全 文 ：© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
林业科学研究 2006, 19 (2) : 192～198
Forest Research
文章编号 : 100121498 (2006) 0220192207
基于光谱混合分析的荒漠化信息提取
———以毛乌素沙地为例 3
李晓松 1 , 吴 波 23 3 , 范文义 3 , 王 刚 4 , 杨洪晓 5 , 王 妍 2
(1. 中国林业科学研究院资源信息研究所 , 北京 100091; 2. 中国林业科学研究院林业研究所 ,国家林业局林木培育重点实验室 ,
北京 100091; 3. 东北林业大学林学院 , 黑龙江 哈尔滨 150040; 4. 黑龙江省林业调查规划院 , 黑龙江 哈尔滨 150040;
5. 北京师范大学生命科学学院 ,北京 100875 )
摘要 :采用光谱混合分析 ( SMA)技术 ,选取农地、裸沙、沙生植被、水和盐碱地作为基本组分 ,以位于半干旱区的毛乌
素沙地的典型地区为例 ,进行了荒漠化土地混合像元分解和荒漠化信息提取的尝试 ,并与穗帽变换和监督分类的结
果进行了比较 ,最后采用实地调查数据和 NDV I方法进行了精度验证。研究结果表明 :光谱混合分析技术用于荒漠
化信息提取具有比较好的效果 ,效果明显优于常用的 NDV I方法。
关键词 :光谱混合分析 ( SMA) ; 荒漠化 ;毛乌素沙地 ;植被指数 (NDV I)
中图分类号 : TP75 文献标识码 : A
收稿日期 : 2005201204
基金项目 : 国家“十五 ”科技攻关项目 ( 2005BA517A04 ) ,国家自然科学基金项目 ( 30571528 ) ,科技部国际科技合作重点项目
(2003DFB00009)
作者简介 : 李晓松 (1981 —) ,男 ,内蒙古赤峰人 ,博士研究生 13 3 通讯作者
Extraction of D esertif ica tion Informa tion Ba sed on SM A
———A Ca se Study in M u Us Sandland
L I X iao2song1 , WU B o2 , FAN W en2yi3 , WANG Gang4 , YANG Hong2xiao5 , WANG Yan2
(1. Research Institute of Forest Resource Information Techniques, CAF, Beijing 100091, China; 2. Research Institute of Forestry, CAF, Key Laboratory
of Tree B reeding and Cultivation, Sate Forestry Adm inistration, Beijing 100091, China; 3. College of Forestry, Northeast Forestry University,
Harbin 150040, Heilongjiang, China; 4. Academy of Forestry Survey and Planning, Harbin 150040, Heilongjiang, China;
5. The College of L ife Sciences, Beijing Normal Unisviersity, Beijing 100875, China)
Abstract: In this study, in order to accurately extract desertification information based on remote sensing data, Spectral
M ixture Analysis ( SMA) was conducted in a typ ical area ofMu U s Sandland in sem iarid region by taking farm land, sands,
p sammophytic vegetation, water and salinized land as endmembers. A comparison was made among SMA, TC transforma2
tion and supervised classification. The accuracy on the result was validated based on field survey data and compared with
NDV I method. The result suggested that SMA could be used for extracting desertification information with an obviously bet2
ter output based on remote sensing data than NDV I method.
