石漠化地區(qū)遙感影像信息提取方法綜述

楊董琳，王忠誠，胡文敏,2，曹 丹，劉 昊

(1.中南林業(yè)科技大學林學院，湖南 長沙 410004;2.中國林業(yè)科學研究院資源信息研究所，北京 100089)

石漠化(rocky desertification)是在人類活動的干擾破壞下，使喀斯特地區(qū)出現的土壤功能喪失、基巖裸露、生產力下降的土地退化過程[1]。中國西南地區(qū)的石漠化問題嚴重威脅著生態(tài)平衡和經濟發(fā)展，表現出分布面積極廣、生態(tài)環(huán)境脆弱、人口矛盾突出的特點[2]。在中國，作為喀斯特地貌發(fā)育的物質基礎——碳酸鹽類巖石總面積達200萬km2,其中裸露的碳酸鹽類巖石面積為130萬km2，埋藏的碳酸鹽巖類巖石面積為70萬km2[3]。根據《巖溶地區(qū)石漠化綜合治理工程“十三五”建設規(guī)劃》，截至2015年底，中央專項投資累計超過110億元，完成了巖溶土地治理面積為6.6萬km2，其中石漠化治理面積超過2萬km2。

自20世紀70年代后期提出石漠化現象以來[4]，遙感技術由于具有快速定位、覆蓋區(qū)域廣、經濟高效等特點受到研究人員的青睞[5]，利用遙感技術手段可以對石漠化地區(qū)進行監(jiān)測、預警、生態(tài)功能評價、空間結構分析和生態(tài)重建模擬[6-10]，通過發(fā)掘遙感的深層技術，可以進一步提高石漠化防治的便捷度和精準度，而遙感影像的信息提取是利用遙感影像研究石漠化的首要步驟。由于不同石漠化地區(qū)的地形復雜程度、使用的遙感影像分辨率和技術難點不同，與森林、城區(qū)、礦區(qū)等區(qū)域有所區(qū)別，導致信息提取的方法也各不相同。如石漠化地區(qū)純凈像元較少，應考慮采用比值增強法突出地物光譜特征，而森林地區(qū)則純凈像元較多，可以考慮采用復合分類器來解決訓練樣本不足的問題[11]；石漠化地區(qū)的面積雖然仍在不斷擴大，但還是無法與城市的快速擴張相比，城市不透水面較多的地區(qū)因需要反映城市擴張趨勢，多采用不受訓練樣本影響的指數法[12]，而石漠化地區(qū)則更注重利用模型構建方法來忽略較為破碎的地形。

根據研究區(qū)域的不同和遙感影像的限制，選取不同的遙感影像信息提取方法，能夠顯著提高信息提取的效率和精度，如微波遙感比光學遙感的持續(xù)監(jiān)測能力更強[13]，引入紋理特征比分析光譜特征更能減少同譜異質現象[14]等。為此，本文總結了近年來我國石漠化地區(qū)研究中遙感影像的信息提取方法，將遙感影像信息提取方法分為人機交互解譯法、比值增強法、監(jiān)督分類法、非監(jiān)督分類法、模型構建法、專家經驗法和面向對象分類法7種方法，并對以上方法的技術手段、優(yōu)缺點和適應性進行歸納，以為石漠化地區(qū)遙感影像的信息提取提供新思路。

1 石漠化地區(qū)遙感影像信息提取方法分類

遙感技術在石漠化地區(qū)的研究中應用廣泛，涵蓋了區(qū)域監(jiān)測預警、空間特征分析和區(qū)域現狀評價等各個方面[15-17]，見圖1。遙感影像信息提取技術是其應用的基礎，過去十幾年中，遙感影像信息提取技術從最基本的目視解譯、人機交互解譯和非監(jiān)督分類[18-20]，到支持向量機、BP算法和面向對象分類[21-23]，再到微波遙感和深度學習分類[24]，發(fā)展迅速。由于對石漠化的研究起步較晚，石漠化地區(qū)常用的遙感影像信息提取方法多為人機交互解譯、比值增強等傳統方法[25-27]，而微波遙感、神經網絡分類等新方法較少見，尤其是對于研究區(qū)域范圍較小的石漠化地區(qū)，往往采用人機交互解譯或者非監(jiān)督分類即可滿足遙感信息提取的精度要求[28-30]。

