高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例

doi:10.3724/SP.J.1047.2016.00353

地球信息科学学报 ›› 2016, Vol. 18 ›› Issue (3): 353-361.doi: 10.3724/SP.J.1047.2016.00353

• 扶贫空间信息系统关键技术研究专栏 • 上一篇下一篇

高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例

吴田军^1,³(), 骆剑承², 沈占锋², 夏列钢⁴, 徐楠²

1. 长安大学理学院数学与信息科学系,西安 710064
2. 中国科学院遥感与数字地球研究所,北京 100101
3. 浙江省海洋大数据挖掘与应用重点实验室,舟山 316022
4. 浙江工业大学计算机学院,杭州 310023

收稿日期:2015-09-07 修回日期:2015-10-20 出版日期:2016-03-10 发布日期:2016-03-17
作者简介:
作者简介:吴田军(1986-),男,博士,研究方向为遥感信息计算.E-mail:wutianjun1986@163.com
基金资助:
国家科技支撑计划项目"扶贫空间信息系统关键技术及其应用"第一课题"贫困地区资源环境监测评估与生态价值评价技术"的专题一和专题五(2012BAH33B01-01,2012BAH33B01-05);浙江省海洋大数据挖掘与应用重点实验室开放课题项目(OBDMA201508)

Application of Land Cover Classification Techniques in Poverty-stricken Areas Using High Resolution Remote Sensing: A Case Study of Qianjiang District of Chongqing City

WU Tianjun^1,^3,^*(), LUO Jiancheng², SHEN Zhanfeng², XIA Liegang⁴, XU Nan²

1. Department of mathematics and Information Science, College of Science, Chang'an University, Xi'an 710064, China
2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
3. Key Laboratory of Oceanographic Big Data Mining & Application of Zhejiang Province, Zhoushan 316022, China
4. College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310026, China

Received:2015-09-07 Revised:2015-10-20 Online:2016-03-10 Published:2016-03-17
Contact: WU Tianjun E-mail:wutianjun1986@163.com

摘要/Abstract

摘要：

针对贫困区生态环境与资源的地表覆盖精细化调查需求,本文利用高分辨率遥感影像开展了土地覆盖信息提取的方法和应用研究.重点分析了高分辨率影像均值漂移分割,多特征提取与分析,对象级样本采集以及监督分类等技术,并综合实现了流程化的对象级土地覆盖分类.结果表明,本文串联的高分辨率影像分类技术能生成较精细的土地覆盖专题图,可及时为贫困区生态资源环境评价,碳核算等应用提供较可靠的地表覆盖数据.

关键词: 贫困区, 精细化土地覆盖制图, 高分辨率遥感影像, 面向对象分类

Abstract:

To meet the actual needs of refined land-cover information in poverty-stricken areas' ecological environment assessment and resource survey, this paper studies the technology and application of accurate land-cover classification based on the high-resolution satellite images. This article focuses on the technologies of high-resolution image segmentation using the mean shift algorithm, multiple feature extraction and analysis, automatic object-sample selection, and supervised classification. Then, we give a complete realization of the streamlined object-based land-cover classification by lining up the above technologies. Finally, taking Qianjiang district of Chongqing city as an example, we carry out a land cover information extraction experiment in its poverty-stricken areas. The experimental results show that the accurate and detailed land-cover maps can be obtained using the provided technology. The meticulous and reliable land-cover information can promptly provide a base-data-support for the eco-environmental assessment and carbon accounting applications in the poverty-stricken areas.

Key words: poverty-stricken areas, refined land-cover mapping, high-resolution remote sensing images, object-based classification

吴田军, 骆剑承, 沈占锋, 夏列钢, 徐楠. 高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例[J]. 地球信息科学学报, 2016, 18(3): 353-361.

WU Tianjun,LUO Jiancheng,SHEN Zhanfeng,XIA Liegang,XU Nan. Application of Land Cover Classification Techniques in Poverty-stricken Areas Using High Resolution Remote Sensing: A Case Study of Qianjiang District of Chongqing City[J]. Journal of Geo-information Science, 2016, 18(3): 353-361.

