石漠化地区遥感影像信息提取方法综述

杨董琳，王忠诚，胡文敏,2，曹 丹，刘 昊

(1.中南林业科技大学林学院，湖南 长沙 410004;2.中国林业科学研究院资源信息研究所，北京 100089)

石漠化(rocky desertification)是在人类活动的干扰破坏下，使喀斯特地区出现的土壤功能丧失、基岩裸露、生产力下降的土地退化过程[1]。中国西南地区的石漠化问题严重威胁着生态平衡和经济发展，表现出分布面积极广、生态环境脆弱、人口矛盾突出的特点[2]。在中国，作为喀斯特地貌发育的物质基础——碳酸盐类岩石总面积达200万km2,其中裸露的碳酸盐类岩石面积为130万km2，埋藏的碳酸盐岩类岩石面积为70万km2[3]。根据《岩溶地区石漠化综合治理工程“十三五”建设规划》，截至2015年底，中央专项投资累计超过110亿元，完成了岩溶土地治理面积为6.6万km2，其中石漠化治理面积超过2万km2。

自20世纪70年代后期提出石漠化现象以来[4]，遥感技术由于具有快速定位、覆盖区域广、经济高效等特点受到研究人员的青睐[5]，利用遥感技术手段可以对石漠化地区进行监测、预警、生态功能评价、空间结构分析和生态重建模拟[6-10]，通过发掘遥感的深层技术，可以进一步提高石漠化防治的便捷度和精准度，而遥感影像的信息提取是利用遥感影像研究石漠化的首要步骤。由于不同石漠化地区的地形复杂程度、使用的遥感影像分辨率和技术难点不同，与森林、城区、矿区等区域有所区别，导致信息提取的方法也各不相同。如石漠化地区纯净像元较少，应考虑采用比值增强法突出地物光谱特征，而森林地区则纯净像元较多，可以考虑采用复合分类器来解决训练样本不足的问题[11]；石漠化地区的面积虽然仍在不断扩大，但还是无法与城市的快速扩张相比，城市不透水面较多的地区因需要反映城市扩张趋势，多采用不受训练样本影响的指数法[12]，而石漠化地区则更注重利用模型构建方法来忽略较为破碎的地形。

根据研究区域的不同和遥感影像的限制，选取不同的遥感影像信息提取方法，能够显著提高信息提取的效率和精度，如微波遥感比光学遥感的持续监测能力更强[13]，引入纹理特征比分析光谱特征更能减少同谱异质现象[14]等。为此，本文总结了近年来我国石漠化地区研究中遥感影像的信息提取方法，将遥感影像信息提取方法分为人机交互解译法、比值增强法、监督分类法、非监督分类法、模型构建法、专家经验法和面向对象分类法7种方法，并对以上方法的技术手段、优缺点和适应性进行归纳，以为石漠化地区遥感影像的信息提取提供新思路。

1 石漠化地区遥感影像信息提取方法分类

遥感技术在石漠化地区的研究中应用广泛，涵盖了区域监测预警、空间特征分析和区域现状评价等各个方面[15-17]，见图1。遥感影像信息提取技术是其应用的基础，过去十几年中，遥感影像信息提取技术从最基本的目视解译、人机交互解译和非监督分类[18-20]，到支持向量机、BP算法和面向对象分类[21-23]，再到微波遥感和深度学习分类[24]，发展迅速。由于对石漠化的研究起步较晚，石漠化地区常用的遥感影像信息提取方法多为人机交互解译、比值增强等传统方法[25-27]，而微波遥感、神经网络分类等新方法较少见，尤其是对于研究区域范围较小的石漠化地区，往往采用人机交互解译或者非监督分类即可满足遥感信息提取的精度要求[28-30]。

图1 石漠化地区常用的遥感影像信息提取方法Fig.1 Some commonly used remote sensing information extraction methods in rocky desertification areas

