李坤玉， 王雪梅， 李銳， 李頓

新疆師范大學(xué)地理科學(xué)與旅游學(xué)院 / 新疆干旱區(qū)湖泊環(huán)境與資源實(shí)驗(yàn)室，新疆 烏魯木齊 830054

土地利用信息在國(guó)土空間規(guī)劃、自然資源保護(hù)以及氣候變化研究等領(lǐng)域起著至關(guān)重要的作用，為可持續(xù)發(fā)展工作的開展提供信息保障（朱永森等，2017）。利用遙感技術(shù)不僅可以大規(guī)模地調(diào)查土地利用現(xiàn)狀，又能夠監(jiān)測(cè)和獲取土地利用變化等信息（舒彌等，2022）。隨著遙感技術(shù)的快速發(fā)展，遙感影像數(shù)據(jù)被廣泛地用于土地利用分類的研究。歐空局于2015 年發(fā)布的Sentinel-2 數(shù)據(jù)具有高時(shí)空分辨率以及豐富的光譜信息，被廣泛用于土地利用分類研究中。但由于影像存在同物異譜和同譜異物現(xiàn)象，僅利用衛(wèi)星影像的光譜信息進(jìn)行土地利用分類很難達(dá)到較高的精度（陳媛媛等，2022）。隨著大量的輔助數(shù)據(jù)開放可用，許多研究試圖通過結(jié)合衛(wèi)星數(shù)據(jù)和輔助數(shù)據(jù)來提高土地利用分類的準(zhǔn)確性（Tomá? et al.，2018）。將輔助特征與遙感數(shù)據(jù)相結(jié)合以提高區(qū)域和全球尺度的分類精度已經(jīng)成為40 年來人們關(guān)注的話題（Phiri et al.，2017）。李恒凱等（2021）在探討加入地形特征和雷達(dá)特征對(duì)南方丘陵山地土地利用分類信息提取的作用時(shí)得出，加入雷達(dá)特征和地形特征均有助于提高分類精度，其中加入地形特征更有助于耕地和園地的提?。粡垇砑t等（2023）對(duì)Sentinel-2 和Landsat 數(shù)據(jù)從光譜指數(shù)特征、紋理特征、地形特征3個(gè)方面構(gòu)建多維特征集進(jìn)行土地利用分類，得出融入光譜指數(shù)特征、地形特征能夠有效提高土地利用分類模型的精度。Hurskainen et al.（2019）在研究免費(fèi)開放的地理信息數(shù)據(jù)對(duì)面向?qū)ο笸恋乩梅诸惥鹊挠绊憰r(shí)得出，地形特征、土壤特征可顯著提高土地利用分類精度。

雖然輔助特征可以提高土地利用分類的準(zhǔn)確性，但是可用的免費(fèi)開放的地理空間數(shù)據(jù)有限，需要從多個(gè)來源請(qǐng)求獲得。谷歌地球引擎（GEE，Google Earth Engine）提供了一個(gè)強(qiáng)大的地理空間計(jì)算分析遙感云平臺(tái)，并可以直接調(diào)用衛(wèi)星影像和各種類型的地理空間數(shù)據(jù)集。使用GEE 可進(jìn)行影像分割，其主要支持3種遙感影像分割算法，包括K-means、G-means 和SNⅠC 算法。其中，SNⅠC 算法占用內(nèi)存小，運(yùn)行速度最快，而且可以通過設(shè)置參數(shù)來控制分割效果，該算法已成為國(guó)內(nèi)外影像分割的熱點(diǎn)算法（Tassi et al.，2020）。劉通等（2022）、毛麗君等（2021）等使用SNⅠC 分割算法均得到了較好的分割效果，然后結(jié)合RF 算法進(jìn)行分類后均得到了較高分類精度，有效地提高了土地利用分類結(jié)果的準(zhǔn)確性。以往許多利用輔助特征提高高分辨率衛(wèi)星圖像分類精度的研究是基于像素的分類上，而較少關(guān)注基于對(duì)象的分類（Frank‐lin，2018）。同時(shí)，國(guó)內(nèi)在研究輔助數(shù)據(jù)對(duì)分類精度的影響中，研究土壤特征對(duì)提高分類精度有效性的實(shí)驗(yàn)較少。因此，本研究基于GEE 平臺(tái)調(diào)用Sentinel-2高分辨率影像，利用SNⅠC 分割算法對(duì)影像進(jìn)行圖像分割，結(jié)合雷達(dá)特征、光譜指數(shù)特征、土壤特征以及地形特征，使用RF 算法進(jìn)行面向?qū)ο蟮耐恋乩梅诸?，得出最?yōu)輔助數(shù)據(jù)集，然后進(jìn)行特征重要性評(píng)價(jià)，得出貢獻(xiàn)率最高的輔助特征，最后使用CART算法驗(yàn)證結(jié)論，使得研究結(jié)果更具可靠性，為后續(xù)更好地進(jìn)行土地利用分類工作提供技術(shù)參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

