基于地面监测和遥感数据的土地退化研究进展

《基于地面监测和遥感数据的土地退化研究进展》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

基于地面监测和遥感数据的土地退化研究进展摘要：土地退化与人类生存和可持续发展密切相关。目前，研究土地退化的方法趋于多样化，基于遥感提取土地退化信息是主要方法之一。本文主要从植被退化、土壤沙化、盐渍化和水土流失四个方面，以及土地退化综合模型研究方面介绍了遥感技术在土地退化监测中应用的进展。关键字：土地退化；土壤沙化、盐渍化；水土流失；遥感；1引言土地退化一般是指由于人类对土地的不合理的利用而导致土地质量下降的过程[1]。土地退化直接导致土壤质量下降，进而危及区域粮食安全、生态环境以及区域可持续发展。在早期的土地退化研究中，考虑到土地退化过程的基本载体与核心过程是土壤及土壤退化过程，因此国内和国际上也有以“土壤退化”代替“土地退化”的用法[2-4]。然而，土地毕竟是由一定厚度内岩石、地貌、气候、水文及生物组成的自然综合体，其结构和功能远超出土壤的范畴，因此，仅用土壤退化来代替土地退化是不全面的。因此，大多数科学家仍然采用土地退化、或者土地生态系统退化描述这一过程[5]。土地退化基本过程比较繁杂。龚子同[6]将土地退化划分为水土流失引起的、耕作施肥不当引起的和污染引起的等3大类过程；Babaev等则将其分为植被覆盖的退化，水蚀、风蚀、农田灌溉引起的盐渍化，海平面的下降和河流出水口的变化引起的土壤盐渍化，土壤紧实和板结、技术措施引起的土地退化，动物引起的土地退化等类型[7]。刘慧[8]则将土地退化分为水土流失、土地沙化、土壤盐碱化、土地贫瘠、土地污染和土地损毁等6大类。因此，本文主要讨论基于地面观测数据以及遥感影像数据（包括普通的多光谱数据、高光谱数据和雷达数据），对区域土地退化各类过程以及区域土地退化的综合评价，进行文献调研，并对相关研究进行评述。2土地退化基本过程的监测概括的讲，土地退化主要包括植被退化、土壤沙化、盐渍化和水土流失等4类主要过程。2.1植被退化（盖度下降）监测土地退化的重要表现就是植被退化。而植被退化又进一步表现为植被盖度下降、高度降低、物种丰富度较少，毒杂草增多、植被初级生产力降低等等。毫无疑问，植被盖度的降低是比较直观、也是比较容易通过现代遥感手段开展动态监测的植被退化指标。早期用来评价监测和评价植被盖度主要是以目测估算或概率计算等方法进行。目测方法主观性太强，误差比较大。章文波[9]研究表明目测估算方法的最大误差可达40%，概率计算法可以有效提高估算精度，但是它对野外测量的要求也相应提高。现在可以采用仪器直接 测量、估算植被盖度，应用较广泛的测量仪器有空间定量计(spatialquantumsensor，SQS)和移动光量计(traversingquantumsell，TQS)。两种仪器都是通过测量透过植被层的光线强度来计算植被盖度。仪器测量方法相对准确、快捷，但是这种方法对设备要求高，野外操作不方便[10]。近年来，一些民用CCD(电荷耦合设备：ChargeCoupledDevice)相机的数码相片也被用于植被盖度测量研究，Cosh(CoshandBrutsaert2003)等即利用数码照片对美国干旱生态系统植被覆进行了长期监测，并获得有效结果。上述各种方法在样点尺度上开展植被盖度监测是合适的，通过一定的抽样统计设计以及空间插值，也可以方便地推广到区域尺度上。但是，这种点上抽样、面上插值的方法也存在一些明显的缺点，比如野外工作时间长、存在一定的空间误差、无法获取连续的、精细的面源数据等。在这方面，遥感技术的发展为植被盖度的实时、动态和连续的监测和评价提供了快速、有力的技术支撑。基于遥感反演植被盖度主要有两种路线，一种是利用实测植被盖度值与波段（或波段组合）值建立线性回归，建立反演模型，另一种则纯粹是基于理论的数学推导，即利用全植被覆盖土地所对应的波段（或波段组合）值与裸土地所对应的波段（或波段组合）值建立比例模型，建立反演模型。对于第一种路线，Purevdorj[11]（1998）等基于NDVI（归一化植被指数）、SAVI（土壤调节植被指数）、MSAVI（修正的土壤调节植被指数、TSAVI（转换型土壤调整指数）4个指标，使用线性回归方法，建立了蒙古及日本草原区的植被盖度模型。