Print

出版日期: 2016-09-25
点击次数:
下载次数:
DOI: 10.11834/jrs.20166149
2016 | Volumn20 | Number 5





                              上一篇|





下一篇


论文
土地资源遥感应用研究进展
expand article info 张增祥 , 汪潇 , 温庆可 , 赵晓丽 , 刘芳 , 左丽君 , 胡顺光 , 徐进勇 , 易玲 , 刘斌
中国科学院遥感与数字地球研究所, 北京 100101

摘要

遥感数据与土地资源在时空特性方面具有高度的一致性,土地资源研究长期是遥感应用的主要领域之一。过去数十年来,国内外开展了大量的土地资源与环境遥感应用研究,遥感技术为土地资源研究提供了丰富的信息源和实现手段,拓展了土地资源的研究内容,强化了土地资源的研究程度。随着遥感技术的发展和应用研究的深入,针对日益多样化的实际需求,创新研究方法,加强与传统学科的有机结合,在提取系列化专题信息基础上,开展不同时空尺度的综合性分析与评估,切实满足全球变化研究和实现区域可持续发展的需要,仍然是土地资源遥感应用研究应该关注的主要发展方向。

关键词

土地资源 , 土地利用 , 土地覆盖 , 遥感 , 应用研究

Research progress of remote sensing application in land resources
expand article info ZHANG Zengxiang , WANG Xiao , WEN Qingke , ZHAO Xiaoli , LIU Fang , ZUO Lijun , HU Shunguang , XU Jinyong , YI Ling , LIU Bin
Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

Abstract

Remote sensing applied to land resource research has received increasing interest because of the excellent agreement of the temporal and spatial characteristics of remote sensing data and land resources. In the past decades, the development of remote sensing technology has greatly enriched the method and content of geography research. As one of most important directions of geography research, the research on land resources and the environment is carried out using remote sensing techniques. Remote sensing provides voluminous amounts of information and improves the depth of land resource research. With the support of the periodic acquisition of information via remote sensing, data information in land resource research is subjected to dynamic monitoring and updating. Extensive dynamic land resource information, such as quantity, distribution, composition, and type conversion, can be extracted from remote sensing data. Modern process analysis and change prediction for land resources have gradually become research hotpots because of the results of the monitoring of land resource changes. The research directions in relation to the remote sensing of land resources should focus on the following vectors in the future. First, research methods should be innovated to match the application requirements in China. Many research studies in China still focus on tracking, citing, consummating, and verifying the content and method of foreign models. Models suitable for the Chinese environment should be developed in the future. Second, remote sensing applications should be combined effectively with traditional disciplines. Maintaining consistency with traditional research in terms of concepts and connotations, clarifying the relationship of remote sensing parameters and their geoscience implications, and realizing the organic combination of land resource information and remote sensing parameters can improve the applicability and interpretability of research results. Third, the development of remote sensing applications for land resources should meet the requirements of global change research and consider large spatial regions, long time processes, and multiple observation angles. Given the different geographical elements of different regions, the consistency of temporal and spatial cognition should be emphasized against the background of global change research. Finally, applications should promote comprehensive analysis and evaluation to embody the relationship between human beings and land resources. The influence of this relationship on the sustainability and quality of the development process should also be studied.

Key words

land resources , land use , land cover , remote sensing , application research

1 引言

广义的国土资源是一个国家领土范围内所有自然资源和社会经济资源的总称。自然资源一般可以理解为一定的时间、空间范围内能够为人类利用并产生经济价值的自然环境因素的总称,包括土地资源、矿产资源、水资源、生物资源、海洋资源等。数量上的无限性、分布上差异性、时空间的可变性是自然资源的基本特点。多数情况下,狭义的国土资源基本指自然资源,一般指国家主权范围内,陆地、领海及空中的所有资源,是包括土地资源、气候资源、水资源、生物资源(森林、草原及动物)、矿产资源及海洋资源在内的全部自然资源的总称(陈述彭,1990)。

土地资源是一种自然资源,指已经被人类所利用或者在可预见的将来能够被人类利用的土地及其附属自然物。土地资源可供农、林、牧业或其他产业所利用,是人类生活的基本资料和生产活动的对象,具有质和量两方面的属性。对土地资源的利用,可能需要采取不同方式和不同程度的改造措施,提高其适用性和预期产出。因而,土地资源既包括土地的自然属性,也包括它的经济属性,即社会属性,是土地实体及其创造价值的统称。土地资源具有时空性,导致不同地域和不同时期的差异。土地资源研究主要是针对它的数量和质量的时空特点、组合方式及其满足区域发展需求的程度来开展。

遥感数据的时空特点与土地资源的时空特点具有高度的一致性。遥感技术出现以来,首要的应用领域就是包括土地资源在内的地表资源与环境方面。通过传感器获取地物的波谱信息一直是主要的遥感方式之一,这些信息以数据的方式记录了地表物体的特性,同步获取空间区域内不同地物的信息和重复获取同一区域、同一地物的信息等特点,吻合了土地资源的时空特性,能够支持资源、环境、灾害、人类活动等方面开展的目标识别、信息采集与处理、分析与评估工作,在区域、国家、全球范围内得到了广泛的应用,包括调查、监测和预测等。

2 国内外的土地资源遥感应用研究

遥感应用研究贯穿于遥感技术的整个发展过程。遥感技术的核心实质在于通过获取观测对象的波谱信息,实现目标观测和识别等目的。地物通常是遥感观测的最直接和最主要的对象,在土地资源分类识别与变化监测方面的应用也最多。

2.1 国际上主要的土地资源遥感应用研究

世界范围内,多样化的土地资源伴随着差异化的区域分布。基于遥感技术开展的土地资源研究常常成为各项全球性的科学研究计划的核心内容。

围绕土地资源开展的土地利用/覆盖变化(LUCC)是全球变化研究的重要组成部分和核心内容(Lambin等,1999Turner等,2007)。国际科学理事会ICSU(International Council for Science;原称国际科学联合会理事会)1986年提出的“国际地圈与生物圈计划”IGBP(International Geosphere-Biosphere Program)和隶属于国际社会科学联合会的“国际全球环境变化人文计划IHDP(International Human Dimensions of Global Environmental Change Programs)”这两大国际组织的科学计划积极推动了这方面工作的开展。自20世纪80年代以来,世界气候研究计划(WCRP)、国际地圈生物圈计划(IGBP)、全球环境变化人文计划(IHDP)和国际生物多样性计划(DIVERSITAS)等联合开展了一系列关于全球环境变化的研究。另外,地球系统变化及其对可持续发展影响的研究也由地球系统科学联盟(ESSP)发起并开展(Liu和Deng,2010)。但是,作为全球环境变化研究的核心内容,土地利用/覆盖变化研究从20世纪90年代才开始具体开展。国际应用系统分析学会(IIASA)在1995年开展了欧洲和北美地区土地利用变化的模拟(Heilig,1995)。IGBP和IHDP于1995年联合发起了土地利用/覆盖变化研究项目,并提出了土地利用/覆盖变化的概念框架(Turner等,1995)。为了研究和掌握土地利用/覆盖变化与温室气体排放之间的关系,从1997年开始,美国开始利用高空间分辨率的遥感影像在北美热带雨林进行森林分类研究(Subcommittee on Global Change Research,1996)。2003年,IGBP和IHDP进一步提出土地研究的核心项目——全球陆地计划(GLP),以期在地球系统功能范畴内提高对土地系统动力学的理解(GLP,2005)。美国、欧洲、日本针对21世纪初期的全球土地覆盖,采用不同的遥感信息源和分类方法,生产了全球范围的不同分辨率、不同时期的土地覆盖数据集。中国国家科技部同样组织开展了一系列以全球变化研究为主题的科研项目,全球土地利用/覆盖变化制图就是部署的第一批4个主要研究项目之一(Xu等,2013),独立建设了全球土地覆盖数据集GlobeLand 30。

在这些项目的推动下,形成了7套常用的全球土地覆盖数据集:(1) 由IGBP和美国地质调查局(USGS)利用1992年—1993年时段的高级甚高分辨率辐射计(AVHRR)数据,采用K均值方法对1992年—1993年的全球AVHRR NDVI月合成数据分区进行聚类分析,生产了1 km国际地圈生物圈计划(IGBP)全球土地覆盖数据产品(即IGBP-DISCover数据集)(Loveland等,2000),总体精度为66.9% (Scepan,1999);(2) 美国马里兰大学以1992年—1993年时段AVHRR数据为数据源,在Landsat MSS影像上选择训练样本,采用决策树分类方法对41种分类特征(均为光谱时间特征,包括NDVI时间序列特征)进行分类,生产了1 km全球土地覆盖产品(即UMd数据集),总体分类精度为65%(Hansen等,2000);(3) 由欧盟联合研究中心以1999年—2000年SPOT-VEGA数据作为主要数据源,采用分区分类的方法,生产了1 km全球土地覆盖产品(即GLC2000数据集)(Bartholomé和Belward,2005),总体精度为68.6%(Mayaux等,2006);(4) 欧洲空间局(ESA)利用2005年—2006年时段的ENVISAT MERIS-FRS 1B级数据为数据源,将全球分为22个区域,并先后采用监督和非监督分类方法对每个区域的光谱特征和时间序列特征进行分类,通过全球合作生产了300 m分辨率的GlobCover土地覆盖数据集,之后又利用2009年的ENVISAT数据完成了2009年版本的构建(Bicheron等,2008)。全球300 m土地覆盖数据产品Globcover 2005和Globcover 2009数据集的总体分类精度分别是67.1%和58.0%(Bontemps等,2011);(5) 由NASA利用中分辨率成像光谱仪(MODIS)数据构建的500 m分辨率的MODIS土地覆盖数据集(Friedl等,20022010),包含了2001年至2012年期间的各年土地覆盖类型及动态数据;(6) 由日本发起成立的全球制图指导委员会利用2003年的MODIS数据构建的1 km分辨率的第1版GLCNMO土地覆盖数据集(Tateishi等,2014),之后该委员会又利用2008年的MODIS数据完成了500 m分辨率的第2版数据集的构建;(7) 由国家高技术研究发展计划(863计划)计划支持并构建的30 m分辨率的GlobeLand30数据集(Gong等,2013),目前发布的数据集采用的数据源是2009年—2011年时段的30 m分辨率的Landsat TM、ETM+和HJ-1多光谱数据。由于这些数据集由不同的国家或国际组织推动和构建,因此制图方法和标准各不相同。不同的数据来源和各异的分类体系、标准和技术差异,导致这些数据集在洲际或者区域尺度的应用上具有较差的一致性,数据集之间的可对比性较弱(McCallum等,2006Herold等,2008宫鹏,2009)。

