基于GF-1影像的东江流域面向对象土地利用分类

李恒凯，吴 娇，王秀丽

（1. 江西理工大学建筑与测绘工程学院，赣州 341000；2. 江西理工大学经济管理学院，赣州 341000）

0 引 言

东江流域位于珠江三角洲的东北端，是粤港重要的饮用水源和重点水质保护区[1]。近年来东江流域地区经济迅猛发展，其经济由下游逐渐向上游转移，人类经济活动对区域环境干扰程度与日俱增，土地利用发生着深刻的变化，流域生态安全问题凸显[2]。东江流域土地利用信息的准确获取，对于保持区域生态稳定性和社会经济的可持续发展具有重大意义。遥感影像能够快速获取大面积地球表面信息，已成为流域土地利用信息获取的主要手段，但当前针对东江流域数据多为Landsat TM/ETM影像，空间分辨率较低，需要多景影像拼接，且东江流域处于多云多雨的中国南方，较少云遮挡的 Landsat TM/ETM不足，较难保证时间一致性，影响信息提取效果，而高空间分辨率影像成本较高，难以在整个流域范围应用[1-3]。2013年，具有高精度、宽覆盖特点的GF-1卫星的发射为流域范围更精细的地表信息提取提供了可能[4]，尤其该卫星通过侧摆可对同一位置进行重复周期仅有4 d的影像获取，其较短的时间周期和宽覆盖能较好弥补南方多云多雨天气下光学影像不足的问题，在东江流域土地利用信息提取中展现了良好的应用潜力。

针对GF-1数据特点，一些学者陆续开展覆盖数据信息提取方法研究[5-9]，并将这些方法应用于滨海陆地[5]、湿地[6-7]、城市用地[8-9]、精准农业[10-12]等信息提取方面，取得较好效果，展现了GF-1数据的优越性能。一些应用研究表明，GF-1数据在信息提取方面，面向对象方法相对于传统像元信息提取方法，能综合考虑对象光谱、空间上下文信息及多种属性信息，对于土地类型多样、边界模糊等混合像元有较好识别能力[5]，且比基于像元方法总体分类精度提高了3～10个百分点[7]。对于面向对象方法，其多尺度分割参数受区域地形、地貌、地理要素等影响[13]，且要根据不同数据特点及不同地域应用，制定集成遥感数据多维特征的地物提取规则及提取方法与相关参数[14-18]，具有较强的数据依赖及地域特点。本研究针对东江流域山地丘陵地形，其地物分布复杂，地块小且破碎、水系较多等特点，基于GF-1数据，建立具有流域特点的分割尺度，采用模糊分层分类和 CART（classification and regression tree)决策树细化分类相结合技术，构建面向对象的流域土地利用分类特征及信息提取方法，为流域生态稳定性和社会经济的可持续发展提供技术支持。

1 研究区概况

东江流域（图1）东连粤东梅汕等地，西毗粤北韶关与清远市，南接南海与香港相通，北牵赣南的东江源地区。该流域大部分跨越广东省，即流经了广东河源市、惠州市、东莞市、深圳市、韶关市、梅州市和广州的增城市。地理位置为 113°52′～115°52′E，22°38′～25°14′N，东北部高、西南低，最高海拔不超过1 500 m，地物分布复杂，地块小且破碎，林地农作物混杂度高，是典型的南方低山丘陵山地地区；该研究区内具有建设用地（交通、居民住宅等）、耕地、草地（人工草地、天然草地等）、水域（河流、水库）、未利用地（裸地、沙地等）、园林地（针叶林、阔叶林等）等典型地物[19]。年平均温度为20.4 ℃，是亚热带湿润季风气候区。流域内多年的平均降雨量在2000 mm左右，降雨频繁但是在地理空间分布上很不均匀，湖泊河流众多。东江流域是珠江三角洲城市群和香港特别行政区的重要水源地，属于典型的南方红壤生态脆弱区，水土流失现象频发，生态环境极易遭到破坏[20]。

图1 东江流域位置示意图Fig.1 Location diagram of Dongjiang River Basin

2 数据来源与方法

2.1 数据来源与数据预处理

GF-1卫星有效载荷包括2台2 m分辨率全色和8 m分辨率多光谱PMS（panchromatic and multispectral）高分辨率相机和4台16 m中分辨率宽幅多光谱WFV（wide field-of-view）相机及配套的高速数传系统[21]，其中WFV数据具有800 km幅宽和4 d的回访周期，特别适宜大范围的土地利用变化监测。本试验采用5景GF-1的16 m WFV数据，影像标识符、获取时间、传感器类型、轨道号、太阳高度角如表1。整个研究区地处多云多雨的南方丘陵山区，11—12月份无云少云量数据较为容易获得[22]。本次试验采用的GF-1数据主要集中在12月份左右，数据质量较高。其他辅助数据包括从地理空间数据云获取的5景Landsat8 OLI(operational land imager)影像，江西省、广东省GDEMV2 30 m分辨率的DEM数据，全国县级行政区划矢量数据。参照全国《土地利用现状调查技术规程分类体系》和南方丘陵山地生态特点[1]，将流域内地物分为河流、湖泊、灌草地、林地、耕地、园地、未利用地、建设用地8类。

