張鳳太, 趙衛(wèi)權(quán)

(1.貴州師范學(xué)院 地理與旅游學(xué)院,貴陽(yáng) 5500032; 2.貴州科學(xué)院 山地資源研究所, 貴陽(yáng) 550018)

多元信息支持的巖溶區(qū)土地利用信息提取方法構(gòu)建

張鳳太1, 趙衛(wèi)權(quán)2

(1.貴州師范學(xué)院 地理與旅游學(xué)院,貴陽(yáng) 5500032; 2.貴州科學(xué)院 山地資源研究所, 貴陽(yáng) 550018)

土地利用信息是重要的基礎(chǔ)數(shù)據(jù)，其準(zhǔn)確程度將對(duì)其后續(xù)應(yīng)用工作的結(jié)果產(chǎn)生重要影響。巖溶區(qū)地形復(fù)雜、地表覆蓋類型多樣，使用目視解譯和傳統(tǒng)監(jiān)督分類的方法都存在一定的局限。通過(guò)結(jié)合遙感影像和植被指數(shù)、濕度指數(shù)、地形等多元信息，結(jié)合主成分分析方法，利用決策樹(shù)實(shí)現(xiàn)上述多元信息建模，進(jìn)而以實(shí)地調(diào)查樣點(diǎn)為目標(biāo)函數(shù)獲取決策樹(shù)的分類決策參數(shù)閾值，從而構(gòu)建了多元信息支持的巖溶區(qū)土地利用信息提取方法。經(jīng)試驗(yàn)區(qū)的模型應(yīng)用和樣點(diǎn)驗(yàn)證表明，該方法獲取的土地利用信息基本符合典型巖溶區(qū)土地利用比例和分布特征，總體分類精度達(dá)到82%。該方法能夠加深對(duì)多維遙感信息的認(rèn)識(shí)，充分挖掘出其中隱含的信息，并根據(jù)這些信息提高巖溶區(qū)土地利用信息提取的精度，尤其能體現(xiàn)出巖溶區(qū)地貌特征對(duì)土地利用空間分布的影響。

遙感； 土地利用； 多元信息； 巖溶區(qū)

隨著遙感技術(shù)和地學(xué)分析模型的深入發(fā)展，利用遙感和GIS技術(shù)對(duì)區(qū)域的土地利用或地表覆蓋信息進(jìn)行提取及動(dòng)態(tài)監(jiān)測(cè)，成為最迅速可靠和理想有效的手段之一[1]。目前巖溶區(qū)土地利用信息提取的方法仍以人工目視解譯、人機(jī)交互解譯等傳統(tǒng)方法為主[2-3]。巖溶區(qū)往往海拔高且相對(duì)高差大、地形復(fù)雜、地表覆蓋類型多樣，在土地利用信息提取中，傳統(tǒng)的單純基于遙感影像光譜特征的方法就顯得有所不足。此外，巖溶區(qū)地形復(fù)雜和地表景觀多樣性的特性，使得影響遙感影像分類精度的混合像元、光譜特征變異問(wèn)題變得更加突出，導(dǎo)致喀斯特地區(qū)土地利用信息提取的不確定性增加[4]。隨著遙感技術(shù)的發(fā)展，利用高空間分辨率的遙感影像雖然能一定程度上改善上述問(wèn)題，提高土地利用信息提取精度，但是目前基于高空間分辨率遙感影像的巖溶區(qū)土地利用信息提取仍然以人工目視解譯為主[5-6]，此方法耗時(shí)耗力，且不同人員的解譯結(jié)果沒(méi)有可比性，時(shí)間上也沒(méi)有連續(xù)性。因此如何在保證一定精度前提下，快速有效地獲取巖溶區(qū)土地利用信息，便成為一個(gè)重要的問(wèn)題。

