Please wait a minute...
 
国土资源遥感  2020, Vol. 32 Issue (2): 26-32    DOI: 10.6046/gtzyyg.2020.02.04
  技术方法 本期目录 | 过刊浏览 | 高级检索 |
基于GF-2遥感影像的机械性破损面提取方法
夏既胜, 马梦莹, 符钟壬
云南大学地球科学学院,云南 650050
Extraction of mechanical damage surface using GF-2 remote sensing data
Jisheng XIA, Mengying MA, Zhongren FU
School of Earth Science, Yunnan University, Kunming 650500, China
全文: PDF(9230 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

机械性破损面容易引发水土流失、次生地质灾害等生态环境问题,但目前还缺乏其基于遥感影像的有效提取方法。选择机械性破损面分布密集的云南省螳螂川流域为研究对象,基于高分二号(GF-2)遥感影像,探讨其基于纹理特征辅助的面向对象提取方法。根据7类地物特征建立地物分类规则,在最优尺度分割的基础上,基于光谱特征的决策树A和基于“光谱+纹理”特征的决策树B进行面向对象的分类。经过精度评价分析得出,相对于传统的监督分类法和仅基于光谱的面向对象分类法,基于“光谱+纹理”特征的决策树B分类方法使Kappa系数和总精度分别提高至0.82和86.25%,有效地提高了机械性破损面的提取精度。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
夏既胜
马梦莹
符钟壬
关键词 高分二号(GF-2)机械性破损面面向对象分类法决策树    
Abstract

Mechanical damaged surface tends to cause soil erosion, secondary geological hazards and other ecological environment problems, but there is still a lack of effective extraction methods based on remote sensing images. Based on the GF-2 remote sensing image, the authors studied the object-oriented extraction method based on texture features in Tanglangchuan watershed with densely distributed mechanical damage surface. According to the seven types of features, the classification rules were established. On the basis of the optimal scale segmentation, the decision tree A based on spectral features and the decision tree B based on "spectral + texture" features are classified in object-oriented way. Precision evaluation and analysis show that, compared with the traditional supervised classification method and the spectral-based object-oriented classification method, the classification method improves the Kappa coefficient and the total accuracy to 0.82 and 86.25%, respectively, and also effectively improves the extraction accuracy of mechanical damage surface.

Key wordsGF-2    mechanical damage surface    object-oriented classification    decision tree
收稿日期: 2019-04-26      出版日期: 2020-06-18
ZTFLH:  TP79  
基金资助:国家自然科学基金项目“云南金沙江流域典型区机械破损面空间格局变化与生态响应”(41461103)
作者简介: 夏既胜(1974-),男,博士,教授,主要研究方向为GIS应用、流域生态环境信息化、地质环境等。Email: xiajsh@ynu.edu.cn。
引用本文:   
夏既胜, 马梦莹, 符钟壬. 基于GF-2遥感影像的机械性破损面提取方法[J]. 国土资源遥感, 2020, 32(2): 26-32.
Jisheng XIA, Mengying MA, Zhongren FU. Extraction of mechanical damage surface using GF-2 remote sensing data. Remote Sensing for Land & Resources, 2020, 32(2): 26-32.
链接本文:  
http://www.gtzyyg.com/CN/10.6046/gtzyyg.2020.02.04      或      http://www.gtzyyg.com/CN/Y2020/V32/I2/26
Fig.1  研究区遥感影像
(B3(R),B4(G),B2(B)波段假彩色合成)
Fig.2  研究方法流程
Fig.3  局部分割效果
指数 统计值 林地 水体 居民地 耕地(有植被) 耕地(无植被) 裸地 机械性破损面
最小值 0.08 -0.87 -1.00 0.05 -0.38 -0.06 -0.15

NDVI
最大值 1.00 -0.02 1.00 0.94 0.42 0.60 0.45
平均值 0.45 -0.69 0.10 0.32 0.15 0.15 0.05
标准差 0.14 0.07 0.09 0.24 0.07 0.09 0.03
最小值 -1.00 0.90 -0.64 -0.74 -0.45 -0.62 -0.57

NDWI
最大值 -0.09 0.06 -0.54 -0.52 -0.17 0.00 0.00
平均值 -0.50 0.77 -0.20 -0.67 -0.28 -0.28 -0.22
标准差 -0.08 0.07 -0.09 -0.04 -0.05 -0.08 -0.04
Stddev of length of 最小值 1.30 8.16 2.60 4.35 9.03 2.03 1.89
edges (polygon) 最大值 4.13 9.35 4.26 16.49 15.62 7.56 4.25

