基于多特征组合优选与随机森林算法的石漠化信息提取——以云南省昭通市为例.pdf

摇第 22 卷摇 第 1 期2024 年 2 月中 国 水 土 保 持 科 学Science of Soil and Water ConservationVol.22摇 No.1Feb.2024DOI:10.16843/j.sswc.2022187基于多特征组合优选与随机森林算法的石漠化信息提取 以云南省昭通市为例刘字呈1,陈国坤1,2,3覮,温庆可3,易摇 玲3,赵晶晶1(1.昆明理工大学国土资源工程学院,650093,昆明;2.云南省教育厅高原遥感重点实验室,650093,昆明;3.中国科学院空天信息创新研究院,100101,北京)摘要:石漠化是我国西南地区最主要的地质生态灾害之一,其引发的土地资源丧失、生态系统退化、干旱缺水等问题严重威胁着地区的生态安全、粮食安全和不发生规模性返贫。因此精确提取石漠化信息对区域经济社会持续发展至关重要。针对当前石漠化信息提取中存在的时相单一、时效性差、区域尺度提取结果精度低等问题,以云南省昭通市为例,提出一种多特征组合优选的分类方法。在优选样本和特征的基础上,利用 Sentinel2 影像和 DEM 数据提取光谱、指数、植被覆盖度、基岩裸露率、纹理、地形等多特征,构建 5 种分类方案,并采用随机森林分类算法完成提取。结果表明:2020 年昭通市石漠化土地面积为 2 820 km2,占全市土地利用/覆被面积的 11郾 11%,分类结果与实地调查区域一致性较好;利用 Jeffries鄄Matusita distance(JM 距离)得到的特征优选方案总体精度为 88郾 0%,Kappa 系数为 0郾 85,石漠化土地生产者精度和用户精度分别达到 91郾 2%和 83郾 8%。本研究提出的方法能够较为准确地获取区域尺度石漠化空间分布信息,可为相关部门开展石漠化防治与监测工作提供参考。关键词:Sentinel2;石漠化;随机森林算法;特征优选;Google Earth Engine(GEE)中图分类号:TP75文献标志码:A文章编号:2096鄄2673(2024)01鄄0095鄄11引用格式:刘字呈,陈国坤,温庆可,等.基于多特征组合优选与随机森林算法的石漠化信息提取 以云南省昭通市为例J.中国水土保持科学,2024,22(1):95-105.LIU Zicheng,CHEN Guokun,WEN Qingke,et al.Ex鄄traction of rocky desertification information based on multi鄄feature combination optimization and random forest algorithm:Acase study of Zhaotong city in Yunnan provinceJ.Science of Soil and Water Conservation,2024,22(1):95-105.收稿日期:2022 09 02摇 修回日期:2023 02 18项目名称:云南省基础研究计划“高原山区土地利用变化对区域水土流失影响的定量评估冶(202101AU070161)第一作者简介:刘字呈(1998),男,硕士研究生。主要研究方向:遥感图像处理与信息分析。E鄄mail:liuzc 覮 通信作者简介:陈国坤(1989),男,博士,讲师。主要研究方向:资源与环境遥感。E鄄mail:chengk Extraction of rocky desertification information based on multi鄄featurecombination optimization and random forest algorithm:A case study of Zhaotong city in Yunnan provinceLIU Zicheng1,CHEN Guokun1,2,3,WEN Qingke3,YI Ling3,ZHAO Jingjing1(1.Faculty of Land Resource Engineering,Kunming University of Science and Technology,650093,Kunming,China;2.Key Laboratory of Plateau Remote Sensing,Yunnan Provincial Department of Education,650093,Kunming,China;3.Aerospace Information Research Institute,Chinese Academy of Sciences,100101,Beijing,China)Abstract:Background Rocky desertification is one of the most important geo鄄ecological disasters insouthwestern China.It causes land resources