編者按：水力發(fā)電是低碳發(fā)電產(chǎn)業(yè)的支柱，是一種可再生能源技術(shù)。在我國大力推進(jìn)“雙碳”戰(zhàn)略實(shí)施背景下，水電站的建設(shè)可以有效地利用水力資源發(fā)電，減少對煤炭、石油等化石能源的使用，對實(shí)現(xiàn)“雙碳”目標(biāo)和綠色低碳發(fā)展具有十分重要的現(xiàn)實(shí)意義。水電站作為水力發(fā)電的基礎(chǔ)設(shè)施，其建設(shè)會對區(qū)域生態(tài)環(huán)境和社會經(jīng)濟(jì)發(fā)展產(chǎn)生一定影響，因此開展水電站建設(shè)的環(huán)境影響評價(jià)和生態(tài)補(bǔ)償機(jī)制研究具有重要意義。羊曲水電站是黃河干流龍羊峽水電站上游河段規(guī)劃梯級電站“茨哈

水電站、班多水電站和羊曲水電站”的最下一級，是黃河上游地區(qū)水電規(guī)劃建設(shè)的重要項(xiàng)目工程。來自青海黃河上游水電開發(fā)有限責(zé)任公司、西安理工大學(xué)、山東大學(xué)的研究團(tuán)隊(duì)通過校企合作，開展了羊曲水電站生態(tài)保護(hù)和生態(tài)補(bǔ)償協(xié)同研究，取得了一批成果。本刊擇其主要成果予以集中刊發(fā)，以饗讀者。

［關(guān)鍵詞］

土地類型；陸生生態(tài)系統(tǒng)；生態(tài)影響；羊曲水電站；黃河

［摘" 要］

以黃河羊曲水電站陸生生態(tài)影響區(qū)域?yàn)檠芯繀^(qū)，采用現(xiàn)場實(shí)地調(diào)研和遙感影像解譯等方式開展了研究區(qū)土地利用類型的識別解析研究，結(jié)合實(shí)地考察數(shù)據(jù)、土地利用參考資料和遙感應(yīng)用指數(shù)解析了土地利用類型，對比不同分類方法的識別精度，核算區(qū)域內(nèi)林地、耕地和草地面積。采用最大似然法分類、神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類的方法分別對林地、耕地和草地的識別結(jié)果進(jìn)行校正，并對多重判別的問題像元進(jìn)行歸類，得到研究區(qū)土地利用情況。對最終分類的影像進(jìn)行統(tǒng)計(jì)，得到研究區(qū)內(nèi)林地、耕地、草地面積分別為40.33、38.55、361.37 km2。

［中圖分類號］ S157" ［文獻(xiàn)標(biāo)識碼］ A" DOI：10.3969/j.issn.1000-0941.2024.11.001

［引用格式］ 胡一棟，閆姝婉，張雅敏，等.黃河羊曲水電站陸生生態(tài)影響區(qū)域土地類型解析［J］.中國水土保持，2024（11）：1-7.

電是現(xiàn)代人類生產(chǎn)生活必需的一種能量形式，現(xiàn)有的發(fā)電方式以火力發(fā)電和水力發(fā)電為主，相較于火力發(fā)電，水力發(fā)電是低碳發(fā)電產(chǎn)業(yè)的支柱，具有高效、靈活、無污染的特點(diǎn)，是一種可再生能源技術(shù)［1］。在我國大力推進(jìn)“雙碳”戰(zhàn)略實(shí)施背景下，推動(dòng)清潔能源生產(chǎn)、降低碳排放已被納入國家發(fā)展計(jì)劃。水電站的建設(shè)可以有效利用水力資源發(fā)電，減少對煤炭、石油等化石能源的使用，從而降低對火力發(fā)電的依賴。隨著我國經(jīng)濟(jì)社會的快速發(fā)展，各行各業(yè)對電力的需求量越來越大，興建水電站也具有更重要的現(xiàn)實(shí)意義。水電站作為水力發(fā)電的基礎(chǔ)設(shè)施，其建設(shè)會對區(qū)域生態(tài)環(huán)境和社會經(jīng)濟(jì)發(fā)展產(chǎn)生影響，因此對水電站建設(shè)進(jìn)行環(huán)境影響評價(jià)，實(shí)現(xiàn)經(jīng)濟(jì)效益、社會效益和生態(tài)效益的最大化，對區(qū)域可持續(xù)發(fā)展和人與自然和諧共生具有重要意義［2］。

