基于Landsat的石漠化信息提取方法研究

摘 要：【目的】對湖南省懷化市辰溪縣的石漠化提取方式進(jìn)行研究分析，為南方丘陵的生態(tài)修復(fù)提供可靠依據(jù)。【方法】基于Landsat-9 OLI影像，結(jié)合基巖裸露率和植被覆蓋度，構(gòu)建石漠化分級指標(biāo)，并利用專家經(jīng)驗(yàn)決策樹和基于向量機(jī)的面向?qū)ο竽Ｐ瓦M(jìn)行石漠化提取，將石漠化程度分為重度、中度、輕度、潛在、無石漠化5個等級。通過真彩色遙感影像、谷歌地球歷史影像和野外實(shí)地核查進(jìn)行精度對比。【結(jié)果】專家經(jīng)驗(yàn)的決策樹法驗(yàn)證總精度（89%）高于基于向量機(jī)的面向?qū)ο蠓ǖ尿?yàn)證總精度（64%），Kappa系數(shù)分別為0.852 052和0.530 209。研究區(qū)石漠化總體呈輕度，主要分布在東北部。【結(jié)論】建議在南方丘陵地區(qū)廣泛應(yīng)用專家經(jīng)驗(yàn)的決策樹提取方法，以提高石漠化監(jiān)測的準(zhǔn)確性和實(shí)用性。地勢陡峭和坡耕地等特征區(qū)域應(yīng)重點(diǎn)關(guān)注。

關(guān)鍵詞：石漠化；Landsat；決策樹；面向?qū)ο螅换煜仃?/p>

中圖分類號：X171 " " 文獻(xiàn)標(biāo)志碼：A " " "文章編號：1003-5168（2024）12-096-08

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.12.020

Research on Extraction Method of Rocky Desertification Information Based on Landsat

——Take Chenxi County as an Example

LONG Sijia HU Xiangrong QI Mengru DAI Liangliang ZHANG Hongchao

（Changsha Natural Resources Comprehensive Survey Center， China Geological Survey， Changsha 410600， China）

Abstract：[Purposes] The author aims to study and analyze the extraction method of rocky desertification in Chenxi County， Huaihua City， Hunan Province， in order to provide a reliable basis for ecological restoration of southern hills. [Methods] Based on Landsat-9 OLI image， combined with the exposure rate of bedrock and vegetation coverage， the rocky desertification classification index was constructed， and the expert experience decision tree and object-oriented model based on vector machine were used to extract rocky desertification， and the degree of rocky desertification was divided into five levels： severe， moderate， mild， potential and no rocky desertification. The accuracy was compared by true color remote sensing image， Google Earth historical image and field check. [Findings] The total validation accuracy of expert experience decision tree method （89%） was higher than that of vector machine-based object-oriented method （64%）， with Kappa coefficients of 0.852 052 and 0.530 209， respectively. The rocky desertification was generally mild and mainly distributed in the northeastern part of the study area. [Conclusions] The study suggests that the decision tree extraction method based on expert experience should be widely applied in the hilly areas of South China to improve the accuracy and practicability of rocky desertification monitoring， and the characteristic areas such as steep terrain and sloping farmland should be paid more attention.

Keywords： rocky desertification; landsat; decision tree; object-oriented; confusion matrix

0 引言

石漠化自古以來就是我國西南地區(qū)嚴(yán)重且典型的生態(tài)環(huán)境問題，據(jù)文獻(xiàn)可追溯到明朝的徐霞客撰寫的《徐霞客游記》［1］。石漠化的實(shí)質(zhì)是植被退化喪失、土壤侵蝕、地表水流失、基巖溶解和土地生物生產(chǎn)力的降低結(jié)合在一起，導(dǎo)致土地退化所生成的產(chǎn)物［2］。碳酸鹽巖的低成土率和高滲透性造就了巖溶地帶易于形成石漠化的特性，頻繁的人類活動干擾是石漠化形成的根本原因［3］。