Key words: SpectralM ixture Analysis ( SMA) ; desertification;Mu U s Sandland; NDV I
荒漠化信息的准确提取是荒漠化监测和评价的
基础。在遥感技术尚未普及的早期研究中 ,荒漠化
信息的提取以野外实地调查为主 ,因其费时、费力 ,
已很难满足当前荒漠化监测的需要。近年来 ,随着
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第 2期 李晓松等 :基于光谱混合分析的荒漠化信息提取 ———以毛乌素沙地为例
遥感技术的迅速发展和普及 ,利用遥感技术提取荒
漠化信息已经成为荒漠化监测与评价的主要手段。
基于传统遥感技术的荒漠化监测与评价往往以像元
为基本分析单元 ,把像元看成是均质的。然而 ,由于
目前常用的传感器的空间分辨率不高 ,在很多地区 ,
一个像元内往往包含不同的土地覆盖类型 ,一般称
为混合像元。在沙丘广泛分布的荒漠化地区 ,沙丘
的迎风坡、背风坡和丘间地植被覆盖往往差异较大 ,
空间异质性非常强烈 ,因此 ,混合像元大量存在 ,以
像元为分析单元的传统分析方法在荒漠化信息提取
中有很大的局限性。
光谱混合分析技术 ( Spectral M ixture Analysis,
SMA)是一种有效处理混合像元的遥感分析方法 ,于
20世纪 70年代提出 ,并在 20世纪 90年代以来得到
广泛应用 [ 1～3 ]。SMA就是将混合像元分解成不同基
本组分的组合 ,并求得这些基本组分在混合像元中
所占的比例 ,其结果以各基本组分的百分比图像来
表示。SMA使遥感应用由像元级达到亚像元级 ,使
遥感信息得到了更充分的利用 ,对于荒漠化监测与
评价具有重要的实践意义。
毛乌素沙地位于我国北方农牧交错区 ,是我国
荒漠化研究的热点地区之一。农牧交错区人类活动
具有规模小、分散、随机的特点 ,与脆弱的生态系统
相互作用 ,使该地区具有非常显著的景观异质性 ,即
不同类型、不同退化程度的荒漠化土地在空间上组
合在一起 ,构成镶嵌体。该地区各类型沙丘所占面
积极大 ,其中流动沙丘分布最广。沙丘散见于各种
地形部位 ,各处沙丘面积大小不等 ,活动和固定程度
不一 ,高度、形态不断变化。由于沙丘分布广泛 ,打
乱了地带性植被和土壤的分布格局 ,增加了地表景
观的破碎程度 ,使沙地的主要景观要素类型在结构
上具有复合性 [ 4, 5 ]。吴波 [ 6 ]曾采用目视解译方法对
毛乌素沙地具有复合性的异质景观进行了分类制
图。本文以毛乌素沙地为例 ,采用光谱混合分析技
术进行了荒漠化信息提取的尝试 ,并将该方法与常
用的遥感分析方法进行了对比 ,最后通过实地调查
进行了精度验证。期望本研究有助于改进荒漠化的
遥感信息提取方法 ,对进一步提高荒漠化监测精度
有所裨益。
1 研究方法
1. 1 研究区概况
毛乌素沙地位于内蒙古、陕西、宁夏的交界地
带 ,地理位置为 37°27′30″～39°22′30″N、107°20′～
111°30′E,面积约 4 ×104 km2。毛乌素沙地属半干
旱气候 ,年降水量 250～440 mm,年平均气温 6. 0～
8. 5 ℃,水热条件比较优越 ,然而由于人类活动的强
烈影响 ,毛乌素沙地荒漠化过程加剧 ,流动沙地广
布 ,成为我国干草原和荒漠草原地带最大的流动沙
地。该地区沙生植被分布面积最大 ,其中油蒿 (A rte2
m isia ordosica Krasch. )群系是固定、半固定沙丘上的
主要群落。滩地主要为草甸植被 ,盐生植被主要见
于盐碱湖滨的盐渍化土壤上。本研究区位于毛乌素
沙地腹部乌审旗北部地区 ,面积 3 444. 7 km2。
1. 2 数据预处理
本研究采用的影像为 2001 年 8 月下旬的
ETM影像 ,基本无云覆盖。在影像上均匀选取 15
个可明显识别的控制点 ,并基于多项式校正模
型 ,采用 1 ∶5 万地形图对影像进行了精几何校
正 ,校正后的图像像元均方根误差 ( RM S )为 0. 23
个像元 ,满足精度要求。为了进一步提高图像精
度 ,采用 C ivco提出的地形校正方法 [ 7 ] ,基于用 1
∶5万地形图生成的数字高程模型 (D EM )对影像
进行了地形校正以剔除地形影响。由于缺乏卫
星过境时详细的大气剖面资料 ,无法采用 LOR2
TRAN或“6 S”等大气校正模型 ,本研究直接采用
Gilabert模型 [ 8 ]对影像进行了大气校正 ,最后得
