沙化土地信息提取研究

使用测绘技术进行土地沙漠化监测的步骤和要点人类的活动和自然因素不断导致土地沙漠化问题的加剧。

沙漠化不仅对环境造成严重影响，也影响到人们的生活和经济发展。

因此，为了及时监测和预防沙漠化，使用测绘技术进行土地沙漠化监测变得非常重要。

测绘技术可以通过空间遥感和地理信息系统（GIS）的结合，对土地沙漠化进行全面、准确的监测和分析。

下面将介绍使用测绘技术进行土地沙漠化监测的步骤和要点。

1. 数据获取在开始监测前，首先需要收集并获取相关的地理数据。

这包括卫星遥感影像、航空影像、高程数据以及土地利用和土地覆盖数据等。

这些数据将提供监测所需的基础信息。

2. 影像处理获得卫星遥感和航空影像后，需要对这些影像进行处理，以提取出有价值的信息。

这个步骤主要包括图像分类、图像校正、影像融合等。

图像分类可以将影像像素分成不同的类别，如沙漠、草原、林地等，以便对不同土地类型进行研究。

3. 沙漠化指数计算计算沙漠化指数是判断土地沙漠化程度的重要方法。

沙漠化指数反映了土地表面的土地退化情况。

常用的沙漠化指数包括土壤地壳湿度指数（SSI）、土地覆盖转化指数（LCI）等。

通过计算这些指数，可以将沙漠化的程度以数字化形式进行评估。

4. 土地变化分析在进行土地沙漠化监测时，还需要对土地的变化进行分析。

这涉及到对不同时间段的数据进行比较，以确定土地覆盖和土地利用的变化。

通过地理信息系统的支持，可以进行数据叠加和比较，从而分析和评估土地变化情况。

5. 建立沙漠化预警系统为了及时预警和应对沙漠化问题，建立一个沙漠化预警系统是非常重要的。

这需要将所获得的数据和分析结果应用于实际工作中，通过建立预警模型和识别关键迹象，提前预测和预防沙漠化发生。

6. 监测结果应用土地沙漠化监测的结果可以为政府和相关部门提供决策支持。

通过监测结果，可以制定出有效的沙漠化防治策略和措施，并进行沙漠化治理工作。

综上所述，使用测绘技术进行土地沙漠化监测需要进行数据获取、影像处理、沙漠化指数计算、土地变化分析、建立沙漠化预警系统和监测结果应用等步骤。

如何利用遥感数据进行荒漠化监测与防控引言：荒漠化是指耕地退化、水土流失以及气候变化等因素导致的草原退化和沙漠扩张的现象。

荒漠化造成的土地丧失、水资源减少以及生态系统崩溃对人类社会和生物多样性造成了巨大的影响。

因此，如何及早监测荒漠化的发展趋势，并采取有效的防控措施成为当务之急。

在这方面，遥感技术在荒漠化监测与防控中发挥着重要的作用。

第一部分：遥感技术的应用背景1.1 遥感技术介绍遥感技术是指通过卫星、飞机等载具获取地球表面信息的技术，通过接收、传输和处理电磁辐射信息来获得地物特征和变化信息。

1.2 遥感技术在环境监测中的应用遥感技术在环境监测方面被广泛应用，包括土地利用与覆盖变化、气候变化、植被变化以及水资源变化等领域。

第二部分：利用遥感数据进行荒漠化监测2.1 荒漠化的指标与监测方法荒漠化的指标包括植被盖度、土壤湿度、土地利用变动等。

遥感技术可以通过监测这些指标来定量评估荒漠化程度和发展趋势。

2.2 遥感数据获取与处理利用遥感技术进行荒漠化监测，需要获取并处理相关的遥感数据，如多光谱数据、高分辨率影像数据。

处理方法包括影像处理、信息提取以及空间分析等。

2.3 荒漠化监测案例分析以我国西北地区为例，运用遥感技术进行荒漠化监测，结合地面调查数据，可以对荒漠化程度进行准确评估和动态监测，并为荒漠化防控提供科学依据。

第三部分：利用遥感数据进行荒漠化防控3.1 荒漠化防控的重要性荒漠化不仅危及自然资源和生态环境，还威胁到人类社会的可持续发展。

因此，采取针对性和有效的荒漠化防控措施至关重要。

3.2 利用遥感数据指导荒漠化防控遥感技术可以提供荒漠化监测数据和空间信息，为荒漠化防控提供科学依据。

例如，通过遥感监测荒漠化扩张趋势，可以精确定位和采取相应的防治措施。

3.3 遥感技术在荒漠化防控中的案例分析以我国宁夏回族自治区为例，运用遥感技术监测宁夏的荒漠化现状，并在此基础上制定出一系列的防治方案，如植被移民、沙漠固沙等，取得了显著的成效。

全国土地利用数据遥感信息提取土地利用数据说明北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。

土地利用数据时间：1985年、1990年、1995年、2000年、2005年、2010年、2015年土地利用数据源：Landsat TM影像Landsat ETM影像土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。

土地利用/覆被变化信息的提取。

采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。

基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。

目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分必要的。

根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。

一、TM影像数据的预处理。

遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。

二、土地利用变化信息提取。

首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。

三、数据集成对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。

土地利用信息遥感提取研究—以江西省为例分析（重庆交通大学河海学院刘玲）摘要：我国土地利用信息的分析是土地调查和检测的一个重要方面，也是反馈土地管理政策、检验土地管理效益的一个重要手段，因此，土地利用信息分析对我国土地资源的合理开发和可持续利用至关重要。

现选取江西省的LANDSAT遥感影像为数据源，经过波段选择、合成、监督分类等步骤，将江西省土地利用类型分为城镇居民建设用地、耕地、林地、水域和未利用土地五类，且分类精度值达到96%以上。

并在此基础上，指出江西省土地利用所存在的问题，提出合理可行的调整对策。

关键词:江西；遥感图像；土地利用；用地结构与布局Abstract：The analysis of land use information is an important aspect of the land investigation and detection, and feedback the land management policy, inspection is an important means of land management benefit, therefore, the land use information analysis on the reasonable development and sustainable utilization of land resources in China is very important. Now select in jiangxi province LANDSAT remote sensing image as the data source, after the band selection, synthesis, supervised classification steps, such as land use types in jiangxi province can be divided into urban construction land, cultivated land, forest land and unused land and waters, And the classification accuracy value reache9d more than 6%. And on this basis, points out the existing problems of land use in jiangxi province, reasonable adjustment countermeasures are put forward. Key words：Jiangxi；Remote sensing image；Land use；Land use structure and layout..土地利用/土地覆盖LUCC是近几十年来国内外学者们研究最为热门的课题之一。

土地沙漠化防治课题研究报告范文下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。

文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!《土地沙漠化防治课题研究报告》一、研究背景随着全球气候变暖和人类活动的不断发展，土地沙漠化现象已经成为一个全球性的问题。

