辅以地貌类型的喀斯特地区土地利用信息提取

李雪冬， 张洪岩， 杨广斌， 李晓松， 周越

(1.贵州师范大学地理与环境科学学院，贵阳　550001； 2.东北师范大学地理科学学院，长春　130024；3.中国科学院遥感与数字地球研究所，北京　100101)



辅以地貌类型的喀斯特地区土地利用信息提取

李雪冬1,2， 张洪岩2， 杨广斌1， 李晓松3， 周越1

(1.贵州师范大学地理与环境科学学院，贵阳550001； 2.东北师范大学地理科学学院，长春130024；3.中国科学院遥感与数字地球研究所，北京100101)

摘要：地貌限制土地利用形式，土地利用类型又影响着地貌的形成与演化，基于以上关系提出一种辅以地貌类型的面向对象土地利用信息提取方法。以喀斯特地貌类型分布多样的安顺市为例，选取2010年的TM影像作为基本的数据源。首先，根据不同喀斯特地貌组合的尺度响应特征对试验区影像进行多尺度分割； 进而利用数字高程模型(digitalelevationmodel,DEM)数据以及衍生的坡度、地形起伏度和地表切割深度等特征，建立隶属度函数提取喀斯特地貌信息； 最后，以地貌类型为基本分类单元，根据不同地貌类型的土地利用特点，采用面向对象的分类方法对土地利用信息进行提取。结果表明： 面向对象的分类方法可以对喀斯特地貌类型进行自动提取，试验区地貌类型主要以峰丛谷地、峰丛洼地为主，峰林溶源与峰林盆地分布较少。土地利用类型以灌木与旱地为主，分别占总面积的25.58%和20.74%，土地利用信息提取总体精度达到87.35%。

关键词：喀斯特地区土地利用； 喀斯特地貌分类； 面向对象分类； 隶属度函数

0引言

土地利用方式可以改变地表外营力的作用方式和力度大小，对地貌的形成、发展和演化有一定的影响[1-2]，地貌又通过对水分和热量的地表分配制约着土地利用形式[3]。贵州省地处我国西南部连片喀斯特地貌的核心部位，以其脆弱的环境和鲜明的特色蜚声海内外，是全球罕见的“喀斯特博物馆”[4]，喀斯特山区社会、经济的可持续发展受到严重的制约，其主要原因是喀斯特山区石漠化加剧，从而限制了土地的利用[5-7]。

本文以喀斯特地貌广布的贵州省安顺市为研究区，以TM影像为数据源，利用多尺度分割技术，以地貌单元的最佳拟合尺度进行分割，形成多层影像对象层，以数字高程模型(digitalelevationmodel,DEM)以及衍生的坡度、地形起伏度和地表切割深度等为特征，建立隶属度函数，运用专家决策树提取地貌类型信息，以地貌类型为分类单元，采用支持向量机的分类方法对土地利用信息进行提取。该方法不仅对喀斯特地区土地利用信息提取精度的提高有促进作用，同时对提出生态安全条件下土地利用空间格局与土地利用方式也具有显著意义。

1研究区概况及数据源

1.1研究区概况

贵州省安顺地区是典型的喀斯特地貌集中区，地处E105°13′～106°34′，N25°21′～26°38′之间，平均海拔高度在1 102～1 694m之间，属典型的高原型湿润亚热带季风气候，雨量充沛。地势整体西高东低，南北两端向北盘江和乌江倾斜，全区以岩溶丘陵地貌为主，石灰岩广布，江河峡谷纵横交错，南部和西北边缘为山地峡谷，中部为平地丘陵，北部为洼地丛峰。峰丛石林、森林湖泊、暗河泉水星罗棋布，1 200多个地表溶洞构成一幅幅绚丽多姿的立体画卷，是贵州喀斯特地貌发育最成熟、最典型的地带。

1.2数据源

本文选取2010年5月美国陆地卫星Landsat5所获取的多波段扫描影像(TM)为实验数据源。在本研究中，除利用TM影像数据外，还引入了30m分辨率的数学高程模型(digitalelevationmodel,DEM)数据、水文地质数据以及土壤数据等辅助数据参与分析。

