黃曉君，頡耀文，衛(wèi)嬌嬌，付 苗，呂利利，張玲玲

(1.蘭州大學 資源環(huán)境學院，甘肅 蘭州 730000；2.內蒙古師范大學 地理科學學院，內蒙古 呼和浩特 010022)

基于變化檢測-CART決策樹模式自動識別沙漠化信息

黃曉君1,2，頡耀文1，衛(wèi)嬌嬌1，付 苗2，呂利利1，張玲玲1

(1.蘭州大學 資源環(huán)境學院，甘肅 蘭州 730000；2.內蒙古師范大學 地理科學學院，內蒙古 呼和浩特 010022)

目前沙漠化遙感監(jiān)測存在目視解譯的局限性、數據源的約束性、遙感信息利用率低等問題?；诖耍悦袂谂璧貫樵囼瀰^(qū)，首先采用圖像差值、最大值合成及二維最大類間方差等方法，檢測1994年、2014年兩期Landsat圖像的變化像元，然后利用分類與回歸樹(CART)算法構建決策樹，自動提取了2014年沙地信息，最后將變化檢測結果與沙地信息進行空間疊置分析，并實現了沙漠化信息自動識別模式。研究表明，變化檢測-CART決策樹模式精度為89.43%～93.00%，在95%置信水平上其置信區(qū)間介于85.90%～98.00%，顯然其精度具有較高可信度；該模式不僅能夠充分利用豐富遙感信息而且可排除多余信息的干擾?？梢?，變化檢測-CART決策樹模式是識別沙漠化信息的有效方法之一，將對沙漠化防治工程具有重要應用價值。

沙漠化；分類與回歸樹(CART)；決策樹；變化檢測；自動識別

土地沙漠化是指在干旱、半干旱和部分半濕潤地區(qū)，由于自然因素或人文因素或兩者的共同作用，使原非沙漠地區(qū)出現以風沙活動為主要標志的類似沙漠景觀的土地退化過程。它是當今世界最為嚴重的環(huán)境-社會-經濟問題之一，及時準確監(jiān)測沙漠化信息是治沙止漠的基礎，研究意義重大。

遙感具有獲取信息快、監(jiān)測范圍大、提供信息豐富等特點，1970年代以來在土地沙漠化中得到廣泛應用。國外最早在1975年Lampery利用航空像片對撒哈拉沙漠南緣的移動進行了研究[1]，而國內1984年中國科學院沙漠研究所利用航空相片及衛(wèi)星像片研究沙漠化[2]。目前，常見的土地沙漠化遙感監(jiān)測方法主要有目視解譯[3-5]、遙感專題指數[6-8]、沙漠化監(jiān)測指數[9-10]、人工神經網絡[11-12]、光譜混合分析[13-14]、決策樹分類[15-16]、基于面向對象[17-18]等。由于沙漠化過程的動態(tài)性與成因的復雜性，快速準確監(jiān)測沙漠化信息有一定挑戰(zhàn)性。目視解譯提取沙漠化雖精度較高，但工作量大、效率低、主觀性強，很難及時掌握沙漠化狀況。遙感專題指數、沙漠化監(jiān)測指數、人工神經網絡等方法對遙感信息的利用率較低，其豐富的信息未能充分發(fā)揮應有的作用。光譜混合分析與基于面向對象的監(jiān)測雖精度較高,但對數據源要求很高，如光譜混合像元分析較適于高光譜遙感數據，基于面向對象適于高空間分辨率遙感數據，從而它們利用的遙感數據不僅價格昂貴而且無法滿足大面積多時相的需求。目前雖沙漠化遙感監(jiān)測方法較多，但普適性較差，遙感信息的利用率低，尚未建立普遍接受的自動提取沙漠化信息的方法框架。

分類與回歸樹(CART)算法不僅對遙感數據源要求不高，而且能夠充分利用其豐富的遙感信息。目前美國NASA陸地衛(wèi)星Landsat可供免費的1980年代以來大面積、多時相、中高空間分辨率多光譜遙感數據，它必然是沙漠化遙感監(jiān)測的主要數據源?；诖?，本研究以民勤盆地為試驗區(qū)，利用Landsat衛(wèi)星遙感數據，嘗試變化檢測-CART決策樹模式是構建計算機自動識別沙漠化信息的有效方法。