由于利用多元信息耦合對(duì)土地利用信息進(jìn)行提取，可以融合遙感影像以外的多種知識(shí)，且不需要先驗(yàn)統(tǒng)計(jì)假設(shè)條件，因而在遙感信息提取和影像分類中有著廣泛的應(yīng)用[7-8]。多元信息耦合的方法通過(guò)多元信息復(fù)合，可以充分地發(fā)掘與利用遙感影像及其它信息要素中隱含的豐富知識(shí)，能一定程度上提高土地利用信息提取的精度[9]。該方法一定程度上改善了基于光譜特征等單一信息提取土地利用或地表覆蓋信息容易造成的常見(jiàn)問(wèn)題，如同物異譜、同譜異物、錯(cuò)分、漏分等。該方法目前已被廣泛用于土地利用或土地覆蓋信息提取中，取得了較好的效果[10-12]。此外還被用于植被分類、草地分類、濕地分類其它領(lǐng)域，其效果得到了廣泛認(rèn)可[13-15]。

巖溶區(qū)地表景觀復(fù)雜多樣，遙感影像往往存在同譜異物和同物異譜的問(wèn)題，因此在巖溶區(qū)很難僅憑圖像光譜特征獲得土地利用信息。土地利用格局是在多種自然和社會(huì)經(jīng)濟(jì)因素的共同作用下形成的，并與這些因素的分布格局、組成狀況、豐缺程度等存在一定的關(guān)系，巖溶區(qū)地貌特征、土壤類型、氣候條件、經(jīng)濟(jì)水平等因素都對(duì)區(qū)域土地利用格局產(chǎn)生重要影響。依靠多元信息復(fù)合可以更充分的發(fā)掘與利用遙感影像數(shù)據(jù)中隱藏的豐富知識(shí)，以提高遙感影像分類的精度[16]。因此，如何應(yīng)根據(jù)巖溶區(qū)特點(diǎn)，選擇典型主導(dǎo)因素作為巖溶區(qū)土地利用信息提取的依據(jù)，構(gòu)建多元信息支持的巖溶區(qū)土地利用信息快速提取方法，成為本文的研究問(wèn)題。

基于上述對(duì)巖溶區(qū)土地利用格局的認(rèn)識(shí)，要獲得更準(zhǔn)確的巖溶區(qū)土地利用信息，應(yīng)在遙感影像光譜特征的基礎(chǔ)上，結(jié)合其它能夠表征巖溶區(qū)土地利用特點(diǎn)的要素及影響土地利用格局的主導(dǎo)因素等多元信息。本文在遙感和GIS技術(shù)支持下，以SPOT遙感影像光譜特征為基礎(chǔ)，結(jié)合地形、植被覆蓋程度等多元信息，構(gòu)建多元信息支持的巖溶區(qū)土地利用信息提取方法。

1 方法構(gòu)建

該方法首先根據(jù)巖溶區(qū)自然條件和社會(huì)經(jīng)濟(jì)狀況的特點(diǎn)，以相關(guān)理論和文獻(xiàn)為依據(jù)，合理選擇巖溶區(qū)土地利用信息提取的支持信息要素；其次建立各支持信息要素的波譜響應(yīng)曲線，依據(jù)該曲線的區(qū)分度選擇各用地類型的決策支持信息要素；第三，構(gòu)造樣區(qū)作為目標(biāo)函數(shù)，通過(guò)多次調(diào)參以獲得各支持信息要素的決策規(guī)則閾值范圍；最后，根據(jù)野外采集樣點(diǎn)進(jìn)行精度驗(yàn)證。

1.1 試驗(yàn)區(qū)概況

本研究選擇覆蓋典型巖溶區(qū)90 km×90 km范圍的SPOT5遙感影像為例，經(jīng)緯度范圍為24.545°—25.042°N，108.612°—109.162°E，獲取時(shí)間為2012年6月。該范圍主要覆蓋廣西羅城縣境內(nèi)，位于廣西北部，河池市東部，云貴高原苗嶺山脈九萬(wàn)大山南麓。該區(qū)域?qū)賮啛釒Ъ撅L(fēng)氣候，氣候溫和，光照充足，雨量充沛。年平均氣溫19.8℃，年均降雨量1 400～1 800 mm。該區(qū)域地形多樣，結(jié)構(gòu)復(fù)雜，山嶺綿亙，巖溶廣布，地貌類型是典型的巖溶峰叢峰林地貌景觀，擁有眾多的溶洞、漏斗和地下暗河。

