基于随机森林算法和MODIS数据的日喀则地区土地覆盖分类与动态监测

来源:用户上传      作者:

　　摘要 土地覆盖动态变化是导致区域孕灾环境变化的重要因素之一，针对日喀则地区地形复杂、山地灾害易发的特点，选用MODIS、DEM、谷歌地球的高分影像以及气象数据等多源遥感数据，采用随机森林与遥感分析技术相结合的方法，对日喀则2001—2017年的土地覆盖变化进行动态监测。使用500 m分辨率8 d合成的不同年份相同季节的MOD09A1数据，确定了9个土地覆盖类型，分类总体精度和Kappa系数分别为83%和0.83。对多期分类图进行变化分析，统计土地覆盖种类的变化幅度和比例，并加入降水和温度变化等气象要素协同分析，得到动态监测结果。结果表明，近17年来，日喀则地区受自然条件和地形的限制，土地利用潜力不大，植被覆盖率波动上升，但水体覆盖率波动下降，导致生态环境脆弱，容易引发各种自然灾害。
　　关键词 随机森林;MODIS;土地覆盖;动态监测;日喀则
　　中图分类号 TP 751 文献标识码 A 文章编号 0517-6611（2020）16-0001-12
　　doi：10.3969/j.issn.0517-6611.2020.16.001
　　Land Cover Classification and Dynamic Monitoring in Shigatse Based on Random Forest Algorithm and MODIS Data
　　GAO Zi-heng，DING Wei，HE Jing
　　（School of Automation， Nanjing University of Information Science and Technology， Nanjing，Jiangsu 210000）
　　Abstract The dynamic change of land cover is one of the important factors that cause regional hazard-pregnant environment changes. In view of the complex terrain and the difficulty of mountain disasters in Shigatse， this study used multi-source remote sensing data such as MODIS， DEM， high-resolution image and meteorological data， and combined random forest and remote sensing analysis technology to dynamically monitor land cover change in Shigatse from 2001 to 2017. Nine types of land cover were identified， using MOD09A1 data of the same season in different years by 8-day synthesis at 500 m resolution. The total classification accuracy and Kappa coefficient were 83% and 0.83，respectively. The change analysis of multi-period classification map was carried out， and the variation range and proportion of land cover types were counted. The dynamic monitoring results were obtained by synergistic analysis of meteorological elements such as precipitation and temperature changes. The results showed that in the past 17 years， Shigatse had been restricted by natural conditions and topography， the potential of land use was not large， and vegetation coverage had increased， but the water coverage rate had decreased， the ecological environment was fragile and it is easy to cause various natural disasters.
