基于Landsat8 OLI数据的富贵竹种植区域信息提取

图1 研究区地理位置与野外调查样点

Fig.1 Geographical location of the study area and sample map

1.2 数据源

本研究所选择的遥感数据为2016年9月18日的Landsat8 OLI遥感影像,轨道号为122/045。Landsat8 OLI遥感影像共9个波段,其中全色波段空间分辨率为15 m,其余波段空间分辨率为30 m。本文选取其中的第2至8波段,分别为6个多光谱波段和1个全色波段。

影像的预处理方面,使用ENVI5.1的“radiometric calibration”和“FLAASH atomospheric correction”功能对Landsat8 OLI的多光谱波段进行辐射定标与大气校正,并对全色波段进行辐射定标; 将预处理后的多光谱波段与全色波段使用“Gram-Schmidt pan sharpening”功能进行融合,得到15 m空间分辨率融合影像; 利用海宴镇矢量边界裁剪得到研究区遥感影像。

野外实测样本数据点为2016年9月29日进行的土地覆被类型野外调查样点(图1),数据采集方式为实地调查,数据类别包括但不限于富贵竹类、水体类、建设用地类、林地类、耕地类。本研究的检验方法为群样本检验^[8],检验样本为在该区域野外实测样本基础上的目视解译分类图。

2 研究方法

2.1 富贵竹生长特性分析

富贵竹是一种喜阴湿的植物,光照过强、曝晒会引起叶片变黄、褪绿、生长慢等现象。所以在大田栽植富贵竹时,要将富贵竹田上覆盖以黑色的遮阳网^[1],创造半阴阳、散射光照的环境,从而提高富贵竹的生长速度,提高经济效益。根据调查,海宴镇的富贵竹种植田全年覆盖以遮阳网,且覆盖以遮阳网的作物仅有富贵竹一种。根据这一特性,提取富贵竹种植区域则可以通过提取覆盖于富贵竹上的遮阳网区域来实现。

当影像分别以模拟真彩色和标准假彩色显示时,影像特征上,遮阳网都与水体的表现效果很相似(图2),而海宴镇水资源丰富,水库坑塘面积较大且分布零散,给富贵竹种植区遮阳网的提取工作造成了很大的困难,没有经验的分类者很难将两者区分开。所以将富贵竹遮阳网与水体区分开成为了本研究中的难点。

图2

图2 富贵竹与水体显示效果对比

Fig.2 Comparison of Dracaena sanderiana and water display effects

2.2 光谱特征分析

为了有效区分富贵竹与其他地物类型,对比分析研究区内的各地类光谱特征。在预处理后得到的实验数据基础上,提取富贵竹、水体、植被和其他共4种地类的光谱值并生成光谱特征曲线(图3)。其中富贵竹类为本研究要提取的富贵竹种植区,水体类中包含有近海和内陆的水库坑塘,植被类为覆盖有植被的耕地与林地,其他类则包含未耕作的耕地、建设用地和裸土。

图3

图3 各地类光谱特性

Fig.3 Spectral characteristics of various ground features

从光谱特性上看,对于水体和富贵竹而言,在蓝波段(B)和红波段(R)二者反射率值一致; 在绿波段(G)水体的反射率值高于富贵竹的反射率值,这反映了绿色植被信息透过遮阳网显露了出来; 在近红外波段(NIR)、短波红外波段1(SWIR1)和短波红外波段2(SWIR2)富贵竹的反射率值高于水体的反射率值。因为茂密的富贵竹与其上覆被的黑色遮阳网之间互相影响,使富贵竹类NIR的反射率值呈现出相对于其他植物较低而相对于水体又较高的特点。

2.3 DENWI指数构建

构建特定的指数作为特征参数辅助分类是有效提高分类精度的方法^[9,10]。在目前的水体遥感信息提取研究中,通常使用B与NIR波段来构建的归一化水体指数(normalized difference water index, NDWI),以区分水体与其他地类。在本实验中,虽然水体与富贵竹类在NIR的光谱差异性较大,但实验证明,该波段中水体与富贵竹类的混淆性较高,使用该波段区分水体与富贵竹意义不大。基于以上原因,本研究构建了一个新的指数: 网体—水体差异增强指数(difference enhence between net and water index,DENWI),以解决本研究中遇到的问题。

