廖　娟，周忠發(fā)，2※，王　昆，黃智靈，陳　全

（1.貴州師范大學喀斯特研究院，貴陽　550001；2.貴州省遙感中心，貴陽　550001）

?

·技術方法·

基于SAR提高喀斯特地區(qū)LUCC光譜分類精度研究*

廖娟1，周忠發(fā)1，2※，王昆1，黃智靈1，陳全1

（1.貴州師范大學喀斯特研究院，貴陽550001；2.貴州省遙感中心，貴陽550001）

摘要喀斯特地區(qū)復雜地表形態(tài)導致地面調(diào)查可深入性差、精度不高，遙感則作為該區(qū)有效監(jiān)測與研究人類活動對土地利用 （LUCC）方式與利用程度影響的主要手段。文章利用ALOS多光譜數(shù)據(jù)與TerraSARX的數(shù)據(jù)進行融合，討論了HH極化微波后向散射數(shù)據(jù)用于改善多光譜遙感數(shù)據(jù)LUCC分類的精度，并比較了不同融合方法對地物識別。結果表明：2種數(shù)據(jù)之間的融合充分利用了多光譜的光譜信息與HH極化數(shù)據(jù)豐富的結構與紋理的特征，增強了不同地物之間的光譜差異，提高地物可分性；PC法融合、IHS法融合分類精度較單獨使用ALOS多光譜數(shù)據(jù)分類精度分別提高了8%與13%，而且由于HH極化對植被含水量的敏感性，提高了“插花”分布的旱地與草地、林地等由植被覆蓋的土地利用類型的區(qū)分精度。通過該研究探討了HH極化數(shù)據(jù)與多光譜數(shù)據(jù)融合在地表信息提取中的應用，拓展了遙感數(shù)據(jù)在喀斯特地區(qū)土地利用領域應用的范圍。

關鍵詞SAR ALOS 融合LUCC分類精度

喀斯特是中國西部四大生態(tài)環(huán)境脆弱帶之一，是一種特殊復雜地表形態(tài)的脆弱環(huán)境，導致區(qū)域性生態(tài)劣變，有效土地資源銳減，生物資源的生存空間喪失，目前由于調(diào)查手段仍以地面調(diào)查與統(tǒng)計資料為主，調(diào)查精度低，導致西南喀斯特地區(qū)土地資源的利用科學性較差，并且相關研究工作在多時相對比與在區(qū)域選擇上都受到較大的限制［1］。隨者遙感技術的迅猛發(fā)展，遙感平臺逐步運用于喀斯特地區(qū)信息的提取中。對喀斯特石漠化地區(qū)進行國土資源遙感調(diào)查與研究，主要利用光學數(shù)據(jù)，利用其光譜特性對地物信息進行提取，目前該手段已獲得較好的效果，基本解決了喀斯特山區(qū)自然條件惡劣、地面工作難開展的瓶頸［2］。然而，光學數(shù)據(jù)在反映地物的光譜特征上有較好的表達，但受光譜分辨率與空間分辨率的限制，“同物異譜”或“異物同譜”的現(xiàn)象廣泛存在，限制了光學數(shù)據(jù)對地物的識別能力，另一方面西南喀斯特地區(qū)屬于我國濕潤地區(qū)，受全年多云雨天氣條件的限制，增加了光學數(shù)據(jù)的獲取難度。合成孔徑雷達 （SAR）是一種高分辨率成像雷達，波長較長，能穿透一定云層，不受氣候影響；且屬主動遙感，可全天時、全天候工作，能穿透一定遮蔽物獲取較光學遙感更多的信息量；SAR作為一種微波遙感數(shù)據(jù)，與光學成像原理的不同，在色調(diào)、紋理、地物形狀與結構有較大的區(qū)別，富含較多光學不具有的信息，在喀斯特地區(qū)使用SAR對水稻、煙草［3］等農(nóng)作物的種植分布、面積提取已經(jīng)做了一定研究，基本達到地表地物識別的目的。

