干旱区的可持续发展与生态环境问题一直是有关国家政府与广大科研人员最关心的热点问题。而绿洲作为干旱区发展的基础，养育干旱区90%以上的人口，提供干旱区95%的工农业产值^［1-2］，是干旱区人类从事各项生产、生态和生活活动的主要空间载体^［3］。由于人类对绿洲水土资源开发强度的增加以及绿洲环境管理的深入以及地表水资源时空分异显著^［4］，绿洲的扩张与退缩过程变动较为频繁、绿洲内部结构受扰动程度增大^［5-6］，绿洲化过程和荒漠化过程引发了绿洲格局的变化。而这种绿洲新格局的变化反过来进一步导致单位面积土地可利用水资源量减少，引起水热格局变化，出现水土、水盐平衡失调，生物多样性严重受损，绿洲外围荒漠-绿洲过渡带（以下简称“过渡带”）缩小，沙漠向绿洲入侵的缓冲作用弱等生态问题，严重威胁到绿洲的稳定性及区域生态安全。因此及时准确把握内陆河流域绿洲动态变化新格局是内陆河流域实现水资源优化配置和动态管理的基本前提。而绿洲数据的精准制图是实现以上目标的关键。

绿洲生态系统作为干旱区生态系统的重要组成部分，其绿洲土地结构分类与传统的土地利用/土地覆被分类存在共性，因此，绿洲生态系统结构制图研究通常基于土地利用和土地覆被产品，研究者一般有两种方法，一种是基于现有的土地覆被产品，对绿洲土地覆被类型进行合并，这是最常见的；另一种是基于绿洲的特点，结合土地覆被类型，进行绿洲专题数据的生产。这种方法虽然是针对绿洲生态系统的专题数据且精度较高，然而在流域尺度由于绿洲生态系统作为干旱区非地带性生态系统，与其他生态系统类型相比，又具有其独特性，同时由于研究者对绿洲生态系统认识不足，研究者和研究目的存在差异，造成专题数据成果差异较大，致使绿洲数据的适用性较低。以2010年河西走廊人工绿洲为例，不同研究者的人工绿洲面积分别为13 454.35^［7］、14 281.04^［8-10］、15 829.9^［11］、16 500 km^2［12］等，极值相差3 045.65 km²。另外，由于人工绿洲在绿洲中的主体效应^［13］，多数绿洲数据仅有人工绿洲的面积和结构，忽略了自然绿洲和过渡带的重要作用，而人工绿洲、过渡带和自然绿洲共同构成一个完整的绿洲生态系统^［14］。那么如何充分挖掘现有土地覆被数据信息，同时兼顾绿洲生态系统特点，形成一套流域尺度的既能与现有的土地利用/覆被产品配套使用，充分利用现有的土地利用/土地覆被数据产品，同时又能体现出绿洲研究独特性的绿洲专题数据成为亟待解决的关键基础性问题。目前已有部分学者将土地覆被数据集与绿洲生态系统相结合进行一些探索性的工作。武磊等^［15］结合欧洲航天局（ESA）发布的全球陆地覆盖数据和MODIS-NDVI数据，利用逐类型阈值分割法，获取干旱区典型绿洲的荒漠-绿洲数据。然而，由于欧空局本身产品精度的局限，导致该产品只能包含绿洲和荒漠两种类型，无法深入揭示绿洲演变。

因此，本文以河西内陆河流域绿洲为研究区，基于已有的ChinaCover数据集，充分考虑土地覆被特点及绿洲独特性构建的绿洲生态系统分类体系，结合Landsat NDVI数据，利用面向对象随机森林分类和叠加分析方法，完成1975—2020年河西内陆河流域绿洲土地结构数据的制图，并对比其分类精度，分析其绿洲结构变化，以期为干旱区绿洲制图提供一种简单精准的方法。