石漠化提取的影響因素較多，近年來石漠化的提取方式層出不窮。國內(nèi)外學(xué)者基于多源數(shù)據(jù)，在算法模型及構(gòu)建特征空間等方面有較多的研究，但并沒有形成較為統(tǒng)一的石漠化提取體系。Pu等［4］基于不同算法及數(shù)據(jù)源研究得出隨機(jī)森林法（RF）優(yōu)于袋裝決策樹（BDT）和極度隨機(jī)樹（ERT）；Xu等［5］為在區(qū)域尺度上提取石漠化信息，基于ETM圖像利用Enhanced Thematic Mapper Plus開發(fā)了一種基于對象的支持向量機(jī)（SVM）耦合方法，取得了良好的結(jié)果；Cai等［6］基于Landsat 8的SWIR、Red和NIR波段構(gòu)建了二維SWIR-NIR、Red-NIR和SWIR-Red反射光譜特征空間，得出垂直石漠化指數(shù)1（PRDI1）提取效果最佳；Tan等［7］基于土地覆蓋樣本的光譜統(tǒng)計和可分離性分析得出光譜指數(shù)歸一化差值氧化鐵指數(shù)（NDIOI）、歸一化反射率范圍指數(shù)（NRRI）、歸一化差異紅砂礫巖和砂巖指數(shù)（NDGI）等，使用空間決策規(guī)則構(gòu)建決策樹進(jìn)行分類也得到了令人滿意的結(jié)果。

由于Landsat［8］系列衛(wèi)星影像時間回溯長且數(shù)據(jù)較全，可為南方丘陵區(qū)大面積石漠化時空變化研究提供更全面的參考。因此，本研究基于Landsat-9 OLI影像，利用植被覆蓋度和基巖裸露率因子構(gòu)建石漠化指標(biāo)體系，引進(jìn)基于專家經(jīng)驗(yàn)的決策樹和基于向量機(jī)的面向?qū)ο蟮忍崛》椒ㄟM(jìn)行對比研究，選出最優(yōu)提取方法，研究的新穎之處在于將傳統(tǒng)的專家經(jīng)驗(yàn)提取與決策樹融合，提高分類精度，使分類效率得到極大提升。

1 研究區(qū)概況及數(shù)據(jù)來源

1.1 研究區(qū)概況

選取湖南省懷化市辰溪縣北部石漠化典型區(qū)（110°25′15″E～110°3′20″E，28°13′9″N～27°47′50″N）為研究區(qū)（如圖1所示）。由船溪鄉(xiāng)、田灣鎮(zhèn)、孝坪鎮(zhèn)、辰陽鎮(zhèn)等10個石漠化典型鄉(xiāng)鎮(zhèn)［9］組成，總面積約為914 km2，占辰溪縣總面積的46 %。辰溪縣位于湖南省西北部，地處湘西山區(qū)和湘南平原的過渡地帶，區(qū)內(nèi)地形起伏較大，屬于閩江、珠江流域交匯的新化河流域，地勢由西北向東南逐漸升高，山地、丘陵和平原分布格局復(fù)雜多樣，最高海拔為976 m。區(qū)內(nèi)主要土地利用類型以灌木林地為主，其次為耕地。研究區(qū)屬于亞熱帶季風(fēng)氣候，年平均氣溫為16～18 ℃，年降水量為1 100～1 300 mm。

1.2 數(shù)據(jù)來源

本研究使用2022年10月18日Landsat-9 OLI影像數(shù)據(jù)，數(shù)據(jù)來源于美國地質(zhì)調(diào)查局（USGS）官網(wǎng)（https：//earthexplorer.usgs.gov/），云量0.15%，空間分辨率30 m。數(shù)字高程模型（DEM）數(shù)據(jù)來源于美國國家航空航天局（NASA）分布式活動檔案中心網(wǎng)站（https：//search.asf.alaska.edu/#/），空間分辨率12.5 m。土地利用數(shù)據(jù)來源于Google Earth Engine平臺1985—2020年全球30 m精細(xì)地表覆蓋動態(tài)監(jiān)測產(chǎn)品GLC_FCS30-1985_2020。巖溶區(qū)數(shù)據(jù)來源于中國科學(xué)院航空遙感中心。

2 研究方法

2.1 石漠化指標(biāo)提取

由于植被覆蓋和巖石裸露情況是區(qū)分巖溶地帶石漠化等級最直觀的地表覆蓋現(xiàn)象，因此將植被覆蓋度（VCF）和基巖裸露率（BFR）兩大重要指標(biāo)作為本研究的基礎(chǔ)指標(biāo)。本研究利用李苗苗等［10］的像元二分模型對植被覆蓋度進(jìn)行提取，基巖裸露率的提取則借鑒張曉倫等［11］的NDRI模型，計算方法及公式見表1。

