摘要：【目的】為發(fā)揮不同單分類器各自的優(yōu)勢進而采用集成學習方式提高土地覆蓋分類精度，據(jù)此比較不同土地覆蓋變化模擬模型性能從而執(zhí)行最優(yōu)的土地覆蓋變化預(yù)測，為土地資源合理開發(fā)與利用決策制定提供參考?！痉椒ā炕谀暇┦薪瓕巺^(qū)2000、2010和2020年的Landsat TM/OLI影像，結(jié)合研究區(qū)實際定義了水體、建筑、林地、草地、耕地和未利用地等6種土地覆蓋分類體系，在測試了最大似然法、馬氏距離法、最小距離法、神經(jīng)網(wǎng)絡(luò)和支持向量機等基分類器性能基礎(chǔ)上，采用隨機森林和證據(jù)理論2種不同的集成學習方法對5種基分類器的分類結(jié)果進行集成，比較了集成性能后構(gòu)建了最終的土地覆蓋分類結(jié)果。然后，基于2000和2010年的最優(yōu)集成土地覆蓋分類圖，運用CA-Markov、PLUS和ANN-CA模型分別對2020年研究區(qū)的土地覆蓋格局進行模擬，并將不同的模擬結(jié)果與2020年真實集成分類結(jié)果進行了空間一致性檢驗，以此確定土地覆蓋變化預(yù)測的最佳模型并用其預(yù)測2030年江寧區(qū)的土地覆蓋模式?！窘Y(jié)果】在單分類器分類結(jié)果中，2000年支持向量機算法取得了最佳分類效果，總體精度達到了88.75%，Kappa系數(shù)為0.77；2010年神經(jīng)網(wǎng)絡(luò)方法表現(xiàn)最佳，總體精度為88.75%，Kappa系數(shù)為0.83；2020年最大似然法取得了最佳分類效果，總體精度為82.75%，Kappa系數(shù)為0.74。在2種集成方法中，隨機森林在2000年取得了最佳集成分類效果，總體精度和Kappa系數(shù)分別為91.25%和0.85；證據(jù)理論在2010年取得了最佳集成效果，總體精度和Kappa系數(shù)分別為90.80%和0.86；隨機森林在2020年取得了最佳集成效果，總體精度和Kappa系數(shù)分別為93.75%和0.91。就土地覆蓋預(yù)測而言，PLUS模型獲得了98.54%的空間一致性。根據(jù)PLUS模型預(yù)測2030年土地覆蓋結(jié)果可知，江寧區(qū)各土地覆蓋類型變化較小，建設(shè)用地略有擴張但范圍有限，耕地稍減少但在可控范圍內(nèi)。林地、草地和未利用地變化較小，水體面積相對減少?！窘Y(jié)論】恰當?shù)募刹呗阅苊黠@改進土地覆蓋分類精度，合適的、適應(yīng)局部土地利用狀態(tài)和政策調(diào)控的預(yù)測模型可有效預(yù)測區(qū)域未來土地覆蓋分布模式，它們能為區(qū)域土地利用、城市管理決策等提供更可靠的方法和數(shù)據(jù)支持。

關(guān)鍵詞：Landsat 影像；地表特征；土地覆蓋分類；集成學習；土地覆蓋變化模擬

中圖分類號：S73；TP75"""""" 文獻標志碼：A開放科學（資源服務(wù)）標識碼（OSID）：

文章編號：1000-2006（2024）05-0255-12

Land cover classification and prediction based on multiple classifier ensemble learning

JIANG Lufan1， SU Huiyi1， ZHANG Yin1， LIU Qinqin1， ZHANG Xiaowei2， LI Mingshi1

（1. Co-Innovation Center for Sustainable Forestry in Southern China， College of Forestry and Grassland， Nanjing Forestry University， Nanjing 210037， China; 2. Zhejiang Forest Resources Monitoring Centre， Zhejiang Forestry Survey Planning and Design Company Limited， Hangzhou 310020， China）

Abstract： 【Objective】This study aims to exert the" respective advantages of individual base classifiers， different ensemble learning strategies were tested in the present study to improve the final land cover classification accuracy. On this basis， different land cover change simulation models were implemented and compared to obtain more accurate land cover projection results to provide references for formulating decisions of rational development and utilization of land resources in the future.【Method】Based on the Landsat Thematic Mapper （TM）/Operational Land Imager （OLI） images acquired in 2000， 2010" and 2020 covering Jiangning District of Nanjing City， the classification scheme， including water body， built-up land， forest land， grass land， crop land" and unused land， was defined by referring to relevant industry standards and the actual conditions of the study area. The land cover classification performances of five base classifiers， including the Maximum Likelihood Classifier， Mahalanobis Distance Classifier， Minimum Distance Classifier， Neural Network， and Support Vector Machine（SVM） Classifiers， were implemented and quantitatively evaluated， followed by an integrated combination of the five individual classification results using the" random forest algorithm and Dempster-Shafer （D-S） evidence theory. The final integrated classifications in 2000， 2010" and 2020 with higher overall accuracy were created after comparing the respective ensemble performances of the two algorithms. Based on the optimal integrated land cover classification maps in 2000 and 2010， the cellular automata （CA）-Markov model， PLUS model， and artificial neural network （ANN）-CA model were used to predict the land cover pattern of 2020 in the study area， and the prediction results of different models were compared with the real integrated classification results in 2020 to derive a spatial agreement index， determine the best model for land cover change simulation， and generate the projected land cover pattern of 2030 in Jiangning District.【Result】An independent validation showed that for a single base classifier， SVM algorithm achieved the best classification effect in 2000， with an overall accuracy at 88.75% and a Kappa coefficient of 0.77. In 2010， the neural network algorithm obtained the best classification effect， with an overall accuracy of 88.75% and a Kappa coefficient of 0.83. In 2020， the maximum likelihood algorithm had the best classification effect， with an overall accuracy of 82.75% and a Kappa coefficient of 0.74. Regarding the two ensemble methods， the random forest algorithm achieved the best integrated classification effect in 2000， with an overall accuracy of 91.25% and a Kappa coefficient of 0.85. The evidence theory process achieved the best integrated classification effect in 2010， with an overall accuracy and Kappa coefficient of 90.80% and 0.86， respectively. Moreover， the random forest algorithm achieved the best integrated classification effect in 2020， with an overall accuracy and Kappa coefficient of 93.75% and 0.91， respectively. Regarding land cover prediction， the PLUS model obtained a spatial agreement measure of 98.54%， outperforming the CA-Markov and ANN-CA models.According to the optimal prediction results in 2030 made by the PLUS model， there was a slight expansion of built-up land， but the extent was limited. The areal reduction in cropland was observed but within a controllable range. The changes in forest， grassland， and unused land were slight， while the water body was decreased.【Conclusion】Overall， the present study demonstrated that proper assemble learning strategies produce more accurate land cover classifications in contrast to a single base classifier. In addition， a suitable land cover change prediction or simulation model that adapts to local land use status and policy regulations effectively predicts the future land cover classification pattern. Thus， these strategies provide more reliable methods and data support for the development of land use and urban management decisions.

