基于決策樹方法的青藏高原溫泉區域高寒草地植被分類研究

張秀敏，盛 煜，南卓銅，趙 林，周國英，岳廣陽

(1.中國科學院寒區旱區環境與工程研究所 凍土工程國家重點實驗室，甘肅 蘭州 730000;2.中國科學院寒區旱區環境與工程研究所，甘肅 蘭州 730000;3.中國科學院寒區旱區環境與工程研究所 青藏高原冰凍圈觀測試驗研究站，甘肅 蘭州 730000;4.中國科學院西北高原生物研究所，青海 西寧 810001))

植被作為一個重要的生態因子，是反映生態環境和氣候變化的敏感指示器，而植被類型又是進行植被研究的基礎[1]。由于自然界植被類型的復雜多樣性，傳統利用人工進行實地調查的方法將耗費大量人力和物力[2]，尤其對于一些環境惡劣及交通不便的高山地區，如我國的青藏高原。由于山區地形的復雜性，使山區植被分類成為植被研究的一大難題[3]，近年來衛星遙感技術的發展為區域及全球植被變化和分類研究提供了新方法，利用遙感技術進行植被分類的關鍵在于圖像分類方法，如何將大量的遙感信息有效地應用于較高精度的分類中，一直是人們努力的方向[4]。植被指數(VI)作為一個重要的遙感參數，能夠敏感地反映出植被覆蓋度、生物量等生物物理性質，已成功地應用于植被分類、農作物估產、土地覆蓋、氣候變化等各項研究中[4-20]。常用植被指數包括歸一化差值植被指數(NDVI)和增強型植被指數(EVI)。近年來，國內外學者利用植被指數數據，采用不同的分類方法對不同區域的植被分類進行了廣泛的研究。目前分類方法主要有傳統的監督和非監督方法，這些方法僅僅依據遙感影像中地物光譜進行分類，且不考慮遙感影像的時相信息，難以解決混合像元問題；同時難以集成現有的坡向、高程等地理數據，難以解決地物“同物異譜，異物同譜”的問題，造成分類精度較低[17]。隨著科學技術的發展，最新智能算法——決策樹，憑借其算法的靈活性和快速性，在植被分類中得到廣泛的應用。如Yang等[18]利用決策樹的方法對加拿大西南部的一個農場的農作物和耕地進行了分類，總體精度為89%；Mallinis等[19]基于決策樹的方法利用QUICKBIRD影像完成了地中海的森林植被類型圖，并且分類精度較高。齊紅超等[17]在基于C5.0算法的決策樹基礎上，利用NDVI數據來區分植被和非植被信息，完成了武威市的土地利用圖；陳君穎和田慶久[2]基于高分辨率IKONOS影像采用決策樹的方法完成了南京市區的植被類型圖；韓濤[20]利用TM遙感圖像通過一種簡單的決策樹分類方法,成功地對祁連山典型地區的針葉林和灌木草進行了分類,并對分類結果進行檢驗。

以上基于決策樹方法的植被分類研究多是選擇恰當的植被指數閾值對物候差異性較顯著的森林植被和農作物進行了分類研究，對于同一區域，具有相似時序VI譜線特征的像元往往被認為是同一種植被類型來處理的[19]，因此取得了較好的分類結果。但是對于高寒環境下的青藏高原具有相似VI時序特征的高寒草地，利用決策樹分類算法嘗試完成高寒草地植被分類的研究尚不多見，而高寒草地作為高原分布最為廣泛的植被類型，包括高寒草甸、高寒草原和高寒沼澤草甸等各種類型，是進行高原各項植被研究的物質基礎，包括高寒草甸、高寒草原和高寒沼澤草甸等各種類型。再者，國內外學者多是利用NDVI應用于植被分類研究中，已有研究表明，NDVI對植冠背景的影響較為敏感，當植被覆蓋度小于15%或大于80%時，由于土壤背景的影響與飽和度問題，會使冠層反射率發生變化，從而導致NDVI對植被檢測的靈敏度下降[21-22]。而EVI數據是在NDVI的基礎上開發的新的植被指數，它進一步減小了氣溶膠的影響，同時考慮到土壤背景的影響，是綜合處理土壤、大氣及飽和度問題的增強型植被指數[23-24]。因而在理論上，對高植被覆蓋區或受土壤背景影響較大的地區，如青藏高原，采用EVI代替NDVI數據來研究植被分類更具有適用性。地球觀測系統的中分辨率成像光譜儀(MODIS)傳感器憑借高時間分辨率、高光譜分辨率、適中的空間分辨率和全球免費接收的特點，使植被指數在區域及全球植被分類研究中具有極其重要的價值。因此，以青藏高原溫泉區域為研究區，利用野外調查數據和遙感數據，綜合分析不同植被類型的MODIS/EVI時序曲線特征和地理分布特征，建立知識庫并探討決策樹分類算法進行高寒草地植被分類的可行性，以期為高寒草地植被分類的研究提供一種新的途徑。

