基于GF-1影像的東江流域面向對象土地利用分類

李恒凱，吳 嬌，王秀麗

（1. 江西理工大學建筑與測繪工程學院，贛州 341000；2. 江西理工大學經濟管理學院，贛州 341000）

0 引 言

東江流域位于珠江三角洲的東北端，是粵港重要的飲用水源和重點水質保護區(qū)[1]。近年來東江流域地區(qū)經濟迅猛發(fā)展，其經濟由下游逐漸向上游轉移，人類經濟活動對區(qū)域環(huán)境干擾程度與日俱增，土地利用發(fā)生著深刻的變化，流域生態(tài)安全問題凸顯[2]。東江流域土地利用信息的準確獲取，對于保持區(qū)域生態(tài)穩(wěn)定性和社會經濟的可持續(xù)發(fā)展具有重大意義。遙感影像能夠快速獲取大面積地球表面信息，已成為流域土地利用信息獲取的主要手段，但當前針對東江流域數(shù)據(jù)多為Landsat TM/ETM影像，空間分辨率較低，需要多景影像拼接，且東江流域處于多云多雨的中國南方，較少云遮擋的 Landsat TM/ETM不足，較難保證時間一致性，影響信息提取效果，而高空間分辨率影像成本較高，難以在整個流域范圍應用[1-3]。2013年，具有高精度、寬覆蓋特點的GF-1衛(wèi)星的發(fā)射為流域范圍更精細的地表信息提取提供了可能[4]，尤其該衛(wèi)星通過側擺可對同一位置進行重復周期僅有4 d的影像獲取，其較短的時間周期和寬覆蓋能較好彌補南方多云多雨天氣下光學影像不足的問題，在東江流域土地利用信息提取中展現(xiàn)了良好的應用潛力。

針對GF-1數(shù)據(jù)特點，一些學者陸續(xù)開展覆蓋數(shù)據(jù)信息提取方法研究[5-9]，并將這些方法應用于濱海陸地[5]、濕地[6-7]、城市用地[8-9]、精準農業(yè)[10-12]等信息提取方面，取得較好效果，展現(xiàn)了GF-1數(shù)據(jù)的優(yōu)越性能。一些應用研究表明，GF-1數(shù)據(jù)在信息提取方面，面向對象方法相對于傳統(tǒng)像元信息提取方法，能綜合考慮對象光譜、空間上下文信息及多種屬性信息，對于土地類型多樣、邊界模糊等混合像元有較好識別能力[5]，且比基于像元方法總體分類精度提高了3～10個百分點[7]。對于面向對象方法，其多尺度分割參數(shù)受區(qū)域地形、地貌、地理要素等影響[13]，且要根據(jù)不同數(shù)據(jù)特點及不同地域應用，制定集成遙感數(shù)據(jù)多維特征的地物提取規(guī)則及提取方法與相關參數(shù)[14-18]，具有較強的數(shù)據(jù)依賴及地域特點。本研究針對東江流域山地丘陵地形，其地物分布復雜，地塊小且破碎、水系較多等特點，基于GF-1數(shù)據(jù)，建立具有流域特點的分割尺度，采用模糊分層分類和 CART（classification and regression tree)決策樹細化分類相結合技術，構建面向對象的流域土地利用分類特征及信息提取方法，為流域生態(tài)穩(wěn)定性和社會經濟的可持續(xù)發(fā)展提供技術支持。

1 研究區(qū)概況

東江流域（圖1）東連粵東梅汕等地，西毗粵北韶關與清遠市，南接南海與香港相通，北牽贛南的東江源地區(qū)。該流域大部分跨越廣東省，即流經了廣東河源市、惠州市、東莞市、深圳市、韶關市、梅州市和廣州的增城市。地理位置為 113°52′～115°52′E，22°38′～25°14′N，東北部高、西南低，最高海拔不超過1 500 m，地物分布復雜，地塊小且破碎，林地農作物混雜度高，是典型的南方低山丘陵山地地區(qū)；該研究區(qū)內具有建設用地（交通、居民住宅等）、耕地、草地（人工草地、天然草地等）、水域（河流、水庫）、未利用地（裸地、沙地等）、園林地（針葉林、闊葉林等）等典型地物[19]。年平均溫度為20.4 ℃，是亞熱帶濕潤季風氣候區(qū)。流域內多年的平均降雨量在2000 mm左右，降雨頻繁但是在地理空間分布上很不均勻，湖泊河流眾多。東江流域是珠江三角洲城市群和香港特別行政區(qū)的重要水源地，屬于典型的南方紅壤生態(tài)脆弱區(qū)，水土流失現(xiàn)象頻發(fā)，生態(tài)環(huán)境極易遭到破壞[20]。