新疆吉木乃县沙化土地动态变化分析刘宝军１，２㊀（１．国家林业和草原局西北调查规划院，陕西西安７１００４８；２．旱区生态水文与灾害防治国家林业局重点实验室，陕西西安７１００４８）摘要㊀土地沙化是最严重的全球环境问题之一，目前地球上有２０％的陆地正受到沙化威胁㊂新疆吉木乃县沙化土地面积超过行政总面积的５０％，是新疆土地沙化情况较为严重的地区之一㊂以吉木乃县沙化监测区为研究对象，利用２００４㊁２００９㊁２０１４㊁２０１９年连续４期的沙化监测数据，从沙化土地时空演变过程㊁沙化土地景观格局变化以及未来发展趋势三方面入手，对吉木乃县近１５年沙化土地变化情况进行全面系统的定量分析，提出防止土地沙化的有效对策，为沙化治理和生态环境建设的对策制定提供科学依据㊂结果表明，２００４ ２００９㊁２００９ ２０１４和２０１４ ２０１９的综合动态度分别为０．０４㊁１．５９和０．２０，其中２００９ ２０１４年变化速率最大，沙化土地面积呈现出先增加后减少的趋势；２００４㊁２００９㊁２０１４和２０１９年ＡＤＩ分别为２．８０㊁２．５９㊁２．２６和２．５５，且与沙化程度呈正相关；４期沙化指数排序为２００４年＞２００９年＞２０１９年＞２０１４年，土地沙化程度呈现先减轻后加重的趋势；通过ＣＡ－Ｍａｒｋｏｖ对２０２４年土地沙化程度进行模拟和预测，２０２４年较２０１９年轻㊁中度沙化土地面积增加约８３２８和５８２５７ｈｍ２，重㊁极重度沙化土地面积减少约６０８３０和５８９１ｈｍ２㊂关键词㊀沙化土地；沙化监测；现状分析；模型预测；吉木乃中图分类号㊀Ｓ２８８㊀㊀文献标识码㊀Ａ㊀㊀文章编号㊀０５１７－６６１１（２０２３）１２－００５４－０５ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．０５１７－６６１１．２０２３．１２．０１２㊀㊀㊀㊀㊀开放科学（资源服务）标识码（ＯＳＩＤ）：ＡｎａｌｙｓｉｓｏｆＤｙｎａｍｉｃＣｈａｎｇｅｓｏｆＳａｎｄｙＬａｎｄｉｎＪｉｍｕｎａｉＣｏｕｎｔｙ，ＸｉｎｊｉａｎｇＬＩＵＢａｏ⁃ｊｕｎ１，２㊀（１．ＮｏｒｔｈｗｅｓｔＲｅｓｅａｒｃｈａｎｄＰｌａｎｎｉｎｇＩｎｓｔｉｔｕｔｅ，ＳｔａｔｅＦｏｒｅｓｔｒｙａｎｄＧｒａｓｓｌａｎｄＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｘｉ ａｎ，Ｓｈａａｎｘｉ７１００４８；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｃｏｈｙｄｒｏｌｏｇｙａｎｄＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎｉｎＤｒｙＡｒｅａｓ，ＳｔａｔｅＦｏｒｅｓｔｒｙＡｄｍｉｎｉｓｔｒａｔｉｏｎ，Ｘｉ ａｎ，Ｓｈａａｎｘｉ７１００４８）Ａｂｓｔｒａｃｔ㊀Ｌａｎｄｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｉｓｏｎｅｏｆｔｈｅｍｏｓｔｓｅｒｉｏｕｓｇｌｏｂａｌｅｎｖｉｒｏｎｍｅｎｔａｌｐｒｏｂｌｅｍｓ，ａｎｄ２０％ｏｆｔｈｅＥａｒｔｈ ｓｌａｎｄｍａｓｓｉｓｃｕｒｒｅｎｔｌｙｔｈｒｅａｔｅｎｅｄｂｙｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ．ＴｈｅｓａｎｄｙｌａｎｄａｒｅａｉｎＪｉｍｕｎａｉＣｏｕｎｔｙ，Ｘｉｎｊｉａｎｇｅｘｃｅｅｄｓ５０％ｏｆｔｈｅｔｏｔａｌａｄｍｉｎｉｓｔｒａｔｉｖｅａｒｅａａｎｄｉｓｏｎｅｏｆｔｈｅｍｏｒｅｓｅｒｉｏｕｓａｒｅａｓｏｆｌａｎｄｓａｎｄｉｎｇｉｎＸｉｎｊｉａｎｇ．ＴｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｓａｎｄｉｎｇｍｏｎｉｔｏｒｉｎｇａｒｅａｉｎＪｉｍｕｎａｉＣｏｕｎｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ，ｕｓｅｓｔｈｅｓａｎｄｉｎｇｍｏｎｉｔｏｒｉｎｇｄａｔａｏｆｆｏｕｒｃｏｎｓｅｃｕｔｉｖｅｐｅｒｉｏｄｓｉｎ２００４，２００９，２０１４ａｎｄ２０１９，ｆｒｏｍｔｈｅｓｐａｔｉａｌａｎｄｔｅｍｐｏｒａｌｅｖｏｌｕｔｉｏｎｐｒｏｃｅｓｓｏｆｓａｎｄｅｄｌａｎｄ，ｃｈａｎｇｅｓｉｎｌａｎｄｓｃａｐｅｐａｔｔｅｒｎｏｆｓａｎｄｅｄｌａｎｄｔｏａｎａｌｙｚｅｔｈｅｃｈａｎｇｅｓｏｆｓａｎｄｙｌａｎｄｉｎＪｉｍｕｎａｉＣｏｕｎｔｙｉｎｔｈｅｐａｓｔ１５ｙｅａｒｓ，ａｎｄｐｒｏｐｏｓｅｅｆ⁃ｆｅｃｔｉｖｅｃｏｕｎｔｅｒｍｅａｓｕｒｅｓｔｏｐｒｅｖｅｎｔｓａｎｄｙｌａｎｄ．Ｗｅｐｒｏｐｏｓｅｅｆｆｅｃｔｉｖｅｃｏｕｎｔｅｒｍｅａｓｕｒｅｓｔｏｐｒｅｖｅｎｔｌａｎｄｄｅｓｅｒｔｉｆｉｃａｔｉｏｎａｎｄｐｒｏｖｉｄｅｓｃｉｅｎｔｉｆｉｃｂａｓｉｓｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｃｏｕｎｔｅｒｍｅａｓｕｒｅｓｆｏｒｓａｎｄｙｌａｎｄｍａｎａｇｅｍｅｎｔａｎｄｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔｃｏｎｓｔｒｕｃｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｃｏｍ⁃ｐｒｅｈｅｎｓｉｖｅｄｙｎａｍｉｃａｔｔｉｔｕｄｅｏｆ２００４－２００９，２００９－２０１４ａｎｄ２０１４－２０１９ａｒｅ０．０４，１．５９，０．２０ｒｅｓｐｅｃｔｉｖｅｌｙｏｆｗｈｉｃｈｔｈｅｒａｔｅｏｆｃｈａｎｇｅｗａｓｔｈｅｌａｒｇｅｓｔｆｒｏｍ２００９ｔｏ２０１４，ａｎｄｔｈｅｄｅｓｅｒｔｉｆｉｅｄｌａｎｄａｒｅａｓｈｏｗｅｄａｔｒｅｎｄｏｆｆｉｒｓｔｉｎｃｒｅａｓｉｎｇａｎｄｔｈｅｎｄｅｃｒｅａｓｉｎｇ．ＴｈｅＡＤＩｗａｓ２．８０，２．５９，２．２６ａｎｄ２．５５ｉｎ２００４，２００９，２０１４ａｎｄ２０１９，ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｎｄｗａｓｐｏｓｉｔｉｖｅｌｙｃｏｒｒｅｌａｔｅｄｗｉｔｈｔｈｅｄｅｇｒｅｅｏｆｓａｎｄｉｎｅｓｓ；ｔｈｅｆｏｕｒｓａｎｄｉｎｅｓｓｉｎｄｉｃｅｓｗｅｒｅｒａｎｋｅｄａｓ２００４＞２００９＞２０１９＞２０１４．Ｔｈｅｄｅｇｒｅｅｏｆｌａｎｄｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｄｅｃｒｅａｓｅｄｆｉｒｓｔａｎｄｔｈｅｎｉｎｃｒｅａｓｅｄ．ＣＡ⁃Ｍａｒｋｏｖｗａｓｕｓｅｄｔｏｓｉｍ⁃ｕｌａｔｅａｎｄｐｒｅｄｉｃｔｔｈｅｄｅｇｒｅｅｏｆｌａｎｄｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｉｎ２０２４．Ｃｏｍｐａｒｅｄｗｉｔｈ２０１９，ｔｈｅａｒｅａｏｆｌｉｇｈｔａｎｄｍｏｄｅｒａｔｅｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｉｎ２０２４ｉｎ⁃ｃｒｅａｓｅｄｂｙａｂｏｕｔ８３２８ａｎｄ５８２５７ｈｍ２，ａｎｄｔｈｅａｒｅａｏｆｓｅｖｅｒｅａｎｄｅｘｔｒｅｍｅｌｙｓｅｖｅｒｅｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｄｅｃｒｅａｓｅｄｂｙａｂｏｕｔ６０８３０ａｎｄ５８９１ｈｍ２．Ｋｅｙｗｏｒｄｓ㊀Ｓａｎｄｙｌａｎｄ；Ｓａｎｄｙｍｏｎｉｔｏｒｉｎｇ；Ａｎａｌｙｓｉｓｏｆｃｕｒｒｅｎｔｓｉｔｕａｔｉｏｎ；ＭｏｄｅｌＰｒｅｄｉｃｔｉｏｎｓ；Ｊｉｍｕｎａｉ作者简介㊀刘宝军（１９７３ ），陕西澄城人，教授级高级工程师，从事荒漠化沙化土地监测与防沙治沙政策措施研究㊂收稿日期㊀２０２２－１２－０１㊀㊀土地沙化是最严重的全球环境问题之一，目前地球上有２０％的陆地正受到沙化威胁㊂土地沙化会导致土地滋生能力退化，农牧生产能力及产量降低，耕地及牧场面积减少［１－２］㊂吉木乃县隶属新疆阿勒泰市，属重要牧区，土地沙化问题严重制约着该地区草原畜牧业的可持续发展［３］㊂目前关于新疆吉木乃县土地沙化的研究主要集中在其成因及分布，但其动态变化过程的研究鲜有报道㊂因此，该研究以吉木乃县沙化监测区为研究对象，利用２００４㊁２００９㊁２０１４㊁２０１９年连续４期的沙化监测数据和野外调查数据，从沙化土地时空演变过程㊁景观格局变化以及未来发展趋势三方面进行分析，以期为今后该区域沙化的防治和治理工作提供有力支持，为地方政府制定荒漠化与沙化土地防治规划，出台导向性政策，保护㊁改良和合理利用土地资源提供科学依据㊂１㊀材料与方法１．１㊀研究区概况㊀吉木乃县位于新疆维吾尔自治区北部，准噶尔盆地北缘，萨吾尔山北麓，额尔齐斯河南岸，地理坐标４７ʎ００ᶄ ４７ʎ５９ᶄＮ，８５ʎ３３ᶄ ８７ʎ０９ᶄＥ（图１）［４－５］㊂吉木乃县地处欧亚大陆腹地，远离海洋，属于大陆性北温带寒凉气候，其特点为干燥㊁多风㊁降水量少㊁蒸发量大，干旱面积占全县总面积超过３０％，春旱频率为５１％，远高于北疆地区平均概率［４］㊂县境气候干燥，年降水量仅为２０２．２０ｍｍ［６］㊂１．２㊀研究方法１．２．１㊀数据来源及处理㊂以２００４㊁２００９㊁２０１４和２０１９年１５ｍ分辨率的ＴＭ遥感影像为数据源，对影像进行数据预处理，采取图像增强手段最大提取图像所反映的本底信息，结合典型样地调查数据中的土地利用类型㊁沙化土地类型㊁沙化程度以及地形地貌等因子，交互分析影像信息与实地调查属性因子初步形成沙化土地数据库㊂进行地面调查验证，现地逐块核实所有图斑界线与图斑属性因子，修正图斑界线及因子，最终得到沙化土地动态变化数据，建立沙化土地动态变化数据库㊂１．２．２㊀研究方法㊂该研究利用沙化土地类型㊁沙化程度类型及面积等基础信息，从沙化土地动态变化［７］㊁景观格局［８］以及沙化特征预测［９］３个方面，结合动态度（单一动态度［１０－１３］和综合动态度［１４－１５］）㊁沙漠化指数［１６］㊁马尔可夫转移矩阵模㊀㊀㊀安徽农业科学，Ｊ．