万佳华，魏加华，，3*，李 琼，任 燕

(1.青海大学水利电力学院，青海 西宁 810016； 2.省部共建三江源生态与高原农牧业国家重点实验室，青海大学，青海 西宁 810016；3.清华大学水沙科学与水利水电工程国家重点实验室，北京 100084)

黄河源区是黄河流域最重要的径流来源区及生态涵养地，素有“黄河水塔”之称[1]。在全球变暖和人类活动影响加剧背景下，黄河源区土地覆被(Land Cover，LC)类型发生了显著变化[2-3]。LC变化与近地表面的蒸散发、下渗等水文要素及产汇流过程密切相关，也是大多数气候变化、水文变化区域响应模型的基础数据[4]。因此，快速获取黄河源区土地覆被信息，了解该区域不同地物类型的空间分布格局与特征，是研究该区域下垫面变化以及气候变化的关键内容。

相关学者[5-8]对黄河源流域或者更大范围的三江源区域的土地利用/土地覆被变化进行了研究，多数研究用人机交互的目视解译方法完成研究区域的地物分类工作。目视解译方法虽然可以满足精度的要求，但耗时长，工作量大，有一定的限制性。随着计算机与信息化技术的发展，机器学习(Machine Learning，ML)在土地覆被分类(Land Cover Classification，LCC)中得到广泛的关注，支持向量机[9-10](Support Vector Machine，SVM)、决策树(Decision Tree，DT)、随机森林[11-15](Random Forest，RF)、K近邻(K-Nearest Neighbor，KNN)等方法被用于地物信息提取，成果丰硕，其中RF、KNN和SVM算法取得的分类效果较好[16-17]。黄首畅[18]在对高光谱数据进行降维之后，使用SVM、最大似然(Maximum Likelihood Classification，MLC)、RF 3种方法进行三江源国家公园黄河源区核心区鄂陵湖西部和北部的植被分类。对于地物类型相似、空间分布格局较复杂地区，采用单一的影像特征将导致分类效果不理想。……