1 數據與方法

1.1研究區概況 研究區位于青海省瑪多縣、興海縣、都蘭縣及瑪沁縣交界處的溫泉區域(圖1a)，地理范圍為99°06′～99°42′ E，35°6′～35°42′ N，總面積約2 520 km2，區內海拔介于3 430～5 300 m，平均海拔為4 327 m。區內主要有鄂拉山和姜路嶺兩山脈分布，呈西北-東南走向，和青康公路方向垂直，形成一系列相間排列的山地和斷陷盆地，主要有溫泉谷地和苦海灘地(圖1b)。根據研究區附近花石峽氣象站的觀測資料[25]，該區年平均氣溫為-3.2 ℃，年極端最高氣溫為18.5 ℃，年極端最低氣溫為-32.5 ℃；年降水量500～600 mm，屬寒溫帶大陸性氣候。研究區內河流縱橫，植被發育良好，植被類型主要有高寒草甸、高寒草原、高寒沼澤草甸和高寒灌叢。

1.2研究數據 本研究使用的遙感數據為NASA的MODIS /EVI產品(MOD13Q1)、30 m的Land satTM數據和中國西部環境與生態科學數據中心提供的90 m的DEM數據。其中，MODIS/EVI產品的空間分辨率為250 m，時間分辨率是16 d，共223個時相的影像數據(2000年3月5日-2009年10月31日)。為使用方便，將HDF 格式轉化為TIFF格式，并把SIN地圖投影轉換為WGS84經緯度坐標系統。LandsatTM數據包括13 336和13 335兩景數據，成像時間為2009年8月11日，在專家的指導下，利用TM數據在室內完成了研究區域的植被分類目視解譯圖并利用野外99個樣地對分類圖像進行精度驗證，其分類精度為88%。

圖1 青藏高原溫泉區域的數字高程及采樣點分布

在“青藏高原凍土本底調查項目”的支持下，2009年9-10月對溫泉區域開展了野外樣地數據的采集工作。野外數據采用樣線和樣方相結合的方法進行取樣，為了和空間分辨率250 m的MODIS/EVI數據聯系起來，樣地盡量布置在植被狀況均一、范圍廣等具有代表性的4種植被類型(高寒草甸、高寒草原、高寒沼澤草甸、高寒灌叢)的區域上。高寒草甸的建群種主要以耐寒、多年生、密叢、短根莖、地下芽的嵩草屬植物為主，如高山嵩草(Kobresiapygmaea)、矮生嵩草(K.humilis)、苔草(Carextristachya)和西藏嵩草(K.tibetica)等，其他伴生植物如小葉黃芪(Astragalushulunensis)、火絨草(Leontopodiumleontopodioides)和美麗風毛菊(Saussureapulchra)等也有較為廣泛的分布。依據土壤含水量的不同將高寒草甸分為高寒沼澤草甸和高寒草甸。高寒草原主要是以耐寒、抗旱的多年生叢生禾草為建群種所形成的群落，紫花針茅(Stipapurpurea)是調查區高寒草原最為主要的建群種之一，其伴生植物如火絨草、小葉黃耆等在樣地中也有較為集中和廣泛的分布，高寒灌叢通常生長茂密，覆蓋度較大，主要樹種有山生柳(Salixoritrepha)、金露梅(Potentillafruticosa)、鬼箭錦雞兒(Caraganajubata)等。

各樣地分別設置1條50 m樣線，每條樣線上再隨機布置5～10個1 m×1 m的樣方(間隔為5～10 m)。每個樣方記錄的內容：植被類型、植物群落結構、植物種類、蓋度、分種蓋度、平均株高等群落特征。利用手持GPS記錄樣地中各個樣方的經緯度、海拔高度、坡度、坡向，每個樣地的位置為樣地內所有樣方的經緯度平均值。此次野外共采取了99個樣地(圖1b所示的白色方框)，其中高寒草甸(49個)、高寒草原(30個)、高寒沼澤草甸(16個)、高寒灌叢(4個)。