为进行后续分析，特对原始数据进行处理，包括：通过水文分析对所选的DEM数据进行处理，获取东江流域的矢量边界；将选择的Landsat OLI全色影像镶嵌，使其完全覆盖待校正的GF-1 影像，为正射校正做好准备；对所选择的GF-1 影像进行辐射校正、大气校正和正射校正。其中镶嵌后的Landsat OLI全色影像为参考影像，GF-1影像为待校正影像，DEM数据为分辨率30 m GDEMV2数据；研究区域范围内所有的 GF-1 影像正射校正完成后，进行图像镶嵌，得到完全包含研究区域的GF-1影像；最后通过东江流域的矢量边界对镶嵌后的GF-1影像进行裁剪，得到研究区域的GF-1 影像。

表1 GF-1影像标识符、获取时间及类型特点Table 1 GF-1 image identifier, acquisition time,and type characteristics

2.2 研究方法

本研究以GF-1影像为数据源，对预处理后的影像利用多尺度分割（multiresolution segmentation）、模糊分类和 CART决策树分类方法，结合近红外波段、归一化植被指数（NDVI）、长宽比等特征对东江流域的土地利用类型进行分类研究，技术路线如图2所示。

图2 面向对象分类总体技术路线图Fig.2 Whole technical roadmap of object oriented classification

2.2.1 多尺度分割

影像分割受波段权重、光谱参数、形状参数、紧致度、光滑度和尺度参数等因素的影响[23]。在影像分割过程中分割尺度的选择尤为重要，分割不足与过度分割都可能导致分类精度的下降，传统的方法需要根据实际情况反复试验确定最优分割尺度[24]。本文采用 ESP（estimation of scale parameters）[25]工具辅助来获取东江流域最优分割尺度，ESP在自定义的软件环境中能够快速地获取多尺度分割的最优尺度参数，是一种自下而上的以单个影像层为起点的区域合并技术。影像对象同质性局部方差（local variance，LV）作为分割对象层的平均标准差，以此来判定分割最佳尺度。对象分割最佳尺度参数用LV的变化率值ROC（rates of change）来表示，当LV的变化率值呈现下降趋势并且突然出现峰值时，该点对应的分割尺度即为最佳分割尺度[25]。LV的变化率值为

式中ROC为LV的变化率，Li为在目标层第i对象层的平均标准差，Li–1为在目标层第i–1对象层的平均标准差。

本次研究设置分割的影像层数为150，以15为步长，形状因子以及紧密度因子均设为0.5，各波段权重均设为1。利用ESP工具得出的ROC的极大值对应分割尺度（图3）为210、270、300、330、375、420。各极值点都有可能是最佳分割尺度参数，在影像上同一块区域得到不同尺度参数下的分割结果如图4。

图3 局部方差及其变化率随分割尺度的变化Fig.3 Variation of local variance and its change rate with segmentation scale

图4 局部真彩色影像图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

试验中进行影像分割时，显示GF-1真彩色影像窗口与分割影像窗口，对比 2个窗口中地类的分割效果。如图4所示，6个分割尺度参数得到的对象的大小是不一样的，影像对象在分割效果图上所表现的特征也不相同。通过目视解译以及统计不同分割尺度下影像的对象个数及其分割特点（表2）。可以得到：影像分割在375时，其分割特征与实际地类较为吻合，影像上较少存在过分割和分割不完全的现象，对象均质性较为完好，故本文选取的最优分割尺度为375。

表2 影像对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

最优尺度分割后将会得到包含不同信息的影像对象，从分割好的影像对象中进行特征信息的提取，以此来划分地物。由于决策树分类本身存在误差累积，为提高分类精度，采用模糊分类的方法先将容易区分的类别进行了区分（图2）。模糊分类是以模糊逻辑（Fuzzy Logic）为理论基础，在描述模糊概念时引入隶属度函数，将属于与不属于的绝对判断过渡到相对判断，有效地消除人为设定阈值的主观性与差异性，更加符合客观真实规律[26]。对于分割好的影像对象，在决策树构建的每一层节点采用合适的分类方法与参考特征。鉴于上述原则，建立分类规则来实现东江流域面向对象土地利用分类信息的提取。

