自然资源遥感, 2024, 36(3): 240-247 doi: 10.6046/zrzyyg.2023135

技术应用

Landsat和GF数据面向对象土地覆盖分类研究

尚明,1,2, 马杰,2,3, 李悦1, 赵菲4, 顾鹏程5, 潘光耀6, 李倩2,7, 任阳阳1,8

1.河北工程大学地球科学与工程学院,邯郸 056038

2.新疆干旱区水循环与水利用重点实验室,中国科学院新疆生态与地理研究所,乌鲁木齐 830011

3.河北工程大学建筑与艺术学院,邯郸 056038

4.中国卫通集团股份有限公司,北京 100190

5.中国国土勘测规划院,北京 100871

6.景朗生态环境技术(武汉)有限公司,武汉 420111

7.荒漠与绿洲生态国家重点实验室,中国科学院新疆生态与地理研究所,乌鲁木齐 830011

8.河北省地理信息集团有限公司,石家庄 050000

Exploring the object-oriented land cover classification based on Landsat and GF data

SHANG Ming,1,2, MA Jie,2,3, LI Yue1, ZHAO Fei4, GU Pengcheng5, PAN Guangyao6, LI Qian2,7, REN Yangyang1,8

1. School of Earth Science and Engineering, Hebei University of Engineering, Handan 056038, China

2. Xinjiang Key Laboratory of Water Cycle and Utilization in Arid Zone, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China

3. School of Architecture and Art, Hebei University of Engineering, Handan 056038, China

4. China Satellite Communications Co., Ltd., Beijing 100190, China

5. China Land Surveying and Planning Institute, Beijing 100871, China

6. Jinglang Ecological Environment Technology (Wuhan) Co., Ltd., Wuhan 420111, China

7. State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China

8. Hebei Geographic Information Group Co., Ltd., Shijiazhuang 050000, China

通讯作者: 马 杰(1983-),女,博士,讲师,主要从事生态水文研究。Email:83majie@163.com。

责任编辑: 李瑜

收稿日期: 2023-05-16   修回日期: 2023-07-20  

基金资助: 邯郸市科学技术研究与发展计划项目“面向对象的邯郸市土地覆被变化及生态服务功能评价”(21422903273)
新疆干旱区水循环与水利用重点实验室开放课题“干旱区融雪径流模拟研究——以玛纳斯河流域为例”(XJYS0907-2023-11)
国家自然科学基金项目“华北平原农田最大羧化速率和光合色素的关系及其生产力模拟研究”(32001130)
河北省自然科学基金项目“基于叶片光合能力和叶绿素含量同步观测的河北冬小麦-夏玉米生产力模拟研究”(C2021402011)

Received: 2023-05-16   Revised: 2023-07-20  

作者简介 About authors

尚 明(1988-),男,博士,讲师,主要从事遥感及GIS技术应用。Email: shangming@hebeu.edu.cn。

摘要

针对中分辨率遥感数据面向对象分类,以河北省北部山区和南部平原Landsat8 OLI,Landsat5 TM及高分一号(GF1)数据为研究对象,对支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、决策树(decision tree,DT)及朴素贝叶斯(naive Bayes,NB)4种分类器的土地覆盖分类效果进行对比,并分析SVM,RF和DT中关键参数对分类结果的影响。结果表明: 在2个研究区,各分类器结果略有差异,从整体上看其优劣排序为SVM,NB,RF和DT。其中SVM和DT分类精度随参数变化波动较大: 对于SVM,当参数C取值不小于103且gamma不大于10-1时,无论哪种情况其分类精度均优于90%; 对于DT,当参数树深(Depth)大于3时,各情况下的分类精度相对较高且趋于稳定。RF分类精度随参数变化波动较小且没有明显的变化规律。研究结果可为中分辨率遥感数据面向对象土地覆盖分类研究提供参考。

