内蒙古温性草原草地类型近20 年时空动态变化研究

杨志贵，张建国，李锦荣，于红妍，常丽，宜树华，吕燕燕，张玉琢，孟宝平

（1. 南通大学脆弱生态研究所，地理科学学院，江苏 南通 226007；2. 内蒙古阴山北麓荒漠草原生态水文野外科学观测研究站，中国水利水电科学研究院，北京 100038；3. 祁连山国家公园青海服务保障中心，青海 西宁 810001；4. 兰州城市学院城市环境学院，甘肃 兰州 730070）

草地类型是指在草原发生和发展规律的基础上，结合草原的自然和经济特点，对不同生境中的饲用植物群体进行抽象类比[1］。草地类型划分是对具有相似属性草地的分组或聚类[2-3］，这既是对草地生态系统的全面、深入的评估，也是对草地生态系统的科学开发、合理利用，能够为有效保护草地资源提供科学的理论依据，同时还是维持草地生态系统可持续发展的有效方法[4］。为全面了解中国草地资源状况，“1978-1985 年中国科学技术发展规划”决定编制1∶100 万中国草地资源图，该图作为全国草原资源基本图件，具有较高的生产实用性[5］。然而，传统的草地资源研究方法多以野外实地调查为主，以航、卫片校核为辅。虽然其精度较高，但费时费力，成本高，效率低，在大面积区域调查中存在着一定的局限性，且对解译者的专家知识要求较高[6］。中国草地资源图距今已接近40 年，无法反映最新的草地资源状况，其时空动态变化特征亟待更新。

现代遥感技术的快速发展为草地资源信息的获取提供了新的手段，能够在对草地资源没有任何破坏的情况下宏观、快速地监测草原的时空变化状况，为草原管理与决策提供及时准确的信息[7］。因而在草地类型划分研究中得到了广泛的应用[8-13］。除遥感数据外，草地类型的分布还受地形、气候、土壤等因素影响，因此在植被分类中，加入此类辅助数据可以有效提高遥感分类精度[14-18］。目前卫星遥感在土地利用的时空变化研究方面已有大量的研究成果[19-21］，然而，由于缺乏大范围草地类型实地调查数据，同时现有草地类型分类算法多采用简单的遥感或专家决策树算法，其分类方法简单、精度较低[12-13］，针对区域尺度上草原类型空间和时间的动态变化的研究鲜有报道。

在野外观测方面，无人机航拍技术作为近几年发展起来的一种新型的地面测绘技术，具有体积小、操作简单、灵活性高、能够提供大面积、高分辨率图像等特点，可以快速开展大面积草地资源调查[13，22-23］。同时，Yi 等[24］还针对我国脆弱生态带气候环境特点，开发了一套无人机航拍系统，能够实现大量监测点定位重复观测，可为草地资源监测提供海量定点监测数据。在遥感分类算法方面，基于概率统计的机器学习算法由于具有较强的自适应性和自学习能力，已在遥感植物分类中得到了广泛的应用[25］。目前在遥感植被分类中应用最为广泛的机器学习方法主要有随机森林（random forest，RF）、人工神经网络（artificial neural network，ANN）和支持向量机（support vector machine，SVM）等[12，14］。

内蒙古自治区位于国际地圈生物圈计划（international geosphere-biosphere program， IGBP）全球变化研究典型陆地样带中国东北陆地样带之内[26］，草地资源非常丰富，约占我国草原面积的1/4，对维持生态平衡和区域发展起着举足轻重的作用[27］。然而内蒙古是全球变化最敏感的区域[28］，其生态环境非常脆弱，由于土地复垦、滥垦、过度放牧等原因，内蒙古的草场面积不断缩小，植被覆盖率不断下降，土壤侵蚀日趋严重，严重制约我国畜牧业的可持续发展。近30 年来，内蒙古地区气温变化速度显著升高，具有向“干暖化”变化的趋势[29］。在气候、人类农业生产活动的共同影响下，内蒙古地区草地类型发生了经度地带性变化[28］。因此，迫切需要采用先进的方法和技术对内蒙古地区的草地类型开展科学的研究工作，才能及时准确地掌握草地资源的时空分布状况，进而更好地适应气候变化，合理利用草地资源，保证农牧民的收入稳定增长，促进内蒙古草原地区的生态恢复和经济可持续发展同步增长[30］。

