基于Landsat 8遥感影像的土地利用分类研究——以四川省红原县安曲示范区为例

王敏，高新华，陈思宇，冯琦胜，梁天刚(草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州 730020)

基于Landsat 8遥感影像的土地利用分类研究
——以四川省红原县安曲示范区为例

王敏，高新华，陈思宇，冯琦胜，梁天刚
(草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州 730020)

以四川省红原县安曲示范社区2013年7月23日的Landsat 8 OLI影像为数据源，参照国家土地利用分类标准，结合示范区的野外实际调查资料、数字高程模型、草地资源类型等辅助信息，建立了较为准确的解译标志。将目视解译结果视为地表真实状况，对非监督分类、监督分类和基于专家知识的决策树分类的结果进行精度验证。结果表明，监督分类方法对红原安曲示范区的土地利用分类结果与实际类别吻合最好，其分类总体精度可达85.02%，其中面积占示范区总面积约99%以上的草地、湿地、道路及水体的分类精度分别达88.66%、83.42%、83.73%和85.26%。

Landsat 8；土地利用分类；遥感解译

土地利用/覆盖变化(Land Use/Cover Change，LUCC)是全球环境变化人文因素计划(International Human Dimension Programme on Global Environmental Change，IHDP)与国际地圈生物圈计划(International Geosphere-Biosphere Program，IGBP)的核心研究内容之一[1]，也是全球变化研究的重要因素之一。开展典型地区的土地利用现状研究，对了解该地区土地利用的经济效益、预测未来土地利用的变化趋势、制定有效的土地整改方案及改善生态环境等方面均具有重要的现实意义[2-4]。

土地利用现状研究的关键在于准确、定量地获取和分析地物信息[5]，“3S”技术[遥感(RS)、全球定位系统(GPS)、地理信息系统(GIS)]的飞速发展为土地专题信息的获取与处理提供了技术支持。近年来，土地利用现状研究已成为国际上众多学科研究关注的焦点。刘玉萍[6]研究发现，通过内、外业对TM卫片的大量应用，将RS技术与模糊综合判断方法相结合应用于各种土地专题信息的提取中，可以解决土地利用类型宏观监测的难题。张飞等[7]选用渭干河-库车河三角洲绿洲地区的TM和ETM+遥感影像为数据源，采用非监督分类方法处理影像，对获得的初步分类结果进行合并、聚类等处理，最终获得符合精度要求的土地利用分类影像。田静毅等[8]利用ETM+遥感影像数据，对秦皇岛市土地利用现状采取了监督分类和目视解译相结合的方法，提取出土地利用类型解译图。李爱农等[9]选择了在我国西南部具有较好代表性的地区——云南大理作为研究区，采用TM遥感数据，着重研究了在大面积的土地利用调查中应用计算机自动分类方法获取土地利用信息的技术和方法。研究发现，将特殊地区的分区分类信息应用到非监督分类、监督分类、专家知识决策树分类的过程中，可大大提高图像的操作性和分类精度。Kuplich等[10]分别基于ERS-1合成孔径雷达(ERS-1 SAR)和Landsat 5主题成像仪(Landsat-5 TM)影像数据，采用最大似然分类法对巴西圣保罗州的坎皮纳斯市进行了土地利用分类研究，并对影像滤波前后的分类结果进行了比较分析。结果表明，经过滤波操作的SAR与TM图像采用最大似然分类法，可显著提高城镇、牧区和森林等主要土地利用类型的分类精度。Paola和Schowengerdt[11]采用反向传播神经网络和最大似然分类两种方法，对亚利桑那州的图森市和加利福尼亚州的奥克兰市的Landsat TM影像进行土地利用分类，并对两种方法所得结果进行了详细的比较分析。结果表明，反向传播神经网络法，在处理训练样本的异质性和使用土地利用分类模板这两方面更加强大。

随着现代航天技术、卫星定位技术、“3S”集成技术的快速发展，各种高分辨率遥感影像应运而生，为卫星遥感研究注入了新鲜血液，同时也为数据处理技术提出了新的挑战。尤其是2013年2月11日美国Landsat 8卫星在加州范登堡空军基地发射成功后，针对该类卫星遥感影像，采用何种方法才能更加高效、更大限度地挖掘其蕴含的丰富信息，开展土地利用专题信息的提取等研究便成为目前的焦点。为此，本研究以四川省红原县安曲示范社区2013年7月23日的Landsat 8影像为数据源，利用目视解译、非监督分类、监督分类和基于专家知识的决策树分类4种方法对研究区土地利用类型进行分类，并以人工目视解译结果作为真实值对另外3种方法的分类结果进行分析对比和精度验证，以期找到基于Landsat 8遥感影像的红原地区土地利用专题信息提取的最佳方法，为该区土地利用现状遥感分类及应用提供科学基础。