　　Key words Random forest;MODIS;Land cover;Dynamic monitoring;Shigatse
　　基金項目 国家自然科学基金项目（41875027）。
　　作者简介 高子恒（1995—），男，江苏连云港人，硕士研究生，研究方向：遥感图像处理。
　　收稿日期 2020-02-05
　　
　　日喀则地区植被发育程度总体较差，绝大多数山地以裸岩和冰雪覆盖为主，植被覆盖率总体在10%以下，局部湖盆周边湿地有高覆盖草垫生长，但生物量较低，随着人口的增长，过牧条件下植被已呈现明显退化现象。区域内降水充沛，气温相对较高，且高山冰川分布广，形成大量的冰雪融水，为诱发地质灾害提供了充足的水源条件。因此，对日喀则地区进行土地覆盖动态监测很有必要。
　　土地覆盖动态变化在一定程度上对改善区域生态环境和分析人类活动起到了重要的作用，它是造成区域孕灾环境变化的重要因素之一。区域孕灾环境的变化可以通过几十年来对土地覆盖动态变化的准确监测来评估，而遥感具有宏观性、实时性、周期性和完整性等优点，为土地覆盖快速、客观、准确地监测提供了可能[1]。遥感图像的分类是土地覆盖动态监测的基础，主要是对遥感图像上的地物进行属性上的判读，提取地物相关信息，遥感图像分类的准确性直接影响到土地覆盖动态监测的准确性[2]。 　　近年来，运用遥感技术进行土地覆盖动态监测已取得大量的研究成果。对多时相数据的分类方法各不相同[3]，如Zhao等[4]、Zeng等[5]、Mandal等[6]采用支持向量机的分类方法;Yang等[7]采用基于规则的分类方法;Zhao等[8]采用人工神经网络的方法;Scott等[9]采用深度卷积神经网络（DCNN）的方法。利用遥感数据的分类图建立土地利用和土地覆盖变化也有多种评价方法，如Tan等[10]、田传召等[11]根据土地利用的转移矩阵;Leclerc等[12]侧重景观格局的变化;Bashir等[13]、David等[14]采用GIS技术;Toll等[15]强调图像差分的使用;Johnson等[16]则研究了变化矢量分析。可见，基于卫星遥感的多时相数据可以提供关于区域土地覆盖变化的详细可靠的统计数据。
　　针对研究区的情况，笔者选取日喀则地区2001—2017年每年6月的MODIS数据，该数据是Terra卫星传输的500 m地表反射率8 d合成的MOD09A1，在对其进行数据预处理后，采用随机森林的方法对前7个波段的反射率数据进行土地覆盖分类，并选用谷歌地球高分辨率图像进行样本选择和精度评估，然后根据土地覆盖转移矩阵和图象差分情况综合分析了日喀则地区2001—2017年土地覆盖动态变化，以期为山地灾害多发区的孕灾环境变化与生态系统保护等提供可靠的依据。
　　1 资料与方法
　　1.1 研究区域概况
　　日喀则地区隶属于西藏自治区，地处82°00′～97°07′E、27°55′～31°16′N，位于中国西南边陲、青藏高原西南部，國境线长1 753 km，面积18.2万km2，平均海拔5 082 m（图1）。日喀则地区地形复杂多样，气候分明，水利资源和植物资源丰富。被誉为“黄金走廊”的中尼公路穿过其中，是一条重要的经济动脉，同时也是西藏日喀则地区目前唯一一条国际直通公路。由于中尼公路沿线地质构造复杂，新构造运动强烈，山地灾害频发，对日喀则地区的生态环境造成了极大的影响。
　　1.2 数据预处理
　　1.2.1 数据来源。
　　搭载在Terra卫星上的中分辨率成像光谱仪（MODIS）运行周期为1～2 d，光谱仪的光学设计可以为地学应用提供0.4～14.5 μm的36个离散波段图像，扫描宽度为2 330 km。MODIS数据具有较高的光谱分辨率和空间分辨率，对宏观尺度土地覆盖的分类具有很强的优势和广泛的应用价值，其数据丰富、时间分辨率高（多时相）、覆盖范围广、视野宽、周期短[17]。该研究所用MODIS数据来自美国航空航天局（NASA）的陆地过程分布式数据档案中心（https：//ladsweb.nascom.nasa.gov/search），选取2001—2017年的MOD09A1数据，由于6月份图像无云覆盖且成像质量较好，因此选取时间主要集中于6月份的17幅影像数据，空间分辨率为500 m。
　　数字高程模型（DEM）用于描述区域地貌形态的空间分布，高程为地面上任意一点的海拔，DEM是进行二维地形空间模拟的基础，作为重要的地形因子可以被合理地应用到分类研究中[18]，对水文分析和土地覆盖分类都有一定的作用[19]。DEM数据由空间数据云（http：//www.gscloud.cn/）下载，为30 m分辨率ASTER GDEM V2数字高程数据。
　　TRMM（tropical rainfall measurement mission，热带降雨测量任务）是目前应用最广泛的卫星降水产品，其准确性得到了广泛的认可，对于分析气候变化导致的土地覆盖变化具有一定的作用[19]。
　　地表温度数据采用MOD11A2数据，由每日地表温度MOD11A1合成，为8 d中晴好天气下温度的平均值[20]。