ＡｎｈｕｉＡｇｒｉｃ．Ｓｃｉ．２０２３，５１（１２）：５４－５８型［１７］㊁重心迁移模型［１８］和景观分析指标［８－９］（最大斑块指数㊁斑块个数㊁聚集度㊁蔓延度指数㊁平均最近距离㊁香农多样性指数㊁斑块类型所占百分比和斑块密度等指标）以及ＣＡ－Ｍａｒｋｏｖ模型（表１），探究吉木乃县２００４ ２０１９年沙化土地的时空演变过程和沙化土地未来变化情况㊂图１㊀吉木乃县地理区位Ｆｉｇ．１㊀ＧｅｏｇｒａｐｈｉｃａｌｌｏｃａｔｉｏｎｍａｐｏｆＪｉｍｕｎａｉＣｏｕｎｔｙ２㊀结果与分析２．１㊀沙化土地类型变化㊀结合遥感影像与地面实测数据，得到不同类型沙化土地空间分布情况（图２ａ），不同类型沙化土地动态变化情况（表２）㊂沙化土地和沙化类型划分按照‘全国第六次荒漠化和沙化监测技术规定“，流动沙地（丘）为植被总盖度＜１０％，地表沙物质常处于流动状态；半固定沙地（丘）为１０％ɤ植被总盖度＜３０％，风沙流活动受阻；固定沙地（丘）为植被总盖度ȡ３０％，风沙活动不明显；沙化耕地为受风沙危害，作物产量低而不稳的沙质耕地；风蚀残丘（劣地）为由于风蚀作用形成的风蚀地；戈壁为地表以石质㊁砾石和沙砾为主，一般盖度在１０％以下㊂㊀㊀由表２可知，２０１４ ２０１９年，除沙化耕地㊁风蚀残丘（劣地）呈增加趋势，其他均呈现减小趋势㊂２００４ ２００９㊁２００９ ２０１４和２０１４ ２０１９年综合动态度分别为０．０４㊁１．５９和０．２０，２００９ ２０１４年沙化土地面积变化速率最大，其中风蚀残丘（劣地）的单一动态度最大㊂总体来看，沙化土地面积呈逐年减小趋势，流动沙地（丘）与半固定沙地（丘）以较快速度减退，土地沙化情况在一定程度上得到遏制㊂２．２㊀土地沙化程度变化㊀沙化土地程度是对地表呈现以沙（砾）物质为主要标志的退化土地状况进行评估，依据植被覆盖度和沙化土地状况分为４级，分别为轻度㊁中度㊁重度和极重度，得到２００４㊁２００９㊁２０１４㊁２０１９年吉木乃县不同程度沙化土地空间分布情况（图２）和不同类型沙化土地面积变化及转移速率（表３）㊂沙化土地的程度划分按照‘全国第六次荒漠化和沙化监测技术规定“㊂沙化程度分为４级，轻度是指植被总盖度＞４０％；中度是指２５％＜植被总盖度ɤ４０％；重度是指１０％＜植被总盖度ɤ２５％；极重度是指植被总盖度ɤ１０％的沙化土地㊂表１㊀ＣＡ－Ｍａｒｋｏｖ模型Ｔａｂｌｅ１㊀ＣＡ⁃Ｍａｒｋｏｖｍｏｄｅｌ模型Ｍｏｄｅｌ定义Ｄｅｆｉｎｅ原理Ｐｒｉｎｃｉｐｌｅ描述ＤｅｓｃｒｉｂｅＣＡ模型ＣＡｍｏｄｅｌ模拟复杂系统时空演化过程Ｓｔｔ＋１＝（Ｕｄ，Ｓｔᶄ，Ｎｔ，ｆ）Ｓｔｔ＋１㊁Ｓｔᶄ分别为ｔ＋１㊁ｔ时刻的元胞状态，Ｕｄ为ｄ维的网格单元，Ｎｔ为ｔ时刻邻居的状态组合，ｆ为转换规则Ｍａｒｋｏｖ模型Ｍａｒｋｏｖｍｏｄｅｌ模拟数量的增加情况，并进行优化Ｓｔ＋１＝ＰｊｉˑＳｔＳｔ㊁Ｓｔ＋１分别为ｔ㊁ｔ＋１时刻生态系统土地覆盖的状态，Ｐｊｉ为某状态转移矩阵表２㊀不同类型沙化土地动态度统计Ｔａｂｌｅ２㊀Ｓｔａｔｉｓｔｉｃａｌｔａｂｌｅｏｆｄｙｎａｍｉｃａｔｔｉｔｕｄｅｏｆｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｌａｎｄ单位：ｈｍ２土地类型Ｌａｎｄｔｙｐｅ沙化类型Ｓａｎｄｉｆｖｃａｔｉｏｎｔｙｐｅ２００４ ２００９年面积变化Ａｒｅａｃｈａｎｇｅｈｍ２动态度Ｄｙｎａｍｉｃｄｅｇｒｅｅ２００９ ２０１４年面积变化Ａｒｅａｃｈａｎｇｅｈｍ２动态度Ｄｙｎａｍｉｃｄｅｇｒｅｅ２０１４ ２０１９年面积变化Ａｒｅａｃｈａｎｇｅｈｍ２动态度Ｄｙｎａｍｉｃｄｅｇｒｅｅ沙化土地流动沙地（丘）－０．０２０－４４５７．２９３．７０－１０６３．８３１．０８Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ半固定沙地（丘）－５５０９．０４１．１３－３２０２６．７５６．９４－１８３２．４００．６１ｌａｎｄ固定沙地（丘）－１２５．５００．０４１２０５５．４５－３．８３－１３６３．６１０．３６沙化耕地 ３６１２．５４ １６９６．９３－９．３９风蚀残丘（劣地）００－８６２．９６－３２．３０２３８．２５－３．４１戈壁４９０２．２７－０．４７－１１４７５．４０１．０６－１３８４．１１０．１４有明显沙化趋势的土地Ｌａｎｄｗｉｔｈｏｂｕｉｏｕｓｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｔｒｅｎｄ２５９１．１４－５．１８０．０４总计Ｔｏｔａｌ－７３２．２９０．０４－３０５６３．２７１．５９－３７１３．９５０．２０㊀㊀由表３可知，２００４ ２０１９年，轻㊁中度沙化土地呈现先增加后减少趋势；重度沙化土地呈现先减少后增大再大幅增加趋势；极重度沙化土地呈现持续减少趋势㊂非沙化土地面积持续增加，沙化土地面积总体减少，轻度㊁极重度沙化土地向中度㊁重度沙化土地转移㊂５５５１卷１２期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀刘宝军㊀新疆吉木乃县沙化土地动态变化分析图２㊀２００４ ２０１９年吉木乃县沙化土地类型空间分布（ａ）与不同程度沙化土地空间分布变化（ｂ）Ｆｉｇ．２㊀Ｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｍａｐｏｆｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｌａｎｄｔｙｐｅｓ（ａ）ａｎｄｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｃｈａｎｇｅｓｏｆｌａｎｄｗｉｔｈｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓｏｆｓａｎｄｉｎｅｓｓ（ｂ）ｉｎＪｉｍｕｎａｉＣｏｕｎｔｙｆｒｏｍ２００４ｔｏ２０１９㊀㊀沙化指数（ＡＤＩ）与沙化程度呈正相关，值越大，反映区域内沙化程度越重㊂用沙化指数计算吉木乃县２００４㊁２００９㊁２０１４和２０１９年沙化指数（图３ａ）㊂表３㊀不同类型沙化土地面积变化及转移速率Ｔａｂｌｅ３㊀Ａｒｅａｃｈａｎｇｅａｎｄｔｒａｎｓｆｅｒｒａｔｅｏｆｄｉｆｆｅｒｅｎｔｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｌａｎｄｔｙｐｅｓ年份Ｙｅａｒ程度Ｄｅｇｒｅｅ转移面积Ｔｒａｎｓｆｅｒａｒｅａʊｈｍ２新增面积Ｎｅｗａｒｅａｈｍ２未变化面积Ｕｎｃｈａｎｇｅｄａｒｅａʊｈｍ２年均转移速率Ａｖｅｒａｇｅａｎｎｕａｌｔｒａｎｓｆｅｒｒａｔｅʊ％年均新增速率Ａｖｅｒａｇｅａｎｎｕａｌｇｒｏｗｔｈｒａｔｅʊ％年均变化率Ａｎｎｕａｌａｖｅｒａｇｅｃｈａｎｇｅｒａｔｅʊ％２００４ ２００９非沙化３２．５２８２５．１２３５５７６２．９２０．０００．０８０．０８轻度１８３．２４６２０８．１２６６７１９．６９０．０５１．８６１．９１中度４５１２．９０７２５７８．８５８１２０９．０１１．０５１５．１９１６．２４重度７３３９４．３７２５．２０７５０２０．２６９．８９０．７３１０．６２极重度１０２．５０７９．２４５７１２５．８７０．０４０．０４０．０８２００９ ２０１４非沙化４７１７４．２１４８９５８．５０３０９２５７．００２．６８２．７６５．４４轻度４２９４５．５７３６８５５．３７３８３８３．９０１１．８０１０．１３２１．９３中度４４１５３．９８５８７５６．１８１０１９８８．００６．０６８．０７１４．１３重度３６１６３．０５５７６６８．６１５２７８１．４０８．９９１８．４６２７．４５极重度３６６６４．８１４８６２．９７２０４６７．５０１２．８５１．７４１４．５９２０１４ ２０１９非沙化６６１．２１２７２３．３６３５１４９２．０００．０４０．１５０．１９轻度１２９３６．１８４５１３．０５５２８００．６０３．９４１．３７５．３１中度９０５３２．０７１１３．９０７０５６７．９０１１．２４０．０１１１．２５重度７４１．５０９９２４８．２６１１０３３２．０００．１３１７．８７１８．００极重度１７５４．９０２７．２９２２６９３．１０１．４４０．０２１．４６㊀㊀沙化指数越大，沙化程度越严重，由图３ａ可知，吉木乃县历年沙化指数关系为２００４年＞２００９年＞２０１９年＞２０１４年，因此，该区域沙化程度呈先减轻后加重趋势㊂２０１４ ２０１９年，县域中部中度沙化土地大面积转化为重度沙化土地，重度沙化土地比重增加，表现为土地沙化指数ＡＤＩ上升㊂根据各沙化程度重心，绘制各监测期不同程度沙化土地重心迁移动态图（图３ｂ）㊂吉木乃县轻㊁中㊁极重度沙化土地重心整体向西北迁移㊁重度沙化土地重心向东南方向迁移㊂县域东南方向的戈壁从极重度沙地转变为重度沙地，极重度沙地逐渐消失；县域中南部戈壁由原本的轻度沙化恶化为中度沙化，中度沙化土地逐渐向西北部缩小㊂２．３㊀景观格局分析２．３．１㊀面积变化分析㊂流动沙地㊁半固定沙地的ＬＰＩ㊁ＰＬａｎｄ㊁ＡＲＥＡ＿ＭＮ呈现降低趋势，最大斑块面积减小，斑块比重降低，破碎程度增加，流动沙地和半固定沙地逐渐消失；固定沙地则呈完全相反趋势；沙化耕地㊁戈壁的ＬＰＩ和ＰＬａｎｄ数值上升，ＡＲＥＡ＿ＭＮ数值降低，最大斑块面积减小，斑块比重降低，斑块破碎程度降低；具有明显沙化趋势土地的ＡＲＥＡ＿ＭＮ数值增加，斑块破碎程度降低；非沙化土地的ＬＰＩ值增加㊁ＡＲＥＡ＿ＭＮ降低，最大斑块面积增加，集中连片，非沙化土地急速增加㊂２．３．２㊀密度大小分析㊂流动沙地㊁固定沙地的土地斑块个数和密度呈明显减小趋势，半固定沙地㊁戈壁㊁沙化耕地㊁非沙化土地斑块个数和密度整体呈增加趋势㊂从县域整体情况来看，非沙化土地的扩张表明该地区土地沙化情况得到一定改善，吉木乃县土地沙化治理成效凸显㊂２．３．３㊀聚散性分析㊂吉木乃县沙化土地聚集度水平总体呈减小趋势，各沙化类型中，除沙化耕地聚集度逐步增加外，其余沙化类型均呈聚集度减小，离散度增加现象，且离散度变化相对缓慢㊂沙化耕地聚集度增加，可能由于人为过度开垦，耕地水土流失严重，原本分散的沙化耕地逐步聚合，导致聚集度指数提高㊂２００４㊁２００９㊁２０１４和２０１９年蔓延度指数分别为６５．