1 研究区概况及数据源

1.1 研究区概况

四川省红原县位于青藏高原的东北部，阿坝藏族羌族自治州中部，属长江、黄河水系，平均海拔3 500 m，面积8 437.66 km2，属纯牧业县。安曲示范社区位于红原县西南部的安曲乡，地理位置为102°14′-102°19′ E，32°37′-32°42′ N，社区总面积26.61 km2，南北长约9.26 km，东西宽约7.32 km，平均海拔约3 529 m，其中超过一半的区域海拔在3 550 m以上(图1)。示范区涉及6个联户的草地范围，天然草原面积25.74 km2，天然草地类型主要为山地草甸类、沼泽类和高寒草甸类，栽培草地主要为黑麦草(Loliumperenne)，放牧家畜以牦牛(Bosgrunniens)为主。示范区地处大陆性高寒温带季风气候带，年均温1.1 ℃，年均降水753 mm，年均日照时间2 417.9 h，昼夜温差大，冷暖变化剧烈。冰冻期从10月底开始至翌年5月结束，冻土深度80～110 cm[12]。土壤主要为亚高山草甸土和草甸潮土。

图1 示范区地理位置及其高程分布图Fig.1 The map of geographical position and elevation distribution in demonstration area

1.2 Landsat 8遥感数据

本研究所用遥感数据是从美国地质勘探局(United States Geological Survey，USGS)网站上下载的覆盖红原县安曲示范社区的Landsat 8影像。行列号(Path/Row)为131/37，成像时间为2013年7月23日，整体云量在10%以内，其中覆盖示范区的图像云量为0。Landsat 8卫星携带的陆地成像仪(Operational Land Imager，OLI)包括9个波段，其中有8个分辨率为30 m的多光谱波段和1个分辨率为15 m的全色波段，成像宽幅为185 km×185 km[13]。OLI数据和TM数据类似，发布的数据产品为L1T级，已进行了几何校正。因此，下载后的Landsat 8影像直接在ENVI(The Environment for Visualizing Images)5.0软件中进行辐射定标、大气校正、多波段图像合成、全色波段与多波段图像融合和裁剪等处理，得到研究区分辨率为15 m的Landsat 8 OLI 543假彩色融合影像。

1.3 辅助数据

外业调查主要集中在2013年7月11-12日和2013年8月11-12日进行，样地设置主要选择在各地物空间分布较均一且具有区域异质性的地方，以便涵盖所有的土地覆盖类型。在各地物一致性较好的样地内设置1～2个0.5 m×0.5 m的样方，在地物比较复杂、分布不均匀的区域设置3～4个1.0 m×1.0 m的样方，试验区样点剔除部分异常后共计147个。样地基本特征调查主要包括样地所属行政区、土地类型、坡度、坡向、土壤质地、地表特征、季节利用方式、利用状况等。同时，在试验区内采集了20个地面控制点(Ground Control Point，GCP)，主要记录经纬度和高程等信息，用于卫星影像的几何精校正。另外，还用到的辅助数据有研究区的数字高程模型(Digital Elevation Model，DEM)、草地资源类型图等相关资料。

2 研究方法

2.1 土地利用类型分类系统

根据研究区土地资源利用的实际情况及OLI影像分辨率、波谱特征等信息，参照国家土地利用分类标准，进行适当调整，建立了红原县安曲示范社区的土地利用分类系统，将其土地利用类型分为草地、湿地、道路、水体和居民地五大类。

2.2 目视解译分类方法

人工目视解译方法是根据遥感影像的解译标志及研究人员的解译经验来获取土地专题信息的办法和技术[14]。该方法受人为因素影响较大，在目视判读过程中尤其要注意了解图像内容、研究区所处的地理位置、影像比例尺、影像灰阶等信息。此外，还要了解各地物在不同空间分辨率影像上的表现，掌握扫描影像解译标志与解译方法[15]。