具体公式如下：索安宁[12]等（2007）利用相似方法，基于遥感植被指数和气候干燥指数模拟潜在植被指数。总的来说，这种基于回归方法得到的模型具有地域限制，在其它地区的推广时存在困难。对于第二种路线，刘培君[13]提出了光学植被盖度指标，公式如下：，其中，CV0表示光学植被盖度，B4、B23分别为TM四波段和二、三波段(平均)光谱亮度，表示理想的全植被覆盖时(无裸土面)四波段和二、三波段(平均)光谱亮度的差值(也是极大值)，rs为一参量，它反映裸土壤的(虚)光亮度。第二种路线中更为常用的模型方法是利用既有的NDVI指标、求算植被盖度[14-17]。其公式如下：其中，表示反演的植被覆盖度，表示研究区裸土地NDVI值， 表示研究区植被全覆盖象元的NDVI值。模型中的NDVI指标在当前的遥感和生态学研究中应用如此广泛，NDVI已经成为遥感数据的一个标准产品，并且已经积累了长时间序列的数据集（如SPOTVGT，GIMMSNDVI等），因此，基于这种标准的、时间上可参比的NDVI数据反演植被盖度，这种方法在研究中也就得到广泛应用。2.2土地沙化的监测土地沙化的监测，从本质上讲即使监测沙化的土地（即沙地），这在传统上属于遥感土地解译和分类的范畴。对于土地解译，目视人工解译、机器自动、半自动分类是3种主要方法。总的来看，目视人工解译是最可靠、最准确的方法，但是因其巨大的工作量，这种方法在大区域应用、或需要快速评价时存在不可逾越的困难。为此，研究人员不得不继续研究发展机器自动分类、半自动分类方法，提出了分层提取、遥感指数、多元信息复合和神经网络支持等方法。在遥感解译中，遥感影像中包含的地物类型众多，直接对土地覆被进行详细的自动分类解译通常会导致非常大的分类误差，为此，研究人员提出了分层解译路线。即在土地分类过程中，先将沙地与其他大类，如林地、耕地等区分开，然后，再对各大类土地中进行细分各个小类。Collado[18]在利用LandsatTM影像对阿根廷的圣路易斯中部地区沙化土地的研究中指出，水体、植被和沙地在影像中象元相互不混合，因此有利于提取这三种地表覆盖；并通过比较两期沙地影像，提取沙丘的流动情况。邝生爱[19]和王晓慧等采用分层分离方法，首先提取水体、土壤、沙地和植被等大类，然后细分小类。分层信息提取方法的优点在于可以加快识别速度，提高结果的可靠性，并可一定程度的减少异物同谱带来的错误。在遥感指数反演沙化信息方面，其主要思路是根据沙化土地的光谱特征建立沙化指数，或直接根据植被指数，提取沙化信息。例如：Eve[20]在研究美国新墨西哥州的Chihuahuan沙化地区时，使用1988-1991，1989-1992和1990-1993三个时间分块的多时相AVHRR数据，通过分析NDVI曲线变化，实现对该地区的植被分类，并由此划分不可逆转的牧场退化区。这种基于NDVI时间序列的信息提取方法，可以有效克服单景遥感影像受季相影响的局限性。Karnieli[21]提出了利用结皮指数（CrustIndex，CI）来探测和绘制流动沙丘分布。其原理根据是表面有蓝细菌澡胆素色素结皮的沙丘比没有的沙丘在蓝波段的反射率高提取沙地信息。公式如下：其中，CI是结皮指数，red表示红光波段，blue表示蓝光波段。蒙琳[22]在对陕西省衡山县土地沙化的研究中，分别使用了混合光谱线性分类、温度植被指数（TVDI）和沙化特征指数（SandyFeatureIndex，SFI）三种沙化土地的提取方法。线性光谱混合模型是指象元的亮度值是由构成象元的基本组分（端元，endmember）的光谱值以其所占象元面积比例为系数的线性组合。其公式， ：第λ波段第i象元的光谱反射值；N：基本组分的数目，N≤m+1，m为波段数；f：对应i象元的第k个基本组分所占的分量值；：第k个基本组分所在波段λ的光谱反射值；：第λ波段第i个象元对应的误差值；RMS：均方根误差图像。这种方法提取的端象元是纯净象元，所以使一些有植被覆盖的沙地，比如沙化耕地、沙化草地和沙化林地等并未分入沙地，造成沙地面积偏小。温度植被指数是：其中，MSAVI是修正的土壤调节植被指数，Ts是地表温度，可用遥感反演得出(王云峰,沈润平etal.2009)。NIR和R分别表示近红外和红光波段。这种方法会将水体、裸地等被误分为沙地，所以造成结果偏大。沙化特征指数是：其中，，和分别代表TM的反射率影像中的第一、五和七波段。