博湖縣位于新疆維吾爾自治區(qū)中部，經(jīng)緯度41°33′～42°14′N，86°19′～87°26′E，隸屬于新疆巴音郭楞蒙古自治州，天山南麓，區(qū)域海拔為1 037～2 529 m，南北兩端地勢(shì)較高，呈蝶狀谷地，因其境內(nèi)有中國(guó)最大的內(nèi)陸淡水湖博斯騰湖而得名。該研究區(qū)氣候溫和濕潤(rùn)，光照充足，年均氣溫9.3 ℃，年降水量為79.6 mm，年均相對(duì)濕度為62%，有“濕島效應(yīng)”，適合農(nóng)業(yè)以及畜牧業(yè)的發(fā)展。博斯騰湖分布在該縣東北部，湖泊面積較大，占博湖縣總面積的43.2%，為當(dāng)?shù)禺a(chǎn)業(yè)發(fā)展提供豐富的水資源；耕地資源豐富，種植作物主要有小麥、玉米、棉花、辣椒等；分布在博斯騰湖西岸的蘆葦區(qū)是全國(guó)4大葦區(qū)之一；區(qū)域南部未利用地集中，有少量片狀耕地。博湖縣土地利用類型多樣，具有典型代表性（圖1）。

圖1 研究區(qū)位置示意圖及其假彩色影像Fig.1 Sketch map for the study area and false color imagery

1.2 數(shù)據(jù)源及預(yù)處理

高分辨率影像對(duì)于區(qū)域較小的土地利用分類研究是最佳數(shù)據(jù)源。本文采用多光譜高分辨率影像Sentinel-2 數(shù)據(jù)作為主要遙感信息進(jìn)行分類。通過GEE 平臺(tái)加載2022 年7 月20～23 日云層覆蓋率小于7%的Sentinel-2 L2A 圖像，選擇4個(gè)空間分辨率為10 m 和6 個(gè)空間分辨率為20 m 的10 個(gè)波段作為原始影像數(shù)據(jù)，并對(duì)其進(jìn)行拼接、裁剪以及云掩膜等處理生成博湖縣無云影像。本文結(jié)合了衛(wèi)星數(shù)據(jù)和輔助數(shù)據(jù)集來提高土地利用分類的精度和準(zhǔn)確性，使用的分類特征包括光譜、雷達(dá)、光譜指數(shù)、土壤和地形特征（如表1）。

表1 土地利用分類特征Table 1 The features in the land use classfication

光譜特征是在Sentinel-2 影像中選取10 個(gè)波段及其主成分的中值作為分類特征，包括藍(lán)、綠、紅3 個(gè)可見光波段（B2-B4）、近紅外波段（B8）、3個(gè)紅邊波段（B5-B7）、Narrow NⅠR 波段（B8A）以及2個(gè)短波紅外波段（B11、B12）。有研究表明，波段的主成分（PC，principal component）可以提高土地利用的分類精度（Pareeth et al.，2019）。雷達(dá)特征是從Sentinel-1 影像獲取的ⅤⅤ、ⅤH 兩個(gè)極化波段。光譜指數(shù)特征是在GEE 平臺(tái)使用Sentinel-2 影像波段計(jì)算得出8個(gè)指數(shù)的中值，包括歸一化植被指數(shù)（NDⅤⅠ，normalized difference vegetation in‐dex）、歸一化水體指數(shù)（NDWⅠ，normalized differ‐ence water index）、建筑用地指數(shù)（ⅠBⅠ，indexbased built-up index）、比值植被指數(shù)（RⅤⅠ，ratio vegetation index）、土壤調(diào)節(jié)植被指數(shù)（SAⅤⅠ，soiladjusted vegetation index）、差值植被指數(shù)（DⅤⅠ，difference vegetation index）、裸土指數(shù)（BSⅠ，bare soil index）和紅邊位置指數(shù)（REP，red edge position index），光譜指數(shù)計(jì)算公式如表2 所示。土壤特征是在GEE 平臺(tái)調(diào)用OpenLandMap 提供的250 m 分辨率的表層土壤有機(jī)碳含量、土壤含水量、粘土含量、土壤容重、土壤pH 值5 個(gè)特征，并對(duì)其進(jìn)行重采樣。地形特征是利用GEE 平臺(tái)調(diào)用30 m 分辨率的DEM 數(shù)據(jù)計(jì)算得出，包括高程、坡度和坡向數(shù)據(jù)，該數(shù)據(jù)集需重采樣為10 m。

