孫亞楠，李仙岳，史海濱，崔佳琪，馬紅雨，王維剛

基于特征優(yōu)選決策樹(shù)模型的河套灌區(qū)土地利用分類

孫亞楠，李仙岳※，史海濱，崔佳琪，馬紅雨，王維剛

（內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木建筑工程學(xué)院，呼和浩特 010018）

為了提高土地利用遙感識(shí)別精度，探索不同識(shí)別期及不同特征變量對(duì)土地利用類型遙感識(shí)別精度的影響。該研究采用Landsat時(shí)間序列影像數(shù)據(jù)，考慮不同月份和不同特征變量（波段、光譜指數(shù)及紋理特征）組合方式建立土地利用決策樹(shù)分類模型，并利用河套灌區(qū)永濟(jì)灌域?qū)崪y(cè)數(shù)據(jù)和Google earth影像對(duì)不同組合方式的土地利用模型進(jìn)行數(shù)量結(jié)構(gòu)和空間布局的驗(yàn)證，篩選出最優(yōu)的土地利用遙感模型并確定最佳識(shí)別期。結(jié)果表明：在不同月份Green（綠波段）和Ent（熵Entropy）分別與波段和紋理特征變量中的因子所含有的信息重復(fù)率最高，需剔除，歸一化植被指數(shù)（Normalized Differential Vegetation Index, NDVI）和增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）在今后的研究中可選其一應(yīng)用；與單一特征變量相比，不同特征變量組合后能提高模型精度，平均總體精度和Kappa系數(shù)分別提高了6.72個(gè)百分點(diǎn)和0.09。采用8月影像數(shù)據(jù)構(gòu)建的遙感模型精度最高，最優(yōu)遙感模型的特征變量組合方式為波段+光譜指數(shù)+紋理特征，總體精度、Kappa系數(shù)、制圖精度和用戶精度分別為80.23%、0.74、80.95%和86.26%，且減少了未利用地和居民工況用地空間布局的錯(cuò)分。通過(guò)綜合比較，該研究區(qū)土地利用最佳識(shí)別期為8月，其次為9月。利用8月最優(yōu)遙感模型（最佳識(shí)別期和最優(yōu)組合）識(shí)別的耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可選用8月最優(yōu)模型應(yīng)用于長(zhǎng)時(shí)間序列的土地利用類型識(shí)別。

土地利用；遙感；光譜特征；紋理特征；最佳識(shí)別期；組合方式；決策樹(shù)

0 引 言

區(qū)域土地利用信息快速、準(zhǔn)確獲取是該地區(qū)土地動(dòng)態(tài)監(jiān)測(cè)、規(guī)劃、管理、開(kāi)發(fā)與保護(hù)等工作的基礎(chǔ)，也是各類區(qū)域模型正常運(yùn)行的前提[1]。隨著國(guó)家經(jīng)濟(jì)建設(shè)的穩(wěn)步推進(jìn)，迫切需要準(zhǔn)確獲得土地利用的詳細(xì)信息，為制定相應(yīng)政策和規(guī)劃提供基礎(chǔ)[2]。

傳統(tǒng)的土地利用類型識(shí)別主要采用實(shí)地調(diào)查與統(tǒng)計(jì)學(xué)相結(jié)合的方式，但成本高、效率低，且結(jié)果也存在一定偏差。隨著3S空間技術(shù)發(fā)展，國(guó)內(nèi)外學(xué)者從區(qū)域、國(guó)家乃至全球尺度出發(fā)，圍繞多源影像數(shù)據(jù)融合[3]、特征變量?jī)?yōu)選[4]和分類器選擇[5]等關(guān)鍵技術(shù)對(duì)土地利用類型進(jìn)行了遙感解譯，但由于中國(guó)農(nóng)業(yè)區(qū)的土地利用類型分布分散、農(nóng)業(yè)景觀破碎和作物種植結(jié)構(gòu)復(fù)雜等特點(diǎn)[6]，給土地利用類型的遙感解譯帶來(lái)了持續(xù)性挑戰(zhàn)?，F(xiàn)有利用遙感進(jìn)行土地利用識(shí)別的相關(guān)研究，主要基于影像數(shù)據(jù)中光譜（原始光譜和光譜指數(shù)）和紋理特征進(jìn)行分類。對(duì)于僅采用原始影像信息的分類方法，圖斑較為破碎[7]。而在此基礎(chǔ)上，通過(guò)數(shù)學(xué)變換形成的光譜指數(shù)特定地物能在一定程度上更準(zhǔn)確地識(shí)別[8]。然而這種僅基于光譜特征的方法通常對(duì)單一地物類識(shí)別有較高的精度，但是在實(shí)際應(yīng)用中，分類結(jié)果一定程度上存在同譜異物、同物譜異的現(xiàn)象[9]。紋理特征作為遙感影像中重要空間結(jié)構(gòu)信息和基本特征，可以有效地抑制同譜異物、同物譜異現(xiàn)象的發(fā)生，從而能夠改善分類精度，但紋理特征提高土地利用識(shí)別精度需在結(jié)合光譜特征信息的基礎(chǔ)上進(jìn)行[10]。所以，將原始光譜、光譜指數(shù)和紋理特征進(jìn)行耦合，以提高土地分類的精度已被廣泛采用[9]。盡管這種多特征耦合豐富了遙感數(shù)據(jù)信息量，但增加了數(shù)據(jù)冗余和維度災(zāi)難的風(fēng)險(xiǎn)。故如何在多特征變量研究中選擇有效的特征因子，以及對(duì)特征變量進(jìn)行有效的組合是提高多特征變量分類模型識(shí)別精度和識(shí)別效率的關(guān)鍵。