土地覆被是地球系统过程研究中关键变量。土地覆被制图一直被认为是在环境变化和可持续性研究中最重要的研究^［16-19］。目前，基于遥感影像数据获取的全球土地覆被数据产品主要有10个（表1）。经过全球精度验证，目前几种300~1 000 m的数据精度基本为64.9%~77.9%^［20］，因此这些土地覆被数据集常被进行全球、洲际或国家等大尺度区域应用，但是在流域尺度，由于其精度达不到应用要求而无法使用。而30 m数据产品精度最高的数据是GlobeLand30，精度为85.72%^［21-22］，其数据精度基本达到流域尺度的应用要求，但是由于其数据只有3期（2000、2010、2020年）数据，无法识别2000年以前的土地覆被变化状况。

依托2011年中国科学院实施的战略性先导科技专项“应对气候变化的碳收支认证及相关问题”及环境保护部和中国科学院联合实施的全国生态环境十年变化（2000—2010年）遥感调查与评估项目，中国科学院空天信息创新研究院吴炳方团队采用面向对象分类技术以及变化检测方法生产的中国1990、2000、2005、2010、2015年的30 m分辨率土地覆盖数据集（China Cover），通过分类后人工修正将总体精度提高到86%^［36］。ChinaCover采用的是“面向全国生态系统碳收支”分类系统（表2），数据源主要是国产HJ-1影像，实际工作中结合应用了Landsat卫星系列影像，以保障全国土地覆被信息源

的完整和丰富。ChinaCover共分6个一级类，40个二级类^［37］。由于该数据的精度高及长时间尺度的优点，本文以ChinaCover的土地覆被数据为绿洲生态系统底图数据，完成1975—2020年河西内陆河流域绿洲土地结构数据的制图。

河西内陆河流域位于甘肃省和内蒙古自治区的西部，长约1 000 km，宽30~530 km，海拔1 000~3 200 m，面积33.53万km²（面积不包括青海流域部分，图1）。河西内陆河流域是石羊河、黑河和疏勒河等水系的总称，流域上游为祁连山脉，中游为走廊平原区，下游则是腾格里沙漠、巴丹吉林沙漠和库姆塔格沙漠^［38］，在行政区划上包括了甘肃的武威、张掖、酒泉和金昌、嘉峪关等五地市和内蒙古的额济纳旗。河西内陆河流域地处欧亚大陆腹地，远离海洋，是典型的大陆性季风气候，呈现出温带、暖温带干旱气候特征，年降水量50~600 mm，年平均气温4~9 ℃^［38］。

遥感影像主要采用的是Landsat系列数据，其中土地覆被解译所需遥感影像来自美国地质调查局（http：//glovis.usgs.gov/），每期数据需要24景覆盖影像（图2）。影像选择的原则是，成像时间集中在生长季（5—9月），且云量<10%，当个别时段影像数据缺失或质量不佳时，则以标准年的上下年份代替，其中1970年代的MSS影像由于影像非常少，因此选择时只要是1970年代的绿洲区无云或少云的影像数据均可使用。获取影像后，对原始数据进行相应的处理，如波段合成、投影转换等，本文中所有影像数据存储格式全部采用IMG格式，投影坐标统一为WGS_1984_Albers等积投影，分辨率为30 m。

土地覆被数据来自ChinaCover数据集，利用河西走廊的边界进行裁切得到1975—2015年河西走廊土地覆被数据，然后利用2015年的数据为底图数据，采用目视解译方法在ArcGIS软件平台下更新获取2020年研究区土地覆被数据，而1975年数据采用同一方法由1990年数据为底图数据动态更新而来。由此即可获得河西走廊内陆河流域1975、1990、2000、2005、2010、2015、2020年30 m分辨率土地覆被数据。

植被覆盖度采用植被像元二分模型进行估算^［39］。Landsat NDVI主要采用的是监测年份前后一年的生长季（5—9月）NDVI的平均值，以2015年监测年份为例就是利用2014—2016年5—9月的Landsat影像计算3年生长季平均NDVI，其中1975年的NDVI采用的是1982—1985年的影像计算替代。具体的操作方法是在GEE（Google Earth Engine）平台上利用Landsat的大气顶部反射率（TOA）数据，以研究区边界和监测时段为筛选条件，采用NDVI平均值合成方法获取监测年份的3年平均NDVI。然后在python3.6中计算完成FVC。具体可表示为：