研究表明，結合光學與SAR各自優(yōu)點，能有效擴大數(shù)據(jù)所含的有用信息，增強對地物的識別能力。將光學與SAR進行融合，充分利用SAR豐富的結構、紋理信息、信息量的特點，提高不同地物之間的光譜差異，增強地物之間的可分性。目前，數(shù)據(jù)融合的算法較多，主要包括主成分變換法 （PC法）、彩色標準化變換法 （Brovey法）、彩色空間變換法 （IHS法）及小波變化法等。在對SAR與光學的融合應用方面，多用于農(nóng)作物識別、海濱濕地等分類中［4-5］，還未應用于喀斯特地區(qū)的LUCC分類中。光學與SAR數(shù)據(jù)進行融合，一般選擇HH與HV雙極化方式［6］，研究選取TerraSAR-X的HH極化數(shù)據(jù)與ALOS多光譜數(shù)據(jù)進行融合，結合識別地物中難區(qū)分的林地、旱地與草地的植被覆蓋共性，不同植被覆蓋含水量變化較大，只選擇對植被含水量變化靈敏的HH極化方式，從而降低數(shù)據(jù)成本與減少數(shù)據(jù)處理量。同時，主要對結構、紋理信息、光譜差異角度出發(fā)對喀斯特地區(qū)不同土地利用類型進行探討，評價SAR數(shù)據(jù)在改進喀斯特地區(qū)LUCC現(xiàn)狀有效監(jiān)測的應用潛質(zhì)。

1　研究區(qū)選擇與數(shù)據(jù)預處理

1.1研究區(qū)選擇

依據(jù)代表性特征顯著為主要原則對研究區(qū)進行選擇，研究選取貴州省安順市平壩縣城關鎮(zhèn)、夏云鎮(zhèn)、十字回族苗族鄉(xiāng)為研究區(qū)，研究區(qū)位于東經(jīng)106°12＇28.475″～106°18＇19.275″，北緯26°25＇1.958″～26°28＇37.355″，總面積65km2。。該區(qū)地質(zhì)構造背景屬于黔中地臺與黔南凹陷過渡地帶，為典型喀斯特高原地貌中的低山丘陵、壩地，主要以峰叢谷地、洼地與峰林谷地、洼地為主，地表形態(tài)復雜。氣候屬亞熱帶高原季風濕潤氣候區(qū)，年平均氣溫14.1°C，年平均降水量1 305.7mm，年平均日照時數(shù)1 241.2h，為中國南方典型濕潤氣候，多云多雨，光學數(shù)據(jù)難以獲取。研究區(qū)內(nèi)土地利用種類多樣，主要可以概括為林地、草地、耕地、水域、道路及建筑用地等六大類，其中旱地主要分布在洼地、谷地、壩子中難以大面積集中分布，與草地、林地等交錯雜亂分布，出現(xiàn)“插花”現(xiàn)象，代表了貴州喀斯特地區(qū)旱地分布的一個典型現(xiàn)狀。

1.2遙感數(shù)據(jù)預處理

ALOS是日本的對地觀測衛(wèi)星，主要包括海洋、大氣觀測及陸地觀測等，為區(qū)域環(huán)境監(jiān)測提供土地覆蓋圖與土地利用分類圖，獲取的多光譜空間分辨率為10m，波譜范圍為420～890nm，包括4個波段。獲取2010年12月10日數(shù)據(jù)，數(shù)據(jù)清晰無云，處理主要包括大氣校正與幾何校正。利用ENVI實現(xiàn)簡化黑暗元法進行大氣校正。選取德國發(fā)射的Terrasar-X衛(wèi)星，獲取2011年9月24日HH極化，分辨率為2.75m EEC數(shù)據(jù)。Terrasar-X數(shù)據(jù)預處理過程主要包括噪聲濾波、輻射定標、幾何精校正。對原始雷達影像進行不同窗口、不同濾波方法的濾波處理，通過對比各種算法，最后選擇Frost濾波器3×3窗口。利用公式，對SAR影像進行輻射定標，定標之后，影像的灰度值就變?yōu)榭春笙蛏⑸渲?，其中ks為雷達的校準系數(shù)，從頭文件中讀?。籇N為SAR濾波后的影像的灰度值，θ為入射角。利用1：10 000的地形圖，采取二次多項式模型對影像進行幾何精校正。為使Terrasar-X數(shù)據(jù)與ALOS數(shù)據(jù)精確配準采用二次多項式的方法，以幾何精校正過后的Terrasar-X數(shù)據(jù)為標準，對ALOS數(shù)據(jù)進行幾何精糾正，糾正誤差在0.8個像元內(nèi)。