loss,ecosystem degradation,drought and water shortage,which seriously threatens the ecological balance,food security and the absence of large鄄scale return to摇中国水土保持科学2024 年poverty in southwest China.Accurate extraction of rock desertification information is crucial to thesustainable development of regional economy and society.Methods Aiming at the problems such assingle temporal phase,poor timeliness and low accuracy of regional scale extraction results in the currentrocky desertification information extraction,this study took Zhaotong city of Yunnan as an example byproposing an optimized classification method incorporating multi鄄features.Based on the preferentialselection of samples and features,the multiple features such as spectra,indices,fractional vegetationcover,bedrock exposure rate,texture and topography were extracted using Sentinel-2 imagery and DEMdata,and five classification schemes were constructed,as well as the extraction was completed using therandom forest classification algorithm.Results 1)When the Jeffries鄄Matusita(JM)distance algorithmwas applied to evaluate separability of input features,the input features with the maximum average JMdistance were BSI and Albedo,followed by TF1and slope,and the input features with the minimumaverage JM distance were B6 and B8.For rocky desertification land and other land cover types,slope,TF1,BSI and Albedo had JM distance greater than 1郾 9,indicating a significant effect on theclassification accuracy.2)The importance of all input features was analyzed by the forest classificationalgorithm.The slope feature contributed the most to the classification accuracy,followed by the texturefeature TF1,NDVI and BSI,and the contribution of B4 and B6 bands in the spectral feature wasrelatively small.3)In the case of the same number and distribution of sample points,compared with theother four classification schemes,the overall accuracy(OA)of the feature selection scheme obtained byusing JM distance was 88郾 0%,and the Kappa coefficient was 0郾 85.The producer accuracy(PA)anduser accuracy(UA)of rocky desertification land reached 91郾 2%and 83郾 8%,respectively.Finally,therocky