基于上述因素考虑，以内蒙古自治区温性草原为研究对象，基于2016-2019 年野外无人机航拍观测资料和MODIS 遥感植被指数，结合气象数据、土壤数据和地形资料，对比分析随机森林、支持向量机、人工神经网络在内蒙古温性草原草地类型分类算法中的分类精度，并以此为依据，反演2000-2009 年和2010-2019 年两个时期内蒙古温性草原草地类型，分析近20 年来内蒙古温性草原草地类型时空动态变化特征，从而为全球气候变化和人类活动背景下内蒙古草地类型的变化研究提供科学依据，同时也为内蒙古地区草地可持续发展提供理论依据和技术支撑。

1 材料与方法

1.1 研究区概况

内蒙古自治区位于中华人民共和国的北部边疆，由东北向西南斜伸，呈狭长形。东起126°04′ E，西至97°12′E，东西直线距离约2400 km；南起37°24′ N，北至53°23′ N，南北直线距离1700 km，全区总面积118.3 万km2[28］。其中天然草地面积为6.9×105km2，占内蒙古地区总面积的58%[30］，是北方分布最广泛的自然生态系统。内蒙古地区地势较高，平均海拔约1000 m，气候以温带大陆性季风气候为主，年平均气温为-5~10 ℃，自东北向西南递增。降水特征表现为降水量偏低且蒸发量大，年平均降水量为35~530 mm，自东北向西南方向递减，年蒸发量为1200~3200 mm，自东向西递增。在地理位置和气候条件的综合作用下，内蒙古草地类型呈地带性特征，自东南向西北依次为温性草甸草原、温性典型草原、温性荒漠草原、温性草原化荒漠和温性荒漠[6］。此外，还有山地草甸、低地草甸和沼泽等草地类型，占整个研究区总面积比例较小，分布比较零散（图1）。

图1 研究区概况Fig.1 Overview of the study area

1.2 野外观测

本研究利用大疆御2 变焦版无人机和大疆“精灵”系列无人机对内蒙古温性草原进行航拍观测，获取了大量温性草原草地类型航拍照片。野外航拍样地设置如图2 所示，每个航拍样地设置4 条航线来代表250 m×250 m范围内草地植被信息，包括一个200 m×200 m 的Grid 飞行航线和3 个40 m×40 m 的Belt 飞行航线（图2a）。每种飞行模式在其观测范围内均匀布设16 个航拍点，每个航拍点镜头垂直向下对草地航拍一张照片。每条航线设定后储存在FragMAP setter 中，以便后期调用进行定点重复观测。无人机的飞行路线由南通大学脆弱生态研究所自主研发的无人机航拍分析系统FragMAP[31］设计，Belt 飞行模式使用大疆御2 变焦版无人机（图2b），在航高2 m 时的航拍照片覆盖面积约3.43 m×2.57 m，分辨率为0.09 cm；Grid 飞行模式使用大疆“精灵”系列无人机（图2c），在航高20 m 时的航拍照片覆盖面积约35 m×26 m，一张航拍照片相当于传统观测调查中的观测样地，且每张航拍照片具有较高的空间分辨率（约0.87 cm），可精确识别草地类型信息。野外观测主要集中在2016-2019年7-8 月草地生长旺季，依据草地生长状况和空间代表性，在研究区内设置大量250 m×250 m 的野外观测样地，两年共计观测797 个航拍样地。