９５％㊁６６．１２％㊁６９．２９％和６７．５４％，蔓延度指数排序为２０１４年＞２０１９年＞２００９年＞２００４年，整体呈增加６５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年趋势，说明研究区景观的连接性趋向变好态势，发展趋于稳定㊂图３㊀吉木乃县各监测期沙化土地程度变化（ａ）与不同程度沙化土地重心迁移动态（ｂ）Ｆｉｇ．３㊀Ｃｈａｎｇｅｓｉｎｔｈｅｄｅｇｒｅｅｏｆｓａｎｄｙｌａｎｄ（ａ）ａｎｄｍｉｇｒａｔｉｏｎｄｙｎａｍｉｃｓｏｆｔｈｅｃｅｎｔｅｒｏｆｇｒａｖｉｔｙｏｆｌａｎｄｗｉｔｈｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓｏｆｓａｎｄｉｎｅｓｓ（ｂ）ｉｎＪｉｍｕｎａｉＣｏｕｎｔｙｂｙｍｏｎｉｔｏｒｉｎｇｐｅｒｉｏｄ２．３．４㊀邻近度分析㊂２００４㊁２００９㊁２０１４和２０１９年平均最近距离分别为１３０．９２ｍ㊁１３８．８４ｍ㊁１９５．９５ｍ和１３４．２ｍ，平均最近距离排序为２０１４年＞２００９年＞２０１９年＞２００４年，整体呈增加的趋势，说明研究区同类型斑块分布越来越离散，不容易发生干扰㊂２．３．５㊀多样性分析㊂从景观整体水平上看，２００４㊁２００９㊁２０１４和２０１９年香农多样性指数分别为１．３０㊁１．２９㊁１．３１和１．３１，吉木乃县香农多样性指数排序为２０１９年＝２０１４年＞２００４年＞２００９年，整体呈增加趋势，说明研究区各沙化类型呈均衡化趋势分布，生态环境稳步向好发展㊂２．４㊀未来变化预测㊀该研究采用ＣＡ－Ｍａｒｋｏｖ模型对土地沙化程度进行模拟和预测，首先以２００９ ２０１４年数据为基准，预测２０１９年土地沙化程度分布特征，并与实际解译结果比较，经检验，Ｋａｐｐａ系数为０．７８，规定Ｋａｐｐａȡ０．７５时，两幅影像一致性较高，故可认为该模型具有良好的可靠性㊂以２０１９年数据为模型输入值，模拟预测２０２４年吉木乃县土地沙化程度情况（图４）㊂结果表明，２０２４年沙化土地面积呈减少趋势，重度与极重度沙化土地占比减少，轻度与中图４㊀２０２４年吉木乃县沙化程度分布预测Ｆｉｇ．４㊀ＰｒｅｄｉｃｔｉｏｎｏｆｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｄｅｇｒｅｅｄｉｓｔｒｉｂｕｔｉｏｎｉｎＪｉｍｕ⁃ｎａｉＣｏｕｎｔｙｉｎ２０２４度沙化土地增加，重度与极重度沙化土地向轻度与中度沙化土地转变，沙化情况好转（表４）㊂表４㊀２０１９与２０２４年吉木乃县不同程度沙化土地面积对比Ｔａｂｌｅ４㊀ＣｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｄｅｇｒｅｅｓｏｆｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｌａｎｄａｒｅａｉｎＪｉｍｕｎａｉＣｏｕｎｔｙｉｎ２０１９ａｎｄ２０２４程度Ｄｅｇｒｅｅ２０１９年面积Ｌａｎｄａｒｅａｈｍ２百分比Ｐｅｒｃｅｎｔａｇｅ％２０２４年（预测）２０２４（Ｆｏｒｅｃａｓｔ）面积Ｌａｎｄａｒｅａｈｍ２百分比Ｐｅｒｃｅｎｔａｇｅ％轻度Ｍｉｌｄ５７３１３．７４１５．９１６５６４１．８６１７．７３中度Ｍｏｄｅｒａｔｅ７０６８１．８２１９．６２１２８９３８．７５３４．８３重度Ｓｅｖｅｒｅ２０９５８０．２７５８．１６１４８７５０．２８４０．１９极重度Ｅｘｔｒｅｍｅｌｙｓｅｖｅｒｅ２２７２０．４６６．３１１６８２９．１９７．２５总计Ｔｏｔａｌ３６０２９６．２９１００．００３６０１６０．０８１００．００３㊀结论与讨论３．１㊀结论（１）近１５年的监测表明，吉木乃县除沙化耕地㊁风蚀残丘（劣地）呈增加趋势，其他均呈现减小趋势㊂２００４ ２００９㊁２００９ ２０１４和２０１４ ２０１９年综合动态度分别为０．０４㊁１．５９和０．２０，流动沙地与半固定沙地向固定沙地转变，沙地流动性降低，沙地斑块破碎程度增加，斑块间干扰程度减少，更易开展综合管理，充分说明治理取得了一定积极成效㊂（２）通过ＣＡ－Ｍａｒｋｏｖ模型对土地沙化程度进行模拟和预测，２０２４年较２０１９年轻㊁中度沙化土地面积增加约８３２８和５８２５７ｈｍ２，重㊁极重度沙化土地面积减少约６０８３０和５８９１ｈｍ２㊂沙化土地面积呈减少趋势，土地沙化程度呈减轻趋势，重㊁极重度沙化土地占比减少，轻㊁中度沙化土地增加，重㊁极重度沙化土地向轻㊁中度沙化土地转变，沙区植被状况进一步好转，生态环境明显改善㊂（３）土地沙化状况总体向好发展，这与地方重视生态环境保护和开展的生态治理活动存在很大关系，但沙化耕地面积有所增加，部分戈壁沙化程度有所加重，说明区域生态环境依然脆弱，应在保护生态环境的前提下，促进区域经济７５５１卷１２期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀刘宝军㊀新疆吉木乃县沙化土地动态变化分析发展㊂３．２㊀讨论㊀由多期监测结果对比看出，吉木乃县２００４ ２０１９年沙化土地面积整体呈减小趋势，防沙治沙取得积极成效，这是气候环境改善与生态管护的共同作用结果，但沙化耕地面积扩增，戈壁沙化程度加重，与人为过度开垦㊁戈壁生态保护措施不完善等原因密不可分㊂３．２．１㊀气候变化对防沙治沙起到促进作用㊂气候变化是沙化地区生态格局改善的驱动力之一，吉木乃县位于准格尔盆地北缘，１９７９ ２０１８年，准格尔盆地年均气温总体以０．７７ħ／１０ａ的速率增加，降水量增速达到２９．８４ｍｍ／１０ａ，气温增速快㊁降水高值多［１９］，植被生长状况持续变好，覆盖度增加，土地沙化情况得到有效遏制㊂３．２．２㊀依法治沙为生态修复提供基本保障㊂依法治沙㊁科学规划㊁优先保护生态策略是促进沙区植被休养生息㊁加快荒漠生态系统修复的基本保障㊂吉木乃县沙化土地面积的８０％是沙化草地，为了更好地保护沙区原生植被和生态工程建设成果，县林草部门出台了‘禁牧令“，制定了 三禁 措施，有效保护了沙区生态安全㊂３．２．３㊀重点工程成为治理沙化的重要途径㊂林草植被建设与保护修复工程是增加沙区植被面积㊁治理土地退化的重要途径㊂近年来，吉木乃县开展了草原生态补助奖励㊁重点防护林㊁高山冰缘区国家湿地公园等重点项目㊂此外，作为国家沙化土地封禁保护补助试点之一，遏制了沙化土地外扩势头，提升了抵御干旱㊁沙尘暴等灾害的能力㊂重点工程的实施抑制了吉木乃县流动沙地与半固定沙地的发展，减轻了土地沙化程度，大大地改善了当地生态环境㊂３．２．４㊀保护建设与资源利用矛盾依然突出㊂生态系统修复处于初级阶段，保护建设与资源利用矛盾依然突出㊂吉木乃县干旱少雨，自然条件差，生态脆弱，破坏容易恢复难㊂通过多年的治理，沙区生态状况开始向好发展，环境质量得到一定改善，但脆弱的沙区生态系统修复仍处于初级阶段，在人为活动的干扰下，建设成果的维持和强化难度很大㊂参考文献［１］刘晓．河北坝上土地沙化动态演变对生态系统服务的影响［Ｄ］．北京：北京林业大学，２０１９．［２］姜有为，张恒，张志伟，等．古尔班通古特沙漠２种典型固沙措施的生态恢复效应［Ｊ］．西北林学院学报，２０２１，３６（６）：４７－５４．［３］周艳光． 反规划 理念在干旱区城市规划中的应用：以新疆吉木乃县为例［Ｄ］．长春：东北师范大学，２０１３．［４］罗孝茹．近５２年新疆吉木乃县气温㊁降水变化特征及未来变化分析［Ｊ］．中国农学通报，２０１４，３０（５）：２９７－３０２．［５］支倩，李永军，杨高学，等．西准噶尔萨吾尔山一带吉木乃组流纹岩ＬＡ－ＩＣＰ－ＭＳ锆石Ｕ－Ｐｂ年代学及地质意义［Ｊ］．新疆地质，２０１９，３７（２）：１８８－１９３．［６］杨鹏年．新疆吉木乃县水资源现状及应对措施分析［Ｊ］．陕西水利，２０２０（１０）：１９－２１．［７］刘蕊．阜新市重点沙化地区遥感监测与应用研究［Ｄ］．阜新：辽宁工程技术大学，２０１６．［８］张楠楠．沙化土地的景观格局变化分析方法初探［Ｊ］．测绘与空间地理信息，２０１９，４２（７）：８０－８１，８４．［９］孙景梅，杨联安，周欢水，等．四子王旗景观格局演变与沙化土地动态变化分析［Ｊ］．西北林学院学报，２０１２，２７（３）：１６０－１６６，１９２．［１０］曹智伟，马友鑫，李红梅．正向综合土地利用动态度模型及其应用：以西双版纳公路对土地利用的影响为例［Ｊ］．云南大学学报（自然科学版），２００６，２８（Ｓ１）：２２４－２２８．［１１］侯一峰，汪洋，张帅．新疆渭干－库车河流域土地利用变化空间耦合及其生态效应［Ｊ］．灌溉排水学报，２０２０，３９（６）：１１－１８．［１２］任志远，张艳芳．土地利用变化与生态安全评价［Ｍ］．北京：科学出版社，２００３．［１３］汤洁，斯蔼，卢远，等．土地利用变化对松嫩平原腹地生态系统服务价值的影响［Ｊ］．干旱地区农业研究，２００７，２５（４）：３０－３５．［１４］陈述彭，童庆禧，郭华东．遥感信息机理研究［Ｍ］．北京：科学出版社，１９９８．［１５］刘静，白力嘎，郭建英，等．基于ＧＦ－１影像的砒砂岩区小流域土地利用时空变化及稳定性分析［Ｊ］．内蒙古林业科技，２０２０，４６（４）：２７－３２．［１６］王树力．赤峰市沙化土地结构与动态研究［Ｊ］．水土保持学报，２００６，２０（４）：１５６－１５９．［１７］任东风，齐欢，赵俊宇．彰武县沙化信息提取及动态监测研究［Ｊ］．测绘工程，２０２０，２９（６）：４９－５５．［１８］赵珍珍，冯建迪．１９８０ ２０１６年科尔沁沙地土地利用重心的时空迁移特征［Ｊ］．水土保持通报，２０１９，３９（４）：２５６－２６０．［１９］汤三玲．近４０年新疆气温和降水的时空变化特征［Ｄ］．成都：四川师范大学，２０２１．８５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀安徽农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２３年。