它是基于沙化土地与非沙化土地反射光谱特征的明显差异设计的指数，形式简单，求取方便，且提取精度能达到实际工作要求，因而是比较适合沙化土地专题信息提取的方法。程朋根[23]等利用高光谱数据（Hyperion数据）构建了一个土壤沙化指数（SandySoilIndex，SSI）模型，其模型如下：其中，、和分别表示波段1648、498和2203的反射率值。 然而，简单地依赖一种信息源（遥感）有时并不能得到理想的结果，因此，无论是在人工目视解译，还是在机器自动解译和版自动解译过程中，相关辅助信息的综合应用，即成为必然。这也即成为当前各种土地沙化研究中最为常见的方法。袁宏波[24]等利用LandSatTM影像，同时结合地形图、土地利用图以及沙化监测资料，对三江源区的玛曲县土地沙化状况进行了动态监测。此外，大量基于中国科学院20世纪土地利用时空数据平台的研究，其数据基础也是基于多源信息复合的土地特征解译。在土地分类遥感解译过程中，尤其是在多源信息复合研究过程中，一些简单的层次分析方法、聚类方法并不能得到合理的结果，因此，一种模拟人类大脑识别机制的人工神经网络（Artificialneuralnetwork，ANN）方法也被广泛采用。ANN方法在20世纪40年代中期首先被提出,70年代开始得到应用,80年代末开始应用于遥感影像分类[25]。胡振琪[26]等结合人工神经网络和决策树法，对草地沙化过程进行了研究。2.3土壤盐渍化的监测土壤盐渍化是一种重要的土地退化类型。它是指在特定气候、地质及土壤质地等自然因素综合作用下，以及人为引水灌溉不当引起土壤盐化的土地质量退化过程[27]。传统的土壤盐渍化评价方法是通过室内试验分析出土壤样品的含盐量，进而评价盐渍化程度。利用传统方法能够比较准确的对小范围土壤进行评价，但是，对大面积盐渍化土壤进行评价时，就需要大量的土壤样品，耗时耗力，并影响工作效率[28]。遥感具有扫描面积大、多时相性等的特点，能成功的解决这一问题。遥感应用于盐渍化监测始于20世纪70年代。80年代时，遥感数据遥感数据趋于多时相、多波段，这一时期，主要结合盐渍化土地的光谱特征进行目视解译。90年代，遥感数据源更加丰富，常用的遥感数据有：Terra、MSS、TM、ETM+、Quickbird、ASTER、SPOT、RADARSAT和IRS等卫星遥感数据及HyMap，AME等高光谱数据[29]。我国应用遥感对土壤盐渍化监测大约比国外晚了10年左右。80年代，在黄淮海平原运用红外航片、卫片进行了农业资源和自然灾害情况的调查和制图[30]。90年代，同样随着各种遥感数据的出现，我国遥感监测事业也进一步发展。多样化遥感数据源为盐渍化遥感分析提供了客观条件。目前，很多学者已成功利用各种遥感监测模型对盐渍化进行评价和估测，其成功例子不胜枚举。如：Singh[31]考虑不同时相间的光谱辐射差异，采用比值指标形式，从而有效地避免或减少大气、日照等条件的影响，建立评价土壤盐渍化评价模型。Rao[32]在对盐渍化土壤光谱特征进行研究后，指出与一般耕地相比，盐渍化土壤在可见光和近红外波段光谱反射强，且盐渍化程度越高反射率越高；在红光和绿光波段，地面覆被会影响盐渍化土的响应。孟岩[33]等基于Singh思想，为减少日照、大气等因素的影响，用255减去三者之和，并采用比值形式。利用中巴资源卫星（CBERS）多光谱数据，分析各地类的平均灰度值，根据Rao所述盐渍化越强反射越强烈的原理，将1-3波段的光谱值相加可增强土壤盐渍化的反应，模型如下：其中，是盐渍化指数，是标准化的盐渍化指数。，，表示第一波段灰度值。这个模型简单易懂，而且结果满足应用，但是，只是针对中巴资源卫星（CBERS）多光谱数据，是其局限性。 根据Rao的研究，我们知道盐渍化严重的土壤，光谱反射率高。那么盐渍化土壤的具体光谱响应特征是怎样的？为此,Taylor和Metternicht等做了研究。Taylor[34]利用航空雷达影像对盐渍化土壤做了大量研究，分析了盐渍化土壤的光谱特征，并认为L波段（1000—2000兆赫）能很好地区分盐渍土和非盐渍土。Metternicht[35]等研究了盐渍化土壤波谱响应模式，并指出选择敏感波段有助于盐渍化土地的分离。国内也做了很多相应的研究，如霍东民[36]利用CBERS一1卫星图像数据，在深入分析盐碱地光谱信息和空间信息的基础上，借助于人脑在分析图像时所加入的各方面知识．在GIS支持下成功提取出盐碱地专题信息。