輔以NDVI/DEM的面向?qū)ο竽臼硖崛》椒ㄑ芯?br/>——以廣西壯族自治區(qū)武鳴縣為例

馬 洋 洋,張 彩 霞,張 繼 超,謝 高 地,張 雷 明*

(1.中國科學(xué)院地理科學(xué)與資源研究所,北京 100101；2.黑龍江工業(yè)學(xué)院,黑龍江 雞西158100；3.遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院,遼寧 阜新 123000)

?

輔以NDVI/DEM的面向?qū)ο竽臼硖崛》椒ㄑ芯?br/>——以廣西壯族自治區(qū)武鳴縣為例

馬 洋 洋1,2,張 彩 霞1,張 繼 超3,謝 高 地1,張 雷 明1*

(1.中國科學(xué)院地理科學(xué)與資源研究所,北京 100101；2.黑龍江工業(yè)學(xué)院,黑龍江 雞西158100；3.遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院,遼寧 阜新 123000)

木薯作為重要的非糧能源作物,因其種植分散、與易混淆作物缺乏生長時相差,從而導(dǎo)致其種植分布信息難以正確獲取，一直是困擾木薯乙醇資源正確評估的技術(shù)問題。該研究以廣西壯族自治區(qū)武鳴縣為研究區(qū),應(yīng)用高分辨率RapidEye影像數(shù)據(jù),探討利用面向?qū)ο蠓诸惙椒ê侠硖崛∧臼矸N植面積及其空間分布信息。研究表明,將歸一化植被指數(shù)(NDVI)和數(shù)字高程數(shù)據(jù)(DEM)應(yīng)用于遙感影像的多尺度分割,并結(jié)合基于隸屬度函數(shù)和閾值的面向?qū)ο蠓诸惙椒?提取木薯種植面積的精度達(dá)85%,分類精度(以Kappa系數(shù)表示)為0.9。相比最大似然監(jiān)督分類方法和未輔以NDVI/DEM的面向?qū)ο蠓诸惙椒?該方法的總精度分別提高了5%和12%,Kappa系數(shù)分別提高了0.2和0.3。因此,NDVI和DEM數(shù)據(jù)參與影像分割的面向?qū)ο蟮男畔⑻崛》椒?可以有效地提高遙感圖像分類的精度,并為提取種植分散、與相關(guān)植被時相差異小的作物的空間分布提供了有效的技術(shù)借鑒。

RapidEye影像；NDVI/DEM；面向?qū)ο蠓诸悾豢臻g分布；木薯

0 引言

木薯作為我國唯一投入規(guī)模化生產(chǎn)的非糧生物燃料乙醇的原料來源,準(zhǔn)確提取其時空分布是客觀評估其化石燃料替代潛力的前提和基礎(chǔ)[1]。木薯對土壤肥力和水分供應(yīng)等種植條件要求不高,在我國廣西壯族自治區(qū)適宜地區(qū)的不同類型土壤和地形上均有分布[2],但多為分散性種植,并與玉米、豆類和瓜類等套作種植[3],其種植面積難以準(zhǔn)確提取。木薯與甘蔗種植區(qū)域往往相互交錯,并且二者的種植、生長和收獲期基本重合,因此,直接利用作物生長時相對二者進(jìn)行區(qū)分的不確定性很大，而傳統(tǒng)的統(tǒng)計抽樣方法在大尺度作物空間分布調(diào)查時的時效性和客觀性也存在較多問題[4]。因此,準(zhǔn)確刻畫分散性種植木薯的空間分布特征是客觀評價我國木薯乙醇資源潛力所面臨的重要技術(shù)難點。

面向?qū)ο蟮倪b感影像分析技術(shù)是基于圖像對象的一種新分類方法[5],通過對影像的分割,使同質(zhì)像元組成大小不同的對象[6],能克服傳統(tǒng)基于像素的分類方法中出現(xiàn)的“椒鹽”現(xiàn)象[5,7],實現(xiàn)較高層次的遙感圖像分類和目標(biāo)地物提取[7,8],提高地物分類結(jié)果的精度和價值[7-10]。目前,該方法雖已在國內(nèi)得到較多應(yīng)用[5,10-12],但較少使用其他輔助信息參與影像分割分類,而且對于面積較小、分散種植的作物,特別是與周邊作物不具有明顯生長時相差的作物分布的提取較罕見。