到除热红外波段外其它 6个波段的地表反射率 ;
同时 ,收集了该地区的地貌、土壤、植被和土地利
用等专题图作为遥感分析的必要补充。
1. 3 SM A分解模型的选择
国内外学者研究和发展了多种光谱混合分解
方法 ,提出许多光谱混合模型 ,如线性模型、概率
模型、几何光学模型、随机几何模型以及模糊模
型等 ,其中线性光谱混合模型 (LSMM )是光谱混
合分析最常用的方法 ,发展较为成熟 ,可操作性
较强。线性光谱混合模型的基本原理是 ,像元在
某一波段的反射率 (亮度值 )是由构成像元的基
本组分的反射率以其所占像元面积比例为权重
系数的线性组合。本研究采用线性光谱混合模
型来进行混合像元分析。
线性光谱混合模型可用如下公式来描述 :
ρi, j, k = ∑
m =1, p
Fi, j, mρm , k + ei, j, k (1)
∑
m =1,ρ
Fi, j, m = 1
0 ≤ Fi, j, m ≤ 1
391
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
林 业 科 学 研 究 第 19卷
式 (1)中 :ρi, j, k是 i行 j列像元在 k波段的反射率 ,
Fi, j, m是基本组分 m 在 i行 j列像元中所占分量值 ;
ρm , k是基本组分 m 在 k波段的反射率 , ei, j, k为 k波段
i行 j列像元的误差值。
应用该模型的关键是尽可能减少模型中每个像
元的误差 ,即使 RM S最小化。
RM S = ∑( ei, j, k 2 /N )
1
2 (2)
式 (2)中 : N 为像元总数 , ei, j, k为 k波段 i行 j列像元
的误差值。解决该模型最常用的方法是最小二乘
法 ,其公式为 :
f^ = (M TM ) - 1M T X (3)
式 (3)中 : f^为基本组分分量矢量 ,M 为基本组分在
不同波段反射率矢量 , X 为所有像元在相应波段的
反射率。上标 T和 - 1分别表示矩阵的转置和逆。
1. 4 基本组分的确定
在 LSMM模型中 ,基本组分的类型、数量、取值
是至关重要的 ,是影响混合像元分析精度的关键。
确定基本组分的原则是残余误差应尽可能小 ,像元
分解后的分量 f的值满足 0 ≤f≤1[ 9 ]。基本组分的
类型应具有代表性 ,是研究区内多数像元的有效组
成成分。由于 LSMM模型求解的需要 ,基本组分的
数量不能高于可用传感器的波段数 [ 10 ]。本研究以
ETM为数据源 ,热红外和全色波段不参与分析 ,因
此基本组分的数量不能大于 6个。
采集基本组分光谱信息的常用方法有两
种 [ 11 ] : ( 1 )通过实地或实验室的光谱测量获得 ;
( 2 )运用主成分分析 ( PCA )从影像数据中提取。
前者需要大量地物光谱测量及大气校正工作 ,难
度较大 ,可操作性较差。目前大部分研究中都采
用后一种方法 ,并取得了较好的效果 [ 12 ] 。本研究
采用 PCA法对影像进行主成分分析 ,通过正交、
线性变换将 6个高度相关的波段压缩为 3个新的
不相关的波段。经过主成分分析 , 6个波段的有
用信息主要集中于第 1和第 2主分量上 ,其累计
信息量占 6个波段总信息量的 93 % ,有效地压缩
了数据维数 ,并且去除了原始影像各波段的高度
相关。然后 ,绘制第 1主成分与第 2主成分的散
点图 (图 1 ) 。利用 ENV I软件的散点图分析功能
可以确定散点图的顶端分别对应研究区影像中
的农地、裸沙、沙生植被、水和盐碱地。把上述地
物作为初选的基本组分采用 LSMM 模型进行分
析 ,结果显示 , RM S 小于 10 % ,能够满足分析需
要 ,因此可以将农地、裸沙、沙生植被、水和盐碱
地作为基本组分。
图 1 第 1主分量和第 2主分量散点图
基本组分的取值是决定分析精度的关键。一些
学者建议利用单个像元的反射率来定义基本组分 ,
但是 ,研究表明 ,利用像元均值更能增强样本的空间
显著性 [ 13 ]。细致的野外调查和已有图件资料使得
能够在影像上识别各个基本组分 ,对每个基本组分
选取 100个像元作为样本 ,取其均值作为基本组分
在各个波段的参照光谱值。图 2为基本组分的光谱
折线图。
图 2 基本组分光谱折线图
2 结果与分析
2. 1 SM A分解结果
SMA的分解结果为各基本组分分量图像与
RM S误差图像 (图 3 ) 。图像中白色或较亮颜色
表示像元中该基本组分分量比重较高 ,相反 ,黑