关键词： 面向对象分类; 分类器; Landsat; 高分一号; 土地覆盖

Abstract

This study aims to explore the object-oriented classification based on moderate-resolution remote sensing data. Using the Landsat8 OLI, Landsat5 TM, and GF1 data obtained from the northern mountainous area and the southern plain area in Hebei Province, this study compared the land cover classification effects of four classifiers: support vector machine (SVM), random forest (RF), decision tree (DT), and naive Bayes (NB). Moreover, it analyzed the impacts of critical parameters in SVM, RF, and DT on the classification results. The findings indicate that the classification results of the classifiers vary slightly in the two study areas, with their effects decreased in the order of SVM, NB, RF, and DT. The classification accuracies of SVM and DT fluctuated significantly with parameter changes. With C values not below 103 and gamma values not exceeding 10-1, SVM can yield classification accuracies above 90% in all cases. With depth values over 3, DT exhibits relatively high and stable classification accuracies. With parameter changes, RF manifests slightly varying classification accuracies with nonsignificant variation patterns. The results of this study serve as a reference for exploring the object-oriented land cover classification based on moderate-resolution remote sensing data.

Keywords： object-oriented classification; classifier; Landsat; GF1; land cover

PDF (16457KB) 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

尚明, 马杰, 李悦, 赵菲, 顾鹏程, 潘光耀, 李倩, 任阳阳. Landsat和GF数据面向对象土地覆盖分类研究[J]. 自然资源遥感, 2024, 36(3): 240-247 doi:10.6046/zrzyyg.2023135

SHANG Ming, MA Jie, LI Yue, ZHAO Fei, GU Pengcheng, PAN Guangyao, LI Qian, REN Yangyang. Exploring the object-oriented land cover classification based on Landsat and GF data[J]. Remote Sensing for Land & Resources, 2024, 36(3): 240-247 doi:10.6046/zrzyyg.2023135

0 引言

作为遥感影像应用的基础问题,影像分类对许多研究有重要的意义,如资源调查、环境评价、灾害监测及响应等[1⇓⇓⇓-5]。目前,根据遥感影像分类对象是否为像元可分为基于像元的方法和面向对象的方法。

针对不同研究目的,结合不同遥感数据,大量研究表明面向对象的分类方法优于基于像元的方法。如李天驰等[6]以Landsat8数据为例,分别用面向对象和基于像元的方法来提取珊瑚信息,结果表明相比基于像元的方法,面向对象方法的分类总体精度可以提高7%~10%; 王芳等[7]以GF2数据为例,将面向对象的方法与3种基于像元的方法在城市地物分类研究中进行比较,结果表明面向对象方法的分类总体精度高于基于像元方法5%~12%; 肖武等[8]以无人机影像为例,分别利用面向对象和基于像元的方法对采煤沉陷湿地植被进行分类,结果表明面向对象方法的总体精度(84.2%)明显优于基于像元的方法(44.3%)。此外,还有Quickbird影像和SPOT影像在城市土地覆盖分类的相关研究,也证明了面向对象的方法优于基于像元的方法[9-10]。

目前在面向对象的分类方法研究中,大部分研究关注高分辨率影像,如WorldView,QuickBird,GF2,SuperView-1及无人机影像等[11⇓⇓⇓-15]。然而高分辨率遥感影像由于不易获得以及高成本性,其在大范围的应用时具有一定的局限性。此外,以往研究中对于分类器效果随参数变化的研究较少。基于此,本文选择Landsat8 OLI,Landsat5 TM及GF1等3种中分辨率遥感影像,对不同分类器面向对象土地覆盖分类的效果进行研究,并分析分类器中参数设置对其结果的影响,以期为中分辨率遥感数据面向对象土地覆盖分类研究提供参考。

1 研究区概况及数据源

本文在河北省北部山区和南部平原各选择1个10 km×10 km的区域,分别定义为研究区1和研究区2(具体位置见图1)。根据研究区特点,将研究文中所用遥感数据包括Landsat8 OLI,Landsat5 TM以及高分一号,为方便描述,将其分别简写为OLI,TM和GF1。其中OLI所用数据为波段1—7和9,其空间分辨率为30 m; TM所用数据为波段1—5和7,其空间分辨率为30 m; GF1所用数据为波段6—9,其空间分辨率为16 m。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置及遥感影像

Fig.1   Location and remote sensing images of study area


此外,研究区对应的数字高程模型(digital elevation model,DEM)数据及其衍生产品坡度数据经过转投影及重采样,将其分辨率与对应遥感数据保持一致后也用于后续的分类。以上数据均从地理空间数据云获取。