骆玉霞[30]利用遥感图像提取盐渍土的光谱特征和纹理特征,她首次将角度分类器引入到盐渍化程度的监测中，证明角度分类器是盐渍化程度等级分类的一种有效方法。众所周知，土壤盐渍化与土壤盐分、水分、当地气候条件关系密切。为了寻求各影响因素对土壤盐渍化的影响，学者们做了大量实验和分析。如Farifteh、Leone和张恒云等分别做了大量实验和研究。Leone[37]等分别用高盐度水、中盐度水和无盐度水灌溉，发现5年后，高盐度水和低盐度水灌溉的土壤光谱特征有明显区别。Farifteh[38]等利用实验室配置不同浓度和种类的盐含量土壤样本，并通过便携式野外高阻燃光谱仪测量其光谱特征，得出盐渍化土壤反射光谱特征之间有线性相关关系。张恒云[39]等用NOAA/AVHRR数据建立了盐渍化土与土壤含水量、日最低气温和日最高气温之间的回归模型，间接分析研究滨海盐渍土。近年来，为了改善遥感分类的精度，贝叶斯网络被引入到分类中，应用贝叶斯网络可以成功的提取盐渍化信息。如海米提·司马依[40]（2006）在对库车县土壤盐渍化情况进行监测时，首先应用条件独立性测试原理建立贝叶斯网络结构,把研究区遥感数据进行离散化，研究结果为该区盐渍地面积,空间分布等特征监测提供较好的依据。2.4水土流失的监测水土流失又称土壤侵蚀[41]，是危害生态环境的重要因素之一。对水土流失的检测，历来都受到各国的重视。上个世纪的80年代末和90年代末,中国先后开展了两次土壤侵蚀遥感普查工作。第一次是1989-1990年,采用的是1985-1986年时段的TM卫片，第二次是1999-2000年,采用的是1995-1996年时段的TM卫片[42]。查清水土流失现状的方法有：常规地面调查法、卫片目视解译法和遥感数据处理法。后两种又称为定性遥感法，它们都存在人为确定侵蚀等级而产生的误差现象。所以，许多定量模型应运而生。水土流失定量研究模型很多，如美国的USLE、MUSLE、PSL、ANSWERS和OF等，津巴布韦的SLEMSA，英国的Silsoe，捷克的Stehlik等模型或是方程。从对遥感数据处理的适应性而论，则以USLE最佳[43]。Lane[44]介绍了世界上普遍使用的土壤流失通用方程（TheUniversalSoilLossEquation，USLE），其模型如下，其中，A表示土壤年流失量，R表示侵蚀因子，K表示土壤可蚀性因子，L和S分别表示坡长和坡度，C表示种植管理因素，P表示利于水土保持的积极因素。卜兆宏[43]根据中国的具体情况对USEL做了该进，为： 其中，各字母所代表意思与USLE是相同的，增添f（综合转换常数）是为使A采用我国t/Km2单位，值为224.2。虽然结构与USLE模型类似，但其因子算法由我国实测资料所建立，故更适合监测我国水土流失情况。如上所述，水土流失的模型很多。从应用方法上讲可以分为两大类：一是单因子提取，如美国Morgan等人试图从遥感资料中提取USLE中的P和C因子；另一类是综合法，如澳大利亚Pickup等人提出的“土壤稳定性指数”，加拿大和新西兰专家提出的“侵蚀斑”等概念。单因子提取是指从遥感影像中逐个提取水土流失检测模型中的参数，综合法与之对应强调的是综合提取水土流失信息，单因子提取由于其灵活性和精确性被学者们所青睐。如戴清霞[45]和王洪[46]等，他们采用单因子提取，基于GIS软件和RS软件利用USLE模型，根据中国学者提出的因子算法，求取各因子。USLE模型形式简单，各因子含义明确，经过学者们的多年研究，所需参数获取相对容易，而且精度能满足实际应用要求，所以被广泛应用。2.5土地退化综合评价模型研究20世纪80年代，基于RS对土地退化的检测与评价主要处于目视解译阶段，即通过室内判读航片与位片，根据已有的荒漠化草图，结合野外关键得带路线的考察最终成图[47]。20世纪90年代，在土地退化评价中，TM、MSS、SPOT、NOAA等多种时空分辨率数据开始融合，遥感图像处理软件ERDAS、ENVI同一些GIS软件也逐步集成使用[48]，土地退化模型研究也有很大进展。随着遥感技术日益成熟，各种解译和分析手段多样化发展，各中基于遥感检测和评价土地退化的模型和方法不断涌现。其中利用多元信息、混合象元分解法和土地退化等方法被广泛应用。利用一副或是一种影像有时难以准确提取土地退化信息，所以学者们提出了多元信息复合法。它主要是指利用多时相影像或多传感器影像，结合地面实际资料，划分土地退化类型或是程度。