基于隨機森林的山丘區梯田措施類型識別與評價

吳傲,袁利,齊斐,石嬌嬌,劉霞*,王蘊鵬,于海鵬

基于隨機森林的山丘區梯田措施類型識別與評價

吳傲1,袁利2,齊斐3,石嬌嬌1,劉霞1*,王蘊鵬1,于海鵬1

1. 南京林業大學南方現代林業協同創新中心;江蘇省水土保持與生態修復重點實驗室, 江蘇 南京 210037 2. 淮河水利委員會淮河流域水土保持監測中心站, 安徽 蚌埠 233001 3. 江蘇省水利科學研究院, 江蘇 南京 210017

高分辨率遙感影像可有效辨識梯田措施的分布，但難以識別梯田措施的類型與質量，為探索高效、精準的梯田措施類型與質量識別技術，本文以沂蒙山泰山國家級水土流失重點治理區費縣為研究區域，基于GF-6遙感影像、DEM（12.5 m）、70個典型點等多源數據，采用遙感解譯、地面調查、無人機遙感和隨機森林等方法，開展梯田措施類型識別、空間預測及質量判定研究，從而為梯田精細化管理、水土流失防治等提供重要支撐。結果表明：（1）研究區梯田措施492.28 km2，分布于區域南、北兩側，以耕地為主。隨海拔升高、坡度增加，梯田總體上呈現田面寬度變窄、埂坎坡度變陡、埂坎高度漸低的趨勢；（2）梯田措施類型分類和質量評價模型指標貢獻率均以地形因子最高，分別為54.16%、57.45%，其次為人為活動因子，貢獻率分別為35.45%、37.5%，梯田措施類型分類模型驗證精度87.27%，質量評價模型驗證精度69.23%；（3）研究區以石坎梯田為主，圖斑數量8085個，占梯田措施面積的89.46%，土坎梯田圖斑數量635個，占梯田措施10.54%。石坎梯田質量總體略優于土坎梯田，區域東北部和中南部的梯田質量好，西南部的梯田質量較差。

遙感影像; 梯田識別; 模型預測

我國是世界上水土流失最為嚴重的國家之一，水土流失具有強度高、成因復雜、危害嚴重的特點，嚴重的水土流失會威脅國家生態安全、飲水安全、防洪安全和糧食安全，制約山丘區社會經濟發展。為防治水土流失，保護與合理利用水土資源，國內外眾多學者在水土流失機理、防治措施等方面進行了大量研究和實踐探索。其中，梯田通過對微地形的改造，具有控制水土流失、提高地力、從時空上合理調控雨水資源的獨特功能，是一種有效防治水土流失的水土保持工程措施，在丘陵山丘區農業生產和農村經濟發展中發揮著越來越重要的作用。梯田修建多為就地取材，埂坎的材質與當地自然條件與經濟狀況息息相關，也是一種常見的梯田分類方法，對水土流失的防治發揮著舉足輕重的作用；而梯田的質量水平則直接影響著梯田措施的水土流失防治效果[1]。

目前，對梯田的研究聚焦在水土保持及生態服務功能[2-4]、梯田田坎結構和修建的工程設計方法[5-7]等角度，多分布于哈尼梯田、黃土高原梯田、龍脊梯田[8-11]等區域；隨著技術發展，高分辨率遙感影像在土地利用類型解譯等方面應用廣泛[12-17]，在梯田措施識別上也有較大優勢，可有效辨識梯田措施的分布，但難以有效識別梯田類型和質量。梯田類型與質量狀況數據的獲取仍需要大量的外業調查。探索高效便捷的梯田措施類型與質量識別技術，對梯田精細化管理維護、水土流失防治等具有極其重要的作用。