length/width
最小值 1.30 1.24 2.52 1.43 1.33 1.28 1.11
最大值 2.25 2.59 37.50 2.65 3.81 2.84 2.48
Tab.1  各类地物的特征指数
Fig.4  GLCM纹理特征
纹理特征值 均值 方差 对比度 相异性 信息熵 同质度
JM距离 1.29 1.28 1.86 0.65 0.67 1.82
转换分离度 1.71 1.98 1.98 0.97 0.75 1.94
Tab.2  纹理特征的可分离参数
类别 分类规则
水体 (0.35<NDWI<0.8) and (110<mean NIR<220)
林地 (0.2<NDVI<0.7) and (Stddev of length of edges (polygon)<4)
有作物的耕地 (0.2<NDVI<0.7) and (Stddev of length of edges (polygon)≥4)
居民地 (NDVI≥0.7 or NDVI≤0.2) and (length/width<2.8 or length/width>35) and (600<mean NIR<1 500)
无作物的耕地 (meanNIR≥1 500 or meanNIR≤600) and (2.8≤length/width≤35)and (8<Stddev of length of edges (polygon)<52)
裸地 (NDVI≥0.07 and NDVI≤0.01)
机械性破损面 (Stddev of length of edges (polygon)≤8 or Stddev of length of edges (polygon)≥52) and (0.01<NDVI<0.07)
and (contrast>1 000) and (Homogeneity<0.07)
Tab.3  地物的分类规则
Fig.5  基于决策树A和决策树B的面向对象分类结果
土地利用
类型
决策树A 决策树B
用户精
度/%
制图精
度/%
用户精
度/%
制图精
度/%
裸地 83.56 83.56 87.33 84.42
机械性破损面 86.43 86.53 89.63 86.83
总体精度/% 78.34 86.25
Kappa系数 0.73 0.82
Tab.4  决策树A和决策树B的机械性破损面提取精度对比
Fig.6  不同监督分类方法的结果对比
精度 基于像元的监督分类 面向对象分类
最小距
离法
马氏距
离法
最大似
然法
基于光谱
的决策树A
基于“光谱+
纹理”的
决策树B
总体精度/% 70.21 72.67 74.53 78.34 86.25
Kappa系数 0.60 0.62 0.65 0.73 0.82
Tab.5  面向对象分类与监督分类精度对比
[1] 陈佳俊. 基于GF-2卫星影像的川东丘陵地区耕地信息提取[D]. 成都:成都理工大学, 2017.
Chen J J. Extraction of cultivated land information in hilly area of Eastern Sichuan based on GF-2 satellite image[D]. Chengdu:Chengdu University of Technology, 2017.
[2] 王蕾, 杨武年, 任金铜, 等. GF-2影像面向对象典型城区地物提取方法[J].测绘通报, 2018(1):138-142.
Wang L, Yang W, Ren J T, et al. Object-oriented typical urban area object extraction method for GF-2 image[J].Surveying and Mapping Bulletin, 2018(1):138-142.
[3] Ouyang H L, Shen J W, Zhou T G. Application of object-oriented classification method to typhoon disaster information extraction[J]. Journal of Natural Disasters, 2016,25(6):9-17.
[4] Xu F N, Qi Y, Wang J H, et al. Riparian forest vegetation coverage information classification based on object-oriented method in Heihe River[J]. Remote Sensing Technology and Application, 2015. 30(5):996-1005.
[5] 戴莉莉, 李海涛, 顾海燕, 等. 特征优选下的遥感影像面向对象分类规则构建[J]. 测绘科学, 2019,44(02):26-32.
Dai L L, Li H T, Gu H Y, et al. Construction of object-oriented classification rules for remote sensing images based on feature selection[J]. Surveying and Mapping Science, 2019,44(2):26-32.
[6] 贾伟, 高小红, 杨灵玉, 等. 面向对象方法的复杂地形区地表覆盖信息提取[J]. 兰州大学学报(自然科学版), 2018,54(4):486-493.
Jia W, Gao X H, Yang L Y, et al. Object-oriented extraction of surface cover information in complex terrain area[J]. Journal of Lanzhou University:Natural Science Edition, 2018,54(4):486-493.
[7] 张金盈, 姚光虎, 林琳, 等. 结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 测绘通报, 2019,20(2):103-107.
Zhang J Y, Yao G H, Lin L, et al. Combined with active learning and word bag model,automatic classification of high-score remotesensing image No.2[J]. Surveying and Mapping Bulletin, 2019,20(2):103-107.
[8] 朱海涛, 张霞, 王树东, 等. 基于面向对象决策树算法的半干旱地区遥感影像分类[J]. 遥感信息, 2013,28(4):50-56.
