基于Landsat影像利用监督分类和变化检测方法对阿尔及利亚比斯克拉进行荒漠化监测分析外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

基于Landsat影像利用监督分类和变化检测方法对阿尔及利亚比斯克拉进行荒漠化监测分析

SOUFIANE ABDELAZIZ AZZOUZI^1,2, ANA VIDAL-PANTALEONI¹, (Member, IEEE), AND HADJ ADDA BENTOUNES²

1 Instituto de Telecomunicaciones y Aplicaciones Multimedia, Universitat Politegrave;cnica de Valegrave;ncia, Camino de Vera, 46022 Valegrave;ncia, Spain

2 Laboratoire des signaux et systegrave;mes, Faculteacute; des sciences et de la technologie, Universiteacute; Abdelhamid Ibn Badis de Mostaganem, Mostaganem 27000, Algeria

Corresponding author: Soufiane Abdelaziz Azzouzi (souaz@iteam.upv.es)

This work was supported by the frame of EMMAG Erasmus Mundus.

摘要：荒漠化是全球气候变化引起的最重要的问题之一。导致撒哈拉沙漠环境恶化的因素很多。首要因素就是与人类活动有关，例如土地利用的变化。其他因素包括由于温度、湿度和风的变化引起的自然退化。所有这些复杂的原因都可能导致沙子从沙漠流向其他地方，如城市和道路，影响人们日常生活。因此，受影响国家的政府机构正在分析荒漠化问题。本文利用Landsat计划免费提供的光学卫星影像，研究阿尔及利亚比斯克拉市的这一现象。它提出了一种有助于对荒漠化进程进行时间评估的方法。利用支持向量机的分类方法对该地区进行了时间序列为25年的土地利用和土地覆盖变化检测。变量指数也被用于评估退化。通过目视检查，使用低人工操作成本的优异结果已经得到充分验证。

关键词：变化监测，荒漠化，Landsat，土地覆盖土地利用，监督分类

1、引言

荒漠化是一个渐进的过程，在一段时间内降低了土地覆盖的生产能力。荒漠化是干旱，半干旱和半干旱半湿润地区土地退化的主要原因。自然和人为方面在这一过程中发挥着重要作用[1]。这一事实自上世纪以来就已为人所知，但对其原因和后果的理解仍然是一个引起极大兴趣的话题[2]，[3]。因此，联合国环境规划署（UNCP）在[4]中探讨了这一主题，并于1994年制定了“联合国防治荒漠化公约”（UNCCD）。自然荒漠化并不新鲜，因为它是几个世纪以来发生的一种循环现象 [5]。然而，由于人类和自然因素，萨赫勒地区的沙漠化现象一直在加剧[6]。撒哈拉沙漠有时被视为北非国家迫在眉睫的威胁。正如[7]中对可持续资源保护所解释的那样，努力建立这一主题的科学基础是非常重要的。

阿尔及利亚当局（农业和农村发展部）通过国家研究项目认真研究了威胁阿尔及利亚北部的荒漠化观点，这也得到了国际社会的支持。自1962年以来，阿尔及利亚政府通过实施多项计划来应对这一严重问题。第一个项目是基于草原环境中植被屏障的种植，以防止撒哈拉沙漠的前进[8]。这个项目在20世纪70年代继续进行，有一个名为绿坝的大规模再造林计划[7]。这个大型植被屏障的目标位于撒哈拉沙漠北部，宽度为20公里，旨在阻止erg（撒哈拉沙漠流动沙丘区域）的发展[7]，但这个目标尚未完全实现，今天只有一些阿勒颇松树形成的屏障痕迹。 20世纪70年代，另一个名为“土地革命”的项目启动。该案例的主要目标是通过畜牧业来规范草原的使用[8]。由于产生了许多利益冲突，该计划未成功。

甚至在以前的方案制定之后，荒漠化还在增加。因此，1983年，以“Haut Commissariatau Deacute;veloppement de la Steppe（HCDS）”的名义成立了一个特别机构，其目标是保护环境，并制定防治荒漠化的战略，同时考虑到自然和社会经济方面。该机构主要致力于退化进程的修复和水井区的建立。现在，该计划保留了潜在面积为3000万公顷中的330万公顷。然而，该机构未能为草原区的可持续发展制定全面且连贯的战略[8]。