2.2 中国的土地资源遥感应用研究

中国国土资源绝对数量大,种类齐全,但因人口众多,人均占有量显著低于世界平均水平,合理利用土地资源,优化国土资源配置,实现可持续发展,促进生态文明建设,长期受到广泛重视,开展了一系列的土地资源遥感应用研究。

在中国,针对土地利用/覆盖变化和驱动机制的研究大多集中在省级及流域尺度(Chen等,20012009Gao等,2006Buhe等,2007Zhang等,2008Wang等,2010),全国范围的土地利用/覆盖变化和驱动机制研究则较少,目前有代表性的中国土地利用变化研究主要有吴传钧和郭焕成(1994)在20世纪70年代末80年代初利用野外调查资料、航片和卫片解译等综合方法完成的全国土地利用现状调查,编制了1:100万全国土地利用图,这是系统性开展的第2次全国范围的土地利用调查和制图。He等人(2007)Ge等人(2008)利用历史文献资料研究来过去300年中国的土地利用变化,以及利用统计数据对20世纪初至20世纪70年代的中国农林土地及其变化进行了研究(Ge和Dai,2005)。

1980年6月至1984年,在国家科委的统一组织下,全国农业区划委员会会同国家测绘局、林业部、农业部等46个单位,利用564幅定位纠正的1:25万美国资源卫星彩色影像(MSS),参考典型地区航片,首次利用遥感技术完成了全国土地利用调查制图,编制了818幅1:25万土地利用现状图,量算出全国分省农、林、牧等15种地类面积。

20世纪80年代至90年代初期是中国区域性和专题性遥感调查为主的时期,包括土地利用现状遥感调查(中国科学院环境科学委员会和天津市环境保护局,1985)、水域动态遥感分析(中国科学院遥感应用研究所,1988)、土地资源遥感调查(西藏自治区土地管理局,1992)、林业遥感调查(徐冠华,1994)、脆弱生态系统监测(陈正宜,1994)等。

从20世纪90年代中期开始,资源环境遥感应用研究逐步由区域性研究走向全国性研究,1992年中国科学院设立了“国家资源环境遥感宏观调查与动态研究”项目,在完成专题制图的基础上,通过纸图数字化建设了数据库,东部区域采用1:25万比例尺、西部区域采用1:50万比例尺。1996年,国家科技部在“九五”科技攻关项目“遥感、地理信息系统、全球定位系统技术综合应用研究”中设立“国家级基本资源与环境遥感动态信息服务体系的建立”课题,中国科学院相关单位利用20世纪90年代中期的陆地卫星影像及相关辅助数据,采用人机交互解译的方法,构建了全国1:10万土地利用矢量数据库,数据库反映了中国1995年的土地利用状况(刘纪远等,20032005),课题实施期间成功实现了5年为周期的全要素更新,建设了1995年—2000年中国土地利用动态数据库,总体分类精度达到85%以上,耕地、建设用地等定性精度在90%以上。在中国科学院“知识创新工程”的推动下,1999年启动了“国土环境时空信息分析与数字地球理论技术预研究”,在2000年全国土地利用数据库的基础上,采用遥感方法,恢复重建了20世纪80年代末期中国土地利用状况,并建设了数据库(张增祥等,2012Zhang等,2014)。

国土资源部从1999年开始,采用遥感技术进行全国土地利用变更调查工作,但更多关注的是建设用地和耕地的变化(Zhang等,2007)。2003年,国家测绘局利用陆地卫星影像及辅助资料,采用监督分类方法,建成了30 m国家土地覆盖数据,一级类型精度在75%—90%之间(赵有松等,2007)。

为了全面查清目前全国土地利用状况,掌握真实的土地基础数据,建立和完善土地调查、统计和登记制度,实现土地资源信息的社会化服务,国土资源部于2007年7月1日全面启动了第2次全国土地调查(简称“二调”)。要求“在全国范围内利用遥感等先进技术,以正摄影像图为基础,逐地块实地调查土地的地类和面积,掌握全国耕地、园地、林地、工业用地、基础设施用地、金融商业服务、开发园区、房地产以及未利用土地等各类用地的分布和利用状况;逐地块调查全国城乡各类土地的所有权和使用权状况,掌握国有土地使用权和农村集体土地所有权状况;调查全国基本农田的数据、分布和保护状况,对每一块基本农田上图、登记、造册;建立互联共享的覆盖国家、省、市(地)、县4级的集影像、图形、地类、面积和权属为一体的土地调查数据库;建立土地资源变化信息的调查统计、及时监测与快速更新机制。”“二调”的主要技术路线是以航空、航天遥感影像为主要信息源,采用内外业相结合的调查方法,完成1:1万比例尺为主的农村土地调查和以1:500比例尺为主的城镇土地调查,并基于统一标准进行土地利用数据库建库。“二调”于2007年7月全面启动,至2009年下半年完成全国调查工作,并以2009年10月31日为调查的标准时点进行数据汇总,同时要求在2010年以后全国每年进行一次土地变更调查。国土资源部2013年12月公布了“二调”的调查结果,但该数据库主要用于政府掌握土地资源家底及决策使用,研究学者尚难以获取和使用。

在“国家科技基础条件平台建设——地球系统科学数据共享网”的支持下,2007年,中国科学院遥感应用研究所等组织实施了全国区域的土地覆盖遥感监测,进行了中国1:25万比例尺的土地覆盖遥感制图和动态监测,全面、系统地掌握了我国陆地及其近海岛屿的土地覆盖状况,建设了自20世纪80年代末和2005年的中国土地覆盖数据库及其该时间段动态变化数据库。

针对“18亿亩耕地红线”,2007年7月,中国科学院知识创新重大项目“耕地保育与持续高效现代农业试点工程”启动实施,目标之一是在2000年全国土地利用数据库的基础上,将耕地等内容更新到2005年、2008年和2010年,获得不同时期我国耕地的动态变化信息,并开展耕地时空特征及其耕地动态的驱动因素及其影响分析。实际上,在充分重视耕地资源的同时,完成了中国土地利用全要素的同步更新。

2014年,国家测绘地理信息局与多个部委的17个单位和多家企业合作,历经4年时间,采用目视解译与自动分类相结合的方法,构建了中国首个全球30 m地表覆盖数据产品,总体分类精度达到80%以上。

综上可见,随着遥感技术的发展和应用研究的深入,国内外的土地资源遥感应用研究内容更加广泛、研究程度更加深入,快速、科学、系统性提取专题信息是国内外土地资源研究的基本内容,专题信息的客观性和时效性受到了较多的重视,信息内容的一致性、可比性尚需开展更多的研究。面对可持续发展和全球变化研究日益多样化的应用需求,不同空间尺度、不同专题方向的研究使得人类能够从更宽阔的视野认识、分析、评估地球资源与环境,增强了调查、监测能力和综合分析与评估能力,持续性的和系列化的应用研究日益受到重视,基于时间序列的过程分析将逐步深入。

3 土地资源遥感应用研究的主要内容和特点

应用的主要目的是基于遥感获取的目标信息,提取专题知识,支持相关研究和决策。限于土地资源的有限性和时空变动特点,识别土地资源类型,掌握不同类型土地资源的数量、分布、构成和变化,评估土地质量和利用潜力,是土地资源研究的基本内容。

3.1 土地资源分类系统

区分土地资源类型,是为了根据土地资源的差异性,按照类别获取土地资源的面积、分布、动态信息,满足资源构成分析、空间格局分析、动态模式分析的需要。因而,制定分类系统是观测与研究的基础,按照预定的分类规则和方法,将观测对象加以分类区分,并形成一定的层次关系,其完整性、系统性、合理性、适用性、可操作性至关重要,分类系统的合理与否直接决定了研究结果的准确程度。分类系统的制定受观测区域、内容、目的的直接影响会有所不同,但实现全区域覆盖、全类型覆盖,不同类型相互独立,通常是制定分类系统的最基本要求。

目前,尚没有能够被普遍认可的土地资源分类系统,多数情况下都是按照某一应用目的制定的独立分类系统,针对性强,普适性不足。按照目的,土地资源的分类可以有多种方法,采用地形分类和土地利用方式分类在中国较普遍,特别是研究与规划中更多进行土地利用分类,有时候还会将地形分类与利用方式分类结合起来,如中国土地利用遥感监测的分类系统等(刘纪远等,2005)。基于地表覆盖的土地分类在国内外的研究中都有较多出现,包括应用广泛的全球性土地覆盖遥感数据产品和中国土地覆盖遥感监测数据库等(张增祥,2010)。

按照地形,土地资源可分为山地、丘陵、平原、高原、台地、盆地等,反映土地资源的外在形态为主,也是土地利用方式形成与演变的自然基础。一方面,不同类型的土地具有不同的利用价值,会造就不同的利用方式,不同土地类型的组合对区域土地利用也有直接的影响,而且区域间的不平衡明显。另一方面,不同时期,因为土地利用的目的有变化,社会、经济和技术发展阶段有差异,土地利用方式的变化会改变业已形成的区域土地利用状况。中国面积辽阔,自然条件复杂,土地资源类型多样,加之经过数千年的开发利用,逐步形成了各种多样的具有显著地域特点和明显时代特征的土地利用类型及其组合方式。按照土地的利用方式,土地利用类型一般分为耕地、园地、林地、草地、水域、城镇居民用地、交通用地、未利用土地等。20世纪80年代开展90年代完成的中国土地资源调查工作,在统一的技术规程和土地分类标准基础上,分批完成了全国各县的土地资源调查任务,简称土地调查(马克伟,2000),即采用此分类系统。

