EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 4: 486 - 493

DOI: https://doi.org/10.3724/SP.J.1047.2015.00486

车载三维摄像仪数据的土地覆盖解译验证方法——以蒙古国东部为例

  • 柏永青 , 1, 2 ,
  • 王卷乐 , 1, 3, * ,
  • 陈义华 4 ,
  • 祝俊祥 1, 2
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. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023
  • 4. 合肥工业大学, 合肥 230009
*通讯作者：王卷乐（1976-）,男,河南洛阳人,博士,副研究员,研究方向为地理信息共享与遥感应用。E-mail:

作者简介：柏永青（1992-）,男,甘肃平凉人,硕士生,研究方向为农业信息化。E-mail:

收稿日期: 2014-08-28

  要求修回日期: 2014-11-30

  网络出版日期: 2015-04-10

基金资助

中国科学院重点部署项目（KZZD-EW-08）

中国科学院俄乌白人才专项项目

中国科学院信息化专项项目（XXH12504-1-01）

收起

A Method of Land Cover Verification Based on 3D Camera: Taking Eastern Mongolia as an Example

  • BAI Yongqing , 1, 2 ,
  • WANG Juanle , 1, 3, * ,
  • CHEN Yihua 4 ,
  • ZHU Junxiang 1, 2
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. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
  • 4. Hefei University of Technology, Hefei 230009, China
*Corresponding author: WANG Juanle, E-mail:

Received date: 2014-08-28

  Request revised date: 2014-11-30

  Online published: 2015-04-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

土地覆盖精度验证是定量刻画土地覆盖遥感解译数据质量的必要手段。传统的土地覆盖验证主要是以“GPS定点”+“野外景观照片”的平面验证方式,其获取的验证点数量受制于野外采样效率,且主观性强。本研究提出一种车载三维摄像仪的土地覆盖验证方法,解决了三维视频资料中GPS验证点信息的输出和提取、验证点分类识别与管理,打分的精度评价等技术问题。以蒙古国东部7省（市）采集的2013年野外视频为例,从264 GB的影像资料中,分别以1、5、10、60、300 s为采样间隔,分离和辨识出123 396、24 679、12 339、2056、411个验证数据,并以验证打分的方法获得本区域的验证精度。分析表明,车载三维摄像仪具有自动化程度较高、能够连续记录可观的三维实地信息的优点,适用于信息化和大数据时代的土地覆盖验证。实地分间隔抽样结果表明,60 s间隔的采样频率在验证效率上最优,变长间隔采样技术将成为未来需要深入研究的关键问题。

关键词： 土地覆盖; 遥感制图; 三维摄像仪; 精度验证; 蒙古国东部

本文引用格式

柏永青 , 王卷乐 , 陈义华 , 祝俊祥 . 车载三维摄像仪数据的土地覆盖解译验证方法——以蒙古国东部为例[J]. 地球信息科学学报, 2015 , 17(4) : 486 -493 . DOI: 10.3724/SP.J.1047.2015.00486

Abstract

Land cover mapping is an important aspect in remote sensing (RS) researches, and the precision validation is a necessary procedure to describe the quality of land cover data interpreted from RS images. GPS pointing combined with the field photos are mainly used in traditional validation methods, which is easily and subjectively affected by the field work efficiency and sampling place selection. A new land cover data precision validation method is proposed in this study, which is based on the vehicle-mounted three dimensional (3D) camera. A series of detailed technical issues are addressed, which include the outputs and extraction of the validated GPS points from 3D videos, the identification and management of these points, the precision evaluation technology based on the grading system, and so on. 264 GB videos were used, which were gathered in the field validation task from 7 provinces of eastern Mongolia in 2013. Taking 1, 5 and 10 seconds, and 1 and 5 minutes respectively as the sampling intervals, collecting at an average car speed of 50. 95 kilometers per hour, 123396, 24679, 12339, 2056 and 411 points were recognized accordingly. The precision validation results of the study area were obtained based on the scoring methods. The top score of overall accuracy is 71.01% with the 1 minute interval, the accuracies for meadow steppe, real steppe, desert steppe, built area, barren, cropland and water are 49.29%, 86.09%, 32.71%, 80.65%, 87.5%, 1 and 0, respectively. The analysis shows that the 3D videos are suitable for land cover validation due to its highly automatic and continuous working features in the information and Big Data era. The testing results of the field sampling with various temporal intervals indicate that 1 minute interval is optimal for the precision validation in eastern Mongolia. For improving the future studies, sampling with variable temporal interval is the key issue, and it should be advanced thoroughly for the video data automatic processing technology.

