基于多分類(lèi)器集成的土地覆蓋分類(lèi)及預(yù)測(cè)研究

摘要：【目的】為發(fā)揮不同單分類(lèi)器各自的優(yōu)勢(shì)進(jìn)而采用集成學(xué)習(xí)方式提高土地覆蓋分類(lèi)精度，據(jù)此比較不同土地覆蓋變化模擬模型性能從而執(zhí)行最優(yōu)的土地覆蓋變化預(yù)測(cè)，為土地資源合理開(kāi)發(fā)與利用決策制定提供參考。【方法】基于南京市江寧區(qū)2000、2010和2020年的Landsat TM/OLI影像，結(jié)合研究區(qū)實(shí)際定義了水體、建筑、林地、草地、耕地和未利用地等6種土地覆蓋分類(lèi)體系，在測(cè)試了最大似然法、馬氏距離法、最小距離法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等基分類(lèi)器性能基礎(chǔ)上，采用隨機(jī)森林和證據(jù)理論2種不同的集成學(xué)習(xí)方法對(duì)5種基分類(lèi)器的分類(lèi)結(jié)果進(jìn)行集成，比較了集成性能后構(gòu)建了最終的土地覆蓋分類(lèi)結(jié)果。然后，基于2000和2010年的最優(yōu)集成土地覆蓋分類(lèi)圖，運(yùn)用CA-Markov、PLUS和ANN-CA模型分別對(duì)2020年研究區(qū)的土地覆蓋格局進(jìn)行模擬，并將不同的模擬結(jié)果與2020年真實(shí)集成分類(lèi)結(jié)果進(jìn)行了空間一致性檢驗(yàn)，以此確定土地覆蓋變化預(yù)測(cè)的最佳模型并用其預(yù)測(cè)2030年江寧區(qū)的土地覆蓋模式?！窘Y(jié)果】在單分類(lèi)器分類(lèi)結(jié)果中，2000年支持向量機(jī)算法取得了最佳分類(lèi)效果，總體精度達(dá)到了88.75%，Kappa系數(shù)為0.77；2010年神經(jīng)網(wǎng)絡(luò)方法表現(xiàn)最佳，總體精度為88.75%，Kappa系數(shù)為0.83；2020年最大似然法取得了最佳分類(lèi)效果，總體精度為82.75%，Kappa系數(shù)為0.74。在2種集成方法中，隨機(jī)森林在2000年取得了最佳集成分類(lèi)效果，總體精度和Kappa系數(shù)分別為91.25%和0.85；證據(jù)理論在2010年取得了最佳集成效果，總體精度和Kappa系數(shù)分別為90.80%和0.86；隨機(jī)森林在2020年取得了最佳集成效果，總體精度和Kappa系數(shù)分別為93.75%和0.91。就土地覆蓋預(yù)測(cè)而言，PLUS模型獲得了98.54%的空間一致性。根據(jù)PLUS模型預(yù)測(cè)2030年土地覆蓋結(jié)果可知，江寧區(qū)各土地覆蓋類(lèi)型變化較小，建設(shè)用地略有擴(kuò)張但范圍有限，耕地稍減少但在可控范圍內(nèi)。林地、草地和未利用地變化較小，水體面積相對(duì)減少。【結(jié)論】恰當(dāng)?shù)募刹呗阅苊黠@改進(jìn)土地覆蓋分類(lèi)精度，合適的、適應(yīng)局部土地利用狀態(tài)和政策調(diào)控的預(yù)測(cè)模型可有效預(yù)測(cè)區(qū)域未來(lái)土地覆蓋分布模式，它們能為區(qū)域土地利用、城市管理決策等提供更可靠的方法和數(shù)據(jù)支持。

關(guān)鍵詞：Landsat 影像；地表特征；土地覆蓋分類(lèi)；集成學(xué)習(xí)；土地覆蓋變化模擬

中圖分類(lèi)號(hào)：S73；TP75"""""" 文獻(xiàn)標(biāo)志碼：A開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）05-0255-12

Land cover classification and prediction based on multiple classifier ensemble learning

JIANG Lufan1， SU Huiyi1， ZHANG Yin1， LIU Qinqin1， ZHANG Xiaowei2， LI Mingshi1

（1. Co-Innovation Center for Sustainable Forestry in Southern China， College of Forestry and Grassland， Nanjing Forestry University， Nanjing 210037， China; 2. Zhejiang Forest Resources Monitoring Centre， Zhejiang Forestry Survey Planning and Design Company Limited， Hangzhou 310020， China）

Abstract： 【Objective】This study aims to exert the" respective advantages of individual base classifiers， different ensemble learning strategies were tested in the present study to improve the final land cover classification accuracy. On this basis， different land cover change simulation models were implemented and compared to obtain more accurate land cover projection results to provide references for formulating decisions of rational development and utilization of land resources in the future.【Method】Based on the Landsat Thematic Mapper （TM）/Operational Land Imager （OLI） images acquired in 2000， 2010" and 2020 covering Jiangning District of Nanjing City， the classification scheme， including water body， built-up land， forest land， grass land， crop land" and unused land， was defined by referring to relevant industry standards and the actual conditions of the study area. The land cover classification performances of five base classifiers， including the Maximum Likelihood Classifier， Mahalanobis Distance Classifier， Minimum Distance Classifier， Neural Network， and Support Vector Machine（SVM） Classifiers， were implemented and quantitatively evaluated， followed by an integrated combination of the five individual classification results using the" random forest algorithm and Dempster-Shafer （D-S） evidence theory. The final integrated classifications in 2000， 2010" and 2020 with higher overall accuracy were created after comparing the respective ensemble performances of the two algorithms. Based on the optimal integrated land cover classification maps in 2000 and 2010， the cellular automata （CA）-Markov model， PLUS model， and artificial neural network （ANN）-CA model were used to predict the land cover pattern of 2020 in the study area， and the prediction results of different models were compared with the real integrated classification results in 2020 to derive a spatial agreement index， determine the best model for land cover change simulation， and generate the projected land cover pattern of 2030 in Jiangning District.【Result】An independent validation showed that for a single base classifier， SVM algorithm achieved the best classification effect in 2000， with an overall accuracy at 88.75% and a Kappa coefficient of 0.77. In 2010， the neural network algorithm obtained the best classification effect， with an overall accuracy of 88.75% and a Kappa coefficient of 0.83. In 2020， the maximum likelihood algorithm had the best classification effect， with an overall accuracy of 82.75% and a Kappa coefficient of 0.74. Regarding the two ensemble methods， the random forest algorithm achieved the best integrated classification effect in 2000， with an overall accuracy of 91.25% and a Kappa coefficient of 0.85. The evidence theory process achieved the best integrated classification effect in 2010， with an overall accuracy and Kappa coefficient of 90.80% and 0.86， respectively. Moreover， the random forest algorithm achieved the best integrated classification effect in 2020， with an overall accuracy and Kappa coefficient of 93.75% and 0.91， respectively. Regarding land cover prediction， the PLUS model obtained a spatial agreement measure of 98.54%， outperforming the CA-Markov and ANN-CA models.According to the optimal prediction results in 2030 made by the PLUS model， there was a slight expansion of built-up land， but the extent was limited. The areal reduction in cropland was observed but within a controllable range. The changes in forest， grassland， and unused land were slight， while the water body was decreased.【Conclusion】Overall， the present study demonstrated that proper assemble learning strategies produce more accurate land cover classifications in contrast to a single base classifier. In addition， a suitable land cover change prediction or simulation model that adapts to local land use status and policy regulations effectively predicts the future land cover classification pattern. Thus， these strategies provide more reliable methods and data support for the development of land use and urban management decisions.

