基于隨機森林算法和MODIS數據的日喀則地區土地覆蓋分類與動態監測

高子恒　丁煒　何靜

摘要 土地覆蓋動態變化是導致區域孕災環境變化的重要因素之一，針對日喀則地區地形復雜、山地災害易發的特點，選用MODIS、DEM、谷歌地球的高分影像以及氣象數據等多源遙感數據，采用隨機森林與遙感分析技術相結合的方法，對日喀則2001—2017年的土地覆蓋變化進行動態監測。使用500 m分辨率8 d合成的不同年份相同季節的MOD09A1數據，確定了9個土地覆蓋類型，分類總體精度和Kappa系數分別為83%和0.83。對多期分類圖進行變化分析，統計土地覆蓋種類的變化幅度和比例，并加入降水和溫度變化等氣象要素協同分析，得到動態監測結果。結果表明，近17年來，日喀則地區受自然條件和地形的限制，土地利用潛力不大，植被覆蓋率波動上升，但水體覆蓋率波動下降，導致生態環境脆弱，容易引發各種自然災害。

關鍵詞 隨機森林;MODIS;土地覆蓋;動態監測;日喀則

中圖分類號 TP 751文獻標識碼 A文章編號 0517-6611（2020）16-0001-12

doi：10.3969/j.issn.0517-6611.2020.16.001

Land Cover Classification and Dynamic Monitoring in Shigatse Based on Random Forest Algorithm and MODIS Data

GAO Zi-heng，DING Wei，HE Jing

（School of Automation， Nanjing University of Information Science and Technology， Nanjing，Jiangsu 210000）

Abstract The dynamic change of land cover is one of the important factors that cause regional hazard-pregnant environment changes. In view of the complex terrain and the difficulty of mountain disasters in Shigatse， this study used multi-source remote sensing data such as MODIS， DEM， high-resolution image and meteorological data， and combined random forest and remote sensing analysis technology to dynamically monitor land cover change in Shigatse from 2001 to 2017. Nine types of land cover were identified， using MOD09A1 data of the same season in different years by 8-day synthesis at 500 m resolution. The total classification accuracy and Kappa coefficient were 83% and 0.83，respectively. The change analysis of multi-period classification map was carried out， and the variation range and proportion of land cover types were counted. The dynamic monitoring results were obtained by synergistic analysis of meteorological elements such as precipitation and temperature changes. The results showed that in the past 17 years， Shigatse had been restricted by natural conditions and topography， the potential of land use was not large， and vegetation coverage had increased， but the water coverage rate had decreased， the ecological environment was fragile and it is easy to cause various natural disasters.

Key words Random forest;MODIS;Land cover;Dynamic monitoring;Shigatse

基金項目 國家自然科學基金項目（41875027）。

作者簡介 高子恒（1995—），男，江蘇連云港人，碩士研究生，研究方向：遙感圖像處理。

收稿日期 2020-02-05

日喀則地區植被發育程度總體較差，絕大多數山地以裸巖和冰雪覆蓋為主，植被覆蓋率總體在10%以下，局部湖盆周邊濕地有高覆蓋草墊生長，但生物量較低，隨著人口的增長，過牧條件下植被已呈現明顯退化現象。區域內降水充沛，氣溫相對較高，且高山冰川分布廣，形成大量的冰雪融水，為誘發地質災害提供了充足的水源條件。因此，對日喀則地區進行土地覆蓋動態監測很有必要。

土地覆蓋動態變化在一定程度上對改善區域生態環境和分析人類活動起到了重要的作用，它是造成區域孕災環境變化的重要因素之一。區域孕災環境的變化可以通過幾十年來對土地覆蓋動態變化的準確監測來評估，而遙感具有宏觀性、實時性、周期性和完整性等優點，為土地覆蓋快速、客觀、準確地監測提供了可能[1]。遙感圖像的分類是土地覆蓋動態監測的基礎，主要是對遙感圖像上的地物進行屬性上的判讀，提取地物相關信息，遙感圖像分類的準確性直接影響到土地覆蓋動態監測的準確性[2]。