圖1 石漠化地區(qū)常用的遙感影像信息提取方法Fig.1 Some commonly used remote sensing information extraction methods in rocky desertification areas

通過對不同分辨率的遙感影像進行圖像增強、光譜分析、數據疊加和尺度分割等處理，獲取光譜特征指數、植被指數和紋理特征等，在不同的解譯標志和模型下可對石漠化地區(qū)的遙感影像進行信息提取。但由于研究地區(qū)的地形復雜程度、使用的遙感影像分辨率和采用的數據處理平臺不同，所以技術流程迥異，思路角度多樣，導致遙感影像信息提取的方法也不同。程洋等[31]將巖溶石漠化遙感影像信息提取方法分為人機交互解譯、比值增強、監(jiān)督分類、基于光譜特征的自動分類、基于時間序列的分類、基于專家經驗的分類、面向對象的分類7種方法；姚遠[32]則將喀斯特石漠化遙感影像信息提取方法分為目視解譯法、監(jiān)督分類法、基于知識的模型構建法、基于特征信息的提取法4種方法。

通過總結各類研究文獻[31-32]，本文將石漠化地區(qū)遙感影像信息提取方法分為人機交互解譯法、比值增強法、監(jiān)督分類法、非監(jiān)督分類法、模型構建法、專家經驗法和面向對象分類法，并對以上方法的技術手段、優(yōu)缺點和適應性進行了歸納，見表1。

表1 石漠化地區(qū)遙感影像信息提取方法的原理、優(yōu)缺點和適應性Table 1 Principle,advantages and disadvantages,and adapability to remote sensing image information extraction methods in rocky desertification area

2 石漠化地區(qū)遙感影像信息提取方法

2.1 人機交互解譯法

人機交互解譯法是石漠化地區(qū)最基礎的遙感影像信息提取方法之一，其流程是首先通過分級閾值或解譯標準劃分石漠化強度等級，一般會選用基巖裸露率和植被覆蓋率作為劃分依據[33]，然后建立解譯標志，人工辨認影像。如蘭安軍[34]將貴州喀斯特石漠化地區(qū)劃分為5個強度等級，通過野外實測建立解譯標志，對遙感影像進行信息提取；劉芳等[35]利用Landsat熱紅外遙感影像計算亮溫，并基于亮溫閾值建立解譯標志，對遙感影像進行信息提取。圖像增強的發(fā)展為人機交互解譯提供了輔助功能，而擁有更清晰信息量的影像將有助于提高人工判讀的精度，常見的圖像增強手段包括à trous 算法、G_L分數階微分理論和Tetrolet法等[36-38]。隨著遙感技術的進步和遙感影像空間分辨率的提高，如今人機交互解譯法大多在研究中作為一種修正和提高精準度的手段。如孫悅等[39]在采用二次圖像增強法對巖溶石漠化地區(qū)遙感影像進行信息提取后，運用人機交互解譯法減少了“同物異譜”和“同譜異物”的誤差。

人機交互解譯法具有較好的適應性，在不同空間分辨率的影像中皆可應用，能滿足一些小區(qū)域內的調查工作，但工作量大、效率低，受限于人工判讀的主觀性，也不能很好地拆解像元，不適用于大范圍的監(jiān)測工作。

2.2 比值增強法

比值增強法是石漠化地區(qū)目前最常用的遙感影像信息提取方法之一，其通過選取不同波段進行差異比較，利用兩個波段之間的比值增強影像。童立強[40]開展了西南巖溶石山地區(qū)石漠化信息自動提取技術研究，以TM數據為信息源，選取了TM5/TM4的比值進行運算，TM5波段能夠反映基巖裸露率，而TM4波段能夠反映植被覆蓋率，可對視反射率圖像進行圖像增強，計算機全自動分類，得到的結果為矢量化圖斑，其像元亮度值增強計算采用如下對數剩余變換公式：

Di=DNiTM5Gi4/DNiTM4Gi5

(1)

式中：Di為第i個像元的石漠化指數值；DNiTM5為第i個像元在TM5波段的亮度值；DNiTM4為第i個像元在TM4波段的亮度值；Gi4為整景圖像第4波段所有像元亮度值的幾何平均值；Gi5為整景圖像第5波段所有像元亮度值的幾何平均值；i為像元序號。