1 試驗區(qū)及材料

本文試驗區(qū)是甘肅民勤盆地，地處我國西北內陸干旱區(qū)，在河西走廊東北部石羊河下游，地理位置介于38°25′～39°17′N，102°45′～104°15′E。盆地底部海拔在1 300～1 400 m之間，大部平坦開闊，地勢由西南向東北緩傾。盆地東西北三面被騰格里和巴丹吉林兩大沙漠包圍，大陸性沙漠氣候特征明顯，干旱少雨、晝夜溫差大、光照充足。在盆地石羊河兩岸分布所謂民勤綠洲。多年來，由于人類活動的加劇和氣候變化的影響，綠洲與沙漠交錯帶出現了土地沙漠化現象，因此該地區(qū)可作為本研究試驗區(qū)。

本文主要使用的數據有1994年與2014年7月份Landsat TM/OLI影像數據(云量小于2%，行列號為131033，空間分辨率為30 m)，還有美國NASA SRTM1 DEM數據(空間分辨率為30 m)，另外包括2014年7月與10月兩次野外調查數據。利用ENVI軟件對影像數據進行大氣輻射校正和裁剪處理，對DEM數據進行幾何校正、投影轉換及裁剪處理。影像、DEM數據的坐標與投影系統(tǒng)應統(tǒng)一，即坐標系統(tǒng)為WGS1984，投影為通用墨卡托UTM，帶號為48 N。

圖1 總體技術路線圖

2 研究方法

基于變化檢測-CART決策樹模式自動識別沙漠化信息的總體思路如圖1所示，首先自動檢測由1994年至2014年的土地變化像元，它是圖像差值結合最大值合成法及二維最大類間方差法來完成；其次自動提取2014年沙地信息，它是在獲取若干沙地信息識別指標的基礎上，利用CART算法構建決策樹來完成；最后自動識別沙漠化信息，它是通過變化檢測結果與沙地信息的空間疊置分析來實現。

2.1 變化檢測

2.1.1 圖像差值

為分析1994年、2014年TM/OLI圖像藍、綠、紅、近紅外及短波紅外1、2波段對典型地類，如沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)等的光譜反射曲線特征，采樣了以上地類的反射率，并繪制了光譜反射曲線(圖2)。結果表明，沙地的反射率在紅、短波紅外1、2波段上突出，與周圍的綠地、水域及其他土地的光譜反射曲線有明顯差異，因為紅色波段對葉綠素有較強的吸收，而對沙地的反射較高，且它是可見光中信息量較豐富的波段；短波紅外1、2波段對水體有較強的吸收，而對沙地的反射高，且在所有波段中短波紅外1的信息量最豐富。因此，從兩期圖像中分別選擇了近紅外、短波紅外1、2等3個波段，進行了相應的差值處理。

圖2 典型地類光譜反射曲線

2.1.2 變化像元信息提取

圖像差值為分離變化與未變化像元信息奠定了基礎，因為差值后像元絕對值呈兩極分化態(tài)勢，這是變化像元信息提取的切入點。本研究顧及壓縮數據和不遺漏變化信息，利用最大值合成法，將3個差值圖像進行合成處理。另外，為減少多余信息對變化像元中沙漠化信息的干擾，從合成圖像中剔除小于等于0的像元，因為圖像差值使沙漠化像元值基本控制在大于0范圍。在此基礎上，采用二維最大類間方差法，提取合成圖像中的變化像元信息。二維最大類間方差法是在二維灰度直方圖的基礎上，具有統(tǒng)計意義上的最佳分割閾值，其將圖像的二維灰度直方圖分割成兩類，使兩類間離散度矩陣的跡取最大值，即分離性最大，如式(1)所示。

(1)

表1 沙漠化信息識別指標的計算

式中：trρ為類間離散度矩陣ρ的跡，L為圖像灰度級，(α，β)為任意閾值，(α′，β′)為最佳閾值。

本文根據以上數學定義，實現了變化像元與未變化像元的有效分離，其結果顯示合成圖像像元值大于0.076為變化像元，反之則未為變化像元。

2.2 CART決策樹沙地信息提取

2.2.1 沙地信息識別指標選取

目前尚沒有能夠直接準確提取沙地信息指數的方法，一般運用分類方法提取。本研究首先把地表分為沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)等4類，然后利用CART決策樹對地表進行分類，并實現沙地信息提取。