另外,为了对分类结果进行精度评价,本文结合谷歌影像选择验证样本数据,各类别验证样本数量均不少于50个,其中研究区1各类别验证样本数量分别为建设用地50个、耕地150个、林地150个,研究区2各类别为建设用地50个、水体70个、耕地200个。

2 研究方法

2.1 分割参数及特征设置

面向对象分类中,分割参数包括尺度因子、形状因子及紧致度因子。参考前期工作[16-17]并结合目视判断,在保证分割对象仅包含单一地物的情况下,最终3种数据所选择的尺度从大到小依次为30(OLI),20(GF1)和5(TM)。形状因子和紧致度因子分别设置为0.1和0.5。对于分类时所用特征,在借鉴以往研究[16]的基础上,最终所用特征包括各波段均值、各波段标准差、各波段贡献率、亮度、最大差分、植被指数、水体指数、建筑物指数、长度、长宽比、边界指数和密度等,其中均值和标准差的计算包括DEM及坡度。

2.2 分类器

据统计[18],研究中常用的分类器主要包括最近邻法、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、决策树(decision tree,DT)和朴素贝叶斯(naive Bayes,NB)和最大似然法。本文对eCognition软件中内置的4种分类器进行研究,即: SVM,RF,DT和NB。

DT是由基于样本特征的若干规则创建而成。该方法首先根据对样本类别的可分性来选择最优特征值; 其次,根据所选的特征值将DT中的节点拆分为2个子节点,并将相同的过程应用于每个子节点,当一个节点上的所有样本都属于同一个类时,停止节点拆分; 最后,为了提高该分类器的稳定性,对形成的DT进行修剪以减少过度拟合的影响。DT中树深(Depth)已被证明是一个关键的参数[19-20]。因此,本文将Depth设置为1~15来研究其对分类结果的影响。

SVM通过构建最优超平面使样本空间中任意类别之间的距离最大,从而达到不同类别的区分。在SVM中最优超平面可以通过不同核函数来实现,本研究中选择常用的径向基函数作为核函数[21-22]。径向基函数中有2个参数: C和gamma,其中C是误差惩罚因子,该值影响所训练模型的推广能力,gamma则主要影响最优超平面的形状。本文将C和gamma的值分别设置为10-1, 100, 101, 102, 103, 104, 105, 106, 107, 108和10-5, 10-4, 10-3, 10-2, 10-1, 100, 101, 102, 103, 104,以此来研究这2个参数的变化对SVM性能的影响。

RF由多个DT分类器组成,其分类结果由每个DT所分出的类别的多数来决定。其中每个DT所使用样本数据子集随机的来自于原始的样本数据,并且各DT在进行类别判断时所用特征变量也是随机从原始特征按照一定的数量进行选取。因此在RF中,子树的个数(max tree number,MTN)和每个子树在分裂时所用到的特征数量(active variables,AV)是关键的2个参数[23-24]。本文将MTN的值设置为1~20; AV的值以50为间隔,设置为50~500,以此来研究MTN和AV对RF性能的影响。

NB是一种基于贝叶斯定理的经典概率分类器。其假定用于判断类别的特征是相互独立的,根据训练样本计算特征的均值和方差,然后用于分类。该分类器不需要设置参数。

另外,文中各分类结果的优劣通过总体精度[25]来进行评价。

3 结果及分析

3.1 不同分类器分类结果比较

研究区1各数据分类结果见图2,其中: 图2(a)—(d)分别为GF1数据SVM,RF,DT及NB这4种分类器的结果,图2(e)—(h)及图2(i)—(l)分别为OLI和TM数据所对应的4种分类器的结果。研究区2各数据分类结果见图3,其中: 图3(a)—(d),图3(e)—(h)及图3(i)—(l)分别为GF1,OLI和TM数据各自对应的4种分类器的结果。从空间上来看,2个研究区中各数据在不同分类器下的分类结果相差不大。利用总体精度对各数据不同分类器分类结果做进一步的比较,结果如表1所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   研究区1各数据4种分类器结果