目前對(duì)土地利用類型識(shí)別的數(shù)據(jù)源主要分為時(shí)間序列數(shù)據(jù)[11]和單一時(shí)相數(shù)據(jù)[4]兩類，其中基于時(shí)間序列的影像能夠反映不同土地利用類型光譜等特征隨季節(jié)變化的差異，增大了可分性，但模型的應(yīng)用受到兩方面的制約，一方面基于時(shí)間序列遙感影像數(shù)據(jù)的分類模型涉及較多時(shí)相影像數(shù)據(jù)[12]，如果某個(gè)時(shí)期影像的不可用（比如云量較大）將會(huì)導(dǎo)致分類模型無(wú)法應(yīng)用。另一方面，在時(shí)間序列影像的分類模型中，影像數(shù)據(jù)多為高分辨率遙感影像[13]，而通常這些高分辨率影像不易獲取，且在軌時(shí)間短，所構(gòu)建的模型難以應(yīng)用于長(zhǎng)序列的土地利用信息提取的研究。而基于單時(shí)相的中低分辨率影像既具有相對(duì)豐富的信息，同時(shí)擁有大量的歷史影像數(shù)據(jù)，又具有一定的空間信息，已在土地利用信息的提取和地類時(shí)空演變研究中得到了廣泛應(yīng)用[14]。而以單時(shí)相影像數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)的研究中，由于不同時(shí)期土壤類型和利用方式的光譜等特征具有一定的差異，導(dǎo)致不同時(shí)期可分性不同，從而使影像時(shí)期的選擇成為影響單時(shí)相影像模型精度的決定性因素[15-16]。故通過(guò)篩選土地利用類型的最佳識(shí)別期和特征變量的組合方式是提高基礎(chǔ)數(shù)據(jù)有效性和模型精度的關(guān)鍵。

本文基于Landsat時(shí)間序列影像數(shù)據(jù)，利用主成分分析的方法對(duì)影像數(shù)據(jù)的波段、光譜指數(shù)和紋理特征變量中各因子進(jìn)行篩選，并構(gòu)建不同時(shí)期、不同組合方式的決策樹(shù)模型，對(duì)比分析各方案的分類精度，利用混淆矩陣和Google earth影像分別對(duì)分類結(jié)果進(jìn)行數(shù)量結(jié)構(gòu)和空間布局的驗(yàn)證，篩選出土地利用分類最優(yōu)組合的遙感模型并確定最佳識(shí)別期，從而為河套灌區(qū)土地利用類型的快速識(shí)別提供新的思路。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

內(nèi)蒙古河套灌區(qū)永濟(jì)灌域，107°13′～107°42′E，40°36′～41°13′N，南北長(zhǎng)60 km，東西寬40 km，總土地面積18.36萬(wàn)hm2，現(xiàn)灌溉面積約11.22萬(wàn)hm2，經(jīng)過(guò)30年快速發(fā)展，經(jīng)濟(jì)增幅達(dá)96倍，城鎮(zhèn)化率31.19%，年均提高1.23個(gè)百分點(diǎn)[17]。耕地是研究區(qū)主要的土地利用類型，種植的主要作物為小麥、向日葵和玉米。其他土地利用類型中，林地主要以1～10 a生的楊樹(shù)和柳樹(shù)經(jīng)濟(jì)林為主，未利用地主要以鹽荒地和部分沙地組成。隨著黃河流域經(jīng)濟(jì)的發(fā)展，從1998年河套灌區(qū)實(shí)施節(jié)水改造開(kāi)始，用水指標(biāo)逐年減少，對(duì)土地利用方式的轉(zhuǎn)換產(chǎn)生了一定的影響。

1.2 數(shù)據(jù)的采集與處理

1.2.1 土地利用樣本采集

野外采樣基于網(wǎng)格法在研究區(qū)進(jìn)行均勻布設(shè)樣點(diǎn)，采集時(shí)間為4－9月。由于研究區(qū)小麥播種及收割時(shí)間與其他作物差異較大，所以本文在中國(guó)土地利用現(xiàn)狀分類一級(jí)系統(tǒng)[18]的基礎(chǔ)上將耕地進(jìn)一步細(xì)分為小麥和其他耕地兩類，以最大程度地減少分類誤差。實(shí)際采樣點(diǎn)則根據(jù)實(shí)際情況進(jìn)行適度調(diào)整，確保采樣點(diǎn)數(shù)滿足模型的構(gòu)建和驗(yàn)證的要求。樣點(diǎn)采集時(shí)利用GPS進(jìn)行定位，并記錄其相應(yīng)的經(jīng)緯度以及土地利用的類型，最終確定的土地利用的類型分別為小麥、耕地、林地、草地、未利用地、水域和居民工礦用地7大類，采樣點(diǎn)個(gè)數(shù)分別為57、85、37、37、79、30和45個(gè)，共計(jì)370個(gè)（圖1）。

1.2.2 遙感影像數(shù)據(jù)的下載與處理

遙感影像數(shù)據(jù)采用Landsat 7 ETM+數(shù)據(jù)（30m分辨率），下載網(wǎng)址為https://earthexplorer.usgs.gov/，時(shí)間序列影像獲取時(shí)間分別為2019年4月13日、5月15日、6月16日、7月2日、8月3日、9月4日、9月20日和10月6日，行列號(hào)分別為129/31和129/32。利用ENVI 5.3軟件對(duì)遙感影像數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正、幾何精校正、無(wú)縫鑲嵌、裁剪等預(yù)處理，并通過(guò)ArcGIS10.4軟件提取采樣點(diǎn)對(duì)應(yīng)的特征變量。

1.3 研究方法

本文基于Landsat時(shí)間序列影像數(shù)據(jù)，對(duì)影像的波段特征、光譜指數(shù)特征和紋理特征進(jìn)行提取，組成7種方案（表1），包括3種單類別方案（方案1～3）和4種組合類別方案（方案4～7），利用主成分分析的方法篩選出各特征變量的特征因子，并基于上述7種方案構(gòu)建不同時(shí)期的土地利用決策樹(shù)提取模型，通過(guò)對(duì)比精度（分類精度和驗(yàn)證精度）從而篩選出土地利用最優(yōu)遙感模型并確定最佳識(shí)別期。

