基于多时相TM图像的耕地信息提取

引用本文

徐超, 詹金瑞, 潘耀忠, 朱文泉. 基于多时相TM图像的耕地信息提取[J]. 国土资源遥感, 2013,25(4): 166-173
XU Chao, ZHAN Jinrui, PAN Yaozhong, ZHU Wenquan. Extraction of cropland information based on multi-temporal TM images[J]. REMOTE SENSING FOR LAND & RESOURCES,2013,25(4): 166-173 复制到剪切板

Permissions

《国土资源遥感》编辑部

基于多时相TM图像的耕地信息提取

徐超¹, 詹金瑞², 潘耀忠³, 朱文泉³

1.中国科学院广州能源研究所,广州 510640

2. 广州市城市规划勘测设计研究院,广州 510060

3.北京师范大学资源学院地表过程与资源生态国家重点实验室,北京 100875

通讯作者:詹金瑞(1983-),男,工程师,主要研究方向为测绘、地图学与GIS研究。E-mail:jensen1005@yahoo.com.cn。

第一作者简介: 徐超(1985-),女,工程师,主要研究方向为资源遥感和GIS。E-mail:xuchao0518@yahoo.cn。

收稿日期: 2013-01-21

基金: 高分辨率对地观测系统重大专项(编号: 234008)

摘要

根据耕地在作物全生长季内光谱特征变化频繁,其他地物光谱特征相对稳定或有规律变化的区别,基于多时相TM图像,结合相关地物的变化检测成果,提出了一种耕地信息提取方法,即首先利用改进的归一化差值水体指数(mordified normalized difference water index,MNDWI)剔除水体,然后利用基于分类后验概率变化向量分析方法剔除其他非耕地植被及人工地面,再利用面积阈值结合众数滤波方法去除噪声,最终得到耕地信息。将该方法在北京市通州区进行试用,总体识别精度达到93.3%,得到的耕地信息对修正原有耕地矢量图上的错分和漏分有重要作用。

关键词: 多时相; 耕地提取; TM图像; 变化向量分析

中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)04-0166-08 doi: 10.6046/gtzyyg.2013.04.27

Extraction of cropland information based on multi-temporal TM images

XU Chao¹, ZHAN Jinrui², PAN Yaozhong³, ZHU Wenquan³

1.Guangzhou Insititue of Energy Conversion, Chinese Academy Science, Guangzhou 510640, China

2.Guangzhou Urban Planning and Design Survey Research Institute, Guangzhou 510060, China

3.State Key Laboratory of Earth Surface Processes and Resource Ecology, College of Resources Science and Technology, Beijing Normal University, Beijing 100875, China

Abstract

This paper proposed a method for extracting cropland based on multi-temporal TM images. Modified normalized difference water index was used to water body extraction; through the change vector analysis of posterior probability space, the information of grassland, artificial surface and woodland was acquired. Cropland result of Tongzhou District of Beijing extracted by the method was assessed by vector data from historical high resolution images. It is shown that the cropland result has high accuracy and can update historical data. Based on precision evaluation, the authors have found that the overall accuracy and Kappa coefficient of classification image are both higher than 90%. The error direction analysis shows that the possibility of cropland omission is small.

Keyword: multi-temporal; cropland information extraction; TM image; change vector analysis

Show Figures

0 引言

我国《县级土地总体规划编制规程》中明确规定: 耕地是“ 种植农作物的土地, 包括开荒地、休闲土地、轮歇地、草田、轮作地, 以种植农作物为主的间有零星果树、桑树或其他树木的土地; 耕种三年以上的滩地和滩涂” ^[1]。随着我国经济建设的飞跃发展和人口的持续增长, 保护和合理利用耕地资源的形势日趋严峻。因此, 采用高新技术手段定期进行耕地的调查与监测, 获取现势性强、精度高的耕地信息, 为各级土地管理部门提供依据是当前一项十分重要而艰巨的任务。

遥感技术以其现势性强以及省时省力等优势, 已被广泛应用于土地利用现状调查和监测。传统的耕地遥感信息提取一般采用人机交互的方法, 如赵庚星采用多时相陆地卫星TM 数据, 采用人机交互式的目视解译和人工修正方法提取耕地信息, 对耕地的动态变化及其驱动力进行了系统研究^[2]; 杜国明等利用ETM, TM以及CBERS-2图像对2000— 2009年三江平原北部耕地变化特征进行了分析, 以人机交互解译方式获得了包括耕地在内的土地利用信息^[3]。由于传统的监督分类方法难以保证精度, 人机交互解译和人工修正方法工作量大, 适应范围有限, 因而近年来结合耕地农作物的种植规律, 利用时间序列数据进行耕地信息提取受到了关注。左丽君等基于MODIS-EVI/NDVI数据, 对河西走廊绿洲中东部样区耕地信息进行了提取^[4]; 吕婷婷等利用MODIS数据提取了泰国耕地信息, 取得了不错效果^[5]。这些研究都是以光谱特征表现多样的耕地为目标地物直接进行提取。

本文在前人研究基础上, 根据耕地特殊的光谱特征, 摒弃单时相或单特征的提取方法, 基于多时相的中分辨率遥感图像, 基于耕地在全生长季内光谱特征变化频繁而其他地物光谱特征相对稳定或有规律性变化的区别, 结合相关地物的变化检测成果, 进行耕地信息提取。

1 研究区概况及数据源

1.1 研究区概况

选择北京市通州区为研究区。该区位于北京市的东南部(E 116° 32~116° 56, N 39° 36~40° 02), 面积907 km², 地处永定河、潮白河冲积平原, 地势平坦开阔, 耕地面积处北京市前列, 是北京农作物种植大区。研究区耕地地块较平整, 同时也分布有局部破碎区, 在耕地信息提取方面具有代表性和典型性。

1.2 数据源及其预处理

以Landsat TM5 多光谱图像为数据源, 选用2006年和2008年可满足不同季节要求的5期数据, 时相分别为2008年3月27日、2008年5月30日、2006年7月12日、2008年8月2日和2006年12月3日。此外, 还采用了北京市行政边界数据、研究区2005年航片(0.4 m空间分辨率), 以及在统一的规范指导下由航片经人工数字化解译得到的耕地矢量数据。

