国土资源遥感, 2018, 30(4): 176-181 doi: 10.6046/gtzyyg.2018.04.26

基于面向对象法艾比湖卤虫信息提取

李微1,2, 刘伟男1, 贾越平1, 刘洪洋1, 汤勇,1,2

1. 大连海洋大学海洋科技与环境学院,大连 116023

2. 辽宁省高校近岸环境科学与技术重点实验室,大连 116023

Information extraction of the Ebinur Lake artemia based on object - oriented method

LI Wei1,2, LIU Weinan1, JIA Yueping1, LIU Hongyang1, TANG Yong,1,2

1. Institute of Marine Science and Technology and the Environment, Dalian Ocean University, Dalian 116023, China

2. The Nearshore Environmental Science and Technology Key Laboratory of Liaoning Province Colleges and Universities, Dalian 116023, China

通讯作者: 汤勇(1965-),男,博士,教授,主要从事单体鱼目标强度、渔业资源声学评估及海洋哺乳类动物声学基础等研究。Email:tang@dlou.edu.cn。

责任编辑: 陈理

收稿日期: 2017-05-26   修回日期: 2017-07-12   网络出版日期: 2018-12-15

基金资助: 国家自然科学基金项目“单体鱼目标散射强度测量的研究”(编号: )和辽宁省自然科学基金项目“基于GOCI数据的北黄海叶绿素浓度反演模型研究”(编号: 201602100)共同资助.  10774021
辽宁省自然科学基金项目“基于GOCI数据的北黄海叶绿素浓度反演模型研究”共同资助.  201602100

Received: 2017-05-26   Revised: 2017-07-12   Online: 2018-12-15

作者简介 About authors

李微(1980-),女,博士,副教授,主要从事滨海湿地遥感研究。Email:liwei2009@dlou.edu.cn。 。

摘要

选择艾比湖为研究区域,以ZY-3多光谱影像为数据源,经正射校正、辐射定标和大气校正等预处理,分析湖区内不同水体覆盖的光谱特征,确定并构建各类水体的解译标志。综合运用光谱、纹理和形状信息等解译标志,采用定性与定量结合的规则,建立基于面向对象法的艾比湖卤虫卵虫条带信息提取模型,并对分类结果进行精度评价。研究表明,分类结果的总体分类精度达到91.74%、Kappa系数为0.89; 与基于像元法进行对比分析显示,针对卤虫卵虫高、中密度及潜在覆盖区域,面向对象法的分类精度分别达到95.08%,92.30%和91.26%,而基于像元法的分类精度分别为90.16%,87.18%和86.40%; RIartemia指数与形状特征结合可以有效提取不同密度分布的卤虫卵虫信息,相比基于像元法,面向对象法更为有效; 由分类结果图可知,面向对象法大大避免了“椒盐”现象,卤虫卵虫区分度高。本研究探索了高空间分辨率图像不同密度卤虫卵虫信息提取的技术方法,可为准确掌握和预测卤虫卵虫的分布与强度提供有效手段,对揭示卤虫的繁殖过程和资源评估具有实用意义。

关键词： 面向对象法 ; 卤虫卵虫 ; 多尺度分割 ; 解译标志

Abstract

With the Ebinur Lake as the research area and the ZY-3 multi-spectral image as the data source, the authors preprocessed the data by such means as ortho-rectification, radiometric calibration and atmospheric correction. The authors analyzed the spectral characteristics of different water bodies, found interpretation signs for artemia information extraction, and built the oriented-object artemia information extraction model by the spectral, texture and shape information. The classification results were validated using the confusion matrix, with the overall classification accuracy being 91.74% and Kappa coefficient being 0.89. In addition, classification accuracy between object-oriented method and pixel based method was analyzed and compared for the artemia water of different densities. The classification accuracies of object-oriented method for high density, medium density and potential regions were 95.08%, 92.30% and 91.26%, respectively, whereas those of pixel based method were 90.16%, 87.18% and 86.40%, respectively. The results show that the object-oriented method is more effective than the pixel based method. The object-oriented method greatly avoids the phenomenon of “salt and pepper” and can distinguish the artemia densities. The study can provide the effective method for monitoring the distribution and intensity of artemia and has great significance for scientific and reasonable artemia fishing.