涂杰楠等[41]將基于RapidEye遙感影像比值密度分割法應用于巖溶石漠化調查中，先采用比值運算和密度分割方法進行增強運算，通過實地測量確定分類閾值，按照4個石漠化強度等級分類，然后分析R、G、B 3個波段的反射率，將不同地物在不同波段的像元亮度值放在一起進行對比，提煉出3個波段中差異最大的兩個波段，最后選擇了G/B比值用于遙感影像信息提取。密度分割是一種用于影像密度分層顯示的彩色增強技術，其原理是將具有連續(xù)色調的單色影像按一定密度范圍分割成若干等級，經分層設色顯示為一種新彩色影像[42]，可以根據該圖像的灰度值及其概率分布特征，選擇幾個分割點，將灰度值分為幾個等級，分別代表不同的特征覆蓋類型[43]。采用密度分割和比值運算的綜合增強方法是一種半定量化方法，具有快捷精準、能區(qū)分基巖裸露率的小范圍差異、對單一比值增強方法產生的主觀性誤差有很好的改善作用等特點。

與人機交互解譯法相同，比值增強法同樣需要先進行分級閾值確定，完成石漠化強度分級，在此基礎上進行最佳波段的優(yōu)選，利用最優(yōu)波段之間的差異性使圖像完成色彩增強，有助于提高解譯工作的精度，可用于中低空間分辨率的遙感影像，但是受限于波段的選擇，其信息提取的精度取決于波段優(yōu)選時的比值運算，同時還因為波譜分辨率取決于波段的多少，高空間分辨率影像波段少，波譜分辨率低，進行波段優(yōu)選時缺乏差異性對比，因此比值增強法在高空間分辨率影像信息提取中難以運用。

2.3 監(jiān)督分類法

監(jiān)督分類法的普遍應用大幅度推動了遙感影像信息提取技術的發(fā)展，其原理是從研究區(qū)中選擇訓練樣本，通過野外測量和光譜分析的手段確定各個地物在不同波段中的像元亮度值，形成作為“參考標準”的特征值，以此建立判別函數，最后利用計算機全自動解譯[44]。監(jiān)督分類法包括最大似然分類法、最小距離分類法、平行六面體分類法和波譜角分類法等幾種主要的分類方法，在實際運用中應將各種方法進行對比，選擇適用于不同地形特征、不同空間分辨率和不同地物分布格局的方法，以提高遙感影像信息提取成果的精度[45]。

監(jiān)督分類法中的最大似然分類法的運用最為普遍，這是一種非線性分類方法，具有誤差小、運算簡易的優(yōu)點[46]，一般可利用混淆矩陣來驗證其分類精度，缺點是樣本訓練量較大，需要較長的計算時間。最大似然分類法默認影像數據呈正態(tài)分布，按照訓練樣本的均值和方差來判別歸屬概率，其使用的判別函數為

(2)

式中：x為光譜特征向量;ωi為類別；p(ωi)為類別ωi的先驗概率；∑為協方差矩陣,有：

(3)

其中：

(4)

式中：xik表示第i個特征的第k個特征值；N為第i個特征的特征值總個數;∑i為第i類的協方差矩陣;ui為第i類的均值向量。

周欣等[47]則采用EOS-MODIS作為數據源，將廣西全境石漠化強度按照4個等級分類，先通過短波紅外/近紅外波段的比值運算增強圖像，然后運用主成分分析進行降維處理，最后對主成分分析結果進行最大似然分類法分類，生成研究區(qū)石漠化分布的信息圖。利用綜合比值增強法和監(jiān)督分類法進行遙感影像的信息提取，既可以避免因為波譜分辨率較低導致的波段差異小的問題，也可以顯著提升空間分辨率，提取的信息更清晰。

楊明龍[48]同樣選擇了綜合方法，使用增強型植被指數法建立石漠化指數模型，再采用監(jiān)督分類法進行遙感影像信息提取，并利用Kriging插值技術對信息提取中的影像缺失做了處理，避免了傳統方法中遙感影像信息提取忽略陰影的處理而使誤差較大的缺陷。