Keywords：Landsat imagery; surface features; land cover classification; assemble learning; land cover change simulation

土地覆蓋變化的方向和強度對城市規(guī)劃[1]、土地管理[2]、環(huán)境保護[3]和農(nóng)業(yè)估產(chǎn)[4]等具有基礎(chǔ)性的支撐作用，其客觀體現(xiàn)了綜合土地利用模式和一般自然特征，對人類社會的可持續(xù)發(fā)展具有重要指示意義[5]。利用精準、時效性強的土地覆蓋數(shù)據(jù)，監(jiān)管部門能夠更清晰地認識和評估土地資源利用現(xiàn)狀，從而制定出更有效、更有針對性的保護方案[6]。

傳統(tǒng)的土地覆蓋分類主要依賴人工實地調(diào)查，此方法費時費力且時效性差，已無法滿足當今大范圍土地資源的調(diào)查需求?；谟嬎銠C遙感圖像分類算法進行土地覆蓋分類能夠顯著提高大地域土地覆蓋分類效率及分類結(jié)果時效性。目前主流算法包括基于經(jīng)典統(tǒng)計理論的最小距離法[7]、最大似然法等[8]，基于機器學習的支持向量機[9]、決策樹[10]和神經(jīng)網(wǎng)絡(luò)[11]等。然而由于先驗知識缺乏、空間信息抽取能力不足、模型復雜度及訓練數(shù)據(jù)不夠完善等因素[12]，這些方法在一定程度上容易造成錯分、漏分的現(xiàn)象，導致分類精度不總能滿足實際應(yīng)用需求[13]。近年來，隨著深度學習的發(fā)展，其在遙感影像分類領(lǐng)域得到了一定程度的應(yīng)用[14-16]。但深度學習算法具有需要大量標注訓練數(shù)據(jù)、結(jié)果可解釋性低、算法執(zhí)行對計算機硬件要求高以及對操作者的技術(shù)挑戰(zhàn)度高等缺陷[17]，如何將之更科學合理應(yīng)用于土地覆蓋遙感分類領(lǐng)域還需進一步探索。

然而，基于多個分類器結(jié)果的集成學習已成為提高影像分類精度的一種有效解決方案[18]。集成學習通常是基于現(xiàn)有分類算法的分類結(jié)果，采用一定的組合策略對某一像元的類別歸屬做出共同的決定，從而達到最終分類效果大幅提升的目的[19]。比如，夏俊士等[20]詳細說明了多分類器組合方案：集成后的分類器因結(jié)合了單分類器的優(yōu)勢，突破了單一分類器精度與效率方面的局限，提高了分類結(jié)果的準確性。王震[21]以Landsat OLI影像數(shù)據(jù)為基礎(chǔ)，使用基于樣本聚類的分類器篩選方法，篩選出用于集成的個體分類器，并將其與投票法、最大概率類別法和意見一致性原則3種集成策略進行組合，形成一體化分類框架。實驗證明集成后分類器的分類精度要比單分類器的分類精度更高。龍飛等[22]基于高分二號遙感影像，

結(jié)合馬氏距離法、最大似然法和支持向量機3種分類方法，通過Dempster Shafer工具實現(xiàn)多分類器集成，對夾巖水利樞紐工程項目建設(shè)核心區(qū)進行土地覆蓋分類研究。Kumar等[23]研究表明，用于提取高光譜圖像的分層集成方法不僅產(chǎn)生了更優(yōu)越的分類結(jié)果，而且高度的自動化。Isaac等[24]使用Adaboosted Random Forest（ABRF）對多光譜衛(wèi)星或航空影像進行土地覆蓋分類研究，并通過優(yōu)化某一階段，以達到最佳性能。目前，有關(guān)多分類器集成的研究主要集中在：添加輔助信息的分類方法、改進的集成分類算法以及集成學習過程中權(quán)重選擇的不同方法等方面，不同集成策略在不同區(qū)域的應(yīng)用中的性能如何并未有統(tǒng)一的結(jié)論。

隨著城市化進程的加快和居民生活水平的提升，土地資源承受了巨大的壓力，并引發(fā)了一系列生態(tài)環(huán)境問題[25]。為此，對土地覆蓋模式進行模擬及預(yù)測不僅可以探索土地覆蓋的規(guī)律和趨勢，還能為未來土地資源的合理利用、生態(tài)環(huán)境保護以及政府決策提供合理的數(shù)據(jù)支撐和科學的參考依據(jù)[26]。

因此，本研究以江蘇省南京市江寧區(qū)Landsat TM/OLI影像為數(shù)據(jù)源，綜合考慮光譜特征、紋理特征及地形特征等，在執(zhí)行5種單分類器分類基礎(chǔ)上，評價隨機森林和證據(jù)理論2種多分類器集成算法在土地覆蓋分類性能方面的差異，在此基礎(chǔ)上，采用3種模型模擬江寧區(qū)2020年的土地覆蓋分類，將其與真實的土地覆蓋分類進行對比，選擇最優(yōu)模型預(yù)測江寧區(qū)2030年的土地覆蓋模式，以期為江寧區(qū)土地利用規(guī)劃、城市可持續(xù)管理等事務(wù)服務(wù)。

1 材料與方法

1.1 研究區(qū)概況

江寧區(qū)位于南京市中南部（118°31′～119°04′E，30°38′～32°13′N），南北長57 km，東西寬33" km，總面積1 561 km2（圖1）。該區(qū)屬于亞熱帶溫濕氣候，四季分明，雨水豐沛，光照充足。江寧區(qū)東與句容市接壤，東南與溧水區(qū)毗連，南與安徽省當涂縣銜接，西南與安徽省馬鞍山市相鄰，西與安徽省和縣及南京市浦口區(qū)隔江相望。江寧區(qū)地處長江中下游平原，境內(nèi)地貌復雜，有山、有圩，丘陵和平原相間，因此被稱為“六山一水三平原”。截至2020年，江寧區(qū)總面積、常住人口以及地區(qū)生產(chǎn)總值均列南京各區(qū)第一。

1.2 數(shù)據(jù)源及預(yù)處理

研究采用地理空間數(shù)據(jù)云（http：//www.gscloud.cn）提供的Landsat TM/OLI遙感影像，軌道號為120/038。選取了3個時期（2000、2010和2020年）的圖像，分類所用的波段為7個多光譜波段但不包括熱紅外波段，空間分辨率為30 m。3期圖像的云覆蓋率分別為0%、0.09%、1.81%。圖像采集時間為夏秋季，該時期植被茂盛，能夠降低落葉植被對土地覆蓋變化監(jiān)測的影響，更有利于地類解譯[27]。此外，采用對應(yīng)年份的Google Earth Pro的高分辨率歷史影像，結(jié)合已有的先驗知識進行目視解譯，以此獲取訓練數(shù)據(jù)和驗證數(shù)據(jù)集。分類前，利用軟件ENVI 5.3對TM/OLI影像進行預(yù)處理，包括輻射定標、大氣校正和圖像裁剪等。

