全 文 ：书玉树地区融合决策树方法的面向对象植被分类
王志伟１，３，史健宗１，岳广阳１，赵林１，南卓铜１，
吴晓东１，乔永平１，吴通华１，邹德福１，２
（１．中国科学院寒区旱区环境与工程研究所 冰冻圈科学国家重点实验室 青藏高原冰冻圈观测研究站，甘肃 兰州７３００００；２．兰州大学
草地农业科技学院 草地农业生态系统国家重点实验室，甘肃 兰州７３００２０；３．中国科学院大学，北京１０００４９）
摘要：植被类型是反映气候变化和生态环境变化最直接、最敏感的指示器。草地作为青藏高原最主要的植被类型，
对其进行分类研究可以为高原草地退化、荒漠化等研究提供直接的信息，也可以为全球变暖、冻土退化等提供间接
的分析数据，同时还可以为陆面模型的模拟提供重要的参数。大面积区域的植被分类可以通过将研究区内的位
置、纹理和地形属性等信息综合考虑来完成，面向对象的植被分类方法可以通过对研究区多重信息进行分割和合
并，来生成植被类型图。而且，该方法可以克服传统决策树分类方法成图时像元分散的缺点。利用ＴＭ 假彩色合
成影像、ＡＳＴＥＲＤＥＭ数据和 ＭＯＤＩＳ的ＥＶＩ和ＬＳＴ产品，对玉树地区的高寒草地类型进行了面向对象的划分，总
体精度为４９．３２％。虽然相比仅用单独决策树分类方法的总体精度略微偏低，不过该方法可以在保持环境、地域等
因子同植被类型统计关系的基础上，克服决策树方法带来的“椒盐效应”。此外，植被模型的物理过程、参数计算和
获取环境因子等都比较复杂，本研究的方法也可以为植被分类制图提供一种简单，快速的方法。
关键词：面向对象；决策树；玉树地区；植被分类
中图分类号：Ｑ９４８．１５＋２ 文献标识码：Ａ 文章编号：１００４５７５９（２０１３）０５００６２１０
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１３０５０８
作为全球高海拔冻土面积最大的分布区［１］，青藏高原在冻土、冰川、湿地、湖泊、植被等生态变化中的作用极
其重要［２７］。但是因为条件限制，现在对青藏高原多年冻土区的研究，许多都只是针对水、热、能量循环过程的监
测［８１０］，而对一些植被方面的研究却非常有限［１１］。
植被作为一种重要的自然资源，被认为是反映生态环境变化的敏感指示器［１２］。它不仅是影响陆面过程下垫
面的重要因子［１３］，而且因其对碳的作用［１４］，在全球变化中也同样发挥着巨大作用［１５］。这其中，植被类型又是进
行植被研究的基础［１６］，早期对植被类型的划分主要是利用人工方法进行实地调查［１７］。不过，自然界的植被类型
繁多，其生长环境状况又复杂多样，仅依靠传统方法完成植被分类，需要耗费大量人力和物力，而且许多环境恶劣
及交通不便的区域又是人类难以到达的［１８］。近年来随着遥感（ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ＲＳ）、地理信息系统（ｇｅｏｇｒａｐｈｉｃ
ｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍ，ＧＩＳ）和全球定位系统（ｇｌｏｂａｌｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ，ＧＰＳ）的发展，基于遥感影像的植被分类经
历了目视解译［１９］、监督分类与非监督分类、人工神经网络、模糊数学、专家系统分类、决策树和面向对象等发展阶
段，这些技术方法都为当今的植被制图提供了一种全新的途径。其中，决策树分类的方法因其灵活性和快速性的
优点在植被分类中较为常用，翁中银等［２０］将重庆市区东北部的渝北区（面积为１４５２ｋｍ２）分为水体、建设用地、
林地、草地、耕地５种类型，其最优分类结果总精度为８８．４２％，Ｋａｐｐａ系数为０．８５４７；张秀敏等［１８］在青藏高原的
温泉地区（面积约为１０００ｋｍ２）划分植被类型为高寒草甸、高寒草原、高寒灌丛、高寒沼泽草甸和非植被５种类
型，分类结果总精度为７２％，Ｋａｐｐａ系数为０．６。而国外应用面向对象方法进行植被分类也很多，Ｈａｒｋｅｎ和Ｓｕ
ｇｕｍａｒａｎｒ［２１］采用非参数面向对象的方法进行湿地分类制图，分类精度为９２．１３％；Ｗａｌｋｅｒ和Ｂｒｉｇｇｓ［２２］采用面向
６２－７１
２０１３年１０月
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
第２２卷 第５期
Ｖｏｌ．２２，Ｎｏ．５
收稿日期：２０１２０８２７；改回日期：２０１３０３１３
基金项目：国家自然科学基金课题“高寒植物群落根系分布和格局对多年冻土活动层水热过程的响应”（４１１０１０５５），中科院百人计划项目“中亚
多年冻土对气候变化的响应研究”（５１Ｙ２５１５７１）和科技部基础性工作专项“青藏高原多年冻土本底调查”（２００８ＦＹ１１０２００）资助。
作者简介：王志伟（１９８３），男，陕西府谷人，在读博士。Ｅｍａｉｌ：ｗｚｗ１２０６＠１６３．ｃｏｍ
通讯作者。Ｅｍａｉｌ：ｌｉｎｚｈａｏ＠ｌｚｂ．ａｃ．ｃｎ
对象方法从航片上提取植被信息，总体分类精度高达９４％；国内对这种方法的研究还处于探索阶段［２３］，周春艳
等［２４］、江辉等［２５］应用面向对象专业方法对植被进行过分类研究，张学儒等［２３］对定日县（面积为２７５３ｋｍ２）的灌
丛植被进行提取精度可达８４．７％。不过，以上研究多是在较小区域展开，对大面积区域的植被类型分布方法的
研究相对较少。
面向对象是将若干个像元组成的“群体”影像进行信息提取，可以克服单个影像信息提取时存在的“椒盐效
应”问题［２６］。同时，决策树的植被分类方法又可以解决监督分类和非监督分类方法中存在的“同物异谱，异物同
谱”现象［２７］。本研究使用面向对象方法，结合青藏高原玉树地区的专题制图仪影像（ｔｈｅｍａｔｉｃｍａｐｐｅｒ，ＴＭ）、数