筆者參考文獻[7、9、15]等，選擇修改型土壤調整植被指數(MSAVI)、歸一化植被指數(NDVI)、歸一化差異水體指數(NDWI)、歸一化裸露指數(NDBI)、鹽分指數(SI)、表土粒度指數(GSI)、地表反照率(Albedo)、K-T變換的分量(如亮度Brightness、綠度Greenness)、紋理特征及DEM等作為沙地信息識別指標。上述指標在分類中發(fā)揮應有的作用，如：MSAVI、NDVI、Greenness能夠表征地面綠地信息，其中NDVI由于對低密度植被覆蓋地區(qū)受土壤背景影響較大，且高密度植被覆蓋地區(qū)易飽和，故適合中密度植被覆蓋地區(qū)綠地信息識別，而MSAVI受土壤背景影響較小，適于低密度植被覆蓋地區(qū)的綠地信息識別，Greenness與綠色植物的數量具有密切關系，能夠彌補NDVI在高密度植被覆蓋地區(qū)快速飽和的缺陷；NDWI可以最大程度抑制植被信息，而能夠突出水體信息；Albedo能夠反映地表對太陽輻射反射特性，隨地表植被覆蓋度、土壤水分及地表粗糙度的變化，Albedo具有明顯的響應，則沙地、綠地、水域等不同地表特征的反射率呈明顯差異；Brightness能夠反映土壤反射率變化的信息，受土壤水分的影響，其值對不同水分地表具有明顯差異，則分離沙地與其他土地起到應有的作用；NDBI對裸露地表較敏感，則識別裸地、道路等信息較好；SI能夠反映鹽堿地信息；GSI對表土粒度信息較敏感，則能夠較好識別戈壁、居民地等信息；紋理特征能夠反映地表粗糙度信息，沙地紋理與其他地表具有明顯的差異，則識別沙地信息起到應有的作用；DEM能夠反映地貌形態(tài)特征，沙地與戈壁在海拔上具有一定空間差異性，則其能夠增強沙地與戈壁的分離性。以上指標的獲取如表1所示。

2.2.2 訓練樣本的選取

本文將地表分為4種土地類型，即沙地、綠地(如草地、耕地、林地)、水域(如河渠、湖泊、水庫)及其他土地(如居民地、工礦、道路、鹽堿地、裸地、戈壁)，并采用目視解譯與野外考察等手段，在2014年圖像上選取訓練樣本(350個圖斑，共28 138個像元)。目視解譯是在解譯者具備圖像解譯專業(yè)知識、區(qū)域背景知識及遙感系統(tǒng)知識的基礎上，根據圖像基本解譯要素和解譯標志來識別目標地物。訓練樣本的選取是構建決策樹的關鍵部分，它的好壞直接影響后期分類精度。因此，在選取訓練樣本時，考慮了其代表性、典型性及完備性，也就是說訓練樣本代表了整個區(qū)域內各地類光譜特征差異。

2.2.3 CART決策樹的構建及分類

本文利用CART算法建立了決策樹，即稱為CART決策樹。CART決策樹是由輸入變量和輸出變量構成的訓練樣本數據集的循環(huán)分析的二叉樹結構，其中輸入變量是由基于訓練樣本像元的各沙地信息識別指標產生；輸出變量是由基于訓練樣本像元的4種土地類型產生。CART算法包括決策樹生長和決策樹修剪兩部分內容。在決策樹生長時，利用雜度削減量從眾多輸入變量中選擇當前最佳分組變量，然后采用基尼系數確定分組變量分割閾值，其數學定義如式(2)、式(3)所示。

(2)

式中：G(t)為基尼系數，t為節(jié)點，k為輸出變量類別個數，P(j|t)是節(jié)點中輸出變量取第j類的歸一化概率，Nj,t是節(jié)點t包含第j類的樣本量，Nj是全樣本量。分組變量分割閾值過程是首先將每個輸入變量數值按升序排序，再從小到大依次以相鄰數值的中間值作為分割點，將樣本分成兩組，并計算兩組樣本輸出變量值的異質性。當使兩組輸出變量值的異質性總和最小、純度最大時，分組變量達到最佳分割點。輸出變量值的異質性是用基尼系數來測度，當節(jié)點中輸出變量均取同一類別時，輸出變量取值的異質性最小，即基尼系數為0，而當各類別取值概率相等時，輸出變量取值的異質性最大，即基尼系數為1-1/k。