Fig.2   Classification results of 4 classifiers for each images in study area-1


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   研究区2各数据4种分类器结果

Fig.3   Classification results of 4 classifiers for each image in study area-2


表1   研究区各数据分类结果总体精度

Tab.1  Overall accuracy of classification results for each image in study area(%)

分类器研究区1研究区2
OLITMGF1平均值OLITMGF1平均值
SVM98.0096.0098.0097.3399.0698.1397.1998.13
RF97.4394.8696.0096.1096.5699.0696.5697.39
DT92.5788.0093.4391.3395.3196.5691.5694.48
NB97.7197.4398.0097.7195.9498.1396.5696.88

新窗口打开| 下载CSV


从表1中可以看出: 在研究区1,OLI数据总体精度从大到小所对应分类器依次为SVM(98.00%),NB(97.71%),RF(97.43%)和DT(92.57%); TM数据的精度依次为NB(97.43%),SVM(96.00%),RF(94.86%)和DT(88.00%); GF1数据分类结果中SVM和NB最优(均为98.00%),RF次之(96.00%),DT最差(93.43%)。在研究区2,OLI数据分类结果的优劣排序依次为SVM(99.06%),RF(96.56%),NB(95.94%)和DT(95.31%); TM数据分类结果中RF最优(99.06%),SVM和NB次之(98.13%),DT最差(96.56%); GF1数据分类结果中SVM最优(97.19%),RF和NB次之(96.56%),DT最差(91.56%)。总体上来看,SVM结果最优,其次是NB和RF,DT在所有情况下都是最差。

3.2 参数对分类器的影响

图4为SVM随参数变化的分类结果。其中,研究区1中GF1,OLI及TM的总体精度变化范围分别为42.86%~98%(图4(a)),22%~98%(图4(b))和14.57%~96%(图4(c))。研究区2中GF1,OLI及TM的总体精度变化范围分别为62.81%~97.19%(图4(d)),62.5%~99.06%(图4(e))和15.94%~98.13%(图4(f))。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   SVM随参数C和gamma变化的分类精度

Fig.4   Overall accuracy of SVM with different values of C and gamma for each image


从图4可以看出,SVM随参数不同其总体精度变化较大,但当参数C不小于103、gamma不大于10-1时,无论哪种情况,其总体精度均优于90%。表2为各数据3种分类器的最优参数。从表2来看,各情况下C均不小于101,gamma均不大于10-2。总的来说,SVM总体精度高时,参数C的取值相对较大,gamma的取值相对较小。

表2   各数据3种分类器最优参数

Tab.2  Optimal parameter values of three classifiers for each image

分类器研究区1研究区2
OLITMGF1OLITMGF1
SVM(C,gamma)(106,10-5)(103,10-3)(102,10-3)
(101,10-2)		(102,10-2)(103/104/
105/106/107
/108,10-2)		(105,10-5)
(104,10-4)
RF(AV,MTN)(1,400)(7,500)(1,100/300/400)
(2,350)		(14,300)(1/4,350)(2,350/450)
DT(Depth)439/13/155/7/10/13/143/8/153/11/15

新窗口打开| 下载CSV


图5为RF随参数变化的分类结果。其中,研究区1中GF1,OLI及TM的总体精度变化范围分别为91.71%~96%(图5(a)),93.14%~97.43%(图5(b))和87.71%~94.86%(图5(c))。研究区2中GF1,OLI及TM的总体精度变化范围分别为90.63%~96.56%(图5(d)),94.06%~96.56%(图5(e))和89.38%~99.06%(图5(f))。从图5可以看出,RF随参数不同其总体精度变化较小,且其总体精度随参数的变化没有明显的规律。从最优参数(表2)来看,对于AV,除了研究区2的OLI数据,其余情况下AV的值均不大于7; 对于MTN,除了研究区1中GF1数据存在100的情况,其余情况下MTN的值均不小于300。总的来说,参数AV较小、MTN较大时,RF的总体精度较高。

图5-1

新窗口打开| 下载原图ZIP| 生成PPT

图5-1   RF随参数AV和MTN变化的分类精度

Fig.5-1   Overall accuracy of RF with different values of AV and MTN for each image


