关于土地覆被遥感监测的几点思考

张 磊,吴炳方

(中国科学院遥感应用研究所,北京 100101)

关于土地覆被遥感监测的几点思考

张 磊,吴炳方

(中国科学院遥感应用研究所,北京 100101)

针对国内外土地覆被遥感监测中存在的突出问题展开讨论,分析土地覆被分类系统的目标适应性;总结现有分类算法的特点及存在问题,分析小尺度和大尺度监测技术的差异性和效果;研究不同尺度土地覆被监测所解决的应用问题及尺度空间变化下的分类效果;分析现有监测体系的分类精度及产生误差的原因和解决方法。

土地覆被;分类算法;监测技术

0 引言

土地覆被研究介于地理学、生态学和环境学之间的结合领域,是一个跨学科、基础性很强的交叉学科,也是地理学研究中地形、水文、土壤和生物等要素相互作用的、最为活跃的地球表层科学综合研究领域;土地覆被变化则是影响气候、生态系统过程及生物多样性的重要驱动力,受到国际组织和世界各国的普遍关注。土地利用/土地覆被的变化,一方面改变地球表面物理特征,影响与气候直接有关的地表与大气之间能量、水分和动量交换过程[1],从而影响陆表水文过程[2]、生物多样性和生态系统功能[3];另一方面改变地球表面的生物地球化学循环过程,影响地表与大气之间的微量气体交换及相互作用,影响温室气体的排放和沉降。同样,气候变化对土地覆被产生影响。在全球环境变化问题中,土地覆被变化是自然与人文过程交叉最为密切的领域[4]。

随着全球环境问题日益严重和遥感技术快速发展,自 20世纪 90年代开始,全球土地覆被监测与调查广泛开展。为满足国际地圈生物圈计划 (IGBP)、人文因素计划 (HDP)、国际全球大气化学计划(IGAC)和水循环生物计划 (BAHC)研究的需要[5],IGBP开发了第一个 1 km尺度的全球土地覆被监测产品。为改善监测精度,马里兰大学利用相同数据、采用决策树方法完成另一套全球土地覆被监测产品[6],在美国 EOS支持下,利用 MOD IS系列产品也开展了土地覆被调查[7]。欧盟在进行全球统一标准的全球环境评估、特别是千年生态系统评价(MA)过程中,组织全球植被监测组 (GVMU)开展全球土地覆被计划,利用全球 30个国家合作伙伴、采用联合国粮食及农业组织土地覆盖分类系统(FAO LCCS)完成了 GLC2000土地覆被监测产品[8]。欧空局 (ESA)推出了全球 300m土地覆被监测产品 (GLOBCOVER)。2008年日本组织完成了全球土地覆被 (GLCNMO)评估,并与 ESA倡导推广FAO LCCS标准分类系统。我国在 863计划支持下正在开展全球土地覆被监测。

1 分类系统设计

土地覆被监测系统在国土、农业、林业和水利等部门的应用与管理中发挥着重要作用,根据应用目标归纳为两类:①基于土地覆被的自然属性和特征,按属性自然关系、等级进行设计的先验分类系统;②基于区域实际土地覆被属性特征,兼顾应用目标的需求特征,所用监测技术、监测数据和尺度空间而设计的后验分类体系。前者为具普适性的分类系统,后者属于针对性较强的分类系统。

针对不同的应用目标,土地覆被分类系统设计方案不同。一个土地覆被单元具有一个或多个自然属性与特征,在针对不同应用目标时,依据不同的划分指标进行类型的组合,构成土地覆被类型。在全球变化和生物量应用方面,土地覆被是其中重要的反演参数,如 B IOM E-BGC[9]、ORCH IDEE[10]、LPJ[11]和 GEM S[12]模型都考虑了植被类型及其特征,其植被类型的划分需要依据叶形、生活型、生命周期的划分指标,通过土地覆被类型的数量、密度、覆盖度、年龄、变化速率和变化时间等参数进行碳估算。在水文模型方面,土地覆被的分类需要考虑地表粗糙度、物理结构、植被类型、叶型及物候历等特征对流域蒸散发、径流量及洪峰类型的影响[13,14],特别是植被变化、不同作物类型及轮作制度对区域地下水和蒸散发量的影响。有些土地覆被制图需要满足多个应用目标,分类系统设计较为困难。IGBP数据库采用分层处理方法——先进行空间最小基本单元或同质地块分割,在此基础上再进行不同应用目标的类型组合,形成了 7个分类系统。