国际上有关土地资源的分类系统更多考虑地表覆盖。由IGBP提出的分类系统应用最多,该分类系统涵盖了常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林、开放灌丛、密闭灌丛、木本稀疏草原、稀疏草原、草地、永久性湿地、农田、城镇和建设用地、农田与天然植被混合、裸土或稀疏植被、水体等17种类型。另外一个应用较多的分类体系是由联合国粮农组织提出的LCCS(Land Cover Classification System),与IGBP分类系统不同,LCCS分类系统并不直接定义每一种土地类型,而是提供了一个分类框架,在框架内可以根据不同的研究内容自行定义更多的土地类型。全球性的7套土地覆盖数据集中,UMd数据集的分类系统与IGBP分类系统较为类似,但UMd分类系统有所简化。MODIS数据集则提供了5套不同分类的土地覆盖数据,其中2套数据分别采用了IGBP和UMD的分类系统,另外3套数据则分别是基于叶面积指数(LAI/fPAR)、净初级生产力(NPP)和植物功能类型(PFT)的分类系统。GLC2000、GlobCover和GLCNMO数据集的分类系统则是以LCCS为基础构建的,分别将全球土地划分为22、23和20种类型。虽然LCCS体系赋予了使用者更大的自由度去定义分类体系,但是也导致不同的分类系统差异性过大,以至于数据集之间无法进行对比分析。中国GlobeLand30数据集目前发布的数据将土地覆盖类型划分为耕地、森林、草地、灌丛、湿地、水体、苔原、人工表面、裸地和永久性冰雪等10个类型。

全国农业区划委员会制定的土地利用分类系统是中国使用时间最长的土地分类系统。依照土地的用途、经营特点、利用方式和覆盖特征等要素,制定了两级分类的土地利用现状分类系统,包括耕地、园地、林地、牧草地、居民点及工矿用地、交通用地、水域和未利用土地等8个一级类型和46个二级类型,并且可根据需要在不打乱全国统一编码顺序及其代表性地类的情况下进行三、四级分类。20世纪90年代后期,中国科学院开展的全国土地利用遥感监测中使用的土地利用分类系统是就在这个基础上,针对遥感技术特点和研究目的修改完善的,共包括耕地、林地、草地、水域、城乡工矿居民用地和未利用土地等6个一级类型和25个二级类型,增加了8个三级类型,该分类系统还增加了对于动态信息的表示,兼顾了土地利用遥感调查和动态监测的双重需要,在针对过去30年的中国土地利用遥感监测工作中得到了实际应用。2007年8月,中国发布了“土地利用现状分类”(GB/T 21010-2007),将全国土地分为12个一级类和57个二级类,这是中国第一个土地利用分类的推荐性标准,实际上也是在过去的土地利用分类系统和土地分类基础上补充、完善而成的,它更多地考虑了建设用地的差异及其详细划分,对林、草等植被信息的反映稍显简略。

3.2 土地资源遥感应用研究的技术路线

一直以来,土地资源研究就是地理学研究的主要领域之一,这是由研究人地关系为核心的地理学的特点决定的。而土地之所以称为资源,根本上就是以满足人类利用的需要为特点。传统的土地资源研究一般包括土地资源分类、各类土地面积获取、各类土地的分布、不同类型土地资源的构成、土地资源利用方式的转变、面积与构成的变化、对区域社会经济发展的作用和意义、资源利用与生态环境的关系等,通过调查获取类型、数量、分布、变化等属性信息,并以制图的方式承载这些信息,供进一步的分析研究所用。

运用遥感技术进行土地资源现状调查,以摸清土地的数量及分布状况,是遥感应用中最早、研究最多的一项基础性工作(赵英时,2003)。遥感技术的出现,极大地丰富了土地资源研究的手段,拓展了研究内容,深化了研究程度。遥感技术在土地资源领域应用的初期,更多地表现在信息获取手段的增强方面,特别是对于获取空间信息的作用更大。基于实地调查,在实际地物与遥感数据或遥感影像间建立对应关系,即判读标志,然后通过对遥感数据或影像的专业分析,识别不同类型的土地、编制图件、量算面积等,此后的数据汇总与分析又回归传统。遥感应用初期的主要特点体现在调查方面,更多情况下具有“摸清家底、填补空白”的性质。成果形式主要包括图、表和报告等。

随着遥感技术的发展,特别是卫星数量和传感器种类的增加,有效降低了天气等外部因素对遥感数据质量和可用性的不利影响,时间序列的遥感数据逐渐成型并日臻完善,土地资源遥感应用研究在调查的基础上,更多开始关注动态监测和数据信息的更新,获得了大量的关于土地资源数量、分布、构成、类型转换等方面的动态变化信息,逐步开展了土地资源的现代过程研究。在很多研究中,还基于过程研究获得的知识,探索性地进行预测分析。

如果将传统土地资源研究的技术路线概括为分类系统制定—点、线调查—专题制图—面积量测—数据汇总—数据分析—成果处理与应用等环节,遥感的作用主要体现在这一技术流程的前期阶段。由于遥感信息的应用,结合点、线为主的实地调查,能够将相关知识拓展到整个空间区域,强化了对研究区域的整体认识。专题制图无论采用人机交互的判读分析还是计算机自动分类方法,都得益于遥感数据提供的空间信息,更易于实现,制图结果更符合实际。过去近20年来,GIS技术与遥感技术结合,进一步推动了土地资源遥感应用研究的发展,动态监测与过程分析受到重视。不仅实现了动态信息的获取,而且加快了整个技术流程的实现,有效提高了应用成果的现势性和应用价值。土地资源研究的技术路线也由传统的直线式逐步开展,演变出螺旋式演进的周期性特点。成果形式除了图、表和报告外,增加了影像库、专题信息库等数据库形式,多数情况下还实现了现状库与动态库的结合。

3.3 土地资源信息提取方法

基于遥感数据的土地资源信息提取主要是将遥感数据所包含的不同时期、不同空间、不同类型的土地依照其属性特征加以识别和表示的过程。提取方法一般归为两类。一类是基于专业人员对遥感数据及其区域状况的了解,采用综合分析的方法来实现,另一类就是利用计算机技术,主要过程是通过不同波段信息的组合计算加以区分和表示,就其效率和精度而言各有利弊。

目视解译是早期出现的遥感信息提取方法,根据专业经验和知识,建立不同地物类型的判读标志,进而识别、提取和绘制专题地图。这是人们通过遥感技术获取目标信息最直接、最基本的方法。无论是早期的利用航空像片,还是卫星影像,从遥感图像的选取—图像分析—解译标志的建立—判读与制图—面积量算—误差的平赋—精度分析等,已形成一套比较成熟的技术路线(赵英时,2003),在全国土地资源、三北防护林、西藏自治区土地利用等大型遥感中得到实际应用,形成了不同的土地资源遥感监测数据产品(刘纪远等,2005张增祥等,2012)。目视解译具有便于利用地学知识综合判断、利于空间信息提取、灵活性强等优点,同时存在人工投入大、解译经验要求高且受个人主观因素影响大,在广泛推广时面临效率低和精度控制困难等问题(贾坤等,2011)。综合来看,目视解译方法因技术成熟,信息提取定性精度可高达90%(刘纪远等,2005),目前仍然是一种比较成功且精度普遍被认可的一种分类方法(史泽鹏,2012)。

判读分析方法更注重结果的准确性、合理性和可解读性,被认可程度高,在大多数应用工程类研究中受到重视。随着遥感技术和GIS技术的发展及其在土地资源研究中应用的深入,以纸质遥感影像为分析介质的传统遥感目视判读方法,逐步转化为人机交互方式,直接利用计算机显示遥感数据,在屏幕上进行判读分析,便于修改,也能够利用缩放功能,更细致地观察对象,对于效率的提高有明显帮助,而且更便于专题信息的更新和动态信息的获取。这种方法常被诟病的是分析结果会因为专业人员的知识背景、理解能力、理解角度和对研究区的了解程度而有所差异,实际上基于计算机的自动分类也同样会因为类似原因存在这样的“不确定性”,“直到满意为止”的认可原则本身就表明了结果的不确定。

自20世纪80年代以来,国内外学者一直致力于研究计算机自动分类方法用以替代传统的目视解译方法,一方面可以将专业的图像解译人员从繁重的解译工作中解放出来,同时可以去除主观性,特别是面向目前遥感数据时空分辨率逐渐提高、数据来源日益增多且研究区域全球化的发展形势,依靠专业人员目视解译的传统信息提取方法,难以满足数据量日益庞大的遥感信息提取数量与速度的需求。近30年来,学者们发展了大量的遥感自动分类方法,可归纳为3大类:统计学分类、人工智能分类(Wilkinson,1996刘小平等,2008)及其他分类方法。

基于统计分析原理的非监督分类法和监督分类法是发展较早的两种简单分类方法。其中,非监督分类方法受人为因素影响较少,不需要对地面实际情况有很多了解,但分类精度较低,因此常被用于土地利用/覆盖分类前期的初分类,用以了解区域的大致情况(Martinez-Casasnovas,2000)。依赖训练样本的监督分类方法精度明显提高,其中使用最为广泛的是最大似然分类方法,在小区域应用研究中总体精度可达到80%以上(骆剑承等,2002)。该方法要求训练数据为正态分布,在大区域应用时由于地物类型趋于复杂,训练数据难以满足正态分布,难以获得较高的分类精度。

