基于植被分區(qū)的多特征遙感智能分類

于菲菲，曾永年，徐艷艷，鄭 忠，劉朝松，王 君，何晉強(qiáng)

(1.中南大學(xué)地球科學(xué)與信息物理學(xué)院，長(zhǎng)沙 410083;2.中南大學(xué)空間信息技術(shù)與可持續(xù)發(fā)展研究中心，長(zhǎng)沙 410083)

0 引言

土地利用/土地覆蓋變化(land use and land cover change，LUCC)研究是全球變化研究的熱點(diǎn)之一[1-4]。中國(guó)西部地區(qū)是全球變化的敏感區(qū)域，地形復(fù)雜，水土流失和土地荒漠化嚴(yán)重，生態(tài)環(huán)境極其脆弱[5-6]。為有效治理西部地區(qū)的生態(tài)環(huán)境，近年來開展了大規(guī)?！巴烁€林還草”工程。與此同時(shí)，隨著西部大開發(fā)戰(zhàn)略的深入實(shí)施，城鎮(zhèn)化和工業(yè)化進(jìn)程得到加速，建設(shè)用地占用耕地情況較為突出。因此，中國(guó)西部地區(qū)土地利用/覆蓋發(fā)生了較為顯著的變化[7-10]。為了保證西部地區(qū)經(jīng)濟(jì)的可持續(xù)發(fā)展和土地資源的合理有效利用，需要準(zhǔn)確、快速地掌握和分析LUCC的信息。

中國(guó)西部地區(qū)的自然條件復(fù)雜，遙感技術(shù)作為快速提取LUCC信息的有效手段，已在該區(qū)土地資源調(diào)查和測(cè)繪制圖中發(fā)揮了重要作用[11-12]，MODIS和NOAA等中、低分辨率遙感數(shù)據(jù)已被成功應(yīng)用于該地區(qū)土地荒漠化監(jiān)測(cè)[13-16]。然而，目前在較大范圍區(qū)域開展的資源與環(huán)境遙感應(yīng)用中仍以目視解譯為主，費(fèi)時(shí)費(fèi)力，且難以保證遙感圖像解譯的時(shí)效性。因此，如何從海量遙感數(shù)據(jù)中快速、智能化地提取感興趣信息是亟待解決的問題。隨著群體智能理論的快速發(fā)展，群體智能方法已被引入到遙感信息提取中，并成為新的研究熱點(diǎn)[17-19]。蟻群智能優(yōu)化算法(ant colony intelligent optimization algorithm，ACIOA)是模仿自然界的螞蟻群體覓食過程中沿最短路徑行進(jìn)的生物學(xué)行為發(fā)展起來的一種群體智能優(yōu)化方法。ACIOA算法作為一種“自上而下”的群體智能算法，不需要統(tǒng)計(jì)分布的先驗(yàn)知識(shí)，具有很強(qiáng)的自學(xué)習(xí)能力、魯棒性、自適應(yīng)性和正反饋機(jī)制等優(yōu)點(diǎn)，在海量遙感圖像數(shù)據(jù)的信息提取方面表現(xiàn)出極大的優(yōu)勢(shì)。許多學(xué)者先后用ACIOA算法進(jìn)行了遙感圖像分類規(guī)則的挖掘研究[17-22]。本文針對(duì)大范圍復(fù)雜區(qū)域LUCC信息的提取問題，采用基于植被分區(qū)的 ACIOA算法挖掘遙感分類規(guī)則，實(shí)現(xiàn)對(duì)LUCC信息的有效提取。

本文以平安縣為實(shí)驗(yàn)區(qū)，探索利用ACIOA算法的綜合分類方法實(shí)現(xiàn)LUCC遙感信息的準(zhǔn)確自動(dòng)提取，以期為大范圍地形復(fù)雜地區(qū)的LUCC信息提取提供有效方法。