黃河流域的開發(fā)與保護(hù)在我國經(jīng)濟(jì)社會建設(shè)和生態(tài)安全防護(hù)等方面具有重要意義［3-4］。黃河羊曲水電站建設(shè)于黃河上游青海段，是一座以發(fā)電為主的大型水利水電樞紐工程，是黃河干流龍羊峽水電站上游河段的規(guī)劃梯級電站“茨哈水電站、班多水電站和羊曲水電站”的最下一級。羊曲水電站的建設(shè)推動(dòng)了西北地區(qū)的能源產(chǎn)業(yè)發(fā)展，為青海省成為清潔能源示范省提供了有力支持。由于水電站的建設(shè)會對上游陸生生態(tài)系統(tǒng)產(chǎn)生重要的環(huán)境影響，因此有必要對水電站的環(huán)境影響進(jìn)行評估，并提出相應(yīng)的補(bǔ)償措施。本研究以此為出發(fā)點(diǎn)，結(jié)合羊曲水電站的地理位置，解析其陸生生態(tài)影響區(qū)域內(nèi)的土地利用類型，并為后續(xù)分析水電站建設(shè)對陸生生態(tài)系統(tǒng)功能的影響和開展針對性的生態(tài)保護(hù)提供科學(xué)依據(jù)。

1" 研究區(qū)概況

羊曲水電站（地理位置35°44′44″N、100°16′46″E）位于黃河流域上游，地處青海省海南藏族自治州興?？h與貴南縣交界處。壩址以上控制流域面積12.3萬km2，多年平均流量629 m3/s，多年平均徑流量198.36億m3。水庫設(shè)計(jì)正常蓄水位2 715 m，運(yùn)行期正常蓄水位、死水位、生態(tài)限制水位均為2 710 m，水庫總庫容16.39億m3。羊曲水電站距上游班多水電站河道距離約75 km，距下游龍羊峽水電站河道距離約100 km，距西寧市城區(qū)約242 km，是黃河上游地區(qū)水電規(guī)劃建設(shè)的重要工程。

本研究結(jié)合《2020年黃河羊曲水電站工程環(huán)境影響報(bào)告書》中羊曲水電站工程水庫淹沒范圍，在Google Earth上獲取地表的真實(shí)信息，結(jié)合區(qū)域的實(shí)際情況，劃定黃河羊曲水電站陸生生態(tài)影響區(qū)作為研究區(qū)，總面積481.9 km2。海南藏族自治州在地勢上呈現(xiàn)為西南高、東北低，羊曲水電站陸生生態(tài)影響區(qū)域處于自治州內(nèi)地勢較低的區(qū)域，涉及興?？h、貴南縣和同德縣3個(gè)縣的7個(gè)鄉(xiāng)鎮(zhèn)和22個(gè)村落。

2" 數(shù)據(jù)來源與研究方法

2.1" 數(shù)據(jù)來源

本研究所使用的數(shù)據(jù)主要包括數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)、遙感影像數(shù)據(jù)和土地利用參考資料等。其中：DEM數(shù)據(jù)在地理空間數(shù)據(jù)云（https：//www.gscloud.cn）上下載，影像數(shù)據(jù)集為“ASTER GDEM 30 m分辨率數(shù)字高程數(shù)據(jù)”；遙感影像數(shù)據(jù)在USGS（https：//www.usgs.gov/）和地理空間數(shù)據(jù)云上下載，影像數(shù)據(jù)集為“Landsat 8 OLI_TIRS 衛(wèi)星數(shù)字產(chǎn)品”，篩選云量小于5%的影像為研究數(shù)據(jù)，所選數(shù)據(jù)的成像日期為2020年8月，下載的遙感影像首先進(jìn)行輻射定標(biāo)、大氣校正、鑲嵌裁剪等預(yù)處理操作，再進(jìn)行遙感地類解譯；土地利用參考資料主要來源于現(xiàn)場實(shí)地考察的土地利用情況、第三次全國國土調(diào)查數(shù)據(jù)和武漢大學(xué)發(fā)布的2020年全國10 m分辨率地表覆蓋數(shù)據(jù)，這些土地利用參考資料被廣泛應(yīng)用，以此驗(yàn)證本次遙感解譯結(jié)果的數(shù)據(jù)精度。本研究的數(shù)據(jù)處理和分析在軟件ENVI 5.3、ArcGIS 10.6和IDRISI Selva 17.0中進(jìn)行。