湖南持中规划咨询有限公司摘要：近年来，随着3s技术的飞速发展，人们开始利用数字高程模型DEM和遥感影像等数据源进行地貌特征信息提取。

本文以腾格里沙漠的流动沙丘地貌为例, 利用DEM和遥感影像，基于ENVI和ArcGis对沙漠地貌单元进行自动提取，为沙漠地貌的定量研究提供准确的地理信息和科学的研究依据，从而为将来不同地貌单元智能化提取提供经验。

关键字：沙丘、GDEM、地形因子、数字地貌、智能化提取、遥感图谱An automatic extraction method of sand dunesTang Ligang,Hunan Chizhong planning Consulting Co., LtdAbstract: In recent years, with the rapid development of3S technology, people began to use digital elevation model (DEM and remote sensing image data sources such as topographical features information extraction. In this paper, the flow of the tengger desert dunes landscape as an example, using the DEM and remote sensing image, based on ArcGis and ENVI to automatically extract the desert landscape unit, for the quantitative study of desert landscape to provideaccurate geographic information and scientific research。

遥感地学分析实验报告二中国·长春2019年1月实验二基于植被指数(NDVI)——反照率(Albedo)特征空间的土地荒漠化遥感分析【实验原理】土地荒漠化是指包括气候变异和人类活动在内的种种因素造成的干旱半干旱和亚湿润干地区的土地退化。

