中国南方喀斯特是联合国教科文组织世界自然遗产地之一（包括云南石林、贵州荔波等七处片区）。精确获取喀斯特地貌的空间分布信息对于遗产地的有效保护和科学管理至关重要。空间对地观测技术为全面、准确地提取各类地貌特征提供了一种具有较大潜力的技术手段，但由于喀斯特地貌景观形态特征的几何不规则性和空间分布的复杂性，以及南方喀斯特地区较高的植被覆盖度，给利用卫星遥感影像高精度、高效率地提取喀斯特地貌的空间分布信息带来了巨大挑战。为解决上述问题，本文聚焦可由遥感影像宏观识别的锥状喀斯特地貌景观的空间分布信息自动提取的深度学习方法研究，以荔波锥状喀斯特地貌为研究对象，实现对其空间分布信息的精确自动提取，并基于地理探测器方法对影响其形成及发育的因子进行分析。
将三通道光学遥感影像与数字高程模型（DEM）相结合，生成包含地物光谱信息和空间特征的四通道训练数据，并通过改进DeepLab V3+模型，实现荔波锥状喀斯特地貌景观的自动提取。经过野外考察验证，与传统机器学习方法相比，本方法的结果更准确，可以有效地区分荔波的锥状喀斯特地貌和低山丘陵地貌，说明基于深度学习方法对锥状喀斯特地貌景观进行自动提取是可行的。其中，在进行光学遥感影像与DEM数据融合时，利用多种不同的通道融合组合方式，并基于相同的深度神经网络进行训练。结果显示，利用四通道训练样本数据得到的识别精度是所有通道组合方式中最高的，高于单独使用三通道光学遥感影像数据以及单独使用DEM数据的识别精度。说明加入DEM数据提高锥状喀斯特地貌自动提取精度的尝试可行，可以精确地区分荔波地形起伏程度不一致的锥状喀斯特地貌和低山丘陵地貌。基于荔波锥状喀斯特地貌自动提取结果，计算高程、坡度、坡向、地形起伏度和植被覆盖度五类影响荔波锥状喀斯特地貌景观形成和发育的因子，后利用地理探测器统计分析各因子对荔波锥状喀斯特地貌形成的影响程度。结果表明，在其他环境条件大致相同的情况下，地形和构造是对荔波锥状喀斯特地貌景观影响最大的要素。这一结果可以较好地解释利用深度学习方法识别荔波锥状喀斯特地貌时，加入DEM数据后可以有效提高识别精度的原因。

锥状喀斯特,深度学习,自动提取