EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 3: 369 - 377

DOI: https://doi.org/10.3724/SP.J.1047.2015.00369

面向对象的煤矸石堆场SPOT-5影像识别

  • 黄丹 , 1, 2 ,
  • 刘庆生 , 1, * ,
  • 刘高焕 1 ,
  • 闫文博 3
展开
  • 1. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2. 中国科学院大学,北京 100049
  • 3. 西藏自治区测绘局,拉萨 850000
*通讯作者：刘庆生(1961-),男,山西沂州人,副研究员,研究方向为遥感与地理信息系统在资源环境评价中的应用研究。E-mail:

作者简介：黄 丹(1989-),女,江苏南通人,硕士生,研究方向为遥感与地理信息系统的应用研究。E-mail:

收稿日期: 2014-05-13

  要求修回日期: 2014-10-28

  网络出版日期: 2015-03-10

基金资助

环保公益资助项目(201109043)

收起

Coal Gangue Yards Information Extraction Using Object-oriented Method Based on SPOT-5 Remote Sensing Images

  • HUANG Dan , 1, 2 ,
  • LIU Qingsheng , 1, * ,
  • LIU Gaohuan 1 ,
  • YAN Wenbo 3
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Surveying and mapping Bureau of Tibet Autonomous Region, Lhasa 100101, China
*Corresponding author: LIU Qingsheng, E-mail:

Received date: 2014-05-13

  Request revised date: 2014-10-28

  Online published: 2015-03-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

煤矸石是一种在成煤过程中与煤层伴生的黑灰色固体废弃物,不仅会污染环境,而且会严重损害附近居民的身体健康,目前已经成为矿区生态环境的主要影响源之一。因此,实时、准确、快速地获取煤矸石堆场的位置、形状和面积等信息,对于环境监测与管理具有重要的意义。本文以内蒙古鄂尔多斯市东胜区为试验区,将试验区内的典型地物分为：植被、水体、阴影、裸地、建筑、道路、排土排矸场、露天煤矸石堆场、堆煤场及煤渣、采煤坑和其他共11类。本文采用SPOT-5高分辨率遥感影像,面向对象提取研究区内的煤矸石堆场信息,并进行识别精度评价,精度达到89.47%。将面向对象的分类结果与最大似然分类方法的分类结果进行比较,结果表明,面向对象的提取方法可更好地应用于煤矸石堆场信息的自动提取,大幅度提高精度和效率。

关键词： 遥感; SPOT-5; 面向对象; 多尺度分割; 规则集; 煤矸石堆场

本文引用格式

黄丹 , 刘庆生 , 刘高焕 , 闫文博 . 面向对象的煤矸石堆场SPOT-5影像识别[J]. 地球信息科学学报, 2015 , 17(3) : 369 -377 . DOI: 10.3724/SP.J.1047.2015.00369

Abstract

Coal gangue is a kind of dark gray solid waste generated during mining process. Nowadays, coal gangue has become one of the biggest pollution sources to the ecological environment in mining areas. The accumulation of coal gangue not only occupies excessive land and causes serious environmental problem, but also damages the health of local people. Therefore, it is urgent to reduce the coal gangue yards in mining areas. In addition, extracting the location, shape and size information of coal gangue yards quickly and accurately is significant to environmental departments. The traditional methods of investigating coal gangue yards cost a lot of time and money. While remote sensing technologies can record the information of earth surface quickly and accurately, they have obvious superiorities in extracting coal gangue yards information. This paper takes the Dongsheng District, which locates in Ordos City of Inner Mongolia, as the study area, and utilizes SPOT-5 high resolution image as the data source. Then, this paper adopts the object-oriented method to extract coal gangue yards information from the study area. Multi-resolution segmentation and fuzzy classification algorithm are the most important steps in this method. Four appropriate segmentation scales are determined through comparisons of several tests, they are: 400, 160, 80 and 40. Next, we classify the segmented objects into different classes using the fuzzy classification algorithm that based on objects’ characteristics, such as spectrum, shape, texture and other features. The objects are further classified into eleven classes: bare area, buildings, roads, water, vegetation, shadows, dumps, coal gangue yards, coal yards, coal pits and others. The rule set used to extract different classes is built, which is aimed to provide a reference to relevant environmental departments to quickly and conveniently monitor the environment in coal mining area. In the end, we assess the accuracy of the classification results: the total accuracy is 88.78% and the user accuracy of coal gangue yards information is about 89.47%. Besides, a comparative extraction result is extracted using maximum likelihood method, whose total accuracy is 64.13% and the user accuracy of coal gangue yards information is only about 64.18%, which is much lower than the result extracted by the object-oriented method. Generally, due to the serious pollution caused by coal gangue yards, and considering the object-oriented classification method is seldom used to extract coal gangue yards information in China and abroad, this paper tries to extract coal gangue yards information using object-oriented classification method, and establish a rule set that can be applied to extract coal gangue yards information and other typical features. As we can see from the analyses, this paper has its significance in environmental protection. Relevant conclusions and analysis can be provided to the environmental protection departments as a useful reference to monitor and manage the pollution caused by coal gangue yards.