防治荒漠化的最后一次尝试是在2000年代根据“国家农业发展计划（PNDA）”工程开发的，用于草原边缘土地上的农业开发。

过去特别是在阿尔及利亚进行了关于全球荒漠化的科学研究[8]，[9]。然而，问题的复杂性及其原因使得去保护评估成为一项真正的挑战。考虑到位置相关特征的更详细的研究，如本文中介绍的方法，可能会产生非常有价值的结果。

在长时间具有相同的入射角和类似的传感器的情况下，系统分析光谱中的卫星观测，能够正确评估土地覆盖变化。此外，大量传感器和平台现在提供对其卫星数据库的开放访问。以前在In-Salah（Adrar，阿尔及利亚）[9]中分析了使用遥感的阿尔及利亚荒漠化问题。在该工作中，所选择的分类方法是受监督的每像素最大似然算法，主要目标是表征移动沙丘。

这项工作的目的是提出一种简单的半自动方法，使用基于监督支持向量机（SVM）分类器的每对象方法监测干旱地区的土地退化。为此目的使用了少量类，简化了程序。 Biskra市（阿尔及利亚北部）被选中用于验证拟议的方法。选择从1986年到2011年获得的Optical Landsat图像。然后，使用一些变化检测指数来确定在研究期间发生的变化。视觉检查的像素被视为真实的验证数据，以确定方法学质量。最后，变化信息与影响土地退化的主要因素有关。这种方法在人工处理方面成本低，可以帮助地方当局使用免费提供的Landsat数据最小化和防止退化过程。

2、研究区域

研究区域是阿尔及利亚东北部的一个干旱地区，由纬度为34°52N和34°42N以及经度为5°32E和5°51E的极限决定。如图1所示，它的高度为551.39平方公里地中海海拔87米至115米。比斯克拉周围的这个干旱地区被称为“沙漠之门”。 周围环绕着南面的沙丘（Occidental Grand Erg）和北面的Aureacute;s山脉。比斯克拉的人口从1977年的95000人增长到2015年的307987人，在38年的时间里增长了三倍。

图1.研究区域的地理位置

气象数据由俄罗斯联邦水文气象和环境监测局提供。平均最低温度范围为17.39°C至18.35°C，而平均最高温度范围为26.13°C至28.35°C。每日温度从6月到8月非常高，最大值为47.2◦C。平均最小相对湿度在该范围内从27.75％到32.33％，其中平均最大相对湿度从55.03％变为62.72％。降雨总量约为每年135毫米。

流行的风向沿撒哈拉地图集从东南向西北方向流动。在这种情况下达到的最大风速约为15米/秒。图2表示研究区域的风玫瑰。这种风在夏季（6月，7月和8月）是有效的，当温度高和干燥度高时会引起土壤颗粒的运动。砂运输可以通过三种类型的运动提供：悬浮，盐化和滚动。但是，有些因素会影响沙子的积累和风的效果。第一个是通过植被存在的生物因素。第二个是当地地形提供的坡度地形，第三个是土壤条件给出的机械因素。

3、数据

土地利用和土地覆盖研究是基于对具有低云的多时相卫星图像的分析内容。本研究中使用的图像选自美国地质调查局（USGS）的免费档案。选择6月份Landsat-5项目的低含云量影像，其特征如表1所示。选择6月份用于本研究，因为它属于炎热干燥季节，这是荒漠化监测最有效的季节。

图2. 2005年2月1日至2015年10月28日研究区的风向和风速

选择944*649像素的子区域进行进一步分析，像素空间分辨率为30*30 m。图3显示了2011年拍摄的Landsat图像的三个波段（红色，绿色和蓝色）的组成及其相应的数字高程模型（DEM），这有助于估算地形坡度及其在最终输沙中的影响。

表1.Landsat影像特征

图3. 2011年拍摄的Landsat图像及其相应的数字高程模型（DEM）

4、方法

A.图像预处理

在光学遥感中，从地球表面反射的能量取决于表面坡度及其方向和大气成分等因素[10]。它显然也取决于表面的覆盖，这通常是分析的目标。在这项研究中，目标是在一段时间内检测沙子的运动。为此目的，确保比较图像的共同位置是非常重要的。因此，必要的预处理包括辐射校准，大气标准化，几何校正和图像配准[11]。在目前的工作中，使用ENVI软件中包含的暗减法算法进行辐射校正。如[12]中所述，还使用地面控制点进行几何校正。最后，根据ENVI工具使用255个控制点提供的程序，进行了研究区域的共同登记[13]。计算测得的均方根误差（RMSE），其在0.001像素和0.16像素之间的范围内。