圖1 東江流域位置示意圖Fig.1 Location diagram of Dongjiang River Basin

2 數(shù)據(jù)來源與方法

2.1 數(shù)據(jù)來源與數(shù)據(jù)預處理

GF-1衛(wèi)星有效載荷包括2臺2 m分辨率全色和8 m分辨率多光譜PMS（panchromatic and multispectral）高分辨率相機和4臺16 m中分辨率寬幅多光譜WFV（wide field-of-view）相機及配套的高速數(shù)傳系統(tǒng)[21]，其中WFV數(shù)據(jù)具有800 km幅寬和4 d的回訪周期，特別適宜大范圍的土地利用變化監(jiān)測。本試驗采用5景GF-1的16 m WFV數(shù)據(jù)，影像標識符、獲取時間、傳感器類型、軌道號、太陽高度角如表1。整個研究區(qū)地處多云多雨的南方丘陵山區(qū)，11—12月份無云少云量數(shù)據(jù)較為容易獲得[22]。本次試驗采用的GF-1數(shù)據(jù)主要集中在12月份左右，數(shù)據(jù)質量較高。其他輔助數(shù)據(jù)包括從地理空間數(shù)據(jù)云獲取的5景Landsat8 OLI(operational land imager)影像，江西省、廣東省GDEMV2 30 m分辨率的DEM數(shù)據(jù)，全國縣級行政區(qū)劃矢量數(shù)據(jù)。參照全國《土地利用現(xiàn)狀調查技術規(guī)程分類體系》和南方丘陵山地生態(tài)特點[1]，將流域內地物分為河流、湖泊、灌草地、林地、耕地、園地、未利用地、建設用地8類。

為進行后續(xù)分析，特對原始數(shù)據(jù)進行處理，包括：通過水文分析對所選的DEM數(shù)據(jù)進行處理，獲取東江流域的矢量邊界；將選擇的Landsat OLI全色影像鑲嵌，使其完全覆蓋待校正的GF-1 影像，為正射校正做好準備；對所選擇的GF-1 影像進行輻射校正、大氣校正和正射校正。其中鑲嵌后的Landsat OLI全色影像為參考影像，GF-1影像為待校正影像，DEM數(shù)據(jù)為分辨率30 m GDEMV2數(shù)據(jù)；研究區(qū)域范圍內所有的 GF-1 影像正射校正完成后，進行圖像鑲嵌，得到完全包含研究區(qū)域的GF-1影像；最后通過東江流域的矢量邊界對鑲嵌后的GF-1影像進行裁剪，得到研究區(qū)域的GF-1 影像。

表1 GF-1影像標識符、獲取時間及類型特點Table 1 GF-1 image identifier, acquisition time,and type characteristics

2.2 研究方法

本研究以GF-1影像為數(shù)據(jù)源，對預處理后的影像利用多尺度分割（multiresolution segmentation）、模糊分類和 CART決策樹分類方法，結合近紅外波段、歸一化植被指數(shù)（NDVI）、長寬比等特征對東江流域的土地利用類型進行分類研究，技術路線如圖2所示。

圖2 面向對象分類總體技術路線圖Fig.2 Whole technical roadmap of object oriented classification

2.2.1 多尺度分割

影像分割受波段權重、光譜參數(shù)、形狀參數(shù)、緊致度、光滑度和尺度參數(shù)等因素的影響[23]。在影像分割過程中分割尺度的選擇尤為重要，分割不足與過度分割都可能導致分類精度的下降，傳統(tǒng)的方法需要根據(jù)實際情況反復試驗確定最優(yōu)分割尺度[24]。本文采用 ESP（estimation of scale parameters）[25]工具輔助來獲取東江流域最優(yōu)分割尺度，ESP在自定義的軟件環(huán)境中能夠快速地獲取多尺度分割的最優(yōu)尺度參數(shù)，是一種自下而上的以單個影像層為起點的區(qū)域合并技術。影像對象同質性局部方差（local variance，LV）作為分割對象層的平均標準差，以此來判定分割最佳尺度。對象分割最佳尺度參數(shù)用LV的變化率值ROC（rates of change）來表示，當LV的變化率值呈現(xiàn)下降趨勢并且突然出現(xiàn)峰值時，該點對應的分割尺度即為最佳分割尺度[25]。LV的變化率值為