Key words： Remote sensing; SPOT-5; object-oriented; multi-resolution segmentation; rule set; coal gangue yards

1 引言

煤矸石是一种在成煤过程中与煤层伴生的,比煤坚硬的黑灰色岩石,其含碳量较低,一般不超过10%~20%,是煤矿生产、挖掘过程中产生的固体废弃物[1-2]。露天堆放的煤矸石占用了大量土地、并可能产生扬尘、自燃、爆炸、淋溶、辐射等现象,污染了大气、土壤,以及地下水环境,并诱发滑坡和泥石流等自然灾害,严重破坏了矿区的自然生态环境。因此,实时、快速、准确地获取煤矸石堆场的位置、面积和形状等信息对于环境监管部门具有重要的意义[3-8]。
面向对象的信息提取方法是Baatz和Schape[9]于1999年针对高空间分辨率遥感影像提出的,是以多种尺度将影像划分为一系列有意义,且内部一致的连通区域,并经过特征计算获得每个对象的光谱特征、形状指数、纹理结构、位置关系等信息,最后通过这些特征信息实现类别的自动提取[10-15]。
Matinfar[16]以Landsat-7 ETM+影像为数据源,在伊朗干旱地区分别采用面向对象和面向像元的方法进行土地覆盖信息提取,并进行精度评价,前者的精度明显高于后者。荆青青[17]以荆门市马河镇为试验区,调查煤矸石的分布,以ASTER多光谱数据为数据源,先采用主成分分析法将14个波段进行去相关降维,再运用马氏距离法对图像进行监督分类,提取精度达到88.17%。王鹏[18]以TM影像为数据源,鄂尔多斯为研究区,将光谱信息与地形、温度等辅助信息相结合,分别使用非监督分类法、监督分类法、谱间关系法、分层分类法4种方法对研究区的煤矸石堆场进行提取,并进行精度对比。对比发现,分层分类法提取的精度最高,精度达到78%。董金发[19]基于SPOT-5影像,利用决策树的面向对象分类方法,对包头试验区进行信息提取,建立了地物提取的规则集,最终提取出粉煤灰信息,并对分类结果进行了精度评价,精度达到91.3%。
本文以内蒙古鄂尔多斯市东胜区为研究区域,采用eCognition 8.7软件,针对不同地物采用不同的分割尺度进行分割,并构建模糊分类规则集,实现煤矸石堆场的自动提取[20]。

2 研究区背景及数据源

本文选择内蒙古鄂尔多斯市东胜区为试验研究区（图1）。
Fig. 1 Study area (Dongsheng District of Ordos City, Inner Mongolia)

图1 内蒙古鄂尔多斯市东胜试验区

东胜区位于内蒙古鄂尔多斯高原中部偏东,地处东经109°08′20″~110°23′00″,北纬39°39′10″~39°58′18″。东与准格尔旗交界,西与杭锦旗接壤,南与伊金霍洛旗毗邻,北与达拉特旗相连。东胜区物产丰富,煤田储量约186亿t,且煤层厚,埋藏浅,易开采,素有煤海之称。
本研究采用2011年11月法国新一代遥感卫星SPOT-5数据,其空间分辨率高（10m）,全色波段空间分辨率为5 m及2.5 m（图2）。以及美国陆地卫星Landsat-5 TM遥感影像, TM影像包含7个波段,空间分辨率是30 m,其中,第6波段的空间分辨率是120 m。本文使用的TM影像来源于美国NASA数据共享网站,行带号为127-32,获取时间是 2011年9月,在这一时间段内,植被覆盖度高,煤矸石堆场与周围背景区别大,堆场信息易于提取。
Fig. 2 SPOT-5 image of the study area