图5-2

新窗口打开| 下载原图ZIP| 生成PPT

图5-2   RF随参数AV和MTN变化的分类精度

Fig.5-2   Overall accuracy of RF with different values of AV and MTN for each image


图6为DT随参数变化的结果。其中,研究区1中GF1,OLI及TM的总体精度变化范围分别为42.86%~93.43%,14.29%~92.57%和43.14%~88%。研究区2中GF1,OLI及TM的总体精度变化范围分别为35.63%~91.56%,21.25%~95.31%和62.19%~96.56%。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   DT随参数Depth变化的分类精度

Fig.6   Overall accuracy of DT with increasing maximum Depth values for each image


从图6可以看出,DT随参数不同其总体精度变化较大,当参数Depth大于3时各情况下的总体精度趋于稳定。从最优参数(表2)来看,各情况下Depth的取值均不小于3。

4 讨论与结论

4.1 讨论

1)分类器选择。很多分类任务都会面临分类器选择及其参数的设置,因此有必要对其进行研究。本文中分类器的对比分析发现SVM最优,这与很多研究结果一致[17,19-20],说明SVM针对不同数据、不同分类任务均可以取得较好的效果。

2)参数设置。在参数设置方面,虽然不同分类任务下各分类器最优参数存在差异,但分类精度随参数变化的规律与本文结果有很好的一致性,如相关研究表明当DT中参数Depth大于一定数值后分类精度趋于稳定,SVM中参数C和gamma在一定范围时分类结果可以保持较高精度[19-20]。

4.2 结论

本文在河北省北部山区和南部平原选择试验区,以OLI,TM及GF1等3种遥感数据为例,对面向对象土地覆盖分类时不同分类器及其参数设置对分类精度的影响进行了研究,研究结果可以为面向对象的土地覆盖分类提供借鉴。主要结论包括:

1)对于所选4种分类器,OLI,TM及GF1等3种数据在研究区1中各分类器精度的优劣顺序分别为SVM > NB > RF > DT,NB > SVM > RF > DT和SVM = NB > RF > DT; 研究区2中对应的优劣顺序依次为: SVM > RF > NB > DT,RF > SVM = NB > DT和SVM > NB = RF > DT。从整体来看,SVM的表现最好,NB和RF次之,DT的表现最差。

2)从参数设置来看,对于SVM,当C值取值较大且gamma取值较小时,其能够取得较好的分类精度; 当参数C取值不小于103,gamma不大于10-1时,SVM在所有情况下的分类精度均优于90%。对于RF,其分类效果随参数变化的波动较小,从最优分类精度来看其对应的参数AV相对较小,而MTN相对较大。对于DT,当参数Depth大于3时,其在所有情况下能够取得稳定且更好的分类精度。

本文仅对4种分类器进行了分析,后续将进一步对更多分类器开展相关工作。随着高空间分辨率遥感数据的逐步普及和推广应用,建议在条件允许时采用高分辨率遥感数据对本文的研究结果进一步验证。

参考文献

吴玉鑫, 王卷乐, 韩保民, 等.

基于时空谱特征的墨脱县森林分类方法与实现

[J]. 自然资源遥感, 2023, 35(1):180-188.doi:10.6046/zrzyyg.2022016.

[本文引用: 1]

Wu Y X, Wang J L, Han B M, et al.

Forest classification for Motuo County:A method based on spatio - temporal - spectral characteristics

[J]. Remote Sensing for Natural Resources, 2023, 35(1):180-188.doi:10.6046/zrzyyg.2022016.

[本文引用: 1]

梁晨欣, 黄启厅, 王思, 等.

基于多时相遥感植被指数的柑橘果园识别

[J]. 农业工程学报, 2021, 37(24):168-176.

[本文引用: 1]

Liang C X, Huang Q T, Wang S, et al.

Identification of citrus orchard under vegetation indexes using multi-temporal remote sensing

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(24):168-176.

[本文引用: 1]

姚昆, 张存杰, 何磊, 等.

雅砻江中上游流域生态环境脆弱性动态评价及预测

[J]. 国土资源遥感, 2020, 32(4):199-208.doi:10.6046/gtzyyg.2020.04.25.

[本文引用: 1]

Yao K, Zhang C J, He L, et al.