字高程模型（ｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌ，ＤＥＭ）、增强型植被指数（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＥＶＩ）和地表温度（ｌａｎｄ
ｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅ，ＬＳＴ）影像，依据这些影像中的光谱、纹理、大小、形状及特定的属性信息和数值计算信息（如
以地表温度的早晚数据计算得到的温度日较差）将影像分析后的分类结果输出为多边形矢量数据，然后再结合决
策树方法对每个多边形进行植被等类型划分，目的是能够识别更加精细的类型，为青藏高原植被类型划分提供更
加可靠的数据基础和方法依据，而且希望将植被分类方法推广到一个大范围的研究区域中。在２０世纪９０年代，
学者们提出了“草业科学”这个新概念，青藏高原地区的植被多以草地为主，而且从草业的结构来讲，多分布于前
植物生产层和植物生产层。青藏高原的草地凭借景观和环境效益及作为高原动物的食物来源，对于人类和生态
来讲，其作用不容忽视。因此，对青藏高原植被分类———草地类型的研究也同样重要。
１ 材料与方法
１．１ 研究区概况
玉树藏族自治州地处青海南部（图１右下角小图所示），境内西部以高海拔、山地为主［２８］，东部地势相对平
坦，研究区海拔变化范围较大。地理分布范围为３２°１０′～３５°４０′Ｎ，９２°００′～９８°５０′Ｅ，研究区面积为１６５６９２
ｋｍ２。气候属青藏高原气候系统，为典型的高原大陆性气候［２９］。
研究区占据玉树藏族自治州西南大部（图１左下角小图所示），区域内西北部湖泊众多，植被主要为草地，分
布有沼泽草甸、高寒草甸、草原化草甸、高寒灌丛、高寒草原、荒漠化草甸、荒漠化草原和高寒荒漠，沿河及湖泊低
洼地区广泛分布藏嵩草沼泽草甸［２９］，中部分布有雪山，西部和北部有大面积低植被生长区域，植被整体发育状况
西南优于东北。研究区内主要优势种植被为小嵩草（犓狅犫狉犲狊犻犪狆狔犵犿犪犲犪）、青藏苔草（犆犪狉犲狓犿狅狅狉犮狉狅犳狋犻犻）、藏嵩草
（犓狅犫狉犲狊犻犪狋犻犫犲狋犻犮犪）、矮嵩草（犓狅犫狉犲狊犻犪犺狌犿犻犾犻狊）、垫状点地梅（犃狀犱狉狅狊犪犮犲狋犪狆犲狋犲）、沙生凤毛菊（犛犪狌狊狊狌狉犲犪犪狉犲狀犪狉
犻犪）、金露梅（犘狅狋犲狀狋犻犾犾犪犳狉狌狋犻犮狅狊犪）和昆仑针茅（犛狋犻狆犪狉狅犫狅狉狅狑狊犽狔犻）等，广布二裂委陵菜（犘狅狋犲狀狋犻犾犾犪犫犻犳狌狉犮犪）、西藏
微孔草（犕犻犮狉狅狌犾犪狋犻犫犲狋犻犮犪）、弱小火绒草（犔犲狅狀狋狅狆狅犱犻狌犿狆狌狊犻犾犾狌犿）、匍匐水柏枝（犕狔狉犻犮犪狉犻犪狆狉狅狊狋狉犪狋犪）、高原点地
梅（犃狀犱狉狅狊犪犮犲犻狀狋犲犵狉犪）、雪灵芝（犃狉犲狀犪狉犻犪犫狉犲狏犻狆犲狋犪犾犪）、楔叶委陵菜（犘狅狋犲狀狋犻犾犾犪犮狌狀犲犪狋犪）、绿藜（犆犺犲狀狅狆狅犱犻狌犿
犵犾犪狌犮狌犿）等，并伴生有葶苈（犇狉犪犫犪狀犲犿狅狉狅狊犪）、海乳草（犌犾犪狌狓犿犪狉犻狋犻犿犪）、铺散亚菊（犃犼犪狀犻犪犽犺犪狉狋犲狀狊犻狊）、美花
草（犆犪犾犾犻犪狀狋犺犲犿狌犿狆犻犿狆犻狀犲犾犾狅犻犱犲狊）、扇穗茅（犔犻狋狋犾犲犱犪犾犲犪）、西伯利亚蓼（犘狅犾狔犵狅狀狌犿狊犻犫犻狉犻犮狌犿）、胀果棘豆
（犗狓狔狋狉狅狆犻狊狊狋狉犪犮犺犲狔犪狀犪）、红景天（犚犺狅犱犻狅犾犪狉狅狊犲犪）、垫状驼绒藜（犆犲狉犪狋狅犻犱犲狊犮狅犿狆犪犮狋犪）、角茴香（犎狔狆犲犮狅狌犿犾犲狆
狋狌犿）、蚓果芥（犜狅狉狌犾犪狉犻犪犺狌犿犻犾犻狊）、宽颖鹅观草（犚狅犲犵狀犲狉犻犪犾狅狀犵犻犵犾狌犿犻狊）、卷鞘鸢尾（犐狉犻狊狆狅狋犪狀犻狀犻犻）、长果婆婆纳
（犞犲狉狅狀犻犮犪犮犻犾犻犪狋犪）、蓝白龙胆（犌犲狀狋犻犪狀犪犾犲狌犮狅犿犲犾犪犲狀犪）等。
１．２ 数据来源
遥感数据包括美国国家航空航天局（ＮａｔｉｏｎａｌＡｅｒｏｎａｕｔｉｃｓａｎｄＤｐａｃｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ，ＮＡＳＡ）的２种 ＭＯ
ＤＩＳ－Ｔｅｒｒａ产品和一种ＤＥＭ产品：ＥＶＩ（ＭＯＤ１３Ｑ１）、ＬＳＴ（ＭＯＤ１１Ａ２）和ＡＳＴＥＲ（星载热量散发和反辐射仪）
ＧＤＥＭＶ２（ｇｌｏｂａｌｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍａｐａｎｎｏｕｎｃｅｍｅｎ）。同时还用到ＵＳＧＳ（美国地质调查局）的ＬａｎｄｓａｔＴＭ５
影像。其中，ＥＶＩ产品的空间分辨率和时间分辨率分别为２５０ｍ和１６ｄ，共２３个时相的影像数据（２０１１年全年，
包括ｈ２５ｖ０５和ｈ２６ｖ０５两景影像）；ＬＳＴ产品的空间分辨率和时间分辨率分别为１ｋｍ和８ｄ，共１０个时相的影
像数据（获取时间为２０１１年第１９３，２０１，２０９，２１７，２２５，２８９，２９７，３０５，３１３，３２１天，包括ｈ２５ｖ０５和ｈ２６ｖ０５两景的
３６第２２卷第５期 草业学报２０１３年
早、晚影像）；ＬａｎｄｓａｔＴＭ５影像包括１３４０３７，１３５０３６，１３５０３７，１３６０３６，１３６０３７和１３７０３６六幅影像，成像时间
分别为２０１１０９０９、２０１００８２８、２０１１０８３１、２０１１０８０６、２０１１０８０６和２０１１０９１４，都分布在８、９月植物生长旺
季，不过影像１３５０３６在２０１１年数据因为云量和纠正的原因无法下载，所以选择邻近２０１０年的数据作为替代。
野外数据的采集是在青藏高原多年冻土本底调查研究项目的支持下进行的，包括植被调查点和遥感估算点
２种数据。植被调查采用样线和样方相结合的方法，在研究区内随机选取７３个植被调查地，其中沼泽草甸１７
个、高寒草甸２７个、草原化草甸２个、高寒草原１个、高寒灌丛９个、荒漠化草甸６个、荒漠化草原３个和高寒荒
漠８个，样地均布置在植被状况均一、范围广等具有代表性的８种植被类型区域上，每个调查地设置６个样方