　　该研究选用Google Earth高分辨率遥感影像作为标注训练样本和验证分类精度的辅助数据。
　　1.2.2 数据预处理。
　　MODIS数据前7个波段主要是针对陆地表面，其中空间分辨率250 m有2个（波段1，红波段620～670 nm;波段2，近红外841～876 nm），500 m有5个波段，即波段3～7（459～479、545～565、1 230～1 250、1 628～1 652、2 105～2 155 nm），1 000 m有29个波段[21]。该研究使用ENVI 5.3软件进行图像预处理操作，并将IDL作为开发语言，选取前7个波段经过太阳高度角订正、投影变换、辐射校正以及图像拼接和裁剪操作等数据预处理。
　　利用随机森林分类方法需要准确的地物波谱作为输入特征，因此采用ENVI软件对17期MODIS数据分别进行预处理后，获得表观反射率数据，再在ArcGIS支持下利用Georeferencing Tool进行严格的配准，配准误差均小于0.5个像元[21]。
　　为了获取研究区的遥感图像，将日喀则地区的矢量边界文件输入ArcGIS软件，对原始下载的框定大小的数据进行准确的图像裁剪，最终得到预处理好的17期日喀则地区MODIS数据，如图2所示，RGB波段分别为R.Band2;G.Band1;B.Band3。
　　1.3 研究方法
　　1.3.1 分类系统建立。
　　参照国内外现有的土地覆盖分类体系，结合日喀则地表覆盖的实际情况以及对该研究所使用的遥感数据源本身特征进行目视解译判读，将研究区土地覆盖类型划分为9类，分别是森林、灌丛、草地、湿地、农田、城市和建筑用地、冰雪、裸地、水体。表1显示了各种分类的定义。
　　1.3.2 随机森林分类。
　　RF是由决策树分类器组成的集成分类器，最终的分类结果是由基分类器投票决定的。RF算法的基本流程是：①从原始样本集S中用Bootstrap方法随机抽取K个训练样本集;②每个训练样本集分别构建决策树模型，从而组成随机森林，得到K种分类结果;③K种分类结果采用投票表决的方式确定最终分类结果，分类误差取决于每一棵树的分类能力和它们之间的相关性。RF通过随机选择输入预测变量和使用相同训练数据集的不同子集来避免偏差和方差的误差，同时也可以克服过度拟合[22]。 　　 RF算法基本流程如图3所示。每棵决策树的输入变量是从N个属性样本集中随机抽取M个属性样本，通常M取值为M=N或M=log2N+1。此外，节点分裂标准通常采用基尼指数（Gini）和信息熵（Entropy）。2种方法的计算公式分别为：
　　其中，m表示训练数据集D包含的类别个数，pi表示训练数据属于类别Ci的概率。
　　 该研究采用RF算法进行分类的主要技术路线如图4所示。其中，主要处理步骤如下：①先对MODIS数据进行预处理，包括太阳高度角订正、投影变换、辐射校正以及图像拼接和裁剪;②对预处理后的遥感图像根据反射率数据计算得到归一化差异植被指数（NDVI）、归一化差异水体指数（NDWI）、归一化差异雪盖指数（NDSI）指数;③对遥感图像做主成分分析，选取第二主成分进行纹理特征的提取;④将多光谱波段数据、NDVI、NDWI、NDSI指数、DEM数据与纹理特征相结合，共同作为输入变量构建RF分类模型，得到地物分类图;⑤将分类结果进行分类精度的验证。其中，特征变量的选择对RF算法的分类精度有着重要的影响。
　　考虑到研究区多山区地形且多样化，选用3个具有代表性的光谱指数[23]。NDVI是植被覆盖度的最佳指示因子;NDWI能够凸显影像中的水体信息，在绿色带中具有相对较高的反射率且在NIR中具有强吸收;NDSI利用积雪在绿光波段高反射和短波红外波段强吸收的特征，可提取积雪。3个指数的计算公式如下：
　　纹理特征由灰度共生矩阵（GLCM）计算得到[22]，它对于改善各种土地覆盖类型的分類准确度并减少具有相似光谱特征的对象的分类误差是有用的[23]，包括均值、方差、协同性、对比度、相异性、信息熵、二阶矩、相关性共8个特征[24]，其中灰度量化级别为64，纹理提取窗口为5×5。样本总量约为8.4万个，各个样本分布如表2所示。
　　该研究中，RF分类模型的参数选择情况为：决策树个数为50，采用基尼指数度量分裂质量，采用有放回式的抽样方法，每次抽样约有1/3的数据未被抽中，这部分数据通常称为袋外数据（OOB），利用袋外数据进行内部误差估计，从而预测分类的正确率。将7个多光谱波段数据、3个光谱指数（NDVI、NDWI、NDSI）、8个纹理特征以及DEM数据相结合，赋予图像的各个像素构成每个像素的特征向量（共19个）。
　　1.3.3 分类结果评估。
　　随机森林训练过程中可以在内部进行评估，即采用袋外数据OOB对泛化误差建立无偏估计。方法是对每个样本计算其作为OOB样本的树的分类情况，以简单多数投票作为该样本的分类结果，最后用误分个数占样本总数的比率作为随机森林的OOB误分率[25]。