针对应用目标的土地覆被分类系统,其设计更多地满足特定目标需要,限于国家或地区范围,对应用目标特征有较好的表达;但分类系统存在较多的人为调节痕迹,缺少尺度转换和空间的可比性。存在的主要问题有:①分类定义的混淆和可比性影响土地覆被分类系统的应用。土地覆被分类主要解决与生态环境相关的科学问题,而土地利用分类主要面向应用和管理的目标;有些分类系统常与土地利用、土地资源、土地分类、土地适应性评价、生态系统分类和植被分类等混淆或重叠使用,特别是土地覆被与土地利用中的人工用地与耕地类型定义的混用。如在美国地质调查局 (USGS)土地覆被分类系统中存在一些土地利用类型,如“作物与牧草地”、“运输与通讯设施”等。现在多数的分类使用定性的方式进行类型定义,没有系统地使用那些用来获取类型的量化诊断指标,因而产生类型之间划分的不确定性,使其应用价值受到影响。分类系统之间的可比性、数据的一致性是数据共享的重要基础,有些分类系统之间的类型相同而内涵不同,例如同样是森林,却在不同分类系统中的定义不一致 (表 1),这使得对区域和国家之间土地覆被的数据难以进行对比和分析;②考虑到制图的可行性,分类系统大多对数据和分类技术的依赖性较强,分类技术对分类系统的影响使分类系统缺乏完整性,土地覆被不能完全表述。例如 IGBP-D IS全球 1 km土地覆被数据集所获得的类型受到AVHHR传感器的分辨率和影像解析力的限制。又如同样是 1∶10万比例尺制图,欧盟 COR INE系统采用手工勾绘方法,适合手工作业的类型 (如“不连续的城市”、“农林复合区”),划分精度高,分类系统设计 44类;而美国NLCD系统采用自动分类方法,精度低,划分到 21类,类型数远少于 COR INE系统;③目标分类系统时常把重要的、面积分布广的类型放入分类系统中或者将其放在分类系统的高一等级中,而把不重要的、面积小的类型不放入上述系统中或者定义为“其他类型”或混合类型,使划分结果失去了类型的均衡性;④有些分类系统用多个指标定义同一级土地覆被类型,如 Co rine系统中的灌草类由自然草地、荒草地和石南灌丛、硬叶灌木、过渡性林灌构成,使类型出现定义的真空 (可能在特定区域制图时不会出现),使实际制图增加了类型分辨难度;⑤一些分类系统与图例系统混淆,图例系统只适用于特定时空的分类系统,描述的类型是所有定义范围的一部分或子集,存在适应性和推广性的局限。

表 1 不同土地覆被分类系统中的森林定义Tab.1 Definition of forest in the classification system

随着对全球化环境问题的研究日益受到重视,普适性的土地覆被分类系统显得格外重要。全球陆地观测系统(GTOS)及其全球森林和土地覆被动态观测 (GOFC-GOLD)和全球土地覆被网络 (GLCN)正在推进土地覆被分类系统与制图的标准化,制定了兼容性强、具有可比性和标准化定义的 FAO LCCS分类系统[15],它独立于应用目标、数据源、分类方法和制图尺度,不足之处是对应用目标的拟合性比传统分类系统差、制图难度高。

2 分类算法与技术集成

遥感分类算法是土地覆被监测技术的核心,按用户掌握的先验知识,分为非监督和监督方法。监督分类应用较为广泛,最近发展比较快的非线性分类器,有效地解决了光谱非正态分布的问题,如决策树分类 (DTC)、支持向量机 (SVM)、人工神经网络(ANN s)等分类器。DTC将一个复杂的分类问题简化为一个回归式和简单的二分顺行处理步骤[16],运算速度快、分类结果稳定,其不足之处是需要更多的样本进行分析,决策树在高维空间的效果不好,维数增加,分类精度会降低;SVM是建立在统计学习理论上的VC维理论和结构风险最小化原则的新型学习机器[17],已广泛用于解决高维数据的监督分类问题;ANN s是通过训练样本获得权值的分类方法,采用分布式存储和并行处理,分类精度高,但对其规则的隐藏性难以进行解释与表述[18],对于多类复杂的样本训练时间较长。