表2 光譜指數(shù)及其計(jì)算公式Table 2 Spectral indices and calculation formula

2 研究方法

2.1 分類體系建立及樣本點(diǎn)選取

參照國(guó)家土地利用分類標(biāo)準(zhǔn)《GB/T21010-2017》，結(jié)合Google Earth 影像，充分了解研究區(qū)景觀地貌特征，綜合考慮研究區(qū)地物分布的整體性以及遙感影像的可分性，將研究區(qū)土地利用類型分為8 種類型：種植耕地、已收獲耕地、林地、草地、蘆葦濕地、建設(shè)用地、水域以及未利用地。通過實(shí)地調(diào)查以及參考高空間分辨率的Google Earth 影像和Sentinel-2 影像，結(jié)合歐空局提供的10 m 分辨率的土地利用分類數(shù)據(jù)進(jìn)行目視解譯，采集具有代表性的730個(gè)樣本點(diǎn)，其中包括種植耕地132 個(gè)、已收獲耕地83 個(gè)、林地75 個(gè)、草地49個(gè)、蘆葦濕地103個(gè)、建設(shè)用地100個(gè)、水域69個(gè)以及未利用地119個(gè)，分別從每個(gè)地類中隨機(jī)選取70%的樣本點(diǎn)作為訓(xùn)練樣本，選取30%的樣本點(diǎn)作為驗(yàn)證樣本。這8 種土地利用類型的分類體系、影像細(xì)節(jié)特征以及每種地類訓(xùn)練樣本和驗(yàn)證樣本數(shù)量如表3所示。

表3 土地利用分類體系和影像特征Table 3 Land-use classification systems and imagery features

2.2 SNⅠC分割算法

簡(jiǎn)單非迭代聚類（SNⅠC，simple non-iterative clustering）是基于簡(jiǎn)單線性迭代聚類（SLⅠC，sim‐ple linear iterative clustering）算法改進(jìn)的最新的超像素分割算法（Achanta et al.，2017），改變了SLⅠC算法占用內(nèi)存大、運(yùn)算速度慢的特點(diǎn)，可以更快速地生成超像素（岳巍等，2022）。SNⅠC 算法是用戶通過設(shè)置5個(gè)參數(shù)控制分割結(jié)果，包括影像、緊湊度、連通性、鄰域尺寸和種子大小。參數(shù)設(shè)置基于重復(fù)迭代，并結(jié)合視覺進(jìn)行評(píng)價(jià)。影像是指參與分割的影像。緊湊度是指分割后對(duì)象的規(guī)整程度，數(shù)值越大，每個(gè)對(duì)象的形狀越規(guī)整，越接近于正方形。連通性是指像元的鄰接性，參數(shù)一般設(shè)置為4或8，表示4連通或8連通。鄰域尺寸表示鄰域范圍，通常設(shè)置為256。種子大小是指聚類中心的間隔，數(shù)值越大，種子點(diǎn)之間的間隔越大，分割得到的對(duì)象越大。其中緊湊度和種子大小對(duì)結(jié)果的影響比較大，需要根據(jù)地物的實(shí)際情況進(jìn)行設(shè)置。

2.3 土地利用分類模型

為了比較融入不同輔助數(shù)據(jù)集對(duì)土地利用分類精度以及結(jié)果準(zhǔn)確性的影響，本文構(gòu)建了6種融入不同輔助數(shù)據(jù)集的土地利用分類模型，如表4所示。在6 種分類模型中，M1 模型是基于對(duì)象的光譜特征分類模型；M2 模型除了光譜特征以外，還結(jié)合了雷達(dá)特征；M3 模型則綜合了光譜特征和光譜指數(shù)特征進(jìn)行土地利用分類；M4 模型是在光譜特征的基礎(chǔ)上結(jié)合了土壤特征進(jìn)行影像分類；M5模型則是基于對(duì)象的光譜特征與地形特征的分類；M6 模型融入了光譜特征、雷達(dá)特征、光譜指數(shù)特征、土壤特征和地形特征這5種輔助數(shù)據(jù)集進(jìn)行研究區(qū)土地利用分類。