　　 在进行精度评价时，该研究选用混淆矩阵的方法，对2001—2017年的MODIS土地覆盖分类图进行检验，混淆矩阵是通过将每个实测像元的位置与分类图像中的相应位置比较计算得到。其中制图精度表示在实测类型中被正确分类的样本所占的比例，用户精度表示分类图中被正确分类的样本所占的比例[26]。
　　2 结果与分析
　　此次试验过程的OOB错误率如图5所示。此次试验混淆矩阵见表3。2001—2017年总体精度取值区间为80%～84%，总体Kappa系数为0.83，2001—2017年Kappa系数取值区间为80%～84%。最终分类结果如图6所示。
　　3.1 水体与植被变化分析
　　由于采用的训练数据为8 d合成的MOD09A1数据，因此土地覆盖变化的统计先从日统计分析入手，挑选最具有典型性和重要性的环境影响因素植被和水体进行日统计变化分析。选择日喀则地区2001—2017年的MOD09A1数据，利用Google Earth Engine在线平台加载已训练的RF模型并将模型应用于MOD09A1数据，对植被和水体2种土地覆盖类型进行面积统计，由于运行环境的限制，选择每半年统计一次，将得到的统计数据制作成连续的日变化趋势折线图。
　　从日喀则地区2001—2017年每8 d的水体覆盖面积的变化情况（图7）可以看出，2001、2006、2009和2010年的水体面积日变化趋势大致相似，水体覆盖面积最小值出现在夏季，最大值出现在春季或秋季;2004、2005和2008年的水体覆盖面积最大值正好与前4年相反，出现在夏季。2011—2015年的水体面积日变化趋势大致相同，都是在春夏秋3季呈现波浪上升的趋势，但在冬季持续下降，水体覆盖面积最小值在1月或2月，最大值在9月或10月。与前几年冬季相比，2017年冬季的水体覆盖面积是最大的，这可能是由于全球气候变暖导致冰雪融水的增多。总的来说，日喀则地区每年的水体覆盖面积年内日变化比较稳定，1—12月变化趋势呈现各种波浪形，个别月份会出现大起大落，但首尾月份的水体覆盖面积大致能够持平。说明水体覆盖面积的大小与季节有一定的关联性，除此以外还会受到当地各种环境因素的影响。
　　 从2001—2017年日喀则地区每8 d的植被覆盖面积的变化情况（图8）可以看出，2008—2010和2016—2017年的植被面积日变化趋势大致相似，植被覆盖面积最大值出现在夏季6、7、8月份，最小值出现在秋冬季。2004、2005、2012、2013和2015年的植被覆盖面积1—12月呈现比较明显的波动下降趋势，这可能是由于人为因素和自然因素等导致的植被破坏严重。总的来说，日喀则地区每年的植被覆盖面积年内日变化波动较大。说明植被覆盖面积的大小与季节变化和气候变化有很大的关联。
　　3.2 土地覆盖变化分析
　　土地覆盖变化是区域生态系统格局和结构类型的直接反映，反映了生态系统的群落组成、生态系统的质量、生态服务功能和评价以及环境条件[27]。为了说明研究区的区域土地覆盖变化，还要进行年统计分析，由于随机森林分类方法是基于像素的方法，可以根据图像的分辨率和像素个数，得出每一年每种土地类型各自所占的面积及其长时间的变化趋势。根据研究区的实际分类结果，选取主要的4种土地覆盖类型进行分析，结果见图9。 　　从图9可以看出，2001—2017年裸地和水体的覆盖面积总体呈波动下降趋势，而草地和冰雪的覆盖面积总体呈波动上升趋势;在2014年，裸地面积突然有大幅度上升，相应地草地面积大幅度下降，但在2015年又恢复到之前的状态;在2017年，水体面积极速上升，是近几年水体覆盖面积最多的一年，而冰雪面积却有所下降。总的来说，日喀则地区的水体和冰雪覆盖面积所占比例较小，而裸地和草地覆盖面积所占比例较大，尤其是草地的占比非常大。
　　
　　为了进一步说明区域土地覆盖动态，应用变化检测的方法，变化检测是一种通用的遥感技术，比较不同时间采集的同一区域的图像，并突出显示已经改变的特征[28-29]。
　　不同类型之间的时间转换能够表达详细的转换信息，此次研究监测日喀则地区2001—2017年的土地覆盖变化情况，时间跨度较大，变化复杂。在此使用多日期后分类比较变化分析法确定土地覆盖变化的6个区间：2001—2003、2003—2006、2006—2009、2009—2012、2012—2015、2015—2017年[29]。由统计出的各类型的面积，两两对比，得到6期土地覆盖转移矩阵，如表4～9所示。
　　 从6个转移矩阵（表4～9）可以看出，日喀则地区草地面积占整个土地覆盖类型的比例最大，且变化的面积总量也最大，主要转化为裸地，其次是森林和灌丛，最后是冰雪和水体。草地与裸地之间的相互转化量最多，裸地与冰雪之间的相互转化量次之，而森林与水体之间以及灌丛与水体之间的相互转化量几乎为0。与自身相比，森林、灌叢和冰雪的改变量较大，每个区间都有超过50%的森林、灌丛和冰雪会转化成其他的土地覆盖类型。日喀则地区裸地的面积远大于森林，两者之间的面积转换也很少，说明退耕还林、封山育林的重要性没有得到重视。2003—2006年森林覆盖面积极速大幅度下降，主要转化为草地，但2006—2012和2015—2017年却又直线上升，主要由草地和裸地转化而来，这是由于环保意识得到增强以及环保政策得到落实。2003—2017年裸地的覆盖面积持续增加，而2009—2015年水体覆盖面积下降许多，主要是转化为裸地，说明水资源匮乏，土地的荒漠化日益严重。2009—2012和2015—2017年的总体变化率比较平稳。
