地质环境问题种类繁多,发生频率高,影响范围广,不利于人类生存和可持续发展。因此,识别地质环境中的表层地质环境信息对于地质环境保护和生态文明建设具有重要意义。遥感技术在地表信息识别领域发挥着日益重要的作用。本文以遥感数据为主,开展典型地质环境信息的智能识别研究,此处典型地质环境信息特指下述3类地质环境中的地表或浅地表信息：(1)地形切割强烈的高植被覆盖的滑坡识别,(2)复杂的露天采矿和农业开发混合景观区土地覆盖制图,(3)内陆干旱区依赖地下水的生态系统区土地覆盖分类。然而,本文提及的3类地质环境区地质背景复杂,人类扰动剧烈,导致基于传统遥感数据如Landsat精确识别其地表信息具有很大的难度。近些年来出现了一些新型遥感数据,如能够提供高精度的裸地表地形参数的激光雷达数据(LiDAR),能同时提供高空间分辨率光学数据和地形数据的资源三号立体测绘卫星数据(ZY-3),以及具备植被红边波段且能宽幅成像的RapidEye卫星遥感数据。它们有望提升复杂地表信息识别能力。论文选择三峡库区、武汉市乌龙泉露天开采矿区和敦煌盆地西湖国家自然保护区为研究区,在深入分析上述3类典型地质环境遥感信息识别困难的基础上,分别选用机载LiDAR,ZY-3卫星数据,以及RapidEye卫星数据,辅以野外调查分析,并构建了一套有效的方法体系,开展了应用研究：(1)基于选择的遥感数据发展更多有效的特征参数；(2)利用特征降维方法获取有效的特征子集,主要包含两种wrapper特征选择方法(即varSelRF和Boruta程序包)和三种特征提取方法(即主成分分析,PCA；独立成分分析,ICA；最小噪声分离变换,MNF)；(3)选用了三种机器学习算法(随机森林,RF；支持向量机,SVM；人工神经网络,ANN)开展了地表信息智能分类；(4)分别使用基于像元和对象图像分析方法的分类结果实现滑坡边界半自动识别。本文包含两个关键的科学问题：(1)如何建立有效的典型地质环境信息表征参数,(2)如何基于高维特征集构建有效的典型地质环境信息识别特征参数子集。创新点如下：(1)基于高分辨率地形和光学数据,构建了一系列地形纹理、滤波特征模型和光谱滤波特征模型。这些模型能够作为敏感特征向量及组合,提高地形切割强烈的基岩山区高植被覆盖滑坡的分类精度,以及复杂的露天采矿和农业开发混合景观区土地覆盖分类的精度。(2)提出了一种基于varSelRF和特征选中次数阈值的特征子集构建方法,该方法利用多次特征选择和特征选中次数阈值解决了特征子集随训练数据不同而变化的问题,能够提高地形切割强烈的基岩山区高植被覆盖滑坡分类和复杂的露天采矿和农业开发混合景观区土地覆盖分类的精度,同时降低数据维数提高计算效率。论文主要工作如下：1.地形切割强烈的基岩山区高植被覆盖滑坡识别分别采用基于像元和对象的图像分析方法,仅利用LiDAR衍生特征参数,首次开展了地形切割强烈的基岩山区高植被覆盖滑坡识别研究。得到了如下结论：(1)提出了一些新的像元特征,如基于坡向方向的坡向、数字地面模型(DTM)和坡度纹理,和新的对象特征如对象的最大值和最小值层特征,及基于地表粗糙度的滤波特征计算得到的对象特征等。结果表明这些特征参数能够提高分类精度;(2)评价了特征选择对分类精度的影响,对比了基于对象和像元的方法、两种机器学习算法及它们对特征选择的敏感性：(a)在基于像元和对象的研究中特征选择方法均能提高分类精度同时降低特征参数的维数;(b)相比于SVM,RF算法分类精度较高且对特征选择具有较低的敏感性；(c)与基于像元的方法相比,基于对象的方法对特征选择有较高的敏感性,能够进一步减少运算时间,同时能得到更加完整的地形对象；(3)利用Canny边缘检测方法圈定的滑坡边界尽管是断断续续的,但是其与参考的滑坡编目图比较吻合；基于本文提出的新的半自动的圈定方法得到的滑坡边界与参考的滑坡编目图基本一致,二者位置不匹配度为9%。