式中：FVC表示植被覆盖度；NDVI_veg和NDVI_soil分别表示纯植被像元和纯土像元的NDVI。理想状况下，NDVI_soil值接近于０，而NDVI_veg值接近于1。但在实际工作中因缺少大面积地表实测数据作参考，所以通常对NDVI统计直方图给定置信区间，分别选取积累百分数为0.5%和99.5%作为NDVI_soil和NDVI_veg。

由此得到河西内陆河流域植被覆盖度数据。

数字高程模型（Digital Elevation Model，DEM）数据下载自地理空间数据云（http：//www.gscloud.cn/）ASTER GDEM 30M 分辨率数字高程数据，利用研究区边界对DEM进行裁切（图1）。

由于地物复杂性和遥感数据时空分辨率的限制，仅靠自动分类的精度很难满足实际应用需求，需要大量地面调查点的支持。采样点采集主要通过野外考察获取，当一些采样点无法在野外调查获取时，使用高分辨率的图像（VHR）和谷歌地球（GE）解译获取。野外考察数据分为训练样本数据和验证数据，数量分别为3 463个和1 174个（图1）。

绿洲演变分为绿洲演化和绿洲变迁^［40］，因此绿洲分类系统应该既要体现绿洲的扩张/退缩又要体现绿洲内部土地类型的变化。绿洲扩张/退缩主要体现在荒漠、人工绿洲、自然绿洲和过渡带的相互转化中，而绿洲内部结构的变化则主要表现在土地覆被类型的转变，比如建设用地侵占耕地、草地开垦为耕地、耕地的撂荒等。

绿洲时空分布格局研究中，根据研究目的的不同，绿洲分类系统主要有两类。一类是基于绿洲土地利用/覆被特征，参考土地利用/覆被土地分类系统，将绿洲分为耕地、防护林、防护草地、建设用地、人工湿地等，这种分类一般专门针对人工绿洲进行分类，用于绿洲演化研究；另一类是根据绿洲的人类改造强度，将绿洲分为人工绿洲、自然绿洲和过渡带，这种分类一般用于绿洲变迁研究。然而在内陆河流域尺度，一个完整的绿洲生态系统包括人工绿洲、荒漠-绿洲过渡带和自然绿洲^［14］。同时，由于上下游水资源的分配以及人类改造强度的因素，不仅绿洲外围持续存在着扩张或退缩，同时绿洲内部也不断发生土地类型的转换。因此，基于前人的研究成果及流域尺度绿洲生态系统特点^{［6，9，11，41］}，同时考虑ChinaCover的“面向全国生态系统碳收支”分类系统，将绿洲生态系统分类体系分为三级分类，其中一级类型包括人工绿洲、自然绿洲、过渡带和山地荒漠；二级类型在一级类型的基础上继承ChinaCover数据的一级类型即林地、草地、耕地、湿地、人工表面和其他；三级类型则是继承ChinaCover数据的一级类型时同时继承的二级类型（表2）。在本文中为便于把握绿洲演变规律，仅对绿洲生态系统分类体系的一级和二级分类进行阐述研究。因此，本文的绿洲生态系统分类体系及特征描述如表3所示。

绿洲生态系统制图思路是在ChinaCover数据集的基础上区分出绿洲生态系统一级类型，然后分别继承ChinaCover数据的土地覆被属性。在进行绿洲生态系统一级类型生产时涉及到分类方法如何选择，而大量的研究表明，相较于其他机器学习方法，随机森林方法在干旱区绿洲分类上具有精度高、稳定性强和速度快等优点^［42-44］。因此，绿洲生态系统制图主要分为两部分：基于面向对象的随机森林分类绿洲一级类型制图；基于叠加分析绿洲生态系统二级类型制图。