1.3決策樹算法 決策樹算法是指根據影像的不同特征，以樹型結構表示分類或決策集合，產生規則和發現規律[26]。首先利用訓練空間實體集生成判別函數，其次根據不同取值建立樹的分支，在每個分支子集中重復建立下層結點和分支，最后形成決策樹[27]。決策樹由一個根結點(R)、一系列內部結點(I)和終極結點(T)組成，每個結點只有一個父結點和兩個或多個子結點。決策樹算法在遙感分類中的應用是依據規則把遙感數據集一級級往下細分作為決策樹的各個分支，終極結點則為分類結果[28]，具體分類流程如圖2所示。

圖2 決策樹分類模型[27]

2 區域內各植被類型的地理空間分布特征和EVI時序曲線特征分析

2.1野外測點的代表性 由于交通不便和地理條件的限制，在瑪日塘高平原區域(圖1b)沒有布設植被采樣點，從空間分布特征來看，采樣點分布具有不均勻性。但是通過對比分析整個溫泉區域和采樣點的海拔、坡度和坡向分布情況，發現兩者具有相近的分布特征，說明這些采樣點具有較好的代表性(圖3)。但在某些方面仍有差異存在，具體表現在：由于坡度為35°～48°的區域在整個區域所占的比例為0.39%，對測點代表性的影響較小，加之交通不便，因此在坡度超過35°的陡坡沒有布設測點；在野外實地踏勘的基礎上，在海拔高于4 700 m的地方植被覆蓋比較稀疏，地表大部分為裸巖，因此在高于4 700 m的地方沒有布設測點；樣地坡向和整體坡向的差異主要體現在東北、東及西北3個方向上。

2.2區域內各植被類型的地理空間分布特征 高寒草甸主要分布在3 900～4 500 m的高程帶上，坡度主要集中于0°～18°的區域，其中有2個測點處于陡坡，并在各個坡向都有分布；高寒草原主要分布在3 600～4 400 m的稍有起伏的緩坡和平坦地區(0°～15°)，有3個測點位于陡坡，坡向除東北，東都有分布。高寒沼澤草甸分布于4 100～4 400 m的平地以及緩坡上(0°～20°)，坡向分布與高寒草原類似。高寒灌叢分布集中于4 000～4 300 m的稍有起伏的緩坡上(0°～15°)，主要集中于北坡、西北坡、東北坡3個坡向上(圖4)。

圖3 樣地和整個區域的坡度、坡向、海拔對比

圖4 不同植被類型采樣點的海拔、坡向、坡度分布

2.3區域內各植被類型的EVI時序曲線特征分析 為了消除極端氣候事件對植被的影響，利用10年長時間序列EVI數據進行分析；根據樣地經緯度提取相應像元EVI的方法，所獲數據代表的是局部尺度上的植被分布情況，對于具有植被類型及植被狀況均一和分布范圍較廣等特點的區域，采取了3×3格網的鄰域處理方法能更好地反映植被的生長狀況。在這一前提條件下，首先計算同一時相遙感影像數據10年的EVI平均值，以99個野外樣地為中心，取3×3格網的平均值作為野外樣地的EVI值，最后計算每一時期同種植被類型所有測點的EVI平均值，得到了每種植被類型的EVI時序曲線(圖5)。各植被類型均具有相似的物候特征，自5月24日左右進入返青期，生長迅速，EVI增加明顯；8月12日左右到達盛草期，EVI達到最大值；10月31日進入枯黃期，EVI明顯下降。由于受青藏高原特殊的高寒環境下極端低氣溫的影響，其他時期為各種植被類型的休眠期，EVI值沒有明顯的變化。不難發現，不同植被的差別主要反映在EVI數值的差異，即3個時期4種植被的EVI均值具有可分離性，尤其在盛草期時表現明顯。

圖5 不同植被類型的EVI時間序列曲線圖

對4種植被類型各時期所有測點進行EVI誤差分析發現(圖6)，雖然每一生長期任意2種植被類型的平均EVI值是不同的，但是整個EVI分布區間有重疊性。以8月12日盛草期的4種植被類型的EVI為例:高寒草甸的EVI最小值為0.12，EVI平均值為0.34，EVI最大值為0.50；高寒草原的EVI最小值為0.14，均值為0.25，最大值為0.38；高寒沼澤草甸的EVI最小值為0.28，均值為0.39，最大值為0.51；高寒灌叢的最小值為0.27，均值為0.35，最大值為0.43。假設某一種植被類型的EVI值為0.30，很難判定它的類別歸屬問題。