表4 土地利用分類模型Table 4 Models used in this study for LULC classification

2.4 土地利用分類方法

隨機(jī)森林（RF，random forest）是Breiman（2001）提出的一種機(jī)器學(xué)習(xí)方法，是一種基于決策樹的分類器。隨機(jī)森林分類器的構(gòu)建主要涉及兩個(gè)方面：隨機(jī)選擇樣本和隨機(jī)選擇特征。使用Boot‐strap 重抽樣方法從原始樣本中有放回地抽取大約2/3 的樣本用于對(duì)當(dāng)前決策樹模型進(jìn)行訓(xùn)練，抽取剩余的樣本作為對(duì)隨機(jī)森林模型進(jìn)行分類性能評(píng)估的袋外數(shù)據(jù)（OOB，out-of-bag），計(jì)算該模型的預(yù)測(cè)錯(cuò)誤率，該錯(cuò)誤率被稱為袋外誤差?；赗F分類器進(jìn)行分類的基本思想是先使用Bootstrap 重抽樣方法從原始訓(xùn)練集中抽取m個(gè)樣本，每個(gè)樣本的容量與原始訓(xùn)練集一致，然后給m個(gè)樣本建立m個(gè)決策樹模型，得出m種分類結(jié)果，最后通過投票得到最終的分類或預(yù)測(cè)結(jié)果。有大量研究表明，RF 算法在土地利用分類中具有較高的分類精度（匡開新等，2023），同時(shí)削弱了過擬合現(xiàn)象，有效地提高了分類器的泛化能力。本研究使用RF算法進(jìn)行土地利用分類研究。

分類回歸樹（CART，classification and regres‐sion tree）是一種以二叉樹為邏輯結(jié)構(gòu)，用于完成線性回歸任務(wù)的決策樹，使用預(yù)定義的閾值工作。該決策樹使用基尼系數(shù)劃分屬性，一個(gè)數(shù)據(jù)集的純度可用基尼系數(shù)來衡量，基尼系數(shù)越小，數(shù)據(jù)集的純度越高（劉睿等，2021）。本文使用CART算法來驗(yàn)證結(jié)論的通用性和可靠性。

2.5 精度評(píng)價(jià)

為了評(píng)價(jià)分類的結(jié)果，往往需要使用驗(yàn)證樣本進(jìn)行檢驗(yàn)。生產(chǎn)者精度（PA，producer’s accuracy）、用戶精度（UA，user’s accuracy）、總體精度（OA，overall accuracy）和Kappa 系數(shù)是最常用的檢驗(yàn)指標(biāo)。在面向?qū)ο蠓诸愔校琍A 指分類器將整個(gè)影像的所有對(duì)象正確分為某類的對(duì)象數(shù)與該類真實(shí)參考總數(shù)的比率，UA 指正確分到某類的對(duì)象總數(shù)與分類器將整個(gè)影像的對(duì)象分為該類的對(duì)象總數(shù)比率，OA 指被正確分類的對(duì)象總和與總對(duì)象數(shù)的比率，Kappa系數(shù)是用于一致性檢驗(yàn)的指標(biāo)，用來衡量分類的效果，其計(jì)算是基于混淆矩陣的（吳靜波，2018），Kappa取值在-1～1之間，一般＞0，

其中N為用于精度評(píng)價(jià)的對(duì)象數(shù)；Xij為混淆矩陣中第i行第j列的對(duì)象數(shù)；Xi+為第i行的總對(duì)象數(shù)，X+j為第j列的總對(duì)象數(shù)。

2.6 特征重要性評(píng)價(jià)

