1、生态环境 2004, 13(1): 63-68, 73 http:/www.eco-Ecology and Environment E-mail: editoreco-基金项目：国家自然科学基金项目（69662001）；乌鲁木齐河流域土地资源动态监测信息系统研究（69662001）作者简介：付 炜（1949），男，博士，教授，博士生导师， 从事遥感、 环境信息系 统与计算机 信息处理的科研与教学。E-mail: 收稿日期：2003-07-14土壤遥感分类识别专家系统的结构设计付 炜 1, 2燕山大学信息学院，河北 秦皇岛 066004；新疆大学电子科学与信息工程学院，新疆 乌鲁木齐 83004
2、6摘要：介绍了土壤遥感分类识别专家系统的设计原理与实现方法，阐述了土壤遥感分类识别专家系统的土壤分类决策判断树的构造原理，讨论 了土壤遥感分类识别专 家知识表示的基本原则和系统知识库中专家知识的组织方式，以及 专家系统推理机的设计原理和推理规则的构建方法。系统采用压缩编码方式存储地学专题图形和遥感图像数据，具有数据与 图像的存储更新、查询检索、分析处 理、特征提取和信息输出等功能。该系统可以对遥感图像进行土壤类型的分类识别，并对分类精度进行监测与评价。用 该系 统对新疆天山北麓阜康 试验区的土壤分类识别进行了试验研究，并 对试验结果进行了讨论与评价。关键词：土壤遥感；分类识别；专家系统中图分类
3、号：TP391；O235 文献标识码：A 文章编号：1672-2175（2004）01-0063-07土壤遥感分类识别专家系统（CRES）是一个能以土壤学专家的水平对遥感图像进行土壤类型分类识别的计算机系统。CRES 具有对地学图形数据和遥感图像数据进行存储更新、查询检索、分析处理、特征提取和信息输出等功能。利用土壤学专家的专门知识和计算机快速处理数据的能力，CRES 可以 对遥感 图像的土壤类型进行专家级的分类和识别。本文以新疆天山北麓阜康试验 区 TM 遥感图像土壤类型的分类识别为例，介绍了 CRES 的设计原理与实现方法，讨论了领域专家知识的获取与表示形式，以及土壤分 类识别的推理判决规
4、则和推理算法。1 系统的逻辑结构设计1.1 综合数据库综合数据库用于存放系统运行中所需要和产生的数据，包括图形/图像数据、属性数据、模型分析数据等信息，其系统结构如图 1 所示。1.1.1 图像数据库（Image Data Base，IDB）IDB 存储经过特征编码和数据压缩的地学专题图形和遥感图像数据。其主要功能为：将图 形数据的矢量记录格式转换为栅格记录格式，并以 压缩编码 方式存储图形/图像；可对图形/图像数据进行各种数学变换和数字图像处理；进行图形/图像数据的各种统计分析；根据模型库的计算公式产生数字地形模型；图形/图像数据的逻辑操作和图像显示；直接访问属性数据库， 进行图形/图像数据
5、的 查询检索、分析处理等功能 1。1.1.2 属性数据库 (Attribute Data Base，ADB)ADB 存放与图形/图像数据相关的属性数据，如各种多边形的面积、类型、名称；各种点、 线、面、弧段的几何属性、空间属性及其自然与社会属性。1.1.3 模型库（Model Base ，MB）MB 的模型分 为两大 类，即系 统模型和应用模型。系统模型包括系统坐标变换、曲面拟合与曲 线插值运算、 图像覆盖与分离处理、地形要素提取、空间数据搜索、主成分分析和系统层次分析等。 应用模型包括灰色控制系 统分析、模糊聚类分析、模糊模型 识别分析、土壤资源评价模型分析，以及土壤资源合理利用规划数字模拟
6、分析等。1.2 知识库 (Knowledge Base，KB)1.2.1 专家知识的表示KB 中存放进行土壤类型识别所需要的判断性知识和描述各种土壤成土因子的知识。在 CRES 中，土壤分类识别的专家知识采用知识表示的框架式结构与产生式规则相结合的方式表示领域专家的经验性知识。这种数据结构模拟人脑的思维判断过程，有利于目 标驱动 的逆向推理过程。因该数据结构含有图像特征信息，故称之 为“像结构”。一个像结构就是对一种土壤类型的空间特征描述。在像结构中包含了低层次的知识表示的产生式规则，而在高层次的知识表示的产生式规则中又包含了像结构。这种知识表示形式克服了知识表示的单纯使用产生式规则的低效率