2研究方法

本研究主要包括地貌信息提取以及基于地貌的土地利用信息提取两部分，两者均采用面向对象方法实现。图1为研究区影像(R(B4)G(B3)B(B2)融合)，在此基础上进行图像分割等处理，技术路线见图2。

图1　研究区位置图

2.1制定分类体系

研究区的土地利用类型可分为有林地、灌木林地、疏林地、草地、旱地、水田、建筑用地以及水体等8类。结合研究区的地貌特征以及前人研究成果[8-10]，本文将区内的地貌类型确定为正地形的峰林和峰丛，负地形的溶洼、溶盆、溶谷、溶原等类。其组合形态有6种： 峰丛洼地、峰丛谷地、峰林洼地、峰林谷地、峰林盆地、峰林溶源(图3)。

(a) 峰丛洼地(b) 峰丛谷地 (c) 峰林洼地

(d) 峰林谷地(e) 峰林盆地 (f) 峰林溶源

图3地貌标志

Fig.3Establishsigndatabaseoflandform

2.2多尺度分割

各地貌类型在不同尺度上显现出的特征不同，各种地物在不同尺度上的表征也存在很大差异[11-13]，不同地貌和地物类型的尺度响应特征就是将满足一定均质性标准的像元根据“区域增长”的方法聚合到一起，形成对象[14-15]，对象的异质性计算方法为

f=Whcolor+(1-W)hshape,

(1)

hshape=Wcompacthcompact+Wsmoothhsmooth,

(2)

式中: f为异质性； W为光谱权重值(0

影像的多尺度分割是解决尺度效应的重要途径，也是面向对象分类的基础。每个地貌和地物类型都有各自的拟合尺度，尺度并不一定是越小越好，分割尺度过小，地貌和地物失去了宏观的特性，分割尺度过大不同地貌类型会混杂在一起。

2.3面向对象分类

喀斯特地区地物破碎，且“同物异谱、同谱异物”现象比较明显，传统的基于像元分类方法只能利用光谱信息[16-17]，分类精度不高，而且会产生大量的“椒盐”现象[18-20]。面向对象的分类方法弥补了传统分类方法的不足，除利用光谱信息外还利用了纹理、几何信息，同时还可以借助其他辅助信息参与分类[21]，因此本文的地貌/土地利用信息提取采用面向对象的方法实现。

面向对象的分类算法有基于知识的决策树分类和基于样本的最邻近分类2种。本文在地貌信息的提取过程中主要利用决策树分类算法，借助DEM数据以及派生出的坡度、地形起伏度和地表切割深度等参数构建特征空间，最终实现地貌分类。由于地貌类型大多具有明确的内涵而不具备确切的外延。因此，采用硬性的阈值进行分类，不能满足地貌类型的自然属性，故本文引用隶属度函数对各种地貌类型定义了相应的类描述。土地利用类型的提取采用决策树分类与样本的最邻近分类相结合的方法，由于以上2种算法在不同的影像对象层和不同地类的提取中显示出不同的优势，所以将2者结合进行信息的提取会达到更好的效果。

2.4典型喀斯特地貌的土地利用特征

土地利用类型影响了喀斯特地貌的演变，喀斯特地貌又限制了土地利用方式，致使土地利用空间格局呈现独特的特点，在不同地貌类型中，存在不同土地利用类型并且地类斑块的破碎度均存在很大差异[22-23](表1)。研究区为典型喀斯特山区，海拔高度和地势起伏度都较大，平坦地面较少，造成了农业可耕作土地较少，开垦受到地形的限制，机械化与产品运送都较困难，同时全区地物斑块破碎，土壤属性难以改变，不同的地貌类型其热量、水分条件差异显著，造成了土地利用结构的分异。在峰林、峰丛区域地表起伏明显、坡度较大、土地利用困难，同时水土流失严重，致使植被生长条件相对较差； 而耕地与居民用地则大多聚集在地势较平坦的溶原与溶盆区域，因为这些区域的土地利用较为容易，自然资源的可利用率较高。因此，本文充分利用喀斯特地貌对土地利用的限制与影响，总结不同地貌类型的土地利用特点与斑块破碎程度，最后以地貌类型为基本分类单元，对土地利用信息进行提取。

