基于随机森林的山丘区梯田措施类型识别与评价

吴傲,袁利,齐斐,石娇娇,刘霞*,王蕴鹏,于海鹏

基于随机森林的山丘区梯田措施类型识别与评价

吴傲1,袁利2,齐斐3,石娇娇1,刘霞1*,王蕴鹏1,于海鹏1

1. 南京林业大学南方现代林业协同创新中心;江苏省水土保持与生态修复重点实验室, 江苏 南京 210037 2. 淮河水利委员会淮河流域水土保持监测中心站, 安徽 蚌埠 233001 3. 江苏省水利科学研究院, 江苏 南京 210017

高分辨率遥感影像可有效辨识梯田措施的分布，但难以识别梯田措施的类型与质量，为探索高效、精准的梯田措施类型与质量识别技术，本文以沂蒙山泰山国家级水土流失重点治理区费县为研究区域，基于GF-6遥感影像、DEM（12.5 m）、70个典型点等多源数据，采用遥感解译、地面调查、无人机遥感和随机森林等方法，开展梯田措施类型识别、空间预测及质量判定研究，从而为梯田精细化管理、水土流失防治等提供重要支撑。结果表明：（1）研究区梯田措施492.28 km2，分布于区域南、北两侧，以耕地为主。随海拔升高、坡度增加，梯田总体上呈现田面宽度变窄、埂坎坡度变陡、埂坎高度渐低的趋势；（2）梯田措施类型分类和质量评价模型指标贡献率均以地形因子最高，分别为54.16%、57.45%，其次为人为活动因子，贡献率分别为35.45%、37.5%，梯田措施类型分类模型验证精度87.27%，质量评价模型验证精度69.23%；（3）研究区以石坎梯田为主，图斑数量8085个，占梯田措施面积的89.46%，土坎梯田图斑数量635个，占梯田措施10.54%。石坎梯田质量总体略优于土坎梯田，区域东北部和中南部的梯田质量好，西南部的梯田质量较差。

遥感影像; 梯田识别; 模型预测

我国是世界上水土流失最为严重的国家之一，水土流失具有强度高、成因复杂、危害严重的特点，严重的水土流失会威胁国家生态安全、饮水安全、防洪安全和粮食安全，制约山丘区社会经济发展。为防治水土流失，保护与合理利用水土资源，国内外众多学者在水土流失机理、防治措施等方面进行了大量研究和实践探索。其中，梯田通过对微地形的改造，具有控制水土流失、提高地力、从时空上合理调控雨水资源的独特功能，是一种有效防治水土流失的水土保持工程措施，在丘陵山丘区农业生产和农村经济发展中发挥着越来越重要的作用。梯田修建多为就地取材，埂坎的材质与当地自然条件与经济状况息息相关，也是一种常见的梯田分类方法，对水土流失的防治发挥着举足轻重的作用；而梯田的质量水平则直接影响着梯田措施的水土流失防治效果[1]。

目前，对梯田的研究聚焦在水土保持及生态服务功能[2-4]、梯田田坎结构和修建的工程设计方法[5-7]等角度，多分布于哈尼梯田、黄土高原梯田、龙脊梯田[8-11]等区域；随着技术发展，高分辨率遥感影像在土地利用类型解译等方面应用广泛[12-17]，在梯田措施识别上也有较大优势，可有效辨识梯田措施的分布，但难以有效识别梯田类型和质量。梯田类型与质量状况数据的获取仍需要大量的外业调查。探索高效便捷的梯田措施类型与质量识别技术，对梯田精细化管理维护、水土流失防治等具有极其重要的作用。

费县位于山东省中南部沂蒙山区，地形复杂，山丘区比重高，梯田分布广泛且土坎梯田和石坎梯田间杂分布难以快速识别，导致梯田类型的分类管理较为困难。为探索高效、便捷的梯田措施类型与质量识别技术，本文以沂蒙山泰山国家级水土流失重点治理区的费县为研究对象，基于高分遥感影像、DEM等多源数据，采用遥感解译、地面调查、无人机遥感和随机森林等方法，开展梯田措施的解译、野外调查测定、梯田措施类型空间预测及质量判定等研究，从而为梯田精细化管理维护、水土流失防治等提供重要支撑，促进区域农业经济的发展。

