论文部分内容阅读
为了能够获取研究区耕地、草地、林地、裸地、沙地、水体、建设用地这七种土地利用覆盖类型的动态变化,本文利用光谱、纹理以及地形共计25个特征作为分类特征变量,基于面向对象分割,利用随机森林(RF)分类算法对研究区2010年和2017年两个时相的Landsat TM和OLI遥感影像进行分类处理,并对分类结果建立混淆矩阵作出分类精度评价,测试出分类器总体分类精度达到94.95%,Kappa系数为0.94,表明了面向对象结合随机森林的分类算法可有效应用于荒漠化地区地物的分类。通过对随机森林分类模型进行特征重要性评价,发现对模型分类精度影响较大的有Landsat OLIBB波段、PC1的均值特征、归一化差异植被指数(NDVI)、BSWIR1波段、缨帽变化的绿度特征波段等特征变量。土地利用覆盖变化检测时,对分类结果中各地物类型覆盖的总面积分析可知沙地面积从2010年的461.84km2减少到2017年的206.76km2,共计减少255.08km2。其主要转化对象是裸地和草地,对应转化面积分别为129km2和41.26km2,一定程度上反映了研究区近年来对于荒漠化重点地物类型沙地的治理效果。另一种荒漠化重点地物类型裸地的覆盖面积从2010年的456.27km2增长到2017年的852.42km2,共计增长396.15km2,其增长来源主要是沙地和草地类型转化为裸地。通过构建NDVI-Albedo特征空间来确定NDVI与Albedo两者之间的定量关系,从而根据Verstrate和Pinty的研究结论来计算研究区的荒漠化差值指数(DDI),并利用Jenks自然间断点分级法将荒漠化差值指数(DDI)分为重度荒漠化、中度荒漠化、轻度荒漠化和非荒漠化4个级别。通过对两个时期荒漠化面积变化检测得出研究区非荒漠化和重度荒漠化的覆盖面积分别减少105.25km2和83.16km2,相较于2010年的非荒漠化和重度荒漠化面积相比变化率分别达到-15.59%和-16.88%,其覆盖面积呈现出减少趋势,与地物分类结果中草地地物类型减少605.8km2和沙地覆盖面积减少255.08km2的趋势相符。而与此同时轻度荒漠化和中度荒漠化的覆盖面积分别增加113.94km2和74.37km2,与地物分类结果中裸地面积增长396.15km2的趋势相吻合,一定程度上说明了利用NDVI-Albedo特征空间来计算荒漠化差值指数并通过自然间断点分级法对荒漠化指数进行分级的方法适用于本研究区的荒漠化信息提取。