通过对不同分辨率的遥感影像进行图像增强、光谱分析、数据叠加和尺度分割等处理，获取光谱特征指数、植被指数和纹理特征等，在不同的解译标志和模型下可对石漠化地区的遥感影像进行信息提取。但由于研究地区的地形复杂程度、使用的遥感影像分辨率和采用的数据处理平台不同，所以技术流程迥异，思路角度多样，导致遥感影像信息提取的方法也不同。程洋等[31]将岩溶石漠化遥感影像信息提取方法分为人机交互解译、比值增强、监督分类、基于光谱特征的自动分类、基于时间序列的分类、基于专家经验的分类、面向对象的分类7种方法；姚远[32]则将喀斯特石漠化遥感影像信息提取方法分为目视解译法、监督分类法、基于知识的模型构建法、基于特征信息的提取法4种方法。

通过总结各类研究文献[31-32]，本文将石漠化地区遥感影像信息提取方法分为人机交互解译法、比值增强法、监督分类法、非监督分类法、模型构建法、专家经验法和面向对象分类法，并对以上方法的技术手段、优缺点和适应性进行了归纳，见表1。

表1 石漠化地区遥感影像信息提取方法的原理、优缺点和适应性Table 1 Principle,advantages and disadvantages,and adapability to remote sensing image information extraction methods in rocky desertification area

2 石漠化地区遥感影像信息提取方法

2.1 人机交互解译法

人机交互解译法是石漠化地区最基础的遥感影像信息提取方法之一，其流程是首先通过分级阈值或解译标准划分石漠化强度等级，一般会选用基岩裸露率和植被覆盖率作为划分依据[33]，然后建立解译标志，人工辨认影像。如兰安军[34]将贵州喀斯特石漠化地区划分为5个强度等级，通过野外实测建立解译标志，对遥感影像进行信息提取；刘芳等[35]利用Landsat热红外遥感影像计算亮温，并基于亮温阈值建立解译标志，对遥感影像进行信息提取。图像增强的发展为人机交互解译提供了辅助功能，而拥有更清晰信息量的影像将有助于提高人工判读的精度，常见的图像增强手段包括à trous 算法、G_L分数阶微分理论和Tetrolet法等[36-38]。随着遥感技术的进步和遥感影像空间分辨率的提高，如今人机交互解译法大多在研究中作为一种修正和提高精准度的手段。如孙悦等[39]在采用二次图像增强法对岩溶石漠化地区遥感影像进行信息提取后，运用人机交互解译法减少了“同物异谱”和“同谱异物”的误差。

人机交互解译法具有较好的适应性，在不同空间分辨率的影像中皆可应用，能满足一些小区域内的调查工作，但工作量大、效率低，受限于人工判读的主观性，也不能很好地拆解像元，不适用于大范围的监测工作。

2.2 比值增强法

比值增强法是石漠化地区目前最常用的遥感影像信息提取方法之一，其通过选取不同波段进行差异比较，利用两个波段之间的比值增强影像。童立强[40]开展了西南岩溶石山地区石漠化信息自动提取技术研究，以TM数据为信息源，选取了TM5/TM4的比值进行运算，TM5波段能够反映基岩裸露率，而TM4波段能够反映植被覆盖率，可对视反射率图像进行图像增强，计算机全自动分类，得到的结果为矢量化图斑，其像元亮度值增强计算采用如下对数剩余变换公式：

Di=DNiTM5Gi4/DNiTM4Gi5

(1)

式中：Di为第i个像元的石漠化指数值；DNiTM5为第i个像元在TM5波段的亮度值；DNiTM4为第i个像元在TM4波段的亮度值；Gi4为整景图像第4波段所有像元亮度值的几何平均值；Gi5为整景图像第5波段所有像元亮度值的几何平均值；i为像元序号。