使用隨機(jī)森林進(jìn)行特征重要性評(píng)估的基本思想是計(jì)算每個(gè)特征在隨機(jī)森林中的每棵樹中作出的貢獻(xiàn)，求其平均值，最后比較特征之間的貢獻(xiàn)大小，貢獻(xiàn)值通常用袋外數(shù)據(jù)錯(cuò)誤率來衡量（吳靜波等，2018）。在隨機(jī)森林算法中某個(gè)特征X重要性的計(jì)算方法如下：首先對(duì)于隨機(jī)森林中的每一顆決策樹，使用相應(yīng)的OOB 數(shù)據(jù)來計(jì)算它的袋外數(shù)據(jù)誤差，記為OOBerr1；其次隨機(jī)地對(duì)袋外數(shù)據(jù)OOB 所有樣本的特征X加入噪聲干擾，再計(jì)算它的袋外數(shù)據(jù)誤差，記為OOBerr2；最后假設(shè)隨機(jī)森林中有Ntree棵樹，計(jì)算特征X的重要性

若給某個(gè)特征隨機(jī)加入噪聲之后，袋外數(shù)據(jù)的準(zhǔn)確率大幅度降低，則說明這個(gè)特征對(duì)于樣本的分類結(jié)果影響很大，表明它的重要程度比較高。

3 結(jié)果與分析

3.1 分割參數(shù)確定

面向?qū)ο笸恋乩梅诸愋Ч暮脡呐c影像分割結(jié)果有密切關(guān)系。SNⅠC 分割算法需要設(shè)置5 個(gè)參數(shù)控制圖像分割效果，連通性與鄰域尺度分別設(shè)置為8、256。使用控制變量法，對(duì)分割結(jié)果影響較大的緊湊度和種子大小選取6 組參數(shù)進(jìn)行影像分割實(shí)驗(yàn)，并對(duì)分割結(jié)果進(jìn)行目視判讀，確定合適取值。圖2（a-f）表示使用SNⅠC 分割算法對(duì)影像進(jìn)行分割的局部結(jié)果，其中圖2（a-d）的緊湊度取值為0，種子大小取值分別為10、13、17和20，圖2（e-f）的種子大小取值為17，緊湊度取值分別為1 和2。對(duì)比圖2（a-b）可以發(fā)現(xiàn)種植耕地、林地、建設(shè)用地、水域存在過分割現(xiàn)象；圖2（c）建設(shè)用地分割效果較好，種植耕地、林地、水域過分割現(xiàn)象有所減緩，整體分割效果較好；圖2（d）中建設(shè)用地存在欠分割現(xiàn)象。將圖2（c）與圖2（e-f）對(duì)比可以發(fā)現(xiàn)，圖2（e-f）邊界貼合度不高。從圖2（c）可以看出，種植耕地、水域仍有少量過分割現(xiàn)象的存在，過度分割會(huì)產(chǎn)生大量的對(duì)象，通常分割對(duì)象越多，地物分割越精細(xì)，分類精度越高，與此同時(shí)需要更多的計(jì)算時(shí)間，本文中使用GEE 云平臺(tái)，它可以為數(shù)據(jù)處理工作提供強(qiáng)大的數(shù)據(jù)分析平臺(tái)，因此不必考慮計(jì)算時(shí)間成本。雖然圖像分割結(jié)果中存在少量過分割現(xiàn)象，但是對(duì)研究目標(biāo)和結(jié)論影響不大。綜上所述，分割效果最好的是圖2（c），最終選取的圖像分割參數(shù)為：種子大小為17，緊湊度為0。

圖2 局部區(qū)域不同分割參數(shù)的圖像分割結(jié)果Fig.2 Ⅰmage segmentation results with different segmentation parameters in the local area

3.2 融入不同輔助數(shù)據(jù)集分類結(jié)果比較

基于最優(yōu)分割參數(shù)的選擇結(jié)果，融入各類輔助數(shù)據(jù)集，進(jìn)行2022 年7 月新疆博湖縣土地利用分類，得到不同模型的土地利用分類結(jié)果（圖3）。在6 個(gè)分類模型中，精度最低的是基于模型M1 的分類結(jié)果，總體分類精度OA=84.82%，Kappa=0.82，精度最高的是基于模型M6 的分類結(jié)果，分類精度OA=92.34%，Kappa=0.91。

圖3 基于6個(gè)分類模型的分類結(jié)果展示Fig.3 Display of classification results based on 6 classification models