通过目视解译提取地物信息的基础是建立遥感解译标志，而图像信息和实际地物间的内在联系是图像解译标志建立的依据。因此，在建立解译标志之前，需结合实地采样点仔细分析遥感影像的色调、形状、纹理、灰度及空间位置等特征，对比判读其假彩色合成图像。然后进行样点采集，建立解译标志。在本研究中，示范区的水体、道路清晰可见，亦可作为间接判读的参照地物。最后，根据解译标志，参照不同地物在Landsat 8假彩色合成图像上的色调、形状等特征，结合地形数据、外业调查数据等辅助资料，在ArcGIS 10软件中采取人机交互的方式分别对5种地物进行勾绘、解译，并统计各土地利用类型的面积。

2.3 基于ENVI软件的计算机自动分类方法

计算机自动分类是通过模式识别理论，将遥感图像自动分成若干地物类别的方法。本研究采用了非监督分类、监督分类和专家知识决策树分类3种方法。

2.3.1 非监督分类 选用ISODATA(Iterative Self-Organizing Data Analysis Technique)算法对遥感影像进行非监督分类。分别将最小类别数量、最大类别数量、最大迭代次数设置为5类、16类、15次，执行操作后生成初步分类结果。然后，判断每个分类的专题属性，把很明显的错误分类结果删除或者并入。最后，使用Combine Classes工具合并子类，将16种类型归并为所需的5种土地利用类型，即得到非监督分类图。

2.3.2 监督分类 监督分类是通过一定的先验知识对遥感图像上各类地物分别选取一定数量的像元，以此作为感兴趣区识别其他未知类别像元的方法。本研究中结合野外实际考察资料，在仔细判读、分析图像的基础上对5种地物类别选取了可分离性较好的训练样本。然后，采用最大似然分类器执行监督分类，生成初步分类结果图像。最后，对结果进行分类后处理。利用Interactive Class Tool工具对局部错分、漏分的像元进行手动修改，利用聚类(Clump)方法将周围的“小斑点”合并到大类中，最终得到监督分类图。

2.3.3 基于专家知识的决策树分类 基于专家知识的决策树分类方法是对遥感图像进行一系列相关处理后，提取图像上地物的各种相关指标，再结合经验进行统计、归纳，得到分类规则并进行遥感分类的过程。定义分类规则时，首先考虑研究区地物基本组成，采用自上向下的递归方式，选取不同的属性值从根节点向下分支，直到分出所要求的终级叶结点类别为止。这样，根结点与终级叶结点之间就形成了一个分类树结构，在分类树的每一分叉结点处都有一个或多个分类规则用于进一步的详细分类[16-19]。

本研究选用基于OLI遥感数据计算的归一化植被指数(NDVI)、各波段不同地物辐射亮度值、数字高程模型(DEM)等数据作为决策树分类的特征数据。通过统计的方法从样本中获取节点分类规则，建立分类模型并生成初步分类结果。由于该结果的图斑细小、琐碎，因此对其进行了剔除、聚类、过滤等处理，最终生成决策树分类图。

2.4 分类结果评价及精度验证方法

采用混淆矩阵(Confusion Matrix)方法对计算机分类结果进行精度评价。以红原示范区目视解译的矢量文件作为地表实况信息，对非监督分类、监督分类及专家知识决策树分类的结果进行评价，建立混淆矩阵，计算总体分类精度、各地物类型的分类精度及Kappa系数。其中，Kappa系数的大小可以反映不同土地利用类型的分类结果与真实地物空间分布的一致性。当Kappa系数小于0.4时，说明一致性程度不够理想；当Kappa系数介于0.40～0.75时，说明两者一致程度一般；当Kappa系数大于0.75时，说明两者具有很好的一致性。

3 结果与分析

3.1 土地利用类型的目视解译与分析

依据外业调查数据及辅助资料，反复核查及修改，建立了基于研究区OLI 5、4、3波段组合影像的遥感解译标志(表1)。从目视解译(图4A)及统计分析结果(表2)可知，2013年7月份红原县安曲示范社区土地利用类型主要以湿地和草地为主，二者分别约占示范区总面积的60.60%和32.63%。湿地分布较集中，主要在示范区中部大部分地区及北部、西北部的小部分地区；草地多分布于湿地外围，主要集中在示范区西南部及东北部地区。水体分布于示范区中部及边缘地区，道路贯穿于整个研究区内，农村居民地则分布于道路附近，这3种地物共占示范区总面积的6.77%左右。