近年來，運用遙感技術進行土地覆蓋動態監測已取得大量的研究成果。對多時相數據的分類方法各不相同[3]，如Zhao等[4]、Zeng等[5]、Mandal等[6]采用支持向量機的分類方法;Yang等[7]采用基于規則的分類方法;Zhao等[8]采用人工神經網絡的方法;Scott等[9]采用深度卷積神經網絡（DCNN）的方法。利用遙感數據的分類圖建立土地利用和土地覆蓋變化也有多種評價方法，如Tan等[10]、田傳召等[11]根據土地利用的轉移矩陣;Leclerc等[12]側重景觀格局的變化;Bashir等[13]、David等[14]采用GIS技術;Toll等[15]強調圖像差分的使用;Johnson等[16]則研究了變化矢量分析?？梢?，基于衛星遙感的多時相數據可以提供關于區域土地覆蓋變化的詳細可靠的統計數據。

針對研究區的情況，筆者選取日喀則地區2001—2017年每年6月的MODIS數據，該數據是Terra衛星傳輸的500 m地表反射率8 d合成的MOD09A1，在對其進行數據預處理后，采用隨機森林的方法對前7個波段的反射率數據進行土地覆蓋分類，并選用谷歌地球高分辨率圖像進行樣本選擇和精度評估，然后根據土地覆蓋轉移矩陣和圖象差分情況綜合分析了日喀則地區2001—2017年土地覆蓋動態變化，以期為山地災害多發區的孕災環境變化與生態系統保護等提供可靠的依據。

1 資料與方法

1.1 研究區域概況

日喀則地區隸屬于西藏自治區，地處82°00′～97°07′E、27°55′～31°16′N，位于中國西南邊陲、青藏高原西南部，國境線長1 753 km，面積18.2萬km2，平均海拔5 082 m（圖1）。日喀則地區地形復雜多樣，氣候分明，水利資源和植物資源豐富。被譽為“黃金走廊”的中尼公路穿過其中，是一條重要的經濟動脈，同時也是西藏日喀則地區目前唯一一條國際直通公路。由于中尼公路沿線地質構造復雜，新構造運動強烈，山地災害頻發，對日喀則地區的生態環境造成了極大的影響。

1.2 數據預處理

1.2.1 數據來源。

搭載在Terra衛星上的中分辨率成像光譜儀（MODIS）運行周期為1～2 d，光譜儀的光學設計可以為地學應用提供0.4～14.5 μm的36個離散波段圖像，掃描寬度為2 330 km。MODIS數據具有較高的光譜分辨率和空間分辨率，對宏觀尺度土地覆蓋的分類具有很強的優勢和廣泛的應用價值，其數據豐富、時間分辨率高（多時相）、覆蓋范圍廣、視野寬、周期短[17]。該研究所用MODIS數據來自美國航空航天局（NASA）的陸地過程分布式數據檔案中心（https：//ladsweb.nascom.nasa.gov/search），選取2001—2017年的MOD09A1數據，由于6月份圖像無云覆蓋且成像質量較好，因此選取時間主要集中于6月份的17幅影像數據，空間分辨率為500 m。

數字高程模型（DEM）用于描述區域地貌形態的空間分布，高程為地面上任意一點的海拔，DEM是進行二維地形空間模擬的基礎，作為重要的地形因子可以被合理地應用到分類研究中[18]，對水文分析和土地覆蓋分類都有一定的作用[19]。DEM數據由空間數據云（http：//www.gscloud.cn/）下載，為30 m分辨率ASTER GDEM V2數字高程數據。

TRMM（tropical rainfall measurement mission，熱帶降雨測量任務）是目前應用最廣泛的衛星降水產品，其準確性得到了廣泛的認可，對于分析氣候變化導致的土地覆蓋變化具有一定的作用[19]。