图2 野外工作点设置Fig.2 Strategy of field observation and data collection

1.3 航拍照片分类

根据不同草地类型植被的生活型、优势种和植被覆盖状况，将无人机的航拍影像划分为草甸草原（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 类（图3 和表1）[30，32-34］。根据FragMAP 和照片属性文件中记录的GPS 位置信息，利用南通大学脆弱生态研究所自主研发的照片定位软件DJILocator，对每条航线所有航拍照片进行定位和重命名，照片名称按照航线先后拍摄次序依次命名为1~16。结合照片的草地类型分类结果，在GIS 软件下将同一样地内所有草地类型属性相同的航拍点转化为面文件，利用ENVI 软件将矢量文件转换为遥感分类感兴区文件。

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

图3 内蒙古不同草地类型分类依据Fig.3 Classification criteria for aerial photographs of temperate steppe classes

1.4 遥感数据获取与预处理

1.4.1 卫星遥感资料的获取与预处理 研究选取的遥感数据集主要包括MOD13Q1 NDVI 和MCD12Q1 两类。其中MOD13Q1 NDVI 为草地类型分类的主要依据，作为输入数据训练机器学习分类算法；MCD12Q1 数据则用来确定内蒙古地区草地空间分布范围。两类数据均下载于美国地质勘探局（United States Geological Survey，USGS）。MOD13Q1 数据集为16 d 最大值合成NDVI 植被指数产品（https：//e4ftl01.cr.usgs.gov/），时间 序 列 为2000-2019 年，空 间 分 辨 率 为250 m，轨 道 号 为h25v03、h25v04、h25v05、h26v03、h26v04、h26v05、h27v04，共计240 景影像。利用MODIS 数据重投影工具（MODIS reprojection tools， MRT）对MODIS 数据进行格式和投影转换。利用Spatial Analyst 工具获取研究区内2000-2019 年MODIS NDVI 变化特征指标，主要包括最大值（maximum）、最小值（minimum）、中值（medium）、均值（mean）、范围（range）、标准差（standard deviation，std）、总和（sum）等。本研究采用IGBP 全球植被分类方案（LC_Type1，Annual IGBP classification）数据集。按照表2 所示归并方案对该土地利用类型进行归并，并获取内蒙古地区草地空间分布。

表2 土地覆盖类型重分类方案Table 2 Scheme of land cover types reclassification

1.4.2 气象、地形及土壤数据的获取与预处理 气象、地形和土壤数据集作为提高草地类型分类精度的辅助因子，和遥感植被指数一样用于训练机器学习分类算法。土壤数据来源于中国科学院西北生态环境资源研究院寒区旱区科学数据中心的中国土壤特征数据集，该数据集的数据源为第二次土壤普查的1∶100 万中国土壤图和8595 个土壤剖面（http：//globalchange.bnu.edu.cn/research/soil）。年土壤变化特征指标主要包括0~30 cm 表层土的粘土含量（clay1），30~100 cm 底土的粘土含量（clay2），0~30 cm 表层土的砂土含量（sand1），30~100 cm 底土的砂土含量（sand2）。本研究使用的数字高程模型（digital elevation model， DEM）数据为V004 版的航天飞机雷达地形测绘任务 （shuttle radar topography mission， SRTM）影像，来自国际农业研究磋商小组空间信息联盟（The Consultative Group on International Agricultural Research Consortium for Spatial Information， CGIAR-CSI），下载网址为http：//srtm. csi. cgiar. org/，数据的空间分辨率为90 m，数据格式为Geo-Tiff。在ArcMap 中，利用DEM 数据分别计算研究区的坡度（slope， S）、坡位（topographic position index， TPI）和坡向（aspect， A）等地形要素。气象数据从中国气象科学数据共享服务网下载，网址为http：//cdc.cma.gov.cn/，本研究下载了V 3.0 版的内蒙古地区2000-2019 年241 个气象台站的年平均气温、降水数据。通过薄板样条插值法（thin plate smoothing spline， ANUSPLIN）插值得到研究区的气象数据，最后将这些气象栅格数据重采样到250 m 与MODIS 植被指数相对应，得到2000-2019 年内蒙古地区年均降水量和年均气温栅格数据[35］。