Dynamic evaluation and prediction of ecological environment vulnerability in the middle-upper reaches of the Yalong River

[J]. Remote Sensing for Land and Resources, 2020, 32(4):199-208.doi:10.6046/gtzyyg.2020.04.25.

[本文引用: 1]

张雨, 明冬萍, 赵文祎, 等.

基于高分光学卫星影像的泸定地震型滑坡提取与分析

[J]. 自然资源遥感, 2023, 35(1):161-170.doi:10.6046/zrzyyg.2022434.

[本文引用: 1]

Zhang Y, Ming D P, Zhao W Y, et al.

The extraction and analysis of Luding earthquake-induced landslide based on high-resolution optical satellite images

[J]. Remote Sensing for Natural Resources, 2023, 35(1):161-170.doi:10.6046/zrzyyg.2022434.

[本文引用: 1]

杜浩国, 林旭川, 卢永坤, 等.

基于遥感影像的震后避难空间快速提取模型研究——以2021年云南漾濞M_S6.4地震为例

[J]. 地震研究, 2023, 46(1):116-127.

[本文引用: 1]

Du H G, Lin X C, Lu Y K, et al.

Study on the rapid extraction model of post-earthquake shelter sites based on remote sensing images:A case study of the Yangbi MS6.4 Earthquake

[J] Journal of Seismological Research, 2023, 46(1):116-127.

[本文引用: 1]

李天驰, 王道儒, 赵亮, 等.

基于Landsat8遥感数据的西沙永乐环礁底质分类与变化分析

[J]. 自然资源遥感, 2023, 35(2):70-79.doi:10.6046/zrzyyg.2022207.

[本文引用: 1]

Li T C, Wang D R, Zhao L, et al.

Classification and change analysis of the substrate of the Yongle Atoll in the Xisha Islands based on Landsat8 remote sensing data

[J]. Remote Sensing for Natural Resources, 2023, 35(2):70-79.doi:10.6046/zrzyyg.2022207.

[本文引用: 1]

王芳, 杨武年, 王建, 等.

GF-2影像城市地物分类方法探讨

[J]. 测绘通报, 2019(7):12-16.

DOI:10.13474/j.cnki.11-2246.2019.0210      [本文引用: 1]

GF-2影像具有较高的分辨率和丰富的光谱、几何及纹理信息。为了深入探索GF-2影像城市地物分类方法，本文以四川省隆昌县城为研究区，提出了一种基于最优尺度和规则的面向对象分类法。在影像分割的基础上，通过构建评价函数，并结合最大面积法选取最优尺度，进而构建分层体系，提取影像的光谱、几何及纹理特征建立规则并分类，且将其与单尺度下的面向对象和基于像素分类法进行对比分析。结果表明，本文方法的总体精度和Kappa系数分别为93.33%和0.92。

Wang F, Yang W N, Wang J, et al.

Discussion on classification methods of urban features based on GF-2 images

[J]. Bulletin of Surveying and Mapping, 2019(7):12-16.

DOI:10.13474/j.cnki.11-2246.2019.0210      [本文引用: 1]

The GF-2 image has higher resolution as well as more detailed characteristics of spectral, features, geometric and texture. In order to explore the classification method of the GF-2 image in urban features, an object oriented classification method based on optimal scale and rules is proposed in the study area of Longchang County, Sichuan Province. Based on segmentations, the evaluation function is constructed, combining with the maximum area method, optimal segmentation scales are selected to construct multiple layers. The spectral, geometric and texture features of the image are extracted to establish rules for classification and compared with the classification methods of object-oriented with the single scale and pixel based. The results show that the overall accuracy and Kappa coefficient of the proposed method are 93.33% and 0.92, respectively.

肖武, 任河, 吕雪娇, 等.

基于无人机遥感的高潜水位采煤沉陷湿地植被分类

[J]. 农业机械学报, 2019, 50(2):177-186.

[本文引用: 1]

Xiao W, Ren H, Lyu X J, et al.

Vegetation classification by using UAV remote sensing in coal mining subsidence wetland with high ground-water level

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(2):177-186.

[本文引用: 1]

Myint S W, Gober P, Brazel A, et al.