費縣位于山東省中南部沂蒙山區，地形復雜，山丘區比重高，梯田分布廣泛且土坎梯田和石坎梯田間雜分布難以快速識別，導致梯田類型的分類管理較為困難。為探索高效、便捷的梯田措施類型與質量識別技術，本文以沂蒙山泰山國家級水土流失重點治理區的費縣為研究對象，基于高分遙感影像、DEM等多源數據，采用遙感解譯、地面調查、無人機遙感和隨機森林等方法，開展梯田措施的解譯、野外調查測定、梯田措施類型空間預測及質量判定等研究，從而為梯田精細化管理維護、水土流失防治等提供重要支撐，促進區域農業經濟的發展。

1 研究區概況

費縣隸屬于山東省臨沂市，地處山東省中南部，地理坐標為東經117°36′-118°18′、北緯35°00′-35°33′，總面積1660 km2。東臨蘭山，西接平邑，南依蘭陵，北沿蒙山自西北至東南連蒙陰、沂南，地形復雜，屬低山丘陵區，地形復雜，以丘陵和低山地貌為主，北面山峰重疊，西面與南面以丘陵為主，東面為較開闊的山前平原；屬溫帶大陸性季風氣候，多年平均風速為2.7 m/s，年平均氣溫一般在13.1-13.9 ℃[25]；屬淮河流域水系，主要河流為溫涼河、浚河、祊河、涑河四條；巖性條件復雜，以石灰巖為主，分布其次為花崗巖，混合巖和其他巖共同分布；土壤類型以粗骨土、棕壤、褐土為主；地帶性植被為暖溫帶落葉闊葉林；土地利用類型由8個一級類和15個二級類組成，其中耕地和經濟林果用地為二級類水澆地、旱地、果園、茶園。其中耕地面積715.81 km2，占全縣土地利用面積的43.12%，園地面積156.58 km2，占全縣土地利用面積的9.43%。

圖1 研究區地理位置圖

2 研究方法

2.1 數據源獲取與處理

（1）遙感影像：采用2 m空間分辨率的GF-6遙感影像（2022年5月4日），經過輻射校正、大氣校正和圖像色彩增強、裁剪鑲嵌處理，用于梯田措施的解譯；（2）數字高程模型（DEM）數據：基于12.5 mDEM進行地形地貌指標分析，高精度數字高程模型通過無人機正射飛行采集數據后處理獲得；（3）土壤類型數據：山東省1:50萬土壤類型矢量數據，基于GIS軟件，進行裁剪得到費縣土壤類型（土種）矢量數據；（4）地質巖性數據：采用山東省1:50萬地質巖性圖矢量數據，基于GIS軟件，進行裁剪得到費縣巖石類型矢量數據；（5）人口密度數據：采用2019年Worldpop數據，100 m柵格數據，單位人/hm2，經投影變換、裁剪、重采樣處理；（6）夜間燈光影像數據：采用2018年夜間燈光影像數據，來源于美國國家海洋和大氣管理局官網(https://www.ngdc.noaa.gov/eog)；經DN值矯正、掩膜去噪和輻射校正處理，用于GDP柵格化；（7）水土保持重點工程矢量數據：搜集了2016-2022年費縣水土保持重點工程資料。

2.2 梯田措施野外調查與典型分析

2.2.1 梯田措施野外調查基于GF-6影像，采用人機交互解譯提取梯田措施圖斑，同時根據溝道和山脊對較大圖斑進行分割，控制圖斑面積小于1 km2，且保持梯田圖斑在坡面上的完整性，便于梯田分類指標數據的提取。

通過野外調查對梯田圖斑解譯精度進行驗證，現場復核調查圖斑580個，對其基本信息進行記錄，根據復核驗證，正確解譯梯田圖斑556個，驗證精度為95.86%。同時，選取其中70個典型梯田圖斑，獲取梯田特征數據和質量情況，并采用RTK無人機正射，經DJ Terra軟件拼接處理，基于Global Mapper Pro V 23.0消除樹木、房屋等造成的DSM數據異常凸起，用于提取其高精度DEM和DOM影像以供質量評價，野外調查點見圖2。