表1 方案的設(shè)定

1.3.1 特征變量提取

本研究選取波段、光譜指數(shù)和紋理3種特征作為土地利用分類的特征變量，其中共包括6個(gè)波段因子、6個(gè)光譜指數(shù)因子以及8個(gè)紋理因子（表2）。為了提高紋理特征提取效率，對(duì)影像數(shù)據(jù)進(jìn)行主成分分析，利用灰度共生矩陣（Gray-level Co-occurrence Matrix, GLCM）方法對(duì)第一主成分進(jìn)行紋理特征信息的提取（圖2），滑動(dòng)窗口尺度分別設(shè)置為3×3、5×5、7×7和9×9，最終最佳窗口選定為3×3，步長(zhǎng)選定為1。

表2 特征變量統(tǒng)計(jì)

1.3.2 特征因子的優(yōu)選

由于特征變量中因子較多，為避免由于指標(biāo)選取過(guò)多使問(wèn)題復(fù)雜化或者指標(biāo)選取過(guò)少而影響結(jié)果準(zhǔn)確度等問(wèn)題，利用主成分分析（Principal Component Analysis, PCA）通過(guò)線性變換從多個(gè)變量（或因子）中選出較少重要變量[25]，既能夠盡量多地反映原來(lái)較多指標(biāo)的信息，也能達(dá)到使彼此相互獨(dú)立的目的。本文利用PCA對(duì)波段、光譜指數(shù)和紋理特征變量的因子進(jìn)行分析，并將相關(guān)系數(shù)絕對(duì)值大于0.90的因子剔除，從而減小模型的冗余性。

1.3.3 分類模型的構(gòu)建與評(píng)價(jià)指標(biāo)

本文先將實(shí)測(cè)樣本以2:1比例分為訓(xùn)練樣本和驗(yàn)證樣本，利用訓(xùn)練樣本分別構(gòu)建小麥、其他耕地、林地、草地、未利用地、水域和居民工礦用地的感興趣區(qū)，然后利用感興趣區(qū)確定各土地利用的特征指標(biāo)屬性規(guī)則，從而構(gòu)建決策樹(shù)分類模型，并利用混淆矩陣和Google earth影像對(duì)分類結(jié)果進(jìn)行數(shù)量結(jié)構(gòu)和空間布局的驗(yàn)證。

1）模型的構(gòu)建

決策樹(shù)分類模型是先通過(guò)分析像元特征值，設(shè)定每個(gè)節(jié)點(diǎn)合適的分割值，從而進(jìn)行分層逐次的比較歸類的分類技術(shù)，比較常用的分類方法有C4.5算法、C5.0算法、CART算法（Classification And Regression Tree）和S-PLUS等算法，本文利用CART算法構(gòu)建決策樹(shù)分類模型，CART算法采用經(jīng)濟(jì)學(xué)領(lǐng)域中的基尼（Gini）系數(shù)[26]作為選擇最佳測(cè)試變量和分割閾值的準(zhǔn)則，并采用交叉驗(yàn)證的方法對(duì)生成樹(shù)進(jìn)行修剪，從而形成一棵兼顧復(fù)雜度和錯(cuò)誤率的最優(yōu)二叉樹(shù)。

2）模型的驗(yàn)證

混淆矩陣法是目前評(píng)價(jià)分類精度的普遍方法，常用的指標(biāo)包括總體精度（Overall Accuracy, OA）、Kappa系數(shù)、制圖精度（Producer Accuracy, PA）和用戶精度（User Accuracy, UA）[11]（公式（1）～（3）），本文利用上述4種指標(biāo)對(duì)分類結(jié)果進(jìn)行數(shù)量結(jié)構(gòu)的精度驗(yàn)證，利用Google earth影像分析分類結(jié)果的空間布局誤差。

式中為驗(yàn)證樣本的個(gè)數(shù)，X和X為分類結(jié)果中第類樣本的總數(shù)和驗(yàn)證樣本中第類樣本的總數(shù)，X為誤差矩陣中的第行列中的數(shù)，代表第類樣本中被正確分類的個(gè)數(shù)，為分類的類別數(shù)。

2 結(jié)果與分析

2.1 特征變量中特征因子的選擇

2.1.1 波段特征

分別對(duì)不同時(shí)期的波段進(jìn)行主成分分析，得到各波段間的相關(guān)系數(shù)矩陣（圖3），以2019-04-13的波段間的相關(guān)系數(shù)矩陣為例（圖3a）進(jìn)行篩選過(guò)程的說(shuō)明，Blue與Green的相關(guān)系數(shù)為0.94，Green與Red的相關(guān)系數(shù)為0.95，為降低因子的冗余性，需將其中一個(gè)或者兩個(gè)剔除，進(jìn)一步分析Blue和Red的相關(guān)性，相關(guān)系數(shù)為0.88，所以將Green剔除。其他波段中，Red與NIR的相關(guān)系數(shù)為0.91，NIR與SWIR1的相關(guān)系數(shù)為0.93，而Red和SWIR1的相關(guān)系數(shù)為0.81，所以將NIR剔除。SWIR1與SWIR2間相關(guān)系數(shù)為0.97，而二者與其他的因子的相關(guān)系數(shù)均小于0.90，所以將SWIR1和SWIR2分別與未剔除的因子進(jìn)行相關(guān)性分析，并計(jì)算其相關(guān)系數(shù)絕對(duì)值的平均值，分別為0.76和0.77，所以將SWIR2剔除，最終選定Blue、Red和SWIR1作為2019-04-13的波段特征因子。利用上述方法對(duì)其他各時(shí)期的因子進(jìn)行特征因子的篩選，最終選定Blue、Red、NIR和SWIR1作為2019-05-15和2019-06-16的波段特征因子，Blue、NIR和SWIR2作為2019-07-2、2019-09-04和2019-10-06的波段特征因子，Blue、Red、NIR和SWIR2作為2019-08-03和2019-09-20的波段特征因子。結(jié)果表明Green在不同時(shí)期與其他因子所含有的信息重復(fù)率最高，而B(niǎo)lue作為各時(shí)期的特征因子，不僅與其他因子組合能夠包含較多的信息，還能避免因子的維度災(zāi)難。