图2 研究区的SPOT-5影像

3 煤矸石堆场的图像识别分析

多尺度分割和模糊分类是面向对象遥感影像提取的重要步骤。多尺度分割是面向对象信息提取的必要前提,该过程使得分割后的对象满足下一步分类或目标地物信息提取的要求,再根据特定的目标地物类型计算对象的特征（如光谱、形状、纹理、空间位置等）,并建立地物信息提取的规则集。最后,根据建立的规则集,采用模糊分类算法,对地物信息进行提取[21-22]。
本文将需要提取的地物类别为：植被、水体、阴影、裸地、建筑、道路、排土排矸场、露天煤矸石堆场、堆煤场及煤渣、采煤坑和其他共11类。

3.1 煤矸石堆场提取的技术流程

采用面向对象方法提取煤矸石堆场的技术流程如图3所示。其中,分割尺度是一个关于多边形对象异质性的阈值,决定生成最小影像对象的大小,分别使用400、160、80和40四个尺度得到对应的4个影像对象层：Level 1、2、3、4。
Fig. 3 Flowchart of coal gangue yard information extraction

图3 煤矸石堆场信息提取流程图

3.2 影像多尺度分割

采用不同尺度的遥感影像分割是提取多种地物信息的最优方法。影像的分割结果由分割参数决定,分割参数包括尺度参数、颜色因子和形状因子,而形状因子又由紧致度和光滑度共同决定[23-25]。
本文针对不同类型的地物,就多尺度分割中的分割尺度、颜色、形状、紧致度,以及光滑度等参数的设置进行了实验,以获取每种地物的最优分割尺度及参数组合。通过对多次分割的结果进行目视判别分析得出：选择40、80、160和400四个分割尺度能较好地描述研究区内的地物。表1为提取各地物所使用的分割参数,图4是最终得到的影像分割结果。
Tab. 1 Image segmentation parameters

表1 影像分割参数

典型地物 分割参数
尺度参数 光谱因子 形状因子 紧致度 光滑度
阴影 40 0.8 0.2 0.5 0.5
植被 40 0.8 0.2 0.5 0.5
水体 160 0.8 0.2 0.6 0.4
建筑物 160 0.8 0.2 0.6 0.4
道路 160,80 0.8 0.2 0.6 0.4
露天煤矸石堆场 80 0.9 0.1 0.6 0.4
采煤坑 80 0.9 0.1 0.6 0.4
堆煤场 80 0.9 0.1 0.6 0.4
排土排矸场 400 0.9 0.1 0.6 0.4
裸地 400 0.9 0.1 0.6 0.4
Fig. 4 Results of multi-resolution segmentation