新型分类器在分类理论依据上已不断完善,但在大范围应用中仍然存在精度不高或者稳定性不足的问题,主要原因有:①过分依赖于样本,样本对总体的代表性是决定分类效果的重要因素,这主要取决于空间异质性、分类算法和技术集成能力,大范围分类中的采样往往存在代表性不够的问题;目前还没有提出有效的定量分类方法 (即完全不需要采样,仅利用参数的反演和阈值的设定,通过专家系统实现土地覆被类型的划分),因为划分参数阈值的不稳定性,只有个别类型的划分可以实现 (如植被指数 NDV I、水分指数 NDW I在植被与水体的划分中比较稳定);②土地覆被类型的光谱混淆,有些地类本身由多个特征不同的部分组成,构成混合光谱与其他类型混淆;有些类型是由于环境变化 (如水分、养分、物候等)而产生的光谱混淆。随着高光谱、多源遥感数据的应用,光谱混淆现象将会逐步减轻;但由于土地覆被类型的复杂性和多样性,光谱混淆一直是困绕分类精度的难点。

分类算法的有效组织和技术集成可以改进分类效果。土地覆被监测技术基本上依赖于数据类型和采集方式,大体分为大尺度监测技术体系与小尺度监测技术体系。大尺度监测的优势在于丰富的时间序列信息的利用,小尺度监测的优势则在于发展空间模式的识别能力。

在大尺度监测中,通过时间序列数据增加影像的光谱信息,可弥补空间分辨率的不足,提高监测的精度。NDV I被认为是对 1 km尺度较为敏感的监测参数,而 Lam bin等[19]则认为用温度和 NDV I比值时间序列能实现比只用 NDV I更稳定的分类。大范围监测会受到云雾影响,每月 NDV I最大值合成(MVC)是去云的有效方法[20]。由于数据噪声问题,通常采用 HANS平滑技术、多项拟合技术、偏态高斯函数[21]、Savitzky-Go lay滤波[22]和优化逻辑函数[23]去除噪声和提取监测过程中的物候差异,利用年内月平均 NDV I变化波型可以减少物候的区域差异对地物判别的影响[24]。大尺度分类的突出问题是区域差异性形成的地带性特征,分区、分层策略有利于分类精度的提高[25],但会产生人为硬性分层造成的空间边界效应。

小尺度的监测技术主要为光谱特征参数提取方法和空间结构识别技术。空间分辨率的提高使目标的光谱纯度提高、空间纹理特征更加明显,有利于土地覆被的分类;而划分类型的增多和时间序列的数据量减少,也增加了小尺度分类的难度。信息量不足造成“同谱异物”现象,增强信息量是技术发展的重要方向:①基于像元提高信息量的同源多期和多源复合技术。利用时相变化监测,地形、地温环境参量分析[26]和 SAR的介电特性提高对森林、建筑物的结构和密度的识别能力[27],但 SAR的结构性特征也会混淆土地覆被类型 (如耕地田埂的方向性、土壤水分变化等),干扰分类效果;②基于空间结构识别的技术。空间纹理提取有利于分类精度的改善,通过移动矩阵内的空间统计,判断中心像元的类别归属,有均值法、平均欧氏距离法 (M ED)、方差提取法 (VAR)、Kurtosis法 (KRT)、Isarithm法、半方差法、三角法和棱镜法[28]等,这些方法适合于非均质结构的类型划分;但因其基于像元分析,更多地考虑像元周边的光谱特征,对目标整体的形状及空间关系无法识别。面向对象技术是将像元聚类成多尺度的对象,在不同尺度上拟合土地覆被类型,通过对象内部的光谱、纹理、形状和空间关系综合判别目标,以提高分类精度[29];面向对象技术在高分辨率影像分类中更有意义[30],但由于对象具有明显的区域性特征,该技术需要有更多的先验专家知识才能发挥有效作用。

3 尺度效应和信息空间表达

监测尺度与土地覆被的应用目标相关,不同的尺度满足不同监测目标的需要。从 1∶5 000比例尺到4 km格网的变化,隐含着不同土地覆被类型细节和特征:1∶5 000或更大比例尺的土地覆被监测强调地物的形状与定位,适合城市土地覆被的调查,不仅能划分更多的土地覆被类型,更重要的是能分辨出独立的地物对象和个体;1∶1万尺度的土地覆被监测体现了类型、结构、功能和布局,适合县级部门的资源利用与环境管理;1∶5万～1∶20万的土地覆被监测主要体现土地覆被类型的面积与分布,可应用于国家、区域和部门管理,在科学研究方面可应用于水文过程、水土流失和生态系统演变研究等;1 km格网的土地覆被监测主要强调陆地下垫面的特征,适用于全球气候变化研究和全球的资源评估;而在全球碳收支和生物量估算应用方面,4 km格网的土地覆被监测可满足要求。随着监测比例尺的提高,国家权益受到挑战,数据共享就会存在问题。