Keywords：Landsat imagery; surface features; land cover classification; assemble learning; land cover change simulation

土地覆蓋變化的方向和強(qiáng)度對(duì)城市規(guī)劃[1]、土地管理[2]、環(huán)境保護(hù)[3]和農(nóng)業(yè)估產(chǎn)[4]等具有基礎(chǔ)性的支撐作用，其客觀體現(xiàn)了綜合土地利用模式和一般自然特征，對(duì)人類(lèi)社會(huì)的可持續(xù)發(fā)展具有重要指示意義[5]。利用精準(zhǔn)、時(shí)效性強(qiáng)的土地覆蓋數(shù)據(jù)，監(jiān)管部門(mén)能夠更清晰地認(rèn)識(shí)和評(píng)估土地資源利用現(xiàn)狀，從而制定出更有效、更有針對(duì)性的保護(hù)方案[6]。

傳統(tǒng)的土地覆蓋分類(lèi)主要依賴人工實(shí)地調(diào)查，此方法費(fèi)時(shí)費(fèi)力且時(shí)效性差，已無(wú)法滿足當(dāng)今大范圍土地資源的調(diào)查需求?；谟?jì)算機(jī)遙感圖像分類(lèi)算法進(jìn)行土地覆蓋分類(lèi)能夠顯著提高大地域土地覆蓋分類(lèi)效率及分類(lèi)結(jié)果時(shí)效性。目前主流算法包括基于經(jīng)典統(tǒng)計(jì)理論的最小距離法[7]、最大似然法等[8]，基于機(jī)器學(xué)習(xí)的支持向量機(jī)[9]、決策樹(shù)[10]和神經(jīng)網(wǎng)絡(luò)[11]等。然而由于先驗(yàn)知識(shí)缺乏、空間信息抽取能力不足、模型復(fù)雜度及訓(xùn)練數(shù)據(jù)不夠完善等因素[12]，這些方法在一定程度上容易造成錯(cuò)分、漏分的現(xiàn)象，導(dǎo)致分類(lèi)精度不總能滿足實(shí)際應(yīng)用需求[13]。近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，其在遙感影像分類(lèi)領(lǐng)域得到了一定程度的應(yīng)用[14-16]。但深度學(xué)習(xí)算法具有需要大量標(biāo)注訓(xùn)練數(shù)據(jù)、結(jié)果可解釋性低、算法執(zhí)行對(duì)計(jì)算機(jī)硬件要求高以及對(duì)操作者的技術(shù)挑戰(zhàn)度高等缺陷[17]，如何將之更科學(xué)合理應(yīng)用于土地覆蓋遙感分類(lèi)領(lǐng)域還需進(jìn)一步探索。

然而，基于多個(gè)分類(lèi)器結(jié)果的集成學(xué)習(xí)已成為提高影像分類(lèi)精度的一種有效解決方案[18]。集成學(xué)習(xí)通常是基于現(xiàn)有分類(lèi)算法的分類(lèi)結(jié)果，采用一定的組合策略對(duì)某一像元的類(lèi)別歸屬做出共同的決定，從而達(dá)到最終分類(lèi)效果大幅提升的目的[19]。比如，夏俊士等[20]詳細(xì)說(shuō)明了多分類(lèi)器組合方案：集成后的分類(lèi)器因結(jié)合了單分類(lèi)器的優(yōu)勢(shì)，突破了單一分類(lèi)器精度與效率方面的局限，提高了分類(lèi)結(jié)果的準(zhǔn)確性。王震[21]以Landsat OLI影像數(shù)據(jù)為基礎(chǔ)，使用基于樣本聚類(lèi)的分類(lèi)器篩選方法，篩選出用于集成的個(gè)體分類(lèi)器，并將其與投票法、最大概率類(lèi)別法和意見(jiàn)一致性原則3種集成策略進(jìn)行組合，形成一體化分類(lèi)框架。實(shí)驗(yàn)證明集成后分類(lèi)器的分類(lèi)精度要比單分類(lèi)器的分類(lèi)精度更高。龍飛等[22]基于高分二號(hào)遙感影像，

結(jié)合馬氏距離法、最大似然法和支持向量機(jī)3種分類(lèi)方法，通過(guò)Dempster Shafer工具實(shí)現(xiàn)多分類(lèi)器集成，對(duì)夾巖水利樞紐工程項(xiàng)目建設(shè)核心區(qū)進(jìn)行土地覆蓋分類(lèi)研究。Kumar等[23]研究表明，用于提取高光譜圖像的分層集成方法不僅產(chǎn)生了更優(yōu)越的分類(lèi)結(jié)果，而且高度的自動(dòng)化。Isaac等[24]使用Adaboosted Random Forest（ABRF）對(duì)多光譜衛(wèi)星或航空影像進(jìn)行土地覆蓋分類(lèi)研究，并通過(guò)優(yōu)化某一階段，以達(dá)到最佳性能。目前，有關(guān)多分類(lèi)器集成的研究主要集中在：添加輔助信息的分類(lèi)方法、改進(jìn)的集成分類(lèi)算法以及集成學(xué)習(xí)過(guò)程中權(quán)重選擇的不同方法等方面，不同集成策略在不同區(qū)域的應(yīng)用中的性能如何并未有統(tǒng)一的結(jié)論。

隨著城市化進(jìn)程的加快和居民生活水平的提升，土地資源承受了巨大的壓力，并引發(fā)了一系列生態(tài)環(huán)境問(wèn)題[25]。為此，對(duì)土地覆蓋模式進(jìn)行模擬及預(yù)測(cè)不僅可以探索土地覆蓋的規(guī)律和趨勢(shì)，還能為未來(lái)土地資源的合理利用、生態(tài)環(huán)境保護(hù)以及政府決策提供合理的數(shù)據(jù)支撐和科學(xué)的參考依據(jù)[26]。

因此，本研究以江蘇省南京市江寧區(qū)Landsat TM/OLI影像為數(shù)據(jù)源，綜合考慮光譜特征、紋理特征及地形特征等，在執(zhí)行5種單分類(lèi)器分類(lèi)基礎(chǔ)上，評(píng)價(jià)隨機(jī)森林和證據(jù)理論2種多分類(lèi)器集成算法在土地覆蓋分類(lèi)性能方面的差異，在此基礎(chǔ)上，采用3種模型模擬江寧區(qū)2020年的土地覆蓋分類(lèi)，將其與真實(shí)的土地覆蓋分類(lèi)進(jìn)行對(duì)比，選擇最優(yōu)模型預(yù)測(cè)江寧區(qū)2030年的土地覆蓋模式，以期為江寧區(qū)土地利用規(guī)劃、城市可持續(xù)管理等事務(wù)服務(wù)。

1 材料與方法

1.1 研究區(qū)概況

江寧區(qū)位于南京市中南部（118°31′～119°04′E，30°38′～32°13′N(xiāo)），南北長(zhǎng)57 km，東西寬33" km，總面積1 561 km2（圖1）。該區(qū)屬于亞熱帶溫濕氣候，四季分明，雨水豐沛，光照充足。江寧區(qū)東與句容市接壤，東南與溧水區(qū)毗連，南與安徽省當(dāng)涂縣銜接，西南與安徽省馬鞍山市相鄰，西與安徽省和縣及南京市浦口區(qū)隔江相望。江寧區(qū)地處長(zhǎng)江中下游平原，境內(nèi)地貌復(fù)雜，有山、有圩，丘陵和平原相間，因此被稱(chēng)為“六山一水三平原”。截至2020年，江寧區(qū)總面積、常住人口以及地區(qū)生產(chǎn)總值均列南京各區(qū)第一。

1.2 數(shù)據(jù)源及預(yù)處理

研究采用地理空間數(shù)據(jù)云（http：//www.gscloud.cn）提供的Landsat TM/OLI遙感影像，軌道號(hào)為120/038。選取了3個(gè)時(shí)期（2000、2010和2020年）的圖像，分類(lèi)所用的波段為7個(gè)多光譜波段但不包括熱紅外波段，空間分辨率為30 m。3期圖像的云覆蓋率分別為0%、0.09%、1.81%。圖像采集時(shí)間為夏秋季，該時(shí)期植被茂盛，能夠降低落葉植被對(duì)土地覆蓋變化監(jiān)測(cè)的影響，更有利于地類(lèi)解譯[27]。此外，采用對(duì)應(yīng)年份的Google Earth Pro的高分辨率歷史影像，結(jié)合已有的先驗(yàn)知識(shí)進(jìn)行目視解譯，以此獲取訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)集。分類(lèi)前，利用軟件ENVI 5.3對(duì)TM/OLI影像進(jìn)行預(yù)處理，包括輻射定標(biāo)、大氣校正和圖像裁剪等。