图4 影像多尺度分割结果

3.3 影像对象的分类规则

由于实验区内地物类型较多,矿区内建筑、采煤坑、堆煤场、排土场及露天煤矸石堆场分布杂乱,植被覆盖面积少且覆盖度低,裸地面积大,因此,采取先易后难,先少后多的分类策略。
通过对各地物的特征进行比较分析,最终选择了亮度（Brightness）、比率（Ratio）、各方向灰度均值（GLCM Mean all dir.）、面积（Area）、形状指数（Shape Index）、灰度对比度（GLCM Contrast）、长宽比（Length/Width）、距离（Distance to）、矩形相似度（Rectangular fit）、自定义特征改进后的归一化水体指数（MNDWI）、归一化建筑指数（NDBI）、土壤调节植被指数（SAVI）等指标进行地物信息的提取[26-30]。建立各地类信息的分类规则如下：
（1）Level 1（尺度400）分割对象层
① 裸地：裸地在影像中表现为均质图斑,且亮度值较高,面积也较大,因此,选取特征参数亮度、短波红外波段的比率,以及各方向灰度均值对裸地进行提取。
② 排土排矸场：排土排矸场一般面积较大,易与裸地相混淆,且排土排矸场大多呈圆形花瓣状,因此,基于提取的裸地,使用特征参数面积及形状指数,进行排土排矸场的提取。
（2）Level 2（尺度160）分割对象层
① 水体：在尺度为160的影像层进行水体的提取,选择自定义特征改进后的归一化水体指数（MNDWI）进行水体信息的提取。
MNDWI = ( B swir - B green ) ( B swir + B green ) （1）
式（1）中,Bswir和Bgreen分别代表短波红外波段和绿波段的反射率。
② 建筑物及较宽道路：使用归一化建筑指数（NDBI）对建筑物进行初步的提取,并使用灰度对比度进一步精确提取建筑物,而后使用长度及长宽比提取一部分较宽的道路。
NDBI = ( B swir - B nir ) ( B swir + B nir ) （2）
式（2）中,Bswir和Bnir分别代表短波红外波段和近红外波段的反射率。
（3）Level 3（尺度80）分割对象层
① 采煤坑：堆煤场、煤渣和采煤坑在遥感影像上均呈现为深黑色图斑,且多分布在排土排矸场周边。因此,选取特征参数距排土排矸场距离及面积来提取堆煤场、煤渣和采煤坑。
② 堆煤场、煤渣：堆煤场形状较规则,多为矩形,并且多分布在排土排矸场周边。故选取特征参数矩形相似度将堆煤场与采煤坑区分。
③ 露天煤矸石堆场：煤矸石堆场在遥感影像上表现为黑灰色的圆形花瓣状图斑,在色调上较堆煤场及采煤坑更亮,并且大多分布在排土排矸场周边。因此,选取特征参数亮度、距排土排矸场的距离及面积来提取露天煤矸石堆场。
④ 窄道路：在分割尺度为80的影像层提取较窄的道路,选取的特征值为亮度及长宽比。
（4）Level 4（尺度40）分割对象层
① 阴影：在尺度为40的影像层进行阴影的提取,由于阴影一般亮度较暗,故选择亮度进行提取,但仍有少许阴影与堆煤场及采煤坑混淆。
② 植被：在尺度为40的影像层提取植被,由于研究区内植被较稀疏,因此,选择自定义特征土壤调节植被指数（SAVI）进行植被信息的提取。
SAVI = 1.5 ( B nir - B red ) ( B nir + B red + 0 . 5 （3）
式（3）中,Bnir和Bred分别代表近红外波段和红波段的反射率。
通过上述多次试验,得到提取各地物特征的阈值,建立地物分类的规则集,如表2所示。
Tab. 2 Classification rule set of the features at the study area

表2 研究区地物的分类规则集

影像层次 地物类别 分类特征 模糊函数 函数值
Level 1 裸地 Brightness [119,126]
Ratio-swir [0.081,0.084]
GLCM Mean（all dir.） [4.3,7.2]
排土排矸场（在类别裸地中提取） Area [32 000,35 000]
Shape Index [0.26,0.3]
Level 2 建筑 NDBI [0.17,0.2]
GLCM Contrast [13,15]
宽道路（在类别建筑中提取） Length [180,200]
Length/Width [7,7.4]
水体 MNDWI [-0.1,0]
Level 3 采煤坑 Brightness [83,89]
Area [19 000,34 000]
Distance to 2000
堆煤场、煤渣（在类别采煤坑中提取） Rectangular Fit [0.43,0.52]
露天煤矸石堆场 Distance to 2000
Brightness [101,119]
Area [20 000,27 900]
窄道路 Brightness [106,114]
Length/Width [4.7,5.5]
Level 4 阴影 Brightness [63,70]
植被 SAVI [0.1,0.12]
对于影像分类,本文采用隶属度函数的模糊分类方法,得到各类型地物的提取结果（图5）。从分类结果中可看出,少量阴影和蓝色屋顶的房屋被错分到植被中,部分建筑物和裸地出现了混分,这是由于两者的亮度值较相似,且部分裸地纹理复杂,与建筑物相似,除此之外,部分阴影和采煤坑、堆煤场出现了混淆,而采煤坑和堆煤场也发生了少量混分的现象。
Fig. 5 Classification results of different features (part)