2.2" 技術(shù)路線

本研究參考相關(guān)學(xué)者的研究成果，對黃河羊曲水電站陸生生態(tài)影響區(qū)域的土地利用類型進(jìn)行識別，下載遙感影像并進(jìn)行初步處理，利用監(jiān)督分類的方法進(jìn)行影像分類，通過遙感應(yīng)用指數(shù)和樣本地類的光譜分析進(jìn)行輔助識別，將研究區(qū)地類劃分為林地、草地、耕地、建設(shè)用地、水體和裸地共6種土地利用類型［5］，對比不同分類方法的遙感影像解譯精度，重點(diǎn)分析林地、草地和耕地的識別結(jié)果，選定最優(yōu)的解譯方案，實(shí)現(xiàn)研究區(qū)土地利用類型識別。技術(shù)路線見圖1。

2.3" 遙感應(yīng)用指數(shù)

根據(jù)研究區(qū)的自然地理?xiàng)l件和土地利用概況選取特定的遙感應(yīng)用指數(shù)，反映林地、草地和耕地等不同地類之間的指數(shù)差異，并以此作為條件分支，進(jìn)行不同地類的識別提取。結(jié)合研究區(qū)不同土地利用類型之間的光譜差異，選擇歸一化植被指數(shù)（NDVI）、歸一化差值山地植被指數(shù)（NDMVI）、歸一化水體指數(shù)（NDWI）和綠度指數(shù)（GI）進(jìn)行分析［6-7］。這些遙感應(yīng)用指數(shù)的計(jì)算公式分別為

NDVI=ρNIR－ρRedρNIR+ρRed（1）

NDMVI=（ρNIR－ρRed）+（Redmin－NIRmin）（ρNIR+ρRed）－（Redmin+NIRmin）（2）

NDWI=ρGreen－ρNIRρGreen+ρNIR（3）

GI=ρGreen－ρBlueρGreen+ρBlue（4）

式中：ρNIR為近紅外波段的反射值；ρRed為紅光波段的反射值；Redmin為紅光波段反射值的最小值；NIRmin為近紅外波段反射值的最小值；ρGreen為綠光波段的反射值；ρBlue為藍(lán)光波段的反射值。

2.4" 影像精度驗(yàn)證

本研究對比不同分類方法的影像解譯精度，結(jié)合實(shí)地考察的樣本點(diǎn)，得到最優(yōu)的土地類別信息。使用的分類方法包括神經(jīng)網(wǎng)絡(luò)分類、支持向量機(jī)分類、最大似然法分類、最小距離法分類和決策樹分類。在進(jìn)行影像分類之前 ，需要目視解譯樣本地類，再結(jié)合實(shí)地考察和土地利用參考資料，

胡一棟等：黃河羊曲水電站陸生生態(tài)影響區(qū)域土地類型解析

得到用于精度驗(yàn)證的地類。樣本的土地利用類型包括耕地、林地、草地、水體、建設(shè)用地和裸地。本研究使用的分類方法及細(xì)節(jié)描述見表1。

