胡顯偉 汪彪

摘要：【目的】基于3期2015年獲取的資源一號04星（CBERS-04）多光譜遙感數(shù)據(jù)，探討CBERS-04多光譜數(shù)據(jù)在熱帶地區(qū)土地利用分類中的應(yīng)用潛力。【方法】結(jié)合光譜和物候信息，分別采用最大似然法和決策樹分類方法對海南西北部地區(qū)土地利用現(xiàn)狀進行分類研究?！窘Y(jié)果】基于單景的最大似然法可獲得相對理想的分類精度，總體分類精度為85.8%～88.8%，卡帕系數(shù)為0.80～0.84；同時使用3期影像作為輸入，運用最大似然法和決策樹分類方法，其分類精度均有明顯提升，總體分類精度達91.61%～92.61%，卡帕系數(shù)為0.88～0.89，其中最大似然法略優(yōu)于決策樹分類算法。【結(jié)論】聯(lián)合多期CBERS-04多光譜數(shù)據(jù)能夠準確提取熱帶地區(qū)土地利用現(xiàn)狀信息，具有廣闊的應(yīng)用前景。

關(guān)鍵詞： 土地利用；最大似然法；決策樹分類；國產(chǎn)衛(wèi)星；物候信息

中圖分類號： TP751 文獻標志碼：A 文章編號：2095-1191（2016）10-1807-07

0 引言

【研究意義】土地利用與土地覆蓋變化是全球變化研究的重要內(nèi)容之一，而準確的分類結(jié)果能為土地資源管理與合理規(guī)劃、生物多樣性保護等提供數(shù)據(jù)支撐（領(lǐng)梅等，2013；劉紀遠等，2014）?！厩叭搜芯窟M展】遙感技術(shù)具有動態(tài)、快速等優(yōu)勢，是區(qū)域尺度快速獲取土地覆蓋信息非常重要的手段（Evans and Costa， 2013；Zhang et al.，2014）。但在熱帶地區(qū)，光學(xué)遙感影像的獲取受云及陰影的強烈影響，是熱區(qū)遙感制圖研究的最主要障礙之一（Zhu et al.， 2012）。雖然粗分辨率遙感影像如MODIS具有非常高的重返周期，但其較粗的分辨率（250～500 m）也很難在斑塊破碎化嚴重且植被覆蓋非常復(fù)雜的熱帶地區(qū)實現(xiàn)精確制圖（Sheldon et al.，2012；Laurin et al.，2013），而高分辨率遙感影像成本又非常昂貴，大面積應(yīng)用也不現(xiàn)實（Wang et al.， 2015）。近年來，隨著衛(wèi)星數(shù)量的不斷增加，利用中等分辨率的多時相和多源遙感數(shù)據(jù)開展土地利用變化的優(yōu)勢越來越明顯（Laurin et al.， 2013；陳幫乾等，2015；Reicheet al.， 2015）。多時相遙感數(shù)據(jù)包含了不同時期地表植被的光譜信息和物候信息，能彌補單一影像光譜信息不足、同物異譜及同譜異物等問題，從而提高影像分類精度（Dong et al.，2016）。自2011年以來，我國先后發(fā)射了資源3號、資源一號02C、高分1/2號、資源一號04星等多顆中高分辨率遙感衛(wèi)星，極大提升了國產(chǎn)衛(wèi)星影像的自主供給能力和國際競爭力，推進了國產(chǎn)衛(wèi)星的發(fā)展（娜仁花等，2014；吳秀蘭等，2015；黃帥等，2016）。其中，資源一號衛(wèi)星04星（CBERS-04）是由中國與巴西聯(lián)合研制，于2014年12月7日在山西太原衛(wèi)星發(fā)射中心成功發(fā)射，搭載的多光譜相機（MUX）擁有B1（0.45～0.52 μm）、B2（0.52～ 0.59 μm）、B3（0.63～0.69 μm）、B4（0.77～0.89 μm）共4個波段，其空間分辨率比Landsat系列的多光譜高，為20 m，幅寬為120 km，重返周期為26 d。CBERS-04適度的空間分辨率和較高的重返周期使其可在國土與森林資源調(diào)查、農(nóng)作物估產(chǎn)及災(zāi)害監(jiān)測等領(lǐng)域發(fā)揮重要作用（劉李等，2016）。【本研究切入點】結(jié)合最新國產(chǎn)衛(wèi)星數(shù)據(jù)開展實際應(yīng)用研究，評估衛(wèi)星數(shù)據(jù)質(zhì)量和性能，對促進國產(chǎn)衛(wèi)星數(shù)據(jù)的應(yīng)用具有重要意義，但目前關(guān)于CBERS-04星數(shù)據(jù)的應(yīng)用研究非常少?！緮M解決的關(guān)鍵問題】利用多期CBERS-04多光譜數(shù)據(jù)和外業(yè)調(diào)查結(jié)果，以地形地貌和植被分布均具有代表性的海南西北部地區(qū)為例，建立基于多時相CBERS-04多光譜數(shù)據(jù)的海南地區(qū)土地利用分類方法，為熱帶地區(qū)進行有效土地資源利用提供參考。