desertification land area of Zhaotong in 2020 was 2 820 km2,accounting for 11郾 11%of the totalland area of the region.The classification results were also in good agreement with the field survey area.Conclusions In this study,the input samples and characteristics are optimized by combining land useand land cover data and JM distance algorithm respectively,which effectively improves the phenomenonof misclassification,omission and large error in the fractured area of rocky desertification distribution inplateau mountainous areas.By the method proposed in this study,high classification accuracy at regionalscale can be achieved,which provides reference for relevant departments to carry out rocky desertificationprevention and monitoring.Keywords:Sentinel-2;rocky desertification;random forest algorithm;feature optimization;GoogleEarth Engine(GEE)摇 摇 石漠化是指在潜在自然因素和人类不合理活动共同作用下,自然植被景观被严重破坏,土地生产力急剧下降,基岩大面积裸露,地表出现类似荒漠景观的极端土地退化现象1。石漠化地区基本意味着生存环境的丧失,由于耕地遭受破坏、粮食产量下降、生态系统功能退化,往往陷入自然灾害频发与经济衰退的恶性循环2。因此,精确获取石漠化信息对区域生态安全和经济社会持续发展具有重要意义。遥感是以电磁波和地球表面物质相互作用为基础,探测、分析和研究地球资源与环境,揭示地表各要素空间分布特征与时空变化规律的一门科学技术3,具有大面积同步观测、时效性强、受人为干扰小等优势,已成为石漠化信息提取的重要手段。目前,国内外学者针对石漠化问题,从提取方法4 7、演变特征8 9、驱动因素10 11等方面开展了大量研究并取得诸多成果。但由于研究视角、方法、区域差异等原因,多数研究仍存在以下不足:1)高精度研究空间范围较小,对大范围石漠化信息提取研究不够全面;2)影像时相、指标选择单一,未构建长时序数据对石漠化演变特征进行分析;3)石漠化区域影像阴影清晰,光谱混合现象严重,仅通过植被指数等光谱特征具有很大的局限性12。已有研究表明,引入纹理、地形等多特征进行提取分析,能够有效解决石漠化地区因地形复杂 而 导 致 提 取 精 度 不 足 的 问 题13,同 时69摇摇 第 1 期刘字呈等:基于多特征组合优选与随机森林算法的石漠化信息提取Sentinel 2 影像因其在时间、空间、光谱分辨上的优势,被广泛应用于农作物提取和地物分类中14。当前,以谷歌地球引擎(Google earth engine,GEE)为代表的云平台的出现,打破了传统遥感数据获取和预处理的方式,其强大的并行运算能力和海量在线遥感数据集为大区域、长时序、高时空分辨率遥感研究提供了新的思路15。针对复杂地形石漠化监测中存在的人工调查周期长、费时费力、分类特征单一、区域尺度提取结果精度低等问题,借助 GEE 平台、以 Sentinel2 影像作为主要数据源、结合 DEM 数据,提出一种基于多特征组合优选方案的石漠化信息提取方法,以期为石漠化防治提供理论参考和科学依据。图 1摇 研究区位置和高程Fig.1摇 Location and elevation of the study area1摇 研究区概况云南省昭通市(E 102毅52忆 105毅19忆,N 26毅55忆 28毅36忆)地处滇东北金沙江下游乌蒙山区腹地、四川盆地与云贵高原过渡地带(图 1),辖 9 县 1 市 1 区,行政区划面积 2郾 3 万 km2。境内地势西南高、东北低,最低海拔 267 m,最高4 040 m。受地形和季风影响,兼有高原、温带、亚热带 3 种气候特征,年均气温介于 11 21 益 之 间,年 均 降 雨 量 介 于 660 1 230 mm 之间。植被以亚热带针叶林、阔叶林、灌木林为主,区内土壤类型复杂多样,主要包括红壤、黄壤、棕壤、黄棕壤等。黄棕壤是主导土壤类型,广泛分布于昭通全境,黄壤主要分布在威信、镇雄一带,红壤集中分布在巧家、鲁甸县。