　　水资源危机将会导致生态环境的进一步恶化，同时也会对自然灾害的发生产生一定的影响;植被覆盖稀少同样会导致自然生态系统的功能损失，加速自然灾害的发生[30]。考虑到降水和温度等环境因素与土地覆盖的变化息息相关，因此结合研究区的年降水量与年平均地表温度的变化，进行综合分析。气候对土地覆盖类型的影响中，水体对降雨的影响最为敏感，因此在图10中将日喀则地区的年降水量与水体覆盖变化进行关联比较。整体而言，日喀则地区水体覆盖面积出现下降的趋势，同时受降水量变化影响出现波动，结合图9、转移矩阵（表4～9）、图11的结果发现裸地面积减少且主要转为草地，草地面积显著增加，水体面积减少但冰雪面积增加，因此推测水体面积减少的可能原因是冰雪融水减少以及草地面积增加导致的降水入渗量增加[31]。在图11中，由于地表温度对冰雪覆盖有一定的影响，将日喀则地区的年平均地表温度与冰雪覆盖变化进行关联比较。可以看出，在2009年随着地表温度的急剧升高，冰雪覆盖面积出现了局部最小值;在2016年随着地表温度的极速下降，冰雪覆盖面积出现了局部最大值;2002—2005、2006—2010、2011—2013、2015—2017年冰雪覆盖面积变化与平均地表温度变化几乎完全相反，说明地表温度波动是引起研究区冰雪覆盖面积变化的重要因素。
　　3 结论
　　该研究利用随机森林的分类方法对日喀则地区2001—2017年17个时相的MODIS遥感数据进行分类，得到土地覆盖分类图，分类总精度和Kappa系数分别为83%和0.83，精度基本满足动态监测要求，且相比于MCD12Q1产品，该研究结果具有更高的时间分辨率（8 d）。根据分类数据由转移矩阵和图像差分法提取出土地覆盖时空变化信息，并结合气候等影响因素进行综合分析与动态监测，得到最终的结论。该项工作能够为日喀则地区的生态环境保护、社会经济可持续发展和土地管理等提供可靠的依据。
　　日喀则地区是山地城市，受地形影响较大，适合耕种及居住的平原面积较少。近年来，受自然条件尤其是地形的限制，土地利用潜力不大且不合理，植被和水土保持在一定程度上受到破坏，人地矛盾逐渐凸显[32]。
　　根据不同年份各类型的空间分布和变化趋势可以直观地观察到：森林主要集中在南部与尼泊尔相邻处，草地所占比重很大;2001—2017年裸地面积减少了3 491.99 km2，草地面积增加了3 099.96 km2，水体面积减少了665.75 km2，冰雪面积增加了237.46 km2。这一现象表明植被增加的主要原因是相应的保护政策如封山育林、土地复垦、退耕还林[33-34]等措施的逐步实施，植被覆盖越多，水源的涵养能力就越强;水资源的损失可能受到人口增长的影响以及水资源污染、河流断流和湖泊退化日益严重，还未有及时有效的解决措施，政府应当采取相应的政策，实施水资源管理计划，以避免水土流失。日喀则地区的生态环境极为脆弱和不稳定，从长期来看，人类活动、气候变化因素、土地利用政策等都对土地覆盖变化产生了越来越大的影响。
　　综上所述，环境的恶化会给生态系统造成直接的破坏和影响，如沙漠化、各种山地灾害;也会给生态系统和人类社会造成间接的危害，有时这种间接的环境效应的危害比当时造成的直接危害更大，也更难消除。土地覆盖动态变化检测在环境地球资源监测和管理中具有十分重要的意义，自然资源的可持续管理和土地利用规划的编制，需要时间序列的土地覆盖变化分析提供支持[35]。
　　由于研究区多山，不同坡度的土地覆盖变化也是环境变化分析的重要信息。随着高分辨率卫星的商业应用以及数据库技术的发展，长时间序列和短时间间隔的区域土地利用变化监测将成为发展方向。土地覆盖变化驱动力的研究和生态服务价值评估可以为灾害监测和预警的研究提供有价值的信息[35]。 　　参考文献
　　[1] CAO X，LI M C，LUO P，et al.Dynamic remote sensing monitoring of land use change in Xiangxi river watershed by decision tree method[C]//2010 18th international conference on geoinformatics.Beijing：IEEE，2010：1-4.
　　[2] 于龙，周宇峰，丁丽霞，等.基于波谱角分类的土地利用动态监测[J].浙江农林大学学报，2014，31（3）：386-393.
　　[3] SOBRINO J A，RAISSOUNI N.Toward remote sensing methods for land cover dynamic monitoring：Application to Morocco[J].International journal of remote sensing，2000，21（2）：353-366.