2.5" 解譯精度驗(yàn)證

本研究采用混淆矩陣的方法將遙感影像的分類結(jié)果與樣本的真實(shí)地表數(shù)據(jù)進(jìn)行對比，從而實(shí)現(xiàn)精度驗(yàn)證，得到最優(yōu)的土地利用類型識別結(jié)果。混淆矩陣是常用的一種影像分類精度評定方法，將影像分類結(jié)果一種基于模式識別的監(jiān)督分類方法，通過引入核函數(shù)從而實(shí)現(xiàn)降維處理，將結(jié)構(gòu)風(fēng)險(xiǎn)最小化，正確劃分訓(xùn)練數(shù)據(jù)集，得到復(fù)雜區(qū)域的影像分類［8］

神經(jīng)網(wǎng)絡(luò)分類

一種前饋式的學(xué)習(xí)算法，通過調(diào)整網(wǎng)絡(luò)內(nèi)部大量節(jié)點(diǎn)之間的相互關(guān)系，從而達(dá)到影像分類的目的［9］

最大似然法分類

首先需假定訓(xùn)練區(qū)樣本的光譜特征近似服從正態(tài)分布，總體先驗(yàn)概率密度函數(shù)是利用訓(xùn)練樣本求出的均值、方差和協(xié)方差等特征參數(shù)計(jì)算得到的，其次根據(jù)求得的概率密度函數(shù)計(jì)算每個(gè)待分類的像元?dú)w屬概率，從而實(shí)現(xiàn)研究區(qū)域不同土地類型的識別［10］

最小距離法分類

一種經(jīng)典且較為常用的分類方法，通過尋找待分類像元與訓(xùn)練樣本光譜特征空間內(nèi)的最小幾何距離來完成［11］

決策樹分類

在遙感影像分類中被廣泛使用，是按照一定的規(guī)則，分層逐次進(jìn)行比較，從而逐級篩選完成分類；分類結(jié)果取決于分支條件的選擇及條件閾值的設(shè)定，具有規(guī)則簡單、處理靈活、精度較高等特點(diǎn)［12］

與地表真實(shí)信息進(jìn)行對比，可以很好地反映影像分類的整體準(zhǔn)確率。本研究選取5個(gè)3 km×3 km的樣本，利用分類后的影像和地面驗(yàn)證數(shù)據(jù)構(gòu)建精度混淆矩陣，并參考相關(guān)學(xué)者的研究進(jìn)行精度評判［13-14］，計(jì)算的指標(biāo)包括生產(chǎn)者精度、用戶精度、總體分類精度和Kappa系數(shù)，精度評判指標(biāo)的計(jì)算公式分別為

PA=xe/xf（5）

UA=xe/xg（6）

OA=xa/xb（7）

Kappa=（OA-pe）/（1-pe）（8）

式中：PA為生產(chǎn)者精度；xe為某地類被正確分類的像元數(shù)量；xf為某地類真實(shí)的像元數(shù)量；UA為用戶精度；xg為某地類遙感分類的像元數(shù)量；OA為總體分類精度；xa為被正確分類的像元數(shù)量；xb為總像元數(shù)量；pe為所有地物類別分別對應(yīng)的真實(shí)地類像元數(shù)量與分類像元數(shù)量的乘積之和除以總像元數(shù)量的二次方。

3" 結(jié)果與分析

3.1" 不同地類的區(qū)分特征

3.1.1" 實(shí)地踏查結(jié)果

對羊曲水電站陸生生態(tài)影響區(qū)域進(jìn)行實(shí)地考察，在庫首、庫中和庫尾各選取有典型特征的采樣點(diǎn)，共計(jì)15個(gè)，所選樣本點(diǎn)位涵蓋了研究區(qū)內(nèi)的所有土地利用類型。結(jié)果表明，研究區(qū)內(nèi)以草地分布較多，其次是耕地，但是目前的耕地大多已棄耕，有些原本是耕地的區(qū)域現(xiàn)已逐漸變?yōu)椴莸?，林地分布較少，主要分布在林地集中保護(hù)區(qū)及村莊的周邊，多為人工種植。為了精煉實(shí)地考察的結(jié)果，對采樣點(diǎn)位進(jìn)行篩選，結(jié)合區(qū)域的實(shí)際情況，選取5個(gè)樣本點(diǎn)位進(jìn)行精度驗(yàn)證，樣本點(diǎn)位錯(cuò)落分布，且每個(gè)點(diǎn)位之間存在一定的距離，以便于體現(xiàn)不同區(qū)域的實(shí)地情況。經(jīng)實(shí)地考察發(fā)現(xiàn)，研究區(qū)自然生態(tài)環(huán)境良好，上游水源豐富，但也存在一些西北地區(qū)普遍存在的環(huán)境問題，比如以草地為主要的土地利用類型，過度放牧和水土流失嚴(yán)重導(dǎo)致土地沙化問題突出，距離黃河相對較遠(yuǎn)的區(qū)域水源不足導(dǎo)致植被較為稀疏等。