由圖3 可知，模型M1～M3 的分類效果沒有模型M4～M6 的分類準(zhǔn)確性高，與表5 的分類精度結(jié)果一致。整體上，M1～M3有明顯的錯(cuò)分現(xiàn)象，M1中將研究區(qū)南部少量未利用地錯(cuò)分為已收獲耕地和建設(shè)用地，博斯騰湖西岸部分蘆葦濕地錯(cuò)分為種植耕地；M2 和M3 在研究區(qū)的南部未利用地均有錯(cuò)分為建設(shè)用地的現(xiàn)象。M4～M6 整體分類效果較好，破碎現(xiàn)象較少，與博湖縣土地用地整體情況相符。說明僅使用Sentinel-2 影像的光譜特征進(jìn)行土地利用分類時(shí)，分類的OA 和Kappa 系數(shù)最低，分別為84.82%和0.82；當(dāng)加入雷達(dá)、光譜指數(shù)、土壤和地形特征后，OA 均有所提高，加入地形特征后分類精度提高最為明顯，OA 提高了6.22%，Kappa系數(shù)提高了0.08，說明加入這4種輔助數(shù)據(jù)集中的任意一個(gè)特征數(shù)據(jù)集均有助于提高分類的整體準(zhǔn)確性，其中地形特征對(duì)提高分類的整體精度起著最重要的作用。融入所有輔助數(shù)據(jù)集的模型M6 分類精度最高，OA 和Kappa 系數(shù)分別為92.34%和0.91，各類地物均能夠得到較好的區(qū)分，較其余5個(gè)分類模型來說分類效果最佳。

表5 不同分類模型的分類精度結(jié)果Table 5 Accuracy results for different classification models

選擇所含地物類型較為豐富的3 個(gè)典型區(qū)域，對(duì)比分析不同地物類型在不同分類模型中的分類結(jié)果（圖4）以及結(jié)合Sentinel-2 影像可以發(fā)現(xiàn)，對(duì)博湖縣進(jìn)行土地利用分類的誤差主要來源于種植耕地、林地、草地與蘆葦濕地的誤分以及建設(shè)用地和未利用地的誤分，這主要是由于其光譜特征相似，會(huì)出現(xiàn)異物同譜或同譜異物的現(xiàn)象，在這種情況下可以借助光譜以外的輔助特征，有助于豐富分類所需的有用信息，從而提高土地利用分類的準(zhǔn)確性。

圖4 不同分類模型的典型區(qū)域分析Fig.4 Typical area analysis of different classification models

基于6 種分類模型的8 種地類的PA 和UA 如表5 所示。模型M2 加入雷達(dá)特征后，林地、草地、蘆葦濕地的分類精度均顯著提高，這是因?yàn)槲⒉ū裙獠芨畹卮┩钢参?，?duì)植被散射體的形狀、結(jié)構(gòu)較為敏感，可以更好地區(qū)分植被類型。同時(shí)也可以看出建設(shè)用地和未利用地的分類精度均有所提高，說明雷達(dá)特征也有利于區(qū)分建設(shè)用地和未利用地。模型M3 加入了4 個(gè)植被指數(shù)、1 個(gè)紅邊指數(shù)、1 個(gè)水體指數(shù)、1 個(gè)建筑指數(shù)和1 個(gè)裸土指數(shù)，與模型M1 相比，所有植被類型的土地利用分類精度均得到提高，其中蘆葦濕地精度提高最多，PA 提高了12.37%，UA 提高了13.04%，說明植被特征以及紅邊指數(shù)特征對(duì)于區(qū)分不同植被類型起著重要作用。模型M4 加入了土壤特征，由于耕地的土壤特征相似，所以不同耕地類型不易區(qū)分，因此種植耕地與已收獲耕地的分類精度相對(duì)于其他地物來說較低；其他地物的土壤屬性區(qū)分較為明顯，所以較于M1 分類精度均有所提高。模型M5 加入地形特征后，各地類的分類精度有明顯提升，種植耕地和草地，以及建設(shè)用地和未利用地的區(qū)分更為容易，這與博湖縣地形南北高、中間低有關(guān)，草地和未利用地主要分布在南部海拔較高的地區(qū)，種植耕地和建設(shè)用地主要分布在中西部平原區(qū)。對(duì)表5 中模型M6 與M1 分類結(jié)果進(jìn)行比較可以看出，除水域以外，每種地物的土地利用分類精度均有較大程度的提高。對(duì)比圖4中局部區(qū)域的分類結(jié)果圖，也可以看出模型M6 的分類效果相較于其他模型也達(dá)到最佳，消除了種植耕地與蘆葦濕地、種植耕地與林地、建設(shè)用地和未利用地的誤分，分類細(xì)節(jié)也與遙感影像更為契合。水域分類效果均較好，在6個(gè)模型中其分類精度均在90%以上。

