荒漠化是一种人为与自然因素造成的干旱、半干旱地区的土地退化现象^[1]。20世纪以来，随着人口增加和乱砍滥伐行为日益猖獗，荒漠化急剧增加，已成为威胁人类生存最严重的生态问题之一。如何有效地遏制荒漠化发展态势成为当前生态环境领域研究的重中之重，而荒漠化态势防控依赖于有效的监测与研究^[2]。

国内外的研究学者对于荒漠化土地分类与荒漠化等级评价体系建立作了大量深入的研究。起初主要采用野外调查法进行综合指征评价^[2]，但由于野外调查法研究范围的局限性，难以用于全球性大尺度荒漠化土地监测。随着3S技术的崛起，高空间分辨率、高时相卫星使大尺度的荒漠化监测成为可能。研究者开始采用目视解译方法对荒漠化土地进行分类评价，进行土地荒漠化动态监测^[3-4]。虽然该方法可实现荒漠化土地分类，但费时费力，且分类标准过度依赖主观意识评价，导致该方法分类精度较低，难以广泛应用。随着遥感技术的发展，研究者开始将植被指数应用于土地分类^[5]，植被指数法能够用于荒漠化土地分类，但缺乏遥感机理知识支撑。在单一植被指数法基础上，衍生出植被覆盖度指数法^[6]，该方法以NDVI为基础，引入土壤像元与全植被覆盖像元，充分考虑研究区域实际情况，具有强有力机理知识支撑。然而，近期研究发现，NDVI易受土壤背景影响，在沙化区域的NDVI偏低，导致单一植被覆盖度法在低覆盖度与高覆盖度地区荒漠化分类发生异常^[7-9]。而MSAVI和EVI能够有效地弥补NDVI在荒漠化信息提取中的不足^[10-12]，多指数融合为土地荒漠化监测提供了新思路。

本文针对单一植被指数法在沙化地区荒漠化等级分类中的不足，基于决策树分类的方法，提出一种融合多种植被指数的荒漠化信息提取算法，构建一种新型荒漠化评价体系，为未来荒漠化土地持续监测及有效防治提供了强有力的理论支撑。

1 研究区概况及数据源 1.1 研究区域概况

科尔沁区是我国北方农牧交错区和荒漠化较严重的地区，包括科左中旗、开鲁县、库伦旗、奈曼旗、科左后旗及科尔沁区6个行政区旗(如图 1所示)。科尔沁地区东部属于半湿润气候区，西部属于半干旱气候区，年平均风速约为3.7 m/s，风大是该地区气候的最突出特点之一。随着人口的剧增，土地利用结构发生巨大改变, 急剧恶化的生态环境使得土地荒漠化态势日益严重。选取该研究区进行荒漠化提取可为荒漠化的防治提供可靠的决策依据。

1.2 数据源及处理

Landsat系列数据是美国宇航局发射的用于探测地球资源与环境的卫星数据，分辨率高，历史久。中高空间分辨率数据可以更清晰地分辨荒漠化严重程度，而长时间序列的数据能够满足该研究对于长期的荒漠化动态监测的可靠性。该研究中遥感数据主要包括2005、2010、2015年共计12景影像，影像日期选择夏秋植被生长茂盛的季节，避免季节因素导致错分漏分。

Landsat系列卫星影像的预处理主要包括辐射定标、大气校正、几何校正、镶嵌、去背景值等，并根据科尔沁地区范围界限进行裁剪预处理，最后进行匀色处理。

2 研究方法 2.1 一种改进的土地荒漠化提取方法

植被盖度法可以将中轻度荒漠化土地有效区分，但对于重度与中度荒漠化、轻度与非荒漠化却难以区分(如图 2(a)所示)。针对这种沙化区域单一植被指数法在荒漠化信息提取方面的异常问题，本文提出了一种融合多种植被指数的荒漠化信息提取算法，该算法基于决策树分类方法引入了FVC、MSAVI、EVI 3种指标。

2.1.1 FVC

FVC是植被垂直投影面积占总统计面积的比率，它是描述地表植被生长状况的一个重要指标。像素二分模型是一种简单的混合像素分解方法，采用像素二分法模型计算植被覆盖度^[13]，其计算方法如下

式中，FVC为植被覆盖度；NDVI_min为该研究区内裸土像元的NDVI最小值；NDVI_max为研究区内植被像元的最大值。由于地表条件、植被类型等相关因素的影响，NDVI的最大值及最小值随时间和空间的变化而变化。本文取累积频率0.5%为最小值，99.5%为最大值。

2.1.2 MSAVI

MSAVI能够减少土壤背景的影响，增强稀疏植被区对植被的敏感程度。尤其干旱沙地区域植被覆盖率低，更容易受到土壤及其他非植被背景影响^[14]。因此，选取MSAVI植被指数进行评价体系建立，可以更好地反映研究区荒漠化程度，其计算方法如下

式中，MSAVI为去土壤植被指数；NIR为近红外波段反射率；R为红色波段的反射率。

2.1.3 EVI

EVI是一种增强性植被指数，它引入了蓝光波段，一定程度上降低了大气的影响，并且可以弥补NDVI在高植被覆盖度反应不灵敏、低植被覆盖度受土壤背景影响的问题^[15]。其计算方法如下