表1　不同地貌类型土地利用特点

3方法应用

3.1地貌信息提取

地貌信息提取采用面向对象的分类方法，包括多尺度分割和面向对象的分类2部分。

3.1.1多尺度分割

在研究区范围内除喀斯特地貌类型外还包括非喀斯特地貌，喀斯特区域与非喀斯特区域土地利用信息存在很大差异。为了在后续处理中能得到更好的土地利用信息，首先要区分喀斯特区域与非喀斯特区域。由于喀斯特作用发生在特殊的水文、地质背景下，可以借助土壤图、水文地质数据来确定喀斯特与非喀斯特区域的界限。先将辅助数据与影像进行叠加分析，根据喀斯特的发生机理确定喀斯特区域； 然后用专题矢量数据分割遥感影像数据，确定喀斯特与非喀斯特的界限(图4(a))。图中格网部分为非喀斯特区域，黑色实线为分割边界线。由于本研究需要对喀斯特地貌继续进行分类，因此需要对喀斯特区域继续进行分割。喀斯特地区的分割由像元层开始进行，开始先设置较小分割尺度，下一层分割尺度的扩张幅度则根据上一层中对象的光谱异质性和形状异质性决定，不断地进行这样的尺度扩张和邻域合并，直至最后确定出最优的分割尺度。本研究确定最优分割尺度的方法为试错法，即通过不断变换分割尺度以及调整分割参数的权重，最后根据先验知识以及人为判别能力选取最优分割参数，直至所有的地貌类型都能够在某一层上都得到较好的信息表达(图4)。

(a) 辅助数据分割 (b)Level1，分割尺度100 (c)Level2，分割尺度200(d)Level3，分割尺度500

图4不同地貌类型的尺度响应

Fig.4Multiresolutionsegmentationofdifferentlandform

3.1.2面向对象分类

采用构建规则集的方法对地貌类型进行提取，规则集中特征空间的构建主要结合TM数据以及辅助数据、DEM数据以及衍生的坡度(slope)、地形起伏度(R)和地表切割深度(D)等，即

D=Hmean-Hmin，

(3)

R=Hmax-Hmin，

(4)

式中： Hmax为对象的最大高程值； Hmin为对象的最小高程值； Hmean为对象的平均高程。

1)峰林、峰丛提取。峰林、峰丛在影像上有独特的显示效果，如橘皮状、花生壳状。其主要特点是构成了地表的起伏形态，海拔在200～1 000m左右，相对高程最大可达600m，坡度较大。因此利用DEM数据以及衍生的坡度、地表起伏度等数据(slope>20 ，R≥200)可以将峰林、峰丛与其他地貌区分。峰林与峰丛的最大区别就是石峰基底是否相连。峰林是由分散离立的石峰组成，石峰多呈锥形、塔形或筒形； 峰丛则呈大片或块状分布，石峰的基底相连，因此利用石峰对象的长宽比特征(峰林(length/width)<峰丛)可将其进行划分。

2)洼地、谷地提取。洼地与谷地是相对于峰林、峰丛的负地形地貌类型，可以借助于峰林、峰丛相似的指标进行提取。洼地与谷地的区分主要依据地表的切割深度特征(洼地(D)>谷地)。该特征反映了地球表面被侵蚀切割的情况，对其进行量化，可视为峡谷地貌类型提取的重要参考指标。

3)溶源、盆地提取。溶源与盆地均有较平坦的基岩地面，地表河流较为丰富，土地利用方式多以耕地为主，同时盆地中多分布较多的居民点。归一化植被指数(normalizeddifferencevegetationindex，NDVI)对绿色植被的生长状态具有最佳的指示作用，可以依据NDVI将林地、耕地与其他地类区分； 也由于盆地和溶源都比较平坦，可以在NDVI基础上利用坡度信息将其提取(NDVI>0.35，slope≤10)。溶源的平坦基底相对于盆地要小，在溶源内部会有拔起的石峰； 而盆地周围一般被石峰包围。因此借助面积特征(盆地(area)>溶源)与临近对象关系特征可以将它们区分。