3.3 特征重要性評(píng)價(jià)

基于RF 算法融入所有輔助數(shù)據(jù)集的土地利用分類精度最高，使用基于RF 算法的袋外誤差來衡量每種特征的重要性值，圖5 為本文38 個(gè)特征的重要性排序。

圖5 特征重要性評(píng)價(jià)Fig.5 Feature importance evaluation

由圖5可以看出，對(duì)分類結(jié)果影響最大的是高程特征，西北地區(qū)復(fù)雜的地形特征對(duì)于土地利用類型的識(shí)別至關(guān)重要。ⅤH 極化特征的重要性居于第2位，該區(qū)植被類型較多，能更深穿透植物的微波可以更好地識(shí)別不同的植被類型。緊接著即為土壤特征包括表層土壤有機(jī)碳含量以及表層土壤含水量，西北干旱區(qū)不同地類的土壤特征存在較大差異，因此依據(jù)不同土壤特征區(qū)分地物類型是有效的。其次就為波段B10 的主成分中值和波段B5 的主成分中值，Sentinel-2 影像波段重要性最大的是B8 波段，因?yàn)榻t外波段對(duì)葉綠素的反射效果好，在標(biāo)準(zhǔn)假彩色影像中植被呈現(xiàn)紅色，植被越密集，紅色越深，植被類型不同其密集度也不同，可更好地識(shí)別該區(qū)域不同的植被類型。光譜指數(shù)特征重要性最大的是RⅤⅠ指數(shù)，因?yàn)樵撝笖?shù)可以更好地反應(yīng)植被生長(zhǎng)的健康狀況。坡向特征對(duì)土地利用分類的貢獻(xiàn)率最低，說明該區(qū)域坡向變化不大。ⅠBⅠ指數(shù)的貢獻(xiàn)率位于倒數(shù)第2 位，因?yàn)樵搮^(qū)域的建筑用地較少，而植被、水域和裸地面積較大，相對(duì)于植被光譜指數(shù)、水體指數(shù)和裸地指數(shù)來說，建筑用地指數(shù)對(duì)于該區(qū)域的土地利用分類結(jié)果貢獻(xiàn)率較小。由此可看出，特征重要性的大小主要與研究區(qū)域的地物分布特征有關(guān)。

3.4 分類方法驗(yàn)證

從以上分析可以得出，采用面向?qū)ο蟮腞F 算法進(jìn)行土地利用分類時(shí)，將光譜數(shù)據(jù)與輔助數(shù)據(jù)結(jié)合可以有效地提高土地利用分類精度，結(jié)合雷達(dá)、光譜指數(shù)、土壤、地形特征分類精度依次提高，當(dāng)融入所有輔助數(shù)據(jù)集時(shí)分類精度達(dá)到峰值。使用CART算法驗(yàn)證結(jié)論的通用性和可靠性。在對(duì)比實(shí)驗(yàn)中，基于CART的分類模型所使用的特征與基于RF的分類模型相同?；赗F和CART算法分類的OA 和Kappa 系數(shù)如圖6 所示，圖6（a）為基于RF 和CART 算法分類的OA，圖6（b）為基于RF 和CART 算法分類的Kappa 系數(shù)。基于CART 算法的分類結(jié)果表明，隨著輔助特征數(shù)量的增加，OA 和Kappa系數(shù)均有所提高，融入雷達(dá)、光譜指數(shù)、土壤、地形以及所有輔助特征的分類精度依次提高，與基于RF 算法的分類結(jié)果規(guī)律一致，通過對(duì)比基于兩種算法的分類精度可以看出，基于RF 算法的分類精度更高。

圖6 不同分類模型基于RF、CART算法分類的分類精度比較Fig.6 Comparison of classification accuracy of different classification models based on RF and CART algorithms