利用ENVI 5.3對(duì)TM/OLI影像進(jìn)行特征提取，包括歸一化植被指數(shù)（NDVI）、歸一化水體指數(shù)（NDWI），利用灰度共生矩陣GLCM提取紋理特征，以及根據(jù)原始影像中熱紅外波段導(dǎo)出的地表溫度數(shù)據(jù)（重采樣為30 m分辨率）。此外，結(jié)合30 m分辨率的數(shù)字高程模型（DEM）及其導(dǎo)出的坡度（slope）和坡向（aspect）信息，它們共同構(gòu)成了該研究區(qū)土地覆蓋分類(lèi)的潛在特征變量集[28]。

根據(jù)全國(guó)遙感監(jiān)測(cè)土地覆蓋分類(lèi)體系（一級(jí)分類(lèi)體系）標(biāo)準(zhǔn)，結(jié)合江寧區(qū)土地覆蓋特點(diǎn)及研究目的，將研究區(qū)土地覆蓋類(lèi)型劃分為水體、建設(shè)用地、林地、草地、未利用地和耕地共6種。

使用人工判讀的方式，結(jié)合谷歌地球（Google Earth Pro）高分辨率影像，采用隨機(jī)采樣并盡量保證樣本的空間分布均勻的方法對(duì)研究區(qū)內(nèi)水體、建設(shè)用地、林地、草地、未利用地和耕地6種地類(lèi)進(jìn)行訓(xùn)練樣本點(diǎn)選擇，共選取1 727個(gè)樣本。其中水體380個(gè)、建設(shè)用地474個(gè)、林地368個(gè)、草地79個(gè)、未利用地86個(gè)及耕地340個(gè)。另外，隨機(jī)確定一套獨(dú)立的驗(yàn)證樣本集用于評(píng)價(jià)分類(lèi)器的性能，隨機(jī)驗(yàn)證點(diǎn)分布圖見(jiàn)圖2。

1.3 試驗(yàn)方法

1.3.1 單分類(lèi)器的選擇

在集成分類(lèi)中，每個(gè)單分類(lèi)器都具有不同的重要性，其表現(xiàn)將直接影響到集成分類(lèi)的最終分類(lèi)結(jié)果。因此選擇適當(dāng)?shù)膯畏诸?lèi)器是影響組合分類(lèi)結(jié)果的關(guān)鍵[29]。選擇單分類(lèi)器的標(biāo)準(zhǔn)并非一成不變，可以任意選取，也可以根據(jù)總體分類(lèi)精度[30]，在選用時(shí)應(yīng)注意到每個(gè)單分類(lèi)器的特性[31]?？紤]到單分類(lèi)器應(yīng)該具有多樣性、獨(dú)立性及魯棒性等特點(diǎn)，本研究選取如下5種基分類(lèi)器：支持向量機(jī)（SVM）[32]、神經(jīng)網(wǎng)絡(luò)（NN）[33]、最小距離法（MinDC）[34]、最大似然法（MLC）[35]和馬氏距離法（MahDC）[34]作為集成算法的單分類(lèi)器。這些基分類(lèi)器的執(zhí)行均在軟件ENVI5.3中實(shí)現(xiàn)。

1.3.2 多分類(lèi)器集成

多分類(lèi)器集成是通過(guò)某種方式將多個(gè)個(gè)體學(xué)習(xí)器的分類(lèi)結(jié)果集成得出最終的分類(lèi)決策[36]。每個(gè)單分類(lèi)器都獨(dú)立進(jìn)行決策，從而實(shí)現(xiàn)并行集成。

1）隨機(jī)森林。隨機(jī)森林（random forests，RF）基于決策樹(shù)算法與集成學(xué)習(xí)，通過(guò)自主重采樣方法，對(duì)訓(xùn)練樣本進(jìn)行多個(gè)樣本集分類(lèi)，以構(gòu)建決策樹(shù)模型[37]。該方法能有效抑制過(guò)擬合，提高模型的泛化能力、預(yù)測(cè)精度與可解釋性。

隨機(jī)森林集成分類(lèi)的實(shí)現(xiàn)：基于R軟件平臺(tái)及Weka軟件中的決策樹(shù)模塊實(shí)現(xiàn)隨機(jī)森林集成學(xué)習(xí)算法。在該分類(lèi)算法中，當(dāng)N≥400時(shí)，各分類(lèi)器誤差趨于穩(wěn)定，因此不對(duì)其進(jìn)行剪枝。

2）D-S證據(jù)理論。Dempster-Shafer（D-S）證據(jù)理論起源于20世紀(jì)60年代，由Dempster與Shafer創(chuàng)立，它可以有效解決各種不確定、不完全及推理問(wèn)題[38]。

D-S證據(jù)理論概率的計(jì)算過(guò)程。①構(gòu)建辨識(shí)框架，即確定焦元：水體、建設(shè)用地、林地、草地、未利用地和耕地。②計(jì)算證據(jù)源的信任支持度：由每個(gè)分類(lèi)器的分類(lèi)結(jié)果，計(jì)算每一類(lèi)出現(xiàn)的概率，即計(jì)算每個(gè)單分類(lèi)器的基本概率矢量。③證據(jù)源組合計(jì)算（計(jì)算像元概率矩陣特征值）：使用Python計(jì)算出每個(gè)分類(lèi)器的特征值。④選擇概率最大者為像元所屬類(lèi)別。

算法實(shí)現(xiàn)。基于Python軟件平臺(tái)，通過(guò)gdal庫(kù)讀取和寫(xiě)入遙感影像數(shù)據(jù)，利用numpy數(shù)組進(jìn)行計(jì)算，使用ds_fusion融合數(shù)組，將其轉(zhuǎn)為tif格式，再分別計(jì)算像元的概率矩陣，運(yùn)用ds_evident_theroy實(shí)現(xiàn)對(duì)像元?dú)w屬類(lèi)別的判斷，最后將結(jié)果保存為tif格式。

1.3.3 分類(lèi)精度評(píng)價(jià)

影像分類(lèi)的精度評(píng)價(jià)是將分類(lèi)結(jié)果與標(biāo)準(zhǔn)參考圖像或參考數(shù)據(jù)分類(lèi)樣本進(jìn)行比較，并作出定量估計(jì)的過(guò)程。為保證準(zhǔn)確性，常采用誤差矩陣（混淆矩陣）來(lái)計(jì)算各種精度統(tǒng)計(jì)參數(shù)。筆者從混淆矩陣中選取總體分類(lèi)精度和Kappa系數(shù)，對(duì)不同分類(lèi)方法的分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)[39]。

1.3.4 土地覆蓋變化預(yù)測(cè)

1）CA-Markov模型。CA模型是一種基于離散空間和離散時(shí)間的模擬方法，用于描述和分析復(fù)雜系統(tǒng)的動(dòng)態(tài)行為。Markov模型是一個(gè)經(jīng)典的定量預(yù)測(cè)模型，是建立在“無(wú)后效性”基礎(chǔ)上的一種特殊的隨機(jī)過(guò)程，具有穩(wěn)健性的特點(diǎn)。CA-Markov模型結(jié)合元胞自動(dòng)機(jī)的局部更新規(guī)則和馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率，兼具靈活性和可解釋性[18]。

2）PLUS模型。PLUS模型主要由用地?cái)U(kuò)張分析策略模塊（LEAS）和基于多類(lèi)隨機(jī)斑塊種子的元胞自動(dòng)機(jī)模型（CARS）兩部分構(gòu)成。與其他模型相比，該模型具有較好的解釋性和較高的模擬精度[40]。用地?cái)U(kuò)張分析策略模塊（LEAS）可獲取各用地類(lèi)型的擴(kuò)張部分和發(fā)展概率[41]。多類(lèi)隨機(jī)斑塊種子的元胞自動(dòng)機(jī)模型（CARS），考慮發(fā)展概率和各土地利用數(shù)量的限制，以時(shí)空動(dòng)態(tài)模擬的方式自動(dòng)生成斑塊[42]。

3）ANN-CA模型。結(jié)合ANN的學(xué)習(xí)能力和CA的空間以及時(shí)間演化能力，為復(fù)雜的動(dòng)態(tài)系統(tǒng)建模提供了一種靈活而有效的方法。具有適應(yīng)性、預(yù)測(cè)能力和組合學(xué)習(xí)的優(yōu)勢(shì)[43]。具體參數(shù)設(shè)置：選擇建筑作為城市用地；訓(xùn)練數(shù)據(jù)70%，驗(yàn)證數(shù)據(jù)30%；迭代總次數(shù)為300次；隱藏層元胞數(shù)量為10；學(xué)習(xí)速率為0.05；阿爾法值默認(rèn)為1，轉(zhuǎn)換閾值為0.7。