及时准确地掌握土地荒漠化发生发展情况是有效防止和治理土地荒漠化的基本前提。

使用遥感影像数据可以提取土地荒漠化信息，判断土地荒漠化的发生与发展程度。

沙漠化研究表明，随着沙漠化程度的加重，地表植被遭受严重破坏，地表植被盖度降低和生物量减少，在遥感图像上表现为植被指数相应减少。

由此看来，植被指数（NDVI）可作为反映沙漠化程度的生物物理参数。

在沙漠化的研究实践中，通过定位观测发现，随着沙漠化程度的加重地表状况发生了明显的改变，伴随着地表植被覆盖度的下降，地表水分相应地减少，地表粗糙度下降，地表反照率得到相应的增加。

因此，沙漠化过程导致的地表下垫面状况的变化，使地表反照率（Albedo）发生明显的变化，其可作为反映沙漠化程度的重要地表物理参数。

通过构造“植被指数(NDVI)——反照率(Albedo)特征空间”来进行荒漠化信息遥感提取。

荒漠化过程及其地表特性的变化能在Albedo-NDVI 特征空间中得到明显直观的反映。

在Albedo-NDVI 特征空间中，利用植被指数和地表反照率的组合信息，通过选择反映荒漠化程度的合理指数，可以将不同荒漠化土地有效地加以区分，实现荒漠化时空分布与动态变化的定量监测与研究。

沙漠化遥感监测模型在Albedo—NDVI 特征空间，不同沙漠化土地对应的植被指数(NDVI)和地表反照率(A1bedo)具有非常强的线性负相关性。

根据VerstraeteandPinty 的研究结论，如果在代表荒漠化变化趋势的垂直方向上划分Albedo-NDVI 特征空间，可以将不同的荒漠化土地有效地区分开来。

而垂线方向在Albedo-NDVI 特征空间的位置可以用特征空间中简单的二元线性多项式加以表达，即DDI=k*NDVI–Albedo其中：DDI 可称为荒漠化分级指数，k 由特征空间中拟合的曲线斜率确定。

如何利用遥感影像进行沙漠化监测和治理遥感技术在沙漠化监测和治理中发挥着重要的作用。

沙漠化是指原本可供生态系统发展的土地逐渐转变为沙漠的过程。

这种现象对人们的生活和生态环境造成了巨大的影响。

通过利用遥感影像，我们可以更加准确地监测沙漠化的趋势，并采取相应的治理措施。

首先，利用遥感影像进行沙漠化监测可以提供大范围的信息。

遥感技术可以通过卫星或无人机获取高分辨率的影像数据，覆盖范围广，不受地域限制。

这使得我们能够对广袤的土地进行全面的监测，找到可能存在的沙漠化迹象。

而传统的野外调查方法则受到时间和空间的限制，无法做到这种全面性。

其次，遥感影像不仅能够提供空间信息，还能够提供时间信息。

通过对多个时间点的遥感影像进行对比分析，我们可以观察到土地的变化趋势。

这有助于我们准确判断沙漠化的程度和速度，及时采取相应的防治措施。

例如，当我们发现某个地区的土地开始出现裸露和风蚀迹象时，我们可以通过遥感影像的时间序列分析来确定沙漠化的进展，从而及时采取种植植被、建设风力发电厂等措施，阻止沙漠化的蔓延。

第三，利用遥感影像进行沙漠化治理可以实现精确施策。

通过遥感影像，我们可以分析土地的类型、植被覆盖情况、水资源分布等信息，为沙漠化治理提供科学依据。

例如，当我们针对某个地区制定治理方案时，可以通过遥感影像判断出土地类型和植被分布的特点，从而决定采取何种治理手段，比如通过种植适应性强的植物来恢复土地的生态功能。