利用ENVI 5.3對TM/OLI影像進行特征提取，包括歸一化植被指數(shù)（NDVI）、歸一化水體指數(shù)（NDWI），利用灰度共生矩陣GLCM提取紋理特征，以及根據(jù)原始影像中熱紅外波段導出的地表溫度數(shù)據(jù)（重采樣為30 m分辨率）。此外，結(jié)合30 m分辨率的數(shù)字高程模型（DEM）及其導出的坡度（slope）和坡向（aspect）信息，它們共同構(gòu)成了該研究區(qū)土地覆蓋分類的潛在特征變量集[28]。

根據(jù)全國遙感監(jiān)測土地覆蓋分類體系（一級分類體系）標準，結(jié)合江寧區(qū)土地覆蓋特點及研究目的，將研究區(qū)土地覆蓋類型劃分為水體、建設(shè)用地、林地、草地、未利用地和耕地共6種。

使用人工判讀的方式，結(jié)合谷歌地球（Google Earth Pro）高分辨率影像，采用隨機采樣并盡量保證樣本的空間分布均勻的方法對研究區(qū)內(nèi)水體、建設(shè)用地、林地、草地、未利用地和耕地6種地類進行訓練樣本點選擇，共選取1 727個樣本。其中水體380個、建設(shè)用地474個、林地368個、草地79個、未利用地86個及耕地340個。另外，隨機確定一套獨立的驗證樣本集用于評價分類器的性能，隨機驗證點分布圖見圖2。

1.3 試驗方法

1.3.1 單分類器的選擇

在集成分類中，每個單分類器都具有不同的重要性，其表現(xiàn)將直接影響到集成分類的最終分類結(jié)果。因此選擇適當?shù)膯畏诸惼魇怯绊懡M合分類結(jié)果的關(guān)鍵[29]。選擇單分類器的標準并非一成不變，可以任意選取，也可以根據(jù)總體分類精度[30]，在選用時應(yīng)注意到每個單分類器的特性[31]?？紤]到單分類器應(yīng)該具有多樣性、獨立性及魯棒性等特點，本研究選取如下5種基分類器：支持向量機（SVM）[32]、神經(jīng)網(wǎng)絡(luò)（NN）[33]、最小距離法（MinDC）[34]、最大似然法（MLC）[35]和馬氏距離法（MahDC）[34]作為集成算法的單分類器。這些基分類器的執(zhí)行均在軟件ENVI5.3中實現(xiàn)。

1.3.2 多分類器集成

多分類器集成是通過某種方式將多個個體學習器的分類結(jié)果集成得出最終的分類決策[36]。每個單分類器都獨立進行決策，從而實現(xiàn)并行集成。

1）隨機森林。隨機森林（random forests，RF）基于決策樹算法與集成學習，通過自主重采樣方法，對訓練樣本進行多個樣本集分類，以構(gòu)建決策樹模型[37]。該方法能有效抑制過擬合，提高模型的泛化能力、預(yù)測精度與可解釋性。

隨機森林集成分類的實現(xiàn)：基于R軟件平臺及Weka軟件中的決策樹模塊實現(xiàn)隨機森林集成學習算法。在該分類算法中，當N≥400時，各分類器誤差趨于穩(wěn)定，因此不對其進行剪枝。

2）D-S證據(jù)理論。Dempster-Shafer（D-S）證據(jù)理論起源于20世紀60年代，由Dempster與Shafer創(chuàng)立，它可以有效解決各種不確定、不完全及推理問題[38]。

D-S證據(jù)理論概率的計算過程。①構(gòu)建辨識框架，即確定焦元：水體、建設(shè)用地、林地、草地、未利用地和耕地。②計算證據(jù)源的信任支持度：由每個分類器的分類結(jié)果，計算每一類出現(xiàn)的概率，即計算每個單分類器的基本概率矢量。③證據(jù)源組合計算（計算像元概率矩陣特征值）：使用Python計算出每個分類器的特征值。④選擇概率最大者為像元所屬類別。

算法實現(xiàn)?；赑ython軟件平臺，通過gdal庫讀取和寫入遙感影像數(shù)據(jù)，利用numpy數(shù)組進行計算，使用ds_fusion融合數(shù)組，將其轉(zhuǎn)為tif格式，再分別計算像元的概率矩陣，運用ds_evident_theroy實現(xiàn)對像元歸屬類別的判斷，最后將結(jié)果保存為tif格式。

1.3.3 分類精度評價

影像分類的精度評價是將分類結(jié)果與標準參考圖像或參考數(shù)據(jù)分類樣本進行比較，并作出定量估計的過程。為保證準確性，常采用誤差矩陣（混淆矩陣）來計算各種精度統(tǒng)計參數(shù)。筆者從混淆矩陣中選取總體分類精度和Kappa系數(shù)，對不同分類方法的分類結(jié)果進行評價[39]。

1.3.4 土地覆蓋變化預(yù)測

1）CA-Markov模型。CA模型是一種基于離散空間和離散時間的模擬方法，用于描述和分析復雜系統(tǒng)的動態(tài)行為。Markov模型是一個經(jīng)典的定量預(yù)測模型，是建立在“無后效性”基礎(chǔ)上的一種特殊的隨機過程，具有穩(wěn)健性的特點。CA-Markov模型結(jié)合元胞自動機的局部更新規(guī)則和馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率，兼具靈活性和可解釋性[18]。

2）PLUS模型。PLUS模型主要由用地擴張分析策略模塊（LEAS）和基于多類隨機斑塊種子的元胞自動機模型（CARS）兩部分構(gòu)成。與其他模型相比，該模型具有較好的解釋性和較高的模擬精度[40]。用地擴張分析策略模塊（LEAS）可獲取各用地類型的擴張部分和發(fā)展概率[41]。多類隨機斑塊種子的元胞自動機模型（CARS），考慮發(fā)展概率和各土地利用數(shù)量的限制，以時空動態(tài)模擬的方式自動生成斑塊[42]。

3）ANN-CA模型。結(jié)合ANN的學習能力和CA的空間以及時間演化能力，為復雜的動態(tài)系統(tǒng)建模提供了一種靈活而有效的方法。具有適應(yīng)性、預(yù)測能力和組合學習的優(yōu)勢[43]。具體參數(shù)設(shè)置：選擇建筑作為城市用地；訓練數(shù)據(jù)70%，驗證數(shù)據(jù)30%；迭代總次數(shù)為300次；隱藏層元胞數(shù)量為10；學習速率為0.05；阿爾法值默認為1，轉(zhuǎn)換閾值為0.7。

1.3.5 預(yù)測結(jié)果的精度評價

將參考的實際土地覆蓋分類數(shù)據(jù)與預(yù)測的土地覆蓋分類數(shù)據(jù)進行逐像元的比較，統(tǒng)計后計算兩個數(shù)據(jù)間的空間一致性。將數(shù)據(jù)導入Arcgis軟件中，運用Spatial Analyst工具箱中的“等于”工具來計算結(jié)果的一致性：如果兩個柵格數(shù)據(jù)類碼相同，輸出結(jié)果則為1，否則為0。再使用柵格計算器計算出所有1占總像元數(shù)的比率即為空間一致性。

