基于影像特征CART决策树的稀土矿区信息提取与动态监测_朱青.pdf

基于影像特征CART决策树的稀土矿区信息提取 与动态监测 朱青 1， 2 林建平 2 国佳欣 1， 2 郭熙 1， 2 （1. 江西农业大学国土资源与环境学院， 江西 南昌 330045； 2. 江西省鄱阳湖流域农业资源与生态重点实验室， 江西 南昌 330045） 摘要为准确反映赣南稀土矿区开采状况， 以江西省寻乌县为研究区， 选用Landsat-8多光谱影像为数据源， 通过对均值纹理、 裸土指数 （Bare Soil Index， BSI） 、 归一化植被指数 （Normalized Difference Vegetation Index， NDVI） 3 种特征信息进行提取， 采用基于CART （Classification and Regression Trees） 决策树的分类方法对研究区稀土矿开采 信息进行识别， 分类总体精度达到89.43， 其中矿区分类精度达到88， 分类精度相对于基于光谱信息的CART决 策树分类和最大似然分类有明显提高。通过对研究区20132016年稀土矿开采区域进行遥感动态监测， 发现增 加的开采区域主要分布于矿权范围内， 减少的开采区域在矿权界限内外均有大量分布， 减少幅度达41， 说明政府 和相关矿权部门对于稀土行业健康有序发展发挥了重要作用。研究表明 基于影像特征CART决策树的分类方法 在稀土矿区信息提取与动态监测方面具有一定的可行性。 关键词稀土矿区遥感监测CART决策树纹理特征裸土指数遥感影像分类 中图分类号TD865， P237文献标志码A文章编号1001-1250 （2019） -05-161-09 DOI10.19614/ki.jsks.201905026 Ination Extraction and Dynamic Monitoring of Rare Earth Mining Area Based on Image Feature CART Decision Tree Zhu Qing1， 2Lin Jianping2Guo Jiaxin1， 2Guo Xi1， 22 （1. Academy of Land Resource and Environment， Jiangxi Agricultural University， Nanchang 330045， China； 2. Key Laboratory of Poyang Lake Watershed Agricultural Resources and Ecology of Jiangxi Province， Nanchang 330045， China） AbstractIn order to accurately reflect the mining status of rare earth mining area in Southern Jiangxi Province， taking Xunwu County of Jiangxi Province as the study area and selecting Landsat-8 multi-spectral image as the data source， through the extraction of the feature ination of mean texture， bare soil index（BSI）and normalized difference vegetation index （NDVI） ， the mining ination ore rare earth of the study area is identified by using the classification based on multi- source data CART decision tree.The results show that the overall accuracy of the classification is 89.43 and the classifica- tion precision of the mining area is 88.The classification accuracy is better than the ones of CART decision tree classifica- tion based on spectral ination and maximum likelihood classification .Based on the above discussion re- sults， remote sensing dynamic monitoring for the rare mining area in the study area from 2013 to 2016 is carried out.It is found that