1 實(shí)驗(yàn)區(qū)概況與數(shù)據(jù)源

1.1 實(shí)驗(yàn)區(qū)概況

實(shí)驗(yàn)區(qū)選擇地處青海東部湟水中游的平安縣，該區(qū)域位于青藏高原與黃土高原的過渡地帶，處于E101°49′～102°10′，N36°15′～36°34′之間。全縣東西長(zhǎng)23 km，南北寬33.6 km，土地總面積742.89 km2。區(qū)內(nèi)地形復(fù)雜，溝壑縱橫，海拔在2 066～4 166.7 m之間。該區(qū)域?qū)俚湫偷母珊?、半干旱地區(qū)，人口密度較大，經(jīng)濟(jì)相對(duì)發(fā)達(dá)，是以西寧市為中心的青海東部城市群以及新型工業(yè)化發(fā)展的重點(diǎn)區(qū)域，也是青海省重要的農(nóng)業(yè)區(qū)[23]。有川水、淺山和腦山3大農(nóng)業(yè)類型區(qū);土地利用類型以林地和牧草地為主，耕地相對(duì)較少，建設(shè)用地所占比例較低。其中，建設(shè)用地與水澆地主要分布在重要交通沿線、湟水谷地及其主要支流河谷地帶，而旱地、林地、牧草地和未利用地主要分布在自然條件較差的淺山和腦山地區(qū)，土地利用空間分布差異明顯。

1.2 數(shù)據(jù)及預(yù)處理

采用的遙感數(shù)據(jù)為TM圖像，來源于中國(guó)科學(xué)院對(duì)地觀測(cè)與數(shù)字地球科學(xué)中心數(shù)據(jù)服務(wù)平臺(tái)(www.ceode.cas.cn)，成像日期為 2009 年 9 月 21日，軌道號(hào)132/35，空間分辨率30 m。實(shí)驗(yàn)選用了TM1(0.45 ～ 0.52 μm)，TM2(0.52 ～ 0.60 μm)，TM3(0.63 ～ 0.69 μm)，TM4(0.76 ～ 0.90 μm)，TM5(1.55 ～1.75 μm)和 TM7(2.08 ～2.35 μm)波段的圖像。

此外，采用DEM、坡度和坡向數(shù)據(jù)作為TM圖像的輔助特征波段;采用第二次全國(guó)土地利用調(diào)查數(shù)據(jù)(該數(shù)據(jù)是采用2007—2009年的高分辨率遙感圖像經(jīng)解譯、矢量化和野外調(diào)查獲得的1︰1萬比例尺數(shù)據(jù)，具有較高精度)，以及接近同期的部分Quick-Bird高分辨率遙感數(shù)據(jù)，作為遙感分類訓(xùn)練樣本和分類結(jié)果精度驗(yàn)證的地面參考數(shù)據(jù);將實(shí)驗(yàn)區(qū)土地利用調(diào)查數(shù)據(jù)按本文分類系統(tǒng)進(jìn)行地類合并;采用分層隨機(jī)采樣方法選取了852個(gè)驗(yàn)證樣本，用于本文方法的精度驗(yàn)證。

TM圖像的預(yù)處理包括:①幾何糾正，首先以土地調(diào)查數(shù)據(jù)為參考，在TM圖像上選取地面控制點(diǎn)，其次構(gòu)建幾何畸變糾正的數(shù)學(xué)關(guān)系，并進(jìn)行圖像重采樣;②輻射校正，采用FLAASH大氣校正模型進(jìn)行輻射校正;③圖像裁剪，依據(jù)土地利用調(diào)查數(shù)據(jù)中的平安縣行政區(qū)矢量數(shù)據(jù)對(duì)圖像進(jìn)行裁剪，得到實(shí)驗(yàn)區(qū)范圍內(nèi)的TM5(R)4(G)3(B)假彩色合成圖像(圖1)。

圖1 實(shí)驗(yàn)區(qū)TM5(R)4(G)3(B)假彩色合成圖像Fig.1 False color image composed of TM5(R)4(G)3(B)of the study area