2 結(jié)果與分析

2.1 單分類器分類結(jié)果及分析

各年份的各單分類器的分類結(jié)果如圖3—圖5所示，每年份的精度評價結(jié)果如表1所示。

從土地覆蓋分類結(jié)果圖來看，耕地在江寧區(qū)土地覆蓋分類中占主體地位，是江寧區(qū)面積占比最大的地類。在2000—2020年，耕地面積呈現(xiàn)下降趨勢，至2020年（圖5），耕地主要分布在湯山、淳化、湖熟及橫溪等重點發(fā)展農(nóng)業(yè)的街道。2000年（圖3），林地面積占江寧區(qū)土地覆蓋面積的第2位，截至2020年其面積變化不大，主要集中在湯山、牛首山、方山等地，但由于建設(shè)用地擴張，林地面積占比下降到第3位。從圖4可以看出，2010年江寧區(qū)建設(shè)用地面積相比2000年有所增長，由區(qū)中心向四周擴散，但因區(qū)內(nèi)山脈阻隔，分布相對較為分散。至2020年（圖5），建設(shè)用地面積已經(jīng)躍居江寧區(qū)土地覆蓋類型的第2位，主要分布在東山、淳化、秣陵、江寧及祿口等街道。草地和未利用地是面積占比最小的2種土地覆蓋類型。水體主要以長江過境水、秦淮河及其支流為主，面積變化不大。

從土地覆蓋分類精度表（表1）來看，在單分類器算法中，各個年份的精度各有不同，其中在2000年和2010年，SVM和NN的分類精度最高，總體精度達到了87%以上，Kappa系數(shù)也達到了0.77及以上；在2000年，MinDC的總體精度只有68.25%，Kappa系數(shù)也只有0.53；在2010年，總體分類精度最低的是MLC，只有71.25%，Kappa系數(shù)為0.60；而在2020年，MLC和NN兩種分類算法對研究區(qū)的土地覆蓋分類效果比其他幾種算法更好。MLC的總體分類精度最高，為82.75%，Kappa系數(shù)為0.74；NN分類精度次之，總體精度和Kappa系數(shù)分別為80.50%和0.71。不同年份分類器的分類精度有所差別，可能是因為所使用的3個年份的Landsat圖像在獲取月份上存在差異，這可能帶來一定程度的季相節(jié)律差異所引起的地物光譜偏移，從而使得同一分類器在不同圖像上應(yīng)用時產(chǎn)生性能差別。另外，在不同年份圖像分類時，分類模型的參數(shù)設(shè)定并未完全統(tǒng)一，這也會導致不同的分類模型在不同圖像間應(yīng)用時產(chǎn)生性能差別。

2.2 集成分類結(jié)果及分析

所有集成分類結(jié)果如圖6所示，對應(yīng)的獨立驗證精度統(tǒng)計數(shù)字（表2）。

由表2可知，隨機森林和證據(jù)理論都在不同程度上提高了分類的精度。其中，2000年，隨機森林取得了最佳的分類精度，總體精度為91.25%，Kappa系數(shù)為0.85，比單分類算法中分類精度最高的SVM提高了2.50個百分點，Kappa系數(shù)提高了0.08；在2010年，證據(jù)理論的總體精度最高，為90.80%，Kappa系數(shù)為0.86，比單分類算法中分類精度最高的NN算法提高了2.05個百分點，Kappa系數(shù)提高了0.03；在2020年，隨機森林算法的總體精度最高，為93.75%，比單分類算法中分類精度最高的MLC算法提高了11.00個百分點，Kappa系數(shù)提升至0.91，提高了0.17。

從表2可以發(fā)現(xiàn)，不同年份的集成結(jié)果精度有所不同，可能是由于不同年份的土地覆蓋數(shù)據(jù)集對不同的分類器具有不同的適應(yīng)性，也有可能是因為不同的集成分類器的魯棒性和適應(yīng)性各不相同，導致不同年份集成結(jié)果的精度各不相同。比如，證據(jù)理論集成時證據(jù)沖突、證據(jù)權(quán)重計算等結(jié)果不同從而導致其精度發(fā)生變化。但是，多分類器集成能夠表現(xiàn)出比單分類器更好的性能，多分類器集成將各單分類器的優(yōu)缺點進行融合，取長補短，從而達到更高的分類精確率。

2.3 基于3種模型的土地覆蓋分類預(yù)測與空間一致性分析

以研究區(qū)域的2000和2010年土地覆蓋集成分類結(jié)果為基礎(chǔ)，采用CA-Markov模型、PLUS模型和ANN-CA模型分別預(yù)測研究區(qū)2020年土地覆蓋分類，將其與2020年真實分類圖（最優(yōu)集成分類結(jié)果）進行空間一致性分析，從而確定最優(yōu)的土地覆蓋變化預(yù)測模型。2020年真實的土地覆蓋分類結(jié)果（圖7a）及3種預(yù)測模型所生成的2020年土地覆蓋分布模式見圖7b—7d。

2020年3種模型預(yù)測與真實分類空間一致性對比見圖8。其中圖8a可見，CA-Markov模型具有69.83%的空間一致性；圖8c可見ANN-CA模型的空間一致性為69.37%；圖8b可見，PLUS模型的空間一致性為98.54%，是3種模型中預(yù)測精度最高的。因此，后續(xù)采用此模型對研究區(qū)未來土地覆蓋分類結(jié)果進行預(yù)測。

3種模型預(yù)測的精度相差較大，PLUS模型的預(yù)測精度最高，原因可能是：①PLUS模型的統(tǒng)計方陣和參數(shù)估計能夠更好地捕捉歷史土地覆蓋轉(zhuǎn)移概率模式，從而實現(xiàn)更準確地預(yù)測；②PLUS模型的參數(shù)設(shè)置和調(diào)整可能更加準確和合理，能夠更好地適應(yīng)江寧區(qū)土地覆蓋的特點，從而提高預(yù)測精度。

2.4 基于PLUS模型的土地覆蓋預(yù)測結(jié)果分析

利用PLUS模型，預(yù)測江寧區(qū)2030年土地覆蓋變化模式見圖9，對應(yīng)的統(tǒng)計結(jié)果見表3。

由圖9和表3可以發(fā)現(xiàn)，在空間分布格局變化方面，隨時間推移各土地覆蓋類型并未有明顯變化，其中建設(shè)用地稍有擴張，耕地面積稍有減少，從江寧區(qū)經(jīng)濟發(fā)展角度來看，減少的耕地量在可控范圍內(nèi)。林地、草地和未利用地變化相對較小，水體面積相對減小。

