周星宇，張繼賢，高綿新，桑會(huì)勇，翟 亮

(1. 遼寧工程技術(shù)大學(xué)，遼寧 阜新 123000； 2. 中國(guó)測(cè)繪科學(xué)研究院，北京 100830；3. 廣東省國(guó)土資源測(cè)繪院，廣東 廣州 510500)

高分辨率遙感影像下沿海地區(qū)地表覆蓋信息的提取

周星宇1，張繼賢2，高綿新3，桑會(huì)勇2，翟 亮2

(1. 遼寧工程技術(shù)大學(xué)，遼寧 阜新 123000； 2. 中國(guó)測(cè)繪科學(xué)研究院，北京 100830；3. 廣東省國(guó)土資源測(cè)繪院，廣東 廣州 510500)

沿海地區(qū)地表覆蓋信息是全國(guó)地理國(guó)情普查的重要內(nèi)容，遙感影像分類技術(shù)為沿海地區(qū)地表覆蓋信息提供了一種重要方法。本文基于GF-1高分辨率遙感影像，建立了沿海地區(qū)地表覆蓋分類系統(tǒng)，采用中國(guó)測(cè)繪科學(xué)研究院自主研發(fā)的面向?qū)ο驡LC決策樹(shù)分類方法和軟件進(jìn)行了地表覆蓋分類。通過(guò)對(duì)某試驗(yàn)區(qū)進(jìn)行分類試驗(yàn)，并結(jié)合該區(qū)地表覆蓋標(biāo)準(zhǔn)分類圖進(jìn)行精度評(píng)價(jià)，驗(yàn)證了基于高分辨率影像，面向?qū)ο驡LC決策樹(shù)分類方法在沿海地區(qū)地表覆蓋信息提取上的有效性及優(yōu)越性，其總體分類精度和Kappa系數(shù)分別為87.201 8%、0.840 6，均高于SVM分類法。最后提出基于高分辨率遙感影像的沿海地區(qū)地表覆蓋信息提取流程。

沿海地區(qū)地表覆蓋；面向?qū)ο螅籊LC樹(shù)；GF-1；SVM分類法；提取流程

沿海地區(qū)是人口聚集、資源豐富的地區(qū)，不僅因修建港口碼頭、開(kāi)采近海石油等項(xiàng)目具有重要的經(jīng)濟(jì)價(jià)值，也是海洋開(kāi)發(fā)、濱海綜合工業(yè)基地及對(duì)外貿(mào)易和文化交流的紐帶。根據(jù)國(guó)務(wù)院第一次全國(guó)地理國(guó)情普查領(lǐng)導(dǎo)小組辦公室的統(tǒng)一部署，沿海地區(qū)地表覆蓋信息在全國(guó)地理國(guó)情普查中占有重要地位[1]。但在第一次全國(guó)地理國(guó)情普查中，無(wú)論是傳統(tǒng)的實(shí)地勘測(cè)調(diào)查，還是人工解譯，或因沿海地區(qū)環(huán)境復(fù)雜，通達(dá)性差，或因巨大工作量限制了其地表覆蓋信息的提取。

隨著遙感技術(shù)的發(fā)展，遙感影像分類為沿海地區(qū)地表覆蓋信息提取提供了一種重要方法。傳統(tǒng)的基于像元的分類方法在技術(shù)上和應(yīng)用上已經(jīng)比較成熟[2-4]，但分類結(jié)果會(huì)產(chǎn)生“椒鹽效應(yīng)(salt-and-pepper effect)”?，F(xiàn)在越來(lái)越多的高空間分辨率影像被用于遙感信息提取中，傳統(tǒng)的基于像元的分類方法已不再具有明顯的優(yōu)勢(shì)[5]，面向?qū)ο笥跋穹诸惒坏紤]光譜的統(tǒng)計(jì)特性，還考慮其空間、紋理、拓?fù)潢P(guān)系[6-7]，能大大提高分類精度，適用于高分辨率遙感影像分類。