the increasing mining area is mainly distributed within the scope of mining boundary， the reduced mining area is distribut- ed within and outside the mining boundary and the degree of reduction is 41， which further indicated that the government and related departments have played an important role in developing a healthy and orderly rare earth industry.The above study results show that the classification based on multi-source data CART decision tree has certain feasibility in ina- tion extraction and dynamic monitoring of rare earth mining area. KeywordsRare earth mining area， Remote monitoring， CART decision tree， Texture characteristics， Bare soil index， Re- mote sensing image classification 收稿日期2019-03-21 基金项目江西省博士后科研择优资助项目 （编号 2015KY23） ， 江西省教育厅科学技术研究重点项目 （编号 GJJ170244） ， 江西省重点研发计 划A类项目 （编号 20181ACG70006） 。 作者简介朱青 （1995） ， 男， 硕士研究生。通讯作者郭熙 （1974） ， 男， 副教授， 博士， 硕士研究生导师。 总第 515 期 2019 年第 5 期 金属矿山 METAL MINE Series No. 515 May 2019 161 ChaoXing 金属矿山2019年第5期总第515期 离子型稀土矿广泛分布于我国赣南地区， 是我 国重点保护的稀缺资源。近年来， 赣南稀土资源储 量不断减少， 乱采滥挖现象严重 ［1-3］。准确监测稀土 矿山开采状况， 是实现赣南离子型稀土矿山可持续 发展与矿区土地复垦的前提。遥感技术的应用， 弥 补了以往人工调查方式的不足， 为矿产资源调查和 监测提供了极大便利。采用传统的目视解译和监督 分类方法对多光谱遥感影像数据进行矿区识别与监 测时， 存在分类精度不高、 效率低下、 人力物力成本 较高等不足， 导致应用效果大打折扣 ［4-6］。决策树分 类法不仅可以有效结合特征信息波段解决 “同物异 谱、 异物同谱” 的问题， 提高遥感解译精度， 还能够通 过简单的数学统计与归纳等方法获得分类规则进行 遥感分类， 具有原理简单、 易于实现等优点 ［7-8］。目前 应用较广泛的决策树分类算法为分类回归树CART 方法， 该方法可以自动选择分类特征并确定节点阈 值， 分类精度较高 ［7-10］。 近年来， 大量学者采用CART决策树分类法对不 同地类信息进行了提取研究。蒙张等 ［9］以TM影像提 取冰川为例， 通过对比CART决策树和最大似然法的 分类结果， 认为前者分类精度优于后者； 陈云等 ［11］选 用CCD多光谱数据， 采用基于CART决策树的分类方 法， 以影像的多种特征波段为测试变量， 对养殖区和 建设用地的信息进行了提取， 认为通过选择影像波 段可以有效提高分类精度； 吕利利等 ［12］以Landsat-8 遥感影像为数据源， 使用CART决策树分类法构建了 一种沙漠化信息提取规则， 取得了较高的分类精度； 刘欣 ［13］通过构建适当的特征指数， 利用CART决策树 算法从Landsat-8影像中提取居民地信息， 取得了较 好效果。现阶段， 稀土矿区信息提取方面应用较广 泛的有基于面向对象分类 ［4， 14-15］、 波谱角分类［16-17］、 最 大似然分类 ［18］、 神经网络分类［19］等方法。CART决策 树分类方法被广泛应用于一般性的地类信息提取， 在稀土矿区信息提取方面的研究成果较少 ［20］。 本研究采用基于影像多种特征CART决策树的 分类方法分别对江西省寻乌县2013年和2016年2个 时期的Landsat-8多光谱遥感影像进行稀土矿区信息 提取与动态监测， 通过与基于光谱特征的监督分类 方法进行对比分析， 进一步讨论提取稀土矿区信息 的有效特征波段和可行方法， 获取精度较高的时序 动态变化监测结果， 为国家和地方政府综合整治稀 土矿业开发秩序与保护矿山资源提供重要的技术支 持与决策依据。 1研究区概况及数据预处理 1. 