Key words： land cover; remote sensing mapping; 3D camera; precision validation; the eastern Mongolia

1 引言

土地覆盖是指地球上陆地表面的各种生物或物理的覆被类型[1],土地覆盖的变化对生态系统的结构和功能有着显著的影响[2]。土地覆盖数据已经成为支撑陆表过程模拟、地球系统模拟与预测、人地关系及区域可持续发展等研究的重要基础数据[3-4]。遥感获取土地覆盖数据的精度评价是描述该数据的不确定性与数据质量的关键步骤。常规的土地覆盖精度验证做法是“GPS定点”+“野外景观照片”的平面验证方式。国内许多学者在黄河源区[5]、秦岭-大巴山区[6]、内蒙古[7],以及鄱阳湖地区[8]等地开展了实地调查的土地覆盖验证研究。在国际研究方面,宫鹏利用全球通量观测站进行全球土地覆盖解译精度检验也得到了预期的效果[9],全球经纬格网照片库（http://confluence.org/）在每一个经纬网交点处都有对应的照片,同样谷歌地图也允许全球范围内的用户上传实地街景照片,这种志愿者地理信息也可用于土地覆盖遥感验证。然而,这些验证信息完全依赖人工完成,获取采样点的数量受采样效率影响很大,且主观性强。
随着自动信息采集技术的提高,一种用于获取连续三维场景、具有GPS空间信息的便捷式摄影仪,在唇语特征提取与识别、高速公路车距测量、体育比赛中的鹰眼系统、社会公共场所监控等领域[10-11]得到快速应用。该设备操作简单、携带方便,具有自动化程度高和三维取景的优点。面对土地覆盖精度验证的难题,本研究利用该采集技术,开展三维摄像仪的土地覆盖数据验证,且结合我国当前正在建设的“全球及中国周边地区资源环境科学数据库”需求[12-13],以与我国毗邻、且在土地覆盖验证上具有代表性的蒙古国东部地区为例,进行了实验 分析。

2 数据与方法

蒙古人民共和国位于亚洲中部内陆地区,地处蒙古高原,地理坐标87°54′~119°54′E,41°42′~51°36′N,国土面积约1.57×106 km2,平均海拔1600 m,属于典型的大陆型气候。本研究区域为蒙古国东部的6个省和1个直辖市,大部分地表被草地覆盖,地势较为平坦,因气候干旱,森林分布较少,并有一定数量的荒漠草原和沙地。
验证路线贯穿蒙古国东部的东方省、苏赫巴托尔省、肯特省、东戈壁省、戈壁苏木贝尔省、中央省和首都乌兰巴托市（图1）。
Fig. 1 Study areas in eastern Mongolia

图1 蒙古国东部研究区域

2.1 研究数据

（1）土地覆盖数据
土地覆盖数据（1:30万,2010年）由中国科学院地理科学与资源研究所“蒙古资源环境关键问题及科学数据库建设”课题组提供。该数据集包括森林、草地、农田、水体、建筑用地、裸地、冰雪、沙漠8个I级类,以及草甸草地、典型草地、荒漠草地3个II级类[14-17]。
（2）三维摄像仪数据
本次研究选取的三维摄像仪（Contour）可被搭载到各类运动平台上,其内置的GPS定位精度为15 m,摄像仪采样频率每秒一次,170°广角镜头可以拍摄出1080 p的高清画质,拍摄过程中会自动记录地理信息。实验中,用可自由吸附的固定座把Contour摄像仪固定在汽车前方,可以全程获取行车前进方向170°视野范围内的土地覆盖情况。本视频数据于2013年8月10日-18日在蒙古国东部野外调查中采集,影像总量为264 GB（带有地理信息）,文件格式为.MOV,总计3005 min,拍摄路线全长2551.72 km。