Tripathy[49]在对半干旱的卡纳塔克邦地区荒漠化研究中，利用MSS和印度资源卫星（IRS）数据，基于GIS融合地面信息，完成对土地退化的评价。delValle[50]利用NOAA/AVHRRLAC（LargeAreaCoverage）资料，建立了一个与草原生态系统物候相适应的主影像系列，作为镶嵌不同影像的标准，并结合已有数据和野外实测数据，以及融合低分辨率影像与高分辨率影像（Landsatmultispectralscanner（MSS）），通过监督分类和非监督分类确定土地退化分布。这种方法几乎是完全基于遥感并利用遥感影像处理系统完成，在当时是评价土地退化的一种新趋势。混合象元分解法，顾名思义，是指分解影像中的混合象元。混合象元是遥感影像中普遍存在的现象，特别是对于空间分辨不高的传感器，象元中必然包含多种地物。早在1994年zhou[51]等利用SPOT-HRV数据采用光谱混合模型，提取地表覆被类型。张熙川和赵英时[52]在干旱、半干旱区，利用两期TM影像数据使用线形光谱混合模型（LMSS），分离差异较大的组分，快速有效的评价土地退化状况。线性光谱混合模型相对于NDVI方法更适合与半干旱地区。利用指数法是评价土地退化较方便的方法之一，它主要是根据退化土地的光谱特性，建立一些评价指标。Chikhaoui[53]利用ASTER数据通过计算轻度退化和重度退化之间与“土壤线”上点的距离比值定义了土地退化指数（LDI：Landdegradationindex），如图1，并将LDI指数法和光谱角填图法（SpectralAngleMapping，SAM）进行比较，结果显示在评价土地退化方面LDI指法比SAM法有更高的精度。土壤线（soilline）是土壤红光波段和近红外波段反射率间的线性关系，是对大量土壤反射光谱特征的综合描述[54]。程朋根等基于这个指数的概念针对Hyperion数据提出了（SDI：soildegradationindex）并计算 了陕西省北部榆林地区的横山县土壤退化指数，证明这个指数能够真实的反映地面土地退化信息[23]。模型如下：图1二维空间土地退化指数概念模型但是经研究证明，不同土壤的土壤线是不同的，唯一的土壤线不存在[55]。也就是说SDI方法适应于评价局部小范围土地退化，对于大范围，由土壤类型众多，此方法存在一定的局限性。近年来，高光谱遥感的空间和时间分辨率不断提高，高光谱影像以其高的光谱分辨率得到广泛应用，它能识别细微地物，为土地退化提供了新的研究方法和理论。范文义[56]提出了基于高光谱数据的荒漠化光谱信息提取方法，将数理模型和统计模型相结合，处理荒漠化光谱信息，进行植被覆盖度和生物量的反演。他强调由于荒漠化是自然因素、自然因素和社会因素共同作用的结果，所以应该尽可能的搜集研究区的相关资料，有助于提高检测精度。吴剑[57]针对Hyperion数据，利用监督分类与监督分类相结合的混合分类方法、光谱角制图（SpectralAngleMethod，SAM）法，混合调制匹配滤(Mixture-TunedMatchedFiltering，MTMF)法分别进行分类，然后利用神经网络法对影像进行二次分类，最后在掩膜处理的基础之上把土地分为：轻度退化．中度退化和高度退化三种类型。总之，退化土地的光谱特征与健康土地的光谱特征间有明显区别，基于高光谱信息提取土地退化信息，是目前应用趋势。3.结论本文所述模型，各有其优缺点，不同研究区域、不同研究范围、不同遥感数据，都应该有不同的研究方法与之对应。随着遥感技术的进一步发展，以及研究方法的不断成熟，更多，更适合研究土地退化的模型将会诞生。中国是世界上土地退化比较严重的国家之一，如何利用遥感数据建立起适合我国土地退化的监测体系，是我们需要努力的方向。 参考文献[1]赵其国.土壤退化及其防治.土壤学报,1991(2):57-60.[2]赵其国.土地退化及其防治.中国土地科学,1991.5(2):21-25.[3]Oldeman,L.R.