1 材料與方法

1. 1 研究區(qū)域

以海南西北部為研究區(qū)域（圖1），該地區(qū)主要由平原、丘陵、山地構(gòu)成，其中山地和丘陵主要分布在研究區(qū)南部，沿海區(qū)域多為平原，境內(nèi)大部分海拔在200 m以下。該地區(qū)處于東亞大陸季風氣候的南緣，屬熱帶濕潤季風氣候，光熱充足，年平均光照時數(shù)在2000 h以上（曾迪等，2015）；年降雨量900～2200 mm，由東南向西北逐漸遞減，5～10月的雨季降雨量占全年總降雨量的84%（曾迪等，2015）。該地區(qū)地表類型復(fù)雜，包含森林、水體、耕地、建筑及裸地等，其中，森林有天然林及次生林，主要分布在東南部的松濤水庫地區(qū)及白沙境內(nèi)，人工林有天然橡膠和桉樹林；西北部區(qū)域的儋州地區(qū)是海南島最大的橡膠生產(chǎn)基地，大面積桉樹林分布在靠近洋浦附近的沿海地區(qū)；由儋州市向沿海挺進的中間區(qū)域擁有大量耕地，主要種植冬季瓜菜、夏季甘蔗、雙季水稻等作物。另外，松濤水庫是海南最大的人工水庫。

1. 2 地面數(shù)據(jù)

分別于2012年9月和2013年7月調(diào)查研究區(qū)域的天然林、橡膠林及典型人工林、耕地、水體和建筑分布現(xiàn)狀，分別獲得360張和944張帶GPS坐標的景觀照片。利用RoboGEO將GPS景觀照片轉(zhuǎn)換成Keyhole（Keyhole markup language， KML）文件后導(dǎo)入“谷歌地球”。結(jié)合“谷歌地球”中的2015年左右高清衛(wèi)星影像和GPS景觀影片，在研究區(qū)域繪制盡量均勻分布的感興區(qū)域（Region of interest，ROI）作為分類算法的訓(xùn)練和驗證樣本。地面ROI樣本繪制完成后，利用NOAA的Biogeography Branch開發(fā)的抽樣設(shè)計工具對不同土地類型的ROI樣本以1∶1進行空間隨機抽樣，其中，50%用于分類算法訓(xùn)練，50%用于分類結(jié)果驗證。地面樣本的空間分布如圖1所示，抽樣結(jié)果按ROI個數(shù)和像元數(shù)統(tǒng)計如表1所示。

1. 3 影像數(shù)據(jù)及預(yù)處理

以2015年1月22日（條帶號3-78）、3月15日（條帶號3-78）及6月27日（條帶號2-78）過境海南西北部地區(qū)的CBERS-04星20 m分辨率的多光譜遙感影像為數(shù)據(jù)源。影像為2級產(chǎn)品，已經(jīng)過系統(tǒng)幾何校正。經(jīng)對比發(fā)現(xiàn)，不同時期的影像間存在一定的幾何偏移。以2014年3月19日獲取的無云Landsat 8 L1T級影像為基準，在ENVI遙感分析軟件平臺下，對三景CBERS-04星多光譜影像進行自動幾何精校正，控制誤差在5 m范圍內(nèi)。由于3期影像均能很好覆蓋整個研究區(qū)域，處于相對均一的輻射水平，而輻射校正和大氣校正對分類結(jié)果精度的影響有限（Song et al.， 2001），且缺乏針對CBERS-04輻射校正工具，因此，本研究未對影像進行輻射和大氣校正。影像幾何校正完畢后，利用ENVI/IDL軟件平臺計算歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）和比值植被指數(shù)（Simple ratio vegetation index，SR），計算公式為：