(3)

式中：ΔG(t)為雜度削減量，G(t)和N分別為分組前輸出變量的基尼系數和樣本量，G(tr)、Nr和G(tl)、Nl分別為分組后右子樹的基尼系數和樣本量以及左子樹的基尼系數和樣本量。在節(jié)點處首先對所有輸入變量將計算其雜度削減量，再對雜度削減量進行比較，選擇最大對應的輸入變量將成為當前節(jié)點分組變量。

在CART決策樹構建中，決策樹的修剪處理很重要。它在保證決策樹有一定預測精度的前提下，還能削減決策樹的復雜程度，最終獲得一顆理想的樹。修剪由預修剪和后修剪兩部分構成，其中預修剪是在建立決策樹時，事先制定一些控制參數來修剪決策樹，如決策樹最大深度、樹中父節(jié)點和子節(jié)點的最少樣本量或比例、樹節(jié)點中輸出變量的最小雜度削減量等；后修剪是在決策樹預修剪后充分生長的基礎上，根據一定的規(guī)則，修剪樹中那些不具有一般代表性的葉節(jié)點或子樹，這是一個邊修剪邊預測當前決策子樹精度的過程。它是采用最小代價復雜性修剪法來完成。此方法

不僅顧及了決策樹的預測精度，而且考慮了決策樹的復雜程度。本文通過上述修剪處理，得到理想的決策樹，再利用該決策樹自動提取了2014年沙地信息。

2.3 沙漠化信息識別

通過1994年、2014年兩期Landsat衛(wèi)星圖像變化檢測與2014年CART決策樹分類結果的空間疊置分析，自動識別了2014年沙漠化信息。若變化像元與分類圖像的沙地像元相重合，當前像元為沙漠化像元，反之則未沙漠化像元。利用ENVI軟件波段計算功能進行空間疊置分析，實現了沙漠化信息的自動識別(如圖3所示，2014年民勤盆地沙漠化信息識別的局部放大圖)。

圖3 沙漠化信息識別的局部放大圖

3 研究結果與分析

3.1 變化檢測的有效性分析

3.1.1 沙漠化土地與未變化土地像元的有效分離

為分析變化檢測對沙漠化與未變化土地像元能夠分離的有效性，選取1 300未變化土地樣本像元(覆蓋了沙地、綠地、水域、其他土地)、2 520沙漠化土地樣本像元(綠地沙漠化、水域沙漠化及其他土地沙漠化像元各840個)，然后分別對兩期紅、短波紅外1、2波段進行差值，再進行最大值合成處理，獲得其最大值，如圖4所示。圖4a和4b分別為未變化土地和沙漠化土地的3波段求差的最大值散點圖，其表明：未變化土地像元值集中于0附近，其值基本都小于分割閾值(0.076)，而沙漠化土地像元值基本都大于分割閾值，從而在變化檢測中最大值合成法和二維最大類間方差法的應用不僅克服變化信息丟失而且有效分離沙漠化與未變化像元。另外，試驗顯示有時其他土地沙漠化像元值小于閾值的現象，這對變化檢測帶來一定的誤差，但這只是很小部分，可忽略不計。

圖4 沙漠化與未變化土地像元的有效分離

3.1.2 變化檢測的精度分析

為變化檢測結果的精度分析，在2014年圖像上隨機選取了3 154個樣本點，再利用目視解譯與野外判別方法確定其土地類型，即沙地、綠地、水域及其他土地，并作為2014年真實樣本點。在此基礎上，同樣的方法產生1994年相應真實樣本點。對兩期真實樣本點進行比較得知，沙漠化與未變化樣本點分別為1 849和1 305，然后采用變化檢測方法對兩期真實樣本點間進行檢測，結果顯示：沙漠化與未變化樣本點分別為1 613和1 286。顯然沙漠化和未變化像元的檢測精度分別為87.24% 和98.54%，總體精度為91.92%(圖5)。