1研究区概况 寻乌县位于江西省东南边陲武夷山与九连山余 脉相交处， 是闽粤赣三省近邻烟火相连的三角要 冲。区域地理坐标为北纬2430′40″～2512′10″、 东 经11521′22″～11554′25″， 处于低纬度地区， 紧靠北 回归线， 东距海洋较近， 海洋对寻乌气候起到了很大 的调节作用。寻乌县境内属亚热带季风气候， 温暖 湿润， 雨量充沛， 冬少严寒， 夏无酷暑。全县年平均 降水量为1 650.3 mm， 干燥度为0.57。全境南北长约 78 km， 东西宽约61 km， 总面积2 351 km2。境内已发 现的矿种有钨、 锡、 钼、 铜、 铅、 锌、 稀土等。其中稀土 是该县的主要矿产资源， 矿床规模大、 品位高、 埋藏 浅， 初步查明全县稀土总储量35万t， 潜在资源储量 大于 100 万 t， 有矿区和矿化点 111 处， 主要分布于 11538′E～11544′E， 2449′N～2454′N， 11 km11 km的核心地区， 总面积为122.52 km2， 如图1所示。 1. 2遥感数据来源及预处理 通过 2016 年寻乌县高清航拍照片以及 Google Earth平台提供的高分辨率影像， 目视解译出稀土矿 区的大致分布范围。由于研究区范围较大， 针对部 分年份数据缺失的问题， 本研究主要对2013年10月 5日和2016年12月16日的Landsat-8遥感无云影像 进行辐射定标、 大气校正、 几何校正处理， 以此减少 和消除畸变， 增强影像的显示效果， 提高影像解译精 度 ［4， 18］， 同时还收集了研究区域内的行政边界、 矿区 产权界线、 野外样本点、 实地调研照片等相关的基础 辅助数据。 2信息类别选择与提取 本研究将Landsat-8多光谱影像上各地物目标信 息划分为园林地、 农田、 水域、 裸地、 城镇与农村居民 点、 矿区六大类别。鉴于影像空间分辨率与本研究 重点， 将园地与林地统一划分为园林地， 便于有效识 别与分析目标信息。 2. 1稀土矿山影像特征 研究区内离子型稀土矿开采方法主要有池浸法、 堆浸法和原地浸矿法 ［21］。池浸法开采稀土由于需要 剥离大量矿石， 对矿区环境造成了严重的破坏与污 染， 故该方法在20世纪末被淘汰。目前研究区内主 要应用堆浸法和原地浸矿法开采。3种开采方式在遥 感影像上表现出的特点各不相同。采用池浸法和堆 浸法开采时会形成大面积分布且不规则的裸露开采 区， 在图像上呈现出亮白色， 如图2 （a） 所示。原地浸 矿法采取不动土方， 直接在山顶或山坡上建造高位 池、 沉淀池和注液井的开采方式 ［14］。该方法基本不会 破坏山体周边环境， 对山体结构起到了一定的保护作 用， 采矿区在图像上主要呈现不规则小面积亮白色、 浅蓝色与淡黄偏白色斑块， 如图2 （b） 所示。 162 ChaoXing 朱青等 基于影像特征CART决策树的稀土矿区信息提取与动态监测2019年第5期 2. 2基于灰度共生矩阵的纹理信息提取 纹理是图像的一个重要属性， 是图像像素颜色 或灰度在空间上以一定形式变化而产生的图案， 是 物体表面的一种基本属性 ［22］。随着高分辨率遥感技 术的发展， 纹理分析已成为提高影像分类精度的重 要手段。虽然纹理分析技术能够有效解决遥感影像 中的 “同物异谱” 问题， 但在中低分辨影像分析中应 用较少 ［23］。本研究采用灰度共生矩阵中的8个纹理 测度提取Landsat-8影像中的纹理特征信息， 探讨基 于灰度共生矩阵的纹理特征在研究区信息分类识别 中的作用。由于影像数据源波段较多， 若对每个波 段都进行纹理特征提取， 计算量较大， 易造成数据信 息冗余。故在提取纹理特征前首先对预处理后的数 据源进行主成分分析， 发现第一主成分包含了原数 据中93.68的信息量， 故采用第一主成分对影像进 行纹理特征提取。 经过分析发现， 当选取的窗口大小为33、 步长 为1时， 采用灰度共生矩阵对2016年Landsat-8遥感 影像8个纹理特征值 （协同性、 对比度、 均值、 相关性、 方差、 相异性、 熵、 角二阶矩） 的纹理图像具有较好的 提取效果 （图3） 。 由图3可知 协同性、 对比度、 相异性、 熵、 相关性 和角二阶矩 6幅纹理特征图像模糊， 纹理相互交错冗 余， 无法有效区分出地物类别； 方差纹理图像虽然能 够有效地将裸地与矿区轮廓纹理信息显示出来， 但 163 ChaoXing 金属矿山2019年第5期总第515期 园林地与农田内部的信息相互交错， 城镇与农村居民 点用地对比度不高， 纹理信息不明显； 均值纹理图像 亮度变化明显， 园林地、 城镇与农村居民点纹理信息 突出， 可视化程度高， 易于区分， 矿区与裸地纹理颜色 虽偏暗， 但轮廓特征信息较为明显。因此本研究选择 均值纹理图像与多光谱影像进行波段融合。 2. 3归一化植被指数提取 归一化植被指数 （NDVI） 是度量植被情况的重要 参考指标， 与植被盖度、 生物量等因子有较好的相关 性， 具有空间覆盖范围广、 时间序列长、 数据具有可 比性等特点 ［10］。