色或较暗颜色则表示像元中该基本组分分量的
比重较低。农地与沙生植被分量图像主要反映
研究区内的植被分布 ,裸沙与盐碱地分量图像则
主要反映研究区内荒漠化土地的分布 ,裸沙在整
491
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第 2期 李晓松等 :基于光谱混合分析的荒漠化信息提取 ———以毛乌素沙地为例
个区域内都有分布 ,而盐碱地则主要分布在滩地
内 ,并且多分布于水体 (多为盐湖 )周围。RM S图
像反映了模型的精度 ,图像中较亮地区对应于影
像中的薄云和阴影 ,因在基本组分中未考虑薄云
和阴影 ,所以带来一定误差。经计算 ,平均 RM S
误差约为 8 % ,说明结果较为理想。
图 3 混合像元分解 ( SMA)结果图
2. 2 SM A与其它方法的比较
2. 2. 1 SMA与穗帽变换的比较 穗帽变换是在
多维光谱空间中通过线性变换、光谱空间旋转使
植被与土壤的光谱特征得以有效分离的一种遥
感分析方法 ,变换后的第 1分量 ( TC1 )表征“土
壤亮度 ”,反映土壤光谱信息 ,第 2分量 ( TC2 )表
征“绿度 ”,反映植被光谱信息。研究区内 5个基
本组分中 ,裸沙和盐碱地主要反映土壤信息 ,农
地和沙生植被主要反映植被信息。在利用 SMA
方法对荒漠化土地进行分析时 ,常常用裸沙和盐
碱地分量的和分量作为“荒漠化土地分量 ”来提
取荒漠化土地信息 [ 14 , 15 ] 。本文在研究区内随机
取 84个像元 ,对 TC1分量与裸沙和盐碱地分量
之和“荒漠化土地分量 ”进行相关分析 ,结果见图
4 ,二者的相关系数达到 0. 94 ,表明利用 SMA 获
得的“荒漠化土地分量 ”与通过穗帽变换得到的
“土壤亮度 ”有比较好的相关性 ,也从另一个方面
说明本研究将 SMA用于荒漠化地区效果较好 ;而
且 , SMA方法通过裸沙分量和盐碱地可以将沙地
和盐碱地信息有效分离 ,因此采用该方法能够获
取更多的荒漠化土地的信息。
图 4 荒漠化土地分量与穗帽变换第 1分量 ( TC1)的相关关系
2. 2. 2 SMA与监督分类的比较 监督分类是遥
感图象分类最常用的方法之一。本研究借助于
近年来的野外调查资料和各种专题图对影像进
行了监督分类 ,将研究区分为流动沙地、农田、盐
碱地、固定 - 半固定沙地和水体 5种土地覆盖类
型。根据野外调查数据进行验证 ,总的分类精度
达到 80. 56 %。事实上 , SMA各基本组分恰与监
督分类土地覆盖类型一一对应 ,即流动沙地中裸
沙所占比例最大 ,农田中农地所占比例最大 ,固
定 - 半固定沙地中沙生植被所占比例最大 ,盐碱
地中盐碱地所占比例最大 ,水体中水所占比例最
591
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
林 业 科 学 研 究 第 19卷
大。为了检验 SMA分解结果的准确性 ,将通过监
督分类得到的土地覆盖类型图与利用 SMA 方法
得到的各基本组分分量图象进行叠加 ,计算出每
一种土地覆盖类型内各基本组分分量的平均值
(表 1 ) 。由表 1可见 ,每一种土地覆盖类型恰好
以一种基本组分为其主要组分。对角线上的分
量值较高 ( 0. 748 7～0. 902 4 ) ,而且显著高于同
列中其它元素 ,因此可以通过 SMA分量图像将不
同的土地覆盖类型区分开。
表 1 混合像元分解 ( SM A)与监督分类的比较
监督分类
结果
面积 /
km2
裸沙分量
均值
农地分量
均值
沙生植被
分量均值
盐碱地分
量均值
流动沙地 1 444. 14 0. 748 7 0. 007 9 0. 323 7 0. 020 2
农田 805. 85 0. 322 8 0. 902 4 0. 012 5 0. 115 0
固定 - 半
固定沙地
1 143. 71 0. 349 4 0. 123 5 0. 826 5 0. 153 3
盐碱地 43. 12 0. 121 7 0. 205 5 0. 354 5 0. 868 8
2. 3 荒漠化信息提取
从前文中与穗帽变换和监督分类结果的对比可
以看出 , SMA方法通过 5个基本组分将研究区内的
土地覆盖信息进行了有效分离 ,根据 SMA的分析结
果可以有效提取荒漠化土地信息 ,裸沙、盐碱地、沙
生植被等基本组分不仅能够反映荒漠化土地的空间
分布信息 ,而且也可以通过分量值的大小反映荒漠