，R.T.A.Hakkeling，W.G.Sombroek.WorldMapoftheStatusofHuman-InducedSoilDegradation;ExplanatoryNote.1990,InternationalSoilReferenceandInformationCentre(ISRIC),UnitedNationsEnvironmentProgramme(UNEP),incooperationwithWinandStaringCentre,InternationalSoilScienceSociety,FoodandAgriculturOrganizationoftheUnitedNations(FAO),InternationalInstituteforAerospaceSurveyandEarthScience(ITC).[4]刘良梧，龚子同.全球土壤退化评价.资源科学,1995(1):10-15.[5]张家恩.生态退化研究的基本内容与框架.水土保持通报,1997.17(6):46-63.[6]龚子同.防治土壤退化是我国农业现代化建设中的重大问题.农业现代研究,1982.(2):1-8.[7]Babaev,A.G.，N.G.Kharin，N.S.Orlovsky.AssessmentandMappingofDesertificationProcesses：AMethodologicalGuide,inDesertResearchInstitute，AcademyofSciencesofTurkmen-istan，ESCAP／UNEPResearchandTrainingCentreonDeserificationControl.1993.[8]刘慧.我国土地退化类型与特点及防治对策.自然资源,1995.(4):26-32.[9]章文波，符素华，刘宝元.目估法测量植被覆盖度的精度分析.北京师范大学学报(自然科学版),2001.37(3):402-408.[10]Thalen,D.C.P.EcologyandutilisationofdesertshrubrangelandsinIraq.1979,Hague:DrWJunkBVPublishers.[11]Purevdorj,T.，R.Tateishi，T.Ishiyama，Y.Honda.Relationshipsbetweenpercentvegetationcoverandvegetationindices.InternationalJournalofRemoteSensing,1998.19(18):3519-3535.[12]索安宁，王兮之，林勇，葛剑平，秦向华.基于遥感的黄土高原典型区植被退化分析.遥感学报,2009.(2):291-299.[13]刘培君，李良序.用TM数据估测光学植被盖度的方法.遥感技术与应用,1995.10(4):9-14.[14]李苗苗.植被覆盖度的遥感估算方法研究.2003,中国科学院研究生院（遥感应用研究所）:北京.[15]Gutman,G.，A.Ignatov.ThederivationofthegreenvegetationfractionfromNOAA/AVHRRdataforuseinnumericalweatherpredictionmodels.InternationalJournalofRemoteSensing,1998.19(8):1533-1543.[16]高志海，李增元，魏怀东，丁锋.基于遥感的民勤绿洲植被覆盖变化定量监测.地理研究,2006.25(4):587-595.[17]李琳.北京郊区植被覆盖度变化动态遥感监测——以怀柔区为例.2008,北京林业大学:北京.[18]Collado,A.D.，E.Chuvieco，A.Camarasa.Satelliteremotesensinganalysistomonitordesertificationprocessesinthecrop-rangelandboundaryofArgentina.JournalofAridEnvironments,2002.52(1):121-133. [19]邝生爱，田淑芳.农牧交错带土地沙化遥感监测.国土资源遥感,2002.(2):11-14.[20]Eve,M.D.，W.G.Whitford，K.M.Havstadt.Applyingsatelliteimagerytotriageassessmentofecosystemhealth.EnvironmentalMonitoringandAssessment,1999.54(3):205-227.