1.2 信息要素選取

SPOT5的高分辨率幾何儀空間分辨率為10 m，重訪時(shí)間是3～5 d。數(shù)據(jù)含多個(gè)波段，合成的影像圖色、形、紋信息豐富，解譯識(shí)別標(biāo)志清晰，地類可解度高。尤其是建設(shè)用地與農(nóng)用地、未利用地間色、形、紋及空間配置結(jié)構(gòu)差異大，標(biāo)志清晰，易于識(shí)別。二級(jí)地類間由于地表植被特征、巖土體特征、內(nèi)部結(jié)構(gòu)特征、地貌特征及其所處區(qū)域空間配置特征的差異，其遙感影像的色、形、紋解譯識(shí)別標(biāo)志亦清晰[17]?；赟POT5遙感影像的高分辨率與可獲周期短的特性，目前SPOT5遙感影像已被廣泛應(yīng)用于土地利用調(diào)查。研究選取SPOT5多光譜的近紅外(Ms1)、紅色(Ms2)、綠色(Ms3)、短紅外(Ms4)4個(gè)波段，作為決策支持要素。

遙感影像各波段之間通常存在高度相關(guān)的情況，其DN值以及目視效果往往很相似，區(qū)分度不大。主成分分析(PCA)就是一種去除波段之間多余信息，將多波段的信息壓縮到比原波段更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段的方法?；谥鞒煞址治鲋械腒-L變換方法對(duì)SPOT遙感影像的四個(gè)波段進(jìn)行主成分變換。結(jié)果表明，前兩個(gè)主成分的累積方差貢獻(xiàn)率達(dá)到94%，因此選擇前兩個(gè)主成分PCA1和PCA2作為決策支持要素。

地形因子影響著地表的能量和物質(zhì)分配[18-19]，進(jìn)而影響區(qū)域土地利用的空間分布格局[20]。坡度和坡向影響關(guān)鍵農(nóng)業(yè)要素的分布，高程在一定程度上影響土地的開(kāi)發(fā)利用，因此地形因子深刻影響著土地利用類型的分布[21]。典型巖溶區(qū)地形條件復(fù)雜，地表起伏大。地表起伏及破碎的地貌特征一定程度上造就了多樣化的地表覆蓋，巖溶區(qū)的地形條件對(duì)土地利用格局有重要影響。因此，本研究以DEM數(shù)據(jù)為基礎(chǔ)，采用高程、坡度、地表起伏度作為決策支持要素。

植被本身就是地表覆蓋要素之一，不同的植被覆蓋度，又能在一定程度上反映出土地利用和地表覆蓋類型。遙感影像可以采用不同的空間尺度和較長(zhǎng)的時(shí)間連續(xù)觀測(cè)，現(xiàn)在已成為研究地表植被覆蓋變化狀況的重要數(shù)據(jù)，歸一化植被指數(shù)(Normal Difference Vegetation Index, NDVI )是用于不同尺度植被動(dòng)態(tài)監(jiān)測(cè)及其對(duì)氣候因子響應(yīng)研究的有效手段[22]。因此選取NDVI作為決策支持要素。由于SPOT遙感影像具有較高的空間分辨率，本研究采用Rouse等提出的從SPOT數(shù)據(jù)反演得到研究區(qū)NDVI數(shù)據(jù)的方法(公式1)：

NDVI=(NIR-R)/(NIR+R)

(1)

式中：NIR——近紅外通道反射率；R——紅色通道的反射率。

其中：-1≤NDVI≤1，負(fù)值表示地面覆蓋為云、水、雪等，對(duì)可見(jiàn)光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且隨覆蓋度增大而增大。