空间尺度的变化影响土地覆被的特征表达和监测能力。对于空间结构单一、光谱范围跨度小的土地覆被类型,土地覆被监测精度随着空间尺度的加大而降低;对于结构复杂、光谱范围跨度大的土地覆被类型,只在适合的尺度下才能得到理想的分类结果(如建设用地类型在 1 km格网尺度下的监测能力高于 30m格网尺度的监测能力[31])。地表覆盖的空间结构特征也影响监测尺度的选取,土地覆被类型空间关系决定监测最小单元内地物的均质性(即混合像元问题),如果分类系统中主要类型有较多的异质性,则该尺度不适合土地覆被监测。人类活动频繁、管理落后、地形复杂的地区往往形成土地覆被景观格局的差异,如在我国第一、二个地貌台阶过渡地带[32],土地覆被图斑破碎,同样的分类系统在其他地区为 1∶10万,在该地区则需要提高到1∶5万,以满足那些因斑块破碎化导致影像解析力降低的类型 (如旱地)的划分。

4 分类精度及其不确定性

提高土地覆被的分类精度是土地覆被监测中需要解决的重要问题。分类精度受两方面因素影响:数据固有的解析力 (解译限度)和对目标的识别能力。数据解析力受数据来源、尺度、区域和类别的影响,对目标的识别能力则受采样方法、分类算法和技术集成的影响。不同条件下监测精度差异很大,总体来说,大范围的土地覆被监测精度的稳定性强,具有一定的代表性。目前,1 km格网尺度[33]、10～15个类别的土地覆被监测总体精度大约在 65%～75%,30m格网尺度、20～30个类别的土地覆被监测总体精度大约在 80%～85%(表 2)。

表 2 全球主要土地覆被分类精度统计Tab.2 Accuracies of ma in global land cover mapping

土地覆被监测的不确定性会降低监测的精度。具体表现在:①分类系统的设计影响分类精度,如涉及稀树草地、疏林、湿地、混交林等空间及光谱异质性强的类型时,分类精度就会降低;而人工用地在粗一级的分类中精度较高,细化后的分类精度迅速降低,这是因为人工用地与其他地类的光谱差异大而内部的光谱异质性强,而植被类型细分后仍可保持较高的精度;②土地覆被类型的光谱混淆;③分类系统和采用的分类方法不匹配时会影响分类精度,如选择最大似然率在城市土地覆被分类中会失效,而面向对象技术在城市分类中的效果会改善;④区域的景观特征对分类也有影响,例如对我国西北地区的低生物量耕地、高纬度的阔叶林、温带农牧交错地带的地物类型识别能力差,分类效果不好;⑤影像的时相特征影响分类精度,如耕地、自然植被、水面的季节性变化会使各类别之间的光谱差异产生变化,特别是耕地的种植结构、耕犁方式、轮作方式的季节性特征的影响作用。在大尺度监测中,对植被的划分通常采用年内最大植被指数提取的方法消除物候影响,或者采用气候、生态分区的方法分别进行处理;⑥山区地形变化对光谱值的作用影响土地覆被的分类精度,特别在低太阳高度角或高坡度状态下分类误差更为明显,地形光谱校正可消除部分影响[34]。

5 结论

土地覆被和土地利用是生态环境应用最广泛的领域,也是遥感技术应用最早的领域之一。目前,土地覆被遥感监测技术已得到长足的发展:

(1)在分类系统方面,针对特定应用目标的土地覆被分类系统,对应用目标特征有较好的表达,但受目标和地域的局限性,缺少尺度转换和空间的可比性;基于自然属性的普适性土地覆被分类系统兼容性强,具有可比性和标准化定义,但对应用目标的拟合性和制图、推广能力较差。

(2)在分类技术方面,非线性的算法取得了显著进步,精度逐步提高,存在的问题是过分依赖于样本获取,光谱混淆是困绕分类精度的难点。随着高光谱和多源数据的应用,光谱混淆现象将会逐步减轻。