7、2。如像结构含有某一类土壤的具体属性值时， 则该像结构就成为反映该类土壤的真实特性的具体像结构实例，称之为“典型像例”。在 CRES 中，每一待判土壤 类 型对应于一个像结构，而对某些具有“同土异 谱” 的土壤类型，则用多个典型像例来描述。如下述天山北麓主要土壤类型的典型像例 为（以下“”表示回车换行）：山 地 草 原 土 ：高 程 ：16002800 m；TM2 图 像 亮 度 值（BND2）：2033；TM4 图 像 亮 度 值 （BND4）：3663；绿 色 指数 值 （GRI）：70160；坡 度 ：045；坡 向 ：90270。灌耕灰漠土（被农作物覆盖）：地下水深度：6 m；地下水矿
8、化度：1 g/L；土壤母质类 型：黄土、冲洪 积物或冲积物；TM2 图像亮度值（BND2）：2832；TM4 图像亮度值（BND4 ）：6080；绿色指数值（GRI）：100200。灌耕灰漠土（裸露）：地下水深度：4 m；地下水矿化度：2 g/L；土壤母质类型：黄土、冲积物或冲洪积物；TM2 图像亮度值（BND2）：4250；TM4 图像亮度值（BND4）：6080；绿色指数值（GRI）04。64 生态环境 第 13 卷第 1 期（2004 年 2 月）1.2.2 专家知识的获取根据土壤学专家进行土壤类别划分时所用的判断性知识，将 领 域专家的土壤分 类识别知 识归纳整理为一棵各项目间只存在“
9、与” 关系的分 类决策判断数 3。判断数的树根是试验区全部土壤类型的集合，而 树 叶则是要分类的土壤类型（图 2）。这是一棵每个分枝上都带有条件的条件二叉树，在树的任何一层都可能根据条件的不同而派生出两个以上的分枝。每一分枝上所附加的是一组条件，称 为条件组，各条件组的内容各不相同。如图 2 所示，条件组 1 所包含的条件是地面高程600 m，成土母 质为 沉积岩、火成岩和黄土等条件；条件组 2 所包含的条件是地面高程 31003900 m，绿色指数值2， TM2 和 TM4 波段 图像亮度值分别为2535、 3545 等条件。1.2.3 知识库的文件组织CRES 知 识库中的领域专家知识包括
10、土壤类型判断知识、土壤母质属性特征等 专家知识 （图 3）。CRES 的知识用树形层次结构表示，其中 结点表示土壤学 领域的基本概念，而用连接结点的弧表示这些概念之间的成员关系（e）的子集（s）。层次结构中每个 结点 x 称为该层次的父辈结点，或称为由结点 x 发出的 “e”和“ s”弧组成的链上的任何后辈结点的概括。为 了更精确地 进行编码，系统除用一般集合论中的成员关系（用“e ”弧表示）的概念外，还使用了不相交子集（ds）和不同元素（de）这类 限制性更大的概念 4。例如，从结点 x到结点 z 的“ ds”弧表示 x 是 z 的一个子集，并且 x 同任何向z 发出的“ ds”弧的其它子集
11、 y 不相交。类似地， 标有“ de”的弧表明两个或两个以上结点的每一个结点都代表某一集合中的不同元素。1.2.4 系统知识库的结构设计由于经过分类的专家知识具有二叉树的数据结构，同时某一特定的土壤类型又由多个参数共同确定，且土壤类用 户 土壤学专家数据采集子系统 人机智能交互图形数字化输入 图像扫描输入 解释机构 知识辅助编辑输入图形 属性 航片 卫星 规则分类 专家知识结构输入输入 输入 扫描 图像 规则描述 专家知识分类分级编辑 生成 输入 输入 规则表示 专家知识符号描述推理路径图形、图像及数据 预处理 规则库 知识获取机构控制策略 基本因子知识图像 属性 模型 搜索策略 客观规律事实