基于以上的分析，选取相应的特征建立规则集(表2)。

表2　多层次影像分类规则

按照表2提取各个地貌类型，研究区地貌典型影像与分类结果叠加图如图5所示,全区的地貌类型提取结果见图6。

(a) 峰丛洼地(b) 峰丛谷地 (c) 峰林洼地

(d) 峰林谷地(e) 峰林盆地 (f) 峰林溶源

图5地貌类型典型影像与叠加图分类结果

Fig.5Overlaychartofthetypicalimagesandclassificationresults

图6　地貌类型分类结果

3.2土地利用信息提取

研究区地貌类型提取获得了喀斯特与非喀斯特2大类地区，其中喀斯特地区又包括峰丛、峰林、盆地、溶源、谷地和洼地等6种地貌形态。土地利用类型的提取方法仍采用面向对象的分类方法。考虑到土地利用类型的自然分布规律，本研究不再以图幅或者行政边界为基本分类单元，而是以地貌类型为基本分类单元。

安顺市土地利用类型可分为有林地、灌木林地、疏林地、草地、旱地、水田、建筑用地以及水体等8类。由于在不同的地貌单元中地物斑块大小与主要地物类型均不相同，因此需要根据不同地貌类型的土地利用类型特点，确定最佳分割尺度，从而对地貌类型进行多尺度分割，生成与土地利用类型最佳拟合的斑块。最佳尺度的选择仍然采用以上提出的试错法。土地利用类型的提取采用基于知识的决策树分类与基于样本的最邻近分类相结合的方法。针对研究区主要土地利用类型的特点，选取了TM1—TM5，TM7波段的均值以及标准差、NDVI以及DEM衍生的坡度信息等14个指标构造样本的特征空间。对于依据少数特征就可以进行区分的地类(如植被与水体)，采用决策树分类法效果较好； 对于依据少数特征不能区分的地类(如草地与灌木林地)，则采用最临近分类方法。分类结果如图7所示。

图7　土地利用分类结果

基于土地利用分类结果，应用ArcGIS10.2 对不同土地利用类型进行统计分析。统计可知，安顺地区灌木林地分布最多，面积为2 360.73km2，主要分布在安顺市关岭和紫云地区； 旱地次之，面积为1 913.93km2，占总面积的20.74%，在安顺市各地均有分布； 有林地与草地的面积较为相近，分别为1 773.81km2和1 747.58km2，占总面积的19.22%与18.94%； 水田面积为1 003.63km2，占总面积的10.88%，主要分布在平坝与西秀区境内； 建筑用地、稀疏林和水体的面积分布较少，分别占总面积的1.99%,2.02%和0.63%。

3.3精度评价

分类结果的精度评估采用采样调查的方法。根据地类的可分性以及各个地类的占地面积情况，均匀选取160个采样点，其中野外调查120个，通过GoogleEarth等高分影像获得40个。稀疏林、灌木林地以及草地等难以分辨的地类以野外实地调查为主，水体、建筑用地等以高分影像为主。评价结果如表3所示。总体分类精度为87.35%，Kappa=0.821。

表3　分类结果精度评价表

由表3可知，所有地类的分类精度都达到了80%以上，其中水体、水田、建筑用地的分类精度较高，均超过了90%； 草地与稀疏林的分类精度较低些，主要因为草地与稀疏林、生长状况较好的灌木林地与有林地的光谱特征相近，出现了不同程度的混分现象； 草地的误分现象比较分散，与旱地、稀疏林地、灌木林地均有误分，主要是因为不同覆盖的草地与其他地类有不同程度的相似之处； 旱地的用户精度较低，主要是因为试验区内旱地分布较为分散并且斑块较小，因而出现了与其他地物混分的现象。

4结论与讨论

本文利用面向对象的方法对研究区喀斯特地貌信息进行了自动化提取，同时又基于地貌与土地利用相互作用关系，实现了基于地貌类型的土地利用信息提取。

1)面向对象的方法可以有效地应用于喀斯特地貌信息提取。本文从喀斯特地区固有特征出发，运用专家经验知识制定规则集，实现了喀斯特地貌自动提取，提取结果表明安顺市喀斯特地貌广布，从高原分水岭区的峰林盆地过渡到峰林谷地，再到干流峡谷区封闭的峰丛洼地，表现出明显的分带现象。