2.1.2 光譜指數(shù)特征

對(duì)光譜指數(shù)進(jìn)行主成分分析，得到各光譜指數(shù)間的相關(guān)系數(shù)矩陣（圖4），負(fù)相關(guān)關(guān)系主要出現(xiàn)在MNDWI與NDVI、EVI、BI和RVI之間，且MNDWI與NDVI、EVI相關(guān)性最為顯著，特別是在2019-04-13-2019-07-02期間（圖4a～4d）間，相關(guān)系數(shù)絕對(duì)值均大于0.60。不同月份中，NDVI與EVI的相關(guān)性均維持在較高的水平，相關(guān)系數(shù)大于0.90，平均相關(guān)系數(shù)為0.95，根據(jù)篩選原則需對(duì)其中一個(gè)因子進(jìn)行剔除，NDVI是研究植被類型采用最廣泛的指數(shù)之一，而EVI能夠解決NDVI的高覆蓋度下容易飽和的問(wèn)題，所以對(duì)二者進(jìn)行進(jìn)一步的篩選，分析二者與其他光譜指數(shù)因子的相關(guān)性，其中NDVI與其他光譜指數(shù)的相關(guān)性在2019-04-13、2019-05-15和2019-06-16高于EVI與其他光譜指數(shù)的相關(guān)性，平均高4.01%，所以將NDVI剔除，而2019-07-02、2019-08-03、2019-09-04、2019-09-20和2019-10-06中EVI與其他光譜指數(shù)的相關(guān)性高于NDVI，平均高2.75%，所以將EVI剔除。NDVI和EVI在各時(shí)期包含的信息重復(fù)率均較高，為避免信息的冗余，在今后的研究中可選其一應(yīng)用。

2.1.3 紋理特征

對(duì)紋理特征進(jìn)行主成分分析，得到不同時(shí)期紋理特征變量因子間的相關(guān)系數(shù)矩陣（圖5），各紋理特征變量的因子間相關(guān)性總體低于各波段、各光譜指數(shù)間的相關(guān)性，表明紋理特征變量中各因子間重疊信息較少。不同月份中僅Ent與Sm的相關(guān)性較高，相關(guān)系數(shù)在?0.95～?0.97之間，其中Ent在各時(shí)期與其他各因子的相關(guān)系數(shù)絕對(duì)值的平均值均高于Sm，平均高18.74%，所以將Ent剔除，最終選定Mean、Var、Hom、Con、Dis、Sm和Cor作為各時(shí)期紋理特征變量的特征因子。

2.2 基于不同特征變量的土地利用類型分類精度對(duì)比

基于上述7種方案構(gòu)建不同時(shí)期的土地利用決策樹(shù)分類模型，利用混淆矩陣和Google earth影像對(duì)分類后的結(jié)果進(jìn)行數(shù)量結(jié)構(gòu)和空間分布的驗(yàn)證。首先利用實(shí)測(cè)點(diǎn)的驗(yàn)證樣本計(jì)算模型的混淆矩陣，其中總體精度和Kappa系數(shù)（表3）用來(lái)對(duì)不同時(shí)期、不同方案的分類精度進(jìn)行總體性的評(píng)價(jià)，從而優(yōu)選出各時(shí)期分類效果最好的方案，而制圖精度和用戶精度（表4）則對(duì)不同時(shí)期最優(yōu)方案中耕地、林地、草地、未利用地、水域和居民工況用地的分類精度進(jìn)行評(píng)價(jià)，進(jìn)一步獲取錯(cuò)分與漏分的情況。結(jié)果表明，不同時(shí)期不同方案的總體精度在57.06%～80.23%之間，平均值為72.63%，Kappa系數(shù)在0.43～0.74之間，平均值為0.64?；趩我坏牟ǘ位蚬庾V指數(shù)方案分類精度在各時(shí)期精度均滿足要求，在土地利用識(shí)別中可單獨(dú)應(yīng)用，可見(jiàn)本文選取的光譜指數(shù)對(duì)研究區(qū)的土地利用類型應(yīng)用效果較好。方案3（紋理特征）在各時(shí)期分類精度最低，總體精度平均值為62.64%，而紋理特征與波段或光譜指數(shù)特征綜合應(yīng)用時(shí)均能有效提高精度，所以在土地利用識(shí)別過(guò)程中紋理特性需與光譜特征變量綜合應(yīng)用。不同時(shí)期單類別方案（方案1～3）的總體精度分別在57.06%～75.14%之間，平均值為68.80%，平均Kappa系數(shù)在0.55～0.62之間，而組合類別方案相比單類別方案平均總體精度平均提高了6.72個(gè)百分點(diǎn)，平均Kappa系數(shù)平均提高了0.09，表明特征變量組合后能夠明顯提高模型的分類精度。利用總體精度和Kappa系數(shù)對(duì)不同時(shí)期的最優(yōu)方案進(jìn)行篩選，最終選定方案7作為2019-04-10、2019-05-15、2019-08-03和2019-09-04的優(yōu)選方案。選定方案4作為2019-06-16、2019-07-02、2019-09-20和2019-10-06的優(yōu)選方案。