3 討 論

3.1 多分類器集成算法對分類的影響

多分類器集成是提高遙感影像分類精度的方法之一。其原因主要在于多分類器集成策略綜合子分類器優(yōu)勢，使其優(yōu)勢互補，從而增強了分類器對地物的識別能力[44]。由于各個分類器使用的特征、原理和方法都不相同，使各分類器的識別效果略有不同[45]，分類精度也各不相同。張曉羽等[46]研究表明，結(jié)合光譜特征和DEM輔助特征構(gòu)建的隨機森林模型比最大似然法分類精度更高。張衛(wèi)春等[47]研究表明，基于隨機森林的遙感數(shù)據(jù)和地形因子的組合方法可以有效地提高分類精度。有研究表明，在多特征組合遙感影像分類中，特征數(shù)量與分類精度不成正比，不同的特征組合產(chǎn)生的分類精度并不相同[28]。本研究在植被指數(shù)和地形特征的基礎(chǔ)上，加入紋理特征和地表溫度兩種特征，通過各單分類器的分類精度可以發(fā)現(xiàn)，不同分類器的分類精度各不相同，對于同一研究區(qū)域、相同分類器，不同的訓練樣本對分類結(jié)果也有著較大影響。研究普遍認為，選擇的樣本數(shù)量越多，訓練區(qū)的土地覆蓋類型就越有代表性[48]。對于不同研究區(qū)域的不同地物，選擇相同的分類器，分類結(jié)果也是不同的[49]。而不同分類器結(jié)果的輸出方式對集成結(jié)果也有著較大的影響，柏延臣等[50]通過對測量級和抽象級的結(jié)合方式做對比，發(fā)現(xiàn)抽象級的結(jié)合方法精度更高，可能是由于在抽象級多分類器結(jié)合方法中，對于參與結(jié)合分類器的特性沒有特殊要求，但必須選擇奇數(shù)個分類器來參與分類器的結(jié)合。研究發(fā)現(xiàn)，在多分類器集成中，子分類器的選擇對分類精度有很大的影響。鄭文武等[11]、張輝[29]、Liu等[51]從傳統(tǒng)分類中選擇分類性能較好的分類器作為單分類器，這些分類方法具有一定的獨立性以及多樣性，在遙感影像分類中具有各自的優(yōu)勢?？紤]到單分類器本身的特性以及對組合分類精度的影響，選擇傳統(tǒng)監(jiān)督分類中應(yīng)用廣泛且分類精度高的單分類器作為子分類器，從本研究中基于隨機森林算法和證據(jù)理論實現(xiàn)的多組合分類精度可以看出，多分類器集成可以明顯提高分類精度，證明了多組合分類器的可行性和有效性，達到了預(yù)期的效果。

當有多個單分類器參與集成時，可能因為它們之間的結(jié)合能力不強，或是因為它們之間分類性能效果比較接近，也可能是因為來自不同層的信息在分類過程中被集成分類方法“稀釋”[52]，導致集成分類的效果不太明顯。在本研究中，單分類器SVM和NN有著較高的分類精度，但是相對于其他分類器來說，SVM受訓練樣本的影響較大，對組合結(jié)果造成了一定的影響，而NN受訓練樣本的分布影響較小，穩(wěn)定性更高，兩者的差異性較小。由此，選擇差異大且具有多樣性的分類器，可以改善最終分類器的分類性能。

3.2 土地覆蓋變化預(yù)測的精度影響因素

模型預(yù)測是理解土地利用變化機制，清晰描述土地利用變化過程，確定土地利用變化驅(qū)動因素和預(yù)測未來土地利用變化格局的重要工具[53]。而且土地利用覆蓋變化時空預(yù)測是一個非常復雜的過程，模型通常受到社會經(jīng)濟、人為因素和政府政策等多種因素的影響，其中還包含著定量以及非定量兩個方面[54]。在現(xiàn)實中，土地覆蓋類型多種多樣。由于數(shù)據(jù)量、數(shù)據(jù)的可獲取性和工作量等因素的制約，無法將所有的土地覆蓋類型包括在內(nèi)，僅能對該研究區(qū)內(nèi)的主要土地覆蓋類型進行研究。在實際應(yīng)用中，不同的土地覆蓋類型有其獨特的發(fā)展模式，一旦將土地覆被類型結(jié)合起來，其局限性就在于所選驅(qū)動因子的作用。同時，在模型預(yù)測過程中，主要針對大面積土地覆蓋類型開展預(yù)測研究，在一定程度上會對模型的準確性產(chǎn)生一定的影響，還會影響固定步長預(yù)測的轉(zhuǎn)換規(guī)則和模型參數(shù)的設(shè)定[55]。

本研究使用PLUS模型對江寧區(qū)土地覆蓋分類進行預(yù)測，模型預(yù)測精度較高，與其他研究人員結(jié)果一致，如Liang等[56]利用3種不同模型預(yù)測武漢市2013年土地利用格局，對比結(jié)果發(fā)現(xiàn)PLUS模型的預(yù)測精度排名第2，但其預(yù)測的土地利用模式與實際最為相似；謝向東等[57]利用PLUS模型模擬重慶市南川區(qū)土地利用分布，預(yù)測結(jié)果較好。本研究所使用的數(shù)據(jù)是通過對遙感影像分類后集成得到的，集成結(jié)果與土地覆蓋現(xiàn)狀存在一些差別，因此，研究區(qū)未來2030年的預(yù)測結(jié)果與實際的土地覆蓋空間格局存在一定的誤差。

本研究基于Landsat TM/OLI影像，采用MLC、MahDC、MinDC、SVM和NN共5種常用的監(jiān)督分類器對南京市江寧區(qū)進行土地覆蓋分類，對比單分類結(jié)果發(fā)現(xiàn)，采用隨機森林算法和證據(jù)理論算法作為集成方法，能夠有效提高土地覆蓋分類的準確性，為精確評估土地覆蓋狀況提供了有力支持。

分別運用CA-Markov模型、PLUS模型和ANN-CA模型對2020年的土地覆蓋分類進行預(yù)測，結(jié)果表明PLUS模型預(yù)測的精度最高。進而利用PLUS模型對2030年土地覆蓋分類進行預(yù)測，以期能夠科學揭示江寧區(qū)土地覆蓋變化趨勢，并為未來土地利用規(guī)劃和環(huán)境管理提供理論依據(jù)。模型預(yù)測有助于判斷土地覆蓋變化的潛在趨勢，幫助政府和決策者制定可持續(xù)發(fā)展的土地利用策略和保護措施，對于推動可持續(xù)城市發(fā)展、合理規(guī)劃土地利用、保護生態(tài)環(huán)境等具有一定的應(yīng)用價值。

現(xiàn)有評價體系有待完善。混淆矩陣雖可測分類精度，但較單一，后續(xù)可加入熵值、Q統(tǒng)計法、相關(guān)系數(shù)等指標，深化對分類器差異性的研究。本模型參數(shù)基于前人研究并經(jīng)多次調(diào)試而得，具主觀性易致誤差，今后將深入探索模型因子選取與參數(shù)設(shè)置。

參考文獻（reference）：

［1］SHI H，CHEN L，BI F K，et al．Accurate urban area detection in remote sensing images[J]．IEEE Geosci Remote Sens Lett，2015，12（9）：1948-1952．DOI： 10.1109/LGRS.2015.2439696.