1.3.5 預(yù)測(cè)結(jié)果的精度評(píng)價(jià)

將參考的實(shí)際土地覆蓋分類(lèi)數(shù)據(jù)與預(yù)測(cè)的土地覆蓋分類(lèi)數(shù)據(jù)進(jìn)行逐像元的比較，統(tǒng)計(jì)后計(jì)算兩個(gè)數(shù)據(jù)間的空間一致性。將數(shù)據(jù)導(dǎo)入Arcgis軟件中，運(yùn)用Spatial Analyst工具箱中的“等于”工具來(lái)計(jì)算結(jié)果的一致性：如果兩個(gè)柵格數(shù)據(jù)類(lèi)碼相同，輸出結(jié)果則為1，否則為0。再使用柵格計(jì)算器計(jì)算出所有1占總像元數(shù)的比率即為空間一致性。

2 結(jié)果與分析

2.1 單分類(lèi)器分類(lèi)結(jié)果及分析

各年份的各單分類(lèi)器的分類(lèi)結(jié)果如圖3—圖5所示，每年份的精度評(píng)價(jià)結(jié)果如表1所示。

從土地覆蓋分類(lèi)結(jié)果圖來(lái)看，耕地在江寧區(qū)土地覆蓋分類(lèi)中占主體地位，是江寧區(qū)面積占比最大的地類(lèi)。在2000—2020年，耕地面積呈現(xiàn)下降趨勢(shì)，至2020年（圖5），耕地主要分布在湯山、淳化、湖熟及橫溪等重點(diǎn)發(fā)展農(nóng)業(yè)的街道。2000年（圖3），林地面積占江寧區(qū)土地覆蓋面積的第2位，截至2020年其面積變化不大，主要集中在湯山、牛首山、方山等地，但由于建設(shè)用地?cái)U(kuò)張，林地面積占比下降到第3位。從圖4可以看出，2010年江寧區(qū)建設(shè)用地面積相比2000年有所增長(zhǎng)，由區(qū)中心向四周擴(kuò)散，但因區(qū)內(nèi)山脈阻隔，分布相對(duì)較為分散。至2020年（圖5），建設(shè)用地面積已經(jīng)躍居江寧區(qū)土地覆蓋類(lèi)型的第2位，主要分布在東山、淳化、秣陵、江寧及祿口等街道。草地和未利用地是面積占比最小的2種土地覆蓋類(lèi)型。水體主要以長(zhǎng)江過(guò)境水、秦淮河及其支流為主，面積變化不大。

從土地覆蓋分類(lèi)精度表（表1）來(lái)看，在單分類(lèi)器算法中，各個(gè)年份的精度各有不同，其中在2000年和2010年，SVM和NN的分類(lèi)精度最高，總體精度達(dá)到了87%以上，Kappa系數(shù)也達(dá)到了0.77及以上；在2000年，MinDC的總體精度只有68.25%，Kappa系數(shù)也只有0.53；在2010年，總體分類(lèi)精度最低的是MLC，只有71.25%，Kappa系數(shù)為0.60；而在2020年，MLC和NN兩種分類(lèi)算法對(duì)研究區(qū)的土地覆蓋分類(lèi)效果比其他幾種算法更好。MLC的總體分類(lèi)精度最高，為82.75%，Kappa系數(shù)為0.74；NN分類(lèi)精度次之，總體精度和Kappa系數(shù)分別為80.50%和0.71。不同年份分類(lèi)器的分類(lèi)精度有所差別，可能是因?yàn)樗褂玫?個(gè)年份的Landsat圖像在獲取月份上存在差異，這可能帶來(lái)一定程度的季相節(jié)律差異所引起的地物光譜偏移，從而使得同一分類(lèi)器在不同圖像上應(yīng)用時(shí)產(chǎn)生性能差別。另外，在不同年份圖像分類(lèi)時(shí)，分類(lèi)模型的參數(shù)設(shè)定并未完全統(tǒng)一，這也會(huì)導(dǎo)致不同的分類(lèi)模型在不同圖像間應(yīng)用時(shí)產(chǎn)生性能差別。

2.2 集成分類(lèi)結(jié)果及分析

所有集成分類(lèi)結(jié)果如圖6所示，對(duì)應(yīng)的獨(dú)立驗(yàn)證精度統(tǒng)計(jì)數(shù)字（表2）。

由表2可知，隨機(jī)森林和證據(jù)理論都在不同程度上提高了分類(lèi)的精度。其中，2000年，隨機(jī)森林取得了最佳的分類(lèi)精度，總體精度為91.25%，Kappa系數(shù)為0.85，比單分類(lèi)算法中分類(lèi)精度最高的SVM提高了2.50個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.08；在2010年，證據(jù)理論的總體精度最高，為90.80%，Kappa系數(shù)為0.86，比單分類(lèi)算法中分類(lèi)精度最高的NN算法提高了2.05個(gè)百分點(diǎn)，Kappa系數(shù)提高了0.03；在2020年，隨機(jī)森林算法的總體精度最高，為93.75%，比單分類(lèi)算法中分類(lèi)精度最高的MLC算法提高了11.00個(gè)百分點(diǎn)，Kappa系數(shù)提升至0.91，提高了0.17。

從表2可以發(fā)現(xiàn)，不同年份的集成結(jié)果精度有所不同，可能是由于不同年份的土地覆蓋數(shù)據(jù)集對(duì)不同的分類(lèi)器具有不同的適應(yīng)性，也有可能是因?yàn)椴煌募煞诸?lèi)器的魯棒性和適應(yīng)性各不相同，導(dǎo)致不同年份集成結(jié)果的精度各不相同。比如，證據(jù)理論集成時(shí)證據(jù)沖突、證據(jù)權(quán)重計(jì)算等結(jié)果不同從而導(dǎo)致其精度發(fā)生變化。但是，多分類(lèi)器集成能夠表現(xiàn)出比單分類(lèi)器更好的性能，多分類(lèi)器集成將各單分類(lèi)器的優(yōu)缺點(diǎn)進(jìn)行融合，取長(zhǎng)補(bǔ)短，從而達(dá)到更高的分類(lèi)精確率。

2.3 基于3種模型的土地覆蓋分類(lèi)預(yù)測(cè)與空間一致性分析

以研究區(qū)域的2000和2010年土地覆蓋集成分類(lèi)結(jié)果為基礎(chǔ)，采用CA-Markov模型、PLUS模型和ANN-CA模型分別預(yù)測(cè)研究區(qū)2020年土地覆蓋分類(lèi)，將其與2020年真實(shí)分類(lèi)圖（最優(yōu)集成分類(lèi)結(jié)果）進(jìn)行空間一致性分析，從而確定最優(yōu)的土地覆蓋變化預(yù)測(cè)模型。2020年真實(shí)的土地覆蓋分類(lèi)結(jié)果（圖7a）及3種預(yù)測(cè)模型所生成的2020年土地覆蓋分布模式見(jiàn)圖7b—7d。

2020年3種模型預(yù)測(cè)與真實(shí)分類(lèi)空間一致性對(duì)比見(jiàn)圖8。其中圖8a可見(jiàn)，CA-Markov模型具有69.83%的空間一致性；圖8c可見(jiàn)ANN-CA模型的空間一致性為69.37%；圖8b可見(jiàn)，PLUS模型的空間一致性為98.54%，是3種模型中預(yù)測(cè)精度最高的。因此，后續(xù)采用此模型對(duì)研究區(qū)未來(lái)土地覆蓋分類(lèi)結(jié)果進(jìn)行預(yù)測(cè)。

3種模型預(yù)測(cè)的精度相差較大，PLUS模型的預(yù)測(cè)精度最高，原因可能是：①PLUS模型的統(tǒng)計(jì)方陣和參數(shù)估計(jì)能夠更好地捕捉歷史土地覆蓋轉(zhuǎn)移概率模式，從而實(shí)現(xiàn)更準(zhǔn)確地預(yù)測(cè)；②PLUS模型的參數(shù)設(shè)置和調(diào)整可能更加準(zhǔn)確和合理，能夠更好地適應(yīng)江寧區(qū)土地覆蓋的特點(diǎn)，從而提高預(yù)測(cè)精度。