Per-pixel vs.object-based classification of urban land cover extraction using high spatial resolution imagery

[J]. Remote Sensing of Environment, 2011, 115(5):1145-1161.

[本文引用: 1]

胡荣明, 魏曼, 杨成斌, 等.

以SPOT5遥感数据为例比较基于像素与面向对象的分类方法

[J]. 遥感技术与应用, 2012, 27(3):366-371.

[本文引用: 1]

Hu R M, Wei M, Yang C B, et al.

Taking SPOT5 remote sensing data for example to compare pixel-based and object-oriented classification

[J]. Remote Sensing Technology and Application, 2012, 27(3):366-371.

[本文引用: 1]

王春霞, 张俊, 李屹旭, 等.

复杂环境下GF-2影像水体指数的构建及验证

[J]. 自然资源遥感, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.

[本文引用: 1]

Wang C X, Zhang J, Li Y X, et al.

The construction and verification of a water index in the complex environment based on GF-2 images

[J]. Remote Sensing for Natural Resources, 2022, 34(3):50-58.doi:10.6046/zrzyyg.2021227.

[本文引用: 1]

陈丽萍, 孙玉军.

基于不同决策树的面向对象林区遥感影像分类比较

[J]. 应用生态学报, 2018, 29(12):3995-4003.

DOI:10.13287/j.1001-9332.201812.015      [本文引用: 1]

面向地理对象影像分析技术(GEOBIA)是影像分辨率越来越高的背景下的产物.如何提高高分辨率影像分类精度和分类效率是影像处理的重要议题之一.本研究对QuickBird影像多尺度分割后的对象进行分类,分析了C5.0、C4.5、CART决策树算法在林区面向对象分类中的效率,并与kNN算法的分类精度进行比较.利用eCognition软件对遥感影像进行多尺度分割,分析得到最佳尺度为90和40.在90尺度下分离出植被和非植被后,在40尺度下提取不同类别植被的光谱、纹理、形状等共21个特征,并利用C5.0、C4.5、CART决策树算法分别对其进行知识挖掘,自动建立分类规则.最后利用建立的分类规则分别对植被区域进行分类,并比较分析其精度.结果表明: 基于决策树的分类精度均高于传统的kNN法.其中,C5.0方法的精度最高,其总体分类精度为90.0%,Kappa系数0.87.决策树算法能有效提高林区树种分类精度,且C5.0决策树的Boosting算法对该分类效果具有最明显的提升.

Chen L P, Sun Y J.

Comparison of object-oriented remote sensing image classification based on different decision trees in forest area

[J]. Chinese Journal of Applied Ecology, 2018, 29(12):3995-4003.

[本文引用: 1]

董哲, 王凌, 朱西存, 等.

光谱模型结合面向对象法的山区水体提取

[J]. 遥感信息, 2022, 37(4):121-127.

[本文引用: 1]

Dong Z, Wang L, Zhu X C, et al.

Water extraction in mountainous area based on spectral model and object-oriented method

[J]. Remote Sensing Information, 2022, 37(4):121-127.

[本文引用: 1]

聂倩, 七珂珂, 赵艳福.

融入超像素分割的高分辨率影像面向对象分类

[J]. 测绘通报, 2021(6):44-49.

DOI:10.13474/j.cnki.11-2246.2021.0174      [本文引用: 1]

针对高分辨率遥感影像面向对象分类中容易受分割参数的影响、分类精度不稳定的问题，本文提出了一种融入超像素分割的高分辨率影像面向对象分类方法。该方法通过简单线性迭代聚类（SLIC）算法对原始影像进行聚类生成超像素影像，并在此基础上采用分形网络演化方法（FNEA）进行多尺度分割生成同质性对象，最后利用最邻近分类方法进行地物分类。试验结果表明，该方法不易受多尺度分割参数的影响，分类效果稳定，而且分类精度明显高于传统的面向对象分类方法，对于高分辨率遥感影像的广泛应用具有重要意义。

Nie Q, Qi K K, Zhao Y F.

Object-oriented classification of high-resolution image combining super-pixel segmentation

[J]. Bulletin of Surveying and Mapping, 2021(6):44-49.