采用ENVI软件FLAASH模块对TM数据进行大气校正, 首先由图像的DN值得到表观辐亮度值, 再得到地物反射率, 完成大气纠正。在几何校正过程中, 首先以从高分辨率图像上得到的矢量数据为基准, 对2008年8月2日的TM图像采用二次多项式方法进行纠正; 再以2008年8月2日的TM图像为参考, 建立地面控制点集(控制点数量不低于20个且空间分布均匀), 采用最邻近法对其他时相数据进行几何精纠正, 保证各个时相数据之间的配准误差均在0.5个像元内。本研究采用的投影坐标系为北京城市坐标系统, 在操作的ENVI, ERDAS软件里均添加了北京城市坐标系统的参数。

2 研究方法

2.1 耕地信息提取

杨小唤等2004年利用野外监测地块及北京5个区县农作物结构调查的数据, 得出了北京地区耕地种植的一般规律^[6], 如表1所示。此外, 耕地中还存在年际有若干闲置月份的撂荒地等多种特殊类型。

表1 北京市耕地种植规律 Tab.1 Crop planting structure of Beijing

从表1可以推知, 耕地的遥感图像特征与种植的农作物密切相关, 而且随季节的变化非常显著。除耕地外研究区的主要地物类型有: 水体、建筑物、道路、城镇未利用地、林地和草地等。这些地类的光谱特征相对稳定或在多时相数据中变化规律明显。因此本研究基于耕地的光谱特征在作物全生长季变化频繁及与其他地物光谱特征间的区别, 采用剔除耕地以外地物的思路与方法提取出耕地信息。表2详细列出了各地物的图像特征。

表2 各地物图像特征 Tab.2 Spectral characteristics of targets

目前, 基于冬春时相的遥感图像, 采用已较为成熟的遥感模型能够高精度地提取水体信息; 而易与耕地混淆的林地、草地等含植被地物类型因各自都有相对稳定的图像特征变化规律, 采用多时相变化检测方法能够将它们与耕地区分; 人工草地、人工地面等图像特征相对稳定, 利用变化检测也能够较准确地将其提取。

2.2 水体信息提取

采用改进的归一化差值水体指数(modified normalized difference water indes, MNDWI)模型提取水体, 因为研究区水塘在夏季有水生植被覆盖, 光谱特征与地表植被相似, 极易与耕地混淆, 故首先基于研究区2008年5月30日的TM图像进行了水体信息提取。

2.3 林地、草地及人工地面信息提取

提取林地、草地、人工地面的技术流程如图1所示。图上, C_20080327代表2008年3月27日TM图像经过SVM分类后得到的植被概率和非植被概率的结果图像数据, 同理于C_20080530, C_20060712, C_20080802和C_20061203; A_{20080530-20080327}为2008年5月30日和2008年3月27日两景TM图像植被概率和非植被概率结果图像之间的变化强度图像, 同理于B_20060712_-_20080530, C_20080802_-_20060712, D_20061203_-_20080802; T_A, T_B, T_C, T_D分别为最终确定的4景变化强度图像的变化阈值。

	Figure Option View Download New Window
	图1 技术流程Fig.1 Technique flow

变化向量分析方法和分类后比较方法都是变化检测中的经典算法^[7]。变化向量是描述从时相1到时相2变化的方向和大小的光谱变化向量, 假设时相1和时相2图像的像元灰度级矢量分别为D=(d₁ , d₂, d₃ , …, d_k), E=(e₁ , e₂, e₃, …, e_k), 则变化向量为

Δ D=D-E= $\begin{matrix} [\begin{matrix} d_{1} - e_{1} \\ d_{2} - e_{2} \\ ︙︙ \\ d_{k} - e_{k} \end{matrix}] \end{matrix}$ ; (1)

两幅图像的变化强度为

(2)

||Δ D||值越大, 表明两幅图像间的变化差异越大。变化向量分析方法就是根据变化强度||Δ D||的大小, 设定阈值, 检测出变化和非变化像元的方法。

采用分类后验概率空间的变化向量分析方法对研究区5个时相的TM数据进行变化检测, 分析出林地、草地以及人工地面信息。分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8, 9, 10, 11, 12]}。将后验概率概括为植被概率和非植被概率, 进而通过变化强度计算, 获得各时相数据间的变化强度图像。根据式2, 得出本研究中变化强度计算公式为

$| | Δ D | | = \begin{matrix} \sqrt[]{(d_{1} - e_{1})^{2} + (d_{2} - e_{2})^{2}} \end{matrix}$ 。 (3)

式中d₁, e₁, d₂ , e₂分别为参加变化检测的数据的植被及非植被后验概率。以2008年3月27日和2008年5月30日两景时相数据为例, d₁ 和d₂分别为3月27日TM图像经过SVM分类后的植被概率和非植被概率; e₁和e₂分别为5月30日TM图像经过SVM分类后的植被概率和非植被概率。各时相数据进行变化向量分析后得到时相数据间的变化强度图像即差异图像。针对变化强度图像进行分析, 确定变化阈值。变化阈值的确定同样是变化向量分析中的关键步骤, 也是变化向量分析方法提出以来的难点, 它实际上是在变化强度图像上进行变化和非变化分类的重要判别依据。陈晋等提出的双窗口变步长阈值判断方法需要人工手动选取训练样本, 判断效果依赖训练样本的选取好坏^[13]。采用前人研究成果提出的效果较好且检测变化率高的“ KSW熵阈值判断法” , 结合本研究所做的基于密度分割的目视判断结果, 来确定最佳阈值。KSW算法原理^{[14, 15, 16]}为: 根据熵的概念, 灰度范围在[0, L-1]的图像, 其熵为

H=- $\begin{matrix} \overset{L - 1}{\sum_{i = 0}} \end{matrix}$ P_ilnP_i。(4)

式中P_i为灰度级i出现的概率。设有阈值t将差异图像划分为变化和没变化两类, 分别记为ω _c及ω _u, 设P_t= $\begin{matrix} \overset{t}{\sum_{i = 0}} \end{matrix}$ P_i, 则[0, t]和[t+1, L-1]的分布分别为