3.1.2" 地類樣本特征

依據(jù)羊曲水電站陸生生態(tài)影響區(qū)域的自然環(huán)境特點(diǎn)，將土地利用類型劃分為林地、耕地、草地、水體、建設(shè)用地和裸地，結(jié)合實(shí)地考察情況和土地利用參考資料，每種土地利用類型分別選定500個(gè)像元樣本點(diǎn)，共計(jì)3 000個(gè)樣本點(diǎn)完成統(tǒng)計(jì)分析，影像像元空間分辨率為30 m，并對不同地類樣本感興趣區(qū)的可分離度進(jìn)行計(jì)算，結(jié)果見表2。從表2中可以看出，6種地類樣本像元之間的可分離度均大于1.9，滿足感興趣選取的條件，說明選取的樣本具有代表性，其中水體與其他地類的可分離度均為2，說明水體易與其他地類進(jìn)行區(qū)分，其他地類之間存在一定的區(qū)分誤差，但該誤差對研究結(jié)果的影響較小，符合研究的精度要求。

3.2" 遙感應(yīng)用指數(shù)計(jì)算結(jié)果

3.2.1" 遙感應(yīng)用指數(shù)的空間分異

綜合分析羊曲水電站陸生生態(tài)影響區(qū)域的實(shí)際情況，計(jì)算歸一化植被指數(shù)（NDVI）、歸一化差值山地植被指數(shù)（NDMVI）、歸一化水體指數(shù)（NDWI）和綠度指數(shù)（GI），區(qū)分不同地類的遙感應(yīng)用指數(shù)差異，4個(gè)指數(shù)的空間分異特征見圖2。從圖2可以看出，NDVI、NDMVI和GI的高值都集中在有植被覆蓋的地區(qū)，如林地和耕地，NDWI的高值集中在水體，且水體的NDWI大于0，其他地物的NDWI小于0，遙感應(yīng)用指數(shù)高值和低值的空間分布特征符合研究區(qū)自然條件分布。NDVI和NDMVI都可以很好地對比有植被覆蓋區(qū)域和無植被覆蓋區(qū)域，NDMVI對于山地區(qū)域的植被增強(qiáng)效果優(yōu)于NDVI。GI可以體現(xiàn)地表的綠度覆蓋情況，相比于林地和耕地，草地的GI較低。

3.2.2" 樣本指數(shù)的變化區(qū)間

對羊曲水電站陸生生態(tài)影響區(qū)域內(nèi)的林地、耕地、草地、水體、建設(shè)用地和裸地各選取300個(gè)樣本點(diǎn)進(jìn)行遙感應(yīng)用指數(shù)閾值的變化區(qū)間分析，共計(jì)選取1 800個(gè)樣本點(diǎn)。研究發(fā)現(xiàn)，NDVI和NDMVI的樣本值情況類似，水體與其他地類的指數(shù)值差異明顯，相較之下，NDMVI更能夠進(jìn)行水陸區(qū)分；NDWI指數(shù)分布情況與NDVI和NDMVI情況近乎相反，除水體外，其他土地利用類型的NDWI指數(shù)值均為負(fù)值；GI的樣本分布情況不同于其他遙感應(yīng)用指數(shù)，林地的GI較高，其次是耕地，建設(shè)用地較低?？傮w而言，水體的NDVI、NDMVI和NDWI與其他地類差異明顯，林地的GI較其他地類