1 研究区概况

费县隶属于山东省临沂市，地处山东省中南部，地理坐标为东经117°36′-118°18′、北纬35°00′-35°33′，总面积1660 km2。东临兰山，西接平邑，南依兰陵，北沿蒙山自西北至东南连蒙阴、沂南，地形复杂，属低山丘陵区，地形复杂，以丘陵和低山地貌为主，北面山峰重叠，西面与南面以丘陵为主，东面为较开阔的山前平原；属温带大陆性季风气候，多年平均风速为2.7 m/s，年平均气温一般在13.1-13.9 ℃[25]；属淮河流域水系，主要河流为温凉河、浚河、祊河、涑河四条；岩性条件复杂，以石灰岩为主，分布其次为花岗岩，混合岩和其他岩共同分布；土壤类型以粗骨土、棕壤、褐土为主；地带性植被为暖温带落叶阔叶林；土地利用类型由8个一级类和15个二级类组成，其中耕地和经济林果用地为二级类水浇地、旱地、果园、茶园。其中耕地面积715.81 km2，占全县土地利用面积的43.12%，园地面积156.58 km2，占全县土地利用面积的9.43%。

图1 研究区地理位置图

2 研究方法

2.1 数据源获取与处理

（1）遥感影像：采用2 m空间分辨率的GF-6遥感影像（2022年5月4日），经过辐射校正、大气校正和图像色彩增强、裁剪镶嵌处理，用于梯田措施的解译；（2）数字高程模型（DEM）数据：基于12.5 mDEM进行地形地貌指标分析，高精度数字高程模型通过无人机正射飞行采集数据后处理获得；（3）土壤类型数据：山东省1:50万土壤类型矢量数据，基于GIS软件，进行裁剪得到费县土壤类型（土种）矢量数据；（4）地质岩性数据：采用山东省1:50万地质岩性图矢量数据，基于GIS软件，进行裁剪得到费县岩石类型矢量数据；（5）人口密度数据：采用2019年Worldpop数据，100 m栅格数据，单位人/hm2，经投影变换、裁剪、重采样处理；（6）夜间灯光影像数据：采用2018年夜间灯光影像数据，来源于美国国家海洋和大气管理局官网(https://www.ngdc.noaa.gov/eog)；经DN值矫正、掩膜去噪和辐射校正处理，用于GDP栅格化；（7）水土保持重点工程矢量数据：搜集了2016-2022年费县水土保持重点工程资料。

2.2 梯田措施野外调查与典型分析

2.2.1 梯田措施野外调查基于GF-6影像，采用人机交互解译提取梯田措施图斑，同时根据沟道和山脊对较大图斑进行分割，控制图斑面积小于1 km2，且保持梯田图斑在坡面上的完整性，便于梯田分类指标数据的提取。

通过野外调查对梯田图斑解译精度进行验证，现场复核调查图斑580个，对其基本信息进行记录，根据复核验证，正确解译梯田图斑556个，验证精度为95.86%。同时，选取其中70个典型梯田图斑，获取梯田特征数据和质量情况，并采用RTK无人机正射，经DJ Terra软件拼接处理，基于Global Mapper Pro V 23.0消除树木、房屋等造成的DSM数据异常凸起，用于提取其高精度DEM和DOM影像以供质量评价，野外调查点见图2。

图2 野外调查点位空间分布及解译标志

2.2.2 梯田措施类型划分及质量评定

（1）梯田措施类型划分根据区域现场调查实际状况与资料查阅，研究区梯田可根据埂坎修建材料分为石坎梯田和土坎梯田两种，其中以干砌石、浆砌石、六角砖等为主的为石坎梯田，以土质埂坎为主的梯田为土坎梯田。

（2）梯田措施质量评定根据野外调查数据，采用赋分法，对典型调查的梯田平整度、梯田整齐度、梯田完好度、梯田排水沟等指标进行量化评分，其中3-4分为质量差，5-7分为质量中等，8-10分为质量好。野外调查梯田赋分标准见表1，图3。

表1 梯田地块质量情况赋分标准

图3 不同梯田类型及质量无人机建模影像

2.3 梯田类型与质量指标筛选与处理

综合考虑影响梯田类型与质量的影响因素及数据的可获取性，初步选选取岩性土壤、地形因子、人为活动等3大类14个指标（空间分布见图4）和野外调查梯田状况数据作为随机森林梯田措施类型和质量预测模型的评价指标，指标及获取方法见表2。以梯田图斑为单元提取各定量指标的均值、离散数据指标的众数、梯田状况指标矢量化构建梯田措施类型与质量评价模型数据集。