本文選擇我國木薯種植第一大縣——廣西壯族自治區(qū)武鳴縣為研究區(qū),在常規(guī)面向?qū)ο蠓诸惙椒ǖ幕A(chǔ)上，探討輔以歸一化植被指數(shù)(NDVI)和數(shù)字高程數(shù)據(jù)(DEM)的木薯種植面積提取方法，通過與未考慮輔助信息的分類方法的對比分析，建立區(qū)域尺度木薯種植面積及其空間分布的提取技術(shù)，為正確評估我國木薯乙醇資源潛力提供技術(shù)參考。

1 研究區(qū)與數(shù)據(jù)獲取

1.1 研究區(qū)域概況

武鳴縣位于廣西壯族自治區(qū)南部(22°55′～23°33′N,107°50′～108°38′E),屬亞熱帶濕潤季風(fēng)氣候,年均氣溫21.7℃,年降雨量1 100～1 700 mm,無霜期270～300 d。全縣面積約3 366 km2,多山地丘陵。據(jù)武鳴縣木薯產(chǎn)業(yè)發(fā)展辦公室統(tǒng)計,2012年武鳴縣木薯的種植面積為2.2萬 hm2,約占廣西木薯種植面積的10%。由于受木薯產(chǎn)品價格走低的影響,原種植木薯的農(nóng)田大量轉(zhuǎn)種了香蕉、甘蔗和桉樹,使得該縣集中連片的大面積木薯種植區(qū)域逐漸減少,而更多地呈現(xiàn)出分散性的小面積種植,且常與玉米、花生、南瓜等作物間作套種,加大了木薯影像判別提取難度。研究區(qū)試驗影像如圖1。

圖1 研究區(qū)RapidEye影像

Fig.1 RapidEye image of the study area

1.2 技術(shù)流程

在獲取武鳴縣高分辨率RapidEye遙感影像的基礎(chǔ)上，通過影像的預(yù)處理和資料收集，分別提取得到該區(qū)域歸一化植被指數(shù)(NDVI)和數(shù)字高程數(shù)據(jù)(DEM)。利用德國eCognition8.7軟件進(jìn)行遙感影像分割處理，將NDVI和DEM數(shù)據(jù)作為輔助信息參與遙感影像的面向?qū)ο蠓诸悾⑴c無輔助信息的面向?qū)ο蠓诸惡妥畲笏迫槐O(jiān)督分類兩種方法的分類結(jié)果進(jìn)行對比分析，以準(zhǔn)確提取區(qū)域尺度木薯種植的空間分布信息。具體技術(shù)流程如圖2所示。

圖2 技術(shù)流程

Fig.2 Technical flowchart of this study

1.3 影像數(shù)據(jù)及其預(yù)處理

本研究所用的遙感影像為經(jīng)過輻射校正和系統(tǒng)幾何校正的RapidEye 1B級影像數(shù)據(jù)，拍攝時間為2012年9月30日，此時正是木薯生長旺盛、接近成熟的季節(jié)，其主要衛(wèi)星參數(shù)見表1。

表1 RapidEye衛(wèi)星參數(shù)

Table 1 The parameters of RapidEye satellite

名稱參數(shù)名稱參數(shù)波段數(shù)5衛(wèi)星重訪周期<1d波長藍(lán)440～510nm綠520～590nm紅630～685nm紅邊690～730nm近紅外760～850nm最大航天器滾轉(zhuǎn)角25°空間分辨率6．5m掃描方式推帚掃描儀幅寬77km影像獲取能力400萬km2/d

獲取RapidEye影像原始數(shù)據(jù)后，對其進(jìn)行了如下預(yù)處理：1)影像幾何校正：經(jīng)過幾何粗校正的遙感影像的精度不能滿足試驗的空間定位要求，需做幾何精校正，主要通過選擇地面控制點，在原始畸變的圖像與標(biāo)準(zhǔn)空間尋找控制點對，通過不同函數(shù)參數(shù)的選擇、坐標(biāo)變換、最近鄰/雙線性內(nèi)插、三次卷積重采樣的選擇等步驟完成[7]。依據(jù)IKONOS幾何模型并結(jié)合DEM數(shù)據(jù)，利用美國ERDAS9.3軟件在遙感影像上均勻選擇控制點，對影像進(jìn)行正射校正，控制誤差在一個像元內(nèi)，以滿足木薯種植面積的提取要求。2)影像裁剪和投影轉(zhuǎn)換：經(jīng)過幾何精校正后的影像，在ERDAS9.3中完成研究區(qū)遙感影像的裁剪，并在WGS84坐標(biāo)系下，利用ArcGIS 10.1將其他數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換，使所有的數(shù)據(jù)具有相同的空間參考，方便后續(xù)操作。