典型的峰丛洼地地貌为石漠化形成和扩张提供了物质条件。石漠化较为严重的区域主要位于昭通市西南地区,其他区域均有分布。2摇 数据与方法2郾 1摇 影像数据Sentinel2 多光谱(multi spectral instrument,MSI)影像来源于 GEE 平台,该平台融合谷歌服务器提供的云计算能力以实现对庞大数据集的在线调用计算。Sentinel2 MSI 影像产品级别为经过正射校正和大气校正的 Level2A 级,空间分辨率为 10、20 和60 m。一颗卫星的重访周期为10 d,2 颗互补,重访周期为 5 d,其中 QA60 去云波段可有效去除山区多云、多雾天气造成的污染像元。研究区位于乌蒙山区腹地,局部地区海拔高度超过3 000 m,常年多云多雨,受云雨天气的影响,导致实际影像可用率低(含云量 90郾 0TF1;方案 4 在方案 3 的基础上加入 slope、aspect;方案 5 为以 JM 距离算法为基础的特征优选组合方案。同时,结合 3 套非同源土地覆被数据产品和Google Earth 影像对输入样本进行优化。最后,利用随机森林分类算法完成石漠化土地提取并进行精度评价,研究方法流程如图 2 所示。GLCM:Gray level co鄄occurrence matrix.PCA:Principal component analysis图 2摇 石漠化提取流程Fig.2摇 Flow chart of rocky desertification extraction摇2郾 4郾 1摇 特征选取1)波段特征。选择 Sentinel2 可见光波段 B2、B3、B4;红边波段 B5、B6、B7、B8A;近红外波段 B8;短波红外波段 B11 和短波红外波段 B12 共 10 个波段共同构成分类的波段特征。2)光谱指数。利用 GEE 平台计算以下光谱指数:归一化植被指数(normalized difference vegetationindex,NDVI,Indv)、增强型植被指数(enhanced vege鄄tation index,EVI,Iev)、归一化水体指数(normalizeddifference water index,NDWI,Indw)、归一化岩石指数(normalized differential rocky index,NDRI,Indr)、绿色叶绿素指数(green chlorophyll vegetation index,GCVI,Igcv)17、地表水体指数(land surface water in鄄dex,LSWI,Ilsw)18、裸土指数(bare soil index,BSI,Ibs)以及反照率(Albedo,Albedo(琢)19。各光谱指数具体计算公式及说明如表 2 所示。89摇摇 第 1 期刘字呈等:基于多特征组合优选与随机森林算法的石漠化信息提取表 2摇 光谱指数计算公式及特征说明Tab.2摇 Calculation formula and characteristic explanation of spectral indexes光谱指数Spectral index计算公式Calculation formula特征说明Feature description摇归一化植被指数 NDVI摇 Indv=(B8-B4)/(B8+B4)摇 反映植被生长状态 Reflecting vegetation growth status摇增强型植被指数 EVI摇 Iev=2郾 5 伊(B8-B4)/(B8+6 伊 B4-7郾 5 伊 B2+1)摇 反映植被冠层结构变化 Reflecting the changes of vegetationcanopy structure摇归一化水体指数 NDWI摇 Indw=(B3-B8)/(B3+B8)摇 增加水体边界提取能力 Increasing the extraction capacity ofwater boundary摇归一化岩石指数 NDRI摇 Indr=(B11-B8)/(B11+B8)摇 提高裸露岩石识别能力 Improving the recognition ability ofexposed rock摇绿色叶绿素指数 GCVI摇 Igcv=B8/B3-1摇 反映植被光合作用活性 Reflecting the photosynthetic activityof vegetation摇地表水体指数LSWI摇 Ilsw=(B8-B11)/(B8+B11)摇 反映植被冠层及土壤表层含水量 Reflecting the water con鄄tent of vegetation canopy and soil surface摇 裸土指数 BSI摇 Ibs=(B11+B4)-(B8+B2)/(B11+B4)+(B8+B2)摇 突出农业用地和非农业用地之间的区别,提高识别裸露土壤 和休耕地的能力 Highlighting the distinction between agricul鄄tural and non鄄agricultural land