地表溫度數據采用MOD11A2數據，由每日地表溫度MOD11A1合成，為8 d中晴好天氣下溫度的平均值[20]。

該研究選用Google Earth高分辨率遙感影像作為標注訓練樣本和驗證分類精度的輔助數據。

1.2.2 數據預處理。

MODIS數據前7個波段主要是針對陸地表面，其中空間分辨率250 m有2個（波段1，紅波段620～670 nm;波段2，近紅外841～876 nm），500 m有5個波段，即波段3～7（459～479、545～565、1 230～1 250、1 628～1 652、2 105～2 155 nm），1 000 m有29個波段[21]。該研究使用ENVI 5.3軟件進行圖像預處理操作，并將IDL作為開發語言，選取前7個波段經過太陽高度角訂正、投影變換、輻射校正以及圖像拼接和裁剪操作等數據預處理。

利用隨機森林分類方法需要準確的地物波譜作為輸入特征，因此采用ENVI軟件對17期MODIS數據分別進行預處理后，獲得表觀反射率數據，再在ArcGIS支持下利用Georeferencing Tool進行嚴格的配準，配準誤差均小于0.5個像元[21]。

為了獲取研究區的遙感圖像，將日喀則地區的矢量邊界文件輸入ArcGIS軟件，對原始下載的框定大小的數據進行準確的圖像裁剪，最終得到預處理好的17期日喀則地區MODIS數據，如圖2所示，RGB波段分別為R.Band2;G.Band1;B.Band3。

1.3 研究方法

1.3.1 分類系統建立。

參照國內外現有的土地覆蓋分類體系，結合日喀則地表覆蓋的實際情況以及對該研究所使用的遙感數據源本身特征進行目視解譯判讀，將研究區土地覆蓋類型劃分為9類，分別是森林、灌叢、草地、濕地、農田、城市和建筑用地、冰雪、裸地、水體。表1顯示了各種分類的定義。

1.3.2 隨機森林分類。

RF是由決策樹分類器組成的集成分類器，最終的分類結果是由基分類器投票決定的。RF算法的基本流程是：①從原始樣本集S中用Bootstrap方法隨機抽取K個訓練樣本集;②每個訓練樣本集分別構建決策樹模型，從而組成隨機森林，得到K種分類結果;③K種分類結果采用投票表決的方式確定最終分類結果，分類誤差取決于每一棵樹的分類能力和它們之間的相關性。RF通過隨機選擇輸入預測變量和使用相同訓練數據集的不同子集來避免偏差和方差的誤差，同時也可以克服過度擬合[22]。

RF算法基本流程如圖3所示。每棵決策樹的輸入變量是從N個屬性樣本集中隨機抽取M個屬性樣本，通常M取值為M=N或M=log2N+1。此外，節點分裂標準通常采用基尼指數（Gini）和信息熵（Entropy）。2種方法的計算公式分別為：

其中，m表示訓練數據集D包含的類別個數，pi表示訓練數據屬于類別Ci的概率。

該研究采用RF算法進行分類的主要技術路線如圖4所示。其中，主要處理步驟如下：①先對MODIS數據進行預處理，包括太陽高度角訂正、投影變換、輻射校正以及圖像拼接和裁剪;②對預處理后的遙感圖像根據反射率數據計算得到歸一化差異植被指數（NDVI）、歸一化差異水體指數（NDWI）、歸一化差異雪蓋指數（NDSI）指數;③對遙感圖像做主成分分析，選取第二主成分進行紋理特征的提取;④將多光譜波段數據、NDVI、NDWI、NDSI指數、DEM數據與紋理特征相結合，共同作為輸入變量構建RF分類模型，得到地物分類圖;⑤將分類結果進行分類精度的驗證。其中，特征變量的選擇對RF算法的分類精度有著重要的影響。