2.2 验证方法

（1）三维视频中验证点信息提取方法
在联网的条件下,利用Contour Storyteller播放摄影仪拍摄的视频,可调用谷歌地图并能在地图上明确标注出当前摄像机所在的位置。地图窗口（图2左上角）和视频窗口（图2右侧）的大小可随时切换,图2中左下角以折线图形式显示当前摄像机运动的速度、里程与海拔。地图窗口可以切换Map和Hybrid界面来分别加载二维地图和遥感影像（图2、3）,以便用户可根据需要任意缩放大小,对研究区域的整体范围和局部地物都有一个很好的观察,并结合目视解译的相关知识,可对遥感影像上的地物元素进行分析。视频中包含的以WGS-84为地理基准的GPS地理信息会用字幕的形式加载并同步显示在视频中,可方便地把看到的土地覆盖类型和经纬度坐标准确地对应起来,完成特征地物点提取。
Fig. 2 The video window of Storyteller

图2 用Storyteller播放考察视频突出视频窗口

Fig. 3 The map window of Storyteller

图3 用Storyteller播放考察视频突出地图窗口

（2）精度验证方法
由于Contour摄像仪连续记录了所到之处的土地覆盖情况,可在室内按照不同时间间隔提取出可用于验证的特征点。参照土地覆盖分类体系,这些均匀分布的特征点通过视频解读被赋予正确的土地覆盖类型,通过和研究区域遥感解译的土地覆盖数据叠加,对比验证视频提取的结果和遥感解译的结果,得到精度验证矩阵。
按照“Ⅰ级大类划分错误不予得分,Ⅰ级大类划分正确但Ⅱ级小类划分错误得0.5分,Ⅰ级大类和Ⅱ级小类都划分正确得1分[18]”的统计方法进行精度验证分析。对所有的特征数据点进行得分统计,再按照总分100分换算,最终得到各土地覆盖类型的解译精度和总体精度。

3 数据处理和精度验证

3.1 Contour视频数据的提取

播放用Contour摄像仪拍摄的视频,GPS信息会自动匹配并以字幕的形式加载到视频中,1 s对应3条GPS数据,分别以$GPRMC、$GPGGA和$GPEMT开头,具有统一的格式。为获取更多可用信息,本研究抽取以$GPGGA开头的GPS数据,包含15个字段,用逗号分隔[19-20],各字段含义如表1所示。
Tab. 1 Format of the GPS information from videos taken by Contour

表1 Contour拍摄的视频携带的GPS数据格式

字段 字段含义
字段1 表明该语句为Global Positioning System Fix Data（GGA）GPS定位信息
字段2 UTC（Universal Time Coordinated） 时间,hhmmss.sss,时分秒格式
字段3 纬度ddmm.mmmm,度分格式（前导位数不足则补0）
字段4 纬度N（北纬）或S（南纬）
字段5 经度dddmm.mmmm,度分格式（前导位数不足则补0）
字段6 经度E（东经）或W（西经）
字段7 GPS状态,0=不可用(FIX NOT valid),1=单点定位(GPS FIX),2=差分定位(DGPS),3=无效PPS,4=实时差分定位（RTK FIX）,5=RTK FLOAT,6=正在估算
字段8 正在使用的卫星数量（00-12）（前导位数不足则补0）
字段9 HDOP水平精度因子（0.5-99.9）
字段10 海拔高度（-9999.9-99999.9）
字段11 单位：m
字段12 地球椭球面相对大地水准面的高度 WGS84水准面划分
字段13 WGS84水准面划分单位：m
字段14 差分时间（从接收到差分信号开始的秒数,如果不是差分定位将为空）
字段15 差分站ID号0000-1023（前导位数不足则补0,如果不是差分定位将为空）
字段16 校验值
验证中主要用到的字段有：UTC时间、经度、纬度和高程。室内操作中,先把GPS数据导入到Excel表中（字段包括：ID、视频编号、海拔高度、纬度、经度、影像解译结果、视频解译类型）,然后播放GPS数据编号对应的视频,结合目视判读,把对应点的土地覆盖视频解译类型值赋予表中的每一条GPS数据。