and improving the ability to identifybare soil and fallow land摇 反照率 Albedo摇 Albedo(琢)=(0郾 356 伊 B2)+(0郾 130 伊 B4)+(0郾 373 伊 B8)+(0郾 085 伊 B11)+(0郾 072 伊B12)-0郾 018)/1郾 016摇 通过地表吸收的辐射能量反映土壤水分和暴露状况 Re鄄flecting the soil moisture and exposure by surface absorption ofradiation energy摇 注:B2 为蓝光波段;B3 为绿光波段;B4 为红光波段;B8 为近红外波段;B11 为短波红外 1;B12 为短波红外 2。Notes:B2 is the blue band;B3is the green band;B4 is the red band;B8 is near鄄infrared band;B11 is shortwave infrared 1;and B12 is shortwave infrared 2.摇 摇 3)植被覆盖度和基岩裸露率。FVC 和 BER 均采用像元二分模型,以 NDVI 和 NDRI 作为中间指数进行计算。FVC 和 BER 计算式20分别为:Cfv=(Indv-Indvmin)(Indvmax-Indvmin);(1)Rbe=(Indr-Indrmin)(Indrmax-Indrmin)。(2)式中:Indvmax和 Indvmin分别为研究区内最大和最小的NDVI 值;Indrmax和 Indrmin分别为研究区内最大和最小的 NDRI 值。4)地形特征。利用 GEE 平台在线编辑代码,由DEM 计算坡度、坡向,作为波段共同参与分类。5)纹理特征。基于 GEE 提供的 GLCM 计算出研究区影像的 14 个纹理特征统计量。选择角二阶矩(angular second moment,ASM)、对比度(contrast,CONTRAST)、相关性(correlation,CORR)、熵(entro鄄py,ENT)、方差(variance,VAR)、逆差矩(inversedifference moment,IDM)、总和平均(sum average,SAVG)7 个纹理特征统计量,采用主成分分析,选择荷载比最高的 TF1作为最终参与分类的纹理特征。2郾 4郾 2摇 样本选择摇 根据研究区实际情况,将土地利用/覆被类型分为耕地、林地、草地、裸地、水体(河流、湖泊、水库等)、人造地表(建设用地、道路等)和石漠化土地 7 类。其中针对前 6 种地类,结合上述3 套土地覆被数据集进行样本选取,将 3 种数据产品分类一致的纯像元作为选择范围,在范围内随机、均匀选取;石漠化土地样本借助 Google Earth 影像,通过目视解译选取。石漠化土地样本点在选择过程中采用多限制条件组合的方式依据石漠化等级划分标准21,按照植被覆盖率(60%)以及坡度(18毅)3 个指标特征的综合信息来确保样本选择的准确性。最终,共选取样本数量为 5 009 个,其中水体 209 个、耕地 817 个,林地617 个、草地 718 个、裸地 659 个、人造地表 489 个、石漠化土地 1 500 个。所有满足条件的样本随机分为 70%和 30%,分别作为随机森林分类算法的训练样本和验证样本数据。2郾 4郾 3摇 Jeffries鄄Matusita 距离摇 在样本满足准确性、随机性和均匀性的前提下,采用 JM(Jeffries鄄Matus鄄ita)距离对不同输入特征的可区分性进行评价并以此来确定最佳特征组合。JM 距离 Jm的具体计算式22为Jm=2(1-e-B)。(3)99摇中国水土保持科学2024 年式中 B 为某一特征的巴氏距离(Bhattacharyya dis鄄tance)。Jm可表示特征间的可分离程度,其值在 0 2,值越大表示可分性越好。在特征满足正态分布的前提下,不同类别特征的巴氏距离 B23为B=18(e1-e2)22啄21+啄22+12(ln啄21+啄222啄21啄)22。(4)式中:ek为 k 类特征的均值;啄2k为 k 类特征的方差。2郾 4郾 4摇分类方法及精度评价摇随机森林是一种机器学习算法,具有预测几千个解释变量的能力。它以决策树为单元,将多个决策树聚合起来进行分类,可以对数量庞大的较高维数据进行分类16。与其他的分类算法相比,随机森林具有运算、训练速度快且不易过拟合的优点,并且算法内部暗含对每个指标分类效果的判别权重以突出利于分类的特征24。基于验证样本数据(图 3),采用混淆矩阵,计算总体精度(overall accuracy,OA)、生产者精度(pro鄄ducer accuracy,PA)、用户精度(user accuracy,UA)和 Kappa 系数 4 个评价指标对石漠化土地提取结果进行检验。其中 OA 和 Kappa 系数用来评价总体分精度,PA 和 UA 用来评价各土地覆被类型之间的错分、漏分误差。