随着计算机和遥感技术的不断发展,神经网络分类、专家系统分类(张爽,2006)、蚁群算法分类(刘小平等,2008)等人工智能分类方法在遥感数据分类中得到了广泛的应用。最常用的算法是神经网络分类(Atkinson和Tatnall,1997胡守仁等,1993),发展有多种形式的神经网络算法,如反向传播网络(Heerman和Khazenie,1992)、模糊神经网络(Gopal等,1999)、Kohonen自组织特征映射网络(Kohonen,1981)等,同时呈现出与遗传算法、小波变换以及模拟退火算法等(童小华等,2008哈斯巴干等,2003韩宗伟等,2015李双成和郑度,2003)多种技术综合集成的态势。神经网络方法具有自适应性和进行复杂并行运算的能力(Heermann和Khazenie,1992Bischof等,1992Serpico和Roli,1995),对数据类型及数据分布函数没有限制性要求,可融合多种数据进行分类。人工神经网络在土地覆盖和土地利用方面得到广泛应用。该方法应用在基于Landsat ETM+遥感数据的盐城滨海湿地覆被分类中(肖锦成等,2013),得到了85%的分类精度,相比最大似然法提高了6个百分点。不足的是,神经网络属于黑箱结构,难以对结果进行解释,并存在过学习、局部最小值和收敛速度慢等问题(刘小平等,2008),虽然在小区域土地分类中使用广泛,但在大区域土地分类中应用不多。

此外,常用的还有支持向量机分类方法(Vapnik,1995骆剑承等,2002)、决策树分类(Friedl等,1999邸凯昌等,2000)以及面向对象分类方法等。支撑向量机通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题。利用支持向量机和MERIS(300 m)数据的区域土地覆盖制图研究发现,支持向量机在土地特征刻画过程中的分类性能和精度明显优于神经网络算法和最大似然算法(李明诗,2008),区域土地覆盖一级分类精度可达67%。

决策树分类是以分层分类思想作为指导原则,利用训练样本生成判别函数,根据不同取值建立树的分支并把数据分为特征更为均质的子集(贾坤等,2011)的一种方法。决策树分类法无需统计假设,可以处理不同空间尺度的数据,在遥感分类领域应用广泛。美国USGS、EPA等部门联合实施的“美国土地覆盖数据库”计划(NLCD 2001)中,决策树分类技术在土地利用分类中的分类精度达到了73%—77%,可以满足大规模土地分类数据产品生产的要求(姜丽华和杨晓蓉,2009)。

面向对象分类方法是一种影像分割技术,其分类的最小单元由影像分割得到的同质影像对象(图斑),而非单个像素,充分利用了影像的光谱信息、纹理信息和拓扑关系。面向对象分类方法在高空间分辨率的遥感数据分类中优势十分明显,目前已有成熟的面向对象分类方法集成商业软件平台eCognition。在小区域的分类精度可达到80%—90%(钱巧静等,2005夏朝旭等,2014),在小区域高空间分辨率制图中应用广泛。

经历了近半个世纪的快速发展,遥感领域已经积累了一大批丰富的遥感信息提取方法,依据方法各自的特点有其相适应的应用范畴。简单而言,自动分类方法中的神经网络法、支持向量机法、面向对象法等在方法研究和小区域研究中取得了较好的效果,应用广泛;大区域土地利用/覆盖制图中有效的方法为决策树分类方法和目视解译方法。虽然传统的目视解译方法耗时费力,但目前仍是精度被广泛认可的大区域制图方法之一。自动方法通常对遥感影像中地物成像条件多变、类内差异大、类间差异不平衡等特点考虑并不充分,直接通过改进分类器来提高分类性能越来越困难。

依靠GIS计算优势的自动分类方法更注重过程,但多数情况下因为辅助信息的不足,影响了机理解释,假定条件多,结果精度难以被认可。而且,自动分类方法的直接实施对象是遥感数据,受像元的影响,结果多采用栅格方式,在制图方面存在不足,面积计算也受到直接影响。有些情况下,为了符合制图要求,虽然可以矢量化处理,但效果并不理想。一般认为计算机自动分类效率比较高,但实际上这一优势仅仅表现在计算过程环节,如果考虑完整的土地资源研究流程,总体效率并不存在明显优势。计算机自动分类对遥感数据的时相和质量要求高,时常难以保证,且分类后处理量大、难度高,在满足同样精度要求情况下,其效率会显著降低。特别是在区域性的应用研究和动态监测过程中,相邻区域的遥感数据可能存在明显的差异,需要对方法及其参数进行反复试验,动态信息又需要仔细甄别,其效率甚至不及人机交互分类方法。

近年来,两种方法的结合越来越多地应用于土地资源遥感应用研究中,依靠优势互补提高了效率,保证了符合要求的精度。2007年开展的中国土地覆盖遥感监测工作,制定了符合中国实际的土地覆盖分类系统,以矢量方式建设完成了中国土地覆盖时空数据库。土地覆盖数据库的建设既依托中国土地利用数据库制作的框架数据基础,又在森林、草地的次级类型划分中,借鉴了遥感自动分类获取的林草信息,有效保证了数据库的质量(张增祥,2010)。

在国家高技术研究发展计划(863计划)项目支持下完成的全球地表覆盖30 m分辨率遥感数据制图成果(GlobalLand 30),获得了“世界上第1套30 m分辨率的两期(2000年和2010年)全球城乡建设用地数据集”(廖小罕和施建成,2014)。该数据集的建设中,也采用了遥感自动分类和人机交互分析相结合的方法。第2次全国土地调查采用政府统一组织、地方实地调查、国家掌控质量的组织模式,利用遥感影像为调查底图,采用人机交互判读分析方法实现了图、数、实地一致。

土地利用是人类在一定的社会、经济和技术条件下,以土地为对象,出于经济或社会目的,对土地进行的长期或周期性的经营过程,这个过程具有动态性。因而,对于土地资源信息的提取不是静态的,动态信息有时候更为重要。面对日益广泛和深化的应用需求,具有调查特点的现状数据越来越难以满足发展规划和过程研究的需要,依靠监测获取的动态信息得到更多的知识。国外的主要土地资源遥感数据产品和中国开展的大量研究,都对动态过程的监测给予足够的重视,逐步发展了时间序列的遥感应用成果。但多数情况下,并未建立专门的动态数据库,而是不同时间节点的静态数据为主。在中国科学院开展的全国土地利用遥感监测、土壤侵蚀遥感监测、土地覆盖遥感监测、城市扩展遥感监测中,首次并持续实现了现状库与动态库的同步建设,明确了每一个动态信息的实体意义。

3.4 土地资源信息的静态信息与动态信息

遥感技术和GIS技术应用于土地资源研究的一个明显变化是以数据方式表示的信息的多样化和大量化,一系列的土地资源遥感应用专题数据库相继建设完成,在现状数据库基础上,逐步开展了动态数据库的建设。

相较于不同时间节点的现状数据库,动态信息在实际应用中有同等重要的价值。在缺少动态数据库情况下,通常采用比较前后两期现状数据来获取动态信息的方法,虽然具有理论上的合理性,但实际可操作性较差。因为,无论是人机交互专题制图,还是自动分类制图,错分、漏分在所难免,分类后处理或图形编辑也会导致地类属性、位置的差异,都难以保证现状数据库的绝对准确,任何的误差和不准确,都会导致两期现状数据的不同,直接进入动态信息中,影响动态信息的准确性。另一方面,动态变化相对于土地资源状况在信息量方面处于弱势地位,这种“伪动态”会显著影响变化分析的质量。在时间序列研究中,这种影响具有传递和累积作用,必须尽可能地消除。

现状数据是反映某一时刻状况的静态数据,为了避免现状数据质量对动态信息的不利影响,20世纪90年代以来开展的土地资源遥感研究中,采用人机交互的判读分析方式,实现了专门针对动态信息的专题制图。这一过程中,在早期或起始年度现状数据的基础上,补充后期或监测末期的遥感数据,通过比较分析来识别动态,动态制图中采用独立的动态编码加以表示。因为现状信息与动态信息的紧密结合,以及动态信息提取中对早期现状数据可能存在的错误的修改,有效地保证了动态信息的准确性,也保证了动态信息与现状信息的一致性。中国土地利用遥感监测等工作,都是采用现状库与动态库同步建设的方法实现了连续更新(张增祥等,2012)。在基于遥感的土地资源自动分类和变化监测研究中,尚未见类似的处理成果报道。

自“九五”时期以来,在中国开展的土地资源遥感应用研究中,先后建设完成了20世纪80年代末至2010年的1:10万比例尺中国土地利用时空数据库、1:10万比例尺土壤侵蚀数据库(张增祥等,2015)和1:25万比例尺土地覆盖数据库,20世纪70年代至2013年的1:10万比例尺城市扩展数据库(张增祥,2006张增祥等,2014)等,各专题数据库全部实现了现状库与动态库的同步建设,很好地反映了不同时期中国土地资源与环境状况以及不同时间段的变化情况。目前,中国土地利用遥感监测数据库包含了6期土地利用现状以及相对应的5个时间段动态变化数据,成为研究20世纪80年代以来中国土地利用及其变化的基础数据和权威数据(Liu等,2005刘纪远等,2009刘纪远等,2014)。同时,该数据库也成全球变化和碳循环研究的重要下垫面数据来源(Wang等,2002Tian等,2003Yan等,2007Tao等,2009Huang等,2012)。

全球性的主要土地资源数据集更多是一种土地利用/覆盖状况的静态反映,唯有MODIS土地覆盖数据集提供了2001年至2012年期间500 m分辨率的土地覆盖动态数据。但是该动态数据并不是一般意义上的土地覆盖变化信息,而是为了支持地表物候变化研究而构建的,反映的仅仅是年度内全球绿度和生长季变化的信息(Ganguly等,2010)。缺少对土地覆盖变化信息的表示,在相当大程度上限制了这些全球土地覆盖数据集的使用价值。对于研究全球变化和气候变化来说,更需要长时间序列的多期土地利用/覆盖数据的支持,因此对于土地利用/覆盖动态遥感监测及其数据库更新必须持续下去。

3.5 系列专题研究

传统的土地资源研究中就有系列制图的概念和实例,可以从不同侧面对研究对象开展更有针对性的研究,也能综合不同侧面实现对研究对象的整体性了解。

针对中国的土地资源已经并正在持续开展系列专题研究。长时间序列的中国土地资源数据库已能涵盖20世纪80年代以来的变化过程。不同专题数据库采用相同的遥感信息源、相同的技术路线、相同的时间尺度、相同的技术参数建设完成,包括中国土地利用、土地覆盖、土壤侵蚀等时空数据库,这种时间序列和专题序列的结合,能够支持土地资源的社会属性和自然属性、资源与环境的综合分析,兼顾了状态评估、趋势比较和驱动因素分析等多重需要。