1.4 NDVI信息提取

RapidEye影像有5個波段，可用于地表NDVI信息反演，但在ERDAS9.3軟件中并沒有直接提取該影像NDVI的模型，因此，本研究利用空間模型工具編輯了NDVI的提取和計算模型；同時，對NDVI運算公式中分母為0的情況進(jìn)行特殊處理，避免運算結(jié)果產(chǎn)生溢出情況，進(jìn)而獲取基于RapidEye影像的高分辨率NDVI數(shù)據(jù)。

1.5 DEM信息提取

由ASTER GDEM網(wǎng)站(http：//gdem. ersdac.jspacesystems.or.jp/)獲取分辨率為30 m的DEM數(shù)據(jù)，并進(jìn)一步提取地表坡度數(shù)據(jù)，根據(jù)我國退耕還林(還草)政策法規(guī)的要求，選擇25°作為木薯分布的坡度上限。

1.6 地面驗證數(shù)據(jù)

為了對影像分類結(jié)果進(jìn)行有效驗證，本研究在2012年12月和2013年10月組織開展了兩次實地調(diào)查，獲取了227個實地采樣數(shù)據(jù)。同時，由地球系統(tǒng)科學(xué)數(shù)據(jù)共享網(wǎng)(www.geodata.cn)獲取了1∶25萬土地覆被信息。

2 地面覆被信息提取方法

面向?qū)ο蠓诸愔械碾`屬度函數(shù)以[0,1]統(tǒng)一范圍表達(dá)不同類別特征值范圍，每類特征值都通過邏輯運算符組合進(jìn)行類賦值運算，每個影像對象被賦予隸屬度最高的類別[13]。隸屬度函數(shù)分類方法易于對每個特征值進(jìn)行編輯和調(diào)整，提供了特征值和隸屬度之間的關(guān)系。

2.1 分割尺度的選擇

分割尺度的選擇是圖像分割的關(guān)鍵因素之一，選擇合適的分割尺度，不僅能將地物類型分割完整，而且能夠防止分割對象的邊界過于破碎。經(jīng)過多次試驗和目視比較，確定3個分割尺度，分割參數(shù)分別設(shè)定為200、150和55，同時，確立3個與其對應(yīng)的目標(biāo)提取圖層，具體分割設(shè)置和過程如下：1)確定Level 1的分割尺度為200，以便在大尺度上對村莊、裸地和水體進(jìn)行分類，然后利用掩膜將其從影像中去除；2)Level 2的分割尺度為150，由于香蕉和桉樹多為大面積種植，該尺度上兩種作物的影像對象邊界清晰且沒有出現(xiàn)與周圍地物混合的現(xiàn)象；3)Level 3的分割尺度為55，在該尺度上能夠很好地分割出木薯、甘蔗和水稻，分割邊界清晰且地類分布完整。

2.2 波段權(quán)重的設(shè)置

研究中共有7個波段參與分割,由于光譜信息對植被提取尤為重要,其光譜權(quán)重設(shè)置較大,而地形等信息為輔助要素,其權(quán)重設(shè)置較小。根據(jù)這一原則,植被在近紅外波段具有高反射特性,將其波段權(quán)重設(shè)置為5，將DEM圖層權(quán)重設(shè)置為3,以分析地形因素與木薯分布。為區(qū)分植被和非植被,提高木薯的分類精度,將NDVI圖層權(quán)重設(shè)置為3,其他圖層權(quán)重均設(shè)置為1。