考慮到研究區多山區地形且多樣化，選用3個具有代表性的光譜指數[23]。NDVI是植被覆蓋度的最佳指示因子;NDWI能夠凸顯影像中的水體信息，在綠色帶中具有相對較高的反射率且在NIR中具有強吸收;NDSI利用積雪在綠光波段高反射和短波紅外波段強吸收的特征，可提取積雪。3個指數的計算公式如下：

紋理特征由灰度共生矩陣（GLCM）計算得到[22]，它對于改善各種土地覆蓋類型的分類準確度并減少具有相似光譜特征的對象的分類誤差是有用的[23]，包括均值、方差、協同性、對比度、相異性、信息熵、二階矩、相關性共8個特征[24]，其中灰度量化級別為64，紋理提取窗口為5×5。樣本總量約為8.4萬個，各個樣本分布如表2所示。

該研究中，RF分類模型的參數選擇情況為：決策樹個數為50，采用基尼指數度量分裂質量，采用有放回式的抽樣方法，每次抽樣約有1/3的數據未被抽中，這部分數據通常稱為袋外數據（OOB），利用袋外數據進行內部誤差估計，從而預測分類的正確率。將7個多光譜波段數據、3個光譜指數（NDVI、NDWI、NDSI）、8個紋理特征以及DEM數據相結合，賦予圖像的各個像素構成每個像素的特征向量（共19個）。

1.3.3 分類結果評估。

隨機森林訓練過程中可以在內部進行評估，即采用袋外數據OOB對泛化誤差建立無偏估計。方法是對每個樣本計算其作為OOB樣本的樹的分類情況，以簡單多數投票作為該樣本的分類結果，最后用誤分個數占樣本總數的比率作為隨機森林的OOB誤分率[25]。

在進行精度評價時，該研究選用混淆矩陣的方法，對2001—2017年的MODIS土地覆蓋分類圖進行檢驗，混淆矩陣是通過將每個實測像元的位置與分類圖像中的相應位置比較計算得到。其中制圖精度表示在實測類型中被正確分類的樣本所占的比例，用戶精度表示分類圖中被正確分類的樣本所占的比例[26]。

2 結果與分析

此次試驗過程的OOB錯誤率如圖5所示。此次試驗混淆矩陣見表3。2001—2017年總體精度取值區間為80%～84%，總體Kappa系數為0.83，2001—2017年Kappa系數取值區間為80%～84%。最終分類結果如圖6所示。

3.1 水體與植被變化分析

由于采用的訓練數據為8 d合成的MOD09A1數據，因此土地覆蓋變化的統計先從日統計分析入手，挑選最具有典型性和重要性的環境影響因素植被和水體進行日統計變化分析。選擇日喀則地區2001—2017年的MOD09A1數據，利用Google Earth Engine在線平臺加載已訓練的RF模型并將模型應用于MOD09A1數據，對植被和水體2種土地覆蓋類型進行面積統計，由于運行環境的限制，選擇每半年統計一次，將得到的統計數據制作成連續的日變化趨勢折線圖。

從日喀則地區2001—2017年每8 d的水體覆蓋面積的變化情況（圖7）可以看出，2001、2006、2009和2010年的水體面積日變化趨勢大致相似，水體覆蓋面積最小值出現在夏季，最大值出現在春季或秋季;2004、2005和2008年的水體覆蓋面積最大值正好與前4年相反，出現在夏季。2011—2015年的水體面積日變化趨勢大致相同，都是在春夏秋3季呈現波浪上升的趨勢，但在冬季持續下降，水體覆蓋面積最小值在1月或2月，最大值在9月或10月。與前幾年冬季相比，2017年冬季的水體覆蓋面積是最大的，這可能是由于全球氣候變暖導致冰雪融水的增多?？偟膩碚f，日喀則地區每年的水體覆蓋面積年內日變化比較穩定，1—12月變化趨勢呈現各種波浪形，個別月份會出現大起大落，但首尾月份的水體覆蓋面積大致能夠持平。說明水體覆蓋面積的大小與季節有一定的關聯性，除此以外還會受到當地各種環境因素的影響。