表3 各方案分類模型精度對(duì)比

表4 優(yōu)選方案的土地利用類型的制圖精度和用戶精度

利用制圖精度和用戶精度（表4）對(duì)不同時(shí)期最優(yōu)方案的分類精度進(jìn)行評(píng)價(jià)，不同時(shí)期最優(yōu)方案的各土地利用類型的平均制圖精度和平均用戶精度分別在62.90%～97.06%和71.89%～96.56%之間，平均值分別為77.43%和84.06%，表明平均用戶精度大于制圖精度，即漏分誤差大于錯(cuò)分誤差。不同時(shí)期各土地利用的分類結(jié)果中，水域的分類精度最高，制圖精度和用戶精度平均值分別為97.06%和96.56%，其次是耕地、林地、居民工礦用地、未利用地和草地。各時(shí)期的分類結(jié)果中，2019-08-03和2019-09-04的各土地利用類型的制圖精度和用戶精度均能滿足要求，且平均精度均較高，其中平均制圖精度分別為80.95%和79.28%，平均用戶精度分別為86.26%和86.77%。

圖6為基于Google earth影像對(duì)分類結(jié)果空間分布的驗(yàn)證。在研究區(qū)中利用Google Earth影像（圖6a、6d）選取兩塊典型區(qū)域?qū)?019-08-03（圖6b、6e）和2019-09-04（圖6c、6f）結(jié)果的空間分布進(jìn)行進(jìn)一步的對(duì)比分析，兩個(gè)時(shí)期水域的識(shí)別效果較好，輪廓與實(shí)際一致。2019-09-04（圖6c）對(duì)市區(qū)范圍內(nèi)中道路硬化等較為完備的高層建筑識(shí)別效果較好，而將部分分布零散的建筑物識(shí)別為未利用地，且對(duì)于較多的低層住宅區(qū)識(shí)別效果較差，從而導(dǎo)致市區(qū)的居民工況用地面積小于實(shí)際情況，部分道路識(shí)別為未利用地（圖6f）。可知，2019-08-03和2019-09-04的分類結(jié)果中，2019-08-03的分類效果較好，相比2019-09-04，減少了未利用地和居民工況用地空間布局的錯(cuò)分。采用8月份數(shù)據(jù)構(gòu)建的遙感模型精度最高，最優(yōu)組合方式為波段(Blue+Red+NIR+SWIR2)+光譜指數(shù)(NDVI+MNDWI+ EBSI+BI+RVI)+紋理特征(Mean+Var+Hom+Con+Dis+Sm +Cor)，其中總體精度和Kappa系數(shù)分別為80.23%和0.74（表3），耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%（表4）。其次為9月。

3 討 論

在土地利用識(shí)別方法的研究中，傳統(tǒng)分類方法是以像元為基本單元，近年來(lái)，隨著遙感技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者發(fā)展了一系列能綜合運(yùn)用影像的光譜、紋理等多種特征的分類方法，這些方法在一定程度上改善了基于像元分類方法的精度，如王李娟等[4]研究發(fā)現(xiàn)加入植被指數(shù)、紋理特征等信息可以有效提升土地利用分類精度。林楠等[1]增加了形狀和紋理信息后的多源信息數(shù)據(jù)的分類精度明顯高于基于純光譜信息數(shù)據(jù)的分類精度，尤其是通過(guò)形狀信息對(duì)易于混淆的建筑用地邊界進(jìn)行了有效的劃分，分類精度提高了9.32%。本研究通過(guò)對(duì)不同時(shí)期不同方案精度的對(duì)比分析可以得出，基于單一的紋理特征的方案在各時(shí)期的分類精度均低于其他方案，各時(shí)期平均總體精度相比其他方案降低了11.66個(gè)百分點(diǎn)，平均Kappa系數(shù)相比其他方案降低了0.16，而紋理特征與波段或光譜指數(shù)特征綜合應(yīng)用時(shí)均能有效提高精度，如方案5（波段+紋理特征）在各時(shí)期的平均總體精度和平均Kappa系數(shù)相比方案1（波段特征）分別平均提高了3.05個(gè)百分點(diǎn)和0.05。所以紋理特征在土地利用識(shí)別中單獨(dú)作為特征變量的識(shí)別精度較低，需與光譜特征變量結(jié)合使用；基于單一的波段或光譜指數(shù)的方案在各時(shí)期精度均能滿足要求，即針對(duì)分類精度要求不高的研究中可應(yīng)用該種方法；綜合多特征變量的方案精度均高于單一方案，不同時(shí)期組合類方案模型的平均總體精度和平均Kappa系數(shù)相比僅采用單一特征變量的方案分別提高了6.72個(gè)百分點(diǎn)和0.09。結(jié)果表明綜合多特征變量的方法仍是土地利用識(shí)別中最為可靠的方案。由于本研究主要針對(duì)灌域尺度地類識(shí)別，并沒(méi)有探索尺度效應(yīng)。在后續(xù)研究中，將以田間、景觀、灌域、灌區(qū)等不同尺度進(jìn)行數(shù)據(jù)采樣和遙感識(shí)別，深入探討各特征變量在土地利用信息識(shí)別過(guò)程中的尺度問(wèn)題為灌區(qū)多尺度土地利用識(shí)別提供新的技術(shù)。不同時(shí)期不同土地利用的光譜特征和紋理特征具有顯著性差異，選擇差異性較大的時(shí)期能一定程度提高遙感模型精度[15-16]。本研究也顯示分類時(shí)期對(duì)模型的精度有一定的影響，如基于8月影像構(gòu)建的最優(yōu)組合模型精度優(yōu)于其他時(shí)期（表3～表4），其總體精度、Kappa系數(shù)、制圖精度和用戶精度相比其他時(shí)期的最優(yōu)方案分別提高了1.13～6.22、0.01～0.08、0.57～11.64個(gè)百分點(diǎn)和?0.50～8.02個(gè)百分點(diǎn)。但是本研究錯(cuò)分率較高的為草地和未利用地，主要集中于生育期初期（4－6月）和末期（9－10月），這是由于該時(shí)期草地覆蓋度低，其NDVI與未利用地非常相近，由于該時(shí)期的特殊性也無(wú)法利用時(shí)間序列的物候期識(shí)別來(lái)提高本研究中草地和未利用地的識(shí)別精度，且在基于時(shí)間序列土地利用分類的部分研究中，草地和未利用地的分類精度仍偏低，如Zhang等[27]基于時(shí)間序列土地利用分類顯示草地的制圖精度為70.79%。且所需基礎(chǔ)影像數(shù)據(jù)量較大，并會(huì)導(dǎo)致影像可用性不規(guī)律，影響模型的穩(wěn)健性和時(shí)空一致性[28]，從而增大了模型的應(yīng)用難度，所以選擇合適的單時(shí)期影像進(jìn)行土地利用分類具有重要意義。本研究確定8月為分類的最佳時(shí)期，該時(shí)期草地與未利用地的分類精度能夠滿足模型的精度要求。