2 蟻群智能優(yōu)化算法

蟻群智能優(yōu)化算法(ACIOA)具體過程如圖2所示，它是一種基于群體智能的啟發(fā)式仿生學(xué)優(yōu)化算法，該算法模擬了自然界中螞蟻覓食時(shí)的路徑選擇行為[18]。研究發(fā)現(xiàn)，螞蟻總能在食物源和蟻穴間選擇一條最短的路徑，這是因?yàn)槲浵佋谝炎哌^的路徑上釋放了一種特殊的揮發(fā)性物質(zhì)——信息素，信息素濃度的高低能夠引導(dǎo)螞蟻的路徑選擇;當(dāng)某路徑上的信息素濃度高于其他路徑時(shí)，螞蟻更傾向于選擇此路徑。當(dāng)螞蟻開始覓食時(shí)，在未走過的交叉路口處會(huì)隨機(jī)選擇一條路徑;隨著路徑上信息素的不斷揮發(fā)和積累，較短路徑上的信息素濃度不斷增加，而較長(zhǎng)路徑上的信息素不斷消失。這樣，更多的螞蟻選擇較短的路徑;與此同時(shí)，短路徑的信息素濃度繼續(xù)上升，于是形成一種正反饋機(jī)制;最終，所有的螞蟻都會(huì)選擇距離最短的路徑。

圖2 蟻群智能優(yōu)化算法基本原理示意圖Fig.2 Sketch diagram of basic principle of ACIOA

假設(shè)螞蟻在覓食過程中存在2條距離不等的路徑ABD和ACD，各有30只螞蟻從蟻穴和食物源出發(fā)。在t=0時(shí)刻，到達(dá)路口A和D時(shí)分別有15只螞蟻從2條路徑經(jīng)過;因ACD路徑比ABD路徑短，故ACD路徑上的螞蟻先到達(dá)目的地，此時(shí)，ACD路徑的信息素濃度高于ABD路徑;經(jīng)過t+1時(shí)刻，越來越多的螞蟻選擇路徑ACD，同時(shí)該路徑信息素的濃度不斷增加;最終，所有的螞蟻都選擇蟻穴—ACD—食物源這條較短的路徑。

將螞蟻覓食的這種尋優(yōu)過程應(yīng)用于群體智能優(yōu)化領(lǐng)域，即產(chǎn)生了ACIOA算法。

3 研究方法

3.1 土地利用/土地覆蓋分類體系

參考土地利用調(diào)查數(shù)據(jù)的土地利用分類，同時(shí)考慮實(shí)驗(yàn)區(qū)遙感圖像的實(shí)際可解譯能力、環(huán)境條件及土地利用現(xiàn)狀等因素，根據(jù)“全國(guó)遙感監(jiān)測(cè)土地利用/覆蓋分類體系”，構(gòu)建了適合于實(shí)驗(yàn)區(qū)的LUCC遙感信息提取的分類體系(表1)。

表1 實(shí)驗(yàn)區(qū)的土地利用/土地覆蓋分類體系Tab.1 Land use/cover classification system of the study area

3.2 技術(shù)流程

本文采用基于植被分區(qū)的多特征數(shù)據(jù)ACIOA智能分類方法，具體技術(shù)路線如圖3所示。

圖3 技術(shù)流程圖Fig.3 Technical flow chart

3.3 遙感分類

3.3.1 多特征數(shù)據(jù)

遙感數(shù)據(jù)與非遙感數(shù)據(jù)的復(fù)合利用能彌補(bǔ)單一遙感數(shù)據(jù)的不足，發(fā)揮非遙感數(shù)據(jù)的輔助作用，有效地提高遙感數(shù)據(jù)的分類精度。本文的實(shí)驗(yàn)區(qū)域位于地形復(fù)雜、海拔差異大的中國(guó)西部，DEM數(shù)據(jù)以及由DEM數(shù)據(jù)生成的坡度和坡向數(shù)據(jù)能有效地反映植被垂直分帶情況與局地生長(zhǎng)環(huán)境，是提高遙感分類精度的有效輔助數(shù)據(jù)[24]。因此，本文以 TM圖像、DEM、坡度和坡向數(shù)據(jù)作為分類的特征波段。

3.3.2 植被分區(qū)

根據(jù)干旱、半干旱地區(qū)的植被特征，將實(shí)驗(yàn)區(qū)分為以植被為主的區(qū)域和以非植被為主的區(qū)域，以減少整體分類中異物同譜現(xiàn)象的影響。歸一化植被指數(shù)(normalized difference vegetation index，NDVI)作為植物生長(zhǎng)狀態(tài)和植被空間分布密度的最佳指示因子，與植被分布密度呈線性關(guān)系，是遙感估算植被覆蓋度研究中常用的植被指數(shù)。為此，采用NDVI進(jìn)行植被分區(qū)。利用預(yù)處理后的TM圖像生成NDVI，統(tǒng)計(jì)分析訓(xùn)練樣本的NDVI值，確定植被或非植被的劃分閾值NDVI=0.18，以此將實(shí)驗(yàn)區(qū)劃分為以植被為主的區(qū)域和以非植被為主的區(qū)域。同時(shí)，以土地利用調(diào)查數(shù)據(jù)為參照，采用分層隨機(jī)采樣的方法采集訓(xùn)練樣本，以植被和非植被為主的實(shí)驗(yàn)區(qū)域分別選取了872個(gè)和432個(gè)訓(xùn)練樣本。