进一步地，利用遥感影像进行沙漠化治理还可以实现远程监测和实时响应。

遥感技术使得监测工作可以在远程进行，无需人员实地调查，节省了时间和成本。

同时，遥感影像可以通过图像处理和分析软件实现快速处理和数据提取，从而实现实时监测和响应。

例如，当我们对某个地区的沙漠化状况进行监测时，可以通过遥感影像获取相关数据，并通过图像处理软件进行分析，得出准确的沙漠化指数，帮助决策者进行决策，指导治理工作。

综上所述，利用遥感影像进行沙漠化监测和治理具有重要的意义。

基于归一化植被指数和地表反照率的土地沙漠化遥感监测研究刘茂华;邵悦;李雪欣【摘要】目的对土地沙漠化状况进行监测和评价,研究土地沙漠化变化及趋势预测,为恢复植被覆盖和改善生态环境提供依据.方法以新疆昌吉为研究区域,采用Land-sat遥感影像,经过预处理后通过提取归一化植被指数和地表反照率的空间特征,获取沙漠化差值指数,分析与评价新疆昌吉地区的沙漠化程度.结果新疆昌吉地区2011年沙漠面积为62.29％,裸地面积为26.97％;2013年沙漠面积为59.92％,裸地面积为28.59％;2015年的沙漠面积为77.73％,裸地面积为18.14％.2011-2013年,沙漠化差值指数增大,沙漠面积减少;2013-2015年,沙漠化差值指数显著减小,土地沙漠化面积大幅度增加;沙漠化等级由中度沙漠化演变为轻度沙漠化,又由轻度沙漠化变为重度沙漠化.结论沙漠化差值指数与沙漠化等级呈负相关性,DDI可正确地反映土地沙漠化的变化情况.【期刊名称】《沈阳建筑大学学报（自然科学版）》【年(卷),期】2019(035)003【总页数】7页(P512-518)【关键词】沙漠化;动态监测;NDVI;Albedo;沙漠化差值指数【作者】刘茂华;邵悦;李雪欣【作者单位】沈阳建筑大学交通工程学院,辽宁沈阳110168;沈阳建筑大学交通工程学院,辽宁沈阳110168;东北大学资源与土木学院,辽宁沈阳110819【正文语种】中文【中图分类】TU198+.3;P237土地沙漠化是人类活动和气候变化造成土地退化的一个过程[1].从时间上来讲,土地沙漠化发生在人类历史时期;从空间上来讲,土地沙漠化发生在干旱地区(半湿润和半干旱);从本质上讲,土地沙漠化是一种土地退化过程,主要以风、沙的活动,时间和空间的限制为特征;就起源而言,土地沙漠化是人类活动、气候变化等因素的结果;从景观上来讲,土地沙漠化是一个逐渐变化的过程,风沙活动所引起的地表形态作为景观标志,大部分最终形成一种沙漠景观[2].土地表面逐渐被风蚀和粗化,被沙丘占据,造成土地生产力、土地生产潜力和土地资源的严重损失.我国沙漠化地区面积较大且逐年增长[3].中国西北干旱地区是沙漠化较为严重的地区之一,土地沙漠化给当地的经济发展带来了严重的影响,对居民生活、生态健康等构成严重威胁.传统的土地沙漠化监测方法是对研究区沙漠化的类型和程度进行连续调查,记录和分析.目前我国对土地沙漠化的监测大部分还依靠国家层面的调研数据,国家大尺度的调研数据往往无法满足部分区域对沙漠化监测预报的需求[4-5].利用卫星遥感影像提取沙漠化信息可以对土地沙漠化区域进行监测,“3S”技术具有信息量大,覆盖范围广,周期短,监测结果更为准确详细的特点.“3S”为沙漠化监测提供了新的技术和手段[6].因此,应用“3S”技术可对沙漠化土地现状进行监测,能及时准确地了解和掌握沙漠化发生、发展的规律和程度,可了解沙漠化的现状，对沙漠化土地进行评估及防治,为恢复植被覆盖和改善生态环境提供依据.笔者通过利用GIS技术和RS技术相结合的方法,以西北地区沙漠化较为严重的新疆昌吉地区为例,探讨一种利用Landsat影像为数据源,通过提取归一化植被指数(NDVI)和地表反照率指数(Albedo)来获得沙漠化信息的方法,从而来进行对土地沙漠化的监测和评价.1 遥感数据源新疆昌吉地处中国西北部,地貌类型主要有平原地区、山地地区和沙漠地区.研究区面积为34 236.519 km2,土地沙漠化较为严重.笔者选用新疆昌吉地区2011年6月的Landsat4-5TM影像,2013年6月和2015年6月的Landsat8 OLI影像,3期来自USGS官方网站不同时相的遥感影像作为数据源.由于2011年、2013年和2015年的数据处理流程相同,所以笔者通过对新疆昌吉2015年土地沙漠化的研究评价其沙漠化程度.Landsat8 OLI共有9个波段,其中第8波段空间分辨率为15 m,Band1-Band 7以及Band9空间分辨率为30 ndsat4-5TM一共有7个波段,其中Band 6的空间分辨率为120 m,其余波段的空间分辨率均为30 ndsat系列数据具有更好的连续性和更丰富的谱带[7].此外Landsat系列卫星数据有着较好的时间分辨率和空间分辨率,对于中小区域的沙漠化监测有良好的适应性.利用Landsat遥感数据监测具有宏观性、综合性、重复性、经济快速等特点,是监测土地沙漠化的有力工具.Landsat遥感数据监测与耗时耗工、高成本、低效率和精度难以保证的传统人工调查相比,客观、快速、低成本、范围大、多时相和非破坏性特征,能客观地反映实际情况和土地覆盖动态变化.图1为2015年新疆昌吉地区截取的部分影像,可以看出北部地区沙漠化程度较为严重.图1 2015年新疆昌吉影像图Fig.1 Image map of Xinjiang Changji in 20152 数据预处理2.1 辐射校正辐射校正是以消除传感器引起的内部误差和环境因素引起的外部误差(大气折射和地面波动)为主要目的[8].根据校正结果的分类,辐射校正包括绝对和相对两种校正模式.绝对辐射校正是将遥感影像的像元亮度值(DN)转换为真正的地表反射值,需要获取图像过境时的地表测量数据.由于地形起伏等原因的影响,需对大气校正和传感器方面加以考虑[9],所以一般来说这种方法比较复杂.相对辐射校正又称之为遥感图像光谱归一化,使用其中的一个图像作为参照图像,并通过调整另一个图像的DN,使两幅图像中的相同地物具有相同的DN值.辐射定标是将像元的亮度值转换为上层大气的反射率或者光谱辐射亮度的过程[10].根据辐射定标值计算遥感器的光谱辐射亮度值,计算方法为L=Qcal×Gain+Bias.(1)式中:L为遥感器光谱辐射亮度;Qcal为像元的亮度值;Gain和Bias分别为遥感图像的增益值和偏置值.Gain=(Lmax-Lmin)÷(Qcalmax-Qcalmin),(2)Bias=Lmin-[(Lmax-Lmin)÷(Qcalmax-Qcalmin)]×Qcalmin.(3)式中:Lmax为光谱辐射度的最大值；Lmin为光谱辐射度的最小值；Qcalmax为像元可取得的最大亮度值；Qcalmin为像元可取得的最小亮度值.当像元亮度值最小时,光谱辐射度最小;像元亮度值最大时,光谱辐射度也相应最大.其中Qcalmin=0,Qcalmax=255,辐射定标可将图像的像元亮度值转换为大气顶层的辐射亮度值[11].笔者对2015年新疆昌吉影像图进行辐射定标,可选择Display→Profiles→Spectral查看辐射定标波谱曲线(见图2).定标后的光谱辐射度主要集中在0～10内.图2 辐射定标波谱图Fig.2 Radiometric calibration spectrum2.2 大气校正大气校正是将遥感影像中获得的大气辐射能以及其他辐射能的吸收和散射所引起的误差消除.目前主要的方法有:①不变目标法;②基于辐射传输模型的大气校正法;③直方图匹配法;④黑暗像元法[12].大气校正的操作流程:(1)输入文件的设置.将辐射定标之后的数据格式转换成ENVI的标准格式文件—BIL/BIP.需为每一个波段指定一个缩放因子,也可为整幅影像的所有波段指定相同的缩放因子.(2)遥感器参数的设置.遥感器的飞行高度、地面高程、数据采集时间、空间分辨率、地面中心坐标等参数由图像的区域位置确定.图像的平均高度由软件获得,不能通过查询直接确定.(3)大气模式的设置.FLAASH(大气校正模块)共有Tropical、Sub-Arctic Summer、Mid-Latitude Summer、Sub-Arctic Winter、Mid-Latitude Winter以及U.S.Standard 6种标准的大气模式.(4)气溶胶模式的设置.FLAASH模块有4种标准的气溶胶模式,分别为Rural、Tropospheric、Urban以及Maritime模式.(5)设置多光谱和去除水汽的具体参数.(6)最后设置输出文件以及存储路径,得到大气校正后的结果.笔者依据ENVI软件中的大气校正模块(FLAASH)的一般性和可运用性,选择辐射传输模型中的MORTRAN模型来进行大气校正.输入文件时对整幅影像设置单位缩放因子,单位缩放因子为0.1.大气模式选择Mid-Latitude Summer大气模式.气溶胶模式的设置选择Rural模式,并采用K—T变换的方法去除气溶胶.多光谱及去除水汽的具体参数设置如表1所示.表1 具体参数设置Table 1 Specific parameter settings气溶胶比例高度/kmCO2混合比率/10-6光谱分辨率/cm-1天顶角/(°)方位角/(°)输出反射比例因子1.539015180010 000完成设置后得到能见度、水汽柱的大气校正反演结果,选择Display→Profiles→Spectral查看大气校正波谱曲线(见图3).从图3可以看出,纵坐标的像元亮度在扩大10 000倍之后,数据值的范围在几百到几千.可以使用Bandmath波段计算工具除以10 000得到0～1内的反射率数据.大气校正波谱曲线与图2辐射定标的波谱曲线相比,大气校正后的影像基本消除了空气中水汽颗粒等因子的影响,植被的波谱曲线趋于正常.图3 大气校正波谱图Fig.3 Correction spectrum of atmospheric2.3 信息提取为了保证数据的一致性,计算出的NDVI和Albedo值,需对其计算值进行正规化处理.正规化处理前分别对NDVI和Albedo进行提取,提取流程:(1)提取归一化植被指数.植被覆盖度、生长状态等可用归一化植被指数来监测.利用经过辐射校正和几何校正的数据计算提取NDVI.NDVI提取流程:主菜单→Transform→弹出NDVI Calculation Parameters对话框→标定波段→保存文件并设置输出路径→点击OK.(2)提取地表反照率.地表反照率是表征地面以下垫面辐射特征的一个重要参数,且地表辐射平衡会随着它的变化而变化,并直接影响大气的产生[12].可根据辐射通量推算出不同波段的权重值,基于辐射传输模型进行光谱校正,从而计算出宽波段的地表反照率.利用S.Liang[13]建立的Landsat-TM数据的反演模型来估算地表反照率. Albedo=0.356ρTM1+0.130ρTM3+0.373ρTM4+0.085ρTM5+0.072ρTM7-0.001 8.(4)式中:ρTM1、ρTM3、ρTM4、ρTM5、ρTM7为不同波段的权重值.(3)正规化处理.使用数据正规化公式对NDVI和Albedo进行正规化数据处理.N=[(NDVI-NDVImin)÷(NDVImax-NDVImin)]×100%.(5)式中:N为正规化处理后的归一化植被覆盖指数;NDVImin为归一化植被指数的最小值;NDVImax为归一化植被指数的最大值.A=[(Albedo-Albedomin)÷(Albedomax-A lbedomin)]×100%.(6)式中:A为正规化处理后的地表反照率;Albedomin为地表反照率的最小值;Albedomax为地表反照率的最大值.笔者对昌吉市影像分别计算了NDVI和Albedo的最大值与最小值.NDVI的最大值为0.178 625,最小值为-0.009 221;Albedo的最大值为3 674.955 322,最小值为-0.001 800.然后分别对NDVI和Albedo数据进行正规化处理:主菜单→选择Basic Tools→点击ToolsBandmath选项→在Band Math对话框中输入NDVI 和Albedo正规化表达式→点击Add to List→点击OK,在Variablesto Band Pairings面板中指定相对应的波段信息,最终得到正规化后的NDVI和Albedo数据.2.4 计算NDVI和Albedo的定量关系正规化后的NDVI与Albedo两者之间存在着一种负相关的线性关系.不同沙漠化土地类型对应的NDVI和Albedo具有不同的线性负相关性[14-15].Albedo=a×NDVI+b.(7)式中:a为系数;b为参数.式(7)说明,随着土地沙漠化程度的加剧,NDVI逐渐减小,而Albedo逐渐增大[16].在Albedo-NDVI二维特征空间中,直观地反映了沙漠化过程及其地表特征.在研究区选取1 768个样点,对正规化后的NDVI与Albedo数据进行统计回归分析,其相关系数R2=0.87,趋近于1,表明在Albedo-NDVI二维空间中,NDVI与Albedo具有非常强的线性负相关性.根据式(7)确定NDVI和Albedo两者之间的定量关系,计算得到新疆昌吉地区2011年、2013年和2015年NDVI和Albedo 的拟合关系.Albedo2011=-10.52 NDVI +2 682.7,(8)Albedo2013=-7.747 4 NDVI +1 877.9,(9)Albedo2015=-366.9 NDVI +1 084.6.(10)3 沙漠化差值指数地表辐射平衡可随着地表反照率的变化而变化,从而对植被覆盖度和土壤水分造成影响,使地表的温度发生改变.对于土地沙漠化遥感监测,利用沙漠化差值指数(DDI)评价比采用多个评价指数要更简便[17],因此可以选择一个合理的指标来对不同程度的沙漠化土地加以区分,从而实现对土地沙漠化程度的监测和评价.