化程度的信息。本研究采用的 LSMM模型中各分量
非负 ,和为 1,所以 SMA分解结果的土壤信息 (即裸
沙和盐碱地 )与植被信息 (即农地和沙生植被 )强烈
负相关 ,因此用裸沙和盐碱地分量之和作为“荒漠化
土地分量 ”来提取荒漠化土地信息。首先将“荒漠
化土地分量 ”图像拉伸到 [ 0, 1 ]值域区间 ,然后在近
年来野外调查的基础上 ,根据直方图上特征峰的形
状和位置 ,确定合适的阈值 ,将研究区内荒漠化土地
划分为 4个等级 ,即潜在荒漠化土地、轻度荒漠化土
地、中度荒漠化土地和重度荒漠化土地 (表 2)。经
过编码 ,生成荒漠化土地分布图 (图 5)。结果表明 ,
在研究区域内潜在荒漠化土地占 23. 6% ,轻度荒漠
化土地占 13. 5% ,中度荒漠化土地占 35. 6% ,重度
荒漠化土地占 27. 3%。
表 2 荒漠化土地类型划分
荒漠化土地类型 基本特征 荒漠化土地分量
潜在荒漠化土地
未退化的农田 ;植被覆盖较
好的固定沙地 ,植被盖度大于
40% ,结皮发育良好 ,结皮盖度
大于 85%。
< 0. 2
轻度荒漠化土地
轻度退化的农田 ;轻度退化
的固定沙地 ,植被盖度 20% ～
40% ,结皮发育较好 ,结皮盖度
50% ～85%。
0. 2～0. 45
中度荒漠化土地
半固定或半流动沙地 ,植被
盖度 10% ～20% ,结皮发育差 ,
结皮盖度 10% ～50%。
0. 45～0. 75
重度荒漠化土地
流动沙地 ,植被盖度小于
10% ,基本无结皮发育。
> 0. 75
图 5 荒漠化土地分布图
691
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
第 2期 李晓松等 :基于光谱混合分析的荒漠化信息提取 ———以毛乌素沙地为例
2. 4 精度分析
本研究采用 Kapaa系数法对基于 SMA的荒漠
化信息提取结果进行精度验证。考虑到植被指数
(NDV I)目前在国内外荒漠化信息提取中的广泛应
用 [ 16 ] ,本研究同时基于植被指数 (NDV I)对研究区
荒漠化信息进行了提取 ,并对两种方法提取结果的
精度进行了比较。Kappa系数的计算公式为 :
k =
M ∑
r
i =1
X ii - ∑
r
i =1
X i+ X +i
M 2 - ∑
r
i =1
X i+ X +i
(4)
其中 r是混淆矩阵的总列数 (即总的类别数 ) , X ii是
混淆矩阵中第 i行 i列 (对角线 )上的像元数 (即正
确分类的数目 ) , X i +和 X + i分别是第 i行和第 i列的
总像元数 , M 为用于精度评估的总像元数。
借助于近年来野外观测数据与已有的最新的各
种专题图件 ,选取了包括全部 4个荒漠化土地类型
的共 391个样点 ,分别计算了基于 SMA和 NDV I荒
漠化信息提取结果的 Kappa系数 ,结果为 0. 83和
0164,分类总精度分别达到 87. 5%和 73. 4%。表 3
为相应的混淆矩阵。
表 3 混合像元分解 ( SM A)和植被指数 ( ND V I)
分析结果的混淆矩阵 (像元数 )
观测
数据
SMA
潜在 轻 中 重
NDV I
潜在 轻 中 重
潜在 62 8 3 50 6 17
轻 120 5 5 5 99 18 8
中 6 90 6 3 6 80 14
重 7 10 70 5 17 7 58
合计 62 141 108 81 63 128 122 80
精度分析结果表明 ,采用 SMA方法提取荒漠
化信息的精度较高 ,其结果明显优于 NDV I方法。
原因主要如下 :第 1 ,受土壤背景影响 , NDV I对半
干旱地区低覆盖度植被检测能力下降 [ 17 ] ;第 2 ,
作者分别在研究区内典型的固定沙地、半固定沙
地、流动沙地、盐碱地、农田和水体内各取一定数
量的像元 ,比较其“荒漠化土地分量 ”和 NDV I的
值 ,如图 6所示 , NDV I仅有效分离了农田信息 ,
但难以有效区分固定沙地、半固定沙地、流动沙
地和盐碱地 ,而“荒漠化土地分量 ”对固定沙地、
半固定沙地、流动沙地、盐碱地和农田等都可以
进行有效分离。因此采用 SMA 方法提取荒漠化
土地信息比 NDV I方法效果更好。
图 6 荒漠化土地分量与植被指数 (NDV I)比较
3 结论与讨论
半干旱区荒漠化土地的突出特点是其镶嵌性 ,
即不同类型、不同退化程度的荒漠化土地镶嵌在一
起 ,具有非常显著的空间异质性。 SMA方法可以使