ω _u: $\begin{matrix} \frac{P_{0}}{P_{t}} \end{matrix}$ , $\begin{matrix} \frac{P_{1}}{P_{t}} \end{matrix}$ , …, $\begin{matrix} \frac{P_{t}}{P_{t}} \end{matrix}$ , (5)

ω _c: $\begin{matrix} \frac{P_{t + 1}}{1 - P_{t}} \end{matrix}$ , $\begin{matrix} \frac{P_{t + 2}}{1 - P_{t}} \end{matrix}$ , …, $\begin{matrix} \frac{P_{L - 1}}{1 - P_{t}} \end{matrix}$ 。 (6)

二者对应的熵分别为

H_u(t)=- $\begin{matrix} \overset{t}{\sum_{i = 0}} \end{matrix} \begin{matrix} \frac{P_{i}}{P_{t}} \end{matrix}$ ln $\begin{matrix} \frac{P_{i}}{P_{t}} \end{matrix}$ =- $\begin{matrix} \frac{1}{P_{t}} \end{matrix} \begin{matrix} \overset{t}{\sum_{i = 0}} \end{matrix}$ (P_ilnP_i-P_ilnP_t)=lnP_t+H_t/P_t, (7)

H_c(t)=- $\begin{matrix} \overset{L - 1}{\sum_{i = t + 1}} \end{matrix} \begin{matrix} \frac{P_{i}}{1 - P_{t}} \end{matrix}$ ln $\begin{matrix} \frac{P_{i}}{1 - P_{t}} \end{matrix}$ =- $\begin{matrix} \frac{1}{1 - P_{t}} \end{matrix} \begin{matrix} [\overset{L - 1}{\sum_{i = t + 1}} P_{i} \ln P_{i} - (1 - P_{t}) \ln (1 - P_{t})] \end{matrix}$ =ln(1-P_t)+ $\begin{matrix} \frac{H - H_{t}}{1 - P_{t}} \end{matrix}$ 。 (8)

差异图像的熵H(t)为H_u(t)与H_c(t)之和, 即

H(t)=lnP_t(1-P_t)+ $\begin{matrix} \frac{H_{t}}{P_{t}} \end{matrix}$ + $\begin{matrix} \frac{H - H_{t}}{1 - P_{t}} \end{matrix}$ 。 (9)

最佳阈值即为使H(t)最大时的t值。

3 结果与分析

3.1 变化阈值确定及方向判断

对研究区5景多时相TM数据进行变化向量分析, 得到两时相之间的变化强度图像A_20080530_-_20080327, B_20060712_-_20080530, C_20080802_-_20060712, 和D_20061203_-_20080802; 运用IDL程序实现KSW算法, 对各变化强度图像进行运算, 得到的阈值分别为0.72, 0.68, 0.66和0.86。目视判断KSW最大熵方法阈值的检测效果, 对效果不满意的阈值, 再进行基于等密度分割的目视判断, 以求获得最佳判断效果。以A_{20080530-20080327}为例, 说明结合目视判断, 利用ENVI软件的Density slice功能对变化强度图像进行等密度分割的情况(图2)。

	Figure Option View Download New Window
	图2 基于等密度分割的目视判断Fig.2 Visual interpretation based on equidensite slice

图2(a)为A_{20080530-20080327}, 利用ENVI软件对其进行了等密度分割。确定KSW最大熵方法阈值为0.72, 对密度分割范围进行取舍(图2(b))。在挑选的密度分割范围, 结合变化强度图像以及3月27日与5月30日的原始图像, 进行全区多范围的目视判断, 反复试验, 确定出更为准确的阈值为1.02。最终得到各变化强度图像A_20080530_-_20080327, B_20060712_-_20080530, C_20080802_-_20060712和D_20061203_-_20080802的阈值分别为1.02, 1.20, 1.06和0.86。根据阈值划分得到变化和未变化的结果, 对应图1技术路线图, 组合结果即得到人工地面信息。

林地及自然草地在A_{20080530-20080327}上变化方向是从枯黄植被或非植被到绿色植被, 而在D_{20061203-20080802}上变化方向则是从植被到枯黄植被或非植被。利用两期图像的植被后验概率的差值可以体现变化方向, 将方向判断加入到提取的林地及自然草地结果中, 有助于林地及自然草地的提取。以D_{20061203-20080802}为例, 提取林地及自然草地需要的规律为8月2日的绿色植被转成12月3日的枯黄植被或非植被, 而从图3中红框标出范围可以看出该处是从非植被(图3(c))转换成绿色植被(图3(d))的变化。这种变化显然与上述规律不符, 所提取的信息不是我们需要的林地及自然草地信息(图3(a))。加入方向判断后, 这一方向变化所显示的错误信息就被去除了(图3(b))。图3(a)与图3(b)中墨绿色为林地和自然草地分布区, 黑色为其他地物分布区; 图3(c)与图3(d)中绿色为绿色植被分布区。

	Figure Option View Download New Window
	图3 加入方向判断变化像元图像前后对比Fig.3 Comparison of change image between directional and non-directional analysis

3.2 变化信息划分精度评估

对上述水体、林地、草地和人工地面信息的提取结果需进行精度评估, 如果精度满足要求则进行耕地提取, 否则返回阈值判断过程。在得到的各差异图像的判别结果图上, 变化和非变化两个类别各随机采取80个样点, 进行目视解译, 得到各混淆矩阵(表3)。

表3 混淆矩阵及精度结果 Tab.3 Mix matrix and accuracy results

由表3可以看出, 各强度变化图像划分变化及非变化信息结果能够满足耕地提取需要。

3.3 耕地提取结果

以2008年8月2日图像为基础, 将提取出的水体、林地、人工地面、草地信息用掩模的方式去除, 再采用图斑面积计算及众数滤波相结合的方法进行噪声去除及耕地图斑内孤立像元补充的处理。首先对含有噪声的耕地图像利用Erdas软件的聚类统计功能, 计算各斑块的面积, 反复对比耕地图像, 尤其针对研究区西南角的破碎耕地地块进行目视判断, 最终确定面积阈值为9 000, 即10个TM像元的面积, 将含噪声耕地图像上孤立的斑点及噪声斑块去除; 在此基础上, 再利用一次3像元× 3像元窗口的众数滤波方法对耕地斑块内孤立空白像元进行了补充, 最后得到耕地分布结果。