1.5 草地类型分类及精度验证

1.5.1 特征变量筛选 在使用1.4 中MODIS NDVI 构建分类模型前，为了减少因子间自相关和信息冗余对模型的运行速度和模拟精度的影响，结合Pearson 相关系数和因子重要性指标（Importance），对所有因子进行筛选。首先，使用六一法交叉验证的思想和重要性计算函数，测试每种因子对检测目标的重要性。其次，对所有重要性值>0.1 的因子进行Pearson 相关性分析，对≥0.7 的只保留其中1 个因子[36］，依据重要性值计算各指标累计贡献度，选取累计贡献度≥85%的指标作为遥感分类数据集。重要性计算公式为：

式中：将所有的环境因素集作为ref 数据集，而将单独的环境因素随机筛选后的集合作为shuffled 数据集，使用两个集合进行预测，并计算预测结果的简单相关性，cor pred_ref 表示全部环境因子预测结果，pred_shuffled 表示剔除某一因子后模型预测结果。

1.5.2 分类算法 本研究采用的遥感分类算法包括随机森林（random forest， RF）、支持向量机（support vector machine，SVM）和人工神经网络（artificial neural network，ANN）。RF 算法是由多个决策树组合而成，可以有效地解决因单一决策树造成的过拟合和欠拟合问题。RF 分类器中任意两棵决策树都是相互独立的，当有新的测试样本输入时，每棵决策树都会对其进行分类，最后采用投票法得出分类结果[37-38］。SVM 算法是核变换技术的代表算法之一，是一种具有精度高、运算速度快、泛化能力强等优点的统计学习新算法，其主要思想是通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能[39-40］。ANN 算法是由大量处理单元（神经元）连接的网络结构，是以模拟人的神经系统的结构和功能为基础而建立的一种信息处理系统，是人脑的某种抽象、简化和模拟。ANN 的信息处理主要通过神经元间的交互作用来完成，知识与信息的储存则体现在网络结构上分布的物理关联上，神经元连接权值的动态改变则取决于网络的学习与处理[41-42］。三类分类算法均在Jupyter Notebook 下利用Python 语言实现草地类型分类模型的训练和精度验证。

1.5.3 精度验证 在利用1.3 中无人机观测草地类型样本和1.4 中特征变量构建草地类型分类模型时，将无人机观测草地类型样本按7∶3 分为两部分，其中70%的样本用来训练分类模型，30%的样本用来验证模型精度。本研究采用标准混淆矩阵来验证草地类型分类精度。精度评价指标为总体分类精度（overall accuracy，OA）、卡帕系数（Kappa coefficient，Kappa）、生产者精度（producer accuracy，PA）和用户精度（user accuracy，UA）。总体分类精度是通过将所有分类正确的验证点数量相加，再除以总验证点数量得到的；卡帕系数通过离散多元技术可进行数据之间的吻合度测量，考虑到两组数据之间偶然一致性的可能性，利用其反映土地覆盖产品分类准确率会更为准确；生产者精度是一个表明实际地物为i类类别对应于数据分类结果为i类型的概率统计量；用户精度是一个表示数据分类结果为i类型对应于实际地物类别也为i类型的概率统计量。其计算公式如下：

式中：r为分类数量；N为总验证点数量；nii为分类正确的验证点数量；ni+为同一土地覆盖类型验证点数量；n+i为被分为同一土地覆盖类型的验证点数量。

1.6 动态变化分析

转移矩阵可定量直观地反映两个时期各土地利用类型之间的转移情况，包括转移来源、去向及数量大小等信息。其最早应用于土地利用变化，也可用于分析草地类型变化[43］，具体数学表达形式为：

式中：S为草地类型的面积；n为草地类型总数；i、j（i，j=1，2，···，n）分别代表转移前与转移后的草地类型；Sij为研究时段初期i类草地至研究末期转为j类草地的面积。转移矩阵的每一行总和表示研究初期该草地类型的面积总数，每个行值表示该草地类型的转移去向和大小；每一列的总和表示研究末期该草地类型的面积总数，每个列值则表示该草地类型的所有转入类型及大小。