本研究根据归一化差值指数的构建原理^[11]来构建该指数。该原理是指将多光谱波段中的最强反射波段作为分子,将最弱反射波段作为分母,通过归一化比值运算扩大其差别,达到增强感兴趣地物,减弱非感兴趣地物的目的。6个波段中富贵竹与水体差异较大的波段为G,NIR,SWIR1和SWIR2波段,并且实验发现,水体与植被交界处的混合像元与富贵竹在NIR波段的光谱值较接近,混淆性较大,故本文使用G,SWIR1和SWIR2来构建此指数。在G波段,富贵竹与水体的反射率差值为负值,而SWIR1和SWIR2波段为正值,所以为了使富贵竹类呈现出高值,故将SWIR1和SWIR2设置为被减数,G设置为减数; 为了避免分子太小分母太大而造成指数值偏低而将SWIR1和SWIR2除以2,即

(1)

DENWI = \frac{\frac{SWIR 1 + SWIR 2}{2} - G}{\frac{SWIR 1 + SWIR 2}{2} + G}

式中SWIR1,SWIR2与G分别为影像的2个短波红外波段与绿光波段像元亮度值。DENWI值域为[-1,1],被增强的信息基本大于0,被抑制的信息基本小于等于0。

在影像上选择一定量的水体类和富贵竹类区域作为样本,分别作出DENWI和NDWI关于该类样本像元个数总值百分比的直方图(图4)。可以看到,使用DENWI作为特征值时,水体与富贵竹类的值重合区域较小; 而使用NDWI作为特征值时,富贵竹类和水体类的值域叠合在一起,难以找到较优的值作为分类时的阈值。

图4

图4 特征值对比直方图

Fig.4 Eigenvalue contrast histogram

分别使用DENWI与NDWI做特征参数的效果如图5所示。从图中可以看出,在使用DENWI做特征参数时,水体对象的影像显示效果变得更暗,富贵竹遮阳网对象的显示效果变得更亮,这说明通过DENWI计算出的特征值中,水体的特征值普遍被压抑,富贵竹遮阳网对象的特征值被增强,水体与富贵竹遮阳网对象的差异被拉大。在使用NDWI时,效果则不如前者明显。

图5

图5 特征值显示效果示意图

Fig.5 Characteristic value display effect

3 面向对象的富贵竹信息提取

3.1 影像分割

传统的基于像元的分类方法只考虑到遥感影像的光谱信息,而忽略了隐含在遥感影像中的纹理、形状、空间位置等非光谱信息^[12,13],分类结果往往因为“同物异谱”、“同谱异物”问题而出现错分现象^[14],也会因混合像元的问题而出现碎小错分图斑。而面向对象的遥感分类方法是将相邻的同质像元合并成对象,并将对象作为最小分类单元进行分类的过程,能够充分利用图像中的纹理、形状等信息,提高分类的精度^[15,16]。

影像分割是面向对象分类的基础工作^[17]。分割操作的目的是将同种类型的相邻斑块聚合成一个对象,为接下来的分类工作提供基础^[18,19]。分割操作的原则是尽可能地将不同类型的斑块分割开来,但同时又要防止产生过量的碎小图斑影响分类结果的完整性。

本研究使用eCognition9.0软件进行分割与分类操作,分割方法是四叉树分割辅以光谱差异分割。四叉树分割时设置的分割阈值为500,即四叉树正方形网格内最大的光谱差异为500; 光谱差异分割时使用的分割阈值为1 800,即相邻分割对象间的最大光谱差异为1 800。实验表明使用该分割阈值时能使分割后的影像符合影像分割原则,能够满足下一步分类的条件。

3.2 富贵竹分类规则

本研究在区分各地类时采用分层信息提取^[20]的方法,通过建立富贵竹信息提取规则集来分类。人工选择恰当的地块作为样本,针对不同类别基于样本计算、统计各特征参数的均值和取值范围,通过变量值的调整使各类别具有较好的可区分性,人工获取各特征变量的分类阈值。

3.2.1 分类特征

本研究通过实验得到,除DENWI外使用以下特征参数能获得较优的分类效果。

1)归一化差异植被指数(normalized difference vegetation index,NDVI)。NDVI是植被生长状态及植被覆盖度的最佳指示因子,可使植被从水和土中分离出来。NDVI值域为[-1,1],NDVI<0时,表示地表覆盖有云、雨和雪等; NDVI=0时,表示地面为裸露的岩石、泥土; NDVI>0时,表示地面覆盖有植被,且植被覆盖率越高NDVI值越大。公式为

(2)

NDVI = \frac{NIR - R}{NIR + R}

式中NIR与R分别为近红外和红光波段的像元亮度值。

2)裸土指数(bare soil index,BSI)。BSI值域为[-1,1],当地表地物为裸地和建设用地时,影像的BSI值较大; 当地表覆盖有植被或者水体时,影像的BSI值较小。