总之,本文提出的方法体系能够精确地识别地形切割强烈的高植被覆盖区滑坡边界。2.复杂的露天采矿和农业开发混合景观区土地覆盖制图首次开展了复杂的露天采矿和农业开发混合景观区土地覆盖制图研究,包含两项工作：一是露天采矿和农业开发混合景观区(即整个研究区)土地覆盖制图,二是露天采矿占地土地覆盖分类。得到了如下结论：(1)特征参数的有效性：(a)纹理特征作用很小,而提出的特征参数如ZY-3光谱波段的均值和标准偏差滤波特征及使用的基于ZY-3立体相对提取的地形特征有助于提高分类精度；(b)所有特征参数中,DTM和归一化植被指数(NDVI)具有较高的重要性；(2)评价了特征选择对上述两项工作的精度的影响,对比了三种机器学习算法对特征选择的敏感性,检查了特征选择是否会产生显著性的影响：(a)特征选择大幅降低特征参数集的维数而且通常能够提高总分类精度,(使用三种算法分类整个研究区,精度平均提高了4.48%;分类露天采矿占地时,基于RF和SVM算法,精度平均提高了11.39%)；(b)特征选择能够显著性地提高分类精度,除了利用ANN算法开展研究区土地覆盖制图例外；(c)SVM对特征选择最敏感,ANN次之,RF最不敏感；(d)易分的土地覆盖类型(如采场和道路)对特征选择具有较低的敏感性；(3)对比了三种机器学习算法及它们之间是否具有统计上显著性的差异：(a)基于特征参数子集开展研究区土地覆盖制图研究时,RF算法精度最高(总精度为77.57%),SVM次之,ANN最低；而对于露天采矿占地土地覆盖分类,SVM算法精度最高(87.34%),RF次之,ANN最低；(b)基于特征参数子集开展上述两项工作时三种机器学习算法中任意两者之间均具有显著性差异。总之,文中提出的方法体系能够实现复杂的露天采矿和农业开发混合景观区土地覆盖制图研究。3.内陆干旱区依赖地下水的生态系统土地覆盖分类本研究有以下三项内容：一是基于RapidEye影像5个光谱波段和2个植被指数(即NDVI和其红边调整参数：NDVI_RE)利用RF算法开展土地覆盖分类研究；二是利用包含和不包含红边波段和植被指数(NDVI和NDVI_RE1)的特征参数集,评价了红边波段和植被指数对土地覆盖分类精度的影响；三是评价特征选择、特征提取方法和集成的方法能否提高分类精度。得到了如下结论：(1)基于RapidEye影像和RF算法得到了高精度的土地覆盖分类结果,总精度为89.67%；(2)红边波段和植被指数的影响：(a)红边波段仅能略微提高分类精度；(b)植被指数对土地覆盖分类精度提高具有显著性的促进作用；(c)同时添加红边波段和植被指数能够得到显著性的精度增长(从86.67%开始总精度增长了346%)：(3)特征选择和特征提取的对比与集成：(a)新的红边简单比值和绿波段NDVI特征能够为土地覆盖分类提供有效的信息；(b)所有5种特征降维方法均能提高分类精度,但是仅varSelRF包获得了显著性地精度增长；(c)varSelRF包优于所有特征提取方法,MNF和PCA次之,ICA表现最差；(d)本文新提出的集成的varSelRF-PCA模型能够显著性地提升分类精度(从88.17%开始总精度增长了2.66%),其表现优于其它所有方法。总之,该方法体系能够获得高精度的土地覆盖分类结果,而且新发展的红边植被指数和集成降维方法均能促进分类精度的提升。综上所述,基于新型遥感数据和本文提出的方法体系,能够有效地识别文中典型地质环境信息,能够为地质环境保护和生态文明建设提供科学的理论和技术支撑。