2.4 基于PLUS模型的土地覆蓋預(yù)測(cè)結(jié)果分析

利用PLUS模型，預(yù)測(cè)江寧區(qū)2030年土地覆蓋變化模式見(jiàn)圖9，對(duì)應(yīng)的統(tǒng)計(jì)結(jié)果見(jiàn)表3。

由圖9和表3可以發(fā)現(xiàn)，在空間分布格局變化方面，隨時(shí)間推移各土地覆蓋類(lèi)型并未有明顯變化，其中建設(shè)用地稍有擴(kuò)張，耕地面積稍有減少，從江寧區(qū)經(jīng)濟(jì)發(fā)展角度來(lái)看，減少的耕地量在可控范圍內(nèi)。林地、草地和未利用地變化相對(duì)較小，水體面積相對(duì)減小。

3 討 論

3.1 多分類(lèi)器集成算法對(duì)分類(lèi)的影響

多分類(lèi)器集成是提高遙感影像分類(lèi)精度的方法之一。其原因主要在于多分類(lèi)器集成策略綜合子分類(lèi)器優(yōu)勢(shì)，使其優(yōu)勢(shì)互補(bǔ)，從而增強(qiáng)了分類(lèi)器對(duì)地物的識(shí)別能力[44]。由于各個(gè)分類(lèi)器使用的特征、原理和方法都不相同，使各分類(lèi)器的識(shí)別效果略有不同[45]，分類(lèi)精度也各不相同。張曉羽等[46]研究表明，結(jié)合光譜特征和DEM輔助特征構(gòu)建的隨機(jī)森林模型比最大似然法分類(lèi)精度更高。張衛(wèi)春等[47]研究表明，基于隨機(jī)森林的遙感數(shù)據(jù)和地形因子的組合方法可以有效地提高分類(lèi)精度。有研究表明，在多特征組合遙感影像分類(lèi)中，特征數(shù)量與分類(lèi)精度不成正比，不同的特征組合產(chǎn)生的分類(lèi)精度并不相同[28]。本研究在植被指數(shù)和地形特征的基礎(chǔ)上，加入紋理特征和地表溫度兩種特征，通過(guò)各單分類(lèi)器的分類(lèi)精度可以發(fā)現(xiàn)，不同分類(lèi)器的分類(lèi)精度各不相同，對(duì)于同一研究區(qū)域、相同分類(lèi)器，不同的訓(xùn)練樣本對(duì)分類(lèi)結(jié)果也有著較大影響。研究普遍認(rèn)為，選擇的樣本數(shù)量越多，訓(xùn)練區(qū)的土地覆蓋類(lèi)型就越有代表性[48]。對(duì)于不同研究區(qū)域的不同地物，選擇相同的分類(lèi)器，分類(lèi)結(jié)果也是不同的[49]。而不同分類(lèi)器結(jié)果的輸出方式對(duì)集成結(jié)果也有著較大的影響，柏延臣等[50]通過(guò)對(duì)測(cè)量級(jí)和抽象級(jí)的結(jié)合方式做對(duì)比，發(fā)現(xiàn)抽象級(jí)的結(jié)合方法精度更高，可能是由于在抽象級(jí)多分類(lèi)器結(jié)合方法中，對(duì)于參與結(jié)合分類(lèi)器的特性沒(méi)有特殊要求，但必須選擇奇數(shù)個(gè)分類(lèi)器來(lái)參與分類(lèi)器的結(jié)合。研究發(fā)現(xiàn)，在多分類(lèi)器集成中，子分類(lèi)器的選擇對(duì)分類(lèi)精度有很大的影響。鄭文武等[11]、張輝[29]、Liu等[51]從傳統(tǒng)分類(lèi)中選擇分類(lèi)性能較好的分類(lèi)器作為單分類(lèi)器，這些分類(lèi)方法具有一定的獨(dú)立性以及多樣性，在遙感影像分類(lèi)中具有各自的優(yōu)勢(shì)。考慮到單分類(lèi)器本身的特性以及對(duì)組合分類(lèi)精度的影響，選擇傳統(tǒng)監(jiān)督分類(lèi)中應(yīng)用廣泛且分類(lèi)精度高的單分類(lèi)器作為子分類(lèi)器，從本研究中基于隨機(jī)森林算法和證據(jù)理論實(shí)現(xiàn)的多組合分類(lèi)精度可以看出，多分類(lèi)器集成可以明顯提高分類(lèi)精度，證明了多組合分類(lèi)器的可行性和有效性，達(dá)到了預(yù)期的效果。

當(dāng)有多個(gè)單分類(lèi)器參與集成時(shí)，可能因?yàn)樗鼈冎g的結(jié)合能力不強(qiáng)，或是因?yàn)樗鼈冎g分類(lèi)性能效果比較接近，也可能是因?yàn)閬?lái)自不同層的信息在分類(lèi)過(guò)程中被集成分類(lèi)方法“稀釋”[52]，導(dǎo)致集成分類(lèi)的效果不太明顯。在本研究中，單分類(lèi)器SVM和NN有著較高的分類(lèi)精度，但是相對(duì)于其他分類(lèi)器來(lái)說(shuō)，SVM受訓(xùn)練樣本的影響較大，對(duì)組合結(jié)果造成了一定的影響，而NN受訓(xùn)練樣本的分布影響較小，穩(wěn)定性更高，兩者的差異性較小。由此，選擇差異大且具有多樣性的分類(lèi)器，可以改善最終分類(lèi)器的分類(lèi)性能。

3.2 土地覆蓋變化預(yù)測(cè)的精度影響因素

模型預(yù)測(cè)是理解土地利用變化機(jī)制，清晰描述土地利用變化過(guò)程，確定土地利用變化驅(qū)動(dòng)因素和預(yù)測(cè)未來(lái)土地利用變化格局的重要工具[53]。而且土地利用覆蓋變化時(shí)空預(yù)測(cè)是一個(gè)非常復(fù)雜的過(guò)程，模型通常受到社會(huì)經(jīng)濟(jì)、人為因素和政府政策等多種因素的影響，其中還包含著定量以及非定量?jī)蓚€(gè)方面[54]。在現(xiàn)實(shí)中，土地覆蓋類(lèi)型多種多樣。由于數(shù)據(jù)量、數(shù)據(jù)的可獲取性和工作量等因素的制約，無(wú)法將所有的土地覆蓋類(lèi)型包括在內(nèi)，僅能對(duì)該研究區(qū)內(nèi)的主要土地覆蓋類(lèi)型進(jìn)行研究。在實(shí)際應(yīng)用中，不同的土地覆蓋類(lèi)型有其獨(dú)特的發(fā)展模式，一旦將土地覆被類(lèi)型結(jié)合起來(lái)，其局限性就在于所選驅(qū)動(dòng)因子的作用。同時(shí)，在模型預(yù)測(cè)過(guò)程中，主要針對(duì)大面積土地覆蓋類(lèi)型開(kāi)展預(yù)測(cè)研究，在一定程度上會(huì)對(duì)模型的準(zhǔn)確性產(chǎn)生一定的影響，還會(huì)影響固定步長(zhǎng)預(yù)測(cè)的轉(zhuǎn)換規(guī)則和模型參數(shù)的設(shè)定[55]。

本研究使用PLUS模型對(duì)江寧區(qū)土地覆蓋分類(lèi)進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)精度較高，與其他研究人員結(jié)果一致，如Liang等[56]利用3種不同模型預(yù)測(cè)武漢市2013年土地利用格局，對(duì)比結(jié)果發(fā)現(xiàn)PLUS模型的預(yù)測(cè)精度排名第2，但其預(yù)測(cè)的土地利用模式與實(shí)際最為相似；謝向東等[57]利用PLUS模型模擬重慶市南川區(qū)土地利用分布，預(yù)測(cè)結(jié)果較好。本研究所使用的數(shù)據(jù)是通過(guò)對(duì)遙感影像分類(lèi)后集成得到的，集成結(jié)果與土地覆蓋現(xiàn)狀存在一些差別，因此，研究區(qū)未來(lái)2030年的預(yù)測(cè)結(jié)果與實(shí)際的土地覆蓋空間格局存在一定的誤差。