2.3 遙感影像分割

本研究采用多尺度分割方法對遙感影像進(jìn)行分割，即先將單個像元作為一個對象，根據(jù)相鄰像元之間的光譜異質(zhì)性和形狀異質(zhì)性及設(shè)定的光譜異質(zhì)閾值和形狀異質(zhì)閾值對圖像的像元進(jìn)行合并和分割，再用形狀異質(zhì)性對產(chǎn)生的影像對象形狀進(jìn)行修正，最終得到具有相似形狀、顏色和紋理等特征的多邊形[14]。

NDVI和DEM包含了重要的地標(biāo)屬性信息，充分利用這些信息可提高遙感影像分割的準(zhǔn)確性。研究中利用eCognition軟件，將NDVI和DEM兩個圖層信息疊加到預(yù)處理后的影像中一并參與影像分割；同時，考慮到研究區(qū)木薯種植分布情況，以DEM提取的坡度信息對木薯分布區(qū)域進(jìn)行約束。圖3(見封3)和圖4(見封3)分別給出了NDVI和DEM信息參與影像分割與否的效果，可以看出，同等分割尺度條件下，輔以NDVI和DEM分割后的影像對象邊界完整，而無輔助信息參與分割的村莊邊界破碎，耕地分割不完整，不利于后續(xù)對作物的提取。

2.4 地表覆被信息的提取過程

在提取木薯之前，需要將其他非植被信息剔除，并且在植被信息中利用提取信息提取出木薯種植面積信息。

(1)村莊。雖然村莊的建筑較集中,亮度特征值較高,但往往與道路亮度特征值有重疊,無法單獨利用亮度準(zhǔn)確提取村莊信息。考慮到村莊內(nèi)有植被分布,但面積較小,其NDVI值僅高于水體和裸地,明顯低于其他植被，因此,基于NDVI和亮度特征值構(gòu)造隸屬度函數(shù)，提取村莊空間分布信息。

(2)水體。水體在近紅外波段具有強烈的吸收作用,而在綠波段的反射率較高,利用歸一化差異水體指數(shù)(NDWI)作為水體提取的特征值,并在eCognition軟件中自定義NDWI特征算法[15]提取水體。

(3)裸地。裸地NDVI值較小,介于村莊和水體之間,但裸地的亮度值明顯區(qū)別于水體和村莊,可以依據(jù)NDVI和亮度特征提取裸地信息。

(4)香蕉和桉樹。完成上述地物信息提取后,對尚未分類區(qū)域進(jìn)一步提取,對影像進(jìn)行二次分割,生成Level 2分割影像對象層。由于香蕉和桉樹種植相對集中且面積較大,可利用閾值分類分別提取出香蕉和桉樹分布區(qū)。

(5)木薯、甘蔗和水稻。通過對影像的第三次分割,生成Level 3分割影像對象層,以提取木薯、甘蔗和水稻的空間分布信息。首先,木薯和甘蔗在近紅外波段反演值差異明顯,甘蔗的近紅外值范圍為[7 570,9 272],而木薯的近紅外值大于9 272,可通過構(gòu)造隸屬度函數(shù)區(qū)分二者。其次,在尚未分類的區(qū)域中,利用SAVI、NDVI和近紅外波段值三者共同提取水稻種植面積信息,分類規(guī)則如表2。最后,對影像中錯分和漏分類別進(jìn)行目視檢查和修正,得到木薯及其他幾種作物種植的最終分類結(jié)果。

表2 分類規(guī)則

Table 2 Classification rules

分類特征隸屬度函數(shù)特征值范圍木薯NIRSlope927225甘蔗NIR7570，9272香蕉NIRNDVI9400，110000．49，0．63桉樹NIRNDVI8100，89950．45，0．5水稻NIRNDVISAVI9000，105500．44，0．5669，84水體NDWI-0．09，2．8村莊NDVIBrightness0．03，0．175230，6065裸地NDVIBrightness-0．01，0．014870，5226

3 結(jié)果與分析

基于NDVI/DEM分割與否以及最大似然監(jiān)督3種分類方法的木薯分布提取結(jié)果如圖5所示(見封3)，可以看出，面向?qū)ο蟮姆诸惙椒ńY(jié)果圖精度明顯高于最大似然監(jiān)督分類結(jié)果，而疊加NDVI/DEM輔助信息后的分類效果最佳。