[21]Karnieli,A.Developmentandimplementationofspectralcrustindexoverdunesands.InternationalJournalofRemoteSensing,1997.18(6):1207-1220.[22]蒙琳.县级土地沙化信息遥感动态监测与分析——仪陕西省横山县为例.2005,河海大学:上海.[23]程朋根，吴剑，肖根如.基于高光谱数据土地退化指数的研究,in华东六省一市测绘学会学术会议.2007.[24]袁宏波，王辉，李晓兵，陈智平.玛曲县天然草地沙化动态及现状分析.甘肃农业大学学报,2006.41(1):73-78.[25]修丽娜，刘湘南.人工神经网络遥感分类方法研究现状及发展趋势探析.遥感技术与应用,2003.18(5):339-345.[26]胡振琪，杨玲，王广军.草原露天矿区草地沙化的遥感分析——以霍林河矿区为例.中国矿业大学学报,2005.34(1):6-10.[27]魏云杰，许模.新疆土壤盐渍化成因及其防治对策研究.地球与环境,2005.(33):592-597.[28]陈康，金晓媚，万力，马丽莎.应用MODIS数据进行土壤盐渍化评价方法研究.科技导报,2009.(14):59-63.[29]关元秀，刘高焕.区域土壤盐渍化遥感监测研究综述.遥感技术与应用,2001.16(1):40-44.[30]骆玉霞，陈焕伟.GIS支持下的TM图像土壤盐渍化分级.遥感信息,2001.(4):12-15.[31]Singh,A.DigitalChangeDetectionTechniquesUsingRemotely-sensedData.InternationalJournalofRemoteSensing,1989.10(6):989-1003.[32]Rao,B.R.M.，T.R.Sankar，R.S.Dwivedi，S.S.Thammappa，L.Venkataratnam，R.C.Sharma，S.N.Das.SPECTRALBEHAVIOROFSALT-AFFECTEDSOILS.InternationalJournalofRemoteSensing,1995.16(12):2125-2136.[33]孟岩，赵庚星.基于卫星遥感数据的河口区生态环境状况评价——以黄河三角洲垦利县为例.中国环境科学,2009.29(2):163-167.[34]Taylor,G.R.，A.H.Mah，F.A.Kruse，K.S.KiereinYoung，R.D.Hewson，B.A.Bennett.Characterizationofsalinesoilsusingairborneradarimagery.RemoteSensingofEnvironment,1996.57(3):127-142.[35]Metternicht,G.，J.A.Zinck.Spatialdiscriminationofsalt-andsodium-affectedsoilsurfaces.InternationalJournalofRemoteSensing,1997.18(12):2571-2586.[36]霍东民，张景雄.利用CBERS—1卫星数据进行盐碱地专题信息提取研究.国土资源遥感,2001.(2):48-52.[37]Leone,A.P.，M.Menenti，A.Buondonno，A.Letizia，C.Maffei，G.Sorrentino.Afieldexperimentonspectrometryofcropresponsetosoilsalinity.AgriculturalWaterManagement,2007.89(1-2):39-48.[38]Farifteh,J.，F.vanderMeer，M.vanderMeijde，C.Atzberger.Spectralcharacteristicsofsalt-affectedsoils:Alaboratoryexperiment.Geoderma,2008.145(3-4):196-206.[39]张恒云，肖淑招.NOAA／AVHRR资料在监测土壤盐渍化程度中的应用.遥感信息,1992.(1):24-26.[40]海米提·司马依，塔西甫拉提·特依拜.基于贝叶斯网络分类的土壤盐渍化遥感监测 新疆环境保护,2006.28(1).[41]江洪，王钦敏，汪小钦，周小成.区域性水土流失遥感动态监测技术研究与实现,in水土保持发展战略——中国水土流失与生态安全综合科学考察及水土保持发展战略研讨会论文集.2008:北京.