(3)

BSI = \frac{(SWIR 1 + R) - (B + NIR)}{(SWIR 1 + R) + (B + NIR)}

式中B和SWIR1分别为蓝光波段和短波红外波段1的像元亮度值。

3)面积(Area)。表征影像对象的面积大小,单个像素的面积为1。

4)密度(Density)。可以表示为影像对象面积除以它的半径,用来描述影像对象的紧致程度。一个影像对象的形状越接近正方形,它的密度就越高。

5)SWIR1,SWIR2与G波段的光谱均值之和。光谱均值是由构成一个对象的所有像素的图层值计算得到的图层平均值。由光谱特征(图3)可知富贵竹对象的光谱反射率较植被和其他地类对象来说基本处在较低的水平上,使用波段光谱均值之和作为特征参数可以辅助剔除前期提取不完善的富贵竹对象中的光谱反射率较高的错分对象。富贵竹对象的光谱反射率在SWIR1和SWIR2波段与另3类对象差别较明显,混淆程度小,在G波段的光谱反射率呈现为4类中的最低值,所以选择该3个波段的光谱均值之和作为特征参数之一,通过实验对比得出较好的阈值以辅助分类。

3.2.2 分类流程

本文方法分类的流程图如图6所示。

图6

图6 分类流程

Fig.6 Classification flow chart

具体的分类流程如下: 首先,利用DENWI区分出水体1与非水体2类,再利用BSI与NDVI特征^[21],将非水体类分为裸地植被和富贵竹(杂)2类; 然后,利用SWIR1,SWIR2与G这3个波段光谱均值之和、对象面积大小特征和对象密度特征,将富贵竹(杂)类分成富贵竹、水体2和裸地1等3类; 再分别利用NDVI和DENWI特征,将裸地植被类分成裸地2与植被2类; 最后,将水体1和2合并为水体类,裸地1和2合并为其他类。

4 分类结果与精度评价

为比较不同分类方法的特点,本研究分别对研究区进行了目视解释、本文方法分类、最大似然法分类和最邻近法分类(图7)。对比分析表明,本文方法能够提取出绝大部分的富贵竹区域。目视解译提取出的富贵竹面积约为2.55 km²,本文方法提取出的富贵竹面积为2.42 km²,面积精度约为94.90%。

图7

图7 不同分类方法分类结果对比

Fig.7 Compartions of different classification results

将目视解译结果作为评价样本,对本文方法得到的结果进行精度评价(表1),使用本文方法提取出的富贵竹类生产者精度为85.74%,用户精度为90.53%,总体精度为98.46%,Kappa系数为0.969 9。这说明提取结果能够满足后续分析的需要。

表1 本文方法精度评价表

Tab.1 Accuracy evaluation of rule set classification results

类别	富贵竹	水体	植被	其他	总像元数	生产者精度/%
富贵竹	9 720	521	615	480	11 336	85.74
水体	689	239 419	1887	7 682	249 677	95.89
植被	0	91	745 521	4 813	750 425	99.35
其他	328	363	92	130 952	131 735	99.41
总像元数	10 737	240 394	748 115	143 927	1 143 173	-
用户精度/%	90.53	99.59	99.65	90.99	-	-
总体精度=98.46% Kappa= 0.969 9

新窗口打开| 下载CSV

3种分类方法结果精度对比见表2。

表2 精度评价对比

Tab.2 Compartions of accuracy evaluation

分类方法	富贵竹类生产者精度/ %	富贵竹类用户精度/ %	富贵竹面积/ km²	面积精度/ %	总体精度/ %	Kappa 系数
本文方法	85.74	90.53	2.42	94.90	98.46	0.969 9
最大似然法	51.46	95.12	1.38	54.12	91.76	0.836 3
最邻近法	96.89	27.34	9.04	28.22	94.17	0.885 4

新窗口打开| 下载CSV

分类结果精度评价表明,使用本文方法提取出的富贵竹类总体精度优于最邻近法和最大似然法。最大似然法提取的富贵竹类的用户精度较好,而生产者精度较差,仅为51.46%; 最邻近法提取出的富贵竹类的生产者精度较好,而用户精度较差,仅为27.34%。对于面积精度来说,本文方法提取出的富贵竹面积精度远高于另外二者。