2　實驗方法

2.1融合算法

2.1.1主成分變換法 （PC法）

PC法是建立在圖像統(tǒng)計特征基礎上的多維-線性變換，有方差濃縮、數(shù)據(jù)壓縮的作用。變換后的第一主成分保留總信息量的絕大部分，有利于細部特征的增強與分析［7］。將多光譜的第一主分量與SAR進行直方圖匹配，用SAR圖像替換第一主分量，做逆主分量變換得到融合圖像。

2.1.2彩色標準化變換法 （Brovey法）

彩色標準化融合法，是一種分色變換過程，從理論上分析，這種方法能夠提高多光譜圖像的幾何分辨率，并且能夠解決變換后顏色的失真問題［8］。

2.1.3彩色空間變換法 （IHS法）

從多光譜圖像中分離出代表空間信息的明度 （I）、代表光譜信息的色度 （H）及飽和度 （S）等3個分量；將SAR與I分量進行直方圖匹配，利用SAR代替I分量，最后進行IHS的逆變換，完成圖像融合［9］，變換的結果會產(chǎn)生較大的光譜失真。

2.2客觀評價指標

SAR與多光譜圖像融合效果評價常用客觀指標包括4個大類，基于清晰度、光譜逼真度、信息量、紋理信息的客觀評價指標，研究分別選取代表這四類的平均梯度、峰值信噪比、熵、邊緣互信息指標。以下公式中，M、N分別代表圖像的行數(shù)、列數(shù)，F(xiàn)（i，j）為融合影像在 （i，j）處的像元灰度值（DN）［10］。

2.2.1平均梯度 （AG，Average Gradient）

平均梯度反映的是圖像紋理變化特征與微小細節(jié)反差變化的速率，主要用于描述圖像的清晰度。融合之后的圖像的AG越大，圖像越清晰，融合效果則越好［11］。平均梯度定義為：

2.2.2峰值信噪比 （PSNR，Peak Signal Noise Ratio）

峰值信噪比是衡量描述融合圖像與多光譜圖像的能量相似程度的指標。噪聲是指多光譜圖像與融合圖像之差。若PSNR越大，融合圖像的光譜保持特性越好，融合效果越好［12］。峰值信噪比定義為：

2.2.3熵 （E，Entropy）

描述圖像信息豐富程度的一個重要指標是熵，其大小反映圖像所包含的信息量的多少。一般情況下，融合圖像的熵越大，所包含的信息量越多，融合效果越好［13］。圖像的熵H定義為：

式中，L為圖像的灰度級數(shù)，p（i）為灰度值為i的像素數(shù)Di與圖像總像素數(shù)D之比。

2.2.4通用圖像質(zhì)量指標 （UIQI，Universal Image Quality Index）

UIQI是用于衡量不同圖像之間的總體結構相似性。融合圖像與源圖像之間的UIQI越大，融合圖像與源圖像的結構相似性越好，融合效果越好［14］。源圖像X與融合圖像F的UIQI定義為：

式中，μX與μF分別為X與F的均值，σX與σF分別為X與F的方差，σXF為X與F的協(xié)方差。

2.3分類方法與效果評價

利用監(jiān)督分類中的支持向量機方法對融合之后的影像進行分類。支持向量機是基于研究小樣本情況下機器學習規(guī)律的統(tǒng)計學習理論的一種新的機器學習方法，它以結構風險最小化為準則，對實際應用中有限訓練樣本的問題，表現(xiàn)出很多優(yōu)于已有方法的性能［15］，SVM能自動尋找對分類有較大區(qū)別能力的間隔區(qū)邊緣的訓練樣本點，構造出分類器，可將不同類之間的間隔最大化。首先選擇研究區(qū)內(nèi)LUCC的訓練場，再根據(jù)訓練場計算不同LUCC的DN，將不同LUCC的DN看做是n維實空間中的數(shù)據(jù)點，到n-1個超平面，使它盡可能多地將需要分辨的n類數(shù)據(jù)點正確分離，同時使分類數(shù)據(jù)點距離平面的距離最遠，達到分類目的。利用分類精度與Kappa系數(shù)對分類結果進行評價。

通過野外實地調(diào)查，利用GPS定點記錄，生成地表LUCC真實感興趣區(qū) （ROI），與分類結果疊加對比，輸出混淆矩陣，利用分類精度與Kappa系數(shù)對分類結果進行評價。分類精度包括旱地分類精度與總體分類精度，旱地分類精度為正確分為旱地的像元數(shù)與旱地真實參考總數(shù) （混淆矩陣中旱地的總和），總體分類精度等于被正確分類的像元總和除以總像元數(shù)。Kappa系數(shù) （公式5）通過把所有地表真實分類中的像元總數(shù) （N）乘以混淆矩陣對角線 （xkk）的和，再減去某一類地表真實像元總數(shù)與被誤分成該類像元總數(shù)之積對所有類別求和的結果，再除以總像元數(shù)的平方差減去某一類中地表真實像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結果所得到的。