因此通过DDI 可以有效区分不同的沙漠化土地程度,实现时空的定量监测.Albedo-NDVI线性二元多项式表示为DDI=k×NDVI-Albedo.(11)式中:DDI称为沙漠化差值指数;k为线性二元多项式的斜率.不同类型的沙漠化土地与DDI平均值之间的关系如表2所示[18],表2可作为判定土地沙漠化程度的依据.表2 不同沙漠化土地DDI值Table 2 DDI values of different desertified landDDI平均值土地沙漠化程度132.8非沙漠化土地105.9轻度沙漠化土地92.7中度沙漠化土地78.7重度沙漠化土地65.2极重度沙漠化土地从式(10)可知,新疆昌吉地区2015年系数a=-366.9.按a=-1/k求解,确定k值.把计算得出的k值代入DDI计算式(式(11))中,可得出2015年昌吉市DDI的最终表达式为DDI2015=1/366.9×NDVI-Albedo.(12)按同样的方式计算2011年和2013年的DDI表达式.DDI2011=1/10.52×NDVI-Albedo.(13)DDI2013=1/7.747×NDVI-Albedo.(14)使用ArcGIS软件打开在ENVI中处理之后的新疆昌吉地区矢量图,通过统计沙漠和裸地的像元个数,再乘以各自的像元值计算出沙漠面积和裸地面积.根据2011年、2013年和2015年新疆昌吉地区沙漠和裸地面积可以得出:2011—2015年沙漠面积依次为62.29%,59.92%,77.73%;裸地面积依次为26.97%,28.59%,18.14%.根据DDI表达式计算出DDI的平均值,对照表2可判断土地沙漠化的程度.新疆昌吉各年份DDI与沙漠化情况信息如表3所示.表3 新疆昌吉各年份DDI与沙漠化情况信息Table 3 Information of DDI and desertification in Changji,Xinjiang from 2011 to 2015年份沙漠面积/km2裸地面积/km2DDI平均值沙漠化程度201121 326.269 49 234.25795.6中度沙漠化201320 513.652 39 786.735 1100.1轻度沙漠化201526 611.185 46 210.556 781.2重度沙漠化通过DDI表达式可得到DDI的反演图.获取DDI反演图的操作步骤:主菜单→Basic Tool→Bandmath→在Enter an expression对话框上输入DDI表达式,点击添加到列表,单击确定,并设置文件名和输出路径,得到2015年昌吉市DDI反演图(见图4).DDI反演图为一个灰度图像,灰度值为0～255.其中黑色灰度值为0,白色灰度值为255,每个像元的灰度值代表此像元的沙漠化程度.灰度值越小代表DDI值越小,土地沙漠化程度则越大;灰度值越大则代表DDI值越大,土地沙漠化程度越小.由图4可以看出,中部偏北部地区沙漠化较为严重,东南部地区植被覆盖度较好.图4 2015年新疆昌吉沙漠化差值指数反演图Fig.4 Inversion map of desertification difference index of Changji in 20154 结论(1)新疆昌吉地区2011—2015年沙漠面积为依次为62.29%,59.92%,77.73%;裸地面积依次为26.97%,28.59%,18.14%.沙漠面积随着时间的推移发生了明显的起伏变化,2011—2013年,沙漠面积小幅减少;2013—2015年沙漠面积大幅度增加,沙漠面积总体呈显著上涨趋势.(2)2011年新疆昌吉DDI平均值为95.6,为中度沙漠化土地;2013年新疆昌吉DDI 平均值为100.1,为轻度沙漠化土地;2015年新疆昌吉DDI平均值为81.2,为重度沙漠化土地.2011—2013年,DDI值没有显著变化,而沙漠化面积也没有过多浮动.2013—2015年,DDI值显著减小,土地沙漠化面积大幅度上升.验证了DDI值与沙漠化程度呈负相关性,DDI反映了不同年份土地沙漠化程度,与实际沙漠化程度变化情况相吻合,正确地反映了土地的沙漠化变化情况.参考文献【相关文献】[1] 朱金峰.巴丹吉林沙漠边缘地区近20年土地沙漠化遥感监测研究[D].兰州:兰州大学,2011. (ZHU Jinfeng.Monitoring of desertification on the edge of badainjaran desert in recent 20 years based on remote sensing imagery[D].Lanzhou:Lanzhou University,2011.)[2] 陈佳楠,邓芳,乌恩图,等.浑善达克典型区域沙化土地十年遥感监测分析[J].中国农学通报,2015,31(29):227-234.(CHEN Jianan,DENG Fang,WU Entu,et al.10 years remote sensing monitoring analysis of desertification land of representative region in Hunshandake[J].Chinese agricultural science bulletin,2015,31(29):227-234.)[3] 韩刚.基于多尺度遥感数据的荒漠化草原土壤含水率监测研究[D].呼和浩特:内蒙古农业大学,2017.(HAN Gang.Study on monitoring soil moisture content ofdesertifiedgrassland based on multi-scale remote sensing data[D].Hohhot:Inner Mongolia Agricultural University,2017.)[4] 潘竟虎,秦晓娟.基于植被指数-反照率特征空间的沙漠化信息遥感提取：以张掖绿洲及其附近区域为例[J].测绘科学,2010,32(3):193-195.(PAN Jinghu,QIN Xiaojuan.Extracting desertification from landsat imagery using a feature space composed of vegetation index and albedo：a case study of Zhangye oasis and its adjacent areas[J].Science of surveying and mapping,2010,32(3):193-195.)[5] 曾永年,冯兆东.黄河源区土地沙漠化时空变化遥感分析[J].地理学报,2007,62(5):529-536. (ZENG Yongnian,FENG Zhaodong.Spatial and temporal changes of desertification in the headwater area of the Yellow River using remote sensing[J].Acta geographicasinica,2007,62(5):529-536.)[6] 官雨薇,何彬彬.基于遥感影像的全球沙漠化指数构建及趋势分析[D].成都:电子科技大学,2015. (GUAN Yuwei,HE Binbin.Construction and trend analysis of global desertification index based on remote sensing image[D].Chengdu:University of Electronic Science and Technology of China,2015.)[7] 陶安琪.被动微波遥感纳木错湖冰变化研究[D].南京:南京大学,2014.(TAO Anqi.Research on the variation of Namco Lakeice by passive microwave remote sensing[D].Nanjing:Nanjing University,2014.)[8] 顾余庆.基于遥感与GIS的基本农田调整方法研究:以东海县为例[D].南京:南京师范大学,2014. (GU Yuqing.Research on demarcate method of basic farmland based on RS and GIS:a case of donghai county[D].Nanjing:Nanjing Normal University,2014.)[9] 庄晨辉,陈铭潮,李峥.遥感技术在土地沙化监测中的应用[J].福建林学院学报,2006,26(4):324-327. (ZHUANG Chenhui,CHEN Mingchao,LI Zheng.Application of remote sensing technology in land desertification monitoring[J].Journal of Fujian college of forest,2006,26(4):324-327.)[10] 彭立.岷江上游生态水信息指标参数遥感反演与变化监测[D].成都:成都理工大学,2016. (PENG Li.Remote sensing inversion and change monitoring of ecological water information index parameters in the upper reaches of MinjiangRiver[D].Chengdu:Chengdu University of Technology,2016.)[11] 程洪.基于数字图像处理的玉米品种识别研究[D].保定:河北农业大学,2007.(CHENG Hong.Study on corn species identification based on digital imageprocessing[D].Baoding:Hebei Agricultural University,2007.)[12] 郁斢兰.海上交通枢纽建设的悬浮泥沙数值模拟与遥感监测研究:以大连海上机场为例[D].大连:大连海事大学,2015.(YU Yulan.Remote sensing and numerical simulation of suspended sediment pollution caused by offshore transportation hub construction:the background of Dalian offshore airport[D].Dalian:Dalian Maritime University,2015.)[13] LIANG S.Nanowband to broadband conversions of land surfacealbedo:algorithms[J].Remote sensing of environment,2001,76(2):213-238.[14] 袁宏波.黄河源区玛曲县草地沙化动态监测及区域景观结构分析研究[D].兰州:甘肃农业大学,2006.(YUAN Hongbo.Grassland sandification dynamic monitoring and landscape pattern analysis of MaquCounty in sourceregion of yellow river[D].Lanzhou:Gansu Agricultural University,2006.)[15] 李苗苗.植被覆盖度的遥感估算方法研究[D].北京:中科院研究生院,2003.(LI Miaomiao.Research on remote sensing estimation methods of vegetation coverage[D].Beijing:Graduate School of Chinese Academy of Sciences,2003.)[16] 贾树海,王潇雪,杨亮.辽北农牧交错带土地荒漠化及景观格局变化研究[J].中国水土保持,2014,18(5):51-55.(JIA Shuhai,WANG Xiaoxue,YANG Liang.Study on land desertification and landscape pattern change in the farming-Pastoral ecotone of northern Liaoning[J].Soil and water conservation in China,2014,18(5):51-55.)[17] 侯晓真,张书毕,宁晓刚,等.基于TM影像波段运算的沙漠变化检测分析[J].大地测量与地球动力学,2013(6):145-149.(HOU Xiaozhen,ZHANG Shubi,NING Xiaogang,et al.Desert change detection and analysis based on TM image band operation[J].Journal of geodesy and geodynamics,2013(6):145-149.)[18] 曾永年,向南平,冯兆东,等.Albedo-NDVI特征空间及沙漠化遥感监测指数研究[J].地理科学,2006,26(1):75-81.(ZENG Yongnian,XIANG Nanping,FENG Zhaodong,et al.Albedo-NDVI space and remote sensing synthesis index models for desertification monitoring[J].Scientia geographica sinica,2006,26(1):75-81.)。