2 结果与分析

2.1 航拍照片分类及其指标选择

观测样地草地类型识别结果空间分异特征如图4 所示，草地类型在研究区自东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规律性分布。所有观测样地中，典型草原和荒漠化草原观测样地数目较大，分别占总样本数的33.61% 和24.74%，其余依次为草甸草原（17.53%）、草原化荒漠（12.37%）和荒漠（11.75%）。

图4 无人机观测样地草地类型识别结果Fig.4 Results of grassland type identification in UAV observation plot

根据Pearson 相关系数和因子重要性指标Importance 计算结果，2010-2019 年年均MODIS NDVI、气象、土壤、地形数据的重要性值和累计贡献度如表3 所示。结果表明，重要性值>3%的指标共有15 个，累计贡献率为79.52%，分别为2010-2019 年年均降水量的最大值、变化范围、和、标准差及中值；年均NDVI 的均值、和、最大值及中值；年均气温的中值、最大值、均值、和及最小值；高程。重要性值为2%~3%的指标有2 个，分别为2010-2019 年年均降水量的均值、年均NDVI 的最小值。重要性值<2 的指标有12 个，分别为2010-2019 年年均降水量的最小值；年均NDVI 的变化范围、标准差；年均气温的标准差、变化范围；年均坡度、坡向、坡位；年均表层土的粘土含量、底土的粘土含量、表层土的砂土含量、底土的砂土含量。所有特征指标中，前18 个指标的累计贡献率超过85%。

表3 NDVI 特征指数的重要性和累积贡献度Table 3 Importance and cumulative contribution of NDVI characteristics indices（%）

2.2 最优分类模型精度

结合2.1 中筛选出来的特征变量和1.3 中草地类型训练样本，利用RF、SVM 和ANN 分别训练草地类型分类模型（表4）。在3 类分类方法中，基于RF 算法的草地类型分类结果效果最好，总体分类精度达82.16%，Kappa 为0.76；其次为SVM，总体分类精度和Kappa 分别为79.81%和0.72；而ANN 分类算法精度最低，总体分类精度和Kappa 分别为77.00% 和0.68。3 种分类方法对荒漠类的识别度均较高，PA 为87.50%~100.00%，UA 为91.18%~93.33%；其次为典型草原，PA 为81.58%~89.27%，UA 为65.22%~81.32%；再次为荒漠化草原、草原化荒漠；而草甸草原分类精度最低，PA 为64.29%~85.00%，UA 为65.71%~80.95%。

表4 基于随机森林、支持向量机和人工神经网络的内蒙古5 个草地类型的精度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 算法的精度检验混淆矩阵如表5 所示，5 类草地类型中，荒漠分类精度最高，PA 和UA 分别为100.00%和93.33%，没有验证样本被误分；草甸草原PA 为64.29%，UA 在所有草地类型中最低，为77.14%，35.71%的验证样本分别被误分为典型草原；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%的典型草原分别被误分为草甸草原和荒漠化草原；3.57%、7.14%和3.57%的草原化荒漠分别被误分为草甸草原、荒漠化草原和荒漠；荒漠化草原的PA 和UA 分别为78.00%和88.64%，4.00%、10.00%和8.00%的验证样本分别被误分为草甸草原、典型草原和草原化荒漠。

表5 基于RF 算法的草地分类混淆矩阵Table 5 The confusion matrix of five grassland classes based on RF algorithma

2.3 内蒙古地区草地类型空间分布

基于2.1 中筛选出的特征指数和2.2 中构建的最优草地类型分类算法，分别获取了2000-2009 年（第Ⅰ期）、2010-2019 年（第Ⅱ期）草地类型空间分布图（图5）。就两期类型图而言，内蒙古温性草原草地类型自东北向西南呈现较强的地带性分布，依次为草甸草原、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伦贝尔市中部、兴安盟北部、锡林郭勒盟东北部等区域；典型草原主要分布在呼伦贝尔市、锡林郭勒盟东南部、通辽市和赤峰市西部等区域；荒漠化草原主要分布在内蒙古中部地区，主要包括鄂尔多斯市和锡林郭勒中西部、乌兰察布市和包头市北部等区域；草原化荒漠主要分布在阿拉善盟东南部、鄂尔多斯西北部、巴彦淖尔市中部地区、乌海市大部分区域；荒漠主要分布在内蒙古西部地区，主要包括阿拉善盟、巴彦淖尔市西北部。