［2］駱劍承，周成虎，楊艷．遙感地學智能圖解模型支持下的土地覆蓋/土地利用分類[J]．自然資源學報，2001，16（2）：179-183．LUO J C，ZHOU C H，YANG Y．Land cover and land use classification based on remote sensing intelligent Geo interpreting model[J]．J Nat Resour，2001，16（2）：179-183．DOI： 10.3321/j.issn：1000-3037.2001.02.013.

［3］MATHIEU R，F(xiàn)REEMAN C，ARYAL J．Mapping private gardens in urban areas using object-oriented techniques and very high-resolution satellite imagery[J]．Landsc Urban Plan，2007，81（3）：179-192．DOI： 10.1016/j.landurbplan.2006.11.009.

［4］OZDARICI-OK A，OK A，SCHINDLER K．Mapping of agricultural crops from single high-resolution multispectral images：data-driven smoothing vs．parcel-based smoothing[J]．Remote Sens，2015，7（5）：5611-5638．DOI： 10.3390/rs70505611.

［5］夏玉計．基于多特征融合支持向量機的土地覆蓋類型提取與分析[D]．北京：中國地質(zhì)大學（北京），2019．XIA Y J．Extraction and analysis of land cover types based on multi-feature fusion support vector machine[D]．Beijing：China University of Geosciences（Beijing），2019．

［6］CHEN J，CHEN J，LIAO A P，et al．Global land cover mapping at 30 m resolution：a POK-based operational approach[J]．ISPRS J Photogramm Remote Sens，2015，103：7-27．DOI： 10.1016/j.isprsjprs.2014.09.002.

［7］馮登超，陳剛，肖楷樂，等．基于最小距離法的遙感圖像分類[J]．北華航天工業(yè)學院學報，2012，22（3）：1-2，5．FENG D C，CHEN G，XIAO K L，et al．Remote sensing image classification based on minimum distance method[J]．J N China Inst Aerosp Eng，2012，22（3）：1-2，5．DOI： 10.3969/j.issn.1673-7938.2012.03.001.

［8］劉煥軍，楊昊軒，徐夢園，等．基于裸土期多時相遙感影像特征及最大似然法的土壤分類[J]．農(nóng)業(yè)工程學報，2018，34（14）：132-139．LIU H J，YANG H X，XU M Y，et al．Soil classification based on maximum likelihood method and features of multi-temporal remote sensing images in bare soil period[J]．Trans Chin Soc Agric Eng，2018，34（14）：132-139．DOI： 10.11975/j.issn.1002-6819.2018.14.017.

［9］高昂，唐世浩，肖萌，等．機器學習在遙感影像分類中的應(yīng)用[J]．科技導報，2021，39（15）：67-74．GAO A，TANG S H，XIAO M，et al．Application of machine learning in remote sensing image classification[J]．Sci Technol Rev，2021，39（15）：67-74．DOI： 10.3981/j.issn.1000-7857.2021.15.007.

[10]汪靖翔．決策樹算法的原理研究和實際應(yīng)用[J]．電腦編程技巧與維護，2022（8）：54-56，72．WANG J X．Principle research and practical application of decision tree algorithm[J]．Comput Program Ski Maint，2022（8）：54-56，72．DOI： 10.16184/j.cnki.comprg.2022.08.043.

[11]鄭文武，曾永年．利用多分類器集成進行遙感影像分類[J]．武漢大學學報（信息科學版），2011，36（11）：1290-1293．ZHENG W W，ZENG Y N．Remote sensing imagery classification based on multiple classifiers combination algorithm[J]．Geomat Inf Sci Wuhan Univ，2011，36（11）：1290-1293．DOI：10.13203/j.whugis2011.11.005.

[12]羅常偉，王雙雙，尹峻松，等．集成學習研究現(xiàn)狀及展望[J]．指揮與控制學報，2023，9（1）：1-8．LUO C W，WANG S S，YIN J S，et al．Research status and prospect of ensemble learning[J]．J Command Contr，2023，9（1）：1-8．DOI： 10.3969/j.issn.2096-0204.2023.01.0001.

[13]張銀輝，趙庚星．土地利用/土地覆蓋遙感分類方法的研究綜述[J]．中國農(nóng)業(yè)資源與區(qū)劃，2002，23（3）：21-25．ZHANG Y H，ZHAO G X．Classification methods of land use/cover based on remote sensing technologies[J]．Chin J Agric Resour Reg Plan，2002，23（3）：21-25．DOI： 10.7621/cjarrp.1005-9121.20020338.

[14]李國清，柏永青，楊軒，等．基于深度學習的高分辨率遙感影像土地覆蓋自動分類方法[J]．地球信息科學學報，2021，23（9）：1690-1704．LI G Q，BAI Y Q，YANG X，et al．Automatic deep learning land cover classification methods of high-resolution remotely sensed images[J]．J Geo Inf Sci，2021，23（9）：1690-1704．DOI： 10.12082/dqxxkx.2021.200795.

[15]崔兆韻，張承明，楊曉霞，等．基于深度學習的高分遙感影像分類方法研究[J]．科技與創(chuàng)新，2021（3）：55-57．CUI Z Y，ZHANG C M，YANG X X，et al．Research on classification method of high score remote sensing images based on deep learning[J]．Sci Technol Innov，2021（3）：55-57．DOI： 10.15913/j.cnki.kjycx.2021.03.018.

[16]季順平，田思琦，張馳. 利用全空洞卷積神經(jīng)元網(wǎng)絡(luò)進行城市土地覆蓋分類與變化檢測[J]. 武漢大學學報（信息科學版），2020，45（2）：233-241. JI S P，TIAN S Q，ZHANG C．Urban land cover classification and change detection using fully atrous convolutional neural network[J]．Geomat Inf Sci Wuhan Univ，2020，45（2）：233-241. DOI：10.13203/j.whugis20180481.

[17]QIN Z，ZENG Q L，ZONG Y X，et al．Image inpainting based on deep learning：a review[J]．Displays，2021，69：102028．DOI： 10.1016/j.displa.2021.102028.

[18]雷浩川．多分類器集成的遙感影像分類研究[D]．北京：中國地質(zhì)大學（北京），2018．LEI H C．Research on remote sensing image classification based on multi-classifier integration[D]．Beijing：China University of Geosciences（Beijing），2018．

[19]陳彥冰．多分類器集成的遙感影像地物分類研究[D]．長春：吉林大學，2021．CHEN Y B．Research on classification of remote sensing images based on multi-classifier integration[D]．Changchun：Jilin University，2021．

[20]夏俊士，杜培軍，張偉．遙感影像多分類器集成的關(guān)鍵技術(shù)與系統(tǒng)實現(xiàn)[J]．科技導報，2011，29（21）：22-26．XIA J S，DU P J，ZHANG W．Key techniques and implementation of multiple classifier system for remote sensing images[J]．Sci Technol Rev，2011，29（21）：22-26．DOI： 10.3981/j.issn.1000-7857.2011.21.002.