DOI:10.13474/j.cnki.11-2246.2021.0174      [本文引用: 1]

In order to solve the problem that high-resolution remote sensing image object-oriented classification is easy to be affected by segmentation parameters and the classification accuracy is not stable, this paper proposes an object-oriented classification of high-resolution image combining super-pixel segmentation. In this method, a simple linear iterative clustering algorithm is used to cluster the original image to generate the super-pixel image. On this basis, the fractal net evolution approach is used for multi-scale segmentation to generate homogeneous objects. Finally, the nearest neighbor classification method is used to classify the ground objects. The experimental results show that the method is not easily affected by multi-scale segmentation parameters, the classification effect is stable, and the classification accuracy is significantly higher than that of the traditional object-oriented classification method, which is of great significance for the wide application of high-resolution remote sensing images.

黄亮, 吴春燕, 李小祥, 等.

基于弱监督语义分割的灯盏花无人机遥感种植信息提取

[J]. 农业机械学报, 2022, 53(4):157-163,217.

[本文引用: 1]

Huang L, Wu C Y, Li X X, et al.

Extraction of erigeron breviscapus planting information by unmanned aerial vehicle remote sensing based on weakly supervised semantic segmentation

[J]. Transactions of the Chinese Society of Agricultural Machinery, 2022, 53(4):157-163,217.

[本文引用: 1]

尚明. 中分辨率遥感数据面向对象分类的影响要素研究[D]. 北京: 中国科学院大学, 2018.

[本文引用: 2]

Shang M. Research on influence factors of object-based classification of medium resolution remote sensing data[D]. Beijing: University of Chinese Academy of Sciences, 2018.

[本文引用: 2]

Shang M, Wang S X, Zhou Y, et al.

Effects of training samples and classifiers on classification of Landsat8 imagery

[J]. Journal of the Indian Society of Remote Sensing, 2018, 46(9):1333-1340.

[本文引用: 2]

Ma L, Li M C, Ma X X, et al.

A Review of supervised object based land-cover image classification

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:277-293.

[本文引用: 1]

Qian Y G, Zhou W Q, Yan J L, et al.

Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery

[J]. Remote Sensing, 2014, 7(1):153-168.

[本文引用: 3]

Shang M, Wang S X, Zhou Y, et al.

Object-based image analysis of suburban landscapes using Landsat8 imagery

[J]. International Journal of Digital Earth, 2019, 12(6):720-736.

[本文引用: 3]

Faris H, Hassonah M A, Al-Zoubi A M, et al.

A multi-verse optimizer approach for feature selection and optimizing SVM parameters based on a robust system architecture

[J]. Neural Computing and Applications, 2018, 30(8):2355-2369.

[本文引用: 1]

杜科林, 官云兰, 裴东东, 等.

基于PSO参数优化支持向量机的湿地遥感分类——以鄱阳湖部分区域为例

[J]. 江西科学, 2018, 36(1):66-72,129.

[本文引用: 1]

Du K L, Guan Y L, Pei D D, et al.

Remote sensing classification of Poyang Lake wetland based on PSO parameter optimized support vector machine

[J]. Jiangxi Science, 2018, 36(1):66-72,129.

[本文引用: 1]

Ma L, Cheng L, Li M C, et al.

Training set size,scale,and features in geographic object-based image analysis of very high resolution unmanned aerial vehicle imagery

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102:14-27.

[本文引用: 1]

石彩霞, 赵传钢, 庞蕾.

基于超像素统计量的随机森林遥感图像分类

[J]. 计算机应用研究, 2018, 35(12):3798-3802.

[本文引用: 1]

Shi C X, Zhao C G, Pang L.

Research on random forest remote sensing image classification based on superpixel statistics

[J]. Application Research of Computers, 2018, 35(12):3798-3802.

[本文引用: 1]

李恒凯, 王利娟, 肖松松.

基于多源数据的南方丘陵山地土地利用随机森林分类

[J]. 农业工程学报, 2021, 37(7):244-251.

[本文引用: 1]

Li H K, Wang L J, Xiao S S.

Random forest classification of land use in hilly and mountaineous areas of southern China using multi-source remote sensing data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7):244-251.

[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