在系列专题研究中,不同专题的系列化、城镇化与人造覆盖相结合、土地类型与遥感参数相结合、自然属性与社会属性相结合等,在越来越多的研究中得到重视并予以实现。20世纪90年代开展的高原地区生态环境动态遥感监测,结合利用遥感数据、观测数据等,完成了生态环境状况的综合评估与动态比较(张增祥,1998)。2011年完成的中国科学院知识创新项目“耕地保育与持续高效现代农业试点工程”中,在耕地资源动态遥感监测的基础上,结合气象观测资料和遥感参数产品,分析了耕地资源时空变化及其对粮食生产能力的影响。2015年启动实施的中国科学院学部咨询项目《“胡焕庸线”时空认知:聚焦“总理三问”》中,基于土地、地形与人口等多种专题数据开展了中国城镇化潜力评估。

4 土地资源遥感应用研究的发展

遥感技术的出现,极大地丰富了地理学的研究方法和内容。得益于传感器获取的时间序列空间信息的支持,拓展了地理学研究的领域,深化了研究程度。特别是信息的周期性获取,为过程分析创造了条件,能够更好地针对地理学的时空特点开展研究。

技术的发展会促进应用需求的增强。多数情况下,应用需求的发展往往先于技术的进步,但在技术进步的促进下,应用需求的内容会拓展,程度会加深。遥感技术应需求而产生和发展,但在满足应用需求方面尚有一定的距离,对地物识别能力、识别精度、时空分辨率、结果时效性、时序信息的一致性等方面都有待加强。

4.1 创新研究方法,切实满足应用需求

在土地资源遥感应用研究中,受关注较多的是信息提取方法探索和工程性应用等。在遥感应用研究方面,特色比较明显,发展相对较快,不断形成区域性、国家级和全球性的研究成果。在信息提取与分析方法方面,仍然处于自动分类和目视判读并存阶段,无论是机理模型还是经验模型,在参数厘定和区域适用性方面,依然有诸多因素影响着结果质量。国内的许多研究在内容和方法方面依然以跟踪为主,创新性有待加强。大多数研究还处于对国外模型与方法的引用、完善或验证阶段,对于这些方法的原理和适用条件的理解与分析弱于具体应用,而且重复性较大,不同方法、不同研究中产生的同类遥感产品间时常存在明显的不同,虽各有特点,但对结果的解读和应用造成选择性困难。在资源环境研究中,美国的通用水土流失方程广泛应用于中国的土壤侵蚀研究,面对不足以支持相关因子量化表示的现实,为了实现模型应用,进行了诸多改进和假定,但由于缺乏合理布局的长期观测数据的积累,对模型的改进效果有限,验证困难。在遥感应用研究方面,全球数据产品在中国区域精度不高是普遍的看法,也是客观现实,但仍然得到越来越多的直接引用,深层原因值得思考。蒸散发、植被参数、地表参数、土地覆盖分类等方面,因为其在资源环境研究中的重要作用,受到关注最多,相关产品层出不穷,需要加深对这些成果的解读,开展一致性和互补性评估,才有助于实际应用。

遥感提供土地资源研究的最大便利是丰富的信息源,需要面对的最大挑战是专题信息的获取。深化遥感机理研究,创新信息获取与处理方法,形成有自主知识产权的成果,都需要给予更多的重视和付出更大的努力,这是遥感科学发展的需要,也是遥感技术应用的需要。遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及支持更广泛应用研究的新阶段,多分辨率多遥感平台并存,空间分辨率、时间分辨率及光谱分辨率普遍提高。遥感数据源的以上发展趋势,势必带动土地资源遥感应用研究向现势性、动态性、全球化、精细化及自动化方向发展。信息源只是应用研究的基础之一,在跟踪式应用的基础上,由“独立完成”或“首次应用”提升到更高层次的“创新性实现”,“中国智造”的中国制造向中国创造的理念值得借鉴。基于遥感数据的信息结果首先需要可解读,才能被理解和接受,也才能在满足日益增强的实际需求中体现出价值。

4.2 加强与传统学科的结合

遥感基于物理学理论基础,在地理学领域得到了日益广泛的应用。加强与传统学科的结合是提高遥感技术应用针对性和实用性的要求。根本上讲,遥感技术和GIS技术在土地资源研究中的应用,主要是对传统研究方法的增强,有助于丰富研究内容、提高技术可行性,研究对象本质及其研究目的并没有明显的改变,遥感技术的应用需要符合土地资源研究自身的性质和特点。

长期以来的学科交叉拓展了传统学科的内容和实现手段,土地资源研究已经从重视类型、数量、质量、分布的调查研究层面,逐步发展到重视变化过程和变化趋势研究、重视变化影响研究的监测和预测阶段,而且随着研究的深化,需要从更大的时间和空间范围内认识、分析、评估研究对象,因而在全球变化和可持续发展这些综合性的研究中广受关注。相对于传统的土地资源研究,遥感技术的应用使得观测角度从地面转向了空中,增加了观测角度、强化了观测手段,实现了周期性的重复观测,都极大地促进了土地资源研究。也正是由于这些特点,遥感数据与地面观测的结合一直受到遥感机理研究和应用研究的重视。在概念、内涵方面保持与传统研究的一致,理清遥感参数与土地资源的关系和作用,实现分类信息与遥感参数的有机结合,有助于更好地理解、分析地理学研究对象,提高研究成果的适用性和可解读性,更好地服务于资源的合理利用规划和生态环境保护,支持可持续发展战略的实施和促进全球性资源环境问题的逐步解决。国家为了实施生态文明建设的需要,“中华人民共和国国民经济和社会发展第13个五年规划纲要”对耕地保护、建设用地发展、大气质量、水质、森林覆盖度和林木蓄积量等资源环境指标提出了明确要求,遥感技术可望通过监测,支持对这些战略目标实施效果的监督与治理决策。多年来,虽然形成了土地、大气、植被和水质等方面的大量遥感数据产品积累,如果要非常有针对性地满足此类实际需求,尚需付出更多的努力,此类情况不在少数。遥感技术应该也能够在这些目标的实现过程监测与实施效果评估方面发挥更大的监督管理和辅助决策作用。

土地资源遥感应用研究的核心和基本目的之一是需要将遥感数据转化为专题信息,信息提取和分类是一项基础性的工作,态势评估和趋势预测需要调查、监测、模拟获得的诸多专题信息的支持。简单而言,信息提取针对的是提取对象,多数情况下瞄准众多专题信息中的某类或某些信息,如提取耕地或植被生长状况等信息;信息分类更多针对的是某一目标区域和某个特定内容,完整性是主要特点,体现在区域完整性和内容完整性两个方面,需要完全覆盖整个区域,也需要识别出全部类型,如一个区域的土地覆盖制图等。不同方法获得的遥感分类信息、反演参数和地面观测数据的结合会显著提升结果的质量和实用价值。准确和完整区分土地资源类型,了解不同类型资源的分布区域及其相互影响,及时掌握他们的变化,才能更系统地评估其状况和趋势。

4.3 满足全球化趋势下的土地资源遥感应用研究需求

全球化趋势面对的资源环境问题是全球变化研究的核心特点,资源与环境研究又是全球变化研究的重要内容之一,国际性的大型科学研究计划都体现了这一特点。全球变化研究的是地球系统的整体行为,把地球的大气圈、水圈、岩石圈和生物圈等各个层圈作为一个整体,研究这个整体的过去、现在和将来的变化规律,研究控制这些变化的原因和机制,开展全球变化预测,为地球资源与环境的合理利用与有效管理提供科学依据。地球系统的整体性包括不同的圈层和不同的区域,是一个不断演变中的立体空间,要求从更大的空间区域、更长的时间过程、更多的观测角度研究全球性的资源环境问题。由于时空尺度的增大,对土地资源遥感应用研究的要求更高,需要开展研究的内容更多,区域差异的影响更大,诸多内容间的关系更为复杂,系统性地和有针对性地开展分析,明确影响全球变化相关要素间的关系及其变化规律尤为重要。

面对人类的共同家园,地球资源与环境受到越来越广泛的重视,国际上不断有大型的科学观测计划实施,“中华人民共和国国民经济和社会发展第十三个五年规划纲要”也明确提出围绕地球资源与环境动态监测技术开展研究,在整体性理解、层次化组织、动态监测技术探索和资源环境时空态势评估等方面的研究将逐步展开,系列专题数据库建设、区域到全球的系统化比较、动态监测、相互作用分析等,以及资源环境动态的综合评估与对策建议的提出,都应该成为研究内容之一。

就全球而言,不同国家和地区的资源基础不同,环境条件有异,民族历史和民族文化千差万别,又处于各自不同的发展阶段,需要有区别地认识和评估资源环境状况。而且,不同地理区域由于各种自然地理要素的分异,时空认知的一致性也是全球变化研究背景下土地资源遥感应用研究需要关注的内容。

4.4 综合分析基础上的人地关系体现

地理学是研究人地关系的科学,土地资源研究中自然属性和社会属性的结合体现了这一特点。遥感和GIS技术为土地资源遥感应用研究在多专题信息支持下的综合分析基础上,更好地体现人地关系创造了条件。

人地关系就是人类社会和自然环境的关系,作为现代地理学研究的重要课题,被认为是人类认识自然界的永恒命题。人类社会与自然环境的关系具有交互性,包括自然条件对人类社会的影响与限制,也包括人类社会对自然环境的认识、适应与改造,这种交互性是动态的和渐进的。

土地具有自然属性和社会经济属性,土地资源不仅包括土地这个客观实体,而且包括土地在被人类开发利用后所能创造的价值,这是之所以将其称为资源的基本特点。因此,土地资源遥感研究在对多专题土地资源客观实体综合研究的基础上,还应当注重揭示人地间的相互作用关系,实际上就是社会经济与自然基础之间的关系,以及这种关系会如何影响持续性的发展过程与质量等问题。