Keywords： object-oriented ; artemia and artemia cyst ; multi-scale segmentation ; interpretation signs

PDF (2549KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李微, 刘伟男, 贾越平, 刘洪洋, 汤勇. 基于面向对象法艾比湖卤虫信息提取. 国土资源遥感[J], 2018, 30(4): 176-181 doi:10.6046/gtzyyg.2018.04.26

LI Wei, LIU Weinan, JIA Yueping, LIU Hongyang, TANG Yong. Information extraction of the Ebinur Lake artemia based on object - oriented method. REMOTE SENSING FOR LAND & RESOURCES[J], 2018, 30(4): 176-181 doi:10.6046/gtzyyg.2018.04.26

0 引言

卤虫卵虫富含蛋白质和脂肪,是名贵水产品良好的开口饲料[1],价格昂贵。随着水产养殖业的发展,卤虫卵虫的需求量不断升高,一度被称为“软黄金”。90年代初由于我国近海沿岸盐田的污染和破坏,使得我国的卤虫卵虫开采研究从沿海盐田转向内陆盐湖。艾比湖作为内陆盐水湖,在中国内陆盐湖中卤虫资源量占据榜首,每年8—11月是新疆艾比湖卤虫卵虫的捕捞期。遥感具有大面积、多波段、多时相等特点,常用于动态监测内陆湖泊水环境,如湖泊面积及其变化[2]、水色因子如叶绿素浓度[3]、悬浮泥沙含量[4],以及蓝藻水华灾害[5,6,7]等。蓝藻密度的增长引起水体光学性质的变化,进而导致卫星传感器接收信号的变化,因此通过分析处理卫星数据可以有效提取水体蓝藻信息,同理遥感技术也可以提取艾比湖表面微小成群的卤虫及其卵虫。

目前遥感信息提取方法总体上可分为基于像元和面向对象2种[8]。艾比湖的卤虫生长在高盐环境下,其卵虫会漂浮于湖面,在低频表面风浪波动的作用下,形成集群的卵虫条带分布的特征,而对于高空间分辨率影像,面向对象的分类方法可以考虑除光谱特征外的纹理、类间和几何特征等,因此本文利用资源三号(ZY-3)高空间分辨率数据,构建基于面向对象的艾比湖卤虫卵虫信息提取模型,旨在探索基于高空间分辨率遥感数据的湖泊卵虫信息提取方法,为实时、准确地监测与预测艾比湖内卵虫分布信息,合理开发与捕捞卵虫的工作提供技术支持。

1 研究区概况及其数据源

1.1 研究区概况

艾比湖是新疆第一大盐水湖,地处中温带大陆性干旱气候带,具有丰富的资源。本文研究区位于N44°45'~45°00',E82°45'~83°10'之间,如图1(a)所示。其中红线为艾比湖遥感数据的瞬时水体边界。卤虫是一种小型甲壳动物,生活在高盐度水域中,自身呈白色,其卵虫呈红色,是重要的生物资源。卤虫在其生长繁殖周期内,成体和卵虫都会漂浮于水面,形成条带状分布见图1(b)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   ZY-3艾比湖真彩色合成影像

Fig.1   ZY-3 image with true color composition in Ebinur Lake


1.2 遥感数据源及其预处理

我国的ZY-3卫星作为新一代的高空间分辨率卫星于2012年发射成功,采用太阳同步轨道,轨道高度约505 km,倾角97.5°,回归周期59 d,重访周期5 d。该卫星上搭载了4台光学相机,其中包含一台空间分辨率为5.8 m的多光谱相机,共有红光、绿光、蓝光和近红外4个多光谱通道,与全色影像融合用于地物解译。其波段参数如表1所示。

表1   ZY-3多光谱相机有效载荷参数

Tab.1  Multi-spectral parameters of ZY-3 payload

载荷波段光谱范
围/nm		空间分辨
率/m		幅宽/
km		重访周
期/d
多光谱相机B1450~5205.8515
B2520~590
B3630~690
B4770~890

新窗口打开| 下载CSV


采用研究区2013年卤虫卵虫爆发期内7月16日的ZY-3多光谱数据。数据预处理采用ENVI5.2软件完成,主要包括正射校正、辐射定标、图像裁剪和大气校正。正射校正结合软件自带的全球900 m空间分辨率的数字高程模型数据进行处理,偏离误差在1个像元以内; 辐射定标采用资源卫星应用中心网站提供的ZY-3数据定标参数; 利用艾比湖湖水边界进行掩模裁剪; 大气校正则通过Flaash Atmospheric Correction模块来实现[9,10]。

