Page 94 - 《武汉大学学报（信息科学版）》2025年第9期

1822 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

表 4 阿鲁科尔沁旗 2000-2022 年自然植被分类结果分类精度
Table 4 Classification Accuracy of Natural Vegetation Classification Results in Arukorqin Banner from 2000 to 2022
层次 分类 精度 2005 年 2010 年 2015 年 2020 年 2022 年
森林、灌丛、草地 OA/% 94.26 95.51 95.62 94.47 95.22
第一层
大类分类 Kappa 系数 0.878 6 0.894 0 0.887 4 0.847 9 0.850 9
OA/% 90.36 89.21 91.30 89.61 90.71
第二层 草地植被型分类
Kappa 系数 0.801 6 0.821 9 0.801 8 0.845 1 0.815 0
温带落叶阔叶林 OA/% 97.39 96.23 95.76 95.83 95.57
群系分类 Kappa 系数 0.954 8 0.943 2 0.951 3 0.935 0 0.934 6
温带落叶灌丛 OA/% 97.60 96.95 97.01 94.20 91.94
群系分类 Kappa 系数 0.967 8 0.957 6 0.960 7 0.920 8 0.893 6
温带禾草、杂类草 OA/% 90.91 88.21 88.89 92.31 89.33
第三层
草甸草原群系分类 Kappa 系数 0.830 8 0.819 2 0.869 2 0.864 6 0.836 4
温带丛生禾草 OA/% 96.36 94.58 96.03 94.42 94.26
草原群系分类 Kappa 系数 0.925 7 0.895 8 0.922 1 0.885 3 0.887 2
禾草、薹草及杂类草 OA/% 96.77 97.13 95.24 96.47 96.34
沼泽化草甸群系分类 Kappa 系数 0.842 2 0.866 5 0.857 1 0.844 6 0.854 0

4 结 语
参 考 文 献

本文提出了一种基于历史大标签植被分类 ［1］ DONG S K， SHANG Z H， GAO J X， et al. En⁃
数据及多源遥感数据的“局部-全局”几何及特征 hancing Sustainability of Grassland Ecosystems
集合约束下的无监督的样本迁移模型及技术框 Through Ecological Restoration and Grazing Ma-
架。实验选取内蒙古自治区阿鲁科尔沁旗为重 nagement in an Era of Climate Change on Qinghai-
Tibetan Plateau［J］. Agriculture， Ecosystems & En⁃
点研究区，完成了 2005—2022 年的区域多时相自
vironment， 2020， 287： 106684.
然 植 被 分 类 制 图 ，分 类 总 体 精 度 均 优 于 88%，
［2］ 郭庆华， 关宏灿， 胡天宇， 等 . 新一代 1： 50 万中国
Kappa 系数大于 0.80，满足长时序植被分类制图
植 被 图 绘 制 方 法 探 讨［J］. 中 国 科 学 ： 生 命 科 学 ，
的需求，制图效果较为稳定。因此，基于历史大 2021， 51（3）： 229-241.
标签植被分类图的无监督样本迁移方法在一定 GUO Qinghua， GUAN Hongcan， HU Tianyu， et
程度上能充分利用已有的植被分类产品，为植被 al. Remote Sensing-Based Mapping for the New
分类制图更新提供了一种更便捷的途径，利用历 Generation of Vegetation Map of China（1∶ 500 000）
史植被分类产品的几何特征，结合同一或相近时 ［J］. Scientia Sinica （Vitae）， 2021， 51（3）： 229-241.
［3］ ROUSE J W，HAAS R H，SCHELL J A， et al.
相的多源遥感数据构建逐图斑的特征属性集，从
Monitoring Vegetation Systems in the Great Plains
局部到全局分层对植被分类大标签数据进行样
with ERTS［C］//The 3rd Earth Resources Tech⁃
本的优化，从而形成可迁移的优化后的植被分类
nology Satellite-1 Symposium， Trento， Italy， 1974.
样本训练集。通过优选特征分层分类的方法结
［4］ XIE Y， SHA Z， YU M. Remote Sensing Imagery
合土地利用数据进行多时相的自然植被分类制 in Vegetation Mapping： A Review［J］. Journal of
图，获得长时序自然植被分类变化结果。本研究 Plant Ecology， 2008， 1（1）： 9-23.
为植被遥感分类提供了一种快速、便捷、轻量、较 ［5］ DE CÁCERES M， CHYTRÝ M， AGRILLO E，
为可靠的快速制图方法。 et al. A Comparative Framework for Broad-Scale
Plot-Based Vegetation Classification［J］. Applied
本研究还存在不足，例如在长时序变化检测
Vegetation Science， 2015， 18（4）： 543-560.
样本传递的过程中样本的噪声会增加，后续可结
［6］ 牛全福， 刘明志， 张曼， 等 . 近 20 年来新疆阿勒泰
合植被相关知识进一步优化，在样本传递过程中
地区植被动态变化及其对气候与地形的响应［J］.
增加适当的实地观测或其他有效观测手段来减
武汉大学学报（信息科学版）， 2023， 48（9）： 1522-
少传递过程中产生的噪声，提高快速制图方法的
1530.
准确性，为长时序植被分类快速动态制图提供一 NIU Quanfu， LIU Mingzhi， ZHANG Man， et al.
种更为可靠的方法。 Vegetation Dynamic Change and Its Response to Cli⁃