时间序列、区域序列、比例尺系列、专题系列研究的逐步实现和有机结合,土地资源信息具有大数据的丰富性,应该也能够不断地满足人地关系研究的需要,科学、客观、全面地刻画具有主观能动性的人类活动的结果和影响,掌握自然环境演变过程中的反馈作用,动态的、协调的人地关系是可持续发展的必要条件和有效保障。

遥感应用于人地关系研究,除了要避免遥感数据在反映地物属性信息方面的局限性,更应该结合社会经济数据,土地资源与环境的时空变化,除了自然因素的影响外,人类活动是一个主要的驱动力量,这些变化是社会经济活动的具体表现之一,将资源环境变化与社会经济信息结合,才会真正切合人地关系研究的实质,有望满足优化国土空间格局、实现主体功能区划、平衡区域社会经济发展等的需要。

参考文献(References)

  • Atkinson P M, Tatnall A R L.1997.Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18 (4): 699–709. DOI: 10.1080/014311697218700.
  • Bartholomé E, Belward A S.2005.GLC2000:a new approach to global land cover mapping from Earth observation data. International Journal of Remote Sensing, 26 (9): 1959–1977. DOI: 10.1080/01431160412331291297.
  • Bicheron P, Huc M, Henry C, Bontemps S and Lacaux J P.2008.GlobCover:Products Description Manual.[s.l.]:European Space Agency (ESA):25
  • Bischof H, Schneider W, Pinz A J.1992.Multispectral classification of landsat-images using neural networks. IEEE Transactions on Geoscience and Remote Sensing, 30 (3): 482–490. DOI: 10.1109/36.142926.
  • Bontemps S, Defourny P, Bogaert E V, Arino O, Kalogirou V, Perez J R. Globcover 2009, Products Description and Validation Report. Frascati, Italy: UCL and ESA .
  • Buhe A, Tsuchiya K, Kaneko M, Ohtaishi N, Halik M.2007.Land cover of oases and forest in XinJiang, China retrieved from ASTER data. Advances in Space Research, 39 (1): 39–45. DOI: 10.1016/j.asr.2006.02.056.
  • Chen L D, Wang J, Fu B J, Qiu Y.2001.Land-use change in a small catchment of northern Loess Plateau, China. Agriculture, Ecosystems and Environment, 86 (2): 163–172. DOI: 10.1016/S0167-8809(00)00271-1.
  • Chen S P. Dictionary of remote sensing. Beijing: Science Press 1990 . ( 陈述彭. 1990. 遥感大辞典. 北京: 科学出版社 . )
  • Chen Y F, Liu Y S, Wang J, Yan J P, Guo X D.2009.Land use changes of an aeolian-loessial soil area in Northwest China:implications for ecological restoration. Pedosphere, 19 (3): 356–361. DOI: 10.1016/S1002-0160(09)60126-0.
  • Chen Z Y. Remote Sensing Monitoring and Management of Fragile Ecosystems in Adjacent Area of Jin-Shan-Meng. Beijing: Astronautics Press 1994 . ( 陈正宜. 1994. 晋陕蒙接壤地区脆弱生态系统遥感监测与管理研究. 北京: 宇航出版社 . )
  • Di K C, Li D R, Li D Y.2000.Study of remote sensing image classification based on spatial data mining techniques. Journal of Wuhan Technical University of Surveying and Mapping, 25 (1): 42–48. DOI: 10.3969/j.issn.1671-8860.2000.01.008. ( 邸凯昌, 李德仁, 李德毅. 2000. 基于空间数据发掘的遥感图像分类方法研究. 武汉测绘科技大学学报, 25 (1): 42–48. DOI: 10.3969/j.issn.1671-8860.2000.01.008. )
  • Friedl M A, Brodley C E, Strahler A H.1999.Maximizing land cover classification accuracies produced by decision trees at continental to global scales. IEEE Transactions on Geoscience and Remote Sensing, 37 (2): 969–977. DOI: 10.1109/36.752215.
  • Friedl M A, McIver D K, Hodges J C F, Zhang X Y, Muchoney D, Strahler A H, Woodcock C E, Gopal S, Schneider A, Cooper A, Baccini A, Gao F, Schaaf C.2002.Global land cover mapping from MODIS:algorithms and early results. Remote Sensing of Environment, 83 (1/2): 287–302. DOI: 10.1016/S0034-4257(02)00078-0.
  • Friedl M A, Sulla-Menashe D, Tan B, Schneider A, Ramankutty N, Sibley A, Huang X M.2010.MODIS collection 5 global land cover:algorithm refinements and characterization of new datasets. Remote Sensing of Environment, 114 (1): 168–182. DOI: 10.1016/j.rse.2009.08.016.
  • Ganguly S, Friedl M A, Tan B, Zhang X Y, Verma M.2010.Land surface phenology from MODIS:characterization of the collection 5 global land cover dynamics product. Remote Sensing of Environment, 114 (8): 1805–1816. DOI: 10.1016/j.rse.2010.04.005.
  • Gao J, Liu Y S, Chen Y F.2006.Land cover changes during agrarian restructuring in Northeast China. Applied Geography, 26 (3/4): 312–322. DOI: 10.1016/j.apgeog.2006.09.001.
  • Ge Q S, Dai J H.2005.Analysis of land use change and the driving factors of tillage and forest before the middle of twentieth century in China. Science China Earth Sciences, 35 (1): 54–63. ( 葛全胜, 戴军虎. 2005. 20世纪前、中期中国农林土地利用变化及驱动因素分析. 中国科学D辑:地球科学, 35 (1): 54–63. )
  • Ge Q S, Dai J H, He F N, Pan Y, Wang M M.2008.Land use changes and their relations with carbon cycles over the past 300 a in China. Science in China Series D:Earth Sciences, 38 : 197–210. DOI: 10.1007/s11430-008-0046-z. ( 葛全胜, 戴君虎, 何凡能, 潘嫄, 王梦麦. 2008. 过去300年中国土地利用、土地覆被变化与碳循环研究. 中国科学D辑:地球科学, 38 : 197–210. DOI: 10.1007/s11430-008-0046-z. )
  • G LP. Science Plan and Implementation Strategy. Stockholm: IGBP Secretariat 2005 .
  • Gong P.2009.Accuracy estimation of global land cover data based on global flux observation station. Progress in Natural Science, 19 (7): 754–759. DOI: 10.3321/j.issn:1002-008X.2009.07.008. ( 宫鹏. 2009. 基于全球通量观测站的全球土地覆盖图精度检验. 自然科学进展, 19 (7): 754–759. DOI: 10.3321/j.issn:1002-008X.2009.07.008. )
  • Gong P, Wang J, Yu L, Zhao Y C, Zhao Y Y, Liang L, Niu Z G, Huang X M, Fu H H, Liu S, Li C C, Li X Y, Fu W, Liu C X, Xu Y, Wang X Y, Cheng Q, Hu L Y, Yao W B, Zhang H, Zhu P, Zhao Z Y, Zhang H Y, Zheng Y M, Ji L Y, Zhang Y W, Chen H, Yan A, Guo J H, Yu L, Wang L, Liu X J, Shi T T, Zhu M H, Chen Y L, Yang G W, Tang P, Xu B, Giri C, Clinton N, Zhu Z L, Chen J, Chen J.2013.Finer resolution observation and monitoring of global land cover:first mapping results with Landsat TM and ETM+data. International Journal of Remote Sensing, 34 (7): 2607–2654. DOI: 10.1080/01431161.2012.748992.
  • Gopal S, Woodcock C E, Strahler A H.1999.Fuzzy neural network classification of global land cover from a 1° AVHRR data set. Remote Sensing of Environment, 67 (2): 230–243. DOI: 10.1016/S0034-4257(98)00088-1.
  • Hasi Bagan, Ma J W, Li Q Q, Han X Z, Liu Z L.2003.Wavelet fusion based ASTER data SOM neural network classification. Science in China (Series D), 33 (9): 895–902. DOI: 10.3969/j.issn.1674-7240.2003.09.009. ( 哈斯巴干, 马建文, 李启青, 韩秀珍, 刘志丽. 2003. 基于小波融合的ASTER数据自组织特征映射神经网络分类研究. 中国科学(D辑:地球科学), 33 (9): 895–902. DOI: 10.3969/j.issn.1674-7240.2003.09.009. )
  • Han Z W, Huang W, Luo Y, Zhang C D, Qi D C.2015.Application of simulated annealing method and neural network on optimizing soil sampling schemes based on road distribution. Chinese Journal of Applied Ecology, 26 (3): 891–900. ( 韩宗伟, 黄魏, 罗云, 张春弟, 祁大成. 2015. 基于路网的土壤采样布局优化--模拟退火神经网络算法. 应用生态学报, 26 (3): 891–900. )
  • Hansen M C, DeFries R S, Townshend J R G, Sohlberg R.2000.Global land cover classification at 1 km spatial resolution using a classification tree approach. International Journal of Remote Sensing, 21 (6/7): 1331–1364. DOI: 10.1080/014311600210209.
  • He F N, Ge Q S, Dai J H, Lin S S.2007.Quantitative analysis on forest dynamics of China in recent 300 Years. Acta Geographica Sinica, 62 (1): 30–40. DOI: 10.11821/xb200701004. ( 何凡能, 葛全胜, 戴君虎, 林珊珊. 2007. 近300年来中国森林的变迁. 地理学报, 62 (1): 30–40. DOI: 10.11821/xb200701004. )
  • Heermann P D, Khazenie N.1992.Classification of multispectral remote sensing data using a back-propagation neural network. IEEE Transactions on Geoscience and Remote Sensing, 30 (1): 81–88. DOI: 10.1109/36.124218.
  • Heilig G K. Modeling land use/cover change in Europe and Northern Asia//Proceedings of Conference on Land Use for Global Environmental Conservation (LU/GEC). Tsukuba, Japan: Center for Global Environment Research, National Institute for Environmental Studies, Environment Agency of Japan 1995 : 79 -86.