3摇 结果与分析3郾 1摇 特征优选结果为避免特征冗余对分类结果造成影响,采用 JM摇 摇 摇图 3摇 验证样本空间分布图Fig.3摇 Spatial distribution of validated samples距离算法对 26 个输入特征进行可分离性评价。计算训练数据集中每类样本点的均值和方差,得到不同输入特征下每种土地利用/覆被类型与石漠化土地之间的 JM 距离(表 3),最终依据 JM 距离均值大小优选 14 个特征构建方案 5。由表3 中可见,在14 个输入特征中,平均 JM 距离最大对应的输入特征是 BSI、Albedo,其次是 TF1和 slope,平均 JM 距离最小时对应的输入特征是 B6和 B8。石漠化土地与水体、林地、耕地、人造地摇 摇 摇表 3摇 不同输入特征下各地类与石漠化土地之间的 JM 距离Tab.3摇 JM distance between different input characteristics and rocky desertification序号OrderNo.输入特征Inputfeature水体Waterbodies林地Forest耕地Cultivatedland草地Grassland人造地表Artificialsurfaces裸地Bareland平均 JM 距离Average JMdistance1BSI1郾 9301郾 9851郾 9421郾 9181郾 9461郾 9381郾 9402Albedo1郾 9231郾 9611郾 9381郾 9531郾 9471郾 9271郾 9403TF11郾 8801郾 9001郾 9201郾 9301郾 9401郾 8701郾 9004Slope1郾 9001郾 8401郾 8001郾 8801郾 8401郾 8201郾 8405B121郾 7041郾 9771郾 8331郾 7941郾 8631郾 7201郾 8206NDRI1郾 7921郾 8101郾 8241郾 7561郾 8831郾 8101郾 8137B111郾 6841郾 9661郾 8011郾 7791郾 8201郾 7531郾 8008FVC1郾 7501郾 8341郾 7801郾 7251郾 8311郾 8241郾 8009NDVI1郾 7491郾 8111郾 7981郾 7461郾 8201郾 8071郾 78910B21郾 7401郾 7201郾 7701郾 8301郾 8301郾 7801郾 78011B41郾 6901郾 7401郾 8601郾 7601郾 8201郾 7201郾 77012BER1郾 7491郾 8111郾 7951郾 7241郾 8191郾 7411郾 77013B61郾 7101郾 8701郾 7001郾 7801郾 7701郾 7201郾 76014B81郾 7101郾 9001郾 7001郾 7701郾 7601郾 7101郾 760001摇摇 第 1 期刘字呈等:基于多特征组合优选与随机森林算法的石漠化信息提取表以及裸地分离度最高时对应的输入特征是 BSI;与草地分离度最高和最低时对应的输入特征分别是Albedo 和 BER;综合来看,石漠化土地与其他土地覆被类型 JM 距离在 1郾 9 以上的输入特征(slope、TF1、BSI 和 Albedo)对分类精度提升效果较显著,其他输入特征对分类精度提升也能够起到积极作用。3郾 2摇 不同分类方案精度对比5 种方案分类精度如表 4 所示,可以看出不同特征组合得到的分类精度存在一定差异。方案 1 中石漠化土地的 PA 和 UA 均未达到 85%,说明仅靠光谱特征与指数特征并不能够有效提取石漠化土地。方案 3 在方案 2 的基础上加入基于 GLCM 和PCA 提取的纹理特征后,其总体分类精度和 Kappa系数相比于方案 1 分别提高 4郾 3%和 0郾 05,其中石漠化土地的 PA 和 UA 分别提高 1郾 7%和 5郾 8%,说明纹理特征能够有效减少石漠化土地与其他地类之间的混分现象。方案 4 在方案 3 的基础加入地形特征后,总体精度和 Kappa 系数分别提高 4%和 0郾 04,其中石漠化土地的 PA 和 UA 相比于方案 3 分别提高 8郾 5%和 5郾 9%,说明地形特征能够显著提高石漠化土地的分类精度。方案 4 虽然能够得到较高的分类精度,但是参与分类的输入特征包括波段、光谱指数、纹理、地形等其他特征,存在特征冗余和运算量大的问题。方案 5 在方案 4 的基础上通过 JM 距离算法优选输入特征,不仅解决了特征冗余问题,且该方案的总体精度和 Kappa 系数分别达 88郾 0%和0郾 85。