式中ROC為LV的變化率，Li為在目標層第i對象層的平均標準差，Li–1為在目標層第i–1對象層的平均標準差。

本次研究設置分割的影像層數(shù)為150，以15為步長，形狀因子以及緊密度因子均設為0.5，各波段權重均設為1。利用ESP工具得出的ROC的極大值對應分割尺度（圖3）為210、270、300、330、375、420。各極值點都有可能是最佳分割尺度參數(shù)，在影像上同一塊區(qū)域得到不同尺度參數(shù)下的分割結果如圖4。

圖3 局部方差及其變化率隨分割尺度的變化Fig.3 Variation of local variance and its change rate with segmentation scale

圖4 局部真彩色影像圖及其不同分割尺度的分割效果Fig.4 Local true color image and its segmentation effect with different segmentation scales

試驗中進行影像分割時，顯示GF-1真彩色影像窗口與分割影像窗口，對比 2個窗口中地類的分割效果。如圖4所示，6個分割尺度參數(shù)得到的對象的大小是不一樣的，影像對象在分割效果圖上所表現(xiàn)的特征也不相同。通過目視解譯以及統(tǒng)計不同分割尺度下影像的對象個數(shù)及其分割特點（表2）?？梢缘玫剑河跋穹指钤?75時，其分割特征與實際地類較為吻合，影像上較少存在過分割和分割不完全的現(xiàn)象，對象均質性較為完好，故本文選取的最優(yōu)分割尺度為375。

表2 影像對象在不同分割尺度的特征Table 2 Image objects features with different segmentation scales

2.2.2 特征提取

最優(yōu)尺度分割后將會得到包含不同信息的影像對象，從分割好的影像對象中進行特征信息的提取，以此來劃分地物。由于決策樹分類本身存在誤差累積，為提高分類精度，采用模糊分類的方法先將容易區(qū)分的類別進行了區(qū)分（圖2）。模糊分類是以模糊邏輯（Fuzzy Logic）為理論基礎，在描述模糊概念時引入隸屬度函數(shù)，將屬于與不屬于的絕對判斷過渡到相對判斷，有效地消除人為設定閾值的主觀性與差異性，更加符合客觀真實規(guī)律[26]。對于分割好的影像對象，在決策樹構建的每一層節(jié)點采用合適的分類方法與參考特征。鑒于上述原則，建立分類規(guī)則來實現(xiàn)東江流域面向對象土地利用分類信息的提取。

首先通過近紅外波段值來區(qū)分水體與非水體，結合GF-1號真彩色影像發(fā)現(xiàn)，當近紅外波段均值小于480的地物類型為水體，大于 2 200的值確定為非水體，在（480～2 200）區(qū)間構建水體的隸屬度函數(shù)，通過隸屬小于函數(shù)來實現(xiàn)水體與非水體的提取[26]。在非水體類別中，主要運用NDVI指數(shù)來區(qū)分植被與非植被，NDVI指數(shù)對于僅含可見光波段的影像中綠色植被信息具有較好的提取效果[27]。同理結合GF-1號真彩色影像觀察，當NDVI指數(shù)大于0.62的地物類型為植被，小于0.21確定為非植被，通過構建這 2個值之間的隸屬大于函數(shù)區(qū)分植被與非植被[26]。在水體類別中，河流與水庫的光譜特征十分接近，僅僅依靠光譜特征很難加以區(qū)分，由于河流與水庫之間有著明顯的形狀特征差異，河流在形狀上呈現(xiàn)細枝狀并且同一條河流的寬度幾乎相同，而水庫在影像上表現(xiàn)為不規(guī)則的多邊形。結合GF-1號真彩色影像，當長寬比指數(shù)大于4.32時確定為河流，小于1.53即全部是水庫，在（1.53～4.32）區(qū)間引用隸屬大于函數(shù)[26]提取河流與水庫。上述步驟可以初步實現(xiàn)流域內地物的粗分類。