GLC分類器將C5.0與Adaboost算法結(jié)合，提高分類精度，此分類器應(yīng)用于諸如Landsat中低分辨率遙感影像的分類中已取得很好的效果[8]。本文以沿海地區(qū)“高分一號(hào)”(簡(jiǎn)稱GF-1)高分辨率影像為數(shù)據(jù)源，驗(yàn)證面向?qū)ο驡LC分類對(duì)沿海地區(qū)高分辨率遙感影像地表覆蓋信息提取的有效性與優(yōu)越性，并提出沿海地區(qū)高分辨率遙感影像地表覆蓋信息提取的技術(shù)流程。

1 數(shù)據(jù)來(lái)源及試驗(yàn)區(qū)概況

1.1 數(shù)據(jù)來(lái)源

GF-1是我國(guó)高分辨率對(duì)地觀測(cè)衛(wèi)星系統(tǒng)重大專項(xiàng)的第一顆衛(wèi)星，搭載兩臺(tái)2 m分辨率全色/8 m分辨率多光譜相機(jī)、4臺(tái)16 m分辨率多光譜相機(jī)。在具有高空間分辨率的同時(shí)，其重復(fù)周期只有4 d。因此，GF-1衛(wèi)星影像是第一次全國(guó)地理國(guó)情普查的重要數(shù)據(jù)源，主要使用2 m分辨率全色與8 m分辨率多光譜(藍(lán)、綠、紅、近紅外4個(gè)波段)影像進(jìn)行地表覆蓋分類。

1.2 試驗(yàn)區(qū)概況

沿海地區(qū)是海洋與陸地相互作用的地帶，特殊的地理位置與資源優(yōu)勢(shì)使其擁有獨(dú)特的土地利用方式，帶來(lái)區(qū)別于其他地區(qū)的地表覆蓋。我國(guó)海岸線較長(zhǎng)，試驗(yàn)區(qū)應(yīng)選擇基本反映沿海地區(qū)地表覆蓋特點(diǎn)的地區(qū)。本文試驗(yàn)區(qū)區(qū)域?qū)賮啛釒ШＱ笮詺夂颍昶骄鶜鉁?2.3℃，冬無(wú)嚴(yán)寒，雨量充沛。

2 技術(shù)流程與方法

本文采用如圖1所示的技術(shù)流程驗(yàn)證面向?qū)ο驡LC分類對(duì)沿海地區(qū)高分辨遙感影像地表覆蓋信息提取的有效性與優(yōu)越性。

圖1 技術(shù)流程

2.1 預(yù)處理

本文采用GF-1的2 m分辨率全色影像與8 m分辨率多光譜影像均已經(jīng)過(guò)輻射校正與地面控制點(diǎn)幾何校正，結(jié)合DEM模型進(jìn)行地形校正；接著進(jìn)行兩幅影像的影像配準(zhǔn)，使得同名點(diǎn)像元一一對(duì)應(yīng)，選擇pan sharpening進(jìn)行圖像融合，最后經(jīng)ENVI進(jìn)行影像裁剪。

2.2 影像分割與特征提取

影像分割是面向?qū)ο蠓诸惣夹g(shù)的基礎(chǔ)，影像分割的好壞直接決定遙感影像分類的精度[9]。本文采用基于邊緣的分割方法，利用臨近像素亮度、紋理等對(duì)影像進(jìn)行分割。這種算法速度很快，并且只需一個(gè)輸入?yún)?shù)，通過(guò)不同尺度上邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割，但需要結(jié)合合并算法達(dá)到最佳分割效果。

面向?qū)ο筮b感影像分類的一個(gè)關(guān)鍵技術(shù)就是特征提?。阂环矫婵梢詮膯尾ǘ位蚨鄠€(gè)波段中提取影像對(duì)象特征；另一方面，除了光譜特征以外，還可以提取包括紋理、空間等特征信息。本文選擇4個(gè)波段均參與特征提取，選擇的特征變量見(jiàn)表1。