　　[4] ZHAO J L，LIU C.Monitoring dynamic change of land cover based on SVM and satellite images in Hanoi，Vietnam[J].Wuhan University journal of natural sciences，2010，15（4）：355-362.
　　[5] ZENG T J，WANG C J.SVM-based land use/cover classification in Shihezi area[C]//Progress in electromagnetic research symposium.Shanghai：IEEE，2016：2077-2079.
　　[6] MANDAL S，SAHA A.Support vector machines for monitoring land use dynamicity and temporal variation of land surface temperature in Kurseong and surrounding of Darjeeling Himalaya[J].Modeling earth systems & environment，2018，4：659-672.
　　[7] YANG X Y，CHEN L G，LI Y K，et al.Rule-based land use/land cover classification in coastal areas using seasonal remote sensing imagery：A case study from Lianyungang City，China[J].Environmental monitoring & assessment，2015，187（7）：1-15.
　　[8] ZHAO J L，GUO W，HUANG W J，et al.Characterizing spatiotemporal dynamics of land cover with multi-temporal remotely sensed imagery in Beijing during 1978-2010[J].Arabian journal of geosciences，2014，7（10）：3945-3959.
　　[9] SCOTT G J，ENGLAND M R，STARMS W A，et al.Training deep convolutional neural networks for land-cover classification of high-resolution imagery[J].IEEE Geoscience & Remote Sensing Letters，2017，14（4）：549-553.
　　[10] TAN Y M，BAI B X，MASUM S M.Time series remote sensing based dynamic monitoring of land use and land cover change[C]//2016 4th international workshop on earth observation and remote sensing applications.Guangzhou：IEEE，2016：202-206.
　　[11] 田傳召，于阳，肖虹雁，等.基于TM影像的昆明市区土地利用遥感动态监测[J].林业资源管理，2014（4）：103-108.
　　[12] LECLERC E，WIERSMA Y F.Assessing post-industrial land cover change at the Pine Point Mine，NWT，Canada using multi-temporal Landsat analysis and landscape metrics[J].Environmental monitoring & assessment，2017，189（4）：1-19.
　　[13] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11. 　　[14] DAVID T I，MUKESH M V，KUMARAVEL S，et al.Exploring 16 years changing dynamics for land use/land cover in Pearl City（Thoothukudi）with spatial technology[J].Spatial information research，2017，25（4）：1-8.