本研究选用归一化植被指数旨在增 强植被光谱属性， 突出植被纹理特征信息， 以便更好 地区分出各地类， 提高分类识别精度。 2. 4裸土指数波段信息提取 裸土指数 （BSI） 的模型表达式为 ［24］ BSI []ρSWIR1ρRed-ρNIRρBlue []ρSWIR1ρRedρNIRρBlue ， 式中，ρSWIR1、ρRed、ρNIR、ρBlue分别为Landsat-8影像的短 波红外波段反射率、 红光波段反射率、 近红外波段反 射率和蓝光波段反射率。 本研究以2016年Landsat-8遥感影像为例， 通过 波段运算提取出裸土指数， 结果如图4所示。由图4 可知 裸地亮度最高， 其余地物的亮度由高至低依次 为矿区、 城镇与农村居民点、 农田、 水域、 园林地。因 此， 采用裸土指数作为特征信息波段， 突出裸地信息 特征， 便于与其余目标地物 （尤其是与采矿用地） 进 行区分。 164 ChaoXing 2019年第5期朱青等 基于影像特征CART决策树的稀土矿区信息提取与动态监测 3基于影像多种特征CART决策树的分类方法 3. 1多源遥感数据融合 在遥感影像分类中， 为有效解决 “同物异谱、 异 物同谱” 的问题， 单一的光谱信息已无法满足研究需 要， 本研究将经过预处理的多光谱影像和已提取的 特征信息波段进行数据融合处理， 产生了一个9波段 的遥感新数据， 如表1所示。 3. 2训练区选取与检验 3. 2. 1训练区选取 结合基础数据资料与遥感影像地物特征， 在 2013年和2016年2期遥感影像上分别对矿区、 裸地、 城镇与农村居民点、 水域、 园林地、 农田6种类别的训 练区进行了划定。选取的训练区应具有代表性， 并 满足全局分布原则 ［18］。训练区和像元个数统计结果 如表2所示。 3. 2. 2训练区检验 对选取的训练区通过分离度来检验各地物类型 之间的差异性， 分离度取值通常为0～2。当分离度为 1.9～2.0时， 各地物类型之间的分离效果最好； 当分离 度为1.0～1.9时， 各地物类型之间的分离效果中等； 当 分离度小于1.0时， 则需将两类地物进行合并。研究 区2013年和2016年2期遥感影像中地物类型之间的 分离度取值如表3、 表4所示。 由表3、 表4可知 除了矿区与裸地之间的分离度 小于1.7外， 其余地物之间的分离效果较好。 3. 3CART决策树生成与分类 CART 决策树属于监督分类方法之一， 其原理 是从众多预测属性中选择一个或多个属性组合， 作 为树节点的分列变量， 将测试变量分到各个分支 中， 重复该过程建立一个足够大的分类树； 而后用 剪枝算法对该树进行 “剪枝” ， 得到一系列嵌套的分 类树； 最后通过测试数据对一系列分类树进行测 试， 选出最优分类树 ［10］。该算法核心是确定一个决 策树分支准则， 采用经济学中的基尼系数作为选择 最佳测试变量和分割阈值准则 ［25］， 决策树构建时可 在合理范围内充分利用多种与地物类别相关的特 征。本研究将均值纹理信息、 归一化植被指数 （NDVI） 和裸土指数 （BSI） 作为特征波段， 以充分发 挥CART决策树的优势， 自动识别众多特征中对类 别区分度较高的特征， 从而构建最优判别规则 ［10］， 如图5所示。 由图5可知 基于影像特征的CART决策树在分 类识别过程中不仅用到光谱特征信息， 还涉及均值 纹理信息、 归一化植被指数、 裸土指数等指标。 利用已生成的分类规则对2016年Landsat-8多光 谱影像进行了分类识别， 结果如图6 （a） 所示。为对 比分析该算法的分类法精度， 分别对研究区进行了 基于光谱信息的CART决策树分类和最大似然分类， 结果如图6 （b） 、 图6 （c） 所示。 165 ChaoXing 金属矿山2019年第5期总第515期 3. 4精度评价 本研究利用混淆矩阵和Kappa系数作为衡量各 方法分类效果的指标。混淆矩阵可以在一定程度上 反映出各地类之间的混分情况， Kappa系数是一种测 定两幅影像之间吻合度的指标， 既考虑了对角线上被 正确分类的像元， 又考虑了不在对角线上各种漏分和 错分误差， 可作为分类精度评估的综合指标 ［26］。考虑 到2013年的遥感影像分类结果以及变化信息是由 2016年遥感影像分类图利用回溯法得到， 因此验证 后者的分类精度也可推断出前者分类的可靠性 ［14］。 通过ENVI 软件利用分类模块， 选取分层随机产生抽 样点， 通过野外验证方法， 结合2016年寻乌县的航拍 地图和Google earth 影像对抽样点进行地物类型确 定。在研究区中共随机抽样了350个点， 其中矿区50 个， 裸地50个， 农田50个， 水域50个， 城镇与农村居 民点50个， 园林地 （园地与林地） 100个。通过混淆矩 阵和Kappa系数得到3种分类方法的精度评价结果， 如表5、 表6所示。 由表5、 表6可知 基于影像特征CART决策树的 分类精度明显优于其余2种方法， 表明该方法对于稀 土矿区信息的提取效果较好。 