3.4 精度评价

3.4.1 与历史数据目视对比

对2005年研究区高分辨率航片(0.4 m分辨率)进行解译和人工数字化, 得到用于对比验证的历史耕地矢量数据。将本研究获得的耕地结果与其对比后发现, 两者的大范围基本一致, 发现历史耕地矢量数据中耕地地块存在漏分及错分现象, 而本文提取的耕地结果从目视上判断, 更具有准确性和现势性, 能够对历史耕地地块进行及时补充和更新。图4为局部地段两者对比示意图, 图4(a), (b), (c)最左列小图中的箭头所指处为漏分或错分的位置。图上从左至右分别为: 耕地提取结果(白色为耕地范围, 黑色为其他地类范围)叠加历史耕地矢量数据(红色线条), TM_20080327, TM_20080530, TM_20060712, TM_20080802和TM_200612035个时相的TM数据, 均为7, 4, 3波段组合。

	Figure Option View Download New Window
	图4-1 耕地结果与历史耕地矢量数据对比Fig.4-1 Comparison of plow land results and history

	Figure Option View Download New Window
	图4-2 耕地结果与历史耕地矢量数据对比Fig.4-2 Comparison of plow land result and history

3.4.2 地物分类图精度评价

将提取的耕地结果以及提取出的水体, 变化检测出的人工地面和人工草地、林地和自然草地, 组合得到地物类型分布图(图5), 然后对分布图进行评估。

	Figure Option View Download New Window
	图5 地物类型分布Fig.5 Classification image

检验样本来源于对TM数据集的概率采样。Congalton曾经建议精度评价每个类别至少有50个样本, 当区域很大或者分类类别较多时, 每个类别至少需要75~100个样本^[17]。本研究通过对5个时相的综合判断分析, 采用分层采样的方法, 对每个类别提取了超过120个样本, 以对地物类型分类结果进行客观的精度评估。精度计算结果如表4所示。

表4 精度计算结果 Tab.4 Accuracy result(%)

分类总体精度和Kappa系数均达到90%以上, 表明整体结果可靠性高。其中, 耕地的产品精度为87.3%, 用户精度100%, 其他地物类型的产品精度都在95%左右。

从表4中可以看出水体的用户精度与产品精度相等, 说明水体的分类结果数量接近真实值; 而人工地面、人工草地以及林地(包含自然草地)的用户精度均小于产品精度, 表明分类得出的数量小于真实值, 其中人工地面及人工草地的产品精度远小于用户精度, 两者之间的差距达到11.2%, 远高于林地(包含自然草地)的1.6%; 耕地是地物类别中唯一的用户精度大于产品精度的地类, 说明提取的耕地结果大于真实值。从耕地提取方法出发, 耕地结果是在去除其他地物基础上得到的, 人工地面、人工草地以及林地小于真实值必然导致得到的耕地结果大于真实值。

4 结论

1)本文提出的耕地提取方法具有可行性, 提取出的耕地结果具有现势性和较高的准确性, 能够修正历史耕地矢量数据中的地块错分、漏分问题以达到更新。将该方法应用于北京市通州区的结果表明, 地物类型分类图的总体精度及Kappa系数分别为93.3%和91.0%, 均在90%以上, 其中, 耕地结果获得了87.3%的产品精度以及100%的用户精度。

2)通过对误差方向判断分析得知, 本研究人工地面、人工草地以及林地提取结果略小于真实值, 而耕地提取结果则大于耕地真实值。这是由于本文方法得到的耕地结果是在剔除人工地面、人工草地等其他地物基础上获得的。这表明, 要提高研究区耕地结果的准确性, 尤其应从人工地面及人工草地的高精度提取着手。