4 討 論

面向?qū)ο蟮淖顑?yōu)輔助數(shù)據(jù)集的選取可提高分類精度的同時(shí)避免了基于像素分類時(shí)出現(xiàn)的“鹽胡椒”現(xiàn)象，使分類結(jié)果不僅具有較高的分類精度，視覺上也更美觀，強(qiáng)化了分類結(jié)果中每個(gè)地物的整體性，為下一步開展基于土地利用分類結(jié)果的應(yīng)用型研究提供更好的分類效果。研究基于遙感云平臺(tái)對(duì)Sentinel-2影像使用SNⅠC分割算法進(jìn)行影像分割，并結(jié)合RF 分類器進(jìn)行土地利用分類，OA＞84%，Kappa＞0.82，說明分類精度均較高。Djerriri et al.（2020）證明了基于SNⅠC 聚類結(jié)合RF 分類器對(duì)Sentinel-2 圖像進(jìn)行分類的面向?qū)ο蠓诸惙椒ň哂休^大優(yōu)勢(shì)，可以得到較好分類效果，說明選用的分類方法可靠性較高。分類時(shí)使用光譜信息并融入雷達(dá)、光譜指數(shù)、土壤和地形特征均可以提高分類精度，其中地形特征對(duì)提高分類精度效果最顯著。Qu et al.（2021）結(jié)合輔助數(shù)據(jù)集進(jìn)行土地利用分類，得出在面向?qū)ο蠓诸愔械匦翁卣鲗?duì)提高分類精度的影響最大，本文也得出該結(jié)論。除了地形特征，土壤特征對(duì)提高土地利用分類效果也有較大貢獻(xiàn)，國(guó)內(nèi)融入土壤特征提高土地利用分類精度的研究較少，而國(guó)外較多且認(rèn)為土壤特征有利于提高分類精度（Ouma et al.，2022），因此研究中加入了土壤特征，探究其對(duì)提高土地利用分類精度的影響，與已有研究結(jié)論一致。研究中使用的輔助數(shù)據(jù)集表現(xiàn)出在景觀異質(zhì)性地區(qū)提高土地利用分類精度的重要潛力，下一步工作考慮研究探索更多的輔助數(shù)據(jù)集對(duì)分類結(jié)果的影響，如紋理特征、物候特征、水源距離等，并在不同的地形條件下研究輔助特征最優(yōu)組合的異同。

5 結(jié) 論

本文借助GEE 平臺(tái)使用SNⅠC 分割算法，融入輔助數(shù)據(jù)集構(gòu)建了基于RF 算法的面向?qū)ο笸恋乩梅诸惖?個(gè)分類模型，對(duì)博湖縣的土地利用進(jìn)行分類研究，得出以下結(jié)論：

1） 使用GEE 平臺(tái)的SNⅠC 分割算法，通過控制變量法、參數(shù)迭代設(shè)置以及目視判讀法得出最優(yōu)分割參數(shù)，對(duì)分割結(jié)果影響較大的兩個(gè)參數(shù)分別設(shè)置為種子大小為17、緊湊度為0，該分割參數(shù)對(duì)該研究區(qū)影像分割效果最好，有利于進(jìn)行下一步的分類研究。

2） 輔助特征包括雷達(dá)、光譜指數(shù)、土壤、地形均可以提高土地利用分類精度，將Sentinel-2 影像的波段特征數(shù)據(jù)與這些輔助數(shù)據(jù)相結(jié)合進(jìn)行土地利用分類，有效地提高了土地利用分類結(jié)果的準(zhǔn)確性，當(dāng)融入所有輔助特征時(shí)分類精度達(dá)到最高，OA=92.34%，Kappa=0.91，比僅使用光譜特征進(jìn)行分類的結(jié)果OA 提高了7.52%，Kappa 系數(shù)提高了0.09。當(dāng)只使用一種輔助數(shù)據(jù)集時(shí)，地形特征對(duì)提高土地利用分類精度的效果最好，土壤特征也起著重要作用。對(duì)所有輔助特征進(jìn)行重要性評(píng)價(jià)時(shí)，高程特征對(duì)提高分類精度的貢獻(xiàn)最大。

3） 使用RF 算法進(jìn)行實(shí)驗(yàn)，并使用CART 算法驗(yàn)證實(shí)驗(yàn)結(jié)論，均可得出融入雷達(dá)、光譜指數(shù)、土壤、地形特征都可以提高土地利用分類精度，并且分類精度依次提高，融入所有輔助數(shù)據(jù)集時(shí)分類精度達(dá)到最高。通過對(duì)比基于兩種算法的分類精度可以看出，基于RF 算法的分類精度更高，為基于土地利用分類結(jié)果進(jìn)行應(yīng)用型研究提供高精度的分類參考方法。