图/表 10

图1

图2

表1

表2

部分简单影像特征"

特征类型	特征名称	特征计算公式	说明
光谱特征	均值	$μ l = 1 n ∑ i = 0 n p l, i$	$p l, i$ 为像元值, $n$ 为像元个数, $l$ 为波段
	标准差	$σ l = 1 n - 1 ∑ i = 0 n (p l, i - μ) 2$	$p l, i$ 为像元值, $n$ 为像元个数, $l$ 为波段, $μ$ 为均值
	最大像元值	$p lmax = max (p l, i), i = 0, ..., n$	$p l, i$ 为像元值, $n$ 为像元个数, $l$ 为波段
	最小像元值	$p lmin = min (p l, i), i = 0, ..., n$	$p l, i$ 为像元值, $n$ 为像元个数, $l$ 为波段
	NDWI均值	$NDWI = GREEN - NIR GREEN + NIR$	$GREEN$ 为红波段, $NIR$ 为近红外波段
	NDVI均值	$NDVI = NIR - RED NIR + RED$	$NIR$ 为近红外波段, $RED$ 为红波段
形状特征	面积	$Area = ∑ i = 0 n a i$	$a i$ 为第 $i$ 个像元的面积, $n$ 为像元个数
	周长	$Pe = ∑ i = 0 n per i i$	$per i i$ 为第 $i$ 个边的长度, $n$ 为边数
	形状指数	$Shin = Pe 4 Area$	$Pe$ 为周长, $Area$ 为面积,Shin取值范围为 $[1, ∞$ ,当对象为正方形的时,Shin=1
	主方向	$MainDir = 180 ° π ta n - 1 (VarXY, λ - VarY) + 90 °$	影像对象空间分布的协方差矩阵两个特征值中较大的那个特征值相对应的特征向量的主要方向, $λ$ 为特征值, $VarX$ 和 $VarY$ 分别为 $X$ , $Y$ 的方差
	长宽比	$λ = λ 1 / λ 2$	$λ 1$ 为方差矩阵特征值的较大值, $λ 2$ 为方差矩阵特征值的较小值
	长度	$length = Area × λ$	$Area$ 为面积, $λ$ 为长宽比
	宽度	$width = Area / λ$	$Area$ 为面积, $λ$ 为长宽比
纹理特征	同质性	$Homogeneity = ∑ i, j = 0 N - 1 P i, j 1 + (i - j) 2$	$P i, j$ 归一化灰度共生矩阵 $GLCM$ 的值, $i$ , $j$ 为 $GLCM$ 的行列值, $N$ 是 $GLCM$ 行或列的数目
	对比度	$Contrast = ∑ i, j = 0 N - 1 P i, j (i - j)$
	相异性	$Dissimilarity = ∑ i, j = 0 N - 1 P i, j i - j$
	熵	$Entropy = ∑ i, j = 0 N - 1 P i, j (- lnP) i, j$
	角二阶矩	$A 2 m = ∑ i, j = 0 N - 1 P i, j 2$
	相关性	$Correlation = ∑ i, j = 0 N - 1 P i, j (i - μ i) (j - μ j) (σ i) 2 (σ j) 2$	$μ i = ∑ i, j = 0 N - 1 P i, j × i, μ j = ∑ i, j = 0 N - 1 P i, j × j, σ i 2 = ∑ i, j = 0 N - 1 P i, j × (i - μ i) 2, σ j 2 = ∑ i, j = 0 N - 1 P i, j × (i - μ i) 2$

表2

表3

部分复杂多源特征"

特征类型	特征名称	特征计算	说明
时相特征	$NDVI$ 差	$ΔNDVI = NDV I 1 - NDV I 2$	任意2个时相植被指数差异
时相特征	$NDWI$ 差	$ΔNDWI = NDW I 1 - NDW I 2$	任意2个时相水体指数差异
地形特征	高程均值	$h = 1 n ∑ i = 0 n h i$	$h i$ 为像元高程值, $n$ 为像元个数
	坡度	$slope = Δh d$	$Δh$ 为高程差, $d$ 为水平距离
	坡向	$aspect = ta n - 1 Δh d$	$Δh$ 为高程差, $d$ 为水平距离
空间关系	与海岸线距离	$l coast$	对象中心点到矢量海岸线距离
	与城市距离	$d city = Δd - r city$	$Δd$ 为对象中心与最近的城市中心距离, $r city$ 为城市半径,结果小于零为包含其中
	城郊率	$ratio = d city / r city$	$d city$ 为与城市距离, $r city$ 为城市半径
	与河流距离	$l river$	对象中心到河流脊线距离
	相邻边界	$BorderTo = ∑ u ∈ 0 d (u) b (u, v)$	为对象 $u$ 和 $v$ 共同边界的长度
	相对边界比例	$ReBorderTo = ∑ u ∈ 0 d (u) b (u, v) Pe (v)$	$b (u, v)$ 为对象 $u$ 和 $v$ 共同边界的长度, $Pe (v)$ 为对象 $v$ 的边界总长度
波谱特征	模拟波段反射率	$L i = ∫ λ 1 λ 2 L (λ) r (λ) dλ$	$L λ$ 为地物的实测波谱反射率, $r λ$ 为波段响应函数, $λ 1$ 和 $λ 2$ 为该波段的上下波长边界