2 研究方法

2.1 3类水体覆盖区域光谱特性分析

目视解译ZY-3真彩色合成影像发现: 影像中湖水呈现浅绿色,卤虫卵虫密集区域呈红色,除此之外还有亮度值明显高于其他水体的区域,可能为受太阳直射或湖边光滑的岩壁反射影响所形成的太阳耀斑,本文称之为高亮度水体。基于ZY-3遥感数据,均匀选择典型水体样本,依据各波段的中心波长处反射率绘制3类水体的反射光谱曲线[11],如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同水体的反射光谱曲线

Fig.2   Spectral characteristic curves of different water


从图2可以看出,水体在蓝绿光波段的反射率较高,随波长增加其吸收逐渐增强,因此水体在近红外波段色调较深,结合近红外波段水体易于提取; 高亮度水体整体的反射曲线趋势和水体基本一致,但在各个波段的反射率都要远大于正常水体,掩盖了真实水体的信息,与当天的太阳活动及湖区周边地理状况有一定关系; 受卤虫卵虫的影响,该覆盖区域反射率在绿光波段降低,在红光和近红外波段升高,随着卤虫卵虫覆盖密度的增大,反射率在绿光波段反射率呈现递减趋势,在红光波段呈递增趋势。

2.2 基于面向对象法信息提取

面向对象分类通过多特征融合的方法可以有效地避免利用单一光谱信息导致的同物异谱、异物同谱现象,提高分类精度[12]。面向对象法以影像对象为基础单元进行信息提取,其分类过程主要包括影像分割、确立解译标志和分类规则构建,最后利用建立的分类规则进行卤虫卵虫信息的提取。

2.2.1 影像分割

影像分割是利用面向对象法分类的基础[13,14],采用多尺度异质性区域分割策略[15,16],其中多尺度体现在针对湖区的不同对象采用二级尺度分割。而异质性由光谱因子和形状因子共同决定,二者权重之和为1。同时,为充分利用光谱信息,各波段都参与分割运算。

针对水体和浅滩,选择较大的分割尺度,即一级分割。因为水体和浅滩光谱信息差异十分明显,仅利用光谱信息就可以较好地提取研究区内的水体和浅滩,而且两者面积较大且分布均匀连续,故设定光谱因子大于形状因子。参数设置如下: ①分割尺度为40; ②4个波段的权重都为1; ③光谱因子为0.9; ④形状因子为0.1。

针对水体进行二级分割,由于目标对象卤虫卵虫呈红色,将B3波段的权重设置高于其他波段,以增加其参与分割的信息量,同时结合卤虫卵虫的条带状分布特征,增加形状因子的权重。二级分割参数如下: ①分割尺度为10; ②红光波段B3权重为1,其他波段权重为0.8; ③光谱因子为0.2; ④形状因子为0.8。

2.2.2 优选解译标志

解译标志是识别和区分遥感影像中不同地物类别的重要依据,而过多的特征选择会造成信息冗杂、降低整体分类精度。基于目视解译和水体光谱特征分析,从光谱和纹理特征2个方面优选4种解译标志,分别为归一化水体指数(normalized difference water index,NDWI)、卵虫指数RIartemia、多波段反射率均值Br以及长宽比L/W。

NDWI公式为

NDWI=ρB2-ρB4ρB2+ρB4

式中ρB2和ρB4分别为ZY-3卫星多光谱数据B2和B4波段的反射率值,利用NDWI提取和区分湖区内的水体以及浅滩。

卤虫卵虫爆发时节,因其密度较小而漂浮在水面之上,随着湖区流体作用,会发生堆积现象。因此,结合卤虫卵虫覆盖区域的光谱特征,构建了基于ZY-3多光谱数据ρB3与ρB2的卵虫指数RIartemia,即

RIartemia=ρB3ρB2

式中ρB3为ZY-3卫星多光谱数据B3波段的反射率值。以图1(b)数据为例,计算RIartemia并统计直方图,如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   RIartemia分布直方图