本研究基于Landsat TM/OLI影像，采用MLC、MahDC、MinDC、SVM和NN共5種常用的監(jiān)督分類(lèi)器對(duì)南京市江寧區(qū)進(jìn)行土地覆蓋分類(lèi)，對(duì)比單分類(lèi)結(jié)果發(fā)現(xiàn)，采用隨機(jī)森林算法和證據(jù)理論算法作為集成方法，能夠有效提高土地覆蓋分類(lèi)的準(zhǔn)確性，為精確評(píng)估土地覆蓋狀況提供了有力支持。

分別運(yùn)用CA-Markov模型、PLUS模型和ANN-CA模型對(duì)2020年的土地覆蓋分類(lèi)進(jìn)行預(yù)測(cè)，結(jié)果表明PLUS模型預(yù)測(cè)的精度最高。進(jìn)而利用PLUS模型對(duì)2030年土地覆蓋分類(lèi)進(jìn)行預(yù)測(cè)，以期能夠科學(xué)揭示江寧區(qū)土地覆蓋變化趨勢(shì)，并為未來(lái)土地利用規(guī)劃和環(huán)境管理提供理論依據(jù)。模型預(yù)測(cè)有助于判斷土地覆蓋變化的潛在趨勢(shì)，幫助政府和決策者制定可持續(xù)發(fā)展的土地利用策略和保護(hù)措施，對(duì)于推動(dòng)可持續(xù)城市發(fā)展、合理規(guī)劃土地利用、保護(hù)生態(tài)環(huán)境等具有一定的應(yīng)用價(jià)值。

現(xiàn)有評(píng)價(jià)體系有待完善?；煜仃囯m可測(cè)分類(lèi)精度，但較單一，后續(xù)可加入熵值、Q統(tǒng)計(jì)法、相關(guān)系數(shù)等指標(biāo)，深化對(duì)分類(lèi)器差異性的研究。本模型參數(shù)基于前人研究并經(jīng)多次調(diào)試而得，具主觀性易致誤差，今后將深入探索模型因子選取與參數(shù)設(shè)置。

參考文獻(xiàn)（reference）：

［1］SHI H，CHEN L，BI F K，et al．Accurate urban area detection in remote sensing images[J]．IEEE Geosci Remote Sens Lett，2015，12（9）：1948-1952．DOI： 10.1109/LGRS.2015.2439696.

［2］駱劍承，周成虎，楊艷．遙感地學(xué)智能圖解模型支持下的土地覆蓋/土地利用分類(lèi)[J]．自然資源學(xué)報(bào)，2001，16（2）：179-183．LUO J C，ZHOU C H，YANG Y．Land cover and land use classification based on remote sensing intelligent Geo interpreting model[J]．J Nat Resour，2001，16（2）：179-183．DOI： 10.3321/j.issn：1000-3037.2001.02.013.

［3］MATHIEU R，F(xiàn)REEMAN C，ARYAL J．Mapping private gardens in urban areas using object-oriented techniques and very high-resolution satellite imagery[J]．Landsc Urban Plan，2007，81（3）：179-192．DOI： 10.1016/j.landurbplan.2006.11.009.

［4］OZDARICI-OK A，OK A，SCHINDLER K．Mapping of agricultural crops from single high-resolution multispectral images：data-driven smoothing vs．parcel-based smoothing[J]．Remote Sens，2015，7（5）：5611-5638．DOI： 10.3390/rs70505611.

［5］夏玉計(jì)．基于多特征融合支持向量機(jī)的土地覆蓋類(lèi)型提取與分析[D]．北京：中國(guó)地質(zhì)大學(xué)（北京），2019．XIA Y J．Extraction and analysis of land cover types based on multi-feature fusion support vector machine[D]．Beijing：China University of Geosciences（Beijing），2019．

［6］CHEN J，CHEN J，LIAO A P，et al．Global land cover mapping at 30 m resolution：a POK-based operational approach[J]．ISPRS J Photogramm Remote Sens，2015，103：7-27．DOI： 10.1016/j.isprsjprs.2014.09.002.

［7］馮登超，陳剛，肖楷樂(lè)，等．基于最小距離法的遙感圖像分類(lèi)[J]．北華航天工業(yè)學(xué)院學(xué)報(bào)，2012，22（3）：1-2，5．FENG D C，CHEN G，XIAO K L，et al．Remote sensing image classification based on minimum distance method[J]．J N China Inst Aerosp Eng，2012，22（3）：1-2，5．DOI： 10.3969/j.issn.1673-7938.2012.03.001.

［8］劉煥軍，楊昊軒，徐夢(mèng)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(lèi)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2018，34（14）：132-139．LIU H J，YANG H X，XU M Y，et al．Soil classification based on maximum likelihood method and features of multi-temporal remote sensing images in bare soil period[J]．Trans Chin Soc Agric Eng，2018，34（14）：132-139．DOI： 10.11975/j.issn.1002-6819.2018.14.017.

［9］高昂，唐世浩，肖萌，等．機(jī)器學(xué)習(xí)在遙感影像分類(lèi)中的應(yīng)用[J]．科技導(dǎo)報(bào)，2021，39（15）：67-74．GAO A，TANG S H，XIAO M，et al．Application of machine learning in remote sensing image classification[J]．Sci Technol Rev，2021，39（15）：67-74．DOI： 10.3981/j.issn.1000-7857.2021.15.007.

[10]汪靖翔．決策樹(shù)算法的原理研究和實(shí)際應(yīng)用[J]．電腦編程技巧與維護(hù)，2022（8）：54-56，72．WANG J X．Principle research and practical application of decision tree algorithm[J]．Comput Program Ski Maint，2022（8）：54-56，72．DOI： 10.16184/j.cnki.comprg.2022.08.043.

[11]鄭文武，曾永年．利用多分類(lèi)器集成進(jìn)行遙感影像分類(lèi)[J]．武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2011，36（11）：1290-1293．ZHENG W W，ZENG Y N．Remote sensing imagery classification based on multiple classifiers combination algorithm[J]．Geomat Inf Sci Wuhan Univ，2011，36（11）：1290-1293．DOI：10.13203/j.whugis2011.11.005.

[12]羅常偉，王雙雙，尹峻松，等．集成學(xué)習(xí)研究現(xiàn)狀及展望[J]．指揮與控制學(xué)報(bào)，2023，9（1）：1-8．LUO C W，WANG S S，YIN J S，et al．Research status and prospect of ensemble learning[J]．J Command Contr，2023，9（1）：1-8．DOI： 10.3969/j.issn.2096-0204.2023.01.0001.

[13]張銀輝，趙庚星．土地利用/土地覆蓋遙感分類(lèi)方法的研究綜述[J]．中國(guó)農(nóng)業(yè)資源與區(qū)劃，2002，23（3）：21-25．ZHANG Y H，ZHAO G X．Classification methods of land use/cover based on remote sensing technologies[J]．Chin J Agric Resour Reg Plan，2002，23（3）：21-25．DOI： 10.7621/cjarrp.1005-9121.20020338.

[14]李國(guó)清，柏永青，楊軒，等．基于深度學(xué)習(xí)的高分辨率遙感影像土地覆蓋自動(dòng)分類(lèi)方法[J]．地球信息科學(xué)學(xué)報(bào)，2021，23（9）：1690-1704．LI G Q，BAI Y Q，YANG X，et al．Automatic deep learning land cover classification methods of high-resolution remotely sensed images[J]．J Geo Inf Sci，2021，23（9）：1690-1704．DOI： 10.12082/dqxxkx.2021.200795.

[15]崔兆韻，張承明，楊曉霞，等．基于深度學(xué)習(xí)的高分遙感影像分類(lèi)方法研究[J]．科技與創(chuàng)新，2021（3）：55-57．CUI Z Y，ZHANG C M，YANG X X，et al．Research on classification method of high score remote sensing images based on deep learning[J]．Sci Technol Innov，2021（3）：55-57．DOI： 10.15913/j.cnki.kjycx.2021.03.018.