本文利用了不同年份的多时相数据, 相对同一年份内的数据, 增加了地物变化的不确定性, 相信如果数据齐全, 用同一年份的数据结果会更好。水田占有一定比重的南方耕地信息提取将是下一步研究考虑的重点。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	邹玉川. 全国耕地保护工作全书[M]. 北京: 中国农业科学技术出版社, 2002. Zou Y C. Encyclopedia of cultivated land protection work throughout the country[M]. Beijing: China Agricultural Science and Farming Techniques Press, 2002. [本文引用:1]
[2]	赵庚星, Ge L. 基于TM数字图像的耕地变化检测及其驱动力分析[J]. 农业工程学报, 2004, 20(1): 298-301. Zhao G X, Ge L. TM digital image based cultivated land change detection and driving force analysis in Kenli County of the Yellow River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(1): 298-301. [本文引用:1] [CJCR: 2.121]
[3]	杜国明, 李昀, 于凤荣, 等. 基于遥感的2000—2009 年三江平原北部耕地变化特征分析[J]. 农业工程学报, 2012, 28(1): 225-229. Du G M, Li Y, Yu F R, et al. Change characteristics analysis of farmland in Northern Sanjiang Plain in 2000—2009 based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(1): 225-229. [本文引用:1] [CJCR: 2.121]
[4]	左丽君, 张增祥, 董婷婷, 等. MODIS/NDVI 和MODIS/EVI在耕地信息提取中的应用及对比分析[J]. 农业工程学报, 2008, 24(3): 167-172. Zuo L J, Zhang Z X, Dong T T, et al. Application of MODIS/NDVI and MODIS EVI to extracting the information of cultivated land and comparison analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(3): 167-172. [本文引用:1] [CJCR: 2.121]
[5]	吕婷婷, 刘闯. 基于MODIS数据的泰国耕地信息提取[J]. 农业工程学报, 2010, 26(2): 244-230. Lyu T T, Liu C. Extraction of information of cultivated land using time-series MODIS data in Thailand [J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 244-230. [本文引用:1] [CJCR: 2.121]
[6]	杨小唤, 张香平, 江东. 基于MODIS时序NDVI特征值提取多作物播种面积的方法[J]. 资源科学, 2006, 26(6): 17-22. Yang X H, Zhang X P, Jiang D. Extraction of multi-Crop planting areas from MODIS data[J]. Resources Science, 2006, 26(6): 17-22. [本文引用:1] [CJCR: 2.068]
[7]	Jensen J R. Introductory digital image processing: A remote sensing perspective[M]. New Jersey: Prentice Hall Logicon Geodynamics, Inc. , 1996. [本文引用:1]
[8]	Cortes C, Vapnik V. Support-Vector networks[J]. Machine Learning, 1995, 20(3): 273-297. [本文引用:1] [JCR: 1.689]
[9]	张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42. Zhang X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 32-42. [本文引用:1] [CJCR: 1.64]
[10]	卢柳叶, 李光录, 张莉, 等. 基于TM影像的半干旱区土地利用信息提取——以山西省定襄县为例[J]. 干旱地区农业研究, 2012, 30(1): 217-223. Lu L Y, Li G L, Zhang L, et al. TM image-based land use information extraction in semi-arid region A case study of Dingxiang County of Shanxi Province[J]. Agricultural Research in the Arid Areas, 2012, 30(1): 217-223. [本文引用:1] [CJCR: 0.942]
[11]	张锦水, 何春阳, 潘耀忠, 等. 基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]. 遥感学报, 2006, 10(1): 49-57. Zhang J S, He C Y, Pan Y Z, et al. The high spatial resolution RS image classification based on SVM method with the multi-source data[J]. Journal of Remote Sensing, 2006, 10(1): 49-57. [本文引用:1] [CJCR: 1.077]
[12]	张伐伐, 李卫忠, 卢柳叶, 等. SVM多窗口纹理土地利用信息提取技术[J]. 遥感学报, 2012, 16(1): 73-78. Zhang F F, Li W Z, Lu L Y, et al. Technologies of extracting land utilization information based on SVM method with multi-window texture[J]. Journal of Remote Sensing, 2012, 16(1): 73-78. [本文引用:1] [CJCR: 1.077]
[13]	陈晋, 何春阳, 史培军, 等. 基于变化向量分析的土地利用/覆盖变化动态监测(I)——变化阈值的确定方法[J]. 遥感学报, 2001, 5(4): 259-266. Chen J, He C Y, Shi P J, et al. Land use/cover change detection with change vector analysis (CVA): Change magnitude threshold determination[J]. Journal of Remote Sensing, 2001, 5(4): 259-266. [本文引用:1] [CJCR: 1.077]
[14]	马国锐, 李平湘, 秦前清. 基于融合和广义高斯模型的遥感影像变化检测[J]. 遥感学报, 2006, 10(6): 847-853. Ma G R, Li P X, Qin Q Q. Based on fusion and GGM change detection approach of remote sensing images[J]. Journal of Remote Sensing, 2006, 10(6): 847-853. [本文引用:1] [CJCR: 1.077]
[15]	Kittler J, Illimgworth J. Minimum error thresholdding[J]. Pattern Recognition, 1986, 19(1): 41-47. [本文引用:1] [JCR: 2.584]
[16]	佃袁勇. 基于遥感影像的变化检测研究[D]. 武汉: 武汉大学, 2005. Dian Y Y. Research on change detection in remote sensing imagery[D]. Wuhan: Wuhan University, 2005. [本文引用:1] [CJCR: 0.2893]
[17]	Congalton R G. A Review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37: 35-46. [本文引用:1] [JCR: 4.769]
[18]	朱秀芳. 中分辨率遥感影像作物识别精度影响研究[D]. 北京: 北京师范大学, 2007. Zhu X F. A study on the effects of crop extraction accuracy based on Medium-Resolution image[D]. Beijing: Beijing Normal University, 2007. [本文引用:1] [CJCR: 1.035]
[19]	梅安新, 彭望琭, 秦其明, 等. 遥感导论[M]. 北京: 高等教育出版社, 2001. Mei A X, Peng W L, Qin Q M, et al. Introduction to remote sensing[M]. Beijing: High Education Press, 2001. [本文引用:1]
[20]	Mcfeeters S K. The use of the normalized difference water index(NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425-1432. [本文引用:1]
[21]	徐涵秋. 利用改进的归一化差异水体指数提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595. Xu H Q. A study on Information Extraction of Water Body with the Modified Normalized Difference Water Index(MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. [本文引用:1] [CJCR: 1.077]
[22]	Chen X H, Chen J, Shen M G, et al. Land -use/land -cover change detection using change-vector analysis in posterior probability space[J]. Proceedings SPIE, 2008, 7144. doi: DOI:10.117/12.812671. [本文引用:1]

2002

0.0

邹玉川. 全国耕地保护工作全书[M]. 北京: 中国农业科学技术出版社, 2002.

Zou Y

Encyclopedia of cultivated land protection work throughout the country[M]. Beijing: China Agricultural Science and Farming Techniques Press, 2002.

本书包括：国土资源与土地资源；国土资源行政管理；耕地与耕地保护；耕地保护工作政策研究与宏观调控等内容。

... ^[1] ...

2004

0.0

2.121

赵庚星, Ge

基于TM数字图像的耕地变化检测及其驱动力分析[J]. 农业工程学报, 2004, 20(1): 298-301.

Zhao G

, Ge

TM digital image based cultivated land change detection and driving force analysis in Kenli County of the Yellow River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(1): 298-301.

... 传统的耕地遥感信息提取一般采用人机交互的方法,如赵庚星采用多时相陆地卫星TM 数据,采用人机交互式的目视解译和人工修正方法提取耕地信息,对耕地的动态变化及其驱动力进行了系统研究^[2] ...

2012

0.0

2.121

... 2009年三江平原北部耕地变化特征进行了分析,以人机交互解译方式获得了包括耕地在内的土地利用信息^[3] ...

2008

0.0

2.121

左丽君, 张增祥, 董婷婷, 等. MODIS/NDVI 和MODIS/EVI在耕地信息提取中的应用及对比分析[J]. 农业工程学报, 2008, 24(3): 167-172.

Zuo L

, Zhang Z

, Dong T

, et al. Application of MODIS/NDVI and MODIS EVI to extracting the information of cultivated land and comparison analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(3): 167-172.