2)辅助地貌信息可以提高土地利用信息提取精度。以往的土地利用信息提取均是以影像大小或行政边界作为分类的单元，不能充分反映土地利用的自然规律。针对研究区为典型的喀斯特地貌分布区，地物复杂且斑块破碎的特点，本文充分考虑了地貌类型与土地利用类型的相互作用关系，以地貌单元为基本分类单元，利用面向对象的方法对土地利用信息进行提取，分类总体精度达到87.35%。

3)安顺地区土地利用类型以灌木林地、旱地为主，分别占总面积的25.58%和20.74%，水体分布面积最少，仅为0.63%。研究区受喀斯特石漠化的影响，地物斑块破碎，森林覆盖率较低。因此，在今后的石漠化治理、水土保持工作中需充分考虑地貌信息与土地利用信息之间的作用关系，科学地安排土地利用格局。

本文初步实现了辅以地貌的土地利用信息提取方法，但仍存在一些有待于改进的不足之处。如在多尺度分割中，最优分割尺度主要还是以人工干预的方式确定，具有一定的主观性。在地貌信息提取中利用多种辅助数据，数据来源不同，并且精度不一，会不同程度地影响地貌信息提取的精度。虽然在本文的研究中地貌信息只是土地利用信息提取的参考，但地貌信息精确提取是一个十分值得深入研究的课题。

参考文献(References)：

[1]程维明,周成虎.多尺度数字地貌等级分类方法[J].地理科学进展,2014,33(1):23-33.

ChengWM,ZhouCH.Methodologyonhierarchicalclassificationofmulti-scaledigitalgeomorphology[J].ProgressinGeography,2014,33(1):23-33.

[2]宋乃平,陈忠祥.地貌与土地利用关系之探讨[J].宁夏大学学报:自然科学版,1993,14(3):27-31.

SongNP,ChenZX.Astudyontherelationshipoflandformandlanduse[J].JournalofNingxiaUniversity:NaturalScienceEdition,1993,14(3):27-31.

[3]周成虎,程维明,钱金凯,等.中国陆地1∶100万数字地貌分类体系研究[J].地球信息科学学报,2009,11(6):707-724.

ZhouCH,ChengWM,QianJK,etal.Researchontheclassificationsystemofdigitallandgeomorphologyof1∶1 000 000inChina[J].JournalofGeo-InformationScience,2009,11(6):707-724.

[4]李宗发.贵州喀斯特地貌分区[J].贵州地质,2011,28(3):177-181,234.

LiZF.DivisionofkarstlandforminGuizhou[J].GuizhouGeology,2011,28(3):177-181,234.

[5]盈斌,熊康宁,陈起伟,等.喀斯特地区土地利用与石漠化分布特征研究——以贵州省毕节市鸭池示范区为例[J].水土保持通报,2012,32(2):190-193.

YingB,XiongKN,ChenQW,etal.Distributionfeaturesofrockydesertificationandlanduseinkarstarea:WithspecialreferencetoYachidemonstrationbaseinBijieAreaofGuizhouProvince[J].BulletinofSoilandWaterConservation,2012,32(2):190-193.

[6]熊康宁,池永宽.中国南方喀斯特生态系统面临的问题及对策[J].生态经济,2015,31(1):23-30.

XiongKN,ChiYK.TheproblemsinsouthernChinakarstecosysteminsouthernofChinaanditscountermeasures[J].EcologicalEconomy,2015,31(1):23-30.

[7]宋同清,彭晚霞,杜虎,等.中国西南喀斯特石漠化时空演变特征,发生机制与调控对策[J].生态学报,2014,34(18):5328-5341.

SongTQ,PengWX,DuH,etal.Occurrence,spatial-temporaldynamicsandregulationstrategiesofkarstrockydesertificationinsouthwestChina[J].ActaEcologicaSinica,2014,34(18):5328-5341.

[8]陈述彭.西南地区的喀斯特地貌[J].地理知识,1954(3):74-76.

ChenSP.ThekarstgeomorphologyinsouthwestChina[J].GeographicalKnowledges,1954(3):74-76.

[9]曾昭璇.中国南部石灰岩地貌类型若干问题[J].地质学报,1964,44(1):119-129.