圖6 不同植被類型的增強型植被指數(EVI)誤差分析圖

3 基于決策樹方法的植被分類結果和精度評價

3.1分類結果 分析可知，對于具有相似物候特征的植被類型，僅依據EVI均值進行分類，會存在錯分的現象。由于受水熱條件的影響，同種植被類型或不同植被類型分布在不同的地貌單元，從而各種植被類型具有地理空間分布特征的差異性，因此嘗試以EVI數據分區為基礎，同時考慮各種植被類型的地理空間分布特征，最后采取決策樹的方法來完成該區域的植被分類圖。

在盛草期(8月12日)時，4種植被類型的EVI均值之間具有最大的可分離性(圖5)。因此，以盛草期的EVI影像為基礎進行植被分類研究。利用中國西部環境與生態科學數據中心提供的1∶10萬的土地利用圖，選取表征低覆蓋草地和裸地的大量點并提取相應點的EVI值，通過比較兩者的EVI均值，最終確定了植被和非植被臨界EVI值為0.14，即EVI>0.14的像元為植被，否則為非植被。當EVI>0.5時，可以認為像元完全被高寒沼澤草甸所覆蓋(圖6)。在保證每個EVI區間有幾種植被類型一定數量樣地的前提下，采用等間距的方法將EVI劃分了6個區間，即0.14～0.25、0.25～0.30、0.30～0.35、0.35～0.40、0.40～0.45和0.45～0.50，然后統計分析每個EVI區間內每種植被類型的坡向、坡度和海拔的分布特征，最后總結出分類規則。

1)在0.14～0.25區間，高寒草甸和高寒草原分布，通過統計比較發現，高寒草甸主要集中分布在海拔高于4 300 m的西南和西坡地帶，而高寒草原在其他地帶廣泛分布。

2)在0.25～0.30區間，高寒草甸、高寒草原和高寒沼澤草甸3種植被類型分布存在，統計每種類型的地理空間分布特征，其中高寒草甸主要分布在海拔高于4 300 m的陰坡地帶；高寒沼澤草甸分布在海拔低于4 000 m的地表條件濕潤的南坡，西南坡和西坡地帶，其余地帶為高寒草原分布。

3)在0.30～0.35區間，高寒草甸和高寒草原2種植被類型分布，統計對比2種植被類型的地理空間分布特征，其中高寒草原主要分布在海拔低于4 000 m的南坡、西南坡和西坡地帶，其余地帶為高寒草甸分布地帶。

4)在0.35～0.40區間，4種植被類型都有分布，統計分析4種類型的地理空間分布特征，其中高寒草甸主要分布在東、南、西北坡向地帶，高寒草原主要分布在西南坡向，高寒灌叢主要分布在西坡向，其余地帶為高寒沼澤草甸分布帶。

5)在0.40～0.45區間，高寒草甸、高寒沼澤草甸及高寒灌叢分布，高寒草甸主要分布在海拔高于4 000 m的東北坡向及坡度小于10°的東南坡向地帶，高寒灌叢主要分布在西坡向地帶，其余地帶為高寒沼澤草甸的分布地帶。

6)在0.45～0.50區間，高寒草甸和高寒沼澤草甸分布，高寒草甸主要分布在陽坡地帶，其余地帶為高寒沼澤草甸分布地帶。

在EVI數據分區的基礎上，借助海拔、坡度和坡向的地理信息，生成了每個EVI區間的判別函數(表1)，在這些判別函數的支持下，最終構建了溫泉區域的高寒草地植被分類的決策樹(圖7)。

在遙感軟件ENVI的支持下，利用以上溫泉區域植被分類決策樹得到了研究區的高寒草地植被分類結果圖，并對分類結果進行后處理，將小于3個像元的小圖斑合并于周圍大圖斑中，得到的最終分類結果(圖8)。植被類型以高寒草甸和高寒草原為主，兩者的面積占整個區域的80%以上。高寒草甸和高寒沼澤草甸主要集中分布在丘陵低山的半陰坡以及地表積水的洼地地區；高寒草原主要分布在地勢平坦的瑪日塘高平原地區；由于陰坡太陽輻射和蒸散發強度較弱，高寒灌叢主要分布在鄂拉山和姜路嶺的陰坡地區。