图5 各类地物的提取结果图（局部）

对分类结果进行适当的分类后处理,并辅助人工纠正和整理。将提取的各类地物进行叠加,得到研究区内土地覆被分类图（图6）。
Fig. 6 Classification results based on object-oriented method

图6 面向对象方法所得的分类结果

Fig. 7 Classification results based on maximum likelihood method

图7 最大似然方法所得的分类结果

3.4 分类精度评价

在研究区内随机选取1578个样本,确保选择的样本在研究区内均匀分布。样本的选取参考google earth高分辨率影像及野外考察的成果图。选好样本后对分类结果进行精度评价,各类别信息提取的精度评价结果如表3所示。
Tab. 3 Information extraction accuracy assessment based on object-oriented method

表3 面向对象方法信息提取结果精度评价

地物类型 采煤坑 道路 堆煤场 建筑 露天煤矸石堆场 裸地 排土排矸场 水体 阴影 植被
生产者精度(%) 80.00 87.50 81.58 88.04 79.07 95.16 88.46 96.43 90.03 89.80
用户精度(%) 100.00 90.84 84.93 90.44 89.47 84.29 90.79 83.08 89.56 86.94
总体精度(%) 88.78
Kappa 0.8649
为了对比面向对象信息提取方法与面向像元的传统分类方法,我们选用最大似然监督分类方法进行分类,得到分类结果（图7）,分类结果的精度评价如表4所示。
Tab. 4 Accuracy assessment of information extraction results based on maximum likelihood method

表4 最大似然分类方法信息提取结果精度评价

地物类型 采煤坑 道路 堆煤场 建筑 露天煤矸石堆场 裸地 排土排矸场 水体 阴影 植被
生产者精度(%) 71.54 56.10 62.60 62.60 61.43 65.90 69.47 66.70 58.60 62.00
用户精度(%) 60.33 66.20 69.70 65.30 64.18 63.00 77.65 61.50 58.00 60.30
总体精度(%) 64.13
Kappa 0.5712
从精度评价结果（表3、4）可以看出,面向对象信息提取方法的总体精度为88.78%,Kappa系数为0.8649,分类效果较满意。其中,煤矸石堆场的用户精度达到89.47%。使用最大似然分类方法提取的露天煤矸石堆场的精度只有64.18%,总体精度为72.98%。

4 结果与讨论

本文采用SPOT-5高空间分辨率遥感影像和Landsat-5 TM影像,运用面向对象的信息提取方法,对鄂尔多斯东胜区矿区的土地利用覆被进行了多尺度、多数据源的影像分割,提取出：植被、水体、阴影、裸地、建筑、道路、排土排矸场、露天煤矸石堆场、堆煤场及煤渣、采煤坑和其他共11类地物,并建立了其最优分割尺度体系及分类规则集。
研究结果表明,面向对象方法在特殊固体废物的监管工作中有着较好的应用效果,为矿区环境保护部门提供了参考依据。
（1）本文综合利用多源遥感数据,针对不同地物类型选择相应的分割数据源和分割参数进行影像的分割,实现在不同尺度的影像层上提取相应尺度的地物,具有一定的创新性。
（2）按照一定的顺序,采取先易后难,先少后多的分类策略,分门别类地提取各地物信息,是一经济有效的技术途径。
（3）本文中分割参数的选择主要依靠经验,通过目视判别对多尺度的分割结果进行比较判断,因此分割尺度参数的选择具有较大的人为主观性,一定程度上影响最终信息提取结果的精度,有待深入研究。
（4）由于矿区地物特征复杂,区域特征较明显,不同矿区的地物及其特征具有较大差别,因此,在不同地区应用本文所建立的最优分割尺度体系及分类规则集时,需结合当地的实际,进行相应的调整和优化,以达到更好的效果。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
惠润堂. 煤矸石的环境影响及发生条件[J].煤矿环境保护,2001,15(1):56-58.

[2]
祁星鑫,王晓军,黎艳,等.新疆主要煤区煤矸石的特征研究及其利用建议[J].煤炭学报,2010,35(7):1197-1201.