表3

图3

图4

图5

图6

表4

参考文献 15

[1]	麻朝晖. 贫困地区经济与生态环境协调发展研究[M].杭州:浙江大学出版社,2008:77-82.
	[ Ma Z H.Research on Coordinated Development of Economy and Ecological Environment in Poor Areas[M]. Hangzhou: Zhejiang University Press, 2008:77-82. ]
[2]	夏列钢. 遥感信息图谱支持下影像自动解译方法研究[D].北京:中国科学院大学(遥感与数字地球研究所),2014.
	[ Xia L G. Research on automatic image interpretation methods supported by remote sensing Tupu information[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth), 2014. ]
[3]	肖鹏峰,冯学智.高分辨率遥感图像分割与信息提取[M].北京:科学出版社,2012:23-25.
	[ Xiao P F, Feng X Z.Segmentation and information extraction of high-resolution remote sensing image[M]. Beijing: Science Press, 2012:23-25. ]
[4]	Comaniciu D, Meer P.Mean shift: A robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002,24(5):603-619.
[5]	Huang X, Zhang L P.An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(12):4173-4185. doi: 10.1109/TGRS.2008.2002577
[6]	沈占锋,骆剑承,胡晓东,等.高分辨率遥感影像多尺度均值漂移分割算法研究[J].武汉大学学报(信息科学版), 2010,35(3):313-316.
	[ Shen Z F, Luo J C, Hu X D, et al.A mean shift multiscale segmentation for high-resolution remote sensing images[J]. Geomatics and Information Science of Wuhan University, 2010,35(3):313-316. ]
[7]	EDISON. Code for the Edge Detection and Image SegmentatiON system[DB/OL]..
[8]	Fauvel M, Chanussot J, Benediktsson J A.A spatial-spectral kernel-based approach for the classification of remote-sensing images[J]. Pattern Recognition, 2012,45(1):381-392. doi: 10.1016/j.patcog.2011.03.035
[9]	Demir B, Minello L, Bruzzone L.Definition of effective training sets for supervised classification of remote sensing images by a novel cost-sensitive active learning method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(2):1272-1284. doi: 10.1109/TGRS.2013.2249522
[10]	Tuia D, Pasolli E, Emery W J.Using active learning to adapt remote sensing image classifiers[J]. Remote Sensing of Environment, 2011,115(9):2232-2242. doi: 10.1016/j.rse.2011.04.022
[11]	Mantero P, Moser G, Serpico S B.Partially supervised classification of remote sensing images through SVM-based probability density estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005,43(3):559-570. doi: 10.1109/TGRS.2004.842022
[12]	Khorram S, Yuan H, Van Der Wiele C F. Development of a modified neural network-based land cover classification system using automated data selector and multiresolution remotely sensed data[J]. Geocarto International, 2011,26(6):435-457. doi: 10.1080/10106049.2011.600462
[13]	Dos Santos J A., Gosselin P, Philipp-Foliguet S, et al. Interactive multiscale classification of high-resolution remote sensing images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013,6(4):2020-2034. doi: 10.1109/JSTARS.2012.2237013
[14]	吴田军,骆剑承,夏列钢,等.迁移学习支持下的遥感影像对象级分类样本自动选择方法[J].测绘学报,2014,43(9):908-916. doi: 10.13485/j.cnki.11-2089.2014.0163
	[ Wu T J, Luo J C, Xia L G, et al.An automatic sample collection method for object-oriented classification of remotely sensed imageries based on transfer learning[J]. Accta Geodaetica et Cartographica Sinica, 2014,43(9):908-916. ] doi: 10.13485/j.cnki.11-2089.2014.0163
[15]	Quinlan R. C5.0: An Informal Tutorial. Rule Quest[EB/OL]. , 1998.