表1 特征變量

2.3 分類系統(tǒng)與樣本采集

第一次全國(guó)地理國(guó)情普查內(nèi)容包含《地理國(guó)情普查內(nèi)容與指標(biāo)》中定義的12個(gè)一級(jí)類、58個(gè)二級(jí)類和135個(gè)三級(jí)類[10]，但在利用GF-1進(jìn)行地表覆蓋分類時(shí)，考慮到遙感影像的分辨率及沿海地區(qū)地表覆蓋的特殊性，沿海地區(qū)地表覆蓋分類系統(tǒng)應(yīng)以《地理國(guó)情普查內(nèi)容與指標(biāo)》為基礎(chǔ)，結(jié)合遙感影像，對(duì)分析意義不明顯或遙感影像不支持的分類進(jìn)行粗化合并，如林地、園地因在影像上光譜信息相似、紋理信息及空間信息不易分辨，歸為一類；對(duì)分析意義重大及表現(xiàn)沿海地區(qū)特征的分類進(jìn)行細(xì)化分類，如堤壩是沿海地區(qū)特色，需在分類系統(tǒng)中從其他人造覆地中細(xì)分。最終形成的用于沿海地區(qū)的地表覆蓋分類系統(tǒng)見(jiàn)表2。

基于面向?qū)ο蟮腉LC決策樹(shù)分類方法中，樣本以點(diǎn)形式采集與存儲(chǔ)。結(jié)合不同波段組成的假彩色影像、更高分辨率的衛(wèi)星影像、航空影像或Google Earth等輔助工具來(lái)幫助采集樣本點(diǎn)，提高樣本采集的正確度；樣本點(diǎn)的選取有個(gè)數(shù)要求，一景影像中每個(gè)類別的樣本點(diǎn)應(yīng)至少5個(gè)；樣本點(diǎn)矢量數(shù)據(jù)應(yīng)與遙感影像及分割結(jié)果保持參考系一致。

表2 沿海地區(qū)地表覆蓋分類系統(tǒng)

2.4 GLC決策樹(shù)分類

中國(guó)測(cè)繪科學(xué)研究院研發(fā)的GLC決策樹(shù)分類技術(shù)對(duì)C5.0決策樹(shù)算法[11]進(jìn)行了多方面的改進(jìn)。使用二叉樹(shù)代替多叉樹(shù)。二叉樹(shù)結(jié)構(gòu)不進(jìn)行連續(xù)屬性的離散化，預(yù)測(cè)精度高且利于大量分類數(shù)據(jù)的預(yù)測(cè)，規(guī)則描述簡(jiǎn)單，可以提高分類精度。用AdaBoost.M1[12]代替Boosting引入到C5.0決策樹(shù)算法中。AdaBoost.M1算法開(kāi)始時(shí)對(duì)每個(gè)樣本賦予相同的權(quán)重，接著在樣本訓(xùn)練的過(guò)程中，每一輪迭代被分錯(cuò)的樣本重新獲取更高的權(quán)重，迫使弱分類算法生成的子分類器更關(guān)注于這些被分錯(cuò)的樣本[13]，同時(shí)使用加權(quán)投票方法，分類精度更高的子分類器獲得更高的投票權(quán)值，最終形成模型集，同時(shí)解決子分類器生成及集成問(wèn)題；廢除原C5.0算法終止條件，使用設(shè)置樹(shù)高的方式，以達(dá)到樹(shù)高時(shí)樣本集T中的多數(shù)類標(biāo)記并確定葉節(jié)點(diǎn)N；將綜合決策樹(shù)轉(zhuǎn)換成規(guī)則集，從根到每個(gè)樹(shù)葉節(jié)點(diǎn)的每條路徑生成一個(gè)規(guī)則，并可根據(jù)閾值設(shè)置進(jìn)行規(guī)則自動(dòng)調(diào)整。每條規(guī)則預(yù)測(cè)函數(shù)的權(quán)重由其準(zhǔn)確率及所在單棵樹(shù)權(quán)重共同計(jì)算得出。該分類器通過(guò)樣本點(diǎn)自動(dòng)創(chuàng)建規(guī)則集，減少了人工建立規(guī)則集的工作量，在保證進(jìn)度的前提下可大幅提升分類速度。GLC決策樹(shù)自動(dòng)分類技術(shù)流程如圖2所示。

圖2 GLC決策樹(shù)自動(dòng)分類技術(shù)流程

2.5 分類后處理及精度評(píng)價(jià)

面向?qū)ο蠓诸悳p少了傳統(tǒng)分類圖像中的孤立點(diǎn)、孔洞等，即“椒鹽噪聲”，因此本試驗(yàn)完成兩種面向?qū)ο蠓诸惡螅\(yùn)用數(shù)學(xué)形態(tài)學(xué)算子完成聚類處理，相同對(duì)象明顯錯(cuò)誤分類的修改，優(yōu)化分類結(jié)果。兩種方法分類結(jié)果，相同類別應(yīng)使用相同顏色表示，因此后處理需要更改類別顏色。