3.2 土地覆盖验证特征点的获取

被验证的土地覆盖数据采用遥感土地覆盖分类系统标准[21-22],各分类项说明如表2所示。
Tab. 2 Land cover classification system based on terrestrial ecosystem

表2 基于陆地生态系统特点的土地覆盖分类系统

Ⅰ级大类 Ⅱ级小类 分类标准
裸地 裸地 地表为土质、植被覆盖度<5%的裸土地、盐碱地等
建筑用地 建筑用地 包括城镇、工矿、交通和其他建设用地
农田 农田 靠灌溉或天然降水能够生长农作物的耕地
沙漠 沙漠 植被覆盖度<5%的沙地、流动沙丘
森林 森林 郁闭度>30%,高度>2 m的天然林和人工林
沙地 沙地 地表多被沙类覆盖的土地
水体 水体 各种淡水湖、咸水湖、水库及坑塘、河流等
草地 荒漠草地 覆盖度在5%~10%,以强旱生植物为主的草地
典型草地 覆盖度在10%~30%,以旱生草本为主的草地
草甸草地 覆盖度>30%,以草本植物为主的各类草地
通过人工判定记录视频中每种覆被类型的起始边界和终止边界,可把相应的土地覆盖类别赋予到这个区间内的特征点。表3分别列举了几种土地覆盖类型的视频截图和分布情况,其中,沙地和沙漠在野外考察的时候因条件限制没有涉及到,所以没有沙地和沙漠类型的特征数据点;由于汽车主要沿着公路行驶,所以视频中只有很少量的农田类型。
Tab. 3 Description of different land cover types from video records

表3 土地覆盖类型分类提取说明

覆被类型 视频截图 经度(°) 纬度(°) 高程(m) 主要分布区
裸地 109.70 45.40 1009.4 东戈壁省、东方省南部,苏赫巴托尔西部等地
建筑用地 106.94 47.92 1294.1 乌兰巴托市较多,中央省和肯特省分布较少
森林 106.43 48.13 1555.3 中央省北部,肯特西北部分布较多,乌兰巴托和东方省东部分布较少
水体 111.46 47.34 1042.1 乌兰巴托和东方省分布较多,肯特省分布较少
草甸草地 112.57 46.55 951.5 中央省、东方省、肯特和乌兰巴托
典型草地 111.52 47.35 1082.8 面积最大,分布最广,除东戈壁省外其他省都有大量分布
荒漠草地 110.65 45.40 903.8 中部的苏赫巴托尔和戈壁苏木贝尔较多,东方省少量分布
由于搭载摄像仪的车辆在途经收费站、红绿灯或者汽车加油、人员吃饭休息、车辆调头等时摄影仪会在同一地点或线路上重复记录,所以,需对过度密集和大量重复的数据点删除,以减少对后面验证结果的影响。如图4为过度密集点的分布特点,图5为同一路线重复经过的情况,这些冗余的视频信息将会被筛查和删除。
Fig. 4 The distribution of crowded feature points in the video record extraction results

图4 视频提取结果中的密集数据点

Fig. 5 The repeated feature points of a single route in the video record extraction results

图5 视频提取结果中同一路线重复记录数据点

3.3 统计提取结果

经过上述删除重复数据点后,以1 s为采样间隔,共有123 396个特征点可用于精度验证分析。运用ArcGIS叠加分析功能,对精度验证特征点图层和遥感影像解译结果图层做Intersect操作,得到用于精度评价的验证信息,提取结果如表4所示。
Tab. 4 The statistical results of remote sensing interpretations and video record extractions