從2001—2017年日喀則地區每8 d的植被覆蓋面積的變化情況（圖8）可以看出，2008—2010和2016—2017年的植被面積日變化趨勢大致相似，植被覆蓋面積最大值出現在夏季6、7、8月份，最小值出現在秋冬季。2004、2005、2012、2013和2015年的植被覆蓋面積1—12月呈現比較明顯的波動下降趨勢，這可能是由于人為因素和自然因素等導致的植被破壞嚴重?？偟膩碚f，日喀則地區每年的植被覆蓋面積年內日變化波動較大。說明植被覆蓋面積的大小與季節變化和氣候變化有很大的關聯。

3.2 土地覆蓋變化分析

土地覆蓋變化是區域生態系統格局和結構類型的直接反映，反映了生態系統的群落組成、生態系統的質量、生態服務功能和評價以及環境條件[27]。為了說明研究區的區域土地覆蓋變化，還要進行年統計分析，由于隨機森林分類方法是基于像素的方法，可以根據圖像的分辨率和像素個數，得出每一年每種土地類型各自所占的面積及其長時間的變化趨勢。根據研究區的實際分類結果，選取主要的4種土地覆蓋類型進行分析，結果見圖9。

從圖9可以看出，2001—2017年裸地和水體的覆蓋面積總體呈波動下降趨勢，而草地和冰雪的覆蓋面積總體呈波動上升趨勢;在2014年，裸地面積突然有大幅度上升，相應地草地面積大幅度下降，但在2015年又恢復到之前的狀態;在2017年，水體面積極速上升，是近幾年水體覆蓋面積最多的一年，而冰雪面積卻有所下降?？偟膩碚f，日喀則地區的水體和冰雪覆蓋面積所占比例較小，而裸地和草地覆蓋面積所占比例較大，尤其是草地的占比非常大。

為了進一步說明區域土地覆蓋動態，應用變化檢測的方法，變化檢測是一種通用的遙感技術，比較不同時間采集的同一區域的圖像，并突出顯示已經改變的特征[28-29]。

不同類型之間的時間轉換能夠表達詳細的轉換信息，此次研究監測日喀則地區2001—2017年的土地覆蓋變化情況，時間跨度較大，變化復雜。在此使用多日期后分類比較變化分析法確定土地覆蓋變化的6個區間：2001—2003、2003—2006、2006—2009、2009—2012、2012—2015、2015—2017年[29]。由統計出的各類型的面積，兩兩對比，得到6期土地覆蓋轉移矩陣，如表4～9所示。

從6個轉移矩陣（表4～9）可以看出，日喀則地區草地面積占整個土地覆蓋類型的比例最大，且變化的面積總量也最大，主要轉化為裸地，其次是森林和灌叢，最后是冰雪和水體。草地與裸地之間的相互轉化量最多，裸地與冰雪之間的相互轉化量次之，而森林與水體之間以及灌叢與水體之間的相互轉化量幾乎為0。與自身相比，森林、灌叢和冰雪的改變量較大，每個區間都有超過50%的森林、灌叢和冰雪會轉化成其他的土地覆蓋類型。日喀則地區裸地的面積遠大于森林，兩者之間的面積轉換也很少，說明退耕還林、封山育林的重要性沒有得到重視。2003—2006年森林覆蓋面積極速大幅度下降，主要轉化為草地，但2006—2012和2015—2017年卻又直線上升，主要由草地和裸地轉化而來，這是由于環保意識得到增強以及環保政策得到落實。2003—2017年裸地的覆蓋面積持續增加，而2009—2015年水體覆蓋面積下降許多，主要是轉化為裸地，說明水資源匱乏，土地的荒漠化日益嚴重。2009—2012和2015—2017年的總體變化率比較平穩。