不同类型的土地覆盖信息得以有效分离 ,并把它们
的相对数量在空间上直观地表示出来 ,能够在一定
程度上反映荒漠化土地的镶嵌特征。研究结果表
明 ,在土地覆盖类型相对简单但空间异质性比较强
烈的荒漠化地区 ,采用 SMA方法提取荒漠化信息是
可行的 ,具有比较高的精度 ,效果好于 NDV I方法。
在应用 SMA方法的过程中有些问题值得进一
步探讨。本研究采用的 LSMM模型建立在假设相同
地物具有相同的光谱特征以及光谱线性可加的基础
上 ,其优点是模型简单 ,物理含义比较明确 ,而且用
于混合像元分解效果较好 ;但是 LSMM模型在实际
应用中也存在一些问题。首先 ,它假设像元的光谱
反射率仅为各组成成分光谱反射率的简单相加 ,而
事实证明 ,在大多数情况下 ,各种地物的光谱反射率
是通过非线性形式进行组合的 [ 18 ]。其次 ,模型应用
过程中最关键的一步是获取各个基本组分的参照光
谱值 ,即纯像元下某种基本组分的光谱值 ,但在实际
操作中各基本组分的典型光谱值很难获得。本研究
中 ,利用 GPS精确定位 ,对影像上的纯像元区域进
行野外验证 ,发现影像上的纯像元在地面上皆为一
定程度的混合像元。如果用野外或实验室测定的地
物光谱作为参照光谱值 ,则增加了辐射校正的难度。
另外 ,如果基本组分数量较多 ,等于或超过所用遥感
数据的有效波段数量 ,将使结果误差偏大。本研究
中为了确保基本组分数量小于有效波段数量 ,忽略
791
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
林 业 科 学 研 究 第 19卷
了影像中云和阴影的影响 ,在一定程度上造成了相
应区域 RM S的增加。不过 ,随着今后传感器光谱分
辨率的提高以及新的混合像元分解模型的应用 [ 19 ] ,
这个问题应该可以得到很好的解决。
参考文献 :
[ 1 ] Maarten T, Gerrit F, Epema. Spectral m ixture analysis for mapp ing
land degradation in sem i2arid areas [ J ]. Geologie en M ijnbouw,
1999, 77: 153～160
[ 2 ] A lferdo D. Satellite remote sensing analysis to monitor desertification
p rocesses in the crop2rangeland boundary of A rgentina[ J ]. Journal of
A rid Environments, 2002, 52: 121～133
[ 3 ] A sner G P, W essman C A, Privette J L. Unm ixing the directional
reflectances of AVHRR sub2p ixel landcovers[ J ]. IEEE Transactions
on Geoscience and Remote Sensing, 1997, 35 (4) : 868～878
[ 4 ] 北京大学地理系等. 毛乌素沙区自然条件及其改良利用 [M ]. 北
京 :科学出版社 , 1983
[ 5 ] 李孝芳. 荒漠化、沙漠化和干旱化名词释义及其在我国的应用
[A ]. 见 :李孝芳 1中国干旱地区自然资源研究 [ C ]. 北京 :科学
出版社 , 1988
[ 6 ] 吴波. 沙质荒漠化土地景观分类与制图―以毛乌素沙地为例
[ J ]. 植物生态学报 , 2000, 24 (1) : 52～57
[ 7 ] John C, PR ICE. Calibration of Satellite Radiometers and the Com2
parison of Vegetation Indices[ J ]. Remote Sensing of Environment,
1987, 21: 15～27
[ 8 ] Gilabert M A. An atmospheric correction method for the automatic
retrieval of surface reflectance from TM images [ J ]. Int J Remote
Sens, 1994, 15 (10) : 2065～2086