（１ｍ×１ｍ）重复，在３０ｍ卷尺的直线范围内每间隔５ｍ设置１个重复，相邻重复分左右分别位于卷尺两侧，每
个重复的植被类型由专家会商给出，同时利用手持ＧＰＳ记录经纬度等，每个样地的位置为６个样方的经纬度平
均值。遥感估算点是在完成调查项目的路途中经过专家的估计，结合ＧＰＳ数据记录当地的植被类型，记录依据
密集、广布和代表大面积区域特性的原则完成，共包括３５８个样地，其中沼泽草甸７５个、高寒草甸１６０个、草原化
草甸１０个、高寒灌丛３０个、高寒草原１２个、荒漠化草甸３２个、荒漠化草原５个和高寒荒漠３４个。
图１ 研究区犜犕（假彩色显示）及犇犈犕影像（数字高程模型）
犉犻犵．１ 犜犺犲犳犪犾狊犲犮狅犾狅狉犱犻狊狆犾犪狔狅犳犜犕（狋犺犲犿犪狋犻犮犿犪狆狆犲狉）犪狀犱狋犺犲犻犿犪犵犻狀犲狅犳犇犈犕（犱犻犵犻狋犪犾犲犾犲狏犪狋犻狅狀犿狅犱犲犾）
１．３ 决策树方法下的植被分类
已有的研究表明，归一化植被指数检测植被时的灵敏度在覆盖度小于１５％或大于８０％时存在局限性［３０］。
张秀敏等［１８］指出，对于青藏高原地区而言，采用ＥＶＩ代替ＮＤＶＩ数据研究植被类型分类更具有适用性。所以，
利用ＥＶＩ数据（图２为整个研究区域ＥＶＩ的平均值变化曲线）、结合ＤＥＭ和ＬＳＴ影像数值及其计算得出的坡度
（ｓｌｏｐｅ）、坡向（ａｓｐｅｃｔ）、剖面曲率（ｐｒｏｆｉｌｅｃｏｎｖｅｘｉｔｙ，ＰＣ）和温度日较差数据（ｔｅｍｐｅｒａｔｕｒｅｄａｉｌｙｒａｎｇｅ，ＴＤＲ）一起
来完成决策树规则。上述指标中剖面曲率用来度量坡度沿剖面的变化速率，凸面为正值，凹面为负值。其中，
ＥＶＩ的公式如下所示：
ＥＶＩ＝Ｇ（ρＮＩＲ－ρｒｅｄ）／（ρＮＩＲ＋Ｃ１×ρｒｅｄ－Ｃ２×ρｂｌｕｅ＋Ｌ） （１）
式中，ρＮＩＲ为近红外光波段反射率，ρｒｅｄ为红光波段反射率，ρｂｌｕｅ为蓝光波段反射率，Ｃ１ 和Ｃ２ 是调整大气气溶胶散
射影响的因子，Ｌ是土壤调节因子，Ｇ为常数［３１］。根据经验，参数Ｃ１＝６．０，Ｃ２＝７．５，Ｌ＝１．０，Ｇ＝２．５。
４６ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
温度日较差数据（ＴＤＲ）为植物生长最旺时早、晚平均温的差值与植物生长最弱时早、晚平均温的差值的绝
对差，ＴＤＲ的公式如下所示：
ＴＤＲ＝ＡＢＳ［ＡＢＳ（ＤａｙＴｍｉｎ－ＮｉｇｈｔＴｍｉｎ）－ＡＢＳ（ＤａｙＴｍａｘ－ＮｉｇｈｔＴｍａｘ）］ （２）
式中，ＡＢＳ（）是计算绝对值的函数。ＴＤＲ指温度日较差数据，ＤａｙＴｍｉｎ和 ＮｉｇｈｔＴｍｉｎ指植物生长最弱时（图２
所示第２８９天到第３２１天）的 ＭＯＤＩＳＬＳＴ产品白天平均温和夜晚平均温数据，ＤａｙＴｍａｘ和ＮｉｇｈｔＴｍａｘ指植物
生长最旺时（图２所示第１９３天到第２２５天）的 ＭＯＤＩＳＬＳＴ产品白天平均温和夜晚平均温数据。
依据估算点数据（图３所示），将植被和非植被的临界ＥＶＩ值定义为０．１２，即ＥＶＩ小于０．１２的像元为非植
被。当ＥＶＩ＞０．６０时，该像元可以被定义为沼泽草甸。然后在保证每个ＥＶＩ区间都有一定数量估算点的前提
下，将其余ＥＶＩ等间距划分８个区间，即０．１２～０．１８，０．１８～０．２４，０．２４～０．３０，０．３０～０．３６，０．３６～０．４２，０．４２～
０．４８，０．４８～０．５４和０．５４～０．６０，然后统计分析每个区间内的ＤＥＭ、ＴＤＲ、Ｓｌｏｐｅ、Ａｓｐｅｃｔ和ＰＣ分布特征，以此
总结出分类规则如图４所示，得到的最终分类结果如图５ａ所示。
图２ ２０１１年研究区内增强型植被指数平均值变化曲线
犉犻犵．２ 犞犪狉犻犪狋犻狅狀狆狉狅犳犻犾犲狅犳犲狀犺犪狀犮犲犱狏犲犵犲狋犪狋犻狅狀犻狀犱犲狓（犈犞犐）
犪狏犲狉犪犵犲犻狀狊狋狌犱狔狉犲犵犻狅狀犱狌狉犻狀犵２０１１
图３ ８种植被类型估算点的增强型植被指数值
犉犻犵．３ 犈狀犺犪狀犮犲犱狏犲犵犲狋犪狋犻狅狀犻狀犱犲狓狏犪犾狌犲狅犳犲狊狋犻犿犪狋犻狀犵
狆狅犻狀狋犻狀８狊狋犲狆狆犲狋狔狆犲
１：沼泽草甸Ｓｗａｍｐｍｅａｄｏｗ；２：高寒草甸 Ａｌｐｉｎｅｍｅａｄｏｗ；３：草原化
草甸Ｓｔｅｐｐｅａｌｐｉｎｅｍｅａｄｏｗ；４：高寒灌丛 Ａｌｐｉｎｅｓｈｒｕｂ；５：高寒草原
Ａｌｐｉｎｅｓｔｅｐｐｅ；６：荒漠化草甸 Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｍｅａｄｏｗ；７：荒漠化草原
Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｓｔｅｐｐｅ；８：高寒荒漠Ｄｅｓｅｒｔ．
１．４ 融合决策树方法的面向对象植被分类
决策树方法虽然能够在一定程度上反映植被类型
状态，如图５ａ所示玉树研究区内东南方位的植被类型
明显优于西北方位，造成植被这种分布的原因同海拔
西部高于东部、纬度南部低于北部有直接的关系。不
过，基于决策树的植被分类方法存在划分图斑零散、地
表植被类型不够连续的缺点（图５ｂ左下角所示）。为
了克服该方法图斑分散的缺点，首先对研究区的ＴＭ
影像结合ＥＶＩ、ＴＤＲ、ＤＥＭ 和Ａｓｐｅｃｔ、Ｓｌｏｐｅ、ＰＣ属性
进行面向对象的特征分类，将具有相近地形、物理特征
等要素的像元聚合到一个“像元集”中构成图斑，然后
再以图斑为基础制定草地类型的决策树规则和其他地
物的地形、光谱和纹理规则，最后对整个研究区的矢量
图层进行分类。
１．４．１ 图像分割 根据ＴＭ 影像临近像素亮度、结
合ＥＶＩ与ＴＤＲ的数值特征，同ＤＥＭ 及其计算得到
的Ａｓｐｅｃｔ、Ｓｌｏｐｅ、ＰＣ空间属性一起对图像进行分割。
算法采用基于边缘的分割方法，这种算法运算速度很
快，只需输入一个参数来控制分割结果，这个参数的阈
值范围为０～１００，设置的参数越大则分割出的图斑越
少，分割的效果在一定程度上会决定分类结果的精度。
本研究中分别选取河流、湖泊、冰川积雪、荒漠、稀疏植
被覆盖和高植被覆盖区域，通过预览参数分别为０，５，