水資源危機將會導致生態環境的進一步惡化，同時也會對自然災害的發生產生一定的影響;植被覆蓋稀少同樣會導致自然生態系統的功能損失，加速自然災害的發生[30]?？紤]到降水和溫度等環境因素與土地覆蓋的變化息息相關，因此結合研究區的年降水量與年平均地表溫度的變化，進行綜合分析。氣候對土地覆蓋類型的影響中，水體對降雨的影響最為敏感，因此在圖10中將日喀則地區的年降水量與水體覆蓋變化進行關聯比較。整體而言，日喀則地區水體覆蓋面積出現下降的趨勢，同時受降水量變化影響出現波動，結合圖9、轉移矩陣（表4～9）、圖11的結果發現裸地面積減少且主要轉為草地，草地面積顯著增加，水體面積減少但冰雪面積增加，因此推測水體面積減少的可能原因是冰雪融水減少以及草地面積增加導致的降水入滲量增加[31]。在圖11中，由于地表溫度對冰雪覆蓋有一定的影響，將日喀則地區的年平均地表溫度與冰雪覆蓋變化進行關聯比較?？梢钥闯?，在2009年隨著地表溫度的急劇升高，冰雪覆蓋面積出現了局部最小值;在2016年隨著地表溫度的極速下降，冰雪覆蓋面積出現了局部最大值;2002—2005、2006—2010、2011—2013、2015—2017年冰雪覆蓋面積變化與平均地表溫度變化幾乎完全相反，說明地表溫度波動是引起研究區冰雪覆蓋面積變化的重要因素。

3 結論

該研究利用隨機森林的分類方法對日喀則地區2001—2017年17個時相的MODIS遙感數據進行分類，得到土地覆蓋分類圖，分類總精度和Kappa系數分別為83%和0.83，精度基本滿足動態監測要求，且相比于MCD12Q1產品，該研究結果具有更高的時間分辨率（8 d）。根據分類數據由轉移矩陣和圖像差分法提取出土地覆蓋時空變化信息，并結合氣候等影響因素進行綜合分析與動態監測，得到最終的結論。該項工作能夠為日喀則地區的生態環境保護、社會經濟可持續發展和土地管理等提供可靠的依據。

日喀則地區是山地城市，受地形影響較大，適合耕種及居住的平原面積較少。近年來，受自然條件尤其是地形的限制，土地利用潛力不大且不合理，植被和水土保持在一定程度上受到破壞，人地矛盾逐漸凸顯[32]。

根據不同年份各類型的空間分布和變化趨勢可以直觀地觀察到：森林主要集中在南部與尼泊爾相鄰處，草地所占比重很大;2001—2017年裸地面積減少了3 491.99 km2，草地面積增加了3 099.96 km2，水體面積減少了665.75 km2，冰雪面積增加了237.46 km2。這一現象表明植被增加的主要原因是相應的保護政策如封山育林、土地復墾、退耕還林[33-34]等措施的逐步實施，植被覆蓋越多，水源的涵養能力就越強;水資源的損失可能受到人口增長的影響以及水資源污染、河流斷流和湖泊退化日益嚴重，還未有及時有效的解決措施，政府應當采取相應的政策，實施水資源管理計劃，以避免水土流失。日喀則地區的生態環境極為脆弱和不穩定，從長期來看，人類活動、氣候變化因素、土地利用政策等都對土地覆蓋變化產生了越來越大的影響。

綜上所述，環境的惡化會給生態系統造成直接的破壞和影響，如沙漠化、各種山地災害;也會給生態系統和人類社會造成間接的危害，有時這種間接的環境效應的危害比當時造成的直接危害更大，也更難消除。土地覆蓋動態變化檢測在環境地球資源監測和管理中具有十分重要的意義，自然資源的可持續管理和土地利用規劃的編制，需要時間序列的土地覆蓋變化分析提供支持[35]。