12、数据 数据 方法 推理策略 图像解译知识库 库 库 逆向链接 土壤专家经验层次推理 土壤分类知识数据库管理系统 推理机 知识库图像 属性 空间 数据 数据 数据 土壤类型分类识别推理决策器处理 处理 分析 求数据 求数据 求数据信息输出 集群均值 集群方差 相邻关系综合数据库 土壤类型分类识别推理判决图 1 土壤遥感分类识别专家系统的结构组成付 炜：土壤遥感分类识别专家系统的结构设计 65型不全称结点dsds 土壤类型 ds 山地土壤 平原土壤ds ds灰漠土 草甸土 ds ds ds ds ds ds普通灰漠土 盐化灰漠土 灌耕灰漠土 普通草甸土 盐化草甸土 灌耕草甸土ds ds ds ds
13、 ds ds 荒漠 黄土 属性 草甸 冲积 属性 植被 母质 特征 植被 母质 特征 de de de de de de de de de de de de红 梭 细 沙 坡 坡 蒿 苔 粗 砾 坡 坡 柳 梭 沙 礓 度 向 草 草 沙 石 度 向 图 3 土壤遥感分类识别专家系统知识库的组织66 生态环境 第 13 卷第 1 期（2004 年 2 月）同其参数个数也不相同。因此，系统采用一种链表形式的数据结构存储专家的土壤类型分类知识 5。在知识库中，将参与分类的 N 个不同参数项目分别存放在 N 个数据文件中。其中除各土类的相邻关系文件外，其余 N1 个数据文件是同构的，每个文件由 M
14、个记录组成（M 为待分类的土壤类型数）。在 N1 个同构的数据文件中，每个记录由 6 个记录项组成。土壤相邻关系数据文件由于其特殊性而与其它数据文件不同构，但它也是由个 M 个记录项组成。每个记录对应于一种土类，每个记录由 8 个记录项 构成。如本区山地草原土与灰褐土、亚 高山草甸土、山地棕钙土和石质土有相邻关系。为 了便于对 文件中的规则进 行增添、修改、 删除等操作，记录在文件中的存放是随机的，通过文件指针与记录指针将它们连接在一起，文件指针与 记录指针均为零时表示链表结束（图 4）。在图 4 中，文件 N 为土壤相邻关系文件，i为土壤类型号。由 图 4 可看出，第 i 种土壤类型共有 4
15、 个项目参与分类决策，它 们分别存储在文件 1，2，k 和N1，N 中。 该土壤类型的 4 个项 目的参数值分别记录在3、6、5 和 M、P 中。建立上述 N 个数据文件后，试验区的各土壤类型判据文件可连接成不同土壤类型判决识别关系的数据结构。该数据 结构即为土壤学 专家对土壤类型进行判决分类所用的经验性知识与规则的结合。1.3 推理机（Inference Engine， IE）1.3.1 推理策略IE 的推理过程主要是数据匹配 过程。KB 中的一级知识（土壤基本因子知识）与原始数据（图形/图像数据及其属性土壤组合条件组 1 条件组 2 山地土壤 A1 平原土壤 B1条件组 4 条件组 3 条
16、件组 R+1 条件组 R积 雪 山地土壤 A2 普通灰漠土 灰棕漠土 条件组 6 条件组 5 条件组 R+2 寒漠土 山地土壤 A3 平原土壤 B2 条件组 8 条件组 7 条件组 R+3 条件组 R+4高山草甸土 山地土壤 A4 灌耕灰漠土 平原土壤 B3 : : : 条件组 R+5 条件组 R+6 : 山地土壤 Ai : 盐化草甸土 平原土壤 B4 条件组 j+1 条件组 j 条件组 R+i : ：山地灰漠土 山地棕钙土 灌耕棕钙土 平原土壤 BM : : : 条件组 R+M 条件组 R+M+1 山地土壤 AN : 沼泽土 灌耕草甸土 条件组 N+M+1 条件组 N+M 条件组 R+M+2
17、山地草原土 山地石质土 普通草甸土图 2 土壤遥感分类识别专家系统的土壤分类决策判断树文件 1 记录 5 i max1 min1 w1 2 3 文件 2 记录 3 i max2 min2 w2 k 6 : : : : : : 文件 K 记录 6 i maxk mink wk n-1 M : : : : : : : : 文件 N1 记录 M i maxn1 minn1 wn1 n P 文件 N 记录 P i GNF1 5 相邻土类号图 4 土壤类型判断规则的存储格式付 炜：土壤遥感分类识别专家系统的结构设计 67数据）和即时数据（IE 运行时要求用户输入的数据）相匹配；二、三级 知识（土壤判决