3.2 CART決策樹沙地信息提取精度分析

圖5 變化檢測精度驗證

3.2.1 CART決策樹模型風險評價

CART決策樹沙地信息提取精度分析之前，應評價CART決策樹模型的精度，即模型風險評價。它是利用風險估計(錯判率)來衡量。在CART決策樹的構建中使用的總樣本為28 138個像元。其中訓練樣本和測試樣本分別占總樣本的80%、20%。一般用測試樣本來測試模型精度。其測試結果顯示，決策樹對測試樣本的風險估計為0.031，即錯判率為3.1%，與訓練樣本的風險估計值相等(表2)。說明該模型穩(wěn)定，精度較高。

3.2.2 CART決策樹沙地信息提取精度評定

為評定CART決策樹沙地信息提取精度，其分類結果與傳統(tǒng)的最大似然法與現代的人工神經網絡方法分類結果分別進行了精度比較，三者分類結果如圖6所示。筆者利用混淆矩陣計算Kappa系數和總體精度來評定其分類精度。首先在2014年圖像上隨機選取了260個驗證圖斑；其次采用手持GPS導航找到驗證圖斑的實地位置，并確認該圖斑土地類型；最后把確認的260個驗證圖斑作為真實感興趣區(qū)，與相應的CART決策樹、最大似然法、人工神經網絡分類結果分別相比較，并獲得真實與預測的混淆矩陣，同時求出Kappa系數和總體精度。結果顯示，CART決策樹的分類總體精度和Kappa系數最高，分別為87.34%和0.827 2，人工神經網絡次之，分別為85.71%和0.806 0，最大似然法最低，分別為82.27%和0.758 8。分類總體精度是分類器正確分類的像元總數與總像元數之比，若總體精度越大，分類器分類精度越高；Kappa系數是綜合了生產精度和用戶精度的指標，若Kappa系數越大，分類結果與真實參考之間差異越小，則分類器分類精度越高。顯然CART決策樹提取沙地信息優(yōu)于最大似然法和人工神經網絡。

3.3 沙漠化信息識別的精度驗證

為沙漠化信息自動識別精度的驗證，從變化檢測-CART決策樹模式的自動識別結果中隨機選取了1 486個驗證點(圖7d)，采用野外調查和室內目視解譯方法，再結合地理國情普查數據和高空間分辨影像圖，判別當前驗證點是否沙漠化，如圖7a、圖b、圖c顯示了變化檢測-CART決策樹模式準確識別沙漠化的狀況。精度驗證得知，變化檢測-CART決策樹精度為89.43%(正確識別驗證點數占總驗證點數的百分比)。為進一步評定沙漠化信息識別精度的可信程度，在計算識別精度的基礎上，利用總體比例的區(qū)間估計方法，在95%置信水平上估計了當前精度的置信區(qū)間(圖8)，結果表明：隨驗證點由100增加到1 486期間，該模式沙漠化信息識別精度為89.43%～93.00%，其置信區(qū)間介于85.90%～98.00%；當驗證點數增加到600之后，精度變化變?yōu)榉€(wěn)定，基本在89.51%上下微小浮動。綜上可見，變化檢測-CART決策樹模式自動識別沙漠化信息精度具有較高的可靠性。

表2 模型風險的評價結果

圖6 分類結果

圖7 沙漠化驗證

圖8 沙漠化信息識別精度及其置信區(qū)間

4 結束語

本文以民勤盆地為試驗區(qū)，提出了變化檢測-CART決策樹模式自動識別沙漠化信息的方法。它由變化檢測與CART決策分類樹兩部分組成，其中變化檢測的主要作用是自動檢測包含沙漠化信息的變化像元，其精度分析顯示：沙漠化和未變化像元的檢測精度分別為87.24% 和98.54%，總體精度為91.92%，可見變化檢測能夠有效分離沙漠化與未變化像元。CART決策樹分類目的是從2014年圖像中自動提取沙地信息，其精度分析表明：模型精度為96.90%，分類總體精度為87.34%，Kappa系數為0.827 2，與最大似然法、人工神經網絡等方法比較得知，CART決策樹分類精度優(yōu)于它們，顯然CART決策樹能夠有效提取沙地信息。在變化檢測與CART決策樹分類的基礎上，利用ENVI波段計算功能對變化檢測與CART決策樹分類結果進行空間疊置分析，并自動識別了沙漠化信息，其精度驗證顯示：變化檢測與CART決策樹模式精度為 89.43%～93.00%，其置信區(qū)間介于85.90%～98.00%。顯而易見，變化檢測-CART決策樹模式是識別沙漠化信息的有效方法之一。