由于研究區多山，不同坡度的土地覆蓋變化也是環境變化分析的重要信息。隨著高分辨率衛星的商業應用以及數據庫技術的發展，長時間序列和短時間間隔的區域土地利用變化監測將成為發展方向。土地覆蓋變化驅動力的研究和生態服務價值評估可以為災害監測和預警的研究提供有價值的信息[35]。

參考文獻

[1] CAO X，LI M C，LUO P，et al.Dynamic remote sensing monitoring of land use change in Xiangxi river watershed by decision tree method[C]//2010 18th international conference on geoinformatics.Beijing：IEEE，2010：1-4.

[2] 于龍，周宇峰，丁麗霞，等.基于波譜角分類的土地利用動態監測[J].浙江農林大學學報，2014，31（3）：386-393.

[3] SOBRINO J A，RAISSOUNI N.Toward remote sensing methods for land cover dynamic monitoring：Application to Morocco[J].International journal of remote sensing，2000，21（2）：353-366.

[4] ZHAO J L，LIU C.Monitoring dynamic change of land cover based on SVM and satellite images in Hanoi，Vietnam[J].Wuhan University journal of natural sciences，2010，15（4）：355-362.

[5] ZENG T J，WANG C J.SVM-based land use/cover classification in Shihezi area[C]//Progress in electromagnetic research symposium.Shanghai：IEEE，2016：2077-2079.

[6] MANDAL S，SAHA A.Support vector machines for monitoring land use dynamicity and temporal variation of land surface temperature in Kurseong and surrounding of Darjeeling Himalaya[J].Modeling earth systems & environment，2018，4：659-672.

[7] YANG X Y，CHEN L G，LI Y K，et al.Rule-based land use/land cover classification in coastal areas using seasonal remote sensing imagery：A case study from Lianyungang City，China[J].Environmental monitoring & assessment，2015，187（7）：1-15.

[8] ZHAO J L，GUO W，HUANG W J，et al.Characterizing spatiotemporal dynamics of land cover with multi-temporal remotely sensed imagery in Beijing during 1978-2010[J].Arabian journal of geosciences，2014，7（10）：3945-3959.

[9] SCOTT G J，ENGLAND M R，STARMS W A，et al.Training deep convolutional neural networks for land-cover classification of high-resolution imagery[J].IEEE Geoscience & Remote Sensing Letters，2017，14（4）：549-553.

[10] TAN Y M，BAI B X，MASUM S M.Time series remote sensing based dynamic monitoring of land use and land cover change[C]//2016 4th international workshop on earth observation and remote sensing applications.Guangzhou：IEEE，2016：202-206.

[11] 田傳召，于陽，肖虹雁，等.基于TM影像的昆明市區土地利用遙感動態監測[J].林業資源管理，2014（4）：103-108.

[12] LECLERC E，WIERSMA Y F.Assessing post-industrial land cover change at the Pine Point Mine，NWT，Canada using multi-temporal Landsat analysis and landscape metrics[J].Environmental monitoring & assessment，2017，189（4）：1-19.

[13] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11.

[14] DAVID T I，MUKESH M V，KUMARAVEL S，et al.Exploring 16 years changing dynamics for land use/land cover in Pearl City（Thoothukudi）with spatial technology[J].Spatial information research，2017，25（4）：1-8.

[15] TOLL D L，ROYAL J A，DAVIS J B.Urban area update procedures using Landsat data[M].Bethesda，MD：Proceedings of American Society of Photogrammetry，1981.

[16] JOHNSON R D，KASISCHKE E S.Change vector analysis：A technique for the multispectral monitoring of land cover and condition[J].International journal of remote sensing，1998，19（3）：411-426.