2.2.3 CART決策樹分類

Breiman等[28-29]提出的決策樹構建算法（CART分類回歸樹算法）用一種二分遞歸分割的技術，將包含測試變量與目標變量構成的訓練數(shù)據(jù)集（當前的樣本集）循環(huán)迭代分為 2個子樣本集，使得生成的每個非葉子節(jié)點都有2個分支，形成二叉樹形式的決策樹結構[30]。式（2）、式（3）、式（4）描述了CART結構的學習樣本集

式中 M1,M2,…,Mm為屬性向量，N為標簽向量。同時，CART算法采用GINI系數(shù)度量選擇測試屬性，選取GINI系數(shù)最小的屬性作為根節(jié)點的分裂屬性：

式中假設S=L為樣本集，類別集為{C1,C2,… ,Cn}，共n類，每個類對應 1個樣本子集 Ci=Si（1≤i≤n）。令|S|為樣本集的樣本數(shù)，|Ci|為樣本集S中屬于類Ci的樣本數(shù)，則ρi=Ci/S為樣本集中樣本屬于類Ci的概率，通過遞歸二分成的決策樹通常會有“過度擬合”現(xiàn)象，通過一定的修剪，最后生成相對最優(yōu)的二叉樹[31]。

在完成面向對象分類之前，需要選取好分類的樣本，為了更加清楚地選取地物的類型，可以將GF-1影像做主成分分析、最小噪聲變換、波段組合等增強處理，以便于更加精準地選取樣本。各地類的樣本點應均勻分布在研究區(qū)域內；為減少樣本點選取誤差，采用點選方式代替多邊形選擇樣本方式。按照地類在研究區(qū)域中的多少選擇各種地類的樣本數(shù)量，林地、園地、灌草地、耕地、建設用地、未利用地選擇的樣本點數(shù)量分別 200、100、100、80、50、20。樣本分離性值大約都在1.8～2.0之間被認為是合格樣本[32]，試驗中選取的未利用地、園地、林地、耕地、建設用地、灌草地 6類樣本都經過了樣本分離性計算，均合格。

基于面向對象CART決策樹分類法在2.2.2節(jié)流域粗分類基礎上，調用上述選取的 6類樣本調用面向對象的CART決策樹分類法參與細分類。得到的決策樹如圖 5所示，通過CART分類器計算GF-1影像各波段均值、最大差分值、亮度均值來實現(xiàn)流域內八大地物類型特征的提取。即圖2中面向對象的CART決策樹分類部分的二叉樹結構圖。

圖5 面向對象的CART分類決策樹Fig.5 Object oriented classification and regression trees(CART)

3 結果與分析

運用非監(jiān)督分類法、極大似然分類法、面向對象CART決策樹分類法對GF-1影像分類效果圖如圖6所示。

由圖 6可知，水庫能較為清晰地提取出來，河流及水庫的邊界輪廓可以較為清晰地識別；非監(jiān)督分類對于建設用地的提取效果較差。3種方法對于林地都有很好的提取，至于未利用地、園地、灌草地、耕地很難從圖中肉眼看出獲得精度的大小。

表 3為各分類方法的混淆矩陣，極大似然分類法與面向對象分類法能夠很好地識別河流，特別是極大似然分類法與面向對象的 CART決策樹分類法對于水庫的分類精度很高，非監(jiān)督分類根據(jù)影像的光譜信息進行分類，因此對于光譜信息類似的地物容易出現(xiàn)誤分，如河流與水庫光譜類似，非監(jiān)督分類法相對于其他 2種分類方法對于河流的分類精度稍弱。建設用地中，3種方法的提取精度都比較高。耕地的識別中，面向對象的 CART決策樹分類法效果比較好，達88.40%，極大似然分類方法效果較差。面向對象的 CART決策樹分類方法和非監(jiān)督分類法對于灌草地的識別精度都達 80%以上，而極大似然法對于灌草地的識別效果較差。園地主要集中在東江源區(qū)周邊，特別是贛州市尋烏縣分布著大片的臍橙園區(qū)，極大似然法對于園地的提取精度效果最高，面向對象的CART決策樹分類法次之，非監(jiān)督分類法提取效果不是很理想。對于林地而言，面向對象的 CART決策樹分類法和極大似然分類法提取林地的精度都比較理想，非監(jiān)督分類法明顯要低于其他2種分類方法。未利用地中，3種方法的提取效果都在 85%以上。最后再結合總體分類精度與Kappa系數(shù)，發(fā)現(xiàn)面向對象的CART決策樹分類方法相比于非監(jiān)督分類和極大似然分類都要高，該方法適合東江流域土地利用分類。