１０，…，１００时的分割效果来设定合理的分割参数阈
值，在参数数值为４０时，能够保证大部分地位类型不
被漏分。以河流和临近植被区域，分割参数依次为
３５，４０和４５为例（图６，ａ、ｂ、ｃ中的参数分别为３５、４０、
４５），图６ａ中东南部（红色圆圈内）存在大量的图斑过
度累积现象，图６ｃ中河流中间的岸边存在植被漏分为
河流的现象（红色圆圈内），只有参数为４０的图６ｂ中岸边植被没有被漏分为河流、同时具有较小的图斑过度积累
程度。
５６第２２卷第５期 草业学报２０１３年
图４ 决策树分类规则
犉犻犵．４ 犆犾犪狊狊犻犳狔狉狌犾犲狊犻狀犱犲犮犻狊犻狅狀狋狉犲犲
Ｎｏｎｖｅｇｅｔａｔｉｏｎ无植被生长。１：沼泽草甸Ｓｗａｍｐｍｅａｄｏｗ；２：高寒草甸 Ａｌｐｉｎｅｍｅａｄｏｗ；３：草原化草甸Ｓｔｅｐｐｅａｌｐｉｎｅｍｅａｄｏｗ；４：高寒灌丛Ａｌｐｉｎｅ
ｓｈｒｕｂ；５：高寒草原Ａｌｐｉｎｅｓｔｅｐｐｅ；６：荒漠化草甸Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｍｅａｄｏｗ；７：荒漠化草原Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｓｔｅｐｐｅ；８：高寒荒漠Ｄｅｓｅｒｔ．
图５ 决策树分类的植被类型图
犉犻犵．５ 犜犺犲犿犪狆狅犳狏犲犵犲狋犪狋犻狅狀狋狔狆犲狑犻狋犺犱犲犮犻狊犻狅狀狋狉犲犲
图５ｂ中，左上角影像是ＴＭ（专题制图仪影像ｔｈｅｍａｔｉｃｍａｐｐｅｒ）假彩色合成影像（Ｂ、Ｃ、Ｄ图是Ａ图中黄色方块所包括的区域放大影像），右上角影
像是ＴＭ（专题制图仪影像ｔｈｅｍａｔｉｃｍａｐｐｅｒ）影像放大后的影像，左下角影像是决策树分类（图５ａ）放大后的影像，右下角影像是融合决策树方法的面
向对象分类（图８）放大后的影像。ＩｎＦｉｇ．５ｂ，ＴＭｉｍａｇｅｓ（ｔｈｅｍａｔｉｃｍａｐｐｅｒ）ｉｓｉｎｔｈｅｔｏｐｌｅｆｔｐａｒｔｔｈａｔｉｓｆａｌｓｅｃｏｌｏｒｃｏｍｐｏｓｉｔｅｉｍａｇｅｓ．Ｔｈｅｍａｇｎｉ
ｆｉｅｄｉｍａｇｅｓｉｎｃｌｕｄｅｄｉｎｔｈｅｙｅｌｏｗｓｑｕａｒｅａｒｅａｏｆｄｉａｇｒａｍＡａｒｅＢ，ＣａｎｄＤｄｉａｇｒａｍｓ．ＡｎｄｔｈｅｅｎｌａｒｇｅｄＴＭｉｍａｇｅｓ，ｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｄｉｍａｇｅｓａｎｄ
ｏｂｊｅｃｔｏｒｉｅｎｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｒｅｉｎｔｈｅｔｏｐｒｉｇｈｔ，ｂｏｔｔｏｍｒｉｇｈｔａｎｄｂｏｔｔｏｍｌｅｆｔｐａｒｔ，ｒｅｓｐｅｃｔｉｖｅｌｙ．
１．４．２ 合并分割 图像分割时，一些特征对象会被错分，图６ｂ中河流中部（红色圆圈内）存在的部分图斑过度积
累现象，通过合并分割的过程来减小这种现象。合并分割算法通过光谱和空间信息的迭代来合并临近的小图斑，
这一过程也需要输入一个参数来控制合并结果，阈值范围也是０～１００，设置的参数越大则合并到一起的图斑越
多。同样还是分别选取河流、湖泊、冰川积雪、荒漠、稀疏植被覆盖和高植被覆盖区域，通过预览参数分别为０，５，
６６ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
１０，…，１００时的分割效果来设定合理的合并参数阈值，在参数数值为５５时，能够保证大部分地位类型不被错分。
还是以河流和临近植被区域，合并参数依次为５０，５５和６０为例（图７所示，ａ，ｂ，ｃ中的参数分别为５０，５５，６０），图
７ａ中东南部（红色圆圈内）还是存在图斑过度累积现象，图７ｃ中部较小河流存在错分现象（红色圆圈内），只有参
数为５５的图７ｂ具有较好的分类图斑。
图６ 图像分割阈值参数设定
犉犻犵．６ 犜犺犲狊犲狋狋犻狀犵狅犳狋犺狉犲狊犺狅犾犱犻狀犻犿犪犵犲狊犲犵犿犲狀狋犪狋犻狅狀
图７ 图像分割阈值参数设定
犉犻犵．７ 犜犺犲狊犲狋狋犻狀犵狅犳狋犺狉犲狊犺狅犾犱犻狀犻犿犪犵犲狊犲犵犿犲狀狋犪狋犻狅狀
图８ 融合决策树方法的面向对象植被类型图
犉犻犵．８ 犜犺犲犿犪狆狅犳狏犲犵犲狋犪狋犻狅狀狋狔狆犲狑犻狋犺狅犫犼犲犮狋狅狉犻犲狀狋犲犱犮犾犪狊狊犻犳犻犮犪狋犻狅狀犻狀狋犲犵狉犪狋犻狅狀狅犳犱犲犮犻狊犻狅狀狋狉犲犲犮犾犪狊狊犻犳犻犲狉
７６第２２卷第５期 草业学报２０１３年
１．４．３ 建立规则 在图斑确立后，我们依据图斑中的像元值计算每个图斑的整体属性值，本研究中主要计算空
间（ｓｐａｔｉａｌ）和光谱（ｓｐｅｃｔｒａｌ）属性。对于某一图斑，波段的平均灰度值计算公式如下所示：
犞狓＝１狀∑
狀
犻＝１
犞狓犻 （３）
式中，犞狓为该图斑在狓波段的整体属性值，狀为这一图斑内的像元个数，犞狓犻为狓波段的第犻像元的属性值。计
算出属性值之后，利用图４中的决策树规则对草地类型分类建立规则。
１．４．４ 分类结果 在面向对象分类得到研究区属性图斑，然后以建立的决策树规则对其进行分类操作，最终得
到研究区草地分类图像（图８），植被类型的分布同只用决策树进行分类的结果一样，也是东南方位发育良好、西
北方位发育较差。同时，图５ｂ右下角所示比图５ｂ左下角所示中的分类结果更加接近人类视觉认知行为。
２ 结果与分析
２．１ 决策树分类结果及精度评价
根据表１所示的误差矩阵［３２］分析，应用传统的决策树分类方法对研究区的草地类型进行划分得到的分类结
果总精度为５６．１６％，Ｋａｐｐａ系数为０．４３９４。各草地类型在研究区所占面积和百分比分别为沼泽草甸（２４２２５
ｋｍ２，１４．６２％）、高寒草甸（７４４３１ｋｍ２，４４．９２％）、草原化草甸（７６３８ｋｍ２，４．６１％）、高寒灌丛（１３９３６ｋｍ２，
８．４１％）、高寒草原（１２２３ｋｍ２，０．７４％）、荒漠化草甸（１５２５４ｋｍ２，９．２１％）、荒漠化草原（１６ｋｍ２，０．０１％）和高寒