表2 梯田措施类型与质量识别指标及获取方法

图4 梯田措施类型与质量影响因子分布

2.4 基于随机森林的梯田类型识别与质量评价模型构建

随机森林（RF）是一种基于决策树组合自主学习的机器学习算法（图5），由Breiman在2001年提出，可用于分类、回归以及多维数据处理等[20]。是一种基于决策树组合自主学习的新兴机器学习算法，具有运行快、数据容量大、分类精度高等优势[21]，可以很好地预测多达几千个解释变量的作用[22]，被誉为当前最好的算法之一[23]，在环境科学、农业科学和金融等领域有较大应用[24-27]。

采用Mean Dcrease Gini（MDG）对影响梯田措施类型的参数指标进行重要性分析排序，MDG是通过Gini指数计算每个变量对节点观测值异质性的影响，值越高，表示该指标越重要。以80%训练样本、20%验证样本，分析不同指标数量对梯田类型及质量分类精度的影响，确定最优指标数据集，用于对研究区梯田类型和质量的空间预测分析。

3 结果与分析

3.1 梯田措施空间分异性及典型分析

3.1.1 梯田措施空间分布特征研究区梯田措施图斑8720个，面积492.28 km2，占全县29.66%，见图6。梯田措施图斑最大面积0.97 km2，最小面积0.04 hm2，平均图斑面积0.0565 km2。梯田措施主要分布于研究区最北部、西部、西南部、中南部及南部，其中中南部梯田分布较为破碎，东北部、西部和西南部梯田分布较为密集。空间分布见图7。

3.1.2 典型梯田措施特征分析典型梯田措施调查数据表3和4表明，随海拔升高、坡度增加，梯田总体上呈现田面宽度变窄、埂坎坡度变陡、埂坎高度渐低的趋势。不同措施类型、不同质量梯田的田面宽度、埂坎坡度、埂坎高度阈值范围分别为：土坎梯田6.37～14.17 m、47.04～68.24°、0.64～1.58 m，石坎梯田3.06～15.06 m、75.5～86.5°、0.69～1.89 m；质量好的梯田4.11～10.11 m、72.45～87.45°、0.83～1.93 m，质量中的梯田7.08～18.08 m、67.12～86.12°、0.74～1.84 m，质量差的梯田4.55～15.55 m、65.57～86.57°、0.67～1.57 m。

表3 典型梯田措施类型特征统计

表4 典型梯田措施类型特征统计

3.2 梯田措施类型与质量识别指标分析

3.2.1 梯田措施类型指标重要性对评价指标的重要性Mean Dcrease Gini（MDG）进行排序，结果见图8，可知重要性从高到低依次为坡度（18.73）、地形起伏度、GDP、海拔、人口密度、城镇村距离、道路距离、流量、曲率、土壤类型、岩性、坡向方位、重点工程、作物类型。结合表5可以看到，地形因子在该随机森林模型中占主导地位，模型贡献率为54.16%，坡度为最重要的地形因子指标，其次为地形起伏度；人为活动因子重要性排序为第二位，模型贡献率共35.45%，其中GDP为最重要的人为活动指标。

图8 梯田类型分类预测模型指标重要性排序

表5 指标模型贡献率

3.2.2 梯田措施质量识别指标分析

（1）指标重要性分析：

通过对评价指标的重要性Mean Dcrease Gini（MDG）进行排序，结果见图9，可知重要性从高到低依次为地形起伏度、海拔、GDP、坡度、曲率、人口密度、道路距离、城镇村距离、坡向方位、流量、土壤类型、岩性、作物类型、重点工程。结合表6可以看到，地形因子在该随机森林模型中占主导地位，模型贡献率为57.45%，地形起伏度为最重要的地形因子指标，其次为海拔；人为活动因子重要性为第二位，模型贡献率共37.5%，其中GDP为最主要的人为活动指标。

图9 梯田措施质量识别预测模型指标重要性排序

表6 指标模型贡献率

3.3 梯田措施类型与质量识别模型构建与预测

3.3.1 梯田类型模型构建精度分析及指标确定根据指标重要性排序，逐步剔除贡献率最低的指标，分别采用8～12及14个指标（贡献率57.14～100%）进行验证精度分析，结果见图10。随着指标数量减少，贡献率呈线性降低，而梯田分类验证精度呈现波浪形变动。10个指标时验证精度最高（87.27%）；其次为11个指标（84.3%）；12个指标和8个指标时验证精度均在80%以下。