表1 石漠化指標(biāo)提取公式

[指標(biāo)

公式 NDVI

（歸一化植被指數(shù)） [NDVI=（NIR?RED）/（NIR+RED）] VCF

（植被覆蓋度） [VCF=（NDVI?NDVISOIL）/（NDVIveg?NDVISOIL）] NDRI

（歸一化巖石指數(shù)） [NDRI=（SWIR2?NIR）/（SWIR2+NIR）] BFR（基巖裸露率） [BFR=（NDRI?NDRISOIL）/（NDRIveg?NDRISOIL）] 注：[NIR]、[RED]、[SWIR2 ]分別代表Lansat-9 OLI影像的band5、band4、band7。

[NDVIveg]指完全由植被所覆蓋的像元值，[NDVISOIL]指完全由泥土所覆蓋的像元值。

[NDRIveg]指完全由裸露巖石所組成的值，[NDRISOIL]指完全由無裸露巖石組成的值。 ]

2.2 石漠化分級指標(biāo)體系構(gòu)建

本研究石漠化等級劃分標(biāo)準(zhǔn)基于LY/T 1840—2020《喀斯特地區(qū)植被恢復(fù)技術(shù)規(guī)程》［12］。通過實(shí)地考察充分了解石漠化現(xiàn)狀，并考慮到巖溶區(qū)和土地利用類型分布情況，以數(shù)據(jù)可獲取性、地域性、系統(tǒng)性為依據(jù)，結(jié)合前人的巖溶區(qū)石漠化分級評價指標(biāo)體系，選取植被覆蓋度（VCF）、基巖裸露率（BFR）兩個指標(biāo)作為主要提取因子，將石漠化程度劃分為5個等級：無石漠化、潛在石漠化、輕度石漠化、中度石漠化、重度石漠化（見表2）。

表2 石漠化分類等級表

單位：%

[植被覆蓋度 基巖裸露率 lt;20 20～30 30～50 50～70 gt;70 gt;70 NORD NORD QZRD QZRD QZRD 50～70 NORD QZRD QZRD QZRD QDRD 30～50 QZRD QZRD QDRD QDRD QDRD 20～30 QZRD QZRD QDRD ZDRD ZDRD lt;20 QZRD QZRD QDRD ZDRD SDRD 注：NORD：無石漠化，QZRD：潛在石漠化，QDRD：輕度石漠化，ZDRD：中度石漠化，SDRD：重度石漠化。 ]

2.3 解譯標(biāo)志建立

支持向量機(jī)的面向?qū)ο筇崛⌒枰M(jìn)行樣本訓(xùn)練，所提取的樣本要通過建立解譯標(biāo)志對照提取，訓(xùn)練樣本的精度對分類結(jié)果有決定性影響。因此，本研究通過查閱文獻(xiàn)資料、野外實(shí)地調(diào)查，結(jié)合Google Earth影像、Landsat影像，建立5個等級石漠化解譯標(biāo)志。由于石漠化區(qū)域和裸土光譜特征相近［13］，為更好地區(qū)分輕度與中度石漠化，提高訓(xùn)練樣本的精度，對石漠化典型區(qū)域進(jìn)行實(shí)地觀察并與基巖裸露率做參照對比，最終建立解譯標(biāo)志見表3。

2.4 提取方法

決策樹［14］分類是一種基于樹結(jié)構(gòu)的監(jiān)督學(xué)習(xí)算法，用于對分類問題進(jìn)行建模和預(yù)測。該算法基于一系列的決策規(guī)則，通過對數(shù)據(jù)集進(jìn)行遞歸劃分，構(gòu)建一個樹形結(jié)構(gòu)來表示分類模型，其本質(zhì)就是基于構(gòu)建的分類規(guī)則將多個特征指標(biāo)的影像特征進(jìn)行逐層剝離，然后基于分類特征進(jìn)行歸類，從而達(dá)到對圖層影像進(jìn)行分類的目的。它具有許多傳統(tǒng)監(jiān)督分類沒有的優(yōu)勢，比如嚴(yán)格而非參數(shù)的性質(zhì)，以及結(jié)構(gòu)明確易于解釋等。