Fig.3   Histogram of RIartemia


从图3中可以看出,RIartemia直方图有明显的2个峰值和1个谷值,2个峰值分别对应湖区水体和卤虫卵虫覆盖区域,而谷值可作为2类区域区分的阈值,并可根据阈值的设定进一步判断卤虫卵虫分布密度。随着覆盖密度逐渐增大,RIartemia逐渐接近于1,因此将RIartemia≥1所对应像元作为高密度卤虫卵虫覆盖区域; RIartemia在谷值到1区间为中密度卤虫卵虫覆盖区域; RIartemia介于湖区水体所对应的第一个峰值和谷值之间为潜在区域。

由于高亮度水体在卫星影像中亮度较大,其各波段反射率均高于湖区内正常水体和卤虫卵虫覆盖区域。因此将各波段反射率之和取均值作为该类区域的解译标志。Br公式为

Br=ρB1+ρB2+ρB3+ρB44

式中ρB1为ZY-3卫星多光谱数据B1波段的反射率值。

长宽比定义为分割对象的最大外接矩形长与宽的比值。湖区内卤虫卵虫质量较小且漂浮在水体之上,通常随湖水作用而发生堆积现象,呈条带分布,因此将长宽比作为提取卤虫卵虫的解译标志。

2.2.3 分类规则建立

采用基于阈值的分类方法,根据建立的影像层,优选多种解译标志,基于单个对象内卤虫卵虫的高、中、低密度分布,构建分类规则如表2所示。

表2   分类规则

Tab.2  Classification rules

对象层
(尺度)		父对象子对象阈值参数
第1层
(40)		—湖区NDWI≥0.1
浅滩NDWI<0.1
第2层
(10)		湖区高亮度水体Br≥0.2
高密度覆盖区域RIartemia≥1,L/W>4.5
中密度覆盖区域1>RIartemia≥0.93,L/W>4.5
潜在区域0.93>RIartemia≥0.9

新窗口打开| 下载CSV


3 结果与分析

3.1 提取结果

根据上述规则提取水体信息,结果如图4所示。从提取结果中可以看出,卤虫卵虫主要呈现条带状逐级分布,在湖区中央以及东北沿岸为主要分布区域,湖区内提取卤虫卵虫面积约为8.31 km2,其中卤虫卵虫高密度覆盖面积较小,仅占1.13%,主要分布在湖区中央; 中密度覆盖面积占11.34%,在东北沿岸也有覆盖; 潜在区域占87.53%,穿插分布在高、中密度覆盖区域以及沿岸浅滩。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   面向对象法卤虫卵虫信息提取结果

Fig.4   Information extraction results by object-oriented method


为了与基于像元的提取方法进行比较,利用表征光谱信息的NDWI,Br和RIartemia这3个解译标志构建决策树,采用基于像元的分类法进行了同区域的信息提取。基于像元法提取结果如图5所示,卤虫卵虫面积为8.60 km2,其中卤虫卵虫高密度覆盖区域占1.05%,中密度覆盖区域占13.49%,潜在区域占85.56%,各密度级分布区域与面向对象分类结果基本一致。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   基于像元法卤虫卵虫信息提取结果

Fig.5   Information extraction results by pixel based method


通过局部放大(图1(b)、图4(b)和图5(b))进一步比较,可看出2种方法均能较好地提取卤虫卵虫高、中密度覆盖区域,但基于像元法提取的中密度覆盖区域存在一定的“椒盐”现象; 而在潜在区域2种方法差别很大,基于像元法在潜在区域内存在大量水体像元,面向对象法在自身分割规则上避免了这个问题,在水体流动的湖内,密度和体积都很小的卤虫卵虫通常会聚集分布在湖区某区域内,不会呈现过多的“椒盐”分布。因此面向对象法更适用于湖区实际状况下的卤虫卵虫信息提取。

3.2 精度评价分析

在研究区域中随机选取360个样本点,采用混淆矩阵法分别对2种方法的分类结果进行精度验证。360个样本点中各类别样本数与涉及像元数成比例,保证小类别的样本点也具有可分析性。结合目视解译,利用ENVI软件中Confusion Matrix工具对各类别进行判断,得到2种方法的混淆矩阵,如表3—4所示。面向对象法的总体精度为91.74%,Kappa系数为0.89; 然而基于像元法的总体精度仅为85.67%,Kappa系数为0.82。根据构建的分类规则,在各预测类别中的整体分类精度均高于85%,表明RIartemia指数可以有效提取卤虫卵虫信息。同时,相比基于像元法,面向对象法更加充分地利用了对象的形状信息,将优选长宽比作为解译标志,使分类精度显著提高了6%。比较卤虫卵虫高、中密度覆盖区域及潜在区域分类结果,面向对象法的分类精度分别达到95.08%,92.30%和91.26%,而基于像元法仅分别为90.16%,87.18%和86.40%,面向对象法分类精度均高于基于像元法,表明面向对象法的软分类特性提高了卤虫卵虫不同密度级划分精度,使图像更加紧凑。