基于面向对象的随机森林分类绿洲一级类型生产。在对研究区绿洲生态系统一级分类解译前首先是明确对研究区绿洲空间分布的经验认识，即：研究区自然绿洲主要分布在河流的下游，且石羊河流域自然绿洲稀少；过渡带分布在人工绿洲外围。接着，将野外和高分辨率影像上采集的样本点重新分类为人工绿洲植被、人工绿洲建设用地、自然绿洲、过渡带、荒漠、山地、水体等7类，然后将2020年研究区Landsat OLI影像（红绿蓝三波段）、植被覆盖度、DEM及衍生数据（海拔和坡度）影像以及训练样本数据导入易康工程。接着，采用多尺度分割方法，通过试错法，确定分割尺度为40，紧致度为0.5，形状指数为0.1，波段权重均为1，由此将研究区分割为3 149 227个对象。选择波段平均值（3个特征）、均方差（3个特征）、亮度值、归一化植被指数、归一化水体指数、海拔、坡度、植被覆盖度等12个特征指数，以随机森林作为分类器，参数设置最大深度为8，最小样本数为6，其他参数采用系统默认值，对训练样本进行训练。将分割对象利用训练规则进行训练分类，得到了基于随机森林的初步分类数据，再利用人工目视解译方法，根据先验知识以及各类型的位置关系，对错误分类进行校正，最后对不同类型对象进行合并，得到2020年绿洲生态系统一级分类数据。

而对于其他年份的数据的生产，则是以相邻年份的数据作为底图数据输入工程作为参数数据，对其进行动态变化监测。以2015年的数据反推更新为例，将2015年的Landsat OLI影像（红绿蓝三波段）数据以及2015年和2020年的植被覆盖度输入易康工程，采用上述参数进行分割，通过指定2015年植被覆盖度为红波段显示，2020年为绿波段显示发现（图3）：两期影像植被覆盖度低值区显示为黑灰色，植被覆盖度高值区显示为黄色，绿洲发生扩展的区域显示为绿色，绿洲发生退缩的区域显示为红色。由此根据光谱差异，再分为变化区域和无变化区域选择变化监测训练样本，同样运用随机森林分类器进行变化监测的分类，最后通过人工目视修正得到2015年河西内陆河流域绿洲生态系统一级类型数据。以此类推，分别获得1975、1990、2000、2005、2010年的研究区绿洲生态系统一级类型数据。

基于叠加分析绿洲生态系统二级类型制图。利用ArcGIS软件的Identity功能将对应年份的绿洲生态系统一级类型数据与ChinaCover数据进行叠加，获得同时具有绿洲生态系统一级类型和ChinaCover土地覆被类型的数据，然后利用目视解译的方法进行修正，利用计算器将两种类型的数据结合形成四位码，比如1501为人工绿洲建设用地，其中千位码为绿洲一级类属性，百位码为绿洲二级类属性。赋值完成之后，将三级类合并，最终完成1975—2020年7期河西内陆河流域绿洲生态系统类型数据。

绿洲类型数据生产时的质量控制是其产品可靠性的保证，而客观可靠的精度验证是对数据质量检验和精度特征的分析。混淆矩阵是常用的遥感影像分类结果精度验证方法^［45］，其中常用的分类精度评价指标主要有用户精度、制图精度、总体精度和Kappa系数，具体计算方法见参考文献［45］。

在本文中绿洲生态系统二级类数据由于直接使用的是ChinaCover数据。ChinaCover产品的精度评估采用分层随机抽样的野外验证方法，通过野外实地调查进行验证，保证了精度评估的可靠性^［46］，经验证，西北地区土地覆被一级类型精度为88.6%~99.7%（图4），明显高于GlobeLand30 2020数据。在本文中该数据作为绿洲生态系统的二级类型，其本身的精度已经达到后续分析使用的精度。因此本文仅对绿洲生态系统的一级类型进行精度验证。

在绿洲生态系统一级类验证过程中，由于所有时期数据的参考数据均为2020年的绿洲生态系统数据，其他时期的数据均是在此基础上进行动态变化监测，同时数据在生产过程中加入了人工目视解译过程，因此在精度验证中仅对2020年的数据进行验证即可保证所有时期数据的精度。通过验证点进行重分类，计算得到一级类型验证精度结果（表4）。结果表明，绿洲一级类型分类总体精度达到96.17%；Kappa系数为0.936。