圖2 野外調查點位空間分布及解譯標志

2.2.2 梯田措施類型劃分及質量評定

（1）梯田措施類型劃分根據區域現場調查實際狀況與資料查閱，研究區梯田可根據埂坎修建材料分為石坎梯田和土坎梯田兩種，其中以干砌石、漿砌石、六角磚等為主的為石坎梯田，以土質埂坎為主的梯田為土坎梯田。

（2）梯田措施質量評定根據野外調查數據，采用賦分法，對典型調查的梯田平整度、梯田整齊度、梯田完好度、梯田排水溝等指標進行量化評分，其中3-4分為質量差，5-7分為質量中等，8-10分為質量好。野外調查梯田賦分標準見表1，圖3。

表1 梯田地塊質量情況賦分標準

圖3 不同梯田類型及質量無人機建模影像

2.3 梯田類型與質量指標篩選與處理

綜合考慮影響梯田類型與質量的影響因素及數據的可獲取性，初步選選取巖性土壤、地形因子、人為活動等3大類14個指標（空間分布見圖4）和野外調查梯田狀況數據作為隨機森林梯田措施類型和質量預測模型的評價指標，指標及獲取方法見表2。以梯田圖斑為單元提取各定量指標的均值、離散數據指標的眾數、梯田狀況指標矢量化構建梯田措施類型與質量評價模型數據集。

表2 梯田措施類型與質量識別指標及獲取方法

圖4 梯田措施類型與質量影響因子分布

2.4 基于隨機森林的梯田類型識別與質量評價模型構建

隨機森林（RF）是一種基于決策樹組合自主學習的機器學習算法（圖5），由Breiman在2001年提出，可用于分類、回歸以及多維數據處理等[20]。是一種基于決策樹組合自主學習的新興機器學習算法，具有運行快、數據容量大、分類精度高等優勢[21]，可以很好地預測多達幾千個解釋變量的作用[22]，被譽為當前最好的算法之一[23]，在環境科學、農業科學和金融等領域有較大應用[24-27]。

采用Mean Dcrease Gini（MDG）對影響梯田措施類型的參數指標進行重要性分析排序，MDG是通過Gini指數計算每個變量對節點觀測值異質性的影響，值越高，表示該指標越重要。以80%訓練樣本、20%驗證樣本，分析不同指標數量對梯田類型及質量分類精度的影響，確定最優指標數據集，用于對研究區梯田類型和質量的空間預測分析。

3 結果與分析

3.1 梯田措施空間分異性及典型分析

3.1.1 梯田措施空間分布特征研究區梯田措施圖斑8720個，面積492.28 km2，占全縣29.66%，見圖6。梯田措施圖斑最大面積0.97 km2，最小面積0.04 hm2，平均圖斑面積0.0565 km2。梯田措施主要分布于研究區最北部、西部、西南部、中南部及南部，其中中南部梯田分布較為破碎，東北部、西部和西南部梯田分布較為密集?？臻g分布見圖7。

3.1.2 典型梯田措施特征分析典型梯田措施調查數據表3和4表明，隨海拔升高、坡度增加，梯田總體上呈現田面寬度變窄、埂坎坡度變陡、埂坎高度漸低的趨勢。不同措施類型、不同質量梯田的田面寬度、埂坎坡度、埂坎高度閾值范圍分別為：土坎梯田6.37～14.17 m、47.04～68.24°、0.64～1.58 m，石坎梯田3.06～15.06 m、75.5～86.5°、0.69～1.89 m；質量好的梯田4.11～10.11 m、72.45～87.45°、0.83～1.93 m，質量中的梯田7.08～18.08 m、67.12～86.12°、0.74～1.84 m，質量差的梯田4.55～15.55 m、65.57～86.57°、0.67～1.57 m。