遙感影像分類結(jié)果必須進(jìn)行客觀可靠的精度驗(yàn)證[14-15]。本文采用混淆矩陣進(jìn)行進(jìn)度評(píng)價(jià)，通過(guò)比較分類的總體精度、各類別的用戶精度、制圖精度、以及Kappa系數(shù)驗(yàn)證面向?qū)ο驡LC分類方法的有效性及相對(duì)面向?qū)ο骃VM分類方法的優(yōu)越性。精度評(píng)價(jià)的參考源可以是樣本，也可以是標(biāo)準(zhǔn)分類圖，基于實(shí)地調(diào)查的利用高分辨率影像數(shù)字化解譯的地表覆蓋矢量數(shù)據(jù)基本可以反映研究區(qū)地表覆蓋的實(shí)際情況，可以作為精度評(píng)價(jià)的標(biāo)準(zhǔn)分類圖。

3 試驗(yàn)與分析

本文選取了2015年1月10日獲取的部分GF-1 PMS 2 m分辨率全色及8 m分辨率多光譜影像。區(qū)域內(nèi)無(wú)云，可視性良好，基本包含了沿海地區(qū)典型地表覆蓋類型，園地、林地、草地、道路、房屋建筑(區(qū))等。

3.1 試驗(yàn)過(guò)程

預(yù)處理后的數(shù)據(jù)如圖3所示，分割尺度與合并尺度分別選擇40、80形成分割矢量結(jié)果，并提取包括光譜、紋理、空間3類表1中的特征；結(jié)合遙感影像的實(shí)際情況，解譯標(biāo)志為分類系統(tǒng)中的林園地、草地、房屋建筑(區(qū))、道路、除堤壩外其他人造覆蓋、堤壩、裸露地表、其他陸地水域、海面9類。采集樣本372個(gè)(以波段1、2、3分別為藍(lán)、綠、紅的假彩色影像為例，采集樣本時(shí)的解譯標(biāo)志示例見(jiàn)表3)。第一次全國(guó)地理國(guó)情普查采用優(yōu)于(含)1 m分辨率遙感影像，解譯形成的地表覆蓋和地理要素?cái)?shù)據(jù)的現(xiàn)勢(shì)性為2015年，經(jīng)過(guò)實(shí)地調(diào)查修改、數(shù)據(jù)裁切、合并等處理后，按照分類系統(tǒng)，對(duì)成果進(jìn)行部分合并與細(xì)化調(diào)整，形成標(biāo)準(zhǔn)分類圖。本試驗(yàn)同時(shí)進(jìn)行面向?qū)ο驡LC決策樹(shù)分類和SVM分類試驗(yàn)。兩種分類方法的分類結(jié)果與標(biāo)準(zhǔn)分類圖的對(duì)比結(jié)果如圖4所示。

圖3 經(jīng)過(guò)預(yù)處理后的試驗(yàn)影像((以波段1、2、3分別為藍(lán)、綠、紅的假彩色影像)

類別解譯實(shí)例描述林園地顏色為墨綠色或黑色,大多形狀不規(guī)則,邊界清晰,有立體感草地多分布在房屋建筑(區(qū))、道路或林園地附近;邊界不明顯,呈暗灰色或暗棕色房屋建筑(區(qū))多分布在道路附近,邊界清晰,多呈淡藍(lán)色、淡紫色或磚紅色道路形狀多呈長(zhǎng)條狀,分布規(guī)則,顏色多呈深灰色或淡白色除堤壩外其他人造覆蓋分布不規(guī)則,顏色多呈淺灰色、淡白色堤壩分布在水域附近,邊界清晰,形狀規(guī)則,呈長(zhǎng)條狀,顏色多呈淡白色或淺灰色裸露地表大多形狀不規(guī)則,顏色多為淺棕色、亮白色其他陸地水域藍(lán)色、深藍(lán)色或墨綠色,分布于陸地,邊界清晰,影像幾何形狀不規(guī)則海面藍(lán)色、深藍(lán)色或墨綠色,大面積分布,輪廓邊界清晰