[42]焦居仁.中国水土流失遥感成果与水保生态建设发展战略.中国水土保持,2002.(7):7-8.[43]卜兆宏，孙金庄.水土流失定量遥感方法及其应用的研究.土壤学报,1997.34(3):235-245.[44]Lane,L.J.，K.G.Renard，G.R.Foster，J.M.Laflen.DevelopmentandApplicationofModenSoil-ErosionPredictionTechnology-theusedExperience.AustralianJournalofSoilResearch,1992.30(6):893-912.[45]戴清霞.基于GIS和遥感的长汀县水土流失动态监测.2006,福建农林大学:福州.[46]王洪.长汀县水土流失遥感监测及其生态安全评价.2005,福州大学:福州.[47]程水英，李团胜.土地退化的研究进展.干旱区资源与环境,2004.18(3):38-43.[48]孙武，李森.土地退化评价与监测技术路线的研究.地理科学,2000.20(1):92-96.[49]Tripathy,G.K.，T.K.Ghosh，S.D.Shah.MonitoringofDesertificationProcessinKarnatakaStateofIndiaUsingMulti-temporalRemoteSensingandAncillaryInformationUsingGIS.InternationalJournalofRemoteSensing,1996.17(12):2243-2257.[50]delValle,H.F.，N.O.Elissalde，D.A.Gagliardini，J.Milovich.StatusofdesertificationinthePatagonianregion:Assessmentandmappingfromsatelliteimagery.AridSoilResearchandRehabilitation,1998.12(2):95-121.[51]Zhou,X.，S.Folving.APPLICATIONOFSPECTRALMIXTUREMODELINGTOTHEREGIONALASSESSMENTOFLANDDEGRADATION-ACASE-STUDYFROMBASILICATA,ITALY.LandDegradationandRehabilitation,1994.5(3):215-222.[52]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.中国科学院研究生院学报,1999.16(2):169-176.[53]Chikhaoui,M.，F.Bonn，A.I.Bokoye，A.Merzouk.AspectralindexforlanddegradationmappingusingASTERdata:Applicationtoasemi-aridMediterraneancatchment.InternationalJournalofAppliedEarthObservationandGeoinformation,2005.7(2):140-153.[54]Richardson,A.J.，C.L.Wiegand.DISTINGUISHINGVEGETATIONFROMSOILBACKGROUNDINFORMATION.PhotogrammetricEngineeringandRemoteSensing,1977.43(12):1541-1552.[55]Baret,F.，S.Jacquemoud，J.F.Hanocq.ABOUTTHESOILLINECONCEPTINREMOTE-SENSING.RemoteSensingforOceanography,HydrologyandAgriculture,1993.13:281-284.[56]范文义，徐程扬，叶荣华，王君厚.高光谱遥感在荒漠化监测中的应用.东北林业大学学报,2000.28(5):139-141.[57]吴剑，何挺，程朋根.基于Hyperion高光谱数据的土地退化制图研究——以陕西省横山县为例.地理科学进展,2006.25(2):131-138.