監(jiān)督分類法利用計算機全自動分類，運行速度高于人機交互解譯法，適用于大范圍的研究區(qū)域，也是當前普及率最高的遙感影像信息提取方法之一，它通過對訓練樣本的反復訓練，可以有效地提高解譯精度。但是，由于石漠化地區(qū)地形起伏大、陰影面積廣，嚴重影響了光譜特征對不同地物的描述，識別分類也受訓練樣本所限制，該方法的解譯成果精度普遍較低，多數研究者選取其他手段與監(jiān)督分類法綜合運用進行遙感影像信息提取，這也是為了使不同方法之間相互彌補缺點，以達到提高解譯精度的目的。

2.4 非監(jiān)督分類法

非監(jiān)督分類法與監(jiān)督分類法的不同之處是其不需要訓練樣本，僅依賴光譜特征直接進行分類，分類結果需要進行野外觀測主觀添加屬性，其原理是從不同類別的像元中選取特征點作為中心點，然后按照最小距離將像元歸類到各個中心點，再重新分析光譜特征抓取新的中心點，依次迭代直到完成分類[49]。根據初始聚類中心的選擇方式，非監(jiān)督分類法包括主成分分類法、等混合距離法、集群分析法、ISODATA算法(迭代自組織數據分析算法)、K-均值聚類法(K-means聚類法)等幾種方法[50]。

主成分分類法由傳統的主成分分析(Principal Component Analysis,PCA)發(fā)展而來，通過線性變換將大量的光譜信息降維呈若干主成分變量，能夠有效節(jié)省工作量，但由于受線性變換自身工作量的限制，加之難以消除波譜分辨率信息丟失的問題，因此該方法難以成為常用的非監(jiān)督分類手段，往往需要與其他方法結合使用[51]。如劉維等[52]在江西長河流域石漠化研究中提出的植被巖溶比重指數(VKPI)就是通過主成分變換得到的，其將歸一化植被指數(NDVI)、植被覆蓋度、地表溫度等指標經過線性變換后形成VKPI，再利用分級閾值法對VKPI進行分級來提取巖溶流域石漠化信息。

K-均值聚類法對初始聚類中心點的選取是隨機的，呈現高效率、低精度的特點，一般用于處理小范圍研究區(qū)域的遙感影像信息提取。如郭彤等[53]在最佳指數波段選擇法和K-均值聚類法的基礎上，提出了基于聚類和最佳指數的快速高光譜波段選擇方法，并利用最小數據集的思想進行了技術改進，發(fā)現K值的取值范圍會顯著影響計算結果，其綜合精度高于K-均值聚類法。ISODATA算法是在K-均值算法的基礎上，通過增加對聚類結果的“合并”和“分裂”兩個操作，并設定算法運行控制參數的一種聚類算法，其是對非監(jiān)督分類法的“自動化”修正。蔣紅娟等[54]在西疇縣對石漠化區(qū)域時空演變研究時使用了該方法。

非監(jiān)督分類法相較于其他分類方法實用性較差，尤其是缺乏先驗知識訓練，使其分類結果精度較低，一般用于小區(qū)域內的快速解譯。

2.5 模型構建法

模型構建法包括光譜分析法、多源信息疊加法、指標評價法和時間模型法4種方法，其特點是遙感影像信息提取結果不僅取決于影像自身的光譜特征，還取決于結合光譜特征構建的不同模型，該方法適用性較強，往往與其他方法相結合進行遙感影像信息提取。如陳起偉等[55]采用光譜分析法和人機交互解譯法相結合的方法，實地采樣統計光譜間結構特征，建立了基于遙感光譜特征的喀斯特石漠化信息提取模型，后期依賴人機交互解譯法提取信息。但是模型構建法的核心手段是模型，缺乏統一的標準劃分模型閾值，也缺乏能夠定量描述光譜特征的表征方法。

2.5.1 光譜分析法

光譜分析法的原理是每種地物都具有不同的光譜變化范圍，呈現出不同的波段特征，據此可以在計算機中直接進行遙感影像信息提取。因為受限于地形因素，光譜分析法與人機交互解譯法相互補充，是較好的遙感影像信息提取方法[31]。

