感的荒漠化评价技术研究进展[J].世界林业研究，2009，22（5）：34-39.

[3]牛星，高永，邢铁鹏，等.荒漠化监测与评价研究进展[J].内蒙古林业科技，2010，36（3）：51-55.

[4]Roth K L， Dennison P E， Roberts D A. Comparing end member selection techniques for accurate mapping of plant species and land cover using imaging spectrometer data[J]. Remote Sensing of Environment，2012，127（4）：139-152.

[5]Schaaf A N， Dennison P E， Fryer G K， et al. Mapping plant functional types at multiple spatial resolutions using imaging spectrometer data[J]. GIS science & Remote Sensing，2011， 48（3）：324-344.

[6]樊风雷.基于线性光谱混合模型（LSMM）的两种不同端元值选取方法应用与评价——以广州市为例[J].遥感技术与应用，

2008，23（3）：272-277.

[7]Elmore A J， Mustard J F， Manning S J， et al. Quantifying vegetation change in semiarid environments - precision and accuracy of spectral mixture analysis and the normalized difference vegetation index[J]. Remote Sensing of Environment， 2000， 73（1）：87-102（16）.

[8]Elmore A J， Mustard J F. Precision and accuracy of EO-1 Advanced Land Imager （ALI） data for semiarid vegetation studies [J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）：1311 - 1320.

[9]Kuzera K， Rogan J， Eastman J R. Monitoring vegetation re-growing and deforestation using change vector analysis： Mt. St. Helens study area[C]. The Annual Conference Baltimore， ASPRS. 2005.