土壤濕度在陸面和大氣交互作用中起著重要作用。巖溶區(qū)由于土層薄，保水能力差，土壤水分往往就成為植物生長(zhǎng)的限制性因子。土壤水分不僅影響自然植被類型的分布和長(zhǎng)勢(shì)，也會(huì)影響到人類的土地利用方式，因此將土壤濕度作為決策支持要素。采用歸一化濕度指數(shù)(NDMI)來(lái)表征土壤濕度，該指數(shù)根據(jù)短波紅外波段受水吸收帶的影響，對(duì)濕度、含水量信息非常敏感，且綠波段對(duì)水體發(fā)射較高的特點(diǎn)，選用這兩個(gè)波段經(jīng)標(biāo)準(zhǔn)化處理構(gòu)建而成，表達(dá)見(jiàn)公式2[23]：

NDMI=(Band1-Band4)/(Band1+Band4)

(2)

綜上所述，本部分共選取了SPOT5遙感影像的近紅外(Ms1)、紅色(Ms2)、綠色(Ms3)、短紅外(Ms4)4個(gè)波段、PCA1、PCA2、高程、坡度、地表起伏度、NDVI、NDMI共11個(gè)決策支持要素。

1.3 樣點(diǎn)野外調(diào)查

由于本研究在構(gòu)造分類決策規(guī)則時(shí)需要用到大量的野外調(diào)查樣點(diǎn)，同時(shí)在結(jié)果驗(yàn)證階段也需要用到野外樣點(diǎn)進(jìn)行驗(yàn)證，因此需要通過(guò)野外調(diào)查工作獲得一定數(shù)量的調(diào)查樣點(diǎn)數(shù)據(jù)。通過(guò)野外調(diào)查及GPS定位獲得樣點(diǎn)，樣點(diǎn)的屬性包括經(jīng)緯度及地表覆蓋類型，并拍攝地面實(shí)況照片，形成遙感影像圖的判讀樣片。樣點(diǎn)的土地利用類型包括水域、有林地、灌木、草地、耕地、建設(shè)用地、裸地。共獲得200個(gè)土地利用樣點(diǎn)，其中100個(gè)用于構(gòu)造分類決策規(guī)則，100個(gè)用于后期結(jié)果驗(yàn)證。

1.4 信息耦合與決策

不同的決策支持要素對(duì)不同土地利用類型的識(shí)別程度是不同的，因此采用波譜特征響應(yīng)的方式來(lái)選擇用何種要素來(lái)識(shí)別何種土地利用類型。通過(guò)讀取100個(gè)訓(xùn)練樣點(diǎn)上除地形外的八項(xiàng)決策支持要素的平均DN值，構(gòu)造這八個(gè)決策支持要素的波譜特征響應(yīng)(圖1—3)。

圖1SPOT影像四個(gè)波段波譜特征響應(yīng)圖2兩個(gè)主成分的波譜特征響應(yīng)圖3NDVI和NDMI的波譜特征響應(yīng)

根據(jù)對(duì)波譜特征響應(yīng)的區(qū)分度分析可知，b2和PCA1兩項(xiàng)決策支持要素在裸地上的平均DN值與其它用地類型的DN值差別較大，即b2和PCA1兩項(xiàng)對(duì)裸地的區(qū)分度均大，因此可首先依據(jù)b2和PCA1將裸地提取出來(lái)。用同樣的方法，根據(jù)對(duì)光譜特征響應(yīng)的分析，可繼續(xù)得到依據(jù)b4和NDVI可將水域提取出來(lái)，依據(jù)NDVI和PCA2可將建設(shè)用地提取出來(lái)。

在區(qū)分出裸地、水域、建設(shè)用地后，繼續(xù)對(duì)光譜特征響應(yīng)分析后發(fā)現(xiàn)，上述八項(xiàng)決策支持要素的DN值對(duì)草地、耕地、灌木、林地的區(qū)分度均不大。這主要是因?yàn)檠芯繀^(qū)處于亞熱帶，水熱條件較好，草地、耕地、灌木、林地四種地類上普遍植被覆蓋條件均較好，均表現(xiàn)出類似的地表覆蓋特征，因此難以根據(jù)遙感影像進(jìn)行區(qū)分。鑒于地形因素對(duì)巖溶區(qū)土地利用格局有重要影響，因此進(jìn)一步引入地形因素輔助提取出草地、耕地、灌木、林地。