[16]季順平，田思琦，張馳. 利用全空洞卷積神經(jīng)元網(wǎng)絡(luò)進(jìn)行城市土地覆蓋分類(lèi)與變化檢測(cè)[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020，45（2）：233-241. JI S P，TIAN S Q，ZHANG C．Urban land cover classification and change detection using fully atrous convolutional neural network[J]．Geomat Inf Sci Wuhan Univ，2020，45（2）：233-241. DOI：10.13203/j.whugis20180481.

[17]QIN Z，ZENG Q L，ZONG Y X，et al．Image inpainting based on deep learning：a review[J]．Displays，2021，69：102028．DOI： 10.1016/j.displa.2021.102028.

[18]雷浩川．多分類(lèi)器集成的遙感影像分類(lèi)研究[D]．北京：中國(guó)地質(zhì)大學(xué)（北京），2018．LEI H C．Research on remote sensing image classification based on multi-classifier integration[D]．Beijing：China University of Geosciences（Beijing），2018．

[19]陳彥冰．多分類(lèi)器集成的遙感影像地物分類(lèi)研究[D]．長(zhǎng)春：吉林大學(xué)，2021．CHEN Y B．Research on classification of remote sensing images based on multi-classifier integration[D]．Changchun：Jilin University，2021．

[20]夏俊士，杜培軍，張偉．遙感影像多分類(lèi)器集成的關(guān)鍵技術(shù)與系統(tǒng)實(shí)現(xiàn)[J]．科技導(dǎo)報(bào)，2011，29（21）：22-26．XIA J S，DU P J，ZHANG W．Key techniques and implementation of multiple classifier system for remote sensing images[J]．Sci Technol Rev，2011，29（21）：22-26．DOI： 10.3981/j.issn.1000-7857.2011.21.002.

[21]王震．基于OLI影像的多分類(lèi)器組合方法研究[D]．北京：中國(guó)地質(zhì)大學(xué)（北京），2015．WANG Z．Research on multi-classifier combination method based on OLI image[D]．Beijing：China University of Geosciences（Beijing），2015．

[22]龍飛，任金銅．基于多分類(lèi)器集成的GF-2遙感影像分類(lèi)研究[J]．科學(xué)技術(shù)創(chuàng)新，2023（3）：19-24．LONG F，REN J T．Research on GF-2 remote sensing image classification based on Multi Classifier Integration[J]．Sci Technol Innov，2023（3）：19-24．

[23]KUMAR S，GHOSH J，CRAWFORD M M．Hierarchical fusion of multiple classifiers for hyperspectral data analysis[J]．Pattern Anal Appl，2002，5（2）：210-220．DOI： 10.1007/s100440200019.

[24]ISAAC E，EASWARAKUMAR K S，ISAAC J．Urban landcover classification from multispectral image data using optimized AdaBoosted random forests[J]．Remote Sens Lett，2017，8（4）：350-359．DOI： 10.1080/2150704x.2016.1274443.

[25]黎云云，暢建霞，王義民，等．基于CA-Markov模型的黃河流域土地利用模擬預(yù)測(cè)研究[J]．西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（12）：107-116．LI Y Y，CHANG J X，WANG Y M，et al．Land use simulation and prediction in the Yellow River basin based on CA-Markov model[J]．J Northwest A F Univ （Nat Sci Ed），2020，48（12）：107-116．DOI： 10.13207/j.cnki.jnwafu.2020.12.013.

[26]龔文峰，袁力，范文義．基于CA-Markov的哈爾濱市土地利用變化及預(yù)測(cè)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2012，28（14）：216-222．GONG W F，YUAN L，F(xiàn)AN W Y．Dynamic change and prediction of land use in Harbin city based on CA-Markov model[J]．Trans Chin Soc Agric Eng，2012，28（14）：216-222．DOI： 10.3969/j.issn.1002-6819.2012.14.033.

[27]王冬辰，杜培軍，蘇紅軍，等．近20年大同市土地利用/覆蓋遙感變化分析[J]．干旱區(qū)資源與環(huán)境，2015，29（7）：68-75．WANG D C，DU P J，SU H J，et al．Land use/Land cover changes in Datong based on remote sensing data[J]．J Arid Land Resour Environ，2015，29（7）：68-75．DOI： 10.13448/j.cnki.jalre.2015.223.

[28]杜培軍，柳思聰．融合多特征的遙感影像變化檢測(cè)[J]．遙感學(xué)報(bào)，2012，16（4）：663-677．DU P J，LIU S C．Change detection from multi-temporal remote sensing images by integrating multiple features[J]．Natl Remote Sens Bull，2012，16（4）：663-677．DOI： 10.11834/irs.20121168.

[29]張輝．基于多分類(lèi)器組合的遙感土地利用分類(lèi)研究[J]．安徽農(nóng)業(yè)科學(xué)，2015，43（32）：389-392．ZHANG H．Land use classification based on the remote sensing classification by multi-classifier combination[J]．J Anhui Agric Sci，2015，43（32）：389-392．DOI： 10.13989/j.cnki.0517-6611.2015.32.134.

[30]彭正林，毛先成，劉文毅，等．基于多分類(lèi)器組合的遙感影像分類(lèi)方法研究[J]．國(guó)土資源遙感，2011，23（2）：19-25．PENG Z L，MAO X C，LIU W Y，et al．Method for classification of remote sensing images based on multiple classifiers combination[J]．Remote Sens Nat Resour，2011，23（2）：19-25．DOI： 10.6046/gtzyyg.2011.02.04.

[31]陳洋波，竇鵬，張濤．基于Landsat的多分類(lèi)器集成遙感影像分類(lèi)[J]．測(cè)繪科學(xué)，2018，43（8）：97-103，109．CHEN Y B，DOU P，ZHANG T．Multiple classifiers integrated classification based on Landsat imagery[J]．Sci Surv Mapp，2018，43（8）：97-103，109．DOI： 10.16251/j.cnki.1009-2307.2018.08.016.

[32]周婷，汪炎，鄒俊，等．基于PCA和SVM的遙感影像水體提取方法及驗(yàn)證[J]．水資源保護(hù)，2023，39（2）：180-189．ZHOU T，WANG Y，ZOU J，et al．PCA and SVM-based algorithm of water area extraction from remote sensing images and its verification[J]．Water Resour Prot，2023，39（2）：180-189．DOI： 10.3880/j.issn.1004-6933.2023.02.022.

[33]HUANG W Y，LIPPMANN R. et al．Neural net and traditional classifiers[J]．Neural Information Processing Systems，1987：387-396．

[34]RICHARDS J A， JIA X P. Remote sensing digital image analysis： an introduction[M]．Australia：Springer Publishing Company Incorporated，2012.

[35]SHAFRI H Z M，SUHAILI A，MANSOR S．The performance of maximum likelihood，spectral angle mapper，neural network and decision tree classifiers in hyperspectral image analysis[J]．J Comput Sci，2007，3（6）：419-423．DOI： 10.3844/jcssp.2007.419.423.

[36]方文，李朝奎，梁繼，等．多分類(lèi)器組合的遙感影像分類(lèi)方法[J]．測(cè)繪科學(xué)，2016，41（10）：120-125．FANG W，LI （C/Z）K，LIANG J，et al．Classification of remote sensing image based on the combination of multiple classifiers[J]．Sci Surv Mapp，2016，41（10）：120-125．DOI： 10.16251/j.cnki.1009-2307.2016.10.025.

[37]武煒杰．隨機(jī)森林算法的應(yīng)用與優(yōu)化方法研究[D]．無(wú)錫：江南大學(xué)，2021．WU W J．Research on application and optimization method of random forest algorithm[D]．Wuxi：Jiangnan University，2021．

鞠琴，吳金雨，王興平，等．機(jī)器學(xué)習(xí)算法在降水和氣溫多模式集成中的應(yīng)用[J]．水資源保護(hù)，2024，40（3）：106-115．JU Q，WU J Y，WANG X P，et al．Application of machine learning algorithms in multimodal integration of precipitation and temperature[J]．Water Resour Prot，2024，40（3）：106-115．DOI： 10.3880/j.issn.1004-6933.2024.03.013.

