挑战，主要体现在：（1）类内差异增强。以耕地为例，耕地与周围地物在空间上镶嵌并相互交织，构成一些不易
f龙源期刊网httpwwwqika
comc
识别的混合体，同时由于土壤属性、作物组成、种植方式等的差异，造成耕地内部的光谱差异。（2）干扰因素复杂。由于影像内容的高度细节化，加上地物边缘部分的模糊性及地物内部区域的阴影遮挡等，导致影像内部“同物异谱”现象突出，“异物同谱”现象也依旧存在。（3）数据量急剧增加。覆盖一个县域行政区的数据量通常超过若干GB。（4）自动化处理难度增加。高度细节化及结构独立化使得解译对象的数量急剧增加，而适用于高分辨率影像自动解译的技术非常缺乏，且远未达到实用化阶段。
国内外众多研究已表明，面向对象的影像分析比传统的基于像素的分类更适合于高分辨率影像专题信息提取。面向对象的影像分析主要包含分割和分类两个过程，由于均需要较多的人工参与，分类自动化程度较低，导致实际应用中高分辨率影像仍然以目视解译为主。分类过程难点主要集中在分类规则的自动获取，目前常用的方法包括CART（Classificatio
a
dRegressio
Tree）决策树和SEaTH（Separabilitya
dThresholds）算法。CART决策树的基本原理是通过由测试变量和目标变量构成的训练数据集的循环分析形成二叉树结构的决策树，其结构清晰，易于理解，能够清晰地指出变量对分类的重要性。Laliberte等结合CART决策树和面向对象影像分析技术，实现了对湿地植被覆盖的分类1。SEaTH算法基本原理是首先利用JM（JeffriesMatudita）距离衡量两两类别之间基于某特征的可分离性，选择分离度较高的特征作为类别区分的显著特征，其次基于高斯概率分布混合模型确定显著特征对应的最佳阈值，以保证当使用该阈值时两两类别之间的混分最少。Nussbaum利用SEaTH算法基于航片、ASTER影像、QuickBird影像等，对核设施进行面向对象分类和变化检测，均取得了较高的精度2；Gao等利用SEaTH算法对ETM影像进行土地覆盖分类，并与面向对象的最邻近分类和基于像素的最大似然分类进行比较，精度分别为79、66和69，证明了该算法同样适用于中分辨率影像3。
CART决策树和SEaTH算法均能解决分类规则自动获取的问题，前者虽然能够直接得到分类决策树，但是需要同时兼顾所有地类，针对性差；后者基于两两地类进行分析，针对性较强，能够直接提取典型地类专题信息。因此，本研究以北京市昌平区为例，选用SPOT5高分辨率遥感影像，利用SEaTH算法实现耕地分类规则的自动构建，提取耕地专题信息，并与CART决r