首先通过近红外波段值来区分水体与非水体，结合GF-1号真彩色影像发现，当近红外波段均值小于480的地物类型为水体，大于 2 200的值确定为非水体，在（480～2 200）区间构建水体的隶属度函数，通过隶属小于函数来实现水体与非水体的提取[26]。在非水体类别中，主要运用NDVI指数来区分植被与非植被，NDVI指数对于仅含可见光波段的影像中绿色植被信息具有较好的提取效果[27]。同理结合GF-1号真彩色影像观察，当NDVI指数大于0.62的地物类型为植被，小于0.21确定为非植被，通过构建这 2个值之间的隶属大于函数区分植被与非植被[26]。在水体类别中，河流与水库的光谱特征十分接近，仅仅依靠光谱特征很难加以区分，由于河流与水库之间有着明显的形状特征差异，河流在形状上呈现细枝状并且同一条河流的宽度几乎相同，而水库在影像上表现为不规则的多边形。结合GF-1号真彩色影像，当长宽比指数大于4.32时确定为河流，小于1.53即全部是水库，在（1.53～4.32）区间引用隶属大于函数[26]提取河流与水库。上述步骤可以初步实现流域内地物的粗分类。

2.2.3 CART决策树分类

Breiman等[28-29]提出的决策树构建算法（CART分类回归树算法）用一种二分递归分割的技术，将包含测试变量与目标变量构成的训练数据集（当前的样本集）循环迭代分为 2个子样本集，使得生成的每个非叶子节点都有2个分支，形成二叉树形式的决策树结构[30]。式（2）、式（3）、式（4）描述了CART结构的学习样本集

式中 M1,M2,…,Mm为属性向量，N为标签向量。同时，CART算法采用GINI系数度量选择测试属性，选取GINI系数最小的属性作为根节点的分裂属性：

式中假设S=L为样本集，类别集为{C1,C2,… ,Cn}，共n类，每个类对应 1个样本子集 Ci=Si（1≤i≤n）。令|S|为样本集的样本数，|Ci|为样本集S中属于类Ci的样本数，则ρi=Ci/S为样本集中样本属于类Ci的概率，通过递归二分成的决策树通常会有“过度拟合”现象，通过一定的修剪，最后生成相对最优的二叉树[31]。

在完成面向对象分类之前，需要选取好分类的样本，为了更加清楚地选取地物的类型，可以将GF-1影像做主成分分析、最小噪声变换、波段组合等增强处理，以便于更加精准地选取样本。各地类的样本点应均匀分布在研究区域内；为减少样本点选取误差，采用点选方式代替多边形选择样本方式。按照地类在研究区域中的多少选择各种地类的样本数量，林地、园地、灌草地、耕地、建设用地、未利用地选择的样本点数量分别 200、100、100、80、50、20。样本分离性值大约都在1.8～2.0之间被认为是合格样本[32]，试验中选取的未利用地、园地、林地、耕地、建设用地、灌草地 6类样本都经过了样本分离性计算，均合格。

基于面向对象CART决策树分类法在2.2.2节流域粗分类基础上，调用上述选取的 6类样本调用面向对象的CART决策树分类法参与细分类。得到的决策树如图 5所示，通过CART分类器计算GF-1影像各波段均值、最大差分值、亮度均值来实现流域内八大地物类型特征的提取。即图2中面向对象的CART决策树分类部分的二叉树结构图。

图5 面向对象的CART分类决策树Fig.5 Object oriented classification and regression trees(CART)

3 结果与分析

运用非监督分类法、极大似然分类法、面向对象CART决策树分类法对GF-1影像分类效果图如图6所示。

由图 6可知，水库能较为清晰地提取出来，河流及水库的边界轮廓可以较为清晰地识别；非监督分类对于建设用地的提取效果较差。3种方法对于林地都有很好的提取，至于未利用地、园地、灌草地、耕地很难从图中肉眼看出获得精度的大小。

表 3为各分类方法的混淆矩阵，极大似然分类法与面向对象分类法能够很好地识别河流，特别是极大似然分类法与面向对象的 CART决策树分类法对于水库的分类精度很高，非监督分类根据影像的光谱信息进行分类，因此对于光谱信息类似的地物容易出现误分，如河流与水库光谱类似，非监督分类法相对于其他 2种分类方法对于河流的分类精度稍弱。建设用地中，3种方法的提取精度都比较高。耕地的识别中，面向对象的 CART决策树分类法效果比较好，达88.40%，极大似然分类方法效果较差。面向对象的 CART决策树分类方法和非监督分类法对于灌草地的识别精度都达 80%以上，而极大似然法对于灌草地的识别效果较差。园地主要集中在东江源区周边，特别是赣州市寻乌县分布着大片的脐橙园区，极大似然法对于园地的提取精度效果最高，面向对象的CART决策树分类法次之，非监督分类法提取效果不是很理想。对于林地而言，面向对象的 CART决策树分类法和极大似然分类法提取林地的精度都比较理想，非监督分类法明显要低于其他2种分类方法。未利用地中，3种方法的提取效果都在 85%以上。最后再结合总体分类精度与Kappa系数，发现面向对象的CART决策树分类方法相比于非监督分类和极大似然分类都要高，该方法适合东江流域土地利用分类。