研究以野外采樣獲得的樣點(diǎn)為目標(biāo)函數(shù)，采用人工調(diào)參的方式，獲取土地利用分類判斷規(guī)則。構(gòu)造分類規(guī)則的原則是，根據(jù)波譜特征的區(qū)分程度安排決策順序，先將容易提取、區(qū)分度大的地類提取出來(lái)，然后再依次提取其它地類。具體做法是，根據(jù)文獻(xiàn)和相關(guān)先驗(yàn)知識(shí)設(shè)定各決策支持信息要素的分類決策閾值， 多次運(yùn)行決策樹(shù)，并在每次運(yùn)行后將結(jié)果與野外樣點(diǎn)進(jìn)行對(duì)比，根據(jù)對(duì)比進(jìn)度逐步調(diào)整決策參數(shù)閾值，直到分類精度不能顯著提高為止，采用此時(shí)的分類決策參數(shù)閾值作為該決策樹(shù)模型的閾值。經(jīng)過(guò)多次運(yùn)行決策樹(shù)和調(diào)參，獲得所有決策參數(shù)閾值。

研究采用決策樹(shù)算法實(shí)現(xiàn)上述多元信息的耦合與土地利用分類決策[24-25]，通過(guò)IDL語(yǔ)言編程實(shí)現(xiàn)決策支持信息要素中的波譜均值、指數(shù)值組合作為算法中訓(xùn)練樣本集合中的屬性進(jìn)行融合，以構(gòu)造決策樹(shù)判別函數(shù)自動(dòng)提取研究區(qū)的不同時(shí)期土地利用信息。

2 結(jié)果與分析

2.1 面積比例與空間分布

土地利用提取的結(jié)果共獲得7種土地利用類型，其中面積最大的是灌木林地，占研究區(qū)總面積的31.7%；其次為草地，占研究區(qū)總面積的25%；林地和耕地面積也較大，分別占研究區(qū)總面積的22.1%和19.2%；面積較小的是水域和建設(shè)用地，分別為0.9%和0.78%；面積最小的是裸地(表1)。灌木林地主要分布在研究區(qū)的中部，地貌類型主要為巖溶峰叢洼地；草地與灌木林地或者耕地交錯(cuò)分布，尤其是人類活動(dòng)擾動(dòng)較大的地區(qū)；林地主要分布在研究區(qū)西北部的山區(qū)，該區(qū)域人類開(kāi)發(fā)活動(dòng)較少，水土條件適宜，利于植被生長(zhǎng)；耕地主要分布在研究區(qū)西部大片連續(xù)的平緩地帶，在縣城周邊也有分布。綜上所述，從各土地利用類型面積比例與空間分布規(guī)律來(lái)看，本研究的土地利用信息提取結(jié)果基本符合典型巖溶區(qū)土地利用比例和分布特征。

表1 研究區(qū)各土地利用類型面積與比例

2.2 精度分析

將野外實(shí)地調(diào)查獲得的所有樣點(diǎn)中的100個(gè)樣點(diǎn)作為驗(yàn)證樣點(diǎn)，經(jīng)樣點(diǎn)驗(yàn)證，總體提取精度達(dá)到82%?？傮w而言，該方法分類精度較好，與傳統(tǒng)監(jiān)督分類相比，既達(dá)到同等甚至更高的精度，又較目視解譯而言減輕了許多工作量。其中提取精度最高的是林地，精度為91%，林地提取精度較高的主要原因在于，研究區(qū)林地的分布較為集中，主要分布于研究區(qū)西北部的土石山區(qū)，容易從地形因子上進(jìn)行控制并較為準(zhǔn)確地提取出來(lái)。容易發(fā)生混淆的是灌木和草地，分類精度分別為57%和53%。由于研究區(qū)灌木和草地分布特征接近，都主要分布在巖溶峰叢洼地；此外由于巖溶區(qū)水熱條件適宜，各種禾草長(zhǎng)勢(shì)較好，也難以通過(guò)光譜特征區(qū)分開(kāi)來(lái)，因此準(zhǔn)確提取的難度較大。耕地和草地也較多地存在混淆的情況，分類精度分別為61%和65%。由于研究區(qū)種植作物為玉米、水稻等，從外形特征和光譜特征都與巖溶區(qū)廣泛分布的禾草較為相似，因此容易出現(xiàn)錯(cuò)分，這種錯(cuò)分主要出現(xiàn)在巖溶平原、巖溶洼地周邊過(guò)渡地帶。水域錯(cuò)分的特征是和裸地混淆，導(dǎo)致提取出來(lái)的河流不連續(xù)，主要由于巖溶區(qū)河流普遍較小，河流落差大、灘地多，在河道較窄的地方容易將水域劃分成裸地，造成河道不連續(xù)。