3.3.3 分類規(guī)則智能挖掘

采用ACIOA算法分別對(duì)上述2個(gè)區(qū)域挖掘遙感分類規(guī)則。該算法以訓(xùn)練樣本的各波段離散值為屬性節(jié)點(diǎn)，以各目標(biāo)地類為類節(jié)點(diǎn)，通過尋優(yōu)搜索屬性節(jié)點(diǎn)和類節(jié)點(diǎn)的連線，挖掘相應(yīng)的遙感分類規(guī)則。規(guī)則挖掘的步驟包括:

1)波段離散化。在挖掘分類規(guī)則前，采用基于信息熵的離散化方法，對(duì)訓(xùn)練樣本的數(shù)據(jù)進(jìn)行離散處理[25]。

2)初始規(guī)則構(gòu)造。為縮短螞蟻搜索的時(shí)間，構(gòu)造與問題相關(guān)的啟發(fā)式函數(shù)，引導(dǎo)蟻群的搜索。規(guī)則構(gòu)造時(shí)采用賭輪機(jī)制選擇屬性節(jié)點(diǎn)，直到該路徑中包含了所有屬性;然后選擇1個(gè)類節(jié)點(diǎn)而且只能有1個(gè)類節(jié)點(diǎn)，至此1條完整初始分類規(guī)則形成。

3)規(guī)則剪枝。完成初始分類規(guī)則構(gòu)造后，每一個(gè)屬性節(jié)點(diǎn)都被選為規(guī)則的1個(gè)條件項(xiàng);通過規(guī)則剪枝，移除降低分類規(guī)則有效性的屬性節(jié)點(diǎn)，簡(jiǎn)化分類規(guī)則，最大化地提高分類規(guī)則的有效性。

4)信息素更新。當(dāng)所有螞蟻構(gòu)造的初始規(guī)則經(jīng)過規(guī)則剪枝后，更新所有屬性節(jié)點(diǎn)的信息素濃度，直至剩余的訓(xùn)練樣本數(shù)小于預(yù)設(shè)樣本數(shù)。以上分類規(guī)則的自動(dòng)挖掘是在C#環(huán)境下，通過編程實(shí)現(xiàn)的。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)結(jié)果

1)分別采用ACIOA算法、支持向量機(jī)(SVM)和最大似然(ML)方法進(jìn)行土地利用/覆蓋分類，結(jié)果如圖4所示。

圖4 基于植被分區(qū)的多特征數(shù)據(jù)土地利用/覆蓋分類結(jié)果Fig.4 Land use/cover classification results of multi－character data based on vegetation partition

2)在不進(jìn)行植被分區(qū)的情況下，利用多特征數(shù)據(jù)， 采用不同算法得到土地利用/覆蓋分類結(jié)果(圖5)。

圖5 多特征數(shù)據(jù)的土地利用/覆蓋分類結(jié)果Fig.5 Land use/cover classification results of multi－ character data

3)在不進(jìn)行植被分區(qū)的情況下，僅使用TM圖像， 采用不同算法得到土地利用/覆蓋分類結(jié)果(圖6)。

圖6 TM圖像的土地利用/覆蓋分類結(jié)果Fig.6 Land use/cover classification results of TM image

4.2 精度分析

本文選用混淆矩陣作為上述3種不同情況下分類結(jié)果的精度評(píng)價(jià)方法。該方法是國(guó)內(nèi)外廣泛使用的遙感分類精度評(píng)價(jià)方法，具體評(píng)價(jià)指標(biāo)有總體精度、Kappa等，分別從不同的分析角度評(píng)價(jià)分類結(jié)果的精度。其中，Kappa不隨類別樣本點(diǎn)數(shù)量的不同而改變，能夠更加客觀地評(píng)價(jià)分類精度。