图6 极大似然分类、非监督分类与CART决策树分类对比Fig.6 Comparison between maximum likelihood classification, unsupervised classification and CART decision tree

表3 极大似然法分类、非监督分类、面向对象的CART决策树分类混淆矩阵Table 3 Obfuscation matrix of maximum likelihood method classification, unsupervised classification and CART decision tree classification

4 结 论

GF-1影像数据具有较高的空间分辨率，但自身波段数目较少，另外由于东江流域境内以山地丘陵为主、地形高差较大、地物类型复杂，基于像元的分类方法效果不佳。本文讨论了极大似然分类法、非监督分类法、面向对象 CART决策树分类法在东江流域的土地利用分类效果，通过选取合适的样本试验检验，面向对象的CART决策树分类法在3种分类方法中精度最高，高达93.27%，Kappa系数高达0.92。不足的是耕地、园地、灌草地提取效果欠佳，后续可以引入纹理特征来提高分类精度。

[1] 彭资，谷成燕，刘智勇，等. 东江流域 1989–2009 年土地利用变化对生态承载力的影响[J]. 植物生态学报，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] 任斐鹏，江源，熊兴，等. 东江流域近 20 年土地利用变化的时空差异特征分析[J]. 资源科学，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] 白晓燕，陈晓宏，王兆礼，等. 基于面向对象分类的土地利用信息提取及其时空变化研究[J]. 遥感技术与应用，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] 白照广. 高分一号卫星的技术特点[J]. 中国航天, 2013(8):5－9.

[5] 程乾，陈金凤. 基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究[J]. 自然资源学报， 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] 陈文倩，丁建丽，王娇，等. 基于高分一号影像的土地覆被分类方法初探[J]. 干旱区地理，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] 郭玉宝，池天河，彭玲，等. 利用随机森林的高分一号遥感数据进行城市用地分类[J]. 测绘通报，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] 李淑圆，周静妍，余世孝，等. 基于高分辨率遥感影像的广州城市土地覆被分类系统[J]. 中山大学学报：自然科学版，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，刘佳，杨福刚， 等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，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] 吴金胜，刘红利，张锦水，等. 无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 农业工程学报，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] 张贵花，王瑞燕，赵庚星，等. 基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取[J]. 农业工程学报，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] 任传帅，叶回春，崔贝，等. 基于面向对象分类的芒果林遥感提取方法研究[J]. 资源科学，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] 张伐伐，李卫忠，卢柳叶，等. SPOT5 遥感影像土地利用信息提取方法研究[J]. 西北农林科技大学学报， 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] 吴田军，胡晓东，夏列钢，等. 基于对象级分类的土地覆盖动态变化及趋势分析[J]. 遥感技术与应用，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] 吴娇，李恒凯，雷军. 东江源区植被覆盖时空演变遥感监测与分析[J]. 江西理工大学学报，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] 翁进，曾海波，罗国斌，等. GF-1卫星数据在土地利用变更调查遥感监测中的应用[J]. 安徽农业科学，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] 李恒凯，杨柳，雷军，等. 利用 HJ-CCD 影像的红壤丘陵区土壤侵蚀分析——以赣州市为例[J]. 遥感信息，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，丁建丽，李艳华，等. 基于高分一号影像的土壤盐渍化信息提取方法[J]. 干旱区地理，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] 陈天博，胡卓玮，魏铼，等. 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学，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] Drǎguţ 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，徐素宁，梅军军，等. 资源三号卫星在汶川震区滑坡快速识别中的应用方法研究[J]. 遥感技术与应用, 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] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，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] 周志华. 机器学习[M]. 北京: 清华大学出版社，2016.

[30] 陈云，戴锦芳，李俊杰. 基于影像多种特征的CART决策树分类方法及应用[J]. 地理与地理信息科学，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] 马宇龙，林志垒. 基于面向对象和CART决策树方法的遥感影像湿地变化检测研究：以龙祥岛地区为例[J]. 福建师范大学学报，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] 吴健生，潘况一，彭建，等. 基于 QUEST决策树的遥感影像土地利用分类：以云南省丽江市为例[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)