图10 不同指标数量模型贡献率及模型验证精度对比结果

通过指标数据集的梯田类型混淆矩阵结果（见表7），发现土坎和石坎梯田的生产者精度有明显差别，其中土坎梯田生产者精度仅有33.33%，而石坎梯田生产者精度达97.83%，二者的用户精度则均在70%及以上。

为探讨不同样本数量对梯田类型识别精度的影响，进行不同样本数量模型的构建。结果表明（见表8），采用70个样本验证精度85.71％，仅比556个样本低1.56%，差异不大，说明70个点具有较好的典型性与代表性。因此选取坡度、地形起伏度、GDP、海拔、人口密度、城镇村距离、道路距离、流量、曲率、土壤类型10项指标进行梯田措施类型预测模型的构建。

表7 10项指标梯田措施类型分类模型混淆矩阵验证结果

表8 10项指标梯田措施类型分类模型不同数据集对比验证结果

3.3.2 梯田质量模型构建精度分析及指标确定根据3.3.1中的指标剔除方法，应用8～14个指标共7个指标集构建预测模型（见图11），贡献率呈线性降低，而梯田质量情况评价模型验证精度随指标数量的减少呈现反复提高再降低的趋势，且11个指标时模型验证精度达到峰值，其中，9个指标集模型验证精度为最高（69.23%）；13个和8个指标集模型验证精度最低，为46.15%。

图11 不同指标数量模型贡献率及模型验证精度对比结果

进一步分析该指标数据集的梯田类型混淆矩阵结果（见表9），梯田质量情况的生产者精度和用户精度均有不同程度的差别，但所有精度均在60%以上，其中生产者精度中，质量好梯田的验证精度75%为最高，质量中和差梯田的验证精度相同，均为66.67%；用户精度中，质量差梯田的验证精度100%为最高，质量好的梯田验证精度60%为最低。因此选取地形起伏度、海拔、GDP、坡度、曲率、人口密度、道路距离、城镇村距离、坡向方位等9项指标进行梯田措施类型预测模型的构建。

表9 9项指标随机森林模型识别梯田措施质量情况混淆矩阵验证结果

3.3.3 梯田类型与质量空间预测分析

（1）梯田措施类型预测空间分布特征由梯田措施类型预测统计表和措施类型预测空间分布图（见表10，图12）可知，研究区土坎梯田图斑数量和面积明显少于石坎梯田，其中石坎梯田图斑数量8085个，面积440.4 km2，占梯田措施总面积的89.46%；土坎梯田图斑数量635个，面积51.88 km2，占梯田措施总面积的10.54%。从空间分布上来看，根据图可知，土坎梯田分布在中北部、西部和西南部，而石坎梯田分布在北部、西部、南部和西南部。

表10 研究区梯田措施类型与质量情况预测统计

图12 研究区梯田措施类型预测空间分布

（2）梯田措施质量情况预测空间分布特征由表11，图13可知，研究区措施质量以质量中为主，图斑数最多、面积最大，分别为5105个图斑和369.45 km2，质量中的梯田措施面积占研究区梯田总面积的75.05%；其次为质量好的梯田措施，图斑数量为2770个，措施面积83.45 km2；质量差的梯田措施在研究区分布最少，其图斑数845个，措施面积39.38 km2。从空间分布上来看，质量好的梯田主要分布于东北部、中南部和西南部，而质量差的梯田主要分布于北部、西部、西南部和南部，且分布较为零散。

表11 研究区梯田措施类型与质量情况预测统计

图13 研究区梯田措施质量情况预测空间分布

（3）梯田措施类型与质量现状由表12，图14可知，土坎梯田以质量中为主，共有图斑497个，面积43.12 km2；土坎梯田质量差和好的梯田措施较少，图斑数量分别为91和47个，质量差的土坎梯田主要分布于西南部，质量好的土坎梯田主要分布于中南部和东北部。石坎梯田以质量中为主，共有图斑4608个，面积326.34 km2；其次为质量好的石坎梯田，图斑2770个，面积78.1 km2，在西部和西南部分布破碎；质量差的比例最低，图斑为845个，面积39.38 km2，空间上主要分布于最北部、西部和南部。

从数量和面积上来看，石坎梯田和土坎梯田均以质量中为主，其次为质量好，质量差的比例最低，总体上石坎质量要优于土坎质量。从空间上看，梯田在东北部和中南部质量好，西南部质量差。