18、规则）则与各种数据匹配。为保证推理的可信性，IE 设有一动态缓冲区，用以记录每一步推理所涉及的基本因子名和规则号，以及推理的中 间结果。当 证据充分时，采用正向 链接，沿 规则网 络逐步搜索证据（从综合数据库中获取或向用户询问）数据，并与相应的规则匹配，最终得出结论；当证据不充分时，采用逆向链接，即先在土壤学专家给定的方案中选择目标，再逐步求证，以 证明方案的可用性。推理结 束后， 动态缓冲区便将各条 规则的规则号和中间结果记录下来，形成一条由基本因子条件到最终结论的推理路径。为支持大数据量运算，一次推理过 程应能触发并行的多条规则。为此，IE 采用两种解决冲突的控制策略：一是给规则确定优先级
19、；二是制定规则的确定性限制。如果 满足一级规则前提的事实也包含在满足可执行的二级规则前提的事实集中， 则该一 级规则在本次推理 过程中不执行。因 为控制规则使用简单变量，所以上述推理控制策略支持上下文限制的解决冲突方法 6。1.3.2 推理规则IE 将不同土壤类 型的规则（专家知识）链接起来，就定义了一个由断言组成的联想网络。 这个网络称为该土壤类型的模型（每个模型都由若干条规则和断言组成）。规则都具有断言强度的数值（充分性系数和必要性系数）。每个联想网络都指明了实测数据与预测的某类假设的相关性。如果这个假设成立，就确定 该土壤类 型的判定是正确的，即断言正确。联想网络 中的断言是分块 表示的
20、，每个 块（称为语义空间）内用结点表示土壤实体，而 过程、位置和关系用弧表示 7。每一块内部都表示一句完整的 陈述，而每个 陈述又可分解成若干个简单断言（只包含一个关系及其变量的断言）。将规则前件网络表示的块与后件网络表示的块用一条弧（称为似然弧）连接起来就构成了该条规则。推理机则可用各种方式链接，如可用其中一条 规则的后件与另一条规则的前件（或其中一部分）来链接，通 过共用同一后件或同一前件（或其中一部分）链接起来。当两条规则有相同的后件，且一条规则的前件是另一条 规则 的前件的限制时， 则该条规则可用“链系 ”表示的元素（子集关系） 隐含地链接。在推理过程中， IE 总是试图证实最可能的目
21、标断言。如果用户不提供原始数据，IE 将按模型的目标断言的先验概率预先确定顺序，再按这个 顺序对这些模型 进行追踪。如果用 户提供原始数据，则目标 断言按逆向链追踪，即首先确定以该断言为结论的规则，然后从中 选出对所追踪的断言概率影响最大的规则。所选中的 规则的前件就成 为下一步要追踪的新的假设， 这样就逐步形成一条通向某个最终断言的规则链 8。2 系统的物理结构设计2.1 数据记录格式设计系统的数据记录格式主要为矢量、栅格和图形/图像数据的四叉树压缩编码（Quadtree Compression Coding，QCC）3 种方式。在矢量 记录格式中，文件记录头占用 24 个逻辑单元，每个逻辑
22、单元占用 4 个字节的存 储空间。 记录头中主要记录图件的类型、图的比例尺、 图 形数字化的总线段数、总的点数、4 个图廓点的坐 标等有关文件的信息。对于多边形图（如地学专题图），除了记录多边 形的每个弧段各点的坐标外， 还记录该 弧段左右多 边形的 编码，以形成完整的拓扑结构。而 线状图（如地形 图）只记录 每条线段的特征值（如等高线的高程值）和线段上各点的坐标。栅格记录格式以图像的行列顺序记录每个像元的特征值，其平面位置隐含于栅格的行列坐标中。栅格记录格式主要用于 图像的叠置处理、图像显示和图像的逻辑操作等运算。QCC 方式主要用于栅格数据的压缩存储和图像数据的数学变换等操作。QCC 文件
23、的每个逻辑单元占用 2 个字节的存储空间，文件记录头占用 10 个逻辑单元。文件 记录头中 记录文件的类型、 图形/图像数据的特征编码值及其总的栅格行列数、文件占用的逻辑记录块个数等信息 9。2.2 属性数据库文件结构设计属性数据库存放与图像数据相关的属性数据，其文件的组织采用 FoxPro ver6.0 关系数据 结构，每个字段占用 32个字节的存储空间。地学专题图形 记录的存放格式是：各记录的第一个字节是一个空格符；各个字段的数据连续地存放在各个记录中，没有任何分隔符和 终止符；字符型和数值型数据都以 ASCII 码方式存储。属性数据库文件的组织格式如表 1 所示。3 系统的应用3.1 土