1)在不進(jìn)行植被分區(qū)的情況下，僅用TM圖像，采用ACIOA算法的總體分類精度為83.22%，Kappa=0.79，比SVM和ML方法的總體分類精度分別提高了0.59%和2.82%，Kappa 分別提高了0.02 和0.04(表2)。由此可見，與SVM和ML方法相比，基于遙感圖像的ACIOA分類方法有一定的優(yōu)勢(shì)。

表2 基于TM圖像分類精度Tab.2 Classification accuracy based on TM image

2)在不進(jìn)行植被分區(qū)的情況下，利用多特征數(shù)據(jù)圖像，采用 ACIOA算法的分類總體精度為85.09%，Kappa=0.81(表3)，比 SVM 和 ML 方法的分類總體精度分別提高了1.99%和3.17%，Kappa分別提高了0.03和0.04;比僅用TM圖像的分類總體精度提高了1.87%，Kappa提高了0.02。由此可見，在地形復(fù)雜的大范圍區(qū)域，多特征數(shù)據(jù)能夠有效地提高遙感數(shù)據(jù)的分類精度，并且基于多特征數(shù)據(jù)的ACIOA分類方法優(yōu)于SVM和ML方法。

表3 多特征數(shù)據(jù)圖像分類精度Tab.3 Classification accuracy based on multi－character data image

3)在植被分區(qū)的情況下，利用多特征數(shù)據(jù)圖像，采用ACIOA算法分類的總體精度88.85%，Kappa=0.86，比SVM和ML方法的分類總體精度分別提高了2%和 5.52%，Kappa分別提高了 0.03和 0.08(表4);比僅用TM圖像和多特征數(shù)據(jù)圖像分類總體精度分別提高了5.63%和3.76%，Kappa分別提高了0.07和0.05。由此可見，在地形復(fù)雜的大范圍區(qū)域，基于植被分區(qū)的多特征數(shù)據(jù)遙感分類方法更為有效地提高了土地利用/覆蓋遙感信息提取精度，而且基于植被分區(qū)的多特征ACIOA分類方法明顯優(yōu)于SVM和ML方法。

表4 基于植被分區(qū)多特征圖像分類精度Tab.4 Classification accuracy based on multi－ character data in vegetation partition

5 結(jié)論

為有效提取大范圍地形復(fù)雜地區(qū)的土地利用/覆蓋遙感信息，以青藏高原與黃土高原過渡地帶的青海東部地區(qū)為研究區(qū)，進(jìn)行了ACIOA分類方法的研究。結(jié)果表明:

1)利用遙感圖像、DEM、坡度和坡向復(fù)合的多特征數(shù)據(jù)，ACIOA分類的總體精度達(dá)到85.09%，比僅用TM圖像ACIOA分類的總體精度提高了1.87%，并優(yōu)于基于多特征數(shù)據(jù)的SVM和ML分類結(jié)果。

2)為減小異物同譜現(xiàn)象對(duì)整體分類的影響，根據(jù)干旱、半干旱地區(qū)的植被特征，采用植被分區(qū)的多特征ACIOA分類的總體精度達(dá)到88.85%，比不分區(qū)的ACIOA分類的總體精度提高了3.76%，并優(yōu)于基于植被分區(qū)的多特征SVM和ML分類結(jié)果。

3)本文提出的基于植被分區(qū)的多特征數(shù)據(jù)ACIOA智能分類方法與策略，能有效地提高大范圍地形復(fù)雜地區(qū)土地利用/覆蓋遙感信息提取的精度，在大范圍地形復(fù)雜的區(qū)域土地利用/覆蓋遙感信息提取中具有較大的應(yīng)用潛力。

[1]史培軍，宮 鵬，李曉兵，等.土地利用/覆蓋變化研究的方法與實(shí)踐[M].北京:科學(xué)出版社，2000.Shi P J，Gong P，Li X B，et al.The method and practice of land use/cover change[M].Beijing:Science Press，2000.

[2]李秀彬.全球環(huán)境變化研究的核心領(lǐng)域——土地利用/土地覆被變化的國(guó)際研究動(dòng)向[J].地理學(xué)報(bào)，1996，51(6):553-558.Li X B.A review of the international researches on land use/land cover change[J].Acta Geographica Sinica，1996，51(6):553-558.