表3   面向对象法分类精度

Tab.3  Object-oriented classification accuracy

预测类别参考类别
高密度覆盖区域中密度覆盖区域潜在区域湖区浅滩总数用户精度/%
高密度覆盖区域5820006096.67
中密度覆盖区域3721007694.74
潜在区域04946310787.85
湖区0057718392.77
浅滩0032323786.49
总数61781038536363
生产者精度/%95.0892.3091.2690.5988.89

新窗口打开| 下载CSV


表4   基于像元法分类精度

Tab.4  Pixel based classification accuracy

预测类别参考类别
高密度覆盖区域中密度覆盖区域潜在区域湖区浅滩总数用户精度/%
高密度覆盖区域5540106091.67
中密度覆盖区域5685007887.18
潜在区域138911510981.68
湖区0076807590.67
浅滩0325314175.61
总数61781038536363
生产者精度/%90.1687.1886.408086.11

新窗口打开| 下载CSV


4 结论

利用艾比湖区域的ZY-3多光谱数据,在分析湖区内各类别覆盖区域光谱特性的基础上,提出卵虫指数RIartemia,结合光谱和纹理特征融合法,构建基于面向对象法的卤虫卵虫信息提取模型,获取了不同密度级卤虫卵虫的空间分布情况,得到如下结论:

1)RIartemia指数在面向对象法和传统方法中都可以较好地提取卤虫卵虫信息,并且结合形状特征可以提高分类精度。

2)相比于基于像元法,面向对象分类法对卤虫卵虫的高、中、低密度覆盖区域划分更加准确,细节描述更加充分,空间分布位置更具合理性,同时具有良好的分类精度,可以有效地避免分类结果中出现的“椒盐”现象,在分类精度和效率上都要高于基于像元法。

在今后将利用多时相高空间分辨率遥感数据动态监测卤虫卵虫信息,进一步区分卤虫成体和卤虫卵虫的分布条带,深入分析、预测其移动轨迹及强度,为科学、合理地捕捞提供更加详实的决策依据。

参考文献

李磊, 李艳红, 陈成贺日 , 等.

1972—2011年期间艾比湖面积变化研究

[J]. 湿地科学, 2014,12(2):263-267.

[本文引用: 1]

Li L, Li Y H ,

Chen C H R,et al.Change of Ebinur Area during 1972—2011

[J]. Wetland Science, 2014,12(2):263-267.

[本文引用: 1]

杨超, 王金亮, 李石华 , 等.

抚仙湖流域土地退化动态遥感监测研究

[J]. 遥感技术与应用, 2016,31(2):388-396.

DOI:10.11873/j.issn.1004-0323.2016.2.0388      URL     [本文引用: 1]

通过对抚仙湖流域1974年MSS,1990年TM,2000、2006、2009、2012年ETM+、2014年OLI数据的土地利用/覆被(LUCC)、复合植被指数、水土流失、土地沙化和土壤含水率各指标的获取,构建流域土地退化评价模型,开展抚仙湖流域土地退化评价研究,并采用层次分析法(AHP)构造包含上述5种指标的判断矩阵,利用层次分析软件对判断矩阵的计算分别获得上述退化指标的权重,通过GIS空间分析方法完成对抚仙湖流域土地退化的动态监测与评价并由此提出退化防治综合措施。结果表明:抚仙湖流域土地退化从1974~1990年总退化面积趋势急剧上升,到2000和2006年土地退化面积又有小幅下降,2009和2012年期大幅下降,土地退化总面积到2012年为200.27km~2达到历史最低,2012~2014年总退化面积又有小幅增加,但增幅不大。

Yang C, Wang J L, Li S H , et al.

Land degradation dynamic remote sensing monitor of Fuxian Lake Basin

[J]. Remote Sensing Technology and Application, 2016,31(2):388-396.

[本文引用: 1]

王莹, 刘其根, 冯权泷 , 等.