综合ChinaCover产品的精度及绿洲一级类型分类精度，绿洲生态系统二级类型的精度为82.64%~92.99%。

2020年河西内陆河流域绿洲面积30 071.71 km²，占研究区比例为8.97%，略高于中国干旱区平均水平（8.17%，2015年）^［47］。其中人工绿洲面积为17 622.57 km²，占绿洲生态系统面积比例为58.60%，主要分布于走廊中部区域；过渡带面积为5 170.76 km²，占绿洲生态系统面积比例为17.19%，主要分布在走廊中部区域人工绿洲外围，以黑河流域和石羊河流域分布居多。自然绿洲面积为7 278.38 km²，占绿洲生态系统面积比例为24.20%，主要分布在各个流域下游河段周边及尾闾附近，以黑河下游和疏勒河下游分布居多（图5）。

从绿洲生态系统的土地覆被结构分析（表5），河西内陆河流域人工绿洲主要土地覆被类型为耕地，面积为13 333.13 km²，占人工绿洲面积的75.66%；其次是建设用地，面积为1 712.99 km²，占9.72%。过渡带和自然绿洲内主要的土地覆被类型均为草地，面积分别为2 974.67 km²和4 593.83 km²，占过渡带和自然绿洲面积比例分别为57.53%和63.12%，其次是林地，面积分别为1 103.84 km²和1 573.78 km²，分别占21.35%和21.62%。值得关注的是自然绿洲内湿地类型面积较大，为722.43 km²，占自然绿洲比例为9.93%。

由图6和表5可知，1975—2020年研究区绿洲面积整体上呈增加趋势，由1975年的28 293.55 km²增加到2020年的30 071.71 km²，年均增加39.51 km²，面积增加较快的两个阶段是2000—2005年和2010—2015年。其中，人工绿洲呈持续扩张趋势，扩张速度略高于总的绿洲，由1975年的13 986.21 km²增加到2020年的17 622.57 km²，年均增加80.81 km²，变化较快的阶段与总的绿洲变化阶段保持一致；过渡带呈持续萎缩趋势，由1975年的6 921.90 km²减少到2020年的5 170.76 km²，年均减少39.91 km²，其中减少较快的3个阶段依次是2005—2010、2010—2015、1990—2000年；自然绿洲的变化速度明显低于人工绿洲和过渡带的变化速度。与人工绿洲的持续扩张和过渡带的持续萎缩不同的是自然绿洲的变化以2010年为节点分为2个阶段，2010年以前呈萎缩趋势，年均减少8.75 km²，2010年以后呈恢复趋势，年均增加19.91 km²。

1975—2020年河西内陆河流域人工绿洲的除未利用地外其他各类型均呈现增加趋势，其中增加面积最多的是耕地类型，45年增加2 317.13 km²，主要是侵占了荒漠、自然绿洲和过渡带的草地；建设用地的面积也发生了明显的增加，尤其是近20年来，面积增加了540.36 km²，这主要得益于城镇化的发展、基础设施的建设以及光伏用地的增加。过渡带的各土地覆被类型均呈现减少趋势，减少的类型均是以草地为主，45年间草地面积减少了1 051.74 km²。自然绿洲整体上也呈现萎缩趋势，同样是草地的减少最多，减少面积为220.53 km²，但湿地类型由于政府实施的调水/分水工程的影响，从2000年以来增加趋势，增加了205.18 km²。

为验证本数据与同类土地覆被精度差异，利用验证点数据，分别验证了本数据和FROM-GLC（Finer Resolution Observation and Monitoring of Global Land Cover，10 m分辨率）的精度（表6）。通过验证本数据二级类型（全部二级类型，不考虑人工绿洲、过渡带和自然绿洲的区别）分类总计精度为89.33%，Kappa系数为0.845；而FROM-GLC的数据分类总体精度仅为60.08%，Kappa系数为0.439。数据精度也高于GlobeLand30 2020（该数据产品是目前免费发布的30 m分辨率中精度最高的数据产品）。由此，表明基于ChinaCover数据集的绿洲结构数据制图精度明显高于同类产品。