[3]陳佑啟，Verburg P H.中國(guó)土地利用/土地覆蓋的多尺度空間分布特征分析[J].地理科學(xué)，2000，20(3):197-202.Chen Y Q，Verburg P H.Multi-scale spatial characterization of land use/land cover in China[J].Scientia Geographica Singca，2000，20(3):197-202.

[4]宋 翔，顏長(zhǎng)珍，朱艷玲，等.黃河源區(qū)土地利用/覆被變化及其生態(tài)環(huán)境效應(yīng)[J].中國(guó)沙漠，2009，29(6):1049-1055.Song X，Yan C Z，Zhu Y L，et al.Land use/cover change and associated effects on eco-environment in source region of Yellow River[J].Journal of Desert Research，2009，29(6):1049-1055.

[5]程國(guó)棟，張志強(qiáng)，李 銳.西部地區(qū)生態(tài)環(huán)境建設(shè)的若干問題與政策建議[J].地理科學(xué)，2000，20(6):503-510.Cheng G D，Zhang Z Q，Li R.On some issues of the ecological construction of west China and proposals for policy[J].Scientia Geographica Sinica，2000，20(6):503-510.

[6]劉彥隨，陳百明.中國(guó)可持續(xù)發(fā)展問題與土地利用/覆被變化研究[J].地理研究，2002，21(3):324-330.Liu Y S，Chen B M.The study framework of land use/cover change based on sustainable development in China[J].Geographical Research，2002，21(3):324-330.

[7]曾永年，吳孔江，靳文憑，等.青海高原東北部耕地變化及驅(qū)動(dòng)力分析[J].干旱區(qū)資源與環(huán)境，2012，26(8):89-92.Zeng Y N，Wu K J，Jin W P，et al.The arable land changes and its driving factors in eastern Qinghai Plateau[J].Journal of Arid Land Resources and Environment，2012，26(8):89-92.

[8]曾永年，靳文憑，何麗麗，等.青海高原東部農(nóng)業(yè)區(qū)土地利用遙感分類制圖[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(16):225-231.Zeng Y N，Jin W P，He L L，et al.Land use mapping using remote sensing for eastern part of Qinghai Plateau[J].Transactions of the Chinese Society of Agricultural Engineering，2012，28(16):225-231.

[9]劉紀(jì)遠(yuǎn)，張?jiān)鱿?，莊大方，等.20世紀(jì)90年代中國(guó)土地利用變化時(shí)空特征及其成因分析[J].地理研究，2003，22(1):1-12.Liu J Y，Zhang Z X，Zhuang D F，et al.A study on the spatialtemporal dynamic changes of land-use and driving forces analyses of China in the 1990s[J].Geographical Research，2003，22(1):1-12.

[10]何書金，王秀紅，鄧祥征，等.中國(guó)西部典型地區(qū)土地利用變化對(duì)比分析[J].地理研究，2006，25(1):79-86.He S J，Wang X H，Deng X Z，et al.Analysis on influencing factors of land use change in three typical areas of western China[J].Geographical Research，2006，25(1):79-86.

[11]吳 笛，吳滿意.青海省第二次全國(guó)土地調(diào)查中遙感影像目視解譯的研究[J].科技信息，2010(7):430-431.Wu D，Wu M Y.The second national land survey in Qinghai Province in the visual interpretation of remote sensing images[J].Science and Technology Information，2010(7):430-431.

[12]李維森.新技術(shù)在國(guó)家西部1︰50 000地形圖空白區(qū)測(cè)圖工程中的應(yīng)用[J].測(cè)繪科學(xué)，2010，35(6):8-11.Li W S.New technology applied in the project of west China topographic mapping at 1∶50 000 scale[J].Science of Surveying and Mapping，2010，35(6):8-11.

[13]沙占江，曾永年，馬海州，等.遙感和GIS支持下的龍羊峽庫(kù)區(qū)土地沙漠化動(dòng)態(tài)研究[J].中國(guó)沙漠，2000，20(1):51-54.Sha Z J，Zeng Y N，Ma H Z，et al.Dynamic monitoring of desertification with RS and GIS in Longyangxia reservoir area[J].Journal of Desert Research，2000，20(1):51-54.