基于ETM+影像的千岛湖叶绿素a浓度卫星遥感反演研究

[J]. 激光生物学报, 2015,24(5):441-447.

URL     [本文引用: 1]

以千岛湖为研究对象,利用Landsat 7 ETM+遥感影像与野外实测数据,建立叶绿素a浓度的遥感定量反演模型。将叶绿素a浓度与波段反射率组合进行Pearson相关性分析,选择(B4+B2)/B3波段组合构建叶绿素a反演模型,并得到千岛湖叶绿素a浓度的时空分布。结果表明：（1）2007年千岛湖叶绿素a浓度低于4 μg/L的水体面积占水体总面积达到99%以上,整体水质优良;（2）千岛湖叶绿素a浓度随季节变化特征明显,夏季容易出现局地高值,秋季平均浓度整体升高;（3）通过反演不同时期的叶绿素a浓度分布,可以刻画出千岛湖藻类的消长过程,从空间上发现易爆发富营养化的区域。该反演模型能较为精确地估算千岛湖的叶绿素a浓度,对今后水体富营养化的监测和预警具有重要意义。

Wang Y, Liu Q G, Feng Q L , et al.

Inversion of chlorophyll-a concentration based on satellite remote sensing in Qiandao Lake

[J]. Acta Laser Biology Sinica, 2015,24(5):441-447.

[本文引用: 1]

张鹏, 陈晓玲, 陆建忠 , 等.

基于遥感的鄱阳湖丰水期悬浮泥沙数值模拟预测

[J]. 武汉大学学报(信息科学版), 2017,42(3):369-376.

DOI:10.13203/j.whugis20140880      URL     [本文引用: 1]

悬浮泥沙是湖泊水体的重要水质要素之一，是湖泊水生态系统重要影响因子。利用遥感提取的鄱阳湖底质类型数据，对各类型底质区域上泥沙模型参数进行敏感性分析，基于2011年实测的不同底质区上泥沙浓度数据率定得到空间上不一致的泥沙模型参数，从而建立鄱阳湖丰水期二维悬浮泥沙输运模型。利用该模型模拟预测2013年丰水期悬浮泥沙输移过程，实测泥沙数据验证表明，模拟悬浮泥沙均方根误差为19．8mg／L，相关系数R^2为0．78，该模型能够较好地进行悬浮泥沙模拟预测。对比模型模拟和遥感反演的悬浮泥沙空间分布，两者具有较好的空间一致性，进一步表明该模型能够可靠地模拟预测鄱阳湖悬浮泥沙的时空动态变化。本研究充分利用遥感数据辅助建立鄱阳湖泥沙输移模型，为湖泊水环境动态变化监测提供有力的技术方法支撑，为进一步进行鄱阳湖水环境动态变化的数值模拟预测研究提供基础。

Zhang P, Chen X L, Lu J Z , et al.

Suspended sediment transport modeling of Poyang Lake in the wet season based on remote sensing data

[J]. Geomatics and Information Science of Wuhan University, 2017,42(3):369-376.

[本文引用: 1]

徐京萍, 张柏, 李方 , 等.

基于MODIS数据的太湖藻华水体识别模式

[J]. 湖泊科学, 2008,20(2):191-195.

[本文引用: 1]

Xu J P, Zhang B, Li F , et al.

Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu

[J]. Journal of Lake Sciences, 2008,20(2):191-195.

[本文引用: 1]

段洪涛, 张寿选, 张渊智 .

太湖蓝藻水华遥感监测方法

[J]. 湖泊科学, 2008,20(2):145-152.

DOI:10.3321/j.issn:1003-5427.2008.02.002      URL     [本文引用: 1]

利用遥感技术监测太湖蓝藻水华具有重要的现实意义．基于不同遥感数据，包括MODIS／Terra、CBERS．2CCD、ETM和IRS—P6LISS3，结合蓝藻水华光谱特征，采用单波段、波段差值、波段比值等方法，提取不同历史时期太湖蓝藻水华．结果表明：MODIS／Terra数据可以利用判别式Band2〉0．1和Band2／Band4〉1提取蓝藻水华；CBERS．2CCD、ETM和IRS-P6 LISS3数据可以利用Band4大于一定阈值和Band4／Band3〉1提取蓝藻水华；波段比值（近红外／红光〉1）算法稳定，可以发展成为蓝藻水华遥感提取普适模式．同时，本文成功利用ETM和IRS-P6 LISS3数据Band4波段对蓝藻水华空间分布强度进行了五级划分、这为今后利用遥感技术，建立太湖蓝藻水华监测和预警系统奠定了基础、

Duan H T, Zhang S X, Zhang Y Z .