表4 遥感影像解译和验证视频提取结果统计表

提取 解译
草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体 总计
草甸草地 210 2908 693 15 81 57 0 180 0 1 4145
典型草地 591 59 053 8551 1708 498 2057 0 1321 0 16 73 795
荒漠草地 0 2115 8685 6 19 520 177 39 0 0 106 30 648
建筑用地 164 1008 740 8821 417 0 0 0 0 0 11 150
裸地 0 59 233 0 3107 0 0 0 0 0 3399
农田 0 27 0 0 0 86 0 0 0 0 113
沙地 0 0 0 0 0 0 0 0 0 0 0
森林 0 0 0 0 0 0 0 10 0 0 10
沙漠 0 0 0 0 0 0 0 0 0 0 0
水体 4 56 21 0 25 0 0 0 0 30 136
总计 969 65 226 18 923 10 550 23 648 2377 39 1511 0 153 123 396

3.4 精度评价

在数据库中对以1 s为采样间隔的视频分类提取结果采用SQL查询,统计得到Ⅰ级大类和Ⅱ级小类都划分正确的数据点有80 002个,Ⅰ级大类划分正确但Ⅱ级小类划分错误的数据点共有14 858个,Ⅰ级大类和Ⅱ级小类都划分错误的数据点有28 536个。按照上述得分评价标准可知总得分为87 431分,按照百分比换算后,遥感图像解译结果的总体精度为70.85%,草地的解译精度为69.42%,其他每种土地覆盖类型的解译精度如表5所示,沙地和沙漠类型没有采集到数据点,故其解译精度值为空。
Tab. 5 The precision of land cover classification interpretation (data points sampled at 1 second interval)

表5 各种土地覆盖类型的解译精度汇总（数据点间隔1 s）

覆被类型 草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体
正确点数（个） 210 59 053 8685 8821 3107 86 0 10 0 30
总点数（个） 4145 73 795 30 648 11 150 3399 113 0 10 0 136
解译精度（%） 48.50 86.22 31.79 79.11 91.41 76.11 1.00 22.06

4 土地覆盖解译结果分析与讨论

4.1 不同尺度下的解译精度

Contour车载三维摄像仪的采样频率为每秒1次,为了对比不同尺度的数据点对解译精度的影响,本文再选取以5、10、60、300 s为间隔获取特征数据点开展精度评价（表6-9）。选取不同时间间隔,从而对应不同的地表距离,因车速不一致,用平均车速（50.95 km/h）来衡量每种时间间隔的实地采样距离（表10）。
Tab. 6 The precision of land cover classification interpretation (data points sampled at 5 seconds interval)

表6 各种土地覆盖类型的解译精度汇总（数据点间隔5 s）

覆被类型 草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体
正确点数（个） 42 11 811 1733 1766 621 17 0 2 0 5
总点数（个） 831 14 765 6125 2227 680 22 0 2 0 27
解译精度（%） 48.44 86.17 31.76 79.30 91.32 77.27 1.00 18.52
Tab. 7 The precision of land cover classification interpretation (data points sampled at 10 seconds interval)

表7 各种土地覆盖类型的解译精度汇总（数据点间隔10 s）

覆被类型 草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体
正确点数（个） 22 5908 867 885 308 8 0 1 0 4
总点数（个） 415 7383 3061 1114 339 11 0 1 0 15
解译精度（%） 48.43 86.20 31.79 79.44 90.86 72.73 1.00 26.67
Tab. 8 The precision of land cover classification interpretation (data points sampled at 60 seconds interval)

表8 各种土地覆盖类型的解译精度汇总（数据点间隔60 s）

覆被类型 草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体
正确点数（个） 3 983 149 150 49 1 0 0 0 0
总点数（个） 70 1229 512 186 56 1 0 0 0 2
解译精度（%） 49.29 86.09 32.71 80.65 87.50 1.00 0.00
Tab. 9 The precision of land cover classification interpretation (data points sampled at 300 seconds interval)

表9 各种土地覆盖类型的解译精度汇总（数据点间隔300 s）

覆被类型 草甸草地 典型草地 荒漠草地 建筑用地 裸地 农田 沙地 森林 沙漠 水体
正确点数（个） 0 192 28 29 8 0 0 0 0 0
总点数（个） 11 249 104 36 11 0 0 0 0 0
解译精度（%） 50 83.73 31.25 80.56 72.73
Tab. 1 0 The average ground distance corresponding to different intervals