3.3" 影像分類結(jié)果

3.3.1" 不同方法的影像分類結(jié)果

本研究采用支持向量機(jī)分類、神經(jīng)網(wǎng)絡(luò)分類、最大似然法分類和最小距離法分類進(jìn)行遙感影像解譯，為了統(tǒng)一變量，縮小分類誤差的影響，在進(jìn)行監(jiān)督分類時(shí)，對4種分類方法選擇同樣的感興趣區(qū)，得到的遙感解譯結(jié)果見圖3。從圖3中可以看出，羊曲水電站陸生生態(tài)影響區(qū)域內(nèi)林地主要分布在庫首至庫中段，以黃河兩岸的山地為主要分布區(qū)域；耕地主要分布在黃河沿岸，在臨近黃河水源地區(qū)和研究區(qū)南部分布較多；草地為主要的土地利用類型，且分布最為廣泛；4種分類方法的結(jié)果存在明顯差異，最小距離法分類識別的建設(shè)用地較多，與其他3種方法的分類結(jié)果差異明顯。

為進(jìn)一步分析羊曲水電站陸生生態(tài)影響區(qū)域的土地利用情況，采用決策樹分類的方法進(jìn)行影像分類，分類結(jié)果見圖4。在進(jìn)行決策樹分類之前，選取研究區(qū)不同土地利用類型的樣本像元各500個(gè)進(jìn)行光譜分析，發(fā)現(xiàn)耕地和林地的光譜特征較為接近，草地和裸地的光譜特征較為接近，為了更好地區(qū)分不同地類，參考遙感應(yīng)用指數(shù)的計(jì)算結(jié)果和土地利用參考資料，選取Landsat 8影像的藍(lán)光波段、紅光波段、近紅外波段和

短波紅外1波段實(shí)現(xiàn)決策樹分類，通過設(shè)定不同波段的光譜反射閾值，得到?jīng)Q策樹法則。從圖4中可以看出決策樹分類的結(jié)果，裸地面積增多（將植被稀疏的草地識別為裸地），與實(shí)際情況存在一定誤差，但對水體和南部耕地的識別情況較好。

3.3.2" 不同方法的地類識別結(jié)果

本研究采用5種遙感影像分類方法進(jìn)行地類解譯，不同分類方法對地類的識別效果有差異，為更好地分析各種分類方法對單一地類的識別結(jié)果，將不同方法對林地、耕地和草地的識別結(jié)果單獨(dú)列出，見圖5。從圖5中可以看出，除決策樹分類外，其他4種分類方法的林地識別結(jié)果主要分布在庫首至庫中黃河沿岸的山地地區(qū)，該區(qū)域地勢較高，而決策樹分類的林地識別結(jié)果是分布于整個(gè)研究區(qū)，實(shí)際情況是庫尾雖有林地

分布，但數(shù)量未達(dá)到?jīng)Q策樹分類的結(jié)果，因此決策樹分類對林地的識別結(jié)果相對較差；5種方法對于耕地的識別結(jié)果接近，耕地主要在庫尾分布較多；支持向量機(jī)分類、神經(jīng)網(wǎng)絡(luò)分類和最大似然法分類對草地的識別結(jié)果接近，草地分布較廣，而最小距離法分類和決策樹分類識別的草地較少；有明顯特征的是，決策樹分類將原本是草地的區(qū)域劃分為裸地和林地，由此體現(xiàn)了單一波段閾值對影像分類總體結(jié)果的影響，因此在進(jìn)行決策樹分類時(shí)應(yīng)該綜合考慮多波段的影響。

為進(jìn)一步對不同分類方法的地類識別結(jié)果進(jìn)行分析，本研究對5種分類方法下林地、耕地和草地識別的面積，以及該地類在研究區(qū)內(nèi)的占比進(jìn)行統(tǒng)計(jì)，計(jì)算結(jié)果見表3。從表3中可以看出，不同分類方法對于林地識別的差異最為顯著，高值達(dá)62.18 km2（決策樹分類），低值僅有36.89 km2（最小距離法分類）；耕地的統(tǒng)計(jì)結(jié)果較為接近，且耕地和林地的面積相近；草地的面積較大，除決策樹分類外，其他分類方法識別的草地面積均超過300 km2。不同分類方法下所識別的林地、耕地、草地的面積存在一定差異，但是總體占比情況接近。