變化檢測-CART決策樹模式不僅在精度上具有較高的可信度，而且其他方面亦有突出的優(yōu)勢，如：①與光譜混合分析、基于面向對象方法比較，適用性相對較高，它對數據源要求不高，免費Landsat衛(wèi)星多光譜遙感數據即可，適合大面積沙漠化監(jiān)測，但光譜混合分析和基于面向對象方法對遙感數據的光譜分辨率或空間分辨率具有較高的要求，則大面積沙漠化監(jiān)測必然費用昂貴；②使豐富遙感信息充分發(fā)揮了應有的作用，而支持向量機、人工神經網絡、遙感專題指數、沙漠化監(jiān)測指數等方法對遙感信息的利用率相對較低；③實現了計算機自動識別沙漠化信息，排除了多余信息的干擾，避免了由于解譯人員的主觀性或經驗的不同而引起的差異和錯誤，提高了工作效率，可及時掌握沙漠化狀況。可見，變化檢測-CART決策樹模式將對沙漠化防治工程具有重要應用價值。

[1] Lamprety H F.Report on the desert encroachment reconnaissance in northen Sudan[R].Khartoum,Sudan National Council for Research, Ministry of Agriculture,1975.

[2] 朱震達.中國沙漠化研究的進展[J].中國沙漠,1989,9(1)：1-13.

[3] Reiche M,Funk R,Zhang Z D,et al.Application of satellite remote sensing for mapping wind erosion risk and dust emission-deposition in Inner Mongolia grassland,China[J].Grassland Science,2012,58(1)：8-19.

[4] 王濤,宋翔,顏長珍,等.近35年來中國北方土地沙漠化趨勢的遙感分析[J].中國沙漠,2011,31(6)：1351-1356.

[5] 胡夢珺,田麗慧,張登山,等.遙感與GIS支持下近30年來青海湖環(huán)湖區(qū)土地沙漠化動態(tài)變化研究[J].中國沙漠，2012,32(4)：901-909.

[6] Nasem Badreldin·Rudi Goossens.A satellite-based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J].Mitig Adapt Strateg Glob Change,2015,20：263-276.

[7] 孫建國,姜燁,顏長珍,等.利用專題指數改善沙漠化土地遙感分類精度[J].遙感技術與應用,2013,28(4)：655-658.

[8] Symeonakis E,Drake N.Monitoring desertification and land degradation over sub-saharan africa[J].International Journal of Remote Sensing,2004,25(3)：573-592.

[9] 李寶林,周成虎.東北平原西部沙地沙質荒漠化的遙感監(jiān)測研究[J].遙感學報,2002,6(2)：117-122.

[10]曾永年,向南平,馮兆東,等.Albedo-NDVI特征空間及沙漠化遙感監(jiān)測指數研究[J].地理科學,2006,26(1)：75-77.

[11] 喬平林,張繼賢,林宗堅.基于神經網絡的土地荒漠化信息提取方法研究[J].測繪學報,2004,33(1)：58-62.

[12] 買買提·沙吾提,塔西甫拉提·特依拜,丁建麗,等.BP神經網絡的沙漠化土地信息提取研究[J].干旱區(qū)研究,2008,25(5)：647-652.

[13] Dawellbait M,Morari F.Monitoring desertification in a savannah region in sudan using Landsat images and spectral mixture analysis[J].Journal of Arid Environments,2012,80：45-55.

[14] 李曉松,吳波,范文義,等.基于光譜混合分析的荒漠化信息提取——以毛烏素沙地為例[J].林業(yè)科學研究,2006,19(2)：192-198.

[15] 賈樹海,韓志根,呂默楠,等.基于決策樹的遼寧省北部沙漠化信息提取研究[J].生態(tài)環(huán)境學報,2011,20(1)：13-18.

[16] 段英杰,何政偉,王永前,等.基于遙感數據的西藏自治區(qū)土地沙漠化監(jiān)測分析研究[J].干旱區(qū)資源與環(huán)境,2014,28(1)：55-61.