表1 基于Landsat 8假彩色合成图像的安曲示范区土地利用类型解译标志Table 1 The interpretation signature of land use type based on false color composite image of Landsat 8 in Anqu

3.2 决策树分类规则的建立与分析

基于示范区Landsat 8遥感影像，通过反复试验，计算、统计和分析各地物训练样本特征值，建立了以下决策树分类规则：1)根据经验，首先采用NDVI将5种地物区分为草地、湿地类和居民地、水体及道路类两大类。2)由于示范区地势平缓，海拔介于3 500～3 650 m的区域约占示范区总面积的85%，且中部平原地区为草地、湿地、水体交错带，无法采用DEM、坡度等地形数据有效地区分各地物。3)采用单波段阈值法分离地物。在分离前对各地物的采样点光谱数据进行处理，统计分析不同地物在同一波段、同一地物在不同波段的表征[16]，得到各种地物的特征样本值分布信息(图2)。在OLI影像的第1、2、3、4、6波段上，5种地物的辐射亮度值分布相对集中，但在第5波段出现较大的差异，具有较好的可区分性，故选取第5波段辐射亮度值(规则中用b5表示)分离不同地物，获得相应的决策树规则(图3)。

3.3 分类精度评价

图4显示了研究区土地利用类型在4种分类方法下的空间分布状况。借助ENVI软件对各分类结果进行精度检验和Kappa系数分析(表2)，结果表明：非监督分类、监督分类和专家知识决策树分类结果的总体精度分别为81.89%、85.02%和82.23%，Kappa系数分别为0.670 8、0.737 4和0.667 0。由此可见，这3种方法均有较高的分类精度，但监督分类结果最优。进一步比较发现，监督分类方法在各地物的分类上均有较好的精度，尤其是对道路、水体及居民地的提取远胜于另外两种方法。

表2 各种解译方法分类精度及Kappa系数比较Table 2 Comparison of precision and Kappa coefficient for different classification methods

图2 不同地物的光谱响应曲线Fig.2 The spectral response curves of different features

图3 决策树分类规则Fig.3 The decision tree classification rules

注：b5为Landsat 8影像上Near Infrared波段辐射亮度值。

Note:b5 is the radiance of the Near Infrared absorption band of Landsat 8 image.

图4 示范区土地利用类型的目视解译结果(A)、非监督分类(B)、监督分类(C)和决策树分类(D)结果Fig.4 The results of visual interpretation(A)，unsupervised classification(B)，supervised classification(C)and decision tree classification(D)

4 讨论

2013年Landsat 8卫星的成功发射为对地观测研究提供了新的平台和方向。Landsat 8数据的可用性与精度较以往的Landsat系列影像有了很大地提高，在保留Landsat 7卫星基本特点的基础上，新增了深蓝波段(b1)和卷云波段(b9)。此外，Landsat 8还收窄了近红外波段和全色波段的光谱范围，将辐射分辨率从8 bit提高到12 bit[20]，大大增加了影像的灰度量化级。因此，充分利用Landsat 8卫星影像的新特点、探索改进土地利用类型的分类方法是本研究的重要目标及切入点。

从分类结果的总体精度及Kappa系数来看，监督分类方法均显示出其优越性，专家知识决策树分类方法次之，非监督分类方法最差。进一步比较各地物分类精度，发现专家知识决策树分类方法在对大面积的地物提取上同样具有很高的精度，如在本试验中对面积约占示范区60.60%和32.63%的草地和湿地的提取精度分别达到85.84%和83.35%。但是，该方法在对小面积不规则地物的提取精度上却远不及监督分类方法，如本研究中监督分类法对道路、水体及居民地的分类精度分别为83.73%、85.26%和17.50%，而决策树分类法对这3种地物的分类精度为60.42%、52.28%和3.75%。