3.4" 分類精度驗(yàn)證

3.4.1" 總體分類精度對比

本研究采用混淆矩陣的方式進(jìn)行精度驗(yàn)證，通過計(jì)算總體分類精度和Kappa系數(shù)，對5種分類方法下的分類結(jié)果進(jìn)行總體精度評判，計(jì)算結(jié)果見表4。從表4中可以看出最大似然法分類的分類精度最高，總體分類精度為93.308 4%，Kappa系數(shù)為0.838 7，其次為神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類，最小距離法分類和決策樹分類的精度較低。

3.4.2" 不同地類的分類精度對比

本研究重點(diǎn)關(guān)注當(dāng)?shù)仄毡榇嬖诓⒖赡苁艿剿娬窘ㄔO(shè)影響的林地、耕地和草地3種地類的分類精度，對這3種地類分類影像的生產(chǎn)者精度和用戶精度進(jìn)行計(jì)算，分析不同地類的錯(cuò)分率和漏分率，計(jì)算結(jié)果見表5。由于林地像元較少，且分布的空間特征并不明顯，因此5種分類方法下林地的識別結(jié)果誤差率通常較耕地和草地高。從表5中可以看出，林地和耕地在決策樹分類方法下的生產(chǎn)者精度最高，草地在神經(jīng)網(wǎng)絡(luò)分類方法下的生產(chǎn)者精度最高。此外，林地在最大似然法分類方法下的用戶精度最高，耕地在支持向量機(jī)分類方法下的用戶精度最高，草地在決策樹分類方法下的用戶精度最高。可見，相較于其他分類方法，決策樹分類具有較高的錯(cuò)分率和較低的漏分率。

3.5" 分類影像校正

對不同分類方法的分類結(jié)果進(jìn)行精度校正：采用最大似然法分類方法對林地識別結(jié)果進(jìn)行校正，采用神經(jīng)網(wǎng)絡(luò)分類方法對耕地識別結(jié)果進(jìn)行校正，采用支持向量機(jī)分類方法對草地識別結(jié)果進(jìn)行校正；倘若在影像校正過程中存在某區(qū)域被識別為兩種以上土地利用類型，則劃定該區(qū)域?yàn)閱栴}像元；結(jié)合實(shí)地考察結(jié)果和土地利用參考資料對問題像元進(jìn)行校正，通過權(quán)重賦予的形式區(qū)分該地類，識別的最終結(jié)果見圖6。利用實(shí)測的樣本數(shù)據(jù)對該分類結(jié)果進(jìn)行精度評判，得到的總體分類精度為97.12%，Kappa系數(shù)為0.948 5，說明該分類影像可以反映羊曲水電站陸生生態(tài)影響區(qū)域的土地利用情況。

此外，本研究對遙感解譯結(jié)果進(jìn)行了統(tǒng)計(jì)，綜合考慮實(shí)地情況、土地利用參考資料、遙感應(yīng)用指數(shù)和不同分類方法的影響，得到的土地利用分類中林地面積為40.33 km2，占研究區(qū)總面積的8.37%，耕地面積為38.55 km2，占研究區(qū)總面積的8.00%，草地面積為361.37 km2，占研究區(qū)總面積的74.99%，計(jì)算結(jié)果見表6。

4" 結(jié)論

采用現(xiàn)場實(shí)地調(diào)研和遙感影像解譯等方式開展了羊曲水電站陸生生態(tài)影響區(qū)域土地利用類型的識別解析技術(shù)研究，結(jié)合實(shí)地考察數(shù)據(jù)、土地利用參考資料、遙感應(yīng)用指數(shù)解析了研究區(qū)內(nèi)的土地利用類型，對比不同分類方法的識別精度，核算區(qū)域內(nèi)林地、耕地和草地面積。采用最大似然法分類、神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類的方法分別對林地、耕地和草地的識別結(jié)果進(jìn)行校正，并對多重判別的問題像元進(jìn)行歸類，得到羊曲水電站陸生生態(tài)影響區(qū)域內(nèi)的土地利用情況。對最終分類的影像進(jìn)行統(tǒng)計(jì)，得到羊曲水電站陸生生態(tài)影響區(qū)域內(nèi)林地、耕地、草地面積分別為40.33、38.55、361.37 km2。本研究成果科學(xué)解析了羊曲水電站建設(shè)影響區(qū)域內(nèi)的土地利用情況，能為工程建設(shè)所帶來的環(huán)境影響分析提供科學(xué)支持，為區(qū)域可持續(xù)發(fā)展提供有力幫助。