式中，ρred為CBERS-04衛(wèi)星紅光波段像元像素值（Digital number， DN），ρNIR為近紅外波段DN。計算的NDVI和SR及4個原始波段將用于影像分類研究。

1. 4 研究方法

1. 4. 1 不同土地利用類型特征分析 紅光（Red）、近紅外（Near infrared， NIR）波段及NDVI等植被指數(shù)是遙感分類的重要參數(shù)。分別導(dǎo)出3期CBERS-04影像中森林、水體、建筑和耕地的訓(xùn)練樣本的Red、NIR和NDVI像元值，繪制直方圖（圖2）。結(jié)果表明，水體在NIR波段中的可分離性最好，尤其是3月22日獲取的影像；分離水體后，森林在紅光波段和NDVI波段與耕地和建筑具有較高的可分離性，但耕地與建筑在紅光、近紅外及NDVI中的重疊度均較高，需要采用其他輔助參數(shù)才能實現(xiàn)準確分離。

1. 4. 2 分類方法介紹 根據(jù)圖2的分類結(jié)果，本研究分別采用最大似然的監(jiān)督分類方法和決策樹分類方法提取海南西北部地區(qū)主要土地類型的空間分布信息。在執(zhí)行最大似然分類之前，先通過ENVI的可分離性工具，計算各訓(xùn)練樣本ROI的Jeffries-Matusita（J-M）距離（Dong et al.， 2013）。J-M距離越高，表明兩個類別之間的可分離性越好；J-M距離>1.9表示兩種地物的可分離性較好，J-M距離=2.0表明兩種地物分布完全無關(guān)，可以完全分離。由表2可看出，除了森林—耕地、耕地—建筑可分離性略差以外，其他幾個類別的可分離性都比較理想；1月22日的影像中，森林—耕地的可分離性較好；6月27日的影像中，耕地—建筑的可分離性相對最高。結(jié)合訓(xùn)練樣本數(shù)據(jù)，分別在ENVI中采用最大似然法對3期影像進行分類。

此外，本研究將3期影像的波段、NDVI和SR植被指數(shù)通過波段疊加的方式生成一個文件后再進行最大似然法分類。圖2的直方圖分析結(jié)果表明，水體在3期影像中可分離性最好，森林次之，可分離性相對較差的是耕地和建筑?？紤]到建筑的NDVI相對固定且數(shù)值較低，而耕地中作物處于生長季時NDVI較高，在3期影像合成的NDVI影像中可能會有比較好的可分離性。因此，對3期影像的NDVI進行最大值（NDVImax）、最小值（NDVImin）合成，并計算最大值與最小值間的差值（NDVIdiff），以訓(xùn)練樣本繪制相應(yīng)直方圖（圖3）觀察可分離性。結(jié)果表明，森林—耕地、耕地—建筑在NDVImax波段的可分離性均較好，可用于構(gòu)建決策樹分類規(guī)則。按不同土地類型的總體分離容易程度和每期影像中的可分離性，構(gòu)建決策樹分類規(guī)則如下：水體為NIR0315<50且NDVImin<0；森林為NDVImax>0.55且Red0627<40；建筑為NDVImax<0.15；耕地為其他剩余像元。決策樹分類中的門檻值分別根據(jù)訓(xùn)練樣直方圖的上界（99%）或下界（1%）值設(shè)定，并對具體數(shù)據(jù)進行圓整，波段DN數(shù)值圓整到以10或5為尾數(shù)水平，植被指數(shù)門檻值圓整到0.05水平。

1. 5 精度評估

分類結(jié)果的精度驗證主要通過隨機抽樣的地面樣本（占50%）來計算混淆矩陣（Confusion matrix）和卡帕系數(shù)（Kappa coefficient），根據(jù)混淆矩陣信息來定量評價分類精度。分類結(jié)果專題圖的制作在ArcGIS軟件中完成，并在局部地區(qū)進行放大疊加比較，綜合評估分類精度。