表3 典型梯田措施類型特征統計

表4 典型梯田措施類型特征統計

3.2 梯田措施類型與質量識別指標分析

3.2.1 梯田措施類型指標重要性對評價指標的重要性Mean Dcrease Gini（MDG）進行排序，結果見圖8，可知重要性從高到低依次為坡度（18.73）、地形起伏度、GDP、海拔、人口密度、城鎮村距離、道路距離、流量、曲率、土壤類型、巖性、坡向方位、重點工程、作物類型。結合表5可以看到，地形因子在該隨機森林模型中占主導地位，模型貢獻率為54.16%，坡度為最重要的地形因子指標，其次為地形起伏度；人為活動因子重要性排序為第二位，模型貢獻率共35.45%，其中GDP為最重要的人為活動指標。

圖8 梯田類型分類預測模型指標重要性排序

表5 指標模型貢獻率

3.2.2 梯田措施質量識別指標分析

（1）指標重要性分析：

通過對評價指標的重要性Mean Dcrease Gini（MDG）進行排序，結果見圖9，可知重要性從高到低依次為地形起伏度、海拔、GDP、坡度、曲率、人口密度、道路距離、城鎮村距離、坡向方位、流量、土壤類型、巖性、作物類型、重點工程。結合表6可以看到，地形因子在該隨機森林模型中占主導地位，模型貢獻率為57.45%，地形起伏度為最重要的地形因子指標，其次為海拔；人為活動因子重要性為第二位，模型貢獻率共37.5%，其中GDP為最主要的人為活動指標。

圖9 梯田措施質量識別預測模型指標重要性排序

表6 指標模型貢獻率

3.3 梯田措施類型與質量識別模型構建與預測

3.3.1 梯田類型模型構建精度分析及指標確定根據指標重要性排序，逐步剔除貢獻率最低的指標，分別采用8～12及14個指標（貢獻率57.14～100%）進行驗證精度分析，結果見圖10。隨著指標數量減少，貢獻率呈線性降低，而梯田分類驗證精度呈現波浪形變動。10個指標時驗證精度最高（87.27%）；其次為11個指標（84.3%）；12個指標和8個指標時驗證精度均在80%以下。

圖10 不同指標數量模型貢獻率及模型驗證精度對比結果

通過指標數據集的梯田類型混淆矩陣結果（見表7），發現土坎和石坎梯田的生產者精度有明顯差別，其中土坎梯田生產者精度僅有33.33%，而石坎梯田生產者精度達97.83%，二者的用戶精度則均在70%及以上。

為探討不同樣本數量對梯田類型識別精度的影響，進行不同樣本數量模型的構建。結果表明（見表8），采用70個樣本驗證精度85.71％，僅比556個樣本低1.56%，差異不大，說明70個點具有較好的典型性與代表性。因此選取坡度、地形起伏度、GDP、海拔、人口密度、城鎮村距離、道路距離、流量、曲率、土壤類型10項指標進行梯田措施類型預測模型的構建。

表7 10項指標梯田措施類型分類模型混淆矩陣驗證結果

表8 10項指標梯田措施類型分類模型不同數據集對比驗證結果

3.3.2 梯田質量模型構建精度分析及指標確定根據3.3.1中的指標剔除方法，應用8～14個指標共7個指標集構建預測模型（見圖11），貢獻率呈線性降低，而梯田質量情況評價模型驗證精度隨指標數量的減少呈現反復提高再降低的趨勢，且11個指標時模型驗證精度達到峰值，其中，9個指標集模型驗證精度為最高（69.23%）；13個和8個指標集模型驗證精度最低，為46.15%。