圖4 分類結(jié)果與標(biāo)準(zhǔn)分類圖

3.2 精度評(píng)價(jià)與分析

面向?qū)ο驡LC地表覆蓋分類與面向?qū)ο骃VM分類的混淆矩陣分別見(jiàn)表4、表5。

從上述分類結(jié)果與精度評(píng)價(jià)的數(shù)據(jù)來(lái)看，采用面向?qū)ο驡LC分類技術(shù)進(jìn)行沿海地區(qū)地表覆蓋信息提取效果較好，分類結(jié)果令人滿意?？傮w分類精度達(dá)到了87.159 0%，Kappa系數(shù)為0.840 4。其中海面的分類效果最好，其制圖精度與用戶精度分別高達(dá)98.86%、99.63%。在相同的影像分割、特征提取和樣本的基礎(chǔ)上，除堤壩、裸露地表外，面向?qū)ο驡LC決策樹(shù)分類方法在沿海地區(qū)地表覆蓋分類中不論是從用戶精度、制圖精度，還是評(píng)價(jià)總體分類效果的總體精度、Kappa系數(shù)上，分類效果都高于面向?qū)ο骃VM分類方法，而且總體精度、Kappa系數(shù)分別提高了5.278 5%、0.065 6。雖然前者對(duì)裸露地表的分類精度比后者的要低，但分類結(jié)果還是令人滿意的。但面向?qū)ο驡LC決策樹(shù)分類技術(shù)對(duì)道路、堤壩的分類用戶精度較低，僅為60.54%、57.15%。造成道路用戶精度較低的主要原因是部分林園地和除堤壩外其他人造覆蓋被錯(cuò)分為道路。林園地周圍或內(nèi)部存在部分道路，分割時(shí)有些地方二者被錯(cuò)誤地劃分為同一對(duì)象，道路與除堤壩外其他人造覆蓋在光譜信息等特征上有些比較接近，這些均是造成被錯(cuò)分為道路的原因；堤壩與海面大面積直接接觸，雖然二者邊界較明顯，但因分割精度的影響，或是分割后的堤壩對(duì)象邊緣呈鋸齒狀，將本是海面的部分錯(cuò)分為堤壩。

表4 面向?qū)ο驡LC決策樹(shù)地表覆蓋分類混淆矩陣

表5 面向?qū)ο骃VM地表覆蓋分類混淆矩陣

4 結(jié)束語(yǔ)

通過(guò)以上試驗(yàn)及分析，面向?qū)ο驡LC決策樹(shù)分類在沿海地區(qū)高分辨率影像地表覆蓋信息提取上能夠取得更好的效果，在此基礎(chǔ)上提出沿海地區(qū)高分辨率影像地表覆蓋信息提取的總的技術(shù)流程如圖5所示。首先選擇合適的分割尺度與合并尺度完成影像分割，選擇特征變量進(jìn)行特征提取，在已經(jīng)建立好的沿海地區(qū)分類體系的指導(dǎo)下，采集樣本并完成面向?qū)ο驡LC決策樹(shù)自動(dòng)分類，在自動(dòng)分類結(jié)果的基礎(chǔ)上，將某些錯(cuò)分、漏分的類別經(jīng)過(guò)自動(dòng)、人工編輯后輸出分類結(jié)果。

圖5 沿海地區(qū)地表覆蓋信息提取總的技術(shù)流程

[1] 程滔，周旭，劉若梅.面向地理國(guó)情監(jiān)測(cè)的地表覆蓋信息提取方法[J].測(cè)繪通報(bào)，2013(8)：84-86.

[2] 王常穎. 基于數(shù)據(jù)挖掘的遙感影像海岸帶地物分類方法研究[D].青島：中國(guó)海洋大學(xué)，2009.

[3] 郭健，張繼賢，張永紅，等.多時(shí)相MODIS影像土地覆蓋分類比較研究[J].測(cè)繪學(xué)報(bào)，2009，38(1)：88-92.

[4] 王知鷙. 基于紋理及光譜信息融合的遙感圖像分類方法研究[D].西安：西安電子科技大學(xué)，2010.

[5] JENSEN J R. Introductory Digital Image Processing: A Remote Sensing Perspective[M]. Upper Saddle River: Prentice Hall PTR, 1986.

[6] 曹瑩，苗啟廣，劉家辰，等. AdaBoost算法研究進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào)，2013，39(6)：745-758.