B.图像分类

ENVI的特征提取工具用于使用基于对象的方法对图像进行分类，其中对象是具有相似光谱，空间和纹理属性的一组像素。选定的分割过程基于边缘检测算法，比例级别为35％，合并过程使用全Lambda调度方法，合并值为80％，纹理内核大小为3像素。调整该选择以获得最佳对象大小。然后在考虑不同的技术后选择支持向量机（SVM）算法进行分类，因为它在整体精度方面提供了最好的结果。 SVM是一种监督分类方法，衍生自[14]中描述的统计学习理论。它使类之间的分离具有最大化它们之间的余量的决定，因为这最小化了错误分类的风险。选择高斯径向基函数（RBF）用于分类阶段。 RBF内核需要选择两个参数，即控制内核宽度的最佳高斯径向基函数gamma;，以及控制错误分类错误的惩罚的正则化参数C.进行辅助交叉验证试验以获得gamma;（0.03）和C（100）的最佳值，以处理[15]中描述的不可分类的分类问题。由[16]开发并由ENVI支持的支持向量机图书馆（LIBSVM）程序用于本研究。该监督方法基于人类操作员选择的每种土地利用类型的一些训练样本。选择了基于实例的方法，并且对于Landsat 5 TM的五个图像中的每一个，从497到1131像素选择训练样本的数量。选择了六个土地覆盖类别进行研究，如表2所示。这是评估研究区域内沙子运动所需的最小类别。

表2.研究中选择的土地覆盖类别

C.变更检测矩阵

变更检测分析是在一段时间内识别位置和类型变化的过程[17]。在本研究中使用后分类比较（PCC）来获得变化类型[18]。这个过程确定了变化类“从 - 到”[19]，其成功程度取决于图像分类的可靠性[20]。在这项研究中，变化检测评估应用于具有不同日期获取的成对图像：1986-1995,1995-2007,2007-2009,2009-2011和1986-2011。为了评估土地覆盖变化，计算不同的所有成对图像的不同有用指数日期如[21]中所述。使用以下指数：净变化的收益，损失，持久性，总变化，掉期和绝对值。增益和损失分别是一段时间内土地利用的增量和减少量。持久性是阶级土地利用的比例，在一个时期内没有变化，它是通过阶段结束时的阶级使用与其收益之间的差异来计算的。交换代表[21]中描述的一类土地利用的同时损失和收益。交换分析需要研究区域的每个获得和丢失像素对[21]，[22]。总变化是一个类别的相应增益和损失的总和，净变化的绝对值是总变化和交换之间差异的绝对值，如[22]中所述。

索引之间也存在比率，用于评估转换矩阵。持久性损失率Lp评估土地覆盖的变化。增益与持久性比率Gp评估类别增益的概率和净变化持续比率Np评估在研究期间类别整体变化的概率，如[22]中所述。

5、结果与讨论

首先进行分类准确度评估，将分类结果与图像中的一些视觉选择区域进行比较，这些区域明显不同于分类阶段中使用的训练集。表3显示了使用所选程序的2011年Landsat图像分类的混淆矩阵。对于该验证过程，6668个随机像素在视觉上被分类，覆盖6.00平方公里的地面实况数据（占总面积的1.1％）。一旦分类程序得到验证，同样的过程应用于1986年，1995年，2007年，2009年拍摄的Landsat图像。混淆矩阵是产生于1986年，1995年，2007年，2009年和2011年总体准确率为93.95％，84.89％，86.92％，93.12％，和92.91％，Kappa值分别为0.88,0.78,0.81,0.89和0.91。根据[23]计算总体准确度和Kappa系数，获得了优异的结果。分类结果如表4所示，它们显示了研究区25年期间土地覆盖和土地利用的空间变化动态。然后通过[21]中描述的过渡变化矩阵比较成对的图像，用于多时相变化分析。表5列出了1986-1995,1995-2007,2007-2009,2009-2011和1986-2011图像对的土地覆盖变化转换矩阵。每个矩阵的对角线给出了每个类的持久性的概念，而对角线外的条目表示该期间的类转换。

表3.用于验证2011图像分类的混淆矩阵

表4. 1986年和2011年研究区内类别的面积（km²）

表5. LULC转换矩阵（％）：a）1986年至1995年，b）1995年至2007年，c）2007年至2009年，d）2009年至2011年，e）1986年至2011年

在1986年至1995年的研究中

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17779]，资料为PDF文档或Word文档，PDF文档可免费转换为Word