涂杰楠等[41]将基于RapidEye遥感影像比值密度分割法应用于岩溶石漠化调查中，先采用比值运算和密度分割方法进行增强运算，通过实地测量确定分类阈值，按照4个石漠化强度等级分类，然后分析R、G、B 3个波段的反射率，将不同地物在不同波段的像元亮度值放在一起进行对比，提炼出3个波段中差异最大的两个波段，最后选择了G/B比值用于遥感影像信息提取。密度分割是一种用于影像密度分层显示的彩色增强技术，其原理是将具有连续色调的单色影像按一定密度范围分割成若干等级，经分层设色显示为一种新彩色影像[42]，可以根据该图像的灰度值及其概率分布特征，选择几个分割点，将灰度值分为几个等级，分别代表不同的特征覆盖类型[43]。采用密度分割和比值运算的综合增强方法是一种半定量化方法，具有快捷精准、能区分基岩裸露率的小范围差异、对单一比值增强方法产生的主观性误差有很好的改善作用等特点。

与人机交互解译法相同，比值增强法同样需要先进行分级阈值确定，完成石漠化强度分级，在此基础上进行最佳波段的优选，利用最优波段之间的差异性使图像完成色彩增强，有助于提高解译工作的精度，可用于中低空间分辨率的遥感影像，但是受限于波段的选择，其信息提取的精度取决于波段优选时的比值运算，同时还因为波谱分辨率取决于波段的多少，高空间分辨率影像波段少，波谱分辨率低，进行波段优选时缺乏差异性对比，因此比值增强法在高空间分辨率影像信息提取中难以运用。

2.3 监督分类法

监督分类法的普遍应用大幅度推动了遥感影像信息提取技术的发展，其原理是从研究区中选择训练样本，通过野外测量和光谱分析的手段确定各个地物在不同波段中的像元亮度值，形成作为“参考标准”的特征值，以此建立判别函数，最后利用计算机全自动解译[44]。监督分类法包括最大似然分类法、最小距离分类法、平行六面体分类法和波谱角分类法等几种主要的分类方法，在实际运用中应将各种方法进行对比，选择适用于不同地形特征、不同空间分辨率和不同地物分布格局的方法，以提高遥感影像信息提取成果的精度[45]。

监督分类法中的最大似然分类法的运用最为普遍，这是一种非线性分类方法，具有误差小、运算简易的优点[46]，一般可利用混淆矩阵来验证其分类精度，缺点是样本训练量较大，需要较长的计算时间。最大似然分类法默认影像数据呈正态分布，按照训练样本的均值和方差来判别归属概率，其使用的判别函数为

(2)

式中：x为光谱特征向量;ωi为类别；p(ωi)为类别ωi的先验概率；∑为协方差矩阵,有：

(3)

其中：

(4)

式中：xik表示第i个特征的第k个特征值；N为第i个特征的特征值总个数;∑i为第i类的协方差矩阵;ui为第i类的均值向量。

周欣等[47]则采用EOS-MODIS作为数据源，将广西全境石漠化强度按照4个等级分类，先通过短波红外/近红外波段的比值运算增强图像，然后运用主成分分析进行降维处理，最后对主成分分析结果进行最大似然分类法分类，生成研究区石漠化分布的信息图。利用综合比值增强法和监督分类法进行遥感影像的信息提取，既可以避免因为波谱分辨率较低导致的波段差异小的问题，也可以显著提升空间分辨率，提取的信息更清晰。

杨明龙[48]同样选择了综合方法，使用增强型植被指数法建立石漠化指数模型，再采用监督分类法进行遥感影像信息提取，并利用Kriging插值技术对信息提取中的影像缺失做了处理，避免了传统方法中遥感影像信息提取忽略阴影的处理而使误差较大的缺陷。