表12 研究区梯田措施类型与质量情况预测统计

图14 研究区梯田质量预测空间分布

4 讨论

4.1 措施类型划分讨论

按照不同分类形式，梯田分类有很多种，在本研究分为土坎梯田和石坎梯田。在实际调查中，土坎梯田又分为裸露和覆草两种，而且覆草的盖度不同，对梯田埂坎的安全性和水土流失状况有较大影响，然而目前的遥感影像在计算埂坎覆盖度时易受田面植被影响，难以精确识别土坎梯田覆被情况，再加上样本数量不足以支撑，故没有进一步细分为土坎覆草和土坎裸露。

4.2 模型分类精度分析

两个模型的精度分别为87.27%和69.23%，可以看到模型对类型的分类能力较强，而对于质量的评价较弱，这可能是由于梯田质量的随机性更强，受政府投资、大规模承包、日常维护和区域经济产业体制等主观因素的影响较大，因此后期进行相关研究时可以尝试在野外调查中通过调查问卷的形式将此类主观因素进行统计，从而消除其对模型精度的负面影响。

5 结论

（1）研究区共有梯田措施492.28 km2，共确定梯田措施8720块，平均图斑面积0.0565 km2，主要分布于南、北两侧，其中高海拔高坡度梯田主要分布于研究区东北部和西部的低山区，土地利用以耕地为主。随海拔升高、坡度增加，梯田总体上呈现田面宽度变窄、埂坎坡度变陡、埂坎高度渐低的趋势；

（2）梯田措施类型分类和质量评价模型指标贡献率均以地形因子最高，分别为54.16%和57.45%，其次均为人为活动因子，贡献率分别为35.45%和37.5%。类型分类模型验证精度87.27%，对石坎梯田的分类精度要大于土坎梯田，质量评价模型验证精度69.23%，对不同质量梯田的评价精度相似；

（3）研究区措施类型以石坎梯田为主，面积440.4 km2，土坎梯田面积51.88 km2，石坎梯田质量总体略优于土坎梯田，均以质量中等为主，其次为质量好，空间上研究区东北部和中南部的梯田质量好，西南部的质量差。

[1] Liu BY, Zhang KL, Xie Y. An empirical soil loss equation[C]//Process of soil erosion and its environment effect, Proceedings of 12th ISCO conference(Vol. II). Beijing, China:Tsinghua University Press, 2002