ZengZX.SomequestionsontheclassificationofrelieftypesinkarstregioninsouthChina[J].JournalofGeology,1964,44(1):119-129.

[10]中国科学院地质研究所岩溶研究组.中国岩溶研究[M].北京:科学出版社,1979.

ResearchgroupofChineseAcademyofSciencesInstituteofKarstGeologyResearch.KarstResearchinChina[M].Beijing:SciencePress,1979.

[11]李雪冬,杨广斌,张旭亚,等.利用影像尺度响应进行城市扩张变化检测[J].山地学报,2014,32(3):293-299.

LiXD,YangGB,ZhangXY,etal.Applicationofmultiscalsegmentationtothedetectionofurbanexpansion[J].MountainResearch,2014,32(3):293-299.

[12]鲁恒,李永树,唐敏.面向对象的山地区域多源遥感影像分割尺度选择及评价[J].山地学报,2011,29(6):688-694.

LuH,LiYS,TangM.Evaluationandselectionofsegmentationscalewithobject-orientedmethodinmultiplesourceremotesensingimageofmountainareas[J].JournalofMountainScience,2011,29(6):688-694.

[13]MarthaTR,KerleN,vanWestenCJ,etal.Object-orientedanalysisofmulti-temporalpanchromaticimagesforcreationofhistoricallandslideinventories[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2012,67:105-119.

[14]SulongI,Mohd-LokmanH,Mohd-TarmiziK,etal.MangrovemappingusingLandsatimageryandaerialphotographs:KemamanDistrict,Terengganu,Malaysia[J].Environment,DevelopmentandSustainability,2002,4(2):135-152.

[15]张学儒,刘林山,张镱锂,等.基于ENVIZOOM面向对象的高海拔灌丛植被提取——以定日县为例[J].地理与地理信息科学,2010,26(4):104-108.

ZhangXR,LiuLS,ZhangYL,etal.Extractionofshrubvegetationbyobject-orientedclassificationmethodbasedonENVIZOOMinhigh-altitudearea:AcaseofDingriCounty[J].GeographyandGeo-InformationScience,2010,26(4):104-108.

[16]苑全治,吴炳方,张磊,等.辅助数据在面向对象分类方法中的应用——以密云水库上游为例[J].生态学报,2014,34(24):7202-7209.

YuanQZ,WuBF,ZhangL,etal.Applicationofauxiliarydataintheobject-basedclassificationmethod:AcasestudyontheMiyunReservoirarea[J].ActaEcologicaSinica,2014,34(24):7202-7209.

[17]贾明明,任春颖,刘殿伟,等.基于环境星与MODIS时序数据的面向对象森林植被分类[J].生态学报,2014,34(24):7167-7174.

JiaMM,RenCY,LiuDW,etal.Object-orientedforestclassificationbasedoncombinationofHJ-1CCDandMODISNDVIdata[J].ActaEcologicaSinica,2014,34(24):7167-7174.

[18]李雪冬,杨广斌,李蔓,等.面向对象的喀斯特地区土地利用遥感分类信息提取——以贵州毕节地区为例[J].中国岩溶,2013,32(2):231-237.

LiXD,YangGB,LiM,etal.RSclassificationinformationextractionoflanduseinkarstareabymeansofobjectorientedapproach:AcaseinBijie,Guizhou[J].CarsologicaSinica,2013,32(2):231-237.

[19]XuEQ,ZhangHQ,LiMX.Object-basedmappingofkarstrockydesertificationusingasupportvectormachine[J].LandDegradation&Development,2015,26(2):158-167.

[20]ZhangCY,XieZX.Combiningobject-basedtexturemeasureswithaneuralnetworkforvegetationmappingintheEvergladesfromhyperspectralimagery[J].RemoteSensingofEnvironment,2012,124:310-320.

[21]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.

WuTJ,HuXD,XiaLG,etal.Analysisondynamicchangeandtendencyofland-coverbasedonobject-orientedclassification[J].RemoteSensingTechnologyandApplication,2014,29(4):600-606.

[22]盛茂银,熊康宁,崔高仰,等.贵州喀斯特石漠化地区植物多样性与土壤理化性质研究[J].生态学报,2015,35(2):434-448.

