土地荒漠化信息遥感解译分析

一、土地荒漠化信息遥感解译分析

（一）Albedo-NDVI特征空间构建

为更好地实现对土地荒漠化时空分布和动态变化的定量监测，构造反照率-植被指数特征空间，获得Albedo和NDVI综合组合信息并分析空间特征形态，本研究借鉴毋兆鹏等（2015）的研究结论，在研究区内选择一个具有全部地表类型的典型绿洲区，构建典型梯形分布的Albedo-NDVI特征空间，如图7-32所示。

其中，A代表贫水区且植被覆盖率较低的地表，如戈壁、城镇或沙漠；B代表富水区且植被覆盖率较低的地表，如农田或小部分裸地；C代表贫水区但植被覆盖率较高的地表，如部分农田；D代表富水区但植被覆盖较高的地表，如大面积农田。其上边界A-C是反照率的上界，表示该区域在给定植被覆盖下表层土壤水分引起的反照率上限；下边界B-D是反照率的下限，表示该区域在给定的植被覆盖下表层土壤的相对良好状态所对应的反照率的值。在软件平台中将实际不同的地表类型与它们在Albedo-NDVI特征空间中的分布进行比较。

（二）Albedo-NDVI特征空间下的土地荒漠化程度分级

不同土地荒漠化类型对应的NDVI和Albedo会表现出较强的负相关性（曾永年等，2006）。在此背景下，利用该相关系数构造简单二元线性多项式，并在垂直方向上划分Albedo-NDVI特征空间表示荒漠化变化趋势，对不同荒漠化土地类型能进行有效区分：

式中，DDI表示荒漠化分级指数（Desertification Difference Index），K值根据特征空间中拟合曲线的斜率确定。

因此，在研究区域随机选择2148个样点对Albedo和NDVI进行统计分析，得到R2=0.84。这表明该区域不同土地类型荒漠化对应的两个指数也存在较强的负相关性：

自然断裂法可以最小化每个级别的内部方差总和，因此本研究将该方法与野外实地验证结合，将DDI划分出重度、中度、轻度以及非荒漠化四个范围间隔（表7-10）。

（三）土地荒漠化精度验证

本研究利用Landsat系列遥感影像，在荒漠化土地类型中随机选取300个样本点作为地表真实感兴趣区，然后与最终分类结果相匹配后计算生成混淆矩阵，得到研究区土地荒漠化分类精度（表7-11）。

以1990年为例，对分类结果做误差矩阵分析（表7-12），不同程度的分类精度具有差异性。其中重度荒漠化和轻度荒漠化类型精度较高，主要是由于重度荒漠化和轻度荒漠化类型面积占比较大；而非荒漠化类型面积占比较小。同时，Landsat遥感影像本身受外界大气、传感器影响较大，存在一定的混合像元，也会导致分辨率降低。