不同時(shí)期土地利用識(shí)別的精度在一定程度上受季節(jié)性影響，如4－5月耕地、草地和未利用地由于植被均處于生長(zhǎng)初期，錯(cuò)分率相對(duì)較大；而在9月末至10月，耕地中作物進(jìn)入收割末期，耕地中主要為作物殘茬，而草地和未利用地中植被處于生長(zhǎng)末期覆蓋率也較低，從而該時(shí)期此3種地類光譜特征也較為相近[29]，錯(cuò)分率也會(huì)增加。6－7月耕地由于葵花的長(zhǎng)勢(shì)較低，易與植被覆蓋度較小的草地相混淆，而7月份相比6月份，耕地開(kāi)始有部分錯(cuò)分為林地，分析由于7月的耕地長(zhǎng)勢(shì)高于6月，且葉面積指數(shù)較低，與部分行道樹(shù)相近，故7月的識(shí)別精度相比會(huì)更低。8月份耕地中作物葉面積指數(shù)明顯高于其他地類[30]，且該地區(qū)耕地占比大于50%[31]，所以該時(shí)期總體識(shí)別精度較高。另外分類精度也受地類分布的影響，在本研究中林地多為道路兩旁的行道樹(shù)和少數(shù)農(nóng)田中的經(jīng)濟(jì)林，分布較為零散，識(shí)別難度增大；草地、未利用地多分布于居民工礦用地周圍，且比較零散，在30 m×30 m的分辨率遙感影像中較難區(qū)分，這也會(huì)導(dǎo)致其錯(cuò)分率進(jìn)一步增加。

4 結(jié) 論

1）特征變量的特征因子篩選過(guò)程中，歸一化植被指數(shù)和增強(qiáng)型植被指數(shù)在各時(shí)期包含的信息重復(fù)率均較高，為避免信息的冗余，在今后的研究中可選其一應(yīng)用，綠波段、熵在各時(shí)期與其他因子信息重復(fù)率較高；紋理各因子間的相關(guān)性均明顯低于波段因子和光譜指數(shù)因子。

2）采用單一紋理特征的方案精度較差，各時(shí)期總體精度與Kappa系數(shù)相比其他方案分別降低了11.66個(gè)百分點(diǎn)和0.16，而紋理特征與波段或光譜指數(shù)特征組合后均能有效提高精度；多特征變量組合模型精度均高于基于單一特征變量的模型精度，不同時(shí)期組合類方案模型的平均總體精度和平均Kappa系數(shù)相比僅采用單一特征變量的模型分別提高了6.72個(gè)百分點(diǎn)和0.09。

3）基于8月份波段+光譜指數(shù)+紋理特征的遙感模型精度最高，總體精度、Kappa系數(shù)、平均制圖精度和平均用戶精度分別為80.23%、0.74、80.95%和86.26%，且減少了未利用地和居民工況用地空間布局的錯(cuò)分。其中耕地、林地、草地、未利用地、水域和居民工礦用地的制圖精度分別為96.83%、73.33%、70.00%、65.52%、100.00%和80.00%，用戶精度分別為76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。

[1] 林楠，姜琦剛，楊佳佳，等. 基于資源一號(hào)02C高分辨率數(shù)據(jù)的農(nóng)業(yè)區(qū)土地利用分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(1)：278-284.

Lin Nan, Jiang Qigang, Yang Jiajia, et al. Classifications of agricultural land use based on high-spatial resolution ZY1-02C remote sensing images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 278-284. (in Chinese with English abstract)

[2] 吳迪. 節(jié)水改造后河套灌區(qū)沈?yàn)豕嘤蛲寥利}分時(shí)空變化規(guī)律研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2020.

Wu Di. Study on the Spatial and Temporal Changes of Soil Salt in Shenwu Irrigation District of Hetao Irrigation District after Water Saving Transformation[D]. Huhhot: Inner Mongolia Agricultural University, 2020. (in Chinese with English abstract)

[3] 劉曉龍，徐瑞，付卓，等. 基于多源遙感數(shù)據(jù)的納板河國(guó)家級(jí)自然保護(hù)區(qū)人類活動(dòng)用地監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(19)：266-275.

Liu Xiaolong, Xu Rui, Fu Zhuo, et al. Monitoring land use for human activities in Nabanhe National Nature Reserve based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(19): 266-275. (in Chinese with English abstract)

[4] 王李娟，孔鈺如，楊小冬，等. 基于特征優(yōu)選隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(4)：244-250.

Wang Lijuan, Kong Yuru, Yang Xiaodong, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 244-250. (in Chinese with English abstract)

[5] 陳元鵬，羅明，彭軍還，等. 基于網(wǎng)格搜索隨機(jī)森林算法的工礦復(fù)墾區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(14)：250-257.

Chen Yuanpeng, Luo Ming, Peng Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250-257. (in Chinese with English abstract)

[6] 田海峰，鄔明權(quán)，牛錚，等. 基于Radarsat-2影像的復(fù)雜種植結(jié)構(gòu)下旱地作物識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(23)：154-159.