面向?qū)ο螅?5］是一種不僅局限于單個像元，同時考慮到鄰近像元的光譜特征和空間特征的分類算法。這種算法主要由影像的分割和信息提取兩個部分組成，是通過不同的尺度分割將影像分割成大小各異，且光譜及空間特征有一定規(guī)律的各個獨(dú)立區(qū)域的過程。基于這種特征規(guī)律建立分割對象和劃分類別之間的關(guān)系，在建立了類別的對象的基礎(chǔ)上，結(jié)合基于統(tǒng)計學(xué)的機(jī)器學(xué)習(xí)方法支持向量機(jī)（SVM）［16］，從分割對象中基于擬合的超平面中的多維特征分離空間中分離出最好的兩類，實(shí)現(xiàn)最佳分離的決策曲面。其優(yōu)勢在于ENVI的支持向量機(jī)加入懲罰參數(shù)，允許一定程度的誤分類，這使得模型在訓(xùn)練誤差和強(qiáng)制剛性邊界之間有了權(quán)衡。本研究技術(shù)路線見圖2。

3 結(jié)果與分析

3.1 石漠化信息提取結(jié)果

根據(jù)表1中的公式，分別計算植被覆蓋度和基巖裸露率因子，結(jié)果如圖 3所示。

基于決策樹分類原理，利用ENVI5.3 tree工具，構(gòu)建分類模型，具體分類模型如圖4所示，其中C為植被覆蓋度，R為基巖裸露率。將提取的植被覆蓋度和基巖裸露率代入分類模型，得到石漠化分級如圖5（a）所示。支持向量機(jī)方法提取石漠化信息主要在ENVI5.3中處理，進(jìn)行主成分分析，選取貢獻(xiàn)值最高的波段進(jìn)行逆向主成分分析，將數(shù)據(jù)利用Example Based Feature Extraction Workflow工具按分割合并尺度10-10進(jìn)行處理，對結(jié)果進(jìn)行訓(xùn)練樣本采集，代入到SVM模型中，運(yùn)行輸出結(jié)果。利用ArcGIS平臺，剔除非巖溶區(qū)域，并將水體、水澆地和建筑用地等干擾因子掩膜，得到最終研究區(qū)石漠化分布如圖5（b）所示。

3.2 結(jié)果分析

基于專家經(jīng)驗(yàn)的決策樹石漠化信息提取結(jié)果中無石漠化（NORD）、潛在石漠化（QZRD）、輕度石漠化（QDRD）、中度石漠化（ZDRD）、重度石漠化（SDRD）5個等級的面積分別為217.61 km2、139.72 km2、40.06 km2、6.38 km2、4.11 km2，NORD和QZRD占石漠化總比87%，QDRD、ZDRD和SDRD占總比13%，SDRD僅占1%。研究區(qū)石漠化呈現(xiàn)總體較輕，局部較為嚴(yán)重的現(xiàn)象，根據(jù)野外實(shí)地調(diào)查分析可得，石漠化嚴(yán)重地區(qū)地勢坡度大于25°，處于典型的巖溶地帶，易于侵蝕且水土保持能力極差；當(dāng)?shù)氐V石開采較多，雖大多數(shù)已關(guān)閉，但已形成巖石裸露的地區(qū)短期難以修復(fù)；尖銳的人地矛盾，使得當(dāng)?shù)叵萑敫N-土地退化-擴(kuò)大耕種-土地退化的惡性循環(huán)，大部分石漠化嚴(yán)重區(qū)域?yàn)槠赂兀陙碚{(diào)整坡耕地耕種結(jié)構(gòu)，大面積種植橘子樹。基于專家經(jīng)驗(yàn)的決策樹和基于向量機(jī)的面向?qū)ο筇崛∈娣e分布見表4。

從兩種提取方式的結(jié)果來看，中度和重度石漠化區(qū)大多集中在辰陽鎮(zhèn)東北部，石漠化現(xiàn)象易于形成和惡化的土地類型為坡地。基于專家經(jīng)驗(yàn)的決策樹和基于向量機(jī)的面向?qū)ο笏崛〉闹囟仁植嘉恢煤兔娣e較為相近，分別為4.11 km2和7.71 km2。二者無石漠化的分布位置和面積相差較大，面積分別為217.61 km2和126.67 km2，如圖6所示。