3　結果與分析

3.1融合結果分析

3.1.1視覺效果比較

參與融合的ALOS影像、SAR影像及融合后的影像如圖1～3所示。由目視可知，研究區(qū)LUCC種類豐富，主要有林地、草地、旱地、水域、道路及建筑用地等類型，融合結果均保留了原光學的光譜信息與SAR的紋理結構特性，其中PC法融合的紋理結構更清晰，能較好描述道路與建筑用地的輪廓，但各類融合影像的光譜保持性差異程度難以目視判別。

圖1　研究區(qū)融合結果

圖2　放大實驗區(qū)局部區(qū)域 （a）

圖3　放大實驗區(qū)局部區(qū)域 （b）

3.1.2客觀分析比較

為了對融合結果進行定量分析，分別從清晰度、信息量、光譜逼真度及紋理信息等4個角度，利用平均梯度、峰值信噪比、熵、通用圖像質(zhì)量指標參數(shù)對融合結果進行定量評價。

在清晰度方面，PC法融合的效果是最好的，平均梯度最大，這是由于進行多光譜圖像的主成分變換，第一主分量用SAR圖像替換，保持了SAR的空間結構，SAR圖像的分辨率較高，在一定程度上提高清晰度，與目視效果相同。而在信息豐富程度上，IHS法的熵是最高的，說明IHS法融合的能較好的保持信息量，這是代表空間信息的I被SAR取代，SAR具有微波特征，能接收在微波段地物的特征，與可見光與近紅外波段表現(xiàn)的特征不同，即SAR能接收不同于可見光、近紅外波段所能提供的某些信息，豐富了空間信息量；其次是PC法，第一主成分被SAR替換后，融合圖像保持了較多SAR的空間信息。SAR本身不具有光譜信息，且與光學影像成像原理完全不同，在光譜特性的保持上，3種融合方法差別不大，而PC法僅替代了第一主成分，保留了其他光學成分，保持光譜特性的能力高于Brovey、IHS法。結構相似性與紋理保持上，PC融合的效果是最好的，能較好地保持源圖像的結構。

表1　融合結果定量評價分析

3.2不同融合方法下地物光譜表達

提取ALOS與融合之后影像的不同地物光譜曲線，對比分析融合后的影像所含信息量相比多光譜數(shù)據(jù)的變化，探討融合是否擴大了不同地物之間的光譜差異。從地物光譜的對比圖中可以分析得到，3種融合效果都在一定程度上豐富多光譜數(shù)據(jù)的信息量，拉大了地物之間的光譜差異，與客觀評價中的結果是相符的。從光譜曲線走勢來看，IHS融合是最大地拉開了地物間差異，DN值的整體范圍58～159，跨度達到了100，相當于原始多光譜67，增加了49.25%。

圖4　多光譜與融合圖像地物的光譜對比分析

ALOS影像地物在1、2、3波段的DN值集中在20個值中，在波段4中，地物之間的差異加大，主要由于在水域與林地，水對近紅外波段吸收較強，能與植被或是土壤形成較大反差；由于近紅外對葉子的細胞壁與細胞空隙折射率不同，林地由高大的喬木或者是茂密的灌叢組成，其植被含水量與細胞結構與草地、旱地中的農(nóng)作物不同，能在4波段形成較大的反射；IHS融合代表空間信息的明度 （I）被SAR取代，較大程度上改變了源圖像的空間信息，明顯提高可見光波段的各地物之間的差異，完全分離了水域與建筑用地。建筑用地能形成多個角反射器，回波較強易識別；一般地，水面、水泥道路屬于光滑表面，HH極化對光滑表面會形成鏡面反射，研究區(qū)道路由水泥道路與土路組成，土路受土壤含水量、粗糙度、土壤質(zhì)地影響不能形成光滑表面，故不能較好區(qū)分道路。在多光譜中，草地與旱地較難分辨，融合了SAR之后的多光譜數(shù)據(jù)卻能在較明顯地區(qū)分兩者，對于人工種植農(nóng)作物的旱地而言，具有一定的種植幾何形狀，特別是在SAR的視向與壟的走向不同時，對后向散射回波會很大，與光學遙感僅能獲得植被冠層光照特點相比，SAR具有電磁散射矢量特性與微波穿透性等優(yōu)勢，對植被冠層之下的信息可表達得更準確［16］，且HH極化方式具有對植被含水量變化的靈敏性，利用不同植被含水量差異，拉大差異，能較好區(qū)分旱地-草地。