3.2精度評價 精度評價是遙感數據分類過程中一項不可缺少的工作，通過精度分析，分類者將改進分類模式提高分類精度；使用者根據分類精度，能正確、有效地獲取分類結果中的信息[29]。本研究通過TM影像目視解譯和實地調查相結合，在保證每個類別都有一定數量樣本的前提下，從分類結果隨機抽取283個樣本進行評價，采用誤差矩陣和Kappa系數對分類結果進行評估，表2為分類精度評價的結果，總體分類精度為72%，Kappa系數為0.6。相比物候差異性較顯著的植被分類而言，分類精度相對較低，主要是由于在青藏高原特殊的高寒環境下，該區域的幾種植被具有相似的生長規律即物候性相似造成的。總體來說，基于決策樹方法的植被分類結果在溫泉區域具有一定的可行性，這為以后的高寒草地植被分類的研究提供了一種新的途徑。從每種植被類型的生產精度方面而言，高寒草原的分類精度最高，高寒灌叢的分類精度最低；使用精度方面，高寒沼澤草甸的精度最低，說明高寒沼澤草甸和高寒灌叢出現錯分漏分的現象較多。可能是由兩方面的原因造成的：1)兩者的樣本點太少；2)EVI值分布區間較接近。高寒沼澤草甸有16個樣點，而高寒灌叢只有4個樣點，在生成決策規則時，可能缺乏反映情況的真實性和本研究采用的簡單隨機采樣法有關，可能是沒有抽取到足夠數量的樣本。在盛草期時，高寒沼澤草甸EVI值域為0.28～0.49，而高寒灌叢的值域范圍為0.27～0.43，兩者的EVI值域比較接近，因而造成高寒沼澤草甸和高寒灌叢的分類結果不理想。

表1 決策樹的判別函數

圖7 決策樹分類方法流程圖

圖8 溫泉區域的植被類型圖

表2 植被類型分類精度評價

4 討論

本研究以青藏高原溫泉區域為研究區綜合分析了各種高寒草地植被類型的EVI時序特征和地理分布特征，采用決策樹的方法進行植被分類研究，并對分類結果進行了精度評價，說明該方法在溫泉區域具有可行性。

對于季相節律性和物候特征差異不顯著的高寒草地植被類型的分類研究，僅僅利用EVI的均值進行植被分類存在一定的誤分現象，但是結合植被的地形特征數據，采用決策樹的方法能有效地識別出各種植被類型，并獲得了較好的分類結果。同時本研究利用野外樣地每一時序10年的EVI均值數據來分析分布特性，這種處理長時間序列數據的方法更能反映植被的實際生長狀況以及消除極端事件對植被的影響。決策樹方法在溫泉區域具有可行性，為以后的高寒草地植被分類的研究提供了一種新的途徑，但能否應用于青藏高原其他地方有待于進一步研究。

盡管此方法在研究區取得了較好的分類結果，但仍存在著由于算法參數選擇所引起的算法穩定性問題，如采樣點的數目問題而引起的判別函數缺乏真實性和全面性。由于研究區的高寒灌叢和高寒沼澤草甸在野外實際工作中采點數目少，導致誤差較大，因而在以后的研究中應注重樣地數目的均勻性來進一步提高決策樹方法的分類精度。

致謝:本文得到青藏高原多年凍土本底調查研究項目資助，野外工作得到吳吉春、陳繼、史健宗、石偉、劉楊等的幫助，在此表示衷心感謝。同時感謝中國西部環境與生態科學數據中心為本研究提供研究區域的數字高程模型以及NASA提供的250 m的EVI數據和30 m的Landsat TM數據(https://wist.echo.nasa.gov/api)。

[1]李曉兵,史培軍.基于NOAA/AVHRR數據的中國主要植被類型NDVI變化規律研究[J].植物學報,1999,41(3):314-324.

[2]陳君穎,田慶久.高分辨率遙感植被分類研究[J].遙感學報,2007,11(2):221-227.

[3]競霞,王錦地,王紀華,等.基于分區和多時相遙感數據的山區植被分類研究[J].遙感技術與應用,2008,23(4):394-397.

[4]顧娟,李新,黃春林.基于時序MODIS NDVI的黑河流域土地覆蓋分類研究[J].地球科學進展,2010,25(3):318-326.