[17] 陳少丹，張利平，郭夢瑤，等.TRMM衛星降水數據在區域干旱監測中的適用性分析[J].農業工程學報，2018，34（15）：126-132.

[18] WANG Y Y，LI G C.Analysis of “furnace cities" in China using MODIS/LST product（MOD11A2）[C]//2014 IEEE geoscience & remote sensing symposium.Quebec City，Canada：IEEE，2014.

[19] USMAN M，LIEDL R，SHAHID M A，et al.Land use/land cover classification and its change detection using multi-temporal MODIS NDVI data[J].Journal of geographical sciences，2015，25（12）：1479-1506.

[20] 張思琪.DEM和MODIS數據融合的土地覆蓋分類遙感方法研究[J].科技通報，2016，32（10）：31-35.

[21] LOWE B，KULKARNI A.Multispectral image analysis using Random Forest[J].International journal on soft computing，2015，6（1）：1-13.

[22] 石彩霞，趙傳鋼，龐蕾.基于超像素統計量的隨機森林遙感圖像分類[J].計算機應用研究，2018，35（12）：3798-3802.

[23] TIAN S H，ZHANG X F，TIAN J，et al.Random forest classification of wetland land cover from multi-sensor data in the arid region of Xinjiang，China[J].Remote sensing，2016，8（11）：1-14.

[24] BERHANE T M，LANE C R，WU Q S，et al.Decision-tree，rule-based，and random forest classification of high-resolution multispectral imagery for wetland mapping and inventory[J].Remote sensing，2018，10（4）：1-26.

[25] CHUN X，YONG M，LIU J Y，et al.Monitoring land cover change and its dynamic mechanism on the Qehan Lake Basin，Inner Mongolia，North China，during 1977-2013[J].Environmental monitoring & assessment，2018，190（4）：1-17.

[26] XIAO Q，TAO J P，XIAO Y，et al.Monitoring vegetation cover in Ch-ongqing between 2001 and 2010 using remote sensing data[J].Environmental monitoring & assessment，2017，189（10）：1-13.

[27] 馬海燕，劉洪超，孫曉慶.基于SWAT模型的大安市降水入滲量變化的模擬研究[J].吉林農業大學學報，2016，38（3）：298-301，312.

[28] NABOUREH A，MOGHADDAM M H R，FEIZIZADEH B，et al.An integrated object-based image analysis and CA-Markov model approach for modeling land use/land cover trends in the Sarab plain[J].Arabian journal of geosciences，2017，10（12）：259.

[29] BASHIR H，AHMAD S S.Exploring geospatial techniques for spatiotemporal change detection in land cover dynamics along Soan River，Pakistan[J].Environmental monitoring & assessment，2017，189（5）：1-11.

[30] 陳燕芬，牛振國，胡勝杰，等.基于MODIS時間序列數據的洞庭湖濕地動態監測[J].水利學報，2016，47（9）：1093-1104.

[31] PARSA V A，YAVARI A，NEJADI A.Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve：Iran[J].Modeling earth systems & environment，2016，2（4）：1-13.

[32] ADDABBO P，FOCARETA M，MARCUCCIO S，et al.Land cover classification and monitoring through multi-sensor image and data combination[C]//2016 IEEE international geoscience and remote sensing symposium.Beijing，China：IEEE，2016.

[33] 毛紹娟，李紅琴，張鐿鋰，等.日喀則河谷退耕還草（林）工程實施后生態功能效應的初步分析[J].草地學報，2015，23（6）：1278-1286.

[34] DOU P，CHEN Y B.Dynamic monitoring of land-use/land-cover change and urban expansion in Shenzhen using Landsat imagery from 1988 to 2015[J].International journal of remote sensing，2017，38（19）：5388-5407.

[35] KUSSUL N，LAVRENIUK M，SKAKUN S，et al.Deep learning classification of land cover and crop types using remote sensing data[J].IEEE Geoscience & Remote Sensing Letters，2017，14（5）：778-782.