图5 基于2000-2009 年、2010-2019 年MODIS NDVI 特征指标和RF 算法的内蒙古地区草地类型空间分布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

就各草地类型面积而言，所有草地类型中荒漠化草原面积最大，约2.40×105~2.93×105km2，占研究区总面积的21.31%~25.89%；其次依次为典型草原（面积约2.35×105~2.51×105km2，占研究区总面积的20.74%~22.27%）、荒漠（面积约2.40×105~2.93×105km2，占研究区总面积的19.27%~19.87%）和草原化荒漠（面积约9.22×104~1.18×105km2，占研究区总面积的8.20%~10.37%）。所有草地类型中，草甸草原的面积最小，约5.82×104~1.07×105km2，占研究区总面积的5.12%~9.53%。

2.4 草地类型时空动态变化特征

结合2000-2019 年IGBP 全球植被分类数据集中的草地面积和20 世纪80 年代1∶1000000 草地类型图，综合分析了内蒙古地区草地类型时空动态变化状况。相较于第Ⅰ期草地类型，20 世纪80 年代草地类型图中有大量的非草地转换为草地（占研究区总面积的24.73%），典型草原、荒漠化草原和荒漠之间的转换比较剧烈（图6 和图7）。其中，非草地转化为草地区域主要集中在阿拉善中部和南部地区，主要转化为典型草原（占研究区总面积的7.69%）、荒漠化草原（占研究区总面积的5.91%）和荒漠（占研究区总面积的5.73%）；约11.82%面积占比的典型草原转化为荒漠化草原（图7）。

图7 1980-2019 年内蒙古地区草地类型面积变化Fig.7 Area change of grassland types in Inner Mongolia from 1980 to 2019

就两期遥感分类结果而言，草地类型的转换主要发生在典型草原、荒漠化草原和草原化荒漠之间，几类草地类型的转化主要发生在锡林郭勒东北部、兴安盟和呼伦贝尔西部地区（图6 和图7）。相较于第Ⅱ期草地类型，第Ⅰ期草地类型中，典型草原转化为草甸草原和荒漠化草原的面积分别占整个研究区面积的4.38%和2.44%。荒漠化草原转化为典型草原的面积占研究区总面积的8.51%，草原化荒漠转化为荒漠化草原的面积占研究区总面积的3.33%（图7）。

3 讨论

3.1 草地类型遥感分类

草地类型的精确划分是科学、合理地经营、管理、重建及可持续利用草地资源的重要基础和依据，而大量真实可靠的野外观测则是草地类型遥感分类的基础。为了节省野外观测的成本，草地类型遥感分类的依据多结合野外观测、专家知识和文献回顾等方式获取。野外调查多在样方（1 m×1 m）、样地或样带尺度下进行（约100 m×100 m）[44］。由于中国天然草地面积广、草地类型组成复杂，难以在短期内完成大范围的草地资源调查工作，目前大多数草地类型遥感分类工作多在小区域内开展案例性研究[45-46］。同时，受不同专家主观误差、气候变化和人类活动的影响，专家知识和文献回顾等方式获取的草地类型样本还存在较大的不确定性[13，47］。