3 討論與結(jié)論

本研究以決策樹(shù)分類方法為基礎(chǔ)，選取SPOT5遙感影像的近紅外(Ms1)、紅色(Ms2)、綠色(Ms3)、短紅外(Ms4)4個(gè)波段、PCA1、PCA2、高程、坡度、地表起伏度、NDVI、NDMI共11個(gè)決策支持要素，采用經(jīng)驗(yàn)判斷和目標(biāo)樣點(diǎn)調(diào)參的方法，綜合確定決策閾值，從而構(gòu)建了多元信息支持的巖溶區(qū)土地利用信息快速提取方法。

與人工目視解譯和人機(jī)交互解譯相比，本方法的優(yōu)勢(shì)在于，能夠在巖溶區(qū)地表破碎，景觀斑塊數(shù)目多、邊界形狀復(fù)雜的情況下，快速提取能滿足一定精度要求的土地利用信息。而由于巖溶區(qū)普遍存在的地表破碎情況，采用人工目視解譯和人機(jī)交互解譯的辦法往往需要耗費(fèi)巨大的人力，從遙感影像中逐個(gè)提取出數(shù)量龐雜的斑塊，當(dāng)工作區(qū)面積較大，位于巖溶峰叢洼地等地表極端破碎區(qū)時(shí)，雖然其精度有保證，但是工作量是不可想象的。

與監(jiān)督分類、非監(jiān)督分類等單純基于影像光譜特征的方法相比，本方法通過(guò)引入地形要素，一定程度上解決了巖溶區(qū)遙感影像解譯同物異譜、同譜異物的問(wèn)題，尤其體現(xiàn)在巖溶峰叢、峰林等地貌單元的陰影部分。監(jiān)督分類、非監(jiān)督分類等方法在提取峰叢、峰林等地貌單元的陰影部分土地利用類型時(shí)，往往容易將這些部分錯(cuò)分為水體，而本方法通過(guò)地形特征的判別，較好地解決了這一問(wèn)題。

與神經(jīng)網(wǎng)絡(luò)等基于訓(xùn)練樣點(diǎn)的方法相比，該方法不完全依賴訓(xùn)練樣點(diǎn)，而是基于廣泛的巖溶區(qū)土地利用分布格局先驗(yàn)知識(shí)，從而能避免由于樣點(diǎn)選取不當(dāng)造成的結(jié)果偏差。神經(jīng)網(wǎng)絡(luò)等基于訓(xùn)練樣點(diǎn)的方法，需要大量的采樣點(diǎn)，在巖溶區(qū)復(fù)雜地形條件下，往往很難保證獲得空間上均勻分布，類型上普遍涉及的樣點(diǎn)，由于樣點(diǎn)的不合理，會(huì)對(duì)土地利用信息提取結(jié)果造成較大影響。本方法不完全依賴采樣點(diǎn)，能減少野外采樣的工作量，而且本方法主要基于多元信息和先驗(yàn)知識(shí)，能夠避免采樣點(diǎn)選取不當(dāng)造成的偏差，豐富的先驗(yàn)知識(shí)和決策支持信息使本方法在巖溶區(qū)復(fù)雜地形條件下更為適用。