表 4摇 5 种不同分类方案精度统计Tab.4摇 Accuracy statistics of 5 different classification schemes%方案Scheme精度指标Accurancyindex石漠化土地Rockydesertificationland水体Waterbodies耕地Cultivatedland草地Grassland林地Forest人造地表Artificialsurfaces裸地Bare land总体精度OverallaccuracyKappa 系数Kappacoefficients1PA81郾 1100郾 081郾 270郾 770郾 685郾 382郾 2UA72郾 197郾 978郾 581郾 784郾 180郾 287郾 679郾 40郾 752PA80郾 096郾 182郾 570郾 075郾 876郾 391郾 4UA76郾 8100郾 078郾 578郾 080郾 081郾 384郾 680郾 80郾 763PA82郾 896郾 183郾 171郾 077郾 875郾 991郾 8UA77郾 999郾 081郾 080郾 479郾 284郾 084郾 183郾 70郾 804PA91郾 395郾 778郾 790郾 476郾 489郾 093郾 3UA83郾 8100郾 085郾 791郾 687郾 989郾 490郾 087郾 70郾 845PA91郾 295郾 780郾 089郾 676郾 989郾 592郾 7UA83郾 8100郾 091郾 787郾 187郾 187郾 990郾 588郾 00郾 853郾 3摇 最佳决策树数量和特征重要性随机森林分类算法中最佳决策树的获取不仅能够提高分类精度而且可以减少不必要的计算量。针对方案 5 将决策树起始数量设置为 10,终止数量设置为 200,以 10 为步长执行循环迭代,最后得到分类精度与决策树数量点线图(图 4),可以看出,决策树在 10 40 棵时,分类精度不断升高,40 80 棵时分类精度产生波动,80 棵时分类精度达到最大值,因此决策树最优值设置为 80 棵。对方案 5 中参与随森林分类的所有输入特征进行重要性分析(图 5),可以看出,坡度特征对分类精度贡献最大,其次是纹理特征 TF1、NDVI 和 BSI,光谱特征中 B4 和 B6 波段贡献相对较小。图 4摇 决策树数量与分类精度关系Fig.4摇 Relationship between number of decision treesand classification accuracy101摇中国水土保持科学2024 年图 5摇 输入特征对分类精度的重要性排序Fig.5摇 Importance ranking of input feature to classificationaccuracy3郾 4摇 多特征优选组合的石漠化提取表 5 为多特征优选组合的方案 5 精度评价混淆矩阵,可以看出:1)草地的分类精度相对较低,同时草地、林地和裸地与石漠化土地之间存在混分现象,主要是因为植被覆盖度在同一年不同季节都会表现出明显差异,筛选到的可用影像时间范围集中在15 月的旱季,这一时期研究区植被生长状态较差,易将草地误认为石漠化土地,导致样本点误选,造成混分;2)除草地外,其他土地覆被类型的 PA 值均在 80%以上,其中石漠化土地、水体、裸地的 PA能够达到 90%以上。水体、林地、耕地、草地、人造地表以及裸地的 UA 都在 87%以上,能够取得较好的分类结果;3)对于方案 5,总体分类精度 为88郾 0%,Kappa 系数为 0郾 85,石漠化土地的 PA 和摇 摇 摇 摇表 5摇 方案 5 精度评价混淆矩阵Tab.5摇 Precision evaluation confusion matrix of scheme 5类别石漠化土地Rockydesertification land水体Waterbodies林地Forest耕地Cultivatedland草地Grassland人造地表Artificialsurfaces裸地Bareland石漠化土地Rocky desertification land690020031014水体 Water bodies09000031林地 Forest5402337200耕地 Cultivated land10016349371草地 Grass land64031626800人造地表 Artificial surfaces0007020318裸地 Bare land5002114307生产者精度 Producer accuracy/%91郾 295郾 780郾 089郾 676郾 989郾 592郾 7用户精度 User accuracy/%83郾 8100郾 091郾 787郾 187郾 187郾 990郾 5总体精度 Overall accuracy/%88郾 0Kappa 系数 Kappa coefficient0郾 85UA 均能够达到 80%以上,满足分类精度要求。摇 摇 图 6a 显示由方案 5 提取的昭通市石漠化总体空间分布情况。空间上,石漠化土地广泛分布于除昭通东北部以外的地区,且在巧家和鲁甸一带较为集中,全区石漠化土地面积为 2 820 km2。分类结果图 6b 显示,林地、耕地和草地面积分别占所有土地利 用/覆 被 类 型 面 积 的 43郾 98%、31郾 09%和23郾 07%,石漠化土地面积占 11郾 11%,位于第四位,反映出研究区石漠化严重程度。从图 6c 中可以看出,巧家县杨家坪村、龙潭村附