分类结果表明,本文方法提取富贵竹类产生较多错分和漏分情况的概率很小,也没有很多碎小的图斑; 最大似然法提取的富贵竹类中混有的其他类像元较少,但真实的富贵竹区域中有近一半因为其像元光谱特点与水体较接近而被错分到了水体类中; 最邻近法提取富贵竹类时基本能将真实的富贵竹区域提取出来,然而提取出的富贵竹类中混有的其他类区域远大于真实富贵竹区域,同时形状也比较破碎。2种传统方法分类精度不高的原因是富贵竹与植被的混合像元和水体与植被的混合像元之间光谱差别不大,这2种像元很容易因为其光谱特征而被全部分为水体(如最大似然法)或者全部分为富贵竹(如最邻近法)。

虽然从分类图来看使用本文方法得到的结果远远优于传统方法,但是也存在着一些不足,例如没有提取出研究区北部的小面积富贵竹区域,南部仍有少量坑塘被错分成富贵竹区域。

5 结论

本文构建了DENWI指数,提出基于Landsat OLI数据的富贵竹种植区域提取方法。得到如下结论:

1)广东的富贵竹大田栽植区常年覆有遮阳网,使用遥感影像提取富贵竹种植区时,遮阳网与富贵竹的相互影响使得富贵竹的光谱显示效果与水体易混淆。本文对比了富贵竹遮阳网与水体的光谱特性,构建了新型指数DENWI,该指数可以有效地增强富贵竹遮阳网区域的信息,抑制与其相似的水体区域的信息,对于区分富贵竹种植区域和水体的效果优于指数NDWI。

2)针对富贵竹种植区域的特点,本文构建了规则集,使用了DENWI,BSI,NDVI和斑块对象的面积、密度、光谱均值等特点做特征参数,通过面向对象的方法提取出了广东省台山市海宴镇富贵竹的种植区域与种植面积。经精度验证后得到本文方法总体精度为98.46%,Kappa系数为0.969 9,面积精度为94.90%,均高于2种传统分类方法(最邻近法和最大似然法)的精度。

3)从实验监测的结果来看,新方法较传统分类法而言减少了细碎图斑的数量,且精度较高,说明该方法进行富贵竹种植区的提取是可行且有优势的。本文方法也可以被应用于我国其他类似地区富贵竹种植区的提取工作中,对于了解和监控富贵竹种植区位和面积有良好的应用前景。

4)本研究主要讨论对覆盖有遮阳网的富贵竹种植区进行提取,还有很多可以改进及有待进一步研究的内容。例如对分类过程进行简化、探究可以适应大多数影像情况的阈值选择问题、研究富贵竹没有覆盖遮阳网或者多种作物同时覆被遮阳网时进行作物区分的方法等。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

毛文岭, 王勇, 刘绣华 .

富贵竹研究进展

[J]. 济源职业技术学院学报, 2010,9(4):29-32.

[本文引用: 2]

Mao W

, Wang

, Liu X

Review of Dracaena sanderiana research

[J]. Journal of Jiyuan Vocational and Technical College, 2010,9(4):29-32.

[本文引用: 2]

[2]

曹涤环, 刘建武 .

富贵竹栽培管理技术

[J]. 南方农业, 2010,4(6):65-67.

Cao D

, Liu J

Techniques of Dracaena sanderiana’s culture and management

[J]. South China Agriculture, 2010,4(6):65-67.

DOI:10.3321/j.issn:0375-5444.2000.01.004 URL [本文引用: 1]

[3]

Tao F

, Yokozawa

, Zhang

, et al.

Remote sensing of crop production in China by production efficiency models:Models comparisons,estimates and uncertainties

[J]. Ecological Modelling, 2005,183(4):385-396.

DOI:10.1016/j.ecolmodel.2004.08.023 URL [本文引用: 1]

Regional estimates or prediction of crop production is critical for many applications such as agricultural lands management, food security warning system, food trade policy and carbon cycle research. Remote sensing offers great potential for regional production monitoring and estimates, yet uncertainties associated with are rarely addressed. Moreover, although crops are one of critical biomes in global carbon cycle research, few evidences are available on the performance of global models of terrestrial net primary productivity (NPP) in estimating regional crop NPP. In this study, we use high quality weather and crop data to calibrate model parameter, validate and compare two kinds of remote sensing based production efficiency models, i.e. the Carnegie-Ames-Stanford-Approach (CASA) and Global Production Efficiency Model Version 2.0 (GLO-PEM2), in estimating maize production across China. Results show that both models intend to underestimate maize yields, although they also overestimate maize yields much at some regions. There are no significant differences between the results from CASA and GLO-PEM2 models in terms of both estimated production and spatial pattern. CASA model simulates better in the areas with dense crop and weather data for calibration. Otherwise GLO-PEM2 model does better. Whether the water soil-moisture down-regulator is used or not should depend on the percent of irrigation lands at the regions. The improved and validated models can be used for many applications. Further improvement can be expected by increasing remote sensing image resolution and the number of surface data stations.