2 結(jié)果與分析

2. 1 不同分類方法分類結(jié)果精度比較

由表3可知，基于單景CBERS-04多光譜數(shù)據(jù)的最大似然法分類結(jié)果總體精度為85.8%～88.8%，卡帕系數(shù)為0.80～0.84；不同時期獲取的影像在其分類精度存在差異，分類精度順序為：6月影像>1月影像>3月影像；當同時使用3景不同時相的遙感影像為數(shù)據(jù)源時，無論是最大似然法還是決策樹分類算法，其結(jié)果均明顯高于基于單景的監(jiān)督分類結(jié)果；使用多時相遙感影像時，最大似然法的精度最高，總體分類精度為92.61%，卡帕系數(shù)為0.89，其次是決策樹分類算法，總體分類精度為91.61%，卡帕系數(shù)為0.88。從表4的混淆矩陣結(jié)果可以看出，最大似然法和決策樹分類算法的森林的精度最高，用戶（生產(chǎn)者）精度均大于92.00%；基于最大似然法的水體精度（>89.00%）低于決策樹分類算法的精度（>97.00%），建筑的用戶（生產(chǎn)者）精度大于85.00%，耕地的精度最低；最大似然法的結(jié)果要優(yōu)于決策樹分類算法，前者用戶（生產(chǎn)者）精度均高于80.00%，而后者的生產(chǎn)者精度最低，只有71.98%。

2. 2 海南西北部土地利用現(xiàn)狀

圖4為決策樹分類結(jié)果空間分布圖，其中，底部b～e為部分地區(qū)森林、水體、建筑和耕地分類結(jié)果與谷歌高清衛(wèi)星影像疊加對比圖，分類結(jié)果與地面真實情況呈現(xiàn)較高的吻合度。由圖4可看出，森林主要分布在內(nèi)陸地區(qū)，尤其是松濤水庫（圖中的最大水域）附近區(qū)域；海岸帶尤其是西部地區(qū)，人口密度也相對較大，人為活動干擾影響強烈，森林覆蓋率很低，主要土地類型為耕地；而沿海區(qū)域降雨量相對較低，太陽輻射比較強烈，存在不少裸地，裸地反光譜特征與城市建筑比較相似，在一定程度上被誤分為建筑；內(nèi)陸地區(qū)呈現(xiàn)出典型的森林與耕地斑塊，其主要原因是海南儋州及附近區(qū)域是海南橡膠種植核心區(qū)域，雨量充沛，存在輕臺風災(zāi)害，擁有大量的農(nóng)林復(fù)合系統(tǒng)；在儋州西北部的洋浦和白馬井地區(qū)擁有較密集的建筑，其主要原因是洋浦地區(qū)是海南主要的工業(yè)區(qū)，工業(yè)建筑群相對密集，另外，北部灣碼頭和白馬井?；◢u的建設(shè)，也導(dǎo)致了建筑的明顯增加。

3 討論

利用多時相的CBERS-04多光譜數(shù)據(jù)明顯能提高分類的精度。本研究也發(fā)現(xiàn)基于最大似然法的分類精度略高于決策樹分類算法，且實現(xiàn)過程也非常簡單。最大似然法精度略高的原因是在紅Red、NIR及NDVI的基礎(chǔ)上，還使用了藍光、綠光和SR植被指數(shù)作為輸入?yún)?shù)。事實上，增加這3個參數(shù)相對提高的精度只有1%。當影像數(shù)量不多時，最大似然法是個不錯的選擇，但當影像數(shù)據(jù)過多，比如超過5景以上，影像波段疊加后數(shù)據(jù)量會顯著增加。

決策樹分類方法具有較強的理論基礎(chǔ)，更注重科學(xué)性和合理性。雖然本研究過程中實現(xiàn)過程比最大似然法復(fù)雜，但是當影像數(shù)據(jù)更多時會更明顯，尤其是使用基于長時間序列影像的合成數(shù)據(jù)來分類。比如Chen等（2016）發(fā)現(xiàn)基于Landsat TM/ETM+的年度最大值合成NDVI中，森林與建筑的可分離性非常高。本研究也發(fā)現(xiàn)基于決策樹分類的水體用戶（生產(chǎn)者）精度均在93.00%以上，優(yōu)于使用更多輸入變量的最大似然法分類結(jié)果。