圖6 極大似然分類、非監(jiān)督分類與CART決策樹分類對比Fig.6 Comparison between maximum likelihood classification, unsupervised classification and CART decision tree

表3 極大似然法分類、非監(jiān)督分類、面向對象的CART決策樹分類混淆矩陣Table 3 Obfuscation matrix of maximum likelihood method classification, unsupervised classification and CART decision tree classification

4 結 論

GF-1影像數(shù)據(jù)具有較高的空間分辨率，但自身波段數(shù)目較少，另外由于東江流域境內以山地丘陵為主、地形高差較大、地物類型復雜，基于像元的分類方法效果不佳。本文討論了極大似然分類法、非監(jiān)督分類法、面向對象 CART決策樹分類法在東江流域的土地利用分類效果，通過選取合適的樣本試驗檢驗，面向對象的CART決策樹分類法在3種分類方法中精度最高，高達93.27%，Kappa系數(shù)高達0.92。不足的是耕地、園地、灌草地提取效果欠佳，后續(xù)可以引入紋理特征來提高分類精度。

[1] 彭資，谷成燕，劉智勇，等. 東江流域 1989–2009 年土地利用變化對生態(tài)承載力的影響[J]. 植物生態(tài)學報，2014，38(7)：675－686.Peng Zi, Gu Chengyan, Liu Zhiyong, et al. Impact of land use change during 1989－2009 on eco-capacity in Dongjiang watershed [J]. Chinese Journal of Plant Ecology, 2014，38(7):675－686. (in Chinese with English abstract)

[2] 任斐鵬，江源，熊興，等. 東江流域近 20 年土地利用變化的時空差異特征分析[J]. 資源科學，2011，33(1)：143－152.Ren Feipeng, Jiang Yuan, Xiong Xing, et al. Characteristics of the spatial-temporal differences of land use changes in the Dongjiang River Basin from 1990 to 2009 [J]. Resources Science, 2011，33(1)：143－152. (in Chinese with English abstract)

[3] 白曉燕，陳曉宏，王兆禮，等. 基于面向對象分類的土地利用信息提取及其時空變化研究[J]. 遙感技術與應用，2015，30(4)：798－809.Bai Xiaoyan, Chen Xiaohong, Wang Zhaoli, et al. A study on land use information extraction based on object-oriented classification technology and the temporal-spatial variation[J]. Remote Sensing Technology and Application, 2015,30(4): 798－809. (in Chinese with English abstract)

[4] 白照廣. 高分一號衛(wèi)星的技術特點[J]. 中國航天, 2013(8):5－9.

[5] 程乾，陳金鳳. 基于高分1號杭州灣南岸濱海陸地土地覆蓋信息提取方法研究[J]. 自然資源學報， 2015，30(2)：350－360.Cheng Qian, Chen Jinfeng. Research on the extraction method of land cover Information in southern coastal land of Hangzhou Bay Based on GF-1 image [J]. Journal of Natural Resources, 2015，30(2)：350－360. (in Chinese with English abstract)

[6] 陳文倩，丁建麗，王嬌，等. 基于高分一號影像的土地覆被分類方法初探[J]. 干旱區(qū)地理，2016，39(1)：182－189.Chen Wenqian, Ding Jianli, Wang Jiao, et al. Classification method of land cover based on GF-1 image [J]. Arid Land Geography, 2016, 39 (1): 182－189. (in Chinese with English abstract)

[7] Fu B, Wang Y, Campbell A, et al. Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data[J]. Ecological indicators, 2017, 73: 105－117.