[4]

吴炳方

全国农情监测与估产的运行化遥感方法

[J]. 地理学报, 2000,55(1):25-35.

Crop production statistics are of vital importance to a country such as China where the agricultural production is highly susceptible to the vagaries of monsoon and the 75% population is farming activities related. The NOAA AVHRR data are used to monitor the crop growth over the entire country at decade period during growing season from March to October. The acreage under crops are estimated through estimating crop proportions to farming land from remotely sensed data, including TM and Radarsat data, with support from intensive ground surveys. The ground surveys are served both as a ground truth for classification of remotely sensed data and as reference data of accuracy testing. The agrometeorological models are used for yield estimation on every homogenous yield level zone.

Wu B

Operational remote sensing methods for agricultural statistics

[J]. Journal of Geographical Sciences, 2000,55(1):25-35.

[5]

宋盼盼, 杜鑫, 吴良才 , 等.

基于光谱时间序列拟合的中国南方水稻遥感识别方法研究

[J]. 地球信息科学学报, 2017,19(1):117-124.

DOI:10.3724/SP.J.1047.2017.00117 URL [本文引用: 1]

多云多雾现象是农作物遥感分类经常遇到的问题,影响分类精度。为解决此类问题,本文提出一种基于时间序列GF-1号遥感影像识别水稻方法。利用多时相时间序列的GF-1号遥感影像提取中稻、晚稻的近红外波段(NIR)反射率、红光(R)波段反射率、归一化植被指数(NDVI)特征;拟合光谱和植被指数时间序列特征曲线;分析多时相影像离散近红外波段、红光波段、NDVI值落在拟合中稻、晚稻近红外波段、红光波段、NDVI时间序列曲线两侧的敏感性区域的比例,该区域也可以视为水稻作物识别特征的目标特征区域,只有达到一定的比例才能视为某类水稻作物。在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。研究表明:该方法可以在多云雾地区对中稻和晚稻精确识别,中稻和晚稻用户精度可达95.97%和95.95%,总体精度为95.76%,kappa系数为0.9335。实验结果表明了NIR、R、NDVI时间序列曲线拟合的有效性,以及拟合曲线目标特征区域设置的合理性。

Song P

, Du

, Wu L

, et al.

Research on the method of rice remote sensing identification based on spectral time-series fitting in southern China

[J]. Journal of Geo-information Science, 2017,19(1):117-124.

DOI:10.11924/j.issn.1000-6850.2014-1872 URL [本文引用: 1]

[6]

牛鲁燕, 张晓艳, 郑继业 , 等.

基于Landsat8 OLI数据的山东省耕地信息提取研究

[J]. 中国农学通报, 2014,30(34):264-269.

为了探讨美国最新发射的陆地卫星Landsat8 OLI影像在耕地信息提取方面的效果,为了解该影像的应用潜力提供一些信息,采用遥感图像处理软件ENVI,对覆盖山东省区域的12幅Landsat8 OLI影像进行了计算机校正和增强处理,通过目视解释、监督分类和非监督分类交互式的分类方法提取山东省的耕地信息。结果表明,基于Landsat8 OLI数据提取耕地信息适宜波段是543波段和652波段组合,提取精度达到91.8%,Landsat8 OLI数据可以满足耕地利用及管理中对耕地信息适时获取的要求。

Niu L

, Zhang X

, Zheng J

, et al.

Extraction of cultivated land information in Shandong Province based on Landsat8 OLI data

[J]. Chinese Agricultural Science Bulletin, 2014,30(34):264-269.

[7]

陈杰, 陈铁桥, 刘慧敏 , 等.

高分辨率遥感影像耕地分层提取方法

[J]. 农业工程学报, 2015,31(3):190-198.