究其原因，监督分类方法虽然容易受人为误差的干扰，但在有充分的地面实测资料及先验知识的情况下，这种影响会降至最低，通过反复检验训练样本，可有效地避免非监督分类等方法中对光谱集群组的重新归类[21]。如本研究中的红原县安曲示范区面积较小(仅26.61 km2)、地物分类简单，且有详细的地面实测资料，因此，在定义训练样本的过程中可有效降低创建难度及人为误差的影响，进而提高分类结果的准确度。非监督分类方法较客观，但受遥感影像成像时的大气、传感器观测条件、土壤湿度与亮度等因素的影响[14]，主要误差来源于同谱异物、异物同谱及混合象元等现象，分类结果具有一定的偶然性[22]。而基于专家知识的决策树分类方法，其精度取决于对相关知识定量化表述的准确性，包括特征指标(如植被指数、高程、光谱特征值等)的选取、不同指标之间的独立性及可分离性、不同指标阈值确定的合理性等方面。因此，如何获得适合研究区土地利用类型的决策树分类规则是该方法的难点，也是直接影响土地利用分类精度的关键环节。本研究通过各种尝试获得的决策树分类规则的精度达到82.23%，基本能够满足相关应用的需要。但是该方法对道路、水体、居民地3种地物的分类精度很低。通过检验发现，可能是示范区内的道路、水体分布较密集且形状相似，居民地边界模糊且沿道路呈窄带状分布的原因，导致分类的误判率较高。另外，相关决策树分类指标的选择及规则(如缺乏更高精度数字高程模型)的建立可能还需进一步挖掘和改进。相对而言，通过合理选择安曲示范区训练样本，监督分类方法能更好地降低对面积较小地物的分类误差。

5 结论

1)在目视判读过程中，建立准确的解译标志、采取适当的判读方法、进行有效的实地验证可大大提高土地利用类型的解译质量。另外，目视解译工作反复枯燥且工作量较大，所以要有足够的耐心，可遵循“先易后难、循序渐进”的原则。

2)根据目视解译结果可知：红原县安曲示范社区土地利用类型主要以湿地和草地为主，二者分别约占示范区总面积的60.60%和32.63%。湿地分布较集中，主要在示范区中部大部分地区及北部、西北部的小部分地区；草地多分布于湿地外围，主要集中在示范区西南部及东北部地区；水体主要分布于示范区中部及边缘地区，仅占总面积的2.85%；道路贯穿于整个研究区内，农村居民地则分布于道路附近，这两类地物面积总和为1.057 km2，仅占总面积的3.92%。

3)专家知识决策树分类方法的精度取决于对相关知识定量化表述的准确性。在红原安曲示范区土地利用分类中，专家知识决策树分类方法可以很好地区分草地和湿地，但对面积较小的道路、水体及居民地的分类精度较低，仅为60.42%、52.28%和3.75%。

4)与非监督分类及基于专家知识的决策树分类方法相比，监督分类方法中的最大似然判别法最适合红原安曲示范区土地利用分类研究，分类结果正确率较高，与实际类别吻合较好。分类总体精度可达85.02%，其中面积占示范区总面积约99%以上的草地、湿地、道路及水体的分类精度分别达88.66%、83.42%、83.73%和85.26%。

[1] 史培军.土地利用覆盖变化研究的方法与实践[M].北京:科学出版社,2000:8-10．

[2] 党安荣,王晓栋,陈晓峰.ERDAS IMAGINE遥感图像处理方法[M].北京:清华大学出版社,2003:574-576.

[3] 刘淼,胡远满,布仁仓,常禹,韩文权,胡志斌.河北省康保县景观变化研究[J].应用生态学报,2005,16(9):1729-1734.

[4] 史志华,王天巍,蔡崇法,赵春华,杨开望.三峡库区乐天溪流域生态修复效果的遥感监测研究[J].自然资源学报,2006,21(3):473-480.

[5] 杨存建,周成虎.基于知识的遥感图像分类方法的探讨[J].地理学与国土研究,2001,17(1):72-77.

[6] 刘玉萍.RS技术在编制土地利用类型专题图件中的应用[J].内蒙古林业调查设计,2002,25(4):38-39.

[7] 张飞,塔西甫拉提·特依拜,孔祥德,丁建丽,赵睿,何祺胜.干旱区绿洲土地利用景观空间格局动态变化研究[J].资源科学,2006,28(6):167-174.

[8] 田静毅,林年丰,王立新,储健.秦皇岛市水土流失遥感调查与监测[J].安徽农业科学,2006,34(16):4175-4190.

[9] 李爱农,江小波,马泽忠,周爱霞.遥感自动分类在西南地区土地利用调查中的应用研究[J].遥感技术与应用,2003,18(5):282-286.

[10] Kuplich T M,Freitas C C,Soares J V.The study of ERS-1 SAR and Landsat TM synergism for land use classification[J].International Journal of Remote Sensing,2000,21(10):2101-2111.

[11] Paola J D,Schowengerdt R A.A detailed comparison of backpropagation neural network and maximum-likelihood classifiers for urban land use classification[J].Geoscience and Remote Sensing,2002,33(4):981-996.