圖11 不同指標數量模型貢獻率及模型驗證精度對比結果

進一步分析該指標數據集的梯田類型混淆矩陣結果（見表9），梯田質量情況的生產者精度和用戶精度均有不同程度的差別，但所有精度均在60%以上，其中生產者精度中，質量好梯田的驗證精度75%為最高，質量中和差梯田的驗證精度相同，均為66.67%；用戶精度中，質量差梯田的驗證精度100%為最高，質量好的梯田驗證精度60%為最低。因此選取地形起伏度、海拔、GDP、坡度、曲率、人口密度、道路距離、城鎮村距離、坡向方位等9項指標進行梯田措施類型預測模型的構建。

表9 9項指標隨機森林模型識別梯田措施質量情況混淆矩陣驗證結果

3.3.3 梯田類型與質量空間預測分析

（1）梯田措施類型預測空間分布特征由梯田措施類型預測統計表和措施類型預測空間分布圖（見表10，圖12）可知，研究區土坎梯田圖斑數量和面積明顯少于石坎梯田，其中石坎梯田圖斑數量8085個，面積440.4 km2，占梯田措施總面積的89.46%；土坎梯田圖斑數量635個，面積51.88 km2，占梯田措施總面積的10.54%。從空間分布上來看，根據圖可知，土坎梯田分布在中北部、西部和西南部，而石坎梯田分布在北部、西部、南部和西南部。

表10 研究區梯田措施類型與質量情況預測統計

圖12 研究區梯田措施類型預測空間分布

（2）梯田措施質量情況預測空間分布特征由表11，圖13可知，研究區措施質量以質量中為主，圖斑數最多、面積最大，分別為5105個圖斑和369.45 km2，質量中的梯田措施面積占研究區梯田總面積的75.05%；其次為質量好的梯田措施，圖斑數量為2770個，措施面積83.45 km2；質量差的梯田措施在研究區分布最少，其圖斑數845個，措施面積39.38 km2。從空間分布上來看，質量好的梯田主要分布于東北部、中南部和西南部，而質量差的梯田主要分布于北部、西部、西南部和南部，且分布較為零散。

表11 研究區梯田措施類型與質量情況預測統計

圖13 研究區梯田措施質量情況預測空間分布

（3）梯田措施類型與質量現狀由表12，圖14可知，土坎梯田以質量中為主，共有圖斑497個，面積43.12 km2；土坎梯田質量差和好的梯田措施較少，圖斑數量分別為91和47個，質量差的土坎梯田主要分布于西南部，質量好的土坎梯田主要分布于中南部和東北部。石坎梯田以質量中為主，共有圖斑4608個，面積326.34 km2；其次為質量好的石坎梯田，圖斑2770個，面積78.1 km2，在西部和西南部分布破碎；質量差的比例最低，圖斑為845個，面積39.38 km2，空間上主要分布于最北部、西部和南部。

從數量和面積上來看，石坎梯田和土坎梯田均以質量中為主，其次為質量好，質量差的比例最低，總體上石坎質量要優于土坎質量。從空間上看，梯田在東北部和中南部質量好，西南部質量差。

表12 研究區梯田措施類型與質量情況預測統計

圖14 研究區梯田質量預測空間分布

4 討論

4.1 措施類型劃分討論

按照不同分類形式，梯田分類有很多種，在本研究分為土坎梯田和石坎梯田。在實際調查中，土坎梯田又分為裸露和覆草兩種，而且覆草的蓋度不同，對梯田埂坎的安全性和水土流失狀況有較大影響，然而目前的遙感影像在計算埂坎覆蓋度時易受田面植被影響，難以精確識別土坎梯田覆被情況，再加上樣本數量不足以支撐，故沒有進一步細分為土坎覆草和土坎裸露。

4.2 模型分類精度分析

兩個模型的精度分別為87.27%和69.23%，可以看到模型對類型的分類能力較強，而對于質量的評價較弱，這可能是由于梯田質量的隨機性更強，受政府投資、大規模承包、日常維護和區域經濟產業體制等主觀因素的影響較大，因此后期進行相關研究時可以嘗試在野外調查中通過調查問卷的形式將此類主觀因素進行統計，從而消除其對模型精度的負面影響。