[2] 杨艳芬,角媛梅,刘澄静,等.全球水稻梯田生态系统服务研究进展[J].生态学杂志,2021,40(3):876-886

[3] 缪建群,王志强,马艳芹,等.崇义客家梯田生态系统可持续发展综合评价[J].生态学报,2018,38(17):6326-6336

[4] 王彦武,牛莉婷,张峰,等.黄土区高标准梯田生态服务功能及其价值[J].水土保持学报,2019,33(6):190-196

[5] 杨柳,郝仕龙,范云鹏.豫西南土坎水平梯田田坎稳定性分析[J].水土保持研究,2018,25(1):282-286

[6] 刘佳丽,田佳,郑田恬,等.基于边坡稳定的黄土梯田优化设计[J].中国水土保持科学,2020,18(4):21-28

[7] 范玉芳,罗友进,魏朝富.西南丘陵山区坡耕地水平梯田工程设计分析[J].山地学报,2010,28(5):560-565

[8] 角媛梅,程国栋,肖笃宁.哈尼梯田文化景观及其保护研究[J].地理研究,2002(6):733-741

[9] 角媛梅,杨丽萍.哀牢山区哈尼梯田的分形特征[J].生态学报,2007(11):4583-4589

[10] 吴发启,张玉斌,王健.黄土高原水平梯田的蓄水保土效益分析[J].中国水土保持科学,2004(1):34-37

[11] 王醒,方荣杰,张帅普,等.1993—2019年龙脊梯田植被覆盖度变化及其空间分布格局[J].西部林业科学,2021,50(5):41-48

[12] 杨力华,杨勤科,朱梦阳,等.泛第三极典型地区土地利用和水保措施解译精度分析[J].水土保持通报,2020,40(2):154-161,169

[13] 于海鹏,杨翔惟,黎家作,等.基于地学信息图谱的土地利用时空演变分析[J].中国水土保持科学(中英文),2022,20(4):109-117

[14] 薛牡丹,张宏鸣,杨江涛,等.无人机影像与地形指数结合的梯田信息提取[J].计算机应用研究,2019,36(8):2527-2533,2538

[15] 张雨果.基于面向对象的遥感影像梯田信息提取研究[D].杨凌:西北农林科技大学,2016

[16] 张宏鸣,胡勇,杨勤科,等.基于影像与坡度数据融合的梯田田块分割方法[J].农业机械学报,2018,49(4):249-256

[17] 唐磊.基于GF-2影像的黄土丘陵区梯田田坎自动提取研究[D].兰州:甘肃农业大学,2020

[18] 曲小康,芮小平,韩莹,等.栅格成本距离计算的改进蚁群算法[J].地球信息科学学报,2016,18(8):1052-1059

[19] 钟凯文,黎景良,张晓东.土地可持续利用评价中GDP数据空间化方法的研究[J].测绘信息与工程,2007,129(3):10-12

[20] Xue JL, Yu Y, Bai Y,. Marine oil-degrading microoranisms and biodegradation process of petroleum hydrocarbon in marine environments: A review [J]. Current Microbiology, 2015,71(2):220-228

[21] 张春华,严云良.医药数理统计[M].北京:科学出版社出版,2001

[22] Breiman L. Statistical modeling: The two cultures [J]. Statistical Science, 2001,16(3):199-231

[23] Iverson LR, Prasad AM, Matthews SN,. Estimating potential habitat for 134 eastern US tree species under six climate scenarios [J]. Forest Ecology Management, 2008,254:390-406

[24] Cutler DR, Edwards TC, Jr. Beard KH,. Random forests for classification in ecology [J]. Ecology, 2007,88(11):2783-2792

[25] Genuer R, Poggi JM, Tuleau-Malot C. Variable selection using random forests [J]. Pattern Recognition Letters, 2010,31(14):2225-2236

[26] 张晓羽,李凤日,甄贞,等.基于随机森林模型的陆地卫星-8遥感影像森林植被分类[J].东北林业大学学报,2016,44(6):53-57,74

[27] 马慧娟,高小红,谷晓天.随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J].地球信息科学学报,2019,21(3):359-371

Identification and Evaluation of Terracing Measure Types in Hilly Areas Based on Random Forest

WU Ao1, YUAN Li2, QI Fei3, SHI Jiao-jiao1, LIU Xia1*, WANG Yun-peng1, YU Hai-peng1

1.210037,2.233001,3.210017,

High-resolution remote sensing images can effectively identify the distribution of terraced measures, but it is difficult to identify the type and quality of terraced measures. In order to explore efficient and accurate terraced measure type and quality identification technology, this paper takes Feixian County, a national key soil and water loss management area of Mount Tai, Yimeng Mountain, as the research area. Based on multi-source data such as GF-6 remote sensing image, DEM (12.5 m) and 70 typical points, this paper adopts remote sensing interpretation, ground survey, UAV remote sensing and random forest to carry out research on the type identification, spatial prediction and quality judgment of terrace measures, thus providing important support for the refined management of terrace and soil erosion prevention and control. The results show that: (1) the terrace measures in the study area are 492.28 km2, distributed in the south and north sides of the region, mainly cultivated land. With the increase of elevation and slope, the width of terrace surface Narrows, the slope of ridge becomes steeper and the height of ridge decreases. (2) The topographic factor had the highest contribution rate, 54.16% and 57.45% respectively, followed by the human activity factor, which contributed 35.45% and 37.5% respectively. The validation accuracy of the terraced measure type classification model was 87.27%, and that of the quality evaluation model was 69.23%. (3) The study area is dominated by stone dike terrace with 8085 map spots, accounting for 89.46% of the terrace area, and earthen terrace with 635 map spots, accounting for 10.54% of the terrace area. In general, the quality of stone dike terrace is slightly better than that of earthen terrace. The quality of the terrace in the northeast and central and southern parts of the region is good, while the quality of the terrace in the southwest is poor.

Remote sensing image;terrace identification; model prediction

S157.3+1

A

1000-2324(2023)04-0582-13

10.3969/j.issn.1000-2324.2023.04.015

2023-02-24

2023-03-08

吴傲(1998-),男,硕士研究生,专业方向:水土保持监测与评价. E-mail:846670787@qq.com

通讯作者:Author for correpondence. E-mail:liuxia@njfu.edu.cn