植被遥感信息提取方法研究进展及发展趋势

黄佩, 普军伟, 赵巧巧, 李忠杰, 宋浩昆, 赵筱青

Research progress and development trend of remote sensing information extraction methods of vegetation

HUANG Pei, PU Junwei, ZHAO Qiaoqiao, LI Zhongjie, SONG Haokun, ZHAO Xiaoqing

表3 不同植被遥感信息提取方法的应用优势及限制条件

Tab.3 Application advantages and limitations of different remote sensing information extraction methods of vegetation

提取方法 应用优势 限制条件 先验知识法 可避免不必要类别的出现;方法简单,实用性强 受研究者主观认知水平的影响较大;传统的监督分类方法要求大量的训练样本或样本要求必须符合正态分布 专家知识和相关辅助信息法 一定程度上可减少“同物异谱”和“同谱异物”现象,分类精度有较大提高 专家库知识规则的建立存在主观性;部分辅助数据具有时空覆盖范围小、时效性差等问题 植被物候特征提取法 能精确反映植被生长变化情况;可进行长周期、广覆盖的植被信息提取 对数据时间分辨率要求高;受数据噪声影响较大 多源遥感数据融合法 可实现不同光谱和时间分辨率的遥感影像信息重组和互补;可提高地物信息提取算法的鲁棒性和精度 像素级层次信息冗余度高;决策级层次数据预处理代价高 机器学习法 具有非线性特征;可以运行样本容量很大的数据集,泛化能力强 算法相对复杂;需要大量的训练样本;最优参数的确定较为困难 其他方法 面向对象分类法综合考虑了光谱特征、空间特征和上下文信息;较基于像元分类结果,降低了椒盐效应 混合像元分解法提升了影像信息整体精度,有效避免了土壤等地物背景的影响 面向对象分类法算法运行速度慢;对低分辨率影像及景观破碎、地形复杂地区应用性较差 混合像元分解法算法相对复杂;单个像元的分解精度较低