5 結論

（1）研究區共有梯田措施492.28 km2，共確定梯田措施8720塊，平均圖斑面積0.0565 km2，主要分布于南、北兩側，其中高海拔高坡度梯田主要分布于研究區東北部和西部的低山區，土地利用以耕地為主。隨海拔升高、坡度增加，梯田總體上呈現田面寬度變窄、埂坎坡度變陡、埂坎高度漸低的趨勢；

（2）梯田措施類型分類和質量評價模型指標貢獻率均以地形因子最高，分別為54.16%和57.45%，其次均為人為活動因子，貢獻率分別為35.45%和37.5%。類型分類模型驗證精度87.27%，對石坎梯田的分類精度要大于土坎梯田，質量評價模型驗證精度69.23%，對不同質量梯田的評價精度相似；

（3）研究區措施類型以石坎梯田為主，面積440.4 km2，土坎梯田面積51.88 km2，石坎梯田質量總體略優于土坎梯田，均以質量中等為主，其次為質量好，空間上研究區東北部和中南部的梯田質量好，西南部的質量差。

[1] Liu BY, Zhang KL, Xie Y. An empirical soil loss equation[C]//Process of soil erosion and its environment effect, Proceedings of 12th ISCO conference(Vol. II). Beijing, China:Tsinghua University Press, 2002

[2] 楊艷芬,角媛梅,劉澄靜,等.全球水稻梯田生態系統服務研究進展[J].生態學雜志,2021,40(3):876-886

[3] 繆建群,王志強,馬艷芹,等.崇義客家梯田生態系統可持續發展綜合評價[J].生態學報,2018,38(17):6326-6336

[4] 王彥武,牛莉婷,張峰,等.黃土區高標準梯田生態服務功能及其價值[J].水土保持學報,2019,33(6):190-196

[5] 楊柳,郝仕龍,范云鵬.豫西南土坎水平梯田田坎穩定性分析[J].水土保持研究,2018,25(1):282-286

[6] 劉佳麗,田佳,鄭田恬,等.基于邊坡穩定的黃土梯田優化設計[J].中國水土保持科學,2020,18(4):21-28

[7] 范玉芳,羅友進,魏朝富.西南丘陵山區坡耕地水平梯田工程設計分析[J].山地學報,2010,28(5):560-565

[8] 角媛梅,程國棟,肖篤寧.哈尼梯田文化景觀及其保護研究[J].地理研究,2002(6):733-741

[9] 角媛梅,楊麗萍.哀牢山區哈尼梯田的分形特征[J].生態學報,2007(11):4583-4589

[10] 吳發啟,張玉斌,王健.黃土高原水平梯田的蓄水保土效益分析[J].中國水土保持科學,2004(1):34-37

[11] 王醒,方榮杰,張帥普,等.1993—2019年龍脊梯田植被覆蓋度變化及其空間分布格局[J].西部林業科學,2021,50(5):41-48

[12] 楊力華,楊勤科,朱夢陽,等.泛第三極典型地區土地利用和水保措施解譯精度分析[J].水土保持通報,2020,40(2):154-161,169

[13] 于海鵬,楊翔惟,黎家作,等.基于地學信息圖譜的土地利用時空演變分析[J].中國水土保持科學(中英文),2022,20(4):109-117

[14] 薛牡丹,張宏鳴,楊江濤,等.無人機影像與地形指數結合的梯田信息提取[J].計算機應用研究,2019,36(8):2527-2533,2538

[15] 張雨果.基于面向對象的遙感影像梯田信息提取研究[D].楊凌:西北農林科技大學,2016

[16] 張宏鳴,胡勇,楊勤科,等.基于影像與坡度數據融合的梯田田塊分割方法[J].農業機械學報,2018,49(4):249-256

[17] 唐磊.基于GF-2影像的黃土丘陵區梯田田坎自動提取研究[D].蘭州:甘肅農業大學,2020

[18] 曲小康,芮小平,韓瑩,等.柵格成本距離計算的改進蟻群算法[J].地球信息科學學報,2016,18(8):1052-1059

[19] 鐘凱文,黎景良,張曉東.土地可持續利用評價中GDP數據空間化方法的研究[J].測繪信息與工程,2007,129(3):10-12

[20] Xue JL, Yu Y, Bai Y,. Marine oil-degrading microoranisms and biodegradation process of petroleum hydrocarbon in marine environments: A review [J]. Current Microbiology, 2015,71(2):220-228