DOI:10.3969/j.issn.1002-6819.2015.03.025 URL Magsci [本文引用: 1]

随着城市化建设进程的加快，城郊耕地经常会被开发为建设用地，甚至还会遭受非法占用的危险，这极大威胁了中国粮食安全。该文针对高分辨率遥感影像城郊耕地特点，提出了一种多尺度分层的耕地提取方法。首先，基于归一化植被指数（normalized difference vegetation index，NDVI）约束改进传统Harris角点检测方法得到建筑区概率密度图，并利用最大类间方差（Otsu algorithm，Otsu）分割去除复杂建筑区；然后，利用尺度选择工具（estimation of scale parameter，ESP）分析耕地占主导影像的多尺度分割结果，得到耕地较佳分割尺度并在该尺度下分割整幅影像；进而，利用形状、光谱信息初步检测出耕地对象，选择非建筑区的耕地与建筑区的非耕地样本，训练支持向量机模型并对不确定地物进行分类；最后，依据空间关系进一步判断图像对象，得到城郊耕地最终提取结果。试验结果表明，该方法能较高精度地从城郊区域的复杂背景中提取出不同类型、不同光谱的耕地目标。

Chen

, Chen T

, Liu H

, et al.

Hierarchical extraction of farmland from high-resolution remote sensing imagery

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(3):190-198.

[8]

刘旭拢, 何春阳, 潘耀忠 , 等.

遥感图像分类精度的点、群样本检验与评估

[J]. 遥感学报, 2006,10(3):366-372.

DOI:10.3321/j.issn:1007-4619.2006.03.013 URL Magsci [本文引用: 1]

遥感专题分类结果在使用前,必须进行客观可靠的精度验证和分析,以保持遥感分类结果的可靠性.本文利用不同分辨率遥感数据获取的同一地区土地利用/覆盖信息,进行了简单随机抽样、系统抽样和分层抽样三种不同抽样组织方式下的点样本和群样本检验分析,评估了不同抽样方式下的点样本和群样本检验效果.研究结果表明：（1）抽样方式对遥感分类精度评价结果的影响是客观存在的,不同抽样方式下的点样本和群样本检验结果都存在一定的随机性,但同一种抽样方式下,点样本检验精度评估结果的波动幅度小于群样本检验,稳定性比群样本检验要好;（2）不同抽样方式下的多次点样本和群样本检验的平均精度检验结果基本上都能够反映分类图像的精度特征,其中,点样本检验中,分层随机抽样点样本检验效果较好;群样本检验中,系统抽样群样本检验和分层随机抽样群样本检验的效果优于简单随机抽样群样本检验.

Liu X

, He C

, Pan Y

, et al.

Accuracy assessment of thematic classification based on point and cluster sample

[J]. Journal of Remote Sensing, 2006,10(3):366-372.

[9]

田绍鸿, 张显峰 .

采用随机森林法的天绘数据干旱区城市土地覆盖分类

[J]. 国土资源遥感, 2016,28(1):43-49.doi: 10.6046/gtzyyg.2016.01.07.

基于天绘一号(TH-1,或称MS-1)卫星多光谱数据,采用随机森林分类方法(random forests classification,RFC)对位于中亚干旱区的我国新疆维吾尔族自治区阿勒泰地区北屯市及周边区域的土地覆盖进行了分类研究。针对北屯市不透水层与裸土混杂的情况,将纹理特征与植被信息构建最优组合,建立有效的RFC分类器,提高对易混淆土地覆盖类型的分类识别精度。结果表明,采用RFC的分类精度高于最大似然法分类结果,总体分类精度提高了近10%。经过优化选择的特征组合在对干旱区中小城市土地覆盖进行分类时表现良好,能得到较高精度的分类结果,可满足新疆中小城市发展规划对土地覆盖信息的需求。

Tian S

, Zhang X

Random forest classification of land cover information of urban areas in arid regions based on TH-1 data

[J]. Remote Sensing for Land and Resources, 2016,28(1):43-49.doi: 10.6046/gtzyyg.2016.01.07.

[10]

李金香, 李志强, 李帅 , 等.

高分辨率遥感影像居民地半自动提取方法研究

[J]. 国土资源遥感, 2017,29(3):17-24.doi: 10.6046/gtzyyg.2017.03.03.

居民地是地震灾害的重要受灾体,是进行地震应急救援准备的基础。采用高分一号2 m分辨率卫星遥感数据提取研究区真实居民地空间分布信息,为地震应急救援准备提供数据支持。结果表明:运用灰度共生矩阵、二值化、数学形态学等方法对影像进行迭代运算,能较好地提取高分一号2 m分辨率影像居民地信息。这种算法正确率较高,鲁棒性较好,然而对于稀疏植被及非居民聚居的人工建筑区提取结果虚警率因子较高,存在误提现象,需将提取结果与影像进行对比分析,通过人工干预完成研究区居民地半自动提取,以保证提取精度。

Li J

, Li Z

, Li

, et al.