24、壤类型识别的 TM 遥感影像非监督分类在 CRES 中，由于原始数据是以 图形/图像方式表示的，其数据量巨大。试验 区范围内一幅 TM 遥感图像就含有20002000 个像元，每次 处理时需 TM9 个波段的数据参与运算，其数据量高达 200020009=3.6107。如果多幅 图像同时参与运算，则 数据量是惊人的。因此，为减少运算量并保证分类精度，本 试验先对原始数据 进行一次纯数字的非监督分类，然后再利用土壤学专家的分 类知识进行土壤分类的推理判决。根据 Bayes 最优分类准则，通过 TM 遥感图像的非监督分类，可使每一 类数据的平均 损失达到最小，得到高精度的数据集群分类结果 10。在
25、 CRES 中，为提高分类精度，将与土壤类 型相关的非多光 谱数据（高程、坡度、土壤母质、地下水深度、地下水矿化度）引入到非监督分类过程中，从而极大地减少了仅使用多光 谱数据进行非监督分类时产生的“同土异 谱” 和“同谱异土” 现象对土壤分类的影响，使非监督分类所得到的数据集群与相应土壤类型的对应精度大大提高。在试验 区土壤类型的非 监督分类中，分出UM 个 预分类别，并将各类别的各分量数据的均值与方差存储在各类别的参数文件中。 该文件是一个 UVW 的三维数据文件，其中 U 为预分类别数； V 为参与分类的数据分量数（波段数）；W 为各类别的参数个数。在本试验中，土壤类别为 24 类，U24
26、；V 为 9，即 TM2 波段图像、 TM4 波段图像、绿 色指数 图、DEM（数字高程模型） 图、数字坡度图、数字坡向图、成土母 质图、地下水深度图、地下水矿化度图；W为 2，即均 值与方差。此外还产生一个非 监督分类的类别邻域关系数据文件。68 生态环境 第 13 卷第 1 期（2004 年 2 月）3.2 土壤类型分类识别的推理判决首先从 CRES 的综合数据库中提取所有待判的土壤数据集群（非监督分类的结果），送到推理机中，按高程与坡度参数将其分为山地土壤数据集群子集与平原土壤数据集群子集，并对山地土壤数据集群子集按高程参数、平原土壤数据集群子集按地下水深度参数分别进行逆序排序，然后将排
27、序结果由先到后逐个送到推理判决器中，进行目标驱动的逆向推理判决。对于山地土壤子集的数据集群，先从 综合数据库中找出相应的高程数据项，然后按相应链表的指针由高程数据项开始对该典型像例中的各数据分量用低层次产生式规则逐一进行匹配，并 查找 该数据集群中各数据分量的均值与方差。如果某一数据分量的均 值与方差满足某一土壤类型的对应条件，则将此项 目的权重加入到此土壤的类别权重和之中；若不满足，则此 项目的权重为零。 对各数据分量匹配之后，便可得到该数据集群 对应于各土壤类型的权重和总表。此表中最大 权重 值所对应的土壤类型即为该数据集群所代表的土壤类型。若 权重值存在两个相同的最大值，系统将以人机交互
28、的方式将数据分量统计结果及可能归属的两种土壤类型提交给用户，由用户确定其所代表的土壤类型。对于平原土壤数据集群子集中的某一数据集，首先在综合数据 库中搜索相 应的地下水深度分量数据项，以后的推理判决步骤及原则 与山地土壤类型的判决过程相同。由推理决策器识别的土壤 类型及其光谱特征和相应的成土条件如表 2 所列。4 问题与讨论由于试验区土壤遥感存在“同土异谱” 和“同谱异土”问题，即使 对其遥感 图像亮度的分类 精度很高，但所 对应的土壤分类精度却不一定高。在土壤分 类决策中虽然加入了非遥感数据，但未证 明这些遥感和非遥感数据集群的空 间分布是完全一致的，加之土壤学专家知 识的区域局限性，使常规