序号	过程名称	面向对象的土地覆盖分类各步骤内容说明
序号	过程名称	输入	处理	输出
1	数据预处理	高分辨率遥感影像,用于预处理的辅助数据	几何,正射校正,配准,融合,镶嵌等	高精度的影像数据
2	影像分割	高精度的,有效的影像数据	分割,矢量化	矢量对象专题图
3	对象特征提取	矢量对象专题图,DEM高程数据	光谱,形状,纹理,地形等特征计算	特征专题层矢量图
4	对象样本采集	历史土地覆盖专题图,少量人工采集样本	对象样本匹配采集	对象样本矢量图
5	对象监督分类	特征专题层矢量图,对象样本矢量图	决策树训练分类	土地覆盖分类图

地类	耕地	园林地	水域	建设用地	未利用地	用户精度/(%)
耕地	445	21	8	11	9	89.0
园林地	37	462	7	7	3	92.4
水域	4	5	458	4	11	91.6
建设用地	6	2	15	439	56	87.8
未利用地	8	10	12	39	421	84.2
制图精度/(%)	90.1	89.5	95.0	84.8	85.9	-
总体精度/(%)					89
kappa系数					0.8625

高分辨率遥感土地覆盖分类技术的应用研究——以重庆市黔江贫困区为例

Application of Land Cover Classification Techniques in Poverty-stricken Areas Using High Resolution Remote Sensing: A Case Study of Qianjiang District of Chongqing City

RichHTML

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 15

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	李泽宇,明冬萍,范莹琳,赵林峰,刘思民. 遥感影像监督分割评价指标比较与分析[J]. 地球信息科学学报, 2019, 21(8): 1265-1274.
[2]	王林江, 吴炳方, 张淼, 邢强. 关键生育期冬小麦和油菜遥感分类方法[J]. 地球信息科学学报, 2019, 21(7): 1121-1131.
[3]	刘懿兰, 黄晓霞, 李红旮, 柳泽, 陈崇, 王新歌. 基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物[J]. 地球信息科学学报, 2019, 21(2): 259-268.
[4]	罗星, 徐伟铭, 王佳. 基于对象BOW特征的高分辨率遥感影像变化检测方法[J]. 地球信息科学学报, 2018, 20(8): 1150-1159.
[5]	宋晓阳, 黄耀欢, 董东林, 张飞. 融合数字表面模型的无人机遥感影像城市土地利用分类[J]. 地球信息科学学报, 2018, 20(5): 703-711.
[6]	王成军, 毛政元, 徐伟铭, 翁谦. 超像素与主动学习相结合的遥感影像变化检测方法[J]. 地球信息科学学报, 2018, 20(2): 235-245.
[7]	曲畅, 任玉环, 刘亚岚, 李娅. POI辅助下的高分辨率遥感影像城市建筑物功能分类研究[J]. 地球信息科学学报, 2017, 19(6): 831-837.
[8]	陈天博, 胡卓玮, 魏铼, 胡顺强. 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学学报, 2017, 19(5): 692-701.
[9]	关舒婧, 韩鹏鹏, 王月如, 韩宇, 易琳, 周廷刚, 陈劲松. 华南地区典型种植园地遥感分类研究[J]. 地球信息科学学报, 2017, 19(11): 1538-1546.
[10]	郭昱杉,刘庆生,刘高焕,黄翀. 基于标记控制分水岭分割方法的高分辨率遥感影像单木树冠提取[J]. 地球信息科学学报, 2016, 18(9): 1259-1266.
[11]	苏腾飞,张圣微,李洪玉. 基于优化合并的高分辨率遥感影像分割算法[J]. 地球信息科学学报, 2016, 18(7): 931-940.
[12]	方朝阳,邬浩,陶长华,高丹,周华. 鄱阳湖南矶湿地景观信息高分辨率遥感提取[J]. 地球信息科学学报, 2016, 18(6): 847-856.
[13]	施文灶,毛政元. 基于图分割的高分辨率遥感影像建筑物变化检测研究[J]. 地球信息科学学报, 2016, 18(3): 423-432.
[14]	童新华, 张郭秋晨, 韦燕飞. 区域碳收支能力估算的面向对象遥感分类方法[J]. 地球信息科学学报, 2016, 18(12): 1675-1683.
[15]	杜欣, 黄晓霞, 李红旮, 沈利强. 基于投影寻踪学习网络算法的植物群落高分遥感分类研究[J]. 地球信息科学学报, 2016, 18(1): 124-132.