最早的光譜混合模型是夏學齊等[56]在石漠化程度遙感信息提取方法研究中提出的，遙感影像的信息提取是混合像元的分解，通過選取高空間分辨率遙感影像，根據光譜混合分析理論[57]，對植被純凈像元(植被線)進行了尋找和提取，形成光譜混合分析模型，但由于植被線呈現出線狀特征，因此定義混合像元到植被線的距離為石漠化幾何指數，用來作為解譯標志，并按照5個石漠化強度等級對遙感影像進行了信息提取，此后進行的實地調查發(fā)現實地石漠化強度等級與遙感影像信息提取的石漠化強度等級基本一致。

光譜分析法的核心手段是對光譜特征的描述，如岳躍民等[58]在對石漠化遙感評價因子提取研究的基礎上，提出了石漠化綜合指數，利用不同的評價因子對光譜特征進行了不同描述；熊鷹等[59]在不同遙感信息來源下對喀斯特石漠化評價指標提取進行了對比研究；劉澤東[60]則采用纓帽變換綠度指數法和掩膜分區(qū)法對廣西河池地區(qū)巖溶石漠化ETM+數據進行了影像光譜特征分析，其中纓帽變換綠度指數法通過亮度、綠度和濕度分量體現影像光譜特征，掩膜分區(qū)法則是直接去除非喀斯特區(qū)域，然后疊加適宜的指標進行遙感影像信息提取。

光譜分析法因其影像分析的便利性而較為普及，但依然受限于景觀異質性較強的區(qū)域，這些區(qū)域難以尋找純凈像元，往往需要結合其他手段才能有效提高解譯精度。

2.5.2 多源信息疊加法

多源信息疊加法相較于其他遙感影像信息提取方法，需要在遙感影像上疊加更多信息，如數字高程模型數據、土地利用現狀數據和水文數據等，通過這些數據的輔助，更精準地進行影像光譜特征分析。如宗慧琳等[61]將植被覆蓋率和巖石裸露率賦予權重，然后通過波段計算加權疊加到處理軟件中，再利用碳酸鹽分布圖分離非巖溶地區(qū)，利用土地利用現狀圖掩膜區(qū)分人為建筑設施，最后得到滇東南巖溶石漠化分布信息圖。

多源信息疊加法可以利用不同來源的信息進行疊加，除去土地利用現狀圖和碳酸鹽分布圖等，還可以疊加紋理特征或相關矢量數據。如李松等[62]通過對小流域尺度的土地石漠化遙感影像進行圖斑分割，以土地利用邊界構建了石漠化穩(wěn)定指數；Wang等[63]利用BP神經網絡和無人機高空間分辨率相結合的手段，計算了基巖裸露率，最后提取了石漠化分布信息；涂杰楠等[64]對在高空間分辨率影像中利用NDVI和植被覆蓋度進行信息提取生成石漠化空間分布圖，并將分布圖進行疊加用來分析石漠化演變趨勢的傳統方式做了改進，改為在確定閾值前進行疊加，客觀上減少了信息提取的誤差。

石漠化是一種綜合條件下的土地退化過程，與地形條件、水文過程、人口密度和社會經濟發(fā)展均有相關性，通過多源信息疊加可以有效地綜合各方面的條件，提高石漠化地區(qū)遙感影像信息提取的精度。

2.5.3 指標評價法

指標評價法常用的兩個指標是植被覆蓋度和基巖裸露率，但在石漠化遙感影像信息提取方法的發(fā)展過程中，很少將其作為單一手段進行遙感影像信息提取，而是用于輔助光譜特征分析或形成綜合性指標對石漠化強度等級進行分類。如凌成星等[65]使用中巴資源一號02B衛(wèi)星影像數據來源，采用增強型植被指數(EVI)獲取光譜特征指數，分析譜間特征，尋找裸巖與其他地類的差異，然后建立空間分析坡度圖，利用專家經驗法提取石漠化信息；閆利會等[66]則采用了由基巖裸露率、地形坡度、植被覆蓋度等指標綜合計算得出的石漠化敏感性指標，按照石漠化強度5個等級的敏感度分級來提取石漠化信息；李麗等[67]利用植被覆蓋度進行遙感影像信息提取，通過像元線性分解模型估算出植被覆蓋度，從而區(qū)分石漠化區(qū)域和非石漠化區(qū)域，然后將植被覆蓋度劃分為3個石漠化強度等級來提取石漠化信息。

指標評價法的遙感影像信息提取成果較為穩(wěn)定，但存在主觀性，需要解譯人員具備扎實的信息處理能力、豐富的理論知識和實踐經驗，故該方法往往需結合其他方法進行信息提取。