Brovey法融合中各地物的光譜曲線走勢與IHS法融合基本相同，但是光譜之間的差距小于IHS法，DN值也是最低的。PC法融合走勢與原始ALOS影像相似，在一定程度上拉大了地物之間的光譜差異，效果卻不明顯，較好的保留了除第一主成分之外的原始ALOS影像成分，保持了一定光譜特征。

3.3分類結果分析

圖5與表2中表明，對光學與SAR數(shù)據(jù)進行融合，能有效提高不同土地利用類型之間的光譜差異，增強了地物之間的可分性，IHS法融合分類結果最好，其次為PC法融合分類結果，相比原始ALOS影像分類，PC法融合分類精度與IHS法融合分類分別提高了8%與13%，同時，旱地的分類精度也提高了。

圖5　不同融合結果分類

利用原始ALOS影像分類基本能將地物區(qū)分，但建筑用地-道路，旱地-草地的區(qū)分較差，沿西北-東南走向將部分林地錯分為水域，這可能是由于地形的影響，山體使得陰面地物無反射率與水域低反射率相似。但在融合之后的分類中有效地消除原始光學影像山體陰影問題，解決了將林地錯分為水域的現(xiàn)象；融合之后提高旱地的分類精度，選擇HH極化方式，利用HH對不同植被含水量的敏感性，區(qū)分灌叢、草被、農(nóng)作物、喬木等不同植被覆蓋，從植被覆蓋類型以及植被覆蓋度的角度出發(fā)能較好解決在喀斯特地區(qū)識別由于喀斯特地貌大面積初露地表、地塊破碎導致旱地“插花”分布的調(diào)查困難，提高了旱地-草地-林地的區(qū)分度。

表2　分類結果評價分析

4　結論與討論

研究針對喀斯特地區(qū)土地利用調(diào)查難開展、精度低、“插花”現(xiàn)象明顯等現(xiàn)狀，該研究主要采用PC、IHS、Brovey等3種融合算法對光學與SAR數(shù)據(jù)進行融合，探討后向散射數(shù)據(jù)改善了光學數(shù)據(jù)的光譜信息，研究結果表明：（1）將光學影像與SAR數(shù)據(jù)融合，能在喀斯特地區(qū)，顯著提高地物間的光譜差異，增強地物間的可分性，較利用原始光學影像，PC法融合分類精度與IHS法融合分類分別提高了8%與13%。（2）不同地物信息提取要求不同的融合算法。IHS法融合是最有效拉開地物之間的光譜差異，而PC融合卻能更好的保持紋理與結構特征，在光譜特性相似的林地、旱地、草地可以使用IHS法融合，若是為了對形狀與結構要求較高的水域、居民點或者道路，可以采取PC融合。將光學影像與SAR數(shù)據(jù)融合，能夠有效地消除原始光學影像山體陰影問題，解決了將林地錯分為水域的現(xiàn)象，但為什么能消除山體陰影的原因在此次研究中未涉及，在今后的研究需進一步探討。

參考文獻

［1］袁道先.巖溶石漠化問題的全球視野和我國的治理對策與經(jīng)驗.草業(yè)科學，2008，9（25）∶1～6

［2］楊盡利，周忠發(fā)，趙正隆，等.基于ALOS影像的喀斯特山區(qū)草地類型提取研究.中國農(nóng)業(yè)資源與區(qū)劃，2013，34（6）∶81～85

［3］廖娟，周忠發(fā)，李波，等.基于高分辨率SAR數(shù)據(jù)的高原山區(qū)煙草后向散射特征分析.中國煙草科學，2014，35（6）∶74～79

［4］賈坤，李強子，田亦陳，等.微波后向散射數(shù)據(jù)改進農(nóng)作物光譜分類精度研究.光譜學與光譜分析，2011，31（2）∶484～487

［5］丁婭萍，陳仲新.基于最小距離法的RADARSAT-2遙感數(shù)據(jù)旱地作物識別.中國農(nóng)業(yè)資源與區(qū)劃，2014，35（6）∶79，19