為進(jìn)一步客觀評價基于NDVI/DEM分割的面向?qū)ο蠓诸悺oNDVI/DEM參與分割的面向?qū)ο蠓诸惡妥畲笏迫槐O(jiān)督分類3種方法的分類精度，隨機選取研究區(qū)驗證點170個，每個地物類別驗證點的數(shù)量與該類別的像元數(shù)呈正比，以保證各類別都有足夠的分析點。結(jié)合研究區(qū)的實地勘查數(shù)據(jù)，對樣本點的分類結(jié)果進(jìn)行判讀，建立混淆矩陣，對分類結(jié)果進(jìn)行精度驗證。3種分類方法的精度比較見表3。

表3 3種分類方法精度比較

Table 3 Accuracy analysis of three classification methods

類別生產(chǎn)者精度(%)用戶精度(%)總精度(%)Kappa系數(shù)ABCABCABCABC木薯868073888276甘蔗847971868065香蕉908380908582桉樹9085789184838580730．90．80．6水稻807769827960水體837874807764村莊828076878178裸地797570757367

注：A為基于NDVI/DEM分割的面向?qū)ο蠓诸悾籅為未基于NDVI/DEM分割的面向?qū)ο蠓诸悾籆為最大似然監(jiān)督分類。

可以看出，最大似然監(jiān)督分類的總精度為73%，Kappa系數(shù)為0.60。該方法分類結(jié)果中，木薯與甘蔗、香蕉、桉樹被混分現(xiàn)象嚴(yán)重，有1/3的木薯被錯分為甘蔗。面向?qū)ο蠓诸惙椒ㄏ啾扔谧畲笏迫环诸悾m然NDVI/DEM信息未參與分類，但其總體和個體分類精度都有不同程度的提高，木薯與其他作物被混分的現(xiàn)象有明顯改善，分類精度和Kappa系數(shù)分別提高了7%和0.2。而基于NDVI/DEM分割的面向?qū)ο蠓诸惖目偩葹?5%，Kappa系數(shù)達(dá)0.9，比最大似然分類方法的總精度和Kappa系數(shù)分別提高了12%和0.3。由此可見，輔以NDVI和DEM數(shù)據(jù)分割的面向?qū)ο蠓诸惙椒軌蝻@著提高木薯等分散種植作物的分類精度，其分類方法具有良好的可行性。

4 結(jié)語

本文基于RapidEye遙感影像,在面向?qū)ο蟮姆指钪幸肓薔DVI和DEM輔助數(shù)據(jù)信息,利用面向?qū)ο蠓诸惙椒ㄌ崛×四臼矸N植空間分布信息,有效提高了木薯的分類精度,無論總精度還是Kappa系數(shù),都明顯優(yōu)于最大似然監(jiān)督分類結(jié)果和未輔以NDVI/DEM的面向?qū)ο蠓诸惤Y(jié)果。本研究提出的分類方法不僅適用于木薯種植面積的遙感評估,對于其他類似分散種植作物的空間分布信息提取也具有借鑒作用。面向?qū)ο蟮姆诸惙椒ú粌H能充分利用影像的光譜信息,還能組合光譜信息,挖掘光譜信息之外的有效信息以提高分類精度。但面向?qū)ο蟮姆诸惥戎饕蕾囉诜指畛叨鹊拇笮?太大或太小都會影響分類的最終結(jié)果，因此,最優(yōu)分割尺度的確定方法仍是今后研究的重點。

[1] 王露,楊海龍,封志明,等.廣西能源作物木薯種植的可能規(guī)模:自然適宜性與社會限制性評價[J].資源科學(xué),2012,34(1):150-158.

[2] 張彩霞,謝高地,徐增讓,等.中國木薯乙醇的資源潛力及其空間分布[J].生態(tài)學(xué)雜志,2011,30(8):1726-1731.

[3] 羅興錄.廣西木薯產(chǎn)業(yè)化發(fā)展對策[J].中國農(nóng)學(xué)通報,2004,20(6):376-379.

[4] 陽小瓊,朱文泉,潘耀忠,等.作物種植面積空間對地抽樣方法設(shè)計[J].農(nóng)業(yè)工程學(xué)報,2007(12):150-155.

[5] 王啟田,林祥國,王志軍,等.利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J].測繪科學(xué),2008,33(2):143-146.

[6] 陳云浩,馮通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2006,31(4):316-320.