河西内陆河流域作为干旱区典型的绿洲群，众多学者对该区域的绿洲数据进行生产，其中oasis_xie^［8-10］和oasis_wang^［7］数据具有一定的代表性。因此，有必要将本文绿洲数据与二者的数据进行对比分析。

在数据源使用上，本文在充分挖掘ChinaCover数据的基础上，结合遥感影像进行数据生产，而oasis_xie则是直接使用遥感影像进行阈值分割，oasis_wang则是根据现有的土地利用数据类型进行裁切合并而来。在分类系统上，本文采用二级分类系统，同时兼顾了绿洲景观的普遍性和独特性，不仅可以区分人工绿洲、自然绿洲和过渡带，而且可以区分绿洲的土地覆被结构，而oasis_xie仅区分了绿洲和荒漠，没有对绿洲内的结构变化进行进一步的识别，oasis_wang则没有考虑绿洲本身的特点，仅区分绿洲内的土地覆被类型。

在研究区绿洲面积上，oasis_wang和oasis_xie实际上仅生产了人工绿洲数据，而且研究区缺失黑河下游绿洲数据，为了便于对比分析，本文仅分析人工绿洲部分，并且在统计时参考谢家丽等^［41］的研究成果，将二者数据中缺失的黑河下游绿洲数据补充完整。以2010年为例，人工绿洲的面积排序是本数据>oasis_xie>oasis_wang（表7），主要原因是oasis_xie数据是根据归一化植被指数（NDVI）阈值提取，2010年最小值取值为0.28，因此对于NDVI<0.28的绿洲区域发生遗漏，而oasis_wang的数据统计时是根据两期数据均属于绿洲的区域提取，因此面积最小。通过对比本数据和oasis_wang的土地覆被类型，发现耕地和草地的面积差异较大，可能是因为oasis_wang仅统计了两期绿洲的共同区域，导致绿洲的部分土地类型缺失。因此，oasis_wang和oasis_xie对河西内陆河流域绿洲的实际规模严重低估。

鉴于以往绿洲生态系统产品有的是从土地覆被延伸过来，简单地把城镇、耕地、道路等类型作为人工绿洲；有的利用植被覆盖度阈值法仅分析绿洲一级类型的变化，无法探究绿洲内部结构变化的数据。针对以上问题，本文充分挖掘现有土地覆被数据信息，同时兼顾绿洲生态系统特点，完成一套流域尺度的既能与现有土地利用/覆被产品配套使用，同时又能体现出绿洲研究的独特性的绿洲生态系统结构专题数据。

通过精度验证，绿洲生态系统一级类型总体精度为96.17%，二级类型的精度为82.64%~92.99%，制图精度明显高于现有的土地覆被产品。

2020年河西内陆河流域绿洲占研究区比例为8.97%，略高于中国干旱区平均水平，一级类型以人工绿洲为主，二级类型以耕地和草地为主。近45年河西内陆河流域绿洲呈持续扩张趋势，变化表现为人工绿洲扩张侵占过渡带、自然绿洲和荒漠类型；而二级类型是以耕地的增加和草地的减少为主要特征。

通过与现有具有代表性的绿洲数据对比分析，现有的绿洲数据对绿洲实际规模严重低估。

由于本文主要侧重于基于ChinaCover数据集的绿洲结构数据的制图，对河西内陆河流域绿洲的时空变化，尤其是子流域间绿洲的变化对比缺乏深入分析，后续应充分挖掘该数据产品的信息，为干旱区绿洲的时空变化提供科学支撑。

基于ChinaCover数据集的绿洲结构数据制图方法可以充分利用现有的土地利用/土地覆被数据产品，同时又能体现出绿洲研究的独特性，是一种干旱区绿洲制图简单精准的数据方法。