[3]
刘萍,晏飞.煤矸石对环境的危害及其综合治理[J].中国矿业,2008,17(8):49-53.

[4]
郝启勇,尹儿琴,李明建,等.兖济滕矿区煤矸石的污染危害效应分析[J].矿业安全与环保,2006,33(3):62-64.

[5]
李光德,张成.煤矸石模拟淋溶水重金属污染的研究[J].山东环境,1998(5):10-12.

[6]
马超,康健荣.煤矸石排放对生态环境影响的分析[J].能源环境保护,2000,14(6):71-73.

[7]
刘迪. 煤矸石的环境危害及综合利用研究[J].气象与环境学报,2006,22(3):60-62.

[8]
刘福东,潘自强,刘森林,等.全国煤矿中煤矸石天然放射性核素含量调查分析[J].辐射防护,2007,27(3):171-180.

[9]
Baatz M, Schape A.Object-oriented and multi-scale image analysis in semantic networks[C]. 2nd International Symposium: Operationalization of Remote Sensing, ITC The Netherlands, 1999.

[10]
葛青春,张凌寒,杨杰. 基于决策树规则的面向对象遥感影像分类[J].遥感信息,2009(2):86-90.

[11]
侯伟,鲁学军,张春晓,等.面向对象的高分辨率影像信息提取方法研究[J].地球信息科学学报,2010,12(1):119-125.

[12]
尹展. 矿山IKONOS遥感影像信息提取中的面向对象分类研究[D].长沙:中南大学,2012.

[13]
周春艳. 面向对象的高分辨率遥感影像信息提取技术[D].济南:山东科技大学,2006.

[14]
苏伟,李京,陈云浩,等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J].遥感学报,2007,11(4):521-529.

[15]
张琳. 面向对象的矿区土地覆盖信息提取研究——以里伍矿区为例[D].成都:成都理工大学,2012.

[16]
Matinfar H R, Sarmadian F, Alavi Panah S K. Comparisons of object-oriented and pixel-based classification of land use/land cover types based on Lansadsat7, ETM+ spectral bands (case study: arid region of Iran)[J]. American-Eurasian Journal of Agricultural& Environmental Sciences, 2007,2(4):448-456.

[17]
荆青青,张志,王旭.基于ASTER遥感影像的煤矸石分布信息提取方法[J].煤炭科学技术,2008,36(5):93-96.

[18]
王鹏,刘庆生,刘高焕,等.煤矸石堆场信息遥感提取方法对比[J].地球信息科学学报,2013,15(5):768-774.

[19]
董金发. 粉煤灰堆场信息提取研究[D].北京:中国科学院地理科学与资源研究所,2013.

[20]
Definiens. eCognition Professional User Guide 8.7[M]. Munich: Trimble Germany GmbH, 2011.

[21]
袁金国. 遥感图像数字处理[M].北京:中国环境科学出版社,2006.

[22]
赵英时. 遥感应用分析原理与方法[M].北京:科学出版社,2003.

[23]
吴艳婷. 面向对象的航空影像环保验收信息提取方法研究——以武广高铁竣工环保验收应用为例[D].北京:中国人民大学,2011.

[24]
周瑞. 面向对象分类方法在矿区地物信息提取中的应用研究——以山西平朔露天煤矿为例[D].太原:中北大学,2012.

[25]
明冬萍,骆剑承,周成虎,等.高分辨率遥感影像特征分割及算法评价分析[J].地球信息科学学报,2006,8(1):103-109.

[26]
McFeeters S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

[27]
Zha Y, Gao J, Ni S.Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J]. International Journal of Remote Sensing, 2003,24(3):583-594.

[28]
Huete A R.A Soil-adjusted Vegetation Index (SAVI)[J]. Remote Sensing of Environment, 1988,25(3):295-309.

[29]
唐伟,赵书河,王培法.面向对象的高空间分辨率影像道路信息的提取[J].地球信息科学学报,2008,10(2):257-262.

[30]
候飞,胡召玲.基于多尺度分割的煤矿区典型地物遥感信息提取[J].测绘通报,2012(1):22-25.

Options
文章导航

/

〈 〉