Cyanobacteria bloom monitoring with remote sensing in Lake Taihu

[J]. Journal of Lake Sciences, 2008,20(2):145-152.

[本文引用: 1]

宋瑜, 宋晓东, 郭青海 , 等.

太湖藻华水体的遥感监测与预警

[J]. 光谱学与光谱分析, 2011,31(3):753-757.

URL     [本文引用: 1]

受水体富营养化的影响, 藻华暴发已成为目前我国湖泊和水库面临的主要环境问题之一。 针对藻华水体的动态监测, 特别是提前预警技术的研究对于内陆水体的污染防控具有重要意义。 该文结合高光谱实验数据, 综合运用指数法和遥感影像假彩色合成法, 建立了基于MODIS数据的太湖藻华水体遥感信息提取模型, 并在此基础上, 对2007年3～5月间太湖藻华形成过程进行了遥感实时动态监测研究。 通过对春夏季节蓝藻水华的空间分布特征和藻华不同形成阶段的特征分析, 提出了太湖藻华水体预警的技术方法, 即当MODIS水体绿度指数GI集中分布于0.6～0.8区间时, 可认为太湖水域已进入蓝藻水华大规模暴发前的预警阶段。

Song Y, Song X D, Guo Q H , et al.

Remote sensing monitoring and pre-alarming of algal blooms in Taihu Lake

[J]. Spectroscopy and Spectral Analysis, 2011,31(3):753-757.

[本文引用: 1]

贾坤, 李强子, 田亦陈 , 等.

遥感影像分类方法研究进展

[J]. 光谱学与光谱分析, 2011,31(10):2618-2623.

URL     [本文引用: 1]

遥感影像分类是遥感信息提取的重要手段, 是目前遥感技术中的热点研究内容。 分类方法是遥感影像分类的重要内容, 有效地选择合适的分类方法是提高分类精度的关键。 随着遥感技术的发展, 传统的非参数分类方法已经难以满足分类精度需求, 基于智能算法的非参数分类方法得到了迅速发展, 并在遥感影像分类中发挥着重要作用。 近年来, 组合分类器由于能够利用单一分类器的互补信息, 成为了遥感影像分类的一个新热点。 本文综合分析了各种分类方法的特点和优势, 及分类方法的发展趋势, 为遥感影像分类技术的发展提供科学的参考依据。

Jia K, Li Q Z, Tian Y C , et al.

A review of classification methods of remote sensing imagery

[J]. Spectroscopy and Spectral Analysis, 2011,31(10):2618-2623.

[本文引用: 1]

李德仁, 王密 .

“资源三号”卫星在轨几何定标及精度评估

[J]. 航天返回与遥感, 2012,33(3):1-6.

[本文引用: 1]

Li D R, Wang M .

On-orbit geometric calibration and accuracy assessment of ZY-3

[J]. Spacecraft Recovery and Remote Sensing, 2012,33(3):1-6.

[本文引用: 1]

李霖, 罗恒, 唐新明 , 等.

资源三号卫星多光谱图像特征分析和质量评价

[J]. 国土资源遥感, 2014,26(1):17-24.doi: 10.6046/gtzyyg.2014.01.04.

[本文引用: 1]

Li L, Luo H, Tang X M , et al.

Characteristic analysis and quality assessment of ZY-3 multi-spectral image

[J]. Remote Sensing for Land and Resources, 2014,26(1):17-24.doi: 10.6046/gtzyyg.2014.01.04.

[本文引用: 1]

李晋, 赵庚星, 常春艳 , 等.

基于HSI高光谱和TM图像的土地盐渍化信息提取方法

[J]. 光谱学与光谱分析, 2014,34(2):520-525.