[17] 王志波,高志海,王琫瑜,等.基于面向對象方法的沙化土地遙感信息提取技術研究[J].遙感技術與應用,2012,27(5)：770-777.

[18] 馮益明,鄭冬梅,智長貴,等.面向對象的沙化土地信息提取[J].林業(yè)科學,2013,49(1)：126-133.

[19] Qi J,Chehbouni A,Huete R,et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment.1994,48(2)：119-126.

[20] Tucker C J,Justice C O,Prince S D.Monitoring the grasslands of the sahel 1984-1985[J].International Journal of Remote Sensing,1986,7(11)：1571-1581.

[21] Mcfeeters S K.The use of normalized difference water index(NDWI)in the delineation of open water features[J].International Journal of Remote Sensing,1996,17(7)：1425-1432.

[22] 吳宏安,蔣建軍,周杰,等.西安城市擴張及其驅動力分析[J].地理學報, 2005,60(1)：143-150.

[23] Khan N M,Rastoskuev V V.Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J].Agricultural Water Management,2005,77(3)：96-109.

[24] Xiao J,Shen Y,Tateishi R,et al.Development of topsoil grain size index for monitoring desertification in arid land using remote sensing[J].International Journal of Remote Sensing,2006,27(12)：2411-2422.

[25] Liang Shunlin.Narrowband to broadband conversion of land sueface albedo I algorithms[J].Remote Sensing of Environment,2001,76(2)：213-238.

Automatic Recognition of Desertification Information Based on the Pattern of Change Detection-CART Decision Tree

HUANG Xiaojun1, 2, XIE Yaowen1, WEI Jiaojiao1, FU Miao2, LYU Lili1and ZHANG Lingling1

(1.CollegeofEarthandEnvironmentalSciences,LanzhouUniversity,Lanzhou730000,China; 2.CollegeofGeographicalScience,InnerMongoliaNormalUniversity,Huhhot010022,China)

Thedesertificationofremotesensingmonitoringhassomeproblems,suchasvisualinterpretationlimitation,constraintofdatasourceandlowutilizationrateofremotesensinginformation.Basedonthis,takingMinqinbasinasthetestarea,firstly,thispaperdetectsthechangepixeloftwoLandsatimagesin1994and2014,byemployingthemethodsofimagedifference,maximumvaluesynthesisandtwo-dimensionalmaximumbetween-classvariance.Secondly,thedecisiontreeisconstructedbytheclassificationandregressiontree(CART)algorithmthenautomaticallyextractsthesandylandinformationof2014.Finally,spatialoverlayanalyzetheresultsofchangedetectionwithsandylandinformation,andrealizethepatternofautomaticrecognitionondesertificationinformation.Theresearchshowsthattheaccuracyofchangedetection-CARTdecisiontreepatternis89.43%to93%,andtheconfidenceintervalisbetween85.90%and98%at95%confidencelevel,clearlythatthereliabilityofitsaccuracyisrelativelyhigh.Thispatternnotonlycanmakefulluseoftheabundantremotesensinginformationbutalsocanexcludetheinterferenceofredundantinformation.Obviously,thechangedetection-CARTdecisiontreepatternisoneoftheeffectivemethodstoidentifythedesertificationinformation,anditwillhaveimportantapplicationvaluetothedesertificationcontrolproject.

desertification;classificationandregressiontree;regressiontree;changedetection;automaticrecognition

10.3969/j.issn.1000-811X.2017.01.008.]

2016-05-17

2016-07-04

國家自然科學基金項目(41471163)；蘭州大學中央高?；究蒲袠I(yè)務費專項資金(lzujbky-2016-242)

黃曉君(1984-)，男，蒙古族，內蒙古興安盟人，講師，主要從事自然災害遙感監(jiān)測與預警研究. E-mail：hxj3s@qq.com

X43；F301

A

1000-811X(2017)01-0036-07

10.3969/j.issn.1000-811X.2017.01.008

黃曉君，頡耀文，衛(wèi)嬌嬌，等. 基于變化檢測-CART決策樹模式自動識別沙漠化信息[J]. 災害學，2017，32(1)：36-42. [HUANG Xiaojun，XIE Yaowen，WEI Jiaojiao，et al. Automatic recognition of desertification information based on the pattern of change detection-CART decision tree [J]. Journal of Catastrophology，2017，32(1)：36-42.