[21]王震．基于OLI影像的多分類器組合方法研究[D]．北京：中國地質(zhì)大學（北京），2015．WANG Z．Research on multi-classifier combination method based on OLI image[D]．Beijing：China University of Geosciences（Beijing），2015．

[22]龍飛，任金銅．基于多分類器集成的GF-2遙感影像分類研究[J]．科學技術(shù)創(chuàng)新，2023（3）：19-24．LONG F，REN J T．Research on GF-2 remote sensing image classification based on Multi Classifier Integration[J]．Sci Technol Innov，2023（3）：19-24．

[23]KUMAR S，GHOSH J，CRAWFORD M M．Hierarchical fusion of multiple classifiers for hyperspectral data analysis[J]．Pattern Anal Appl，2002，5（2）：210-220．DOI： 10.1007/s100440200019.

[24]ISAAC E，EASWARAKUMAR K S，ISAAC J．Urban landcover classification from multispectral image data using optimized AdaBoosted random forests[J]．Remote Sens Lett，2017，8（4）：350-359．DOI： 10.1080/2150704x.2016.1274443.

[25]黎云云，暢建霞，王義民，等．基于CA-Markov模型的黃河流域土地利用模擬預(yù)測研究[J]．西北農(nóng)林科技大學學報（自然科學版），2020，48（12）：107-116．LI Y Y，CHANG J X，WANG Y M，et al．Land use simulation and prediction in the Yellow River basin based on CA-Markov model[J]．J Northwest A F Univ （Nat Sci Ed），2020，48（12）：107-116．DOI： 10.13207/j.cnki.jnwafu.2020.12.013.

[26]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[J]．農(nóng)業(yè)工程學報，2012，28（14）：216-222．GONG W F，YUAN L，F(xiàn)AN W Y．Dynamic change and prediction of land use in Harbin city based on CA-Markov model[J]．Trans Chin Soc Agric Eng，2012，28（14）：216-222．DOI： 10.3969/j.issn.1002-6819.2012.14.033.

[27]王冬辰，杜培軍，蘇紅軍，等．近20年大同市土地利用/覆蓋遙感變化分析[J]．干旱區(qū)資源與環(huán)境，2015，29（7）：68-75．WANG D C，DU P J，SU H J，et al．Land use/Land cover changes in Datong based on remote sensing data[J]．J Arid Land Resour Environ，2015，29（7）：68-75．DOI： 10.13448/j.cnki.jalre.2015.223.

[28]杜培軍，柳思聰．融合多特征的遙感影像變化檢測[J]．遙感學報，2012，16（4）：663-677．DU P J，LIU S C．Change detection from multi-temporal remote sensing images by integrating multiple features[J]．Natl Remote Sens Bull，2012，16（4）：663-677．DOI： 10.11834/irs.20121168.

[29]張輝．基于多分類器組合的遙感土地利用分類研究[J]．安徽農(nóng)業(yè)科學，2015，43（32）：389-392．ZHANG H．Land use classification based on the remote sensing classification by multi-classifier combination[J]．J Anhui Agric Sci，2015，43（32）：389-392．DOI： 10.13989/j.cnki.0517-6611.2015.32.134.

[30]彭正林，毛先成，劉文毅，等．基于多分類器組合的遙感影像分類方法研究[J]．國土資源遙感，2011，23（2）：19-25．PENG Z L，MAO X C，LIU W Y，et al．Method for classification of remote sensing images based on multiple classifiers combination[J]．Remote Sens Nat Resour，2011，23（2）：19-25．DOI： 10.6046/gtzyyg.2011.02.04.

[31]陳洋波，竇鵬，張濤．基于Landsat的多分類器集成遙感影像分類[J]．測繪科學，2018，43（8）：97-103，109．CHEN Y B，DOU P，ZHANG T．Multiple classifiers integrated classification based on Landsat imagery[J]．Sci Surv Mapp，2018，43（8）：97-103，109．DOI： 10.16251/j.cnki.1009-2307.2018.08.016.

[32]周婷，汪炎，鄒俊，等．基于PCA和SVM的遙感影像水體提取方法及驗證[J]．水資源保護，2023，39（2）：180-189．ZHOU T，WANG Y，ZOU J，et al．PCA and SVM-based algorithm of water area extraction from remote sensing images and its verification[J]．Water Resour Prot，2023，39（2）：180-189．DOI： 10.3880/j.issn.1004-6933.2023.02.022.

[33]HUANG W Y，LIPPMANN R. et al．Neural net and traditional classifiers[J]．Neural Information Processing Systems，1987：387-396．

[34]RICHARDS J A， JIA X P. Remote sensing digital image analysis： an introduction[M]．Australia：Springer Publishing Company Incorporated，2012.

[35]SHAFRI H Z M，SUHAILI A，MANSOR S．The performance of maximum likelihood，spectral angle mapper，neural network and decision tree classifiers in hyperspectral image analysis[J]．J Comput Sci，2007，3（6）：419-423．DOI： 10.3844/jcssp.2007.419.423.

[36]方文，李朝奎，梁繼，等．多分類器組合的遙感影像分類方法[J]．測繪科學，2016，41（10）：120-125．FANG W，LI （C/Z）K，LIANG J，et al．Classification of remote sensing image based on the combination of multiple classifiers[J]．Sci Surv Mapp，2016，41（10）：120-125．DOI： 10.16251/j.cnki.1009-2307.2016.10.025.

[37]武煒杰．隨機森林算法的應(yīng)用與優(yōu)化方法研究[D]．無錫：江南大學，2021．WU W J．Research on application and optimization method of random forest algorithm[D]．Wuxi：Jiangnan University，2021．

鞠琴，吳金雨，王興平，等．機器學習算法在降水和氣溫多模式集成中的應(yīng)用[J]．水資源保護，2024，40（3）：106-115．JU Q，WU J Y，WANG X P，et al．Application of machine learning algorithms in multimodal integration of precipitation and temperature[J]．Water Resour Prot，2024，40（3）：106-115．DOI： 10.3880/j.issn.1004-6933.2024.03.013.

[38]BARNETT J A．Computational methods for a mathematical theory of evidence[C]//Proceedings of the 7th international joint conference on Artificial intelligence．Canada： Morgan Kaufmann Publishers Inc，1981：868-875．

[39]劉宇航．干旱綠洲區(qū)鹽堿地遙感影像分類模型及時空變化格局研究[D]．蘭州：蘭州理工大學，2022．LIU Y H．Study on classification model and temporal and spatial change pattern of saline-alkali land remote sensing images in arid oasis area[D]．Lanzhou：Lanzhou University of Technology，2022．

[40]李琛，高彬嬪，吳映梅，等．基于PLUS模型的山區(qū)城鎮(zhèn)景觀生態(tài)風險動態(tài)模擬[J]．浙江農(nóng)林大學學報，2022，39（1）：84-94．LI C，GAO B P，WU Y M，et al．Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]．J Zhejiang A F Univ，2022，39（1）：84-94．DOI： 10.11833/j.issn.2095-0756.20210237.