［6］陳勁松，林琿，邵云.微波遙感農(nóng)業(yè)應用研究——水稻生長監(jiān)測.北京∶科學出版社，2010

［7］武文波，康停軍，姚靜.基于IHS變換和主成分變換的遙感影像融合.遼寧工程技術大學學報 （自然科學版），2009，28（1）∶28 ～31

［8］瞿繼雙，王超，王正志.基于數(shù)據(jù)融合的遙感圖像處理技術.中國圖象圖形學報，2002，7A（10）∶985～993

［9］任琦，許有田，郭慶堂，等.QuickBird遙感影像數(shù)據(jù)處理方法的探討.測繪科學，2009，34（s1）∶31～33

［10］ 徐贛.基于小波的圖像融合及去云方法研究.北京∶中國科學院研究生院，2007，23～25

［11］ 蔡懷行，雷宏.SAR與可見光圖像融合效果客觀評價.科學技術與工程，2011，11（15）∶3456～3461

［12］ 陽方林，郭紅陽.像素級圖像融合效果的評價方法研究.測試技術學報，2002，16（4）∶276～279

［13］Shi W，Zhu CQ，Tian Y，et al.Wavelet-based image fusion and quality assessment.International Journal of Applied Earth Observation and Geoinformation，2005，（6）∶241～251

［14］Piella G，Heijmans H.A new quality metric for image fusion.Proceedings of IEEE International Conference on Image Processing，2003，2∶173 ～76

［15］ 唐克，魏琪，杜濤.基于支持向量機的高空無人機偵察目標識別.火力與指揮控制，2010，35（3）∶82～99

［16］ 王慶，曾琪明，廖靜娟.基于極化分解的極化特征參數(shù)提取與應用.國土資源遙感，2012，（3）∶103～110

·技術方法·

IMPROVING KARST REGION LUCC SOECTRA CLASSIFICATION ACCURACY BASED ON SAR

Liao Juan1，Zhou Zhongfa1，2※，Wang Kun1，Huang Zhiling1，Chen Quan1
（1.Institute of Karst，Guizhou Normal University，Guiyang 550001，China；2.The Remote Sensing Center of Guizhou Province，Guiyang 550001，China）

AbstractThe surface morphology of Karst area is complex which causes difficult ground land investigation and low accuracy of investigation.Remote sensing is used as the main means of effective monitoring and studying human activity which impacts land use pattern and utilization degree.Combining ALOS multi spectral data with TerraSAR_X polarization data，this paper discussed how the HH polarized microwave backscatter data was used to improve LUCC classification accuracy of the multi spectral remote sensing data.And then it compared the different fusion methods which were more suitable for every object to distinguish ground object.The results showed that：the combination with the two kinds of data could make full use of the characteristics of the spectral information of multi spectral data，as well as the rich texture and structure information of HH polarization data，enhance the spectral differences among different objects，and improve the distinguishable of ground features.Compared to the method of separately using spectral data，the classification accuracy using the PC method and IHS method improved 8，13 percentage，respectively.And the HH polarization improved the distinguish accuracy of"flower"distribution of dry land，grassland，and woodland，because of the sensitivity of vegetation water content of HH.This research expanded the scope of application of remote sensing data in the field of land and resources and has the value of popularization.

KeywordsSAR；ALOS；fusion；LAUCC；classification accuracy

中圖分類號：TP39；S127；F301.24

文獻標識碼：A

文章編號：1005-9121［2016］01-0050-08

doi：10.7621/cjarrp.1005-9121.20160109

收稿日期：2015-05-28

作者簡介：廖娟 （1990—），女，漢，四川遂寧人，碩士。研究方向：地理信息系統(tǒng)與遙感。※通信作者：周忠發(fā) （1969—），男，貴州遵義人，教授、博士生導師。研究方向：地理信息系統(tǒng)與遙感。Email：fa6897@163.com

*資助項目：受貴州師范大學研究生創(chuàng)新基金資助 （研創(chuàng)2014（17））；國家重點基礎研究發(fā)展計劃課題“人為干預下喀斯特山地石漠化的演變機制與調(diào)控”（2012CB723202）；貴州省科技計劃課題“巖土類型格局”（黔科合JZ字［2014］200201）；貴州省軟科學研究項目“國家重點生態(tài)功能區(qū)生態(tài)文明建設與科技支撐研究——以貴州為例”（黔科合R字［2014］2012號）