2.5.4 時間模型法

由于遙感影像空間分辨率較低，故時間模型法應用較少，其原理是基于多時間遙感影像的精準配準的遙感影像動態(tài)監(jiān)測，但傳感器誤差和氣象影響經常會導致信息提取精度受限。如陳希等[68]使用Sentinel-1合成孔徑雷達影像和Landsat8光學遙感影像綜合劃分石漠化分類等級，并利用SAR數據后向散射系數構建時間序列來提取石漠化信息；李松等[69]選擇1992年和2001年兩個時相的影像，對兩張影像進行差值處理，采取對無變化區(qū)進行聚合、對變化區(qū)進行變化檢測的遙感變化方法自動提取石漠化信息，其變化檢測判別式為

Y(x,y,z)=f[X(x,y,z)]=a·X(x,y,z)+b+c

(5)

式中：X(x,y,z)和Y(x,y,z)分別為兩個時相的影像信息；(x,y,z)為目標要素的位置;a為變換矩陣;b為石漠化動態(tài);c為噪聲動態(tài)。

2.6 專家經驗法

不同于其他遙感影像信息提取方法，專家經驗法主要依賴于專家分類系統將各類指標和多源信息進行處理，然后利用聚類提取信息。專家經驗法是一種基于層次規(guī)則集(Hierarehy Rules)的非監(jiān)督分類法，其特點是每次進行信息提取時都需要在專家分類模塊中定義分類規(guī)則，有較高的自定義優(yōu)勢，但限于沒有訓練樣本或精確的光譜特征分析，所以當經驗模型較少時，信息提取成果的精度也較低。

如陳飛等[70]選擇了基于CART決策樹的專家經驗法，決策樹的每一次選擇都相當于獲取專家經驗(規(guī)則)，先結合巖性圖切除非喀斯特區(qū)域，用土地利用圖切除喀斯特區(qū)域內的城鎮(zhèn)和水體等區(qū)域，然后按照決策樹分類和石漠化強度等級分類提取石漠化信息;王貴為[71]也采用了專家經驗法提取了普定石漠化分布區(qū)域信息，其經驗數據庫來自專家設計，并與光譜分析法進行了對比，發(fā)現專家經驗法提取的石漠化信息在年度或季度變化上與光譜分析法有較大的差異。

專家經驗法在石漠化地區(qū)的遙感影像信息提取中應用較少，常見于小范圍的區(qū)域研究，并受限于專家經驗數據庫的建設，是一種精度普通且缺乏靈活性的遙感影像信息提取方法。

2.7 面向對象分類法

與傳統的分類法不同，面向對象分類法的特點是信息源來自地物特征，是一種近年逐漸發(fā)展起來的新方法，其原理是利用紋理特征、灰度值或幾何特征等地物特征來分割影像和提取信息[72]，能適用于高空間分辨率遙感影像，避免出現“椒鹽”現象[73]。面向對象分類法最早由Benz等[74]提出，其發(fā)展迅速，目前已經有許多研究成果，研究結果均表現出該方法在高空間分辨率遙感影像信息提取中的優(yōu)勢。如孫華等[75]研究了面向對象的決策樹分類技術，其分類精度達到了80%以上；周迪等[76]在貴州省大方縣石漠化地區(qū)利用紋理特征數據和地形數據進行了面向對象分類研究，并利用混淆矩陣對分類精度進行評價，最終得到的分類精度高于90%。

將尺度劃分引入石漠化強度等級劃分，將有助于建立石漠化強度等級分類的標準。胡順光等[77]提出了利用隸屬度函數，并綜合巖石、地形、人為、植被、土壤、石漠化指標系數等因子合成的石漠化綜合指標度進行信息提取的方法，基于該方法，經過尺度劃分，石漠化區(qū)域的地形特征表現出不同于非石漠化區(qū)域的紋理特征，以此提取石漠化信息。

為了保證提取信息的完整性，針對不同的地物，應用不同的分割尺度，可基于亮度值的相似性或紋理信息來增加地物類別的可分性，以提高地物的分類精度[78]。如鄭慧茹等[79]經過反復試驗提出了不同權重下100/60/40的分割尺度，分別適用于灌草、水體、人工建筑、耕地等不同地物，最后得到的總體分類精度超過了80%；夏林等[78]則是采用了40/40/20的分割尺度，使總體分類精度超過了85%；王平等[80]采用非監(jiān)督分類劃分的閾值進行分割，同時設計了SAR向后散射系數與HSV(六角錐體模型)融合處理，其解譯精度超過了90%。