　　[15] TOLL D L，ROYAL J A，DAVIS J B.Urban area update procedures using Landsat data[M].Bethesda，MD：Proceedings of American Society of Photogrammetry，1981.
　　[16] JOHNSON R D，KASISCHKE E S.Change vector analysis：A technique for the multispectral monitoring of land cover and condition[J].International journal of remote sensing，1998，19（3）：411-426.
　　[17] 陈少丹，张利平，郭梦瑶，等.TRMM卫星降水数据在区域干旱监测中的适用性分析[J].农业工程学报，2018，34（15）：126-132.
　　[18] WANG Y Y，LI G C.Analysis of “furnace cities" in China using MODIS/LST product（MOD11A2）[C]//2014 IEEE geoscience & remote sensing symposium.Quebec City，Canada：IEEE，2014.
　　[19] USMAN M，LIEDL R，SHAHID M A，et al.Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J].Journal of geographical sciences，2015，25（12）：1479-1506.
　　[20] 张思琪.DEM和MODIS数据融合的土地覆盖分类遥感方法研究[J].科技通报，2016，32（10）：31-35.
　　[21] LOWE B，KULKARNI A.Multispectral image analysis using Random Forest[J].International journal on soft computing，2015，6（1）：1-13.
　　[22] 石彩霞，赵传钢，庞蕾.基于超像素统计量的随机森林遥感图像分类[J].计算机应用研究，2018，35（12）：3798-3802.
　　[23] TIAN S H，ZHANG X F，TIAN J，et al.Random forest classification of wetland land cover from multi-sensor data in the arid region of Xinjiang，China[J].Remote sensing，2016，8（11）：1-14.
　　[24] BERHANE T M，LANE C R，WU Q S，et al.Decision-tree，rule-based，and random forest classification of high-resolution multispectral imagery for wetland mapping and inventory[J].Remote sensing，2018，10（4）：1-26.
　　[25] CHUN X，YONG M，LIU J Y，et al.Monitoring land cover change and its dynamic mechanism on the Qehan Lake Basin，Inner Mongolia，North China，during 1977-2013[J].Environmental monitoring & assessment，2018，190（4）：1-17.
　　[26] XIAO Q，TAO J P，XIAO Y，et al.Monitoring vegetation cover in Ch-ongqing between 2001 and 2010 using remote sensing data[J].Environmental monitoring & assessment，2017，189（10）：1-13.
　　[27] 馬海燕，刘洪超，孙晓庆.基于SWAT模型的大安市降水入渗量变化的模拟研究[J].吉林农业大学学报，2016，38（3）：298-301，312.
　　[28] NABOUREH A，MOGHADDAM M H R，FEIZIZADEH B，et al.An integrated object-based image analysis and CA-Markov model approach for modeling land use/land cover trends in the Sarab plain[J].Arabian journal of geosciences，2017，10（12）：259.
　　[29] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11. 　　[30] 陳燕芬，牛振国，胡胜杰，等.基于MODIS时间序列数据的洞庭湖湿地动态监测[J].水利学报，2016，47（9）：1093-1104.
　　[31] PARSA V A，YAVARI A，NEJADI A.Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve：Iran[J].Modeling earth systems & environment，2016，2（4）：1-13.
　　[32] ADDABBO P，FOCARETA M，MARCUCCIO S，et al.Land cover classification and monitoring through multi-sensor image and data combination[C]//2016 IEEE international geoscience and remote sensing symposium.Beijing，China：IEEE，2016.
　　[33] 毛绍娟，李红琴，张镱锂，等.日喀则河谷退耕还草（林）工程实施后生态功能效应的初步分析[J].草地学报，2015，23（6）：1278-1286.
　　[34] DOU P，CHEN Y B.Dynamic monitoring of land-use/land-cover change and urban expansion in Shenzhen using Landsat imagery from 1988 to 2015[J].International journal of remote sensing，2017，38（19）：5388-5407.
　　[35] KUSSUL N，LAVRENIUK M，SKAKUN S，et al.Deep learning classification of land cover and crop types using remote sensing data[J].IEEE Geoscience & Remote Sensing Letters，2017，14（5）：778-782.
转载注明来源:https://www.xzbu.com/1/view-15306031.htm