3.3 精度評價

精度評價主要從野外實(shí)地驗(yàn)證和混淆矩陣兩種不同角度進(jìn)行精度驗(yàn)證。按照分級類型全覆蓋性、樣點(diǎn)均勻性、實(shí)際可到達(dá)性、典型性的原則，根據(jù)石漠化分布情況，以500 "m為間距，在典型區(qū)域密集布設(shè)，貫通整個研究區(qū)，共計77個樣點(diǎn)，野外驗(yàn)證樣點(diǎn)布設(shè)如圖7所示。根據(jù)表3解譯標(biāo)志進(jìn)行野外驗(yàn)證，其中正確樣點(diǎn)68個，錯分誤分樣點(diǎn)9個，總精度為88%。

本研究利用混淆矩陣［17］分別對兩種提取方式進(jìn)行精度評價。驗(yàn)證樣本將目視解譯和野外驗(yàn)證樣本相結(jié)合，用ArcGIS隨機(jī)生成142個樣點(diǎn)，與野外驗(yàn)證的77個樣點(diǎn)合并共計219個驗(yàn)證樣點(diǎn)，參照同期Google Earth影像圖，生成誤差矩陣，計算各個類別的用戶精度、生產(chǎn)精度、總體精度和kappa系數(shù)。基于專家經(jīng)驗(yàn)的決策樹石漠化提取精度見表5，基于向量機(jī)的面向?qū)ο笫崛∫姳?。

基于專家經(jīng)驗(yàn)的決策樹法實(shí)際驗(yàn)證總精度為89%，kappa系數(shù)0.852 052；基于向量機(jī)的面向?qū)ο蠓▽?shí)際驗(yàn)證總精度為64%，kappa系數(shù)0.530 209。當(dāng)Kappalt;0.4時，分類精度差；當(dāng)0.4≤Kappa≤0.8分類精度中等時；當(dāng)Kappagt;0.8分類精度高時［18］，基于專家經(jīng)驗(yàn)的決策樹提取精度遠(yuǎn)高于基于向量機(jī)的面向?qū)ο蠓ǎ蠑?shù)學(xué)要求。

基于專家經(jīng)驗(yàn)的決策樹較基于向量機(jī)的面向?qū)ο筇崛》ǜ鼮榉€(wěn)定。基于向量機(jī)的面向?qū)ο蠓ㄟ^于依賴訓(xùn)練對象樣本，目視提取主觀性強(qiáng)，且受分辨率限制，Landsat影像目視解譯誤差較大。從野外驗(yàn)證和混淆矩陣精度評價來看，采用Landsat影像提取石漠化信息的兩種方法中，基于專家經(jīng)驗(yàn)決策樹提取精度高于基于向量機(jī)的面向?qū)ο筇崛。虼嗽撎崛》绞竭m用性和穩(wěn)定性更高，可以在南方丘陵山石漠化地區(qū)進(jìn)行推廣應(yīng)用。

4 結(jié)論

①構(gòu)建了一種基于專家經(jīng)驗(yàn)的決策樹模型。基于專家經(jīng)驗(yàn)的20%、30%、50%、70%為閾值的模型，將石漠化分為無石漠化（NORD）、潛在石漠化（QZRD）、輕度石漠化（QDRD）、中度石漠化（ZDRD）、重度石漠化（SDRD）5個等級，構(gòu)建了決策樹分類規(guī)則，將傳統(tǒng)的專家經(jīng)驗(yàn)提取方式與決策樹分類融合，構(gòu)建了基于專家經(jīng)驗(yàn)的決策樹模型。

②對比兩種提取方法優(yōu)劣。基于專家經(jīng)驗(yàn)的決策樹石漠化信息實(shí)際驗(yàn)證總精度為89%，kappa系數(shù)達(dá)到0.852 052；基于向量機(jī)的面向?qū)ο笫畔?shí)際驗(yàn)證總精度為64%，kappa系數(shù)為0.530 209。基于向量機(jī)的面向?qū)ο筇崛∵^于依賴訓(xùn)練對象樣本，Landsat影像目視解譯誤差較大，基于專家經(jīng)驗(yàn)的決策樹提取方式適用性和穩(wěn)定性更高。