[5]華維,范廣洲,周定文,等.青藏高原植被變化與地表熱源及中國降水關系的初步分析[J].中國科學:D輯,2008,27(4):732-740.

[6]趙冰茹,劉闖,劉愛軍,等.利用 MODIS-NDVI進行草地估產研究——以內蒙古錫林郭勒草地為例[J].草業科學,2004,21(8):12-15.

[7]周兆葉,儲少林,王志偉,等.基于 NDVI 的植被覆蓋度的變化分析[J].草業科學,2005,25(12):23-29.

[8]李霞,崔霞,黃曉東,等.北疆不同草地類型MODIS植被指數的時空變化研究[J].草業科學,2007,24(9):5-11.

[9]王兮之,杜國楨,梁天剛,等.基于RS和GIS的甘南草地生產力估測模型構建及其降水量空間分布模式的確立[J].草業學報,2001,10(2):95-102.

[10]王鶯,夏文韜,梁天剛,等.基于MODIS植被指數的甘南草地凈初級生產力時空變化研究[J].草業學報,2010,19(1):201-210.

[11]王曉爽,胡卓瑋,趙文吉,等.基于EVI 植被指數的大尺度草地多源信息綜合分類研究[J].草業科學,2011,28(1):10-17.

[12]馬軒龍,李文娟,陳全功.基于GIS與草原綜合順序分類法對甘肅省草地類型的劃分初探[J].草業科學,2009,26(5):7-13.

[13]Wardlow B D,Egbert S L.Large-area crop mapping using time-series MODIS 250m NDVI data:an assessment for the US Central Great Plains [J].Remote Sensing of Environment,2008,112:1096-1116．

[14]Hansen M C,DeFries R S,Townshend J R G,etal.Towards an operational MODIS continuous field of percent tree cover algorithm: Examples using AVHRR and MODIS data[J].Remote Sensing of Environment,2002,83:303-319．

[15]Zhan X,Ohlberg R A,Townshend J R G,etal.Detection of land cover changes using MODIS 250 m data [J].Remote Sensing of Environment,2002,83:336-350．

[16]Wessels K J,DeFries R S,Dempewolf J,etal.Mapping regional land cover with MODIS data for biological conservation:Examples from the Great Yellowstone Ecosystem,USA and Para State,Brazil [J].Remote Sensing of Environment,2004,92:67-83．

[17]齊紅超,祁元,徐瑱.基于C5.0決策樹算法的西北干旱區土地覆蓋分類研究——以甘肅省武威市為例[J].遙感技術與應用,2009,24(5):648-654．

[18]Yang C C,Prasher S O,Enright P,etal.Application of decision tree technology for image classification using remote sensing data[J].Agricultural Systems,2003,76(3):1101-1117．

[19]Mallinis G,Koutsias N,Tsakiri-Strati M,etal.Object-based classification using Quick bird imagery for delineating forest vegetation polygons in a Mediterranean test site,ISPRS[J].Journal of Photogrammetry and Remote Sensing,2008,63:237-250．

[20]韓濤.用TM資料對祁連山部分地區進行針葉林、灌木林分類研究[J].遙感技術與應用,2002,17(6):317-321.

[21]宋楊,萬幼川,申紹洪,等,基于傅立葉變換的混合分類模型用于NDVI時序影像分析[J].武漢大學學報,2007,32(5)：406-409.

[22]趙英時.遙感應用分析原理與方法[M].北京：科學出版社，2003.

[23]劉玉潔,楊忠東.MODIS遙感信息處理原理與算法[M].北京:科學出版社，2001.

[24]王正興,劉闖，陳文波,等.MODIS增強型植被指數EVI與NDVI初步比較[J].武漢大學學報(信息科學版),2006，31(5):407-410.

[25]丑亞玲,盛煜,韋振明.多年凍土區公路路基陰陽坡溫度及變形差異分析[J].巖石力學與工程學報, 2009,28(9):1896-1903．

[26]Quinlan J.Introduction of decision trees [J].Machine Learning,1986,1(1):81-106．

[27]李德仁,王樹良,李德毅,等.論空間數據挖掘和知識發現的理論與方法[J].武漢大學學報(信息科學版),2002,27(3):221-233．

[28]Friedl M,Brodley C.Decision tree classification of land covers from remotely sensed data [J].Remote Sensing of Environment,1997,61(3):399-409．

[29]趙萍,傅云飛.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學報,2005,9(6):708-716．