监督分类法利用计算机全自动分类，运行速度高于人机交互解译法，适用于大范围的研究区域，也是当前普及率最高的遥感影像信息提取方法之一，它通过对训练样本的反复训练，可以有效地提高解译精度。但是，由于石漠化地区地形起伏大、阴影面积广，严重影响了光谱特征对不同地物的描述，识别分类也受训练样本所限制，该方法的解译成果精度普遍较低，多数研究者选取其他手段与监督分类法综合运用进行遥感影像信息提取，这也是为了使不同方法之间相互弥补缺点，以达到提高解译精度的目的。

2.4 非监督分类法

非监督分类法与监督分类法的不同之处是其不需要训练样本，仅依赖光谱特征直接进行分类，分类结果需要进行野外观测主观添加属性，其原理是从不同类别的像元中选取特征点作为中心点，然后按照最小距离将像元归类到各个中心点，再重新分析光谱特征抓取新的中心点，依次迭代直到完成分类[49]。根据初始聚类中心的选择方式，非监督分类法包括主成分分类法、等混合距离法、集群分析法、ISODATA算法(迭代自组织数据分析算法)、K-均值聚类法(K-means聚类法)等几种方法[50]。

主成分分类法由传统的主成分分析(Principal Component Analysis,PCA)发展而来，通过线性变换将大量的光谱信息降维呈若干主成分变量，能够有效节省工作量，但由于受线性变换自身工作量的限制，加之难以消除波谱分辨率信息丢失的问题，因此该方法难以成为常用的非监督分类手段，往往需要与其他方法结合使用[51]。如刘维等[52]在江西长河流域石漠化研究中提出的植被岩溶比重指数(VKPI)就是通过主成分变换得到的，其将归一化植被指数(NDVI)、植被覆盖度、地表温度等指标经过线性变换后形成VKPI，再利用分级阈值法对VKPI进行分级来提取岩溶流域石漠化信息。

K-均值聚类法对初始聚类中心点的选取是随机的，呈现高效率、低精度的特点，一般用于处理小范围研究区域的遥感影像信息提取。如郭彤等[53]在最佳指数波段选择法和K-均值聚类法的基础上，提出了基于聚类和最佳指数的快速高光谱波段选择方法，并利用最小数据集的思想进行了技术改进，发现K值的取值范围会显著影响计算结果，其综合精度高于K-均值聚类法。ISODATA算法是在K-均值算法的基础上，通过增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法，其是对非监督分类法的“自动化”修正。蒋红娟等[54]在西畴县对石漠化区域时空演变研究时使用了该方法。

非监督分类法相较于其他分类方法实用性较差，尤其是缺乏先验知识训练，使其分类结果精度较低，一般用于小区域内的快速解译。

2.5 模型构建法

模型构建法包括光谱分析法、多源信息叠加法、指标评价法和时间模型法4种方法，其特点是遥感影像信息提取结果不仅取决于影像自身的光谱特征，还取决于结合光谱特征构建的不同模型，该方法适用性较强，往往与其他方法相结合进行遥感影像信息提取。如陈起伟等[55]采用光谱分析法和人机交互解译法相结合的方法，实地采样统计光谱间结构特征，建立了基于遥感光谱特征的喀斯特石漠化信息提取模型，后期依赖人机交互解译法提取信息。但是模型构建法的核心手段是模型，缺乏统一的标准划分模型阈值，也缺乏能够定量描述光谱特征的表征方法。

2.5.1 光谱分析法

光谱分析法的原理是每种地物都具有不同的光谱变化范围，呈现出不同的波段特征，据此可以在计算机中直接进行遥感影像信息提取。因为受限于地形因素，光谱分析法与人机交互解译法相互补充，是较好的遥感影像信息提取方法[31]。

最早的光谱混合模型是夏学齐等[56]在石漠化程度遥感信息提取方法研究中提出的，遥感影像的信息提取是混合像元的分解，通过选取高空间分辨率遥感影像，根据光谱混合分析理论[57]，对植被纯净像元(植被线)进行了寻找和提取，形成光谱混合分析模型，但由于植被线呈现出线状特征，因此定义混合像元到植被线的距离为石漠化几何指数，用来作为解译标志，并按照5个石漠化强度等级对遥感影像进行了信息提取，此后进行的实地调查发现实地石漠化强度等级与遥感影像信息提取的石漠化强度等级基本一致。