在4種土地利用類型中，無論是最大似然法，還是決策樹分類法，其分類結(jié)果中耕地的精度最低。分析其原因是熱帶地區(qū)耕地構(gòu)成非常復(fù)雜，破碎化嚴重，作物物候也存在多樣化（Laurin et al.， 2013）。雖然通過合成NDVI可實現(xiàn)大部分耕地的分離，但還是與森林及建筑存在不同程度的重疊，使得精確分離比較困難。

近年來，國產(chǎn)衛(wèi)星的發(fā)展非常迅速，現(xiàn)役衛(wèi)星數(shù)量顯著增加，數(shù)據(jù)獲取能力明顯增強。但與國外如Landsat系列相比，在影像數(shù)據(jù)質(zhì)量和后期處理方面還有一定差距。如在本研究發(fā)現(xiàn)CBERS-04數(shù)據(jù)的幾何精度還不夠理想，每一景影像均需要進行幾何校正；另外在輻射和大氣校正、影像批量除云等方面的算法和程序的開發(fā)也相對滯后，目前尚無成熟的方法和工具，因而限制了多源和多時相遙感影像的使用。

4 結(jié)論

聯(lián)合多期CBERS-04多光譜數(shù)據(jù)能夠準確提取熱帶地區(qū)土地利用現(xiàn)狀信息，具有廣闊的應(yīng)用前景。

參考文獻：

陳幫乾，李香萍，肖向明，孫瑞，吳志祥，祁棟靈，楊川，陶忠良. 2015. 基于PALSAR雷達數(shù)據(jù)與多時相TM/ETM+影像的海南島土地利用分類研究[J]. 熱帶作物學(xué)報， 36（12）： 2230-2237.

Chen B Q，Li X P，Xiao X M，Shun R，Wu Z X，Qi D L，Yang C，Tao Z L. 2015. Land utilization mapping in Hainan Island by using ALOS PALSAR and multi-temporal landsat TM/ETM+ imagery[J]. Chinese Journal of Tropical Crops， 36（12）： 2230-2237.

黃帥，丁建麗，李艷華. 2016. 面向?qū)ο蟮膰a(chǎn)GF-1遙感影像水體信息提取研究[J]. 人民長江，47（5）： 23-28.

Huang S，Ding J L，Li Y H. 2016. Study of water information extraction based on domestic GF-1 remote sensing image by using object-oriented method[J]. Yangtze River， 47（5）： 23-28.

領(lǐng)梅，安慧君，賀曉輝，陶樹光，白彥. 2013. 基于決策樹的涼城縣土地利用分類研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 34（6）： 43-48.

Ling M，An H J，He X H，Tao S G，Bai Y. 2013. Research of land use classification based on decision tree in Liangcheng[J]. Journal of Inner Mongolia Agricultral University， 34（6）： 43-48.

劉紀遠，匡文慧，張增祥，徐新良，秦元偉，寧佳，周萬村，張樹文，李仁東，顏長珍，吳世新，史學(xué)正，江南，于東升，潘賢章，遲文峰. 2014. 20世紀80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學(xué)報， 69（1）： 3-14.

Liu J Y，Kuang W H，Zhang Z X，Xu X L，Qin Y W，Ning J，Zhou W C，Zhang S W，Li R D， Yan C Z， Wu S X， Shi X Z， Jiang N， Yu D S， Pan X Z， Chi W F. 2014. Spatiotemporal characteristics， patterns and causes of land use changes in China since the late 1980s[J].Acta Geographica Sinica， 69（1）： 3-14.

劉李，傅俏燕，潘志強，徐建艷，李曉進，韓啟金，張學(xué)文，劉濤. 2016. CBERS-04衛(wèi)星寬視場成像儀在軌場地輻射定標[J]. 航天返回與遙感， 37（1）： 89-96.

Liu L，F(xiàn)u Q Y，Pan Z Q，Xu J Y，Li X J，Han Q J，Zhang X W，Liu T. 2016. Site calibration of CBERS-04 WFI using reflectance-based method[J]. Spacecraft Recovery & Remote Sensing，37（1）： 89-96.

娜仁花，鄭江華，郭寶林，石明輝，森巴提，孫成忠，孫志群，李曉瑾，賈曉光. 2014. 資源三號衛(wèi)星在野生羅布麻宏觀監(jiān)測中的應(yīng)用評價[J]. 新疆農(nóng)業(yè)科學(xué)，51（3）： 497-503.