URL     [本文引用: 1]

选择黄河三角洲垦利县代表性盐碱化区域为研究区， 以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源， 经几何纠正、 图像裁剪、 大气校正等预处理， 分析不同盐渍化程度土地、 水体、 滩涂等主要地类的光谱特征， 确定地类信息提取特征波段。 结合土壤盐分含量， 采用定量与定性相结合规则， 构建地类信息提取模型， 以决策树分类方法进行图像分类， 提取土地盐渍化信息。 利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果， 对遥感解译数据进行精度验证， 并对高光谱和多光谱影像的分类精度进行比较分析。 结果表明： HSI图像的总体分类精度达96.43%， Kappa系数为95.59%， 而TM图像的总体分类精度为89.17%， Kappa系数为86.74%， 说明相比多光谱TM数据， 基于高光谱图像可以更为准确有效地提取土地盐渍化信息； 由分类结果图可以看出， 高光谱影像土地盐渍化的区分度高于多光谱影像。 该研究探索了高光谱图像土地盐渍化信息的提取技术方法， 提供了不同盐渍化土地的分布比例数据， 可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。

Li J, Zhao G X, Chang C Y , et al.

Land salinization information extraction method based on HSI hyperspectral and TM imagery

[J]. Spectroscopy and Spectral Analysis, 2014,34(2):520-525.

[本文引用: 1]

张森, 陈健飞, 龚建周 .

面向对象分类的决策树方法探讨——以Landsat-8OLI为例

[J]. 测绘科学, 2016,41(6):117-121,125.

[本文引用: 1]

Zhang S, Chen J F, Gong J Z .

Object-oriented classification based on C5.0 algorithm

[J]. Science of Surveying and Mapping, 2016,41(6):117-121,125.

[本文引用: 1]

Gonzalez R C, Woods R E, Eddins S L .

Digital Image Processing

[M]. 2nd ed.Beijing:Publishing House of Electronics Industry, 2013: 567-642.

[本文引用: 1]

Cheng J H, Bo Y C, Zhu Y X , et al.

A novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images

[J]. International Journal of Remote Sensing, 2014,35(10):3816-3839.

DOI:10.1080/01431161.2014.919678      URL     [本文引用: 1]

Image segmentation quality significantly affects subsequent image classification accuracy. It is necessary to develop effective methods for assessing image segmentation quality. In this paper, we present a novel method for assessing the segmentation quality of high-spatial resolution remote-sensing images by measuring both area and position discrepancies between the delineated image region (DIR) and the actual image region (AIR) of a scene object. In comparison with the most frequently used area coincidence-based methods, our method can assess the segmentation quality more objectively in that it takes into consideration all image objects intersecting with the AIR of a scene object. Moreover, the proposed method is more convenient to use than the existing boundary coincidence-based methods in that the calculation of the distance between the boundary of the image object and that of the corresponding AIR of the scene object is not required. Another benefit of this method over the two types of method above is that the assessment procedure of the segmentation quality can be conducted with less human intervention. The obtained optimal segmentation result can ensure maximal delineation of the extent of scene objects and can be beneficial to subsequent classification operations. The experimental results have shown the effectiveness of this new method for both segmentation quality assessment and optimal segmentation parameter selection.

Benz U C, Hofmann P, Willhauck G , et al.

Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information

[J]. ISPRS Journal of photogrammetry and Remote Sensing, 2004,58(3/4):239-258.

DOI:10.1016/j.isprsjprs.2003.10.002      URL     [本文引用: 1]

Remote sensing from airborne and spaceborne platforms provides valuable data for mapping, environmental monitoring, disaster management and civil and military intelligence. However, to explore the full value of these data, the appropriate information has to be extracted and presented in standard format to import it into geo-information systems and thus allow efficient decision processes. The object-oriented approach can contribute to powerful automatic and semi-automatic analysis for most remote sensing applications. Synergetic use to pixel-based or statistical signal processing methods explores the rich information contents. Here, we explain principal strategies of object-oriented analysis, discuss how the combination with fuzzy methods allows implementing expert knowledge and describe a representative example for the proposed workflow from remote sensing imagery to GIS. The strategies are demonstrated using the first object-oriented image analysis software on the market, eCognition, which provides an appropriate link between remote sensing imagery and GIS.

龚健雅, 姚璜, 沈欣 .

利用AdaBoost算法进行高分辨率影像的面向对象分类

[J]. 武汉大学学报(信息科学版), 2010,35(12):1440-1443,1448.

[本文引用: 1]

Gong J Y, Yao H, Shen X .

Object-oriented classification of high spatial-resolution remote sensing imagery based on AdaBoost

[J]. Geomatics and Information Science of Wuhan University, 2010,35(12):1440-1443,1448.

[本文引用: 1]

/

〈 〉

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