本方法的不足之處在于，受先驗(yàn)知識(shí)的可靠程度和決策支持要素選取合理性的影響，土地利用提取結(jié)果精度往往低于人工目視解譯。由于引入的決策支持要素空間分辨率不一致，遙感影像以外的決策支持要素空間分辨率通常較低，導(dǎo)致土地利用信息提取結(jié)果空間分辨率也較低。巖溶區(qū)地表構(gòu)成破碎，人類活動(dòng)擾動(dòng)強(qiáng)烈，土地利用影響因素復(fù)雜，因此不同研究區(qū)所需要的決策支持要素組合不同，其決策閾值也不同，導(dǎo)致前期建模階段需要投入較大的精力。此外，本研究由于前期野外工作不足，采樣點(diǎn)不夠豐富，代表性差，導(dǎo)致精度評(píng)價(jià)部分各土地利用類型的精度評(píng)價(jià)不夠充分。

[1] 原立峰,楊桂山,李恒鵬,等.基于TM/ETM綠洲城市土地利用時(shí)空演變分析:以新疆奎屯市為例[J].水土保持研究,2013,20(4):34-43.

[2] 許月卿,羅鼎,馮艷,等.西南喀斯特山區(qū)土地利用/覆被變化研究:以貴州省貓?zhí)恿饔驗(yàn)槔齕J].資源科學(xué),2010,32(9):1752-1760.

[3] 周旭,安裕倫,張斌,等.CBERS-CCD數(shù)據(jù)土地利用/覆蓋信息提取最佳波段選擇:以貴州喀斯特山區(qū)為例[J].遙感技術(shù)與應(yīng)用,2009,24(6):743-748.

[4] 岳躍民,王克林,張兵,等.喀斯特石漠化信息遙感提取的不確定性[J].地球科學(xué)進(jìn)展,2011,26(3):266-274.

[5] 郭海祥,安裕倫.基于中高分辨率的石漠化治理工程監(jiān)測(cè):以普安縣地泗河小流域?yàn)槔齕J].貴州師范大學(xué)學(xué)報(bào),2013,31(1):7-10.

[6] 陳利,林輝,孫華,等.基于SPOT-5影像的冷水江市巖溶區(qū)石漠化時(shí)空演變研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2012,32(8):22-27.

[7] 王曉爽,胡卓瑋,趙文吉,等.基于EVI植被指數(shù)的大尺度草地多源信息綜合分類研究[J].草業(yè)科學(xué),2011,28(1):10-17.

[8] 錢(qián)育蓉,于炯,賈振紅,等.基于決策樹(shù)的典型荒漠草地遙感分類策略[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,41(2):159-166.

[9] 吳健生,潘況一,彭健,等.基于QUEST決策樹(shù)的遙感影像土地利用分類:以云南省麗江市為例[J].地理研究,2012,3(11):1973-1980.

[10] 翁中銀,何政偉,于歡.基于決策樹(shù)分類的地表覆蓋遙感信息提取[J].地理空間信息,2012,10(2):110-112.

[11] 楊曦光,黃海軍,嚴(yán)立文,等.基于決策樹(shù)方法的海島土地利用分類研究[J].國(guó)土資源遙感,2012,24(2):116-120.

[12] 王金亮,邵景安,李陽(yáng)兵.基于多元方法耦合的高強(qiáng)度人為擾動(dòng)復(fù)合區(qū)土地利用信息提取[J].地理科學(xué)進(jìn)展,2012,34(4):777-786.

[13] 劉睿,馮敏,孫九林,等.基于環(huán)境減災(zāi)衛(wèi)星CCD數(shù)據(jù)與決策樹(shù)技術(shù)的植被分類研究[J].地理科學(xué),2012,32(12):1490-1495.

[14] 周偉,楊峰,錢(qián)育蓉,等.天山北坡草地遙感分類及其精度分析[J].草業(yè)科學(xué),2012,29(10):1526-1532.

[15] 孫俊杰,馬大喜,任春穎,等.基于多時(shí)相環(huán)境衛(wèi)星數(shù)據(jù)的南甕河流域濕地信息提取方法研究[J].濕地科學(xué),2013,11(1):60-67.

[16] 曹麗琴,李平湘,張良培,等.基于多地表特征參數(shù)的遙感影像分類研究[J].遙感技術(shù)與應(yīng)用,2010,25(1):38-44.