荒漠（１９２９２ｋｍ２，１１．６４％），其余为无植被区域。
表１ 决策树分类误差矩阵
犜犪犫犾犲１ 犈狉狉狅狉犿犪狋狉犻狓犪犫狅狌狋犮狅狀狏犲狀狋犻狅狀犪犾犱犲犮犻狊犻狅狀狋狉犲犲犮犾犪狊狊犻犳犻犲狉
调查点Ｓｕｒｖｅｙｐｏｉｎｔ
决策树分类结果 Ｔｈｅｉｍａｇｅｏｆｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒ
沼泽草甸
Ｓｗａｍｐ
ｍｅａｄｏｗ
高寒草甸
Ａｌｐｉｎｅ
ｍｅａｄｏｗ
草原化草甸
Ｓｔｅｐｐｅａｌｐｉｎｅ
ｍｅａｄｏｗ
高寒灌丛
Ａｌｐｉｎｅ
ｓｈｒｕｂ
高寒草原
Ａｌｐｉｎｅ
ｓｔｅｐｐｅ
荒漠化草甸
Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ
ｍｅａｄｏｗ
荒漠化草原
Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ
ｓｔｅｐｐｅ
荒漠
Ｄｅｓｅｒｔ
总和
Ｓｕｍ
沼泽草甸Ｓｗａｍｐｍｅａｄｏｗ ８ ５ ０ ０ ０ １ ０ ３ １７
高寒草甸Ａｌｐｉｎｅｍｅａｄｏｗ ４ １７ ３ ０ ０ １ ０ ２ ２７
草原化草甸Ｓｔｅｐｐｅａｌｐｉｎｅｍｅａｄｏｗ ０ ０ １ １ ０ ０ ０ ０ ２
高寒灌丛Ａｌｐｉｎｅｓｈｒｕｂ ０ ０ ０ １ ０ ０ ０ ０ １
高寒草原Ａｌｐｉｎｅｓｔｅｐｐｅ ０ ０ １ ０ ４ ０ ０ ４ ９
荒漠化草甸Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｍｅａｄｏｗ ０ ３ ０ ０ ０ ３ ０ ０ ６
荒漠化草原Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｓｔｅｐｐｅ ０ １ ０ ０ ０ ０ ２ ０ ３
荒漠 Ｄｅｓｅｒｔ ０ ２ ０ ０ ０ １ ０ ５ ８
总和 Ｔｏｔａｌ １２ ２８ ５ ２ ４ ６ ２ １４ ７３
２．２ 融合决策树方法的面向对象分类结果及精度评价
根据表２，融合决策树方法的面向对象草地分类总精度为４９．３２％，Ｋａｐｐａ系数为０．３７３５。各草地类型在研
究区所占面积和百分比分别为沼泽草甸（３１５６７ｋｍ２，１９．０５％）、高寒草甸（７１５８５ｋｍ２，４３．２０％）、草原化草甸
（９４６７ｋｍ２，５．７１％）、高寒灌丛（１２３２５ｋｍ２，７．４４％）、高寒草原（４２ｋｍ２，０．０３％）、荒漠化草甸（１１１１８ｋｍ２，
６．７１％）、荒漠化草原（３７０７ｋｍ２，２．２４％）和高寒荒漠（１１８７２ｋｍ２，７．１７％），其余为无植被区域。
３ 讨论
从１８０５年ＶｏｎＨｕｍｂｏｌｄｔ和Ｂｏｎｐｌａｎｄ发表《植物地理学基础》以来，植被类分类的研究已经经历了２００多
年的发展。起初，植被分类基本上都是依靠人工调查来完成，虽然这种基础的分类方法具有很高的精度，不过如
果对大面积研究区域做出调查，就会存在调查周期过长、作业成本过高、人力物力耗费巨大的缺点，现在的植被分
类方法多采用遥感等技术手段同人工调查结合的办法完成。
８６ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
表２ 融合决策树方法的面向对象分类误差矩阵
犜犪犫犾犲２ 犈狉狉狅狉犿犪狋狉犻狓犪犫狅狌狋狅犫犼犲犮狋狅狉犻犲狀狋犲犱犮犾犪狊狊犻犳犻犮犪狋犻狅狀犻狀狋犲犵狉犪狋犻狅狀狅犳犱犲犮犻狊犻狅狀狋狉犲犲犮犾犪狊狊犻犳犻犲狉
调查点Ｓｕｒｖｅｙｐｏｉｎｔ
决策树分类结果 Ｔｈｅｉｍａｇｅｏｆｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒ
沼泽草甸
Ｓｗａｍｐ
ｍｅａｄｏｗ
高寒草甸
Ａｌｐｉｎｅ
ｍｅａｄｏｗ
草原化草甸
Ｓｔｅｐｐｅａｌｐｉｎｅ
ｍｅａｄｏｗ
高寒灌丛
Ａｌｐｉｎｅ
ｓｈｒｕｂ
高寒草原
Ａｌｐｉｎｅ
ｓｔｅｐｐｅ
荒漠化草甸
Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ
ｍｅａｄｏｗ
荒漠化草原
Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ
ｓｔｅｐｐｅ
荒漠
Ｄｅｓｅｒｔ
总和
Ｓｕｍ
沼泽草甸Ｓｗａｍｐｍｅａｄｏｗ ３ ６ １ １ ２ ０ ３ １ １７
高寒草甸Ａｌｐｉｎｅｍｅａｄｏｗ １ １９ ３ ２ ０ ０ ２ ０ ２７
草原化草甸Ｓｔｅｐｐｅａｌｐｉｎｅｍｅａｄｏｗ ０ ０ ２ ０ ０ ０ ０ ０ ２
高寒灌丛Ａｌｐｉｎｅｓｈｒｕｂ ０ ０ ０ ０ １ ０ ０ ０ １
高寒草原Ａｌｐｉｎｅｓｔｅｐｐｅ ０ １ ２ １ ３ ０ ０ ２ ９
荒漠化草甸Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｍｅａｄｏｗ １ １ ０ ０ ０ ４ ０ ０ ６
荒漠化草原Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｓｔｅｐｐｅ ０ ０ ０ ０ １ ０ １ １ ３
荒漠 Ｄｅｓｅｒｔ ０ ０ １ １ １ ０ １ ４ ８
总和 Ｔｏｔａｌ ５ ２７ ９ ５ ８ ４ ７ ８ ７３
应用遥感手段的植被分类方法主要包括非监督分类、监督分类、决策树规则分类和面向对象分类等几个阶
段。非监督分类和监督分类方法更多的是基于光谱信息特征，因此该方法大多用于较大植被类型和规则植被区
分类，如区分林地、草地、岩石、水体、大片连续农田等。本研究对草地类型进行划分，因光谱特征非常相似，所以
利用非监督分类和监督分类方法无法做出分类结果。
决策树分类方法在小区域植被分类中的引用已经成熟，不过在大区域的植被分类中应用较少，本研究利用决
策树方法的分类精度为（５６．１６％，０．４３９４），高于融合决策树方法的面向对象分类方法精度（４９．３２％，０．３７３５）。