MODIS植被指数数据是区域土地利用信息提取的重要数据源.为了对比MODIS两种主要植被指数(NDIV、EVI)在耕地信息提取中的应用,采用通过时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS),对2006年全年MODIS 16天250m的NDVI和EVI时间谱数据进行了重构,从而进行了河西走廊绿洲中东部样区一系列耕地信息的提取实验,包括耕地、休耕地识别以及耕地复种指数、作物种类提取.在此基础上,对MODIS的NDVI与EVI数据的应用进行了对比分析.结果显示:(1)利用傅立叶谐波变换得到的EVI和NDVI时间谱曲线的谐波余项及谐波振幅对耕地进行识别,从识别精度来看,EVI要优于NDVI,识别精度分别为97.17%和95.99%,Kappa系数分别达到0.7938和0.6518;(2)通过计算时间序列曲线的波峰数能够提取耕地的复种指数,并且在EVI和NDVI曲线波峰阈值分别设为0.20和0.25时,休耕地能较为准确地被识别出来;(3)通过提取作物生长期内曲线的Ⅵ最大增长速率时间点以及峰值时间点等信息,作物种类能被初步识别,并且EVI较NDVI具有更强的识别能力.

... 左丽君等基于MODIS-EVI/NDVI数据,对河西走廊绿洲中东部样区耕地信息进行了提取^[4] ...

2010

0.0

2.121

吕婷婷, 刘闯. 基于MODIS数据的泰国耕地信息提取[J]. 农业工程学报, 2010, 26(2): 244-230.

Lyu T

, Liu

Extraction of information of cultivated land using time-series MODIS data in Thailand [J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 244-230.

The difference and the complementariness on the agriculture decide that there is a wide-ranging cooperation on agriculture between China and ASEAN. So the research on ASEAN's agriculture has important significance. In order to acquire the cultivated land related information in Thailand, time-series MODIS data were used in this paper. Firstly, the 250 m cultivated land map was generated by using time-series NDVI data. Then the cropping intensity map was acquired by determining how many peaks were detected in the smoothed NDVI pro?le on a pixel-by-pixel basis, which then served as a mask to extract crop types in different cropping intensity regions. The results showed that the main land use type in the study area was cultivated land, most of which were dominated by rice. Double or triple rice-cropping system was commonly employed in the Chao Phraya Basin. Upland crops were mainly distributed in the high alluvial terraces of the Chao Phraya Basin. Because Khorat Plateau in the northeast of Thailand often have water shortage problem, particularly in the dry season, which can just support only one crop in a year. However, some upland areas can be cultivated twice a year with crops which have short growing seasons. The crop information extracted from MODIS data sets were assessed by CBERS data, statistic data. It was shown that MODIS derived information related to cultivated land coincided well with the statistic data at the provincial level. At the same time, information extracted by MODIS data sets and CBERS were compared with each other which also showed similar spatial patterns.

农业是中国和多数东盟国家的基础产业，加深对东盟国家农业生产信息的认识，可以为中国与东盟的农业合作提供科学的决策参考，促进合作的健康发展。该文选取了世界上重要的水稻种植地之一的泰国作为研究对象，应用时间序列MODIS数据以及CBERS-02B数据、实测和统计等辅助数据，进行了泰国耕地信息的提取研究。该文采用的技术流程首先根据时间序列归一化植被指数数据，采用排除法提取出研究区耕地范围；其次采用探测峰值的方法确定农作物的熟制，根据熟制分区进行作物类型识别。结果表明：水稻是泰国主要的农作物类型，集中分布在湄南河流域和呵叻高原地区；旱地作物主要分布在湄南河流域边缘的中高台地地区；一年一熟的种植方式集中分布在东北部的呵叻高原；一年两熟的种植方式集中分布在湄南河流域，又可以划分为水田多熟系统和旱地多熟系统；一年三熟的种植方式也集中分布在湄南河流域地区，种植面积很小且多为水田多熟系统。在精度验证中，将CBERS-02B数据提取结果与MODIS提取结果进行空间比对，二者具有非常相似的空间分布特征。分省统计结果与遥感反演结果也具有较好的相关性。证明了MODIS数据以及该研究采用的方法在耕地信息提取中的有效性，为耕地信息的遥感提取研究提供了参考方法。

... 吕婷婷等利用MODIS数据提取了泰国耕地信息,取得了不错效果^[5] ...

2006

0.0

2.068

杨小唤, 张香平, 江东. 基于MODIS时序NDVI特征值提取多作物播种面积的方法[J]. 资源科学, 2006, 26(6): 17-22.

Yang X

, Zhang X

, Jiang

Extraction of multi-Crop planting areas from MODIS data[J]. Resources Science, 2006, 26(6): 17-22.

One of the major problems in crop monitoring study is to extract planting areas and their spatial distribution automatically. This paper presents an automatic approach to planting area extraction for mixed planting crops (winter wheat, spring maize, summer maize, and soybean) using moderate spatial resolution and high temporal resolution MODIS data around Beijing, China. With a spatial resolution of 250 meters, band 1 and band 2 of MODIS data in red and near-infrared spectral regions can be used for dynamic monitoring of crops. NDVI values increase with the growth of the crops, and gradually decrease after reaching the maximum at a certain growth stage of the crops. Because different crops have different growth stages, the NDVI peak values and their occurrences can be different. After investigating the planting structure of the main crops and analyzing the NDVI values of different crops from mid-March to mid-November of 2002 in Beijing, following results are obtained: a. NDVI value of winter wheat is higher than other objects in the end of March, and its maximum appears in the beginning of May; b. maximum value of spring maize NDVI appears in the beginning of August; c. maximum value of summer maize NDVI appears in the middle of August; d. maximum value of bean NDVI appears also in the beginning of August, but it can be recognized from spring maize by the growth stage. Spring maize is a single-season crop; whenas bean is a double-season crop. So the temporal changes of NDVI profiles were obtained. In corporation with 1:100,000 scale landuse data of Beijing, the planting areas of winter wheat, spring maize, summer maize and bean were extracted from MODIS data, and the total accuracy is over 95%. In this research, multiple-phase MODIS data were received during main growing seasons and preprocessed; NDVI temporal profiles of main crop types were generated; models for planting areas extraction were developed based on the analysis of temporal NDVI profiles; and spatial distribution map of planting areas of winter wheat, maize and soybean in Beijing in 2002 were created. The study suggests that it is possible to extract planting areas automatically from MODIS data for large areas. Accuracy analysis showed that the results are highly reliable, especially in plain areas.