[7] 彭海濤,柯長青.基于多層次分割的面向?qū)ο筮b感影像分類方法研究[J].遙感技術(shù)與應(yīng)用,2010,25(1):149-154.

[8] 曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應(yīng)用——以北京市海淀區(qū)為例[J].地理與地理信息科學(xué),2006，22(2):46-49,54.

[9] BHASKARAN S,PARAMANANDA S,RAMNARAYAN M.Per-pixel and object-oriented classification methods for mapping urban features using IKONOS satellite data[J].Applied Geography,2010,30:650-665.

[10] 賈明明,王宗明,張柏,等.綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014(3):305-310.

[11] 湯傳勇,盧遠(yuǎn).利用面向?qū)ο蟮姆诸惙椒ㄌ崛∷痉N植面積[J].遙感應(yīng)用,2010(1):53-56.

[12] 范磊,程永政,王來剛,等.基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J].中國農(nóng)業(yè)資源與區(qū)劃,2010,31(6):44-51.

[13] 關(guān)元秀,程曉陽.高分辨率衛(wèi)星影像處理指南[M].北京:科學(xué)出版社,2008.151-155.

[14] 喬婷,張懷清,陳永福,等.基于NDVI分割與面向?qū)ο蟮臇|洞庭湖濕地植被信息提取技術(shù)[J].西北林學(xué)院學(xué)報,2013,28(4):170-175.

[15] eCognition,User Guide.Definiens Imaging GmbH,Munich [EB/OL].http://www.definiens imaging.com/product.htm,2009-12-30.

Research on Object-Oriented Classification Method Assisted with NDVI/DEM in Extracting Cassava：Taking Wuming County for Example

MA Yang-yang1,2,ZHANG Cai-xia1,ZHANG Ji-chao3,XIE Gao-di1,ZHANG Lei-ming1

(1.InstituteofGeographicSciencesandNatureResourcesResearch,ChineseAcademyofSciences,Beijing100101；2.HeilongjiangInstituteofTechnology,Jixi158100;3.SchoolofMappingandGeographicSciences,LiaoningTechnicalUniversity,Fuxin123000,China)

Cassava is an important feedstock not only for animal feeding but also for bio-fuel.It has a significant meaning to make it clear where the cassava grows and how much it is.But it has been the technical obstacles to assess the resource of cassava accurately that the cassava is dispersive and has no obvious growth differences with other corps easy to be confused.In this research,taking Wuming County of Guangxi Autonomous Region as the study area,an object-oriented image analysis method to extract the spatial distribution area of cassava was explored based on the RapidEye images with high resolution by eCognition 8.7,ERDAS9.3 and ArcGIS10.1.It is shown in the study that:1)Applying NDVI and DEM data in the multi-scale segmentation and based on membership function and threshold value,the object-oriented classification method has the precision of 85% and the Kappa coefficient of 0.9 for the extraction of cassava distribution area.2)Compared with the maximum-likelihood classification method and the object-oriented classification method without NDVI/DEM segmentation,the object-oriented classification method with NDVI/DEM segmentation in this paper has higher classification accuracy for the extraction of cassava,with the precision higher 5% and 12% and the Kappa coefficient higher 0.2 and 0.3 than that of the former two respectively.Therefore,the object-oriented classification method with adding NDVI and DEM data to the image segmentation can improved efficiently the classification accuracy of remote sensing image,and it can provide an effective technical reference for the extraction of crops with dispersed planting area and having little time differences with other confusing plants.

RapidEye image;NDVI/DEM;object-oriented classification;spatial distribution;cassava

2014-03-31；

2014-08-19

國家自然科學(xué)基金項目“廣西木薯乙醇的能源替代和減排潛力研究”(41101539)；國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)項目“中國主要陸地生態(tài)系統(tǒng)服務(wù)功能與生態(tài)安全”(2009CB421106)；遼寧省教育廳科學(xué)技術(shù)研究項目(2009A332)；2011年度科學(xué)技術(shù)研究指導(dǎo)性計劃項目(MTKJ2011-323)

馬洋洋(1987-)，女，碩士研究生，主要從事遙感影像信息提取及資源評價工作。*通訊作者E-mail:zhanglm@igsnrr.ac.cn

10.3969/j.issn.1672-0504.2015.01.011

TP751

A

1672-0504(2015)01-0049-05