[8] 郭玉寶，池天河，彭玲，等. 利用隨機森林的高分一號遙感數(shù)據(jù)進行城市用地分類[J]. 測繪通報，2016(5)：73－76.Guo Yubao, Chi Tianhe, Peng Ling, et al. Classification of GF-1 remote sensing image based on random forests for urban land-use [J]. Bulletin of Surveying and Mapping,2016(5): 73－76. (in Chinese with English abstract)

[9] 李淑圓，周靜妍，余世孝，等. 基于高分辨率遙感影像的廣州城市土地覆被分類系統(tǒng)[J]. 中山大學學報：自然科學版，2016，55(5)：82－88.Li Shuyuan, Zhou Jingyan, Yu Shixiao, et al. Land cover classification system in the city of Guangzhou based on high-resolution remote sensor data[J]. Journal of Sun Yat-sen University: Natural Science Edition, 2016, 55(5): 82－88. (in Chinese with English abstract)

[10] Qian S, Zhou Q, Wu W, et al. Mapping regional cropping patterns by using GF-1 WFV sensor data [J]. Journal of Integrative Agriculture, 2017, 16(2): 337－347.

[11] Zhang Y, Shi M, Zhao X, et al. Methods for automatic identification and extraction of terraces from high spatial resolution satellite data (China-GF-1) [J]. International Soil and Water Conservation Research, 2017, 5(1): 17－25.

[12] 王利民，劉佳，楊福剛， 等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識別[J]. 農業(yè)工程學報，2015，31(11)：194－201.Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite [J]. Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2015, 31(11)：194－201. (in Chinese with English abstract)

[13] 吳金勝，劉紅利，張錦水，等. 無人機遙感影像面向對象分類方法估算市域水稻面積[J]. 農業(yè)工程學報，2018，34(1)：70－78.Wu Jinsheng, Liu Hongli, Zhang Jinshui, et al. Paddy planting acreage estimation in city level based on UAV images and object-oriented classification method [J].Transaction of the Chinese society of agricultural engineering(Transaction of the CSAE), 2018, 34(1): 70－78. (in Chinese with English abstract)

[14] 張貴花，王瑞燕，趙庚星，等. 基于物候參數(shù)和面向對象法的瀕海生態(tài)脆弱區(qū)植被遙感提取[J]. 農業(yè)工程學報，2018，34(4)：209－216.Zhang Guihua, Wang Ruiyan, Zhao Gengxing, et al.Extraction of vegetation information in coastal ecological vulnerable areas from remote sensing data based on phenology parameters and object-oriented method[J].Transaction of the Chinese society of Agricultural Engineering (Transaction of the CSAE), 2018, 34(4)：209－216. (in Chinese with English abstract)

[15] 任傳帥，葉回春，崔貝，等. 基于面向對象分類的芒果林遙感提取方法研究[J]. 資源科學，2017，39(8)：1584－1591.Ren Chuanshuai Ye Huichun, Cui Bei, et al. Acreage estimation of mango orchards using object-oriented classification and remote sensing [J]. Resources Science,2017, 39(8): 1584－1591. (in Chinese with English abstract)

[16] Jebur M N, Mohd Shafri H Z, Pradhan B, et al. Per-pixel and object-oriented classification methods for mapping urban land cover extraction using SPOT 5 imagery [J]. Geocarto International, 2014, 29(7): 792－806.

[17] Liu D, Xia F. Assessing object-based classification:Advantages and limitations [J]. Remote Sensing Letters,2010, 1(4): 187－194.

[18] 張伐伐，李衛(wèi)忠，盧柳葉，等. SPOT5 遙感影像土地利用信息提取方法研究[J]. 西北農林科技大學學報， 2011，39(6)：143－147.Zhang Fafa, Li Weizhong, Lu Liuye, et al. Study on extraction methods of land utilization information based on SPOT5 [J]. Journal of Northwest A&F University, 2011,39(6): 143－147. (in Chinese with English abstract)

[19] 吳田軍，胡曉東，夏列鋼，等. 基于對象級分類的土地覆蓋動態(tài)變化及趨勢分析[J]. 遙感技術與應用，2014，29(4)：600－606.Wu Tianjun, Hu Xiaodong, Xia Liegang, et al. Analysis on dynamic change and tendency of land-cover based on objectoriented classification [J]. Remote Sensing Technology and Application, 2014, 29(4): 600－606. (in Chinese with English abstract)