[17] 吳榮濤,詹莉,朱嘉偉.SPOT5遙感數(shù)據(jù)在土地利用更新調(diào)查中的幾何精度分析[J].測(cè)繪科學(xué),2006,31(5):129-130.

[18] 田輝,文軍,馬耀明,等.復(fù)雜地形下黑河流域的太陽(yáng)輻射計(jì)算[J].高原氣象,2007,26(4):667-676.

[19] 張杰,李棟梁,何金梅,等.地形對(duì)青藏高原豐枯水年雨季降水量空間分布的影響[J].水科學(xué)進(jìn)展,2007,18(3):320-326.

[20] 張方方,齊述華,舒曉波,等.南方山地丘陵土地利用類型的地形影響GIS分析:以江西省為例[J].地球信息科學(xué)學(xué)報(bào),2010,12(6):784-489.

[21] 孫麗,陳煥偉,潘家文運(yùn)用DEM剖面土地利用類型的分布及時(shí)空變化:以北京延慶縣為例[J].山地學(xué)報(bào),2004,22(6):762-766.

[22] 歷華,柳欽火,鄒杰.基于MODIS數(shù)據(jù)的長(zhǎng)株潭地區(qū)NDBI和NDVI與地表溫度的關(guān)系研究[J].地理科學(xué),2009,29(2):262-267.

[23] 江振藍(lán),沙晉明.基于MODIS的福建省植被生態(tài)環(huán)境遙感本底值研究[J].水土保持研究,2007,14(4):11-15.

[24] 劉朋鋼,楊海龍,高甲榮,等.基于氣候變化和地形濕度指數(shù)的錫林浩特市水土流失趨勢(shì)分析[J].水土保持研究,2012,19(4):131-137.

[25] 王大鵬,王周龍,崔青春,等.基于決策樹(shù)的龍口市土地利用/覆蓋分類研究[J].水土保持研究,2008,15(1):114-121.

LandUseInformationExtractionMethodBasedonMulti-informationSupportinKarstArea

ZHANG Feng-tai1, ZHAO Wei-quan2

(1.DepartmentofGeographyandTourism,GuizhouNormalCollege,Guiyang550003,China;2.InstituteofGuizhouMountainResourcesResearch,GuizhouAcademyofSciences,Guiyang550018,China)

Land use information is the important basic data, whose accuracy will have a significant impact on the subsequent researches. Given the complex terrain and heterogeneous land cover types, there are certain limitations in using visual interpretation and supervised classification methods to obtain land use information in karst areas. In this paper, we coupled remote sensing images with vegetation index, humidity index, terrain and other information, in combination with principal component analysis method. The process mentioned above is conducted through the decision tree modeling method. Decision parameter threshold of the decision tree is obtained by taking field samples to formulate the objective function. Then the land use information extraction method under the multi-information support in karst area is built. The results show that land use information obtained is in line with the characteristics of proportion and distribution of land use in typical karst areas, and overall classification accuracy reached up to 82%. This method can deepen the understanding of the multi-dimensional remote sensing information, fully tap the implied information, and improve the extraction accuracy of the land use information in karst area as well. In particular, it can reflect the influence of topographic features on the spatial distribution of land use in karst area.

remote sensing; land use; multi-information; karst area

2013-09-18

：2013-12-03

國(guó)家社科基金項(xiàng)目“西部少數(shù)民族地區(qū)發(fā)展模式創(chuàng)新研究”(10CJY044);貴州省科學(xué)技術(shù)基金項(xiàng)目“基于農(nóng)戶視角的喀斯特峰叢洼地生態(tài)恢復(fù)替代性生計(jì)模式選擇研究”(黔科合J字[2012]2294)

張鳳太(1979—),男,山東沂南人,博士研究生,副教授,研究方向?yàn)閰^(qū)域經(jīng)濟(jì)、景觀生態(tài)、生態(tài)系統(tǒng)健康與管理等、E-mail:zhfthero@126.com

TP79

：A

：1005-3409(2014)04-0312-05