光谱分析法的核心手段是对光谱特征的描述，如岳跃民等[58]在对石漠化遥感评价因子提取研究的基础上，提出了石漠化综合指数，利用不同的评价因子对光谱特征进行了不同描述；熊鹰等[59]在不同遥感信息来源下对喀斯特石漠化评价指标提取进行了对比研究；刘泽东[60]则采用缨帽变换绿度指数法和掩膜分区法对广西河池地区岩溶石漠化ETM+数据进行了影像光谱特征分析，其中缨帽变换绿度指数法通过亮度、绿度和湿度分量体现影像光谱特征，掩膜分区法则是直接去除非喀斯特区域，然后叠加适宜的指标进行遥感影像信息提取。

光谱分析法因其影像分析的便利性而较为普及，但依然受限于景观异质性较强的区域，这些区域难以寻找纯净像元，往往需要结合其他手段才能有效提高解译精度。

2.5.2 多源信息叠加法

多源信息叠加法相较于其他遥感影像信息提取方法，需要在遥感影像上叠加更多信息，如数字高程模型数据、土地利用现状数据和水文数据等，通过这些数据的辅助，更精准地进行影像光谱特征分析。如宗慧琳等[61]将植被覆盖率和岩石裸露率赋予权重，然后通过波段计算加权叠加到处理软件中，再利用碳酸盐分布图分离非岩溶地区，利用土地利用现状图掩膜区分人为建筑设施，最后得到滇东南岩溶石漠化分布信息图。

多源信息叠加法可以利用不同来源的信息进行叠加，除去土地利用现状图和碳酸盐分布图等，还可以叠加纹理特征或相关矢量数据。如李松等[62]通过对小流域尺度的土地石漠化遥感影像进行图斑分割，以土地利用边界构建了石漠化稳定指数；Wang等[63]利用BP神经网络和无人机高空间分辨率相结合的手段，计算了基岩裸露率，最后提取了石漠化分布信息；涂杰楠等[64]对在高空间分辨率影像中利用NDVI和植被覆盖度进行信息提取生成石漠化空间分布图，并将分布图进行叠加用来分析石漠化演变趋势的传统方式做了改进，改为在确定阈值前进行叠加，客观上减少了信息提取的误差。

石漠化是一种综合条件下的土地退化过程，与地形条件、水文过程、人口密度和社会经济发展均有相关性，通过多源信息叠加可以有效地综合各方面的条件，提高石漠化地区遥感影像信息提取的精度。

2.5.3 指标评价法

指标评价法常用的两个指标是植被覆盖度和基岩裸露率，但在石漠化遥感影像信息提取方法的发展过程中，很少将其作为单一手段进行遥感影像信息提取，而是用于辅助光谱特征分析或形成综合性指标对石漠化强度等级进行分类。如凌成星等[65]使用中巴资源一号02B卫星影像数据来源，采用增强型植被指数(EVI)获取光谱特征指数，分析谱间特征，寻找裸岩与其他地类的差异，然后建立空间分析坡度图，利用专家经验法提取石漠化信息；闫利会等[66]则采用了由基岩裸露率、地形坡度、植被覆盖度等指标综合计算得出的石漠化敏感性指标，按照石漠化强度5个等级的敏感度分级来提取石漠化信息；李丽等[67]利用植被覆盖度进行遥感影像信息提取，通过像元线性分解模型估算出植被覆盖度，从而区分石漠化区域和非石漠化区域，然后将植被覆盖度划分为3个石漠化强度等级来提取石漠化信息。