[20] 吳嬌，李恒凱，雷軍. 東江源區(qū)植被覆蓋時空演變遙感監(jiān)測與分析[J]. 江西理工大學學報，2017，38(1)：29－36.Wu Jiao, Li Hengkai, Lei Jun. Remote sensing monitoring of spatiotemporal variation of vegetation cover in Dongjiang source area [J]. The Jiangxi University of Science and Technology Journal, 2017, 38(1): 29－36. (in Chinese with English abstract)

[21] 翁進，曾海波，羅國斌，等. GF-1衛(wèi)星數(shù)據(jù)在土地利用變更調查遙感監(jiān)測中的應用[J]. 安徽農業(yè)科學，2015，43(16)：358－362.Weng Jin, Zeng Haibo, Luo Guobin, et al. The application of GF-1 Remote Sensing Image in the land use change monitoring [J]. Journal of Anhui Agricultural Sciences, 2015,43(16): 358－362. (in Chinese with English abstract)

[22] 李恒凱，楊柳，雷軍，等. 利用 HJ-CCD 影像的紅壤丘陵區(qū)土壤侵蝕分析——以贛州市為例[J]. 遙感信息，2016，31(3)：122－129.Li Hengkai, Yang Liu, Lei Jun, et al. Soil erosion analysis in red soil hilly region by using HJ-CCD: A case study in Ganzhou [J]. Remote Sensing Information, 2016, 31(3): 122－129. (in Chinese with English abstract)

[23] 牛增懿，丁建麗，李艷華，等. 基于高分一號影像的土壤鹽漬化信息提取方法[J]. 干旱區(qū)地理，2016，39(1)：171－181.Niu Zengyi, Ding Jianli, Li Yanhua, et al. Soil salinization information extraction method based on GF-1 image [J]. Arid Land Geography, 2016, 39(1): 171－181. (in Chinese with English abstract)

[24] 陳天博，胡卓瑋，魏錸，等. 無人機遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學，2017，19(5)：692－701.Chen Tianbo, Hu Zhuowei, Wei Lai, et al. Data processing and landslide information extraction based on UAV remote sensing [J]. Journal of Geo-information Science, 2017, 19(5).692－701. (in Chinese with English abstract)

[25] Drǎgu? L, Tiede D, Levick S R. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859－871.

[26] 彭令，徐素寧，梅軍軍，等. 資源三號衛(wèi)星在汶川震區(qū)滑坡快速識別中的應用方法研究[J]. 遙感技術與應用, 2018,33(1): 185－192.Peng Ling，Xu Suning，Mei Junjun，et al. Research on Wenchuan Earthquake-induced Landslides rapid recognition from ZY-3 imagery[J]. Remote Sensing Technology and Application, 2018, 33(1): 185－192. (in Chinese with English abstract)

[27] 汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業(yè)工程學報，2015，31(5)：152－159.Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al.Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(5): 152－159. (in Chinese with English abstract)

[28] Breiman, Friedman J, Stone C J, et al．Classification and regression trees[M]．Boca Raton F L:Chapman ＆Hall/CRC,1984．

[29] 周志華. 機器學習[M]. 北京: 清華大學出版社，2016.

[30] 陳云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹分類方法及應用[J]. 地理與地理信息科學，2008，24 (2)：33－36.Chen Yun, Dai Jinfang, Li Junjie . CART-based decision tree classifier using multi-feature of image and its application [J].Geography and Geo-Information Science, 2008, 24(2): 33－36. (in Chinese with English abstract)

[31] 馬宇龍，林志壘. 基于面向對象和CART決策樹方法的遙感影像濕地變化檢測研究：以龍祥島地區(qū)為例[J]. 福建師范大學學報，2017(6)：69－80.Ma Yulong, Lin Zhilei. Wetland change detection based on object-oriented and CART decision tree method: A case study of wet[J]. Journal of Fujian Normal University, 2017(6):69－80. (in Chinese with English abstract)

[32] 吳健生，潘況一，彭建，等. 基于 QUEST決策樹的遙感影像土地利用分類：以云南省麗江市為例[J]. 地理研究，2012，31(11)：1973－1980.Wu Jiansheng, Pan Kuangyi, Peng Jian, et al. Research on the accuracy of TM images landuse classification based on QUEST decision tree: A case study of Lijiang in Yunnan[J].Geographical Research, 2012, 31(11): 1973－1980. (in Chinese with English abstract)