(3)不同尺度监测可满足不同监测目标的需要,空间尺度的变化影响着土地覆被的特征表达和监测能力。

(4)目前,土地覆盖分类精度仍然偏低,低分辨率土地覆盖分类精度大约在 65%～75%,中分辨率分类精度大约在 80%～85%,这与土地覆被监测的复杂性和不确定性有关。

(5)随着人工智能技术的发展,模仿目视判读过程的综合分析和逻辑思维的遥感图像分析技术将是今后遥感影像分类的重要发展方向,如面向对象分类、决策树等技术已逐步被接受。但地物光谱的不确定性仍然是阻碍分类技术发展的主要原因,“同物异谱”现象在短时间内很难解决,技术的集成是提高分类精度的重要手段。随着传感器技术不断发展、分辨率不断提高,特别是随着大容量存储介质的出现,高分辨率和高时频遥感数据将有助于重新认识地物目标的光谱特征,改进分类方法,提高土地覆被分类的精度和应用水平。

[1] Bartholome’e A S,Belward.GLC2000:A New Approach to Global Land Cover Mapping from Earth Observation Data[J].International Journal of Remote Sensing,2005,26(9):1959-1977.

[2] 李秀彬.土地覆被变化的水文水资源效应研究——社会需求与科学问题[C]//全国土地覆被变化及其环境效应学术研讨会议文集.北京:星球地图出版社,2002:1-6.

[3] Herold M,Latham JS,Gregorio D,et al.Evolving Standards on Land Cover Characterization[J].J Land Use Sci,2006,1(2/4):157-168.

[4] Turner B L,Moss R H,Skole D L.Human Dimensions of Global Environmental Change Programme[R].HDPReport No.5,1993.

[5] Loveland T R,Reed B C.Development of A Global Land Cover Characteristics Database and IGBPD ISCover from 1 km AVHRR Data[J].International Journal of Remote Sensing,2000,21(6,7):1303-1330.

[6] Hansen M C,DeFries R S,Townshend J R G,et al.Global Land Cover Classification at1km Spatial Resolution Using a Classification Tree Approach[J].International Journal of Remote Sensing,2000(21):1331-1364.

[7] Friedl M A,M c Iver D K.Global Land Cover Mapping from MOD IS:Algorithm sand Early Results[J].Remote Sensing of Environment,2002(83):287-302.

[8] Mayaux P,Strahler A,Eva H,et al.Validation of the Global Land Cover2000M ap[J].IEEE Trans Geosci Remote Sens,2006,44(7):1728-1739.

[9] Churkina G,Tenhunen J,Thornton P E,et al.Analyzing the Ecosystem Carbon Dynamics of Four European Coniferous Forest Using A Biogeochemistry Model[J].Ecosystem s,2003(6):168-184.

[10]Krinner G,Viovy N,de Noblet-Ducoudré N,et al.A Dynamic Global Vegetation Model for Studies of the Coup led At mospherebiosphere System[J].Global Biogeochemical Cycles,2005,19(1):1-44.

[11]Sitch S,Smith B,Prentice IC,et al.Evaluation of Ecosystem Dynamics,Plant Geography and Terrestrial Carbon Cycling in the LPJ Dynamic Global Vegetation Model[J].Global Change Biology,2003(9):161-185.

[12]L iu S,Loveland T R,Kurtz RM.Contemporary Carbon Dynamics in Terrestrial Ecosystem s in the Sou theastern Plains of the United States[J].Environmental Management,2004(33):442-456.

[13]Samaniego L,Bardossy A.Simulation of the Impacts of Land Use/cover and Climatic Changes on the Runoff Characteristics at the Mesoscale[J].Ecological Modelling,2006(196):45-61.

[14]Verbunta M,Zwaaftink M G,Gurtz J.The Hydrologic Impact of Land Cover Changes and Hydropower Stations in the Alpine Rhine Basin[J].Ecological Modelling,2005(187):71-84.

[15]Gregorio D A.Land Cover Classification System-C lassification Concepts and User Manual for Software Version 2[M].Rome:FAO Environment and Natural Resources Service Series,No.8,2005.

[16]Breiman L,Friedman JH,Olshend R A,et al.Classification and Regression Trees[M].CA:Wadsworth,Monterey,1984.

[17]Vapnik V.The Nature of Statistical Learning Theory[M].New York:Sp ringer-Verlag,1995.

[18]Mahesh P,Paul M,Mather.An Assessment of the Effectiveness of Decision Tree Methods for Land Cover Classification[J].Remote Sensing of Environment,2003(86):554-565.