ShengMY,XiongKN,CuiGY,etal.Plantdiversityandsoilphysical-chemicalpropertiesinkarstrockydesertificationecosystemofGuizhou,China[J].ActaEcologicaSinica,2015,35(2):434-448.

[23]吴秀芹,蔡运龙,蒙吉军.喀斯特山区土壤侵蚀与土地利用关系研究——以贵州省关岭县石板桥流域为例[J].水土保持研究,2005,12(4):46-48,77.

WuXQ,CaiYL,MengJJ.Impactsoflanduseonsoilerosioninkarstmountainousarea:AcasestudyinShibanqiaocatchmentinGuanlingCounty,GuizhouProvince[J].ResearchofSoilandWaterConservation,2005,12(4):46-48,77.

(责任编辑： 李瑜)

Extraction of land cover information of Karst based on landform

LI Xuedong1,2, ZHANG Hongyan2, YANG Guangbin1, LI Xiaosong3, ZHOU Yue1

(1. School of Geography and Enviroment Sciences, Guizhou Normal University, Guiyang 550001, China; 2. School of Geographical Science, Northeast Normal University, Chanchun 130024, China; 3. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China)

Abstract:Landscapelimitedformsoflanduseandlandusetypeinfluencetheformationandevolutionofthelandscape.Inviewofthatrelationship,thispaperproposesanobject-orientedlanduse/landcoverclassificationmethod.TakingAnshunCitywithdiversekarstlandformtypesasanexampleandusing2010TMimagesasthebasicdatasource,theauthorsdividedthetestdataaccordingtodifferentscaleresponsecharacteristicsofdifferentkarstlandformscombinationsandwithmulti-scalesegmentationtechnology.UsingDEMdataandthederivativefeaturessuchasslope,reliefamplitude,andsurfaceincisionandestablishingmembershipfunctionsdeterminingthethreshold,theauthorsextractedthekarstlandforminformation.Then,onthebasisoflandformtypesandaccordingtothelandusecharacteristicsofdifferentlandformtypes,theauthorsdividedlandusetypesbyusingnearestneighboranalysis.Overallclassificationprecisionreached87.35%.Finally,thedistributioncharacteristicsoflandformandlandcoverwerediscussedonthebasisoftheclassificationresults.Theresultsshowthatthelandformtypesinthestudyareaaremainlypeakclustervalleyandpeakclusterdepression,withafewkarstpimpleplainsandhoodoobasins.Landcovertypesaremainlyshrubsanddryland,whichaccountfor25.58%and20.74%oftotalarearespectively.

Keywords:landcoverofkarst;classificationofkarstlandform;object-orientedclassification;membershipfunction

doi:10.6046/gtzyyg.2016.03.22

收稿日期：2015-03-24；

修订日期：2015-06-10

基金项目：贵州省科学技术基金项目“喀斯特山地城市生态安全态势及其景观优化研究”(编号： 黔科合J字LKS[2012]26号)、贵州省重大专项项目“贵州省‘数字环保’关键技术研究及示范应用”(编号： 黔科合重大专项字[2012]6007号)、国家自然科学基金项目“喀斯特山区石漠化多源高分遥感定量评估”(编号： 41361091)、贵州省优秀青年科技人才培养对象专项资金项目“石漠化信息多源遥感协同反演技术研究”(编号： 黔科合人字[2013]39号)及中央高校基本科研业务费专项资金项目“大兴安岭植被物候遥感反演及其规律特征研究”(编号： 14QIVJJ025)共同资助。

中图法分类号：TP79

文献标志码：A

文章编号：1001-070X(2016)03-0138-08

第一作者简介：李雪冬(1988-)，男，博士研究生，主要从事遥感分类与定量遥感方面的研究。Email:li.xuedong.1988@163.com。

通信作者：杨广斌(1973-)，男，博士, 教授，主要从事地理信息系统开发与应用研究。Email:ygbyln@163.com。

引用格式： 李雪冬,张洪岩,杨广斌,等.辅以地貌类型的喀斯特地区土地利用信息提取[J].国土资源遥感,2016,28(3):138-145.(LiXD,ZhangHY,YangGB,etal.ExtractionoflandcoverinformationofKarstbasedonlandform[J].RemoteSensingforLandandResources,2016,28(3):138-145.)