Tian Haifeng, Wu Mingquan, Niu Zheng, et al. Dryland crops recognition under complex planting structure based on Radarsat-2 images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(23): 154-159. (in Chinese with English abstract)

[7] 胡月瑤. 基于Landsat指數(shù)影像的城市區(qū)域自動(dòng)分類方法研究[D]. 武漢：武漢大學(xué)，2018.

Hu Yueyao. An Automatic Land-Cover Mapping Method Over Urban Areas Using Spectral Indices Based on Landsat Imagery[D]. Wuhan：Wuhan University, 2018. (in Chinese with English abstract)

[8] 陳靜秋，王莉，姜小三. 決策樹(shù)方法在云貴高原典型區(qū)域ALOS影像土地利用分類中的應(yīng)用[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，36(6)：45-50.

Chen Jingqiu, Wang Li, Jiang Xiaosan. Decision tree method application on land use classification using ALOS image in typical area of Yunnan-Guizhou Plateau[J]. Journal of Nanjing Agricultural University, 2013, 36(6): 45-50. (in Chinese with English abstract)

[9] 馬正龍. 長(zhǎng)株潭城市群土地利用/覆蓋變化遙感動(dòng)態(tài)監(jiān)測(cè)[D]. 長(zhǎng)沙：中南大學(xué)，2011.

Ma Zhenglong. The Dynamic Monitoring of Land Use and Land Cover Change in Changsha-Zhuzhou-Xiangtan Urban Agglomerations Based on Remote Sensing[D]. Changsha: Central South University, 2011. (in Chinese with English abstract)

[10] Chen S B, Useya h, Mugiyo H. Decision-level fusion of Sentinel-1 SAR and Landsat 8 OLI texture featuresfor crop discrimination and classification: Case of Masvingo, Zimbabwe[J]. Heliyon, 2020, 6(11): e05358.

[11] 汪小欽，邱鵬勛，李婭麗，等. 基于時(shí)序Landsat遙感數(shù)據(jù)的新疆開(kāi)孔河流域農(nóng)作物類型識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(16)：180-188.

Wang Xiaoqin, Qiu Pengxun, Li Yali, et al. Crops identification in Kaikong River Basin of Xinjiang based on time series Landsat remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 180-188. (in Chinese with English abstract)

[12] 張平，孫強(qiáng)強(qiáng)，孫丹峰，等. 基于遙感光譜的干旱區(qū)土地退化評(píng)價(jià)體系構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(9)：228-237.

Zhang Ping, Sun Qiangqiang, Sun Danfeng, et al. Establishment of land degradation assessment system in arid region based on remote sensing spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(9): 228-237. (in Chinese with English abstract)

[13] 楊閆君，占玉林，田慶久，等. 基于 GF-1/WFV NDVI 時(shí)間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(24)：155-161.

Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155-161. (in Chinese with English abstract)

[14] 梁明，聶拼，陸胤昊，等. 淮南市土地利用程度變化過(guò)程的時(shí)空演化特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(22)：99-106.

Liang Ming, Nie Pin, Lu Yinhao, et al. Spatiotemporal evolution characteristics of land use intensity change process of Huainan[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 99-106. (in Chinese with English abstract)

[15] Gong C, Wu W. Comparisons of regression tree models for sub-pixel imperviousness estimation in a Gulf Coast city of Mississippi, USA[J]. International Journal of Remote Sensing, 2014, 35(9/10): 3722-3740.

[16] 孫亞楠，李仙岳，史海濱，等. 基于多源數(shù)據(jù)融合的鹽分遙感反演與季節(jié)差異性研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(6)：169-180.

Sun Yanan, Li Xianyue, Shi Haibin, et al. Remote sensing inversion of soil salinity and seasonal difference analysis based on multi-source data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(6): 169-180. (in Chinese with English abstract)

[17] 郭姝姝. 基于遙感及CLUE-S模型的內(nèi)蒙古河套灌區(qū)土壤鹽漬化時(shí)空演變與調(diào)控研究[D]. 北京：中國(guó)水利水電科學(xué)研究院，2018.

Guo Shushu. Study on Spatiotemporal Evolution and Regulation of Soil Salinization in Hetao Irrigation District, Inner Mongolia, China Using Remote Sensing and CLUE-S Model[D]. Beijing: China Institute of Water Resources & Hydropower Research (IWHR), 2018. (in Chinese with English abstract)

[18] 龔文峰，袁力，范文義. 基于CA-Markov的哈爾濱市土地利用變化及預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(14)：216-222.

Gong Wenfeng, Yuan Li, Fan Wenyi. Dynamic change and prediction of land use in Harbin city based on CA-Markov model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(14): 216-222. (in Chinese with English abstract)

[19] Rouse J, Haas R, Schell J, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. Third ERTS Symposium: NASA SP-351. 1973: 309-317.

[20] Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS[J]. Remote Sensing of Environment, 1994, 49: 224-234.

[21] 徐涵秋. 利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學(xué)報(bào)，2005，9(5)：589-595.

Xu Hanqiu. A study on information extraction of water body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese with English abstract)

[22] 吳志杰，趙書(shū)河. 基于TM圖像的“增強(qiáng)的指數(shù)型建筑用地指數(shù)”研究[J]. 國(guó)土資源遙感，2012，24(2)：50-55.

Wu Zhijie, Zhao Shuhe. A study of enhanced index-based built-up index based on Landsat TM imagery[J]. Remote Sensing for Land & Resources, 2012, 24(2): 50-55. (in Chinese with English abstract)

[23] Major D J, Baret F, Guyot G. A ratio vegetation index adjusted for soil brightness[J]. International Journal of Remote Sensing, 1990, 11(5): 727-740.

[24] Khan N M, Rastoskuev V V, Sato Y, et al. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators[J]. Agricultural Water Management, 2005, 77(1): 96-109.

[25] 強(qiáng)芳，張明軍，王圣杰，等. 基于格點(diǎn)數(shù)據(jù)的1961-2012年祁連山面雨量特征分析[J]. 地理學(xué)報(bào)，2015，70(7)：1125-1136.