[19]Lambin E F,Ehrlich D.The Surface Temperature-vegetation Index Space for Land Cover and Land-cover Change Analysis[J].International Journal of Remote Sensing,1996,17(3):463-87.

[20]Holbert B.Characteristics of Maxim um-value Composite Images from Multitemporal AVHRR Data[J].International Journal of Remote Sensing,1986(7):1417-1431.

[21]Latifovica R,Zhu ZL,Cihlar J,et al.Land Cover Mapping of North and Central America—Global Land Cover2000[J].Remote Sensing of Environment,2004(89):116-127.

[22]Jonsson P,Eklundh L.Seasonality Extraction by Function Fitting to Time-series of Satellite Sensor Data[J].IEEE Transactions on Geoscience and Remote Sensing,2002(40):1824-1832.

[23]Chen J,Jönsson P,Masayuki T,et al.A Simple Method for Reconstructing A High-quality NDVI Time-series Data Set Based on the Savitzky-Golay Filter[J].Remote Sensing of Environment,2004(91):332-344.

[24]Zhang X Y,Fried lM A,Schaaf C B,et al.Monitoring Vegetation Pheno logy U sing MOD IS[J].Remote Sensing of Environment,2003(84):471-475.

[25]Young SS.Land-cover Change Analysis of China Using Globalscale Pathfinder AVHRR Landcover(PAL)Data1982-92[J].Int J Remote Sensing,2001,22(8):1457-1477.

[26]Liu J Y,Zhuang D F,Luo D,et al.Land-cover Classification of China:Integrated Analysis of AVHRR Imagery and Geophysical Data[J].Int J Remote Sensing,2003,24(12):2485-2500.

[27]Homer C,Dewitz J,Fry J,et al.Completion of the 2001 National Land Cover Database for the Conterminous United States[J].Photogrammetric Engineering&Remote Sensing,2007,73(4):338-341.

[28]Nathaniel D H,Barry N H,Elizabeth S.An Evaluation of Radar Texture for Land Use/Cover Extraction in Varied Landscapes[J].International Journal of Applied Earth Observation and Geoinformation,2004(5):113-128.

[29]Myint SW.Fractal Approaches in Texture Analysis and Classification of Remotely Sensed Data:Comparisons with Spatial Autocorrelation Techniques and Simple Descriptive Statistics[J].International Journal of Remote Sensing,2003,24(9):1925-1947.

[30]钱巧静,谢 瑞,张 磊,等.面向对象的土地覆被住处提取方法研究[J].遥感技术与应用,2005,20(3):338-342.

[31]Walker J S,Blaschke T.Object-based Land-cover Classification for the Phoenix Metropolitan Area:Optimization vs.Transportability[J].International Journal of Remote Sensing,2008,29(7):2021-2040.

[32]Raptisa V S,Vaughana R A,Wright G G.The Effect of Scaling on Landcover Classification from Satellite Data[J].Computers&Geosciences, 2003(29):705-714.

[33]刘明亮,唐先明,刘纪远,等.基于 1 km格网的空间数据尺度效应研究[J].遥感学报,2001,5(3):183-190.

[34]Gu D,Gillespie A.Topographic Normalization of Landsat TM Images of Forest Based on Subpixel Sun—Canopy—Sensor Geometry[J].Remote Sensing Environment,1998(64):166-175.

(责任编辑:刘心季)

A Discussion on Land Cover Mapping

ZHANG Lei,WU Bing-fang
(Institute of Remote Sensing Applications CAS,Beijing 100101,China)

This paper has dealt with some key problems existent in land cover mapping and analyzed objective adaptability of the classification system,which include the impacts of land cover definition uncertainty on classification effects,the features and adaptability of the classification algorithms,the gap and effects of fine and coarse scale monitoring techniques,the capability of land cover scaling for application,the scaling effects on classification,the procedures,problems and solutions of the classification system of land cover,the classification algorithm and its accuracy assessment,and the factors and solutions of accuracy and errors of the current monitoring system s.

Land cover;Classification algorithm;Monitoring technology

张 磊 (1965-),男,理学硕士,副研究员,现主要从事土地覆被与生态环境遥感研究,已发表论文 10余篇。

TP 79

A

1001-070X(2011)01-0015-06

2010-06-18;

2010-08-13

中国科学院知识创新工程重大项目“重大工程生态环境效应遥感监测与评估”(编号:KZCX1-YW-08)资助。