總結以上研究可以看出，不同的分割尺度和處理手段將會顯著影響遙感影像解譯精度，根據合并算法迭代，選取不同的分割層數和形狀因子反復嘗試更多的分割尺度，有利于提高面向對象分類法的遙感影像信息提取精度。面向對象分類法是近幾年發(fā)展起來的遙感影像信息提取新方法，其核心理論與基于像素分類法迥異，國外遙感信息提取軟件eCognition的推廣也提高了該方法的普及率。雖然該方法將石漠化地區(qū)遙感影像信息提取技術從半定量半定性階段帶入到定量階段，信息提取精度較高，適用于高空間分辨率遙感影像，但由于該方法還處于探索階段，研究成果較少，加上提取的地貌類型有限，分割尺度也需要依靠經驗反復試驗才能得出，因此在短時間內其難以大范圍的普及。

3 結論與展望

本文介紹了人機交互解譯法、比值增強法、監(jiān)督分類法、非監(jiān)督分類法、模型構建法、專家經驗法和面向對象分類法7種遙感影像信息提取方法，并概述了其技術手段、優(yōu)缺點和適應性。但隨著遙感技術的進步，單一的石漠化地區(qū)遙感影像信息提取方法已經不能滿足信息提取精度的要求，在人機交互解譯法、比值增強法、監(jiān)督分類法、非監(jiān)督分類法、模型構建法、專家經驗法和面向對象分類法等多種遙感影像信息提取方法中，還需要根據研究區(qū)域的實際情況，選取技術性和適應性相配套的方法，并輔助不同手段，才能更好地提高遙感影像信息提取精度。岳躍民等[81]研究指出，人機交互解譯法、比值增強法和指標評價法等方法仍然處于人工解譯的階段，其工作量大、主觀性強，而光譜分析法等方法也受限于純凈像元，而我國西南地區(qū)的石漠化形勢嚴峻，地形復雜多變，現有的基于像素分類法已經難以滿足日益增長的石漠化影像解譯的需求，半定性半定量的信息提取方法必須在現有遙感技術的基礎上進一步發(fā)展，并探索面向對象分類法。因此，本文對我國石漠化地區(qū)遙感影像信息提取方法的未來發(fā)展方向進行了展望：

(1) 重視光譜綜合指數模型的研究：目前許多研究將基巖裸露率、植被覆蓋率、地形坡度等指標通過變換運算總結成增強型植被指數或石漠化敏感性指標，試圖去除各類影響石漠化指標的劣勢，增強指標的優(yōu)勢，以此形成具有代表性的特征值，進行信息提取，但是該方法沒有統一的標準，形成的光譜綜合指數的代表性也沒有定論，只能通過獲取解譯精度的評價來表征綜合指數，這極大地影響了石漠化遙感影像信息提取方法的開發(fā)與創(chuàng)新。因此，重視光譜綜合指數模型的研究，形成統一的變換標準，有利于增強半定性半定量的遙感影像信息提取方法的解譯精度。

(2) 繼續(xù)探索對面向對象分類法的研究：面向對象分類法因其立足于地物形狀特征和紋理特征的特殊性，在當前和未來的石漠化地區(qū)遙感影像信息提取中占據極為重要的地位，也是目前對高空間分辨率影像進行信息提取的最佳選擇之一?，F有的遙感影像信息提取方法單一，無法避免石漠化區(qū)域因為復雜的地形而產生的提取精度下降問題，因此有必要對面向對象分類法進行深入探究。

(3) 加大對高光譜影像的研究力度：目前高光譜影像在其他領域已經應用頗多，但在石漠化地區(qū)的研究中卻應用較少，而高光譜影像波譜分辨率高、紋理特征豐富，非常適合石漠化地區(qū)的研究。因此，加大研究力度，在現有遙感影像信息提取方法的基礎上不斷嘗試，開發(fā)適用于高光譜影像信息提取的新方法，是擴展石漠化地區(qū)遙感影像信息提取技術的新途徑。