[7] 常虹，詹福雷，楊國(guó)東，等.面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究[J].測(cè)繪通報(bào)，2015(1)：99-101.

[8] ZHAI L, SANG H Y, GAO Y, et al. A New Approach for Mapping Regional Land Cover and the Application of This Approach in Australia[J]. Remote Sensing Letters, 2015, 6(4):267-275.

[9] 翟亮，張曉賀，桑會(huì)勇，等. 面向地理國(guó)情普查的地表覆蓋分類技術(shù)與試驗(yàn)[J]. 遙感信息，2014(4):71-75.

[10] 曾波，趙展.地理國(guó)情普查中高分辨率遙感影像自動(dòng)分類技術(shù)研究[J]. 測(cè)繪通報(bào)，2015(1):95-98.

[11] 白秀蓮，巴雅爾，哈斯其其格. 基于C5.0的遙感影像決策樹(shù)分類實(shí)驗(yàn)研究[J]. 遙感技術(shù)與應(yīng)用，2014， 29(2):338-343.

[12] FREUND Y, SCHAPIRE R. A Decision-Theoretic Generalization of On-line Learning and an Application to Boosting[J]. Journal of Computerand System Sciences, 1997, 55(1): 119-139.

[13] 龔健雅，姚璜，沈欣. 利用AdaBoost算法進(jìn)行高分辨率遙感影像的面向?qū)ο蠓诸怺J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2010，35(12)：1440-1443.

[14] 劉旭攏，何春陽(yáng)，潘耀忠，等. 遙感圖像分類精度的點(diǎn)、群樣本檢驗(yàn)與評(píng)估[J]. 遙感學(xué)報(bào)，2006，10(3)：366-372.

[15] CONGALTON R G, GREEN K. Assessing the Accuracy of Remotely Sensed Data:Principles and Practices[M]. Second Edition. London:Chemical Rubber Company Press Taylor &Francis Group, 2009.

Land Cover Information Extraction Based on High-Resolution Remote Sensing Image in Coastal Areas

ZHOU Xingyu1,ZHANG Jixian2,GAO Mianxin3,SANG Huiyong2,ZHAI Liang2

(1. Liaoning Technical University, Fuxin 123000,China; 2. Chinese Academy of Surveying and Mapping, Beijing 100830,China;3. Survey and Mapping Institute Lands and Resource Department of Guangdong Province, Guangzhou 510500,China)

Remote sensing image classification provides an important method for the extraction of land cover information in coastal areas which is essential part of the national general survey of geographic conditions. This paper establishes the land cover classification system in coastal areas and then utilizes the classification method based on object-oriented GLC decision tree developed by Chinese Academy of Surveying and Mapping to extract the land cover information in coastal areas on the bases of a GF-1 high-resolution remote sensing image. This paper conducts classification experiment by choosing an area and compares the results with the reference classification image which verifies the validity and superiority of the proposed method. Its overall accuracy and Kappa coefficient are 87.201 8%,0.840 6 separately which are both higher than SVM. At the end of this thesis, the extraction process flow of land cover information in coastal areas based on the high-resolution remote sensing image is summarized.

land cover in coastal areas; object-oriented; GLC decision tree; GF-1; SVM; extraction process flow

周星宇，張繼賢，高綿新，等.高分辨率遙感影像下沿海地區(qū)地表覆蓋信息的提取[J].測(cè)繪通報(bào)，2017(2)：19-24.

10.13474/j.cnki.11-2246.2017.0041.

2016-08-29；

2016-11-25

專題性地理國(guó)情監(jiān)測(cè)(B1605)；國(guó)家測(cè)繪地理信息局青年學(xué)術(shù)和技術(shù)帶頭人科研計(jì)劃(E1604)；中國(guó)測(cè)繪科學(xué)研究院基本科研業(yè)務(wù)費(fèi)(7771622)；京津冀地區(qū)基礎(chǔ)國(guó)情綜合分析(E1610)

周星宇(1991—)，女，碩士，研究方向?yàn)榈乩韲?guó)情監(jiān)測(cè)、土地利用變化。E-mail：xiaoyu961026631@163.com

翟 亮。E-mail：zhailiang@casm.ac.cn

P237

A

0494-0911(2017)02-0019-06