表1 0 不同的时间间隔对应的地面平均距离

时间间隔（s） 1 5 10 60 300
平均距离（m） 14.15 70.76 141.53 849.16 4245.79
不同时间间隔数据点所得到的土地覆盖解译精度对比结果如图6所示。由图6可见,1、5、10、60 s间隔的精度评价结果相差不大,但当采样间隔扩大到300 s时,导致精度评价的结果有显著变化,精度明显下降,这表明采样间隔增加到一定程度会导致验证点的代表性下降,影响精度评价结果。同时,采样点过密也会无限加大数据处理的时间和工作量,例如,60 s的采样间隔所获取的数据量和数据处理的工作量都是1 s采样间隔的60分之1。尽可能寻找到与本区域验证匹配的采样间隔将是一个科学性、经验性的问题。从验证结果来看,在1、5、10、60 s的采样间隔对比中,60 s采样的效率最高且能表现出1 s采样间隔同样的评价效果。从经验上看,由于蒙古东部地势平坦、地表覆被类型分布辽阔,60 s采样的间隔在平稳车速的情况下,大约对应0.8~1 km的实地距离,适宜于本区域的土地覆盖精度验证。
Fig. 6 The overall precision and steppe interpretation accuracy with different time intervals

图6 不同时间间隔数据点的总体解译精度和草地解译精度

4.2 误差分析

精度评价结果表明,遥感解译分类的正确率保持在71%左右,该影像分类的结果基本能够反映蒙古国东部的土地覆盖情况。各类型划分精度中,森林和草地因其特殊的光谱反射特征容易识别,具有较高的解译精度,对于草地的Ⅱ级分类则由于其地表覆盖度过渡不明显,存在很多Ⅱ级分类错误的草地区域,导致3个Ⅱ级小类的评价精度都不高;水体和沙漠则因为特征点落入过少导致其评价精度较低[3-4]。
从视频记录验证信息提取的角度,存在3个需要关注的地方：（1）解译与验证时间的差异。本次三维视频信息采集于2013年,土地覆盖遥感解译的数据源是2010年的TM影像,这会对近3年内有显著变化区域的验证精度带来影响。由于蒙古国东部地区地广人稀,主要以游牧等人类活动影响为主,所以,除了少量城镇和道路外,其总体影响不大。（2）Contour记录仪的固定位置不同,会对视频记录视野带来一定影响,从而影响采样精度。原则上,记录仪的位置越高,其视场越开阔,提取的验证点信息越可靠。（3）采样的路线会影响视频记录的土地覆盖验证点的分布,因此,在调查线路上既要考虑交通条件也要充分考虑不同植被或土地覆盖类型的代表性,尽可能多地记录不同的土地覆盖情况。

4.3 视频数据处理的展望

目前,对验证视频的处理还主要依赖于手工处理,不仅花费的时间多而且也存在对视频信息的主观判断不准确性,这是目前利用Contour三维摄影仪进行精度验证的主要难题。本文通过信息处理技术与遥感数据处理技术的深入结合,利用程序实现自动化的视频数据处理,将能大幅提高自动化水平和应用推广潜力。例如,对视频中不同地物类型转变过渡点的自动识别、采样点间隔的自动判断、典型土地覆盖类型的自动判断,这些正是在大数据和信息化时代下,三维摄像仪用于土地覆盖精度验证的一个需深入研究的方向。

5 结语

利用Contour便捷车载摄像仪获取2013年蒙古国东部地区野外视频信息,对2010年蒙古国土地覆盖数据进行提取精度评价。采用特征点打分统计方式,分别以1、5、10、60、300 s的间隔,提取了5个时间尺度对应的平均地表距离下的土地覆盖验证点信息,完成了不同时间和距离尺度下的精度评价。分析认为,三维摄像仪能适用于大面积、长时间的监测与精度评价,不同的采样间隔会得到不同的精度评价结果,就本区域而言,60 s的间隔对应的采样距离最优。
运用三维摄影仪进行遥感覆被精度验证减少了以往野外考察人工采点的限制,自动、连续地记录了野外土地覆盖调查的全过程,便于对土地覆盖调查成果的长期归档和回溯利用,以及不同尺度下的特征提取。未来在三维摄像仪土地覆盖野外验证中,应综合考虑调查线路、充分利用好摄像视角,做到实时录音和野外考察记录相结合;在数据处理中,应借助于信息技术与遥感技术的融合,提高分类信息获取的自动化水平,以促进本技术在更大范围内的推广应用。