  • Herold M, Mayaux P, Woodcock C E, Baccini A, Schmullius C.2008.Some challenges in global land cover mapping:an assessment of agreement and accuracy in existing 1 km datasets. Remote Sensing of Environment, 112 (5): 2538–2556. DOI: 10.1016/j.rse.2007.11.013.
  • Hu S R, Yu S B, Dai K. Introduction to Neural Networks. Changsha: National University of Defence Technology Press 1993 . ( 胡守仁, 余少波, 戴葵. 1993. 神经网络导论. 长沙: 国防科技大学出版社 . )
  • Huang L, Liu J Y, Shao Q Q, Xu X L.2012.Carbon sequestration by forestation across China:past, present, and future. Renewable and Sustainable Energy Reviews, 16 (2): 1291–1299. DOI: 10.1016/j.rser.2011.10.004.
  • Jia K, Li Q Z, Tian Y C, Wu B F.2011.A review of classification methods of remote sensing imagery. Spectroscopy and Spectral Analysis, 31 (10): 2618–2623. DOI: 10.3964/j.issn.1000-0593(2011)10-2618-06. ( 贾坤, 李强子, 田亦陈, 吴炳方. 2011. 遥感影像分类方法研究进展. 光谱学与光谱分析, 31 (10): 2618–2623. DOI: 10.3964/j.issn.1000-0593(2011)10-2618-06. )
  • Jiang L H, Yang X R.2009.Classification methods of remote sensing image based on decision tree technologies. Agriculture network information, (10):34-36 (10): 34–36, 42. DOI: 10.3969/j.issn.1672-6251.2009.10.009. ( 姜丽华, 杨晓蓉. 2009. 基于决策树分类技术的遥感影像分类方法研究. 农业网络信息, (10):34-36 (10): 34–36, 42. DOI: 10.3969/j.issn.1672-6251.2009.10.009. )
  • Kohonen T. Self-Organization and Associative Memory. Berlin: Springer-Verlag Press 1981 .
  • Lambin E.F., Baulies X., Bockstael N., Fischer G., Krug T., Leemans R., Moran E.F., Rindfuss R.R., Sato Y., Skole D., Turner ⅡB.L., Vogel C. Land-use and land-cover change (LUCC):Implementation strategy.In C.Nunes and J.I.Augé(eds.), A Core Project of the International Geosphere-Biosphere Programme and the International Human Dimensions Programme on Global Environmental Change. Stockholm: IGBP and IHDP 1999 : 125 .
  • Li M S, Giri C, Zhu Z L, L H, Pan J, Wen E S, Xu D, Liu A X.2008.Use of support vector machines algorithm to map MERIS land cover and its spatial agreement analysis. Journal of Nanjing Forestry University (Natural Sciences Edition), 32 (6): 73–78. DOI: 10.3969/j.issn.1000-2006.2008.06.017. ( 李明诗, GiriC, 朱智良, 吕恒, 潘洁, 温卫松, 徐达, 刘安兴. 2008. 基于支持向量机的MERIS土地覆盖制图及其空间一致性分析(英文). 南京林业大学学报(自然科学版), 32 (6): 73–78. DOI: 10.3969/j.issn.1000-2006.2008.06.017. )
  • Li S C, Zheng D.2003.Applications of artificial neural networks to geosciences:review and prospect. Advance in Earth Sciences, 18 (1): 68–76. DOI: 10.3321/j.issn:1001-8166.2003.01.010. ( 李双成, 郑度. 2003. 人工神经网络模型在地学研究中的应用进展. 地球科学进展, 18 (1): 68–76. DOI: 10.3321/j.issn:1001-8166.2003.01.010. )
  • Liao X H, Shi J C. Remote sensing monitoring on global ecological environment. Beijing: Science Press 2014 . ( 廖小罕, 施建成. 2014. 全球生态环境遥感监测2013年度报告. 北京: 科学出版社 . )
  • Liu J Y, Zhang Z X, Zhuang D F, Wang Y M, Zhou W C, Zhang S W, Li R D, Jiang N, Wu S X.2003.A study on the spatial-temporal dynamic changes of land-use and driving forces analyses of China in the 1990s. GEOGRAPHICAL RESEARCH, 22 (1): 1–12. DOI: 10.3321/j.issn:1000-0585.2003.01.001. ( 刘纪远, 张增祥, 庄大方, 王一谋, 周万村, 张树文, 李仁东, 江南, 吴世新. 2003. 20世纪90年代中国土地利用变化时空特征及其成因分析. 地理研究, 22 (1): 1–12. DOI: 10.3321/j.issn:1000-0585.2003.01.001. )
  • Liu J Y, Liu M L, Tian H Q, Zhuang D F, Zhang Z X, Zhang W, Tang X M, Deng X Z.2005.Spatial and temporal patterns of China's cropland during 1990-2000:an analysis based on Landsat TM data. Remote Sensing of Environment, 98 (4): 442–456. DOI: 10.1016/j.rse.2005.08.012.
  • Liu J Y, Zhang Z X, Zhuang D F, Zhang S W, Li X B. Spatial temporal information of land use changes of China in 1990s basing on remote sensing. Beijing: Science Press 2005 . ( 刘纪远, 张增祥, 庄大方, 张树文, 李秀彬. 2005. 20世纪90年代中国土地利用变化的遥感时空信息研究. 北京: 科学出版社 . )
  • Liu J Y, Zhang Z X, Xu X L, Kuang W H, Zhou W C, Zhang S W, Li R D, Yan C Z, Yu D S, Wu S X, Jiang N.2009.Spatial Patterns and Driving Forces of Land Use Change in China in the Early 21st Century. ACTA GEOGRAPHICA SINICA, 64 (12): 1411–1420. DOI: 10.3321/j.issn:0375-5444.2009.12.001. ( 刘纪远, 张增祥, 徐新良, 匡文慧, 周万村, 张树文, 李仁东, 颜长珍, 于东升, 吴世新, 江南. 2009. 21世纪初中国土地利用变化的空间格局与驱动力分析. 地理学报, 64 (12): 1411–1420. DOI: 10.3321/j.issn:0375-5444.2009.12.001. )
  • Liu J Y, Deng X Z.2010.Progress of the research methodologies on the temporal and spatial process of LUCC. Chinese Science Bulletin, 55 (14): 1354–1362. DOI: 10.1007/s11434-009-0733-y.
  • Liu J Y, Kuang W H, Zhang Z X, Xu X L, Qin Y W, Ning J, Zhou W C, Zhang S W, Li R D, Yan C Z, Wu S X, Shi X Z, Jiang N, Yu D S, Pan X Z, Chi W F.2014.Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s. ACTA GEOGRAPHICA SINICA, 69 (1): 3–14. DOI: 10.11821/dlxb201401001. ( 刘纪远, 匡文慧, 张增祥, 徐新良, 秦元伟, 宁佳, 周万村, 张树文, 李仁东, 颜长珍, 吴世新, 史学正, 江南, 于东升, 潘贤章, 迟文峰. 2014. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局. 地理学报, 69 (1): 3–14. DOI: 10.11821/dlxb201401001. )
  • Liu X P, Li X, He J Q, Ai B, Peng X J.2008.Classification of remote sensing images basedon ant colony optimization. Journal of Remote sensing, 12 (2): 253–262. DOI: 10.3321/j.issn:1007-4619.2008.02.009. ( 刘小平, 黎夏, 何晋强, 艾彬, 彭晓鹃. 2008. 基于蚁群智能的遥感影像分类新方法. 遥感学报, 12 (2): 253–262. DOI: 10.3321/j.issn:1007-4619.2008.02.009. )
  • Loveland T R, Reed B C, Brown J F, Ohlen D O, Zhu Z, Yang L, Merchant J W.2000.Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data. International Journal of Remote Sensing, 21 (6/7): 1303–1330. DOI: 10.1080/014311600210191.
  • Luo J C, Wang Q M, Ma J H, Zhou C H, Liang Y.2002.The EM-based maximum likelihood classifier for remotely sensed data. Acta Geodaetica et Cartographica Sinica, 31 (3): 234–239. DOI: 10.3321/j.issn:1001-1595.2002.03.010. ( 骆剑承, 王钦敏, 马江洪, 周成虎, 梁怡. 2002. 遥感图像最大似然分类方法的EM改进算法. 测绘学报, 31 (3): 234–239. DOI: 10.3321/j.issn:1001-1595.2002.03.010. )
  • Ma K W. China's land resources survey techniques. Beijing: China Land Press 2000 . ( 马克伟. 2000. 中国土地资源调查技术. 北京: 中国大地出版社 . )
  • Martinez-Casasnovas J A.2002.A cartographic and database approach for land cover/use mapping and generalization from remotely sensed data. International Journal of Remote Sensing, 21 (9): 1825–1842. DOI: 10.1080/014311600209760.
  • Mayaux P, Eva H, Gallego J, Strahler A H, Herold M, Agrawal S, Naumov S, De Miranda E E, Di Bella C M, Ordoyne C, Kopin Y, Roy P S.2006.Validation of the global land cover 2000 map. IEEE Transactions on Geoscience and Remote Sensing, 44 (7): 1728–1739. DOI: 10.1109/TGRS.2006.864370.
  • McCallum I, Obersteiner M, Nilsson S, Shvidenko A.2006.A spatial comparison of four satellite derived 1 km global land cover datasets. International Journal of Applied Earth Observation and Geoinformation, 8 (4): 246–255. DOI: 10.1016/j.jag.2005.12.002.
  • Qian Q J, Xie R, Zhang L, Yan C Z, Wu B F.2005.Land cover extraction based on object oriented analysis. Remote Sensing Technology and Application, 20 (3): 338–342. DOI: 10.3969/j.issn.1004-0323.2005.03.006. ( 钱巧静, 谢瑞, 张磊, 颜长珍, 吴炳方. 2005. 面向对象的土地覆盖信息提取方法研究. 遥感技术与应用, 20 (3): 338–342. DOI: 10.3969/j.issn.1004-0323.2005.03.006. )
  • Scepan J.1999.Thematic validation of high-resolution global land-cover data sets. Photogrammetric Engineering and Remote Sensing, 65 (9): 1051–1060.
  • Serpico S B, Roli F.1995.Classification of multisensor remote-sensing images by structured neural networks. IEEE Transactions on Geoscience and Remote Sensing, 33 (3): 562–578. DOI: 10.1109/36.387573.