4矿区遥感动态监测 遥感变化监测是指运用不同时期的遥感影像了 解和辨别某一物体或现象的现状差异。目前遥感监 166 ChaoXing 2019年第5期朱青等 基于影像特征CART决策树的稀土矿区信息提取与动态监测 测主要有2种方法， 即图像直接比较法和分类后比较 法， 本研究采用分类后比较法对研究区20132016 年的开采变化信息进行分析 ［27］。 首先采用本研究提出的基于影像特征CART决 策树的分类方法对研究区 2013 年 10 月份影像和 2016年12月份影像进行处理， 并将2期分类影像导 入ENVI软件中， 通过Thematic Change Workflow流程 化工具进行分析， 同时叠加稀土开采矿权界限， 可以 明显看出近3 a寻乌县稀土矿区 （仅包含裸地开采区） 的变化情况 （图7、 图8） 。 由图7可知 研究区近3 a增加的开采面积多位 于权属界限内， 减少的矿区面积在权属界线内外均 有显著变化。由图8及相关统计数据可知 2013 2016年， 寻乌县稀土开采总体面积 （仅包含裸地开采 区面积） 减少了 3.42 km2， 减少幅度为 41， 新增加 1.05 km2， 增涨幅度为18， 整体呈明显减少趋势。 研究区采矿用地面积发生明显变化的原因主要 有 ①自从2011年以来， 国务院出台 国务院关于促 进稀土行业持续健康发展的若干意见 ， 提出了用1～ 2 a时间建立起规范有序的稀土资源开发、 冶炼分离 和市场流通秩序， 反映出我国正逐渐加强对稀土行 业的管控， 由于门槛不断提高， 一些中小型稀土企业 无法继续运营， 部分企业的稀土开采与稀土生产也 相应减少， 是研究区内开采区域面积减少的主要原 因 ［28］； ②通过实地调查发现， 当地企业在进行稀土开 采时， 须同步治理生态环境， 对开采后的矿产地也须 有计划地实施环境整治与修复工程， 在很大程度上 167 ChaoXing 规范了企业的开采行为。 5结论与讨论 （1） 基于研究区2期Landsat-8遥感影像， 以目视 解译为主， 基础数据、 野外调查为辅建立了各地物的 解译标志， 对训练样本进行质量检查， 提高了地物分 类识别精度。通过叠加不同的特征信息波段， 从目 视效果及精度评价方面分别进行分析， 认为本研究 提出的基于影像特征CART决策树的总体分类精度 达到89.43， 矿区精度达到88， 相对于基于光谱信 息CART决策树分类以及最大似然分类优势明显。 （2） 通过对研究区20132016年稀土矿区 （仅包 含裸地开采区面积） 进行动态监测， 发现增加的开采 区域主要分布于矿权范围内， 减少的开采区域在矿 权界限内外均有大量分布， 减少幅度达41。说明政 府和相关矿权部门监管对稀土行业发展起到了重要 作用， 在很大程度上抑制了 “乱采滥挖、 无序开发、 新 建项目过多过快” 的现象。 （3） 农田、 矿区、 裸地光谱信息较为相似， 利用特 征波段信息辅助进行稀土矿区信息提取时， 精度提 升幅度较小。后续研究中将考虑加入其余相关的特 征波段信息， 如增强型植被指数、 增强型裸土指数、 归一化裸土指数等， 进一步提高信息提取精度。 （4） 本研究选用的Landsat-8多光谱影像， 由于空 间分辨率 （30 m） 限制， 仅针对稀土开采区面积进行 了监测， 未能根据开采工艺的不同对矿区类型进行 细分， 进而分别进行动态监测， 这一方面值得进一步 研究。此外， 植被覆盖区开采区域的准确识别与遥 感动态监测问题也需要进一步讨论。 参 考 文 献 罗仙平， 翁存建， 徐晶， 等.离子型稀土矿开发技术研究进展及 发展方向 ［J］ .金属矿山， 2014 （6） 83-90. Luo Xianping， Weng Cunjian， Xu Jing， et al.Research progress and development direction of the development of ionic rare earths［J］ . Metal Mine， 2014 （6） 83-90. 熊云飞.离子型稀土开采高分遥感影像识别方法研究 ［D］ .赣州 江西理工大学， 2017. Xiong Yunfei.Study on High Resolution Remote Sensing Image Recognition for Ion-type Rare Earth Mining ［D］ .Ganzhou Jiangxi University of Science and Technology， 2017. 高志强， 周启星.稀土矿露天开采过程的污染及对资源和生态环 境的影响 ［J］ .生态学杂志， 2011， 30 （12） 2915-2922. Gao Zhiqiang， Zhou Qixing.Contamination from rare earth ore strip mining and its impacts on resources and ecological environment ［J］ . Chinese Journal of Ecology， 2011， 30 （12） 2915-2922. 