③基于專家經(jīng)驗(yàn)決策樹信息提取結(jié)果分析。基于專家經(jīng)驗(yàn)的決策樹石漠化信息提取結(jié)果中占比最大為無石漠化（NORD），面積為217.61 km2，重度（SDRD）和中度（ZDRD）的面積分別為139.72 km2、40.06 km2，NORD和QZRD占比為87%，QDRD、ZDRD和SDRD占比為13%，研究區(qū)石漠化呈現(xiàn)總體較輕，局部較為嚴(yán)重的現(xiàn)象，嚴(yán)重區(qū)域主要分布在辰陽鎮(zhèn)東北部。根據(jù)野外實(shí)地調(diào)查分析可知，嚴(yán)重地區(qū)地勢坡度大于25°，處于典型的巖溶地帶，易于侵蝕且水土保持能力極差；當(dāng)?shù)氐V石開采較多，雖大多數(shù)已關(guān)閉，但已形成巖石裸露的地區(qū)短期難以修復(fù)。大部分石漠化嚴(yán)重區(qū)域?yàn)槠赂兀陙碚{(diào)整坡耕地耕種結(jié)構(gòu)，大面積種植橘子樹，能有效緩解當(dāng)?shù)厥潭燃又氐内厔荨?/p>

參考文獻(xiàn)：

［1］徐弘祖. 徐霞客游記［ M］. 唐云校注. 成都 ：成都出版社 ，1995.

［2］LI S， WEI X H， HUANG J G， et al. The causes and processes responsible for rocky desertification in karst areas of southern China［J］. Sciences in Cold and Arid Regions， 2009， 1（1）： 80-90.

［3］JIANG Z， LIAN Y， QIN X. Rocky desertification in Southwest China： Impacts， causes， and restoration［J］. Earth-Science Reviews， 2014， 132： 1-12.

［4］PU J，ZHAO X， DONG P，et al. Extracting information on rocky desertification from satellite images： a comparative study［J］. Remote Sensing，2021，13（13），2497.

［5］XU E Q， ZHANG H Q， LI M X. Object‐based mapping of karst rocky desertification using a support vector machine［J］. Land Degradation amp; Development， 2015， 26（2）： 158-167.

［6］CAI J， YU W， FANG Q， et al. Extraction of rocky desertification information in the karst area based on the red-nir-swir spectral feature space［J］. Remote Sensing， 2023， 15（12）： 3056.

［7］TAN H， XIE X， SUN J， et al. A multi-scale classification method for rocky desertification mapping in the red-bed area of northwestern， Jiangxi， China［J］. Geocarto International， 2023， 38（1）： 2190623.

［8］JIANG G Z， HAN B， GAO Y B， et al. Review of 40-year earth observation with Landsat series and prospects of LDCM［J］. Journal of Remote Sensing， 2013， 17（5）： 1033-1048.

［9］黃鵬飛.辰溪縣石漠化治理現(xiàn)狀與對策［J］.湖南林業(yè)科技，2006，33（4）：74-75.

［10］李苗苗. 植被覆蓋度的遙感估算方法研究［D］.北京：中國科學(xué)院研究生院（遙感應(yīng)用研究所），2003.

［11］張曉倫，甘淑. 基于NDRI像元二分模型的石漠化信息提取研究［J］. 新技術(shù)新工藝，2014（1）：72-75.

［12］全國防沙治沙標(biāo)準(zhǔn)化技術(shù)委員會：喀斯特地區(qū)植被恢復(fù)技術(shù)規(guī)程：LY/T 1840-2020［S］.北京：中國標(biāo)準(zhǔn)出版社，2020.

［13］王躍躍. 基于多源數(shù)據(jù)的石漠化信息提取及地質(zhì)驅(qū)動因素研究［D］.貴陽；貴州大學(xué)，2019.

［14］FRIEDL M A， BRODLEY C E. Decision tree classification of land cover from remotely sensed data［J］. Remote Sensing of Environment， 1997， 61（3）：399-409.

［15］彭望琭，劉湘，劉慧平，等.遙感導(dǎo)論［M］.北京：高等教育出版社，2021.5.

［16］FAUVEL M， BENEDIKTSSON A， CHANUSSOT J ，et al. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles[J]. IEEE Transaction on Geoscience and Remote Sensing，2008，46（11）， 3804-3814.

［17］廖娟.基于全極化SAR數(shù)據(jù)的喀斯特地區(qū)石漠化遙感監(jiān)測技術(shù)研究［D］.貴陽：貴州師范大學(xué)，2016.

［18］易輝.基于SPOT5的四川省丘陵區(qū)林地遙感分類方法研究［D］.雅安：四川農(nóng)業(yè)大學(xué)，2013.