本研究中，基于FragMAP 的无人机航拍系统被应用到草地资源野外观测中[24，31］。相较于传统草地资源地面调查方法，基于无人机航拍观测能够获取更大范围观测样地，大疆精灵系列无人机在航高20 m 时的航拍照片覆盖面积约35 m×26 m[48］，一张航拍照片相当于传统观测调查中的观测样地。且每张航拍照片具有较高的空间分辨率（约0.87 cm），再配合御2 变焦版2 m 高航拍照片（分辨率0.09 cm，覆盖范围3.43 m×2.57 m），可精确识别草地类型信息。此外，无人机航拍观测方便、快捷，本研究中Grid 和Belt 航线可以同时进行飞行观测，完成研究中1 个Grid 和3 个Belt 航线的观测大概只需要15 min[15］，可快速获取MODIS 植被指数像元范围内的草地类型信息，有利于开展大范围草地类型监测工作。更重要的是，观测样地航拍点、航线信息一旦建立，将会保存在FragMAP Setter 软件中，以便于下次重复观测调用。测试结果证明，在20 m 航高时，两次飞行中航点的位置偏差小于1 m，同一个航点不同飞行的航拍照片能够很好地重叠，非常适合草地植被资源大范围、重复、定点航拍观测[24，49］。

除了海量精确分类样本，分类算法和模型输入变量也对草地类型分类精度具有很大的影响[13］。早期遥感草地类型分类多采用目视解译和非监督分类，其分类的效率和精度难以满足草地类型分类的要求[44，50］。近年来，机器学习方法凭借其较高的分类精度和强大的数据处理能力，被广泛地应用于遥感植被分类研究[12］。本研究结果显示，相较于SVM 和ANN 分类算法，RF 分类算法具有较高的分类精度，其OA 较其他分类算法高出2.35%~5.16%，Kappa 高出0.04~0.08。

3.2 基于航拍照片的草地类型分类的限制性

本研究中的野外观测沿内蒙古地区主要交通路线，每隔10~20 km 设置一个固定观测样地，连续2 年4 个月的时间完成整个研究区野外观测工作，累计观测样地797 个。虽然利用FragMap Grid 和Belt 航拍方式，可大幅度提高草地资源外业调查的效率，节约调查成本和时间，但目前遥感分类样本草地类型仍然通过航拍照片的人工识别来实现，大量的野外飞行积攒了海量的航拍照片（累计3 万余张），给后期航拍照片处理和草地类型遥感分类样本识别带来巨大的挑战。一方面，人工识别仍然需要消耗大量的人力和时间；另一方面需要具备较高的植物分类学知识，且不同的专家识别结果存在一定的主观误差，也会导致遥感分类结果存在一定的不确定性[44，47］。因此，在接下来的研究中研发基于航拍照片和深度学习算法的草地类型识别系统是非常必要的。

3.3 草地类型时空变化的不确定性

草地类型时空变化分析结果显示，20 世纪80 年代至今的几十年里，内蒙古地区草地类型空间分布格局发生了较大的变化（占草地总面积的30.98%）。究其变化原因，一方面，在近30 年气候和人类活动变迁的作用下，内蒙古地区草地类型发生了巨大的变化；另一方面本研究分类所采用的草地覆盖范围来自MCD12Q1，尽管利用无人机调查数据算出的草地范围精度为96.91%，但20 世纪80 年代草地类型覆盖范围来自实地调查，两者存在较大的差异。此外，本研究分类模型的总体精度为82.16%，自身还存在一定的误差和不足。

4 结论

基于2000-2019 年草地年季MODIS 植被指数、气象数据、土壤数据、高程数据和无人机航拍资料，本研究对比分析了3 类机器学习分类模型分类精度，获取最优分类算法。在此基础上，获取了内蒙古地区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间分布，并分析了草地类型时空动态变化特征。结果表明：1）所有遥感分类特征指标中，对草地类型分类累计贡献率≥85%的特征指标有18 个，其中降水量的最大值、变化范围、标准差，NDVI 的总和、均值、最大值，气温的中值、最大值、均值对内蒙古地区草地类型重要性值较高。2）3 类分类模型中，RF 模型区分内蒙古地区荒漠、草原化荒漠、荒漠化草原、典型草原、草甸草原5 类草地类型效果最好（OA 为82.16%， Kappa 为0.76）。3）20 年间，草甸草原面积和典型草原面积总体呈增加的趋势，草原化荒漠面积基本保持稳定，空间上呈自东向西扩展的趋势；荒漠化草原和荒漠面积变化总体轻度减少。