式中，G为增益因子；C₁为红光波段大气纠正因子；C₂为蓝光波段大气纠正因子；L为冠层背景纠正因子。以上参数均取经验值，即G=2.5，C₁=0.6，C₂=7.2，L=1.0。

通过大量的样本统计分析，当FVC以0.6为阈界时，能够很好地将中度荒漠化与轻度荒漠化土地区分开；当MSAVI以0.1为阈界时，能很好地将中度荒漠化与重度荒漠化土地区分开；当EVI以0.25为阈界时，能够更好地将轻度荒漠化与非荒漠化等级划分(如图 2所示)。因此，本文基于决策树分类法提出一种融合FVC、MSAVI、EVI 3种指标的荒漠化提取模型(如图 3所示)。

2.2 精度评价方法

本文利用混肴矩阵评价法对分类精度进行评价，确定分类的精度与可靠性。误差矩阵是用于表示分为某一类别的像元个数与高分辨率相对检验真值为该类别的比较阵列。评价精度因子主要包括总体分类精度、Kappa系数等。总体分类精度为被正确分类的像元总和与总像元数的比值。Kappa系数的计算公式如下

式中，p₀为荒漠化等级评价中被正确分类的样本数与总样本数之比；p_e为偶然性因素导致的荒漠化类别错误解释的比例。

3 结果与分析 3.1 改进的多指标融合与传统植被盖度法荒漠化结果对比分析

利用FVC法与多指标融合算法分别对原始遥感影像进行荒漠化信息提取，将提取结果分为非荒漠化(白色)、轻度荒漠化(绿色)、中度荒漠化(黄色)及重度荒漠化(红色)4类，获得两种方法分类结果对比图，如图 4所示。

由图 4结合高分辨率谷歌影像可知，利用传统FVC法分类精度较低，存在明显的错分漏分现象，尤其对于荒漠化较严重地区，其分类结果较真实值高，造成反演重度荒漠化面积相对偏低而中度荒漠化面积偏多；而对于植被覆盖较高的区域，由于存在植被指数过饱和现象，其分类结果较真实值又会偏低，导致未荒漠化面积偏少而轻度荒漠化面积偏多。利用多指标融合方法的分类精度较高，基本上满足综合制图与应用分析的需求，错分漏分较少，相较于传统覆盖度指数法，其精度明显提高。

图 5为传统FVC荒漠化信息提取及多指标融合的荒漠化信息提取结果的细节展示。由图 5进一步得知，FVC方法对于提取中度荒漠化土地精度较高，对于区分中度与轻度荒漠化土地效果较好，而由于受到土壤背景及水分等要素影响，区分重度与中度荒漠化效果不理想，错分情况较多，导致分类结果相较真实情况荒漠化程度较轻，精度较低。而对于多指标融合方法，融入的EVI指数可以很好地区分非荒漠化、轻度荒漠化土地类型，MSAVI指数则可以消除土壤背景影响，很好地区分重、中度荒漠化土地，弥补了传统的FVC方法在荒漠化信息提取上的不足，错分漏分情况更少，精度更高，更加适用于荒漠化地区信息提取。

3.2 荒漠化提取精度分析

在每年的图像中随机选取1000多个样点，利用调查数据和Google Earth高分辨率数据确认样点的属性并作为真值，将其分别与本文提出的算法及植被盖度指数法监测结果相比较，生成2005、2010和2015年3个时期的土地荒漠化分类精度评价混淆矩阵，并计算各类型的分类精度、总体精度及Kappa系数(见表 1), 评估荒漠化提取精度，最终对两种算法优劣进行比较分析。

通过表 1可知，基于FVC方法3期遥感影像的制图精度在54.3%~100%之间，用户精度在57.3%~100%之间，总体精度在74.54%~84.68%之间，总体上看分类精度较低，通过与高分辨率的遥感影像进行对比分析，可知该分类方法反演结果偏差较大。多指标融合算法3期遥感影像的制图精度在85.4%~100%之间，用户精度在87.8%~100%之间，总体精度在91.97%~94.75%之间，总体上看分类精度较高，具有很强的稳健性，通过与高分辨率的遥感影像进行对比分析，可知该分类方法反演结果偏差较小，更加接近真实情况。通过对比发现，基于多指标的荒漠化等级评价方法在制图精度、用户精度及总体精度各个方面，其结果表现均优于基于传统的植被覆盖度法。因此，本文改进的算法对于荒漠化土地的等级分类评价适用性更强，精度更高，分类结果更好。

4 结论

针对单一植被指数法在沙化地区的荒漠化等级分类中的不足，本文基于决策树分类法提出了一种改进的融合多种植被指数荒漠化信息提取方法，并将该算法用于科尔沁地区，主要结论如下：

(1) 利用3期Landsat遥感影像，经过辐射定标、大气校正、镶嵌裁剪等预处理过程，基于决策树分类的方法，通过融合FVC、MSAVI及EVI等多种指标的分类方法，构建了一种新型的荒漠化评价体系，实现了不同层级荒漠化土地精确分类。

(2) 单一植被覆盖度法在高植被覆盖度地区分类精度较低；去土壤植被指数在高覆盖度植被地区反应不敏感；增强性植被指数对于低植被覆盖度地区易受土壤背景影响，分类精度较低。相较于单一植被指数反演方法，本文提出的算法分类精度更高，尤其针对荒漠化地区，该融合植被指数法具有更好的适用性和稳健性。