The method for semi-automatic extraction of residential area from high resolution remote sensing images

[J]. Remote Sensing for Land and Resources, 2017,29(3):17-24.doi: 10.6046/gtzyyg.2017.03.03.

[11]

徐涵秋

一种快速提取不透水面的新型遥感指数

[J]. 武汉大学学报(信息科学版), 2008,33(11):1150-1153,1211.

首次采用复合波段的形式创建了归一化差值不透水面指数(normalized difference impervious surfaceindex,NDISI)。它可以用于大区域范围内快速、自动地提取不透水面信息。通过Landsat ETM+和ASTER两种影像的实验证明,新的指数能够有效地增强不透水面信息,并具有较高的提取精度。

Xu H

A new remote sensing index for fastly extracting impervious surface information

[J]. Geomatics and Information Science of Wuhan University, 2008,33(11):1150-1153,1211.

[12]

陈云浩, 冯通, 史培军 , 等.

基于面向对象和规则的遥感影像分类研究

[J]. 武汉大学学报(信息科学版), 2006,31(4):316-320.

DOI:10.3321/j.issn:1671-8860.2006.04.009 URL Magsci [本文引用: 1]

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象,建立对象的层次结构,计算对象的光谱特征、几何特征、拓扑特征等,利用对象、特征形成分类规则,并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例,对该方法进行了验证。

Chen Y

, Feng

, Shi P

, et al.

Classification of remote sensing image based on object-oriented and class rules

[J]. Geomatics and Information Science of Wuhan University, 2006,31(4):316-320.

DOI:10.3969/j.issn.1672-5867.2013.08.019 URL [本文引用: 1]

[13]

尹展, 张建国, 李宏斌 .

面向对象分类技术在高分辨率遥感影像信息提取中的应用研究

[J]. 测绘与空间地理信息, 2013,36(8):61-63.

应用高分辨率遥感数据进行矿山环境监测是近几年来矿山监测工作的一个发展趋势,信息提取技术是遥感数据应用中的关键。传统的像元分类方法只考虑了光谱信息,信息提取量少,分类精度低,难以满足高分辨率数据信息的提取。本文以IKONOS影像为数据源,利用面向对象分类新技术,探讨该技术在矿山高分辨遥感数据中的应用。最后运用kappa系数比较评价面向对象分类方法与传统的像元分类方法。研究表明,面向对象分类法比基于像元分类法精度更高,效果更好,具有较好的应用前景。

Yin

, Zhang J

, Li H

Application research on information extraction based on high-resolution remote sensing images using object-oriented analysis

[J]. Geomatics and Spatial Information Technology, 2013,36(8):61-63.

[14]

杨青山, 张华 .

融合像元形状和光谱信息的高分遥感图像分类新方法

[J]. 国土资源遥感, 2016,28(4):64-70.doi: 10.6046/gtzyyg.2016.04.10.

在高空间分辨率（简称“高分”）遥感图像分类中，由于存在“同谱异物”等现象，仅依靠光谱信息进行分类的误差较大。为提高图像分类精度，提出一种融合像元形状和光谱特征信息的高分多光谱遥感图像分类新方法。首先利用像元及其邻域的关系来描述其空间结构，计算并提取像元同质区域（pixel homogeneous regions，PHR）；然后以所提取的同质区域为基础，分别计算中心像元的长/宽比（length-width ratio，LW）和面积/周长比（area-perimeter ratio，PAI）这2个像元形状特征；最后将归一化后的像元形状特征和光谱特征融合，并利用支持向量机分类方法进行分类。以2个区域的QuickBird高分遥感图像对该算法进行验证，将实验结果与仅利用光谱信息分类和仅使用像元形状指数（pixel shape index，PSI）分类的结果进行比较。结果表明，所提出的方法得到的分类精度最高，该方法能有效地提高高分遥感图像的分类精度。

Yang Q

, Zhang

A new method for classification of high spatial resolution remotely sensed imagery based on fusion of shape and spectral information of pixels

[J]. Remote Sensing for Land and Resources, 2016,28(4):64-70.doi: 10.6046/gtzyyg.2016.04.10.

[15]

eCognition.User guide

[EB/OL].Munich:Definiens Imaging GmbH[ 2017- 04- 26].

[16]

郭琳, 裴志远, 吴全 , 等.

面向对象的土地利用/覆盖遥感分类方法与流程应用

[J]. 农业工程学报, 2010,26(7):194-198.

