2022（一等奖）基于哨兵2影像的典型地表参量和红边指数的特征空间石漠化遥感监测模型

作品介绍

1 监测模型设计概述

（1）应用背景

石漠化是危害人们安全的自然灾害之一，也是土壤荒漠化其中的一种。我国西南地区是全球石漠化现象最严重的地区之一，长期的人为干预使得生态环境变得非常敏感，地表植被破坏严重，致使生态环境脆弱，石漠化带来了区域范围内的水土流失、湖泊和河流、森林等生态系统功能退化等一系列生态问题。

虽然石漠化严重、难治理，但通过合理的监测手段可使石漠化得到有效遏制。随着现代遥感技术、地理科学技术以及地理信息图谱技术的发展，我国对于石漠化监测信息系统也逐渐完善起来，通过对监测数据进行石漠化演变趋势监测分析，可以揭示不同时间石漠化的变化特征，更加系统的了解石漠化的时空演变规律，进而推断未来可能发展趋势，有利于管理部门对治理效果做出全面、及时、准确的判断，辅助其科学、高效的决策，可以帮助我们更好的解决石漠化问题，更有利于国家的安全与长久发展。 

因此，本研究选择了位于贵州省毕节市的七星关区作为研究区域对象，对区域石漠化程度开展动态监测和管理，为我国西南喀斯特地区的环境保护与生态平衡发展提供了技术手段。

（2）设计意义

前人多基于单因子指数法、综合因子指数法对石漠化的空间分布进行监测，没有很好的考虑石漠化各影响因子之间的交互作用，也不能反映复杂的石漠化成因。目前国内外基于 特征空间方法分析石漠化问题的资料较少。

本作品基于 Sentinel-2 哨兵影像数据，对六个典型地表参量进行地物提取，引入特征空间法，两两结合构建 15 个特征空间，来建立点-点与点-线模型，通过模型反演与精度验证分析，构建最优监测模型，为区域石漠化防治提供重要的数据和决策支持。

图1 技术路线

 

2 应用目标

针对七星关区的石漠化情况，本研究基于Sentinel-2哨兵影像数据，对六个典型地表参量进行提取,分别是归一化植被指数(NDVI)、 裸土指数(BI)、地表反照率(Albedo)、基岩裸露绿(RBI)、地表温度(LST)、修改型土壤调节植被指数(MSAVI），作为石漠化监测的指标。基于上述6个石漠化地表参量，两两结合构建了15个特征空间，选取符合点对点和点对线的模型构建石漠化监测模型，通过模型反演和精度验证确定适用的最优监测模型。本研究旨在基于 2017 年、2021 年两期最优监测模型，分析2016年-2021年七星关区石漠化的时空演变格局，并运用地理探测器从单因子探测、交互探测以及风险探测三个方面对研究区进行驱动机制分析，能够为区域石漠化防治提供重要的数据和决策支持。

3 数据预处理

（1）研究区概况

本研究采用贵州省毕节市七星关区为数据源,位于中国西南部地区,地处北纬27°03′—27°46′，东经104°51′—105°55′，七星关区是毕节市的经济枢纽。东部与大方县相邻,西与云南省毗邻,南与纳雍县连接,东北与金沙县相邻,西南与赫章县接壤,北与四川省连接，占地总面积为3412平方公里,辖43个乡镇,聚居着汉、白等23个民族。该地区属于喀斯特地貌，地形错综复杂，东高西低，地势较为陡峭，以中高山脉为主。

图2 研究区域

（2）数据来源

本研究采用的Sentinel-2影像数据来自欧空局哥白尼数据中心以及地理空间数据云平台，为2017年、2021年两期夏季无云遥感影像数据，中心波长为0.443um，分辨率为60m,坐标系为WGS_84；中国市级、县级乡镇行政边界矢量图等基础地理数据以及相关的空间分析因子主要来自于中国科学院资源环境与数据中心、地理遥感生态网。

采用Sen2Cor插件进行数据预处理,对Level 1C数据进行大气、地形和卷云校正反射图像,将数据L1C级处理为L2A级,利用 SNAP平台对其进行格式转换以及重采样等数据预处理工作。

表1 数据来源及其预处理表

4 核心技术

（1）典型地表参量提取

本研究主要对六个典型地表参量进行提取,分别是归一化植被指数(NDVI)、裸土指数(BI)、地表反照率(Albedo)、基岩裸露绿(RBI)、地表温度(LST)、修改型土壤调节植被指数(MSAVI),借助 ENVI 5.3 软件的波段合成（Band Math）工具进行地表参量的提取,黑体辐射亮度查询 NASA 官网获取得到透过率和上下辐射亮度,核心提取公式如下：

表2 石漠化6个典型地表参数说明

（2）特征空间

特征空间分为二维和三维特征空间，此研究基于二维特征空间 RBI-MSABI特征空间来探究特征空间原理。纵坐标 RBI 代表基岩裸露绿，反映石漠化程度，是评价石漠化的重要因子，横坐标 MSAVI代表修改型土壤调节指数，反映植被覆盖情况，从侧面反映出区域石漠化程度。随着 MSAVI 指数增加，植被覆盖越来越旺盛，可以分为全覆盖区域、中等植被覆盖区域以及无植被覆盖区域;随着RBI指数增加，岩石受风化侵蚀导致的暴露程度越高，石漠化程度因而越严重。因此在A、B、C、D四点所构成的曲边梯形内可以探究石漠化程度，其中通过分析可以得到，A点石漠化程度最严重，B、D次之，C点石漠化程度最轻。