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]
Jansen L J M,Gregorio A D. Land cover classification system: Basic concepts,main software functions and overview of the ‘land system’ approach[C]. In: Groom G B (eds.). Developments in Strategic Landscape Monitoring for the Nordic Countries. Denmark: Nordic Council of Ministers, 2004,705:64-73.

[2]
郭旭东,陈利顶.土地利用/土地覆被变化对区域生态环境的影响[J]. 环境科学进展,1999(6):66-75.

[3]
宋宏利,张晓楠.中国区域多源土地覆被遥感产品精度分析与验证[J].农业工程学报,2012,28(22):207-214.

[4]
宋富强,康慕谊,郑壮丽,等.陕北黄土高原地区土地利用/覆被分类及验证[J].农业工程学报,2011,27(3):316-324.

[5]
曹明,张友静,郑淑倩.MODIS土地覆盖数据产品精度分析——以黄河源区为例[J].遥感信息,2012,27(4):22-27.

[6]
廖顺宝,朱华忠,白燕,等.秦巴山区1:25万土地覆被遥感制图精度的野外验证[J].中国土地科学,2011,25(10):58-62.

[7]
廖顺宝,刘睿,尹芳.全国1:25万土地覆被遥感制图精度在内蒙古东部的实地验证[J].地理研究,2011,30(3):555-563.

[8]
白燕,王卷乐,宋佳.中国1:25万土地覆盖遥感制图精度评价——以鄱阳湖地区为例[J].地球信息科学学报, 2012,14(4):497-506.

[9]
宫鹏. 基于全球通量观测站的全球土地覆盖图精度检验[J].自然科学进展,2009,19(7):754-759.

[10]
李硕. 基于头戴式摄像机的唇语特征提取与识别[D].北京:北京理工大学,2010.

[11]
林丽晨. 基于车载摄像机高速公路车距测量系统的研究[D].天津:天津大学,2005.

[12]
江东,黄耀欢,庄大方.全球及中国周边地区资源环境科学数据库构建[J].地球信息科学学报,2012,14(5):592-598.

[13]
江东,郝蒙蒙,庄大方,等.我国周边国家资源环境数据库建设的机遇、挑战与方略[J].地球信息科学学报,2014,16(1):54-60.

[14]
王卷乐. 蒙古eCognition分类操作手册[Z].中国科学院地理科学与资源研究所,2013.

[15]
田静,王卷乐,李一凡,等.基于决策树方法的蒙古高原土地覆盖遥感分类——以蒙古国中央省为例[J].地球信息科学学报,2014,16(3):460-469.

[16]
姜洋,李艳,刘东.基于TM影像属性和形态特征的土地覆被制图方法[J].地球信息科学学报,2004,16(1):117-125.

[17]
陈军,陈晋,廖安平,等.全球30米地表覆盖遥感制图的总体技术[J].测绘学报,2014,43(6):551-557.

[18]
卢玲,李新,董庆罕.SPOT4——VEGETATION中国西北地区土地覆盖制图与验证[J].遥感学报,2003,7(3):214-220,245.

[19]
何香玲,郑钢.GPS通信的NEMA协议及定位数据的提取[J].计算机应用与软件,2004,21(12):121-122.

[20]
胡曙光. 高速公路车辆协同追尾预警系统研究[D].长沙:湖南大学,2012.

[21]
王建芳,包世泰.面向对象解译方法在遥感影像地物分类中的应用[J].热带地理,2006,26(3):234-238,242.

[22]
李晓兵,陈云浩,喻锋.基于遥感数据的全球及区域土地覆盖制图、现状、战略和趋势[J].地球科学进展,2004,19(1):71-79.

Options
文章导航

/

〈 〉