为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度，该文以新疆石河子垦区为研究区，利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合；采用最佳指数因子OIF对参与图像分割的谱段进行选择；选择不同分割参数建立4级分割层次，构建了不同尺度的分类对象；针对其不同特点，分别选择基于知识的模糊分类和基于样本的监督分类方法；建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估，与基于像元的分类方法相比，该文方法能够获取更高的分类精度，可为同类的研究与应用提供借鉴。

Guo

, Pei Z

, Wu

, et al.

Application of method and process of object-oriented land use-cover classification using remote sensing images

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(7):194-198.

[17]

庄喜阳, 赵书河, 陈诚 , 等.

面向对象的遥感影像最优分割尺度监督评价

[J]. 国土资源遥感, 2016,28(4):49-58.doi: 10.6046/gtzyyg.2016.04.08.

面向对象的遥感影像分类质量和精度，不仅取决于分类算法的好坏，而且取决于遥感影像的分割质量。以定量方法确定最优分割尺度，排除主观因素干扰，已成为影像分割质量评价的重点。以往的分割质量评价方法往往忽视了对象识别在影像分割质量评价中的重要性，因此，在分析地表真实地物和影像分割对象之间空间关系的基础上，构造出一种基于面积和位置的影像分割最优尺度评价指数；并对WorldView2多光谱影像进行分割实验，确定了不同地物的最优分割尺度。研究结果表明，该方法在影像分割结果评价和参数优化方面具有更大的优势，不仅可以评价遥感影像分割质量、进行分割尺度参数优化，而且在分割质量评价过程中减少了人为干预，提高了方法的客观性。

Zhuang X

, Zhao S

, Chen

, et al.

Supervised evaluation of optimal segmentation scale with object-oriented method in remote sensing image

[J]. Remote Sensing for Land and Resources, 2016,28(4):49-58.doi: 10.6046/gtzyyg.2016.04.08.

[18]

Gorte

Probabilistic segmentation of remotely sensed images

[C]//ITC Publication Series, 1998(63):8-10.

[19]

马国锐, 马艳丽, 江满珍 .

结合颜色直方图和LBP纹理的遥感影像分割

[J]. 国土资源遥感, 2017,29(3):32-40.doi: 10.6046/gtzyyg.2017.03.05.

提出了一种结合颜色直方图特征和LBP纹理特征的高分辨率遥感影像分割方法.首先对梯度图像进行双阈值联合的自适应标记,进而通过快速分水岭变换来获得初始分割结果,然后以一种结合颜色直方图特征和LBP纹理特征的区域相似性度为指标对初始分割区域进行合并获得最终的分割结果.通过在高分辨率遥感影像上的分割对比实验,证明了该方法能充分利用遥感影像的光谱和纹理信息,分割效果良好.

Ma G

, Ma Y

, Jiang M

Combinational color histogram and LBP textural features for remote sensing image segmentation

[J]. Remote Sensing for Land and Resources, 2017,29(3):32-40.doi: 10.6046/gtzyyg.2017.03.05.

[20]

Hansen

, Dubayah

, Defries

Classification trees:An alternative to traditional land cover classifiers

[J]. International Journal of Remote Sensing, 1996,17(5):1075-1081.

DOI:10.1080/01431169608949069 URL [本文引用: 1]

Classification trees are a powerful alternative to more traditional approaches of land cover classification. Trees provide a hierarchical and nonlinear classification method and are suited to handling non-parametric training data as well as categorical or missing data. By revealing the predictive hierarchical structure of the independent variables, the tree allows for great flexibility in data analysis and interpretation. In this Letter, we compare a tree'' s performance to that of a maximum likelihood classifier using a 100° by 100° global data sel. The tree''s accuracy in classifying a validation dala set is comparable to that when using maximum likelihood (82 per cent). The tree also may be used to reduce the dimensionality of data sets and to find those metrics that are most useful for discriminating among cover types.

[21]

张连蓬, 柳钦火, 王德高 , 等.

高光谱遥感植被指数的普适性分析

[J].测绘通报, 2010(9):1-4.

针对众多的窄波段高光谱遥感植被指数,利用多个包含高光谱和植被理化含量的实测数据集从相关系数、确定性系数以及预测均方误差等方面进行验证分析.结果显示植被指数TCARI、MCARI、mND705、mSR705具有优于其他植被指数的普适性.在建立回归反演模型时,建议选用非线性抛物线模型,其预测精度优于线性模型.

Zhang L

, Liu Q

, Wang D

, et al.

The universal analysis of vegetation indices for hyperspectral remote sensing data

[J].Bulletin of Surveying and Mapping, 2010(9):1-4.