[21] 張春華,嚴云良.醫藥數理統計[M].北京:科學出版社出版,2001

[22] Breiman L. Statistical modeling: The two cultures [J]. Statistical Science, 2001,16(3):199-231

[23] Iverson LR, Prasad AM, Matthews SN,. Estimating potential habitat for 134 eastern US tree species under six climate scenarios [J]. Forest Ecology Management, 2008,254:390-406

[24] Cutler DR, Edwards TC, Jr. Beard KH,. Random forests for classification in ecology [J]. Ecology, 2007,88(11):2783-2792

[25] Genuer R, Poggi JM, Tuleau-Malot C. Variable selection using random forests [J]. Pattern Recognition Letters, 2010,31(14):2225-2236

[26] 張曉羽,李鳳日,甄貞,等.基于隨機森林模型的陸地衛星-8遙感影像森林植被分類[J].東北林業大學學報,2016,44(6):53-57,74

[27] 馬慧娟,高小紅,谷曉天.隨機森林方法支持的復雜地形區土地利用/土地覆被分類研究[J].地球信息科學學報,2019,21(3):359-371

Identification and Evaluation of Terracing Measure Types in Hilly Areas Based on Random Forest

WU Ao1, YUAN Li2, QI Fei3, SHI Jiao-jiao1, LIU Xia1*, WANG Yun-peng1, YU Hai-peng1

1.210037,2.233001,3.210017,

High-resolution remote sensing images can effectively identify the distribution of terraced measures, but it is difficult to identify the type and quality of terraced measures. In order to explore efficient and accurate terraced measure type and quality identification technology, this paper takes Feixian County, a national key soil and water loss management area of Mount Tai, Yimeng Mountain, as the research area. Based on multi-source data such as GF-6 remote sensing image, DEM (12.5 m) and 70 typical points, this paper adopts remote sensing interpretation, ground survey, UAV remote sensing and random forest to carry out research on the type identification, spatial prediction and quality judgment of terrace measures, thus providing important support for the refined management of terrace and soil erosion prevention and control. The results show that: (1) the terrace measures in the study area are 492.28 km2, distributed in the south and north sides of the region, mainly cultivated land. With the increase of elevation and slope, the width of terrace surface Narrows, the slope of ridge becomes steeper and the height of ridge decreases. (2) The topographic factor had the highest contribution rate, 54.16% and 57.45% respectively, followed by the human activity factor, which contributed 35.45% and 37.5% respectively. The validation accuracy of the terraced measure type classification model was 87.27%, and that of the quality evaluation model was 69.23%. (3) The study area is dominated by stone dike terrace with 8085 map spots, accounting for 89.46% of the terrace area, and earthen terrace with 635 map spots, accounting for 10.54% of the terrace area. In general, the quality of stone dike terrace is slightly better than that of earthen terrace. The quality of the terrace in the northeast and central and southern parts of the region is good, while the quality of the terrace in the southwest is poor.

Remote sensing image;terrace identification; model prediction

S157.3+1

A

1000-2324(2023)04-0582-13

10.3969/j.issn.1000-2324.2023.04.015

2023-02-24

2023-03-08

吳傲(1998-),男,碩士研究生,專業方向:水土保持監測與評價. E-mail:846670787@qq.com

通訊作者:Author for correpondence. E-mail:liuxia@njfu.edu.cn