吴亚楠.基于面向对象分类的稀土矿开采动态监测研究 ［D］ .北 京 中国地质大学 （北京） ， 2017. Wu Yanan.Dynamic Monitoring of Rare Earth Mining Based on Ob- ject-oriented Classification ［D］ .BeijingChina University of Geosciences（Beijing） ， 2017. 王瑜玲.江西定南北部地区稀土矿矿山开发状况与环境效应遥 感研究 ［D］ .北京 中国地质大学 （北京） ， 2007. Wang Yuling.Study on the Exploitive Status of the Rare Earth Min- eral and Its Environment Problems Using Remote Sensing about North of Dingnan， Jiangxi Province ［D］ .BeijingChina University of Geosciences（Beijing） ， 2007. 王陶， 刘衍宏， 王平， 等.多源多时相遥感分类技术在赣州稀 土矿区环境变化检测中的应用 ［J］ .中国矿业， 2009， 18 （11） 88- 91. Wang Tao， Liu Yanhong， Wang Ping， et al.Application of multi- source and multi-temporal remote sensing imag classification meth- od in REE mineral development and environment variation in the Ganzhou mineral district［J］ .China Mining Magazine，2009，18 （11） 88-91. 齐乐， 岳彩荣.基于CART决策树方法的遥感影像分类 ［J］ .林 业调查规划， 2011， 36 （2） 62-66. Qi Le， Yue Cairong.Remote sensing image classification based on CART decision tree ［J］ .Forest Inventory and Planning， 2011， 36 （2） 62-66. Zaremotlagh S， Hezarkhani A.The use of decision tree induction and artificial neural networks for recognizing the geochemical distri- bution patterns of LREE in the Choghart Deposit， Central Iran ［J］ . Journal of African Earth Sciences， 201737-46. 蒙张， 胡勇.基于多源数据的CART决策树冰川提取 ［J］ .地 理空间信息， 2018， 16 （2） 61-63. Meng Zhang， Hu Yong.CART decision tree glacier extraction based on multi-source data ［J］ .Geospatial Ination， 2018， 16 （2） 61- 63. 郝泷， 陈永富， 刘华， 等.基于纹理信息CART决策树的林芝 县森林植被面向对象分类 ［J］ .遥感技术与应用， 2017， 32 （2） 386-394. Hao Shuang， Chen Yongfu， Liu Hua， et al.Object-oriented forest classification of Linzhi County based on CART decision tree with texture ination［J］ .Remote Sensing Technology and Applica- tion， 2017， 32 （2） 386-394. 陈云， 戴锦芳， 李俊杰.基于影像多种特征的CART决策树分 类方法及其应用 ［J］ .地理与地理信息科学， 2008 （2） 33-36. Chen Yun， Dai Jinfang， Li Junjie.CART-based decision tree classi- fier using multi-feature of image and its application ［J］ .Geography and Geo-ination Science， 2008 （2） 33-36. 吕利利， 颉耀文， 黄晓君， 等.