MODIS数据的1、2波段是具有250米空间分辨率的红和近红外波段，并具有较高的时间分辨率，可对农作物进行动态跟踪监测。随着农作物的生长，NDVI值逐渐增大，并在一定生育期达到最大值后开始下降。由于不同作物具有不同的生育期，NDVI峰值的大小、出现的时间各不相同。通过对北京市主要农作物的种植结构调查和3月中旬到11月上旬的不同作物的NDVI值采样分析，得出：①冬小麦NDVI值3月下旬相对较高， 5月上旬最大；②春玉米的NDVI峰值出现于8月上旬；③夏玉米的NDVI峰值出现于8月中旬；④大豆的NDVI峰值也出现在8月中上旬，可通过物候历与春玉米区分开来（春玉米是单季作物，大豆是双季作物），通过峰值大小与夏玉米区分开来。结合北京市1：10万土地利用数据，通过NDVI值时序变化规律从MODIS数据中提取了冬小麦、春玉米、夏玉米、大豆等作物的种植面积，总体精度达到95%以上。

... 1 耕地信息提取杨小唤等2004年利用野外监测地块及北京5个区县农作物结构调查的数据,得出了北京地区耕地种植的一般规律^[6],如表1所示 ...

1996

0.0

... 变化向量分析方法和分类后比较方法都是变化检测中的经典算法^[7] ...

1995

1.689

0.0

... 分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8,9,10,11,12]} ...

2000

0.0

1.64

张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42.

Zhang X

Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 32-42.

Data-based machine learning covers a wide range of topics from patternrecognition to function regression and density estimation. Most of the existingmethods are based on traditional statistics, which provides conclusion only for thesituation where sample size is tending to infinity. So they may not work in practicalcases of limited samples. Statistical Learning Theory or SLT is a small-samplestatistics by Vapnik et al. , which concerns mainly the statistic principles when samplesare limited, especially the properties of learning procedure in such cases. SLTprovides us a new framework for the general learning problem, and a novel powerfullearning method called Support Vector Machine or SVM, which can solve small-samplelearning problems better. It is believed that the study of SLT and SVM isbecoming a new hot area in the field of machine learning. This review introduces thebasic ideas of SLT and SVM, their major characteristics and some current researchtrends.

模式识别、函数拟合及概率密度估计等都属于基于数据学习的问题,现有方法的重要基础是传统的统计学,前提是有足够多样本,当样本数目有限时难以取得理想的效果.统计学习理论(SLT)是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.SLT为机器学习问题建立了一个较好的理论框架,也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.目前,SLT和SVM已成为国际上机器学习领域新的研究热点.本文是一篇综述,旨在介绍SLT和SVM的基本思想、特点和研究发展现状,以引起国内学者的进一步关注.

... 分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8,9,10,11,12]} ...

2012

0.0

0.942

... 分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8,9,10,11,12]} ...

2006

0.0

1.077

张锦水, 何春阳, 潘耀忠, 等. 基于SVM的多源信息复合的高空间分辨率遥感数据分类研究[J]. 遥感学报, 2006, 10(1): 49-57.

Zhang J

, He C

, Pan Y

, et al. The high spatial resolution RS image classification based on SVM method with the multi-source data[J]. Journal of Remote Sensing, 2006, 10(1): 49-57.

The RS miage shows a very promising perspective forurban land-coverand land-use classification,\nparticularlywith very high resolution(1―4m) satellite mi ages, while the traditional extractionmethods of the\nhigh spatial resolution mi age has the shortcomings of the low accuracy and classification efficiency. This paper\ndealswith the high spatial resolution mi age(IKONOS) classification based on the SVM method integrating the\ninformation of spectra,l texture and structure. And comparing to the results based onMaxmi um Likelihood and\nSVMmethodwith single-source data, this shows thatthe high spatial resolutionRS mi age classification based on\nSVMMethod with multi-source data can solve the mi age classification fragmentation which is based on the\nsingle-source data, spectrum, and has the good generalization ability with the high dmi ension vector. It has\nmore accuration than themaxmi um likelihoodmethod and SVM based on the single source data, adapts to the\nhigh spatial resolution RS Image classification.

遥感图像尤其是高空间分辨率（1―4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。

... 分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8,9,10,11,12]} ...

2012

0.0

1.077

张伐伐, 李卫忠, 卢柳叶, 等. SVM多窗口纹理土地利用信息提取技术[J]. 遥感学报, 2012, 16(1): 73-78.

Zhang F

, Li W

, Lu L

, et al. Technologies of extracting land utilization information based on SVM method with multi-window texture[J]. Journal of Remote Sensing, 2012, 16(1): 73-78.

In order to overcome the problem of fragmentation of ground objects and low accuracy in the single window texture classification, we present a new method of classification using SVM based on multi-window texture, using the Changjiaoba town of Foping county in Shaanxi Province as the test area. First we established the SVM classification model combined with texture analysis based on texture extraction from SPOT 5 remote sensing image. Then we used the model to classify and analyze the types of land use in the area by comparing it with single window texture classification and single data source (spectrum) SVM classification. The research result showed an overall accuracy for multi-window texture classification of 85.33%, which was 13.11% higher than the single window texture classification and 24.10% than single data source (spectrum) SVM. Therefore, we conclude that the method is effective and could solve the problem of fragmentation of ground objects and low accuracy in the single window texture classification.

针对单一窗口纹理分类时地物破碎，分类精度不高等问题，提出了一种基于支持向量机多窗口纹理的遥感图像分类方法。该方法在对SPOT 5遥感影像进行纹理特征提取的基础上，构建了结合多窗口纹理的SVM模型。以陕西省佛坪县长角坝乡为试验区，利用此模型对该区域的土地利用类型进行分类研究，并将分类结果与单一窗口纹理SVM分类和单元数据(光谱)SVM分类结果进行了比较分析。结果表明：多窗口纹理参与的土地利用分类总精度达到85.33%，比单一窗口纹理分类提高了13.11%，而与单元数据SVM分类相比提高了近24.10%，取得了较好的分类效果，有效地解决了单一窗口纹理分类时地物破碎、分类精度不高等问题。

... 分类后验概率可以通过支持向量机(SVM)分类方法获得^{[8,9,10,11,12]} ...