[14]曾永年，馮兆東.沙質(zhì)荒漠化遙感監(jiān)測(cè)與環(huán)境影響研究進(jìn)展[J].山地學(xué)報(bào)，2005，23(2):218-227.Zeng Y N，F(xiàn)eng Z D.Advances in sandy desertification detecting and its environmental impacts[J].Journal of Mountain Science，2005，23(2):218-227.

[15]劉愛霞，王長(zhǎng)耀，王 靜，等.基于MODIS和NOAA/AVHRR的荒漠化遙感監(jiān)測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23(10):145-150.Liu A X，Wang C Y，Wang J，et al.Method for remote sensing monitoring of desertification based on MODIS and NOAA/AVHRR data[J].Transactions of the Chinese Society of Agricultural Engineering，2007，23(10):145-150.

[16]高志海，魏懷東，丁 峰.TM影像荒漠化解譯與成圖技術(shù)研究[J].遙感技術(shù)與應(yīng)用，2002，17(6):293-298.Gao Z H，Wei H D，Ding F.Study on interpretation and cartography technology of desertification by TM image[J].Remote Sensing Technology and Application，2002，17(6):293-298.

[17]戴 芹，劉建波，劉士彬.群智能方法在遙感信息提取中的應(yīng)用分析[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(4):13-16.Dai Q，Liu J B，Liu S B.Analysis of remote sensing information extraction using swam intelligence method[J].Computer Engineering and Applications，2011，47(4):13-16.

[18]劉小平，黎 夏，何晉強(qiáng)，等.基于蟻群智能的遙感影像分類新方法[J].遙感學(xué)報(bào)，2008，12(2):253-262.Liu X P，Li X，He J Q，et al.Classification of remote sensing images based on ant colony optimization[J].Journal of Remote Sensing，2008，12(2):253-262.

[19]戴 芹，劉建波.基于蟻群優(yōu)化分類規(guī)則挖掘的遙感圖像分類研究[J].計(jì)算機(jī)工程與應(yīng)用，2008，44(15):12-14.Dai Q，Liu J B.Research on remote sensing image classification using ant colony optimization(ACO)based classification rule mining algorithm[J].Computer Engineering and Applications，2008，44(15):12-14.

[20]肖 菁，梁燕輝.基于改進(jìn)Ant-miner算法的分類規(guī)則挖掘[J].計(jì)算機(jī)工程，2012，38(17):162-165.Xiao J，Liang Y H.Classification rule mining based on improved ant-miner algorithm[J].Computer Engineering，2012，38(17):162-165.

[21]Zhang H N，Huang F，Guo J C，et al.Automatic classification of remote sensing image using ant colony clustering algorithm[C]//Proceedings of the 2nd International Congress on Image and Signal Processing.Tianjin:IEEE Press，2009:1-4.

[22]Li R，Meia X，Liu J Y.New method of remote sensing image classification based on ant colony[C]//Proceedings of the 6th IEEE Joint International Information Technology and Artificial Intelligence Conference.Chongqing:IEEE Press，2011:375-379.

[23]曾永年，劉茂國(guó)，何麗麗，等.青海東部河湟地區(qū)建設(shè)用地時(shí)空變化分析[J].國(guó)土與自然資源研究，2011，34(4):26-28.Zeng Y N，Liu M G，He L L，et al.Spatial-temple analysis on buildup land changes in Huangshui and Yellow River basins in eastern Qinghai[J].Territory and Natural Resources Study，2011，34(4):26-28.

[24]杜明義，武文波，郭達(dá)志.多源地學(xué)信息在土地荒漠化遙感分類中的應(yīng)用研究[J].中國(guó)圖象圖形學(xué)報(bào)，2002，7(7):740-743.Du M Y，Wu W B，Guo D Z.Research on multi-source geographic information based classification of desertification[J].Journal of Image and Graphics，2002，7(7):740-743.

[25]謝 宏，程浩忠，牛東曉.基于信息熵的粗糙集連續(xù)屬性離散化算法[J].計(jì)算機(jī)學(xué)報(bào)，2005，28(9):1570-1574.Xie H，Cheng H Z，Niu D X.Discretization of continuous attributes in rough set theory based on information entropy[J].Chinese Journal of Computers，2005，28(9):1570-1574.