指标评价法的遥感影像信息提取成果较为稳定，但存在主观性，需要解译人员具备扎实的信息处理能力、丰富的理论知识和实践经验，故该方法往往需结合其他方法进行信息提取。

2.5.4 时间模型法

由于遥感影像空间分辨率较低，故时间模型法应用较少，其原理是基于多时间遥感影像的精准配准的遥感影像动态监测，但传感器误差和气象影响经常会导致信息提取精度受限。如陈希等[68]使用Sentinel-1合成孔径雷达影像和Landsat8光学遥感影像综合划分石漠化分类等级，并利用SAR数据后向散射系数构建时间序列来提取石漠化信息；李松等[69]选择1992年和2001年两个时相的影像，对两张影像进行差值处理，采取对无变化区进行聚合、对变化区进行变化检测的遥感变化方法自动提取石漠化信息，其变化检测判别式为

Y(x,y,z)=f[X(x,y,z)]=a·X(x,y,z)+b+c

(5)

式中：X(x,y,z)和Y(x,y,z)分别为两个时相的影像信息；(x,y,z)为目标要素的位置;a为变换矩阵;b为石漠化动态;c为噪声动态。

2.6 专家经验法

不同于其他遥感影像信息提取方法，专家经验法主要依赖于专家分类系统将各类指标和多源信息进行处理，然后利用聚类提取信息。专家经验法是一种基于层次规则集(Hierarehy Rules)的非监督分类法，其特点是每次进行信息提取时都需要在专家分类模块中定义分类规则，有较高的自定义优势，但限于没有训练样本或精确的光谱特征分析，所以当经验模型较少时，信息提取成果的精度也较低。

如陈飞等[70]选择了基于CART决策树的专家经验法，决策树的每一次选择都相当于获取专家经验(规则)，先结合岩性图切除非喀斯特区域，用土地利用图切除喀斯特区域内的城镇和水体等区域，然后按照决策树分类和石漠化强度等级分类提取石漠化信息;王贵为[71]也采用了专家经验法提取了普定石漠化分布区域信息，其经验数据库来自专家设计，并与光谱分析法进行了对比，发现专家经验法提取的石漠化信息在年度或季度变化上与光谱分析法有较大的差异。

专家经验法在石漠化地区的遥感影像信息提取中应用较少，常见于小范围的区域研究，并受限于专家经验数据库的建设，是一种精度普通且缺乏灵活性的遥感影像信息提取方法。

2.7 面向对象分类法

与传统的分类法不同，面向对象分类法的特点是信息源来自地物特征，是一种近年逐渐发展起来的新方法，其原理是利用纹理特征、灰度值或几何特征等地物特征来分割影像和提取信息[72]，能适用于高空间分辨率遥感影像，避免出现“椒盐”现象[73]。面向对象分类法最早由Benz等[74]提出，其发展迅速，目前已经有许多研究成果，研究结果均表现出该方法在高空间分辨率遥感影像信息提取中的优势。如孙华等[75]研究了面向对象的决策树分类技术，其分类精度达到了80%以上；周迪等[76]在贵州省大方县石漠化地区利用纹理特征数据和地形数据进行了面向对象分类研究，并利用混淆矩阵对分类精度进行评价，最终得到的分类精度高于90%。

将尺度划分引入石漠化强度等级划分，将有助于建立石漠化强度等级分类的标准。胡顺光等[77]提出了利用隶属度函数，并综合岩石、地形、人为、植被、土壤、石漠化指标系数等因子合成的石漠化综合指标度进行信息提取的方法，基于该方法，经过尺度划分，石漠化区域的地形特征表现出不同于非石漠化区域的纹理特征，以此提取石漠化信息。

为了保证提取信息的完整性，针对不同的地物，应用不同的分割尺度，可基于亮度值的相似性或纹理信息来增加地物类别的可分性，以提高地物的分类精度[78]。如郑慧茹等[79]经过反复试验提出了不同权重下100/60/40的分割尺度，分别适用于灌草、水体、人工建筑、耕地等不同地物，最后得到的总体分类精度超过了80%；夏林等[78]则是采用了40/40/20的分割尺度，使总体分类精度超过了85%；王平等[80]采用非监督分类划分的阈值进行分割，同时设计了SAR向后散射系数与HSV(六角锥体模型)融合处理，其解译精度超过了90%。