29、的土壤遥感分类识别的精度难以提高。此外，由于受遥感传感器空间分辨率的限制，本试验 区内除大面积的水体、沙漠、裸土及森林和草地外，在其它植被覆盖度100%的区域，每个遥感图像像元所 记录的地物影像都是植被与土壤的混合光谱信息。这样，即使土壤和植被类型不发生变化，而仅植被覆盖度不同，遥感图像上各像元的亮度 值也各不相同。直接用这些遥感数据来 进行土壤分 类， 势必将同一土壤分成几种不同的类型。综上所述，本试验 所设计的土壤遥感分 类识别专家系统具有基本的土壤学专家判别土壤类型的推理判决能力。用该系统对天山北麓阜康试验区的土壤类型进行分类识别，提高了土壤类型的识别精度，减少了土壤学 专家人为因素的影
30、响。由于系统 采用的专家知识 是多个土壤学专家知识的精华集合，因此系 统对土壤类型分 类的结果是准确可靠表 1 属性数据库文件结构多边形编码 面积（或长度） 属性 1 属性 2 属性 nN1 SN11 AN11 AN12 AN1nN2 SN21 AN21 AN22 AN2n Nm SNm1 ANm1 ANm2 ANmn表 2 CRES 土壤分类识别推理决策器识别的土壤类型及其光谱和成土条件特征值类型号 土壤类型 高程/m 坡度/ 坡向/ 成土母质 地下水位/m 地下水矿化度/(gL -1) TM2 波段亮度 值 TM4 波段亮度 值 绿色指数1 固定风沙土 546 3 268 风积物 58 3
31、 43 56 42 半固定风沙土 487 1 264 风积物 46 4 36 47 83 典型盐土 547 2 238 冲积物 25 5 54 65 54 草甸盐土 594 3 294 冲积物 46 2 36 86 1245 盐化草甸土 528 2 327 冲积物 35 13 34 48 466 盐化灌耕草甸土 534 3 258 冲积物 34 3 36 75 1127 灌耕灰漠土 634 6 14 冲积物 68 14 34 64 1248 盐化灰漠土 556 4 304 冲积物 46 13 41 62 409 灰漠土 512 10 315 黄土 10 10 20 20 20 20 30 30
32、 20 30 20 1 16 18 1510 山地草茵土 674 8 6 冲积物 610 13 32 65 13211 灌耕草甸土 798 16 345 洪积物 610 12 26 78 23212 山地灌木林土 684 24 245 洪积物 48 14 42 84 26付 炜：土壤遥感分类识别专家系统的结构设计 69的。分类 精度由原来 仅用遥感光谱 信息进行分类时的60%70%提高到 85%以上，达到了土壤类型制图精度的要求，且土壤类型识别 的效率也大大提高。但由于土壤学 专家所提供的土壤类型识别规则不可能十分精确，加之某些特殊土壤类型（如耕地灌淤土）的遥感光谱特性和成土条件十分复杂，目前
33、土壤学 专家尚不能仅 根据遥感图像特性和成土条件加以识别，因此该系统还需要改 进。此外， 对于土壤学专家对某些土壤类型识别的不精确推理规则，以及土壤类型识别的不精确知识表示，还有待于 进一步地研究。参考文献：1 傅炜. 黄土地区水土保持专家系统试验研究J. 地理科学, 1995, 15(1): 71-79.2 张立坚. 土壤遥感自动识别分类与制图专家系统中分类推理决策器的设计原理及其应用J. 干旱区地理, 1993, 16(1): 55-65.3 付炜. 土壤遥感分类识别推理决策器的设计J. 遥感学报, 2001, 5(6): 434-441.4 付炜. 灾害地貌专家系统的结构设计J. 地理科
34、学, 2000, 20(1): 33-38.5 黄可鸣. 专家系统导论M. 南京: 东南大学出版社, 1998: 139-152.6 赵瑞清. 知识表示与推理M. 北京: 气象出版社, 1991: 62-64.7 何新贵. 知识处理与专家系统M. 北京: 国防工业出版社, 1990: 52-56.8 傅京孙. 人工智能及其 应用M. 北京: 清华大学出版社, 1987: 46-50.9 傅炜. 地理专家系统的知识表示与知识库组织J. 应用科学学报, 1997, 15(4): 482-489.10 郭德方. 遥感图像的计算机处理和模式 识别M. 北京: 电子工业出版社, 1987: 80-85.（下转第 73 页）