2001

0.0

1.077

陈晋, 何春阳, 史培军, 等. 基于变化向量分析的土地利用/覆盖变化动态监测(I)——变化阈值的确定方法[J]. 遥感学报, 2001, 5(4): 259-266.

Chen

, He C

, Shi P

, et al. Land use/cover change detection with change vector analysis (CVA): Change magnitude threshold determination[J]. Journal of Remote Sensing, 2001, 5(4): 259-266.

Change Vector Analysis (CVA) is a valuable approach for land use/cover change detection, in which how to determine change magnitude threshold and change direction reasonably is already becoming an obstacle for its widely use. Therefore, a new method named Double Windows Flexible Pace Searching is proposed in this paper aimed at determning change magnitude threshold reasonably and efficiently. As a result from the case study in Haidian District, Beijing, the accuracy of change detection is obtained about 87%, which indicates that the Double Windows Flexible Pace Searching method has potential utility in Change Vector Analysis for land use/cover change detection.

本文以北京市海淀区为例，把变化向量分析方法引进到了当前国内的土地利用／覆盖变化监测中，针对变化向量分析方法中变化阈值确定的难题，提出了一种双窗口变步长阈值搜寻的新方法，从海淀区的实例研究结果看，变化的检测精度可以达到87％以上，表明变化向量分析法在解决阈值问题后，确实可以有效地提取土地利用／覆盖变化信息。

... 陈晋等提出的双窗口变步长阈值判断方法需要人工手动选取训练样本,判断效果依赖训练样本的选取好坏^[13] ...

2006

0.0

1.077

马国锐, 李平湘, 秦前清. 基于融合和广义高斯模型的遥感影像变化检测[J]. 遥感学报, 2006, 10(6): 847-853.

Ma G

, Li P

, Qin Q

Based on fusion and GGM change detection approach of remote sensing images[J]. Journal of Remote Sensing, 2006, 10(6): 847-853.

This paper presents a change detection approach of remote sensing images based on fusion and general Gauss model(GGM).This method constructs difference image by fusing the results of subtraction operation and division operation,then,processes difference image by gray morphology,again,estimates the probability density of change pixels and no-change pixels by GGM,finally,calculates the optimal threshold by the improved KI approach and extracts the changed regions.Experiments show that the method of fusion and GGM is solid and efficacious,which has preferable application value.

提出了一种基于融合和广义高斯模型的遥感影像变化检测算法。该算法融合差值影像和比值影像的结果构造差异影像，然后运用灰度形态学对差异影像进行顾及空间邻域关系的处理，再对处理后的结果运用广义高斯分布模型估计变化与非变化像元的概率密度参数，最后采用改进的KI算法计算最佳分割阈值，提取变化区域。实验结果表明，所提出的变化检测算法稳健、高效，具有较大的实用价值。

... KSW算法原理^[14,15,16]为: 根据熵的概念,灰度范围在[0,L-1]的图像,其熵为 ...

1986

2.584

0.0

... KSW算法原理^[14,15,16]为: 根据熵的概念,灰度范围在[0,L-1]的图像,其熵为 ...

2005

0.0

0.2893

佃袁勇. 基于遥感影像的变化检测研究[D]. 武汉: 武汉大学, 2005.

Dian Y

Research on change detection in remote sensing imagery[D].

Wuhan: Wuhan University, 2005.

... KSW算法原理^[14,15,16]为: 根据熵的概念,灰度范围在[0,L-1]的图像,其熵为 ...

1991

4.769

0.0

... Congalton曾经建议精度评价每个类别至少有50个样本,当区域很大或者分类类别较多时,每个类别至少需要75~100个样本^[17] ...

2007

0.0

1.035

朱秀芳. 中分辨率遥感影像作物识别精度影响研究[D]. 北京: 北京师范大学, 2007.

Zhu X

A study on the effects of crop extraction accuracy based on Medium-Resolution image[D].

Beijing: Beijing Normal University, 2007.

2001

0.0

1996

0.0

2005

0.0

1.077

徐涵秋. 利用改进的归一化差异水体指数提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595.

Xu H

A study on Information Extraction of Water Body with the Modified Normalized Difference Water Index(MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595.

A modified normalized difference water index(MNDWI) has been proposed in this paper based on the normalized difference water index(NDWI) of Mcfeeters (1966), which uses MIR(TM5) instead of NIR(TM4) to construct the MNDWI. The MNDWI has been tested in the ocean, lake and river areas with the background of built-up lands and/or vegetated lands, and with both clean and polluted water bodies using Landsat TM/ETM imagery. This reveals that the MNDWI can significantly enhance the water information, especially in the area mainly with built-up land as background. The MNDWI can depress the built-up land information effectively while highlighting water information, and accurately extract the water body information from the study areas. While the enhanced water information using the NDWI always has been mixed with built-up land noise and the area of a water body extracted based on the index is thus overestimated. Therefore, the NDWI is not suitable for enhancing and extracting water information in built-up land-dominated areas. Furthermore, the MNDWI can reveal subtle features of water more efficiently than the NDWI or other visible spectral bands do due largely to its wider dynamic data range. The application of the MNDWI in the Xiamen image has achieved an excellent result. The MNDWI image successfully reveals significant non-point pollution of the water surrounding the Xiamen Island due to agricultural activities. In addition, taking the advantage of the ratio computation, the MNDWI can remove shadow noise from water information without using sophisticated procedures, which is otherwise difficult to be removed.

在对M cfeeters提出的归一化差异水体指数(NDWI)分析的基础上,对构成该指数的波长组合进行了修改,提出了改进的归一化差异水体指数MNDWI(M odified NDWI),并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比NDWI好的效果,特别是提取城镇范围内的水体。NDWI指数影像因往往混有城镇建筑用地信息而使得提取的水体范围和面积有所扩大。实验还发现MNDWI比NDWI更能够揭示水体微细特征,如悬浮沉积物的分布、水质的变化。另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题。

2008

0.0