基于CART决策树分类的沙漠化信 息提取方法研究 ［J］ .遥感技术与应用， 2017， 32 （3） 499-506. Lyu Lili， Xie Yaowen， Huang Xiaojun， et al.Desertification ina- tion extraction research based on the CART decision tree classification［J］ .Remote Sensing Technology and Application， 2017， 32 （3） 499-506. 刘欣.利用CART算法从Landsat-8卫星影像提取居民地的研 究 ［D］ .兰州 兰州大学， 2015. Liu Xin.Using CART Algorithm to Extract Residential from Land- sat-8 Images ［D］ .LanzhouLanzhou University， 2015. ［1］ ［2］ ［3］ ［4］ ［5］ ［6］ ［7］ ［8］ ［9］ ［10］ ［11］ ［12］ ［13］ 金属矿山2019年第5期总第515期 168 ChaoXing 彭燕， 何国金， 张兆明， 等.赣南稀土矿开发区生态环境遥感动 态监测与评估 ［J］ .生态学报， 2016， 36 （6） 1676-1685. Peng Yan， He Guojin， Zhang Zhaoming， et al.Eco-environment dy- namic monitoring and assessment of rare earth mining area in Southern Ganzhou using remote sensing ［J］ .Acta Ecologica Sinica， 2016， 36 （6） 1676-1685. 李恒凯， 熊云飞， 吴立新.面向对象的离子吸附型稀土矿开采高 分遥感影像识别方法 ［J］ .稀土， 2017， 38 （4） 38-49. Li Hengkai， Xiong Yunfei， Wu Lixin.The object-oriented recogni- tion for remote sensing image with high spatial resolution for iron rare earth mining ［J］ .Chinese Rare Earths， 2017， 38 （4） 38- 49. 吴亚楠， 代晶晶， 周萍.基于高空间分辨率遥感数据的稀土矿 山监测研究 ［J］ .中国稀土学报， 2017， 35 （2） 262-271. Wu Yanan， Dai Jingjing， Zhou Ping.Research of rare earth minerals monitoring based on high resolution remote sensing［J］ .Journal of the Chinese Society of Rare Earths， 2017， 35 （2） 262-271. 代晶晶， 王登红， 陈郑辉， 等.IKONOS遥感数据在离子吸附型稀 土矿区环境污染调查中的应用研究以赣南寻乌地区为例 ［J］ .地球学报， 2013， 34 （3） 354-360. Dai Jingjing， Wang Denghong， Chen Zhenghui， et al.Environment contamination investigation of ion-absorbed rare earth ore districts based on IKONOS remote sensing dataa case study of Xunwu Area in South Jiangxi［J］ .Acta Geoscientica Sinica， 2013， 34（3） 354- 360. 雷国静.赣州市龙南地区稀土矿矿山开采现状与动态监测遥感 研究 ［D］ .北京 中国地质大学 （北京） ， 2006. Lei Guojing.A Remote Sensing Study on the Exploitation Status and Dynamic Monitoring of Rare Earth Mine in Longnan， Ganzhou ［D］ .BeijingChina University of Geosciences（Beijing） ， 2006. 李恒凯.南方稀土矿区开采与环境影响遥感监测与评估研究 ［D］ .北京 中国矿业大学 （北京） ， 2016. Li Hengkai.Study on Remote Sensing Monitoring the Rare Earth Mining and Its Environment Impacts and uation in South