图3 RBI-MSAVI 特征空间

图4 构建15个特征空间

（3）地理探测器

地理探测器用于检验单变量的空间分异性以及检验两个变量分布的耦合性，可分为因子探测器、交互探测器、风险探测器以及生态探测器，本研究从单因子、交互因子以及风险探测三个方面进行驱动因子分析。因子探测器可以定量检测某个地理因子对于某个指标值空间分布差异的影响力，交互探测器可以判断两因子之间是否存在交互作用，探究两因子之间对石漠化的影响是增强还是减弱；风险探测器可以评定不同因子对于不同等级区域石漠化发生率的高低，进行统计显著性检验。核心公式如下：

表3 驱动因子分析核心公式

（a）气温因子

（b）降水因子

(c) 坡度因子

（d）土地利用因子

（e）GDP因子

（f）人口因子

5 主要技术流程

（1）基于Sentinel-2A/B MSI影像对归一化植被指数(NDVI)、裸土指数(BI)、地表反照率(Albedo)、基岩裸露绿(RBI)、地表温度(LST)、修改型土壤调节植被指数(MSAVI)六个典型地表参量进行反演，完成数据预处理工作。

（2）基于提取的六个典型地表参量，利用2D Scatter Plot工具将其两两组合构建 15 个二维特征空间。

（3）基于特征空间的空间分异规律不同，对其划分为从点-点模型、点-线模型两个类型进行研究。

（4）基于得到的点-点、点-线模型的空间分异规律，构建石漠化遥感监测模型。

（5）基于石漠化监测模型，利用 Arcgis 10.2 软件栅格计算器进行重分类，使用自然间断点法对监测模型进行重分类，划分为五级，分别是无石漠化区域、轻度石漠化区域、中度石漠化区域、重度石漠化区域、极重度石漠化区域五个区域，进行参数反演。

（6）基于石漠化监测反演模型，在研究区范围内均匀布设 250 个点位，利用ENVI中的混淆矩阵对不同模型反演结果进行精度评定，获取各个石漠化监测模型的总体精度和 Kapppa系数，通过对比分析，确定七星关区石漠化最优监测模型。

图5 构建模型的精度（以BI-Albedo为例）

6 技术优势

（1）本研究采用的影像数据为 Sentinel-2 哨兵影像数据，重采样分辨率可达10米具有红边波段可用于农业研究此影像为新兴产品，基于此种产品的研究没有基于Landsat影像的研究丰富，此研究可以为此方向研究提供研究资料。 

（2）基于特征空间法建立石漠化监测模型，较好的展示了二维空间内各个典型地表参量的特点，与真实情况拟合效果较好。 

（3）基于地理探测器进行驱动因子的分析，全面的反映了驱动因子与目标因子以及驱动因子之间的影响机制，便于探究各因子对于本地区石漠化的利弊情况，对于研究来说更具准确性，提高了研究的客观性和科学性。

（4）创新性采用二维散点图研究地表参量空间分异规律，使得空间分异规律的分析更加直观，有利于点-点模型、点-线模型的构建。

7 研究结论

本研究基于Sentinel-2哨兵影像数据，对六个典型地表参量进行地物提取，引入特征空间法来建立点-点与点-线模型，通过构建石漠化监测模型，对其进行模型反演与精度验证分析，构建了最优监测模型，结合实测验证数据分析发现： 

（1）基于典型地表参量特征空间的监测指数模型能够为大尺度区域石漠化遥感监测提供一种新手段。

（2）七星关区石漠化最优监测模型为MSAVI-BI模型，总体精度为91.20%，Kappa系数为0.89，该模型五个石漠化等级的制图精度都大于等于80%，用户精度均大于75%，对该地区石漠化的监测具有较好的适用性。

（3）石漠化区域分布广泛，空间方面集中分布在西北部地区、中东部地区以及西南地区，石漠化演变趋势为“由边缘向内 部扩散”，在时序变化方面，石漠化呈加剧趋势。

（4）2016年-2021年石漠化变化强度以稳定区为主，面积转移量为15.95km²，其次是增强区与减弱区，显著增强区与显著减弱区变化强度最小。不同强度演变趋势为：重度石漠化向中度石漠化演变，中度石漠化向轻度石漠化演变，轻度石漠化向无石漠化演变，极重度石漠化与无石漠化以同强度内部演变为主。

（5）2016年-2021年七星关区石漠化自然因素的主导因子为坡度、土地利用，人为因素的主导因子为人口。土地利用∩坡度对于七星关区石漠化的交互作用最强，表现规律为：双因子增强；石漠化平均发生率与坡度（负相关）、土地利用（正相关）、人口（正相关）、GDP（正相关）具有显著相关性，其中人口因子的显著性最强、可靠程度较高。 

(a)2017年交互因子作用分析

(b)2021年交互因子作用分析

图6 交互因子分析