总结以上研究可以看出，不同的分割尺度和处理手段将会显著影响遥感影像解译精度，根据合并算法迭代，选取不同的分割层数和形状因子反复尝试更多的分割尺度，有利于提高面向对象分类法的遥感影像信息提取精度。面向对象分类法是近几年发展起来的遥感影像信息提取新方法，其核心理论与基于像素分类法迥异，国外遥感信息提取软件eCognition的推广也提高了该方法的普及率。虽然该方法将石漠化地区遥感影像信息提取技术从半定量半定性阶段带入到定量阶段，信息提取精度较高，适用于高空间分辨率遥感影像，但由于该方法还处于探索阶段，研究成果较少，加上提取的地貌类型有限，分割尺度也需要依靠经验反复试验才能得出，因此在短时间内其难以大范围的普及。

3 结论与展望

本文介绍了人机交互解译法、比值增强法、监督分类法、非监督分类法、模型构建法、专家经验法和面向对象分类法7种遥感影像信息提取方法，并概述了其技术手段、优缺点和适应性。但随着遥感技术的进步，单一的石漠化地区遥感影像信息提取方法已经不能满足信息提取精度的要求，在人机交互解译法、比值增强法、监督分类法、非监督分类法、模型构建法、专家经验法和面向对象分类法等多种遥感影像信息提取方法中，还需要根据研究区域的实际情况，选取技术性和适应性相配套的方法，并辅助不同手段，才能更好地提高遥感影像信息提取精度。岳跃民等[81]研究指出，人机交互解译法、比值增强法和指标评价法等方法仍然处于人工解译的阶段，其工作量大、主观性强，而光谱分析法等方法也受限于纯净像元，而我国西南地区的石漠化形势严峻，地形复杂多变，现有的基于像素分类法已经难以满足日益增长的石漠化影像解译的需求，半定性半定量的信息提取方法必须在现有遥感技术的基础上进一步发展，并探索面向对象分类法。因此，本文对我国石漠化地区遥感影像信息提取方法的未来发展方向进行了展望：

(1) 重视光谱综合指数模型的研究：目前许多研究将基岩裸露率、植被覆盖率、地形坡度等指标通过变换运算总结成增强型植被指数或石漠化敏感性指标，试图去除各类影响石漠化指标的劣势，增强指标的优势，以此形成具有代表性的特征值，进行信息提取，但是该方法没有统一的标准，形成的光谱综合指数的代表性也没有定论，只能通过获取解译精度的评价来表征综合指数，这极大地影响了石漠化遥感影像信息提取方法的开发与创新。因此，重视光谱综合指数模型的研究，形成统一的变换标准，有利于增强半定性半定量的遥感影像信息提取方法的解译精度。

(2) 继续探索对面向对象分类法的研究：面向对象分类法因其立足于地物形状特征和纹理特征的特殊性，在当前和未来的石漠化地区遥感影像信息提取中占据极为重要的地位，也是目前对高空间分辨率影像进行信息提取的最佳选择之一。现有的遥感影像信息提取方法单一，无法避免石漠化区域因为复杂的地形而产生的提取精度下降问题，因此有必要对面向对象分类法进行深入探究。

(3) 加大对高光谱影像的研究力度：目前高光谱影像在其他领域已经应用颇多，但在石漠化地区的研究中却应用较少，而高光谱影像波谱分辨率高、纹理特征丰富，非常适合石漠化地区的研究。因此，加大研究力度，在现有遥感影像信息提取方法的基础上不断尝试，开发适用于高光谱影像信息提取的新方法，是扩展石漠化地区遥感影像信息提取技术的新途径。