Zhu H T, Zhang X, Wang S D, et al. Classification of remote sensing images in semi-arid areas based on object-oriented decision tree algorithm[J]. Remote sensing information, 2013,28(4):50-56.
[9] 张华, 张改改, 吴睿. 基于GF-1卫星数据的面向对象的民勤绿洲植被分类研究[J]. 干旱区地理, 2017,40(4):831-838.
Zhang H, Zhang G G, Wu R. Object-oriented classification of Minqin Oasis vegetation based on GF-1 satellite data[J]. Arid RegionGeography, 2017,40(4):831-838.
[10] 苏腾飞, 张圣微, 李洪玉. 基于纹理特征与区域生长的高分辨率遥感影像分割算法[J]. 国土资源遥感, 2017,29(2):72-81.doi: 10.6046/gtzyyg.2017.02.11.
Su T F, Zhang S W, Li H Y. High resolution remote sensing image segmentation algorithm based on texture features and regional growth[J]. Land and Resources Remote Sensing, 2017,29(2):72-81.doi: 10.6046/gtzyyg.2017.02.11.
[11] 张东梅. 基于多尺度分割的土地利用分类研究[D]. 南昌:东华理工大学, 2017, 7-53.
Zhang D M. Land use classification based on multi-scale segmentation[D]. Nanchang:East China University of Technology, 2017, 7-53.
[12] 王二丽, 李存军, 周静平, 等. 基于多时相遥感影像的北京平原人工林树种分类[J]. 北京工业大学学报, 2017,43(5):710-718.
Wang E L, Li C J, Zhou J P, et al. Tree species classification of plantations in Beijing plain based on multi-temporal remote sensing images[J]. Journal of Beijing University of Technology, 2017,43(5):710-718.
[13] Moya L, Zakeri H, Yamazaki F, et al. 3D gray level co-occurrence matrix and its application to identifying collapsed buildings[J].Journal of Photogrammetry and Remote Sensing, 2019(149):14-28.
[14] Huang X, Liu X B, Zhang L P. A Multichannel gray level co-occurrence matrix for multi/hyperspectral image texture representation[J]. Remote Sensing. 2014,6(9):8424-8445.
[15] 何志强. 基于高分二号影像的面向对象分类技术研究[D]. 淮南:安徽理工大学, 2018, 9-33.
He Z Q. Research on object-oriented classification technology based on GF-2 Image[D]. Huainan:Anhui University of Technology, 2018, 9-33.
[1] 邓刚, 唐志光, 李朝奎, 陈浩, 彭焕华, 王晓茹. 基于MODIS时序数据的湖南省水稻种植面积提取及时空变化分析[J]. 国土资源遥感, 2020, 32(2): 177-185.
[2] 傅锋,王新杰,汪锦,王娜,佟济宏. 高分二号影像树种识别及龄组划分[J]. 国土资源遥感, 2019, 31(2): 118-124.
[3] 马超,杨飞,王学成. 基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[J]. 国土资源遥感, 2019, 31(1): 141-148.
[4] 国贤玉,李坤,王志勇,李宏宇,杨知. 基于SVM+SFS策略的多时相紧致极化SAR水稻精细分类[J]. 国土资源遥感, 2018, 30(4): 20-27.
[5] 陶婷, 阮仁宗, 岁秀珍, 王玉强, 林鹏. 基于HyMap数据的浮水植被信息提取[J]. 国土资源遥感, 2017, 29(2): 187-192.
[6] 王瑾杰, 丁建丽, 张成, 陈文倩. 基于GF-1卫星影像的改进SWI水体提取方法[J]. 国土资源遥感, 2017, 29(1): 29-35.
[7] 孙宇翼, 赵军利, 王苗苗, 刘勇. 基于J48决策树的面向对象方法的土地覆被信息提取[J]. 国土资源遥感, 2016, 28(4): 156-163.
[8] 鹿丰玲, 巩在武. 基于随机森林算法构建云-云阴影-水体掩模[J]. 国土资源遥感, 2016, 28(3): 73-79.
[9] 张雪红. 基于决策树方法的Landsat8 OLI影像红树林信息自动提取[J]. 国土资源遥感, 2016, 28(2): 182-187.
[10] 杨宇晖, 颜梅春, 李致家, 余青, 陈贝贝. 南方丘陵地区复杂地表“同物异谱”分类处理模型[J]. 国土资源遥感, 2016, 28(2): 79-83.
[11] 胡卫国, 孟令奎, 张东映, 樊志伟, 成建国, 李晓晖. 资源一号02C星图像水体信息提取方法[J]. 国土资源遥感, 2014, 26(2): 43-47.
[12] 盖颖颖, 周斌, 孙元芳, 周燕. 基于HJ-CCD数据的海面溢油提取方法研究[J]. 国土资源遥感, 2014, 26(2): 99-104.
[13] 万剑华, 厉梅, 任广波, 马毅. 基于变化检测的滨海湿地图高效更新方法[J]. 国土资源遥感, 2013, 25(4): 85-90.
[14] 杨曦光, 黄海军, 严立文, 都本绪. 基于决策树方法的海岛土地利用分类研究 [J]. 国土资源遥感, 2012, 24(2): 116-120.
[15] 孙明, 沈渭寿, 谢敏, 李海东, 高菲. 基于光谱特征的雅鲁藏布江源区草地类型识别[J]. 国土资源遥感, 2012, 24(1): 83-89.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发