[12] 张昌兵,郑群英,陈莉敏,肖冰雪,泽柏,张洪轩,刘刚.红原安曲社区人工饲草现状及发展对策[J].草业与畜牧,2014(2):49-52.

[13] 郑凤仙.美国Landsat-8卫星发射升空[J].航天返回与遥感,2013,34(1):20.

[14] 葛静茹.河北省太行山区土地利用类型遥感解译及旅游区划研究[D].保定：河北农业大学硕士论文,2007:23-24.

[15] 余艳玲,李卫忠,姜英.毛乌素沙漠土地利用类型解译标志的建立——以榆阳区为例[J].西北林学院学报,2005,20(3):10-13.

[16] 王迅,徐丹丹,李文龙.玛曲湿地遥感影像提取及精度分析[J].国土资源遥感,2009,82(4):97.

[17] 李彤,吴骅.采用决策树分类技术对北京市土地覆盖现状进行研究[J].遥感技术与应用,2004,19(6):485-487.

[18] 温兴平,胡光道,杨晓峰.基于C5.0决策树分类算法的ETM+影像信息提取[J].地理与地理信息科学,2007,23(6):26-29.

[19] 张建平,朱教君,闫巧玲,王崇倡.基于决策树的科尔沁沙地土地利用/覆盖变化监测[J].生态学杂志,2009,28(9):1730-1736.

[20] 徐涵秋,唐菲.新一代Landsat系列卫星：Landsat 8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257.

[21] 易尧华,余长慧,秦前清,龚健雅.基于独立分量分析的遥感影像非监督分类方法[J].武汉大学学报,2005,30(1):19-20.

[22] 闫琰,董秀兰,李燕.基于ENVI的遥感图像监督分类方法比较研究[J].北京测绘,2011,3(3):14-16.

(责任编辑 武艳培)

The land use classification based on Landsat 8 remote sensing image——A case study of Anqu demonstration community in Hongyuan County of Sichuan Province

WANG Min, GAO Xin-hua, CHEN Si-yu, FENG Qi-sheng, LIANG Tian-gang
(State Key Laboratory of Grassland Agro-ecosystem, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China)

According to the national standard of land use classification, based on the Landsat 8 OLI remote sensing data on July 23, 2013, combined with the ground observed data, digital elevation model, grassland resource type data and other auxiliary information, the visual interpretation signature of land use types were established in Anqu demonstration area in Hongyuan County of Sichuan Province. Regarding the results of the visual interpretation as the true values, we analyzed and compared the accuracy of unsupervised and supervised classifications and expert knowledge decision tree classification. The results show that, the supervised classification result has higher accuracy (85.02%) which is close to the actual situation comparing with other methods. The classification accuracy of the land use types of grassland, wetland, road and water, accounting for 99% of the entire study region, are 88.66%, 83.42%, 83.73% and 85.26%, respectively.

Landsat 8; land use classification; remote sensing interpretation

LIANG Tian-gang E-mail:tgliang@lzu.edu.cn

10.11829j.issn.1001-0629.2014-0263

2014-05-29 接受日期：2014-09-29

农业部公益性行业(农业)科研专项(201203006);国家自然科学基金(31228021);中国工程院重大咨询研究项目(2012-ZD-7);兰州大学中央高校基本科研业务费专项(lzujbky-2013-201、lzujbky-2014-248)资金;长江学者和创新团队发展计划(IRT13019)

王敏(1990-)，女，甘肃皋兰人，在读硕士生，主要从事草地遥感与地理信息系统。E-mail:wangminlucky@163.com

梁天刚(1967-)，男，甘肃崇信人，教授，博导，博士，主要从事草地农业遥感、地理信息系统作。E-mail:tgliang@lzu.edu.cn

S127;F301.24

A

1001-0629(2015)05-0694-08*

王敏，高新华，陈思宇，冯琦胜，梁天刚.基于Landsat 8遥感影像的土地利用分类研究——以四川省红原县安曲示范区为例[J].草业科学,2015,32(5):694-701.

WANG Min,GAO Xin-hua,CHEN Si-yu,FENG Qi-sheng,LIANG Tian-gang.The land use classification based on Landsat 8 remote sensing image——A case study of Anqu demonstration community in Hongyuan County of Sichuan Province[J].Pratacultural Science，2015,32(5)：694-701.