[ 9 ] Shimabukuro Y E, Sm ith J A. The least2squares m ixing models to
generate fraction images derived from remote sensing multispectral
data[ J ]. IEEE Transactions on Geoscience and Remote Sensing,
1991, 29: 16～20
[ 10 ] Lep rieur C, Kerr Y H, Mastorchio S. Monitoring vegetation cover
across sem i2arid regions: comparison of remote observations from
various scales[ J ]. Int J Remote Sens, 2000, 21 (2) : 281～300
[ 11 ] Bateson A, Curtiss B. A method for manual end2member selection
and spectral unm ixing[ J ]. Remote Sensing of Environment, 1996,
60: 229～243
[ 12 ] Sm ith M O, Johnson P E, Adam s J B. Quantitative determ ination of
m ineral types from reflectance spectra using p rincipal components a2
nalysis[ J ]. J Geophys Res, 1985, 90: 797～804
[ 13 ] A lferdo D. Satellite remote sensing analysis to monitor desertifica2
tion p rocesses in the crop2rangeland boundary of A rgentina [ J ].
Journal of A rid Environments, 2002, 52: 121～133
[ 14 ] 张熙川 ,赵英时. 应用线性光谱混合模型快速评价土地退化的
方法研究 [ J ]. 中国科学院研究生院学报 , 1999, 16 ( 2 ) : 169～
176
[ 15 ] 卢远 ,林年丰. 松嫩平原西部土地退化的遥感动态监测研
究———以吉林省通榆县为例 [ J ]. 地理与地理信息科学 , 2003, 9
(2) : 24～27
[ 16 ] Andrew J E, John F M. Quantifying vegetation change in sem iarid
environments: p recision and accuracy of spectral m ixture analysis
and the normalized difference vegetation index[ J ]. Remote Sensing
of Environment, 2000, 73: 87～102
[ 17 ] Todd S W1Responses to spectral indices to variations in vegetation
cover and soil background [ J ]. Photogramm Eng Remote Sens,
1998, 64: 915～921
[ 18 ] Epema G F. Spatial and temporal variability of field reflectance as a
basis for deriving soil surface characteristics from multiscale remote
sensing data in N iger[ J ]. ITC Journal, 1994 (1) : 23～28
[ 19 ] Gregory S O. Practical lim its on hyperspectral vegetation discrim ina2
tion in arid and sem iarid environments[ J ]. Remote Sensing of En2
vironments, 2001, 77: 212～225
891