该方法的分类精度偏低，是由于面向对象的方法在运算过程中会将周围的像元合并到基础图斑中，同时也存在将
同类型草地类型分割到基础图斑之外的现象，这就会造成一定的“错分”和“漏分”现象。不过，相比传统决策树分
类方法，本方法可有效的去除“椒盐效应”，更符合人类对客观世界的认知。
分类时，决策树分类方法对沼泽草甸、高寒灌丛、高寒草原、荒漠化草原和荒漠的划分准确率高于融合决策树
方法的面向对象分类方法，其他３种分类结果中融合决策树方法的面向对象分类方法高于决策树分类方法。同
时，融合决策树方法的面向对象分类规则依据统计经验关系得出，存在主观性较大的问题。图４分类规则中的高
寒草甸出现次数最多（１３次，一共３４条规则），而且出现的范围最广（除了ＥＶＩ＜０．１２的无植被区域和ＥＶＩ＞
０．６０的沼泽草甸区域以外，其他区域都有分布），所以在２种分类结果中高寒草甸的面积占据整个研究区域的面
积也最大（分别为４４．９２％和４３．２０％）。决策树分类方法和融合决策树方法的面向对象分类都较多的将其他草
地类型划分成沼泽草甸和将沼泽草甸划分成其他草地类型，造成这种现象的主要原因是没有充分的地面水分状
况数据，如果能有较完善的地面水分数据可以为水分条件优良的沼泽草甸划分提供基础数据。接下来的青藏高
原多年冻土本底调查研究项目会为我们提供整个青藏高原的冻土分布状况，依据研究区域的冻土水分特征会为
我们的植被分类提供更多的数据资料，也会为植被分类精度的提高提供依据。
４ 结论
相比早期对小面积区域植被分类的研究［１８，２０，２３，３３］，本研究主要是利用决策树分类方法在大面积区域内进行
草地分类研究。同时，融合决策树方法的面向对象分类方法在大面积区域研究分类时虽然存在精度低于传统决
策树分类方法的缺点，不过该方法却更符合人类观测习惯，如果能够结合更多的物理过程资料或者完善的植被生
境理论［３４３６］，依据其结合地形、光谱、纹理等多种信息的特点，精度将会有很大的提升，也更能反映草地类型形成
的客观规律。
９６第２２卷第５期 草业学报２０１３年
致谢：本研究部分数据得到科技部基础性工作专项“青藏高原多年冻土本底调查（２００８ＦＹ１１０２００）”项目支持，野
外工作得到焦克勤老师、吴吉春师兄、张乐乐等的帮助，文章成文时秦细心修改，在此衷心感谢。同时感谢兰州
大学草地农业科技学院的冯琦胜师兄在数据处理过程中的帮助和青海大学王迅在ＴＭ 数据下载时候的大力支
持。
参考文献：
［１］ 胡宏昌，王根绪，王一博，等．江河源区典型多年冻土和季节冻土区水热过程对植被盖度的响应［Ｊ］．科学通报，２００９，
５４（２）：２４２２５０．
［２］ 潘保田，李吉均．青藏高原：全球气候变化的驱动机与放大器［Ｊ］．兰州大学学报（自然科学版），１９９６，３２（１）：１０８１１５．
［３］ 金会军，赵林，王绍令，等．青藏公路沿线冻土的地温特征及退化方法［Ｊ］．中国科学Ｄ辑：地球科学，２００６，３６（１１）：１００９
１０１９．
［４］ 李韧，赵林，丁永建，等．地表能量变化对多年冻土活动层融化过程的影响［Ｊ］．冰川冻土，２０１１，３３（６）：１２３５１２４２．
［５］ 王一博，王根绪，沈永平，等．青藏高原高寒区草地生态环境系统退化研究［Ｊ］．冰川冻土，２００５，２７（５）：６３３６４０．
［６］ 冯松，汤懋苍，王冬梅．青藏高原是我国气候变化启动区的新证据［Ｊ］．科学通报，１９９８，４３（６）：６３３６３６．
［７］ 王根绪，李元寿，王一博，等．近４０年来青藏高原典型高寒湿地系统的动态变化［Ｊ］．地理学报，２００７，６２（５）：４８１４９１．
［８］ ＷｕＱＢ，ＬｉｕＹＺ．ＧｒｏｕｎｄｔｅｍｐｅｒａｔｕｒｅｍｏｎｉｔｏｒｉｎｇａｎｄｉｔｓｒｅｃｅｎｔｃｈａｎｇｅｉｎＱｉｎｇｈａｉ－ＴｉｂｅｔＰｌａｔｅａｕ［Ｊ］．ＣｏｌｄＲｅｇｉｏｎＳｃｉｅｎｃｅ
ａｎｄＴｅｃｈｎｏｌｏｇｙ，２００４，３８（２３）：８５９２．
［９］ 丁永健，叶佰生，刘时银，等．青藏高原大尺度冻土水文检测研究［Ｊ］．科学通报，２０００，４５（２）：２０８２１４．
［１０］ 赵林，程国栋，李述训，等．青藏高原五道梁附近多年冻土活动层冻结和融化过程［Ｊ］．科学通报，２０００，４５（１１）：１２０５
１２１１．
［１１］ ＹｉＳＨ，ＺｈｏｕＺＹ，ＲｅｎＳＬ，犲狋犪犾．ＥｆｆｅｃｔｓｏｆｐｅｒｍａｆｒｏｓｔｄｅｇｒａｄａｔｉｏｎｏｎａｌｐｉｎｅｇｒａｓｓｌａｎｄｉｎａｓｅｍｉａｒｉｄｂａｓｉｎｏｎｔｈｅＱｉｎｇｈａｉ
ＴｉｂｅｔａｎＰｌａｔｅａｕ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓ，２０１１，６（４）：１７．
［１２］ 陈君颖，田庆久．高分辨率遥感植被分类研究［Ｊ］．遥感学报，２００７，１１（２）：２２１２２７．
［１３］ ＸｉｅＹＣ，ＳｈａＺＹ，ＹｕＭ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｙｉｎｖｅｇｅｔａｔｉｏｎｍａｐｐｉｎｇ：ａｒｅｖｉｅｗ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｌａｎｔＥｃｏｌｏｇｙ，２００８，
１（１）：９２３．
［１４］ ＯｂｅｒｂａｕｅｒＳＦ，ＴｅｎｈｕｎｅｎＪＤ，ＲｅｙｎｏｌｄｓＪＦ．ＥｎｖｉｒｏｎｍｅｎｔａｌｅｆｆｅｃｔｓｏｎＣＯ２ｅｆｆｌｕｘｆｒｏｍｗａｔｅｒｔｒａｃｋａｎｄｔｕｓｓｏｃｋｔｕｎｄｒａｉｎ
ＡｒｃｔｉｃＡｌａｓｋａ［Ｊ］．ＡｒｃｔｉｃａｎｄＡｌｐｉｎｅＲｅｓｅａｒｃｈ，１９９１，２３：１６２１６９．
［１５］ ＪｕｎｇＭ，ＣｈｕｒｋｉｎａＧ，ＨｅｎｋｅｌＫ，犲狋犪犾．Ｅｘｐｌｏｉｔｉｎｇｓｙｎｅｒｇｉｅｓｏｆｇｌｏｂａｌｌａｎｄｃｏｖｅｒｐｒｏｄｕｃｔｓｆｏｒｃａｒｂｏｎｃｙｃｌｅｍｏｄｅｌｉｎｇ［Ｊ］．Ｒｅ
ｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００６，１０１（４）：５３４５５３．
［１６］ 李晓兵，史培军．基于ＮＯＡＡ／ＡＶＨＲＲ数据的中国主要植被类型 ＮＤＶＩ变化规律研究［Ｊ］．植物学报，１９９９，４１（３）：３１４
３２４．
［１７］ 李影，王友宝，刘登义．安徽铜陵狮子山铜尾矿场植被调查［Ｊ］．应用生态学报，２００３，１４（１１）：１９８１１９８４．
［１８］ 张秀敏，盛煜，南卓铜，等．基于决策树方法的青藏高原温泉区域高寒草地植被分类研究［Ｊ］．草业科学，２０１１，２８（１２）：
２０７４２０８３．
［１９］ 李荣平，周广胜，王玉辉，等．羊草物候特征对气候因子的响应［Ｊ］．生态学杂志，２００６，２５（３）：２７７２８０．
［２０］ 翁中银，何政伟，于欢．基于决策树分类的地表覆盖遥感信息提取［Ｊ］．地理空间信息，２０１２，１０（２）：１１０１１２．
［２１］ ＨａｒｋｅｎＪ，ＳｕｇｕｍａｒａｎｒＲ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｌｏｗａｗｅｔｌａｎｄｓｕｓｉｎｇａｎａｉｒｂｏｒｎｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅ：Ａｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｓｐｅｃ
ｔｒａｌａｎｇｌｅｍａｐｐｅｒｃｌａｓｓｉｆｉｅｒａｎｄａｎｏｂｊｅｃｔｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈ［Ｊ］．ＣａｎａｄｉａｎＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００５，３１（２）：１６７１７４．
［２２］ ＷａｌｋｅｒＪＳ，ＢｒｉｇｇｓＪＭ．Ａｎｏｂｊｅｃｔｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆａｎａｒｉｄｕｒｂａｎｆｏｒｅｓｔｗｉｔｈｔｒｕｅｃｏｌｏｒａｅｒｉａｌｐｈｏｔｏｇｒａｐｈｙ［Ａ］．３ｒｄ
ＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＤａｔａＦｕｓｉｏｎｏｖｅｒＵｒｂａｎＡｒｅａｓ［Ｃ］．ＵＳＡ，２００５：６６８５．
［２３］ 张学儒，刘林山，张镱锂，等．基于ＥＮＶＩＺＯＯＭ 面向对象的高海拔灌丛植被提取———以定日县为例［Ｊ］．地理与地理信息
科学，２０１０，２６（４）：１０４１０８．
［２４］ 周春艳，王萍，张震勇，等．基于面向对象信息提取技术的城市用地分类［Ｊ］．遥感技术与应用，２００８，２３（１）：３９４４．
［２５］ 江辉，周文斌，刘瑶．鄱阳湖湿地遥感分类研究及应用［Ｊ］．遥感技术与应用，２００８，２３（６）：６４８６５２．
［２６］ 苏伟，李京，陈云浩，等．基于多尺度影像分割的面向对象城市土地覆被分类研究［Ｊ］．遥感学报，２００７，１１（４）：５２１５３０．
０７ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
［２７］ 齐红超，祁元，徐調．基于Ｃ５．０决策树算法的西北干旱区土地覆盖分类研究———以甘肃省武威市为例［Ｊ］．遥感技术与应
用，２００９，２４（５）：６４８６５４．
［２８］ 张永双，马寅生，胡道功，等．玉树地震地表破裂调查与灾后重建避让选址研究［Ｊ］．地质学报，２０１０，８４（５）：５９３６０５．
［２９］ 焦全军，张兵，赵晶晶，等．基于航空高光谱影像的青海省玛多县高寒草原景观格局特征分析［Ｊ］．草业学报，２０１２，２１（２）：
４３５０．
［３０］ 宋杨，万幼川，申绍洪，等．基于傅立叶变换的混合分类模型用于ＮＤＶＩ时序影像分析［Ｊ］．武汉大学学报，２００７，３２（５）：
４０６４０９．
［３１］ 王晓爽，胡卓玮，赵文吉，等．基于 ＥＶＩ植被指数的大尺度草地多源信息综合分类研究［Ｊ］．草业科学，２０１１，２８（１）：１０
１７．
［３２］ 王志伟，赵林，冯琦胜，等．青藏高原冻土区划与草原分类一致性分析［Ｊ］．草业科学，２０１２，２９（６）：８５１８５６．
［３３］ 张艳楠，牛建明，张庆，等．植被指数在典型草原生物量遥感估测应用中的问题探讨［Ｊ］．草业学报，２０１２，２１（１）：２２９
２３８．
［３４］ 范月君，侯向阳，石红霄，等．气候变暖对草地生态系统碳循环的影响［Ｊ］．草业学报，２０１２，２１（３）：２９４３０２．
［３５］ 周华坤，赵新全，温军，等．黄河源区高寒草原的植被退化与土壤退化特征［Ｊ］．草业学报，２０１２，２１（５）：１１１．
［３６］ 梁天刚，冯琦胜，黄晓东，等．草原综合顺序分类系统研究进展［Ｊ］．草业学报，２０１１，２０（５）：２５２２５８．
犃狊狊犲狊狊犿犲狀狋狅犳狏犲犵犲狋犪狋犻狅狀犫狔狅犫犼犲犮狋狅狉犻犲狀狋犲犱犮犾犪狊狊犻犳犻犮犪狋犻狅狀犪狀犱犻狀狋犲犵狉犪狋犻狅狀
狅犳犱犲犮犻狊犻狅狀狋狉犲犲犮犾犪狊狊犻犳犻犲狉犻狀犢狌狊犺狌
ＷＡＮＧＺｈｉｗｅｉ１，３，ＳＨＩＪｉａｎｚｏｎｇ１，ＹＵＥＧｕａｎｇｙａｎｇ１，ＺＨＡＯＬｉｎ１，ＮＡＮＺｈｕｏｔｏｎｇ１，
ＷＵＸｉａｏｄｏｎｇ１，ＱＩＡＯＹｏｎｇｐｉｎｇ１，ＷＵＴｏｎｇｈｕａ１，ＺＯＵＤｅｆｕ１，２
（１．ＣｒｙｏｓｐｈｅｒｅＲｅｓｅａｒｃｈＳｔａｔｉｏｎｏｎｔｈｅＱｉｎｇｈａｉＴｉｂｅｔＰｌａｔｅａｕ，ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＣｒｙｏｓｐｈｅｒｅ
Ｓｃｉｅｎｃｅｓ，ＣｏｌｄａｎｄＡｒｉｄＲｅｇｉｏｎｓＥｎｖｉｒｏｎｍｅｎｔａｌａｎｄＥｎｇｉｎｅｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｃｈｉｎｅｓｅ
ＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｌａｎｚｈｏｕ７３００００，Ｃｈｉｎａ；２．ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌａｎｄ
ＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｓｔａｔｅ
ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｒａｓｓｌａｎｄＡｇｒｏｅｃｏｓｙｓｔｅｍ，Ｌａｎｚｈｏｕ
７３００２０，Ｃｈｉｎａ；３．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙ
ｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００４９，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｈａｓａｔｔｒａｃｔｅｄｍｕｃｈａｔｔｅｎｔｉｏｎｆｏｒｓｔｕｄｙｏｆｅｃｏｌｏｇｉｃａｌｅｆｆｅｃｔｓｏｎｔｈｅ
Ｑｉｎｇｈａｉ－ＴｉｂｅｔａｎＰｌａｔｅａｕ．Ｐｒｅｖｉｏｕｓｓｔｕｄｉｅｓｈａｖｅｍｏｓｔｌｙｆｏｃｕｓｅｄｏｎｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒｓ，ａｎｄｍｕｃｈｒｅｓｅａｒｃｈ
ｈａｓｂｅｅｎｄｏｎｅｔｏｔｅｓｔｔｈｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎａｓｍａｌｓｃａｌｅ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｗｅｃｏｎｓｉｄｅｒａｌａｒｇｅｓｃａｌｅｍｅｔｈｏｄ（ｏｂ
ｊｅｃｔｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ），ｗｈｉｃｈｃａｎａｌｓｏｂｅｉｎｔｅｇｒａｔｅｄｗｉｔｈａｃｏｎｖｅｎｔｉｏｎａｌｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒ．Ｈｏｗｅｖｅｒ，
ｔｈｅｒｕｌｅｓｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｈａｖｅｏｎｌｙｕｔｉｌｉｚｅｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒｓ．Ｔｈｉｓａｐｐｒｏａｃｈｃｏｍ
ｐｒｅｈｅｎｓｉｖｅｌｙｃｏｎｓｉｄｅｒｅｄｉｎｆｏｒｍａｔｉｏｎｏｆｐｏｓｉｔｉｏｎ，ｔｅｒｒａｉｎａｎｄｔｅｘｔｕｒｅｆｒｏｍＴＭ （ｔｈｅｍａｔｉｃｍａｐｐｅｒ），ＤＥＭ（ｄｉｇｉｔ
ａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌ），ＥＶＩ（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ）ａｎｄＬＳＴ（ｌａｎｄｓｕｒｆａｃｅｔｅｍｐｅｒａｔｕｒｅ）ｉｎＹｕｓｈｕ，ａｎｄｔｈｅｎ
ｓｅｇｍｅｎｔｅｄｏｒｍｅｒｇｅｄｔｈｅｔｙｐｅｏｆｓｔｅｐｐｅ．Ｔｈｅｏｖｅｒａｌａｃｃｕｒａｃｙｉｓ４９．３２％，ａｎｄＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｉｓ０．３７３５．
Ｏｕｒｓｔｕｄｙｓｕｇｇｅｓｔｅｄｔｈａｔｔｈｉｓｍｅｔｈｏｄｃｏｕｌｄｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｓｏｆｓｃａｔｔｅｒｅｄｐｉｘｅｌｓｗｈｅｎｄｉｖｉｓｉｏｎｉｓｂｙ
ｔｈｅｔｙｐｅｏｆｖｅｇｅｔａｔｉｏｎ．Ｃｏｍｐａｒｅｄｔｏｔｈｅｃｏｎｖｅｎｔｉｏｎａｌｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒ，ｔｈｅｏｖｅｒａｌｐｒｅｃｉｓｉｏｎｏｆｏｕｒｍｅｔｈ
ｏｄｉｓｌｏｗ．Ｈｏｗｅｖｅｒｏｕｒｍｅｔｈｏｄｍａｉｎｔａｉｎｅｄｔｈｅｓｔａｔｉｓｔｉｃａｌｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｆａｃｔｏｒｓｄｅｒｉｖｅｄｆｒｏｍｔｈｅｅｎｖｉ
ｒｏｎｍｅｎｔａｎｄｇｅｏｇｒａｐｈｙ，ａｎｄｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｔｏｒｅｄｕｃｅｔｈｅｓａｌｔａｎｄｐｅｐｐｅｒｅｆｆｅｃｔｓ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｐｈｙｓｉｃａｌ
ｐｒｏｃｅｓｓ，ｐａｒａｍｅｔｅｒｃａｌｃｕｌａｔｉｏｎｓａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｃｏｌｅｃｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｍｏｄｅｌｓａｒｅｃｏｍｐｌｉｃａｔｅｄ．Ｉｎ
ｔｈｉｓｐａｐｅｒ，ａｓｉｍｐｌｅａｎｄｑｕｉｃｋｗａｙｏｆｄｉｖｉｓｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｉｓｐｒｏｖｉｄｅｄｂｙｏｕｒｍｅｔｈｏｄ．
犓犲狔狑狅狉犱狊：ｏｂｊｅｃｔｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｅｒ；Ｙｕｓｈｕ；ｖｅｇｅｔａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎ
１７第２２卷第５期 草业学报２０１３年