  • Shi Z P, Ma Y H, Wang Y J, Ma Z W, Huang Q, Huang Y Y.2012.Review on the classification methods of land use/cover based on remote Sensing image. Chinese Agricultural Science Bulletin, 28 (12): 273–278. DOI: 10.3969/j.issn.1000-6850.2012.12.050. ( 史泽鹏, 马友华, 王玉佳, 马中文, 黄勤, 黄艳艳. 2012. 遥感影像土地利用/覆盖分类方法研究进展. 中国农学通报, 28 (12): 273–278. DOI: 10.3969/j.issn.1000-6850.2012.12.050. )
  • Subcommittee on Global Change Research. Our Changing Planet:the FY 1997-U.S.Global Change Research Program. Washington, D.C: National Science and Technology Council (U.S.), U.S.Global Change Research Program 1996 .
  • Tao F L, Zhang Z, Liu J Y, Yokozawa M.2009.Modelling the impacts of weather and climate variability on crop productivity over a large area:a new super-ensemble-based probabilistic projection. Agricultural and Forest Meteorology, 149 (8): 1266–1278. DOI: 10.1016/j.agrformet.2009.02.015.
  • Tateishi R, Hoan N T, Kobayashi T, Alsaaideh B, Tana G, Phong D X.2014.Production of global land cover data-GLCNMO2008. Journal of Geography and Geology, 6 (3): 99–122. DOI: 10.5539/jgg.v6n3p99.
  • Tian H Q, Melillo J M, Kicklighter D W, Pan S F, Liu J Y, McGuire A D, MooreⅢ B.2003.Regional carbon dynamics in monsoon Asia and its implications for the global carbon cycle. Global and Planetary Change, 37 (3/4): 201–217. DOI: 10.1016/S0921-8181(02)00205-9.
  • Tong X H, Zhang X, Liu M L.2008.Neural network classification with optimization by genetic algorithms for remote sensing imagery. Journal of Tongji University (Natural Science), 36 (7): 985–989. DOI: 10.3321/j.issn:0253-374X.2008.07.024. ( 童小华, 张学, 刘妙龙. 2008. 遥感影像的神经网络分类及遗传算法优化. 同济大学学报(自然科学版), 36 (7): 985–989. DOI: 10.3321/j.issn:0253-374X.2008.07.024. )
  • TurnerⅡ B L, Skole D, Sanderson S, Fischer G, Fresco L, Leemans R. Land-Use and Land-Cover Change Science/Research Plan. 1995 .
  • TurnerⅡ B L, Lambin E F, Reenberg A.2007.The emergence of land change science for global environmental change and sustainability. Proceedings of the National Academy of Sciences of the United States of America, 104 (52): 20666–20671. DOI: 10.1073/pnas.0704119104.
  • Vapnik V. The Nature of Statistical Learning Theory. New York: Springer Verlag 1995 .
  • Wang S Q, Zhou C H, Liu J Y, Tian H Q, Li K R, Yang X M.2002.Carbon storage in northeast China as estimated from vegetation and soil inventories. Environmental Pollution, 116 (S1): S157–S165. DOI: 10.1016/S0269-7491(01)00269-X.
  • Wang S Y, Liu J S, Ma T B.2010.Dynamics and changes in spatial patterns of land use in Yellow River Basin, China. Land Use Policy, 27 (2): 313–323. DOI: 10.1016/j.landusepol.2009.04.002.
  • Wilkinson G G.1996.A review of current issues in the integration of GIS and remote sensing data. International Journal of Geographical Information Systems, 10 (1): 85–101. DOI: 10.1080/02693799608902068.
  • Wu C J, Guo H C. Land Use of China. Beijing: Science Press 1994 . ( 吴传钧, 郭焕成. 1994. 中国土地利用. 北京: 科学出版社 . )
  • Land Administration Bureau of Tibet Autonomous Region. Land use of Tibet Autonomous Region. Beijing: Science Press 1992 .
  • ( 西藏自治区土地管理局. 1992. 西藏自治区土地利用. 北京: 科学出版社 . )
  • Xia C X, He Z W, Yu H, Wang D H, Ye J L.2014.Study on land cover change detection based on object-oriented analysis. Remote Sensing Technology and Application, 29 (1): 106–113. DOI: 10.11873/j.issn.1004-0323.2014.1.0106. ( 夏朝旭, 何政伟, 于欢, 王东辉, 叶娇珑. 2014. 面向对象的土地覆被变化检测研究. 遥感技术与应用, 29 (1): 106–113. DOI: 10.11873/j.issn.1004-0323.2014.1.0106. )
  • Xiao J C, Ou W X, Fu H Y.2013.Land cover classification of Yancheng coastal natural wetlands based on BP neural network and ETM+remote sensing data. Acta Ecological Sinica, 33 (23): 7496–7504. DOI: 10.5846/stxb201206300916. ( 肖锦成, 欧维新, 符海月. 2013. 基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类. 生态学报, 33 (23): 7496–7504. DOI: 10.5846/stxb201206300916. )
  • Xu G H. Renewable resources remote sensing in "Three North" shelter forest region of China:theory, technology, and application. Beijing: China Forestry Publishing House 1994 . ( 徐冠华. 1994. 三北防护林地区再生资源遥感的理论及其技术应用. 北京: 中国林业出版社 . )
  • Xu G H, Ge Q S, Gong P, Fang X Q, Cheng B B, He B, Luo Y, Xu B.2013.Societal response to challenges of global change and human sustainable development. Chinese Science Bulletin, 58 (25): 3161–3168. DOI: 10.1007/s11434-013-5947-3.
  • Yan H M, Cao M K, Liu J Y, Tao B.2007.Potential and sustainability for carbon sequestration with improved soil management in agricultural soils of China. Agriculture, Ecosystems and Environment, 121 (4): 325–335. DOI: 10.1016/j.agee.2006.11.008.
  • Zhang J X, Zhang Y H.2007.Remote sensing research issues of the national land use change program of China. ISPRS Journal of Photogrammetry and Remote Sensing, 62 (6): 461–472. DOI: 10.1016/j.isprsjprs.2007.07.002.
  • Zhang S. Study and application on automatic expert knowledge extraction in Bayesian expert system classifier. Beijing: Tsinghua University 2006 . ( 张爽. 2006. 贝叶斯专家系统分类器中专家知识的自动提取研究与应用. 北京: 清华大学 . )
  • Zhang X, Sun R, Zhang B, Tong Q X.2008.Land cover classification of the North China plain using MODIS_EVI time series. ISPRS Journal of Photogrammetry and Remote Sensing, 63 (4): 476–484. DOI: 10.1016/j.isprsjprs.2008.02.005.
  • 张 增祥. 西藏自治区中部地区资源环境遥感监测与综合评价研究. 北京: 宇航出版社 1998 .
  • Zhang Z X. Remote sensing monitoring of urban expansion in China. 北京: Star Map Press 2006 . ( 张增祥. 2006. 中国城市扩展遥感监测. 北京: 星球地图出版社 . )
  • Zhang Z X. Remote sensing monitoring of land cover of China. Beijing: Star Map Press 2010 . ( 张增祥. 2010. 中国土地覆盖遥感监测. 北京: 星球地图出版社 . )
  • Zhang Z X, Zhao X L, Wang X. Remote sensing monitoring of land use of China. Beijing: Star Map Press 2012 . ( 张增祥, 赵晓丽, 汪潇. 2012. 中国土地利用遥感监测. 北京: 星球地图出版社 . )
  • Zhang Z X, Zhao X L, Liu F, Xu J Y, Wen Q K, Hu S G. Atlas of urban expansion by remote sensing in China. Beijing: Star Map Press 2014 . ( 张增祥, 赵晓丽, 刘芳, 徐进勇, 温庆可, 胡顺光. 2014. 中国城市扩展遥感监测图集. 北京: 星球地图出版社 . )
  • Zhang Z X, Wang X, Zhao X L, Liu B, Yi L, Zuo L J, Wen Q K, Liu F, Xu J Y, Hu S G.2014.A 2010 update of national land use/cover database of China at 1:100000 scale using medium spatial resolution satellite images. Remote Sensing of Environment, 149 : 142–154. DOI: 10.1016/j.rse.2014.04.004.
  • Zhang Z X, Zhao X L, Wang X, Yi L, Zuo L J, Liu B. Remote sensing monitoring of soil erosion in China. Beijing: Star Map Press 2015 . ( 张增祥, 赵晓丽, 汪潇, 易玲, 左丽君, 刘斌. 2015. 中国土壤侵蚀遥感监测. 北京: 星球地图出版社 . )
  • Zhao Y S. Principles and methods on remote sensing application and analysis. Beijing: Science Press 2003 . ( 赵英时. 2003. 遥感应用分析原理与方法. 北京: 科学出版社 . )
  • Zhao Y S, Liao A P, Chen L J.2007.The registration and application of the latest maps of China published by state bureau of surveying and mapping. Science of Surveying and Mapping, 32 (4): 138–140. DOI: 10.3771/j.issn.1009-2307.2007.04.051. ( 赵有松, 廖安平, 陈利军. 2007. 国家土地覆盖数据的生产与建库. 测绘科学, 32 (4): 138–140. DOI: 10.3771/j.issn.1009-2307.2007.04.051. )
  • Tianjin Environmental Protection Bureau, Environmental Sciences Committee of Chinese Aeademy of Sciences. Proceedings of remote sensing of environment in Tianjin-Bohai Bay area. Beijing: Science Press 1985 . ( 中国科学院环境科学委员会, 天津市环境保护局. 1985. 天津-渤海湾地区环境遥感论文集. 北京: 科学出版社 . )
  • Institute of Remote Sensing Applications, Chinese Academy of Sciences. Remote sensing analysis on waters dynamic evolution in Huang-Huai-Hai Plain. Beijing: Science Press 1988 . ( 中国科学院遥感应用研究所. 1988. 黄淮海平原水域动态演变遥感分析. 北京: 科学出版社 . )