［參考文獻(xiàn)］

［1］ 張?jiān)品?基于新能源發(fā)電的水力發(fā)電技術(shù)研究［J］.節(jié)能與環(huán)保，2023（9）：47-49.

［2］ 馬瑤瑤，史培軍，徐偉，等.干旱區(qū)水電站建設(shè)運(yùn)營生態(tài)環(huán)境影響遙感監(jiān)測［J］.干旱區(qū)研究，2023，40（9）：1498-1508.

［3］ 劉文，李鵬.以生態(tài)能源新模式促進(jìn)黃河流域能源產(chǎn)業(yè)高質(zhì)量發(fā)展［J］.科技中國，2020（12）： 23-26.

［4］ 邱興春，夏豪.烏江下游水電開發(fā)對陸生生態(tài)系統(tǒng)影響分析評價(jià)［J］.環(huán)境監(jiān)控與預(yù)警，2023，15（4）：92-96.

［5］ 黃鵬程，張明明，王新宇，等.基于Landsat-8 OLI的西安市土地利用類型遙感分類研究［J］.測繪與空間地理信息，2020，43（1）：85-88，92.

［6］ 陳學(xué)兄，常慶瑞，畢如田，等.基于山地植被指數(shù)估算臨縣植被覆蓋度［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2020，28（2）：310-320.

［7］ 魏向祎，孔令然，肖磊.基于決策樹的京津冀地區(qū)Landsat圖像分類［J］.現(xiàn)代信息科技，2023，7（5）：41-44.

［8］ 肖博林.基于支持向量機(jī)的高光譜遙感影像分類［J］.科技創(chuàng)新與應(yīng)用，2020（4）：22-24.

［9］ WANG Ming，SHE Anqi，CHANG Hao，et al.A deep inverse convolutional neural network-based semantic classification method for land cover remote sensing images［J］.Scientific Reports，2024，14： 7313.

［10］ 劉煥軍，楊昊軒，徐夢園，等.基于裸土期多時(shí)相遙感影像特征及最大似然法的土壤分類［J］.農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：132-139.

［11］ 華鍵，岳東，李柏霖，等.基于多源遙感影像的植被提取方法對比研究［J］.江西農(nóng)業(yè)學(xué)報(bào)，2023，35（6）：177-185，199.

［12］ 云露洋，金文德.基于決策樹分類的土地沙化遙感識別：以內(nèi)蒙古巴彥淖爾市臨河區(qū)為例［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（4）：20-24.

［13］ 祁佳峰，郭鵬，徐權(quán)，等.基于Sentinel-2A遙感影像的棉花種植信息提取研究［J］.測繪與空間地理信息，2023，46（8）：85-88，92.

［14］ 韋怡.基于Sentinel-2多光譜遙感影像的森林沼澤信息提取及精度評價(jià)［J］.山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，54（4）：490-494.

收稿日期： 2024-09-01

基金項(xiàng)目： 國家自然科學(xué)基金項(xiàng)目（32071523）；青海省重大科技專項(xiàng)（2021-SF-A7-2）

第一作者： 胡一棟（1967—），男，陜西柞水人，高級工程師，碩士，主要從事水電開發(fā)建設(shè)與管理工作。

通信作者： 劉建（1978—），男，山東萊蕪人，教授，博士，主要從事濕地生態(tài)學(xué)和生態(tài)影響評價(jià)研究。

E-mail： ecology@sdu.edu.cn

（責(zé)任編輯" 李楊楊）