Qiang Fang, Zhang Mingjun, Wang Shengjie, et al. Changes of areal precipitation based on gridded dataset in Qilian Mountains during 1961-2012[J]. Geographical Research, 2015, 70(7): 1125-1136. (in Chinese with English abstract)

[26] 劉建光，李紅，孫丹峰，等. MODIS土地利用/覆被多時(shí)相多光譜決策樹(shù)分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(10)：312-318.

Liu Jianguang, Li Hong, Sun Danfeng, et al. Land use/cover decision tree classification fusing multi-temporal and multi- spectral of MODIS[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 312-318. (in Chinese with English abstract)

[27] Zhang X, Sun R, Zhang B, et al. Land cover classification of the North China Plain using MODIS EVI time series[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2008, 63: 476-484.

[28] Gómez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

[29] Yang X Y, Chen L G, Li Y K, et al. Rule-based land use/land cover classification in coastal areas using seasonal remote sensing imagery: A case study from Lianyungang City, China[J]. Environment Monitoring and Assessment, 2015, 187(7): 449.

[30] Andrade J, Cunha J, Silva J, et al. Evaluating single and multi-date Landsat classifications of land-cover in a seasonally dry tropical forest[J]. Remote Sensing Application: Society and Environment, 2021, 22: 100515.

[31] 葛洲. 永濟(jì)灌域典型區(qū)土壤鹽堿化時(shí)空分布控制因素研究[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2020.

Ge Zhou. Study on Controlling Factors of Spatial-Temporal Distribution of Soil Salinization in Typical Area of Yongji Irrigation Area[D]. Yangzhou:Yangzhou University, 2020. (in Chinese with English abstract)

Classification of land use in Hetao Irrigation District of Inner Mongolia using feature optimal decision trees

Sun Yanan, Li Xianyue※, Shi Haibin, Cui Jiaqi, Ma Hongyu, Wang Weigang

(010018,)

Up-to-dateclassification of land use types has become a critical component in current strategies to manage natural resources and the regional environment. Alternatively, remote sensing has also been widely used over the past 20 years as an effective tool for spatial data acquisition, particularly for the sustainable management of natural resources and economical perspective to the land use and land cover changes. However, the land use classification using remote sensing is subjected to the characteristics of dispersion and fragmentation in the Hetao irrigation district of northwest China in recent years. This study aims to quantify the effects of duration and characteristic variables on the recognition accuracy of remote sensing for land use types. A decision-tree model was also established to classify the land use types using the integrated band reflectance, spectral index, and texture feature of different periods based on Landsat time-series image data. The model was finally verified by the measured data and Google Earth images from the quantitative structure and spatial layout. The specific procedure was as follows. Firstly, the characteristic variables were extracted from the Landsat time-series images of different periods, including the features of band, spectra, and texture. Principal Component Analysis (PCA) was selected to extract the feature factors. Only a few independent variables were selected from multiple variables or factors, aiming to fully reflect the information of more original indexes. Secondly, seven schemes were constructed using the characteristic factors, including three single-category schemes (Scheme 1 to 3), and four combined-category schemes (Scheme 4 to 7). Finally, a classification model of land use was constructed and then verified in different periods via the decision tree. The results showed that: 1) The highest repetition rate was found in the Green and Ent (entropy) with other factors in different months. The correlation between Normalized Differential Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI) was much higher to be selected in future research. 2) The combined feature variables greatly improved the accuracy of classification, where the average overall accuracy and Kappa coefficient increased by 6.72% and 0.09, respectively, compared with the single feature variable. 3) There were some effects of different recognition periods on the accuracy of the model. The accuracy of the classification model in the band, spectral index, and texture feature using remote sensing images in August was better than that of other periods, where the misclassification was reduced on the spatial layout of unused and residential land. Specifically, the overall accuracy, Kappa coefficient, producer accuracy, and user accuracy were 80.23%, 0.74%, 80.95%, and 86.26%, respectively. Correspondingly, the best identification period was August in the study area, followed by September. 4) The optimal remote-sensing model was utilized to identify the agricultural land, forest, grassland, wasteland, water bodies, and build-up land under the optimal recognition period and combination, where the high accuracies were achieved: 96.83%, 73.33%, 70.00%, 65.52%, 100.00%, and 80.00%, respectively. In addition, the user accuracies were 76.62%, 100.00%, 82.35%, 82.61%, 100.00%, and 80.00%, respectively. In a word, the feature optimal decision-tree model under the optimal identification period significantly reduced the amount of data and the difficulty of model application, particularly suitable for the long-time and spatial changes of land use types. The finding can provide promising technical support to effectively improve the accuracy of land use classification in modern resource management.

land use; remote sensing; spectral features; texture features; optimal identification period; combination method; decision tree

孫亞楠，李仙岳，史海濱，等. 基于特征優(yōu)選決策樹(shù)模型的河套灌區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(13)：242-251.

10.11975/j.issn.1002-6819.2021.13.028 http://www.tcsae.org

Sun Yanan, Li Xianyue, Shi Haibin, et al. Classification of land use in Hetao Irrigation District of Inner Mongolia using feature optimal decision trees[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(13): 242-251. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.13.028 http://www.tcsae.org

2021-04-08

2021-06-02

國(guó)家自然科學(xué)基金項(xiàng)目（51539005）；內(nèi)蒙古水利科技重大專項(xiàng)（NSK2017-M1）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFC0400205）

孫亞楠，博士生，主要研究方向?yàn)楦珊祬^(qū)農(nóng)業(yè)遙感與應(yīng)用。Email：995021096@qq.com

李仙岳，教授，博士生導(dǎo)師，主要研究方向?yàn)楦珊倒?jié)水灌溉及鹽堿地改良。Email：lixianyue80@126.com

10.11975/j.issn.1002-6819.2021.13.028

S127

A

1002-6819(2021)-13-0242-10