[38]BARNETT J A．Computational methods for a mathematical theory of evidence[C]//Proceedings of the 7th international joint conference on Artificial intelligence．Canada： Morgan Kaufmann Publishers Inc，1981：868-875．

[39]劉宇航．干旱綠洲區(qū)鹽堿地遙感影像分類(lèi)模型及時(shí)空變化格局研究[D]．蘭州：蘭州理工大學(xué)，2022．LIU Y H．Study on classification model and temporal and spatial change pattern of saline-alkali land remote sensing images in arid oasis area[D]．Lanzhou：Lanzhou University of Technology，2022．

[40]李琛，高彬嬪，吳映梅，等．基于PLUS模型的山區(qū)城鎮(zhèn)景觀生態(tài)風(fēng)險(xiǎn)動(dòng)態(tài)模擬[J]．浙江農(nóng)林大學(xué)學(xué)報(bào)，2022，39（1）：84-94．LI C，GAO B P，WU Y M，et al．Dynamic simulation of landscape ecological risk in mountain towns based on PLUS model[J]．J Zhejiang A F Univ，2022，39（1）：84-94．DOI： 10.11833/j.issn.2095-0756.20210237.

[41]梁德強(qiáng)．基于PLUS模型的齊齊哈爾市土地利用變化與情景模擬[D]．哈爾濱：東北林業(yè)大學(xué)，2022．LIANG D Q．Land use change and simulation in Qiqihar based on PLUS Model[D]．Harbin：Northeast Forestry University，2022.

[42]伍丹，朱康文，張晟，等．基于PLUS模型和InVEST模型的成渝經(jīng)濟(jì)區(qū)碳儲(chǔ)量演化分析[J]．三峽生態(tài)環(huán)境監(jiān)測(cè)，2022，7（2）：85-96．WU D，ZHU K W，ZHANG S，et al．Evolution analysis of carbon stock in Chengdu-Chongqing economic zone based on PLUS model and InVEST model[J]．Ecol Environ Monit Three Gorges，2022，7（2）：85-96．DOI： 10.19478/j.cnki.2096-2347.2022.02.10.

[43]楊文龍．基于GeoSOS的村鎮(zhèn)建設(shè)用地?cái)U(kuò)張分析及規(guī)劃模擬優(yōu)化[D]．廣州：華南農(nóng)業(yè)大學(xué)，2016．YANG W L．Analysis and planning simulation optimization of rural construction land expansion based on GeoSOS[D]．Guangzhou：South China Agricultural University，2016．

[44]馬婷，李崇貴，湯伏全，等．基于多分類(lèi)器集成的落葉松人工林提取[J]．林業(yè)科學(xué)，2021，57（11）：105-118．MA T，LI C G，TANG F Q，et al．Extraction of larch plantation based on multi-classifier ensemble[J]．Sci Silvae Sin，2021，57（11）：105-118．DOI： 10.11707/j.1001-7488.20211111.

[45]呂岳，施鵬飛，趙宇明．多分類(lèi)器組合的投票表決規(guī)則[J]．上海交通大學(xué)學(xué)報(bào)，2000，34（5）：680-683．LU" Y，SHI P F，ZHAO Y M．Voting principle for combination of multiple classifiers[J]．J Shanghai Jiaotong Univ，2000，34（5）：680-683．DOI： 10.16183/j.cnki.jstu.2000.05.036.

[46]張曉羽，李鳳日，甄貞，等．基于隨機(jī)森林模型的陸地衛(wèi)星-8遙感影像森林植被分類(lèi)[J]．東北林業(yè)大學(xué)學(xué)報(bào)，2016，44（6）：53-57，74．ZHANG X Y，LI F R，ZHEN Z，et al．Forest vegetation classification of Landsat 8 remote sensing image based on random forests model[J]．J Northeast For Univ，2016，44（6）：53-57，74．DOI： 10.13759/j.cnki.dlxb.2016.06.005.

[47]張衛(wèi)春，劉洪斌，武偉．基于隨機(jī)森林和Sentinel-2影像數(shù)據(jù)的低山丘陵區(qū)土地利用分類(lèi)：以重慶市江津區(qū)李市鎮(zhèn)為例[J]．長(zhǎng)江流域資源與環(huán)境，2019，28（6）：1334-1343．ZHANG W C，LIU H B，WU W．Classification of land use in low mountain and hilly area based on random forest and sentinel-2 satellite data：a case study of Lishi Town，Jiangjin，Chongqing[J]．Resour Environ Yangtze Basin，2019，28（6）：1334-1343．DOI： 10.11870/cjlyzyyhj201906009.

[48]張少佳．多分類(lèi)器組合及其遙感分類(lèi)研究[D]．長(zhǎng)沙：中南大學(xué)，2010．ZHANG S J．Research on multi-classifier combination and its remote sensing classification[D]．Changsha：Central South University，2010．

[49]肖勝杰．遙感圖像多分類(lèi)器組合方法研究[D]．哈爾濱：黑龍江大學(xué)，2017．XIAO S J．Research on multi-classifier combination method for remote sensing images[D]．Harbin：Helongjiang University，2017．

[50]柏延臣，王勁峰．結(jié)合多分類(lèi)器的遙感數(shù)據(jù)專(zhuān)題分類(lèi)方法研究[J]．遙感學(xué)報(bào)，2005，9（5）：555-563．BAI Y C，WANG J F．Combining multiple classifiers for thematic classification of remotely sensed data[J]．Natl Remote Sens Bull，2005，9（5）：555-563．DOI： 10.11834/irs.20050581.

[51]LIU X H，SKIDMORE A K，OOSTEN H V．Integration of classification methods for improvement of land-cover map accuracy[J]．ISPRS J Photogramm Remote Sens，2002，56（4）：257-268．DOI： 10.1016/s0924-2716（02）00061-8.

[52]VERBURG P H，SOEPBOER W，VELDKAMP A，et al．Modeling the spatial dynamics of regional land use：the CLUE-S model[J]．Environ Manage，2002，30（3）：391-405．DOI： 10.1007/S00267-002-2630-X.

[53]凌成星，鞠洪波，張懷清，等．基于CA-MARKOV模型的北京濕地資源變化預(yù)測(cè)研究[J]．中國(guó)農(nóng)學(xué)通報(bào)，2012，28（20）：262-269．LING C X，JU H B，ZHANG H Q，et al．Study on the forecast of wetland resources changes in Beijing based on CA-MARKOV model[J]．Chin Agric Sci Bull，2012，28（20）：262-269．DOI： 10.3969/j.issn.1000-6850.2012.20.048.

[54]經(jīng)陽(yáng)．基于CA-Markov模型的佛山市生態(tài)用地演變及其模擬[D]．撫州：東華理工大學(xué)，2016．JING Y．Evolution and simulation of ecological land in Foshan City based on CA-markov model[D]．Fuzhou：East China Institute of Technology，2016．

[55]陳倩．城市化進(jìn)程下土地覆蓋、森林空間模式及屬性變化分析[D]．南京：南京林業(yè)大學(xué)，2018．CHEN Q．Analysis on spatial patterns and attribute changes of land cover and forest in the process of urbanization[D]．Nanjing：Nanjing Forestry University，2018．

[56]LIANG X，GUAN Q F，CLARKE K C，et al．Understanding the drivers of sustainable land expansion using a patch-generating land use simulation （PLUS） model：a case study in Wuhan，China[J]．Comput Environ Urban Syst，2021，85：101569．DOI： 10.1016/j.compenvurbsys.2020.101569.

[57]謝向東，林孝松，王瑩，等．基于PLUS模型的重慶市南川區(qū)土地利用多情景模擬[J]．長(zhǎng)江科學(xué)院院報(bào)，2023，40（6）：86-92，113．XIE X D，LIN X S，WANG Y，et al．Multi-scenario simulation of land use in Nanchuan District of Chongqing based on PLUS model[J]．Journal of Changjiang River Scientific Research Institute，2023，40（6）：86-92，113．DOI： 10.11988/ckyyb.20221227.

（責(zé)任編輯 吳祝華）

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31971577）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）。

第一作者：蔣路凡（lf_jiang@yeah.net）。

*通信作者：張小偉（xiaoweiz099618@gmail.com），高級(jí)工程師。

引文格式：蔣路凡，蘇慧毅，張銀，等.基于多分類(lèi)器集成的土地覆蓋分類(lèi)及預(yù)測(cè)研究[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（5）：255-266.

JIANG L F， SU H Y， ZHANG Y， et al.Land cover classification and prediction based on multiple classifier ensemble learning[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（5）：255-266.