4.3 沙漠(沙丘)地形

在以色列Ashdod地区海边的横向沙丘和Nizzana的沙漠线性沙丘由Landsat影像阴影中提取沙丘地形信息。假设地表具有均一的光谱特性，基于沙丘景观的规律性和周期性推出了一种用Landsat和ETM+影像提取沙丘坡度、坡向和高程的新方法。与高级星载热发射与反射辐射计ASTER相比，3D信息表明这种方法比ASTER生成的DEM更能代表地形变化。证明了Landsat TM影像变换有利于增强识别不同地形特征的能力。TM数据的第1特征值和垂直植被指数变换很好地表现了植被。通过单个或综合变换可以很好地产生沙丘、丘间平原、台地、冲积盆地等地形特征。用海湾战争前后多时相的Landsat TM影像监测沙丘格局的时空变化，边缘增强和对比度拉伸的影像增强技术用来刻画沙丘整体状况和绘制单个沙丘图。

5 沙化土地提取和分类制图

自20世纪80年代以来，基于地物的光谱信息、空间信息和时间信息，遥感已经广泛应用于沙化土地提取和制图，通常采用的方法分为2类：土地利用/土地覆盖分类法和NDVI阈值法。

5.1 土地利用/土地覆盖分类方法5.1.1 常规分类方法

包括目视解译、计算机屏幕解译、监督分类、非监督分类法。专业人员依据专业知识和实践经验进行遥感影像目视解译和计算机屏幕解译，与地面实况信息相结合，提供沙化现状分布图(；；；)。目前，在人工智能未能达到解决各种复杂推理之前，该方法是在沙化土地分类中采用最普遍的方法，但是花费时间较多。监督分类和非监督分类法基于单个像元的光谱亮度值进行分类，算法成熟，能充分进行人机交互，速度快()，但是同物异谱和异物同谱现象使得单纯依靠光谱特征解译的精度受到限制。

5.1.2 神经网络法

荒漠化土地与非荒漠化土地之间没有截然的界线，荒漠化信息与遥感数据之间具有非线性的关系。人工神经网络分类器是一种非线性的分类器，可以提供难以想象的复杂的类间分界面，因此应用人工神经网络可以较好地解决以上2个问题()。

在土地荒漠化分类时采用基于径向基函数的神经网络分类模型，利用融合后影像作为ANN模型的输入层，选择1 000个中间结点，采用荒漠化和非荒漠化土地类型共16个样本带入模型进行学习和训练，得到3个不同时相荒漠化土地的分类结果。

5.1.3 决策树法

决策树法是多元统计分类中的一种方法。运用决策树法把复杂景物或现象按一定原则做层层分解后，使其相互关系明确，局部细节描述得更为清楚，知识可以在不同层次间以不同形式介入，增强信息提取能力、分类精度和计算效率。

对沙化土地基于各类地物的光谱特性、地貌部位和空间结构等特征，以及植被指数比值组合等方法，利用决策树采取相应的识别和提取方法，实现沙化土地与非沙化土地的分离(；；)。GIS支持下基于知识的多重判据复合分类也可以实现沙化土地监测()。

5.1.4 光谱混合分析法

遥感影像中每个像元对应的地表，往往包含着不同的覆盖类型，有着不同的光谱响应特征。传统像元级遥感分类只是把它作为单一像元，代表同质地物进行分析。为了解决混合像元分解的问题，实现遥感分类从像元级到亚像元级的发展，需要用到光谱混合分析法。其中最常用的是线性光谱混合模型，它基于线性模型，认为影像上混合像元值为地物光谱反射值的线性组合，从而可以对混合像元进行分解，得出各类地物丰度，在亚像元尺度上探测区域土地覆被变化(；)。

利用1982和1992年2期TM影像对阿根廷中部进行荒漠化监测，应用光谱混合分析法提取组成混合像元的基本土地类型，如植被、水体和沙地，该方法有助于研究地表异质性。的研究表明，线性光谱混合模型和描述光谱形状的指数，如明度、色彩指数和形状指数都可以用来描述土地退化的空间格局，DEM模型参数与光谱信息相结合有利于土地退化评价，依据岩性、植被特征和对水力侵蚀的敏感性可以把景观划分成不同的单元。