[41]梁德強．基于PLUS模型的齊齊哈爾市土地利用變化與情景模擬[D]．哈爾濱：東北林業(yè)大學，2022．LIANG D Q．Land use change and simulation in Qiqihar based on PLUS Model[D]．Harbin：Northeast Forestry University，2022.

[42]伍丹，朱康文，張晟，等．基于PLUS模型和InVEST模型的成渝經(jīng)濟區(qū)碳儲量演化分析[J]．三峽生態(tài)環(huán)境監(jiān)測，2022，7（2）：85-96．WU D，ZHU K W，ZHANG S，et al．Evolution analysis of carbon stock in Chengdu-Chongqing economic zone based on PLUS model and InVEST model[J]．Ecol Environ Monit Three Gorges，2022，7（2）：85-96．DOI： 10.19478/j.cnki.2096-2347.2022.02.10.

[43]楊文龍．基于GeoSOS的村鎮(zhèn)建設(shè)用地擴張分析及規(guī)劃模擬優(yōu)化[D]．廣州：華南農(nóng)業(yè)大學，2016．YANG W L．Analysis and planning simulation optimization of rural construction land expansion based on GeoSOS[D]．Guangzhou：South China Agricultural University，2016．

[44]馬婷，李崇貴，湯伏全，等．基于多分類器集成的落葉松人工林提取[J]．林業(yè)科學，2021，57（11）：105-118．MA T，LI C G，TANG F Q，et al．Extraction of larch plantation based on multi-classifier ensemble[J]．Sci Silvae Sin，2021，57（11）：105-118．DOI： 10.11707/j.1001-7488.20211111.

[45]呂岳，施鵬飛，趙宇明．多分類器組合的投票表決規(guī)則[J]．上海交通大學學報，2000，34（5）：680-683．LU" Y，SHI P F，ZHAO Y M．Voting principle for combination of multiple classifiers[J]．J Shanghai Jiaotong Univ，2000，34（5）：680-683．DOI： 10.16183/j.cnki.jstu.2000.05.036.

[46]張曉羽，李鳳日，甄貞，等．基于隨機森林模型的陸地衛(wèi)星-8遙感影像森林植被分類[J]．東北林業(yè)大學學報，2016，44（6）：53-57，74．ZHANG X Y，LI F R，ZHEN Z，et al．Forest vegetation classification of Landsat 8 remote sensing image based on random forests model[J]．J Northeast For Univ，2016，44（6）：53-57，74．DOI： 10.13759/j.cnki.dlxb.2016.06.005.

[47]張衛(wèi)春，劉洪斌，武偉．基于隨機森林和Sentinel-2影像數(shù)據(jù)的低山丘陵區(qū)土地利用分類：以重慶市江津區(qū)李市鎮(zhèn)為例[J]．長江流域資源與環(huán)境，2019，28（6）：1334-1343．ZHANG W C，LIU H B，WU W．Classification of land use in low mountain and hilly area based on random forest and sentinel-2 satellite data：a case study of Lishi Town，Jiangjin，Chongqing[J]．Resour Environ Yangtze Basin，2019，28（6）：1334-1343．DOI： 10.11870/cjlyzyyhj201906009.

[48]張少佳．多分類器組合及其遙感分類研究[D]．長沙：中南大學，2010．ZHANG S J．Research on multi-classifier combination and its remote sensing classification[D]．Changsha：Central South University，2010．

[49]肖勝杰．遙感圖像多分類器組合方法研究[D]．哈爾濱：黑龍江大學，2017．XIAO S J．Research on multi-classifier combination method for remote sensing images[D]．Harbin：Helongjiang University，2017．

[50]柏延臣，王勁峰．結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究[J]．遙感學報，2005，9（5）：555-563．BAI Y C，WANG J F．Combining multiple classifiers for thematic classification of remotely sensed data[J]．Natl Remote Sens Bull，2005，9（5）：555-563．DOI： 10.11834/irs.20050581.

[51]LIU X H，SKIDMORE A K，OOSTEN H V．Integration of classification methods for improvement of land-cover map accuracy[J]．ISPRS J Photogramm Remote Sens，2002，56（4）：257-268．DOI： 10.1016/s0924-2716（02）00061-8.

[52]VERBURG P H，SOEPBOER W，VELDKAMP A，et al．Modeling the spatial dynamics of regional land use：the CLUE-S model[J]．Environ Manage，2002，30（3）：391-405．DOI： 10.1007/S00267-002-2630-X.

[53]凌成星，鞠洪波，張懷清，等．基于CA-MARKOV模型的北京濕地資源變化預(yù)測研究[J]．中國農(nóng)學通報，2012，28（20）：262-269．LING C X，JU H B，ZHANG H Q，et al．Study on the forecast of wetland resources changes in Beijing based on CA-MARKOV model[J]．Chin Agric Sci Bull，2012，28（20）：262-269．DOI： 10.3969/j.issn.1000-6850.2012.20.048.

[54]經(jīng)陽．基于CA-Markov模型的佛山市生態(tài)用地演變及其模擬[D]．撫州：東華理工大學，2016．JING Y．Evolution and simulation of ecological land in Foshan City based on CA-markov model[D]．Fuzhou：East China Institute of Technology，2016．

[55]陳倩．城市化進程下土地覆蓋、森林空間模式及屬性變化分析[D]．南京：南京林業(yè)大學，2018．CHEN Q．Analysis on spatial patterns and attribute changes of land cover and forest in the process of urbanization[D]．Nanjing：Nanjing Forestry University，2018．

[56]LIANG X，GUAN Q F，CLARKE K C，et al．Understanding the drivers of sustainable land expansion using a patch-generating land use simulation （PLUS） model：a case study in Wuhan，China[J]．Comput Environ Urban Syst，2021，85：101569．DOI： 10.1016/j.compenvurbsys.2020.101569.

[57]謝向東，林孝松，王瑩，等．基于PLUS模型的重慶市南川區(qū)土地利用多情景模擬[J]．長江科學院院報，2023，40（6）：86-92，113．XIE X D，LIN X S，WANG Y，et al．Multi-scenario simulation of land use in Nanchuan District of Chongqing based on PLUS model[J]．Journal of Changjiang River Scientific Research Institute，2023，40（6）：86-92，113．DOI： 10.11988/ckyyb.20221227.

（責任編輯 吳祝華）

基金項目：國家自然科學基金項目（31971577）；江蘇高校優(yōu)勢學科建設(shè)工程資助項目（PAPD）。

第一作者：蔣路凡（lf_jiang@yeah.net）。

*通信作者：張小偉（xiaoweiz099618@gmail.com），高級工程師。

引文格式：蔣路凡，蘇慧毅，張銀，等.基于多分類器集成的土地覆蓋分類及預(yù)測研究[J]. 南京林業(yè)大學學報（自然科學版），2024，48（5）：255-266.

JIANG L F， SU H Y， ZHANG Y， et al.Land cover classification and prediction based on multiple classifier ensemble learning[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（5）：255-266.