Na R H，Zheng J H，Guo B L，Shi M H，Senbati，Sun C Z，Sun Z Q，Li X J，Jia X G. 2014. The application and evaluation of China ZY3 satellite on wild apocynum monitoring[J]. Xinjiang Agricultural Sciences， 51（3）： 497-503

吳秀蘭，鄭江華，阿不都瓦里·伊瑪木，穆晨，倪亦非，吳建國，肖宏偉. 2015. 基于ZY1-02C衛(wèi)星P/MS數(shù)據(jù)的草原偽步甲災(zāi)害遙感監(jiān)測[J]. 新疆農(nóng)業(yè)科學(xué)，52（3）： 551-559.

Wu X L，Zheng J H，Yimamu A， Mu C， Ni Y F， Wu J G， Xiao H W. 2015. Remote sensing monitoring of prosodes dilaticollis motsch hazards for grassland Based on domestic ZY1-02C satellites P/MS dData[J]. Xinjiang Agricultural Sciences， 52（3）： 551-559.

曾迪，漆智平，黃海杰，魏志遠，王登峰，高樂，劉磊. 2015. 海南儋州耕地土壤有機質(zhì)空間變異[J]. 熱帶作物學(xué)報， 36（1）： 199-204.

Zeng D，Qi Z P，Huang H J，Wei Z Y，Wang D F，Gao L，Liu L. 2015. Spatial variablility of soil organic matter content in Danzhou city， Hainan province[J]. Chinese Journal of Tropical Crops， 36（1）： 199-204.

Dong J，Xiao X，Menarguez M A，Zhang G，Qin Y，Thau D，Biradar C M，Moore Iii B. 2016. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment， 185： 142-154.

Chen B，Li X，Xiao X，Zhao B，Dong J，Kou W，Qin Y，Yang C，Wu Z，Sun R，Lan G，Xie G. 2016. Mapping tropical forests and deciduous rubber plantations in Hainan Island， China by integrating PALSAR 25-m and multi-temporal Landsat images[J]. International Journal of Applied Earth Observations and Geoinformation， 50： 117-130.

Dong J，Xiao X，Chen B，Torbick N，Jin C，Zhang G，Biradar C. 2013. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 134（7）： 392-402.

Evans T L， Costa M. 2013. Landcover classification of the Lower Nhecol ndiasubregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR， RADARSAT-2 and ENVISAT/ASAR imagery[J]. Remote Sensing of Environment， 128： 118-137.

Laurin G V，Liesenberg V，Chen Q，Guerriero L，Del Frate F，Bartolini A，Coomes D，Wilebore B，Lindsell J，Valentini R. 2013. Optical and SAR sensor synergies for forest and land cover mapping in a tropical site in West Africa[J]. International Journal of Applied Earth Observation and Geoinformation， 21（4）： 7-16.

Reiche J，Verbesselt J，Hoekman D，Herold M. 2015. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 156： 276-293.

Sheldon S，Xiao X，Biradar C. 2012. Mapping evergreen forests in the Brazilian Amazon using MODIS and PALSAR 500-m mosaic imagery[J]. Isprs Journal of Photogrammetry and Remote Sensing， 74（11）： 34-40.

Song C，Woodcock C E，Seto K C，Lenney M P，Macomber S A. 2001. Classification and change detection using landsat TM data： when and how to correct atmospheric effects？[J]. Remote Sensing of Environment， 75（2）： 230-244.

Wang T，Zhang H，Lin H，F(xiàn)ang C. 2015. Textural-spectral feature-based species classification of Mangroves in Mai Po Nature Reserve from worldview-3 imagery[J]. Remote Sensing， 8（1）： 24.

Zhang Z，Wang X，Zhao X，Liu B，Yi L，Zuo L，Wen Q，Liu F，Xu J，Hu S. 2014. A 2010 update of National Land Use/Cover Database of China at 1：100000 scale using medium spatial resolution satellite images[J]. Remote Sensing of Environment， 149： 142-154.

Zhu Z，Woodcock C E，Rogan J，Kellndorfer J. 2012. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 117（1）： 72-82.

（責任編輯 鄧慧靈）